分布式环境控制系统中的多智能体架构：愿景、挑衅与机遇
原论文：https://arxiv.org/pdf2502.15663Natasha Astudillo
Fernando Koch
择要
随着大型基础设施（尤其是数据中心）对节能解决方案的需求不断增加，需要先进的控制战略来优化环境管理系统。我们提出了一种用于数据中心氛围冷却冷水机组的分布式控制的多智能体架构。我们的愿景是使用自主智能体监控和调治局部运行参数，以优化系统团体效率。我们展示了这种方法怎样提高系统的响应性、操作鲁棒性和能源效率，为实现可持续基础设施管理的更广泛目标做出贡献。
1 弁言
在修建环境中对可持续性的日益器重突显了智能修建中先进控制战略的需求。特别是环境控制系统，如暖通空调系统（HVAC），起着关键作用，由于它们负责约莫50-60%的能源消耗和40-60%的二氧化碳排放 (Saidur 2009；Hidalgo et al. 2008) 。在涉及多个装备分布在多个结构中的场景中，通过聚合来自差别单元的传感器数据并促进复杂且分布式的决策过程，可以实施分布式控制。最近的研究探讨了基于AI的分布式控制解决方案的应用，这些解决方案使用多智能体架构和谐和优化这些系统的运行 (Fuentes-Fernández, Guijarro 和 Pajares 2009) 。此类架构不仅提高了系统的响应能力和效率，还为解决复杂分布式环境中的可扩展性、鲁棒性和互操作性挑衅开发了新的研究方向。
我们正在研究和开发现代多智能体架构在设计一个适用于同一区域内多个装备和多个站点的分布式控制系统中的应用。我们专注于运营大量氛围冷却冷水机组的数据中心场景，通常每个修建物管理30到100台装备，每个站点涵盖多个修建物。每个设施都有独特的配置和运行条件，而且由于极其严格的安全和专有要求，需要当地化的、弹性的解决方案。我们正在探索实现及时监控和顺应、容错、可扩展性和安全合规的方法。
我们的研究为该领域的前沿提供了：
[*]一种使用多智能体架构举行高效能源管理的数据中心分布式控制框架。
[*]对复杂、多站点环境中及时监控、顺应和容错机制的深入分析。
[*]将安全和专有束缚集成到去中心化控制系统中的见解。
[*]验证我们在各种运行条件下方法的可扩展性和鲁棒性的实证结果。
2 提案
https://i-blog.csdnimg.cn/img_convert/ac2921eb2d364bd24a054974491fda2a.webp?x-oss-process=image/format,png
分布式控制系统中的多智能体系统
近期研究表明，多智能体协作对节能修建系统具有诸多益处 (Labeodan et al. 2015；Qiao, Liu, 和 Guy 2006) 。基于这些架构的解决方案可以在现场实施，符合严格的数据中心安全政策，同时增强冷却系统的团体弹性 (Yu et al. 2022) 。多智能体系统（MAS）淘汰了对会集式基础设施的依赖，通过将智能分布在当地智能体上，提高了顺应性和效率。关键操作上风包罗 (Koch 和 Rahwan 2005) ：
[*]情境性： 智能体位于一个可以影响和被其影响的环境中。
[*]开放性： 智能体可以大概顺应系统结构的厘革，例如当新组件进入系统或现有组件脱离时。
[*]当地控制： 智能体可以根据当地战略自主操作。在移动服务中，这可能是确保服务鲁棒性所必需的。
[*]当地交互： 智能体可以大概在地理或逻辑相近的其他组件之间举行交互。
[*]增强安全性： 淘汰数据传输到外部服务器，降低网络安全风险。
[*]可扩展性： 分布式决策使系统可以大概动态扩展，而不会出现单点故障。
[*]自顺应和谐： 每个冷水机组自动调解设定值，同时与其他相邻单元同步，以优化团体性能。
基于这些原则，我们提出了一个集成解决方案架构，该架构结合了MAS基础的分布式控制功能，特别适用于复杂的环境控制系统。如图 1 所示，该架构包含以下关键要素：
[*]传感器和物联网装备： 一个分布式网络的传感器不断从修建物内的各个区域网络高分辨率数据（如温度、湿度、占用情况）。这种精细的数据收罗对于捕捉每个区域的独特环境条件至关紧张，从而支持自顺应控制战略。
[*]当地深度强化学习（RL）智能体： 部署在每个修建区域的边沿装备上的这些智能体使用当地网络的传感器数据举行即时、上下文特定的暖通空调操作控制决策。当地部署淘汰了通信延迟，并允许每个智能体根据其区域的具体条件优化能耗。
[*]和谐层（多智能体网络）： 促进当地RL智能体之间的妥当通信和数据互换，确保它们的个体举措和谐一致。和谐层防止差别区域之间的冲突控制举动，从而通过分布式互动保持系统的团体稳定性。
[*]中心聚合器： 从和谐层网络和整合数据，提供整个修建暖通空调性能的全面概览。这一元素确保局部优化有助于团体能源管理和可持续发展目标，通过平衡各区域性能与全局目标。
[*]云分析和再训练平台： 处置惩罚聚合数据以辨认长期趋势，加深对修建使用模式的理解。它支持定期重新训练RL模子，确保系统顺应不断厘革的操作条件并保持高水平的性能。
这个集成的MAS基础分布式控制架构旨在应对现代数据中心和智能修建环境中固有的复杂操作挑衅。所提出的解决方案旨在通过结合当地决策与和谐和系统级监督，提拔能源效率、弹性和安全性，同时满足今世设施管理的严格要求。
3 应用案例
我们的实验表明，智能重分配优化了冷却效率，避免了单个单元的过载，预计可提高5-15%的能源效率，同时保持热舒服度。此用例发生在电力需求高峰期，例如炎热的夏日下午，由于冷却需求增加，能源成本可能会飙升。多智能体系统（MAS）中的和谐智能体动态优化冷水机组操作，以减轻过度耗电。系统不是均匀增加全部单元的冷却负荷，而是战略性地调解操作：
[*]靠近修建物外围的冷水机组，在那里有可用的较冷外部氛围进气口，被指示以更高效率运行。
[*]较热区域的冷水机组淘汰负荷，以平衡整个系统。
别的，初步实验表明，主动工作负载分布可延伸装备寿命多达30%，淘汰意外停机时间和维护成本。随着时间推移，冷水机组磨损，需要定期维护以保持最佳性能。MAS通过持续监控运行时间阈值并在须要时动态重新分配工作负载，增强了自顺应调理。系统不是让全部冷水机组以相等负荷运行，而是战略性地转移任务：
[*]当特定冷水机组接近推荐的运行时间限定时，MAS将冷却任务转移到最近维护过的单元。
[*]这防止了老装备过载，淘汰了机械应力并降低了忽然故障的可能性。
我们还证明，将全部决策和学习过程保留在当地消除了与数据传输相关的网络安全风险，确保完全符合安全政策。数据隐私对数据中心至关紧张，尤其是在使用基于AI的模子优化冷却效率时。MAS实现了当地安全学习，使每个站点可以大概开发优化战略而不袒露敏感操作数据给外部服务器。系统确保：
[*]每个设施使用当地传感器数据训练本身的基于RL的优化模子。
[*]全部决策都保留在当地，消除了外部数据传输相关的风险。
最后，我们的研究探讨了基于及时天气厘革的动态冷水机组调解，以淘汰不须要的能源消耗并提高系统稳定性。环境条件可能忽然厘革，影响冷却系统的效率。MAS通过引入一个检测突发温度波动并相应调解操作的天气智能体来提高弹性。系统不依赖静态冷却操持，而是主动修改操作：
[*]假如检测到意外的夜间温度降落，和谐智能体调解冷水机组速率以防止不须要的冷却。
[*]在热浪期间，MAS在各区域之间重新分配冷却负荷，以防止过热并提高能源效率。
https://i-blog.csdnimg.cn/img_convert/870dfa1e9c066df0ee379737cb76c63b.webp?x-oss-process=image/format,png
这些结果总结在表 1 中。
4 挑衅与机遇
将多智能体系统（MAS）基础的分布式控制架构集成到节能修建系统中面对多少挑衅，包罗：
[*]智能体间和谐复杂性： 确保自主智能体之间的无缝协作可能具有挑衅性，特别是在大规模实施中，通信延迟和决策冲突可能出现。
[*]计算和硬件限定： 在边沿装备上部署当地深度强化学习（RL）智能体需要计算效率，由于资源限定可能影响及时处置惩罚和决策。
[*]安全和隐私题目： 虽然当地决策淘汰了外部数据传输，但当地网络中的漏洞仍可能使关键控制系统袒露于网络威胁。
[*]可扩展性和互操作性： 确保MAS框架可以大概有效扩展并保持与异构物联网装备、传感器和现有楼宇管理系统的兼容性是一个关键挑衅。
[*]训练数据和顺应性： 现实环境厘革可能引入非平稳性，需要自顺应机制以防止性能退化。
我们通过结合高级控制战略、系统设计优化和自顺应学习机制来解决这些挑衅。
[*]增强的智能体间和谐： 我们正在探索分层多智能体和谐以缓解通信延迟和决策冲突。和谐层促进了同步互动，确保智能体协作优化决策，同时最大限度淘汰干扰。
[*]高效的计算战略： 我们正在研究怎样通过使用动态生成AI管道并终极集成小型生成模子来优化边沿部署的强化学习模子，以降服硬件和计算限定。
[*]强盛的安全和隐私机制： 我们正在设计MAS框架以集成零信托安全模子、加密当地通信和非常检测算法，保护关键基础设施免受网络威胁。
[*]可扩展性和互操作性解决方案： 我们正在设计MAS架构以采用尺度化通信协议（如MQTT、OPC-UA）和模块化软件接口，确保无缝扩展和兼容性。
[*]针对现实厘革的自顺应学习： 我们正在实施混合AI和连续学习框架，MAS智能体定期使用在线强化学习更新模子，以应对非平稳环境的挑衅。
我们强调了几项关键机遇，使得这一集成非常有前景。首先，采用 分布式决策 可以大概动态及时优化暖通空调操作，淘汰能源消耗和运营成本，同时保持最佳的居住者舒服度。通过持续顺应厘革条件，MAS基础控制战略可以带来明显的节能和系统性能提拔。别的，MAS的 当地控制能力 淘汰了对会集式基础设施的依赖，确保在网络和系统故障时具备鲁棒性。别的，由 MAS 驱动的自顺应控制机制可以根据环境波动和占用模式动态调解，确保在差别条件下实现最佳能源效率。所提出的架构可以扩展以与智能电网互动，实现需求响应战略，并促进可再生能源的无缝集成。
这些机遇突显了MAS基础分布式控制系统的厘革潜力，使其成为将来节能修建的可行解决方案，同时满足经济和环境可持续发展目标。
5 结论
将MAS集成到分布式控制系统中代表着能效修建管理的范式转变。随着人工智能、物联网和分散智能的不断发展，MAS基础架构有望推动下一代可持续基础设施的发展，确保最优的能源使用、弹性和将来的智能修建解决方案。
我们的初步研究结果表明，MAS提高了能效、弹性和安全性，同时保持严格的运营束缚。初步分析确定了MAS的关键运营上风，包罗改进的容错、自顺应调理和分布式决策。实验结果表明，MAS驱动的控制可以实现5-20%的节能、30-40%更快的非常检测以及高达30%的猜测性维护调理改进。将来的研究和进步领域包罗：
[*]增强学习的高级生成AI： 将来的工作可以探索集成生成AI管道和小型生成模子，以提高强化学习效率并实现更快顺应动态环境。
[*]增强顺应性的混合AI： 研究混合AI方法，结合符号推理和深度学习，可以帮助MAS智能体更好地表明环境厘革并作出更可表明和情境感知的决策。
[*]与新兴物联网尺度的互操作性： 随着物联网生态系统的演变，确保与下一代智能修建技术和行业尺度（如Matter、OPC-UA、MQTT）的无缝互操作性将是现实部署的关键。
[*]分散的信托和安全机制： 进一步研究需要增强隐私保护计算方法，如联邦学习和零信托安全架构，确保在抵御网络威胁的同时保持分布式自治。
[*]与智能电网和可再生能源系统的集成： 扩展MAS架构以与智能电网和可再生能源源互动，可以增强需求响应能力，促进将来修建中可持续能源消费。
Fuentes-Fernández, Rubén, Marı́a Guijarro, and Gonzalo Pajares. 2009. “A Multi-Agent System Architecture for Sensor Networks.” Sensors 9 (12): 10244–69. https://doi.org/10.3390/s91210244 .
Hidalgo, MC Rodrı́guez, P Rodrı́guez Aumente, M Izquierdo Millán, A Lecuona Neumann, and R Salgado Mangual. 2008. “Energy and Carbon Emission Savings in Spanish Housing Air-Conditioning Using Solar Driven Absorption System.” Applied Thermal Engineering 28 (14-15): 1734–44.
Koch, Fernando, and Iyad Rahwan. 2005. “The Role of Agents in Intelligent Mobile Services.” In Intelligent Agents and Multi-Agent Systems , edited by Michael Wayne Barley and Nik Kasabov, 115–27. Berlin, Heidelberg: Springer Berlin Heidelberg.
Labeodan, Timilehin, Kennedy Aduda, Gert Boxem, and Wim Zeiler. 2015. “On the Application of Multi-Agent Systems in Buildings for Improved Building Operations, Performance and Smart Grid Interaction–a Survey.” Renewable and Sustainable Energy Reviews 50: 1405–14.
Qiao, Bing, Kecheng Liu, and Chris Guy. 2006. “A Multi-Agent System for Building Control.” In 2006 IEEE/WIC/ACM International Conference on Intelligent Agent Technology , 653–59. IEEE.
Saidur, Rahman. 2009. “Energy Consumption, Energy Savings, and Emission Analysis in Malaysian Office Buildings.” Energy Policy 37 (10): 4104–13.
Yu, Liang, Zhanbo Xu, Tengfei Zhang, Xiaohong Guan, and Dong Yue. 2022. “Energy-Efficient Personalized Thermal Comfort Control in Office Buildings Based on Multi-Agent Deep Reinforcement Learning.” Building and Environment 223: 109458.
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。
页:
[1]