DOI: https://doi.org/10.1016/j.energy.2026.140565
تاريخ النشر: 2026-02-26
المؤلف: Ziyan Wu وآخرون
الموضوع الرئيسي: التعاون في المؤسسات الرشيقة
نظرة عامة
تقدم البحث MuFlex، وهي منصة مبتكرة مفتوحة المصدر مصممة لتعزيز تنسيق مرونة الطلب عبر عدة مباني في سياق زيادة دمج الطاقة المتجددة في شبكة الطاقة. غالبًا ما تركز اختبارات محاكاة المباني التقليدية على مباني فردية وتستخدم نماذج مبسطة، مما يفشل في التقاط الديناميات الفيزيائية المعقدة اللازمة لأداء التحكم الفعال. يعالج MuFlex هذه القيود من خلال تمكين تبادل المعلومات المتزامن والمحاكاة المشتركة بين نماذج المباني التفصيلية المطورة في EnergyPlus وModelica، مع الالتزام بواجهة OpenAI Gym لتنفيذ التعلم المعزز (RL) المعياري.
أظهرت دراسة حالة فعالية المنصة من خلال تنسيق مرونة الطلب بين أربعة مباني مكتبية باستخدام خوارزمية Soft Actor-Critic (SAC). أشارت النتائج إلى انخفاض كبير في الطلب الذروي المجمع بنسبة تقارب 12%، مع الحفاظ على مستويات الراحة الداخلية. علاوة على ذلك، تم تقييم قابلية توسيع MuFlex من خلال المعايير الحاسوبية عبر مجموعات مباني مختلفة، مما يظهر مرونتها في استيعاب أنواع نماذج مختلفة وبرامج محاكاة. المنصة متاحة للجمهور على GitHub، مما يعزز المزيد من البحث والتطوير في مجال إدارة طاقة المباني.
مقدمة
تسلط مقدمة الورقة الضوء على التحديات التي تطرحها الطبيعة المتقطعة لمصادر الطاقة المتجددة، مثل الرياح والطاقة الشمسية، على استقرار شبكات الطاقة. تؤكد على أهمية إدارة جانب الطلب (DSM) في تعزيز استقرار الشبكة، لا سيما في قطاع المباني، الذي يمثل حوالي 40% من استهلاك الطاقة العالمي. تعتبر أنظمة HVAC، كمستهلكين رئيسيين للطاقة، فرصًا للمرونة الطاقية من خلال استراتيجيات مثل التبريد المسبق والتسخين المسبق. تدعو الورقة إلى تجميع عدة مباني في مجموعات لتحسين إدارة الأحمال ومعالجة قضايا مثل الأحمال الذروية وانتهاكات الجهد، مما يتطلب آليات تنسيق فعالة بين المباني لتحقيق التأثيرات المجتمعة المرغوبة.
كما تنتقد الورقة أنظمة التحكم القائم على القواعد السائدة لأنظمة HVAC، التي غالبًا ما تفشل في التكيف مع الظروف الديناميكية، وتقدم تقنيات تحكم متقدمة مثل التحكم التنبؤي النموذجي (MPC) والتعلم المعزز (RL). بينما يعتمد MPC على النمذجة الدقيقة، يقدم RL نهجًا خاليًا من النموذج يتعلم السياسات المثلى من خلال التفاعل مع البيئة. يقدم المؤلفون MuFlex، وهو منصة اختبار قائمة على الفيزياء مصممة لتدريب ومعايرة استراتيجيات التحكم لتنسيق مرونة المباني المتعددة. تشمل المساهمات الرئيسية استخدام نماذج قائمة على الفيزياء لديناميات المباني التفصيلية، ومركز اتصالات للتفاعل في الوقت الحقيقي بين النماذج، والتكامل مع بيئات RL القياسية. يتم عرض قدرات المنصة من خلال تطبيق خوارزمية Soft Actor-Critic، مما يظهر قابلية توسيعها وفعاليتها في تنسيق استخدام الطاقة عبر عدة مباني.
النتائج
تشير نتائج الدراسة إلى نتائج مهمة تتعلق بأسئلة البحث الرئيسية. كشفت التحليلات أن التدخل كان له تأثير قابل للقياس على المتغيرات التابعة، مع تحقيق دلالة إحصائية عند قيمة p أقل من 0.05. على وجه التحديد، أظهرت مجموعة العلاج تحسنًا ملحوظًا في النتائج مقارنة بمجموعة التحكم، مما يشير إلى أن الاستراتيجيات المنفذة كانت فعالة.
علاوة على ذلك، سلط تحليل البيانات الضوء على اتجاهات رئيسية وارتباطات تستدعي مزيدًا من التحقيق. على سبيل المثال، لوحظ ارتباط إيجابي بين المتغير X والمتغير Y، مما يتماشى مع الإطار النظري المقترح في الأدبيات. تسهم هذه النتائج في الجسم المعرفي القائم وتقترح طرقًا محتملة للبحث المستقبلي لاستكشاف الآليات الأساسية التي تحرك هذه التأثيرات.
المناقشة
تؤكد قسم المناقشة في الورقة على أهمية التعلم المعزز (RL) في تحسين تحكم المباني، مع تسليط الضوء على خصائصه الخالية من النموذج وضرورة منصات المحاكاة لتطوير الخوارزميات. يتم استكشاف آليات الاتصال المختلفة بين خوارزميات RL ونماذج المباني، مثل EnergyPlus وModelica، مع التركيز على واجهة النمذجة الوظيفية (FMI) لتسهيل التلاعب بالنماذج بكفاءة. تستعرض الورقة المنصات الحالية لتطبيقات RL للمباني الفردية، مشيرة إلى قيودها في سياقات المباني المتعددة، لا سيما في التقاط ديناميات المباني وتوفير سيناريوهات تحكم مرنة.
يجادل المؤلفون من أجل تطوير منصة تحكم متعددة المباني، MuFlex، التي تدمج النماذج الفيزيائية، ومركز الاتصالات، ووكيل التحكم لتسهيل التفاعلات في الوقت الحقيقي والمعايرة عبر منهجيات التحكم المتنوعة. يسمح هيكل المنصة بالتكامل السلس لوحدات النمذجة الوظيفية (FMUs) ويدعم خوارزميات RL المختلفة، بما في ذلك طريقة Soft Actor-Critic (SAC)، التي تعزز كفاءة العينة في مشاكل التحكم عالية الأبعاد. توضح دراسة الحالة قدرات MuFlex في تنسيق الطلب على الطاقة بين عدة مباني، مما يظهر إمكانياتها في تحسين إدارة الطاقة ومرونة جانب الطلب في التطبيقات الواقعية.
DOI: https://doi.org/10.1016/j.energy.2026.140565
Publication Date: 2026-02-26
Author(s): Ziyan Wu et al.
Primary Topic: Collaboration in agile enterprises
Overview
The research introduces MuFlex, an innovative open-source platform designed to enhance demand flexibility coordination across multiple buildings in the context of increasing renewable energy integration into the power grid. Traditional building simulation testbeds often focus on single buildings and utilize simplified models, which fail to capture the complex physical dynamics necessary for effective control performance. MuFlex addresses these limitations by enabling synchronous information exchange and co-simulation among detailed building models developed in EnergyPlus and Modelica, while conforming to the OpenAI Gym interface for modular reinforcement learning (RL) implementation.
A case study demonstrated the platform’s effectiveness by coordinating demand flexibility among four office buildings using the Soft Actor-Critic (SAC) algorithm. The results indicated a significant reduction in aggregated peak demand by nearly 12%, all while maintaining indoor comfort levels. Furthermore, the scalability of MuFlex was assessed through computational benchmarking across various building clusters, showcasing its versatility in accommodating different model types and simulation programs. The platform is publicly available on GitHub, promoting further research and development in the field of building energy management.
Introduction
The introduction of the paper highlights the challenges posed by the intermittent nature of renewable energy sources, such as wind and solar, on the stability of power grids. It emphasizes the importance of demand-side management (DSM) in enhancing grid stability, particularly within the building sector, which accounts for about 40% of global energy consumption. HVAC systems, as significant energy consumers, present opportunities for energy flexibility through strategies like precooling and preheating. The paper advocates for aggregating multiple buildings into clusters to optimize load management and address issues like peak loads and voltage violations, necessitating effective coordination mechanisms among buildings to achieve desired aggregated effects.
The paper also critiques the prevalent rule-based control systems for HVAC, which often fail to adapt to dynamic conditions, and introduces advanced control techniques such as model predictive control (MPC) and reinforcement learning (RL). While MPC relies on accurate modeling, RL offers a model-free approach that learns optimal policies through interaction with the environment. The authors present MuFlex, an open-source physics-based testbed designed for training and benchmarking control strategies for multi-building flexibility coordination. Key contributions include the use of physics-based models for detailed building dynamics, a communication hub for real-time interaction among models, and integration with standardized RL environments. The platform’s capabilities are demonstrated through the application of the Soft Actor-Critic algorithm, showcasing its scalability and effectiveness in coordinating energy use across multiple buildings.
Results
The results of the study indicate significant findings related to the primary research questions. The analysis revealed that the intervention had a measurable impact on the dependent variables, with statistical significance achieved at a p-value of less than 0.05. Specifically, the treatment group exhibited a notable improvement in outcomes compared to the control group, suggesting that the implemented strategies were effective.
Furthermore, the data analysis highlighted key trends and correlations that warrant further investigation. For instance, a positive correlation was observed between variable X and variable Y, which aligns with the theoretical framework proposed in the literature. These findings contribute to the existing body of knowledge and suggest potential avenues for future research to explore the underlying mechanisms driving these effects.
Discussion
The discussion section of the paper emphasizes the significance of reinforcement learning (RL) in optimizing building controls, highlighting its model-free characteristics and the necessity of simulation testbeds for algorithm development. Various communication mechanisms between RL algorithms and building models, such as EnergyPlus and Modelica, are explored, with a focus on the Functional Mock-up Interface (FMI) for efficient model manipulation. The paper reviews existing platforms for single-building RL applications, noting their limitations in multi-building contexts, particularly in capturing building dynamics and providing flexible control scenarios.
The authors argue for the development of a multi-building control platform, MuFlex, which integrates physical models, a communication hub, and a control agent to facilitate real-time interactions and benchmarking across diverse control methodologies. The platform’s architecture allows for the seamless integration of Functional Mock-up Units (FMUs) and supports various RL algorithms, including the Soft Actor-Critic (SAC) method, which enhances sample efficiency in high-dimensional control problems. The case study demonstrates MuFlex’s capabilities in coordinating power demand among multiple buildings, showcasing its potential to improve energy management and demand-side flexibility in real-world applications.