citylearn-project/CityLearn

해결하는 문제

CityLearn은 건물 에너지 조정 및 수요 반응을 최적화하기 위한 표준화된 시뮬레이션 환경을 제공합니다. 연구자와 개발자는 다중 에이전트 강화 학습(MARL) 알고리즘을 테스트하여 에너지 부하 균형, 태양광(PV)과 같은 재생 에너지 통합, 전기차(EV) 충전 관리를 비용이 많이 드는 실제 배포에 의존하지 않고 수행할 수 있습니다.

작동 방식

Farama Foundation의 Gymnasium 환경으로 구축된 CityLearn은 건물과 커뮤니티의 전기적 상호 작용을 시뮬레이션합니다. 데이터 기반 시뮬레이션을 사용하며, 사용자는 건물 스키마, 에너지 프로필, 전기 토폴로지를 정의할 수 있습니다. 이 환경은 여러 인터페이스를 지원합니다: 표준 RL용 "플랫" 벡터 모드와 테이블 기반 관측 및 엣지를 제공하는 "엔티티" 모드로, 그래프 신경망(GNN) 또는 Transformer에 적합합니다. 3상 전기 서비스, 동적 토폴로지(시뮬레이션 중 자산 추가/제거), 자산 중단과 같은 견고성 이벤트를 포함한 복잡한 시나리오를 처리할 수 있습니다.

대상 사용자

스마트 그리드, 에너지 관리 시스템, 그리고 도시 에너지 효율에 적용되는 다중 에이전트 강화 학습을 연구하는 연구자와 엔지니어를 위해 설계되었습니다.

주요 특징

• 포괄적인 에너지 자산: V2G 기능이 있는 전기차(EV), 연기 가능한 가전, 에스컬레이터 제어를 지원합니다.
• 유연한 시간 해상도: 1시간 간격에서 15초 간격까지 시뮬레이션을 처리합니다.
• 고급 토폴로지: 3상 전력 시스템과 시레이션 중 커니티 구조의 동적 변경을 지원합니다.
• 다중 커니티 오케스트레이션: 여러 독립적인 에너지 커니티를 동시에 동기화하고 관리하는 능력.
• 견고성 테스트: 에이전트가 예측 오류나 자산 장애를 처리하는 방법을 테스트하기 위한 데이터 기반 교란을 포함합니다.