citylearn-project/CityLearn

它解决了什么问题

CityLearn 提供了一个标准化的模拟环境，用于优化建筑能源协调和需求响应。它让研究人员和开发者能够测试多智能体强化学习（MARL）算法，以平衡能源负载、整合太阳能（PV）等可再生能源，并管理电动车（EV）充电，而无需依赖昂贵的真实世界部署。

它的运作方式

CityLearn 作为 Farama Foundation 的 Gymnasium 环境，模拟建筑和社区的电力互动。它使用数据驱动的模拟，用户可以定义建筑结构、能源配置文件和电力拓扑。该环境支持多种接口：一种用于标准 RL 的“扁平”向量模式，以及一种提供基于表格的观测和边的“实体”模式，使其适用于图神经网络（GNN）或 Transformer。它可以处理复杂场景，包括三相电力服务、动态拓扑（在模拟期间添加/移除资产），以及资产中断等稳健性事件。

适用对象

它专为研究智能电网、能源管理系统，以及应用于城市能源效率的多智能体强化学习的研究人员和工程师而设计。

重点特色

• 全面的能源资产：支持具有 V2G 能力的电动车（EV）、可延迟电器和扶梯控制。
• 灵活的时间分辨率：处理从每小时到 15 秒间隔的模拟。
• 进阶拓扑：支持三相电力系统和模拟期间社区结构的动态变化。
• 多社区协调：能够同时同步和管理多个独立的能源社区。
• 稳健性测试：包含数据驱动的扰动，以测试智能体如何处理预测误差或资产故障。