potentiel économique sur un parc (hétérogène) de bâtiments

[alexandrecuer]

potentiel économique sur un parc hétérogène de bâtiments

Le générateur de modèle tire aléatoirement un R et un C

_r_ = random.randint(1, 9) * random.choice([1e-3, 1e-4])
_c_ = random.randint(1, 9) * random.choice([1e+7, 1e+8, 1e+9])

parc présentant une certaine inertie : RC compris entre 50 et 100 h

réseau : TensorBoard/DDQN/Heat_StepRewardVacancy3000_130320231455_synth_GAMMA=9.70e-01_LAMBDA=3.00e-04_NBACTIONS=2_AUTOPOWER_tc=20+ou-2_k=1.00e+00_k_step=1.00e+00_p_c=15_vote_interval=-1A1

hystérésis pour les périodes d'occupation : TensorBoard/DDQN/Heat_Hyst5400_100320231040_cells_GAMMA=9.70e-01_LAMBDA=3.00e-04_NBACTIONS=2_tc=20+ou-2

CHAUFFAGE EN MODE TOUT OU RIEN

sur l'ensemble du parc

python3 stats.py --autosize_max_power=True --newmodel_at_each_episode=True --rc_min=50 --rc_max=100

ou tout simplement :

python3 stats.py --autosize_max_power=True --newmodel_at_each_episode=True

circuit cells

python3 stats.py --autosize_max_power=True
modèle : cells
generer les stats : True 
nbr jours fériés à intégrer : 0

circuit bloch

circuit tertiaire

parc présentant une inertie très faible : RC compris entre 5 et 50 h

[alexandrecuer]

parc présentant une certaine inertie : RC compris entre 50 et 100 h

réseau : TensorBoard/DDQN/Heat_StepRewardVacancy3000_120320231017_synth_GAMMA=9.70e-01_LAMBDA=3.00e-04_NBACTIONS=2_AUTOPOWER_tc=20+ou-2_k=1.00e+00_k_step=1.00e+00_p_c=15_vote_interval=-1A1

hystérésis pour les périodes d'occupation : TensorBoard/DDQN/Heat_Hyst5400_200220232222_cells_GAMMA=0dot97_NBACTIONS=2_tc=20+ou-2

played_synth_2023_03_16_21_59.csv

[alexandrecuer]

agents/2021_09_23_07_42_32_hys20_retrained_k0dot9_hys20.h5

agent multitache qui gère l'inoccupation et l'occupation

on utilise l'option same_tc_ono en lui donnant la valeur False, car cet ancien agent prenait 0 comme consigne hors occupation

python3 stats.py --autosize_max_power=True --newmodel_at_each_episode=True --same_tc_ono=False

SI on veut utiliser cet agent pour jouer des épisodes avec un timestamp et un couple R/C définis, on enlève l'option newmodel_at_each_episode et on rajoute les options ask_ts et ask_rc :

python3 stats.py --autosize_max_power=True --same_tc_ono=False --ask_ts=True --ask_rc=True

dans ce mode, l'utilisateur est à chaque épisode invité à saisir ses paramètres :

timestamp?1639067540
R?8e-4
C?3e8

Celà permet d'apprécier que cet agent entrainé sur un modèle fixe (cells), s'il présente une bonne tendance à l'économie, est assez sensible au changement de modèle. Pour s'en rendre compte, il faut focaliser sur les timestamps pour lesquels beaucoup d'heures en occupation (30, 40 voire 50) sont en dessous de tc-1

Certes, ce sont des épisodes froids mais on n'est pas encore tout à fait aux limites du système de chauffage, puisque le modèle parvient à économiser

[alexandrecuer]

Avec les agents en 2022/2023, pour rejouer un timestamp et un couple R/C bien précis, surtout ne pas utiliser l'option same_tc_ono qui n'a été implémentée que pour pouvoir revenir sur les agents dit multitaches.

TensorBoard/DuelingQ/Heat_100420231254_50MLP_StepRewardVacancy_GAMMA0.99_2actions_k=1e-04

Cet agent s'adapte plutôt bien au changement d'environnement

python3 stats.py --autosize_max_power=True --newmodel_at_each_episode=True

played_synth_2023_04_11_16_07.csv

python3 stats.py --autosize_max_power=True --ask_ts=True --ask_rc=True
modèle ? : synth
generer les stats ? : False
nbr jours fériés à intégrer ? [0]: 
nom du réseau ?TensorBoard/DuelingQ/Heat_100420231254_50MLP_StepRewardVacancy_GAMMA0.99_2actions_k=1e-04
chemin agent hystérésis pour les périodes d'occupation ?TensorBoard/DDQN/Heat_Hyst5400_200220232222_cells_GAMMA=0dot97_NBACTIONS=2_tc=20+ou-2
agent avec qui comparer pas à pas ?
on va jouer 900 épisodes
timestamp?1642329140
R?8e-4
C?3e8

Sur les 2 épisodes qui précèdent, il est plus pertinent que l'agent multitaches

Il y a des situations sur lesquelles il peut être en difficulté, mais le modèle aussi, et ce sont des situations extrèmes qu'on n'a pas pris en compte dans le dimensionnement de la puissance maximale