基於驗證器增強微調的推理模型在熱能儲存控制中的應用

本文提出了一種利用可驗證獎勵的強化學習微調(RLVR)方法,將開源推理模型適配用於建築熱能儲存(TES)調度問題。針對傳統模型預測控制(MPC)和強化學習在跨建築擴展時的困難,研究通過將精確的動態規劃(DP)動作值轉化為密集獎勵,僅用30個訓練提示對模型進行微調,使其成為輸出熱泵設定值的高級調度器。在包含已知最優解的辦公建築基準測試中,微調後的模型將碳排放從70.5 kg-CO2降至61.2 kg-CO2,接近DP最優值60.8 kg-CO2。此外,GPT-5無需特定訓練即可接近DP和MPC性能,而GPT-4o表現較差,突顯了推理能力的重要性。軌跡分析表明,RLVR主要穩定了候選比較、前瞻和可行性檢查等規劃模式。該方法為建築儲能調度和城市級能源管理提供了可擴展的解決方案。

Sources