Es ist wichtig, energieeffiziente Maßnahmen zur Wärmeregulierung in Gebäuden zu entwickeln, die den Energieverbrauch von HLK-Systemen in Gebäuden senken können. In der Regel werden die Temperaturen in Gebäuden innerhalb enger Grenzen gehalten, was zu einem höheren Energieverbrauch führt. Außerdem ist eine solche Umgebung bei langfristiger Exposition möglicherweise nicht optimal für die Bewohner.

Studien deuten darauf hin, dass eine dynamische Umgebung für den menschlichen Körper gesünder sein kann. Es ist jedoch eine Herausforderung, eine solche Regelungspolitik unter Berücksichtigung der Energieeffizienz des HLK-Systems, der dynamischen Innenraumumgebung und der Anforderungen an die thermische Akzeptanz umzusetzen. Die zahlreichen Faktoren beeinflussen die Regelungspolitik in einem solchen Fall, und die Umsetzung einer Regelungspolitik, die alle Parameter berücksichtigt, ist eine Herausforderung und in der Regel schwer zu modellieren, da sie sich von Fall zu Fall unterscheiden können.

Um diese Komplexität zu bewältigen, entwickelt ICE ein auf Deep Reinforcement Learning basierendes Framework (DRL) für die Energieoptimierung und die Steuerung einer gesunden thermischen Umgebung in Gebäuden. Da die meisten Steuerungsvariablen in Gebäuden kontinuierlich sind, wird ein neuartiger DRL-Algorithmus namens Deep Deterministic Policy Gradient (DDPG) implementiert.