論文の概要: NeurOpt: Neural network based optimization for building energy management and climate control

• arxiv url: http://arxiv.org/abs/2001.07831v2
• Date: Mon, 4 May 2020 04:32:37 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-07 18:57:09.274620
• Title: NeurOpt: Neural network based optimization for building energy management and climate control
• Title（参考訳）: NeurOpt: ニューラルネットワークによるエネルギー管理と気候制御のための最適化
• Authors: Achin Jain, Francesco Smarra, Enrico Reticcioli, Alessandro D'Innocenzo, and Manfred Morari
• Abstract要約: モデル同定のコストを削減するために,ニューラルネットワークに基づくデータ駆動制御アルゴリズムを提案する。 イタリアにある10の独立したゾーンを持つ2階建ての建物で、学習と制御のアルゴリズムを検証する。
• 参考スコア（独自算出の注目度）: 58.06411999767069
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Model predictive control (MPC) can provide significant energy cost savings in building operations in the form of energy-efficient control with better occupant comfort, lower peak demand charges, and risk-free participation in demand response. However, the engineering effort required to obtain physics-based models of buildings is considered to be the biggest bottleneck in making MPC scalable to real buildings. In this paper, we propose a data-driven control algorithm based on neural networks to reduce this cost of model identification. Our approach does not require building domain expertise or retrofitting of existing heating and cooling systems. We validate our learning and control algorithms on a two-story building with ten independently controlled zones, located in Italy. We learn dynamical models of energy consumption and zone temperatures with high accuracy and demonstrate energy savings and better occupant comfort compared to the default system controller.
• Abstract（参考訳）: モデル予測制御(MPC)は、エネルギー効率の向上、ピーク需要のチャージの低減、需要応答へのリスクのない参加によるエネルギー効率の高い制御という形で、建築作業において大幅なエネルギーコスト削減を提供する。 しかし, 物理モデルの構築に必要な工学的努力は, MPCを実際の建物にスケーラブルにするための最大のボトルネックと考えられている。 本稿では,モデル同定のコストを削減するために,ニューラルネットワークに基づくデータ駆動制御アルゴリズムを提案する。 私たちのアプローチでは、既存の加熱・冷却システムの専門知識の構築や再設計は必要ありません。 イタリアにある10の独立したゾーンを持つ2階建ての建物で学習と制御のアルゴリズムを検証する。 我々は,エネルギー消費とゾーン温度の動的モデルを高精度に学習し,既定のシステムコントローラと比較して省エネと占有者の快適性を示す。

関連論文リスト

• Efficient Data-Driven MPC for Demand Response of Commercial Buildings [0.0]
  小型商業ビルにおけるエネルギー管理のためのデータ駆動型・混合整数入札戦略を提案する。 屋上ユニットの暖房, 個別制御による空調システムについて検討し, 商業ビルの運転を正確にモデル化する。 当社のアプローチをいくつかの需要応答(DR)設定に適用する。
  論文  参考訳（メタデータ） (2024-01-28T20:01:44Z)
• Global Transformer Architecture for Indoor Room Temperature Forecasting [49.32130498861987]
  本研究は,多室ビルにおける室内温度予測のためのグローバルトランスフォーマーアーキテクチャを提案する。 エネルギー消費を最適化し、HVACシステムに関連する温室効果ガス排出を削減することを目的としている。 本研究は,マルチルームビルにおける室内温度予測にトランスフォーマーアーキテクチャを適用した最初の事例である。
  論文  参考訳（メタデータ） (2023-10-31T14:09:32Z)
• A Dynamic Feedforward Control Strategy for Energy-efficient Building System Operation [59.56144813928478]
  現在の制御戦略と最適化アルゴリズムでは、そのほとんどはリアルタイムフィードバックから情報を受け取ることに依存している。 本稿では,システム制御のためのシステム特性を同時に構築することによる,ダイナミックな事前知識を組み込む,エンジニアフレンドリな制御戦略フレームワークを提案する。 典型的な制御戦略でシステム制御を加熱するケースでテストしたところ、我々のフレームワークは15%の省エネ性を持っていることがわかった。
  論文  参考訳（メタデータ） (2023-01-23T09:07:07Z)
• Low Emission Building Control with Zero-Shot Reinforcement Learning [70.70479436076238]
  強化学習(RL)による制御は、建築エネルギー効率を著しく向上させることが示されている。 我々は、ゼロショットビルディング制御と呼ばれるパラダイムを優先せずに、排出削減ポリシーを得られることを示す。
  論文  参考訳（メタデータ） (2022-08-12T17:13:25Z)
• Real-time Neural-MPC: Deep Learning Model Predictive Control for Quadrotors and Agile Robotic Platforms [59.03426963238452]
  モデル予測制御パイプライン内の動的モデルとして,大規模で複雑なニューラルネットワークアーキテクチャを効率的に統合するフレームワークであるReal-time Neural MPCを提案する。 ニューラルネットワークを使わずに、最先端のMPCアプローチと比較して、位置追跡誤差を最大82%削減することで、実世界の問題に対する我々のフレームワークの実現可能性を示す。
  論文  参考訳（メタデータ） (2022-03-15T09:38:15Z)
• AI Chiller: An Open IoT Cloud Based Machine Learning Framework for the Energy Saving of Building HVAC System via Big Data Analytics on the Fusion of BMS and Environmental Data [12.681421165031576]
  建物における省エネルギーと二酸化炭素排出量削減は気候変動対策の鍵となる手段の一つである。 シラーシステムの電力消費の最適化は、機械工学と建築サービス領域で広く研究されてきた。 ビッグデータとAIの進歩により、最適化問題への機械学習の採用が人気を集めている。
  論文  参考訳（メタデータ） (2020-10-09T09:51:03Z)
• One for Many: Transfer Learning for Building HVAC Control [24.78264822089494]
  本稿では,この課題を克服するために,トランスファーラーニングに基づく新しいアプローチを提案する。 本手法は,ソースビルディング用に訓練されたDRLベースのHVACコントローラを,最小限の労力で目標ビルディング用のコントローラに効果的に転送し,性能を向上する。
  論文  参考訳（メタデータ） (2020-08-09T01:32:37Z)
• Multi-Agent Deep Reinforcement Learning for HVAC Control in Commercial Buildings [38.326533494236266]
  商業ビルでは、総電力の約40%-50%が暖房、換気、空調システムによるものである。 本稿では, ゾーンの占有, 熱的快適さ, 室内空気質の快適さをともなう動的価格の下で, マルチゾーンビルにおけるHVACシステムのエネルギーコストを最小化することを目的としている。
  論文  参考訳（メタデータ） (2020-06-25T03:41:42Z)
• Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable Edge Computing Systems [87.4519172058185]
  エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。 定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。 実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
  論文  参考訳（メタデータ） (2020-02-20T04:58:07Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。