論文の概要: Multi-Agent Deep Reinforcement Learning for HVAC Control in Commercial Buildings

• arxiv url: http://arxiv.org/abs/2006.14156v2
• Date: Wed, 22 Jul 2020 06:07:03 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-17 04:39:55.646418
• Title: Multi-Agent Deep Reinforcement Learning for HVAC Control in Commercial Buildings
• Title（参考訳）: 商業ビルにおけるHVAC制御のためのマルチエージェント深部強化学習
• Authors: Liang Yu, Yi Sun, Zhanbo Xu, Chao Shen, Dong Yue, Tao Jiang, and Xiaohong Guan
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 38.326533494236266
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In commercial buildings, about 40%-50% of the total electricity consumption is attributed to Heating, Ventilation, and Air Conditioning (HVAC) systems, which places an economic burden on building operators. In this paper, we intend to minimize the energy cost of an HVAC system in a multi-zone commercial building under dynamic pricing with the consideration of random zone occupancy, thermal comfort, and indoor air quality comfort. Due to the existence of unknown thermal dynamics models, parameter uncertainties (e.g., outdoor temperature, electricity price, and number of occupants), spatially and temporally coupled constraints associated with indoor temperature and CO2 concentration, a large discrete solution space, and a non-convex and non-separable objective function, it is very challenging to achieve the above aim. To this end, the above energy cost minimization problem is reformulated as a Markov game. Then, an HVAC control algorithm is proposed to solve the Markov game based on multi-agent deep reinforcement learning with attention mechanism. The proposed algorithm does not require any prior knowledge of uncertain parameters and can operate without knowing building thermal dynamics models. Simulation results based on real-world traces show the effectiveness, robustness and scalability of the proposed algorithm.
• Abstract（参考訳）: 商業ビルでは、総消費電力の約40%-50%が暖房・換気・空調(HVAC)システムによるもので、建設業者に経済的負担がかかる。 本稿では, ランダムゾーン占有率, 熱快適性, 室内空気質の快適性を考慮したマルチゾーン商業ビルにおけるHVACシステムのエネルギーコストを, 動的価格で最小化することを目的とする。 未知の熱力学モデルの存在、パラメータの不確実性(例えば、屋外温度、電力価格、占有者数)、室内温度とco2濃度に関連する空間的および時間的結合制約、大きな離散解空間、非凸および非分離目的関数などにより、上記の目的を達成するのは非常に困難である。 これにより、上記のエネルギーコスト最小化問題はマルコフゲームとして再構成される。 次に,多エージェント深部強化学習とアテンション機構に基づくマルコフゲームを解くために,HVAC制御アルゴリズムを提案する。 提案アルゴリズムは,不確定パラメータの事前知識を必要とせず,熱力学モデルの構築を知らずに動作可能である。 実世界のトレースに基づくシミュレーション結果は,提案アルゴリズムの有効性,ロバスト性,スケーラビリティを示す。

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)
• Laxity-Aware Scalable Reinforcement Learning for HVAC Control [2.0625936401496237]
  我々は,各操作要求の緊急レベルを定量化するために,遅延の概念を活用することにより,モデリングと制御における次元問題の呪いに取り組む。 本研究では,多くのHVACシステムに対する2段階のエネルギー最適化手法を提案する。
  論文  参考訳（メタデータ） (2023-06-29T01:28:14Z)
• Powerful ordered collective heat engines [58.720142291102135]
  本稿では,同期動作を行うユニットのシステムによって性能が向上するエンジンのクラスを紹介する。 熱機関として運用するには,Isingライクな相互作用と集合秩序体制との相互作用が不可欠であることを示す。
  論文  参考訳（メタデータ） (2023-01-16T20:14:19Z)
• Distributed Multi-Agent Deep Reinforcement Learning Framework for Whole-building HVAC Control [1.796271361142275]
  商業ビルにおける総電力消費量の約40%-50%は、暖房・換気・空調システムによるものと推定されている。 本稿では,Energy Plusシミュレーション環境に基づく多エージェント分散深部強化学習(DRL)フレームワークを提案する。 DRLを用いて、エネルギー消費の75%以上を節約できる。
  論文  参考訳（メタデータ） (2021-10-26T07:29:16Z)
• Model-assisted Learning-based Framework for Sensor Fault-Tolerant Building HVAC Control [2.6246169665063634]
  本稿では,センサフォールトトレラントHVAC制御のための新しい学習フレームワークを提案する。 本研究は,1)センサ故障の可能性を考慮した温度予測,2)精度評価に基づく提案の1つの選択,3)選択した温度推定による強化学習の3つの深層学習ベースコンポーネントを含む。
  論文  参考訳（メタデータ） (2021-06-27T05:03:08Z)
• Demand-Side Scheduling Based on Multi-Agent Deep Actor-Critic Learning for Smart Grids [56.35173057183362]
  家庭用家電をネットでスケジュールできるスマートメーターが各家庭に備わっている需要側エネルギー管理の問題点を考察する。 目標は、リアルタイムの料金体系の下で全体のコストを最小化することです。 マルコフゲームとしてスマートグリッド環境の定式化を提案する。
  論文  参考訳（メタデータ） (2020-05-05T07:32:40Z)
• Risk-Aware Energy Scheduling for Edge Computing with Microgrid: A Multi-Agent Deep Reinforcement Learning Approach [82.6692222294594]
  マイクログリッドを用いたMECネットワークにおけるリスク対応エネルギースケジューリング問題について検討する。 ニューラルネットワークを用いたマルチエージェントディープ強化学習(MADRL)に基づくアドバンテージアクター・クリティック(A3C)アルゴリズムを適用し,その解を導出する。
  論文  参考訳（メタデータ） (2020-02-21T02:14:38Z)
• NeurOpt: Neural network based optimization for building energy management and climate control [58.06411999767069]
  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。
  論文  参考訳（メタデータ） (2020-01-22T00:51:03Z)

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。