Fugu-MT 論文翻訳(概要): Simulation and Optimisation of Air Conditioning Systems using Machine Learning

論文の概要: Simulation and Optimisation of Air Conditioning Systems using Machine Learning

arxiv url: http://arxiv.org/abs/2006.15296v1
Date: Sat, 27 Jun 2020 06:42:25 GMT
ステータス: 処理完了
システム内更新日: 2022-11-16 07:25:46.086202
Title: Simulation and Optimisation of Air Conditioning Systems using Machine Learning
Title（参考訳）: 機械学習を用いた空調システムのシミュレーションと最適化
Authors: Rakshitha Godahewa, Chang Deng, Arnaud Prouzeau, Christoph Bergmeir
Abstract要約: 建物の管理において、通常、静的な温度設定は、その占有の有無にかかわらず、建物の内部温度を快適に維持するために用いられる。本稿では,機械学習のアプローチを用いて,特定の部屋における未占有時間における集合点の最適化方法について検討する。
参考スコア（独自算出の注目度）: 4.511561231517167
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In building management, usually static thermal setpoints are used to maintain the inside temperature of a building at a comfortable level irrespective of its occupancy. This strategy can cause a massive amount of energy wastage and therewith increase energy related expenses. This paper explores how to optimise the setpoints used in a particular room during its unoccupied periods using machine learning approaches. We introduce a deep-learning model based on Recurrent Neural Networks (RNN) that can predict the temperatures of a future period directly where a particular room is unoccupied and by using these predicted temperatures, we define the optimal thermal setpoints to be used inside the room during the unoccupied period. We show that RNNs are particularly suitable for this learning task as they enable us to learn across many relatively short series, which is necessary to focus on particular operation modes of the air conditioning (AC) system. We evaluate the prediction accuracy of our RNN model against a set of state-of-the-art models and are able to outperform those by a large margin. We furthermore analyse the usage of our RNN model in optimising the energy consumption of an AC system in a real-world scenario using the temperature data from a university lecture theatre. Based on the simulations, we show that our RNN model can lead to savings around 20% compared with the traditional temperature controlling model that does not use optimisation techniques.
Abstract（参考訳）: 建物の管理において、通常、静的な温度設定は、その占有の有無にかかわらず、建物の内部温度を快適に維持するために用いられる。この戦略は大量のエネルギーを発生させ、エネルギー関連費用を増加させる。本稿では,ある部屋の空き時間に使用するセットポイントを機械学習を用いて最適化する方法について検討する。本稿では,Recurrent Neural Networks(RNN)に基づく深層学習モデルを提案する。これは,特定の部屋が占有されていない未来の温度を直接予測し,これらの予測温度を用いて,非占有期間中に室内で使用する最適な温度設定点を定義する。 rnnは,空調システム(ac)の特定の動作モードに焦点をあてる必要のある,比較的短いシリーズの学習を可能にするため,この学習タスクに特に適していることを示す。我々は,RNNモデルの予測精度を一連の最先端モデルに対して評価し,その精度を大きなマージンで向上させることができる。さらに,大学講座の温度データを用いて,実環境シナリオにおける交流システムのエネルギー消費を最適化する上でのRNNモデルの利用状況を分析する。シミュレーションの結果,rnnモデルでは,最適化技術を使用しない従来の温度制御モデルと比較して,約20%の節約が期待できることがわかった。

関連論文リスト

Improving Building Temperature Forecasting: A Data-driven Approach with System Scenario Clustering [3.2114754609864695]
暖房、換気、空調のシステムは、建築セクターにおけるエネルギー使用量の約40%を消費する。大規模HVACシステム管理では,各サブシステムに対して詳細なモデルを構築することは困難である。 k平均クラスタリング法に基づく新しいデータ駆動室温予測モデルを提案する。
論文参考訳（メタデータ） (2024-02-21T09:04:45Z)
Temperature Balancing, Layer-wise Weight Analysis, and Neural Network Training [58.20089993899729]
本稿では,直感的で効果的な階層学習手法であるTempBalanceを提案する。我々は、TempBalanceが通常のSGDと注意深く調整されたスペクトルノルム正規化より著しく優れていることを示す。また、TempBalanceは最先端のメトリクスやスケジューラよりも優れています。
論文参考訳（メタデータ） (2023-12-01T05:38:17Z)
ClimaX: A foundation model for weather and climate [51.208269971019504]
ClimaXは気象と気候科学のディープラーニングモデルである。気候データセットの自己教師型学習目標で事前トレーニングすることができる。気候や気候の様々な問題に対処するために、微調整が可能である。
論文参考訳（メタデータ） (2023-01-24T23:19:01Z)
Forecasting large-scale circulation regimes using deformable convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討今後1～15日にわたって北大西洋-欧州の気象条件を予測した。より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5～6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
論文参考訳（メタデータ） (2022-02-10T11:37:00Z)
Interpreting Machine Learning Models for Room Temperature Prediction in Non-domestic Buildings [0.0]
本研究では,非住宅の室温予測を目的とした解釈可能な機械学習モデルを提案する。提案モデルでは, 室温をリアルタイムで8時間前に正確に予測できることを実験的に実証した。
論文参考訳（メタデータ） (2021-11-23T11:16:35Z)
Personal thermal comfort models using digital twins: Preference prediction with BIM-extracted spatial-temporal proximity data from Build2Vec [0.0]
本研究は,室内環境の嗜好を予測するために,既存のベクトルベース空間モデルであるBuild2Vecを構築することを目的とする。スマートウォッチを用いた生態的モーメントアセスメント(EMA)による長手的熱的快適感の主観的フィードバックを用いた枠組みテスト実装の結果,従来の温度優先予測入力変数を用いたベースラインのセットよりも14～28%精度が向上した。
論文参考訳（メタデータ） (2021-10-30T07:43:11Z)
Learning to Continuously Optimize Wireless Resource in a Dynamic Environment: A Bilevel Optimization Perspective [52.497514255040514]
この研究は、データ駆動メソッドが動的環境でリソース割り当て戦略を継続的に学び、最適化することを可能にする新しいアプローチを開発しています。学習モデルが新たなエピソードに段階的に適応できるように、連続学習の概念を無線システム設計に組み込むことを提案する。我々の設計は、異なるデータサンプルにまたがる公平性を保証する、新しい二段階最適化定式化に基づいている。
論文参考訳（メタデータ） (2021-05-03T07:23:39Z)
Numerical Weather Forecasting using Convolutional-LSTM with Attention and Context Matcher Mechanisms [10.759556555869798]
本稿では,高解像度気象データを予測するための新しいディープラーニングアーキテクチャを提案する。我々の気象モデルは,ベースラインの深層学習モデルと比較して,大幅な性能向上を実現している。
論文参考訳（メタデータ） (2021-02-01T08:30:42Z)
Learning to Continuously Optimize Wireless Resource In Episodically Dynamic Environment [55.91291559442884]
この研究は、データ駆動型手法が動的環境で継続的に学習し、最適化できる方法論を開発する。本稿では,無線システム学習のモデリングプロセスに連続学習の概念を構築することを提案する。我々の設計は、異なるデータサンプル間で「一定の公正性を保証する」新しいmin-maxの定式化に基づいている。
論文参考訳（メタデータ） (2020-11-16T08:24:34Z)
A Sequential Modelling Approach for Indoor Temperature Prediction and Heating Control in Smart Buildings [4.759925918369102]
本稿では,室内温度の予測にデータ駆動統計手法を逐次適用するための学習ベースフレームワークを提案する。実験では、モデリングアプローチと制御アルゴリズムの有効性を実証し、スマートビルディングアプリケーションにおける混合データ駆動アプローチの有望な可能性を明らかにする。
論文参考訳（メタデータ） (2020-09-21T13:20:27Z)
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。