論文の概要: Input Convex Neural Networks for Building MPC

• arxiv url: http://arxiv.org/abs/2011.13227v1
• Date: Thu, 26 Nov 2020 10:51:50 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-20 12:43:27.227064
• Title: Input Convex Neural Networks for Building MPC
• Title（参考訳）: MPC構築のための入力凸ニューラルネットワーク
• Authors: Felix B\"unning, Adrian Schalbetter, Ahmed Aboudonia, Mathias Hudoba de Badyn, Philipp Heer, John Lygeros
• Abstract要約: 我々は,複数ステップ先進予測のための凸入出力関係を実現するために,入力凸ニューラルネットワークに追加制約を導入する。 2つの5日間の冷却実験において、入力凸ニューラルネットワークを用いたMPCは、冷却エネルギー消費を最小限に抑えながら室温を快適な制約内に保持することができる。
• 参考スコア（独自算出の注目度）: 3.7597202216941783
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Model Predictive Control in buildings can significantly reduce their energy consumption. The cost and effort necessary for creating and maintaining first principle models for buildings make data-driven modelling an attractive alternative in this domain. In MPC the models form the basis for an optimization problem whose solution provides the control signals to be applied to the system. The fact that this optimization problem has to be solved repeatedly in real-time implies restrictions on the learning architectures that can be used. Here, we adapt Input Convex Neural Networks that are generally only convex for one-step predictions, for use in building MPC. We introduce additional constraints to their structure and weights to achieve a convex input-output relationship for multistep ahead predictions. We assess the consequences of the additional constraints for the model accuracy and test the models in a real-life MPC experiment in an apartment in Switzerland. In two five-day cooling experiments, MPC with Input Convex Neural Networks is able to keep room temperatures within comfort constraints while minimizing cooling energy consumption.
• Abstract（参考訳）: 建物のモデル予測制御は、エネルギー消費を大幅に削減することができる。 建物のための第一原理モデルの作成と維持に必要なコストと労力は、この領域でデータ駆動モデリングを魅力的な代替手段にする。 MPCでは、モデルが最適化問題の基礎を形成し、その解がシステムに適用される制御信号を提供する。 この最適化問題をリアルタイムで繰り返し解決しなければならないという事実は、使用可能な学習アーキテクチャの制約を意味する。 ここでは、MPC構築に使用する1ステップの予測に対して一般的には凸である入力凸ニューラルネットワークを適用する。 我々は,多段階予測のための凸入出力関係を実現するために,その構造と重み付けに付加的な制約を導入する。 スイスのアパートにおける実生活MPC実験において,モデル精度に対する追加制約の結果を評価し,そのモデルをテストする。 2つの5日間の冷却実験において、入力凸ニューラルネットワークを用いたMPCは、冷却エネルギー消費を最小限に抑えながら室温を快適な制約内に保持することができる。

関連論文リスト

• Reservoir computing for system identification and predictive control with limited data [3.1484174280822845]
  我々は、ベンチマーク制御システムの力学を学習し、モデル予測制御(MPC)の代理モデルとして機能するRNN変種の評価を行う。 エコー状態ネットワーク(ESN)は、計算複雑性の低減、より有効な予測時間、MPC目的関数のコスト削減など、競合するアーキテクチャよりも様々な利点がある。
  論文  参考訳（メタデータ） (2024-10-23T21:59:07Z)
• 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)
• Introducing a Deep Neural Network-based Model Predictive Control Framework for Rapid Controller Implementation [41.38091115195305]
  本研究は、HCCI燃焼制御のためのディープニューラルネットワーク(DNN)に基づく非線形MPCの実験的実装を示す。 ARM Cortex A72上のMPCのリアルタイム実装を可能にするために、Acadosソフトウェアパッケージを使用することで、最適化計算は1.4ms以内で完了する。 現像した制御器のIMEP軌道は, プロセス制約の観測に加えて, 根平均2乗誤差0.133バールで良好であった。
  論文  参考訳（メタデータ） (2023-10-12T15:03:50Z)
• ZooPFL: Exploring Black-box Foundation Models for Personalized Federated Learning [95.64041188351393]
  本稿では,限られた資源とパーソナライゼーションの両課題を解決しようと試みる。 個人化フェデレート学習におけるゼロ階最適化を用いたZOOPFLという手法を提案する。 計算コストの削減とパーソナライゼーションの向上を目的として,低次元およびクライアント固有の埋め込みを持つオートエンコーダを組み込む入力手術を提案する。
  論文  参考訳（メタデータ） (2023-10-08T12:26:13Z)
• Predictable MDP Abstraction for Unsupervised Model-Based RL [93.91375268580806]
  予測可能なMDP抽象化(PMA)を提案する。 元のMDPで予測モデルを訓練する代わりに、学習されたアクション空間を持つ変換MDPでモデルを訓練する。 我々はPMAを理論的に解析し、PMAが以前の教師なしモデルベースRLアプローチよりも大幅に改善することを示す。
  論文  参考訳（メタデータ） (2023-02-08T07:37:51Z)
• An Adversarial Active Sampling-based Data Augmentation Framework for Manufacturable Chip Design [55.62660894625669]
  リソグラフィーモデリングは、チップ設計マスクが製造可能であることを保証するため、チップ設計において重要な問題である。 機械学習の最近の進歩は、時間を要するリソグラフィーシミュレーションをディープニューラルネットワークに置き換えるための代替ソリューションを提供している。 本稿では,限られたデータのジレンマを解消し,機械学習モデルの性能を向上させるために,データ拡張フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-27T20:53:39Z)
• 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)
• Physics-informed linear regression is a competitive approach compared to Machine Learning methods in building MPC [0.8135412538980287]
  総じて, ビルのベースラインコントローラと比較して, 暖房・冷却エネルギーの低減効果が良好であることが示唆された。 また, 物理インフォームドARMAXモデルは, 計算負担が低く, 機械学習モデルと比較して, サンプル効率が優れていることも確認した。
  論文  参考訳（メタデータ） (2021-10-29T16:56:05Z)
• Efficient Micro-Structured Weight Unification and Pruning for Neural Network Compression [56.83861738731913]
  ディープニューラルネットワーク(DNN)モデルは、特にリソース制限されたデバイスにおいて、実用的なアプリケーションに不可欠である。 既往の非構造的あるいは構造化された重量刈り法は、推論を真に加速することはほとんど不可能である。 ハードウェア互換のマイクロ構造レベルでの一般化された重み統一フレームワークを提案し,高い圧縮と加速度を実現する。
  論文  参考訳（メタデータ） (2021-06-15T17:22:59Z)
• 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。