論文の概要: LSTM-based Space Occupancy Prediction towards Efficient Building Energy Management

• arxiv url: http://arxiv.org/abs/2012.08114v2
• Date: Sat, 19 Dec 2020 05:33:40 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-08 11:45:00.265332
• Title: LSTM-based Space Occupancy Prediction towards Efficient Building Energy Management
• Title（参考訳）: LSTMによる高効率建築エネルギー管理に向けた空間占有予測
• Authors: Juye Kim
• Abstract要約: 本稿では,LSTMを用いた占領パターンの時系列予測モデルを提案する。 HVACの動作には、次回における将来の部屋占有状況の予測信号を直接使用することができる。 LSTMの部屋占有予測に基づくHVAC制御は,従来のRBC制御と比較してエネルギー使用量を50%削減できることを示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Energy consumed in buildings takes significant portions of the total global energy usage. A large amount of building energy is used for heating, cooling, ventilation, and air-conditioning (HVAC). However, compared to its importance, building energy management systems nowadays are limited in controlling HVAC based on simple rule-based control (RBC) technologies. The ability to design systems that can efficiently manage HVAC can reduce energy usage and greenhouse gas emissions, and, all in all, it can help us to mitigate climate change. This paper proposes predictive time-series models of occupancy patterns using LSTM. Prediction signal for future room occupancy status on the next time span (e.g., next 30 minutes) can be directly used to operate HVAC. For example, based on the prediction and considering the time for cooling or heating, HVAC can be turned on before the room is being used (e.g., turn on 10 minutes earlier). Also, based on the next room empty prediction timing, HVAC can be turned off earlier, and it can help us increase the efficiency of HVAC while not decreasing comfort. We demonstrate our approach's capabilities using real-world energy data collected from multiple rooms of a university building. We show that LSTM's room occupancy prediction based HVAC control could save energy usage by 50% compared to conventional RBC based control.
• Abstract（参考訳）: 建物で消費されるエネルギーは、総エネルギー使用量のかなりの部分を占める。 大量の建築エネルギーは、暖房、冷却、換気、空調(HVAC)に使用される。 しかし、その重要性に比較して、近年のエネルギー管理システムの構築は、単純なルールベース制御(RBC)技術に基づくHVACの制御に限られている。 空調を効率的に管理できるシステムを設計する能力は、エネルギー使用量と温室効果ガス排出量を減らすことができる。 本稿では,LSTMを用いた占領パターンの時系列予測モデルを提案する。 HVACの動作には、次の時間帯(例えば、次の30分)における将来の部屋占有状況の予測信号を直接使用することができる。 例えば、予知と冷却または加熱の時間を考慮すると、部屋が使用される前にHVACをオンにすることができる(例えば、10分前にオンにする)。 また、次の部屋の空いた予測タイミングに基づき、HVACを早期にオフにすることができ、快適さを損なわずにHVACの効率を高めるのに役立つ。 大学ビルの複数の部屋から収集した実世界のエネルギーデータを用いて,本手法の能力を示す。 LSTMの部屋占有予測に基づくHVAC制御は,従来のRBC制御と比較してエネルギー使用量を50%削減できることを示した。

関連論文リスト

• An experimental evaluation of Deep Reinforcement Learning algorithms for HVAC control [40.71019623757305]
  近年の研究では、Deep Reinforcement Learning (DRL)アルゴリズムが従来のリアクティブコントローラより優れていることが示されている。 本稿では,HVAC制御のためのいくつかの最先端DRLアルゴリズムについて,批判的かつ再現可能な評価を行う。
  論文  参考訳（メタデータ） (2024-01-11T08:40:26Z)
• 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)
• Energy Optimization for HVAC Systems in Multi-VAV Open Offices: A Deep Reinforcement Learning Approach [4.323740171581589]
  HVACシステムは商業部門の総エネルギーコストの約40%を占めている。 オープンプランオフィスのHVACエネルギー最適化のためのマルチインプットマルチアウトプットアーキテクチャを用いた低複雑さDRLモデルを提案する。
  論文  参考訳（メタデータ） (2023-06-23T07:27:31Z)
• Data-driven HVAC Control Using Symbolic Regression: Design and Implementation [0.0]
  本研究では,データ駆動加熱・換気・空調制御の設計と実装手法を提案する。 熱力学の構築は、収集されたデータから構築されたシンボリック回帰モデル(SRM)を用いてモデル化される。 提案フレームワークは、広く使われているサーモスタットコントローラと比較してピーク電力を16.1%削減する。
  論文  参考訳（メタデータ） (2023-04-06T13:57:50Z)
• 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)
• Domain Knowledge Aids in Signal Disaggregation; the Example of the Cumulative Water Heater [68.8204255655161]
  住宅における累積給湯器(CWH)の電力の検出と分散を目的とした教師なし低周波法を提案する。 本モデルでは,パワースパイクの形状と発生時刻を両立させることにより,教師なし信号の分解の難しさを回避する。 我々のモデルは、単純さに拘わらず、有望なアプリケーションを提供する: オフピーク契約における設定ミスの検出と性能劣化の遅さ。
  論文  参考訳（メタデータ） (2022-03-22T10:39:19Z)
• 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)
• MARTINI: Smart Meter Driven Estimation of HVAC Schedules and Energy Savings Based on WiFi Sensing and Clustering [0.0]
  建設パラメータに制限されない省エネ対策から省エネポテンシャルを推定するスケーラブルな手法を提案する。 本研究では、Wi-Fi由来の占有プロファイルをクラスタリングしてスケジュールを推定し、典型的な/測定負荷プロファイルで観測される昇降時間とセットバック時間をシフトすることで省エネする。 ケーススタディでは,7ヶ月以上の5つの建物で平均8.1%-10.8% (夏季) と0.2%-5.9% (降水) の省エネ効果が得られた。
  論文  参考訳（メタデータ） (2021-10-17T21:41:33Z)
• 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)
• 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。