論文の概要: MARTINI: Smart Meter Driven Estimation of HVAC Schedules and Energy
Savings Based on WiFi Sensing and Clustering
- arxiv url: http://arxiv.org/abs/2110.08927v1
- Date: Sun, 17 Oct 2021 21:41:33 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-19 21:32:04.190457
- Title: MARTINI: Smart Meter Driven Estimation of HVAC Schedules and Energy
Savings Based on WiFi Sensing and Clustering
- Title（参考訳）: MARTINI:WiFiセンシングとクラスタリングに基づくHVACスケジューリングと省エネルギーのスマートメータ駆動推定
- Authors: Kingsley Nweye and Zoltan Nagy
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: HVAC systems account for a significant portion of building energy use.
Nighttime setback scheduling is an energy conservation measure where cooling
and heating setpoints are increased and decreased respectively during
unoccupied periods with the goal of obtaining energy savings. However,
knowledge of a building's real occupancy is required to maximize the success of
this measure. In addition, there is the need for a scalable way to estimate
energy savings potential from energy conservation measures that is not limited
by building specific parameters and experimental or simulation modeling
investments. Here, we propose MARTINI, a sMARt meTer drIveN estImation of
occupant-derived HVAC schedules and energy savings that leverages the ubiquity
of energy smart meters and WiFi infrastructure in commercial buildings. We
estimate the schedules by clustering WiFi-derived occupancy profiles and,
energy savings by shifting ramp-up and setback times observed in
typical/measured load profiles obtained by clustering smart meter energy
profiles. Our case-study results with five buildings over seven months show an
average of 8.1%-10.8% (summer) and 0.2%-5.9% (fall) chilled water energy
savings when HVAC system operation is aligned with occupancy. We validate our
method with results from building energy performance simulation (BEPS) and find
that estimated average savings of MARTINI are within 0.9%-2.4% of the BEPS
predictions. In the absence of occupancy information, we can still estimate
potential savings from increasing ramp-up time and decreasing setback start
time. In 51 academic buildings, we find savings potentials between 1%-5%.
- Abstract（参考訳）: HVACシステムは建築エネルギー利用のかなりの部分を占めている。
夜間のセットバックスケジューリングは、省エネを目標とする未占有期間において、冷却と暖房のセットポイントをそれぞれ増加・減少させる省エネ対策である。
しかし、この対策の成功を最大化するためには、建物の実力に関する知識が必要である。
さらに、特定のパラメータの構築や実験またはシミュレーションのモデリング投資によって制限されない省エネルギー対策から省エネポテンシャルを見積もるスケーラブルな方法が必要となる。
本稿では、商業ビルにおけるエネルギースマートメーターとWi-Fiインフラの両面を活用した、占有者由来のHVACスケジュールと省エネのシミュレーションであるMARTINIを提案する。
スマートメータエネルギープロファイルのクラスタリングにより得られた典型的な/測定された負荷プロファイルで観測されるランプアップとセットバックタイムのシフトにより、wifiによる占有率プロファイルをクラスタリングし、省エネルギーによりスケジュールを推定する。
7か月間の5つの建物におけるケーススタディの結果は、平均8.1%-10.8% (夏) と0.2%-5.9% (秋) の冷却水エネルギー節約効果を示した。
建築エネルギー性能シミュレーション (BEPS) の結果から, MARTINI の平均貯蓄量が BEPS 予測の 0.9%-2.4% 以内であることが確認された。
占有情報がない場合、昇降時間の増加とセットバック開始時間の減少から潜在的な貯蓄を推定することができる。
51の学術建築物では、1%から5%の貯蓄ポテンシャルが見出される。
関連論文リスト
- 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) - 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) - Uncertainty-Cognizant Model Predictive Control for Energy Management of
Residential Buildings with PVT and Thermal Energy Storage [0.0]
建設部門は世界のエネルギー消費の約40%を占めている。
本稿では, 熱ポンプ, 蓄熱システム, グリッド接続型熱太陽光発電(PVT)コレクターを取り入れた建築エネルギーシステムについて述べる。
論文 参考訳（メタデータ） (2022-01-21T22:30:13Z) - LSTM-based Space Occupancy Prediction towards Efficient Building Energy
Management [0.0]
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。
論文 参考訳（メタデータ） (2020-12-15T06:32:07Z) - Bayesian model of electrical heating disaggregation [68.8204255655161]
スマートメーターの採用は、ヨーロッパのスマートエネルギーへの移行における大きなマイルストーンである。
フランスの住宅セクターは電力消費の35%$approx$35%、電気暖房による世帯の40%$approx$40%(INSEE)である。
Linkyの展開するスマートメーターの数は2021年に3500万に達する見込みだ。
論文 参考訳（メタデータ） (2020-11-11T10:05:15Z) - WattScale: A Data-driven Approach for Energy Efficiency Analytics of
Buildings at Scale [2.771897351607068]
建物は現代社会の総エネルギーの40%以上を消費している。
エネルギー効率の低い建物を識別するためのデータ駆動型アプローチである textttWattScale を提案する。
論文 参考訳（メタデータ） (2020-07-02T20:45:33Z) - Distributed Deep Reinforcement Learning for Intelligent Load Scheduling
in Residential Smart Grids [9.208362060870822]
本研究では,不確実な要因に関する限られた情報を扱う世帯を対象としたモデルフリー手法を提案する。
次に、Pecan Street Inc.の現実世界のデータを使用します。
その結果,ピーク対平均比 (PAR) の約12%, 負荷分散の約11%の低減が達成できた。
論文 参考訳（メタデータ） (2020-06-29T15:01:51Z) - 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) - 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) - 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。