論文の概要: Distributed Multi-Agent Deep Reinforcement Learning Framework for Whole-building HVAC Control

• arxiv url: http://arxiv.org/abs/2110.13450v1
• Date: Tue, 26 Oct 2021 07:29:16 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-27 14:18:37.198040
• Title: Distributed Multi-Agent Deep Reinforcement Learning Framework for Whole-building HVAC Control
• Title（参考訳）: HVAC制御のための分散マルチエージェント深部強化学習フレームワーク
• Authors: Vinay Hanumaiah, Sahika Genc
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 1.796271361142275
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: It is estimated that about 40%-50% of total electricity consumption in commercial buildings can be attributed to Heating, Ventilation, and Air Conditioning (HVAC) systems. Minimizing the energy cost while considering the thermal comfort of the occupants is very challenging due to unknown and complex relationships between various HVAC controls and thermal dynamics inside a building. To this end, we present a multi-agent, distributed deep reinforcement learning (DRL) framework based on Energy Plus simulation environment for optimizing HVAC in commercial buildings. This framework learns the complex thermal dynamics in the building and takes advantage of the differential effect of cooling and heating systems in the building to reduce energy costs, while maintaining the thermal comfort of the occupants. With adaptive penalty, the RL algorithm can be prioritized for energy savings or maintaining thermal comfort. Using DRL, we achieve more than 75\% savings in energy consumption. The distributed DRL framework can be scaled to multiple GPUs and CPUs of heterogeneous types.
• Abstract（参考訳）: 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(HVAC)システムによるものと推定されている。 居住者の熱的快適性を考慮したエネルギーコストの最小化は、様々な空調制御と建物内の熱力学の関係が不明で複雑なため、非常に困難である。 この目的のために,商業ビルにおけるHVACを最適化するための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。 この枠組みは建物内の複雑な熱力学を学習し、建物内の冷却と暖房システムの異なる効果を利用してエネルギーコストを低減し、居住者の熱的快適性を維持している。 適応的なペナルティにより、RLアルゴリズムは省エネや熱的快適性を維持するために優先順位付けすることができる。 DRLを用いることで、エネルギー消費の75%以上を節約できる。 分散DRLフレームワークは、異種タイプの複数のGPUとCPUにスケールすることができる。

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)
• 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)
• 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)
• 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)
• Controlling Rayleigh-B\'enard convection via Reinforcement Learning [62.997667081978825]
  固定外熱勾配下での対流熱交換を抑制または促進するための効果的な制御戦略の同定は、重要な基本的かつ技術的問題である。 本研究では,最先端の強化学習(RL)アルゴリズムに基づく新しい手法を提案する。 我々のRL制御は導電系を安定させ、対流の開始をレイリー数にすることができることを示す。
  論文  参考訳（メタデータ） (2020-03-31T16:39:25Z)
• 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。