論文の概要: Uncertainty-Cognizant Model Predictive Control for Energy Management of
Residential Buildings with PVT and Thermal Energy Storage
- arxiv url: http://arxiv.org/abs/2201.08909v1
- Date: Fri, 21 Jan 2022 22:30:13 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-29 09:06:51.872195
- Title: Uncertainty-Cognizant Model Predictive Control for Energy Management of
Residential Buildings with PVT and Thermal Energy Storage
- Title（参考訳）: 不確実性認識モデルによる住宅のエネルギー管理と熱エネルギー貯蔵の予測制御
- Authors: Hossein Kalantar-Neyestanaki, Madjid Soltani
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The building sector accounts for almost 40 percent of the global energy
consumption. This reveals a great opportunity to exploit renewable energy
resources in buildings to achieve the climate target. In this context, this
paper offers a building energy system embracing a heat pump, a thermal energy
storage system along with grid-connected photovoltaic thermal (PVT) collectors
to supply both electric and thermal energy demands of the building with minimum
operating cost. To this end, the paper develops a stochastic model predictive
control (MPC) strategy to optimally determine the set-point of the whole
building energy system while accounting for the uncertainties associated with
the PVT energy generation. This system enables the building to 1-shift its
electric demand from high-peak to off-peak hours and 2- sell electricity to the
grid to make energy arbitrage.
- Abstract（参考訳）: 建設部門は世界のエネルギー消費の約40%を占めている。
このことは、気候目標を達成するために建物内の再生可能エネルギー資源を利用する大きな機会を明らかにする。
本稿では, ビルの電力・熱エネルギー需要を最小限の運用コストで供給するために, ビルのヒートポンプ, 蓄熱システム, グリッド接続型太陽光発電(PVT)コレクターを併用した建築エネルギーシステムを提案する。
そこで本稿では, PVTエネルギー生成に関する不確実性を考慮しつつ, ビルエネルギーシステム全体の設定点を最適に決定するための確率モデル予測制御(MPC)戦略を提案する。
このシステムは、高ピークからオフピーク時間への電力需要を1-シフトし、電力をグリッドに2-販売することでエネルギーを調停することができる。
関連論文リスト
- 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) - 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) - Predicting Short Term Energy Demand in Smart Grid: A Deep Learning
Approach for Integrating Renewable Energy Sources in Line with SDGs 7, 9, and
13 [4.142160001071919]
スマートパワーグリッドにおけるエネルギー需要予測のためのディープラーニングに基づくアプローチを提案する。
我々は、長期記憶ネットワークを使用して、エネルギー需要データにおける複雑なパターンや依存関係をキャプチャします。
提案モデルでは,平均絶対誤差 1.4% でエネルギー需要を正確に予測できる。
論文 参考訳（メタデータ） (2023-04-08T12:30:59Z) - Combating Uncertainties in Wind and Distributed PV Energy Sources Using
Integrated Reinforcement Learning and Time-Series Forecasting [2.774390661064003]
再生可能エネルギーの予測不能は 電力供給会社や電力会社に 課題をもたらします
i)Long-Short Term Memory (LSTM) ソリューションを用いた時系列予測と,(ii)Deep Deterministic Policy Gradient (DDPG)アルゴリズムを用いたマルチエージェント強化学習による分散動的意思決定フレームワークの確立という,スマートグリッドにおける再生可能エネルギーの不確実性に対処する新たなフレームワークを提案する。
論文 参考訳（メタデータ） (2023-02-27T19:12:50Z) - Distributed Energy Management and Demand Response in Smart Grids: A
Multi-Agent Deep Reinforcement Learning Framework [53.97223237572147]
本稿では、自律制御と再生可能エネルギー資源のスマート電力グリッドシステムへの統合のための多エージェント深層強化学習(DRL)フレームワークを提案する。
特に,提案フレームワークは,住宅利用者に対する需要応答 (DR) と分散エネルギー管理 (DEM) を共同で検討している。
論文 参考訳（メタデータ） (2022-11-29T01:18:58Z) - Battery and Hydrogen Energy Storage Control in a Smart Energy Network
with Flexible Energy Demand using Deep Reinforcement Learning [2.5666730153464465]
電池と水素の蓄電池を組み合わせたハイブリッド型蓄電池システムを提案する。
本稿では,ハイブリッドエネルギー貯蔵システムのスケジューリングとエネルギー需要をリアルタイムに最適化する,深層強化学習に基づく制御手法を提案する。
論文 参考訳（メタデータ） (2022-08-26T16:47:48Z) - 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) - 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) - A Multi-Agent Deep Reinforcement Learning Approach for a Distributed
Energy Marketplace in Smart Grids [58.666456917115056]
本稿では,マイクログリッドを支配下に置くために,強化学習に基づくエネルギー市場を提案する。
提案する市場モデルにより,リアルタイムかつ需要に依存した動的価格設定環境が実現され,グリッドコストが低減され,消費者の経済的利益が向上する。
論文 参考訳（メタデータ） (2020-09-23T02:17:51Z) - 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。