論文の概要: MetaEMS: A Meta Reinforcement Learning-based Control Framework for
Building Energy Management System
- arxiv url: http://arxiv.org/abs/2210.12590v1
- Date: Sun, 23 Oct 2022 01:56:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-25 15:16:33.454738
- Title: MetaEMS: A Meta Reinforcement Learning-based Control Framework for
Building Energy Management System
- Title（参考訳）: MetaEMS:建築エネルギー管理システムのためのメタ強化学習ベース制御フレームワーク
- Authors: Huiliang Zhang, Di Wu, Benoit Boulet
- Abstract要約: 本稿では,RLとメタラーニングの利点を生かして,エネルギー管理性能の向上を支援するメタEMSを提案する。
実験の結果,提案したMetaEMSは環境変化に迅速に適応でき,多くの状況において他のベースラインと比較して優れた性能を発揮することがわかった。
- 参考スコア（独自算出の注目度）: 3.1692938090731584
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The building sector has been recognized as one of the primary sectors for
worldwide energy consumption. Improving the energy efficiency of the building
sector can help reduce the operation cost and reduce the greenhouse gas
emission. The energy management system (EMS) can monitor and control the
operations of built-in appliances in buildings, so an efficient EMS is of
crucial importance to improve the building operation efficiency and maintain
safe operations. With the growing penetration of renewable energy and
electrical appliances, increasing attention has been paid to the development of
intelligent building EMS. Recently, reinforcement learning (RL) has been
applied for building EMS and has shown promising potential. However, most of
the current RL-based EMS solutions would need a large amount of data to learn a
reliable control policy, which limits the applicability of these solutions in
the real world. In this work, we propose MetaEMS, which can help achieve better
energy management performance with the benefits of RL and meta-learning.
Experiment results showcase that our proposed MetaEMS can adapt faster to
environment changes and perform better in most situations compared with other
baselines.
- Abstract（参考訳）: 建設部門は世界のエネルギー消費の主要な分野の1つと認識されている。
建築部門におけるエネルギー効率の向上は、運転コストの削減と温室効果ガス排出の削減に寄与する。
エネルギー管理システム(ems)は、ビル内の機器の動作を監視制御できるため、効率的なemsは、建物の運用効率の向上と安全な運用を維持する上で重要である。
再生可能エネルギー・電気機器の普及に伴い、インテリジェント・ビルディング EMS の開発に注目が集まっている。
近年、強化学習(RL)がEMS構築に応用され、有望な可能性を示している。
しかし、現在の RL ベースの EMS ソリューションのほとんどは、信頼できる制御ポリシーを学ぶために大量のデータを必要とし、現実の世界におけるこれらのソリューションの適用性を制限する。
本稿では,RLとメタラーニングの利点を生かして,エネルギー管理性能の向上を支援するメタEMSを提案する。
実験の結果,提案したMetaEMSは環境変化に迅速に適応でき,多くの状況において他のベースラインと比較して優れた性能を発揮することがわかった。
関連論文リスト
- EnergAIze: Multi Agent Deep Deterministic Policy Gradient for Vehicle to Grid Energy Management [0.0]
本稿では,MARL(Multi-Agent Reinforcement Learning)エネルギー管理フレームワークであるEnergAIzeを紹介する。
ユーザ中心の多目的エネルギー管理を可能にし、各プローサが様々な個人管理目標から選択できるようにする。
EnergAIzeの有効性は、CityLearnシミュレーションフレームワークを用いたケーススタディにより評価された。
論文 参考訳（メタデータ） (2024-04-02T23:16:17Z) - 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) - Intelligent Energy Management with IoT Framework in Smart Cities Using Intelligent Analysis: An Application of Machine Learning Methods for Complex Networks and Systems [0.14454647768189904]
本稿では,スマートシティのエネルギー管理を目的としたIoTベースのフレームワークについて概観する。
データを収集、保存するだけでなく、監視、制御、システムの効率向上のためのインテリジェントな分析をサポートするシステムに注力する。
この結果から、IoTベースのフレームワークは、スマートな建物におけるエネルギー消費と環境への影響を低減できる重要な可能性を示唆している。
論文 参考訳（メタデータ） (2023-06-08T21:19:42Z) - Towards Optimal Energy Management Strategy for Hybrid Electric Vehicle
with Reinforcement Learning [5.006685959891296]
強化学習(Reinforcement Learning, RL)は、知的制御戦略を学習するための効果的なソリューションであることが証明されている。
本稿では, FASTSim というオープンソースの車両シミュレーションツールと RL ベースの EMS を実装し, 統合する新しいフレームワークを提案する。
学習したRLベースのEMSは、異なるテスト駆動サイクルを用いて様々な車両モデル上で評価され、エネルギー効率の向上に有効であることが証明された。
論文 参考訳（メタデータ） (2023-05-21T06:29:17Z) - 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) - Progress and summary of reinforcement learning on energy management of
MPS-EV [4.0629930354376755]
エネルギー管理戦略(エネルギ・マネジメント・ストラテジー、EMS)は、MPS-EVが効率、燃費、走行距離を最大化するための重要な技術である。
本稿では,RL ベース EMS に関する現在の研究の詳細な分析を行い,RL ベース EMS の設計要素を要約する。
論文 参考訳（メタデータ） (2022-11-08T04:49:32Z) - 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) - Improving Robustness of Reinforcement Learning for Power System Control
with Adversarial Training [71.7750435554693]
電力系統制御のために提案された最先端のRLエージェントが敵攻撃に対して脆弱であることを示す。
具体的には、敵のマルコフ決定プロセスを用いて攻撃方針を学習し、攻撃の有効性を実証する。
本稿では,RLエージェントの攻撃に対する堅牢性を高め,実行不可能な運用上の決定を回避するために,敵の訓練を利用することを提案する。
論文 参考訳（メタデータ） (2021-10-18T00:50:34Z) - 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。