論文の概要: Deep Reinforcement Learning for Heat Pump Control

• arxiv url: http://arxiv.org/abs/2212.12716v1
• Date: Sat, 24 Dec 2022 11:24:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-27 13:49:59.671741
• Title: Deep Reinforcement Learning for Heat Pump Control
• Title（参考訳）: ヒートポンプ制御のための深部強化学習
• Authors: Tobias Rohrer, Lilli Frison, Lukas Kaupenjohann, Katrin Scharf, Elke Hergenrother
• Abstract要約: 本研究は, 模擬環境下でのヒートポンプ制御に深部強化学習を適用した。 MPCのような性能を実現するためにDRLをモデルフリーで適用できることが示せる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Heating in private households is a major contributor to the emissions generated today. Heat pumps are a promising alternative for heat generation and are a key technology in achieving our goals of the German energy transformation and to become less dependent on fossil fuels. Today, the majority of heat pumps in the field are controlled by a simple heating curve, which is a naive mapping of the current outdoor temperature to a control action. A more advanced control approach is model predictive control (MPC) which was applied in multiple research works to heat pump control. However, MPC is heavily dependent on the building model, which has several disadvantages. Motivated by this and by recent breakthroughs in the field, this work applies deep reinforcement learning (DRL) to heat pump control in a simulated environment. Through a comparison to MPC, it could be shown that it is possible to apply DRL in a model-free manner to achieve MPC-like performance. This work extends other works which have already applied DRL to building heating operation by performing an in-depth analysis of the learned control strategies and by giving a detailed comparison of the two state-of-the-art control methods.
• Abstract（参考訳）: 家庭での暖房は今日発生した排出に大きく貢献している。 ヒートポンプは熱発生の代替手段として有望であり、ドイツのエネルギー変換の目標を達成する上で重要な技術であり、化石燃料への依存を減らしている。 今日では、フィールド内のヒートポンプの大部分は、現在の屋外温度を制御行動に素直にマッピングした単純な加熱曲線によって制御されている。 より高度な制御アプローチはモデル予測制御(mpc)であり、複数の研究でヒートポンプ制御に適用された。 しかし、mpcはいくつかの欠点がある建築モデルに大きく依存している。 この分野における最近のブレークスルーにより、この研究はシミュレーション環境におけるヒートポンプ制御に深層強化学習(drl)を適用している。 MPCとの比較により、DRLをモデルフリーで適用してMPCライクな性能を実現することができることを示すことができる。 本研究は,drlを建築暖房に応用した他の作業を拡張し,学習した制御戦略の詳細な分析と,2つの最先端制御手法の詳細な比較を行った。

関連論文リスト

• Multistep Criticality Search and Power Shaping in Microreactors with Reinforcement Learning [0.3562485774739681]
  核マイクロリアクターにおける知的制御のための強化学習(RL)アルゴリズムを導入する。 近位政策最適化(PPO)とアクター・クリティカル(A2C)を用いたRLエージェントの訓練 その結果, 最適ドラム位置同定におけるPPOの優れた性能が示された。
  論文  参考訳（メタデータ） (2024-06-22T20:14:56Z)
• Go Beyond Black-box Policies: Rethinking the Design of Learning Agent for Interpretable and Verifiable HVAC Control [3.326392645107372]
  熱力学モデルと過去のデータから抽出した決定木を用いてHVACコントローラを再設計することでボトルネックを克服する。 本手法は68.4%のエネルギーを節約し, 人間の快適度を14.8%向上させる。
  論文  参考訳（メタデータ） (2024-02-29T22:42:23Z)
• Energy-guided Entropic Neural Optimal Transport [100.20553612296024]
  エネルギーベースのモデル(EBM)は、機械学習コミュニティで数十年にわたって知られている。 EBMとEntropy-regularized OTのギャップを埋める。 実際に,玩具2Dおよび画像領域における適用性を検証する。
  論文  参考訳（メタデータ） (2023-04-12T18:20:58Z)
• 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)
• Predictable MDP Abstraction for Unsupervised Model-Based RL [93.91375268580806]
  予測可能なMDP抽象化(PMA)を提案する。 元のMDPで予測モデルを訓練する代わりに、学習されたアクション空間を持つ変換MDPでモデルを訓練する。 我々はPMAを理論的に解析し、PMAが以前の教師なしモデルベースRLアプローチよりも大幅に改善することを示す。
  論文  参考訳（メタデータ） (2023-02-08T07:37:51Z)
• 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)
• Particle Dynamics for Learning EBMs [83.59335980576637]
  エネルギーベースモデリングは教師なし学習への有望なアプローチであり、単一のモデルから多くの下流アプリケーションを生み出す。 コントラスト的アプローチ(contrastive approach)"でエネルギーベースモデルを学習する際の主な困難は、各イテレーションで現在のエネルギー関数からサンプルを生成することである。 本稿では,これらのサンプルを取得し,現行モデルからの粗大なMCMCサンプリングを回避するための代替手法を提案する。
  論文  参考訳（メタデータ） (2021-11-26T23:41:07Z)
• Does Explicit Prediction Matter in Energy Management Based on Deep Reinforcement Learning? [2.82357668338266]
  本稿では,DRLをベースとした標準エネルギー管理手法を提案する。 シミュレーションの結果,予測のないエネルギー管理方式の方が予測を伴う方式よりも優れていることが示された。 本研究は,エネルギー管理分野におけるDRL法の誤用を是正することを目的としている。
  論文  参考訳（メタデータ） (2021-08-11T08:52:42Z)
• Development of a Soft Actor Critic Deep Reinforcement Learning Approach for Harnessing Energy Flexibility in a Large Office Building [0.0]
  本研究は,Soft Actor Critic'(SAC)に基づくDeep Reinforcement Learning(DRL)の新規適用と研究に関するものである。 SACは、連続的なアクションスペースを処理できるモデルフリーのDRL技術です。
  論文  参考訳（メタデータ） (2021-04-25T10:33:35Z)
• 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。