論文の概要: A Data-Driven Modeling and Control Framework for Physics-Based Building Emulators

• arxiv url: http://arxiv.org/abs/2301.13447v1
• Date: Tue, 31 Jan 2023 06:55:19 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-01 17:25:32.569616
• Title: A Data-Driven Modeling and Control Framework for Physics-Based Building Emulators
• Title（参考訳）: 物理ベースのビルディングエミュレータのためのデータ駆動モデリングと制御フレームワーク
• Authors: Chihyeon Song and Aayushman Sharma and Raman Goyal and Alejandro Brito and Saman Mostafavi
• Abstract要約: 物理に基づく建築エミュレータのためのデータ駆動モデリングおよび制御フレームワークを提案する。 a)モデル評価を高速化し、安価な勾配を提供し、モデル予測制御(MPC)の後退地平線に対して良好な予測精度を有する、微分可能な代理モデルのオフライントレーニング。 BOPTEST(Building Optimization Testing Framework)において、複数のサロゲートモデルと異なるテストケースに対する最適化フレームワークを用いて、モデリングおよび制御性能を広範囲に検証する。
• 参考スコア（独自算出の注目度）: 59.821144959060305
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a data-driven modeling and control framework for physics-based building emulators. Our approach comprises: (a) Offline training of differentiable surrogate models that speed up model evaluations, provide cheap gradients, and have good predictive accuracy for the receding horizon in Model Predictive Control (MPC) and (b) Formulating and solving nonlinear building HVAC MPC problems. We extensively verify the modeling and control performance using multiple surrogate models and optimization frameworks for different available test cases in the Building Optimization Testing Framework (BOPTEST). The framework is compatible with other modeling techniques and customizable with different control formulations. The modularity makes the approach future-proof for test cases currently in development for physics-based building emulators and provides a path toward prototyping predictive controllers in large buildings.
• Abstract（参考訳）: 物理に基づく建築エミュレータのためのデータ駆動モデリングおよび制御フレームワークを提案する。 私たちのアプローチは (a)モデル評価を高速化し、安価な勾配を提供し、モデル予測制御(MPC)における後退地平線に対して良好な予測精度を有する微分代理モデルのオフライントレーニング b)非線形ビルディングhvac mpc問題の定式化と解法。 ビルディング最適化テストフレームワーク(BOPTEST)において、複数のサロゲートモデルと最適化フレームワークを用いて、モデリングおよび制御性能を広範囲に検証する。 このフレームワークは他のモデリング手法と互換性があり、異なる制御形式でカスタマイズできる。 モジュラリティは、物理ベースのビルディングエミュレータの開発で現在開発中のテストケースに対する将来的なアプローチを可能にし、大きな建物で予測コントローラをプロトタイプ化するための道を提供する。

関連論文リスト

• Epidemiological Model Calibration via Graybox Bayesian Optimization [13.298472586395276]
  実験により,提案したBOスキームのグレーボックス変種は,計算コストの高いモデルを効率的にキャリブレーション可能であることが示された。 より複雑な疫学モデルの迅速な校正を可能にするために,提案手法を拡張できることを期待する。
  論文  参考訳（メタデータ） (2024-12-10T05:04:52Z)
• Data-driven Nonlinear Model Reduction using Koopman Theory: Integrated Control Form and NMPC Case Study [56.283944756315066]
  そこで本研究では,遅延座標符号化と全状態復号化を組み合わせた汎用モデル構造を提案し,Koopmanモデリングと状態推定を統合した。 ケーススタディでは,本手法が正確な制御モデルを提供し,高純度極低温蒸留塔のリアルタイム非線形予測制御を可能にすることを実証している。
  論文  参考訳（メタデータ） (2024-01-09T11:54:54Z)
• Variational Exploration Module VEM: A Cloud-Native Optimization and Validation Tool for Geospatial Modeling and AI Workflows [0.0]
  クラウドベースのデプロイメントは、これらのモデリングとAIのスケールアップに役立つ。 我々は,クラウドにデプロイされたモデリングの最適化と検証を容易にする変分探索モジュールを開発した。 モデルに依存しないモジュールの柔軟性と堅牢性は、実世界のアプリケーションを用いて実証される。
  論文  参考訳（メタデータ） (2023-11-26T23:07:00Z)
• BEAR: Physics-Principled Building Environment for Control and Reinforcement Learning [9.66911049633598]
  BEARは制御強化学習のための物理を基礎とした建築環境である。 研究者はモデルベースとモデルフリーの両方のコントローラを、外部ビルディングシミュレータを併用することなく、Pythonの標準ビルディングモデルの広範なコレクションを使用してベンチマークすることができる。 モデル予測制御(MPC)と2つのケーススタディを持つ最先端RL法の両方を含む,異なるコントローラによるBEARの互換性と性能を実証する。
  論文  参考訳（メタデータ） (2022-11-27T06:36:35Z)
• When to Update Your Model: Constrained Model-based Reinforcement Learning [50.74369835934703]
  モデルベースRL(MBRL)の非遅延性能保証のための新規で一般的な理論スキームを提案する。 続いて導いた境界は、モデルシフトとパフォーマンス改善の関係を明らかにします。 さらなる例では、動的に変化する探索からの学習モデルが、最終的なリターンの恩恵をもたらすことが示されている。
  論文  参考訳（メタデータ） (2022-10-15T17:57:43Z)
• Slimmable Domain Adaptation [112.19652651687402]
  重み付けモデルバンクを用いて、ドメイン間の一般化を改善するためのシンプルなフレームワーク、Slimmable Domain Adaptationを導入する。 私たちのフレームワークは、他の競合するアプローチを、複数のベンチマークにおいて非常に大きなマージンで上回ります。
  論文  参考訳（メタデータ） (2022-06-14T06:28:04Z)
• A Nested Weighted Tchebycheff Multi-Objective Bayesian Optimization Approach for Flexibility of Unknown Utopia Estimation in Expensive Black-box Design Problems [0.0]
  既存の研究では、未知のユートピアを定式化するための重み付きTchebycheff MOBOアプローチが実証されている。 モデルアンサンブルから回帰モデル選択手順を構築する,ネスト重み付きTchebycheff MOBOフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-16T00:44:06Z)
• Evaluating model-based planning and planner amortization for continuous control [79.49319308600228]
  我々は、モデル予測制御(MPC)と学習モデルとモデルフリーポリシー学習を組み合わせたハイブリッドアプローチを採っている。 モデルフリーエージェントは高いDoF制御問題においても強いベースラインであることがわかった。 モデルに基づくプランナを,パフォーマンスを損なうことなく,計画が損なわれるようなポリシーに置き換えることが可能であることを示す。
  論文  参考訳（メタデータ） (2021-10-07T12:00:40Z)
• Control as Hybrid Inference [62.997667081978825]
  本稿では、反復推論と償却推論のバランスを自然に仲介するCHIの実装について述べる。 連続的な制御ベンチマークでアルゴリズムのスケーラビリティを検証し、強力なモデルフリーおよびモデルベースラインを上回る性能を示す。
  論文  参考訳（メタデータ） (2020-07-11T19:44:09Z)

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。