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
- 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) - End-to-End Reinforcement Learning of Koopman Models for Economic
Nonlinear Model Predictive Control [50.0791489606211]
非線形モデル予測制御((e)NMPC)は、すべての状態空間領域において十分正確なシステムモデルを必要とする。
メカニスティックモデルのためのデータ駆動サロゲートモデルは、(e)NMPCの計算負担を軽減するために使用できる。
In this method for end-to-end reinforcement learning of dynamic surrogate model for optimal performance in (e)NMPC applications。
論文 参考訳(メタデータ) (2023-08-03T10:21:53Z) - 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) - Differentiable physics-enabled closure modeling for Burgers' turbulence [0.0]
本稿では、既知の物理と機械学習を組み合わせて乱流問題に対するクロージャモデルを開発する微分可能な物理パラダイムを用いたアプローチについて論じる。
我々は、モデルの有効性をテストするために、後方損失関数上の様々な物理仮定を組み込んだ一連のモデルを訓練する。
既知物理あるいは既存の閉包アプローチを含む偏微分方程式の形で帰納バイアスを持つ制約モデルが、非常にデータ効率が高く、正確で、一般化可能なモデルを生成することを発見した。
論文 参考訳(メタデータ) (2022-09-23T14:38:01Z) - Domain-aware Control-oriented Neural Models for Autonomous Underwater
Vehicles [2.4779082385578337]
ドメイン認識のレベルが異なる制御指向パラメトリックモデルを提案する。
データ駆動型ブラックボックスとAUVダイナミクスのグレイボックス表現を構築するために、普遍微分方程式を用いる。
論文 参考訳(メタデータ) (2022-08-15T17:01:14Z) - Learning physics-informed simulation models for soft robotic
manipulation: A case study with dielectric elastomer actuators [21.349079159359746]
柔らかいアクチュエータは、緩やかな握りや器用な動きといったロボット作業に対して安全かつ適応的なアプローチを提供する。
このようなシステムを制御するための正確なモデルを作成することは、変形可能な物質の複雑な物理のために困難である。
本稿では,微分可能シミュレータと有限要素法の利点を組み合わせたフレームワークを提案する。
論文 参考訳(メタデータ) (2022-02-25T21:15:05Z) - Physics-informed linear regression is a competitive approach compared to
Machine Learning methods in building MPC [0.8135412538980287]
総じて, ビルのベースラインコントローラと比較して, 暖房・冷却エネルギーの低減効果が良好であることが示唆された。
また, 物理インフォームドARMAXモデルは, 計算負担が低く, 機械学習モデルと比較して, サンプル効率が優れていることも確認した。
論文 参考訳(メタデータ) (2021-10-29T16:56:05Z) - 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) - Hybrid modeling: Applications in real-time diagnosis [64.5040763067757]
我々は、機械学習にインスパイアされたモデルと物理モデルを組み合わせた、新しいハイブリッドモデリングアプローチの概要を述べる。
このようなモデルをリアルタイム診断に利用しています。
論文 参考訳(メタデータ) (2020-03-04T00:44:57Z)
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。