論文の概要: TreeC: a method to generate interpretable energy management systems
using a metaheuristic algorithm
- arxiv url: http://arxiv.org/abs/2304.08310v1
- Date: Mon, 17 Apr 2023 14:27:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-18 14:49:18.158983
- Title: TreeC: a method to generate interpretable energy management systems
using a metaheuristic algorithm
- Title（参考訳）: treec:メタヒューリスティックアルゴリズムを用いた解釈可能なエネルギー管理システムの生成法
- Authors: Julian Ruddick, Luis Ramirez Camargo, Muhammad Andy Putratama, Maarten
Messagie, Thierry Coosemans
- Abstract要約: エネルギー管理システム(EMS)は、ルールベース制御(RBC)とモデル予測制御(MPC)に基づいて古典的に実装されている。
最近の研究は、新しい将来的なアプローチとして強化学習(RL)を研究している。
本稿では,決定木としてモデル化された解釈可能なEMSを生成する機械学習手法であるTreeCを紹介する。
- 参考スコア（独自算出の注目度）: 0.9449650062296824
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Energy management systems (EMS) have classically been implemented based on
rule-based control (RBC) and model predictive control (MPC) methods. Recent
research are investigating reinforcement learning (RL) as a new promising
approach. This paper introduces TreeC, a machine learning method that uses the
metaheuristic algorithm covariance matrix adaptation evolution strategy
(CMA-ES) to generate an interpretable EMS modeled as a decision tree. This
method learns the decision strategy of the EMS based on historical data
contrary to RBC and MPC approaches that are typically considered as non
adaptive solutions. The decision strategy of the EMS is modeled as a decision
tree and is thus interpretable contrary to RL which mainly uses black-box
models (e.g. neural networks). The TreeC method is compared to RBC, MPC and RL
strategies in two study cases taken from literature: (1) an electric grid case
and (2) a household heating case. The results show that TreeC obtains close
performances than MPC with perfect forecast in both cases and obtains similar
performances to RL in the electrical grid case and outperforms RL in the
household heating case. TreeC demonstrates a performant application of machine
learning for energy management systems that is also fully interpretable.
- Abstract（参考訳）: エネルギー管理システム(EMS)は、ルールベース制御(RBC)とモデル予測制御(MPC)に基づいて古典的に実装されている。
最近の研究は、新しい将来的なアプローチとして強化学習(RL)を研究している。
本稿では,メタヒューリスティックアルゴリズム共分散行列適応進化戦略(cma-es)を用いて決定木としてモデル化した解釈可能なemsを生成する機械学習手法treecを提案する。
本手法は, RBC と MPC のアプローチとは対照的に, 歴史的データに基づいて EMS の決定戦略を学習する。
EMSの決定戦略は決定木としてモデル化されており、主にブラックボックスモデル(例えばニューラルネットワーク)を使用するRLとは対照的に解釈可能である。
treec法をrbc法,mpc法,rl法と比較し,(1)電気グリッド法,(2)家庭用暖房法について検討した。
以上の結果から,ツリーCはいずれの場合も完全予測のMPCよりも密接な性能を示し,電力グリッドケースではRLに類似し,家庭暖房ケースではRLに優れていた。
treecは、完全に解釈可能なエネルギー管理システムに対する機械学習の高性能な応用を示す。
関連論文リスト
- Real-world validation of safe reinforcement learning, model predictive control and decision tree-based home energy management systems [0.8480931990442769]
本稿では,機械学習に基づくエネルギー管理手法の現実的検証について述べる。
住宅の4つの再生を電気的に設置する実験を行った。
論文 参考訳（メタデータ） (2024-08-14T10:12:15Z) - Robust Model Based Reinforcement Learning Using $\mathcal{L}_1$ Adaptive Control [4.88489286130994]
本稿では,モデルベース強化学習(MBRL)アルゴリズムに対する制御理論の拡張手法を提案する。
MBRLアルゴリズムはデータを用いて遷移関数のモデルを学び、それを使って制御入力を設計する。
提案法則に従って,本手法は学習遷移関数の近似制御-アフィンモデルを生成する。
論文 参考訳（メタデータ） (2024-03-21T22:15:09Z) - 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) - WARM: On the Benefits of Weight Averaged Reward Models [63.08179139233774]
Weight Averaged Reward Models (WARM) を提案する。
最良N法とRL法を用いた要約タスクの実験は、WARMがLLM予測の全体的な品質とアライメントを改善することを示す。
論文 参考訳（メタデータ） (2024-01-22T18:27:08Z) - A Comparison of Model-Free and Model Predictive Control for Price
Responsive Water Heaters [7.579687492224987]
本稿では,2つのモデルフリー制御アルゴリズムの比較,および回帰水平モデル予測制御(MPC)について述べる。
MPCの4つのバリエーションは、完璧な予測を行うワンショットコントローラ、完全な予測を行う限定水平コントローラ、歴史的なシナリオを使用する2段階のプログラミングコントローラである。
ESとPPOは、平均予測と2段階のMPCコントローラを平均コストで上回り、計算動作において2桁以上高速である、優れた汎用ポリシーを学習している。
論文 参考訳（メタデータ） (2021-11-08T18:06:43Z) - 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) - Adaptive Stochastic ADMM for Decentralized Reinforcement Learning in
Edge Industrial IoT [106.83952081124195]
強化学習 (Reinforcement Learning, RL) は, 意思決定および最適制御プロセスのための有望な解法として広く研究されている。
本稿では,Adaptive ADMM (asI-ADMM)アルゴリズムを提案する。
実験の結果,提案アルゴリズムは通信コストやスケーラビリティの観点から技術状況よりも優れており,複雑なIoT環境に適応できることがわかった。
論文 参考訳（メタデータ） (2021-06-30T16:49:07Z) - 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) - 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) - Information Theoretic Model Predictive Q-Learning [64.74041985237105]
本稿では,情報理論的MPCとエントロピー正規化RLとの新たな理論的関連性を示す。
バイアスモデルを利用したQ-ラーニングアルゴリズムを開発した。
論文 参考訳（メタデータ） (2019-12-31T00:29:22Z)
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。