論文の概要: Energy Optimization for HVAC Systems in Multi-VAV Open Offices: A Deep
Reinforcement Learning Approach
- arxiv url: http://arxiv.org/abs/2306.13333v2
- Date: Wed, 15 Nov 2023 04:40:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-16 20:12:56.774345
- Title: Energy Optimization for HVAC Systems in Multi-VAV Open Offices: A Deep
Reinforcement Learning Approach
- Title(参考訳): 複数VAVオープンオフィスにおけるHVACシステムのエネルギー最適化 : 深層強化学習アプローチ
- Authors: Hao Wang, Xiwen Chen, Natan Vital, Edward.Duffy, Abolfazl Razi
- Abstract要約: HVACシステムは商業部門の総エネルギーコストの約40%を占めている。
オープンプランオフィスのHVACエネルギー最適化のためのマルチインプットマルチアウトプットアーキテクチャを用いた低複雑さDRLモデルを提案する。
- 参考スコア(独自算出の注目度): 4.323740171581589
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With more than 32% of the global energy used by commercial and residential
buildings, there is an urgent need to revisit traditional approaches to
Building Energy Management (BEM). With HVAC systems accounting for about 40% of
the total energy cost in the commercial sector, we propose a low-complexity
DRL-based model with multi-input multi-output architecture for the HVAC energy
optimization of open-plan offices, which uses only a handful of controllable
and accessible factors. The efficacy of our solution is evaluated through
extensive analysis of the overall energy consumption and thermal comfort levels
compared to a baseline system based on the existing HVAC schedule in a real
building. This comparison shows that our method achieves 37% savings in energy
consumption with minimum violation (<1%) of the desired temperature range
during work hours. It takes only a total of 40 minutes for 5 epochs (about 7.75
minutes per epoch) to train a network with superior performance and covering
diverse conditions for its low-complexity architecture; therefore, it easily
adapts to changes in the building setups, weather conditions, occupancy rate,
etc. Moreover, by enforcing smoothness on the control strategy, we suppress the
frequent and unpleasant on/off transitions on HVAC units to avoid occupant
discomfort and potential damage to the system. The generalizability of our
model is verified by applying it to different building models and under various
weather conditions.
- Abstract(参考訳): 地球規模のエネルギーの32%以上が商業ビルや住宅ビルで使われており、ビル・エナジー・マネジメント(BEM)への伝統的なアプローチを再検討する必要がある。
商業部門全体のエネルギーコストの約40%をhvacシステムが占めており、少数の制御可能かつアクセス可能な要素のみを使用するオープンプランオフィスのhvacエネルギー最適化のために、マルチインプットマルチアウトプットアーキテクチャを備えた、低複雑さのdrlベースモデルを提案する。
本ソリューションの有効性は,実ビルにおける既存の空調スケジュールに基づくベースラインシステムと比較し,全エネルギー消費と熱快適度を広範囲に分析することにより評価した。
本手法は, 所望温度範囲の最低値(<1%) で, 省エネ効果の37%を達成できることを示す。
性能の優れたネットワークを訓練し、その低複雑さアーキテクチャの多様な条件をカバーするのに5エポック(エポックあたり約7.75分)の合計40分しかかからないため、建築設備、気象条件、占有率などの変更に容易に対応できる。
さらに,制御戦略のスムーズさを強制することにより,HVACユニットの頻繁かつ不快なオン/オフ遷移を抑えることで,システムに対する不快感や潜在的ダメージを回避する。
本モデルの汎用性は, 異なる建築モデルに適用し, 様々な気象条件下で検証した。
関連論文リスト
- 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) - Laxity-Aware Scalable Reinforcement Learning for HVAC Control [2.0625936401496237]
我々は,各操作要求の緊急レベルを定量化するために,遅延の概念を活用することにより,モデリングと制御における次元問題の呪いに取り組む。
本研究では,多くのHVACシステムに対する2段階のエネルギー最適化手法を提案する。
論文 参考訳(メタデータ) (2023-06-29T01:28:14Z) - 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) - Zero-Shot Building Control [0.0]
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。
既存のソリューションでは、世界中のすべての建物で入手するのに非常に高価なシミュレーターを事前訓練する必要がある。
システム識別とモデルベースRLのアイデアを組み合わせることで,建物を安全かつゼロショットで制御できることを示す。
論文 参考訳(メタデータ) (2022-06-28T17:56:40Z) - Domain Knowledge Aids in Signal Disaggregation; the Example of the
Cumulative Water Heater [68.8204255655161]
住宅における累積給湯器(CWH)の電力の検出と分散を目的とした教師なし低周波法を提案する。
本モデルでは,パワースパイクの形状と発生時刻を両立させることにより,教師なし信号の分解の難しさを回避する。
我々のモデルは、単純さに拘わらず、有望なアプリケーションを提供する: オフピーク契約における設定ミスの検出と性能劣化の遅さ。
論文 参考訳(メタデータ) (2022-03-22T10:39:19Z) - Distributed Multi-Agent Deep Reinforcement Learning Framework for
Whole-building HVAC Control [1.796271361142275]
商業ビルにおける総電力消費量の約40%-50%は、暖房・換気・空調システムによるものと推定されている。
本稿では,Energy Plusシミュレーション環境に基づく多エージェント分散深部強化学習(DRL)フレームワークを提案する。
DRLを用いて、エネルギー消費の75%以上を節約できる。
論文 参考訳(メタデータ) (2021-10-26T07:29:16Z) - Investigating Underlying Drivers of Variability in Residential Energy
Usage Patterns with Daily Load Shape Clustering of Smart Meter Data [53.51471969978107]
スマートメータの大規模展開は、日々の負荷パターンの分散を探求する研究の動機となっている。
本稿では,電力消費パターンが変動性を示すメカニズムを明らかにすることを目的とした。
論文 参考訳(メタデータ) (2021-02-16T16:56:27Z) - LSTM-based Space Occupancy Prediction towards Efficient Building Energy
Management [0.0]
本稿では,LSTMを用いた占領パターンの時系列予測モデルを提案する。
HVACの動作には、次回における将来の部屋占有状況の予測信号を直接使用することができる。
LSTMの部屋占有予測に基づくHVAC制御は,従来のRBC制御と比較してエネルギー使用量を50%削減できることを示した。
論文 参考訳(メタデータ) (2020-12-15T06:32:07Z) - Multi-Agent Deep Reinforcement Learning for HVAC Control in Commercial
Buildings [38.326533494236266]
商業ビルでは、総電力の約40%-50%が暖房、換気、空調システムによるものである。
本稿では, ゾーンの占有, 熱的快適さ, 室内空気質の快適さをともなう動的価格の下で, マルチゾーンビルにおけるHVACシステムのエネルギーコストを最小化することを目的としている。
論文 参考訳(メタデータ) (2020-06-25T03:41:42Z) - 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。