論文の概要: Laxity-Aware Scalable Reinforcement Learning for HVAC Control
- arxiv url: http://arxiv.org/abs/2306.16619v1
- Date: Thu, 29 Jun 2023 01:28:14 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-30 15:19:10.171803
- Title: Laxity-Aware Scalable Reinforcement Learning for HVAC Control
- Title（参考訳）: HVAC制御のためのLaxity-Aware Scalable Reinforcement Learning
- Authors: Ruohong Liu, Yuxin Pan, Yize Chen
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 2.0625936401496237
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Demand flexibility plays a vital role in maintaining grid balance, reducing
peak demand, and saving customers' energy bills. Given their highly shiftable
load and significant contribution to a building's energy consumption, Heating,
Ventilation, and Air Conditioning (HVAC) systems can provide valuable demand
flexibility to the power systems by adjusting their energy consumption in
response to electricity price and power system needs. To exploit this
flexibility in both operation time and power, it is imperative to accurately
model and aggregate the load flexibility of a large population of HVAC systems
as well as designing effective control algorithms. In this paper, we tackle the
curse of dimensionality issue in modeling and control by utilizing the concept
of laxity to quantify the emergency level of each HVAC operation request. We
further propose a two-level approach to address energy optimization for a large
population of HVAC systems. The lower level involves an aggregator to aggregate
HVAC load laxity information and use least-laxity-first (LLF) rule to allocate
real-time power for individual HVAC systems based on the controller's total
power. Due to the complex and uncertain nature of HVAC systems, we leverage a
reinforcement learning (RL)-based controller to schedule the total power based
on the aggregated laxity information and electricity price. We evaluate the
temperature control and energy cost saving performance of a large-scale group
of HVAC systems in both single-zone and multi-zone scenarios, under varying
climate and electricity market conditions. The experiment results indicate that
proposed approach outperforms the centralized methods in the majority of test
scenarios, and performs comparably to model-based method in some scenarios.
- Abstract（参考訳）: 需要の柔軟性は、グリッドバランスの維持、ピーク需要の削減、顧客のエネルギー請求の節約において重要な役割を果たす。
高度にシフト可能な負荷と建物のエネルギー消費への重要な貢献から、暖房、換気、空調(HVAC)システムは、電力価格と電力システムのニーズに応じてエネルギー消費を調整することで、電力システムに貴重な需要フレキシビリティを提供することができる。
この柔軟性を運用時間と電力の両方で活用するには、多数のHVACシステムの負荷柔軟性を正確にモデル化し、集約し、効率的な制御アルゴリズムを設計する必要がある。
本稿では,各HVAC操作要求の緊急レベルを定量化するために,Laxity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。
さらに,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。
低レベルには、HVAC負荷の遅延情報を集約するアグリゲータと、制御器の総電力に基づいて個々のHVACシステムにリアルタイム電力を割り当てる最小遅延優先(LLF)ルールを使用する。
HVACシステムの複雑で不確実な性質のため、我々は強化学習(RL)ベースのコントローラを利用して、集約された遅延情報と電力価格に基づいて総電力をスケジュールする。
本研究では, 大規模HVACシステムの温度制御と省エネ性能を, 気候・電力市場条件の異なる単ゾーン・多ゾーンのシナリオで評価した。
実験の結果,提案手法はテストシナリオの大部分において集中型手法よりも優れており,いくつかのシナリオではモデルベース手法と相容れない性能を示した。
関連論文リスト
- An experimental evaluation of Deep Reinforcement Learning algorithms for HVAC control [40.71019623757305]
近年の研究では、Deep Reinforcement Learning (DRL)アルゴリズムが従来のリアクティブコントローラより優れていることが示されている。
本稿では,HVAC制御のためのいくつかの最先端DRLアルゴリズムについて,批判的かつ再現可能な評価を行う。
論文 参考訳（メタデータ） (2024-01-11T08:40:26Z) - 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) - A Comparison of Classical and Deep Reinforcement Learning Methods for
HVAC Control [0.0]
複数のHVAC環境にまたがる2つの古典的およびディープなRL手法(Q-LearningとDeep-Q-Networks)をベンチマークする。
その結果, HVAC システムにおける RL エージェントの設定に関する知見が得られ, エネルギー効率, 費用対効果が向上した。
論文 参考訳（メタデータ） (2023-08-10T17:20:02Z) - 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) - Data-Driven Chance Constrained AC-OPF using Hybrid Sparse Gaussian
Processes [57.70237375696411]
入力不確実性を伴う潮流方程式をモデル化するために,スパースプロセスとハイブリッドガウスプロセス(GP)フレームワークを用いた高速データ駆動構成を提案する。
提案手法の有効性は,複数のIEEEテストケースに対して,最大2倍の高速かつ高精度な解を示す数値的な研究によって主張する。
論文 参考訳（メタデータ） (2022-08-30T09:27:59Z) - Stabilizing Voltage in Power Distribution Networks via Multi-Agent
Reinforcement Learning with Transformer [128.19212716007794]
本稿では,変圧器を用いたマルチエージェント・アクタ・クリティカル・フレームワーク(T-MAAC)を提案する。
さらに、電圧制御タスクに適した新しい補助タスクトレーニングプロセスを採用し、サンプル効率を向上する。
論文 参考訳（メタデータ） (2022-06-08T07:48:42Z) - 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) - Risk-Aware Energy Scheduling for Edge Computing with Microgrid: A
Multi-Agent Deep Reinforcement Learning Approach [82.6692222294594]
マイクログリッドを用いたMECネットワークにおけるリスク対応エネルギースケジューリング問題について検討する。
ニューラルネットワークを用いたマルチエージェントディープ強化学習(MADRL)に基づくアドバンテージアクター・クリティック(A3C)アルゴリズムを適用し,その解を導出する。
論文 参考訳（メタデータ） (2020-02-21T02:14:38Z) - 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)
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。