論文の概要: A Distributed ADMM-based Deep Learning Approach for Thermal Control in Multi-Zone Buildings under Demand Response Events

• arxiv url: http://arxiv.org/abs/2312.05073v2
• Date: Thu, 11 Jul 2024 16:43:38 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-12 23:37:48.552029
• Title: A Distributed ADMM-based Deep Learning Approach for Thermal Control in Multi-Zone Buildings under Demand Response Events
• Title（参考訳）: 需要応答イベント下における多層建築物の熱制御のための分散ADMMに基づく深層学習手法
• Authors: Vincent Taboga, Hanane Dagdougui,
• Abstract要約: 本研究では,ADMMを用いた分散最適化と深層学習モデルを組み合わせて室内温度設定点を効果的に計画する。 上層に中央建物コーディネータ、熱ゾーン層にローカルコントローラを備えた2層階層構造を用いる。 提案するアルゴリズムはDistributed Planning Networksと呼ばれ、様々なタイプの建物に適応可能かつスケーラブルに設計されている。
• 参考スコア（独自算出の注目度）: 1.1126342180866646
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The increasing electricity use and reliance on intermittent renewable energy sources challenge power grid management during peak demand, making Demand Response programs and energy conservation measures essential. This research combines distributed optimization using ADMM with deep learning models to plan indoor temperature setpoints effectively. A two-layer hierarchical structure is used, with a central building coordinator at the upper layer and local controllers at the thermal zone layer. The coordinator must limit the building's maximum power by translating the building's total power to local power targets for each zone. Local controllers can modify the temperature setpoints to meet the local power targets. While most algorithms are either centralized or require prior knowledge about the building's structure, our approach is distributed and fully data-driven. The proposed algorithm, called Distributed Planning Networks, is designed to be both adaptable and scalable to many types of buildings, tackling two of the main challenges in the development of such systems. The proposed approach is tested on an 18-zone building modeled in EnergyPlus. The algorithm successfully manages Demand Response peak events.
• Abstract（参考訳）: 電力利用の増加と、断続的再生可能エネルギー源への依存は、ピーク需要時の電力グリッド管理に挑戦し、需要対応プログラムとエネルギー保全対策が不可欠である。 本研究では,ADMMを用いた分散最適化と深層学習モデルを組み合わせて室内温度設定点を効果的に計画する。 上層に中央建物コーディネータ、熱ゾーン層にローカルコントローラを備えた2層階層構造を用いる。 コーディネーターは、建物の総電力を各ゾーンのローカルパワーターゲットに変換することで、建物の最大電力を制限する必要がある。 ローカルコントローラは、ローカルのパワーターゲットを満たすために温度設定ポイントを変更することができる。 ほとんどのアルゴリズムは中央集権的であるか、あるいは建物の構造に関する事前知識を必要とするが、我々のアプローチは分散しており、完全にデータ駆動である。 提案アルゴリズムは分散計画ネットワーク(Distributed Planning Networks)と呼ばれ、様々なタイプの建物に適応可能かつスケーラブルに設計されており、そのようなシステム開発における主な課題の2つに対処している。 提案手法はEnergyPlusをモデルとした18ゾーンの建物で検証される。 このアルゴリズムは、Demand Responseのピークイベントをうまく管理する。

関連論文リスト

• State and Action Factorization in Power Grids [47.65236082304256]
  状態と行動成分の相関関係をデータに基づいて推定するドメインに依存しないアルゴリズムを提案する。 このアルゴリズムはGrid2Opシミュレータで得られた電力グリッドベンチマークで検証される。
  論文  参考訳（メタデータ） (2024-09-03T15:00:58Z)
• Distributed-Training-and-Execution Multi-Agent Reinforcement Learning for Power Control in HetNet [48.96004919910818]
  We propose a multi-agent Deep reinforcement learning (MADRL) based power control scheme for the HetNet。 エージェント間の協調を促進するために,MADRLシステムのためのペナルティベースQラーニング(PQL)アルゴリズムを開発した。 このように、エージェントのポリシーは、他のエージェントによってより容易に学習でき、より効率的なコラボレーションプロセスをもたらす。
  論文  参考訳（メタデータ） (2022-12-15T17:01:56Z)
• Distributed Energy Management and Demand Response in Smart Grids: A Multi-Agent Deep Reinforcement Learning Framework [53.97223237572147]
  本稿では、自律制御と再生可能エネルギー資源のスマート電力グリッドシステムへの統合のための多エージェント深層強化学習(DRL)フレームワークを提案する。 特に,提案フレームワークは,住宅利用者に対する需要応答 (DR) と分散エネルギー管理 (DEM) を共同で検討している。
  論文  参考訳（メタデータ） (2022-11-29T01:18:58Z)
• 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)
• Joint Energy Dispatch and Unit Commitment in Microgrids Based on Deep Reinforcement Learning [6.708717040312532]
  本稿では,統合エネルギー派遣(ED)と単位コミットメント(UC)を分離したマイクログリッドで決定するための最適な政策を学習するために,深部強化学習(DRL)を適用した。 本稿では、2つの古典的DRLアルゴリズムをシームレスに統合するDRLアルゴリズム,すなわちハイブリッドアクション有限水平DDPG(HAFH-DDPG)を提案する。 ディーゼル発電機(DG)選択戦略を提示し、このアルゴリズムの計算複雑性を低減するため、簡易な動作空間をサポートする。
  論文  参考訳（メタデータ） (2022-06-03T16:22:03Z)
• Scalable Voltage Control using Structure-Driven Hierarchical Deep Reinforcement Learning [0.0]
  本稿では,新しい階層型深層強化学習(drl)による電力系統の電圧制御設計を提案する。 本研究では,電力系統の領域分割構造を利用して,大規模グリッドモデルに適用可能な階層型drl設計を提案する。 地域別分散型RLエージェントを訓練し、各エリアの低レベルポリシーを算出し、低レベルポリシーの更新を使用して低レベルエージェントが行う制御アクションを効率的に調整する高レベルDRLエージェントを同時トレーニングします。
  論文  参考訳（メタデータ） (2021-01-29T21:30:59Z)
• A Centralised Soft Actor Critic Deep Reinforcement Learning Approach to District Demand Side Management through CityLearn [0.0]
  強化学習は、需要側管理のための有望なモデルフリーで適応的なコントローラである。 本稿では,CityLearn Challengeに提出されたアルゴリズムの結果について述べる。 提案手法は,集中型「ソフトアクター批判」深部強化学習エージェントを用いて,課題において第2位を確保した。
  論文  参考訳（メタデータ） (2020-09-22T14:03:11Z)
• Demand-Side Scheduling Based on Multi-Agent Deep Actor-Critic Learning for Smart Grids [56.35173057183362]
  家庭用家電をネットでスケジュールできるスマートメーターが各家庭に備わっている需要側エネルギー管理の問題点を考察する。 目標は、リアルタイムの料金体系の下で全体のコストを最小化することです。 マルコフゲームとしてスマートグリッド環境の定式化を提案する。
  論文  参考訳（メタデータ） (2020-05-05T07:32:40Z)
• 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。