論文の概要: Impact of data usage for forecasting on performance of model predictive
control in buildings with smart energy storage
- arxiv url: http://arxiv.org/abs/2402.12539v1
- Date: Mon, 19 Feb 2024 21:01:11 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-21 18:13:50.843513
- Title: Impact of data usage for forecasting on performance of model predictive
control in buildings with smart energy storage
- Title(参考訳): スマートエネルギー貯蔵建物における予測データ利用がモデル予測制御性能に及ぼす影響
- Authors: Max Langtry, Vijja Wichitwechkarn, Rebecca Ward, Chaoqun Zhuang,
Monika J. Kreitmair, Nikolas Makasis, Zack Xuereb Conti, Ruchi Choudhary
- Abstract要約: 本研究では,モデル予測制御のための単純な機械学習予測モデルと最先端機械学習予測モデルの両方の性能について検討する。
データ利用が予測精度に与える影響を以下のデータ効率測定のために定量化する。
負荷予測モデルに対する2年以上のトレーニングデータの使用は、予測精度を著しく改善することはなかった。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Data is required to develop forecasting models for use in Model Predictive
Control (MPC) schemes in building energy systems. However, data usage incurs
costs from both its collection and exploitation. Determining cost optimal data
usage requires understanding of the forecast accuracy and resulting MPC
operational performance it enables. This study investigates the performance of
both simple and state-of-the-art machine learning prediction models for MPC in
a multi-building energy system simulation using historic building energy data.
The impact of data usage on forecast accuracy is quantified for the following
data efficiency measures: reuse of prediction models, reduction of training
data volumes, reduction of model data features, and online model training. A
simple linear multi-layer perceptron model is shown to provide equivalent
forecast accuracy to state-of-the-art models, with greater data efficiency and
generalisability. The use of more than 2 years of training data for load
prediction models provided no significant improvement in forecast accuracy.
Forecast accuracy and data efficiency were improved simultaneously by using
change-point analysis to screen training data. Reused models and those trained
with 3 months of data had on average 10% higher error than baseline, indicating
that deploying MPC systems without prior data collection may be economic.
- Abstract(参考訳): データは、エネルギーシステム構築におけるモデル予測制御(MPC)スキームで使用する予測モデルを開発するために必要である。
しかし、データの利用は収集と搾取の両方でコストがかかる。
コスト最適データ使用量を決定するには、予測精度とMPC動作性能の理解が必要である。
本研究では,歴史的建築エネルギーデータを用いたマルチビルディングエネルギーシステムシミュレーションにおけるmpcの簡易および最先端の機械学習予測モデルの性能について検討する。
データ利用が予測精度に与える影響を,予測モデルの再利用,トレーニングデータ量の削減,モデルデータの特徴の低減,オンラインモデルトレーニングなど,データ効率の指標として定量化する。
単純な線形多層パーセプトロンモデルにより、データ効率と一般化性が高く、最先端モデルに等価な予測精度が提供される。
負荷予測モデルに対する2年以上のトレーニングデータの使用は、予測精度を著しく改善することはなかった。
画面トレーニングデータに変化点解析を用いて予測精度とデータ効率を同時に改善した。
再利用されたモデルと3ヶ月のデータでトレーニングされたモデルでは、ベースラインよりも平均10%高いエラーがあった。
関連論文リスト
- DECODE: Data-driven Energy Consumption Prediction leveraging Historical
Data and Environmental Factors in Buildings [1.2891210250935148]
本稿では,建築エネルギー消費の予測を目的としたLong Short-Term Memory (LSTM)モデルを提案する。
LSTMモデルは、住宅や商業ビルの正確な短時間、中長期のエネルギー予測を提供する。
これは例外的な予測精度を示し、R2スコアは0.97で、平均絶対誤差(MAE)は0.007である。
論文 参考訳(メタデータ) (2023-09-06T11:02:53Z) - 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) - Maintaining Stability and Plasticity for Predictive Churn Reduction [8.971668467496055]
我々は,累積モデル組合せ (AMC) という解を提案する。
AMCは一般的な手法であり、モデルやデータ特性に応じてそれぞれ独自の利点を持ついくつかの事例を提案する。
論文 参考訳(メタデータ) (2023-05-06T20:56:20Z) - Prediction-Oriented Bayesian Active Learning [51.426960808684655]
予測情報ゲイン(EPIG)は、パラメータではなく予測空間における情報ゲインを測定する。
EPIGは、さまざまなデータセットやモデルにわたるBALDと比較して、予測パフォーマンスが向上する。
論文 参考訳(メタデータ) (2023-04-17T10:59:57Z) - Measuring Causal Effects of Data Statistics on Language Model's
`Factual' Predictions [59.284907093349425]
大量のトレーニングデータが、最先端のNLPモデルの高性能化の大きな理由の1つである。
トレーニングデータがどのように予測に影響を及ぼすかを記述するための言語を,因果的フレームワークを通じて提供する。
我々のフレームワークは、高価なモデルの再訓練の必要性を回避し、観測データのみに基づいて因果効果を推定することができる。
論文 参考訳(メタデータ) (2022-07-28T17:36:24Z) - Clustering Enabled Few-Shot Load Forecasting [2.0810096547938164]
エネルギー消費のわずかなショット(データポイント)を観察することで,新規利用者の負荷予測を考察する。
限られたサンプルが時間特性を利用するには不十分であるため、この作業は困難である。
本稿では,既存ユーザの履歴負荷プロファイルデータを有効クラスタリングに利用することを提案する。
論文 参考訳(メタデータ) (2022-02-16T09:09:09Z) - Advanced Statistical Learning on Short Term Load Process Forecasting [13.466565318976887]
短期負荷予測(STLF)は、電力消費者の効率的なスケジューリング、運転最適化取引、意思決定に必要である。
本研究では, ハードタイプデータセットのこれらの課題を管理するための統計非線形モデルを提案し, 最大2日前に15分間の周波数負荷を予測した。
論文 参考訳(メタデータ) (2021-10-19T12:32:40Z) - Back2Future: Leveraging Backfill Dynamics for Improving Real-time
Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。
過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。
我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文 参考訳(メタデータ) (2021-06-08T14:48:20Z) - Self-Supervised Pretraining Improves Self-Supervised Pretraining [83.1423204498361]
自己教師付き事前トレーニングには、高価で長い計算と大量のデータが必要で、データ拡張に敏感である。
本稿では,既存の事前学習モデルを用いて事前学習プロセスを初期化することにより,収束時間を短縮し,精度を向上させる階層的事前学習(HPT)について検討する。
HPTが最大80倍速く収束し、タスク全体の精度が向上し、自己監視された事前トレーニングプロセスの堅牢性が、画像増強ポリシーまたは事前トレーニングデータの量の変化に改善されることを示します。
論文 参考訳(メタデータ) (2021-03-23T17:37:51Z) - Models, Pixels, and Rewards: Evaluating Design Trade-offs in Visual
Model-Based Reinforcement Learning [109.74041512359476]
視覚的MBRLアルゴリズムにおける予測モデルの設計決定について検討する。
潜在空間の使用など、しばしば重要と見なされる設計上の決定は、タスクのパフォーマンスにはほとんど影響しないことが分かりました。
我々は,この現象が探索とどのように関係しているか,および標準ベンチマークにおける下位スコーリングモデルのいくつかが,同じトレーニングデータでトレーニングされた場合のベストパフォーマンスモデルと同等の性能を発揮するかを示す。
論文 参考訳(メタデータ) (2020-12-08T18:03:21Z)
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。