論文の概要: An IoT Framework for Building Energy Optimization Using Machine Learning-based MPC
- arxiv url: http://arxiv.org/abs/2408.13294v1
- Date: Fri, 23 Aug 2024 14:38:18 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-27 20:08:51.104800
- Title: An IoT Framework for Building Energy Optimization Using Machine Learning-based MPC
- Title(参考訳): 機械学習に基づくMPCを用いたエネルギー最適化のためのIoTフレームワーク
- Authors: Aryan Morteza, Hosein K. Nazari, Peyman Pahlevani,
- Abstract要約: 本研究では,モノのインターネット(IoT)フレームワークを用いてエアハンドリングユニット(AHU)システムを制御するための,機械学習に基づくモデル予測制御(MPC)アプローチを提案する。
提案フレームワークは,ニューラルネットワーク(ANN)を用いて動的線形熱モデルパラメータをリアルタイムに構築する手法である。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This study proposes a machine learning-based Model Predictive Control (MPC) approach for controlling Air Handling Unit (AHU) systems by employing an Internet of Things (IoT) framework. The proposed framework utilizes an Artificial Neural Network (ANN) to provide dynamic-linear thermal model parameters considering building information and disturbances in real time, thereby facilitating the practical MPC of the AHU system. The proposed framework allows users to establish new setpoints for a closed-loop control system, enabling customization of the thermal environment to meet individual needs with minimal use of the AHU. The experimental results demonstrate the cost benefits of the proposed machine-learning-based MPC-IoT framework, achieving a 57.59\% reduction in electricity consumption compared with a clock-based manual controller while maintaining a high level of user satisfaction. The proposed framework offers remarkable flexibility and effectiveness, even in legacy systems with limited building information, making it a pragmatic and valuable solution for enhancing the energy efficiency and user comfort in pre-existing structures.
- Abstract(参考訳): 本研究では,モノのインターネット(IoT)フレームワークを用いてエアハンドリングユニット(AHU)システムを制御するために,機械学習に基づくモデル予測制御(MPC)アプローチを提案する。
提案フレームワークはニューラルネットワーク(ANN)を用いて,建設情報や乱れを考慮した動的線形熱モデルパラメータをリアルタイムで提供し,AHUシステムの実用的MPCを容易にする。
提案フレームワークでは,AHUを最小限に使用することで,熱環境を個別のニーズに合わせたカスタマイズが可能なクローズドループ制御システムのための新しいセットポイントを確立することができる。
実験結果から,機械学習ベースのMPC-IoTフレームワークのコスト効果を実証し,高いユーザ満足度を維持しつつ,クロックベースの手動制御器と比較して57.59パーセントの消費電力削減を実現した。
提案手法は,建築情報に制限のあるレガシシステムにおいても,優れた柔軟性と有効性を提供し,既存の構造体におけるエネルギー効率とユーザ快適性を高めるための実用的で価値のあるソリューションである。
関連論文リスト
- Reservoir computing for system identification and predictive control with limited data [3.1484174280822845]
我々は、ベンチマーク制御システムの力学を学習し、モデル予測制御(MPC)の代理モデルとして機能するRNN変種の評価を行う。
エコー状態ネットワーク(ESN)は、計算複雑性の低減、より有効な予測時間、MPC目的関数のコスト削減など、競合するアーキテクチャよりも様々な利点がある。
論文 参考訳(メタデータ) (2024-10-23T21:59:07Z) - Empowering IoT Applications with Flexible, Energy-Efficient Remote Management of Low-Power Edge Devices [0.0]
本稿では,低消費電力エッジデバイスにおける個々のマイクロサービスのきめ細かいモニタリングと管理のための新しいアプローチを提案する。
提案手法は,モジュール化技術を活用することにより,IoTエッジデバイスの運用上の柔軟性を実現する。
論文 参考訳(メタデータ) (2024-04-26T10:04:22Z) - Parameter-Adaptive Approximate MPC: Tuning Neural-Network Controllers without Retraining [50.00291020618743]
この研究は、大規模なデータセットを再計算し、再トレーニングすることなくオンラインチューニングが可能な、新しいパラメータ適応型AMPCアーキテクチャを導入している。
資源制約の厳しいマイクロコントローラ(MCU)を用いた2種類の実カートポールシステムの揺らぎを制御し,パラメータ適応型AMPCの有効性を示す。
これらの貢献は、現実世界のシステムにおけるAMPCの実践的応用に向けた重要な一歩である。
論文 参考訳(メタデータ) (2024-04-08T20:02:19Z) - An LLM-Based Digital Twin for Optimizing Human-in-the Loop Systems [13.388869442538399]
本稿では,ショッピングモールにおける多様な集団の行動と熱的嗜好を模倣するために,大規模言語モデル(LLM)を用いたケーススタディを提案する。
集約された熱嗜好は、エージェント・イン・ザ・ループに基づく強化学習アルゴリズムであるAitL-RLに統合される。
以上の結果から,LLMは大規模オープンスペース内での複雑な人口移動をシミュレートできることがわかった。
論文 参考訳(メタデータ) (2024-03-25T14:32:28Z) - Efficient Data-Driven MPC for Demand Response of Commercial Buildings [0.0]
小型商業ビルにおけるエネルギー管理のためのデータ駆動型・混合整数入札戦略を提案する。
屋上ユニットの暖房, 個別制御による空調システムについて検討し, 商業ビルの運転を正確にモデル化する。
当社のアプローチをいくつかの需要応答(DR)設定に適用する。
論文 参考訳(メタデータ) (2024-01-28T20:01:44Z) - TranDRL: A Transformer-Driven Deep Reinforcement Learning Enabled Prescriptive Maintenance Framework [58.474610046294856]
産業システムは、運用効率を高め、ダウンタイムを減らすための信頼性の高い予測保守戦略を要求する。
本稿では,Transformerモデルに基づくニューラルネットワークと深部強化学習(DRL)アルゴリズムの機能を活用し,システムの保守動作を最適化する統合フレームワークを提案する。
論文 参考訳(メタデータ) (2023-09-29T02:27:54Z) - A Dynamic Feedforward Control Strategy for Energy-efficient Building
System Operation [59.56144813928478]
現在の制御戦略と最適化アルゴリズムでは、そのほとんどはリアルタイムフィードバックから情報を受け取ることに依存している。
本稿では,システム制御のためのシステム特性を同時に構築することによる,ダイナミックな事前知識を組み込む,エンジニアフレンドリな制御戦略フレームワークを提案する。
典型的な制御戦略でシステム制御を加熱するケースでテストしたところ、我々のフレームワークは15%の省エネ性を持っていることがわかった。
論文 参考訳(メタデータ) (2023-01-23T09:07:07Z) - Real-time Neural-MPC: Deep Learning Model Predictive Control for
Quadrotors and Agile Robotic Platforms [59.03426963238452]
モデル予測制御パイプライン内の動的モデルとして,大規模で複雑なニューラルネットワークアーキテクチャを効率的に統合するフレームワークであるReal-time Neural MPCを提案する。
ニューラルネットワークを使わずに、最先端のMPCアプローチと比較して、位置追跡誤差を最大82%削減することで、実世界の問題に対する我々のフレームワークの実現可能性を示す。
論文 参考訳(メタデータ) (2022-03-15T09:38:15Z) - 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。