論文の概要: Real-World Data and Calibrated Simulation Suite for Offline Training of Reinforcement Learning Agents to Optimize Energy and Emission in Buildings for Environmental Sustainability

• arxiv url: http://arxiv.org/abs/2410.03756v1
• Date: Wed, 2 Oct 2024 06:30:07 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-02 16:40:48.946196
• Title: Real-World Data and Calibrated Simulation Suite for Offline Training of Reinforcement Learning Agents to Optimize Energy and Emission in Buildings for Environmental Sustainability
• Title（参考訳）: 環境保全のための建物におけるエネルギー・エミッション最適化のための強化学習エージェントのオフライン研修のための実世界データと校正シミュレーションスイート
• Authors: Judah Goldfeder, John Sipple,
• Abstract要約: 本稿では,実オフィスビルにおけるデバイスの実測から抽出した,オープンソースの対話型HVAC制御データセットについて紹介する。 使いやすくするために、私たちのRL環境は、すべてOpenAIのジム環境標準と互換性があります。
• 参考スコア（独自算出の注目度）: 2.7624021966289605
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Commercial office buildings contribute 17 percent of Carbon Emissions in the US, according to the US Energy Information Administration (EIA), and improving their efficiency will reduce their environmental burden and operating cost. A major contributor of energy consumption in these buildings are the Heating, Ventilation, and Air Conditioning (HVAC) devices. HVAC devices form a complex and interconnected thermodynamic system with the building and outside weather conditions, and current setpoint control policies are not fully optimized for minimizing energy use and carbon emission. Given a suitable training environment, a Reinforcement Learning (RL) agent is able to improve upon these policies, but training such a model, especially in a way that scales to thousands of buildings, presents many practical challenges. Most existing work on applying RL to this important task either makes use of proprietary data, or focuses on expensive and proprietary simulations that may not be grounded in the real world. We present the Smart Buildings Control Suite, the first open source interactive HVAC control dataset extracted from live sensor measurements of devices in real office buildings. The dataset consists of two components: six years of real-world historical data from three buildings, for offline RL, and a lightweight interactive simulator for each of these buildings, calibrated using the historical data, for online and model-based RL. For ease of use, our RL environments are all compatible with the OpenAI gym environment standard. We also demonstrate a novel method of calibrating the simulator, as well as baseline results on training an RL agent on the simulator, predicting real-world data, and training an RL agent directly from data. We believe this benchmark will accelerate progress and collaboration on building optimization and environmental sustainability research.
• Abstract（参考訳）: 米国エネルギー情報局(EIA)によると、商業用オフィスビルは米国の二酸化炭素排出量の17%を占めており、その効率を改善して環境負荷と運用コストを削減している。 これらの建物におけるエネルギー消費の主な貢献は、暖房、換気、空調(HVAC)装置である。 HVACデバイスはビルや外部の気象条件と複雑で相互接続した熱力学システムを形成しており、現在のセグポイント制御ポリシーはエネルギー使用量や二酸化炭素排出量を最小限に抑えるために完全に最適化されていない。 適切なトレーニング環境が与えられると、強化学習(RL)エージェントはこれらのポリシーを改善することができるが、そのようなモデル、特に数千の建物にスケールする方法で訓練することは、多くの実践的な課題を提示している。 この重要なタスクにRLを適用するための既存の作業は、プロプライエタリなデータを利用するか、あるいは現実世界にない高価なプロプライエタリなシミュレーションに焦点を当てている。 本稿では,実際のオフィスビルにおけるデバイスのライブセンサ計測から抽出した,初のオープンソースのインタラクティブなHVAC制御データセットであるSmart Buildings Control Suiteを紹介する。 データセットは、オフラインのRLのための3つの建物からの6年間の実世界の歴史的データと、オンラインとモデルベースのRLのための履歴データを使用して調整された各建物のための軽量なインタラクティブシミュレータの2つのコンポーネントで構成されている。 使いやすくするために、私たちのRL環境は、すべてOpenAIのジム環境標準と互換性があります。 また,シミュレータの校正方法,シミュレータ上でのRLエージェントのトレーニング,実世界のデータの予測,データから直接RLエージェントのトレーニングのベースライン結果を示す。 このベンチマークは、建築最適化と環境サステナビリティ研究の進展と協力を加速するものと考えています。

関連論文リスト

• EnergyPlus Room Simulator [0.34263545581620375]
  本研究では, 室内環境シミュレーションを行うEnergyPlus Room Simulatorについて述べる。 室内モデルを変更し、温度、湿度、CO2濃度などの様々な要因をシミュレートすることができる。 このツールは、シミュレーションデータへの高速なアクセスを容易にすることで、部屋レベルでの占有検知などの科学的、建築関連のタスクを支援することを目的としている。
  論文  参考訳（メタデータ） (2024-10-25T07:57:23Z)
• 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 Lightweight Calibrated Simulation Enabling Efficient Offline Learning for Optimal Control of Real Buildings [3.2634122554914002]
  強化学習モデルを学習するためのシミュレーションに基づく新しい手法を提案する。 当社のオープンソースシミュレーターは軽量で、ビルからのテレメトリによってキャリブレーションされ、より高い忠実度に到達しています。 このアプローチは多くの建物に拡張可能な実世界のRL制御システムを実現するための重要なステップである。
  論文  参考訳（メタデータ） (2023-10-12T17:56:23Z)
• Exploring Deep Reinforcement Learning for Holistic Smart Building Control [3.463438487417909]
  我々はOCTOPUSと呼ばれるシステムを開発し、データ駆動方式を用いてすべての建物のサブシステムの最適制御シーケンスを探索する。 OCTOPUSは、LEEDゴールド認定ビルにおける最先端のルールベースの手法と比較して14.26%と8.1%の省エネを達成できる。
  論文  参考訳（メタデータ） (2023-01-27T03:03:21Z)
• ClimaX: A foundation model for weather and climate [51.208269971019504]
  ClimaXは気象と気候科学のディープラーニングモデルである。 気候データセットの自己教師型学習目標で事前トレーニングすることができる。 気候や気候の様々な問題に対処するために、微調整が可能である。
  論文  参考訳（メタデータ） (2023-01-24T23:19:01Z)
• 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)
• BEAR: Physics-Principled Building Environment for Control and Reinforcement Learning [9.66911049633598]
  BEARは制御強化学習のための物理を基礎とした建築環境である。 研究者はモデルベースとモデルフリーの両方のコントローラを、外部ビルディングシミュレータを併用することなく、Pythonの標準ビルディングモデルの広範なコレクションを使用してベンチマークすることができる。 モデル予測制御(MPC)と2つのケーススタディを持つ最先端RL法の両方を含む,異なるコントローラによるBEARの互換性と性能を実証する。
  論文  参考訳（メタデータ） (2022-11-27T06:36:35Z)
• 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)
• Using Machine Learning at Scale in HPC Simulations with SmartSim: An Application to Ocean Climate Modeling [52.77024349608834]
  We demonstrate the first climate-scale, numerical ocean Simulations improve through distributed, online inference of Deep Neural Networks (DNN) using SmartSim。 SmartSimは、従来のHPCシミュレーションのためのオンライン分析と機械学習(ML)を可能にするためのライブラリです。
  論文  参考訳（メタデータ） (2021-04-13T19:27:28Z)
• 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。