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
- D5RL: Diverse Datasets for Data-Driven Deep Reinforcement Learning [99.33607114541861]
ロボット操作と移動環境の現実的なシミュレーションに焦点を当てたオフラインRLのための新しいベンチマークを提案する。
提案するベンチマークでは、状態ベースドメインと画像ベースドメインを対象とし、オフラインRLとオンライン微調整評価の両方をサポートしている。
論文 参考訳（メタデータ） (2024-08-15T22:27:00Z) - 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) - Hybrid Reinforcement Learning for Optimizing Pump Sustainability in
Real-World Water Distribution Networks [55.591662978280894]
本稿では,実世界の配水ネットワーク(WDN)のリアルタイム制御を強化するために,ポンプスケジューリング最適化問題に対処する。
我々の主な目的は、エネルギー消費と運用コストを削減しつつ、物理的な運用上の制約を遵守することである。
進化に基づくアルゴリズムや遺伝的アルゴリズムのような伝統的な最適化手法は、収束保証の欠如によってしばしば不足する。
論文 参考訳（メタデータ） (2023-10-13T21:26:16Z) - 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) - MERLIN: Multi-agent offline and transfer learning for occupant-centric
energy flexible operation of grid-interactive communities using smart meter
data and CityLearn [0.0]
ビルの脱炭は, 送電網の信頼性に新たな課題をもたらす。
我々は,MERLINフレームワークを提案し,CityLearnの現実的なグリッド・インタラクティブな住宅コミュニティのデジタルツインを利用する。
電池の独立型RL制御器は、個々の建物に対するポリシーを調整することによって、基準よりも建物や地区レベルが向上することを示す。
論文 参考訳（メタデータ） (2022-12-31T21:37:14Z) - 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) - A Framework for Energy and Carbon Footprint Analysis of Distributed and
Federated Edge Learning [48.63610479916003]
本稿では,分散学習政策の環境フットプリントに影響を与える要因を概説し,分析する。
バニラとコンセンサスによって駆動される分散FLポリシーの両方をモデル化する。
その結果、flは低ビット/ジュール効率を特徴とするワイヤレスシステムにおいて、顕著なエンドツーエンドの省エネ(30%-40%)が可能となった。
論文 参考訳（メタデータ） (2021-03-18T16:04:42Z) - AI Chiller: An Open IoT Cloud Based Machine Learning Framework for the
Energy Saving of Building HVAC System via Big Data Analytics on the Fusion of
BMS and Environmental Data [12.681421165031576]
建物における省エネルギーと二酸化炭素排出量削減は気候変動対策の鍵となる手段の一つである。
シラーシステムの電力消費の最適化は、機械工学と建築サービス領域で広く研究されてきた。
ビッグデータとAIの進歩により、最適化問題への機械学習の採用が人気を集めている。
論文 参考訳（メタデータ） (2020-10-09T09:51:03Z) - 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。