論文の概要: The Smart Buildings Control Suite: A Diverse Open Source Benchmark to Evaluate and Scale HVAC Control Policies for Sustainability

• arxiv url: http://arxiv.org/abs/2410.03756v2
• Date: Fri, 31 Jan 2025 14:29:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-03 14:00:07.699592
• Title: The Smart Buildings Control Suite: A Diverse Open Source Benchmark to Evaluate and Scale HVAC Control Policies for Sustainability
• Title（参考訳）: Smart Buildings Control Suite: 持続可能なHVACコントロールポリシーの評価とスケールのためのオープンソースベンチマーク
• Authors: Judah Goldfeder, Victoria Dean, Zixin Jiang, Xuezheng Wang, Bing dong, Hod Lipson, John Sipple,
• Abstract要約: 商業ビルは米国の二酸化炭素排出量の17%を占めている。 モデル予測制御と強化学習は制御ポリシーの最適化に使われており、数千の建物へのスケーリングは未解決の課題である。 We present the Smart Buildings Control Suite, a first open source interactive HVAC control benchmark。
• 参考スコア（独自算出の注目度）: 7.963101539809386
• License:
• Abstract: Commercial buildings account for 17% of U.S. carbon emissions, with roughly half of that from Heating, Ventilation, and Air Conditioning (HVAC). HVAC devices form a complex thermodynamic system, and while Model Predictive Control and Reinforcement Learning have been used to optimize control policies, scaling to thousands of buildings remains a significant unsolved challenge. Most current algorithms are over-optimized for specific buildings and rely on proprietary data or hard-to-configure simulations. We present the Smart Buildings Control Suite, the first open source interactive HVAC control benchmark with a focus on solutions that scale. It consists of 3 components: real-world telemetric data extracted from 11 buildings over 6 years, a lightweight data-driven simulator for each building, and a modular Physically Informed Neural Network (PINN) building model as a simulator alternative. The buildings span a variety of climates, management systems, and sizes, and both the simulator and PINN easily scale to new buildings, ensuring solutions using this benchmark are robust to these factors and only reliant on fully scalable building models. This represents a major step towards scaling HVAC optimization from the lab to buildings everywhere. To facilitate use, our benchmark is compatible with the Gym standard, and our data is part of TensorFlow Datasets.
• Abstract（参考訳）: 商業ビルは米国の二酸化炭素排出量の17%を占めており、その約半分は暖房、換気、空調(HVAC)である。 HVACデバイスは複雑な熱力学系を形成し、モデル予測制御と強化学習は制御ポリシーの最適化に使用されているが、数千の建物へのスケーリングは未解決の課題である。 現在のアルゴリズムの多くは、特定の建物に対して過度に最適化されており、プロプライエタリなデータや構成の難しいシミュレーションに依存している。 私たちはSmart Buildings Control Suiteを紹介します。これはオープンソースのインタラクティブなHVACコントロールベンチマークで、スケールするソリューションにフォーカスしています。 6年間にわたって11の建物から抽出された実世界のテレメトリックデータ、各建物のための軽量なデータ駆動シミュレータ、シミュレーターの代替となるモジュラー物理情報ニューラルネットワーク(PINN)ビルディングモデルからなる。 ビルは様々な気候、管理システム、規模にまたがっており、シミュレーターとPINNはどちらも新しい建物に容易にスケールできるため、このベンチマークを用いたソリューションはこれらの要因に対して堅牢であり、完全にスケーラブルな建物モデルにのみ依存する。 これは、HVAC最適化をラボから至るところの建物に拡大するための大きなステップである。 使用を容易にするため、ベンチマークはGym標準と互換性があり、データはTensorFlow Datasetsの一部です。

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。