論文の概要: HVAC-DPT: A Decision Pretrained Transformer for HVAC Control
- arxiv url: http://arxiv.org/abs/2411.19746v1
- Date: Fri, 29 Nov 2024 14:46:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-02 15:21:25.500590
- Title: HVAC-DPT: A Decision Pretrained Transformer for HVAC Control
- Title(参考訳): HVAC-DPT: HVAC制御のための決定事前学習変換器
- Authors: Anaïs Berkes,
- Abstract要約: 建設事業は世界のエネルギーの約40%を消費し、暖房、換気、空調が最大50%を占める。
既存のコントロール戦略には一般化が欠如しており、広範なトレーニングとデータが必要である。
本稿では,テキスト内強化学習を用いた決定予測変換器HVAC-DPTを提案する。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: Building operations consume approximately 40% of global energy, with Heating, Ventilation, and Air Conditioning (HVAC) systems responsible for up to 50% of this consumption. As HVAC energy demands are expected to rise, optimising system efficiency is crucial for reducing future energy use and mitigating climate change. Existing control strategies lack generalisation and require extensive training and data, limiting their rapid deployment across diverse buildings. This paper introduces HVAC-DPT, a Decision-Pretrained Transformer using in-context Reinforcement Learning (RL) for multi-zone HVAC control. HVAC-DPT frames HVAC control as a sequential prediction task, training a causal transformer on interaction histories generated by diverse RL agents. This approach enables HVAC-DPT to refine its policy in-context, without modifying network parameters, allowing for deployment across different buildings without the need for additional training or data collection. HVAC-DPT reduces energy consumption in unseen buildings by 45% compared to the baseline controller, offering a scalable and effective approach to mitigating the increasing environmental impact of HVAC systems.
- Abstract(参考訳): 建設事業は世界のエネルギーの約40%を消費し、この消費の最大50%を暖房、換気、空調(HVAC)が担っている。
HVACのエネルギー需要が増加すると予想されるため、将来のエネルギー消費削減と気候変動の緩和にシステム効率の最適化が不可欠である。
既存の制御戦略には一般化が欠如しており、幅広い訓練とデータを必要としており、様々な建物にまたがる迅速な配備を制限している。
本稿では,マルチゾーンHVAC制御のためのインコンテキスト強化学習(RL)を用いた決定予測変換器であるHVAC-DPTを紹介する。
HVAC-DPTは、HVAC制御を逐次予測タスクとし、多様なRLエージェントによって生成された相互作用履歴に基づいて因果変換器を訓練する。
このアプローチにより、HVAC-DPTは、ネットワークパラメータを変更することなく、コンテキスト内でポリシーを洗練できる。
HVAC-DPTは、ベースラインコントローラと比較して、見えない建物のエネルギー消費量を45%削減し、HVACシステムの環境への影響を緩和するためのスケーラブルで効果的なアプローチを提供する。
関連論文リスト
- Employing Federated Learning for Training Autonomous HVAC Systems [3.4137115855910767]
ビルは世界のエネルギー消費の40%を占めている。
スマートでエネルギー効率のよいHVACシステムを実装することは、気候変動の進行に大きな影響を与える可能性がある。
モデルなし強化学習アルゴリズムは、エネルギーコストと消費、および熱的快適性において古典的なコントローラよりも優れていることが示されている。
論文 参考訳(メタデータ) (2024-05-01T08:42:22Z) - An experimental evaluation of Deep Reinforcement Learning algorithms for HVAC control [40.71019623757305]
近年の研究では、Deep Reinforcement Learning (DRL)アルゴリズムが従来のリアクティブコントローラより優れていることが示されている。
本稿では,HVAC制御のためのいくつかの最先端DRLアルゴリズムについて,批判的かつ再現可能な評価を行う。
論文 参考訳(メタデータ) (2024-01-11T08:40:26Z) - 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) - Laxity-Aware Scalable Reinforcement Learning for HVAC Control [2.0625936401496237]
我々は,各操作要求の緊急レベルを定量化するために,遅延の概念を活用することにより,モデリングと制御における次元問題の呪いに取り組む。
本研究では,多くのHVACシステムに対する2段階のエネルギー最適化手法を提案する。
論文 参考訳(メタデータ) (2023-06-29T01:28:14Z) - Energy Optimization for HVAC Systems in Multi-VAV Open Offices: A Deep
Reinforcement Learning Approach [4.323740171581589]
HVACシステムは商業部門の総エネルギーコストの約40%を占めている。
オープンプランオフィスのHVACエネルギー最適化のためのマルチインプットマルチアウトプットアーキテクチャを用いた低複雑さDRLモデルを提案する。
論文 参考訳(メタデータ) (2023-06-23T07:27:31Z) - 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) - Distributed Multi-Agent Deep Reinforcement Learning Framework for
Whole-building HVAC Control [1.796271361142275]
商業ビルにおける総電力消費量の約40%-50%は、暖房・換気・空調システムによるものと推定されている。
本稿では,Energy Plusシミュレーション環境に基づく多エージェント分散深部強化学習(DRL)フレームワークを提案する。
DRLを用いて、エネルギー消費の75%以上を節約できる。
論文 参考訳(メタデータ) (2021-10-26T07:29:16Z) - Investigating Underlying Drivers of Variability in Residential Energy
Usage Patterns with Daily Load Shape Clustering of Smart Meter Data [53.51471969978107]
スマートメータの大規模展開は、日々の負荷パターンの分散を探求する研究の動機となっている。
本稿では,電力消費パターンが変動性を示すメカニズムを明らかにすることを目的とした。
論文 参考訳(メタデータ) (2021-02-16T16:56:27Z) - 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。