論文の概要: Partially stochastic deep learning with uncertainty quantification for model predictive heating control
- arxiv url: http://arxiv.org/abs/2504.03350v2
- Date: Mon, 18 Aug 2025 09:32:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-19 14:49:09.895399
- Title: Partially stochastic deep learning with uncertainty quantification for model predictive heating control
- Title（参考訳）: モデル予測加熱制御のための不確実性定量化を伴う部分確率的深層学習
- Authors: Emma Hannula, Arttu Häkkinen, Antti Solonen, Felipe Uribe, Jana de Wiljes, Lassi Roininen,
- Abstract要約: 建物固有の室内温度モデリングのための部分深層学習(DL)アーキテクチャを提案する。
DLアーキテクチャは、MPC溶液の加熱における熱的快適性とエネルギー効率を向上させる重要な可能性を示している。
この研究は、特に様々な気象条件下での熱的挙動に関する包括的なデータセットを持つ建物において、MPCの加熱を前進させる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Improving the energy efficiency of building heating systems is crucial for reducing global energy consumption and greenhouse gas emissions. Traditional control methods rely on static heating curves that are based solely on outdoor temperature, neglecting system state measurements, such as indoor temperature, and free heat sources, such as solar gain. A more effective strategy is model predictive control (MPC), which optimizes heating control by incorporating system state predictions based on weather forecasts, among other factors. However, current industrial MPC solutions often employ simplified physics-inspired indoor temperature models, sacrificing accuracy for robustness and interpretability. To bridge this gap, we propose a partially stochastic deep learning (DL) architecture for building-specific indoor temperature modeling. Unlike most studies that evaluate model performance through simulations or limited test buildings, our experiments across a large dataset of 100 real-world buildings, covering various heating season conditions, demonstrate that the proposed model outperforms a widely used industrial physics-based model in predictive accuracy. The proposed DL architecture shows significant potential to improve thermal comfort and energy efficiency in heating MPC solutions. Although its computational cost is higher than that of the reference model, we discuss why this trade-off is manageable, even in large-scale applications. Unlike deterministic black-box approaches, the partially stochastic DL model offers a critical advantage by enabling pre-assessment of model feasibility through predictive uncertainty quantification. This work advances heating MPC, particularly for buildings with comprehensive datasets on their thermal behavior under various weather conditions.
- Abstract（参考訳）: 建物暖房システムのエネルギー効率の向上は, 地球温暖化や温室効果ガス排出量の削減に不可欠である。
従来の制御方法は、屋外温度のみに基づく静的な加熱曲線、室内温度のようなシステム状態の測定を無視すること、太陽の利得のような自由熱源に依存する。
より効果的な戦略はモデル予測制御(MPC)であり、天気予報に基づくシステム状態予測を取り入れることで、暖房制御を最適化する。
しかし、現在の産業用MPCソリューションは、物理にインスパイアされた簡易な室内温度モデルを採用し、堅牢性と解釈可能性の精度を犠牲にしている。
このギャップを埋めるために,建物固有の室内温度モデリングのための部分確率的深層学習(DL)アーキテクチャを提案する。
シミュレーションや限定的な試験建物によるモデル性能を評価するほとんどの研究とは異なり、実世界の100の建物を対象とした実験は、様々な暖房季節条件をカバーし、提案モデルが予測精度で広く使われている産業物理モデルよりも優れていることを示した。
提案するDLアーキテクチャは,MPC溶液の加熱における熱的快適性とエネルギー効率を向上させる重要な可能性を示す。
計算コストは参照モデルよりも高いが,大規模アプリケーションにおいても,このトレードオフが管理可能である理由を論じる。
決定論的ブラックボックスアプローチとは異なり、部分的に確率的なDLモデルは、予測不確実性定量化によるモデル実現可能性の事前評価を可能にすることで、重要な利点を提供する。
この研究は、特に様々な気象条件下での熱的挙動に関する包括的なデータセットを持つ建物において、MPCの加熱を前進させる。
関連論文リスト
- Physics-constrained generative machine learning-based high-resolution downscaling of Greenland's surface mass balance and surface temperature [44.99833362998488]
グリーンランド氷床の表面質量収支(SMB)と表面温度の高分解能投射は将来の海面上昇を理解するのに不可欠である。
本稿では、低分解能SMBおよび表面温度場をダウンスケールする一貫性モデル(CM)に基づく、物理制約付き生成モデリングフレームワークを提案する。
提案手法は,高速推論による氷床シミュレーションのために,現実的で高解像度な気候強制を実現する。
論文 参考訳（メタデータ） (2025-07-30T08:43:48Z) - Deployment of ARX Models for Thermal Forecasting in Power Electronics Boards Using WBG Semiconductors [37.69303106863453]
ARXパラメトリックモデルは、成分の厚さの相違や物質物性の詳細な理解なしに正確な温度予測を提供する。
これらのモデルは、FEMシミュレーションや従来の熱モデルに代わる信頼性の高い代替品として出現する。
論文 参考訳（メタデータ） (2024-11-25T14:01:17Z) - COME: Test-time adaption by Conservatively Minimizing Entropy [45.689829178140634]
保守的に最小化されるエントロピー (COME) は従来のエントロピー (EM) の代替品である
COMEはモデル予測よりもディリクレ事前分布を特徴付けることによって、不確実性を明示的にモデル化する。
我々はCOMEが一般的なベンチマークで最先端のパフォーマンスを達成することを示す。
論文 参考訳（メタデータ） (2024-10-12T09:20:06Z) - Predicting Solar Heat Production to Optimize Renewable Energy Usage [0.0]
本稿では、機械学習を用いて、熱生産を予測するモデルを自動的に構築し、継続的に適用するアプローチを提案する。
本稿では,ソリューションの予測精度について実証実験を行い,これらの結果がエンド・ツー・エンドシステムに与える影響について考察する。
論文 参考訳（メタデータ） (2024-05-16T10:32:39Z) - Improving Building Temperature Forecasting: A Data-driven Approach with
System Scenario Clustering [3.2114754609864695]
暖房、換気、空調のシステムは、建築セクターにおけるエネルギー使用量の約40%を消費する。
大規模HVACシステム管理では,各サブシステムに対して詳細なモデルを構築することは困難である。
k平均クラスタリング法に基づく新しいデータ駆動室温予測モデルを提案する。
論文 参考訳（メタデータ） (2024-02-21T09:04:45Z) - Weather Prediction with Diffusion Guided by Realistic Forecast Processes [49.07556359513563]
気象予報に拡散モデル(DM)を適用した新しい手法を提案する。
提案手法は,同一のモデリングフレームワークを用いて,直接予測と反復予測の両方を実現できる。
我々のモデルの柔軟性と制御性は、一般の気象コミュニティにとってより信頼性の高いDLシステムに力を与えます。
論文 参考訳（メタデータ） (2024-02-06T21:28:42Z) - ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。
また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。
提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
論文 参考訳（メタデータ） (2024-02-02T10:34:13Z) - 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) - DECODE: Data-driven Energy Consumption Prediction leveraging Historical
Data and Environmental Factors in Buildings [1.2891210250935148]
本稿では,建築エネルギー消費の予測を目的としたLong Short-Term Memory (LSTM)モデルを提案する。
LSTMモデルは、住宅や商業ビルの正確な短時間、中長期のエネルギー予測を提供する。
これは例外的な予測精度を示し、R2スコアは0.97で、平均絶対誤差(MAE)は0.007である。
論文 参考訳（メタデータ） (2023-09-06T11:02:53Z) - Interpreting Machine Learning Models for Room Temperature Prediction in
Non-domestic Buildings [0.0]
本研究では,非住宅の室温予測を目的とした解釈可能な機械学習モデルを提案する。
提案モデルでは, 室温をリアルタイムで8時間前に正確に予測できることを実験的に実証した。
論文 参考訳（メタデータ） (2021-11-23T11:16:35Z) - 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。