論文の概要: Partially stochastic deep learning with uncertainty quantification for model predictive heating control

• arxiv url: http://arxiv.org/abs/2504.03350v3
• Date: Thu, 16 Oct 2025 12:35:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-17 18:56:32.480851
• 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: モデル予測制御(MPC)は、予測モデルを用いて建物が学習した熱挙動に基づいて加熱を最適化することで、欠点に対処する。 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使用し、堅牢性と解釈可能性の精度を犠牲にする。 本研究では,建物固有の室内温度モデリングのための深層学習アーキテクチャLSTM+BNNを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Making the control of building heating systems more energy efficient is crucial for reducing global energy consumption and greenhouse gas emissions. Traditional rule-based control methods use a static, outdoor temperature-dependent heating curve to regulate heat input. This open-loop approach fails to account for both the current state of the system (indoor temperature) and free heat gains, such as solar radiation, often resulting in poor thermal comfort and overheating. Model Predictive Control (MPC) addresses these drawbacks by using predictive modeling to optimize heating based on a building's learned thermal behavior, current system state, and weather forecasts. However, current industrial MPC solutions often employ simplified physics-inspired indoor temperature models, sacrificing accuracy for robustness and interpretability. While purely data-driven models offer superior predictive performance and therefore more accurate control, they face challenges such as a lack of transparency. To bridge this gap, we propose a partially stochastic deep learning (DL) architecture, dubbed LSTM+BNN, for building-specific indoor temperature modeling. Unlike most studies that evaluate model performance through simulations or limited test buildings, our experiments across a comprehensive dataset of 100 real-world buildings, under various weather conditions, demonstrate that LSTM+BNN outperforms an industry-proven reference model, reducing the average prediction error measured as RMSE by more than 40% for the 48-hour prediction horizon of interest. Unlike deterministic DL approaches, LSTM+BNN offers a critical advantage by enabling pre-assessment of model competency for control optimization through uncertainty quantification. Thus, the proposed model shows significant potential to improve thermal comfort and energy efficiency achieved with heating MPC solutions.
• Abstract（参考訳）: ビルの暖房システムのエネルギー効率を向上させることは、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。 従来の規則に基づく制御方法は、熱入力を制御するために、静的で屋外の温度依存の加熱曲線を使用する。 このオープンループのアプローチは、システムの現在の状態(室内温度)と太陽放射のような自由熱利得の両方を考慮することができず、しばしば熱の快適さや過熱をもたらす。 モデル予測制御(MPC)は、建物が学習した熱挙動、現在のシステム状態、気象予報に基づいて加熱を最適化するために予測モデルを用いてこれらの欠点に対処する。 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。 純粋にデータ駆動モデルは優れた予測性能を提供し、従ってより正確な制御を提供するが、透明性の欠如のような課題に直面している。 このギャップを埋めるため,建物固有の室内温度モデリングのためのLSTM+BNNと呼ばれる部分確率的深層学習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、LSTM+BNNは、様々な気象条件下で100の現実世界の建物を網羅した実験を行い、業界が実現した基準モデルよりも優れており、48時間予測の地平線において平均予測誤差が40%以上減少することを示した。 決定論的DLアプローチとは異なり、LSTM+BNNは不確実量化による制御最適化のためのモデル能力の事前評価を可能にすることで、重要な利点を提供する。 したがって, 提案モデルでは, MPC溶液の加熱により熱快適性とエネルギー効率が向上する可能性が示唆された。

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。