論文の概要: ReeM: Ensemble Building Thermodynamics Model for Efficient HVAC Control via Hierarchical Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2505.02439v1
• Date: Mon, 05 May 2025 08:09:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-06 18:49:35.594648
• Title: ReeM: Ensemble Building Thermodynamics Model for Efficient HVAC Control via Hierarchical Reinforcement Learning
• Title（参考訳）: ReeM:階層的強化学習による効率的なHVAC制御のための構築熱力学モデル
• Authors: Yang Deng, Yaohui Liu, Rui Liang, Dafang Zhao, Donghua Xie, Ittetsu Taniguchi, Dan Wang,
• Abstract要約: 熱力学モデルの構築は、潜在的HVAC制御操作下でのリアルタイム屋内温度変化を予測する。 これらのモデルは、しばしば広範囲なデータ収集期間を必要とし、専門家の知識に大きく依存し、モデリングプロセスを非効率にし、モデルの再利用可能性を制限する。 本稿では,既存のモデルを用いたモデルアンサンブルの視点について検討する。
• 参考スコア（独自算出の注目度）: 8.266185862232225
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The building thermodynamics model, which predicts real-time indoor temperature changes under potential HVAC (Heating, Ventilation, and Air Conditioning) control operations, is crucial for optimizing HVAC control in buildings. While pioneering studies have attempted to develop such models for various building environments, these models often require extensive data collection periods and rely heavily on expert knowledge, making the modeling process inefficient and limiting the reusability of the models. This paper explores a model ensemble perspective that utilizes existing developed models as base models to serve a target building environment, thereby providing accurate predictions while reducing the associated efforts. Given that building data streams are non-stationary and the number of base models may increase, we propose a Hierarchical Reinforcement Learning (HRL) approach to dynamically select and weight the base models. Our approach employs a two-tiered decision-making process: the high-level focuses on model selection, while the low-level determines the weights of the selected models. We thoroughly evaluate the proposed approach through offline experiments and an on-site case study, and the experimental results demonstrate the effectiveness of our method.
• Abstract（参考訳）: HVAC(Heating, Ventilation, Air Conditioning)制御下での室内温度変化をリアルタイムに予測するビル熱力学モデルは,建物内におけるHVAC制御の最適化に不可欠である。 先駆的な研究は、様々な建築環境向けにそのようなモデルを開発しようとしてきたが、これらのモデルは、広範囲なデータ収集期間を必要とし、専門家の知識に大きく依存することが多く、モデリングプロセスは非効率的であり、モデルの再利用性を制限する。 本稿では,既存のモデルを用いたモデルアンサンブルの視点をベースモデルとして,対象の建築環境に役立てることにより,関連する作業の削減を図りながら正確な予測を行う。 データストリームの構築は非定常であり、ベースモデルの数が増加する可能性があることを考慮し、階層強化学習(HRL)アプローチを提案し、ベースモデルの動的選択と重み付けを行う。 提案手法では,モデル選択を高レベルが重視し,選択したモデルの重みを低レベルが決定する。 オフライン実験とオンサイトケーススタディを通じて提案手法を徹底的に評価し,本手法の有効性を実証した。

関連論文リスト

• On conditional diffusion models for PDE simulations [53.01911265639582]
  スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。 本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。 また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2024-10-21T18:31:04Z)
• 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)
• Deep encoder-decoder hierarchical convolutional neural networks for conjugate heat transfer surrogate modeling [0.0]
  共役熱伝達(CHT)解析は多くのエネルギー系の設計に不可欠である。 高忠実CHT数値シミュレーションは計算集約的である。 我々は,CHT解析のためのモジュール型ディープエンコーダ・デコーダ階層型畳み込みニューラルネットワーク(DeepEDH)を開発した。
  論文  参考訳（メタデータ） (2023-11-24T21:45:11Z)
• Data-driven HVAC Control Using Symbolic Regression: Design and Implementation [0.0]
  本研究では,データ駆動加熱・換気・空調制御の設計と実装手法を提案する。 熱力学の構築は、収集されたデータから構築されたシンボリック回帰モデル(SRM)を用いてモデル化される。 提案フレームワークは、広く使われているサーモスタットコントローラと比較してピーク電力を16.1%削減する。
  論文  参考訳（メタデータ） (2023-04-06T13:57:50Z)
• Benchmarking Model Predictive Control Algorithms in Building Optimization Testing Framework (BOPTEST) [40.17692290400862]
  物理に基づく建築エミュレータのためのデータ駆動モデリングおよび制御フレームワークを提案する。 a)モデル評価を加速し、コスト効率の良い勾配を提供し、モデル予測制御(MPC)における後退地平線に対する良好な予測精度を維持する、微分可能な代理モデルのオフライントレーニング。 ビルディング最適化テストフレームワーク(BOPTEST)で利用可能な様々なテストケースに対して、複数のサロゲートモデルと最適化フレームワークを用いて、モデリングと制御性能を広範囲に評価する。
  論文  参考訳（メタデータ） (2023-01-31T06:55:19Z)
• Minimal Value-Equivalent Partial Models for Scalable and Robust Planning in Lifelong Reinforcement Learning [56.50123642237106]
  モデルに基づく強化学習における一般的な実践は、エージェントの環境のあらゆる側面をモデル化するモデルを学ぶことである。 このようなモデルは、生涯にわたる強化学習シナリオにおいて、スケーラブルで堅牢な計画を実行するのに特に適していない、と我々は主張する。 我々は,「最小値部分モデル」と呼ぶ,環境の関連する側面のみをモデル化する新しい種類のモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-24T16:40:01Z)
• When to Update Your Model: Constrained Model-based Reinforcement Learning [50.74369835934703]
  モデルベースRL(MBRL)の非遅延性能保証のための新規で一般的な理論スキームを提案する。 続いて導いた境界は、モデルシフトとパフォーマンス改善の関係を明らかにします。 さらなる例では、動的に変化する探索からの学習モデルが、最終的なリターンの恩恵をもたらすことが示されている。
  論文  参考訳（メタデータ） (2022-10-15T17:57:43Z)
• Semi-analytical Industrial Cooling System Model for Reinforcement Learning [4.272330410469061]
  多物理シミュレーションに解析解を埋め込んだハイブリッド産業用冷却システムモデルを提案する。 モデルの忠実度は,大規模冷却システムによる実世界のデータに対して評価される。
  論文  参考訳（メタデータ） (2022-07-26T18:19:17Z)
• Your Autoregressive Generative Model Can be Better If You Treat It as an Energy-Based One [83.5162421521224]
  本稿では,自己回帰生成モデルの学習のための独自のE-ARM法を提案する。 E-ARMは、よく設計されたエネルギーベースの学習目標を活用する。 我々は、E-ARMを効率的に訓練でき、露光バイアス問題を緩和できることを示した。
  論文  参考訳（メタデータ） (2022-06-26T10:58:41Z)
• Generative Modeling for Atmospheric Convection [13.104272504735052]
  変分オートエンコーダ(VAE)の設計と実装により、小規模の嵐を安価に再現する生成モデルの可能性を探る。 VAEは、地球にまたがる6*106サンプルに対して、高分解能の垂直速度場の構造再現、次元縮小、クラスタリングを行う。 対流の空間構造を再構築し、対流組織体制の教師なしクラスタリングを行い、異常な嵐活動を特定する。
  論文  参考訳（メタデータ） (2020-07-03T00:24:09Z)

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。