論文の概要: Human-in-the-Loop AI for HVAC Management Enhancing Comfort and Energy Efficiency

• arxiv url: http://arxiv.org/abs/2505.05796v1
• Date: Fri, 09 May 2025 05:23:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-12 20:40:10.159739
• Title: Human-in-the-Loop AI for HVAC Management Enhancing Comfort and Energy Efficiency
• Title（参考訳）: 快適さとエネルギー効率を高めるHVAC管理のためのロボットAI
• Authors: Xinyu Liang, Frits de Nijs, Buser Say, Hao Wang,
• Abstract要約: HVACの性能を最適化するHuman-in-the-Loop(HITL)人工知能フレームワークを提案する。 生活水準や快適度に関する事前定義された情報を必要とする従来のシステムとは異なり、我々のアプローチは進行中のユーザ入力に基づいて学習し、適応する。 占有予測モデルと強化学習を統合することにより、運用効率を改善し、電力市場のダイナミクスに合わせてエネルギーコストを削減できる。
• 参考スコア（独自算出の注目度）: 10.01352946835079
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Heating, Ventilation, and Air Conditioning (HVAC) systems account for approximately 38% of building energy consumption globally, making them one of the most energy-intensive services. The increasing emphasis on energy efficiency and sustainability, combined with the need for enhanced occupant comfort, presents a significant challenge for traditional HVAC systems. These systems often fail to dynamically adjust to real-time changes in electricity market rates or individual comfort preferences, leading to increased energy costs and reduced comfort. In response, we propose a Human-in-the-Loop (HITL) Artificial Intelligence framework that optimizes HVAC performance by incorporating real-time user feedback and responding to fluctuating electricity prices. Unlike conventional systems that require predefined information about occupancy or comfort levels, our approach learns and adapts based on ongoing user input. By integrating the occupancy prediction model with reinforcement learning, the system improves operational efficiency and reduces energy costs in line with electricity market dynamics, thereby contributing to demand response initiatives. Through simulations, we demonstrate that our method achieves significant cost reductions compared to baseline approaches while maintaining or enhancing occupant comfort. This feedback-driven approach ensures personalized comfort control without the need for predefined settings, offering a scalable solution that balances individual preferences with economic and environmental goals.
• Abstract（参考訳）: 暖房、換気、空気調和システム(HVAC)は、世界中のエネルギー消費の約38%を占めており、最もエネルギー集約的なサービスの一つである。 エネルギー効率と持続可能性の重視が増大し、占領者の快適性の向上の必要性と相まって、従来のHVACシステムにとって大きな課題となっている。 これらのシステムは、しばしば、電気市場レートのリアルタイムな変化や個々の快適な好みに動的に適応できず、エネルギーコストの増大と快適さの低下につながる。 本研究では,HVACの性能を最適化するHuman-in-the-Loop(HITL)人工知能フレームワークを提案する。 生活水準や快適度に関する事前定義された情報を必要とする従来のシステムとは異なり、我々のアプローチは進行中のユーザ入力に基づいて学習し、適応する。 人口予測モデルを強化学習と統合することにより、運用効率を改善し、電力市場のダイナミクスに合わせてエネルギーコストを削減し、需要対応のイニシアチブに寄与する。 シミュレーションにより, 本手法は, 利用者の快適さを維持しながら, ベースラインアプローチと比較して, 大幅なコスト削減を実現することを示した。 このフィードバック駆動型アプローチは、事前に定義された設定を必要とせずにパーソナライズされた快適なコントロールを保証し、個人の好みと経済的および環境的な目標とのバランスをとるスケーラブルなソリューションを提供する。

関連論文リスト

• Joint Resource Management for Energy-efficient UAV-assisted SWIPT-MEC: A Deep Reinforcement Learning Approach [49.75068823009836]
  6G Internet of Things (IoT)ネットワークは、地上インフラストラクチャが利用できない遠隔地や災害シナリオにおいて、課題に直面している。 本稿では、指向性アンテナにより強化された新しい無人航空機(UAV)支援コンピューティングシステムを提案する。
  論文  参考訳（メタデータ） (2025-05-06T06:46:19Z)
• HVAC-DPT: A Decision Pretrained Transformer for HVAC Control [0.0]
  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。
  論文  参考訳（メタデータ） (2024-11-29T14:46:37Z)
• 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)
• 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)
• Sustainable AIGC Workload Scheduling of Geo-Distributed Data Centers: A Multi-Agent Reinforcement Learning Approach [48.18355658448509]
  生成的人工知能の最近の進歩は、機械学習トレーニングの需要が急増し、エネルギー消費の大幅な増加によるコスト負担と環境問題を引き起こしている。 地理的に分散したクラウドデータセンタ間でのトレーニングジョブのスケジューリングは、安価で低炭素エネルギーのコンピューティング能力の使用を最適化する機会を浮き彫りにする。 本研究では,実生活におけるワークロードパターン,エネルギー価格,炭素強度を組み込んだクラウドシステムと対話することで,マルチエージェント強化学習とアクタクリティカルな手法に基づく最適協調スケジューリング戦略の学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-04-17T02:12:30Z)
• Federated Reinforcement Learning for Real-Time Electric Vehicle Charging and Discharging Control [42.17503767317918]
  本稿では、動的環境下で異なるEVユーザに対して最適なEV充電/放電制御戦略を開発する。 多様なユーザの行動や動的環境に適合する水平連合強化学習法(HFRL)を提案する。 シミュレーションの結果,提案したリアルタイムEV充電/放電制御戦略は,様々な要因において良好に機能することが示された。
  論文  参考訳（メタデータ） (2022-10-04T08:22:46Z)
• Multi-Agent Deep Reinforcement Learning for HVAC Control in Commercial Buildings [38.326533494236266]
  商業ビルでは、総電力の約40%-50%が暖房、換気、空調システムによるものである。 本稿では, ゾーンの占有, 熱的快適さ, 室内空気質の快適さをともなう動的価格の下で, マルチゾーンビルにおけるHVACシステムのエネルギーコストを最小化することを目的としている。
  論文  参考訳（メタデータ） (2020-06-25T03:41:42Z)
• 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。