論文の概要: MuFlex: A Scalable, Physics-based Platform for Multi-Building Flexibility Analysis and Coordination

• arxiv url: http://arxiv.org/abs/2508.13532v1
• Date: Tue, 19 Aug 2025 05:44:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-20 15:36:31.809151
• Title: MuFlex: A Scalable, Physics-based Platform for Multi-Building Flexibility Analysis and Coordination
• Title（参考訳）: MuFlex: マルチビルドフレキシビリティ分析とコーディネーションのためのスケーラブルで物理ベースのプラットフォーム
• Authors: Ziyan Wu, Ivan Korolija, Rui Tang,
• Abstract要約: MuFlexはスケーラブルでオープンソースのプラットフォームで、マルチビルドのフレキシビリティ調整のための制御戦略のベンチマークとテストを行う。 プラットフォーム能力は、4つのオフィスビルの需要柔軟性を調整したケーススタディで実証された。
• 参考スコア（独自算出の注目度）: 17.55434238676
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the increasing penetration of renewable generation on the power grid, maintaining system balance requires coordinated demand flexibility from aggregations of buildings. Reinforcement learning (RL) has been widely explored for building controls because of its model-free nature. Open-source simulation testbeds are essential not only for training RL agents but also for fairly benchmarking control strategies. However, most building-sector testbeds target single buildings; multi-building platforms are relatively limited and typically rely on simplified models (e.g., Resistance-Capacitance) or data-driven approaches, which lack the ability to fully capture the physical intricacies and intermediate variables necessary for interpreting control performance. Moreover, these platforms often impose fixed inputs, outputs, and model formats, restricting their applicability as benchmarking tools across diverse control scenarios. To address these gaps, MuFlex, a scalable, open-source platform for benchmarking and testing control strategies for multi-building flexibility coordination, was developed in this study. MuFlex enables synchronous information exchange across EnergyPlus building models and adheres to the latest OpenAI Gym interface, providing a modular, standardized RL implementation. The platform capabilities were demonstrated in a case study coordinating demand flexibility across four office buildings using the Soft Actor-Critic algorithm with carefully fine-tuned hyperparameters. The results show that aggregating the four buildings flexibility reduced total peak demand below a specified threshold while maintaining indoor environmental quality.
• Abstract（参考訳）: 電力網に再生可能エネルギーが浸透するにつれて、システムのバランスを維持するには、建物の集合体からの協調的な需要フレキシビリティが必要である。 強化学習 (Reinforcement Learning, RL) は, モデルなしの性質から, 建築制御のために広く研究されている。 オープンソースのシミュレーションテストベッドは、RLエージェントのトレーニングだけでなく、かなりのベンチマーク制御戦略にも不可欠である。 しかし、ほとんどのビルディングセクターテストベッドは単一の建物をターゲットにしており、マルチビルディングプラットフォームは比較的限定的であり、典型的には単純なモデル(例えば、抵抗容量)やデータ駆動型アプローチに依存しており、制御性能の解釈に必要な物理的複雑さと中間変数を完全にキャプチャする能力に欠ける。 さらに、これらのプラットフォームは固定インプット、アウトプット、モデルフォーマットを強制し、さまざまな制御シナリオにわたるベンチマークツールとしての適用性を制限します。 これらのギャップに対処するため、マルチビルドフレキシビリティ調整のためのベンチマークとテストコントロール戦略のためのスケーラブルなオープンソースプラットフォームであるMuFlexが、本研究で開発された。 MuFlexはEnergyPlusビルディングモデル間の同期情報交換を可能にし、モジュール化された標準化されたRL実装を提供する最新のOpenAI Gymインターフェースに準拠している。 ソフト・アクター・クライブ・アルゴリズムを用いた4つのオフィスビルにおける需要柔軟性の調整に関するケーススタディにおいて, プラットフォーム機能について検討した。 その結果, 建物4棟のフレキシビリティ向上により, 室内環境の質を維持しつつ, 所定の閾値以下での総ピーク需要が減少した。

関連論文リスト

• MLE-Dojo: Interactive Environments for Empowering LLM Agents in Machine Learning Engineering [57.156093929365255]
  自律型大規模言語モデル(LLM)エージェントを体系的に強化し、評価し、改善するためのガイムスタイルのフレームワーク。 MLE-Dojoは、現実的なエンジニアリングシナリオを反映した、多様でオープンなMLEタスクを慎重にキュレートする。 完全に実行可能な環境は、教師付き微調整と強化学習の両方を通して包括的なエージェントトレーニングをサポートする。
  論文  参考訳（メタデータ） (2025-05-12T17:35:43Z)
• Multi-fidelity Reinforcement Learning Control for Complex Dynamical Systems [42.2790464348673]
  複雑なシステムの不安定性を制御するための多要素強化学習フレームワークを提案する。 提案手法が物理学における2つの複雑な力学に与える影響を実証する。
  論文  参考訳（メタデータ） (2025-04-08T00:50:15Z)
• Decentralized Transformers with Centralized Aggregation are Sample-Efficient Multi-Agent World Models [106.94827590977337]
  本稿では,分散化された局所力学を拡張性のために学習するマルチエージェントRL(MARL)の新たな世界モデルを提案する。 また、集中表現アグリゲーションを可能にする効果的なソリューションとしてPerceiver Transformerを導入する。 Starcraft Multi-Agent Challenge (SMAC) の結果は、サンプル効率と全体的な性能の両方において、強力なモデルフリーアプローチと既存のモデルベース手法よりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-06-22T12:40:03Z)
• 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)
• BEAR: Physics-Principled Building Environment for Control and Reinforcement Learning [9.66911049633598]
  BEARは制御強化学習のための物理を基礎とした建築環境である。 研究者はモデルベースとモデルフリーの両方のコントローラを、外部ビルディングシミュレータを併用することなく、Pythonの標準ビルディングモデルの広範なコレクションを使用してベンチマークすることができる。 モデル予測制御(MPC)と2つのケーススタディを持つ最先端RL法の両方を含む,異なるコントローラによるBEARの互換性と性能を実証する。
  論文  参考訳（メタデータ） (2022-11-27T06:36:35Z)
• Efficient Split-Mix Federated Learning for On-Demand and In-Situ Customization [107.72786199113183]
  フェデレートラーニング(FL)は、複数の参加者が生データを共有せずに学習をコラボレーションするための分散ラーニングフレームワークを提供する。 本稿では, モデルサイズとロバスト性をその場でカスタマイズできる, 不均一な参加者のための新しいスプリット・ミクス・FL戦略を提案する。
  論文  参考訳（メタデータ） (2022-03-18T04:58:34Z)
• Edge-assisted Democratized Learning Towards Federated Analytics [67.44078999945722]
  本稿では,エッジ支援型民主化学習機構であるEdge-DemLearnの階層的学習構造を示す。 また、Edge-DemLearnを柔軟なモデルトレーニングメカニズムとして検証し、リージョンに分散制御と集約の方法論を構築する。
  論文  参考訳（メタデータ） (2020-12-01T11:46:03Z)
• Imposing Robust Structured Control Constraint on Reinforcement Learning of Linear Quadratic Regulator [0.0]
  本稿では,分散学習制御の手法を編み出した汎用構造の設計について述べる。 方法論の開発には、強化学習(RL)と制御理論による十分な安定性と性能保証を併用した考え方を用いる。 6エージェントのマルチエージェントネットワーク上でのシミュレーションによる理論的結果の検証を行った。
  論文  参考訳（メタデータ） (2020-11-12T00:31:39Z)
• Learning Discrete Energy-based Models via Auxiliary-variable Local Exploration [130.89746032163106]
  離散構造データに対する条件付きおよび非条件付きEMMを学習するための新しいアルゴリズムであるALOEを提案する。 エネルギー関数とサンプリング器は、新しい変分型電力繰り返しにより効率よく訓練できることを示す。 本稿では、ソフトウェアテストのためのエネルギーモデルガイド付ファジィザについて、libfuzzerのようなよく設計されたファジィエンジンに匹敵する性能を実現する。
  論文  参考訳（メタデータ） (2020-11-10T19:31:29Z)
• Integrating Distributed Architectures in Highly Modular RL Libraries [4.297070083645049]
  ほとんどの人気のある強化学習ライブラリは、高度にモジュール化されたエージェントの構成性を主張している。 本稿では、RLエージェントを独立した再利用可能なコンポーネントによって異なるスケールで定義できる汎用的アプローチを提案する。
  論文  参考訳（メタデータ） (2020-07-06T10:22:07Z)

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。