論文の概要: BuildingGym: An open-source toolbox for AI-based building energy management using reinforcement learning

• arxiv url: http://arxiv.org/abs/2509.11922v1
• Date: Mon, 15 Sep 2025 13:37:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-16 17:26:23.314486
• Title: BuildingGym: An open-source toolbox for AI-based building energy management using reinforcement learning
• Title（参考訳）: BuildingGym:強化学習を用いたAIベースの建設エネルギー管理のためのオープンソースのツールボックス
• Authors: Xilei Dai, Ruotian Chen, Songze Guan, Wen-Tai Li, Chau Yuen,
• Abstract要約: BuildingGymは、エネルギー管理を構築する上で共通の課題に対して、RLコントロール戦略をトレーニングするためのフレームワークである。 BuildingGymはEnergyPlusをコアシミュレータとして統合し、システムレベルの制御とルームレベルの制御の両方に適合する。 このツールは、コントロール戦略トレーニングのためのいくつかの組み込みRLアルゴリズムを提供し、マネージャが最適なコントロール戦略を得るためのプロセスを簡単にする。
• 参考スコア（独自算出の注目度）: 39.90950200001865
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Reinforcement learning (RL) has proven effective for AI-based building energy management. However, there is a lack of flexible framework to implement RL across various control problems in building energy management. To address this gap, we propose BuildingGym, an open-source tool designed as a research-friendly and flexible framework for training RL control strategies for common challenges in building energy management. BuildingGym integrates EnergyPlus as its core simulator, making it suitable for both system-level and room-level control. Additionally, BuildingGym is able to accept external signals as control inputs instead of taking the building as a stand-alone entity. This feature makes BuildingGym applicable for more flexible environments, e.g. smart grid and EVs community. The tool provides several built-in RL algorithms for control strategy training, simplifying the process for building managers to obtain optimal control strategies. Users can achieve this by following a few straightforward steps to configure BuildingGym for optimization control for common problems in the building energy management field. Moreover, AI specialists can easily implement and test state-of-the-art control algorithms within the platform. BuildingGym bridges the gap between building managers and AI specialists by allowing for the easy configuration and replacement of RL algorithms, simulators, and control environments or problems. With BuildingGym, we efficiently set up training tasks for cooling load management, targeting both constant and dynamic cooling load management. The built-in algorithms demonstrated strong performance across both tasks, highlighting the effectiveness of BuildingGym in optimizing cooling strategies.
• Abstract（参考訳）: 強化学習(RL)はAIベースのエネルギー管理に有効であることが証明されている。 しかし、エネルギー管理を構築する際には、様々な制御問題にまたがってRLを実装するための柔軟なフレームワークが欠如している。 このギャップに対処するために,エネルギー管理における共通課題に対するRL制御戦略をトレーニングするための,研究フレンドリで柔軟なフレームワークとして設計されたオープンソースツールであるBuildingGymを提案する。 BuildingGymはEnergyPlusをコアシミュレータとして統合し、システムレベルの制御とルームレベルの制御の両方に適合する。 さらに、BuildingGymは、ビルをスタンドアロンのエンティティとして扱うのではなく、コントロール入力として外部信号を受け入れることができる。 この機能により、BuildingGymはより柔軟な環境、例えばスマートグリッドとEVコミュニティに適用できる。 このツールは、コントロール戦略トレーニングのためのいくつかの組み込みRLアルゴリズムを提供し、マネージャが最適なコントロール戦略を得るためのプロセスを簡単にする。 ユーザは、ビルのエネルギー管理分野における一般的な問題に対する最適化制御のためにBuildingGymを設定するためのいくつかの簡単な手順に従うことで、これを実現できる。 さらに、AIスペシャリストはプラットフォーム内で最先端の制御アルゴリズムを簡単に実装およびテストすることができる。 BuildingGymは、RLアルゴリズムやシミュレータ、制御環境や問題を簡単に設定および置き換えできるようにすることで、ビルマネージャとAIスペシャリストのギャップを埋める。 BuildingGymでは,一定の冷却負荷管理と動的冷却負荷管理の両方を対象として,冷却負荷管理のためのトレーニングタスクを効率的に設定する。 ビルトインアルゴリズムは両方のタスクで強力なパフォーマンスを示し、冷却戦略の最適化におけるBuildingGymの有効性を強調した。

関連論文リスト

• Multi-Agent Architecture in Distributed Environment Control Systems: vision, challenges, and opportunities [50.38638300332429]
  データセンターにおける空冷式シラーシステムの分散制御のためのマルチエージェントアーキテクチャを提案する。 私たちのビジョンでは、自律エージェントを使用して、ローカルな運用パラメータを監視し、規制し、システム全体の効率を最適化します。
  論文  参考訳（メタデータ） (2025-02-21T18:41:03Z)
• Generalising Battery Control in Net-Zero Buildings via Personalised Federated RL [5.195669033269619]
  本研究は,協調的・プライバシ保護フレームワークによる建築用マイクログリッドの最適エネルギー管理の課題について考察する。 我々は、分散エネルギー資源を管理するために、異なる協調的な設定で2つの共通RLアルゴリズム(PPOとTRPO)を評価する。 弊社のアプローチは、エネルギーコストと二酸化炭素排出量の削減と、プライバシーの確保に重点を置いている。
  論文  参考訳（メタデータ） (2024-12-30T13:38:31Z)
• Active Reinforcement Learning for Robust Building Control [0.0]
  強化学習(Reinforcement Learning, RL)は、Atariゲーム、Goのゲーム、ロボット制御、ビルド最適化で大きな成功を収めた、最適な制御のための強力なツールである。 教師なし環境設計 (UED) は, エージェントが特別に選抜された環境において, 学習を支援するための訓練を行う, この問題に対する解決策として提案されている。 この結果から,ActivePLRはエネルギー使用量を最小限に抑えつつ,建物制御の際の快適さを最大化しながら,最先端のUEDアルゴリズムより優れた性能を発揮できることが示唆された。
  論文  参考訳（メタデータ） (2023-12-16T02:18:45Z)
• A Distributed ADMM-based Deep Learning Approach for Thermal Control in Multi-Zone Buildings under Demand Response Events [1.1126342180866646]
  本研究では,ADMMを用いた分散最適化と深層学習モデルを組み合わせて室内温度設定点を効果的に計画する。 上層に中央建物コーディネータ、熱ゾーン層にローカルコントローラを備えた2層階層構造を用いる。 提案するアルゴリズムはDistributed Planning Networksと呼ばれ、様々なタイプの建物に適応可能かつスケーラブルに設計されている。
  論文  参考訳（メタデータ） (2023-12-08T14:46:50Z)
• 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)
• Low Emission Building Control with Zero-Shot Reinforcement Learning [70.70479436076238]
  強化学習(RL)による制御は、建築エネルギー効率を著しく向上させることが示されている。 我々は、ゼロショットビルディング制御と呼ばれるパラダイムを優先せずに、排出削減ポリシーを得られることを示す。
  論文  参考訳（メタデータ） (2022-08-12T17:13:25Z)
• Improving Robustness of Reinforcement Learning for Power System Control with Adversarial Training [71.7750435554693]
  電力系統制御のために提案された最先端のRLエージェントが敵攻撃に対して脆弱であることを示す。 具体的には、敵のマルコフ決定プロセスを用いて攻撃方針を学習し、攻撃の有効性を実証する。 本稿では,RLエージェントの攻撃に対する堅牢性を高め,実行不可能な運用上の決定を回避するために,敵の訓練を利用することを提案する。
  論文  参考訳（メタデータ） (2021-10-18T00:50:34Z)
• 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。