論文の概要: Deadline-Aware, Energy-Efficient Control of Domestic Immersion Hot Water Heaters

• arxiv url: http://arxiv.org/abs/2601.18123v1
• Date: Mon, 26 Jan 2026 04:09:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-27 15:23:08.670515
• Title: Deadline-Aware, Energy-Efficient Control of Domestic Immersion Hot Water Heaters
• Title（参考訳）: 家庭内浸漬給湯器のデッドライン対応・省エネ制御
• Authors: Muhammad Ibrahim Khan, Bivin Pradeep, James Brusey,
• Abstract要約: 本研究では,エネルギー消費を最小化しつつ,所定時間で目標温度に達することを目的とした期限対応制御について検討する。 メソッドには、時間最適化バンバンベースライン、ゼロショットモンテカルロツリー探索プランナー、およびポリシー最適化ポリシーが含まれる。 我々は、同じ物理力学下でのワット時間における総エネルギー消費を報告する。
• 参考スコア（独自算出の注目度）: 0.688204255655161
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Typical domestic immersion water heater systems are often operated continuously during winter, heating quickly rather than efficiently and ignoring predictable demand windows and ambient losses. We study deadline-aware control, where the aim is to reach a target temperature at a specified time while minimising energy consumption. We introduce an efficient Gymnasium environment that models an immersion hot water heater with first-order thermal losses and discrete on and off actions of 0 W and 6000 W applied every 120 seconds. Methods include a time-optimal bang-bang baseline, a zero-shot Monte Carlo Tree Search planner, and a Proximal Policy Optimisation policy. We report total energy consumption in watt-hours under identical physical dynamics. Across sweeps of initial temperature from 10 to 30 degrees Celsius, deadline from 30 to 90 steps, and target temperature from 40 to 80 degrees Celsius, PPO achieves the most energy-efficient performance at a 60-step horizon of 2 hours, using 3.23 kilowatt-hours, compared to 4.37 to 10.45 kilowatt-hours for bang-bang control and 4.18 to 6.46 kilowatt-hours for MCTS. This corresponds to energy savings of 26 percent at 30 steps and 69 percent at 90 steps. In a representative trajectory with a 50 kg water mass, 20 degrees Celsius ambient temperature, and a 60 degrees Celsius target, PPO consumes 54 percent less energy than bang-bang control and 33 percent less than MCTS. These results show that learned deadline-aware control reduces energy consumption under identical physical assumptions, while planners provide partial savings without training and learned policies offer near-zero inference cost once trained.
• Abstract（参考訳）: 典型的な家庭用浸漬給湯器は冬の間に連続して作動し、効率的に暖房し、予測可能な需要窓や周囲の損失を無視する。 本研究では,エネルギー消費を最小化しつつ,所定時間で目標温度に達することを目的とした期限対応制御について検討する。 我々は,120秒毎に印加された0Wと6000Wの1次熱損失と離散的なオン・オフ作用を有する浸漬熱湯ヒーターをモデル化した効率的な体温環境を提案する。 メソッドには、タイムオプティマルバンバンベースライン、ゼロショットのモンテカルロツリー探索プランナー、およびプロキシポリシー最適化ポリシーが含まれる。 我々は、同じ物理力学下でのワット時間における総エネルギー消費を報告する。 100°Cから300°C、300°Cから900°C、目標温度を400°Cから800°Cまで、PPOは3.23kWh、バンバンコントロールでは4.37kWhから10.45kWh、MCTSでは4.18kWhから6.46kWhという60ステップの地平線で、最もエネルギー効率の良い性能を達成している。 これは30ステップで26%、90ステップで66%のエネルギー節約に相当する。 摂氏50kg、摂氏20度、摂氏60度を目標とする代表的な軌道では、PPOはバンバンコントロールよりも54%少ないエネルギーを消費し、MCTSより33%低いエネルギーを消費する。 これらの結果から,学習した期限対応制御は,同一の物理的仮定の下でのエネルギー消費を低減し,プランナーはトレーニングなしで部分的な貯蓄を行い,学習方針は一度トレーニングされたほぼゼロの推論コストを提供することがわかった。

関連論文リスト

• Green MLOps: Closed-Loop, Energy-Aware Inference with NVIDIA Triton, FastAPI, and Bio-Inspired Thresholding [0.0]
  バイオインスパイアされたフレームワークは、タンパク質の折りたたみエネルギー盆地をコストの展望にマッピングする。 電力対エネルギーのトレードオフが望ましい場合にのみ、要求が認められます。 結果は、バイオ物理エネルギーモデルとグリーンMLORTOpsを結びつけ、生産におけるクローズドループエネルギー認識推論の実践的で監査可能な基礎を提供する。
  論文  参考訳（メタデータ） (2026-01-06T15:50:11Z)
• Optimized scheduling of electricity-heat cooperative system considering wind energy consumption and peak shaving and valley filling [13.358105013418566]
  本研究では,改良されたDual-Delay Deep Deterministic Policy Gradient (PVTD3)アルゴリズムに基づくインテリジェントスケジューリング手法を提案する。 グリッド電力購入変動に対するペナルティ項を導入することにより,システム最適化を実現する。 提案アルゴリズムは, 経済効率とグリッド安定性に優れるだけでなく, エネルギー貯蔵装置管理において, 持続可能なスケジューリング能力も優れている。
  論文  参考訳（メタデータ） (2025-11-19T09:10:02Z)
• Energy Use of AI Inference: Efficiency Pathways and Test-Time Compute [4.8312457834136175]
  非生産推定と仮定はエネルギー使用量を4-20倍に超過することができる。 モデル,サービスプラットフォーム,ハードウェアレベルでの達成可能な効率向上の定量化を行う。 10億のクエリを毎日0.8GWhと見積もる。
  論文  参考訳（メタデータ） (2025-09-24T15:32:01Z)
• Energy-Aware Dynamic Neural Inference [39.04688735618206]
  エネルギーハーベスターと有限容量エネルギーストレージを備えたオンデバイス適応型推論システムを提案する。 環境エネルギーの速度が増加するにつれて、エネルギー・信頼性を考慮した制御方式は精度を約5%向上させることが示されている。 我々は、信頼性を意識し、認識できないコントローラを理論的に保証する原則的なポリシーを導出する。
  論文  参考訳（メタデータ） (2024-11-04T16:51:22Z)
• Achieving Energetic Superiority Through System-Level Quantum Circuit Simulation [38.413545516612025]
  量子計算スーパーオリティは、高速な計算と高エネルギー効率を誇っている。 我々は,グローバル,ノード,デバイスレベルでの最適化を利用して,テンソルネットワークにおける前例のないスケーラビリティを実現する,画期的な大規模システム技術を提案する。 我々はエネルギー消費2.39kWhの14.22秒の解法を達成し、0.002の忠実度を達成し、最も顕著な結果は17.18秒の解法である。
  論文  参考訳（メタデータ） (2024-06-30T17:14:59Z)
• Intelligent Duty Cycling Management and Wake-up for Energy Harvesting IoT Networks with Correlated Activity [43.00680041385538]
  本稿では,IoTデバイスが動作を維持するためのエネルギー回収能力に完全に依存する,エネルギーニュートラルなモノのインターネット(IoT)シナリオに対するアプローチを提案する。 我々は,IoTDの動作状態と伝送状態を表現するためにマルコフチェーン,エネルギー回収過程をモデル化する変調ポアソンプロセス,電池状態をモデル化する離散時間マルコフチェーンを使用する。 我々は、エネルギー効率と検出精度のトレードオフを打つことを目的とした、K近傍の近隣住民を対象としたデューティサイクル管理を提案する。
  論文  参考訳（メタデータ） (2024-05-10T10:16:27Z)
• MARTINI: Smart Meter Driven Estimation of HVAC Schedules and Energy Savings Based on WiFi Sensing and Clustering [0.0]
  建設パラメータに制限されない省エネ対策から省エネポテンシャルを推定するスケーラブルな手法を提案する。 本研究では、Wi-Fi由来の占有プロファイルをクラスタリングしてスケジュールを推定し、典型的な/測定負荷プロファイルで観測される昇降時間とセットバック時間をシフトすることで省エネする。 ケーススタディでは,7ヶ月以上の5つの建物で平均8.1%-10.8% (夏季) と0.2%-5.9% (降水) の省エネ効果が得られた。
  論文  参考訳（メタデータ） (2021-10-17T21:41:33Z)
• Enforcing Policy Feasibility Constraints through Differentiable Projection for Energy Optimization [57.88118988775461]
  本稿では,ニューラルポリシー内での凸操作制約を強制するために,PROF(Projected Feasibility)を提案する。 エネルギー効率の高い建築操作とインバータ制御の2つの応用についてPROFを実証する。
  論文  参考訳（メタデータ） (2021-05-19T01:58:10Z)
• Bayesian model of electrical heating disaggregation [68.8204255655161]
  スマートメーターの採用は、ヨーロッパのスマートエネルギーへの移行における大きなマイルストーンである。 フランスの住宅セクターは電力消費の35%$approx$35%、電気暖房による世帯の40%$approx$40%(INSEE)である。 Linkyの展開するスマートメーターの数は2021年に3500万に達する見込みだ。
  論文  参考訳（メタデータ） (2020-11-11T10:05:15Z)
• 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。