論文の概要: End-to-End Learning-based Operation of Integrated Energy Systems for Buildings and Data Centers

• arxiv url: http://arxiv.org/abs/2604.14184v1
• Date: Tue, 31 Mar 2026 12:57:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-19 19:09:11.706611
• Title: End-to-End Learning-based Operation of Integrated Energy Systems for Buildings and Data Centers
• Title（参考訳）: エンド・ツー・エンド学習によるビル・データセンター統合エネルギーシステムの運用
• Authors: Zhenyu Pu, Yu Yang, Liang Yu, Xiaohong Guan,
• Abstract要約: 本稿では,建物とデータセンターの協調多エネルギー供給のための統合エネルギーシステム(IES)について検討する。 不確実性下でのIESの運用最適化にエンド・ツー・エンドの学習に基づく手法を提案する。 ケーススタディでは,既存の予測テーマ最適化手法と比較して,IESの運用性能を約7～9%向上することが示された。
• 参考スコア（独自算出の注目度）: 19.662418818327545
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Buildings and data centers (DCs) are energy-intensive sectors, playing a critical role to achieve the low-carbon and sustainable energy transition targets. To this end, integrated energy system (IES) that incorporates diverse renewables, energy generation, conversion, and storage technologies to enable coordinated multi-energy supply have been widely investigated for both buildings and DCs. However, few works consider the two sectors jointly within IES to exploit their substantial synergistic benefits. Meanwhile, the operational optimization of IES remains challenging due to the difficulty to predict the multi-energy demand and supply accurately. To address these gaps, this paper investigates IES for coordinated multi-energy supply of buildings and DC, where the waste heat from DCs is recovered and reused to enhance energy efficiency. Moreover, an end-to-end learning-based method is proposed for the operational optimization of IES under uncertainty. Unlike conventional predict-then-optimize approaches, the proposed method integrates the training of prediction models for uncertain variables with the constrained optimization of IES into a unified learning framework, guiding the training of prediction models to improve operational performance, rather than prediction accuracy, thereby mitigating the impacts of predictions errors. Case studies based on real-world datasets show that the proposed methods improves the operational performance of IES by about 7-9% compared to existing predict-then-optimize methods. In addition, coordinating buildings and DCs within IES shows substantial economic benefits. In particular, the waste heat recovery from DCs leads to approximately 10% of total energy cost reduction of the IES.
• Abstract（参考訳）: 建物とデータセンター(DC)はエネルギー集約的な部門であり、低炭素で持続可能なエネルギー移行目標を達成する上で重要な役割を担っている。 この目的のために, 多様な再生可能エネルギー, エネルギー生成, 変換, 貯蔵技術を組み合わせた統合型エネルギーシステム (IES) が, 建物と直流の両方で広く研究されている。 しかし、この2つのセクターがIESの実質的な相乗効果を活用できると考える研究はほとんどない。 一方、多エネルギー需要と供給の正確な予測が難しいため、IESの運用最適化は依然として困難である。 これらのギャップに対処するため, 直流からの排熱を回収・再利用し, エネルギー効率を高めるため, 建物と直流の協調多エネルギー供給のIESについて検討した。 さらに,不確実性下でのIESの運用最適化のために,エンドツーエンドの学習に基づく手法を提案する。 従来の予測列最適化手法とは異なり、提案手法は不確定変数に対する予測モデルのトレーニングとIESの制約付き最適化を統合学習フレームワークに統合し、予測精度よりも操作性能を向上させるための予測モデルのトレーニングを誘導し、予測誤差の影響を軽減する。 実世界のデータセットに基づくケーススタディでは,提案手法は既存の予測テーマ最適化手法と比較して,IESの運用性能を約7～9%向上することが示された。 さらに、IES内の建物や直流の調整は、経済的に大きな利益をもたらしている。 特に、直流からの廃熱回収は、IESの総エネルギーコストの約10%の削減につながる。

関連論文リスト

• On Electric Vehicle Energy Demand Forecasting and the Effect of Federated Learning [1.2599533416395765]
  電気自動車供給機器(EVSE)のエネルギー需給予測は、効率的なエネルギー管理と持続可能性を確保する上で最も重要な作業の1つである。 ユーティリティプロバイダは、エネルギー/電力需要を予測し、リソース割り当てを最適化し、グリッド信頼性を改善するための積極的な対策を実行することができる。 プライバシーやサステナビリティに関する懸念や制限が高まるにつれ、トレーニングデータの断片化がますます進んでいる。
  論文  参考訳（メタデータ） (2026-02-24T11:21:45Z)
• Joint Resource Management for Energy-efficient UAV-assisted SWIPT-MEC: A Deep Reinforcement Learning Approach [50.52139512096988]
  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)
• Explainable AI for building energy retrofitting under data scarcity [40.14307808809578]
  本研究では,人工知能(AI)と機械学習(ML)を基盤として,住宅のエネルギー効率対策を推奨する枠組みを提案する。 ラトビアをケーススタディとして、この方法論は限られたデータセット、クラス不均衡、データ不足に関連する課題に対処する。 このアプローチの評価は、データ制限を顕著に克服し、精度、リコール、F1スコアの最大54%の改善を実現していることを示している。
  論文  参考訳（メタデータ） (2025-04-08T14:00:08Z)
• Synergistic Development of Perovskite Memristors and Algorithms for Robust Analog Computing [53.77822620185878]
  本稿では,ペロブスカイト・メムリスタの製作を同時に最適化し,ロバストなアナログDNNを開発するための相乗的手法を提案する。 BO誘導ノイズインジェクションを利用したトレーニング戦略であるBayesMultiを開発した。 我々の統合されたアプローチは、より深くより広いネットワークでのアナログコンピューティングの使用を可能にし、最大100倍の改善を実現します。
  論文  参考訳（メタデータ） (2024-12-03T19:20:08Z)
• TranDRL: A Transformer-Driven Deep Reinforcement Learning Enabled Prescriptive Maintenance Framework [58.474610046294856]
  産業システムは、運用効率を高め、ダウンタイムを減らすための信頼性の高い予測保守戦略を要求する。 本稿では,Transformerモデルに基づくニューラルネットワークと深部強化学習(DRL)アルゴリズムの機能を活用し,システムの保守動作を最適化する統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-29T02:27:54Z)
• 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)
• Predict+Optimize Problem in Renewable Energy Scheduling [31.032838966665828]
  本稿では IEEE-CIS Technical Challenge on Predict+ for Renewable Energy Scheduling のソリューションをベンチマークする。 光GBMアンサンブルを用いた最適化手法は、少なくとも2%のエネルギーコスト削減を実現した。 この研究の新規性は、現実の再生可能エネルギースケジューリング問題に適用される予測+方法論の包括的評価にある。
  論文  参考訳（メタデータ） (2022-12-21T02:34:12Z)
• Optimal Planning of Hybrid Energy Storage Systems using Curtailed Renewable Energy through Deep Reinforcement Learning [0.0]
  エネルギー貯蔵システム(ESS)を計画するためのポリシーに基づくアルゴリズムを用いた高度な深層強化学習手法を提案する。 定量的性能比較の結果、DRLエージェントはシナリオベース最適化(SO)アルゴリズムよりも優れていた。 その結果、DRLエージェントは人間の専門家が行うように学習し、提案手法の信頼性が示唆された。
  論文  参考訳（メタデータ） (2022-12-12T02:24:50Z)
• Digital Twins based Day-ahead Integrated Energy System Scheduling under Load and Renewable Energy Uncertainties [14.946548030861866]
  統合エネルギーシステム(IES)のデジタルツイン(DT)は、様々なエネルギー変換器間の調整を改善することができる。 ケーススタディでは,提案手法によりIESの運用コストを63.5%削減できることが示された。
  論文  参考訳（メタデータ） (2021-09-29T13:58:01Z)

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。