文献

J-GLOBAL ID：202002261192112392   整理番号：20A2500889

深層強化学習に基づくHVACの需要応答戦略に関する研究【JST・京大機械翻訳】

Research on Demand Response Strategy of HVAC Based on Deep Reinforcement Learning

著者 (5件)： Nan Yan (Shanghai University of Electric Power,Shanghai,China,200082) ,  Chenggang Cui (Shanghai University of Electric Power,Shanghai,China,200082) ,  Xiaotong Li (Shanghai University of Electric Power,Shanghai,China,200082) ,  Jing Chen (Shanghai University of Electric Power,Shanghai,China,200082) ,  Peifeng Xi (Shanghai Key Laboratory of Smart Grid Demand Response)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： ICPRE  ページ： 456-460  発行年： 2020年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 暖房,換気,空調(HVAC)システムのかなりの”HVAC負荷”のため,HVACは需要応答資源として電力需要応答問題に導入できる。正確なモデリングの困難さのために,モデルフリーの深い強化学習(DRL)に基づくHVACのための最適化戦略を,本論文で提案した。複雑な状態観測を考慮して,深い決定論的政策勾配(DDPG)を選択し,数学モデルを必要としない需要応答問題を解決した。最初に,HVAC環境モデルを確立し,制約方程式を定義した。第二に,HVACの需要応答をMarkov決定プロセス(MDP)として記述した。適切な状態動作,制御信号と報酬機能を設計して,最適化プロセスを加速した。最後に,DRLベースの最適化戦略の実現可能性を検証するために,シミュレーションおよび負荷低減ポテンシャル解析を,それぞれ予冷,グローバル温度制御戦略および統合制御戦略のシナリオの下で導入した。結果は,DDPG法の制御の下で,HVACシステムがより良い需要応答特性を示すことを示す。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 温度制御 ,  最適化 ,  応答特性 ,  換気 ,  空気調和 ,  集中制御 ,  数学モデル ,  環境モデル ,  予冷 ,  制御信号 ,  *HVAC ,  *強化学習
準シソーラス用語： 決定論 ,  HVACシステム ,  *需要応答 , 【Automatic Indexing@JST】

分類 (3件)： 図形・画像処理一般  (JE04010I) ,  医用画像処理  (JE04020T) ,  NMR一般  (BM07041R)

タイトルに関連する用語 (5件)： 深層強化学習 ,  HVAC ,  需要応答 ,  戦略 ,  研究