文献

J-GLOBAL ID：202202218926785319   整理番号：22A1181382

建築物エネルギー管理のための最適制御技術の比較【JST・京大機械翻訳】

Comparison of Optimal Control Techniques for Building Energy Management

著者 (7件)： Arroyo Javier (1Department of Mechanical Engineering, KU Leuven, Leuven, Belgium) ,  Arroyo Javier (2EnergyVille, Genk, Belgium) ,  Arroyo Javier (3Flemish Institute for Technological Research (VITO), Mol, Belgium) ,  Spiessens Fred (2EnergyVille, Genk, Belgium) ,  Spiessens Fred (3Flemish Institute for Technological Research (VITO), Mol, Belgium) ,  Helsen Lieve (1Department of Mechanical Engineering, KU Leuven, Leuven, Belgium) ,  Helsen Lieve (2EnergyVille, Genk, Belgium)
資料名： Frontiers in Built Environment (Web)  (Frontiers in Built Environment (Web))
巻： 8  ページ： 849754  発行年： 2022年 
JST資料番号： U7060A  ISSN： 2297-3362  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 最適制御装置は,予測と不確実性を考慮することにより,建物のエネルギー効率を高めることができる。この実践は,建築物内のエネルギーシステムのより良い利用により,省エネルギーをもたらす。先進最適制御装置の利点がいくつかの研究およびいくつかの実証事例で実証されているが,建築環境におけるこれらの技術の採用は,いくらか限られている。主な理由の一つは,これらの新しい制御アルゴリズムが個別に評価され続けることである。これは,建築部門で広く最適制御を展開するための最良の実践の同定を妨げる。本論文は,建築物エネルギー管理のための同じ最適制御問題におけるモデル予測制御(MPC),強化学習(RL),および強化モデル予測制御(RL-MPC)の変化を実行し,比較する。特に,制御ステップ,予測水平,状態行動空間,学習アルゴリズム,または価値関数のネットワークアーキテクチャのような制御装置のハイパーパラメータの変動を研究した。建物最適化試験(BOPTEST)フレームワークをシミュレーションベンチマークとして用いて,標準化試験シナリオを提供した。結果は,以前の文献で述べられているとは逆に,現実的なシステムダイナミックスを有する建物環境においてテストされたとき,モデルフリーのRLアプローチがあまり実行されないことを明らかにした。モデルが利用可能で,シミュレーションベースのRLが実装できる場合でも,MPCは最適制御問題の等価定式化に対してRLより優れている。両コントローラ間の性能ギャップは,両方の方法から要素を併合するRL-MPCアルゴリズムを使用するとき減少する。Copyright 2022 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  最適化 ,  *シミュレーション ,  標準化 ,  不確実性 ,  評価関数 ,  モデリング ,  システムダイナミックス ,  定式化 ,  ベンチマーク ,  強化学習 ,  ネットワークアーキテクチャ ,  学習アルゴリズム
準シソーラス用語： ハイパーパラメータ , 【Automatic Indexing@JST】

著者キーワード (6件)： モデル予測制御 ,  強化学習 ,  建築モデリング ,  熱管理 ,  最適化 ,  人工ニューラルネットワーク

分類 (1件)： 空気調和装置一般  (PC02010U)

引用文献 (35件)：

• AbadiM., AgarwalA., BarhamP., BrevdoE., ChenZ., CitroC., et al (2015). TensorFlow: Large-Scale Machine Learning on Heterogeneous Systems. Software available from tensorflow.org. arXiv. Available at: https://arXiv.org/abs/1603.04467v2.
• AnderssonJ. A. E., GillisJ., HornG., RawlingsJ. B., DiehlM. (2019). CasADi: a Software Framework for Nonlinear Optimization and Optimal Control. Math. Prog. Comp. 11, 1-36. doi: 10.1007/s12532-018-0139-4
• ArroyoJ., MannaC., SpiessensF., HelsenL. (2021). “"An OpenAI-Gym Environment for the Building Optimization Testing (BOPTEST) Framework,"” in Proceedings of the 17th IBPSA Conference (Belgium: Bruges). doi: 10.1007/s12532-018-0139-4
• ArroyoJ., MannaC., SpiessensF., HelsenL. (2022). Reinforced Model Predictive Control (RL-MPC) for Building Energy Management. Appl. Energ. 309 (2022), 118346. doi: 10.1016/j.apenergy.2021.118346
• ArroyoJ., van der HeijdeB., SpiessensF., HelsenL. (2018). “"A Python-Based Toolbox for Model Predictive Control Applied to Buildings,"” in Proceedings of the 5th International High Performance Building Conference (Indiana, USA: West Lafayette). doi: 10.1016/j.apenergy.2021.118346

タイトルに関連する用語 (2件)： 建築物エネルギー ,  最適制御