Oct, 2023

基于数据驱动的带约束自适应建筑热控制器调整：一种基于原始对偶情境贝叶斯优化方法

HTML
PDF
TL;DR通过使用数据驱动的Primal-Dual Contextual Bayesian Optimization（PDCBO）方法，研究了室温控制器参数调节问题，旨在最小化能源消耗，同时满足用户的每日温度舒适度要求。实验表明，相比其他基于贝叶斯优化的方法，PDCBO方法在节省能源消耗的同时能够保持用户日常温度舒适度在可接受的阈值以下，还能自动跟踪时变的舒适度阈值。此外，还研究了在给定能源预算的约束下最小化舒适度不适问题，PDCBO方法相比于目前的优化方法在保持日常能源消耗在阈值以下的同时，能够降低平均不适度高达63%。
发现论文，激发创造
  • 可持续空调温度PID控制的安全上下文贝叶斯优化

    本研究使用 Safe Contextual Bayesian Optimization 优化 PID 控制器参数以实现 HVAC 控制环路的温度优化，降低了 32% 的成本，并为环境可持续性做出了积极的实际贡献。

    Jun, 2019

  • NeurOpt: 基于神经网络的建筑能源管理和环境控制优化

    本研究提出了一种基于神经网络的数据驱动控制算法，以减少建筑物模型识别的成本，通过建筑物能耗和区域温度的动态模型，实现了较高的精度和与默认系统控制器相比的节能和更好的住户舒适度。

    Jan, 2020

  • 物理约束下的多区域建筑热动力学深度学习

    本文提出了一种基于物理约束的控制导向的深度学习方法来建模建筑热动力学，并通过仅使用10天的训练数据，在20天内展示了高度推广的能力，实现了在实际办公楼上的显著改进。

    Nov, 2020

  • 基于计算智能的能效ACMV系统预测与优化

    利用新型神经网络模型预测占用者的热舒适状态, 分别应用了 Bayesian Gaussian Process Optimization (BGPO) 和 Augmented Firefly Algorithm (AFA) 优化算法来平衡空调系统的能效和占用者的热舒适感, 实验结果表明, 在样本数量一定时,AFA算法比BGPO算法更稳定,并且在能效用户偏好条件下, BGPO 和 AFA 的最佳节能率分别为 -21％ 和 -10％，可在新加坡实验室节约 S$1219.1。

    Apr, 2022

  • 具有时间平均约束的控制系统在线优化的原始-对偶背景贝叶斯优化

    本研究针对约束闭环控制系统的在线性能优化问题，提出了一种基于贝叶斯优化算法的原始对偶上下文优化算法，该算法能够在一定条件下实现与动态最优解的次线性累积遗憾，同时保持无时间平均约束违规，为管道参数调谐问题提供了高效的解决方法

    Apr, 2023

  • 一种轻量级校准仿真，为优化实际建筑的离线学习提供高效控制

    提出了一种基于仿真的方法，使用定制的模拟器为每个建筑物训练智能体，以提高现有加热、通风和空调系统的性能，实现更高效的能源利用和减少碳排放。

    Oct, 2023

  • 住宅建筑供热的需求响应: 基于物理信息神经网络的有效蒙特卡洛树搜索控制

    通过需求响应控制住宅建筑的供暖系统以优化能源消耗，该论文研究了基于蒙特卡洛树搜索和物理信息神经网络的建筑需求响应控制，以提高控制性能并降低能耗成本。同时，通过添加深度学习层优化了蒙特卡洛树搜索方法的计算成本。

    Dec, 2023

  • 商业建筑需求响应的高效数据驱动型MPC

    基于模型预测控制(MPC)的能源管理方法，通过数据驱动的途径和混合整数凸优化算法，实现对建筑物的热力学建模和需求响应，从而提高热舒适度、降低能耗和成本。

    Jan, 2024

  • 自适应贝叶斯优化在高精度运动系统中的应用

    在这项工作中，我们提出了一种基于GoOSE算法的实时纯数据驱动的自适应控制方法，用于在线调整低级控制器参数，从而处理性能和稳定性的要求，并通过修改负载和参考步长将其与插值约束优化方法进行比较，用于评估算法在半导体行业应用中实现的真实精密运动系统的性能。

    Apr, 2024

  • 受限强化学习在安全热泵控制中的应用

    本研究针对建筑供热系统中提升能效与居民热舒适度之间的优化难题，提出了一种新颖的方法。通过应用I4B仿真器和无模型受限强化学习算法CSAC-LB，显著提升了数据探索、约束满足与性能，展现了在安全控制中的实用潜力。

    Sep, 2024