A Distributed ADMM-based Deep Learning Approach for Thermal Control in Multi-Zone Buildings under Demand Response Events

要約

電力使用量の増加と断続的な再生可能エネルギー源への依存はピーク需要時の送電網管理に課題をもたらしており、デマンドレスポンスプログラムと省エネ対策が不可欠となっています。
この研究では、ADMM を使用した分散最適化と深層学習モデルを組み合わせて、屋内の温度設定値を効果的に計画します。
2 層の階層構造が使用され、上位層に中央ビルディング コーディネーターが、サーマル ゾーン層にローカル コントローラーが配置されます。
コーディネーターは、建物の総電力を各ゾーンのローカル電力目標に換算することにより、建物の最大電力を制限する必要があります。
ローカルコントローラーは、ローカル電力目標を満たすように温度設定値を変更できます。
ほとんどのアルゴリズムは集中型であるか、建物の構造に関する事前の知識を必要としますが、私たちのアプローチは分散型で完全にデータ駆動型です。
分散計画ネットワークと呼ばれる提案されたアルゴリズムは、多くのタイプの建物に適応可能かつ拡張可能であるように設計されており、そのようなシステムの開発における 2 つの主要な課題に取り組みます。
提案されたアプローチは、EnergyPlus でモデル化された 18 ゾーンの建物でテストされます。
このアルゴリズムは、需要応答のピーク イベントを適切に管理します。

要約(オリジナル)

The increasing electricity use and reliance on intermittent renewable energy sources challenge power grid management during peak demand, making Demand Response programs and energy conservation measures essential. This research combines distributed optimization using ADMM with deep learning models to plan indoor temperature setpoints effectively. A two-layer hierarchical structure is used, with a central building coordinator at the upper layer and local controllers at the thermal zone layer. The coordinator must limit the building’s maximum power by translating the building’s total power to local power targets for each zone. Local controllers can modify the temperature setpoints to meet the local power targets. While most algorithms are either centralized or require prior knowledge about the building’s structure, our approach is distributed and fully data-driven. The proposed algorithm, called Distributed Planning Networks, is designed to be both adaptable and scalable to many types of buildings, tackling two of the main challenges in the development of such systems. The proposed approach is tested on an 18-zone building modeled in EnergyPlus. The algorithm successfully manages Demand Response peak events.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google