Эффективные сокращение выбросов решения

Используйте сокращение выбросов инструменты с высокой производительностью для успешной работы.

сокращение выбросов

  • Открытая среда обучения с подкреплением с открытым исходным кодом для оптимизации управления энергопотреблением в зданиях, контроля микросетей и стратегий реагирования на спрос.
    0
    0
    Что такое CityLearn?
    CityLearn предоставляет модульную платформу моделирования для исследований в области управления энергией с использованием обучения с подкреплением. Пользователи могут определить многозональные группы зданий, настроить системы HVAC, аккумуляторы и возобновляемые источники энергии, затем обучать агентов RL на основе событий реагирования на спрос. Среда отображает наблюдения состояния, такие как температуры, профили нагрузки и цены энергии, в то время как действия управляют установками и диспетчеризацией хранения. Гибкий API наград позволяет использовать индивидуальные метрики — такие как экономия затрат или сокращение выбросов — а инструменты ведения журналов поддерживают анализ эффективности. CityLearn идеально подходит для сравнения алгоритмов, обучения по учебной программе и разработки новых стратегий управления в воспроизводимой исследовательской среде.
    Основные функции CityLearn
    • Настраиваемое моделирование групп зданий и микросетей
    • Моделирование событий реагирования на спроса
    • Настраиваемый API функции награды
    • Реализации базовых агентов
    • Подробные инструменты логирования и анализа
    • Управление сценариями и наборами данных
    Плюсы и минусы CityLearn

    Минусы

    В первую очередь ориентирован на обучение и симуляцию, может потребоваться интеграция с реальным робототехническим оборудованием для развертывания.
    Зависит от доступности высококачественных наборов данных для обучения реалистичной навигационной политики.
    Информация о ценах или коммерческой поддержке отсутствует.

    Плюсы

    Обеспечивает обучение в больших реальных городских условиях с экстремальными изменениями окружающей среды.
    Использует компактные бимодальные изображения для эффективного обучения на выборках, значительно сокращая время обучения по сравнению с методами обработки исходных изображений.
    Поддерживает обобщение в переходах день/ночь и сезонов, повышая устойчивость навигационной политики.
    Открытый исходный код с общедоступными кодами и наборами данных.
Рекомендуемые