Sedna边云协同终身学习在楼宇冷机控制领域的应用（15页）.pdf

1、空白演示单击输入您的封面副标题李蕴哲上海交通大学Sedna边云协同终身学习在楼宇冷机控制领域的应用边云协同终身学习在楼宇冷机控制领域的应用目录目录1 楼宇冷机舒适度预测场景2 楼宇冷机舒适度预测的落地挑战3 Sedna边云协同终身学习技术方案4 实验效果展示1 楼宇冷机舒适度预测场景1 楼宇冷机舒适度预测场景80%的时间40%的能源消耗54%来自空调冷机1 楼宇冷机舒适度预测场景1 楼宇冷机舒适度预测场景环境温度用户冷热任何机器学习算法1-3SVM、神经网络、Boosting等等1 ASHRAE(Atlanta,Georgia).ANSI/ASHRAE Standard 55-2013:The

2、rmal Environmental Conditions for Human Occupancy.2013.2 Joyce Kim et al.Personal comfort models:predicting individuals thermal preference using occupant heating and cooling behavior and machine learning.Building and Environment,129:96106,2018.3 Zimu Zheng,Yimin Dai,and Dan Wang.Duet:Towards a porta

3、ble thermal comfort model.In ACM BuildSys19,pages 5160,2019.楼宇冷机舒适度预测代表性方法示意图方法迭代图2 楼宇冷机舒适度预测的落地挑战2 楼宇冷机舒适度预测的落地挑战挑战1：数据异构不同边侧的数据分布总是不断变化挑战2：小样本出于数据安全的考量，大多数数据集都不开源同样的数据输入，在不同的边侧，标签却不相同！会议未开源开源会议未开源开源ACM e-Energy 201851ACM e-Energy 201912ACM e-Energy 202040ACM e-Energy 202120数据异构示意图学术会议开源情况统计边侧标注样本成

4、本高数据量很小3 Sedna边云协同终身学习技术方案3 Sedna边云协同终身学习技术方案边云协同终身学习定义1.给定云侧知识库中 N 个历史训练任务，推理持续到来的当前任务和未来 M 个边侧任务，并持续更新云侧知识库。2.其中，M 趋向于无穷大，同时边侧 M 个推理任务不一定在云侧知识库 N 个历史训练任务当中。边云协同终身学习流程示意图3 Sedna边云协同终身学习技术方案3 Sedna边云协同终身学习技术方案终身学习简介4经典的机器学习范式4 Chen Z,Liu B.Lifelong machine learningJ.Synthesis Lectures on Artificial

5、Intelligence and Machine Learning,2018,12(3):1-207.经典终身学习架构改进的终身学习架构3 Sedna边云协同终身学习技术方案3 Sedna边云协同终身学习技术方案基于智能楼宇元数据库BRICK5的知识库设计5 Balaji B,Bhattacharya A,Fierro G,et al.Brick:Towards a unified metadata schema for buildingsC/Proceedings of the 3rd ACM International Conference on Systems for Energy-Ef

6、ficient Built Environments.2016:41-50.任务：不同边缘节点的推理任务由一个三元组构成：-任务模型：任务推理使用的模型-任务属性：描述任务的属性-任务样本：任务训练所对应的样本知识库结构示意图3 Sedna边云协同终身学习技术方案3 Sedna边云协同终身学习技术方案知识库更新5 Balaji B,Bhattacharya A,Fierro G,et al.Brick:Towards a unified metadata schema for buildingsC/Proceedi