معرفی شرکت ها

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

توضیحات

An open source OpenAI Gym environment for the implementation of Multi-Agent Reinforcement Learning (RL) for building energy coordination and demand response in cities.

ویژگی	مقدار
سیستم عامل	OS Independent
نام فایل	CityLearn-1.3.6
نام	CityLearn
نسخه کتابخانه	1.3.6
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Jose Ramon Vazquez-Canteli, Kingsley Nweye, Zoltan Nagy
ایمیل نویسنده	nweye@utexas.edu
آدرس صفحه اصلی	https://github.com/intelligent-environments-lab/CityLearn
آدرس اینترنتی	https://pypi.org/project/CityLearn/
مجوز	-

# CityLearn CityLearn is an open source OpenAI Gym environment for the implementation of Multi-Agent Reinforcement Learning (RL) for building energy coordination and demand response in cities. Its objective is to facilitiate and standardize the evaluation of RL agents such that different algorithms can be easily compared with each other. ![Demand-response](images/dr.jpg) ## Description Districts and cities have periods of high demand for electricity, which raise electricity prices and the overall cost of the power distribution networks. Flattening, smoothening, and reducing the overall curve of electrical demand helps reduce operational and capital costs of electricity generation, transmission, and distribution networks. Demand response is the coordination of electricity consuming agents (i.e. buildings) in order to reshape the overall curve of electrical demand. ![Citylearn](images/citylearn_diagram.png) CityLearn allows the easy implementation of reinforcement learning agents in a multi-agent setting to reshape their aggregated curve of electrical demand by controlling the storage of energy by every agent. Currently, CityLearn allows controlling the storage of domestic hot water (DHW), chilled water (for sensible cooling and dehumidification) hot water (for sensible heating) and electricity. CityLearn also includes models of air-to-water heat pumps, electric heaters, solar photovoltaic arrays, and the pre-computed energy loads of the buildings, which include space cooling, dehumidification, appliances, DHW, and solar generation. ## Installation Install with `pip`: ```console pip install git+https://github.com/intelligent-environments-lab/CityLearn.git@citylearn_2022 ``` ## API Documentation Refer to the [docs](https://intelligent-environments-lab.github.io/CityLearn/api/modules.html) for documentation of the CityLearn API. ## The CityLearn Challenge - [CityLearn Challenge 2020](https://sites.google.com/view/citylearnchallenge/previous-edition-2020?authuser=0) - [CityLearn Challenge 2021](https://sites.google.com/view/citylearnchallenge/home?authuser=0) - [CityLearn Challenge 2022](https://www.aicrowd.com/challenges/neurips-2022-citylearn-challenge)

نیازمندی

مقدار	نام
==0.24.1	gym
-	matplotlib
==1.21.6	numpy
==1.3.5	pandas
==9.2.0	Pillow
==3.17.6	simplejson

زبان مورد نیاز

مقدار	نام
>=3.7	Python

نحوه نصب

نصب پکیج whl CityLearn-1.3.6:

pip install CityLearn-1.3.6.whl

نصب پکیج tar.gz CityLearn-1.3.6:

pip install CityLearn-1.3.6.tar.gz