[論文レビュー] A supervised-learning-based strategy for optimal demand response of an HVAC System

Young‐Jin Kim|arXiv (Cornell University)|Apr 29, 2019

Building Energy and Comfort Optimization参考文献 34被引用数 5

ひとこと要約

本稿では、マルチゾーンHVACシステムにおける最適な価格連動型需要応答を実現するための教師あり学習ベースの戦略、SLAMP（Supervised-Learning-Aided Meta-Prediction）を提案する。物理ベースの最適化から得られる解を用いて深層ニューラルネットワークを学習し、人工ニューラルネットワークの区分線形近似を用いることで、従来の手法と比較して計算時間を短くしながらも、快適性を維持した高速かつ高精度なスケジューリングを可能にする。

ABSTRACT

The large thermal capacity of buildings enables heating, ventilating, and air-conditioning (HVAC) systems to be exploited as demand response (DR) resources. Optimal DR of HVAC units is challenging, particularly for multi-zone buildings, because this requires detailed physics-based models of zonal temperature variations for HVAC system operation and building thermal conditions. This paper proposes a new strategy for optimal DR of an HVAC system in a multi-zone building, based on supervised learning (SL). Artificial neural networks (ANNs) are trained with data obtained under normal building operating conditions. The ANNs are replicated using piecewise linear equations, which are explicitly integrated into an optimal scheduling problem for price-based DR. The optimization problem is solved for various electricity prices and building thermal conditions. The solutions are further used to train a deep neural network (DNN) to directly determine the optimal DR schedule, referred to here as supervised-learning-aided meta-prediction (SLAMP). Case studies are performed using three different methods: explicit ANN replication (EAR), SLAMP, and physics-based modeling. The case study results verify the effectiveness of the proposed SL-based strategy, in terms of both practical applicability and computational time, while also ensuring the thermal comfort of occupants and cost-effective operation of the HVAC system.

研究の動機と目的

• マルチゾーンHVACシステムにおける最適な需要応答のための計算的に効率的な戦略の開発。
• ゾーニング温度制御およびDRスケジューリングに必要な高次元の物理ベースのモデリングの課題に対処すること。
• 快適性や運用コストの効率性を損なわず、リアルタイムまたはニアリアルタイムのDRスケジューリングを可能にすること。
• 計算コストの高い物理ベースの最適化を、学習可能で高速な代替モデルに置き換えること。
• 精度と速度の観点から、従来の物理ベースのモデリングおよび明示的なANN再現と比較して、本手法の有効性を検証すること。

提案手法

• 通常のHVAC運用下での物理ベースのシミュレーションから得たデータを用いて、人工ニューラルネットワーク（ANN）を学習する。
• 学習済みのANNを区分線形式を用いて再現することで、数学的に取り扱いやすい近似モデルを構築する。
• さまざまな電力料金および熱的条件下で、区分線形モデルを価格連動型需要応答最適化問題に統合する。
• 複数のシナリオにおいて最適化問題を解き、最適なDRスケジュールを生成する。
• これらの最適スケジュールを学習データとして用い、深層ニューラルネットワーク（DNN）を訓練し、直接予測モデル（SLAMP）を構築する。
• DNNを用いて、繰り返し最適化を実行せずに、入力条件（例：電力料金、温度）から直接最適HVACスケジュールを予測する。

実験結果

リサーチクエスチョン

• RQ1 教師あり学習モデルは、多様な電力料金および熱的条件下で、最適HVAC需要応答スケジュールを正確に予測できるか？
• RQ2 SLAMP手法の計算効率は、物理ベースの最適化および明示的なANN再現と比較してどの程度優れているか？
• RQ3 SLAMPモデルは、運用コストを最小限に抑えると同時に、快適性をどの程度維持できるか？
• RQ4 ANNの区分線形近似は、DRスケジューリングにおいて複雑な物理ベースのモデルに効果的に置き換えられるか？
• RQ5 DNNベースのメタ予測戦略は、従来の最適化ベースのDRアプローチと同等またはそれ以上の性能を達成できるか？

主な発見

• SLAMP手法は、物理ベースの最適化と比較して計算時間を顕著に短縮し、リアルタイムDRの意思決定を高速化できる。
• 提案手法は、物理ベースのモデルが達成する快適性水準と同等のレベルを維持している。
• 動的な電力料金シグナルに正確に対応することで、SLAMPはコスト効率の高いHVAC運用を実現している。
• ANNの区分線形近似は、精度を保持しつつ最適化フレームワークへの統合を可能にしている。
• 事例研究では、明示的なANN再現および物理ベースのモデリングと比較して、SLAMPが計算効率に優れており、解の品質に妥協がないことが示された。
• 深層ニューラルネットワークは、環境的および価格的入力から最適HVACスケジュールへのマッピングを効果的に学習しており、さまざまなシナリオにわたる強力な一般化能力を示している。