[論文レビュー] Data Driven Energy Efficiency in Buildings

Nipun Batra, Amarjeet Singh+4 more|arXiv (Cornell University)|Apr 29, 2014

Smart Grid Energy Management参考文献 76被引用数 6

ひとこと要約

本論文は、最適な計測、サブシステム間接続、推論による意思決定、利用者参加、インテリジェントな運用の5つの柱を柱とするデータ駆動型フレームワークを提案する。非侵襲的負荷モニタリング（NILM）を、すべての分野にまたがる中心的応用として位置づけ、高分解能スマートメーターおよびセンサーのデータがリアルタイムでのエネルギー分解能、故障検出、需要最適化を可能にする仕組みを示している。

ABSTRACT

Buildings across the world contribute significantly to the overall energy consumption and are thus stakeholders in grid operations. Towards the development of a smart grid, utilities and governments across the world are encouraging smart meter deployments. High resolution (often at every 15 minutes) data from these smart meters can be used to understand and optimize energy consumptions in buildings. In addition to smart meters, buildings are also increasingly managed with Building Management Systems (BMS) which control different sub-systems such as lighting and heating, ventilation, and air conditioning (HVAC). With the advent of these smart meters, increased usage of BMS and easy availability and widespread installation of ambient sensors, there is a deluge of building energy data. This data has been leveraged for a variety of applications such as demand response, appliance fault detection and optimizing HVAC schedules. Beyond the traditional use of such data sets, they can be put to effective use towards making buildings smarter and hence driving every possible bit of energy efficiency. Effective use of this data entails several critical areas from sensing to decision making and participatory involvement of occupants. Picking from wide literature in building energy efficiency, we identify five crust areas (also referred to as 5 Is) for realizing data driven energy efficiency in buildings : i) instrument optimally; ii) interconnect sub-systems; iii) inferred decision making; iv) involve occupants and v) intelligent operations. We classify prior work as per these 5 Is and dis-cuss challenges, opportunities and applications across them. Building upon these 5 Is we discuss a well studied problem in building energy efficiency -non-intrusive load monitoring (NILM) and how research in this area spans across the 5 Is.

研究の動機と目的

• スマートメーター、BMS、環境センサーからの高分解能データを活用して、建物におけるエネルギー消費の増加に取り組む。
• データの疎らさ、システムの孤立、利用者参加の不足といった、建物のデータからエネルギー効率を実現する際の主な課題を特定する。
• 研究および実装の指針として、『5つのI』と呼ばれる統合的フレームワークを提案する。
• 代表的な事例として非侵襲的負荷モニタリング（NILM）の詳細な分析を通じて、このフレームワークの適用可能性を示す。
• スケーラブルなエネルギー効率ソリューションを実現するため、教師ありでなく、計算効率が高く、利用者を考慮した手法の必要性を強調する。

提案手法

• 『5つのI』フレームワークを導入する：最適な計測、サブシステムの接続、意思決定の推論、利用者の参加、インテリジェントな運用の実現。
• 主な入力として、15分間隔の高分解能スマートメーターのデータと、電流トランス（CT）または家電センサーによる分電力計測データを用いる。
• NILMに向け、組み合わせ最適化、エッジ検出、因子的隠れマルコフモデルなどの信号処理および機械学習手法を適用する。
• 電気的データに加え、温度、占有状況などの環境センサーからのマルチモーダルデータを統合し、分解能の精度を向上させる。
• フィードバックループを活用して、個別エネルギー料金のフィードバックと実行可能なインサイトを提供することで、利用者の参加を促進する。
• 中央集権的で、事後的に学習する教師あり手法から、リアルタイムで自動化された制御システムへの移行を提案する。

実験結果

リサーチクエスチョン

• RQ1 スマートメーター、BMS、環境センサーからの建物エネルギーデータを、コストと正確性のバランスを考慮して最適に計測する方法は何か？
• RQ2 暖房・換気・空調（HVAC）、照明、セキュリティなどの分離された建物サブシステムを接続することで、エネルギー効率の向上にどのように寄与できるか？
• RQ3 分解された負荷データからの推論による意思決定は、故障検出、異常アラート、エネルギー節約の提言にどのように繋がるか？
• RQ4 利用者の行動とフィードバックメカニズムは、建物全体のエネルギー消費削減にどのような役割を果たすか？
• RQ5 NILM出力に基づくリアルタイムでインテリジェントな制御システムを実現するにあたり、技術的および計算上の課題は何か？

主な発見

• 計測、接続、推論、利用者参加、インテリジェントな運用の5つのIフレームワークは、建物におけるデータ駆動型エネルギー効率向上の包括的枠組みを提供する。
• 非侵襲的負荷モニタリング（NILM）は、すべての5つのIにまたがり、集約電力データから家電単位のエネルギー使用を推定可能であることを示している。
• 教師ありNILM手法は、分電力計測の真値データに依存するため、高コストの計測装置に依存しており、無教師学習手法の必要性を浮き彫りにしている。
• 計算コストの高いNILMアルゴリズムは、低消費電力家電を除外しがちであり、実世界でのスケーラビリティと実用的影響に制限を受ける。
• 電気的データに環境センサー（占有状況、温度など）のデータを統合することで、分解能の精度が向上し、文脈に応じたエネルギー最適化が可能になる。
• 利用者に個別エネルギー使用のフィードバックを提供した結果、実証的に電気使用量が減少したことが示されており、参加型エネルギー管理の重要性が浮き彫りになっている。