[論文レビュー] Data-driven modeling, control and tools for cyber-physical energy systems

Madhur Behl, Achin Jain+1 more|arXiv (Cornell University)|Apr 11, 2016

Smart Grid Energy Management参考文献 17被引用数 23

ひとこと要約

本論文は、回帰木を用いてベースラインを予測し、最適な制御行動を合成することで、大規模な建物における需要応答（DR）のデータ駆動型制御フレームワーク、mbCRTを提案する。ルールベースのDRに比べ17%高いパフォーマンスを達成し、需要カットを380 kW削減し、45,000ドル以上のコスト削減を実現した。また、92.8–98.9%の予測精度を示すオープンソースのDR-Advisorツールに統合され、8棟の建物で実証された。

ABSTRACT

Demand response (DR) is becoming important as the volatility on the grid continues to increase. Current DR approaches are either completely manual or involve deriving first principles based models which are extremely cost and time prohibitive to build. We consider the problem of data-driven DR for large buildings which involves predicting the demand response baseline, evaluating fixed DR strategies and synthesizing DR control actions. We provide a model based control with regression trees algorithm (mbCRT), which allows us to perform closed-loop control for DR strategy synthesis for large buildings. Our data-driven control synthesis algorithm outperforms rule- based DR by 17% for a large DoE commercial reference building and leads to a curtailment of 380 kW and over $45,000 in savings. Our methods have been integrated into an open source tool called DR-Advisor, which acts as a recommender system for the building's facilities manager and provides suitable control actions to meet the desired load curtailment while maintaining operations and maximizing the economic reward. DR-Advisor achieves 92.8% to 98.9% prediction accuracy for 8 buildings on Penn's campus. We compare DR-Advisor with other data driven methods and rank 2nd on ASHRAE's benchmarking data-set for energy prediction.

研究の動機と目的

• 大規模な建物における需要応答（DR）のための、第一原理モデルを構築するのにかかる高コストと長時間の課題に対処すること。
• 手動または物理的モデルに依存せずに、閉ループ制御を可能にするスケーラブルでデータ駆動型のDRアプローチを開発すること。
• ヒストリカルデータを用いて最適な制御行動を合成することで、ルールベースの戦略を上回るDRパフォーマンスを向上させること。
• 施設管理者がリアルタイムで経済的に最適なDR意思決定を下せるよう支援するオープンソースのツール、DR-Advisorを構築すること。

提案手法

• ヒストリカルな建物データから学習し、ベースラインエネルギー消費を予測する回帰木を用いたモデルベース制御（mbCRT）アルゴリズムを提案する。
• 回帰木を用いて、建物運用とエネルギー消費の間の複雑で非線形な関係をモデル化し、正確なベースライン予測を実現する。
• リアルタイムフィードバックに基づいて動的にDR制御行動を合成する閉ループ制御フレームワークにmbCRTを統合する。
• 施設管理者に実行可能な制御戦略を提供する、オープンソースのレコメンデーションシステムとしてDR-Advisorを開発する。
• ペンシルベニア大学の8棟の建物から得た実データを用いて、詳細な建物物理学に依存しないデータ駆動型アプローチでモデルを訓練および検証する。
• ASHRAEの標準ベンチマークデータセットを用いて、ルールベースのDRおよび他のデータ駆動型手法と比較して性能をベンチマークする。

実験結果

リサーチクエスチョン

• RQ1 データ駆動型制御合成手法は、経済的コスト削減および需要カット効率の観点から、ルールベースのDR戦略を上回ることができるか？
• RQ2 第一原理モデルに依存せずに、回帰木が大規模な商業用建物におけるベースラインエネルギー消費をどの程度正確に予測できるか？
• RQ3 mbCRTアルゴリズムは、実際の建物運用における需要応答のための閉ループ制御をどの程度効果的に可能にするか？
• RQ4 DR-Advisorツールは、実際のキャンパスネットワークにおける多様な建物タイプにおいて、予測精度と経済的影響の両面でどの程度の効果を発揮するか？
• RQ5 標準化されたベンチマークデータセット上で、本手法は他のデータ駆動型手法と比較してどの程度優れているか？

主な発見

• mbCRTを用いたデータ駆動型制御アプローチは、大規模な米国エネルギー省（DoE）商業用基準建物において、ルールベースのDRに比べ17%高い経済的パフォーマンスを達成した。
• 本手法は380 kWの負荷カットを達成するとともに、45,000ドル以上のコスト削減を実現し、顕著なコスト効率を示した。
• DR-Advisorはペンシルベニア大学の8棟の建物において92.8%から98.9%の予測精度を達成し、実運用環境への強い一般化能力を示した。
• ASHRAEのベンチマークデータセットにおいて、エネルギー予測の分野で2位の順位を獲得し、他のデータ駆動型手法と比較してその堅牢性を裏付けた。
• mbCRTをDR-Advisorに統合することで、建物運用および居住者の快適性を維持したまま、リアルタイムで経済的に最適な制御意思決定が可能になった。
• DR-Advisorのオープンソース配布により、詳細なモデリングを必要とせず、大規模な建物ポートフォリオにスケーラブルかつ低コストでDRを実装できるようになった。