[論文レビュー] Development and application of a machine learning supported methodology for measurement and verification (M&V) 2.0

Colm Gallagher, Kevin Leahy+3 more|arXiv (Cornell University)|Jan 24, 2018

Building Energy and Comfort Optimization参考文献 27被引用数 6

ひとこと要約

本稿は、特徴選択と回帰モデル（例：k-NN、ANN、SVM）を用いてエネルギー削減を正確に定量する、産業施設向けの機械学習支援M&V 2.0手法を提案する。実世界の事例研究において、604,527kWhの削減を達成し、95.2%の信頼区間が256,485–952,568kWhの範囲に収まり、劣悪なデータおよび限られたメーター装備条件下でも高い性能を示した。

ABSTRACT

The foundations of all methodologies for the measurement and verification (M&V) of energy savings are based on the same five key principles: accuracy, completeness, conservatism, consistency and transparency. The most widely accepted methodologies tend to generalise M&V so as to ensure applicability across the spectrum of energy conservation measures (ECM's). These do not provide a rigid calculation procedure to follow. This paper aims to bridge the gap between high-level methodologies and the practical application of modelling algorithms, with a focus on the industrial buildings sector. This is achieved with the development of a novel, machine learning supported methodology for M&V 2.0 which enables accurate quantification of savings. A novel and computationally efficient feature selection algorithm and powerful machine learning regression algorithms are employed to maximise the effectiveness of available data. The baseline period energy consumption is modelled using artificial neural networks, support vector machines, k-nearest neighbours and multiple ordinary least squares regression. Improved knowledge discovery and an expanded boundary of analysis allow more complex energy systems be analysed, thus increasing the applicability of M&V. A case study in a large biomedical manufacturing facility is used to demonstrate the methodology's ability to accurately quantify the savings under real-world conditions. The ECM was found to result in 604,527 kWh of energy savings with 57% uncertainty at a confidence interval of 68%. 20 baseline energy models are developed using an exhaustive approach with the optimal model being used to quantify savings. The range of savings estimated with each model are presented and the acceptability of uncertainty is reviewed. The case study demonstrates the ability of the methodology to perform M&V to an acceptable standard in challenging circumstances.

研究の動機と目的

• 複雑なシステムと劣悪なデータのため、従来の手法が失敗する産業施設において、厳密でデータ駆動のM&Vプロセスが不足している問題に対処する。
• IPMVPおよびASHRAE Guideline 14の限界を克服し、非住宅用で高複雑性を示す産業用エネルギー施設を適切に扱えるようにする。
• 計算効率が高く、機械学習を活用してベースラインモデルの精度と不確実性の定量化を向上させる、指示的で実用的な手法を開発する。
• 限られたメーターインフラと低品質なデータが一般的な産業環境において、信頼性のあるM&Vを可能にする。
• 多様な産業用エネルギー効果的措置（ECM）プロジェクトに適合するスケーラブルで透明性が高く、頑健なフレームワークを提供する。

提案手法

• 利用可能なエネルギーおよび運用データから最も関連性の高い予測変数を特定する、計算効率の高い新規特徴選択アルゴリズムを採用した。
• 1時間ごとのベースライン期間データを用いて、人工ニューラルネットワーク、サポートベクターマシン、k-近傍法、および通常最小二乗回帰の複数の機械学習回帰モデルを訓練した。
• 包括的なモデル選択アプローチを採用し、20種類の異なるベースラインモデルを評価して、交差検証性能に基づき最適なモデルを同定した。
• 交差検証（特に10分割）を用いてモデルの不確実性を推定し、交差検証RMSEが最小となるモデルを選択した。その際、k-NNモデルのCV(RMSE)は11.23%であった。
• 選択されたモデルを用いて報告期間のエネルギー消費量を正規化し、調整済みベースラインエネルギー使用量を推定することで、削減量の定量を可能にした。
• IPMVPで推奨する手法を用いて不確実性を定量化し、削減量の信頼区間をベースライン推定の標準誤差の2倍として定義した。

実験結果

リサーチクエスチョン

• RQ1 限られたメーター装備と低品質なデータを伴う産業施設において、機械学習ベースのM&V 2.0手法は、信頼性があり正確なエネルギー削減量の定量を達成できるか？
• RQ2 モデル選択および性能（例：CV(RMSE)）は、最終的なエネルギー削減量の推定値と関連する不確実性にどのように影響するか？
• RQ3 全体施設レベルのデータ駆動型手法は、従来のシステム特化型手法と比較して、複雑な産業環境におけるM&Vの正確性をどの程度向上できるか？
• RQ4 変化する定常要因や不完全なデータといった現実世界の条件下でも、この手法は頑健性と信頼性を維持できるか？
• RQ5 政策立案および投資意思決定の目的で許容可能な不確実性レベルを維持しつつ、追加のメーターインフラの必要性を低減できるか？

主な発見

• 最適なベースラインモデルは、1時間ごとのデータを用いて訓練されたk-近傍法（k-NN）回帰モデルであり、交差検証による平均二乗誤差（CV(RMSE)）は11.23%であった。
• 222日間の報告期間における総エネルギー削減量は604,527kWhと推定され、95.2%の信頼区間は256,485kWh～952,568kWhの範囲に収まった。
• 20のすべてのモデルにおける削減量の範囲から、交差検証におけるモデルの性能が常に削減量の推定値と相関しないことが明らかになった。特に、不確実性閾値を満たすモデルでは、報告された削減量が高いモデルが優遇された。
• 最良のモデル（15分間隔）の決定係数（調整済みR²）は0.663であり、予測変数と冷却水電気負荷の間に中程度の有意な相関関係があることを示した。
• 本手法は、限られたメーター装備、データ品質の問題、動的要因が存在する実際の産業施設においてもM&Vを成功裏に実施でき、厳しい環境下でも頑健であることを実証した。
• 本手法は、追加のメーターインフラの必要性を顕著に低減し、産業用エネルギー事業における正確なM&Vの実施に向けたリソースおよびコストの障壁を軽減した。