[論文レビュー] End-to-end deep meta modelling to calibrate and optimize energy consumption and comfort

Max Cohen, Sylvain Le Corff+3 more|arXiv (Cornell University)|Feb 1, 2021

Building Energy and Comfort Optimization参考文献 29被引用数 11

ひとこと要約

本論文は、シミュレーションデータ上でトレーニングされたRNNベースのメタモデルを用いて、オフィスビルのエネルギーサービス消費と熱的快適性を補正・最適化するエンドツーエンドのディープメタモデリングフレームワークを提案する。物理的シミュレータに代わって計算コストが高くない高速で微分可能な代替モデルを導入することにより、スパースなセンサデータのみを用いて最大60の未知の建物パラメータを効率的に補正可能となり、マルチオブジェクティブ最適化により最大10%のエネルギー削減を達成しながら、目標とする快適性レベルを維持する。

ABSTRACT

In this paper, we propose a new end-to-end methodology to optimize the energy performance as well as comfort and air quality in large buildings without any renovation work. We introduce a metamodel based on recurrent neural networks and trained to predict the behavior of a general class of buildings using a database sampled from a simulation program. This metamodel is then deployed in different frameworks and its parameters are calibrated using the specific data of two real buildings. Parameters are estimated by comparing the predictions of the metamodel with real data obtained from sensors using the CMA-ES algorithm, a derivative free optimization procedure. Then, energy consumptions are optimized while maintaining a target thermal comfort and air quality, using the NSGA-II multi-objective optimization procedure. The numerical experiments illustrate how this metamodel ensures a significant gain in energy efficiency, up to almost 10%, while being computationally much more appealing than numerical models and flexible enough to be adapted to several types of buildings.

研究の動機と目的

• 高価なリニューアルを伴わずに、オフィスビルにおけるエネルギーサービス消費と熱的快適性を最適化する課題に対処すること。
• 補正および最適化の過程で物理的建物シミュレータの高い計算コストを克服すること。
• 多様なシナリオにおいて建物性能を正確に予測できる高速で微分可能な代替モデル（メタモデル）を開発すること。
• 弱いインストルメンテーションを持つ建物からの限られた実際のセンサデータを用いて、未知の建物パラメータ（例：熱容量、窓面積）を補正すること。
• パレートフロントを用いたマルチオブジェクティブ最適化により、エネルギー削減と熱的快適性の両立を実現し、計算オーバーヘッドを最小限に抑えること。

提案手法

• 物理的シミュレータ（例：TRNSYS）を用いて生成された数千のシミュレーションシナリオを用いて、建物の幾何形状、気象データ、HVAC設定を入力としてRNNメタモデルをトレーニングする。
• 予測値と実際のセンサデータの間の損失を最小化する導出フリー最適化手順を用いて、メタモデルを補正し、最大60の未知の物理的パラメータを推定する。
• パレートフロントを用いたマルチオブジェクティブ最適化を適用し、エネルギー消費を最小限に抑えつつ熱的快適性を維持する最適なHVAC設定を特定する。
• 補正および最適化パイプラインにおいて、元の物理的シミュレータをトレーニング済みのRNNメタモデルに置き換えることで、計算時間を70倍以上短縮する。
• RNNとアテンションベースのトランスフォーマーモデルを比較し、建物エネルギー予測における系列モデリング性能を評価する。
• 物理的シミュレータが捉えきれないセンサノイズや未モデル化されたダイナミクスを補うために、実建物データを用いたメタモデルのファインチューニングを実施する。

実験結果

リサーチクエスチョン

• RQ1 深層学習ベースのメタモデルは、物理的シミュレータに代わって、妥当な精度と著しい計算時間の短縮を実現しながら、建物エネルギーの補正および最適化に利用可能か？
• RQ2 RNNベースのメタモデルは、スパースなセンサデータから未知の建物パラメータ（例：熱容量、窓壁比）をどの程度正確に推定できるか？
• RQ3 パレートフロントを用いたマルチオブジェクティブ最適化により、実際の建物においてエネルギー消費をどの程度削減可能であり、同時に熱的快適性を維持できるか？
• RQ4 RNNの性能は、アテンションベースのモデル（例：トランスフォーマー）と比較して、建物エネルギー動的挙動の予測においてどのように差が現れるか？
• RQ5 ファインチューニングにより、メタモデルを現実のセンサノイズおよび使用パターンの変動に適応させることで、補正のロバスト性が向上するか？

主な発見

• RNNベースのメタモデルは、TRNSYSと比較して計算時間を70倍短縮し、複雑な建物モデルの補正が現実可能となった。
• 最初の建物では300イテレーション、2番目の建物では10,000イテレーションで補正が収束したが、TRNSYSを用いるとそれぞれ100日もかかっていた。
• スタンレー建物ではエネルギー消費が5.3%削減され、リビングストーン建物では9.9%削減され、快適性レベルは同等を維持した。
• 快適性を0.5°C低下させることで、エネルギー消費は最大17%までさらに削減された。
• わずか数台のセンサを用いても、熱容量、換気率など最大60の未知パラメータを正確に推定できた。
• 実建物データを用いたファインチューニングにより、未知のテスト期間における予測精度が向上し、センサノイズおよび使用パターンの変動に対するロバスト性が実証された。