[論文レビュー] End-to-end deep metamodeling to calibrate and optimize energy loads

Max Cohen, Maurice Charbit+3 more|arXiv (Cornell University)|Jun 19, 2020

Building Energy and Comfort Optimization参考文献 28被引用数 4

ひとこと要約

本稿では、エネルギーインフィニティのシミュレーションとCMA-ESを用いた実際のセンサーデータによる微調整により、大規模な建物のエネルギーロードを補正・最適化する、トランスフォーマーに基づくニューラルネットワークを用いた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。このモデルは、熱的快適性と室内空気質を維持しながらエネルギー消費を削減するためのHVAC設定のマルチオブジェクティブ最適化を可能にし、物理的リニューアルを要せず、顕著な計算効率とエネルギー削減を達成する。

ABSTRACT

In this paper, we propose a new end-to-end methodology to optimize the energy performance and the comfort, air quality and hygiene of large buildings. A metamodel based on a Transformer network is introduced and trained using a dataset sampled with a simulation program. Then, a few physical parameters and the building management system settings of this metamodel are calibrated using the CMA-ES optimization algorithm and real data obtained from sensors. Finally, the optimal settings to minimize the energy loads while maintaining a target thermal comfort and air quality are obtained using a multi-objective optimization procedure. The numerical experiments illustrate how this metamodel ensures a significant gain in energy efficiency while being computationally much more appealing than models requiring a huge number of physical parameters to be estimated.

研究の動機と目的

• 高価な物理的改修を要せず、大規模な建物におけるエネルギー性能を最適化する計算効率の良い手法を開発すること。
• リアルタイムのセンサーデータを用いて高次元の物理モデルを補正する課題に対処すること。
• 熱的快適性、室内空気質、エネルギー負荷の最小化を統合した包括的なマルチオブジェクティブ最適化フレームワークを構築すること。
• 従来の物理ベースのシミュレーションおよび最適化パイプラインの計算負担を軽減すること。
• シミュレーションデータで訓練され、実際の建物測定値で微調整されたサーヴィェイントメタモデルを用いて、リアルタイムでデータ駆動型のHVAC制御を可能にすること。

提案手法

• エネルギーインフィニティのシミュレーションで生成された大規模なデータセットを用いて、トランスフォーマーに基づくニューラルネットワークを訓練し、複数のHVACおよび気象変数を考慮した室内温度とエネルギー消費を予測する。
• 物理的パラメータと建物管理設定を調整するために、CMA-ES最適化アルゴリズムを用いて実際のセンサーデータ（室内温度および熱消費量）によるメタモデルの補正を行う。
• CMA-ESと補正済みメタモデルを組み合わせたマルチオブジェクティブ最適化手順により、エネルギー負荷を最小化すると同時に、目標とする快適性および空気質水準を維持する最適なHVAC設定を同定する。
• 予測精度を最大化するために、潜在次元、ヘッド数、層数、アテンションサイズなどのハイパーパrameterについてグリッドサーチを実施してモデルを訓練する。
• ハイブリッドアプローチを採用：訓練にはシミュレーションベースのデータ生成、補正には実世界のデータを用いることで、実建物のばらつきに強い耐性を実現する。
• 出力変数には室内温度、冷房、暖房、機器消費量が含まれ、これらは集約され、補正段階で実測値と比較される。

実験結果

リサーチクエスチョン

• RQ1 シミュレーション生成の訓練データを用いて、ディープなトランスフォーマーに基づくメタモデルは、多様なHVACおよび気象条件下で建物のエネルギー負荷と室内温度を高精度に予測できるか？
• RQ2 実際のセンサー・データは、物理的制約を組み込んだメタモデルを、実際の建物の挙動を反映させるためにどの程度効果的に補正できるか？
• RQ3 補正済みメタモデルは、大規模な建物において、熱的快適性と室内空気質を維持しながら、エネルギー消費をどの程度削減できるか？
• RQ4 従来の物理ベースのシミュレーションおよび最適化パイプラインと比較して、本提案のエンドツーエンドアプローチは計算効率においてどの程度優れているか？
• RQ5 ハイパーパrameterチューニングは、建物のエネルギー予測タスクにおけるトランスフォーマーに基づくメタモデルの性能にどのような影響を及ぼすか？

主な発見

• 図5の分布分析により、バリエーション豊かなHVACおよび気象条件下で、トランスフォーマーに基づくメタモデルは室内温度およびエネルギー負荷の予測精度が非常に高いことが検証された。
• 実際のセンサー・データを用いた補正ステップにより、モデルの忠実度が顕著に向上し、シミュレートされた室内温度および熱消費量と実測値との乖離が低減された。
• マルチオブジェクティブ最適化手順により、合計エネルギー負荷を削減すると同時に、目標とする熱的快適性および空気質水準を維持する最適なHVAC設定が効果的に同定された。
• 従来の物理ベースのシミュレーションに比べ、本フレームワークは顕著な計算上の利点を示し、広範な物理的パrameter推定を要せず、高速な最適化を可能にした。
• データセットにおける複数日の異なる建物構成および気象条件下でも一貫した結果が得られたことから、モデルの性能は多様な建物設定に対して頑健であることが裏付けられた。
• グリッドサーチによるハイパーパrameterチューニングにより、最適な設定（例：d_emb=64, h=8, N=4, Δ=12）が特定され、モデルの予測安定性および正確性に寄与した。