[論文レビュー] Machine Learning for Smart and Energy-Efficient Buildings

H. Das, Yu‐Wen Lin+8 more|arXiv (Cornell University)|Nov 27, 2022

Smart Grid Energy Management被引用数 6

ひとこと要約

この論文は、住環境の快適性を維持しながらエネルギー消費を最適化することを目的としたスマートで省エネルギー建築における機械学習の応用をレビューしている。建物システムにおける教師あり、教師なし、強化学習の手法を調査し、データと一般化の課題を強調するとともに、モデルの移植性と現実世界での性能を向上させるために、標準化されたデータフレームワークと転移学習の導入を提言している。

ABSTRACT

Energy consumption in buildings, both residential and commercial, accounts for approximately 40% of all energy usage in the U.S., and similar numbers are being reported from countries around the world. This significant amount of energy is used to maintain a comfortable, secure, and productive environment for the occupants. So, it is crucial that the energy consumption in buildings must be optimized, all the while maintaining satisfactory levels of occupant comfort, health, and safety. Recently, Machine Learning has been proven to be an invaluable tool in deriving important insights from data and optimizing various systems. In this work, we review the ways in which machine learning has been leveraged to make buildings smart and energy-efficient. For the convenience of readers, we provide a brief introduction of several machine learning paradigms and the components and functioning of each smart building system we cover. Finally, we discuss challenges faced while implementing machine learning algorithms in smart buildings and provide future avenues for research at the intersection of smart buildings and machine learning.

研究の動機と目的

• 米国におけるエネルギー消費と温室効果ガス排出量の約40％を占める建物のエネルギー消費を削減するという重要なニーズに対応する。
• 建物システムにおける信頼性の高い機械学習モデルを訓練するためのデータ収集、品質、一貫性の課題を克服する。
• スマートビルにおける機械学習駆動の制御、予測、診断を通じて、住環境の快適性とエネルギー効率を向上させる。
• 熱的快適性の好みや建物設計の多様性に起因する、異なる建物や住民間でのモデル一般化のギャップを特定する。
• 標準化されたデータリポジトリ（例：BRICKスキーマ）と転移学習を、スケーラブルで相互運用可能な建物における機械学習ソリューションへの道筋として提言する。

提案手法

• 建物用途における機械学習パラダイム（教師あり、教師なし、強化学習）を調査した。
• HVAC、照明、占有人感知、故障検出、グリッド連携を含む主要な建物システムにおける機械学習応用をレビューした。
• 従来の制御手法と比較してモデルの性能を評価し、機械学習がしばしばベースライン性能を上回ることを示した。
• データ不足を解消し、モデルの頑健性を向上させるために、合成データ生成とグレイボックスモデリングを提言した。
• センサデータとシステムインターフェースを建物間で統一するために、標準化されたメタデータスキーマ（例：BRICK）の導入を提唱した。
• 多様な建物や住民プロファイルにわたるモデル一般化を向上させるために、転移学習とドメイン適応を検討した。

実験結果

リサーチクエスチョン

• RQ1 機械学習は、住環境の快適性を損なわせることなく、建物のエネルギー効率をどのように向上させることができるか？
• RQ2 特にデータ品質と可用性の観点から、実際の建物環境に機械学習モデルを展開するにあたり、どのような主な課題が存在するか？
• RQ3 転移学習とドメイン適応は、異なる建物や住民グループにわたるモデル一般化をどの程度向上させることができるか？
• RQ4 標準化されたデータフォーマットと共有リポジトリは、スマートビルにおける機械学習ソリューションの相互運用性とスケーラビリティをどのように高めるか？
• RQ5 物理ベースのシミュレーションとデータ駆動型機械学習を組み合わせたハイブリッドモデルは、モデルの信頼性と解釈可能性を向上させる役割を果たすか？

主な発見

• 機械学習モデルは、予測、故障検出、エネルギー最適化のタスクにおいて、従来の制御手法を常に上回るか同等の性能を示している。
• 特に熱的快適性に関するデータ不足が深刻な障壁となっており、住民のフィードバックは侵襲的で、クラスに偏りがある。
• 機関や企業間での標準化されたデータフォーマットの欠如が、データ再利用とモデルの移植性を阻害している。
• 合成データ生成とグレイボックスモデリングは、占有人数や快適性モデリングにおいて、限られた実世界データの課題を克服する有効な解決策を提供する。
• 転移学習とドメイン適応は有望ではあるが、建物や住民の多様性にわたるモデル一般化を向上させる分野としてまだ十分に検討されていない。
• 標準化されたプラットフォームとインターフェースプロトコルは、建物システム、グリッド、制御レイヤー間での機械学習モデル統合に不可欠である。