[論文レビュー] Modeling and Optimization of Complex Building Energy Systems with Deep Neural Networks

Yize Chen, Yuanyuan Shi+1 more|arXiv (Cornell University)|Nov 7, 2017

Building Energy and Comfort Optimization参考文献 2被引用数 14

ひとこと要約

本論文は、物理ベースのモデルに依存せずに、複雑な建物エネルギーシステムをモデリングおよび最適化するデータ駆動型ディープラーニングフレームワークを提案する。高分解能のセンサデータを用いて時間的ダイナミクスを捉えるためにRNNを訓練し、エネルギー最小化のための制約付き最適化問題を定式化。勾配降下法にモーメンタムを適用して最適化を実行し、従来のモデルと比較して30.74%のエネルギー消費削減を達成した。

ABSTRACT

Modern buildings encompass complex dynamics of multiple electrical, mechanical, and control systems. One of the biggest hurdles in applying conventional model-based optimization and control methods to building energy management is the huge cost and effort of capturing diverse and temporally correlated dynamics. Here we propose an alternative approach which is model-free and data-driven. By utilizing high volume of data coming from advanced sensors, we train a deep Recurrent Neural Networks (RNN) which could accurately represent the operation's temporal dynamics of building complexes. The trained network is then directly fitted into a constrained optimization problem with finite horizons. By reformulating the constrained optimization as an unconstrained optimization problem, we use iterative gradient descents method with momentum to find optimal control inputs. Simulation results demonstrate proposed method's improved performances over model-based approach on both building system modeling and control.

研究の動機と目的

• 大規模な商業ビルにおける長期的かつ時間的に相関のあるダイナミクスを捉えるために、物理ベースまたは簡略化されたRCモデルがもつ高いモデリングコストと複雑さに対処すること。
• 高容量のセンサデータとディープラーニングを活用し、正確な建物エネルギーシステムモデリングを実現するスケーラブルなデータ駆動型代替手法を開発すること。
• 明示的なシステム方程式を必要とせず、予測モデリングとリアルタイム制御を統合したエンドツーエンドのフレームワークを構築すること。
• RNNで予測されたシステムモデルを基に勾配ベースの最適化により制御入力（例：温度設定値）を最適化し、エネルギー効率を向上させること。

提案手法

• 履歴的な建物運用データ（制御可能な入力、制御不能な測定値、物理的予測を含む）を用いて、1つの再帰層と3つの全結合層からなる深層RNNを訓練する。
• RNNは、ゾーン温度、占有人数、天気予報などの55個の入力特徴量から、時間的依存性を複雑に学習し、エネルギー消費を予測する。
• ペナルティ法を用いて制約付き最適化問題を制約なし形式に再定式化し、制御可能な入力に対して勾配ベースの最適化を可能にする。
• 各時刻で有限な4時間の時間窓内で、勾配降下法にモーメンタムを適用して最適な制御入力（例：ゾーン設定値）を繰り返し求める。
• 最適化中に温度設定値の物理的制約を適用し、建物のゾーンごとの分散型デプロイメントをサポートする。
• TensorFlowを用いてフレームワークを実装し、ReLU活性化関数、正則化のためのドロップアウト、学習のための確率的勾配降下法を用いる。

実験結果

リサーチクエスチョン

• RQ1 センサデータのみを用いて、大規模商業ビルのエネルギーシステムの複雑で長期的な時間的ダイナミクスを深層RNNが効果的にモデリングできるか？
• RQ2 RNNベースのモデリングは、実際の建物のエネルギー消費パターンを捉える際に、従来の一次RCモデルと比較してどの程度優れているか？
• RQ3 簡略化された動的特性を用いたモデルベース制御と比較して、RNNベースの最適化はエネルギー消費をどの程度削減できるか？
• RQ4 異なる温度設定値制約下での最適化性能はどのように変化するか？
• RQ5 提案手法は、日次の人々の滞在パターンや熱的特性を反映した、グローバルに最適なゾーン固有の制御スケジュールを生成できるか？

主な発見

• RNNモデルは、一次RCモデルと比較してエネルギー消費予測のルート・ミーン・スクエア・エラー（RMSE）を68.33%削減し、RMSEは0.076（RCモデル：0.240）を達成した。
• RNNは、RCモデルが再現できなかった、占有人数スケジュールに起因する正午のエネルギー低下といった非線形ダイナミクスを効果的に捉えた。
• 提案手法は、ベースラインと比較して30.74%のエネルギー消費削減を達成したのに対し、RCモデルに基づくアプローチは同じ制約下で4.07%の削減にとどまった。
• 広い温度設定値制約（18°C–26°C）では、狭い制約（19°C–24°C）よりも、より鋭くエネルギー効率の良い制御入力を得られた。
• 最適化された制御スケジュールは、異なるゾーンで明確な日次パターンを示しており、実際の建物に適用することで包括的なシステム全体のエネルギー節約が可能である可能性を示唆した。
• 本手法は、伝導、対流、放射のプロセスを明示的にモデル化することなく、複雑な非線形相互作用を効果的に扱う強靭性を示した。