[論文レビュー] NeurOpt: Neural network based optimization for building energy management and climate control

Achin Jain, Francesco Smarra+3 more|arXiv (Cornell University)|Jan 21, 2020

Building Energy and Comfort OptimizationEngineering被引用数 18

ひとこと要約

本稿では、ヒストリカルセンサデータからの建物エネルギーや温度動態を学習するニューラルネットワークを用いた、データ駆動型のモデル予測制御（MPC）フレームワークであるNeurOptを提案する。物理ベースのモデルやシステム改造を必要とせず、エネルギー効率の向上と居住者の快適性の向上を実現する。イタリアの実際の2階建て建物において、NeurOptはエネルギー使用量を5.7%削減し、ベースラインのルールベース制御器と比較して温度安定性が向上した。

ABSTRACT

Model predictive control (MPC) can provide significant energy cost savings in building operations in the form of energy-efficient control with better occupant comfort, lower peak demand charges, and risk-free participation in demand response. However, the engineering effort required to obtain physics-based models of buildings is considered to be the biggest bottleneck in making MPC scalable to real buildings. In this paper, we propose a data-driven control algorithm based on neural networks to reduce this cost of model identification. Our approach does not require building domain expertise or retrofitting of existing heating and cooling systems. We validate our learning and control algorithms on a two-story building with ten independently controlled zones, located in Italy. We learn dynamical models of energy consumption and zone temperatures with high accuracy and demonstrate energy savings and better occupant comfort compared to the default system controller.

研究の動機と目的

• 建物エネルギーマネジメントにおける物理ベースモデルの高コストな設計を低減すること。
• ドメインの専門知識やシステム改造を要しないスケーラブルなデータ駆動型モデル予測制御（MPC）を実現すること。
• ニューラルネットワークを用いてエネルギーサブスクリプションとゾーン温度動態をモデル化し、実際の建物におけるエネルギー効率の向上と居住者の快適性の向上を図ること。
• ブラックボックス型ニューラルネットワークモデルが、実世界の建物におけるMPCで伝統的な物理ベースモデルに効果的に置き換え可能であることを示すこと。
• 10の独立制御ゾーンを有する実際の建物で本アプローチを検証し、測定可能なエネルギー節約と快適性の向上を示すこと。

提案手法

• 建物自動化システム（BAS）および気象観測所からのヒストリカルデータを用いて、エネルギー消費とゾーン温度動態をモデル化するニューラルネットワークを学習する。
• 学習されたニューラルネットワークモデルを非線形MPCフレームワークに統合し、エネルギー使用と熱的快適性のバランスを最適化する制御入力を最適化する。
• 2種類のMPCバリエーションを実装する：MPC-minはエネルギー使用量を最小化しつつ快適性の境界を守る。MPC-trackingは設定値周辺の温度ばらつきを低減する。
• MPCコントローラは監視レイヤーとして機能し、既存の暖房システムを変更せずに動的セットポイントを調整する。
• LabVIEWベースのローカルサーバーを介して、Modbus TCP/IPおよびOPCプロトコルを通じてクラウドベースのElasticsearchデータベースと通信することで、リアルタイムデータフローを実現する。
• ローカルサーバーとリモートクラウドデータベース間で15秒ごとにセットポイントと測定値を同期し、リアルタイムの監視と制御を実現する。

実験結果

リサーチクエスチョン

• RQ1 ヒストリカルセンサデータおよび気象データのみを用いて、ニューラルネットワークが実際の建物におけるエネルギー消費とゾーン温度動態を正確にモデル化できるか？
• RQ2 既存のHVACシステムを改造せずに、ニューラルネットワークベースのMPCコントローラがルールベースベースラインコントローラと比較して顕著なエネルギー節約を達成できるか？
• RQ3 ニューラルネットワークMPCの性能は、居住者の快適性とエネルギー使用の安定性の観点で、ルールベース制御と比較してどのように異なるか？
• RQ4 動的セットポイント調整を通じて、エネルギー節約と熱的快適性の効果的なトレードオフをコントローラが実現できるか？
• RQ5 物理ベースモデルではなくブラックボックス型ニューラルネットワークを用いることで、MPCのスケーラビリティと導入作業にどのような影響があるか？

主な発見

• 実際の2階建て建物における3日間の実験で、NeurOptはベースラインのルールベース制御器と比較してエネルギー使用量を5.7%削減した。
• MPC-minコントローラはゾーン温度を快適性下限境界に近づけて維持し、エネルギー使用量の削減を実現しながらも熱的快適性を保った。
• MPC-trackingコントローラは、ベースラインと比較して温度ばらつきを顕著に低減し、システム改造なしに居住者の快適性が向上したことを示した。
• ヒストリカルデータから学習されたニューラルネットワークモデルは、エネルギー消費とゾーン温度の非線形動態を正確に捉えていた。
• 物理ベースモデルの必要性が排除され、設計の工数が削減され、実際の建物におけるMPCの迅速な導入が可能になった。
• 制御命令とセンサ測定値の間で15秒ごとの同期を実現するクラウドベースのデータパイプラインを通じて、リアルタイム運用が可能であることを実証した。