[論文レビュー] Simulation and Optimisation of Air Conditioning Systems using Machine Learning

Rakshitha Godahewa, Chang Deng+2 more|arXiv (Cornell University)|Jun 27, 2020

Building Energy and Comfort Optimization参考文献 39被引用数 6

ひとこと要約

本論文では、空室の建物の部屋における室内温度を予測するRNNベースのモデルを提案し、HVACシステムの動的熱設定値最適化を可能にする。RNNは、ベンチマークモデル（SVM、RF、MLR、FFNN）を上回る予測精度を示し、シミュレーション上の暖房時間の短縮が最大28.28%に達し、静的設定値と比較して平均で20.26%のエネルギー削減を達成した。

ABSTRACT

In building management, usually static thermal setpoints are used to maintain the inside temperature of a building at a comfortable level irrespective of its occupancy. This strategy can cause a massive amount of energy wastage and therewith increase energy related expenses. This paper explores how to optimise the setpoints used in a particular room during its unoccupied periods using machine learning approaches. We introduce a deep-learning model based on Recurrent Neural Networks (RNN) that can predict the temperatures of a future period directly where a particular room is unoccupied and by using these predicted temperatures, we define the optimal thermal setpoints to be used inside the room during the unoccupied period. We show that RNNs are particularly suitable for this learning task as they enable us to learn across many relatively short series, which is necessary to focus on particular operation modes of the air conditioning (AC) system. We evaluate the prediction accuracy of our RNN model against a set of state-of-the-art models and are able to outperform those by a large margin. We furthermore analyse the usage of our RNN model in optimising the energy consumption of an AC system in a real-world scenario using the temperature data from a university lecture theatre. Based on the simulations, we show that our RNN model can lead to savings around 20% compared with the traditional temperature controlling model that does not use optimisation techniques.

研究の動機と目的

• 建物の空室期間における静的熱設定値によるエネルギー損失を是正すること。
• 将来の空室期間における室内温度を正確に予測するための機械学習モデルの開発。
• 予測された温度に基づき、冷却・加熱の最適な始動時刻を特定することで、HVACシステムの運用を最適化すること。
• 実際の建物環境における最新のモデルと比較して、提案されたRNNモデルのエネルギー効率の向上を評価すること。

提案手法

• RNNに基づく深層学習モデルを用い、現在の室内および室外温度データを用いて、将来の室内温度を予測する。
• このRNNモデルは、特定のHVAC運転モードに対応する複数の短い時系列データを連続的に学習できるように設計されている。
• SVM、RF、MLR、FFNNといったベンチマークモデルと比較して、RNNモデルを訓練および評価する。
• RNNの予測結果に基づき、再加熱が必要になるまでの安全な最低温度（最適設定値）を特定することで、空室期間中の最適設定値を導出する。
• 大学の講義室を対象としたシミュレーションフレームワークを用い、RNN最適化システムと現在の静的設定値システムとの間でエネルギー消費量を比較する。
• 熱負荷回復がスケジュールされた占用時刻までに完了するように保証しつつ、暖房時間の最小化を目的として、ACの最適始動時刻を特定する。

実験結果

リサーチクエスチョン

• RQ1 RNNモデルは、建物の空室期間中の室内温度予測において、従来の機械学習モデルを上回ることができるか？
• RQ2 RNNベースの温度予測の精度は、HVACシステム運用の最適化にどのように影響を与えるか？
• RQ3 静的設定値と比較して、RNN予測に基づく動的熱設定値調整によって、どの程度のエネルギー削減が達成できるか？
• RQ4 RNNモデルは、実際の建物におけるHVAC運転の特徴である短時間・モード別時系列データを効果的に処理できるか？

主な発見

• RNNモデルは、SVM、RF、MLR、FFNNといったすべてのベンチマークモデルを著しく上回り、室内温度予測において優れた予測精度を示した。
• 平均して、RNNベースの最適化により、1週間を通じて現在の静的設定値システムと比較して、暖房時間は20.26%短縮された。
• 水曜日には、RNNモデルが13.81°Cという低い最適設定値を予測できたため、暖房時間の短縮率が28.28%に達し、全週で最も高かった。
• SVMベンチマークと比較して、RNNモデルはACの始動時刻を早期に設定でき、午後には空室期間がない月曜日・火曜日・金曜日においても、16%を超えるエネルギー削減を達成した。
• シミュレーション結果から、RNNによる高精度な温度予測が、空室時の不必要なHVAC運転を最小限に抑えることで、顕著なエネルギー削減を実現することが確認された。
• 本研究では、RNNが時系列的依存関係をモデル化でき、HVAC運転における短時間・モード別時系列データを効果的に処理できるため、このタスクに特に効果的であることが示された。