[論文レビュー] Support Vector Machine in Prediction of Building Energy Demand Using Pseudo Dynamic Approach

Subodh Paudel, Phuong H. Nguyen+4 more|arXiv (Cornell University)|Jul 17, 2015

Building Energy and Comfort Optimization参考文献 19被引用数 31

ひとこと要約

本稿では、疑似動的モデリングと動的時間ワープ（DTW）に基づく関連日選択を組み合わせたサポートベクターマシン（SVM）モデルを提案し、高い精度で建物のエネルギー需要を予測する。この手法により、全データを用いた学習時と比較して、学習時間を116時間からわずか8分に短縮するとともに、熱インertiaと占有状態の変化を捉えることで予測性能が向上する。

ABSTRACT

Building's energy consumption prediction is a major concern in the recent years and many efforts have been achieved in order to improve the energy management of buildings. In particular, the prediction of energy consumption in building is essential for the energy operator to build an optimal operating strategy, which could be integrated to building's energy management system (BEMS). This paper proposes a prediction model for building energy consumption using support vector machine (SVM). Data-driven model, for instance, SVM is very sensitive to the selection of training data. Thus the relevant days data selection method based on Dynamic Time Warping is used to train SVM model. In addition, to encompass thermal inertia of building, pseudo dynamic model is applied since it takes into account information of transition of energy consumption effects and occupancy profile. Relevant days data selection and whole training data model is applied to the case studies of Ecole des Mines de Nantes, France Office building. The results showed that support vector machine based on relevant data selection method is able to predict the energy consumption of building with a high accuracy in compare to whole data training. In addition, relevant data selection method is computationally cheaper (around 8 minute training time) in contrast to whole data training (around 31 hour for weekend and 116 hour for working days) and reveals realistic control implementation for online system as well.

研究の動機と目的

• 最適なエネルギー管理を実現するため、短期的な建物エネルギー需要予測の精度を高めること。
• SVMのようなデータ駆動型モデルが学習データ選択に敏感であるという課題を克服すること。
• 疑似動的アプローチを用いて、熱インertiaと占有動態をエネルギー予測に統合すること。
• リアルタイム建物エネルギー管理システム（BEMS）に適した、計算効率が高くオンライン対応可能な予測システムを開発すること。

提案手法

• エネルギー需要予測のコア回帰モデルとしてサポートベクターマシン（SVM）を採用する。
• 動的時間ワープ（DTW）を用いて、ターゲット日と類似した気象および占有パターンを持つ「関連日」を特定・選択する。
• エネルギー消費と占有プロファイルの時間的遷移を捉える疑似動的モデルを統合する。
• 全歴史的データセットではなく、選択された関連日のみを用いてSVMモデルを学習する。
• 関連日選択手法と全歴史的データ学習の両者におけるモデル性能および学習時間を比較する。
• 検証および評価のため、ナント工科大学のオフィス建物から得た事例データを用いる。

実験結果

リサーチクエスチョン

• RQ1 DTWに基づく関連日選択は、SVMによる建物エネルギー需要予測の精度を向上させることができるか？
• RQ2 疑似動的モデリングアプローチは、熱インertiaおよび占有状態の影響をどのように効果的に表現しているか？
• RQ3 関連日を用いる場合と全データを用いる場合の間で、予測精度と計算効率のトレードオフはどのようなものか？
• RQ4 提案手法は、実際のBEMS応用においてリアルタイム・オンラインエネルギー需要予測を可能にするか？

主な発見

• DTWによる関連日選択を経たSVMモデルは、全データセットを用いた学習モデルよりも高い予測精度を達成した。
• 関連日手法では、学習時間が全データ学習と比較して著しく短縮され、作業日では116時間、土日では31時間であったのに対し、わずか8分にまで短縮された。
• 疑似動的モデルは、遅れを伴う熱的効果および占有プロファイルの遷移を効果的に捉えており、予測の現実性が向上した。
• 提案手法により、計算効率が高く、近似リアルタイムでの実装が可能であり、オンライン建物エネルギー管理システムに適した。
• DTWを用いた時間的類似性に基づくデータ選択は、SVM学習において全歴史的データを用いるよりも効果的であることが示された。
• 本手法は、精度、速度、実用性のバランスに優れているため、運用上のBEMSへの導入に強く有望である。