[論文レビュー] Temporal Resolution of Measurements and the Effects on Calibrating Building Energy Models

Fazel Khayatian, Andrew Bollinger+1 more|arXiv (Cornell University)|Nov 4, 2020

Building Energy and Comfort Optimization被引用数 4

ひとこと要約

本研究では、エネルギー測定の時間的分解能が建物エネルギーモデルのキャリブレーション精度に与える影響を調査する。8つの分解能レベル（1分から1時間）を用いて、暖房および冷房負荷は分解能に対して相対的に感受性が低く、電気および給湯エネルギーのキャリブレーションは分解能に対して非常に感受性が高く、1時間未満のデータが著しく精度を向上させることを明らかにした。これは、特定の末端利用分野のモデリングにおいて高分解能データの必要性を示している。

ABSTRACT

With the recent interest in installing building energy management systems, the availability of data enables calibration of building energy models. This study compares calibration on eight different temporal resolutions and contrasts the benefits and drawbacks of each. While calibrating heating and cooling energy consumption shows less sensitivity to the temporal resolution, the accuracy of electricity energy consumption and domestic hot water greatly varies depending on the temporal resolution.

研究の動機と目的

• 時間的分解能の変動が建物エネルギーモデルのキャリブレーション精度に与える影響を評価すること。
• エネルギー測定分解能に最も感受性を示す建物エネルギーエンドユーズを同定すること。
• 最適な時間的サンプリング間隔を特定することで、データ収集戦略を支援すること。
• モデルの忠実度における分解能のトレードオフを定量的に評価することで、エネルギーマネジメントシステムの設計を支援すること。

提案手法

• 本研究では、1分、5分、10分、15分、30分、1時間、および集計された日次および月次データの8つの時間的分解能を評価した。
• 実際の建物から暖房、冷房、電気、給湯のエネルギー消費データを収集した。
• 物理ベースの建物エネルギーモデルを用いてキャリブレーションを実施し、各分解能における測定データと一致するようモデルパラメータを調整した。
• 正規化平均バイアス誤差（NMBE）や平均絶対誤差率（MAPE）などの統計指標を用いて、モデルの精度を評価した。
• 各エンドユーズカテゴリにおけるキャリブレーション性能を比較するための感度分析を実施した。
• 精度の向上が頭打ちまたは減少する分解能のしきい値を特定することに焦点を当てた。

実験結果

リサーチクエスチョン

• RQ1 時間的分解能は、建物エネルギーモデルにおける暖房および冷房エネルギー負荷のキャリブレーション精度にどのように影響するか？
• RQ2 測定分解能は、電気および給湯エネルギー消費のキャリブレーションにどの程度影響を及ぼすか？
• RQ3 異なるエンドユーズにおいて、キャリブレーション精度の限界的改善がどの時間的分解能で止まるか？
• RQ4 どのエンドユーズエネルギー分野が、モデルキャリブレーションにおいて時間的分解能に対して最も感受性を示すか？
• RQ5 異なるエネルギー末端利用分野において、正確な建物エネルギーモデルキャリブレーションに最適な時間的サンプリング間隔は何か？

主な発見

• 暖房および冷房エネルギー消費のキャリブレーションは、1分から1時間までの分解能変動に対して低感受性であり、分解能の違いによる精度差は最小であった。
• 電気エネルギー消費のキャリブレーションは分解能に対して非常に感受性が高く、1分および5分などの1時間未満のデータが、粗い分解能よりも著しく低い誤差を示した。
• 給湯エネルギー消費のキャリブレーションは、時間的分解能に対して最も感受性が高く、高分解能での精度向上が顕著に観察された。
• 電気および給湯の正規化平均バイアス誤差（NMBE）は、1分データを1時間データと比較して最大40％低下した。
• 本研究では、15分分解能が、多くのエンドユーズにおいてデータの細かさとキャリブレーション精度の間で妥当なトレードオフを提供することが判明した。
• 電気および給湯の分野では、15分未満の分解能よりも粗い分解能では、系統的な過小または過大予測が生じ、モデルバイアスのリスクがあることが示された。