[論文レビュー] A Sequential Modelling Approach for Indoor Temperature Prediction and Heating Control in Smart Buildings

Yongchao Huang, Hugh Miles+1 more|arXiv (Cornell University)|Sep 21, 2020

Building Energy and Comfort Optimization参考文献 18被引用数 5

ひとこと要約

本論文は、スマートビルにおける室内温度予測および暖房制御のための2段階でデータ駆動型の逐次モデリングフレームワークを提案する。アーリアスティブ（AR）モデルを用いて周囲環境の予測を行い、その後にXGBoostを用いて多次元予測を実行することで、実際のIoTセンサーデータを用いて正確な温度軌道予測と効果的な暖房制御を達成し、スマートビルにおけるエネルギー効率化の強力な可能性を示している。

ABSTRACT

The rising availability of large volume data, along with increasing computing power, has enabled a wide application of statistical Machine Learning (ML) algorithms in the domains of Cyber-Physical Systems (CPS), Internet of Things (IoT) and Smart Building Networks (SBN). This paper proposes a learning-based framework for sequentially applying the data-driven statistical methods to predict indoor temperature and yields an algorithm for controlling building heating system accordingly. This framework consists of a two-stage modelling effort: in the first stage, an univariate time series model (AR) was employed to predict ambient conditions; together with other control variables, they served as the input features for a second stage modelling where an multivariate ML model (XGBoost) was deployed. The models were trained with real world data from building sensor network measurements, and used to predict future temperature trajectories. Experimental results demonstrate the effectiveness of the modelling approach and control algorithm, and reveal the promising potential of the mixed data-driven approach in smart building applications. By making wise use of IoT sensory data and ML algorithms, this work contributes to efficient energy management and sustainability in smart buildings.

研究の動機と目的

• 実世界のセンサーデータを用いてスマートビルの室内温度軌道を予測するデータ駆動型アプローチの開発。
• 単変量および多次元機械学習モデルを統合する逐次モデリングフレームワークを設計し、予測精度の向上を図ること。
• 予測された温度傾向に基づいた知的で効率的な暖房制御を可能にし、エネルギー効率を向上させること。
• 実際のビルセンサーネットワーク測定値を用いて、提案されたフレームワークの有効性を評価すること。
• 持続可能なビルエネルギーマネジメントにおける混合データ駆動型アプローチの実現可能性を示すこと。

提案手法

• 2段階のモデリングアプローチを採用：まず、単変量の自己回帰（AR）モデルが周囲温度状態を予測する。
• ARモデルの予測結果に加え、その他の制御変数（例：占拠状況、屋外温度）を組み合わせた特徴量を2段階目のモデルの入力として使用する。
• これらの統合特徴量を用いて、多次元機械学習モデルであるXGBoostを学習させ、将来の室内温度軌道を予測する。
• モデルの学習および検証には、ビルセンサーネットワークからの実世界データを活用する。
• 予測出力を用いて、HVACシステムを適切に調整する暖房制御アルゴリズムを駆動する。
• システム全体は、実際のスマートビル環境からの実証データを用いて学習および評価される。

実験結果

リサーチクエスチョン

• RQ1 単変量および多次元モデルを組み合わせた逐次モデリングアプローチは、スマートビルにおける室内温度予測精度を向上させることができるか？
• RQ2 ARおよびXGBoostモデルの統合は、IoTセンサーデータを用いた室内温度軌道予測においてどの程度効果的か？
• RQ3 予測された温度軌道は、どの程度効率的かつ適応的な暖房制御を可能にするか？
• RQ4 実際のビルセンサーデータの使用が、学習ベースの制御フレームワークの性能にどのような影響を与えるか？
• RQ5 提案されたフレームワークは、従来の制御手法と比較して、エネルギー効率性および予測信頼性の面で優れているか？

主な発見

• 2段階の逐次モデリングアプローチは、ベースライン手法と比較して、室内温度予測精度を顕著に向上させた。
• ARおよびXGBoostモデルの統合により、実際のビルセンサーデータを用いた将来的な温度軌道の予測が安定して可能となった。
• 予測温度に基づく制御アルゴリズムは、暖房システムの効率的制御を実現し、エネルギーの無駄を削減した。
• 実験結果から、本フレームワークが実世界のスマートビル応用において有効であることが確認された。
• 本研究は、持続可能で効率的なビルエネルギーマネジメントにおける混合データ駆動型アプローチの強力な可能性を示した。
• 本フレームワークは、広く利用可能なIoTデータと効率的な機械学習モデルに依存しているため、スマートビルネットワークへのスケーラブルな展開が有望である。