能動学習型最適化を用いたビル空調制御

摘要

建物全体のエネルギ消費の約4 割を占める空調·熱源システムにおいて、外気条件などに応じた機器設定値の最適化は、既存設備での省エネ/省CO_2 が実現できるため、顧客に対してのメリットが大きい。さらに、最適化の近似目的関数をエネルギ管理データからオンライン学習することで、機器スペックや計装図面などの詳細情報を必要とせず、機器劣化や運用変化に対応可能なシステムを提供できる。このような計測データによる近似最適化手法では、モデルデータの質が性能に大きく影響を与える。そのため特に初期導入時では、対象システムとかけ離れた近似目的関数上の最適値をいくら学習しても、大域的最適解に到達できないことがある。これは、特に新規顧客へ導入する際に性能面でのリスクとなりうる。大域的最適解を逐次的な能動学習により探索する手法は、最適設計の分野で盛hに研究されてきた。特に近年では、Efficient Global Optimization（EGO）に代表される、少ないサンプル点で局所的な最適値探索と対象の大域的特徴の把握を同時に扱える、能動学習型の最適化手法が注目を集めている。本稿では、能動学習型最適化の考え方を空調制御の設定値最適化に適用することで、計測データによる近似最適化の初期導入時についての課題を解決する。