Towards Energy Efficiency: Forecasting Indoor Temperature via Multivariate Analysis

技術要約：エネルギー効率に向けて：多変量解析による室内温度予測

問題提起
本論文は、住宅におけるエネルギー効率の向上、特に住宅エネルギー消費の大部分（調査対象となったSMLsystemハウスでは53.89%）を占める暖房、換気、および空調（HVAC）システムを対象とした課題に取り組んでいる。核心となる問題は、プロアクティブなHVAC制御を可能にするために、室内温度を正確に予測する必要があることである。著者らは、熱慣性の存在により、温度を維持することは、異なる状態から冷却または加熱することよりもエネルギー効率が高いと指摘している。したがって、将来の室内温度を予測することで、建築オートメーションシステムは熱条件を予測し、快適性を維持しながらエネルギー使用量を最小限に抑えるようにHVAC操作（例：ヒートポンプの起動）を調整することができる。本研究は、Solar Decathlon Europe 2012コンペティションのために建造された太陽光発電プロトタイプ住宅である「Small Medium Large System (SMLsystem)」に焦点を当てている。

手法
本研究では、人工ニューラルネットワーク（ANN）を用いた多変量時系列予測手法を採用し、それらを標準的な統計手法と比較している。

• データ取得と前処理： データは、88個のセンサーと49個のアクチュエータを備えたKNXベースのモニタリングフレームワークを用いて、SMLsystemハウスから収集された。生データは1分間隔でサンプリングされたが、平均値を算出することで15分間隔にサブサンプリングされた。データセットは、訓練セット（2011年3月の21日間）、検証セット（2011年3月の7日間）、テストセット（2011年6月の7日間）に分割された。
• 入力変数（共変量）： モデルには以下の入力特徴量を用いた：
  • 室内温度 ($d$)：汎化性能を向上させるために差分をとったターゲット変数。
  • 時刻 ($h$)：時間の周期性を扱うため、ローカルエンコードされたカテゴリ（24成分）としてエンコード。
  • 日射量 ($W$)、室内相対湿度 ($H$)、CO2濃度 ($Q$)、および降雨状態 ($R$)：平均と標準偏差を用いて正規化。
• 予測モデル：
  • 統計的ベースライン： 指数平滑法（ETS）および自己回帰移動平均モデル（ARIMA）をベンチマークとして使用。
  • 人工ニューラルネットワーク（ANN）： 多層パーセプトロンは、モーメンタムとL2正則化（重み減衰）を用いたバックプロパゲーションアルゴリズムを用いて訓練された。本研究では、一度のステップでサイズ $Z=12$（3時間）の将来のウィンドウを予測する、Multiple Input Multiple Output (MIMO) アプローチを利用した。
  • アンサンブル戦略： 堅牢性を高めるため、異なる入力ウィンドウサイズ ($I(x)$) で訓練された複数のANNモデルを組み合わせた。以下の2つの組み合わせスキームをテストした：
    • COMB-EQ： 一様線形結合（等重み）。
    • COMB-EXP： 検証セットにおける平均絶対誤差（MAE）の逆数に基づく、指数線形結合（ソフトマックス重み）。
• 評価： パフォーマンスは、検証およびテスト分割における対称平均絶対パーセント誤差（SMAPE）、平均絶対誤差（MAE）、および平方根平均二乗誤差（RMSE）によって測定された。

主な結果

• ANNの優位性： ANNは、標準的な統計手法（ETSおよびARIMA）を大幅に上回り、99%以上の信頼水準を示した。
• 最適な共変量： 最も効果的なモデル構成は、室内温度、時刻、および日射量を組み合わせたもの（$d + h + W$）であった。さらなる共変量（湿度、CO2、降雨）を追加しても、改善はわずかであった。
• アンサンブルの性能： COMB-EXP（指数結合）戦略は、一様（COMB-EQ）または単一の最良モデル（BEST）よりも概してわずかに優れた結果を示したが、その差は統計的に有意ではない場合も多かった。
• 予測精度： 最も優れた性能を示したモデル（$d + h + W$ を用いた COMB-EXP）は、テスト分割において約0.45%のSMAPEと、約0.11°CのMAEを達成した。
• ホライゾン感度： 予測ホライゾンが延びるにつれて誤差率は上昇し、信頼区間は広がった。しかし、日射量のような共変量の包含は、長いホライゾン（90分以上）においてより重要となった。
• 相互情報量（MI）： MI分析により、日射量が室内温度と、特に日中において強い関係にあることが確認された。興味深いことに、湿度や空気質も高いMI値を示したが、それらをモデルに含めても、時間や日射量から提供される情報以上の性能向上は有意には認められなかった。

意義と主張
本論文は、正確な室内温度予測が、エネルギー効率の高いHVAC制御のための実行可能な戦略であることを主張している。将来の熱状態を予測することで、SMLsystemは快適性を維持しながらエネルギー消費を抑えるように操作を適応させることができる。本研究は、多変量ANN、特に特定の環境共変量（時刻および日射量）を組み合わせたモデルが、このタスクに対して堅牢なソリューションを提供し、従来の統計的な時系列手法を凌駕することを実証している。

著者らは、本研究が、快適性とエネルギー節約のバランスを取るための、ホームオートメーションシステム（アンビエント・インテリジェンス）への予測機能の統合に向けた実用的な枠組みを提供することを強調している。彼らは、本研究が南欧の単一の住宅における限定的な期間のデータに基づいていることを謙虚に述べ、異なる季節、場所、および建築タイプにおいてこれらの知見を検証すべきであることを示唆している。最終的な目標は、これらの予測能力を利用して、温度調節だけでなくエネルギーサブシステム全体を最適化する予測制御システムを設計することである。