技術要約：BESTOpt – 建物モデリング、制御、および最適化のためのモジュール式物理情報学習フレームワーク

1. 問題提起

建物セクターは、今後25年間で米国において毎日約10,000棟の建物を脱炭素化する必要があるという、緊急の責務に直面しています。これを達成するには、居住者、建物、HVACシステム、分散型エネルギーリソース（DER）、および電力網といった、高度に相互接続されたエコシステムをモデリング、制御、および最適化できる包括的なフレームワークが必要です。

既存のツールは、このような包括的なフレームワークの実現を妨げる3つの決定的な研究上のギャップを抱えています。

• スケーラビリティ vs 物理的一貫性: 物理ベースのモデル（例：EnergyPlus、Modelica）は高い忠実度を提供しますが、詳細なメタデータや手動のキャリブレーションを必要とするため、大規模な展開には複雑すぎます。一方、データ駆動型手法（例：標準的な機械学習）はスケーラブルですが、物理的一貫性や、未知の条件下または限定的・ノイズの多いデータにおける汎化能力に欠けることがよくあります。
• 調整および相互作用モデリングの欠如: 既存のプラットフォーム（例：CityLearn、REopt）は、建物を事前に定義された負荷プロファイルを持つ静的なノードとして扱うことが多く、室内条件、制御システム、およびDER間のリアルタイムの動的な相互作用を無視しています。これらは、クロスドメインの相互作用や、建物クラスター間の集中的な調整をモデル化できないことが一般的です。
• 透明性の欠如と非微分型アーキテクチャ: ほとんどのプラットフォームは不透明であり、ユーザーによる内部コンポーネント（例：特定のHVACダイナミクス）へのアクセスを制限しています。このモジュール性と微分可能性の欠如は、高度な勾配ベースの最適化手法（例：モデル予測制御）の統合を阻害し、強化学習のようなモデルフリーのアプローチにおいて、学習されたポリシーの解釈や安全な運用を保証することを困難にします。

2. 手法

著者らは、ベンチマーキング、診断、制御、および最適化を含む建物アプリケーションを統合するために設計された、モジュール式の物理情報学習（PIML）ランタイム環境である BESTOpt を提案しています。

2.1 階層型アーキテクチャ

BESTOptは、異なるスケールとドメイン間の調整を管理するために、4レベルの階層構造を採用しています。

1. クラスターレベル: シミュレーション範囲（例：キャンパスや都市）を表し、複数のドメイン間の相互作用を調整し、共有リソースを管理します。
2. ドメインレベル: エネルギーフローのタイプ（現在は熱、電気、水）を定義します。
3. システム/建物レベル: エネルギー供給源（システム）や需要家（建物）といったパッケージ化されたエンティティを表します。単一のシステムは複数のドメインに影響を与えることができます（例：電力を消費しながら熱出力を生成するHVACシステム）。
4. コンポーネントレベル: システムを構築するために使用される基本的な単位（例：ファン、コイル、ポンプ、バッテリー、PVパネル）です。

2.2 標準化されたデータ類型

相互運用性を確保するため、フレームワークはすべての階層レベルにわたってデータを4つのカテゴリに標準化しています。

• 状態 (State): 内部の時変条件（例：ゾーン温度、バッテリーSOC）。
• アクション (Action): コントローラーから送信される制御変数（例：設定値）。
• 外乱 (Disturbance): 直接制御されない外部入力（例：天候、占有、価格）。
• 観測 (Observation): センサーから収集された、あるいはモデルから推論された、またはモニタリングのために集計されたデータ。

データの流れは方向性を持っています。高レベルのアクションは下方へと分解・配信され、低レベルの状態と観測は上方へと集約されます。

2.3 モジュール設計

本フレームワークは、Initialize()、Reset()、および Step() 関数を持つ共通のベースクラスを継承した、3つの主要なモジュールタイプで構成されています。

• 外乱モジュール: 時変入力（天候、占有、価格）を生成します。これらは静的なプロファイル、オンラインAPIデータ、またはCNN-LSTM-ベイズニューラルネットワークを用いて動的に予測されるものになり得ます。
• ダイナミックモジュール: 物理システムを表します。
  • 建物の熱力学: PI-ModNN（物理情報モジュール化ニューラルネットワーク）を使用してモデル化されます。このアプローチは、熱伝達を物理的制約を持つ個別のニューラルネットワークモジュールに分解し、物理的一貫性と汎化性能を確保します。
  • HVACシステム: ファン、ポンプ、コイルなどのサブコンポーネントの集合体であり、経験的な定式化から学習ベースの表現まで多岐にわたります。
  • DERシステム: 方程式ベースの定式化を用いて実装された、PVパネル、バッテリー、EVなどを含みます。これらは解釈性と効率性を備えています。
• コントローラーモジュール: さまざまなレベル（クラスター、ドメイン、システム、コンポーネント）で制御アクションを生成します。アーキテクチャは、ルールベースのロジック、モデル予測制御（MPC）、および強化学習（RL）をサポートしています。

2.4 微分可能性とモジュール性

核心となる革新は、モジュールを微分可能な形式で実装している点です。これにより、勾配ベースの最適化手法とのシームレスな統合が可能になります。モジュール設計により、独立した更新、共有、およびコンポーネントの置換が可能となり、透明性と柔軟性が確保されます。

3. 主な貢献

• PIMLベースのモジュール開発: 物理的原則（保存則、対称性）を機械学習と統合することで、物理的一貫性を維持しながら、未知のシナリオに対しても良好に汎化するモジュールを作成しました。
• 階層的なクロスドメイン・アーキテクチャ: 単一コンポーネントの制御から建物クラスターの集中的な調整まで、マルチスケール（コンポーネントからクラスター）およびマルチドメイン（熱、電気、水）の調整を可能にする構造化されたフレームワークを提供します。
• モジュール化された微分可能な設計: 透明なアーキテクチャを提供することで、プラグアンドプレイの開発をサポートし、明示的かつ微分可能なシステム表現を提供することで、高度な制御戦略（MPC、RL）を可能にします。

4. 結果とケーススタディ

論文では、BESTOptの能力を示すいくつかのケーススタディを提示しています。

• コンポーネントレベルの制御: 単一ゾーン建物におけるファンコイルユニット（FCU）のシミュレーションでは、事前定義された曲線に依存するプラットフォームとは異なり、BESTOptは制御コマンドと実際のシステムフィードバック（例：VFD対定速ファン）の不一致を正確に捉えることができました。
• 熱力学の性能: HVACシステムがオフになったシナリオ（未知の条件）において、標準的なLSTMベースラインは、その後の熱ドリフトを予測できず、ゾーン温度を大幅に過小評価しました。対照的に、PI-ModNN モデルは物理的一貫性を維持し、温度上昇を正確に予測し、優れた汎化性能を示しました。
• DERを備えた戸建住宅: FCU、PV、バッテリー、および2台のEVを備えた住宅のシミュレーションでは、ルールベースの戦略（例：時間帯別料金制）の下での、建物のダイナミクス、HVAC制御、およびDERの調整間のきめ細かな相互作用をシミュレートするフレームワークの能力を示しました。
• クラスター規模のシミュレーション: 5棟の住宅クラスターによる2日間のシミュレーションでは、わずか3ヶ月のデータ（各建物あたり5分未満）で訓練されたPI-ModNNモデルが、多様な建物外皮に対して熱的快適性を維持することに成功しました。フレームワークは、個々の負荷を集計して、クラスターレベルの消費量と多様性を示すことに成功しました。

5. 重要性と主張

著者らは、BESTOptを、スマートでレジリエントな、そして脱炭素化された建物エコシステムへの学際的研究を加速させるための基礎的なプラットフォームとして位置付けています。その重要性は以下の点にあります。

• ギャップの解消: データ駆動型手法のスケーラビリティと、物理ベースモデルの物理的一貫性の間のトレードオフに対処します。
• 高度な制御の実現: 微分可能で透明なモジュール成分を提供することで、これまで不透明なプラットフォームによって制約されていた高度な最適化手法（MPCやRLなど）の可能性を切り拓きます。
• スケーラビリティ: 階層構造により、単一コンポーネントの制御から建物クラスターの集中的な調整まで、幅広いアプリケーションをサポートします。

論文では、マルチゾーン建物における訓練時間の増加や、クラスターレベルのコントローラーにおける高次元観測空間の複雑さといった現在の限界についても謙虚に言及しており、これらを将来の最適化の対象として特定しています。著者らは、BESTOptが大規模なベンチマーキングと評価のためのオープンで拡張可能なプラットフォームへと進化することを展望しています。