Data Scarcity in Gas Load Profiling: Generalized Proxy-Guided Load and Temporal Disaggregation

技術要約：プロキシ（代理指標）を用いた汎用的な負荷および時間的解体

問題提起
建物の脱炭素化、特に暖房システムの電化においては、詳細な熱負荷プロファイルの決定的な不足が障壁となっている。ディープニューラルネットワークからEnergyPlusのような物理ベースのツールに至るまで、高度な予測モデルは高解像度のデータを必要とするが、既存の建物ストックにおいてそのようなデータが入手できることは稀である。高解像度のガス計量器の設置は、標準的な公共事業の業務要件を超えており、その結果、研究者は低頻度で不規則かつ希薄な月次の請求データしか利用できない状況にある。従来の機械学習手法はこのようなデータ不足の文脈では実用的ではなく、また伝統的な逆モデリング手法（度日法など）は、機器のサイジングや確率的な居住者行動のモデリングに必要な日内解像度を欠いている。

手法
本論文は、低頻度の月次ガス請求書と時間別電力データから、高解像度（1時間単位）のガス消費プロファイルを再構成するために設計された4段階のプロセスである、「汎用的なプロキシ誘導型負荷および時間的解体（Generalized Proxy-Guided Load and Temporal Disaggregation）」フレームワークを提案している。この手法は、総天然ガス消費量（$G_{total}$）を、空間暖房（$G_{heat}$）と、居住者の確率的な行動によって駆動されるベースロードとしての給湯（$G_{dhw}$）という、2つの明確な物理的レジームに分解することを前提としている。

本フレームワークは、以下の逐次的なステップで構成される：

1. 気象正規化による汎用的な居住プロキシ抽出：
   時間別電力データ（$E$）から行動信号を分離するために、著者らは重回帰分析（MLR）を用いた多変量気象正規化を適用する。このステップでは、電力データを気象変数（風速、湿度、冷房度時）および時間的事前分布に対して回帰させることで、季節的な冷房負荷（エアコンによるもの）を除去する。得られた**居住プロキシ（$E_N$）**は、回帰モデルから熱成分をゼロにすることで導出される、照明や家電の使用量を表すクリーンな行動信号である。

2. 統一セグメンテーションと正規化プーリング：
   希薄な個別記録の統計的な無意味さに対処するため、本フレームワークは「非暖房期間」（平均暖房度時が5未満の月）を特定する。11棟の多世帯住宅からこれらの期間のデータを集約（プーリング）する。比較可能性を確保するため、電力は床面積で正規化され、ガス消費量は建物の特定の容積対面積比（$\phi$）によって正規化される。これにより、個別の建物レベルでは見えない堅牢な傾向を明らかにする統一データセット（$D_{pool}$）が作成される。

3. 統一ベースロードパラメータ推定とローカルキャリブレーション：
   プーリングされたデータセット上で、一般的な最小二乗法（OLS）モデルを訓練し、居住プロキシと給湯消費量（$G_{dhw}$）の間のグローバルな関係を確立する。器具の効率に関する建物固有の差異を考慮するため、ローカルキャリブレーションステップが適用される。各建物の最も代表的な非暖房月における、ユニバーサルな予測値と観測されたガス消費量の間の残差を最小化することにより、スカラー校正係数（$\kappa_i$）が導出される。

4. コンポーネントごとの時間的解体：
   最終段階では、デュアルストリーム最適化アプローチを用いて、両方のコンポーネントのプロファイルを再構成する。

   • ベースロード再構成： 居住者行動をモデル化する電気的プロキシ特徴量（$X_{dhw}$）によって駆動される。
   • 暖房再構成： 熱力学的需要をモデル化する気象特徴量（$X_{heat}$）によって駆動される。
     最適化アルゴリズムは、既知の月次ターゲットと、集計された時間別予測との間の誤差を最小化するように機能し、合成されたプロファイルが元の月次請求書のエネルギー質量を厳密に保存しつつ、特定の時間的ダイナミクスに従うことを保証する。

主な結果
本フレームワークは、18ヶ月間の運用データを含む11棟の多世帯住宅のデータセット、および高解像度のAlmanac of Minutely Power (AMPds) データセットを用いて検証された。

• プロキシの有効性： 気象正規化された居住プロキシ（$E_N$）は、非暖房時のガス消費量に対して0.74の平均ピアソン相関を示した。これは生の電力データ（平均 $r = 0.28$）と比較して大幅な改善であり、行動信号の分離が成功したことを裏付けている。
• ベースロードの精度： 統一プーリングおよびキャリブレーション戦略により、ポートフォリオ全体でベースロード期間の平均二乗パーセント誤差（MSPE）は**8.58%**を達成した。
• 総負荷の再構成： 再構成された総ガス消費量（$\hat{G}_{total}$）は、ポートフォリオ全体の平均MSPEで6.37%、正規化平方根平均二乗誤差（NRMSE）で0.20を達成した。モデルは、顕著な時間的ラグなしに、高頻度のベースロード変動と暖房ピークの両方を正確に追跡することに成功した。
• 高解像度検証： AMPdsデータセット（分単位のデータ）を用いたテストにおいて、本フレームワークは暖房とベースロードのコンポーネントを効果的に分離し、コンポーネントごとのMSPEは約**10–11%**であった。これは、分単位の間隔においても堅牢であることを示している。

意義と主張
本論文は、本フレームワークが、低頻度のユーティリティデータと、データ駆動型の脱炭素化モデリングに求められる高忠実度なトレーニングセットとの間の解像度のギャップを効果的に埋めるものであると主張している。居住者行動の動的な、非侵襲的なプロキシとして時間別電力を活用することで、本手法は、既存の建物改修においてAI解析の適用を妨げるデータ不足の問題を克服する。

著者らは、本フレームワークを、サブメータリング（個別計量）インフラを必要とせずに詳細なトレーニングデータを生成するための、スケーラブルなソリューションとして位置づけている。その意義は、希薄な月次請求記録を信頼性の高い高解像度の熱プロファイルへと変換できる能力にある。これにより、精密な機器のサイジングと、既存の建物ストックに対する持続可能な電化戦略の開発が可能となる。結論として、本アプローチは、エネルギー質量の保存則（エネルギー・マス・バランス）との物理的一貫性を維持しながら、建物の電化改修を加速させるための実用的なツールを提供すると述べている。