Data-driven moving-window Bayesian inference for transient CO2–temperature network models of buildings

建物は静止した箱ではありません。それは呼吸し、熱を蓄え、中にいる人々に反応する、生きているシステムなのです。ドアが開くたび、人が入ってくるたび、あるいは窓が開くたびに、内部の空気は変化し、熱と二酸化炭素の両方を運び去ります。数十年にわたり、エンジニアたちはこれらの変化が室内の快適性にどのように影響するかを予測しようとしてきましたが、熱と空気の質を別々の問題として扱うモデルに頼ってきました。彼らは壁が熱を伝導することや、人が熱を生み出すことは知っていますが、特にセンサーがまばらであったり、建物の挙動が突然変化したりする場合に、部屋間を移動する目に見えない空気の流れを追跡することにはしばしば苦慮してきました。課題は、限られたデータからリアルタイムで学習し、センサーの不具合と建物の振る舞いの真の変化を区別しながら、暖房や冷房システムを制御するのに十分な速さで計算を行えるシステムを作り出すことでした。

アイントホーフェン工科大学の研究チームは、建物の温度と二酸化炭素レベルを「表裏一体のもの」として扱う新しいアプローチを開発しました。熱と空気の質を個別に観察するのではなく、空気の流れと人間の存在という目に見えない要因を通じて、両者を結びつけるモデルを構築したのです。この枠組みにおいて、空気の動きは共通の糸となります。ある部屋から別の部屋へと二酸化炭ドキシドを運ぶのと同じ空気の流れが、熱も運ぶのです。温度と二酸化炭素の両方が時間の経過とともにどのように変化するかを観察することで、システムはそこから逆算して、人々がどこにいるのか、空気がいかにしてゾーン間を移動しているのか、そして建物自体がどのようにエネルギーを蓄積または放出しているのかを把握することができます。この手法は、高価なセンサーを密集させる必要はありません。オフィスビルで通常利用可能な、まばらなデータを用いて機能します。これは「移動窓ベイズ推論（moving-window Bayesian inference）」と呼ばれる手法を使用しています。この手法は、建物の全履歴を一度に分析しようとするのではなく、直近の短い時間の切り出し（例えば40分間のウィンドウ）に注目します。これにより、例えば小さなオフィスから大きな会議室へと人々が移動したときのように、状況が変化した際にモデルが迅速に適応することを可能にします。

このアイデアを検証するため、研究者たちはまず、4つの小さなオフィス、2つの大きな会議室、そしてそれらをつなぐ廊下を持つ、完璧なコンピュータ生成の建物を作成しました。このシミュレーションの世界では、彼らは「真実」を知っていました。つまり、各部屋に何人の人がいるのか、空気がどの程度の速さで流れているのか、そして壁がどのように熱を伝導しているのかを正確に把握していたのです。次に、安価な実世界のセンサーに見られるようなわずかな不正確さを模倣するために、現実的なセンサーエラーを導入しました。このデータに対して新しいモデルを実行したところ、モデルは隠れた空気の流れと占有パターンの構造を見事に再構築することに成功しました。モデルは、人々が小さなオフィスから大きな会議室へと移動する様子を追跡し、新しい現実に合わせて空気の流れと熱貯蔵の内部推定値を調整することができました。極めて重要な点として、システムが未知の突然の変化に遭遇した際、単に推測するのではなく、自身の「不確実性」を信号として送りました。可能性のある回答の範囲が広がり、十分な新しいデータが流れ込み、新しい状態が確認されるまで、事実上「まだ確信が持てません」とユーザーに伝えたのです。この「疑念を定量化する能力」は重要な特徴であり、混沌とした移行期において、自信満々だが間違った予測をしてしまうことを防ぎます。

研究者たちは、次に温度のみを見るより単純なモデルと、彼らの結合モデルを比較しました。完璧なシミュレーション環境では、熱と二酸化炭素がシミュレーションの物理法則によって密接に結びついていたため、温度のみのモデルもそれなりに良好なパフォーマンスを示しました。しかし、結合モデルは一つの特定の点において優れていることが証明されました。それは、占有数の急激な変化に対する適応速度です。人々が移動した際、二酸化炭素のデータを用いたモデルは、空気の流れと人数に関する理解をほぼ即座に更新しましたが、温度のみのモデルは遅れをとりました。このことは、温度データが利用可能であっても、二酸化炭素の情報という追加の層があることで、システムが建物内で起きていることに対する正しい説明をより迅速に特定できることを示唆しています。

これが実世界でも通用するかを確認するため、チームは同じ建物のレイアウトを縮小した物理モデルを作成しました。小さなファンを使用して部屋間に空気の流れを作り、人工的な「人々」が集まる様子をシミュレートするために、制御された二酸化炭素と熱の供給源を用いました。完璧なコンピュータシミュレーションとは異なり、この物理的なセットアップには現実世界の不完全さがありました。空気は完璧には混ざり合わず、センサーには特有の癖があり、建物の挙動が理論的な方程式と常に一致するわけでもありませんでした。こうした不一致にもかかわらず、モデルは目覚ましい成果を上げました。人工的な「人々」の熱源のオン・オフに伴う二酸化炭素と温度の上昇と下降を、見事に追跡したのです。さらに重要なことに、結合モデルは、温度のみのモデルよりもはるかに明確な状況把握を提供しました。実世界の実験では、温度データのみを用いた場合、モデルは人がいない部屋に熱源が存在すると仮定して、温度変化を誤った前提で説明しようとし、偽の熱源を捏造してしまうことがありました。二酸化炭素のデータは「現実のチェック機能」として働き、これらのエラーを防ぎ、空気の流れの推定における不確実性の範囲を絞り込みました。モデルは、温度の変化がメインルームにある既知の熱源によって引き起こされているのであり、他の場所にある幽霊のような熱源によるものではないことを学習したのです。

研究では、データの「時間窓（タイムウィンドウ）」のサイズが結果にどのように影響するかについても調査しました。彼らは、より長いデータウィンドウを使用する方が、ノイズを平滑化し、ランダムなセンサーエラーと実際のトレンドをより良く区別できるため、一般的に精度が向上することを発見しました。しかし、ウィンドウが長すぎると、モデルは鈍くなり、急激な変化への反応が遅れてしまいます。「スイートスポット（最適値）」を用いることで、システムは正確性と応答性の両立が可能となりました。また、研究者たちは、モデルが個々のセンサーのノイズレベルを推定できることも発見しました。もしセンサーに異常が生じたり、建物の挙動がモデルの予測から大きく逸脱したりした場合、システムは自動的に不確実性のバンドを広げ、データが通常よりも信頼できないことを示しました。

有望な結果ではありますが、研究者たちは限界についても慎重に言及しています。彼らのモデルは、各部屋の空気が完全に混合されていることを前提としていますが、これは現実には稀なことです。実際のオフィスでは、通風口付近の空気は窓付近の空気よりも冷たいといったことが起こります。また、彼らは、唯一の熱源がシミュレートされた人々であるという簡略化されたシナリオに焦点を当てており、日光、コンピュータ、照明といった他の一般的な要因を無視しています。実際の建物では、これらの追加の熱源が状況を複雑にし、人々による影響と機器による影響を分離することを困難にする可能性があります。研究者たちは、将来の研究において、モデルをフルスケールの建物に展開できるほど堅牢にするために、これらの追加要素を取り入れる必要があると考えています。また、現在の計算手法は効果的ではあるものの、要求される計算負荷が高いため、標準的なビル制御システム上で継続的に実行できるよう、簡素化する必要があることも認めています。

結局のところ、この研究は、建物に対して「耳を傾ける」ための強力で新しい方法を提示しています。温度と二酸化炭素を結合されたシステムとして扱うことで、研究者たちは、限られたデータから空気の流れと占有の目に見えないダイナミクスを推論できる手法を作り上げました。これは単に未来を予測するだけでなく、現在を理解し、建物の変化に応じて自らの確信度を調整できるツールです。オフィスビルの管理者にとって、これは暖房や冷房システムが単なるサーモスタットではなく、実際の人々の流れや空気の流れに反応し、あらゆる隅々にセンサーを設置することなく、エネルギーを節約し快適性を向上させる未来を意味するかもしれません。前進するための道筋は、これらのモデルをより複雑で、より混沌とした実世界の建物に対応できるよう洗練させていくことにありますが、「空気と熱は同じ物語を語っている」という核心的なアイデアが機能することは、すでに証明されています。