研究の概要

建物のHVAC（空調・換気）システムは建物全体のエネルギー消費の大きな割合を占める一方で、多ゾーン建物における最適制御は非常に複雑な問題である。強化学習（RL）は組み合わせ爆発的なアクション空間に悩まされ、大規模言語モデル（LLM）は数値最適化の信頼性に課題があった。本研究はこの2つの欠点を補完し合う「階層型制御フレームワーク」を提案する。

具体的には、実際のセンサーデータ・在室データで校正された7ゾーンオフィスビルの高忠実度シミュレーターを用いて検証した。このシステムは2層構造になっており、LLMが運用上実行可能なアクションの部分集合を生成し、RLエージェントはその制約された空間の中で最適な決定を下す。

主な発見・成果

  • **快適性指標（PPD）7.30%**を達成。DQNベースラインと比較して39.1%、LLM単体と比較して53.1%の改善
  • 日次HVAC消費電力は140.90kWhで、純粋なRLベースラインより低い
  • LLMによるアクションマスキングが探索効率と学習安定性を大幅に向上
  • 実センサーデータを使った高忠実度シミュレーションで実環境への適用可能性を検証

実務への応用

オフィスビルや商業施設の空調管理者・設備担当者にとって、本研究はAI主導の省エネ制御システムの実装指針を提供する。LLMを「コンテキスト把握エージェント」として活用し、RLが学習すべき行動空間を絞り込む手法は、既存のBEMS（ビル管理システム）への実装に応用できる。特に多ゾーン建物での導入において、快適性を損なわずにエネルギー消費を削減したい企業のGX戦略における省エネ投資判断に役立つ。