研究の概要

ビル空調エネルギー管理におけるモデル予測制御（MPC）の普及を阻む最大の壁は「現地固有のデータ収集コスト」だった。各建物で長期間の計測と個別モデル構築が必要なため、大規模展開が困難で脱炭素化ロードマップの中で建物部門が遅れをとる一因になっている。本研究は「励起ベース汎用転移学習モデル」を提案し、対象建物に固有のデータ収集なしでMPCを展開できる「ゼロショット」アプローチを実現した。

主な発見・成果

鍵となる技術的貢献は「励起ベース運転データ」の活用だ。建物の熱ダイナミクスを体系的に探索するよう設計された特殊な入力パターンによって事前学習を行い、32棟のシミュレーション対象建物にファインチューニングなしで適用した。結果として、従来のオンライン線形モデルMPCを6.4%、PIコントローラを36.9%上回るエネルギー効率を達成した。また、標準的な転移学習アプローチだけでは満足なMPC性能が得られないことも明らかにし、励起ベース事前学習の必要性を証明した。

実務への応用

不動産ポートフォリオを多数抱える企業、ビルデベロッパー、省エネ改修（レトロフィット）事業者にとって重要な知見だ。現地調査・モデル構築に要する従来の初期コストを大幅に削減し、MPC展開のスピードと経済性を同時に高められる。建物部門の脱炭素化において、Scope 1・2削減施策としての空調エネルギー最適化をより迅速かつ安価に実装できる。多数のテナントビルやオフィスビルを一括管理するファシリティマネジメント会社での実証展開が有望だ。