← 論文一覧に戻る

中国寒冷地域における低炭素暖房システムのデータ駆動型多目的最適化：ハルビン市のケーススタディ

Data-Driven Multi-Objective Optimization of Low-Carbon Heating Systems in Cold Regions of China: A Case Study of Harbin (原題)

Wenqian Liu, Xiaolei Shi, Yuting Chen, Pengyue Liu, Chuanlong Zhao

Energies📚 査読済 / ジャーナル2026-10-30#省エネOrigin: CN経営インパクト: コスト削減対象セクター: power
DOI: 10.3390/en19215162
原典: https://doi.org/10.3390/en19215162

🤖 gxceed AI 要約

日本語

ハルビンの太陽光・アンモニア混焼ハイブリッド暖房を対象に、物理モデルと残差自己回帰ニューラルネットによるサロゲートモデルを構築し、NSGA-IIで炭素・コスト・不快感の多目的最適化を行った。TOPSISで選んだ戦略は168時間で炭素30.3%・コスト45.3%削減を達成。アンモニア混焼で年間CO2を約560kgから510kgに低減する。

English

A physics-informed surrogate model combining lumped-parameter simulation and a residual autoregressive neural network is embedded in NSGA-II to optimize a solar-ammonia hybrid heating system in Harbin. Pareto trade-offs among carbon, cost, and discomfort are analyzed, and TOPSIS selects a strategy cutting carbon by 30.3% and cost by 45.3% over 168 hours versus constant setpoints. Annual ammonia co-firing reduces CO2 from ~560 to 510 kg.

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

📝 gxceed 編集解説 — Why this matters

日本のGX文脈において

中国寒冷地の暖房脱炭素化は、日本の寒冷地（北海道・東北）における熱供給脱炭素やアンモニア混焼技術の実装検討に示唆を与える。AIサロゲートを用いた運用最適化は、省エネとコスト削減を両立する実務的手法として参考になる。

In the global GX context

This work demonstrates how AI surrogates and multi-objective optimization can operationalize heating decarbonization in cold climates, offering a transferable methodology for regions facing similar extreme-weather and emissions challenges. It contributes empirical evidence on ammonia co-firing and thermal-mass management relevant to global energy transition pathways.

👥 読者別の含意

🔬研究者:物理モデルとニューラルサロゲートを組み合わせた多目的最適化の枠組みは、建物エネルギーシステムの研究に応用可能。

🏢実務担当者:寒冷地の暖房システム運用において、AIを用いた設定点最適化が炭素とコストの同時削減に有効であることを示す。

🏛政策担当者:寒冷地の暖房脱炭素政策において、アンモニア混焼やスマート制御の導入効果を定量的に評価する材料となる。

📄 Abstract（原文）

The transition to clean heating in cold regions faces challenges from extreme weather and high emissions. This study develops a dynamic modeling and surrogate-based multi-objective optimization framework for a solar-ammonia hybrid heating system. A lumped-parameter model simulates energy flows, and year-long Harbin meteorological data produce a physically consistent dataset via lumped-parameter simulation. A feedforward neural network with a residual autoregressive structure predicts temperature increments, preserving thermal inertia; it achieves RMSEs of 0.16 °C (indoor) and 0.61 °C (tank) over 168 h, including 48-h blind forecasting. This fast surrogate is embedded in NSGA-II to minimize carbon, cost, and discomfort via a climate-compensated curve and hysteresis dead-bands. Pareto analysis yields trade-offs: the carbon–comfort optimum attains 80.62 kg CO2/week and 104.85 °C·h discomfort; the cost–comfort optimum costs ~60 CNY/week. Three-dimensional optimization confirms aligned carbon and cost. TOPSIS selects a final strategy that, versus constant setpoints, reduces carbon by 30.3% and cost by 45.3% over 168 h by leveraging thermal mass and reducing boiler starts. Annual ammonia co-firing lowers CO2 from ~560 to 510 kg. The proposed integration of physics-informed simulation, residual autoregressive neural surrogates, and multi-objective evolutionary optimization provides an effective methodology for intelligent control of renewable hybrid heating systems in cold climates, contributing to deep decarbonization and energy savings.

🔗 Provenance — このレコードを発見したソース

🔔 こうした論文の新着を逃したくない方は キーワードアラート に登録（無料・3キーワードまで）。

gxceed は公開メタデータに基づく研究支援データセットです。要約・翻訳・解説は AI 支援で生成されています。 最終的な解釈・検証は利用者が原典資料に基づいて行うことを前提とします。