2019 Fiscal Year Annual Research Report
Development of control policies for decentralized energy networks by deep learning techniques
| Project/Area Number |
17K01262
|
|---|
| Research Institution | Toyama Prefectural University |
|---|
Principal Investigator |
榊原 一紀 富山県立大学, 工学部, 准教授 (30388110)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
渡邉 真也 室蘭工業大学, 大学院工学研究科, 准教授 (30388136)
大原 誠 神戸大学, 学術・産業イノベーション創造本部, 特定プロジェクト研究員 (10633620)
|
|---|
| Project Period (FY) |
2017-04-01 – 2020-03-31
|
| Keywords | 空調 / サーマルグリッド / 混合整数計画 / 機械学習 |
|---|
| Outline of Annual Research Achievements |
再生可能エネルギーを地域コミュニティ内において自律分散的に運用するために，発電機器，消費機器，バッテリを一体として運用する電力マネジメント則を開発した．ここで電力マネジメント則とは分オーダー以上での電力ルーティングの計画立案を指し，電力の空間的・時間的な最適輸送をリアルタイムに導出できるシステムを構築した．
前年度に開発したオフラインの(準)最適運用計画をもとに，リアルタイム性を有する電力マネジメント則を機械学習を用いて実現した．具体的には，逐次計画を（新たに先の意思決定を取り込みながら）作り直すローリング計画のアイデアに基づく．一方で，本研究が対象とする空調システムにおいては，不確実性を伴う熱需要パラメータに何かしらの規則性（統計性）があれば，これを最適化プロセスに組み込むことが望まれる．しかし数理計画をベースとしたローリング計画では，各繰り返しのタイミングでパラメータの実現値に基づき最適化問題を解き直しているに過ぎず，モデルパラメータの統計性を明示的に組み込むことができない．そこでローリング計画の枠組みにパラメータの統計性を反映するために，ローリング計画における最適化モデルを機械学習モデルに置き換える．
具体的には，様々な気候や施設の利用状況を踏まえた熱需要パターンを事前に十分数用意しておき，それら熱需要パターンごとに最適化モデルを求解する．熱需要パターンと得られた最適解をそれぞれ入力および教師として機械学習モデルを獲得する．ここでローリング計画を適用するにあたっては，計画期間内のすべての熱需要（の予測）を明示的に与える必要があるのに対して，機械学習モデルではその必要はなく，意思決定対象となる期前後の情報を入力すればよいことになる．
実応用例として，大規模施設での空調機の効率的運用による省エネルギー化をとりあげ，検証を行った．
|
