概要

エネルギー最適化により、組織の施設チームはHVACシステムのコストと二酸化炭素排出量を簡単に削減できます。建物のメンテナンスシステムは耐用年数が長く、更新や交換に費用がかかる場合がありますが、クラウドテクノロジーは建物の既存のテクノロジースタックに新しい命を吹き込むことができます。クラウドの柔軟性と俊敏性により、既存のHVACソフトウェアスイートに高度な人工知能と機械学習 (AI/ML) 機能を追加できます。建物の物理技術をほとんど、あるいはまったく調整しなくても、クラウドは世界中の多くの施設に変化をもたらす費用対効果の高い方法となります。

AI/ML は、ビル管理とエネルギーの最適化を進める上で極めて重要な役割を果たします。これらのテクノロジーは、データを分析して機器の故障を予測することで、予知保全を可能にします。また、過去のパターンとリアルタイムのデータに基づいて消費を最適化することでエネルギー効率を高め、コストと環境への影響の軽減に貢献します。照明、温度、換気を動的に調整することで、居住者の快適性が向上します。AI/ML は需要への対応と障害検出を容易にし、送電網の安定と迅速な問題解決を支援します。多様なデータソースを処理することで、情報に基づいた意思決定を行い、機器のアップグレードやエネルギーの節約を図ることができます。AI/ML を活用したシミュレーションは、システムの変更を評価して意思決定を支援します。また、建物の特定のニーズに合わせてカスタマイズされた推奨事項も提示されます。

最適なエネルギー使用を実現するには、データ主導型のアプローチが不可欠です。データは、情報に基づいた意思決定とエネルギー最適化における効果的な戦略の基礎となります。過去のエネルギー消費データがベースラインを確立するのに対し、リアルタイムのセンサーデータは即時の調整の指針となります。データを分析すると、使用パターン、異常、傾向が明らかになり、非効率な点を特定するのに役立ちます。モデルやシミュレーションでは、データの正確性を重視し、変化の結果を予測します。最適化アルゴリズムはデータを使用して理想的な制御戦略を決定します。予測分析によって需要と障害を予測し、負荷分散によって消費を効率的に分散します。再生可能エネルギーによるエネルギー生産データは統合に活かされます。データに基づくフィードバックループは、継続的な改善を可能にします。稼働率と好みに関するデータは、快適さとエネルギー目標を一致させます。価格とグリッドに関する情報は、需要への対応を最適化します。最終的に、データはビル運営における効率的で費用対効果が高く、持続可能なエネルギー慣行を可能にします。

エネルギー最適化は、建物内の状態を維持または改善しながら、HVACの運用コストを削減することを目指しています。Energy Optimizationは、HVACシステムのエネルギー使用量を温度や湿度のベンチマークと照らし合わせて監視した後、エネルギー使用量を抑えながら基準値を節約することを目指しています。HVAC 機器の構成を手動で調整するなどの非定量的アプローチは労働集約的であり、数百または数千の施設にまで拡張することはできません。

エネルギー最適化のための強化学習 (RL) では、建築環境でエネルギー効率を最大化するための意思決定を行うよう AI エージェントをトレーニングします。これらのエージェントは、試行錯誤を繰り返しながら、制約を守りながら最適なエネルギー消費を実現するために、HVACや照明などのシステムを制御する方法を学習します。RL は、エージェントが環境と関わり、結果から学び、報酬や罰則を受けることができるようにすることで、適応力のある意思決定を可能にします。このアプローチは、従来のルールベースの方法では不十分な、動的で複雑なエネルギー最適化の課題に特に役立ちます。RL ソリューションを採用すれば、建物は変化する状況に適応でき、手作業によるプログラミングよりもエネルギー効率を高めることができます。

RLは、HVACシステムのエネルギー消費を最適化するための主要な方法論であることが示されています (以下を参照)。建物のエネルギー効率制御における強化学習の応用:レビューではジャーナル・オブ・ビルディング・エンジニアリング、、2022年6月1日)。担当者は、室内の温度と湿度を維持または改善しながらエネルギー消費量を削減する HVAC 構成を特定したことで報われます。エージェントはビルディングごとにトレーニングを受けるため、RL アプローチはアジャイルでありながら大規模なビルポートフォリオに対応できるスケーラブルです。

RL がエネルギー使用量の最適化に成功したとしても、ビルシステムには対処しなければならない多くの複雑さが引き継がれています。その範囲は、データソースの特定、データ取り込みメカニズムの定義、テレメトリストアと資産管理ソリューションの確立、ML システムのトレーニング、ソリューションの導入など多岐にわたります。

ファシリティマネジメントの主な課題には次のようなものがあります。

• 建物の耐用年数は 50 年以上で、施設のシステムセンサーは通常、初日に設置されます。毎年多くの新しいクラウドネイティブセンサーオプションが市場に出回っていますが、ビル管理システム (BMS) は新しい市場ソリューションと統合するようには設計されていません。

• 各不動産ポートフォリオには、さまざまな技術、規格、建築タイプ、設計が存在し、それらをライフサイクル全体にわたって管理することは困難です。

• ビル管理および自動化システムでは、第三者が生産データを所有および変更する必要があり、ライセンス料は消費価格に基づくものではありません。

• 施設チームには通常、カスタム管理ソリューションの設計に必要なクラウドの専門知識がなく、IT チームには BMS を構築するための製品レベルの経験がないことがよくあります。

ターゲットを絞ったビジネス成果

• スループット、品質、人間の安全、快適性などの要素のバランスを取りながら、エネルギー使用量を削減します。エネルギー削減は、次のような機器の使用量を削減することで達成されます。

  • 快適性を維持しながら HVAC コンプレッサの稼働時間を短縮します。

  • プロセス温度を維持しながらチラーの使用量を削減

  • 部品の品質を維持しながら炉の使用率を低減

• 最適なエネルギー使用を実現するための ML モデルが推奨するリアルタイムのセットポイント

• 使いやすく強力なダッシュボードで、最適化のパフォーマンスを監視できます。

• 追加の機器や任意の数の回線に効率的に拡張できるクラウドネイティブなパイプライン

• 社内のデータサイエンティストと開発者による支援

• の実務経験AWS共同プロジェクト人員配置によるコンサルタント（任意）