建築・都市のエネルギーシステムの運用最適化手法...

加藤研究室・大岡研究室・菊本研究室Kato Lab., Ooka Lab., and Kikumoto Lab.

Keywords: Batteries, Thermal energy storage, Heat source machine, Optimal control, Artificial intelligence, Annual optimisation, District heating and cooling, Heat-sharing network

Development of Optimization methods for energy systems in buildings and districts—Part 1: Background and objectives 1/4

複雑なシステム・街区モデルには適用が難しい2

研究目的建築・都市のエネルギーシステムの運用最適化手法の開発

普及に課題のある「システム運用最適化」

1) 蓄電池の充放電はいつ？どの程度？2) 蓄熱槽の蓄熱・放熱はいつ？どの程度？3) 熱源機の運転はいつ？どの熱源機を？どの程度？

1

簡単なシステム構成ならある程度合理的に運転できるが…

複雑な単体エネルギーシステム地域冷暖房

解決すべき課題は？

1) 複雑な計算にも対応出来る最適化手法の確立2) 実際のエネルギーシステムとの協和(今後の課題)

3

最適化手法の向上を目指す4

■最適化手法に必要とされる性能は？1) 高速に計算できる→リアルタイム制御へ応用2) 解の精度を維持する→複雑なシステムでは常に

真の最適解が求まるとは限らない3) 高い汎用性i. あらゆる関数形状に対応する→機器のモデル化に制限なしii. 非定常計算に対応する

→水温変化などは反復計算で非定常現象をモデル化する必要がある

人工知能: メタヒューリスティクスの利用

メタヒューリスティクスとは人工知能の一種で、あらゆる関数形状を直接解くことができる発見・学習的手法の総称: 今回は𝜀DE(epsilon constrained differential evolution)という手法を利用

5Boiler

Boiler

CR

CR

AR

ARTES

BoilerTES

CR

CR

AR

AR

TES CHP

CHP

*TES: 蓄熱槽*CR: ターボ冷凍機*AR: 吸収式冷凍機 *CHP: コージェネレーションシステム

冷房系統

暖房系統

給湯系統一般電力系統

例)



Development of Optimization methods for energy systems in buildings and districts—Part 2: Optimization method 2/4

建築・都市のエネルギーシステムの運用最適化手法の開発

最適化手法: メタヒューリスティクス (生物の進化・行動を模倣)

利用した最適化手法：𝜀DE-RJ (Epsilon differential evolution with random jumping)

Decis

ion v

ariable

1

Decision variable 2

Feasibledomain

1) 個体群 ( ) の初期化2) 値(=1)の初期化(これ以降指数関数的に減少)

3) 新個体 ( ) の生成4) 制約逸脱度 ( ) と目的関数値 ( )の計算

5) の時, とを比較の時, とを比較

6) 良い方を入れ替えて3)に戻る

f

g

ix

1g

ix

g

if1g

if

g

i1g

i

εDEの探索イメージ

差分進化 (DE: differential evolution)

𝜀制約法 (Epsilon constrained method)+

ランダムジャンピング(RJ: random jumping)

+個体1

個体2

個体

数

-100 -100 0 100 100 150 150 400 200 370

0 -100 -100 50 150 100 300 500 350 250

蓄熱槽の運転スケジュール熱源1の運転スケジュール

時間(h)

出力(kW)

蓄熱

放熱

1 2 3 4 5 1 2 3 4 5

蓄熱槽

100

200

需要

-100

熱源1

熱源2

400

1. 初期化: 一様乱数を用いてランダムに個体(𝑁𝑝𝑜𝑝 = 100)を作成

2. 評価: 各個体の評価

3. 新個体の作成

1) 個体𝑥𝑖(𝑖 = 1)から順に𝑖 = 𝑁𝑝𝑜𝑝までループ開始

2) 個体𝑥𝑖と被らないように集団から二つの個体(𝑥𝑚, 𝑥𝑛(𝑚 ≠ 𝑛 ≠ 𝑖))を選択

3) ドナー個体を作成: 𝑣𝑖𝑔+1

= 𝑥𝑖𝑔+𝑀 𝑥𝑚

𝑔− 𝑥𝑛

𝑔, 𝑀: 突然変異率(=0.5)

4) 交叉：

𝑥𝑖𝑔

𝑅𝑎𝑛𝑑 0.23 0.87

0.78 0.23

𝑣𝑖𝑔+1 0.82 0.56

交叉率=0.7

𝑥𝑖𝑔+1 0.82 0.23

同じ数値の場合

一様乱数に置換

変数1

変数2

0

𝑥𝑚𝑡

𝑥𝑛𝑡 𝑥𝑖

𝑔

𝑣𝑖𝑔+1

𝑀倍

(移動させたい個体)

(移動候補)

役割：探索

役割：制約処理

役割：局所解脱出

ランダムジャンピング適用

【DEのアルゴリズム＋RJ】

【定式化：変数の設定】

【𝜀制約法のアルゴリズム】




コージェネレーションを含む複数蓄エネ設備の最適化

Development of Optimization methods for energy systems in buildings and districts—Part 3: Optimization for CHP and several storage systems 3/4

単目的最適化（1日の電気料金とガス料金を最小化する）

エネルギーシステム

Hot waterdemandWater

Boiler

GAS

DC/DCElectricitydemand

GridPV

Secondarysystem

Lowerside (80)

Higherside (85)

83

75

Battery

DC/AC

DC/DC

Power conditioner

CGSCoolingTower

CoolingTower

500 m2

12

12

12

127

7

7

7

88

88

83

20

12

Secondarysystem

7

CoolingTower

Lower side (7) Higher side (12)

127

HRAR

AR

AHP1

AHP2

TR

-10

0

10

20

30

40

50

-200

0

200

400

600

800

1,000

0 2 4 6 8 10 12 14 16 18 20 22

(yen

/kW

h)

(kW

h)

Time (h)

The price of purchased elec.

The price ofsold elec.

CGS to ED

G to ED

Charging elec. B to EDPV to ED

Remaining B ED

-30

-10

10

30

50

70

90

-3,000

-1,000

1,000

3,000

5,000

7,000

9,000

0 2 4 6 8 10 12 14 16 18 20 22

(yen

/kW

h)

or

(yen

/m3

)

Time (h)

Remaining TES

CD

Charging thermal energy

TR

AR

HRAR

AHP1

AHP2

(kWh)

-20

0

20

40

60

80

100

120

-200

0

200

400

600

800

1,000

1,200

0 2 4 6 8 10 12 14 16 18 20 22

(yen

/kW

h)

or

(yen

/m3

)

(kW

h)

Time (h)

The priceof gas

RemainingTESh

HWD

Charging thermal energyDischarging thermal energy

CGS to HWD

BB

0.00

0.10

0.20

0.30

0.40

0.50

0.60

0.70

0.80

0.90

1.00

0 2 4 6 8 10 12 14 16 18 20 22

Part

ial l

oad

rat

e (-

)

Time (h)

AHP2

AHP1

❖ 14種類336変数を市販の一般的なPCにおいて、6分で最適化

❖ εDEの計算量は変数の数に依存しない

⇒ 従来より高速に非線形最適化が可能となった。

❖ 冷却水温変化は反復計算にて非定常計算をモデル化する

❖ 機器のモデルは曲線関数を最適化する必要がある

❖ CGSは買電価格の高い時間帯のみ稼働

❖ 同種機器の同時稼働では同負荷率が理論的に最適である。

❖ 最適化結果ではAHP1, 2共に概ね同負荷率での運転となっており、

最適解が妥当であることを確認。

最適運用計画: 電力系統冷房系統給湯系統コージェネレーション空気熱源ヒートポンプの部分負荷率

εDEの利用で高速計算が可能に1

最適な運転スケジュールを実現2




ニューラルネットワークと𝜀DE-RJによる地域エネルギーシステム最適化

Development of Optimization methods for energy systems in buildings and districts—Part 4: Hybrid method of artificial neural network and 𝜀DE-RJ 4/4

熱源プラント

Office 1

Office 2 Hospital

HotelCommercial 1

Commercial 2

Pipe 1

Pipe 2 Pipe 5

Pipe 3

Pipe 4

Pipe 6

50m Pipe 7

50m

モデル化

Office 1

Office 2

Commercial 1

Commercial 2

Hospital

Hotel

想定街区イメージ街区配置

CR1

AR1

ASHP2

GHP1

GHP2

CR2

CR3

ASHP1

Pipe 1

AR2

Pipe 1

Thermal energy

storage

熱源プラントの概要

4℃4℃

4℃

14℃

4℃～6℃

3

4

5

6

7

8

9

3 4 5 6 7 8 9

MLRR2=0.927

3

4

5

6

7

8

9

3 4 5 6 7 8 9

m-PSOR2=0.981

3

4

5

6

7

8

9

3 4 5 6 7 8 9

CFR2=0.995

3

4

5

6

7

8

9

3 4 5 6 7 8 9

ANNR2=0.997

モデル温度 (ºC) モデル温度 (ºC)

モデル温度 (ºC) モデル温度 (ºC)

予測温度

(ºC

)予測温度

(ºC

)

予測温度

(ºC

)予測温度

(ºC

)

予測結果比較

❖予測値: 蓄熱槽最下層温度

❖入力値は下記の2つを設定

1) 日中最大蓄熱量 [kWh]

2) 15時～19時までの残存蓄熱量 [kWh]:

❖4種類の回帰モデルを比較

1) 重回帰分析(MLR)

2) m-PSO: 最適化手法による係数同定

3) Curve fitting toolbox (CF): MATLAB

4) ニューラルネットワーク(ANN)

❖結果

ANNが最も高い精度を示した。これにより, 計算時間を短縮することが可能。

00.30.60.91.21.51.82.12.42.73

0 4 8 12 16 20 24

CR1 CR2 CR3 AR1 AR2

ASHP1 ASHP2 GHP1 GHP2

0

0.3

0.6

0.9

1.2

1.5

1.8

2.1

2.4

2.7

3

0 4 8 12 16 20 24

Time (h)

Prim

ary

energ

y b

ased C

OP

0

0.3

0.6

0.9

1.2

1.5

1.8

2.1

2.4

2.7

3

0 4 8 12 16 20 24

Time (h)

(a) Case 1 (b) Case 2

従来制御と最適制御における各機器のCOP

従来制御最適制御

複数建物を有する街区1

❖ 熱源プラントの機器運用最適化

ニューラルネットワーク2

最適化による効果3❖従来制御：定格COPの良いものから順に

運転、蓄熱槽は夜間蓄熱・日中放熱

❖最適制御：𝜀DE-RJにより出力を自由に操作可能

❖最適化により定格COPの良し悪しだけではなく, 部分負荷率毎の機器効率をそれぞれ勘案し運転することが可能になった。

❖機器特性の非線形性が強いターボ冷凍機(CR1, 2, 3)及びガスヒートポンプ(GHP1, 2)のCOPが従来制御よりも格段に良い

建築・都市のエネルギーシステムの運用最適化手法...

Documents