データ希少下での日次翌日冷房負荷予測のための展開可能な知識–データハイブリッドモデル：事例研究と性能検証

建物の冷房予測が重要な理由

都市が拡大し、熱波が頻発する中で、大型のオフィスビルは空調に大きく依存します。翌日の冷房需要を事前に把握できれば、建物運営者は電力を賢く購入し、チラーを効率的に運転し、太陽光や風力の導入が進む電力網との連携を図れます。しかし、最新で最も効率的な建物は稼働初期のデータが非常に少ないことが多く、標準的な人工知能ツールでは冷房需要を安定して予測するのが難しくなります。

データの制約がもたらす課題

現在の多くの予測ツールは建物をブラックボックスとして扱います。過去のエネルギー使用量、気象、稼働スケジュールを入力し、学習アルゴリズムにパターンを探させます。これらのデータを大量に必要とするモデルは、何年分もの高品質な記録がある場合にはうまく機能します。しかし、新築あるいは改修直後の建物では履歴が短く、純粋にデータに依存するモデルは限られたデータの特異点に過度に適合しがちで、需要の急変を見落としたり、日によって予測が大きく振れることがあります。これは特に、運営者が冷房設備のスケジュールや電力市場とのやり取りを24時間前に計画しなければならない日次予測で問題になります。

単純な物理と現代的学習の融合

本研究は、詳細な物理シミュレーションと純粋なデータ駆動の手法の間に実用的な中道を提示します。建物内のあらゆる熱源をモデル化しようとする代わりに、ほとんどの建物が既に持っている情報から計算できる二つの寄与に着目しました：外気とともに入る熱（換気負荷）と、壁や窓を通じて漏れる熱です。基本的な熱伝達の式を用いて、気象予報、窓の特性、換気スケジュールをこれらの負荷の粗い、物理的に妥当な推定値に変換します。これらの推定値は実測冷房負荷の代替ではなく、畳み込みや再帰層を組み合わせた深層学習モデルを導く追加の入力として組み込まれます。

実際のオフィスタワーでハイブリッド手法を検証

このアプローチは、中国・杭州の23階建てオフィスビル（モダンなガラスファサードと集中冷房）で検証されました。研究者らは約4,300時間分の1冷房シーズンの時間分解データを用い、訓練中に各モデルが参照できる履歴量を人工的に制限しました。あるテストではモデルはデータのわずか10％、すなわち約2週間強の記録しか学習に使えませんでした。予測器の4つのバージョンのうち3つは物理ベースの換気負荷または壁・窓負荷を指針信号として用い、4つ目は過去の冷房と気象データのみを用いました。すべてのモデルは翌日の時間ごとの冷房プロファイルを予測することを試みました。

より正確で安定した予測

訓練データが乏しい場合、手法間の差は顕著でした。データが10％しかない状況では、純粋にデータ駆動のモデルは出勤時の急激な冷房立ち上がりを見逃しがちで、午後の高温ピークを過小評価することが多く、どのデータが訓練に使われたかによって誤差が大きく変動しました。対照的に、3つのハイブリッド版はいずれもピークの発生時刻と大きさをはるかに正確に追跡し、誤差のばらつきも小さくなりました。平均的に見ると、ハイブリッドモデルは典型的な予測誤差をほぼ半分に削減し、誤差の広がりをベースラインに比べてほぼ1桁分小さくしました。最も単純なバリアント、つまり換気負荷のみを追加情報としたモデルは、精度、安定性、導入の容易さの点で特に魅力的なバランスを示しました。

実際の建物にとっての意義

建物所有者やエネルギーマネジャーにとっての主要なメッセージは、少しの物理知見が大きな効果をもたらすということです。換気による熱負荷や建物外皮からの熱流を簡単に計算した推定値を学習モデルに組み込むことで、履歴データが乏しい稼働初期の段階でも有用な翌日予測を得ることが可能になります。本研究は、この知識–データのハイブリッドアプローチが過学習を抑え、訓練コストを抑制し、チラーや蓄熱のスケジューリングに対して信頼できる指針を提供できることを示しています。平たく言えば、基礎的な工学的洞察を現代のデータツールと組み合わせることで、建物の快適性を保ち、無駄を削減し、変化する電力網とより円滑に協調できるようになるのです。

引用: Chen, J., Sun, T., Zhang, Y. et al. Deployable knowledge–data hybrid models for day-ahead cooling load prediction under data scarcity: a case study and performance validation. Sci Rep 16, 15079 (2026). https://doi.org/10.1038/s41598-026-45325-3

キーワード: 冷房負荷予測, 建物エネルギー, ハイブリッドモデリング, データ希少性, 深層学習