AIBR プレミアム
拓海先生、最近部下から「オフィスの空調でAIを使って省エネができる」と言われたのですが、どうもイメージが湧きません。要するに何ができるんですか？
素晴らしい着眼点ですね！簡単に言うと、建物に既にあるスマートメーター（smart meter）とWiFiの信号を使って、実際の人の在席時間を推定し、その在席に合わせてHVAC（Heating, Ventilation, and Air Conditioning、空調）の始動や停止を最適化することでエネルギーを節約できるんですよ。
なるほど。でも現場は古い建物も多いし、センサーを新しく付ける投資は避けたいんです。既存のデータだけで本当に見積もれるんですか？投資対効果が気になります。
安心してください、そこがこの研究の肝です。既に広くあるスマートメーターとWiFiアクセスポイントのログだけで、在席の典型スケジュールをクラスタリングで抽出し、スマートメーターから得た電力需要プロファイルと組み合わせて仮想的に省エネポテンシャルを推計できます。要点を3つにまとめると、1) 追加ハード不要、2) 実測に基づくスケジュール推定、3) 導入前後の大まかな節約見積りが可能です。一緒にやれば必ずできますよ。
これって要するに、HVACの運転時間を実際の在席に合わせて変えればエネルギーが節約できるということ？現場の生活リズムに合わせるって話ですか。
その通りです！ただし大事なのは在席を正確に得ることではなく、典型的な出退勤や昼休みなどのスケジュールをクラスタリングで把握し、それに応じてランプアップ（稼働開始）やセットバック（節控）タイミングを調整することです。これにより夏季で8％～11％程度、秋季でも数％の冷水（chilled water）エネルギー削減が見込めますよ。
数字は説得力がありますね。ただ、我々のような中小規模の事業所でもそのデータは取れるんでしょうか。WiFiログって個人情報の心配もありますし、それとスマートメーターの解像度はどの程度必要なのですか。
良い質問です。WiFiログは個々人を特定するものを使わず、アクセスポイント毎の接続カウントを用いる設計にすれば匿名化が可能ですし、スマートメーターは分単位程度の高頻度データがあると十分です。さらに、在席データがまったく無くても、スマートメーターの需要プロファイルからランプ時間を変更するだけで節約ポテンシャルを推計できる点が実務的です。
導入後の効果が現場のシミュレーションと一致するかも心配です。実測とシミュレーションの差分で現場評価が難しくなるのではないでしょうか。
実はこの研究では、大学の複数建物でのケーススタディを通じて、推計値が建物エネルギー性能シミュレーションの予測と0.9％–2.4％の範囲で一致していることを示しています。つまり、実務判断に十分使える精度で見積もれる可能性が高いのです。大丈夫、一緒にやれば必ずできますよ。
わかりました。では実行に移す際に、最初に何を見れば良いですか。投資対効果をすぐ説明できる材料が欲しいのです。
まずはスマートメーターの時間分解能と過去数ヶ月分の電力データ、そしてWiFiアクセスポイントの接続カウントの有無を確認しましょう。要点は三つで、1) データの有無確認、2) 匿名化ルールの整備、3) 小規模な検証での節約率確認です。これが揃えば見積り→パイロット→拡張という段取りで進められますよ。
先生、要点を自分の言葉で整理します。まず既存のスマートメーターとWiFiログを使って在席の典型スケジュールを推定し、そのスケジュールに合わせHVACのランプアップとセットバックを調整することで、追加投資を抑えつつ実務的な省エネ効果を見積もれる、ということですね。
