SOINN

省エネ AI (E-1) SOINN　エッジAI・汎用AIを機器・ロボット・プラントへ

CONTACT

SERVICE&PRODUCT

省エネAI「E-1」

SOINN の省エネAI「E-1」は、電力設備や空調、熱源設備などのエネルギーロスや CO2 排出を削減し、地球環境の保全やお客さまの SDGs 推進に貢献します。

導入事例： 東京駅前 丸の内エリア・大規模熱源システム向けに AI を開発・実稼働中

日本経済新聞様サイト：丸の内熱供給と新菱冷熱、「丸の内エリア・大規模熱源システム向けAI制御システム」を開発（2022年3月2日） より引用


３つの AI の連携で大きな効果

「E-1」は SOINN 社が開発した、ショッピングモールや大規模地域冷暖房（DHC）で運用実績のある独自AIをモジュール化したもので、機能を最大限活用した場合、平均 8～10% 程度のエネルギーコスト削減が見込めます。

「E-1」は既存の空調機器等と容易に結合でき、初期調整後は「E-1」任せで運用できます。

「E-1」が大きな効果を発揮できる理由は、独自技術により以下の 3 つの AI

  • １．エネルギー需要予測 AI

    　　・ノイズ除去、パラメータ調整、季節性反映などが全自動。
    　　・深層学習よりも高速で高精度を実現。


  • ２．リアルタイム最適化 AI

    　　・お客様の機器構成に合わせて機器モデルを作成。
    　　・各機器の設定値の最適値の組み合わせをリアルタイムで算出。
    　　・一般的なCPUのパソコンで導入可能。高額な機器、GPUは不要。


  • ３．熱源機器の運転計画 AI

    　　・翌日以降の各機器の起動/停止や設定値の運転計画を生成。
    　　・稼働する機器の組み合わせや設定値の最適値について、事前に見当をつけることが可能。
    　　・リアルタイム最適化AIと組み合わせることでさらに効率化を実現可能。


を任意の組合せで自動実行可能なことによります。

さらに、大規模な地域冷暖房 (DHC) に適用する場合でも、学習推論には GPU を使わず市販 PC（CPU）1台分の演算量で対応可能で、演算ハードウエアのコストと AI の消費エネルギーを大幅に削減できます。

「E-1」のポイント

「E-1」のポイントは以下の通りです。

  • 　・大規模地域冷暖房（DHC）向けでもCPU１台分の超省エネ・低コストで対応可能
  • 　・機器構成の規模により平均3ヶ月程度の初期調整で自動運用開始
  • 　・運用開始後はテナントの入れ替えや季節変化への追従も全てE-1任せ
  • 　・常にモデルを最適化するため高精度を維持
  • 　・最適化の基準は、コスト最少や消費エネルギー最少から選択可能
  • 　・初期投資を平均１年程度で回収可能
  • 　・週末や休日、メンテナンス日などにも柔軟に対応
  • 　・個別のPC１台で運用可能なため、必要に応じセキュリティやプライバシーの保護可能


お費用はシステム構成などによっても変動いたします。詳細はお見積り申し上げます。

特記事項として、「E-1」では自動最適化機能を活用して初期コストを大幅に削減しており、初期投資を平均１年程度で回収できます。

「E-1」利用シーン

「E-1」は上記の３つの AI を任意の組合せで実行可能で、大規模向けでもPC（CPU）1台分の演算量に収まるため、幅広い対象に適用いただけます。

  • 　大規模：地域冷暖房（DHC）、プラント（FEMS）、大型施設（ショッピングモール、駅・空港など）
  • 　中規模：ホテル、オフィスビル（BEMS, ZEB）、病院、役所などの公共施設
  • 　小規模：家庭 (HEMS, ZEH)、店舗、小規模オフィスなど

  • 　注１　小・中規模では演算量が抑えられるため、PC（CPU）1台で複数の対象を管理可能です。
  • 　注２　学習後の予測誤差（正常値からのズレ）を活用することで、異常検知や見守り機能が付加できます。
  • 　注３　E-1を各家庭のPC等で実行させることでプライバシーを守れます。

「E-1」ご導入までの流れ

まずは弊社にご連絡下さい。「E-1」の導入を検討されているシステムに関するヒアリング（機器構成、ご要求精度、運用形態など）と、可能であればデータの確認をさせて頂きます。

確認後、初期調整、開発それぞれのお費用と期間、見込める効果をお見積もりさせて頂きます。お見積もり内容にご同意を頂ければ着手となります。

初期調整、開発を経て運用開始後、「E-1」の稼働や効果を確認頂くため、期間を定めて本ライセンスより低額のテストライセンスを設定させて頂く場合もございます。

システム構成例

・お客様監視システムに「E-1」を接続することで最適な運転を実現。
・システムの運用画面例

「E-1」技術評価例

  • ・翌日の24時間分のエネルギー需要を予測し、学習時間と予測誤差を評価。
  • ・東京電力ホールディングスでんき予報※１、OpenWeather※２の公開データを併用
  • ・Intel Core i7-6700K CPU @ 4.00GHzで演算、GPU不使用。

  • ・精度評価結果
  • 　　＜運用開始後 30 日＞
  • 　　　　実績データ 30 日分で学習・予測
  • 　　　　学習時間 0.4 秒、予測精度 96.7%　（ 100 回試行平均）

  • 　　＜運用開始後 1 年＞
  • 　　　　実績データ 365 日で学習・予測
  • 　　　　学習時間 1.9 秒、予測精度 97.5%　（ 100 回試行平均）

  • ・ご参考
  • 　　深層学習で同レベルの予測精度を得るには、パラメータ調整を含め約15時間を要した（CPU使用、GPU不使用）。

  • ・「E-1」ならできること
  • 　　学習が非常に軽いため頻度高く最適化を行うことで、短期間の実績データからでも安定かつ良好な精度が見込める。
  • 　　高精度の需要予測は、上記③熱源機器の運転計画 の高精度化にも寄与※３。
  • 　　気候の変化やテナントの入れ替えにも短期間で自動追従し高精度を維持※４。

  • 　　※1　https://www.tepco.co.jp/forecast/html/download-j.html
  • 　　※2　https://openweathermap.org/
  • 　　※3　「熱源機器の運転計画 AI」は機器構成が大規模の場合、演算に数時間を要する場合がありますが、翌日の運転計画には影響ありません。
  • 　　※4　以下は、電力実績値を人工的に 1.25 倍してデータの変動への追随性を評価した結果です。約 2 週間で変動に追随しています。

モデルケース

  • ■ リアルタイム最適化 モデルケース

  • 　・機器想定
  • 　　　冷凍機
  • 　　　それぞれの冷凍機に冷水ポンプ、冷却水ポンプ
  • 　　　冷却塔
  • 　　　計 20 台程度
  • 　・期間想定
  • 　　　初期調整： 0.5～1ヶ月
  • 　　　開発： 0.5ヶ月
  • 　・コスト削減効果
  • 　　　平均 8% 程度

  • ■ 需要予測×運転計画 モデルケース

  • 　・機器想定
  • 　　　冷凍機、吸収式冷凍機、
  • 　　　それぞれの冷凍機に冷水ポンプ、冷却水ポンプ
  • 　　　ガスエンジン、ボイラ、冷却塔
  • 　　　計 40 台程度
  • 　・期間想定
  • 　　　初期調整： 1～2ヶ月
  • 　　　開発： 1.5ヶ月
  • 　・コスト削減効果
  • 　　　平均 8% 程度

  • ■ 需要予測×リアルタイム最適化×運転計画 モデルケース

  • 　・機器想定
  • 　　　冷凍機 10 台程度
  • 　　　それぞれの冷凍機に冷水ポンプ、冷却水ポンプ
  • 　　　冷却塔
  • 　　　計 30 台程度
  • 　・期間想定
  • 　　　初期調整： 2～3ヶ月
  • 　　　開発： 2ヶ月
  • 　・コスト削減効果
  • 　　　平均 10% 程度

ご相談・お見積

CONTACT ページからお問い合わせください。

お問い合わせ頂く際、可能であればシステムの時系列データ(3ヶ月以上、ダミーデータでも可能)、システム構成、入出力データ数とその形式等の情報を頂けますと、よりスムーズです。

上記以外にも、お客様ご指定のハードウエアに組込みむための設計・実装や、お客さまのニーズに合わせた保守の設定などにも柔軟に対応致します。ぜひご相談ください。

ビジネスパートナー募集

「E-1」をお取り扱い下さるビジネスパートナーを募集しています。EMSやZEB, ZEHを設置・管理・運用されている事業者様などを想定しておりますが、限るものではございません。

ご不明点へのご質問なども承ります。ご遠慮なくお気軽にお問い合わせください。