創新分群編碼技術：用簡單開關資料精準預測建築用電需求

東京科學研究院研發的「分群編碼」(Group Encoding, GE)技術，僅需利用既有裝置的開關狀態資料，就能大幅提升建築用電需求預測準確度達74%。這項突破性方法不僅簡化了高維二後設資料處理，更能有效最佳化能源裝置管理，降低營運成本，並促進分散式系統中再生能源的無縫整合。

隨著太陽能板、燃料電池、儲能系統等分散式能源裝置(DES)在建築中的普及，精準預測用電需求已成為關鍵課題。若無法準確掌握用電模式，將導致電力供需失衡、電網不穩定，甚至造成能源浪費與成本增加。

由東京科學研究院Ihara-Manzhos實驗室開發的GE技術，巧妙地僅運用建築能源管理系統(BEMS)中既有的裝置開關狀態資料進行預測。研究團隊成員包括Manabu Ihara教授、Sergei Manzhos副教授、博士生Hyojae Lee和助理教授Keisuke Kameda，相關成果已發表於《Applied Energy》期刊。

Ihara教授指出：「在物聯網普及的今天，裝置開關狀態這種最基本的控制資訊已能大規模收集。若能僅憑這些二後設資料就實現精準預測，將可省去額外昂貴感測器的安裝成本。」

GE技術的運作流程相當精簡：首先將BEMS收集的開關資料按裝置型別分類，將功能相似的裝置（如暖氣、泵浦、空調系統等）歸為同一群組。每個裝置會根據其用電貢獻度被賦予權重值，最後整合各群組資料輸入機器學習模型進行需求預測。

研究團隊使用東京科學研究院環境能源創新大樓的實測資料進行驗證，該建築每秒產生超過4,000筆資料，其中包括1,505組能源系統的開關訊號。測試涵蓋2019年7月至2022年2月間四個季節的資料，特別以一分鐘為間隔模擬夏冬用電高峰的劇烈波動。

結果顯示，相較傳統標籤編碼法，GE在即時預測（一分鐘前）的平均絕對誤差降低74%；對於較長時段預測（60分鐘前），平均絕對百分比誤差僅3.27%，均方根誤差變異係數為5.40%，創下單一建築DES預測效能的新標竿。

這項低成本、高精度的預測技術將大幅提升DES在電力負載平衡、電力市場交易與再生能源整合方面的能力。團隊目前已將GE技術整合到新一代智慧能源管理系統「Ene-Swallow」中，用於控制先進的碳空氣二次電池系統，並計劃成立新創公司加速技術落地應用。

隨著建築越來越智慧化和互聯化，GE技術將在最佳化能源使用、減少碳排放和確保清潔電力穩定供應方面扮演關鍵角色，為分散式再生能源系統面臨的主要挑戰提供實用解方。

[end]