CN113167495A - 空调控制装置和空调控制方法 - Google Patents

空调控制装置和空调控制方法 Download PDF

Info

Publication number
CN113167495A
CN113167495A CN201880099974.6A CN201880099974A CN113167495A CN 113167495 A CN113167495 A CN 113167495A CN 201880099974 A CN201880099974 A CN 201880099974A CN 113167495 A CN113167495 A CN 113167495A
Authority
CN
China
Prior art keywords
air conditioning
data
unit
time
air
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201880099974.6A
Other languages
English (en)
Other versions
CN113167495B (zh
Inventor
田口直树
毬山利贞
南本高志
佐藤靖
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Mitsubishi Electric Corp
Original Assignee
Mitsubishi Electric Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Mitsubishi Electric Corp filed Critical Mitsubishi Electric Corp
Publication of CN113167495A publication Critical patent/CN113167495A/zh
Application granted granted Critical
Publication of CN113167495B publication Critical patent/CN113167495B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
    • F24F11/48—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring prior to normal operation, e.g. pre-heating or pre-cooling
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • F24F11/63—Electronic processing
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/10—Temperature

Landscapes

  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Chemical & Material Sciences (AREA)
  • Signal Processing (AREA)
  • Combustion & Propulsion (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

空调控制装置(2)具有：取得部(16)，其取得空调机取得的空调数据和将该空调数据输入到机器学习模型而预测出的空调机的启动时刻；扩展部(14)，其参照取得部取得的空调数据和启动时刻生成扩展数据；以及更新部(15)，其参照取得部取得的空调数据和启动时刻以及扩展部生成的扩展数据，对机器学习模型进行更新。

Description

空调控制装置和空调控制方法
技术领域
本发明涉及根据机器学习模型对空调机进行控制的空调控制装置。
背景技术
作为对空调机进行控制以抑制消耗电力并执行使用户觉得舒适的空调的技术的例子，例如可举出专利文献1记载的空调控制装置的技术。该空调控制装置将表示室温变化的历史的室温历史信息与空调机的动作历史信息对应起来，根据这些信息预测空调机不调节温度的情况下的室温作为断开时预测室温，根据该断开时预测室温决定用于在目标时刻使室温达到目标温度的控制参数。
关于上述断开时预测室温的预测，更详细地讲，专利文献1记载的空调控制装置使用机器学习，根据室温历史信息和动作历史信息生成用于预测空调机不调节温度的情况下的居室将来室温的断开时室温预测模型，使用该断开时室温预测模型预测断开时预测室温。
现有技术文献
专利文献
专利文献1：日本特开2017-67427号公报
发明内容
发明要解决的课题
但是，专利文献1记载的空调控制装置中的断开时室温预测模型的生成是以存在充分蓄积的室温历史信息和动作历史信息的数据为前提的。一般而言，机器学习所需要的数据量庞大，在空调控制装置进行机器学习时，不一定事前保持必要的数据量。此外，存在空调控制装置从头收集必要数据时需要时间这样的问题。
本发明正是为了解决上述这种问题而完成的，其目的在于，提供如下技术：在根据机器学习模型对空调机进行控制的空调控制装置中，能够削减用于收集机器学习中使用的数据的时间成本。
用于解决课题的手段
本发明的空调控制装置具有：取得部，其取得空调机取得的空调数据和将该空调数据输入到机器学习模型而预测出的空调机的启动时刻；扩展部，其参照取得部取得的空调数据和启动时刻生成扩展数据；以及更新部，其参照取得部取得的空调数据和启动时刻以及扩展部生成的扩展数据，对机器学习模型进行更新。
发明效果
根据本发明，在根据机器学习对空调机进行控制的空调控制装置中，能够削减收集机器学习中使用的数据的时间成本。
附图说明
[图1]是示出实施方式1的空调控制系统的结构的框图。
[图2]是示出实施方式1的空调控制装置的结构的框图。
[图3]是示出实施方式1的空调控制方法中的所需时间预测方法的流程图。
[图4]是示出实施方式1的空调控制方法中的扩展数据生成方法和机器学习模型更新方法的流程图。
[图5]是用于说明实施方式1的空调控制方法中的扩展数据生成方法的第1具体例的曲线图。
[图6]是用于更加详细地说明实施方式1的空调控制方法中的扩展数据生成方法的第1具体例的曲线图。
[图7]是用于说明实施方式1的空调控制方法中的空调控制方法中的扩展数据生成方法的第2具体例的曲线图。
[图8]是用于更加详细地说明实施方式1的空调控制方法中的空调控制方法中的扩展数据生成方法的第2具体例的曲线图。
[图9]是用于说明实施方式1的空调控制装置的空调控制的结果的曲线图。
[图10]是示出实施方式2的空调控制装置的结构的框图。
[图11]是示出实施方式2的空调控制方法中的扩展数据生成方法和机器学习模型更新方法的流程图。
[图12]是用于说明实施方式2的空调控制方法中的扩展数据置换方法的具体例的图。
[图13]是示出实施方式3的空调控制方法中的启动时刻预测方法的流程图。
[图14]是示出实施方式3的空调控制方法中的扩展数据生成方法和机器学习模型更新方法的流程图。
[图15]是用于说明实施方式3的空调控制装置使用神经网络模型预测所需时间的具体例的图。
[图16]是示出实施方式4的空调控制方法中的启动时刻预测方法的流程图。
[图17]是示出实施方式4的空调控制方法中的扩展数据生成方法和机器学习模型更新方法的流程图。
[图18]图18A是示出实现实施方式1～4的空调控制装置的功能的硬件结构的框图。图18B是示出执行实现实施方式1～4的空调控制装置的功能的软件的硬件结构的框图。
具体实施方式
下面，为了更加详细地说明本发明，按照附图对用于实施本发明的方式进行说明。
实施方式1
图1是示出实施方式1的空调控制系统1的结构的框图。如图1所示，空调控制系统1具有空调控制装置2、空调控制器3、多个室外机5和多个室内机6。另外，图1所示的结构只是一例，本实施方式的空调控制系统1的各设备的台数等不限于该例子的各设备的台数。
关于室外机5，分别针对1台室外机5连接有多个室内机6，各个室外机5与室内机6一起构成进行室内空调的空调机4。各室外机5具有取得设置有该室外机5的室外的环境信息的传感器。各室外机5将取得的环境信息作为空调数据输出到空调控制器3。另外，作为环境信息的例子，可举出每个小时的室外温度和室外湿度。
各室内机6具有取得设置有该室内机6的室内的环境信息的传感器。此外，各室内机6具有从用户受理设定信息的受理部。各室内机6将取得的环境信息、受理的设定信息和表示空调机4的运转状态的运转信息作为空调数据经由室外机5输出到空调控制器3。另外，作为环境信息的例子，可举出每个小时的室内温度和室内湿度。设定信息至少包含使设置有室内机6的房间的环境值达到目标值的目标时刻，作为其他设定信息的例子，可举出由用户设定的目标温度、目标湿度。作为运转信息的例子，可举出与空调机4的启动和停止有关的信息、以及空调机4的制冷模式、制热模式和除湿模式的运转模式。
空调控制器3是集中控制多个室外机5和多个室内机6的控制器。空调控制器3从室外机5和室内机6取得空调数据。空调控制器3将汇集从多个室外机5和多个室内机6取得的空调数据而成的空调数据发送到空调控制装置2。
图2是比图1更详细地示出空调控制装置2的结构的框图。如图2所示，空调控制装置2具有控制部10、发送接收部11和存储部12。控制部10具有预测部13和机器学习部17。机器学习部17具有扩展部14、更新部15和取得部16。
发送接收部11从空调控制器3接收空调数据。发送接收部11将接收到的空调数据输出到预测部13。
预测部13经由发送接收部11取得空调数据。此外，预测部13从存储部12读入该存储部12中预先保存的机器学习模型。预测部13向该机器学习模型输入取得的空调数据，预测从使空调机4启动到房间的环境值在目标时刻达到目标值为止所需要的所需时间(以下也简称作“所需时间”)。另外，房间的环境值可以是上述室内温度、室内湿度等。目标值可以是上述目标温度、目标湿度等。预测部13将预测出的所需时间经由发送接收部11输出到空调控制器3。空调控制器3根据该所需时间和上述目标时刻，决定适合于房间的环境值达到目标值的空调机4的启动时刻，进行控制以使空调机4在该启动时刻启动。此外，预测部13将基于预测出的所需时间的启动时刻和已使用的空调数据对应起来保存于存储部12。
另外，在本实施方式中，说明空调控制器3决定启动时刻并进行控制以使空调机4在该启动时刻启动的结构，但是，空调控制装置2具有这些功能的结构也包含在本实施方式中。该情况下，空调控制装置2还具有启动部，该启动部根据所需时间和目标时刻，决定适合于房间的环境值达到目标值的空调机4的启动时刻，进行控制以使空调机4在该启动时刻启动。在本实施方式中，上述空调机4的启动时刻是根据上述所需时间和目标时刻简单求出的数值，因此，预测所需时间与预测空调机4的启动时刻实质上同义。即，“启动时刻的预测”这样的表达还包含所需时间的预测。
取得部16取得空调机4取得的空调数据和将该空调数据输入到机器学习模型而预测出的空调机4的启动时刻。取得部16从存储部12读入该存储部12中预先保存的空调数据和启动时刻。
扩展部14参照取得部16取得的空调数据和启动时刻生成扩展数据。扩展部14将生成的扩展数据输出到更新部15。此外，扩展部14将生成的扩展数据经由取得部16保存于存储部12。扩展部14对扩展数据的生成方法的具体例容后再述。
更新部15参照取得部16取得的空调数据和启动时刻以及扩展部14生成的扩展数据，对机器学习模型进行更新。更新部15将更新后的机器学习模型保存于存储部12。
接着，参照附图对空调控制装置2的动作进行说明。
图3是示出实施方式1的空调控制装置2的空调控制方法中的启动时刻预测方法的流程图。图4是示出实施方式1的空调控制方法中的扩展数据生成方法和机器学习模型更新方法的流程图。
首先，对图3的流程图进行说明。预测部13经由发送接收部11取得空调数据(步骤ST1)。此外，预测部13从存储部12读入预先保存的机器学习模型。例如，在步骤ST1中，预测部13经由发送接收部11取得室内温度、室外温度和目标温度作为空调数据。接着，预测部13计算“室内温度与目标温度之差”和“室内温度与室外温度之差”。
接着，预测部13向读入的机器学习模型输入取得的空调数据，预测所需时间(步骤ST2)。为了预测部13预测所需时间而输入到机器学习模型的空调数据可以是取得的空调数据本身，也可以是对该空调数据进行加工而得到的数据。例如，在步骤ST2中，预测部13向读入的机器学习模型输入计算出的“室内温度与目标温度之差”和“室内温度与室外温度之差”，预测所需时间。即，输入到机器学习模型的“空调数据”包含空调数据本身或对空调数据进行加工而得到的数据。
接着，预测部13将预测出的所需时间经由发送接收部11输出到空调控制器3(步骤ST3)。在取得该所需时间后，空调控制器3根据预测部13预测出的所需时间和空调数据所示的目标时刻，决定适合于房间的环境值达到目标值的空调机4的启动时刻，进行控制以使空调机4在该启动时刻启动。例如，空调控制器3根据所需时间和目标时刻，决定适合于房间的温度达到目标温度的空调机4的启动时刻，进行控制以使空调机4在该启动时刻启动。
接着，预测部13将空调控制器3决定的启动时刻和空调数据对应起来保存于存储部12(步骤ST4)。预测部13保存于存储部12的空调数据包含从取得了输入到机器学习模型的空调数据的时刻起经过启动时刻到达到目标温度或目标湿度的时刻为止的期间的空调数据。存储部12中保存的该期间的空调数据实际上是室内机6的传感器和室外机5的传感器取得的数据。下面，将实际上室内机6的传感器和室外机5的传感器取得的数据称作“实际数据”。例如，在步骤ST4中，预测部13将启动时刻与上述期间的室内温度和室外温度对应起来保存于存储部12。预测部13经由发送接收部11从空调控制器3取得启动时刻和上述期间的空调数据即可。
接着，对图4的流程图进行说明。
取得部16读入在上述步骤ST4中预测部13保存于存储部12的空调数据和启动时刻(步骤ST10)。例如，在步骤ST10中，取得部16读入存储部12中保存的启动时刻以及与其对应的室内温度和室外温度。
接着，扩展部14参照取得部16取得的空调数据和启动时刻生成扩展数据(步骤ST11)。扩展部14将生成的扩展数据输出到更新部15。例如，在步骤ST11中，扩展部14以机器学习所需要的数量对取得部16取得的空调数据和启动时刻的数据数量进行扩展。作为扩展方法的例子，例如，扩展部14对空调数据的数值和启动时刻的数值各加上一定数值，由此对数据数量进行扩展。
接着，更新部15读入存储部12中预先保存的机器学习模型，参照取得部16取得的空调数据和启动时刻以及扩展部14生成的扩展数据，对该机器学习模型进行更新(步骤ST12)。例如，在步骤ST12中，更新部15参照取得部16取得的室内温度和室外温度、启动时刻以及它们的扩展数据，对机器学习模型进行更新。
接着，更新部15将更新后的机器学习模型保存于存储部12(步骤ST13)。
接着，参照附图对上述步骤ST11中的扩展数据生成方法的具体例进行说明。
图5和图6是用于说明实施方式1的空调控制装置2的空调控制方法中的扩展数据生成方法的第1具体例的曲线图。图5和图6的曲线图中的纵轴表示室内温度，横轴表示时间。
更详细地讲，图5是室内机6的传感器取得的室内温度的温度变化曲线，曲线图上的各数据是空调控制装置2按照一定间隔的每个时刻监视室内温度而得到的。另外，针对图5中的曲线图上的多个点所示的一定间隔的每个时刻的室内温度，分别存在作为对应时刻的传感器值的室外温度。在上述步骤ST4中，预测部13按照一定间隔的每个时刻，将该时刻的室内温度和室外温度作为1个记录的空调数据保存于存储部12。
在空调机4被设定成制冷模式的情况下，如图5所示，在使空调机4在启动时刻启动后，室内温度持续降低。在室内温度达到目标温度后，空调控制装置2经由空调控制器3使空调机4停止。针对这种动作，作为数据，存在由从使空调机4启动到达到目标温度为止的多个记录构成的一连串的空调数据。但是，作为与1个启动时刻和为了预测决定这1个启动时刻中使用的所需时间而输入到机器学习模型的空调数据对应的数据集，仅存在1个数据集，仅仅是该数据集，作为更新部15在上述步骤ST12中对机器学习模型进行更新而使用的数据是不充分的。因此，在上述步骤ST11中，扩展部14参照取得部16从存储部12读入的空调数据和启动时刻生成扩展数据。
图6是用于更加具体地说明扩展数据生成方法的曲线图。与图6的横轴的实际的启动时刻和纵轴的启动时的室内温度对应的左端的点表示预测部13在步骤ST4中保存于存储部12的数据。
在步骤ST11中，扩展部14将与启动时刻不同的时刻的空调数据视为假想的启动时刻的空调数据，由此生成扩展数据。更详细地讲，在步骤ST11中，扩展部14实际上参照从空调机4启动到室内温度达到目标温度为止的一连串的空调数据，将任意时刻视为假想的启动时刻，将该任意时刻的空调数据视为假想的启动时刻的空调数据。接着，扩展部14假设不管启动时刻是哪个时刻，室内温度都进行沿着图5所示的曲线图的温度变化，在空调机4在假想的启动时刻启动的情况下，与空调机4在实际的启动时刻启动的情况同样，视为室内温度在与实际的达到目标温度时刻相同的时刻达到目标温度，由此生成扩展数据。更详细地讲，扩展部14根据实际的启动时刻与假想的启动时刻之差，计算从假想的启动时刻到达到目标温度时刻为止的所需时间。
参照图6进行说明时，实际上在上述步骤ST3中空调控制器3启动空调机4的启动时刻的空调数据是7：00的启动时刻的空调数据。但是，扩展部14将曲线图上的7：05的空调数据和7：10的空调数据分别视为假想的启动时刻的空调数据，并且，视为假设在这3个启动时刻启动空调机4的情况下的各室内温度在7：15达到目标温度，生成扩展数据。更详细地讲，扩展部14根据实际的启动时刻7：00与假想的启动时刻7：05或7：10之差，计算从假想的启动时刻7：05或7：10到7：15为止的所需时间，由此生成扩展数据。即，扩展后的数据集如下所述。
实际数据：实际的启动时刻7：00、该实际的启动时刻的空调数据以及从该实际的启动时刻到达到目标温度时刻为止的所需时间15分钟的数据集
第1扩展数据：假想的启动时刻7：05、该假想的启动时刻的空调数据以及从假想的启动时刻到达到目标温度时刻为止的所需时间10分钟的数据集
第2扩展数据：假想的启动时刻7：10、该假想的启动时刻的空调数据以及从假想的启动时刻到达到目标温度时刻为止的所需时间5分钟的数据集
在上述例子中，能够将本来只有1个的空调机启动时的空调数据和所需时间的数据集扩展成3个。这样，在第1具体例中，通过考虑基于空调的室内温度变化的知识和见解来生成扩展数据，与仅将实际数据设为学习数据的情况相比，能够扩展学习数据数量，能够抑制学习数据收集的时间成本。
接着，参照附图对上述步骤ST11中的扩展数据生成方法的第2具体例进行说明。
在上述扩展数据生成方法的第1具体例中，扩展部14参照空调数据，将任意时刻视为假想的启动时刻，将该任意时刻的空调数据视为假想的启动时刻的空调数据，由此进行学习数据数量的扩展。但是，在这种具体例中，能够扩展的数据数量也存在极限。因此，在以下说明的具体例中，通过对图5所示的室内温度变化曲线进行扩展，能够扩展学习数据数量。
图7是用于说明实施方式1的空调控制方法中的扩展数据生成方法的第2具体例的曲线图。图7的曲线图是三维曲线图，第1个轴表示室内温度，第2个轴表示时间，第3个轴表示室外温度。图7中的曲线A实际上是室内机6的传感器取得的室内温度和室外机5的传感器取得的室外温度的温度变化曲线，曲线图上的各数据是空调控制装置2按照一定间隔的每个时刻监视室内温度和室外温度而得到的。图8与图7所示的曲线A同样，实际上是室内机6的传感器取得的室内温度和室外机5的传感器取得的室外温度的温度变化曲线。
一般而言，在由空调机4进行了空调的室内的时间温度变化曲线中，在室内温度与室外温度之差不同的情况下，曲线的斜率不同，根据室内温度与室外温度之差决定曲线的斜率。以图8的曲线图为例进行说明时，室外温度随着时间而上升，由于空调机4的运转模式是制冷模式，室内温度随着时间而降低。由此，室内温度与室外温度之差随着时间而增大。该差越大，则制冷越难发挥效果，室内的温度变化曲线的斜率随着时间而变缓。
本实施方式的扩展数据生成方法的第2具体例考虑到上述这种空调的知识和见解。首先，在上述步骤ST11中，扩展部14实际上参照从空调机4启动到室内温度达到目标温度为止的一连串的空调数据，计算每个小时的“室内温度与室外温度之差”和此时的“室内温度的温度变化曲线的斜率”，将它们对应起来。接着，扩展部14将与计算出的“室内温度与室外温度之差”对应的“室内温度的温度变化曲线的斜率”视为与假想的“室内温度与室外温度之差”对应的“室内温度的温度变化曲线的斜率”，由此生成该斜率的线性模型。
更具体而言，以图7的曲线图为例进行说明时，扩展部14计算作为实际数据的曲线A上的室外温度30℃与室内温度25℃之差、以及室内温度25℃时的该曲线A的斜率，将它们对应起来。接着，扩展部14将该斜率视为与假想的“室外温度与室内温度之差”5℃对应的“室内温度的温度变化曲线的斜率”，生成线性模型B。关于线性模型B，在启动时刻，室外温度为33℃，室内温度为28℃，“室外温度与室内温度之差”是与假想的“室外温度与室内温度之差”5℃相同的值。关于线性模型B，斜率是与假想的“室外温度与室内温度之差”5℃对应的斜率，具有线性。
此外，扩展部14计算作为实际数据的曲线A上的室外温度30℃与室内温度23℃之差以及室内温度23℃时的该曲线A的斜率，将它们对应起来。接着，扩展部14将该斜率视为与假想的“室外温度与室内温度之差”7℃对应的“室内温度的温度变化曲线的斜率”，生成线性模型C。关于线性模型C，在启动时刻，室外温度为35℃，室内温度为28℃，“室外温度与室内温度之差”是与假想的“室外温度与室内温度之差”7℃相同的值。关于线性模型C，斜率是与假想的“室外温度与室内温度之差”7℃对应的斜率，具有线性。
另外，上述第2具体例的扩展数据生成方法也可以与第1具体例的扩展数据生成方法组合来执行。由此，与仅将实际数据设为学习数据的情况相比，能够大幅扩展学习数据数量，能够抑制学习数据收集的时间成本。
接着，参照附图对实施方式1的空调控制装置2的空调控制的结果的具体例进行说明。
图9是用于说明实施方式1的空调控制装置2的空调控制的结果的曲线图。图9的曲线图中的纵轴表示室内温度，横轴表示时间。3个实线表示各设置有1台室内机6的各房间的温度变化曲线。另外，在该具体例中，多个室内机6分别与室外机5一起构成空调机4。
首先，在第1个房间中，在上述步骤ST1中，预测部13取得该房间的室内温度、室外温度和目标温度作为空调数据。接着，在步骤ST2中，预测部13根据取得的空调数据计算“室内温度与目标温度之差”和“室内温度与室外温度之差”，将作为计算结果的空调数据输入到机器学习模型，由此预测所需时间。接着，在步骤ST3中，预测部13将预测出的所需时间经由发送接收部11输出到空调控制器3。空调控制器3根据预测部13预测出的所需时间和空调数据所示的目标时刻，将适合于房间的室内温度达到目标温度的空调机4的启动时刻决定为7：30，进行控制以使空调机4在该启动时刻启动。
空调控制装置2针对其他房间也执行上述各工序，将设置于第2个房间的空调机4的启动时刻设为7：45，将设置于第3个房间的空调机4的启动时刻设为8：00，对各房间的空调机4进行控制。接着，如图9所示，在各房间的室内温度在8：30达到目标温度后，空调控制装置2使各空调机4停止。图9的柱状图表示由3台空调机4消耗的电力量。如图9的柱状图所示，根据各室内机的启动时刻，消耗电力量阶段地增加。作为这种消耗电力量阶段地增加的理由，是多个室内机6的各启动时刻不同，由此，进行工作的室内机6的数量随着时间而增加。作为多个室内机6的各启动时刻不同的理由，是空调控制装置2参照基于空调数据的机器学习模型预测各空调机4的启动时刻，该空调数据反映了设置有室内机6的各个环境例如房间的大小差异等。空调控制装置2通过这样分散消耗电力量，能够削减峰值电力。
如上所述，实施方式1的空调控制装置2具有：取得部16，其取得空调机4取得的空调数据和将该空调数据输入到机器学习模型而预测出的空调机4的启动时刻；扩展部14，其参照取得部16取得的空调数据和启动时刻生成扩展数据；以及更新部15，其参照取得部16取得的空调数据和启动时刻以及扩展部14生成的扩展数据，对机器学习模型进行更新。
根据上述结构，不是将为了用于机器学习而取得的仅实际数据的空调数据直接用于学习，而是根据该空调数据生成扩展数据，由此能够扩展学习数据数量，还使用该扩展数据对机器学习模型进行更新。由此，能够抑制用于收集机器学习中使用的数据的时间成本。
根据实施方式1的一个方式，空调控制装置2也可以是，取得部16至少取得设置有空调机4的室内机6的房间的室内温度作为空调数据，取得作为适合于室内温度在目标时刻达到目标温度的启动时刻而预测出的启动时刻作为启动时刻。
根据上述结构，生成启动时刻和室内温度的扩展数据，还使用该扩展数据对机器学习模型进行更新。由此，能够抑制用于收集机器学习中使用的启动时刻和室内温度的数据的时间成本。
根据实施方式1的一个方式，空调控制装置2也可以是，扩展部14参照从启动时刻到设置有空调机4的房间的环境值达到目标值的时刻为止的空调数据，将任意时刻视为假想的启动时刻，将该任意时刻的空调数据视为该假想的启动时刻的空调数据，由此生成与启动时刻对应的空调数据的扩展数据。
根据上述结构，能够扩展与启动时刻对应的空调数据，能够抑制用于收集该数据的时间成本。
根据实施方式1的一个方式，空调控制装置2也可以是，取得部16取得设置有空调机4的室内机6的房间的室内环境值和设置有空调机4的室外机5的室外的室外环境值作为空调数据，扩展部14参照从启动时刻到室内环境值达到目标值的时刻为止的期间的室内环境值和室外环境值，计算该期间内的某个时刻的室内环境值与室外环境值之差以及室内环境值变化曲线的斜率，生成与该差对应的该斜率的线性模型作为室内环境值变化曲线的扩展数据。
根据上述结构，能够扩展与室内环境值和室外环境值之差对应的室内环境值变化曲线，能够抑制用于收集该曲线的数据的时间成本。
根据实施方式的一个方式，空调控制装置2也可以还具有预测部13，该预测部13向机器学习模型输入空调数据，预测空调机4的启动时刻，使空调机4在预测部13预测出的启动时刻启动。
根据上述结构，根据进一步基于扩展数据的机器学习模型预测启动时刻，能够使空调机在该启动时刻启动。
实施方式2
在上述实施方式1中，说明了扩展部14参照空调数据和启动时间生成扩展数据。但是，扩展数据与作为实际数据的空调数据相比，可靠性低。因此，需要使可能成为噪声的扩展数据的使用成为最低限度。实施方式2的主要目的在于解决这种课题。
下面，参照附图对实施方式2进行说明。另外，对具有与实施方式1中说明的结构相同的功能的结构标注相同标号并省略其说明。
图10是示出实施方式2的空调控制装置20的结构的框图。如图10所示，空调控制装置20在实施方式1的空调控制装置2的结构的基础上，控制部21的机器学习部23还具有置换部22。
置换部22从扩展部14或存储部12取得扩展部14生成扩展数据时使用的实际数据的空调数据和扩展部14生成的扩展数据，对该空调数据和该扩展数据进行比较，根据该比较的结果将扩展数据置换成空调数据。更详细地讲，置换部22对空调数据和扩展数据进行比较，将与空调数据相似的扩展数据置换成该空调数据。置换部22将包含置换后的空调数据在内的空调数据和未置换的扩展数据输出到更新部15。
接着，参照附图对实施方式2的空调控制装置20的动作进行说明。另外，实施方式2的启动时刻预测方法与实施方式1的启动时刻预测方法的步骤ST1～步骤ST4相同。因此，省略实施方式2的启动时刻预测方法的说明。
图11是示出实施方式2的空调控制方法中的扩展数据生成方法和机器学习模型更新方法的流程图。另外，实施方式2的空调控制装置20的空调控制方法的步骤ST20、ST21和ST24分别与参照图4说明的空调控制方法的步骤ST10、ST11和ST13相同。因此，省略步骤ST20、ST21和ST24的说明。
如图11所示，在步骤ST22中，置换部22对作为实际数据的空调数据和扩展部14生成的扩展数据进行比较，根据该比较的结果将扩展数据置换成空调数据。接着，在步骤ST23中，更新部15参照经过基于置换部22的步骤ST22的空调数据和扩展数据对机器学习模型进行更新。
例如，在步骤ST22中，置换部22也可以对扩展部14生成扩展数据时使用的空调数据和扩展部14生成的扩展数据进行比较，根据该比较的结果将扩展数据置换成空调数据。此外，在步骤ST22中，置换部22也可以将未置换的扩展数据暂时保存于存储部12。该情况下，然后，在预测部13新取得了空调数据后，置换部22也可以对该空调数据和存储部12中保存的扩展数据进行比较，根据该比较的结果将扩展数据置换成空调数据。由此，能够缩短数据收集期间。
接着，对上述步骤ST22的扩展数据置换方法的具体例进行说明。
图12是用于说明实施方式2的空调控制装置20的空调控制方法中的扩展数据置换方法的具体例的图。图12所示的4个网格中附带的箭头分别表示置换部22执行步骤ST22的工序的顺序。这些网格的纵轴表示“室内温度与目标温度之差”，横轴表示“室内温度与室外温度之差”。在该例子中，“室内温度与目标温度之差”和“室内温度与室外温度之差”构成1个记录的空调数据或扩展数据。这些网格上的“●”表示作为实际数据的空调数据，“○”表示扩展数据。
首先，在步骤ST22中，如图12的(1)所示，置换部22在定义有纵轴的数据和横轴的数据的网格上描绘从扩展部14取得的实际数据的空调数据和扩展数据。另外，在该具体例中，将置换部22使用的1个记录的空调数据或扩展数据设为由“室内温度与目标温度之差”和“室内温度与室外温度之差”构成的数据，但是不限于此，该数据是基于环境值或目标值的数值即可。此外，如该具体例那样，在1个记录的数据由分别基于环境值或目标值的2个数据构成的情况下，扩展部14定义在纵轴和横轴具有这2个数据的格子状网格。另外，置换部22使用的空调数据和扩展数据的维数不限于二维。该维数也可以是三维，该情况下，网格可以是3轴的立方体状网格。置换部22也可以结合更新部15为了更新机器学习模型而输入的空调数据和扩展数据的维数，对网格的维数进行扩展。置换部22也可以根据空调数据和扩展数据的种类对网格的间隔即刻度进行变更。
接着，如图12的(2)所示，置换部22对网格上的空调数据和扩展数据进行比较，将位于与空调数据相同的框内的扩展数据视为该空调数据的相似数据，利用空调数据置换扩展数据。置换部22也可以在扩展部14生成扩展数据后，反复进行图12的(1)和(2)的各工序。
接着，如图12的(3)所示，置换部22在预测部13新取得了空调数据后，在网格上描绘该空调数据。
接着，如图12的(4)所示，置换部22对新描绘的空调数据和扩展数据进行比较，在该空调数据进入的框内已经存在扩展数据的情况下，将扩展数据置换成空调数据。
另外，置换部22也可以在取得了新的空调数据后，反复进行图12的(3)和(4)所示的各工序。
如上所述，实施方式2的空调控制装置20也可以还具有置换部，该置换部对空调数据和扩展数据进行比较，根据该比较的结果将扩展数据置换成空调数据。
根据上述结构，将扩展数据置换成作为实际数据的空调数据，根据该实际数据对机器学习模型进行更新。由此，与不从扩展数据置换成实际数据的情况相比，能够从机器学习的早期起，根据可靠性高的机器学习模型，更高精度地预测空调机的启动时间。随着机器学习的进行，能够进一步减小预测出的启动时间与最适合于室内温度在目标时间达到目标温度的启动时间的时间偏差。
实施方式3
在实施方式1、2中，说明了参照空调数据和扩展数据以及预测出的所需时间对机器学习模型进行更新。在实施方式3中，使用神经网络模型作为机器学习模型，实际上还参照直到房间的环境值达到目标值的时刻为止的所需时间，对神经网络模型进行更新。
下面，参照附图对实施方式3进行说明。另外，在实施方式3中，能够使用实施方式1中说明的图2的空调控制装置2或实施方式2中说明的图10的空调控制装置20。因此，省略实施方式1或实施方式2中说明的结构的说明。在实施方式3的空调控制方法的说明中，适当省略与实施方式1、2中说明的空调控制方法的工序相同的工序的详细说明。
图13是示出实施方式3的空调控制方法中的启动时刻预测方法的流程图。图14是示出实施方式3的空调控制方法中的扩展数据生成方法和机器学习模型更新方法的流程图。
如图13所示，在步骤ST30中，预测部13经由发送接收部11取得包含室内温度和室外温度的空调数据。此外，预测部13从存储部12读入包含神经网络模型的机器学习模型。
接着，在步骤ST31中，预测部13向读入的包含神经网络模型的机器学习模型输入空调数据，预测所需时间。下面，将预测部13预测出的所需时间也称作“预测所需时间”。
图15是用于说明在上述步骤ST31中预测部13使用神经网络模型预测所需时间的具体例的图。如图15所示，预测部13向神经网络模型的输入层输入“室内温度与目标温度之差”和“室内温度与室外温度之差”，使输出层输出所需时间。
接着，在步骤ST32中，预测部13将预测所需时间经由发送接收部11输出到空调控制器3。在取得了该预测所需时间后，空调控制器3根据预测所需时间和上述空调信息所示的目标时刻，决定适合于房间的室内温度达到目标温度的空调机4的启动时刻，进行控制以使空调机4在该启动时刻启动。
接着，在步骤ST33中，室内机6的传感器取得由于空调控制器3使空调机4启动而发生变化的室内温度，预测部13经由发送接收部11监视该室内温度，计测从空调机4的启动时刻到室内温度实际上达到目标温度的时刻为止的所需时间(以下称作“计测所需时间”)。
接着，在步骤ST34中，预测部13将预测所需时间、计测所需时间、从取得了输入到机器学习模型的空调数据的时刻起经过启动时刻到达到目标温度的时刻为止的期间的包含室内温度和室外温度的空调数据对应起来保存于存储部12。
接着，对图14的流程图进行说明。
取得部16从存储部12读入预测所需时间、计测所需时间和与它们对应的空调数据(步骤ST40)。
接着，扩展部14参照取得部16取得的预测所需时间、计测所需时间和空调数据生成扩展数据(步骤ST41)。
接着，更新部15读入存储部12中预先保存的包含神经网络模型的机器学习模型，参照预测所需时间、计测所需时间、空调数据和扩展部14生成的扩展数据，对包含该神经网络模型的机器学习模型进行更新(步骤ST42)。
接着，更新部15将更新后的包含神经网络模型的机器学习模型保存于存储部12(步骤ST43)。
预测部13和更新部15分别反复进行上述各工序，由此对神经网络模型进行更新。由此，能够逐渐提高预测部13预测的所需时间的精度。
接着，对实施方式3的变形例进行说明。
在上述本实施方式和实施方式1、2中，假设在1个房间仅设置有1台室内机的状况。但是，在写字楼内的空调等中，可能在1个房间设置有多个室内机。该情况下，室内温度受到各室内机的影响，各室内机的空调控制中使用的机器学习模型也受到影响。因此，空调控制装置2或空调控制装置20针对设置于与通过上述空调控制方法进行了空调控制的室内机6相同的房间的其他室内机6的传感器取得的空调数据，也进行上述ST30～ST34的工序以及ST40和ST41的工序。接着，在上述步骤ST42中，更新部15也可以还参照该其他室内机6的传感器取得的追加空调数据及其扩展数据，对包含神经网络模型的机器学习模型进行更新。
由此，能够考虑分别设置于相同房间的2个室内机的影响来预测空调机的启动时间，在写字楼等在1个房间设置有多个室内机的情况下，与不考虑其他空调机的影响的情况相比，能够高精度地预测适合于室内温度在目标时刻达到目标温度的空调机的启动时刻。
如上所述，在实施方式3的空调控制装置中，机器学习模型是包含神经网络模型的机器学习模型，更新部15还参照从启动时刻到设置有空调机的房间的环境值实际达到目标值的时刻为止的所需时间，对包含神经网络模型的机器学习模型进行更新。
根据上述结构，使用空调数据和扩展数据对包含神经网络模型的机器学习模型进行更新，根据该包含神经网络模型的机器学习模型预测空调机的启动时间。通过反复进行包含神经网络模型的机器学习模型的更新，能够逐渐提高预测空调机的启动时间的精度。
在实施方式3的一个方式的空调控制装置中，也可以是，取得部16还从设置有空调机4的室内机6的房间内进一步设置的其他空调机4取得追加空调数据，更新部15还参照追加空调数据对机器学习模型进行更新。
根据上述结构，在1个房间设置有多个室内机的情况下，与不考虑其他空调机的影响的情况相比，能够高精度地预测空调机的启动时刻。
实施方式4
在空调机执行了制热模式的情况下，与执行了制冷模式的情况相比，室内温度的温度变化曲线的变化大，因此，很难利用相同的学习模型来预测空调机执行制热模式的情况下的所需时间和空调机执行制冷模式的情况下的所需时间。实施方式4的主要目的在于解决这种课题。
下面，参照附图对实施方式4进行说明。另外，在实施方式4中，能够使用实施方式1中说明的图2的空调控制装置2或实施方式2中说明的图10的空调控制装置20。因此，省略与实施方式1或实施方式2中说明的结构相同的结构的说明。
实施方式4中的预测部13在空调机4的运转模式是制冷模式的情况下，参照制冷用的机器学习模型作为机器学习模型来预测启动时刻。此外，预测部13在空调机4的运转模式是制热模式的情况下，参照制热用的机器学习模型来预测启动时刻。
实施方式4中的更新部15参照制冷用的空调数据和扩展数据以及启动时刻对制冷用的机器学习模型进行更新。此外，更新部15参照制热用的空调数据和扩展数据以及启动时刻对制热用的机器学习模型进行更新。
接着，参照附图对实施方式4的空调控制方法进行说明。另外，在实施方式4的空调控制方法的说明中，适当省略与实施方式1、2中说明的空调控制方法的工序相同的工序的详细说明。
图16是示出实施方式4的空调控制方法中的启动时刻预测方法的流程图。图17是示出实施方式4的空调控制方法中的扩展数据生成方法和机器学习模型更新方法的流程图。
如图16所示，预测部13经由发送接收部11取得空调数据(步骤ST50)。接着，预测部13参照取得的空调数据判定空调机4的运转模式是否是制冷模式(步骤ST51)。预测部13在判定为空调机4的运转模式是制冷模式的情况下，进入步骤ST52。预测部13在判定为空调机4的运转模式不是制冷模式的情况下，进入步骤ST53。
在步骤ST52中，预测部13生成指示预测部13读入制冷用学习模型的制冷用学习模型读入标志。在步骤ST53中，预测部13生成指示预测部13读入制热用学习模型的制热用学习模型读入标志。
作为接着步骤ST52或步骤ST53的工序，预测部13从存储部12读入生成的标志所示的运转模式用的机器学习模型，向该机器学习模型输入空调数据，预测所需时间(步骤ST54)。接着，预测部13将预测出的所需时间经由发送接收部11输出到空调控制器3。
接着，预测部13将预测出的所需时间经由发送接收部11输出到空调控制器3(步骤ST55)。在取得了该所需时间后，空调控制器3根据预测部13预测出的所需时间和空调数据所示的目标时刻，决定适合于房间的环境值达到目标值的空调机4的启动时刻，进行控制以使空调机4在该启动时刻启动。
接着，预测部13将空调控制器3决定的启动时刻、从取得了输入到机器学习模型的空调数据的时刻起经过启动时刻到达到目标温度的时刻为止的期间的空调数据、在步骤ST52中生成的制热用学习模型读入标志或在ST53中生成的制冷用学习模型读入标志对应起来保存于存储部12(步骤ST56)。
接着，对图17的流程图进行说明。
取得部16读入在上述步骤ST56中预测部13保存于存储部12的空调数据、启动时刻和制热用学习模型读入标志或制冷用学习模型读入标志(步骤ST60)。
接着，扩展部14参照取得部16取得的空调数据、启动时刻和制热用学习模型读入标志或制冷用学习模型读入标志，生成标志所示的运转模式用的扩展数据(步骤ST61)。接着，扩展部14将生成的扩展数据输出到更新部15。
接着，更新部15读入标志所示的运转模式用的机器学习模型，参照作为取得部16取得的实际数据的空调数据和启动时刻、以及扩展部14生成的扩展数据，对该机器学习模型进行更新(步骤ST62)。
接着，更新部15将更新后的制热用机器学习模型或制冷用机器学习模型保存于存储部12(步骤ST63)。
如上所述，实施方式4的空调控制装置中的更新部15参照制冷用的空调数据和扩展数据以及启动时刻对制冷用的机器学习模型进行更新，或者参照制热用的空调数据和扩展数据以及启动时刻对制热用的机器学习模型进行更新。
根据上述结构，在制冷时和制热时这种进行完全不同的温度变化的状况下，与不使用制热用机器学习模型或制冷用机器学习模型的情况相比，能够高精度地预测所需时间。
实施方式5
空调控制装置2中的控制部10的预测部13、扩展部14、更新部15和取得部16各自的功能通过处理电路实现。即，空调控制装置2具有用于执行图3所示的步骤ST1～步骤ST4的处理、图4所示的步骤ST10～步骤ST13的处理、图13所示的步骤ST30～步骤ST34的处理、图14所示的步骤ST40～步骤ST43的处理、图16所示的步骤ST50～步骤ST56的处理或图17所示的步骤ST60～步骤ST63的处理的处理电路。同样，空调控制装置20中的控制部21的预测部13、扩展部14、更新部15、取得部16和置换部22各自的功能通过处理电路实现。即，空调控制装置20具有用于执行图11所示的步骤ST20～步骤ST24的处理的处理电路。这些处理电路可以是专用的硬件，也可以是执行存储器中存储的程序的CPU(Central Processing Unit：中央处理单元)。
图18A是示出实现空调控制装置2或空调控制装置20的功能的硬件结构的框图。图18B是示出执行实现空调控制装置2或空调控制装置20的功能的软件的硬件结构的框图。图18A和图18B所示的存储装置101作为存储部12发挥功能。另外，存储装置101可以是空调控制装置2或空调控制装置20具有的结构要素，也可以是独立于空调控制装置的装置具有的结构要素。例如，存储装置101也可以是能够从空调控制装置2或空调控制装置20进行通信访问的通信网络上的装置。
在上述处理电路是图18A所示的专用的硬件的处理电路100的情况下，处理电路100例如是单一电路、复合电路、程序化的处理器、并行程序化的处理器、ASIC(ApplicationSpecific Integrated Circuit：专用集成电路)、FPGA(Field-Programmable Gate Array：现场可编程门阵列)或对它们进行组合而得到的部件。
可以利用不同的处理电路实现空调控制装置2中的预测部13、扩展部14、更新部15和取得部16各自的功能，也可以利用1个处理电路统一实现这些功能。可以利用不同的处理电路实现空调控制装置20中的预测部13、扩展部14、更新部15、取得部16和置换部22各自的功能，也可以利用1个处理电路统一实现这些功能。
在上述处理电路是图10B所示的处理器102的情况下，空调控制装置2中的预测部13、扩展部14、更新部15和取得部16各自的功能通过软件、固件或软件与固件的组合来实现。
此外，空调控制装置20中的预测部13、扩展部14、更新部15、取得部16和置换部22各自的功能也可通过软件、固件或软件与固件的组合来实现。另外，软件或固件被记作程序，存储于存储器103。
处理器102通过读出并执行存储器103中存储的程序，实现空调控制装置2中的预测部13、扩展部14、更新部15和取得部16各自的功能。即，空调控制装置2具有存储器103，该存储器103用于存储在由处理器102执行时其结果是执行图3所示的步骤ST1～步骤ST4的处理、图4所示的步骤ST10～步骤ST13的处理、图13所示的步骤ST30～步骤ST34的处理、图14所示的步骤ST40～步骤ST43的处理、图16所示的步骤ST50～步骤ST56的处理或图17所示的步骤ST60～步骤ST63的处理的程序。
这些程序使计算机执行预测部13、扩展部14、更新部15和取得部16的顺序或方法。存储器103也可以是存储有用于使计算机作为预测部13、扩展部14、更新部15和取得部16发挥功能的程序的计算机可读存储介质。这在空调控制装置20中也是同样的。
存储器103例如是RAM(Random Access Memory：随机存取存储器)、ROM(Read OnlyMemory：只读存储器)、闪存、EPROM(Erasable Programmable Read Only Memory：可擦除可编程只读存储器)、EEPROM(Electrically-EPROM：电可擦除可编程只读存储器)等非易失性或易失性半导体存储器、磁盘、软盘、光盘、高密度盘、迷你盘、DVD等。
关于预测部13、扩展部14、更新部15和取得部16各自的功能，也可以利用专用的硬件实现一部分，利用软件或固件实现一部分。
例如，预测部13利用作为专用的硬件的处理电路实现功能。关于扩展部14和更新部15，也可以通过处理器102读出并执行存储器103中存储的程序来实现功能。
这在空调控制装置20中的预测部13、扩展部14、更新部15、取得部16和置换部22中也是同样的。
这样，处理电路能够通过硬件、软件、固件或它们的组合分别实现上述功能。
另外，本申请能够在其发明的范围内进行各实施方式的自由组合、或各实施方式的任意结构要素的变形、或各实施方式中的任意结构要素的省略。
产业上的可利用性
本发明的空调控制装置能够削减收集机器学习中使用的数据的时间成本，因此，能够用于根据机器学习对空调机进行控制的空调控制装置。
标号说明
1：空调控制系统；2：空调控制装置；3：空调控制器；4：空调机；5：室外机；6：室内机；10：控制部；11：发送接收部；12：存储部；13：预测部；14：扩展部；15：更新部；16：取得部；17：机器学习部；20：空调控制装置；21：控制部；22：置换部；23：机器学习部；100：处理电路；101：存储装置；102：处理器；103：存储器。

Claims (10)

1.一种空调控制装置，其特征在于，所述空调控制装置具有：
取得部，其取得空调机取得的空调数据和将该空调数据输入到机器学习模型而预测出的所述空调机的启动时刻；
扩展部，其参照所述取得部取得的所述空调数据和所述启动时刻生成扩展数据；以及
更新部，其参照所述取得部取得的所述空调数据和所述启动时刻以及所述扩展部生成的所述扩展数据，对所述机器学习模型进行更新。
2.根据权利要求1所述的空调控制装置，其特征在于，
所述取得部至少取得设置有所述空调机的室内机的房间的室内温度作为所述空调数据，取得作为适合于所述室内温度在目标时刻达到目标温度的启动时刻而预测出的启动时刻，作为所述启动时刻。
3.根据权利要求1或2所述的空调控制装置，其特征在于，
所述空调控制装置还具有置换部，该置换部对所述空调数据和所述扩展数据进行比较，根据该比较的结果将所述扩展数据置换成所述空调数据。
4.根据权利要求1或2所述的空调控制装置，其特征在于，
所述机器学习模型是包含神经网络模型的机器学习模型，
所述更新部还参照从所述启动时刻到设置有所述空调机的房间的环境值实际达到目标值的时刻为止的所需时间，对包含所述神经网络模型的机器学习模型进行更新。
5.根据权利要求1或2所述的空调控制装置，其特征在于，
所述扩展部参照从所述启动时刻到设置有所述空调机的房间的环境值达到目标值的时刻为止的空调数据，将任意时刻视为假想的启动时刻，将该任意时刻的空调数据视为该假想的启动时刻的空调数据，由此生成与启动时刻对应的空调数据的扩展数据。
6.根据权利要求1或2所述的空调控制装置，其特征在于，
所述取得部取得设置有所述空调机的室内机的房间的室内环境值和设置有所述空调机的室外机的室外的室外环境值作为所述空调数据，
所述扩展部参照从所述启动时刻到室内环境值达到目标值的时刻为止的期间的所述室内环境值和所述室外环境值，计算该期间内的某个时刻的室内环境值与室外环境值之差以及室内环境值变化曲线的斜率，生成与该差对应的该斜率的线性模型作为室内环境值变化曲线的扩展数据。
7.根据权利要求1或2所述的空调控制装置，其特征在于，
所述取得部还从设置有所述空调机的室内机的房间内进一步设置的其他空调机取得追加空调数据，
所述更新部还参照所述追加空调数据对所述机器学习模型进行更新。
8.根据权利要求1或2所述的空调控制装置，其特征在于，
所述更新部参照制冷用的空调数据和扩展数据以及启动时刻对制冷用的机器学习模型进行更新，或者参照制热用的空调数据和扩展数据以及启动时刻对制热用的机器学习模型进行更新。
9.根据权利要求1或2所述的空调控制装置，其特征在于，
所述空调控制装置还具有预测部，该预测部向所述机器学习模型输入所述空调数据，预测所述空调机的启动时刻，
所述空调控制装置使所述空调机在所述预测部预测出的所述启动时刻启动。
10.一种空调控制方法，其特征在于，所述空调控制方法包含以下步骤：
取得步骤，取得空调机取得的空调数据和将该空调数据输入到机器学习模型而预测出的所述空调机的启动时刻；
扩展步骤，参照在所述取得步骤中取得的所述空调数据和所述启动时刻生成扩展数据；以及
更新步骤，参照在所述取得步骤中取得的所述空调数据和所述启动时刻以及在所述扩展步骤中生成的所述扩展数据，对所述机器学习模型进行更新。
CN201880099974.6A 2018-12-12 2018-12-12 空调控制装置和空调控制方法 Active CN113167495B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2018/045683 WO2020121437A1 (ja) 2018-12-12 2018-12-12 空調制御装置及び空調制御方法

Publications (2)

Publication Number Publication Date
CN113167495A true CN113167495A (zh) 2021-07-23
CN113167495B CN113167495B (zh) 2022-11-15

Family

ID=71075973

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880099974.6A Active CN113167495B (zh) 2018-12-12 2018-12-12 空调控制装置和空调控制方法

Country Status (5)

Country Link
US (1) US20210254851A1 (zh)
EP (1) EP3885664B1 (zh)
JP (1) JP6833138B2 (zh)
CN (1) CN113167495B (zh)
WO (1) WO2020121437A1 (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102544265B1 (ko) * 2019-01-09 2023-06-16 삼성전자주식회사 전자 장치 및 그 제어 방법
JP7188255B2 (ja) * 2019-04-16 2022-12-13 富士通株式会社 学習方法、学習プログラムおよび学習装置
KR102644431B1 (ko) * 2019-05-02 2024-03-06 현대자동차 주식회사 공조기 제어 시스템 및 그 방법
WO2023144979A1 (ja) * 2022-01-28 2023-08-03 三菱電機株式会社 空調制御装置、空調制御方法、およびプログラム
CN116085937B (zh) * 2023-04-11 2023-07-11 湖南禾自能源科技有限公司 智能中央空调节能控制方法及系统

Citations (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH04261089A (ja) * 1990-12-25 1992-09-17 Mitsubishi Electric Corp 配線パターンの導線切断装置
CN1297521A (zh) * 1999-02-16 2001-05-30 松下电器产业株式会社 空调机的运行控制方法和空调机
JP2003141499A (ja) * 2001-11-05 2003-05-16 Denso Corp ニューラルネットワーク学習方法
US20070258116A1 (en) * 2006-05-08 2007-11-08 Daisuke Matsumoto Multifunction device having parallel processing function for data compression and expansion
CN102042656A (zh) * 2009-10-21 2011-05-04 三菱电机株式会社 空气调节器的控制装置、冷冻装置的控制装置
JP2015075854A (ja) * 2013-10-08 2015-04-20 独立行政法人情報通信研究機構 矛盾表現収集装置及びそのためのコンピュータプログラム
CN104534626A (zh) * 2014-12-31 2015-04-22 珠海格力电器股份有限公司 一种空调的自动控制方法、装置及系统
US20150134578A1 (en) * 2013-11-14 2015-05-14 Denso Corporation Discriminator, discrimination program, and discrimination method
US20150142179A1 (en) * 2012-06-15 2015-05-21 Mitsubishi Electric Corporation Air-conditioning management device, air-conditioning management method, and program
CN204693737U (zh) * 2015-03-27 2015-10-07 劲达技术(河源)有限公司 一种客车空调远程监控系统
CN105588280A (zh) * 2012-07-06 2016-05-18 日立空调·家用电器株式会社 空调机
CN105823137A (zh) * 2016-03-17 2016-08-03 宁波市江东精诚自动化设备有限公司 一种智能空气净化器
CN106225172A (zh) * 2016-08-17 2016-12-14 珠海格力电器股份有限公司 空调控制装置、方法及系统
CN106817909A (zh) * 2015-10-01 2017-06-09 松下知识产权经营株式会社 空调控制方法、空调控制装置以及空调控制程序
JP2017139529A (ja) * 2016-02-01 2017-08-10 株式会社バッファロー 情報処理装置、情報処理装置におけるコンテンツファイル取込方法及びプログラム
JP2017172830A (ja) * 2016-03-22 2017-09-28 三菱電機株式会社 空気調和装置
EP3265823A1 (en) * 2015-03-06 2018-01-10 Micromass UK Limited Ambient ionization mass spectrometry imaging platform for direct mapping from bulk tissue
CN107765558A (zh) * 2016-08-18 2018-03-06 霍尼韦尔国际公司 住宅能量效率评级系统
US20180089592A1 (en) * 2016-09-27 2018-03-29 Clarifai, Inc. Artificial intelligence development via user-selectable/connectable model representations
CN108629288A (zh) * 2018-04-09 2018-10-09 华中科技大学 一种手势识别模型训练方法、手势识别方法及系统
CN108805259A (zh) * 2018-05-23 2018-11-13 北京达佳互联信息技术有限公司 神经网络模型训练方法、装置、存储介质及终端设备
CN108921817A (zh) * 2018-05-24 2018-11-30 浙江工业大学 一种针对皮肤病图像的数据增强方法

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3855739B2 (ja) * 2001-11-05 2006-12-13 株式会社デンソー ニューラルネットワークの学習方法およびプログラム
US7693608B2 (en) * 2006-04-12 2010-04-06 Edsa Micro Corporation Systems and methods for alarm filtering and management within a real-time data acquisition and monitoring environment
US8195339B2 (en) * 2009-09-24 2012-06-05 General Electric Company System and method for scheduling startup of a combined cycle power generation system
KR101261199B1 (ko) * 2013-01-10 2013-05-10 동국대학교 산학협력단 신경망 모델에 의한 지능형 제어 알고리즘을 이용한 건물의 예약냉각 제어방법
JP5899272B2 (ja) * 2014-06-19 2016-04-06 ヤフー株式会社 算出装置、算出方法及び算出プログラム
JP2016044855A (ja) * 2014-08-21 2016-04-04 株式会社東芝 空調制御装置、空調制御方法および空調制御プログラム
EP3191948A1 (en) * 2014-09-10 2017-07-19 Amazon Technologies Inc. Computing instance launch time
KR102424689B1 (ko) * 2015-05-15 2022-07-26 삼성전자 주식회사 공조 기기의 기동 제어 방법 및 장치
WO2018182357A1 (en) * 2017-03-30 2018-10-04 Samsung Electronics Co., Ltd. Data learning server and method for generating and using learning model thereof
JP2019027603A (ja) * 2017-07-25 2019-02-21 三菱重工サーマルシステムズ株式会社 空調制御装置、空調システム、空調制御方法、及びプログラム
KR102026020B1 (ko) * 2018-04-10 2019-11-26 엘지전자 주식회사 인공지능을 이용한 파라미터 학습에 기반한 공기조화기, 클라우드 서버, 공기조화기의 구동 및 제어 방법
CN112400179A (zh) * 2018-07-27 2021-02-23 日本电信电话株式会社 行动优化装置、方法以及程序

Patent Citations (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH04261089A (ja) * 1990-12-25 1992-09-17 Mitsubishi Electric Corp 配線パターンの導線切断装置
CN1297521A (zh) * 1999-02-16 2001-05-30 松下电器产业株式会社 空调机的运行控制方法和空调机
JP2003141499A (ja) * 2001-11-05 2003-05-16 Denso Corp ニューラルネットワーク学習方法
US20070258116A1 (en) * 2006-05-08 2007-11-08 Daisuke Matsumoto Multifunction device having parallel processing function for data compression and expansion
CN102042656A (zh) * 2009-10-21 2011-05-04 三菱电机株式会社 空气调节器的控制装置、冷冻装置的控制装置
US20150142179A1 (en) * 2012-06-15 2015-05-21 Mitsubishi Electric Corporation Air-conditioning management device, air-conditioning management method, and program
CN105588280A (zh) * 2012-07-06 2016-05-18 日立空调·家用电器株式会社 空调机
JP2015075854A (ja) * 2013-10-08 2015-04-20 独立行政法人情報通信研究機構 矛盾表現収集装置及びそのためのコンピュータプログラム
US20150134578A1 (en) * 2013-11-14 2015-05-14 Denso Corporation Discriminator, discrimination program, and discrimination method
JP2015095212A (ja) * 2013-11-14 2015-05-18 株式会社デンソーアイティーラボラトリ 識別器、識別プログラム、及び識別方法
CN104534626A (zh) * 2014-12-31 2015-04-22 珠海格力电器股份有限公司 一种空调的自动控制方法、装置及系统
EP3265823A1 (en) * 2015-03-06 2018-01-10 Micromass UK Limited Ambient ionization mass spectrometry imaging platform for direct mapping from bulk tissue
CN204693737U (zh) * 2015-03-27 2015-10-07 劲达技术(河源)有限公司 一种客车空调远程监控系统
CN106817909A (zh) * 2015-10-01 2017-06-09 松下知识产权经营株式会社 空调控制方法、空调控制装置以及空调控制程序
JP2017139529A (ja) * 2016-02-01 2017-08-10 株式会社バッファロー 情報処理装置、情報処理装置におけるコンテンツファイル取込方法及びプログラム
CN105823137A (zh) * 2016-03-17 2016-08-03 宁波市江东精诚自动化设备有限公司 一种智能空气净化器
JP2017172830A (ja) * 2016-03-22 2017-09-28 三菱電機株式会社 空気調和装置
CN106225172A (zh) * 2016-08-17 2016-12-14 珠海格力电器股份有限公司 空调控制装置、方法及系统
CN107765558A (zh) * 2016-08-18 2018-03-06 霍尼韦尔国际公司 住宅能量效率评级系统
US20180089592A1 (en) * 2016-09-27 2018-03-29 Clarifai, Inc. Artificial intelligence development via user-selectable/connectable model representations
CN108629288A (zh) * 2018-04-09 2018-10-09 华中科技大学 一种手势识别模型训练方法、手势识别方法及系统
CN108805259A (zh) * 2018-05-23 2018-11-13 北京达佳互联信息技术有限公司 神经网络模型训练方法、装置、存储介质及终端设备
CN108921817A (zh) * 2018-05-24 2018-11-30 浙江工业大学 一种针对皮肤病图像的数据增强方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
任晓敏: "组合式空调机组温度控制模拟装置的设计与制作", 《电子设计工程》 *
赵波峰: "一种多参数空调负荷预测模型的界面实现", 《建筑热能通风空调》 *

Also Published As

Publication number Publication date
EP3885664B1 (en) 2023-04-26
JP6833138B2 (ja) 2021-02-24
EP3885664A1 (en) 2021-09-29
CN113167495B (zh) 2022-11-15
US20210254851A1 (en) 2021-08-19
JPWO2020121437A1 (ja) 2021-02-25
WO2020121437A1 (ja) 2020-06-18
EP3885664A4 (en) 2022-04-06

Similar Documents

Publication Publication Date Title
CN113167495B (zh) 空调控制装置和空调控制方法
US20080083234A1 (en) Apparatus and method for logging data from a heating, ventilation, and air conditioning system
CN112484230B (zh) 用于控制空调设备或空调系统的舒适温度的装置和方法
CN109357374B (zh) 一种制热控制方法、装置及多联机空调系统
CN101893304B (zh) 空气调节控制设备和空气调节控制方法
US10523460B2 (en) Electronic apparatus and external apparatus controlling method thereof
CN103512153A (zh) 补气增焓空调系统及其控制方法
JP2011242101A (ja) 設定値管理方法および装置
CN110500706B (zh) 空调故障处理方法与装置
KR20130127697A (ko) 유전자 알고리즘 기반 에너지 제어 시스템 및, 그 제어 방법
KR20210089458A (ko) 빌딩 설비 에너지 관리 제어 시스템 및 그 제어 방법
JP2023181510A (ja) 空気調和システム
CN113405212A (zh) 空调器及其控制方法、装置和存储介质
CN108800420B (zh) 空调的控制方法和装置
CN108332352B (zh) 空调散热控制方法及空调器
WO2016158852A1 (ja) 空調管理装置、空調管理方法、及び、プログラム
CN113494763B (zh) 空调器的控制方法与装置
CN113260819B (zh) 空调系统
KR101275551B1 (ko) 공기 조화 시스템 및 그 동작방법
CN113310176B (zh) 信息处理装置
CN109945398B (zh) 空调器及其控制方法和控制装置
JP7112037B2 (ja) 空気調和装置および空気調和システム
CN112032914B (zh) 一种空调的控制方法和空调设备
CN114003069B (zh) 基于物联网的温控设备降噪方法、装置以及系统
JP7392704B2 (ja) 空気調和機及び空気調和システム

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant