CN114556027B - 空调控制装置、空调系统、空调控制方法和记录介质 - Google Patents

Abstract

得到如下的空调控制装置：当使用在未蓄积足够数据的状态下进行了学习的机器学习模型的情况下，关于空调机的启动时刻，提高估计精度。空调控制装置根据机器学习模型估计空调机的启动时刻，该机器学习模型使用包含密区域和学习数据比密区域少的疏区域的学习数据组，进行了用于根据作为与空调机的控制有关的信息的空调数据估计空调机的启动时刻的学习，其中，该空调控制装置具有：空调数据取得部，其取得空调数据；判定部，其判定空调数据是否存在于疏区域；估计部，其在判定部判定为空调数据存在于疏区域的情况下，针对机器学习模型，进行将空调数据和启动时刻关联起来的基于非学习模型的外插，使用非学习模型，根据空调数据估计空调机的启动时刻；以及控制部，其进行在估计部估计出的启动时刻启动空调机的控制。

Description

空调控制装置、空调系统、空调控制方法和记录介质

技术领域

本发明涉及使用机器学习模型估计空调机的启动时刻的空调控制装置、空调系统、空调控制方法和记录介质。

背景技术

作为以在抑制消耗电力的同时执行对用户来说舒适的空调的方式控制空调机的技术的例子，例如可举出专利文献1记载的空调控制装置。该空调控制装置将表示室温变化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时的室温作为关闭时预测室温，根据该关闭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。

关于上述关闭时预测室温的预测，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时的居室的将来的室温的机器学习模型即关闭时室温预测模型，使用该关闭时室温预测模型决定空调机的启动时刻。

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机器学习模型的生成是以存在充分蓄积的学习数据(例如室温历史信息和动作历史信息的数据)为前提的。而且，在未蓄积足够数据的状态下进行了学习的机器学习模型中，存在可能进行不适当的预测这样的问题。

本发明正是为了解决上述课题而完成的，其目的在于，得到如下的空调控制装置：当使用在未蓄积足够数据的状态下进行了学习的机器学习模型的情况下，关于空调机的启动时刻，提高估计精度。

用于解决课题的手段

空调控制装置根据机器学习模型估计空调机的启动时刻，机器学习模型使用包含密区域和学习数据比密区域少的疏区域的学习数据组，进行了用于根据作为与空调机的控制有关的信息的空调数据估计空调机的启动时刻的学习，其中，该空调控制装置具有：空调数据取得部，其取得空调数据；判定部，其判定空调数据是否存在于疏区域；估计部，其在判定部判定为空调数据存在于疏区域的情况下，针对机器学习模型，进行将空调数据和启动时刻关联起来的基于非学习模型的外插，使用非学习模型，根据空调数据估计空调机的启动时刻；以及控制部，其进行在估计部估计出的启动时刻启动空调机的控制。

发明效果

本发明的空调控制装置具有估计部，在判定部判定为空调数据存在于疏区域的情况下，该估计部针对机器学习模型进行基于非学习模型的外插，使用非学习模型，根据空调数据估计空调机的启动时刻，该机器学习模型使用包含密区域和学习数据比密区域少的疏区域的学习数据组，进行了用于根据作为与空调机的控制有关的信息的空调数据估计空调机的启动时刻的学习。因此，在学习数据少的区域中进行基于非学习模型的外插，估计空调机的启动时刻，由此，能够提高估计精度。

附图说明

图1是示出实施方式1的空调系统1000的结构的结构图。

图2是示出实施方式1的空调控制装置100的结构的结构图。

图3是示出乖离度计算部151计算乖离度的方法和乖离度判定部152判定空调数据是否存在于疏区域的方法的具体例的说明图。

图4是示出乖离度计算部151计算乖离度的方法和乖离度判定部152判定空调数据是否存在于疏区域的方法的具体例的说明图。

图5是示出乖离度计算部151计算乖离度的方法和乖离度判定部152判定空调数据是否存在于疏区域的方法的具体例的说明图。

图6是示出乖离度计算部151计算乖离度的方法和乖离度判定部152判定空调数据是否存在于疏区域的方法的具体例的说明图。

图7是示出乖离度计算部151计算乖离度的方法和乖离度判定部152判定空调数据是否存在于疏区域的方法的具体例的说明图。

图8是示出估计部16对已学习的机器学习模型进行基于非学习模型的外插，使用该非学习模型根据空调数据估计空调机的启动时刻的方法的具体例的说明图。

图9是示出实现空调控制装置100的计算机的硬件结构的例子的结构图。

图10是示出空调控制装置100进行机器学习模型的学习的动作的流程图。

图11是示出空调控制装置100估计空调机AC的启动时刻的动作的流程图。

图12是示出乖离度计算部151计算乖离度的方法和乖离度判定部152判定空调数据是否存在于疏区域的方法的具体例的说明图。

具体实施方式

实施方式1

图1是示出实施方式1的空调系统1000的结构的结构图。空调系统1000具有空调控制装置100、多个室外机OU(OU1,OU2,…OUn)和多个室内机IU(IU11,IU12,…IU1p,IU21,IU22,…IU2q,IUn1,IUn2,…IUnr)。这里，n、p、q和r是任意的正整数。下面，在表示特定的室外机的情况下，在OU之后标注追加的标号，在表示任意的室外机或全部室外机的情况下，仅用OU进行表记。室内机也是同样的，在表示特定的室内机的情况下，在IU之后标注追加的标号，在表示任意的室内机或全部室内机的情况下，仅用IU进行表记。关于标号的标注方法，后述的空调机AC、室外环境传感器OUS、室内环境传感器IUS、受理部IUR也是同样的。

在各室外机OU连接有多个室内机IU，例如在室外机OU1连接有室内机IU1(IU11,IU12,…IU1p)。空调控制装置100与室内机IU和室外机OU通过电磁方法连接，连接的方法可以是有线或无线。此外，空调控制装置100可以是设置于与设置有室内机IU和室外机OU的建筑物相同的建筑物的结构，也可以是远程设置且经由网络连接的结构。

各室外机OU与被连接的室内机IU一起构成进行室内空调的空调机AC(AC1,AC2,…ACn)。此外，各室外机OU具有检测设置有该室外机OU的室外环境而取得室外环境信息的室外环境传感器OUS(OUS1,OUS2,…OUSn)。各室外环境传感器OUS将取得的室外环境信息作为空调数据输出到空调控制装置100。这里，室外环境信息表示室外的环境，例如是各时刻的室外温度、室外湿度等。

各室内机IU具有检测设置有该室内机IU的室内的环境而取得室内环境信息的室内环境传感器IUS(IUS11,IUS12,…IUS1p,IUS21,IUS22,…IUS2q,IUSn1,IUSn2,…IUSnr)。此外，各室内机IU具有从用户受理设定信息的受理部IUR(IUR11,IUR12,…IUR1p,IUR21,IUR22,…IUR2q,IURn1,IURn2,…IURnr)。各室内机IU将取得的室内环境信息、受理的设定信息和表示空调机AC的运转状态的运转信息作为空调数据经由室外机OU输出到空调控制装置100。这里，室内环境信息表示室内的环境，例如是各时刻的室内温度和室内湿度等。设定信息是由用户经由受理部设定的信息，例如是使设置有室内机IU的房间的环境值达到目标值的目标时刻、目标温度和目标湿度等。这里，房间的环境值是室内环境信息所示的值，目标值是成为设定信息所示的房间的环境值的目标的值。

运转信息表示空调机AC的运转状态，例如是空调机AC的运转能力、表示空调机AC处于启动状态还是处于停止状态的信息、以及表示空调机AC处于包含制冷模式、制热模式和除湿模式的运转模式中的哪个模式的信息等。此外，也可以构成为，不仅室内机IU输出运转信息，室外机OU也输出运转信息。这里，运转能力表示空调机AC的空调能力的强度，例如是室外机OU的压缩机频率、制冷剂蒸发温度、冷凝温度和运行的室内机IU的台数等。

此外，在上述中，构成为室外机OU和室内机IU分别具有室外环境传感器OUS和室内环境传感器IUS，但是，也可以构成为各种传感器与室外机OU和室内机IU独立地设置。或者，关于室外环境信息，也可以构成为不是从室外环境传感器OUS取得，而是从外部的服务器等取得。

图2是示出实施方式1的空调控制装置100的结构的结构图。空调控制装置100根据机器学习模型估计空调机的启动时刻，该机器学习模型使用包含密区域和学习数据比密区域少的疏区域的学习数据组，进行了用于根据作为与空调机的控制有关的信息的空调数据估计空调机的启动时刻的学习，该空调控制装置100具有发送接收部10、控制部11、存储部12、空调数据取得部13、机器学习部14、判定部15和估计部16。

这里，将学习数据多的区域称作密区域，将学习数据少的区域称作疏区域。密区域中存在足够进行学习的量的学习数据，估计部16能够根据使用该学习数据进行了学习的机器学习模型估计适当的启动时刻。

机器学习模型的学习方法使用公知技术即可，下面，作为具体例，对有训练学习的情况进行说明。作为其他具体例，例如也可以使用强化学习，该情况下，将环境值达到目标值为止所需要的某个指标值(例如实际需要的所需时间与估计值的差分、消耗电力量、每单位时间的温度变化等)或对它们进行复合而成的式子作为报酬，实施强化学习即可。

发送接收部10与包含室内机IU和室外机OU的外部装置进行各种信息的发送接收。特别地，在实施方式1中，发送接收部10从室内机和室外机接收空调数据，对室内机和室外机发送控制信号。

这里，空调数据是与空调机AC的控制有关的信息，在实施方式1中，包含从室内机IU发送的室内环境信息、设定信息、运转信息以及从室外机OU发送的室外环境信息。优选输入到判定部15的空调数据是当前时刻的空调数据，但是，只要能够识别是何时计测出的空调数据，则也可以是从空调机AC的上次电源断开时到当前时刻为止的过去的空调数据。此外，发送接收部10从室内机IU取得环境值达到目标值为止实际需要的所需时间。将对空调数据加上该所需时间而得到的数据称作学习数据。对估计部16在估计中使用的空调数据加上上述所需时间而得到的学习数据蓄积于存储部12，用于机器学习部14进行的机器学习模型的学习。

控制部11对多个室内机IU和多个室外机OU进行集中管理。控制部11从室外机OU和室内机IU取得空调数据。控制部11汇集从多个室外机OU和多个室内机IU取得的空调数据，将汇集的空调数据发送到机器学习部14和判定部15。此外，在实施方式1中，控制部11根据后述的估计部16的估计结果进行空调机AC的控制。更具体而言，控制部11进行在估计部16估计出的启动时刻启动空调机AC的控制。

存储部12存储各种信息，在实施方式1中，存储由后述的机器学习部14进行了学习的机器学习模型、用于进行该机器学习模型的学习的学习数据等。

空调数据取得部13经由发送接收部10从空调机AC取得空调数据。在实施方式1中，空调数据取得部13取得当前时刻的空调数据，将取得的空调数据作为用于估计启动时刻的空调数据发送到乖离度计算部151。此外，空调数据取得部13在控制部11根据估计部16的估计结果进行空调机AC的控制后，对在估计部16的估计中使用的空调数据加上环境值达到目标值为止所需要的所需时间，作为用于机器学习部14进行机器学习模型的学习的学习数据发送到存储部12。

机器学习部14进行用于根据空调数据估计空调机的启动时刻的机器学习模型的学习，具有学习数据取得部141和学习部142。在实施方式1中，机器学习部14进行学习的机器学习模型被输入室内温度与目标温度的温度差、室内温度与室外温度的温度差和空调机的运转能力，输出从启动空调机AC后到在目标时刻房间的室内温度达到目标温度为止所需要的所需时间。

此外，学习部142使用的机器学习模型能够表现非线性函数即可，可以是任意的，但是，在实施方式1中，使用神经网络。

对机器学习模型的输入不限于上述内容，也可以不取差而直接输入室内温度、目标温度和室外温度，或者输入室内湿度、室外湿度、室外机OU和室内机IU的台数。此外，机器学习模型的输出也同样不限于上述内容，也可以输出其他环境值(例如室内湿度等)达到目标值为止所需要的所需时间，还可以输出多个环境值达到目标值为止所需要的所需时间。

上述机器学习模型也可以构成为，将目标时刻、当前时刻也用于输入而直接输出启动时刻。在实施方式1中，后述的估计部16使用已学习的机器学习模型取得环境值达到目标值为止的所需时间，根据该所需时间和目标时刻估计空调机AC的启动时刻，但是，空调机AC的启动时刻如上所述是根据所需时间和目标时刻计算的，因此，在设定了目标时刻的状态下机器学习模型直接输出启动时刻的情况下、以及在机器学习模型输出所需时间进行后处理来计算启动时刻的情况下，作为估计部16，均估计启动时刻。

学习数据取得部141从存储部12取得用于进行上述机器学习模型的学习的学习数据和机器学习模型。此外，学习数据取得部141针对取得的学习数据，进行将其转换成适合于机器学习模型的输入的形式的预处理。在实施方式1中，机器学习模型的输入是室内温度与目标温度的温度差、室内温度与室外温度的温度差和空调机的运转能力，因此，学习数据取得部141计算空调数据中包含的室内环境信息所示的室内温度与设定信息所示的目标温度的温度差，同样地，计算室内温度与室外环境信息所示的室外温度的温度差。这里，空调机的运转能力包含在运转信息中，因此，不需要进行上述的预处理。此外，下面，预处理后的数据也称作学习数据。

学习部142使用学习数据取得部141取得的学习数据进行机器学习模型的学习。使用误差反向传播法等现有学习方法进行学习即可。这里，机器学习模型的学习不仅包含初始学习，还包含再学习。学习部142将学习后的机器学习模型发送到存储部12，使存储部12进行存储。

判定部15判定空调数据取得部13取得的空调数据是否存在于疏区域。判定部15根据预先设定的基准判定空调数据是否存在于疏区域，在实施方式1中，判定部15具有乖离度计算部151和乖离度判定部152。

此外，空调数据存在于疏区域不仅包含空调数据是相对于学习数据的偏离值的情况，还包含虽然学习数据存在于空调数据的附近但是其数量较少的情况。

在实施方式1中，存储部12存储对从空调机AC接收到的空调数据加上实际的所需时间而得到的数据作为学习数据，机器学习部14使用追加到存储部12中的学习数据对机器学习模型进行更新。因此，学习数据的疏区域不是最初决定后不变化的静态区域，而是伴随着学习数据的增加而动态变化的区域。此外，在实施方式1中，每天进行学习数据的追加和更新。但是，在学习数据已经足够而不太需要频繁更新的情况下，也可以设为每几日或每周进行更新。

乖离度计算部151计算空调数据相对于学习数据的乖离度。这里，空调数据相对于学习数据的乖离度表示空调数据与学习数据中包含的空调数据的乖离情况，是成为在对使用该学习数据进行了学习的机器学习模型输入该空调数据的情况下是否能够得到适当的估计结果的指标的量。空调数据与学习数据的乖离情况利用由空调数据中包含的参数定义的参数空间表示。这里，空调数据中包含的参数是空调数据包含的各种信息的参数，例如是室内环境信息所示的室内温度、室外环境信息所示的室外温度等。作为乖离度的具体例，是参数空间中的空调数据与学习数据的距离、在根据数据数将学习数据分类成多个区域时表示空调数据存在于哪个区域的值、以及表示在空调数据的周围存在多少学习数据的值等。这里，空调数据与学习数据的距离不仅包含空调数据与学习数据中包含的各数据的距离，还包含与学习数据大量集中的密区域之间的距离、以及与用概率密度函数近似学习数据时的概率密度函数的最频值之间的距离等。

乖离度判定部152根据乖离度计算部151计算出的乖离度判定空调数据是否存在于疏区域。更具体而言，乖离度判定部152判定乖离度是否为规定的阈值以上，在乖离度为规定的阈值以上的情况下，判定为空调数据存在于疏区域。

下面，对乖离度计算部151计算乖离度的方法和乖离度判定部152判定空调数据是否存在于疏区域的方法的具体例进行说明。

第一个方法是如下方法：计算启动时刻估计用的空调数据与相对于学习数据中包含的空调数据的最附近点之间的距离作为乖离度。参照图3对该方法进行说明。图3是示出乖离度计算部151计算乖离度的方法和乖离度判定部152判定空调数据是否存在于疏区域的方法的具体例的说明图。

在图3中，黑色圆点所示的点是当前时刻的空调数据D31，白色圆圈所示的点是学习数据。准确地讲，白色圆圈所示的点是将学习数据投影到与空调数据相同的参数空间即去除所需时间后的空间而得到的数据，这里，投影学习数据而得到的数据也称作学习数据。

横轴和纵轴均是空调数据中包含的参数，例如是室内温度、室外温度等。空调数据中包含的参数一般是更高维度的，但是，在图3中，利用二维表示以进行说明。乖离度计算部151计算空调数据D31与各学习数据的距离。这里，学习数据中的与空调数据D31最近的点是学习数据D32，乖离度计算部151计算空调数据D31与学习数据D32的距离L31作为乖离度。

乖离度判定部152判定乖离度计算部151计算出的乖离度即空调数据D31与学习数据D32的距离L31是否为规定的第一阈值T1以上，在第一阈值T1以上的情况下，判定为空调数据D31存在于疏区域。这里，第一阈值T1是零以上的实数。

第二个方法是如下方法：设定学习数据的密区域，计算空调数据与密区域的距离，参照图4对该方法进行说明。图4是示出乖离度计算部151计算乖离度的方法和乖离度判定部152判定空调数据是否存在于疏区域的方法的具体例的说明图。

乖离度计算部151设定作为学习数据大量存在的区域的密区域A41。这里，作为密区域A41的设定方法，例如，取得适当大小的矩形区域，对存在于该矩形区域内侧的学习数据的个数进行计数，计算几成的学习数据包含在矩形区域中。然后，反复进行如下处理：如果矩形区域中包含的学习数据小于规定的比例，则扩大矩形区域，如果为规定的比例以上，则缩小矩形区域。在该处理中，在上次的处理中扩大矩形区域且在本次的处理中缩小矩形区域的情况下，设定上次的处理后的矩形区域作为密区域A41即可。在上次的处理中缩小矩形区域且在本次的处理中扩大矩形区域的情况也是同样的。

或者，在希望判定空调数据是否是偏离值的情况下，也可以检测学习数据中包含的各数据的参数的最大值和最小值，设定由该最大值和最小值形成的区域作为密区域A41。在图4中，采用后者的方法，参数1的最大值由学习数据D42设定，参数1的最小值由学习数据D43设定，参数2的最大值由学习数据D44设定，参数2的最小值由学习数据D45设定。在图4中，乖离度计算部151计算空调数据D41与密区域A41的距离L41作为乖离度。

乖离度判定部152判定乖离度计算部151计算出的乖离度即空调数据D41与密区域A41的距离L41是否为规定的第二阈值T2以上，在第二阈值T2以上的情况下，判定为空调数据D41存在于疏区域。第二阈值T2是零以上的实数。

第三个方法是如下方法：用概率密度函数近似学习数据，根据该概率密度函数计算乖离度。参照图5对该方法进行说明。图5是示出乖离度计算部151计算乖离度的方法和乖离度判定部152判定空调数据是否存在于疏区域的方法的具体例的说明图。

如图5所示，乖离度计算部151用正态分布DF51近似学习数据的出现频度，计算与正态分布DF51的最频值之间的距离作为乖离度。这里，将正态分布DF51的最频值设为μ。

乖离度判定部152判定乖离度计算部151计算出的乖离度是否为规定的第三阈值T3以上，在第三阈值T3以上的情况下，判定为空调数据D51存在于疏区域。第三阈值T3是零以上的实数，在图5中，利用σ表示。

此外，在图5中，示出参数是一维的情况，但是，参数是二维以上的情况也是同样的。

此外，也可以不是简单地计算与最频值之间的距离作为乖离度，而是根据概率密度函数将参数空间分类成若干个区域，计算存在于哪个区域作为乖离度。参照图6对该方法进行说明。

首先，乖离度计算部151用概率密度函数近似学习数据。这里，概率密度函数也采用正态分布。然后，根据该概率密度函数，例如设定50％区域A61、75％区域A62、95％区域A63、95％区域外A64。这里，50％区域A61是在该区域的内部存在学习数据的50％的区域，75％区域A62、95％区域A63也是同样的。而且，95％区域外A64是95％区域A63外侧的区域，将该区域设定为疏区域。乖离度计算部151根据空调数据的位置，例如在空调数据存在于50％区域A61时计算50作为乖离度，在空调数据存在于75％区域A62时计算75作为乖离度，在空调数据存在于95％区域A63时计算95作为乖离度，在空调数据存在于95％区域外A64的情况下计算100作为乖离度。然后，将96以上且小于100的值设定为规定的阈值，由此，乖离度判定部152能够判定空调数据是否存在于疏区域。

第四个方法是如下方法：计算表示在空调数据的周围存在多少学习数据的值作为乖离度。参照图7对该方法进行说明。图7是示出乖离度计算部151计算乖离度的方法和乖离度判定部152判定空调数据是否存在于疏区域的方法的具体例的说明图。

乖离度计算部151在空调数据D71的周围设定区域A71。在图7中，区域A71是设定为以空调数据D71为中心的半径R71以下的区域的圆盘。这里，半径R71的值由空调控制装置100的设计者或空调机AC的用户预先设定。乖离度计算部151首先对存在于该区域A71内部的学习数据的数量进行计数，计算学习数据的数量或存在于区域A71内部的学习数据数的比例。上述计算出的值越小，则存在于疏区域的可能性越高，因此，计算对该值附加负号或取倒数而得到的值作为乖离度。通过进行该操作，在第四个方法中，作为乖离度计算出的值也能够视为该值越大，则存在于疏区域的可能性越高。乖离度判定部152判定乖离度计算部151计算出的乖离度是否为规定的第四阈值T4以上，在第四阈值T4以上的情况下，判定为空调数据D71存在于疏区域。例如，在图7中，在设定于空调数据D71周围的区域A71中不存在学习数据，因此，判定为空调数据D71存在于疏区域，在设定于空调数据D72周围的区域A72中存在大量学习数据，因此，判定为空调数据D72不存在于疏区域或存在于密区域。这里，区域A72是被设定为以空调数据D72为中心的半径R71以下的区域的圆盘。

在上述四个方法中，构成为根据空调数据的参数空间上的位置计算乖离度，但是，也可以构成为直接使用空调数据的参数空间上的位置坐标即参数本身作为乖离度。该情况下，乖离度判定部152预先设定疏区域，判定空调数据的各参数是否包含在疏区域的范围内，由此，能够判定空调数据是否存在于疏区域。例如，在密区域设定为矩形区域且疏区域设定为该密区域外侧的区域的情况下，分别独立地判定各参数是否为规定的阈值以上即可。此外，乖离度判定部152设定的疏区域不需要在最初设定后固定，也可以伴随着学习数据的增加而动态地设定。

此外，上述方法中使用的位置坐标不需要是空调数据中包含的参数本身，也可以使用进行适当的坐标转换后的坐标成分。

估计部16使用机器学习部14进行了学习的已学习的机器学习模型，根据空调数据取得部13取得的空调数据估计空调机的启动时刻。在实施方式1中，机器学习模型输出环境值达到目标值为止所需要的所需时间，因此，估计部16根据目标时刻计算所需时间前的时刻，由此估计空调机AC的启动时刻。

此外，在判定部15判定为空调数据存在于疏区域的情况下，估计部16针对使用学习数据进行了用于根据空调数据估计空调机的启动时刻的学习的机器学习模型进行基于非学习模型的外插，使用非学习模型，根据空调数据估计空调机的启动时刻。

这里，关于基于非学习模型的外插，不仅包含在用一个区间表示密区域时在该区间外侧的区域中用非学习模型表现空调数据与启动时刻的关系，还包含在密区域作为多个区间而离散地存在的情况下在该多个区间之间的区域中用非学习模型表现空调数据与启动时刻的关系。

此外，在实施方式1中，估计部16使用线性模型作为非学习模型对机器学习模型进行外插。这里，设使用线性模型进行外插，但是，在某个区域中，在基于经验或根据一般公知的关系式已知空调数据与所需时间的关系成为什么样的关系的情况下，也可以使用线性模型以外的模型进行外插。

与学习数据取得部141同样，估计部16针对取得的空调数据，进行将其转换成适合于输入机器学习模型的形式的预处理。在实施方式1中，机器学习模型的输入是室内温度与目标温度的温度差、室内温度与室外温度的温度差和空调机的运转能力，因此，估计部16计算空调数据中包含的室内环境信息所示的室内温度与设定信息所示的目标温度的温度差、以及室内温度与室外环境信息所示的室外温度的温度差。这里，空调机的运转能力包含在运转信息中，因此，不需要进行上述这种预处理。此外，与学习数据同样，预处理后的空调数据也称作空调数据。

参照图8说明估计部16对机器学习模型进行基于非学习模型的外插的方法的具体例。图8是示出估计部16对已学习的机器学习模型进行基于非学习模型的外插，使用该非学习模型根据空调数据估计空调机的启动时刻的方法的具体例的说明图。

图8中实线所示的是机器学习模型M81，由非线性函数表示。在图8中，横轴是室内温度与目标温度的温度差，纵轴是室内温度达到目标温度为止的所需时间，但是，一般而言，横轴是机器学习模型M81的输入参数，纵轴是机器学习模型M81的估计值。此外，图8利用二维表示以进行说明，但是，输入参数和输出参数一般是更高维度的。例如，在实施方式1中，对机器学习模型的输入是室内温度与目标温度的温度差、室内温度与室外温度的温度差、空调机AC的运转能力这3个，因此，输入参数是三维的，输出是室内温度达到目标温度为止的所需时间，因此，输出参数是一维的。

这里，将对被输入的空调数据加上估计值而得到的数据称作估计数据。在图8中，横轴上黑色四边形所示的是空调数据，实线的白色圆圈是学习数据，虚线的白色圆圈是包含使用机器学习模型M81得到的估计值的估计数据、黑色圆点是包含根据被输入的空调数据使用非学习模型M82得到的估计值的估计数据。

此外，在图8中，室内温度与目标温度的温度差为P82以上的区域设定为密区域，小于P82的区域设定为疏区域。

在由判定部15判定为空调数据存在于密区域的情况下，仅根据机器学习模型M81计算与该空调数据的参数值对应的估计值。下面，对由判定部15判定为空调数据存在于疏区域的情况进行说明。

首先，估计部16选择存在于密区域的2点的空调数据。这里，选择存在于密区域的空调数据意味着在设定为密区域的参数空间的区域中选择适当的参数，不仅包含选择存储部12中存储的学习数据中包含的2点的空调数据，还包含在密区域中选择适当的参数且虚拟地生成具有该参数的空调数据。此外，这里的参数空间对应于机器学习模型的输入参数，一般与判定部15中的空调数据的参数空间不同，但是，机器学习模型的输入参数是根据空调数据的参数生成的，在机器学习模型的参数空间的情况下，也与空调数据时同样地进行疏区域和密区域的设定即可。

这里，选择的2点是任意的，但是，优选存在于疏区域的边界附近。在图8中，一点选择存在于密区域与疏区域的边界的点(空调数据D82)。优选另一点在空调数据D82的附近选择，在图8中，选择表示比空调数据D82所示的温度差P82大规定的值PD81的值P83的空调数据D83。

接着，估计部16使用机器学习模型M81生成与选择出的2点的空调数据对应的估计数据。在图8中，当使用机器学习模型M81时，根据空调数据D82得到估计值EV82，生成估计数据E82。此外，根据空调数据D83得到估计值EV83，生成估计数据E83。

然后，估计部16生成穿过已生成的估计数据E82和估计数据E83的直线作为非学习模型M82。在图8中，非学习模型M82利用单点划线表示。

最后，估计部16估计被输入的估计对象即空调数据D81的估计值EV1。这里，也可以将对空调数据D81追加估计值EV1而得到的估计数据E1存储于存储部12。

此外，在上述中，估计部16生成估计数据，但是，也可以构成为仅进行根据机器学习模型或非学习模型计算与空调数据对应的估计值的动作而不生成估计数据。

在图8中，非学习模型M82利用直线表示，但是，一般而言，非学习模型是超平面。在上述中，为了生成非学习模型M82而选择2点的空调数据，但是，在更高维度的情况下，需要选择更多(具体而言为比超平面的维度多1)的空调数据。

此外，在上述中，使用机器学习模型M81上的2点生成非学习模型M82，但是，非学习模型的生成方法不限于此，例如，也可以在密区域中，选择多个存在于与疏区域的边界附近的学习数据，将根据这些学习数据通过回归分析得到的超平面设为非学习模型。

说明进行基于非学习模型的外插的情况和未进行外插的情况的差异。例如，如图8所示，在疏区域中，在应该随着参数的增加而单调增加的状况下，当学习数据少时也无法适当地进行学习，可能生成减少后增加这样的机器学习模型。这种情况下，在未进行基于非学习模型的外插的情况下，根据空调数据D81得到的估计值成为估计值EV2(得到的估计数据成为估计数据E2)，估计比本来预想的估计值大的值。但是，在实施方式1的空调控制装置100中，根据密区域的机器学习模型即密区域的学习数据，在疏区域中生成非学习模型，与密区域的机器学习模型连接起来，由此对非学习模型进行外插，因此，能够估计更适当的值(在图8中为估计值EV1，但是比未进行外插的情况小的值)。

接着，对实施方式1中的空调控制装置100的硬件结构进行说明。空调控制装置100的各功能通过计算机实现。图9是示出实现空调控制装置100的计算机的硬件结构的例子的结构图。

图9所示的硬件具有CPU(Central Processing Unit：中央处理单元)等处理装置10000以及ROM(Read Only Memory：只读存储器)或硬盘等存储装置10001。

由处理装置10000执行存储装置10001中存储的程序，由此实现图2所示的发送接收部10、控制部11、空调数据取得部13、机器学习部14、判定部15和估计部16，存储部12通过存储装置10001实现。这里，上述结构不限于通过一个处理装置10000和存储装置10001实现的结构，也可以构成为通过多个处理装置10000和存储装置10001实现。

此外，实现空调控制装置100的各功能的方法不限于上述硬件和程序的组合，也可以通过在处理装置中嵌入有程序的LSI(Large Scale Integrated Circuit：大规模集成电路)这样的硬件单体实现，还可以利用专用硬件实现一部分功能，利用处理装置和程序的组合实现一部分功能。

如上所述构成空调控制装置100。

接着，关于空调控制装置100的动作，分成学习动作和估计动作进行说明。这里，空调控制装置100的动作是空调控制方法，将与学习动作对应的空调控制方法称作学习方法，将与估计动作对应的方法称作估计方法。此外，使计算机执行空调控制方法的程序是空调控制程序。

首先，参照图10对空调控制装置100的学习动作进行说明。图10是示出空调控制装置100进行机器学习模型的学习的动作的流程图。

首先，在步骤S1中，学习数据取得部141从存储部12取得学习数据和机器学习模型。学习数据取得部141将取得的学习数据和机器学习模型发送到学习部142。这里，在初始学习的情况下取得全部学习数据，在再学习的情况下仅取得追加的学习数据即可。

此外，学习数据取得部141针对取得的学习数据，进行将其转换成适合于输入机器学习模型的形式的预处理。在实施方式1中，机器学习模型的输入是室内温度与目标温度的温度差、室内温度与室外温度的温度差和空调机的运转能力，因此，学习数据取得部141计算空调数据中包含的室内环境信息所示的室内温度与设定信息所示的目标温度的温度差，同样，计算室内温度与室外环境信息所示的室外温度的温度差。

接着，在步骤S2中，学习部142使用接收到的学习数据进行机器学习模型的学习。在实施方式1中，机器学习模型是神经网络，能够使用误差反向传播法等现有学习方法进行学习。

最后，在步骤S3中，学习部142将已学习的机器学习模型保存于存储部12。

进行以上的步骤，空调控制装置100结束学习动作。

接着，参照图11对空调控制装置100的估计动作进行说明。

图11是示出空调控制装置100估计空调机AC的启动时刻的动作的流程图。

首先，在步骤S101的空调数据取得步骤中，空调数据取得部13经由发送接收部10从空调机AC取得空调数据。更具体而言，空调数据取得部13从室外机OU取得室外环境信息，从室内机IU取得室内环境信息、设定信息和运转信息。

接着，在步骤S102的判定步骤中，判定部15判定在步骤S101中取得的空调数据是否存在于疏区域。

更具体而言，首先，乖离度计算部151计算该空调数据的乖离度。这里，在上述第一个方法中，计算空调数据与学习数据的距离作为乖离度。

然后，乖离度判定部152判定该乖离度是否为规定的阈值以上，在判定为阈值以上的情况下，判定为该空调数据存在于疏区域。

在步骤S102的判定步骤中判定为空调数据存在于疏区域的情况下，空调控制装置100的动作进入步骤S103，在判定为空调数据未存在于疏区域的情况下，空调控制装置100的动作进入步骤S104。

将以下的步骤S103和步骤S104一起称作估计步骤。

在步骤S103中，估计部16进行空调机的启动时刻的估计。步骤S103是判定为空调数据存在于疏区域的情况，因此，针对机器学习模型，用非学习模型进行外插，使用该外插模型估计启动时刻。

在步骤S104中，估计部16也进行空调机的启动时刻的估计，但是，步骤S104是判定为空调数据未存在于疏区域的情况，因此，不进行基于非学习模型的外插，而直接使用机器学习模型估计启动时刻。

接着，在步骤S105的控制步骤中，控制部11发送控制信号，以使空调机AC在估计部16估计出的启动时刻启动。控制信号经由发送接收部发送到空调机AC，空调机AC在接收到该控制信号时，设定成在该启动时刻启动。

最后，在步骤S105的学习数据保存步骤中，发送接收部10从室内机IU取得室内温度实际达到目标温度为止所花费的所需时间，将该所需时间与在步骤S101中取得的空调数据一起作为学习数据保存于存储部12。

通过以上这种空调控制装置100的估计动作，即使被输入的空调数据是从学习数据乖离的值，也对已学习的机器学习模型外插非学习模型，由此，与不进行外插而直接使用机器学习模型相比，能够更加适当地估计启动时刻。

即，实施方式1的空调控制装置100在学习数据少的区域中进行基于非学习模型的外插，估计空调机的启动时刻，由此，能够降低进行不适当的估计的可能性。

下面，对实施方式1中的空调控制装置100的变形例进行说明。

在上述中，控制部11构成为通过与空调控制装置100具有的其他结构相同的硬件实现，但是，也可以构成为通过与其他结构不同的硬件(处理装置和存储装置)实现。这里，在用不同硬件实现控制部11的结构中，控制部11可以构成为与用相同硬件实现时同样地，对多个室内机IU和室外机OU进行集中管理，也可以构成为分别设置于各个室内机IU和室外机OU，各自具有的控制部11对室内机IU和室外机OU进行控制。

此外，不仅是控制部11，如图1所示，空调控制装置100不仅可以构成为设置于室内机IU和室外机OU的外部，也可以构成为设置于室内机IU和室外机OU的内部。

在上述中，空调控制装置100构成为与多个室外机OU连接，经由室外机OU与室内机IU连接，但是，也可以是空调控制装置100与室内机IU和室外机OU分别直接连接的结构、以及空调控制装置100和室内机IU连接且空调控制装置100和室外机OU经由室内机IU连接的结构。此外，构成为具有多个室外机OU和多个室内机IU，但是，室外机OU和室内机IU也可以是一个。

构成为由估计部16和学习数据取得部141进行将空调数据转换成适合于输入机器学习模型的形式的预处理，但是，也可以构成为不是由估计部16进行上述预处理，而是由判定部15进行上述预处理。

或者，也可以构成为不是由估计部16和学习数据取得部141进行预处理，而是由空调数据取得部13进行预处理，不仅是估计中使用的空调数据，还将对学习数据进行预处理后的数据保存于存储部12。

这些情况下，也可以利用预处理后的空调数据进行判定部15中的空调数据是否存在于疏区域的判定。即，判定部15也可以不是在由空调数据中包含的参数扩展的参数空间中判定空调数据是否存在于疏区域，而是在由机器学习模型的输入参数扩展的参数空间中判定空调数据是否存在于疏区域。

在实施方式1中，考虑如下情况：以空调控制装置100的机器学习模型的学习中使用的学习数据组包含密区域和疏区域为前提，在学习初始的阶段中，不存在足够量的学习数据组整体的数据数，在无法明确地区分密区域和疏区域时，无法充分发挥效果。因此，判定部15也可以在计算空调数据的乖离度之前，对学习数据组中包含的学习数据的数量进行计数，在学习数据的数量为规定的第五阈值以上的情况下，判定空调数据是否存在于疏区域，估计部16进行非学习模型的外插。由此，在学习数据组整体的数据数少时专注于蓄积学习数据，能够从充分蓄积了学习数据的时点起进行基于非学习模型的外插。

判定部15判定空调数据是否存在于疏区域，但是，也可以不仅判定是否存在于疏区域，还判定哪个参数表示从学习数据乖离的值即异常值。例如，能够通过对空调数据和学习数据的各参数进行比较或者对空调数据和预先设定的疏区域的参数进行比较来实现。

例如，在图3中，空调数据D31的参数1为学习数据D33的参数1以下，未取异常值，另一方面，空调数据的参数2取比任何学习数据都大的值，从学习数据乖离。乖离度判定部152对空调数据和学习数据的各参数进行比较，由此，能够判定哪个参数取异常值。

此外，关于参数的判定，也可以在判定为空调数据存在于疏区域的情况下追加进行判定，也可以构成为与疏区域的判定同时进行。例如，也可以在发现了异常参数的情况下，判定为该参数异常且空调数据存在于疏区域。

实施方式1的空调控制装置100在空调数据存在于疏区域的情况下，对机器学习模型进行外插，估计启动时刻，但是，假设即使在估计出的启动时刻启动也由于外界干扰等而无法在目标时刻达到目标温度的情况。此外，在公司或学校等中，在长假结束的情况下，由于墙壁的潜热等的影响，有时室内温度的目标温度达到时刻比通常晚。针对上述这种课题，对于空调机AC的用户来说，可认为与在比目标时刻晚的时刻达到目标温度相比，在比目标时刻稍早的时刻达到目标温度时的舒适性高，因此，估计部16也可以对由机器学习模型得到的估计值或由非学习模型得到的估计值进行用于估计更早的启动时刻的校正。

例如，估计部16进行对估计值加上安全率的校正，由此进行估计，以使空调机AC的估计出的启动时刻比未加上安全率的情况早。更具体而言，对所需时间的估计值加上安全率，由此计算更长的所需时间作为估计值，或者对所需时间的估计值累计大于1的值，计算更长的所需时间作为估计值，由此，与未进行校正的情况相比，估计更早的时间作为启动时刻，其结果是，与未进行校正的情况相比，能够控制空调机使得在更早的时刻达到目标温度。

实施方式2

在实施方式1中，机器学习模型将室内温度与目标温度的温度差、室内温度与室外温度的温度差和空调机的运转能力作为输入。实施方式2中的空调控制装置100还使用空调机AC的能力保留值作为机器学习模型的输入。这里，设能力保留值包含在运转信息中。能力保留是指通过抑制空调机的运转能力来抑制最大电力或消耗电力，例如通过降低压缩机频率或者降低风扇的转速来实现。此外，能力保留值是能力保留的尺度，在实施方式2中，使用实际运转的运转能力相对于空调机AC的最大运转能力的比率作为能力保留值。在实施方式2中，能力保留值能够设定为60％、80％和100％。这里，60％表示以60％的能力使空调机AC运转的状态，80％表示以80％使空调机AC运转的状态，100％表示以100％使空调机AC运转的状态。

此外，在实施方式2中，使用实际运转的运转能力相对于空调机AC的最大运转能力的比率作为能力保留值，但是，也可以直接使用压缩机频率、风扇的转速作为能力保留值。

下面，对与实施方式1不同的部分进行说明。

空调数据取得部13对取得的空调数据加上能力保留值，由此，取得包含空调机AC的能力保留值的运转信息。更具体而言，生成对取得的空调数据追加能力保留值为60％这样的信息而得到的数据、对取得的空调数据追加能力保留值为80％这样的信息而得到的数据、以及对取得的空调数据追加能力保留值为100％这样的信息而得到的数据。这里，对空调数据追加与能力保留值有关的信息而得到的数据也称作空调数据。空调数据取得部13将生成的各空调数据发送到判定部15。

与实施方式1同样，机器学习部14进行机器学习模型的学习。这里，如上所述，实施方式2中的机器学习模型在一个输入参数中具有能力保留值。此时的学习数据是加上包含由后述的估计部16选择出的能力保留值的空调数据和实际达到目标温度为止所花费的所需时间而得到的。

判定部15判定对取得的空调数据加上能力保留值而得到的数据是否存在于疏区域。判定空调数据是否存在于疏区域的方法可以直接使用实施方式1中记载的方法，但是，参照图12对在如实施方式2中的能力保留值那样参数离散的情况下能够使用的方法进行说明。

图12是示出乖离度计算部151计算乖离度的方法和乖离度判定部152判定空调数据是否存在于疏区域的方法的具体例的说明图。

在图12中，空调数据D121用黑色圆点表示，学习数据用白色圆圈表示。

在实施方式2中，能力保留值设为离散值，因此，能够通过能力保留值的值形成各群组。乖离度计算部151对被输入的空调数据所属的群组中包含的学习数据的数据数进行计数，计算对该计数值附加负号而得到的值作为乖离度。在图12中，空调数据D121属于能力保留值为60％的群组G121，该群组内的学习数据为1个，因此，将乖离度计算为-1。这里，乖离度计算部151计算对数据数的计数值附加负号而得到的值作为乖离度，但是，也可以不是附加负号，而是计算取倒数而得到的值作为乖离度。

乖离度判定部152判定计算出的乖离度是否为规定的第六阈值以上，在第六阈值以上的情况下，判定为空调数据存在于疏区域。在图12中，例如，在第六阈值被设定为-3的情况下，判定为空调数据D121存在于疏区域。在上述判定中判定为未存在于疏区域的情况下，使用实施方式1中记载的方法，判定其他参数是否存在于疏区域。

估计部16将加上能力保留值后的各空调数据输入到已学习的机器学习模型，估计启动时刻。即，估计部16得到分别针对能力保留值为60％、80％和100％时的启动时刻。

此外，估计部16选择以哪个能力保留值启动空调机AC，即在与哪个能力保留值对应的启动时刻启动空调机AC。这里，在由用户预先设定了空调机AC动作时的能力保留值的情况下，估计部16仅选择在与设定的能力保留值对应的启动时刻启动即可。或者，在与设定的能力保留值对应的启动时刻是当前时刻之前的时刻的情况下，也可以选择对应的启动时刻是当前时刻之后的时刻且具有最大值的能力保留值。

此外，作为能力保留值和与能力保留值对应的启动时刻的另一个决定方法，也可以根据能力保留值和对应的启动时刻的组，决定以哪个能力保留值和启动时刻启动空调机AC。

例如，也可以预先保持针对能力保留值的单位消耗电力等指标值的表或函数等，选择指标值与启动时刻之积最小且启动时刻为当前时刻之后的时刻的能力保留值和启动时刻的组。

此外，也可以在启动后经过一定时间后也进行启动时刻估计，如果根据当前的能力保留值估计的启动时刻是比当前时刻早的时间，则进行控制以增大能力保留值，相反，如果根据当前的能力保留值估计的启动时刻是比当前时刻晚的时间，则进行控制以减小能力保留值。通过进行上述控制，例如，能够防止冬季在降低了能力保留值的状态下使空调机AC运转而发生不暖和(居室不暖和)。此外，经过一定时间后的估计不仅可以进行一次，也可以进行多次。

关于估计部16进行的非学习模型的外插，也可以使用与实施方式1相同的方法，但是，下面，对如能力保留值那样参数离散的情况下能够使用的外插方法进行说明。

在参数离散的情况下，也可以不进行如实施方式1那样选择密区域的2点的空调数据的方法，而简单地将如下值作为通过非学习模型的外插而得到的估计值，该值是对将离散的参数置换成密区域的参数而根据机器学习模型得到的估计值，乘以被输入的空调数据的参数与密区域的空调数据的参数之比而得到的。例如，在图12的情况下，在使用能力保留值为100％的群组G123作为密区域时，空调数据D121的参数为60％，属于密区域的空调数据的参数为100％，因此，也可以将对将空调数据D121的能力保留值置换成100％并输入到机器学习模型而得到的估计值乘以100(％)/60(％)而得到的值，作为通过非学习模型的外插而得到的估计值。

这里，关于能力保留值与所需时间的关系，能力保留值越大，则所需时间越短，因此，乘以属于密区域的空调数据的能力保留值/被输入的空调数据的能力保留值，但是，需要根据各参数和估计值处于什么样的比例关系，设定属于密区域的空调数据和被输入的空调数据中的哪一方成为分母或分子。

估计部16在进行启动时刻的估计后，向控制部11通知估计结果和选择了哪个空调数据，控制部11进行控制，使得在被通知的启动时刻以选择出的能力保留值使空调机AC进行动作。

此外，估计部16向空调数据取得部13通知选择了哪个空调数据，空调数据取得部13将选择出的空调数据和达到目标温度为止的实际的所需时间一起作为学习数据保存于存储部12。

实施方式2的空调控制装置100如上所述构成，以适当的能力保留值控制空调机AC的运转，由此，能够降低消耗电力。

实施方式1的空调控制装置100的变形例也能够应用于实施方式2的空调控制装置100。

产业上的可利用性

本发明的空调控制装置适用于管理空调以在目标时刻达到目标温度的空调系统。

标号说明

100：空调控制装置；1000：空调系统；10：发送接收部；11：控制部；12：存储部；13：空调数据取得部；14：机器学习部；141：学习数据取得部；142：学习部；15：判定部；151：乖离度计算部；152：乖离度判定部；16：估计部。

Claims (11)

1.一种空调控制装置，该空调控制装置根据机器学习模型估计空调机的启动时刻，所述机器学习模型使用包含密区域和学习数据比所述密区域少的疏区域的学习数据组，进行了用于根据作为与所述空调机的控制有关的信息的空调数据估计所述空调机的启动时刻的学习，其中，所述空调控制装置具有：

空调数据取得部，其取得所述空调数据；

判定部，其判定所述空调数据是否存在于所述疏区域；

估计部，其在所述判定部判定为所述空调数据存在于所述疏区域的情况下，针对所述机器学习模型，进行将所述空调数据和所述启动时刻关联起来的基于非学习模型的外插，使用所述非学习模型，根据所述空调数据估计所述空调机的启动时刻；以及

控制部，其进行在所述估计部估计出的启动时刻启动所述空调机的控制。

2.根据权利要求1所述的空调控制装置，其特征在于，

所述空调数据取得部取得表示室内环境的室内环境信息、表示室外环境的室外环境信息、以及表示所述空调机的运转状态的运转信息作为所述空调数据。

3.根据权利要求2所述的空调控制装置，其特征在于，

所述空调数据取得部取得包含所述空调机的能力保留值的所述运转信息，所述能力保留值为所述空调机的实际运转的运转能力相对于所述空调机的最大运转能力的比率，或者，所述能力保留值为压缩机频率或风扇的转速。

4.根据权利要求1～3中的任意一项所述的空调控制装置，其特征在于，

所述判定部具有：

乖离度计算部，其计算所述空调数据相对于所述学习数据的乖离度；以及

乖离度判定部，其根据所述乖离度判定所述空调数据是否存在于所述疏区域。

5.根据权利要求4所述的空调控制装置，其特征在于，

所述乖离度计算部计算由所述空调数据中包含的参数定义的空间中的所述空调数据与所述学习数据的距离作为所述乖离度，

所述乖离度判定部判定所述乖离度是否为规定的阈值以上，在所述乖离度为所述阈值以上的情况下，判定为所述空调数据存在于所述疏区域。

6.根据权利要求1～3中的任意一项所述的空调控制装置，其特征在于，

所述估计部针对所述机器学习模型的输出，进行用于估计更早的启动时刻的校正。

7.根据权利要求4所述的空调控制装置，其特征在于，

所述估计部针对所述机器学习模型的输出，进行用于估计更早的启动时刻的校正。

8.根据权利要求5所述的空调控制装置，其特征在于，

所述估计部针对所述机器学习模型的输出，进行用于估计更早的启动时刻的校正。

9.一种空调系统，该空调系统具有：

室内机；

室外机，其与所述室内机连接，构成所述空调机；以及

权利要求1～8中的任意一项所述的空调控制装置，其对所述室内机和所述室外机进行控制。

10.一种空调控制方法，该空调控制方法包含以下步骤：

空调数据取得步骤，取得作为与空调机的控制有关的信息的空调数据；

判定步骤，判定所述空调数据是否存在于学习数据少的疏区域；

估计步骤，在所述判定步骤中判定为所述空调数据存在于所述疏区域的情况下，针对使用所述学习数据进行了用于根据所述空调数据估计所述空调机的启动时刻的学习的机器学习模型，进行基于非学习模型的外插，使用所述非学习模型，根据所述空调数据估计所述空调机的启动时刻；以及

控制步骤，进行在所述估计步骤中估计出的启动时刻启动所述空调机的控制。

11.一种存储有计算机程序的计算机能读取的记录介质，在由处理器执行该程序时，实现权利要求10所述的全部步骤。

Images