JP2004297854A - デマンド監視システム - Google Patents
デマンド監視システム Download PDFInfo
- Publication number
- JP2004297854A JP2004297854A JP2003083399A JP2003083399A JP2004297854A JP 2004297854 A JP2004297854 A JP 2004297854A JP 2003083399 A JP2003083399 A JP 2003083399A JP 2003083399 A JP2003083399 A JP 2003083399A JP 2004297854 A JP2004297854 A JP 2004297854A
- Authority
- JP
- Japan
- Prior art keywords
- power consumption
- learning
- demand
- parameter
- total power
- 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.)
- Pending
Links
Images
Classifications
-
- Y04S10/54—
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
【課題】本発明は、精度の高い使用電力量の予測を行うデマンド監視装置を提供することにある。
【解決手段】受変電設備に於いて、負荷である電気機器の運転状態のプロセスパラメータのみならず、外気温・湿度等の外乱要因パラメータも含んだ周囲環境パラメータの情報をニューラルネットワーク等の学習予測機能によって学習させ、デマンド時限内のプロセスパラメータと周囲環境パラメータを含めて予測し、それに基づきデマンド時限終了時点での消費電力を予測し、デマンド制御の精度向上を図る。
本発明に依れば、前述の様な周囲環境パラメータが外乱として複雑にプロセスパラメータに影響を及ぼし明確な数学的モデルが容易に得られない様な複雑な受変電設備に於いても、精度の高いデマンド制御が実現可能である。
【選択図】 図１
【解決手段】受変電設備に於いて、負荷である電気機器の運転状態のプロセスパラメータのみならず、外気温・湿度等の外乱要因パラメータも含んだ周囲環境パラメータの情報をニューラルネットワーク等の学習予測機能によって学習させ、デマンド時限内のプロセスパラメータと周囲環境パラメータを含めて予測し、それに基づきデマンド時限終了時点での消費電力を予測し、デマンド制御の精度向上を図る。
本発明に依れば、前述の様な周囲環境パラメータが外乱として複雑にプロセスパラメータに影響を及ぼし明確な数学的モデルが容易に得られない様な複雑な受変電設備に於いても、精度の高いデマンド制御が実現可能である。
【選択図】 図１
Description
【０００１】
【発明の属する技術分野】
本発明は、電気機器の電力量管理に用いるデマンド監視システムに関する。
【０００２】
【従来の技術】
工場・ビル・小売店などの電力需要者に於いては、規定時間内（デマンド時限）の使用デマンドを電力会社との契約デマンド未満に抑制するためのデマンド監視装置を設けることが一般的になっている。これらのデマンド監視装置では、現時点からデマンド時限（通常３０分）終了時の使用デマンドの予測を行い、予測値が契約デマンドを超えると判断された場合は、優先度の低い電気機器の手動停止のガイドないし自動遮断を実行することを行っている。
【０００３】
例えば図１８に示すような、工場やビルの空調設備２０２に用いるコンプレッサ２０６の電力消費量を調整する様な場合に於いては、対象とする建物２００内の室温Ｔｉ２０１を取り込み、それと目標温度Ｔｓ２０３の偏差２０４に基づき制御指令値演算２０５を行い、コンプレッサ２０６の出力制御指令２０８や膨張弁２０７の開度制御指令２０９を求め、コンプレッサ２０６の出力や膨張弁２０７の開度を制御して室温Ｔｉ２０１を制御しているのが一般的である。
【０００４】
このような場合に、デマンド制御を行うためには、デマンド時限内の消費電力量を求める必要がある。
【０００５】
このため、従来から、室温Ｔｉ２０１や目標温度Ｔｓ２０３、コンプレッサ２０６の回転数・吐出圧力等のプロセスパラメータを用いて制御に関わる数学的モデルを立て、このモデルを用いて電力消費量を予測し制御を行うことが行われてきた。
【０００６】
しかしながら、周囲環境パラメータ、例えば、建物２００の外の周囲温度Ｔｅ２１０や、外気温・湿度などが外乱として空調設備２０２の冷却効率に複雑に影響を与える。そのため、上記数学モデルでは、冷却用のコンプレッサ２０６の消費電力を前もって精度よく予測することは困難であった。
【０００７】
また、図１８に示す建物２００が、さらに大きい建物の内部の空間を仕切って作られた冷蔵倉庫のような部分空間の場合は、空調設備の構成によっては、この部分空間である建物２００に対する空調により生じた排熱Ｑによって周囲温度Ｔｅ２１０が上昇する場合もありうる。このため、建物２００内の温度を目標温度Ｔｓ２０３に保つために必要となるコンプレッサ２０６等の空調設備２０２の消費電力を精度よく予測するためには、空調設備２０２の運転が周囲温度Ｔｅ２１０に与える影響も考慮する必要がある。勿論、建物２００を含む大きな建物が空調されていれば、建物２００の空調設備２０２に対する消費電力の予測は容易となるが、一方で大きな建物の空調設備に対する消費電力予測はより複雑となる。
【０００８】
以上、空調等のデマンド制御に関しては、妥当な数学的モデルが必ずしも立てられない場合が多々あるため、現状に於いては、予測が困難で、電力会社との契約デマンドを守った中で設備・機器を運転制御しようとするとどうしても運転制御の精度が粗くならざるを得ず、また、基本的に運転員の経験的な勘に頼った運転を行なわざるを得なかった。
【０００９】
【発明が解決しようとする課題】
周囲環境パラメータが外乱として作用するため従来のデマンド予測方法では困難だった、電力会社との契約デマンドを守った設備・機器の運転を可能とするデマンド予測監視手段を提供することにある。
【００１０】
【課題を解決するための手段】
制御対象プロセスのパラメータのみならず、外気温・湿度など周囲環境パラメータも、ニューラルネットワーク等を用いて学習予測することによって、精度の高い電気設備の消費電力の予測を実現とし、デマンド制御を可能とする。
【００１１】
【発明の実施の形態】
以下、本発明の一実施形態を図面に基づいて説明する。
【００１２】
図１は、本発明の一実施形態を示すデマンド監視システムの全体システム構成図である。
【００１３】
デマンド監視システム１の電力入力部１０は、電力量計２からの電力量パルス信号２ａを用いて、監視対象の電気機器の実績電力情報１０ａを求め、積算処理部（電力量算出部）４０、および学習予測機能部５０に前記実績電力情報１０ａをリアルタイムに与える。
【００１４】
一方、プロセスパラメータ入力部２０は、設備・機器３からの設備・機器運転状態信号３ａ、即ち遮断器が接続されている状態（投入状態）あるいは切断されている状態（遮断状態）及び、室温、コンプレッサ回転数・吐出圧力等の信号を入力し、これをプロセスパラメータ情報２０ａとして、リアルタイムに学習予測機能部５０に与える。
【００１５】
他方、周囲環境パラメータ入力部３０は、外気温・湿度などの周囲環境４から周囲環境状態信号４ａを入力し、周囲環境パラメータ情報３０ａとして、リアルタイムに学習予測機能部５０に与える。
【００１６】
学習予測機能部５０では、所定の監視周期で、次周期以降の使用電力予測値（ｄｗ）５０ａを求める。ここで、この使用電力予測値（ｄｗ）５０ａの予測精度を上げるため、実績電力情報１０ａ、プロセスパラメータ情報２０ａと周囲環境パラメータ情報３０ａ等の実績情報とともに学習し予測を行う。
【００１７】
積算処理部（電力量算出部）４０では、電力入力部１０において求めた電気機器の実績電力情報１０ａの積算を行い、現時点Ｔｃまでの実績デマンド情報（Ｗｒ）４０ａを求める。
また、予測開始スイッチ６０が投入状態の場合には、学習予測機能部５０において求めた使用電力予測値（ｄｗ）５０ａを積算して、デマンド時限終了時点Ｔｍに於ける使用デマンドの予測値（Ｗｅ）４０ｂを求める。
【００１８】
積算処理部（電力量算出部）４０において求めた実績デマンド情報（Ｗｒ）４０ａと使用デマンドの予測値（Ｗｅ）４０ｂは情報報知部７０に送られる。
【００１９】
図２に情報報知部７０の実施例を示す。
実績デマンド情報（Ｗｒ）４０ａと使用デマンドの予測値（Ｗｅ）４０ｂは、報知用情報作成部７１にて報知用情報７１ａに情報処理され、画面表示用情報作成部７４に送られる。また、使用デマンドの予測値（Ｗｅ）４０ｂは、警報判定部７２で契約デマンドＵを超過しているかどうか判定され、超過していた場合は警報出力部７３を介して警報情報７３ａが画面表示用情報作成部７４に送られる。画面表示用情報作成部７４では、最終的に電力表示画面７５にデマンド監視用画面を出力する際の情報を作成する。電力表示画面７５の出力例として、警報情報７３ａが無かった場合の出力画面例を図１６に、警報情報７３ａがあった場合の出力画面例を図１７に示す。
【００２０】
図３に、ニューラルネットを利用した学習予測機能部５０の１実施例につき示す。
【００２１】
学習予測機能部５０では、実績電力情報１０ａ、プロセスパラメータ情報２０ａと周囲環境パラメータ情報３０ａを、ニューラルネット演算部５１の入力ユニット５６に入力し、結合ユニット５７を介して、出力ユニット５８から、監視周期Ｔｊに於ける使用電力予測値（ｄｗ）５０ａを出力する。
【００２２】
求めた使用電力予測値（ｄｗ）５０ａは、電力記憶部５２に蓄積されていた対応する過去の実績デマンド情報５２ａと比較処理５３にて比較され、その偏差５４から入力ユニット５６、結合ユニット５７、学習予出力ユニット５８間の相関関係を学習し、重み係数変更処理５５にて、入力ユニット５６と結合ユニット５７間の結合重み係数５７Ｐ、結合ユニット５７と出力ユニット５８間の結合重み係数５８Ｐを逐次更新し、出力を教師信号である実績デマンド情報５２ａに接近させていく。
【００２３】
この手順の繰り返しにより、結合重み係数５７Ｐ、結合重み係数５８Ｐの変化が収束した後は、図１の予測開始スイッチ６０を投入し、使用電力予測値（ｄｗ）５０ａを積算処理部（電力量算出部）４０へ入力し、デマンド時限終了時点Ｔｍに於ける使用デマンドの予測値（Ｗｅ）４０ｂを求める。
【００２４】
このように制御対象プロセスのパラメータと外気温・湿度など周囲環境パラメータが相互に影響しあうような場合に於いても、ニューラルネットワークを利用し各時点でのパラメータの予測を逐次実行することによって、学習予測が実現でき、精度の高いデマンド監視が可能となる。
【００２５】
図４は、本デマンド監視方式の基本的原理につき示してしる。
【００２６】
横軸は時間を示し、デマンド監視時間をデマンド監視開始時点０、デマンド監視時限終了時点Ｔｍで示している。通常、このデマンド監視時限としては３０分を単位として行われることが多い。即ち、３０分をデマンド監視時限の１単位として、この時間が経過したら、次のデマンド監視時限が開始される。
【００２７】
縦軸は、デマンド監視時限内における、使用電力量の積算値を示す。
さて、現在を、デマンド監視開始時点からＴｃ経過した時点とする。デマンド開始時点から、現在時点Ｔｃまでの間のデマンドＷｒは、当該受電設備の使用電力量（実績デマンド）としてカウントされている。
【００２８】
デマンド監視システムの主たる目的は、デマンド監視時限終了時点Ｔｍにおける、当該受電設備内での使用電力量合計が、契約デマンドＵ内に収まっているか否かを予測するものである。もし、使用電力量合計が契約デマンドＵ内におさまりそうもない場合には、受電設備内の設備・機器類の運転計画を使用電力量を削減するように見直さなければならない。従って、現在時点Ｔｃ以降デマンド監視時限終了時点Ｔｍまでの期間での使用電力量を事前に予測し、この総計が、契約デマンドＵ内に収まるか否かを予想することは、特に電力の大口需要家にとっては重要である。このため、精度の高いデマンド予測が要求されている。本特許の基本原理は、現在時点ＴｃからＴｃ＋１までのある単位時間内での使用電力量ｄｗを予測し、これを、Ｔｃ時点での実績デマンドＷｒに加えＴｃ＋１時点でのデマンドを予測し、さらに、Ｔｃ＋１時点からＴｃ＋２時点の使用電力量ｄｗを予測し、これを、Ｔｃ＋１時点での予測デマンド値に加算しＴｃ＋２時点での予測デマンドとする。以下、同様の手順で、デマンド監視時限終了時点Ｔｍまでの予測デマンドを順次求めていく。図４の例では、Ｔｍ−１時点で、契約デマンドＵを逸脱してしまうとの予測結果が出ているので、Ｔｃ時点から、Ｔｍ時点までの使用電力量を低減するための何らかの対応策が検討されなければならない。
【００２９】
図５に、使用電力量ｄＷを予測する方法につき示す。
ここで、このニューラルネットワークは、上記したように、過去の情報（実績情報と予測情報）によりすでに学習され、ニューラルネットワーク内の結合重み係数５７Ｐ、結合重み係数５８Ｐが調整されているものとする。
【００３０】
時点Ｔｃでの、当該受電設備内での使用電力量合計、主要機器類の使用電力量等の実績電力情報１０ａ、プロセスパラメータ情報２０ａ、周辺環境パラメータ３０等の実績値を、ニューラルネットワークに入力し、次の監視周期分経過した時点Ｔｃ＋１のこれら情報の予測を行う。
【００３１】
ニューラルネットワークにより、予測された時点Ｔｃ＋１の上記各種情報を再びニューラルネットワークに入力し、次の監視周期分経過した時点Ｔｃ＋２のこれら情報の予測を行う。
【００３２】
以降、同様にして、ニューラルネットワークが算出した予測値を基に、次の時点の予測を行うことを繰り返すことによって、デマンド監視時限終了時点Ｔｍの上記情報の予測値が得られる。
【００３３】
図６は、本発明によるデマンド監視システムの処理の流れを示す処理フロー図である。
【００３４】
ブロック１００は、電力量計２からの電力量パルス信号２ａを入力する処理である。
【００３５】
ブロック２００はプロセスパラメータ入力部２０における、設備・機器３からの設備・機器運転状態信号３ａをプロセスパラメータ情報２０ａに変換する処理である。
【００３６】
ブロック３００は周囲環境パラメータ入力部３０における、周囲環境４からの周囲環境状態信号４ａを周囲環境パラメータ情報３０ａに変換する処理である。
【００３７】
ブロック４００は、実績電力情報１０ａ、プロセスパラメータ情報２０ａと周囲環境パラメータ情報３０ａから、学習予測機能部５０にて、使用電力予測値（ｄｗ）５０ａを求める処理である。
【００３８】
ブロック５００は、求めた監視周期に於ける使用電力予測値（ｄｗ）５０ａとその監視周期に於ける実績デマンド情報５２ａとの偏差から学習を行い、図３で示した結合重み係数５７Ｐ、結合重み係数５８Ｐの値を逐次更新していく処理である。
【００３９】
ブロック６００は、結合重み係数５７Ｐ、結合重み係数５８Ｐの変化が収束したか否かによって学習が完了したか否かを判断する処理である。
【００４０】
もし、ブロック６００にて学習が完了したと判断された場合は、ブロック７００にて予測開始スイッチ６０の投入を行い使用電力予測値（ｄｗ）５０ａを予測値として出力する。
【００４１】
ブロック８００に於いては、ブロック４００で求めた使用電力予測値（ｄｗ）５０ａを積算処理部（電力量算出部）４０で積算し、現時点Ｔｃまでの実績デマンド情報（Ｗｒ）４０ａと加算し、デマンド時限終了時点Ｔｍに於ける使用デマンドの予測値（Ｗｅ）４０ｂを求める。
【００４２】
ブロック９００に於いては、デマンド時限終了時点Ｔｍに於ける使用デマンドの予測値（Ｗｅ）４０ｂと契約デマンドＵとを比較し、デマンド時限終了時点Ｔｍに於ける使用デマンドの予測値（Ｗｅ）４０ｂが契約デマンドＵを超えた場合は、ブロック１１００で、例えば図１７に示すようなディスプレイ画面形式によって、ディスプレイ装置上に警報を表示する。
【００４３】
デマンド時限終了時点Ｔｍに於ける使用デマンドの予測値（Ｗｅ）４０ｂが契約デマンドＵを超えない場合は、ブロック１０００に於いて、例えば図１６に示すようなディスプレイ画面形式によって、ディスプレイ装置上に表示される。
【００４４】
これにより、現時点までの実績デマンド情報（Ｗｒ）４０ａとデマンド時限終了時点Ｔｍに於ける使用デマンドの予測値（Ｗｅ）４０ｂの容易かつ高精度での監視が可能となる。
【００４５】
図７は、本発明になる第２の実施例を説明するための図である。図１に示した前述の実施形態の学習予測機能部５０内部を、プロセスパラメータ・周囲環境パラメータ学習予測機能部８０と、使用電力学習予測機能部９０の２つの学習予測機能部に分け、各々の学習予測機能を分離したものである。
【００４６】
図７に基づく具体的な構成例として、学習予測機能にニューラルネットを利用したシステムにつき図８に示す。
【００４７】
学習予測機能部５０におけるプロセスパラメータ・周囲環境パラメータ学習予測機能部８０は、主としてプロセスパラメータ情報と周囲環境パラメータ情報を学習し予測するパラメータ予測ニューラルネット演算部８１と、予測したプロセスと周囲環境のパラメータ予測値を保存するパラメータ予測値保存ファイル８２よりなる。
【００４８】
使用電力学習予測機能部９０は、主として使用電力予測ニューラルネット演算部９１よりなる。
【００４９】
パラメータ予測ニューラルネット演算部８１では、プロセスパラメータ情報２０ａと周囲環境パラメータ情報３０ａの時点Ｔｃまでのデータを基に、それ以降の上記パラメータを予測し、その結果につきさらに学習していく。
【００５０】
なおここで、パラメータ予測ニューラルネット演算部８１では予め、図９に示すように、プロセスパラメータ及び周囲環境パラメータの時限Ｔｊに於ける実績値に基づく時点Ｔｊ＋１に於ける予測値と時限Ｔｊ＋１に於ける実績値を比較処理８３にて比較し、偏差８４に基づき、重み係数変更処理８５にて、入力ユニット８６と結合ユニット８７の結合重み係数８７Ｐ及び結合ユニット８７と出力ユニット８８の結合重み係数８８Ｐを調整して置く。このように、すでに実績値が得られた現時点以前の実績データとその各時点で得られた予測データとを照合し、結合重み係数を学習させておくことにより、Ｔｊ時点のパラメータとＴｊ＋１時点でのパラメータの相関とプロセスパラメータ・周囲環境パラメータ間相互の相関を予め学習して置くことが可能である。
【００５１】
パラメータ予測ニューラルネット演算部８１における予測手順につき、図１０に示す。パラメータ予測ニューラルネット演算部８１は、現時点Ｔｃの次の監視周期Ｔｃ＋１時点のプロセスパラメータ・周囲環境パラメータを予測する。このＴｃ＋１時点でのパラメータ予測データを元にさらに、Ｔｃ＋２時点でのパラメータの予測を行う。これを順次、繰り返すことによって、Ｔｃ＋１時点からＴｍ時点までのパラメータの予測値が求まるが、この順次予測された予測値８１ａは、パラメータ予測値保存ファイル８２に保存される。
【００５２】
使用電力量の予測は、もう一つのニューラルネットワークである、使用電力予測ニュウーラルネット演算部９１にて行われる（図８）。
【００５３】
使用電力予測ニュウーラルネット演算部９１では、実績電力情報１０ａに加えて、上記プロセスパラメータと周囲環境パラメータのパラメータ予測値保存ファイル８２に保存されている次監視周期Ｔｃ＋１時点からデマンド時限終了時点までのパラメータの予測データ８２ａを受け取り、それを元に次監視周期Ｔｃ＋１時点からデマンド監視時限終了時点Ｔｍまでの使用電力予測を行い、使用電力予測値（ｄｗ）５０ａを順次求める。
【００５４】
このように制御対象プロセスのパラメータ及び外気温・湿度など周囲環境パラメータが相互に影響しあう場合は、プロセスパラメータ及び周囲環境パラメータを予測するパラメータ予測ニューラルネット演算部８１と使用電力量を予測する使用電力量予測ニューラルネット演算部９１を独立に構成することにより、ニューラルネット演算のパラメータ間の相関関係の個数を減じ演算処理の簡素化を図ると共に、パラメータの追加・削除等の処理の保守が容易となる。
【００５５】
図１１に、本実施例におけるデマンド監視システムにおける使用電力予測の処理に関わる流れにつき特徴的な点のみしめす。基本的に図６で示した処理フロー図において、ブロック４００とブロック５００に関わる部分だけが、第１の実施例における処理フローと異なる点である。
即ち、ブロック４１０のパラメータ予測とブロック５１０のパラメータ学習、ブロック４２０の使用電力予測とブロック５２０の使用電力学習よりなる。
【００５６】
図１２は、本発明になる第３の実施例を説明するための図である。図７に示した前述の実施形態のプロセスパラメータ・周囲環境パラメータ学習予測機能部８０内部を、パラメータ実績値保存ファイル１００、各々のパラメータ毎にニューラルネット演算を行うパラメータ予測ニューラルネット演算部１１０及び予測されたパラメータを保存するパラメータ予測値保存ファイル１２０にて構成したものである。
【００５７】
プロセスパラメータ情報２０ａ、周囲環境パラメータ情報３０ａは、パラメータ実績値保存ファイル１００に保存される。
パラメータ実績値保存ファイル１００に保存されたパラメータ実績値情報１００ａは、各々のパラメータ毎にニューラルネット演算され、パラメータ予測結果情報１１０ａは予測値保存ファイル１２０に保存される。
【００５８】
使用電力予測ニューラルネット演算部９１では、実績電力情報１０ａと、予測値保存ファイル１２０に保存されたパラメータの予測データ１２０ａを用い、学習・予測を行う。
【００５９】
図８で示した第２の実施例におけるパラメータ予測ニューラルネット演算部８１と、図１２で示した第３の実施例におけるパラメータ予測ニューラルネット演算部１１０との大きな違いは、後者が、プロセスパラメータ、周囲環境パラメータの各パラメータ単位に学習予測を行う方式としている点にある。
【００６０】
パラメータ予測ニューラルネット演算部１１０における予測手順につき、図１３に示す。パラメータ予測ニューラルネット演算部１１０は、現時点Ｔｃまでの実績値をベースにそれ以降の監視周期Ｔｃ＋１、Ｔｃ＋２、Ｔｃ＋３、、、時点でのプロセスパラメータ・周囲環境パラメータ各々を各々のニューラルネットにて予測する。これによりＴｃ＋１時点からＴｍ時点までの各々のパラメータの予測値が求まるが、この順次予測されたパラメータ予測結果情報１１０ａは、パラメータ予測値保存ファイル１２０に保存される。
【００６１】
なお図１４を用い、パラメータ予測ニューラルネット演算部１１０の中のあるパラメータｎに関するパラメータ予測ニューラルネット演算部の動作につき概略説明する。時限Ｔｊに於けるパラメータｎの実績値に基づく時点Ｔｊ＋１に於けるパラメータｎの予測値と、時限Ｔｊ＋１に於けるパラメータｎの実績値は比較処理１１３にて比較され、 この偏差１１４に基づき、重み係数変更処理１１５は、入力ユニット１１６と結合ユニット１１７の結合重み係数１１７Ｐ及び結合ユニット１１７と出力ユニット１１８の結合重み係数１１８Ｐを調整する。
【００６２】
このように、すでに実績値が得られた現時点以前の実績データとその各時点で得られた予測データとを照合し、結合重み係数を学習させておくことにより、Ｔｊ時点のパラメータとＴｊ＋１時点でのパラメータの相関を予め学習して置くことが可能である。
【００６３】
図１５に、本第三の実施例におけるデマンド監視システムにおける使用電力予測の処理に関わる流れにつき特徴的な点のみしめす。基本的に図６で示した処理フロー図において、ブロック４００とブロック５００に関わる部分だけが、第１の実施例における処理フローと異なる点である。
即ち、ブロック４１０のプロセスパラメータ予測とブロック５１０のプロセスパラメータ学習、ブロック４１１の周囲環境パラメータ予測とブロック５１１の周囲環境パラメータ学習、ブロック４２０の使用電力予測とブロック５２０の使用電力学習よりなる。
【００６４】
使用電力量の予測に必要なパラメータ相互に独立性が強い場合は、各々のパラメータの推移を予測するニューラルネット演算処理を組み合わせることによって、使用電力量の予測が可能となるため、ニューラルネット演算のパラメータ間の相関関係の個数を大幅に減じ演算処理の簡素化を図ると共に、パラメータの追加・削除等の処理の保守が容易となる。
【００６５】
また、本方式は、基本的に小型のニューラルネットを複数備え、各々独立に学習・予測を行わせる方式のため、上記学習予測機能の分散処理が可能となり、演算処理の点でも有利となる。
【００６６】
なお、上記した第１から第３の実施例では、学習予測機能として、ニューラルネットによる学習予測機能を例にとって説明したが、勿論、物理モデルで精度良い推定ができるパラメータに対しては、この物理モデルにおけるパラメータチューニングに学習機能を用い、チューニングされた結果に基づき、予測データを求めることも可能である。
【００６７】
さらに、ニューラルネットを利用した予測と、物理モデルによる予測を混用することも一向に構わない。
【００６８】
以上、現時点以降の使用電力量予測を、過去の実績値と過去の予測値を基に学習させたニューラルネットあるいは物理モデルを用い行うことにより、精度良い予測が可能となり、デマンド監視精度が向上し、きめ細かなデマンド制御が可能となる。
【００６９】
【発明の効果】
本発明に依れば、種々の周囲環境パラメータが外乱として複雑にプロセスパラメータに影響を及ぼして明確な数学モデルが容易に得られない受変電設備に於いても、精度の高いデマンド予測が可能となる。
【図面の簡単な説明】
【図１】本発明による一実施形態を示すデマンド監視システムの全体システム構成図である。
【図２】本発明による一実施形態における情報報知部の一例を示す情報報知部機能構成図である。
【図３】本発明による一実施形態における学習予測機能部を、ニューラルネットワークを利用して実現した場合の一例を示す機能構成図である。
【図４】本発明による一実施形態における学習予測機能に基づいた、デマンド監視方式の基本的原理を説明するための図である。
【図５】本発明による一実施形態におけるニューラルネットワークを利用した学習予測機能により使用電力量を予測する手順を示す説明図である。
【図６】本発明による一実施形態を示すデマンド監視システムの処理の流れを示す処理フロー図である。
【図７】本発明による一実施形態における学習予測機能部の第二の実施例を示す機能構成図である。
【図８】本発明による一実施形態における学習予測機能部の第二の実施例において、学習予測機能をニューラルネットワークの適用により実現した場合の構成図である。
【図９】本発明による一実施形態における学習予測機能部の第二の実施例におけるパラメータ予測ニューラルネット演算部の機能構成図である。
【図１０】本発明による一実施形態における学習予測機能部の第二の実施例におけるパラメータ予測ニューラルネット演算部の予測手順を示す説明図である。
【図１１】本発明による一実施形態における学習予測機能部の第二の実施例における使用電力予測の処理の流れを示す処理フロー図である。
【図１２】本発明による一実施形態における学習予測機能部の第三の実施例において、学習予測機能をニューラルネットワークの適用により実現した場合の構成図である。
【図１３】本発明による一実施形態における学習予測機能部の第三の実施例におけるパラメータ予測ニューラルネット演算部の予測手順を示す説明図である。
【図１４】本発明による一実施形態における学習予測機能部の第三の実施例におけるパラメータ予測ニューラルネット演算部の機能構成図である。
【図１５】本発明による一実施形態における学習予測機能部の第三の実施例における使用電力予測の処理の流れを示す処理フロー図である。
【図１６】本発明による一実施形態を示すデマンド監視システムの電力表示画面のうちのデマンド監視画面例である。
【図１７】本発明による一実施形態を示すデマンド監視システムの電力表示画面のうちの警報メッセージ付のデマンド監視画面例である。
【図１８】本発明が適用される一般的な空調制御設備の構成示す図である。
【符号の説明】
１・・・・・・デマンド監視システム、
２・・・・・・電力量計、
２ａ・・・・・電力量パルス信号、
３・・・・・・設備・機器、
３ａ・・・・・設備・機器運転状態信号、
４・・・・・・周囲環境、
４ａ・・・・・周囲環境状態信号、
１０・・・・・電力入力部、
１０ａ・・・・実績電力情報、
２０・・・・・プロセスパラメータ入力部、
２０ａ・・・・プロセスパラメータ情報、
３０・・・・・周囲環境パラメータ入力部、
３０ａ・・・・周囲環境パラメータ情報、
４０・・・・・積算処理部（電力量算出部）、
４０ａ・・・・実績デマンド情報（Ｗｒ）、
４０ｂ・・・・使用デマンドの予測値（Ｗｅ）、
５０・・・・・学習予測機能部、
５０ａ・・・・使用電力予測値（ｄｗ）、
５１・・・・・ニューラルネット演算部、
５２・・・・・電力記憶部、
５２ａ・・・・実績デマンド情報、
５３・・・・・比較処理、
５４・・・・・偏差、
５５・・・・・重み係数変更処理、
５６・・・・・入力ユニット、
５７・・・・・結合ユニット、
５７Ｐ・・・・結合重み係数（入力ユニット−結合ユニット間）、
５８・・・・・出力ユニット、
５８Ｐ・・・・結合重み係数（結合ユニット間−出力ユニット間）、
６０・・・・・予測開始スイッチ、
７０・・・・・情報報知部、
７１・・・・・報知用情報作成部、
７１ａ・・・・報知用情報、
７２・・・・・警報判定部、
７３・・・・・警報出力部、
７３ａ・・・・警報情報、
７４・・・・・画面表示用情報作成部、
７５・・・・・電力表示画面、
８０・・・・・プロセスパラメータ・周囲環境パラメータ学習予測機能部、
８１・・・・・パラメータ予測ニューラルネット演算部、
８１ａ・・・・パラメータ予測結果情報
８２・・・・・パラメータ予測値保存ファイル、
８２ａ・・・・パラメータの予測データ、
８３・・・・・比較処理、
８４・・・・・偏差、
８５・・・・・重み係数変更処理、
８６・・・・・入力ユニット、
８７・・・・・結合ユニット、
８７Ｐ・・・・結合重み係数、
８８・・・・・出力ユニット、
８８Ｐ・・・・結合重み係数、
９０・・・・・使用電力学習予測機能部、
９１・・・・・使用電力予測ニューラルネット演算部、
１００・・・・パラメータ実績値保存ファイル、
１００ａ・・・パラメータ実績値情報、
１１０・・・・パラメータ予測ニューラルネット演算部、
１１０ａ・・・パラメータ予測結果情報、
１１３・・・・比較処理、
１１４・・・・偏差、
１１５・・・・重み係数変更処理、
１１６・・・・入力ユニット、
１１７・・・・結合ユニット、
１１７Ｐ・・・結合重み係数、
１１８・・・・出力ユニット、
１１８Ｐ・・・結合重み係数、
１２０・・・・パラメータ予測値保存ファイル、
１２０ａ・・・パラメータの予測データ、
２００・・・・建物、
２０１・・・・室温、
２０２・・・・空調設備、
２０３・・・・目標温度、
２０４・・・・偏差、
２０５・・・・制御指令値演算、
２０６・・・・コンプレッサ、
２０７・・・・膨張弁、
２０８・・・・コンプレッサ出力制御指令、
２０９・・・・膨張弁開度制御指令、
２１０・・・・周囲温度。
【発明の属する技術分野】
本発明は、電気機器の電力量管理に用いるデマンド監視システムに関する。
【０００２】
【従来の技術】
工場・ビル・小売店などの電力需要者に於いては、規定時間内（デマンド時限）の使用デマンドを電力会社との契約デマンド未満に抑制するためのデマンド監視装置を設けることが一般的になっている。これらのデマンド監視装置では、現時点からデマンド時限（通常３０分）終了時の使用デマンドの予測を行い、予測値が契約デマンドを超えると判断された場合は、優先度の低い電気機器の手動停止のガイドないし自動遮断を実行することを行っている。
【０００３】
例えば図１８に示すような、工場やビルの空調設備２０２に用いるコンプレッサ２０６の電力消費量を調整する様な場合に於いては、対象とする建物２００内の室温Ｔｉ２０１を取り込み、それと目標温度Ｔｓ２０３の偏差２０４に基づき制御指令値演算２０５を行い、コンプレッサ２０６の出力制御指令２０８や膨張弁２０７の開度制御指令２０９を求め、コンプレッサ２０６の出力や膨張弁２０７の開度を制御して室温Ｔｉ２０１を制御しているのが一般的である。
【０００４】
このような場合に、デマンド制御を行うためには、デマンド時限内の消費電力量を求める必要がある。
【０００５】
このため、従来から、室温Ｔｉ２０１や目標温度Ｔｓ２０３、コンプレッサ２０６の回転数・吐出圧力等のプロセスパラメータを用いて制御に関わる数学的モデルを立て、このモデルを用いて電力消費量を予測し制御を行うことが行われてきた。
【０００６】
しかしながら、周囲環境パラメータ、例えば、建物２００の外の周囲温度Ｔｅ２１０や、外気温・湿度などが外乱として空調設備２０２の冷却効率に複雑に影響を与える。そのため、上記数学モデルでは、冷却用のコンプレッサ２０６の消費電力を前もって精度よく予測することは困難であった。
【０００７】
また、図１８に示す建物２００が、さらに大きい建物の内部の空間を仕切って作られた冷蔵倉庫のような部分空間の場合は、空調設備の構成によっては、この部分空間である建物２００に対する空調により生じた排熱Ｑによって周囲温度Ｔｅ２１０が上昇する場合もありうる。このため、建物２００内の温度を目標温度Ｔｓ２０３に保つために必要となるコンプレッサ２０６等の空調設備２０２の消費電力を精度よく予測するためには、空調設備２０２の運転が周囲温度Ｔｅ２１０に与える影響も考慮する必要がある。勿論、建物２００を含む大きな建物が空調されていれば、建物２００の空調設備２０２に対する消費電力の予測は容易となるが、一方で大きな建物の空調設備に対する消費電力予測はより複雑となる。
【０００８】
以上、空調等のデマンド制御に関しては、妥当な数学的モデルが必ずしも立てられない場合が多々あるため、現状に於いては、予測が困難で、電力会社との契約デマンドを守った中で設備・機器を運転制御しようとするとどうしても運転制御の精度が粗くならざるを得ず、また、基本的に運転員の経験的な勘に頼った運転を行なわざるを得なかった。
【０００９】
【発明が解決しようとする課題】
周囲環境パラメータが外乱として作用するため従来のデマンド予測方法では困難だった、電力会社との契約デマンドを守った設備・機器の運転を可能とするデマンド予測監視手段を提供することにある。
【００１０】
【課題を解決するための手段】
制御対象プロセスのパラメータのみならず、外気温・湿度など周囲環境パラメータも、ニューラルネットワーク等を用いて学習予測することによって、精度の高い電気設備の消費電力の予測を実現とし、デマンド制御を可能とする。
【００１１】
【発明の実施の形態】
以下、本発明の一実施形態を図面に基づいて説明する。
【００１２】
図１は、本発明の一実施形態を示すデマンド監視システムの全体システム構成図である。
【００１３】
デマンド監視システム１の電力入力部１０は、電力量計２からの電力量パルス信号２ａを用いて、監視対象の電気機器の実績電力情報１０ａを求め、積算処理部（電力量算出部）４０、および学習予測機能部５０に前記実績電力情報１０ａをリアルタイムに与える。
【００１４】
一方、プロセスパラメータ入力部２０は、設備・機器３からの設備・機器運転状態信号３ａ、即ち遮断器が接続されている状態（投入状態）あるいは切断されている状態（遮断状態）及び、室温、コンプレッサ回転数・吐出圧力等の信号を入力し、これをプロセスパラメータ情報２０ａとして、リアルタイムに学習予測機能部５０に与える。
【００１５】
他方、周囲環境パラメータ入力部３０は、外気温・湿度などの周囲環境４から周囲環境状態信号４ａを入力し、周囲環境パラメータ情報３０ａとして、リアルタイムに学習予測機能部５０に与える。
【００１６】
学習予測機能部５０では、所定の監視周期で、次周期以降の使用電力予測値（ｄｗ）５０ａを求める。ここで、この使用電力予測値（ｄｗ）５０ａの予測精度を上げるため、実績電力情報１０ａ、プロセスパラメータ情報２０ａと周囲環境パラメータ情報３０ａ等の実績情報とともに学習し予測を行う。
【００１７】
積算処理部（電力量算出部）４０では、電力入力部１０において求めた電気機器の実績電力情報１０ａの積算を行い、現時点Ｔｃまでの実績デマンド情報（Ｗｒ）４０ａを求める。
また、予測開始スイッチ６０が投入状態の場合には、学習予測機能部５０において求めた使用電力予測値（ｄｗ）５０ａを積算して、デマンド時限終了時点Ｔｍに於ける使用デマンドの予測値（Ｗｅ）４０ｂを求める。
【００１８】
積算処理部（電力量算出部）４０において求めた実績デマンド情報（Ｗｒ）４０ａと使用デマンドの予測値（Ｗｅ）４０ｂは情報報知部７０に送られる。
【００１９】
図２に情報報知部７０の実施例を示す。
実績デマンド情報（Ｗｒ）４０ａと使用デマンドの予測値（Ｗｅ）４０ｂは、報知用情報作成部７１にて報知用情報７１ａに情報処理され、画面表示用情報作成部７４に送られる。また、使用デマンドの予測値（Ｗｅ）４０ｂは、警報判定部７２で契約デマンドＵを超過しているかどうか判定され、超過していた場合は警報出力部７３を介して警報情報７３ａが画面表示用情報作成部７４に送られる。画面表示用情報作成部７４では、最終的に電力表示画面７５にデマンド監視用画面を出力する際の情報を作成する。電力表示画面７５の出力例として、警報情報７３ａが無かった場合の出力画面例を図１６に、警報情報７３ａがあった場合の出力画面例を図１７に示す。
【００２０】
図３に、ニューラルネットを利用した学習予測機能部５０の１実施例につき示す。
【００２１】
学習予測機能部５０では、実績電力情報１０ａ、プロセスパラメータ情報２０ａと周囲環境パラメータ情報３０ａを、ニューラルネット演算部５１の入力ユニット５６に入力し、結合ユニット５７を介して、出力ユニット５８から、監視周期Ｔｊに於ける使用電力予測値（ｄｗ）５０ａを出力する。
【００２２】
求めた使用電力予測値（ｄｗ）５０ａは、電力記憶部５２に蓄積されていた対応する過去の実績デマンド情報５２ａと比較処理５３にて比較され、その偏差５４から入力ユニット５６、結合ユニット５７、学習予出力ユニット５８間の相関関係を学習し、重み係数変更処理５５にて、入力ユニット５６と結合ユニット５７間の結合重み係数５７Ｐ、結合ユニット５７と出力ユニット５８間の結合重み係数５８Ｐを逐次更新し、出力を教師信号である実績デマンド情報５２ａに接近させていく。
【００２３】
この手順の繰り返しにより、結合重み係数５７Ｐ、結合重み係数５８Ｐの変化が収束した後は、図１の予測開始スイッチ６０を投入し、使用電力予測値（ｄｗ）５０ａを積算処理部（電力量算出部）４０へ入力し、デマンド時限終了時点Ｔｍに於ける使用デマンドの予測値（Ｗｅ）４０ｂを求める。
【００２４】
このように制御対象プロセスのパラメータと外気温・湿度など周囲環境パラメータが相互に影響しあうような場合に於いても、ニューラルネットワークを利用し各時点でのパラメータの予測を逐次実行することによって、学習予測が実現でき、精度の高いデマンド監視が可能となる。
【００２５】
図４は、本デマンド監視方式の基本的原理につき示してしる。
【００２６】
横軸は時間を示し、デマンド監視時間をデマンド監視開始時点０、デマンド監視時限終了時点Ｔｍで示している。通常、このデマンド監視時限としては３０分を単位として行われることが多い。即ち、３０分をデマンド監視時限の１単位として、この時間が経過したら、次のデマンド監視時限が開始される。
【００２７】
縦軸は、デマンド監視時限内における、使用電力量の積算値を示す。
さて、現在を、デマンド監視開始時点からＴｃ経過した時点とする。デマンド開始時点から、現在時点Ｔｃまでの間のデマンドＷｒは、当該受電設備の使用電力量（実績デマンド）としてカウントされている。
【００２８】
デマンド監視システムの主たる目的は、デマンド監視時限終了時点Ｔｍにおける、当該受電設備内での使用電力量合計が、契約デマンドＵ内に収まっているか否かを予測するものである。もし、使用電力量合計が契約デマンドＵ内におさまりそうもない場合には、受電設備内の設備・機器類の運転計画を使用電力量を削減するように見直さなければならない。従って、現在時点Ｔｃ以降デマンド監視時限終了時点Ｔｍまでの期間での使用電力量を事前に予測し、この総計が、契約デマンドＵ内に収まるか否かを予想することは、特に電力の大口需要家にとっては重要である。このため、精度の高いデマンド予測が要求されている。本特許の基本原理は、現在時点ＴｃからＴｃ＋１までのある単位時間内での使用電力量ｄｗを予測し、これを、Ｔｃ時点での実績デマンドＷｒに加えＴｃ＋１時点でのデマンドを予測し、さらに、Ｔｃ＋１時点からＴｃ＋２時点の使用電力量ｄｗを予測し、これを、Ｔｃ＋１時点での予測デマンド値に加算しＴｃ＋２時点での予測デマンドとする。以下、同様の手順で、デマンド監視時限終了時点Ｔｍまでの予測デマンドを順次求めていく。図４の例では、Ｔｍ−１時点で、契約デマンドＵを逸脱してしまうとの予測結果が出ているので、Ｔｃ時点から、Ｔｍ時点までの使用電力量を低減するための何らかの対応策が検討されなければならない。
【００２９】
図５に、使用電力量ｄＷを予測する方法につき示す。
ここで、このニューラルネットワークは、上記したように、過去の情報（実績情報と予測情報）によりすでに学習され、ニューラルネットワーク内の結合重み係数５７Ｐ、結合重み係数５８Ｐが調整されているものとする。
【００３０】
時点Ｔｃでの、当該受電設備内での使用電力量合計、主要機器類の使用電力量等の実績電力情報１０ａ、プロセスパラメータ情報２０ａ、周辺環境パラメータ３０等の実績値を、ニューラルネットワークに入力し、次の監視周期分経過した時点Ｔｃ＋１のこれら情報の予測を行う。
【００３１】
ニューラルネットワークにより、予測された時点Ｔｃ＋１の上記各種情報を再びニューラルネットワークに入力し、次の監視周期分経過した時点Ｔｃ＋２のこれら情報の予測を行う。
【００３２】
以降、同様にして、ニューラルネットワークが算出した予測値を基に、次の時点の予測を行うことを繰り返すことによって、デマンド監視時限終了時点Ｔｍの上記情報の予測値が得られる。
【００３３】
図６は、本発明によるデマンド監視システムの処理の流れを示す処理フロー図である。
【００３４】
ブロック１００は、電力量計２からの電力量パルス信号２ａを入力する処理である。
【００３５】
ブロック２００はプロセスパラメータ入力部２０における、設備・機器３からの設備・機器運転状態信号３ａをプロセスパラメータ情報２０ａに変換する処理である。
【００３６】
ブロック３００は周囲環境パラメータ入力部３０における、周囲環境４からの周囲環境状態信号４ａを周囲環境パラメータ情報３０ａに変換する処理である。
【００３７】
ブロック４００は、実績電力情報１０ａ、プロセスパラメータ情報２０ａと周囲環境パラメータ情報３０ａから、学習予測機能部５０にて、使用電力予測値（ｄｗ）５０ａを求める処理である。
【００３８】
ブロック５００は、求めた監視周期に於ける使用電力予測値（ｄｗ）５０ａとその監視周期に於ける実績デマンド情報５２ａとの偏差から学習を行い、図３で示した結合重み係数５７Ｐ、結合重み係数５８Ｐの値を逐次更新していく処理である。
【００３９】
ブロック６００は、結合重み係数５７Ｐ、結合重み係数５８Ｐの変化が収束したか否かによって学習が完了したか否かを判断する処理である。
【００４０】
もし、ブロック６００にて学習が完了したと判断された場合は、ブロック７００にて予測開始スイッチ６０の投入を行い使用電力予測値（ｄｗ）５０ａを予測値として出力する。
【００４１】
ブロック８００に於いては、ブロック４００で求めた使用電力予測値（ｄｗ）５０ａを積算処理部（電力量算出部）４０で積算し、現時点Ｔｃまでの実績デマンド情報（Ｗｒ）４０ａと加算し、デマンド時限終了時点Ｔｍに於ける使用デマンドの予測値（Ｗｅ）４０ｂを求める。
【００４２】
ブロック９００に於いては、デマンド時限終了時点Ｔｍに於ける使用デマンドの予測値（Ｗｅ）４０ｂと契約デマンドＵとを比較し、デマンド時限終了時点Ｔｍに於ける使用デマンドの予測値（Ｗｅ）４０ｂが契約デマンドＵを超えた場合は、ブロック１１００で、例えば図１７に示すようなディスプレイ画面形式によって、ディスプレイ装置上に警報を表示する。
【００４３】
デマンド時限終了時点Ｔｍに於ける使用デマンドの予測値（Ｗｅ）４０ｂが契約デマンドＵを超えない場合は、ブロック１０００に於いて、例えば図１６に示すようなディスプレイ画面形式によって、ディスプレイ装置上に表示される。
【００４４】
これにより、現時点までの実績デマンド情報（Ｗｒ）４０ａとデマンド時限終了時点Ｔｍに於ける使用デマンドの予測値（Ｗｅ）４０ｂの容易かつ高精度での監視が可能となる。
【００４５】
図７は、本発明になる第２の実施例を説明するための図である。図１に示した前述の実施形態の学習予測機能部５０内部を、プロセスパラメータ・周囲環境パラメータ学習予測機能部８０と、使用電力学習予測機能部９０の２つの学習予測機能部に分け、各々の学習予測機能を分離したものである。
【００４６】
図７に基づく具体的な構成例として、学習予測機能にニューラルネットを利用したシステムにつき図８に示す。
【００４７】
学習予測機能部５０におけるプロセスパラメータ・周囲環境パラメータ学習予測機能部８０は、主としてプロセスパラメータ情報と周囲環境パラメータ情報を学習し予測するパラメータ予測ニューラルネット演算部８１と、予測したプロセスと周囲環境のパラメータ予測値を保存するパラメータ予測値保存ファイル８２よりなる。
【００４８】
使用電力学習予測機能部９０は、主として使用電力予測ニューラルネット演算部９１よりなる。
【００４９】
パラメータ予測ニューラルネット演算部８１では、プロセスパラメータ情報２０ａと周囲環境パラメータ情報３０ａの時点Ｔｃまでのデータを基に、それ以降の上記パラメータを予測し、その結果につきさらに学習していく。
【００５０】
なおここで、パラメータ予測ニューラルネット演算部８１では予め、図９に示すように、プロセスパラメータ及び周囲環境パラメータの時限Ｔｊに於ける実績値に基づく時点Ｔｊ＋１に於ける予測値と時限Ｔｊ＋１に於ける実績値を比較処理８３にて比較し、偏差８４に基づき、重み係数変更処理８５にて、入力ユニット８６と結合ユニット８７の結合重み係数８７Ｐ及び結合ユニット８７と出力ユニット８８の結合重み係数８８Ｐを調整して置く。このように、すでに実績値が得られた現時点以前の実績データとその各時点で得られた予測データとを照合し、結合重み係数を学習させておくことにより、Ｔｊ時点のパラメータとＴｊ＋１時点でのパラメータの相関とプロセスパラメータ・周囲環境パラメータ間相互の相関を予め学習して置くことが可能である。
【００５１】
パラメータ予測ニューラルネット演算部８１における予測手順につき、図１０に示す。パラメータ予測ニューラルネット演算部８１は、現時点Ｔｃの次の監視周期Ｔｃ＋１時点のプロセスパラメータ・周囲環境パラメータを予測する。このＴｃ＋１時点でのパラメータ予測データを元にさらに、Ｔｃ＋２時点でのパラメータの予測を行う。これを順次、繰り返すことによって、Ｔｃ＋１時点からＴｍ時点までのパラメータの予測値が求まるが、この順次予測された予測値８１ａは、パラメータ予測値保存ファイル８２に保存される。
【００５２】
使用電力量の予測は、もう一つのニューラルネットワークである、使用電力予測ニュウーラルネット演算部９１にて行われる（図８）。
【００５３】
使用電力予測ニュウーラルネット演算部９１では、実績電力情報１０ａに加えて、上記プロセスパラメータと周囲環境パラメータのパラメータ予測値保存ファイル８２に保存されている次監視周期Ｔｃ＋１時点からデマンド時限終了時点までのパラメータの予測データ８２ａを受け取り、それを元に次監視周期Ｔｃ＋１時点からデマンド監視時限終了時点Ｔｍまでの使用電力予測を行い、使用電力予測値（ｄｗ）５０ａを順次求める。
【００５４】
このように制御対象プロセスのパラメータ及び外気温・湿度など周囲環境パラメータが相互に影響しあう場合は、プロセスパラメータ及び周囲環境パラメータを予測するパラメータ予測ニューラルネット演算部８１と使用電力量を予測する使用電力量予測ニューラルネット演算部９１を独立に構成することにより、ニューラルネット演算のパラメータ間の相関関係の個数を減じ演算処理の簡素化を図ると共に、パラメータの追加・削除等の処理の保守が容易となる。
【００５５】
図１１に、本実施例におけるデマンド監視システムにおける使用電力予測の処理に関わる流れにつき特徴的な点のみしめす。基本的に図６で示した処理フロー図において、ブロック４００とブロック５００に関わる部分だけが、第１の実施例における処理フローと異なる点である。
即ち、ブロック４１０のパラメータ予測とブロック５１０のパラメータ学習、ブロック４２０の使用電力予測とブロック５２０の使用電力学習よりなる。
【００５６】
図１２は、本発明になる第３の実施例を説明するための図である。図７に示した前述の実施形態のプロセスパラメータ・周囲環境パラメータ学習予測機能部８０内部を、パラメータ実績値保存ファイル１００、各々のパラメータ毎にニューラルネット演算を行うパラメータ予測ニューラルネット演算部１１０及び予測されたパラメータを保存するパラメータ予測値保存ファイル１２０にて構成したものである。
【００５７】
プロセスパラメータ情報２０ａ、周囲環境パラメータ情報３０ａは、パラメータ実績値保存ファイル１００に保存される。
パラメータ実績値保存ファイル１００に保存されたパラメータ実績値情報１００ａは、各々のパラメータ毎にニューラルネット演算され、パラメータ予測結果情報１１０ａは予測値保存ファイル１２０に保存される。
【００５８】
使用電力予測ニューラルネット演算部９１では、実績電力情報１０ａと、予測値保存ファイル１２０に保存されたパラメータの予測データ１２０ａを用い、学習・予測を行う。
【００５９】
図８で示した第２の実施例におけるパラメータ予測ニューラルネット演算部８１と、図１２で示した第３の実施例におけるパラメータ予測ニューラルネット演算部１１０との大きな違いは、後者が、プロセスパラメータ、周囲環境パラメータの各パラメータ単位に学習予測を行う方式としている点にある。
【００６０】
パラメータ予測ニューラルネット演算部１１０における予測手順につき、図１３に示す。パラメータ予測ニューラルネット演算部１１０は、現時点Ｔｃまでの実績値をベースにそれ以降の監視周期Ｔｃ＋１、Ｔｃ＋２、Ｔｃ＋３、、、時点でのプロセスパラメータ・周囲環境パラメータ各々を各々のニューラルネットにて予測する。これによりＴｃ＋１時点からＴｍ時点までの各々のパラメータの予測値が求まるが、この順次予測されたパラメータ予測結果情報１１０ａは、パラメータ予測値保存ファイル１２０に保存される。
【００６１】
なお図１４を用い、パラメータ予測ニューラルネット演算部１１０の中のあるパラメータｎに関するパラメータ予測ニューラルネット演算部の動作につき概略説明する。時限Ｔｊに於けるパラメータｎの実績値に基づく時点Ｔｊ＋１に於けるパラメータｎの予測値と、時限Ｔｊ＋１に於けるパラメータｎの実績値は比較処理１１３にて比較され、 この偏差１１４に基づき、重み係数変更処理１１５は、入力ユニット１１６と結合ユニット１１７の結合重み係数１１７Ｐ及び結合ユニット１１７と出力ユニット１１８の結合重み係数１１８Ｐを調整する。
【００６２】
このように、すでに実績値が得られた現時点以前の実績データとその各時点で得られた予測データとを照合し、結合重み係数を学習させておくことにより、Ｔｊ時点のパラメータとＴｊ＋１時点でのパラメータの相関を予め学習して置くことが可能である。
【００６３】
図１５に、本第三の実施例におけるデマンド監視システムにおける使用電力予測の処理に関わる流れにつき特徴的な点のみしめす。基本的に図６で示した処理フロー図において、ブロック４００とブロック５００に関わる部分だけが、第１の実施例における処理フローと異なる点である。
即ち、ブロック４１０のプロセスパラメータ予測とブロック５１０のプロセスパラメータ学習、ブロック４１１の周囲環境パラメータ予測とブロック５１１の周囲環境パラメータ学習、ブロック４２０の使用電力予測とブロック５２０の使用電力学習よりなる。
【００６４】
使用電力量の予測に必要なパラメータ相互に独立性が強い場合は、各々のパラメータの推移を予測するニューラルネット演算処理を組み合わせることによって、使用電力量の予測が可能となるため、ニューラルネット演算のパラメータ間の相関関係の個数を大幅に減じ演算処理の簡素化を図ると共に、パラメータの追加・削除等の処理の保守が容易となる。
【００６５】
また、本方式は、基本的に小型のニューラルネットを複数備え、各々独立に学習・予測を行わせる方式のため、上記学習予測機能の分散処理が可能となり、演算処理の点でも有利となる。
【００６６】
なお、上記した第１から第３の実施例では、学習予測機能として、ニューラルネットによる学習予測機能を例にとって説明したが、勿論、物理モデルで精度良い推定ができるパラメータに対しては、この物理モデルにおけるパラメータチューニングに学習機能を用い、チューニングされた結果に基づき、予測データを求めることも可能である。
【００６７】
さらに、ニューラルネットを利用した予測と、物理モデルによる予測を混用することも一向に構わない。
【００６８】
以上、現時点以降の使用電力量予測を、過去の実績値と過去の予測値を基に学習させたニューラルネットあるいは物理モデルを用い行うことにより、精度良い予測が可能となり、デマンド監視精度が向上し、きめ細かなデマンド制御が可能となる。
【００６９】
【発明の効果】
本発明に依れば、種々の周囲環境パラメータが外乱として複雑にプロセスパラメータに影響を及ぼして明確な数学モデルが容易に得られない受変電設備に於いても、精度の高いデマンド予測が可能となる。
【図面の簡単な説明】
【図１】本発明による一実施形態を示すデマンド監視システムの全体システム構成図である。
【図２】本発明による一実施形態における情報報知部の一例を示す情報報知部機能構成図である。
【図３】本発明による一実施形態における学習予測機能部を、ニューラルネットワークを利用して実現した場合の一例を示す機能構成図である。
【図４】本発明による一実施形態における学習予測機能に基づいた、デマンド監視方式の基本的原理を説明するための図である。
【図５】本発明による一実施形態におけるニューラルネットワークを利用した学習予測機能により使用電力量を予測する手順を示す説明図である。
【図６】本発明による一実施形態を示すデマンド監視システムの処理の流れを示す処理フロー図である。
【図７】本発明による一実施形態における学習予測機能部の第二の実施例を示す機能構成図である。
【図８】本発明による一実施形態における学習予測機能部の第二の実施例において、学習予測機能をニューラルネットワークの適用により実現した場合の構成図である。
【図９】本発明による一実施形態における学習予測機能部の第二の実施例におけるパラメータ予測ニューラルネット演算部の機能構成図である。
【図１０】本発明による一実施形態における学習予測機能部の第二の実施例におけるパラメータ予測ニューラルネット演算部の予測手順を示す説明図である。
【図１１】本発明による一実施形態における学習予測機能部の第二の実施例における使用電力予測の処理の流れを示す処理フロー図である。
【図１２】本発明による一実施形態における学習予測機能部の第三の実施例において、学習予測機能をニューラルネットワークの適用により実現した場合の構成図である。
【図１３】本発明による一実施形態における学習予測機能部の第三の実施例におけるパラメータ予測ニューラルネット演算部の予測手順を示す説明図である。
【図１４】本発明による一実施形態における学習予測機能部の第三の実施例におけるパラメータ予測ニューラルネット演算部の機能構成図である。
【図１５】本発明による一実施形態における学習予測機能部の第三の実施例における使用電力予測の処理の流れを示す処理フロー図である。
【図１６】本発明による一実施形態を示すデマンド監視システムの電力表示画面のうちのデマンド監視画面例である。
【図１７】本発明による一実施形態を示すデマンド監視システムの電力表示画面のうちの警報メッセージ付のデマンド監視画面例である。
【図１８】本発明が適用される一般的な空調制御設備の構成示す図である。
【符号の説明】
１・・・・・・デマンド監視システム、
２・・・・・・電力量計、
２ａ・・・・・電力量パルス信号、
３・・・・・・設備・機器、
３ａ・・・・・設備・機器運転状態信号、
４・・・・・・周囲環境、
４ａ・・・・・周囲環境状態信号、
１０・・・・・電力入力部、
１０ａ・・・・実績電力情報、
２０・・・・・プロセスパラメータ入力部、
２０ａ・・・・プロセスパラメータ情報、
３０・・・・・周囲環境パラメータ入力部、
３０ａ・・・・周囲環境パラメータ情報、
４０・・・・・積算処理部（電力量算出部）、
４０ａ・・・・実績デマンド情報（Ｗｒ）、
４０ｂ・・・・使用デマンドの予測値（Ｗｅ）、
５０・・・・・学習予測機能部、
５０ａ・・・・使用電力予測値（ｄｗ）、
５１・・・・・ニューラルネット演算部、
５２・・・・・電力記憶部、
５２ａ・・・・実績デマンド情報、
５３・・・・・比較処理、
５４・・・・・偏差、
５５・・・・・重み係数変更処理、
５６・・・・・入力ユニット、
５７・・・・・結合ユニット、
５７Ｐ・・・・結合重み係数（入力ユニット−結合ユニット間）、
５８・・・・・出力ユニット、
５８Ｐ・・・・結合重み係数（結合ユニット間−出力ユニット間）、
６０・・・・・予測開始スイッチ、
７０・・・・・情報報知部、
７１・・・・・報知用情報作成部、
７１ａ・・・・報知用情報、
７２・・・・・警報判定部、
７３・・・・・警報出力部、
７３ａ・・・・警報情報、
７４・・・・・画面表示用情報作成部、
７５・・・・・電力表示画面、
８０・・・・・プロセスパラメータ・周囲環境パラメータ学習予測機能部、
８１・・・・・パラメータ予測ニューラルネット演算部、
８１ａ・・・・パラメータ予測結果情報
８２・・・・・パラメータ予測値保存ファイル、
８２ａ・・・・パラメータの予測データ、
８３・・・・・比較処理、
８４・・・・・偏差、
８５・・・・・重み係数変更処理、
８６・・・・・入力ユニット、
８７・・・・・結合ユニット、
８７Ｐ・・・・結合重み係数、
８８・・・・・出力ユニット、
８８Ｐ・・・・結合重み係数、
９０・・・・・使用電力学習予測機能部、
９１・・・・・使用電力予測ニューラルネット演算部、
１００・・・・パラメータ実績値保存ファイル、
１００ａ・・・パラメータ実績値情報、
１１０・・・・パラメータ予測ニューラルネット演算部、
１１０ａ・・・パラメータ予測結果情報、
１１３・・・・比較処理、
１１４・・・・偏差、
１１５・・・・重み係数変更処理、
１１６・・・・入力ユニット、
１１７・・・・結合ユニット、
１１７Ｐ・・・結合重み係数、
１１８・・・・出力ユニット、
１１８Ｐ・・・結合重み係数、
１２０・・・・パラメータ予測値保存ファイル、
１２０ａ・・・パラメータの予測データ、
２００・・・・建物、
２０１・・・・室温、
２０２・・・・空調設備、
２０３・・・・目標温度、
２０４・・・・偏差、
２０５・・・・制御指令値演算、
２０６・・・・コンプレッサ、
２０７・・・・膨張弁、
２０８・・・・コンプレッサ出力制御指令、
２０９・・・・膨張弁開度制御指令、
２１０・・・・周囲温度。
Claims (7)
- 少なくとも一つ以上の電気機器を負荷として含む受変電設備において、前記電気機器の運転状態を示す少なくとも一つ以上のプロセスパラメータ及び前記電気機器の運転状態に外乱要因として影響を及ぼす可能性のある少なくとも一つ以上の周囲環境パラメータの少なくとも一方と、前記受変電設備内の総消費電力、或いは前記総消費電力及び少なくとも一つ以上の前記電気機器毎の個別の消費電力の過去の時間的変化を学習し今後の推移を予測する学習予測機能を有し、デマンド時限終了時点での前記受変電設備内の総消費電力量、或いは前記総消費電力量及び少なくとも一つ以上の前記電気機器の個別の消費電力量を予測し、少なくとも前記総消費電力量予測値を報知する機能を有することを特徴とするデマンド監視システム。
- 少なくとも一つ以上の電気機器を負荷として含む受変電設備において、前記電気機器の運転状態を示す少なくとも一つ以上のプロセスパラメータ及び前記電気機器の運転状態に外乱要因として影響を及ぼす可能性のある少なくとも一つ以上の周囲環境パラメータの過去の時間的変化を学習し今後の推移を予測するパラメータ学習予測機能と、前記受変電設備内の総消費電力、或いは前記総消費電力及び少なくとも一つ以上の前記電気機器毎の個別の消費電力の過去の時間的変化を学習し今後の推移を予測する使用電力学習予測機能を有し、前記パラメータ学習予測機能により予測した前記プロセスパラメータ及び前記周囲環境パラメータの予測値を用い、前記使用電力学習予測機能によりデマンド時限終了時点での前記受変電設備内の総消費電力量、或いは前記総消費電力量及び少なくとも一つ以上の前記電気機器の個別の消費電力量を予測し、少なくとも前記総消費電力量予測値を報知する機能を有することを特徴とするデマンド監視システム。
- 少なくとも一つ以上の電気機器を負荷として含む受変電設備において、少なくとも一つ以上の前記電気機器の運転状態を示すプロセスパラメータの過去の時間的変化を学習し今後の推移を予測するプロセスパラメータ学習予測機能と、少なくとも一つ以上の前記電気機器の運転状態に外乱要因として影響を及ぼす可能性のある周囲環境パラメータの過去の時間的変化を学習し今後の推移を予測する周囲環境パラメータ学習予測機能の少なくとも一方と、前記受変電設備内の総消費電力、或いは前記総消費電力及び少なくとも一つ以上の前記電気機器毎の個別の消費電力の過去の時間的変化を学習し今後の推移を予測する使用電力学習予測機能を有し、前記プロセスパラメータ学習予測機能及び周囲環境パラメータ学習予測機能により予測された前記プロセスパラメータの予測値或いは前記周囲環境パラメータの予測値の少なくとも一方を用い、前記使用電力学習予測機能によりデマンド時限終了時点での前記受変電設備内の総消費電力量、或いは前記総消費電力量及び少なくとも一つ以上の前記電気機器の個別の消費電力量を予測し、少なくとも前記総消費電力量予測値を報知する機能を有することを特徴とするデマンド監視システム。
- 少なくとも一つ以上の電気機器を負荷として含む受変電設備において、前記電気機器の運転状態を示すプロセスパラメータ個々の過去の時間的変化を個別に学習し今後の推移を予測する個別プロセスパラメータ学習予測機能と、前記電気機器の運転状態に外乱要因として影響を及ぼす可能性のある周囲環境パラメータ個々の過去の時間的変化を個別に学習し今後の推移を予測する個別周囲環境パラメータ学習予測機能と、前記プロセスパラメータ及び前記周囲環境パラメータに属するパラメータの少なくとも二つ以上のパラメータの過去の時間的変化を学習し今後の推移を予測する複合パラメータ学習予測機能の少なくとも一つ以上の前記学習予測機能で学習予測されたパラメータを用い、前記受変電設備内の総消費電力、或いは前記総消費電力及び少なくとも一つ以上の前記電気機器毎の個別の消費電力の過去の時間的変化を学習し今後の推移を予測する使用電力学習予測機能を有し、前記使用電力学習予測機能によりデマンド時限終了時点での前記受変電設備内の総消費電力量、或いは前記総消費電力量及び少なくとも一つ以上の前記電気機器の個別の消費電力量を予測し、少なくとも前記総消費電力量予測値を報知する機能を有することを特徴とするデマンド監視システム。
- 少なくとも一つ以上の電気機器を負荷として含む受変電設備において、前記受変電設備内の総消費電力、或いは前記総消費電力及び少なくとも一つ以上の前記電気機器の個別の消費電力につき過去の時間的変化を学習し今後の推移を予測する学習予測機能を有し、デマンド時限終了時点での前記受変電設備内の総消費電力量、或いは前記総消費電力量及び少なくとも一つ以上の前記電気機器の個別の消費電力量を予測し、少なくとも前記総消費電力量予測値を報知する機能を有することを特徴とするデマンド監視システム。
- 請求項１、２、３、４又は５における学習予測機能として、ニューラルネットワークを用いたことを特徴とする、デマンド監視システム。
- 請求項１、２、３、４又は５における学習予測機能として、物理モデルに基づく学習予測方式、及びニューラルネットワークを用いた学習予測方式を組み合わせて用いたことを特徴とする、デマンド監視システム。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2003083399A JP2004297854A (ja) | 2003-03-25 | 2003-03-25 | デマンド監視システム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2003083399A JP2004297854A (ja) | 2003-03-25 | 2003-03-25 | デマンド監視システム |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2004297854A true JP2004297854A (ja) | 2004-10-21 |
Family
ID=33398883
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2003083399A Pending JP2004297854A (ja) | 2003-03-25 | 2003-03-25 | デマンド監視システム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2004297854A (ja) |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2007100134A1 (ja) * | 2006-02-28 | 2007-09-07 | Sanyo Electric Co., Ltd. | デマンド制御装置 |
| WO2008111467A1 (ja) * | 2007-03-09 | 2008-09-18 | Sanyo Electric Co., Ltd. | デマンド制御システム、デマンドコントローラ、デマンドプログラム及びデマンド制御方法 |
| WO2009107698A1 (ja) * | 2008-02-27 | 2009-09-03 | 三菱重工業株式会社 | 空調システム及びビル空調設備の消費電力量予測装置 |
| JP2010071505A (ja) * | 2008-09-17 | 2010-04-02 | Mitsubishi Electric Corp | 空気調和機 |
| JP2011210265A (ja) * | 2010-03-29 | 2011-10-20 | Intel Corp | 自動負荷検出に基づく電力管理 |
| EP1729223A3 (en) * | 2005-06-01 | 2011-12-14 | Sanyo Electric Co., Ltd. | Demand control apparatus, electric power consumption prediction method, and program therefor |
| US8155795B2 (en) | 2007-03-09 | 2012-04-10 | Sanyo Electric Co., Ltd. | Demand control system, demand controller, demand program, and demand controlling method |
| JP2013240140A (ja) * | 2012-05-11 | 2013-11-28 | Toyota Home Kk | 給電制御装置 |
| KR101355978B1 (ko) | 2012-09-20 | 2014-02-03 | 전자부품연구원 | 전력 관리 시스템 및 전력 사용량 예측 방법 |
| JP2014153032A (ja) * | 2013-02-13 | 2014-08-25 | Nakano Refrigerators Co Ltd | 食品店舗機器の集中制御装置 |
| JPWO2017134788A1 (ja) * | 2016-02-04 | 2018-09-20 | 三菱電機株式会社 | 消費電力予測装置、消費電力予測システム、消費電力予測方法、及び、プログラム |
| JP7166395B1 (ja) | 2021-06-23 | 2022-11-07 | セイコーソリューションズ株式会社 | 監視システム、監視方法、及び監視プログラム |
| WO2023140465A1 (ko) * | 2022-01-19 | 2023-07-27 | 삼성전자주식회사 | 전자 장치 및 그 제어 방법 |
| WO2023204321A1 (ko) * | 2022-04-19 | 2023-10-26 | 엘지전자 주식회사 | 전력 소비를 예측하는 인공 지능 장치 및 그 방법 |
| JP7471274B2 (ja) | 2019-03-20 | 2024-04-19 | 本田技研工業株式会社 | 消費エネルギー推定装置、消費エネルギー推定方法、及びプログラム |
-
2003
- 2003-03-25 JP JP2003083399A patent/JP2004297854A/ja active Pending
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1729223A3 (en) * | 2005-06-01 | 2011-12-14 | Sanyo Electric Co., Ltd. | Demand control apparatus, electric power consumption prediction method, and program therefor |
| WO2007100134A1 (ja) * | 2006-02-28 | 2007-09-07 | Sanyo Electric Co., Ltd. | デマンド制御装置 |
| WO2008111467A1 (ja) * | 2007-03-09 | 2008-09-18 | Sanyo Electric Co., Ltd. | デマンド制御システム、デマンドコントローラ、デマンドプログラム及びデマンド制御方法 |
| CN101627515B (zh) * | 2007-03-09 | 2012-06-27 | 三洋电机株式会社 | 需求控制系统、需求控制器以及需求控制方法 |
| US8155795B2 (en) | 2007-03-09 | 2012-04-10 | Sanyo Electric Co., Ltd. | Demand control system, demand controller, demand program, and demand controlling method |
| WO2009107698A1 (ja) * | 2008-02-27 | 2009-09-03 | 三菱重工業株式会社 | 空調システム及びビル空調設備の消費電力量予測装置 |
| JP4680287B2 (ja) * | 2008-09-17 | 2011-05-11 | 三菱電機株式会社 | 空気調和機 |
| JP2010071505A (ja) * | 2008-09-17 | 2010-04-02 | Mitsubishi Electric Corp | 空気調和機 |
| JP2011210265A (ja) * | 2010-03-29 | 2011-10-20 | Intel Corp | 自動負荷検出に基づく電力管理 |
| JP2013240140A (ja) * | 2012-05-11 | 2013-11-28 | Toyota Home Kk | 給電制御装置 |
| KR101355978B1 (ko) | 2012-09-20 | 2014-02-03 | 전자부품연구원 | 전력 관리 시스템 및 전력 사용량 예측 방법 |
| JP2014153032A (ja) * | 2013-02-13 | 2014-08-25 | Nakano Refrigerators Co Ltd | 食品店舗機器の集中制御装置 |
| JPWO2017134788A1 (ja) * | 2016-02-04 | 2018-09-20 | 三菱電機株式会社 | 消費電力予測装置、消費電力予測システム、消費電力予測方法、及び、プログラム |
| JP7471274B2 (ja) | 2019-03-20 | 2024-04-19 | 本田技研工業株式会社 | 消費エネルギー推定装置、消費エネルギー推定方法、及びプログラム |
| JP7166395B1 (ja) | 2021-06-23 | 2022-11-07 | セイコーソリューションズ株式会社 | 監視システム、監視方法、及び監視プログラム |
| JP2023003226A (ja) * | 2021-06-23 | 2023-01-11 | セイコーソリューションズ株式会社 | 監視システム、監視方法、及び監視プログラム |
| WO2023140465A1 (ko) * | 2022-01-19 | 2023-07-27 | 삼성전자주식회사 | 전자 장치 및 그 제어 방법 |
| WO2023204321A1 (ko) * | 2022-04-19 | 2023-10-26 | 엘지전자 주식회사 | 전력 소비를 예측하는 인공 지능 장치 및 그 방법 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2004297854A (ja) | デマンド監視システム | |
| US11188040B2 (en) | Methods of integrating multiple management domains | |
| US8239178B2 (en) | System and method of modeling and monitoring an energy load | |
| CN111047732B (zh) | 一种基于能耗模型和数据交互的设备异常诊断方法及装置 | |
| EP2251614B1 (en) | Air conditioning system and device for predicting building air conditioning facility power consumption amount | |
| CN112050397A (zh) | 一种机房温度调控方法及系统 | |
| JP4843526B2 (ja) | 無線型制御システム | |
| JP2013142494A (ja) | 空調機器制御システムおよび空調機器の制御方法 | |
| KR102170522B1 (ko) | 관람객 수와 환경 변화를 고려한 전시홀 에너지 관리 시스템 | |
| CN109323419A (zh) | 用电高峰控制空调的方法和装置及空调系统和设备 | |
| JP2006207929A (ja) | 空調システムの最適運転制御システムおよび最適運転制御方法 | |
| KR101655247B1 (ko) | Bems 데이터를 이용한 에너지 분석 시스템 | |
| Revati et al. | Load profile prediction in smart building using data driven approaches | |
| KR101710029B1 (ko) | 건물 에너지 분석 시스템 | |
| AU2019292449B2 (en) | Power consumption estimation device | |
| EP3352027B1 (en) | Method and system of smart climatization management | |
| Taylor et al. | Sensor/actuator networks supporting agents for distributed energy management | |
| JP2005090780A (ja) | 空調エネルギー評価システム | |
| Dong et al. | Impact of occupancy-based buildings-to-grid integration on frequency regulation in smart grids | |
| CN116413627A (zh) | 用于对电池状态进行估计的方法及电池监控系统 | |
| JP2006106870A (ja) | プロセス管理装置 | |
| KR102561410B1 (ko) | Ai 기반의 자율제어 통합 빌딩 자동제어 시스템 | |
| JP3102438B2 (ja) | 金属加工ラインの需要電力制御装置 | |
| JP2021189565A (ja) | 施設保守管理システム、施設保守管理方法、及びプログラム | |
| Husein et al. | A simple physics concept approach and internet of things for energy conservation of air conditioner |