JP2014105989A - 建物動力設備のエネルギー消費量予測方法 - Google Patents

Abstract

【課題】建物にエネルギーを供給する動力設備のエネルギー使用量を予測するための方法を得る。
【解決手段】システムは、設備の稼働状態、各種センサの環境パラメータ、そして計測器から収集したエネルギー消費量データを記録する。収集されたデータは、データベースに全て保存される。データベース化された設備エネルギー消費モデルによって、エネルギー消費量の影響度が自動的に選択され、エネルギー消費量とその時間を予測できる。従って、エネルギー消費量の最小化、生産工期や生産期間の最小化という要求を満たす設備の最適スケジューリングを算出することができる。また、ステータスの変更情報を記録し、異なる建物特性に基づいて設備のエネルギー消費量に影響するパラメータを自動的に選定することができる。
【選択図】図１

Description

この発明は、省エネ技術分野に関するもので、設備エネルギー消費量の影響要因を選択し、エネルギー消費量を予測することを可能とする、建物動力設備のエネルギー消費量予測方法に関するものである。

建物のエネルギー消費量は、大量であり、特に、大型商業施設、研究施設、オフィスビルなどで顕著である。省エネの可能性を見つけることの主要な業務は、リアルタイムにエネルギーデータを収集し、管理することである。中国政府、大学、研究機関は、主にデータ解析よりも、データ収集と統計処理に焦点をあてている。また、建物のエネルギー消費の影響要因となるデータを収集していない。さらに、彼らは、エネルギー消費量と設備の状態遷移の時間に関心がない。我々は、これらの情報を入手することで、設備の最適なスケジューリング計画を見つけることができる。

大型商業施設、ホテル、オフィスビルにおいて、空気調和システムのエネルギー消費量は、総エネルギー消費量の５０〜６０％を占めており、省エネの可能性は、大きい。空気調和のエネルギー消費量の現状の予測方法は、重回帰、時系列解析、人工ニューラルネットワークなどである。これらの予測方法は、膨大な過去のエネルギー消費量データが必要である。そして、また、予測は、エネルギー消費量の影響要因データを必要とする。

現在、空気調和エネルギー消費量の影響要因を決定するための方法には、エネルギー消費シミュレーションソフトウエア（Ｄｅｓｔ−ｈ， Ｄｏｅ−２， ＥｎｅｒｇｙＰｌｕｓ）による方法、直交分析法、主成分分析などがある。これらの方法は、大量の計算が必要である。そして、異なるビルに対しては、この方法は普遍的ではない。ほとんどの事例では、何名かの研究者が経験によって、影響する要因を決定している。そして、間違った選択は、間違った予測を導く可能性がある。

発明は、現実の問題を解決するために、設備エネルギー消費量の予測方法とともに、パラメータ最適化方法を提供することを目的としている。

本発明にかかる建物動力設備のエネルギー消費量予測方法は、以下を含んでいる。
エネルギー供給設備のエネルギー消費量と影響要因が収集される。次に、設備の状態遷移情報が収集される。そして、状態が変わるときのエネルギー消費量が計算される。全てのデータがデータ集合に保存される。ファンのように、稼働状態が離散型で、エネルギー消費量の影響要因が単一の設備に対しては、この方法は、エネルギー消費量、生産工期、生産時間を最小化する最適スケジュールを提供できる。空気調和設備のように、稼働状態が連続型でエネルギー消費量の影響要因が複雑な設備に対しては、発明の方法が意思決定木アルゴリズムに基づいて影響要因を決定し、それからエネルギー消費量がバックプロパゲーション型ニューラルネットワークアルゴリズムによって予測される。

本発明によれば、設備エネルギー消費量、影響要因、状態遷移情報を記録することができる。さらに、本発明によれば、異なる建物の正しい影響要因を選択できる。

本発明の実施の形態１における建物動力設備のエネルギー消費量予測方法を実行する装置の構成図である。 本発明の実施の形態１における建物動力設備のエネルギー消費量予測方法の全体の処理の流れを示すフローチャートである。 本発明の実施の形態１における建物の省エネのためのデータ監視プロセスの流れを示すフローチャートである。 本発明の実施の形態１のデータ分析プロセスにおける空気調和設備のエネルギー消費量のモデルに関するフローチャートである。

以下、本発明の建物動力設備のエネルギー消費量予測方法の好適な実施の形態につき図面を用いて説明する。

実施の形態１．
この方法のステップは、次のとおりである。
１．データ記録と保存
設備パラメータとエネルギー消費量が計測される。計測機器は、電流計、電圧計、温度センサ、湿度センサ、速度計などを含んでいる。異なる状態のパラメータ値の一例を、下表１に示す。

モード検知部は、状態の変更を検知し、データベースに、その状態を保存する。

２．データに基づく設備操業モデル
（１）空気調和設備に対して、その方法は、適切な影響要因を選択し、エネルギー消費量予測モデルの構築を可能とする。
１）エネルギー消費量と影響要因データは、データ集合Ｄ１に保存される。置換法を用いないサンプリングがＤ１に適用され、データ集合（サンプリングデータセット）Ｄ２が生成される。データ量は、削減され、分析効率が向上する。

２）２分木分類アルゴリズムがデータ集合Ｄ２に適用される。Ｇｉｎｉ係数は、分類の基本であり、回帰分類木が構築される。悲観的誤差枝刈りアルゴリズム（ＰＥＰ：ｐｅｓｓｉｍｉｓｔｉｃ ｅｒｒｏｒ ｐｒｕｎｉｎｇ）が木を枝刈りするために使われる。ＰＥＰは、ルートのノードから決定木をスキャンする。ＰＥＰは、各分岐ノードが枝刈りあるいは置き換え後に、期待誤差率を計算する。確信度ｃに対して、ＰＥＰは、誤りの合計がＮ Ｂｅｒｎｏｕｌｌｉ分布に従うと考える。したがって、確率Ｐは、下式（１）となる。

ここで、ｑは、推定誤差率、Ｎは、枝刈りされる部分木の数、Ｅは、枝刈り後の誤りの数、ｆ＝Ｅ／Ｎは、実際に観測された誤り率である。

Ｚ＝μ_１−ｃとすることによって、信頼区間の上限値がノードの悲観的誤差率の期待値と考えられる。

次に、ノードｑの予測悲観的誤差率は、下式（２）である。

期待誤差率の閾値ｃが与えられると、ノードＡが枝刈りされるとき、ｑ≦ｃならば、部分木Ａが枝刈りされ、それ以外は、部分木Ａが保存される。

３）枝刈りされた木の分類ルールが抽出される。そのルールは、影響要因パラメータである。
４）その手法は、生成されたデータ集合Ｄ１とデータ集合Ｄ１’に対して、不必要な影響要因パラメータを削除する。空気調和設備のエネルギー消費量は、バックプロパゲーションネットワークによって予測される。シグモイド関数が活性化層（中間層）に適用され、入力層には空気調和エネルギー消費量データと影響要因データが入力される。

（２）稼働状態が離散型で、エネルギー消費量の影響要因が単一な設備に対しては、稼働状態予測モデルが構築される。そのモデルは、状態遷移時のエネルギー消費量とその時間を予測できる。

３．モデル分析
（１）そのモデルは、エネルギー消費量、生産工期、生産時間を最小化するための最適なスケジュールを提供できる。
（２）記録データによって異常なエネルギー消費量データを確認することができる。異常なデータの原因は、管理戦略を改善するために、そして省エネの目的を達成するために分析される。

図１は、本発明の実施の形態１における建物動力設備のエネルギー消費量予測方法を実行する装置の構成の一例である。建物１０には複数の設備２０がある。

システムは、サブシステムを管理する監視制御システム１００、電流計１２０、電圧計１３０、温度センサ１４０、湿度センサ１５０、速度計１６０、その他のセンサ１７０などの複数のセンサ１１０、外部システムからの入力データと監視制御システムのデータを送信／印刷／表示する入出力部１８０、状態変化を検知し、データベース３００へその情報を保存するモード検知部２００、測定データとモデルデータ３１０を記録するデータベース３００、設備モデルを生成するモデリング部４００、データベース３００に記録されたデータを検索する検索部５００、シミュレーションモデルを用いて不明な状態をシミュレーションする予測部６００、設備モデルを修正する補正部７００、オペレーションの代替スケジュールを立案するスケジューラ８００、計測データとモデルデータを用いて改善点を見つける分析部９００から構成される。なお、センサの計測値は、監視制御システムへ送信される。

図２は、本発明の実施の形態１における建物動力設備のエネルギー消費量予測方法の全体の処理の流れを示すフローチャートである。

（１）この発明の全体の処理の流れは、次のとおりである。
ステップＳ１２０において、監視制御システム１００は、モデルデータ３１０をデータベース３００から入力する処理を実行する。モデルデータ３１０は、設備のエネルギー消費量モデル、エネルギーフローモデル、および外部環境モデルなどから構成される。

次に、ステップＳ１３０において、ユーザーがデータ取得とデータ分析のどちらを実行するかの判断を行う。ユーザーがデータ取得を選択した場合には、ステップＳ１４０へ進み、データ取得の処理を実行する。次に、ユーザーが、ステップＳ１６０において、作業の計画（スケジュール）を立案したいのであれば、ステップＳ１７０へ進み、温度、湿度、風速、照度などの新しい作業状態を入力する。一方、ユーザーが新しい作業計画を作成したくないのであれば、ステップＳ１４０とＳ１６０を繰り返す。

次に、ステップＳ１８０において、検索部５００と予測部６００が、下表２に示される作業条件間の状態遷移マトリクスを生成する。

このマトリクスは、ステップＳ１７０で入力される作業状態の全ての組合せを含む。例えば、４つの作業状態があるとすれば、その作業状態の遷移の組合せの数は、１２（_４Ｐ_２）である。検索部５００は、データベース３００にあるデータを用いて、このマトリクスを部分的に生成し、予測部６００は、モデル３１０を用いてマトリクスの残りの部分を生成する。

次に、ステップＳ１９０において、スケジューラ８００は、作業スケジュールの複数の代替案、それらの作業時間、エネルギー消費量、エネルギーコスト、二酸化炭素排出量を出力する。次に、ユーザーは、ステップＳ２００において、その中から１つの計画を選択し、ステップＳ２１０において、その計画を実行する。

次に、ユーザーが、先のステップＳ１３０においてデータ分析を処理した場合には、ステップＳ１５０に進み、分析部９００が、省エネの改善点を見つけるためのデータ分析を実行する。

次に、ステップＳ２３０において、ユーザーが省エネのために現在の作業を改善したいのであれば、ユーザーは、ステップＳ２４０において、省エネのための改善を行う。一方、ユーザーが、現在の作業を改善したくないのであれば、ステップＳ２２０へ進む。

次に、ステップＳ２２０において、ユーザーが作業を終了したいのであれば、ステップＳ２５０へ進み、全体の作業を終了する。一方、もし、ユーザーが作業を継続したいのであれば、ステップＳ１３０へ進み、これ以降の処理を繰り返す。

（２）データ取得手続きの詳細
図３は、本発明の実施の形態１における建物の省エネのためのデータ監視プロセスの流れを示すフローチャートであり、図２におけるステップＳ１４０のデータ取得手続きのフローチャートである。

最初に、ステップＳ３１０において、電流計１２０、電圧計１３０、温度センサ１４０、湿度センサ１５０、速度計１６０、その他のセンサ１７０などの複数センサ１１０が、各計測値を計測する。モード検知部２００は、ステップＳ３２０において、計測値の変化を計算する。

モード検知部２００は、ステップＳ３３０において、計測値を、設定値型と自由値型の２つの計測値の型に分類する。設定値型に対応する計測値は、基本的に同じ状態では一定である。しかし、計測値は、状態が変化しているとき、前の状態から次の状態へ変化していてもよい。そして、自由値型の値が一定の間は、計測値は、前の状態と後の状態でも一定である。例えば、分類は、閾値として入力パラメータＴＨＶを設定することで実現できる。

計測値の平均、および変化率は、それぞれ、下式（３）、（４）で示される。

例えば、次の式（５）により、ｊ_ｉを決定する。なお、下式（５）は、条件の一例であり、別の式を使ってもよい。

モード検知部２００は、下式（６）と（７）を用いて、ｃとｄを算出する。

もし、ｃ≦ＴＨＶ４かつｄ≦ＴＨＶ５ならば、測定値ν_ｉ、ｎは、設定値型である。それ以外ならば、ν_ｉ、ｎは、自由値型である。なお、閾値ＴＨＶ１、ＴＨＶ２、ＴＨＶ３、ＴＨＶ４、ＴＨＶ５は、計測されるシステムに応じて入力される。事前に測定値の型がわかっているならば、あらかじめ計測値の型を設定してもよい。例えば、温度、湿度、風速などは、設定値型として各計測値の型を設定してもよい。

モード検知部２００は、ステップＳ３４０において、現在の状態を認識する。ステップＳ３５０において、もし、前の状態が現在の状態と異なっていれば、モード検知部２００は、ステップＳ３６０において、前の状態の完了時刻を保存する。この操作は、上式（６）のＭを２とし、ｃ＝０．５となる時刻を検索することによって実現できる。

次に、モード検知部２００は、ステップＳ３８０において、現在の状態とその開始時刻を保存する。次に、モード検知部２００は、ステップＳ３９０において、前の状態のモデルを作成する。

次に、ステップＳ４００において、検索部５００は、データベース３００内に、前回の状態が存在するか否かを検索する。データベース３００に前の状態を検出した場合には、ステップＳ４１０において、補正部７００が、前の状態のモデルを修正し、モード検知部２００が、データベース３００にモデルを保存する。一方、もし、前の状態がデータベース３００に存在しなかった場合には、ステップＳ４２０において、モード検知部２００は、データベースに前の状態のモデルを保存する。

次に、ステップＳ４３０において、処理終了の信号を受け取った場合には、モード検知部２００は、この一連の処理手続きを終了する。一方、ステップＳ４３０において、処理終了の信号を受け取らなかった場合には、モード検知部２００は、ステップＳ３７０において、計測データを保存し、ステップＳ３１０からＳ４３０を繰り返す。また、先のステップＳ３５０において、前の状態が現在の状態と同じであった場合にも、モード検知部２００は、ステップＳ３７０において、計測データを保存し、ステップＳ３１０からＳ４３０を繰り返す。

（３）モデリング
空気調和設備に対して、モデリング処理が、次のように実行される。なお、図４は、本発明の実施の形態１のデータ分析プロセスにおける空気調和設備のエネルギー消費量のモデルに関するフローチャートである。
１）あるオフィスビルに対して、時間毎の空気調和設備のエネルギー消費量データと影響要因が収集され、データ集合Ｄ１に保存される。影響要因データは、外部温度（Ｔ）、外部相対湿度（Ｈ）、風速（Ｗｓ）、日射量（Ｓ）、人数（Ｎ）、時間の型（Ｈｏｕｒ）、週の型（Ｗｅｅｋ）を含んでいる。Ｄ１の１０％のデータを抽出して、データ集合Ｄ２を生成する。

２）Ｇｉｎｉ係数は、分類標準として使われ、ＰＥＰ分岐アルゴリズムは、分類回帰木の分岐を枝刈りするために用いられる。

３）分類ルールの抽出は、外部温度（Ｔ）、外部相対湿度（Ｈ）、風速（Ｗｓ）、日射量（Ｓ）、人数（Ｎ）、時間の型（Ｈｏｕｒ）、週の型（Ｗｅｅｋ）が影響要因として考えられる。データ集合Ｄ１は、Ｄ１’に更新される。

４）３階層のバックブロパゲーション型ニューラルネットワークモデルが使われる。ニューラルネットワークの仕様は、次のとおりである。入力層は、２８点、これは予測する日の前の１日２４時間の負荷の値と４つの影響要因である。中間層は、１２点。出力層は２４点であり、予測日の２４時間の負荷の値である。計算結果から、影響要因の数を簡略すると、ニューラルネットワークの計算能力が向上し、計算時間が短縮され、同時に、予測精度が２％向上できたことがわかる。

１０ 建物、２０ 設備、１００ 監視制御システム、１１０ 複数センサ、１２０ 電流計、１３０ 電圧計、１４０ 温度センサ、１５０ 湿度センサ、１６０ 速度計、１７０ その他センサ、１８０ 入出力部、２００ モード検知部、３００ データベース、３１０ モデル、４００ モデリング部、５００ 検索部、６００ 予測部、７００ 補正部、８００ スケジューラ、９００ 分析部。

Claims (2)

1. 建物動力設備のエネルギー消費量予測方法であって、
   電圧計、電流計、温度センサ、湿度センサを用いて、電圧、電流、温度、湿度を測定することで、設備の操業パラメータ、環境パラメータを測定する第１ステップと、
   モード検知部を用いて、前記第１ステップにより測定された前記操業パラメータおよび前記環境パラメータに基づいて、設備の稼働状態が変更になったかを検出し、変更があった場合には、変更後の新しい状態、パラメータ、状態変更の時間を全ての記録として、データベースに保存する第２ステップと、
   稼働状態が連続データでエネルギー消費量の影響要因が複雑である設備に対しては、影響要因を自動的に選択し、前記第２ステップにより前記データベースに保存された前記全ての記録に基づいて、エネルギー消費量を予測する第３ステップと、
   稼働状態が離散データでエネルギー消費量の影響要因が単一の設備に対しては、操業の状態の予測モデルを生成し、前記第２ステップにより前記データベースに保存された前記全ての記録に基づいて、エネルギー消費量と状態遷移の時間を予測する第４ステップと、
   ユーザーの要求に応じて、エネルギー消費量、生産工期、生産期間を最小化する最適なスケジュールを立案するために、設備モデルを用いる第５ステップと、
   前記第２ステップにより前記データベースに保存された前記全ての記録に基づいて、異常なエネルギー消費量のデータを検知し、管理戦略を改善する目的、およびエネルギー消費量を削減する目的を達成するために前記データを解析する第６ステップと
   を備える建物動力設備のエネルギー消費量予測方法。
2. 請求項１に記載の建物動力設備のエネルギー消費量予測方法において、
   前記第３ステップは、
   空気調和設備に対して、設備のエネルギー消費量に影響する可能性のある全ての影響要因データを収集し、基本となるデータ集合に保存する第３１ステップと、
   前記基本となるデータ集合に対して、置換法を用いないサンプリングを適用してサンプリングデータを生成し、１つのテストデータ集合に保存する第３２ステップと、
   前記テストデータ集合に対して、分類回帰木アルゴリズムを適用するとともに、最もよい予測精度と木の大きさを得るために分類木に対して改善枝刈りアルゴリズムを適用する第３３ステップと、
   空気調和のエネルギー消費量に最も影響するパラメータである分類ルールを抽出する第３４ステップと、
   前記第３４ステップにより抽出された前記分類ルールを、前記基本となるデータ集合に適用し、バックプロパゲーション型ニューラルネットワークアルゴリズムを利用して、空気調和設備のエネルギー消費量を予測する第３５ステップと
   を含む建物動力設備のエネルギー消費量予測方法。

Images