JP2019015486A - Ｖａｖシステムおよび空調制御方法 - Google Patents

Abstract

【課題】被制御エリアの温度制御のばらつきを改善する。
【解決手段】ＶＡＶコントローラ４ａ−１，４ａ−２，４ａ−３は、ロードリセット制御時に被制御エリア８−１，８−２，８−３の室内温度と設定風量のデータを記録し、ニューラルネットワークの学習を行う。空調コントローラ５ａは、ロードリセット制御時に被制御エリア８−１，８−２，８−３の室内温度と給気温度設定値のデータを記録し、ニューラルネットワークの学習を行う。ＶＡＶコントローラ４ａ−１，４ａ−２，４ａ−３は、学習後の通常の制御時に被制御エリア８−１，８−２，８−３の室内温度に対応する設定風量をニューラルネットワークにより決定する。空調コントローラ５ａは、通常の制御時に被制御エリア８−１，８−２，８−３の室内温度に対応する給気温度設定値をニューラルネットワークにより決定する。
【選択図】 図１

Description

本発明は、空調システムに係り、特に空調機と複数の変風量ユニットとを備えたＶＡＶシステムおよび空調制御方法に関するものである。

従来のＶＡＶ（Variable Air Volume）システムのロードリセット制御は、ユーザが設定した室内温度となるように、空調機の給気温度設定をＶＡＶの負荷状況に追随して自動調整する制御である（特許文献１、特許文献２参照）。図３３は従来のＶＡＶシステムの構成を示すブロック図である。ＶＡＶシステムは、空調機１と、空調機１からの給気を被制御エリア８−１，８−２，８−３へ供給する給気ダクト２と、被制御エリア８−１，８−２，８−３へ供給する給気の量を被制御エリア毎に制御する変風量ユニットであるＶＡＶユニット３−１，３−２，３−３と、ＶＡＶユニット３−１，３−２，３−３を制御するＶＡＶコントローラ４−１，４−２，４−３と、空調機１を制御する空調コントローラ５と、被制御エリア８−１，８−２，８−３の室内温度を計測する温度センサ６−１，６−２，６−３と、給気の温度を計測する温度センサ７とを備えている。図３３において、９−１，９−２，９−３は給気の吹出口である。

空調機１によって冷却または加熱された空気（給気）は、給気ダクト２を介して各被制御エリア８−１，８−２，８−３のＶＡＶユニット３−１，３−２，３−３へ供給され、ＶＡＶユニット３−１，３−２，３−３を通過して吹出口９−１，９−２，９−３から各被制御エリア８−１，８−２，８−３へ供給されるようになっている。

ＶＡＶコントローラ４−１，４−２，４−３は、被制御エリア８−１，８−２，８−３の温度センサ６−１，６−２，６−３によって計測された室内温度と室内温度設定値との偏差に基づいて被制御エリア８−１，８−２，８−３の設定風量を演算して設定風量値を空調コントローラ５へ送る一方、その設定風量を確保するように、ＶＡＶユニット３−１，３−２，３−３内のダンパ（不図示）の開度を制御する。

空調コントローラ５は、各ＶＡＶコントローラ４−１，４−２，４−３から送られてくる設定風量値からシステム全体の要求風量値を演算し、この要求風量値に応じたファン回転数を求め、この求めたファン回転数となるように空調機１を制御する。また、空調コントローラ５は、温度センサ７によって計測された給気温度が給気温度設定値と一致するように、空調機１に供給される熱媒（冷水や温水）の流量を制御する。

以上のようなＶＡＶシステムにおいて、各ＶＡＶコントローラ４−１，４−２，４−３は、空調能力が不足状態のときに空調コントローラ５に対して空調能力増の要求ステータスを送出する。例えば図３３の例では、各ＶＡＶコントローラ４−１，４−２，４−３の設定風量が０．１ｍ³／ｓで、各被制御エリア８−１，８−２，８−３の室内温度設定値が２８℃の場合に、会議室である被制御エリア８−２に人が集中し、被制御エリア８−２の室内温度が３０℃に上昇した場合を示している。

被制御エリア８−２に居る人が暑いと感じて、被制御エリア８−２の室内温度設定値を下げると、ＶＡＶコントローラ４−２は、ＶＡＶユニット３−２のダンパを開けて、被制御エリア８−２の室内温度が室内温度設定値に近づくように設定風量を制御する。このとき、ＶＡＶユニット３−２のダンパが全開であるにも拘わらず、被制御エリア８−２の室内温度設定値と室内温度との偏差を解消できない場合、ＶＡＶコントローラ４−２は、空調コントローラ５に対して冷房能力増要求ステータスを送出する。空調コントローラ５は、ＶＡＶコントローラ４−２からの冷房能力増要求ステータスに応じて、給気温度設定値を例えば所定幅だけ下げる。こうして、従来のＶＡＶシステムでは、室内に必要な熱量だけを投入し、省エネルギーを実現している。

空調機１の風量、給気ダクト２やＶＡＶユニット３−１，３−２，３−３のダクトの大きさ、ＶＡＶユニット３−１，３−２，３−３の最小風量・最大風量などは、計装設計時に決まる。試運転時は被制御エリア内の温度制御が設計どおりとなるように、ＶＡＶコントローラ４−１，４−２，４−３および空調コントローラ５のパラメータを調整している。しかしながら、建物にテナントが入るようになると、ＶＡＶの被制御エリアの区画とは無関係に間仕切りされたり、被制御エリアの一部が倉庫として使われたりするなどして、ＶＡＶユニットからの空気の流れが変わり、温度制御が設計どおりにいかなくなる問題が起きている。

このような状況下で、居室内のユーザから「暑い」という苦情が生じると、該当する被制御エリアの室内温度設定値を強制的に下げる対策が必要となり、場合によっては、室内温度設定値の下げ過ぎが要因となり、増エネルギーとなる。
なお、以上のような問題は温度制御だけでなく、湿度制御においても同様に発生する。

特許第３２５４６２１号明細書 特許第３３００９６４号明細書

本発明は、上記課題を解決するためになされたもので、被制御エリアの温度制御のばらつきを改善することができるＶＡＶシステムおよび空調制御方法を提供することを目的とする。
また、本発明は、被制御エリアの湿度制御のばらつきを改善することができるＶＡＶシステムおよび空調制御方法を提供することを目的とする。

本発明のＶＡＶシステムは、空調機と、この空調機から複数の被制御エリアに供給される給気の温度と給気温度設定値とが一致するように前記給気の温度を制御するように構成された給気温度制御部と、被制御エリア毎に設けられた変風量ユニットと、ロードリセット制御のときに空調能力が不足状態の場合に空調能力が増える方向に前記給気温度設定値を設定するように構成された給気温度設定部と、前記ロードリセット制御のときに前記空調機から前記被制御エリアに供給される給気の設定風量を前記被制御エリアの負荷状況に応じて被制御エリア毎に算出するように構成された設定風量算出部と、前記設定風量に応じて前記変風量ユニットを被制御エリア毎に制御するように構成された制御部と、前記ロードリセット制御の後の通常の制御時に前記被制御エリアの室内温度に対応する前記設定風量を第１のニューラルネットワークにより被制御エリア毎に決定するように構成された設定風量決定部と、前記通常の制御時に前記複数の被制御エリアの室内温度に対応する前記給気温度設定値を第２のニューラルネットワークにより決定するように構成された給気温度決定部と、前記通常の制御に入る前に前記ロードリセット制御のときに収集した被制御エリア毎の室内温度と被制御エリア毎の設定風量とに基づいて、前記第１のニューラルネットワークの学習を被制御エリア毎に行うように構成された第１の学習部と、前記通常の制御に入る前に前記ロードリセット制御のときに収集した前記複数の被制御エリアの室内温度と前記給気温度設定値とに基づいて、前記第２のニューラルネットワークの学習を行うように構成された第２の学習部とを備えることを特徴とするものである。

また、本発明のＶＡＶシステムは、空調機と、この空調機から複数の被制御エリアに供給される給気の温度と給気温度設定値とが一致するように前記給気の温度を制御するように構成された給気温度制御部と、前記給気の湿度と給気湿度設定値とが一致するように前記給気の湿度を制御するように構成された給気湿度制御部と、被制御エリア毎に設けられた変風量ユニットと、ロードリセット制御のときに空調能力が不足状態の場合に空調能力が増える方向に前記給気温度設定値を設定するように構成された給気温度設定部と、前記ロードリセット制御のときに前記給気湿度設定値を設定するように構成された給気湿度設定部と、前記ロードリセット制御のときに前記空調機から前記被制御エリアに供給される給気の設定風量を前記被制御エリアの負荷状況に応じて被制御エリア毎に算出するように構成された設定風量算出部と、前記設定風量に応じて前記変風量ユニットを被制御エリア毎に制御するように構成された制御部と、前記ロードリセット制御の後の通常の制御時に前記被制御エリアの室内湿度に対応する前記設定風量を第１のニューラルネットワークにより被制御エリア毎に決定するように構成された設定風量決定部と、前記通常の制御時に前記複数の被制御エリアの室内湿度に対応する前記給気温度設定値を第２のニューラルネットワークにより決定するように構成された給気温度決定部と、前記通常の制御時に前記複数の被制御エリアの室内湿度に対応する前記給気湿度設定値を第３のニューラルネットワークにより決定するように構成された給気湿度決定部と、前記通常の制御に入る前に前記ロードリセット制御のときに収集した被制御エリア毎の室内湿度と被制御エリア毎の設定風量とに基づいて、前記第１のニューラルネットワークの学習を被制御エリア毎に行うように構成された第１の学習部と、前記通常の制御に入る前に前記ロードリセット制御のときに収集した前記複数の被制御エリアの室内湿度と前記給気温度設定値とに基づいて、前記第２のニューラルネットワークの学習を行うように構成された第２の学習部と、前記通常の制御に入る前に前記ロードリセット制御のときに収集した前記複数の被制御エリアの室内湿度と前記給気湿度設定値とに基づいて、前記第３のニューラルネットワークの学習を行うように構成された第３の学習部とを備えることを特徴とするものである。

また、本発明のＶＡＶシステムは、空調機と、この空調機から複数の被制御エリアに供給される給気の温度と給気温度設定値とが一致するように前記給気の温度を制御するように構成された給気温度制御部と、被制御エリア毎に設けられた変風量ユニットと、ロードリセット制御のときに空調能力が不足状態の場合に空調能力が増える方向に前記給気温度設定値を設定するように構成された給気温度設定部と、前記ロードリセット制御のときに前記空調機から前記被制御エリアに供給される給気の設定風量を前記被制御エリアの負荷状況に応じて被制御エリア毎に算出するように構成された設定風量算出部と、前記設定風量に応じて前記変風量ユニットを被制御エリア毎に制御するように構成された制御部と、前記被制御エリアの温熱環境の快適度を示す温冷感評価指標値を被制御エリア毎に算出するように構成された温冷感評価指標値算出部と、前記ロードリセット制御の後の通常の制御時に前記被制御エリアの温冷感評価指標値に対応する前記設定風量を第１のニューラルネットワークにより被制御エリア毎に決定するように構成された設定風量決定部と、前記通常の制御時に前記複数の被制御エリアの温冷感評価指標値に対応する前記給気温度設定値を第２のニューラルネットワークにより決定するように構成された給気温度決定部と、前記通常の制御に入る前に前記ロードリセット制御のときに収集した被制御エリア毎の温冷感評価指標値と被制御エリア毎の設定風量とに基づいて、前記第１のニューラルネットワークの学習を被制御エリア毎に行うように構成された第１の学習部と、前記通常の制御に入る前に前記ロードリセット制御のときに収集した前記複数の被制御エリアの温冷感評価指標値と前記給気温度設定値とに基づいて、前記第２のニューラルネットワークの学習を行うように構成された第２の学習部とを備えることを特徴とするものである。

また、本発明のＶＡＶシステムは、空調機と、この空調機から複数の被制御エリアに供給される給気の温度と給気温度設定値とが一致するように前記給気の温度を制御するように構成された給気温度制御部と、前記給気の湿度と給気湿度設定値とが一致するように前記給気の湿度を制御するように構成された給気湿度制御部と、被制御エリア毎に設けられた変風量ユニットと、ロードリセット制御のときに空調能力が不足状態の場合に空調能力が増える方向に前記給気温度設定値を設定するように構成された給気温度設定部と、前記ロードリセット制御のときに前記給気湿度設定値を設定するように構成された給気湿度設定部と、前記ロードリセット制御のときに前記空調機から前記被制御エリアに供給される給気の設定風量を前記被制御エリアの負荷状況に応じて被制御エリア毎に算出するように構成された設定風量算出部と、前記設定風量に応じて前記変風量ユニットを被制御エリア毎に制御するように構成された制御部と、前記被制御エリアの温熱環境の快適度を示す温冷感評価指標値を被制御エリア毎に算出するように構成された温冷感評価指標値算出部と、前記ロードリセット制御の後の通常の制御時に前記被制御エリアの温冷感評価指標値に対応する前記設定風量を第１のニューラルネットワークにより被制御エリア毎に決定するように構成された設定風量決定部と、前記通常の制御時に前記複数の被制御エリアの温冷感評価指標値に対応する前記給気温度設定値を第２のニューラルネットワークにより決定するように構成された給気温度決定部と、前記通常の制御時に前記複数の被制御エリアの温冷感評価指標値に対応する前記給気湿度設定値を第３のニューラルネットワークにより決定するように構成された給気湿度決定部と、前記通常の制御に入る前に前記ロードリセット制御のときに収集した被制御エリア毎の温冷感評価指標値と被制御エリア毎の設定風量とに基づいて、前記第１のニューラルネットワークの学習を被制御エリア毎に行うように構成された第１の学習部と、前記通常の制御に入る前に前記ロードリセット制御のときに収集した前記複数の被制御エリアの温冷感評価指標値と前記給気温度設定値とに基づいて、前記第２のニューラルネットワークの学習を行うように構成された第２の学習部と、前記通常の制御に入る前に前記ロードリセット制御のときに収集した前記複数の被制御エリアの温冷感評価指標値と前記給気湿度設定値とに基づいて、前記第３のニューラルネットワークの学習を行うように構成された第３の学習部とを備えることを特徴とするものである。

また、本発明のＶＡＶシステムの１構成例において、前記温冷感評価指標値は、ＰＭＶであり、被制御エリア毎に設けられた輻射センサの出力熱画像に基づいて平均放射温度を被制御エリア毎に算出するように構成された放射温度算出部と、前記輻射センサの出力熱画像または被制御エリア毎に設けられたカメラの出力画像に基づいて被制御エリアに居る人の活動量を被制御エリア毎に算出するように構成された活動量算出部と、前記輻射センサの出力熱画像または前記カメラの出力画像に基づいて被制御エリアに居る人の着衣量を被制御エリア毎に算出するように構成された着衣量算出部と、前記変風量ユニットによって計測された風量から得られる値、被制御エリア毎の気流速度センサによって計測された値、および固定値のいずれかを被制御エリア毎の気流速度として採用するように構成された気流速度導出部とをさらに備え、前記温冷感評価指標値算出部は、温度センサによって計測された被制御エリア毎の室内温度と湿度センサによって計測された被制御エリア毎の室内湿度と前記平均放射温度と前記活動量と前記着衣量と前記気流速度とに基づいて前記ＰＭＶを被制御エリア毎に算出することを特徴とするものである。

本発明によれば、従来のロードリセット制御で空調を動かしながら、室内温度、設定風量および給気温度設定値を収集して、収集したデータに基づいて設定風量決定部と給気温度決定部のニューラルネットワークの学習を行う。そして、学習後にニューラルネットワークを使う通常の制御に切り替えることにより、被制御エリアの温度制御のばらつきを改善することができる。

また、本発明では、従来のロードリセット制御で空調を動かしながら、室内湿度、設定風量、給気温度設定値および給気湿度設定値を収集して、収集したデータに基づいて設定風量決定部と給気温度決定部と給気湿度決定部のニューラルネットワークの学習を行う。そして、学習後にニューラルネットワークを使う通常の制御に切り替えることにより、被制御エリアの温度制御、湿度制御のばらつきを改善することができる。

また、本発明では、従来のロードリセット制御で空調を動かしながら、温冷感評価指標値、設定風量および給気温度設定値を収集して、収集したデータに基づいて設定風量決定部と給気温度決定部のニューラルネットワークの学習を行う。そして、学習後にニューラルネットワークを使う通常の制御に切り替えることにより、被制御エリアの温度制御のばらつきを改善することができる。

また、本発明では、従来のロードリセット制御で空調を動かしながら、温冷感評価指標値、設定風量、給気温度設定値および給気湿度設定値を収集して、収集したデータに基づいて設定風量決定部と給気温度決定部と給気湿度決定部のニューラルネットワークの学習を行う。そして、学習後にニューラルネットワークを使う通常の制御に切り替えることにより、被制御エリアの温度制御、湿度制御のばらつきを改善することができる。

図１は、本発明の第１の実施例に係るＶＡＶシステムの構成を示すブロック図である。 図２は、本発明の第１の実施例に係るＶＡＶシステムのＶＡＶコントローラの構成を示すブロック図である。 図３は、本発明の第１の実施例に係るＶＡＶシステムの空調コントローラの構成を示すブロック図である。 図４は、本発明の第１の実施例に係るＶＡＶコントローラのロードリセット制御時の動作を説明するフローチャートである。 図５は、本発明の第１の実施例に係る空調コントローラのロードリセット制御時の動作を説明するフローチャートである。 図６は、本発明の第１の実施例に係るＶＡＶコントローラのニューラルネットワークの学習時の動作を説明するフローチャートである。 図７は、本発明の第１の実施例に係る空調コントローラのニューラルネットワークの学習時の動作を説明するフローチャートである。 図８は、本発明の第１の実施例に係るＶＡＶコントローラのニューラルネットワークの学習後の動作を説明するフローチャートである。 図９は、本発明の第１の実施例に係る空調コントローラのニューラルネットワークの学習後の動作を説明するフローチャートである。 図１０は、本発明の第２の実施例に係るＶＡＶシステムの構成を示すブロック図である。 図１１は、本発明の第２の実施例に係るＶＡＶシステムのＶＡＶコントローラの構成を示すブロック図である。 図１２は、本発明の第２の実施例に係るＶＡＶシステムの空調コントローラの構成を示すブロック図である。 図１３は、本発明の第２の実施例に係るＶＡＶコントローラのロードリセット制御時の動作を説明するフローチャートである。 図１４は、本発明の第２の実施例に係る空調コントローラのロードリセット制御時の動作を説明するフローチャートである。 図１５は、本発明の第２の実施例に係るＶＡＶコントローラのニューラルネットワークの学習時の動作を説明するフローチャートである。 図１６は、本発明の第２の実施例に係る空調コントローラのニューラルネットワークの学習時の動作を説明するフローチャートである。 図１７は、本発明の第２の実施例に係るＶＡＶコントローラのニューラルネットワークの学習後の動作を説明するフローチャートである。 図１８は、本発明の第２の実施例に係る空調コントローラのニューラルネットワークの学習後の動作を説明するフローチャートである。 図１９は、本発明の第３の実施例に係るＶＡＶシステムの構成を示すブロック図である。 図２０は、本発明の第３の実施例に係るＶＡＶシステムのＶＡＶコントローラの構成を示すブロック図である。 図２１は、本発明の第３の実施例に係るＶＡＶシステムの空調コントローラの構成を示すブロック図である。 図２２は、本発明の第３の実施例に係るＶＡＶコントローラのロードリセット制御時の動作を説明するフローチャートである。 図２３は、本発明の第３の実施例に係る空調コントローラのロードリセット制御時の動作を説明するフローチャートである。 図２４は、本発明の第３の実施例に係るＶＡＶコントローラのニューラルネットワークの学習時の動作を説明するフローチャートである。 図２５は、本発明の第３の実施例に係る空調コントローラのニューラルネットワークの学習時の動作を説明するフローチャートである。 図２６は、本発明の第３の実施例に係るＶＡＶコントローラのニューラルネットワークの学習後の動作を説明するフローチャートである。 図２７は、本発明の第３の実施例に係る空調コントローラのニューラルネットワークの学習後の動作を説明するフローチャートである。 図２８は、本発明の第４の実施例に係るＶＡＶシステムの構成を示すブロック図である。 図２９は、本発明の第４の実施例に係るＶＡＶシステムの空調コントローラの構成を示すブロック図である。 図３０は、本発明の第４の実施例に係る空調コントローラのロードリセット制御時の動作を説明するフローチャートである。 図３１は、本発明の第４の実施例に係る空調コントローラのニューラルネットワークの学習時の動作を説明するフローチャートである。 図３２は、本発明の第４の実施例に係る空調コントローラのニューラルネットワークの学習後の動作を説明するフローチャートである。 図３３は、従来のＶＡＶシステムの構成を示すブロック図である。

［第１の実施例］
以下、本発明の実施例について図面を参照して説明する。図１は本発明の第１の実施例に係るＶＡＶシステムの構成を示すブロック図である。ＶＡＶシステムは、空調機１と、給気ダクト２と、ＶＡＶユニット３−１，３−２，３−３（変風量ユニット）と、ＶＡＶコントローラ４ａ−１，４ａ−２，４ａ−３と、空調コントローラ５ａと、温度センサ６−１，６−２，６−３，７と、被制御エリア８−１，８−２，８−３の室内湿度（相対湿度）を計測する湿度センサ１０−１，１０−２，１０−３と、外気温度を計測する温度センサ１１とを備えている。

図２は本実施例のＶＡＶコントローラ４ａ−１の構成を示すブロック図、図３は本実施例の空調コントローラ５ａの構成を示すブロック図である。ＶＡＶコントローラ４ａ−１は、対応する被制御エリア８−１の温度センサ６−１によって計測された室内温度の値を取得する室内温度計測値取得部４０と、対応するＶＡＶユニット３−１によって計測された風量の値を取得する風量計測値取得部４１と、ロードリセット制御の後の通常の制御時に被制御エリア８−１の室内温度に対応する設定風量をニューラルネットワークにより決定する設定風量決定部４２と、被制御エリア８−１の設定風量の値を空調コントローラ５ａに通知する設定風量値通知部４３と、設定風量を確保するようにＶＡＶユニット３−１内のダンパの開度を制御する制御部４４と、被制御エリア８−１の室内温度設定値をニューラルネットワークにより決定する室内温度設定値決定部４５と、被制御エリア８−１の室内温度の値を空調コントローラ５ａに通知する室内温度通知部４６と、通常の制御に入る前にロードリセット制御のときに収集した被制御エリア８−１の室内温度と設定風量とに基づいて、設定風量決定部４２のニューラルネットワークの学習を行う学習部４７と、室内温度設定値決定部４５のニューラルネットワークの学習を行う学習部４８と、空調コントローラ５ａから通知された外気温度の値を取得する外気温度計測値取得部４９と、現在時刻を取得する時刻取得部６０と、ロードリセット制御時に室内温度と室内温度設定値との偏差に基づいて被制御エリア８−１の設定風量を算出する設定風量算出部６１と、ロードリセット制御時に空調能力が不足しているかどうかを判断し、空調能力が不足状態のときに空調コントローラ５ａに対して空調能力増の要求ステータスを送出する要求ステータス通知部６２とを有する。なお、ＶＡＶコントローラ４ａ−２，４ａ−３も、ＶＡＶコントローラ４ａ−１と同様の構成を有している。

空調コントローラ５ａは、温度センサ７によって計測された給気温度計測値を取得する給気温度計測値取得部５０と、空調機１に供給される熱媒の流量を制御するための操作量を算出する操作量算出部５１と、操作量を空調機１に出力する操作量出力部５２と、ＶＡＶコントローラ４ａ−１，４ａ−２，４ａ−３から通知された設定風量の値を取得する設定風量取得部５３と、空調機１のファン（不図示）を制御する風量制御部５４と、ＶＡＶコントローラ４ａ−１，４ａ−２，４ａ−３から通知された室内温度の値を取得する室内温度取得部５５と、温度センサ１１によって計測された外気温度の値をＶＡＶコントローラ４ａ−１，４ａ−２，４ａ−３に通知する外気温度通知部５６と、通常の制御時に被制御エリア８−１，８−２，８−３の室内温度に対応する給気温度設定値をニューラルネットワークにより決定する給気温度決定部５７と、ロードリセット制御のときに収集した被制御エリア８−１，８−２，８−３の室内温度と給気温度設定値とに基づいて、給気温度決定部５７のニューラルネットワークの学習を行う学習部５８と、ロードリセット制御のときに空調能力が不足状態の場合に空調能力が増える方向に給気温度設定値を設定する給気温度設定部５９と、現在時刻を取得する時刻取得部６３とを有する。操作量算出部５１と操作量出力部５２とは、給気温度制御部６４を構成している。

次に、本実施例の動作について説明する。まず、従来のロードリセット制御でＶＡＶシステムを動作させ、ＶＡＶコントローラ４ａ−１，４ａ−２，４ａ−３および空調コントローラ５ａのニューラルネットワーク（設定風量決定部４２、室内温度設定値決定部４５、給気温度決定部５７）の学習を行う動作について説明する。図４はＶＡＶコントローラ４ａ−１，４ａ−２，４ａ−３のロードリセット制御時の動作を説明するフローチャート、図５は空調コントローラ５ａのロードリセット制御時の動作を説明するフローチャートである。

ＶＡＶコントローラ４ａ−１，４ａ−２，４ａ−３の室内温度計測値取得部４０は、それぞれ対応する被制御エリア８−１，８−２，８−３の室内温度Ｔ１，Ｔ２，Ｔ３［℃］の値を温度センサ６−１，６−２，６−３から取得する（図４ステップＳ１０）。

ＶＡＶコントローラ４ａ−１，４ａ−２，４ａ−３の風量計測値取得部４１は、それぞれ対応するＶＡＶユニット３−１，３−２，３−３を通過して被制御エリア８−１，８−２，８−３に供給される給気の風量Ｆ１，Ｆ２，Ｆ３［ｍ³／ｓ］の値をＶＡＶユニット３−１，３−２，３−３に設けられた風量計（不図示）から取得する（図４ステップＳ１１）。

ＶＡＶコントローラ４ａ−１，４ａ−２，４ａ−３の設定風量算出部６１は、それぞれ被制御エリア８−１，８−２，８−３の熱負荷状況に応じて設定風量ＦＳＰ１，ＦＳＰ２，ＦＳＰ３［ｍ³／ｓ］を算出する（図４ステップＳ１２）。具体的には、ＶＡＶコントローラ４ａ−１の設定風量算出部６１は、室内温度Ｔ１と室内温度設定値ＴＳＰとの偏差に基づいて、被制御エリア８−１の設定風量ＦＳＰ１を算出する。ＶＡＶコントローラ４ａ−２の設定風量算出部６１は、室内温度Ｔ２と室内温度設定値ＴＳＰとの偏差に基づいて、被制御エリア８−２の設定風量ＦＳＰ２を算出する。同様に、ＶＡＶコントローラ４ａ−３の設定風量算出部６１は、室内温度Ｔ３と室内温度設定値ＴＳＰとの偏差に基づいて、被制御エリア８−３の設定風量ＦＳＰ３を算出する。なお、ここでは各被制御エリア８−１，８−２，８−３の室内温度設定値ＴＳＰを同一の値としているが、被制御エリア毎に室内温度設定値ＴＳＰが設定されていてもよい。ロードリセット制御時において、室内温度設定値ＴＳＰは、ＶＡＶシステムの管理者または被制御エリア８−１，８−２，８−３に居る人によって設定される。

次に、ＶＡＶコントローラ４ａ−１，４ａ−２，４ａ−３の設定風量値通知部４３は、それぞれＶＡＶコントローラ４ａ−１，４ａ−２，４ａ−３の設定風量算出部６１が算出した被制御エリア８−１，８−２，８−３の設定風量ＦＳＰ１，ＦＳＰ２，ＦＳＰ３の値を空調コントローラ５ａに通知する（図４ステップＳ１３）。

ＶＡＶコントローラ４ａ−１，４ａ−２，４ａ−３の制御部４４は、それぞれ被制御エリア８−１，８−２，８−３の設定風量ＦＳＰ１，ＦＳＰ２，ＦＳＰ３を確保するように、ＶＡＶユニット３−１，３−２，３−３内のダンパ（不図示）の開度を制御する（図４ステップＳ１４）。

ＶＡＶコントローラ４ａ−１，４ａ−２，４ａ−３の要求ステータス通知部６２は、それぞれＶＡＶコントローラ４ａ−１，４ａ−２，４ａ−３の室内温度計測値取得部４０によって取得された現在の室内温度Ｔ１，Ｔ２，Ｔ３と現在の室内温度設定値ＴＳＰと現在の設定風量ＦＳＰ１，ＦＳＰ２，ＦＳＰ３とに基づいて空調能力が不足しているかどうかを被制御エリア毎に判断し、暖房時に暖房能力が不足していると判断した場合には空調コントローラ５ａに対して暖房能力増要求ステータスを送出し、冷房時に冷房能力が不足していると判断した場合には空調コントローラ５ａに対して冷房能力増要求ステータスを送出する（図４ステップＳ１５）。このような要求ステータスの決定処理については例えば特許文献１、特許文献２に開示されている。

ＶＡＶコントローラ４ａ−１，４ａ−２，４ａ−３の外気温度計測値取得部４９は、空調コントローラ５ａを通じて外気温度ＴＯ［℃］の値を取得する（図４ステップＳ１６）。
ＶＡＶコントローラ４ａ−１，４ａ−２，４ａ−３の時刻取得部６０は、現在時刻ｔを取得する（図４ステップＳ１７）。時刻ｔの情報は、図示しない内部時計から取得してもよいし、空調コントローラ５ａを通じて取得してもよい。

ＶＡＶコントローラ４ａ−１，４ａ−２，４ａ−３の室内温度通知部４６は、それぞれＶＡＶコントローラ４ａ−１，４ａ−２，４ａ−３の室内温度計測値取得部４０によって取得された室内温度Ｔ１，Ｔ２，Ｔ３の値を空調コントローラ５ａに通知する（図４ステップＳ１８）。

ＶＡＶコントローラ４ａ−１の学習部４７，４８は、被制御エリア８−１の室内温度Ｔ１と室内温度設定値ＴＳＰ（ここではＴＳＰ１とする）と設定風量ＦＳＰ１と風量計測値Ｆ１と外気温度ＴＯと時刻ｔとを所定時間毎（例えば１分毎）に記録する。ＶＡＶコントローラ４ａ−２の学習部４７，４８は、被制御エリア８−２の室内温度Ｔ２と室内温度設定値ＴＳＰ（ここではＴＳＰ２とする）と設定風量ＦＳＰ２と風量計測値Ｆ２と外気温度ＴＯと時刻ｔとを所定時間毎に記録する。同様に、ＶＡＶコントローラ４ａ−３の学習部４７，４８は、被制御エリア８−３の室内温度Ｔ３と室内温度設定値ＴＳＰ（ここではＴＳＰ３とする）と設定風量ＦＳＰ３と風量計測値Ｆ３と外気温度ＴＯと時刻ｔとを所定時間毎に記録する（図４ステップＳ１９）。

ＶＡＶコントローラ４ａ−１，４ａ−２，４ａ−３は、以上のようなステップＳ１０〜Ｓ１９の処理を所定のデータ収集期間が終了するまで（図４ステップＳ２０においてＹＥＳ）、一定時間毎に行う。

一方、空調コントローラ５ａの給気温度設定部５９は、各ＶＡＶコントローラ４ａ−１，４ａ−２，４ａ−３から冷房能力増要求ステータスや暖房能力増要求ステータスが送られてきた場合（図５ステップＳ３０においてＹｅｓ）、この冷房能力増要求ステータスや暖房能力増要求ステータスに応じて給気温度設定値ＳＰを設定する（図５ステップＳ３１）。給気温度設定部５９は、ＶＡＶコントローラ４ａ−１，４ａ−２，４ａ−３から冷房能力増要求ステータスが送られてきた場合、給気温度設定値ＳＰを例えば所定の温度幅だけ下げ、ＶＡＶコントローラ４ａ−１，４ａ−２，４ａ−３から暖房能力増要求ステータスが送られてきた場合、給気温度設定値ＳＰを所定の温度幅だけ上げる。なお、空調開始時点では、給気温度設定部５９は、給気温度設定値ＳＰを予め定められた初期値とする。

空調コントローラ５ａの給気温度計測値取得部５０は、温度センサ７によって計測された給気温度計測値ＴＳＡを取得する（図５ステップＳ３２）。
空調コントローラ５ａの操作量算出部５１は、所定の制御演算アルゴリズム（例えばＰＩＤ）に従って、給気温度計測値ＴＳＡと給気温度設定値ＳＰとが一致するように操作量ＭＶＴを算出する（図５ステップＳ３３）。空調コントローラ５ａの操作量出力部５２は、操作量算出部５１によって算出された操作量ＭＶＴを空調機１に出力する（図５ステップＳ３４）。こうして、空調機１に供給される熱媒（冷水または温水）の量が操作量ＭＶＴに応じて調節され、給気温度が制御される。

空調コントローラ５ａの設定風量取得部５３は、各ＶＡＶコントローラ４ａ−１，４ａ−２，４ａ−３から送られてくる設定風量値ＦＳＰ１，ＦＳＰ２，ＦＳＰ３を取得する（図５ステップＳ３５）。
空調コントローラ５ａの風量制御部５４は、設定風量取得部５３によって取得された設定風量値ＦＳＰ１，ＦＳＰ２，ＦＳＰ３からシステム全体の総要求風量値を演算し、この総要求風量値に応じたファン回転数を求め、この求めたファン回転数となるように空調機１のファン（不図示）を制御する（図５ステップＳ３６）。このようにして、空調機１から送出される給気の風量が制御される。

空調コントローラ５ａの室内温度取得部５５は、ＶＡＶコントローラ４ａ−１，４ａ−２，４ａ−３から通知された室内温度Ｔ１，Ｔ２，Ｔ３の値を取得する（図５ステップＳ３７）。
空調コントローラ５ａの時刻取得部６３は、現在時刻ｔを取得する（図５ステップＳ３８）。時刻ｔの情報は、図示しない内部時計から取得してもよいし、外部から有線または無線で送信される時刻情報を取得してもよい。

空調コントローラ５ａの学習部５８は、被制御エリア８−１，８−２，８−３の室内温度Ｔ１，Ｔ２，Ｔ３と給気温度設定値ＳＰと時刻ｔとを所定時間毎（例えば１分毎）に記録する（図５ステップＳ３９）。

空調コントローラ５ａは、以上のようなステップＳ３０〜Ｓ３９の処理を所定のデータ収集期間が終了するまで（図５ステップＳ４０においてＹＥＳ）、一定時間毎に行う。なお、ＶＡＶコントローラ４ａ−１，４ａ−２，４ａ−３および空調コントローラ５ａの制御周期と学習部４７，４８，５８の記録周期は、同一の値でもよいし、異なる値でもよい。

次に、データ収集期間終了後のＶＡＶコントローラ４ａ−１，４ａ−２，４ａ−３および空調コントローラ５ａのニューラルネットワーク（設定風量決定部４２、室内温度設定値決定部４５、給気温度決定部５７）の学習動作について、図６、図７を参照して説明する。

ＶＡＶコントローラ４ａ−１，４ａ−２，４ａ−３の設定風量決定部４２には、室内温度Ｔと設定風量ＦＳＰとの関係をモデル化したニューラルネットワーク４２０が構築されている。ＶＡＶコントローラ４ａ−１，４ａ−２，４ａ−３の室内温度設定値決定部４５には、室内温度Ｔと外気温度ＴＯと時刻ｔと、室内温度設定値ＴＳＰとの関係をモデル化したニューラルネットワーク４５０が構築されている。空調コントローラ５ａの給気温度決定部５７には、室内温度Ｔと給気温度設定値ＳＰとの関係をモデル化したニューラルネットワーク５７０が構築されている。

ＶＡＶコントローラ４ａ−１の学習部４７は、データ収集期間中に記録した時系列データのうち、室内温度Ｔ１の時系列データをＶＡＶコントローラ４ａ−１の設定風量決定部４２のニューラルネットワーク４２０（ここではニューラルネットワーク４２０−１とする）の入力変数、設定風量ＦＳＰ１の時系列データをニューラルネットワーク４２０−１の出力変数として、目的とする出力変数が得られるようニューラルネットワーク４２０−１の学習を行う。ＶＡＶコントローラ４ａ−２の学習部４７は、室内温度Ｔ２の時系列データをＶＡＶコントローラ４ａ−２の設定風量決定部４２のニューラルネットワーク４２０（ここではニューラルネットワーク４２０−２とする）の入力変数、設定風量ＦＳＰ２の時系列データをニューラルネットワーク４２０−２の出力変数として、目的とする出力変数が得られるようニューラルネットワーク４２０−２の学習を行う。同様に、ＶＡＶコントローラ４ａ−３の学習部４７は、室内温度Ｔ３の時系列データをＶＡＶコントローラ４ａ−３の設定風量決定部４２のニューラルネットワーク４２０（ここではニューラルネットワーク４２０−３とする）の入力変数、設定風量ＦＳＰ３の時系列データをニューラルネットワーク４２０−３の出力変数として、目的とする出力変数が得られるようニューラルネットワーク４２０−３の学習を行う（図６ステップＳ５０）。なお、学習時の望ましい出力変数として、設定風量ＦＳＰ１，ＦＳＰ２，ＦＳＰ３の代わりに、風量計測値Ｆ１，Ｆ２，Ｆ３を用いるようにしてもよい。

ＶＡＶコントローラ４ａ−１の学習部４８は、データ収集期間中に記録した時系列データのうち、室内温度Ｔ１の時系列データと外気温度ＴＯの時系列データと時刻ｔとをＶＡＶコントローラ４ａ−１の室内温度設定値決定部４５のニューラルネットワーク４５０（ここではニューラルネットワーク４５０−１とする）の入力変数、室内温度設定値ＴＳＰ１の時系列データをニューラルネットワーク４５０−１の出力変数として、目的とする出力変数が得られるようニューラルネットワーク４５０−１の学習を行う。ＶＡＶコントローラ４ａ−２の学習部４８は、室内温度Ｔ２の時系列データと外気温度ＴＯの時系列データと時刻ｔとをＶＡＶコントローラ４ａ−２の室内温度設定値決定部４５のニューラルネットワーク４５０（ここではニューラルネットワーク４５０−２とする）の入力変数、室内温度設定値ＴＳＰ２の時系列データをニューラルネットワーク４５０−２の出力変数として、目的とする出力変数が得られるようニューラルネットワーク４５０−２の学習を行う。同様に、ＶＡＶコントローラ４ａ−３の学習部４８は、室内温度Ｔ３の時系列データと外気温度ＴＯの時系列データと時刻ｔとをＶＡＶコントローラ４ａ−３の室内温度設定値決定部４５のニューラルネットワーク４５０（ここではニューラルネットワーク４５０−３とする）の入力変数、室内温度設定値ＴＳＰ３の時系列データをニューラルネットワーク４５０−３の出力変数として、目的とする出力変数が得られるようニューラルネットワーク４５０−３の学習を行う（図６ステップＳ５１）。

一方、空調コントローラ５ａの学習部５８は、データ収集期間中に記録した時系列データのうち、被制御エリア８−１，８−２，８−３の室内温度Ｔ１，Ｔ２，Ｔ３の時系列データを給気温度決定部５７のニューラルネットワーク５７０の入力変数、給気温度設定値ＳＰの時系列データをニューラルネットワーク５７０の出力変数として、目的とする出力変数が得られるようニューラルネットワーク５７０の学習を行う（図７ステップＳ５２）。

なお、ニューラルネットワークおよびニューラルネットワークの学習方法については周知の技術であるので、詳細な説明は省略する。
次に、ニューラルネットワークの学習後のＶＡＶコントローラ４ａ−１，４ａ−２，４ａ−３と空調コントローラ５ａの動作について、図８、図９を参照して説明する。

ＶＡＶコントローラ４ａ−１，４ａ−２，４ａ−３の室内温度計測値取得部４０と風量計測値取得部４１の動作（図８ステップＳ６０，Ｓ６１）は、図４のステップＳ１０，Ｓ１１で説明したとおりである。また、ＶＡＶコントローラ４ａ−１，４ａ−２，４ａ−３の外気温度計測値取得部４９と時刻取得部６０の動作（図８ステップＳ６２，Ｓ６３）は、図４のステップＳ１６，Ｓ１７で説明したとおりである。

ＶＡＶコントローラ４ａ−１の室内温度設定値決定部４５は、ＶＡＶコントローラ４ａ−１の室内温度計測値取得部４０によって取得された室内温度Ｔ１と外気温度計測値取得部４９によって取得された外気温度ＴＯと時刻取得部６０によって取得された現在時刻ｔとに対応する、被制御エリア８−１の室内温度設定値ＴＳＰ１をニューラルネットワーク４５０−１により決定する。ＶＡＶコントローラ４ａ−２の室内温度設定値決定部４５は、ＶＡＶコントローラ４ａ−２の室内温度計測値取得部４０によって取得された室内温度Ｔ２と外気温度ＴＯと現在時刻ｔとに対応する、被制御エリア８−２の室内温度設定値ＴＳＰ２をニューラルネットワーク４５０−２により決定する。同様に、ＶＡＶコントローラ４ａ−３の室内温度設定値決定部４５は、ＶＡＶコントローラ４ａ−３の室内温度計測値取得部４０によって取得された室内温度Ｔ３と外気温度ＴＯと現在時刻ｔとに対応する、被制御エリア８−３の室内温度設定値ＴＳＰ３をニューラルネットワーク４５０−３により決定する（図８ステップＳ６４）。

ＶＡＶコントローラ４ａ−１の設定風量決定部４２は、ＶＡＶコントローラ４ａ−１の室内温度計測値取得部４０によって取得された室内温度Ｔ１に対応する、被制御エリア８−１の設定風量ＦＳＰ１をニューラルネットワーク４２０−１により決定する。ＶＡＶコントローラ４ａ−２の設定風量決定部４２は、ＶＡＶコントローラ４ａ−２の室内温度計測値取得部４０によって取得された室内温度Ｔ２に対応する、被制御エリア８−２の設定風量ＦＳＰ２をニューラルネットワーク４２０−２により決定する。同様に、ＶＡＶコントローラ４ａ−３の設定風量決定部４２は、ＶＡＶコントローラ４ａ−３の室内温度計測値取得部４０によって取得された室内温度Ｔ３に対応する、被制御エリア８−３の設定風量ＦＳＰ３をニューラルネットワーク４２０−３により決定する（図８ステップＳ６５）。

ＶＡＶコントローラ４ａ−１，４ａ−２，４ａ−３の設定風量値通知部４３と制御部４４の動作（図８ステップＳ６６，Ｓ６７）は、図４のステップＳ１３，Ｓ１４で説明したとおりである。また、ＶＡＶコントローラ４ａ−１，４ａ−２，４ａ−３の室内温度通知部４６の動作（図８ステップＳ６８）は、図４のステップＳ１８で説明したとおりである。

ＶＡＶコントローラ４ａ−１，４ａ−２，４ａ−３は、以上のようなステップＳ６０〜Ｓ６８の処理を空調が停止するまで（図８ステップＳ６９においてＹＥＳ）、一定時間毎に行う。

一方、空調コントローラ５ａの室内温度取得部５５は、ＶＡＶコントローラ４ａ−１，４ａ−２，４ａ−３から通知された室内温度Ｔ１，Ｔ２，Ｔ３の値を取得する（図９ステップＳ８０）。

空調コントローラ５ａの給気温度決定部５７は、室内温度取得部５５によって取得された室内温度Ｔ１，Ｔ２，Ｔ３に対応する給気温度設定値ＳＰをニューラルネットワーク５７０により決定する（図９ステップＳ８１）。
空調コントローラ５ａの給気温度計測値取得部５０と操作量算出部５１と設定風量取得部５３と風量制御部５４の動作（図９ステップＳ８２，Ｓ８３，Ｓ８４，Ｓ８５，Ｓ８６）は、図５のステップＳ３２，Ｓ３３，Ｓ３４，Ｓ３５，Ｓ３６で説明したとおりである。

空調コントローラ５ａは、以上のようなステップＳ８０〜Ｓ８６の処理を空調が停止するまで（図９ステップＳ８７においてＹＥＳ）、一定時間毎に行う。

以上のように、本実施例では、例えば建物内のテナントの入れ替わり時などにおいて一定期間、従来のロードリセット制御で空調を動かしながら、室内温度、設定風量および給気温度設定値を収集して、収集したデータに基づいてニューラルネットワークの学習を行う。そして、学習後にニューラルネットワークを使う通常の制御に切り替えることにより、ＶＡＶの能力やダクトの圧損、あるいは被制御エリアの区画と異なる間仕切り等による被制御エリアの温度制御のばらつきを改善することができ、従来のロードリセット制御よりも短い時間で室内温度設定値に到達する制御を実現することができる。

従来、空調コントローラやＶＡＶコントローラといった組み込み製品に搭載されるＣＰＵの算術演算機能はそれほど高くなかったが、近年、組み込み製品のソフトウェアの機能の増大に伴い、ＣＰＵも高性能となった。これにより、ニューラルネットワークの算術演算機能を空調コントローラやＶＡＶコントローラに搭載することが可能となった。

［第２の実施例］
次に、本発明の第２の実施例について説明する。図１０は本発明の第２の実施例に係るＶＡＶシステムの構成を示すブロック図であり、図１と同一の構成には同一の符号を付してある。本実施例のＶＡＶシステムは、空調機１と、給気ダクト２と、ＶＡＶユニット３−１，３−２，３−３と、ＶＡＶコントローラ４ｂ−１，４ｂ−２，４ｂ−３と、空調コントローラ５ｂと、温度センサ６−１，６−２，６−３，７，１１と、湿度センサ１０−１，１０−２，１０−３と、給気の湿度を計測する湿度センサ１２とを備えている。

図１１は本実施例のＶＡＶコントローラ４ｂ−１の構成を示すブロック図であり、図２と同様の構成には同一の符号を付してある。ＶＡＶコントローラ４ｂ−１は、室内温度計測値取得部４０と、風量計測値取得部４１と、設定風量値通知部４３と、制御部４４と、時刻取得部６０と、要求ステータス通知部６２と、対応する被制御エリア８−１の湿度センサ１０−１によって計測された室内湿度の値を取得する室内湿度計測値取得部７０と、ロードリセット制御の後の通常の制御時に被制御エリア８−１の室内湿度に対応する設定風量をニューラルネットワークにより決定する設定風量決定部７１と、室内湿度の値を空調コントローラ５ｂに通知する室内湿度通知部７２と、ロードリセット制御のときに収集した被制御エリア８−１の室内湿度と設定風量とに基づいて設定風量決定部７１のニューラルネットワークの学習を行う学習部７３と、ロードリセット制御時に室内湿度と室内湿度設定値との偏差に基づいて被制御エリア８−１の設定風量を算出する設定風量算出部７４とを有する。なお、ＶＡＶコントローラ４ｂ−２，４ｂ−３も、ＶＡＶコントローラ４ｂ−１と同様の構成を有している。

図１２は本実施例の空調コントローラ５ｂの構成を示すブロック図であり、図３と同様の構成には同一の符号を付してある。空調コントローラ５ｂは、給気温度計測値取得部５０と、給気温度制御のための操作量を算出する操作量算出部５１ｂと、給気湿度制御のための操作量を算出する操作量算出部５１ｃと、操作量出力部５２ｂ，５２ｃと、設定風量取得部５３と、風量制御部５４と、時刻取得部６３と、ＶＡＶコントローラ４ｂ−１，４ｂ−２，４ｂ−３から通知された室内湿度の値を取得する室内湿度取得部８０と、通常の制御時に被制御エリア８−１，８−２，８−３の室内湿度に対応する給気温度設定値をニューラルネットワークにより決定する給気温度決定部８１ｂと、通常の制御時に被制御エリア８−１，８−２，８−３の室内湿度に対応する給気湿度設定値をニューラルネットワークにより決定する給気湿度決定部８１ｃと、ロードリセット制御のときに収集した被制御エリア８−１，８−２，８−３の室内湿度と給気温度設定値とに基づいて給気温度決定部８１ｂのニューラルネットワークの学習を行う学習部８２ｂと、ロードリセット制御のときに収集した被制御エリア８−１，８−２，８−３の室内湿度と給気湿度設定値とに基づいて給気湿度決定部８１ｃのニューラルネットワークの学習を行う学習部８２ｃと、ロードリセット制御時に給気温度設定値を設定する給気温度設定部８３ｂと、ロードリセット制御時に給気湿度設定値を設定する給気湿度設定部８３ｃと、湿度センサ１２によって計測された給気湿度の値を取得する給気湿度計測値取得部８４とを有する。操作量算出部５１ｂと操作量出力部５２ｂとは、給気温度制御部６４ｂを構成している。操作量算出部５１ｃと操作量出力部５２ｃとは、給気湿度制御部６４ｃを構成している。

次に、本実施例の動作について説明する。まず、従来のロードリセット制御でＶＡＶシステムを動作させ、ＶＡＶコントローラ４ｂ−１，４ｂ−２，４ｂ−３および空調コントローラ５ｂのニューラルネットワーク（設定風量決定部７１、給気温度決定部８１）の学習を行う動作について説明する。図１３はＶＡＶコントローラ４ｂ−１，４ｂ−２，４ｂ−３のロードリセット制御時の動作を説明するフローチャート、図１４は空調コントローラ５ｂのロードリセット制御時の動作を説明するフローチャートである。

ＶＡＶコントローラ４ｂ−１，４ｂ−２，４ｂ−３の室内湿度計測値取得部７０は、それぞれ対応する被制御エリア８−１，８−２，８−３の室内湿度Ｈ１，Ｈ２，Ｈ３［％］の値を湿度センサ１０−１，１０−２，１０−３から取得する（図１３ステップＳ１００）。

ＶＡＶコントローラ４ｂ−１，４ｂ−２，４ｂ−３の風量計測値取得部４１は、それぞれ被制御エリア８−１，８−２，８−３に供給される給気の風量Ｆ１，Ｆ２，Ｆ３［ｍ³／ｓ］の値をＶＡＶユニット３−１，３−２，３−３に設けられた風量計（不図示）から取得する（図１３ステップＳ１０１）。

ＶＡＶコントローラ４ｂ−１，４ｂ−２，４ｂ−３の設定風量算出部７４は、それぞれ被制御エリア８−１，８−２，８−３の熱負荷状況に応じて設定風量ＦＳＰ１，ＦＳＰ２，ＦＳＰ３［ｍ³／ｓ］を算出する（図１３ステップＳ１０２）。具体的には、ＶＡＶコントローラ４ｂ−１の設定風量算出部７４は、室内湿度Ｈ１と室内湿度設定値ＨＳＰとの偏差に基づいて、被制御エリア８−１の設定風量ＦＳＰ１を算出する。ＶＡＶコントローラ４ｂ−２の設定風量算出部７４は、室内湿度Ｈ２と室内湿度設定値ＨＳＰとの偏差に基づいて、被制御エリア８−２の設定風量ＦＳＰ２を算出する。同様に、ＶＡＶコントローラ４ｂ−３の設定風量算出部７４は、室内湿度Ｈ３と室内湿度設定値ＨＳＰとの偏差に基づいて、被制御エリア８−３の設定風量ＦＳＰ３を算出する。なお、ここでは各被制御エリア８−１，８−２，８−３の室内湿度設定値ＨＳＰを同一の値としているが、被制御エリア毎に室内湿度設定値ＨＳＰが設定されていてもよい。ロードリセット制御時において、室内湿度設定値ＨＳＰは、ＶＡＶシステムの管理者または被制御エリア８−１，８−２，８−３に居る人によって設定される。

ＶＡＶコントローラ４ｂ−１，４ｂ−２，４ｂ−３の設定風量値通知部４３と制御部４４と要求ステータス通知部６２の動作（図１３ステップＳ１０３，Ｓ１０４，Ｓ１０５）は、それぞれ図４のステップＳ１３，Ｓ１４，Ｓ１５の動作と同様なので、説明は省略する。

ＶＡＶコントローラ４ｂ−１，４ｂ−２，４ｂ−３の時刻取得部６０は、現在時刻ｔを取得する（図１３ステップＳ１０６）。時刻ｔの情報は、図示しない内部時計から取得してもよいし、空調コントローラ５ｂを通じて取得してもよい。
ＶＡＶコントローラ４ｂ−１，４ｂ−２，４ｂ−３の室内湿度通知部７２は、それぞれＶＡＶコントローラ４ｂ−１，４ｂ−２，４ｂ−３の室内湿度計測値取得部７０によって取得された室内湿度Ｈ１，Ｈ２，Ｈ３の値を空調コントローラ５ｂに通知する（図１３ステップＳ１０７）。

ＶＡＶコントローラ４ｂ−１の学習部７３は、被制御エリア８−１の室内湿度Ｈ１と室内湿度設定値ＨＳＰ（ここではＨＳＰ１とする）と設定風量ＦＳＰ１と風量計測値Ｆ１と時刻ｔとを所定時間毎（例えば１分毎）に記録する。ＶＡＶコントローラ４ｂ−２の学習部７３は、被制御エリア８−２の室内湿度Ｈ２と室内湿度設定値ＨＳＰ（ここではＨＳＰ２とする）と設定風量ＦＳＰ２と風量計測値Ｆ２と時刻ｔとを所定時間毎に記録する。同様に、ＶＡＶコントローラ４ｂ−３の学習部７３は、被制御エリア８−３の室内湿度Ｈ３と室内湿度設定値ＨＳＰ（ここではＨＳＰ３とする）と設定風量ＦＳＰ３と風量計測値Ｆ３と時刻ｔとを所定時間毎に記録する（図１３ステップＳ１０８）。

ＶＡＶコントローラ４ｂ−１，４ｂ−２，４ｂ−３は、以上のようなステップＳ１００〜Ｓ１０８の処理を所定のデータ収集期間が終了するまで（図１３ステップＳ１０９においてＹＥＳ）、一定時間毎に行う。

一方、空調コントローラ５ｂの給気温度設定部８３ｂと給気湿度設定部８３ｃとは、各ＶＡＶコントローラ４ｂ−１，４ｂ−２，４ｂ−３から冷房能力増要求ステータスや暖房能力増要求ステータスが送られてきた場合（図１４ステップＳ１２０においてＹｅｓ）、この冷房能力増要求ステータスや暖房能力増要求ステータスに応じて給気温度設定値ＳＰおよび給気湿度設定値ＨＳＡＳＰを設定する（図１４ステップＳ１２１）。給気温度設定部８３ｂは、ＶＡＶコントローラ４ｂ−１，４ｂ−２，４ｂ−３から冷房能力増要求ステータスが送られてきた場合、給気温度設定値ＳＰを例えば所定の温度幅だけ下げる。給気湿度設定部８３ｃは、ＶＡＶコントローラ４ｂ−１，４ｂ−２，４ｂ−３から冷房能力増要求ステータスが送られてきた場合、給気湿度設定値ＨＳＡＳＰを所定の湿度幅だけ下げる。また、給気温度設定部８３ｂは、ＶＡＶコントローラ４ｂ−１，４ｂ−２，４ｂ−３から暖房能力増要求ステータスが送られてきた場合、給気温度設定値ＳＰを所定の温度幅だけ上げる。給気湿度設定部８３ｃは、ＶＡＶコントローラ４ｂ−１，４ｂ−２，４ｂ−３から暖房能力増要求ステータスが送られてきた場合、給気湿度設定値ＨＳＡＳＰを所定の湿度幅だけ上げる。なお、空調開始時点では、給気温度設定部８３ｂと給気湿度設定部８３ｃとは、それぞれ給気温度設定値ＳＰと給気湿度設定値ＨＳＡＳＰとを予め定められた初期値とする。

空調コントローラ５ｂの給気温度計測値取得部５０は、温度センサ７によって計測された給気温度計測値ＴＳＡを取得する（図１４ステップＳ１２２）。
空調コントローラ５ｂの給気湿度計測値取得部８４は、湿度センサ１２によって計測された給気湿度計測値ＨＳＡを取得する（図１４ステップＳ１２３）。

空調コントローラ５ｂの操作量算出部５１ｂは、所定の制御演算アルゴリズム（例えばＰＩＤ）に従って、給気温度計測値ＴＳＡと給気温度設定値ＳＰとが一致するように、給気温度制御のための操作量ＭＶＴを算出する（図１４ステップＳ１２４）。また、操作量算出部５１ｃは、所定の制御演算アルゴリズム（例えば加湿制御：湿度（室内湿度／還気湿度／給気露点温度）を設定値とするように、加湿弁をＰＩ制御するアルゴリズム、除湿制御：湿度（室内湿度／還気湿度／給気露点温度）を設定値とするように、冷水弁をＰＩ制御するアルゴリズム）に従って、給気湿度計測値ＨＳＡと給気湿度設定値ＨＳＡＳＰとが一致するように、給気湿度制御のための操作量ＭＶＨを算出する（図１４ステップＳ１２５）。

空調コントローラ５ａの操作量出力部５２ｂは、操作量算出部５１ｂによって算出された操作量ＭＶＴを空調機１に出力する。操作量出力部５２ｃは、操作量算出部５１ｃによって算出された操作量ＭＶＨを空調機１に出力する（図１４ステップＳ１２６）。こうして、空調機１に供給される熱媒（冷水または温水）の量が操作量ＭＶＴに応じて調節され、給気温度が制御される。また、空調機１の除湿機および加湿機（不図示）の能力が操作量ＭＶＨに応じて調節され、給気湿度が制御される。

空調コントローラ５ｂの設定風量取得部５３と風量制御部５４の動作（図１４ステップＳ１２７，Ｓ１２８）は、それぞれ図５のステップＳ３５，Ｓ３６の動作と同様なので、説明は省略する。

空調コントローラ５ｂの室内湿度取得部８０は、ＶＡＶコントローラ４ｂ−１，４ｂ−２，４ｂ−３から通知された室内湿度Ｈ１，Ｈ２，Ｈ３の値を取得する（図１４ステップＳ１２９）。
空調コントローラ５ｂの時刻取得部６３は、現在時刻ｔを取得する（図１４ステップＳ１３０）。時刻ｔの情報は、図示しない内部時計から取得してもよいし、外部から有線または無線で送信される時刻情報を取得してもよい。

空調コントローラ５ｂの学習部８２ｂ，８２ｃは、被制御エリア８−１，８−２，８−３の室内湿度Ｈ１，Ｈ２，Ｈ３と給気温度設定値ＳＰと給気湿度設定値ＨＳＡＳＰと時刻ｔとを所定時間毎（例えば１分毎）に記録する（図１４ステップＳ１３１）。

空調コントローラ５ｂは、以上のようなステップＳ１２０〜Ｓ１３１の処理を所定のデータ収集期間が終了するまで（図１４ステップＳ１３２においてＹＥＳ）、一定時間毎に行う。なお、ＶＡＶコントローラ４ｂ−１，４ｂ−２，４ｂ−３および空調コントローラ５ｂの制御周期と学習部７３，８２ｂ，８２ｃの記録周期は、同一の値でもよいし、異なる値でもよい。

次に、データ収集期間終了後のＶＡＶコントローラ４ｂ−１，４ｂ−２，４ｂ−３および空調コントローラ５ｂのニューラルネットワーク（設定風量決定部７１、給気温度決定部８１ｂ、給気湿度決定部８１ｃ）の学習動作について、図１５、図１６を参照して説明する。

ＶＡＶコントローラ４ｂ−１，４ｂ−２，４ｂ−３の設定風量決定部７１には、室内湿度Ｈと設定風量ＦＳＰとの関係をモデル化したニューラルネットワーク７１０が構築されている。空調コントローラ５ｂの給気温度決定部８１ｂには、室内湿度Ｈと給気温度設定値ＳＰとの関係をモデル化したニューラルネットワーク８１０が構築されている。空調コントローラ５ｂの給気湿度決定部８１ｃには、室内湿度Ｈと給気湿度設定値ＨＳＡＳＰとの関係をモデル化したニューラルネットワーク８１１とが構築されている。

ＶＡＶコントローラ４ｂ−１の学習部７３は、データ収集期間中に記録した時系列データのうち、室内湿度Ｈ１の時系列データをＶＡＶコントローラ４ｂ−１の設定風量決定部７１のニューラルネットワーク７１０（ここではニューラルネットワーク７１０−１とする）の入力変数、設定風量ＦＳＰ１の時系列データをニューラルネットワーク７１０−１の出力変数として、目的とする出力変数が得られるようニューラルネットワーク７１０−１の学習を行う。ＶＡＶコントローラ４ｂ−２の学習部７３は、室内湿度Ｈ２の時系列データをＶＡＶコントローラ４ｂ−２の設定風量決定部７１のニューラルネットワーク７１０（ここではニューラルネットワーク７１０−２とする）の入力変数、設定風量ＦＳＰ２の時系列データをニューラルネットワーク７１０−２の出力変数として、目的とする出力変数が得られるようニューラルネットワーク７１０−２の学習を行う。同様に、ＶＡＶコントローラ４ｂ−３の学習部７３は、室内湿度Ｈ３の時系列データをＶＡＶコントローラ４ｂ−３の設定風量決定部７１のニューラルネットワーク７１０（ここではニューラルネットワーク７１０−３とする）の入力変数、設定風量ＦＳＰ３の時系列データをニューラルネットワーク７１０−３の出力変数として、目的とする出力変数が得られるようニューラルネットワーク７１０−３の学習を行う（図１５ステップＳ１４０）。なお、学習時の望ましい出力変数として、設定風量ＦＳＰ１，ＦＳＰ２，ＦＳＰ３の代わりに、風量計測値Ｆ１，Ｆ２，Ｆ３を用いるようにしてもよい。

一方、空調コントローラ５ｂの学習部８２ｂは、データ収集期間中に記録した時系列データのうち、被制御エリア８−１，８−２，８−３の室内湿度Ｈ１，Ｈ２，Ｈ３の時系列データを給気温度決定部８１ｂのニューラルネットワーク８１０の入力変数、給気温度設定値ＳＰの時系列データをニューラルネットワーク８１０の出力変数として、目的とする出力変数が得られるようニューラルネットワーク８１０の学習を行う（図１６ステップＳ１４１）。

空調コントローラ５ｂの学習部８２ｃは、被制御エリア８−１，８−２，８−３の室内湿度Ｈ１，Ｈ２，Ｈ３の時系列データを給気湿度決定部８１ｃのニューラルネットワーク８１１の入力変数、給気湿度設定値ＨＳＡＳＰの時系列データをニューラルネットワーク８１１の出力変数として、目的とする出力変数が得られるようニューラルネットワーク８１１の学習を行う（図１６ステップＳ１４２）。

次に、ニューラルネットワークの学習後のＶＡＶコントローラ４ｂ−１，４ｂ−２，４ｂ−３と空調コントローラ５ｂの動作について、図１７、図１８を参照して説明する。
ＶＡＶコントローラ４ｂ−１，４ｂ−２，４ｂ−３の室内湿度計測値取得部７０と風量計測値取得部４１の動作（図１７ステップＳ１５０，Ｓ１５１）は、図１３のステップＳ１００，Ｓ１０１で説明したとおりである。

ＶＡＶコントローラ４ｂ−１の設定風量決定部７１は、ＶＡＶコントローラ４ｂ−１の室内湿度計測値取得部７０によって取得された室内湿度Ｈ１に対応する、被制御エリア８−１の設定風量ＦＳＰ１をニューラルネットワーク７１０−１により決定する。ＶＡＶコントローラ４ｂ−２の設定風量決定部７１は、ＶＡＶコントローラ４ｂ−２の室内湿度計測値取得部７０によって取得された室内湿度Ｈ２に対応する、被制御エリア８−２の設定風量ＦＳＰ２をニューラルネットワーク７１０−２により決定する。同様に、ＶＡＶコントローラ４ｂ−３の設定風量決定部７１は、ＶＡＶコントローラ４ｂ−３の室内湿度計測値取得部７０によって取得された室内湿度Ｈ３に対応する、被制御エリア８−３の設定風量ＦＳＰ３をニューラルネットワーク７１０−３により決定する（図１７ステップＳ１５２）。

ＶＡＶコントローラ４ｂ−１，４ｂ−２，４ｂ−３の設定風量値通知部４３と制御部４４の動作（図１７ステップＳ１５３，Ｓ１５４）は、図１３のステップＳ１０３，Ｓ１０４で説明したとおりである。

ＶＡＶコントローラ４ｂ−１，４ｂ−２，４ｂ−３の室内湿度通知部７２は、それぞれＶＡＶコントローラ４ｂ−１，４ｂ−２，４ｂ−３の室内湿度計測値取得部７０によって取得された室内湿度Ｈ１，Ｈ２，Ｈ３の値を空調コントローラ５ｂに通知する（図１７ステップＳ１５５）。

ＶＡＶコントローラ４ｂ−１，４ｂ−２，４ｂ−３は、以上のようなステップＳ１５０〜Ｓ１５５の処理を空調が停止するまで（図１７ステップＳ１５６においてＹＥＳ）、一定時間毎に行う。

一方、空調コントローラ５ｂの室内湿度取得部８０は、ＶＡＶコントローラ４ｂ−１，４ｂ−２，４ｂ−３から通知された室内湿度Ｈ１，Ｈ２，Ｈ３の値を取得する（図１８ステップＳ１６０）。

空調コントローラ５ｂの給気温度決定部８１ｂは、室内湿度取得部８０によって取得された室内湿度Ｈ１，Ｈ２，Ｈ３に対応する給気温度設定値ＳＰをニューラルネットワーク８１０により決定する。空調コントローラ５ｂの給気湿度決定部８１ｃは、室内湿度Ｈ１，Ｈ２，Ｈ３に対応する給気湿度設定値ＨＳＡＳＰをニューラルネットワーク８１１により決定する（図１８ステップＳ１６１）。

空調コントローラ５ｂの給気温度計測値取得部５０と給気湿度計測値取得部８４と操作量算出部５１ｂ，５１ｃと操作量出力部５２ｂ，５２ｃと設定風量取得部５３と風量制御部５４の動作（図１８ステップＳ１６２，Ｓ１６３，Ｓ１６４，Ｓ１６５，Ｓ１６６，Ｓ１６７，Ｓ１６８）は、図１４のステップＳ１２２，Ｓ１２３，Ｓ１２４，Ｓ１２５，Ｓ１２６，Ｓ１２７，Ｓ１２８で説明したとおりである。

空調コントローラ５ｂは、以上のようなステップＳ１６０〜Ｓ１６８の処理を空調が停止するまで（図１８ステップＳ１６９においてＹＥＳ）、一定時間毎に行う。

以上のように、本実施例では、例えば建物内のテナントの入れ替わり時などにおいて一定期間、従来のロードリセット制御で空調を動かしながら、室内湿度、設定風量、給気温度設定値および給気湿度設定値を収集して、収集したデータに基づいてニューラルネットワークの学習を行う。そして、学習後にニューラルネットワークを使う通常の制御に切り替えることにより、ＶＡＶの能力やダクトの圧損、あるいは被制御エリアの区画と異なる間仕切り等による被制御エリアの温度制御、湿度制御のばらつきを改善することができる。

［第３の実施例］
次に、本発明の第３の実施例について説明する。図１９は本発明の第３の実施例に係るＶＡＶシステムの構成を示すブロック図であり、図１、図１０と同一の構成には同一の符号を付してある。本実施例のＶＡＶシステムは、空調機１と、給気ダクト２と、ＶＡＶユニット３−１，３−２，３−３と、ＶＡＶコントローラ４ｃ−１，４ｃ−２，４ｃ−３と、空調コントローラ５ｃと、温度センサ６−１，６−２，６−３，７と、湿度センサ１０−１，１０−２，１０−３と、被制御エリア８−１，８−２，８−３から放射された輻射熱を検出する輻射センサ１３−１，１３−２，１３−３とを備えている。

図２０は本実施例のＶＡＶコントローラ４ｃ−１の構成を示すブロック図であり、図２、図１１と同様の構成には同一の符号を付してある。本実施例のＶＡＶコントローラ４ｃ−１は、室内温度計測値取得部４０と、風量計測値取得部４１と、ロードリセット制御の後の通常の制御時に被制御エリア８−１の温熱環境の快適度を示す温冷感評価指標値であるＰＭＶ（Predicted Mean Vote）に対応する設定風量をニューラルネットワークにより決定する設定風量決定部４２ｃと、設定風量値通知部４３と、制御部４４と、ロードリセット制御のときに収集した被制御エリア８−１のＰＭＶと設定風量とに基づいて設定風量決定部４２ｃのニューラルネットワークの学習を行う学習部４７ｃと、時刻取得部６０と、ロードリセット制御時に室内温度と室内温度設定値との偏差に基づいて被制御エリア８−１の設定風量を算出する設定風量算出部６１と、要求ステータス通知部６２と、室内湿度計測値取得部７０と、被制御エリア８−１の輻射センサ１３−１によって検出された熱画像を取得する熱画像取得部７５と、輻射センサ１３−１の出力熱画像に基づいて平均放射温度を算出する放射温度算出部７６と、輻射センサ１３−１の出力熱画像に基づいて被制御エリア８−１に居る人の活動量を算出する活動量算出部７７と、輻射センサ１３−１の出力熱画像に基づいて被制御エリア８−１に居る人の着衣量を算出する着衣量算出部７８と、被制御エリア８−１の気流速度を導出する気流速度を算出する気流速度導出部７９と、被制御エリア８−１の温熱環境の快適度を示す温冷感評価指標値であるＰＭＶ（Predicted Mean Vote）を算出するＰＭＶ算出部９０（温冷感評価指標値算出部）と、ＰＭＶの値を空調コントローラ５ｃに通知するＰＭＶ通知部９１とを有する。なお、ＶＡＶコントローラ４ｃ−２，４ｃ−３も、ＶＡＶコントローラ４ｃ−１と同様の構成を有している。

図２１は本実施例の空調コントローラ５ｃの構成を示すブロック図であり、図３、図１２と同様の構成には同一の符号を付してある。本実施例の空調コントローラ５ｃは、給気温度計測値取得部５０と、操作量算出部５１と、操作量出力部５２と、設定風量取得部５３と、風量制御部５４と、通常の制御時に被制御エリア８−１，８−２，８−３のＰＭＶに対応する給気温度設定値をニューラルネットワークにより決定する給気温度決定部５７ｃと、ロードリセット制御のときに収集した被制御エリア８−１，８−２，８−３のＰＭＶと給気温度設定値とに基づいて給気温度決定部５７ｃのニューラルネットワークの学習を行う学習部５８ｃと、給気温度設定部５９と、時刻取得部６３と、ＶＡＶコントローラ４ｃ−１，４ｃ−２，４ｃ−３から通知されたＰＭＶの値を取得するＰＭＶ取得部８５とを有する。

次に、本実施例の動作について説明する。まず、従来のロードリセット制御でＶＡＶシステムを動作させ、ＶＡＶコントローラ４ｃ−１，４ｃ−２，４ｃ−３および空調コントローラ５ｃのニューラルネットワーク（設定風量決定部４２ｃ、給気温度決定部５７ｃ）の学習を行う動作について説明する。図２２はＶＡＶコントローラ４ｃ−１，４ｃ−２，４ｃ−３のロードリセット制御時の動作を説明するフローチャート、図２３は空調コントローラ５ｃのロードリセット制御時の動作を説明するフローチャートである。

ＶＡＶコントローラ４ｃ−１，４ｃ−２，４ｃ−３の室内温度計測値取得部４０は、それぞれ対応する被制御エリア８−１，８−２，８−３の室内温度Ｔ１，Ｔ２，Ｔ３［℃］の値を温度センサ６−１，６−２，６−３から取得する（図２２ステップＳ２００）。

ＶＡＶコントローラ４ｃ−１，４ｃ−２，４ｃ−３の室内湿度計測値取得部７０は、それぞれ対応する被制御エリア８−１，８−２，８−３の室内湿度Ｈ１，Ｈ２，Ｈ３［％］の値を湿度センサ１０−１，１０−２，１０−３から取得する（図２２ステップＳ２０１）。

ＶＡＶコントローラ４ｃ−１，４ｃ−２，４ｃ−３の風量計測値取得部４１は、それぞれ対応するＶＡＶユニット３−１，３−２，３−３を通過して被制御エリア８−１，８−２，８−３に供給される給気の風量Ｆ１，Ｆ２，Ｆ３の値をＶＡＶユニット３−１，３−２，３−３に設けられた風量計（不図示）から取得する（図２２ステップＳ２０２）。

ＶＡＶコントローラ４ｃ−１，４ｃ−２，４ｃ−３の熱画像取得部７５は、それぞれ対応する被制御エリア８−１，８−２，８−３の輻射センサ１３−１，１３−２，１３−３によって検出された熱画像を取得する（図２２ステップＳ２０３）。

ＶＡＶコントローラ４ｃ−１，４ｃ−２，４ｃ−３の設定風量算出部６１と設定風量値通知部４３と制御部４４と要求ステータス通知部６２の動作（図２２ステップＳ２０４，Ｓ２０５，Ｓ２０６，Ｓ２０７）は、それぞれ図４のステップＳ１２，Ｓ１３，Ｓ１４，Ｓ１５の動作と同様なので、説明は省略する。

ＶＡＶコントローラ４ｃ−１，４ｃ−２，４ｃ−３の放射温度算出部７６は、それぞれ輻射センサ１３−１，１３−２，１３−３によって検出された被制御エリア８−１，８−２，８−３の熱画像に基づいて被制御エリア８−１，８−２，８−３の平均放射温度ＭＲＴ１，ＭＲＴ２，ＭＲＴ３［℃］を算出する（図２２ステップＳ２０７）。放射温度算出部７６は、例えば熱画像を人工知能（ＡＩ：Artificial Intelligence）によって処理することにより平均放射温度を求めることができる。

ＶＡＶコントローラ４ｃ−１，４ｃ−２，４ｃ−３の活動量算出部７７は、それぞれ輻射センサ１３−１，１３−２，１３−３によって検出された被制御エリア８−１，８−２，８−３の熱画像に基づいて被制御エリア８−１，８−２，８−３に居る人の活動量Ａ１，Ａ２，Ａ３［ｍｅｔ］を算出する（図２２ステップＳ２０９）。

活動量算出部７７は、例えば熱画像をＡＩによって処理して人の熱画像を抽出し、活動量の推定を行うようにすればよい。なお、被制御エリアに複数の人の存在が検出された場合には、いずれか一人の活動量を求めてもよいし、被制御エリアに居る複数の人の平均の活動量を求めるようにしてもよい。

ＶＡＶコントローラ４ｃ−１，４ｃ−２，４ｃ−３の着衣量算出部７８は、それぞれ輻射センサ１３−１，１３−２，１３−３によって検出された被制御エリア８−１，８−２，８−３の熱画像に基づいて被制御エリア８−１，８−２，８−３に居る人の着衣量Ｃ１，Ｃ２，Ｃ３［ｃｌｏ］を算出する（図２２ステップＳ２１０）。

着衣量算出部７８は、例えば熱画像をＡＩによって処理して人の熱画像を抽出し、さらに人が衣服を着用していると推定される体の領域と着用していないと推定される体の領域（露出している領域）との温度の変動から、衣服の保温力を表す着衣量の推定を行うようにすればよい。温度の変動と着衣量との関係は、例えばデータベースに登録しておくようにすればよい。なお、被制御エリアに複数の人の存在が検出された場合には、いずれか一人の着衣量を求めてもよいし、被制御エリアに居る複数の人の平均の着衣量を求めるようにしてもよい。

ＶＡＶコントローラ４ｃ−１，４ｃ−２，４ｃ−３の気流速度導出部７９は、それぞれＶＡＶユニット３−１，３−２，３−３の風量計によって計測された風量Ｆ１，Ｆ２，Ｆ３に基づいて被制御エリア８−１，８−２，８−３の気流速度Ｖ１，Ｖ２，Ｖ３［ｍ／ｓ］を算出する（図２２ステップＳ２１１）。ＶＡＶユニット３−１，３−２，３−３のダクトの断面積は既知の値なので、風量Ｆ１，Ｆ２，Ｆ３を気流速度Ｖ１，Ｖ２，Ｖ３に換算できることは言うまでもない。

ＶＡＶコントローラ４ｃ−１のＰＭＶ算出部９０は、被制御エリア８−１の温熱環境の快適度を示す温冷感評価指標値であるＰＭＶを、室内温度Ｔ１、室内湿度Ｈ１、平均放射温度ＭＲＴ１、活動量Ａ１、着衣量Ｃ１および気流速度Ｖ１に基づいて算出する。ＶＡＶコントローラ４ｃ−２のＰＭＶ算出部９０は、被制御エリア８−２のＰＭＶを、室内温度Ｔ２、室内湿度Ｈ２、平均放射温度ＭＲＴ２、活動量Ａ２、着衣量Ｃ２および気流速度Ｖ２に基づいて算出する。同様に、ＶＡＶコントローラ４ｃ−３のＰＭＶ算出部９０は、被制御エリア８−３のＰＭＶを、室内温度Ｔ３、室内湿度Ｈ３、平均放射温度ＭＲＴ３、活動量Ａ３、着衣量Ｃ３および気流速度Ｖ３に基づいて算出する（図２２ステップＳ２１２）。

周知のとおり、ＰＭＶは、人間の体温調節に与える６つの要素（室内温度、室内湿度、平均放射温度、活動量、着衣量、気流速度）から、大多数の人が感じる温冷感を数値化したものである。ＰＭＶは、冷房／暖房時共通の指標である。−０．５＜ＰＭＶ＜０．５の範囲内であれば快適な環境といえる。ＰＭＶは、ＩＳＯ規格（ＩＳＯ−７７３０）で国際標準化されている指標値であるので、算出方法はＩＳＯ規格に従えばよい。ここでは、被制御エリア８−１，８−２，８−３のＰＭＶをそれぞれＰＭＶ１，ＰＭＶ２，ＰＭＶ３とする。

ＶＡＶコントローラ４ｃ−１，４ｃ−２，４ｃ−３のＰＭＶ通知部９１は、それぞれＶＡＶコントローラ４ｃ−１，４ｃ−２，４ｃ−３のＰＭＶ算出部９０によって算出されたＰＭＶ１，ＰＭＶ２，ＰＭＶ３の値を空調コントローラ５ｃに通知する（図２２ステップＳ２１３）。

ＶＡＶコントローラ４ｃ−１，４ｃ−２，４ｃ−３の時刻取得部６０は、現在時刻ｔを取得する（図２２ステップＳ２１４）。時刻ｔの情報は、図示しない内部時計から取得してもよいし、空調コントローラ５ｃを通じて取得してもよい。

ＶＡＶコントローラ４ｃ−１の学習部４７ｃは、被制御エリア８−１のＰＭＶ１と設定風量ＦＳＰ１と風量計測値Ｆ１と時刻ｔとを所定時間毎（例えば１分毎）に記録する。ＶＡＶコントローラ４ｃ−２の学習部４７ｃは、被制御エリア８−２のＰＭＶ２と設定風量ＦＳＰ２と風量計測値Ｆ２と時刻ｔとを所定時間毎に記録する。同様に、ＶＡＶコントローラ４ｃ−３の学習部４７ｃは、被制御エリア８−３のＰＭＶ３と設定風量ＦＳＰ３と風量計測値Ｆ３と時刻ｔとを所定時間毎に記録する（図２２ステップＳ２１５）。

ＶＡＶコントローラ４ｃ−１，４ｃ−２，４ｃ−３は、以上のようなステップＳ２００〜Ｓ２１５の処理を所定のデータ収集期間が終了するまで（図２２ステップＳ２１６においてＹＥＳ）、一定時間毎に行う。

空調コントローラ５ｃの給気温度設定部５９と給気温度計測値取得部５０と操作量算出部５１と設定風量取得部５３と風量制御部５４の動作（図２３ステップＳ２２０，Ｓ２２１，Ｓ２２２，Ｓ２２３，Ｓ２２４，Ｓ２２５，Ｓ２２６）は、それぞれ図５のステップＳ３０，Ｓ３１，Ｓ３２，Ｓ３３，Ｓ３４，Ｓ３５，Ｓ３６の動作と同様なので、説明は省略する。

空調コントローラ５ｃのＰＭＶ取得部８５は、各ＶＡＶコントローラ４ｃ−１，４ｃ−２，４ｃ−３から送られてきたＰＭＶ１，ＰＭＶ２，ＰＭＶ３の値を取得する（図２３ステップＳ２２７）。

空調コントローラ５ｃの時刻取得部６３は、現在時刻ｔを取得する（図２３ステップＳ２２８）。時刻ｔの情報は、図示しない内部時計から取得してもよいし、外部から有線または無線で送信される時刻情報を取得してもよい。

空調コントローラ５ｃの学習部５８ｃは、ＰＭＶ１，ＰＭＶ２，ＰＭＶ３と給気温度設定値ＳＰと時刻ｔとを所定時間毎（例えば１分毎）に記録する（図２３ステップＳ２２９）。

空調コントローラ５ｃは、以上のようなステップＳ２２０〜Ｓ２２９の処理を所定のデータ収集期間が終了するまで（図２３ステップＳ２３０においてＹＥＳ）、一定時間毎に行う。なお、ＶＡＶコントローラ４ｃ−１，４ｃ−２，４ｃ−３および空調コントローラ５ｃの制御周期と学習部４７ｃ，５８ｃの記録周期は、同一の値でもよいし、異なる値でもよい。

次に、データ収集期間終了後のＶＡＶコントローラ４ｃ−１，４ｃ−２，４ｃ−３および空調コントローラ５ｃのニューラルネットワーク（設定風量決定部４２ｃ、給気温度決定部５７ｃ）の学習動作について、図２４、図２５を参照して説明する。

ＶＡＶコントローラ４ｃ−１，４ｃ−２，４ｃ−３の設定風量決定部４２ｃには、ＰＭＶと設定風量ＦＳＰとの関係をモデル化したニューラルネットワーク４２０ｃが構築されている。空調コントローラ５ｃの給気温度決定部５７ｃには、ＰＭＶ１，ＰＭＶ２，ＰＭＶ３と給気温度設定値ＳＰとの関係をモデル化したニューラルネットワーク５７０ｃが構築されている。

ＶＡＶコントローラ４ｃ−１の学習部４７ｃは、データ収集期間中に記録した時系列データのうち、ＰＭＶ１の時系列データをＶＡＶコントローラ４ｃ−１の設定風量決定部４２ｃのニューラルネットワーク４２０ｃ（ここではニューラルネットワーク４２０ｃ−１とする）の入力変数、設定風量ＦＳＰ１の時系列データをニューラルネットワーク４２０ｃ−１の出力変数として、目的とする出力変数が得られるようニューラルネットワーク４２０ｃ−１の学習を行う。ＶＡＶコントローラ４ｃ−２の学習部４７ｃは、ＰＭＶ２の時系列データをＶＡＶコントローラ４ｃ−２の設定風量決定部４２ｃのニューラルネットワーク４２０ｃ（ここではニューラルネットワーク４２０ｃ−２とする）の入力変数、設定風量ＦＳＰ２の時系列データをニューラルネットワーク４２０ｃ−２の出力変数として、目的とする出力変数が得られるようニューラルネットワーク４２０ｃ−２の学習を行う。同様に、ＶＡＶコントローラ４ｃ−３の学習部４７ｃは、ＰＭＶ３の時系列データをＶＡＶコントローラ４ｃ−３の設定風量決定部４２ｃのニューラルネットワーク４２０ｃ（ここではニューラルネットワーク４２０ｃ−３とする）の入力変数、設定風量ＦＳＰ３の時系列データをニューラルネットワーク４２０ｃ−３の出力変数として、目的とする出力変数が得られるようニューラルネットワーク４２０ｃ−３の学習を行う（図２４ステップＳ２４０）。なお、学習時の望ましい出力変数として、設定風量ＦＳＰ１，ＦＳＰ２，ＦＳＰ３の代わりに、風量計測値Ｆ１，Ｆ２，Ｆ３を用いるようにしてもよい。

一方、空調コントローラ５ｃの学習部５８ｃは、データ収集期間中に記録した時系列データのうち、ＰＭＶ１，ＰＭＶ２，ＰＭＶ３の時系列データを給気温度決定部５７ｃのニューラルネットワーク５７０ｃの入力変数、給気温度設定値ＳＰの時系列データをニューラルネットワーク５７０ｃの出力変数として、目的とする出力変数が得られるようニューラルネットワーク５７０ｃの学習を行う（図２５ステップＳ２４１）。

次に、ニューラルネットワークの学習後のＶＡＶコントローラ４ｃ−１，４ｃ−２，４ｃ−３と空調コントローラ５ｃの動作について、図２６、図２７を参照して説明する。
ＶＡＶコントローラ４ｃ−１，４ｃ−２，４ｃ−３の室内温度計測値取得部４０と室内湿度計測値取得部７０と風量計測値取得部４１と熱画像取得部７５と放射温度算出部７６と活動量算出部７７と着衣量算出部７８と気流速度導出部７９とＰＭＶ算出部９０とＰＭＶ通知部９１の動作（図２６ステップＳ２５０，Ｓ２５１，Ｓ２５２，Ｓ２５３，Ｓ２５４，Ｓ２５５，Ｓ２５６，Ｓ２５７，Ｓ２５８，Ｓ２５９）は、図２２のステップＳ２００，Ｓ２０１，Ｓ２０２，Ｓ２０３，Ｓ２０８，Ｓ２０９，Ｓ２１０，Ｓ２１１，Ｓ２１２，Ｓ２１３で説明したとおりである。

ＶＡＶコントローラ４ｃ−１の設定風量決定部４２ｃは、ＶＡＶコントローラ４ｃ−１のＰＭＶ算出部９０によって算出されたＰＭＶ１に対応する、被制御エリア８−１の設定風量ＦＳＰ１をニューラルネットワーク４２０ｃ−１により決定する。ＶＡＶコントローラ４ｃ−２の設定風量決定部４２ｃは、ＶＡＶコントローラ４ｃ−２のＰＭＶ算出部９０によって算出されたＰＭＶ２に対応する、被制御エリア８−２の設定風量ＦＳＰ２をニューラルネットワーク４２０ｃ−２により決定する。同様に、ＶＡＶコントローラ４ｃ−３の設定風量決定部４２ｃは、ＶＡＶコントローラ４ｃ−３のＰＭＶ算出部９０によって算出されたＰＭＶ３に対応する、被制御エリア８−３の設定風量ＦＳＰ３をニューラルネットワーク４２０ｃ−３により決定する（図２６ステップＳ２６０）。

ＶＡＶコントローラ４ｃ−１，４ｃ−２，４ｃ−３の設定風量値通知部４３と制御部４４の動作（図２６ステップＳ２６１，Ｓ２６２）は、それぞれ図８のステップＳ６６，Ｓ６７の動作と同様なので、説明は省略する。

ＶＡＶコントローラ４ｃ−１，４ｃ−２，４ｃ−３は、以上のようなステップＳ２５０〜Ｓ２６２の処理を空調が停止するまで（図２６ステップＳ２６３においてＹＥＳ）、一定時間毎に行う。

一方、空調コントローラ５ｃのＰＭＶ取得部８５は、ＶＡＶコントローラ４ｃ−１，４ｃ−２，４ｃ−３から通知されたＰＭＶ１，ＰＭＶ２，ＰＭＶ３の値を取得する（図２７ステップＳ２７０）。

空調コントローラ５ｃの給気温度決定部５７ｃは、ＰＭＶ取得部８５によって取得されたＰＭＶ１，ＰＭＶ２，ＰＭＶ３に対応する給気温度設定値ＳＰをニューラルネットワーク５７０ｃにより決定する（図２７ステップＳ２７１）。
空調コントローラ５ｃの給気温度計測値取得部５０と操作量算出部５１と設定風量取得部５３と風量制御部５４の動作（図２７ステップＳ２７２，Ｓ２７３，Ｓ２７４，Ｓ２７５，Ｓ２７６）は、図５のステップＳ３２，Ｓ３３，Ｓ３４，Ｓ３５，Ｓ３６で説明したとおりである。

空調コントローラ５ｃは、以上のようなステップＳ２７０〜Ｓ２７６の処理を空調が停止するまで（図２７ステップＳ２７７においてＹＥＳ）、一定時間毎に行う。

以上のように、本実施例では、例えば建物内のテナントの入れ替わり時などにおいて一定期間、従来のロードリセット制御で空調を動かしながら、ＰＭＶ、設定風量および給気温度設定値を収集して、収集したデータに基づいてニューラルネットワークの学習を行う。そして、学習後にニューラルネットワークを使う通常の制御に切り替えることにより、ＶＡＶの能力やダクトの圧損、あるいは被制御エリアの区画と異なる間仕切り等による被制御エリアの温度制御のばらつきを改善することができる。

［第４の実施例］
次に、本発明の第４の実施例について説明する。図２８は本発明の第４の実施例に係るＶＡＶシステムの構成を示すブロック図であり、図１、図１０、図１９と同一の構成には同一の符号を付してある。本実施例のＶＡＶシステムは、空調機１と、給気ダクト２と、ＶＡＶユニット３−１，３−２，３−３と、ＶＡＶコントローラ４ｃ−１，４ｃ−２，４ｃ−３と、空調コントローラ５ｄと、温度センサ６−１，６−２，６−３，７と、湿度センサ１０−１，１０−２，１０−３，１２と、輻射センサ１３−１，１３−２，１３−３とを備えている。

ＶＡＶコントローラ４ｃ−１，４ｃ−２，４ｃ−３の構成は、第３の実施例で説明したとおりである。
図２９は本実施例の空調コントローラ５ｄの構成を示すブロック図であり、図３、図１２、図２１と同様の構成には同一の符号を付してある。空調コントローラ５ｄは、給気温度計測値取得部５０と、操作量算出部５１ｂ，５１ｃと、操作量出力部５２ｂ，５２ｃと、設定風量取得部５３と、風量制御部５４と、時刻取得部６３と、通常の制御時に被制御エリア８−１，８−２，８−３のＰＭＶに対応する給気温度設定値をニューラルネットワークにより決定する給気温度決定部８１ｄと、通常の制御時に被制御エリア８−１，８−２，８−３のＰＭＶに対応する給気湿度設定値をニューラルネットワークにより決定する給気湿度決定部８１ｅと、ロードリセット制御のときに収集した被制御エリア８−１，８−２，８−３のＰＭＶと給気温度設定値とに基づいて給気温度決定部８１ｄのニューラルネットワークの学習を行う学習部８２ｄと、ロードリセット制御のときに収集した被制御エリア８−１，８−２，８−３のＰＭＶと給気湿度設定値とに基づいて給気湿度決定部８１ｅのニューラルネットワークの学習を行う学習部８２ｅと、給気温度設定部８３ｂと、給気湿度設定部８３ｃと、給気湿度計測値取得部８４と、ＰＭＶ取得部８５とを有する。

次に、従来のロードリセット制御でＶＡＶシステムを動作させ、ＶＡＶコントローラ４ｃ−１，４ｃ−２，４ｃ−３および空調コントローラ５ｄのニューラルネットワーク（設定風量決定部４２ｃ、給気温度・給気湿度決定部８１ｄ）の学習を行う動作について説明する。ＶＡＶコントローラ４ｃ−１，４ｃ−２，４ｃ−３の動作は、第３の実施例で説明したとおりである。図３０は空調コントローラ５ｄのロードリセット制御時の動作を説明するフローチャートである。

空調コントローラ５ｄの給気温度設定部８３ｂと給気湿度設定部８３ｃと給気温度計測値取得部５０と給気湿度計測値取得部８４と操作量算出部５１ｂ，５１ｃと操作量出力部５２ｂ，５２ｃと設定風量取得部５３と風量制御部５４の動作（図３０ステップＳ２８０，Ｓ２８１，Ｓ２８２，Ｓ２８３，Ｓ２８４，Ｓ２８５，Ｓ２８６，Ｓ２８７，Ｓ２８８）は、それぞれ図１４のステップＳ１２０，Ｓ１２１，Ｓ１２２，Ｓ１２３，Ｓ１２４，Ｓ１２５，Ｓ１２６，Ｓ１２７，Ｓ１２８の動作と同じなので、説明は省略する。

空調コントローラ５ｄのＰＭＶ取得部８５と時刻取得部６３の動作（図３０ステップＳ２８９，Ｓ２９０）は、それぞれ図２３のステップＳ２２７，Ｓ２２８の動作と同じなので、説明は省略する。
空調コントローラ５ｄの学習部８２ｄ，８２ｅは、ＰＭＶ１，ＰＭＶ２，ＰＭＶ３と給気温度設定値ＳＰと給気湿度設定値ＨＳＡＳＰと時刻ｔとを所定時間毎（例えば１分毎）に記録する（図３０ステップＳ２９１）。

空調コントローラ５ｄは、以上のようなステップＳ２８０〜Ｓ２９１の処理を所定のデータ収集期間が終了するまで（図３０ステップＳ２９２においてＹＥＳ）、一定時間毎に行う。なお、空調コントローラ５ｄの制御周期と学習部８２ｄの記録周期は、同一の値でもよいし、異なる値でもよい。

次に、データ収集期間終了後の空調コントローラ５ｄのニューラルネットワーク（給気温度・給気湿度決定部８１ｄ）の学習動作について、図３１を参照して説明する。
空調コントローラ５ｂの給気温度決定部８１ｄには、ＰＭＶ１，ＰＭＶ２，ＰＭＶ３と給気温度設定値ＳＰとの関係をモデル化したニューラルネットワーク８１０ｄが構築されている。空調コントローラ５ｂの給気湿度決定部８１ｅには、ＰＭＶ１，ＰＭＶ２，ＰＭＶ３と給気湿度設定値ＨＳＡＳＰとの関係をモデル化したニューラルネットワーク８１１ｅが構築されている。

空調コントローラ５ｄの学習部８２ｄは、データ収集期間中に記録した時系列データのうち、ＰＭＶ１，ＰＭＶ２，ＰＭＶ３の時系列データを給気温度決定部８１ｄのニューラルネットワーク８１０ｄの入力変数、給気温度設定値ＳＰの時系列データをニューラルネットワーク８１０ｄの出力変数として、目的とする出力変数が得られるようニューラルネットワーク８１０ｄの学習を行う（図３１ステップＳ３００）。

空調コントローラ５ｄの学習部８２ｅは、ＰＭＶ１，ＰＭＶ２，ＰＭＶ３の時系列データを給気湿度決定部８１ｅのニューラルネットワーク８１１ｅの入力変数、給気湿度設定値ＨＳＡＳＰの時系列データをニューラルネットワーク８１１ｅの出力変数として、目的とする出力変数が得られるようニューラルネットワーク８１１ｅの学習を行う（図３１ステップＳ３０１）。

次に、ニューラルネットワークの学習後の空調コントローラ５ｄの動作について、図３２を参照して説明する。
空調コントローラ５ｄのＰＭＶ取得部８５は、ＶＡＶコントローラ４ｃ−１，４ｃ−２，４ｃ−３から通知されたＰＭＶ１，ＰＭＶ２，ＰＭＶ３の値を取得する（図３２ステップＳ３１０）。

空調コントローラ５ｄの給気温度決定部８１ｄは、ＰＭＶ取得部８５によって取得されたＰＭＶ１，ＰＭＶ２，ＰＭＶ３に対応する給気温度設定値ＳＰをニューラルネットワーク８１０ｄにより決定する。空調コントローラ５ｄの給気湿度決定部８１ｅは、ＰＭＶ１，ＰＭＶ２，ＰＭＶ３に対応する給気湿度設定値ＨＳＡＳＰをニューラルネットワーク８１１ｅにより決定する（図３２ステップＳ３１１）。

空調コントローラ５ｄの給気温度計測値取得部５０と給気湿度計測値取得部８４と操作量算出部５１ｂ，５１ｃと操作量出力部５２ｂ，５２ｃと設定風量取得部５３と風量制御部５４の動作（図３２ステップＳ３１２，Ｓ３１３，Ｓ３１４，Ｓ３１５，Ｓ３１６，Ｓ３１７，Ｓ３１８）は、図１４のステップＳ１２２，Ｓ１２３，Ｓ１２４，Ｓ１２５，Ｓ１２６，Ｓ１２７，Ｓ１２８で説明したとおりである。

空調コントローラ５ｄは、以上のようなステップＳ３１０〜Ｓ３１８の処理を空調が停止するまで（図３２ステップＳ３１９においてＹＥＳ）、一定時間毎に行う。

以上のように、本実施例では、例えば建物内のテナントの入れ替わり時などにおいて一定期間、従来のロードリセット制御で空調を動かしながら、ＰＭＶ、設定風量、給気温度設定値および給気湿度設定値を収集して、収集したデータに基づいてニューラルネットワークの学習を行う。そして、学習後にニューラルネットワークを使う通常の制御に切り替えることにより、ＶＡＶの能力やダクトの圧損、あるいは被制御エリアの区画と異なる間仕切り等による被制御エリアの温度制御、湿度制御のばらつきを改善することができる。

なお、第３、第４の実施例におけるＰＭＶの算出には、ＶＡＶコントローラのＣＰＵ（Central Processing Unit）の性能に応じて、理論式を利用してもよいし近似式を利用してもよい。
また、第１〜第４の実施例では、被制御エリア８−１，８−２，８−３に設置した湿度センサ１０−１，１０−２，１０−３によって湿度を計測したが、ＶＡＶユニット３−１，３−２，３−３のダクトに設けられた湿度センサによって湿度を計測するようにしてもよい。

第３、第４の実施例において、ＶＡＶコントローラ４ｃ−１，４ｃ−２，４ｃ−３の活動量算出部７７は、被制御エリア８−１，８−２，８−３に設置された防犯カメラによって撮影された可視画像に基づいて被制御エリア８−１，８−２，８−３に居る人の活動量を算出するようにしてもよい。

この場合、活動量算出部７７は、例えば防犯カメラの画像をＡＩによって処理して人の画像を抽出し、活動量の推定を行うようにすればよい。上記のとおり、被制御エリアに複数の人の存在が検出された場合には、いずれか一人の活動量を求めてもよいし、被制御エリアに居る複数の人の平均の活動量を求めるようにしてもよい。

第３、第４の実施例において、ＶＡＶコントローラ４ｃ−１，４ｃ−２，４ｃ−３の着衣量算出部７８は、被制御エリア８−１，８−２，８−３に設置された防犯カメラによって撮影された可視画像に基づいて被制御エリア８−１，８−２，８−３に居る人の着衣量を算出するようにしてもよい。

この場合、着衣量算出部７８は、例えば防犯カメラの画像をＡＩによって処理して人の画像を抽出し、人が着ている衣服の種類と着用枚数とを推定して、着衣量の推定を行うようにすればよい。衣服の種類および着用枚数と着衣量との関係は、例えばデータベースに登録しておくようにすればよい。上記のとおり、被制御エリアに複数の人の存在が検出された場合には、いずれか一人の着衣量を求めてもよいし、被制御エリアに居る複数の人の平均の着衣量を求めるようにしてもよい。

また、第３、第４の実施例では、設定風量から気流速度を算出しているが、各被制御エリア８−１，８−２，８−３の気流速度を計測する気流速度センサを設置してもよい。気流速度センサを設置する場合、ＶＡＶコントローラ４ｃ−１，４ｃ−２，４ｃ−３の気流速度導出部７９は、それぞれ被制御エリア８−１，８−２，８−３に設置された気流速度センサによって計測された値をそのまま気流速度Ｖ１，Ｖ２，Ｖ３として採用すればよい。また、気流速度導出部７９は、例えばユーザによって予め定められた固定値を気流速度Ｖ１，Ｖ２，Ｖ３として採用してもよい。

また、第１〜第４の実施例では、ＶＡＶコントローラ４ａ−１，４ａ−２，４ａ−３，４ｂ−１，４ｂ−２，４ｂ−３，４ｃ−１，４ｃ−２，４ｃ−３と空調コントローラ５ａ，５ｂ，５ｃ，５ｄでニューラルネットワークの学習を行っていたが、これに限るものではなく、ニューラルネットワークの学習を外部で行うようにしてもよい。

例えば学習部４７，４７ｃ，４８，５８，５８ｃ，７３，８２，８２ｄの機能を外部の管理センタに設け、ＶＡＶコントローラ４ａ−１，４ａ−２，４ａ−３，４ｂ−１，４ｂ−２，４ｂ−３，４ｃ−１，４ｃ−２，４ｃ−３と空調コントローラ５ａ，５ｂ，５ｃ，５ｄで収集したデータをネットワークを介して管理センタに送信するようにしてもよい。管理センタでは、収集したデータを基に、第１〜第４の実施例で説明したニューラルネットワークの学習を行い、学習結果をＶＡＶコントローラ４ａ−１，４ａ−２，４ａ−３，４ｂ−１，４ｂ−２，４ｂ−３，４ｃ−１，４ｃ−２，４ｃ−３と空調コントローラ５ａ，５ｂ，５ｃ，５ｄに送信して、ニューラルネットワークを更新させるようにすればよい。なお、学習は機械的に自動実行できるため、データ収集、学習、学習結果の現場への送信、およびニューラルネットワークの更新は自動化することが可能である。

第１〜第４の実施例のＶＡＶコントローラ４ａ−１，４ａ−２，４ａ−３，４ｂ−１，４ｂ−２，４ｂ−３，４ｃ−１，４ｃ−２，４ｃ−３と空調コントローラ５ａ，５ｂ，５ｃ，５ｄの各々は、ＣＰＵ、記憶装置および外部とのインタフェースを備えたコンピュータと、これらのハードウェア資源を制御するプログラムによって実現することができる。各装置のＣＰＵは、記憶装置に格納されたプログラムに従って第１〜第４の実施例で説明した処理を実行し、本発明のＶＡＶシステムおよび空調制御方法を実現する。

本発明は、ＶＡＶシステムに適用することができる。

１…空調機、２…給気ダクト、３−１，３−２，３−３…ＶＡＶユニット、４ａ−１，４ａ−２，４ａ−３，４ｂ−１，４ｂ−２，４ｂ−３，４ｃ−１，４ｃ−２，４ｃ−３…ＶＡＶコントローラ、５ａ，５ｂ，５ｃ，５ｄ…空調コントローラ、６−１，６−２，６−３，７，１１…温度センサ、８−１，８−２，８−３…被制御エリア、９−１，９−２，９−３…吹出口、１０−１，１０−２，１０−３，１２…湿度センサ、１３−１，１３−２，１３−３…輻射センサ、４０…室内温度計測値取得部、４１…風量計測値取得部、４２，４２ｃ，７１…設定風量決定部、４３…設定風量値通知部、４４…制御部、４５…室内温度設定値決定部、４６…室内温度通知部、４７，４７ｃ，４８，５８，５８ｃ，７３，８２，８２ｂ，８２ｃ，８２ｄ，８２ｅ…学習部、４９…外気温度計測値取得部、５０…給気温度計測値取得部、５１，５１ｂ，５１ｃ…操作量算出部、５２，５２ｂ，５２ｃ…操作量出力部、５３…設定風量取得部、５４…風量制御部、５５…室内温度取得部、５６…外気温度通知部、５７，５７ｃ…給気温度決定部、５９…給気温度設定部、６０，６３…時刻取得部、６１，７４…設定風量算出部、６２…要求ステータス通知部、６４，６４ｂ…給気温度制御部、６４ｃ…給気湿度制御部、７０…室内湿度計測値取得部、７２…室内湿度通知部、７５…熱画像取得部、７６…放射温度算出部、７７…活動量算出部、７８…着衣量算出部、７９…気流速度導出部、８０…室内湿度取得部、８１ｂ，８１ｄ…給気温度決定部、８１ｃ，８１ｅ…給気湿度決定部、８３ｂ，８３ｄ…給気温度設定部、８３ｃ，８３ｅ…給気湿度設定部、８４…給気湿度計測値取得部、８５…ＰＭＶ取得部、９０…ＰＭＶ算出部、９１…ＰＭＶ通知部、４２０，４２０ｃ，４５０，５７０，５７０ｃ，７１０，８１０，８１０ｄ，８１１，８１１ｅ…ニューラルネットワーク。

Claims (9)

1. 空調機と、
   この空調機から複数の被制御エリアに供給される給気の温度と給気温度設定値とが一致するように前記給気の温度を制御するように構成された給気温度制御部と、
   被制御エリア毎に設けられた変風量ユニットと、
   ロードリセット制御のときに空調能力が不足状態の場合に空調能力が増える方向に前記給気温度設定値を設定するように構成された給気温度設定部と、
   前記ロードリセット制御のときに前記空調機から前記被制御エリアに供給される給気の設定風量を前記被制御エリアの負荷状況に応じて被制御エリア毎に算出するように構成された設定風量算出部と、
   前記設定風量に応じて前記変風量ユニットを被制御エリア毎に制御するように構成された制御部と、
   前記ロードリセット制御の後の通常の制御時に前記被制御エリアの室内温度に対応する前記設定風量を第１のニューラルネットワークにより被制御エリア毎に決定するように構成された設定風量決定部と、
   前記通常の制御時に前記複数の被制御エリアの室内温度に対応する前記給気温度設定値を第２のニューラルネットワークにより決定するように構成された給気温度決定部と、
   前記通常の制御に入る前に前記ロードリセット制御のときに収集した被制御エリア毎の室内温度と被制御エリア毎の設定風量とに基づいて、前記第１のニューラルネットワークの学習を被制御エリア毎に行うように構成された第１の学習部と、
   前記通常の制御に入る前に前記ロードリセット制御のときに収集した前記複数の被制御エリアの室内温度と前記給気温度設定値とに基づいて、前記第２のニューラルネットワークの学習を行うように構成された第２の学習部とを備えることを特徴とするＶＡＶシステム。
2. 空調機と、
   この空調機から複数の被制御エリアに供給される給気の温度と給気温度設定値とが一致するように前記給気の温度を制御するように構成された給気温度制御部と、
   前記給気の湿度と給気湿度設定値とが一致するように前記給気の湿度を制御するように構成された給気湿度制御部と、
   被制御エリア毎に設けられた変風量ユニットと、
   ロードリセット制御のときに空調能力が不足状態の場合に空調能力が増える方向に前記給気温度設定値を設定するように構成された給気温度設定部と、
   前記ロードリセット制御のときに前記給気湿度設定値を設定するように構成された給気湿度設定部と、
   前記ロードリセット制御のときに前記空調機から前記被制御エリアに供給される給気の設定風量を前記被制御エリアの負荷状況に応じて被制御エリア毎に算出するように構成された設定風量算出部と、
   前記設定風量に応じて前記変風量ユニットを被制御エリア毎に制御するように構成された制御部と、
   前記ロードリセット制御の後の通常の制御時に前記被制御エリアの室内湿度に対応する前記設定風量を第１のニューラルネットワークにより被制御エリア毎に決定するように構成された設定風量決定部と、
   前記通常の制御時に前記複数の被制御エリアの室内湿度に対応する前記給気温度設定値を第２のニューラルネットワークにより決定するように構成された給気温度決定部と、
   前記通常の制御時に前記複数の被制御エリアの室内湿度に対応する前記給気湿度設定値を第３のニューラルネットワークにより決定するように構成された給気湿度決定部と、
   前記通常の制御に入る前に前記ロードリセット制御のときに収集した被制御エリア毎の室内湿度と被制御エリア毎の設定風量とに基づいて、前記第１のニューラルネットワークの学習を被制御エリア毎に行うように構成された第１の学習部と、
   前記通常の制御に入る前に前記ロードリセット制御のときに収集した前記複数の被制御エリアの室内湿度と前記給気温度設定値とに基づいて、前記第２のニューラルネットワークの学習を行うように構成された第２の学習部と、
   前記通常の制御に入る前に前記ロードリセット制御のときに収集した前記複数の被制御エリアの室内湿度と前記給気湿度設定値とに基づいて、前記第３のニューラルネットワークの学習を行うように構成された第３の学習部とを備えることを特徴とするＶＡＶシステム。
3. 空調機と、
   この空調機から複数の被制御エリアに供給される給気の温度と給気温度設定値とが一致するように前記給気の温度を制御するように構成された給気温度制御部と、
   被制御エリア毎に設けられた変風量ユニットと、
   ロードリセット制御のときに空調能力が不足状態の場合に空調能力が増える方向に前記給気温度設定値を設定するように構成された給気温度設定部と、
   前記ロードリセット制御のときに前記空調機から前記被制御エリアに供給される給気の設定風量を前記被制御エリアの負荷状況に応じて被制御エリア毎に算出するように構成された設定風量算出部と、
   前記設定風量に応じて前記変風量ユニットを被制御エリア毎に制御するように構成された制御部と、
   前記被制御エリアの温熱環境の快適度を示す温冷感評価指標値を被制御エリア毎に算出するように構成された温冷感評価指標値算出部と、
   前記ロードリセット制御の後の通常の制御時に前記被制御エリアの温冷感評価指標値に対応する前記設定風量を第１のニューラルネットワークにより被制御エリア毎に決定するように構成された設定風量決定部と、
   前記通常の制御時に前記複数の被制御エリアの温冷感評価指標値に対応する前記給気温度設定値を第２のニューラルネットワークにより決定するように構成された給気温度決定部と、
   前記通常の制御に入る前に前記ロードリセット制御のときに収集した被制御エリア毎の温冷感評価指標値と被制御エリア毎の設定風量とに基づいて、前記第１のニューラルネットワークの学習を被制御エリア毎に行うように構成された第１の学習部と、
   前記通常の制御に入る前に前記ロードリセット制御のときに収集した前記複数の被制御エリアの温冷感評価指標値と前記給気温度設定値とに基づいて、前記第２のニューラルネットワークの学習を行うように構成された第２の学習部とを備えることを特徴とするＶＡＶシステム。
4. 空調機と、
   この空調機から複数の被制御エリアに供給される給気の温度と給気温度設定値とが一致するように前記給気の温度を制御するように構成された給気温度制御部と、
   前記給気の湿度と給気湿度設定値とが一致するように前記給気の湿度を制御するように構成された給気湿度制御部と、
   被制御エリア毎に設けられた変風量ユニットと、
   ロードリセット制御のときに空調能力が不足状態の場合に空調能力が増える方向に前記給気温度設定値を設定するように構成された給気温度設定部と、
   前記ロードリセット制御のときに前記給気湿度設定値を設定するように構成された給気湿度設定部と、
   前記ロードリセット制御のときに前記空調機から前記被制御エリアに供給される給気の設定風量を前記被制御エリアの負荷状況に応じて被制御エリア毎に算出するように構成された設定風量算出部と、
   前記設定風量に応じて前記変風量ユニットを被制御エリア毎に制御するように構成された制御部と、
   前記被制御エリアの温熱環境の快適度を示す温冷感評価指標値を被制御エリア毎に算出するように構成された温冷感評価指標値算出部と、
   前記ロードリセット制御の後の通常の制御時に前記被制御エリアの温冷感評価指標値に対応する前記設定風量を第１のニューラルネットワークにより被制御エリア毎に決定するように構成された設定風量決定部と、
   前記通常の制御時に前記複数の被制御エリアの温冷感評価指標値に対応する前記給気温度設定値を第２のニューラルネットワークにより決定するように構成された給気温度決定部と、
   前記通常の制御時に前記複数の被制御エリアの温冷感評価指標値に対応する前記給気湿度設定値を第３のニューラルネットワークにより決定するように構成された給気湿度決定部と、
   前記通常の制御に入る前に前記ロードリセット制御のときに収集した被制御エリア毎の温冷感評価指標値と被制御エリア毎の設定風量とに基づいて、前記第１のニューラルネットワークの学習を被制御エリア毎に行うように構成された第１の学習部と、
   前記通常の制御に入る前に前記ロードリセット制御のときに収集した前記複数の被制御エリアの温冷感評価指標値と前記給気温度設定値とに基づいて、前記第２のニューラルネットワークの学習を行うように構成された第２の学習部と、
   前記通常の制御に入る前に前記ロードリセット制御のときに収集した前記複数の被制御エリアの温冷感評価指標値と前記給気湿度設定値とに基づいて、前記第３のニューラルネットワークの学習を行うように構成された第３の学習部とを備えることを特徴とするＶＡＶシステム。
5. 請求項３または４記載のＶＡＶシステムにおいて、
   前記温冷感評価指標値は、ＰＭＶであり、
   被制御エリア毎に設けられた輻射センサの出力熱画像に基づいて平均放射温度を被制御エリア毎に算出するように構成された放射温度算出部と、
   前記輻射センサの出力熱画像または被制御エリア毎に設けられたカメラの出力画像に基づいて被制御エリアに居る人の活動量を被制御エリア毎に算出するように構成された活動量算出部と、
   前記輻射センサの出力熱画像または前記カメラの出力画像に基づいて被制御エリアに居る人の着衣量を被制御エリア毎に算出するように構成された着衣量算出部と、
   前記変風量ユニットによって計測された風量から得られる値、被制御エリア毎の気流速度センサによって計測された値、および固定値のいずれかを被制御エリア毎の気流速度として採用するように構成された気流速度導出部とをさらに備え、
   前記温冷感評価指標値算出部は、温度センサによって計測された被制御エリア毎の室内温度と湿度センサによって計測された被制御エリア毎の室内湿度と前記平均放射温度と前記活動量と前記着衣量と前記気流速度とに基づいて前記ＰＭＶを被制御エリア毎に算出することを特徴とするＶＡＶシステム。
6. 空調機から複数の被制御エリアに供給される給気の温度と給気温度設定値とが一致するように前記給気の温度を制御する第１のステップと、
   ロードリセット制御のときに空調能力が不足状態の場合に空調能力が増える方向に前記給気温度設定値を設定する第２のステップと、
   前記ロードリセット制御のときに前記空調機から前記被制御エリアに供給される給気の設定風量を前記被制御エリアの負荷状況に応じて被制御エリア毎に算出する第３のステップと、
   前記設定風量に応じて変風量ユニットを被制御エリア毎に制御する第４のステップと、
   前記ロードリセット制御の後の通常の制御時に前記被制御エリアの室内温度に対応する前記設定風量を第１のニューラルネットワークにより被制御エリア毎に決定する第５のステップと、
   前記通常の制御時に前記複数の被制御エリアの室内温度に対応する前記給気温度設定値を第２のニューラルネットワークにより決定する第６のステップと、
   前記通常の制御に入る前に前記ロードリセット制御のときに収集した被制御エリア毎の室内温度と被制御エリア毎の設定風量とに基づいて、前記第１のニューラルネットワークの学習を被制御エリア毎に行う第７のステップと、
   前記通常の制御に入る前に前記ロードリセット制御のときに収集した前記複数の被制御エリアの室内温度と前記給気温度設定値とに基づいて、前記第２のニューラルネットワークの学習を行う第８のステップとを含むことを特徴とする空調制御方法。
7. 空調機から複数の被制御エリアに供給される給気の温度と給気温度設定値とが一致するように前記給気の温度を制御する第１のステップと、
   前記給気の湿度と給気湿度設定値とが一致するように前記給気の湿度を制御する第２のステップと、
   ロードリセット制御のときに空調能力が不足状態の場合に空調能力が増える方向に前記給気温度設定値を設定する第３のステップと、
   前記ロードリセット制御のときに前記給気湿度設定値を設定する第４のステップと、
   前記ロードリセット制御のときに前記空調機から前記被制御エリアに供給される給気の設定風量を前記被制御エリアの負荷状況に応じて被制御エリア毎に算出する第５のステップと、
   前記設定風量に応じて変風量ユニットを被制御エリア毎に制御する第６のステップと、
   前記ロードリセット制御の後の通常の制御時に前記被制御エリアの室内湿度に対応する前記設定風量を第１のニューラルネットワークにより被制御エリア毎に決定する第７のステップと、
   前記通常の制御時に前記複数の被制御エリアの室内湿度に対応する前記給気温度設定値を第２のニューラルネットワークにより決定する第８のステップと、
   前記通常の制御時に前記複数の被制御エリアの室内湿度に対応する前記給気湿度設定値を第３のニューラルネットワークにより決定する第９のステップと、
   前記通常の制御に入る前に前記ロードリセット制御のときに収集した被制御エリア毎の室内湿度と被制御エリア毎の設定風量とに基づいて、前記第１のニューラルネットワークの学習を被制御エリア毎に行う第１０のステップと、
   前記通常の制御に入る前に前記ロードリセット制御のときに収集した前記複数の被制御エリアの室内湿度と前記給気温度設定値とに基づいて、前記第２のニューラルネットワークの学習を行う第１１のステップと、
   前記通常の制御に入る前に前記ロードリセット制御のときに収集した前記複数の被制御エリアの室内湿度と前記給気湿度設定値とに基づいて、前記第３のニューラルネットワークの学習を行う第１２のステップとを含むことを特徴とする空調制御方法。
8. 空調機から複数の被制御エリアに供給される給気の温度と給気温度設定値とが一致するように前記給気の温度を制御する第１のステップと、
   ロードリセット制御のときに空調能力が不足状態の場合に空調能力が増える方向に前記給気温度設定値を設定する第２のステップと、
   前記ロードリセット制御のときに前記空調機から前記被制御エリアに供給される給気の設定風量を前記被制御エリアの負荷状況に応じて被制御エリア毎に算出する第３のステップと、
   前記設定風量に応じて変風量ユニットを被制御エリア毎に制御する第４のステップと、
   前記被制御エリアの温熱環境の快適度を示す温冷感評価指標値を被制御エリア毎に算出する第５のステップと、
   前記ロードリセット制御の後の通常の制御時に前記被制御エリアの温冷感評価指標値に対応する前記設定風量を第１のニューラルネットワークにより被制御エリア毎に決定する第６のステップと、
   前記通常の制御時に前記複数の被制御エリアの温冷感評価指標値に対応する前記給気温度設定値を第２のニューラルネットワークにより決定する第７のステップと、
   前記通常の制御に入る前に前記ロードリセット制御のときに収集した被制御エリア毎の温冷感評価指標値と被制御エリア毎の設定風量とに基づいて、前記第１のニューラルネットワークの学習を被制御エリア毎に行う第８のステップと、
   前記通常の制御に入る前に前記ロードリセット制御のときに収集した前記複数の被制御エリアの温冷感評価指標値と前記給気温度設定値とに基づいて、前記第２のニューラルネットワークの学習を行う第９のステップとを含むことを特徴とする空調制御方法。
9. 空調機から複数の被制御エリアに供給される給気の温度と給気温度設定値とが一致するように前記給気の温度を制御する第１のステップと、
   前記給気の湿度と給気湿度設定値とが一致するように前記給気の湿度を制御する第２のステップと、
   ロードリセット制御のときに空調能力が不足状態の場合に空調能力が増える方向に前記給気温度設定値を設定する第３のステップと、
   前記ロードリセット制御のときに前記給気湿度設定値を設定する第４のステップと、
   前記ロードリセット制御のときに前記空調機から前記被制御エリアに供給される給気の設定風量を前記被制御エリアの負荷状況に応じて被制御エリア毎に算出する第５のステップと、
   前記設定風量に応じて変風量ユニットを被制御エリア毎に制御する第６のステップと、
   前記被制御エリアの温熱環境の快適度を示す温冷感評価指標値を被制御エリア毎に算出する第７のステップと、
   前記ロードリセット制御の後の通常の制御時に前記被制御エリアの温冷感評価指標値に対応する前記設定風量を第１のニューラルネットワークにより被制御エリア毎に決定する第８のステップと、
   前記通常の制御時に前記複数の被制御エリアの温冷感評価指標値に対応する前記給気温度設定値を第２のニューラルネットワークにより決定する第９のステップと、
   前記通常の制御時に前記複数の被制御エリアの温冷感評価指標値に対応する前記給気湿度設定値を第３のニューラルネットワークにより決定する第１０のステップと、
   前記通常の制御に入る前に前記ロードリセット制御のときに収集した被制御エリア毎の温冷感評価指標値と被制御エリア毎の設定風量とに基づいて、前記第１のニューラルネットワークの学習を被制御エリア毎に行う第１１のステップと、
   前記通常の制御に入る前に前記ロードリセット制御のときに収集した前記複数の被制御エリアの温冷感評価指標値と前記給気温度設定値とに基づいて、前記第２のニューラルネットワークの学習を行う第１２のステップと、
   前記通常の制御に入る前に前記ロードリセット制御のときに収集した前記複数の被制御エリアの温冷感評価指標値と前記給気湿度設定値とに基づいて、前記第３のニューラルネットワークの学習を行う第１３のステップとを含むことを特徴とする空調制御方法。