JP2020067270A - 空調制御プログラム、空調制御方法および空調制御装置 - Google Patents

Abstract

【課題】室内の温度の変化は、空調制御の開始時点における対象部屋等の蓄熱状況により大きく変化する。適切な空調制御を実行する空調制御プログラム、空調制御方法および空調制御装置に関する。【解決手段】空調制御装置１０は、空調機２による空調制御の対象である対象空間１内の室温、および、外気温のデータを蓄積する。空調制御装置１０は、蓄積されたデータにより算出される対象空間１の蓄熱因子を用いて、対象空間１について空調機２の運転制御を行う。【選択図】図１

Description

本発明は、空調制御プログラム、空調制御方法および空調制御装置に関する。

消費電力を抑えつつ、ユーザにとって快適な室温となるように、エアコンなどを制御する空調制御が行われている。例えば、センサの観測値と天気情報を用いて、数分後の室温を予測し、予測された予測値を基にして、目標とする室温変化を実現するための運転計画を生成する技術が知られている。

特開２０１７−６７４２７号公報 特開２０１５−１０８４９９号公報 国際公開第２０１４／０１７３１６号 特表２０１７−５３２６８８号公報 特開２０１７−７５７３１号公報

ところで、室内の温度の変化は、空調制御の開始時点における対象部屋等の蓄熱状況により大きく変化する。しかしながら、上記技術では、室温と外気温を用いて室温を予測するので、指定時刻よりも前に目標温度に到達する事象や指定時刻までに目標温度までに到達しない事象が発生し、適切な空調制御が行えるとは言い難い。

一つの側面では、適切な空調制御を実行することができる空調制御プログラム、空調制御方法および空調制御装置を提供することを目的とする。

第１の案では、空調制御プログラムは、コンピュータに、空調機による空調制御の対象である対象空間内の室温、および、外気温のデータを蓄積する処理と、前記蓄積されたデータにより算出される前記対象空間の蓄熱因子を用いて、前記対象空間について前記空調機の運転制御を行う処理を実行させる。

一つの側面では、適切な空調制御を実行することができる。

図１は、実施例１にかかるシステムの全体構成例を示す図である。 図２は、一般的な運転計画を説明する図である。 図３は、蓄熱による影響を説明する図である。 図４は、蓄熱による温度遷移を説明する図である。 図５は、実施例１にかかる空調制御装置の機能構成を示す機能ブロック図である。 図６は、実施例１にかかるセンサ値ＤＢに記憶される情報の例を示す図である。 図７は、実施例１にかかる操作ログＤＢに記憶される情報の例を示す図である。 図８は、物理モデルの生成を説明する図である。 図９は、蓄熱の影響を受けるときの蓄熱性の違いによる影響を説明する図である。 図１０は、蓄熱因子および冷却性能の算出を説明する図である。 図１１は、室温予測を説明する図である。 図１２は、運転モードによる運転計画の違いを説明する図である。 図１３は、実施例１にかかる蓄熱因子の算出処理の流れを示すフローチャートである。 図１４は、実施例１にかかる冷却性能の算出処理の流れを示すフローチャートである。 図１５は、実施例１にかかる運転計画の生成処理の流れを示すフローチャートである。 図１６は、実施例２にかかる運転計画の生成を説明する図である。 図１７は、一般技術における問題点を説明する図である。 図１８は、各運転モードによる運転計画を説明する図である。 図１９は、サイクリング状態とユーザ操作を説明する図である。 図２０は、実施例３にかかる空調制御装置の機能構成を示す機能ブロック図である。 図２１は、サイクリング状態の判定を説明する図である。 図２２は、教師データの生成を説明する図である。 図２３は、教師データの生成を説明する図である。 図２４は、推論処理を説明する図である。 図２５は、実施例３にかかる学習処理の流れを示すフローチャートである。 図２６は、実施例３にかかるサイクリング状態フラグの算出処理の流れを示すフローチャートである。 図２７は、実施例３にかかる推論処理の流れを示すフローチャートである。 図２８は、一般的な手法による学習と推論を説明する図である。 図２９は、実施例３による学習と推論を説明する図である。 図３０は、ハードウェア構成例を説明する図である。

以下に、本願の開示する空調制御プログラム、空調制御方法および空調制御装置の実施例を図面に基づいて詳細に説明する。なお、この実施例によりこの発明が限定されるものではない。また、各実施例は、矛盾のない範囲内で適宜組み合わせることができる。

［全体構成例］
図１は、実施例１にかかるシステムの全体構成例を示す図である。図１に示すように、このシステムは、空調制御装置１０と空調制御の対象となる空間の一例である部屋１に設置される各装置とがネットワークを介して通信可能に接続される空調制御システムである。本実施例では、空調制御の一例として冷房の空調制御について説明する。なお、空調制御装置１０は、部屋１の内部に設置されてもよく、部屋１の外に設置することもできる。ネットワークには、有線や無線を問わず、インターネットなどの各種通信網を採用することができる。

部屋１は、室内１ａと外部とを遮断する外壁１ｂ、室内１ａに設置される空調機２、部屋１の室外に設置される室外機３、室内１ａに設置されるセンサ４を有する。外壁１ｂは、外気温の影響を受け、熱を蓄積する。空調機２は、部屋１内の冷却または暖房を実行するエアコンなどであり、リモコン等や空調制御装置１０からの指示に応じて空調制御を実行する。また、空調機２は、空調制御のオン／オフとその時刻とを対応付けた操作ログなどを収集して、空調制御装置１０に送信する。

室外機３は、空調機２の室外機であり、外気温を測定するセンサ（図示しない）や図示しない圧縮機を有する。センサ４は、室内の温度（室温）や室外機３のセンサから取得した室外の温度（外気温）を収集して、空調制御装置１０に送信する。なお、圧縮機は、冷媒を圧縮して高温・高圧の冷媒とするものであり、インバータで駆動され、空調状況に応じて運転容量が制御される。

空調制御装置１０は、部屋１内の各装置を管理および空調機２の空調制御を実行する制御装置の一例である。この空調制御装置１０は、センサ４から室温や外気温などを含むセンサ値を取得し、空調機２から空調制御のオン／オフを含む操作ログを取得する。そして、空調制御装置１０は、部屋１の外壁１ｂの蓄熱量を考慮することにより、目標とする室温の変化に合うように、運転計画を生成する。

ここで、一般的な運転計画を説明する。図２は、一般的な運転計画を説明する図である。図２示す例は、夏の睡眠中の室温制御の例である。図２に示すように、一般的な運転計画は、目標とする室内変化のカーブがあり、それを実現するための計画である。例えば、過去のセンサ値や直近のセンサ値の情報、外気温の変化などを用いて、冷房を行わなかったとき（空調制御ＯＦＦ時）の室温の時間変化を特定する。そして、冷房ＯＦＦ時の室温の時間変化と理想の室温とを比較し、室温が理想の室温を越えないようにするために、冷房の開始時刻を決定する運転計画を生成する。図２の例では、理想の室温２７℃を越えないために、５時半に冷房を開始する運転計画が生成される。

しかし、室内１ａの温度の変化は、運転開始の時点で対象の部屋１等の蓄熱状況により大きく変化する。具体的には、外壁１ｂは、昼間の外気温の上昇に伴って蓄熱し、夜間の外気温の低下に伴って室内１ａに放熱する。つまり、昼間の一定時間は、外部の熱が外壁１ｂに蓄熱されるので、外部から室内への熱の流入が小さく、上昇する外気温が室温に与える影響は小さい。また、夜間の一定時間は、外壁１ｂに昼間の熱が蓄熱されている状態なので、外気温が低下している間、外壁１ｂから室内１ａへの放熱が発生し、室温の上昇が大きい。

図３は、蓄熱による影響を説明する図である。図３には、ある室内における室温、外気温、温度設定の履歴を示している。図３に示すように、午前は、前日の夜に蓄積された外壁１ｂの熱が放熱済みの状態であり、外壁１ｂに熱が蓄積可能であるので、外気温は上昇するが室温の上昇は小さい。このため、図３の（ａ）に示すように、午前中に室温を３０℃から２７℃まで冷房する場合、外気温の影響による室温の上昇が少ないにも関わらず、目標温度まで冷房を行うことになり、目標時刻までに室温が下がり過ぎることがある。

また、午後は、昼間に蓄積された外壁１ｂの熱が室内１ａに放熱されるので、外気温は下がっているが室温は上昇する。このため、図３の（ｂ）に示すように、夕方以降に室温を３０℃から２７℃まで冷房する場合、外気温の影響を受けて室温が上昇している状況で目標温度までの冷房を行うことになり、目標時刻までに室温が下がりきらないことがある。つまり、図３の（ａ）と（ｂ）とに示すように、同じように、室温を３０℃から２７℃まで下げる冷房を行う場合でも、外壁１ｂが蓄熱可能な昼間では２５分で済むが、外壁１ｂから室内１ａへの放熱がある夕方では３５分もかかる場合がある。

ここで、外壁１ｂの蓄熱の影響をより詳細に説明する。図４は、蓄熱による温度遷移を説明する図である。図４では、昼間の外気温（Ｔｏｕｔ）が３１℃であった状態（図４の（ａ））で生成された運転計画を、昼間の外気温が３５℃であった状態（図４の（ｂ））に流用した例を説明する。なお、運転計画は、１７時３０分に冷房を行って、１８時に室温（Ｔｒｏｏｍ）を目標温度（２５℃）まで冷却する運転計画であり、１６時以降の外気温の遷移は両方の状態で同じである。

図４の（ａ）に基づいて生成した運転計画では、１７：３０に、設定温度を２９℃に設定して冷房を開始し、１０分おきに設定温度を２℃下げるように冷房を行い、目標時刻１８時に目標温度まで室温を下げることができる。一方、図４の（ｂ）に同じ運転計画を適用した場合、図４の（ａ）と同様に冷房を行ったとしても、外壁１ｂの蓄熱により室温が上昇するので、目標時刻１８時に目標温度まで室温を下げることができない。

このように、室内温度や外気温のみで運転計画を生成した場合、目標時刻より前に目標温度に達したり、目標時刻までに目標温度に到達しない等の現象が生じるので、適切な空調制御を実行することができない。

そこで、実施例１にかかる空調制御装置１０は、空調機２の制御対象である部屋１の室内１ａの温度および外気温のデータを蓄積する。そして、空調制御装置１０は、蓄積されたデータより算出される部屋１の蓄熱状況を用いて、部屋１についての空調機２の運転制御を行う。すなわち、空調制御装置１０は、蓄熱を考慮しない第１の運転モードと、蓄熱を考慮する第２の運転モードとを動的に切替えて、空調対象の空間の蓄熱を考慮した制御を行うことで、適切な空調制御を実行する。

［機能構成］
図５は、実施例１にかかる空調制御装置１０の機能構成を示す機能ブロック図である。図５に示すように、空調制御装置１０は、通信部１１、記憶部１２、制御部２０を有する。通信部１１は、他の装置との間の通信を制御する処理部であり、例えば通信インタフェースなどである。例えば、通信部１１は、管理者端末との間のデータ送受信を実行し、部屋１に設置される各装置（デバイス）との間のデータ送受信を実行する。

記憶部１２は、データや制御部２０が実行するプログラムを記憶する記憶装置の一例であり、例えばメモリやハードディスクなどである。この記憶部１２は、センサ値ＤＢ１３、操作ログＤＢ１４、気象情報ＤＢ１５、設定情報ＤＢ１６を記憶する。

センサ値ＤＢ１３は、センサ４により取得された外気温や室温に関するセンサ値を記憶するデータベースである。ここで記憶されるセンサ値は、空調制御装置１０がセンサ４から取得する情報であり、温度の時間変化などセンサ４が測定できる他の情報を含んでいてもよい。

図６は、実施例１にかかるセンサ値ＤＢ１３に記憶される情報の例を示す図である。図６に示すように、センサ値ＤＢ１３は、「ｔｉｍｅ、Ｔｒｏｏｍ、Ｔｏｕｔ」を対応付けて記憶する。ここで記憶される「ｔｉｍｅ」は、測定時刻であり、「Ｔｒｏｏｍ」は、室温の測定結果であり、「Ｔｏｕｔ」は、外気温の測定結果である。図６の例では、時刻「１２：００」の測定結果が、室温「２５℃」であり外気温「３１℃」であることを示す。

操作ログＤＢ１４は、空調制御装置１０の操作に関するログ情報を記憶するデータベースである。ここで記憶されるログ情報は、空調制御装置１０が空調機２や空調機２のリモコンから取得する情報であり、設定温度など空調機２などが測定できる他の情報を含んでいてもよい。

図７は、実施例１にかかる操作ログＤＢ１４に記憶される情報の例を示す図である。図７に示すように、操作ログＤＢ１４は、「ｔｉｍｅ、ＯＮ／ＯＦＦ」を対応付けて記憶する。ここで記憶される「ｔｉｍｅ」は、収集時刻であり、「ＯＮ／ＯＦＦ」は、空調機２の操作ログである。図７の例では、時刻「１２：００」では、空調機２が「ＯＦＦ」であったことを示す。

気象情報ＤＢ１５は、外部の気象サーバなどから取得した気象情報を記憶するデータベースである。例えば、気象情報ＤＢ１５は、空調制御装置１０が任意のタイミングで気象サーバから取得した、外気温や湿度の観測値、外気温や湿度の予報値、天候などを記憶する。

設定情報ＤＢ１６は、空調制御に関する各種設定情報を記憶するデータベースである。例えば、設定情報ＤＢ１６は、空調制御の目標時刻および目標温度（室温）、後述する制御部２０によって算出された物理モデル、物理モデルの各種係数や各種パラメータ、生成された運転計画などを記憶する。なお、目標時刻や目標温度は、利用者等により任意に設定することができる。

制御部２０は、空調制御装置１０全体を司る処理部であり、例えばプロセッサなどである。この制御部２０は、事前学習部３０、運転計画部４０、空調制御部５０を有する。なお、事前学習部３０、運転計画部４０、空調制御部５０は、プロセッサが有する電子回路の一例やプロセッサが実行するプロセスの一例である。また、制御部２０は、センサ４からセンサ値を取得してセンサ値ＤＢ１３に格納し、空調機２から操作ログを取得して操作ログＤＢ１４に格納する。

事前学習部３０は、モデル生成部３１と係数推定部３２を有し、運転計画の生成の前に、蓄熱を考慮した蓄熱因子を含む物理モデルの生成および物理モデルの各パラメータ等の調整を実行する処理部である。

モデル生成部３１は、蓄熱を考慮した蓄熱因子を含む物理モデルを生成する処理部である。図８は、物理モデルの生成を説明する図である。図８に示すように、外気温をＴ_ｏ、外壁１ｂ内の壁内部温をＴ_ｗ、部屋１内の室温をＴ_ｒ、外気温から壁内部温への影響をｑ_ｏｗ、室温から壁内部温への影響をｑ_ｒｗとする。また、Ｗは、エアコンの冷却能力であり、空調機２の設計書や一般的な伝熱工学などから定まる定数である。なお、ここでは、前提として、外気温は熱の移動によって変化せず、室温は場所によらず一定とし、外壁の温度は中心のみを考慮し、空調機２の運転によって単位時間当たりに放出される熱量は一定とする。

このような状態において、時刻ｔにおけるｑ_ｏｗ（ｔ）は、外壁１ｂへの熱伝達係数αを用いて式（１）にように定式化でき、時刻ｔにおけるｑ_ｒｗ（ｔ）も、外壁１ｂへの熱伝達係数αを用いて式（２）にように定式化できる。

また、単位時間当たりの壁内部温の変化（ｄＴ_ｗ（ｔ）／ｄｔ）は、壁の比熱ｃ_ｗを用いて式（３）のように定式化できる。また、単位時間当たりの室温の変化（ｄＴ_ｒ（ｔ）／ｄｔ）は、家ごとの固有値であるが定数である室内の比熱ｃ_ｒと、部屋１の空気の体積と比熱とから算出される定数βとを用いて、式（４）のように定式化できる。

そして、式（１）から式（４）をまとめる際に、「ｃ_ｒｃ_ｗα^２」を蓄熱因子σ_１とし、「ｃ_ｗα（ｃ_ｒ−２）」を蓄熱因子σ_２とすることで、単位時間当たりの室温の変化（ｄＴ_ｒ（ｔ）／ｄｔ）を式（５）のように定式化できる。この式（５）は、蓄熱のもとになる温度差積分項を含んでおり、蓄熱を考慮した第２の運転モード時に使用される。一方、第１の運転モードは、蓄熱を考慮する必要がないので、空調機２の冷却性能（βＷ）を用いることができる（式（６））。

図５に戻り、係数推定部３２は、モデル生成部３１によって生成された物理モデルの係数を推定する処理部である。具体的には、係数推定部３２は、式（５）における蓄熱因子σ_１とσ_２、および、空調機２の冷却性能（βＷ）を、センサ値ＤＢ１３や操作ログＤＢ１４に記憶される実データを用いて推定する。

ここで、実データから蓄熱因子σ_１とσ_２を求める中で、温度差積分項の積分する時間は家の外壁に応じて変わる。図９は、蓄熱の影響を受けるときの蓄熱性の違いによる影響を説明する図である。図９の（ａ）に示すように、鉄筋コンクリートのように外壁１ｂの蓄熱性が良い空間の場合、蓄熱性が高いので、長時間蓄熱されることから、積分時間も長い方が好ましい。一方、図９の（ｂ）に示すように、プレハブ校舎のように外壁１ｂの蓄熱性が悪い空間の場合、蓄熱性が低いので、短時間しか蓄熱されないことから、積分時間も短い方が好ましい。

そこで、係数推定部３２は、実データを活用し、積分時間を１、２、３または４の各時間として、各積分時間で積分を行ってフィッティングし、決定係数Ｒ２が最大となる積分時間を求める。なお、積分時間は一例であり、任意に変更できる。

図１０は、蓄熱因子および冷却性能の算出を説明する図である。まず、係数推定部３２は、１、２、３、４時間の各積分時間について、式（５）から得られる空調機２がオフのときの単位時間当たりの室温変化を示す式（７）を用いて、対象空間に対する蓄熱因子を求める。具体的には、図１０に示すように、係数推定部３２は、空調機２がＯＦＦのときの室温と外気温の情報（ログ）を、センサ値ＤＢ１３および操作ログＤＢ１４を用いて取得する。続いて、係数推定部３２は、積分時間に対応する実データをログから取得し、実データのＴｒｏｏｍを式（７）のＴ_ｒに代入し、Ｔｏｕｔを式（７）のＴ_ｏに代入して、単位時間当たりの室温変化を算出する。そして、係数推定部３２は、回帰分析により蓄熱因子σ_１とσ_２を算出するとともに、決定係数Ｒ２を算出する。このようにして、係数推定部３２は、各積分時間について、各蓄熱因子（σ_１とσ_２）および決定係数Ｒ２を算出する。そして、係数推定部３２は、決定係数Ｒ２が最も高い積分時間の算出結果を採用する。

次に、係数推定部３２は、空調機２の冷却性能（βＷ）を算出する。具体的には、図１０に示すように、係数推定部３２は、空調機２がＯＮのときの室温と外気温の情報（ログ）を、センサ値ＤＢ１３および操作ログＤＢ１４を用いて取得する。続いて、係数推定部３２は、決定された各蓄熱因子（σ_１とσ_２）を代入した式（５）に、空調機２がＯＮのときの実データを入力して、空調機２の冷却性能（βＷ）を算出する。

このように、事前学習部３０は、空調制御対象の空間に応じた蓄熱因子（σ_１とσ_２）および空調機の冷却性能（βＷ）を算出して、適切な物理モデルを構築することができる。この結果、算出された蓄熱因子（σ_１とσ_２）および空調機の冷却性能（βＷ）を代入した式（５）が第２の運転モード時に使用され、空調機の冷却性能（βＷ）を代入した式（６）が第１の運転モード時に使用される。

図５に戻り、運転計画部４０は、判定部４１と予測部４２と計画生成部４３とを有し、事前学習部３０により生成された物理モデルを用いて、ユーザの目標に応じた運転計画を生成する処理部である。

判定部４１は、空調制御対象の空間の状態を判定し、第１の運転モードか第２の運転モードのいずれを用いるかを判定する処理部である。具体的には、判定部４１は、制御対象の空間が蓄熱の影響を受ける状態か否かによって、運転モードを選択する。

例えば、判定部４１は、「（時刻８時から１２までの４時間分の外気温−室温）の積算の平均値」を閾値とし、推論する直前４時間分の「外気温−室温の積算」が閾値以上の場合に、蓄熱の影響を受けると判定して第２の運転モードを選択し、閾値未満の場合に、蓄熱の影響を受けないと判定して第１の運転モードを選択する。別例としては、判定部４１は、「現室温が過去の平均室温より閾値以上高い」場合に、第２の運転モードを選択する。そして、判定部４１は、判定結果を予測部４２に出力する。

予測部４２は、判定部４１により選択された運転モードを用いて、室温の変化を予測する処理部である。具体的には、予測部４２は、空調機２をいつ起動させて、設定温度をどのタイミングで何℃に設定すれば、省エネと定義される運転を満たしつつ、目標時刻に目標温度に冷却することができるかを予測する。

一例として、図１１を用いて、夏に、現在時刻１７時の室温が３０℃のときに、時刻１８時に室温２５℃に到達させ、かつ、省エネと定義される運転（例えば、設定温度と室温とのかい離が２℃以内）となる運転を予測する例を説明する。なお、外気温は、気象情報ＤＢ１５に格納される予報値を用いることとし、運転モードは第２の運転モード（式（５））を用いることとする。

図１１は、室温予測を説明する図である。予測部４２は、算出された蓄熱因子（σ_１とσ_２）および空調機の冷却性能（βＷ）を代入した式（５）に、ある時刻の外気温の予報値（Ｔｏｕｔ）と実測された室温（Ｔｒｏｏｍ）を代入して、次の時刻の室温の予測値を算出する。予測部４２は、この計算を繰り返すことで、目標時刻に目標室温になる室温予測を実行する。

例えば、図１１の（ａ）に示すように、予測部４２は、１７時に設定温度２８℃で空調機２を起動させ、１７時の室温３０℃と外気温３０℃とを用いた式（５）により１７時１０分の室温を２８．５℃と予測する。次に、予測部４２は、１７時１０分に設定温度を２７℃に変更し、１７時１０分の室温２８．５℃と外気温２９℃とを用いた式（５）により１７時２０分の室温を２７℃と予測する。このような予測を繰り返すことで、予測部４２は、１７時４０分に目標温度２５℃に到達すると予測する。したがって、この予測では、目標時刻１８時よりも２０分早く目標温度に到達するので、余計な電力を使うことになり、適切な空調制御とは判断できない。

また、図１１の（ｂ）の例では、予測部４２は、１７時１０分に設定温度２９℃で空調機２を起動させ、１７時１０分の室温３１℃と外気温２９℃とを用いた式（５）により１７時２０分の室温を２９．５℃と予測する。次に、予測部４２は、１７時２０分に設定温度を２８℃に変更し、１７時２０分の室温２９．５℃と外気温２９℃とを用いた式（５）により１７時３０分の室温を２８℃と予測する。このような予測を繰り返すことで、予測部４２は、１８時００分に目標温度２５℃に到達すると予測する。したがって、この予測では、目標時刻１８時に目標温度に到達するので、適切な空調制御と判断できる。

また、図１１の（ｃ）の例では、予測部４２は、１７時２０分に設定温度２９℃で空調機２を起動させ、１７時２０分の室温３１℃と外気温２９℃とを用いた式（５）により１７時３０分の室温を２９．５℃と予測する。次に、予測部４２は、１７時３０分に設定温度を２８℃に変更し、１７時３０分の室温２９．５℃と外気温２９℃とを用いた式（５）により１７時４０分の室温を２８℃と予測する。このような予測を繰り返すことで、予測部４２は、１８時００分に目標温度２５．５℃に到達すると予測する。したがって、この予測では、目標時刻１８時に目標温度に到達できないので、適切な空調制御とは判断できない。

上記例のように、予測部４２は、選択された運転モードの物理モデルを用いて、複数のパターンの室温予測を実行し、適切な空調制御の計画を生成する。そして、予測部４２は、適切と判断された空調制御の計画を計画生成部４３に出力する。

図５に戻り、計画生成部４３は、予測部４２による予測結果に基づいて、空調機２の運転計画を生成する処理部である。例えば、計画生成部４３は、図１１の（ｂ）に示す予測結果が通知された場合、「時刻、制御内容」を含む運転計画を生成し、空調制御部５０に通知したり、記憶部１２等に格納したりする。

より詳細には、計画生成部４３は、「時刻、制御内容」として「１７時１０分、設定温度２９℃で空調機２をＯＮ」、「１７時２０分、設定温度を２９℃から２８℃に変更」、「１７時３０分、設定温度を２８℃から２６℃に変更」」、「１７時４０分、設定温度を２６℃から２５℃に変更」、「１７時５０分、設定温度２５℃を維持」、「１８時００分、設定温度２５℃を維持」を運転計画として生成する。

ここで、各運転モードの運転計画を説明する。図１２は、運転モードによる運転計画の違いを説明する図である。図１２では、昼間の温度が３５℃で暑い日の第２の運転モードを使用した１６時以降の運転計画と、昼間の温度が３０℃で比較的涼しい日の第１の運転モードを使用した１６時以降の運転計画とを比較する。なお、１６時以降では、外気温の遷移および空調制御が行われていないときの室温の遷移は、いずれの日でも同じとする。

図１２に示すように、昼間が暑い日は、昼間の外壁の蓄熱量が多いので、外気温が下がる夕方以降は、外壁から室内へ放熱の影響を受けて、室温の下がり方が小さいと予測される。このため、冷房の開始時間が早く、設定温度も低くした、強めの冷房を行う運転計画が生成される。一方で、昼間が涼しい日は、昼間の外壁の蓄熱量が少ないので、外気温が下がる夕方以降は、外壁から室内へ放熱の影響が小さく、室温の下がり方が大きいと予測される。このため、冷房の開始時間が遅く、設定温度も高くした、弱めの冷房を行う運転計画が生成される。

このように、空調制御の対象時間の室温の遷移や外気温の遷移が同じ場合であっても、昼間の外気温等により外壁の蓄熱量を考慮して、適切な運転モードを選択し、選択した運転モードによる異なる運転計画を生成することができる。

空調制御部５０は、計画生成部４３により生成された運転計画にしたがって、空調制御を実行する処理部である。例えば、空調制御部５０は、運転計画に沿って、空調機２のリモコンを遠隔で制御して、空調機２の起動や停止、設定温度の変更などを実行する。別例として、空調制御部５０は、空調機２のリモコンが有するマイコンなどに、運転計画のデータをダウンロードさせて、運転計画に沿ったリモコンによる自動制御を実行させることもできる。

［処理の流れ］
次に、上述した空調制御装置１０が実行する各処理について説明する。ここでは、蓄熱因子の算出処理、冷却性能の算出処理、運転計画の生成処理について説明する。

（蓄熱因子の算出処理）
図１３は、実施例１にかかる蓄熱因子の算出処理の流れを示すフローチャートである。図１３に示すように、係数推定部３２は、エアコンなどの空調機２がＯＦＦの時の室温のデータや外気温のデータを各ＤＢから取得する（Ｓ１０１）。

続いて、係数推定部３２は、例えば１、２、３、４時間などの複数の積分時間の中から１つの積分時間を選択し（Ｓ１０２）、選択した積分時間に基づき、単位時間当たりの室温変化を算出する式を列挙する（Ｓ１０３）。

そして、係数推定部３２は、回帰分析により蓄熱因子（σ_１とσ_２）を算出し（Ｓ１０４）、決定係数Ｒ２を算出する（Ｓ１０５）。その後、係数推定部３２は、各積分時間の全てで計算が完了すると（Ｓ１０６：Ｙｅｓ）、決定係数Ｒ２が最も高くなる積分時間とその時の蓄熱因子を選択して、設定情報ＤＢ１６等に出力する（Ｓ１０７）。なお、係数推定部３２は、未計算の積分時間が存在する場合（Ｓ１０６：Ｎｏ）、Ｓ１０２以降を繰り返す。

（冷却性能の算出処理）
図１４は、実施例１にかかる冷却性能の算出処理の流れを示すフローチャートである。図１３に示すように、係数推定部３２は、エアコンなどの空調機２がＯＮの時の室温のデータや外気温のデータを各ＤＢから取得する（Ｓ２０１）。

そして、係数推定部３２は、外気温の影響を受けるか否かを判定する（Ｓ２０２）。ここで、係数推定部３２は、外気温の影響を受ける場合（Ｓ２０２：Ｙｅｓ）、第２の運転モードを選択する（Ｓ２０３）。続いて、係数推定部３２は、式（５）と算出済みの蓄熱因子（σ_１とσ_２）と選択済みの積分時間とを用いて、単位時間当たりの室温変化の式を列挙し（Ｓ２０４）、回帰分析により冷却性能（βＷ）を算出する（Ｓ２０５）。

一方、係数推定部３２は、外気温の影響を受けない場合（Ｓ２０２：Ｎｏ）、第１の運転モードを選択する（Ｓ２０６）。続いて、係数推定部３２は、式（６）を用いて単位時間当たりの室温変化の式を列挙し（Ｓ２０７）、回帰分析により冷却性能（βＷ）を算出する（Ｓ２０５）。

（運転計画の生成処理）
図１５は、実施例１にかかる運転計画の生成処理の流れを示すフローチャートである。図１５に示すように、判定部４１は、各ＤＢから室温のデータや外気温のデータを取得する（Ｓ３０１）。

続いて、判定部４１は、外気温の影響を受けるか否かを判定する（Ｓ３０２）。そして、予測部４２は、外気温の影響を受けると判定された場合（Ｓ３０２：Ｙｅｓ）、第２の運転モードを選択し、式（５）を用いて室温の変化を予測する（Ｓ３０３とＳ３０４）。すなわち、予測部４２は、積分時間、蓄熱因子、冷却性能を取得し、第２の運転モードのしたがって目標室温変化に沿う運転計画を探索する。その後、計画生成部４３は、探索された運転計画を生成して記憶部１２等に出力する（Ｓ３０５）。

一方、予測部４２は、外気温の影響を受けないと判定された場合（Ｓ３０２：Ｎｏ）、第１の運転モードを選択し、式（６）を用いて室温の変化を予測する（Ｓ３０６とＳ３０７）。すなわち、予測部４２は、冷却性能を取得し、第１の運転モードのしたがって目標室温変化に沿う運転計画を探索する。その後、計画生成部４３は、探索された運転計画を生成して記憶部１２等に出力する（Ｓ３０５）。

［効果］
上述したように、空調制御装置１０は、蓄熱因子（σ_１とσ_２）と部屋の特性を加味した空調機２の冷却性能（βＷ）を推定することができる。そして、空調制御装置１０は、外気温と室温の関係性から、蓄熱因子を使うか否かを判断し、それを基に、数分後の室温を精度良く予測し、目標とする室温変化を実現する運転計画を立てることができる。この結果、空調制御装置１０は、目標とする室温に到達するまでの時間を精度よく予測し、不快さを軽減させる運転計画を立案することができ、空調対象の空間の蓄熱を考慮した制御を行うことができる。

ところで、実施例１では、空調機２がＯＦＦの状態から運転計画を生成する例を説明したが、これに限定されるものではない。例えば、空調機２がＯＮの状態から運転計画を生成することもできる。そこで、実施例２では、空調機２が冷却を実行中に、運転計画を生成する例を説明する。

図１６は、実施例２にかかる運転計画の生成を説明する図である。図１６は、睡眠中に体温にあわせて室温を変化させるために、時間に応じて目標温度の設定を段階的に切り替える例である。活動中は、室温を２８℃に維持するように空調制御が行われるが、睡眠中は、体温が下がる。このため、睡眠中に下がる体温に応じて室温を調整するために、２２時の睡眠開始以降、２３時に室温２７℃、２時３０分に室温２６℃、４時に室温２７℃、６時に２８℃となるような室温変化カーブを実現する運転計画を生成する。

一方、一般技術では、日中の気温（外気温）が違う場合（最大外気温３０℃の日、最大外気温３５℃の日）でも、夜２１時以降の室温や外気温が同じだと、同じ運転計画を出力する。例えば、２３時５５分に設定温度を２８℃から２７℃に変更し、２時２５分に設定温度を２７℃から２６℃に変更し、３時３０分に設定温度を２６℃から２７℃に変更し、５時４０分に設定温度を２７℃から２８℃に変更する運転計画を立てて、室温変化カーブを実現する。

ところが、最大外気温が３５℃で昼間の温度が高い日は、外壁の蓄熱の影響により、最大外気温が３０℃で昼間の温度が高くない日に比べて、夜間に室内温度が下がらないので、運転計画通りに室温が変化しない。図１７は、一般技術における問題点を説明する図である。図１７に示すように、昼間の外気温が高くない日は、上記運転計画にしたがって空調制御を実行することで、理想の室温変化カーブを実現できる。しかし、昼間の外気温が高い日は、上記運転計画にしたがって空調制御を実行すると、２４時や２時３０分などで室温変化が遅れるので、理想の室温変化カーブから大きく外れた室温変化となる。

そこで、実施例２にかかる空調制御装置１０は、実施例１と同様の手法により、睡眠が開始される２２時までに、当日の昼間の外気温から外壁の蓄熱状況を判断し、第１の運転モードか第２の運転モードのいずれかを選択する。そして、空調制御装置１０は、各運転モードにしたがった室温変化カーブを実現する運転計画を生成する。

図１８は、各運転モードによる運転計画を説明する図である。図１８では、空調制御装置１０は、昼間の外気温が低い日に対しては、式（６）を用いて、運転計画（ｂ）として「２３時５５分、設定温度を２８℃から２７℃に変更」、「２時２５分、設定温度を２７℃から２６℃に変更」、「３時３０分、設定温度を２６℃から２７℃に変更」、「５時４０分、設定温度を２７℃から２８℃に変更」を生成する。

同様に、空調制御装置１０は、昼間の外気温が高い日に対しては、式（５）を用いて、運転計画（ｃ）として「２３時４５分、設定温度を２８℃から２７℃に変更」、「２時２０分、設定温度を２７℃から２６℃に変更」、「３時３０分、設定温度を２６℃から２７℃に変更」、「５時４０分、設定温度を２７℃から２８℃に変更」を生成する。

すなわち、２２時以降の夜間のうち、序盤は日中の蓄熱で３５℃まで上がった日の方が先に設定温度を下げる運転計画になり、夜明けは、蓄熱の影響もなくなり、設定温度の変更の運転計画は同じになる。このように、昼間の蓄熱の影響を考慮した運転計画を生成して空調制御を実行できる。したがって、日中の外気温が高い日の運転計画（ｃ）による室温変化カーブも、日中の外気温が高くない日の運転計画（ｂ）による室温変化カーブも、理想の室温変化カーブ（ａ）に近いカーブとなるので、昼間の温度に関わらず、ユーザの睡眠を快適にする空調制御を実行することができる。

ところで、室内の蓄熱状況により、空調機２の空調負荷が室内の熱負荷よりも大きくなり、室温が安定しない状態（ガタつく状態）である「サイクリング状態（ハンチング状態）」が発生し、ユーザが不快と感じる時間が長くなる状況が発生することがある。

図１９は、サイクリング状態とユーザ操作を説明する図である。図１９に示すように、サイクリング状態は、壁などの蓄熱状況により、空調機２の設置温度が一定にも関わらず、室温が上下して定まらない状態である。この状態では、ユーザは、不快と感じ、設定温度を操作することが一般的である。一方で、サイクリング状態でないときは、ユーザの不快数は小さいので、ユーザによる設定温度の変更回数が少ない。

つまり、設定温度および室温が同じ状態であっても、サイクリング状態か否かにより、ユーザ操作が異なることがある。そこで、実施例３では、サイクリング状態であるか否かを示すフラグを特徴量に含ませることで、サイクリング状態を加味した推論を実行する学習モデルを生成する。

［機能構成］
図２０は、実施例３にかかる空調制御装置１０の機能構成を示す機能ブロック図である。図２０に示すように、空調制御装置１０は、通信部１０１、記憶部１０２、制御部１１０を有する。通信部１０１は、実施例１で説明した通信部１１と同様、他の装置との間の通信を制御する処理部であり、例えば通信インタフェースなどである。

記憶部１０２は、データや制御部１１０が実行するプログラムを記憶する記憶装置の一例であり、例えばメモリやハードディスクなどである。この記憶部１０２は、センサ値ＤＢ１０３、操作ログＤＢ１０４、設定温度ＤＢ１０５、教師データＤＢ１０６、学習結果ＤＢ１０７を記憶する。

センサ値ＤＢ１０３は、センサ４により取得された外気温や室温に関するセンサ値を記憶するデータベースである。具体的には、センサ値ＤＢ１０３は、図６で説明したセンサ値ＤＢ１３と同様の情報を記憶する。

操作ログＤＢ１０４は、空調機２の操作に関するログ情報を記憶するデータベースである。具体的には、操作ログＤＢ１０４は、図７で説明した操作ログＤＢ１４と同様の情報を記憶する。

設定温度ＤＢ１０５は、空調機２の設定温度に関する情報を記憶するデータベースである。例えば、設定温度ＤＢ１０５は、センサ値ＤＢ１０３や操作ログＤＢ１０４に記憶される各時刻における設定温度を記憶する。ここで記憶される情報は、空調制御装置１０が空調機２や空調機２のリモコンから取得する情報である。

教師データＤＢ１０６は、ユーザ操作を推論する学習モデルの学習に利用される教師データを記憶するデータベースである。具体的には、教師データＤＢ１０６は、説明変数である特徴量と、目的変数であるラベルとが対応付けられた教師データを記憶する。なお、特徴量は、センサ値や後述するサイクリング状態フラグである。ラベルは、ユーザが設定温度を上げる操作を示す「Ｕｐ」、ユーザが設定温度を下げる操作を示す「Ｄｏｗｎ」、ユーザが設定温度の変更を行わなかったことを示す「Ｋｅｅｐ」のいずれかを示すユーザ操作である。

学習結果ＤＢ１０８は、学習結果を記憶するデータベースである。具体的には、学習結果ＤＢ１０８は、後述する学習実行部１３０により格納された学習モデルの各種パラメータなどを記憶する。なお、学習モデルには、ニューラルネットワークや線形モデルなどを用いることができる。

制御部１１０は、空調制御装置１０全体を司る処理部であり、例えばプロセッサなどである。この制御部１１０は、事前学習部１２０、学習実行部１３０、推論実行部１４０を有する。なお、事前学習部１２０、学習実行部１３０、推論実行部１４０は、プロセッサが有する電子回路の一例やプロセッサが実行するプロセスの一例である。

事前学習部１２０は、操作ＯＦＦ時の室温、外気温の履歴から部屋１の蓄熱因子を推定する処理部である。具体的には、実施例１で説明した事前学習部３０と同様の処理を実行するので、詳細な説明は省略する。なお、ここでは、実施例１−２と同様、蓄熱因子σ_１と蓄熱因子σ_２とが算出される。

学習実行部１３０は、教師データ生成部１３１と学習部１３２を有し、ユーザ操作を推論（予測）する学習モデルを学習する処理部である。

教師データ生成部１３１は、センサ値ＤＢ１０３、操作ログＤＢ１０４、設定温度ＤＢ１０５のそれぞれに記憶される情報を用いて、教師データを生成する処理部である。具体的には、教師データ生成部１３１は、時刻ｔにおける教師データを生成する場合、蓄熱因子を用いて時刻ｔ−１におけるサイクリング状態フラグを決定する。そして、教師データ生成部１３１は、時刻ｔの５分前である時刻ｔ−１のセンサ値、時刻ｔの１０分前である時刻ｔ−２のセンサ値、時刻ｔの１５分前である時刻ｔ−３のセンサ値をセンサ値ＤＢ１０３から取得するとともに、時刻ｔのユーザ操作を操作ログＤＢ１０４から取得する。

その後、教師データ生成部１３１は、特徴量「時刻ｔ−１のセンサ値、時刻ｔ−２のセンサ値、時刻ｔ−３のセンサ値、サイクリング状態フラグ」とラベル「時刻ｔにおけるユーザ操作」とを対応付けた教師データを生成して、教師データＤＢ１０６に格納する。

例えば、教師データ生成部１３１は、式（７）を用いて、ｎ時間分の蓄熱量に基づく値（温度変化、室温変化）を算出し、理論値（Ｌ_ｍｉｎ）の方が算出値より大きい場合に、サイクリング状態を１と判定し、算出値の方が理論値（Ｌ_ｍｉｎ）より大きい場合に、サイクリング状態を０と判定する。なお、式（７）におけるσ_１およびσ_２は、蓄熱因子であり、Ｔ_ｏは外気温であり、Ｔ_ｒは部屋内の室温である。

図２１は、サイクリング状態の判定を説明する図である。図２１に示すように、時刻１９：００時点での外気温、室温などの各種センサ値が同じであっても、昼間が暑い日と暑くない日とで壁への蓄熱量が異なる。昼間が暑い日では、蓄熱量が多いことから式（７）の値が大きくなり、サイクリング状態は０となる。一方で、昼間が厚くない日は、蓄熱量が小さいことから、空調機２による冷房が良く利いてユーザが設定温度を頻繁に変更する日である。このため、昼間が厚くない日では、式（７）の値が小さくなり、サイクリング状態は１となる。

次に、図２２と図２３を用いて、教師データの生成を具体的に説明する。図２２と図２３は、教師データの生成を説明する図である。ここでは、ある時刻の５分後のユーザ操作を予測する学習モデルの学習に利用する教師データの生成を一例として説明するが、あくまで一例であり、予測時間や各種単位等は任意に変更することができる。

図２２に示すように、教師データ生成部１３１は、ウィンドウ枠に対応するセンサ値をセンサ値ＤＢ１０３から取得する。例えば、教師データ生成部１３１は、時刻ｔに対応する教師データを生成する場合、５分前、１０分前、１５分前それぞれの室温と設定温度と外気温とを取得する。そして、教師データ生成部１３１は、取得したセンサ値を、「５分前の室温，１０分前の室温，１５分前の室温，５分前の設定温度，１０分前の設定温度，１５分前の設定温度，５分前の外気温，１０分前の外気温，１５分前の外気温」に正規化して特徴量を生成する。また、教師データ生成部１３１は、ラベルとして使用する、時刻ｔにおけるユーザ操作の内容を操作ログＤＢ１０４から取得する。

続いて、図２３に示すように、教師データ生成部１３１は、取得したセンサ値のうち、室温をＴ_ｒに代入し、外気温をＴ_ｏに代入し、算出済みの各σ（蓄熱因子）を設定した式（７）により、室内の温度変化の値を算出する。そして、教師データ生成部１３１は、室内の温度変化の値と理論値（Ｌ_ｍｉｎ）とを比較する。

ここで、教師データ生成部１３１は、理論値（Ｌ_ｍｉｎ）の方が大きい場合は、サイクリング状態フラグを１と判定し、正規化済みの特徴量に追加して、特徴量ベクトル［５分前の室温，１０分前の室温，１５分前の室温，５分前の設定温度，１０分前の設定温度，１５分前の設定温度，５分前の外気温，１０分前の外気温，１５分前の外気温，１（サイクリング状態フラグ）］を生成する。

一方、教師データ生成部１３１は、室内の温度変化の方が大きい場合は、サイクリング状態フラグを０と判定し、正規化済みの特徴量に追加して、特徴ベクトル［５分前の室温，１０分前の室温，１５分前の室温，５分前の設定温度，１０分前の設定温度，１５分前の設定温度，５分前の外気温，１０分前の外気温，１５分前の外気温，０（サイクリング状態フラグ）］を生成する。その後、教師データ生成部１３１は、時刻ｔにおける特徴ベクトルに時刻ｔのユーザ操作をラベルとして付与することで、教師データを生成する。

図２０に戻り、学習部１３２は、教師データを用いて、学習モデルを学習する処理部である。具体的には、学習部１３２は、教師データＤＢ１０６から教師データを読み出して、特徴ベクトルを用いた教師有学習により学習モデルを生成する。そして、学習部１３２は、学習が完了すると、学習結果を学習結果ＤＢ１０７に格納する。上述した例では、学習部１３２は、ある時刻（推論時刻）の５分後に行われるユーザ操作を推論する学習モデルを生成する。

推論実行部１４０は、特徴量生成部１４１と推論部１４２を有し、学習済みの学習モデルを用い、ユーザ操作を推論する処理部である。また、推論実行部１４０は、推論結果にしたがって、空調制御を実行する。

特徴量生成部１４１は、推論対象のデータを生成する処理部である。具体的には、特徴量生成部１４１は、教師データ生成部１３１と同様の手法を用いて、特徴量の生成を実行し、推論部１４２に出力する。

推論部１４２は、特徴量生成部１４１により生成された特徴量と学習済みの学習モデルとを用いて、ユーザ操作を推論する処理部である。具体的には、推論部１４２は、学習結果ＤＢ１０７から各種パラメータを読み出し、各種パラメータを用いて学習済みの学習モデルを構築する。そして、推論部１４２は、特徴量生成部１４１により生成された特徴ベクトルを、学習済みの学習モデルに入力して、出力結果（推論結果）を取得する。

図２４は、推論処理を説明する図である。図２４に示すように、特徴量生成部１４１は、推論タイミング（例えばｔ＝２０時４０分）に到達すると、その時刻から０分前、５分前、１０分前のセンサ値（枠内のセンサ値）を取得して正規化する。

例えば、特徴量生成部１４１は、特徴量「０分前の室温，５分前の室温，１０分前の室温，０分前の設定温度，５分前の設定温度，１０分前の設定温度，０分前の外気温，５分前の外気温，１０分前の外気温」として「２４，２５，２６，２６，２６，２６，２９，２９，２９」を生成する。

続いて、特徴量生成部１４１は、式（７）を用いて、推論タイミングの時刻ｔにおけるサイクリング状態を判定する。例えば、特徴量生成部１４１は、取得したセンサ値のうち、室温をＴ_ｒに代入し、外気温をＴ_ｏに代入し、算出済みの各σ（蓄熱因子）を設定した式（７）により、室内の温度変化の値を算出し、室内の温度変化の値が理論値（Ｌ_ｍｉｎ）より大きい場合に、サイクリング状態フラグを０と判定する。この結果、特徴量生成部１４１は、上記算出済みの特徴量にサイクリング状態フラグを追加した、特徴ベクトル［２４，２５，２６，２６，２６，２６，２９，２９，２９，０］を生成する。

その後、推論部１４２は、サイクリング状態追加済みかつ正規化済みの特徴ベクトル［２４，２５，２６，２６，２６，２６，２９，２９，２９，０］をベクトルデータとして、学習済みモデルに入力し、出力結果を取得する。

そして、推論実行部１４０は、出力結果がＵｐである場合、設定温度を所定温度（例えば１度）だけ上げ、出力結果がＤｏｗｎである場合、設定温度を所定温度（例えば１度）だけ下げ、出力結果がＫｅｅｐである場合、設定温度を維持する制御を行う。

［処理の流れ］
次に、図２５から図２７を用いて、学習処理の流れ、サイクリング状態フラグの算出処理の流れ、推論処理の流れを説明する。

（学習処理の流れ）
図２５は、実施例３にかかる学習処理の流れを示すフローチャートである。図２５に示すように、学習実行部１３０は、処理開始が指示されると（Ｓ４０１：Ｙｅｓ）、学習に使用する各種データをセンサなどから抽出する（Ｓ４０２）。

続いて、学習実行部１３０は、時刻ｔに対応する学習を行う場合、時刻ｔより前の時刻ｔ−１、ｔ−２、ｔ−３それぞれに該当するセンサ値をセンサ値ＤＢ１０３から取得する（Ｓ４０３）。続いて、学習実行部１３０は、時刻ｔ−１に対するサイクリング状態フラグを算出する（Ｓ４０４）。

そして、学習実行部１３０は、時刻ｔに対する特徴ベクトルを生成して正規化し（Ｓ４０５）、時刻ｔに対するラベルと操作ログから取得して付与することで、教師データを生成する（Ｓ４０６）。

その後、学習実行部１３０は、未処理の抽出データが存在する場合（Ｓ４０７：Ｎｏ）、ｔを１つ増やして（Ｓ４０８）、Ｓ４０３以降を繰り返す。一方、学習実行部１３０は、全ての抽出データに対して処理が完了すると（Ｓ４０７：Ｙｅｓ）、ラベルと特徴ベクトルとの集合を学習し、学習済みの学習モデルを出力する（Ｓ４０９）。

（サイクリング状態フラグの算出処理の流れ）
図２６は、実施例３にかかるサイクリング状態フラグの算出処理の流れを示すフローチャートである。この処理は、図２５のＳ４０４で実行される処理である。

図２６に示すように、学習実行部１３０は、時刻ｔのとき、５分前のｔ−１から家に応じた積分時間遡って、それぞれに対応する室温および外気温をセンサ値ＤＢ１０３などから取得する（Ｓ５０１）。

続いて、学習実行部１３０は、式（７）にしたがって、蓄熱による温度変化を算出し（Ｓ５０２）、事前に算出済みである最低レベルの空調負荷による温度変化（Ｌ_ｍｉｎ）と比較する（Ｓ５０３）。

そして、学習実行部１３０は、空調負荷による温度変化（Ｌ_ｍｉｎ）の方が蓄熱による温度変化よりも大きい場合（Ｓ５０４：Ｙｅｓ）、サイクリング状態フラグを１とする（Ｓ５０５）。一方、学習実行部１３０は、空調負荷による温度変化（Ｌ_ｍｉｎ）の方が蓄熱による温度変化よりも小さい場合（Ｓ５０４：Ｎｏ）、サイクリング状態フラグを０とする（Ｓ５０６）。

（推論処理の流れ）
図２７は、実施例３にかかる推論処理の流れを示すフローチャートである。図２７に示すように、推論実行部１４０は、時刻ｔに対応する推論を行う場合、時刻ｔ、ｔ−１、ｔ−２それぞれに該当するセンサ値をセンサ値ＤＢ１０３から取得する（Ｓ６０１）。

続いて、推論実行部１４０は、時刻ｔに対するサイクリング状態フラグを算出する（Ｓ６０２）。そして、推論実行部１４０は、時刻ｔに対する特徴ベクトルを生成し、学習時と同様に正規化を行う（Ｓ６０３）。

その後、推論実行部１４０は、特徴ベクトル学習モデルに入力して推論し（Ｓ６０４）、得られた推論結果をディスプレイに表示したり、記憶部１０２に格納したり、管理者端末に送信したりする（Ｓ６０５）。

［効果］
上述したように、空調制御装置１０は、実施例１−２で説明した蓄熱因子を用いることで、空調制御対象の空間がサイクリング状態か否かを正確に判定することができる。空調制御装置１０は、サイクリング状態の有無を考慮した教師データを用いた学習が実行できる。この結果、空調制御装置１０は、サイクリング状態のときのユーザ操作とサイクリング状態でないときのユーザ操作を識別して、それぞれに応じたユーザ操作を自動化することができ、ユーザの不快な時間を短縮することができる。

ここで、一般的な手法による学習と実施例３による学習との違いを説明する。図２８は、一般的な手法による学習と推論を説明する図である。図２９は、実施例３による学習と推論を説明する図である。

図２８に示す一般的な手法は、サイクリング状態を判定しない手法であり、図２９に示す手法は、サイクリング状態を判定する手法である。図２８および図２９の上図は、学習時に使用するセンサ値のグラフであり、サイクリング状態が１のときのデータを示す。図２８および図２９の下図は、推論時に使用するセンサ値のグラフであり、サイクリング状態が０のときのデータを示す。

各上図は、サイクリング状態を示しており、部屋（壁）の蓄熱量が少なく、所定の温度を保つときに必要な熱量（熱負荷）が小さいので、室温が下がり過ぎることから、ユーザが設定温度を上げたことを示す。

図２８の一般的な手法では、サイクリング状態の有無を区別せずに学習するので、サイクリング状態ではない推論時においても、サイクリング状態のときのユーザ操作が、サイクリング状態でないときに再現されてしまう。結果として、冗長な自動操作が発生する。また、室温のガタつきを一定時間観測して、サイクリング状態を判定してフラグを設定することも考えられるが、図２８の示す期間ａのように、長時間の監視が必要であり、ユーザの不快な時間が長くなる。

一方で、図２９に示す実施例３による手法では、サイクリング状態の有無を区別して学習するので、サイクリング状態ではない推論時においても、サイクリング状態のときのユーザ操作が、サイクリング状態でないときに再現されることを抑制できる。結果として、冗長な自動操作の発生を抑制することができる。また、図２９の示す期間ａのように、データの初期のタイミングでサイクリング状態を判定できるので、ユーザの不快な時間を短縮することができる。

さて、これまで本発明の実施例について説明したが、本発明は上述した実施例以外にも、種々の異なる形態にて実施されてよいものである。

［蓄熱制御］
上記実施例では、蓄熱因子を用いた物理モデルによって室温を予測して運転計画を生成する例を説明したが、これに限定されるものではない。例えば、第２の運転モードによる運転計画は、はじめに空調性能のみを用いる第１の運転モードで運転計画を生成し、この運転計画における制御時刻を３０分前倒して実行するようにしてもよい。例えば、第１の運転モードによる運転計画が「１８時００分、設定温度２７℃」であれば、第２の運転モードによる運転計画を「１７時３０分、設定温度２７℃」とする。このようにすることで、蓄熱が多く、室温が下がりにくい状況でも、適切な冷房を実行することができる。

［対象空間］
上記実施例では、会社などの部屋を一例として説明したが、これに限定されるものではない。例えば、電車や車などの車内、マシンルーム、飛行機の機内など様々な空間を対象とすることができる。

［空調制御装置］
実施例１では、空調制御装置１０と空調機２とが別の装置で実現される例を説明したが、これに限定されるものではない。例えば、空調機２が空調制御装置１０を備える装置であっても同様に処理することができる。また、空調制御装置１０がセンサ４などの上述した各種センサを有することもできる。なお、空調制御の具体的な手法は、一例であり、公知の様々な手法を採用することができる。

［暖房への適用］
上記実施例では、夏の冷房を例にして説明したが、冬の暖房についても同様に処理することができる。冬は、外気温が低い日ほど外壁内部が冷えるので、部屋が暖まりにくくなる。式（５）を暖房に適用した場合、冷却能力（βＷ）が冷房では負の値となるが暖房では正の値となる。なお、冷却性能（βＷ）は、上記実施例で冷房を例にしたために冷却に関する能力としたが、空調性能の一例である。

［実データ］
上記実施例で説明した物理モデルのパラメータの算出や運転計画には、センサ４が測定した実測値以外にも、気象情報を管理する外部サーバが収集して公開する気温情報などを用いることもできる。

［学習データ］
上述した学習データは、一例であり、輻射センサ値など他のセンサ値や気象情報などを用いることができる。また、１５分前のデータを学習に使用する例や５分後のユーザ操作を推論する例を説明したが、これに限定されるものではなく、任意に変更することができる。また、サイクリング状態を判定する識別子も任意に設定することができる。なお、学習モデルや学習手法は、公知の手法を採用することができる。また、実施例３による手法は、暖房でも冷房でも同様に処理することができる。

［システム］
上記文書中や図面中で示した処理手順、制御手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。また、実施例で説明した具体例、分布、数値などは、あくまで一例であり、任意に変更することができる。

また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散や統合の具体的形態は図示のものに限られない。つまり、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。さらに、各装置にて行なわれる各処理機能は、その全部または任意の一部が、ＣＰＵおよび当該ＣＰＵにて解析実行されるプログラムにて実現され、あるいは、ワイヤードロジックによるハードウェアとして実現され得る。

［ハードウェア］
図３０は、ハードウェア構成例を説明する図である。図３０に示すように、空調制御装置１０は、通信装置１０ａ、ＨＤＤ（Hard Disk Drive）１０ｂ、メモリ１０ｃ、プロセッサ１０ｄを有する。また、図３０に示した各部は、バス等で相互に接続される。

通信装置１０ａは、ネットワークインタフェースカードなどであり、他のサーバとの通信を行う。ＨＤＤ１０ｂは、図５に示した機能を動作させるプログラムやＤＢを記憶する。

プロセッサ１０ｄは、図５や図２０に示した各処理部と同様の処理を実行するプログラムをＨＤＤ１０ｂ等から読み出してメモリ１０ｃに展開することで、図３等で説明した各機能を実行するプロセスを動作させる。すなわち、このプロセスは、空調制御装置１０が有する各処理部と同様の機能を実行する。具体的には、図５を例にして説明すると、プロセッサ１０ｄは、事前学習部３０、運転計画部４０、空調制御部５０等と同様の機能を有するプログラムをＨＤＤ１０ｂ等から読み出す。そして、プロセッサ１０ｄは、事前学習部３０、運転計画部４０、空調制御部５０等と同様の処理を実行するプロセスを実行する。

このように空調制御装置１０は、プログラムを読み出して実行することで空調制御方法を実行する情報処理装置として動作する。また、空調制御装置１０は、媒体読取装置によって記録媒体から上記プログラムを読み出し、読み出された上記プログラムを実行することで上記した実施例と同様の機能を実現することもできる。なお、この他の実施例でいうプログラムは、空調制御装置１０によって実行されることに限定されるものではない。例えば、他のコンピュータまたはサーバがプログラムを実行する場合や、これらが協働してプログラムを実行するような場合にも、本発明を同様に適用することができる。

このプログラムは、インターネットなどのネットワークを介して配布することができる。また、このプログラムは、ハードディスク、フレキシブルディスク（ＦＤ）、ＣＤ−ＲＯＭ、ＭＯ（Magneto−Optical disk）、ＤＶＤ（Digital Versatile Disc）などのコンピュータで読み取り可能な記録媒体に記録され、コンピュータによって記録媒体から読み出されることによって実行することができる。

１０ 空調制御装置
１１ 通信部
１２ 記憶部
１３ センサ値ＤＢ
１４ 操作ログＤＢ
１５ 気象情報ＤＢ
１６ 設定情報ＤＢ
２０ 制御部
３０ 事前学習部
３１ モデル生成部
３２ 係数推定部
４０ 運転計画部
４１ 判定部
４２ 予測部
４３ 計画生成部
５０ 空調制御部

Claims (13)

1. コンピュータに、
   空調機による空調制御の対象である対象空間内の室温、および、外気温のデータを蓄積し、
   前記蓄積されたデータにより算出される前記対象空間の蓄熱因子を用いて、前記対象空間について前記空調機の運転制御を行う、
   処理を実行させる空調制御プログラム。
2. 前記対象空間の蓄熱状況に基づき、前記空調機の空調性能を用いる第１の運転モードと、前記蓄熱因子および前記空調機の空調性能を用いる第２の運転モードとを選択する処理を、前記コンピュータに実行させる請求項１に記載の空調制御プログラム。
3. 前記対象空間と前記対象空間の外とを遮断する外壁の蓄熱性に応じて、前記蓄熱因子および前記空調機の空調性能を算出する処理を、前記コンピュータに実行させる請求項２に記載の空調制御プログラム。
4. 前記第１の運転モードが選択された場合、単位時間当たりの前記室温の変化を算出する、前記空調機の空調性能を用いる第１の物理モデルにより運転計画を生成し、前記第２の運転モードが選択された場合、単位時間当たりの前記室温の変化を算出する、前記蓄熱因子および前記空調機の空調性能を用いる第２の物理モデルにより運転計画を生成する処理を、前記コンピュータに実行させる請求項３に記載の空調制御プログラム。
5. 前記生成する処理は、選択された物理モデルを用いて各時刻の前記室温を予測して、目標時刻に目標温度に到達する前記運転計画を生成する、請求項４に記載の空調制御プログラム。
6. 前記運転制御を行う処理は、時間に応じて目標温度が変化する制御である、請求項１に記載の空調制御プログラム。
7. 前記蓄積する処理は、前記対象空間に設置されたセンサを用いて、前記対象空間内の室温および前記外気温を測定して蓄積する、請求項１に記載の空調制御プログラム。
8. 前記蓄積する処理は、前記対象空間とは異なる外部に設置された外部サーバが測定した前記外気温のデータを、前記外部サーバから取得して蓄積する、請求項１に記載の空調制御プログラム。
9. 前記対象空間の蓄熱因子を用いて、前記対象空間の蓄熱量に基づく温度変化を推定し、
   前記温度変化が閾値以上である場合に、前記対象空間の室温が安定しない状態であるサイクリング状態であると判定し、前記温度変化が閾値未満である場合に、サイクリング状態ではないと判定する、処理を前記コンピュータに実行させることを特徴とする請求項１に記載の空調制御プログラム。
10. 各時刻における前記対象空間内の室温および前記外気温のデータに、前記サイクリング状態であるか否かを示すフラグを設定した特徴量を生成し、
    前記各時刻においてユーザが空調の設定温度に対して実行したユーザ操作と、前記各時刻における特徴量とを対応付けた各教師データを生成し、
    前記各教師データを用いて、前記ユーザ操作を推論する学習モデルを学習する、処理を前記コンピュータに実行させることを特徴とする請求項９に記載の空調制御プログラム。
11. 所定時刻における前記対象空間内の室温および前記外気温のデータに、前記サイクリング状態であるか否かを示すフラグを設定した特徴量を生成し、
    前記特徴量を学習済みの学習モデルに入力して得られる結果に基づき、空調制御を実行する、処理を前記コンピュータに実行させることを特徴とする請求項１０に記載の空調制御プログラム。
12. コンピュータが、
    空調機による空調制御の対象である対象空間内の室温、および、外気温のデータを蓄積し、
    前記蓄積されたデータにより算出される前記対象空間の蓄熱情報を用いて、前記対象空間について前記空調機の運転制御を行う、
    処理を実行する空調制御方法。
13. 空調機による空調制御の対象である対象空間内の室温、および、外気温のデータを蓄積する蓄積部と、
    前記蓄積されたデータにより算出される前記対象空間の蓄熱情報を用いて、前記対象空間について前記空調機の運転制御を行う運転制御部と、
    を有する空調制御装置。

Images