JP2020070945A - 空調システムおよび空調制御方法 - Google Patents

Abstract

【課題】省エネルギーと温熱環境の快適性との最適化を実現する。【解決手段】空調コントローラ７は、複数の小部屋に仕切られた被制御エリア１の各小部屋の利用開始時刻と利用終了時刻を、当日の日付と曜日と気象情報と各小部屋の入居者の情報に基づいて予測し、熱源機４の起動時刻と停止時刻を、当日の気象情報と各空調ユニットの設定温度に基づいて予測する。空調コントローラ７は、起動時刻になったときに熱源機４を起動させ、停止時刻になったときに熱源機４を停止させ、小部屋の利用開始時刻に基づいて、この小部屋に対応するＶＡＶユニット２−１〜２−ｎを起動させ、小部屋の利用終了時刻に基づいて、この小部屋に対応するＶＡＶユニット２−１〜２−ｎを停止させる。【選択図】 図１

Description

本発明は、空調の被制御エリアが複数の小部屋に仕切られた環境に対応できる空調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）。

例えば、会議室に人が集中して、室内温度が上昇し、ユーザが暑いと感じて設定温度を下げた場合など、室内温度と設定温度とに差異が発生すると、ＶＡＶコントローラは、ＶＡＶのダンパを開けて、室内温度を設定温度に近づけるように設定風量を制御する。そして、ＶＡＶのダンパ開度が全開になると、空調機の給気温度を下げるように給気温度設定を変更する。これらの動作により、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。

一方、近年のオフィスビルのフロアは、壁を少なくして貸し出し面積を大きくとれるように設計されている場合が多い。このようなオフィスビルに対する空調制御は、フロア全体の室内温度を一定に保つように設計されている。オフィスビルにテナントが入居すると、フロアは細かく間仕切りされ、小部屋の集まりとして利用されている。また、最近では働き方が多様化しており、小部屋で働く人の勤務時間は日々変化し、フロアの空調関連機器のスケジュールと、小部屋で働く人の勤務時間は必ずしも一致しない。

以上のような理由から、近年のオフィスビルのフロアでは、使用頻度の高い小部屋と使用頻度の低い小部屋が毎日変化する。これに対して、従来のＶＡＶシステムは、調整時に設定されたフロアの代表温度に従って空調関連機器を制御するため、省エネルギーと温熱環境の快適性との最適化を実現することが難しいという問題点があった。

特開平２−４４１４１号公報 特開平２−２５９３５５号公報

本発明は、上記課題を解決するためになされたもので、被制御エリアが複数の小部屋に仕切られた環境において、省エネルギーと温熱環境の快適性との最適化を実現することができる空調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。

本発明の空調システムは、被制御エリアに供給する熱エネルギーを生成するように構成された熱源機と、この熱源機によって生成された熱エネルギーを前記被制御エリアの複数の領域に配分するように構成された複数の空調ユニットと、複数の小部屋に仕切られた前記被制御エリアの各小部屋と前記空調ユニットとを対応付けた関連付け情報と、気象情報と、各小部屋の入居者の情報と、各空調ユニットの設定温度とに基づいて、各小部屋に人が在室する間の快適性が向上するように、前記熱源機の起動停止と各空調ユニットの起動停止とを制御するように構成された予測制御部とを備えることを特徴とするものである。

本発明の空調システムは、被制御エリアに供給する熱エネルギーを生成するように構成された熱源機と、この熱源機によって生成された熱エネルギーを前記被制御エリアの複数の領域に配分するように構成された複数の空調ユニットと、複数の小部屋に仕切られた前記被制御エリアの各小部屋の利用開始時刻を、当日の日付と曜日と気象情報と各小部屋の入居者の情報とに基づいて小部屋毎に予測するように構成された第１の予測部と、各小部屋の利用終了時刻を、当日の日付と曜日と気象情報と各小部屋の入居者の情報とに基づいて小部屋毎に予測するように構成された第２の予測部と、前記熱源機の起動時刻を、当日の気象情報と各空調ユニットの設定温度とに基づいて予測するように構成された第３の予測部と、前記熱源機の停止時刻を、当日の気象情報と各空調ユニットの設定温度とに基づいて予測するように構成された第４の予測部と、前記第３の予測部によって予測された起動時刻になったときに前記熱源機を起動させ、前記第４の予測部によって予測された停止時刻になったときに前記熱源機を停止させるように構成された第１の制御部と、前記第１の予測部によって予測された小部屋の利用開始時刻に基づいて、この小部屋に対応する空調ユニットを起動させ、前記第２の予測部によって予測された小部屋の利用終了時刻に基づいて、この小部屋に対応する空調ユニットを停止させるように構成された第２の制御部とを備えることを特徴とするものである。

また、本発明の空調システムの１構成例において、前記第１の予測部は、当日の日付と曜日と気象情報と各小部屋の入居者の情報とに基づいて、各小部屋の利用開始時刻をニューラルネットワークにより予測し、前記第２の予測部は、当日の日付と曜日と気象情報と各小部屋の入居者の情報とに基づいて、各小部屋の利用終了時刻をニューラルネットワークにより予測することを特徴とするものである。
また、本発明の空調システムの１構成例は、前記利用開始時刻の予測を行う前のデータ収集日において収集した日付と曜日と気象情報と各小部屋の入居者の情報と各小部屋の入室時刻とに基づいて、前記第１の予測部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１の学習部と、前記利用終了時刻の予測を行う前のデータ収集日において収集した当日の日付と曜日と気象情報と各小部屋の入居者の情報と各小部屋の退室時刻とに基づいて、前記第２の予測部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の学習部とをさらに備えることを特徴とするものである。

また、本発明の空調システムの１構成例において、前記第３の予測部は、当日の気象情報と各空調ユニットの設定温度とに基づいて、前記熱源機の起動時刻をニューラルネットワークにより予測し、前記第４の予測部は、当日の気象情報と各空調ユニットの設定温度とに基づいて、前記熱源機の停止時刻をニューラルネットワークにより予測することを特徴とするものである。
また、本発明の空調システムの１構成例は、前記起動時刻の予測を行う前のデータ収集日において収集した気象情報と各空調ユニットの設定温度と各小部屋の入室時刻または利用開始時刻と前記熱源機が起動してから小部屋の室内温度が設定温度に達するまでの設定温度到達時間とに基づいて、前記第３の予測部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、前記停止時刻の予測を行う前のデータ収集日において収集した気象情報と各空調ユニットの設定温度と各小部屋の退室時刻または利用終了時刻と前記熱源機が停止してから小部屋の室内温度が設定温度に維持されている間の設定温度維持時間とに基づいて、前記第４の予測部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４の学習部とをさらに備えることを特徴とするものである。
また、本発明の空調システムの１構成例において、前記第３の学習部は、前記熱源機の起動後に小部屋の室内温度がこの小部屋の前記利用開始時刻までに設定温度に到達していなかった場合に、前記第３の予測部のニューラルネットワークの再学習を行い、前記第４の学習部は、前記熱源機の停止後に小部屋の室内温度がこの小部屋の前記利用終了時刻まで設定温度に維持できていなかった場合に、前記第４の予測部のニューラルネットワークの再学習を行うことを特徴とするものである。

また、本発明の空調システムの１構成例において、前記第２の制御部は、起動させた前記空調ユニットを全開運転させ、この空調ユニットに対応する小部屋の室内温度が設定温度に到達した後は室内温度が設定温度と一致するように前記空調ユニットを制御することを特徴とするものである。
また、本発明の空調システムの１構成例において、前記熱源機は、加熱または冷却した給気を前記空調ユニットに供給し、前記空調ユニットは、前記被制御エリアに供給する給気の風量を調節するＶＡＶユニットである。
また、本発明の空調システムの１構成例において、前記熱源機は、熱源水を前記空調ユニットに供給し、前記空調ユニットは、空気と前記熱源水との熱交換を行って、加熱または冷却した給気を前記被制御エリアに供給するファンコイルユニットである。

また、本発明は、被制御エリアに供給する熱エネルギーを生成する熱源機と、この熱源機によって生成された熱エネルギーを前記被制御エリアの複数の領域に配分する複数の空調ユニットとを備えた空調システムにおける空調制御方法であって、複数の小部屋に仕切られた前記被制御エリアの各小部屋と前記空調ユニットとを対応付けた関連付け情報と、気象情報と、各小部屋の入居者の情報と、各空調ユニットの設定温度とに基づいて、各小部屋に人が在室する間の快適性が向上するように、前記熱源機の起動停止と各空調ユニットの起動停止とを制御することを特徴とするものである。

また、本発明の空調制御方法は、複数の小部屋に仕切られた被制御エリアの各小部屋の利用開始時刻を、当日の日付と曜日と気象情報と各小部屋の入居者の情報とに基づいて小部屋毎に予測する第１のステップと、各小部屋の利用終了時刻を、当日の日付と曜日と気象情報と各小部屋の入居者の情報とに基づいて小部屋毎に予測する第２のステップと、前記被制御エリアに供給する熱エネルギーを生成する熱源機の起動時刻を、当日の気象情報と、前記熱エネルギーを前記被制御エリアの複数の領域に配分する複数の空調ユニットの設定温度とに基づいて予測する第３のステップと、前記熱源機の停止時刻を、当日の気象情報と前記空調ユニットの設定温度とに基づいて予測する第４のステップと、前記第３のステップで予測した起動時刻になったときに前記熱源機を起動させる第５のステップと、前記第１のステップで予測した小部屋の利用開始時刻に基づいて、この小部屋に対応する空調ユニットを起動させる第６のステップと、前記第２のステップで予測した小部屋の利用終了時刻に基づいて、この小部屋に対応する空調ユニットを停止させる第７のステップと、前記第４のステップで予測した停止時刻になったときに前記熱源機を停止させる第８のステップとを含むことを特徴とするものである。

本発明によれば、複数の小部屋に仕切られた被制御エリアの各小部屋と空調ユニットとを対応付けた関連付け情報と、気象情報と、各小部屋の入居者の情報と、各空調ユニットの設定温度とに基づいて、各小部屋に人が在室する間の快適性が向上するように、熱源機の起動停止と各空調ユニットの起動停止とを制御することにより、省エネルギーを実現しつつ、温熱環境の快適性も実現することができる。

また、本発明によれば、被制御エリアの各小部屋の利用開始時刻と利用終了時刻とを、当日の日付と曜日と気象情報と各小部屋の入居者の情報とに基づいて小部屋毎に予測し、熱源機の起動時刻と停止時刻とを、当日の気象情報と各空調ユニットの設定温度とに基づいて予測し、第３の予測部によって予測された起動時刻になったときに熱源機を起動させ、第１の予測部によって予測された小部屋の利用開始時刻に基づいて、小部屋に対応する空調ユニットを起動させ、第２の予測部によって予測された利用終了時刻に基づいて、小部屋に対応する空調ユニットを停止させ、第４の予測部によって予測された停止時刻になったときに熱源機を停止させることにより、小部屋で働く人の勤務時間に応じて熱源機や空調ユニットを最適起動させることで、省エネルギーを実現しつつ、小部屋の利用開始時間までに室内を快適に制御することで、温熱環境の快適性も実現することができる。

また、本発明では、データ収集日において収集した日付と曜日と気象情報と各小部屋の入居者の情報と各小部屋の入室時刻とに基づいて、第１の予測部のニューラルネットワークの学習を行う第１の学習部と、データ収集日において収集した当日の日付と曜日と気象情報と各小部屋の入居者の情報と各小部屋の退室時刻とに基づいて、第２の予測部のニューラルネットワークの学習を行う第２の学習部とを設けることにより、小部屋の日々の利用状況に応じて第１、第２の予測部のニューラルネットワークの学習を行うため、省エネルギーと温熱環境の快適性とが最適になるように日々調整することができる。

また、本発明では、データ収集日において収集した気象情報と各空調ユニットの設定温度と各小部屋の入室時刻または利用開始時刻と熱源機が起動してから小部屋の室内温度が設定温度に達するまでの設定温度到達時間とに基づいて、第３の予測部のニューラルネットワークの学習を行う第３の学習部と、データ収集日において収集した気象情報と各空調ユニットの設定温度と各小部屋の退室時刻または利用終了時刻と熱源機が停止してから小部屋の室内温度が設定温度に維持されている間の設定温度維持時間とに基づいて、第４の予測部のニューラルネットワークの学習を行う第４の学習部とを設けることにより、小部屋の日々の利用状況や空調制御の結果に応じて第３、第４の予測部のニューラルネットワークの学習を行うため、省エネルギーと温熱環境の快適性とが最適になるように日々調整することができる。

図１は、本発明の第１の実施例に係るＶＡＶ空調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空調システムの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空調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空調システムの空調コントローラ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ＶＡＶ空調システムのＶＡＶコントローラ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の実施例において被制御エリアが複数の小部屋に仕切られた例を示す平面図である。 図７は、本発明の第１の実施例における小部屋の入居者情報の例を示す図である。 図８は、本発明の第１の実施例において空調コントローラの関連付け部が作成する関連付け情報の例を示す図である。 図９は、本発明の第１の実施例に係る利用開始時刻予測部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１０は、本発明の第１の実施例に係る利用終了時刻予測部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１１は、本発明の第１の実施例に係る起動時刻予測部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１２は、本発明の第１の実施例に係る停止時刻予測部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１３は、本発明の第２の実施例に係るＦＣＵ空調システムの構成を示すブロック図である。 図１４は、本発明の第２の実施例に係るＦＣＵ空調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１５は、本発明の第２の実施例に係るＦＣＵ空調システムの空調コントローラ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ＦＣＵ空調システムの空調コントローラ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１、第２の実施例に係るＶＡＶコントローラと空調コントローラを実現するコンピュータの構成例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空調システムの構成を示すブロック図である。ＶＡＶ空調システムは、後述する熱源機によって生成された熱エネルギーを被制御エリア１の複数の領域に配分する複数の空調ユニットであるＶＡＶユニット２−１〜２−ｎ（ｎは２以上の整数）と、それぞれ対応するＶＡＶユニット２−１〜２−ｎの近くに設置され、被制御エリア１の室内温度を計測する室内温度センサ３−１〜３−ｎと、被制御エリア１に供給する熱エネルギーを生成する熱源機４（本実施例では空調機）と、熱源機４からの給気をＶＡＶユニット２−１〜２−ｎへ供給する給気ダクト５と、ＶＡＶユニット２−１〜２−ｎを制御する複数のＶＡＶコントローラ６−１〜６−ｎと、熱源機４を制御する空調コントローラ７と、熱源機４から各ＶＡＶユニット２−１〜２−ｎに供給される給気の温度を計測する給気温度センサ８と、大気圧を計測する気圧センサ９と、外気温度を計測する外気温度センサ１０と、外気湿度を計測する外気湿度センサ１１と、日射量を計測する日射センサ１２とを備えている。図１において、１３−１〜１３−ｎは給気の吹出口である。

図２はＶＡＶコントローラ６−１の構成を示すブロック図、図３は空調コントローラ７の構成を示すブロック図である。ＶＡＶコントローラ６−１は、対応する室内温度センサ３−１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６０と、室内温度センサ３−１によって計測された室内温度と設定温度との偏差に基づいて設定風量を算出する風量算出部６１と、設定風量を確保するようにＶＡＶユニット２−１内のダンパの開度を制御する制御部６２と、風量算出部６１によって算出された設定風量の値、および室内温度センサ３−１によって計測された室内温度の値を空調コントローラ７に通知する送信部６３と、空調コントローラ７から通知された設定温度の値および空調コントローラ７からの指示を受信する受信部６４とを有する。なお、他のＶＡＶコントローラも、ＶＡＶコントローラ６−１と同様の構成を有している。

空調コントローラ７は、給気温度センサ８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７０と、熱源機４に供給される熱源水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７１と、ＶＡＶコントローラ６−１〜６−ｎから通知された設定風量、室内温度の値を取得する受信部７２と、熱源機４を制御する熱源機制御部７３（第１の制御部）と、気圧センサ９から大気圧の値を取得する大気圧取得部７４と、外気温度センサ１０から外気温度の値を取得する外気温度取得部７５と、外気湿度センサ１１から外気湿度の値を取得する外気湿度取得部７６と、日射センサ１２から日射量の値を取得する日射量取得部７７と、ＶＡＶユニット２−１〜２−ｎの設定温度を設定する室内温度設定部７８と、外部の気象予測システムから気象情報を取得する気象情報取得部７９と、テナントから提供された入居者情報を取得する入居者情報取得部８０と、複数の小部屋に仕切られた被制御エリア１の各小部屋の入退室時刻を取得する入退室時刻情報取得部８１とを有する。

さらに、空調コントローラ７は、被制御エリア１の各小部屋の利用開始時刻をニューラルネットワークにより予測する利用開始時刻予測部８２（第１の予測部）と、各小部屋の利用終了時刻をニューラルネットワークにより予測する利用終了時刻予測部８３（第２の予測部）と、熱源機４の起動時刻をニューラルネットワークにより予測する起動時刻予測部８４（第３の予測部）と、熱源機４の停止時刻をニューラルネットワークにより予測する停止時刻予測部８５（第４の予測部）と、ＶＡＶコントローラ６−１〜６−ｎを通じてＶＡＶユニット２−１〜２−ｎを制御するＶＡＶ制御部８７と、利用開始時刻予測部８２のニューラルネットワークの学習を行う学習部８８（第１の学習部）と、利用終了時刻予測部８３のニューラルネットワークの学習を行う学習部８９（第２の学習部）と、起動時刻予測部８４のニューラルネットワークの学習を行う学習部９０（第３の学習部）と、停止時刻予測部８５のニューラルネットワークの学習を行う学習部９１（第４の学習部）と、記憶部９２と、テナントと小部屋とＶＡＶユニット２−１〜２−ｎとを対応付けた関連付け情報を作成する関連付け部９３とを有する。ＶＡＶ制御部８７とＶＡＶコントローラ６−１〜６−ｎとは、第２の制御部を構成している。また、第１の予測部と第２の予測部と第３の予測部と第４の予測部と第１の制御部と第２の制御部とは、予測制御部を構成している。

熱源機４によって冷却または加熱された空気（給気）は、給気ダクト５を介して被制御エリア１の各ＶＡＶユニット２−１〜２−ｎへ供給され、ＶＡＶユニット２−１〜２−ｎを通過して吹出口１３−１〜１３−ｎから被制御エリア１へ供給されるようになっている。

次に、本実施例の動作について説明する。図４は空調コントローラ７の動作を説明するフローチャート、図５はＶＡＶコントローラ６−１〜６−ｎの動作を説明するフローチャートである。

まず、本発明では、空調対象の被制御エリア１（フロア）が間仕切りによって複数の小部屋に区切られ、各小部屋にテナントが入居する場合を想定している。
被制御エリア１が複数の小部屋に仕切られた例を図６に示す。図６の平面図の例では、各小部屋の配置と共に、ＶＡＶユニット２−１〜２−ｎ（ここではｎ＝６）の配置を記載している。図６における１７は各小部屋を仕切る間仕切りである。

空調コントローラ７の入居者情報取得部８０は、小部屋へのテナントの入居時に、小部屋の利用スケジュールを示す入居者情報をテナントから取得する（図４ステップＳ１００）。入居者情報は、テナント名（入居者名）、小部屋名、利用目的、利用スケジュール、快適性の要望、休日情報などを含む。テナントから入力された入居者情報は、記憶部９２に格納される。入居者情報の例を図７に示す。

一方、空調コントローラ７の記憶部９２には、被制御エリア１内の各小部屋の配置とＶＡＶユニット２−１〜２−ｎの配置と吹出口１３−１〜１３−ｎの配置とを示す間仕切り情報が予め記憶されている。
空調コントローラ７の関連付け部９３は、記憶部９２に記憶された入居者情報と間仕切り情報とに基づいて、テナントと小部屋とＶＡＶユニット２−１〜２−ｎとを対応付けた関連付け情報を作成する（図４ステップＳ１０１）。

間仕切り１７は、各小部屋を完全には分離しておらず、吹出口１３−１〜１３−ｎからの送風が例えば間仕切り１７自体を通して、あるいは間仕切り１７の上方の空間を通して複数の小部屋に行き渡るようになっている。したがって、関連付け部９３は、例えば吹出口１３（１３−１〜１３−ｎ）が対象の小部屋に最も近いＶＡＶユニット２（２−１〜２−ｎ）を、その小部屋に対応するＶＡＶユニットとすればよい。

あるいは、１つのＶＡＶユニットについて複数の吹出口１３を設け、吹出口１３を各小部屋に設けるようにしてもよい。関連付け部９３は、対象の小部屋に吹出口１３（１３−１〜１３−ｎ）が設けられたＶＡＶユニット２（２−１〜２−ｎ）を、その小部屋に対応するＶＡＶユニットとすればよい。この場合には、間仕切り１７が各小部屋を完全に分離していてもよい。
図６（間仕切り情報）と図７の入居者情報に基づく関連付け情報の例を図８に示す。

なお、例えば間仕切りの変更による小部屋の配置変更や空調ユニットの追加等が発生すると、間仕切り情報が更新され、またテナントの新たな入居あるいは退去により入居者情報が更新されるので、間仕切り情報あるいは入居者情報の更新により、関連付け情報も適宜更新されることは言うまでもない。

次に、空調コントローラ７の利用開始時刻予測部８２は、１日の始めに、本日の各小部屋の利用開始時刻ｔｓを小部屋毎に予測する（図４ステップＳ１０２）。具体的には、利用開始時刻予測部８２は、本日の日付と曜日と本日の気象予測情報と入居者情報とに基づいて、各小部屋の利用開始時刻ｔｓをニューラルネットワークにより予測する。

気象予測情報としては、例えば大気圧、外気温度、外気湿度、日射量、天気、日出時刻、日没時刻などがある。これら気象予測情報は、気象情報取得部７９が図示しない気象予測システムから取得する。

利用開始時刻予測部８２には、日付と曜日と気象予測情報と入居者情報と、小部屋の利用開始時刻ｔｓとの関係をモデル化したニューラルネットワーク８２０が構築されている。ここで、事前に行われるニューラルネットワーク８２０の学習動作について、図９のフローチャートを参照して説明する。

空調コントローラ７の学習部８８は、過去のデータ収集日において、日付と、曜日と、気象情報と、入居者情報（休日情報）と、各小部屋の最早入室時刻ｔｉｎと最遅退室時刻ｔｏｕｔのデータを収集する（図９ステップＳ３００）。気象情報については、データ収集日について気象予測システムが予測した気象予測情報を用いてもよいし、気象情報の一部（例えば気圧センサ９が計測した大気圧、外気温度センサ１０が計測した外気温度、外気湿度センサ１１が計測した外気湿度、日射センサ１２が計測した日射量）についてはデータ収集日の実測値を用いてもよい。

データ収集日の最早入室時刻ｔｉｎと最遅退室時刻ｔｏｕｔのデータは、入退室時刻情報取得部８１を通じて取得することができる。最早入室時刻ｔｉｎと最遅退室時刻ｔｏｕｔのデータは、各小部屋に設けられた人感センサの検出結果、各小部屋に設けられた照明設備の点灯・消灯の結果、あるいは各小部屋の入退室を管理するセキュリティシステムから得ることができる。

そして、学習部８８は、データ収集日の日付と曜日と気象情報と入居者情報（休日情報）とを利用開始時刻予測部８２のニューラルネットワーク８２０の入力変数とし、データ収集日の各小部屋の利用開始時刻ｔｓをニューラルネットワーク８２０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８２０の学習を行う（図９ステップＳ３０１）。このとき、学習部８８は、データ収集日の各小部屋の最早入室時刻ｔｉｎを、その日の利用開始時刻ｔｓの正解値とする。

このようにして、各小部屋の過去の利用開始時刻を事前にニューラルネットワーク８２０に学習させることで、本日の利用開始時刻ｔｓをニューラルネットワーク８２０で適切に予測できるようになる。

一方、空調コントローラ７の利用終了時刻予測部８３は、１日の始めに、本日の各小部屋の利用終了時刻ｔｆを小部屋毎に予測する（図４ステップＳ１０３）。具体的には、利用終了時刻予測部８３は、本日の日付と曜日と本日の気象予測情報と入居者情報とに基づいて、各小部屋の利用終了時刻ｔｆをニューラルネットワークにより予測する。

利用終了時刻予測部８３には、日付と曜日と気象予測情報と入居者情報と、小部屋の利用終了時刻ｔｆとの関係をモデル化したニューラルネットワーク８３０が構築されている。事前に行われるニューラルネットワーク８３０の学習動作について、図１０のフローチャートを参照して説明する。

学習部８９のデータ収集の動作（図１０ステップＳ４００）は、ステップＳ３００と同じである。
そして、学習部８９は、データ収集日の日付と曜日と気象情報と入居者情報（休日情報）とを利用終了時刻予測部８３のニューラルネットワーク８３０の入力変数とし、データ収集日の各小部屋の利用終了時刻ｔｆをニューラルネットワーク８３０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８３０の学習を行う（図１０ステップＳ４０１）。このとき、学習部８９は、データ収集日の各小部屋の最遅退室時刻ｔｏｕｔを、その日の利用終了時刻ｔｆの正解値とする。

このようにして、各小部屋の過去の利用終了時刻を事前にニューラルネットワーク８３０に学習させることで、本日の利用終了時刻ｔｆをニューラルネットワーク８３０で適切に予測できるようになる。

なお、学習部８８は、１日の終わりに、この日に収集したデータと過去のデータ収集日に収集したデータとに基づいて、利用開始時刻予測部８２のニューラルネットワーク８２０の再学習を行うことにより、ニューラルネットワーク８２０の予測精度を更に向上させることができる。同様に、学習部８９は、利用終了時刻予測部８３のニューラルネットワーク８３０の再学習を行うことにより、ニューラルネットワーク８３０の予測精度を更に向上させることができる。

次に、空調コントローラ７の起動時刻予測部８４は、１日の始めに、利用開始時刻予測部８２によって予測された小部屋毎の利用開始時刻ｔｓと関連付け部９３によって作成された関連付け情報とに基づいて、本日の各ＶＡＶユニット２−１〜２−ｎの最早利用開始時刻ｔｓ＿ｆをＶＡＶユニット毎に求め、さらに全てのＶＡＶユニット２−１〜２−ｎの利用開始時刻のうちの最早利用開始時刻ｔｓ＿ｍｆを求める（図４ステップＳ１０４）。

ＶＡＶユニット毎の最早利用開始時刻ｔｓ＿ｆは、対象とするＶＡＶユニットに対応する小部屋を関連付け情報によって特定し、特定した小部屋の利用開始時刻ｔｓのうち最も早い時刻をｔｓ＿ｆとすればよい。ｔｓ＿ｍｆは、全ての利用開始時刻ｔｓのうち最も早い時刻であることは言うまでもない。

そして、起動時刻予測部８４は、１日の始めに、本日の熱源機４の起動時刻（起動すべき時刻）ｔｏｎを予測する（図４ステップＳ１０５）。具体的には、起動時刻予測部８４は、本日の気象予測情報と各ＶＡＶユニット２−１〜２−ｎの設定温度ＳＰとに基づいて、起動時刻ｔｏｎをニューラルネットワークにより予測する。なお、本実施例では、各ＶＡＶユニット２−１〜２−ｎの設定温度ＳＰを同一の値とする。

起動時刻予測部８４には、気象予測情報と各ＶＡＶユニット２−１〜２−ｎの設定温度ＳＰと、熱源機４の起動時刻ｔｏｎとの関係をモデル化したニューラルネットワーク８４０が構築されている。事前に行われるニューラルネットワーク８４０の学習動作について、図１１のフローチャートを参照して説明する。

空調コントローラ７の学習部９０は、過去のデータ収集期間（例えば過去１週間）の各日について、気象情報と、各ＶＡＶユニット２−１〜２−ｎの設定温度ＳＰと、熱源機４の起動時刻と、熱源機４が起動してから小部屋の室内温度が設定温度ＳＰに達するまでの設定温度到達時間ｔａと、各小部屋の最早入室時刻ｔｉｎと最遅退室時刻ｔｏｕｔのデータを収集する（図１１ステップＳ５００）。

上記と同様に、気象情報については、データ収集日について気象予測システムが予測した気象予測情報を用いてもよいし、気象情報の一部（例えば気圧センサ９が計測した大気圧、外気温度センサ１０が計測した外気温度、外気湿度センサ１１が計測した外気湿度、日射センサ１２が計測した日射量）についてはデータ収集日の実測値を用いてもよい。

設定温度到達時間ｔａについては、熱源機４の起動時を開始点とし、各小部屋の最早入室時刻ｔｉｎのうち時刻が最も早い小部屋の室内温度が設定温度ＳＰに到達するまでの時間とする。

そして、学習部９０は、過去のデータ収集期間の各日の気象情報と設定温度ＳＰとを起動時刻予測部８４のニューラルネットワーク８４０の入力変数とし、データ収集期間の各日の熱源機４の起動時刻ｔｏｎをニューラルネットワーク８４０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８４０の学習を行う（図１１ステップＳ５０１）。

このとき、学習部９０は、データ収集期間の各日において、各小部屋の最早入室時刻ｔｉｎのうち最も早い時刻ｔｉｎ＿ｆから設定温度到達時間ｔａを引いた時刻を、その日の起動時刻ｔｏｎの正解値としてニューラルネットワーク８４０の学習を行う。
このようにして、過去の起動時刻を事前に起動時刻予測部８４のニューラルネットワーク８４０に学習させることで、本日の起動時刻ｔｏｎをニューラルネットワーク８４０で適切に予測できるようになる。

一方、空調コントローラ７の停止時刻予測部８５は、１日の始めに、利用終了時刻予測部８３によって予測された小部屋毎の利用終了時刻ｔｆと関連付け部９３によって作成された関連付け情報とに基づいて、本日の各ＶＡＶユニット２−１〜２−ｎの最遅利用終了時刻ｔｆ＿ｌをＶＡＶユニット毎に求め、さらに全てのＶＡＶユニット２−１〜２−ｎの利用終了時刻のうちの最遅利用終了時刻ｔｆ＿ｍｌを求める（図４ステップＳ１０６）。

ＶＡＶユニット毎の最遅利用終了時刻ｔｆ＿ｌは、対象とするＶＡＶユニットに対応する小部屋を関連付け情報によって特定し、特定した小部屋の利用終了時刻ｔｆのうち最も遅い時刻をｔｆ＿ｌとすればよい。ｔｆ＿ｍｌは、全ての利用終了時刻ｔｆのうち最も遅い時刻であることは言うまでもない。

そして、停止時刻予測部８５は、１日の始めに、本日の熱源機４の停止時刻（停止すべき時刻）ｔｏｆｆを予測する（図４ステップＳ１０７）。具体的には、停止時刻予測部８５は、本日の気象予測情報と各ＶＡＶユニット２−１〜２−ｎの設定温度ＳＰとに基づいて、停止時刻ｔｏｆｆをニューラルネットワークにより予測する。

停止時刻予測部８５には、気象予測情報と各ＶＡＶユニット２−１〜２−ｎの設定温度ＳＰと、熱源機４の停止時刻ｔｏｆｆとの関係をモデル化したニューラルネットワーク８５０が構築されている。事前に行われるニューラルネットワーク８５０の学習動作について、図１２のフローチャートを参照して説明する。

空調コントローラ７の学習部９１は、過去のデータ収集期間（例えば過去１週間）の各日について、気象情報と、各ＶＡＶユニット２−１〜２−ｎの設定温度ＳＰと、熱源機４の停止時刻と、熱源機４が停止してから小部屋の室内温度が設定温度ＳＰに維持されている間の設定温度維持時間ｔｋと、各小部屋の最早入室時刻ｔｉｎと最遅退室時刻ｔｏｕｔのデータを収集する（図１２ステップＳ６００）。上記と同様に、気象情報については、データ収集日について気象予測システムが予測した気象予測情報を用いてもよいし、気象情報の一部についてはデータ収集日の実測値を用いてもよい。

設定温度維持時間ｔｋについては、熱源機４の停止時を開始点とし、各小部屋の最遅退室時刻ｔｏｕｔのうち時刻が最も遅い小部屋の室内温度が設定温度ＳＰを中心とする所定の許容範囲から外れるまでの時間とする。

そして、学習部９１は、過去のデータ収集期間の各日の気象情報と設定温度ＳＰとを停止時刻予測部８５のニューラルネットワーク８５０の入力変数とし、データ収集期間の各日の熱源機４の停止時刻ｔｏｆｆをニューラルネットワーク８５０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８５０の学習を行う（図１２ステップＳ６０１）。

このとき、学習部９１は、データ収集期間の各日において、各小部屋の最遅退室時刻ｔｏｕｔのうち最も遅い時刻ｔｏｕｔ＿ｌから設定温度維持時間ｔｋを引いた時刻を、その日の停止時刻ｔｏｆｆの正解値とする。
このようにして、過去の停止時刻を事前に停止時刻予測部８５のニューラルネットワーク８５０に学習させることで、本日の停止時刻ｔｏｆｆをニューラルネットワーク８５０で適切に予測できるようになる。なお、ニューラルネットワーク８４０，８５０の再学習については後述する。

また、本実施例では、熱源機４の起動時刻ｔｏｎと停止時刻ｔｏｆｆの予測にニューラルネットワークを用いているが、これに限るものではなく、従来の最適起動停止アルゴリズムを用いてもよい。最適起動停止アルゴリズムについては、例えば特開２００４−８５１４１号公報、特開２００７−１３２５９８号公報に開示されている。

この場合、起動時刻予測部８４は、本日の気象予測情報と各ＶＡＶユニット２−１〜２−ｎの設定温度ＳＰとに基づいて、最適起動停止アルゴリズムにより熱源機４の起動の前倒し時間ｔｐｓを求める。そして、起動時刻予測部８４は、全てのＶＡＶユニット２−１〜２−ｎの利用開始時刻のうちの最早利用開始時刻ｔｓ＿ｍｆから前倒し時間ｔｐｓを引いた時刻を、熱源機４の起動時刻ｔｏｎとすればよい。

また、停止時刻予測部８５は、本日の気象予測情報と各ＶＡＶユニット２−１〜２−ｎの設定温度ＳＰとに基づいて、最適起動停止アルゴリズムにより熱源機４の停止の前倒し時間ｔｐｆを求める。そして、停止時刻予測部８５は、全てのＶＡＶユニット２−１〜２−ｎの利用終了時刻のうちの最遅利用終了時刻ｔｆ＿ｍｌから前倒し時間ｔｐｆｆを引いた時刻を、熱源機４の停止時刻ｔｏｆｆとすればよい。

次に、空調コントローラ７の室内温度設定部７８は、起動時刻予測部８４によって予測された熱源機４の起動時刻ｔｏｎのＸ分前（Ｘは事前に決められた時間）になると（図４ステップＳ１０８においてＹＥＳ）、同一の空調系統（同一の熱源機４）に属する各ＶＡＶユニット２−１〜２−ｎのＶＡＶコントローラ６−１〜６−ｎに対して予め定められた設定温度ＳＰを設定する（図４ステップＳ１０９）。時間Ｘは、上記の設定温度到達時間ｔａおよび前倒し時間ｔｐｓの取り得る値よりも大きい値とする。

各ＶＡＶコントローラ６−１〜６−ｎの受信部６４は、空調コントローラ７から通知された設定温度ＳＰの値を取得する（図５ステップＳ２００）。

続いて、空調コントローラ７の熱源機制御部７３は、起動時刻予測部８４によって予測された熱源機４の起動時刻ｔｏｎになると（図４ステップＳ１１０においてＹＥＳ）、熱源機４を起動させる（図４ステップＳ１１１）。

空調コントローラ７の給気温度計測値取得部７０は、給気温度センサ８によって計測された給気温度計測値を取得する（図４ステップＳ１１２）。
空調コントローラ７の操作量算出部７１は、所定の制御演算アルゴリズム（例えばＰＩＤ）に従って、給気温度計測値と給気温度設定値とが一致するように操作量を算出する（図４ステップＳ１１３）。空調コントローラ７の熱源機制御部７３は、操作量算出部７１によって算出された操作量を熱源機４に出力する（図４ステップＳ１１４）。こうして、熱源機４に供給される熱源水（冷水または温水）の量が操作量に応じて調節され、給気温度が制御される。

また、熱源機制御部７３は、システム全体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熱源機４のファン（不図示）を制御する（図４ステップＳ１１５）。このようにして、熱源機４から送出される給気の風量が制御される。なお、熱源機４の起動時には、全てのＶＡＶユニット２−１〜２−ｎが停止しているため、総要求風量値は、例えば被制御エリア１の必要な換気量から予め定められた初期値となる。

次に、空調コントローラ７のＶＡＶ制御部８７は、ＶＡＶユニット２（２−１〜２−ｎ）を動作させるタイミングになると（図４ステップＳ１１６においてＹＥＳ）、当該ＶＡＶユニットのＶＡＶコントローラに対して全開設定（起動）の指示を送信する（図４ステップＳ１１７）。

全てのＶＡＶユニット２−１〜２−ｎの利用開始時刻のうち最も早い利用開始時刻ｔｓ＿ｍｆのＶＡＶユニットについては、熱源機４の起動時刻ｔｏｎが当該ＶＡＶユニットを動作させるタイミングとなる。一方、他のＶＡＶユニットについては、このＶＡＶユニットの最早利用開始時刻ｔｓ＿ｆのＹ分前（Ｙは事前に決められた時間）の時刻が当該ＶＡＶユニットを動作させるタイミングとなる。時間Ｙは、上記の設定温度到達時間ｔａおよび前倒し時間ｔｐｓの取り得る値よりも大きい値とする。

各ＶＡＶコントローラ６−１〜６−ｎの制御部６２は、空調コントローラ７から全開設定の指示を受けた場合（図５ステップＳ２０１においてＹＥＳ）、対応するＶＡＶユニット２−１〜２−ｎ内のダンパ（不図示）が全開になるように制御する（図５ステップＳ２０２）。空調コントローラ７から指示を受けていないＶＡＶユニットについては、ダンパを全閉（停止）のままとする。

各ＶＡＶコントローラ６−１〜６−ｎの室内温度計測値取得部６０は、それぞれ対応する室内温度センサ３−１〜３−ｎから室内温度の値を取得する。この室内温度の値は、各ＶＡＶコントローラ６−１〜６−ｎの送信部６３から空調コントローラ７へ定期的に送信される。

各ＶＡＶコントローラ６−１〜６−ｎの風量算出部６１は、室内温度計測値取得部６０によって取得された室内温度の値が空調コントローラ７から通知された設定温度ＳＰに到達したか否かを判定し（図５ステップＳ２０３）、室内温度が設定温度ＳＰに到達した場合には、対応する小部屋の熱負荷状況に応じて設定風量を算出する（図５ステップＳ２０４）。具体的には、風量算出部６１は、室内温度計測値取得部６０によって取得された室内温度と設定温度ＳＰとが一致するように、所定の制御演算アルゴリズム（例えばＰＩＤ）に従って設定風量を算出する。

各ＶＡＶコントローラ６−１〜６−ｎの送信部６３は、それぞれＶＡＶコントローラ６−１〜６−ｎの風量算出部６１が算出した設定風量の値を空調コントローラ７に通知する（図５ステップＳ２０５）。

空調コントローラ７の熱源機制御部７３は、各ＶＡＶコントローラ６−１〜６−ｎから通知された設定風量値に応じて、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熱源機４のファンを制御する（図４ステップＳ１１５）。

そして、各ＶＡＶコントローラ６−１〜６−ｎの制御部６２は、それぞれＶＡＶコントローラ６−１〜６−ｎの風量算出部６１によって算出された設定風量を確保するように、対応するＶＡＶユニット２−１〜２−ｎ内のダンパの開度を制御する（図５ステップＳ２０６）。こうして、対応する室内温度センサ３（３−１〜３−ｎ）によって計測された室内温度の値が設定温度ＳＰに到達したＶＡＶユニット２（２−１〜２−ｎ）については、熱負荷状況に応じてダンパの開度が制御される。

次に、空調コントローラ７のＶＡＶ制御部８７は、各ＶＡＶユニット２−１〜２−ｎの中に、そのＶＡＶユニットの最遅利用終了時刻ｔｆ＿ｌになったものが存在する場合（図４ステップＳ１１８においてＹＥＳ）、当該ＶＡＶユニットのＶＡＶコントローラに対して全閉設定（停止）の指示を送信する（図４ステップＳ１１９）。

各ＶＡＶコントローラ６−１〜６−ｎの制御部６２は、空調コントローラ７から全閉設定の指示を受けた場合（図５ステップＳ２０７においてＹＥＳ）、対応するＶＡＶユニット２−１〜２−ｎ内のダンパが全閉になるように制御する（図５ステップＳ２０８）。空調コントローラ７からの全閉設定の指示がない場合には、ステップＳ２０４の設定風量の算出処理に戻る。

次に、空調コントローラ７の熱源機制御部７３は、停止時刻予測部８５によって予測された熱源機４の停止時刻ｔｏｆｆになると（図４ステップＳ１２０においてＹＥＳ）、熱源機４を停止させる（図４ステップＳ１２１）。停止時刻ｔｏｆｆになっていない場合には、ステップＳ１１２に戻る。

熱源機４の停止後、空調コントローラ７のＶＡＶ制御部８７は、全閉にしていない残りのＶＡＶユニットの最遅利用終了時刻ｔｆ＿ｌになったときに（図４ステップＳ１２２においてＹＥＳ）、当該ＶＡＶユニットのＶＡＶコントローラに対して全閉設定（停止）の指示を送信する（図４ステップＳ１２３）。

全てのＶＡＶユニット２−１〜２−ｎと熱源機４とが停止した後、空調コントローラ７の学習部９０は、本日の各小部屋の利用開始時刻ｔｓのうち最早利用開始時刻ｔｓ＿ｍｆの小部屋の室内温度が最早利用開始時刻ｔｓ＿ｍｆまでに設定温度ＳＰに到達したか否かを評価する（図４ステップＳ１２４）。

学習部９０は、最早利用開始時刻ｔｓ＿ｍｆの小部屋の室内温度が最早利用開始時刻ｔｓ＿ｍｆまでに設定温度ＳＰに到達していない場合（ステップＳ１２４においてＮＯ）、過去のデータ収集期間と本日とにおける気象情報と設定温度ＳＰとを起動時刻予測部８４のニューラルネットワーク８４０の入力変数とし、過去のデータ収集期間と本日とにおける熱源機４の起動時刻ｔｏｎをニューラルネットワーク８４０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８４０の再学習を行う（図４ステップＳ１２５）。

このとき、学習部９０は、本日の熱源機４の起動時を開始点とし、本日の各小部屋の利用開始時刻ｔｓのうち最早利用開始時刻ｔｓ＿ｍｆの小部屋の室内温度が設定温度ＳＰに到達するまでの時間を本日の設定温度到達時間ｔａとする。そして、学習部９０は、本日の最早利用開始時刻ｔｓ＿ｍｆから本日の設定温度到達時間ｔａを引いた時刻を、本日の熱源機４の起動時刻ｔｏｎの正解値とすればよい。

あるいは、学習部９０は、本日の各小部屋の最早入室時刻ｔｉｎのうち時刻が最も早い小部屋の室内温度が最早入室時刻ｔｉｎ＿ｆまでに設定温度ＳＰに到達していない場合に、ニューラルネットワーク８４０の再学習を行うようにしてもよい。

この場合には、学習部９０は、本日の熱源機４の起動時を開始点とし、本日の各小部屋の最早入室時刻ｔｉｎのうち時刻が最も早い小部屋の室内温度が設定温度ＳＰに到達するまでの時間を本日の設定温度到達時間ｔａとする。そして、学習部９０は、本日の最早入室時刻ｔｉｎ＿ｆから本日の設定温度到達時間ｔａを引いた時刻を、本日の熱源機４の起動時刻ｔｏｎの正解値とすればよい。

なお、起動時刻ｔｏｎの予測に最適起動停止アルゴリズムを用いる場合には、過去のデータ収集期間と本日とにおける設定温度到達時間ｔａを用いて、最適起動停止アルゴリズムを再調整すればよい。

次に、学習部９１は、本日の各小部屋の利用終了時刻ｔｆのうち最遅利用終了時刻ｔｆ＿ｍｌの小部屋の室内温度が最遅利用終了時刻ｔｆ＿ｍｌまで設定温度ＳＰに維持できていたか否かを評価する（図４ステップＳ１２６）。

学習部９１は、最遅利用終了時刻ｔｆ＿ｍｌの小部屋の室内温度が最遅利用終了時刻ｔｆ＿ｍｌまで設定温度ＳＰに維持できていなかった場合（ステップＳ１２６においてＮＯ）、過去のデータ収集期間と本日とにおける気象情報と設定温度ＳＰとを停止時刻予測部８５のニューラルネットワーク８５０の入力変数とし、過去のデータ収集期間と本日とにおける熱源機４の停止時刻ｔｏｆｆをニューラルネットワーク８５０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８５０の再学習を行う（図４ステップＳ１２７）。

このとき、学習部９１は、本日の熱源機４の停止時を開始点とし、本日の各小部屋の利用終了時刻ｔｆのうち最遅利用終了時刻ｔｆ＿ｍｌの小部屋の室内温度が設定温度ＳＰを中心とする所定の許容範囲から外れるまでの時間を本日の設定温度維持時間ｔｋとする。そして、学習部９１は、本日の最遅利用終了時刻ｔｆ＿ｍｌから設定温度維持時間ｔｋを引いた時刻を、本日の熱源機４の停止時刻ｔｏｆｆの正解値とすればよい。

あるいは、学習部９１は、本日の各小部屋の最遅退室時刻ｔｏｕｔのうち時刻が最も遅い小部屋の室内温度が最遅退室時刻ｔｏｕｔ＿ｌまで設定温度ＳＰに維持できていなかった場合に、ニューラルネットワーク８５０の再学習を行うようにしてもよい。

この場合には、学習部９１は、本日の熱源機４の停止時を開始点とし、本日の各小部屋の最遅退室時刻ｔｏｕｔのうち時刻が最も遅い小部屋の室内温度が設定温度ＳＰを中心とする所定の許容範囲から外れるまでの時間を本日の設定温度維持時間ｔｋとする。そして、学習部９１は、本日の最遅退室時刻ｔｏｕｔ＿ｌから本日の設定温度維持時間ｔｋを引いた時刻を、本日の熱源機４の停止時刻ｔｏｆｆの正解値とすればよい。

なお、停止時刻ｔｏｆｆの予測に最適起動停止アルゴリズムを用いる場合には、過去のデータ収集期間と本日とにおける設定温度維持時間ｔｋを用いて、最適起動停止アルゴリズムを再調整すればよい。

以上のように、本実施例では、空調システムの被制御エリア１が複数の小部屋に区切られている場合に、小部屋で働く人の勤務時間に応じて熱源機４やＶＡＶユニット２−１〜２−ｎを最適起動させることで、省エネルギーを実現しつつ、小部屋の利用開始時間までに室内を快適に制御することで、温熱環境の快適性も実現することができる。また、本実施例では、小部屋の日々の利用状況や空調制御の結果に応じてニューラルネットワーク８２０，８３０，８４０，８５０を再学習するため、省エネルギーと温熱環境の快適性とが最適になるように日々調整することができる。

なお、特許文献１、特許文献２に開示された技術と同様に、給気温度設定のロードリセット制御を行うようにしてもよい。

［第２の実施例］
第１の実施例では、ＶＡＶ空調システムを例に挙げて説明したが、本発明はファンコイルユニット（Fan Coil Unit、以下ＦＣＵ）空調システムに適用することも可能である。図１３は本発明の第２の実施例に係るＦＣＵ空調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。

ＦＣＵ空調システムは、熱源機によって生成された熱エネルギーを被制御エリア１の複数の領域に配分する複数の空調ユニットであるＦＣＵ２ａ−１〜２ａ−ｎと、室内温度センサ３−１〜３−ｎと、熱源水（冷水または温水）をＦＣＵ２ａ−１〜２ａ−ｎを供給する熱源機４ａと、ＦＣＵ２ａ−１〜２ａ−ｎと熱源機４ａとを制御する空調コントローラ７ａと、気圧センサ９と、外気温度センサ１０と、外気湿度センサ１１と、日射センサ１２と、熱源水をＦＣＵ２ａ−１〜２ａ−ｎを供給する往き配管１４と、熱交換後の熱源水を熱源機４ａに戻す還り配管１５とを備えている。

図１４は空調コントローラ７ａの構成を示すブロック図であり、図３と同一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７ａは、熱源機４ａを制御する熱源機制御部７３ａ（第１の制御部）と、大気圧取得部７４と、外気温度取得部７５と、外気湿度取得部７６と、日射量取得部７７と、室内温度設定部７８ａと、気象情報取得部７９と、入居者情報取得部８０と、入退室時刻情報取得部８１と、利用開始時刻予測部８２と、利用終了時刻予測部８３と、起動時刻予測部８４と、停止時刻予測部８５と、ＦＣＵ２ａ−１〜２ａ−ｎを制御するＦＣＵ制御部８７ａ（第２の制御部）と、学習部８８〜９１と、記憶部９２と、関連付け部９３と、室内温度計測値取得部９４とを有する。

次に、本実施例の動作について説明する。図１５、図１６は空調コントローラ７ａ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７ａの入居者情報取得部８０の動作（図１５ステップＳ７００）は、第１の実施例のステップＳ１００の動作と同じである。

空調コントローラ７ａの関連付け部９３は、第１の実施例と同様に、記憶部９２に記憶された入居者情報と間仕切り情報とに基づいて、テナントと小部屋とＦＣＵ２ａ−１〜２ａ−ｎとを対応付けた関連付け情報を作成する（図１５ステップＳ７０１）。第１の実施例と同様に、関連付け部９３は、例えば吹出口１３（１３−１〜１３−ｎ）が対象の小部屋に最も近いＦＣＵ２ａ（２ａ−１〜２ａ−ｎ）を、その小部屋に対応するＦＣＵとすればよい。あるいは、対象の小部屋に吹出口１３（１３−１〜１３−ｎ）が設けられたＦＣＵ２ａ（２ａ−１〜２ａ−ｎ）を、その小部屋に対応するＦＣＵとすればよい。

空調コントローラ７ａの利用開始時刻予測部８２と利用終了時刻予測部８３の動作（図１５ステップＳ７０２，Ｓ７０３）は、第１の実施例のステップＳ１０２，Ｓ１０３の動作と同じである。また、学習部８８，８９による利用開始時刻予測部８２と利用終了時刻予測部８３のニューラルネットワーク８２０，８３０の学習／再学習についても、第１の実施例で説明したとおりである。

空調コントローラ７ａの起動時刻予測部８４は、第１の実施例と同様に、１日の始めに、利用開始時刻予測部８２によって予測された小部屋毎の利用開始時刻ｔｓと関連付け部９３によって作成された関連付け情報とに基づいて、各ＦＣＵ２ａ−１〜２ａ−ｎの最早利用開始時刻ｔｓ＿ｆをＦＣＵ毎に求め、さらに全てのＦＣＵ２ａ−１〜２ａ−ｎの利用開始時刻のうちの最早利用開始時刻ｔｓ＿ｍｆを求める（図１５ステップＳ７０４）。そして、起動時刻予測部８４は、第１の実施例と同様に、１日の始めに、本日の熱源機４ａの起動時刻（起動すべき時刻）ｔｏｎを予測する（図１５ステップＳ７０５）。

空調コントローラ７ａの停止時刻予測部８５は、第１の実施例と同様に、１日の始めに、利用終了時刻予測部８３によって予測された小部屋毎の利用終了時刻ｔｆと関連付け部９３によって作成された関連付け情報とに基づいて、各ＦＣＵ２ａ−１〜２ａ−ｎの最遅利用終了時刻ｔｆ＿ｌをＦＣＵ毎に求め、さらに全てのＦＣＵ２ａ−１〜２ａ−ｎの利用終了時刻のうちの最遅利用終了時刻ｔｆ＿ｍｌを求める（図１５ステップＳ７０６）。そして、停止時刻予測部８５は、第１の実施例と同様に、１日の始めに、本日の熱源機４ａの停止時刻（停止すべき時刻）ｔｏｆｆを予測する（図１５ステップＳ７０７）。

学習部９０，９１による起動時刻予測部８４と停止時刻予測部８５のニューラルネットワーク８４０，８５０の学習／再学習については、第１の実施例で説明したとおりである。

次に、空調コントローラ７ａの室内温度設定部７８ａは、起動時刻予測部８４によって予測された熱源機４ａの起動時刻ｔｏｎのＸ分前になると（図１５ステップＳ７０８においてＹＥＳ）、同一の空調系統（同一の熱源機４ａ）に属する各ＦＣＵ２ａ−１〜２ａ−ｎの設定温度ＳＰを設定する（図１５ステップＳ７０９）。

続いて、空調コントローラ７ａの熱源機制御部７３ａは、起動時刻予測部８４によって予測された熱源機４ａの起動時刻ｔｏｎになると（図１５ステップＳ７１０においてＹＥＳ）、熱源機４ａを起動させる（図１５ステップＳ７１１）。

熱源機４ａから供給される熱源水（冷水または温水）は、往き配管１４を経てＦＣＵ２ａ−１〜２ａ−ｎに送られ、ＦＣＵ２ａ−１〜２ａ−ｎを通過して還り配管１５により熱源機４ａに戻される。ＦＣＵ２ａ−１〜２ａ−ｎは、被制御エリア１からＦＣＵ２ａ−１〜２ａ−ｎに戻る空気（還気）と熱源水との熱交換、または混合気（還気と外気とを混合した空気）と熱源水との熱交換を行って、冷却または加熱した空気（給気）を被制御エリア１に送る。ＦＣＵ２ａ−１〜２ａ−ｎを通過する熱源水の流量はバルブ１６−１〜１６−ｎによって制御される。

なお、熱源機４ａの制御方法としては、例えば冷温水循環ポンプを制御する変水量制御（ＶＷＶ：Variable Water Volume）と、熱源機４ａの送水温度を制御する変送水温度制御（ＶＷＴ：Variable Water Temperature）とがあるが、周知の技術であるので、詳細な説明は省略する。

次に、空調コントローラ７ａのＦＣＵ制御部８７ａは、ＦＣＵ２ａ（２ａ−１〜２ａ−ｎ）を動作させるタイミングになると（図１５ステップＳ７１２においてＹＥＳ）、当該ＦＣＵのバルブ１６（１６−１〜１６−ｎ）が全開になるように制御する（図１５ステップＳ７１３）。

全てのＦＣＵ２ａ−１〜２ａ−ｎの利用開始時刻のうち最も早い利用開始時刻ｔｓ＿ｍｆのＦＣＵについては、熱源機４ａの起動時刻ｔｏｎが当該ＦＣＵを動作させるタイミングとなる。一方、他のＦＣＵについては、このＦＣＵの最早利用開始時刻ｔｓ＿ｆのＹ分前の時刻が当該ＦＣＵを動作させるタイミングとなる。動作させるタイミングになっていないＦＣＵについては、バルブ１６を全閉のままとする。

空調コントローラ７ａの室内温度計測値取得部９４は、室内温度センサ３−１〜３−ｎから室内温度の値を定期的に取得する。
ＦＣＵ制御部８７ａは、バルブ全開中のＦＣＵに対応する室内温度センサ３（３−１〜３−ｎ）によって計測された室内温度が設定温度ＳＰに到達したか否かを判定し（図１５ステップＳ７１４）、室内温度が設定温度ＳＰに到達した場合には、当該ＦＣＵに対応する室内温度センサ３によって計測された室内温度が設定温度ＳＰに維持されるように、当該ＦＣＵのバルブ１６の開度を制御する（図１５ステップＳ７１５）。

次に、ＦＣＵ制御部８７ａは、各ＦＣＵ２ａ−１〜２ａ−ｎの中に、そのＦＣＵの最遅利用終了時刻ｔｆ＿ｌになったものが存在する場合（図１６ステップＳ７１６においてＹＥＳ）、当該ＦＣＵのバルブ１６（１６−１〜１６−ｎ）が全閉になるように制御する（図１６ステップＳ７１７）。

空調コントローラ７ａの熱源機制御部７３ａは、停止時刻予測部８５によって予測された熱源機４ａの停止時刻ｔｏｆｆになると（図１６ステップＳ７１８においてＹＥＳ）、熱源機４ａを停止させる（図１６ステップＳ７１９）。停止時刻ｔｏｆｆになっていない場合には、ステップＳ７１２に戻る。

熱源機４ａの停止後、空調コントローラ７ａのＦＣＵ制御部８７ａは、バルブ１６を全閉にしていない残りのＦＣＵの最遅利用終了時刻ｔｆ＿ｌになったときに（図１６ステップＳ７２０においてＹＥＳ）、当該ＦＣＵのバルブ１６が全閉になるように制御する（図１６ステップＳ７２１）。

全てのＦＣＵ２ａ−１〜２ａ−ｎと熱源機４ａとが停止した後の学習部９０と学習部９１の動作（図１６ステップＳ７２２〜Ｓ７２５）は、第１の実施例のステップＳ１２４〜Ｓ１２７の動作と同じである。

以上のようにして、本実施例では、ＦＣＵ空調システムにおいて、第１の実施例と同様の効果を得ることができる。また、ＶＡＶとＦＣＵが混在した空調システムに本発明を適用することも可能である。

第１、第２の実施例のＶＡＶコントローラ６−１〜６−ｎと空調コントローラ７，７ａの各々は、ＣＰＵ（Central Processing Unit）、記憶装置および外部とのインター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。このコンピュータの構成例を図１７に示す。コンピュータは、ＣＰＵ３００と、記憶装置３０１と、インターフェース装置（以下、Ｉ／Ｆと略する）３０２とを備えている。

ＶＡＶコントローラ６−１〜６−ｎの場合、Ｉ／Ｆ３０２には、ＶＡＶユニット２−１〜２−ｎと室内温度センサ３−１〜３−ｎと空調コントローラ７とが接続される。空調コントローラ７の場合、Ｉ／Ｆ３０２には、熱源機４とセンサ８〜１２とＶＡＶコントローラ６−１〜６−ｎとが接続される。空調コントローラ７ａの場合、Ｉ／Ｆ３０２には、熱源機４ａと室内温度センサ３−１〜３−ｎとセンサ９〜１２とバルブ１６−１〜１６−ｎとが接続される。各装置のＣＰＵ３００は、記憶装置３０１に格納されたプログラムに従って第１、第２の実施例で説明した処理を実行する。

本発明は、空調システムに適用することができる。

１…被制御エリア、２−１〜２−ｎ…ＶＡＶユニット、２ａ−１〜２ａ−ｎ…ＦＣＵ、３−１〜３−ｎ…室内温度センサ、４，４ａ…熱源機、５…給気ダクト、６−１〜６−ｎ…ＶＡＶコントローラ、７，７ａ…空調コントローラ、８…給気温度センサ、９…気圧センサ、１０…外気温度センサ、１１…外気湿度センサ、１２…日射センサ、１３−１〜１３−ｎ…吹出口、１４…往き配管、１５…還り配管、１６−１〜１６−ｎ…バルブ、１７…間仕切り、６０，９４…室内温度計測値取得部、６１…風量算出部、６２…制御部、６３…送信部、６４…受信部、７０…給気温度計測値取得部、７１…操作量算出部、７２…受信部、７３，７３ａ…熱源機制御部、７４…大気圧取得部、７５…外気温度取得部、７６…外気湿度取得部、７７…日射量取得部、７８，７８ａ…室内温度設定部、７９…気象情報取得部、８０…入居者情報取得部、８１…入退室時刻情報取得部、８２…利用開始時刻予測部、８３…利用終了時刻予測部、８４…起動時刻予測部、８５…停止時刻予測部、８７…ＶＡＶ制御部、８７ａ…ＦＣＵ制御部、８８〜９１…学習部、９２…記憶部、９３…関連付け部、８２０，８３０，８４０，８５０…ニューラルネットワーク。

Claims (12)

1. 被制御エリアに供給する熱エネルギーを生成するように構成された熱源機と、
   この熱源機によって生成された熱エネルギーを前記被制御エリアの複数の領域に配分するように構成された複数の空調ユニットと、
   複数の小部屋に仕切られた前記被制御エリアの各小部屋と前記空調ユニットとを対応付けた関連付け情報と、気象情報と、各小部屋の入居者の情報と、各空調ユニットの設定温度とに基づいて、各小部屋に人が在室する間の快適性が向上するように、前記熱源機の起動停止と各空調ユニットの起動停止とを制御するように構成された予測制御部とを備えることを特徴とする空調システム。
2. 被制御エリアに供給する熱エネルギーを生成するように構成された熱源機と、
   この熱源機によって生成された熱エネルギーを前記被制御エリアの複数の領域に配分するように構成された複数の空調ユニットと、
   複数の小部屋に仕切られた前記被制御エリアの各小部屋の利用開始時刻を、当日の日付と曜日と気象情報と各小部屋の入居者の情報とに基づいて小部屋毎に予測するように構成された第１の予測部と、
   各小部屋の利用終了時刻を、当日の日付と曜日と気象情報と各小部屋の入居者の情報とに基づいて小部屋毎に予測するように構成された第２の予測部と、
   前記熱源機の起動時刻を、当日の気象情報と各空調ユニットの設定温度とに基づいて予測するように構成された第３の予測部と、
   前記熱源機の停止時刻を、当日の気象情報と各空調ユニットの設定温度とに基づいて予測するように構成された第４の予測部と、
   前記第３の予測部によって予測された起動時刻になったときに前記熱源機を起動させ、前記第４の予測部によって予測された停止時刻になったときに前記熱源機を停止させるように構成された第１の制御部と、
   前記第１の予測部によって予測された小部屋の利用開始時刻に基づいて、この小部屋に対応する空調ユニットを起動させ、前記第２の予測部によって予測された小部屋の利用終了時刻に基づいて、この小部屋に対応する空調ユニットを停止させるように構成された第２の制御部とを備えることを特徴とする空調システム。
3. 請求項２記載の空調システムにおいて、
   前記第１の予測部は、当日の日付と曜日と気象情報と各小部屋の入居者の情報とに基づいて、各小部屋の利用開始時刻をニューラルネットワークにより予測し、
   前記第２の予測部は、当日の日付と曜日と気象情報と各小部屋の入居者の情報とに基づいて、各小部屋の利用終了時刻をニューラルネットワークにより予測することを特徴とする空調システム。
4. 請求項３記載の空調システムにおいて、
   前記利用開始時刻の予測を行う前のデータ収集日において収集した日付と曜日と気象情報と各小部屋の入居者の情報と各小部屋の入室時刻とに基づいて、前記第１の予測部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１の学習部と、
   前記利用終了時刻の予測を行う前のデータ収集日において収集した当日の日付と曜日と気象情報と各小部屋の入居者の情報と各小部屋の退室時刻とに基づいて、前記第２の予測部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の学習部とをさらに備えることを特徴とする空調システム。
5. 請求項２記載の空調システムにおいて、
   前記第３の予測部は、当日の気象情報と各空調ユニットの設定温度とに基づいて、前記熱源機の起動時刻をニューラルネットワークにより予測し、
   前記第４の予測部は、当日の気象情報と各空調ユニットの設定温度とに基づいて、前記熱源機の停止時刻をニューラルネットワークにより予測することを特徴とする空調システム。
6. 請求項５記載の空調システムにおいて、
   前記起動時刻の予測を行う前のデータ収集日において収集した気象情報と各空調ユニットの設定温度と各小部屋の入室時刻または利用開始時刻と前記熱源機が起動してから小部屋の室内温度が設定温度に達するまでの設定温度到達時間とに基づいて、前記第３の予測部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、
   前記停止時刻の予測を行う前のデータ収集日において収集した気象情報と各空調ユニットの設定温度と各小部屋の退室時刻または利用終了時刻と前記熱源機が停止してから小部屋の室内温度が設定温度に維持されている間の設定温度維持時間とに基づいて、前記第４の予測部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４の学習部とをさらに備えることを特徴とする空調システム。
7. 請求項６記載の空調システムにおいて、
   前記第３の学習部は、前記熱源機の起動後に小部屋の室内温度がこの小部屋の前記利用開始時刻までに設定温度に到達していなかった場合に、前記第３の予測部のニューラルネットワークの再学習を行い、
   前記第４の学習部は、前記熱源機の停止後に小部屋の室内温度がこの小部屋の前記利用終了時刻まで設定温度に維持できていなかった場合に、前記第４の予測部のニューラルネットワークの再学習を行うことを特徴とする空調システム。
8. 請求項２乃至７のいずれか１項に記載の空調システムにおいて、
   前記第２の制御部は、起動させた前記空調ユニットを全開運転させ、この空調ユニットに対応する小部屋の室内温度が設定温度に到達した後は室内温度が設定温度と一致するように前記空調ユニットを制御することを特徴とする空調システム。
9. 請求項１乃至８のいずれか１項に記載の空調システムにおいて、
   前記熱源機は、加熱または冷却した給気を前記空調ユニットに供給し、
   前記空調ユニットは、前記被制御エリアに供給する給気の風量を調節するＶＡＶユニットであることを特徴とする空調システム。
10. 請求項１乃至８のいずれか１項に記載の空調システムにおいて、
    前記熱源機は、熱源水を前記空調ユニットに供給し、
    前記空調ユニットは、空気と前記熱源水との熱交換を行って、加熱または冷却した給気を前記被制御エリアに供給するファンコイルユニットであることを特徴とする空調システム。
11. 被制御エリアに供給する熱エネルギーを生成する熱源機と、この熱源機によって生成された熱エネルギーを前記被制御エリアの複数の領域に配分する複数の空調ユニットとを備えた空調システムにおける空調制御方法であって、
    複数の小部屋に仕切られた前記被制御エリアの各小部屋と前記空調ユニットとを対応付けた関連付け情報と、気象情報と、各小部屋の入居者の情報と、各空調ユニットの設定温度とに基づいて、各小部屋に人が在室する間の快適性が向上するように、前記熱源機の起動停止と各空調ユニットの起動停止とを制御することを特徴とする空調制御方法。
12. 複数の小部屋に仕切られた被制御エリアの各小部屋の利用開始時刻を、当日の日付と曜日と気象情報と各小部屋の入居者の情報とに基づいて小部屋毎に予測する第１のステップと、
    各小部屋の利用終了時刻を、当日の日付と曜日と気象情報と各小部屋の入居者の情報とに基づいて小部屋毎に予測する第２のステップと、
    前記被制御エリアに供給する熱エネルギーを生成する熱源機の起動時刻を、当日の気象情報と、前記熱エネルギーを前記被制御エリアの複数の領域に配分する複数の空調ユニットの設定温度とに基づいて予測する第３のステップと、
    前記熱源機の停止時刻を、当日の気象情報と前記空調ユニットの設定温度とに基づいて予測する第４のステップと、
    前記第３のステップで予測した起動時刻になったときに前記熱源機を起動させる第５のステップと、
    前記第１のステップで予測した小部屋の利用開始時刻に基づいて、この小部屋に対応する空調ユニットを起動させる第６のステップと、
    前記第２のステップで予測した小部屋の利用終了時刻に基づいて、この小部屋に対応する空調ユニットを停止させる第７のステップと、
    前記第４のステップで予測した停止時刻になったときに前記熱源機を停止させる第８のステップとを含むことを特徴とする空調制御方法。