JP2020139705A - 運転制御方法、運転制御プログラムおよび運転制御装置 - Google Patents

Abstract

【課題】適切な制御パラメータを用いた空調制御を実行することを課題とする。【解決手段】空調制御サーバは、空調機の運転結果から生成された、対象空間の蓄熱因子に関連した統計情報を取得する。そして、空調制御サーバは、統計情報に基づき、空調機に類似する複数の他の空調機に関する情報を抽出する。その後、空調制御サーバは、抽出された情報に基づき生成された制御パラメータに基づき、空調機の運転を実行する。【選択図】図１

Description

本発明は、運転制御方法、運転制御プログラムおよび運転制御装置に関する。

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。

国際公開第２０１４／１１２３２０号 特開２０１５−１４８４１７号公報

しかしながら、空調機器が感知した室温と設定温度に基づき運転制御を行う手法では、空調機器の設置環境によって、設定温度にうまく制御することができない場合がある。このため、空調制御の対象である対象空間の断熱状況や蓄熱状況などを示す蓄熱因子を推定することで、適切な運転制御を行う技術も考えられている。

例えば、蓄熱因子を適切に推定するためには、例えば３週間などのように一定期間の運転実績が要求されるので、一定期間経過前の運転は、必ずしも適切なものではない。また、ネットワークを通じて、他の空調機器の運転制御に関するデータを参照できる場合であっても、対象の空調機器に関する制御パラメータが適切でなければ、適切なデータを参照することはできない。さらに、通常、プライバシーの問題があるので、他の空調機器の設置環境や利用者に関する詳細情報については、ネットワークを通じて参照できるデータには含まれない場合が多い。

一つの側面では、適切な制御パラメータを用いた空調制御を実行することができる運転制御方法、運転制御プログラムおよび運転制御装置を提供することを目的とする。

第１の案では、運転制御方法は、コンピュータが、空調機の運転結果から生成された、対象空間の蓄熱因子に関連した統計情報に基づき、前記空調機に類似する複数の他の空調機に関する情報を抽出する処理を実行する。運転制御方法は、コンピュータが、前記抽出された情報に基づき生成された制御パラメータに基づき、前記空調機の運転を実行する処理を実行する。

一実施形態によれば、適切な制御パラメータを用いた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、部屋を説明する図である。 図３は、蓄熱性の影響を説明する図である。 図４は、実施例１にかかる空調制御サーバの機能構成を示す機能ブロック図である。 図５は、センサ値ＤＢに記憶される情報の例を示す図である。 図６は、操作ログＤＢに記憶される情報の例を示す図である。 図７は、外気温の類似度の算出結果を示す図である。 図８は、室温の類似度の算出結果を示す図である。 図９は、蓄熱因子を説明する図である。 図１０は、蓄熱因子の算出手法を説明する図である。 図１１は、蓄熱因子の算出を説明する図である。 図１２は、蓄熱因子の選定を説明する図である。 図１３は、処理の流れを示すフローチャートである。 図１４は、効果を説明する図である。 図１５は、ハードウェア構成例を説明する図である。

以下に、本願の開示する運転制御方法、運転制御プログラムおよび運転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］
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、運転制御装置の一例である空調制御サーバ１０と、空調制御対象の空間の一例である部屋１から３に設置される空調機１ａから３ａ（以下では、エアコンと記載する場合がある。）と、外部サーバ群３００とがネットワークＮを介して相互に通信可能に接続される。なお、空調制御サーバ１０は、図１に示すようなクラウドサービスを利用するサーバ装置であってもよく、各部屋の内部に設置されてもよい。ネットワークＮ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。

各部屋は、同様の構成を有するので、ここでは、部屋１について説明する。図２は、部屋を説明する図である。図２に示すように、部屋１は、室内１ｃと外部とを遮断する外壁１ｂ、室内１ｃに設置される空調機１ａ、部屋１の室外に設置される室外機３、室内１ｃ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１ａ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１ｄ等や空調制御サーバ１０からの指示に応じて空調制御を実行する。また、空調機１ａ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、空調制御サーバ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、空調制御サーバ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。

ここで、各部屋は、蓄熱因子によって表される蓄熱性や断熱性により、室内１ｃの冷却性能や暖房性能が変化する。図３は、蓄熱性の影響を説明する図である。図３では、一例として、冬季を例にして、暖められた室温が外気温により低下する例で説明する。図３の（ａ）に示すように、鉄筋コンクリートマンションのような蓄熱性の良い家の場合、蓄熱性が高いので、暖房された室温の低下が小さく、空調機の停止から４時間以降に外気温による影響により室温が低下する。一方、図３の（ｂ）に示すように、プレハブ校舎のような蓄熱性の悪い家の場合、蓄熱性が低いので、暖房された室温の低下が大きく、空調機の停止から１時間で外気温による影響で室温が低下する。

このように、部屋の環境により、冷却性能や暖房性能が異なることから、ユーザが異なる各部屋の空調制御に関する運転結果などの情報をクラウド上に収集して学習データとして利用すると、性能の良くない学習モデルが生成される可能性が高い。

そこで、実施例１にかかる空調制御サーバ１０は、対象空間に設置される空調機の運転結果から生成された、対象空間の蓄熱因子に関連した統計情報に基づき、空調機に類似する複数の他の空調機に関する情報を抽出する。そして、空調制御サーバ１０は、抽出された情報に基づき生成された制御パラメータに基づき、空調機の運転を行う。

つまり、空調制御サーバ１０は、各ユーザに対して、クラウドに収集される運転結果のうち、蓄熱因子に基づき類似する環境の運転結果を抽出する。そして、空調制御サーバ１０は、環境が類似する運転結果を用いて、学習モデル等を生成することで、対象空間の蓄熱性を考慮した適切な空調制御を実現する。

［機能構成］
図４は、実施例１にかかる空調制御サーバ１０の機能構成を示す機能ブロック図である。図４に示すように、空調制御サーバ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する。また、通信部１１は、各部屋に設置される空調機、リモコン、室外機などのデバイスから運転結果、空調制御情報、操作ログなどの各種データを受信し、デバイスに空調制御のコマンドや情報を送信する。

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を記憶する。

センサ値ＤＢ１３は、各部屋のセンサ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。例えば、ここで記憶されるセンサ値は、空調制御サーバ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。また、センサ値ＤＢ１３は、ユーザごと、すなわち各空間のセンサごとにセンサ値を記憶する。

図５は、センサ値ＤＢ１３に記憶される情報の例を示す図である。図５に示すように、センサ値ＤＢ１３は、「エアコン、日時、室温、外気温」などを対応付けて記憶する。ここで記憶される「エアコン」は、空調機を識別する識別子であり、「日時」は、データが測定された日時である。「室温」は、各室内の各センサにより測定された室内の温度であり、「外気温」は、各室内の各センサにより測定された室外の温度である。図５の例では、一時間ごとのセンサ値を示し、エアコン１について、「2019年11月1日の0：00では、室温が20度、外気温が10度」であったことを示す。

操作ログＤＢ１４は、各部屋の空調機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、空調制御サーバ１０が各空調機や各空調機のリモコンなどから取得する情報であり、設定温度など空調機などが測定できる他の情報を含んでいてもよい。また、操作ログＤＢ１４は、ユーザごと、すなわち各空間の空調機ごとに操作ログを記憶する。

図６は、操作ログＤＢ１４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、操作ログＤＢ１４は、「エアコン、日時、ＯＮ／ＯＦＦ」を対応付けて記憶する。ここで記憶される「エアコン」は、空調機を識別する識別子であり、「日時」は、測定された日時である。「ＯＮ／ＯＦＦ」は、各空調機の操作ログである。図６の例では、2019年11月1日の0：00では、エアコン１の状態が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、空調制御サーバ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。

なお、記憶部１２は、上記ＤＢ以外にも様々な情報を記憶することができる。例えば、記憶部１２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、空調制御サーバ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、推定処理部３０、学習処理部４０、推論部５０、空調制御部６０を有する。なお、推定処理部３０、学習処理部４０、推論部５０、空調制御部６０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。

推定処理部３０は、収集部３１、類似判定部３２、算出部３３、選定部３４を有し、制御対象のユーザと環境が類似するユーザ（単に、類似ユーザと記載する場合がある）を推定する処理部である。すなわち、推定処理部３０は、クラウド上に収集された全データから適切な学習データを抽出する。

収集部３１は、各部屋の各センサ等から各種データを収集する処理部である。具体的には、収集部３１は、各センサからセンサ値を取得してセンサ値ＤＢ１３に格納し、各空調機から操作ログを取得して操作ログＤＢ１４に格納する。すなわち、収集部３１は、学習データの対象となる各種データをクラウド上に収集する。

類似判定部３２は、対象ユーザとクラウド上に収集されたユーザとの類似判定を行い、類似するデータの抽出を実行する処理部である。具体的には、類似判定部３２は、センサ値ＤＢ１３に記憶される情報や操作ログＤＢ１４に記憶される情報から、コサイン類似度（ｃｏｓ類似度）などの公知の手法を用いて、対象ユーザの環境と類似する環境で測定された情報を特定する。

図７は、外気温の類似度の算出結果を示す図である。図７に示すように、類似判定部３２は、空調制御の対象である対象ユーザの外気温をセンサ値ＤＢ１３や該当センサから取得する。そして、類似判定部３２は、対象ユーザの外気温と、クラウド上のセンサ値ＤＢ１３に記憶される全ユーザ（全エアコン）の外気温とのｃｏｓ類似度を算出する。そして、類似判定部３２は、閾値（例えば０．９）以上のエアコンを、対象ユーザと類似性が高いエアコン（類似ユーザ）として特定する。

また、類似判定部３２は、室温についても類似判定を実行することもできる。図８は、室温の類似度の算出結果を示す図である。図８に示すように、類似判定部３２は、対象ユーザの室温をセンサ値ＤＢ１３や該当センサから取得する。そして、類似判定部３２は、対象ユーザの室温と、クラウド上のセンサ値ＤＢ１３に記憶される全ユーザ（全エアコン）の室温とのｃｏｓ類似度を算出する。そして、類似判定部３２は、閾値（例えば０．９）以上のエアコンを、対象ユーザと類似性が高いエアコンとして特定する。なお、類似判定部３２は、全データから絞り込まれた外気温の類似度が高いユーザのデータについてのみ、室温の類似度判定を実行することもできる。

算出部３３は、対象ユーザおよび類似度が高いユーザについて、外気温と室温から蓄熱因子を算出する処理部である。図９は、蓄熱因子を説明する図である。図９の例は、冬季のデータであり、一例として、空調機の起動有無、設定温度、室温、外気温などの各項目の時間変化を示している。図９の（ａ）に示すように、電源がＯＦＦのときの蓄熱因子は、電源がＯＦＦのときに外気温の影響による、対象空間における室温の下がる速度から算出することができる。なお、電源がＯＮのときの蓄熱因子は、電源がＯＮのときの空調機のエアコン性能と対象空間における室温の上がる速度とから算出することができる。

ここで、蓄熱因子の算出について具体的に説明する。図１０は、蓄熱因子の算出手法を説明する図である。図１０に示すように、室外の温度（外気温）をθ_１、室内（空間）の温度をθ_２、空調機の設定温度をθ_３とし、θ_１＞θ_２、θ_２＞θ_３とする。ただし、外気温θ_１は熱の移動によっても変化しない。室内（空間）の温度θ_２は、場所に依らず一定とする。空調機の運転によって単位時間辺りに放出される熱量ｑ_２はθ_２に依存せずに一定とする。なお、ｑ_１は、室外から室内（空間）への熱量であり、また、対象空間（部屋）から屋外への熱流出は考えないものとする。

このような状態において、空調機の単位時間当たりのエアコン能力（βＷ）は、式（１）にように定義でき、蓄熱因子は、式（２）のように定義できる。そこで、算出部３３は、センサ等で収集できる図９に示す情報と式（２）を用いて、電源ＯＮ時の蓄熱因子を算出し、センサ等で収集できる図９の（ａ）の情報と式（２）を用いて、電源ＯＦＦ時の蓄熱因子を算出する。例えば、外気温がθ_１で室温θ_２が１６のとき、式（２）により算出される蓄熱因子σをσ_１６と算出することができる。なお、エアコン能力（βＷ）は、２５７．６などのフルパワーの値を用いることができる。

そして、算出部３３は、類似度が高いユーザ（エアコン）それぞれについて、室温と外気温とを式（２）に代入して蓄熱因子を算出する。図１１は、蓄熱因子の算出を説明する図である。図１１に示すように、算出部３３は、類似度が高い第１ユーザの2017年11月24日に測定されたセンサ値（室温＝１６度）を取得し、そのときの室温１６度と外気温とを用いて、蓄熱因子σ_１６を算出する。続いて、算出部３３は、第１ユーザの2017年11月25日に測定されたセンサ値（室温＝１７度）を取得し、そのときの室温１７度と外気温とを用いて、蓄熱因子σ_１７を算出する。このようにして、算出部３３は、第１ユーザについて、各日付の蓄熱因子を算出する。

同様に、算出部３３は、類似度が高い第２ユーザの2017年11月24日に測定されたセンサ値（室温＝１６度）を取得し、そのときの室温１６度と外気温とを用いて、蓄熱因子σ_１６を算出する。続いて、算出部３３は、第２ユーザの2017年11月25日に測定されたセンサ値（室温＝２０度）を取得し、そのときの室温２０度と外気温とを用いて、蓄熱因子σ_２０を算出する。このようにして、算出部３３は、第２ユーザについて、各日付の蓄熱因子を算出する。

こうして、算出部３３は、類似度が高い各ユーザについて、蓄熱因子を算出する。ここで、算出部３３は、外気温と室温との関係により算出されない日が存在するが、日付ごとの蓄熱因子σを算出し、各ユーザについて算出された値の平均値を算出する。その算出結果が図１１である。例えば、図１１に示すように、算出部３３は、2017年11月24日について、室温が１６度に該当する各ユーザのσ_１６の平均値を算出し、室温が１７度に該当する各ユーザのσ_１７の平均値を算出し、室温が１８度に該当する各ユーザのσ_１８の平均値を算出する。同様に、算出部３３は、2017年11月25日について、各ユーザのσ_１６の平均値、各ユーザのσ_１７の平均値、各ユーザのσ_１８の平均値、各ユーザのσ_１９の平均値、各ユーザのσ_２０の平均値を算出する。

その後、算出部３３は、室温ごとに、頻度に基づき代表値を決定する。例えば、図１１の例では、算出部３３は、蓄熱因子が３つ以上算出されているσ_１６、σ_１７、σ_１８、σ_１９のうち、代表値をσ_１６の「0.555393」に決定する。同様に、算出部３３は、蓄熱因子が４つ以上算出されているσ_１７、σ_１８のうち、代表値をσ_１７の「0.555393」に決定する。また、算出部３３は、蓄熱因子が５つ以上算出されているσ_１８から、代表値をσ_１８の「0.273405」に決定する。なお、代表値としては、平均値を用いることもできる。

選定部３４は、算出部３３による算出結果等を用いて、物理モデル等に使用する蓄熱因子を選定する処理部である。図１２は、蓄熱因子の選定を説明する図である。図１２に示すように、選定部３４は、蓄熱因子の頻度が３以上、４以上、５以上のそれぞれに該当するユーザ（エアコン）を特定し、各ユーザに対応するセンサ値を用いたクロスバリデーションにより蓄熱因子を選定する。そして、選定部２３は、クロスバリデーションの結果が最もよい蓄熱因子を選定する。

例えば、図１１を例にして説明すると、選定部３４は、蓄熱因子の頻度が３つ以上であるσ_１６、σ_１７、σ_１８、σ_１９のいずれかの算出に利用された、類似ユーザのセンサ値を取得する。同様に、選定部３４は、蓄熱因子の頻度が４つであるσ_１７、σ_１８のいずれかの算出に利用された類似ユーザのセンサ値を取得し、蓄熱因子の頻度が５つであるσ_１８の算出に利用された類似ユーザのセンサ値を取得する。

その後、選定部３４は、蓄熱因子の頻度が３つ以上のときのセンサ値と、蓄熱因子の頻度が４つ以上のときのセンサ値と、蓄熱因子の頻度が５つ以上のときのセンサ値とを用いたクロスバリデーションを実行する。そして、選定部３４は、蓄熱因子が３つ以上のときが最もよい結果が得られた場合、蓄熱因子が３つ以上の代表値「0.555393」を学習処理部４０に出力する。

また、選定部３４は、類似するユーザ間の蓄熱因子のユークリッド距離により、蓄熱因子を選定することもできる。例えば、選定部３４は、蓄熱因子σの頻度が２以上、３以上、４以上などの範囲ごとに、蓄熱因子を算出する。続いて、選定部３４は、ユーザごとに、クロスバリデーションにより以下のパラメータを決定する。具体的には、選定部３４は、蓄熱因子の範囲ごとに、「（１−室温のｃｏｓ類似度）＋蓄熱因子のユークリッド距離」の昇順に類似ユーザを選出し、選出した類似ユーザからのセンサ値の取得件数を特定する。そして、選定部３４は、選出した上位の類似ユーザのセンサ値を学習データとして決定する。ここで、学習データとする上位数は、任意に設定することができる。

なお、選定部３４は、類似する全ユーザの蓄熱因子の平均値、類似する全ユーザの蓄熱因子の分散値などを選定することもできる。

図４に戻り、学習処理部４０は、取得部４１とモデル生成部４２を有し、学習モデルや物理モデルを生成する処理部である。

取得部４１は、選定部３４による処理結果を用いて、学習モデルや物理モデルを生成するための情報を取得する処理部である。例えば、取得部４１は、推定処理部３０により蓄熱因子が選定された場合、選定された蓄熱因子を取得する。また、取得部４１は、推定処理部３０により学習データが選定された場合、学習データに選定されたセンサ値をセンサ値ＤＢ１３から取得する。そして、取得部４１は、取得した各情報をモデル生成部４２に出力する。

例えば、取得部４１は、選定部３４により選定された蓄熱因子σ＝「0.555393」を取得して、モデル生成部４２に出力する。また、取得部４１は、選定部により上位１００個のセンサ値が選定された場合、選定されたセンサ値を選定部３４またはセンサ値ＤＢ１３から取得して、モデル生成部４２に出力する。

モデル生成部４２は、取得部４１により取得された情報を用いて、学習モデルや物理モデルを生成する処理部である。例えば、モデル生成部４２は、蓄熱因子としてσ＝「0.555393」が取得された場合、この蓄熱因子を用いて、目標時刻の１時間前の外気温、室温、電源状態などから、目標時刻までの室温変化を予測する物理モデルを生成する。詳細には、モデル生成部４２は、下記式（３）と式（４）により、空調制御時間を算出する。

｛（室温−目標温度）×β｝／単位時間当たりの冷却性能・・・式（３）
空調制御時間＝式（３）＋（（壁から室内への放熱＋外気温の影響（σ））／単位時間当たりの冷却性能）・・・式（４）

ここで、βは、（ｄＱ_２／ｄｔ）＝β（ｑ_１−ｑ_２）で算出される定数であり、「単位時間当たりの冷却性能」は、式（１）で示した「βＷ」に該当し、例えば２５７．６などである。「壁から室内への放熱」は、「ｑ_１＝α（θ_１−θ_２）」（αは定数）に該当する。また、「外気温の影響（σ）」は、選定部３４により選定された蓄熱因子であり、上記例では「σ＝「0.555393」である。なお、ここで示した物理モデルは一例であり、室温の変化を予測できる、蓄熱因子を用いる様々な物理モデルを採用することができる。

また、モデル生成部４２は、取得部４１により取得された上位の類似ユーザのセンサ値を学習データとして用いることで、現時刻から１時間後の室温を予測する学習モデルを生成することもできる。例えば、モデル生成部４２は、取得したセンサ値および当該センサ値に対応する操作ログを操作ログＤＢ１４から取得するとともに、外気温の遷移を気象情報ＤＢ１５から取得する。そして、モデル生成部４２は、センサ値の室温を目的変数、それ以外の外気温、操作ログ、外気温の遷移などを説明変数として、機械学習を実行する。このようにして、モデル生成部４２は、外気温、操作ログ、外気温の遷移などから、１時間後の室温を予測する学習モデル（予測モデル）を生成する。

推論部５０は、モデル生成部４２により生成されたモデルを用いて、室温や室温の変化を推定する処理部である。例えば、推論部５０は、モデル生成部４２により、１時間後の室温変化を予測する物理モデルが生成された場合、式（３）および式（４）をモデル生成部４２から取得する。そして、推論部５０は、対象ユーザの現在の室温と目標温度とを式（３）や式（４）に入力して、目標時刻に目標温度となるまでにかかる、冷却時間や暖房時間を示す空調制御時間を算出する。そして、推論部５０は、算出結果を空調制御部６０に出力する。

また、推論部５０は、モデル生成部４２により学習モデルが生成された場合、対象ユーザの現在の室温や外気温などを含む現在のセンサ値を、対象ユーザのセンサ等から取得するとともに、現在の空調機の運転状況を取得する。また、推論部５０は、対象ユーザの地域の外気温の遷移を気象情報ＤＢ１５から取得する。そして、推論部５０は、センサ値、運転状況（操作ログ）、外気温の遷移を入力データとして学習モデルに入力して、学習モデルの出力結果を取得し、出力結果を空調制御部６０に出力する。

空調制御部６０は、推論部５０による推論結果にしたがって、空調制御を実行する処理部である。例えば、空調制御部６０は、推論部５０の物理モデルにより空調制御時間が算出された場合、目標時刻に目標温度となるまでにかかる時間が算出されたことになるので、目標時刻の空調制御時間前に、空調機を稼働させる。より具体的には、空調制御部６０は、目標時刻（6：00）までに目標温度（28度）となる時間が「40分（空調制御時間）」である場合、5：40に空調機を稼働させる指示を、対象ユーザの空調機やリモコンに送信する。このときの設定温度は、目標温度となる。

また、空調制御部６０は、推論部５０の学習モデルの出力結果が「室温下降」の場合、目標時刻までに室温が目標温度よりも低くなると予想し、空調機を稼働させて暖房を行う。より具体的には、空調制御部６０は、目標時刻（6：00）までに目標温度（28度）となるように、目標時刻の１時間前に空調機を稼働させる指示を、対象ユーザの空調機やリモコンに送信する。このときの設定温度は、目標温度となる。

［処理の流れ］
図１３は、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、空調制御サーバ１０の推定処理部３０は、各ユーザのセンサ等からセンサ値などのデータを収集する（Ｓ１０１）。

続いて、推定処理部３０は、対象ユーザと類似するユーザを検索するために、外気温や室温のセンサ値を用いて類似度を算出し（Ｓ１０２）、類似度が高いデータを類似ユーザのデータとして抽出する（Ｓ１０３）。

そして、推定処理部３０は、類似ユーザそれぞれについて蓄熱因子を算出し（Ｓ１０４）、クロスバリデーションなどの手法を用いて、その中から蓄熱因子を選定する（Ｓ１０５）。

その後、学習処理部４０は、選定された蓄熱因子に基づき、学習データとなるセンサ値などのデータを各ＤＢから取得し（Ｓ１０６）、学習モデルや物理モデルなどの制御パラメータを決定する（Ｓ１０７）。そして、空調制御部６０は、制御パラメータを用いた推論部５０による推論結果に基づき、対象ユーザの対象空間の空調制御を実行する（Ｓ１０８）。

［効果］
上述したように、空調制御サーバ１０は、対象ユーザのデータが少ない場合であっても、クラウド上に保存される他のユーザのデータのうち、対象ユーザの環境と類似するユーザのデータを抽出することができる。そして、空調制御サーバ１０は、対象ユーザ自身だけでは少ない場合であっても、適切なデータを補って、制御パラメータを算出することができるので、適切な制御パラメータを用いた空調制御を実行することができる。

図１４は、効果を説明する図である。図１４には、学習期間と改善した誤差率との関係を示している。図１４に示すように、実施例１による手法を使わない「パラメータ推定なし」の場合、４週間ほどのセンサ値が集まれば、精度の高い予測を行うことができるが、１週間程度の短い期間では予測精度がよくない。一方、実施例１による手法を使う「パラメータ推定あり」の場合、１週間ほどの短い期間でしかセンサ値が収集できない場合であっても、予測精度の高い予測を行うことができる。このように、実施例１による手法では、センサ値の収集期間が短い場合であっても、精度の高い予測を実現することができる。

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。

［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。

［数値］
上記実施例で説明したセンサ値の項目、数値などは、図示したものに限定されず、一般的なウェアラブル端末やセンサなどで収集可能な情報を用いることができる。また、上記例では、１時間後の室温を予測する例を説明したが、これに限定されるものではなく、３０分後や２時間後など任意に変更することができる。その場合、センサ値などの収集単位を１時間ではなく、３０分などの任意の時間に変更する。また、学習データとして、センサ値と操作ログを使用する例を説明したが、これに限定されるものではなく、センサ値のみを使用することもできる。

［エッジ制御］
例えば、空調制御サーバ１０が、学習した学習モデルや物理モデルを、対象空間内のコンピュータ、通信機器、空調機のリモコンなどのエッジ端末に配信して、エッジ端末が、学習モデルや物理モデルを用いて予想処理および空調制御を行うことができる。また、センサ値や操作ログも、室内にある様々なデバイスから取得することができる。

［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、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。例えば、推定処理部３０、学習処理部４０、推論部５０、空調制御部６０を別々の装置で実現することもできる。

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１５は、ハードウェア構成例を説明する図である。図１５に示すように、空調制御サーバ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１５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４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４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、空調制御サーバ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、プロセッサ１０ｄは、推定処理部３０、学習処理部４０、推論部５０、空調制御部６０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、推定処理部３０、学習処理部４０、推論部５０、空調制御部６０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、空調制御サーバ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、空調制御サーバ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、空調制御サーバ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。

１０ 空調制御サーバ
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
２０ 制御部
３０ 推定処理部
３１ 収集部
３２ 類似判定部
３３ 算出部
３４ 選定部
４０ 学習処理部
４１ 取得部
４２ モデル生成部
５０ 推論部
６０ 空調制御部

Claims (7)

1. コンピュータが、
   空調機の運転結果から生成された、対象空間の蓄熱因子に関連した統計情報に基づき、前記空調機に類似する複数の他の空調機に関する情報を抽出し、
   前記抽出された情報に基づき生成された制御パラメータに基づき、前記空調機の運転を実行する、
   処理を実行することを特徴とする運転制御方法。
2. 前記対象空間を含む各空間の室温と外気温とが対応付けられた履歴情報を含む前記統計情報を収集し、
   前記対象空間の履歴情報と他の空間の各履歴情報との類似度を算出し、
   前記類似度が所定値以上である空間の各履歴情報と、前記対象空間の履歴情報とを用いて、前記制御パラメータを算出する処理を、前記コンピュータが実行することを特徴とする請求項１に記載の運転制御方法。
3. 前記算出する処理は、前記対象空間の履歴情報に含まれる外気温と他の空間の各履歴情報に含まれる各外気温とのコサイン類似度、または、前記対象空間の履歴情報に含まれる室温と他の空間の各履歴情報に含まれる各室温とのコサイン類似度を算出することを特徴とする請求項２に記載の運転制御方法。
4. 前記制御パラメータに基づき、前記対象空間内の温度遷移を予測する物理モデルを生成する処理を、前記コンピュータがさらに実行し、
   前記実行する処理は、前記対象空間の現室温および目標温度を前記物理モデルに入力して得られる出力結果にしたがって、前記空調機の運転を計画する請求項３に記載の運転制御方法。
5. 前記類似度が高いと判定された空間に対応する履歴情報を学習データとして、前記対象空間内の温度を予測する学習モデルを学習する処理を、前記コンピュータがさらに実行し、
   前記実行する処理は、前記対象空間の現在の室温および外気温を前記学習モデルに入力して得られる出力結果にしたがって、前記空調機の運転を計画する請求項３に記載の運転制御方法。
6. コンピュータに、
   空調機の運転結果から生成された、対象空間の蓄熱因子に関連した統計情報に基づき、前記空調機に類似する複数の他の空調機に関する情報を抽出し、
   前記抽出された情報に基づき生成された制御パラメータに基づき、前記空調機の運転を実行する、
   処理を実行させることを特徴とする運転制御プログラム。
7. 空調機の運転結果から生成された、対象空間の蓄熱因子に関連した統計情報に基づき、前記空調機に類似する複数の他の空調機に関する情報を抽出する抽出部と、
   前記抽出された情報に基づき生成された制御パラメータに基づき、前記空調機の運転を実行する実行部と、
   を有することを特徴とする運転制御装置。

Images