JP2020165622A - 空調負荷の予測方法および空調システム - Google Patents

Abstract

【課題】空調負荷の変動に迅速に対応し得る空調負荷の予測方法および空調システムを提供する。【解決手段】空調負荷に関連する複数のパラメータに基づき、機械学習により生成された負荷予測モデルＭを用いて空調負荷を予測する。負荷予測モデルＭは、少なくとも室内温度、外気温度、日射量、日付、時刻、曜日から選択されるパラメータを説明変数として用いることができる。【選択図】図２

Description

本発明は、空調負荷を予測する方法、およびこれを適用した空調システムに関する。

図３は一般的な空調システムの一例を模式的に示している。空調機１から送り出される空調空気Ａ１は、送気ダクト２を通ってオフィス等の室内である対象空間Ｓへ導かれる。対象空間Ｓの天井３には複数の吹出口４が設置されており、空調機１から伸びる送気ダクト２は、途中で分岐して下流側を各吹出口４に接続されている。こうして、送気ダクト２を流通する空調空気Ａ１は、各吹出口４から対象空間Ｓへ供給される。

送気ダクト２における各吹出口４の手前の位置には、それぞれ変風量ユニット５が備えられている。変風量ユニット５は、内部に備えたダンパの開度を変更することで、内部を通過する空気の風量を調整する装置であり、空調空気Ａ１は、変風量ユニット５により風量を調整された上で対象空間Ｓへ供給される。

対象空間Ｓ内の適宜位置には還気口６が設けられ、該還気口６と空調機１の間は還気ダクト７により接続されている。対象空間Ｓ内の室内空気Ａ２は、還気Ａ３として還気口６から取り込まれ、還気ダクト７を通って空調機１に戻り、温度や湿度を調整されたうえで再度空調空気Ａ１として送り出される。こうして、空調機１と対象空間Ｓの間を空気が循環するようになっている。

このような空調システムにおいては、例えば変風量方式と呼ばれる空調方式により、対象空間Ｓ内における空調負荷の変動に対応するようになっている。対象空間Ｓ内の適当な箇所（ここに示した例では、天井３）には、室内空気Ａ２の温度を測定する温度センサ８が設けられている。各変風量ユニット５に備えた制御部５ａでは、各温度センサ８にて取得された計測値や、対象空間Ｓ内における空気温度の設定値に応じてダンパ開度を調整し、適当な量の空調空気Ａ１を吹出口４から供給する。すなわち、例えば冷房時において、室内温度（室内空気Ａ２の温度）の設定値に対し、温度センサ８の計測値が著しく高い場合には空調空気Ａ１の供給量を大きくし、設定値と計測値が近い場合には供給量を少なくする、といった制御を行う。

この種の空調システムに関連する先行技術文献としては、例えば、下記の特許文献１等がある。

尚、図３では説明の便宜のため、１台の空調機１、１個の対象空間Ｓ、２個の吹出口４を簡単に図示したが、実際の空調システムにおいては、複数の空調機１を設置したり、複数の対象空間Ｓに空調空気Ａ１を導く構成としてもよい。対象空間Ｓあたりの吹出口４の設置数も、対象空間Ｓの広さ等に応じて適宜変更し得る。また、実際の空調システムにおいては、ここに示した機器類の他にも各種の機器やセンサ等が設置されるが、本発明の趣旨と直接関係しない構成については、適宜図示を省略している。

また、対象空間Ｓにおける空調負荷の変動に対応し得る方法としては、上述の変風量ユニット５における吹出風量の調整以外にも、複数備えた空調機１の個別のオンオフ、空調機１における空調空気Ａ１の供給量や供給温度の調整など、各種の方法を採用することができる。

特開２０１５−１９０６６９号公報

ところで、上述の如き空調システムでは、対象空間Ｓにおける空調負荷の変動を事後的に把握し、それに基づいて運転状況をフィードバック的に調整することになる。すなわち、例えば対象空間Ｓ内において何らかの機器が新たに作動したり、あるいは対象空間Ｓ内に人が新たに立ち入るなどの動きによって空調負荷が増大すると、室内空気Ａ２の温度が上昇し、これを対象空間Ｓ内に設置された温度センサ８が検知して、その後、変風量ユニット５における吹出風量を増加するなどの対応が取られる。つまり、空調負荷の変動と、変動への対応の間にタイムラグがあるので、空調負荷の変動が発生してから、変動した空調負荷に正しく対応するまで、負荷状況と運転状況の間にずれが生じてしまう。このような負荷状況に対する運転状況のずれは、対象空間Ｓ内の人等にとって快適でない空調状態をもたらす可能性があるほか、エネルギー消費の点でも効率的でないという問題があった。

本発明は、斯かる実情に鑑み、空調負荷の変動に迅速に対応し得る空調負荷の予測方法および空調システムを提供しようとするものである。

本発明は、空調負荷に関連する複数のパラメータに基づき、機械学習により生成された負荷予測モデルを用いて空調負荷を予測することを特徴とする空調負荷の予測方法にかかるものである。

本発明の空調負荷の予測方法において、前記負荷予測モデルは、空調負荷に関連する複数のパラメータを説明変数として回帰項に組み込み、且つ目的の時点より過去の時点における空調負荷の実績値をＡＲＩＭＡ項に用いたＡＲＩＭＡＸモデルとすることができる。

本発明の空調負荷の予測方法においては、回帰項の説明変数に、曜日、時刻、外気温度から選択される複数のパラメータを用いることができる。

本発明の空調負荷の予測方法においては、曜日と外気温度、時刻と外気温度、曜日と時刻と外気温度の各交互作用項を回帰項に用いることができる。

本発明の空調負荷の予測方法において、前記負荷予測モデルは、時分ダミーを説明変数として用いることができる。

また、本発明は、上述の空調負荷の予測方法による空調負荷の予測値に基づき、運転状況を調整するよう構成されていることを特徴とする空調システムにかかるものである。

本発明の空調システムは、空調空気を送り出す空調機と、前記空調機から対象空間へ空調空気を導く送気ダクトと、対象空間へ空調空気を吹き出す吹出口と、前記吹出口から吹き出される空調空気の風量を調整する変風量ユニットとを備え、前記空調負荷の予測値に基づき、前記変風量ユニットから対象空間へ供給される空調空気の風量を調整するよう構成することができる。

本発明の空調負荷の予測方法および空調システムによれば、空調負荷の変動に迅速に対応し得るという優れた効果を奏し得る。

本発明を適用した空調システムにおける情報系の構成の一例を示す概略図である。 本発明の実施による空調負荷の予測方法の手順の一例を説明するフローチャートである。 空調システムの構成の一例を示す概略図である。

以下、本発明の実施の形態を添付図面を参照して説明する。尚、空調機１や対象空間Ｓ等の構成については図３に示した上記従来例と共通しているため、以下では必要に応じ、図３をも参照しながら説明することとする。

図３に示す如く、空調機１から送り出される空調空気Ａ１は、送気ダクト２を通ってオフィス等の室内である対象空間Ｓへ導かれ、天井３に設置された複数の吹出口４から供給される。各吹出口４の手前の位置には、それぞれ変風量ユニット５が備えられており、空調空気Ａ１は、変風量ユニット５により風量を調整された上で対象空間Ｓへ供給される。室内空気Ａ２は、還気口６から還気Ａ３として取り込まれ、還気ダクト７を通って再び空調機１に戻されるようになっている。対象空間Ｓ内の適宜位置（天井３）には、室内空気Ａ２の温度を測定する温度センサ８が設けられ、室内空気Ａ２の温度が測定されるようになっている。

本実施例の空調システムは、対象空間Ｓにおける空調負荷を予測し、予測値に基づいて運転状況（本実施例の場合、特に変風量ユニット５から対象空間Ｓへ供給される空調空気Ａ１の風量）をフィードフォワード的に調整できるようにした点を特徴としている。

空調負荷の予測と、それに基づいた制御を可能にするための情報系の構成を図１に示す。図３に示したような各種の機器類、すなわち空調機１や変風量ユニット５といった機器類は、ネットワーク１０（第一のネットワーク）に情報的に接続されている。第一のネットワーク１０は、ルータ１４を介して第二のネットワーク１６に接続されている。

第一のネットワーク１０は、空調機１や対象空間Ｓ周辺の機器類により構築されたローカルネットワークであり、第二のネットワーク１６は、例えばクラウド上に構築された仮想ネットワークである。こうして、第一のネットワーク１０に接続された機器類と、第二のネットワーク１６との間で各種の情報をやりとりできるようになっている。

第二のネットワーク１６内には、データ格納部１７、モデル生成部１８、負荷予測部１９、風量算出部２０、入出力部２１が仮想的に設置されている（尚、これらの各部のうち一部または全部を物理的なハードウェアとして設置することも勿論可能である）。

データ格納部１７は、第一のネットワーク１０に接続された空調機１、変風量ユニット５、温度センサ８といった機器類から取得した情報や、その他の各種の情報をデータベースとして格納する。尚、本実施例の場合、温度センサ８の取得したデータは、変風量ユニット５の制御部５ａ（図３参照）から第一および第二のネットワーク１６を介してデータ格納部１７に格納される。モデル生成部１８は、データ格納部１７に格納された学習データ等に基づき、ある時点（例えば、現在、あるいは、現在の直近の未来の時点）における対象空間Ｓ内の空調負荷を予測する負荷予測モデルＭを生成する。負荷予測部１９は、モデル生成部１８により生成された負荷予測モデルＭを格納し、各種のパラメータに基づき、ある時点における対象空間Ｓ内の空調負荷を予測する。風量算出部２０は、負荷予測部１９において予測された空調負荷に基づき、変風量ユニット５における設定風量を算出する。変風量ユニット５の制御部５ａでは、風量算出部２０で算出された風量の設定値に基づき、ダンパ開度を調整する。入出力部２１は、第一のネットワーク１０に接続された各機器から取得した情報をデータ格納部１７に書き込んだり、データ格納部１７から必要なデータを取り出して負荷予測部１９に入力したり、あるいは風量算出部２０で算出された風量の設定値を変風量ユニット５の制御部５ａに入力するなど、各部同士の間で情報の入出力を行う。

モデル生成部１８は、学習データに基づく機械学習により、負荷予測モデルＭを生成する機能を備えている。負荷予測モデルＭとしては、線形回帰、リッジ回帰、勾配ブースティング、ランダムフォレスト等、各種の形式のモデルを採用することができる。

このようなシステムにより空調負荷を予測する方法について、図２のフローチャートを参照しながら説明する。

まず、負荷予測モデルＭを生成するための学習データを作成し、データ格納部１７に入力する（ステップＳ１）。学習データは、図３に示す如き空調システムを実際に運転した際の、様々な時点における空調負荷に関連する各種のパラメータと、その時の空調負荷の実績値とを記録したデータセットである。空調負荷の実績値は、「変風量ユニット５から吹き出される空調空気Ａ１と、還気口６から取り込まれる還気Ａ３の温度差」と、「変風量ユニット５における空調空気Ａ１の吹出風量」とを乗じた積として算出できる。また、空調負荷に関連するパラメータの一部は、空調機１や温度センサ８、変風量ユニット５の制御部５ａから取得することができる。

空調負荷の予測には、空調負荷に関連する各種のパラメータを説明変数として用いることができる。空調負荷に関連するパラメータの例を以下に列挙する。
・室内温度（対象空間Ｓ内の空気温度）の測定値
・室内温度の設定値
・室内外の温度差
・外気温度
・日射量
・日付（月または日の少なくとも一方）
・時刻（時間または分の少なくとも一方）
・曜日（日月火水木金土、または、休日か平日か）
・空調負荷の実績値
・空調機１の稼働台数
・空調機１の給気温度（空調空気Ａ１の温度）
・天候
・予想気温

室内温度は、空調負荷の値に直接関連するパラメータである。外気温度および日射量は、対象空間Ｓへの熱の出入りを左右し、空調負荷に影響する。日付や時刻は、時季または時間による外気温度の変動、あるいは対象空間Ｓ内に生じる熱量の変動（例えば、特定の時季あるいは時間にのみ稼働する機器が対象空間Ｓにある場合などが想定される）に対応するので、空調負荷と関連する。曜日は、対象空間Ｓ内における人の活動や機器の稼働のスケジュールに対応するので、空調負荷と関連する（例えば、オフィス等であれば休日は人が少なく、機器もあまり稼働しないため、休日にあたる曜日は空調負荷が小さくなることが想定される）。また、目的の時点の直近の数日間、あるいは１年前における空調負荷の実績値、空調機１の稼働台数、給気温度などは、目的の時点における空調負荷の値に関連するパラメータであり、予測に利用することができる。目的の時点における天候や予想気温も、空調負荷に影響する。

目的の時点における空調負荷を予測したい場合、その予測に説明変数として用いるパラメータの取得される時点または期間は、適宜選択することができる。例えば、現在から１５分後の時点における空調負荷を予測したい場合に、直近１週間の複数の時点における室内温度、外気温度、日射量を説明変数として用いてもよいし、あるいは、１年前の同じ日時における各パラメータを説明変数として用いてもよいし、現在の時点における各パラメータを説明変数として用いてもよい。尚、上記パラメータのうち、室内温度、外気温度、日射量、空調負荷の実績値、空調機１の稼働台数、給気温度、予想気温は質的変数として、日付、時刻、曜日、天候はダミー変数として、それぞれ設定される。

空調負荷の予測に際しては、上に挙げたパラメータから選択される一部または全部のパラメータを説明変数として用いることができる。また、上のパラメータに代えて、あるいは加えて、空調負荷に関連する何らかの別のパラメータを適宜用いても良い。

前記学習データには、複数の時点における上記各パラメータと共に、その時の空調負荷の実績値が記録される。学習データは、例えば、負荷予測モデルＭの構築に十分な期間（例えば、数日〜１年程度）、温度センサ８に基づくフィードバック制御により空調システムを運転し、その間、上述のパラメータを採集することで作成できる。

モデル生成部１８は、学習データを用いて機械学習を行い、各種のパラメータに基づいて目的の時点における空調負荷を予測する負荷予測モデルＭを生成する（ステップＳ２）。生成された負荷予測モデルＭは、対象の空調システムにおいて、ある時点あるいは期間の運転条件に関連するパラメータから、目的の時点における空調負荷を予測するモデルとなっている。

ステップＳ２で生成される負荷予測モデルＭとしては、上述の通り、種々の形式のモデルを採用することができる。ただし、空調負荷の予測を目的とする場合、負荷予測モデルＭとして特にＡＲＩＭＡＸモデルを採用すると、精度や利便性の面で好適である。

ＡＲＩＭＡＸモデルについて説明する。ある時点における目的の値（ここでは、空調負荷）を予測するためには、目的の時点より前の時点における時系列データを利用することができる。例えば、１５分後の空調負荷の予測値を算出するために、１日前から現在の時点まで、時系列に沿って取得された空調負荷の実績値を利用することができる。

目的の時点より過去の各時点における空調負荷の値を用い、目的の時点における空調負荷を予測するモデルをＡＲ（自己回帰）モデルといい、例えば下記式１の如き数式により表される。ｙ_ｔは目的の時点における予測値であり、ｙ_ｔ−１，ｙ_ｔ−２，......，ｙ_ｔ−ｐにはそれより過去の各時点（１時点前〜ｐ時点前）における実績値が代入される。
［式１］
ｙ_ｔ＝φ_１ｙ_ｔ−１＋φ_２ｙ_ｔ−２＋......＋φ_ｐｙ_ｔ−ｐ＋ε_ｔ

また、時系列データには普通、誤差が含まれる。そこで、過去の各時点におけるデータに誤差が含まれることを考慮し、時系列に沿った動きを平滑化して扱うためのモデルをＭＡ（移動平均）モデルという。ＭＡモデルは、例えば下記式２の如き数式により表される。
［式２］
ｙ_ｔ＝θ_１ε_ｔ−１＋θ_２ε_ｔ−２＋......＋θ_ｑε_ｔ−ｑ＋ε_ｔ

上記ＡＲモデルとＭＡモデルを組み合わせたモデルをＡＲＭＡ（自己回帰移動平均）モデルといい、例えば下記式３のように、上記式１と式２の組み合わせにより表される。
［式３］
ｙ_ｔ＝φ_１ｙ_ｔ−１＋φ_２ｙ_ｔ−２＋......＋φ_ｐｙ_ｔ−ｐ＋θ_１ε_ｔ−１＋θ_２ε_ｔ−２＋......＋θ_ｑε_ｔ−ｑ＋ε_ｔ

さらに、目的とする値が時系列に沿って変動する場合、各時点における値それ自体だけでなく、時間に沿ったその値の動きも考慮すれば、より精度の高い予測が可能になる。そこで、各時点間の階差を取った時系列データに対し上記ＡＲＭＡモデルを適用したモデルをＡＲＩＭＡ（自己回帰和分移動平均）モデルという。ＡＲＩＭＡモデルは、例えば下記式４の如き数式により表される。
［式４］
Δ^ｄｙ_ｔ＝φ_１Δ^ｄｙ_ｔ−１＋φ_２Δ^ｄｙ_ｔ−２＋......＋φ_ｐΔ^ｄｙ_ｔ−ｐ＋θ_１ε_ｔ−１＋θ_２ε_ｔ−２＋......＋θ_ｑε_ｔ−ｑ＋ε_ｔ

ＡＲＩＭＡモデルは、１時点前−ｐ時点前の各時点における値の動きを反映し、且つ誤差をも考慮して目的の時点における値を算出するようになっている。ここで、過去のある期間における値、あるいはその値の動き以外の別のパラメータにより、目的の時点における値が影響を受ける場合がある。例えば空調負荷の場合、曜日や時刻に応じ、各時点における値や、その変動パターンが大きく変わる。すなわち、例えばオフィス等の空調を考えると、平日の昼間は負荷が大きく、夜間や休日は負荷が小さくなる。このため、例えば平日の９時〜１７時３０分のデータに基づいて１８時の空調負荷を予測したり、月曜−金曜のデータに基づいて土曜の空調負荷を予測しようとする場合、空調負荷あるいはその変動のみに基づいた予測では十分な精度が達成できない可能性がある。

そこで、上述のＡＲＩＭＡモデルに、別のパラメータを説明変数とする回帰モデルを組み合わせたモデルがＡＲＩＭＡＸモデルであり、例えば下記式５の如き数式により表される。右辺のβｘが、別のパラメータによる影響（回帰モデル）を表す回帰項である。
［式５］
Δ^ｄｙ_ｔ＝βｘ＋φ_１Δ^ｄｙ_ｔ−１＋φ_２Δ^ｄｙ_ｔ−２＋......＋φ_ｐΔ^ｄｙ_ｔ−ｐ＋θ_１ε_ｔ−１＋θ_２ε_ｔ−２＋......＋θ_ｑε_ｔ−ｑ＋ε_ｔ

負荷予測モデルＭとしてＡＲＩＭＡＸモデルを採用する場合のパラメータの設定について説明する。

ＡＲＩＭＡ項（上記式５の右辺の２項目以降）には、目的の時点より過去の期間の各時点（例えば、現在から数日〜１ヶ月前までの各時点）における空調負荷の実績値が用いられる。より具体的には、ｙ_ｔ−１，ｙ_ｔ−２，......，ｙ_ｔ−ｐに、目的の時点の１時点前からｐ時点前までの実績値が代入される。

回帰項（上記式５の右辺のβｘに相当する部分）には、空調負荷に関連する種々のパラメータを組み込むことができるが、特に以下の３つのパラメータから選択される複数のパラメータを説明変数として用いると好適である。
・曜日（日月火水木金土、または、休日か平日か）
・時刻（時間または時分）
・外気温度

これらのパラメータは、空調負荷に関連するパラメータの中でも取得が容易である。曜日と時刻についてはダミー変数を設定すればよいし、外気温度を説明変数とする場合は過去の実測値や、図示しない屋外の温度センサにより取得した現在の実測値、あるいは天気予報による現在の予報値等を用いれば済む。このため、例えば気象の詳細な予報データを購入することなく空調負荷の予測を行うことが可能であり、簡便であると共に費用を抑えることができる。

さらに、上記のパラメータを説明変数として回帰項に用いるにあたっては、「曜日と外気温度」、「時刻と外気温度」、「曜日と時刻と外気温度」の各交互作用項により回帰項を作成すると良い。この３つの交互作用項を回帰項に用いれば、「休日における外気温度と空調負荷の関係」「ある時刻における外気温度と空調負荷の関係」「平日のある時刻における外気温度と空調負荷の関係」といったパターンを予測値に反映させることができる。また、項数が少ないことから計算負荷も少なく済むし、過学習も抑えられるため精度の良い予測が可能である。

尚、時分をダミー変数として用いる場合、例えばｍ時（０時、１時、２時、......、２３時）を表す項（時間ダミー）と、ｎ分（０分、１分、２分、......、５９分、あるいは、０分、５分、１０分、１５分、......、５５分など）を表す項（分ダミー）をそれぞれ変数として設定する方法と、ｍ時ｎ分（時分ダミー）を変数として設定する方法の２通りが考えられる。本願発明者らは、後者を採用した場合に、特に精度よく空調負荷を予測し得る負荷予測モデルＭを作成できることを鋭意研究の結果見出している。

ここで、時分ダミーを採用する場合、当然ながら、分を細かく刻むほど時分ダミーの変数の数が多くなる。すなわち、時分ダミーの項は、１０分刻みであれば１４４個、５分刻みであれば２８８個、１分刻みであれば１４４０個が必要となる。変数の数が多ければ、負荷予測モデルＭを用いた空調負荷の予測に要する時間は長くなる。一方、分の刻みが細ければ、それだけ高い精度で空調負荷を予測できることが期待される。また、空調負荷を予測可能な間隔も短くなるため、時間により変動する空調負荷に対し、より細かく対応した運転が可能になる。

そこで、本願発明者らは、時分ダミーを設定する間隔と、予測計算に要する時間（処理時間）の関係について検討した。結果を下記表１に示す。

設定間隔が１０分以下の場合、設定間隔を処理時間が上回った。上述の通り、設定間隔が短ければ予測精度の向上や細かい運転制御が期待できるが、予測した空調負荷を空調システムの運用に利用したい場合、処理時間が時分ダミーの設定間隔より長いと、取得したパラメータから予測結果を得た時には目的の時点が過ぎてしまっていることになる。したがって、時分ダミーを採用する場合、時分ダミーの設定間隔は１５分以上とすることが好適である。一方、予測精度と、空調負荷に対する運転状況の追従性の観点から、時分ダミーの設定間隔は長過ぎないことが好ましい。以上より、（処理時間は計算機の性能に依存するため一概には言えないものの）時分ダミーの設定間隔は１５分以上３０分以下とすることが好適であり、この範囲であれば、実用上十分な時間間隔で、空調負荷を精度よく予測できると考えられる。

また、曜日を説明変数として用いる場合について、上では休日か平日かの２通りのダミー変数を設定した場合を説明したが、日月火水木金土の７通りに設定することも可能である。しかしながら、本願発明者らの研究によれば、曜日のダミー変数は休日か平日かの２通りとする方が予測の精度は高いことが判明している。曜日のダミー変数を７通りとすると、場合分けが多すぎる結果、過学習が生じてしまった可能性がある。曜日のダミー変数を休日か平日かの２通りに設定すれば、計算量を軽減させつつ、さらに予測精度を高めることができる。

尚、さらにオフィス等のスケジュールに細かく対応した予測を行いたい場合には、「空調開始曜日か否か」あるいは「空調開始時刻か否か」をダミー変数として追加してもよい。例えば、休日後の平日である月曜日には、躯体蓄熱の影響で空調開始時刻に特に負荷が大きくなる場合が想定できる。また、連続する平日の途中の日であっても、空調開始直後（例えば、始業時刻の前後）には空調負荷が大きくなることが考えられるからである。

負荷予測モデルＭの生成が完了したら、実際に空調負荷を予測する運用を開始することができる。

入出力部２１は、負荷予測モデルＭにおいて説明変数として用いられる各種のパラメータの値を、ネットワーク１０，１６を介して取得し、データ格納部１７に順次記録する（ステップＳ３）。負荷予測部１９は、データ格納部１７から、ある時点または期間におけるパラメータの数値を読み出し、負荷予測モデルＭを用いて目的の時点における空調負荷を予測する（ステップＳ４）。

風量算出部２０は、負荷予測部１９から出力された空調負荷の予測値に基づき、各変風量ユニット５における風量の設定値を算出する（ステップＳ５）。変風量ユニット５では、風量の設定値に基づいてダンパ開度を調整し、適当な風量の空調空気Ａ１を対象空間Ｓに供給する。尚、設定風量は、以下の計算式に基づいて算出することができる（下記式６のＱＳＨに、ステップＳ４で算出された空調負荷の予測値が代入される）。
［式６］
冷房時......Ｖ＝｛３６００ＱＳＨ／Ｃｐ・ρ｝×（ｔｒ−ｔｓ）
暖房時......Ｖ＝｛３６００ＱＳＨ／Ｃｐ・ρ｝×（ｔｓ−ｔｒ）
ただし、
Ｖ：風量［ｍ^３／ｈ］
ＱＳＨ：室内顕熱負荷［Ｗ］
Ｃｐ：空気の定圧比熱（約１０００［Ｊ／（ｋｇ・Ｋ）］）
ρ：空気の密度（１．２［ｋｇ／ｍ^３］）
ｔｒ：室内温度の設定値［℃］
ｔｓ：給気温度の設定値［℃］

ステップＳ４における空調負荷の予測値は、データ格納部１７に記録される（ステップＳ６）。また、予測された時点における空調負荷の実績値も、あわせてデータ格納部１７に記録される（ステップＳ７）。

ステップＳ６で記録された予測値と、ステップＳ７で記録された実績値とは、必ず一致するとは限らない。そこで、モデル生成部１８では必要に応じ、ステップＳ６，Ｓ７で記録されたデータに基づいて負荷予測モデルＭを修正する（ステップＳ８）。

ステップＳ６〜Ｓ８が完了したら、ステップＳ３に戻って新たにパラメータを取得し、次の時点の空調負荷の予測（ステップＳ４）、風量の算出（ステップＳ５）を行う。

このような空調負荷の予測方法および空調システムによれば、目的の時点における空調負荷を予測し、該予測値を空調システムの運転にフィードフォワード的に反映させることができる。したがって、対象空間Ｓにおける負荷の変動に運転状況をいち早く追随させ、好適に空調を行うことができる。例えば、ある日のある時刻に対象空間Ｓにおける空調負荷が増大する場合に、実際に空調負荷が増大し、対象空間Ｓ内の空気温度が上昇してから変風量ユニット５における風量を増やすのではなく、空調負荷の増大が予測される時刻とほぼ同時に、あるいは空調負荷の増大に先んじて風量を増やすことができる。したがって、対象空間Ｓ内の人等にとっては、空調負荷の変動があったとしても快適な空調状態を保つことができ、また、空調負荷に対して適切な運転を行うことで、空調に際しエネルギーを効率的に使用することができる。

尚、ここに説明した空調システムのシステム構成や空調負荷の予測の手順はあくまで一例である。空調システムの運転状況に関する上述の如き各種パラメータから負荷予測モデルＭを生成し、これを用いて任意の時点あるいは期間における運転状況から空調負荷を予測し得る限りにおいて、システム構成や予測の手順は種々変更することができる。

また、ここでは変風量ユニット５の吹出風量を介して空調負荷に対応する場合を説明したが、その他の機器の運転状況を調整することで空調負荷に対応するようにしてもよい。例えば、予測結果に応じ、複数の空調機１のオンオフ、空調機１からの空調空気Ａ１の温度や供給量などを変更するといった運用も可能である。

以上のように、上記本実施例の空調負荷の予測方法においては、空調負荷に関連する複数のパラメータに基づき、機械学習により生成された負荷予測モデルＭを用いて空調負荷を予測するようにしている。このようにすれば、空調負荷を精度よく予測することができる。

本実施例の空調負荷の予測方法において、負荷予測モデルＭは、空調負荷に関連する複数のパラメータを説明変数として回帰項に組み込み、且つ目的の時点より過去の時点における空調負荷の実績値をＡＲＩＭＡ項に用いたＡＲＩＭＡＸモデルとすることができる。このようにすれば、空調負荷をさらに精度よく予測することができる。

本実施例の空調負荷の予測方法においては、回帰項の説明変数に、曜日、時刻、外気温度から選択される複数のパラメータを用いることができる。このようにすれば、空調負荷をさらに精度よく予測することができる。

本実施例の空調負荷の予測方法においては、曜日と外気温度、時刻と外気温度、曜日と時刻と外気温度の各交互作用項を回帰項に用いることができる。計算負荷を軽減しつつ、予測の精度をいっそう向上させることができる。

本実施例の空調負荷の予測方法において、負荷予測モデルＭは、時分ダミーを説明変数として用いることができる。このようにすれば、空調負荷をいっそう精度よく予測することができる。

また、上記本実施例の空調システムは、上述の空調負荷の予測方法による空調負荷の予測値に基づき、運転状況を調整するよう構成されている。このようにすれば、目的の時点における空調負荷を予測し、空調システムの運転にフィードフォワード的に反映させ、運転状況を負荷の変動にいち早く追随させることができる。

本実施例の空調システムは、空調空気Ａ１を送り出す空調機１と、空調機１から対象空間Ｓへ空調空気Ａ１を導く送気ダクト２と、対象空間Ｓへ空調空気Ａ１を吹き出す吹出口４と、吹出口４から吹き出される空調空気Ａ１の風量を調整する変風量ユニット５とを備え、前記空調負荷の予測値に基づき、変風量ユニット５から対象空間Ｓへ供給される空調空気Ａ１の風量を調整するよう構成されている。このようにすれば、予測された空調負荷に応じた風量の空調空気Ａ１を対象空間Ｓに送り込むことで、好適に空調を行うことができる。

したがって、上記本実施例によれば、空調負荷の変動に迅速に対応し得る。

尚、本発明の空調負荷の予測方法および空調システムは、上述の実施例にのみ限定されるものではなく、本発明の要旨を逸脱しない範囲内において種々変更を加え得ることは勿論である。

１ 空調機
２ 送気ダクト
４ 吹出口
５ 変風量ユニット
Ａ１ 空調空気
Ｍ 負荷予測モデル
Ｓ 対象空間

Claims (7)

1. 空調負荷に関連する複数のパラメータに基づき、機械学習により生成された負荷予測モデルを用いて空調負荷を予測することを特徴とする空調負荷の予測方法。
2. 前記負荷予測モデルは、空調負荷に関連する複数のパラメータを説明変数として回帰項に組み込み、且つ目的の時点より過去の時点における空調負荷の実績値をＡＲＩＭＡ項に用いたＡＲＩＭＡＸモデルであることを特徴とする請求項１に記載の空調負荷の予測方法。
3. 回帰項の説明変数に、曜日、時刻、外気温度から選択される複数のパラメータを用いることを特徴とする請求項２に記載の空調負荷の予測方法。
4. 曜日と外気温度、時刻と外気温度、曜日と時刻と外気温度の各交互作用項を回帰項に用いることを特徴とする請求項３に記載の空調負荷の予測方法。
5. 前記負荷予測モデルは、時分ダミーを説明変数として用いることを特徴とする請求項１〜４のいずれか一項に記載の空調負荷の予測方法。
6. 請求項１〜５のいずれか一項に記載の空調負荷の予測方法による空調負荷の予測値に基づき、運転状況を調整するよう構成されていることを特徴とする空調システム。
7. 空調空気を送り出す空調機と、
   前記空調機から対象空間へ空調空気を導く送気ダクトと、
   対象空間へ空調空気を吹き出す吹出口と、
   前記吹出口から吹き出される空調空気の風量を調整する変風量ユニットとを備え、
   前記空調負荷の予測値に基づき、前記変風量ユニットから対象空間へ供給される空調空気の風量を調整するよう構成されていることを特徴とする請求項６に記載の空調システム。

Images