JP2023532492A - 空調制御方法及び装置、電気機器、媒体 - Google Patents

Abstract

本公開は、未来の目標時間の予測室外温度を決定し、目標時間と予測室外温度に基づいて、空調の目標時間における予測運行期間を決定し、予測運行期間は、室内温度が第１の所定基準を超えない場合に、空調の総消費電力を第２の所定基準に適合させる運行期間であり、目標時間において、予測運行期間に基づいて空調を制御することを含む、空調制御方法を提供する。本公開の実施形態は空調制御装置、電子機器、コンピュータ読み取り可能媒体をさらに提供する。

Description

本公開の実施形態は通信技術分野に関し、特に空調制御方法及び装置、電子機器、コンピュータ読み取り可能媒体に関するものである。

通信ネットワークでは、電力消費の約８０％が広く分布する基地局に、基地局の空調電力消費は基地局の総電力消費の４６％を占めている。

起動温度と停止温度制御基地局の空調を設置することにより、起動温度と停止温度を自由に設定、調整することができるが、本当に合理的な起動温度と停止温度は決定しにくいことが多く、不適切な起動温度と停止温度は空調の頻繁な起動と停止をもたらす可能性があり、逆に基地局の空調消費電力が多くなることがある。

本公開の実施形態は、
未来の目標時間の予測室外温度を決定し、
前記目標時間と前記予測室外温度に基づいて、空調の前記目標時間における予測運行期間を決定し、前記予測運行期間は、室内温度が第１の所定基準を超えない場合に、前記空調の総消費電力を第２の所定基準に適合させる運行期間であり、
前記目標時間において、前記予測運行期間に基づいて前記空調を制御することを含む、
空調制御方法を提供する。

本公開の実施形態は、
未来の目標時間の予測室外温度を決定するように配置された決定モジュールと、
前記目標時間と前記予測室外温度に基づいて、前記空調の前記目標時間における予測運行期間を決定し、前記予測運行期間が、室内温度が第１の所定基準を超えない場合に、空調の総消費電力を第２の所定基準に適合させる運行期間であるように配置する予測モジュールと、
前記目標時間において、前記予測運行期間に基づいて前記空調を制御するように配置された制御モジュールと、を備える、
空調制御装置をさらに提供する。

本公開の実施形態は、
１つ以上のプロセッサと、
１つ以上のプログラムが記憶されており、前記１つ以上のプログラムが前記１つ以上のプロセッサによって実行されると、前記１つ以上のプロセッサが本公開の空調制御方法を実現するメモリを備える、
電子機器をさらに提供する。

本公開の実施形態は、
コンピュータプログラムが記憶されており、前記コンピュータプログラムがプロセッサによって実行されると、前記プロセッサが本公開の空調制御方法を実現する、
コンピュータ読み取り可能媒体をさらに提供する。

本公開の図面について
本公開が提供する空調制御方法のフロー図である。 本公開が提供する空調制御方法の別のフロー図である。 本公開が提供する空調制御方法に用いられる深度ニューラルネットワークの論理構造概略図である。 本公開が提供する空調制御装置の構成ブロック図である。 本公開が提供する電子機器の構成ブロック図である。 本公開が提供するコンピュータ読み取り可能媒体の構成ブロック図である。

本公開の実施形態の技術案を当業者がよりよく理解できるように、以下では図面を組み合わせて本公開が提供する空調制御方法および装置、電子機器、コンピュータ読み取り可能媒体について詳細に説明する。

以下、図面を参照して本公開の実施形態をより十分に説明するが、実施形態は、異なる形式で具現化することができ、本公開の実施形態に限定されると解釈すべきではない。逆に、これらの実施形態を提供する目的は、本公開をより徹底的かつ完全にし、当業者に本公開の範囲を十分に理解させることである。

本公開の実施形態の図面は、本公開の実施形態のさらなる理解を提供するためのものであり、明細書の一部を構成し、本公開の実施形態とともに本公開を説明するために用いられ、本公開に対する制限を構成するものではない。詳細な例示的な実施形態に対し図面を参照して説明することにより、上記およびその他の特徴および利点は当業者にとってより明らかとなろう。

本公開の実施形態は、本公開の理想的な概略図を用いて平面図および／または断面図を参照して説明することができる。よって、製造技術および／または制限に基づいて例示的な図面を修正することができる。

コンフリクトしない場合、本公開の各実施形態および実施形態における各特徴は互いに組み合わせることができる。

本公開で使用される用語は、特定の実施形態を記述するためにのみ使用され、本公開を限定することを意図するものではない。本公開で使用される用語「および／または」は、１つまたは複数の関連する列挙項目の任意およびすべての組合せを含む。本公開で使用されるような単数形「１つ」および「当該」は、文脈が特に明確に示さない限り、複数形も含むことを意図する。本公開で使用される用語「含む」、「～からなる」は、特徴、全体、ステップ、操作、素子、および／またはアセンブリの存在を指定するが、１つ以上の他の特徴、全体、ステップ、操作、素子、アセンブリおよび／またはそれらのグループの存在または追加を除外しない。

特に限定されない限り、本公開で使用されるすべての用語（技術用語および科学用語を含む）の意味は、当業者が通常理解しているものと同じである。また、一般的な辞書に定義されているような用語は、関連する技術および本公開の背景における意味と一致する意味を持つと解釈され、本公開が明示的に限定しない限り、理想的または過度な形式の意味を持つと解釈されないことも理解されるであろう。

本公開の実施形態は、図面に示す実施形態に限定されるものではなく、製造プロセスに基づいて形成される構成の変更を含む。したがって、図面に例示された領域は概略的な属性を有し、図面に示された領域の形状は素子の具体的な形状を例示しているが、限定を意図したものではない。

関連技術において、基地局の空調を制御するために温度制御オン／オフ方法を使用することができる。具体的には、温度制御オン／オフ方法では、人工的な経験に基づいて空調のオン／オフの温度パラメータを設定し、例えば３５℃／２５℃であり、即ち、基地局の室内温度（室温）が３５℃を超えると空調をオンに制御し、２５℃未満で空調をオフに制御する。

しかしながら、以上の温度パラメータはいずれも「双方向性」を持っており、即ち、高すぎても低すぎてもよくない。例えば、起動温度の設定が高すぎると、空調が適時に起動できない可能性があり、基地局の設備が過熱しやすく、事故を引き起こす可能性がある。一方、起動温度の設定が低すぎると、空調が頻繁に起動し、不要な消費電力が増加することになる。

温度制御起動停止方法は簡単であるが、基地局の室内温度のみを基準として空調を制御し、他の要素を考慮していないため、実際には実現が困難であることが多い。即ち、空調起動／停止の温度パラメータが３５℃／２５℃、３３℃／２３℃、それとも３７℃／２３℃のいずれが好ましいかなど、起動／停止の温度パラメータを確定することができない。

例えば、ある基地局の室内温度が長期的に３５℃を下回っているが、ある時点で業務のピークと気温のピークが重なり、室内温度が一時的に３５℃を超えると空調が起動するが、実際には空調を起動しなくても短時間で室内温度が下がるため、このとき空調の起動は必要ない。これは基地局の設備の動作温度範囲が長期的に４０℃になり、短時間で５０℃に達することができるからである。一方、室内温度のみを基準とすると、室内温度が３５℃を長期的に超えるのかそれとも短期的に超えただけなのか確定できないため、３５℃のパラメータ値が合理的かどうかは確定できない。

図１は、本公開が提供する空調制御方法のフロー図である。

図１を参照して、本公開の空調制御方法は、ステップＳ１０１～Ｓ１０３を含む。

ステップＳ１０１では、未来の目標時間の予測室外温度を決定する。

例えば、クラウド管理システムの統合管理専門家であるＵＭＥ（Ｕｎｉｆｉｅｄ Ｍａｎａｇｅｍｅｎｔ Ｅｘｐｅｒｔ）は、空調を制御する必要がある未来の時間または期間（例えば「１日」）を目標時間として決定し、目標時間における基地局所在地の予測室外温度を取得することができる。

目標時間は未来の時間（または時間帯）であるため、予測室外温度は天気予報などの予測方式で取得する必要があり、それによって本ステップでは未来に空調を制御したいときの室外温度（即ち、環境温度）を取得する。

ステップＳ１０２では、目標時間と予測室外温度に基づいて、目標時間における空調の予測運行期間を決定する。

前記予測運行期間は、室内温度が第１の所定基準を超えない場合に、空調の総消費電力を第２の所定基準に適合させる運行期間である。

例えば、ＵＭＥは、目標時間及び取得された予め設定された室外温度に基づいて、基地局の空調の目標時間における予測運行期間を決定することができる。即ち、ＵＭＥ予測は、目標時間及び予め設定された室外温度に基づいて、空調がどの期間に運行されるかを決定する際に、基地局の室内温度が第１の所定基準を超えないことを保証するとともに、目標時間内の空調の総消費電力が第２の所定基準を満たすことも保証することができる。

基地局の室内温度が上記の「第１の所定基準」に適合する場合、基地局の機器が過熱しないことを保証することができ、即ち、「第１の所定基準」は基地局の機器が過熱しないことを保証することができる。当然ながら、「第１の所定基準」が、基地局の機器に過熱の発生をより良く回避させることも可能であれば（例えば、過熱の発生までに一定の余裕があれば）、実行可能である。

「第２の所定基準」とは、空調の総消費電力を比較的低くすることができる基準を意味する。例えば、「第２の所定基準」は、室内温度が第１の所定基準を超えない場合に、空調の総消費電力を「最小」に保証するものであってもよいし、「第２の所定基準」は、室内温度が第１の所定基準を超えない場合に、空調の総消費電力があらかじめ設定された「所定値」を超えないことを保証するものであってもよい。

つまり、予測運行期間は、空調が理論上運行（起動）「すべき」期間、あるいは空調の「好ましい運行期間」を実際に体現しており、その具体的な表示方法は多様であってよい。

例えば、予測運行期間は、起動時刻に達したときに空調がオン（電源投入）され、運行期間が続いた後にオフ（停止）されるべき「起動時刻」および「運行期間」の複数のグループ（例えば１２グループ）を含むことができる。

また、予測運行期間は複数の間隔の運行期間を含むこともでき、空調は運行期間内に運転すべきである。一方、運行期間間の時間間隔はオフ期間であり、空調はオフ期間内にオフしなければならない。

ステップＳ１０３では、目標時間において、予測運行期間に基づいて空調を制御する。

目標時間に達すると、ＵＭＥは予測運行期間を空調制御装置ＦＳＵ（Ｆｉｅｌｄ Ｓｕｐｅｒｖｉｓｉｏｎ Ｕｎｉｔ）に送信し、それによりＵＭＥは予測運行期間に基づいて基地局の空調をＦＳＵを介して制御し、即ち、予測運行期間において基地局の空調がオンの状態を維持することができる。

本公開の実施形態では、具体的な未来時間（目標時間）、および目標時間の室外温度（予測室外温度）に基づいて、目標時間の予測運行期間、即ち、目標時間における空調の好ましい運行方式を予測し、目標時間において、好ましい運行方式に基づいて空調のオンまたはオフを制御することにより、基地局の機器が過熱しないことを保証しながら、電力消費をできるだけ低減する。

図２は、本公開が提供する空調制御方法の別のフロー図である。

図２を参照して、未来の目標時間の予測室外温度を決定するステップ（即ち、ステップＳ１０１）は、ステップＳ０１１を含むことができる。

ステップＳ１０１１では、実際の室外温度、および目標時間の天気予報の予報温度を取得し、実際の室外温度および予報温度から目標時間の予測室外温度を算出する。

基地局の実際の室外温度、および天気予報の目標時間の予報温度に基づいて、未来の目標時間の基地局の予測室外温度を総合的に計算することができ、例えば、予測室外温度として、天気予報の温度と前の一時間における実際の室外温度の加重平均値を使用することができる。

図２を参照して、目標時間において、予測運行期間に基づいて空調を制御するステップ（即ち、ステップＳ１０３）は、ステップＳ１０３１を含むことができる。

ステップＳ１０３１では、目標時間において、リアルタイム室内温度、予め設定された追加規則及び予測運行期間に基づいて空調を制御する。

予測運行期間は予測結果であり、実際の状況と絶対的に一致することはあり得ない。例えば、目標時間における基地局所在地の実際の温度は予測室外温度よりも高くなる可能性があり、この場合も予測運行期間だけに基づいて基地局の空調を制御すると、基地局の機器が過熱し、基地局の機器に損傷を与える可能性がある。

このような状況の発生を減らすために、ＵＭＥ上に追加規則を配置することができ、それにより、目標時間において、基地局のリアルタイム室内温度及び予め設定された追加規則に基づいて空調の実際の運行状況を一定的に「調整」することができる。

追加規則は、リアルタイム室内温度が予め設定された超高温閾値を超え、且つ空調が運行されていない場合、空調をオンに制御し、リアルタイム室内温度が予め設定された超低温閾値を下回り、且つ空調が運転中である場合、空調をオフに制御し、リアルタイム室内温度が予め設定された動作高温閾値を超え、予測運行期間内であれば、空調を運転状態に制御することを含むことができる。

基地局のリアルタイム室内温度が超高温閾値（高い設定温度値）を超えていることが検出されると、速やかに温度を下げないと、基地局の機器が過熱によって異常になる可能性があることを示しているため、この時、基地局の空調が起動していない（例えば、予測運行期間ではない）場合、基地局の機器を冷却し、過熱による異常を回避するために基地局の空調起動を強制的に制御する必要がある。

基地局のリアルタイム室内温度が超低温閾値（低い設定温度値）よりも低いことが検出されると、基地局の機器の温度は非常に安全な範囲内にあり、長い間過熱しない確率が高いため、このとき基地局の空調が起動した（例えば、予測運行期間にある）場合、基地局の空調オフを強制的に制御して電力を節約することができる。

予測運行期間内にある場合、理論的には空調は起動すべきであるが、このとき基地局のリアルタイム室内温度が高くない（動作高温閾値を超えていない）場合は、実際に空調を起動する必要はなく、基地局のリアルタイム室内温度が動作高温閾値を超え、予測運行期間にある場合にのみ、空調を起動状態に制御することができる。

追加規則には、最小停止時間の長さ、最大運行時間の長さなどの他のパラメータも含まれていてもよい。

例えば、空調を起動する（例えば、予測運行期間に入る）場合、空調が頻繁に起動しないように、最後に停止した時間から最小停止時間の長さ（例えば、０．５時間）を超えていることを保証しなければならない。

また、空調が最大運行時間（例えば１２時間）を超えて運行を続けている場合には、空調を強制的にオフにして、空調を休ませることができる。

以上の超高温閾値、超低温閾値、高温閾値、最小オフ時間の長さ、最大運行時間などのパラメータの具体的な値は必要に応じて設定することができ（ただし、超高温閾値が高温閾値より高く、高温閾値が超低温閾値より高いことを保証すべきである）、例えば、ある基地局の設備が温度に敏感である場合、その超高温閾値、高温閾値はいずれも低いパラメータに設定する必要がある。

以上の超高温閾値、超低温閾値、高温閾値、最小オフ時間の長さ、最大運行時間の長さなどのパラメータの使用数や、各パラメータ、規則間の優先度関係なども必要に応じて設定することができる。例えば、最小オフ時間の長さを満たさない場合、温度が超高温閾値を超えても空調を起動しなくてもよいし、温度が超高温閾値を超えた場合に、最小オフ時間の長さを満たすか否かに関わらず、空調を起動してもよい。

図２を参照して、目標時間と予測室外温度に基づいて、目標時間における空調の予測運行期間を決定するステップ（即ち、ステップＳ１０２）は、ステップＳ１０２１を含むことができる。

ステップＳ１０２１では、目標時間と予測室外温度を予め設定された深度ニューラルネットワークモデルに入力し、深度ニューラルネットワークモデルが出力した予測運行期間を取得する。

本公開の具体的な形態としては、予め設定された深度ニューラルネットワーク（ＮＮ、Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）モデルを用いて予測運行期間を得ることができる。

具体的には、深度ニューラルネットワークモデルはＵＭＥ上に配置することができ、それによりＵＭＥは深度ニューラルネットワークモデルに基づいて予測運行期間を取得し、内部に配置された追加規則と組み合わせて、ＦＳＵによって空調を制御することができる。

図３は、本公開が提供する空調制御方法に用いられる深度ニューラルネットワークの論理構造概略図である。

図３を参照すると、深度ニューラルネットワークモデルは、第１のサブモデル、第２のサブモデルおよび第３のサブモデルを含むことができる。

第１のサブモデルは、基地局の目標時間における予測負荷量を決定し、予測負荷量を第２のサブモデルに入力するように配置される。

第２のサブモデルは、予測負荷量及び予測室外温度に基づいて、空調を運行しない場合の基地局の予測室内温度を決定し、予測室内温度を第３のサブモデルに入力するように配置される。

第３のサブモデルは、予測室内温度及び空調の冷房パラメータに基づいて、予測運行期間を決定するように配置される。

目標時間及び予測室外温度を予め設定された深度ニューラルネットワークモデルに入力するステップ（即ち、ステップＳ１０２１）は、目標時間を第１のサブモデルに入力し、予測室外温度を第２のサブモデルに入力することを含むことができる。

深度ニューラルネットワークモデルは、３つのサブモデルを含むことができ、この３つのサブモデルはいずれも深度ニューラルネットワークモデルであることもできる。

当然ながら、基地局の負荷量は時間の特性（即ち、時間パラメータ）と一定の関連性がある可能性がある。例えば、特定の日（例えば、週末）、祝日に属するかどうか、業務繁忙期・閑散期、地域イベント（例えば、大規模な集会）があるかどうかなどは、基地局の負荷量に影響を与える。したがって、第１のサブモデルが訓練された後、履歴基地局の実際の負荷量と対応する時間パラメータ（例えば、祝日、業務繁忙期・閑散期、地域イベントなど）、および目標時間と対応する時間パラメータに基づいて、目標時間（例えば、１日）における基地局の予測負荷量を予測することができる。

空調をつけない場合、基地局の室内温度は主に基地局の負荷量（基地局の機器の発熱量に関連する）と室外温度によって決定される。そのため、訓練後、第２のサブモデルは、第１のサブモデルで得られた予測負荷量と予測室外温度で目標時間を予測し、空調をつけない場合、基地局の予測室内温度を予測することができる。

他の状況が変わらないことを前提に、一定の室内温度で空調を起動することがどのような冷却効果を奏するかを計算することができる。したがって、第３のサブモデルは、第２のサブモデルが得た予測室内温度を用いて空調の各種運行方式（即ち、空調の各種運行期間）における基地局の室内温度（即ち、空調を入れた後の室内温度）を計算し、室内温度が第１の所定基準（例えば、基地局の機器を過熱させない）を満たすことができる各種運行方式において、どの運行方式で空調の消費電力が第２の所定基準（例えば、消費電力が最小である）を満たし、予測運行期間として出力されるかを確定することができる。

「空調の冷房パラメータ」とは、現在の基地局と空調の実際の状況において、空調の実際の冷房能力（あるいは室内温度を下げる能力）を「冷房効率因子」などの形式で表すことができる。

具体的には、「空調の冷房パラメータ（冷房効率因子）」は、基地局のレイアウト（例えば、建築面積、住宅型など）、基地局における機器のレイアウト（例えば、基地局における機器の種類と数、基地局における機器の位置など）、空調の性能（例えば、空調の電力、型番、パラメータ設定など）、空調の配置方式（例えば、基地局における空調の位置、基地局における空調の風路の位置など）などの内容に基づいて決定してもよく、理論的に導出されてもよく、基地局の実際の試験によって得られてもよい。

当然ながら、基地局と空調の配置が変わらない場合、「空調の冷房パラメータ（冷房効率係数）」は不変の一定値であるため、第３のサブモデルにおける空調の冷房パラメータ（冷房効率係数）は予め設定し、基地局を変更するか、基地局における機器と空調の配置が変化した場合にのみ再設定することができる。

以上の３つのサブモデルの区分は、本公開の実施形態の請求範囲を限定するのではなく、予測運行期間をより正確に導出するためのものであり、本公開の深度ニューラルネットワークモデルは、異なる他の構造を有してもよい。

図２を参照して、目標時間と予測室外温度を予め設定された深度ニューラルネットワークモデルに入力するステップ（即ち、ステップＳ１０２１）の前に、ステップＳ１００を含むこともできる。

ステップＳ１００では、深度ニューラルネットワークモデルを訓練する。

深度ニューラルネットワークモデルは通常、使用前に訓練を行う必要がある。

深度ニューラルネットワークモデルの基本的な訓練過程は、実際の結果が知られている訓練データをモデルに入力し、モデルが出力した予測結果を取得し、予測結果と実際の結果の差に基づいて、深度ニューラルネットワークモデル中の各種パラメータを調整し、深度ニューラルネットワークモデルの性能を徐々に最適化するというものである。

深度ニューラルネットワークモデルの訓練は、大量の訓練データの集中訓練により、深度ニューラルネットワークモデルを所望の性能に到達させた後、訓練を継続しない「一時的」なものであってもよい。

深度ニューラルネットワークモデルは、深度ニューラルネットワークモデルの実際の使用過程において、実際の使用において蓄積された新しいデータに基づいて、深度ニューラルネットワークモデルを継続的に訓練し、あるいは深度ニューラルネットワークモデルを絶えず最適化する継続的なものであってもよい。

本公開の深度ニューラルネットワークモデルにおける３つのサブモデルは相対的に独立しているため、３つのサブモデルはそれぞれ独立して訓練することができる。即ち、実際の応用では前のサブモデルの出力を後のサブモデルへの入力としているが、訓練では、実測したデータを直接後のサブモデルに入力して、訓練過程をより正確で効率的にすることができる。

具体的には、本公開の深度ニューラルネットワークモデルの訓練プロセスは、以下のステップＡ１～Ａ８を含むことができる。

ステップＳ１において、コンピュータシミュレーションを通して、機械室環境、発熱設備および空調の熱分布図を構築し、それに基づいて空調の冷房パラメータ（冷房効率因子）を得る。

ステップＳ２において、異なる履歴時間における基地局の室外温度、（空調をつけない場合の）室内温度、負荷量などのサンプルデータを大量に収集する。

ステップＳ３において、室内温度と空調の冷房パラメータに基づいて、空調制御最適解ベクトル（即ち、空調の好ましい運行期間）を人工的に算出する。

例えば、各空調制御最適解ベクトルは、複数組の空調の起動時刻と対応する起動時間の長さとを含むことができる。

ステップＡ４では、各サンプルデータが０～１の間にあるように、次式に従ってすべてのサンプルデータを正規化処理する。

そのうち、Ｘ＊は正規化されたサンプルデータであり、Ｘｒｅａｌはサンプルデータの真の値であり、Ｘｍａｘは当該サンプルデータの最大値または上限値であり、Ｘｍｉｎは当該サンプルデータの最小値または下限値である。

正規化はデータのシンプル化と処理の容易化のためだけであり、必須のステップではない。

ステップＡ５において、異なる時間のサンプルデータを訓練セット、検証セット、テストセットに分けて加える。

訓練セットはモデルを訓練するために使用される（または訓練の前半に使用される）。検証セットはモデルが訓練が完了したかどうかを検証するために使用される（または訓練の後半に使用される）。テストセットは訓練が完了したモデルをテストするために使用される（または訓練の結果をテストするために使用される）。

ステップＡ６において、第１のサブモデルを構築して訓練する。

一定の履歴時間の負荷量と対応する時間パラメータ（祝日、業務繁忙期・閑散期、地域イベントなど）、および測定待ち時間（ただし履歴時間でもある）と対応する時間パラメータを入力パラメータとして、第１のサブモデルを用いて測定待ち時間の予測負荷量を出力し、そして予測負荷量と対応時間の実際負荷量を比較して、第１のサブモデルを訓練する。

ステップＡ７において、第２のサブモデルを構築して訓練する。

周期的に収集された一定の履歴時間の実室外温度、負荷量を入力パラメータとし、第２サブモデルを用いてその履歴時間の予測室内温度を出力し、そしてその履歴時間の実室内温度と比較して、第２サブモデルを訓練する。

ステップＡ８において、第３のサブモデルを構築して訓練する。

周期的に収集された一定の履歴時間の実際の室内温度と冷房効率因子を入力パラメータとし、第３のサブモデルを用いてこの履歴時間を空けた空調制御最適解ベクトルを出力として出力し、上記ステップＡ３で得られた相応時間の空調制御最適解ベクトルと比較して、第３のサブモデルを訓練する。

本公開の空調制御方法は、具体的には、以下のステップＢ０１～Ｂ１４を含むことができる。

ステップＢ０１において、追加規則を事前設定する。

上記の追加規則は、通常の基地局運用の経験に基づいて事前に設定されている。

例えば、基地局の空調は一般的に室内温度が３５℃を超えたときにオンし、温度が約２５℃に下がったときにオフになる場合、ＦＳＵまたはＵＭＥ上に次のパラメータを配置することができる。

１） 高温閾値ＨＴ（ｈｉｇｈ ｔｅｍｐｅｒａｔｕｒｅ）は、室内温度がこの閾値を超えると、空調を起動することができるものであり、デフォルト値が３５℃である。

２） 超高温閾値ＶＨＴ（ｖｅｒｙ ｈｉｇｈ ｔｅｍｐｅｒａｔｕｒｅ）は、室内温度がこの閾値を超えると、空調が無条件に起動するものであり、デフォルト値は４０℃である。

３） 低温閾値ＬＴ（ｌｏｗ ｔｅｍｐｅｒａｔｕｒｅ）は、空調の運行時に、室内温度がこの閾値を下回れば、空調はオフすることができるものであり、デフォルト値は２５℃である。

４） 超低温閾値ＶＬＴ（ｖｅｒｙ ｌｏｗ ｔｅｍｐｅｒａｔｕｒｅ）は、室内温度がこの閾値を下回れば、空調は無条件にオフされ、デフォルト値は１５℃である。

５） 最大運行時間の長さＭＡＸＣＯＴ（Ｍａｘｉｍｕｍ Ｃｏｎｔｉｎｕｏｕｓ ｏｐｅｒａｔｉｏｎ ｔｉｍｅ）は、空調が許容する最大連続運行の時間の長さを表し、デフォルト値は１２時間である。

６） 最小オフ時間ＭＩＮＣＳＴ（Ｍｉｎｉｍｕｍ Ｃｏｎｔｉｎｕｏｕｓ ｓｈｕｔｄｏｗｎ ｔｉｍｅ）は、空調が許容する最小の連続オフ時間を表し、デフォルト値は０．５時間である。

ステップＢ０２では、データが収集され、サンプルデータが得られる。

機械室室外温度ＴＲｏｕｔ、室内温度ＴＲｉｎ、負荷量ＬＲなどの外部特徴パラメータを大量に収集する。

上記パラメータの収集周期周は、一般的なパラメータの変化速度に基づいて決定することができ、例えば、ＴＲｏｕｔ収集周期は１０分、ＴＲｉｎ及びＬＲ収集周期は５分である。

以上のデータは、ＴＲｉｎが高く、空調運行が必要な場合など、ダミー負荷により機器をシミュレーションし、ＴＲｏｕｔ、ＴＲｉｎ、ＬＲなどのリアルタイムデータを収集し、記録する必要がある実測データであってもよい。

上記データは、ＴＲｉｎが低く、空調が長くオフになっている場合（例えば、ＴＲｏｕｔが低い季節や夜間）などの履歴データを利用することもでき、既存の履歴データを大量に使用することができる。

ステップＢ０３では、データがマークアップされ、サンプルタグが得られる。

流体力学ＣＦＤ（Ｃｏｍｐｕｔａｔｉｏｎａｌ Ｆｌｕｉｄ Ｄｙｎａｍｉｃｓ）ソフトウェア（例えば、ＦｌｏＴＨＥＲＭ）を計算し、機械室環境、発熱設備、空調のシミュレーションモデルを構築し、空調の冷房パラメータ（冷房効率因子）を得る。

サンプルデータ（ＴＲｉｎ、ＬＲ）をシミュレーション計算し、空調制御最適解ベクトル（即ち、空調の好ましい運行期間）を求める。例えば、空調制御最適解ベクトルは、複数の空調起動時刻Ｔｍｏｍｅｎｔ（ｈｈ：ｍｍ：ｓｓ）と、対応する起動時間Ｔｈｏｕｒｓとを含み、対応するサンプルタグとしてビッグデータに保存することができる。

シミュレーション結果と日常経験から、毎日の空調は頻繁に起動するべきではないことが分かる。例えば、１日の最大起動回数を１２回に設定することができるため、Ｔｍｏｍｅｎｔ／Ｔｈｏｕｒｓタグセットに２つの有効値があれば、空調は２回起動して運行し、Ｔｍｏｍｅｎｔ到達時刻ごとに起動して、対応する時間長Ｔｈｏｕｒｓを実行すべきことを意味する。

ステップＢ０４では、各サンプルデータが０～１の間にあるように、次式に従ってすべてのサンプルデータを正規化処理する。

そのうち、Ｘ＊は正規化されたサンプルデータであり、Ｘｒｅａｌはサンプルデータの真の値であり、Ｘｍａｘはそのサンプルデータの最大値または上限値であり、Ｘｍｉｎはそのサンプルデータの最小値または下限値である。

正規化におけるＸｍａｘの和は、必要に応じて設定することができる。

例えば、ＴＲｏｕｔとＴＲｉｎの場合、Ｘｍａｘは上限値１００℃、Ｘｍｉｎは下限値－４０℃と決定することができる。

なお、ＬＲについては、Ｘｍａｘが基地局のフルロード時の値、Ｘｍｉｎが０と設定することができる。

また、Ｔｍｏｍｅｎｔ（ｈｈ：ｍｍ：ｓｓ）には、Ｘｍａｘを上限値１４４０（１日２４＊６０＝１４４０分）、Ｘｍｉｎを０と設定することができる。

また、空調起動時間長Ｔｈｏｕｒｓについては、Ｘｍａｘを上限値２４（１日２４時間）、Ｘｍｉｎを０と設定することができる。

ステップＢ０５では、異なる時間のサンプルデータを訓練セット、検証セット、テストセットに分けて加える。

訓練セット、検証セット、テストセットのサンプル数は、６：２：２の割合で割り当てることができる。

ステップＢ０６では、第１のサブモデル（負荷予測モデル）を構築し、訓練する。

一定の履歴時間の負荷量と対応する時間パラメータ（祝日、業務繁忙期・閑散期、地域イベントなど）、および測定待ち時間（ただし履歴時間でもある）と対応する時間パラメータを入力パラメータとして、第１のサブモデルを用いて測定待ち時間の予測負荷量を出力し、そして予測負荷量と対応時間の実際負荷量を比較して、第１のサブモデルを訓練する。

各データの具体的な形式は多様であってもよい。

例えば、履歴時間の負荷量は、対応する時間における負荷量の平均値をとることができる。

また、祝日パラメータＦｈｏｌｉｄａｙは（０、１）間の特徴パラメータであり、ある団地であれば、通常の平日が０、土日が０．１、春節連休が０．２５など、人工的な経験に基づいて定めることができる。

さらに、業務繁忙期・閑散期Ｆｔｉｄｅは（０、１）間の特徴パラメータであり、ある工業団地であれば、就業時間帯が０．５、残業時間帯が０．４、深夜時間帯または非就業日が０．３など、人工経験に基づいて約束することができる。

また、地域イベントパラメータＦｅｖｅｎｔは（０、１）間の特徴パラメータであり、ある地域であれば、正常０、商業マーケティング活動が０．１、集会が０．２、コンサートが０．３など、人工経験に基づいて定めることができる。

ステップＢ０７では、第２のサブモデル（室内温度予測モデル）を構築し、訓練する。

周期的に収集された一定の履歴時間の実室外温度、負荷量を入力パラメータとし、第２のサブモデルを用いてその履歴時間の予測室内温度を出力し、そしてその履歴時間の実室内温度と比較して、第２のサブモデルを訓練する。

ステップＢ０８では、第３のサブモデル（空調制御予測モデル）を構築し、訓練する。

周期的に収集された一定の履歴時間の実際の室内温度と冷房効率因子を入力パラメータとし、第３のサブモデルを用いてこの履歴時間を空けた空調制御最適解ベクトルを出力として出力し、上記ステップＢ０３で得られた相応時間の空調制御最適解ベクトルと比較して、第３のサブモデルを訓練する。

冷房効率因子は、０．５などの固定値であってもよい。

基地局または空調の配置が変化しない限り（例えば、新しい空調を交換し、空調ダクトの位置を変更し、基地局内の一部の機器を交換するなど）、冷房効率係数の値は通常は変化しない。

例として、ある回に得られた空調制御最適解ベクトルサンプルの中でＴｍｏｍｅｎｔ／Ｔｈｏｕｒｓには２つの有効値があると仮定して、例えばＴｍｏｍｅｎｔ １は０．４５、Ｔｈｏｕｒｓ １は０．０５、Ｔｍｏｍｅｎｔ ２は０．６０、Ｔｈｏｕｒｓ ２は０．１０であり、当該空調制御最適解ベクトルが表す意味は下記の通りである。

１） 当日空調の予備起動運行を２回行う。

２） 第１回の起動時刻は１０：４８（０．４５＊２４＝１０．８＝１０：４８）、運行１．２時間（０．０５＊２４＝１．２）、即ち、運行期間は１０：４８から１２：００（０．４５＊２４＋０．０５＊２４＝１２）である。

３） 第２回の起動時刻は１４：２４（０．６０＊２４＝１４．４＝１４：２４）、運行２．４時間（０．１０＊２４＝２．４）、即ち、運行期間は１４：２４から１６：４８（０．６０＊２４＋０．１０＊２４＝１６．８＝１６：４８）である。

ステップＢ０９では、深度ニューラルネットワークモデルを配備する。

深度ニューラルネットワークモデルは訓練と最適化を経た後、実際の運行環境に基づいて配置され、例えば、３つのサブモデルはすべてＵＭＥに配置され、リアルタイムまたはオンラインの訓練のためにクラウドの強大な計算力資源を十分に利用する。

必要に応じて、計算棒を追加するなどして、ＦＳＵなどのエッジ側に深度ニューラルネットワークモデルを配置することもできる。

ステップＢ１０では、ＦＳＵは、室内温度、室外温度、負荷量などのリアルタイム情報を収集し、ＵＭＥにアップロードする。

基地局の実際の運行において、ＦＳＵはリアルタイムで各種パラメータを収集し、ＵＭＥにアップロードする。

ステップＢ１１では、ＵＭＥ上でモデルを実行し、空調制御最適解ベクトル（予測運行期間）を出力する。

各サブモデルはそれぞれの機能に従って動作し、未来の目標時間（たとえば、１日）に対する空調の予測運行期間を出力する。

第２のサブモデルに入力された予測室外温度は、天気予報の予報温度と実際の室外温度に基づいて算出することができる。たとえば、
予測室外温度＝現地の天気予報温度＊０．８＋一時間前の実際の室外温度＊０．２である。

ステップＢ１２では、空調制御指令計算を行う。

以上の空調制御最適解ベクトル（予測運転期間）に基づき、先に設定した付加規則、及び基地局のリアルタイム室内温度に基づいて、空調に対する制御方案を決定する。

例えば、その具体的な流れは次のようにすることができる。

１） 空調を初期化する。空調の初期状態はオフであり、空調運行時間の長さＴｏｎをクリアし、空調オフ時間の長さＴｏｆｆをクリアする。

２） 空調オフ時間の長さＴｏｆｆの計時を開始する。

３） 現在の時間を取得する。

４） 現在のリアルタイム室内温度Ｔｅｍｐを取得する。

５） 高温異常起動フローを起動するかどうかを判断する。もしＴｍｅｐがＶＨＴより大きく、ＴｏｆｆがＭＩＮＣＳＴより大きい場合、まず空調運行最大時間Ｔｏｎ－ｍａｘ値をＭＡＸＣＯＴに設定し、それから以下のステップ８）を実行する。そうでなければ次のステップ６）に進む。

６） 低温異常停止フローを起動するかどうかを判断する。ＴｍｅｐがＶＬＴより小さい場合、以下のステップ１０）を実行する。そうでなければ次のステップ７）に進む。

７） 高温予備起動フローを起動するかどうかを判断する。現在時間がＴｍｏｍｅｎｔ時刻に達し、ＴｍｅｐがＨＴより大きく、ＴｏｆｆがＭＩＮＣＳＴより大きい場合、Ｔｏｎ－ｍａｘをＴｈｏｕｒｓとＭＡＸＣＯＴの中の小さい値に設定し、次のステップ８）に進む。そうでなければステップ２）に戻る。

８） 空調起動運行運転フロー。空調起動動作を実行し、Ｔｏｆｆをクリアし、Ｔｏｎの計時を開始する。

９） 空調運転がタイムアウトしたかどうかを判断する。ＴｏｎがＴｏｎ－ｍａｘ値より大きい場合、次のステップ１０）に進む。現在の時間を取得し、空調運行がタイムアウトしたかどうかを判断し続ける。

１０） 空調オフフロー。空調オフ動作を実行し、Ｔｏｎをクリアし、Ｔｏｆｆの計時を開始し、ステップ３）に戻る。

ステップＢ１３において、ＵＭＥはステップＢ１２で得られた空調制御コマンドをＦＳＲＵに送り、ＦＳＲＵが空調制御コマンドに基づいて空調のオンまたはオフを実際に制御する。

ＦＳＵはまた、従来の温度制御起動停止方法の対応プログラムを内蔵することができ、ＵＭＥの空調制御コマンド（例えば、通信ネットワークが長期にわたって中断している）をタイムリーに受信できない場合、ＦＳＵは自動的に内蔵対応プログラムを実行し、従来の温度制御起動停止方法で一時的に空調を制御する。

ステップＢ１４において、リアルタイム訓練をする。

もし環境条件が比較的に良く（例えば、ＦＳＵとＵＭＥの間に高速イーサネット相互接続があり、クラウドコンピューティング資源が十分である）、リアルタイム或いはオンライン訓練を支持するならば、空調が比較的に長い時間運行していない時（例えば、気温が涼しい季節、或いは低温の夜）、リアルタイムで採集した室外温度、負荷量、室内温度などに基づいて、新しく採集したデータでリアルタイムに深度ニューラルネットワークモデルの訓練を継続し、モデルの予測精度を向上させることができる。

以上のステップＢ０１～Ｂ０９は、次のステップの開始前に一度集中的に行うことができる。一方、ステップＢ１０、Ｂ１１、Ｂ１２、Ｂ１３、Ｂ１４は独立して実行するタスク（またはプロセス）として設計することができ、各タスクは同時に実行することができる。ステップＢ１０は周期的に運行可能（例えば、運転周期は５分）であり、ステップＢ１１は毎日０時までに１回実行可能であり、その日の空調制御最適解ベクトルを出力し、ステップＢ１２はリアルタイムで運行可能であり、ステップＢ１３は、送られた空調制御命令を受信した直後に実行可能である。ステップＢ１２における実際の空調起動時刻と運行時間の長さがステップＢ１１が出力するＴｍｏｍｅｎｔとＴｈｏｕｒｓと一致しない（例えば誤差が１０分を超える）場合、ステップＢ１１を再度実行し、その日の空調制御最適解ベクトルを更新して予測の精度を高めることができる。

図４は、本公開で提供される空調制御装置の構成ブロック図である。

図４を参照して、本公開が提供する空調制御装置は、決定モジュール、予測モジュール、および制御モジュールを含む。

決定モジュールは、未来の目標時間の予測室外温度を決定するように配置される。

予測モジュールは、室内温度が第１の所定基準を超えない場合に、空調の総消費電力が第２の所定基準を満たすようにする目標時間と予測室外温度に基づいて、空調の目標時間における予測運行期間を決定するように配置される。

制御モジュールは、目標時間において、予測運行期間に基づいて空調を制御するように配置される。

本公開の実施形態では、具体的な未来時間（目標時間）、および目標時間の室外温度（予測室外温度）に基づいて、目標時間の予測運行期間、即ち、目標時間における空調の好ましい運行方式を予測し、目標時間において、好ましい運行方式に基づいて空調のオンまたはオフを制御することにより、基地局の機器が過熱しないことを保証しながら、電力消費をできるだけ低減する。

図５は、本公開で提供される電子機器の構成ブロック図である。

図５を参照して、本公開が提供する電子機器は、１つ以上のプロセッサと、１つ以上のプログラムが１つ以上のプロセッサによって実行され、１つ以上のプロセッサが本公開による空調制御方法を実現するようにする１つ以上のプログラムが格納されているメモリとを含む。

電子デバイスは、プロセッサとメモリとの情報のやりとりを実現するためにプロセッサとメモリとの間に接続された１つまたは複数のＩ／Ｏインターフェースをさらに含むことができる。

プロセッサは、中央プロセッサ（ＣＰＵ）などを含むがこれらに限定されないデータ処理能力を有するデバイスである。メモリは、ランダムアクセスメモリ（ＲＡＭ、より具体的にはＳＤＲＡＭ、ＤＤＲなど）、読み取り専用メモリ（ＲＯＭ）、帯電消去可能プログラマブル読み取り専用メモリ（ＥＥＰＲＯＭ）、フラッシュメモリ（ＦＬＡＳＨ）、およびこれらに限定されないが、データ記憶能力を有するデバイスである。Ｉ／Ｏインタフェース（読み書きインタフェース）は、データバス（Ｂｕｓ）などを含むが、これらに限定されず、メモリとプロセッサとの情報のやりとりを実現するためのプロセッサとメモリとの間に接続されている。

図６は、本公開で提供されるコンピュータ読み取り可能媒体の構成ブロック図である。

図６を参照して、本公開は、プロセッサによって実行されるとプロセッサに本公開による空調制御方法を実現させるコンピュータプログラムを格納する、コンピュータ読み取り可能媒体を提供する。

当業者は、上記で公開されたすべてまたはいくつかのステップ、システム、機器内の機能モジュール／ユニットをソフトウェア、ファームウェア、ハードウェア、およびそれらの適切な組み合わせとして実装することができることを理解することができる。

ハードウェアの実施形態では、上述した機能モジュール／ユニット間の区分は、必ずしも物理コンポーネントの区分に対応していない、例えば、１つの物理コンポーネントが複数の機能を有していてもよいし、１つの機能またはステップが複数の物理コンポーネントによって協働して実行されてもよい。

一部の物理コンポーネントまたはすべての物理コンポーネントは、中央プロセッサ（ＣＰＵ）、デジタル信号プロセッサ、またはマイクロプロセッサなどのプロセッサによって実行されるソフトウェアとして実装されるか、またはハードウェアとして実装されるか、専用集積回路などの集積回路として実装されることができる。そのようなソフトウェアは、コンピュータ記憶媒体（または非一時的媒体）と通信媒体（または一時的媒体）とを含むことができるコンピュータ読み取り可能媒体上に分散することができる。当業者にとって周知のように、コンピュータ記憶媒体という用語は、コンピュータ可読命令、データ構造、プログラムモジュール、または他のデータなどの情報を記憶するための任意の方法または技術において実施される揮発性および不揮発性、取り外し可能および取り外し不可能な媒体を含む。コンピュータ記憶媒体は、限定されるものではないが、ランダムアクセスメモリ（ＲＡＭ、より具体的にはＳＤＲＡＭ、ＤＤＲなど）、読み取り専用メモリ（ＲＯＭ）、帯電消去可能プログラマブル読み取り専用メモリ（ＥＥＰＲＯＭ）、フラッシュメモリ（ＦＬＡＳＨ）または他のディスクメモリ、読み取り専用光ディスク（ＣＤ－ＲＯＭ）、デジタル多機能ディスク（ＤＶＤ）またはその他の光ディスクメモリ、磁気カセット、磁気テープ、磁気ディスク記憶機器またはその他の磁気記憶機器を含み、所望の情報を格納し、コンピュータによってアクセス可能なその他任意の媒体に使用することができる。さらに、通信媒体は、一般にコンピュータ可読命令、データ構造、プログラムモジュール、または搬送波もしくは他の送信メカニズムなどの変調データ信号中の他のデータを含み、任意の情報配信媒体を含むことができることが当業者には周知である。

本公開では例示的な実施形態が公開されており、具体的な用語が用いられているが、それらは一般的な説明的な意味としてのみ使用されそのようにのみ解釈されるべきであり、限定的な目的ではないと解釈されるべきである。いくつかの実施例では、特に明記されない限り、特定の実施形態に関連して説明された特徴、特性、および／または要素を単独で使用してもよく、または他の実施形態に関連して説明された特徴、特性、および／または要素を組み合わせて使用してもよいことは、当業者には明らかである。したがって、当業者であれば、添付の特許請求の範囲によって明らかにされた本公開の範囲を逸脱することなく、様々な形態および詳細な変更が可能であることを理解するであろう。

Claims (10)

1. 未来の目標時間の予測室外温度を決定し、
   前記目標時間と前記予測室外温度に基づいて、空調の前記目標時間における予測運行期間を決定し、前記予測運行期間は、室内温度が第１の所定基準を超えない場合に、前記空調の総消費電力を第２の所定基準に適合させる運行期間であり、
   前記目標時間において、前記予測運行期間に基づいて前記空調を制御することを含む、
   空調制御方法。
2. 前記目標時間において、前記予測運行期間に基づいて前記空調を制御するステップは、
   前記目標時間において、リアルタイム室内温度、予め設定された追加規則及び前記予測運行期間に基づいて前記空調を制御することを含む、
   請求項１に記載の方法。
3. 前記追加規則は、
   前記リアルタイム室内温度が予め設定された超高温閾値を超え、且つ前記空調が運行されていないことに応答して、前記空調をオンに制御し、
   前記リアルタイム室内温度が予め設定された超低温閾値未満であり、且つ前記空調が運行中であることに応答して、前記空調をオフに制御し、
   前記リアルタイム室内温度が予め設定された作動高温閾値を超え、且つ前記予測運行期間内にあることに応答して、前記空調が運行状態にあることを制御することを含む、
   請求項２に記載の方法。
4. 前記目標時間及び前記予測室外温度に基づいて、前記空調の前記目標時間における予測運行期間を決定するステップは、
   前記目標時間と前記予測室外温度を予め設定された深度ニューラルネットワークモデルに入力し、前記深度ニューラルネットワークモデルが出力する前記予測運行期間を取得することを含む、
   請求項１に記載の方法。
5. 前記空調は基地局に適用され、前記深度ニューラルネットワークモデルは第１のサブモデル、第２のサブモデル及び第３のサブモデルを含み、
   前記第１のサブモデルは、前記基地局の前記目標時間における予測負荷量を決定し、前記予測負荷量を第２のサブモデルに入力するように配置され、
   前記第２のサブモデルは、前記予測負荷量及び前記予測室外温度に基づいて、前記空調を運行しない場合の前記基地局の予測室内温度を決定し、前記予測室内温度を第３のサブモデルに入力するように配置され、
   前記第３のサブモデルは、前記予測室内温度及び前記空調の冷房パラメータに基づいて、前記予測運行期間を決定するように配置され、
   前記目標時間及び前記予測室外温度を予め設定された深度ニューラルネットワークモデルに入力するステップは、
   前記目標時間を第１のサブモデルに入力し、前記予測室外温度を第２のサブモデルに入力することを含む、
   請求項４に記載の方法。
6. 前記目標時間及び前記予測室外温度を予め設定された深度ニューラルネットワークモデルに入力するステップの前に、
   前記深度ニューラルネットワークモデルを訓練することをさらに含む、
   請求項４に記載の方法。
7. 未来の目標時間の予測室外温度を決定するステップは、
   実際の室外温度及び前記目標時間の天気予報の予報温度を取得し、前記実際の室外温度及び前記予報温度に基づいて前記目標時間の予測室外温度を算出することを含む、
   請求項１に記載の方法。
8. 未来の目標時間の予測室外温度を決定するように配置された決定モジュールと、
   前記目標時間と前記予測室外温度に基づいて、空調の前記目標時間における予測運行期間を決定し、前記予測運行期間が、室内温度が第１の所定基準を超えない場合に、空調の総消費電力を第２の所定基準に適合させる運行期間であるように配置する予測モジュールと、
   前記目標時間において、前記予測運行期間に基づいて前記空調を制御するように配置された制御モジュールと、を備える、
   空調制御装置。
9. １つ以上のプロセッサと、
   １つ以上のプログラムが記憶されており、前記１つ以上のプログラムが前記１つ以上のプロセッサによって実行されると、前記１つ以上のプロセッサが請求項１～７のいずれかに記載の空調制御方法を実現するメモリを備える、
   電子機器。
10. コンピュータプログラムが記憶されており、前記コンピュータプログラムがプロセッサによって実行されると、前記プロセッサが請求項１～７のいずれかに記載の空調制御方法を実現する、
    コンピュータ読み取り可能媒体。

Images