JP4386748B2 - 空調負荷予測方法、空調負荷予測装置、空調負荷予測プログラムおよび記録媒体 - Google Patents

空調負荷予測方法、空調負荷予測装置、空調負荷予測プログラムおよび記録媒体 Download PDF

Info

Publication number
JP4386748B2
JP4386748B2 JP2004032882A JP2004032882A JP4386748B2 JP 4386748 B2 JP4386748 B2 JP 4386748B2 JP 2004032882 A JP2004032882 A JP 2004032882A JP 2004032882 A JP2004032882 A JP 2004032882A JP 4386748 B2 JP4386748 B2 JP 4386748B2
Authority
JP
Japan
Prior art keywords
data
prediction
air conditioning
conditioning load
air
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
JP2004032882A
Other languages
English (en)
Other versions
JP2005226845A (ja
Inventor
達也 飯坂
哲郎 松井
東輝 項
亨 川森
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fuji Electric Co Ltd
Toyota Motor Corp
Original Assignee
Fuji Electric Systems Co Ltd
Toyota Motor Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Fuji Electric Systems Co Ltd, Toyota Motor Corp filed Critical Fuji Electric Systems Co Ltd
Priority to JP2004032882A priority Critical patent/JP4386748B2/ja
Publication of JP2005226845A publication Critical patent/JP2005226845A/ja
Application granted granted Critical
Publication of JP4386748B2 publication Critical patent/JP4386748B2/ja
Anticipated expiration legal-status Critical
Expired - Fee Related legal-status Critical Current

Links

Images

Landscapes

  • Air Conditioning Control Device (AREA)

Description

本発明は、複数の空調機器を有するビルディング、または、工場など大規模施設の空調負荷を予測するための空調負荷予測方法、空調負荷予測装置、空調負荷予測プログラムおよび記録媒体に関する。
空調負荷とは、冷暖房機器のエネルギー消費量のことであり、通常は電力量または熱量で表現される。
オフィスビルディング,デパート,病院,ショッピングモール,スーパーマーケット,工場(以下、単に大規模施設という)では、複数の空調機器が設置されている。空調に必要な冷温水は、電気により冷水を作る方法や、ボイラやコジェネレーションにより生産される高温の蒸気を熱源機器により冷温水に変換する方法により生産される。特に蓄熱槽がある場合には、料金が安い深夜電力を用いて夜間に蓄熱した熱を昼間に利用したり、または、空調負荷のピーク前に蓄熱しておいてピーク時にはこの熱を利用するという運用が行なわれている。
この大規模施設の空調機器制御例として、例えば、工場施設に分散する多数の建家およびこの建家内のフロア(生産ライン)別に設置された冷暖房機器を用いる空調制御が挙げられる。空調制御は、各フロアの冷暖房機器によるローカル制御と、各建家・各フロアの複数の冷暖房機器の制御を行うため中央監視室に設置されるホスト制御機器による集中制御と、がなされる。
ホスト側の制御としては、人間もしくは計算機によるおおまかなON/OFF制御がなされ、ホスト制御機器を介して、各部屋の冷暖房機器がON/OFF制御される。通常は、スケジュール、外気温、カレンダ(操業に関する情報)を用いた規則によってON/OFF制御が行なわれている。
また、ローカル側の制御としては、例えば、各フロア内に設けられた冷暖房機器によりフロア内温度を一定値に保とうとする細かな温度制御がなされる。
つまり、工場施設を管理する管理者もしくは計算機は冷暖房機器のON/OFF制御のみ行い、細かなフロア内温度の制御は各部屋のローカル側の冷暖房機器が行なう。
また、他の大規模施設の空調機器制御例として、例えば熱源機器やボイラという熱制御が挙げられる。熱源機器とは空調に必要な冷温水を作る機器であり、また、ボイラとは熱源機器に供給する高温の蒸気を生産する機器である。
この熱制御もほぼ同様であり、ホスト側のON/OFF制御とローカル側の制御とに分けられ(ローカル制御はしばしばないことがある)、運用者は空調に必要な熱量が生産できるように手動で制御する。熱源機器に関しては計算機により自動制御されることはまれであり、現状では運用者による経験と勘とにより手動で制御されることが多い。
つまり大規模施設で熱制御を行う運用者の日常的な業務は以下の2つといえる。
(1)フロア(生産ライン)ごと、もしくは全体の空調負荷を予測する。
(2)空調負荷予測値に基づき、熱源機器やボイラを動かす。
つまり、空調負荷が正確に予測することができれば、効率的な運用が行なえ、省エネルギーにつながる。特に蓄熱槽がある場合には、その省エネルギー効果は大きい。
このような空調負荷を予測する従来技術として、以下の特許文献1〜5の発明が提案されている。
特許文献1(特開平8−75219号公報,発明の名称「負荷予測方法」)に記載された従来技術は、気象等の外部情報を全く利用せず、時系列予測モデルであるARIMAモデルを用いて、現在の負荷状況と過去の負荷状況とから将来の負荷を予測する方法である。
特許文献2(特開平5−18565号公報,発明の名称「負荷予測方法」)、特許文献3(特開平5−88715号公報,発明の名称「熱源予測制御装置」)、特許文献4(特開平6−174285号公報,発明の名称「空調熱負荷予測方法」)に記載された従来技術は、過去の負荷と気象予報とを用いて予測する方法である。
特許文献5(特開平8−86490号公報,発明の名称「熱負荷予測装置」)に記載された従来技術は、過去の負荷と気象予報とに加え、さらにカレンダ情報を用いて予測する方法である。
特開平8−75219号公報 特開平5−18565号公報 特開平5−88715号公報 特開平6−174285号公報 特開平8−86490号公報
複数の空調機器が設置されている大規模施設では、上述のようにスケジュール、気象、カレンダを用いた規則により空調機器がON/OFF制御されている。これまでの空調負荷の予測方法では、気象情報やカレンダ情報を用いることはあったが、空調機器のスケジュールを入力因子とした予測は行なわれていない。
つまり、これまでの予測方法では、カレンダ情報が同じであれば空調機器のスケジュールが同じであると仮定し、空調機器のスケジュールが同じであれば空調負荷は気象にのみ依存するということを仮定していた。
しかしながら、空調機器のメンテナンス、工場における生産ラインの一部停止や延長、ビル・ショッピングモールにおける一部テナントの休み、省エネ運転のための空調機器の意図的な停止、など様々な理由により空調機器のスケジュールがしばしば変更されることがある。空調機器のスケジュールの変更は空調負荷が変化するにも拘わらず、この予測方法では予測には反映されないという問題があった。
この問題点ついて図を参照しつつ説明する。図7は空調稼働率の一日の変化を示す特性図、図8は空調負荷の一日の変化を示す特性図である。
図7において、データ1とデータ2とは同一季節の同一曜日のデータであるが、データ1とデータ2とではそれぞれ空調機器のスケジュールが変更されている負荷の稼働率である点が相違している。
空調稼働率は、図7で示すように、18時以前ではデータ1,2でほぼ同じであるが、18時以降大きく異なっている。そのため図8で示す空調負荷も18時以降では大きく異なっている。
このように空調負荷は空調機器のスケジュールにより影響され、カレンダ情報だけでは完全に決定できなかった。
仮に空調機器のスケジュールを考慮しない予測モデルを構築した場合、空調機器のスケジュールの変更を考慮した予測ができないため、図8のデータ1の空調負荷実績を用いる予測とデータ2の空調負荷実績を用いる予測でも同じ結果となる。そのため、カレンダ情報が同じであっても空調機器のスケジュールが変更される場合には、精度高く予測することはできなかった。
そこで、予測モデルの入力因子に空調機器のスケジュールを取り込めば、空調稼働率のスケジュールの違いを認識して適切に予測することが可能となる。しかしながら、このような予測は従来では行われていなかった。
上述した特許文献1〜5に記載された従来技術による予測方法は、空調負荷実績データ、気象データ、カレンダデータを利用して予測を行うものであるが、空調機器のスケジュールを利用するものではなかった。
このように従来技術としては、空調機器のスケジュールを用いて空調負荷を予測するものは存在しなかった。
この発明は上記課題を解決するためになされたものであり、その目的は、空調機器の稼働台数や稼働率という空調機器稼働スケジュールを予測モデルにとりいれることにより、従来よりも高精度な予測を実現する空調負荷予測方法、空調負荷予測装置、空調負荷予測プログラムおよび記録媒体を提供することにある。
本発明の空調負荷予測方法は、
複数領域の温度制御を行うためにそれぞれの領域に分散設置された複数の空調機器と、複数の空調機器のON/OFF制御を行うホスト空調制御手段と、がネットワークを介して接続されるシステムにおいて、各空調機器の空調負荷実績データ、気象データ、カレンダデータおよび各空調機器のON/OFFについての空調機器稼働スケジュールデータを入力因子とする予測モデルを用いて空調負荷の予測を行う空調負荷予測方法であって、
予測対象期間より前の期間の各空調機器の空調負荷実績データ予測対象期間を含む予測対象期間の前後の期間の気象データ、カレンダデータおよび各空調機器のON/OFFについての空調機器稼働スケジュールデータ収集するデータ収集手順と、
予測対象期間より前の期間の各空調機器の空調負荷実績データ、気象データ、カレンダデータおよび各空調機器のON/OFFについての空調機器稼働スケジュールデータを用いて予測モデルの学習を行う学習手順と、
予測対象期間より前の期間の各空調機器の空調負荷実績データ予測対象期間を含む予測対象期間の前後の期間の気象データ、カレンダデータおよび各空調機器のON/OFFについての空調機器稼働スケジュールデータ予測モデルに入力して予測対象期間の空調機器稼働スケジュールに対応した空調負荷の予測を行って予測データを生成する予測手順と、
を有することを特徴とする。
また、本発明の空調負荷予測方法は、
上記の空調負荷予測方法において、
前記予測モデルは第1のニューラルネットワークと第2のニューラルネットワークとによる階層型のニューラルネットワークであって、予測時に、第1のニューラルネットワークが出力した平均の空調負荷に係る予測データを第2のニューラルネットワークに入力し、第2のニューラルネットワークが時間別の空調負荷に係る予測データを出力する予測モデルであることを特徴とする。
本発明の空調負荷予測装置は、
複数領域の温度制御を行うためにそれぞれの領域に分散設置された複数の空調機器と、複数の空調機器のON/OFF制御を行うホスト空調制御手段とが接続され、各空調機器の空調負荷実績データ、気象データ、カレンダデータおよび各空調機器のON/OFFについての空調機器稼働スケジュールデータを入力因子とする予測モデルを用いて空調負荷の予測を行う空調負荷予測装置であって、
予測対象期間より前の期間の各空調機器の空調負荷実績データ予測対象期間を含む予測対象期間の前後の期間の気象データ、カレンダデータおよび各空調機器のON/OFFについての空調機器稼働スケジュールデータ収集するデータ収集手段と、
予測対象期間より前の期間の各空調機器の空調負荷実績データ、気象データ、カレンダデータおよび各空調機器のON/OFFについての空調機器稼働スケジュールデータを用いて予測モデルの学習を行う学習手段と、
予測対象期間より前の期間の各空調機器の空調負荷実績データ予測対象期間を含む予測対象期間の前後の期間の気象データ、カレンダデータおよび各空調機器のON/OFFについての空調機器稼働スケジュールデータ予測モデルに入力して予測対象期間の空調機器稼働スケジュールに対応した空調負荷の予測を行って予測データを生成する予測手段と、
を有することを特徴とする。
また、本発明の空調負荷予測装置は、
上記の空調負荷予測装置において、
前記予測モデルは第1のニューラルネットワークと第2のニューラルネットワークとによる階層型のニューラルネットワークであって、予測時に、第1のニューラルネットワークが出力した平均の空調負荷に係る予測データを第2のニューラルネットワークに入力し、第2のニューラルネットワークが時間別の空調負荷に係る予測データを出力する予測モデルであることを特徴とする。
本発明の空調負荷予測プログラムは、
複数領域の温度制御を行うためにそれぞれの領域に分散設置された複数の空調機器と、複数の空調機器のON/OFF制御を行うホスト空調制御手段と、が接続されるシステムにおいて、各空調機器の空調負荷実績データ、気象データ、カレンダデータおよび各空調機器のON/OFFについての空調機器稼働スケジュールデータを入力因子とする予測モデルを用いて空調負荷の予測を行うための空調負荷予測プログラムであって、
予測対象期間より前の期間の各空調機器の空調負荷実績データ予測対象期間を含む予測対象期間の前後の期間の気象データ、カレンダデータおよび各空調機器のON/OFFについての空調機器稼働スケジュールデータ収集するデータ収集手段と、
予測対象期間より前の期間の各空調機器の空調負荷実績データ、気象データ、カレンダデータおよび各空調機器のON/OFFについての空調機器稼働スケジュールデータを用いて予測モデルの学習を行う学習手段と、
予測対象期間より前の期間の各空調機器の空調負荷実績データ予測対象期間を含む予測対象期間の前後の期間の気象データ、カレンダデータおよび各空調機器のON/OFFについての空調機器稼働スケジュールデータ予測モデルに入力して予測対象期間の空調機器稼働スケジュールに対応した空調負荷の予測を行って予測データを生成する予測手段と、
をコンピュータに機能させるプログラムであることを特徴とする。
また、本発明の空調負荷予測プログラムは、
上記の空調負荷予測プログラムにおいて、
前記予測モデルは第1のニューラルネットワークと第2のニューラルネットワークとによる階層型のニューラルネットワークであって、予測時に、第1のニューラルネットワークが出力した平均の空調負荷に係る予測データを第2のニューラルネットワークに入力し、第2のニューラルネットワークが時間別の空調負荷に係る予測データを出力する予測モデルであることを特徴とする。
本発明の記録媒体は、
複数領域の温度制御を行うためにそれぞれの領域に分散設置された複数の空調機器と、複数の空調機器のON/OFF制御を行うホスト空調制御手段と、が接続されるシステムにおいて、各空調機器の空調負荷実績データ、気象データ、カレンダデータおよび各空調機器のON/OFFについての空調機器稼働スケジュールデータを入力因子とする予測モデルを用いて空調負荷の予測を行うための空調負荷予測プログラムがコンピュータ読み取り可能に記録された記録媒体であって、
予測対象期間より前の期間の各空調機器の空調負荷実績データ予測対象期間を含む予測対象期間の前後の期間の気象データ、カレンダデータおよび各空調機器のON/OFFについての空調機器稼働スケジュールデータ収集するデータ収集手段と、
予測対象期間より前の期間の各空調機器の空調負荷実績データ、気象データ、カレンダデータおよび各空調機器のON/OFFについての空調機器稼働スケジュールデータを用いて予測モデルの学習を行う学習手段と、
予測対象期間より前の期間の各空調機器の空調負荷実績データ予測対象期間を含む予測対象期間の前後の期間の気象データ、カレンダデータおよび各空調機器のON/OFFについての空調機器稼働スケジュールデータ予測モデルに入力して予測対象期間の空調機器稼働スケジュールに対応した空調負荷の予測を行って予測データを生成する予測手段と、
としてコンピュータに機能させるプログラムを記録したことを特徴とする。
また、本発明の記録媒体は、
上記の記録媒体において、
前記予測モデルは第1のニューラルネットワークと第2のニューラルネットワークとによる階層型のニューラルネットワークであって、予測時に、第1のニューラルネットワークが出力した平均の空調負荷に係る予測データを第2のニューラルネットワークに入力し、第2のニューラルネットワークが時間別の空調負荷に係る予測データを出力する予測モデルであることを特徴とする。
以上のような本発明によれば、空調機器の稼働台数や稼働率という空調機器稼働スケジュールを予測モデルにとりいれることにより、従来よりも高精度な予測を実現する空調負荷予測方法、空調負荷予測装置、空調負荷予測プログラムおよび記録媒体を提供することができる。
以下、本発明を実施するための最良の形態の空調負荷予測方法、空調負荷予測装置、空調負荷予測プログラムおよび記録媒体について図を参照しつつ説明する。
まず、空調負荷予測方法について図を参照しつつ説明する。図1は本形態の空調負荷予測方法を説明するフローチャートであり、図1(a)は学習フローチャート、図1(b)は予測フローチャートである。
この空調負荷予測方法では複数の空調機器を持つ大規模施設(ビルディング,工場)の数時間から数日先の空調負荷を、空調機器稼働スケジュールを考慮しつつ予測する方式である。この空調負荷予測方法は、コンピュータを用いて実現される。
まず、図1(a)の学習フローについて説明する。
ステップS10は、空調負荷実績データ、気象データ、カレンダデータおよび空調機器稼働スケジュールデータを収集するデータ収集手順である。
このデータ収集手順により、既に起こった過去の空調負荷実績データ、過去の気象データ、過去のカレンダデータおよび過去の空調機器稼働スケジュールデータが収集される。
ここに空調負荷実績データとは、例えば、時間に対する電力・熱量などの空調負荷に関するデータであって、過去長期間にわたり蓄積された各日時毎の電力・熱量に係るデータである。
気象データは、例えば、気温,不快指数,エンタルピ,湿度,日照などである。
カレンダデータは季節、平日、休日、操業日、半休、夜勤日などのデータである。
空調機器稼働スケジュールデータは、空調機器の稼働台数スケジュールもしくは空調機器の稼働率スケジュールである。
ステップS11は、空調負荷実績データ、気象データ、カレンダデータおよび空調機器稼働スケジュールデータを用いて予測モデルの学習を行う学習手順である。
予測モデルとして各種採用することができ、例えば、重回帰式によるモデル、類似日を用いたモデル、ニューラルネットワークによるモデルなどさまざまなモデルを採用することが可能である。
重回帰式によるモデルは、例えば、複数の独立変数から一つの従属変数を予測するモデルである。空調負荷実績データ、気象データ、カレンダデータおよび空調機器稼働スケジュールデータについてそれぞれ独立変数Xiとし、また、予測データについて従属変数Yとし、独立変数Xと従属変数Yとの関数(指数関数・n次関数)である重回帰式を決定する。
重回帰式モデルの学習は、過去のある日Aを選定し、ある日Aより前の空調負荷実績データ、気象データ、カレンダデータおよび空調機器稼働スケジュールデータを独立変数Xに代入し、また、ある日Aの予測データ(この学習時では予測データに代えてある日Aの実績である空調負荷実績データが入力される)を従属変数Yに代入し、このような日Aを数多く選択の上で学習して重回帰式を決定する。
なお、重回帰式モデルによる予測は、
(1)対象日以前日(予測対象日よりも前の日々)の空調負荷実績データ、
(2)対象日以前日・予測対象日・対象日以後日(予測対象日から先の日々)の気象データ、
(3)対象日以前日・予測対象日・対象日以後日のカレンダデータ、および、
(4)対象日以前日・予測対象日・対象日以後日の空調機器稼働スケジュールデータ、の全部または一部を重回帰式に代入して予測対象日の空調負荷実績に係る予測データを求めることとなる。
類似日を用いたモデルは、過去のある日Aの気象データ、カレンダデータおよび空調機器稼働スケジュールデータに対して1対1で対応するように過去のある日Aの空調負荷実績データを関連づけて蓄積していくモデルである。
このモデルの学習は、このような関連づけを行う学習となる。
なお、このモデルによる予測は、
(1)対象日以前日(予測対象日よりも前の日々)の空調負荷実績データ、
(2)対象日以前日・予測対象日・対象日以後日(予測対象日から先の日々)の気象データ、
(3)対象日以前日・予測対象日・対象日以後日のカレンダデータ、および、
(4)対象日以前日・予測対象日・対象日以後日の空調機器稼働スケジュールデータ、
の全部または一部を入力すると、予測対象日の空調負荷実績に係る空調負荷実績データが予測データとして出力されるものである。
ニューラルネットワークによるモデルは、例えば、入力層、中間層、出力層の3層構造のパーセプトロンモデルなどであり、入力に対して所望の出力をするように学習できる。
気象と空調負荷との間には、通常、非線形な関係があり、線形的予測手法である前記の重回帰分析では必ずしも良好な予測結果を得ることができず、さらに、気象と負荷の他に稼働率を取り込むため、問題が複雑化しているが、このニューラルネットワークでは、データを学習するだけで適切な予測モデルを構築することができる。ニューラルネットワークには様々な種類があるが、本発明ではMLP(Multi Layer Perceptron)と呼ばれる階層型のニューラルネットワークを適用する。ニューラルネットワークは、空調負荷実績データ、気象データ、カレンダデータおよび空調機器稼働スケジュールデータを入力因子とし、また、予測データを出力因子とするモデルである。
ニューラルネットワークの学習は、ある日Aより前の空調負荷実績データ、気象データ、カレンダデータおよび空調機器稼働スケジュールデータを入力因子とし、また、ある日Aの予測データ(この学習時では予測データに代えてある日Aの実績である空調負荷実績データが用いられる)を出力因子として、例えばバックプロパゲーション法など周知の各種の学習アルゴリズムを用いてニューラルネットワークを構築し、このような日Aを数多く選択の上で学習してニューラルネットワークを決定する。
なお、ニューラルネットワークによる予測は、
(1)対象日以前日(予測対象日よりも前の日々)の空調負荷実績データ、
(2)対象日以前日・予測対象日・対象日以後日(予測対象日から先の日々)の気象データ、
(3)対象日以前日・予測対象日・対象日以後日のカレンダデータ、および、
(4)対象日以前日・予測対象日・対象日以後日の空調機器稼働スケジュールデータ、
の全部または一部を入力因子としてニューラルネットワークに代入して予測対象日の空調負荷実績に係る予測データを求めることとなる。
このように各種の予測モデルを採用できるが、予測手法自体は本発明の要旨でないので詳細な説明は省略する。本発明は、空調機器稼働スケジュールデータを用いて予測する点に特徴がある。
ステップS12は、学習を終えて構築された予測モデルを保存する予測モデル保存手順である。
構築された予測モデルを所定の記憶箇所に保存する。
学習フローは以上のようになる。
続いて図1(b)の予測フローについて説明する。
ステップS20は、空調負荷実績データ、気象データ、カレンダデータおよび空調機器稼働スケジュールデータを収集するデータ収集手順である。これらデータは、詳しくは、空調負荷実績データは対象日以前日のデータであり、気象データ、カレンダデータおよび空調機器稼働スケジュールデータは対象日以前日・予測対象日・対象日以後日のデータである。
ステップS21は、空調負荷実績データ、気象データ、カレンダデータおよび空調機器稼働スケジュールデータを予測モデルに入力して空調負荷の予測を行って予測データを生成する予測手順である。
予測では、上記したように、
(1)対象日以前日の空調負荷実績データ、
(2)対象日以前日・予測対象日・対象日以後日の気象データ、
(3)対象日以前日・予測対象日・対象日以後日のカレンダデータ、および、
(4)対象日以前日・予測対象日・対象日以後日の空調機器稼働スケジュールデータ、
を予測モデルに入力して、予測対象日の空調負荷についての予測データを求めることとなる。
ステップS22は、予測データを保存する予測結果保存手順である。
予測結果保存手順では、これら予測データを、例えばデータベースなどの記憶部に保存する。
空調負荷予測方法はこれら手順を有するものである。
続いて、空調負荷予測装置について図を参照しつつ説明する。図2は、本形態の空調負荷予測装置の構成図である。
空調負荷予測装置は、データベースサーバ1、気象予報端末2、気象実績端末3、空調制御システム4、空調負荷集計装置5、学習・予測装置6、LAN7、を備えている。
データベースサーバ1は、予測に必要な様々なデータ((1)対象日以前日の空調負荷実績データ、(2)対象日以前日・予測対象日・対象日以後日の気象データ、(3)対象日以前日・予測対象日・対象日以後日のカレンダデータ、および、(4)対象日以前日・予測対象日・対象日以後日の空調機器稼働スケジュールデータ)や予測結果である予測データを保存するための装置である。なお、予測を行っている日のデータは、対象日以前日のデータとなる。
気象予報端末2は、気象予報の受信、もしくは、手入力により気象予報を得て、未来(予測対象日および対象日以後日)の気象データを得るための装置である。これら予報に係る未来の気象データは、データベースサーバ1に保存される。
気象実績端末3は、過去(対象日以前日)の気象データを収集する装置である。気象会社から配信される気象データを受信してもよいし、また、独自で設置した温度計や湿度計などの気象センサーから気象データを収集したものを利用してもよい。これら過去の気象データは、データベースサーバ1に保存される。
空調制御システム4は、図示しない複数の空調機器をON/OFF制御するシステムであり、ホスト側の制御機器である。
空調負荷集計装置5は、空調制御システム4や図示しない空調機器についての空調負荷を計測・収集して空調負荷実績データを生成する。このような空調負荷実績データは、データベースサーバ1に保存され、過去からの空調負荷実績データが蓄積されている。
学習・予測装置6は、具体的にはコンピュータであって、上述したような空調負荷予測プログラムの各手順(学習フローのデータ収集手順、学習手順、予測モデル保存手順、および、予測フローのデータ収集手順、予測手順、予測結果保存手順)を実行するようなプログラムを搭載しており、学習に係るデータ収集手段、学習手段、予測モデル保存手段、および、予測に係るデータ収集手段、予測手段、予測結果保存手段として空調負荷予測装置を機能させる。また、図示しないが入出力装置として、キーボード、ディスプレイ、MO(Magnet Optical Disc)、FD(Flexible Disc)などを備え、各種データの入力や出力・表示も行う。
LAN7は、データベースサーバ1、気象予報端末2、気象実績端末3、空調制御システム4、空調負荷集計装置5、学習・予測装置6と接続されており、これらはLAN7を経由して、情報の入出力を行うことができるようになされている。
このような空調負荷予測装置では、気象予報端末2を介して収集した未来(予測対象日および対象日以後日)の気象データ、気象実績端末3を介して収集した過去(対象日以前日)の気象データ、空調負荷集計装置5を介して空調制御システム4から収集した過去(予測対象日以前日)の空調負荷実績データ、および、学習・予測装置6の図示しない入力部を介して入力された対象日以前日・予測対象日・対象日以後日のカレンダデータ,対象日以前日・予測対象日・対象日以後日の空調機器稼働スケジュールデータが、データベースサーバ1に蓄積されている。
なお、空調機器稼働スケジュールデータが空調制御システム4に登録されている場合には学習・予測装置6が空調制御システム4にアクセスして空調機器稼働スケジュールデータを取得してデータベースサーバ1に蓄積するようにしても良い。
続いて、空調負荷予測装置の学習について説明する。
学習・予測装置6は空調負荷実績データ、気象データ、カレンダデータ、および、空調機器稼働スケジュールデータを学習・予測装置6内のデータ保存部(図示せず)に収集するデータ収集手段として機能する。これらデータは、過去の空調負荷実績データ、過去の気象データ、過去のカレンダデータ、および、過去の空調機器稼働スケジュールデータである。学習に必要な各種データを収集する。
学習・予測装置6は、空調負荷実績データ、気象データ、カレンダデータおよび空調機器稼働スケジュールデータを用いて予測モデルの学習を行う学習手段として機能する。
学習では、上記したような、重回帰式によるモデル、類似日を用いたモデル、ニューラルネットワークによるモデルなどさまざまな予測モデルを用いることができるが、本形態ではニューラルネットワークによる予測モデルを用いる。
上記したが、ある日Aより前の空調負荷実績データ、気象データ、カレンダデータおよび空調機器稼働スケジュールデータを入力因子とし、また、ある日Aの予測データ(この学習時では予測データに代えてある日Aの実績である空調負荷実績データが用いられる)を出力因子とし、このような日Aを数多く選択の上で学習してニューラルネットワークを決定する。
学習・予測装置6は、学習を終えて構築された予測モデルを保存する予測モデル保存手段として機能する。
構築された予測モデルをデータベースサーバ1の所定の記憶箇所に保存する。
これにより学習が終了する。
続いて、予測を行う。
学習・予測装置6は(1)対象日以前日の空調負荷実績データ、(2)対象日以前日・予測対象日・対象日以後日の気象データ、(3)対象日以前日・予測対象日・対象日以後日のカレンダデータ、および、(4)対象日以前日・予測対象日・対象日以後日の空調機器稼働スケジュールデータを学習・予測装置6内のデータ保存部(図示せず)に収集するデータ収集処理手段として機能する。なお、学習時に用いたデータを利用しても良い。
予測に必要な各種データを収集する。
学習・予測装置6は空調負荷実績データ、気象データ、カレンダデータ、および、空調機器稼働スケジュールデータを予測モデルに入力して空調負荷の予測を行って予測データを生成する予測手段として機能する。
予測では、上記したような予測モデルに、(1)対象日以前日の空調負荷実績データ、(2)対象日以前日・予測対象日・対象日以後日の気象データ、(3)対象日以前日・予測対象日・対象日以後日のカレンダデータ、および、(4)対象日以前日・予測対象日・対象日以後日の空調機器稼働スケジュールデータの全部または一部を予測モデルに入力して予測対象日の空調負荷実績に係る予測データを求めることとなる。予測データは未来の数時間から数日先までの空調負荷を予測する。予測した空調負荷は、図示しない表示装置の画面に表示する。また予測結果が必要な装置に伝送する。
学習・予測装置6は、予測データを保存する予測結果保存手段として機能する。算出された予測データをデータベースサーバ1に保存する。
空調負荷予測装置はこのようにして空調負荷を予測することとなる。なお、本発明は上記に示す装置構成に限定されるものではなく、例えば、データベースサーバ1、気象予報端末2、気象実績端末3、空調負荷集計装置5および学習・予測装置6を含む一台のコンピュータとし、LAN7を介して空調制御システム4と接続されるような構成としても良い。もちろん、これらの装置は複数の機能を集約してより少ない装置で構成してもよいし、さらに多くの装置で構成しても良い。
上記した学習に係るデータ収集手段、学習手段、予測モデル保存手段、および、予測に係るデータ収集手段、予測手段、予測結果保存手段としてコンピュータを機能させれば、コンピュータにより空調負荷予測を行わせることができる。
また、空調負荷予測プログラムは、学習に係るデータ収集手段、学習手段、予測モデル保存手段、および、予測に係るデータ収集手段、予測手段、予測結果保存手段として空調負荷予測装置を機能させるプログラムである。このような空調負荷予測プログラムが記録された記録媒体(例えば、CD−ROM,MO,FD,HDというような磁気,光,光磁気により記録再生される媒体)を用いて空調負荷予測装置に空調負荷予測プログラムをインストールしてもよく、また、インターネット等のネットワーク・LAN7を介して空調負荷予測装置に空調負荷予測プログラムをインストールしても良い。
続いて本発明の実施例である空調負荷予測システムについて図を参照しつつ詳しく説明する。図3は本実施例の空調負荷予測システムの構成図である。本実施例では、大規模施設は工場であるものとし、図2で示す空調負荷予測装置に加えて、さらにローカル空調機器8、および、ローカル計測器9を加えてシステム構成としたものである。
予測対象は工場全体の1日分30分単位の空調負荷である。つまり図で示す空調機器81〜8n全ての空調負荷となる。
毎日の操業計画にもとづいて稼動ラインが決定され、その結果、稼働ラインが設置されている建家のフロアに設置されている空調機器のみ稼働させるような稼動スケジュールが決定される。空調機器はその稼動スケジュールに応じて空調制御システム4によりON/OFF制御される。
このような稼働スケジュールに係る空調機器稼働スケジュールデータは、学習・予測装置6のキーボードを介して入力され、あるいは、LAN7を介して外部から送信されて、データベースサーバ1に登録される。
また、全部の空調機器81〜8nのうち稼働している空調機器は、建家内のフロアを一定温度・湿度に保つように細かな温度制御を行い、各空調機器の吹き出し口の温度が一定になるようにする。
空調負荷集計装置5は、30分ごとにLAN7に接続されている空調機器81,空調機器82,・・・,空調機器8nにアクセスして空調負荷実績データを計測・集計する。この空調負荷実績データは、データベースサーバ1に登録蓄積されている。
また、実際の気象(工場の外気温)データは工場内に設置された計測器91〜9nにより計測し逐次データが取り込まれている。この実施例では気象実績端末はなくともよい。なお、必要であれば気象実績端末を介して他の気象データを計測・集計するようにしてもよい。これにより、翌日(予測対象日)より前の当日・前日(対象日以前日)の気象データは、データベースサーバ1に登録される。
気象予報端末2は、翌日(予測対象日)分までの1時間単位の予測対象日の気象データを受信する。この気象データは毎日受信される。
この翌日(予測対象日)の気象データは、データベースサーバ1に登録される。
データベースサーバ1は、これら気象データ、および、空調実績データを逐次蓄積する。この場合、カレンダーデータ、および、空調機器稼働スケジュールデータもデータベースサーバ1に登録されている。
空調負荷予測システムの学習・予測装置6は先に説明したような空調負荷予測プログラムが搭載されたコンピュータである。つまり、先に説明した学習に係るデータ収集手段、学習手段、予測モデル保存手段、および、予測に係るデータ収集手段、予測手段、予測結果保存手段として各部を機能させる。
続いて空調負荷予測システムによる学習・予測について図を参照しつつ説明する。図4はニューラルネットワークの構成図である。学習・予測装置6に構築された予測モデルは、特に図示しないが、3階層型のニューラルネットワーク1,2である。このニューラルネットワークの入力データは、図4および表1で示すようになる。
Figure 0004386748
ここに、表1で、i−1とは、予測を行っている当日(予測対象日の前日で対象日以前日)を示す。iは翌日(予測対象日)を示す。i+1は翌々日(予測対象日の翌日で対象日以後日)を示す。
また、予測モデルは、図4に示すように、ニューラルネットワーク1,2を2つ重ねたMLP(Multi Layer Perceptron)と呼ばれる階層型のニューラルネットワーク構成であり、2段目のニューラルネットワークから30分ごとの空調負荷予測値である予測データが得られる。
日負荷曲線は、1日分の空調負荷全てであり、この場合では0時30分から24時00分までの48点の空調負荷値である。
1日平均消費熱量は、上記空調負荷の平均値である。
23時消費熱量は、今回の例では、0時0分に0時30分〜24時00分までの空調負荷を予測しているが、予測に用いることができる最新の実績値は、データ収集に1時間程度要するとすると前日23時であるため、この時間の空調負荷を入力因子とした。
ここにニューラルネットワーク1の学習時の入力因子は、図4で示すようになる。この学習時では、前日・当日・翌日・翌々日を用いているが実際は全て過去のデータとなる。
熱負荷実績値(当日)が過去の空調負荷実績データとなる。
また、最高気温(当日、翌日)、最低気温(当日、翌日)、最高不快指数(翌日)、最低不快指数(翌日)が過去の気象データとなる。
また、操業フラグ(前日〜翌々日)が過去のカレンダデータとなる。
稼働率(翌日)が過去の空調機器稼働スケジュールデータとなる。
出力因子である熱負荷予測値(翌日平均)は過去の熱負荷を平均したものを学習データとして用いている。
このような空調負荷実績データ、気象データ、カレンダデータおよび空調機器稼働スケジュールデータは何れも月日データと関連づけられて登録されており、月日を入力することでデータベースサーバ1から参照可能である。
ニューラルネットワーク2の学習時の入力因子は、図4で示すようになる。
熱負荷予測値(翌日平均)が過去の空調負荷実績データとなる。
また、気温(翌日)、不快指数(翌日)が過去の気象データとなる。
また、操業フラグ(前日〜翌々日)が過去のカレンダデータとなる。
稼働率(翌日)が過去の空調機器稼働スケジュールデータとなる。
出力因子である熱負荷予測値は各時間の熱負荷を学習データとして用いている。
また、ニューラルネットワーク1の予測時の入力因子は、図4で示すようになる。
熱負荷実績値(当日)が過去(対象日以前日)の空調負荷実績データとなる。
また、最高気温(当日)、最低気温(当日)が過去(対象日以前日)の気象データとなる。
また、最高気温(翌日)、最低気温(翌日)、最高不快指数(翌日)、最低不快指数(翌日)が未来(予測対象日)の気象データとなる。
また、操業フラグ(前日,当日)が過去(対象日以前日)のカレンダデータとなる。
また、操業フラグ(翌日,翌々日)が未来(予測対象日・対象日以後日)のカレンダデータとなる。
また、稼働率(翌日)が未来(予測対象日)の空調機器稼働スケジュールデータとなる。
なお、出力因子となる熱負荷予測値(翌日平均)はニューラルネットワーク1から出力される予測データである。
また、ニューラルネットワーク2の予測時の入力因子は、図4で示すようになる。
熱負荷予測値(翌日平均)が未来(予測対象日)の予測データとなる。
また、気温(翌日)、不快指数(翌日)が未来(予測対象日)の気象データとなる。
また、操業フラグ(前日,当日)が過去(対象日以前日)のカレンダデータとなる。
また、操業フラグ(翌日,翌々日)が未来(予測対象日・対象日以後日)のカレンダデータとなる。
また、稼働率(翌日)が未来(予測対象日)の空調機器稼働スケジュールデータとなる。
なお、出力因子となる熱負荷予測値(30分毎計48個)は、1日30分単位の空調用の熱負荷予測値(予測データ)であり、毎日0時の時点において、0時30分から24時までの48点分の空調負荷の予測を表す予測データである。ニューラルネットワークの48点分の出力が、最終的な30分ごとの空調負荷である。
操業フラグとは半休(1直・2直いずれか休み)の日か、全休(1直・2直ともに休み)の日か、それ以外の日(1直・2直あり、つまり平日)かを表す数値データである。
また、不快指数は、気温と湿度とにより次式を用いて算出している。
(数1)
不快指数=0.81×気温+0.01×湿度(0.99×気温−14.3)+46.3
予測モデルはこのようなものである。
ちなみに稼働率の有効性を比較するため、稼働率を考慮しない予測モデルの場合のニューラルネットワークの入力データは、表2で示すようになる。
Figure 0004386748
この表2では単に稼働率がない点で表1と相違している。
続いて実際に空調負荷を予測する。検討用のため、表1,図4で示す稼働率を考慮した予測モデルによる予測と、表2で示す稼働率を考慮しない予測モデルによる予測とを比較する。予測に用いたデータは冬季(11月〜3月)であり、奇数日をニューラルネットワーク1,2の学習データとし、また、偶数日を評価用の入力データとした。
予測結果について図を参照しつつ説明する。図5は稼働率を考慮した予測モデルによる予測と実績の比較図であり、図6は稼働率を考慮しない予測モデルによる予測と実績の比較図である。図6では実績値に対して予測値が離れている点が見て取れるが、図5では実績値に対して予測値が近いことが解る。
また、稼働率を考慮した予測モデルが改善されている点について定量的に説明する。表3は全偶数日を予測したときの誤差指標を示す。
Figure 0004386748
稼働率を考慮することにより絶対値平均誤差および標準偏差が共に減少しており、良好な結果が得られた。
なお、本実施例では、ニューラルネットワークを1組だけ用いているが、0時30分を予測するネットワーク、1時を予測するネットワーク・・・24時を予測するネットワークなど48個のニューラルネットワークを個別に構築したMLPとして予測してもよい。
本発明を用いることで、複数の空調機、熱源機器を持ち、かつ空調機のON/OFF制御がスケジュールされているビル、工場の空調負荷予測において、空調スケジュールを用いて予測することにより、従来よりも良好な予測結果を得ることができる。これにより、運用者は熱源機器を従来よりも適切に制御することが可能になる。
空調スケジュールを取り込んだ予測を行なう場合、入力データが多くなる。そのため従来から予測に用いられている重回帰式では、精度の高い適切な予測モデルを構築するためには、入力因子の適切な組み合わせを試行錯誤して決定する必要があり、予測モデル構築の労力が非常にかかる問題がある。本発明では、データを与えるだけで適切な予測モデルを構築することができるニューラルネットワークを用いることにより、予測精度の高い予測モデルを簡単に構築することができる。
本発明を実施するための最良の形態の空調負荷予測方法を説明するフローチャートであり、図1(a)は学習フローチャート、図1(b)は、予測フローチャートである。 本発明を実施するための最良の形態の空調負荷予測装置の構成図である。 本発明の実施例の空調負荷予測システムの構成図である。 ニューラルネットワークの構成図である。 稼働率を考慮した予測モデルによる予測と実績の比較図である。 稼働率を考慮しない予測モデルによる予測と実績の比較図である。 空調稼働率の一日の変化を示す特性図である。 空調負荷の一日の変化を示す特性図である。
符号の説明
1:データベースサーバ
2:気象予報端末
3:気象実績端末
4:空調制御システム
5:空調負荷集計装置
6:学習・予測装置
7:LAN
8:ローカル空調機器
81:空調機器
82:空調機器
8n:空調機器
9:ローカル計測器
91:計測器
92:計測器
9n:計測器

Claims (8)

  1. 複数領域の温度制御を行うためにそれぞれの領域に分散設置された複数の空調機器と、複数の空調機器のON/OFF制御を行うホスト空調制御手段と、がネットワークを介して接続されるシステムにおいて、各空調機器の空調負荷実績データ、気象データ、カレンダデータおよび各空調機器のON/OFFについての空調機器稼働スケジュールデータを入力因子とする予測モデルを用いて空調負荷の予測を行う空調負荷予測方法であって、
    予測対象期間より前の期間の各空調機器の空調負荷実績データ予測対象期間を含む予測対象期間の前後の期間の気象データ、カレンダデータおよび各空調機器のON/OFFについての空調機器稼働スケジュールデータ収集するデータ収集手順と、
    予測対象期間より前の期間の各空調機器の空調負荷実績データ、気象データ、カレンダデータおよび各空調機器のON/OFFについての空調機器稼働スケジュールデータを用いて予測モデルの学習を行う学習手順と、
    予測対象期間より前の期間の各空調機器の空調負荷実績データ予測対象期間を含む予測対象期間の前後の期間の気象データ、カレンダデータおよび各空調機器のON/OFFについての空調機器稼働スケジュールデータ予測モデルに入力して予測対象期間の空調機器稼働スケジュールに対応した空調負荷の予測を行って予測データを生成する予測手順と、
    を有することを特徴とする空調負荷予測方法。
  2. 請求項1に記載の空調負荷予測方法において、
    前記予測モデルは第1のニューラルネットワークと第2のニューラルネットワークとによる階層型のニューラルネットワークであって、予測時に、第1のニューラルネットワークが出力した平均の空調負荷に係る予測データを第2のニューラルネットワークに入力し、第2のニューラルネットワークが時間別の空調負荷に係る予測データを出力する予測モデルであることを特徴とする空調負荷予測方法。
  3. 複数領域の温度制御を行うためにそれぞれの領域に分散設置された複数の空調機器と、複数の空調機器のON/OFF制御を行うホスト空調制御手段とが接続され、各空調機器の空調負荷実績データ、気象データ、カレンダデータおよび各空調機器のON/OFFについての空調機器稼働スケジュールデータを入力因子とする予測モデルを用いて空調負荷の予測を行う空調負荷予測装置であって、
    予測対象期間より前の期間の各空調機器の空調負荷実績データ予測対象期間を含む予測対象期間の前後の期間の気象データ、カレンダデータおよび各空調機器のON/OFFについての空調機器稼働スケジュールデータ収集するデータ収集手段と、
    予測対象期間より前の期間の各空調機器の空調負荷実績データ、気象データ、カレンダデータおよび各空調機器のON/OFFについての空調機器稼働スケジュールデータを用いて予測モデルの学習を行う学習手段と、
    予測対象期間より前の期間の各空調機器の空調負荷実績データ予測対象期間を含む予測対象期間の前後の期間の気象データ、カレンダデータおよび各空調機器のON/OFFについての空調機器稼働スケジュールデータ予測モデルに入力して予測対象期間の空調機器稼働スケジュールに対応した空調負荷の予測を行って予測データを生成する予測手段と、
    を有することを特徴とする空調負荷予測装置。
  4. 請求項3に記載の空調負荷予測装置において、
    前記予測モデルは第1のニューラルネットワークと第2のニューラルネットワークとによる階層型のニューラルネットワークであって、予測時に、第1のニューラルネットワークが出力した平均の空調負荷に係る予測データを第2のニューラルネットワークに入力し、第2のニューラルネットワークが時間別の空調負荷に係る予測データを出力する予測モデルであることを特徴とする空調負荷予測装置。
  5. 複数領域の温度制御を行うためにそれぞれの領域に分散設置された複数の空調機器と、複数の空調機器のON/OFF制御を行うホスト空調制御手段と、が接続されるシステムにおいて、各空調機器の空調負荷実績データ、気象データ、カレンダデータおよび各空調機器のON/OFFについての空調機器稼働スケジュールデータを入力因子とする予測モデルを用いて空調負荷の予測を行うための空調負荷予測プログラムであって、
    予測対象期間より前の期間の各空調機器の空調負荷実績データ予測対象期間を含む予測対象期間の前後の期間の気象データ、カレンダデータおよび各空調機器のON/OFFについての空調機器稼働スケジュールデータ収集するデータ収集手段と、
    予測対象期間より前の期間の各空調機器の空調負荷実績データ、気象データ、カレンダデータおよび各空調機器のON/OFFについての空調機器稼働スケジュールデータを用いて予測モデルの学習を行う学習手段と、
    予測対象期間より前の期間の各空調機器の空調負荷実績データ予測対象期間を含む予測対象期間の前後の期間の気象データ、カレンダデータおよび各空調機器のON/OFFについての空調機器稼働スケジュールデータ予測モデルに入力して予測対象期間の空調機器稼働スケジュールに対応した空調負荷の予測を行って予測データを生成する予測手段と、
    をコンピュータに機能させるプログラムであることを特徴とする空調負荷予測プログラム。
  6. 請求項5に記載の空調負荷予測プログラムにおいて、
    前記予測モデルは第1のニューラルネットワークと第2のニューラルネットワークとによる階層型のニューラルネットワークであって、予測時に、第1のニューラルネットワークが出力した平均の空調負荷に係る予測データを第2のニューラルネットワークに入力し、第2のニューラルネットワークが時間別の空調負荷に係る予測データを出力する予測モデルであることを特徴とする空調負荷予測プログラム。
  7. 複数領域の温度制御を行うためにそれぞれの領域に分散設置された複数の空調機器と、複数の空調機器のON/OFF制御を行うホスト空調制御手段と、が接続されるシステムにおいて、各空調機器の空調負荷実績データ、気象データ、カレンダデータおよび各空調機器のON/OFFについての空調機器稼働スケジュールデータを入力因子とする予測モデルを用いて空調負荷の予測を行うための空調負荷予測プログラムがコンピュータ読み取り可能に記録された記録媒体であって、
    予測対象期間より前の期間の各空調機器の空調負荷実績データ予測対象期間を含む予測対象期間の前後の期間の気象データ、カレンダデータおよび各空調機器のON/OFFについての空調機器稼働スケジュールデータ収集するデータ収集手段と、
    予測対象期間より前の期間の各空調機器の空調負荷実績データ、気象データ、カレンダデータおよび各空調機器のON/OFFについての空調機器稼働スケジュールデータを用いて予測モデルの学習を行う学習手段と、
    予測対象期間より前の期間の各空調機器の空調負荷実績データ予測対象期間を含む予測対象期間の前後の期間の気象データ、カレンダデータおよび各空調機器のON/OFFについての空調機器稼働スケジュールデータ予測モデルに入力して予測対象期間の空調機器稼働スケジュールに対応した空調負荷の予測を行って予測データを生成する予測手段と、
    としてコンピュータに機能させるプログラムを記録したことを特徴とする記録媒体。
  8. 請求項7に記載の記録媒体において、
    前記予測モデルは第1のニューラルネットワークと第2のニューラルネットワークとによる階層型のニューラルネットワークであって、予測時に、第1のニューラルネットワークが出力した平均の空調負荷に係る予測データを第2のニューラルネットワークに入力し、第2のニューラルネットワークが時間別の空調負荷に係る予測データを出力する予測モデルであることを特徴とする記録媒体。
JP2004032882A 2004-02-10 2004-02-10 空調負荷予測方法、空調負荷予測装置、空調負荷予測プログラムおよび記録媒体 Expired - Fee Related JP4386748B2 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2004032882A JP4386748B2 (ja) 2004-02-10 2004-02-10 空調負荷予測方法、空調負荷予測装置、空調負荷予測プログラムおよび記録媒体

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2004032882A JP4386748B2 (ja) 2004-02-10 2004-02-10 空調負荷予測方法、空調負荷予測装置、空調負荷予測プログラムおよび記録媒体

Publications (2)

Publication Number Publication Date
JP2005226845A JP2005226845A (ja) 2005-08-25
JP4386748B2 true JP4386748B2 (ja) 2009-12-16

Family

ID=35001705

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2004032882A Expired - Fee Related JP4386748B2 (ja) 2004-02-10 2004-02-10 空調負荷予測方法、空調負荷予測装置、空調負荷予測プログラムおよび記録媒体

Country Status (1)

Country Link
JP (1) JP4386748B2 (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107781948A (zh) * 2017-10-30 2018-03-09 四川长虹电器股份有限公司 基于时间、温度与空调参数的空调负荷预测方法
KR101840738B1 (ko) * 2017-09-28 2018-03-21 (주)가교테크 공조장비의 실측 부하를 기반으로 한 건물의 냉난방부하 예측 방법

Families Citing this family (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007071405A (ja) * 2005-09-02 2007-03-22 Daikin Ind Ltd 空調機器管理システム
JP5169075B2 (ja) * 2007-08-27 2013-03-27 株式会社リコー 電力管理システム、管理装置、電力管理方法、電力管理プログラム、及び電力管理プログラムを記録する記録媒体
JP5109732B2 (ja) * 2008-03-10 2012-12-26 ダイキン工業株式会社 空調制御システム
JP5227707B2 (ja) * 2008-09-12 2013-07-03 株式会社日立製作所 空調省エネ制御装置
JP5346218B2 (ja) * 2009-01-27 2013-11-20 株式会社大気社 熱源設備制御システム
JP5111552B2 (ja) * 2010-04-19 2013-01-09 三菱電機株式会社 診断装置、診断方法、及び、プログラム
JP5874298B2 (ja) * 2011-10-14 2016-03-02 富士電機株式会社 負荷予測装置、空調システム、負荷予測プログラムおよび負荷予測方法
JP5489046B2 (ja) * 2013-06-17 2014-05-14 株式会社大気社 熱源設備制御システム
GB201313444D0 (en) 2013-07-29 2013-09-11 Ambi Labs Ltd Energy efficient indoor climate controller
KR102272333B1 (ko) * 2017-06-21 2021-07-02 주식회사 케이티 Ai 기반으로 대상 건물의 냉방 시스템을 최적 제어하는 클라우드 서버 및 방법, 냉방 시스템 제어 장치
CN107781947B (zh) * 2017-09-21 2020-03-31 新智能源系统控制有限责任公司 一种建筑空调系统冷热源预测控制方法和装置
KR102482043B1 (ko) * 2018-10-29 2022-12-26 에스케이텔레콤 주식회사 소규모 이력 데이터에서 냉방부하를 예측하기 위한 학습 방법 및 장치
JP7335087B2 (ja) * 2019-03-29 2023-08-29 三機工業株式会社 空調負荷の予測方法およびシステム、並びに空調システムのエネルギー管理方法およびシステム
JP7343289B2 (ja) * 2019-03-29 2023-09-12 三機工業株式会社 空調負荷の予測方法および空調システム
JP6730536B1 (ja) * 2019-06-25 2020-07-29 日立ジョンソンコントロールズ空調株式会社 空気調和装置、運転制御方法およびプログラム
WO2021028967A1 (ja) * 2019-08-09 2021-02-18 三菱電機株式会社 制御システム、サーバ、機器、制御方法およびプログラム
JP7367472B2 (ja) * 2019-11-11 2023-10-24 東京電力ホールディングス株式会社 推定方法、推定装置及びプログラム
WO2021192201A1 (ja) * 2020-03-27 2021-09-30 三菱電機株式会社 空調制御装置、消費電力予測装置、学習装置および空調制御方法
CN113757922B (zh) * 2020-06-03 2023-04-07 中国移动通信集团浙江有限公司 一种基于深度学习的空调系统节能控制方法、装置、设备及计算机介质
KR102465072B1 (ko) * 2021-04-19 2022-11-09 엘지전자 주식회사 공기조화기의 제어방법

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101840738B1 (ko) * 2017-09-28 2018-03-21 (주)가교테크 공조장비의 실측 부하를 기반으로 한 건물의 냉난방부하 예측 방법
CN107781948A (zh) * 2017-10-30 2018-03-09 四川长虹电器股份有限公司 基于时间、温度与空调参数的空调负荷预测方法

Also Published As

Publication number Publication date
JP2005226845A (ja) 2005-08-25

Similar Documents

Publication Publication Date Title
JP4386748B2 (ja) 空調負荷予測方法、空調負荷予測装置、空調負荷予測プログラムおよび記録媒体
Gunay et al. Data analytics to improve building performance: A critical review
Marzouk et al. Monitoring thermal comfort in subways using building information modeling
Kwok et al. An intelligent approach to assessing the effect of building occupancy on building cooling load prediction
Nikolaou et al. Review on methodologies for energy benchmarking, rating and classification of buildings
JP5492848B2 (ja) 電力需要予測システムおよび方法
KR102482043B1 (ko) 소규모 이력 데이터에서 냉방부하를 예측하기 위한 학습 방법 및 장치
JP3783929B2 (ja) 省エネルギー効果推定方法およびその装置
KR20120123335A (ko) Hvac 제어 시스템 및 방법
KR102170522B1 (ko) 관람객 수와 환경 변화를 고려한 전시홀 에너지 관리 시스템
Hosamo et al. Improving building occupant comfort through a digital twin approach: A Bayesian network model and predictive maintenance method
Mantha et al. A taxonomy of data types and data collection methods for building energy monitoring and performance simulation
US20200408566A1 (en) Automatic Diagnostics Generation in Building Management
JP2953317B2 (ja) 空調熱負荷予測システム
de Chalendar et al. Unlocking demand response in commercial buildings: Empirical response of commercial buildings to daily cooling set point adjustments
JP6488253B2 (ja) 保全計画支援システム、及び保全計画支援方法
Yu et al. Estimating power demand shaving capacity of buildings on an urban scale using extracted demand response profiles through machine learning models
Shadkam Using SARIMAX to forecast electricity demand and consumption in university buildings
JP7481920B2 (ja) 店舗環境管理システム
US20230367033A1 (en) Automated system and method for managing weather related energy use
JP7317548B2 (ja) 空調負荷の予測方法およびシステム、並びに空調システムのエネルギー管理方法およびシステム
KR20110134441A (ko) 기기 관리 시스템
JP2003224931A (ja) 配電系統負荷推定装置
JPH08322147A (ja) 電力需要予測システム
Al-Aomar et al. A data-driven predictive maintenance model for hospital HVAC system with machine learning

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20060508

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20080619

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20080626

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20080805

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20090401

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20090513

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20090929

A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20090929

R150 Certificate of patent or registration of utility model

Free format text: JAPANESE INTERMEDIATE CODE: R150

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20121009

Year of fee payment: 3

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20121009

Year of fee payment: 3

S111 Request for change of ownership or part of ownership

Free format text: JAPANESE INTERMEDIATE CODE: R313115

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20121009

Year of fee payment: 3

R350 Written notification of registration of transfer

Free format text: JAPANESE INTERMEDIATE CODE: R350

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20131009

Year of fee payment: 4

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

LAPS Cancellation because of no payment of annual fees