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 PDFInfo
- 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
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。
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、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。
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。
（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。
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。
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。
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。
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と、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とを、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と、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とを、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。
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と、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とを、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と、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とを、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。
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と、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とを、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と、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とを、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。
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と、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とを、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と、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とを、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。
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と、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とを、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と、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とを、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。
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と、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とを、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と、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とを、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。
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と、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とを、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と、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とを、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。
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と、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とを、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と、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とを、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。
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、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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
（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。
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。
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。
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。
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。
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。
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（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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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
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。
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。
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。
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。
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。
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
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)
- 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と、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とを、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と、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とを、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。 - 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。 - 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と、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とを、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と、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とを、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。 - 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。 - 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と、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とを、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と、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とを、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。 - 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。 - 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と、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とを、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と、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とを、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。 - 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。
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)
| 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)
| 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 |
-
2004
- 2004-02-10 JP JP2004032882A patent/JP4386748B2/ja not_active Expired - Fee Related
Cited By (2)
| 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 |