JP4392604B2 - 空調負荷予測方法 - Google Patents

Description

本発明は、ニューラルネットワークを用いた空調負荷予測方法に関する。

蓄熱式空調システムの運転制御において、翌日の空調に必要な蓄熱量を適正化して蓄えたり、昼間の熱源追い掛け運転制御を適正化したりするために、翌日の毎時空調負荷を予測することは重要なことである。
従来から、翌日の空調負荷を予測する手法としてニューラルネットワークモデルを使うことが提案されている。
例えば、予測対象を日総負荷量とし、平日・土日等でニューラルネットワークモデルを別として予測するもの（特許文献１）、入力項目として「外気温、絶対湿度、風速、風量、日積算日射量、平均室温、空調運転時間や、その２つ以上の祖み合わせ」を使用して予測するもの（特許文献２）が知られている。また、実際の建物でニューラルネットワークモデルを学習する以前に「暫定モデル」を作成・学習し、実用時にニューラルネットワークモデルの最適化学習を行う方式（特許文献３）や事前に学習したニューラルネットワークモデルを適正化する手法を用いるもの（特許文献４）も知られている。
特許第２９８３１５９号公報 特開平０６−１４７５９８号公報 特許第２９５３３１７号公報 特開平０８−２１０６８９号公報

しかしながら、従来の予測方法は、予測の精度が実用的なレベルまで十分高いとは言えず、精度の向上が望まれている。
本発明は、このような事情に鑑みてなされたもので、空調負荷の予測を精度良く行うことができる空調負荷予測方法を提供することを目的とする。

本発明は、コンピュータ上に構築されたニューラルネットワークモデルを使用して、翌日の時間単位の空調負荷値を予測する空調負荷予測方法であって、条件データを前記ニューラルネットワークモデルに対して入力する入力過程と、前記条件データを入力したニューラルネットワークモデルを使用して、翌日の時間単位の空調負荷値を予測する予測過程と、前記入力過程において入力される入力データ毎の学習係数を、過去の入力データ及び翌日の時間単位の空調負荷値に基づいて最適化する処理を３段階に分けて行うことにより前記ニューラルネットワークモデルの更新を行う学習過程を有することを特徴とする。

本発明は、前記学習過程は、前記学習係数をＣ／（ｌｏｇ（１＋ｎ））（但し、Ｃは定数、ｎは学習計算の回数）として小さくしていき、誤差の二乗和が前回の値より大きくなった場合に該学習係数を半分の値として次の学習過程へ移行する第１の学習過程と、前記学習係数をＣ／（ｌｏｇ（１＋ｎ））として小さくしていき、誤差の二乗和の減少率が所定値より小さくなった場合に、学習係数を半分の値にし、該学習係数が所定値より小さくなった時点で次の学習過程へ移行する第２の学習過程と、前記学習係数をＣ／（ｌｏｇ（１＋ｎ））として小さくしていき、誤差の二乗和が所定値より小さくなった時点で学習を終了する第３の学習過程とからなることを特徴とする。

本発明は、前記条件データは、外界条件データ、室内環境条件データ及び空調システム運転条件データであることを特徴とする。

本発明によれば、学習モデルの最適化を図るようにしたため、翌日の毎時空調負荷を精度良く予測することができるという効果が得られる。

以下、本発明の一実施形態による空調負荷予測方法を図面を参照して説明する。
まず、図１を参照して、空調負荷予測処理を行う装置の構成を説明する。図１において、符号１は、空調負荷の予測を行うための計算処理を実行するコンピュータである。符号２は、キーボードやマウス等で構成される入力部である。符号３は、ディスプレイ装置等で構成される表示部である。符号４は、ニューラルネットワークモデルに関するデータを記憶するモデル記憶部である。符号５は、モデル記憶部４に記憶されているニューラルネットワークモデルを使用して空調負荷を予測する予測処理部である。符号６は、改良３段焼き鈍し手法を使用して、学習モデルの最適化を図り、モデル記憶部４に記憶されているニューラルネットワークモデルを更新する学習処理部である。

次に、図２を参照して、図１に示すモデル記憶部４内に記憶されるニューラルネットワークモデルについて説明する。ニューラルネットワークモデルとは図２に示すように、入力層、中間層、出力層で構成された計算モデルである。このモデルは、「教師データ」と呼ばれる過去の「入力・出力データ」を一定期間にわたって集め、これを「教師データセット」として与え、中間層と出力層の節点にあるニューロンモデル（図３）が左右とつながる際のつながり方を最適化するものである。すなわち、図２中の実線に示す部分に重み係数が存在し、入力層にデータを与えて出力層で計算される値が教師データと比べて、最小の誤差となるよう、全ての重み係数を適正化するものである。この適正化学習手法がバックプロパゲーション法と呼ばれる。

次に、本発明のニューラルネットワークモデルの構成の特徴について説明する。
本発明の空調負荷予測方法は、過去のデータを使ってニューラルネットワークモデルを学習し、そのニューラルネットワークモデルで翌日の空調負荷を予測するものである。本発明のニューラルネットワークモデルの構成の特徴は以下の４つである。

（１）入力層に複数の項目、１つの中間層には入力項目数の２倍より多い節点数、出力には１項目だけを持つモデルである。
入力層に使う項目には、出力項目である毎時空調負荷に影響を与えると推測される複数の項目のデータを入力する必要があるが、予測の精度を高めるため、出力項目は１項目、つまり、翌日の時間単位の空調負荷の値のみとする。また、中間層の節点数は、入力項目が複雑に絡んで空調負荷に影響することを反映するため、経験上、入力項目の２倍以上の数とする。

（２）空調負荷が大きく変化する平日、土日、祭日等に関わりなく、１つのニューラルネットワークモデルで翌日の時間毎の空調負荷を予測するものである。
ニューラルネットワークモデルは、空調負荷の大きく異なる平日・土日・祭日等に場合分けして、それぞれ別のモデルとして構築・学習する手法も提案されているが、別のモデルとしてしまうと教師データの数を多数揃える必要があるため、この教師データを揃えるために長期間必要となることや、モデル数が増えて制御システムに実装する際に複雑となることなどから、本発明のモデルは、実用的にするために１つのニューラルネットワークモデルとする。

（３）入力項目の特徴として、空調負荷に直接影響する因子として考えられる項目に変換した「変換入力項目」を使用している。
入力項目とするデータは予測精度を左右する重要な要因であり、外界条件、室内環境条件、空調システム運転条件などが主なものであるが、精度を高めるため、以下のように変換した入力項目を使う。以下の入力項目は、教師データとして使用するものである。

毎時の日射量は、予測対象の建物の空調負荷に対して影響の大きい方位や面にあたる日射量に変換して入力項目とする。すなわち、南面に大きなガラス面のある建物では、水平面全天日射量ではなく、南垂直面の全天日射量の値を入力項目とする。空調負荷に影響すると思われる面が多数ある場合には、複数面の全天日射量を入力項目とする。

空調負荷は、外気温度と室内温度の差によって影響されることから、「（外気温度−室内温度）」を入力項目とする。また、建物には温度差の影響にタイムラグがあることから、当該時刻の温度差の他に、２〜３時間前までの温度差を入力項目としても良い。また、空調負荷は建物内外の換気によっても影響を受けることから、「（外気エンタルピ−室内エンタルピ）」を入力項目とする。また、空調負荷は空調機の運転台数に比例すると推測されることから、「空調機運転台数」を入力項目としても良い。この値を設置されている台数で除算し、０〜１の数値として無次元化空調機運転台数としても良い。また、空調時間帯の負荷に影響を与える因子として「（外気温度−室内温度）」にこの無次元化空調機運転台数を乗算した値を入力項目としても良い。

在室人数を把握することができる場合には、在室人数と空調負荷の関係があると推測されることから「在室人数」を入力項目としても良い。

なお、学習が終了し、翌日の空調負荷を求める際に使うこれらの入力項目は、気象関連では天気予報や予報配信データを利用し、室内環境データ・空調システム運転・在室人数等は設定値や過去の運転パターンから作成したデータを用いるようにしてもよい。

（４）学習する際の特徴として、「改良３段焼き鈍し手法」を使用して、学習モデルの最適化を図るものである。
ニューラルネットワークモデルを学習するにはバックプロパゲーション法を使うが、学習計算中にニューラルネットワークモデルの重み係数を適正化するための「学習係数」を徐々に小さくしてゆくことでより最適化に近づくという手法が知られている。これを焼き鈍し手法（Simulated Annealing）と呼ぶが、本発明ではこれを改良した「改良３段焼き鈍し手法」を使う。

ここで図４を参照して、図１に示す学習処理部６が実行する「改良３段焼き鈍し手法」の詳細を説明する。改良３段焼き鈍し手法は、図４に示すように３段階に分けて学習係数を変化させてゆき、短い学習時間で且つ、精度良く学習を行う学習手法である。

フェーズ１では、１つの教師データ毎に学習係数をＣ／（ｌｏｇ（１＋ｎ））（但し、Ｃは定数、ｎは学習計算の回数）として小さくしてゆく。誤差の二乗和が前回の値より大きくなった場合に学習係数を半分の値として、フェーズ２へに移行する。
フェーズ２でも１つの教師データ毎に学習係数をＣ／（ｌｏｇ（１＋ｎ））として小さくしてゆくが、誤差の二乗和の減少率が一定値より小さくなった場合に、学習係数を半分の値にする。そして、学習係数がある値より小さくなった時点でフェーズ３へ移行する。
フェーズ３では教師データのセット毎に学習係数をＣ／（ｌｏｇ（１＋ｎ））として小さくしてゆき、誤差の二乗和が一定値より小さくなった時点で学習を終了する。

この改良３段焼き鈍し手法を採用することで、誤差の二乗和として部分的極小値（Local minimum）に落ち込むことなく、全体極小値（Global minimum）に導く最適な学習が出来るようになり、最大空調負荷の数％以内の誤差で翌日の毎時空調負荷を予測することができる。

なお、前述した予測方法を実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することにより空調負荷予測処理を行ってもよい。なお、ここでいう「コンピュータシステム」とは、ＯＳや周辺機器等のハードウェアを含むものとする。また、「コンピュータシステム」は、ホームページ提供環境（あるいは表示環境）を備えたＷＷＷシステムも含むものとする。また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ−ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムが送信された場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリ（ＲＡＭ）のように、一定時間プログラムを保持しているものも含むものとする。

また、上記プログラムは、このプログラムを記憶装置等に格納したコンピュータシステムから、伝送媒体を介して、あるいは、伝送媒体中の伝送波により他のコンピュータシステムに伝送されてもよい。ここで、プログラムを伝送する「伝送媒体」は、インターネット等のネットワーク（通信網）や電話回線等の通信回線（通信線）のように情報を伝送する機能を有する媒体のことをいう。また、上記プログラムは、前述した機能の一部を実現するためのものであっても良い。さらに、前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるもの、いわゆる差分ファイル（差分プログラム）であっても良い。

本発明の一実施形態の構成を示すブロック図である。 ニューラルネットワークモデルの構成を示す説明図である。 ニューロンモデルの構成を示す説明図である。 改良３段焼き鈍し手法を示す説明図である。

符号の説明

１・・・コンピュータ、２・・・入力部、３・・・表示部、４・・・モデル記憶部、５・・・予測処理部、６・・・学習処理部

Claims (3)

1. コンピュータ上に構築されたニューラルネットワークモデルを使用して、翌日の時間単位の空調負荷値を予測する空調負荷予測方法であって、
   条件データを前記ニューラルネットワークモデルに対して入力する入力過程と、
   前記条件データを入力したニューラルネットワークモデルを使用して、翌日の時間単位の空調負荷値を予測する予測過程と、
   前記入力過程において入力される入力データ毎の学習係数を、過去の入力データ及び翌日の時間単位の空調負荷値に基づいて最適化する処理を３段階に分けて行うことにより前記ニューラルネットワークモデルの更新を行う学習過程を有することを特徴とする空調負荷予測方法。
2. 前記学習過程は、
   前記学習係数をＣ／（ｌｏｇ（１＋ｎ））（但し、Ｃは定数、ｎは学習計算の回数）として小さくしていき、誤差の二乗和が前回の値より大きくなった場合に該学習係数を半分の値として次の学習過程へ移行する第１の学習過程と、
   前記学習係数をＣ／（ｌｏｇ（１＋ｎ））として小さくしていき、誤差の二乗和の減少率が所定値より小さくなった場合に、学習係数を半分の値にし、該学習係数が所定値より小さくなった時点で次の学習過程へ移行する第２の学習過程と、
   前記学習係数をＣ／（ｌｏｇ（１＋ｎ））として小さくしていき、誤差の二乗和が所定値より小さくなった時点で学習を終了する第３の学習過程と
   からなることを特徴とする請求項１に記載の空調負荷予測方法。
3. 前記条件データは、外界条件データ、室内環境条件データ及び空調システム運転条件データであることを特徴とする請求項１または２に記載の空調負荷予測方法。
   

Images