JP4410046B2 - 空調熱源設備の熱負荷予測装置および方法 - Google Patents

Description

本発明は、ビル等の建物に利用される空調熱源設備、特に夜間停止され朝に起動される空調熱源設備の熱負荷を予測する装置および方法に関する。

近年、空調熱源設備の効率的な運転を行うために、例えば翌日の１時間毎２４時間分の設備が処理すべき熱負荷を予測し、予測負荷に応じて設備の運用計画（起動停止や空調出力の設定）を立てることが行われている。熱負荷予測の対象時間帯は、空調がオンになっている時間（建物の利用時間）である。

空調熱源設備が夜間停止している建物の場合、熱負荷のピークは冷房の場合は昼頃、暖房の場合は空調開始の直後に現れることが知られている。空調熱源設備のエネルギーを電気により賄っている場合、熱負荷のピークをある閾値に抑え（ピークカット）、これにより使用電力が契約電力を超えないようにする必要がある。

ピークカットを行うために、通常運転（空調熱源設備に対し、室内設定温度（例えば２６℃）を保つようにする運転）に先だって、空調熱源設備を起動して予冷（予備冷房）または予熱（予備暖房）を行う方法が知られている。予冷または予熱運転は、壁や天井を予め冷やしたり暖めたりすることで通常運転開始後に空調熱源設備の熱負荷を削減し、結果として熱負荷のピークを閾値以下にするものである。

なお、特許文献１には、ある時刻に部屋の温度や不快指数が目標値となるのに必要な予冷または予熱時間を予測する方法が開示されている。特許文献１は、ピークカットを行うのに必要な予冷または予熱時間を予測する方法に関するものではない。
特開９−２２９４４９号公報

しかしながら、予冷または予熱運転は、長時間実施すると結果的に熱が逃げてしまい、エネルギーが無駄に消費されることになる。

そこで、本発明は、エネルギーの無駄な消費を抑えつつピークカットを行うための予冷または予熱時間を予測できる熱負荷予測装置および方法を提供することを目的とする。

上記目的を達成するために、本発明に係る熱負荷予測装置は、
建物に利用される空調熱源設備の対象時間帯の熱負荷を予測するための装置において、
空調熱源設備の熱負荷、建物外部環境に関する情報、および／または建物内部環境に関する情報についての対象時間帯以前の実績データを記憶する実績データ記憶部と、
建物外部環境に関する情報および／または建物内部環境に関する情報についての対象時間帯の予測データを取得する予測データ取得部と、
熱負荷、建物外部環境に関する変数、および／または建物内部環境に関する変数で表現され複数の予冷または予熱時間候補それぞれに対応付けた熱負荷予測モデルを記憶する熱負荷予測モデル記憶部と、
ある予冷または予熱時間候補に関して、実績データ記憶部に記憶された実績データ、予測データ取得部で取得した予測データ、および熱負荷予測モデル記憶部に記憶された熱負荷予測モデルに基づいて、対象時間帯の熱負荷を予測する熱負荷予測部と、
を備え、
熱負荷予測部は、第１の予冷または予熱時間候補で予測した熱負荷のピークが予め決められた閾値を超えていれば、第１の予冷または予熱時間候補よりも大きな第２の予冷または予熱時間候補で再度熱負荷予測を行うことを特徴とする。

本発明に係る熱負荷予測方法は、
建物に利用される空調熱源設備の対象時間帯の熱負荷を予測するための方法において、
空調熱源設備の熱負荷、建物外部環境に関する情報、および／または建物内部環境に関する情報についての対象時間帯以前の実績データを取得し、
建物外部環境に関する情報、および／または建物内部環境に関する情報についての対象時間帯の予測データを取得し、
熱負荷、建物外部環境に関する変数、および／または建物内部環境に関する変数で表現され複数の予冷または予熱時間候補それぞれに対応付けた熱負荷予測モデルを用意し、
第１の予冷または予熱時間候補に関して、実績データ、予測データ、および熱負荷予測モデルに基づいて、対象時間帯の熱負荷を予測し、
第１の予冷または予熱時間候補に関して予測した熱負荷のピークが予め決められた閾値を超えていれば、第１の予冷または予熱時間候補よりも大きな第２の予冷または予熱時間候補で再度熱負荷を予測する、
ことを特徴とする。

本発明によれば、ある予冷または予熱時間に対して熱負荷を予測し、ピークが閾値を超えていれば、さらに予冷または予熱時間を増やして熱負荷を予測することで、熱負荷のピークを閾値以下に抑える予冷または予熱時間を求めることができる。したがって、ピークカットを行うと同時に予冷または予熱運転によるエネルギーの無駄な消費を抑えることができる。

以下、添付図面を参照して本発明に係る実施の形態を説明する。

実施の形態１．
図１は、本発明に係る熱負荷予測装置の実施の形態１を備えた、建物に利用される空調熱源設備の制御システムを示す。この制御システム２は、熱負荷予測装置４で予測した熱負荷に基づいて設備コントローラ６により空調熱源設備（例えば、冷温水発生器、電動冷凍機など）８を最適に運転させるものである。予冷運転または予熱運転（以下では、簡略して予冷予熱運転という。）を行う場合、空調熱源設備８の出力は一定（例えば定格出力の７０％）にしてある。

熱負荷予測装置４は、実績データ記憶部１０、予測データ取得部１２、熱負荷予測部１４、予測結果評価部１６、および熱負荷予測モデル記憶部１８を備える。

実績データ記憶部１０は、空調熱源設備８の対象時間帯以前の実際の熱負荷を実績データとして記憶するためのものである。このために、設備コントローラ６は、空調熱源設備８の熱負荷を計測するセンサ（図示せず）を備える。

予測データ取得部１２は、熱負荷予測の対象時間帯の１時間毎の建物外部環境に関する情報、例えば外気温度および外気湿度の予測値を取得するためのものである。これらの予測値は、例えば、インターネット経由で気象情報サービス会社から直接獲得したり、天気予報等から得られる最高気温、最低気温、天気（晴れ、雨など）の予測値から推定する。

熱負荷予測部１４は、実績データ記憶部１０に記憶された実績データ、予測データ取得部１２で取得した予測データ、および後述するように予測結果評価部１６から出力される予冷時間または予熱時間（以下では、簡略して予冷予熱時間という。）の候補に基づいて、熱負荷予測モデル記憶部１８に記憶された熱負荷予測モデル（後述）を参照して熱負荷予測を行うためのものである。熱負荷予測部１４で予測された熱負荷は、予測結果評価部１６に出力されるようになっている。

予測結果評価部１６は、熱負荷予測部１４で予測された熱負荷が入力されると、熱負荷予測に用いた予冷予熱時間の候補（０時間も含む）のもとで熱負荷のピーク値が予め設定された閾値を超えているか否かを判定するためのものである。予測結果評価部１６は、閾値を超えている場合には、新たな予冷予熱時間の候補を熱負荷予測部１４に出力し、閾値を超えていない場合には、予冷予熱時間を含む熱負荷予測を設備コントローラ６に出力するようになっている。予測結果評価部１６は、予冷予熱時間の候補、例えば、１時間、２時間、３時間の３段階など、０時間以外に予め複数の段階の値を用意している。候補となる予冷予熱時間およびその時間間隔（上記例では１時間）は、本発明を限定しない。

熱負荷予測モデル記憶部１８は、予測結果評価部１６で選択する予冷予熱時間の候補毎に異なる熱負荷予測モデルを記憶する。

熱負荷予測部１４の予測手法の一例として空調熱負荷予測の統計的手法の一つであるＰＬＭＳ（Periodic Least Mean Square)法を用いた場合、熱負荷予測モデルは、

と表される。ここで、
ｔ：予測対象時刻
ｋ：予冷予熱時間
ｙ_ｋ，ｔ：時刻ｔの熱負荷
Ｎ：熱負荷に影響を与える要因の数
ｘ_{ｋ，ｔ，ｉ}：熱負荷に影響を与える要因の時刻ｔの値
ａ：パラメータ
である。式（１）は、候補となる予冷予熱時間毎に与えられる。パラメータａ_{ｋ，ｔ，０}は、時刻（ｔ−１）の熱負荷が時刻ｔの熱負荷に影響を与える影響の度合いを表し、パラメータａ_{ｋ，ｔ，ｉ}は、時刻ｔの各要因の値が時刻ｔの熱負荷に与える影響の度合いを表す。パラメータａは、時刻により異なる値をとり、例えば別の建物に本実施形態に係る熱負荷予測装置４を適用するなどして得た実績データに基づいて予め同定しておく。
熱負荷に影響を与える要因として外気温度と外気湿度を選択した場合、式（１）は、

となる。ここで、ｘ_{ｋ，ｔ，１}は時刻ｔの外気温度、ｘ_{ｋ，ｔ，２}は時刻ｔの外気湿度である。

（ｎ−１）日の２２：００からｎ日の２１：００までの熱負荷予測を行う場合を例にとる。まず、（ｎ−１）日の２２：００の熱負荷の予測値を、実績データ記憶部１０で記憶した（ｎ−１）日の２１：００の熱負荷の実績データと予測データ取得部１２で取得した（ｎ−１）日の２２：００の外気温度および外気湿度の予測データとから、式（２）を用いて算出する。以降は、算出済みの１時間前の熱負荷の予測値と予測対象時刻の外気温度および外気湿度の予測値とを式（２）に適用することにより、ｎ日の２１：００までの熱負荷の予測値を順次算出する。

熱負荷に影響を与える要因として外気温度や外気湿度の代わりにまたはこれらに加えて他の建物外部環境に関する要因を用いてもよいし、建物内部環境に関する要因（例えば、室内温度）を用いてもよい。このように、熱負荷予測モデルは、空調熱源設備の熱負荷、建物外部環境に関する変数、および／または建物内部環境に関する変数で表現されるものである。

別の熱負荷予測モデルとして、図２に示すように、予冷予熱時間を考慮したニューラルネットワークモデルを用いてもよい。図に示すモデルは、（ｎ−１）日の２２：００からｎ日の２１：００までの熱負荷予測を行うものである。具体的には、入力層の各ニューロンに対し、前日の同時刻、すなわち（ｎ−２）日の２２：００から（ｎ−１）日の２１：００の熱負荷の実績データと、ｎ日の最高気温および最低気温の予測データと、予冷予熱時間の候補を入力することで、出力層の各ニューロンから（ｎ−１）日の２２：００からｎ日の２１：００までの熱負荷の予測値を得る。ニューロン間の重みは、例えば別の建物に本実施形態に係る熱負荷予測装置４を適用するなどして得た実績データを利用して誤差逆伝搬法等を用いて学習を行わせることで予め同定しておく。重みは時刻により異なる。

なお、図２では、前日の同時刻の熱負荷以外に予想最高気温と予想最低気温を入力層に入力するようになっているが、これらに加えてまたはこれらの代わりに、対象時間帯（一時間毎）の外気温度や外気湿度の予測データを用いてもよい。外気気温や外気湿度の他、日射量等の建物外部環境に関する情報や、室内温度等の建物内部環境に関する情報を予測データとして用いてもよい。

かかる構成を備えた熱負荷予測装置４の予冷予熱時間の予測処理の一例を、図１とともに図３のフローチャートを参照して説明する。まず、ステップＳ１で、予測結果評価部１６は、予冷予熱時間の候補として０時間を選択（言い換えれば、予冷予熱時間を０時間に設定）する。ステップＳ２で、予測結果評価部１６はこの設定値を熱負荷予測部１４に出力し、熱負荷予測部１４は、予冷予熱時間０の条件で、熱負荷予測モデル記憶部１８に記憶された熱負荷予測モデルを用いて熱負荷予測を行う。ステップＳ３で、熱負荷予測部１４は、得られた熱負荷（図４）の予測値を予測結果評価部１６に出力し、予測結果評価部１６は、熱負荷予測部１４で予測された熱負荷が入力されると、熱負荷のピーク値が予め設定された閾値を超えているか否かを判定する。

ステップＳ３で、予測された熱負荷のピーク値が閾値を超えている場合［図４（ａ）参照］、ステップＳ４に進み、予測結果評価部１６は、予冷予熱時間が上限を超えているか否かを判定する。予冷予熱運転は通常運転以外の時間帯で実施されるため、予冷予熱運転の開始時刻は通常運転停止時刻以降となる点や、設備運用上の制約から予冷予熱時間の最大可能時間を設定する必要がある点、などを考慮して、ユーザ（例えば建物の管理者）は予冷予熱時間の上限を予め決めておく。予冷予熱時間が上限を超えていない場合、ステップＳ５に進み、予測結果評価部１６は、ステップＳ１で設定した予冷予熱時間を１段階（例えば１時間）増やす。この増加幅は１時間に限るものではない。その後、ステップＳ２に戻り、予測結果評価部１６は新たに設定された予冷予熱時間を熱負荷予測部１４に出力し、熱負荷予測部１４は熱負荷予測を行う。熱負荷のピーク値が閾値を超えており、且つ、予冷予熱時間が上限に達していなければ、予冷予熱時間を増加させながら熱負荷予測が行われる（ステップＳ２〜Ｓ５）。ステップＳ３で、予測された熱負荷のピーク値が閾値以下［図４（ｂ）参照］になると、フローは終了する。その後、予測結果評価部１６は、設備コントローラ６に対し、予冷予熱時間を含む熱負荷予測を出力する。代わりにまたはこれとともに、予冷予熱時間を含む熱負荷予測をモニタ等の表示手段を介して建物の管理者などに提供するようにしてもよい。ステップＳ４で予冷予熱時間が上限を超えている場合にも、フローを終了する。この場合、例えば、予冷予熱時間が上限に達した旨を上限とともにモニタ等の表示手段を介して建物の管理者などに提供する。

このように、本実施形態によれば、空調熱負荷のピークを閾値以下に抑えつつ、最も短い予冷予熱時間を予測することができるため、ピーク時の電力使用量および予冷、予熱に必要なエネルギーの消費を抑制できる。

実施の形態２．
図５は、本発明に係る熱負荷予測装置の実施の形態２を備えた制御システムを示す。以下、実施の形態１と同一または類似の構成要素は、同一の符号または同一の符号に適当な添字を付して表す。この熱負荷予測装置４Ａでは、熱負荷予測モデル記憶部１８Ａに、建物躯体の蓄熱負荷を考慮した物理モデルが記憶されている。物理モデルとして、本実施形態では、「蓄熱槽の合理的運転管理のための冷暖房負荷予測」（吉田治典、日本建築学会計画系論文集、第４９５号、７７〜８３ページ、１９９７）に記載されているものを用いる。熱負荷予測モデルは、

と表される。ここで、
ｔ：予測対象時刻
Ｌ：方位
ｑ_AC,t：時刻ｔの空調熱負荷
θ_0,L,t：方位Ｌ時刻ｔの等価外気温
［＝外気温度＋（日射吸収率×日射量）／表面熱伝達率］
θ_R,t：時刻ｔの室内温度
Ｊ_L,t：方位Ｌ、時刻ｔの日射量
ζ_R,t：時刻ｔの室内発生熱
ζ_o,t：時刻ｔの外気導入量
Δｈ_t：時刻ｔの室内外エンタルピー差
ａ：パラメータ
Ｎp、Ｎq、Ｎr：次数（過去何時間までの影響を考慮するかを表す次数）
である。パラメータａおよび次数Ｎp、Ｎq、Ｎrは、例えば別の建物に本実施形態に係る熱負荷予測装置４Ａを適用するなどして得た実績データに基づいて予め同定しておく。

本実施形態では、実績データ記憶部１０Ａは、建物外部環境情報として対象時間帯以前の実際の日射量、外気温度、外気湿度および建物内部環境情報として対象時間帯以前の実際の室内温度を実績データとして記憶する。予測データ取得部１２Ａは、建物外部環境情報として対象時間帯の日射量、外気温度、外気湿度の予測データを取得する。予測データ取得部１２Ａはまた、建物内部環境情報として通常運転時の空調の設定温度を設備のスケジュール記憶部（図示せず）から取得するようになっている。このスケジュールは、時間帯、曜日、季節等を考慮して建物の管理者などにより決められるものである。熱負荷予測装置４Ａはまた、熱負荷予測部１４が熱負荷を予測する際に必要となる固定的なデータを記憶するための固定データ記憶部２０を備える。固定データとしては、例えば、
・建物の各外壁に関し、その方位、地表面反射率、日射吸収率、表面熱伝達率、窓面積、窓以外の壁面積
・各時刻の室内発生熱
・各時刻の建物内部への外気導入量（空調運転時）
が挙げられる。建物の外壁に関する諸データは、建物の設計データに基づいて用意する。室内発生熱の時間変動パターンは、通常測定できないデータであるため、建物設計時の設定等を参考に用意する。外気導入量の時間変動パターンは、空調運転時のスケジュールとして決めたパターンを用意する。

例えば、予冷予熱運転を１時間として、（ｎ−１）日の２２：００からｎ日の２１：００までの熱負荷予測を行う場合について説明する。

（ｎ−１）日の２２：００で空調停止の場合、式（３）の左辺の熱負荷ｑ_AC,tは０である。さらに外気取り入れもないため右辺の第５項も０となる。そこで、空調停止時には、室内温度が

と予測される。この予測室内温度は、２３：００以降の熱負荷を予測するのに必要となる。等価外気温θ_0,L,ｔは、予測データ取得部１２Ａで取得した日射量、外気温度、固定データ記憶部２０に記憶された建物の外壁に関するデータを得ることで求められる。Ｎｐが１以上の場合には、（ｎ−１）日の２１：００以前の等価外気温θ_{0,L,ｔ−ｐ}（ｐ＝１，．．．，Ｎｐ）が必要となるが、これらは、固定データ記憶部２０に記憶された建物の外壁に関するデータと、実績データ記憶部１０Ａに記憶された日射量、外気温度とから求まる。Ｎｑが１以上の場合には、（ｎ−１）日の２１：００以前の室内温度θ_R,t−ｑ（ｑ＝１，．．．，Ｎｑ）が必要となるが、実績データ記憶部１０Ａから得られる。日射量Ｊ_L,tは、予測データ取得部１２Ａから求まる。Ｎｒが１以上の場合には、（ｎ−１）日の２１：００以前の日射量Ｊ_Ｌ,t−ｒ（ｒ＝１，．．．，Ｎｒ）が必要となるが、実績データ記憶部１０Ａから得られる。（ｎ−１）日の２２：００の室内発生熱ζ_R,tは、固定データ記憶部２０から得られる。したがって、（パラメータａは予め同定されているので）（ｎ−１）日の２２：００の室内温度θ_R,tが予測値として求められる。

（ｎ−１）日の２２：００で通常運転の場合、式（３）を用いて熱負荷を算出する。式（３）において、等価外気温（右辺第１項）、日射量（第３項）、室内発生熱（第４項）に関しては、空調停止時と同じようにして求められる。（ｎ−１）日の２２：００の室内温度θ_R,tは、予測データ取得１２Ａで取得した空調の設定温度とする。Ｎｑが１以上の場合には、（ｎ−１）日の２１：００以前の室内温度θ_R,t−ｑ（ｑ＝１，．．．，Ｎｑ）が必要となるが、実績データ記憶部１０Ａから得られる。外気導入量ζ_o,tは、固定データ記憶部２０から得られる。室内外エンタルピー差Δｈ_tは、（ｎ−１）日の２２：００の外気温度と外気湿度の予測値および室内温度の設定温度を用いて求められる。したがって、これらの値を用いて（ｎ−１）日の２２：００の熱負荷の予測値が得られる。

２３：００以降については、同様の計算を繰り返すことにより、予冷予熱運転時以前の各時刻の熱負荷および室内温度を求めることができる。但し、次数Ｎｐ，Ｎｑ，Ｎｒが１以上の場合には、実績データ記憶部１０Ａに記憶された２１：００以前の実績データとともにあるいは単独で、予測データ取得部１２Ａで取得された２２：００以降の予測データを利用する必要がある。

予冷予熱運転時には、熱負荷ｑ_AC,tは予め設定された空調の出力値ｑ_０（例えば定格出力の７０％）で一定である。式（３）において、外気取り入れがないとすれば、室内温度は、

と予測される。例えば、朝の空調の通常運転開始時刻を８：００とすると、式（５）において、７：００の室内温度は、右辺の第１項から第４項については式（４）を用いて室内温度を予測する場合と同じようにして得られる。

このようにして予冷予熱時間の候補が１時間の場合の熱負荷の予測が行われる。予冷予熱時間の他の候補も同様にして熱負荷の予測が行われる。

実施の形態３．
実施の形態１では、熱負荷のピークを閾値以下に下げる予冷予熱時間を予測する際に、予冷予熱運転時の空調出力を一定値（例えば定格出力の７０％）としたが、本実施形態は、予冷予熱運転時の空調出力も変更可能とし、熱負荷のピークを閾値以下に下げるのに適した予冷予熱時間と空調出力を求めるものである。本発明に係る熱負荷予測装置は、図１の熱負荷予測装置４とほぼ同一の構成を備え、以下、図１を参照して説明を行う。

本実施形態に係る熱負荷予測装置４では、予測結果評価部１６は、予冷予熱時間の候補とともに空調出力の候補、例えば、定格出力の６０％、７０％、８０％の３段階など、予め複数の段階の値を用意している。

熱負荷予測部１４の予測手法の一例としてＰＬＭＳ法を用いた場合、熱負荷予測モデル記憶部１８に記憶された熱負荷予測モデルは、

と表される。ここで、ｐは空調出力であり、その他の記号は式（２）と同様である。式（６）は、予冷予熱時間ｔと空調出力ｐの組み合わせ候補毎に与えられる。なお、熱負荷に影響を与える要因として外気温度や外気湿度の代わりにまたはこれらに加えて他の建物外部環境に関する要因を用いてもよいし、建物内部環境に関する要因（例えば、室内温度）を用いてもよい。

式（６）の代わりに、

を用いてもよい。ここで、ｘ_{ｋ，ｔ，３}は、予冷予熱時間ｋのときの時刻ｔの空調出力である。空調出力ｘ_{ｋ，ｔ，３}は、空調停止時の時刻ｔには０で、空調運転時（通常運転の場合も含む）の時刻ｔには常に一定値（予冷予熱運転時の空調出力値）とする。その他の記号は式（２）と同じである。式（７）は、予冷予熱運転時の空調出力を、熱負荷に影響を与える要因として考慮することを意味する。

あるいは、代わりに、ニューラルネットワークモデルを用いてもよい。この場合、ニューラルネットワークとして、図２のニューラルネットワークの入力層に予冷予熱運転時の空調出力を入力するニューロンを追加したものを用いる以外は、実施の形態１で説明したのと同様である。

実施の形態２で説明した、建物躯体の蓄熱負荷を考慮した物理モデルを用いてもよい。この場合、予冷予熱運転時の室内温度を求めるのに式（５）を適用する際に、空調出力ｑ_０に予め段階的に定められた候補値が代入される以外は、実施の形態２で説明したのと同様である。

以下、図１および図６のフローチャートを参照して、熱負荷予測装置４Ａの予測処理の一例を説明する。まず、ステップＳ６１で、予測結果評価部１６は、予冷予熱時間の候補として０時間、予冷予熱運転時の空調出力の候補として最大値を選択（言い換えれば、予冷予熱時間を０時間、空調出力を最大に設定）する。ステップＳ６２で、予測結果評価部１６はこれら設定値を熱負荷予測部１４に出力し、熱負荷予測部１４は、予冷予熱時間０、空調出力最大の条件で、熱負荷予測モデル記憶部１８に記憶された熱負荷予測モデルを用いて熱負荷予測を行う（なお、このとき予冷予熱時間０であるので、空調出力は計算には影響しない。）。ステップＳ６３で、熱負荷予測部１４は、得られた熱負荷の予測値を予測結果評価部１６に出力し、予測結果評価部１６は、熱負荷予測部１４で予測された熱負荷が入力されると、熱負荷のピーク値が予め設定された閾値を超えているか否かを判定する。

ステップＳ６３で、熱負荷のピーク値が閾値を超えている場合、ステップＳ６４に進み、予測結果評価部１６は、空調出力が上限に達しているか否かを判定する。空調出力が上限に達していれば、ステップＳ６５に進み、予測結果評価部１６は、予冷予熱時間が上限を超えているか否かを判定する。予冷予熱時間が上限を超えていない場合、ステップＳ６６に進み、予測結果評価部１６は、予冷予熱時間を１段階（例えば１時間）増やすとともに、空調出力を最小値に設定する。その後、ステップＳ６２に戻り、予測結果評価部１６は新たに設定された予冷予熱時間・空調出力を熱負荷予測部１４に出力し、熱負荷予測部１４は熱負荷予測を行う。

ステップＳ６４で、空調出力が上限に達していなければ、ステップＳ６７に進み、予測結果評価部１６は、空調出力を１段階大きな値にする。その後、フローはステップＳ６２に戻る。

ステップＳ６３で、熱負荷のピーク値が閾値を超えており、且つ、予冷予熱時間が上限に達していないあるいは予冷予熱運転時の空調出力が上限に達していなければ、予冷予熱時間あるいは空調出力を増加させながら熱負荷予測が行われる（ステップＳ６２〜Ｓ６７）。ステップＳ６３で、予測された熱負荷のピーク値が閾値以下になると、フローは終了する。その後、予測結果評価部１６は、設備コントローラ６に対し、予冷予熱時間および空調出力を含む熱負荷予測を出力する。代わりにまたはこれとともに、予冷予熱時間および空調出力を含む熱負荷予測をモニタ等の表示手段を介して建物の管理者などに提供するようにしてもよい。ステップＳ６５で、予冷予熱時間が上限を超えている場合にも、フローを終了する。

このように、本実施形態によれば、予冷予熱時間に加えて、予冷予熱運転時の空調の出力を決定できるため、同じ予冷予熱時間であっても、ピークカットを可能とするできるだけ小さい空調出力を求めることができ、その結果、予冷予熱運転によるエネルギー消費をさらに抑制できる。

実施の形態４．
図７は、本発明に係る熱負荷予測装置の実施の形態４を備えた制御システムを示す。本実施形態に係る熱負荷予測装置４Ｂは、実施の形態１の構成に加えて熱負荷予測モデル学習部３０を備え、制御システム２Ｂが運用されることで実績データ記憶部１０Ｂに蓄積された実績データに基づいて、熱負荷予測モデル記憶部１８Ｂに記憶された熱負荷予測モデルの学習を行うようになっている。これは、熱負荷予測モデルのパラメータや重みを実績に合うように修正することで、熱負荷予測モデルの予測精度を向上させるためのものである。実績データ記憶部１０Ｂには、予冷予熱時間毎に実際の空調熱源設備８の熱負荷、外気気温、外気湿度が蓄積される。

熱負荷予測部１４の予測手法として上述したＰＬＭＳ法を用いる場合、熱負荷予測モデル学習部３０は、

を学習モデルとして用いる。ここで、ｅ_ｋ，ｔは予測誤差である。式（８）は予冷予熱時間の候補毎に与えられる。

学習の際、ｘ_{ｋ，ｔ，１}およびｘ_{ｋ，ｔ，２}には、実績データ記憶部１０Ｂに記憶された予冷予熱時間ｋで予冷予熱運転したときの各時刻ｔの外気温度、外気湿度の実績値を、ｙ_ｋ，ｔ、ｙ_{ｋ，ｔ−１}には、実績データ記憶部１０Ｂに記憶された予冷予熱時間ｋで予冷予熱運転したときの時刻ｔとｔ−１の熱負荷を式（８）に代入する。こうして得られた予測誤差ｅ_ｋ，ｔの２乗和を最小とするようなパラメータａ_{ｋ，ｔ，ｉ}（ｉ＝０，１，２）を各時刻ｔについて求める。こうして予冷予熱時間毎に各時刻のパラメータを求める。

予冷予熱時間と予冷予熱運転時の空調出力の両方を考慮する場合、実績データ記憶部１０Ｂには、予冷予熱時間および予冷予熱運転時の空調出力の組み合わせ毎に熱負荷、外気気温、外気湿度の実績データを蓄積する。熱負荷予測モデル学習部３０は、式（６）に対応した

を学習モデルとして用い、実績データ記憶部１０Ｂに蓄積されたデータを利用して、予冷予熱時間と空調出力の組み合わせ毎に各時刻のパラメータを求める。

代わりに、式（７）に対応した

を用いてもよい。但し、式（１０）のｘ_{ｋ，ｔ，３}には、空調停止時の時刻ｔでは０を代入し、空調運転時（通常運転の場合も含む）の時刻ｔでは常に予冷予熱運転時の空調出力（一定値）を、実績データ記憶部１０Ｂから得て代入する。

あるいは、代わりに、ニューラルネットワークモデルを用いてもよい。この場合、まず、実績データ記憶部１０Ｂに各予冷予熱時間に対応付けて実際の熱負荷、最高気温、最低気温を蓄積する。次に、図２のニューラルネットワークの入力層に、（ｎ−２）日の２２：００から（ｎ−１）日の２１：００までの熱負荷の実績データ、ｎ日の最高気温、最低気温の実績データ、ｎ日の予冷予熱時間の実績データを入力して、出力層から（ｎ−１）日の２２：００からｎ日の２１：００までの熱負荷の予測値を出力する。そして、これら予測値と（ｎ−１）日の２２：００からｎ日の２１：００までの熱負荷の実績データの差を予測誤差として求め、この予測誤差の２乗和を最小とするように、誤差逆伝搬法などを用いてニューロン間の重みを修正する。

本実施形態によれば、実績を熱負荷予測モデルに反映することにより、熱負荷予測の精度を向上させ、その結果、より的確な予冷予熱時間や予冷予熱運転時の空調出力値を得ることができる。

実施の形態５．
図８は、本発明に係る熱負荷予測装置の実施の形態５を備えた制御システムを示す。本実施形態に係る熱負荷予測装置４Ｃでは、実施の形態２と同様に固定データ記憶部２０Ｃおよび建物躯体の蓄熱負荷を考慮した物理モデルを記憶した熱負荷予測モデル記憶部１８Ｃを備えるとともに、実施の形態４と同様に熱負荷予測モデル学習部３０Ｃを備える。

熱負荷予測モデル学習部３０Ｃは、

を学習モデルとして用いる。ここで、ｅ_ｔは予測誤差である。

式（１１）は、パラメータのベクトルに関する式

実績データのベクトルに関する式

を用いて、

と表すことができる。

式（１３）の実績データベクトルφ_ｔの各成分は、等価外気温、室内温度、日射量、室内発生熱、外気導入量、室内外エンタルピー差である。これらのうち、直接測定できるものに関しては実績データ記憶部１０Ｃに予め記憶させておく。直接測定できない（計算により求める）ものに関しては、計算のもとになるデータを実績データ記憶部１０Ｃに記憶しておく。熱負荷予測モデル学習部３０Ｃは、この計算用のデータと、固定データ記憶部２０Ｃに記憶された固定データとに基づいて必要な計算を行う。

学習の際、熱負荷予測モデル学習部３０Ｃは、パラメータベクトルＡを、式（１４）に基づいて以下の式を逐次適用することにより推定する。

ここで、

である。

なお、次数Ｎｐ，Ｎｑ，Ｎｒに関しては、既に同定されたものを用いてもよいし、予測誤差ｅ_ｔの２乗和が最小となる値として算出してもよい。

本発明に係る熱負荷予測装置の実施の形態１を備えた、空調熱源設備の制御システムを示すブロック図。 図１の熱負荷予測モデル記憶部に記憶された熱負荷予測モデルの一例であるニューラルネットワークを示す図。 図１の熱負荷予測装置による予測処理の一例を示すフローチャート。 冷房運転をする場合、（ａ）はピークが閾値を超えた熱負荷の例を示すグラフ、（ｂ）は予冷を行ってピークを閾値以下にした熱負荷の例を示すグラフである。 本発明に係る熱負荷予測装置の実施の形態２を備えた、空調熱源設備の制御システムを示すブロック図。 本発明に係る熱負荷予測装置の実施の形態３による予測処理の一例を示すフローチャート。 本発明に係る熱負荷予測装置の実施の形態４を備えた、空調熱源設備の制御システムを示すブロック図。 本発明に係る熱負荷予測装置の実施の形態５を備えた、空調熱源設備の制御システムを示すブロック図。

符号の説明

４，４Ａ，４Ｂ，４Ｃ 熱負荷予測装置

Claims (5)

1. 建物に利用される空調熱源設備の対象時間帯の熱負荷を予測するための装置において、
   空調熱源設備の熱負荷、建物外部環境に関する情報、および／または建物内部環境に関する情報についての対象時間帯以前の実績データを記憶する実績データ記憶部と、
   建物外部環境に関する情報および／または建物内部環境に関する情報についての対象時間帯の予測データを取得する予測データ取得部と、
   熱負荷、建物外部環境に関する変数、および／または建物内部環境に関する変数で表現され複数の予冷または予熱時間候補それぞれに対応付けた熱負荷予測モデルを記憶する熱負荷予測モデル記憶部と、
   ある予冷または予熱時間候補に関して、実績データ記憶部に記憶された実績データ、予測データ取得部で取得した予測データ、および熱負荷予測モデル記憶部に記憶された熱負荷予測モデルに基づいて、対象時間帯の熱負荷を予測する熱負荷予測部と、
   を備え、
   熱負荷予測部は、第１の予冷または予熱時間候補で予測した熱負荷のピークが予め決められた閾値を超えていれば、第１の予冷または予熱時間候補よりも大きな第２の予冷または予熱時間候補で再度熱負荷予測を行うことを特徴とする熱負荷予測装置。
2. 建物に利用される空調熱源設備の対象時間帯の熱負荷を予測するための装置において、
   空調熱源設備の熱負荷、建物外部環境に関する情報、および／または建物内部環境に関する情報についての対象時間帯以前の実績データを記憶する実績データ記憶部と、
   建物外部環境に関する情報および／または建物内部環境に関する情報についての対象時間帯の予測データを取得する予測データ取得部と、
   熱負荷、建物外部環境に関する変数、および／または建物内部環境に関する変数で表現され、複数の予冷または予熱時間候補の一つと複数の予冷または予熱運転時の空調出力候補の一つとの組み合わせ毎に対応付けた熱負荷予測モデル、を記憶する熱負荷予測モデル記憶部と、
   ある予冷または予熱時間候補およびある空調出力候補に関して、実績データ記憶部に記憶された実績データ、予測データ取得部で取得した予測データ、および熱負荷予測モデル記憶部に記憶された熱負荷予測モデルに基づいて、対象時間帯の熱負荷を予測する熱負荷予測部と、
   を備え、
   熱負荷予測部は、第１の予冷または予熱時間候補および第１の空調出力候補に関して、実績データ記憶部に記憶された実績データ、予測データ取得部で取得した予測データ、および熱負荷予測モデル記憶部に記憶された熱負荷予測モデルに基づいて、対象時間帯の熱負荷を予測し、予測した熱負荷のピークが予め決められた閾値を超えていれば、第１の予冷または予熱時間候補および第１の空調出力候補よりも大きな第２の空調出力候補で再度熱負荷予測を行う、あるいは、第１の予冷または予熱時間候補よりも大きな第２の予冷または予熱時間候補および第１の空調出力候補よりも小さな第３の空調出力候補で再度熱負荷予測を行う、ことを特徴とする熱負荷予測装置。
3. 実績データ記憶部には、予冷または予熱時間毎に対象時間帯以前の実績データが記憶され、
   実績データ記憶部に記憶された対象時間帯以前の実績データを利用して熱負荷予測モデル記憶部に記憶された熱負荷予測モデルの学習を行う熱負荷予測モデル学習部をさらに備えることを特徴とする請求項１に記載の熱負荷予測装置。
4. 実績データ記憶部には、予冷または予熱時間および予冷または予熱運転時の空調出力毎に対象時間帯以前の実績データが記憶され、
   実績データ記憶部に記憶された対象時間帯以前の実績データを利用して熱負荷予測モデル記憶部に記憶された熱負荷予測モデルの学習を行う熱負荷予測モデル学習部をさらに備えることを特徴とする請求項２に記載の熱負荷予測装置。
5. 建物に利用される空調熱源設備の対象時間帯の熱負荷を予測するための方法において、
   空調熱源設備の熱負荷、建物外部環境に関する情報、および／または建物内部環境に関する情報についての対象時間帯以前の実績データを取得し、
   建物外部環境に関する情報および／または建物内部環境に関する情報についての対象時間帯の予測データを取得し、
   熱負荷、建物外部環境に関する変数、および／または建物内部環境に関する変数で表現され複数の予冷または予熱時間候補それぞれに対応付けた熱負荷予測モデルを用意し、
   第１の予冷または予熱時間候補に関して、実績データ、予測データ、および熱負荷予測モデルに基づいて、対象時間帯の熱負荷を予測し、
   第１の予冷または予熱時間候補に関して予測した熱負荷のピークが予め決められた閾値を超えていれば、第１の予冷または予熱時間候補よりも大きな第２の予冷または予熱時間候補で再度熱負荷を予測する、
   ことを特徴とする熱負荷予測方法。
   
   

Images