JP4461551B2 - 空調負荷予測方法およびその装置 - Google Patents
空調負荷予測方法およびその装置 Download PDFInfo
- Publication number
- JP4461551B2 JP4461551B2 JP2000043605A JP2000043605A JP4461551B2 JP 4461551 B2 JP4461551 B2 JP 4461551B2 JP 2000043605 A JP2000043605 A JP 2000043605A JP 2000043605 A JP2000043605 A JP 2000043605A JP 4461551 B2 JP4461551 B2 JP 4461551B2
- Authority
- JP
- Japan
- Prior art keywords
- air conditioning
- conditioning load
- prediction
- factor
- prediction candidate
- 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
Description
【０００１】
【発明の属する技術分野】
この発明は、蓄熱空調システムにおいて、所定の期間における所定の予測因子に基づいて翌日の空調負荷を予測するための方法およびその装置に関する。
【０００２】
【従来の技術】
従来から、電力需要が少ない時間帯に蓄熱運転を行って蓄熱槽に蓄熱し、電力需要が大きい時間帯に蓄熱槽からの放熱を行うことによって電力需要の平準化を達成するようにした蓄熱空調システムが提案されている。
【０００３】
このような蓄熱空調システムにおいては、蓄熱量が過剰にならないようにするとともに、不足しないようにすることが必要であるから、所定期間の予測因子を用いて翌日の空調負荷を予測し、予測空調負荷に応じた量の蓄熱を行うことが一般的に行われている。
【０００４】
具体的には、予測最高気温でモデル（相関式）を分類し、モデルを用いて空調負荷を予測する方法、および複数の物理量をデータベース化し、このデータベースを用いて季節を特定し、特定された季節に応じて空調負荷を予測する方法（特開平６−１３１３２３号公報参照）が提案されている。
【０００５】
【発明が解決しようとする課題】
予想最高気温でモデルを分類する方法を採用した場合には、季節を正確に特定できない可能性が高く、ひいては空調負荷の予測精度が低下してしまう可能性が高い。
【０００６】
さらに説明する。
【０００７】
空調負荷を予測するために最適な予測因子は季節に応じて変化することが知られている。したがって、使用する因子を固定すると空調負荷の予測精度が低下してしまうことになる。
【０００８】
また、季節に切り替わりは毎年変化し、同じではないので、予め予測因子を換える日を特定することができない。
【０００９】
この結果、季節の特定精度が低い場合には、モデルを換えるべきであるにも拘わらず、従前のモデルを用いて空調負荷の予測を行い、またはモデルを換えるべきでないにも拘わらず、モデルを換えて空調負荷の予測を行う可能性が高くなってしまい、ひいては空調負荷の予測精度が低下してしまうことになるという不都合がある。
【００１０】
複数の物理量をデータベース化し、このデータベースを用いて季節を特定し、特定された季節に応じて空調負荷を予測する方法を採用した場合には、１年間を通じてのデータを用いてデータベースを作成しておくことが必要であり、データベースを作成するために多大の労力が必要になるとともに、著しいコストアップを招いてしまうという不都合がある。
【００１１】
【発明の目的】
この発明は上記の問題点に鑑みてなされたものであり、少ないデータで最適な予測因子を選択して空調負荷を高精度に予測することができる空調負荷予測方法およびその装置を提供することを目的としている。
【００１２】
【課題を解決するための手段】
請求項１の空調負荷予測方法は、複数の予測候補因子を複数のグループに分類し、各グループ毎に空調負荷を予測するための複数の予測候補因子の中から、重回帰分析を行って最新の所定期間での最適な予測候補因子を選択して予測因子として採用し、最新の所定期間における採用した予測因子に基づいて空調負荷を予測し、各予測候補因子のデータの個数としてｋ個、ｋ＋δ個、ｋ−δ個の各々の場合で空調負荷の予測値を求め、その日の空調負荷予測値としてはｋ個の場合の予測値を採用し、その日の実積空調負荷値に対して、ｋ個の場合の予測値が最も近ければ、ｋは増減させず、ｋ＋δ個の場合の予測値が最も近ければ、ｋをδだけ増加させ、ｋ−δ個の場合の予測値が最も近ければ、ｋをδだけ減少させる方法である。
【００１３】
請求項２の空調負荷予測方法は、複数の予測候補因子を複数のグループに分類し、各グループ毎に空調負荷を予測するための複数の予測候補因子の中から、重回帰分析を行って最新の所定期間での最適な予測候補因子を選択して予測因子として採用し、最新の所定期間における採用した予測因子に基づいて空調負荷を予測し、各予測候補因子のデータの個数としてｋ個、ｋ＋δ個、ｋ−δ個の各々の場合で空調負荷の予測値を求め、その日の空調負荷予測値としてはｋ個の場合の予測値を採用し、その日の実積空調負荷値に対して、ｋ個の場合の予測値が最も近ければ、ｋは増減させず、ｋ＋δ個の場合の予測値が最も近ければ、ｋをδだけ増加させ、ｋ−δ個の場合の予測値が最も近ければ、ｋをδだけ減少させる方法である。
【００１５】
請求項３の空調負荷予測方法は、最新の所定期間を最適な所定期間に設定し、最適な所定期間における採用した予測因子に基づいて空調負荷を予測する方法である。
【００１６】
請求項４の空調負荷予測装置は、複数の予測候補因子を複数のグループに分類し、各グループ毎に空調負荷を予測するための複数の予測候補因子の中から、重回帰分析を行って最新の所定期間での最適な予測候補因子を選択して予測因子として採用する予測因子採用手段（３）（５）（１２）と、最新の所定期間における採用した予測因子に基づいて空調負荷を予測する空調負荷予測手段（４）（１５）とを含み、前記空調負荷予測手段は、各予測候補因子のデータの個数としてｋ個、ｋ＋δ個、ｋ−δ個の各々の場合で空調負荷の予測値を求め、その日の空調負荷予測値としてはｋ個の場合の予測値を採用し、その日の実積空調負荷値に対して、ｋ個の場合の予測値が最も近ければ、ｋは増減させず、ｋ＋δ個の場合の予測値が最も近ければ、ｋをδだけ増加させ、ｋ−δ個の場合の予測値が最も近ければ、ｋをδだけ減少させるものである。
【００１７】
請求項５の空調負荷予測装置は、複数の予測候補因子を複数のグループに分類し、各グループ毎に空調負荷を予測するための複数の予測候補因子の中から使用可能な予測候補因子を抽出し、抽出された予測候補因子の中から重回帰分析を行って最新の所定期間での最適な予測候補因子を選択して予測因子として採用する予測因子採用手段（３）（５）（１２）と、最新の所定期間における採用した予測因子に基づいて空調負荷を予測する空調負荷予測手段（４）（１５）とを含み、前記空調負荷予測手段は、各予測候補因子のデータの個数としてｋ個、ｋ＋δ個、ｋ−δ個の各々の場合で空調負荷の予測値を求め、その日の空調負荷予測値としてはｋ個の場合の予測値を採用し、その日の実積空調負荷値に対して、ｋ個の場合の予測値が最も近ければ、ｋは増減させず、ｋ＋δ個の場合の予測値が最も近ければ、ｋをδだけ増加させ、ｋ−δ個の場合の予測値が最も近ければ、ｋをδだけ減少させるものである。
【００１９】
請求項６の空調負荷予測装置は、最新の所定期間を最適な所定期間に設定する期間設定手段をさらに含み、前記空調負荷予測手段として、最適な所定期間における採用した予測因子に基づいて空調負荷を予測するものを採用するものである。
【００２０】
【作用】
請求項１および請求項２の空調負荷予測方法であれば、空調負荷を予測するための複数の予測候補因子の中から、重回帰分析を行って最新の所定期間での最適な予測候補因子を選択して予測因子として採用し、最新の所定期間における採用した予測因子に基づいて空調負荷を予測するのであるから、空調負荷の予測精度を高めることができる。
また各予測候補因子のデータの個数としてｋ個、ｋ＋δ個、ｋ−δ個の各々の場合で空調負荷の予測値を求め、その日の空調負荷予測値としてはｋ個の場合の予測値を採用し、その日の実積空調負荷値に対して、ｋ個の場合の予測値が最も近ければ、ｋは増減させず、ｋ＋δ個の場合の予測値が最も近ければ、ｋをδだけ増加させ、ｋ−δ個の場合の予測値が最も近ければ、ｋをδだけ減少させるので、各予測候補因子のデータの個数を季節に応じて最適な個数に更新できる。
【００２１】
更に請求項２の空調負荷予測方法は、空調負荷を予測するための複数の予測候補因子の中から使用可能な予測候補因子を抽出し、抽出された予測候補因子の中から最新の所定期間での最適な予測候補因子を選択して予測因子として採用するのであるから、センサなどの不具合により何れかの予測因子が使用できなくなったような場合に、使用可能な予測因子の中から最適な予測因子を選択することにより、空調負荷の予測の信頼性を高めることができる。
【００２２】
更に請求項１の空調負荷予測方法であれば、複数の予測候補因子を複数のグループに分類し、各グループ毎に空調負荷を予測するための複数の予測候補因子の中から、重回帰分析を行って最新の所定期間での最適な予測候補因子を選択して予測因子として採用するのであるから、互いに相関の高い因子の重複による精度の低下を避けることができ、空調負荷の予測精度を一層高めることができる。
更に請求項２の空調負荷予測方法であれば、複数の予測候補因子を複数のグループに分類し、各グループ毎に空調負荷を予測するための複数の予測候補因子の中から使用可能な予測候補因子を抽出し、抽出された予測候補因子の中から重回帰分析を行って最新の所定期間での最適な予測候補因子を選択して予測因子として採用するのであるから、互いに相関の高い因子の重複による精度の低下を避けることができ、空調負荷の予測精度を一層高めることができる。
【００２３】
請求項３の空調負荷予測方法であれば、最新の所定期間を最適な所定期間に設定し、最適な所定期間における採用した予測因子に基づいて空調負荷を予測するのであるから、空調負荷の予測精度を一層高めることができる。
【００２４】
請求項４および請求項５の空調負荷予測装置であれば、予測因子採用手段によって、空調負荷を予測するための複数の予測候補因子の中から、重回帰分析を行って最新の所定期間での最適な予測候補因子を選択して予測因子として採用し、空調負荷予測手段によって、最新の所定期間における採用した予測因子に基づいて空調負荷を予測することができる。
また空調負荷予測手段によって、各予測候補因子のデータの個数としてｋ個、ｋ＋δ個、ｋ−δ個の各々の場合で空調負荷の予測値を求め、その日の空調負荷予測値としてはｋ個の場合の予測値を採用し、その日の実積空調負荷値に対して、ｋ個の場合の予測値が最も近ければ、ｋは増減させず、ｋ＋δ個の場合の予測値が最も近ければ、ｋをδだけ増加させ、ｋ−δ個の場合の予測値が最も近ければ、ｋをδだけ減少させるので、各予測候補因子のデータの個数を季節に応じて最適な個数に更新できる。
【００２５】
したがって、空調負荷の予測精度を高めることができる。
【００２６】
更に請求項５の空調負荷予測装置であれば、前記予測因子採用手段として、空調負荷を予測するための複数の予測候補因子の中から使用可能な予測候補因子を抽出し、抽出された予測候補因子の中から最新の所定期間での最適な予測候補因子を選択して予測因子として採用するものを採用するのであるから、センサなどの不具合により何れかの予測因子が使用できなくなったような場合に、使用可能な予測因子の中から最適な予測因子を選択することにより、空調負荷の予測の信頼性を高めることができる。
【００２７】
更に請求項１の空調負荷予測装置であれば、前記予測因子採用手段として、複数の予測候補因子を複数のグループに分類し、各グループ毎に空調負荷を予測するための複数の予測候補因子の中から、重回帰分析を行って最新の所定期間での最適な予測候補因子を選択して予測因子として採用するものを採用するのであるから、互いに相関の高い因子の重複による精度の低下を避けることができ、空調負荷の予測精度を一層高めることができる。
更に請求項２の空調負荷予測装置であれば、前記予測因子採用手段として、複数の予測候補因子を複数のグループに分類し、各グループ毎に空調負荷を予測するための複数の予測候補因子の中から使用可能な予測候補因子を抽出し、抽出された予測候補因子の中から重回帰分析を行って最新の所定期間での最適な予測候補因子を選択して予測因子として採用するものを採用するのであるから、互いに相関の高い因子の重複による精度の低下を避けることができ、空調負荷の予測精度を一層高めることができる。
【００２８】
請求項６の空調負荷予測装置であれば、最新の所定期間を最適な所定期間に設定する期間設定手段をさらに含み、前記空調負荷予測手段として、最適な所定期間における採用した予測因子に基づいて空調負荷を予測するものを採用するのであるから、空調負荷の予測精度を一層高めることができる。
【００２９】
【発明の実施の形態】
以下、添付図面を参照して、この発明の空調負荷予測方法およびその装置の実施の態様を詳細に説明する。なお、以下の実施態様は、蓄熱空調システムに適用されるものとして説明している。
【００３０】
図１はこの発明の空調負荷予測装置の一実施態様を示すブロック図である。
【００３１】
この空調負荷予測装置は、複数個のセンサ１と、各センサ１からの出力信号（予測候補因子）を時系列的に保持する予測候補因子保持部２と、最適な予測候補因子を保持している予測候補因子保持部２を選択して予測因子とする選択部３と、選択された予測因子を入力としてニューラルネットワーク、カルマンフィルタなどの予測アルゴリズムを用いて翌日の空調負荷を予測する空調負荷予測部４とを有している。
【００３２】
前記センサ１としては、外気温度、建造物の躯体温度、室内温度、湿度、日照時間などを検出するものが例示できる。
【００３３】
前記選択部３は、例えば、重回帰分析を行って最適な予測候補因子を保持している予測候補因子保持部２を選択して予測因子とするものである。ここで、重回帰分析による予測因子の選択は、例えば、目的変数（日、時刻別空調負荷など）をｎ種の予測候補因子により表し、偏相関係数（大きいほど有為）、ＡＩＣ基準（有為な予測候補因子を抽出）、Ｆ値（有為な予測候補因子を抽出）などを用いて最適な予測候補因子を抽出することにより達成される。したがって、季節に応じて最適の予測候補因子を選択することができる。
【００３４】
前記偏相関係数を選択した場合には、ＰＲh＝−ｒhy／（ｒhh・ｒyy）1/2の演算を行ってｈ番目の予測候補因子についての偏相関係数ＰＲhを求める。そして、偏相関係数ＰＲhが大きい予測候補因子を選択する。ただし、ｒhh、ｒyy、ｒhyはＲzz＝［ｒij］の逆行列の（ｈ，ｈ）成分、（ｙ，ｙ）成分、（ｈ，ｙ）成分である。Ｒzzは、予測候補因子（ｎ個）と空調負荷予測値（ｙ番目とする）を一緒にした（ｎ＋１）個の変数間の相関係数行列である。ｒijはｉ番目とｊ番目の変数の相関係数である。
【００３５】
前記ＡＩＣ基準を採用した場合には、ΔＡＩＣ＝ｋ・ｌｏｇ［（１−Ｒh-1 2）／（１−Ｒh 2）］−２の演算を行ってｈ番目の予測候補因子についてのΔＡＩＣを求める。そして、ΔＡＩＣが負となる予測候補因子を選択する。ただし、Ｒhはｈ番目までの予測候補因子による重相関係数、ｋはデータ数である。
【００３６】
前記Ｆ値を採用した場合には、Ｆ０＝（ｋ−ｈ−１）（Ｒh 2−Ｒh-1 2）／（１−Ｒh 2）の演算を行ってＦ０を求め、Ｆ０≧Ｆｉｎならば該当する予測候補因子を含め、Ｆ０＜Ｆｏｕｔならば対当する予測候補因子を含めない。ただし、Ｒhはｈ番目までの予測候補因子による重相関係数、ｋはデータ数、Ｆｉｎ、Ｆｏｕｔは予め設定された定数、例えば、Ｆｉｎ＝Ｆｏｕｔ＝２に設定される。
【００３７】
前記空調負荷予測部４は、例えば、ニューラルネットワーク、カルマンフィルタなどを用いて将来の空調負荷を予測するものである。
【００３８】
図２はこの発明の空調負荷予測方法の一実施態様を説明するフローチャートである。
ステップＳＰ１において、各予測候補因子を時系列的に検出し、ステップＳＰ２において、重回帰分析を行って最適な予測候補因子を抽出し、ステップＳＰ３において、抽出された予測候補因子を予測因子として翌日の空調負荷を予測し、そのまま元の処理に戻る。
【００３９】
上記の何れかの実施態様を採用した場合には、季節などに応じて最適の予測候補因子を選択できるので、空調負荷の予測精度を高めることができる。
【００４０】
図３はこの発明の空調負荷予測装置の他の実施態様を示すブロック図である。
【００４１】
この空調負荷予測装置が図１の空調負荷予測装置と異なる点は、予測候補因子保持部２と選択部３との間に、正常な予測候補因子のみを選択部３に供給する正常因子抽出部５をさらに設けた点のみである。
【００４２】
前記正常因子抽出部５は、値が得られなかった因子、予想される上下限値を越える値を有する因子などを異常な予測候補因子であると認識し、これら以外の因子を正常な予測候補因子と認識して選択部３に供給するものである。
【００４３】
図４はこの発明の空調負荷予測方法の他の実施態様を説明するフローチャートである。
【００４４】
このフローチャートが図２のフローチャートと異なる点は、ステップＳＰ１とステップＳＰ２との間に、正常な予測候補因子のみを抽出するステップＳＰ１ａを設けた点のみである。
【００４５】
図３または図４の実施態様を採用した場合には、センサなどの異常により正常な値が得られなくなった予測候補因子が存在するような状態において、正常な値が得られる予測候補因子のみを抽出し、これらの中から最適の予測候補因子を選択することができる。この結果、空調負荷の予測の信頼性を高めることができる。
【００４６】
図５はこの発明の空調負荷予測装置のさらに他の実施態様を示すブロック図である。
【００４７】
この空調負荷予測装置は、複数の予測候補因子のそれぞれを保持する第１予測候補因子保持部１１と、複数の予測候補因子を入力として重回帰分析を行って有効な予測候補因子を抽出する重回帰分析部１２と、抽出された予測候補因子を表すデータを保持する第２予測候補因子保持部１３と、複数の予測候補因子の組み分けを行う組分け部１４と、組み分けされた予測候補因子を入力として所定の予測アルゴリズム（ニューラルネットワーク、カルマンフィルタなど）を用いて空調負荷の予測を行う予測モデル部１５と、予測された空調負荷を保持する第１予測空調負荷保持部１６と、第２予測候補因子保持部１３に保持されている予測候補因子を入力として何れかの第１予測空調負荷保持部１６を選択する選択部１７と、選択された予測空調負荷を最終的に選択された予測空調負荷として保持する第２予測空調負荷保持部１８とを有している。
【００４８】
前記組み分け部１４は、３種〜全種の予測候補因子を組として組み分けを行うものである。
【００４９】
この実施態様を採用した場合には、最適の予測候補因子の組み分けに基づく空調負荷の予測を行うことができ、互いに相関の高い因子の重複による精度の低下を避けることができ、空調負荷の予測精度を高めることができる。
【００５０】
図６はこの発明の空調負荷予測方法のさらに他の実施態様を説明するフローチャートである。
【００５１】
ステップＳＰ１において、予測候補因子の組み分けでモデル化を行い、ステップＳＰ２において、各モデル毎に予測アルゴリズムを用いて空調負荷を予測し、ステップＳＰ３において、重回帰分析を行って予測候補因子を抽出し、ステップＳＰ４において、抽出された予測候補因子に対応する空調負荷予測結果を選択し（ただし、重回帰分析の各手法毎に選択された予測候補因子に対応するモデルでの空調負荷予測結果を平均して予測空調負荷としてもよい）、そのまま元の処理に戻る。
【００５２】
ただし、２種以上の手法で抽出された予測候補因子に対応するモデルでの予測結果を採用してもよい。選択基準を３種〜全種としてもよい。
【００５３】
また、予測候補因子を内的因子、外的因子、建築物による因子に訳、各部類毎に、最も相関の高い因子のみを採用することも可能である。内的因子Ａｉとしては室内温度、室内湿度などが例示でき、外的因子Ｂｉとしては外気温度、外湿度などが例示でき、建築物による因子Ｃｉとしては躯体温度などが例示できる。
【００５４】
例えば、重回帰分析により抽出され、相関の高い順に、Ｂ２、Ａ２、Ｂ１、Ｃ３、Ｃ２、Ｂ３、Ａ１と並べられたとすると、Ａ２、Ｂ２、Ｃ３を予測因子として採用する。
【００５５】
上記の方法を採用することにより、各手法による抽出結果の違いが考慮され、信頼性が向上する。すなわち、複数手法の結果を平均することにより、予測が大きく外れることが回避される。さらに、異常な予測値を排除するためには、平均の際に最大値や最小値を除いたり、中央値を用いたりするることができる。
【００５６】
以上の各実施態様においては、各予測候補因子にｋ個のデータ（例えば、ｋ日分のデータ）が用いられている。
【００５７】
ただし、季節に応じて最適な個数が変化するので、以下の手順で個数を更新することが好ましい。
【００５８】
先ず、ｋ個、ｋ＋δ個、ｋ−δ個のデータで空調負荷の予測を行う。ただし、その日の空調負荷予測値としては個数をｋ個に設定した場合の予測値を採用する。
【００５９】
次いで、実績空調負荷値と比較してｋを増減する。すなわち、実空調負荷値が得られた段階で各個数での予測値の評価を行い、好ましい個数に移行する。例えば、ｋ個のデータによる予測結果が最も実績値に近ければ、ｋは増減させない。ただし、ｋ＋δ個のによる予測結果が最も実績値に近ければ、ｋを、例えば１だけ増加させる。逆に、ｋ−δ個のによる予測結果が最も実績値に近ければ、ｋを、例えば１だけ減少させる（ただし、ｋ＞予測候補因子数）。
【００６０】
また、δ（＞０）としては、例えば、δ＝１が採用される。
【００６１】
【発明の効果】
請求項１および請求項２の発明は、空調負荷の予測精度を高めることができるという特有の効果を奏する。また複数の予測候補因子の各々のデータの個数を季節に応じて最適な個数に更新できる。
【００６２】
更に請求項２の発明は、センサなどの不具合により何れかの予測因子が使用できなくなったような場合に、使用可能な予測因子の中から最適な予測因子を選択することにより、空調負荷の予測の信頼性を高めることができるという特有の効果を奏する。
【００６３】
更に請求項１および請求項２の発明は、互いに相関の高い因子の重複による精度の低下を避けることができ、空調負荷の予測精度を一層高めることができるという特有の効果を奏する。
【００６４】
請求項３の発明は、請求項１または請求項２の効果に加え、空調負荷の予測精度を一層高めることができるという特有の効果を奏する。
【００６５】
請求項４および請求項５の発明は、空調負荷の予測精度を高めることができるという特有の効果を奏する。また各予測候補因子のデータの個数を季節に応じて最適な個数に更新できる。
【００６６】
更に請求項５の発明は、センサなどの不具合により何れかの予測因子が使用できなくなったような場合に、使用可能な予測因子の中から最適な予測因子を選択することにより、空調負荷の予測の信頼性を高めることができるという特有の効果を奏する。
【００６７】
更に請求項４および請求項５の発明は、互いに相関の高い因子の重複による精度の低下を避けることができ、空調負荷の予測精度を一層高めることができるという特有の効果を奏する。
【００６８】
請求項６の発明は、請求項４または請求項５の効果に加え、空調負荷の予測精度を一層高めることができるという特有の効果を奏する。
【図面の簡単な説明】
【図１】この発明の空調負荷予測装置の一実施態様を示すブロック図である。
【図２】この発明の空調負荷予測方法の一実施態様を説明するフローチャートである。
【図３】この発明の空調負荷予測装置の他の実施態様を示すブロック図である。
【図４】この発明の空調負荷予測方法の他の実施態様を説明するフローチャートである。
【図５】この発明の空調負荷予測装置のさらに他の実施態様を示すブロック図である。
【図６】この発明の空調負荷予測方法のさらに他の実施態様を説明するフローチャートである。
【符号の説明】
３ 選択部 ４ 空調負荷予測部
５ 正常因子抽出部 １２ 重回帰分析部
１５ 予測モデル部
【発明の属する技術分野】
この発明は、蓄熱空調システムにおいて、所定の期間における所定の予測因子に基づいて翌日の空調負荷を予測するための方法およびその装置に関する。
【０００２】
【従来の技術】
従来から、電力需要が少ない時間帯に蓄熱運転を行って蓄熱槽に蓄熱し、電力需要が大きい時間帯に蓄熱槽からの放熱を行うことによって電力需要の平準化を達成するようにした蓄熱空調システムが提案されている。
【０００３】
このような蓄熱空調システムにおいては、蓄熱量が過剰にならないようにするとともに、不足しないようにすることが必要であるから、所定期間の予測因子を用いて翌日の空調負荷を予測し、予測空調負荷に応じた量の蓄熱を行うことが一般的に行われている。
【０００４】
具体的には、予測最高気温でモデル（相関式）を分類し、モデルを用いて空調負荷を予測する方法、および複数の物理量をデータベース化し、このデータベースを用いて季節を特定し、特定された季節に応じて空調負荷を予測する方法（特開平６−１３１３２３号公報参照）が提案されている。
【０００５】
【発明が解決しようとする課題】
予想最高気温でモデルを分類する方法を採用した場合には、季節を正確に特定できない可能性が高く、ひいては空調負荷の予測精度が低下してしまう可能性が高い。
【０００６】
さらに説明する。
【０００７】
空調負荷を予測するために最適な予測因子は季節に応じて変化することが知られている。したがって、使用する因子を固定すると空調負荷の予測精度が低下してしまうことになる。
【０００８】
また、季節に切り替わりは毎年変化し、同じではないので、予め予測因子を換える日を特定することができない。
【０００９】
この結果、季節の特定精度が低い場合には、モデルを換えるべきであるにも拘わらず、従前のモデルを用いて空調負荷の予測を行い、またはモデルを換えるべきでないにも拘わらず、モデルを換えて空調負荷の予測を行う可能性が高くなってしまい、ひいては空調負荷の予測精度が低下してしまうことになるという不都合がある。
【００１０】
複数の物理量をデータベース化し、このデータベースを用いて季節を特定し、特定された季節に応じて空調負荷を予測する方法を採用した場合には、１年間を通じてのデータを用いてデータベースを作成しておくことが必要であり、データベースを作成するために多大の労力が必要になるとともに、著しいコストアップを招いてしまうという不都合がある。
【００１１】
【発明の目的】
この発明は上記の問題点に鑑みてなされたものであり、少ないデータで最適な予測因子を選択して空調負荷を高精度に予測することができる空調負荷予測方法およびその装置を提供することを目的としている。
【００１２】
【課題を解決するための手段】
請求項１の空調負荷予測方法は、複数の予測候補因子を複数のグループに分類し、各グループ毎に空調負荷を予測するための複数の予測候補因子の中から、重回帰分析を行って最新の所定期間での最適な予測候補因子を選択して予測因子として採用し、最新の所定期間における採用した予測因子に基づいて空調負荷を予測し、各予測候補因子のデータの個数としてｋ個、ｋ＋δ個、ｋ−δ個の各々の場合で空調負荷の予測値を求め、その日の空調負荷予測値としてはｋ個の場合の予測値を採用し、その日の実積空調負荷値に対して、ｋ個の場合の予測値が最も近ければ、ｋは増減させず、ｋ＋δ個の場合の予測値が最も近ければ、ｋをδだけ増加させ、ｋ−δ個の場合の予測値が最も近ければ、ｋをδだけ減少させる方法である。
【００１３】
請求項２の空調負荷予測方法は、複数の予測候補因子を複数のグループに分類し、各グループ毎に空調負荷を予測するための複数の予測候補因子の中から、重回帰分析を行って最新の所定期間での最適な予測候補因子を選択して予測因子として採用し、最新の所定期間における採用した予測因子に基づいて空調負荷を予測し、各予測候補因子のデータの個数としてｋ個、ｋ＋δ個、ｋ−δ個の各々の場合で空調負荷の予測値を求め、その日の空調負荷予測値としてはｋ個の場合の予測値を採用し、その日の実積空調負荷値に対して、ｋ個の場合の予測値が最も近ければ、ｋは増減させず、ｋ＋δ個の場合の予測値が最も近ければ、ｋをδだけ増加させ、ｋ−δ個の場合の予測値が最も近ければ、ｋをδだけ減少させる方法である。
【００１５】
請求項３の空調負荷予測方法は、最新の所定期間を最適な所定期間に設定し、最適な所定期間における採用した予測因子に基づいて空調負荷を予測する方法である。
【００１６】
請求項４の空調負荷予測装置は、複数の予測候補因子を複数のグループに分類し、各グループ毎に空調負荷を予測するための複数の予測候補因子の中から、重回帰分析を行って最新の所定期間での最適な予測候補因子を選択して予測因子として採用する予測因子採用手段（３）（５）（１２）と、最新の所定期間における採用した予測因子に基づいて空調負荷を予測する空調負荷予測手段（４）（１５）とを含み、前記空調負荷予測手段は、各予測候補因子のデータの個数としてｋ個、ｋ＋δ個、ｋ−δ個の各々の場合で空調負荷の予測値を求め、その日の空調負荷予測値としてはｋ個の場合の予測値を採用し、その日の実積空調負荷値に対して、ｋ個の場合の予測値が最も近ければ、ｋは増減させず、ｋ＋δ個の場合の予測値が最も近ければ、ｋをδだけ増加させ、ｋ−δ個の場合の予測値が最も近ければ、ｋをδだけ減少させるものである。
【００１７】
請求項５の空調負荷予測装置は、複数の予測候補因子を複数のグループに分類し、各グループ毎に空調負荷を予測するための複数の予測候補因子の中から使用可能な予測候補因子を抽出し、抽出された予測候補因子の中から重回帰分析を行って最新の所定期間での最適な予測候補因子を選択して予測因子として採用する予測因子採用手段（３）（５）（１２）と、最新の所定期間における採用した予測因子に基づいて空調負荷を予測する空調負荷予測手段（４）（１５）とを含み、前記空調負荷予測手段は、各予測候補因子のデータの個数としてｋ個、ｋ＋δ個、ｋ−δ個の各々の場合で空調負荷の予測値を求め、その日の空調負荷予測値としてはｋ個の場合の予測値を採用し、その日の実積空調負荷値に対して、ｋ個の場合の予測値が最も近ければ、ｋは増減させず、ｋ＋δ個の場合の予測値が最も近ければ、ｋをδだけ増加させ、ｋ−δ個の場合の予測値が最も近ければ、ｋをδだけ減少させるものである。
【００１９】
請求項６の空調負荷予測装置は、最新の所定期間を最適な所定期間に設定する期間設定手段をさらに含み、前記空調負荷予測手段として、最適な所定期間における採用した予測因子に基づいて空調負荷を予測するものを採用するものである。
【００２０】
【作用】
請求項１および請求項２の空調負荷予測方法であれば、空調負荷を予測するための複数の予測候補因子の中から、重回帰分析を行って最新の所定期間での最適な予測候補因子を選択して予測因子として採用し、最新の所定期間における採用した予測因子に基づいて空調負荷を予測するのであるから、空調負荷の予測精度を高めることができる。
また各予測候補因子のデータの個数としてｋ個、ｋ＋δ個、ｋ−δ個の各々の場合で空調負荷の予測値を求め、その日の空調負荷予測値としてはｋ個の場合の予測値を採用し、その日の実積空調負荷値に対して、ｋ個の場合の予測値が最も近ければ、ｋは増減させず、ｋ＋δ個の場合の予測値が最も近ければ、ｋをδだけ増加させ、ｋ−δ個の場合の予測値が最も近ければ、ｋをδだけ減少させるので、各予測候補因子のデータの個数を季節に応じて最適な個数に更新できる。
【００２１】
更に請求項２の空調負荷予測方法は、空調負荷を予測するための複数の予測候補因子の中から使用可能な予測候補因子を抽出し、抽出された予測候補因子の中から最新の所定期間での最適な予測候補因子を選択して予測因子として採用するのであるから、センサなどの不具合により何れかの予測因子が使用できなくなったような場合に、使用可能な予測因子の中から最適な予測因子を選択することにより、空調負荷の予測の信頼性を高めることができる。
【００２２】
更に請求項１の空調負荷予測方法であれば、複数の予測候補因子を複数のグループに分類し、各グループ毎に空調負荷を予測するための複数の予測候補因子の中から、重回帰分析を行って最新の所定期間での最適な予測候補因子を選択して予測因子として採用するのであるから、互いに相関の高い因子の重複による精度の低下を避けることができ、空調負荷の予測精度を一層高めることができる。
更に請求項２の空調負荷予測方法であれば、複数の予測候補因子を複数のグループに分類し、各グループ毎に空調負荷を予測するための複数の予測候補因子の中から使用可能な予測候補因子を抽出し、抽出された予測候補因子の中から重回帰分析を行って最新の所定期間での最適な予測候補因子を選択して予測因子として採用するのであるから、互いに相関の高い因子の重複による精度の低下を避けることができ、空調負荷の予測精度を一層高めることができる。
【００２３】
請求項３の空調負荷予測方法であれば、最新の所定期間を最適な所定期間に設定し、最適な所定期間における採用した予測因子に基づいて空調負荷を予測するのであるから、空調負荷の予測精度を一層高めることができる。
【００２４】
請求項４および請求項５の空調負荷予測装置であれば、予測因子採用手段によって、空調負荷を予測するための複数の予測候補因子の中から、重回帰分析を行って最新の所定期間での最適な予測候補因子を選択して予測因子として採用し、空調負荷予測手段によって、最新の所定期間における採用した予測因子に基づいて空調負荷を予測することができる。
また空調負荷予測手段によって、各予測候補因子のデータの個数としてｋ個、ｋ＋δ個、ｋ−δ個の各々の場合で空調負荷の予測値を求め、その日の空調負荷予測値としてはｋ個の場合の予測値を採用し、その日の実積空調負荷値に対して、ｋ個の場合の予測値が最も近ければ、ｋは増減させず、ｋ＋δ個の場合の予測値が最も近ければ、ｋをδだけ増加させ、ｋ−δ個の場合の予測値が最も近ければ、ｋをδだけ減少させるので、各予測候補因子のデータの個数を季節に応じて最適な個数に更新できる。
【００２５】
したがって、空調負荷の予測精度を高めることができる。
【００２６】
更に請求項５の空調負荷予測装置であれば、前記予測因子採用手段として、空調負荷を予測するための複数の予測候補因子の中から使用可能な予測候補因子を抽出し、抽出された予測候補因子の中から最新の所定期間での最適な予測候補因子を選択して予測因子として採用するものを採用するのであるから、センサなどの不具合により何れかの予測因子が使用できなくなったような場合に、使用可能な予測因子の中から最適な予測因子を選択することにより、空調負荷の予測の信頼性を高めることができる。
【００２７】
更に請求項１の空調負荷予測装置であれば、前記予測因子採用手段として、複数の予測候補因子を複数のグループに分類し、各グループ毎に空調負荷を予測するための複数の予測候補因子の中から、重回帰分析を行って最新の所定期間での最適な予測候補因子を選択して予測因子として採用するものを採用するのであるから、互いに相関の高い因子の重複による精度の低下を避けることができ、空調負荷の予測精度を一層高めることができる。
更に請求項２の空調負荷予測装置であれば、前記予測因子採用手段として、複数の予測候補因子を複数のグループに分類し、各グループ毎に空調負荷を予測するための複数の予測候補因子の中から使用可能な予測候補因子を抽出し、抽出された予測候補因子の中から重回帰分析を行って最新の所定期間での最適な予測候補因子を選択して予測因子として採用するものを採用するのであるから、互いに相関の高い因子の重複による精度の低下を避けることができ、空調負荷の予測精度を一層高めることができる。
【００２８】
請求項６の空調負荷予測装置であれば、最新の所定期間を最適な所定期間に設定する期間設定手段をさらに含み、前記空調負荷予測手段として、最適な所定期間における採用した予測因子に基づいて空調負荷を予測するものを採用するのであるから、空調負荷の予測精度を一層高めることができる。
【００２９】
【発明の実施の形態】
以下、添付図面を参照して、この発明の空調負荷予測方法およびその装置の実施の態様を詳細に説明する。なお、以下の実施態様は、蓄熱空調システムに適用されるものとして説明している。
【００３０】
図１はこの発明の空調負荷予測装置の一実施態様を示すブロック図である。
【００３１】
この空調負荷予測装置は、複数個のセンサ１と、各センサ１からの出力信号（予測候補因子）を時系列的に保持する予測候補因子保持部２と、最適な予測候補因子を保持している予測候補因子保持部２を選択して予測因子とする選択部３と、選択された予測因子を入力としてニューラルネットワーク、カルマンフィルタなどの予測アルゴリズムを用いて翌日の空調負荷を予測する空調負荷予測部４とを有している。
【００３２】
前記センサ１としては、外気温度、建造物の躯体温度、室内温度、湿度、日照時間などを検出するものが例示できる。
【００３３】
前記選択部３は、例えば、重回帰分析を行って最適な予測候補因子を保持している予測候補因子保持部２を選択して予測因子とするものである。ここで、重回帰分析による予測因子の選択は、例えば、目的変数（日、時刻別空調負荷など）をｎ種の予測候補因子により表し、偏相関係数（大きいほど有為）、ＡＩＣ基準（有為な予測候補因子を抽出）、Ｆ値（有為な予測候補因子を抽出）などを用いて最適な予測候補因子を抽出することにより達成される。したがって、季節に応じて最適の予測候補因子を選択することができる。
【００３４】
前記偏相関係数を選択した場合には、ＰＲh＝−ｒhy／（ｒhh・ｒyy）1/2の演算を行ってｈ番目の予測候補因子についての偏相関係数ＰＲhを求める。そして、偏相関係数ＰＲhが大きい予測候補因子を選択する。ただし、ｒhh、ｒyy、ｒhyはＲzz＝［ｒij］の逆行列の（ｈ，ｈ）成分、（ｙ，ｙ）成分、（ｈ，ｙ）成分である。Ｒzzは、予測候補因子（ｎ個）と空調負荷予測値（ｙ番目とする）を一緒にした（ｎ＋１）個の変数間の相関係数行列である。ｒijはｉ番目とｊ番目の変数の相関係数である。
【００３５】
前記ＡＩＣ基準を採用した場合には、ΔＡＩＣ＝ｋ・ｌｏｇ［（１−Ｒh-1 2）／（１−Ｒh 2）］−２の演算を行ってｈ番目の予測候補因子についてのΔＡＩＣを求める。そして、ΔＡＩＣが負となる予測候補因子を選択する。ただし、Ｒhはｈ番目までの予測候補因子による重相関係数、ｋはデータ数である。
【００３６】
前記Ｆ値を採用した場合には、Ｆ０＝（ｋ−ｈ−１）（Ｒh 2−Ｒh-1 2）／（１−Ｒh 2）の演算を行ってＦ０を求め、Ｆ０≧Ｆｉｎならば該当する予測候補因子を含め、Ｆ０＜Ｆｏｕｔならば対当する予測候補因子を含めない。ただし、Ｒhはｈ番目までの予測候補因子による重相関係数、ｋはデータ数、Ｆｉｎ、Ｆｏｕｔは予め設定された定数、例えば、Ｆｉｎ＝Ｆｏｕｔ＝２に設定される。
【００３７】
前記空調負荷予測部４は、例えば、ニューラルネットワーク、カルマンフィルタなどを用いて将来の空調負荷を予測するものである。
【００３８】
図２はこの発明の空調負荷予測方法の一実施態様を説明するフローチャートである。
ステップＳＰ１において、各予測候補因子を時系列的に検出し、ステップＳＰ２において、重回帰分析を行って最適な予測候補因子を抽出し、ステップＳＰ３において、抽出された予測候補因子を予測因子として翌日の空調負荷を予測し、そのまま元の処理に戻る。
【００３９】
上記の何れかの実施態様を採用した場合には、季節などに応じて最適の予測候補因子を選択できるので、空調負荷の予測精度を高めることができる。
【００４０】
図３はこの発明の空調負荷予測装置の他の実施態様を示すブロック図である。
【００４１】
この空調負荷予測装置が図１の空調負荷予測装置と異なる点は、予測候補因子保持部２と選択部３との間に、正常な予測候補因子のみを選択部３に供給する正常因子抽出部５をさらに設けた点のみである。
【００４２】
前記正常因子抽出部５は、値が得られなかった因子、予想される上下限値を越える値を有する因子などを異常な予測候補因子であると認識し、これら以外の因子を正常な予測候補因子と認識して選択部３に供給するものである。
【００４３】
図４はこの発明の空調負荷予測方法の他の実施態様を説明するフローチャートである。
【００４４】
このフローチャートが図２のフローチャートと異なる点は、ステップＳＰ１とステップＳＰ２との間に、正常な予測候補因子のみを抽出するステップＳＰ１ａを設けた点のみである。
【００４５】
図３または図４の実施態様を採用した場合には、センサなどの異常により正常な値が得られなくなった予測候補因子が存在するような状態において、正常な値が得られる予測候補因子のみを抽出し、これらの中から最適の予測候補因子を選択することができる。この結果、空調負荷の予測の信頼性を高めることができる。
【００４６】
図５はこの発明の空調負荷予測装置のさらに他の実施態様を示すブロック図である。
【００４７】
この空調負荷予測装置は、複数の予測候補因子のそれぞれを保持する第１予測候補因子保持部１１と、複数の予測候補因子を入力として重回帰分析を行って有効な予測候補因子を抽出する重回帰分析部１２と、抽出された予測候補因子を表すデータを保持する第２予測候補因子保持部１３と、複数の予測候補因子の組み分けを行う組分け部１４と、組み分けされた予測候補因子を入力として所定の予測アルゴリズム（ニューラルネットワーク、カルマンフィルタなど）を用いて空調負荷の予測を行う予測モデル部１５と、予測された空調負荷を保持する第１予測空調負荷保持部１６と、第２予測候補因子保持部１３に保持されている予測候補因子を入力として何れかの第１予測空調負荷保持部１６を選択する選択部１７と、選択された予測空調負荷を最終的に選択された予測空調負荷として保持する第２予測空調負荷保持部１８とを有している。
【００４８】
前記組み分け部１４は、３種〜全種の予測候補因子を組として組み分けを行うものである。
【００４９】
この実施態様を採用した場合には、最適の予測候補因子の組み分けに基づく空調負荷の予測を行うことができ、互いに相関の高い因子の重複による精度の低下を避けることができ、空調負荷の予測精度を高めることができる。
【００５０】
図６はこの発明の空調負荷予測方法のさらに他の実施態様を説明するフローチャートである。
【００５１】
ステップＳＰ１において、予測候補因子の組み分けでモデル化を行い、ステップＳＰ２において、各モデル毎に予測アルゴリズムを用いて空調負荷を予測し、ステップＳＰ３において、重回帰分析を行って予測候補因子を抽出し、ステップＳＰ４において、抽出された予測候補因子に対応する空調負荷予測結果を選択し（ただし、重回帰分析の各手法毎に選択された予測候補因子に対応するモデルでの空調負荷予測結果を平均して予測空調負荷としてもよい）、そのまま元の処理に戻る。
【００５２】
ただし、２種以上の手法で抽出された予測候補因子に対応するモデルでの予測結果を採用してもよい。選択基準を３種〜全種としてもよい。
【００５３】
また、予測候補因子を内的因子、外的因子、建築物による因子に訳、各部類毎に、最も相関の高い因子のみを採用することも可能である。内的因子Ａｉとしては室内温度、室内湿度などが例示でき、外的因子Ｂｉとしては外気温度、外湿度などが例示でき、建築物による因子Ｃｉとしては躯体温度などが例示できる。
【００５４】
例えば、重回帰分析により抽出され、相関の高い順に、Ｂ２、Ａ２、Ｂ１、Ｃ３、Ｃ２、Ｂ３、Ａ１と並べられたとすると、Ａ２、Ｂ２、Ｃ３を予測因子として採用する。
【００５５】
上記の方法を採用することにより、各手法による抽出結果の違いが考慮され、信頼性が向上する。すなわち、複数手法の結果を平均することにより、予測が大きく外れることが回避される。さらに、異常な予測値を排除するためには、平均の際に最大値や最小値を除いたり、中央値を用いたりするることができる。
【００５６】
以上の各実施態様においては、各予測候補因子にｋ個のデータ（例えば、ｋ日分のデータ）が用いられている。
【００５７】
ただし、季節に応じて最適な個数が変化するので、以下の手順で個数を更新することが好ましい。
【００５８】
先ず、ｋ個、ｋ＋δ個、ｋ−δ個のデータで空調負荷の予測を行う。ただし、その日の空調負荷予測値としては個数をｋ個に設定した場合の予測値を採用する。
【００５９】
次いで、実績空調負荷値と比較してｋを増減する。すなわち、実空調負荷値が得られた段階で各個数での予測値の評価を行い、好ましい個数に移行する。例えば、ｋ個のデータによる予測結果が最も実績値に近ければ、ｋは増減させない。ただし、ｋ＋δ個のによる予測結果が最も実績値に近ければ、ｋを、例えば１だけ増加させる。逆に、ｋ−δ個のによる予測結果が最も実績値に近ければ、ｋを、例えば１だけ減少させる（ただし、ｋ＞予測候補因子数）。
【００６０】
また、δ（＞０）としては、例えば、δ＝１が採用される。
【００６１】
【発明の効果】
請求項１および請求項２の発明は、空調負荷の予測精度を高めることができるという特有の効果を奏する。また複数の予測候補因子の各々のデータの個数を季節に応じて最適な個数に更新できる。
【００６２】
更に請求項２の発明は、センサなどの不具合により何れかの予測因子が使用できなくなったような場合に、使用可能な予測因子の中から最適な予測因子を選択することにより、空調負荷の予測の信頼性を高めることができるという特有の効果を奏する。
【００６３】
更に請求項１および請求項２の発明は、互いに相関の高い因子の重複による精度の低下を避けることができ、空調負荷の予測精度を一層高めることができるという特有の効果を奏する。
【００６４】
請求項３の発明は、請求項１または請求項２の効果に加え、空調負荷の予測精度を一層高めることができるという特有の効果を奏する。
【００６５】
請求項４および請求項５の発明は、空調負荷の予測精度を高めることができるという特有の効果を奏する。また各予測候補因子のデータの個数を季節に応じて最適な個数に更新できる。
【００６６】
更に請求項５の発明は、センサなどの不具合により何れかの予測因子が使用できなくなったような場合に、使用可能な予測因子の中から最適な予測因子を選択することにより、空調負荷の予測の信頼性を高めることができるという特有の効果を奏する。
【００６７】
更に請求項４および請求項５の発明は、互いに相関の高い因子の重複による精度の低下を避けることができ、空調負荷の予測精度を一層高めることができるという特有の効果を奏する。
【００６８】
請求項６の発明は、請求項４または請求項５の効果に加え、空調負荷の予測精度を一層高めることができるという特有の効果を奏する。
【図面の簡単な説明】
【図１】この発明の空調負荷予測装置の一実施態様を示すブロック図である。
【図２】この発明の空調負荷予測方法の一実施態様を説明するフローチャートである。
【図３】この発明の空調負荷予測装置の他の実施態様を示すブロック図である。
【図４】この発明の空調負荷予測方法の他の実施態様を説明するフローチャートである。
【図５】この発明の空調負荷予測装置のさらに他の実施態様を示すブロック図である。
【図６】この発明の空調負荷予測方法のさらに他の実施態様を説明するフローチャートである。
【符号の説明】
３ 選択部 ４ 空調負荷予測部
５ 正常因子抽出部 １２ 重回帰分析部
１５ 予測モデル部
Claims (6)
- 複数の予測候補因子を複数のグループに分類し、各グループ毎に空調負荷を予測するための複数の予測候補因子の中から、重回帰分析を行って最新の所定期間での最適な予測候補因子を選択して予測因子として採用し、最新の所定期間における採用した予測因子に基づいて空調負荷を予測し、
各予測候補因子のデータの個数としてｋ個、ｋ＋δ個、ｋ−δ個の各々の場合で空調負荷の予測値を求め、その日の空調負荷予測値としてはｋ個の場合の予測値を採用し、その日の実積空調負荷値に対して、ｋ個の場合の予測値が最も近ければ、ｋは増減させず、ｋ＋δ個の場合の予測値が最も近ければ、ｋをδだけ増加させ、ｋ−δ個の場合の予測値が最も近ければ、ｋをδだけ減少させることを特徴とする空調負荷予測方法。 - 複数の予測候補因子を複数のグループに分類し、各グループ毎に空調負荷を予測するための複数の予測候補因子の中から使用可能な予測候補因子を抽出し、抽出された予測候補因子の中から重回帰分析を行って最新の所定期間での最適な予測候補因子を選択して予測因子として採用し、最新の所定期間における採用した予測因子に基づいて空調負荷を予測し、
各予測候補因子のデータの個数としてｋ個、ｋ＋δ個、ｋ−δ個の各々の場合で空調負荷の予測値を求め、その日の空調負荷予測値としてはｋ個の場合の予測値を採用し、その日の実積空調負荷値に対して、ｋ個の場合の予測値が最も近ければ、ｋは増減させず、ｋ＋δ個の場合の予測値が最も近ければ、ｋをδだけ増加させ、ｋ−δ個の場合の予測値が最も近ければ、ｋをδだけ減少させることを特徴とする空調負荷予測方法。 - 最新の所定期間を最適な所定期間に設定し、最適な所定期間における採用した予測因子に基づいて空調負荷を予測する請求項１または請求項２に記載の空調負荷予測方法。
- 複数の予測候補因子を複数のグループに分類し、各グループ毎に空調負荷を予測するための複数の予測候補因子の中から、重回帰分析を行って最新の所定期間での最適な予測候補因子を選択して予測因子として採用する予測因子採用手段（３）（５）（１２）と、最新の所定期間における採用した予測因子に基づいて空調負荷を予測する空調負荷予測手段（４）（１５）とを含み、
前記空調負荷予測手段は、
各予測候補因子のデータの個数としてｋ個、ｋ＋δ個、ｋ−δ個の各々の場合で空調負荷の予測値を求め、その日の空調負荷予測値としてはｋ個の場合の予測値を採用し、その日の実積空調負荷値に対して、ｋ個の場合の予測値が最も近ければ、ｋは増減させず、ｋ＋δ個の場合の予測値が最も近ければ、ｋをδだけ増加させ、ｋ−δ個の場合の予測値が最も近ければ、ｋをδだけ減少させることを特徴とする空調負荷予測装置。 - 複数の予測候補因子を複数のグループに分類し、各グループ毎に空調負荷を予測するための複数の予測候補因子の中から使用可能な予測候補因子を抽出し、抽出された予測候補因子の中から重回帰分析を行って最新の所定期間での最適な予測候補因子を選択して予測因子として採用する予測因子採用手段（３）（５）（１２）と、最新の所定期間における採用した予測因子に基づいて空調負荷を予測する空調負荷予測手段（４）（１５）とを含み、
前記空調負荷予測手段は、
各予測候補因子のデータの個数としてｋ個、ｋ＋δ個、ｋ−δ個の各々の場合で空調負荷の予測値を求め、その日の空調負荷予測値としてはｋ個の場合の予測値を採用し、その日の実積空調負荷値に対して、ｋ個の場合の予測値が最も近ければ、ｋは増減させず、ｋ＋δ個の場合の予測値が最も近ければ、ｋをδだけ増加させ、ｋ−δ個の場合の予測値が最も近ければ、ｋをδだけ減少させることを特徴とする空調負荷予測装置。 - 最新の所定期間を最適な所定期間に設定する期間設定手段をさらに含み、前記空調負荷予測手段（４）（１５）は、最適な所定期間における採用した予測因子に基づいて空調負荷を予測するものである請求項４または請求項５に記載の空調負荷予測装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2000043605A JP4461551B2 (ja) | 2000-02-16 | 2000-02-16 | 空調負荷予測方法およびその装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2000043605A JP4461551B2 (ja) | 2000-02-16 | 2000-02-16 | 空調負荷予測方法およびその装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2001227792A JP2001227792A (ja) | 2001-08-24 |
| JP4461551B2 true JP4461551B2 (ja) | 2010-05-12 |
Family
ID=18566497
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2000043605A Expired - Fee Related JP4461551B2 (ja) | 2000-02-16 | 2000-02-16 | 空調負荷予測方法およびその装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP4461551B2 (ja) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6160945B2 (ja) * | 2013-01-11 | 2017-07-12 | パナソニックＩｐマネジメント株式会社 | 室温推定装置、プログラム |
| JP6085508B2 (ja) * | 2013-03-28 | 2017-02-22 | 株式会社富士通アドバンストエンジニアリング | 空調設定温度算出装置、空調設定温度算出プログラム、及び空調設定温度算出方法 |
| WO2016009506A1 (ja) * | 2014-07-16 | 2016-01-21 | 三菱電機株式会社 | 空調制御装置、空調制御方法、および、プログラム |
| JP6926472B2 (ja) * | 2016-12-27 | 2021-08-25 | 株式会社ジェイテクト | 解析装置および解析システム |
| CN110701732B (zh) * | 2019-12-10 | 2020-06-16 | 南昌掘策数据服务有限公司 | 能耗数据分析方法、系统及中央空调的节能方法和系统 |
| CN111967655A (zh) * | 2020-07-28 | 2020-11-20 | 中国南方电网有限责任公司 | 一种短期负荷预测方法及系统 |
| JP7348538B2 (ja) * | 2021-09-08 | 2023-09-21 | ダイキン工業株式会社 | 診断システム、診断方法、診断プログラム、及び、空気調和機 |
-
2000
- 2000-02-16 JP JP2000043605A patent/JP4461551B2/ja not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| JP2001227792A (ja) | 2001-08-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ben-Nakhi et al. | Energy conservation in buildings through efficient A/C control using neural networks | |
| JP7082461B2 (ja) | 故障予知方法、故障予知装置および故障予知プログラム | |
| JP7053180B2 (ja) | 情報処理装置、情報処理方法、プログラム、及び情報処理システム | |
| GB2535769A (en) | Method and apparatus for controlling an environment management system within a building | |
| US20050192915A1 (en) | System and method for predicting building thermal loads | |
| JP7279445B2 (ja) | 予測方法、予測プログラムおよび情報処理装置 | |
| CN110715401B (zh) | 空调设备的化霜控制方法、装置、介质及空调设备 | |
| CN110458340B (zh) | 基于模式分类的建筑空调冷负荷自回归预测方法 | |
| JP4461551B2 (ja) | 空調負荷予測方法およびその装置 | |
| Yang et al. | Toward failure mode and effect analysis for heating, ventilation and air-conditioning | |
| AU2017435881B2 (en) | Decoupled modeling methods and systems | |
| CN113468157A (zh) | 一种基于能耗分析的相似建筑挑选方法和装置 | |
| CN113518000A (zh) | 在线服务的实例数量调整的方法、装置及电子设备 | |
| CN114761732B (zh) | 模型共享系统、模型管理装置以及空调装置的控制装置 | |
| CN117433058A (zh) | 供热设备的热能管理方法、装置、设备和介质 | |
| Chinde et al. | Comparative evaluation of control-oriented zone temperature prediction modeling strategies in buildings | |
| TW202347062A (zh) | 用於半導體廠房中之等待時間預測之方法 | |
| CN113310176B (zh) | 信息处理装置 | |
| WO2021234763A1 (ja) | 室内温度推定装置、プログラム及び室内温度推定方法 | |
| JP6323134B2 (ja) | データ記憶装置、データ記憶方法、および、データ記憶プログラム | |
| JP2501263B2 (ja) | 熱負荷予測装置 | |
| US20200278130A1 (en) | Operation control method, storage medium, and operation control device | |
| CN112381235A (zh) | 监测水泥厂预热器状态变化的辅助方法 | |
| Wu et al. | A fault detection model for air handling units based on the machine learning algorithms | |
| JP4461550B2 (ja) | 空調負荷予測方法およびその装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20060928 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20080904 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20080909 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20090309 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20090410 |
|
| RD03 | Notification of appointment of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7423 Effective date: 20090529 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20090804 |
|
| RD05 | Notification of revocation of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7425 Effective date: 20090918 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20091028 |
|
| A911 | Transfer of reconsideration by examiner before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20091111 |
|
| 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: 20100126 |
|
| 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: 20100208 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130226 Year of fee payment: 3 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130226 Year of fee payment: 3 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20140226 Year of fee payment: 4 |
|
| LAPS | Cancellation because of no payment of annual fees |