JP6289749B2 - 室内環境モデル作成装置 - Google Patents

Description

本発明は、空調システムの負荷の予測を行う室内環境モデルを作成する室内環境モデル作成装置に関するものである。

ビルなどの空調システムは、在室者が快適と感じる室内環境を維持した上で、構成する各種の空調機が互いに連携し、システム全体として最適な運転が行われる必要がある。正確な室内環境の予測により、空調システムが処理すべき負荷がその種類ごとに把握され、各機器の効率的な運転を決定できる。従来から、室内環境および空調負荷の予測には次のような幾つかの方法が提案されている（例えば特許文献１−３参照）。

特許文献１には、外気温、日射量、人数変動パターンなどの情報がビル空調熱負荷モデルに入力されることにより、壁からの取得熱量、ガラス面からの取得熱量、人体発熱量、電気機器の発熱量等が求められ、これに過去の熱負荷実績データを用いてビル空調熱負荷が予測されるビル空調熱負荷予測装置が開示されている。特許文献２には、各室の形状および開口部を含む邸別データと風速および外気温度を含む気象データに基づいて各室の換気量および温度が交互に複数回計算され収束させることにより、建物内の換気量および温度が予測される建物の換気量及び温度予測システムが開示されている。特許文献３には、ＣＯ_２濃度計測値から在室人数を推定し、推定した人体発熱あるいは人数に依存する熱負荷を予測し、推定した熱負荷に基づいて空調機の制御を行う空調制御装置が開示されている。

特許第３３５０２７７号公報 特許第５００８７３９号公報 特開２００８−２９８２９６号公報

特許文献１、２のような物理式に則ったモデルを用いる手法は、熱負荷や室内温度変動といった物理現象を再現することができる。しかしながら、特許文献１、２のモデルでは、設定パラメータとして、建物の構成部材の物性値や建物形状だけでなく、空調負荷に大きく影響を与える在室人数等の建物の用途によって変化するパラメータが対象建物ごとに必要になり、膨大な設定パラメータを入手することは困難である。また、特許文献３は、室内のＣＯ_２濃度計測値から在室人数を求め、在室人数を直接入力することなく在室者数に依存する熱負荷を予測する。しかしながら、ＣＯ_２濃度計測値のみを用いて空調負荷を推定しているため、精度が低いという課題がある。

本発明は、上述のような課題を解決するためになされたものであり、膨大なパラメータを設定することなく、空調システムの負荷を精度良く予測することができる室内環境モデル作成装置を提供することを目的とする。

本発明の室内環境モデル作成装置は、空気調和を行う空調設備と、室内空間のＣＯ_２濃度を計測するＣＯ_２センサ及び室内空間の室内湿度を計測する湿度センサとが設置された室内空間の室内環境モデルを作成する室内環境モデル作成装置であって、室内環境モデルは、熱のパラメータが含まれる物理モデル、水分のパラメータが含まれる物理モデル及びＣＯ_２濃度のパラメータが含まれる物理モデルを有するものであり、学習対象期間における空調設備の運転データを学習用入力データとして記憶するとともに、ＣＯ_２センサ及び湿度センサにおいて計測された計測データを記憶するデータ記憶部と、データ記憶部に記憶された学習用入力データと計測データとを用いて複数の物理モデルを統合的に学習するモデルパラメータ学習部とを備えたものである。

本発明の室内環境モデル作成装置によれば、複数の物理モデルからなる室内環境モデルを統合的に学習することにより、物理現象に即した精度の高いモデルを得ることができる。

本発明の実施の形態に係る室内環境モデル作成装置を用いた空調制御システムの一例を示すブロック図である。 本発明の実施の形態に係る室内環境モデル作成装置の構成を示すブロック図である。 図２の室内環境モデルを学習する際に考慮される因子の一例を示す模式図である。 図２の室内環境モデル作成装置の動作例を示すフローチャートである。 図４における室内環境モデルの学習工程の一例を示すフローチャートである。

以下、図面を参照しながら本発明の室内環境モデル作成装置の実施の形態について説明する。図１は本発明の実施の形態に係る室内環境モデル作成装置を用いた空調制御システムの一例を示すブロック図である。図１の空調制御システム１は、空調設備２による空調空間の室内環境モデルに基づいて室内環境を予測し、予測した室内環境に応じて空調設備２を制御するものである。

空調制御システム１は、室内空間の空気調和を行う空調設備２と、室内環境もしくは室外環境の状態を計測するセンサ群３と、室内環境モデルを作成する室内環境モデル作成装置１０と、室内環境モデル作成装置１０において作成された室内環境モデルを用いて室内環境を予測し空調設備２を制御する空調制御装置２０とを備えている。空調設備２、室内環境モデル作成装置１０及び空調制御装置２０は、例えばネットワークもしくは信号線を介してデータ伝送可能に接続されている。なお、図１において、室内環境モデル作成装置１０と空調制御装置２０とが別々のハードウェア（コンピュータ等）からなる場合について例示しているが、同一のハードウェア（コンピュータ等）により構成されていてもよい。

空調設備２は、室内環境の空気調和を行うものであり、室内空間の空気調和を行う空気調和装置２Ａおよび室内空間の換気を行う換気装置２Ｂを有している。空気調和装置２Ａは複数台を許容し、室外機と室内機とを有するビル用マルチエアコン、パッケージエアコン、ルームエアコン、もしくは吸収冷凍機などの大型熱源機からなっている。なお、空調設備２は、上記空気調和装置２Ａ及び換気装置２Ｂを有する場合に限られず、例えば外気調和機、加湿器、除湿器等のその他の空調機器を備えたものでもよい。

センサ群３は、室内湿度を計測する室内湿度センサ３Ａと、室内のＣＯ_２濃度を計測するＣＯ_２濃度センサ３Ｂを有している。センサ群３は、ネットワークを介して計測した各種情報を室内環境モデル作成装置１０及び空調制御装置２０に伝送する。なお、室内湿度センサ３ＡおよびＣＯ_２濃度センサ３Ｂは、室内に複数個設置してもよい。また、センサ群３がネットワークを介して接続されている場合について例示しているが、空調設備２内に組み込まれた状態で設置され、空調設備２から室内環境モデル作成装置１０及び空調制御装置２０に計測したデータが伝送されてもよい。この際、換気装置２Ｂ等の空調設備２における吸込み空気の流路に設置し、室内の代表値として利用してもよい。

さらに、空調制御システム１には、気象データを配信する気象データ配信サーバ４にネットワークを介して接続されている。そして、室内環境モデル作成装置１０及び空調制御装置２０は、ネットワークを介して気象データ配信サーバ４から気象データを取得する。なお、気象データには、空調設備２が設置された地点における日射量、外気温、外気湿度等のデータが含まれている。なお、気象データが気象データ配信サーバ４を介して配信される場合について例示しているが、センサ群３が建物外部に設置された室外計測センサを含み、室外計測センサから気象データを取得するようにしてもよい。

室内環境モデル作成装置１０は、時間変化に対する室内環境の変化を予測するための室内環境モデルを作成するものである。後述のように、室内環境モデルには複数の物理モデルが含まれており、複数の物理モデルには、室内温度に関する熱伝導方程式と、水分（湿度）に関する物質移動方程式と、ＣＯ_２濃度に関する物質移動方程式とが含まれる。

空調制御装置２０は、室内環境モデル作成装置１０において作成された室内環境モデルを用いて、将来の空調設備２の運転スケジュールを作成し、空調設備２を制御するものである。空調制御装置２０は、室内環境予測部２１、モデルデータベース２２、スケジュール作成部２３、空調制御部２４を備えている。

室内環境予測部２１は、モデルデータベース２２に記憶された室内環境モデルを用いて、所定期間の室内環境変化を予測する。ここで、モデルデータベース２２には、室内環境モデル作成装置１０において作成された室内環境モデルが記憶されている。また、モデルデータベース２２には、空調設備特性データ及び後述する室内環境モデルの学習済の各種パラメータ等が記憶されている。室内環境予測部２１は、空調設備２、センサ群３及び気象データ配信サーバ４のそれぞれから運転データ、計測データ及び気象データを取得し、これらを予測用入力データとして用いて、温度モデル、湿度モデル及びＣＯ_２モデルに基づき、将来（例えば翌日）の室内温度、室内湿度及び室内ＣＯ_２濃度の予測値を演算する。

スケジュール作成部２３は、室内環境予測部２１において予測された室内環境に基づいて、計画対象期間（例えば翌日）の空調設備２の運転スケジュールを作成する。具体的には、スケジュール作成部２３は、例えば室内温度の予測値が所定の快適温度範囲内に維持され、室内湿度が所定の快適湿度範囲内に維持されるように、空気調和装置２Ａの運転スケジュールを作成する。また、スケジュール作成部２３は、例えばＣＯ_２濃度が所定の快適ＣＯ_２濃度範囲内に維持されるように、換気装置２Ｂの運転スケジュールを作成する。なお、快適性の観点から運転スケジュールを作成する場合について例示しているが、デマンド制御等の消費電力の観点から運転スケジュールを作成してもよい。

図２は本発明の実施の形態に係る室内環境モデル作成装置の一例を示すブロック図であり、図１及び図２を参照して室内環境モデル作成装置１０について説明する。なお、図１及び図２に示す室内環境モデル作成装置１０及び空調制御装置２０の構成は、マイコンもしくはコンピュータ等において磁気ディスク、半導体メモリ等の記憶装置に記憶されたプログラムを実行することにより実現されるものである。上述のように、図２の室内環境モデル作成装置１０は、空気調和を行う空調設備２が設置された室内空間の室内環境モデルを作成するものであり、運転データ取得部１１、計測データ取得部１２、気象データ取得部１３、モデルパラメータ学習部１４、データ記憶部１５を備えている。

運転データ取得部１１は、空調設備２から運転データを取得し、データ記憶部１５へ保存する。計測データ取得部１２は、センサ群３において計測された計測データを取得し、データ記憶部１５へ保存する。運転データは、少なくとも空気調和装置２Ａが室内へ供給もしくは除去した熱量と室内温度とを含む。計測データには、室内湿度及び室内のＣＯ_２濃度等が含まれる。なお、熱量が得られない場合、例えば空気調和装置２Ａの室外機の運転周波数、蒸発温度、凝縮温度等の既設センサで取得したデータから熱量を算出してもよい。また、室内温度は室内機の吸込み温度で代替してもよく、空調機運転データから取得する以外に、センサ群３として室内に温度センサが設置されており、計測データ取得部１２が室内温度データを取得してもよい。さらに、換気装置２Ｂの運転データとは、換気装置２Ｂの各時刻の出力（ＯＮ／ＯＦＦ、強・中・弱、離散的な出力％、連続的な出力％等）、換気風量等が代表的であるが、これに限定されるものではない。以下、説明を簡単にするため、換気装置２Ｂの出力の強・中・弱と停止を換気装置２Ｂの運転データとして説明する。

気象データ取得部１３は、例えば気象データ配信サーバ４にネットワークを介して接続されており、空調設備２が設置された地点の気象データを取得する。気象データは少なくとも日射量と外気温と外気湿度とを含み、気象データ取得部１３は、気象データを計測データとしてデータ記憶部１５へ記憶する。

上述した運転データ取得部１１、計測データ取得部１２及び気象データ取得部１３は所定時間（例えば５分）間隔でデータを取得し、データ記憶部１５に記憶する。なお、データの取得間隔は、モデルの精度の面からは１分間隔のように短い方が好ましいが、１０分間隔、３０分間隔等であってもよい。また、データ記憶部１５の記憶容量、モデルパラメータ学習部１４の処理能力、モデル作成のために許容される計算時間等により、各種データが１分間隔で取得され、学習に使用するときは５分間隔等に間引きして用いてもよい。また、空気調和装置２Ａおよび換気装置２Ｂの運転データと湿度およびＣＯ_２濃度データは、異なる時間間隔で記憶されてもよい。

モデルパラメータ学習部１４は、データ記憶部１５に記憶された学習用入力データを用いて複数の物理モデルを統合的に学習するものである。ここで、学習用入力データは、過去に取得されデータ記憶部１５に記憶された運転データ、計測データ及び気象データである。室内環境モデルは、熱、水分及びＣＯ_２濃度のパラメータが含まれる複数の物理モデルを有するものである。より詳細には、複数の物理モデルには、熱伝導方程式で示される室内温度モデルと、水分に関する物質移動方程式で示される室内湿度モデルと、ＣＯ_２濃度に関する物質移動方程式で示されるＣＯ_２濃度モデルとが含まれている。

上述した複数の物理モデルの統合的な学習方法の例のひとつは、複数の物理モデルをすべて連立して解き、収束計算を行うことにより、複数の物理モデル全てに共通のパラメータ及びそれぞれの物理モデルに固有のパラメータを同時に決定してモデルを学習する。あるいは、第１ステップとして複数の物理モデルのうちの一つ以上を選択して複数の物理モデル全てに共通のパラメータ及びそれぞれの物理モデルに固有のパラメータを決定する。第２ステップとして残りの物理モデルの一つ以上を選択し、第２ステップで選択した物理モデルに含まれる、複数の物理モデルに共通のパラメータの値を第１ステップで学習した値とすることで、第２ステップで選択した物理モデルの学習は第２ステップで選択した物理モデルに固有に含まれるパラメータのみを決定することでモデルの学習を行ってもよい。

はじめに、室内環境モデルの概要について説明する。室内環境モデルは、室内温度モデル、室内湿度モデル及びＣＯ_２濃度モデルの３つの物理モデルを有している。なお、以下に示すモデルは一例であり、必ずしも以下に示す式に限定する必要はない。図３は図２の室内環境モデルを学習する際に考慮される因子の一例を示す模式図である。図３においては、１フロアが１ゾーンで構成される場合について説明する。空調空間の室内環境の因子として、外気温Ｔ_Ｏ、外気絶対湿度Ｘ_Ｏ、外気ＣＯ_２濃度ρ_ＣＯ２ｏ、日射量Ｑ_Ｓ、隣接ゾーン温度Ｔ_ＯＺ、隣接ゾーン絶対湿度Ｘ_ＯＺ、隣接ゾーンＣＯ_２濃度、室内温度Ｔ_Ｚ、室内絶対湿度Ｘ_Ｚ、室内ＣＯ_２濃度ρ_ＣＯ２Ｚ、空調除去（供給）エンタルピ量Ｑ_ＨＶＡＣ、室内発生エンタルピ量（照明＋人体＋ＯＡ機器）Ｑ_ＯＣＣ＋Ｑ_ＥＱＰ、室内発生ＣＯ_２量Ｍ_ＯＣＣ、換気量Ｇ_ｖｅｎｔ、隙間風量Ｇ_{ｄｒａｆｔ}、壁からの吸放湿量が挙げられる。なお、１フロアに１つのゾーンが形成されている場合、隣接内温度度は存在しないため、隣接ゾーン温度Ｔ_ＯＺ、隣接ゾーン絶対湿度Ｘ_ＯＺ、及び隣接ゾーンＣＯ_２濃度は無視する。

上述した各因子を用いた熱伝導方程式に基づく理論式（数式モデル）は、式（１）〜（３）のように表され、図３の各因子を用いた物質移動方程式に基づく室内湿度の理論式（数式モデル）は、式（４）のように表され、図３の各因子を用いた物質移動方程式に基づくＣＯ_２濃度の理論式（数式モデル）は、下記式（５）のように表される。

上記式（１）〜（５）において、Ｃ_１は外壁室外側熱容量［ｋＪ／Ｋ］、Ｃ_２は外壁室内側熱容量［ｋＪ／Ｋ］、Ｃ_Ｚは室内熱容量［ｋＪ／Ｋ］、Ｇ_ｖｅｎｔは換気量［ｍ^３／ｓ］、Ｇ_{ｄｒａｆｔ}は隙間風量［ｍ^３／ｓ］、Ｗ_ｈｖａｃは空調機による除湿量［ｋｇ／ｓ］、Ｒ_１は室外側熱抵抗［Ｋ／ｋＷ］、Ｒ_２は外壁熱抵抗［Ｋ／ｋＷ］、Ｒ_３は外壁以外の熱抵抗［Ｋ／ｋＷ］、Ｒ_Ｚは室内側熱抵抗［Ｋ／ｋＷ］、Ｔｏは外気温［℃］、Ｔ_１は外壁室外側表面温度［℃］、Ｔ_２は外壁室内側表面温度［℃］、Ｔ_Ｚは室内温度［℃］、Ｑ_Ｓは日射量［ｋＷ／ｍ^２］、Ｑ_ｏｃｃは人体発熱［ｋＷ］、Ｑ_ＥＱＰは機器発熱［ｋＷ］、Ｑ_ＨＶＡＣは空調除去（供給）熱量［ｋＷ］、αは室内へ透過する日射量の係数、βは外壁へ照射する日射量の係数、γは機器発熱の係数、δは空調除去（供給）熱量の係数を示す。

また、Ｖは室容量［ｍ^３］、ρは空気密度［ｋｇ／ｍ^３］、Ｘｚは室内絶対湿度［ｋｇ／ｋｇ（ＤＡ）］、Ｘｏは外気絶対湿度［ｋｇ／ｋｇ（ＤＡ）］、Ｇ_ｖｅｎｔは換気量［ｍ^３／ｓ］、Ｇ_{ｄｒａｆｔ}は隙間風量［ｍ^３／ｓ］、α_ｈは代表表面湿気伝達率、ａは飽和水蒸気量近似曲線の傾き［ｋｇ／ｈ（ｋｇ／ｋｇ（ＤＡ））］、ｂは飽和水蒸気量近似曲線の切片［ｋｇ／ｈ（ｋｇ／ｋｇ（ＤＡ））］、Ｗ_ＲＨは壁表面相対湿度、ｃｌは０℃における水の蒸発潜熱［ｋＪ／ｋｇ］、εは人体発熱の係数、Ｖは室容量［ｍ^３］、ρ_ＣＯ２ｏは外気ＣＯ_２濃度［ｐｐｍ］、ρ_ｃｏ２ｚは室内ＣＯ_２濃度［ｐｐｍ］、Ｇ_ｖｅｎｔは換気量［ｍ^３／ｓ］、Ｇ_{ｄｒａｆｔ}は隙間風量［ｍ^３／ｓ］、Ｍ_ｏｃｃは人体ＣＯ_２発生量［ｍ^３／ｓ］を示す。

上記式（１）〜式（５）の理論式をそれぞれ物理モデルに置き換えると、下記式（６）〜式（１０）のように表される。すなわち、式（１）〜式（３）の熱伝導方程式に基づく理論式（数式モデル）を室内温度モデルに置き換えると下記式（５）〜式（８）のように表される。式（４）の物質移動方程式に基づく室内湿度の理論式（数式モデル）を室内湿度モデルに置き換えると下記式（９）のように表される。式（５）の物質移動方程式に基づくＣＯ_２濃度の理論式（数式モデル）は、ＣＯ_２濃度モデルに置き換えると、下記式（１０）のように表される。

上記式（６）〜（１０）において、ｗは室の幅［ｍ］、ｄは室の奥行［ｍ］、ｈは室の天井高［ｍ］、Ｑ_ｏｃｃ’は一人当たりの人体発熱［ｋＷ／人］、Ｑ_ＥＱＰ’は一人当たりの機器発熱［ｋＷ／人］、Ｒ_１’は単位面積当たりの室外側熱抵抗［（Ｋ・ｍ^２）／ｋＷ］、Ｒ_２’は単位面積当たりの外壁熱抵抗［（Ｋ・ｍ^２）／ｋＷ］、Ｒ_３’は単位面積当たりの外壁以外の熱抵抗［（Ｋ・ｍ^２）／ｋＷ］、Ｒ_Ｚ’は単位面積当たりの室内側熱抵抗［（Ｋ・ｍ^２）／ｋＷ］、Ｎ_ｏｃｃは設計在室密度［人／ｍ^２］、Ｎ_{ｄｒａｆｔ}は隙間相当換気回数［回／ｈ］、Ｇ_ｖは設計換気風量［ｍ^３／（人・ｈ）］、Ｐ_ｏｃｃは在室パターン、Ｐ_ｖｅｎｔは換気パターンを示す。

なお、式（６）〜式（１０）において、在室パターンＰ_ｏｃｃは、各時刻例えば１時間毎の在室率（＝０〜１．０）を示すパラメータであり、人が全員在室しているときには１になり、全員不在のときには０になる。また、換気パターンＰ_ｖｅｎｔとは、各時刻例えば１時間毎の定格換気量に対する比率のことであり、定格風量のときに１になり、停止しているときに０になる。

また、式（６）〜式（１０）において、空調除去（供給）エンタルピ量Ｑ_ＨＶＡＣは、運転データ取得部１１で取得可能であれば、その値をそのまま用いればよい。取得不可能の場合、空調機特性データを用いて熱量を計算する。例えば、空調機特性データとして、室外機の圧縮機周波数ｆ、蒸発温度ＥＴ、凝縮温度ＣＴと供給熱量の関係を示す下記式（１１）を準備し、式中の係数ａ、ｂ、ｃ、ｄは圧縮機の種別によって異なる係数を与えておく。なお、式（１１）において、係数ａ、ｂ、ｃ、ｄは実測値から求めてもよい。室外機の圧縮機周波数ｆ、蒸発温度ＥＴ、凝縮温度ＣＴと供給熱量の関係は、室外機の冷媒回路をモデル化した空調機モデルで算出してもよい。

ここで、式（６）〜式（１０）に示す室内環境モデルは、複数のパラメータを含むものであるが、複数のパラメータは、（１）設計パラメータ、（２）運用パラメータ、（３）既知パラメータの３つに分類することができる。

（１）設計パラメータは、前記空調設備及び室内空間の設計要素を示すものであって固定値で与えられるパラメータであり、室の幅ｗ、奥行ｄ、天井高ｈ、設計換気風量Ｇ_Ｖ、設計在室密度Ｎ_ＯＣＣ、隙間風相当換気回数Ｎ_{ｄｒａｆｔ}、外壁の熱抵抗Ｒ_２及び熱容量Ｃ_１、Ｃ_２、室内へ透過する日射量の係数α、外壁へ照射する日射量の係数β、機器発熱の係数γ、空調除去（供給）熱量の係数δ、人体発熱の係数ε、空調機処理エンタルピ量における潜熱の割合ＳＨＦ_ＯＣＣ、代表表面湿気伝達率αｈ、壁表面相対湿度Ｗ_ＲＨである。

（２）運用パラメータは、時間変化する熱、水蒸気、ＣＯ_２発生源の特性を示すパラメータである。熱、水蒸気、ＣＯ_２発生源の特性とは、熱、水蒸気、ＣＯ_２の発生量と比例する等の相関があるデータであり、例えば室内の執務者の人員数の時間変化、すなわち執務者の在室パターンＰ_ｏｃｃである。

（３）既知パラメータは、設備設計時の情報や文献データ等によりあらかじめユーザが設定可能な既知のパラメータであり、外気ＣＯ_２濃度ρ_ＣＯ２Ｏ、１人当たりの人体発生エンタルピ量Ｑ_ＯＣＣ’、ＣＯ_２発生量Ｍ_ＯＣＣ、人体発生エンタルピにおける潜熱の割合ＳＨＦ_ＯＣＣ、空気密度ρである。なお、設計パラメータのいずれかが、設備設計時の情報等により既知の値を持つ場合は、このパラメータを既知パラメータに分類してもよい。

図２のモデルパラメータ学習部１４は、データ記憶部１５に記憶された学習用入力データを用いて複数の物理モデルを統合的に学習するものである。はじめに、室内環境モデルのパラメータの学習が行われる際に、例えば学習対象期間（例えば１週間）の間、空調設備２の運転が行われ、学習対象期間における運転データ及び計測データが取得されデータ記憶部１５に記憶される。モデルパラメータ学習部１４は、学習対象期間における運転データ及び計測データを学習用入力データとして用いて、室内環境モデルのパラメータの学習を行う。

さらに、データ記憶部１５には、パラメータ学習に用いられる学習条件が記憶されている。学習条件は、対象とする空調システムに関する機器情報、パラメータの学習に用いる運転計測データの所定の期間（例えば１週間）、学習の終了条件等である。なお、終了条件としては、所定のＣＯ_２濃度予測の精度が所定の精度に到達したか、所定の改善率に到達したか、学習時間が所定の最大学習時間に到達したか、学習の繰り返し回数が所定の最大繰り返し回数に到達したか、などが例としてある。これらの終了条件は、学習条件で与えられる。その後、学習結果がデータ記憶部１５に記憶される。ユーザは、対象建物番号、学習期間などの学習条件を設定し、モデルパラメータ学習部１４はデータ記憶部１５から必要な学習用入力データを抽出する。

さらに、データ記憶部１５には、空調機器の性能を表す空調機器特性データが記憶されている。なお、空調機器特性データはユーザにより登録されたものでもよいし、運転データから推定されたものでもよい。このうち、空調機器特性データは、上述したように運転データ取得部１１において空調機が供給（除去）する熱量が得られず、室外機の運転周波数等から熱量を計算する必要がある場合は、各室外機の運転周波数、蒸発温度、凝縮温度と供給熱量の関係を含むものである。

上述のように、式（６）〜式（１０）の室内環境モデルに含まれる各種パラメータは３つに分類され、式（６）〜式（１０）の温度モデル、湿度モデル及びＣＯ_２モデルには、それぞれ共通するパラメータが含まれている。モデルパラメータ学習部１４は、複数の物理モデル（室内温度モデル、室内湿度モデル及びＣＯ_２モデル）の共通のパラメータについて、各パラメータの分類毎に統合的に学習する。具体的には、モデルパラメータ学習部１４は、複数の物理モデルにおける設計パラメータの学習を行う設計モデルパラメータ学習部１４ａと、複数の物理モデルにおける運転パラメータの学習を行う運用モデルパラメータ学習部１４ｂとを有する。

換言すると、モデルパラメータ学習部１４は、複数の物理モデルのすべてに共通して含まれるパラメータおよび熱のパラメータを含む物理モデル（例えば室内温度モデル）と、複数の物理モデルのすべてに共通のパラメータおよび水分のパラメータを含む物理モデル（例えば室内湿度モデル）と、複数の物理モデルのすべてに共通のパラメータおよびＣＯ_２濃度のパラメータを含む物理モデル（例えばＣＯ_２モデル）とを連立して解き、収束計算を行うことにより全ての物理モデルに含まれる全てのパラメータを同時に決定してモデルを学習する。

（設計モデルパラメータ学習部１４ａ）
設計モデルパラメータ学習部１４ａは、上記３つに分類されるパラメータのうち、設計パラメータの学習を行うものである。はじめに、設計モデルパラメータ学習部１４ａは、室内環境モデルの設計パラメータを所定の値に設定するとともに、運用パラメータ（在席率）を所定の値に固定する。その状態で、設計モデルパラメータ学習部１４ａは、データ記憶部１５に記憶されている学習用入力データ及び既知データを式（６）〜式（１０）のそれぞれに入力する。すなわち、過去の所定の期間の実測データである空気調和装置２Ａの運転データから計算される空調機供給熱量および換気装置２Ｂの運転データから計算される換気量パターンと日射量、外気温、外気湿度が、室内環境モデルに入力される。すると、式（６）〜式（１０）に示す室内環境モデルから室内温度、室内湿度及びＣＯ_２濃度の時間変化が出力される。

次に、設計モデルパラメータ学習部１４ａは、室内環境モデルの出力結果と、センサ群３において実測された所定の期間における室内温度、湿度およびＣＯ_２濃度とを比較し評価する。この際、設計モデルパラメータ学習部１４ａは、例えば室内環境モデルの出力結果と実測データとの二乗平均平方根誤差（ＲＭＳＥ）を、所定の値の設計パラメータの評価値として算出する。

次に、設計モデルパラメータ学習部１４ａは、設計パラメータに分類される複数のパラメータのうち、少なくとも１つのパラメータの値を変化させる。その後、設計モデルパラメータ学習部１４ａは、設計パラメータを変更した後の室内環境モデルに学習用入力データ及び既知データを入力することにより、室内温度、湿度及びＣＯ_２濃度の出力結果を得る。設計モデルパラメータ学習部１４ａは、所定の期間における室内温度、湿度およびＣＯ_２濃度の実測データとの二乗平均平方根誤差（ＲＭＳＥ）を変更後の設計パラメータの評価値として算出する。

設計モデルパラメータ学習部１４ａは、設計パラメータの変更前の評価値と、設計パラメータの変更後の評価値とを比較する。設計パラメータの変更後の評価値が、変更の評価値より小さい場合、変化後の設計パラメータは最適化された値であると判断し、設計パラメータの値を更新する。一方、設計パラメータの変更後の評価値が前回の所定の値の評価値以上である場合、前回の設計パラメータは最適化された値であると判断し、設計パラメータの値を維持する。このように、設計モデルパラメータ学習部１４ａは、評価値に基づく収束計算を行いながら、設計パラメータを学習して最適化を行う。

設計モデルパラメータ学習部１４ａは、室内温度モデル、室内湿度モデル及びＣＯ_２モデルの設計パラメータをそれぞれ個別に学習するのではなく統合的に学習する。つまり、同一の設計パラメータを用いて室内温度モデル、室内湿度モデル及びＣＯ_２モデルの３つの物理モデルが同時に学習されることになる。

設計モデルパラメータ学習部１４ａは、設計パラメータの変更、評価及び更新を設定繰返回数だけ行う。この際、各運用パラメータの値には設備設計時の情報や文献値等である程度妥当な値に基づいて、上限値及び下限値が学習条件として設定されている。運用モデルパラメータ学習部１４ｂは、設計パラメータが上限値及び下限値を逸脱しないように学習を行う。

（運用モデルパラメータ学習部１４ｂ）
運用モデルパラメータ学習部１４ｂは、上記３つに分類される室内環境モデルのパラメータのうち、運用パラメータの学習を行うものである。はじめに、運用モデルパラメータ学習部１４ｂは、室内環境モデルの運用パラメータを所定の値に設定するとともに、設計パラメータを所定の値に固定する。その状態で、運用モデルパラメータ学習部１４ｂは、データ記憶部１５に記憶されている学習用入力データ及び既知データを式（６）〜式（１０）のそれぞれに入力する。すなわち、過去の所定の期間の実測データである空気調和装置２Ａの運転データから計算される空調機供給熱量および換気装置２Ｂの運転データから計算される換気量パターンと日射量、外気温、外気湿度が、室内環境モデルに入力される。すると、式（６）〜式（１０）から室内温度、室内湿度及びＣＯ_２濃度の時間変化が出力される。

次に、運用モデルパラメータ学習部１４ｂは、室内環境モデルの出力結果と、センサ群３において実測された所定の期間における室内温度、湿度およびＣＯ_２濃度とを比較し評価する。この際、運用モデルパラメータ学習部１４ｂは、例えば室内環境モデルの出力結果と実測データとの二乗平均平方根誤差（ＲＭＳＥ）を、所定の値の運用パラメータの評価値として算出する。

次に、運用モデルパラメータ学習部１４ｂは、運用パラメータに分類される複数のパラメータのうち、少なくとも１つのパラメータの値を変化させる。具体的には、運用モデルパラメータ学習部１４ｂは、上記在室パターンのうち、少なくとも１つの時刻の在室率の値を変化させる。その後、運用モデルパラメータ学習部１４ｂは、運用パラメータを変更した後の室内環境モデルと学習用入力データ及び既知データに基づいて、室内温度、湿度及びＣＯ_２濃度の出力結果を得る。そして、設計モデルパラメータ学習部１４ａは、所定の期間における室内温度、湿度およびＣＯ_２濃度の実測データとの二乗平均平方根誤差（ＲＭＳＥ）を変更後の運用パラメータの評価値として算出する。

運用モデルパラメータ学習部１４ｂは、運用パラメータの変更前の評価値と、運用パラメータの変更後の評価値とを比較する。運用パラメータの変更後の評価値が、変更前の評価値より小さい場合、変化後の運用パラメータは最適化された値であると判断し、運用パラメータの値を更新する。一方、運用パラメータの変更後の評価値が前回の所定の値の評価値以上である場合、前回の運用パラメータは最適化された値であると判断し、運用パラメータの値を維持する。

運用モデルパラメータ学習部１４ｂは、室内温度モデル、室内湿度モデル及びＣＯ_２モデルの運用パラメータをそれぞれ個別に学習するのではなく統合的に学習する。つまり、同一の運用パラメータを用いて室内温度モデル、室内湿度モデル及びＣＯ_２モデルの３つの物理モデルが同時に学習されることになる。

運用モデルパラメータ学習部１４ｂは、設計パラメータの変更、評価及び更新を設定繰返回数だけ行う。この際、各運用パラメータの値には設備設計時の情報や文献値等である程度妥当な値に基づいて、上限値及び下限値が学習条件として設定されている。運用モデルパラメータ学習部１４ｂは、運用パラメータが上限値及び下限値を逸脱しないように学習を行う。このように、運用モデルパラメータ学習部１４ｂは、温度モデル、湿度モデル及びＣＯ_２モデルの運用パラメータをそれぞれ個別に学習するのではなく統合的に学習する。

なお、設計パラメータ及び運用パラメータの学習において、評価値として二乗平均平方根誤差（ＲＭＳＥ）が用いられる場合について例示しているが、これとは異なる指標により評価してもよい。また、運用パラメータの学習において、在室パターンＰ_ｏｃｃは、対象とするビルの運用状態によって、複数のパターンが変更後のパターンとして用意されていてもよい。例えば、平日と休日は異なるパターンとする、毎週水曜日が定時退社日である場合は月火木金と水は異なるパターンとする、などとしてよい。休日はＣＯ_２発生源となる執務者の在室率が極めて小さい場合や、換気装置２Ｂの省エネ制御の効果が小さい場合等、学習する効果が小さい場合には、学習の対象外としてもよい。さらに、モデルパラメータ学習部１４で行われる換気量パターンの計算については、例えば、換気装置２Ｂの運転データのパターンが強・中・弱・停止で与えられるとき、この運転データのパターンと換気装置の定格風量とから計算するなどとすればよい。

（室内環境モデルのパラメータ学習の処理フロー）
図４は図２の室内環境モデル作成装置の動作例を示すフローチャートであり、図１〜図４を参照して室内環境モデル装置による室内環境モデルの学習工程について説明する。はじめに、運転データ取得部１１において、空調設備２が運転した際の学習対象期間（例えば１週間分）の運転計測データが取得されデータ記憶部１５に記憶される（ステップＳＴ１）。また、空調設備２の空調特性データがデータ記憶部１５に記憶される（ステップＳＴ２）。さらに、室内環境モデルを学習する際の学習条件がデータ記憶部１５に記憶される（ステップＳＴ３）。

そして、モデルパラメータ学習部１４において、データ記憶部１５に記憶された運転計測データ、空調特性データ及び学習条件に基づいて、室内環境モデルの学習が行われる（ステップＳＴ４）。なお、室内環境モデルの学習の実行は、管理者等による手動での実行でもよいし、データ収集完了後に自動的に実行されてもよい。その後、学習が行われた室内環境モデルは、データ記憶部１５に記憶されるとともに、モデルデータベース２２に記憶される（ステップＳＴ５）。

図５は図４における室内環境モデルの学習工程の一例を示すフローチャートである。図５において、データ記憶部１５に記憶されている学習用入力データ（過去の運転計測データ）、学習条件及び空調設備特性データがデータ記憶部１５から読み込まれる（ステップＳＴ１１）。その後、設計モデルパラメータ学習部１４ａにおいて、式（６）〜式（１０）に運用パラメータ（在室パターンＰ_ｏｃｃ）が固定され、設計パラメータの学習が行われる（ステップＳＴ１２）。この際、設計モデルパラメータ学習部１４ａにおいて、運用パラメータの値の変更が複数回繰り返されて、設計パラメータの学習が行われる。

その後、運用モデルパラメータ学習部１４ｂにおいて、式（６）〜式（１０）に設計パラメータが固定値され、運用パラメータの学習が行われる（ステップＳＴ１３）。運用モデルパラメータ学習部１４ｂの説明で述べた在室率の変更は、複数回繰り返して学習が行われる（ステップＳＴ１４）。そして、モデルパラメータ学習部１４において、設計パラメータ及び運用パラメータの学習について、例えば繰り返し回数等の終了条件を満たしているか否かが判定され、学習の終了条件を満たしている場合に、学習済みの室内環境モデルがデータ記憶部１５に記憶される。

上記実施の形態によれば、室内環境モデルに含まれる複数の物理モデルを統合的に学習することにより、物理現象に即した精度の高い室内環境モデルを得ることができる。すなわち、室内環境モデルにより予測される温度、湿度及びＣＯ_２濃度は共通する原因因子により変動する。そこで、モデルパラメータ学習部１４が共通する原因因子をパラメータとして含む複数の物理モデルが統合的に学習する。これにより、予め建物固有のパラメータの設定を行うことなく、現実に即した室内環境モデルを得ることができる。さらに、各建物の熱特性パラメータや位置情報並びに詳細な建物仕様（例えば窓面積や屋根面積等）を入力することなく、物理式に基づいた室内環境モデルを作成することができる。

また、複数の運転データ及び計測データを用いて室内環境モデルが学習されているため、単一データに含まれる誤差に影響されることなく、精度の高い室内環境モデルを構築することができる。

さらに、室内環境モデルを学習する際に、建物・空調機器に関する一般的指標や設計時の情報から予め適切な上下限値を与えること場合、個別の建物の温度、湿度、ＣＯ_２濃度特性パラメータを学習することができる。

また、室内における温度、湿度、ＣＯ_２濃度に影響を与える因子には在室者数、換気風量、隙間風量および建物形状等があり、これらが室内における各物理量を表す共通のパラメータとなることから、複数の物理モデルからなる室内環境モデルを統合的に学習することで予めパラメータを入力することなしに、物理現象に即した精度の高い汎用的な室内環境モデルを得ることができる。

さらにモデルパラメータ学習部１４が、複数の物理モデルにおける運用パラメータの値を固定させた状態で設計パラメータの値を変化させながら、複数の物理モデルにおける設計パラメータの学習を同時に行う設計モデルパラメータ学習部１４ａと、複数の物理モデルにおける設計パラメータの値を固定させた状態で運用パラメータの値を変化させながら、複数の物理モデルにおける運用パラメータの学習を同時に行う運用モデルパラメータ学習部１４ｂとを備えた場合、異なる因子毎に学習が行われることになるため、より精度の高いモデルを得ることができる。

本発明の実施の形態は、上記実施の形態に限定されるものではなく、本発明の要旨を逸脱しない範囲で例えば以下のように種々変形実施可能である。図５において、設計パラメータの学習が行われた後に、運用パラメータの学習が行われる場合について例示しているが、実行順は逆でもよく、運用パラメータの学習が行われた後に、設計パラメータの学習が行われてもよい。

また、運用パラメータの学習の際の繰り返し回数と、設計パラメータの際の学習の繰り返し回数は同一でなくてもよい。さらに、設計モデルパラメータ学習部１４ａ及び運用モデルパラメータ学習部１４ｂにおける学習の繰り返し回数は、学習条件に含まれる終了条件（ループ回数）に応じて変更してもよい。例えば、学習条件による繰り返し回数が進むにつれて、設計モデルパラメータ学習部１４ａ及び運用モデルパラメータ学習部１４ｂにおける徐々に繰り返し回数を固定比率や確率的な比率で増加もしくは減少させてもよいし、所定回数ごとに繰り返し回数を増加もしくは減少させてもよい。

また、室内環境モデルのパラメータの学習を行うタイミングは、適宜設定することができる。例えば室内環境モデル作成装置１０による室内環境モデルの作成は導入時に１回実行する。この際、室内環境モデルの作成は室内環境モデルを学習するために必要なデータの収集（例えば１週間分のデータの収集）が完了した後に実行される。１週間は一例であり、モデルに要求される精度、データ記憶部１５の記憶容量等に応じて期間を設定すればよく、例えば１日分のデータであってもよいし、２週間分や１か月分等のデータであってもよい。このように、室内環境モデル作成装置１０の導入時に１回、通常は日々変化することのない建物の設計データや、オフィスビルでは通常多くの日で似通っている在室パターンを決定する。また、室内環境モデルの作成の実行は、管理者等による手動での実行でもよいし、データ収集完了後の自動での実行でもよい。

なお、室内環境モデル作成装置１０は、室内環境モデルの作成を定期的に実行されてもよい。例えば、１日に１回の学習が実行され、室内環境モデルが更新されてもよい。これにより、現実には日々変化する在室パターンを直近のデータを用いて学習でき、より実情に即した在室パターンを学習することができる。また、設計パラメータについても、データフィッティングによる学習結果の誤差を改善することも期待できる。すなわち、日々、直前の状況に近いモデルに更新されることになる。上記では１日１回としたが、これは一例であり、１か月に１回、季節の変わり目等に実行してもよい。また、在室パターンが大きく変化することが予想されるフロアのリレイアウトや組織変更等に合わせて、不定期に実行してもよい。

これら実行をどの時点で行うかに関する情報は、データ記憶部１５に学習条件として記憶しておく。例えば、１日１回、翌日が平日のときのみ、２１時に自動で実行する等を記憶する。また、学習に用いるデータの期間や時間刻みは毎回同じである必要はない。例えば、導入時の実行では１週間分のデータを用いて学習し、１日１回の実行では１日分のデータを用いて学習するなどとしてもよい。また、図１の室内環境モデル作成装置１０と空調制御装置２０とが同一のハードウェア（コンピュータ等）から構成されている場合、室内環境モデル作成装置１０のデータ記憶部１５と空調制御装置２０のモデルデータベース２２とが一体に形成されていてもよい。

さらに、モデルパラメータ学習部１４は、データ記憶部１５に記憶された学習用入力データと計測データとを用いて複数の物理モデルを統合的に学習するものであればよく、上述のように、すべての物理モデルを統合的に全てのパラメータを同時に決定してモデルを学習する場合に限定されない。例えば、モデルパラメータ学習部１４は、はじめに複数の物理モデル（例えば室内温度モデル、室内湿度モデル及びＣＯ_２モデル）の一部の物理モデル（例えば室内温度モデル）を学習の対象として、複数の物理モデルの全てに共通して含まれるパラメータ及び対象の物理モデルに固有に含まれるパラメータを学習する。その後、モデルパラメータ学習部１４は、残りの複数の物理モデル（例えば室内湿度モデル及びＣＯ_２モデル）の学習の際には物理モデルのすべてに共通のパラメータの値をはじめに学習した値とし、残りのそれぞれの物理モデルに含まれる固有のパラメータのみを学習するようにしてもよい。このように、モデルパラメータ学習部１４は、複数の物理モデルの全てに共通のパラメータ及びそれぞれの物理モデルに固有に含まれるパラメータを、３段階以上（３つの物理モデル毎）に分けて学習するようにしてもよい。

１ 空調制御システム、２ 空調設備、２Ａ 空気調和装置、２Ｂ 換気装置、３ センサ群、３Ａ 室内湿度センサ、３Ｂ ＣＯ_２濃度センサ、４ 気象データ配信サーバ、１０ 室内環境モデル作成装置、１１ 運転データ取得部、１２ 計測データ取得部、１３ 気象データ取得部、１４ モデルパラメータ学習部、１４ａ 設計モデルパラメータ学習部、１４ｂ 運用モデルパラメータ学習部、１５ データ記憶部、２０ 空調制御装置、２１ 室内環境予測部、２２ モデルデータベース、２３ スケジュール作成部、２４ 空調制御部。

Claims (9)

1. 空気調和を行う空調設備と、室内空間のＣＯ_２濃度を計測するＣＯ_２センサ及び室内空間の室内湿度を計測する湿度センサとが設置された室内空間の室内環境モデルを作成する室内環境モデル作成装置であって、
   室内環境モデルは、熱のパラメータが含まれる物理モデル、水分のパラメータが含まれる物理モデル及びＣＯ_２濃度のパラメータが含まれる物理モデルを有するものであり、
   学習対象期間における前記空調設備の運転データを学習用入力データとして記憶するとともに、前記ＣＯ_２センサ及び前記湿度センサにおいて計測された計測データを記憶するデータ記憶部と、
   前記データ記憶部に記憶された前記学習用入力データと計測データとを用いて複数の物理モデルを統合的に学習するモデルパラメータ学習部と
   を備えた室内環境モデル作成装置。
2. 複数の物理モデルには、熱伝導方程式と、水分に関する物質移動方程式と、ＣＯ_２濃度に関する物質移動方程式とが含まれる請求項１に記載の室内環境モデル作成装置。
3. 複数の物理モデルには、熱伝導方程式で示される室内温度モデルと、水分に関する物質移動方程式で示される室内湿度モデルと、ＣＯ_２濃度に関する物質移動方程式で示されるＣＯ_２濃度モデルとが含まれる請求項２に記載の室内環境モデル作成装置。
4. 複数の物理モデルは、互いに共通のパラメータを含み、
   前記モデルパラメータ学習部は、共通のパラメータを統合的に学習するものである請求項１〜３のいずれか１項に記載の室内環境モデル作成装置。
5. 前記モデルパラメータ学習部は、複数の物理モデルのすべてに共通して含まれるパラメータおよび熱のパラメータを含む物理モデルと、前記複数の物理モデルのすべてに共通のパラメータおよび水分のパラメータを含む物理モデルと、複数の物理モデルのすべてに共通のパラメータおよびＣＯ_２濃度のパラメータを含む物理モデルとを連立して解き、収束計算を行うことにより全ての物理モデルに含まれる全てのパラメータを同時に決定してモデルを学習するものである請求項１〜３のいずれか１項に記載の室内環境モデル作成装置。
6. 前記モデルパラメータ学習部は、はじめに複数の物理モデルの一部の物理モデルを学習の対象として、複数の物理モデルの全てに共通して含まれるパラメータ及び対象の物理モデルに固有に含まれるパラメータを学習し、残りの複数の物理モデルの学習の際には物理モデルのすべてに共通のパラメータの値をはじめに学習した値として、残りのそれぞれの物理モデルに含まれる固有のパラメータのみを学習する請求項１〜３のいずれか１項に記載の室内環境モデル作成装置。
7. 前記モデルパラメータ学習部は、複数の物理モデルの全てに共通のパラメータ及びそれぞれの物理モデルに固有に含まれるパラメータを、３段階以上に分けて学習する請求項６に記載の室内環境モデル作成装置。
8. 複数の物理モデルは、前記空調設備及び室内空間の設計要素を表す設計パラメータと、在席率に関する在席パラメータを含む運用パラメータとに分類されるパラメータを含むものであり、
   前記モデルパラメータ学習部は、
   複数の物理モデルにおける運用パラメータの値を固定させた状態で設計パラメータの値を変化させながら、複数の物理モデルにおける設計パラメータの学習を同時に行う設計モデルパラメータ学習部と、
   複数の物理モデルにおける設計パラメータの値を固定させた状態で運用パラメータの値を変化させながら、複数の物理モデルにおける運用パラメータの学習を同時に行う運用モデルパラメータ学習部と
   を備えた請求項１〜７のいずれか１項に記載の室内環境モデル作成装置。
9. 前記モデルパラメータ学習部は、運転データと計測データのみから室内環境モデルを学習する請求項８に記載の室内環境モデル作成装置。

Images