JP7026844B2 - 情報処理装置、空気調和装置および空気調和システム - Google Patents

Description

本発明は、熱負荷を推測する情報処理装置、空気調和装置および空気調和システムに関する。

従来、冷媒回路を備えた空気調和装置は、空気調和対象の熱負荷の変動に対応するために、インバータなど運転容量を変えることができる圧縮機を備え、熱負荷の大きさに対応して圧縮機の運転周波数を制御する。従来の空気調和装置において、圧縮機が低容量に設定された状態で運転する低負荷運転時には、冷媒回路中の冷媒循環量が減少するため、冷媒に伴って圧縮機から吐出された冷凍機油が冷媒回路中に滞溜しやすくなる。その結果、圧縮機内の冷凍機油量が減少する。圧縮機内の冷凍機油が減少すると、圧縮機が過熱し、圧縮機内の可動部分に焼け付きなどが生じるおそれがあった。

そこで、従来の空気調和装置は、圧縮機の低負荷運転が長時間続くと、強制的に圧縮機を高容量で運転して冷媒循環量を増大させ、冷媒回路から冷凍機油を圧縮機に戻す油戻し運転を行う（例えば、特許文献１参照）。特許文献１に開示された冷凍装置では、冷凍機油の回収を促進するために、冷媒循環量を増大させている間、膨張弁を開放状態にする。

特開２００２－３４９９３８号公報

特許文献１に開示された冷凍装置では、現在から数分後など近い将来に圧縮機が高負荷運転になり、圧縮機の運転周波数が大きくなる場合でも、圧縮機が低負荷運転状態で長時間運転すると、圧縮機の運転周波数を大きくする。そのため、圧縮機が高負荷運転になる直前に油戻し運転を行うと、直前に行われた油戻し運転の電力が無駄になる。

本発明は、上記のような課題を解決するためになされたもので、圧縮機の電力消費量を抑制し、冷媒回路から冷凍機油を効率よく回収する情報処理装置、空気調和装置および空気調和システムを提供するものである。

本発明に係る情報処理装置は、圧縮機を含む空気調和装置の熱負荷の影響因子に関する学習データを用いて、現在から一定時間が経過したときの熱負荷を算出する熱負荷算出式を求める熱負荷学習手段と、前記圧縮機が決められた閾値時間以上継続して基準運転周波数以下で運転する低負荷運転を行う場合、前記熱負荷学習手段が求めた前記熱負荷算出式を用いて、前記一定時間が経過したときに前記熱負荷が現在よりも高くなるか否かを推測する推測手段と、前記熱負荷が高くならないと前記推測手段によって推測される場合、運転周波数を大きくすることを指示する油戻し指示信号を前記圧縮機に出力し、前記熱負荷が高くなると前記推測手段によって推測される場合、前記油戻し指示信号を前記圧縮機に出力しない信号発生手段と、を有するものである。

本発明に係る空気調和装置は、上記の情報処理装置の前記熱負荷学習手段、前記推測手段および前記信号発生手段を含むコントローラと、前記圧縮機、熱源側熱交換器、膨張装置および負荷側熱交換器が冷媒配管で接続され、冷媒が循環する冷媒回路と、を有するものである。

本発明に係る空気調和システムは、上記の情報処理装置の前記熱負荷学習手段、前記推測手段および前記信号発生手段が設けられた操作機と、前記操作機と通信接続される複数の空気調和装置と、を有するものである。

本発明によれば、熱負荷の影響因子の学習データを用いて求めた熱負荷算出式を用いて、一定時間が経過したときの熱負荷が推測される。そして、熱負荷が高くならないと推測された場合に圧縮機に油戻し運転が指示されるが、圧縮機の低負荷運転が長時間続いても、熱負荷が高くなると推測される場合に圧縮機が油戻し運転を行わない。そのため、油戻し運転が無駄に行われることが抑制される。その結果、圧縮機の電力消費量が抑制され、冷凍機油を効率よく回収できる。

本発明の実施の形態１に係る空気調和装置の一構成例を示す冷媒回路図である。 図１に示したコントローラの一構成例を示す機能ブロック図である。 図２に示した熱負荷学習手段が行う機械学習を説明するための模式図である。 図２に示した熱負荷学習手段の動作手順の一例を示すフローチャートである。 本発明の実施の形態１に係る空気調和装置の動作手順を示すフローチャートである。 本発明の実施の形態１に係る空気調和装置の別の構成例を示す図である。 図６に示した空気調和装置および情報処理装置の一構成例を示す機能ブロック図である。 本発明の実施の形態２に係る空気調和システムの一構成例を示すブロック図である。

実施の形態１．
本実施の形態１の空気調和装置の構成を説明する。図１は、本発明の実施の形態１に係る空気調和装置の一構成例を示す冷媒回路図である。空気調和装置１は、熱源側ユニット２０と、負荷側ユニット３０とを有する。熱源側ユニット２０は、冷媒を圧縮して吐出する圧縮機２１と、外気と冷媒とが熱交換する熱源側熱交換器２２と、運転モードにしたがって冷媒の流通方向を切り替える四方弁２３とを有する。負荷側ユニット３０は、負荷側ユニット３０の空調対象空間となる部屋の空気と冷媒とが熱交換する負荷側熱交換器３１と、高圧の冷媒を減圧して膨張させる膨張装置３２と、コントローラ２とを有する。

本実施の形態１では、空気調和装置１は、室内の空気の温度を一定に保つために、冷凍サイクルを制御して室内の空気を冷却および加熱する場合で説明するが、空気の冷却および加熱のうち、一方または両方を行う構成が別途、設けられていてもよい。例えば、空気調和装置１は、室内の空気を加熱する構成として電気ヒータを別に有していてもよい。

圧縮機２１は、例えば、運転周波数を変更することで容量を変えることができるインバータ式圧縮機である。膨張装置３２は、例えば、電子膨張弁である。熱源側熱交換器２２および負荷側熱交換器３１は、例えば、フィンアンドチューブ式熱交換器である。圧縮機２１、熱源側熱交換器２２、膨張装置３２および負荷側熱交換器３１が冷媒配管で接続され、冷媒が循環する冷媒回路４０が構成される。熱源側ユニット２０には、外気温度Ｔｏｕｔを検出する外気温度センサ２４が設けられている。負荷側ユニット３０には、室温Ｔｒを検出する室温センサ３３が設けられている。

図１に示したコントローラ２の構成を説明する。コントローラ２は、例えば、マイクロコンピュータである。図１に示すように、コントローラ２は、プログラムを記憶するメモリ１１と、プログラムにしたがって処理を実行するＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）１２とを有する。メモリ１１は、例えば、フラッシュメモリ等の不揮発性メモリである。コントローラ２は、図に示さない信号線を介して、室温センサ３３、外気温度センサ２４、四方弁２３、膨張装置３２および圧縮機２１と接続されている。空調対象空間となる部屋の空気の設定温度Ｔｓｅｔは、図に示さないリモートコントローラを介してコントローラ２に入力される。メモリ１１が設定温度Ｔｓｅｔを記憶する。また、コントローラ２は、図に示さないタイマーを有する。

図２は、図１に示したコントローラの一構成例を示す機能ブロック図である。図２に示すように、コントローラ２は、冷凍サイクル手段３と、学習データ保持手段４と、熱負荷学習手段５と、推測手段６と、信号発生手段７とを有する。学習データ保持手段４はメモリ１１に設けられている。ＣＰＵ１２がプログラムを実行することで、冷凍サイクル手段３、熱負荷学習手段５、推測手段６および信号発生手段７がコントローラ２に構成される。

冷凍サイクル手段３は、室温Ｔｒが設定温度Ｔｓｅｔになるように、冷媒回路４０の冷凍サイクルを制御する。具体的には、冷凍サイクル手段３は、室温Ｔｒが設定温度Ｔｓｅｔを維持するように、圧縮機２１の運転周波数および膨張装置３２の開度を制御する。

学習データ保持手段４は、空気調和装置１が近い将来に負う熱負荷を推測する学習モデルを熱負荷学習手段５が機械学習で求めるための学習データを記憶する。学習データは、熱負荷の影響因子に関するデータである。空気調和装置１の運転モードが冷房運転の場合、熱負荷は冷房負荷に相当し、運転モードが暖房運転の場合、熱負荷は暖房負荷に相当する。学習データ保持手段４は、学習データとして、複数の訓練データを保持している。複数の訓練データは、教師あり学習において、入力データおよび出力データからなる組み合わせデータとしての役目を果たす。

複数の訓練データは学習データ保持手段４に格納されるが、そのタイミングは、空気調和装置１の製造過程であってもよく、空気調和装置１が設置された後であってもよい。複数の訓練データは、例えば、１年間、空気調和装置１が運転した場合に、時系列で収集された、空調データおよび熱負荷のデータからなる組み合わせデータである。空調データは、例えば、設定温度Ｔｓｅｔ、室温Ｔｒ、外気温度Ｔｏｕｔ、および圧縮機２１の運転周波数Ｆｃを含むデータである。空気調和装置１に格納される複数の訓練データは、空気調和装置１が設置される場所を含む地域毎に異なることが望ましい。なぜなら、赤道に近い、緯度が低い地域の気候と、赤道から離れた、緯度が高い地域の気候とを比較すると、年間の外気温度Ｔｏｕｔの変化が大きく異なるからである。

また、学習データ保持手段４は、学習データとして、空調データを時系列で空気調和装置１から収集して記憶してもよい。この場合、空調データは、準備されたデータではなく、空気調和装置１から実際に収集されるデータであるため、教師なし学習の入力データとしての役目を果たす。入力データに対応する出力データとして熱負荷のデータがあれば、この場合の入力データと出力データとの組み合わせは、強化学習の学習データとなる。

熱負荷学習手段５は、学習データ保持手段４が記憶する学習データを用いて機械学習を行うことで、現在から一定時間が経過したときの熱負荷を算出する熱負荷算出式を求める。熱負荷学習手段５が行う機械学習の一例を、図３を参照して説明する。図３は、図２に示した熱負荷学習手段が行う機械学習を説明するための模式図である。

入力データは、例えば、室温Ｔｒ、外気温度Ｔｏｕｔ、設定温度Ｔｓｅｔ、および圧縮機２１の動作能力などである。本実施の形態１では、圧縮機２１の動作能力は運転周波数Ｆｃである。熱負荷学習手段５は、過学習を防ぐために、前処理として、入力データの最適化および入力次元の削減などを行う。入力データの最適化処理の一例として、正規化処理がある。入力データの最適化処理の別の例として、設定温度Ｔｓｅｔと室温Ｔｒとの温度差をΔＴとすると、ΔＴ＝Ｔｓｅｔ－Ｔｒを算出する処理がある。この場合、温度のパラメータが１つ減るので、熱負荷学習手段５は演算処理の負荷が軽減する。なお、負荷側ユニット３０から吹き出される空気の温度Ｔｃを検出する温度センサ（不図示）が負荷側ユニット３０に設けられている場合、温度差ΔＴは、ΔＴ＝Ｔｃ－Ｔｓｅｔであってもよい。前処理は、機械学習において必須の処理ではない。

熱負荷学習手段５は、学習モデルである熱負荷算出式に前処理後の入力データを代入し、将来の熱負荷である予測熱負荷Ｑｐを算出する。熱負荷算出式は、実測された空調データに基づく熱負荷である実熱負荷Ｑｒに対して、現在から一定時間後の予測熱負荷Ｑｐを相対的に算出するものである。熱負荷学習手段５は、教師データとなる実熱負荷Ｑｒと出力データとなる予測熱負荷Ｑｐとを比較し、評価関数を用いて熱負荷算出式の妥当性を評価する。そして、熱負荷学習手段５は、熱負荷算出式から算出された出力データが教師データに近づくように熱負荷算出式を更新する。

熱負荷算出式の具体例として、現在から一定時間ｔが経過したときの予測熱負荷Ｑｐを推測する場合を説明する。一定時間ｔは、例えば、１０分である。室温Ｔｒ、外気温度Ｔｏｕｔ、設定温度Ｔｓｅｔおよび圧縮機２１の運転周波数Ｆｃを入力データとしたときの予測熱負荷Ｑｐの算出式の一例を、式（１）に示す。

式（１）において、ｋを１以上の整数とすると、ｔｋは周期Ｔｋ毎の時刻である。式（１）は、予測熱負荷Ｑｐを算出する式ｆが、室温Ｔｒ、外気温度Ｔｏｕｔ、設定温度Ｔｓｅｔ、圧縮機２１の運転周波数Ｆｃおよび時間ｔｋの５つのパラメータを含むことを示す。式（１）では、熱負荷の影響因子が、室温Ｔｒ、外気温度Ｔｏｕｔ、設定温度Ｔｓｅｔおよび圧縮機２１の運転周波数Ｆｃの４つの場合を示しているが、影響因子は４つに限らない。熱負荷の影響因子として、例えば、空気調和装置１が設置される建物の壁体および窓のそれぞれからの伝熱負荷および伝熱損失負荷が含まれてもよい。さらに、式（１）を具体化した場合の一例を、式（２）に示す。

式（２）において、ｗ１～ｗ３は重み係数である。αは空気調和装置１に対応する個別の補正値である。重み係数ｗ１～ｗ３ならびに補正値αのそれぞれの標準値がメモリ１１に予め格納されている。式（２）の右辺の第１項の分子は、（Ｔｓｅｔ－Ｔｒ_{（ｔｋ－１）}）－（Ｔｓｅｔ－Ｔｒ_{（ｔｋ－２）}）の式から算出されたものである。式（２）では、熱負荷の影響因子が４つの場合を示しているが、影響因子の数は４つの場合に限らない。重み係数ｗ１～ｗ３ならびに補正値αおよびβは、それぞれの標準値がメモリ１１に予め格納されているが、熱負荷学習手段５が機械学習を行うことで、空気調和装置１に対応する値に更新される。

また、メモリ１１が、教師データとなる実熱負荷Ｑｒを算出する熱負荷算出式である実熱負荷算出式を記憶していてもよい。実際の熱負荷に近似した実熱負荷Ｑｒを算出する実熱負荷算出式の一例を、式（３）に示す。式（３）において、ＵおよびＶは空気調和装置１に対応する個別の補正係数であり、βは空気調和装置１に対応する個別の補正値である。Ｕ、Ｖおよびβは、空気調和装置１が設置される建物および気候を含む環境に対応して設定される。Ｕ、Ｖおよびβは、空気調和装置１が設置される際、メモリ１１に格納される。

この場合、熱負荷学習手段５は、式（２）を用いて予測熱負荷Ｑｐ（ｔｋ）を算出し、算出した予測熱負荷Ｑｐ（ｔｋ）を学習データ保持手段４に記憶させる。続いて、一定時間ｔが経過したとき、熱負荷学習手段５は、式（３）を用いて実熱負荷Ｑｒ（ｔｋ）を算出する。そして、熱負荷学習手段５は、予測熱負荷Ｑｐ（ｔｋ）と実熱負荷Ｑｒ（ｔｋ）とを比較することで、式（２）の妥当性を評価し、予測熱負荷Ｑｐ（ｔｋ）の値が実熱負荷Ｑｒ（ｔｋ）の値に近づくように式（２）を更新する。なお、本実施の形態１では、将来の熱負荷である予測熱負荷Ｑｐを算出する式（２）と実際の熱負荷に近似した熱負荷である実熱負荷Ｑｒを算出する式（３）とが別々の場合で説明したが、これらの算出式が１つの式で表現されてもよい。

図４は、図２に示した熱負荷学習手段の動作手順の一例を示すフローチャートである。ここでは、機械学習が式（２）および式（３）を用いた強化学習の場合で説明する。熱負荷学習手段５は、周期Ｔｋ毎に、図４に示すステップＳ１０１～Ｓ１０６の処理を行う。ｍを２以上の整数とすると、周期Ｔｍ－１までに、学習データ保持手段４は、周期Ｔ１～Ｔｍ－１の各周期で収集された空調データを記憶している。また、学習データ保持手段４は、熱負荷学習手段５によって推測された予測熱負荷Ｑｐ（ｔ２）～Ｑｐ（ｔｍ）と、熱負荷学習手段５によって算出された実熱負荷Ｑｒ（ｔ１）～Ｑｒ（ｔｍ－１）を記憶している。

熱負荷学習手段５は、周期Ｔｍにおいて（ステップＳ１０１）、室温センサ３３が検出する室温Ｔｒ、外気温度センサ２４が検出する外気温度Ｔｏｕｔ、および設定温度Ｔｓｅｔを学習データ保持手段４に格納する（ステップＳ１０２）。続いて、熱負荷学習手段５は、圧縮機２１の運転周波数の情報を冷凍サイクル手段３から取得して学習データ保持手段４に格納する（ステップＳ１０３）。

熱負荷学習手段５は、機械学習のタイミングか否かを判定する（ステップＳ１０４）。例えば、空気調和装置１の起動直後などにおいては、取得された空調データの値が不安定で、空調データから推測される熱負荷と実際の熱負荷との誤差が大きくなってしまうことがある。また、ＣＰＵ１２の演算速度に比べて周期Ｔｋが小さ過ぎると、熱負荷学習手段５の演算処理が追いつかないことが起こり得る。このような場合に機械学習が実行されると、学習モデルが間違った方向に更新されてしまうことになる。そこで、空気調和装置１の運転状態ならびにＣＰＵ１２およびメモリ１１の処理能力などに応じて、熱負荷学習手段５は、学習の周期の長さを適宜、変更する。学習の周期の長さはユーザによって設定されてもよい。

ステップＳ１０４において、熱負荷学習手段５は、機械学習のタイミングでないと判定すると、処理を終了し（ステップＳ１０６）、ステップＳ１０１に戻り、次の周期Ｔｍ＋１まで待機する。一方、ステップＳ１０４において、熱負荷学習手段５は、機械学習のタイミングと判定すると、取得した空調データおよび式（２）を用いて、周期Ｔｍ＋１における予測熱負荷Ｑｐ（ｔｍ＋１）を算出する。また、熱負荷学習手段５は、取得した空調データおよび式（３）を用いて、周期Ｔｍにおける実熱負荷Ｑｒ（ｔｍ）を算出する。熱負荷学習手段５は、算出した予測熱負荷Ｑｐ（ｔｍ＋１）および実熱負荷Ｑｒ（ｔｍ）を学習データ保持手段４に格納する。

また、熱負荷学習手段５は、算出した実熱負荷Ｑｒ（ｔｍ）と学習データ保持手段４が記憶する予測熱負荷Ｑｐ（ｔｍ）とを比較し、予測熱負荷Ｑｐ（ｔｍ）が実熱負荷Ｑｒ（ｔｍ）に一致するように、式（２）の重み係数ｗ１～ｗ３および補正値αを調整する。熱負荷学習手段５は、学習データ保持手段４が記憶する式（３）を、重み係数ｗ１～ｗ３および補正値αを調整した後の式（３）に更新する（ステップＳ１０５）。

図４に示す手順が繰り返されることで、熱負荷算出式が空気調和装置１の構成および最新の運転状態に対応して更新される。本実施の形態１では、熱負荷学習手段５が学習モデルを求める方法として機械学習を用いる場合で説明したが、求められる熱負荷の精度およびＣＰＵ１２の演算性能によって、ディープラーニングを用いてもよく、ニューラルネットワークを用いてもよい。例えば、ディープラーニングの場合、熱負荷学習手段５は、式（２）において、熱負荷に及ぼす影響が大きい特徴パラメータを抽出する処理を行い、抽出した特徴パラメータの重みが大きくなるように式（２）を更新する。

続いて、図２に示した推測手段６および信号発生手段７の構成を説明する。図２に示した推測手段６は、熱負荷学習手段５が学習した熱負荷算出式を用いて、将来の空気調和装置１の運転状態を推測し、油戻し運転を行うか否かを判定する。具体的には、推測手段６は、空気調和装置１が決められた閾値時間Ｔｔｈ以上継続して低負荷運転を行う場合、熱負荷学習手段５が求めた熱負荷算出式を用いて、一定時間ｔが経過したときに熱負荷が高くなるか否かを推測する。低負荷運転は、例えば、圧縮機２１が決められた基準運転周波数Ｆ０以下の運転周波数Ｆｃで運転する場合である。メモリ１１が閾値時間Ｔｔｈおよび基準運転周波数Ｆ０を記憶している。油戻し運転は、圧縮機２１が基準運転周波数Ｆ０よりも高い運転周波数Ｆｃで運転することで、冷媒回路４０に流れる冷媒の流速を増大させ、冷媒回路４０から冷凍機油を圧縮機２１に回収する運転である。

信号発生手段７は、推測手段６によって推定される、一定時間ｔ経過時の熱負荷が高くなるか否かによって、外部の機器に信号を出力するか否かを判断する。具体的には、信号発生手段７は、一定時間ｔが経過したときに熱負荷が高くならないと推測手段６によって推測された場合、運転周波数を大きくすることを指示する油戻し指示信号を圧縮機２１に出力する。信号発生手段７は、一定時間ｔが経過したときに熱負荷が高くなると推測手段６によって推測された場合、油戻し指示信号を圧縮機２１に出力しない。

空気調和装置１が図に示さない電気ヒータを有する構成において、冷房運転を行っている場合、信号発生手段７は、圧縮機２１に油戻し指示信号を出力するとともに、電気ヒータに起動を指示する信号を送ってもよい。この場合、圧縮機２１の運転周波数Ｆｃが高くなることで室内の空気がさらに低くなるが、電気ヒータがオフ状態からオン状態に切り替わることで、室内の冷え過ぎを防ぐことができる。

なお、図１では、コントローラ２が負荷側ユニット３０に設けられる場合の構成を示しているが、コントローラ２の設置場所は負荷側ユニット３０に限らない。コントローラ２は、負荷側ユニット３０の代わりに、熱源側ユニット２０に設けられていてもよい。また、本実施の形態１では、コントローラ２が複数のセンサおよび複数の冷媒機器と有線で通信する場合で説明したが、複数のセンサおよび複数の冷媒機器と無線で通信してもよい。また、本実施の形態１では、外気温度Ｔｏｕｔを検出する外気温度センサ２４が空気調和装置１に設けられている場合で説明したが、外気温度Ｔｏｕｔの取得方法はこの場合に限らない。例えば、コントローラ２がインターネット等のネットワークと接続される場合、天気予報の情報を提供するウェブサーバからネットワークを介して外気温度Ｔｏｕｔの情報を取得してもよい。

次に、本実施の形態１の空気調和装置１の動作手順を説明する。図５は、本発明の実施の形態１に係る空気調和装置の動作手順を示すフローチャートである。図５に示すステップＳ２０１～Ｓ２０６が一定の周期で行われる。一定の周期は、例えば、１０分である。設定時刻ｔｓは、現在時刻を基準にして推測される熱負荷の時刻である。本実施の形態１では、設定時刻ｔｓは、現在時刻から一定時間ｔが経過したときの時刻である。設定時刻ｔｓはユーザによって設定されてもよい。設定温度Ｔｓｅｔは、図に示さないリモートコントローラを介してユーザによって設定された温度である。図５に示す破線枠は、熱負荷学習手段５が求めた熱負荷算出式に基づいて、推測手段６が行う処理を示す。設定時刻ｔｓおよび設定温度Ｔｓｅｔは、学習データ保持手段４によって記憶される。

推測手段６は、運転周波数Ｆｃが基準運転周波数Ｆ０以下で圧縮機２１が運転するとき、その旨が冷凍サイクル手段３から通知される。推測手段６は、圧縮機２１が基準運転周波数Ｆ０以下で運転する時間Ｌｔを計測し、計測する時間Ｌｔが閾値時間Ｔｔｈ以上であるか否かを判定する（ステップＳ２０１）。時間Ｌｔが閾値時間Ｔｔｈ未満である場合、推測手段６は、冷凍サイクル手段３からの通知を監視する。

ステップＳ２０１の判定の結果、時間Ｌｔが閾値時間Ｔｈｔ以上である場合、推測手段６は、現在の室温Ｔｒおよび外気温度Ｔｏｕｔを室温センサ３３および外気温度センサ２４から取得する。そして、推測手段６は、圧縮機２１の運転周波数Ｆｃを冷凍サイクル手段３から取得する（ステップＳ２０２）。続いて、推測手段６は、設定時刻ｔｓおよび設定温度Ｔｓｅｔを学習データ保持手段４から取得する（ステップＳ２０３）。そして、推測手段６は、熱負荷学習手段５が求めた熱負荷算出式を用いて、現在の実熱負荷Ｑｒを算出する。また、推測手段６は、熱負荷学習手段５が求めた熱負荷算出式を用いて、現在を基準にして、設定時刻ｔｓの相対的な予測熱負荷Ｑｐを算出する（ステップＳ２０４）。なお、推測手段６は、現在の実熱負荷Ｑｒを算出する代わりに、熱負荷学習手段５によって算出された複数の実熱負荷Ｑｒのうち、最新の実熱負荷Ｑｒを学習データ保持手段４から読み出してもよい。

続いて、推測手段６は、現在時刻に比べて設定時刻ｔｓに熱負荷が高くなるか否かを判定する。熱負荷が相対的に高いか否かの判定方法は、例えば、予測熱負荷Ｑｐが実熱負荷Ｑｒに比べて決められた判定補正値ｑ０より高くなるか否かである。判定補正値ｑ０は学習データ保持手段４に記憶されている。推測手段６は、設定時刻ｔｓに対応する予測熱負荷Ｑｐが現在の実熱負荷Ｑｒと比べて判定補正値ｑ０より大きいか否かを判定する（ステップＳ２０５）。判定補正値ｑ０は、ｑ０＝０であってもよい。

ステップＳ２０５の判定の結果、将来の予測熱負荷Ｑｐが現在の実熱負荷Ｑｒよりも高い場合、推測手段６は、近い将来に圧縮機２１の運転周波数Ｆｃが基準運転周波数Ｆ０よりも大きくなると推測する。近い将来、圧縮機２１の運転周波数Ｆｃが増加し、空気調和装置１が高負荷運転に移行すると考えられる。この場合、信号発生手段７は、油戻し運転を圧縮機２１に指示しなくても、冷媒回路４０から冷凍機油が回収されると判断する。その結果、信号発生手段７は、油戻し指示信号を圧縮機２１に送信しない。推測手段６は、ステップＳ２０１に戻る。

一方、ステップＳ２０５の判定の結果、将来の予測熱負荷Ｑｐが現在の実熱負荷Ｑｒよりも高くならない場合、推測手段６は、設定時刻ｔｓになっても圧縮機２１の運転周波数Ｆｃが基準運転周波数Ｆ０以下の状態が維持されると推測する。この場合、信号発生手段７は、圧縮機２１の運転周波数Ｆｃを大きくして、冷媒回路４０から冷凍機油が回収すべきと判断する。その結果、信号発生手段７は、油戻し指示信号を圧縮機２１に送信する（ステップＳ２０６）。

空気調和装置１が高負荷運転の状態では、圧縮機２１の運転周波数Ｆｃが大きいので、十分な量の冷凍機油が圧縮機２１に回収される。そのため、圧縮機２１に対して、油戻し運転を別途、行う必要がない。空気調和装置１が低負荷運転を長い時間行った場合、油戻し運転が必要になるが、空気調和装置１は、近い将来、高負荷運転になることを予測できれば、油戻し運転を行う必要がない。図５に示した手順によれば、空気調和装置１が低負荷運転を長時間行っていても、推測手段６が、近い将来、空気調和装置１が高負荷運転に移行すると予測すると、圧縮機２１に油戻し運転をさせない。この場合、圧縮機２１は、油戻し運転の指示がなくても、熱負荷が高くなると、低負荷運転から高負荷運転に移行するので、冷媒回路４０から冷凍機油が圧縮機２１に回収される。

図１～図５を参照して、学習データ保持手段４、熱負荷学習手段５、推測手段６および信号発生手段７を含む、油戻し制御を行う構成が、空気調和装置１に含まれる場合で説明したが、油戻し制御を行う構成が空気調和装置１とは別に設けられていてもよい。

図６は、本発明の実施の形態１に係る空気調和装置の別の構成例を示す図である。図７は、図６に示した空気調和装置および情報処理装置の一構成例を示す機能ブロック図である。図６に示すように、空気調和装置１ａのコントローラ２ａは、信号線１５を介して情報処理装置１０と接続される。情報処理装置１０は、プログラムを記憶するメモリ１３と、プログラムにしたがって処理を実行するＣＰＵ１４とを有する。信号線１５は、インターネット等のネットワークであってもよい。

図７に示すように、情報処理装置１０は、学習データ保持手段４、熱負荷学習手段５、推測手段６および信号発生手段７を有する。学習データ保持手段４はメモリ１３に設けられている。ＣＰＵ１４がプログラムにしたがって処理を実行することで、熱負荷学習手段５、推測手段６および信号発生手段７が情報処理装置１０に構成される。コントローラ２ａは、冷凍サイクル手段３を有する。ＣＰＵ１２がプログラムにしたがって処理を実行することで、冷凍サイクル手段３がコントローラ２ａに構成される。

図６および図７を参照して説明した情報処理装置１０の動作は、図４および図５を参照して説明した動作と同様になるため、その詳細な説明を省略する。図６および図７に示すように、空気調和装置１ａが学習データ保持手段４、熱負荷学習手段５、推測手段６および信号発生手段７を備えていなくても、図１～図５を参照して説明した油戻し制御を行うことができる。

また、図６および図７に示す構成において、コントローラ２ａのメモリ１１が、時系列で収集される空調データを記憶するようにしてもよい。この場合、熱負荷学習手段５および推測手段６が熱負荷を算出するとき、情報処理装置１０が信号線１５を介してコントローラ２ａから空調データを取得すればよい。さらに、メモリ１１および１３とは別に学習データを記憶する記憶装置が設けられていてもよい。記憶装置は、例えば、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）装置である。

本実施の形態１の情報処理装置１０は、熱負荷学習手段５と、推測手段６と、信号発生手段７とを有する。熱負荷学習手段５は、空気調和装置１の熱負荷の影響因子の学習データを用いて、現在から一定時間ｔが経過したときの熱負荷を算出する熱負荷算出式を求める。推測手段６は、圧縮機２１が閾値時間Ｔｈｔ以上継続して基準運転周波数Ｆ０以下で運転する低負荷運転を行う場合、熱負荷学習手段５が求めた熱負荷算出式を用いて、一定時間ｔが経過したときに熱負荷が現在よりも高くなるか否かを推測する。信号発生手段７は、熱負荷が高くならないと推測手段６によって推測されると、油戻し指示信号を圧縮機２１に出力し、熱負荷が高くなると推測手段６によって推測されると、油戻し指示信号を圧縮機２１に出力しない。

本実施の形態１の空気調和装置１は、熱負荷学習手段５、推測手段６および信号発生手段７を含むコントローラ２と、圧縮機２１を含む冷媒回路４０とを有するものである。

本実施の形態１によれば、熱負荷の影響因子の学習データを用いて求めた熱負荷算出式を用いて、一定時間ｔが経過したときの熱負荷が推測される。そして、熱負荷が高くなると推測された場合、圧縮機２１に油戻し運転が指示されず、熱負荷が高くならないと推測された場合、圧縮機２１に油戻し運転が指示される。圧縮機２１の低負荷運転が長時間続いても、熱負荷が高くなると推測される場合に圧縮機２１が油戻し運転を行わないため、油戻し運転が無駄に行われることが抑制される。熱負荷が高くなると、圧縮機２１の運転周波数Ｆｃが大きくなり、冷媒回路４０に流れる冷媒流量が十分に確保され、冷凍機油が圧縮機２１に回収される。その結果、圧縮機２１の電力消費量が抑制され、冷凍機油を効率よく回収することができる。

従来、空気調和装置は、熱負荷の低い状態で長い時間運転すると、冷凍機油を圧縮機に戻す油戻し運転をする必要がある。しかし、本実施の形態１の空気調和装置１は、一定時間後、例えば、数分後に熱負荷が大きくなると予測すると、圧縮機２１に油戻し運転をさせない。空気調和装置１は圧縮機２１に油戻し運転をさせなくても、熱負荷の増加に対応して圧縮機２１が熱負荷を低減する運転を行えば、熱負荷の低減と同時に冷凍機油の回収を行うことができる。そのため、不要な油戻し運転を行うことを回避できる。

本実施の形態１において、学習データは複数の教師データであってもよい。複数の訓練データが、空気調和装置１が設置される場所を含む地域毎に異なる場合、空気調和装置１が設置された地域の気候に合ったデータであり、熱負荷学習手段５が求める熱負荷算出式で算出される熱負荷が空気調和装置１の実際の熱負荷に近いものになる。

本実施の形態１において、学習データは空気調和装置１から収集される空調データであってもよい。この場合、空気調和装置１の実際の使用環境から取得された空調データを基に熱負荷が推測されることから、熱負荷の予測精度が向上する。その結果、余分な油戻し運転がさらに抑制される。また、熱負荷学習手段５は、空気調和装置１から収集される空調データを用いて、熱負荷算出式が妥当か否かを判定し、判定結果にしたがって熱負荷算出式を更新してもよい。この場合、熱負荷算出式によって算出される熱負荷の予測精度がさらに向上する。

なお、圧縮機２１が、室温Ｔｒと設定温度Ｔｓｅｔとの温度差とは無関係に油戻し運転を行う場合、運転周波数Ｆｃが大きくなるため、室温Ｔｒが設定温度Ｔｓｅｔから離れてしまうおそれがある。これに対して、空気調和装置１が図に示さない電気ヒータを備え、冷房運転を行っている場合、圧縮機２１に油戻し指示信号を出力する際、電気ヒータを起動させてもよい。圧縮機２１の運転周波数Ｆｃが高くなることで室内の空気がさらに低くなるが、電気ヒータがオフ状態からオン状態に切り替わることで、室内の冷え過ぎを防げる。その結果、室温Ｔｒの変動が抑制され、室温Ｔｒの安定を図ることができる。

実施の形態２．
本実施の形態２は、実施の形態１で説明した情報処理装置が複数の空気調和装置と通信接続されるものである。本実施の形態２では、実施の形態１で説明した構成と同様な構成について同一の符号を付し、その詳細な説明を省略する。

本実施の形態２の空気調和システムの構成を説明する。図８は、本発明の実施の形態２に係る空気調和システムの一構成例を示すブロック図である。図８に示すように、空気調和システム１００は、複数の空気調和装置１ａ－１～１ａ－ｎと、複数の空気調和装置１ａ－１～１ａ－ｎとネットワーク６０を介して通信接続される操作機５０と、を有する。ｎは２以上の正の整数である。ネットワーク６０でなくてもよい。複数の空気調和装置１ａ－１～１ａ－ｎと操作機５０との通信接続手段は、有線および無線のうち、一方または両方であってもよい。操作機５０は、例えば、複数の空気調和装置１ａ－１～１ａ－ｎの保守を行うメンテナンス会社に設置される。複数の空気調和装置１ａ－１～１ａ－ｎが設置された会社の管理室に操作機５０が設置されてもよい。

操作機５０は、図６および図７を参照して説明した情報処理装置１０と、表示部５１と、操作部５２とを有する。操作部５２は、メンテナンス会社に所属する作業者が情報処理装置１０に指示を入力するためのものである。操作機５０は、複数の空気調和装置１ａ－１～１ａ－ｎの各装置から空調データを収集する。情報処理装置１０は、複数の空気調和装置１ａ－１～１ａ－ｎの装置毎に、実施の形態１で説明した油戻し制御を行う。表示部５１は、複数の空気調和装置１ａ－１～１ａ－ｎの各装置の運転状態等を示す情報を表示する。

本実施の形態２によれば、油戻し制御を行う情報処理装置１０の機能が、空気調和装置本体ではなく、操作機５０に搭載されている。つまり、学習データ保持手段４、熱負荷学習手段５、推測手段６および信号発生手段７を含む油戻し制御を行う構成と、空気調和装置とが別の製品になっている。そのため、空気調和装置１ａ－１～１ａ－ｎが油戻し制御を行う構成を備えていない機種であっても、これらの装置を操作機５０と通信できるようにすることで、実施の形態１で説明した油戻し制御を空気調和装置１ａ－１～１ａ－ｎに適用できる。例えば、空気調和装置１ａ－１が油戻し制御を行う構成を備えておらず、空気調和装置１ａ－１が既に設置されている場合でも、空気調和装置１ａ－１を操作機５０と通信できるようにすればよい。

また、本実施の形態２において、操作機５０は、複数の空気調和装置１ａ－１～１ａ－ｎの運転状態を監視し、２以上の空気調和装置が同時に油戻し運転を行わないように制御してもよい。複数の空気調和装置１ａ－１～１ａ－ｎが同じ建物に設置されている場合、建物の消費電力が一時的に大きくなってしまうことを防ぐことができる。

なお、本実施の形態２では、操作機５０が表示部５１および操作部５２を有する場合で説明したが、表示部５１および操作部５２を有していなくてもよい。

１、１ａ、１ａ－１～１ａ－ｎ 空気調和装置、２、２ａ コントローラ、３ 冷凍サイクル手段、４ 学習データ保持手段、５ 熱負荷学習手段、６ 推測手段、７ 信号発生手段、１０ 情報処理装置、１１ メモリ、１２ ＣＰＵ、１３ メモリ、１４ ＣＰＵ、１５ 信号線、２０ 熱源側ユニット、２１ 圧縮機、２２ 熱源側熱交換器、２３ 四方弁、２４ 外気温度センサ、３０ 負荷側ユニット、３１ 負荷側熱交換器、３２ 膨張装置、３３ 室温センサ、４０ 冷媒回路、５０ 操作機、５１ 表示部、５２ 操作部、６０ ネットワーク、１００ 空気調和システム。

Claims (8)

1. 圧縮機を含む空気調和装置の熱負荷の影響因子に関する学習データを用いて、現在から一定時間が経過したときの熱負荷を算出する熱負荷算出式を求める熱負荷学習手段と、
   前記圧縮機が決められた閾値時間以上継続して基準運転周波数以下で運転する低負荷運転を行う場合、前記熱負荷学習手段が求めた前記熱負荷算出式を用いて、前記一定時間が経過したときに前記熱負荷が現在よりも高くなるか否かを推測する推測手段と、
   前記熱負荷が高くならないと前記推測手段によって推測される場合、運転周波数を大きくすることを指示する油戻し指示信号を前記圧縮機に出力し、前記熱負荷が高くなると前記推測手段によって推測される場合、前記油戻し指示信号を前記圧縮機に出力しない信号発生手段と、
   を有する情報処理装置。
2. 前記学習データとして、複数の訓練データを保持する学習データ保持手段を有する、請求項１に記載の情報処理装置。
3. 前記学習データとして、空調対象空間の設定温度、前記空調対象空間の部屋の温度である室温、外気温度、および前記圧縮機の運転周波数を含む空調データを時系列で収集して記憶する学習データ保持手段を有する、請求項１または２に記載の情報処理装置。
4. 前記熱負荷学習手段は、
   前記学習データ保持手段が記憶する前記空調データを用いて、前記熱負荷算出式が妥当か否かを判定し、判定結果にしたがって前記熱負荷算出式を更新する、請求項３に記載の情報処理装置。
5. 前記熱負荷学習手段は、
   前記熱負荷算出式に基づいて前記一定時間後の熱負荷である予測熱負荷を算出し、前記一定時間後に収集された前記空調データを用いて実際の熱負荷である実熱負荷を算出し、前記予測熱負荷が前記実熱負荷に一致するように前記熱負荷算出式を更新する、請求項４に記載の情報処理装置。
6. 請求項１～５のいずれか１項に記載の情報処理装置の前記熱負荷学習手段、前記推測手段および前記信号発生手段を含むコントローラと、
   前記圧縮機、熱源側熱交換器、膨張装置および負荷側熱交換器が冷媒配管で接続され、冷媒が循環する冷媒回路と、
   を有する空気調和装置。
7. 請求項１～５のいずれか１項に記載の情報処理装置の前記熱負荷学習手段、前記推測手段および前記信号発生手段が設けられた操作機と、
   前記操作機と通信接続される複数の空気調和装置と、
   を有する空気調和システム。
8. 前記操作機は、前記複数の空気調和装置とネットワークを介して通信接続される、請求項７に記載の空気調和システム。

Images