JP7228074B1 - 遠隔制御方法、遠隔制御装置、及び遠隔制御プログラム - Google Patents

Abstract

【課題】空調機との間で双方向にデータ通信を行うことができない場合であっても、空調機の稼働状態を推定する。【解決手段】スマートリモコン１は、エアコン２が設置された室内の室内温度、及び室内温度の測定前に測定された基準室内温度と室内温度との差分を表す室内温度変化量を含む基本データを用いた機械学習によって得られた予測モデルを用いて、基本データからエアコン２の稼働状態を推定し、スマートリモコン１からエアコン２への方向しか通信することができない単方向の赤外線通信を用いて、推定したエアコン２の稼働状態に応じた節電制御を実行する。【選択図】図１

Description

本開示は、空調機に対して赤外線方式で制御を行う遠隔制御方法、遠隔制御装置、及び遠隔制御プログラムに関する。

通信回線に接続されたスマートリモコンを用いて住宅内の空調機を遠隔制御する方法が従来から知られており、例えば特許文献１には、ユーザがスマートフォンからスマートリモコンに指示を送信すると、スマートリモコンが受信した指示に応じた制御データを空調機に送信して空調機の制御を行う空気調和システムが開示されている。

特開２０１７－２０７２５４号公報

特許文献１に記載される従来技術は、空調機とスマートリモコンの通信方式にＥＣＨＯＮＥＴＬｉｔｅ（登録商標）を用いてデータ通信を行っている。ＥＣＨＯＮＥＴＬｉｔｅでは空調機とスマートリモコンとの間で双方向にデータ通信が可能である。したがって、ＥＣＨＯＮＥＴＬｉｔｅ方式に対応したスマートリモコンは、空調機の電源状態や、空調機が冷房、暖房、及び除湿等のうちどのような種類の運転を行っているのかといった動作モードや、風量及び温度等の条件設定を事前に空調機から取得して、現在の空調機の稼働状態から相対的な運転指示を行うことができる。

しかしながら、ユーザが使用している空調機のスマートリモコンが、必ずしもＥＣＨＯＮＥＴＬｉｔｅ方式に対応しているとは限らない。例えば空調機のスマートリモコンが赤外線方式である場合、赤外線方式ではデータの送信方向がスマートリモコンから空調機への単方向に限定されるため、スマートリモコンは空調機の現在の稼働状態を取得することができない。換言すれば、遠隔地にいるユーザも空調機における現在の稼働状態を知ることができない。

このように、空調機の制御に赤外線方式のスマートリモコンを用いる場合、スマートリモコンは、空調機における現在の稼働状態を把握していないユーザの指示に従って空調機の制御を行うことになる。したがって、例えば節電を目的としたデマンドレスポンス（Ｄｅｍａｎｄ Ｒｅｓｐｏｎｓｅ：ＤＲ）制御を行わなければならない状況であっても、ユーザの指示に対応した制御データをそのまま空調機に送信した場合、例えば停止していた空調機の電源をオンにしたり、消費電力量が増加する方向に設定温度を設定したりといった、空調機に対して節電に反する運転を実行させてしまうことがあるといった問題が生じる。

本開示は上記事実を鑑みてなされたものであり、空調機との間で双方向にデータ通信を行うことができない場合であっても、空調機の稼働状態を推定することができる遠隔制御方法、遠隔制御装置、及び遠隔制御プログラム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、第１態様に係る遠隔制御方法は、空調機が設置された室内の室内温度、及び前記室内温度の測定前に測定された予め定めた時点における基準室内温度と前記室内温度との差分を表す室内温度変化量を含む基本データを用いた機械学習によって得られた予測モデルを用いて、前記基本データから前記空調機の稼働状態を推定し、前記空調機への指示の送信は行うことができるが、指示に対する前記空調機からの応答は受信することができない単方向の赤外線通信を用いて、推定した前記空調機の稼働状態に対して予め対応付けられている指示を前記空調機に送信する制御を含む処理をコンピュータが実行する。

第２態様に係る遠隔制御方法は、第１態様に係る遠隔制御方法において、前記機械学習が、前記基本データに対して前記室内温度を測定した時点における前記空調機の稼働状態をラベル付けした教師データを用いて、前記基本データと前記空調機の稼働状態との関係を学習する教師あり機械学習である。

第３態様に係る遠隔制御方法は、第２態様に係る遠隔制御方法において、前記基本データは、前記室内温度と前記室内温度変化量に加え、更に、前記室内の室内湿度、前記室内の室内照度、前記室内に居住するユーザの位置情報、及び前記空調機の消費電力量の少なくとも１つを含む。

第４態様に係る遠隔制御方法は、第３態様に係る遠隔制御方法において、前記予測モデルは、前記基本データと、前記室内温度及び前記室内照度を用いて算出されるデータである拡張データと、に対して前記空調機の稼働状態をラベル付けした教師データによる教師あり機械学習で得られたモデルであり、前記予測モデルを用いて、前記基本データ及び前記拡張データから前記空調機の稼働状態を推定する処理をコンピュータが実行する。

第５態様に係る遠隔制御方法は、第４態様に係る遠隔制御方法において、前記拡張データは、前記室内温度から、前記空調機の稼働状態の推定当日における基準時刻に測定された前記室内温度を引いた基準時刻温度差、前記室内における最高温度から前記室内における最低温度を引いた差分に対する、前記室内温度から前記最低温度を引いた差分の割合である規格化温度、予め定めた規定時間帯に測定された各々の前記室内温度から得られる統計室内温度、前記室内における最高照度から前記室内における最低照度を引いた差分に対する、前記室内照度から前記最低照度を引いた差分の割合である規格化照度、及び前記規定時間帯に測定された各々の前記室内照度から得られる統計室内照度の少なくとも１つを含む。

第６態様に係る遠隔制御方法は、第５態様に係る遠隔制御方法において、前記統計室内温度として、前記規定時間帯に測定された前記室内温度の平均値である平均室内温度、前記規定時間帯に測定された前記室内温度の最高値である最高室内温度、及び前記規定時間帯に測定された前記室内温度の最低値である最低室内温度の少なくとも１つを含み、前記統計室内照度として、前記規定時間帯に測定された前記室内照度の平均値である平均室内照度、前記規定時間帯に測定された前記室内照度の最高値である最高室内照度、及び前記規定時間帯に測定された前記室内照度の最低値である最低室内照度の少なくとも１つを含む。

第７態様に係る遠隔制御方法は、第４態様～第６態様の何れか１つの態様に係る遠隔制御方法において、前記予測モデルは、前記基本データと、前記拡張データと、電力の供給を受けている需要家毎の電力の供給地点での気温から得られる需要家温度データと、に対して前記空調機の稼働状態をラベル付けした教師データによる教師あり機械学習で得られたモデルであり、前記予測モデルを用いて、前記基本データ、前記拡張データ、及び前記需要家温度データから前記空調機の稼働状態を推定する処理をコンピュータが実行する。

第８態様に係る遠隔制御方法は、第７態様に係る遠隔制御方法において、前記需要家温度データは、前記空調機が設置されている地点の外気温、及び電力の供給を受けている全需要家の各々の需要設備内の温度から得られる全需要家統計温度データの少なくとも１つを含む。

第９態様に係る遠隔制御方法は、第８態様に係る遠隔制御方法において、前記全需要家統計温度データとして、各々の前記需要設備内の温度の平均値である全需要家平均温度、各々の前記需要設備内の温度の最高値である全需要家最高温度、及び各々の前記需要設備内の温度の最低値である全需要家最低温度の少なくとも１つを含む。

第１０態様に係る遠隔制御方法は、第１態様に係る遠隔制御方法において、前記機械学習が、前記基本データに含まれる各値によって表される変数点を２つのクラスタに分類し、各々のクラスタに分類された前記変数点に対応した前記室内温度の平均値の違いから、各々のクラスタに前記空調機が稼働していることを示すラベルか、又は、前記空調機が停止していることを示すラベルを対応付ける教師なし機械学習である。

第１１態様に係る遠隔制御装置は、空調機に対する指示を、赤外線を用いて前記空調機に送信する一方、指示に対する前記空調機からの応答は受信することができない単方向の赤外線通信を行う通信部と、前記空調機が設置された室内の室内温度と、前記室内温度の測定前に測定された予め定めた時点における基準室内温度と前記室内温度との差分を表す室内温度変化量とを含む基本データを用いた機械学習によって得られた予測モデルを用いて、前記基本データから前記空調機の稼働状態を推定する推定部と、前記推定部で推定した前記空調機の稼働状態に対して予め対応付けられている指示を、前記通信部から前記空調機に送信する制御を行う制御部と、を備える。

第１２態様に係る遠隔制御装置は、第１１態様に係る遠隔制御装置において、前記機械学習が、前記基本データに対して前記室内温度を測定した時点における前記空調機の稼働状態をラベル付けした教師データを用いて前記基本データと前記空調機の稼働状態との関係を学習する教師あり機械学習である。

第１３態様に係る遠隔制御装置は、第１２態様に係る遠隔制御装置において、前記基本データは、前記室内温度と前記室内温度変化量に加え、更に、前記室内の室内湿度、前記室内の室内照度、前記室内に居住するユーザの位置情報、及び前記空調機の消費電力量の少なくとも１つを含む。

第１４態様に係る遠隔制御装置は、第１３態様に係る遠隔制御装置において、前記予測モデルは、前記基本データと、前記室内温度及び前記室内照度を用いて算出されるデータである拡張データと、に対して前記空調機の稼働状態をラベル付けした教師データによる教師あり機械学習で得られたモデルであり、前記推定部は、前記予測モデルを用いて、前記基本データ及び前記拡張データから前記空調機の稼働状態を推定する。

第１５態様に係る遠隔制御装置は、第１４態様に係る遠隔制御装置において、前記拡張データは、前記室内温度から、前記空調機の稼働状態の推定当日における基準時刻に測定された前記室内温度を引いた基準時刻温度差、前記室内における最高温度から前記室内における最低温度を引いた差分に対する、前記室内温度から前記最低温度を引いた差分の割合である規格化温度、予め定めた規定時間帯に測定された各々の前記室内温度から得られる統計室内温度、前記室内における最高照度から前記室内における最低照度を引いた差分に対する、前記室内照度から前記最低照度を引いた差分の割合である規格化照度、及び前記規定時間帯に測定された各々の前記室内照度から得られる統計室内照度の少なくとも１つを含む。

第１６態様に係る遠隔制御装置は、第１５態様に係る遠隔制御装置において、前記統計室内温度として、前記規定時間帯に測定された前記室内温度の平均値である平均室内温度、前記規定時間帯に測定された前記室内温度の最高値である最高室内温度、及び前記規定時間帯に測定された前記室内温度の最低値である最低室内温度の少なくとも１つを含み、前記統計室内照度として、前記規定時間帯に測定された前記室内照度の平均値である平均室内照度、前記規定時間帯に測定された前記室内照度の最高値である最高室内照度、及び前記規定時間帯に測定された前記室内照度の最低値である最低室内照度の少なくとも１つを含む。

第１７態様に係る遠隔制御装置は、第１４態様～第１６態様の何れか１つの態様に係る遠隔制御装置において、前記予測モデルは、前記基本データと、前記拡張データと、電力の供給を受けている需要家毎の電力の供給地点での気温から得られる需要家温度データと、に対して前記空調機の稼働状態をラベル付けした教師データによる教師あり機械学習で得られたモデルであり、前記推定部は、前記予測モデルを用いて、前記基本データ、前記拡張データ、及び前記需要家温度データから前記空調機の稼働状態を推定する。

第１８態様に係る遠隔制御装置は、第１７態様に係る遠隔制御装置において、前記需要家温度データは、前記空調機が設置されている地点の外気温、及び電力の供給を受けている全需要家の各々の需要設備内の温度から得られる全需要家統計温度データの少なくとも１つを含む。

第１９態様に係る遠隔制御装置は、第１８態様に係る遠隔制御装置において、前記全需要家統計温度データとして、各々の前記需要設備内の温度の平均値である全需要家平均温度、各々の前記需要設備内の温度の最高値である全需要家最高温度、及び各々の前記需要設備内の温度の最低値である全需要家最低温度の少なくとも１つを含む。

第２０態様に係る遠隔制御装置は、第１１態様に係る遠隔制御装置において、前記機械学習が、前記基本データに含まれる各値によって表される変数点を２つのクラスタに分類し、各々のクラスタに分類された前記変数点に対応した前記室内温度の平均値の違いから、各々のクラスタに前記空調機が稼働していることを示すラベルか、又は、前記空調機が停止していることを示すラベルを対応付ける教師なし機械学習である。

第２１態様に係る遠隔制御プログラムは、コンピュータに、空調機が設置された室内の室内温度、及び前記室内温度の測定前に測定された予め定めた時点における基準室内温度と前記室内温度との差分を表す室内温度変化量を含む基本データを用いた機械学習によって得られた予測モデルを用いて、前記基本データから前記空調機の稼働状態を推定し、前記空調機への指示の送信は行うことができるが、指示に対する前記空調機からの応答は受信することができない単方向の赤外線通信を用いて、推定した前記空調機の稼働状態に対して予め対応付けられている指示を前記空調機に送信する制御を実行させるためのプログラムである。

第１態様、第１１態様、及び第２１態様によれば、空調機との間で双方向にデータ通信を行うことができない場合であっても、空調機の稼働状態を推定することができる、という効果を有する。

第２態様及び第１２態様によれば、教師あり機械学習を用いて空調機の稼働状態を推定することができる、という効果を有する。

第３態様及び第１３態様によれば、室内温度と室内温度変化量のみを用いて空調機の稼働状態を推定する場合と比較して、空調機の稼働状態を精度よく推定することができる、という効果を有する。

第４態様及び第１４態様によれば、基本データのみを用いて空調機の稼働状態を推定する場合と比較して、空調機の稼働状態を精度よく推定することができる、という効果を有する。

第５態様及び第１５態様によれば、空調機の稼働状態の推定に用いる拡張データを基本データから生成することができる、という効果を有する。

第６態様及び第１６態様によれば、規定時間帯における室内温度と室内照度の状況を表す統計値から空調機の稼働状態を推定することができる、という効果を有する。

第７態様及び第１７態様によれば、基本データ及び拡張データのみを用いて空調機の稼働状態を推定する場合と比較して、空調機の稼働状態を精度よく推定することができる、という効果を有する。

第８態様及び第１８態様によれば、基本データには含まれない温度に関するデータを空調機の稼働状態の推定に用いることができる、という効果を有する。

第９態様及び第１９態様によれば、自分の需要設備だけで測定されたデータを用いて空調機の稼働状態を推定する場合と比較して、空調機の稼働状態を精度よく推定することができる、という効果を有する。

第１０態様及び第２０態様によれば、教師なし機械学習を用いて空調機の稼働状態を推定することができる、という効果を有する。

遠隔制御システムのシステム構成例を示す図である。 スマートリモコンの機能構成例を示す図である。 スマートリモコン及びサーバにおける電気系統の要部構成例を示す図である。 エアコンの稼働状態の推定に用いる予測モデルの生成処理の一例を示すフローチャートである。 エアコンの稼働状態を推定する推定処理の一例を示すフローチャートである。 基本データ、拡張データ、及び需要家温度データの一例を示す図である。 ロジスティック回帰分析を用いた推定結果の一例を示す図である。 決定木を用いた推定結果の一例を示す図である。 ランダムフォレストを用いた推定結果の一例を示す図である。

以下、本実施の形態について図面を参照しながら説明する。なお、同じ構成要素及び同じ処理には全図面を通して同じ符号を付与し、重複する説明を省略する。

＜システム構成＞
図１は、遠隔制御システム１００のシステム構成例を示す図である。遠隔制御システム１００は、需要設備７内に備えられたスマートリモコン１、エアコン２、及びセンサ３と、ユーザ端末４、及びサーバ５を含み、スマートリモコン１、ユーザ端末４、及びサーバ５がインターネット６を通じて相互に接続されている。

需要設備７とは、電気事業者と電気の供給契約を結んだ需要家が、電気事業者から電気の供給を受けている施設である。換言すれば、需要設備７とは、電力の供給を受けている需要家毎の電力の供給地点である。需要家が個人の場合、例えば需要家の自宅が需要設備７となり、需要家が法人の場合、例えば工場やオフィス等が需要設備７となる。こうした複数の需要設備７が、例えばスマートリモコン１を通じてインターネット６に接続されている。

以降では、遠隔制御システム１００における１つの需要設備７に着目して、遠隔制御システム１００の動作の説明を行う。説明の便宜上、着目した需要設備７を有する需要家を「ユーザ」という。また、電気事業者とは、本開示の遠隔制御システム１００を提供している電気事業者のことを指す

なお、需要設備７は、内部に人が存在し、又は立ち入る可能性のある構造物であればよく、上記に示した住宅、工場、及びオフィスに限られない。例えば倉庫や店舗等も需要設備７の一例である。本開示の例では、需要設備７がユーザの自宅である場合について説明する。したがって、ユーザの自宅の末尾にも需要設備７と同じ符号を付して、「自宅７」と表す。

スマートリモコン１は、例えばユーザ端末４を通じてユーザから受け付けた指示に従ってエアコン２を制御する遠隔制御装置の一例である。スマートリモコン１は、赤外線を用いてエアコン２を制御する赤外線方式の遠隔制御装置である。したがって、スマートリモコン１は、ユーザの指示に対応した制御コードをエアコン２に送信することはできるが、制御コードを受信したエアコン２からの応答を受信することはできない。すなわち、スマートリモコン１は、スマートリモコン１からエアコン２に制御コードを送信するだけの単方向の赤外線通信に対応した遠隔制御装置である。

スマートリモコン１によるエアコン２の制御には、例えばエアコン２の電源のオンオフ制御、運転モードの切り替え、及び各運転モードにおける設定温度や風量の制御が含まれる。エアコン２の運転モードには、例えば冷房運転及び暖房運転の少なくとも一方が含まれる。こうしたエアコン２は、赤外線通信によってスマートリモコン１から制御コードを受信し、受信した制御コードに従ってエアコン２の稼働状態を変化させる空調機の一例である。

センサ３は、エアコン２が設置された自宅７の室内に取り付けられる測定器の一例であり、少なくとも１つのセンサ３が自宅７に取り付けられる。自宅７に取り付けられるセンサ３の種類は、エアコン２の稼働状態や人の在宅状況を推定するために用いられる物理量を測定するものであればその種類に制約はない。一例として、自宅７にはエアコン２が設置されている室内の温度（「室内温度」という）を測定する温度センサ３Ａが取り付けられている。

センサ３は、センサ３毎にユーザ端末４から指示された予め定められた間隔で測定対象の測定を行い、遅滞なく、すなわち、リアルタイムに測定値をサーバ５に送信する。しかしながら、センサ３の測定タイミングはこれに限られない。例えばセンサ３は、スマートリモコン１やサーバ５から測定要求を受け付けた場合に測定対象の測定を行ってもよい。また、センサ３は、予め定められた間隔で測定対象の測定を行いながら、スマートリモコン１やサーバ５から測定要求を受け付けた場合にも測定対象の測定を行うようにしてもよい。

ユーザ端末４は、ユーザが操作する情報機器の一例であり、例えばスマートフォン、タブレット型コンピュータ、ウェアラブルコンピュータが用いられるが、説明の便宜上、スマートフォンが用いられているものとする。ユーザは、ユーザ端末４を操作することで、インターネット６を介してエアコン２に対する指示をスマートリモコン１に送信する。

また、ユーザ端末４は、ＧＰＳ（Ｇｌｏｂａｌ Ｐｏｓｉｔｉｏｎｉｎｇ Ｓｙｓｔｅｍ）を利用してユーザ端末４の位置を表すＧＰＳ位置情報を出力する機能を備えているものとする。ＧＰＳ位置情報は、緯度及び経度の組み合わせによって表される。

サーバ５は、遠隔制御システム１００で用いられる各種データを記憶するデータサーバの一例である。したがって、サーバ５には、例えばユーザによっていつどのような指示がエアコン２に対して行われたのかといったユーザの操作履歴、及びセンサ３の測定値が時系列に沿って記憶されている。

センサ３は、インターネット６に接続するインターフェースを備えている場合、例えばセンサ３で測定した測定値を時系列に沿ってサーバ５の記憶装置に記録する。一方、センサ３がインターネット６に接続するインターフェースを備えていない場合、センサ３は、例えばスマートリモコン１のようにインターネット６に接続するインターフェースを備えている情報機器を介して、測定した測定値を時系列に沿ってサーバ５に記録する。この場合、センサ３とスマートリモコン１との間は、例えばＷｉ－Ｆｉ（登録商標）、ｂｌｕｅｔｏｏｔｈ（登録商標）、及びｚｉｇｂｅｅ（登録商標）といった近距離無線通信手段、又は有線で接続すればよい。以降では一例として、センサ３がインターネット６に接続するインターフェースを備え、サーバ５に測定値を送信しているものとして説明を行う。

なお、スマートリモコン１が近距離無線通信手段によってセンサ３から測定値を取得する形態に加えて、スマートリモコン１がサーバ５を介してセンサ３の測定値を取得する形態も、スマートリモコン１がセンサ３から測定値を取得する形態の一例である。

なお、スマートリモコン１とインターネット６の接続は有線であっても無線であってもどちらでもよい。

図２は、スマートリモコン１の機能構成例を示す図である。図２に示すように、スマートリモコン１は、通信部１Ａ、推定部１Ｂ、及び制御部１Ｃの各機能部を有する。

通信部１Ａは、制御部１Ｃの制御に基づいて、ユーザから受け付けた指示に対応した制御コードを、赤外線を用いてエアコン２に送信する単方向の赤外線通信を行う。また、通信部１Ａは、センサ３、ユーザ端末４、及びサーバ５と双方向にデータ通信を行うことも可能である。

推定部１Ｂは、通信部１Ａで受信した各々のセンサ３の測定値を用いて、エアコン２の稼働状態を推定する。具体的には、推定部１Ｂは、各々のセンサ３の測定値、及び各々のセンサ３の測定値から得られる値（「派生データ」という）と、エアコン２の稼働状態を推定する予測モデルとを用いて、エアコン２の稼働状態を推定する。

予測モデルは、各々のセンサ３の測定値及び測定値の派生データに対して、センサ３の測定値を測定した時点におけるエアコン２の稼働状態をラベル付けした教師データによる教師あり機械学習を行うことで得られたモデルである。

制御部１Ｃは、推定部１Ｂで推定したエアコン２の稼働状態に応じて予め対応付けられている指示を表す制御コードを、通信部１Ａからエアコン２に送信する制御を行う。

スマートリモコン１は、例えば節電を目的としたデマンドレスポンス（Ｄｅｍａｎｄ Ｒｅｓｐｏｎｓｅ：ＤＲ）制御指示をユーザ端末４やサーバ５から受け付けた場合、通信部１Ａで受信した各々のセンサ３の測定値と、測定値の派生データを予測モデルに入力してエアコン２の稼働状態を推定する。そのうえで、スマートリモコン１は、エアコン２の消費電力量がエアコン２の稼働状態の推定時点におけるエアコン２の消費電力量よりも減少するようにエアコン２の稼働状態に応じて予め対応付けられた指示に対応した制御を実行する。

エアコン２が稼働していると推定された場合、スマートリモコン１は、例えばエアコン２の電源をオフにする制御コードをエアコン２に送信してエアコン２を停止してもよい。また、例えばエアコン２が稼働していると推定された場合、スマートリモコン１は、例えばエアコン２の風量を下げる制御コードをエアコン２に送信してもよい。一方、エアコン２が稼働していないと推定された場合、スマートリモコン１は、例えば何れの制御コードも送信せずにエアコン２が稼働していない状態を維持してもよい。また、エアコン２が稼働していないと推定された場合、スマートリモコン１は念のため、例えばエアコン２の電源をオフにする制御コードをエアコン２に送信してもよい。

こうしたエアコン２の稼働状態に対するエアコン２への指示の対応付けは、ユーザによって予め行われている。

図２に示した機能構成を有するスマートリモコン１は、例えばコンピュータ１０を用いて構成される。図３は、スマートリモコン１における電気系統の要部構成例を示す図である。

コンピュータ１０は、図２に示したスマートリモコン１の各機能部の処理を担うプロセッサの一例であるＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）１１、コンピュータ１０の起動処理を行う起動プログラム（Ｂａｓｉｃ Ｉｎｐｕｔ Ｏｕｔｐｕｔ Ｓｙｓｔｅｍ：ＢＩＯＳ）を記憶するＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）１２、ＣＰＵ１１の一時的な作業領域として使用されるＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）１３、不揮発性メモリ１４、及び入出力インターフェース（Ｉ／Ｏ）１５を備える。ＣＰＵ１１、ＲＯＭ１２、ＲＡＭ１３、不揮発性メモリ１４、及びＩ／Ｏ１５はバス１６を介して各々接続されている。

不揮発性メモリ１４は、不揮発性メモリ１４に供給される電力が遮断されても記憶した情報が維持される記憶装置の一例であり、例えば半導体メモリが用いられるがハードディスクを用いてもよい。したがって、不揮発性メモリ１４には、例えばコンピュータ１０をスマートリモコン１として機能させる遠隔制御プログラムが記憶される。なお、不揮発性メモリ１４は、必ずしもコンピュータ１０に内蔵されている必要はなく、例えばメモリカードのようにコンピュータ１０に着脱される記憶装置であってもよい。

Ｉ／Ｏ１５には、例えば通信ユニット１７、入力ユニット１８、及び表示ユニット１９が接続される。

通信ユニット１７はインターネット６に接続され、センサ３、ユーザ端末４、及びサーバ５と通信を行う通信プロトコルを備える。また、通信ユニット１７は、エアコン２と単方向の赤外線通信を行う通信プロトコルを備える。

入力ユニット１８は、ユーザの指示を受け付けてＣＰＵ１１に通知する装置であり、例えば各種ボタンが含まれる。ユーザの指示をユーザ端末４から受け付ける場合、必ずしもＩ／Ｏ１５に入力ユニット１８を接続する必要はない。

表示ユニット１９は、ＣＰＵ１１によって処理された各種情報を出力する装置であり、液晶ディスプレイ、及び有機ＥＬ（Ｅｌｅｃｔｒｏ Ｌｕｍｉｎｅｓｃｅｎｃｅ）ディスプレイのような表示デバイスが含まれる。ＣＰＵ１１によって処理された各種情報をユーザ端末４で表示する場合、必ずしもＩ／Ｏ１５に表示ユニット１９を接続する必要はない。

なお、サーバ５も図３に示したコンピュータ１０と同様の構成を有するコンピュータ２０によって構成される。

コンピュータ２０は、図１に示したサーバ５での処理を担うプロセッサの一例であるＣＰＵ２１、コンピュータ２０の起動処理を行う起動プログラムを記憶するＲＯＭ２２、ＣＰＵ２１の一時的な作業領域として使用されるＲＡＭ２３、不揮発性メモリ２４、及びＩ／Ｏ２５を備える。ＣＰＵ２１、ＲＯＭ２２、ＲＡＭ２３、不揮発性メモリ２４、及びＩ／Ｏ２５はバス２６を介して各々接続されている。

不揮発性メモリ２４には、例えばコンピュータ２０をサーバ５として機能させる管理プログラムが記憶される。

通信ユニット２７はインターネット６に接続され、各需要家のスマートリモコン１、センサ３、及びユーザ端末４と通信を行う通信プロトコルを備える。

入力ユニット２８は、サーバ５を管理するサーバ管理者の指示を受け付けてＣＰＵ２１に通知する装置であり、例えばキーボード、マウス、ポインティングデバイス等が含まれる。

表示ユニット２９は、ＣＰＵ２１によって処理された各種情報を出力する装置であり、液晶ディスプレイ、及び有機ＥＬディスプレイのような表示デバイスが含まれる。

＜遠隔制御システムの動作＞
次に、遠隔制御システム１００の動作について説明する。図４は、サーバ管理者から予測モデルの生成指示を受け付けた場合に実行される予測モデルの生成処理の一例を示すフローチャートである。図４に示す予測モデルの生成処理を規定する管理プログラムは、例えばサーバ５の不揮発性メモリ２４に予め記憶されている。サーバ５のＣＰＵ２１は、不揮発性メモリ２４に記憶される管理プログラムを読み込み、図４に示す予測モデルの生成処理を実行する。

なお、サーバ５の不揮発性メモリ２４には、センサ３の測定値及び測定値の派生データに対して、センサ３の測定値が測定された時点におけるエアコン２の稼働状態をラベル付けした複数の教師データが予め記憶されているものとする。

ユーザの自宅７には温度センサ３Ａが取り付けられていることから、サーバ５の記憶装置に記憶されている教師データは、室内温度と室内温度変化量に対してエアコン２の稼働状態をラベル付けした教師データとする。室内温度変化量とは、室内温度の測定前に測定された予め定めた時点における室内温度（「基準室内温度」という）と新たに測定した室内温度（「最新の室内温度」ともいう）との差分である。一例として、基準室内温度は、最新の室内温度からＸ分前（Ｘは正の自然数）に測定された室内温度が用いられる。パラメータＸはサーバ管理者によって変更可能であり、例えば“Ｘ＝１５”に設定される。

本開示における「予め定めた時点に測定された測定値」とは、指定された時刻に測定された測定値だけでなく、指定された時刻を含む予め定めた期間内に測定された測定値であってもよい。例えば指定された時刻の前後にそれぞれ２秒の猶予期間が設定されている場合、指定された時刻を含む４秒間に測定された測定値が予め定めた時点に測定された測定値となる。したがって、例えば“Ｘ＝１５”であれば、最新の室内温度の測定時刻から１４分５８秒以上１５分０２秒以下まで遡った期間に測定された室内温度が基準室内温度となる。猶予期間もサーバ管理者によって変更可能である。

室内温度及び室内温度変化量のように、他の測定値に比べて予測モデルの生成に用いることが特に推奨される測定値を「基本データ」という。

室内温度及び室内温度変化量にエアコン２の稼働状態をラベル付けするとは、室内温度及び室内温度変化量が測定された時点でのエアコン２の稼働状態を室内温度及び室内温度変化量に対応付けることをいう。例えば室内温度及び室内温度変化量が測定された時点でエアコン２が稼働していれば、当該室内温度及び室内温度変化量に対して稼働中のラベルを対応付ける。また、例えば室内温度及び室内温度変化量が測定された時点でエアコン２が停止していれば、当該室内温度及び室内温度変化量に対して停止中のラベルを対応付ける。

こうした基本データへのエアコン２の稼働状態のラベル付けは、例えばサーバ管理者によって予め行われている。サーバ管理者は、図１に示したような需要設備７を模した実験設備を用いて、被験者が住む実験設備に設置されたエアコン２の稼働状態と、実験設備における室内温度及び室内温度変化量とを対応付けた複数の教師データを予め生成し、サーバ５の記憶装置に記憶しておく。

まず、図４のステップＳ１０において、ＣＰＵ２１は、不揮発性メモリ２４に記憶されている複数の教師データを取得する。

ステップＳ２０において、ＣＰＵ２１は、ステップＳ１０で取得した複数の教師データを用いて教師あり機械学習を実行し、基本データとエアコン２の稼働状態との対応付けを学習した予測モデルを生成する。

予測モデルの学習に用いる教師あり機械学習に制約はなく、公知の教師あり機械学習を用いることができる。具体的には、ロジスティック回帰分析、決定木、ランダムフォレスト、ｋ近傍法、サポートベクターマシーン（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ：ＳＶＭ）、ニューラルネットワーク、及びディープラーニング等を教師あり機械学習として用いることができる。

このうち、ロジスティック回帰分析とは、ロジスティック回帰関数を用いて説明変数に対する目的変数の発生確率を推定する手法である。具体的には、ロジスティック回帰分析は、室内温度及び室内温度変化量を含む基本データ（説明変数に相当）が得られた場合、当該基本データによって表される状況の下でエアコン２が稼働している確率（目的変数の発生確率に相当）を推定する。

なお、室内温度を“Ｔ”、室内温度変化量を“ΔＴ”とすれば、教師あり機械学習としてロジスティック回帰分析を用いる場合のロジスティック回帰関数ｙは（１）式によって表される。

（１）式において、“ａ”及び“ｂ”は、それぞれ室内温度Ｔ及び室内温度変化量ΔＴの係数であり、ｋは定数項を表す。また、“ｓ”及び“ｔ”は、それぞれ室内温度Ｔ及び室内温度変化量ΔＴの乗数を表す。

決定木とは、目的変数の各カテゴリ（エアコン２が稼働しているか、又は停止しているかを表すカテゴリ）に分類される割合に違いが出るように説明変数（基本データに相当）を閾値で分割することによって生成された分類木を用いて、測定された基本データに対するエアコン２の稼働状態を推定する手法である。

ランダムフォレストとは、ブートストラップによって複数の教師データから抽出した各々のサンプル毎に決定木を作成し、アンサンブル学習を行うことで、測定された基本データに対するエアコン２の稼働状態を推定する手法である。

ＣＰＵ２１は、こうした教師あり機械学習を用いて、基本データとエアコン２の稼働状態との対応付けを学習した予測モデルを生成する。

ステップＳ３０において、ＣＰＵ２１は、ステップＳ２０で生成した予測モデルを不揮発性メモリ２４に記憶して、図４に示す予測モデルの生成処理を終了する。

図５は、スマートリモコン１がＤＲ制御指示を受信した場合に、スマートリモコン１のＣＰＵ１１によって実行されるエアコン２の稼働状態を推定する推定処理の一例を示すフローチャートである。図５に示す推定処理を規定する遠隔制御プログラムは、例えばスマートリモコン１の不揮発性メモリ１４に予め記憶されている。スマートリモコン１のＣＰＵ１１は、不揮発性メモリ１４に記憶される遠隔制御プログラムを読み込み、図５に示す推定処理を実行する。

まず、図５のステップＳ５０において、ＣＰＵ１１は、最新の室内温度、及び最新の室内温度が測定された時刻からＸ分前に測定された室内温度である基準室内温度をサーバ５から取得する。なお、ＣＰＵ１１がサーバ５から以前取得した室内温度を少なくともＸ分前まで削除せずに不揮発性メモリ１４に記憶している場合、ＣＰＵ１１は、サーバ５から最新の室内温度のみを取得し、最新の室内温度に対応する基準室内温度を自装置の不揮発性メモリ１４から取得すればよい。このように、エアコン２の稼働状態が対応付けられていないデータを未知データという。

ステップＳ６０において、ＣＰＵ１１は、サーバ５の不揮発性メモリ２４に記憶されている予測モデルに、ステップＳ５０で取得した未知データの一例である基本データを入力して、予測モデルの出力からエアコン２の稼働状態を推定する。

予測モデルの出力が、例えばエアコン２が稼働している確率を表している場合、予測モデルの出力が判定閾値以上であれば、エアコン２が稼働しているものと推定される。判定閾値はサーバ管理者によって予め設定されるが、判定閾値が低く設定されるにつれて、実際にはエアコン２が停止しているのに稼働していると誤って推定してしまう確率が上昇する。エアコン２が停止しているのに稼働していると誤って推定した場合、例えばスマートリモコン１が節電のために風量を下げる制御コードをエアコン２に送信すると、エアコン２が指示された風量で稼働し始め、エアコン２の消費電力量が逆に増加してしまう、いわゆる、「増エネ」の現象を生じさせる場合がある。したがって、エアコン２が稼働している確率は０以上１以下の値をとるため、判定閾値は０．５以上であることが好ましく、例えば０．８以上というように、できるだけ１に近い値であることがより好ましい。

ステップＳ７０において、ＣＰＵ１１は、エアコン２の消費電力量がステップＳ６０実行時点におけるエアコン２の消費電力量よりも減少するように、ステップＳ６０で推定したエアコン２の稼働状態に応じて予め対応付けられている指示に対応した制御を実行する。既に説明したように、エアコン２が稼働していると推定された場合、ＣＰＵ１１は通信ユニット１７を制御して、例えばエアコン２の電源をオフにする制御コードをエアコン２に送信してエアコン２を停止したり、風量を下げる制御コードをエアコン２に送信したりすることになる。また、エアコン２が停止していると推定された場合、ＣＰＵ１１はそのままエアコン２が停止している状態を維持したり、電源をオフにする制御コードをエアコン２に送信したりすることになる。以上により、図５に示した推定処理を終了する。

このように、本開示のスマートリモコン１によれば、指示に対するエアコン２からの応答を受信することができない場合であっても、自宅７に取り付けられたセンサ３の測定値と、センサ３の測定値及び測定値の派生データを含んだ基本データからエアコン２の稼働状態を推定する予測モデルとを用いて、エアコン２の稼働状態を推定することができる。

＜基本データの追加＞
以上では、室内温度及び室内温度変化量を基本データとして予測モデルの説明変数に用いたが、基本データとして用いるデータは室内温度及び室内温度変化量に限られない。例えば図６に示すように、室内温度及び室内温度変化量に加えて、エアコン２が設置されている室内の湿度（「室内湿度」という）、エアコン２が設置されている室内の照度（「室内照度」という）、自宅７に居住するユーザがどこにいるのかを表すユーザの位置情報、及びエアコン２の消費電力量の少なくとも１つを基本データに加えてもよい。基本データに追加される測定値は、それぞれエアコン２の稼働状態と密接に関係する値である。

例えばエアコン２が稼働すれば室内湿度が変化することから、室内湿度とエアコン２の稼働状態との間には相関関係が見られる。

ユーザが自宅７に在宅している場合には自宅７の照明をつけ、かつ、エアコン２を稼働させ、ユーザが自宅７を留守にしている場合には自宅７の照明を消し、かつ、エアコン２を停止する傾向が見られることから、室内照度とエアコン２の稼働状態との間にも相関関係が見られる。

なお、ユーザが自宅７を留守にしていたとしても、ユーザが自宅７から近い場所にいる場合には自宅７にすぐ戻る蓋然性が高く、このような場合、ユーザはエアコン２を稼働させたまま外出することも考えられる。したがって、ユーザの位置情報とエアコン２の稼働状態との間にも相関関係が見られる。

ユーザの位置情報は、ユーザ端末４が出力するＧＰＳ位置情報から得られる。具体的には、ユーザの位置情報は、予めサーバ５に登録されている自宅７の位置情報を基準とした位置情報であって、自宅７からＧＰＳ位置情報によって表されるユーザの位置までの相対距離として表される。ユーザの位置情報は、例えばユーザが自宅７にいる場合は“１”となり、自宅７から離れるにつれて“０”に近づくような値をとる。ユーザが自宅７にすぐ戻ることはないと考えられる距離Ｌ[ｍ]以上自宅７から離れた場合、ユーザの位置情報は“０”となる。すなわち、ユーザの位置情報が“１”に近いほど、エアコン２が稼働している蓋然性が高くなる。

また、当然のことながら、エアコン２が稼働していれば電力を消費するため、エアコン２の消費電力量とエアコン２の稼働状態との間にも相関関係が見られる。

したがって、室内湿度、室内照度、ユーザの位置情報、及びエアコン２の消費電力量は、いずれもエアコン２の稼働状態の推定精度を向上させるための予測モデルの説明変数となる。

室内温度及び室内温度変化量から構成される基本データに対して、室内湿度、室内照度、ユーザの位置情報、及びエアコン２の消費電力量の少なくとも１つの測定値を加える場合、サーバ管理者は、エアコン２の稼働状態と、室内温度、室内温度変化量、及び追加する各々の測定値とを対応付けた複数の教師データを予め生成し、サーバ５の記憶装置に記憶しておく。

サーバ５は、図４のステップＳ２０において、このように生成された複数の教師データを用いて教師あり機械学習を実行し、基本データとエアコン２の稼働状態との対応付けを学習した予測モデルを生成しておけばよい。

一方、室内温度及び室内温度変化量から構成される基本データに対して、室内湿度、室内照度、ユーザの位置情報、及びエアコン２の消費電力量の少なくとも１つの測定値を加える場合、自宅７には基本データに追加する測定値に対応したセンサ３が取り付けられる。例えば基本データに室内湿度を加える場合、ユーザの自宅７には湿度センサ３Ｂが取り付けられ、基本データに室内照度を加える場合、ユーザの自宅７には照度センサ３Ｃが取り付けられる。また、基本データにエアコン２の消費電力量を加える場合、エアコン２の電源プラグが差し込まれているコンセントに、エアコン２の消費電力量を測定する電力センサ３Ｄが取り付けられる。なお、スマートリモコン１は、自宅７全体で消費される消費電力量を測定するスマートメーターから自宅７全体の消費電力量を取得し、取得した自宅７全体の消費電力量からエアコン２の消費電力量を推定してもよい。この場合におけるエアコン２の消費電力量の推定にはどのような手法を用いてもよく、例えば自宅７全体の消費電力量の３０％がエアコン２の消費電力量に相当するというような定率法を用いてもよい。

スマートリモコン１は、図５のステップＳ５０において、最新の室内温度及び基準室内温度と、追加した測定値で構成される基本データを予測モデルに入力した場合に得られる予測モデルの出力からエアコン２の稼働状態を推定する。

なお、室内温度、室内温度変化量、室内湿度、室内照度、ユーザの位置情報、及びエアコン２の消費電力量から構成される基本データを用いて、ロジスティック回帰分析を行う場合のロジスティック回帰関数ｙは（２）式によって表される。

（２）式において、“Ｈ”は室内湿度、“Ｉ”は室内照度、“Ｄ”はユーザの位置情報、及び“Ｐ”はエアコン２の消費電力量を表す。“ｃ”、“ｄ”、“ｅ”、及び“ｆ”は、それぞれ室内湿度Ｈ、室内照度Ｉ、ユーザの位置情報Ｄ、及びエアコン２の消費電力量Ｐの係数であり、“ｕ”、“ｖ”、“ｗ”、及び“ｚ”は、それぞれ室内湿度Ｈ、室内照度Ｉ、ユーザの位置情報Ｄ、及びエアコン２の消費電力量Ｐの乗数を表す。

＜拡張データの追加＞
基本データのみを用いてエアコン２の稼働状態を推定してもよいが、基本データと拡張データを用いてエアコン２の稼働状態を推定してもよい。拡張データとは、室内温度及び室内照度から算出されるデータであって、基本データを補完するデータである。

図６に示すように、拡張データには、例えば基準時刻温度差、規格化温度、統計室内温度、規格化照度、及び統計室内照度の少なくとも１つが含まれる。

基準時刻温度差とは、自宅７における最新の室内温度からエアコン２の稼働状態の推定当日における基準時刻に自宅７で測定された室内温度を引いた差分である。

基準時刻は、一例として１日のうちで最も外気温が上昇する時間（例えば１５時）に設定されるが、サーバ管理者によって変更可能である。基準時刻温度差の算出には、基準時刻における室内温度を用いることが好ましいが、温度センサ３Ａによる室内温度の測定タイミングによっては、基準時刻に室内温度が測定されないこともある。したがって、基準時刻温度差の算出には、基準時刻近傍における室内温度を用いてもよい。基準時刻近傍における室内温度とは、基準時刻以降の予め定めた期間内において、最も基準時刻に近い時刻に測定された室内温度をいう。例えば基準時刻が１５時であり、予め定めた期間が１時間であれば、１５時から１６時までの時間帯の中で最も１５時に近い時刻に測定された室内温度を基準時刻温度差の算出に用いてもよい。当然のことながら、基準時刻近傍を規定する予め定めた期間もサーバ管理者によって変更可能である。

規格化温度とは、これまで自宅７で測定された室内温度のうちで最も温度が高かった最高温度から、これまで自宅７で測定された室内温度のうちで最も温度が低かった最低温度を引いた差分に対する、自宅７での最新の室内温度から上記最低温度を引いた差分の割合である。

統計室内温度とは、予め定めた規定時間帯に自宅７で測定された各々の室内温度に対して、統計的手法を適用することで得られる室内温度である。統計室内温度には、規定時間帯に自宅７で測定された各々の室内温度の平均値である平均室内温度、規定時間帯に自宅７で測定された各々の室内温度の最高値である最高室内温度、及び規定時間帯に自宅７で測定された各々の室内温度の最低値である最低室内温度の少なくとも１つが含まれる。

規定時間帯は、例えば９時から１７時までのような日中の時間帯に設定されるが、サーバ管理者によって変更可能である。

規格化照度とは、これまで自宅７で測定された室内照度のうちで最も照度が高かった最高照度から、これまで自宅７で測定された室内照度のうちで最も照度が低かった最低照度を引いた差分に対する、自宅７での最新の室内照度から上記最低照度を引いた差分の割合である。

統計室内照度とは、予め定めた規定時間帯に自宅７で測定された各々の室内照度に対して、統計的手法を適用することで得られる室内照度である。

統計室内照度には、規定時間帯に自宅７で測定された各々の室内照度の平均値である平均室内照度、規定時間帯に自宅７で測定された各々の室内照度の最高値である最高室内照度、及び規定時間帯に自宅７で測定された各々の室内照度の最低値である最低室内照度の少なくとも１つが含まれる。

なお、統計室内温度と統計室内照度の算出に用いる各々の測定値は、同じ日の同じ規定時間帯に測定された測定値であることが好ましい。

基本データと拡張データを用いてエアコン２の稼働状態を推定する場合、サーバ管理者は、エアコン２の稼働状態と、基本データに含まれる各測定値、及び拡張データに含まれる各算出値とを対応付けた複数の教師データを予め生成し、サーバ５の記憶装置に記憶しておく。

サーバ５は、図４のステップＳ２０において、このように生成された複数の教師データを用いて、教師あり機械学習を実行し、基本データ及び拡張データとエアコン２の稼働状態との対応付けを学習した予測モデルを生成しておけばよい。

一方、スマートリモコン１は、図５のステップＳ５０において、基本データ及び拡張データを予測モデルに入力した場合に得られる予測モデルの出力からエアコン２の稼働状態を推定する。

＜需要家温度データの追加＞
ここまで温度に関する測定値として、自宅７の室内温度及び室内温度から算出される算出値をエアコン２の稼働状態の推定に用いる例について説明した。しかしながら、エアコン２の稼働状態の推定に用いる温度に関する測定値は、自宅７の室内温度及び室内温度から算出される算出値に限られない。具体的には、需要家温度データを追加してエアコン２の稼働状態の推定を行ってもよい。

図６に示すように、需要家温度データには、外気温、及び全需要家統計温度データの少なくとも１つが含まれる。

外気温とは、エアコン２が設置されている地点、すなわち、ユーザの自宅７周辺における屋外温度である。外気温が高くなればエアコン２で冷房運転を行う蓋然性が高くなり、外気温が低くなればエアコン２で暖房運転を行う蓋然性が高くなるため、外気温とエアコン２の稼働状態との間には相関関係が見られる。

外気温は、例えば自宅７の屋外に取り付けられた屋外温度センサ（図示省略）によって測定すればよい。しかしながら、必ずしも屋外温度センサを自宅７の屋外に取り付ける必要はなく、例えばサーバ５の不揮発性メモリ２４に予め記憶されている自宅７の郵便番号又は住所を用いて、サーバ５が気象情報を提供する外部サービス会社から自宅７の外気温を取得し、取得した外気温を需要家毎に不揮発性メモリ２４に記憶してもよい。

なお、自宅７の位置を特定するための情報は自宅７の郵便番号又は住所に限られない。例えばユーザが自宅７に在宅している場合には、ユーザ端末４から送信されるＧＰＳ位置情報を自宅７の位置として、外部サービス会社から自宅７の外気温を取得してもよい。外部サービス会社によって自宅７がある地点の外気温が測定されていない場合、サーバ５は、外部サービス会社によって外気温が測定されている地点のうち、自宅７から最も近い地点（「代表地点」という）の外気温を自宅７の外気温として取得してもよい。当然のことながら、外部サービス会社が、例えば自治体毎というように予め定められた地域毎の外気温のみを提供している場合、サーバ５は、ＧＰＳ位置情報で表された地点を含む地域の外気温を取得すればよい。

上記では、サーバ５が各々のユーザの自宅７の外気温を取得する例について説明したが、サーバ５に代わって各々のスマートリモコン１が自宅７の郵便番号、住所、又はユーザ端末４から送信されるＧＰＳ位置情報を用いて、気象情報を提供する外部サービス会社から自宅７の外気温を取得してもよい。

全需要家統計温度データとは、電気事業者から電力の供給を受けている全需要家の各々の需要設備７内の温度、すなわち、全需要家の各々の需要設備７における室内温度に対して統計処理を行った温度データである。

ユーザがエアコン２で冷房運転を行うほど暑ければ、他の需要家もエアコン２で冷房運転を行い、ユーザがエアコン２で暖房運転を行うほど寒ければ、他の需要家もエアコン２で暖房運転を行う傾向が見られる。したがって、全需要家の各々の需要設備７における室内温度を用いた統計値と、ユーザの自宅７におけるエアコン２の稼働状態との間には相関関係が見られる。

全需要家統計温度データには、全需要家の各々の需要設備７内における室内温度の平均値である全需要家平均温度、全需要家の各々の需要設備７内における室内温度の最高値である全需要家最高温度、及び全需要家の各々の需要設備７内における室内温度の最低値である全需要家最低温度の少なくとも１つが含まれる。

基本データ、拡張データ、及び全需要家統計温度データを用いてエアコン２の稼働状態を推定する場合、サーバ管理者は、エアコン２の稼働状態と、基本データに含まれる各測定値、拡張データに含まれる各算出値、並びに、全需要家統計温度データに含まれる外気温及び全需要家の各々の需要設備７から得られた室内温度の統計値とを対応付けた複数の教師データを予め生成し、サーバ５の記憶装置に記憶しておく。

サーバ５は、図４のステップＳ２０において、このように生成された複数の教師データを用いて、教師あり機械学習を実行し、基本データ、拡張データ、及び全需要家統計温度データとエアコン２の稼働状態との対応付けを学習した予測モデルを生成しておけばよい。

一方、スマートリモコン１は、図５のステップＳ５０において、基本データ、拡張データ、及び全需要家統計温度データを予測モデルに入力した場合に得られる予測モデルの出力からエアコン２の稼働状態を推定する。

なお、本開示の例では全需要家統計温度データとして、全需要家の各々の需要設備７内における室内温度の統計値を用いたが、全需要家の各々の需要設備７が存在する地点における外温度の統計値を用いてもよい。具体的には、全需要家の各々の需要設備７が存在する地点における外気温の平均値である全需要家屋外平均温度、全需要家の各々の需要設備７が存在する地点における外気温の最高値である全需要家屋外最高温度、全需要家の各々の需要設備７が存在する地点における外気温の最低値である全需要家屋外最低温度の少なくとも１つを用いてもよい。

＜教師なし機械学習を用いたエアコンの稼働状態の推定＞
ここまで教師あり機械学習を用いたエアコン２の稼働状態の推定について説明してきたが、教師なし機械学習を用いてエアコン２の稼働状態の推定を行ってもよい。

具体的には、サーバ５は、図４のステップＳ２０において、基本データ、基本データと拡張データの組み合わせ、及び基本データと拡張データと需要家温度データの組み合わせの何れかの入力データに対して教師なし機械学習を実行する。教師なし機械学習には例えばｋ－ｍｅａｎｓ法が用いられる。

ｋ－ｍｅａｎｓ法は、入力データに含まれるｎ個の値を要素とするｎ次元変数が表す点（「変数点」という）をｎ次元空間にプロットしてランダムにクラスタを割り当て、各クラスタに含まれる変数点の重心点を計算し、各々の変数点を、最も近い重心点に対応したクラスタに割り当て直す操作を、クラスタに含まれる変数点が変化しなくなるまで繰り返す学習方法である。

サーバ５は、各々のクラスタに分類された変数点に対応した室内温度の平均値の違いから、各々のクラスタにエアコン２が稼働していることを示すラベルか、又は、エアコン２が停止していることを示すラベルを対応付ける。例えば外気温が３０℃を超すような夏季において、一方のクラスタ（「クラスタＡ」とする）に分類された各々の変数点に対応した室内温度の平均値が２５℃であり、他方のクラスタ（「クラスタＢ」とする）に分類された各々の変数点に対応した室内温度の平均値が３０℃であったとする。この場合、クラスタＢに比べてクラスタＡの方が、冷房が行われているグループである蓋然性が高いため、クラスタＡに対してエアコン２が稼働していることを示すラベルを対応付け、クラスタＢに対してエアコン２が停止していることを示すラベルを対応付ける。

なお、教師なし機械学習にはｋ－ｍｅａｎｓ法の他、例えばウォード法といった公知のクラスタリング手法を用いることができる。

＜実験結果＞
次に、図４に示した予測モデルの生成処理によって生成した予測モデルを用いて、図５に示した推定処理によって推定したエアコン２の稼働状態の推定結果を図７～図９に示す。

図７は、基本データ、基本データと拡張データの組み合わせ、及び基本データと拡張データと需要家温度データの組み合わせをそれぞれ入力データとした場合における、ロジスティック回帰分析を用いた推定結果の一例を示す図である。

図８は、基本データ、基本データと拡張データの組み合わせ、及び基本データと拡張データと需要家温度データの組み合わせをそれぞれ入力データとした場合における、決定木を用いた推定結果の一例を示す図である。

図９は、基本データ、基本データと拡張データの組み合わせ、及び基本データと拡張データと需要家温度データの組み合わせをそれぞれ入力データとした場合における、ランダムフォレストを用いた推定結果の一例を示す図である。

図７～図９には、それぞれ教師データに対する推定結果と、未知データに対する推定結果とを示している。教師データに対する推定結果とは、予測モデルの生成処理に用いられたデータを予測モデルに入力することで得られたエアコン２の稼働状態の推定結果である。未知データに対する推定結果とは、予測モデルの生成処理に用いられていないデータを予測モデルに入力することで得られたエアコン２の稼働状態の推定結果である。

また、図７～図９では、教師データに対する推定結果と、未知データに対する推定結果を、それぞれ正解率、増エネ発生率、及び省エネ機会損失率という指標値で表している。

正解率とは、全推定数に対して、実際のエアコン２の稼働状態と推定したエアコン２の稼働状態とが一致した件数の割合を表している。

増エネ発生率とは、全推定数に対して、実際にはエアコン２が停止中であったにもかかわらず、稼働していると誤って推定し、例えば節電のためエアコン２の風量を下げる制御を行ったことでエアコン２を稼働させてしまい、エアコン２の消費電力量を増加させてしまった件数の割合を表している。

省エネ機会損失率とは、全推定数に対して、実際にはエアコン２が稼働していたにもかかわらず、停止していると誤って推定したことから、エアコン２に対して何も制御を行わずにエアコン２を稼働させ続けてしまい、節電の機会を逃してしまった件数の割合を表している。

なお、図７～図９に示す推定結果は、予測モデルの出力に対する判定閾値を０．５に設定した推定結果である。また、予測モデルの生成、及び予測モデルを用いたエアコン２の稼働状態の推定に用いた各々の入力データは、他の時間帯よりも節電要請が発令されやすい９時から１７時までに測定された測定値に基づくデータである。

図７～図９のすべての推定結果において、基本データのみを用いてエアコン２の稼働状態を推定するよりも、基本データと拡張データを組みあわせてエアコン２の稼働状態を推定した方が、正解率が上昇し、かつ、増エネ発生率及び省エネ機会損失率が低下する傾向が認められる。

また、図８の未知データを用いた決定木による推定結果の正解率と増エネ発生率、及び図８の教師データを用いた決定木による推定結果の増エネ発生率を除けば、図７～図９の他のすべての推定結果において、基本データと拡張データを組みあわせてエアコン２の稼働状態を推定するよりも、基本データと拡張データと需要家温度データを組みあわせてエアコン２の稼働状態を推定した方が、正解率が上昇し、かつ、増エネ発生率及び省エネ機会損失率が低下する傾向が認められる。

また、教師あり機械学習として、ロジスティック回帰分析よりも決定木を用いた方が、エアコン２の稼働状態の推定精度が向上し、決定木よりもランダムフォレストを用いた方が、エアコン２の稼働状態の推定精度が更に向上する傾向が認められる。

なお、図８の未知データを用いた決定木による推定結果では、基本データと拡張データと需要家温度データを組みあわせてエアコン２の稼働状態を推定した方が、基本データと拡張データを組みあわせてエアコン２の稼働状態を推定するよりも正解率が低下し、増エネ発生率が上昇している。また、図８の教師データを用いた決定木による推定結果では、基本データと拡張データと需要家温度データを組みあわせてエアコン２の稼働状態を推定した方が、基本データと拡張データを組みあわせてエアコン２の稼働状態を推定するより増エネ発生率が上昇している。これらの現象は、例えば分類木を作成する過程での説明変数の分割方法等に起因した誤差の範囲内と考えられ、全体の推定傾向を否定するものではない。

このように本開示の遠隔制御システム１００は、エアコン２の稼働状態の推定に用いる基本データに、室内温度及び室内温度変化量だけでなく、室内湿度、室内照度、ユーザの位置情報、及びエアコン２の消費電力量の少なくとも１つを組み合わせることで、エアコン２の稼働状態の推定精度を向上させている。更に、本開示の遠隔制御システム１００は、エアコン２の稼働状態の推定に基本データと拡張データ、又は、基本データと拡張データと需要家温度データを用いることで、エアコン２の稼働状態の推定精度を更に向上させている。

以上、実施形態を用いて遠隔制御システム１００の一態様について説明したが、開示した遠隔制御システム１００の形態は一例であり、遠隔制御システム１００の形態は実施形態に記載の範囲に限定されない。本開示の要旨を逸脱しない範囲で実施形態に多様な変更又は改良を加えることができ、当該変更又は改良を加えた形態も開示の技術的範囲に含まれる。

また、本開示では、一例として図４に示した予測モデルの生成処理、及び図５に示した推定処理をソフトウェアで実現する形態について説明した。しかしながら、図４及び図５に示した各フローチャートと同等の処理を、例えばＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）、ＦＰＧＡ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）、又はＰＬＤ（Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｖｉｃｅ）に実装し、ハードウェアで処理させるようにしてもよい。この場合、各々の処理をソフトウェアで実現した場合と比較して処理の高速化が図られる。

このように、スマートリモコン１のＣＰＵ１１、及びサーバ５のＣＰＵ２１を例えばＡＳＩＣ、ＦＰＧＡ、ＰＬＤ、ＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、及びＦＰＵ（Ｆｌｏａｔｉｎｇ Ｐｏｉｎｔ Ｕｎｉｔ）といった特定の処理に特化した専用のプロセッサに置き換えてもよい。

また、スマートリモコン１は、１つのＣＰＵ１１によって実現される形態の他、複数のＣＰＵ１１、又はＣＰＵ１１とＦＰＧＡとの組み合わせというように、同種又は異種の２つ以上のプロセッサの組み合わせで実行してもよい。同様に、サーバ５は、１つのＣＰＵ２１によって実現される形態の他、複数のＣＰＵ２１、又はＣＰＵ２１とＦＰＧＡとの組み合わせというように、同種又は異種の２つ以上のプロセッサの組み合わせで実行してもよい。

実施形態では、スマートリモコン１の不揮発性メモリ１４に遠隔制御プログラムが記憶されている例について説明したが、遠隔制御プログラムの記憶先は不揮発性メモリ１４に限定されない。本開示の遠隔制御プログラムは、コンピュータ１０で読み取り可能な記憶媒体に記録された形態で提供することも可能である。例えば遠隔制御プログラムをＣＤ－ＲＯＭ（Ｃｏｍｐａｃｔ Ｄｉｓｋ－Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）及びＤＶＤ－ＲＯＭ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｋ－Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）のような光ディスクに記録した形態で提供してもよい。また、遠隔制御プログラムを、ＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）メモリ及びメモリカードのような可搬型の半導体メモリに記録した形態で提供してもよい。

同様に、サーバ５が実行する管理プログラムは、コンピュータ２０で読み取り可能な記憶媒体に記録された形態で提供することも可能である。

ＲＯＭ１２、ＲＯＭ２２、不揮発性メモリ１４、不揮発性メモリ２４、ＣＤ－ＲＯＭ、ＤＶＤ－ＲＯＭ、ＵＳＢ、及びメモリカードは非一時的（ｎｏｎ－ｔｒａｎｓｉｔｏｒｙ）記憶媒体の一例である。

更に、スマートリモコン１及びサーバ５は、インターネット６に接続された外部サーバ（図示省略）から遠隔制御プログラム及び管理プログラムをダウンロードし、ダウンロードした遠隔制御プログラム及び管理プログラムを、それぞれ不揮発性メモリ１４及び不揮発性メモリ２４に記憶してもよい。この場合、スマートリモコン１のＣＰＵ１１は、外部装置からダウンロードした遠隔制御プログラムを読み込んで推定処理を実行し、サーバ５のＣＰＵ２１は、外部装置からダウンロードした管理プログラムを読み込んで予測モデルの生成処理を実行する。

上記に示した実施形態に関し、更に以下の付記を開示する。

（付記項１）
空調機が設置された室内の室内温度と、前記室内温度の測定前に測定された予め定めた時点における基準室内温度と前記室内温度との差分を表す室内温度変化量とを含む基本データを用いた機械学習によって得られた予測モデルを用いて、前記基本データから前記空調機の稼働状態を推定し、
前記空調機への指示の送信は行うことができるが、指示に対する前記空調機からの応答は受信することができない単方向の赤外線通信を用いて、推定した前記空調機の稼働状態に対して予め対応付けられている指示を前記空調機に送信する制御を含む処理をコンピュータが実行する
遠隔制御方法。

（付記項２）
前記機械学習が、前記基本データに含まれる各値によって表される変数点を２つのクラスタに分類し、各々のクラスタに分類された前記変数点に対応した前記室内温度の平均値の違いから、各々のクラスタに前記空調機が稼働していることを示すラベルか、又は、前記空調機が停止していることを示すラベルを対応付ける教師なし機械学習である
付記項１に記載の遠隔制御方法。

（付記項３）
前記基本データは、前記室内温度と前記室内温度変化量に加え、更に、前記室内の室内湿度、前記室内の室内照度、前記室内に居住するユーザの位置情報、及び前記空調機の消費電力量の少なくとも１つを含む
付記項２に記載の遠隔制御方法。

（付記項４）
前記予測モデルは、前記基本データと、前記室内温度及び前記室内照度を用いて算出されるデータである拡張データと、に含まれる各値によって表される変数点を２つのクラスタに分類することで得られたモデルであり、
前記予測モデルを用いて、前記基本データ及び前記拡張データから前記空調機の稼働状態を推定する処理をコンピュータが実行する
付記項３に記載の遠隔制御方法。

（付記項５）
前記拡張データは、前記室内温度から、前記空調機の稼働状態の推定当日における基準時刻に測定された前記室内温度を引いた基準時刻温度差、前記室内における最高温度から前記室内における最低温度を引いた差分に対する、前記室内温度から前記最低温度を引いた差分の割合である規格化温度、予め定めた規定時間帯に測定された各々の前記室内温度から得られる統計室内温度、前記室内における最高照度から前記室内における最低照度を引いた差分に対する、前記室内照度から前記最低照度を引いた差分の割合である規格化照度、及び前記規定時間帯に測定された各々の前記室内照度から得られる統計室内照度の少なくとも１つを含む
付記項４に記載の遠隔制御方法。

（付記項６）
前記統計室内温度として、前記規定時間帯に測定された前記室内温度の平均値である平均室内温度、前記規定時間帯に測定された前記室内温度の最高値である最高室内温度、及び前記規定時間帯に測定された前記室内温度の最低値である最低室内温度の少なくとも１つを含み、
前記統計室内照度として、前記規定時間帯に測定された前記室内照度の平均値である平均室内照度、前記規定時間帯に測定された前記室内照度の最高値である最高室内照度、及び前記規定時間帯に測定された前記室内照度の最低値である最低室内照度の少なくとも１つを含む
付記項５に記載の遠隔制御方法。

（付記項７）
前記予測モデルは、前記基本データと、前記拡張データと、電力の供給を受けている需要家毎の電力の供給地点での気温から得られる需要家温度データと、に含まれる各値によって表される変数点を２つのクラスタに分類することで得られたモデルであり、
前記予測モデルを用いて、前記基本データ、前記拡張データ、及び前記需要家温度データから前記空調機の稼働状態を推定する処理をコンピュータが実行する
付記項６に記載の遠隔制御方法。

（付記項８）
前記需要家温度データは、前記空調機が設置されている地点の外気温、及び電力の供給を受けている全需要家の各々の需要設備内の温度から得られる全需要家統計温度データの少なくとも１つを含む
付記項７に記載の遠隔制御方法。

（付記項９）
前記全需要家統計温度データとして、各々の前記需要設備内の温度の平均値である全需要家平均温度、各々の前記需要設備内の温度の最高値である全需要家最高温度、及び各々の前記需要設備内の温度の最低値である全需要家最低温度の少なくとも１つを含む
付記項８に記載の遠隔制御方法。

（付記項１０）
空調機の稼働状態を推定する推定処理を実行するようにコンピュータによって実行可能なプログラムを記憶した非一時的記憶媒体であって、
前記推定処理が、
前記空調機が設置された室内の室内温度、及び前記室内温度の測定前に測定された予め定めた時点における基準室内温度と前記室内温度との差分を表す室内温度変化量を含む基本データを用いた機械学習によって得られた予測モデルを用いて、前記基本データから前記空調機の稼働状態を推定する推定ステップと、
前記空調機への指示の送信は行うことができるが、指示に対する前記空調機からの応答は受信することができない単方向の赤外線通信を用いて、推定した前記空調機の稼働状態に対して予め対応付けられている指示を前記空調機に送信する制御を行う制御ステップと、
を含む非一時的記憶媒体。

１ スマートリモコン
１Ａ 通信部
１Ｂ 推定部
１Ｃ 制御部
２ エアコン
３ センサ
３Ａ 温度センサ
３Ｂ 湿度センサ
３Ｃ 照度センサ
３Ｄ 電力センサ
４ ユーザ端末
５ サーバ
６ インターネット
７ 自宅（需要設備）
１０（２０） コンピュータ
１１（２１） ＣＰＵ
１２（２２） ＲＯＭ
１３（２３） ＲＡＭ
１４（２４） 不揮発性メモリ
１５（２５） Ｉ／Ｏ
１６（２６） バス
１７（２７） 通信ユニット
１８（２８） 入力ユニット
１９（２９） 表示ユニット
１００ 遠隔制御システム

Claims (21)

1. 空調機が設置された室内の室内温度、及び前記室内温度の測定前に測定された予め定めた時点における基準室内温度と前記室内温度との差分を表す室内温度変化量を含む基本データを用いた機械学習によって得られた予測モデルを用いて、前記基本データから前記空調機の稼働状態を推定し、
   前記空調機への指示の送信は行うことができるが、指示に対する前記空調機からの応答は受信することができない単方向の赤外線通信を用いて、推定した前記空調機の稼働状態に対して予め対応付けられている指示を前記空調機に送信する制御を含む処理をコンピュータが実行する
   遠隔制御方法。
2. 前記機械学習が、前記基本データに対して前記室内温度を測定した時点における前記空調機の稼働状態をラベル付けした教師データを用いて、前記基本データと前記空調機の稼働状態との関係を学習する教師あり機械学習である
   請求項１に記載の遠隔制御方法。
3. 前記基本データは、前記室内温度と前記室内温度変化量に加え、更に、前記室内の室内湿度、前記室内の室内照度、前記室内に居住するユーザの位置情報、及び前記空調機の消費電力量の少なくとも１つを含む
   請求項２に記載の遠隔制御方法。
4. 前記予測モデルは、前記基本データと、前記室内温度及び前記室内照度を用いて算出されるデータである拡張データと、に対して前記空調機の稼働状態をラベル付けした教師データによる教師あり機械学習で得られたモデルであり、
   前記予測モデルを用いて、前記基本データ及び前記拡張データから前記空調機の稼働状態を推定する処理をコンピュータが実行する
   請求項３に記載の遠隔制御方法。
5. 前記拡張データは、前記室内温度から、前記空調機の稼働状態の推定当日における基準時刻に測定された前記室内温度を引いた基準時刻温度差、前記室内における最高温度から前記室内における最低温度を引いた差分に対する、前記室内温度から前記最低温度を引いた差分の割合である規格化温度、予め定めた規定時間帯に測定された各々の前記室内温度から得られる統計室内温度、前記室内における最高照度から前記室内における最低照度を引いた差分に対する、前記室内照度から前記最低照度を引いた差分の割合である規格化照度、及び前記規定時間帯に測定された各々の前記室内照度から得られる統計室内照度の少なくとも１つを含む
   請求項４に記載の遠隔制御方法。
6. 前記統計室内温度として、前記規定時間帯に測定された前記室内温度の平均値である平均室内温度、前記規定時間帯に測定された前記室内温度の最高値である最高室内温度、及び前記規定時間帯に測定された前記室内温度の最低値である最低室内温度の少なくとも１つを含み、
   前記統計室内照度として、前記規定時間帯に測定された前記室内照度の平均値である平均室内照度、前記規定時間帯に測定された前記室内照度の最高値である最高室内照度、及び前記規定時間帯に測定された前記室内照度の最低値である最低室内照度の少なくとも１つを含む
   請求項５に記載の遠隔制御方法。
7. 前記予測モデルは、前記基本データと、前記拡張データと、電力の供給を受けている需要家毎の電力の供給地点での気温から得られる需要家温度データと、に対して前記空調機の稼働状態をラベル付けした教師データによる教師あり機械学習で得られたモデルであり、
   前記予測モデルを用いて、前記基本データ、前記拡張データ、及び前記需要家温度データから前記空調機の稼働状態を推定する処理をコンピュータが実行する
   請求項４～請求項６の何れか１項に記載の遠隔制御方法。
8. 前記需要家温度データは、前記空調機が設置されている地点の外気温、及び電力の供給を受けている全需要家の各々の需要設備内の温度から得られる全需要家統計温度データの少なくとも１つを含む
   請求項７に記載の遠隔制御方法。
9. 前記全需要家統計温度データとして、各々の前記需要設備内の温度の平均値である全需要家平均温度、各々の前記需要設備内の温度の最高値である全需要家最高温度、及び各々の前記需要設備内の温度の最低値である全需要家最低温度の少なくとも１つを含む
   請求項８に記載の遠隔制御方法。
10. 前記機械学習が、前記基本データに含まれる各値によって表される変数点を２つのクラスタに分類し、各々のクラスタに分類された前記変数点に対応した前記室内温度の平均値の違いから、各々のクラスタに前記空調機が稼働していることを示すラベルか、又は、前記空調機が停止していることを示すラベルを対応付ける教師なし機械学習である
    請求項１に記載の遠隔制御方法。
11. 空調機に対する指示を、赤外線を用いて前記空調機に送信する一方、指示に対する前記空調機からの応答は受信することができない単方向の赤外線通信を行う通信部と、
    前記空調機が設置された室内の室内温度と、前記室内温度の測定前に測定された予め定めた時点における基準室内温度と前記室内温度との差分を表す室内温度変化量とを含む基本データを用いた機械学習によって得られた予測モデルを用いて、前記基本データから前記空調機の稼働状態を推定する推定部と、
    前記推定部で推定した前記空調機の稼働状態に対して予め対応付けられている指示を、前記通信部から前記空調機に送信する制御を行う制御部と、
    を備えた遠隔制御装置。
12. 前記機械学習が、前記基本データに対して前記室内温度を測定した時点における前記空調機の稼働状態をラベル付けした教師データを用いて前記基本データと前記空調機の稼働状態との関係を学習する教師あり機械学習である
    請求項１１に記載の遠隔制御装置。
13. 前記基本データは、前記室内温度と前記室内温度変化量に加え、更に、前記室内の室内湿度、前記室内の室内照度、前記室内に居住するユーザの位置情報、及び前記空調機の消費電力量の少なくとも１つを含む
    請求項１２に記載の遠隔制御装置。
14. 前記予測モデルは、前記基本データと、前記室内温度及び前記室内照度を用いて算出されるデータである拡張データと、に対して前記空調機の稼働状態をラベル付けした教師データによる教師あり機械学習で得られたモデルであり、
    前記推定部は、前記予測モデルを用いて、前記基本データ及び前記拡張データから前記空調機の稼働状態を推定する
    請求項１３に記載の遠隔制御装置。
15. 前記拡張データは、前記室内温度から、前記空調機の稼働状態の推定当日における基準時刻に測定された前記室内温度を引いた基準時刻温度差、前記室内における最高温度から前記室内における最低温度を引いた差分に対する、前記室内温度から前記最低温度を引いた差分の割合である規格化温度、予め定めた規定時間帯に測定された各々の前記室内温度から得られる統計室内温度、前記室内における最高照度から前記室内における最低照度を引いた差分に対する、前記室内照度から前記最低照度を引いた差分の割合である規格化照度、及び前記規定時間帯に測定された各々の前記室内照度から得られる統計室内照度の少なくとも１つを含む
    請求項１４に記載の遠隔制御装置。
16. 前記統計室内温度として、前記規定時間帯に測定された前記室内温度の平均値である平均室内温度、前記規定時間帯に測定された前記室内温度の最高値である最高室内温度、及び前記規定時間帯に測定された前記室内温度の最低値である最低室内温度の少なくとも１つを含み、
    前記統計室内照度として、前記規定時間帯に測定された前記室内照度の平均値である平均室内照度、前記規定時間帯に測定された前記室内照度の最高値である最高室内照度、及び前記規定時間帯に測定された前記室内照度の最低値である最低室内照度の少なくとも１つを含む
    請求項１５に記載の遠隔制御装置。
17. 前記予測モデルは、前記基本データと、前記拡張データと、電力の供給を受けている需要家毎の電力の供給地点での気温から得られる需要家温度データと、に対して前記空調機の稼働状態をラベル付けした教師データによる教師あり機械学習で得られたモデルであり、
    前記推定部は、前記予測モデルを用いて、前記基本データ、前記拡張データ、及び前記需要家温度データから前記空調機の稼働状態を推定する
    請求項１４～請求項１６の何れか１項に記載の遠隔制御装置。
18. 前記需要家温度データは、前記空調機が設置されている地点の外気温、及び電力の供給を受けている全需要家の各々の需要設備内の温度から得られる全需要家統計温度データの少なくとも１つを含む
    請求項１７に記載の遠隔制御装置。
19. 前記全需要家統計温度データとして、各々の前記需要設備内の温度の平均値である全需要家平均温度、各々の前記需要設備内の温度の最高値である全需要家最高温度、及び各々の前記需要設備内の温度の最低値である全需要家最低温度の少なくとも１つを含む
    請求項１８に記載の遠隔制御装置。
20. 前記機械学習が、前記基本データに含まれる各値によって表される変数点を２つのクラスタに分類し、各々のクラスタに分類された前記変数点に対応した前記室内温度の平均値の違いから、各々のクラスタに前記空調機が稼働していることを示すラベルか、又は、前記空調機が停止していることを示すラベルを対応付ける教師なし機械学習である
    請求項１１に記載の遠隔制御装置。
21. コンピュータに、
    空調機が設置された室内の室内温度、及び前記室内温度の測定前に測定された予め定めた時点における基準室内温度と前記室内温度との差分を表す室内温度変化量を含む基本データを用いた機械学習によって得られた予測モデルを用いて、前記基本データから前記空調機の稼働状態を推定し、
    前記空調機への指示の送信は行うことができるが、指示に対する前記空調機からの応答は受信することができない単方向の赤外線通信を用いて、推定した前記空調機の稼働状態に対して予め対応付けられている指示を前記空調機に送信する制御を実行させるための
    遠隔制御プログラム。

Images