JP7317548B2 - 空調負荷の予測方法およびシステム、並びに空調システムのエネルギー管理方法およびシステム - Google Patents

Description

特許法第３０条第２項適用 平成３０年８月２９日平成３０年度空気調和・衛生工学会大会論文集２２１－２２４頁で公開

本発明は、空調負荷を予測する方法およびシステム、並びにこれを適用した空調システムのエネルギー管理方法およびシステムに関する。

空調を行うにあたっては、例えば空調対象である室内の温度を計測し、測定値に応じて各機器（例えば、熱源機）の運転状況を調整するといった方法が広く採用されている。ただし、このような方法では、室内における空調負荷の変動を事後的に把握し、それに基づいて運転状況をフィードバック的に調整することになるため、空調負荷の変動が発生してから、変動した空調負荷に正しく対応するまで、負荷状況と運転状況の間にずれが生じてしまう。こうした負荷状況に対する運転状況のずれは、室内の人等にとって快適でない空調状態をもたらす可能性があるほか、エネルギー消費の点でも効率的でないという問題があった。

このような問題を解決するために、空調負荷あるいはその変動を予測する技術が種々提案されている。例えば、下記特許文献１には、天気予報データと電力負荷パターンデータと実測データを読み出し、ニューラルネットワークを利用した負荷予測プログラムにより、必要な熱量（空調熱負荷）の予測を行う技術が記載されている。

特開２０１４－２７７８４号公報

しかしながら、上記特許文献１に記載の如き技術では、ニューラルネットワークを作成するにあたり、層やニューロンの数、活性化関数の種類など、決定すべきパラメータが多く、適切な負荷予測プログラムの作成に手間や時間がかかるほか、実際に予測を行うにあたって計算負荷が膨大になってしまう。また、ニューラルネットワークモデルの訓練では過学習が起きやすく、現場ごとにデータサイエンティストが出向いてチューニングを行う必要があり、これにも手間と費用が発生する。加えて、天気予報ＡＰＩを利用するためのランニングコストも別途生じるし、さらに、インターネットに接続できない環境ではシステムを納入できないという問題もあった。

本発明は、斯かる実情に鑑み、空調負荷を精度よく簡便に予測し得る空調負荷の予測方法およびシステム、並びに空調システムのエネルギー管理方法およびシステムを提供しようとするものである。

本発明は、空調負荷に関連する複数のパラメータを説明変数として回帰項に組み込み、且つ目的の時点より過去の時点における空調負荷の実績値をＡＲＩＭＡ項に用いたＡＲＩＭＡＸモデルにより、空調負荷を予測する空調負荷の予測方法であって、
前記回帰項の説明変数に、曜日、時刻、外気温度から選択される複数のパラメータを用い、
曜日を説明変数として用いる場合に、休日か平日かの２通りのダミー変数を設定することを特徴とする空調負荷の予測方法にかかるものである。

本実施例の空調負荷の予測方法においては、曜日、時刻および曜日と時刻の交互作用項を回帰項に用いることができる。

本実施例の空調負荷の予測方法においては、曜日と外気温度、時刻と外気温度、曜日と時刻と外気温度の各交互作用項を回帰項に用いることもできる。

本実施例の空調負荷の予測方法においては、ＡＲＩＭＡ項の学習期間を１週間以上４週間以下とすることができる。

本実施例の空調負荷の予測方法においては、予測間隔を２日以下とすることができる。

また、本発明は、上述の空調負荷の予測方法を実行可能に構成されていることを特徴とする空調負荷の予測システムにかかるものである。

また、本発明は、上述の空調負荷の予測方法による空調負荷の予測値に基づき、熱源機の運転スケジュールを決定することを特徴とする空調システムのエネルギー管理方法にかかるものである。

また、本発明は、熱源機と、上述の空調負荷の予測方法による空調負荷の予測値を表示する表示部とを備え、前記予測値に基づき、前記熱源機の運転スケジュールを決定可能に構成されていることを特徴とする空調システムのエネルギー管理システムにかかるものである。

本発明の空調負荷の予測方法およびシステム、並びに空調システムのエネルギー管理方法およびシステムによれば、空調負荷を精度よく簡便に予測し得るという優れた効果を奏し得る。

本発明を適用した空調システムにおける情報系の構成の一例を示す概略図である。 本発明の実施による空調負荷の予測方法の手順の一例を説明するフローチャートである。

以下、本発明の実施の形態を添付図面を参照して説明する。

第一のネットワーク１０は、空調システムを構成する機器類が情報的に接続されたローカルネットワークである。尚、ここでは機器類として熱源機１および温度センサ８を例示しているが、この他に各種の機器（例えば、室内に空調空気を供給する変風量ユニットや、各機器の稼働状況を監視する監視装置など）を接続してネットワークを構成しても良い。第二のネットワーク１６は、例えばクラウド上に構築された仮想ネットワークであり、第一のネットワーク１０はルータ１４を介して第二のネットワーク１６に接続されている。こうして、第一のネットワーク１０に接続された機器類と、第二のネットワーク１６との間で各種の情報をやりとりできるようになっている。

第二のネットワーク１６内には、データ格納部１７、モデル生成部１８、負荷予測部１９、入出力部２１が仮想的に設置されている（尚、これらの各部のうち一部または全部を物理的なハードウェアとして設置することも勿論可能である）。

データ格納部１７は、エネルギー管理システムを構成するサーバとしての機能を備えており、第一のネットワーク１０に接続された熱源機１や温度センサ８といった機器類から取得した情報や、その他の各種の情報をデータベースとして格納する。モデル生成部１８は、データ格納部１７に格納されたテストデータに基づき、ある時点（例えば、現在、あるいは、現在の直近の未来の時点）における室内の空調負荷を予測する負荷予測モデルＭを生成する。また、データ格納部１７は、後に説明するように、負荷予測モデルＭを予測開始時点毎に逐次更新する。負荷予測部１９は、モデル生成部１８により生成された負荷予測モデルＭを格納し、後述するパラメータに基づき、ある時点における室内の空調負荷を予測する。入出力部２１は、第一のネットワーク１０に接続された各機器から取得した情報をデータ格納部１７に書き込んだり、データ格納部１７から必要なデータを取り出して負荷予測部１９に入力するなど、各部同士の間で情報の入出力を行う。

モデル生成部１８における負荷予測モデルＭの生成について説明する。モデル生成部１８は、テストデータに基づき、時系列分析と回帰分析を組み合わせたＡＲＩＭＡＸと称される手法による負荷予測モデルＭを生成する機能を備えている。

ある時点における目的の値（ここでは、空調負荷）を予測するためには、目的の時点より過去の時点における時系列データを利用することができる。例えば、１５分後の空調負荷の予測値を算出するために、１日前から現在の時点まで、時系列に沿って取得された空調負荷の実績値を利用することができる。

目的の時点より過去の各時点における空調負荷の値を用い、目的の時点における空調負荷を予測するモデルをＡＲ（自己回帰）モデルといい、例えば下記式１の如き数式により表される。ｙ_ｔは目的の時点における予測値であり、ｙ_ｔ－１，ｙ_ｔ－２，......，ｙ_ｔ－ｐにはそれより過去の各時点（１時点前－ｐ時点前）における実績値が代入される。

また、時系列データには普通、誤差が含まれる。そこで、過去の各時点におけるデータに誤差が含まれることを考慮し、時系列に沿った動きを平滑化して扱うためのモデルをＭＡ（移動平均）モデルという。ＭＡモデルは、例えば下記式２の如き数式により表される。

上記ＡＲモデルとＭＡモデルを組み合わせたモデルをＡＲＭＡ（自己回帰移動平均）モデルといい、例えば下記式３のように、上記式１と式２の組み合わせにより表される。

さらに、目的とする値が時系列に沿って変動する場合、各時点における値それ自体だけでなく、時間に沿ったその値の動きも考慮すれば、より精度の高い予測が可能になる。そこで、各時点間の階差を取った時系列データに対し上記ＡＲＭＡモデルを適用したモデルをＡＲＩＭＡ（自己回帰和分移動平均）モデルという。ＡＲＩＭＡモデルは、例えば下記式４の如き数式により表される。

ＡＲＩＭＡモデルは、１時点前～ｐ時点前の各時点における値の動きを反映し、且つ誤差をも考慮して目的の時点における値を算出するようになっている。ここで、過去のある期間における値、あるいはその値の動き以外の別のパラメータにより、目的の時点における値が影響を受ける場合がある。例えば空調負荷の場合、曜日や時刻に応じ、各時点における値や、その変動パターンが大きく変わる。すなわち、例えばオフィス等の空調を考えると、平日の昼間は負荷が大きく、夜間や休日は負荷が小さくなる。このため、例えば平日の９時～１７時３０分のデータに基づいて１８時の空調負荷を予測したり、月曜～金曜のデータに基づいて土曜の空調負荷を予測しようとする場合、空調負荷あるいはその変動のみに基づいた予測では十分な精度が達成できない可能性がある。

そこで、上述のＡＲＩＭＡモデルに、別のパラメータを説明変数とする回帰モデルを組み合わせたモデルがＡＲＩＭＡＸモデルであり、例えば下記式５の如き数式により表される。右辺のβｘが、別のパラメータによる影響（回帰モデル）を表す回帰項である。回帰項に用いるパラメータについては、後に詳しく説明する。

空調システムを構成する機器の運転状況や、データ格納部１７に格納されたデータのログ、負荷予測部１９に格納された負荷予測モデルＭの仕様、負荷予測部１９において予測された空調負荷の値、その他各種のデータについては、第一、第二のネットワーク１０，１６のいずれかに接続された表示部としての情報端末装置２２に表示することができる（ここでは、第二のネットワーク１６に情報端末装置２２を接続する場合を例示している）。

このようなシステムにより空調負荷を予測する方法について、図２のフローチャートを参照しながら説明する。

まず、負荷予測モデルＭを生成するためのテストデータを作成し、データ格納部１７に入力する（ステップＳ１）。テストデータは、空調システムを実際に運転した際の、様々な時点における空調負荷に関連する各種のパラメータと、その時の空調負荷の実績値とを記録したデータセットである。空調負荷の実績値は、「室内に供給される空調空気と、室内から回収される還気の温度差」と、「室内に供給される空調空気の供給量」とを乗じた積として算出できる。また、空調負荷に関連するパラメータの一部は、熱源機１や温度センサ８から取得することができる。

負荷予測モデルＭとして上述の如きＡＲＩＭＡＸモデルを採用する場合、回帰項には空調負荷に関連する各種パラメータを説明変数として用いることができるが、本実施例では、特に以下の３つのパラメータから選択される複数のパラメータを説明変数として用いるようにしている。
・曜日（日月火水木金土、または、休日か平日か）
・時刻（時間または時分）
・外気温度

曜日は、室内における人の活動や機器の稼働のスケジュールに対応する（上にも説明したように、オフィス等であれば休日は人が少なく、機器もあまり稼働しないため、休日にあたる曜日は空調負荷が小さくなることが想定される）。時刻は、時間による外気温度の変動、あるいは室内に生じる熱量の変動（例えば、特定の時季あるいは時間にのみ稼働する機器が室内にある場合などが想定される）に対応する。外気温度は、室内への熱の出入りを左右し、空調負荷に影響する。尚、上記パラメータのうち、曜日と時刻はダミー変数として、外気温度は質的変数として、それぞれ設定される。

尚、さらにオフィス等のスケジュールに細かく対応した予測を行いたい場合には、「空調開始曜日か否か」あるいは「空調開始時刻か否か」をダミー変数として追加してもよい。例えば、休日後の平日である月曜日には、躯体蓄熱の影響で空調開始時刻に特に負荷が大きくなる場合が想定できる。また、連続する平日の途中の日であっても、空調開始直後（例えば、始業時刻の前後）には空調負荷が大きくなることが考えられるからである。

また、上に挙げたパラメータに代えてあるいは加えて、例えば下記の如きパラメータ、あるいはその他、空調負荷に関連する各種のパラメータを用いることも可能である。
・日付（月日または日）
・室内温度の測定値
・室内温度の設定値
・室内外の温度差
・熱源機１の稼働台数
・熱源機１の給気温度（空調空気の温度）
・天候
・日射量
・予想気温

回帰項を除いた残りのＡＲＩＭＡ項には、目的の時点より過去の期間の各時点（例えば、現在から数日～１ヶ月前までの各時点）における空調負荷の実績値が用いられる。

前記テストデータには、複数の時点における上記各パラメータと共に、その時の空調負荷の実績値が記録される。テストデータは、例えば、負荷予測モデルＭの構築に十分な期間（例えば数日～１箇月程度）、温度センサ８に基づくフィードバック制御により空調システムを運転し、その間、上述のパラメータを採集することで作成できる。

モデル生成部１８では、テストデータを用い、上記のパラメータに基づいて目的の時点における空調負荷をＡＲＩＭＡＸにより予測する負荷予測モデルＭを生成する（ステップＳ２）。生成された負荷予測モデルＭは、対象の空調システムにおいて、ある期間における空調負荷の実績値と、その他のパラメータ（本実施例では、特に曜日、時刻、外気温度）から、目的の時点における空調負荷を予測する関数となっている。

負荷予測モデルＭの生成が完了したら、実際に空調負荷を予測する運用を開始することができる。

入出力部２１は、負荷予測モデルＭにおいて説明変数として用いられるパラメータの値を、ネットワーク１０，１６を介して取得し、データ格納部１７に順次記録する（ステップＳ３）。負荷予測部１９は、データ格納部１７から、ある時点または期間におけるパラメータの数値を読み出し、負荷予測モデルＭに代入して、目的の時点における空調負荷を予測する（ステップＳ４）。すなわち、負荷予測モデルＭの回帰項には曜日、時刻または外気温を、ＡＲＩＭＡ項には目的の時点の１時点～ｐ時点前までの空調負荷の実績値を代入して、空調負荷の予測値を算出する。

運転管理者は、負荷予測部１９において予測された空調負荷の値を情報端末装置２２に表示させ、参照することができる。運転管理者は、表示された予測値に基づき、空調に関わる各機器の運転状況（例えば、熱源機１の発停スケジュール）を決定し、あるいは必要に応じて変更する。例えば、ある未来の時点における空調負荷の予測値が大きく、現在稼働している熱源機１だけで空調負荷が賄えなくなることが想定される場合、熱源の発停スケジュールを変更して熱源の稼働台数を増すことができる。また、蓄熱式空調システムの場合、空調負荷の予測値に応じて熱源機１の蓄熱運転を行といったことが可能である。あるいは、こうした予測値に基づく運転スケジュールの決定は、運転管理者を介することなく自動的に行うよう、システムを構成してもよい。こうして、負荷の変動に伴って発生する負荷状況と運転状況とのずれを小さくし、快適な空調状態を実現すると共に、省エネ・省コストにて空調システムを運転することができる。

ステップＳ４における空調負荷の予測値は、データ格納部１７に記録される（ステップＳ６）。また、予測された時点における空調負荷の実績値も、あわせてデータ格納部１７に記録される（ステップＳ７）。

ステップＳ６で記録された予測値と、ステップＳ７で記録された実績値とは、必ず一致するとは限らない。そこで、モデル生成部１８では必要に応じ、ステップＳ６，Ｓ７で記録されたデータに基づいて負荷予測モデルＭを修正する（ステップＳ８）。

ステップＳ６～Ｓ８が完了したら、ステップＳ３に戻って新たにパラメータを取得し、次の時点の空調負荷の予測（ステップＳ４）を行う。

尚、ここでは熱源機１のオンオフにより空調負荷に対応する場合を説明したが、空調システムを構成するその他の機器の運転状況を調整することで空調負荷に対応するようにしてもよい。例えば、予測結果に応じ、空調機における空調空気の温度や供給量、あるいは対象の室内に空調空気を送り出す変風量ユニットの吹出風量などを変更するといった運用も可能である。

また、ここに説明したシステム構成や、空調負荷の予測の手順はあくまで一例である。空調システムの運転状況に関する上述の如き各種パラメータからＡＲＩＭＡＸによる負荷予測モデルＭを生成し、これを用いて任意の時点あるいは期間における運転状況から空調負荷を予測し得る限りにおいて、システム構成や予測の手順は種々変更することができる。

ＡＲＩＭＡＸモデルである負荷予測モデルＭの回帰項に説明変数として用いるパラメータについて、さらに説明する。

本実施例の場合、回帰項の説明変数として、特に曜日、時刻、外気温度の３つのパラメータから選択される複数のパラメータを用いる。これらのパラメータによるＡＲＩＭＡＸモデルに関し、下記表１に示す如き複数のパターンにより回帰項を作成し、それぞれの推定または予測の精度を検証した。

パターン１は、説明変数として曜日と時刻を用い、それぞれの項および曜日と時刻の交互作用項を回帰項に含むパターンである。外気温度は説明変数として使用しない。パターン２および３は、説明変数として曜日、時刻、外気温度を用い、それぞれの項、および各説明変数同士の交互作用項を全て回帰項に含むパターンである。パターン４および５は、曜日、時刻、外気温度同士の一部の交互作用項を回帰項に含むパターンである。尚、パターン２、４では外気温度として目的の時点における実外気温度を用いたが、パターン３、５では目的の時点より過去の時点の外気温度（ここでは、目的の時点の２４時間前）を用いた。また、いずれのパターンにおいても、「曜日」としては「休日か平日か」を用い、「時刻」としては「時間（０時、１時、２時、......、２３時）」を用いた。

まず、パターン１による回帰項を用いて１年分の空調負荷の推定を行った。学習期間は１週間とし（つまり、目的の時点の直近の１週間における空調負荷の実績値をＡＲＩＭＡ項に使用し）、１日、１２時間、６時間、３時間の４通りの予測間隔で（つまり、１日おき、１２時間おき、６時間おきまたは３時間おきの実績値をＡＲＩＭＡ項に用いて）、目的の時点における空調負荷の推定値を算出した。各場合における１年分の推定値の決定係数を下記表２に示す。

回帰項に説明変数として曜日と時刻およびそれらの交互作用項のみを使用しても、十分な精度で空調負荷を推定することができた。

続いて、パターン２による回帰項を用いて１年分の空調負荷を推定すると、下記表３に示す通り、１週間の学習期間では決定係数がマイナスとなった。回帰項に組み込んだ交互作用項が多すぎるために、短い学習期間のデータに予測モデルが対応しすぎてしまった（すなわち、過学習が生じてしまった）ためと考えられる。そこで、学習期間を２週間または４週間まで延ばすと、決定係数は０．９５を超える良好な値を示した。

尚、学習期間を１週間とした場合、パターン３の回帰項（目的の時点より過去の外気温度を用いて、目的の時点の空調負荷を予測するパターン）を用いても同様の過学習が生じた（下記表４参照）。

パターン２、３では、３個の説明変数間の全交互作用項を回帰項に組み込んでいた。これに対し、パターン４、５は、一部の交互作用項（曜日と外気温度、時刻と外気温度、曜日と時刻と外気温度）のみを回帰項に組み込むパターンである。この３つの交互作用項を回帰項に用いると、「休日における外気温度と空調負荷の関係」「ある時刻における外気温度と空調負荷の関係」「平日のある時刻における外気温度と空調負荷の関係」といったパターンを、推定値または予測値に反映させることができる。

パターン４を採用した場合、下記表５に示すように、学習期間が１週間であっても良好な推定精度を示した。一部の交互作用項のみを回帰項に採用した結果、過学習が抑えられたためと考えられる。

外気温度として目的の時点より過去の時点の外気温度を用いたパターン５でも、下記表６に示すように、いずれの予測間隔または学習期間においても良好な予測精度を示した。

以上の表２～６に示したように、曜日、時刻、外気温度のうち複数の説明変数を回帰項に用いて空調負荷を推定または予測する場合、曜日と時刻およびそれらの交互作用項を用いるパターン１と、曜日と外気温度、時刻と外気温度、曜日と時刻と外気温度の各交互作用項を用いるパターン４、５において、特に良好な精度が得られた。そこで、上記各パターンのうち、パターン１、４、５について、予測間隔と推定または予測精度の関係を検討した。学習期間は１週間とした。結果を下記表７に示す。

いずれのパターンにおいても、予測間隔にかかわらず、おおむね０．８以上の決定係数を示した。特に、予測間隔を２日以内とした場合、いずれのパターンでも０．９台の良好な決定係数を示した。パターン１、４、５のいずれかを採用する場合、予測間隔は２日以内とするのが特に好適と言える。

ここで、パターン１は回帰項として曜日と時刻のみを考慮し、パターン４、５は曜日と時刻に加えて外気温度を考慮するパターンであると言えるが、全体としてパターン４、５の方がパターン１よりも良好な決定係数を示している。つまり、外気温度を全く使用しないモデル（パターン１）に比べ、外気温度を使用するモデルの方が良好な予測精度を得ることができる。外気温度として目的の時点の外気温度を使用するモデル（パターン４）は勿論、２４時間前の外気温度を使用するモデル（パターン５）であっても、外気温度を使用しない場合と比べれば予測精度は良好である。これは、外気温度に密接に関連する天気の移り変わりがマルコフ連鎖過程に従う結果、ある時点の外気温度と、その２４時間前の外気温度との間に若干の相関があるためと考えられる。曜日と時刻だけでも実用上、十分な推定または予測が可能であるが、さらに外気温度をも考慮すれば、より精度の高い推定が可能である。

このように、空調負荷に関連する複数のパラメータを回帰項の説明変数として用い、且つ目的の時点より過去の空調負荷をＡＲＩＭＡ項に用いたＡＲＩＭＡＸモデルにより空調負荷を予測する本実施例の如き方法およびシステムによれば、実用上十分な精度で空調負荷を予測することができる。この際、特に、曜日、時刻、外気温度から選択されるパラメータを用いると、精度のよい予測が可能である。

ここで、回帰項には曜日、時刻およびそれらの交互作用項を組み込むと（パターン１）、目的の時点の空調負荷を特に精度よく推定または予測することができる。さらに、回帰項に曜日、時刻、外気温度の３つの説明変数を組み込み、且つそれらの交互作用項のうち一部のみを用いるようにすると（パターン４、５）、推定精度をいっそう向上させることができる。また、回帰項の項数を少なくすることで、計算負荷を軽減することにもなる。

また、曜日、時刻、外気温度から選択されるパラメータを説明変数として用いる場合、必要なパラメータの取得が容易である。曜日と時刻についてはダミー変数を設定すればよいし、外気温度を説明変数とする場合は過去の実測値や、図示しない屋外の温度センサにより取得した現在の実測値等を用いれば済む。このため、例えば気象の予報データを購入することなく空調負荷の予測を行うことが可能であり、簡便であると共に費用を抑えることができる。

また、曜日を説明変数として用いる場合について、上では休日か平日かの２通りのダミー変数を設定した場合を説明したが、日月火水木金土の７通りに設定することも可能である。しかしながら、本願発明者らの研究によれば、曜日のダミー変数は休日か平日かの２通りとする方が予測の精度は高いことが判明している。曜日のダミー変数を７通りとすると、場合分けが多すぎる結果、過学習が生じてしまった可能性がある。曜日のダミー変数を休日か平日かの２通りに設定すれば、計算量を軽減させつつ、さらに予測精度を高めることができる。

尚、回帰項にパターン５の交互作用項を採用する場合、上記表６に示すように、予測間隔が１日～３時間のいずれであっても、学習期間を２週間とした場合の予測精度が最も良好であった。時系列分析を行う場合、目的の時点より前の一定の期間（すなわち、１週間、２週間または４週間前まで）のデータ（空調負荷の実績値）を使用するわけであるが、学習期間を長く取ればそれだけ多くのデータが標本として採集できる一方、古いデータ（つまり、目的の時点から時間的に遠く、目的の時点のデータとの相関性がそれだけ低いデータ）も含まれることになる。したがって、予測または推定の精度を高めるためには、学習期間は長すぎず、且つ短すぎないように設定すべきである。本実施例のように、ＡＲＩＭＡＸモデルにより空調負荷の時系列分析を行う場合、学習期間は１週間以上４週間以内とすると、精度よく空調負荷を推定または予測するうえで好適であり、特に好適には２週間である。

ところで、空調システムを稼働させるにあたっては、運転を開始してからなるべく短い期間で空調負荷を予測することが望ましい。本実施例の如きＡＲＩＭＡＸモデルを用いて空調負荷を予測する方法であれば、最低数日程度（好ましくは１週間以上）のデータがあれば、実用に十分耐え得る精度の負荷予測モデルＭを構築できる。そこで、例えば、始めは温度センサ８の値に基づくフィードバック制御により空調システムを運転し、空調負荷を十分な精度で予測できるだけの実績値が採集できた段階（例えば、フィードバック制御により１週間、運転を行った段階）で上述の如きＡＲＩＭＡＸによる負荷予測モデルＭの予測値を用いた運転に切り替え、さらに２週間が経過した段階で、負荷予測モデルＭの学習期間を２週間に延ばすといった運転を行うと良い。

尚、ＡＲＩＭＡＸモデルである負荷予測モデルＭを使用する前の段階で、他に空調負荷を予測できるモデル等があれば、始めは該モデル等を利用して空調負荷を予測し、ある程度の期間のデータが採集できた時点でＡＲＩＭＡＸモデルに切り替えてもよい。また、例えば上述の如きＡＲＩＭＡＸモデルよりは長い期間のデータ採集が必要であるが、より精度のよい別のモデル等がある場合は、ある期間のみ上述の如きＡＲＩＭＡＸモデルを負荷予測モデルＭとして使用し、その後、前記別のモデルに適宜切り替えて使用してもよい。このように、複数の方法やモデルを適宜併用してもかまわない。

以上のように、上記本実施例の空調負荷の予測方法においては、空調負荷に関連する複数のパラメータを説明変数として回帰項に組み込み、且つ目的の時点より過去の時点における空調負荷の実績値をＡＲＩＭＡ項に用いたＡＲＩＭＡＸモデルにより、空調負荷を予測するようにしている。このようにすれば、実用上十分な精度で空調負荷を予測することができる。

本実施例の空調負荷の予測方法においては、回帰項の説明変数に、曜日、時刻、外気温度から選択される複数のパラメータを用いている。このようにすれば、空調負荷を精度よく予測することができる。

本実施例の空調負荷の予測方法においては、曜日、時刻および曜日と時刻の交互作用項を回帰項に用いることができる。このようにすれば、予測の精度をいっそう向上させることができる。

本実施例の空調負荷の予測方法においては、曜日と外気温度、時刻と外気温度、曜日と時刻と外気温度の各交互作用項を回帰項に用いることができる。このようにしても、計算負荷を軽減しつつ、予測の精度をいっそう向上させることができる。

本実施例の空調負荷の予測方法においては、ＡＲＩＭＡ項の学習期間を１週間以上４週間以下とすることができる。このようにすれば、実用上十分な精度で空調負荷を予測することができる。

本実施例の空調負荷の予測方法においては、予測間隔を２日以下とすることができる。このようにすれば、予測の精度をいっそう向上させることができる。

本実施例の空調負荷の予測方法においては、曜日を説明変数として用いる場合に、休日か平日かの２通りのダミー変数を設定することができる。このようにすれば、計算量を軽減しつつ、予測精度を高めることができる。

また、本実施例の空調負荷の予測システムは、上述の空調負荷の予測方法を実行可能に構成されている。このようにすれば、空調負荷を精度よく予測することができる。

また、本実施例の空調システムのエネルギー管理方法においては、上述の空調負荷の予測方法による空調負荷の予測値に基づき、熱源機１の運転スケジュールを決定するようにしている。このようにすれば、予測された空調負荷に応じ、好適に空調システムのエネルギー管理を行うことができる。

また、本実施例の空調システムのエネルギー管理システムは、熱源機１と、上述の空調負荷の予測方法による空調負荷の予測値を表示する表示部２２とを備え、前記予測値に基づき、熱源機１の運転スケジュールを決定可能に構成されている。このようにすれば、予測された空調負荷に応じ、好適に空調システムのエネルギー管理を行うことができる。

したがって、上記本実施例によれば、空調負荷を精度よく簡便に予測し得る。

尚、本発明の空調負荷の予測方法およびシステム、並びに空調システムのエネルギー管理方法およびシステムは、上述の実施例にのみ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内において種々変更を加え得ることは勿論である。

１ 熱源機
２２ 表示部（情報端末装置）

Claims (8)

1. 空調負荷に関連する複数のパラメータを説明変数として回帰項に組み込み、且つ目的の時点より過去の時点における空調負荷の実績値をＡＲＩＭＡ項に用いたＡＲＩＭＡＸモデルにより、空調負荷を予測する空調負荷の予測方法であって、
   前記回帰項の説明変数に、曜日、時刻、外気温度から選択される複数のパラメータを用い、
   曜日を説明変数として用いる場合に、休日か平日かの２通りのダミー変数を設定することを特徴とする空調負荷の予測方法。
2. 曜日、時刻および曜日と時刻の交互作用項を回帰項に用いることを特徴とする請求項１に記載の空調負荷の予測方法。
3. 曜日と外気温度、時刻と外気温度、曜日と時刻と外気温度の各交互作用項を回帰項に用いることを特徴とする請求項１に記載の空調負荷の予測方法。
4. ＡＲＩＭＡ項の学習期間を１週間以上４週間以下とすることを特徴とする請求項２または３に記載の空調負荷の予測方法。
5. 予測間隔を２日以下とすることを特徴とする請求項１～４のいずれか一項に記載の空調負荷の予測方法。
6. 請求項１～５のいずれか一項に記載の空調負荷の予測方法を実行可能に構成されていることを特徴とする空調負荷の予測システム。
7. 請求項１～５のいずれか一項に記載の空調負荷の予測方法による空調負荷の予測値に基づき、熱源機の運転スケジュールを決定することを特徴とする空調システムのエネルギー管理方法。
8. 熱源機と、
   請求項１～５のいずれか一項に記載の空調負荷の予測方法による空調負荷の予測値を表示する表示部とを備え、
   前記予測値に基づき、前記熱源機の運転スケジュールを決定可能に構成されていることを特徴とする空調システムのエネルギー管理システム。

Images