JP7335087B2 - 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 公益社団法人空気調和・衛生工学会発行の「平成３０年度空気調和・衛生工学会大会論文集、２２１－２２４頁」に発表

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に基づき、重回帰分析を用いて空調負荷を予測する空調負荷の予測方法であって、
以下のパラメータから選択される少なくとも３個の前記パラメータを説明変数として用い、且つ３次以上の交互作用項を回帰式に含む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。
・外気温度
・時間
・月
・休日か平日かの２通りのダミー変数

本発明の空調負荷の予測方法においては、変数増減法により、交互作用項の一部を削除することができる。

本発明の空調負荷の予測方法においては、削除する交互作用項の一部は、「外気温度×時間×月」と「外気温度×時間×月×休日か平日か」の交互作用であることができる。

本発明の空調負荷の予測方法においては、前記説明変数として過去の外気温度を使用することができる。

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負荷の予測システム並びに空調システムのエネルギー管理システム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。 回帰式による空調負荷の推定値と、実測値とを比較するグラフである。 別の回帰式による空調負荷の推定値と、実測値とを比較するグラフである。 さらに別の回帰式による空調負荷の推定値と、実測値とを比較するグラフである。 さらに別の回帰式による空調負荷の推定値と、実測値とを比較するグラフである。 さらに別の回帰式による空調負荷の推定値と、実測値とを比較するグラフである。 さらに別の回帰式による空調負荷の推定値と、実測値とを比較するグラフである。 回帰式による空調負荷の予測値と、実測値とを比較するグラフである。 説明変数として過去の外気温度を使用するにあたり、日付のずれと、空調負荷の予測精度との関係を説明するグラフである。

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。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は、テストデータに基づき、重回帰分析により負荷予測モデルＭを生成する機能を備えている。尚、負荷予測モデルＭの生成は、例えば与えられたテストデータに基づいて自動で行ってもよいし、あるいは手動の操作入力により行ってもよい。

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。

空調負荷の予測には、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、本実施例の場合、特に以下の４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。
・外気温度
・時刻（時間または時分）
・日付（月日または月）
・曜日（日月火水木金土、または、休日か平日か）

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。日付や時刻は、時季また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。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。例えば、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。

見方を変えると、「時刻」は空調負荷の一日周期の変化を、「日付」は一年周期の変化を、「曜日」は一週間周期の変化を、それぞれ推定値に反映させるパラメータである。また、「外気温度」は空調負荷の一年および一日周期の変化を推定値に反映させるパラメータであると言える。尚、上記パラメータのうち、外気温度は質的変数として、日付、時刻、曜日はダミー変数として、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。
・室内温度の測定値
・室内温度の設定値
・室内外の温度差
・空調負荷の実績値
・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

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１年程度）、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重回帰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、ある時点あるいは期間の運転条件に関連するパラメータから、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。尚、負荷予測モデルＭの具体的な内容については、後に改めて説明する。

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を用いて目的の時点における空調負荷を予測する（ステップＳ４）。

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。

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重回帰分析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。

重回帰分析による回帰式である負荷予測モデルＭの生成について説明する。仮に、それぞれ質的変数または量的変数である２つの説明変数ｘ_１，ｘ_２によって目的変数ｙ（ｔ）を表現する場合、回帰式は例えば下記数１の通りになる。

ここで、各説明変数ｘ_１，ｘ_２の目的変数ｙ（ｔ）に対する効果が、説明変数ｘ_１，ｘ_２同士の作用によって影響を受ける場合がある（交互作用）。この交互作用を考慮する場合、回帰式は交互作用項を追加され、例えば下記数２の通りになる。

説明変数の個数が２個の場合、上記数２のように、交互作用項の次数は２である。説明変数の個数が３個であり、各説明変数間の交互作用を全て考慮する場合、次数が２の交互作用項と、次数が３の交互作用項が回帰式に含まれる。説明変数の個数が４個であり、各説明変数間の交互作用を全て考慮する場合、次数が２の交互作用項と、次数が３の交互作用項が回帰式に含まれることになる。

本実施例の場合、上述の如く、特に外気温度、日付、時刻、曜日の４つのパラメータから選択されるパラメータを空調負荷の予測に用いる。これらのパラメータによる回帰分析に関し、テストデータを用いて推定または予測の精度を検証した。

テストデータとしては、２００７年度の各日（１月１日～１２月３１日）の各時間（０時～２３時）に測定された外気温度と、空調負荷の実績値を用いた。そして、２００７年度のある時点における空調負荷を目的変数、その時点の「外気温度」、「時刻（０時、１時、２時、......、２３時）」、「月（１月、２月、......、１２月）」、「曜日（休日か平日か）」を説明変数とし、回帰分析によって空調負荷の推定値を算出した。

まず、交互作用を考慮しない場合について、各説明変数の組み合わせにより回帰式を生成して空調負荷の推定値を求め、その時点における空調負荷の実績値と比較して決定係数により精度を評価した。結果を下記表１に示す。

上記表１において、各欄の丸印は、その縦列にあたるパラメータを説明変数として組み込んでいることを示す。すなわち、例えば組合せ番号１では外気温度のみを説明変数に用いた単回帰により空調負荷を推定し、組合せ番号８では時間と月を説明変数とした重回帰により推定を行っている。

表１に示すように、説明変数の個数が多いほど決定係数は高くなる傾向が確認されたが、交互作用を考慮しない場合、４つのパラメータを全て用いても、決定係数は０．６台に留まった。

続いて、２個以上の説明変数を用い、且つ説明変数同士の交互作用項を全て組み込んだ回帰式を作成し、空調負荷の推定を行った。結果を下記表２に示す。

交互作用を考慮すると、交互作用項の最大次数が２の場合は決定係数が高々０．６台であったが、３つの説明変数を用い、最大３次の交互作用項を回帰式に組み込むと、決定係数は著しく向上した。特に、「時間」「月」「平日か休日か」を説明変数として用いた場合に、０．９１８と高い決定係数を示した（組合せ番号１０）。さらに、４つの説明変数を全て用い、且つ説明変数間の交互作用を全て考慮した場合は、０．９４３と最も高い決定係数を示した（組合せ番号１１）。

実測値に対する推定値の一致度について、空調負荷の変動を表すグラフを用いてさらに説明する。

図３～図８は、２００７年度のある１０日間（７月１日～１１日）における空調負荷の実際の変動と、上記表１および表２に記載した一部の組合せによる回帰式を用いて算出された推定値とを比較するグラフである。まず、実際の空調負荷は、図３～図８中に実線にて示す如く、曜日および時間による変動を示した。すなわち、平日の昼間には負荷が大きく、休日および平日の夜間は負荷が小さいという変動を示した。これに対し、外気温度のみを説明変数とする単回帰の場合（表１、組合せ番号１）、図３に示す如く、破線で示す推定値は１０日間にわたってほぼフラットとなった。外気温度は人の活動スケジュールによってあまり左右されないが、オフィス等に発生する熱量は、曜日や時間に応じて大きく変動する。外気温度のみによる回帰では、こうしたスケジュールによる変動をうまく反映させることができない。

そこで、外気温度に加えて時間を説明変数とした重回帰を行うと（表１、組合せ番号５）、図４に示す如く、推定値は一日周期で変動し、図３に示した結果よりは推定値が実測値に近づいた。さらに、外気温度と時間の交互作用を考慮すると（表２、組合せ番号１）、図５に示す如く、推定値と実測値の一致度はより高まった。

続いて、説明変数として「休日か平日か」をさらに加えた場合を図６、図７に示す。図６は、外気温度、時間、休日か平日かを説明変数として用いるが、交互作用を考慮しない場合である（表１、組合せ番号１２）。休日か平日かが説明変数に加えられているため、図中に矢印にて示すように休日の推定値が下がり、実測値に近づいている。ここで各説明変数間の交互作用項を回帰式に加えると（表２、組合せ番号８）、図７に示す如く、休日の昼間における推定値がさらに低く、ボトム値に近い値となり、実測値との一致度がさらに増した。交互作用を考慮しない場合、休日か平日かの説明変数による影響は、他の説明変数による推定値を単に平日は底上げし、休日は下げる、といった形に留まるが、交互作用を考慮すれば、例えば平日の昼間は推定値を上げ、休日の昼間は抑えるなど、説明変数同士の関係を推定値に反映させることができるためである。

さらに、図８は上記４つのパラメータ全てを説明変数として用い、且つ説明変数間の全交互作用を考慮して回帰分析を行った場合（表２、組合せ番号１１）を示している。各交互作用項の影響により、例えば「気温の高い季節における平日の昼間」といったパターンが回帰式に組み込まれ、精度の高い推定が可能となっている。

続いて、実際に予測を行う場合の精度について検討した。２００７年度のデータセットをテストデータとして生成された回帰式を用い、２００８年度のデータセットに基づいて空調負荷の予測を行った。予測には、４つのパラメータ全てを説明変数として用い、且つ説明変数間の全交互作用を考慮した回帰式（表２、組合せ番号１１）を用いた。

図９にその結果を示す。実線で示す２００８年度の実測値に対し、２００７年度のデータセットに基づく予測値（破線）はよく一致しており、実用上十分な精度で空調負荷を予測できている。

さらに、説明変数として過去の外気温度を使用する際に、空調負荷を予測する時点の日付と、説明変数として使用する外気温度の日付にずれがある場合について検討を行った。例えば、当日の熱源機１の発停スケジュールを前日までに決定しようとする場合、空調負荷を予測したい時点の２４時間前の外気温度を参照したとしても、当日の全ての時間を予測することはできない。しかし、仮に４８時間前の外気温度を参照して目的の時点の空調負荷を精度よく予測できれば、当日の発停スケジュールを前日までに決定することができる。また、２日以上早い時点の外気温度を参照しても十分な精度で空調負荷を予測できるならば、それだけ早く発停スケジュールを決定することができる。そこで、外気温度を参照する日付に関し、どの程度のずれならば許容できるかについて検討した。予測には、４つのパラメータ全てを説明変数として用い、且つ説明変数間の全交互作用を考慮した回帰式（表２、組合せ番号１１）を用い、２００８年度の特定の時点における空調負荷を、２００７年度の前後の日付における外気温度に基づいて予測した。結果を図１０のグラフに示す。

一般に、決定係数が０．８以上であれば、十分な精度で予測ができていると見なすことができる。日付のずれが５日以内であれば０．８以上の決定係数が保たれているが、ずれが６日以上となると、決定係数は顕著に低下し、０．８を割り込んでしまう。以上より、説明変数として外気温度を用いるにあたり、日付のずれは５日以内であれば実用上、許容し得ると考えられる。尚、このように外気温度を参照する日付をずらす場合、例えば予測したい時点から２４時間前の過去外気温度をｎ回繰り返し使用することで、ｎ日先の予測を行うといった運用も可能である。

また、上記表２では、交互作用を考慮するにあたって各説明変数同士の交互作用項を全て回帰式に組み込む場合を説明したが、必ずしも全ての説明変数の組合せによる交互作用項を使用する必要はなく、変数増減法を用いて一部の交互作用項を削除してもかまわない。本願発明者らの研究によれば、例えば外気温度、時間、月、休日か平日かの４つの説明変数を用いる場合、「外気温度×時間×月」と「外気温度×時間×月×休日か平日か」の交互作用を削除すると、削除しない場合に比べ、推定値（２００７年度のデータから２００７年度の空調負荷を予測した場合）の決定係数は変わらないが、予測値（２００７年度のデータから２００８年度の空調負荷を推定した場合）の決定係数はやや向上した。このように、交互作用項の取捨選択は、計算量の軽減のみならず予測精度の向上にも有効な場合がある。

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、さらに計算量を軽減させつつ予測精度を高めることができる。

このように、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用い、重回帰分析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、外気温度、時刻、日付、曜日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。さらに、少なくとも３個以上のパラメータを設定変数として用い、各設定変数間の交互作用をも考慮して３次以上の交互作用項を回帰式に含むようにすると、予測値の精度をいっそう向上させることができる。

また、外気温度、時刻、日付、曜日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、回帰式の作成や空調負荷の予測に特別なデータ（例えば、気象の予報データ等）は必要ない。回帰式の作成にあたり、外気温度を説明変数とする場合は過去のテストデータを用いればよいし、その他のパラメータはダミー変数を設定すれば済む。予測の際も、例えば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よい。このため、空調システムの運用に伴い新しいデータを取得したり、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。

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に基づき、重回帰分析を用いて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、以下のパラメータから選択される一部または全部のパラメータを説明変数として用いている。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。
・外気温度
・日付
・時刻
・曜日

本実施例の空調負荷の予測方法においては、少なくとも３個の前記パラメータを説明変数として用い、且つ３次以上の交互作用項を回帰式に含むことができる。このようにすれば、予測値の精度をいっそう向上させることができる。また、空調負荷を簡便に予測できると共に費用を抑えることができる。

本実施例の空調負荷の予測方法においては、変数増減法により、交互作用項の一部を削除することができる。このようにすれば、計算量を軽減すると共に精度を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、さらに計算量を軽減させ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 (7)

1. 空調負荷に関連する複数のパラメータに基づき、重回帰分析を用いて空調負荷を予測する空調負荷の予測方法であって、
   以下のパラメータから選択される少なくとも３個の前記パラメータを説明変数として用い、且つ３次以上の交互作用項を回帰式に含むことを特徴とする空調負荷の予測方法。
   ・外気温度
   ・時間
   ・月
   ・休日か平日かの２通りのダミー変数
2. 変数増減法により、交互作用項の一部を削除す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. 削除する交互作用項の一部は、「外気温度×時間×月」と「外気温度×時間×月×休日か平日か」の交互作用であることを特徴とする請求項２に記載の空調負荷の予測方法。
4. 前記説明変数として過去の外気温度を使用することを特徴とする請求項１～３のいずれか一項に記載の空調負荷の予測方法。
5. 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。
6. 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。
7. 熱源機と、
   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