JP7367472B2 - 推定方法、推定装置及びプログラム - Google Patents

Description

本発明は、推定方法、推定装置及びプログラムに関する。

近年、省エネルギー対策の必要性もあり、施設に設置された空調機（空気調和機）の空調能力の評価要請が高まっている。これに伴い、空調能力を評価する種々の手法が提案されている。

例えば特許文献１では、空気エンタルピー法を用いた空調能力計測システムであって、室外機のファンの風量を検出し、検出した風量と、室外機の圧縮機におけるエンタルピー変化、及び室外機の駆動電力とに基づいて空調能力を算出する空調能力計測システム等が開示されている。

特開２０１０－３８４８７号公報

しかしながら、特許文献１では室外機のファンの風量を検出する必要があり、必ずしも簡易な計測方法ではない。

一つの側面では、空調能力を簡易かつ精度良く推定することができる推定方法等を提供することを目的とする。

一つの側面に係る推定方法は、施設に設置された対象の空調機の室外機から計測された電流値、及び前記対象の空調機の前記室外機と、該対象の空調機の室内機との間の冷媒流量に関連する計測値を取得し、前記冷媒流量に関連する計測値に基づき、前記室外機の圧縮機に固有の特性値を予測し、複数の空調機夫々の室外機の電流値、及び該室外機の圧縮機の特性値と、前記電流値が計測された際の前記空調機の空調能力とを学習済みの学習済みモデルを用いて、前記対象の空調機の前記空調能力を推定する処理をコンピュータが実行することを特徴とする。

一つの側面では、空調能力を簡易かつ精度良く推定することができる。

空調能力推定システムの構成例を示す模式図である。 サーバの構成例を示すブロック図である。 管理者ＤＢ、空調機ＤＢ及び計測値ＤＢのレコードレイアウトの一例を示す説明図である。 推定モデルに関する説明図である。 空調能力の推定結果に関する表示画面例を示す説明図である。 推定モデルの生成処理の手順を示すフローチャートである。 空調能力の推定処理の手順を示すフローチャートである。 実施の形態２に係る推定モデルの生成処理の手順を示すフローチャートである。 実施の形態２に係る空調能力の推定処理の手順を示すフローチャートである。

以下、本発明をその実施の形態を示す図面に基づいて詳述する。
（実施の形態１）
図１は、空調能力推定システムの構成例を示す模式図である。本実施の形態では、空調機３の室外機３１から計測した電流値に基づき、空調機３の空調能力を推定する空調能力推定システムについて説明する。空調能力推定システムは、推定装置１、端末２、スマートメータ４１等を含む。各装置は、インターネット等のネットワークＮを介して通信接続されている。

本実施の形態に係る空調機３は、いわゆる個別分散型空調機であり、所定の施設内（例えばビル内の各部屋）に分散配置され、各々が独立して稼働する空調機である。各空調機３は、室外機３１及び室内機３２を有し、それぞれが独立して運転を行う。なお、空調機３は個別分散方式の空調機に限定されず、複数の室内機で一の室外機を共有するセントラル方式の空調機であってもよい。

推定装置１は、種々の情報処理、情報の送受信を行う装置であり、例えばサーバ装置、パーソナルコンピュータ等である。本実施の形態において推定装置１はサーバ装置であるものとし、以下では簡潔のためサーバ１と読み替える。本実施の形態においてサーバ１は、各空調機３の室外機３１における電流値と、室外機３１周辺の気温、すなわち施設の外気温とに基づき、空調機３の空調性能を推定する処理を行う。具体的には後述するように、サーバ１は、機械学習により構築された推定モデル１４１（図４参照）を用いて、空調機３の空調性能を推定する。空調機３の管理者の下で容易に計測可能な電流値及び外気温に基づいて推定を行うようにすることで、空調能力を簡易にチェックすることができる。

端末２は、空調機３の管理者（例えば空調機３が設置された施設のオーナー）が操作する端末装置であり、サーバ１のクライアント端末として機能するパーソナルコンピュータ等である。

スマートメータ４１は、空調機３が設置された施設に設けられている電力量計であり、外部との通信機能を備えた電力量計である。スマートメータ４１は、各空調機３の室外機３１における電流値を計測する電流センサ４３に接続されている。例えば電流センサ４３は、自己給電型の電流センサであり、室外機３１に備わる圧縮機（不図示）に流れる電流値を計測し、スマートメータ４１に送信する。スマートメータ４１はゲートウェイ４２に接続され、ゲートウェイ４２を介してサーバ１に電流値の計測結果を送信する。

また、本実施の形態では温度センサ４４が施設に設けられている。温度センサ４４は、施設周辺の外気温を計測する温度センサである。スマートメータ４１と同様に、温度センサ４４もゲートウェイ４２を介してサーバ１に計測結果を送信する。

図２は、サーバ１の構成例を示すブロック図である。サーバ１の構成例を示す模式図である。サーバ１は、制御部１１、主記憶部１２、通信部１３、補助記憶部１４を有する。
制御部１１は、一又は複数のＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro-Processing Unit）、ＧＰＵ（Graphics Processing Unit）等の演算処理装置を有し、補助記憶部１４に記憶されたプログラムＰを読み出して実行することにより、種々の情報処理、制御処理等を行う。主記憶部１２は、ＳＲＡＭ（Static Random Access Memory）、ＤＲＡＭ（Dynamic Random Access Memory）、フラッシュメモリ等の一時記憶領域であり、制御部１１が演算処理を実行するために必要なデータを一時的に記憶する。通信部１３は、通信に関する処理を行うための通信モジュールであり、外部と情報の送受信を行う。

補助記憶部１４は、ハードディスク、大容量メモリ等の不揮発性記憶領域であり、制御部１１が処理を実行するために必要なプログラムＰ、その他のデータを記憶している。また、補助記憶部１４は、推定モデル１４１、管理者ＤＢ１４２、空調機ＤＢ１４３、計測値ＤＢ１４４をしている。推定モデル１４１は、機械学習により生成された学習済みモデルであり、空調機３の空調能力を推定する推定器である。管理者ＤＢ１４２は、空調機３の管理者の情報を格納するデータベースである。空調機ＤＢ１４３は、空調機３の情報を格納するデータベースである。計測値ＤＢ１４４は、電流センサ４３及び温度センサ４４による計測値を格納するデータベースである。

なお、補助記憶部１４はサーバ１に接続された外部記憶装置であってもよい。また、サーバ１は複数のコンピュータからなるマルチコンピュータであっても良く、ソフトウェアによって仮想的に構築された仮想マシンであってもよい。

また、本実施の形態においてサーバ１は上記の構成に限られず、例えば操作入力を受け付ける入力部、画像を表示する表示部等を含んでもよい。また、サーバ１は、ＣＤ（Compact Disk）－ＲＯＭ、ＤＶＤ（Digital Versatile Disc）－ＲＯＭ等の可搬型記憶媒体１ａを読み取る読取部を備え、可搬型記憶媒体１ａからプログラムＰを読み取って実行するようにしても良い。あるいはサーバ１は、半導体メモリ１ｂからプログラムＰを読み込んでも良い。

図３は、管理者ＤＢ１４２、空調機ＤＢ１４３及び計測値ＤＢ１４４のレコードレイアウトの一例を示す説明図である。
管理者ＤＢ１４２は、管理者ＩＤ列、管理者名列、施設ＩＤ列、施設名列、温度センサＩＤ列を含む。管理者ＩＤ列は、各管理者を識別するための管理者ＩＤを記憶している。管理者名列、施設ＩＤ列、施設名列、及び温度センサ列はそれぞれ、管理者ＩＤと対応付けて、管理者名、管理者が管理する施設を識別するための施設ＩＤ、当該施設の施設名、及び当該施設に設けられた温度センサ４４を識別するための温度センサＩＤを記憶している。

空調機ＤＢ１４３は、空調機ＩＤ列、定格能力列、施設ＩＤ列、設置箇所列、電流センサＩＤを含む。空調機ＩＤ列は、各空調機３を識別するための空調機ＩＤを記憶している。定格能力列、施設ＩＤ列、設置箇所列、及び電流センサＩＤはそれぞれ、空調機ＩＤと対応付けて、空調機３の定格能力、空調機３が設置された施設の施設ＩＤ、当該施設内での設置箇所、及び空調機３の室外機３１の電流値を計測する電流センサ４３を識別するためのセンサＩＤを記憶している。

計測値ＤＢ１４４は、日時列、電流列、気温列を含む。日時列は、電流値及び気温の計測日時を記憶している。電流列及び気温列はそれぞれ、計測日時と対応付けて、各空調機３の室外機３１の電流値、及び空調機３が設置された施設の外気温の計測結果を記憶している。例えば電流列には、各空調機３の空調機ＩＤと対応付けて、各空調機３の室外機３１において計測された電流値が記憶されている。また、例えば気温列には、各施設の施設ＩＤと対応付けて、各施設の外気温の計測結果が記憶されている。

図４は、推定モデル１４１に関する説明図である。図４に基づき、空調能力の推定を行う推定モデル１４１について説明する。
推定モデル１４１は、教師データを学習することで生成される機械学習モデルであり、例えば深層学習により生成されるニューラルネットワークである。本実施の形態でサーバ１は、推定モデル１４１として、ＣＮＮ（Convolution Neural Network）の一種であるＲｅｓＮｅｔ（Residual Network；残差ネットワーク）を生成する。

推定モデル１４１は、データの入力を受け付ける入力層と、入力データから特徴量の抽出を行う中間層と、中間層で抽出した特徴量に基づきデータを出力する出力層とを有し、各層は、一又は複数のニューロンで構成される。推定モデル１４１がＣＮＮである場合、中間層は、入力データを畳み込むコンボリューション層と、コンボリューション層で畳み込んだデータをマッピングするプーリング層とが交互に連結された構成を有し、入力層から入力されたデータを圧縮しながら特徴量を抽出する。出力層では、中間層で抽出した特徴量に基づき、最終的な出力用のデータが出力される。

ＲｅｓＮｅｔは、ＣＮＮの中間層の層数を多くする（深くする）ためのフレームワークであり、各層の入力前後のパラメータの残差を用いて学習を行うモデルである。詳細な図示及び説明は省略するが、ＲｅｓＮｅｔでは中間層は残差ブロックと呼ばれる複数のレイヤに分割され、一のレイヤから出力されたパラメータと、当該一のレイヤに入力されたパラメータとの残差を次のレイヤへの入力とすることで、勾配の消失（又は発散）の問題に対処しながら学習を行う。

なお、上記では推定モデル１４１としてＲｅｓＮｅｔを生成することにしたが、推定モデル１４１はＲｅｓＮｅｔに限定されず、その他のニューラルネットワークであってもよい。また、推定モデル１４１はニューラルネットワークに限定されず、例えば決定木、ランダムフォレスト、ＳＶＭ（Support Vector Machine）、その他の学習アルゴリズムに基づくモデルであってもよい。

本実施の形態においてサーバ１は、電流センサ４３で計測した室外機３１の電流値と、施設周辺の外気温とを入力として、空調機３の空調能力を出力とする推定モデル１４１を生成する。例えばサーバ１は、所定期間（例えば過去一日）の各時点の電流値及び外気温を入力した場合に、当該期間の各時点での空調能力を出力する推定モデル１４１を生成する。

なお、本明細書で云う「空調能力」は、空調機３が単位時間当たりに室内から除去する、又は室内に加える熱エネルギー（ｋＷ）を指す。また、本明細書で云う「空調能力」は、ＪＩＳ規格等で厳格に定義された空調能力（例えば冷房能力であれば、室内温度が２７℃で、室外温度が３５℃の条件下での能力）に限定されず、室内外で交換される熱エネルギーを指すものであればよい。

サーバ１は、室外機３１において過去の各時点で計測された電流値、及び電流値の計測時点における外気温に対し、各時点での空調能力の正解値がラベル付けされた教師データを用いて、推定モデル１４１を生成する。すなわち、サーバ１は、教師用の電流値及び外気温を入力層に入力して演算を行い、出力層から各時点における空調能力の推定値を取得する。サーバ１は、取得した推定値を正解値と比較し、両者が近似するように、中間層での演算処理に用いる重み等のパラメータを最適化する。パラメータの最適化の方法は特に限定されないが、例えばサーバ１は最急降下法を用いて各種パラメータの最適化を行う。

なお、本実施の形態では、入力パラメータとして電流値及び外気温を用いるが、例えば施設周辺の湿度、室内機３２のオン又はオフの設定、室内機３２の設定温度（室内温度）、その他のパラメータを用いてもよい。

サーバ１は、上記で生成した推定モデル１４１を用いて、評価対象とする施設の空調機３の空調能力を推定する。例えばサーバ１は、電流センサ４３及び温度センサ４４から各空調機３の電流値及び外気温の計測結果を逐次取得し、計測値ＤＢ１４４に保存（記憶）しておく。サーバ１は、施設の管理者の端末２からの空調能力に関する出力要求を受け付けた場合、当該施設に分散配置されている複数の空調機３、３、３…それぞれの電流値と、当該施設の外気温の計測結果を計測値ＤＢ１４４から読み出す。そしてサーバ１は、読み出した電流値及び外気温を推定モデル１４１に入力して空調能力を推定し、推定結果を端末２に出力する。

図５は、空調能力の推定結果に関する表示画面例を示す説明図である。端末２は、サーバ１からの出力を受けて、図５に例示する画面を表示する。
例えば端末２は、検査結果表５１、電流対比グラフ５２、気温対比グラフ５３を表示する。検査結果表５１は、対象の施設に設置されている各空調機３について、空調能力の推定結果（検査結果）を一覧で示す表である。電流対比グラフ５２、気温対比グラフ５３はそれぞれ、各計測時点における室外機３１の電流値、及び施設の外気温と、各時点での空調能力の推定値とを時系列で対比可能に示すグラフである。

例えば端末２は、各空調機３と対応付けて、空調機３の定格能力、推定能力（推定モデル１４１によって推定した空調能力）、及び空調機３の設備更新の要否を示す検査結果表５１を表示する。なお、検査結果表５１に示す「推定能力」は、各計測時点に応じて推定モデル１４１から出力された空調能力の推定値を、各時点での外気温等も参照して統計処理し、ＪＩＳ規格等に従って標準化した値である。サーバ１は、各空調機３の空調能力の推定結果を検査結果表５１に一覧表示させると共に、各空調機３の定格能力を空調機ＤＢ１４３から読み出し、各空調機３の空調能力の推定結果と並べて表示させる。これにより、管理者は各空調機３の定格能力と実態とを容易に比較することができる。

また、サーバ１は、各空調機３について、推定モデル１４１による推定結果に基づいて設備更新の要否を判定し、判定結果を検査結果表５１に表示させる。なお、設備更新とは、空調機３の交換だけでなく、空調機３の修理なども含み得る。例えばサーバ１は、空調能力の推定値と定格能力とを比較し、両者の差分が閾値以上である場合に設備更新が必要であると判定する。サーバ１は、各空調機３と対応付けて、設備更新の要否の判定結果を検査結果表５１に表示させる。

また、例えば端末２は、空調選択欄５４及び日付選択欄５５を画面上部に表示し、空調選択欄５４において空調機３の選択を、日付選択欄５５で日付の選択をそれぞれ受け付ける。そして端末２は、選択された空調機３について、選択された日付において計測された電流値及び外気温と、当該電流値及び外気温によって推定された空調能力とを電流対比グラフ５２及び気温対比グラフ５３に表示する。電流対比グラフ５２では、各計測時点における電流の計測値と、空調能力の推定値とが時系列で表示される。気温対比グラフ５３では、各計測時点における外気温の計測値と、空調能力の推定値とが時系列で表示される。これにより、各空調機３の空調能力について、詳細なデータを確認することができる。

以上より、本実施の形態１によれば、比較的計測が容易な電流値及び外気温に基づいて、空調機３の空調能力を容易かつ精度良く推定し、管理者に提示することができる。

図６は、推定モデル１４１の生成処理の手順を示すフローチャートである。図６に基づき、機械学習による推定モデル１４１の生成処理の内容について説明する。
サーバ１の制御部１１は、空調機３の室外機３１から計測された電流値、及び電流値が計測された際の外気温と、空調機３の空調能力の正解値とを含む教師データを取得する（ステップＳ１１）。

制御部１１は教師データを用いて、室外機３１の電流値及び外気温を入力した場合に、空調機３の空調能力を推定した推定結果を出力する推定モデル１４１（学習済みモデル）を生成する（ステップＳ１２）。具体的には、制御部１１は、教師用の室外機３１の電流値及び外気温をニューラルネットワークの入力層に入力し、空調機３の空調能力の推定値を出力層から取得する。制御部１１は、取得した推定値を正解値と比較し、出力層から出力される推定値が正解値に近づくよう、中間層での演算処理に用いるパラメータを最適化する。制御部１１は、生成した推定モデル１４１を補助記憶部１４に格納し、一連の処理を終了する。

図７は、空調能力の推定処理の手順を示すフローチャートである。図７に基づき、推定モデル１４１を用いた空調能力の推定処理の内容について説明する。
例えばサーバ１の制御部１１は、空調機３が設置された施設の管理者の端末２から空調能力に関する出力要求を受け付けた場合、以下の処理を実行する。制御部１１は、対象の施設の空調機３の室外機３１の電流値、及び電流値を計測した際の施設周辺の外気温を計測値ＤＢ１４４から読み出す（ステップＳ３１）。具体的には、制御部１１は、対象の施設に分散配置されている複数の空調機３、３、３…それぞれの電流値と、外気温とを、過去所定期間分読み出す。

制御部１１は、読み出した電流値及び外気温を推定モデル１４１に入力し、各空調機３の空調能力を推定する（ステップＳ３２）。例えば制御部１１は、電流値及び外気温が計測された各計測時点に対応して、各時点における空調機３の空調能力を推定する。制御部１１は、空調機３毎に電流値及び外気温を推定モデル１４１に入力し、各空調機３の空調能力を推定する。

制御部１１は、ステップＳ３２で推定した空調機３の空調能力と、空調機ＤＢ１４３に記憶してある空調機３の定格能力とを比較して、空調機３に係る設備更新の要否を判定する（ステップＳ３３）。制御部１１は、ステップＳ３３の判定結果を含む、空調機３の空調能力に関する推定結果を端末２に出力する（ステップＳ３４）。例えば制御部１１は、対象の施設に分散配置された複数の空調機３、３、３それぞれの空調能力の一覧（検査結果表５１）を出力すると共に、各計測時点における空調能力を時系列で示すデータ（電流対比グラフ５２、気温対比グラフ５３）を出力する。制御部１１は、一連の処理を終了する。

なお、上記では各空調機３の電流値をスマートメータ４１から自動的に取得（受信）するようにしたが、電流値は所定の作業者（例えば空調機３のメンテナンス事業者）が手動で計測したものであってもよい。

また、温度センサ４４から施設周辺の外気温を自動的に取得するようにしたが、例えば施設周辺の気温に関する情報を外部のＡＰＩ（Application Programmable Interface）から取得するようにしてもよい。

以上より、本実施の形態１によれば、比較的計測容易な室外機３１の電流値を用いることで、空調機３の空調能力を簡易かつ精度良く推定することができる。

また、本実施の形態１によれば、電流値に加えて外気温を用いることで、推定精度を高めることができる。

また、本実施の形態１によれば、推定結果に基づいて空調機３の設備更新の要否を判定することで、管理者の利便性を高めることができる。

また、本実施の形態１によれば、個別分散方式の複数の空調機３、３、３…の空調能力を推定して一覧を提示することで、同じ施設に設置されている個別分散型の空調機３、３、３…の一括管理を容易にすることができる。

（実施の形態２）
本実施の形態では、空調機３の室外機３１及び室内機３２の間で流れる冷媒流量に関連するパラメータを推定モデル１４１の入力パラメータに追加することで、空調能力の推定精度を高める形態について述べる。なお、実施の形態１と重複する内容については同一の符号を付して説明を省略する。

本実施の形態では、上述の電流値及び外気温に加えて、室外機３１と室内機３２との間の冷媒流量に関連するパラメータを用いて空調能力の推定を行う。例えばサーバ１は、コンプレッサーカーブ法（以下、ＣＣ法と呼ぶ）の理論に準拠して、ＣＣ法で用いる各種パラメータを推定に用いる。

本実施の形態ではＣＣ法自体を用いて空調能力の推定は行うことはないが、説明の便宜上、ＣＣ法の概要について説明する。ＣＣ法は、空調機３の冷媒流量に着目した空調能力の計算手法であり、室外機３１内部の圧縮機から吐出又は吸入される冷媒の流量と、室内機３２内部の熱交換器（不図示）に吸入又は排出される冷媒のエンタルピー差とに基づいて空調能力を計算する手法である。
ＣＣ法では、冷媒流量は以下の理論式（１）で表される。

Ｇ ＝ Ｖ×ρ×η×Ｎ …（１）

Ｇは冷媒流量（ｋｇ／ｍｉｎ）、Ｖは排除容積（ｍ３／ｒｅｖ）、ρは冷媒密度（ｋｇ／ｍ３）、ηは体積効率（％）、Ｎは圧縮機の回転数（ｒｐｍ）である。冷媒流量Ｇは式（１）で求められるが、体積効率η、排除容積Ｖなどは個々の圧縮機に固有の特性値であり、空調機３のメーカのみが既知で一般には公開されておらず、管理者の下では知得（計測）することができない。そこで、これらの特性値を用いずとも冷媒流量を計算可能なように、式（１）は次の回帰式（２）で表すこともできる。なお、式（２）のａ（ａ１～ａ３）は偏回帰係数であり、式（３）のように表される。

Ｇ ＝ ａ１×Ｔｓ＋ａ２×Ｔｄ＋ａ３ …（２）
ａ ＝ ｂ１×Ｎ＋ｂ２ …（３）

Ｔｓは圧縮機の吸入圧力相当飽和温度（℃）であり、圧縮機による冷媒の吸入圧力及び吸入温度から求められる。Ｔｄは圧縮機の吐出圧力相当飽和温度（℃）であり、圧縮機による冷媒の吐出圧力及び吐出温度から求められる。ＣＣ法において空調機３の空調能力は、式（１）又は（２）で計算される冷媒流量Ｇとエンタルピー差とを乗算して、次の式（４）により求められる。

Ｑ ＝ Ｇ×（ｈｏｕｔ－ｈｉｎ） …（４）

Ｑは空調能力（ｋＷ）である。ｈｏｕｔ、ｈｉｎはそれぞれ、室内機３２に排吸入される冷媒のエンタルピー差（ｋＪ／ｋｇ）であり、室内機３２内部の熱交換器の液管温度、ガス管温度から求められる。さらに冷房運転時には、室外機３１内部の熱交換器（不図示）の出口温度が必要になる。

上述の如く、ＣＣ法において圧縮機の固有特性値を用いずに空調能力を推定するには、以下の８種類のパラメータを用いることになる。
室外機３１の圧縮機の回転数
室外機３１の圧縮機の吸入圧力及び吸入温度
室外機３１の圧縮機の吐出圧力及び吐出温度
室内機３２の熱交換器の液管温度
室内機３２の熱交換器のガス管温度
室外機３１の熱交換器の出口温度

本実施の形態においてサーバ１は、ＣＣ法で用いるこれらのパラメータの内、少なくともいずれか一つのパラメータの計測値を推定モデル１４１への入力パラメータに加え、推定を行う。なお、圧縮機の回転数、吸入圧力等の計測は、例えば所定の作業者（空調機３のメンテナンス業者など）が手動で計測した値をサーバ１に入力するようにしてもよい。あるいは、室外機３１及び室内機３２に各種パラメータを計測するためのセンサを設置して自動的に計測を行い、ゲートウェイ４２を介してサーバ１に計測値を送信するようにしてもよい。上記の各種パラメータの計測方法は公知であるため、計測手段の図示及び説明は省略する。

サーバ１は、室外機３１の電流値、及び施設周辺の外気温に加えて、上記の各種パラメータの計測値を含む教師データを用いて学習を行い、推定モデル１４１を生成する。そしてサーバ１は、対象の空調機３の空調能力を推定する場合、電流値及び外気温に加えて、冷媒流量に関連する各種パラメータの計測値を取得して推定モデル１４１に入力し、空調能力を推定する。

なお、上記では８種類のパラメータを例示列挙したが、学習及び推定を行う際に８種類全てのパラメータを用いずに、一部のパラメータのみで学習及び推定を行ってもよい。ＣＣ法に基づいて空調能力を推定（計算）する場合には全てのパラメータが必要になるが、本実施の形態では電流値及び外気温も用いながらニューラルネットワークで演算を行うため、一部のパラメータが欠損していても空調能力を推定することができる。これにより、運用上の理由で一部のパラメータが知得（計測）できず、ＣＣ法を利用できない場合の代替手段として推定モデル１４１を利用することができる。

図８は、実施の形態２に係る推定モデル１４１の生成処理の手順を示すフローチャートである。
サーバ１の制御部１１は、室外機３１の電流値、施設周辺の外気温のほかに、空調機３の冷媒流量に関連する計測値を含む教師データを取得する（ステップＳ２０１）。冷媒流量に関連する計測値は、例えば室外機３１に備わる圧縮機の回転数、冷媒の吐出圧力及び吐出温度、吸入圧力及び吸入温度、室外機３１に備わる熱交換器の出口温度、室内機３２に備わる熱交換器のガス管温度、及び液管温度の少なくとも一つを含む。制御部１１は、電流値、外気温に上記の各種計測値を入力に加えて機械学習を行い、空調機３の空調能力を出力とする推定モデル１４１を生成する（ステップ２０２）。制御部１１は一連の処理を終了する。

図９は、実施の形態２に係る空調能力の推定処理の手順を示すフローチャートである。対象施設の電流値及び外気温の計測値を計測値ＤＢ１４４から読み出した後（ステップＳ３１）、サーバ１の制御部１１は以下の処理を実行する。

制御部１１は、空調機３の冷媒流量に関連する、室外機３１及び室内機３２から計測した各種計測値を取得する（ステップＳ２２１）。当該計測値は、上記のように圧縮機の回転数、冷媒の吐出圧力、吐出温度等を含む。例えばサーバ１は、所定の作業者が手動で計測した計測値の入力を受け付けるようにしてもよく、室外機３１及び室内機３２に各種パラメータを計測するためのセンサを設置し、ゲートウェイ４２を介して計測値を取得するようにしてもよい。
制御部１１は、ステップＳ３１で読み出した電流値及び外気温と、ステップＳ２２１で取得した計測値とを推定モデル１４１に入力し、空調機３の空調能力を推定する（ステップＳ２２２）。制御部１１は、処理をステップＳ３３に移行する。

以上より、本実施の形態２によれば、冷媒流量に関連する各種パラメータの計測値を用いることで、空調能力の推定精度を高めることができる。

（変形例）
実施の形態２では、空調機３の冷媒流量に関連するパラメータの内、管理者の下で計測可能なパラメータを空調能力の推定に用いる旨を説明した。一方で、管理者の下で計測可能なパラメータから、体積効率η等、一般に公開されていない空調機３に固有の特性値を予測し、空調能力の推定に用いてもよい。

例えばサーバ１は式（２）に基づき、室外機３１の圧縮機の回転数、吸入圧力及び吸入温度、吐出圧力及び吐出温度の計測値から冷媒流量Ｇを算出する。そしてサーバ１は、算出した冷媒流量Ｇを式（１）に代入し、体積効率η、排除容積Ｖなどの特性値を予測（算出）する。

なお、上記の予測方法は一例であって、サーバ１は、室外機３１及び室内機３２で計測可能なパラメータに基づき、圧縮機に固有の特性値を算出可能であればよい。また、体積効率η、排除容積Ｖなどは特性値の一例であって、サーバ１は、一般に公開されていない空調機３に固有の特性値を予測可能であればよい。

サーバ１は、圧縮機の回転数、吸入圧力等の計測値に代えて、又は当該計測値に加えて、上記の特性値を用いて空調能力の学習及び推定を行う。すなわち、サーバ１は、室外機３１の電流値及び外気温に加え、圧縮機の特性値を含む教師データを学習し、推定モデル１４１を生成する。そしてサーバ１は、対象の空調機３の空調能力を推定する場合、圧縮機の回転数、吸入圧力等の計測値を取得して特性値を予測し、予測した特性値を電流値等と共に推定モデル１４１に入力して、空調能力を推定する。

冷媒流量に関連するパラメータの計測値に代えて、又は当該計測値に加えて圧縮機の特性値を用いる以外の点は実施の形態２と同様であるため、フローチャートその他の詳細な説明は省略する。

以上より、変形例によれば、一般に公開されていない室外機３１の圧縮機の特性値を予測し、空調能力の推定に用いることで、推定精度を高めることができる。

今回開示された実施の形態はすべての点で例示であって、制限的なものではないと考えられるべきである。本発明の範囲は、上記した意味ではなく、特許請求の範囲によって示され、特許請求の範囲と均等の意味及び範囲内でのすべての変更が含まれることが意図される。

１ サーバ（推定装置）
１１ 制御部
１２ 主記憶部
１３ 通信部
１４ 補助記憶部
Ｐ プログラム
１４１ 推定モデル
１４２ 管理者ＤＢ
１４３ 空調機ＤＢ
１４４ 計測値ＤＢ
２ 端末
３ 空調機
４１ スマートメータ
４２ ゲートウェイ
４３ 電流センサ
４４ 温度センサ

Claims (7)

1. 施設に設置された対象の空調機の室外機から計測された電流値、及び前記対象の空調機の前記室外機と、該対象の空調機の室内機との間の冷媒流量に関連する計測値を取得し、
   前記冷媒流量に関連する計測値に基づき、前記室外機の圧縮機に固有の特性値を予測し、
   複数の空調機夫々の室外機の電流値、及び該室外機の圧縮機の特性値と、前記電流値が計測された際の前記空調機の空調能力とを学習済みの学習済みモデルを用いて、前記対象の空調機の前記空調能力を推定する
   処理をコンピュータが実行することを特徴とする推定方法。
2. 前記対象の空調機において前記電流値が計測された際の前記施設周辺の外気温を取得し、
   前記複数の空調機夫々の室外機の電流値、該室外機の圧縮機の特性値、及び前記電流値が計測された際の外気温と、前記空調機の前記空調能力とを学習済みの前記学習済みモデルを用いて、前記電流値及び外気温から前記対象の空調機の前記空調能力を推定する
   ことを特徴とする請求項１に記載の推定方法。
3. 前記対象の空調機の定格能力に関する情報を取得し、
   推定した前記空調能力と、前記定格能力とに基づき、前記対象の空調機に係る設備更新の要否を判定する
   ことを特徴とする請求項１又は２に記載の推定方法。
4. 前記施設に設置された複数の前記対象の空調機であって、各々が独立して稼働する複数の個別分散型空調機夫々の前記電流値及び計測値を取得し、
   前記計測値に基づき、前記個別分散型空調機夫々の前記特性値を予測し、
   前記学習済みモデルを用いて、前記個別分散型空調機夫々の前記電流値及び特性値に基づき、前記個別分散型空調機夫々の前記空調能力を推定し、
   前記個別分散型空調機夫々の前記空調能力の一覧を出力する
   ことを特徴とする請求項１～３のいずれか１項に記載の推定方法。
5. 前記冷媒流量に関連する計測値は、前記室外機の圧縮機の回転数、該圧縮機による冷媒の吐出圧力及び吐出温度、冷媒の吸入圧力及び吸入温度、前記室外機の熱交換器の出口温度、前記室内機の熱交換器の液管温度、並びに前記室内機の熱交換器のガス管温度の少なくともいずれか１つを含む
   ことを特徴とする請求項１～４のいずれか１項に記載の推定方法。
6. 施設に設置された対象の空調機の室外機から計測された電流値、及び前記対象の空調機の前記室外機と、該対象の空調機の室内機との間の冷媒流量に関連する計測値を取得する取得部と、
   前記冷媒流量に関連する計測値に基づき、前記室外機の圧縮機に固有の特性値を予測する予測部と、
   複数の空調機夫々の室外機の電流値、及び該室外機の圧縮機の特性値と、前記電流値が計測された際の前記空調機の空調能力とを学習済みの学習済みモデルを用いて、前記対象の空調機の前記空調能力を推定する推定部と
   を備えることを特徴とする推定装置。
7. 施設に設置された対象の空調機の室外機から計測された電流値、及び前記対象の空調機の前記室外機と、該対象の空調機の室内機との間の冷媒流量に関連する計測値を取得し、
   前記冷媒流量に関連する計測値に基づき、前記室外機の圧縮機に固有の特性値を予測し、
   複数の空調機夫々の室外機の電流値、及び該室外機の圧縮機の特性値と、前記電流値が計測された際の前記空調機の空調能力とを学習済みの学習済みモデルを用いて、前記対象の空調機の前記空調能力を推定する
   処理をコンピュータに実行させることを特徴とするプログラム。

Images