JP7455092B2 - 空調制御装置及び空調制御方法 - Google Patents

Description

本開示は、空調制御装置及び空調制御方法に関するものである。

データセンタ、又は、サーバルーム等には、複数の電子機器が設置されている。電子機器には、コンピュータのほか、通信機器等が含まれる。電子機器からの発熱による室内温度の上昇を抑えるために、データセンタ等には、複数の空調機が設置される。データセンタ等に設置されている複数の空調機のうち、一部の空調機が稼働すれば、データセンタ等の温度が一定の温度以下に保たれることがある。空調機の消費電力を抑えるためには、実際に稼働される空調機の台数が少ない方が望ましい。実際に稼働されない空調機は、予備機として利用される。

サーバルームに設置されている複数の空調機を制御する空調制御装置の中には、複数の空調機の中で実際に稼働させる空調機を決定することができる空調制御装置（以下「従来の空調制御装置」という）がある（特許文献１を参照）。従来の空調制御装置は、電子機器から排出される高温の空気が通る通路であるホットアイルの位置と、複数の空調機の位置とを示すレイアウトデータを取得する。そして、従来の空調制御装置は、レイアウトデータに基づいて、複数の空調機の中で実際に稼働させる空調機を決定する。

特開２０１８－００５６４６号公報

従来の空調制御装置は、レイアウトデータを取得することができなければ、サーバルームに設置されている複数の空調機の中で実際に稼働させる空調機を決定することができないという課題があった。

本開示は、上記のような課題を解決するためになされたもので、レイアウトデータを取得することなく、複数の空調機の中で実際に稼働させる空調機を決定することができる空調制御装置及び空調制御方法を得ることを目的とする。

本開示に係る空調制御装置は、室内に設置されている複数の空調機の中で、稼働対象の空調機を示す複数の稼働パターンを取得する稼働パターン取得部と、それぞれの稼働パターンが示す稼働対象の空調機が稼働しているときに、室内に設置されている温度センサの測定温度を示す温度データを取得する温度データ取得部と、学習データとして、それぞれの稼働パターンが示す稼働対象の空調機の制御量と、稼働対象の空調機が稼働しているときに温度データ取得部により取得された温度データとを用いて、それぞれの稼働パターンが示す稼働対象の空調機が稼働しているときの、温度センサにより測定される温度を予測するための室温予測モデルを生成する予測モデル生成部と、予測モデル生成部により生成された、それぞれの稼働パターンに対応している室温予測モデルに対して、それぞれの稼働パターンが示す稼働対象の空調機の制御量を与えて、それぞれの稼働パターンに対応した予測温度を取得し、それぞれの稼働パターンに対応した予測温度に基づいて、複数の稼働パターンの中から第１稼働パターンを選択する稼働パターン選択部と、稼働パターン選択部により選択された、第１稼働パターンが示す稼働対象の空調機を稼働させる制御を行う空調機制御部と、第１稼働パターンの選択により、複数の空調機のうちの少なくとも１台の空調機に対して設定された第１制御量から変更する、第１稼働パターンに対応している第１室温予測モデルが学習するための第２制御量を決定する制御を行う制御量変更部と、学習データとして、第２制御量、温度データ取得部により取得された温度データとを、第１室温予測モデルに与える学習実行部とを備え、制御量変更部は、設定可能な制御量のうち、第２制御量の候補となる複数の制御量に対して評価を行い、評価に基づいて第２制御量を決定する。

本開示によれば、レイアウトデータを取得することなく、複数の空調機の中で実際に稼働させる空調機を決定することができる。

実施の形態１に係る空調制御装置３を含む空調システムを示す構成図である。 実施の形態１に係る空調制御装置３のハードウェアを示すハードウェア構成図である。 空調制御装置３が、ソフトウェア又はファームウェア等によって実現される場合のコンピュータのハードウェア構成図である。 空調制御装置３の処理手順である空調制御方法を示すフローチャートである。 空調制御装置３における一部の処理手順を示すフローチャートである。 実施の形態２に係る空調制御装置３を含む空調システムを示す構成図である。 実施の形態２に係る空調制御装置３のハードウェアを示すハードウェア構成図である。 設定温度決定部１８により決定される設定温度ＰＴ_ｋの候補を示す説明図である。 設定温度ＰＴ_ｋに対する室温予測モデルＲＴＭ_ｇの精度を示す説明図である。

以下、本開示をより詳細に説明するために、本開示を実施するための形態について、添付の図面に従って説明する。

実施の形態１．
図１は、実施の形態１に係る空調制御装置３を含む空調システムを示す構成図である。
図２は、実施の形態１に係る空調制御装置３のハードウェアを示すハードウェア構成図である。
図１に示す空調システムは、電子機器が設置されている室内の温度を管理するシステムである。電子機器には、コンピュータのほか、通信機器等が含まれる。空調システムが管理する室としては、データセンタ、又は、サーバルーム等がある。
図１に示す空調システムは、Ｎ台の空調機１－１～１－Ｎと、Ｍ台の温度センサ２－１～２－Ｍと、空調制御装置３とを備えている。Ｎ，Ｍのそれぞれは、２以上の整数である。

データセンタ等には、複数のサーバラックが配置されており、それぞれのサーバラックには、複数の電子機器が収納されている。図１の例では、１４個のサーバラックが配置されている。
空調機１－１～１－Ｎは、データセンタ等に設置されている。図１の例では、Ｎ＝１２である。
温度センサ２－１～２－Ｍは、データセンタ等に設置されている。図１では、図面の簡単化のため、Ｍ＝２である例を示している。実際には、数メートルの間隔で、温度センサ２－ｍ（ｍ＝１，・・・，Ｍ）が設置されている。また、温度センサ２－ｍは、例えば、データセンタ等の床上１．５ｍの位置と床上２．５ｍの位置とに設置されている。
温度センサ２－ｍ（ｍ＝１，・・・，Ｍ）は、データセンタ等において、自己が設置されている位置の温度を測定し、測定温度ＭＴ_ｍを示す温度データを空調制御装置３に出力する。

空調制御装置３は、稼働パターン取得部１１、温度データ取得部１２、予測モデル生成部１３、稼働パターン選択部１４及び空調機制御部１５を備えている。
稼働パターン取得部１１は、例えば、図２に示す稼働パターン取得回路２１によって実現される。
稼働パターン取得部１１は、Ｎ台の空調機１－１～１－Ｎの中で、稼働対象の空調機１－ｋを示すＧ個の稼働パターンＯＰ_１～ＯＰ_Ｇを取得する。
稼働パターン取得部１１により取得される稼働パターンＯＰの数Ｇは、例えば、Ｎ台の空調機１－１～１－Ｎの中から、Ｐ台以上の空調機１を選ぶ組み合わせの数_ＮＣ_Ｐであり、Ｐは、１以上Ｎ未満の整数である。
稼働対象の空調機が、例えば、空調機１－３，１－５，１－８，１－１０であれば、ｋ＝３，５，８，１０である。稼働対象の空調機が、例えば、空調機１－４，１－７，１－９であれば、ｋ＝４，７，９である。
稼働パターン取得部１１は、Ｇ個の稼働パターンＯＰ_１～ＯＰ_Ｇを稼働パターン選択部１４及び空調機制御部１５のそれぞれに出力する。

図１に示す空調システムでは、稼働パターン取得部１１が、空調制御装置３の外部から稼働パターンＯＰ_ｇ（ｇ＝１，・・・，Ｇ）を取得する。しかし、これは一例に過ぎず、稼働パターン取得部１１が、例えば、空調制御装置３の図示せぬ記憶装置から稼働パターンＯＰ_ｇを取得するものであってもよい。

温度データ取得部１２は、例えば、図２に示す温度データ取得回路２２によって実現される。
温度データ取得部１２は、それぞれの稼働パターンＯＰ_ｇが示す稼働対象の空調機１－ｋが稼働しているときに、温度センサ２－ｍ（ｍ＝１，・・・，Ｍ）により測定された温度である測定温度ＭＴ_ｍを示す温度データを取得する。
温度データ取得部１２は、取得した測定温度ＭＴ_ｍを示す温度データを、予測モデル生成部１３に出力する。

予測モデル生成部１３は、例えば、図２に示す予測モデル生成回路２３によって実現される。
予測モデル生成部１３は、温度データ取得部１２から、測定温度ＭＴ_ｍを示す温度データを取得し、空調機制御部１５から、稼働パターンＯＰ_ｇが示す稼働対象の空調機１－ｋの制御量を取得する。
稼働対象の空調機１－ｋの制御量としては、例えば、空調機１－ｋの設定温度、空調機１－ｋの風量、又は、空調機１－ｋと接続されている圧縮機の稼働用電圧の周波数が想定される。図１に示す空調システムでは、空調機１－ｋの制御量が、空調機１－ｋの設定温度であるとして説明する。
予測モデル生成部１３は、学習データとして、稼働パターンＯＰ_ｇ（ｇ＝１，・・・，Ｇ）が示す稼働対象の空調機１－ｋの設定温度ＰＴ_ｋと、当該稼働対象の空調機が稼働しているときに温度データ取得部１２により取得された温度データとを用いて、稼働パターンＯＰ_ｇが示す稼働対象の空調機１－ｋが稼働しているときに、温度センサ２－ｍ（ｍ＝１，・・・，Ｍ）により測定される温度を予測するための室温予測モデルＲＴＭ_ｇを生成する。
予測モデル生成部１３は、生成したＧ個の室温予測モデルＲＴＭ_１～ＲＴＭ_Ｇを稼働パターン選択部１４に出力する。

稼働パターン選択部１４は、例えば、図２に示す稼働パターン選択回路２４によって実現される。
稼働パターン選択部１４は、稼働パターン取得部１１から、Ｇ個の稼働パターンＯＰ_１～ＯＰ_Ｇを取得し、予測モデル生成部１３から、Ｇ個の室温予測モデルＲＴＭ_１～ＲＴＭ_Ｇを取得する。
また、稼働パターン選択部１４は、空調機制御部１５から、稼働パターンＯＰ_ｇが示す稼働対象の空調機１－ｋの設定温度ＰＴ_ｋを取得する。
稼働パターン選択部１４は、室温予測モデルＲＴＭ_ｇ（ｇ＝１，・・・，Ｇ）に対して、稼働パターンＯＰ_ｇが示す稼働対象の空調機１－ｋの制御量である設定温度ＰＴ_ｋを与えて、室温予測モデルＲＴＭ_ｇから予測温度ＦＴ_ｇを取得する。
稼働パターン選択部１４は、予測温度ＦＴ_ｇ（ｇ＝１，・・・，Ｇ）に基づいて、Ｇ個の稼働パターンＯＰ_１～ＯＰ_Ｇの中から、１つの稼働パターンＯＰ_ＳＥＬを選択する。
稼働パターン選択部１４は、選択した１つの稼働パターンＯＰ_ＳＥＬを空調機制御部１５に出力する。

空調機制御部１５は、例えば、図２に示す空調機制御回路２５によって実現される。
空調機制御部１５は、稼働パターン取得部１１から、Ｇ個の稼働パターンＯＰ_１～ＯＰ_Ｇを取得する。
空調機制御部１５は、予測モデル生成部１３に対して、Ｇ個の室温予測モデルＲＴＭ_１～ＲＴＭ_Ｇを生成させるために、稼働パターンＯＰ_ｇが示す稼働対象の空調機１－ｋを設定温度ＰＴ_ｋで稼働させる。例えば、Ｇ＝３であれば、空調機制御部１５は、稼働パターンＯＰ_１が示す稼働対象の空調機１－ｋを設定温度ＰＴ_ｋで一定時間稼働させたのち、室内温度が稼働対象の空調機１－ｋを稼働させる前の温度に戻ってから、再度、稼働パターンＯＰ_１が示す稼働対象の空調機１－ｋを設定温度ＰＴ_ｋで一定時間稼働させるという動作を繰り返し行う。
その後、空調機制御部１５は、稼働パターンＯＰ_２が示す稼働対象の空調機１－ｋを設定温度ＰＴ_ｋで一定時間稼働させたのち、室内温度が稼働対象の空調機１－ｋを稼働させる前の温度に戻ってから、再度、稼働パターンＯＰ_２が示す稼働対象の空調機１－ｋを設定温度ＰＴ_ｋで一定時間稼働させるという動作を繰り返し行う。
さらに、その後、空調機制御部１５は、稼働パターンＯＰ_３が示す稼働対象の空調機１－ｋを設定温度ＰＴ_ｋで一定時間稼働させたのち、室内温度が稼働対象の空調機１－ｋを稼働させる前の温度に戻ってから、再度、稼働パターンＯＰ_３が示す稼働対象の空調機１－ｋを設定温度ＰＴ_ｋで一定時間稼働させるという動作を繰り返し行う。
空調機制御部１５は、稼働対象の空調機１－ｋを設定温度ＰＴ_ｋで稼働させるとき、空調機１－ｋの設定温度ＰＴ_ｋを予測モデル生成部１３及び稼働パターン選択部１４のそれぞれに出力する。
稼働対象の空調機１－ｋの設定温度ＰＴ_ｋは、空調機制御部１５の内部メモリに格納されていてもよいし、空調制御装置３の外部から与えられるものであってもよい。
空調機制御部１５は、稼働パターン選択部１４により選択された稼働パターンＯＰ_ＳＥＬが示す稼働対象の空調機１－ｋを設定温度ＰＴ_ｋで稼働させる。

図１では、空調制御装置３の構成要素である稼働パターン取得部１１、温度データ取得部１２、予測モデル生成部１３、稼働パターン選択部１４及び空調機制御部１５のそれぞれが、図２に示すような専用のハードウェアによって実現されるものを想定している。即ち、空調制御装置３が、稼働パターン取得回路２１、温度データ取得回路２２、予測モデル生成回路２３、稼働パターン選択回路２４及び空調機制御回路２５によって実現されるものを想定している。
稼働パターン取得回路２１、温度データ取得回路２２、予測モデル生成回路２３、稼働パターン選択回路２４及び空調機制御回路２５のそれぞれは、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）、ＦＰＧＡ（Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）、又は、これらを組み合わせたものが該当する。

空調制御装置３の構成要素は、専用のハードウェアによって実現されるものに限るものではなく、空調制御装置３が、ソフトウェア、ファームウェア、又は、ソフトウェアとファームウェアとの組み合わせによって実現されるものであってもよい。
ソフトウェア又はファームウェアは、プログラムとして、コンピュータのメモリに格納される。コンピュータは、プログラムを実行するハードウェアを意味し、例えば、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、中央処理装置、処理装置、演算装置、マイクロプロセッサ、マイクロコンピュータ、プロセッサ、あるいは、ＤＳＰ（Ｄｉｇｉｔａｌ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｏｒ）が該当する。

図３は、空調制御装置３が、ソフトウェア又はファームウェア等によって実現される場合のコンピュータのハードウェア構成図である。
空調制御装置３が、ソフトウェア又はファームウェア等によって実現される場合、稼働パターン取得部１１、温度データ取得部１２、予測モデル生成部１３、稼働パターン選択部１４及び空調機制御部１５におけるそれぞれの処理手順をコンピュータに実行させるためのプログラムがメモリ３１に格納される。そして、コンピュータのプロセッサ３２がメモリ３１に格納されているプログラムを実行する。

また、図２では、空調制御装置３の構成要素のそれぞれが専用のハードウェアによって実現される例を示し、図３では、空調制御装置３がソフトウェア又はファームウェア等によって実現される例を示している。しかし、これは一例に過ぎず、空調制御装置３における一部の構成要素が専用のハードウェアによって実現され、残りの構成要素がソフトウェア又はファームウェア等によって実現されるものであってもよい。

次に、図１に示す空調システムの動作について説明する。
図４は、空調制御装置３の処理手順である空調制御方法を示すフローチャートである。
稼働パターン取得部１１は、例えば、空調制御装置３の外部から、稼働対象の空調機１－ｋを示すＧ個の稼働パターンＯＰ_１～ＯＰ_Ｇを取得する（図４のステップＳＴ１）。
稼働パターン取得部１１は、Ｇ個の稼働パターンＯＰ_１～ＯＰ_Ｇを稼働パターン選択部１４及び空調機制御部１５のそれぞれに出力する。

空調機制御部１５は、稼働パターン取得部１１から、Ｇ個の稼働パターンＯＰ_１～ＯＰ_Ｇを取得する。
空調機制御部１５は、予測モデル生成部１３に対して、Ｇ個の室温予測モデルＲＴＭ_１～ＲＴＭ_Ｇを生成させるために、それぞれの稼働パターンＯＰ_ｇが示す稼働対象の空調機１－ｋを設定温度ＰＴ_ｋで稼働させる。
例えば、Ｇ＝２であり、稼働パターンＯＰ_１が示す稼働対象の空調機１－ｋが、空調機１－３，１－８であり、稼働パターンＯＰ_２が示す稼働対象の空調機１－ｋが、空調機１－５，１－１０であるとする。また、全ての稼働対象の空調機１－ｋの設定温度ＰＴ_ｋが１９度であり、コンピュータ等の電子機器が設置されている室内の温度が２５度であるとする。

この場合、空調機制御部１５は、稼働パターンＯＰ_１が示す稼働対象の空調機１－３，１－８を設定温度ＰＴ_ｋ（＝１９度）で一定時間稼働させる。一定時間は、例えば、１時間、又は、１．５時間である。
空調機制御部１５は、稼働対象の空調機１－３，１－８を設定温度ＰＴ_ｋで一定時間稼働させたのち、室内温度が空調機１－３，１－８を稼働させる前の温度である２５度に戻ると、稼働パターンＯＰ_１が示す稼働対象の空調機１－３，１－８を設定温度ＰＴ_ｋ（＝１９度）で一定時間稼働させる。
空調機制御部１５は、稼働パターンＯＰ_１が示す稼働対象の空調機１－３，１－８の稼働を、例えばＱ回行わせる。Ｑは、２以上の整数である。
その後、空調機制御部１５は、室内温度が空調機１－３，１－８を稼働させる前の温度である２５度に戻ると、稼働パターンＯＰ_２が示す稼働対象の空調機１－５，１－１０を設定温度ＰＴ_ｋ（＝１９度）で一定時間稼働させる。
空調機制御部１５は、稼働対象の空調機１－５，１－１０を稼働させたのち、室内温度が空調機１－５，１－１０を稼働させる前の温度である２５度に戻ると、稼働パターンＯＰ_２が示す稼働対象の空調機１－５，１－１０を設定温度ＰＴ_ｋ（＝１９度）で一定時間稼働させる。
空調機制御部１５は、稼働パターンＯＰ_２が示す稼働対象の空調機１－５，１－１０の稼働を、例えばＱ回行わせる。

空調機制御部１５は、稼働対象の空調機１－ｋを設定温度ＰＴ_ｋで稼働させるとき、空調機１－ｋの設定温度ＰＴ_ｋを予測モデル生成部１３及び稼働パターン選択部１４のそれぞれに出力する。また、空調機制御部１５は、それぞれの稼働パターンＯＰ_ｇに対応する室温予測モデルＲＴＭ_ｇの生成要求を予測モデル生成部１３に出力する。
空調機制御部１５は、稼働対象の空調機１－ｋが稼働を開始してから一定時間に温度データを取得することを指示するデータ取得要求を温度データ取得部１２に出力する。

温度データ取得部１２は、空調機制御部１５から、データ取得要求を受けると、温度センサ２－ｍ（ｍ＝１，・・・，Ｍ）の測定温度ＭＴ_ｍを示す温度データを取得する（図４のステップＳＴ２）。
例えば、Ｇ＝２であり、空調機制御部１５が、稼働パターンＯＰ_１が示す稼働対象の空調機１－３，１－８を設定温度ＰＴ_ｋでＱ回稼働させていれば、温度データ取得部１２は、それぞれの稼働中に温度センサ２－ｍによって測定された温度である測定温度ＭＴ_ｍを示す温度データを取得する。したがって、温度データ取得部１２は、稼働パターンＯＰ_１が示す稼働対象の空調機１－３，１－８が稼働されているときに、Ｑ個の温度データを取得する。
また、空調機制御部１５が、稼働パターンＯＰ_２が示す稼働対象の空調機１－５，１－１０を設定温度ＰＴ_ｋでＱ回稼働させていれば、温度データ取得部１２は、それぞれの稼働中に温度センサ２－ｍによって測定された温度である測定温度ＭＴ_ｍを示す温度データを取得する。したがって、温度データ取得部１２は、稼働パターンＯＰ_２が示す稼働対象の空調機１－５，１－１０が稼働されているときに、Ｑ個の温度データを取得する。
温度データ取得部１２は、取得したＧ×Ｑ個の測定温度ＭＴ_ｍを示す温度データを予測モデル生成部１３に出力する。

予測モデル生成部１３は、温度データ取得部１２から、Ｇ×Ｑ個の温度データを取得する。
予測モデル生成部１３は、空調機制御部１５から、稼働パターンＯＰ_ｇ（ｇ＝１，・・・，Ｇ）が示す稼働対象の空調機１－ｋの設定温度ＰＴ_ｋと、稼働パターンＯＰ_ｇに対応する室温予測モデルＲＴＭ_ｇの生成要求とを取得する。
予測モデル生成部１３は、室温予測モデルＲＴＭ_ｇの生成要求を取得すると、それぞれの室温予測モデルＲＴＭ_ｇに与えるＱ個の学習データとして、稼働パターンＯＰ_ｇが示す稼働対象の空調機１－ｋの設定温度ＰＴ_ｋと、Ｑ個の温度データの中のｑ（ｑ＝１，・・・，Ｑ）番目の温度データとを含むデータセットを用意する。
１番目のデータセット＝空調機１－ｋの設定温度ＰＴ_ｋ＋１番目の温度データ
２番目のデータセット＝空調機１－ｋの設定温度ＰＴ_ｋ＋２番目の温度データ
：
Ｑ番目のデータセット＝空調機１－ｋの設定温度ＰＴ_ｋ＋Ｑ番目の温度データ

予測モデル生成部１３は、１番目のデータセットを未学習の室温予測モデルＲＴＭ_ｇに与えて、室温予測モデルＲＴＭ_ｇから出力される予測温度ＦＴ_ｇが、１番目の温度データが示す測定温度ＭＴ_ｍに近づくように、室温予測モデルＲＴＭ_ｇの内部パラメータを変更させる学習を行わせる。
次に、予測モデル生成部１３は、２番目のデータセットを、１番目のデータセットによって学習が行われた室温予測モデルＲＴＭ_ｇに与えて、室温予測モデルＲＴＭ_ｇから出力される予測温度ＦＴ_ｇが、２番目の温度データが示す測定温度ＭＴ_ｍに近づくように、室温予測モデルＲＴＭ_ｇの内部パラメータを変更させる学習を行わせる。
以降、予測モデル生成部１３は、ｑ（ｑ＝３，・・・，Ｑ）番目のデータセットを、（ｑ－１）番目のデータセットによって学習が行われた室温予測モデルＲＴＭ_ｇに与えて、室温予測モデルＲＴＭ_ｇから出力される予測温度ＦＴ_ｇが、ｑ番目の温度データが示す測定温度ＭＴ_ｍに近づくように、室温予測モデルＲＴＭ_ｇの内部パラメータを変更させる学習を行わせる。
予測モデル生成部１３は、上記のようにして、Ｇ個の稼働パターンＯＰ_１～ＯＰ_Ｇのそれぞれに対応している室温予測モデルＲＴＭ_ｇ（ｇ＝１，・・・，Ｇ）を生成する（図４のステップＳＴ３）。

室温予測モデルＲＴＭ_ｇは、稼働対象の空調機１－ｋの設定温度ＰＴ_ｋが与えられると、一定時間後に温度センサ２－ｍにより測定される温度の予測温度ＦＴ_ｇを出力することができる機械学習モデルであればよく、どのような形態の予測モデルであってもよい。室温予測モデルＲＴＭ_ｇとしては、例えば、線形回帰モデル、勾配ブースティング木、又は、ニューラルネットワークが考えられる。
室温予測モデルＲＴＭ_ｇの生成処理自体は、公知の技術であるため詳細な説明を省略する。
予測モデル生成部１３は、生成したＧ個の室温予測モデルＲＴＭ_１～ＲＴＭ_Ｇを稼働パターン選択部１４に出力する。

ここでは、予測モデル生成部１３が、学習データとして、Ｑ個のデータセットを用いて、室温予測モデルＲＴＭ_ｇを生成している。しかし、これは一例に過ぎず、予測モデル生成部１３が、Ｑ個のデータセットのそれぞれに、データセンタ等に設置されている全ての電子機器の消費電力等を含め、学習データとして、電子機器の消費電力等を含む、Ｑ個のデータセットを用いて、室温予測モデルＲＴＭ_ｇを生成するようにしてもよい。

稼働パターン選択部１４は、稼働パターン取得部１１から、Ｇ個の稼働パターンＯＰ_１～ＯＰ_Ｇを取得し、予測モデル生成部１３から、Ｇ個の室温予測モデルＲＴＭ_１～ＲＴＭ_Ｇを取得する。
また、稼働パターン選択部１４は、空調機制御部１５から、稼働パターンＯＰ_ｇが示す稼働対象の空調機１－ｋの設定温度ＰＴ_ｋを取得する。
稼働パターン選択部１４は、設定温度ＰＴ_ｋをＧ個の室温予測モデルＲＴＭ_１～ＲＴＭ_Ｇのそれぞれに与えて、室温予測モデルＲＴＭ_ｇ（ｇ＝１，・・・，Ｇ）から、予測温度ＦＴ_ｇを取得する。
稼働パターン選択部１４は、予測温度ＦＴ_ｇ（ｇ＝１，・・・，Ｇ）に基づいて、Ｇ個の稼働パターンＯＰ_１～ＯＰ_Ｇの中から、１つの稼働パターンＯＰ_ＳＥＬを選択する（図４のステップＳＴ４）。
稼働パターン選択部１４は、選択した１つの稼働パターンＯＰ_ＳＥＬを空調機制御部１５に出力する。

例えば、稼働パターン選択部１４は、Ｇ個の稼働パターンＯＰ_１～ＯＰ_Ｇの中で、対応している室温予測モデルＲＴＭ_ｇ（ｇ＝１，・・・，Ｇ）から得られる予測温度ＦＴ_ｇが温度上限値Ｔ_ｍａｘ以下であり、かつ、対応している室温予測モデルＲＴＭ_ｇの予測精度が閾値以内である稼働パターンを仮に選択する。温度上限値Ｔ_ｍａｘは、室内の温度がこれ以上上昇すると、電子機器に影響がある温度であり、設定温度ＰＴ_ｋよりも数度高い温度である。温度上限値Ｔ_ｍａｘは、稼働パターン選択部１４の内部メモリに格納されていてもよいし、空調制御装置３の外部から与えられるものであってもよい。
室温予測モデルＲＴＭ_ｇの予測精度は、室温予測モデルＲＴＭ_ｇから出力されるものである。閾値としては、１．５度、又は、２度等が考えられる。したがって、閾値が例えば１．５度であれば、室温予測モデルＲＴＭ_ｇの予測精度が１．５度以内の室温予測モデルＲＴＭ_ｇが選択される。閾値は、稼働パターン選択部１４の内部メモリに格納されていてもよいし、空調制御装置３の外部から与えられるものであってもよい。
稼働パターン選択部１４は、仮に選択した１つ以上の稼働パターンの中で、稼働対象の空調機１－ｋの台数が相対的に少ない１つの稼働パターンを選択する。即ち、稼働パターン選択部１４は、仮に選択した１つ以上の稼働パターンの中で、稼働対象の空調機１－ｋの台数が最も少ない稼働パターンを稼働パターンＯＰ_ＳＥＬとして選択する。

空調機制御部１５は、稼働パターン選択部１４から、稼働パターンＯＰ_ＳＥＬを取得する。
空調機制御部１５は、稼働パターンＯＰ_ＳＥＬが示す稼働対象の空調機１－ｋを設定温度ＰＴ_ｋで稼働させる（図４のステップＳＴ５）。

以上の実施の形態１では、室内に設置されている複数の空調機１－１～１－Ｎの中で、稼働対象の空調機１－ｋを示す複数の稼働パターンを取得する稼働パターン取得部１１と、それぞれの稼働パターンが示す稼働対象の空調機１－ｋが稼働しているときに、室内に設置されている温度センサ２－１～２－Ｍの測定温度を示す温度データを取得する温度データ取得部１２とを備えるように、空調制御装置３を構成した。また、空調制御装置３は、学習データとして、それぞれの稼働パターンが示す稼働対象の空調機１－ｋの制御量と、稼働対象の空調機１－ｋが稼働しているときに温度データ取得部１２により取得された温度データとを用いて、それぞれの稼働パターンが示す稼働対象の空調機１－ｋが稼働しているときに、温度センサ２－１～２－Ｍにより測定される温度を予測するための室温予測モデルを生成する予測モデル生成部１３を備えている。さらに、空調制御装置３は、予測モデル生成部１３により生成された、それぞれの稼働パターンに対応している室温予測モデルに対して、それぞれの稼働パターンが示す稼働対象の空調機１－ｋの制御量を与えて、それぞれの室温予測モデルから予測温度を取得し、予測温度に基づいて、複数の稼働パターンの中から、１つの稼働パターンを選択する稼働パターン選択部１４を備えている。したがって、空調制御装置３は、レイアウトデータを取得することなく、複数の空調機１－１～１－Ｎの中で実際に稼働させる空調機１－ｋを決定することができる。

図１に示す空調制御装置３では、予測モデル生成部１３が、Ｇ個の室温予測モデルＲＴＭ_１～ＲＴＭ_Ｇを生成してから、稼働パターン選択部１４が、Ｇ個の室温予測モデルＲＴＭ_１～ＲＴＭ_Ｇのそれぞれに対応している稼働パターンＯＰ_ｇの中から、１つの稼働パターンＯＰ_ＳＥＬを選択している。
しかし、これは一例に過ぎず、稼働パターン選択部１４が、以下のようにして、１つの稼働パターンＯＰ_ＳＥＬを選択するようにしてもよい。
図５は、空調制御装置３における一部の処理手順を示すフローチャートである。

まず、空調機制御部１５は、Ｇ個の稼働パターンＯＰ_１～ＯＰ_Ｇの中から、稼働対象の空調機１－ｋの台数が最も多いＪ個の稼働パターンＯＰ_ｊ（ｊ＝１，・・・，Ｊ）を取得する（図５のステップＳＴ１１）。Ｊ≦Ｇである。例えば、最も多い台数が（Ｎ－３）個であり、稼働対象の空調機１－ｋの台数が（Ｎ－３）個の稼働パターンＯＰ_ｊがＪ個あれば、Ｊ個の稼働パターンＯＰ_ｊを取得する。Ｊは、１以上Ｇ以下の整数である。稼働パターンＯＰ_ｇと稼働パターンＯＰ_ｊとは、基本的には、互いに異なる稼働パターンである。
空調機制御部１５は、取得したＪ個の稼働パターンＯＰ_１～ＯＰ_Ｊの中で、いずれかの稼働パターンＯＰ_ｊが示す稼働対象の空調機１－ｋを設定温度ＰＴ_ｋで一定時間稼働させる（図５のステップＳＴ１２）。空調機制御部１５は、稼働パターンＯＰ_ｊが示す稼働対象の空調機１－ｋの稼働を例えばＱ回行わせる。
空調機制御部１５は、稼働対象の空調機１－ｋを設定温度ＰＴ_ｋで稼働させるとき、空調機１－ｋの設定温度ＰＴ_ｋを予測モデル生成部１３及び稼働パターン選択部１４のそれぞれに出力する。また、空調機制御部１５は、稼働パターンＯＰ_ｊに対応する室温予測モデルＲＴＭ_ｊの生成要求を予測モデル生成部１３に出力する。
空調機制御部１５は、稼働対象の空調機１－ｋを稼働させるとき、データ取得要求を温度データ取得部１２に出力する。

温度データ取得部１２は、空調機制御部１５から、データ取得要求を受けると、温度センサ２－ｍ（ｍ＝１，・・・，Ｍ）の測定温度ＭＴ_ｍを示すＱ個の温度データを取得する（図５のステップＳＴ１３）。
温度データ取得部１２は、取得したＱ個の温度データを予測モデル生成部１３に出力する。

予測モデル生成部１３は、温度データ取得部１２から、稼働パターンＯＰ_ｊが示す稼働対象の空調機１－ｋが設定温度ＰＴ_ｋで稼働されているときの、Ｑ個の温度データを取得する。
予測モデル生成部１３は、空調機制御部１５から、稼働パターンＯＰ_ｊが示す稼働対象の空調機１－ｋの設定温度ＰＴ_ｋと、稼働パターンＯＰ_ｊに対応する室温予測モデルＲＴＭ_ｊの生成要求とを取得する。
予測モデル生成部１３は、室温予測モデルＲＴＭ_ｊの生成要求を取得すると、Ｑ個の温度データと設定温度ＰＴ_ｋとから、上述したＱ個のデータセットを用意する。
予測モデル生成部１３は、それぞれのデータセットを室温予測モデルＲＴＭ_ｊに順次与えて、室温予測モデルＲＴＭ_ｊから出力される予測温度ＦＴ_ｊが、温度データが示す測定温度ＭＴ_ｍに近づくように、室温予測モデルＲＴＭ_ｊの内部パラメータを変更させる学習を繰り返し行わせる。
ここでは、予測モデル生成部１３が、Ｑ個のデータセットを室温予測モデルＲＴＭ_ｊに与えている。しかし、これは一例に過ぎず、予測モデル生成部１３が、Ｑ個のデータセットを室温予測モデルＲＴＭ_ｊに与える前に、室温予測モデルＲＴＭ_ｊの予測精度が閾値以上になれば、全てのデータセットを室温予測モデルＲＴＭ_ｊに与えないようにしてもよい。
予測モデル生成部１３は、データセットを室温予測モデルＲＴＭ_ｊに繰り返し与えて、室温予測モデルＲＴＭ_ｊの機械学習を継続させることで、予測精度が閾値以上である室温予測モデルＲＴＭ_ｊを生成する（図５のステップＳＴ１４）。
予測モデル生成部１３は、予測精度が閾値以上である室温予測モデルＲＴＭ_ｊを稼働パターン選択部１４に出力する。

空調機制御部１５は、取得したＪ個の稼働パターンＯＰ_１～ＯＰ_Ｊの中で、未だ、稼働対象の空調機１－ｋを稼働させていない稼働パターンＯＰ_ｊが残っていれば（図５のステップＳＴ１５：ＹＥＳの場合）、未だ、稼働対象の空調機１－ｋを稼働させていない稼働パターンＯＰ_ｊが示す稼働対象の空調機１－ｋを設定温度ＰＴ_ｋで一定時間稼働させる（図５のステップＳＴ１２）。空調機制御部１５は、稼働パターンＯＰ_ｊが示す稼働対象の空調機１－ｋの稼働を例えばＱ回行わせる。
空調機制御部１５は、稼働対象の空調機１－ｋを設定温度ＰＴ_ｋで稼働させるとき、空調機１－ｋの設定温度ＰＴ_ｋを予測モデル生成部１３及び稼働パターン選択部１４のそれぞれに出力する。また、空調機制御部１５は、稼働パターンＯＰ_ｊに対応する室温予測モデルＲＴＭ_ｊの生成要求を予測モデル生成部１３に出力する。
空調機制御部１５は、稼働対象の空調機１－ｋを稼働させるとき、データ取得要求を温度データ取得部１２に出力する。

温度データ取得部１２は、空調機制御部１５から、データ取得要求を受けると、温度センサ２－ｍ（ｍ＝１，・・・，Ｍ）の測定温度ＭＴ_ｍを示すＱ個の温度データを取得する（図５のステップＳＴ１３）。
温度データ取得部１２は、取得したＱ個の温度データを予測モデル生成部１３に出力する。

予測モデル生成部１３は、温度データ取得部１２から、稼働パターンＯＰ_ｊが示す稼働対象の空調機１－ｋが設定温度ＰＴ_ｋで稼働されているときの、Ｑ個の温度データを取得する。
予測モデル生成部１３は、空調機制御部１５から、稼働パターンＯＰ_ｊが示す稼働対象の空調機１－ｋの設定温度ＰＴ_ｋと、稼働パターンＯＰ_ｊに対応する室温予測モデルＲＴＭ_ｊの生成要求とを取得する。
予測モデル生成部１３は、室温予測モデルＲＴＭ_ｊの生成要求を取得すると、Ｑ個の温度データと設定温度ＰＴ_ｋとから、上述したＱ個のデータセットを用意する。
予測モデル生成部１３は、それぞれのデータセットを室温予測モデルＲＴＭ_ｊに順次与えて、室温予測モデルＲＴＭ_ｊから出力される予測温度ＦＴ_ｊが、温度データが示す測定温度ＭＴ_ｍに近づくように、室温予測モデルＲＴＭ_ｊの内部パラメータを変更させる学習を繰り返し行わせる。
予測モデル生成部１３は、Ｑ個のデータセットを室温予測モデルＲＴＭ_ｊに与える前に、室温予測モデルＲＴＭ_ｊの予測精度が閾値以上になれば、全てのデータセットを室温予測モデルＲＴＭ_ｊに与えないようにしてもよい。
予測モデル生成部１３は、データセットを室温予測モデルＲＴＭ_ｊに繰り返し与えて、室温予測モデルＲＴＭ_ｊの機械学習を継続させることで、予測精度が閾値以上である室温予測モデルＲＴＭ_ｊを生成する（図５のステップＳＴ１４）。
予測モデル生成部１３は、予測精度が閾値以上である室温予測モデルＲＴＭ_ｊを稼働パターン選択部１４に出力する。

稼働パターン選択部１４は、Ｊ個の稼働パターンＯＰ_ｊの中に、稼働対象の空調機１－ｋを稼働させていない稼働パターンＯＰ_ｊが残っていなければ（図５のステップＳＴ１５：ＮＯの場合）、予測精度が閾値以上であるＪ個の室温予測モデルＲＴＭ_１～ＲＴＭ_Ｊの中から、１つの室温予測モデルを室温予測モデルＲＴＭ_{ｊ，Ｎ－３}として選択する。
例えば、稼働パターン選択部１４は、予測精度が閾値以上であるＪ個の室温予測モデルＲＴＭ_１～ＲＴＭ_Ｊの中から、予測温度ＦＴ_ｊが温度上限値Ｔ_ｍａｘ以下である１つ以上の室温予測モデルＲＴＭ_ｊを選択する。
そして、稼働パターン選択部１４は、予測温度ＦＴ_ｊが温度上限値Ｔ_ｍａｘ以下である１つ以上の室温予測モデルＲＴＭ_ｊの中から、室温予測モデルＲＴＭ_{ｊ，Ｎ－３}として、予測温度ＦＴ_ｊが最も高い室温予測モデルＲＴＭ_ｊを選択する。
稼働パターン選択部１４は、選択した室温予測モデルＲＴＭ_ｊに対応する稼働パターンＯＰ_ｊを、稼働パターンの候補ＯＰ_{ＳＥＬ，Ｎ－３}に決定する（図５のステップＳＴ１６）。

次に、空調機制御部１５は、Ｊ個の稼働パターンＯＰ_１～ＯＰ_Ｊを除く、稼働パターンＯＰ_１～ＯＰ_Ｇの中に、取得済みのＪ個の稼働パターンＯＰ_ｊが示す稼働対象の空調機１－ｋの台数よりも、稼働対象の空調機１－ｋの台数が１台少ない稼働パターンＯＰ_ｊがあれば（図５のステップＳＴ１７：ＹＥＳの場合）、稼働対象の空調機１－ｋの台数が１台少ない稼働パターンＯＰ_ｊを取得する（図５のステップＳＴ１８）。例えば、稼働対象の空調機１－ｋの台数が最も多い台数よりも１台少ない台数が（Ｎ－４）個であり、稼働対象の空調機１－ｋの台数が（Ｎ－４）個の稼働パターンＯＰ_ｊがＪ’個あれば、Ｊ’個の稼働パターンＯＰ_１～ＯＰ_Ｊ’を取得する。Ｊ’≦Ｇ－Ｊである。
稼働対象の空調機１－ｋの台数が（Ｎ－４）個である稼働パターンＯＰ_ｊについても、ステップＳＴ１２～ＳＴ１５の処理が繰り返される。
稼働パターン選択部１４は、予測精度が閾値以上である室温予測モデルＲＴＭ_ｊが１つ以上あれば、１つ以上の室温予測モデルＲＴＭ_ｊの中から、室温予測モデルＲＴＭ_{ｊ，Ｎ－４}として、予測温度ＦＴ_ｊが最も高い室温予測モデルＲＴＭ_ｊを選択する。
稼働パターン選択部１４は、選択した室温予測モデルＲＴＭ_ｊに対応する稼働パターンＯＰ_ｊを、稼働パターンの候補ＯＰ_{ＳＥＬ，Ｎ－４}に決定する（図５のステップＳＴ１６）。
以下、Ｊ個の稼働パターンＯＰ_１～ＯＰ_Ｊ及びＪ’個の稼働パターンＯＰ_１～ＯＰ_Ｊを除く、稼働パターンＯＰ_１～ＯＰ_Ｇの中に、取得済みのＪ’個の稼働パターンＯＰ_ｊが示す稼働対象の空調機１－ｋの台数よりも、稼働対象の空調機１－ｋの台数が１台少ない稼働パターンＯＰ_ｊがあれば、さらに、稼働パターンの候補が同様の方法で決定される。そして、１つの稼働パターンの候補ＯＰ_{ＳＥＬ，Ｎ－５}が選択される。

稼働対象の空調機１－ｋの台数が１台少ない稼働パターンＯＰ_ｊがなければ（図５のステップＳＴ１７：ＮＯの場合）、稼働パターン選択部１４は、１つ以上の稼働パターンの候補の中から、１つの稼働パターンＯＰ_ＳＥＬを選択する（図５のステップＳＴ１９）。
即ち、稼働パターン選択部１４は、１つ以上の稼働パターンの候補の中で、稼働対象の空調機１－ｋの台数が最も少ない稼働パターンの候補を、１つの稼働パターンＯＰ_ＳＥＬとして選択する。
例えば、稼働パターンの候補が、ＯＰ_{ＳＥＬ，Ｎ－３}と、ＯＰ_{ＳＥＬ，Ｎ－４}と、ＯＰ_{ＳＥＬ，Ｎ－５}とであれば、稼働パターン選択部１４は、稼働パターンの候補ＯＰ_{ＳＥＬ，Ｎ－５}を、稼働パターンＯＰ_ＳＥＬとして選択する。

実施の形態２．
実施の形態２では、稼働パターン選択部１４により選択された稼働パターンが示す稼働対象の空調機１－ｋの制御量を変更する制御量変更部１６を備える空調制御装置３について説明する。

図６は、実施の形態２に係る空調制御装置３を含む空調システムを示す構成図である。図６において、図１と同一符号は同一又は相当部分を示すので説明を省略する。
図７は、実施の形態２に係る空調制御装置３のハードウェアを示すハードウェア構成図である。図７において、図２と同一符号は同一又は相当部分を示すので説明を省略する。
図６に示す空調制御装置３は、稼働パターン取得部１１、温度データ取得部１２、予測モデル生成部１３、稼働パターン選択部１４、制御量変更部１６、学習実行部１７、設定温度決定部１８及び空調機制御部１９を備えている。

制御量変更部１６は、例えば、図７に示す制御量変更回路２６によって実現される。
制御量変更部１６は、稼働パターン選択部１４により選択された稼働パターンＯＰ_ＳＥＬが示す稼働対象の空調機１－ｋの制御量を変更する。
図６に示す空調制御装置３では、制御量変更部１６が、空調機１－ｋの制御量として、空調機１－ｋの設定温度ＰＴ_ｋを変更するものとする。しかし、これは一例に過ぎず、制御量変更部１６が、空調機１－ｋの制御量として、空調機１－ｋの風量を変更するようにしてもよいし、空調機１－ｋと接続されている圧縮機の稼働用電圧の周波数を変更するようにしてもよい。

学習実行部１７は、例えば、図７に示す学習実行回路２７によって実現される。
学習実行部１７は、稼働パターン選択部１４により選択された稼働パターンＯＰ_ＳＥＬが示す稼働対象の空調機１－ｋが稼働しているときに温度データ取得部１２により取得された温度データと、制御量変更部１６による変更後の制御量である設定温度ＰＴ_ｋとを取得する。
学習実行部１７は、取得した温度データと変更後の設定温度ＰＴ_ｋとを、稼働パターン選択部１４により選択された稼働パターンＯＰ_ＳＥＬに対応している室温予測モデルＲＴＭ_ｇに与えて、稼働パターンＯＰ_ＳＥＬが示す稼働対象の空調機１－ｋが稼働しているときに、温度センサ２－ｍにより測定される温度を室温予測モデルＲＴＭ_ｇに学習させる。

設定温度決定部１８は、例えば、図７に示す設定温度決定回路２８によって実現される。
設定温度決定部１８は、空調機１－ｋの設定可能な温度範囲に含まれている複数の温度のうち、いずれかの温度を空調機１－ｋの仮の設定温度ＰＴ_ｋとして、学習実行部１７による学習済みの室温予測モデルＲＴＭ_ｇに与えて、学習済みの室温予測モデルＲＴＭ_ｇから室内の予測温度ＦＴ_ｇを取得する。
設定温度決定部１８は、予測温度ＦＴ_ｇと温度上限値Ｔ_ｍａｘとに基づいて、空調機１－ｋの設定温度ＰＴ_ｋを決定する。

空調機制御部１９は、例えば、図７に示す空調機制御回路２９によって実現される。
空調機制御部１９は、稼働パターン選択部１４により選択された稼働パターンＯＰ_ＳＥＬが示す稼働対象の空調機１－ｋを設定温度決定部１８により決定された設定温度ＰＴ_ｋで稼働させる。

図６では、空調制御装置３の構成要素である稼働パターン取得部１１、温度データ取得部１２、予測モデル生成部１３、稼働パターン選択部１４、制御量変更部１６、学習実行部１７、設定温度決定部１８及び空調機制御部１９のそれぞれが、図７に示すような専用のハードウェアによって実現されるものを想定している。即ち、空調制御装置３が、稼働パターン取得回路２１、温度データ取得回路２２、予測モデル生成回路２３、稼働パターン選択回路２４、制御量変更回路２６、学習実行回路２７、設定温度決定回路２８及び空調機制御回路２９によって実現されるものを想定している。
稼働パターン取得回路２１、温度データ取得回路２２、予測モデル生成回路２３、稼働パターン選択回路２４、制御量変更回路２６、学習実行回路２７、設定温度決定回路２８及び空調機制御回路２９のそれぞれは、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ、ＦＰＧＡ、又は、これらを組み合わせたものが該当する。

空調制御装置３の構成要素は、専用のハードウェアによって実現されるものに限るものではなく、空調制御装置３が、ソフトウェア、ファームウェア、又は、ソフトウェアとファームウェアとの組み合わせによって実現されるものであってもよい。
空調制御装置３が、ソフトウェア又はファームウェア等によって実現される場合、稼働パターン取得部１１、温度データ取得部１２、予測モデル生成部１３、稼働パターン選択部１４、制御量変更部１６、学習実行部１７、設定温度決定部１８及び空調機制御部１９におけるそれぞれの処理手順をコンピュータに実行させるためのプログラムが図３に示すメモリ３１に格納される。そして、図３に示すプロセッサ３２がメモリ３１に格納されているプログラムを実行する。

また、図７では、空調制御装置３の構成要素のそれぞれが専用のハードウェアによって実現される例を示し、図３では、空調制御装置３がソフトウェア又はファームウェア等によって実現される例を示している。しかし、これは一例に過ぎず、空調制御装置３における一部の構成要素が専用のハードウェアによって実現され、残りの構成要素がソフトウェア又はファームウェア等によって実現されるものであってもよい。

次に、図６に示す空調システムの動作について説明する。
制御量変更部１６、学習実行部１７、設定温度決定部１８及び空調機制御部１９以外は、図１に示す空調システムと同様である。ここでは、制御量変更部１６、学習実行部１７、設定温度決定部１８及び空調機制御部１９の動作について説明する。

制御量変更部１６は、稼働パターン選択部１４から、選択された１つの稼働パターンＯＰ_ＳＥＬを取得し、空調機制御部１９から、稼働パターンＯＰ_ＳＥＬが示す稼働対象の空調機１－ｋの制御量として、空調機１－ｋの設定温度ＰＴ_ｋを取得する。
制御量変更部１６は、稼働パターンＯＰ_ＳＥＬが示す稼働対象の空調機１－ｋの設定温度ＰＴ_ｋを変更する。
例えば、制御量変更部１６は、稼働パターンＯＰ_ＳＥＬに対応する室温予測モデルＲＴＭ_ｇに対して、測定温度ＭＴ_ｍを効率的に学習させるため、アクティブラーニング（Ａｃｔｉｖｅ Ｌｅａｒｎｉｎｇ）と呼ばれる方法で、空調機１－ｋの設定温度ＰＴ_ｋを変更する。アクティブラーニングと呼ばれる方法での設定温度ＰＴ_ｋの変更は、空調機１－ｋの設定可能な温度範囲の中で、現在の設定温度から最も離れている温度を次の設定温度に決定し、当該設定温度から最も離れている温度を更に次の設定温度に決定するものである。

以下、アクティブラーニングと呼ばれる方法での設定温度ＰＴ_ｋの変更例を具体的に説明する。
制御量変更部１６は、空調機１－ｋの設定可能な温度範囲に含まれている複数の温度の中で、現在設定中の設定温度ＰＴ_ｋ以外の温度と、現在設定中の設定温度ＰＴ_ｋとの温度差ΔＰＴ_ｋをそれぞれ算出する。
例えば、設定可能な温度範囲に含まれている複数の温度が、１９，２０，２１，２２，２３度であり、現在設定中の設定温度ＰＴ_ｋが１９度であるとする。
この場合、制御量変更部１６は、温度差ΔＰＴ_ｋとして、１（＝２０－１９）度、２（＝２１－１９）度、３（＝２２－１９）度及び４（＝２３－１９）度のそれぞれを算出する。
制御量変更部１６は、温度範囲に含まれている複数の温度の中から、算出したそれぞれの温度差ΔＰＴ_ｋに基づいて、変更後の設定温度ＰＴ_ｋを選択する。
即ち、制御量変更部１６は、算出した複数の温度差ΔＰＴ_ｋの中で、絶対値が最大の温度差ΔＰＴ_ｋ（＝４度）を特定し、絶対値が最大の温度差ΔＰＴ_ｋ（＝４度）に対応する温度である２３度を１回目の変更後の設定温度ＰＴ_ｋ（＝２３度）に決定する。

次に、制御量変更部１６は、空調機１－ｋの設定可能な温度範囲に含まれている複数の温度の中で、未だ設定温度ＰＴ_ｋに設定されていない温度と、１回目の変更後の設定温度ＰＴ_ｋ（＝２３度）との温度差ΔＰＴ_ｋをそれぞれ算出する。
制御量変更部１６は、温度差ΔＰＴ_ｋとして、－３（＝２０－２３）度、－２（＝２１－２３）度及び－１（＝２２－２３）度のそれぞれを算出する。
制御量変更部１６は、算出した複数の温度差ΔＰＴ_ｋの中で、絶対値が最大の温度差ΔＰＴ_ｋ（＝－３度）を特定し、絶対値が最大の温度差ΔＰＴ_ｋ（＝－３度）に対応する温度である２０度を２回目の変更後の設定温度ＰＴ_ｋ（＝２０度）に決定する。

次に、制御量変更部１６は、空調機１－ｋの設定可能な温度範囲に含まれている複数の温度の中で、未だ設定温度ＰＴ_ｋに設定されていない温度と、２回目の変更後の設定温度ＰＴ_ｋ（＝２０度）との温度差ΔＰＴ_ｋをそれぞれ算出する。
制御量変更部１６は、温度差ΔＰＴ_ｋとして、１（＝２１－２０）度及び２（＝２２－２０）度のそれぞれを算出する。
制御量変更部１６は、算出した複数の温度差ΔＰＴ_ｋの中で、絶対値が最大の温度差ΔＰＴ_ｋ（＝２度）を特定し、絶対値が最大の温度差ΔＰＴ_ｋ（＝２度）に対応する温度である２２度を３回目の変更後の設定温度ＰＴ_ｋ（＝２２度）に決定する。

制御量変更部１６は、温度範囲に含まれている複数の温度の中で、未だ設定温度ＰＴ_ｋに設定されていない温度である２１度を４回目の変更後の設定温度ＰＴ_ｋ（＝２１度）に決定する。
したがって、空調機１－ｋの設定温度ＰＴ_ｋは、以下のように変更される。
１９度→２３度→２０度→２２度→２１度
制御量変更部１６は、空調機１－ｋの設定温度ＰＴ_ｋの変更内容を示す設定温度変更情報を空調機制御部１９に出力する。
設定温度変更情報は、設定温度ＰＴ_ｋが、１９度から、２３度、２０度、２２度、２１度の順番で変更されることを示している。

空調機制御部１９は、制御量変更部１６から設定温度変更情報を取得し、稼働パターン選択部１４から稼働パターンＯＰ_ＳＥＬを取得する。
空調機制御部１９は、稼働パターンＯＰ_ＳＥＬに対応している室温予測モデルＲＴＭ_ｇの予測精度を高めるため、設定温度変更情報が示す順番通りに空調機１－ｋの設定温度ＰＴ_ｋを切り替えて、稼働パターンＯＰ_ＳＥＬが示す稼働対象の空調機１－ｋを稼働させる。
即ち、空調機制御部１９は、稼働対象の空調機１－ｋを設定温度ＰＴ_ｋ（＝２３度）で一定時間稼働させてから、空調機１－ｋを設定温度ＰＴ_ｋ（＝２０度）で一定時間稼働させる。その後、空調機制御部１９は、稼働対象の空調機１－ｋを設定温度ＰＴ_ｋ（＝２２度）で一定時間稼働させてから、空調機１－ｋを設定温度ＰＴ_ｋ（＝２１度）で一定時間稼働させる。
詳細は後述するが、例えば、稼働対象の空調機１－ｋを設定温度ＰＴ_ｋ（＝２０度）で一定時間稼働させたとき、稼働パターンＯＰ_ＳＥＬに対応している室温予測モデルＲＴＭ_ｇの予測精度が高精度Ａ_ｎｓに到達すれば、空調機制御部１９は、設定温度ＰＴ_ｋ（＝２２、２１度）での空調機１－ｋの稼働をやめる。高精度Ａ_ｎｓは、室温予測モデルＲＴＭ_ｇの予測精度が実用上問題のない精度であることを意味し、例えば、０．５度、又は、０．６度が考えられる。

空調機制御部１９は、稼働対象の空調機１－ｋを設定温度ＰＴ_ｋで稼働させるとき、１回目の変更後の設定温度ＰＴ_ｋ（＝２３度）を学習実行部１７に出力する。
空調機制御部１９は、１回目の変更後の設定温度ＰＴ_ｋ（＝２３度）で空調機１－ｋを稼働させるとき、データ取得要求を温度データ取得部１２に出力する。

学習実行部１７は、稼働パターン選択部１４から、選択された１つの稼働パターンＯＰ_ＳＥＬを取得する。
学習実行部１７は、空調機制御部１９から、１回目の変更後の設定温度ＰＴ_ｋ（＝２３度）を取得する。
学習実行部１７は、稼働パターンＯＰ_ＳＥＬが示す稼働対象の空調機１－ｋが、１回目の変更後の設定温度ＰＴ_ｋ（＝２３度）で稼働しているときに温度データ取得部１２により取得された温度データを取得する。
学習実行部１７は、取得した温度データと設定温度ＰＴ_ｋ（＝２３度）とを、稼働パターンＯＰ_ＳＥＬに対応している室温予測モデルＲＴＭ_ｇに与えることで、稼働パターンＯＰ_ＳＥＬが示す稼働対象の空調機１－ｋが稼働しているときに、温度センサ２－ｍにより測定される温度である設定温度ＰＴ_ｋを室温予測モデルＲＴＭ_ｇに学習させる。これにより、室温予測モデルＲＴＭ_ｇの予測精度は、学習によって向上する。その結果、予測モデルＲＴＭ_ｇから出力される予測温度ＦＴ_ｇの精度が向上する。
学習実行部１７は、学習後の室温予測モデルＲＴＭ_ｇの予測精度を空調機制御部１９に出力する。

空調機制御部１９は、学習実行部１７から出力された室温予測モデルＲＴＭ_ｇの予測精度が高精度Ａ_ｎｓに満たなければ、稼働対象の空調機１－ｋを２回目の変更後の設定温度ＰＴ_ｋ（＝２０度）で稼働させる。
空調機制御部１９は、稼働対象の空調機１－ｋを２回目の変更後の設定温度ＰＴ_ｋ（＝２０度）で稼働させるときに、２回目の変更後の設定温度ＰＴ_ｋ（＝２０度）を学習実行部１７に出力する。
空調機制御部１９は、稼働対象の空調機１－ｋを稼働させるとき、データ取得要求を温度データ取得部１２に出力する。
空調機制御部１９は、学習実行部１７から出力された室温予測モデルＲＴＭ_ｇの予測精度が高精度Ａ_ｎｓ以上であれば、以降、室温予測モデルＲＴＭ_ｇの予測精度を高めるための空調機１－ｋの稼働をやめる。

学習実行部１７は、空調機制御部１９から、２回目の変更後の設定温度ＰＴ_ｋ（＝２０度）を取得する。
学習実行部１７は、稼働パターンＯＰ_ＳＥＬが示す稼働対象の空調機１－ｋが設定温度ＰＴ_ｋ（＝２０度）で稼働しているときに温度データ取得部１２により取得された温度データを取得する。
学習実行部１７は、取得した温度データと設定温度ＰＴ_ｋ（＝２０度）とを、稼働パターンＯＰ_ＳＥＬに対応している室温予測モデルＲＴＭ_ｇに与えることで、稼働パターンＯＰ_ＳＥＬが示す稼働対象の空調機１－ｋが稼働しているときに、温度センサ２－ｍにより測定される温度である設定温度ＰＴ_ｋを室温予測モデルＲＴＭ_ｇに学習させる。
学習実行部１７は、学習後の室温予測モデルＲＴＭ_ｇの予測精度を空調機制御部１９に出力する。

空調機制御部１９は、学習実行部１７から出力された室温予測モデルＲＴＭ_ｇの予測精度が高精度Ａ_ｎｓに満たなければ、稼働対象の空調機１－ｋを３回目の変更後の設定温度ＰＴ_ｋ（＝２２度）で稼働させる。
空調機制御部１９は、稼働対象の空調機１－ｋを３回目の変更後の設定温度ＰＴ_ｋ（＝２２度）で稼働させるときに、３回目の変更後の設定温度ＰＴ_ｋ（＝２２度）を学習実行部１７に出力する。
空調機制御部１９は、稼働対象の空調機１－ｋを稼働させるとき、データ取得要求を温度データ取得部１２に出力する。
空調機制御部１９は、学習実行部１７から出力された室温予測モデルＲＴＭ_ｇの予測精度が高精度Ａ_ｎｓ以上であれば、以降、室温予測モデルＲＴＭ_ｇの予測精度を高めるための空調機１－ｋの稼働をやめる。

学習実行部１７は、空調機制御部１９から、３回目の変更後の設定温度ＰＴ_ｋ（＝２２度）を取得する。
学習実行部１７は、稼働パターンＯＰ_ＳＥＬが示す稼働対象の空調機１－ｋが設定温度ＰＴ_ｋ（＝２２度）で稼働しているときに温度データ取得部１２により取得された温度データを取得する。
学習実行部１７は、取得した温度データと設定温度ＰＴ_ｋ（＝２２度）とを、稼働パターンＯＰ_ＳＥＬに対応している室温予測モデルＲＴＭ_ｇに与えることで、稼働パターンＯＰ_ＳＥＬが示す稼働対象の空調機１－ｋが稼働しているときに、温度センサ２－ｍにより測定される温度である設定温度ＰＴ_ｋを室温予測モデルＲＴＭ_ｇに学習させる。
学習実行部１７は、学習後の室温予測モデルＲＴＭ_ｇの予測精度を空調機制御部１９に出力する。

空調機制御部１９は、学習実行部１７から出力された室温予測モデルＲＴＭ_ｇの予測精度が高精度Ａ_ｎｓに満たなければ、稼働対象の空調機１－ｋを４回目の変更後の設定温度ＰＴ_ｋ（＝２１度）で稼働させる。
空調機制御部１９は、稼働対象の空調機１－ｋを４回目の変更後の設定温度ＰＴ_ｋ（＝２１度）で稼働させるときに、４回目の変更後の設定温度ＰＴ_ｋ（＝２１度）を学習実行部１７に出力する。
空調機制御部１９は、稼働対象の空調機１－ｋを稼働させるとき、データ取得要求を温度データ取得部１２に出力する。
空調機制御部１９は、学習実行部１７から出力された室温予測モデルＲＴＭ_ｇの予測精度が高精度Ａ_ｎｓ以上であれば、以降、室温予測モデルＲＴＭ_ｇの予測精度を高めるための空調機１－ｋの稼働をやめる。

学習実行部１７は、空調機制御部１９から、４回目の変更後の設定温度ＰＴ_ｋ（＝２１度）を取得する。
学習実行部１７は、稼働パターンＯＰ_ＳＥＬが示す稼働対象の空調機１－ｋが設定温度ＰＴ_ｋ（＝２１度）で稼働しているときに温度データ取得部１２により取得された温度データを取得する。
学習実行部１７は、取得した温度データと設定温度ＰＴ_ｋ（＝２１度）とを、稼働パターンＯＰ_ＳＥＬに対応している室温予測モデルＲＴＭ_ｇに与えることで、稼働パターンＯＰ_ＳＥＬが示す稼働対象の空調機１－ｋが稼働しているときに、温度センサ２－ｍにより測定される温度である設定温度ＰＴ_ｋを室温予測モデルＲＴＭ_ｇに学習させる。

学習実行部１７が、アクティブラーニングと呼ばれる方法で、空調機１－ｋの設定温度ＰＴ_ｋを変更することで、室温予測モデルＲＴＭ_ｇが効率的に学習される。このため、空調機１－ｋの設定可能な温度範囲に含まれている複数の温度の全てが、設定温度ＰＴ_ｋに設定される前に、室温予測モデルＲＴＭ_ｇの予測精度が高精度Ａ_ｎｓ以上になることが想定される。したがって、設定可能な温度範囲に含まれている複数の温度のうち、例えば、低い温度から順番に設定温度ＰＴ_ｋに設定されるものよりも、アクティブラーニングと呼ばれる方法で設定温度ＰＴ_ｋが変更される方が、室温予測モデルＲＴＭ_ｇの精度が早く向上する。したがって、アクティブラーニングと呼ばれる方法で、設定温度ＰＴ_ｋが変更される場合、低い温度から順番に設定温度ＰＴ_ｋに設定されるものよりも、室温予測モデルＲＴＭ_ｇの学習に要する時間が短縮される。

設定温度決定部１８は、空調機１－ｋの設定可能な温度範囲に含まれている複数の温度のそれぞれを空調機１－ｋの仮の設定温度ＰＴ_ｋ’に決定する。
設定温度決定部１８は、それぞれの仮の設定温度ＰＴ_ｋ’を学習実行部１７による学習済みの室温予測モデルＲＴＭ_ｇに与えて、学習済みの室温予測モデルＲＴＭ_ｇから、それぞれの予測温度ＦＴ_ｇを取得する。
設定温度決定部１８は、複数の予測温度ＦＴ_ｇの中で、温度上限値Ｔ_ｍａｘ以下の予測温度ＦＴ_ｇを特定する。
設定温度決定部１８は、図８に示すように、温度上限値Ｔ_ｍａｘ以下の予測温度ＦＴ_ｇの中で、最も高い温度を空調機１－ｋの設定温度ＰＴ_ｋに決定する。
図８は、設定温度決定部１８により決定される設定温度ＰＴ_ｋの候補を示す説明図である。
図８において、横軸は時刻を示し、“Ｎｏｗ”は、現在時刻である。縦軸は室内温度を示している。
図８の例では、仮の設定温度ＰＴ_ｋ’が、１９度、２０度及び２１度であるときの、予測温度ＦＴ_ｇが、温度上限値Ｔ_ｍａｘ以下である。
仮の設定温度ＰＴ_ｋ’が、１９度、２０度及び２１度であるときの、予測温度ＦＴ_ｇの中で、最も高い温度が、仮の設定温度ＰＴ_ｋ’が２１度であるときの予測温度ＦＴ_ｇであるため、設定温度決定部１８は、２１度を空調機１－ｋの設定温度ＰＴ_ｋに決定する。
設定温度決定部１８は、決定した空調機１－ｋの設定温度ＰＴ_ｋを空調機制御部１９に出力する。

空調機制御部１９は、稼働パターンＯＰ_ＳＥＬが示す稼働対象の空調機１－ｋを設定温度決定部１８により決定された設定温度ＰＴ_ｋで稼働させる。

以上の実施の形態２では、稼働パターン選択部１４により選択された稼働パターンが示す稼働対象の空調機１－ｋの制御量を変更する制御量変更部１６と、稼働パターン選択部１４により選択された稼働パターンが示す稼働対象の空調機１－ｋが稼働しているときに温度データ取得部１２により取得された温度データと、制御量変更部１６による変更後の制御量とを、稼働パターン選択部１４により選択された稼働パターンに対応している室温予測モデルに与えて、当該稼働対象の空調機が稼働しているときに、温度センサ２－ｍにより測定される温度を当該室温予測モデルに学習させる学習実行部１７とを備えるように、空調制御装置３を構成した。したがって、空調制御装置３は、レイアウトデータを取得することなく、複数の空調機１－１～１－Ｎの中で、実際に稼働させる空調機１－ｋを決定できるほか、稼働対象の空調機１－ｋの制御量を変更することができる。

また、実施の形態２では、稼働対象の空調機１－ｋの制御量が、空調機１－ｋの設定温度であり、空調機１－ｋの設定可能な温度範囲に含まれている複数の温度のうち、いずれかの温度を空調機１－ｋの仮の設定温度として、学習実行部１７による学習済みの室温予測モデルに与えて、学習済みの室温予測モデルから予測温度を取得し、予測温度と温度上限値とに基づいて、空調機１－ｋの設定温度を決定する設定温度決定部１８を備えるように、空調制御装置３を構成した。したがって、空調制御装置３は、室内の温度が温度上限値を超えない範囲で、消費電力を低減できる設定温度を決定することができる。

図６に示す空調制御装置３では、制御量変更部１６が、アクティブラーニングと呼ばれる方法で、空調機１－ｋの設定温度ＰＴ_ｋを変更している。
アクティブラーニングと呼ばれる方法での設定温度ＰＴ_ｋの変更は、空調機１－ｋの設定可能な温度範囲の中で、現在の設定温度から最も離れている温度を次の設定温度に決定するものに限るものではなく、以下のようにして、制御量変更部１６が、次の設定温度を決定するものであってもよい。

制御量変更部１６は、空調機１－ｋの設定可能な温度範囲に含まれている複数の温度のそれぞれが設定温度ＰＴ_ｋに設定されたときの、それぞれの設定温度ＰＴ_ｋに対する室温予測モデルＲＴＭ_ｇの精度を示す評価値を、例えばベイズ最適化の手法を用いて求める。当該評価値は、設定温度ＰＴ_ｋに対する室温予測モデルＲＴＭ_ｇの精度が高いほど、大きな値である。ベイズ最適化の手法自体は、公知の技術であるため詳細な説明を省略するが、ベイズ最適化の手法を用いる場合、例えば、２つの設定温度ＰＴ_ｋに対する室温予測モデルＲＴＭ_ｇの精度を示す評価値が分かっていれば、残りの設定温度ＰＴ_ｋに対する室温予測モデルＲＴＭ_ｇの精度を示す評価値が求まる。

図９は、設定温度ＰＴ_ｋに対する室温予測モデルＲＴＭ_ｇの精度を示す説明図である。
図９において、●は、設定済みの設定温度ＰＴ_ｋを示している。実線は、設定温度ＰＴ_ｋに対する室温予測モデルＲＴＭ_ｇの出力温度である予測温度ＦＴ_ｇを示し、点線は、予測温度ＦＴ_ｇの真値を示している。
実線と点線との間隔が、設定温度ＰＴ_ｋに対する室温予測モデルＲＴＭ_ｇの精度を示す評価値を表している。矢印（１）～（４）の長さは、実線と点線との間隔を示している。実線と点線との間隔が狭い程、評価値が高い。図９の例では、矢印（１）の長さ＜矢印（２）の長さ＜矢印（４）の長さ＜矢印（３）の長さである。図中、グレーの領域は、室温予測モデルＲＴＭ_ｇの信頼度が約９５％の領域である。

制御量変更部１６は、空調機１－ｋの設定可能な温度範囲に含まれている複数の温度の中で、未だ設定温度ＰＴ_ｋに設定されていない温度に対する室温予測モデルＲＴＭ_ｇの精度を示す評価値を互いに比較する。
未だ設定温度ＰＴ_ｋに設定されていない温度が、例えば、矢印（１）～（４）に対応する温度であるとすれば、矢印（１）～（４）の長さを互いに比較する。
制御量変更部１６は、評価値の比較結果に基づいて、評価値が最も小さい温度を次の設定温度ＰＴ_ｋに決定し、評価値が２番目に小さい温度をさらに次の設定温度ＰＴ_ｋに決定する。以降、制御量変更部１６は、評価値が小さい温度の順番に設定温度ＰＴ_ｋを決定する。
図９の例では、制御量変更部１６は、まず、評価値が最も小さい矢印（３）に対応する温度を次の設定温度ＰＴ_ｋに決定し、評価値が次に小さい矢印（４）に対応する温度をさらに次の設定温度ＰＴ_ｋに決定する。また、制御量変更部１６は、評価値が次に小さい矢印（２）に対応する温度をさらに次の設定温度ＰＴ_ｋに決定し、最後に、評価値が最も大きい矢印（１）に対応する温度をさらに次の設定温度ＰＴ_ｋに決定する。
制御量変更部１６が、上記のように、次の設定温度を決定する場合も、室温予測モデルＲＴＭ_ｇに対する測定温度ＭＴ_ｍの学習が効率的に行われる。

図９の例では、制御量変更部１６が、矢印の長さ順に設定温度ＰＴ_ｋに決定している。しかし、これは一例に過ぎ、制御量変更部１６が、大きなグレーの領域に含まれている温度を優先して、設定温度ＰＴ_ｋに決定するようにしてもよい。
図９では、制御量変更部１６が、例えば、矢印（１）に対応する温度よりも先に矢印（２）に対応する温度を設定温度ＰＴ_ｋに決定している。しかし、制御量変更部１６が、グレーの領域の大きさに基づいて、矢印（２）に対応する温度よりも先に矢印（１）に対応する温度を設定温度ＰＴ_ｋに決定するようにしてもよい。

図６に示す空調制御装置３では、学習実行部１７が、稼働パターン選択部１４により選択された稼働パターンＯＰ_ＳＥＬに対して温度センサ２－ｍにより測定される温度を学習させたのち、空調機制御部１９が、学習済みの稼働パターンＯＰ_ＳＥＬが示す稼働対象の空調機１－ｋを設定温度決定部１８により決定された設定温度ＰＴ_ｋで稼働させている。しかし、データセンタ等に設置されている電子機器の運用形態等の変更によって、稼働パターン選択部１４により選択された稼働パターンＯＰ_ＳＥＬが変更されることがある。このような場合、学習実行部１７は、変更後の稼働パターンＯＰ_ＳＥＬに対して温度センサ２－ｍにより測定される温度を学習させるようにすればよい。

なお、本開示は、各実施の形態の自由な組み合わせ、あるいは各実施の形態の任意の構成要素の変形、もしくは各実施の形態において任意の構成要素の省略が可能である。

１－１～１－１２ 空調機、２－１～２－２ 温度センサ、３ 空調制御装置、１１ 稼働パターン取得部、１２ 温度データ取得部、１３ 予測モデル生成部、１４ 稼働パターン選択部、１５ 空調機制御部、１６ 制御量変更部、１７ 学習実行部、１８ 設定温度決定部、１９ 空調機制御部、２１ 稼働パターン取得回路、２２ 温度データ取得回路、２３ 予測モデル生成回路、２４ 稼働パターン選択回路、２５ 空調機制御回路、２６ 制御量変更回路、２７ 学習実行回路、２８ 設定温度決定回路、２９ 空調機制御回路、３１ メモリ、３２ プロセッサ。

Claims (8)

1. 室内に設置されている複数の空調機の中で、稼働対象の空調機を示す複数の稼働パターンを取得する稼働パターン取得部と、
   それぞれの稼働パターンが示す稼働対象の空調機が稼働しているときに、前記室内に設置されている温度センサの測定温度を示す温度データを取得する温度データ取得部と、
   学習データとして、それぞれの稼働パターンが示す稼働対象の空調機の制御量と、前記稼働対象の空調機が稼働しているときに前記温度データ取得部により取得された温度データとを用いて、それぞれの稼働パターンが示す稼働対象の空調機が稼働しているときの、前記温度センサにより測定される温度を予測するための室温予測モデルを生成する予測モデル生成部と、
   前記予測モデル生成部により生成された、それぞれの稼働パターンに対応している室温予測モデルに対して、それぞれの稼働パターンが示す稼働対象の空調機の制御量を与えて、それぞれの稼働パターンに対応した予測温度を取得し、それぞれの稼働パターンに対応した予測温度に基づいて、前記複数の稼働パターンの中から第１稼働パターンを選択する稼働パターン選択部と、
   前記稼働パターン選択部により選択された、前記第１稼働パターンが示す稼働対象の空調機を稼働させる制御を行う空調機制御部と、
   前記第１稼働パターンの選択により、前記複数の空調機のうちの少なくとも１台の空調機に対して設定された第１制御量から変更する、前記第１稼働パターンに対応している第１室温予測モデルが学習するための第２制御量を決定する制御を行う制御量変更部と、
   学習データとして、前記第２制御量、前記温度データ取得部により取得された温度データとを、前記第１室温予測モデルに与える学習実行部とを備え、
   前記制御量変更部は、設定可能な制御量のうち、前記第２制御量の候補となる複数の制御量に対して評価を行い、前記評価に基づいて前記第２制御量を決定する空調制御装置。
2. 前記第１制御量は、前記複数の空調機のうちの少なくとも１台の空調機に対して設定された第１設定温度であり、
   前記第２制御量は、第２設定温度であり、設定可能な温度の範囲のうち、前記第２設定温度の候補となる複数の温度に対して評価を行い、前記評価に基づいて決定されることを特徴とする請求項１記載の空調制御装置。
3. 前記稼働パターン選択部は、
   前記稼働パターン取得部により取得された複数の稼働パターンの中で、対応している室温予測モデルから得られる予測温度が温度上限値以下であり、かつ、対応している室温予測モデルの予測精度が閾値以内である稼働パターンを選択し、選択された前記第１稼働パターンと、第２稼働パターンとを含む２つ以上の稼働パターンの中から、稼働対象の空調機の台数が相対的に少ない１つの稼働パターンである前記第１稼働パターンを選択することを特徴とする請求項１記載の空調制御装置。
4. 前記制御量変更部は、前記評価として、空調機の設定可能な温度範囲のうち、前記第２設定温度の前記候補となる複数の温度と、前記第１設定温度との温度差をそれぞれ算出し、算出したそれぞれの温度差に基づいて、前記第２設定温度に設定する順番を決定し、
   前記学習実行部は、前記制御量変更部により決定された順番に基づいて、前記候補となる温度のそれぞれを前記第２設定温度として前記室温予測モデルに与え、前記稼働対象の空調機が稼働しているときに、前記温度センサにより測定される温度を前記室温予測モデルに学習させることを特徴とする請求項２記載の空調制御装置。
5. 空調機の設定可能な温度範囲に含まれている複数の温度のうち、いずれかの温度を空調機の仮の設定温度として、前記学習実行部による学習済みの室温予測モデルに与えて、前記学習済みの室温予測モデルから予測温度を取得し、前記予測温度と温度上限値とに基づいて、空調機の設定温度を決定する設定温度決定部を備えたことを特徴とする請求項２記載の空調制御装置。
6. 前記空調機制御部は、前記稼働パターン選択部により選択された前記第１稼働パターンが示す稼働対象の空調機を前記設定温度決定部により決定された設定温度で稼働させることを特徴とする請求項５記載の空調制御装置。
7. 室内に設置されている複数の空調機の中で、稼働対象の空調機を示す複数の稼働パターンを稼働パターン取得部によって取得し、
   それぞれの稼働パターンが示す稼働対象の空調機が稼働しているときに、前記室内に設置されている温度センサの測定温度を示す温度データを温度データ取得部によって取得し、
   学習データとして、それぞれの稼働パターンが示す稼働対象の空調機の制御量と、前記稼働対象の空調機が稼働しているときに前記温度データ取得部により取得された温度データとを用いて、それぞれの稼働パターンが示す稼働対象の空調機が稼働しているときの、前記温度センサにより測定される温度を予測するための室温予測モデルを予測モデル生成部によって生成し、
   前記予測モデル生成部により生成された、それぞれの稼働パターンに対応している室温予測モデルに対して、それぞれの稼働パターンが示す稼働対象の空調機の制御量を与えて、それぞれの稼働パターンに対応した予測温度を取得し、それぞれの稼働パターンに対応した予測温度に基づいて、前記複数の稼働パターンの中から第１稼働パターンを稼働パターン選択部によって選択し、
   前記稼働パターン選択部により選択された、前記第１稼働パターンが示す稼働対象の空調機を稼働させる制御を空調機制御部によって行い、
   前記第１稼働パターンの選択により、前記複数の空調機のうちの少なくとも１台の空調機に対して設定された第１制御量から変更する、前記第１稼働パターンに対応している第１室温予測モデルが学習するための第２制御量を制御量変更部によって決定し、
   学習データとして、前記第２制御量と、前記温度データ取得部により取得された温度データとを、学習実行部によって前記第１室温予測モデルに与える空調制御方法であって、
   前記制御量変更部は、設定可能な制御量の範囲のうち、前記第２制御量の候補となる複数の制御量に対して評価を行い、前記評価に基づいて前記第２制御量を決定する空調制御方法。
8. コンピュータに
   室内に設置されている複数の空調機の中で、稼働対象の空調機を示す複数の稼働パターンを取得する処理と、
   それぞれの稼働パターンが示す稼働対象の空調機が稼働しているときに、前記室内に設置されている温度センサの測定温度を示す温度データを取得する処理と、
   学習データとして、それぞれの稼働パターンが示す稼働対象の空調機の制御量と、前記稼働対象の空調機が稼働しているときに取得された温度データとを用いて、それぞれの稼働パターンが示す稼働対象の空調機が稼働しているときの、前記温度センサにより測定される温度を予測するための室温予測モデルを生成する処理と、
   生成された、それぞれの稼働パターンに対応している室温予測モデルに対して、それぞれの稼働パターンが示す稼働対象の空調機の制御量を与えて、それぞれの稼働パターンに対応した予測温度を取得し、それぞれの稼働パターンに対応した予測温度に基づいて、前記複数の稼働パターンの中から第１稼働パターンを選択する処理と、
   選択された前記第１稼働パターンが示す稼働対象の空調機を稼働させる処理と、
   前記第１稼働パターンの選択により、前記複数の空調機のうちの少なくとも１台の空調機に対して設定された第１制御量から変更する、前記第１稼働パターンに対応している第１室温予測モデルが学習するための第２制御量を決定する処理と、
   学習データとして、前記第２制御量と、取得された温度データとを、前記第１室温予測モデルに与える処理とを実行させ、
   前記第２制御量は、設定可能な制御量の範囲のうち、前記第２制御量の候補となる複数の制御量に対して評価を行い、前記評価に基づいて決定されることを特徴とするコンピュータに実行させるためのプログラム。

Images