JP7511775B2 - 可逆的因果関係に基づいた熱制御のためのシステムおよび方法 - Google Patents

可逆的因果関係に基づいた熱制御のためのシステムおよび方法 Download PDF

Info

Publication number
JP7511775B2
JP7511775B2 JP2023547943A JP2023547943A JP7511775B2 JP 7511775 B2 JP7511775 B2 JP 7511775B2 JP 2023547943 A JP2023547943 A JP 2023547943A JP 2023547943 A JP2023547943 A JP 2023547943A JP 7511775 B2 JP7511775 B2 JP 7511775B2
Authority
JP
Japan
Prior art keywords
thermal
hvac
target
model
set point
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
JP2023547943A
Other languages
English (en)
Other versions
JP2023545873A (ja
Inventor
ラフトチーブ，エミル
ニコフスキ，ダニエル
ロメレス，ディエゴ
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Mitsubishi Electric Corp
Original Assignee
Mitsubishi Electric Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Mitsubishi Electric Corp filed Critical Mitsubishi Electric Corp
Publication of JP2023545873A publication Critical patent/JP2023545873A/ja
Application granted granted Critical
Publication of JP7511775B2 publication Critical patent/JP7511775B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • F24F11/63—Electronic processing
    • F24F11/64—Electronic processing using pre-stored data
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/70—Control systems characterised by their outputs; Constructional details thereof
    • F24F11/80—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/0895—Weakly supervised learning, e.g. semi-supervised or self-supervised learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/10—Temperature
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/20—Humidity
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2120/00—Control inputs relating to users or occupants
    • F24F2120/10—Occupancy
    • F24F2120/12—Position of occupants
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/26—Pc applications
    • G05B2219/2614—HVAC, heating, ventillation, climate control

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Fuzzy Systems (AREA)
  • Air Conditioning Control Device (AREA)
  • Feedback Control In General (AREA)

Description

本開示は概して、環境における熱的快適性の制御に関し、より特定的には、暖房、換気および空調（heating, ventilating, and air-conditioning：ＨＶＡＣ）設定点に従って環境を調節するように構成されたＨＶＡＣシステムを制御することに関する。
熱的快適性は、熱環境に対する満足感を表わす心の状態と見なされてもよく、主観的であるものの概して安定した評価によって査定される。熱的快適性は、人の生産性および一般的な幸福に著しく影響を与える。現在、暖房、換気および空調（ＨＶＡＣ）システムなどの熱調節システムは、温度設定点が維持されるようにＨＶＡＣシステムをオンまたはオフにしてＨＶＡＣシステムを動作させることを目的とする壁のサーモスタットまたは遠隔制御デバイスに基づいて、熱的快適性を達成する。
温度設定点は、部屋における在室者（occupant）のニーズおよび熱条件に基づいた熱的快適性の所望のレベルを示す。いくつかのアプローチは、温度設定点を達成するようにＨＶＡＣシステムを制御するよう設計されている。しかしながら、そのようなアプローチでは、ＨＶＡＣシステムは、部屋における在室者または１組の在室者の熱的快適性の代わりとして設定点気温のみを制御する。よって、設計されたそのようなアプローチは、サーモスタットでの室温と在室者自身の位置での室温とが同じであると仮定する。この仮定は、部屋における十分に混合された温度および／または速度分布の均一性仮定と呼ばれ得る。しかしながら、そのような均一性仮定は有効ではない。その結果、温度設定点に到達しても、部屋の数人または全員の在室者はまだ不快かもしれない。なぜなら、設定点温度は、在室者から離れて位置し得るセンサ（サーモスタット）について決定されるためである。
均一性仮定の問題に取り組むために、いくつかのアプローチは、制御される環境（部屋）における空気流の力学を考慮する。しかしながら、そのようなアプローチは計算上コストが高い。たとえば、空気流力学の物理モデルは、ナビエ・ストークス（Navier-Stokes）方程式に従って定義され得る。空気流力学の物理モデルはブシネスク（Boussinesq）方程式によって近似され得るものの、ブシネスク方程式は偏微分方程式（partial differential equation：ＰＤＥ）であり、それはリアルタイムで解くことが難しい。その目的のために、いくつかの方法は、常微分方程式（ordinary differential equation：ＯＤＥ）を含む減少次数モデルを使用することによって、ＰＤＥを解くために必要とされる計算の複雑性を減少させることを目指す。しかしながら、減少次数モデルさえも使用して空気流力学を考慮することは依然として、多くの制御システムにとって、特に、組み込みプロセッサを使用する組み込まれた制御システムにとって、計算上難易度が高くなり得る。
したがって、熱状態のモデルを使用する必要なく、制御される環境における熱状態の力学を考慮する、ＨＶＡＣシステムを制御するためのシステムおよび方法を提供する必要がある。
いくつかの実施形態の目的は、ニューラルネットワークなどの人工知能を利用して、環境における空気流および／または熱状態の力学を考慮し、熱状態のモデルを使用する必要なくＨＶＡＣシステムを制御するシステムおよび方法を提供することである。また、いくつかの実施形態の目的は、ＨＶＡＣユニットを使用して調節される部屋におけるすべての空間位置の温度を制御したいという望みから生じるＨＶＡＣ制御の無限次元の問題を克服するようなニューラルネットワークを提供することである。加えて、いくつかの実施形態の目的は、オートエンコーディング損失関数を用いるオートエンコーディングアーキテクチャを有するニューラルネットワークを使用して、環境全体にわたってＨＶＡＣ設定点およびセンサの測定値を関連付ける予測モデルを学習することである。それに加えて、またはそれに代えて、いくつかの実施形態の目的は、環境における在室者の快適性を最大化する制御法則を学習することである。
いくつかの実施形態は、環境における熱状態の力学を考慮するＨＶＡＣシステムの制御が連続的空間ドメイン上で動作するという認識に基づいている。たとえば、環境における、温度値、湿度値、および／または速度値などの熱状態は、すべての空間次元に沿って連続的に変化し得る。よって、環境には、（連続的尺度でも与えられ得る）制御コマンドの無数の値、および／または、熱状態が存在する。しかしながら、ニューラルネットワークは、固定数の入力および出力を必要とする。このため、ニューラルネットワークなどの統計モデルを使用して、制御される環境におけるすべての空間位置で熱状態力学を近似しようとすることは、難易度が高い。
いくつかの実施形態は、環境におけるすべての空間位置でのすべての熱状態の値を、ＨＶＡＣアクチュエータの状態の連続値にマッピングする必要はないという認識に基づいている。いくつかの実施形態は、ＨＶＡＣシステムを動作させるには、環境におけるある位置のみでの温度、湿度、および／または速度の値を、到達されるとそれらの離散的位置で熱状態の所望の値を達成する設定点にマッピングすれば十分であるという認識に基づいている。その目的のために、環境における特定の位置での熱状態とＨＶＡＣシステムの設定点との間のマッピングが導き出され得る。ここに使用されるように、「設定点」とは、ＨＶＡＣシステムの変数の所望の値を指す。たとえば、「設定点」という用語は、環境における特定の位置でＨＶＡＣシステムの動作が達成する必要がある温度の目標値を示し得る。
この問題に取り組むために、熱状態の定常状態の離散化空間表現が使用される。いくつかの実施形態は、環境における熱状態とＨＶＡＣシステムへの設定点との間のマッピングが、環境の熱力学の定常状態モデル化のために考慮され得るという認識に基づいている。熱力学の過渡状態および定常状態の双方を考慮するフルモデル化とは対照的に、定常状態モデル化は、より容易に正確にサンプリングされ得る。加えて、定常状態では、環境における空間的に連続する熱状態は、環境における固定位置および／または所定位置でより正確に表現され得る。そのような態様で、熱状態の定常状態の離散化表現は、環境における熱状態のＨＶＡＣ制御の無限次元の問題に取り組むことを可能にする。言い換えれば、熱状態の定常状態の離散化表現は、連続する熱状態とＨＶＡＣアクチュエータの状態の連続値との間の無限マッピングを、１組の位置での離散化された定常熱状態とＨＶＡＣ制御と組合された１組の設定点との間の有限マッピングに、当該設定点に従って変換することを可能にする。
その目的のために、いくつかの実施形態は、ＨＶＡＣシステムを制御するために、環境における所定位置での熱状態を設定点にマッピングする。さまざまな実現化例では、熱状態が制御される離散的位置の数は、設定点の数よりも多い。そのような態様で、ＨＶＡＣシステムの制御は、環境における十分に混合された温度および／または速度分布の均一性仮定を考慮することなく、そのような仮定を使用するＨＶＡＣシステムを制御する計算複雑性を維持しながら、環境における熱状態を含み得る。
いくつかの実施形態は、ＨＶＡＣシステムの動作がマッピングされた設定点を達成すると固定位置における熱状態が目標熱状態に近づくように、所定位置での熱状態と設定点との間のマッピングが決定される必要があるという認識に基づいている。いくつかの実施形態は、ＨＶＡＣ設定点と熱状態との間のマッピングが複雑で非常に非線形であるものの、分析的に導き出されるのではなくデータから学習可能であるという認識に基づいている。一実施形態によれば、そのようなマッピングは、ニューラルネットワークを訓練することによって学習される。ニューラルネットワークは、環境における所定位置に配置されたセンサによって測定された熱状態とＨＶＡＣシステムの設定点とを含むデータから訓練される。
しかしながら、そのようなニューラルネットワークの設計および訓練は、多くの難題をもたらす。例として、定常状態にある、Ｍ個のセンサとＮ個のＨＶＡＣユニットとを有する任意の所与の環境には、Ｎ個のＨＶＡＣユニットの設定点からＭ個のセンサの測定値へのデータにおける順方向（因果）関係をマッピングする関数が存在する。しかしながら、順方向関係に加えて、この問題のために、我々は、順方向関係の逆のモデル、すなわち、センサ測定値をＨＶＡＣ設定点にマッピングする逆方向関係／逆方向マッピングも必要とする。可逆的関係を訓練することは、予測的順方向モデルを訓練することよりも難しい。加えて、マッピングは、測定することが難しく逆方向マッピングの訓練および精度を著しく複雑にし得る多くの他のパラメータに依存する。たとえば、マッピングは外気温に依存し、それは訓練を複雑にし得る。マッピングは環境の構成にも依存し、それは訓練されたマッピングの転送可能性を減少させる。さらに、マッピングは、ＨＶＡＣシステムが転送する必要のある熱負荷に依存し、それは推定することが難しい。したがって、特に可逆的形での関係は、前述の要因のため、学習することが難しい。
それに加えて、またはそれに代えて、いくつかの実施形態は、可逆的関係を学習するために最適である定常状態データを収集することは、時間がかかり、かつ、さらなる熱力学的モデル化を必要とするという認識に基づいている。よって、いくつかの実施形態がオフィスなどの緻密に制御される環境を調節するように構成されていても、データには熱力学的過渡事象が存在する。つまり、単一の可逆的モデルを学習することは、相対的逆方向関係を捕らえるには実用的ではないかもしれない。この問題に取り組むために、いくつかの実施形態は２つのモデルを学習する。順方向では、いくつかの実施形態は、ＨＶＡＣ設定点を結果として生じる熱状態にマッピングする熱センサモデルを学習する。逆方向では、いくつかの実施形態は、現在の熱状態をＨＶＡＣ設定点の推定値にマッピングする熱設定点モデルを学習する。
いくつかの実施形態は、前述のモデルが、オートエンコーディングアーキテクチャを有するニューラルネットワークを使用して学習され得るという認識に基づいている。一実施形態によれば、オートエンコーディングアーキテクチャは、ＨＶＡＣ設定点に対応する潜在層と接続されたエンコーダおよびデコーダを含み、エンコーダは熱状態をＨＶＡＣ設定点に接続し、一方、デコーダはＨＶＡＣ設定点を熱状態と接続するようになっている。そのような態様で、相対的な順方向および逆方向関係が、モデルを固定することなく、さらには、訓練データに過渡測定値が存在していても、学習され得る。この後者の点は、オートエンコーディングアーキテクチャの追加の利点である。なぜなら、測定値に何らかの過渡データが存在し得る場合、予測的な熱設定点モデルおよび熱センサモデルを学習することは、些細なことではないためである。オートエンコーディングアーキテクチャは、我々が、離散化された熱状態をもたらす最良のＨＶＡＣ設定点を訓練データセット全体にわたって平均して識別しつつ、双方のモデルを同時に学習することを可能にする。
それに加えて、またはそれに代えて、いくつかの実施形態は、オートエンコーディングアーキテクチャにおいて熱センサモデルおよび熱設定点モデルをともに学習するには、現在のＨＶＡＣ設定点からの組み込みのずれを最小化する項を用いてオートエンコーディング損失関数を拡張する必要があるという認識に基づいている。その目的のために、いくつかの実施形態では、ニューラルネットワークを訓練するために使用される損失関数は、入力を再構成する際に誤差を減少させるための再構成損失と、物理的に観測されるＨＶＡＣ設定点からの組み込みのずれを減少させるための組み込み損失とを含む。そのような態様で、組み込み損失は、訓練にとって好適な微分可能な態様で目標ＨＶＡＣ設定点を定式化することを可能にする。加えて、そのような態様で、損失関数は、潜在空間をＨＶＡＣ設定点の空間となるように具体的に設計する、オートエンコーディングアーキテクチャのための潜在空間設計の方法である。
加えて、いくつかの実施形態は、ＨＶＡＣシステムの動作中に収集されたデータを使用して、訓練されたニューラルネットワークを定期的に訓練または更新することは有利であるという認識に基づいている。そのような態様で、ニューラルネットワークは、環境の構成に、ならびに／もしくは、環境における在室者の数および在室者の位置に適合することができる。
いくつかの実施形態によれば、所定位置での目標熱状態は、設計されたパラメータである。たとえば、目標熱状態の目標値は、ユーザによって予め選択され得る。しかしながら、そのような予め選択されたアプローチについても、いくつかの実施形態は、環境の熱状態を離散化することが、環境における在室者の個々の熱的快適性を維持する際に柔軟性を追加するという認識に基づいている。そのような認識は有益である。なぜなら、異なる在室者は異なる位置に関連付けられる可能性があり、それは、異なる位置についての異なる目標熱状態を選択すること、および／または、より多数の在室者に関連付けられた位置を強調すること、および／または、どの在室者にも関連付けられていない位置を強調しないことを可能にするためである。その目的のために、環境における所定位置の各々に重みが関連付けられ、明示的にまたは暗示的に、各ユーザは損失関数に寄与する。所定位置の重みは、所定位置に関連付けられた在室者の数に依存する。このため、再構成損失は、所定位置の各々についての再構成損失の組合せである。いくつかの実施形態では、複数のユーザが１つのセンサに存在する場合、所望の温度はユーザ温度の平均である。
一実施形態によれば、所定位置での目標熱状態は、個人向け熱的快適性モデルに基づいて決定される。加えて、いくつかの実施形態は、個人向け熱的快適性モデルを学習する際に、在室者に対するフィードバックを提供する負担を最小化することを目指す。その目的のために、いくつかの実施形態は、個人向け熱的快適性モデルを学習するための弱教師付きアプローチを使用する。弱教師付きアプローチは、一般規則または外部権限に基づいた合成のラベル付きデータを使用して熱的快適性モデルを学習することを含む。また、弱教師付きアプローチを使用して学習された熱モデルは、個人向け熱的快適性モデルを学習するために各在室者によって提供されたフィードバックを使用して適合される。
いくつかの実施形態は、熱設定点モデルが、観測されたセンサの測定値を引き起こしたＨＶＡＣ設定点を推定するという認識に基づいている。しかしながら、それに加えて、いくつかの実施形態のうちのいくつかの目的は、在室者の快適性を最大化するＨＶＡＣ設定点を予測することである。その目的のために、いくつかの実施形態は、すべての在室者の快適性確率を最大化する制御法則を学習することを目指す。いくつかの実施形態は、制御法則を学習するために熱センサモデルと熱設定点モデルとが組合され得るという認識に基づいている。制御法則を学習するために、最初に、在室者の個人向け熱的快適性モデルが、各在室者の最適温度を決定するために使用される。個人向け熱的快適性モデルは、１組の可能な環境条件から均一にサンプリングし、各在室者にとって最も高い快適性確率を有する点を選択することによって使用される。
いくつかの実施形態によれば、制御法則を学習するために、制御法則は、熱設定点モデルを用いて初期化される。特に、制御法則は、熱設定点モデルを用いてウォームスタートされる。いくつかの実施形態は、制御法則の訓練が、熱センサモデルを固定し、制御法則を調整することによって達成されるという認識に基づいている。制御法則は、各在室者の位置での最適な在室者温度からのずれを罰する損失関数を使用して調整される。代替的な一実施形態では、制御法則を学習するために、制御法則は、熱設定点モデルの出力に追加された次元Ｎの追加の線形層を用いて、熱設定点モデルとして定義される。熱センサモデルおよび熱設定点モデルは固定され、訓練が、調整のために使用される損失関数を使用して、追加の線形層に対して行なわれる。制御法則を学習するためのそのようなアプローチは有利である。なぜなら、学習するべきモデルパラメータがはるかに少なく、少数の訓練データサンプルを用いて効率的に学習され得るモデルをもたらすためである。いくつかの実施形態は、ほとんどのユーザは快適な状態に近いため、熱設定点モデルはほぼ正確であるという認識に基づいている。制御法則が、室内のセンサによって物理的に観測された設定点の代わりにユーザを快適にするＨＶＡＣ設定点を出力するように、モデルをわずかに変更することのみが必要とされる。
いくつかの実施形態によれば、制御法則は、最適化を介しても学習され得る。そのことは、在室者の着席配置の頻繁な変更が、上に特定されるような制御法則の連続的再学習を必要とする場合にも当てはまる。そのような場合、最適化関数の解として代わりにＨＶＡＣ設定点を決定することが、計算上より有利であり得る。ここで、熱設定点モデルは、最適化の開始点を提供するために使用され、熱センサモデルは、最適化解の関数として部屋の状態を予測するために使用される。誤差が、在室者位置および在室者の所望の熱状態にわたって、同じ損失関数を用いて評価される。
したがって、制御法則のモデルの学習とオンライン最適化の使用のいずれかを選択することは、在室者による着席配置変更の回数に依存する。固定された着席位置にいる在室者については、快適な設定点を予測する計算上コストが安い方法を提供する１つの制御法則を学習することが、計算上効率的である。対照的に、在室者が動的に動いている場合、最適化アプローチは、在室者の過渡的空間分布のための制御法則を学習することなく所望の設定点を取得する方法を提供する。２つのアプローチはともに使用され得ると考えられる。たとえば、モデル化された初期制御法則アプローチは、作業者の固定された着席エリアにわたって展開される。作業者がおそらく別個のオフィスで会議のために会う場合、最適化問題は、この会議のための即時の１組のＨＶＡＣ設定点を提供するためにオンラインで解かれ得る。
したがって、一実施形態は、暖房、換気および空調（ＨＶＡＣ）設定点に従って環境を調節するように構成されたＨＶＡＣシステムを制御するためのコントローラであって、少なくとも１つのプロセッサと、少なくとも１つのプロセッサによって実行されるとコントローラに複数のステップを行なわせる命令を格納したメモリとを含み、複数のステップは、調節される環境における所定位置での目標熱状態と、調節される環境における所定位置での現在の熱状態と、現在のＨＶＡＣ設定点とを受け付けるステップと、現在のＨＶＡＣ設定点に従ったＨＶＡＣシステムの動作に対する、目標ＨＶＡＣ設定点に従ったＨＶＡＣシステムの動作の差異が、調節される環境における所定位置での熱状態を、現在の熱状態から目標熱状態に変更するように、ニューラルネットワークを使用して、または最適化問題を解くことによって、目標ＨＶＡＣ設定点を決定するステップと、目標ＨＶＡＣ設定点に従って動作するよう命じる、ＨＶＡＣシステムのコンポーネントへの制御コマンドを生成して提示するステップとを含む、コントローラを開示する。また、ニューラルネットワークは、ＨＶＡＣ設定点に対応する潜在層と接続されたエンコーダおよびデコーダを有するオートエンコーディングアーキテクチャを有し、エンコーダは、熱状態をＨＶＡＣ設定点に接続する熱設定点モデルを形成し、一方、デコーダは、ＨＶＡＣ設定点を熱状態と接続する熱センサモデルを形成するようになっている。
したがって、別の実施形態は、制御するための方法を開示する。暖房、換気および空調（ＨＶＡＣ）設定点に従って環境を調節するように構成されたＨＶＡＣシステムを制御するための方法であって、方法は、命令を格納するメモリに結合されたプロセッサを使用し、プロセッサは、プロセッサによって実行されると方法の複数のステップを行なう、格納された命令と結合され、複数のステップは、調節される環境における所定位置での目標熱状態と、調節される環境における所定位置での現在の熱状態と、現在のＨＶＡＣ設定点とを受け付けるステップと、現在のＨＶＡＣ設定点に従ったＨＶＡＣシステムの動作に対する、目標ＨＶＡＣ設定点に従ったＨＶＡＣシステムの動作の差異が、調節される環境における所定位置での熱状態を、現在の熱状態から目標熱状態に変更するように、ニューラルネットワークを使用して目標ＨＶＡＣ設定点を決定するステップと、目標ＨＶＡＣ設定点に従って動作するよう命じる、ＨＶＡＣシステムのコンポーネントへの制御コマンドを生成して提示するステップとを含む。また、ニューラルネットワークは、ＨＶＡＣ設定点に対応する潜在層と接続されたエンコーダおよびデコーダを有するオートエンコーディングアーキテクチャを有し、エンコーダは、熱状態をＨＶＡＣ設定点に接続し、一方、デコーダは、ＨＶＡＣ設定点を熱状態と接続するようになっており、エンコーダの入力層およびデコーダの出力層は、所定位置の数と等しい次元を有し、潜在層は、ＨＶＡＣ設定点の数と等しい次元を有する。
ここに開示される実施形態は、添付図面を参照してさらに説明される。示された図面は必ずしも縮尺通りではなく、代わりに、ここに開示される実施形態の原理を例示することに重きが概して置かれている。
いくつかの実施形態に従った、環境を調節するように構成された暖房、換気および空調（ＨＶＡＣ）システムを制御するための原理の図式的概観を示す図である。 いくつかの実施形態に従った、所定位置での熱状態と当該熱状態を引き起こすＨＶＡＣ設定点との間にマッピングを確立するように訓練されたニューラルネットワーク１２０の概略図である。 いくつかの実施形態に従った、ＨＶＡＣ設定点に従ってＨＶＡＣシステムを制御するためのコントローラのブロック図である。 いくつかの実施形態に従った、熱センサモデルおよび熱設定点モデルを学習するためのオートエンコーディングアーキテクチャを示す図である。 いくつかの実施形態に従った、熱センサモデルおよび熱設定点モデルを学習するためのオートエンコーディングアーキテクチャを示す図である。 いくつかの実施形態に従った、ニューラルネットワークを訓練する段階の概略図である。 いくつかの実施形態に従った、個人向け熱的快適性モデルを学習するための弱教師付きアプローチの概略図である。 いくつかの実施形態に従った、快適ゾーンを表わす例示的な湿り空気線図を示す図である。 いくつかの実施形態に従った、標準快適性モデルと個人向け熱的快適性モデルとを学習するためのニューラルネットワークの構造を示す図である。 いくつかの実施形態に従った、学習された標準快適性モデルと個人向け熱的快適性モデルのレベル集合のうちの１つとを表わす湿り空気線図を示す図である。 いくつかの実施形態に従った、在室者の快適性確率が最大化されるようにＨＶＡＣシステムを制御するための制御法則を学習するための概略図である。 いくつかの実施形態に従った、ＨＶＡＣ設定点最適化のブロック図である。 いくつかの実施形態に従った、在室者の熱的快適性を達成するためにコントローラを使用するＨＶＡＣシステムの制御を示す図である。
以下の説明では、説明する目的のために、多くの特定の詳細が、本開示の完全な理解を提供するために述べられる。しかしながら、これらの特定の詳細がなくても本開示が実践され得ることは、当業者には自明であろう。他の事例では、本開示を不明瞭にすることを避けるために、装置および方法はブロック図の形式でのみ示される。
この明細書および請求項で使用されるような、「たとえば」、「といった」、「などの」という用語、ならびに「備える」、「有する」、「含む」という動詞およびそれらの他の動詞形は、１つ以上の構成要素または他の項目のリストとともに使用される場合、非限定的であるとして各々解釈されるべきである。すなわち、リストは、他の追加の構成要素または項目を除外するとみなされるべきではない。「に基づいて」という用語は、少なくとも部分的に基づいていることを意味する。また、ここに採用されている言葉遣いおよび用語は説明のためのものであり、限定的であると見なされるべきでないということが理解されるべきである。この説明内で利用されるどの見出しも便宜上のものに過ぎず、法的効果または限定的効果を有していない。
図１Ａは、環境を調節するように構成された暖房、換気および空調（ＨＶＡＣ）システムを制御するために、いくつかの実施形態によって使用される原理の図式的概観を示す。環境は、ＨＶＡＣシステムが設置されている建物の部屋または空間、もしくは当該建物全体であり得る。いくつかの実施形態では、環境は、在室者が位置するかまたは存在する建物の空間に対応し得る。さまざまな実現化例では、ＨＶＡＣシステムは、環境に設置された複数のＨＶＡＣユニットを含み得る。ＨＶＡＣシステムは、環境において空気を出力して環境を調節し、環境の在室者の熱的快適性を保証するように構成される。出力された空気の熱状態は、ＨＶＡＣシステムによって出力された空気の温度および湿度を含む。代替的な一実施形態では、出力された空気の熱状態は、ＨＶＡＣシステムによって環境に出力された空気の温度、湿度、および速度のうちの１つ、またはそれらの組合せを含む。
いくつかの実施形態の目的は、ニューラルネットワークを使用して、環境における熱状態の力学１００を考慮し、熱状態のモデルを使用することなくＨＶＡＣシステムを制御することである。いくつかの実施形態は、環境における熱の力学１００を考慮するＨＶＡＣシステムの制御が連続的空間ドメインにおいて動作するという認識に基づいている。たとえば、ＨＶＡＣシステムのアクチュエータへの制御コマンドは、連続的に変化し得る。同様に、環境における、温度値、湿度値、および／または速度値などの熱状態は、連続的に変化し得る。よって、環境には、制御コマンドの無数の値と、空間的に位置する無数の熱状態とが存在する。しかしながら、ニューラルネットワークは、固定数の入力および出力を必要とする。その目的のために、ＨＶＡＣシステムの制御を、熱状態を考慮して訓練されたニューラルネットワークに置き換えることは、難易度が高い。
いくつかの実施形態は、環境における熱状態の連続分布を、ＨＶＡＣアクチュエータの状態の連続値にマッピングする必要はないという認識に基づいている。いくつかの実施形態は、ＨＶＡＣシステムを動作させるには、調節される環境における温度、湿度、および／または速度の値を、到達されると環境における離散的位置で熱状態の所望の値を達成する設定点にマッピングすれば十分であるという認識に基づいている。その目的のために、環境における熱状態とＨＶＡＣシステムの設定点との間のマッピング１０２が導き出され得る。ここに使用されるように、「設定点」とは、ＨＶＡＣシステムの変数の所望の値を指す。設定点という用語は、特定の１組の制御信号ならびに熱力学パラメータおよび環境パラメータの任意の特定の値に適用される。たとえば、「設定点」という用語は、環境における特定の位置でＨＶＡＣシステムの動作が達成する必要がある温度の目標値を示し得る。それに加えて、またはそれに代えて、「設定点」という用語は、ＨＶＡＣシステムのコンポーネントの特定の状態を示し得る。
しかしながら、熱状態が推定または測定され得る環境には無数の点が存在するため、そのようなマッピング１０２には無限次元の問題が存在する。その上、熱状態は、熱力学の法則に従って急速に変化し得る。
この問題に取り組むために、熱状態の定常状態の離散化空間表現１０４が使用される。いくつかの実施形態は、環境における熱状態とＨＶＡＣシステムへの設定点との間のマッピング１０２が、環境の熱力学の定常状態モデル化のために考慮され得るという認識に基づいている。熱力学の過渡状態および定常状態の双方を考慮するフルモデル化とは対照的に、定常状態モデル化は正確に空間的に離散化可能であり、このため、環境における連続的な熱状態は、環境における固定／所定位置での熱状態で表現され得る。そのような態様で、熱状態の定常状態の離散化表現１０４は、無限次元の問題に取り組むことを可能にする。言い換えれば、熱状態の定常状態の空間的に離散化された表現１０４は、空間的に連続する熱状態とＨＶＡＣアクチュエータ状態の連続値との間の無限マッピングを、１組の位置での離散化された定常熱状態とＨＶＡＣ制御と組合された１組の設定点との間の有限マッピングに、当該設定点に従って変換することを可能にする。
その目的のために、いくつかの実施形態は、ＨＶＡＣシステムを制御するために、環境における所定位置での熱状態を設定点にマッピングする。さまざまな実現化例では、熱状態が制御される離散的位置の数は、設定点の数よりも多い。そのような態様で、ＨＶＡＣシステムの制御は、環境における十分に混合された温度および／または速度分布の均一性仮定を考慮することなく、そのような仮定を使用するＨＶＡＣシステムを制御する計算複雑性を維持しながら、環境における熱状態１００を含み得る。
いくつかの実施形態は、ＨＶＡＣシステムの動作がマッピングされた設定点を達成すると固定位置における熱状態が目標熱状態に近づくように、所定位置での熱状態と設定点との間のマッピングが決定される必要があるという認識に基づいている。いくつかの実施形態は、そのようなマッピングが非常に非線形であり、マッピングを分析的に導き出すのではなくデータから学習可能であるという認識に基づいている。一実施形態によれば、そのようなマッピングは、ニューラルネットワークを訓練することによって学習される（１０６）。ニューラルネットワークは、環境における所定位置に配置されたセンサによって測定された熱状態１０８とＨＶＡＣシステムの設定点１１０とを含むデータから訓練される。
しかしながら、そのようなニューラルネットワークの設計および訓練は、多くの難題をもたらす。たとえば、定常状態にある、Ｍ個のセンサとＮ個のＨＶＡＣユニットとを有する任意の所与の環境には、Ｎ個のＨＶＡＣユニットの設定点からＭ個のセンサの測定値へのデータにおける順方向（因果）関係をマッピングする関数が存在する。しかしながら、この場合、所望のマッピングは可逆的関係であるべきである。すなわち、マッピングは、我々がセンサ測定値をＨＶＡＣ設定点にマッピングする逆方向関係も同様に学習するように、可逆的でもあるべきである。可逆的関係は、単純な予測的順方向関係よりも、訓練することが難しい。加えて、可逆的マッピングは、測定することが難しく逆方向マッピングの訓練および精度を著しく複雑にし得る多くの他のパラメータに依存する。たとえば、逆方向マッピングは外気温に依存し、それは訓練を複雑にし得る。可逆的マッピングは環境の構成にも依存し、それは訓練されたマッピングの転送可能性を減少させる。さらに、可逆的マッピングは、ＨＶＡＣシステムが転送する必要のある熱負荷に依存し、それは推定することが難しい。したがって、可逆的関係は、前述の要因のため、学習することが難しい。
その目的のために、いくつかの実施形態は、センサ測定値とＨＶＡＣ設定点との間の逆方向関係を決定する代わりに、現在のセンサ測定値と目標センサ測定値との差異を現在のＨＶＡＣ設定点と目標ＨＶＡＣ設定点との差異にマッピングする相対的逆方向関係１１２を決定する。なぜなら、外気温、環境の構成、および熱負荷といった他のパラメータは、ＨＶＡＣシステムの動作の現在のパラメータおよび目標パラメータについて同じであるためである。また、そのような差異を考慮することは、相対的逆方向関係１１２の学習に対する他のパラメータの影響を減少させる。
図１Ｂは、いくつかの実施形態に従った、所定位置での熱状態と当該熱状態を引き起こすＨＶＡＣ設定点との間に可逆的関係を確立するように訓練されたニューラルネットワーク１２０の概略図を示す。いくつかの実現化例では、可逆的関係は相対的であり、現在のＨＶＡＣ設定点１６０に従ったＨＶＡＣシステムの動作に対する、目標ＨＶＡＣ設定点１５０に従ったＨＶＡＣシステムの動作の差異が、調節される環境における所定位置での熱状態を、現在の熱状態１４０から目標熱状態１３０に変更するように、ニューラルネットワークが目標ＨＶＡＣ設定点１５０を決定するようになっている。そのような態様で、目標ＨＶＡＣ設定点に従って動作するよう命じる、ＨＶＡＣシステムのコンポーネントへの制御コマンドを生成して提示するコントローラが、熱状態の力学のモデルを考慮することなく、調節される環境における目標熱状態の非均一分布を達成することができる。
図２は、いくつかの実施形態に従った、ＨＶＡＣ設定点に従ってＨＶＡＣシステムを制御するためのコントローラ２００のブロック図を示す。コントローラ２００は入力インターフェイス２０２を含む。コントローラ２００は、ＨＶＡＣシステムによって調節される環境における所定位置での熱状態の目標値と、調節される環境における所定位置での熱状態の現在値と、ＨＶＡＣ設定点の現在値とを、入力インターフェイス２０２を介して受け付けるように構成される。
コントローラ２００は、コントローラ２００を他のシステムおよびデバイスに接続する複数のインターフェイスを有し得る。たとえば、ネットワークインターフェイスコントローラ（network interface controller：ＮＩＣ）２１４は、１組のセンサに動作可能に接続されたものにコントローラ２００を接続するネットワーク２１６に、コントローラ２００を、バス２１２を通して接続するように適合される。ネットワーク２１６を通して、無線でまたは有線で、コントローラ２００は、調節される環境における所定位置での熱状態の目標値および現在値と、ＨＶＡＣ設定点の現在値とを受信する。
コントローラ２００は、格納された命令を実行するように構成されたプロセッサ２０４と、プロセッサ２０４によって実行可能な命令を格納するメモリ２０６とを含む。プロセッサ２０４は、シングルコアプロセッサ、マルチコアプロセッサ、コンピューティングクラスタ、または任意の数の他の構成であり得る。メモリ２０６は、ランダムアクセスメモリ（random access memory：ＲＡＭ）、読出専用メモリ（read only memory：ＲＯＭ）、フラッシュメモリ、または任意の他の好適なメモリシステムを含み得る。プロセッサ２０４は、バス２１２を通して、１つ以上の入力および出力デバイスに接続される。
いくつかの実施形態によれば、メモリ２０６に格納された命令は、ＨＶＡＣ設定点に従ってＨＶＡＣシステムを制御するための方法を実現する。その目的のために、ストレージデバイス２０８は、プロセッサ２０４のための実行可能命令を格納する異なるモジュールを格納するように適合され得る。ストレージデバイス２０８は、ハードドライブ、光学ドライブ、サムドライブ、ドライブのアレイ、またはそれらの任意の組合せを使用して実現され得る。ストレージデバイス２０８は、ＨＶＡＣ設定点を対応する熱状態にマッピングする熱センサモデル２１０ａを格納するように構成される。ストレージデバイス２０８はさらに、熱状態を対応するＨＶＡＣ設定点にマッピングする熱設定点モデル２１０ｂを格納するように構成される。ストレージデバイス２０８はさらに、すべての在室者に共通の標準快適性モデル２１０ｃを格納するように構成される。標準快適性モデル２１０ｃは、在室者の個人向け熱的快適性モデルを決定するために使用される。ストレージデバイス２０８はさらに、各在室者の最適温度を決定する、各在室者の個人向け熱的快適性モデル２１０ｄを格納するように構成される。
いくつかの実施形態では、コントローラ２００は、ＨＶＡＣシステムが目標ＨＶＡＣ設定点に従って動作すると、所定位置での現在の熱状態が目標熱状態に変化するように、ニューラルネットワークを使用して、および／または最適化問題を解くことによって、目標ＨＶＡＣ設定点を決定するように構成される。コントローラ２００はさらに、目標ＨＶＡＣ設定点に従って動作するよう命じる、ＨＶＡＣシステムのコンポーネントのための制御コマンドを生成するように構成される。
また、コントローラ２００は出力インターフェイス２２０を含む。いくつかの実施形態では、コントローラ２００はさらに、目標ＨＶＡＣ設定点に従って動作するよう命じる、ＨＶＡＣシステムのコンポーネント２２２への制御コマンドを、出力インターフェイス２２０を介して提示するように構成される。制御コマンドは、ＨＶＡＣシステムのアクチュエータの状態を変更し得る。アクチュエータの状態の例は、ＨＶＡＣシステムの圧縮機の速度、さまざまな弁の位置、排気を方向付ける空気ルーバーの回転位置などを含む。
一実施形態では、環境は、長時間にわたってＫ人の在室者が在室している室内空間、たとえば、割り当てられたデスクを有する共有オフィスに対応する。室内空間は、室内空間中に分散されたＮ個のＨＶＡＣユニットと、温度および湿度を測定できる、所定位置に位置するＭ個のセンサとを備えている。いくつかの実現化例では、所定位置に位置するＭ個のセンサは、室内空間における出力された空気の気流速度も測定できる。
Figure 0007511775000001
Figure 0007511775000002
いくつかの実施形態は、定常状態にある室内空間には、ＨＶＡＣ設定点から室内空間に配置されたセンサの測定値へのデータにおける順方向（因果）関係をマッピングする関数Ｘ（ｔ）＝ｇ（Ｈ（ｔ））が存在するという認識に基づいている。加えて、センサの測定値からＨＶＡＣ設定点へのデータにおける逆方向関係ｇ－１をマッピングする関数Ｈ（ｔ）＝ｇ－１（Ｘ（ｔ））が存在する。可逆的モデルｇは、定常状態のデータから学習される。しかしながら、訓練のために定常状態データを収集することは、時間がかかり、かつ、さらなる熱力学的モデル化を必要とする。よって、ＨＶＡＣシステムがオフィスなどの緻密に制御される環境を調節するように構成されていても、定常状態データには熱力学的過渡事象が存在する。言い換えれば、可逆的モデルを学習することは、相対的逆方向関係を捕らえるには実用的ではないかもしれない。この問題に取り組むために、いくつかの実施形態は、２つのモデル、すなわち、熱センサモデルおよび熱設定点モデルを学習する。
順方向では、いくつかの実施形態は、ＨＶＡＣ設定点を対応する熱状態Ｘにマッピングする熱センサモデルを学習する。
Figure 0007511775000003
その目的のために、順方向関係は、熱センサモデルによって学習される。逆方向では、いくつかの実施形態は、熱状態をＨＶＡＣ設定点の推定値にマッピングする熱設定点モデルを学習する。
Figure 0007511775000004
その目的のために、逆方向関係は、熱設定点モデルによって学習される。
いくつかの実施形態は、関数ｆｓｅｎｓｏｒおよびｆＳｅｔＰｔｓが非線形で非凸であるため、前述のモデルがニューラルネットワークを使用して学習され得るという認識に基づいている。特に、前述のモデルにおける対称性と、ＨＶＡＣ設定点の数Ｎがセンサの数Ｍよりも少ない（Ｎ＜Ｍ）こととに起因して、いくつかの実施形態は、前述のモデルが、オートエンコーディングアーキテクチャを有するニューラルネットワークを使用して学習され得るという認識に基づいている。
図３Ａは、いくつかの実施形態に従った、逆方向関係の弱教師付きモデル化のためのオートエンコーダのブロック図を示す。オートエンコーダとは、教師なしの態様で効率的なデータ符号化を学習するために使用される一種の人工ニューラルネットワークである。オートエンコーダの目的は、信号「ノイズ」を無視するようにネットワークを訓練することによって、典型的には次元削減のために１組のデータのための表現（符号化）を学習することである。削減側とともに再構成側が学習され、その場合、オートエンコーダは、削減された符号化から、その元の入力に、よってその名前にできるだけ近い表現を生成しようとする。
その目的のために、いくつかの実施形態では、所定位置での熱状態と当該熱状態を引き起こすＨＶＡＣ設定点との間に可逆的関係を確立するように訓練されたニューラルネットワークは、ＨＶＡＣ設定点に対応する潜在層３１１と接続されたエンコーダ３１０およびデコーダ３２０を有するオートエンコーディングアーキテクチャを有する。エンコーダ３１０は、所定位置で測定された熱状態３０９をＨＶＡＣ設定点３１１に接続する熱設定点モデル３１５を形成し、一方、デコーダ３２０は、ＨＶＡＣ設定点３１１をデコーダによって再構成された熱状態３１３と接続する熱センサモデル３１２を形成する。
とりわけ、デコーダ３２０の熱センサモデル３１２は順方向モデル、すなわち因果モデルであり、一方、熱設定点モデル３１５は逆方向モデルである。しかしながら、これら２つのモデルは、所定位置での熱状態３０９の測定値と熱状態３０９の測定値を引き起こすＨＶＡＣ設定点３１１の測定値とを含む訓練データに基づいて、訓練データから教師なしの態様でともに学習され得る。そのような態様で、訓練されたニューラルネットワークのエンコーダおよびデコーダは、物理的に観測される熱モデルのエンコーダおよびデコーダを表わす。
Figure 0007511775000005
オートエンコーディングアーキテクチャ３００は、エンコーダとデコーダとを含む。エンコーダおよびデコーダは、熱センサモデルおよび熱設定点モデルにそれぞれ対応する。エンコーダの入力層３０２は、所定位置でのセンサの測定値によって決定される、室内空間の熱状態Ｘ（ｔ）に対応する。また、オートエンコーディングアーキテクチャ３００は、非線形の活性化関数を用いる層の調整可能なグループを含む隠れ層３０４を含む。エンコーダは、隠れ層３０４を介して、ＨＶＡＣ設定点に対応する潜在層３０６に接続される。潜在層３０６は、ＨＶＡＣ設定点の数と等しい次元を有し、各ＨＶＡＣユニットについての学習された設定点ｈｊを表わす。
Figure 0007511775000006
Figure 0007511775000007
Figure 0007511775000008
（４）における第１の項は、Ｘ（ｔ）についての再構成損失に対応し、（４）における第２の項は、Ｈ（ｔ）についての組み込み損失に対応する。
加えて、いくつかの実施形態は、ＨＶＡＣシステムの動作中（すなわち、ＨＶＡＣシステムの実行時）に収集されたデータを使用して、訓練されたニューラルネットワークを定期的に訓練または更新することは有利であるという認識に基づいている。そのような態様で、ニューラルネットワークは、環境の構成に、ならびに／もしくは、環境の在室者の数および在室者の位置に適合することができる。その目的のために、いくつかの実施形態では、ニューラルネットワークが異なる段階で異なるように使用／訓練されるように、ニューラルネットワークの使用が段階的に行なわれる。
図４は、いくつかの実施形態に従った、ニューラルネットワークを訓練する際の異なる段階の概略図を示す。初期訓練段階で、オートエンコーディングアーキテクチャ３００を有するニューラルネットワークは、対応する熱状態４００ａおよびＨＶＡＣ設定点４００ｂの値を含む、収集されたデータ４００に基づいて訓練される（４０２）。一実施形態によれば、初期訓練段階の目的は、教師なしの態様で熱センサモデルおよび熱設定点モデルの双方を推定／学習するように、オートエンコーディングアーキテクチャ３００のエンコーダおよびデコーダの双方を訓練することである。また、初期訓練段階中、エンコーダが熱状態を反転させてＨＶＡＣ設定点の対応する値にし、当該値が順方向に復号されて熱状態の対応する値になり得ることを強化するために、（４）などの損失関数４０４が使用される。その目的のために、訓練されたニューラルネットワーク４０６が取得される。
いくつかの実施形態は、初期の訓練段階中に訓練されたニューラルネットワーク４０６が、目標ＨＶＡＣ設定点４１２を回復するように目標熱状態４１０のために実行され得るという認識に基づいている。しかし、そのような実行は、正確な目標設定点をもたらさないかもしれない。なぜなら、離散化されたユーザ位置での所望の温度が訓練データセットにおいて生じなかったかもしれないためである。したがって、再訓練段階で、いくつかの実施形態は、目標熱状態４１０および目標ＨＶＡＣ設定点に基づいた再訓練によって、訓練されたニューラルネットワークを更新し（４０８）、更新されたニューラルネットワーク４１６を取得する。特に、実施形態は、エンコーダが目標熱状態４１０を目標ＨＶＡＣ設定点４１２に符号化し、目標ＨＶＡＣ設定点４１２がデコーダによって目標熱状態４１０に復号され得るように、オートエンコーディングアーキテクチャ３００を再訓練する。また、オートエンコーディングアーキテクチャ３００を再訓練するために、再構成損失を含む損失関数４１４が、所定位置での温度測定値と目標温度との差異を減少させるために使用される。代替的な一実施形態では、オートエンコーディングアーキテクチャ３００を再訓練するために、再構成損失を含む損失関数４１４が、所定位置での温度および湿度測定値と目標湿度値との差異を減少させるために使用される。
異なる段階でニューラルネットワークを訓練することによって決定された、更新されたニューラルネットワーク４１６は、複数の利点を提供する。たとえば、更新されたニューラルネットワーク４１６はより正確である。なぜなら、ＨＶＡＣ設定点の精度が、初期訓練段階における損失関数４０４および再訓練段階における損失関数４１４によって強化されるためである。加えて、異なる段階でニューラルネットワークを訓練することは、環境における在室者に関連付けられた位置での熱状態のみを考慮するように入力層および出力層の次元を変更することを可能にする。
いくつかの実施形態では、所定位置での目標熱状態は、設計されたパラメータである。たとえば、目標熱状態の目標値は、ユーザによって予め選択され得る。しかしながら、そのような予め選択されたアプローチについても、いくつかの実施形態は、環境の熱状態を離散化することが、環境における在室者の個々の熱的快適性を維持する際に柔軟性を追加するという認識に基づいている。そのような認識は真実である。なぜなら、異なる在室者は異なる位置に関連付けられる可能性があり、それは、異なる位置についての異なる目標熱状態を選択すること、および／または、より多数の在室者に関連付けられた位置を強調すること、および／または、どの在室者にも関連付けられていない位置を強調しないことを可能にするためである。
その目的のために、環境における所定位置の各々に重みが関連付けられる。所定位置の重みは、所定位置に関連付けられた在室者の数に依存する。このため、再構成損失は、所定位置の各々についての再構成損失の組合せである。プロセッサ２０４はさらに、環境における在室者の位置を受信し、在室者を自分に最も近い所定位置に関連付けるように構成される。ユーザが部屋の固定位置で座っている場合、この位置は、所与のユーザに最も近いセンサ番号を単に提供することによって提供され得る。在室者の位置が動的である場合、それは、近くのアンカーノード（既知の固定位置を有するノード、たとえばＷｉ－Ｆｉアクセスポイントまたはブルートゥース（登録商標）ビーコン）までの距離測定値、磁気位置決め、送電網概念、または推測航法に基づく、室内位置決めシステムによって決定され得る。
一実施形態によれば、所定位置での目標熱状態は、個人向け熱的快適性モデルに基づいて決定される。加えて、いくつかの実施形態は、個人向け熱的快適性モデルを学習する際に、在室者に対するフィードバックを提供する負担を最小化することを目指す。その目的のために、いくつかの実施形態は、個人向け熱的快適性モデルを学習するための弱教師付きアプローチを使用する。
Figure 0007511775000009
弱教師付きアプローチは、ラベル付きデータを使用して熱的快適性モデルｆ０を学習すること（５００）を含む。また、弱教師付きアプローチは、個人向け熱的快適性モデルを学習するために、各在室者によって提供されたフィードバックを使用して標準快適性モデルを適合させること（５０２）を含む。ｋ番目の在室者についての個人向け熱的快適性モデルは、ｆｋとして表わされる。
在室者に共通の標準快適性モデルｆ０は、環境において測定され得る可能な温度値および湿度値の空間にわたって均一にサンプリングされたラベル付きデータを使用して学習される。ラベル付きデータのためのラベルは、在室者にとって快適なものとして考えられる温度および湿度の範囲から導き出される。所与の温度および湿度データ点がそのような範囲内にある場合、それは快適なものとしてラベル付けされる。そうではない場合、データ点は不快なものとしてラベル付けされる。
一実施形態では、温度値および湿度値の範囲は、専門家団体によって決定された快適ゾーンから決定される。たとえば、快適ゾーンを示す湿り空気線図は、米国暖房冷凍空調学会（American Society of Heating, Refrigerating and Air-Conditioning Engineer：ＡＳＨＲＡＥ）などによって発行されている。そのような湿り空気線図は、温度値および湿度値の範囲を決定するために利用される。図５Ｂは、いくつかの実施形態に従った、快適ゾーンを表わす例示的な湿り空気線図を示す。長方形５０４は、冬季中の快適ゾーンに対応する。長方形５０６は、夏季中の快適ゾーンに対応する。
代替的な一実施形態では、温度値および湿度値の範囲は、ある位置での観測されたデータ点５１０を包含する、湿り空気線図上のゾーン５０８を定義することによって決定される。ゾーン５０８は長方形であり、観測されたＴｍｉｎ、Ｔｍａｘ、ＨｍｉｎおよびＨｍａｘによって境界を示される。いくつかの実施形態は、長方形のゾーン５０８が、標準快適性モデルｆ０および個人向け熱的快適性モデルｆｋを学習するために使用され得るニューラルネットワークの構造を導き出すために使用され得るという認識に基づいている。
図５Ｃは、いくつかの実施形態に従った、標準快適性モデルｆ０と個人向け熱的快適性モデルｆｋとを学習するために使用され得るニューラルネットワーク５１２の構造を示す。ニューラルネットワーク５１２は、入力層５１４と、隠れ層５１６と、出力層５１８とを含む。温度ｘＴ（ｔ）および湿度ｘＨ（ｔ）の測定値が、入力層５１４に入力される。隠れ層５１６は、４つのニューロン５１６ａ、５１６ｂ、５１６ｃおよび５１６ｄを含む。各ニューロンは、ゾーン５０８の一方側の境界を学習する。たとえば、５１６ａは寒い～快適という温度境界を学習し、５１６ｂは快適～暑いという温度境界を学習し、５１６ｃは多湿～快適という湿度境界を学習し、５１６ｄは乾燥～快適という湿度境界を学習する。また、モデルｆ０およびｆｋの出力を確率として解釈するために、シグモイド活性化が、ニューラルネットワーク５１２の各ニューロンに適用される。ニューラルネットワーク５１２は、快適性確率ｙｃ（ｔ）を出力する。標準快適性モデルは、可能な温度値および湿度値の空間にわたって均一にサンプリングし、ゾーン５０８の境界を使用してサンプルにラベル付けすることによって学習される。
図５Ｄは、いくつかの実施形態に従った、学習された標準快適性モデルと個人向け熱的快適性モデルのレベル集合のうちの１つとを表わす湿り空気線図を示す。破線で示された形５２０は、学習された標準快適性モデルｆ０を表わす。特に、形５２０の破線は、学習された標準快適性モデルｆ０のレベル集合のうちの１つである。レベル集合とは、ある関数によって予測される快適性確率が同じである点の集合である。たとえば、その関数によって評価されるような確率が０．５であるすべての点である。
また、在室者ｋがｊ番目のＨＶＡＣユニットの設定点を調節することによってフィードバックを提供する場合、個人向け熱的快適性モデルｆｋを決定するために、学習された標準モデルｆ０が、在室者ｋのために適合される。たとえば、在室者ｋは、ｊ番目のＨＶＡＣユニットの設定点温度を調節してもよい。この点で、在室者の熱状態ｘｉ（ｔ）と調節された設定点温度ｈｊ（フィードバック）とが観測されて取得される。在室者によって調節された設定点は、目標ＨＶＡＣ設定点に対応する。いくつかの実施形態は、調節された各設定点（フィードバック）が複数レベルの情報を生み出すという認識に基づいている。たとえば、調節された各設定点（フィードバック）は３レベルの情報を生み出す。第１に、在室者は、現在の状態ｘｉ（ｔ）において不快である。第２に、在室者は、設定点ｈｊが変更される方向に依存して、暑いかまたは寒い。第３に、在室者は、自分の最適温度はｈｊかもしれないと仮定する。前述の３レベルの情報から、いくつかの実施形態は、第３のレベル情報を使用する。なぜなら、在室者によって提供された目標ＨＶＡＣ設定点が最適であるということは真実ではなく、モデルｆ０およびｆｋは、不快の方向ではなく快適性確率を決定するに過ぎないためである。したがって、在室者がＨＶＡＣ設定点を調節すると、在室者は現在の条件において不快であると述べるラベル付きデータが取得される。
また、現在のデータ点で査定された快適性確率がしきい値を下回るまで、取得されたラベル付きデータは、ｆ０に対する逆伝搬を使用して標準快適性モデルｆ０になるよう適合される。そのような採用方法は、ｋ番目の在室者の個人向け熱的快適性モデルｆｋをもたらす。在室者がフィードバックを提供するにつれて、モデルｆｋはさらに更新される。さらに、一実施形態では、少なくともモデルｆｋの利用の最初の年の間、モデルｆｋは、最近のフィードバックの集合から周期的に学習されてもよく、在室者ｋについての季節的な個人向け熱的快適性モデルの集合をもたらすということが仮定される。楕円形５２２は、個人向け熱的快適性モデルｆｋのレベル集合のうちの１つを表わす。図５Ｄに示すように、個人向け熱的快適性モデルｆｋは、標準快適性モデルｆ０５２０によって包含されたデータの部分集合を包含する。
Figure 0007511775000010
さまざまな実施形態は、所定位置での熱状態の測定値と熱状態の測定値を引き起こすＨＶＡＣ設定点の測定値とを含む訓練データに基づいて、ニューラルネットワークを訓練する。訓練データは実際の測定値を含むため、訓練されたニューラルネットワークは、物理的に観測される熱モデルのエンコーダおよびデコーダを形成する。しかしながら、ユーザによって提供された目標熱状態、もしくは、個人向けのまたは包括的な熱的快適性モデルを介して決定された目標熱状態は、達成することが完全に実現可能ではないかもしれない。いくつかの実施形態は、訓練されたニューラルネットワークの物理的に観測される熱モデルが、目標熱状態の逆方向マッピングを使用して目標ＨＶＡＣ設定点を決定するために依然として使用され得るという認識に基づいている。それに加えて、またはそれに代えて、いくつかの実施形態は、現在の熱状態と目標熱状態との差異を減少させるために再訓練手法および／または他の最適化手法を使用する。
たとえば、一実施形態は、所定位置での温度測定値と目標熱状態の目標温度との差異を減少させるための再構成損失を含む損失関数を使用して、目標ＨＶＡＣ設定点および目標熱状態に基づいてニューラルネットワークを更新するようにさらに構成される。ニューラルネットワークは弱教師付きの態様で訓練されるため、ニューラルネットワークのパラメータを更新することは、入力層の値を単に変更することとは対照的に、目標熱状態の特定の値についての熱設定点モデルの逆方向関係を直接学習することができる。
Figure 0007511775000011
いくつかの実現化例では、調整すること（６０２）は、熱状態および熱設定点の測定値に基づいて訓練された、物理的に観測される熱モデルに基づいている。そのようなモデルの実現可能性からの利点を利用するために、いくつかの実施形態は、目標熱状態を受信することに応答して、物理的に観測される熱モデルにおけるデコーダの熱センサモデル６００の固定されたパラメータのために、物理的に観測される熱モデルにおけるエンコーダの熱設定点モデル６０２のパラメータを再訓練する。そのような態様で、目標熱状態を目標ＨＶＡＣ設定点に接続する熱設定点モデルの関連部分のみが更新される。
それに加えて、またはそれに代えて、制御法則を学習するために、制御法則は、熱設定点モデルの出力に追加された次元Ｎの追加の線形層を用いて、熱設定点モデル（式（２））として定義される。熱センサモデルおよび熱設定点モデルは固定され、訓練が式（６）を使用して追加の線形層に対して行なわれる。制御法則を学習するためのそのようなアプローチは有利である。なぜなら、学習するべきモデルパラメータがはるかに少なく、少数の訓練データサンプルを用いて効率的に学習され得るモデルをもたらすためである。
いくつかの実施形態では、エンコーダのパラメータは、所定位置の各々についての再構成損失の重み付けされた組合せを含む、目標熱状態を再構成するための再構成損失６０４を減少させるように再訓練される。所定位置の各々の重みは、所定位置に関連付けられた調節される環境の在室者の数に依存する。そのような態様で、全在室者の快適性全体を向上させることができる。
しかしながら、いくつかの実施形態は、オートエンコーダを再訓練することはよりよいマッピングを提供し得るものの、再訓練は、調節される環境の在室者の固定位置またはめったに変更されない位置のために時間を要し、最良に機能するという認識に基づいている。在室者が自分の位置を頻繁に変更する場合、再訓練は所望されるものより遅すぎるかもしれない。その目的のために、再訓練に加えて、または再訓練に代えて、いくつかの実施形態は、在室者の動的に変化する位置での目標熱状態を与えられ、各在室者についての目標熱状態を与えられて、目標ＨＶＡＣ設定点のための最適化について解く。
図６Ｂは、いくつかの実施形態に従った、ＨＶＡＣ設定点最適化のブロック図を示す。これらの実施形態では、最適化問題を解くこと（６０７）によって、ＨＶＡＣ設定点６０８が直接見出される。この実施形態は、在室者が自分の着席エリアを動的に選ぶ場合、または、自分の着席位置を頻繁に変更する場合に特に適用可能である。ここで、熱設定点モデル（式（２））は、最適化モデルのための初期解を選ぶために使用され、最適化問題は、式（３）の熱センサモデル６００によって予測されるような快適性損失関数（式（６））を最小化するＨＶＡＣ設定点の最良の１組を学習する。
すなわち、所与の時点で、現在のセンサ測定値が熱設定点モデル（式（２））に入力され、物理的に学習されるＨＶＡＣ設定点が予測される。これらの設定点は、最適化中に使用される初期探索点ｘ０として設定される。次に、損失関数（式（６））が最適化される。すなわち、ユーザ状態での熱センサモデル（式（６））の出力での予測される熱状態が、ユーザによる所望の熱状態と最適に一致するように、ｘ０のそばにある可能なＨＶＡＣ設定点に対する探索が行なわれる。このため、我々は、ユーザの近くの所望の熱状態からのずれを最小化する、ｘ０の近くの最良の設定点を探索する。
図７は、いくつかの実施形態に従った、在室者の熱的快適性を達成するためにコントローラ２００を使用するＨＶＡＣシステム７０４の制御を示す。ＨＶＡＣシステム７０４は、部屋７０６を調節するために配置される。事例７００では、部屋７０６には、それぞれの固定位置にいる在室者７０８、７１０、７１２および７１４が在室している。コントローラ２００は、在室者の各々の個人向け熱的快適性モデルと、部屋７０６の構成に従って決定された熱センサモデルおよび熱設定点モデルとに基づいて、目標ＨＶＡＣ設定点を決定する。また、コントローラ２００は、目標ＨＶＡＣ設定点に対応する制御コマンドを生成する。ＨＶＡＣシステム７０４は、制御コマンドに従って動作する。在室者７０８～７１４の周りの矢印７１６、７１８および７２０は、部屋７０６の中の温度および湿度といった、現在の部屋条件を表わす。
事例７０２では、部屋７０６には、それぞれの固定位置にいる在室者７１２および７１４が在室している。コントローラ２００は、部屋における在室者、すなわち、在室者７１２および７１４の位置を受信するように構成される。また、コントローラ２００は、在室者７１２および７１４の個人向け熱的快適性モデルと、部屋７０６の構成に従って決定された熱センサモデルおよび熱設定点モデルとに基づいて、新しい目標ＨＶＡＣ設定点を決定する。コントローラ２００は、新しい目標ＨＶＡＣ設定点に対応する制御コマンドを生成する。その目的のために、ＨＶＡＣシステムは、ＨＶＡＣシステム７０４が在室者７１２および７１４の最大の快適性を保証しつつ、現在の在室者の位置でのみ部屋７０６を調節するように、部屋７０６を調節するよう動作する。ＨＶＡＣシステム７０４がそのような制御コマンドに従って動作する場合、部屋条件は部屋条件７２２および７２４に更新される。また、新しい目標ＨＶＡＣ設定点は、分析的に導き出されるモデルの代わりに使用されるデータ駆動型モデル（熱センサモデルおよび熱設定点モデル）に基づいて決定されるため、コントローラ２００に対するオンライン計算負担が軽減される。さらに、在室者７１２および７１４の個人向け熱的快適性モデルのみが考慮されるため、点ごとの最適な性能が達成され、このため、計算上コストがより安いオンライン快適性最適化を可能にする。
以下の説明は例示的な実施形態を提供するに過ぎず、この開示の範囲、利用可能性、または構成を限定するよう意図されてはいない。むしろ、例示的な実施形態の以下の説明は、１つ以上の例示的な実施形態を実現するための実施可能説明を当業者に提供するであろう。添付された請求項で述べられるように開示された主題の精神および範囲から逸脱することなく、要素の機能および配置において行なわれ得るさまざまな変更が考えられる。
実施形態の完全な理解を提供するために、特定の詳細が以下の説明で与えられる。しかしながら、実施形態はこれらの特定の詳細がなくても実践され得ることが、当業者によって理解され得る。たとえば、実施形態を不必要に詳細に述べて不明瞭にすることを避けるために、開示された主題におけるシステム、プロセス、および他の要素は、ブロック図の形式における構成要素として示されてもよい。他の事例では、実施形態を不明瞭にすることを避けるために、周知のプロセス、構造、および手法は、不必要な詳細なく示されてもよい。また、さまざまな図面における同じ参照番号および名称は、同じ要素を示す。
また、個々の実施形態は、フローチャート、フロー図、データフロー図、構造図、またはブロック図として表わされるプロセスとして説明されてもよい。フローチャートは動作を順次プロセスとして説明し得るが、動作の多くは並行してまたは同時に行なわれ得る。加えて、動作の順序は並べ替えられてもよい。プロセスはその動作が完了すると終了し得るが、図面で説明されていない、または図面に含まれていない追加のステップを有していてもよい。さらに、特に説明された任意のプロセスにおけるすべての動作が、すべての実施形態において生じるとは限らない。プロセスは、方法、機能、手順、サブルーチン、サブプログラムなどに対応していてもよい。プロセスが機能に対応する場合、その機能の終了は、その機能が呼出機能または主機能に戻ることに対応し得る。
さらに、開示された主題の実施形態は、少なくとも部分的に、手動でまたは自動的に実現されてもよい。手動のまたは自動的な実現化例は、マシン、ハードウェア、ソフトウェア、ファームウェア、ミドルウェア、マイクロコード、ハードウェア記述言語、またはそれらの任意の組合せの使用を通して実行されるかまたは少なくとも支援されてもよい。ソフトウェア、ファームウェア、ミドルウェア、またはマイクロコードで実現される場合、必要なタスクを行なうためのプログラムコードまたはコードセグメントは、マシン読取可能媒体に格納されてもよい。プロセッサが、必要なタスクを行なってもよい。
ここに概説されたさまざまな方法またはプロセスは、さまざまなオペレーティングシステムまたはプラットフォームのうちのいずれか１つを採用する１つ以上のプロセッサ上で実行可能なソフトウェアとして符号化されてもよい。加えて、そのようなソフトウェアは、多くの好適なプログラミング言語および／またはプログラミングツールまたはスクリプト作成ツールのうちのいずれかを使用して書かれてもよく、また、フレームワークまたは仮想マシン上で実行される実行可能マシン語コードまたは中間コードとしてコンパイルされてもよい。典型的には、プログラムモジュールの機能性は、さまざまな実施形態において所望されるように組合されるかまたは分散されてもよい。
本開示の実施形態は、その例が提供された方法として具現化されてもよい。当該方法の一部として実行される動作は、任意の好適なやり方で順序付けられてもよい。したがって、例示的な実施形態では連続的な動作として示されていても、動作が例示とは異なる順序で実行される実施形態が構築されてもよい。この場合、いくつかの動作を同時に実行することも含まれてもよい。本開示を、ある好ましい実施形態を参照して説明してきたが、本開示の精神および範囲内で他のさまざまな適合および変更が実施可能であることが理解されるはずである。したがって、添付された請求項の局面は、本開示の真の精神および範囲内に収まるようにそのようなすべての変形および変更を網羅することである。

Claims (15)

  1. 暖房、換気および空調（ＨＶＡＣ）設定点に従って環境を調節するように構成されたＨＶＡＣシステムを制御するためのコントローラであって、
    少なくとも１つのプロセッサと、
    前記少なくとも１つのプロセッサによって実行されると前記コントローラに複数のステップを行なわせる命令を格納したメモリとを含み、前記複数のステップは、
    調節される前記環境における所定位置での目標熱状態と、調節される前記環境における前記所定位置での現在の熱状態と、現在のＨＶＡＣ設定点とを受け付けるステップと、
    前記現在のＨＶＡＣ設定点に従った前記ＨＶＡＣシステムの動作に対する、目標ＨＶＡＣ設定点に従った前記ＨＶＡＣシステムの前記動作の差異が、調節される前記環境における前記所定位置での熱状態を、前記現在の熱状態から前記目標熱状態に変更するように、前記所定位置での前記熱状態と前記熱状態を引き起こすＨＶＡＣ設定点との間に可逆的関係を確立するように訓練されたニューラルネットワークを使用して、前記目標ＨＶＡＣ設定点を決定するステップと、
    前記目標ＨＶＡＣ設定点に従って動作するよう命じる、前記ＨＶＡＣシステムのコンポーネントへの制御コマンドを生成して提示するステップとを含み、
    前記ニューラルネットワークは、前記ＨＶＡＣ設定点に対応する潜在層と接続されたエンコーダおよびデコーダを有するオートエンコーディングアーキテクチャを有し、前記エンコーダは、前記熱状態を前記ＨＶＡＣ設定点に接続する熱設定点モデルを形成し、一方、前記デコーダは、前記ＨＶＡＣ設定点を前記熱状態と接続する熱センサモデルを形成するようになっていることを特徴とする、コントローラ。
  2. 前記エンコーダの入力層および前記デコーダの出力層は、前記所定位置の数と等しい次元を有し、前記潜在層は、前記ＨＶＡＣ設定点の数と等しい次元を有する、請求項１に記載のコントローラ。
  3. 前記プロセッサはさらに、前記所定位置での温度測定値と前記目標熱状態の目標温度との差異を減少させるための再構成損失を含む損失関数を使用して、前記目標ＨＶＡＣ設定点および前記目標熱状態に基づいて前記ニューラルネットワークを更新するように構成される、請求項１に記載のコントローラ。
  4. 前記プロセッサは、訓練された前記ニューラルネットワークの前記エンコーダおよび前記デコーダが、物理的に観測される熱モデルの前記エンコーダおよび前記デコーダを表わすように、前記所定位置での前記熱状態の測定値と前記熱状態の前記測定値を引き起こす前記ＨＶＡＣ設定点の測定値とを含む訓練データに基づいて、前記ニューラルネットワークを訓練するように構成される、請求項１に記載のコントローラ。
  5. 前記プロセッサは、前記目標熱状態を前記目標ＨＶＡＣ設定点に接続する前記熱設定点モデルを更新するために、前記目標熱状態を受信することに応答して、前記物理的に観測される熱モデルにおける前記デコーダの固定されたパラメータのために、前記物理的に観測される熱モデルの前記エンコーダのパラメータを再訓練するように構成される、請求項４に記載のコントローラ。
  6. 前記エンコーダは、前記潜在層に接続されて前記潜在層の次元を有する出力層を含み、
    前記プロセッサは、前記目標熱状態を受信することに応答して、エンコーダの前記出力層のパラメータのみを再訓練するように構成される、請求項５に記載のコントローラ。
  7. 前記エンコーダの前記パラメータは、前記所定位置の各々についての再構成損失の重み付けされた組合せを含む、前記目標熱状態を再構成するための再構成損失を減少させるように再訓練され、
    前記所定位置の各々の重みは、前記所定位置に関連付けられた調節される前記環境の在室者の数に依存し、
    前記プロセッサはさらに、
    調節される前記環境における前記在室者の位置を受信し、
    前記在室者を自分に最も近い所定位置に関連付ける、ように構成され、
    前記プロセッサはさらに、前記在室者の前記位置の変更を検出することに応答して、前記在室者の変更された前記位置での前記目標熱状態を生成するように、前記熱センサモデルに従って前記目標ＨＶＡＣ設定点を最適化するように構成される、請求項５に記載のコントローラ。
  8. 前記プロセッサはさらに、在室者の動的に変化する位置での前記目標熱状態を与えられ、各在室者についての前記目標熱状態を与えられて、前記目標ＨＶＡＣ設定点のための最適化について解くように構成される、請求項１に記載のコントローラ。
  9. 前記所定位置での前記目標熱状態は、調節される前記環境における在室者の熱的快適性モデルに基づいて決定される、請求項１に記載のコントローラ。
  10. 前記プロセッサはさらに、前記在室者のフィードバックに基づいて前記熱的快適性モデルを更新して、各在室者についての個人向け熱的快適性モデルを形成し、前記個人向け熱的快適性モデルに基づいて前記目標熱状態を決定するように構成される、請求項９に記載のコントローラ。
  11. 前記熱的快適性モデルは、制御される前記環境において測定された１組の温度値および湿度値にわたって均一にサンプリングされたラベル付きデータに基づいて決定される、請求項９に記載のコントローラ。
  12. 前記プロセッサはさらに、在室者の熱的快適性を最適化するために制御法則に従って前記ＨＶＡＣシステムを制御するように構成され、
    前記制御法則は、各在室者の最適温度と、各在室者の位置での前記最適温度からのずれを罰する損失関数とに基づいて学習される、請求項１に記載のコントローラ。
  13. 請求項１に記載のコントローラを含む、ＨＶＡＣシステム。
  14. 暖房、換気および空調（ＨＶＡＣ）設定点に従って環境を調節するように構成されたＨＶＡＣシステムを制御するための方法であって、前記方法は、命令を格納するメモリに結合されたプロセッサを使用し、前記プロセッサは、前記プロセッサによって実行されると前記方法の複数のステップを行なう、格納された命令と結合され、前記複数のステップは、
    調節される前記環境における所定位置での目標熱状態と、調節される前記環境における前記所定位置での現在の熱状態と、現在のＨＶＡＣ設定点とを受け付けるステップと、
    前記現在のＨＶＡＣ設定点に従った前記ＨＶＡＣシステムの動作に対する、目標ＨＶＡＣ設定点に従った前記ＨＶＡＣシステムの前記動作の差異が、調節される前記環境における前記所定位置での熱状態を、前記現在の熱状態から前記目標熱状態に変更するように、ニューラルネットワークを使用して前記目標ＨＶＡＣ設定点を決定するステップと、
    前記目標ＨＶＡＣ設定点に従って動作するよう命じる、前記ＨＶＡＣシステムのコンポーネントへの制御コマンドを生成して提示するステップとを含み、
    前記ニューラルネットワークは、前記ＨＶＡＣ設定点に対応する潜在層と接続されたエンコーダおよびデコーダを有するオートエンコーディングアーキテクチャを有し、前記エンコーダは、前記熱状態を前記ＨＶＡＣ設定点に接続し、一方、前記デコーダは、前記ＨＶＡＣ設定点を前記熱状態と接続するようになっており、前記エンコーダの入力層および前記デコーダの出力層は、前記所定位置の数と等しい次元を有し、前記潜在層は、前記ＨＶＡＣ設定点の数と等しい次元を有することを特徴とする、方法。
  15. 訓練された前記ニューラルネットワークの前記エンコーダおよび前記デコーダが、物理的に観測される熱モデルの前記エンコーダおよび前記デコーダを表わすように、前記所定位置での前記熱状態の測定値と前記熱状態の前記測定値を引き起こす前記ＨＶＡＣ設定点の測定値とを含む訓練データに基づいて、前記ニューラルネットワークを訓練するステップと、
    前記目標熱状態を前記目標ＨＶＡＣ設定点に接続する熱設定点モデルを更新するために、前記目標熱状態を受信することに応答して、前記物理的に観測される熱モデルにおける前記デコーダの固定されたパラメータのために、前記物理的に観測される熱モデルの前記エンコーダのパラメータを再訓練するステップとをさらに含み、
    前記エンコーダの前記パラメータは好ましくは、前記所定位置の各々についての再構成損失の重み付けされた組合せを含む、前記目標熱状態を再構成するための再構成損失を減少させるように再訓練され、前記所定位置の各々の重みは、前記所定位置に関連付けられた調節される前記環境の在室者の数に依存し、
    前記方法はさらに、前記在室者の位置の変更を検出することに応答して、前記在室者の変更された前記位置での前記目標熱状態を生成するように、熱センサモデルに従って前記目標ＨＶＡＣ設定点を最適化するステップをオプションで含む、請求項１４に記載の方法。
JP2023547943A 2020-11-15 2021-06-10 可逆的因果関係に基づいた熱制御のためのシステムおよび方法 Active JP7511775B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US17/098,387 US11280514B1 (en) 2020-11-15 2020-11-15 System and method for thermal control based on invertible causation relationship
US17/098,387 2020-11-15
PCT/JP2021/022965 WO2022102157A1 (en) 2020-11-15 2021-06-10 System and method for thermal control based on invertible causation relationship

Publications (2)

Publication Number Publication Date
JP2023545873A JP2023545873A (ja) 2023-10-31
JP7511775B2 true JP7511775B2 (ja) 2024-07-05

Family

ID=76959033

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2023547943A Active JP7511775B2 (ja) 2020-11-15 2021-06-10 可逆的因果関係に基づいた熱制御のためのシステムおよび方法

Country Status (5)

Country Link
US (1) US11280514B1 (ja)
EP (1) EP4051968B1 (ja)
JP (1) JP7511775B2 (ja)
CN (1) CN116438409A (ja)
WO (1) WO2022102157A1 (ja)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US12313276B2 (en) * 2022-04-21 2025-05-27 Mitsubishi Electric Research Laboratories, Inc. Time-varying reinforcement learning for robust adaptive estimator design with application to HVAC flow control
US20240152748A1 (en) * 2022-11-02 2024-05-09 Mitsubishi Electric Research Laboratories, Inc. System and Method for Training of neural Network Model for Control of High Dimensional Physical Systems
EP4369115B1 (en) * 2022-11-08 2026-02-11 Tata Consultancy Services Limited Method and system for physics aware control of hvac equipment
DE102023210356A1 (de) * 2023-10-20 2025-04-24 Ziehl-Abegg Se Verfahren zur Bestimmung eines unbekannten Beladungszustands eines Filters einer lufttechnischen Anlage, Vorrichtung, lufttechnische Anlage und Computerprogrammprodukt
US20250146695A1 (en) * 2023-11-06 2025-05-08 Mitsubishi Electric Research Laboratories, Inc. Physics-Informed Smooth Operator Learning for High-Dimensional Systems Prediction and Control

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200025401A1 (en) 2019-08-13 2020-01-23 Lg Electronics Inc. Thermo-hygrometer and method of controlling temperature and humidity for adjusting indoor environment
WO2020222341A1 (ko) 2019-05-02 2020-11-05 엘지전자 주식회사 사용자의 행동 패턴을 분석하여 공기조화기의 동작을 제어하는 방법 및 공기조화기

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5303767A (en) * 1993-01-22 1994-04-19 Honeywell Inc. Control method and system for controlling temperatures
JPH06265190A (ja) * 1993-03-12 1994-09-20 Sharp Corp 空気調和機
JPH0791704A (ja) * 1993-09-28 1995-04-04 Sharp Corp 空気調和機
US6095426A (en) * 1997-11-07 2000-08-01 Siemens Building Technologies Room temperature control apparatus having feedforward and feedback control and method
US6726113B2 (en) * 2002-02-25 2004-04-27 Carrier Corporation Temperature control strategy utilizing neural network processing of occupancy and activity level sensing
US10386800B2 (en) * 2015-02-24 2019-08-20 Siemens Industry, Inc. Variable air volume modeling for an HVAC system
CN107917484B (zh) * 2016-10-06 2021-10-29 江森自控科技公司 基于无线数据传输的带热量上升补偿的恒温器
US10372146B2 (en) * 2016-10-21 2019-08-06 Johnson Controls Technology Company Systems and methods for creating and using combined predictive models to control HVAC equipment
US11371739B2 (en) * 2017-04-25 2022-06-28 Johnson Controls Technology Company Predictive building control system with neural network based comfort prediction
US11421904B2 (en) * 2018-05-21 2022-08-23 Johnson Controls Tyco IP Holdings LLP Systems and methods for smart multi-zone control
EP3997391A1 (en) * 2019-07-12 2022-05-18 Johnson Controls Tyco IP Holdings LLP Building management system, controller and method for filtering a fluid

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020222341A1 (ko) 2019-05-02 2020-11-05 엘지전자 주식회사 사용자의 행동 패턴을 분석하여 공기조화기의 동작을 제어하는 방법 및 공기조화기
US20200025401A1 (en) 2019-08-13 2020-01-23 Lg Electronics Inc. Thermo-hygrometer and method of controlling temperature and humidity for adjusting indoor environment

Also Published As

Publication number Publication date
EP4051968B1 (en) 2024-01-03
US11280514B1 (en) 2022-03-22
WO2022102157A1 (en) 2022-05-19
JP2023545873A (ja) 2023-10-31
EP4051968A1 (en) 2022-09-07
CN116438409A (zh) 2023-07-14

Similar Documents

Publication Publication Date Title
JP7511775B2 (ja) 可逆的因果関係に基づいた熱制御のためのシステムおよび方法
Yang et al. Experiment study of machine-learning-based approximate model predictive control for energy-efficient building control
US11783203B2 (en) Building energy system with energy data simulation for pre-training predictive building models
KR102212663B1 (ko) 목표 온도를 기반으로 하는 빌딩의 열·공조 시스템에 대한 공급 전력 제어 방법 및 장치
US11788755B2 (en) System and method for personalized thermal comfort control
US11415334B2 (en) Building control system with automatic comfort constraint generation
JP7693120B2 (ja) シミュレーションの失敗を利用して産業システムモデルを較正するための較正システムおよび方法
Lissa et al. Transfer learning applied to reinforcement learning-based hvac control
US20160061469A1 (en) Building power management systems
KR20220120004A (ko) 상호 연결된 인공 신경망과 온라인 학습을 이용한 열 공조 시스템 및 운영 방법
Kontes et al. Intelligent BEMS design using detailed thermal simulation models and surrogate-based stochastic optimization
CN107430388A (zh) 用于控制建筑物内的环境管理系统的方法和装置
EP4193097B1 (en) Device and method for controlling an orifice of a valve in an hvac system
EP3771957A1 (en) Method and system for controlling of heating, ventilation and air conditioning
Elehwany et al. A reinforcement learning approach for thermostat setpoint preference learning
EP4386513A1 (en) Transfer learning model for newly setup environment
Zhang et al. Diversity for transfer in learning-based control of buildings
Seeam et al. Evaluating the potential of simulation assisted energy management systems: A case for electrical heating optimisation
US20240111261A1 (en) System and Method for Data-Driven Control of an Air-Conditioning System
CN119808222B (zh) 一种室内环境动态预测方法、系统、介质和设备
JP7714060B2 (ja) 制御装置、空気調和システム、空気調和装置の制御方法及びプログラム
WO2025042515A1 (en) Determining restoration times of comfort conditions
Zhang A reinforcement learning approach for whole building energy model assisted HVAC supervisory control
WO2024075436A1 (en) System and method for data-driven control of an air-conditioning system
Sierra et al. Optimizing building’s environments performance using intelligent systems

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230414

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20230414

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20240110

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20240305

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20240424

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20240528

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20240625