JPH0415441A - 熱負荷予測システム - Google Patents

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】 ［発明の目的コ （産業上の利用分野） 本発明は熱供給施設において例えば翌日消費される熱負
荷を予測するシステムに係り、特に人手による演算を必
要とすることなく、ニューラルネットワークモデルを用
いて翌日の熱負荷を極めて精度よく推定し得るようにし
た熱負荷予測システムに関する。

（従来の技術） 従来から、ビルディングや家屋、公共施設等の冷暖房設
備としては、蓄熱槽を備えたものがあり、昼間に消費さ
れる熱負荷の一部または全てを、夜間に冷水、温水、お
よび蒸気として蓄熱している。こうすることによって、
昼間における熱源機器の熱負荷が軽減されるので、熱源
機器の設備容量を小さくすることが可能となり、また熱
源機器の運転効率および負荷率の向上を図ることができ
る。また、電気による冷暖房の場合には、電力会社と産
業用調整契約をすることで、安価な夜間電力を利用して
ランニングコストを節約することができる。

ところで、このような冷暖房設備においては、蓄熱槽を
効率良く使用するために、前日の業務用蓄熱調整契約の
始まる時間前に翌日の熱負荷を予測して、契約時間帯（
夜間）にその予測値に従って過不足のない熱量を蓄積す
るようにしている。

そして、従来においては、翌日の熱負荷を予測するため
に、例えば月別に設定した基準熱負荷を実績熱負荷や外
気温度で補正する方式や、冷暖房の熱負荷を日照量、外
気侵入熱量、室内発生熱、室内蓄熱等の要因毎に求めた
熱量を合計する方式などが試みられている。

しかしながら、このような方式においては、熱を供給す
る対象設備に適合した定数や補正項の係数を設定する必
要があり、これらの数値を設定するには、過去の運転実
績に基づいたデータにより調整作業を行なわなければな
らない。また、熱を供給する対象設備の条件が、設備の
新設、改造等によって変化したような場合には、設定す
る定数および係数をその都度変更しなければならない。

そして、このような作業は、実運用上ではオペレタの手
作業となるため、作業の煩わしさ等の理由により使われ
なくなってしまい、実際には冷暖房設備を運用するオペ
レータが、過去の熱負荷実績の翌日の天候、現在の気温
等から経験的に判断して、翌日の熱負荷を予測している
。

しかしながら、このようなオペレータの経験に基づく熱
負荷予測においては、予測精度が悪いことから、熱負荷
の予測値と実際に消費される熱負荷とが大幅に異なるこ
とがあり、その結果、熱消費機器の運転効率が低下する
ばかりでなく、安価な夜間電力を有効に利用できなくな
ってしまうという問題があった。

そこで最近では、このような問題を解消するために、熱
供給施設において翌日消費される熱負荷を、自己回帰モ
デルを用いて予測するシステムが提案されてきている。

しかしながら、このような自己回帰モデルを用いた熱負
荷予測システムにおいては、日量を出してパターンを適
当に記憶しておき、−時刻光までの熱量のみしか予測す
ることができない。このため、−日の熱負荷パターンを
正確に予測することができず、結果的に無人化を図る上
での支障となっている。

（発明が解決しようとする課題） 以上のように、従来による熱負荷予測においては、熱負
荷の予測精度が悪いことから、熱消費機器の運転効率が
低下し、また安価な夜間電力が有効に利用できないばか
りでなく、無人化が図れないという問題があった。

本発明の目的とするところは、人手による演算を必要と
することなく、ニューラルネットワークモデルを用いて
翌日の熱負荷を精度よく推定することができ、熱消費機
器の運転効率の向上、安価な夜間電力の有効利用、なら
びに無人化を図ることが可能な極めて信頼性の高い熱負
荷予測システムを提供することにある。

［発明の構成］ （課題を解決するための手段） 上記の目的を達成するために本発明では、熱供給施設に
おける熱負荷を予測するシステムを、熱消費機器で消費
される熱負荷データを検出する熱負荷検出手段と、熱負
荷検出手段にて検出された過去の熱負荷データを熱負荷
実績として記憶する熱負荷データ記憶手段と、熱消費機
器で消費される熱負荷を変動させる天候、気温、曜日等
の要因データを入力する入力手段と、熱負荷データ記憶
手段に記憶されている過去の熱負荷データ、および入力
手段にて入力される熱負荷を変動させる要因データに基
づいて、熱負荷パターンを特定するための特徴を定義し
、かつ当該特徴により熱負荷パターンを分類する熱負荷
パターン分類手段と、過去の気象データおよび曜日を入
力とし熱負荷パターンを出力するニューラルネットワー
クの重み係数を学習することにより予」リモデルを作成
する予測モデル作成手段と、入力手段にて入力される充
所定時間における要因データに基づいて、予測モデル作
成手段にて作成された予測モデルを用いて、充所定時間
における熱負荷パターンを予測する熱負荷パターン予測
手段とを備えて構成している。

（作　用） 従って、本発明の熱負荷予測システムにおいては、熱消
費機器で消費される熱負荷データが、熱負荷検出手段に
よって検出されて熱負荷記憶手段に記憶される。また、
入力手段からオペレータによって、翌日の天候、気温、
曜日等の、熱負荷を変動させる要因データがインプット
される。

次に、熱負荷パターン分類手段では、過去の熱負荷デー
タ、および熱負荷を変動させる要因データに基づいて、
熱負荷パターンを特定するための特徴が定義され、この
特徴により熱負荷パターンが分類される。さらに、予測
モデル作成手段では、過去の気象データおよび曜日を入
力とし熱負荷パターンを出力するニューラルネットワー
クの重み係数を学習することにより、予測モデルが作成
される。そして、熱負荷パターン予測手段では、充所定
時間における要因データに基づき、この予測モデルを用
いて充所定時間において消費される熱負荷（例えば、翌
日における１時間毎の熱負荷）が予測され、この予測値
に基づいて温水量、冷水量、蒸気量等の熱負荷が蓄積さ
れることになる。

よって、人手による演算を必要としないで、しかも極め
て精度の高い熱負荷予測を行なうことができる。

（実施例） 以下、本発明の一実施例について図面を参照して説明す
る。

第１図は、本発明による熱負荷予測システムの構成例を
示すブロック図である。第１図において、熱消費機器で
ある被冷暖房設備１には、熱源機器である冷暖房設備２
から、温水、冷水、蒸気等の熱エネルギーか供給されて
いる。そして、この被冷暖房設備１で消費される熱エネ
ルギー量、ずなわち熱負荷を熱負荷検出器３にて検出す
るようにしている。また、この熱負荷検出器３にて検出
された熱負荷検出値を、入力装置（プロセスインク一フ
ェース）４を介して、演算処理装置１１へ入力するよう
にしている。さらに、入出力装置（マンマシンインター
フェース）６がら、被冷暖房設備］で消費される熱負荷
を変動させる要因データである、気象実績および気象予
報のデータを演算処理装置１１へ入力し、演算処理装置
１１で演算された熱負荷パターンである配水流量パター
ンを、出力装置（ＣＲＴ）７へ出力するようにしている
。

また、演算処理装置１１は、過去の熱負荷データおよび
熱負荷を変動させる要因データから、熱負荷パターンを
特定するための特徴を定義し、この特徴により熱負荷パ
ターンである配水量パタンを分類する熱負荷パターン分
類手段１２と、過去の気象データ（天候、気温、湿度等
）および曜日を入力とし熱負荷パターンを出力する、ニ
ュラルネットワークの重み係数の学習により予測モデル
を作成する予測モデル作成手段１３と、充所定時間（例
えば、翌日）における要因データ（天気、曜日等）に基
づいて、予測モデル作成手段にて作成された予測モデル
を用いて、充所定時間（例えば、翌日）における熱負荷
パターンである配水量パターンを予測する熱負荷パター
ン予測手段１４とを備えている。

一方、蓄熱計画演算装置８は、熱負荷パターン予測手段
１４にて予測された熱負荷パターンに応じて、実際に冷
暖房設備２に蓄積する冷水量、温水量、蒸気量等の熱負
荷を決定し、かつこの熱負荷に基づいて冷暖房設備２に
発・停指令を与えるようになっている。そして、冷暖房
設備２に蓄積された熱エネルギーによって、被冷暖房設
備１で充所定時間（例えば、翌日）において消費される
熱負荷をまかなうようになっている。

次に、以上のように構成した熱負荷予測システムの作用
について説明する。

第１図において、入力装置（プロセスインターフェース
）４を介して入力される熱負荷検出値は、演算処理装置
１１の熱負荷記憶手段である熱負荷実績手段２１に蓄え
られる。また、この熱負荷実績手段２１に蓄えられた過
去の熱負荷実績と関連づけて、入出力装置（マンマシン
インターフェス）６を介して入力された気象実績が、演
算処理装置１１の気象実績手段２２に蓄えられる。

次に、この熱負荷実績手段２１に蓄えられた熱負荷実績
２１、および気象実績手段２２に蓄えられた気象実績２
２は、熱負荷パターン分類手段１２によって各々数十種
類のパターンに分類される。そして、この分類された熱
負荷パターンおよび気象パターンは、それぞれ熱負荷パ
ターン手段２３および気象パターン手段２４に蓄えられ
る。

すなわち、この熱負荷パターン分類手段１２では、熱負
荷のパターンの変化の特徴を表わす指標を基に、共通の
特徴を持つパターン毎に次のように分類される。

熱負荷のパターンの変化の特徴を表わす指標として、以
下のような指標がある。

（１）日量に関する特徴 熱負荷日量実績の平均と分散を演算し、白熱負荷実績と
平均口熱負荷との偏りから特徴が抽出される。

（２）時間毎１日分のパターンに関する特徴（昼間） 熱負荷は、一般に都市活動が開始するＡ、　Ｍ。

８：００頃から急激に立ち上がり、昼間に継続的な熱負
荷パターンが抽く。さらに、夕方はＰ、Ｍ。

６二〇〇頃に減衰し、Ｐ、Ｍ、１０：００頃から急激に
負荷が小さくなる。

抽出すべき特徴としては、 （ａ）日最大負荷 （ｂ）ＡＭ／ＰＭの負荷積分 （ｃ）定時契約の有無による強制的な小エネルギーの分
離 等である。

（３）時間毎−日量のパターンに関する特徴（夜間） 電気による熱供給システムは、夜間料金で蓄熱すること
が決定的に有利となる。このため、夜間に熱を製造する
ことになるが、計画的な蓄熱を行なうためには、翌日の
負荷と共に夜間の負荷パターンを抽出する必要がある。

抽出すべき特徴としては、 （ａ）夜間の負荷積分 （ｂ）夜間の最大負荷と最小負荷 等である。

また、気象実績および曜日に関する入力情報も分類され
る。

この入力情報は、以下のようなキーワードに分類される
。

（１）曜日に関する入力情報 曜日に関する情報は、以下のように分類される。

（ａ）平日（火〜金） （ｂ）休み明けの平日（月曜含む） （Ｃ）土曜 （ｄ）日祭日 （ｅ）特異日（正月、盆、５月連体） 気象実績に関する情報は、以下のように分類される。

（２）最高気温 最高気温の実績から平均、分散を演算し、平均最高気温
と最高気温との偏りから分類される。

（３）最低気温 最低気温の実績から平均、分散を演算し、平均最低気温
と最低気温との偏りから分類される。

（４）天候 天候は晴、曇、雨で分類され、前々日、前日、当日の３
日分のデータを入力する。この機能により分類された熱
負荷パターン毎に、時間単位実績を日量実績の割合で表
現された熱負荷パターンを平均し、各分類毎の代表パタ
ーンとする。

次に、予測モデル作成手段１３では、上述の指標により
分類された熱負荷パターンおよび分類された気象・曜日
に関するパターンに基づいて、予測モデルが学習される
。

まず、ニューラルネットワークの構造は、気象実績およ
び曜日に関するパターンを入力層のニュロンとし、分類
された熱負荷パターンに対応してパターン番号を出力層
のニューロンとする。また、入力層と出力層の間に中間
層をもつ３層のニューラルネットワークとする。

ニューラルネットワークの各層各ニューロン間の重み係
数の学習は、パックプロパゲーション法を使用して行な
う。そして、この学習の結果得られた重み係数が、予測
モデル２５として記憶される。

次に、熱負荷パターン分類手段］、２により得られた熱
負荷パターンおよび気象曜日パターンを基に、ニューラ
ルネットワークによる予測モデル作成手段〕３にて、予
測モデルを学習する方法について説明する。

まず、ニューラルネットワークの構造は、気象実績およ
び曜日に関する情報を入力層のニューロンとし、分類さ
れた熱負荷パターンに対応したパターン番号を出力層の
ニューロンとする。また、入力層出力層の間に中間層を
もつ３層のニューラルネットワークとする。

ニューラルネットワークの各層各ニューロン間の重み係
数の学習は、以下に示すパックプロパゲーション法を使
用して行なう。パックプロパゲーション法とは、階層型
の構造をしたニューラルネットワークに対して、ネット
ワークの誤差が、出力層から入力層へ逆伝幡していく学
習方式である。

以下に、学習の手順を示す。

（ステップ１）−人力層に、気象実績および曜日に関す
るパターン情報を入力信号として入力し、中間層および
出力層が以下のニューロンモデルに従って演算される。

中間層の第ｊニューロンの出力Ｈ４は、Ｈ，＝ｆ（Σｗ
ｌ＋・■１） （ｊ＝１．・・・、ｍ）・・・　　・・・（１）ここで
、１１　；入力層第ｊニューロンの出力ｗ１．重入力層
第ｊニューロンと中間層第ｊニューロンの重み係数 Ω二人内層の数 ｍ：中間層の数 ｆ　（）：中間層のしきい値関数 また、出力層の第にニューロンの出力Ｏ３は、Ｏｈ−Σ
町、・Ｈ４ （ｋ＝１．・・・、ｎ）　　　　　・・・（２）ここで
、ｗ　１　ｋ　：入力層第ｊニューロンと出力層第にニ
ューロンの重み係数 ｍ：中間層の数 ｎ；出力層の数 （ステップ２）：　出力層の第にニューロンの出力０．
と出力層の第にニューロンの教示信号Ｙとの二乗誤差の
和を最小化するように、ネットワークの重み係数を修正
して学習される。中間層と出力層との重み係数の学習は
、次式のΔＷｌｋを演算し、ｗ３．が修正される。

ｗ　Ｉｋ＝　（ｔ　＋１　） ＝ｗ１．（ｔ）十Δｗ　Ｉｋ（ｔ　）　　・＝　（３）
ΔＷ＋ｔ（ｔ）　−一εｄｈ　　（ｔ）　ΦＨ，（ｔ）
・・・（４） ｄｋ　　（ｔ）　　＝Ｏｋ　　（ｔ）　　−Ｙｋ　　（
ｔ）・・・（５） ここで、ｔ：学習回数 ε：１回の修正の大きさを決めるパラ メータ ｄｋ　：出力層の誤差 入力層と中間層との重み係数の学習は、次式のΔＷｌｌ
を演算し、Ｗ、ｌが修正される。

Ｗ　Ｉ＋＝　（ｔ　＋　１　） ＝ｗ、１（ｔ）＋ΔＷｌｌ（ｔ）　　−（ｅ）ΔＷｚ（
ｔ） 一一ε・ｄ＋　　（ｔ）　　・ＩＩ　（ｔ）　　　・・
・（７）ｄ、（ｔ） ＝　（Σｗ、ｋ（ｔ）・ｄｋ　（ｔ））・ｆ−（ΣＷｚ
　（ｔ）　　”　Ｉ　＋　　（ｉ）ｌ・・・（８）ここ
で、ｄ、：中間層の逆伝播誤差 ｆ″　（）：ｆ（）の微分 さらに、振動を減らし、学習の収束を早めるために、（
４）、（７）式の代わりに次式を用いることも有効であ
る。

６ｗ１．（ｔ） ＝−ε・ｄｉ　　（ｔ）Ｈ＋　　（ｔ）＋α・ΔＷＩｋ
（ｔ　　１）　　　　　　　−（９）Δｗｌ、（ｔ） 一−ε・ｄｉ　　（ｔ）　　・ＩＩ　　（ｔ）＋α壷Δ
ｗ１１（ｔ　　１）　　　　　　　・・・（１０）１　
つ ここで、αは安定のためのパラメータである。

そして、以上のような学習の結果得られた重み係数が、
予測モデル２５として記憶される。

次に、熱負荷パターン予測手段１４では、翌日の熱負荷
パターンが以下のようにして予測される。

すなわち、翌日の熱負荷パターンは、入出力装置（マン
マシンインタフェース）６により入力された気象予報２
６と、予測モデル２５に記憶された重み係数とから、ニ
ューラルネットワークの演算にしたがって出力層の各パ
ターン（各ニューロン）の値を演算し、出力層の各ニュ
ーロンの値の最大値を示すパターンが、翌日の熱負荷予
測パターンとして選択される。そして、この予測された
熱負荷パターン２７は、入出力装置（マンマシンインタ
ーフェース）６を介して出力装置（ＣＲＴ）７へ出力さ
れる。

上述したように、本実施例の熱負荷予測システムにおい
ては、熱消費機器である被冷暖房設備１において翌日消
費される熱負荷を、ニューラルネットワークモデルに基
づいて予測している。また、このニューラルネットワー
クモデルにおけるパラメータは、過去の熱負荷データと
、気象予測値および実績値と、曜日予測値および実績値
とに基づいて推定しているので、極めて精度の高い熱負
荷予測を行なうことが可能となる。さらに、消費される
熱負荷を変動させる要因データとして、翌日の気象予報
値を採用しており、これらのデータは、天気予報等で容
易に入手することができる。さらにまた、予８ＦＪ後に
蓄積された熱負荷実績に基づいて熱負荷パターンを分類
し、学習するようにしているので、新しい熱負荷実績に
基づいて予測モデル２５を更新することができ、蓄積さ
れてデータを有効に活用して、予測モデル２５の精度向
上を簡単に図ることができる。従って、熱源機器である
冷暖房設備２の運転効率が著しく向上すると共に、電気
方式による場合には安価な夜間電力を極めて有効に利用
できるという効果が得られるものである。

尚、本発明は上記実施例に限定されるものではな（、次
のようにして実施することができるものである。

（ａ）上記実施例においては、１日の熱負荷の変化パタ
ーンを学習させて、翌日の熱負荷パターンを予測するシ
ステムについて説明したが、熱負荷の週間変化、旬月変
化、日変化の予測についても、全く同様の手法で熱負荷
パターンである配水量変化パターンを予測することがで
きる。

（ｂ）上記実施例においては、パターン分類の一例につ
いて説明したが、他の特徴についても同様に分類クライ
ラリアを与えることにより、他のパターン分類を行なう
ことも可能である。例えば、熱負荷の立ち上がりの形状
について、同様な手法を適用すればよい。また、分類が
多岐にわたる場合には、エキスパートシステムによる定
式化を行なうことによって解決することができる。

（Ｃ）中間層のニューロン数については、モデル作成時
に種々の数のモデルを発生させ、正答率の高いモデルを
選定すればよい。

（ｄ）中間層のニューロン数が大きくなる場合には、特
徴分類をいくつかのカテゴリーに分け、各々別のモデル
とすることにより、演算時間を現実のものとすることが
できる。例えば、昼間の負荷と夜間の負荷を別のモデル
で予測することが可能である。

（ｅ）上記実施例では、パターン名（Ｂ曜日、月曜日、
火曜日等）を出力としているが、このパターン名に加え
て他の特徴（例えば、気温が少し高い、気温が少し低い
等）を出力することにより、特徴の合成を行なうことが
できる。例えば、あるパターンに近いが、ピークが若干
高目のパターンになる等の予測を行なうことができる。

これにより、より一層極めの細かい熱負荷予測を行なう
ことが可能である。

［発明の効果］ 以上説明したように本発明によれば、人手による演算を
必要とすることなく、ニューラルネットワークモデルを
用いて翌日の熱負荷を精度よく推定することができ、熱
消費機器の運転効率の向上、安価な夜間電力の有効利用
、ならびに無人化を図ることが可能な極めて信頼性の高
い熱負荷子測システムが提供できる。

【図面の簡単な説明】

第１図は本発明による熱負荷予測システムの一実施例を
示すブロック図である。 １・・・被冷暖房設備、２・・冷暖房設備、３・・・熱
負荷検出器、４・・・入力装置（プロセスインターフニ
ス）、５・・・出力装置（プロセスインターフニス）６
・・・入力装置（マンマシンインターフニス）、７・・
・出力装置（ＣＲＴ）　、１１・・・演算処理装置、１
２−・・・熱負荷パターン分類手段、１３・・・予測モ
デル作成手段、１４・・・熱負荷パターン予測手段、１
５・・・曜日実績、２１・・・熱負荷実績手段、２２・
・・気象実績手段、２３・・・熱負荷パターン手段、２
４・・・気象、曜日パターン手段、２５・・・予測モデ
ル、２６・・・気象予報、２７・・・予測熱負荷パター
ン。 出願人代理人　弁理士　鈴江武彦

Claims (2)

【特許請求の範囲】
1. （１）熱供給施設における熱負荷を予測するシステムに
   おいて、 熱消費機器で消費される熱負荷データを検出する熱負荷
   検出手段と、 前記熱負荷検出手段にて検出された過去の熱負荷データ
   を熱負荷実績として記憶する熱負荷データ記憶手段と、 前記熱消費機器で消費される熱負荷を変動させる天候、
   気温、曜日等の要因データを入力する入力手段と、 前記熱負荷データ記憶手段に記憶されている過去の熱負
   荷データ、および前記入力手段にて入力される熱負荷を
   変動させる要因データに基づいて、熱負荷パターンを特
   定するための特徴を定義し、かつ当該特徴により熱負荷
   パターンを分類する熱負荷パターン分類手段と、 過去の気象データおよび曜日を入力とし前記熱負荷パタ
   ーンを出力するニューラルネットワークの重み係数を学
   習することにより予測モデルを作成する予測モデル作成
   手段と、 前記入力手段にて入力される先所定時間における要因デ
   ータに基づいて、前記予測モデル作成手段にて作成され
   た予測モデルを用いて、前記先所定時間における熱負荷
   パターンを予測する熱負荷パターン予測手段と、 を備えて成ることを特徴とする熱負荷予測システム。
2. （２）前記熱負荷パターン予測手段としては、前記入力
   手段にて入力される翌日の気象データおよび曜日に基づ
   いて、翌日における１時間毎の熱負荷を熱負荷パターン
   として予測するようにしたことを特徴とする請求項（１
   ）項に記載の熱負荷予測システム。