JPH06131323A

JPH06131323A - 状態予測装置

Info

Publication number: JPH06131323A
Application number: JP35880592A
Authority: JP
Inventors: Hiroaki Tsutsui; 宏明筒井; Atsushi Kurosaki; 淳黒崎
Original assignee: Azbil Corp
Current assignee: Azbil Corp
Priority date: 1992-09-01
Filing date: 1992-12-28
Publication date: 1994-05-13
Anticipated expiration: 2013-09-24
Also published as: JP2802469B2

Abstract

(57)【要約】【目的】状態予測装置において、急激な負荷変動に対
処できるようにする。【構成】入力要因を示す事例データを所定基準により
類別し、類別された各類の事例データを入力し認識のた
めの要因抽出を行い抽出された各要因に基づく認識モデ
ルを生成すると共に、類別された各類の事例データを入
力してこの入力要因とその数時間後の状態との因果関係
モデルを生成する。そして、新たな状況が生じたとき
に、認識モデルを用いて新たな状況の各類への帰属性を
演算すると共に、因果関係モデルを用いて新たな状況に
おける予測値を演算し、各類の帰属性と予測値とを加重
平均することで最終的な推論値を演算する。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、入出力関係のモデルを
用いて空調負荷等の予測を行う状態予測装置に関する。

【０００２】

【従来の技術】従来、空調システム等の負荷状態の予測
を行う場合は、後述の自己回帰モデルや基本パターンの
組み合わせによるモデルを用いて、新たな状況に対する
予測を行うようにしている。即ち、上記自己回帰モデル
は、最近生じた事例、即ち近況事例を用いて数式のパラ
メータを決定することで作成される空調負荷のパターン
マッチングモデルであり、例えば近況の１０日分のデー
タ２４０個を用い、次式を演算することで自己回帰曲線
のパラメータを決定している。

【０００３】

【数１】

【０００４】ここで、Ｘ（ｔ）は観測時系列データであ
る熱負荷データ、ｅ（ｔ）は白色雑音時系列データ、ａ
（ｉ），ｂ（ｉ），ｐ，ｑはパラメータであり、これら
のパラメータを１０日分のデータにより決定する。ま
た、基本パラメータの組み合わせによりモデルを作成す
る場合は、平日，土曜日（半休），休日の基本パターン
を過去の統計的データから決定し、これらのパターンの
組み合わせによりモデルを作成する。即ちこの基本パタ
ーンは１日の負荷を１時間毎に示すもので、この基本パ
ターンに対し各同時刻の負荷を過去から現在まで平滑化
することによって基本パターンを実際の負荷変動に追従
させようとするものである。

【０００５】

【発明が解決しようとする課題】しかし、このような自
己回帰モデルは、メモリ容量や演算時間上の制限から実
際に扱うことのできるデータは、数時間分の負荷と誤差
値という数種類の変数データである。したがって、これ
らの変数によって表すことができるものは、実際には負
荷のパターンであり、負荷の実際の要因となる外気温等
の外的要因やこの外的要因により生じる負荷の変化量等
の内的要因が同時に変数として考慮されていないため、
モデルを補正する場合に正確に補正できず、したがって
負荷予測を正しく行うことができないという問題があっ
た。

【０００６】また、モデルの補正を行う場合、補正対象
に対し要因をどのように扱うのかを決定することが困難
であり、また多数の要因に基づいて補正を行うような場
合、補正式等を決定するのが困難となるため、結果的に
現象を正確に記述できず、的確な負荷予測を行うことが
できない。また、過去１０日分のデータによる平滑化の
ため、例えば１０日間暑い日が続き１１日目が急に涼し
くなるような、急激な変動への追従性に劣るという欠点
もある。

【０００７】一方、基本パターンの組み合わせによる予
測モデルの場合には、負荷を平滑化により実際の負荷変
動へ追従させるものであるため、上記したと同様に、急
激な変動に対して追従性が劣るという欠点がある。ま
た、基本パターンという固定パターンを用いているた
め、正確な記述を行うにはさらにいくつものパターンを
用意する必要があり、また例え多くのパターンを用意し
たとしても、新たな状況に対してどのパターンを用いる
かというパターン選択の問題が生じてしまう。このよう
に従来の手法は、パターンというものを基準としている
ために、外的な要因を考慮しにくく、特に逐次決定され
る固定化されたパターンでは記述できない急激な負荷変
動には対処できないという問題があった。また、予測値
はパターンマッチングされた数学モデルにより演算され
るため、新たな状況が、生成されたモデルで記述可能か
どうかの判定が困難となり、したがって予測値の信憑性
を判定することが困難であるという問題もあった。

【０００８】したがって本発明は、急激な負荷変動を予
測できかつ予測値の信憑性を判定可能にすることを目的
とする。

【０００９】

【課題を解決するための手段】このような課題を解決す
るために本発明は、数時間後に発生する状態を入力要因
との関係付けに基づいて予測する場合に、入力要因を示
す事例データを所定基準により類別する手段と、所定基
準により類別された各類の事例データを入力し認識のた
めの要因抽出を行い抽出された各要因に基づく認識モデ
ルを生成する手段と、所定基準により類別された各類の
事例データを入力しこの入力要因とその数時間後の状態
との因果関係モデルを生成する手段と、新たな状況が生
じたときに認識モデルを用いて新たな状況の各類への帰
属性を演算する手段と、因果関係モデルを用いて新たな
状況における予測値を演算する手段と、各類の帰属性と
予測値とを加重平均することによって最終的な推論値を
演算する手段と、予測値に対する信憑性を演算する手段
と、新たな状況と数時間後の実際に生じた状態とを認識
モデルに基づいて学習する手段と、新たな状況と数時間
後の実際に生じた状態とを因果関係モデルに基づいて学
習する手段とを設けたものである。

【００１０】また、空調システムの熱負荷を予測する場
合に入力要因として外気温，外気温の変化量，不快指
数，熱負荷及び熱負荷の変化量のデータを用いると共
に、この入力要因による出力要因として数時間後に生じ
る熱負荷の各データを用い、数時間後の熱負荷の予測に
用いる入力要因が何時間前のデータを用いれば良いかを
決定する入力要因決定手段と、この入力要因決定手段に
より決定された入力要因を象徴化データに変換する入力
要因象徴化手段と、上記象徴化データに基づき入力要因
と出力要因とを関連づけてモデルを生成するモデリング
手段と、新たな入力要因が入力されたときに上記モデル
を用いて推論を行う推論手段とを設けたものである。

【００１１】

【作用】状態予測を行う場合、所定基準により類別され
た各類の事例データの要因抽出が行われ、これに基づい
て認識モデルが生成されると共に、各類の事例データか
ら因果関係モデルが生成される。そして新たな状況が生
じたときに認識モデルを用いて各類への帰属性が演算さ
れ、また因果関係モデルを用いて新たな状況における予
測値が演算されると共に、この予測値の信憑性が演算さ
れる。そしてこれら各類の帰属性と予測値とが加重平均
されることにより最終的な推論値が得られる。

【００１２】また、空調システムの熱負荷を予測する場
合、入力要因として外気温，外気温の変化量，不快指
数，熱負荷及び熱負荷の変化量の各データが用いられる
ると共に、この入力要因による出力要因として数時間後
に生じる熱負荷のデータが用いられ、数時間後の熱負荷
の予測に用いる入力要因が何時間前のデータを用いれば
良いかが決定されると共に、決定された入力要因が象徴
化データに変換され、この象徴化データに基づき入力要
因と出力要因とを関連づけたモデルが生成され、新たな
入力要因が入力されたときに上記モデルを用い数時間後
の熱負荷の予測が行われる。

【００１３】

【実施例】以下、本発明について図面を参照して説明す
る。図１は、本発明に係る状態予測装置を適用したシス
テムの一実施例を示すブロック図であり、このシステム
は、地域冷暖房の空調負荷予測システムである。同図に
おいて、１は過去に例えば或る時間毎に観測された外気
温やこのときの不快指数等の事例データを記憶する記憶
装置、２はこの事例データを各月毎に類別するデータ類
別部、１０は各月毎の事例データから認識モデルを作成
すると共に，実際に外気温等の新たなデータが入力され
たときにこの認識モデルに基づき各月への帰属性を認識
し負荷予測を行う状態認識自動生成装置、２０は各月毎
の事例データから各月の因果関係モデルを作成すると共
に，新しいデータが入力されたときにこの因果関係モデ
ルに基づいて推論を行いかつその信憑性を算出する推論
装置、３０は負荷予測値表示部、４０は信憑性統合手
段、５０は信憑性表示部である。

【００１４】ここで、状態認識自動生成装置１０は、認
識モデル生成手段１１、認識モデル学習手段１２、認識
モデル記憶部１３、認識モデル状況入力手段１４、帰属
性認識手段１５、最終予測値決定手段１６から構成され
ている。そして認識モデル生成手段１１は、過去の事例
データから認識のための要因抽出を行い各要因による認
識モデルを生成すると共に、認識モデル学習手段１２は
外気温等の新事例データを入力した場合にこれを学習し
て上記認識モデルの更新等を行い、これらの認識モデル
は認識モデル記憶部１３に記憶される。一方、帰属性認
識手段１５は、認識モデル状況入力部１４からの新事例
データを入力した場合、記憶部１３の認識モデルに基づ
いて各要因への帰属性を認識してこの認識結果を最終予
測値決定手段１６へ送出すると共に、最終予測値決定手
段１６は、この認識結果と推論装置２０の推論結果とを
加重平均して最終の負荷予測値として出力するものとな
っている。

【００１５】また、推論装置２０は、因果関係モデル生
成手段２１、因果関係モデル学習手段２２、因果関係モ
デル記憶部２３、因果関係モデル状況入力部２４、推論
手段２５、信憑性計算手段２６から構成されている。そ
して、因果関係モデル生成手段２１は、過去の事例デー
タについてその入力要因とその数時間後の結果である例
えば室温との因果関係のモデルを生成すると共に、因果
関係モデル学習手段２２は、新事例データが入力された
場合にこれを学習して上記因果関係モデルの更新等を行
い、これらの因果関係モデルは因果関係モデル記憶部２
３に記憶される。一方、推論手段２５は、因果関係モデ
ル状況入力部２４からの新事例データを入力すると、こ
の新事例データについて記憶部１３の因果関係モデルに
基づき推論を行い、この推論結果を上記最終予測値決定
手段１６へ送出して状態認識自動生成装置１０による認
識結果と統合させ、負荷予測値表示部３０にこの予測値
を表示させる。また推論手段２５はその推論結果を信憑
性計算手段２６へ送出して信憑性の演算を行わせ、信憑
性表示部５０に表示させる。なお、推論手段２５は、新
事例データを推論する場合、位相（ｔｏｐｏｌｏｇｙ）
に基づいて推論するようにしている。この位相とは、集
合に連続の概念が定義できるように与えられる構造のこ
とを言い、例えば新事例データと過去の事例データとの
距離や類似性の近さ等を示している。

【００１６】図２は上記状態予測装置の要部を示す機能
ブロック図であり、上記したデータ類別部２，認識モデ
ル生成手段１１及び因果関係モデル生成手段２１からな
る状態予測モデル生成部Ａと、認識モデル学習手段１２
及び因果関係モデル学習手段２２からなるモデル学習部
Ｂと、帰属性認識手段１５，推論手段２５及び最終予測
値決定手段１６からなる状況予測部Ｃと、信憑性計算手
段２６と、負荷予測値表示部３０及び信憑性表示部５０
からなる結果表示部Ｄとから構成されている。

【００１７】ここで、図３〜図８を用い、状態予測モデ
ル生成部Ａ内のデータ類別部２，認識モデル生成手段１
１及び状態予測部Ｃ内の帰属性認識手段１５の各機能の
詳細について説明する。今、外気温や不快指数等の入力
変数をＸ_j （ｉ＝１，・・・，ｎ）、及び数時間後の熱
負荷等の出力変数をｙとし、入出力変数の組で決定され
るような年間を通じた状態モデルがあるとする。ここで
状態モデルを作成する場合、各変数の例えば年間レンジ
に対するモデルを作成しようとすると、非常に複雑な入
出力空間になってしまうことから、各月毎のモデルを既
存のモデリング手法で作成し、その状態モデルをＭ_i
（ｉ＝１，・・・，１２）とする（つまり、この月とい
うものが上記データ類別部２のデータ類別時の類別基準
であり、年間の状態を類別するためのものである）。即
ち、各月の入力変数の組に対し、各月の変数レンジにお
けるモデルを式（２）にしたがって作成する。なお、説
明の簡略化のために、後述する識別変数が入力変数の中
にあるものとして考察を進める。

【００１８】

【数２】

【００１９】また、各入力変数に対する年間レンジを式
（３）にしたがって決定する。この年間レンジの状況は
図３に示すようになる。

【００２０】

【数３】

【００２１】次に階層化を行うために、各入力変数のメ
ンバシップ関数の作成を行うが、ここではまず、図４に
示すように各入力変数の年間レンジに対するｍ等分の分
割（デジタイズ）を行う。

【００２２】そして、ｍ等分に分割されたレンジに対し
て各入力変数の月のデータがどのデジットに幾つ属する
かを演算する。この演算の結果、例えば外気温や不快指
数等のデータ分布は、図５に示すようになる。

【００２３】次に可能性分布を計算し、これをメンバシ
ップ関数とするために、図６に示すような各月のデータ
分布におけるデータの最大値（ｍａｘＮＯ．ｏｆｉ）
で正規化を行う。この結果、メンバシップ関数Ａ_xjは図
７に示すようになる。

【００２４】こうして各状態モデルのメンバシップ関数
が定められると、階層化のための変数を選択することに
より、各状態モデルの特徴づけを行う要因を抽出する。
即ち、変数Ｘ_j （ｊ＝１，・・・，ｎ）のうち、各月の
モデルの特徴が識別できる変数で階層化を行う。即ちこ
こでは、図８に示すような各月のメンバシップ関数の重
心値Ｃ（Ａ_xj ^Mi）を計算すると共に、この計算値と各月
の前後２ケ月の重心値Ｃ（Ａ_xj ^M-2 ），Ｃ（Ａ_xj ^M+2 ）
との距離をそれぞれ計算する。そして、式（４）にした
がい、この計算された距離が年間レンジに対して或しき
い値ｑ以上ならば上記した識別変数として自動選択す
る。また、このようなメンバシップ関数の分布を表示さ
せるようにして、扱い者へ報知すれば、扱い者は識別変
数を容易に選択することもできる。

【００２５】

【数４】

【００２６】なお、この識別変数を選択する場合、本実
施例では或る月のメンバシップ関数の重心値とその前後
２ケ月の重心値の距離を算出しており、前後１ケ月とは
していない。これは各月の境界にあいまいさを持たせる
ためである。一般的には、各重心値Ｃ（Ａ_xj ^Mi）間の距
離を或しきい値ｑ’以上として識別変数を選択すれば良
い。また、扱い者が表示されたメンバシップ関数の分布
から感覚的に決定することも容易である。

【００２７】ここで、或るレンジに対し幾つメンバシッ
プ関数が定義されたかをカウントしてその数をＮとし、
このメンバシップ関数Ｎとしきい値ｑの関係が式（５）
を満たすような場合に、メンバシップ関数が識別可能な
位置に配置されたと考えられる。

【００２８】

【数５】

【００２９】このようにして、認識モデル生成手段１１
により、各状態モデルの特徴づけを行う要因が抽出され
ると共に、これに基づく認識モデルの生成が行われる。
次に、新たな入力データに対し、どの月に属する可能性
が最も高いかを示す帰属性（可能性）を帰属性認識手段
１５により認識する。即ち、上記の識別変数をＸ_i （ｉ
＝１’，・・・，ｎ’）とするとき、入力データＸｉ
（ｔ）（ｉ＝１，・・・，ｎ）が与えられると、各月へ
の帰属性Ｐｏｓｓ（Ｍｉ）は、式（６）に基づいて決定
される。即ち、

【００３０】

【数６】

【００３１】したがって、識別変数Ｘ_i （ｉ＝１’，・
・・，ｎ’）によって階層化が行われたことになる。次
に、こうして決定された階層化モデルの推論値を決定す
る。即ち、入力データＸｉ（ｔ）（ｉ＝１，・・・，
ｎ）に対し、予め作成されている月モデルにより推論値
ｙ（ｔ）_Mi（ｉ＝１，・・・，１２）を得る。これによ
り推論値ｙ（ｔ）は、式（７）に基づいて算出され、各
状態モデルを統合した全体モデルの推論値が得られる。

【００３２】

【数７】

【００３３】このように、複雑な入出力関係の状態の類
を認識するモデルが自動的に、または扱い者の判断によ
り容易に生成できるために、モデル作成の工数が削減で
きると共に、複雑な入出力関係を類別できるため、モデ
ルの記述性が向上する。例えば年間モデル等の最下層の
状態モデルである月モデルは、各入出力空間のレンジが
月のレンジに限定されるため、そのレンジに対してモデ
ルの記述を行えば良く、したがってモデルの精度が向上
する。また最下層の状態モデルの入出力関係データ（入
出力変数）だけをメモリに記憶すれば良く、少ない容量
のメモリでモデリングが行える。なお、新たな入力デー
タがあった場合に、認識モデル学習手段１２は、上記認
識モデルに基づいて学習を行い、これを更新する。

【００３４】次に、状況予測モデル生成部Ａを構成する
因果関係モデル生成手段２１及び状況予測部Ｃを構成す
る推論手段２５，最終予測値決定手段１６の機能の詳細
について説明する。推論手段２５は、過去の事例データ
について外気温や不快指数等の入力要因とその数時間後
の結果である例えば室温との因果関係について扱うもの
であり、入力空間としてＸ＝＜ｘ１，ｘ２，・・・，ｘ
ｎ＞を、また出力空間としてＹ＝＜ｙ＞を仮定した場合
に、時刻ｔにおいて生じた事象Ｘ１（ｔ），Ｘ２
（ｔ），・・・，Ｘｎ（ｔ）がα時間後に出力Ｙ（ｔ＋
α）を生じるような、つまり入出力データとして｛Ｘ１
（ｔ），Ｘ２（ｔ），・・・，Ｘｎ（ｔ），Ｙ（ｔ＋
α）｝（ｔ＝１，・・・，Ｎ）の関係を有し、各入出力
変数が連続的に変化するようなデータを推論するもので
ある。

【００３５】ここで推論手段２５により推論を行う前
に、まず、因果関係モデル手段２１により過去の事例デ
ータについて事例ベースを作成する。即ち、まず入力空
間を離散化して有限個の入力事象に分割し、同一入力現
象に属する入出力データを統合化することで１つの事例
を生成する。このとき事例の条件部、つまり外気温や不
快指数等のデータは、離散化された入力データ｛Ｘ１，
Ｘ２，・・・，Ｘｎ｝となり、また事例の結論部、つま
りα時間後の室温は、出力データの重心値Ｙ，同一入力
事象が起こった回数ｎ及びその偏微分値の重心値ΔＹ／
ΔＸ１，・・・，ΔＹ／ΔＸｎ、即ち｛Ｙ，ｎ，ΔＹ／
ΔＸ１，・・・，ΔＹ／ΔＸｎ｝となる。

【００３６】例えば、入力データとして外気温Ｘ１
（℃）及び不快指数Ｘ２（％）が観測され、これらのデ
ータの或期間内の各時刻ｔ（ｔ＝１，・・・，Ｎ）を通
しての最大値（ｍａｘ），最小値（ｍｉｎ）がそれぞ
れ、Ｘ１（ｍａｘ）＝３０．０，Ｘ１（ｍｉｎ）＝２０．０Ｘ２（ｍａｘ）＝８０．０，Ｘ２（ｍｉｎ）＝７０．０となり、かつ時刻ｔ＝ｔ₁ におけるデータＸ１（ｔ₁ ）＝２５．６，Ｘ２（ｔ₁ ）＝７８．７が得られたとき、この入力空間を離散化するための離散
化数を「１０」（最大値と最小値間を１０分割する）と
すれば、離散化されたデータは例えばＸ１＝６，Ｘ２＝
９として表され、｛６，９｝という１つの事象に象徴化
される。ここで、時刻ｔ＝ｔ₁ ＋αにおける室温Ｙ（ｔ
₁ ＋α）を２５．０とすると、｛６，９｝→２５．０と
いう因果関係が得られたことになる。

【００３７】また、時刻ｔ＝ｔ₁ ＋１における事象がＸ１（ｔ₁ ）＝２５．８，Ｘ２（ｔ₁ ）＝７８．７９で
室温Ｙ（ｔ₁ ＋α＋１）＝２５．５であるときは、入力事象は同一の｛６，９｝に属し、同
一入力事象に対して生じた事象として｛６，９｝→２５．２５［＝｛２５．０＋２５．５｝／
２、ここでｎ＝２］として平均化され、事例データの圧縮が行われる。この
結果、事例ベースに要するメモリの容量を従来例に比べ
格段に少なくできる。また、上記した各偏微分値とは、
各入力変数の変化量に対する出力の変化量であり、この
場合各入出力変数が連続データであることから、この偏
微分値ΔＹ／ΔＸｉ（ｔ）は式（８）により計算するこ
とができる。

【００３８】

【数８】

【００３９】以上のように、過去の事例（既存事例）に
ついて事例ベースの作成を行った後に、次に新事例につ
いての推論を推論手段２５により行う。まず、新事例の
条件部を｛Ｘｉ^* ｝（ｉ＝１，２，・・・，ｎ）とし、
既存事例を｛Ｘｉ，Ｙ，ｎ，ΔＹ／ΔＸｉ｝（ｉ＝１，
２，・・・，ｎ）とする。ここで、新事例の条件部は、
入力と同時に上記のように離散化され、かつ象徴化され
ている。

【００４０】ここで新事例の推論を行う場合は、まず新
事例に対する既存事例の類似度を決定する（この類似度
とは、位相における近傍系という概念に相応する）。新
事例に対する既存事例の類似度は次のような定義により
決定する。即ち、類似度０は、｜Ｘｉ^* −Ｘｉ｜＝０（ｉ＝１，
２，・・・，ｎ）類似度１は、｜Ｘｉ^* −Ｘｉ｜≦ｑ_Xi （ｉ＝１，
２，・・・，ｎ）類似度２は、｜Ｘｉ^* −Ｘｉ｜≦ｑ_Xi＋１（ｉ＝１，
２，・・・，ｎ）類似度３は、｜Ｘｉ^* −Ｘｉ｜≦ｑ_Xi＋２（ｉ＝１，
２，・・・，ｎ）のように定義する。ここで、ｑ_Xiはしきい値と呼ばれ、
既存事例データから、Ｙ（既存事例の結論部）の許容精
度に対するＸｉ（既存事例の条件部）の分散により決定
したデジット値である。

【００４１】一例として、Ｘ１を外気温，Ｘ２を不快指
数とし，Ｙ＝α時間後の室温を考えた場合、室温Ｙと予
測値との誤差が２度以内の予測をしようとしたとき、入
力空間と同様に１デジットが２度となるように離散化を
行う。そして離散化数が例えば「２０」であったとする
と、デジット１〜２０それぞれに対し同一デジットに属す
るＹ^* （新事例の結論部）を既存事例データから収集し
クラスタリングを行い、同一のクラスに属した新事例の
条件部Ｘ１，Ｘ２の分散を求める。Ｙ（既存事例の結論部）のデジットｉに属する新事例
の条件部Ｘ１，Ｘ２の各クラスターの分散を離散値とし
て計算し、クラスタ数で平均化することでデジット値ｑ
ｉ_X1，ｑｉ_X2を求める。デジット値ｑｉ_X1，ｑｉ_X2を下式にしたがって平均化
する。即ち、ｑ_X1＝Σｑｉ_X1／２０，ｑ_X2＝Σｑｉ_X2／２０

【００４２】ここで、最も近いデジット値として、ｑ_X1
＝２，ｑ_X2＝３（実際には、ｑ_X1＝２．１２３・・・，
ｑ_X2＝３．４５６・・・）とする。しかし、Ｙが１度以
内を必要とすれば、ｑ_X1＝１，ｑ_X2＝２となり、要求さ
れる精度によってデジット値ｑ_Xiは異なる。即ち、各変
数Ｘｉに対し既存事例と新事例との距離がｑ_Xiより小さ
ければ条件部の位相が近いとされ、その時には新事例の
結論部は、既存事例の結論部に対して要求される精度内
に入っていると見なされる。

【００４３】次に、推論手段２５は新事例に対する類似
事例を検索する。即ち、新事例に対する類似度が高い順
に、最適事例の既存事例を類似事例として抽出する。こ
の最適事例数は、例えば既存事例によるシミュレーショ
ンから最も推論が良くなる事例数を選択する。同一類似
度の既存事例が最適事例数より多く存在する場合は、各
変数ＸｉがＹに与える影響度、即ち後述する相関係数Ｒ
_Xiの大小によって各変数に優先度を設定して抽出する。

【００４４】次に、推論手段２５は、新事例に対する類
似事例の重要度を決定する。この場合、入力空間に距離
を定義して事例間の位相を考慮する。ここでは例として
式（９）に示すような距離Ｌを導入する。

【００４５】

【数９】

【００４６】ここで、Φｉは変数Ｘｉにおける距離の重
みである。そして抽出された最適事例数ｍ個の類似事例
の推論時の重要度Ｗｊを式（１０）を用いて定義する。
即ち、

【００４７】

【数１０】

【００４８】こうして抽出されたｍ個の類似事例を用い
て、新事例Ｘｉ^* （ｉ＝１，２，・・・，ｎ）に対する
推論値Ｙ^* を式（１１）式を用いて計算し統合化する。

【００４９】

【数１１】

【００５０】ここで、Ｌijはｉ番目の事例のｊ入力変数
軸上での入力データからの距離、ｙｉはｉ番目の類似既
存事例の結論値、ΔＹ／ΔＸｊはｉ番目の類似既存事例
のｊ番目の変動が結論値に与える変動の割合をそれぞれ
示している。

【００５１】次に推論結果の信憑性判定を信憑性計算手
段２６の計算結果に基づいて行う。即ち、推論に使用さ
れた類似事例の新事例に対する類似度を用い、推論結果
に対する信憑性を判定する。例えば、推論に用いられた
類似事例の新事例に対する類似度の中で、最も高い類似
度がこの推論結果に対する信憑性であると定義すると、
最も高い類似度が「１」である推論結果は、信憑性が
「１」であると判定される。この場合、信憑性「０」が
最も信憑度が高く、数字が大きくなるにつれ信憑度が低
くなる。そして、推論手段２５により得られた推論結果
と帰属性認識手段１５の帰属結果とが最終予測値決定手
段（予測値統合手段）１６により加重平均されて結果表
示部Ｄに表示される一方、信憑性計算手段２６の信憑性
結果も結果表示部Ｄに表示される。

【００５２】なお事例ベース学習を行う場合は、因果関
係モデル学習手段２２により新事例を学習し事例ベース
を更新する。このような事例ベースの更新は次の手順に
より行われる。ただし、＊が付いているものは新事例を
示している。即ち、前回までの同一条件部の事象回数を
ｎとすると、この事象回数を１つ増加させてｎ＋１にす
ると共に、出力値Ｙを（Ｙ×ｎ＋Ｙ^* ）／（ｎ＋１）と
し、さらに偏微分値ΔＹ／ΔＸ１を（ΔＹ／ΔＸ１×ｎ
＋ΔＹ／ΔＸ１^* ）／（ｎ＋１）とする。

【００５３】図１０は、実際の記録データを基に推論を
行った結果を示すグラフである。モデルとしては、１９
８９年の６月から１１月までの１時間毎の記録データを
用いると共に、事例データの条件部としては外気温，不
快指数，外気温の変化量，熱負荷の変化量及び熱負荷を
用い、また事例データの結論部としては４時間後の熱負
荷を用いている。そして各月毎に事例データを類別し、
月毎の事例ベースモデルを状態予測モデル生成部Ａ内の
因果関係モデル生成手段２１により自動生成した。

【００５４】次に、各月への帰属性を認識するために、
状態予測モデル生成部Ａ内の認識モデル生成手段１１に
より事例データの各条件部、即ち外気温〜熱負荷に対
し、認識のための特徴抽出を行ったところ、図９に示す
ような外気温，不快指数及び熱負荷が選択され、これら
を用いた帰属性認識モデルを自動生成した。そして、こ
れら１９８９年の事例（知識）を用い、状況予測部Ｃ内
の帰属性認識手段１５及び推論手段２５により、１９９
０年の８月２７日〜９月３０日の負荷予測を行った。即
ち、１９９０年の事例データの条件部である外気温〜熱
負荷値に対して４時間後に起こる負荷（状況）を予測す
る実験を行った。なお、この時期を選んだのは、気候の
変動が激しく従来の予測モデルでは予測精度の維持が困
難であるためである。

【００５５】この実験結果によると、従来のモデルの相
対誤差（＝｜予測誤差｜／実測値）が１５．５％である
のに対し、本実施例装置の相対誤差は８．９％であり、
予測精度が約２倍となり精度の向上が図られている。ま
た、９月６日と７日は温度差にして１０度も異なってお
り、雨が降り急激な気候変動にもかかわらず本装置は良
好な精度を維持している。この理由としては、９月６日
は前年の６月及び１０月の状態に近く、これらの情報は
予測結果と共に表示される信憑性情報で得たものであ
る。

【００５６】次に、図１１は、本状態予測装置の他の実
施例を示す図であり、空調システムの熱負荷を予測する
空調負荷予測装置の要部を示す機能ブロック図である。
同図において、この空調負荷予測装置は、過去の事例デ
ータである外気温等の入力変数を入力する入力手段１０
０、遅れ時間決定手段１０１、入力状況象徴化手段１０
２、上述の因果関係モデル生成手段２１に相当する入出
力関係モデリング手段１０３、及び上述の推論手段２５
から構成される。この空調負荷予測装置は、入力変数
（即ち、事例データの条件部）として図９に示す外気
温，不快指数，及び熱負荷の他に、図１２に示す外気温
の変化量及び熱負荷の変化量の各データを用いると共
に、出力変数（事例データの結論部）として数時間後に
生じた熱負荷データを用い、新たな状況が生じてその入
力変数が入力されたときにその数時間後の熱負荷を予測
するものである。

【００５７】ここで、遅れ時間決定手段１０１は、入力
変数入力手段１００から過去の事例データである各時間
毎の外気温，不快指数，外気温の変化量，熱負荷，及び
熱負荷の変化量の各入力変数データを入力し、さらにそ
の数時間後に空調システムに実際に生じた出力変数であ
る熱負荷データを入力した場合、この出力変数の入力時
点を基準としてこの基準時点から上記各入力変数データ
を何時間前のデータにするかを決定する。即ち例えば、
上記外気温データは上記基準時点から１時間前の値を、
また不快指数データは２時間前の値を、という具合に上
記５個の入力変数データについてそれぞれ決定し、この
決定された入力変数を出力変数とともに入力状況象徴化
手段１０２へ送る。

【００５８】入力状況象徴化手段１０２は、これらの入
力変数及び出力変数の各データを入力すると、上記した
ような、入力変数データの象徴化を行ってデータを圧縮
し入出力関係モデリング手段１０３へ送る。入出力関係
モデル生成手段１０３は象徴化された入力変数と出力変
数とを関連づけて入出力関係モデルを作成する。ここ
で、推論手段２５は新たな外気温等の入力変数を入力す
ると、入出力関係モデリング手段１０３により生成され
た入出力関係モデルに基づいてこの空調システムの数時
間後の空調負荷予測値を推論し、その推論結果を出力す
る。このように、入力要因として外気温，外気温の変化
量，不快指数，熱負荷及び熱負荷の変化量の各データを
同時に考慮して数時間後の空調負荷を予測するモデルを
生成することで、現象の正確な把握が可能になり、この
結果、正確な負荷予測を行うことが可能になる。

【００５９】以上説明したように本発明は、状態予測に
よる制御やオペレーション分野において、数時間後の状
態の要因を多数考慮できることで、複雑な現象の記述が
可能になり、分類したモデルから状況に応じて適切なモ
デルを自動的に選択できるため、急激な変動や状態の属
性が不明確な場合でも予測精度の維持が可能になる。特
に空調負荷予測の場合においては、急激な気候変動や季
節の変わり目等の状態に対し有効となる。その結果とし
て、この予測値を基にオペレーションや制御を行う場
合、正確なスケジューリングやパラメータの設定等を行
うことができる。即ち、空調負荷予測においては、多数
の冷凍機等の熱供給機器の発停（スケジューリング）を
正確なタイミングで行えることになり、またビルの空調
コントローラに対しては適切なパラメータを設定するこ
とができる。また、正確な予測と共に、予測値の信憑性
が表示できることから、予測値が誤って使用されること
を防止でき、したがって危険を伴う制御分野では大きな
効果が得られる。この結果、扱い者は安心と余裕をもっ
て、より正確なオペレーションを行うことが可能になる
と共に、扱い者の負担を軽減できる。

【００６０】

【発明の効果】以上説明したように、本発明によれば、
状態の予測を行う場合、入力要因に対する数時間後の状
態の要因を多数考慮できることで、複雑な現象の記述が
可能になると共に、分類したモデルから状況に応じた適
切なモデルが自動的に選択できるため、例えば負荷の急
激な変動や状態の属性が不明確な場合でも、予測精度の
維持が可能になる。また、正確な予測値と共に、予測値
の信憑性が演算できることから、予測値が誤って使用さ
れることを防止でき、危険を伴う制御分野において優れ
た効果を奏する。また、空調システムの熱負荷を予測す
る場合、入力要因として外気温，外気温の変化量，不快
指数，熱負荷及び熱負荷の変化量の各データを同時に考
慮して数時間後の空調負荷を予測するモデルを生成する
と共に、このモデルに基づき推論するため、現象の正確
な把握が可能になり、この結果、正確な負荷予測を行う
ことができる。

【図面の簡単な説明】

【図１】本発明に係る状態予測装置を適用したシステム
の一実施例を示す機能ブロック図である。

【図２】上記装置の機能ブロック図である。

【図３】上記装置において各入出力変数に対する月レン
ジや年間レンジの状況を示す図である。

【図４】上記装置において各入出力変数の年間レンジを
細分化した例を示す図である。

【図５】上記装置において各月毎の入出力変数の分布状
況を示す図である。

【図６】上記装置において各月毎の入出力変数の分布を
正規化した例を示す図である。

【図７】上記装置において各月毎のメンバシップ関数の
分布状況を示す図である。

【図８】上記装置において各月毎のメンバシップ関数の
重心値を示す図である。

【図９】上記装置で用いられる入出力変数の状況を示す
グラフである。

【図１０】上記装置における予測結果の状況を示す図で
ある。

【図１１】本発明の他の実施例を示す装置の機能ブロッ
ク図である。

【図１２】他の実施例装置で用いられる入出力変数の状
況を示すグラフである。

【符号の説明】

２データ類別部１１認識モデル生成手段１２認識モデル学習手段１５帰属性認識手段１６最終予測値決定手段２１因果関係モデル生成手段２２因果関係モデル学習手段２５推論手段２６信憑性計算手段３０負荷予測値表示部５０信憑性表示部１００入力変数入力手段１０１遅れ時間決定手段１０２入力状況象徴化手段１０３入出力関係モデリング手段Ａ状態予測モデル生成部Ｂモデル学習部Ｃ状況予測部Ｄ結果表示部

Claims

【特許請求の範囲】

【請求項１】入力要因により数時間後に発生する状態
を入力要因との関係付けに基づいて予測する状態予測装
置であって、入力要因を示す事例データを所定基準により類別する手
段と、所定基準により類別された各類の事例データを入
力し認識のための要因抽出を行い抽出された各要因に基
づく認識モデルを生成する手段と、所定基準により類別
された各類の事例データを入力しこの入力要因とその数
時間後の状態との因果関係モデルを生成する手段と、新
たな状況が生じたときに認識モデルを用いて新たな状況
の各類への帰属性を演算する手段と、新たな状況が生じ
たときに因果関係モデルを用いて新たな状況における予
測値を演算する手段と、各類の帰属性と予測値とを加重
平均することによって最終的な推論値を演算する手段
と、予測値に対する信憑性を演算する手段と、新たな状
況と数時間後の実際に生じた状態とを認識モデルに基づ
いて学習する手段と、新たな状況と数時間後の実際に生
じた状態とを因果関係モデルに基づいて学習する手段と
を備えた状態予測装置。
【請求項２】入力要因により数時間後に発生する状態
を入力要因との関係付けに基づいて予測する状態予測装
置であって、空調システムの熱負荷を予測する場合に前記入力要因と
して外気温，外気温の変化量，不快指数，熱負荷及び熱
負荷の変化量の各データを用いると共に、この入力要因
による出力要因として数時間後に生じる熱負荷のデータ
を用い、数時間後の熱負荷の予測に用いる前記入力要因が何時間
前のデータを用いれば良いかを決定する入力要因決定手
段と、この入力要因決定手段により決定された入力要因
を象徴化データに変換する入力要因象徴化手段と、前記
象徴化データに基づき前記入力要因と出力要因とを関連
づけてモデルを生成するモデリング手段と、新たな入力
要因が入力されたときに前記モデルを用いて推論を行う
推論手段とを備えたことを特徴とする状態予測装置。