JPH06131323A - 状態予測装置 - Google Patents
状態予測装置Info
- Publication number
- JPH06131323A JPH06131323A JP35880592A JP35880592A JPH06131323A JP H06131323 A JPH06131323 A JP H06131323A JP 35880592 A JP35880592 A JP 35880592A JP 35880592 A JP35880592 A JP 35880592A JP H06131323 A JPH06131323 A JP H06131323A
- Authority
- JP
- Japan
- Prior art keywords
- input
- model
- data
- input factor
- inference
- 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.)
- Granted
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Air Conditioning Control Device (AREA)
Abstract
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
用いて空調負荷等の予測を行う状態予測装置に関する。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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Xj (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Mi
(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。
(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。
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。
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。
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.of i)
で正規化を行う。この結果、メンバシップ関数Axjは図
7に示すようになる。
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Xj (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(Axj 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(Axj M-2 ),C(Axj 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。
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(Axj 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。
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。
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Xi (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、
・・,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。
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。
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。
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。
(℃)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)=20.0 X2(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。
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。
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。
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|≦qXi (i=1,
2,・・・,n) 類似度2は、|Xi* −Xi|≦qXi+1(i=1,
2,・・・,n) 類似度3は、|Xi* −Xi|≦qXi+2(i=1,
2,・・・,n) のように定義する。ここで、qXi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。
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
iX1,qiX2を求める。 デジット値qiX1,qiX2を下式にしたがって平均化
する。即ち、 qX1=ΣqiX1/20,qX2=ΣqiX2/20
=2,qX2=3(実際には、qX1=2.123・・・,
qX2=3.456・・・)とする。しかし、Yが1度以
内を必要とすれば、qX1=1,qX2=2となり、要求さ
れる精度によってデジット値qXi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qXi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。
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。
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。
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、
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
の一実施例を示す機能ブロック図である。
ジや年間レンジの状況を示す図である。
細分化した例を示す図である。
況を示す図である。
正規化した例を示す図である。
分布状況を示す図である。
重心値を示す図である。
グラフである。
ある。
ク図である。
況を示すグラフである。
Claims (2)
- 【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。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP35880592A JP2802469B2 (ja) | 1992-09-01 | 1992-12-28 | 状態予測装置 |
US08/109,179 US5918200A (en) | 1992-08-31 | 1993-08-19 | State estimating apparatus |
EP93113564A EP0590305B1 (en) | 1992-08-31 | 1993-08-25 | State estimating apparatus of a system on the basis of recorded input/output data for the system |
DE69328956T DE69328956T2 (de) | 1992-08-31 | 1993-08-25 | Anlage zum Schätzen des Zustands eines Systems auf der Grundlage von aufgezeichneten Eingabe-Ausgabedaten für das System |
CN93118822A CN1047011C (zh) | 1992-08-31 | 1993-08-31 | 状态测定装置 |
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP25543992 | 1992-09-01 | ||
JP4-255439 | 1992-09-01 | ||
JP35880592A JP2802469B2 (ja) | 1992-09-01 | 1992-12-28 | 状態予測装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPH06131323A true JPH06131323A (ja) | 1994-05-13 |
JP2802469B2 JP2802469B2 (ja) | 1998-09-24 |
Family
ID=26542211
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP35880592A Expired - Lifetime JP2802469B2 (ja) | 1992-08-31 | 1992-12-28 | 状態予測装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2802469B2 (ja) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006221310A (ja) * | 2005-02-09 | 2006-08-24 | Fuji Electric Holdings Co Ltd | 予測方法、予測装置、予測プログラムおよび記録媒体 |
JP2011214794A (ja) * | 2010-04-01 | 2011-10-27 | Mitsubishi Electric Corp | 空調システム制御装置 |
WO2015004742A1 (ja) * | 2013-07-10 | 2015-01-15 | 三菱電機株式会社 | 熱負荷予測装置、配信システム、熱負荷予測方法及びプログラム |
JP2019101490A (ja) * | 2017-11-28 | 2019-06-24 | 株式会社東芝 | 時系列データ予測装置、時系列データ予測方法およびコンピュータプログラム |
JP2020119085A (ja) * | 2019-01-21 | 2020-08-06 | 株式会社日立製作所 | 計算機システム及び対象に関する目的を達成するために有用な情報の提示方法 |
WO2021044514A1 (ja) * | 2019-09-03 | 2021-03-11 | 日本電信電話株式会社 | データ分析装置、方法およびプログラム |
-
1992
- 1992-12-28 JP JP35880592A patent/JP2802469B2/ja not_active Expired - Lifetime
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006221310A (ja) * | 2005-02-09 | 2006-08-24 | Fuji Electric Holdings Co Ltd | 予測方法、予測装置、予測プログラムおよび記録媒体 |
JP4661250B2 (ja) * | 2005-02-09 | 2011-03-30 | 富士電機ホールディングス株式会社 | 予測方法、予測装置および予測プログラム |
JP2011214794A (ja) * | 2010-04-01 | 2011-10-27 | Mitsubishi Electric Corp | 空調システム制御装置 |
WO2015004742A1 (ja) * | 2013-07-10 | 2015-01-15 | 三菱電機株式会社 | 熱負荷予測装置、配信システム、熱負荷予測方法及びプログラム |
JP6012868B2 (ja) * | 2013-07-10 | 2016-10-25 | 三菱電機株式会社 | 熱負荷予測装置、配信システム、熱負荷予測方法及びプログラム |
JPWO2015004742A1 (ja) * | 2013-07-10 | 2017-02-23 | 三菱電機株式会社 | 熱負荷予測装置、配信システム、熱負荷予測方法及びプログラム |
JP2019101490A (ja) * | 2017-11-28 | 2019-06-24 | 株式会社東芝 | 時系列データ予測装置、時系列データ予測方法およびコンピュータプログラム |
JP2020119085A (ja) * | 2019-01-21 | 2020-08-06 | 株式会社日立製作所 | 計算機システム及び対象に関する目的を達成するために有用な情報の提示方法 |
WO2021044514A1 (ja) * | 2019-09-03 | 2021-03-11 | 日本電信電話株式会社 | データ分析装置、方法およびプログラム |
JPWO2021044514A1 (ja) * | 2019-09-03 | 2021-03-11 |
Also Published As
Publication number | Publication date |
---|---|
JP2802469B2 (ja) | 1998-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP0590305B1 (en) | State estimating apparatus of a system on the basis of recorded input/output data for the system | |
Chen et al. | Fuzzy forecasting based on two-factors second-order fuzzy-trend logical relationship groups and particle swarm optimization techniques | |
Chen et al. | TAIEX forecasting based on fuzzy time series, particle swarm optimization techniques and support vector machines | |
JP7078873B2 (ja) | 機械学習装置、デマンド制御システム、及び、空調制御システム | |
Wolkenhauer | Possibility theory with applications to data analysis | |
Haouari et al. | Naïve possibilistic network classifiers | |
JP7481902B2 (ja) | 管理計算機、管理プログラム、及び管理方法 | |
JPH06131323A (ja) | 状態予測装置 | |
Fayed et al. | Sensor-based occupancy detection using neutrosophic features fusion | |
Ahmad Shukri et al. | Experts’ judgment-based Mamdani-type decision system for risk assessment | |
JP2632117B2 (ja) | 事例ベース推論装置 | |
US20230161302A1 (en) | Network for facilitating transfers or maintainance of resources post-fabrication | |
Christodoulou et al. | Improving the performance of classification models with fuzzy cognitive maps | |
JP3079483B2 (ja) | 状態認識自動生成装置 | |
Perner | Concepts for novelty detection and handling based on a case-based reasoning process scheme | |
KR20200112495A (ko) | 상권 분석 서비스 제공 서버 및 그 방법 | |
Li | Fuzzy Rule-Based Inference: Advances and Applications in Reasoning with Approximate Knowledge Interpolation | |
Ezghari et al. | A learning adaptation cases technique for fuzzy analogy-based software development effort estimation | |
Song et al. | A time-aware method for occupancy detection in a building | |
Yan et al. | Matching decision method for knowledgeable manufacturing system and its production environment | |
US20230385664A1 (en) | A computer-implemented method for deriving a data processing and inference pipeline | |
JPH06180650A (ja) | 既存事例有効利用型推論装置 | |
JPH06187318A (ja) | 適応学習装置 | |
Sala et al. | Enhanced load forecasting methodology by means of probabilistic prediction intervals estimation | |
Jozi | Sistema inteligente de gestão de energia em edifícios |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080717 Year of fee payment: 10 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080717 Year of fee payment: 10 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090717 Year of fee payment: 11 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100717 Year of fee payment: 12 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100717 Year of fee payment: 12 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110717 Year of fee payment: 13 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120717 Year of fee payment: 14 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130717 Year of fee payment: 15 |
|
EXPY | Cancellation because of completion of term | ||
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130717 Year of fee payment: 15 |