JPH08100940A

JPH08100940A - 空気調和機の負荷予測装置

Info

Publication number: JPH08100940A
Application number: JP4285739A
Authority: JP
Inventors: Shigeaki Matsubayashi; 成彰松林; Masataka Iwasaki; 昌隆岩崎; Tadayuki Morishita; 賢幸森下
Original assignee: Matsushita Seiko Co Ltd; Matsushita Electronics Corp; Matsushita Electric Industrial Co Ltd
Current assignee: Panasonic Ecology Systems Co Ltd; Panasonic Holdings Corp
Priority date: 1992-10-23
Filing date: 1992-10-23
Publication date: 1996-04-16
Anticipated expiration: 2012-09-10
Also published as: JP2651092B2

Abstract

(57)【要約】【目的】空気調和機の冷房および暖房時における負荷
を予測する負荷予測装置に関するものであり、設定温度
に対する負荷を予測できる負荷予測装置を提供するもの
である。【構成】神経模式回路１４０に室外環境データ、室内
環境データ、気象予報値を入力するとともに、その時の
空調機の設定温度も入力することで、設定温度に対する
空調機の負荷を予測できる。さらに実際の空調機の負荷
の実測値をもとに神経模式回路１４０を学習すること
で、予測精度を向上させることができる。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、空気調和機の冷房およ
び暖房時における負荷を予測する負荷予測装置に関する
ものである。

【０００２】

【従来の技術】近年、翌日あるいは当日の熱負荷を気象
データや温度湿度センサーなどから予測し、その予測結
果に基づき空気調和機の運転計画あるいは熱源の運転台
数を計画するという試みがなされている。このような試
みは今後省エネルギーが重要視されるにつれて、ますま
す重要となり、その予測の正確さもますます必要とされ
てくるものと思われる。

【０００３】このような背景のもとで、従来の負荷予測
の方法としては、例えば特開平３−１９５８４９号公
報、または特開平３−５０４３１号公報に示す方法が提
案されており、空調機の負荷を翌日の時刻毎の変動量と
して、あるいは１日の積算量として求めることが可能と
なっている。今後さらに、省エネルギーを考えた場合
に、空調機で消費するエネルギーを管理しながら空調機
の設定を行うことが必要である。このためには、空調機
を運転する設定値に対する空調機の負荷を予測すること
が必要不可欠である。実際、空調機を運転する設定値に
よって空調機の負荷は変化する。例えば、冷房時に空調
機の設定温度を２５℃にした場合と２８℃にした場合と
では後者の方が空調機が消費するエネルギーは少なく、
すなわち空調機の負荷は少ないことになる。したがっ
て、空調機を運転する設定温度に対する空調機の負荷が
予測できれば、例えば「設定温度をもう１℃下げるとい
くらの省エネルギーになるか」といったことが具体的に
予測できるため、省エネルギー運転を行うためには非常
に有効である。

【０００４】

【発明が解決しようとする課題】しかしながら従来の空
気調和機の負荷予測装置では、次のような問題点を有し
ていた。

【０００５】すなわち、（１）空調機の設定値、特に設定温度を一定値と考えて
いるので、いろいろな設定温度に対していくらの負荷が
あるかという予測ができない。

【０００６】本発明は上記問題点に鑑み、以下の目的を
有する空気調和機の負荷予測装置を提供するものであ
る。

【０００７】１）空調機の設定温度に対する空調機の負
荷を予測できる空気調和機の負荷予測装置。さらに２）教師データに含まれない設定温度に対しても空調機
の負荷の予測精度が落ちない空気調和機の負荷予測装
置。

【０００８】３）曜日ごとに異なる内部負荷があって
も、良好な負荷予測の精度を得ることができる空気調和
機の負荷予測装置。

【０００９】４）快適な設定温度が季節ごとに異なって
も、良好な負荷予測の精度を得ることができる空気調和
機の負荷予測装置。

【００１０】

【課題を解決するための手段】上記問題点を解決するた
めに本発明の空気調和機の負荷予測装置は外気温度、外
気湿度、日射量など室外環境の状態を検知する室外セン
サ郡と、前記室外センサ郡から負荷予測時にデータを検
出する室外環境検出手段と、室内温度、室内湿度など室
内環境を検知する室内センサ郡と、前記室内センサ郡か
ら負荷予測時にデータを検出する室内環境検出手段と、
前記室外環境検出手段および前記室内環境検出手段で検
出されたデータを記憶する室内外環境メモリと、負荷予
測時の気象予報データを入力する予報値入力手段と、前
記予報値入力手段の値を記憶する予報値メモリと、空調
機を運転するための設定温度、設定湿度、運転時間など
各設定値を入力する空調機設定値入力手段と、前記空調
機設定値入力手段の各設定値を記憶する空調機設定値メ
モリと、前記空調機設定値入力手段で設定された設定値
で空調機を運転した場合の空調機の負荷を検出する負荷
検出手段と、前記負荷検出手段で検出された空調機の負
荷を記憶する負荷検出メモリと、前記室内外メモリと前
記予報値メモリと前記空調機設定値メモリと前記負荷検
出メモリから学習のための教師データを作成する教師デ
ータ作成手段と、前記室外環境検出手段と前記室内環境
検出手段とでそれぞれ検出された値と、前記予報値入力
手段と前記空調機設定入力手段でそれぞれ入力された値
から空調機の負荷の予測値を演算した後出力し、空調機
の運転終了後に前記教師データ作成手段で作成された教
師データをもとに学習を行う神経模式回路という構成を
備えたものである。

【００１１】

【作用】本発明は上記した構成によって、神経模式回路
に室外環境検出手段から室外環境データ、室内環境検出
手段から室内環境データ、予報値入力手段から気象予報
値を入力するとともに、その時の空調機の設定温度も空
調機設定値入力手段から入力することで、設定温度に対
する空調機の負荷を予測できることになる。さらに実際
の空調機の負荷の実測値を負荷検出手段で検出し、これ
をもとに作成した教師データをもとに、神経模式回路を
学習することで、予測精度を向上させることができる。

【００１２】

【実施例】まず、本発明第１の実施例について説明す
る。

【００１３】第１の実施例の空調機の負荷予測装置の目
的は、空調機の設定温度に対する空調機の負荷を予測す
ることである。

【００１４】以下本発明の第１の実施例である空気調和
機の負荷予測装置ついて図面を参照しながら説明する。

【００１５】図１は本発明の第１の実施例における空気
調和機の負荷予測装置のブロック図を示すものである。
図１において、１０１は室外気温センサ、１０２は室外
湿度センサ、１０３は日射量センサ、１０４は室内温度
センサ、１０５は室内湿度センサ、１１２は室外環境検
出手段、１１４は室内環境検出手段、１１６は室内外環
境メモリ、１１８は予報値入力手段、１２０は予報値メ
モリ、１２２は空調機設定値入力手段、１２４は空調機
設定値メモリ、１４０は神経模式回路、１５０は空調
機、１２６は負荷検出手段、１２８は負荷検出メモリ、
１３８は予測／学習選択回路、１３０は教師データ候補
メモリ手段、１３２は教師データセットメモリ手段、１
３４はデータ判別手段、１６０、１７０、１８０、１９
０はスイッチである。

【００１６】以上のように構成された空気調和機の負荷
予測装置について、以下図１を用いてその動作を説明す
る。本実施例の負荷予測装置は、予測動作と学習動作の
２つの動作から成り立っている。予測動作は神経模式回
路１４０に気象データ、室内外の環境データ、そして空
調機の設定値を入力し、その設定値に対する空調機の負
荷の予測値を演算する。学習動作は予測動作時に入力し
た各データと、その状況に対する実際の空調機の負荷の
実測値の組み合わせを蓄積した教師データにより神経模
式回路１４０を学習させ、より精度の高い予測ができる
回路にすることである。

【００１７】まず、予測動作について説明する。室外環
境検出手段１１２は負荷予測を行う直前の室外環境の状
態を室外センサ１１０から検出する。本実施例では、空
調機の負荷に影響を及ぼす代表的な室外環境として室外
気温、室外湿度、日射量を選択している。室外気温は室
外気温センサ１０１で、室外湿度は室外湿度センサ１０
２で、日射量は日射量センサ１０３でそれぞれ検出す
る。室内環境検出手段１１４は負荷予測を行う直前の室
内環境の状態を室内センサ１１１から検出する。本実施
例では、空調機の負荷に影響を及ぼす代表的な室内環境
として、室内温度と室内湿度を選択している。室内温度
は室内温度センサ１０４で、室内湿度は室内湿度センサ
１０５でそれぞれ検出する。

【００１８】予報値入力手段１１８は負荷予測を行う直
前の気象予報データを入力する。本実施例では、空調機
の負荷に影響を及ぼす気象予報データとして、予測当日
の最高および最低予想気温、ならびに天気を選択し入力
する。天気を入力する方法としては、例えば晴なら１、
曇なら０．５、雨なら０の値を予め対応させておいて数
値として入力する。

【００１９】空調機設定値入力手段１２２は、予測当日
の空調機１５０の設定値を予測を行う直前に入力する。
本実施例では、空調機の負荷に影響を及ぼす設定値とし
て、空調機１５０の設定温度を入力し、設定温度ごとの
空調機の負荷を予測できるようにしている。

【００２０】予測を行う時間（例えばＡ.Ｍ.７：００と
する）が来ると、予測／学習選択回路１３８は予測モー
ドを選択し、スイッチ１６０をＯＮ、スイッチ１８０お
よびスイッチ１９０はＯＦＦにする。

【００２１】スイッチ１６０がＯＮになると、室外環境
検出手段１１２、室内環境検出手段１１４、予報値入力
手段１１８、空調機設定値入力手段１２２で検出あるい
は入力されたデータは神経模式回路１４０に入力され
る。これと同時に、それぞれのデータは、室内外環境メ
モリ１１６、予報値メモリ１２０、空調機設定値メモリ
１２４に記憶される。この時記憶された各データは、学
習動作時に神経模式回路１４０が学習する時の教師デー
タとして使われるが、これについては後で説明する。

【００２２】神経模式回路１４０は、室外環境検出手段
１１２、室内環境検出手段１１４、予報値入力手段１１
８、空調機設定値入力手段１２２で検出あるいは入力さ
れたデータが入力されると、当日の空調機の負荷の予測
値を出力する。ここで、空調機設定値入力手段１２２で
入力する設定温度をいろいろ変更すると、その設定温度
で空調機を運転した時の空調機の負荷の予測値を得るこ
とができる。神経模式回路１４０の構成については、後
で詳しく述べる。

【００２３】以上、説明したのが予測動作である。次
に、学習動作について説明する。

【００２４】神経模式回路１４０は、負荷の予測精度を
向上させるためにバックプロパゲーションタイプの学習
を行う。バックプロパゲーションの方法に関しては、後
述する神経模式回路１４０の構成の説明で述べる。

【００２５】バックプロパゲーションで学習するための
教師データは、予測当日の空調機の運転が終了した後、
教師データ作成手段１３６で作成される。最終的に、空
調機１５０は、空調機設定値入力手段１２２で入力され
た設定温度で、運転される。負荷検出手段１２６は空調
機１５０の運転時に消費する負荷を検出する。具体的に
は空調機１５０を構成する熱源が消費した電力量あるい
はガス量、また給気を行うファンが消費した電力量など
をメータ等で検出し、消費エネルギーにとして１つの値
に換算する。負荷検出メモリ１２８は負荷検出手段１２
６で検出した消費エネルギーを１時間ごとに積算して記
憶する。例えば、空調機の作動時間がＡ.Ｍ.８：００か
らＰ.Ｍ.６：００までの場合、この間の１時間ごとに消
費した空調機の消費エネルギーを積算した値を時間負荷
として予測したければ、１０時間分の積算値として１０
個のデータを持っておく。

【００２６】空調機１５０の運転が終了すると、予測／
学習選択回路１３８は学習モードを選択し、まずスイッ
チ１６０をＯＦＦし、続いてスイッチ１９０をＯＮす
る。スイッチ１９０がＯＮされると室内外環境メモリ１
１６、予報値メモリ１２０、空調機設定値メモリ１２
４、負荷検出メモリ１２８で記憶されている各データが
教師データ候補メモリ手段１３０に入力され、教師デー
タの候補となる。

【００２７】データ判別手段１３４は、予測当日の室外
環境の状態および室内環境の状態を空調機が動作してい
るあいだ中監視し、正常な状態であると判断すればスイ
ッチ１７０をＯＮする。それにより、教師データ候補メ
モリ手段１３０で記憶されているデータは教師データセ
ットメモリ手段１３２に入力され、神経模式回路１４０
が学習するための教師データとなる。もし、異常な状態
であると判断すればスイッチ１７０をＯＦＦの状態にし
ておき、その日のデータは教師データセットメモリ手段
１３２に入力されず、教師データには加えない。これ
は、例えば夕立ちのような急な気象状況の変化があった
場合や、室内に急激な人の出入りなどによる熱負荷の増
減が影響して室内温度が大きく乱れた場合などのデータ
を教師データに入れ学習すると、神経模式回路１４０の
予測精度が落ちることを防止するためである。このよう
な場合の異常か正常かの判断は、外気温度、あるいは室
内温度が予め設定しておいた上限下限値を越えるかいな
かで判断できる。

【００２８】教師データセットメモリ手段１３２に教師
データがセットされると、予測／学習選択回路１３８は
スイッチ１８０をＯＮし、教師データは神経模式回路１
４０に入力され、学習を行う。学習の方法はバックプロ
パゲーションタイプの学習であり、その方法については
後述する参考文献に詳細に記載されている。学習動作を
行うのは、空調機の運転が終了してからであり、本実施
例では例えばＰ.Ｍ.７：００に行うが、実質的には翌日
に次の予測を行うまでに行えば問題はない。以上、説明
したのが学習動作である。

【００２９】以上説明した予測動作、学習動作を繰り返
すことで、神経模式回路１４０の予測精度を向上させる
ことができる。

【００３０】次に、神経模式回路１４０について説明す
る。図５は神経模式回路１４０の構成を示した構成図で
ある。本実施例では、神経模式回路１４０として、多層
パーセプトロン型神経模式回路を用いている。多層パー
セプトロン型神経模式回路に関しては、例えば、「ニュ
ーロコンピュータの基礎、中野馨著、コロナ社」の
Ｐ.Ｐ.６０−６６、「コンピュートロール・２４号、特
集／ニューロコンピュータ」、あるいは「入門ニュー
ロコンピュータ、菊池豊彦著、オーム社」などに詳しく
記載されている。図５において、５０１はニューロン、
５２０は教師データ分配回路、５１０および５１１はス
イッチである。入力層の数はスイッチ１６０を通して入
力されるデータ数と等しく９個、中間層は２０個、出力
層の数は空調機を作動させている時間で各時間ごとの時
間負荷予測が必要であれば、その数だけ用意する。例え
ば、本実施例のようにＡ.Ｍ.８：００からＰ.Ｍ.６：０
０まで空調機を作動させる場合、前述したように１時間
ごとに消費した空調機の消費エネルギーを積算した値を
時間負荷として予測したければ、１０時間分の予測値が
必要なので、出力数は１０個になる。また中間層は２０
個としたが、出力層の約２倍が目安であり、２０個でな
くても問題はない。

【００３１】以上のように構成された神経模式回路１４
０の動作について説明する。まず予測動作時には、スイ
ッチ５１０および５１１はＢ側と接続する。スイッチ５
１０を通って、室外環境検出手段１１２から室外気温、
室外湿度、日射量、室内環境検出手段１１４から室内温
度、室内湿度、予報値入力手段１１８から最高予想気
温、最低予想気温、天気、空調機設定値入力手段１２２
から設定温度が入力層のニューロン５０１に入力され
る。入力されたそれぞれのデータは入力層の各ニューロ
ンで計算され、中間層のニューロン５０１に出力され
る。同様な過程で中間層のニューロン５０１、さらに出
力層のニューロン５０１を通ったデータは、スイッチ５
１１のＢ側を通り、空調機の負荷予測値として出力され
る。次に学習動作時になると、スイッチ５１０および５
１１はＡ側と接続する。学習動作時には、前述したよう
に教師データ作成手段１３６で作成された教師データセ
ットがスイッチ１８０がＯＮされることで教師データ分
配回路５２０に入力される。教師データ分配回路５２０
では、教師データセットから室外気温、室外湿度、日射
量、室内温度、室内湿度、最高予想気温、最低予想気
温、天気、設定温度の組と空調機の負荷の実測値の組を
分けて、まず前者を入力層のニューロンに入力する。こ
のデータは入力層、中間層、出力層を通り、予測動作時
と同様な演算を行い、演算結果がスイッチ５１１に入力
される。スイッチ５１１はＡ側に接続されているので、
この演算結果は教師データ分配回路５２０で分配された
空調機の負荷の実測値との誤差として再び出力層に戻さ
れる。バックプロパゲーションタイプの学習はこの誤差
をもとに各層のニューロンの重みを修正する。その修正
の方法については、前述した参考文献に詳細に述べられ
ている。教師データセットの各データについてすべて以
上の学習動作を行うと、神経模式回路１４０の予測精度
を向上させることができる。以上のように本実施例によ
れば、神経模式回路１４０の予測動作時の入力の一つと
して、空調機設定値入力手段１２２からその日の空調機
の設定温度が入力されるために、その設定温度に対する
空調機の負荷の予測値を演算することができる。

【００３２】また、学習動作時の教師データとしても、
空調機設定値入力手段１２２からの空調機の設定温度が
入力されているために、過去に様々な設定温度で空調機
を運転した実測データが教師データの中に多量に含まれ
ていればいるほど、予測動作時の負荷の予測値の精度を
より向上させることができる。

【００３３】次に、本発明第２の実施例について説明す
る。第２の実施例の空調機の負荷予測装置の目的は、教
師データに含まれない設定温度に対しても予測精度を上
げることである。

【００３４】以下本発明の第２の実施例について図面を
参照しながら説明する。図２は本発明の第２の実施例を
示す空調機の負荷予測装置の構成を示すブロック図であ
る。

【００３５】同図において、１０１は室外気温センサ、
１０２は室外湿度センサ、１０３は日射量センサ、１０
４は室内温度センサ、１０５は室内湿度センサ、１１２
は室外環境検出手段、１１４は室内環境検出手段、１１
６は室内外環境メモリ、１１８は予報値入力手段、１２
０は予報値メモリ、１２２は空調機設定値入力手段、１
２４は空調機設定値メモリ、１４０は神経模式回路、１
５０は空調機、１２６は負荷検出手段、１２８は負荷検
出メモリ、１３８は予測／学習選択回路、１３０は教師
データ候補メモリ手段、１３２は教師データセットメモ
リ手段、１３４はデータ判別手段、１６０、１７０、１
８０、１９０はスイッチで、以上は図１の構成と同様な
ものである。

【００３６】図１と異なるのは、減算回路２００、２０
１、２０２、２０３を設け、室外環境検出手段１１２か
らの室外気温、室内環境検出手段１１４からの室内温
度、予報値入力手段１１８からの最高予想気温、最低予
想気温と空調機設定値入力手段１２２からの設定温度と
の温度差を神経模式回路１４０に入力するようにした点
である。

【００３７】以上のように構成された空調機の負荷予測
装置について、以下図２を用いてその動作を説明する。
本実施例の負荷予測装置も、第１の実施例と同様に予測
動作と学習動作の２つの動作から成り立っている。第１
の実施例と異なるのは、予測動作および学習動作で入力
するデータのうち、温度に関しては空調機の設定温度と
の温度差で入力することである。

【００３８】まず、予測動作について説明する。室外環
境検出手段１１２、室内環境検出手段１１４、予報値入
力手段１１８、空調機設定値入力手段１２２の動作は第
１の実施例と同じである。異なるのは、神経模式回路１
４０に入力されるデータのうち室外環境検出手段１１２
からの室外気温、室内環境検出手段１１４からの室内温
度、予報値入力手段１１８からの最高予想気温および最
低予想気温がそれぞれ減算回路２００、２０１、２０
２、２０３に入力されることで、空調機設定値入力手段
１２２で入力された設定温度との温度差として神経模式
回路１４０に入力されることである。また、それぞれの
データは、室内外環境メモリ１１６、予報値メモリ１２
０、空調機設定値メモリ１２４に記憶される。この時、
室外気温、室内温度、最高予想気温、最低予想気温は空
調機の設定温度との温度差のかたちで記憶され、学習動
作時に神経模式回路１４０が学習する時の教師データと
して使われる。

【００３９】神経模式回路１４０の構成は第１の実施例
と同様であり、空調機設定値入力手段１２２で入力する
設定温度をいろいろ変更すると、その設定温度で空調機
を運転した時の空調機の負荷の予測値を得ることができ
る。

【００４０】以上、説明したのが予測動作である。次
に、学習動作について説明する。学習動作については、
基本的には第１の実施例と同様である。異なるのは、教
師データ候補メモリ手段１３０に入力され教師データの
候補となる、室内外環境メモリ１１６、予報値メモリ１
２０、空調機設定値メモリ１２４、負荷検出メモリ１２
８で記憶されている各データのうち、室外気温、室内温
度、最高予想気温、最低予想気温が空調機の設定温度と
の温度差のかたちになっている点である。このように、
空調機の設定温度との温度差のデータで神経模式回路１
４０の学習動作を行うと、神経模式回路の性質上、教師
データの中に含まれない設定温度に対しての空調機の負
荷の予測精度が向上する効果がある。

【００４１】次に、本発明第３の実施例について説明す
る。第３の実施例の空調機の負荷予測装置の目的は、曜
日ごとに異なる内部負荷があっても、良好な負荷予測の
精度を得ることである。

【００４２】以下本発明の第３の実施例について図面を
参照しながら説明する。図３は本発明の第３の実施例を
示す空調機の負荷予測装置の構成を示すブロック図であ
る。

【００４３】同図において、１０１は室外気温センサ、
１０２は室外湿度センサ、１０３は日射量センサ、１０
４は室内温度センサ、１０５は室内湿度センサ、１１２
は室外環境検出手段、１１４は室内環境検出手段、１１
６は室内外環境メモリ、１１８は予報値入力手段、１２
０は予報値メモリ、１２２は空調機設定値入力手段、１
２４は空調機設定値メモリ、１５０は空調機、１２６は
負荷検出手段、１２８は負荷検出メモリ、１３８は予測
／学習選択回路、１３０は教師データ候補メモリ手段、
１３２は教師データセットメモリ手段、１３４はデータ
判別手段、１６０、１７０、１８０、１９０はスイッチ
で、以上は図１の構成と同様なものである。

【００４４】図１と異なるのは、月曜神経模式回路３０
０、火曜神経模式回路３０１、水曜神経模式回路３０
２、木曜神経模式回路３０３、金曜神経模式回路３０
４、土曜神経模式回路３０５（図面スペースの都合上、
３０２、３０３、３０４の図示は省略）を図１の神経模
式回路の代わりに設け、さらに曜日に応じてどの神経模
式回路を選択するかを決める曜日判定選択手段３１０と
それに応じて選択的に接続するスイッチ３２０および３
３０を設けた点である。

【００４５】以上のように構成された空調機の負荷予測
装置について、以下図３を用いてその動作を説明する。

【００４６】本実施例の負荷予測装置も、第１の実施例
と同様に予測動作と学習動作の２つの動作から成り立っ
ている。第１の実施例と異なるのは、各曜日ごとに神経
模式回路を設定し、曜日判定選択手段３１０で予測当日
の曜日から使うべき神経模式回路を３００〜３０５の中
から選択し、スイッチ３２０および３３０を切り替えて
いる点である。

【００４７】まず、予測動作において、室外環境検出
手段１１２、室内環境検出手段１１４、予報値入力手段
１１８、空調機設定値入力手段１２２の動作は第１の実
施例と同じである。曜日判定選択手段３１０は予測動作
を行う日の曜日を判定してスイッチ３２０およびスイッ
チ３３０を切り替える。例えば予測動作を行う日が火曜
日であれば、火曜神経模式回路３０１を選択する。

【００４８】学習動作においては、基本的には第１の実
施例と同様である。異なるのは、教師データ作成手段１
３６で作成された教師データセットがスイッチ３２０で
切り替えられた神経模式回路に送られ学習動作が行われ
ることである。

【００４９】このように、各曜日ごとに神経模式回路を
設定する場合の効果について説明する。ビル空調などに
おいては、曜日ごとに仕事の状態、部屋への入出者の数
などに変化があり、それが内部の熱負荷に影響を与え、
結果として空調機の負荷に影響を与える。したがって、
これらの内部の熱負荷を直接的に検出するか、あるいは
間接的にワークステーションの利用状況や部屋への入出
者の数などを検出して神経模式回路の入力にしないと予
測精度が落ちる結果を招く。しかしながら、このような
量を検出することは一般には困難であり、そのため１つ
の神経模式回路だけでは予測精度を向上させることは困
難であった。ところが、この内部の熱負荷はその性質
上、曜日ごとに再現性がある。例えば、水曜日の仕事の
状態は、毎週良く似た形態であり、金曜日とは異なると
いうような結果が報告されている。そこで、本実施例の
空調機の負荷予測装置は、各曜日ごとに神経模式回路を
もつことで、内部の熱負荷を検出しなくても精度の良い
負荷予測が行える効果がある。すなわち、各曜日ごとに
神経模式回路をもてば、内部の熱負荷を検出できたとし
ても各神経模式回路に入力される値は一定値となるた
め、実質上、入力する意味がなくなるため、入力しなく
ても負荷の予測精度が落ちることはないのである。

【００５０】なお本実施例では、日曜日は空調機の運転
を休止するとして、日曜神経模式回路は設けなかった
が、運転するなら設置すれば、日曜日でも負荷の予測が
行える。

【００５１】次に、本発明第４の実施例について説明す
る。第４の実施例の空調機の負荷予測装置の目的は、快
適な設定温度が季節ごとに異なっても、良好な負荷予測
の精度を得ることである。

【００５２】以下本発明の第４の実施例について図面を
参照しながら説明する。図４は本発明の第４の実施例を
示す空調機の負荷予測装置の構成を示すブロック図であ
る。

【００５３】同図において、１０１は室外気温センサ、
１０２は室外湿度センサ、１０３は日射量センサ、１０
４は室内温度センサ、１０５は室内湿度センサ、１１２
は室外環境検出手段、１１４は室内環境検出手段、１１
６は室内外環境メモリ、１１８は予報値入力手段、１２
０は予報値メモリ、１２２は空調機設定値入力手段、１
２４は空調機設定値メモリ、１５０は空調機、１２６は
負荷検出手段、１２８は負荷検出メモリ、１３８は予測
／学習選択回路、１３０は教師データ候補メモリ手段、
１３２は教師データセットメモリ手段、１３４はデータ
判別手段、１６０、１７０、１８０、１９０はスイッ
チ、３１０は曜日判定選択手段、３２０、３３０はスイ
ッチで、以上は図３の構成と同様なものである。

【００５４】図３と異なるのは、図３の各曜日ごとに用
意した神経模式回路３００、３０１、３０２、３０３、
３０４、３０５の代わりに、夏シーズン、冬シーズン、
春・秋シーズンと快適な設定温度範囲が異なる３つのシ
ーズンごとに神経模式回路を設け、さらに各シーズンで
各曜日ごとに設けている。すなわち、夏シーズンでは、
夏シーズン月曜神経模式回路４００、夏シーズン火曜神
経模式回路４０１、夏シーズン水曜神経模式回路４０
２、夏シーズン木曜神経模式回路４０３、夏シーズン金
曜神経模式回路４０４、夏シーズン土曜神経模式回路４
０５、冬シーズンでは、冬シーズン月曜神経模式回路４
１０、冬シーズン火曜神経模式回路４１１、冬シーズン
水曜神経模式回路４１２、冬シーズン木曜神経模式回路
４１３、冬シーズン金曜神経模式回路４１４、冬シーズ
ン土曜神経模式回路４１５、春・秋シーズンでは、春・
秋シーズン月曜神経模式回路４２０、春・秋シーズン火
曜神経模式回路４２１、春・秋シーズン水曜神経模式回
路４２２、春・秋シーズン木曜神経模式回路４２３、春
・秋シーズン金曜神経模式回路４２４、春・秋シーズン
土曜神経模式回路４２５を設けている。（図面スペース
の都合上、４０１、４０２、４０３、４０４、４１１、
４１２、４１３、４１４、４２１、４２２、４２３、４
２４の図示は省略）さらに季節に応じてどの神経模式回路を選択するかを決
める季節判定選択手段４３０とそれに応じて選択的に接
続するスイッチ４４０、４５０、４５１、４５２、４５
３、４５４、４５５、４６０、４６１、４６２、４６
３、４６４、４６５（図面スペースの都合上、４５１、
４５２、４５３、４５４、４６１、４６２、４６３、４
６４の図示は省略）を設けた点も図３と異なっている。

【００５５】以上のように構成された空調機の負荷予測
装置について、以下図４を用いてその動作を説明する。

【００５６】本実施例の負荷予測装置も、第３の実施例
と同様に予測動作と学習動作の２つの動作から成り立っ
ている。第３の実施例と異なるのは、快適な設定温度帯
として大きく３つのシーズンに分け、各シーズンごとに
神経模式回路を設定し、季節判定選択手段４３０で予測
当日の季節から、夏シーズンであれば使うべき神経模式
回路を４００〜４０５の中から選択し、冬シーズンであ
れば使うべき神経模式回路を４１０〜４１５の中から選
択し、春・秋シーズンであれば使うべき神経模式回路を
４２０〜４２５の中から選択し、スイッチ４４０および
４５０〜４５５および４６０〜４６５を切り替えている
点である。

【００５７】まず、予測動作において、室外環境検出手
段１１２、室内環境検出手段１１４、予報値入力手段１
１８、空調機設定値入力手段１２２の動作は第３の実施
例と同じである。季節判定選択手段４３０は予測動作を
行う日の空調機の設定温度から季節を判定してスイッチ
４４０および４５０〜４５５および４６０〜４６５を切
り替える。空調機の設定温度と季節の対応は、一般的な
基準としては、設定温度が２５℃〜２８℃は夏シーズ
ン、設定温度が１８℃〜２２℃は冬シーズン、設定温度
が２２℃〜２５℃は春・秋シーズンになる。例えば予測
動作を行う日が月曜日で、空調機の温度設定値が２６℃
であれば、夏シーズン月曜神経模式回路４００を選択す
る。

【００５８】学習動作においては、基本的には第３の実
施例と同様である。異なるのは、教師データ作成手段１
３６で作成された教師データセットがスイッチ４４０で
切り替えられた各シーズンの中の神経模式回路に送られ
学習動作が行われることである。

【００５９】このように、本実施例では、快適な設定温
度を大きく３つのシーズンに分類し、各シーズンごとに
神経模式回路を設定するため、１つの神経模式回路で３
つのシーズンのすべての設定温度に対して予測を行うよ
りも、予測精度をより向上させることができる。

【００６０】なお本実施例でも、日曜日は空調機の運転
を休止するとして、日曜神経模式回路は設けなかった
が、運転するなら設置すれば、日曜日でも負荷の予測が
行える。

【００６１】

【発明の効果】以上説明したように本発明によれば、空
調機設定値入力手段で入力する空調機の設定温度に対す
る空調機の負荷、すなわち、空調機での消費エネルギー
の量を神経模式回路で予測できるために、例えば冷房時
に室温設定値を１℃上げて運転したら１日でいくらの省
エネルギーの効果があるのかが具体的な数値で予め知る
ことができ、空調機の運転前の設定温度を決める時に、
省エネルギーを考慮しながらの運転計画を立てることが
できる。

【００６２】さらに本発明では、神経模式回路を使用し
ているために、従来の負荷予測装置の演算方式で多用さ
れている、カルマンフィルター、ＡＲＭＡモデル、重回
帰曲線のように線形性の強い対象へ適応した場合は有効
であるが、非線形性の強い負荷予測に適応した場合には
十分な予測精度を得ることができないという問題も解決
できる。

【図面の簡単な説明】

【図１】本発明の第１の実施例における空調機の負荷予
測装置の構成を示すブロック図

【図２】本発明の第２の実施例における空調機の負荷予
測装置の構成を示すブロック図

【図３】本発明の第３の実施例における空調機の負荷予
測装置の構成を示すブロック図

【図４】本発明の第４の実施例における空調機の負荷予
測装置の構成を示すブロック図

【図５】本発明の第１の実施例における空調機の負荷予
測装置の神経模式回路の構成を示す構成図

【符号の説明】

１０１室外気温センサ１０２室外湿度センサ１０３日射量センサ１０４室内温度センサ１０５室内湿度センサ１１２室外環境検出手段１１４室内環境検出手段１１６室内外環境メモリ１１８予報値入力手段１２０予報値メモリ１２２空調機設定値入力手段１２４空調機設定値メモリ１４０神経模式回路１５０空調機１２６負荷検出手段１２８負荷検出メモリ１３８予測／学習選択回路１３０教師データ候補メモリ手段１３２教師データセットメモリ手段１３４データ判別手段１６０、１７０、１８０、１９０スイッチ２００、２０１、２０２、２０３減算回路３００〜３０５月曜神経模式回路〜土曜神経模式回路３１０曜日判定選択手段３２０、３３０スイッチ４００〜４０５夏シーズン月曜神経模式回路〜夏シー
ズン土曜神経模式回路４１０〜４１５冬シーズン月曜神経模式回路〜冬シー
ズン土曜神経模式回路４２０〜４２５春・秋シーズン月曜神経模式回路〜春
・秋シーズン土曜神経模式回路４３０季節判定選択手段４４０、４５０〜４５５、４６０〜４６５スイッチ

フロントページの続き (72)発明者岩崎昌隆大阪府大阪市城東区今福西６丁目２番61号松下精工株式会社内 (72)発明者森下賢幸大阪府門真市大字門真1006番地松下電子工業株式会社内

Claims

【特許請求の範囲】

【請求項１】外気温度、外気湿度、日射量など室外環境
の状態を検知する室外センサ郡と、前記室外センサ郡か
ら負荷予測時にデータを検出する室外環境検出手段と、
室内温度、室内湿度など室内環境を検知する室内センサ
郡と、前記室内センサ郡から負荷予測時にデータを検出
する室内環境検出手段と、前記室外環境検出手段および
前記室内環境検出手段で検出されたデータを記憶する室
内外環境メモリと、負荷予測時の気象予報データを入力
する予報値入力手段と、前記予報値入力手段の値を記憶
する予報値メモリと、空調機を運転するための設定温
度、設定湿度、運転時間など各設定値を入力する空調機
設定値入力手段と、前記空調機設定値入力手段の各設定
値を記憶する空調機設定値メモリと、前記空調機設定値
入力手段で設定された設定値で空調機を運転した場合の
空調機の負荷を検出する負荷検出手段と、前記負荷検出
手段で検出された空調機の負荷を記憶する負荷検出メモ
リと、前記室内外メモリと前記予報値メモリと前記空調
機設定値メモリと前記負荷検出メモリから学習のための
教師データを作成する教師データ作成手段と、前記室外
環境検出手段と前記室内環境検出手段とでそれぞれ検出
された値と、前記予報値入力手段と前記空調機設定入力
手段でそれぞれ入力された値から空調機の負荷の予測値
を演算した後出力し、空調機の運転終了後に前記教師デ
ータ作成手段で作成された教師データをもとに学習を行
う神経模式回路とを具備することを特徴とする空気調和
機の負荷予測装置。
【請求項２】予報値入力手段が気象予報データから予測
当日の最高および最低予想気温、さらに天気を入力する
ことを特徴とする請求項１記載の空気調和機の負荷予測
装置。
【請求項３】教師データ作成手段が学習を開始する前に
予測値メモリと室内外環境メモリと空調機設定値メモリ
と負荷検出メモリとから教師データの候補を構成する教
師データ候補メモリ手段と前記教師データ候補メモリ手
段のデータを判別し天候急変などの異常データならばこ
れを除去し、正常データならばこれを教師データセット
メモリ手段に記憶し、神経模式回路の学習を行うための
教師データとすることを特徴とする請求項１記載の空気
調和機の負荷予測装置。
【請求項４】外気温度、外気湿度、日射量など室外環境
の状態を検知する室外センサ郡と、前記室外センサ郡か
ら負荷予測時にデータを検出する室外環境検出手段と、
室内温度、室内湿度など室内環境の状態を検知する室内
センサ郡と、前記室内センサ郡から負荷予測時にデータ
を検出する室内環境検出手段と、負荷予測時の気象予報
データを入力する予報値入力手段と、空調機を運転する
ための設定温度、設定湿度、運転時間など各設定値を入
力する空調機設定値入力手段と、前記空調機設定値入力
手段の各設定値を記憶する空調機設定値メモリと、前記
室外環境検出手段で検出した値のうち、室外気温につい
ては前記空調機設定入力手段で設定した設定温度との差
の形で、それ以外の値についてはそのままの形で、また
前記室内環境検出手段で検出した値のうち、室内温度に
ついては前記空調機設定入力手段で設定した設定温度と
の差の形で、それ以外の値についてはそのままの形でデ
ータを記憶する室内外環境メモリと、前記予報値入力手段で入力した値のうち、最高および最
低予想気温については前記空調機設定入力手段で設定し
た設定室温との差の形で、それ以外の値についてはその
ままの形でデータを記憶する予報値メモリと、前記空調
機設定値入力手段で設定された設定値で空調機を運転し
た場合の空調機の負荷を検出する負荷検出手段と、前記
負荷検出手段で検出された空調機の負荷を記憶する負荷
検出メモリと、前記室内外メモリと前記予報値メモリと
前記空調機設定値メモリと前記負荷検出メモリから学習
のための教師データを作成する教師データ作成手段と、
前記室外環境検出手段で検出した値のうち、室外気温に
ついては前記空調機設定入力手段で設定した設定室温と
の差の形で、それ以外の値についてはそのままの形で、
前記室内環境検出手段で検出した値のうち、室内気温に
ついては前記空調機設定入力手段で設定した設定室温と
の差の形で、それ以外の値についてはそのままの形で、
前記予報値入力手段で入力した値のうち、最高および最
低予想気温については前記空調機設定入力手段で設定し
た設定室温との差の形で、それ以外の値についてはその
ままの形で、それぞれ入力された値から空調機の負荷を
演算した後出力し、空調機の運転終了後に前記教師デー
タ作成手段で作成された教師データをもとに学習を行う
神経模式回路とを具備することを特徴とする空気調和機
の負荷予測装置。
【請求項５】外気温度、外気湿度、日射量など室外環境
の状態を検知する室外センサ郡と、前記室外センサ郡か
ら負荷予測時にデータを検出する室外環境検出手段と、
室内温度、室内湿度など室内環境の状態を検知する室内
センサ郡と、前記室内センサ郡から負荷予測時にデータ
を検出する室内環境検出手段と、前記室外環境検出手段
および前記室内環境検出手段で検出されたデータを記憶
する室内外環境メモリと、負荷予測時の気象予報データ
を入力する予報値入力手段と、前記予報値入力手段の値
を記憶する予報値メモリと、空調機を運転するための設
定温度、設定湿度、運転時間など各設定値を入力する空
調機設定値入力手段と、前記空調機設定値入力手段の各
設定値を記憶する空調機設定値メモリと、前記空調機設
定値入力手段で設定された設定値で空調機を運転した場
合の空調機の負荷を検出する負荷検出手段と、前記負荷
検出手段で検出された空調機の負荷を記憶する負荷検出
メモリと、前記室内外メモリと前記予報値メモリと前記
空調機設定値メモリと前記負荷検出メモリから学習のた
めの教師データを作成する教師データ作成手段と、予測
当日の曜日を判定し、各曜日ごとに設置した複数個の神
経模式回路の中からその曜日用の神経模式回路を１つ選
択する曜日判定選択手段と、前記曜日判定選択手段で選
択された前記神経模式回路を用いて、前記室外環境検出
手段と前記室内環境検出手段とでそれぞれ検出された値
と、前記予報値入力手段と前記空調機設定入力手段でそ
れぞれ入力された値から空調機の負荷を演算した後出力
し、空調機の運転終了後に前記教師データ作成手段で作
成された教師データをもとに学習を行うことを特徴とす
る空気調和機の負荷予測装置。
【請求項６】外気温度、外気湿度、日射量など室外環境
の状態を検知する室外センサ郡と、前記室外センサ郡か
ら負荷予測時にデータを検出する室外環境検出手段と、
室内温度、室内湿度など室内環境の状態を検知する室内
センサ郡と、前記室内センサ郡から負荷予測時にデータ
を検出する室内環境検出手段と、前記室外環境検出手段および前記室内環境検出手段で検
出されたデータを記憶する室内外環境メモリと、負荷予
測時の気象予報データを入力する予報値入力手段と、前
記予報値入力手段の値を記憶する予報値メモリと、空調
機を運転するための設定温度、設定湿度、運転時間など
各設定値を入力する空調機設定値入力手段と、前記空調
機設定値入力手段の各設定値を記憶する空調機設定値メ
モリと、前記空調機設定値入力手段で設定された設定値
で空調機を運転した場合の空調機の負荷を検出する負荷
検出手段と、前記負荷検出手段で検出された空調機の負
荷を記憶する負荷検出メモリと、前記室内外メモリと前
記予報値メモリと前記空調機設定値メモリと前記負荷検
出メモリから学習のための教師データを作成する教師デ
ータ作成手段と、各曜日ごとに、さらに各季節ごとに区
別し複数個を設置した神経模式回路と、予測当日の曜日
を判定し、各曜日ごとに設置した複数個の神経模式回路
の中からその曜日用の神経模式回路を選択する曜日判定
選択手段と、予測当日の季節を判定し、各季節ごとに設
置した複数個の神経模式回路の中からその季節用の神経
模式回路を選択する季節判定選択手段と、前記曜日判定
選択手段と前記季節判定選択手段より１つに選択された
前記神経模式回路を用いて、前記室外環境検出手段と前
記室内環境検出手段とでそれぞれ検出された値と、前記
予報値入力手段と前記空調機設定入力手段でそれぞれ入
力された値から空調機の負荷を演算した後出力し、空調
機の運転終了後に前記教師データ作成手段で作成された
教師データをもとに学習を行うことを特徴とする空気調
和機の負荷予測装置。