JPH0814627A - 予測データ作成システムおよびこのシステムを用いた熱負荷予測装置 - Google Patents
予測データ作成システムおよびこのシステムを用いた熱負荷予測装置Info
- Publication number
- JPH0814627A JPH0814627A JP6145920A JP14592094A JPH0814627A JP H0814627 A JPH0814627 A JP H0814627A JP 6145920 A JP6145920 A JP 6145920A JP 14592094 A JP14592094 A JP 14592094A JP H0814627 A JPH0814627 A JP H0814627A
- Authority
- JP
- Japan
- Prior art keywords
- outside air
- load
- prediction
- data
- prediction model
- 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
Abstract
(57)【要約】
【目的】 ニューラルネットワークを使用し、最適な予
測用モデルが短時間で作成でき、実績の急激な変化にも
対応出来る、熱供給設備に対する熱負荷を予測する熱負
荷予測装置を提供する。 【構成】 外気予測部２が、予め作成された外気予測モ
デル３に、入力した要因データ１１を適用してネットワ
ークモデルから予測外気温度・予測外気湿度１２を作成
し出力する。外気予測モデル３は、この出力に、要因デ
ータ１１の内、この出力に対する変動要因を加え、ネッ
トワークの重み係数を演算して作成される。最終出力の
予測負荷１４は、予測外気温度・外気湿度１２に、予測
負荷１４の変動要因の要因データ１３を加えてネットワ
ークモデルから予測負荷１４を作成し出力する。負荷予
測モデル７は、予測負荷１４に、予測負荷１４の変動要
因を加え、ネットワークの重み係数を演算して作成され
る。
測用モデルが短時間で作成でき、実績の急激な変化にも
対応出来る、熱供給設備に対する熱負荷を予測する熱負
荷予測装置を提供する。 【構成】 外気予測部２が、予め作成された外気予測モ
デル３に、入力した要因データ１１を適用してネットワ
ークモデルから予測外気温度・予測外気湿度１２を作成
し出力する。外気予測モデル３は、この出力に、要因デ
ータ１１の内、この出力に対する変動要因を加え、ネッ
トワークの重み係数を演算して作成される。最終出力の
予測負荷１４は、予測外気温度・外気湿度１２に、予測
負荷１４の変動要因の要因データ１３を加えてネットワ
ークモデルから予測負荷１４を作成し出力する。負荷予
測モデル７は、予測負荷１４に、予測負荷１４の変動要
因を加え、ネットワークの重み係数を演算して作成され
る。
Description
【０００１】
【産業上の利用分野】本発明は、必要な要因データを入
力して予測データを作成し出力する予測データ作成シス
テムを用い、熱供給設備に対する熱負荷を予測する熱負
荷予測装置に関し、特に、より簡単に素早く最適な予測
データを求める予測データ作成システムを用いた熱負荷
予測装置に関する。
力して予測データを作成し出力する予測データ作成シス
テムを用い、熱供給設備に対する熱負荷を予測する熱負
荷予測装置に関し、特に、より簡単に素早く最適な予測
データを求める予測データ作成システムを用いた熱負荷
予測装置に関する。
【０００２】
【従来の技術】一般に、熱負荷予測装置は、空気調和に
使用される熱供給設備が出力する熱量を熱負荷として予
測する装置である。ここで、熱供給設備とは、ビルディ
ング、家屋、または公共施設等の建物の内部に設置され
る空気調和設備に熱を供給する設備であり、供給する熱
の発生には、電気、ガス等を動力源とする冷凍機、冷温
水発生機等の熱発生機器が用いられる。
使用される熱供給設備が出力する熱量を熱負荷として予
測する装置である。ここで、熱供給設備とは、ビルディ
ング、家屋、または公共施設等の建物の内部に設置され
る空気調和設備に熱を供給する設備であり、供給する熱
の発生には、電気、ガス等を動力源とする冷凍機、冷温
水発生機等の熱発生機器が用いられる。
【０００３】また、この種の熱発生機器としては、水な
どの蓄熱効果の高い流体を満たした蓄熱槽を持つ場合も
あり、この様に、蓄熱槽を用いた場合、発生した熱を蓄
熱槽に蓄積し、蓄積した熱を熱消費が発生したときに放
出する。蓄熱槽を用いた場合、この蓄熱槽に、昼間に使
用する熱を夜間に蓄積して、熱発生機器の容量を軽減で
きるので、初期投資を削減することが出来る。
どの蓄熱効果の高い流体を満たした蓄熱槽を持つ場合も
あり、この様に、蓄熱槽を用いた場合、発生した熱を蓄
熱槽に蓄積し、蓄積した熱を熱消費が発生したときに放
出する。蓄熱槽を用いた場合、この蓄熱槽に、昼間に使
用する熱を夜間に蓄積して、熱発生機器の容量を軽減で
きるので、初期投資を削減することが出来る。
【０００４】更に、電気を動力源とし、且つ、蓄熱槽を
有する熱発生機器は、「１９９３年４月 電気設備学会
誌 Ｐ３４７〜Ｐ３５０」に記載されているように、設
備ユーザにとって安価な夜間電力を使用して運用コスト
が削減出来る。また、電力会社にとって、電力負荷の平
準化を図ることが出来る等のメリットがある。
有する熱発生機器は、「１９９３年４月 電気設備学会
誌 Ｐ３４７〜Ｐ３５０」に記載されているように、設
備ユーザにとって安価な夜間電力を使用して運用コスト
が削減出来る。また、電力会社にとって、電力負荷の平
準化を図ることが出来る等のメリットがある。
【０００５】蓄熱槽に蓄える熱量は、建築物が消費する
将来における熱量を予測して決定され、この予測値に従
って熱発生機器は運転される。使用熱量の予測は、天
気、月日、建物内部に蓄積される熱量、曜日の変化によ
る建物の使用状況等の変動による負荷の変動要因が多
く、的確な予測用モデルを作成することが困難なため、
変動要因を基に運用者の経験によって行われていた。運
用者の経験による予測は無人運転を実現出来ない。
将来における熱量を予測して決定され、この予測値に従
って熱発生機器は運転される。使用熱量の予測は、天
気、月日、建物内部に蓄積される熱量、曜日の変化によ
る建物の使用状況等の変動による負荷の変動要因が多
く、的確な予測用モデルを作成することが困難なため、
変動要因を基に運用者の経験によって行われていた。運
用者の経験による予測は無人運転を実現出来ない。
【０００６】このため、最近、この種の予測データ作成
システムを用いた熱負荷予測装置では、特開平４−１５
４４１号公報に記載されているように、ニューラルネッ
トワークモデルのような自己組織化モデルを用いて、精
度よく推定し、効率の向上及び無人化を図っている。
システムを用いた熱負荷予測装置では、特開平４−１５
４４１号公報に記載されているように、ニューラルネッ
トワークモデルのような自己組織化モデルを用いて、精
度よく推定し、効率の向上及び無人化を図っている。
【０００７】ニューラルネットワークの構造は、予想デ
ータ、月日、計測データ、現在時刻等の要因データを入
力層のニューロンとし、且つ、各予測データを出力層の
ニューロンとしている。また、入力層と出力層との間に
中間層のニューロンをもつ３層のニューラルネットワー
クが構成されている。
ータ、月日、計測データ、現在時刻等の要因データを入
力層のニューロンとし、且つ、各予測データを出力層の
ニューロンとしている。また、入力層と出力層との間に
中間層のニューロンをもつ３層のニューラルネットワー
クが構成されている。
【０００８】より詳細に述べると、図５に示されるよう
に、データ記憶部２１は現在制御され稼働している熱発
生機器の熱供給設備に対する熱負荷検出データを熱負荷
実績として記憶する。データ入力部２２には、熱負荷変
動の要因データとなる天候、気温、曜日等が、人手によ
って、入力される。パターン分類部２３は、データ記憶
部２１に記憶された熱負荷実績データと、データ入力部
２２に入力された熱負荷を変動させる要因データの気象
実績および曜日情報とを取出し、これらのデータに基い
て、熱負荷パターンを特定するための特徴を定義し、且
つ、この特徴により熱負荷パターンを分類する。
に、データ記憶部２１は現在制御され稼働している熱発
生機器の熱供給設備に対する熱負荷検出データを熱負荷
実績として記憶する。データ入力部２２には、熱負荷変
動の要因データとなる天候、気温、曜日等が、人手によ
って、入力される。パターン分類部２３は、データ記憶
部２１に記憶された熱負荷実績データと、データ入力部
２２に入力された熱負荷を変動させる要因データの気象
実績および曜日情報とを取出し、これらのデータに基い
て、熱負荷パターンを特定するための特徴を定義し、且
つ、この特徴により熱負荷パターンを分類する。
【０００９】熱負荷パターンの変化の特徴は、１時間毎
１日分のパターンに関する（昼間、夜間）特徴と、最高
気温、最低気温、天候等、当日を含む３日間に関する気
象実績と、曜日に関する情報とによって定義されてい
る。この特徴により分類された熱負荷パターン毎に、時
間単位の実績を日量の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している。
１日分のパターンに関する（昼間、夜間）特徴と、最高
気温、最低気温、天候等、当日を含む３日間に関する気
象実績と、曜日に関する情報とによって定義されてい
る。この特徴により分類された熱負荷パターン毎に、時
間単位の実績を日量の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している。
【００１０】予測モデル作成部２４は、パターン分類部
２３で分類された熱負荷パターン、および気象、曜日に
関するパターンを取出し、これらパターンに基いて、予
測モデル２５を学習する。予測モデル２５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
より作成される。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。
２３で分類された熱負荷パターン、および気象、曜日に
関するパターンを取出し、これらパターンに基いて、予
測モデル２５を学習する。予測モデル２５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
より作成される。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。
【００１１】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、ネットワークの調整が出力
層から入力層へ逆伝播していくバックプロパゲーション
法を使用して行っている。
ロン間の重み係数の学習は、ネットワークの調整が出力
層から入力層へ逆伝播していくバックプロパゲーション
法を使用して行っている。
【００１２】パターン予測部２６は、データ入力部２２
に入力された要因データのうち、所望の予測時期、この
例では翌日、の気象予報を取出し、予測モデル２５に記
憶された重み係数を用い、ニューラルネットワークモデ
ルに従って出力層の各ニューロン（パターン）の値を演
算する。この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。
に入力された要因データのうち、所望の予測時期、この
例では翌日、の気象予報を取出し、予測モデル２５に記
憶された重み係数を用い、ニューラルネットワークモデ
ルに従って出力層の各ニューロン（パターン）の値を演
算する。この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。
【００１３】この結果、毎日２４時間分の単位で翌日の
パターンが正確に求められる。
パターンが正確に求められる。
【００１４】
【発明が解決しようとする課題】上述した従来の予測デ
ータ作成システムを用いた熱負荷予測装置は、稼働中の
熱供給設備の熱負荷実績を検出した熱負荷検出データお
よび過去の３日間の実績データに基づいて、パターン分
類し、予測モデルを作成する構造をもっている。このパ
ターン分類は１日２４時間分の単位で翌日分が一括して
形成されており、更に、予測負荷量も、パターン分類に
基づいて１日分の熱負荷パターンとして一括で予測して
いる。このため、一時刻毎の予測負荷と実績負荷との誤
差が当日の他時刻の予測負荷量の算出に反映されず、実
績の急激な変化に、即時には対応出来ないという問題点
がある。
ータ作成システムを用いた熱負荷予測装置は、稼働中の
熱供給設備の熱負荷実績を検出した熱負荷検出データお
よび過去の３日間の実績データに基づいて、パターン分
類し、予測モデルを作成する構造をもっている。このパ
ターン分類は１日２４時間分の単位で翌日分が一括して
形成されており、更に、予測負荷量も、パターン分類に
基づいて１日分の熱負荷パターンとして一括で予測して
いる。このため、一時刻毎の予測負荷と実績負荷との誤
差が当日の他時刻の予測負荷量の算出に反映されず、実
績の急激な変化に、即時には対応出来ないという問題点
がある。
【００１５】また、２４時間以内の気象実績の急激な変
化を受入れ、パターン分類し、且つ、予測モデルを作成
するとしても、特殊パターンになるため、予測モデルの
作成に、ニューラルネットワークの重み係数の多くの繰
返し学習が必要となる。この結果、最適な予測モデルの
作成に多大の時間を要し、熱供給設備への対処が間に合
わない恐れがあるという問題点がある。
化を受入れ、パターン分類し、且つ、予測モデルを作成
するとしても、特殊パターンになるため、予測モデルの
作成に、ニューラルネットワークの重み係数の多くの繰
返し学習が必要となる。この結果、最適な予測モデルの
作成に多大の時間を要し、熱供給設備への対処が間に合
わない恐れがあるという問題点がある。
【００１６】本発明の課題は、ニューラルネットワーク
を使用し、最適な予測用モデルが短時間で作成でき、実
績の急激な変化にも短時間で対応出来る予測データ作成
システムおよびこのシステムを用いた熱負荷予測装置を
提供することである。
を使用し、最適な予測用モデルが短時間で作成でき、実
績の急激な変化にも短時間で対応出来る予測データ作成
システムおよびこのシステムを用いた熱負荷予測装置を
提供することである。
【００１７】
【課題を解決するための手段】本発明による予測データ
作成システムは、要因データを入力して予測データを作
成し出力する予測データ作成システムにおいて、予め作
成される予測モデルと、前記要因データを入力し一時保
存する入力部と、当該入力部から受ける要因データを前
記予測モデルに適用してニューラルネットワークモデル
から予測データを作成し出力する予測部と、当該予測部
から受ける予測データに前記入力部から取出した要因を
加えニューラルネットワークの重み係数を演算して予測
モデルを作成し当該予測モデルを前記予測モデルに代替
する予測モデル作成部とを備えている。また、、前記予
測モデル作成部が、一定時間内の教師信号として過去の
実績値と予測値とを用いている。
作成システムは、要因データを入力して予測データを作
成し出力する予測データ作成システムにおいて、予め作
成される予測モデルと、前記要因データを入力し一時保
存する入力部と、当該入力部から受ける要因データを前
記予測モデルに適用してニューラルネットワークモデル
から予測データを作成し出力する予測部と、当該予測部
から受ける予測データに前記入力部から取出した要因を
加えニューラルネットワークの重み係数を演算して予測
モデルを作成し当該予測モデルを前記予測モデルに代替
する予測モデル作成部とを備えている。また、、前記予
測モデル作成部が、一定時間内の教師信号として過去の
実績値と予測値とを用いている。
【００１８】本発明による熱負荷予測装置は、熱供給設
備に対する熱負荷を予測する熱負荷予測装置において、
予め作成される外気予測モデルと、計測された外気温度
及び外気湿度、並びに、予測時間に対して予想する天
気、最高気温、最低気温を含む変動要因データを入力
し、保存する外気入力部と、当該外気入力部から受ける
変動要因データを前記外気予測モデルに適用してニュー
ラルネットワークモデルから外気温度及び外気湿度とい
う予測データを作成して出力する外気予測部と、当該外
気予測部から受ける外気温度及び外気湿度という予測デ
ータに前記外気入力部から取出した要因データを加えニ
ューラルネットワークの重み係数を演算して外気予測モ
デルを作成し当該外気予測モデルを前記外気予測モデル
に代替する外気予測モデル作成部と、予め作成され受取
った負荷予測モデルと、計測された負荷熱量、並びに、
予測時間に対して予想する天気、及び前記外気予測部か
ら受ける予測データの外気温度及び外気湿度を含む変動
要因データを入力し保存する負荷入力部と、当該負荷入
力部から受ける変動要因データを前記負荷予測モデルに
適用してニューラルネットワークモデルから負荷熱量と
いう予測データを作成して出力する負荷予測部と、当該
負荷予測部から受ける負荷熱量という予測データに前記
負荷入力部から取出した要因データを加えニューラルネ
ットワークの重み係数を演算して負荷予測モデルを作成
し当該負荷予測モデルを前記負荷予測モデルに代替する
負荷予測モデル作成部とを備えている。また、外気予測
モデル作成部及び負荷予測モデル作成部が、一定時間内
の教師信号として過去の実績値と予測値とを用いてい
る。
備に対する熱負荷を予測する熱負荷予測装置において、
予め作成される外気予測モデルと、計測された外気温度
及び外気湿度、並びに、予測時間に対して予想する天
気、最高気温、最低気温を含む変動要因データを入力
し、保存する外気入力部と、当該外気入力部から受ける
変動要因データを前記外気予測モデルに適用してニュー
ラルネットワークモデルから外気温度及び外気湿度とい
う予測データを作成して出力する外気予測部と、当該外
気予測部から受ける外気温度及び外気湿度という予測デ
ータに前記外気入力部から取出した要因データを加えニ
ューラルネットワークの重み係数を演算して外気予測モ
デルを作成し当該外気予測モデルを前記外気予測モデル
に代替する外気予測モデル作成部と、予め作成され受取
った負荷予測モデルと、計測された負荷熱量、並びに、
予測時間に対して予想する天気、及び前記外気予測部か
ら受ける予測データの外気温度及び外気湿度を含む変動
要因データを入力し保存する負荷入力部と、当該負荷入
力部から受ける変動要因データを前記負荷予測モデルに
適用してニューラルネットワークモデルから負荷熱量と
いう予測データを作成して出力する負荷予測部と、当該
負荷予測部から受ける負荷熱量という予測データに前記
負荷入力部から取出した要因データを加えニューラルネ
ットワークの重み係数を演算して負荷予測モデルを作成
し当該負荷予測モデルを前記負荷予測モデルに代替する
負荷予測モデル作成部とを備えている。また、外気予測
モデル作成部及び負荷予測モデル作成部が、一定時間内
の教師信号として過去の実績値と予測値とを用いてい
る。
【００１９】
【実施例】次に、本発明について図面を参照して説明す
る。
る。
【００２０】図１は本発明の一実施例を示す機能ブロッ
ク図である。
ク図である。
【００２１】図１では、２組の予測データ作成システム
が使用されている。第一の予測データ作成システムは、
外気予測ブロック９であり、要因データ１１により学習
演算して予測外気温度・予測外気湿度１２を求めて出力
している。第二の予測データ作成システムは、負荷予測
ブロック１０であり、予測外気温度・予測外気湿度１２
および要因データ１３の両者により学習演算し、最終目
的の予測負荷を求めて出力している。
が使用されている。第一の予測データ作成システムは、
外気予測ブロック９であり、要因データ１１により学習
演算して予測外気温度・予測外気湿度１２を求めて出力
している。第二の予測データ作成システムは、負荷予測
ブロック１０であり、予測外気温度・予測外気湿度１２
および要因データ１３の両者により学習演算し、最終目
的の予測負荷を求めて出力している。
【００２２】本発明においても、ニューラルネットワー
クを使用して予測データを求めている。例えば、図２
（Ａ）および図３（Ａ）に示すように、ニューラルネッ
トワークの構造は、予想データ、月日、計測データ、現
在時刻を含む要因データを入力層のニューロンとし、且
つ、各予測データを出力層のニューロンとしている。ま
た、ニューラルネットワークは入力層と出力層との間に
中間層のニューロンをもつ３層構造を成している。
クを使用して予測データを求めている。例えば、図２
（Ａ）および図３（Ａ）に示すように、ニューラルネッ
トワークの構造は、予想データ、月日、計測データ、現
在時刻を含む要因データを入力層のニューロンとし、且
つ、各予測データを出力層のニューロンとしている。ま
た、ニューラルネットワークは入力層と出力層との間に
中間層のニューロンをもつ３層構造を成している。
【００２３】まず、第一の予測データ作成システム、即
ち、図１に示される予測外気温度・予測外気湿度１２を
求める部分の外気予測ブロック９について説明する。
ち、図１に示される予測外気温度・予測外気湿度１２を
求める部分の外気予測ブロック９について説明する。
【００２４】モデル作成用の要因データ１１を入力する
外気入力部１は、受けた要因データ１１を、外気予測用
データとして記憶保存する。要因データ１１は、予測デ
ータである外気温度・外気湿度の変動要因データとな
る、外気温度・外気湿度、予想天気、予想最高外気温
度、および予想最低外気温度を一時間周期に収集し、こ
の収集したデータに収集した期日および時間を付して、
過去２４時間分が、保存されている。外気温度は温度セ
ンサー等により計測され、現在の外気湿度は湿度センサ
ー等により計測される。現在の予想天気、予想最高気
温、および予想最低気温は天気予報配給会社等から提供
される。
外気入力部１は、受けた要因データ１１を、外気予測用
データとして記憶保存する。要因データ１１は、予測デ
ータである外気温度・外気湿度の変動要因データとな
る、外気温度・外気湿度、予想天気、予想最高外気温
度、および予想最低外気温度を一時間周期に収集し、こ
の収集したデータに収集した期日および時間を付して、
過去２４時間分が、保存されている。外気温度は温度セ
ンサー等により計測され、現在の外気湿度は湿度センサ
ー等により計測される。現在の予想天気、予想最高気
温、および予想最低気温は天気予報配給会社等から提供
される。
【００２５】外気予測部２は、外気入力部１から取出し
た要因データ１１に基いて予め実験等を行い、最適な予
想値が得られるように構成したニューラルネットワーク
と、予め作成された外気予測モデル３のデータとから、
一時間毎にニューラルネットワークの調整が入力層から
出力層へ伝播するフォワードプロパゲーション法によ
り、その間の予測外気温度および予測外気湿度を得て、
出力する。この得られた予測外気温度・予測外気湿度は
２４時間分の予測データとして保存される。
た要因データ１１に基いて予め実験等を行い、最適な予
想値が得られるように構成したニューラルネットワーク
と、予め作成された外気予測モデル３のデータとから、
一時間毎にニューラルネットワークの調整が入力層から
出力層へ伝播するフォワードプロパゲーション法によ
り、その間の予測外気温度および予測外気湿度を得て、
出力する。この得られた予測外気温度・予測外気湿度は
２４時間分の予測データとして保存される。
【００２６】外気予測モデル３は、外気予測モデル作成
部４が、外気入力部１に保存中の外気温度・外気湿度等
の変動要因データと、外気予測部２が出力する予測外気
温度・予測外気湿度とから、ニューラルネットワークの
調整が出力層から入力層へ伝播するバックプロパゲーシ
ョン法により、作成される。
部４が、外気入力部１に保存中の外気温度・外気湿度等
の変動要因データと、外気予測部２が出力する予測外気
温度・予測外気湿度とから、ニューラルネットワークの
調整が出力層から入力層へ伝播するバックプロパゲーシ
ョン法により、作成される。
【００２７】外気予測モデル作成部４は、例えば２３時
台の現在、過ぎ去った２２時、または１時間前に予測さ
れた２３時から翌日２２時までの予測外気温度・予測外
気湿度と２３時から現在までの外気温度・外気湿度とを
教師信号として、予測に使用した予想天気、予想最高気
温、予想最低気温、月日、予測時点での現在外気温度・
現在外気湿度、および現在時間に、入力層のこれらに対
応するデータが一致するように、１時間周期でバックプ
ロパゲーション法により、外気予測モデルを変更してい
く。
台の現在、過ぎ去った２２時、または１時間前に予測さ
れた２３時から翌日２２時までの予測外気温度・予測外
気湿度と２３時から現在までの外気温度・外気湿度とを
教師信号として、予測に使用した予想天気、予想最高気
温、予想最低気温、月日、予測時点での現在外気温度・
現在外気湿度、および現在時間に、入力層のこれらに対
応するデータが一致するように、１時間周期でバックプ
ロパゲーション法により、外気予測モデルを変更してい
く。
【００２８】図２（Ａ）には、外気予測部２におけるニ
ューラルネットワークの構造図を示し、また、図２
（Ｂ）には、外気予測部２における予測結果が示されて
いる。
ューラルネットワークの構造図を示し、また、図２
（Ｂ）には、外気予測部２における予測結果が示されて
いる。
【００２９】図示されるように、一方の入力層のニュー
ロンには、変動要因データとして、「空気調和・衛生設
備の基礎 牧野彰一他共著 彰国社刊 Ｐ９〜Ｐ２６」
に記載されている通り、天気の変化に対して影響する要
因が採用されている。図示される要因データは、予測の
対象となる期日の予想天気、天気に影響を及ぼす最高気
温および最低気温の予想値、天気に影響を及ぼす月日、
フォワードプロパゲーション法により出力される予測外
気温度および予測外気湿度の基準値となる現在計測中の
外気温度および外気湿度、並びに、現在時刻を含んでい
る。
ロンには、変動要因データとして、「空気調和・衛生設
備の基礎 牧野彰一他共著 彰国社刊 Ｐ９〜Ｐ２６」
に記載されている通り、天気の変化に対して影響する要
因が採用されている。図示される要因データは、予測の
対象となる期日の予想天気、天気に影響を及ぼす最高気
温および最低気温の予想値、天気に影響を及ぼす月日、
フォワードプロパゲーション法により出力される予測外
気温度および予測外気湿度の基準値となる現在計測中の
外気温度および外気湿度、並びに、現在時刻を含んでい
る。
【００３０】他方の出力層のニューロンには、１時間毎
の予測外気温度および予測外気湿度が列挙されている。
の予測外気温度および予測外気湿度が列挙されている。
【００３１】予測データは、例えば、図示されるよう
に、２３時から翌日２２時までの間で、予測外気温度が
山なりの曲線を描いており、また、予測外気湿度が谷を
もつ曲線を描いている。
に、２３時から翌日２２時までの間で、予測外気温度が
山なりの曲線を描いており、また、予測外気湿度が谷を
もつ曲線を描いている。
【００３２】次に、再度、図１に戻り、第二の予測デー
タ作成システム、即ち、図１に示される予測負荷１４を
求める部分の負荷予測ブロック１０について説明する。
各ブロックの動作機能は前述の第一の予測データ作成シ
ステムの外気予測ブロック９と同様である。
タ作成システム、即ち、図１に示される予測負荷１４を
求める部分の負荷予測ブロック１０について説明する。
各ブロックの動作機能は前述の第一の予測データ作成シ
ステムの外気予測ブロック９と同様である。
【００３３】負荷入力部５は、要因データ１３と、外気
予測部２から出力された予測外気温度・予測外気湿度１
２とを入力し、負荷予測用データおよび負荷予測モデル
作成用データとして記憶保存する。要因データ１３は予
想天気、月日、曜日、現在までの２次側負荷を含む予測
負荷に対する変動要因データである。
予測部２から出力された予測外気温度・予測外気湿度１
２とを入力し、負荷予測用データおよび負荷予測モデル
作成用データとして記憶保存する。要因データ１３は予
想天気、月日、曜日、現在までの２次側負荷を含む予測
負荷に対する変動要因データである。
【００３４】負荷予測部６は、負荷入力部５からの変動
要因データと、予め作成された負荷予測モデル７とか
ら、フォワードプロパゲーション法により、２４時間分
の２次側の予測負荷を算出する。
要因データと、予め作成された負荷予測モデル７とか
ら、フォワードプロパゲーション法により、２４時間分
の２次側の予測負荷を算出する。
【００３５】負荷予測部６に入力する変動要因データ
は、「空気調和設備 吉村武他共著彰国社刊 Ｐ７〜Ｐ
３０」に記載されている通り、天気、外気温度・外気湿
度、等の気象条件の変動による要因と、人体および照明
・ＯＡ機器等が発生する熱に関する要因との影響が大き
いとされている。このため、要因データには、予測対象
となる日の予想天気、予測対象となる時刻の予測外気温
度・外気湿度、人体および照明・ＯＡ機器等が発生する
熱の変動要因となる部屋の使用状況を間接的に表わす曜
日、時間、および月日、並びに、フォワードプロパゲー
ション法によって出力される予測負荷の基準値となる現
在負荷熱量が採用されている。
は、「空気調和設備 吉村武他共著彰国社刊 Ｐ７〜Ｐ
３０」に記載されている通り、天気、外気温度・外気湿
度、等の気象条件の変動による要因と、人体および照明
・ＯＡ機器等が発生する熱に関する要因との影響が大き
いとされている。このため、要因データには、予測対象
となる日の予想天気、予測対象となる時刻の予測外気温
度・外気湿度、人体および照明・ＯＡ機器等が発生する
熱の変動要因となる部屋の使用状況を間接的に表わす曜
日、時間、および月日、並びに、フォワードプロパゲー
ション法によって出力される予測負荷の基準値となる現
在負荷熱量が採用されている。
【００３６】尚、空調方式によっては、冷房、暖房を同
時に実現しなければならない場合があり、冷房を必要と
する冷水負荷と暖房を必要とする温水負荷とは、同じ変
動要因も負荷に対する影響力が異なるため、それぞれ独
立した予測モデルを作成して使用する。
時に実現しなければならない場合があり、冷房を必要と
する冷水負荷と暖房を必要とする温水負荷とは、同じ変
動要因も負荷に対する影響力が異なるため、それぞれ独
立した予測モデルを作成して使用する。
【００３７】負荷予測モデル７は、負荷予測モデル作成
部８が、負荷入力部５から取出した２次側負荷の変動要
因データと、負荷予測部６から出力した２次側の予測負
荷とから、バックプロパゲーション法により、作成され
る。
部８が、負荷入力部５から取出した２次側負荷の変動要
因データと、負荷予測部６から出力した２次側の予測負
荷とから、バックプロパゲーション法により、作成され
る。
【００３８】図３（Ａ）には、負荷予測部６におけるニ
ューラルネットワークの構造図を示し、また、図３
（Ｂ）には、負荷予測部６における予測結果が示され
る。
ューラルネットワークの構造図を示し、また、図３
（Ｂ）には、負荷予測部６における予測結果が示され
る。
【００３９】図示されるように、入力層のニューロンに
は、変動要因データとして前述した、予想天気、予測外
気温度、予測外気湿度、月日、曜日、計測負荷、および
現在時刻を列挙し、出力層のニューロンには、１時間毎
の予測負荷を列挙している。
は、変動要因データとして前述した、予想天気、予測外
気温度、予測外気湿度、月日、曜日、計測負荷、および
現在時刻を列挙し、出力層のニューロンには、１時間毎
の予測負荷を列挙している。
【００４０】予測結果は、図示する例では、予測冷水負
荷が日中で大きくなり、予測温水負荷が日中で小さくな
ることを示している。
荷が日中で大きくなり、予測温水負荷が日中で小さくな
ることを示している。
【００４１】図４は予測モデルの作成に使用する算出負
荷予測と教師信号との関係を示す遷移図であり、１時間
目（Ａ）、数時間目（Ｂ）、及び２４時間目（Ｃ）を示
している。図示されるように、１時間毎に予測モデルの
作成を行う場合、既に実績値がある時刻に対してのモデ
ルが作成出来、例えば、数時間目の実績値が１時間目の
実績値から掛離れたような異常気象時に、その１時間後
には異常気象に則した予測を行うことが出来る。
荷予測と教師信号との関係を示す遷移図であり、１時間
目（Ａ）、数時間目（Ｂ）、及び２４時間目（Ｃ）を示
している。図示されるように、１時間毎に予測モデルの
作成を行う場合、既に実績値がある時刻に対してのモデ
ルが作成出来、例えば、数時間目の実績値が１時間目の
実績値から掛離れたような異常気象時に、その１時間後
には異常気象に則した予測を行うことが出来る。
【００４２】以上説明したように、本実施例は、出力す
る予測データの変動要因データを要因データとして入力
して保存し、この要因データと予め作成された予測モデ
ルとを参照して予測データを予測する予測データ作成シ
ステムを、気象条件に大きく影響を受ける外気温度・外
気湿度の予測を行う外気予測ブロックと、要因データに
この予測外気温度・予測外気湿度を加えて、建物設備お
よび人体密度に影響する負荷の予測を行う負荷予測ブロ
ックとを別々に備え、変動パターンの相違するデータを
別個に処理して演算の簡略化を図っている。
る予測データの変動要因データを要因データとして入力
して保存し、この要因データと予め作成された予測モデ
ルとを参照して予測データを予測する予測データ作成シ
ステムを、気象条件に大きく影響を受ける外気温度・外
気湿度の予測を行う外気予測ブロックと、要因データに
この予測外気温度・予測外気湿度を加えて、建物設備お
よび人体密度に影響する負荷の予測を行う負荷予測ブロ
ックとを別々に備え、変動パターンの相違するデータを
別個に処理して演算の簡略化を図っている。
【００４３】また、各予測データ作成システムは、予測
結果を即時、予測モデル作成部の要因データとして入力
しているので、予測の周期を短くした状態で、即時に供
給設備へ予測データを出力出来る。
結果を即時、予測モデル作成部の要因データとして入力
しているので、予測の周期を短くした状態で、即時に供
給設備へ予測データを出力出来る。
【００４４】本実施例による予測データ作成システムを
用いた熱負荷予測装置を、機能ブロックで図示して説明
したが、機能ブロックは別の構成でもよく、また、予
測、計測、演算等の周期、および保存データ等の数量も
別の数量に設定してもよい。
用いた熱負荷予測装置を、機能ブロックで図示して説明
したが、機能ブロックは別の構成でもよく、また、予
測、計測、演算等の周期、および保存データ等の数量も
別の数量に設定してもよい。
【００４５】本発明は、上記機能を満たすものであれ
ば、ブロック構成および数量において、上記説明により
限定されるものではない。
ば、ブロック構成および数量において、上記説明により
限定されるものではない。
【００４６】
【発明の効果】以上説明したように本発明によれば、予
測モデルが、システムの出力である予測データと、この
予測データを変動させる要因データとを用いて作成され
る構成を有し、予測周期に対して短時間で予測データを
出力することが出来る。この結果、一時刻毎の予測デー
タと実績データとの誤差が当日の他時刻の予測データの
演算に反映でき、実績の急激な変化に、短時間で対応出
来る。
測モデルが、システムの出力である予測データと、この
予測データを変動させる要因データとを用いて作成され
る構成を有し、予測周期に対して短時間で予測データを
出力することが出来る。この結果、一時刻毎の予測デー
タと実績データとの誤差が当日の他時刻の予測データの
演算に反映でき、実績の急激な変化に、短時間で対応出
来る。
【００４７】また、システムが、気象条件に大きく影響
を受ける外気温度・外気湿度を予測する部分と、要因デ
ータにこの予測外気温度・予測外気湿度を加えて、建物
設備および人体密度に影響する負荷を予測する部分と
の、二組を備え、変動パターンの相違するデータを別個
に演算処理する構成を有している。このため、個別の最
適な予測モデルの作成が、簡単で済み、短時間で出来
る。
を受ける外気温度・外気湿度を予測する部分と、要因デ
ータにこの予測外気温度・予測外気湿度を加えて、建物
設備および人体密度に影響する負荷を予測する部分と
の、二組を備え、変動パターンの相違するデータを別個
に演算処理する構成を有している。このため、個別の最
適な予測モデルの作成が、簡単で済み、短時間で出来
る。
【図１】本発明の一実施例を示す機能ブロック図であ
る。
る。
【図２】図１の外気予測部におけるニューラルネットワ
ークの一例を示す構造図（Ａ）、及び、予測結果図
（Ｂ）である。
ークの一例を示す構造図（Ａ）、及び、予測結果図
（Ｂ）である。
【図３】図１の負荷予測部におけるニューラルネットワ
ークの一例を示す構造図（Ａ）、及び、予測結果図
（Ｂ）である。
ークの一例を示す構造図（Ａ）、及び、予測結果図
（Ｂ）である。
【図４】図１での予測モデルの作成に使用する算出負荷
予測と教師信号との関係を示す遷移図である。
予測と教師信号との関係を示す遷移図である。
【図５】従来の一例を示す機能ブロック図である。
１ 外気入力部 ２ 外気予測部 ３ 外気予測モデル ４ 外気予測モデル作成部 ５ 負荷入力部 ６ 負荷予測部 ７ 負荷予測モデル ８ 負荷予測モデル作成部 ９ 外気予測ブロック １０ 負荷予測ブロック １１、１３ 要因データ １２ 予測外気温度・予測外気湿度 １４ 予測負荷
Claims (4)
- 【請求項１】 要因データを入力して予測データを作成
し出力する予測データ作成システムにおいて、予め作成
される予測モデルと、前記要因データを入力し一時保存
する入力部と、当該入力部から受ける要因データを前記
予測モデルに適用してニューラルネットワークモデルか
ら予測データを作成し出力する予測部と、当該予測部か
ら受ける予測データに前記入力部から取出した要因を加
えニューラルネットワークの重み係数を演算して予測モ
デルを作成し当該予測モデルを前記予測モデルに代替す
る予測モデル作成部とを備えることを特徴とする予測デ
ータ作成システム。 - 【請求項２】 請求項１において、前記予測モデル作成
部が、一定時間内の教師信号として過去の実績値と予測
値とを用いることを特徴とする予測データ作成システ
ム。 - 【請求項３】 熱供給設備に対する熱負荷を予測する熱
負荷予測装置において、予め作成される外気予測モデル
と、計測された外気温度及び外気湿度、並びに、予測時
間に対して予想する天気、最高気温、最低気温を含む変
動要因データを入力し、保存する外気入力部と、当該外
気入力部から受ける変動要因データを前記外気予測モデ
ルに適用してニューラルネットワークモデルから外気温
度及び外気湿度という予測データを作成して出力する外
気予測部と、当該外気予測部から受ける外気温度及び外
気湿度という予測データに前記外気入力部から取出した
要因データを加えニューラルネットワークの重み係数を
演算して外気予測モデルを作成し当該外気予測モデルを
前記外気予測モデルに代替する外気予測モデル作成部
と、予め作成され受取った負荷予測モデルと、計測され
た負荷熱量、並びに、予測時間に対して予想する天気、
及び前記外気予測部から受ける予測データの外気温度及
び外気湿度を含む変動要因データを入力し保存する負荷
入力部と、当該負荷入力部から受ける変動要因データを
前記負荷予測モデルに適用してニューラルネットワーク
モデルから負荷熱量という予測データを作成して出力す
る負荷予測部と、当該負荷予測部から受ける負荷熱量と
いう予測データに前記負荷入力部から取出した要因デー
タを加えニューラルネットワークの重み係数を演算して
負荷予測モデルを作成し当該負荷予測モデルを前記負荷
予測モデルに代替する負荷予測モデル作成部とを備える
ことを特徴とする熱負荷予測装置。 - 【請求項４】 請求項３において、外気予測モデル作成
部及び負荷予測モデル作成部が、一定時間内の教師信号
として過去の実績値と予測値とを用いることを特徴とす
る熱負荷予測装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP14592094A JP3160693B2 (ja) | 1994-06-28 | 1994-06-28 | 熱負荷予測装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP14592094A JP3160693B2 (ja) | 1994-06-28 | 1994-06-28 | 熱負荷予測装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH0814627A true JPH0814627A (ja) | 1996-01-19 |
| JP3160693B2 JP3160693B2 (ja) | 2001-04-25 |
Family
ID=15396144
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP14592094A Expired - Fee Related JP3160693B2 (ja) | 1994-06-28 | 1994-06-28 | 熱負荷予測装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3160693B2 (ja) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0835706A (ja) * | 1994-07-21 | 1996-02-06 | Hitachi Plant Eng & Constr Co Ltd | 空調熱負荷予測システム |
| JPH09210425A (ja) * | 1996-01-30 | 1997-08-12 | Toshiba Corp | 冷暖房需要量予測装置 |
| JPH11159827A (ja) * | 1997-08-22 | 1999-06-15 | Mitsubishi Electric Corp | 蓄熱装置及び蓄熱装置の運転方法 |
| JP2006118836A (ja) * | 2004-10-25 | 2006-05-11 | Ntt Power & Building Facilities Inc | 空調機制御システム及び空調機制御方法 |
| US9651030B2 (en) | 2013-10-22 | 2017-05-16 | Korea Institute Of Energy Research | Solar thermal power generation system using single hot molten salt thermal energy storage tank |
| CN110348631A (zh) * | 2019-07-09 | 2019-10-18 | 武汉四创自动控制技术有限责任公司 | 一种区域性电力负荷预测方法及系统 |
| CN112254320A (zh) * | 2020-10-22 | 2021-01-22 | 重庆大学 | 基于ai的空调变流量水系统自适应变压差控制方法 |
| CN113418229A (zh) * | 2021-06-11 | 2021-09-21 | 沈阳工业大学 | 一种基于卷积-自编码神经网络的供暖管控阀门智能调控系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0415441A (ja) * | 1990-05-08 | 1992-01-20 | Toshiba Corp | 熱負荷予測システム |
| JPH0458188A (ja) * | 1990-06-27 | 1992-02-25 | Omron Corp | 天気予測装置 |
| JPH06102908A (ja) * | 1992-09-24 | 1994-04-15 | Hitachi Ltd | 需要予測装置 |
| JPH06313605A (ja) * | 1993-04-28 | 1994-11-08 | Hitachi Ltd | 熱源機器の運転制御方法および装置 |
| JPH08100940A (ja) * | 1992-10-23 | 1996-04-16 | Matsushita Electric Ind Co Ltd | 空気調和機の負荷予測装置 |
-
1994
- 1994-06-28 JP JP14592094A patent/JP3160693B2/ja not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0415441A (ja) * | 1990-05-08 | 1992-01-20 | Toshiba Corp | 熱負荷予測システム |
| JPH0458188A (ja) * | 1990-06-27 | 1992-02-25 | Omron Corp | 天気予測装置 |
| JPH06102908A (ja) * | 1992-09-24 | 1994-04-15 | Hitachi Ltd | 需要予測装置 |
| JPH08100940A (ja) * | 1992-10-23 | 1996-04-16 | Matsushita Electric Ind Co Ltd | 空気調和機の負荷予測装置 |
| JPH06313605A (ja) * | 1993-04-28 | 1994-11-08 | Hitachi Ltd | 熱源機器の運転制御方法および装置 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0835706A (ja) * | 1994-07-21 | 1996-02-06 | Hitachi Plant Eng & Constr Co Ltd | 空調熱負荷予測システム |
| JPH09210425A (ja) * | 1996-01-30 | 1997-08-12 | Toshiba Corp | 冷暖房需要量予測装置 |
| JPH11159827A (ja) * | 1997-08-22 | 1999-06-15 | Mitsubishi Electric Corp | 蓄熱装置及び蓄熱装置の運転方法 |
| JP2006118836A (ja) * | 2004-10-25 | 2006-05-11 | Ntt Power & Building Facilities Inc | 空調機制御システム及び空調機制御方法 |
| US9651030B2 (en) | 2013-10-22 | 2017-05-16 | Korea Institute Of Energy Research | Solar thermal power generation system using single hot molten salt thermal energy storage tank |
| CN110348631A (zh) * | 2019-07-09 | 2019-10-18 | 武汉四创自动控制技术有限责任公司 | 一种区域性电力负荷预测方法及系统 |
| CN112254320A (zh) * | 2020-10-22 | 2021-01-22 | 重庆大学 | 基于ai的空调变流量水系统自适应变压差控制方法 |
| CN113418229A (zh) * | 2021-06-11 | 2021-09-21 | 沈阳工业大学 | 一种基于卷积-自编码神经网络的供暖管控阀门智能调控系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP3160693B2 (ja) | 2001-04-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Deihimi et al. | Application of echo state networks in short-term electric load forecasting | |
| Yun et al. | Building hourly thermal load prediction using an indexed ARX model | |
| Schachter et al. | A short-term load forecasting model for demand response applications | |
| Hu et al. | Thermal load prediction and operation optimization of office building with a zone-level artificial neural network and rule-based control | |
| Houimli et al. | Short-term electric load forecasting in Tunisia using artificial neural networks | |
| Katsatos et al. | Application of Artificial Neuron Networks as energy consumption forecasting tool in the building of Regulatory Authority of Energy, Athens, Greece | |
| Liu et al. | Accuracy improvement of energy prediction for solar-energy-powered embedded systems | |
| KR102194002B1 (ko) | 최적 물리 학습모델과 기계학습을 이용한 에너지 운영관리 시스템 | |
| CN110007613A (zh) | 用于储热式电暖器的用暖预测方法、系统及存储介质 | |
| Moustris et al. | Medium, short and very short-term prognosis of load demand for the Greek Island of Tilos using artificial neural networks and human thermal comfort-discomfort biometeorological data | |
| Abdulrahman et al. | A review on deep learning with focus on deep recurrent neural network for electricity forecasting in residential building | |
| JP2005163608A (ja) | 風力発電出力予測方法 | |
| JPH0814627A (ja) | 予測データ作成システムおよびこのシステムを用いた熱負荷予測装置 | |
| KR101364495B1 (ko) | 전력사용량 예측기술을 활용한 전력 관리 시스템 및 그 방법 | |
| JP2015106316A (ja) | エネルギー管理システム | |
| JPH09273795A (ja) | 熱負荷予測装置 | |
| CN109978236B (zh) | 一种基于特征组合的小水电短期功率精细化预测方法 | |
| Palak et al. | Smart building energy management using deep learning based predictions | |
| Park et al. | A comparison of neural network-based methods for load forecasting with selected input candidates | |
| Amasyali et al. | A machine learning-based approach to predict the aggregate flexibility of hvac systems | |
| JP2704026B2 (ja) | 熱負荷予測システム | |
| Revati et al. | Facilitating energy-efficient operation of smart building using data-driven approaches | |
| Abdelkader et al. | Predicting energy demand peak using M5 model trees | |
| JPH07123589A (ja) | 需要予測装置 | |
| JPH0886490A (ja) | 熱負荷予測装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 19990223 |
|
| LAPS | Cancellation because of no payment of annual fees |