JPH10141736A - 快適性指標ｐｍｖ学習装置 - Google Patents
快適性指標ｐｍｖ学習装置Info
- Publication number
- JPH10141736A JPH10141736A JP8256273A JP25627396A JPH10141736A JP H10141736 A JPH10141736 A JP H10141736A JP 8256273 A JP8256273 A JP 8256273A JP 25627396 A JP25627396 A JP 25627396A JP H10141736 A JPH10141736 A JP H10141736A
- Authority
- JP
- Japan
- Prior art keywords
- pmv
- neural network
- learning
- amount
- comfort index
- 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
- Air Conditioning Control Device (AREA)
Abstract
(57)【要約】
【課題】 居住者の快適性を保持して、かつ省エネを実
現する空調制御で、最適な室温設定値を演算するために
必要となる快適性指標を、ＰＭＶを基準として居住者の
申告を基に修正するためにニューラルネットワークで学
習する装置において、教師信号の数と学習回数を大幅に
減らし、かつ精度を向上させる方式を実現すること。ま
た、同様の空調制御で、ニューラルネットワークの代わ
りに重回帰分析を用いても、精度良く快適性指標を学習
予測できる方式を実現すること。 【解決手段】 ＰＭＶ値に影響を与える着衣量と活動量
とが予め決まっている空調プロセスで、空調制御に用い
る快適性指標ＰＭＶをニューラルネットワークで学習さ
せる装置において、ニューラルネットワークへの入力と
してＰＭＶ値に影響を与える変数の空気温度、平均輻射
温度、相対湿度およびこれら３変数中の２つ同士の掛け
算の合計６個の変数とする快適性指標ＰＭＶ学習装置。
現する空調制御で、最適な室温設定値を演算するために
必要となる快適性指標を、ＰＭＶを基準として居住者の
申告を基に修正するためにニューラルネットワークで学
習する装置において、教師信号の数と学習回数を大幅に
減らし、かつ精度を向上させる方式を実現すること。ま
た、同様の空調制御で、ニューラルネットワークの代わ
りに重回帰分析を用いても、精度良く快適性指標を学習
予測できる方式を実現すること。 【解決手段】 ＰＭＶ値に影響を与える着衣量と活動量
とが予め決まっている空調プロセスで、空調制御に用い
る快適性指標ＰＭＶをニューラルネットワークで学習さ
せる装置において、ニューラルネットワークへの入力と
してＰＭＶ値に影響を与える変数の空気温度、平均輻射
温度、相対湿度およびこれら３変数中の２つ同士の掛け
算の合計６個の変数とする快適性指標ＰＭＶ学習装置。
Description
【０００１】
【発明の属する技術分野】本発明は、空気調和装置の制
御技術に係り、建物内居住者の快適性を保持し、かつ省
エネを実現する空調制御のために最適な室温設定値を演
算する上で必要となる快適性指標の学習装置に関する。
御技術に係り、建物内居住者の快適性を保持し、かつ省
エネを実現する空調制御のために最適な室温設定値を演
算する上で必要となる快適性指標の学習装置に関する。
【０００２】
【従来の技術】空調制御本来の目的は、適正な室内温熱
環境を確保することである。また、それができる限り少
ないエネルギー消費で実現できることが望ましい。
環境を確保することである。また、それができる限り少
ないエネルギー消費で実現できることが望ましい。
【０００３】人間の快適性を考えて、適正な室内温熱環
境を確保するに当たっては、暑さ、寒さに対する人間の
温熱感覚を考慮することが重要である。これに影響を与
える変数として次のものがある。
境を確保するに当たっては、暑さ、寒さに対する人間の
温熱感覚を考慮することが重要である。これに影響を与
える変数として次のものがある。
【０００４】（ａ）空気温度、（ｂ）相対湿度、（ｃ）
平均輻射温度、（ｄ）気流速度、（ｅ）活動状態（人体
の内部発熱量）、（ｆ）着衣状態 人の発熱量は対流による放射量、輻射による放熱量、人
からの蒸発熱量、呼吸による放熱量および蓄熱量の合計
で、これらの熱平衡式が成立している場合は、人体が熱
的に中立であり、暑くも寒くもない快適状態である。逆
に、熱平衡式が崩れた場合に人体は暑さ寒さを感じる。
平均輻射温度、（ｄ）気流速度、（ｅ）活動状態（人体
の内部発熱量）、（ｆ）着衣状態 人の発熱量は対流による放射量、輻射による放熱量、人
からの蒸発熱量、呼吸による放熱量および蓄熱量の合計
で、これらの熱平衡式が成立している場合は、人体が熱
的に中立であり、暑くも寒くもない快適状態である。逆
に、熱平衡式が崩れた場合に人体は暑さ寒さを感じる。
【０００５】これに関しデンマーク工科大学の Fanger
教授は、１９６７年に快適方程式の導出を発表し、これ
を出発点として人体の熱負荷と人間の温冷感を、欧米人
の多数の被験者のアンケートから統計分析して結び付
け、ＰＭＶ（ Predicted MeanVote: 予測平均回答 ）
を提案した。これは、近年ＩＳＯ規格にも取り上げられ
最近よく用いられるようになった。温冷感の指標となる
ＰＭＶは、次の７段階評価尺度による数値として表す。 ＋３：暑い ＋２：暖かい ＋１：やや暖かい ０：どちらでもない、快適 −１：やや涼しい −２：涼しい −３：寒い なお、快適な範囲は−０．５〜＋０．５である。
教授は、１９６７年に快適方程式の導出を発表し、これ
を出発点として人体の熱負荷と人間の温冷感を、欧米人
の多数の被験者のアンケートから統計分析して結び付
け、ＰＭＶ（ Predicted MeanVote: 予測平均回答 ）
を提案した。これは、近年ＩＳＯ規格にも取り上げられ
最近よく用いられるようになった。温冷感の指標となる
ＰＭＶは、次の７段階評価尺度による数値として表す。 ＋３：暑い ＋２：暖かい ＋１：やや暖かい ０：どちらでもない、快適 −１：やや涼しい −２：涼しい −３：寒い なお、快適な範囲は−０．５〜＋０．５である。
【０００６】上記６つの変数のうち作業強度を表す活動
状態は、通常は代謝量ｍｅｔを、また着衣状態はｃｌｏ
の単位を用いる。 ｍｅｔ（メット） 代謝量を表す単位で、熱的に快適な状態における安静時
代謝を基準とする。
状態は、通常は代謝量ｍｅｔを、また着衣状態はｃｌｏ
の単位を用いる。 ｍｅｔ（メット） 代謝量を表す単位で、熱的に快適な状態における安静時
代謝を基準とする。
【０００７】 １ｍｅｔ＝５８．２Ｗ／ｍ2 ＝５０ｋｃａｌ／ｍ2 ・ｈ ｃｌｏ（クロ） 衣服の熱絶縁性を表す単位で、１ｃｌｏとは気温２１
℃、相対湿度５０％、気流５ｃｍ／ｓ以下の室内で、体
表面からの放熱量が１ｍｅｔの代謝と平衡するような着
衣状態での値で、通常の熱抵抗値に換算すると１ｃｌｏ
＝０．１５５ｍ2・℃／Ｗ＝０．１８ｍ2 ・ｈ・℃／ｋ
ｃａｌとなる。
℃、相対湿度５０％、気流５ｃｍ／ｓ以下の室内で、体
表面からの放熱量が１ｍｅｔの代謝と平衡するような着
衣状態での値で、通常の熱抵抗値に換算すると１ｃｌｏ
＝０．１５５ｍ2・℃／Ｗ＝０．１８ｍ2 ・ｈ・℃／ｋ
ｃａｌとなる。
【０００８】ＰＭＶの詳しい内容はここでは省略する
が、次の参考文献に記載されている。
が、次の参考文献に記載されている。
【０００９】（ａ） 特願平３−２８８２８７（特開平
５−１２６３８０号） 発明の名称：空調制御装置 （ｂ） 空気調和・衛生工学会（編）：空気調和・衛生
工学便覧１巻、第１編、第３章 ＰＭＶの上記６変数に対する変化は多次元なので非常に
複雑であるが、一つの変数に対する変化は２次元の図で
表せる。この特性の例を表したのが、図７ないし図１０
である。すなわち、図７は室温（空気温度）とＰＭＶの
関係例を、図８は平均輻射温度とＰＭＶの関係例を、図
９は相対湿度とＰＭＶの関係例を、そして図１０は風速
（気流速度）とＰＭＶの関係例を、それぞれプロットし
たものである。
５−１２６３８０号） 発明の名称：空調制御装置 （ｂ） 空気調和・衛生工学会（編）：空気調和・衛生
工学便覧１巻、第１編、第３章 ＰＭＶの上記６変数に対する変化は多次元なので非常に
複雑であるが、一つの変数に対する変化は２次元の図で
表せる。この特性の例を表したのが、図７ないし図１０
である。すなわち、図７は室温（空気温度）とＰＭＶの
関係例を、図８は平均輻射温度とＰＭＶの関係例を、図
９は相対湿度とＰＭＶの関係例を、そして図１０は風速
（気流速度）とＰＭＶの関係例を、それぞれプロットし
たものである。
【００１０】各図で変化させなかった変数の条件は、下
記の通りである（例えば、図７では室温以外の値は下記
の値で固定である。）。 実線（冬季） 点線（夏季） 室温（空気温度） ２２℃ 室温（空気温度） ２５℃ 平均輻射温度 ２２℃ 平均輻射温度 ２５℃ 相対湿度 ５０％ 相対湿度 ５０％ 風速（気流速度） ０．１ｍ／ｓ 風速（気流速度） ０．１ｍ／ｓ 着衣量 １．０ｃｌｏ 着衣量 ０．５ｃｌｏ 活動量 １．２ｍｅｔ 活動量 １．２ｍｅｔ 図１０から分かるように、ｖ（風速）≦０．１ｍ／ｓで
はＰＭＶの値はｖによって変化しない。
記の通りである（例えば、図７では室温以外の値は下記
の値で固定である。）。 実線（冬季） 点線（夏季） 室温（空気温度） ２２℃ 室温（空気温度） ２５℃ 平均輻射温度 ２２℃ 平均輻射温度 ２５℃ 相対湿度 ５０％ 相対湿度 ５０％ 風速（気流速度） ０．１ｍ／ｓ 風速（気流速度） ０．１ｍ／ｓ 着衣量 １．０ｃｌｏ 着衣量 ０．５ｃｌｏ 活動量 １．２ｍｅｔ 活動量 １．２ｍｅｔ 図１０から分かるように、ｖ（風速）≦０．１ｍ／ｓで
はＰＭＶの値はｖによって変化しない。
【００１１】快適性指標のＰＭＶは、既に述べたように
Fanger 教授が欧米人の多数の被験者のアンケートから
統計分析して求めたものである。しかし、人間の温熱感
の基準は、人種や、社会的状態（風習や経済水準）、地
理的条件による生理的気候順応の影響、さらには施設環
境条件などによって異なるため、一般のＰＭＶを、日本
の個々の空調制御システムにそのまま用いた場合、日本
人の感覚とずれる可能性がある。そこで、快適空調制御
システムでは、個々の空調システム、およびそこの居住
者に応じた快適性指標を図１１の符号１１で示すよう
に、ニューロ技術を用いて学習させる。この図１１は、
上記参考文献（特願平３−２８８２８７号）から引用し
た。
Fanger 教授が欧米人の多数の被験者のアンケートから
統計分析して求めたものである。しかし、人間の温熱感
の基準は、人種や、社会的状態（風習や経済水準）、地
理的条件による生理的気候順応の影響、さらには施設環
境条件などによって異なるため、一般のＰＭＶを、日本
の個々の空調制御システムにそのまま用いた場合、日本
人の感覚とずれる可能性がある。そこで、快適空調制御
システムでは、個々の空調システム、およびそこの居住
者に応じた快適性指標を図１１の符号１１で示すよう
に、ニューロ技術を用いて学習させる。この図１１は、
上記参考文献（特願平３−２８８２８７号）から引用し
た。
【００１２】上記参考文献の開示内容は、人間の温熱感
覚に影響を与える複数のプロセス変数を入力し、これら
の入力されたプロセス変数と、居住者が感じている快適
度のアンケートデータとからニューラルネットワーク
（ＮＮ）によって、個々の空調システム、およびそこの
居住者に応じた快適性指標ＰＭＶを学習するニューロＰ
ＭＶ学習装置と、学習されたＰＭＶとを入力し、この快
適性指標が省エネを満足して快適の範囲に入るような室
温設定値をファジィ演算装置により求める空調制御装置
である。
覚に影響を与える複数のプロセス変数を入力し、これら
の入力されたプロセス変数と、居住者が感じている快適
度のアンケートデータとからニューラルネットワーク
（ＮＮ）によって、個々の空調システム、およびそこの
居住者に応じた快適性指標ＰＭＶを学習するニューロＰ
ＭＶ学習装置と、学習されたＰＭＶとを入力し、この快
適性指標が省エネを満足して快適の範囲に入るような室
温設定値をファジィ演算装置により求める空調制御装置
である。
【００１３】このニューロ技術に代わり得る学習方式と
して重回帰分析がある。これは、ある変量を、その変量
を決定する要因と考えられる複数の変量の線形結合で表
し、それらの間の構造を分析あるいは学習する手法であ
る。
して重回帰分析がある。これは、ある変量を、その変量
を決定する要因と考えられる複数の変量の線形結合で表
し、それらの間の構造を分析あるいは学習する手法であ
る。
【００１４】結果となる変量をｙ、原因と考えられる変
量をｘ1 ，ｘ2 ，…，ｘr とする。そして、これらのデ
ータが次のように与えられているものとする。
量をｘ1 ，ｘ2 ，…，ｘr とする。そして、これらのデ
ータが次のように与えられているものとする。
【００１５】
【表１】 ｙは目的変数あるいは従属変数、ｘ1 ，ｘ2 ，…，ｘr
は説明変数あるいは独立変数と呼ばれる。ｘ1 ，ｘ2 ，
…，ｘr からｙを予測学習する線形モデルを ｙi ＝ａ0 ＋ａ1 ・ｘi1＋ａ2 ・ｘi2＋…＋ａr ・ｘir
＋ｅi とする。ｅi は、ｘi1，ｘi2，…，ｘirではｙi を説明
し切れない誤差分を表す。ここで、誤差の平方和Σ(eix
ei) を最小にするａ0 ，ａ1 ，ａ2 ，…，ａr を
は説明変数あるいは独立変数と呼ばれる。ｘ1 ，ｘ2 ，
…，ｘr からｙを予測学習する線形モデルを ｙi ＝ａ0 ＋ａ1 ・ｘi1＋ａ2 ・ｘi2＋…＋ａr ・ｘir
＋ｅi とする。ｅi は、ｘi1，ｘi2，…，ｘirではｙi を説明
し切れない誤差分を表す。ここで、誤差の平方和Σ(eix
ei) を最小にするａ0 ，ａ1 ，ａ2 ，…，ａr を
【００１６】
【数１】 とする。この係数の求め方の説明は、ここでは省略す
る。
る。
【００１７】この回帰係数が決定すると、ｙi の理論値
は
は
【００１８】
【数２】 で計算される。
【００１９】
【発明が解決しようとする課題】人間が感じる温熱快適
度の基準としてよく用いられるＰＭＶを、ニューラルネ
ットワークで学習させるとき、ＰＭＶは既に述べたよう
に、これに影響を与える変数が６個ある多変数非線形な
関数のため、学習に必要な教師信号の数が最低でも５万
以上になり、学習計算回数も莫大なものとなる。しか
し、それでも６変数に関し、すべての領域で精度よく学
習させるのは困難であった。
度の基準としてよく用いられるＰＭＶを、ニューラルネ
ットワークで学習させるとき、ＰＭＶは既に述べたよう
に、これに影響を与える変数が６個ある多変数非線形な
関数のため、学習に必要な教師信号の数が最低でも５万
以上になり、学習計算回数も莫大なものとなる。しか
し、それでも６変数に関し、すべての領域で精度よく学
習させるのは困難であった。
【００２０】また、ニューラルネットワークの代わりに
重回帰分析を用いて学習させようとしても、ＰＭＶに影
響を与える６変数に対してＰＭＶは非線形モデルになる
ので、従来の重回帰分析をそのまま用いることはできな
い。
重回帰分析を用いて学習させようとしても、ＰＭＶに影
響を与える６変数に対してＰＭＶは非線形モデルになる
ので、従来の重回帰分析をそのまま用いることはできな
い。
【００２１】本発明は上述の点を考慮してなされたもの
で、居住者の快適性を保持して、かつ省エネを実現する
空調制御で、最適な室温設定値を演算するために必要と
なる快適性指標を、ＰＭＶを基準として居住者の申告を
基に修正するためにニューラルネットワークで学習する
装置において、教師信号の数と学習回数を大幅に減ら
し、かつ精度を向上させる方式を実現することを目的と
する。
で、居住者の快適性を保持して、かつ省エネを実現する
空調制御で、最適な室温設定値を演算するために必要と
なる快適性指標を、ＰＭＶを基準として居住者の申告を
基に修正するためにニューラルネットワークで学習する
装置において、教師信号の数と学習回数を大幅に減ら
し、かつ精度を向上させる方式を実現することを目的と
する。
【００２２】また、同様の空調制御で、ニューラルネッ
トワークの代わりに重回帰分析を用いても、精度良く快
適性指標を学習予測できる方式を実現することを目的と
する。
トワークの代わりに重回帰分析を用いても、精度良く快
適性指標を学習予測できる方式を実現することを目的と
する。
【００２３】
【課題を解決するための手段】上記目的達成のため、本
発明では、請求項１に記載の、ＰＭＶ値に影響を与える
着衣量と活動量とが予め決まっている空調プロセスで、
空調制御に用いる快適性指標ＰＭＶをニューラルネット
ワークで学習させる装置において、ニューラルネットワ
ークへの入力としてＰＭＶ値に影響を与える変数の空気
温度、平均輻射温度、相対湿度およびこれら３変数中の
２つ同士の掛け算の合計６個の変数とする快適性指標Ｐ
ＭＶ学習装置、請求項２に記載の、ＰＭＶ値に影響を与
える着衣量と活動量が予め決まっている空調プロセス
で、空調制御に用いる快適性指標ＰＭＶをニューラルネ
ットワークで学習させる装置において、ニューラルネッ
トワークへの入力として、ＰＭＶ値に影響を与える変数
の気流速度、気流速度の平方、請求項１におけるニュー
ラルネットワーク入力の６変数、および気流速度と前記
６変数それぞれとの掛け算、および気流速度の平方と前
記６変数それぞれとの掛け算、の合計２０個とする快適
性指標ＰＭＶ学習装置、請求項３に記載の、空調制御に
用いる快適性指標ＰＭＶをニューラルネットワークで学
習させる装置において、ＰＭＶ値に影響を与える着衣量
と活動量とを、予め空調制御対象プロセスごとに用いら
れる値の組合せを決め、その組合せの数だけニューラル
ネットワークをそなえ、そのニューラルネットワークご
とにＰＭＶを学習させ、空調制御にこれを用いるときは
設定した着衣量と活動量から該当するニューラルネット
ワークを自動的に選択する快適性指標ＰＭＶ学習装置、
請求項４に記載の、請求項３の快適性指標ＰＭＶ学習装
置における、各ニューラルネットワークへの入力として
請求項１に記載の６変数とする快適性指標ＰＭＶ学習装
置、請求項５に記載の、請求項３の快適性ＰＭＶ学習装
置における、各ニューラルネットワークへの入力として
請求項２に記載の２０変数とする快適性指標ＰＭＶ学習
装置、請求項６に記載の、請求項４の快適性ＰＭＶ学習
装置における、空調制御に快適性指標ＰＭＶを用いる場
合、着衣量と活動量とが予め定めた組合せケースの間の
値を設定した場合は、その近傍の複数のニューラルネッ
トワーク出力値を用いて２次元線形補間によりＰＭＶ値
を求める快適性指標ＰＭＶ学習装置、請求項７に記載
の、請求項５の快適性ＰＭＶ学習装置における、空調制
御に快適性指標ＰＭＶを用いる場合、着衣量と活動量と
が予め定めた組合せケースの間の値を設定した場合は、
その近傍の複数のニューラルネットワーク出力値を用い
て２次元線形補間によりＰＭＶ値を求める快適性指標Ｐ
ＭＶ学習装置、請求項８に記載の、請求項６の快適性指
標ＰＭＶ学習装置における、着衣量と活動量とが予め定
めた組合せケースの間の教師信号が与えられている場合
でのニューラルネットワークのＰＭＶ学習時、その近傍
の複数のニューラルネットワークに対してその教師信号
を用いてＰＭＶを学習させる快適性指標ＰＭＶ学習装
置、請求項９に記載の、請求項７の快適性指標ＰＭＶ学
習装置における、着衣量と活動量とが予め定めた組合せ
ケースの間の教師信号が与えられている場合でのニュー
ラルネットワークのＰＭＶ学習時、その近傍の複数のニ
ューラルネットワークに対してその教師信号を用いてＰ
ＭＶを学習させる快適性指標ＰＭＶ学習装置、および請
求項１０に記載の、請求項１ないし請求項９のいづれか
に記載の快適性指標ＰＭＶ学習装置における、ニューラ
ルネットワークを重回帰分析モデルに置き換えたことを
特徴とする、快適性指標ＰＭＶ学習装置、を提供するも
のである。
発明では、請求項１に記載の、ＰＭＶ値に影響を与える
着衣量と活動量とが予め決まっている空調プロセスで、
空調制御に用いる快適性指標ＰＭＶをニューラルネット
ワークで学習させる装置において、ニューラルネットワ
ークへの入力としてＰＭＶ値に影響を与える変数の空気
温度、平均輻射温度、相対湿度およびこれら３変数中の
２つ同士の掛け算の合計６個の変数とする快適性指標Ｐ
ＭＶ学習装置、請求項２に記載の、ＰＭＶ値に影響を与
える着衣量と活動量が予め決まっている空調プロセス
で、空調制御に用いる快適性指標ＰＭＶをニューラルネ
ットワークで学習させる装置において、ニューラルネッ
トワークへの入力として、ＰＭＶ値に影響を与える変数
の気流速度、気流速度の平方、請求項１におけるニュー
ラルネットワーク入力の６変数、および気流速度と前記
６変数それぞれとの掛け算、および気流速度の平方と前
記６変数それぞれとの掛け算、の合計２０個とする快適
性指標ＰＭＶ学習装置、請求項３に記載の、空調制御に
用いる快適性指標ＰＭＶをニューラルネットワークで学
習させる装置において、ＰＭＶ値に影響を与える着衣量
と活動量とを、予め空調制御対象プロセスごとに用いら
れる値の組合せを決め、その組合せの数だけニューラル
ネットワークをそなえ、そのニューラルネットワークご
とにＰＭＶを学習させ、空調制御にこれを用いるときは
設定した着衣量と活動量から該当するニューラルネット
ワークを自動的に選択する快適性指標ＰＭＶ学習装置、
請求項４に記載の、請求項３の快適性指標ＰＭＶ学習装
置における、各ニューラルネットワークへの入力として
請求項１に記載の６変数とする快適性指標ＰＭＶ学習装
置、請求項５に記載の、請求項３の快適性ＰＭＶ学習装
置における、各ニューラルネットワークへの入力として
請求項２に記載の２０変数とする快適性指標ＰＭＶ学習
装置、請求項６に記載の、請求項４の快適性ＰＭＶ学習
装置における、空調制御に快適性指標ＰＭＶを用いる場
合、着衣量と活動量とが予め定めた組合せケースの間の
値を設定した場合は、その近傍の複数のニューラルネッ
トワーク出力値を用いて２次元線形補間によりＰＭＶ値
を求める快適性指標ＰＭＶ学習装置、請求項７に記載
の、請求項５の快適性ＰＭＶ学習装置における、空調制
御に快適性指標ＰＭＶを用いる場合、着衣量と活動量と
が予め定めた組合せケースの間の値を設定した場合は、
その近傍の複数のニューラルネットワーク出力値を用い
て２次元線形補間によりＰＭＶ値を求める快適性指標Ｐ
ＭＶ学習装置、請求項８に記載の、請求項６の快適性指
標ＰＭＶ学習装置における、着衣量と活動量とが予め定
めた組合せケースの間の教師信号が与えられている場合
でのニューラルネットワークのＰＭＶ学習時、その近傍
の複数のニューラルネットワークに対してその教師信号
を用いてＰＭＶを学習させる快適性指標ＰＭＶ学習装
置、請求項９に記載の、請求項７の快適性指標ＰＭＶ学
習装置における、着衣量と活動量とが予め定めた組合せ
ケースの間の教師信号が与えられている場合でのニュー
ラルネットワークのＰＭＶ学習時、その近傍の複数のニ
ューラルネットワークに対してその教師信号を用いてＰ
ＭＶを学習させる快適性指標ＰＭＶ学習装置、および請
求項１０に記載の、請求項１ないし請求項９のいづれか
に記載の快適性指標ＰＭＶ学習装置における、ニューラ
ルネットワークを重回帰分析モデルに置き換えたことを
特徴とする、快適性指標ＰＭＶ学習装置、を提供するも
のである。
【００２４】本発明は以上のような手段を講じたことに
より、使用される着衣量および活動量のケース毎にニュ
ーラルネットワークを分割し、各ニューラルネットワー
クにはその領域のみの学習を分担させ、かつ各ニューラ
ルネットワークの入力はただ単にＰＭＶ変数そのものを
用いるのではなく、変数に対するＰＭＶの出力特性を考
慮して、各ＰＭＶ変数を組合せて入力することにより、
教師信号の数と計算回数とを大幅に減らし、かつ精度を
向上させる快適性指標ＰＭＶ学習装置を実現できる。
より、使用される着衣量および活動量のケース毎にニュ
ーラルネットワークを分割し、各ニューラルネットワー
クにはその領域のみの学習を分担させ、かつ各ニューラ
ルネットワークの入力はただ単にＰＭＶ変数そのものを
用いるのではなく、変数に対するＰＭＶの出力特性を考
慮して、各ＰＭＶ変数を組合せて入力することにより、
教師信号の数と計算回数とを大幅に減らし、かつ精度を
向上させる快適性指標ＰＭＶ学習装置を実現できる。
【００２５】また、本発明により重回帰分析を用いて快
適性指標を精度良く、簡便に学習予測できる。
適性指標を精度良く、簡便に学習予測できる。
【００２６】
【実施例】図１は、本発明の第１の実施例を示してい
る。空調制御を行う対象ビルが、例えば一般事務所ビル
であれば、ＰＭＶ値に影響を与える活動量は１．２ｍｅ
ｔで、着衣量は夏の冷房時なら０．５ｃｌｏ、冬の暖房
時なら１．０ｃｌｏというように、殆どの場合予め決ま
っている。この場合はニューラルネットワークの入力と
して、これらの変数は省くことができる。
る。空調制御を行う対象ビルが、例えば一般事務所ビル
であれば、ＰＭＶ値に影響を与える活動量は１．２ｍｅ
ｔで、着衣量は夏の冷房時なら０．５ｃｌｏ、冬の暖房
時なら１．０ｃｌｏというように、殆どの場合予め決ま
っている。この場合はニューラルネットワークの入力と
して、これらの変数は省くことができる。
【００２７】また、気流速度ｖがｖ≦０．１ｍ／ｓで
は、ＰＭＶの値はｖによって変化しないし（ 風速とＰ
ＭＶの関係は図１０参照 ）、空調制御が定風量方式の
とき、ｖは一定とみなせる。よって、この場合もニュー
ラルネットワークへの入力としてｖを省くことができ
る。
は、ＰＭＶの値はｖによって変化しないし（ 風速とＰ
ＭＶの関係は図１０参照 ）、空調制御が定風量方式の
とき、ｖは一定とみなせる。よって、この場合もニュー
ラルネットワークへの入力としてｖを省くことができ
る。
【００２８】また従来技術で述べたように、室温とＰＭ
Ｖ、平均輻射温度とＰＭＶ、相対湿度とＰＭＶのそれぞ
れの関係は、他の条件が固定であればほぼ直線となって
いる（ 図７ないし９参照 ）。このことを考慮して、
ニューラルネットワークへの入力は、図１のように、温
度、平均輻射温度、相対湿度、およびそれぞれの掛け算
の合計６個の変数とする。
Ｖ、平均輻射温度とＰＭＶ、相対湿度とＰＭＶのそれぞ
れの関係は、他の条件が固定であればほぼ直線となって
いる（ 図７ないし９参照 ）。このことを考慮して、
ニューラルネットワークへの入力は、図１のように、温
度、平均輻射温度、相対湿度、およびそれぞれの掛け算
の合計６個の変数とする。
【００２９】なお、ニューラルネットワーク学習開始時
の重み初期値は、従来の Fanger のＰＭＶ演算式（ 図
１のＰＭＶ演算の部分 ）を用いて予め求めておく。図
１の設定部は、空調制御中に居住者の快適度に関するア
ンケートから収集されたデータを、教師信号として入力
するためのものである。
の重み初期値は、従来の Fanger のＰＭＶ演算式（ 図
１のＰＭＶ演算の部分 ）を用いて予め求めておく。図
１の設定部は、空調制御中に居住者の快適度に関するア
ンケートから収集されたデータを、教師信号として入力
するためのものである。
【００３０】図２は、本発明の第２の実施例を示す。着
衣量と活動量とについては、第１の実施例と同様に予め
決まっている空調プロセスとする。しかし、空調制御方
式が可変風量方式で気流速度ｖ≧０．１ｍ／ｓのとき
は、ＰＭＶはｖによっても変化する。気流速度とＰＭＶ
との関係は、他の条件が固定であれば、ほぼ２次曲線に
近い（ 図１０参照 ）。このことと、室温とＰＭＶ、
平均輻射温度とＰＭＶ、相対湿度とＰＭＶのそれぞれの
関係（ 図７ないし９参照 ）を考慮して、ニューラル
ネットワークへの入力として、ＰＭＶ値に影響を与える
変数である、気流速度、気流速度の平方、第１の実施例
におけるニューラルネットワーク入力の６変数、および
気流速度と前記６変数それぞれとの掛け算、および気流
速度の平方と前記６変数それぞれとの掛け算とする。す
なわち、下記の２０個とする。
衣量と活動量とについては、第１の実施例と同様に予め
決まっている空調プロセスとする。しかし、空調制御方
式が可変風量方式で気流速度ｖ≧０．１ｍ／ｓのとき
は、ＰＭＶはｖによっても変化する。気流速度とＰＭＶ
との関係は、他の条件が固定であれば、ほぼ２次曲線に
近い（ 図１０参照 ）。このことと、室温とＰＭＶ、
平均輻射温度とＰＭＶ、相対湿度とＰＭＶのそれぞれの
関係（ 図７ないし９参照 ）を考慮して、ニューラル
ネットワークへの入力として、ＰＭＶ値に影響を与える
変数である、気流速度、気流速度の平方、第１の実施例
におけるニューラルネットワーク入力の６変数、および
気流速度と前記６変数それぞれとの掛け算、および気流
速度の平方と前記６変数それぞれとの掛け算とする。す
なわち、下記の２０個とする。
【００３１】
【数３】 Ｔａ：空気温度、 Ｔｒ：平均輻射温度、 Ｒｈ：
相対湿度、ｖ：気流速度 図３は、本発明の第３の実施例を示している。対象ビル
として一般事務所ビルを考えた場合、通常着衣量は夏：
０．５ｃｌｏ、冬：１．０ｃｌｏであり、活動量は１．
０〜１．４ｍｅｔ（事務作業）である。よって、下記の
５×５の組合せケース例に応じた２５個のニューラルネ
ットワークを用意し、そのニューラルネットワークごと
にＰＭＶを学習させておけば、どの一般事務所ビルに適
用する場合でもその中から選択することができる。
相対湿度、ｖ：気流速度 図３は、本発明の第３の実施例を示している。対象ビル
として一般事務所ビルを考えた場合、通常着衣量は夏：
０．５ｃｌｏ、冬：１．０ｃｌｏであり、活動量は１．
０〜１．４ｍｅｔ（事務作業）である。よって、下記の
５×５の組合せケース例に応じた２５個のニューラルネ
ットワークを用意し、そのニューラルネットワークごと
にＰＭＶを学習させておけば、どの一般事務所ビルに適
用する場合でもその中から選択することができる。
【００３２】
【表２】 ニューラルネットワークへの入力としては、図３の例で
はＴａ，Ｔｒ，Ｒｈ（ＰＭＶがｖにより変化する場合
は、ｖも入力する。）とした。
はＴａ，Ｔｒ，Ｒｈ（ＰＭＶがｖにより変化する場合
は、ｖも入力する。）とした。
【００３３】空調制御にこれらのニューラルネットワー
クを用いるときは、予め表２から適切な着衣量と活動量
とを選んでニューラルネットワーク選択部に設定する。
ニューラルネットワーク選択部は、ニューラルネットワ
ーク出力側のスイッチ群（ＳＷ１〜ＳＷ２５ ）の中か
ら該当する１つを選択してＯＮにする。
クを用いるときは、予め表２から適切な着衣量と活動量
とを選んでニューラルネットワーク選択部に設定する。
ニューラルネットワーク選択部は、ニューラルネットワ
ーク出力側のスイッチ群（ＳＷ１〜ＳＷ２５ ）の中か
ら該当する１つを選択してＯＮにする。
【００３４】図４は、本発明の第４の実施例を示してい
る。この第４の実施例は、図３により説明した第３の実
施例の各ニューラルネットワークへの入力を第１の実施
例と同様の、ＰＭＶ値に影響を与える変数である、空気
温度、平均輻射温度、相対湿度およびそれぞれの掛け算
の合計６個の変数とする。
る。この第４の実施例は、図３により説明した第３の実
施例の各ニューラルネットワークへの入力を第１の実施
例と同様の、ＰＭＶ値に影響を与える変数である、空気
温度、平均輻射温度、相対湿度およびそれぞれの掛け算
の合計６個の変数とする。
【００３５】本発明の第５の実施例では、図３に示した
第３の実施例の図３の各ニューラルネットワークへの入
力を、第２の実施例と同様のＰＭＶ値に影響を与える変
数である、気流速度、気流速度の平方、第１の実施例に
おけるニューラルネットワーク入力の６変数、および気
流速度と前記６変数それぞれとの掛け算、および気流速
度の平方と前記６変数それぞれとの掛け算、の合計２０
個とする。
第３の実施例の図３の各ニューラルネットワークへの入
力を、第２の実施例と同様のＰＭＶ値に影響を与える変
数である、気流速度、気流速度の平方、第１の実施例に
おけるニューラルネットワーク入力の６変数、および気
流速度と前記６変数それぞれとの掛け算、および気流速
度の平方と前記６変数それぞれとの掛け算、の合計２０
個とする。
【００３６】図５は、本発明の第６の実施例を示す図で
ある。この第６の実施例では、図４に示した第４の実施
例における快適性指標ＰＭＶを求めるにつき特徴を持つ
もので、着衣量と活動量とが予め定めた組合せケース
（例えば表２）の間の値を設定した場合は、その近傍の
複数のニューラルネットワーク出力値を用いて、２次元
線形補間によりＰＭＶ値を求める。
ある。この第６の実施例では、図４に示した第４の実施
例における快適性指標ＰＭＶを求めるにつき特徴を持つ
もので、着衣量と活動量とが予め定めた組合せケース
（例えば表２）の間の値を設定した場合は、その近傍の
複数のニューラルネットワーク出力値を用いて、２次元
線形補間によりＰＭＶ値を求める。
【００３７】図６によって２次元線形補間方法の具体例
を説明する。予めニューラルネットワーク選択部に着衣
量０．６ｃｌｏ、活動量１．１５ｍｅｔの値が設定され
たとする（ 点Ｐ )。この点の近傍点Ａ，Ｂ，Ｃ，Ｄの
中で、点Ｐとの距離が最も遠い点（ 例では点Ｃ ）を
除く３点（ 例では点Ａ，Ｂ，Ｄ ）のニューラルネッ
トワークを、ニューラルネットワーク選択部は選択す
る。２次元線形補間部では、下記の方法で補正したＰＭ
Ｖ値を求める。
を説明する。予めニューラルネットワーク選択部に着衣
量０．６ｃｌｏ、活動量１．１５ｍｅｔの値が設定され
たとする（ 点Ｐ )。この点の近傍点Ａ，Ｂ，Ｃ，Ｄの
中で、点Ｐとの距離が最も遠い点（ 例では点Ｃ ）を
除く３点（ 例では点Ａ，Ｂ，Ｄ ）のニューラルネッ
トワークを、ニューラルネットワーク選択部は選択す
る。２次元線形補間部では、下記の方法で補正したＰＭ
Ｖ値を求める。
【００３８】平面の式は、ｚ＝ａ・ｘ＋ｂ・ｙ＋ｃで表
せるので、平面の式を決めるには３点あればよい。
せるので、平面の式を決めるには３点あればよい。
【００３９】ニューラルネットワークへの各入力値か
ら、点Ａに該当するニューラルネットワークが求めた出
力値をｚA 、ニューラルネットワークへの各入力値か
ら、点Ｂに該当するニューラルネットワークが求めた出
力値をｚB 、ニューラルネットワークへの各入力値か
ら、点Ｄに該当するニューラルネットワークが求めた出
力値をｚD とすると、 ｚA ＝ ０．５・ａ＋１．２・ｂ＋ｃ （10） ｚB ＝ ０．５・ａ＋１．０・ｂ＋ｃ （11） ｚD ＝０．７５・ａ＋１．２・ｂ＋ｃ （12） この３式より、ａ，ｂ，ｃが求まる。この値をａ0 ，ｂ
0 ，ｃ0 とすると、 ＰＭＶ＝０．６・ａ0 ＋１．１５・ｂ0 ＋ｃ0 （13） として補正後のＰＭＶが求められる。
ら、点Ａに該当するニューラルネットワークが求めた出
力値をｚA 、ニューラルネットワークへの各入力値か
ら、点Ｂに該当するニューラルネットワークが求めた出
力値をｚB 、ニューラルネットワークへの各入力値か
ら、点Ｄに該当するニューラルネットワークが求めた出
力値をｚD とすると、 ｚA ＝ ０．５・ａ＋１．２・ｂ＋ｃ （10） ｚB ＝ ０．５・ａ＋１．０・ｂ＋ｃ （11） ｚD ＝０．７５・ａ＋１．２・ｂ＋ｃ （12） この３式より、ａ，ｂ，ｃが求まる。この値をａ0 ，ｂ
0 ，ｃ0 とすると、 ＰＭＶ＝０．６・ａ0 ＋１．１５・ｂ0 ＋ｃ0 （13） として補正後のＰＭＶが求められる。
【００４０】本発明の第７の実施例は、第５の実施例に
おける快適性指標ＰＭＶを求めるにつき特徴を持つもの
で、着衣量と活動量が予め定めた組合せケース（ 例え
ば表２ ）の間の値を設定した場合は、その近傍の複数
のニューラルネットワーク出力値を用いて２次元線形補
間によりＰＭＶ値を求める。２次元線形補間方法の具体
的な方法は、図６を用いて説明した第６の実施例と同様
の方法である。
おける快適性指標ＰＭＶを求めるにつき特徴を持つもの
で、着衣量と活動量が予め定めた組合せケース（ 例え
ば表２ ）の間の値を設定した場合は、その近傍の複数
のニューラルネットワーク出力値を用いて２次元線形補
間によりＰＭＶ値を求める。２次元線形補間方法の具体
的な方法は、図６を用いて説明した第６の実施例と同様
の方法である。
【００４１】本発明の第８の実施例は、第６の実施例に
おいて、着衣量と活動量とが予め定めた組合せケースの
間の教師信号が与えられている場合でのニューラルネッ
トワークのＰＭＶ学習時、その近傍の複数のニューラル
ネットワークに対して、その教師信号を用いてＰＭＶを
学習させるものである。
おいて、着衣量と活動量とが予め定めた組合せケースの
間の教師信号が与えられている場合でのニューラルネッ
トワークのＰＭＶ学習時、その近傍の複数のニューラル
ネットワークに対して、その教師信号を用いてＰＭＶを
学習させるものである。
【００４２】具体的な方法例を、次に説明する。第６の
実施例で説明したのと同様に、予めニューラルネットワ
ーク選択部に着衣量０．６ｃｌｏ、活動量１．１５ｍｅ
ｔの値が設定されたとする（ 図６のＰ点 ）。このと
き、各入力変数の値とＰＭＶの値（ｚ1 ）とが教師信号
として与えられたとする。ニューラルネットワーク選択
部は、この教師信号を利用して学習させるニューラルネ
ットワークとして第６の実施例と同様の方法で、点Ａ，
Ｂ，Ｄを選択する。前記入力変数に対する、点Ｐでの学
習前のＰＭＶ値は、（１０）〜（１３）式より、０．６
・ａ0 ＋１．１５・ｂ0 ＋ｃ0 である。これをｚとおく
と、教師信号との偏差ΔｅはΔｅ＝ｚ1−ｚである。
実施例で説明したのと同様に、予めニューラルネットワ
ーク選択部に着衣量０．６ｃｌｏ、活動量１．１５ｍｅ
ｔの値が設定されたとする（ 図６のＰ点 ）。このと
き、各入力変数の値とＰＭＶの値（ｚ1 ）とが教師信号
として与えられたとする。ニューラルネットワーク選択
部は、この教師信号を利用して学習させるニューラルネ
ットワークとして第６の実施例と同様の方法で、点Ａ，
Ｂ，Ｄを選択する。前記入力変数に対する、点Ｐでの学
習前のＰＭＶ値は、（１０）〜（１３）式より、０．６
・ａ0 ＋１．１５・ｂ0 ＋ｃ0 である。これをｚとおく
と、教師信号との偏差ΔｅはΔｅ＝ｚ1−ｚである。
【００４３】よって、点Ａに該当するニューラルネット
ワークへの教師信号は、（１０）式のｚA にΔｅを加え
たものとして、このニューラルネットワークを学習させ
る。
ワークへの教師信号は、（１０）式のｚA にΔｅを加え
たものとして、このニューラルネットワークを学習させ
る。
【００４４】点Ｂに該当するニューラルネットワークへ
の教師信号は、（１１）式のｚB にΔｅを加えたものと
して、このニューラルネットワークを学習させる。
の教師信号は、（１１）式のｚB にΔｅを加えたものと
して、このニューラルネットワークを学習させる。
【００４５】点Ｄに該当するニューラルネットワークへ
の教師信号は、（１２）式のｚD にΔｅを加えたものと
して、このニューラルネットワークを学習させる。
の教師信号は、（１２）式のｚD にΔｅを加えたものと
して、このニューラルネットワークを学習させる。
【００４６】本発明の第９の実施例は、第７の実施例に
おける着衣量と活動量とが予め定めた組合せケースの間
の教師信号が与えられている場合でのニューラルネット
ワークのＰＭＶ学習につき特徴を持つもので、その近傍
の複数のニューラルネットワークに対してその教師信号
を用いてＰＭＶを学習させるものである。具体的な方法
例は、第８の実施例につき説明した方法例と同様であ
る。
おける着衣量と活動量とが予め定めた組合せケースの間
の教師信号が与えられている場合でのニューラルネット
ワークのＰＭＶ学習につき特徴を持つもので、その近傍
の複数のニューラルネットワークに対してその教師信号
を用いてＰＭＶを学習させるものである。具体的な方法
例は、第８の実施例につき説明した方法例と同様であ
る。
【００４７】本発明の第１０の実施例を次に示す。この
第１０の実施例では、第１の実施例または第２の実施例
におけるニューラルネットワークの代わりに重回帰分析
モデルを用いる。
第１０の実施例では、第１の実施例または第２の実施例
におけるニューラルネットワークの代わりに重回帰分析
モデルを用いる。
【００４８】まず、第１の実施例におけるニューラルネ
ットワークの代わりに、重回帰分析モデルに置き換える
には、重回帰のモデルを ｙ＝ａ0 ＋ａ1 ・ｘ1 ＋ａ2 ・ｘ2 ＋…＋ａ6 ・ｘ6 ＋
ｅi として、上記の説明変数ｘ1 ，ｘ2 ，…，ｘ6 は下記の
通りとする。
ットワークの代わりに、重回帰分析モデルに置き換える
には、重回帰のモデルを ｙ＝ａ0 ＋ａ1 ・ｘ1 ＋ａ2 ・ｘ2 ＋…＋ａ6 ・ｘ6 ＋
ｅi として、上記の説明変数ｘ1 ，ｘ2 ，…，ｘ6 は下記の
通りとする。
【００４９】ｘ1 ＝Ｔａ，ｘ2 ＝Ｔｒ，ｘ3 ＝Ｒｈ，ｘ
4 ＝Ｔａ・Ｔｒ，ｘ5 ＝Ｔａ・Ｒｈ，ｘ6 ＝Ｔｒ・Ｒｈ ニューラルネットワークのときと同様に、ａ0 ，ａ1 ，
…，ａ6 の初期値は、従来の Fanger のＰＭＶ演算式を
用いてデータを作り重回帰分析の手法で求めておく。ま
た、個々の空調システム、およびそこの居住者に応じた
快適性指標は、ニューラルネットワークのときと同様
に、空調制御中に居住者の快適度に関するアンケートか
ら収集されたデータを用いて、重回帰分析の手法で学習
する。
4 ＝Ｔａ・Ｔｒ，ｘ5 ＝Ｔａ・Ｒｈ，ｘ6 ＝Ｔｒ・Ｒｈ ニューラルネットワークのときと同様に、ａ0 ，ａ1 ，
…，ａ6 の初期値は、従来の Fanger のＰＭＶ演算式を
用いてデータを作り重回帰分析の手法で求めておく。ま
た、個々の空調システム、およびそこの居住者に応じた
快適性指標は、ニューラルネットワークのときと同様
に、空調制御中に居住者の快適度に関するアンケートか
ら収集されたデータを用いて、重回帰分析の手法で学習
する。
【００５０】また第２の実施例におけるニューラルネッ
トワークの代わりに重回帰分析モデルに置き換えるに
は、重回帰のモデルを ｙ＝ａ0 ＋ａ1 ・ｘ1 ＋ａ2 ｘ2 ＋…＋ａ20・ｘ20＋ｅ
i として、上記の説明変数ｘ1 ，ｘ2 ，…，ｘ20は、第２
の実施例で示したニューラルネットワークへの入力変数
１，２，…，20とする。
トワークの代わりに重回帰分析モデルに置き換えるに
は、重回帰のモデルを ｙ＝ａ0 ＋ａ1 ・ｘ1 ＋ａ2 ｘ2 ＋…＋ａ20・ｘ20＋ｅ
i として、上記の説明変数ｘ1 ，ｘ2 ，…，ｘ20は、第２
の実施例で示したニューラルネットワークへの入力変数
１，２，…，20とする。
【００５１】以下、第３ないし第９の実施例に関して
も、ニューラルネットワークを、それぞれ上記の重回帰
分析モデルに同様に置き換えることにより、第１０の実
施例となる。
も、ニューラルネットワークを、それぞれ上記の重回帰
分析モデルに同様に置き換えることにより、第１０の実
施例となる。
【００５２】
【発明の効果】本発明は上述のように、快適性指標を、
ＰＭＶを基準として居住者の申告を基に修正するために
ニューラルネットワークで学習する装置において、使用
される着衣量と活動量のケース毎にニューラルネットワ
ークを分割し、各ニューラルネットワークにはその領域
のみの学習を分担させ、かつ各ニューラルネットワーク
の入力はただ単にＰＭＶ変数そのものを用いるのではな
く、変数に対するＰＭＶの出力特性を考慮して、各ＰＭ
Ｖ変数を組合せて入力すること等の手段を講じたため、
教師信号の数と計算回数とを大幅に減らし、かつ精度を
向上させる快適性指標ＰＭＶ学習装置が提供できる。
ＰＭＶを基準として居住者の申告を基に修正するために
ニューラルネットワークで学習する装置において、使用
される着衣量と活動量のケース毎にニューラルネットワ
ークを分割し、各ニューラルネットワークにはその領域
のみの学習を分担させ、かつ各ニューラルネットワーク
の入力はただ単にＰＭＶ変数そのものを用いるのではな
く、変数に対するＰＭＶの出力特性を考慮して、各ＰＭ
Ｖ変数を組合せて入力すること等の手段を講じたため、
教師信号の数と計算回数とを大幅に減らし、かつ精度を
向上させる快適性指標ＰＭＶ学習装置が提供できる。
【００５３】また、ＰＭＶを基準として居住者の申告を
基に修正するために重回帰分析モデルで学習する装置に
おいて、使用される着衣量および活動量のケース毎に重
回帰分析モデルを用意し、各重回帰分析モデルにはその
領域のみの学習を分担させ、かつ各重回帰分析モデルの
入力はただ単にＰＭＶ変数そのものを用いるのではな
く、変数に対するＰＭＶの出力特性を考慮して、各ＰＭ
Ｖ変数を組合せて入力すること等の手段を講じたため、
学習計算回数を大幅に減らし、かつ精度を向上させる快
適性指標ＰＭＶ学習装置が提供できる。
基に修正するために重回帰分析モデルで学習する装置に
おいて、使用される着衣量および活動量のケース毎に重
回帰分析モデルを用意し、各重回帰分析モデルにはその
領域のみの学習を分担させ、かつ各重回帰分析モデルの
入力はただ単にＰＭＶ変数そのものを用いるのではな
く、変数に対するＰＭＶの出力特性を考慮して、各ＰＭ
Ｖ変数を組合せて入力すること等の手段を講じたため、
学習計算回数を大幅に減らし、かつ精度を向上させる快
適性指標ＰＭＶ学習装置が提供できる。
【図１】本発明の第１の実施例を示す全体構成図。
【図２】本発明の第２の実施例を示す全体構成図。
【図３】本発明の第３の実施例を示す全体構成図。
【図４】本発明の第４の実施例を示す全体構成図。
【図５】本発明の第６の実施例を示す全体構成図。
【図６】請求項６の２次元線形補間方法の具体例を説明
するための図。
するための図。
【図７】室温（空気温度）と従来のＰＭＶとの関係を示
した図。
した図。
【図８】平均輻射温度と従来のＰＭＶとの関係を示した
図。
図。
【図９】相対湿度と従来のＰＭＶとの関係を示した図。
【図１０】風速（気流速度）と従来のＰＭＶとの関係を
示した図。
示した図。
【図１１】従来の快適空調制御システムの全体構成図。
１Ａ ニューロＰＭＶ学習装置 ２Ａ 居住者快適度設定部 ３Ａ ニューラルネットワーク選択部
───────────────────────────────────────────────────── フロントページの続き (72)発明者 西 村 信 孝 東京都港区芝浦一丁目１番１号 株式会社 東芝本社事務所内
Claims (10)
- 【請求項１】ＰＭＶ値に影響を与える着衣量と活動量が
予め決まっている空調プロセスで、空調制御に用いる快
適性指標ＰＭＶをニューラルネットワークで学習させる
快適性指標ＰＭＶ学習装置において、 ニューラルネットワークへの入力として、ＰＭＶ値に影
響を与える変数の空気温度、平均輻射温度、相対湿度お
よびこれら３変数中の２つ同士の掛け算の合計６個の変
数とすることを特徴とする、快適性指標ＰＭＶ学習装
置。 - 【請求項２】ＰＭＶ値に影響を与える着衣量と活動量と
が予め決まっている空調プロセスで、空調制御に用いる
快適性指標ＰＭＶをニューラルネットワークで学習させ
る快適性指標ＰＭＶ学習装置において、 ニューラルネットワークへの入力として、ＰＭＶ値に影
響を与える変数の気流速度、気流速度の平方、請求項１
におけるニューラルネットワーク入力の６変数、および
気流速度と前記６変数それぞれとの掛け算、および気流
速度の平方と前記６変数それぞれとの掛け算、の合計２
０個とすることを特徴とする、快適性指標ＰＭＶ学習装
置。 - 【請求項３】空調制御に用いる快適性指標ＰＭＶをニュ
ーラルネットワークで学習させる快適性指標ＰＭＶ学習
装置において、 ＰＭＶ値に影響を与える着衣量と活動量とを、予め空調
制御対象プロセスごとに用いられる値の組合せを決め、
その組合せの数だけニューラルネットワークをそなえ、 そのニューラルネットワークごとにＰＭＶを学習させ、
空調制御にこれを用いるときは設定した着衣量と活動量
とから該当するニューラルネットワークを自動的に選択
することを特徴とする、快適性指標ＰＭＶ学習装置。 - 【請求項４】請求項３記載の快適性指標ＰＭＶ学習装置
において、 各ニューラルネットワークへの入力として、請求項１に
おける６変数とすることを特徴とする、快適性指標ＰＭ
Ｖ学習装置。 - 【請求項５】請求項３記載の快適性指標ＰＭＶ学習装置
において、 各ニューラルネットワークへの入力として、請求項２に
おける２０変数とすることを特徴とする、快適性指標Ｐ
ＭＶ学習装置。 - 【請求項６】請求項４記載の快適性指標ＰＭＶ学習装置
において、 空調制御に快適性指標ＰＭＶを用いる場合、着衣量と活
動量が予め定めた組合せケースの間の値を設定した場合
は、その近傍の複数のニューラルネットワーク出力値を
用いて２次元線形補間によりＰＭＶ値を求めることを特
徴とする、快適性指標ＰＭＶ学習装置。 - 【請求項７】請求項５記載の快適性指標ＰＭＶ学習装置
において、 空調制御に快適性指標ＰＭＶを用いる場合、着衣量と活
動量が予め定めた組合せケースの間の値を設定した場合
は、その近傍の複数のニューラルネットワーク出力値を
用いて２次元線形補間によりＰＭＶ値を求めることを特
徴とする、快適性指標ＰＭＶ学習装置。 - 【請求項８】請求項６記載の快適性指標ＰＭＶ学習装置
において、 着衣量と活動量が予め定めた組合せケースの間の教師信
号が与えられている場合でのニューラルネットワークの
ＰＭＶ学習時、その近傍の複数のニューラルネットワー
クに対してその教師信号を用いてＰＭＶを学習させるこ
とを特徴とする、快適性指標ＰＭＶ学習装置。 - 【請求項９】請求項７記載の快適性指標ＰＭＶ学習装置
において、 着衣量と活動量が予め定めた組合せケースの間の教師信
号が与えられている場合でのニューラルネットワークの
ＰＭＶ学習時、その近傍の複数のニューラルネットワー
クに対してその教師信号を用いてＰＭＶを学習させるこ
とを特徴とする、快適性指標ＰＭＶ学習装置。 - 【請求項１０】請求項１ないし９のいづれかに記載の快
適性指標ＰＭＶ学習装置において、 ニューラルネットワークを重回帰分析モデルに置き換え
たことを特徴とする、快適性指標ＰＭＶ学習装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP25627396A JP3361017B2 (ja) | 1996-09-11 | 1996-09-27 | 快適性指標ｐｍｖ学習装置 |
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP24043296 | 1996-09-11 | ||
| JP8-240432 | 1996-09-11 | ||
| JP25627396A JP3361017B2 (ja) | 1996-09-11 | 1996-09-27 | 快適性指標ｐｍｖ学習装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH10141736A true JPH10141736A (ja) | 1998-05-29 |
| JP3361017B2 JP3361017B2 (ja) | 2003-01-07 |
Family
ID=26534726
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP25627396A Expired - Lifetime JP3361017B2 (ja) | 1996-09-11 | 1996-09-27 | 快適性指標ｐｍｖ学習装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3361017B2 (ja) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007298257A (ja) * | 2006-05-08 | 2007-11-15 | Sekisui Chem Co Ltd | 快適性評価方法 |
| JP2009064216A (ja) * | 2007-09-06 | 2009-03-26 | Univ Of Tsukuba | 関数近似装置、強化学習システム、関数近似システムおよび関数近似プログラム |
| US7757504B2 (en) | 2006-04-14 | 2010-07-20 | Kabushiki Kaisha Toshiba | Air conditioning controller |
| JP2014178264A (ja) * | 2013-03-15 | 2014-09-25 | Mitsubishi Electric Corp | パワーモジュール |
| JP2015102307A (ja) * | 2013-11-26 | 2015-06-04 | 大和ハウス工業株式会社 | 空調制御システム及び空調制御方法 |
| CN112128950A (zh) * | 2020-11-24 | 2020-12-25 | 北京蒙帕信创科技有限公司 | 一种基于多种模型对比的机房温湿度预测方法及系统 |
| CN112944643A (zh) * | 2021-03-24 | 2021-06-11 | 江苏新安电器股份有限公司 | 一种智能型恒温恒湿空调控制板及其控制方法 |
| WO2022220407A1 (ko) * | 2021-04-12 | 2022-10-20 | 한온시스템 주식회사 | 보간법을 활용한 인공지능 공조 제어 시스템 및 그 방법 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013057476A (ja) | 2011-09-09 | 2013-03-28 | Toshiba Corp | Ｐｍｖ推定装置およびそのプログラム |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH03125257A (ja) * | 1989-10-03 | 1991-05-28 | Westinghouse Electric Corp <We> | ニューラル・ネットワーク及び適応推論システム |
| JPH04320750A (ja) * | 1991-04-22 | 1992-11-11 | Matsushita Electric Ind Co Ltd | 空気調和機の制御装置 |
| JPH04328669A (ja) * | 1991-04-26 | 1992-11-17 | Toyo Electric Mfg Co Ltd | 統合ニューラルネットワーク及びその学習方式 |
| JPH05126380A (ja) * | 1991-11-05 | 1993-05-21 | Toshiba Corp | 空調制御装置 |
| JPH05280787A (ja) * | 1992-04-01 | 1993-10-26 | Matsushita Refrig Co Ltd | 空気調和機 |
| JPH0682080A (ja) * | 1992-09-01 | 1994-03-22 | Matsushita Refrig Co Ltd | 負荷予測装置 |
| JPH06147599A (ja) * | 1992-11-16 | 1994-05-27 | Toshiba Corp | 快適空調制御装置 |
-
1996
- 1996-09-27 JP JP25627396A patent/JP3361017B2/ja not_active Expired - Lifetime
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH03125257A (ja) * | 1989-10-03 | 1991-05-28 | Westinghouse Electric Corp <We> | ニューラル・ネットワーク及び適応推論システム |
| JPH04320750A (ja) * | 1991-04-22 | 1992-11-11 | Matsushita Electric Ind Co Ltd | 空気調和機の制御装置 |
| JPH04328669A (ja) * | 1991-04-26 | 1992-11-17 | Toyo Electric Mfg Co Ltd | 統合ニューラルネットワーク及びその学習方式 |
| JPH05126380A (ja) * | 1991-11-05 | 1993-05-21 | Toshiba Corp | 空調制御装置 |
| JPH05280787A (ja) * | 1992-04-01 | 1993-10-26 | Matsushita Refrig Co Ltd | 空気調和機 |
| JPH0682080A (ja) * | 1992-09-01 | 1994-03-22 | Matsushita Refrig Co Ltd | 負荷予測装置 |
| JPH06147599A (ja) * | 1992-11-16 | 1994-05-27 | Toshiba Corp | 快適空調制御装置 |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7757504B2 (en) | 2006-04-14 | 2010-07-20 | Kabushiki Kaisha Toshiba | Air conditioning controller |
| JP2007298257A (ja) * | 2006-05-08 | 2007-11-15 | Sekisui Chem Co Ltd | 快適性評価方法 |
| JP4693689B2 (ja) * | 2006-05-08 | 2011-06-01 | 積水化学工業株式会社 | 快適性評価方法 |
| JP2009064216A (ja) * | 2007-09-06 | 2009-03-26 | Univ Of Tsukuba | 関数近似装置、強化学習システム、関数近似システムおよび関数近似プログラム |
| JP2014178264A (ja) * | 2013-03-15 | 2014-09-25 | Mitsubishi Electric Corp | パワーモジュール |
| JP2015102307A (ja) * | 2013-11-26 | 2015-06-04 | 大和ハウス工業株式会社 | 空調制御システム及び空調制御方法 |
| CN112128950A (zh) * | 2020-11-24 | 2020-12-25 | 北京蒙帕信创科技有限公司 | 一种基于多种模型对比的机房温湿度预测方法及系统 |
| CN112944643A (zh) * | 2021-03-24 | 2021-06-11 | 江苏新安电器股份有限公司 | 一种智能型恒温恒湿空调控制板及其控制方法 |
| WO2022220407A1 (ko) * | 2021-04-12 | 2022-10-20 | 한온시스템 주식회사 | 보간법을 활용한 인공지능 공조 제어 시스템 및 그 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP3361017B2 (ja) | 2003-01-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hamdi et al. | A new predictive thermal sensation index of human response | |
| KR101162582B1 (ko) | 습도 추정 장치 및 습도 추정 방법 | |
| US5170935A (en) | Adaptable control of HVAC systems | |
| Chen et al. | Fuzzy adaptive networks in thermal comfort | |
| Conceição et al. | Application of HVAC systems with control based on PMV index in university buildings with complex topology | |
| CN103003637A (zh) | 建筑物居住者的热舒适度个性化控制 | |
| JP3049266B2 (ja) | 空調制御装置 | |
| Nouvel et al. | A novel personalized thermal comfort control, responding to user sensation feedbacks | |
| JP3361017B2 (ja) | 快適性指標ｐｍｖ学習装置 | |
| Gupta et al. | Incentive-based mechanism for truthful occupant comfort feedback in human-in-the-loop building thermal management | |
| JPH09105545A (ja) | 空調装置 | |
| del Mar Castilla et al. | A multivariable nonlinear MPC control strategy for thermal comfort and indoor-air quality | |
| JP3751830B2 (ja) | 空調制御装置 | |
| JP2007120889A (ja) | 空調制御装置 | |
| JP2001082782A (ja) | 空調制御装置 | |
| JPH09217953A (ja) | 空調制御装置 | |
| Okulska et al. | Make a difference, open the door: The energy-efficient multi-layer thermal comfort control system based on a graph airflow model with doors and windows | |
| JP2002022238A (ja) | 快適感評価装置及び空調制御装置 | |
| JP3087446B2 (ja) | 空気調和における快適度算出装置 | |
| JPH07198186A (ja) | 空気調和機の冷暖切替装置 | |
| JP2902472B2 (ja) | 空調制御装置 | |
| JP2563655B2 (ja) | 空気調和機の制御方法 | |
| JP2734193B2 (ja) | 空気調和機の制御装置 | |
| JPH06347077A (ja) | 室内環境制御装置 | |
| Kotsopoulos et al. | Personalizing thermal comfort in a prototype indoor space |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20081018 Year of fee payment: 6 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20081018 Year of fee payment: 6 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20091018 Year of fee payment: 7 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20101018 Year of fee payment: 8 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20111018 Year of fee payment: 9 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20111018 Year of fee payment: 9 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20121018 Year of fee payment: 10 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20131018 Year of fee payment: 11 |
|
| EXPY | Cancellation because of completion of term |