JPH10170053A - 空気調和機の負荷予測装置 - Google Patents

Abstract

(57)【要約】 【課題】従来、空調機の負荷を予測する場合、空調機の
動作前のデータによって時間ごとの予測を行っていた為
に、予測精度が悪いという問題点を有していた。 【解決手段】室外環境の状態を検出する室外センサ群１
１０と、室内環境の状態を検出する室内センサ群１１１
と、空気調和機１４０の負荷を検出する負荷検出手段１
０７と、室外センサ群１１０と室内センサ群１１１と負
荷検出手段１０７からの検出値を記憶しておく検出値記
憶手段１０８と、検出値記憶手段１０８で記憶された各
検出値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、予測時には検出値記憶手段１０８で記憶
されたデータから空調機１４０の時間ごとの負荷の予測
値を演算した後出力し、出力が終わった後に教師データ
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。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】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空気調和機の
負荷を気象データや温度湿度センサなどから予測し、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
の運転台数を計画し、省エネ運転を実現する試みがなさ
れている。このような試みは今後も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、より最適な省エ
ネ運転を実現するために、空調機の負荷をいかに正確に
予測できるかという要求がますます厳しくなると思われ
る。

【０００３】このような背景のもとで、本発明者は特開
平４−２８５７３９号に示す「空気調和機の負荷予測装
置」において、空気調和機の１日の負荷を予測する方法
を提案した。この発明では、室外センサからの室外環境
状態、室内センサからの室内環境状態、気象予報デー
タ、設定温度、設定湿度、運転時間などの空気調和機の
運転条件、空調機から検出した負荷データなどの各デー
タを基に、当日の朝などの空調機の運転前に、その日の
１時間ごとの負荷、あるいは１日を通しての負荷の総量
を予測する予測装置を提供するものである。

【０００４】

【発明が解決しようとする課題】しかしながら、このよ
うな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。すなわち、空調機を運転する前のデータだ
けで１日の時間ごとの予測を行なっており、運転を開始
してから予測したい時間の直前までの空調機の負荷デー
タは予測には利用しておらないために予測精度が悪い。

【０００５】そこで、本発明は上記課題に鑑み、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。

【０００６】１） 予測直前までの空調機の負荷データ
を入力することで予測精度が高くなる空気調和機の負荷
予測装置、さらには、 ２）室内外の環境状態によって予測回路を選択すること
で予測精度が高くなる空気調和機の負荷予測装置、 ３）学習に利用するデータに古いものを利用しないこと
で予測精度が高くなる空気調和機の負荷予測装置であ
る。

【０００７】

【課題を解決するための手段】本発明は、室外気温、室
外湿度、日射量など室外環境の状態を検出する室外セン
サ群と、室内温度、室内湿度、給気温度など室内環境の
状態を検出する室内センサ群と、空気調和機の負荷を検
出する負荷検出手段と、前記室外センサ群と前記室内セ
ンサ群と前記負荷検出手段からの検出値を記憶しておく
検出値記憶手段と、前記検出値記憶手段で記憶された各
検出値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、予測時には前記検出値記憶手段で記憶さ
れたデータから空調機の時間ごとの負荷の予測値を演算
した後出力し、出力が終わった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
予測装置である。

【０００８】また、本発明は、室外気温、室外湿度、日
射量など室外環境の状態を検出する室外センサ群と、室
内温度、室内湿度、給気温度など室内環境の状態を検出
する室内センサ群と、空気調和機の負荷を検出する負荷
検出手段と、前記室外センサ群と前記室内センサ群と前
記負荷検出手段からの検出値を記憶しておく検出値記憶
手段と、前記検出値記憶手段で記憶された各検出値を、
その時の室内外の状況に応じて複数個の予測回路に分配
する予測回路選択手段とを備え、前記予測回路は、前記
検出値記憶手段で記憶され前記予測回路選択手段により
選択されたデータが送られてくると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、予測時には空調
機の時間ごとの負荷の予測値を演算した後出力し、出力
が終わった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有してい
ることを特徴とする空気調和機の負荷予測装置である。

【０００９】また、本発明は、室外気温、室外湿度、日
射量など室外環境の状態を検出する室外センサ群と、室
内温度、室内湿度、給気温度など室内環境の状態を検出
する室内センサ群と、空気調和機の負荷を検出する負荷
検出手段と、前記室外センサ群と前記室内センサ群と前
記負荷検出手段からの検出値を記憶しておく検出値記憶
手段と、前記検出値記憶手段で記憶された各検出値から
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、前記教師データ作成手段で作成された教師データの
うち、最新のデータから所定の数のデータのみを選択し
教師データとする教師データセット選択手段と、予測時
には前記検出値記憶手段で記憶されたデータから空調機
の時間ごとの負荷の予測値を演算した後出力し、出力が
終わった後に前記教師データセット選択作成手段で作成
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で
ある。

【００１０】

【発明の実施の形態】

（実施の形態１）まず、本発明の第１の実施の形態につ
いて説明する。第１の実施の形態の空調機の負荷予測装
置の目的は、予測直前までの負荷を入力することによっ
て精度の高い負荷予測を行うものである。以下、本発明
の第１の実施の形態である空調機の負荷予測装置につい
て図面を参照しながら説明する。

【００１１】図１、図２は本発明の第１の実施の形態に
おける空調機の負荷予測装置のブロック図を示すもので
ある。図１、図２において、１４０は空調機、１５０は
空調機によって空調される空調空間、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、１０６は空調機からの給気の温度を検出する給気温
度センサ、１０７は空調機の負荷を検出する負荷検出手
段、１０８は各センサおよび検出手段からの検出値を記
憶する検出値記憶手段、２００はタイマ、２０１は予測
回路切り替えスイッチ、１２０は１３時の負荷を予測す
る予測回路、１８０は実負荷検出手段、１２４は教師デ
ータ候補メモリ手段、１２３はデータ判別手段、１２５
は教師データセットメモリ手段、１２６は予測／学習選
択回路、１２１は神経模式回路、１２７、１２８、１２
９はスイッチ、１９０、１９１はそれぞれ１４時と１７
時の負荷を予測する予測回路で、内部の回路は１２０の
１３時の予測回路と同じである。

【００１２】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１、図２を用いてその動作を説明
する。本実施の形態の負荷予測装置は、予測動作と学習
動作の大きく２つの動作から成り立っている。予測動作
は検出値記憶手段１０８で記憶された室外センサ１１０
からのデータ、室内センサ１１１からのデータ、負荷検
出手段１０７からのデータを、予測回路切り替えスイッ
チ２０１で選択した予測回路に入力し、スイッチ１２７
を通ってそのまま神経模式回路１２１に入力すること
で、その予測動作を行う１時間先での空調機の負荷予測
値を演算する。

【００１３】学習動作はその予測動作に利用したデータ
を教師データ作成手段１２２で蓄積しておき、予測動作
が終了し次の予測動作が行われるまでに、蓄積された教
師データにより神経模式回路１２１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。

【００１４】まず予測動作について説明する。

【００１５】本実施の形態で示す負荷予測の方法として
は、予測の対象となる時間の１時間前に予測動作を行う
ことを基本とする。すなわち、１３時の予測を行うのは
１２時、１４時の予測を行うのは１３時、、、という具
合である。図１、図２には負荷予測の対象となる時間と
して、１３時、１４時、、、１７時と１時間ごとの予測
例を示している。特にこの時間の予測を例にしたのは、
一般に全電力負荷が大きくなる時間帯（特に夏場は顕
著）であり、その時間帯の空調機の電力負荷を予測でき
ることが事実上非常に重要だからである。

【００１６】まず、１３時の負荷予測を行う動作につい
て説明する。１３時の負荷予測は１２時に行う。検出値
記憶手段１０８は、各センサからのデータおよび負荷検
出手段１０７のデータを過去から記憶保存している。そ
のデータの記憶数は本実施の形態では、１時間間隔で３
時間分とする。すなわち、１２時の時点での記憶内容
は、１２時のデータ、１１時のデータ、１０時のデータ
である。本実施の形態では検出値記憶手段１０８に入力
されるデータとして、室外センサ１１０からは室外気
温、室外湿度、日射量の３データ、室内センサ１１１か
らは、室内温度、室内湿度、給気温度の３データ、負荷
検出手段１０７からは１データであるため、合計７デー
タについて過去３時間分を記憶することになる。したが
って総記憶数は３×７＝２１データとなる。その２１個
のデータが検出値記憶手段１０８の出力となり、予測回
路切り替えスイッチ２０１に送られる。

【００１７】ちなみに、１３時の時点ので記憶内容は、
１３時のデータ、１２時のデータ、１１時のデータとな
り、同じく記憶総数は、３時間分×７データ＝２１デー
タになる。この場合、１０時のデータは更新される。こ
れらの記憶更新のタイミングは、タイマ２００のタイマ
信号で制御される。

【００１８】予測回路切り替えスイッチ２０１はタイマ
２００のタイマ信号により、予測回路を選択する。１２
時の時点では１３時の負荷予測を行うために、１３時予
測回路１２０にデータを送るようにスイッチ２０１のＡ
部に接続する。予測／学習選択回路１２６はタイマ２０
０からのタイマ信号により予測モードを選択し、スイッ
チ１２７をＯＮ、スイッチ１２８をＯＦＦにする。スイ
ッチ１２７がＯＮになると、検出記憶手段１０８で記憶
されている２１個のデータは神経模式回路１２１に入力
される。神経模式回路１２１ではこれらのデータが入力
されるとフォワード計算を行い、１３時の負荷予測値を
出力し予測動作は完了となる。予測回路切り替えスイッ
チ２０１から送られてきたデータは同時に教師データ作
成手段１２２に送られ、学習動作時に神経模式回路１２
１が学習するため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。また神経模式回路１２１の構
成についても、後で詳細に説明する。以上、説明したの
が１２時の時点での１２時の負荷予測動作である。１３
時になっても上記と同様な手順で１４時の予測動作が行
われる。検出値記憶手段１０８には、室外センサ１１０
からの３データ、室内センサ１１１からの３データ、負
荷検出手段１０７からの１データの合計７データについ
て、１３時のデータ、１２時のデータ１１時のデータの
３時間分の合計２１データが予測回路切り替えスイッチ
２０１のＢ部を通って１４時予測回路１９０に入力され
１３時予測回路１２０と同じ動作で１４時の負荷予測値
を出力する。

【００１９】あと図示はしていないが１５時予測回路も
１６時予測回路も１７時予測回路１９１も同じ動作で各
時間の負荷予測値を出力する。

【００２０】次に、学習動作について説明する。神経模
式回路１２１は負荷予測の精度を向上させるために過去
の検出データを元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１２１の構成の説明で述べる。

【００２１】バックプロパゲーションで学習するための
教師データは予測の対象としている時間が過ぎたら教師
データ作成手段１２２で作成される。例えば、１３時予
測回路１２０の学習動作が行われるのは１３時が過ぎた
後である。つまり、実際に予測した時間が過ぎた結果、
実際にこの時間に発生した空調機１４０の負荷を実負荷
検出手段１８０で検出できる訳である。空調機１４０の
負荷としては熱源（図示はしていない）が消費した電力
量、または給還気を行うファンが消費した電力量などを
メータ等で検出しすべてを積算したものを負荷と定義し
て検出する。例えば１２時の負荷の定義は、１１時から
１２時までの空調機１４０で消費されたすべての電力量
の積算値ということになる。

【００２２】１３時予測回路１２０で１３時の予測が終
わり、この時点ではまだ１２時であるが、空調機１４０
の運転が継続され、１３時になった時点で実負荷検出手
段１８０は１３時の実際の空調機の負荷を検出すること
ができ、教師データ候補メモリ手段１２４に入力され教
師データの候補として記憶される。この時点で教師デー
タ候補メモリ手段１２４には、検出値記憶手段１０８か
ら送られてきた１２時までの室外センサ１１０、室内セ
ンサ１１１、負荷検出手段１０７の過去３時間分のデー
タである合計２１データと実負荷検出手段１８０からの
１３時の実際の空調機の負荷データの総計２２データが
記憶されていることになる。

【００２３】データ判別手段１２３は、検出値記憶手段
１０８から予測回路切り替えスイッチ２０１を通って送
られてくるデータをチェックし、正常な状態であると判
断すればスイッチ１２９をＯＮする。これにより、教師
データ候補メモリ手段１２４に記憶されているデータは
教師データセットメモリ手段１２５に入力され、神経模
式回路１２１が学習するための教師データとなる。

【００２４】もし異常な状態であると判断すればスイッ
チ１２９はＯＦＦの状態にしておき、その時のデータは
教師データセットメモリ手段１２５に入力せず教師デー
タには加えない。これは例えばセンサ信号の不良だけで
なく、天候の急変などによる急激な室外状況の変化や、
室内に急激な人の出入りなどによる熱負荷の急増急減な
どによる室内状況の変化があった場合のデータを教師デ
ータに加え学習すると、神経模式回路１２１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超えるか否かで判断でき
る。

【００２５】教師データセットメモリ手段１２５に教師
データがセットされると、予測／学習選択回路１２６は
スイッチ１２８をＯＮし、教師データは神経模式回路１
２１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。神経模式回
路１２１がバックプロパゲーションに基づく学習動作を
行うのは、教師データセットメモリ手段１２５からデー
タが送られて来る時刻、すなわち予測したい時間を過ぎ
てから（１３時の負荷予測の例では１３時を過ぎてか
ら）、次に予測動作を行う時間、すなわち次の日の予測
したい時間の１時間前まで（１３時の予測の例では１２
時まで）に行えば問題はない。以上説明したのが学習動
作である。なおこの予測動作は１４時予測回路１９０の
場合も、１５時予測回路、１６時予測回路、１７時予測
回路１９１の場合も同様である。

【００２６】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１２１の予測精度を向上させ
ることができる。

【００２７】次に、神経模式回路１２１について説明す
る。図７、８は神経模式回路１２１の構成を示した構成
図である。本実施の形態では神経模式回路１２１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７、８において、３１０、３
１１、３１２はニューロンでそれぞれ入力層、中間層、
出力層に対応する。３００は教師データ分配回路、３２
０は予測データ分配回路、３３０および３３１はスイッ
チである。

【００２８】入力層の数は検出値記憶手段１０８から予
測回路切り替えスイッチ２０１およびスイッチ１２７か
ら入力される信号のデータ数と等しく２１個、中間層は
その倍の４２個、出力層は１時間分の負荷予測値である
から１個となる。なお、入力層は本実施の形態ではそれ
ぞれのデータを過去３時間に渡って記憶したために、２
１個になったが４時間分記憶すれば、データ数７×記憶
時間数４＝２８個となる。また中間層は４２個とした
が、厳密なものではなく４２個でなくても良い。

【００２９】以上のように構成された神経模式回路１２
１の動作について説明する。まず予測動作時には、スイ
ッチ３３０および３３１はＢ側に接続される。この選択
の信号は予測／学習選択回路１２６から送られる。検出
値記憶手段１０８からのデータが予測データ分配回路３
２０で分配されスイッチ３３０を通って入力層の各ニュ
ーロン３１０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３１１に出力される。同様な過程で中間層のニューロ
ン３１１、さらに出力層のニューロン３１２を通ったデ
ータはスイッチ３３１のＢ側を通り空調機の負荷予測値
として出力される。

【００３０】次に学習動作時になるとスイッチ３３０お
よび３３１はＡ側に接続する。学習動作時には前述した
ように教師データ作成手段１２２で作成された教師デー
タセットがスイッチ１２８がＯＮされることで教師デー
タ分配回路３００に入力される。教師データ分配回路３
００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、給気温度、空調機の負荷
の組みと、実負荷検出手段１８０で検出した空調機の負
荷の組を分けて、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３１０、中間層３１１、出力
層３１２を通り予測動作と同様な演算を行い演算結果が
スイッチ３３１に入力される。スイッチ３３１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３００で分配された実負荷検出手段１８０で検出した
実際の空調機の負荷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間の重みを修正する。その修正
の方法については周知であり、前述した参考文献にも述
べられているのでここでは説明を省略する。教師データ
セットメモリ手段１２５の記憶されたすべてのデータに
ついて以上の学習動作を行うことで神経模式回路１２１
の予測精度を向上させることができる。

【００３１】以上のように本実施の形態によれば、神経
模式回路１２１の予測動作の入力として、予測動作を行
う直前までの空調機の負荷データを用いるために、より
精度の良い各時間の負荷予測を実現することができる。

【００３２】（実施の形態２）次に、本発明第２の実施
の形態について説明する。

【００３３】第２の実施の形態における空調機の負荷予
測装置の目的は、複数の予測回路を持ち、室内外の環境
状態によってそれを選択することで予測精度が上げるこ
とである。

【００３４】以下本発明の第２の実施の形態について図
面を参照しながら説明する。図３、図４は本発明の第２
の実施の形態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】図３、図４において、１４０は空調機、１
５０は空調機によって空調される空調空間、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、１０６は空調機からの給気の温度を検出する給
気温度センサ、１０７は空調機の負荷を検出する負荷検
出手段、１０８は各センサおよび検出手段からの検出値
を記憶する検出値記憶手段１０８、２００はタイマ、２
０１は予測回路切り替えスイッチ、１３０は第１予測回
路、１８０は実負荷検出手段、１２４は教師データ候補
メモリ手段、１２３はデータ判別手段、１２５は教師デ
ータセットメモリ手段、１２６は予測／学習選択回路、
１２１は神経模式回路、１２７、１２８、１２９はスイ
ッチ、１６０は予測回路選択手段、１３１、１３２はそ
れぞれ第２予測回路と第ｎ予測回路で、内部の回路は第
１予測回路１３０と同じである。１３５は１３時予測回
路であり、回路の内部は第１予測回路１３０から第ｎ予
測回路１３２までのｎ個の予測回路で構成されている。
２１０、２１１はスイッチであり、これらの回路を切り
替えることで、１３時予測回路１３５の出力を切り替え
ている。また、１４時予測回路１３６、１７時予測回路
１３７も内部回路は１３時予測回路１３５と同じであ
る。

【００３６】本実施の形態では、１３時予測回路１３５
の内部をｎ個の予測回路で構成するものとして記述して
いるが、その個数は予測回路選択手段１６０の選択の方
法で決まるもので、通常は２〜４個を用意する。

【００３７】第１予測回路１３０、第２予測回路１３
１、第ｎ予測回路１３２の内部回路は、図１、図２にお
ける１３時予測回路１２０の内部回路と本質的には同様
であり、したがってその動作も同じである。図１、図２
と異なるのは、予測回路選択手段１６０が室外気温セン
サ１０１および室内温度センサ１０４の状態からその日
の状態を大別し、１３時の予測を行う回路である１３時
予測回路１３５の内部をさらに詳細に分けたｎ個の回路
の中から、その日に近い状態を予測できる回路を選択す
ることで、精度の良い予測を行うようにした点である。

【００３８】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、図４を用いてその動作を説明
する。本実施の形態の空調機の負荷予測装置も第１の実
施の形態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の実施の形態と異なるのは、検出
値記憶手段１０８からのデータが予測回路選択手段１６
０で選択された予測回路に送られた後、予測動作と学習
動作が行われることである。

【００３９】まず、予測動作の説明として、１３時の負
荷予測を行う動作について説明する。１３時の負荷予測
は１２時に行う。検出値記憶手段１０８は、各センサか
らのデータおよび負荷検出手段１０７のデータを過去か
ら記憶保存する。そのデータの記憶数は第１の実施の形
態と同様で２１個となる。その２１個のデータが検出値
記憶手段１０８の出力となり、予測回路切り替えスイッ
チ２０１に送られる。予測回路切り替えスイッチ２０１
はタイマ２００のタイマ信号により、予測回路を選択す
る。

【００４０】１２時の時点では１３時の負荷予測を行う
ために、１３時予測回路１３５にデータを送るようにス
イッチ２０１のＡ部に接続する。一方、予測回路選択手
段１６０では、室外気温センサ１０１と室内温度センサ
１０４からのデータから負荷の大小により１３時予測回
路１３５の中のさらに詳細な回路を選択する。すなわ
ち、室外気温センサ１０１と室内温度センサ１０４の値
が高ければ空調機の負荷が大きく低ければ小さいので、
２つの値の平均値とある基準値との大小関係で第１予測
回路１３０から第ｎ予測回路１３２のどれを選択するの
かを決定する。例えば、平均値が３０度以上であれば第
１予測回路１３０、２５度以上３０度未満であれば第２
予測回路１３１、２０度以上２５度未満であれば第３予
測回路を選択するという具合である。この場合、第１予
測回路１３０は一番負荷の高い時の負荷予測に使われる
ことになる。

【００４１】以上のように選択された結果がスイッチ２
１０およびスイッチ２１１に送られｎ個の予測回路の中
から選択された回路に接続され、検出値記憶手段１０８
からのデータが予測回路切り替えスイッチ２０１を通り
選択された回路に送られる。

【００４２】予測回路選択手段１６０によって選択され
た回路（第１予測回路１３０、第２予測回路１３１、、
第ｎ予測回路１３２のそれぞれ）の内部構成は、本発明
第１の実施の形態の１３時予測回路１２０の内部と同様
である。したがって、予測動作時の予測／学習選択回路
１２６、スイッチ１２７、スイッチ１２８の動作や神経
模式回路１２１の構成や予測の為のフォワード計算、さ
らには教師データ作成手段１２２での動作は第１の実施
の形態と同じである。また、１４時予測回路１３６、１
７時予測回路１３７も１３時予測回路１３５と同様な動
作を行う。

【００４３】以上説明したのが予測動作である。

【００４４】次に学習動作について説明する。学習動作
については第１予測回路１３０、第２予測回路１３１、
第ｎ予測回路１３２の内部のそれぞれの神経模式回路１
２１が行う動作で基本的には第１の実施の形態と同様で
ある。異なるのは、予測回路選択手段１６０で検出値記
憶手段１０８からのデータがスイッチ２１０により第１
予測回路１３０から第ｎ予測回路１３２に振り分けられ
るために、同じ時間を経過していても各回路の教師デー
タ作成手段１２２で作成される教師データの数は、第１
の実施の形態より少なくなる点である。

【００４５】以上のように第２の実施の形態では、各時
間の負荷予測を行う回路（例えば１３時予測回路１３
５）の内部で空調機の負荷の大きさに応じて、例えば負
荷の大きい場合は第１予測回路１３０、負荷の小さい場
合は第ｎ予測回路１３２とさらに細かく回路を持ちデー
タを分配することで、それぞれの神経模式回路１２１で
は、同じような大きさの負荷のデータが教師データとし
て集まることになり、より負荷予測の精度が向上する効
果がある。

【００４６】（実施の形態３）次に本発明第３の実施の
形態について説明する。

【００４７】本発明第３の実施の形態の空調機の負荷予
測装置の目的は、神経模式回路の学習に利用するデータ
のうち古いものを利用しないことで良好な予測精度を得
ることである。

【００４８】以下本発明の第３の実施の形態について図
面を参照しながら説明する。図５、図６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。図５、図６において、１４０は空調機、
１５０は空調機によって空調される空調空間、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、１０６は空調機からの給気の温度を検出する
給気温度センサ、１０７は空調機の負荷を検出する負荷
検出手段、１０８は各センサおよび検出手段からの検出
値を記憶する検出値記憶手段、２００はタイマ、２０１
は予測回路切り替えスイッチ、１８０は実負荷検出手
段、１２４は教師データ候補メモリ手段、１２３はデー
タ判別手段、１２５は教師データセットメモリ手段、１
２６は予測／学習選択回路、１２１は神経模式回路、１
２７、１２８、１２９はスイッチで、以上は第１の実施
の形態の図１、図２の構成と同様である。図１、図２と
異なるのは、保管データ数設定手段１４０と教師データ
セット選択手段１４１を設け、教師データセットメモリ
手段１２５のデータからさらに教師データを選択してい
る点である。

【００４９】上記のような構成で１３時の負荷を予測す
る予測回路１７５が構成され、１７６、１７７はそれぞ
れ１４時と１７時の負荷を予測する予測回路で、内部の
回路は１３時予測回路１７５と同じである。

【００５０】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５、図６を用いてその動作を説明
する。本実施の形態の負荷予測装置も、第１の実施の形
態と同様に予測動作と学習動作の大きく２つの動作から
成り立っている。第１の実施の形態と異なるのは、学習
動作時に利用する教師データは教師データセットメモリ
手段１２５に予測動作が終わるごとに蓄積されるが、そ
の蓄積された中から最新のものだけをいくつか選択して
教師データセット選択手段１４１に記憶し、それを神経
模式回路１２１の教師データとして与えるように構成し
た点である。

【００５１】まず予測動作においては第１の実施の形態
と同様に検出値記憶手段１０８で記憶された室外センサ
１１０からのデータ、室内センサ１１１からのデータ、
負荷検出手段１０７からのデータを予測回路切り替えス
イッチ２０１で選択した予測回路に入力し、スイッチ１
２７を通ってそのまま神経模式回路１２１に入力するこ
とで、その予測動作を行う１時間先での空調機の負荷予
測値を演算する。

【００５２】学習動作はその予測動作に利用したデータ
を教師データ作成手段１２２で蓄積しておき、予測動作
が終了し次の予測動作が行われるまでに、蓄積されたデ
ータを元に神経模式回路１２１を学習させる動作として
は基本的には第１の実施の形態と同じである。異なるの
は、第１の実施の形態では、過去からずっと蓄積されて
きた教師データセットメモリ手段１２５の全部のデータ
で神経模式回路１２１を学習していたのに対して、本実
施の形態では、保管データ数設定手段１４０で設定され
た個数だけ最新のデータを選択的に取り出し教師データ
セット選択手段１４１で保持し、神経模式回路１２１の
学習時には教師データセット選択手段１４１で保持され
たデータで第１の実施の形態と同様なバックプロパゲー
ションタイプの学習を行うことである。

【００５３】例えば、保管データ数設定手段１４０で２
０個と設定した場合には、過去に予測が行われて蓄積さ
れたデータのうちから最新の２０個分、すなわち２０日
分のデータのみで学習が行われる。このように、最新の
データから順に一定個数のデータ教師データに取った場
合、状況の変化があっても予測精度が悪くならないとい
うメリットがある。すなわち季節が変化して室外の状態
が変化したり、室内の人の数や執務状態が変化して室内
の空調負荷が変化した場合などに、状態変化前のデータ
も教師データに含めて学習してしまうと、学習を終了し
た神経模式回路１２１で予測を行うと過去の古い状態の
影響を受け予測精度が悪くなる。したがって、できるだ
け最新のデータで学習しておけばこれらの状況変化にも
対応することが可能となり、予測精度が向上するのであ
る。

【００５４】なお、本実施の形態では１３時から１時間
ごとに１７時までの時間予測を行う例を示したが、同様
な予測回路を増減することで、予測時間の増減が可能で
ある。すなわち１３時だけの予測だけしか必要なけれ
ば、１３時予測回路だけの構成も可能であるし、１８時
までの予測が必要であれば、同じ内部回路を持った１８
時予測回路を１つ加えれば良い。

【００５５】また本実施の形態では検出値記憶手段にお
いては過去３時間分のデータを蓄積するとして説明した
が、過去２時間分や１時間分、あるいは４時間分の場合
も考えられる。この場合、神経模式回路の入力層数がそ
れに応じて増減し、回路規模や予測精度にも影響がある
が、容易に展開できる。

【００５６】なお、本発明の各手段は、コンピュータを
用いてソフトウェア的に実現し、あるいはそれら各機能
を有する専用のハード回路を用いて実現する事が出来
る。

【００５７】また、本発明にかかる空気調和機の負荷予
測装置の、各部又は手段の全部又は一部が有する機能を
コンピュータに実行させるためのプログラムを媒体に記
録することもできる。

【００５８】

【発明の効果】以上説明したように本発明によれば、予
測回路の入力として直前までの空調機の負荷を入力する
ことができるためにより精度の高い時間ごとの予測を行
うことができるものである。

【００５９】さらに予測精度が向上することで、より厳
密な空調機の運転管理が可能となり、結果的に省エネル
ギーに寄与することが可能となるものである。

【図面の簡単な説明】

【図１】本発明第１の実施の形態における空調機の負荷
予測装置の構成の一部を示すブロック図。

【図２】本発明第１の実施の形態における空調機の負荷
予測装置の構成の他部を示すブロック図。

【図３】本発明第２の実施の形態における空調機の負荷
予測装置の構成の一部を示すブロック図。

【図４】本発明第２の実施の形態における空調機の負荷
予測装置の構成の他部を示すブロック図。

【図５】本発明第３の実施の形態における空調機の負荷
予測装置の構成の一部を示すブロック図。

【図６】本発明第３の実施の形態における空調機の負荷
予測装置の構成の他部を示すブロック図。

【図７】本発明第１の実施の形態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の一部の図。

【図８】本発明第１の実施の形態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の図７に対応
する，残りの図。

【符号の説明】

１４０ 空調機、 １５０ 空調空間 １０１ 室外気温センサ １０２ 室外湿度センサ １０３ 日射量センサ １１０ 室外センサ １０４ 室内温度センサ １０５ 室内湿度センサ １０６ 給気温度センサ １１１ 室内センサ １０７ 負荷検出手段 １０８ 検出値記憶手段 ２００ タイマ ２０１ 予測回路切り替えスイッチ １２０ １３時予測回路 １９０ １４時予測回路 １９１ １７時予測回路 １８０ 実負荷検出手段 １２４ 教師データ候補メモリ手段 １２３ データ判別手段 １２５ 教師データセットメモリ手段 １２２ 教師データ作成手段 １２６ 予測／学習選択回路 １２１ 神経模式回路 １２７、１２８、１２９ スイッチ １６０ 予測回路選択手段 ２１０、２１１ スイッチ １３０ 第１予測回路 １３１ 第２予測回路 １３２ 第ｎ予測回路 １３５ １３時予測回路 １３６ １４時予測回路 １３７ １７時予測回路 １４０ 保管データ数設定手段 １４１ 教師データセット選択手段 １７５ １３時予測回路 １７６ １４時予測回路 １７７ １７時予測回路 ３００ 教師データ分配回路 ３２０ 予測データ分配回路 ３１０ 入力層 ３１１ 中間層 ３１２ 出力層 ３３０、３３１ スイッチ

Claims (6)

【特許請求の範囲】
1. 【請求項１】 室外気温、室外湿度、日射量など室外環
   境の状態を検出する室外センサ群と、室内温度、室内湿
   度、給気温度など室内環境の状態を検出する室内センサ
   群と、空気調和機の負荷を検出する負荷検出手段と、前
   記室外センサ群と前記室内センサ群と前記負荷検出手段
   からの検出値を記憶しておく検出値記憶手段と、前記検
   出値記憶手段で記憶された各検出値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、予測時には
   前記検出値記憶手段で記憶されたデータから空調機の時
   間ごとの負荷の予測値を演算した後出力し、出力が終わ
   った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。
2. 【請求項２】 検出値記憶手段は、１時間間隔で過去所
   定時間分の前記室外センサ、前記室内センサおよび前記
   負荷検出手段からのデータを記憶保持することを特徴と
   する請求項１記載の空気調和装置の負荷予測装置。
3. 【請求項３】教師データ作成手段は、学習を開始する前
   に予測の対象時間である空調機の負荷を実測する実負荷
   検出手段と、その実負荷検出手段及び前記検出値記憶手
   段からのデータを教師データ候補として記憶する教師デ
   ータ候補メモリ手段とを備え、前記教師データ候補メモ
   リ手段のデータを判別し、センサ異常などで異常の含ま
   れた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、前記神経模式
   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記載の空気調和装置の負荷予測装置。
4. 【請求項４】 室外気温、室外湿度、日射量など室外環
   境の状態を検出する室外センサ群と、室内温度、室内湿
   度、給気温度など室内環境の状態を検出する室内センサ
   群と、空気調和機の負荷を検出する負荷検出手段と、前
   記室外センサ群と前記室内センサ群と前記負荷検出手段
   からの検出値を記憶しておく検出値記憶手段と、前記検
   出値記憶手段で記憶された各検出値を、その時の室内外
   の状況に応じて複数個の予測回路に分配する予測回路選
   択手段とを備え、前記予測回路は、前記検出値記憶手段
   で記憶され前記予測回路選択手段により選択されたデー
   タが送られてくると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、予測時には空調機の時間ごとの
   負荷の予測値を演算した後出力し、出力が終わった後に
   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有していることを特徴と
   する空気調和機の負荷予測装置。
5. 【請求項５】 室外気温、室外湿度、日射量など室外環
   境の状態を検出する室外センサ群と、室内温度、室内湿
   度、給気温度など室内環境の状態を検出する室内センサ
   群と、空気調和機の負荷を検出する負荷検出手段と、前
   記室外センサ群と前記室内センサ群と前記負荷検出手段
   からの検出値を記憶しておく検出値記憶手段と、前記検
   出値記憶手段で記憶された各検出値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、前記教師デ
   ータ作成手段で作成された教師データのうち、最新のデ
   ータから所定の数のデータのみを選択し教師データとす
   る教師データセット選択手段と、予測時には前記検出値
   記憶手段で記憶されたデータから空調機の時間ごとの負
   荷の予測値を演算した後出力し、出力が終わった後に前
   記教師データセット選択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。
6. 【請求項６】 請求項１〜５のいずれかに記載の空気調
   和機の負荷予測装置の、各部又は手段の全部又は一部が
   有する機能をコンピュータに実行させるためのプログラ
   ムを記録したことを特徴とする媒体。