JPWO2020121437A1 - 空調制御装置及び空調制御方法 - Google Patents
空調制御装置及び空調制御方法 Download PDFInfo
- Publication number
- JPWO2020121437A1 JPWO2020121437A1 JP2020559605A JP2020559605A JPWO2020121437A1 JP WO2020121437 A1 JPWO2020121437 A1 JP WO2020121437A1 JP 2020559605 A JP2020559605 A JP 2020559605A JP 2020559605 A JP2020559605 A JP 2020559605A JP WO2020121437 A1 JPWO2020121437 A1 JP WO2020121437A1
- Authority
- JP
- Japan
- Prior art keywords
- air conditioning
- data
- unit
- time
- air
- 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
- 238000004378 air conditioning Methods 0.000 title claims abstract description 340
- 238000000034 method Methods 0.000 title claims description 84
- 238000010801 machine learning Methods 0.000 claims abstract description 112
- 238000001816 cooling Methods 0.000 claims description 24
- 238000010438 heat treatment Methods 0.000 claims description 19
- 238000003062 neural network model Methods 0.000 claims description 19
- 230000007613 environmental effect Effects 0.000 claims description 17
- 230000004913 activation Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 description 31
- 230000006870 function Effects 0.000 description 21
- 230000005540 biological transmission Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 12
- 238000012549 training Methods 0.000 description 9
- 102100029860 Suppressor of tumorigenicity 20 protein Human genes 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 101000911772 Homo sapiens Hsc70-interacting protein Proteins 0.000 description 2
- 101000585359 Homo sapiens Suppressor of tumorigenicity 20 protein Proteins 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000007791 dehumidification Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
- F24F11/48—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring prior to normal operation, e.g. pre-heating or pre-cooling
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
- F24F11/63—Electronic processing
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2110/00—Control inputs relating to air properties
- F24F2110/10—Temperature
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Chemical & Material Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Air Conditioning Control Device (AREA)
Abstract
Description
実施の形態1.
図1は、実施の形態1に係る空調制御システム1の構成を示すブロック図である。図1が示すように、空調制御システム1は、空調制御装置2、空調コントローラ3、複数の室外機5、及び複数の室内機6を備えている。なお、図1が示す構成は一例であり、本実施形態に係る空調制御システム1の各機器の台数などは、この例の各機器の台数に限定されない。
拡張部14は、取得部16が取得した空調データ及び起動時刻を参照して拡張データを生成する。拡張部14は、生成した拡張データを更新部15に出力する。また、拡張部14は、生成した拡張データを、取得部16を介して記憶部12に保存する。拡張部14による拡張データの生成方法の具体例については後述する。
図3は、実施の形態1に係る空調制御装置2による空調制御方法における起動時刻予測方法を示すフローチャートである。図4は、実施の形態1に係る空調制御方法における拡張データ生成方法及び機械学習モデル更新方法を示すフローチャートである。
取得部16は、上述のステップST4において予測部13が記憶部12に保存した空調データ及び起動時刻を読み込む(ステップST10)。例えば、ステップST10において、取得部16は、記憶部12に保存された、起動時刻とこれに対応付けられた室内温度及び室外温度とを読み込む。
次に、更新部15は、更新した機械学習モデルを記憶部12に保存する(ステップST13)。
図5及び図6は、実施の形態1に係る空調制御装置2による空調制御方法における拡張データ生成方法の第1の具体例を説明するためのグラフである。図5及び図6のグラフにおける縦軸は、室内温度を示し、横軸は、時間を示している。
実データ:実際の起動時刻7:00と、当該実際の起動時刻における空調データと、当該実際の起動時刻から目標温度到達時刻までの所要時間15分とのデータセット
第1の拡張データ:仮想の起動時刻7:05と、当該仮想の起動時刻における空調データと、仮想の起動時刻から目標温度到達時刻までの所要時間10分とのデータセット
第2の拡張データ:仮想の起動時刻7:10と、当該仮想の起動時刻における空調データと、仮想の起動時刻から目標温度到達時刻までの所要時間5分とのデータセット
上記の例では本来1つしかない空調機起動時の空調データと所要時間とのデータセットを3つに拡張することができる。このように、第1の具体例では、空調による室内温度変化の知見を考慮した拡張データの生成により、実データのみを学習データとする場合に比べ学習データ数を拡張でき、学習データ収集の時間的コストを抑えることができる。
上記の拡張データ生成方法の第1の具体例では、拡張部14は、空調データを参照して、任意の時刻を仮想の起動時刻とみなし、当該任意の時刻における空調データを、仮想の起動時刻における空調データとみなすことにより学習データ数の拡張を行った。しかし、このような具体例においても、拡張できるデータ数には限界がある。そこで、以下で説明する具体例では、図5に示したような室内温度変化グラフを拡張することで学習データ数を拡張する。
図9は、実施の形態1に係る空調制御装置2による空調制御の結果を説明するためのグラフである。図9のグラフにおける縦軸は、室内温度を示し、横軸は、時間を示す。3つの実線は、室内機6が1台ずつ設置された各部屋の温度変化グラフを表している。なお、当該具体例では、複数の室内機6がそれぞれ室外機5ともに空調機4を構成しているものとする。
上記の構成によれば、機械学習に用いるために取得した実データのみの空調データをそのまま学習に用いるのではなく、当該空調データに基づいて拡張データを生成することにより学習データ数を拡張することができ、当該拡張データをさらに用いて機械学習モデルを更新する。これにより、機械学習に用いられるデータを収集するための時間的コストを抑えることができる。
上記の構成によれば、起動時刻及び室内温度の拡張データを生成し、当該拡張データをさらに用いて機械学習モデルを更新する。これにより、機械学習に用いられる起動時刻及び室内温度のデータを収集するための時間的コストを抑えることができる。
上記の構成によれば、起動時刻に対応する空調データを拡張することができ、当該データを収集するための時間的コストを抑えることができる。
上記の構成によれば、室内環境値及び室外環境値の差に対応付けられた、室内環境値変化グラフを拡張することができ、当該グラフのデータを収集するための時間的コストを抑えることができる。
上記の構成によれば、拡張データにさらに基づく機械学習モデルから起動時刻を予測し、当該起動時刻に空調機を起動させることができる。
上述の実施の形態1では、拡張部14が空調データ及び起動時間を参照して拡張データを生成することを説明した。しかし、拡張データは、実データである空調データと比較して信頼性が低い。従って、ノイズになる可能性がある拡張データの使用は最低限にする必要がある。実施の形態2の主な目的は、このような課題を解決することである。
図10は、実施の形態2に係る空調制御装置20の構成を示すブロック図である。図10が示すように、空調制御装置20は、実施の形態1に係る空調制御装置2の構成に加えて、制御部21の機械学習部23が置換部22をさらに備えている。
置換部22は、拡張部14が拡張データの生成に用いた実データの空調データと、拡張部14が生成した拡張データとを拡張部14又は記憶部12から取得し、当該空調データと当該拡張データとを比較して、当該比較結果に基づいて、拡張データを空調データに置き換える。より詳細には、置換部22は、空調データと拡張データとを比較して、空調データに類似した拡張データを当該空調データに置き換える。置換部22は、置き換えた空調データを含めた空調データと置き換えなかった拡張データとを更新部15に出力する。
図12は、実施の形態2に係る空調制御装置20による空調制御方法における拡張データ置換方法の具体例を説明するための図である。図12が示す4つのグリッドに付随した矢印は、それぞれ、置換部22がステップST22の工程を実行した順序を示す。これらのグリッドの縦軸は、「室内温度と目標温度との差」、横軸は、「室内温度と室外温度との差」を示す。当該例では、「室内温度と目標温度との差」及び「室内温度と室外温度との差」が1レコードの空調データ又は拡張データを構成する。これらのグリッド上の「●」は、実データである空調データを示し、「○」は、拡張データを示す。
次に、図12の(4)が示すように、置換部22は、新たにプロットした空調データと、拡張データとを比較し、当該空調データが入った枠内に拡張データが既に存在する場合、拡張データを空調データに置き換える。
なお、置換部22は、図12の(3)及び(4)が示す各工程を、新たな空調データを取得し次第、繰り返し行ってもよい。
上記の構成によれば、拡張データを、実データである空調データに置き換え、当該実データに基づいて機械学習モデルを更新する。これにより、拡張データから実データへの置き換えを行わない場合よりも、機械学習の早期から、信頼性の高い機械学習モデルに基づき、空調機の起動時間をより高い精度で予測することができる。機械学習が進むにつれて、予測した起動時間と、室内温度が目標時間に目標温度に到達するのに最適な起動時間との時間のずれをさらに小さくすることができる。
実施の形態1、2では、空調データ及び拡張データと、予測した所要時間とを参照して、機械学習モデルを更新することを説明した。実施の形態3では、機械学習モデルとして、ニューラルネットワークモデルを用い、実際に部屋の環境値が目標値に到達した時刻までの所要時間をさらに参照して、ニューラルネットワークモデルを更新する。
以下で、実施の形態3について図面を参照して説明する。なお、実施の形態3では、実施の形態1において説明した図2の空調制御装置2、又は実施の形態2において説明した図10の空調制御装置20を用いることができる。そのため、実施の形態1又は実施の形態2で説明した構成については、その説明を省略する。実施の形態3に係る空調制御方法の説明において、実施の形態1、2で説明した空調制御方法の工程と同様の工程については、その詳細な説明を適宜省略する。
図13が示すように、予測部13は、ステップST30において、送受信部11を介して室内温度及び室外温度を含む空調データを取得する。また、予測部13は、記憶部12から、ニューラルネットワークモデルを含む機械学習モデルを読み込む。
次に、ステップST31において、予測部13は、読み込んだニューラルネットワークモデルを含む機械学習モデルに、空調データを入力し、所要時間を予測する。以下、予測部13が予測した所要時間を「予測所要時間」ともいう。
次に、ステップST32において、予測部13は、予測所要時間を、送受信部11を介して空調コントローラ3に出力する。当該予測所要時間を取得した後に、空調コントローラ3は、予測所要時間と上述の空調情報が示す目標時刻とから、部屋の室内温度が目標温度に到達するのに適した空調機4の起動時刻を決定し、当該起動時刻に空調機4を起動させるように制御する。
次に、ステップST33において、空調コントローラ3が空調機4を起動させたことによって変化する室内温度を室内機6のセンサが取得し、予測部13は、送受信部11を介して当該室内温度をモニターし、空調機4の起動時刻から実際に室内温度が目標温度に到達した時刻までの所要時間(以下「計測所要時間」という。)を計測する。
次に、ステップST34において、予測部13は、予測所要時間と、計測所要時間と、機械学習モデルに入力された空調データが取得された時刻から、起動時刻を経て、目標温度に達した時刻までの期間の室内温度及び室外温度を含む空調データとを対応付けて記憶部12に保存する。
取得部16は、予測所要時間と、計測所要時間と、これらに対応付けられた空調データとを記憶部12から読み込む(ステップST40)。
次に、拡張部14は、取得部16が取得した予測所要時間、計測所要時間及び空調データを参照して拡張データを生成する(ステップST41)。
次に、更新部15は、予め記憶部12に保存されたニューラルネットワークモデルを含む機械学習モデルを読み込み、予測所要時間、計測所要時間、空調データ、及び、拡張部14が生成した拡張データを参照して、当該ニューラルネットワークモデルを含む機械学習モデルを更新する(ステップST42)。
次に、更新部15は、更新したニューラルネットワークモデルを含む機械学習モデルを記憶部12に保存する(ステップST43)。
予測部13及び更新部15は、それぞれ、上記の各工程を繰り返し行うことにより、ニューラルネットワークモデルをアップデートする。これにより、予測部13が予測する所要時間の精度を徐々に向上させることができる。
上記の本実施形態と実施の形態1、2とでは、1つの部屋に室内機が1台しか設置されていない状況を想定していた。しかし、オフィスビルディング内における空調などでは、1つの部屋に複数の室内機が設置され得る。その場合、室内温度は、各室内機によって影響を受け、各室内機の空調制御に用いられる機械学習モデルも影響を受ける。そこで、空調制御装置2又は空調制御装置20は、上述の空調制御方法によって空調制御が行われた室内機6と同じ部屋に設置された別の室内機6のセンサが取得した空調データについても、上述のST30からST34の工程とST40及びST41の工程を行う。次に、上述のステップST42において、更新部15は、当該別の室内機6のセンサが取得した追加空調データとその拡張データをさらに参照して、ニューラルネットワークモデルを含む機械学習モデルを更新してもよい。
上記の構成によれば、空調データ及び拡張データを用いてニューラルネットワークモデルを含む機械学習モデルを更新し、当該ニューラルネットワークモデルを含む機械学習モデルに基づき空調機の起動時間を予測する。ニューラルネットワークモデルを含む機械学習モデルの更新を繰り返し行うことにより、空調機の起動時間を予測する精度を徐々に向上させることができる。
上記の構成によれば、1つの部屋に複数の室内機が設置されている場合でも、空調機の起動時刻を、別の空調機による影響を考慮しない場合よりも高い精度で予測することができる。
空調機が暖房モードを実行した場合、冷房モードを実行した場合と比較して、室内温度の温度変化グラフの変化が大きいため、空調機が暖房モードを実行する場合における所要時間と、空調機が冷房モードを実行する場合における所要時間とを、同一の学習モデルで予測することは難しい。実施の形態4の主な目的は、このような課題を解決することである。
実施の形態4における予測部13は、空調機4の運転モードが冷房モードである場合、機械学習モデルとして、冷房用の機械学習モデルを参照して起動時刻を予測する。また、予測部13は、空調機4の運転モードが暖房モードである場合、暖房用の機械学習モデルを参照して起動時刻を予測する。
実施の形態4における更新部15は、冷房用の空調データ及び拡張データと、起動時刻とを参照して、冷房用の機械学習モデルを更新する。また、更新部15は、暖房用の空調データ及び拡張データと、起動時刻とを参照して、暖房用の機械学習モデルを更新する。
図16は、実施の形態4に係る空調制御方法における起動時刻予測方法を示すフローチャートである。図17は、実施の形態4に係る空調制御方法における拡張データ生成方法及び機械学習モデル更新方法を示すフローチャートである。
ステップST52において、予測部13は、冷房用学習モデルを読み込むように予測部13に指示する冷房用学習モデル読み込みフラグを生成する。ステップST53において、予測部13は、暖房用学習モデルを読み込むように予測部13に指示する暖房用学習モデル読み込みフラグを生成する。
取得部16は、上述のステップST56において予測部13が記憶部12に保存した空調データ、起動時刻、及び暖房用学習モデル読み込みフラグ又は冷房用学習モデル読み込みフラグを読み込む(ステップST60)。
次に、拡張部14は、取得部16が取得した空調データ、起動時刻、及び暖房用学習モデル読み込みフラグ又は冷房用学習モデル読み込みフラグを参照して、フラグが示す運転モード用の拡張データを生成する(ステップST61)。次に、拡張部14は、生成した拡張データを更新部15に出力する。
次に、更新部15は、フラグが示す運転モード用の機械学習モデルを読み込み、取得部16が取得した実データである空調データ及び起動時刻、並びに、拡張部14が生成した拡張データを参照して、当該機械学習モデルを更新する(ステップST62)。
次に、更新部15は、更新した暖房用機械学習モデル又は冷房用機械学習モデルを記憶部12に保存する(ステップST63)。
上記の構成によれば、冷房時と暖房時のような、全く異なる温度変化をする状況であっても、所要時間を、暖房用機械学習モデル又は冷房用機械学習モデルを用いない場合よりも高い精度で予測することができる。
空調制御装置2における、制御部10の予測部13、拡張部14、更新部15及び取得部16のそれぞれの機能は、処理回路により実現される。すなわち、空調制御装置2は、図3に示したステップST1からステップST4までの処理、図4に示したステップST10からステップST13までの処理、図13に示したステップST30からステップST34までの処理、図14に示したステップST40からステップST43までの処理、図16に示したステップST50からステップST56までの処理、又は図17に示したステップST60からステップST63までの処理を実行するための処理回路を備える。同様に、空調制御装置20における、制御部21の予測部13、拡張部14、更新部15、取得部16及び置換部22のそれぞれの機能は、処理回路により実現される。すなわち、空調制御装置20は、図11に示したステップST20からステップST24までの処理を実行するための処理回路を備える。これらの処理回路は、専用のハードウェアであってもよいが、メモリに記憶されたプログラムを実行するCPU(Central Processing Unit)であってもよい。
また、空調制御装置20における、予測部13、拡張部14、更新部15、取得部16及び置換部22のそれぞれの機能についても、ソフトウェア、ファームウェアまたはソフトウェアとファームウェアとの組み合わせによって実現される。なお、ソフトウェアまたはファームウェアは、プログラムとして記述されてメモリ103に記憶される。
メモリ103には、例えば、RAM(Random Access Memory)、ROM(Read Only Memory)、フラッシュメモリ、EPROM(Erasable Programmable Read Only Memory)、EEPROM(Electrically−EPROM)などの不揮発性または揮発性の半導体メモリ、磁気ディスク、フレキシブルディスク、光ディスク、コンパクトディスク、ミニディスク、DVDなどが該当する。
例えば、予測部13は、専用のハードウェアとしての処理回路で機能を実現する。拡張部14及び更新部15については、プロセッサ102がメモリ103に記憶されたプログラムを読み出して実行することにより機能を実現してもよい。
このように、処理回路は、ハードウェア、ソフトウェア、ファームウェアまたはこれらの組み合わせにより上記機能のそれぞれを実現することができる。
この発明に係る空調制御装置は、空調機が取得した空調データ、及び当該空調データを機械学習モデルに入力して予測された空調機の起動時刻を取得する取得部と、取得部が取得した空調データ及び起動時刻を参照して拡張データを生成する拡張部と、取得部が取得した空調データ及び起動時刻、並びに、拡張部が生成した拡張データを参照して機械学習モデルを更新する更新部と、を備え、取得部は、空調データとして、空調機の室内機が設置された部屋の室内環境値、及び空調機の室外機が設置された室外の室外環境値を取得し、拡張部は、起動時刻から室内環境値が目標値に到達する時刻までの期間の室内環境値及び室外環境値を参照して、当該期間内におけるある時刻の、室内環境値及び室外環境値の差と、室内環境値変化グラフの傾きとを算出し、当該差に対応付けられた当該傾きの線形モデルを、室内環境値変化グラフの拡張データとして生成する。
この発明に係る空調制御装置は、空調機が取得した空調データ、及び当該空調データを機械学習モデルに入力して予測された空調機の起動時刻を取得する取得部と、取得部が取得した空調データ及び起動時刻を参照して拡張データを生成する拡張部と、取得部が取得した空調データ及び起動時刻、並びに、拡張部が生成した拡張データを参照して機械学習モデルを更新する更新部と、を備え、取得部は、空調機の室内機が設置された部屋にさらに設置された別の空調機から、追加空調データをさらに取得し、更新部は、追加空調データをさらに参照して機械学習モデルを更新する。
Claims (10)
- 空調機が取得した空調データ、及び当該空調データを機械学習モデルに入力して予測された前記空調機の起動時刻を取得する取得部と、
前記取得部が取得した前記空調データ及び前記起動時刻を参照して拡張データを生成する拡張部と、
前記取得部が取得した前記空調データ及び前記起動時刻、並びに、前記拡張部が生成した前記拡張データを参照して前記機械学習モデルを更新する更新部と、を備えていることを特徴とする、空調制御装置。 - 前記取得部は、前記空調データとして、前記空調機の室内機が設置された部屋の室内温度を少なくとも取得し、前記起動時刻として、前記室内温度が目標時刻に目標温度に到達するのに適する起動時刻として予測された起動時刻を取得することを特徴とする、請求項1に記載の空調制御装置。
- 前記空調データと前記拡張データとを比較し、当該比較結果に基づいて、前記拡張データを前記空調データに置き換える置換部をさらに備えていることを特徴とする、請求項1又は請求項2に記載の空調制御装置。
- 前記機械学習モデルは、ニューラルネットワークモデルを含む機械学習モデルであり、
前記更新部は、前記空調機が設置された部屋の環境値が前記起動時刻から実際に目標値に到達した時刻までの所要時間をさらに参照して、前記ニューラルネットワークモデルを含む機械学習モデルを更新することを特徴とする、請求項1又は請求項2に記載の空調制御装置。 - 前記拡張部は、前記空調機が設置された部屋の環境値が前記起動時刻から目標値に到達する時刻までの空調データを参照して、任意の時刻を仮想の起動時刻としてみなし、当該任意の時刻における空調データを当該仮想の起動時刻における空調データとしてみなすことにより、起動時刻に対応する空調データの拡張データを生成することを特徴とする、請求項1又は請求項2に記載の空調制御装置。
- 前記取得部は、前記空調データとして、前記空調機の室内機が設置された部屋の室内環境値、及び前記空調機の室外機が設置された室外の室外環境値を取得し、
前記拡張部は、前記起動時刻から室内環境値が目標値に到達する時刻までの期間の前記室内環境値及び前記室外環境値を参照して、当該期間内におけるある時刻の、室内環境値及び室外環境値の差と、室内環境値変化グラフの傾きとを算出し、当該差に対応付けられた当該傾きの線形モデルを、室内環境値変化グラフの拡張データとして生成することを特徴とする、請求項1又は請求項2に記載の空調制御装置。 - 前記取得部は、前記空調機の室内機が設置された部屋にさらに設置された別の空調機から、追加空調データをさらに取得し、
前記更新部は、前記追加空調データをさらに参照して前記機械学習モデルを更新することを特徴とする、請求項1又は請求項2に記載の空調制御装置。 - 前記更新部は、冷房用の空調データ及び拡張データと、起動時刻とを参照して冷房用の機械学習モデルを更新するか、又は、暖房用の空調データ及び拡張データと、起動時刻とを参照して暖房用の機械学習モデルを更新することを特徴とする、請求項1又は請求項2に記載の空調制御装置。
- 前記機械学習モデルに前記空調データを入力し、前記空調機の起動時刻を予測する予測部をさらに備え、
前記予測部が予測した前記起動時刻に前記空調機を起動させることを特徴とする、請求項1又は請求項2に記載の空調制御装置。 - 空調機が取得した空調データ、及び当該空調データを機械学習モデルに入力して予測された前記空調機の起動時刻を取得する取得ステップと、
前記取得ステップで取得した前記空調データ及び前記起動時刻を参照して拡張データを生成する拡張ステップと、
前記取得ステップで取得した前記空調データ及び前記起動時刻、並びに、前記拡張ステップで生成した前記拡張データを参照して前記機械学習モデルを更新する更新ステップと、を含むことを特徴とする、空調制御方法。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2018/045683 WO2020121437A1 (ja) | 2018-12-12 | 2018-12-12 | 空調制御装置及び空調制御方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP6833138B2 JP6833138B2 (ja) | 2021-02-24 |
JPWO2020121437A1 true JPWO2020121437A1 (ja) | 2021-02-25 |
Family
ID=71075973
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020559605A Active JP6833138B2 (ja) | 2018-12-12 | 2018-12-12 | 空調制御装置及び空調制御方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20210254851A1 (ja) |
EP (1) | EP3885664B1 (ja) |
JP (1) | JP6833138B2 (ja) |
CN (1) | CN113167495B (ja) |
WO (1) | WO2020121437A1 (ja) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102544265B1 (ko) * | 2019-01-09 | 2023-06-16 | 삼성전자주식회사 | 전자 장치 및 그 제어 방법 |
JP7188255B2 (ja) * | 2019-04-16 | 2022-12-13 | 富士通株式会社 | 学習方法、学習プログラムおよび学習装置 |
KR102644431B1 (ko) * | 2019-05-02 | 2024-03-06 | 현대자동차 주식회사 | 공조기 제어 시스템 및 그 방법 |
WO2023144979A1 (ja) * | 2022-01-28 | 2023-08-03 | 三菱電機株式会社 | 空調制御装置、空調制御方法、およびプログラム |
CN116085937B (zh) * | 2023-04-11 | 2023-07-11 | 湖南禾自能源科技有限公司 | 智能中央空调节能控制方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003141499A (ja) * | 2001-11-05 | 2003-05-16 | Denso Corp | ニューラルネットワーク学習方法 |
JP2003140708A (ja) * | 2001-11-05 | 2003-05-16 | Denso Corp | 学習制御空調装置の教師データ作成方法 |
JP2017172830A (ja) * | 2016-03-22 | 2017-09-28 | 三菱電機株式会社 | 空気調和装置 |
WO2019021675A1 (ja) * | 2017-07-25 | 2019-01-31 | 三菱重工サーマルシステムズ株式会社 | 空調制御装置、空調システム、空調制御方法、及びプログラム |
Family Cites Families (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH04261089A (ja) * | 1990-12-25 | 1992-09-17 | Mitsubishi Electric Corp | 配線パターンの導線切断装置 |
ES2255771T3 (es) * | 1999-02-16 | 2006-07-01 | Matsushita Electric Industrial Co., Ltd. | Procedimiento de control para sistema acondicionador de aire y sistema de climatizacion. |
US7693608B2 (en) * | 2006-04-12 | 2010-04-06 | Edsa Micro Corporation | Systems and methods for alarm filtering and management within a real-time data acquisition and monitoring environment |
JP4972989B2 (ja) * | 2006-05-08 | 2012-07-11 | ブラザー工業株式会社 | 複合機 |
US8195339B2 (en) * | 2009-09-24 | 2012-06-05 | General Electric Company | System and method for scheduling startup of a combined cycle power generation system |
JP4980407B2 (ja) * | 2009-10-21 | 2012-07-18 | 三菱電機株式会社 | 空気調和機の制御装置、冷凍装置の制御装置 |
DE112012006518B4 (de) * | 2012-06-15 | 2024-05-29 | Mitsubishi Electric Corporation | Klimatisierungsmanagementgerät, Klimatisierungsmanagementverfahren und Programm |
JP5879220B2 (ja) * | 2012-07-06 | 2016-03-08 | 日立アプライアンス株式会社 | 空気調和機 |
KR101261199B1 (ko) * | 2013-01-10 | 2013-05-10 | 동국대학교 산학협력단 | 신경망 모델에 의한 지능형 제어 알고리즘을 이용한 건물의 예약냉각 제어방법 |
JP6150291B2 (ja) * | 2013-10-08 | 2017-06-21 | 国立研究開発法人情報通信研究機構 | 矛盾表現収集装置及びそのためのコンピュータプログラム |
JP6208552B2 (ja) * | 2013-11-14 | 2017-10-04 | 株式会社デンソーアイティーラボラトリ | 識別器、識別プログラム、及び識別方法 |
JP5899272B2 (ja) * | 2014-06-19 | 2016-04-06 | ヤフー株式会社 | 算出装置、算出方法及び算出プログラム |
JP2016044855A (ja) * | 2014-08-21 | 2016-04-04 | 株式会社東芝 | 空調制御装置、空調制御方法および空調制御プログラム |
JP6564023B2 (ja) * | 2014-09-10 | 2019-08-21 | アマゾン テクノロジーズ インコーポレイテッド | コンピューティングインスタンスの起動時間 |
CN104534626B (zh) * | 2014-12-31 | 2017-02-22 | 珠海格力电器股份有限公司 | 一种空调的自动控制方法、装置及系统 |
EP3726562B1 (en) * | 2015-03-06 | 2023-12-20 | Micromass UK Limited | Ambient ionization mass spectrometry imaging platform for direct mapping from bulk tissue |
CN204693737U (zh) * | 2015-03-27 | 2015-10-07 | 劲达技术(河源)有限公司 | 一种客车空调远程监控系统 |
KR102424689B1 (ko) * | 2015-05-15 | 2022-07-26 | 삼성전자 주식회사 | 공조 기기의 기동 제어 방법 및 장치 |
JP6807556B2 (ja) | 2015-10-01 | 2021-01-06 | パナソニックIpマネジメント株式会社 | 空調制御方法、空調制御装置及び空調制御プログラム |
JP6593207B2 (ja) * | 2016-02-01 | 2019-10-23 | 株式会社バッファロー | 情報処理装置、情報処理装置におけるコンテンツファイル取込方法及びプログラム |
CN105823137B (zh) * | 2016-03-17 | 2019-03-05 | 上海尼可尔斯电子科技股份有限公司 | 一种智能空气净化器 |
CN106225172A (zh) * | 2016-08-17 | 2016-12-14 | 珠海格力电器股份有限公司 | 空调控制装置、方法及系统 |
US10969127B2 (en) * | 2016-08-18 | 2021-04-06 | Ademco Inc. | Residential energy efficiency rating system |
US11681943B2 (en) * | 2016-09-27 | 2023-06-20 | Clarifai, Inc. | Artificial intelligence development via user-selectable/connectable model representations |
US11137161B2 (en) * | 2017-03-30 | 2021-10-05 | Samsung Electronics Co., Ltd. | Data learning server and method for generating and using learning model thereof |
CN108629288B (zh) * | 2018-04-09 | 2020-05-19 | 华中科技大学 | 一种手势识别模型训练方法、手势识别方法及系统 |
KR102026020B1 (ko) * | 2018-04-10 | 2019-11-26 | 엘지전자 주식회사 | 인공지능을 이용한 파라미터 학습에 기반한 공기조화기, 클라우드 서버, 공기조화기의 구동 및 제어 방법 |
CN108805259A (zh) * | 2018-05-23 | 2018-11-13 | 北京达佳互联信息技术有限公司 | 神经网络模型训练方法、装置、存储介质及终端设备 |
CN108921817B (zh) * | 2018-05-24 | 2021-10-26 | 浙江工业大学 | 一种针对皮肤病图像的数据增强方法 |
EP3832556B1 (en) * | 2018-07-27 | 2023-12-13 | Nippon Telegraph And Telephone Corporation | Action optimization device, method and program |
-
2018
- 2018-12-12 EP EP18942669.5A patent/EP3885664B1/en active Active
- 2018-12-12 CN CN201880099974.6A patent/CN113167495B/zh active Active
- 2018-12-12 JP JP2020559605A patent/JP6833138B2/ja active Active
- 2018-12-12 WO PCT/JP2018/045683 patent/WO2020121437A1/ja unknown
-
2021
- 2021-05-04 US US17/307,559 patent/US20210254851A1/en active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003141499A (ja) * | 2001-11-05 | 2003-05-16 | Denso Corp | ニューラルネットワーク学習方法 |
JP2003140708A (ja) * | 2001-11-05 | 2003-05-16 | Denso Corp | 学習制御空調装置の教師データ作成方法 |
JP2017172830A (ja) * | 2016-03-22 | 2017-09-28 | 三菱電機株式会社 | 空気調和装置 |
WO2019021675A1 (ja) * | 2017-07-25 | 2019-01-31 | 三菱重工サーマルシステムズ株式会社 | 空調制御装置、空調システム、空調制御方法、及びプログラム |
Also Published As
Publication number | Publication date |
---|---|
US20210254851A1 (en) | 2021-08-19 |
WO2020121437A1 (ja) | 2020-06-18 |
JP6833138B2 (ja) | 2021-02-24 |
EP3885664A1 (en) | 2021-09-29 |
CN113167495A (zh) | 2021-07-23 |
EP3885664A4 (en) | 2022-04-06 |
EP3885664B1 (en) | 2023-04-26 |
CN113167495B (zh) | 2022-11-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6833138B2 (ja) | 空調制御装置及び空調制御方法 | |
JP5535320B2 (ja) | 空調制御装置、空調制御方法及びプログラム | |
JP5503410B2 (ja) | 設定値管理方法および装置 | |
JP6125104B2 (ja) | 空調制御装置、空調制御方法、および、プログラム | |
JP7170740B2 (ja) | 情報処理装置およびこれを備えた空調システム | |
JP2019019988A (ja) | 空調運転条件作成装置、空調運転条件作成方法、プログラム、および空調システム | |
JP2017133707A (ja) | 空調制御システム、空調計画装置、及び、計画方法 | |
AU2017422574B2 (en) | Operation control device, air conditioning system, operation control method, and operation control program | |
JP2020060331A (ja) | 空気調和機、データ送信方法及び空気調和システム | |
JP2018080887A (ja) | パラメータ推定装置、空調システム評価装置、パラメータ推定方法およびプログラム | |
US20220307716A1 (en) | Control device, air conditioner and cotrol method thereof | |
CA3040117C (en) | Operating an hvac system based on predicted indoor air temperature | |
US9719690B2 (en) | Zone based heating, ventilation and air-conditioning (HVAC) control using extensive temperature monitoring | |
JP5404556B2 (ja) | 空気調和機の制御装置および冷凍装置の制御装置 | |
JP7451872B2 (ja) | 空気調和システム | |
JP5936714B2 (ja) | システムコントローラ、設備管理システム、デマンド制御方法及びプログラム | |
WO2016158852A1 (ja) | 空調管理装置、空調管理方法、及び、プログラム | |
JPWO2019030896A1 (ja) | プログラム更新方法、室外機及び管理装置 | |
JP2017219298A (ja) | 運転マップ作成装置、空調制御装置、運転マップ作成方法及びコンピュータプログラム | |
JP2005337532A (ja) | 空調制御装置及び空調制御方法 | |
JP5797212B2 (ja) | システムコントローラ、省エネ制御方法及びプログラム | |
CN109682014A (zh) | 一种空调器掉电后再上电的控制方法、空调器及存储介质 | |
CN113310176B (zh) | 信息处理装置 | |
JP6698959B2 (ja) | コントローラ、輻射空気調和設備、制御方法および制御プログラム | |
JP2020101358A (ja) | 空気調和機及び空気調和システム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20201119 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20201119 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20201119 |
|
TRDD | Decision of grant or rejection written | ||
A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20201223 |
|
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20210105 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210202 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6833138 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |