JPWO2020121437A1 - 空調制御装置及び空調制御方法 - Google Patents

Abstract

空調制御装置（２）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（１６）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（１４）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（１５）と、を備えている。

Description

本発明は、機械学習モデルに基づいて空調機を制御する空調制御装置に関する。

消費電力を抑えつつ、ユーザにとって快適な空調を実行するように空調機を制御する技術の例として、例えば、特許文献１に記載の空調制御装置の技術が挙げられる。当該空調制御装置は、室温変化の履歴を示す室温履歴情報を、空調機の動作履歴情報に対応付け、これらの情報に基づいて、空調機が温度を調節しない場合の室温をオフ時予測室温として予測し、当該オフ時予測室温に基づいて、目標時刻において室温を目標温度に到達させるための制御パラメータを決定する。

上記のオフ時予測室温の予測について、より詳細には、特許文献１に記載の空調制御装置は、機械学習を用い、室温履歴情報と動作履歴情報とに基づいて、空調機が温度を調節しない場合の居室の将来の室温を予測するためのオフ時室温予測モデルを作成し、当該オフ時室温予測モデルを用いて、オフ時予測室温を予測する。

特開２０１７−６７４２７号公報

しかし、特許文献１に記載の空調制御装置におけるオフ時室温予測モデルの作成は、十分に蓄えられた室温履歴情報及び動作履歴情報のデータが存在することを前提としている。一般に、機械学習に必要なデータ量は膨大であり、空調制御装置が機械学習を行う上で必ずしも必要なデータ量を事前に保持しているとは限らない。また、空調制御装置が必要なデータを一から収集しようとすると時間を要するという問題がある。

この発明は、上記のような問題点を解決するためになされたものであり、機械学習モデルに基づいて空調機を制御する空調制御装置において、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削減することができる技術を提供することを目的とする。

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、を備えている。

この発明によれば、機械学習に基づいて空調機を制御する空調制御装置において、機械学習に用いられるデータを収集する時間的コストを削減することができる。

実施の形態１に係る空調制御システムの構成を示すブロック図である。 実施の形態１に係る空調制御装置の構成を示すブロック図である。 実施の形態１に係る空調制御方法における所要時間予測方法を示すフローチャートである。 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。 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の第１の具体例を説明するためのグラフである。 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の第１の具体例をより詳細に説明するためのグラフである。 実施の形態１に係る空調制御方法における空調制御方法における拡張データ生成方法の第２の具体例を説明するためのグラフである。 実施の形態１に係る空調制御方法における空調制御方法における拡張データ生成方法の第２の具体例をより詳細に説明するためのグラフである。 実施の形態１に係る空調制御装置による空調制御の結果を説明するためのグラフである。 実施の形態２に係る空調制御装置の構成を示すブロック図である。 実施の形態２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。 実施の形態２に係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。 実施の形態３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。 実施の形態３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。 実施の形態３に係る空調制御装置がニューラルネットワークモデルを用いて所要時間を予測する具体例を説明するための図である。 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。 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。 図１８Ａは、実施の形態１〜４に係る空調制御装置の機能を実現するハードウェア構成を示すブロック図である。図１８Ｂは、実施の形態１〜４に係る空調制御装置の機能を実現するソフトウェアを実行するハードウェア構成を示すブロック図である。

以下、この発明をより詳細に説明するため、この発明を実施するための形態について、添付の図面に従って説明する。
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。

室外機５は、それぞれ１台の室外機５に対して複数の室内機６が接続されており、個々の室外機５は、室内機６とともに室内の空調を行う空調機４を構成している。各室外機５は、当該室外機５が設置された室外における環境情報を取得するセンサを備えている。各室外機５は、取得した環境情報を空調データとして空調コントローラ３に出力する。なお、環境情報の例として、時間毎の室外温度及び室外湿度が挙げられる。

各室内機６は、当該室内機６が設置された室内における環境情報を取得するセンサを備えている。また、各室内機６は、ユーザから設定情報を受け付ける受付部を備えている。各室内機６は、取得した環境情報、受け付けた設定情報、及び空調機４の運転状態を示す運転情報を、空調データとして室外機５を介して空調コントローラ３に出力する。なお、環境情報の例として、時間毎の室内温度及び室内湿度が挙げられる。設定情報は、少なくとも、室内機６が設置された部屋の環境値を目標値に到達させる目標時刻を含み、他の設定情報の例として、ユーザによって設定された目標温度、目標湿度が挙げられる。運転情報の例として、空調機４の起動及び停止に関する情報、並びに、空調機４の冷房モード、暖房モード及び除湿モードの運転モードが挙げられる。

空調コントローラ３は、複数の室外機５と複数の室内機６とを集中コントロールするコントローラである。空調コントローラ３は、室外機５及び室内機６から空調データを取得する。空調コントローラ３は、複数の室外機５及び複数の室内機６から取得した空調データを集約した空調データを、空調制御装置２に送信する。

図２は、空調制御装置２の構成を図１よりも詳細に示したブロック図である。図２が示すように、空調制御装置２は、制御部１０、送受信部１１、及び記憶部１２を備えている。制御部１０は、予測部１３及び機械学習部１７を備えている。機械学習部１７は、拡張部１４、更新部１５、及び取得部１６を備えている。

送受信部１１は、空調コントローラ３から空調データを受信する。送受信部１１は、受信した空調データを、予測部１３に出力する。

予測部１３は、送受信部１１を介して空調データを取得する。また、予測部１３は、記憶部１２から、当該記憶部１２に予め保存された機械学習モデルを読み込む。予測部１３は、当該機械学習モデルに、取得した空調データを入力し、空調機４を起動させてから目標時刻に部屋の環境値が目標値に到達するまでに要する所要時間（以下、単に「所要時間」ともいう。）を予測する。なお、部屋の環境値は、上述の室内温度、室内湿度等であり得る。目標値は、上述の目標温度、目標湿度等であり得る。予測部１３は、予測した所要時間を、送受信部１１を介して空調コントローラ３に出力する。空調コントローラ３は、当該所要時間と、上述の目標時刻とから、部屋の環境値が目標値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。また、予測部１３は、予測した所要時間に基づく起動時刻と、用いた空調データとを対応付けて記憶部１２に保存する。

なお、本実施形態では、空調コントローラ３が起動時刻を決定し、当該起動時刻に空調機４を起動させるように制御する構成について説明するが、これらの機能を空調制御装置２が備えている構成も本実施形態に含まれる。その場合、空調制御装置２は、所要時間と目標時刻とから、部屋の環境値が目標値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起動部をさらに備えている。本実施形態において、上述の空調機４の起動時刻は、上述の所要時間と目標時刻とから単純に求まる数値であることから、所要時間を予測することは、空調機４の起動時刻を予測することと、実質的に同義である。すなわち、「起動時刻の予測」との表現には、所要時間の予測も含まれることとする。

取得部１６は、空調機４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４の起動時刻を取得するものである。取得部１６は、記憶部１２から、当該記憶部１２に予め保存された空調データ及び起動時刻を読み込む。
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。

更新部１５は、取得部１６が取得した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機械学習モデルを更新する。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。

次に空調制御装置２の動作について図面を参照して説明する。
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。

まず、図３のフローチャートについて説明する。予測部１３は、送受信部１１を介して空調データを取得する（ステップＳＴ１）。また、予測部１３は、記憶部１２から、予め保存された機械学習モデルを読み込む。例えば、ステップＳＴ１において、予測部１３は、送受信部１１を介して、空調データとして室内温度、室外温度、及び目標温度を取得する。次に、予測部１３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」を計算する。

次に、予測部１３は、読み込んだ機械学習モデルに、取得した空調データを入力し、所要時間を予測する（ステップＳＴ２）。予測部１３が所要時間を予測するために機械学習モデルに入力する空調データは、取得した空調データ自体であってもよいし、当該空調データを加工して得られるデータであってもよい。例えば、ステップＳＴ２において、予測部１３は、読み込んだ機械学習モデルに、計算した「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」を入力し、所要時間を予測する。すなわち、機械学習モデルに入力される「空調データ」には、空調データ自体、又は、空調データを加工して得られるデータが含まれる。

次に、予測部１３は、予測した所要時間を、送受信部１１を介して空調コントローラ３に出力する（ステップＳＴ３）。当該所要時間を取得した後に、空調コントローラ３は、予測部１３が予測した所要時間と空調データが示す目標時刻とから、部屋の環境値が目標値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。例えば、空調コントローラ３は、所要時間と目標時刻とから、部屋の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、予測部１３は、空調コントローラ３が決定した起動時刻と、空調データとを対応付けて記憶部１２に保存する（ステップＳＴ４）。予測部１３が記憶部１２に保存する空調データには、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、目標温度又は目標湿度に達した時刻までの期間の空調データが含まれる。記憶部１２に保存される当該期間の空調データは、実際に室内機６のセンサ及び室外機５のセンサが取得したデータである。以下、実際に室内機６のセンサ及び室外機５のセンサが取得したデータを「実データ」という。例えば、ステップＳＴ４において、予測部１３は、起動時刻と、上記の期間の室内温度及び室外温度とを対応付けて記憶部１２に保存する。予測部１３は、起動時刻と、上記期間の空調データとを、送受信部１１を介して、空調コントローラ３から取得すればよい。

次に、図４のフローチャートについて説明する。
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、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（ステップＳＴ１１）。拡張部１４は、生成した拡張データを更新部１５に出力する。例えば、ステップＳＴ１１において、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のデータ数を機械学習に必要な数だけ拡張する。拡張方法の例としては、例えば、拡張部１４は、空調データの数値及び起動時刻の数値に対して一定数値ずつ加算することでデータ数を拡張する。

次に、更新部１５は、予め記憶部１２に保存された機械学習モデルを読み込み、取得部１６が取得した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ＳＴ１２）。例えば、ステップＳＴ１２において、更新部１５は、取得部１６が取得した室内温度及び室外温度並びに起動時刻と、これらの拡張データとを参照して、機械学習モデルを更新する。
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）。

次に、上記のステップＳＴ１１における拡張データ生成方法の具体例について図面を参照して説明する。
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。

より詳細には、図５は、室内機６のセンサが取得した室内温度の温度変化グラフであり、グラフ上の各データは、空調制御装置２が一定間隔の時刻毎に室内温度をモニターしたものである。なお、図５におけるグラフ上の複数の点が示す一定間隔の時刻毎の室内温度のそれぞれに対して、対応する時刻のセンサ値としての室外温度が存在する。予測部１３は、上述のステップＳＴ４において、一定間隔の時刻毎に、当該時刻における室内温度と室外温度とを１レコードの空調データとして記憶部１２に保存する。

空調機４が冷房モードに設定されている場合、図５が示すように、空調機４を起動時刻に起動させてから、室内温度は低下し続ける。室内温度が目標温度に到達したら、空調制御装置２は、空調コントローラ３を介して空調機４を停止させる。このような動作に対し、データとしては、空調機４を起動させてから目標温度に到達するまでの複数レコードからなる一連の空調データが存在する。しかし、１つの起動時刻と、当該１つの起動時刻の決定に使用された所要時間を予測するために機械学習モデルに入力された空調データとに対応するデータセットとしては、１つのデータセットしか存在せず、当該データセットのみでは、更新部１５が上述のステップＳＴ１２において機械学習モデルを更新するために用いるデータとしては不十分である。そこで、上述のステップＳＴ１１において、拡張部１４は、取得部１６が記憶部１２から読み込んだ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。

図６は、拡張データ生成方法をより具体的に説明するためのグラフである。図６の横軸における実際の起動時刻と縦軸における起動時の室内温度とに対応する左端の点は、予測部１３がステップＳＴ４において記憶部１２に保存したデータを示している。

拡張部１４は、ステップＳＴ１１において、起動時刻とは別の時刻における空調データを、仮想的な起動時刻における空調データとみなすことにより、拡張データを生成する。より詳細には、拡張部１４は、ステップＳＴ１１において、実際に空調機４が起動してから室内温度が目標温度に到達するまでの一連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、仮想の起動時刻における空調データとしてみなす。次に、拡張部１４は、起動時刻が何れの時刻であっても室内温度が図５に示すようなグラフに沿った温度変化をすると仮定して、仮想の起動時刻に空調機４が起動した場合、実際の起動時刻に空調機４が起動した場合と同様に、室内温度が実際の目標温度到達時刻と同じ時刻に目標温度に到達するとみなすことにより、拡張データを生成する。より詳細には、拡張部１４は、実際の起動時刻と仮想の起動時刻との差に基づいて、仮想の起動時刻から目標温度到達時刻までの所要時間を算出する。

図６を参照して説明すると、実際に上述のステップＳＴ３において空調コントローラ３が空調機４を起動した起動時刻における空調データは、７：００の起動時刻における空調データである。しかし、拡張部１４は、グラフ上の７：０５における空調データ、及び７：１０における空調データをそれぞれ仮想の起動時刻における空調データとみなし、かつ、これら３つの起動時刻に空調機４を起動したと仮定した場合の各室内温度が７：１５に目標温度に到達したものとみなして、拡張データを生成する。より詳細には、拡張部１４は、実際の起動時刻７：００と仮想の起動時刻７：０５又は７：１０との差に基づいて、仮想の起動時刻７：０５又は７：１０から７：１５までの所要時間を算出することにより、拡張データを生成する。つまり、拡張後のデータセットは、以下のようになる。
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。

次に、上述のステップＳＴ１１における拡張データ生成方法の第２の具体例について図面を参照して説明する。
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７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の第２の具体例を説明するためのグラフである。図７のグラフは、３次元グラフであり、１つ目の軸は、室内温度を示し、２つ目の軸は、時間を示し、３つ目の軸は、室外温度を示している。図７におけるグラフＡは、実際に室内機６のセンサが取得した室内温度と室外機５のセンサが取得した室外温度との温度変化グラフであり、グラフ上の各データは、空調制御装置２が一定間隔の時刻毎に室内温度及び室外温度をモニターしたものである。図８は、図７が示すグラフＡと同様に、実際に室内機６のセンサが取得した室内温度と室外機５のセンサが取得した室外温度との温度変化グラフである。

一般的に、空調機４によって空調が行われた室内の時間温度変化グラフは、室内温度と室外温度との差が異なる場合、グラフの傾きが異なり、室内温度と室外温度との差からグラフの傾きが決まる。図８のグラフを例にとって説明すると、室外温度は、時間とともに上昇しており、室内温度は、空調機４の運転モードが冷房モードであることによって時間とともに低下している。これにより、室内温度と室外温度との差は、時間と共に大きくなる。当該差が大きくなればなるほど冷房が効きづらくなり、室内の温度変化グラフの傾きは時間と共に緩やかになる。

本実施形態に係る拡張データ生成方法の第２の具体例は、上記のような空調の知見を考慮したものである。まず、拡張部１４は、上述のステップＳＴ１１において、実際に空調機４が起動してから室内温度が目標温度に到達するまでの一連の空調データを参照して、時間毎の「室内温度と室外温度との差」とその時の「室内温度の温度変化グラフの傾き」とを算出し、これらを対応付ける。次に、拡張部１４は、算出した「室内温度と室外温度との差」に対応する「室内温度の温度変化グラフの傾き」を、仮想の「室内温度と室外温度との差」に対応する「室内温度の温度変化グラフの傾き」とみなすことにより、当該傾きの線形モデルを生成する。

より具体的には、図７のグラフを例にとって説明すると、拡張部１４は、実データであるグラフＡ上の室外温度３０℃及び室内温度２５℃の差と、室内温度２５℃の時の当該グラフＡの傾きとを算出し、これらを対応付ける。次に、拡張部１４は、当該傾きを、仮想の「室外温度と室内温度との差」５℃に対応する「室内温度の温度変化グラフの傾き」とみなして、線形モデルＢを生成する。線形モデルＢは、起動時刻において、室外温度が３３℃、室内温度が２８℃であり、「室外温度と室内温度との差」が仮想の「室外温度と室内温度との差」５℃と同じ値である。線形モデルＢは、傾きが仮想の「室外温度と室内温度との差」５℃に対応する傾きであり、線形性を有する。

また、拡張部１４は、実データであるグラフＡ上の室外温度３０℃及び室内温度２３℃の差と、室内温度２３℃の時の当該グラフＡの傾きとを算出し、これらを対応付ける。次に、拡張部１４は、当該傾きを、仮想の「室外温度と室内温度との差」７℃に対応する「室内温度の温度変化グラフの傾き」とみなして、線形モデルＣを生成する。線形モデルＣは、起動時刻において、室外温度が３５℃、室内温度が２８℃であり、「室外温度と室内温度との差」が仮想の「室外温度と室内温度との差」７℃と同じ値である。線形モデルＣは、傾きが仮想の「室外温度と室内温度との差」７℃に対応する傾きであり、線形性を有する。

なお、上記の第２の具体例の拡張データ生成方法は、第１の具体例の拡張データ生成方法と組み合わせて実行されてもよい。これにより、実データのみを学習データとする場合に比べ大幅に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。

次に、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の具体例について図面を参照して説明する。
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。

まず、１つ目の部屋では、上述のステップＳＴ１において、予測部１３は、当該部屋の室内温度、室外温度及び目標温度を空調データとして取得する。次に、ステップＳＴ２において、予測部１３は、取得した空調データをもとに、「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」を計算し、計算結果としての空調データを機械学習モデルに入力することにより、所要時間を予測する。次に、ステップＳＴ３において、予測部１３は、予測した所要時間を、送受信部１１を介して空調コントローラ３に出力する。空調コントローラ３は、予測部１３が予測した所要時間と空調データ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７：３０と決定し、当該起動時刻に空調機４を起動させるように制御する。

空調制御装置２は、上記の各工程を、別の部屋についても実行し、２つ目の部屋に設置された空調機４の起動時刻を７：４５、３つ目の部屋に設置された空調機４の起動時刻を８：００として、各部屋の空調機４を制御する。次に、図９が示すように、各部屋の室内温度が８：３０に目標温度に到達したら、空調制御装置２は、各空調機４を停止させる。図９の棒グラフは、３台の空調機４によって消費された電力量を示す。図９の棒グラフが示すように、各室内機の起動時刻に応じて、消費電力量が段階的に増加している。このような消費電力量が段階的に増加する理由としては、複数の室内機６の各起動時刻が異なることにより、稼働する室内機６の数が時間とともに増加するためである。複数の室内機６の各起動時刻が異なる理由としては、室内機６が設置されたそれぞれの環境、例えば部屋の大きさの違いなどが反映された空調データに基づく機械学習モデルを参照して、空調制御装置２が各空調機４の起動時刻を予測するためである。空調制御装置２は、このように消費電力量を分散させることで、ピーク電力を削減することができる。

以上のように、実施の形態１に係る空調制御装置２は、空調機４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４の起動時刻を取得する取得部１６と、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と、取得部１６が取得した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機械学習モデルを更新する更新部１５と、を備えている。
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。

実施の形態１の一態様によれば、空調制御装置２は、取得部１６が、空調データとして、空調機４の室内機６が設置された部屋の室内温度を少なくとも取得し、起動時刻として、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してもよい。
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。

実施の形態１の一態様によれば、空調制御装置２は、拡張部１４は、空調機４が設置された部屋の環境値が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してもよい。
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。

実施の形態１の一態様によれば、空調制御装置２は、取得部１６は、空調データとして、空調機４の室内機６が設置された部屋の室内環境値、及び空調機４の室外機５が設置された室外の室外環境値を取得し、拡張部１４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してもよい。
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。

実施の形態の一態様によれば、空調制御装置２は、機械学習モデルに空調データを入力し、空調機４の起動時刻を予測する予測部１３をさらに備え、予測部１３が予測した起動時刻に空調機４を起動させてもよい。
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。

実施の形態２．
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。

以下で、実施の形態２について図面を参照して説明する。なお、実施の形態１で説明した構成と同様の機能を有する構成については同一の符号を付し、その説明を省略する。
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。

次に、実施の形態２に係る空調制御装置２０の動作について図面を参照して説明する。なお、実施の形態２に係る起動時刻予測方法は、実施の形態１に係る起動時刻予測方法のステップＳＴ１からステップＳＴ４と同様である。そのため、実施の形態２に係る起動時刻予測方法についての説明を省略する。

図１１は、実施の形態２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。なお、実施の形態２に係る空調制御装置２０の空調制御方法のステップＳＴ２０、ＳＴ２１、及びＳＴ２４は、それぞれ、図４を参照して説明した空調制御方法のステップＳＴ１０、ＳＴ１１、及びＳＴ１３と同様である。そのため、ステップＳＴ２０、ＳＴ２１、及びＳＴ２４については、説明を省略する。

図１１が示すように、ステップＳＴ２２において、置換部２２は、実データである空調データと、拡張部１４が生成した拡張データとを比較し、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。次に、ステップＳＴ２３において、更新部１５は、置換部２２によるステップＳＴ２２を経た空調データ及び拡張データを参照して機械学習モデルを更新する。

例えば、ステップＳＴ２２において、置換部２２は、拡張部１４が拡張データの生成に用いた空調データと、拡張部１４が生成した拡張データとを比較し、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てもよい。また、ステップＳＴ２２において、置換部２２は、置換していない拡張データを一時的に記憶部１２に保存してもよい。その場合、後に、予測部１３が新たに空調データを取得し次第、置換部２２は、当該空調データと、記憶部１２に保存した拡張データとを比較し、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てもよい。これにより、データ収集期間を短縮できる。

次に、上記のステップＳＴ２２の拡張データ置換方法の具体例について説明する。
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。

まず、ステップＳＴ２２において、図１２の（１）が示すように、置換部２２は、縦軸のデータと横軸のデータとを定義したグリッド上に、拡張部１４から取得した実データの空調データと拡張データとをプロットする。なお、当該具体例では、置換部２２が用いる１レコードの空調データ又は拡張データを、「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」から構成されるデータとしたが、これに限定されず、当該データは、環境値又は目標値に基づいた数値であればよい。また、当該具体例のように、１レコードのデータが、環境値又は目標値にそれぞれ基づいた２つのデータから構成される場合、拡張部１４は、これら２つのデータを縦軸及び横軸に持つ格子状グリッドを定義する。なお、置換部２２が用いる空調データ及び拡張データの次元数は、２次元に限定されない。当該次元数は、３次元であってもよく、その場合、グリッドは、３軸の立方体状グリッドであり得る。置換部２２は、更新部１５が機械学習モデルの更新のために入力する空調データ及び拡張データの次元数に合わせて、グリッドの次元数を拡張してもよい。置換部２２は、グリッドの間隔である軸目盛を、空調データ及び拡張データの種類に応じて変更してもよい。

次に、図１２の（２）が示すように、置換部２２は、グリッド上の空調データと拡張データとを比較し、空調データと同一の枠内にある拡張データを、当該空調データの類似データであるとみなし、拡張データを空調データで置き換える。置換部２２は、図１２の（１）及び（２）の各工程を、拡張部１４が拡張データを生成し次第、繰り返し行ってもよい。

次に、図１２の（３）が示すように、置換部２２は、予測部１３が新たに空調データを取得し次第、当該空調データをグリッド上にプロットする。
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。

以上のように、実施の形態２に係る空調制御装置２０は、空調データと拡張データとを比較し、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置換部をさらに備えている。
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３．
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は、実施の形態３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１４は、実施の形態３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。
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。

図１５は、上記のステップＳＴ３１において予測部１３がニューラルネットワークモデルを用いて所要時間を予測する具体例を説明するための図である。図１５が示すように、予測部１３は、ニューラルネットワークモデルの入力層に、「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」を入力し、出力層に所要時間を出力させる。
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。

次に、図１４のフローチャートについて説明する。
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。

次に、実施の形態３の変形例について説明する。
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。

これにより、それぞれ同一の部屋に設置された２つの室内機による影響を考慮した、空調機の起動時間の予測が可能になり、オフィスビルディングなどにおいて１つの部屋に複数の室内機が設置されている場合でも、室内温度が目標時刻に目標温度に到達するのに適した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。

以上のように、実施の形態３に係る空調制御装置では、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、更新部１５は、空調機が設置された部屋の環境値が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、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。
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。

実施の形態３の一態様に係る空調制御装置では、取得部１６は、空調機４の室内機６が設置された部屋にさらに設置された別の空調機４から、追加空調データをさらに取得し、更新部１５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してもよい。
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。

実施の形態４．
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。

以下で、実施の形態４について図面を参照して説明する。なお、実施の形態４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で説明した構成と同様の構成については、その説明を省略する。
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。

次に、実施の形態４に係る空調制御方法について図面を参照して説明する。なお、実施の形態４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。

図１６が示すように、予測部１３は、送受信部１１を介して空調データを取得する（ステップＳＴ５０）。次に、予測部１３は、取得した空調データを参照して、空調機４の運転モードが冷房モードであるか否かを判定する（ステップＳＴ５１）。予測部１３は、空調機４の運転モードが冷房モードであると判定した場合、ステップＳＴ５２に進む。予測部１３は、空調機４の運転モードが冷房モードではないと判定した場合、ステップＳＴ５３に進む。
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。

ステップＳＴ５２又はステップＳＴ５３の次の工程として、予測部１３は、生成したフラグが示す運転モード用の機械学習モデルを記憶部１２から読み込み、当該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（ステップＳＴ５４）。次に、予測部１３は、予測した所要時間を、送受信部１１を介して空調コントローラ３に出力する。

次に、予測部１３は、予測した所要時間を、送受信部１１を介して空調コントローラ３に出力する（ステップＳＴ５５）。当該所要時間を取得した後に、空調コントローラ３は、予測部１３が予測した所要時間と空調データが示す目標時刻とから、部屋の環境値が目標値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、予測部１３は、空調コントローラ３が決定した起動時刻と、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空調データと、ステップＳＴ５２で生成した暖房用学習モデル読み込みフラグ又はＳＴ５３で生成した冷房用学習モデル読み込みフラグと、を対応付けて記憶部１２に保存する（ステップＳＴ５６）。

次に、図１７のフローチャートについて説明する。
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）。

以上のように、実施の形態４に係る空調制御装置における更新部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。
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。

実施の形態５．
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。

図１８Ａは、空調制御装置２または空調制御装置２０の機能を実現するハードウェア構成を示すブロック図である。図１８Ｂは、空調制御装置２または空調制御装置２０の機能を実現するソフトウェアを実行するハードウェア構成を示すブロック図である。図１８Ａおよび図１８Ｂに示す記憶装置１０１は、記憶部１２として機能する。なお、記憶装置１０１は、空調制御装置２または空調制御装置２０が備える構成要素であってもよいが、空調制御装置とは独立した装置が備えてもよい。例えば、記憶装置１０１は、空調制御装置２または空調制御装置２０から通信アクセスが可能な通信ネットワーク上の装置であってもよい。

上記処理回路が図１８Ａに示す専用のハードウェアの処理回路１００である場合、処理回路１００は、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）、ＦＰＧＡ（Ｆｉｅｌｄ−Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）またはこれらを組み合わせたものが該当する。

空調制御装置２における、予測部１３、拡張部１４、更新部１５及び取得部１６のそれぞれの機能を別々の処理回路で実現してもよいし、これらの機能をまとめて１つの処理回路で実現してもよい。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のそれぞれの機能を別々の処理回路で実現してもよいし、これらの機能をまとめて１つの処理回路で実現してもよい。

上記処理回路が図１０Ｂに示すプロセッサ１０２である場合、空調制御装置２における、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、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。
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。

プロセッサ１０２は、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、空調制御装置２における、予測部１３、拡張部１４、更新部１５及び取得部１６のそれぞれの機能を実現する。すなわち、空調制御装置２は、プロセッサ１０２によって実行されるときに、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までの処理が結果的に実行されるプログラムを記憶するためのメモリ１０３を備える。

これらのプログラムは、予測部１３、拡張部１４、更新部１５及び取得部１６の手順または方法をコンピュータに実行させる。メモリ１０３は、コンピュータを、予測部１３、拡張部１４、更新部１５及び取得部１６として機能させるためのプログラムが記憶されたコンピュータ可読記憶媒体であってもよい。これは、空調制御装置２０においても同様である。
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。

予測部１３、拡張部１４、更新部１５及び取得部１６のそれぞれの機能について一部を専用のハードウェアで実現し、一部をソフトウェアまたはファームウェアで実現してもよい。
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。

これは、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においても同様である。
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。

なお、本願発明はその発明の範囲内において、各実施の形態の自由な組み合わせ、あるいは各実施の形態の任意の構成要素の変形、もしくは各実施の形態において任意の構成要素の省略が可能である。

この発明に係る空調制御装置は、機械学習に用いられるデータを収集する時間的コストを削減することができるので、機械学習に基づいて空調機を制御する空調制御装置に利用可能である。

１ 空調制御システム、２ 空調制御装置、３ 空調コントローラ、４ 空調機、５ 室外機、６ 室内機、１０ 制御部、１１ 送受信部、１２ 記憶部、１３ 予測部、１４ 拡張部、１５ 更新部、１６ 取得部、１７ 機械学習部、２０ 空調制御装置、２１ 制御部、２２ 置換部、２３ 機械学習部、１００ 処理回路、１０１ 記憶装置、１０２ プロセッサ、１０３ メモリ。

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、拡張部は、空調機が設置された部屋の環境値が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)

1. 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。
2. 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。
3. 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。
4. 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。
5. 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。
6. 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。
7. 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。
8. 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。
9. 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。
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。

Images