TW202045870A - 店舖空調系統 - Google Patents
店舖空調系統 Download PDFInfo
- Publication number
- TW202045870A TW202045870A TW109107786A TW109107786A TW202045870A TW 202045870 A TW202045870 A TW 202045870A TW 109107786 A TW109107786 A TW 109107786A TW 109107786 A TW109107786 A TW 109107786A TW 202045870 A TW202045870 A TW 202045870A
- Authority
- TW
- Taiwan
- Prior art keywords
- air
- aforementioned
- conditioning
- unit
- store
- Prior art date
Links
Images
Classifications
-
- 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
- F24F11/46—Improving electric energy efficiency or saving
-
- 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
- F24F11/64—Electronic processing using pre-stored data
-
- 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
- F24F11/65—Electronic processing for selecting an operating mode
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25D—REFRIGERATORS; COLD ROOMS; ICE-BOXES; COOLING OR FREEZING APPARATUS NOT OTHERWISE PROVIDED FOR
- F25D11/00—Self-contained movable devices, e.g. domestic refrigerators
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25D—REFRIGERATORS; COLD ROOMS; ICE-BOXES; COOLING OR FREEZING APPARATUS NOT OTHERWISE PROVIDED FOR
- F25D17/00—Arrangements for circulating cooling fluids; Arrangements for circulating gas, e.g. air, within refrigerated spaces
- F25D17/04—Arrangements for circulating cooling fluids; Arrangements for circulating gas, e.g. air, within refrigerated spaces for circulating air, e.g. by convection
- F25D17/06—Arrangements for circulating cooling fluids; Arrangements for circulating gas, e.g. air, within refrigerated spaces for circulating air, e.g. by convection by forced circulation
Abstract
[課題]提供一種店舖空調系統,其可一面藉空調裝置將店舖內調整到很舒適,並且可從資料庫方面提升用以減少消耗能量的預測控制之精確度。
[解決手段]空調裝置控制部32具有:實績取得模式,將複數個空調設定溫度A切換,並控制空調裝置19的運轉;及預測控制模式,由最佳化控制部31將藉機器學習從資料庫計算出的最佳值作為空調設定溫度A來控制空調裝置19的運轉。最佳化控制部31係將在實績取得模式及預測控制模式中取得的至少消耗電力P及不舒適指數D儲存在資料庫,並進行更新。
Description
本發明係關於將設置有展示櫃等冷凍裝置的店舖進行空調的店舖空調系統。
傳統技術中,便利商店或超級市場等店舖中皆設有冷藏/冷凍展示櫃等複數種冷凍裝置。而且,近年來,為了讓設置在這些店舖的展示櫃進行節能運轉,已經開發有對未來的外氣溫度進行預測俾控制展示櫃的系統、或將運轉實績在記憶部中建立資料庫,使設備機器進行預測運轉的裝置(參照例如專利文獻1、專利文獻2)。
[先前技術文獻]
[專利文獻]
[專利文獻1] 日本專利第6284173號公報
[專利文獻2] 日本特開2016-23880號公報
[發明欲解決之課題]
在此處,設置有包含上述展示櫃之冷凍裝置的店舖中,係根據預定的空調設定溫度藉由空調裝置實施空調,但當空調設定溫度被變更使店舖內的溫濕度改變時,會對設置於店舖內之冷凍裝置的運轉造成影響。然而,先前技術中,空調裝置的空調設定溫度係按每個季節以固定值來設定,店員則憑感覺進行空調設定溫度的微調整,俾消除顧客的不舒適感。但在某些情況中,卻對冷凍裝置的運轉造成不良影響,使包含空調裝置之店舖整體的消耗電力顯著增加。
因此,可考慮將店舖內的舒適性與消耗電力等建立關連並構築成資料庫,預測可兼顧舒適性與節能性的空調設定溫度以控制空調裝置的作法。為了進行高精確度的預測控制,該店舖的多種實績數據必須儲存在資料庫內,由店員適當設定的情況或僅執行預測控制時,以相同或者類似的狀況進行的運轉會增多,實績數據的多樣化也會發生問題。此外,僅靠執行預測控制時,有其效果難以確認的問題。
本發明係為了解決傳統技術的課題而研創者,目的在於提供一種可藉由空調裝置對店舖內進行空調到很舒適,同時也能從資料庫方面提升用以減少消耗能量的預測控制精確度的店舖空調系統。
[用以解決課題之手段]
本發明的店舖空調系統係為在設置有包含展示櫃之冷凍裝置的店舖內進行空調者,其特徵為具備:空調裝置控制部,根據預定的空調設定溫度A來控制在店舖內進行空調的空調裝置之運轉;及最佳化控制部,至少具有儲存關於表示空調裝置及冷凍裝置之消耗能量指標的數據及關於表示店舖內之舒適性指標的數據所構築的資料庫,藉由根據該資料庫進行機器學習,在表示預定時間後之舒適性的指標可容許的範圍內,計算出表示預定時間後之消耗能量的指標達到最小的空調設定溫度A的最佳值;空調裝置控制部具有:實績取得模式,將複數個空調設定溫度A進行切換並控制空調裝置的運轉;及預測控制模式,以最佳化控制部所算出的最佳值作為空調設定溫度A來控制空調裝置的運轉,最佳化控制部係將在實績取得模式及預測控制模式中取得的至少關於表示消耗能量之指標的數據、及關於表示舒適性之指標的數據儲存在資料庫,並進行更新。
請求項2的店舖空調系統係如上述發明,其中,空調裝置控制部具有獨立控制模式,其係藉由使用預定的輸入裝置設定的空調設定溫度A來控制空調裝置之運轉;最佳化控制部係將在獨立控制模式中取得的至少關於表示消耗能量之指標的數據及關於表示舒適性之指標的數據儲存在資料庫,並進行更新。
請求項3的店舖空調系統係如上述各發明,其中,空調裝置控制部係將實績取得模式及預測控制模式、或實績取得模式、預測控制模式及獨立控制模式進行切換並執行。
請求項4的店舖空調系統係如上述各發明,其中,具備:外氣溫度檢測部,檢測外氣溫度T;店內溫度檢測部,檢測店舖內的溫度;店內濕度檢測部,檢測店舖內的濕度;及消耗電力檢測部,對表示空調裝置及冷凍裝置之消耗能量的指標的消耗電力P進行檢測,最佳化控制部具有:不舒適指數計算部,從店舖內之溫度及濕度計算出作為表示店舖內舒適性之指標的不舒適指數D;資料庫構築部,至少將外氣溫度T、空調設定溫度A、消耗電力P及不舒適指數D儲存預定期間份並構築資料庫;預測模型製作部,根據該資料庫構築部所構築的資料庫來進行機器學習,並從至少最近的外氣溫度T、空調設定溫度A、消耗電力P及不舒適指數D來製作用以預測預定時間後之消耗電力TGT1及不舒適指數TGT2的預測模型;預測部,藉由將複數個空調設定溫度A套用於該預測模型製作部所製作的預測模型,來預測複數個預定時間後的消耗電力TGT1及不舒適指數TGT2;及最佳值計算部,從該預測部所預測的複數個預定時間後的消耗電力TGT1及不舒適指數TGT2,在預定時間後的不舒適指數TGT2能容許的範圍內,計算出預定時間後的消耗電力TGT1達到最小的空調設定溫度A之最佳值。
請求項5之店舖空調系統係如上述發明,其中,預測模型製作部係定期地製作預測模型並加以更新。
請求項6之店舖空調系統係如請求項4或5的發明,其中,預測模型製作部係藉線性回歸分析及非線性回歸分析之中的任一者、或彼等的組合來進行機器學習,並製作前述預測模型。
請求項7的店舖空調系統係如請求項4至6的發明,其中,預測部係定期地對預定時間後的消耗電力TGT1及不舒適指數TGT2預測複數次,而最佳值計算部則在預測部每次預測時計算出最佳值。
請求項8的店舖空調系統係如請求項4至請求項7的發明,其中,資料庫追加設有關於會對消耗電力P及不舒適指數D造成影響的空調裝置、及/或冷凍裝置之運轉因素的數據;預測模型製作部係將追加的運轉因素加入,並製作預測預定時間後之消耗電力TGT1及不舒適指數TGT2的預測模型;預測部係藉由除了空調設定溫度A之外還將追加的複數個運轉因素套用於預測模型來預測複數個預定時間後的消耗電力TGT1及不舒適指數TGT2;最佳值計算部係從預測部所預測的複數個預定時間後之消耗電力TGT1及不舒適指數TGT2,在預定時間後的不舒適指數TGT2可容許的範圍內,計算出預定時間後的消耗電力TGT1達到最小的追加運轉因素的最佳值;預測控制模式中,空調裝置控制部、及/或控制冷凍裝置之運轉的冷凍裝置控制部係以最佳值計算部所算出的最佳值作為追加的運轉因素來控制空調裝置、及/或冷凍裝置的運轉。
請求項9的店舖空調系統係如上述發明,其中,前述追加的運轉因素為空調裝置的運轉模式、展示櫃的庫內溫度、展示櫃之庫內循環風扇的風量、冷凍裝置的目標低壓力、冷凍裝置的高壓力、冷凍裝置之壓縮機的旋轉數、冷凍裝置之膨脹閥的最小閥開度、構成空調裝置之一部分的全熱交換機的運轉狀態之中的任一者、或彼等的組合、或者彼等的全部。
[發明之效果]
依據本發明,在設置有包含展示櫃之冷凍裝置的店舖內進行空調的店舖空調系統中,具備:空調裝置控制部,根據預定的空調設定溫度A來控制在店舖內進行空調的空調裝置之運轉;及最佳化控制部,至少具有儲存關於表示空調裝置及冷凍裝置之消耗能量指標的數據及關於表示店舖內之舒適性指標的數據所構築的資料庫,藉由根據該資料庫進行機器學習,在表示預定時間後之舒適性的指標可容許的範圍內,計算出表示預定時間後之消耗能量的指標達到最小的空調設定溫度A的最佳值,因在空調裝置控制部設有以最佳化控制部計算出的最佳值作為空調設定溫度A來控制空調裝置之運轉的預測控制模式,故在店舖內舒適性可容許的範圍內,可將空調設定溫度自動地調整到空調裝置及冷凍裝置之消耗能量達到最小的最佳值,且可控制空調裝置的運轉。藉此方式,即可一面確保店舖內的舒適性,一面減少空調裝置與冷凍裝置的消耗能量。
再者,空調裝置控制部中設有將複數個空調設定溫度A切換並控制空調裝置之運轉的實績取得模式,最佳化控制部可將實績取得模式及預測控制模式中取得的至少關於表示消耗能量之指標的數據及關於表示舒適性之指標的數據儲存在資料庫,並加以更新,故可將該店舖中多樣化的實績數據儲存在資料庫,且可在預測控制模式中進行高精確度的運轉。此外,透過將實績取得模式與預測控制模式的運轉實績加以比較,也有較容易確認預測控制模式之效果的功效。
再者,依據請求項2的發明,係除了上述發明之外,再於空調裝置控制部設有藉由用預定的輸入裝置設定的空調設定溫度A來控制空調裝置之運轉的獨立控制模式,故而使用者得以任意的空調設定溫度控制空調裝置,並且最佳化控制部可將在獨立控制模式中取得的至少關於表示消耗能量之指標的數據及關於表示舒適性之指標的數據儲存在資料庫並加以更新,故可謀求資料庫中所儲存之數據的更多樣化。
再者,依據請求項3的發明,因空調裝置控制部係設成可將上述實績取得模式與預測控制模式、或實績取得模式、預測控制模式及獨立控制模式進行切換並執行,故而可自動地進行資料庫數據的多樣化,並且例如在利用其他店舖構築的資料庫之際,也能一邊將預測控制模式交織於實績取得模式或獨立控制模式,一邊進行空調裝置的運轉,並將實績數據儲存於資料庫,並進行更新,而構築該店舖獨自的資料庫。
其次,依據請求項4的發明,資料庫構築部係將至少表示外氣溫度T、空調設定溫度A、作為空調裝置及冷凍裝置之消耗能量指標的消耗電力P、及作為表示店舖內舒適性之指標的不舒適指數D儲存預定期間份並構築資料庫,預測模型製作部則根據該資料庫進行機器學習,且至少從最近的外氣溫度T、空調設定溫度A、消耗電力P、及不舒適指數D製作用以預測預定時間後之消耗電力TGT1及不舒適指數TGT2的預測模型,預測部則藉由複數個空調設定溫度A套用於該預測模型來預測複數個預定時間後的消耗電力TGT1及不舒適指數TGT2,最佳值計算部係從這些預測的複數個預定時間後之消耗電力TGT1及不舒適指數TGT2,在預定時間後之不舒適指數TGT2可容許的範圍中,計算出預定時間後的消耗電力TGT1達到最小的空調設定溫度A之最佳值,故在預測控制模式中,在店舖內的不舒適指數D可容許的範圍內,能自動將空調設定溫度A調整到空調裝置與冷凍裝置的消耗電力P縮到最小的最佳值,並控制空調裝置的運轉。藉此方式,即可一面確保店舖內的舒適性,一面以優異精確度減少空調裝置與冷凍裝置的消耗電力。
在此情況下,如請求項5的發明所述,若作成預測模型製作部如果定期地製作並更新預測模型,即可因應環繞店舖的環境變化而確實地計算出空調設定溫度A的最佳值。
另外,預測模型製作部的機器學習可考慮如請求項6發明的線性回歸分析及非線性回歸分析中的任一者、或彼等的組合。
而且,如請求項7的發明所述,若作成預測部定期地預測複數個預定時間後之消耗電力TGT1及不舒適指數TGT2,且最佳值計算部在預測部每次預測時即計算出最佳值,即可迅速地對應店舖內狀況的變化,以優異精確度計算出空調設定溫度A的最佳值。
再者,如請求項8的發明所述,若作成在資料庫中追加設有關於對消耗電力P及不舒適指數D會造成影響的空調裝置、及/或冷凍裝置之運轉因素的數據;預測模型製作部則將所追加的運轉因素加入並製作用以預測預定時間後之消耗電力TGT1及不舒適指數TGT2的預測模型,並且,預測部係藉由在預測模型中套用複數個空調設定溫度A之外所追加的運轉因素,並預測複數個預定時間後的消耗電力TGT1及不舒適指數TGT2;最佳值計算部則從預測部所預測的複數個預定時間後的消耗電力TGT1及不舒適指數TGT2,在預定時間後的不舒適指數TGT2可容許的範圍中,計算出預定時間後的消耗電力TGT1達到最小的追加運轉因素之最佳值,空調裝置控制部及/或控制冷凍裝置之運轉的冷凍裝置控制部則以最佳值計算部所算出的最佳值作為追加的運轉因素來控制空調裝置及/或冷凍裝置的運轉,對於外氣溫度T或空調設定溫度A以外的消耗電力P或不舒適指數D造成影響的運轉因素,也以最佳值進行控制,故而可獲得提升更佳舒適性及減少消耗電力的效果。
另外,在此情況下所追加的運轉因素,係如請求項9的發明所述,可考量空調裝置的運轉模式、展示櫃的庫內溫度、展示櫃的庫內循環風扇的風量、冷凍裝置的目標低壓力、冷凍裝置的高壓力、冷凍裝置的壓縮機旋轉數、冷凍裝置的膨脹閥的最小閥門開度、構成空調裝置之一部分的全熱交換機的運轉狀態。
[用以實施發明的形態]
茲根據附圖就本發明的實施形態詳細說明如下。
(1)店舖1
圖1係作為店舖1之實施例的一般型便利商店的概略平面圖。店舖1的賣場2內,從正面的入口3觀看,自後方起設置有開放型展示櫃4(冷藏冷凍,有複數台)、商品架6~8;左側的機械室9設置有接觸型展示櫃11(冷藏冷凍,有複數台);其前面配置有廁所12;右側配置有收銀機空間13、調理室14、辦公室16。而且,賣場2或調理室14及辦公室16的天花板分別設有店舖1內空調用之空調裝置19(圖2)的室內機17。
另外,圖中的符號18為設在調理室14的油炸鍋(油炸食品料理器)。此外,本案中,圖1所示粗線框的內側為店內,其外側為店外。而且,店外設置有用以使冷媒循環到展示櫃4、11的冷凍機15或空調裝置19的室外機20;且由展示櫃4、11及冷凍機15(構成冷媒迴路的壓縮機或膨脹閥之外,還包含展示櫃4、11的庫內循環風扇)構成冷凍裝置21(圖2),並由室內機17及室外機20構成空調裝置19。此外,店舖1設置有用以將要供給到店內的外氣和要排出店外的空氣實施熱交換的全熱交換機22,這也是構成本案空調裝置19的一部分設備。
(2)店舖空調系統24
其次,圖2係顯示設在圖1之店舖1的本發明店舖空調系統24的一個構成例。該實施例的店舖空調系統24係由如下所構成,亦即:前述的空調裝置19及冷凍裝置21;消耗電力檢測部26,由檢測將這些空調裝置19與冷凍裝置21結合之整體消耗電力P的電力儀錶所構成;外氣溫度檢測部27,由檢測店舖1之外氣溫度T的溫度感測器所構成;店內溫度檢測部28,由檢測店舖1內溫度的溫度感測器所構成;店內濕度檢測部29,由檢測店舖1內濕度的濕度感測器所構成;及最佳化控制部31、空調裝置控制部32以及冷凍裝置控制部33,均由配備有微處理器的微電腦所構成。
實施例中,上述消耗電力P為表示空調裝置19及冷凍裝置21之消耗能量的指標。此外,後述之店舖1內的不舒適指數D係表示店舖1內之舒適性的指標。
(3)空調裝置控制部32及冷凍裝置控制部33
空調裝置控制部32係設在空調裝置19,並根據後述的空調設定溫度A來控制包含前述室外機20及室內機17之空調裝置19的運轉,俾使店舖1內的溫度達到空調設定溫度A。圖中,符號35為用以將空調設定溫度A等設定在空調裝置控制部32的輸入裝置。實施例中,雖係藉設在空調裝置控制部32的開關來構成輸入裝置35,但也可從管理公司經由網際網路以遠端操作來設定空調設定溫度A等。在此情形中,係由相關網路構成輸入裝置35。此外,冷凍裝置控制部33係設在冷凍裝置21,並對包含前述冷凍機15及展示櫃4、11之冷凍裝置21的運轉施行控制,使各展示櫃4、11的庫內溫度達到預定的設定溫度。
(4)空調裝置控制部32的控制模式
如上所述,空調裝置控制部32係根據空調設定溫度A來控制包含室外機20及室內機17的空調裝置19之運轉,使店舖1內的溫度達到該空調設定溫度A,但在實施例中,係具有實績取得模式、預測控制模式、及獨立控制模式等三種控制模式。
(4-1)實績取得模式
其中,實績取得模式係為將複數個空調設定溫度A自動切換的控制模式。在實施例中,係將空調設定溫度A按每個預定時間(例如,1小時)自動地(強制地)切換成25℃及26℃來控制空調裝置19的運轉。
(4-2)預測控制模式
其次,預測控制模式為最佳化控制部31以如後述方式計算出的最佳值Aopt作為空調設定溫度A來控制空調裝置19的運轉。
(4-3)獨立控制模式
獨立控制模式係以藉前述輸入裝置35設定的輸入值作為空調設定溫度A來控制空調裝置19的運轉。
(4-4)控制模式的切換
接著,在實施例中,空調裝置控制部32係如圖3所示地將上述實績取得模式、預測控制模式、及獨立控制模式按每個預定期間(例如,每1天)重複進行依序切換動作。
(5)最佳化控制部31的構成
其次,最佳化控制部31會被輸入消耗電力檢測部26所輸出的將空調裝置19及冷凍裝置21結合之整體的消耗電力P(表示消耗能量的指標)、外氣溫度檢測部27所檢測的外氣溫度T、店內溫度檢測部28所檢測的店舖1內之溫度、及店內濕度檢測部29所檢測的店舖1內之濕度。然後,該最佳化控制部31會在空調裝置19之空調裝置控制部32、與冷凍裝置21之冷凍裝置控制部33之間進行數據的收發,且如後述地進行使這些運轉最佳化的最佳化控制。
接著,使用圖4說明該最佳化控制部31的詳細構成。實施例的最佳化控制部31具備:數據接收部34、不舒適指數計算部36、資料庫構築部37、預測模型製作部38、預測演算部41、及數據傳送部46。預測演算部41則具有預測部42及最佳值計算部44。此外,資料庫構築部37具有構築在記憶裝置內的資料庫37A。
最佳化控制部31的數據接收部34除了進行接收來自空調裝置控制部32及冷凍裝置控制部33的數據的動作外,也接收關於來自前述消耗電力檢測部26的消耗電力P、來自外氣溫度檢測部27的外氣溫度T、來自店內溫度檢測部28的店舖1內溫度、及來自店內濕度檢測部29的店舖1內濕度的數據。再者,數據傳送部46係執行將數據傳送到空調裝置控制部32及冷凍裝置控制部33的動作。
(6)最佳化控制部31的動作
接著,以上述的構成,一面參照圖5~圖12,一面就利用最佳化控制部31進行的資料庫構築及最佳化控制加以說明。
(6-1)利用資料庫構築部37進行資料庫37A的構築
圖4的最佳化控制部31之數據接收部34係在圖5的步驟S1接收有關來自消耗電力檢測部26的消耗電力P、來自外氣溫度檢測部27的外氣溫度T、來自店內溫度檢測部28的店舖1內之溫度、及來自店內濕度檢測部29的店舖1內濕度的數據。此外,也自空調裝置控制部32接收關於空調設定溫度A的數據。
此時,關於店舖1內之溫度及濕度的數據係送到不舒適指數計算部36。該不舒適指數計算部36則從數據接收部34接收到的店舖1內之溫度及濕度計算出店舖1內的不舒適指數D(表示店舖1內之舒適性的指標),並返送到數據接收部34。接著,數據接收部34會將外氣溫度T、空調設定溫度A、消耗電力P及不舒適指數D之數據傳送到資料庫構築部37。
最佳化控制部31的資料庫構築部37會針對接收到的外氣溫度T、空調設定溫度A、消耗電力P及不舒適指數D的數據,儲存預定期間(實施例中為1年)份,並構築如圖7所示內容的資料庫37A。另外,圖7中,係將空調設定溫度標註為空調設定,消耗電力標註為電力。
在此情況下,在實施例中,資料庫構築部37係定期地(實施例中,如圖7所示,係每30分鐘)將外氣溫度T、空調設定溫度A、消耗電力P、及不舒適指數D的數據記錄在資料庫37A,首先儲存1年份,並在儲存1年份後,於每次記錄新的數據時,即藉由從已經過1年的最老舊數據刪除,而將過去1年份的數據依序更新下去。圖7中,1年份中每30分鐘的各外氣溫度T之值係以t1~t17520來表示,各空調設定溫度A之值以a1~a17520表示,各消耗電力P之值以p1~p17520表示,各不舒適指數D之值以d1~d17520表示。
(6-2)預測模型的製作(其1)
接著,最佳化控制部31的預測模型製作部38係在圖5的步驟S2,根據資料庫37A最近(實施例中為最近的過去1天份)的外氣溫度T~T48、空調設定溫度A~A48、消耗電力P~P48、及不舒適指數D~D48的數據,利用機器學習製作供預測預定時間後(實施例中為1小時後)之消耗電力TGT1的預測模型、及供預測相同預定時間後(實施例中同樣為1小時後)之不舒適指數TGT2的預測模型。
圖8係顯示用於該機器學習的數據,圖9則將欲藉預測模型預測的1小時後(預定時間後)的消耗電力TGT1之實際值TGT1real及1小時後(預定時間後)的不舒適指數TGT2之實際值TGT2real和1天份的圖8數據並排顯示在各列中。另外,圖8、圖9中,皆是將空調設定溫度標註為空調設定,將消耗電力標註為電力。
該實施例的預測模型為多元回歸分析的計算式,其係屬於下述式(I)及式(II)所示線性回歸分析之一。
TGT1=b0+b1×T+b2×T1+・・・・+b196×D48 ・・(I)
TGT2=c0+c1×T+c2×T1+・・・・+c196×D48 ・・(II)
另外,式(I)為預測1小時後之消耗電力TGT1的預測模型,式(II)為預測1小時後之不舒適指數TGT2的預測模型。
用圖5之步驟S2的機器學習,預測模型製作部38將圖9之各行數據套用於式(I)及式(II)時,即可決定以全部的行計算出的1小時後消耗電力TGT1與其實際值TGT1real之差、及1小時後不舒適指數TGT2與其實際值TGT2real之差達到最小的共通係數b0~b196、及c0~c196。
然後,預測模型製作部38會將依此方式製作的預測1小時後之消耗電力TGT1的預測模型(式(I))、及預測1小時後之不舒適指數TGT2的預測模型(式(II)),在圖5的步驟S3輸出(圖4中以符號39表示)。另外,預測模型製作部38係定期地(實施例中為1天1次)製作此種預測模型,並加以更新。
(6-3)最佳化控制
接著,最佳化控制部31的預測演算部41所具有的預測部42係在圖6的步驟S4,從資料庫37A取得最近(實施例中為最近的過去1天份)的外氣溫度T、空調設定A、消耗電力P、不舒適指數D的數據,並在步驟S5套用於以前述式(I)、(II)表示的各預測模型,且在步驟S6、步驟S7預測1小時後的消耗電力TGT1及不舒適指數TGT2,並進行輸出(圖4中以預測結果43表示)。另外,預測部42係定期地(實施例中為1小時1次)預測並輸出1小時後的消耗電力TGT1及不舒適指數TGT2。
此處,在圖6的步驟S5,預測部42係藉由將圖8中的目前空調設定溫度A改變為例如21℃、22℃、23℃、24℃等複數個值來預測複數個1小時後的消耗電力TGT1及不舒適指數TGT2。現在,在預測的結果為例如圖10那樣時,亦即,假設空調設定溫度A為21℃時,1小時後消耗電力TGT1為「5kW」、1小時後的不舒適指數TGT2為「不舒適」;空調設定溫度A設為22℃時,1小時後的消耗電力TGT1為「4kW」,1小時後的不舒適指數TGT2為「舒適」;空調設定溫度A設為23℃時,1小時後的消耗電力TGT1為「3kW」、1小時後的不舒適指數TGT2為「舒適」;空調設定溫度A設為24℃時,1小時後的消耗電力TGT1為「4kW」、1小時後的不舒適指數TGT2為「舒適」時,最佳值計算部44會在圖6的步驟S8中選擇23℃,並計算作為空調設定溫度A的最佳值Aopt(圖10中,以「結果:選擇」標示)。
作為該最佳值Aopt的23℃,係為在1小時後的不舒適指數TGT2可容許的範圍(舒適)中,1小時後的消耗電力TGT1達到最小的空調設定溫度A。接著,數據傳送部46會在圖6的步驟S9將該空調設定溫度A的最佳值Aopt傳送到空調裝置控制部32。
空調裝置控制部32為前述的預測控制模式時,空調裝置控制部32即將空調設定溫度A改變成接收的最佳值Aopt。然後,將該最佳值Aopt當作空調設定溫度A來控制空調裝置19的運轉。另外,最佳值計算部44會在預測部42每次進行預測時,亦即,定期地計算出最佳值Aopt。
(6-4)預測模型的製作(其2)
接著,使用圖11、圖12,藉屬於非線性回歸分析之一的決策樹分析來製作預測前述1小時後之消耗電力TGT1的預測模型及預測1小時後之不舒適指數TGT2的預測模型,茲就執行最佳化控制時的實施例加以說明。
在此情況中,圖4的最佳化控制部31的預測模型製作部38係根據資料庫37A中最近(同樣是最近的過去1天份)的外氣溫度T~T48、空調設定溫度A~A48、消耗電力P~P48、及不舒適指數D~D48的數據,利用機器學習製作預測預定時間後(同樣是1小時後)的消耗電力TGT1的決策樹分析的預測模型及預測同樣預定時間後(1小時後)的不舒適指數TGT2的決策樹分析的預測模型。
預測模型製作部38係如圖11、圖12地製作以圖9的全部行預測的1小時後的消耗電力TGT1與其實際值TGT1real之差、及1小時後的不舒適指數TGT2與其實際值TGT2real之差達到最小的決策樹。圖11為以決策樹分析預測1小時後之消耗電力TGT11的消耗電力P之預測模型,圖12為以決策樹分析預測1小時後之不舒適指數TGT2的不舒適指數D之預測模型。
(6-5)圖11、圖12之情況的最佳化控制
接著,最佳化控制部31的預測演算部41之預測部42係藉由將複數個空調設定溫度A套用於圖11的預測模型來對1小時後的消耗電力TGT1進行複數次預測,並且將複數個空調設定溫度A套用於圖12的預測模型,來對1小時後的不舒適指數TGT2進行複數次預測。
在該例子中,若套用21℃、22℃、23℃、24℃作為空調設定溫度A時,在圖12的預測模型中,將空調設定溫度A設為22℃、23℃、24℃時,1小時後的不舒適指數TGT2成為舒適,在圖11的預測模型中,將空調設定溫度設為23℃時,1小時後的消耗電力TGT1為最小的3kW。因此,在該實施例的情況中,最佳值計算部44會計算出以23℃作為空調設定溫度A的最佳值Aopt,並且數據傳送部46會將其傳送到空調裝置控制部32。
如以上所詳述,本發明的店舖空調系統24係具備:空調裝置控制部32,根據預定的空調設定溫度A來控制在店舖1內實施空調的空調裝置19之運轉;及最佳化控制部31,至少具有儲存關於表示前述空調裝置19及前述冷凍裝置21之消耗能量指標(消耗電力P)的數據及關於表示前述店舖1內之舒適性指標(不舒適指數D)的數據所構築的資料庫37A,藉由根據該資料庫37A進行機器學習,在表示預定時間後之前述舒適性的指標(TGT2)可容許的範圍內,計算出表示預定時間後之前述消耗能量的指標(TGT1)達到最小的前述空調設定溫度A的最佳值Aopt,並在空調裝置控制部32設有將最佳化控制部31所算出的最佳值Aopt作為空調設定溫度A來控制空調裝置19之運轉的預測控制模式,故而在店舖1內的舒適性能容許的範圍內,將空調設定溫度A自動地調整到空調裝置19及冷凍裝置21的消耗能量(消耗電力P)可達到最小的最佳值Aopt,並控制空調裝置19的運轉。藉此方式,即可一邊確保店舖1內的舒適性,同時可減少空調裝置19及冷凍裝置21的消耗能量(消耗電力P)。
再者,空調裝置控制部32中設有將複數個空調設定溫度A進行切換並控制空調裝置19之運轉的實績取得模式,最佳化控制部31則將實績取得模式及預測控制模式中取得的至少關於表示消耗能量的指標(消耗電力P)的數據及關於表示舒適性之指標(不舒適指數D)的數據儲存在資料庫37A並加以更新,即可將該店舖1中的多樣實績數據儲存於資料庫37A,在預測控制模式中能夠執行高精確度的運轉。此外,透過將實績取得模式及預測控制模式的運轉實績加以比較,可容易確認預測控制模式的效果。
更且,在實施例中,因在空調裝置控制部32中藉由設有使用預定的輸入裝置35設定的空調設定溫度A來控制空調裝置19之運轉的獨立控制模式,故使用者可以任意的空調設定溫度A來控制空調裝置19,而且最適化控制部31可將在獨立控制模式取得的至少關於表示消耗能量的指標(消耗電力P)的數據及關於表示舒適性的指標(不舒適指數D)的數據儲存在資料庫37A並加以更新,故可謀求資料庫37A所儲存之數據的更多樣化。
又,如實施例那樣,只要空調裝置控制部32對上述實績取得模式、預測控制模式及獨立控制模式進行切換並加以執行,即可自動地進行資料庫37A之數據的多樣化,並且在利用例如其他店舖構築的資料庫37A之際,可一邊將預測控制模式交織在實績取得模式或獨立控制模式中,一邊進行空調裝置19的運轉,並將實績數據儲存在資料庫37A,且加以更新,即可構築該店舖獨自的資料庫37A。
而且,如實施例那樣,資料庫構築部37至少將外氣溫度T、空調設定溫度A、作為表示空調裝置19及冷凍裝置21之消耗能量指標的消耗電力P、及作為表示店舖1內之舒適性指標的不舒適指數D儲存預定期間份來構築資料庫37A,且由預測模型製作部28根據該資料庫37A進行機器學習,從至少最近的外氣溫度T、空調設定溫度A、消耗電力P、及不舒適指數D製作用以預測預定時間後之消耗電力TGT1及不舒適指數TGT2的預測模型,藉由預測部42將複數個空調設定溫度A套用於該預測模型,即可預測複數個預定時間後的消耗電力TGT1及不舒適指數TGT2,最佳值計算部44則從這些預測的複數筆預定時間後的消耗電力TGT1及不舒適指數TGT2,在預定時間後的不舒適指數TGT2能容許的範圍內,計算出預定時間後的消耗電力TGT1達到最小的空調設定溫度A之最佳值Aopt,則在預測控制模式中,在店舖1內之不舒適指數D可容許的範圍內,將空調設定溫度A自動地調整到空調裝置19及冷凍裝置21的消耗電力P能最小的最佳值Aopt,且可控制空調裝置19的運轉。藉此構成,即可一面確保店舖1內的舒適性,同時以良好精確度減少空調裝置19及冷凍裝置21的消耗電力。
在此情況下,如實施例那樣,只要預測模型製作部38定期地製作預測模型,並加以更新,即可因應店舖1之周遭環境變化而可確實計算出空調設定溫度A的最佳值Aopt。
另外,預測模型製作部中的機器學習,可考慮如實施例的線性回歸分析、及非線性回歸分析中的任一者、或彼等的組合。
又,如實施例那樣,預測部42係定期地預測複數個預定時間後的消耗電力TGT1及不舒適指數TGT2,只要最佳值計算部44在預測部42每次預測時即計算出最佳值Aopt,就可迅速對應店舖1內狀況的變化,以優良精確度計算出空調設定溫度A的最佳值Aopt。
(7)最佳化控制部的其他例子
接著,圖13係顯示構成本發明之店舖空調系統24的最佳化控制部31的其他構成例。圖4的實施例中,最佳化控制部31的全部功能係設在店舖1側,但該實施例中,圖4的預測模型製作部38則設在管理店舖1之管理公司的伺服器47側。
亦即,此種情形的店舖空調系統24中,店舖1側的最佳化控制部31A並不執行預測模型的製作,而是將最佳化控制部31A側之資料庫構築部37所構築的資料庫37A傳送到伺服器47。然後,由該伺服器47的預測模型製作部38製作預測模型(符號39),並傳送到最佳化控制部31A的預測演算部41。
最佳化控制部31A的預測部42係利用該預測模型來預測1小時後的消耗電力TGT1及不舒適指數TGT2,並計算出空調設定溫度A的最佳值Aopt,再藉數據傳送部46傳送到空調裝置控制部32。依此方式,只要在伺服器47側進行預測模型的製作,店舖1側的控制即具有得以簡化的優點。
(8)其他構成
另外,前述的實施例中,係採用多元回歸分析作為以機器學習進行的線性回歸分析,但並不受此限,也可使用一般的線性回歸分析等。此外,有關前述的非線性回歸分析,也不限於其他實施例所示的決策樹分析,也可使用隨機森林分析、神經網路分析、SVM分析等。
此外,實施例中,係藉多元回歸分析來預測1小時後的消耗電力TGT1及不舒適指數TGT2,或者藉決策樹分析來預測1小時後的消耗電力TGT1及不舒適指數TGT2,但並不受此限,也可用線性回歸分析來預測消耗電力TGT1,不舒適指數TGT2則用非線性回歸分析來預測,或者,其相反方式等,將各種分析手法加以組合。
再者,前述的實施例中,係藉由將外氣溫度T、空調設定溫度A、消耗電力P、及不舒適指數D儲存預定期間(1年)份來構築資料庫37A,但除此之外亦可再於資料庫37A中追加設置對消耗電力P及不舒適指數D會產生影響的空調裝置19、冷凍裝置21的運轉因素等相關數據。
在此情況中,要追加的運轉因素,可考量空調裝置19的運轉模式(冷氣、暖氣、除濕等)、展示櫃4、11的庫內溫度、展示櫃4、11的庫內循環風扇的風量、冷凍裝置21的目標低壓力、冷凍裝置21的高壓力、冷凍裝置21之壓縮機的轉數(反向器控制)、冷凍裝置21之膨脹閥的最小閥開度、全熱交換機22的運轉狀態。
然後,在此情況中,預測模型製作部38會將所追加的運轉因素加入,並製作預測預定時間(1小時)後的消耗電力TGT1及不舒適指數TGT2的預測模型;預測部42則藉由除了空調設定溫度A之外還將所追加的複數組運轉因素套用於預測模型,並預測複數個預定時間(1小時)後的消耗電力TGT1及不舒適指數TGT2。
最佳值計算部44係從預測部42所預測的複數個預定時間(1小時)後的消耗電力TGT1及不舒適指數TGT2,在預定時間(1小時)後的不舒適指數TGT2可容許的範圍內,計算出預定時間(1小時)後的消耗電力TGT1達到最小的追加運轉因素的最佳值。
空調裝置控制部32或冷凍裝置控制部33只要將最佳值計算部44所算出之最佳值作為所追加的運轉因素來控制空調裝置19或冷凍裝置21的運轉,則對於外氣溫度T或空調設定溫度A以外的消耗電力P或不舒適指數D會造成影響的運轉因素也能以最佳值控制,而獲得更加提升舒適性及降低消耗電力的效果。
再者,例如,在假設於實施例的店舖1中除展示櫃4、11外再追加設置展示櫃的情況時,在有關例如展示櫃或冷凍裝置的前述運轉因素方面,可考慮使用平均值或最大值、最小值或標準偏差將類似機器的數據統彙成一組。藉由採取此種方式,店舖1之展示櫃的構成即使在日後有變更時,仍能順利構築資料庫37A,並進行消耗電力TGT1及不舒適指數TGT2的預測及最佳值的計算。
而且,實施例中,係將消耗電力P作為表示空調裝置19及冷凍裝置21之消耗能量的指標,但也可將空調裝置19或冷凍裝置21的運轉狀態(例如,壓縮機的旋轉數等)作為表示消耗能量的指標。但,該情況中,消耗電力檢測部26係從運轉狀態計算出消耗電力P。再者,實施例中,雖係採用不舒適指數D作為表示店舖1內舒適性的指標,但不限於此,也能採用例如店舖1內之溫度或濕度本身。
此外,實施例中,係在空調裝置控制部32設有實績取得模式、預測控制模式、及獨立控制模式,但請求項1的發明並不僅限於此,設置實績取得模式及預測控制模式並加以切換的方式,對本發明仍屬有效。
1:店舖
4,11:展示櫃
15:冷凍機
17:室內機
19:空調裝置
20:室外機
21:冷凍裝置
22:全熱交換機
24:店舖空調系統
26:消耗電力檢測部
27:外氣溫度檢測部
28:店內溫度檢測部
29:店內濕度檢測部
31:最佳化控制部
32:空調裝置控制部
33:冷凍裝置控制部
34:數據接收部
35:輸入裝置
36:不舒適指數計算部
37:資料庫構築部
37A:資料庫
38:預測模型製作部
41:預測演算部
42:預測部
44:最佳值計算部
圖1為應用本發明店舖空調系統之一店舖實施例的概略平面圖。
圖2為本發明店舖空調系統的一實施例的構成圖。
圖3為圖2中之空調裝置控制部的控制模式及其切換的說明圖。
圖4為圖2中之最佳化控制部的構成圖。
圖5為說明圖3之最佳化控制部之動作的流程圖。
圖6為說明圖3之最佳化控制部之動作的另一流程圖。
圖7為圖3之最佳化控制部所構築的資料庫的構成圖。
圖8為藉圖3之最佳化控制部進行機器學習所用的數據的說明圖。
圖9為希望藉圖3之最佳化控制部預測的值與過去1天份的圖8之數據的並列顯示圖。
圖10為空調設定溫度的最佳值之決定的說明圖。
圖11為利用決策樹分析的消耗電力之預測模型的說明圖。
圖12為利用決策樹分析的不舒適指數之預測模型的說明圖。
圖13為在管理公司的伺服器側製作預測模型時的本發明店舖空調系統的其他實施例的構成圖。
19:空調裝置
21:冷凍裝置
24:店舖空調系統
26:消耗電力檢測部
27:外氣溫度檢測部
28:店內溫度檢測部
29:店內濕度檢測部
31:最佳化控制部
32:空調裝置控制部
33:冷凍裝置控制部
35:輸入裝置
Claims (9)
- 一種店舖空調系統,係為在設置有包含展示櫃之冷凍裝置的店舖內進行空調的店舖空調系統,其特徵為具備: 空調裝置控制部,根據預定的空調設定溫度A來控制在前述店舖內進行空調的空調裝置之運轉;及 最佳化控制部,至少具有儲存關於表示前述空調裝置及前述冷凍裝置之消耗能量指標的數據及關於表示前述店舖內之舒適性指標的數據所構築的資料庫,藉由根據該資料庫進行機器學習,在表示預定時間後之前述舒適性的指標可容許的範圍內,計算出表示預定時間後之前述消耗能量的指標達到最小的前述空調設定溫度A的最佳值, 前述空調裝置控制部具有: 實績取得模式,將複數個前述空調設定溫度A進行切換並控制前述空調裝置的運轉;及 預測控制模式,以前述最佳化控制部所算出的前述最佳值作為前述空調設定溫度A來控制前述空調裝置的運轉, 前述最佳化控制部係將在前述實績取得模式及前述預測控制模式中取得的至少關於表示前述消耗能量之指標的數據、及關於表示前述舒適性之指標的數據儲存在前述資料庫,並進行更新。
- 如請求項1之店舖空調系統,其中 前述空調裝置控制部具有獨立控制模式,其係藉由使用預定的輸入裝置設定的前述空調設定溫度A來控制前述空調裝置之運轉, 前述最佳化控制部係將在前述獨立控制模式中取得的至少關於表示前述消耗能量之指標的數據及關於表示前述舒適性之指標的數據儲存在前述資料庫,並進行更新。
- 如請求項1或2之店舖空調系統,其中,前述空調裝置控制部係將前述實績取得模式及前述預測控制模式、或前述實績取得模式、前述預測控制模式及前述獨立控制模式進行切換並執行。
- 如請求項1至3中任一項之店舖空調系統,其中,具備: 外氣溫度檢測部,檢測外氣溫度T; 店內溫度檢測部,檢測前述店舖內的溫度; 店內濕度檢測部,檢測前述店舖內的濕度;及 消耗電力檢測部,對表示前述空調裝置及前述冷凍裝置之消耗能量的指標的消耗電力P進行檢測, 前述最佳化控制部具有: 不舒適指數計算部,從前述店舖內之溫度及濕度計算出作為表示前述店舖內舒適性之指標的不舒適指數D; 資料庫構築部,至少將前述外氣溫度T、前述空調設定溫度A、前述消耗電力P及前述不舒適指數D儲存預定期間份並構築前述資料庫; 預測模型製作部,根據該資料庫構築部所構築的前述資料庫來進行機器學習,並從至少最近的前述外氣溫度T、前述空調設定溫度A、前述消耗電力P及前述不舒適指數D來製作用以預測預定時間後之前述消耗電力TGT1及不舒適指數TGT2的預測模型; 預測部,藉由將複數個前述空調設定溫度A套用於該預測模型製作部所製作的預測模型,來預測複數個預定時間後的前述消耗電力TGT1及不舒適指數TGT2;及 最佳值計算部,從該預測部所預測的複數個預定時間後的前述消耗電力TGT1及不舒適指數TGT2,在預定時間後的前述不舒適指數TGT2能容許的範圍內,計算出預定時間後的前述消耗電力TGT1達到最小的前述空調設定溫度A之最佳值。
- 如請求項4之店舖空調系統,其中,前述預測模型製作部係定期地製作前述預測模型並加以更新。
- 如請求項4或5之店舖空調系統,其中,預測模型製作部係藉線性回歸分析及非線性回歸分析之中的任一者、或彼等的組合來進行機器學習,並製作前述預測模型。
- 如請求項4至6中任一項之店舖空調系統,其中,前述預測部係定期地對預定時間後的前述消耗電力TGT1及不舒適指數TGT2預測複數次,而前述最佳值計算部則在前述預測部每次預測時計算出前述最佳值。
- 如請求項4至7中任一項之店舖空調系統,其中 前述資料庫中追加設有關於會對前述消耗電力P及不舒適指數D造成影響的前述空調裝置、及/或前述冷凍裝置之運轉因素的數據; 前述預測模型製作部係將前述追加的運轉因素加入,並製作預測預定時間後之前述消耗電力TGT1及不舒適指數TGT2的預測模型; 前述預測部係藉由除了前述空調設定溫度A之外還將前述追加的複數個運轉因素套用於前述預測模型來預測複數個預定時間後的前述消耗電力TGT1及不舒適指數TGT2; 前述最佳值計算部係從前述預測部所預測的複數個預定時間後之前述消耗電力TGT1及不舒適指數TGT2,在預定時間後的前述不舒適指數TGT2可容許的範圍內,計算出預定時間後的前述消耗電力TGT1達到最小的前述追加的運轉因素的最佳值; 前述預測控制模式中,前述空調裝置控制部、及/或控制前述冷凍裝置之運轉的冷凍裝置控制部係以前述最佳值計算部所算出的前述最佳值作為前述追加的運轉因素來控制前述空調裝置、及/或前述冷凍裝置的運轉。
- 如請求項8之店舖空調系統,其中,前述追加的運轉因素為前述空調裝置的運轉模式、前述展示櫃的庫內溫度、前述展示櫃之庫內循環風扇的風量、前述冷凍裝置的目標低壓力、前述冷凍裝置的高壓力、前述冷凍裝置之壓縮機的旋轉數、前述冷凍裝置之膨脹閥的最小閥開度、構成前述空調裝置之一部分的全熱交換機的運轉狀態之中的任一者、或彼等的組合、或者彼等的全部。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019-044736 | 2019-03-12 | ||
JP2019044736A JP2020148368A (ja) | 2019-03-12 | 2019-03-12 | 店舗空調システム |
Publications (1)
Publication Number | Publication Date |
---|---|
TW202045870A true TW202045870A (zh) | 2020-12-16 |
Family
ID=72427485
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW109107786A TW202045870A (zh) | 2019-03-12 | 2020-03-10 | 店舖空調系統 |
Country Status (3)
Country | Link |
---|---|
JP (1) | JP2020148368A (zh) |
TW (1) | TW202045870A (zh) |
WO (1) | WO2020184408A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI795283B (zh) * | 2022-05-04 | 2023-03-01 | 台灣松下電器股份有限公司 | 空調系統的控制方法 |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114543275B (zh) * | 2021-10-25 | 2023-09-01 | 国网浙江省电力有限公司湖州供电公司 | 一种空调用能优化测算方法及系统 |
CN113983665B (zh) * | 2021-11-17 | 2022-12-23 | 重庆大学 | 基于人体温度感受神经元指标的空调控制系统及方法 |
CN116066970B (zh) * | 2023-04-04 | 2023-07-28 | 重庆跃达新能源有限公司 | 一种中央空调节能控制方法及系统 |
CN116227899A (zh) * | 2023-05-09 | 2023-06-06 | 深圳市明源云科技有限公司 | 小区房屋能耗预测方法、装置、电子设备及可读存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007120889A (ja) * | 2005-10-28 | 2007-05-17 | Toshiba Corp | 空調制御装置 |
JP5745365B2 (ja) * | 2011-08-23 | 2015-07-08 | 三菱電機株式会社 | 空調システム制御装置 |
JP2016023880A (ja) * | 2014-07-23 | 2016-02-08 | 富士電機株式会社 | 設備機器の制御装置および設備機器の制御方法 |
JP6626260B2 (ja) * | 2015-03-18 | 2019-12-25 | 株式会社東芝 | 空調制御装置、制御方法およびプログラム |
-
2019
- 2019-03-12 JP JP2019044736A patent/JP2020148368A/ja active Pending
-
2020
- 2020-03-06 WO PCT/JP2020/009568 patent/WO2020184408A1/ja active Application Filing
- 2020-03-10 TW TW109107786A patent/TW202045870A/zh unknown
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI795283B (zh) * | 2022-05-04 | 2023-03-01 | 台灣松下電器股份有限公司 | 空調系統的控制方法 |
Also Published As
Publication number | Publication date |
---|---|
JP2020148368A (ja) | 2020-09-17 |
WO2020184408A1 (ja) | 2020-09-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TW202045870A (zh) | 店舖空調系統 | |
US7403827B2 (en) | Equipment control system | |
EP1729223A2 (en) | Demand control apparatus, electric power consumption prediction method, and program therefor | |
US8180493B1 (en) | Method and apparatus for effecting temperature difference in a respective zone | |
Saidur et al. | Role of ambient temperature, door opening, thermostat setting position and their combined effect on refrigerator-freezer energy consumption | |
JP6735492B2 (ja) | 空気調和機のレコメンド処理を実行するサーバおよびレコメンド処理システム | |
JP4346584B2 (ja) | デマンド制御装置およびプログラム | |
JP5914860B2 (ja) | 管理装置 | |
JP5914891B2 (ja) | 省エネ評価装置、省エネ評価方法、サーバ装置、プログラム | |
US20110257794A1 (en) | Load processing balance setting apparatus | |
KR101261199B1 (ko) | 신경망 모델에 의한 지능형 제어 알고리즘을 이용한 건물의 예약냉각 제어방법 | |
JP5967541B2 (ja) | エネルギー管理装置、管理装置、遠隔管理装置、エネルギー管理方法、プログラム | |
CN110736225B (zh) | 空调的控制方法和装置 | |
KR101219641B1 (ko) | 직접부하제어를 이용한 에어컨의 에너지 절감형 제어방법 | |
Dong et al. | Integrated energy performance modeling for a retail store building | |
JP2012037159A (ja) | 空気調和機の制御装置および冷凍装置の制御装置 | |
JP2019203652A (ja) | 店舗空調システム | |
JP6447334B2 (ja) | 冷蔵庫及びネットワークシステム | |
Glavan et al. | Cost optimisation of supermarket refrigeration system with hybrid model | |
JP2004060978A (ja) | 空調制御支援装置、空調制御装置、空調制御支援システムおよび空調制御システム | |
Kapici et al. | A novel intelligent control method for domestic refrigerators based on user behavior | |
JP2011007366A (ja) | 空調操作装置および空調操作方法 | |
JP6233283B2 (ja) | 空気調和システム、空気調和機の制御装置および空気調和機の制御方法 | |
JP2020133963A (ja) | 空気調和機の最適オン/オフ時刻算出処理を実行するサーバ、および最適オン/オフ時刻算出処理システム | |
JP2005201482A (ja) | 温湿度設定支援装置、温湿度設定支援方法 |