WO2015173842A1 - パラメータ学習装置およびパラメータ学習方法 - Google Patents

パラメータ学習装置およびパラメータ学習方法 Download PDF

Info

Publication number
WO2015173842A1
WO2015173842A1 PCT/JP2014/002490 JP2014002490W WO2015173842A1 WO 2015173842 A1 WO2015173842 A1 WO 2015173842A1 JP 2014002490 W JP2014002490 W JP 2014002490W WO 2015173842 A1 WO2015173842 A1 WO 2015173842A1
Authority
WO
WIPO (PCT)
Prior art keywords
parameter
concentration
learning
building
design
Prior art date
Application number
PCT/JP2014/002490
Other languages
English (en)
French (fr)
Inventor
隆也 山本
昌江 澤田
義隆 宇野
理 中島
Original Assignee
三菱電機株式会社
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 三菱電機株式会社 filed Critical 三菱電機株式会社
Priority to JP2016518650A priority Critical patent/JP6252673B2/ja
Priority to PCT/JP2014/002490 priority patent/WO2015173842A1/ja
Publication of WO2015173842A1 publication Critical patent/WO2015173842A1/ja

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
    • F24F7/00—Ventilation
    • F24F7/007—Ventilation with forced flow
    • 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
    • F24F11/89—Arrangement or mounting of control or safety devices

Definitions

  • This invention relates to a technique for obtaining parameters considered in energy saving operation of a ventilation device.
  • a control system, a control device, and a control method for controlling a ventilator according to the CO 2 concentration are known.
  • a control system, a control device, and a control method for controlling a ventilator according to the CO 2 concentration are known.
  • the technique disclosed in Patent Document 1 by measuring the CO 2 concentration in the indoor air is exhausted to the outside ambient air of the CO 2 concentration and the building incorporated into the building, to estimate the amount of CO 2 produced chamber. Further, the CO 2 concentration distribution for each area is estimated from the distribution of the air conditioning load, and the ventilation amount for each area is controlled based on the estimation result.
  • the indoor CO 2 concentration is measured, and the outside air fan is controlled so as to supply the amount of outside air necessary for making the CO 2 concentration equal to or lower than a predetermined value.
  • Patent Documents 1 and 2 are a technique for determining and controlling the ventilation volume from the measured value of the CO 2 concentration at each time, so that appropriate ventilation control is performed only by looking at that time. Is called.
  • the energy required for the entire day cannot be considered, and the energy saving performance is not sufficient.
  • an object of the present invention is to obtain, in a relatively simple configuration, a parameter that is useful for improving energy saving considering time in the case where the CO 2 concentration in a building is set to a predetermined value or less with a ventilation device.
  • the parameter learning device of the present invention is a fluctuation correlated with time variation of operation data of a ventilator for ventilating air in a building, measurement data of CO 2 concentration in the building, and CO 2 generation amount in the building.
  • a storage device that stores a parameter and a design parameter that does not change over time, and an arithmetic device that calculates a CO 2 concentration in the building from the variation parameter, the design parameter, and the operation data. Is characterized in that the variation parameter and the design parameter are learned by comparing the measured data with the CO 2 concentration obtained by the calculation.
  • the parameter learning method of the present invention includes the operation data of a ventilation device that ventilates air in a building, the measurement data of a CO 2 sensor that measures the CO 2 concentration in the building, and the time variation of the amount of generated CO 2.
  • a variation parameter that correlates to the design parameter and a design parameter that does not change over time, The CO 2 concentration in the building is calculated using the variation parameter, the design parameter, and the operation data, and the difference between the two is reduced by comparing the CO 2 concentration obtained as a result of the calculation with the measurement data.
  • the variation parameter and the design parameter are learned.
  • Embodiment 2 It is a detailed block diagram of the parameter learning apparatus of Embodiment 2 of this invention. It is a flowchart illustrating a processing procedure of the CO 2 concentration prediction for the second embodiment of the present invention. It is an explanatory view of a CO 2 concentration prediction process of the second embodiment of the present invention. It is a detailed block diagram of the parameter learning apparatus of Embodiment 3 of this invention. It is a detailed block diagram of the parameter learning apparatus of Embodiment 4 of this invention.
  • the parameter learning device is a device that learns parameters used for controlling a ventilation device and an air conditioner.
  • FIG. 1 is a configuration diagram of a system that controls the operation of the ventilation device 2 using the parameter learning device 1 of the first embodiment. This figure shows an example in which the parameter learning device 1 is configured by hardware different from the ventilation device 2.
  • the parameter learning device 1 includes an input / output device 11, a measurement device 12, a storage device 13, a calculation device 14, and a control command output device 15. Note that transmission / reception of signals between components connected by transmission / reception of data or signals such as control commands is indicated by dotted lines in the figure.
  • the ventilation device 2 includes a storage device 2a, a calculation device 2b, a measurement device 2c, a control command output device 2d, a fan 2e, a valve 2f, and a heat exchange unit 2g.
  • a fan 2e and a valve 2f which are devices that perform a ventilation operation in response to a control command
  • a storage device 2a, a calculation device 2b, a measuring device 2c, and a control command output device 2d that are control devices that output control commands to them. It is divided. In FIG. 1, only general and main components are listed as components of the ventilator 2, and it is not necessary to include all these components 2a to 2g. May be provided.
  • the system also includes a CO 2 sensor 3 that measures the CO 2 concentration in the building. Although the figure shows an example in which the CO 2 sensor 3 is a separate body, it may be provided in a part of the ventilation device 2.
  • the input device 11 is a device that accepts an input made by a user such as an administrator, writes information in the storage device 13, reads information stored in the storage device 13, and displays the information to the user.
  • the information written in the storage device 13 by the input / output device 11 includes, for example, management information of the ventilation device, learning conditions used when the calculation device 14 performs parameter learning calculation, and the like.
  • Information read from the storage device 13 by the input / output device 11 is, for example, an input result, a learning result, or the like. Details of these pieces of information will be described in (Details of Storage Device 13).
  • the input / output device 11 includes a device used for input such as a keyboard, a mouse, a touch panel, and a switch, and a device used for output such as a display.
  • the measuring device 12 is a device that collects operation data such as the fan 2e and the valve 2f of the ventilation device 2 and measurement data of the CO 2 sensor 3 stored in the storage device 2a of the ventilation device 2. As shown in FIG. 1, when the parameter learning device 1, the ventilation device 2, and the CO 2 sensor 3 are configured with different hardware, a communication network device such as a LAN, a serial network, or a dedicated wiring is used between these component parts. Connected.
  • a communication network device such as a LAN, a serial network, or a dedicated wiring is used between these component parts. Connected.
  • the storage device 13 is a device that stores data input by the input / output device 11, data measured by the measurement device 12, and a calculation result by the calculation device 14. Specifically, a memory, a hard disk drive, or the like. Details of the information to be stored will be described later (details of the storage device 13).
  • the computing device 14 is a device that reads various data necessary for learning parameters from the storage device 13, learns parameters from various data, and stores the results in the storage device 13. Specifically, a processor, an arithmetic circuit, etc. Details of the calculation contents will be described later (details of the calculation device 14).
  • the control command output device 15 is a device that determines control commands for the ventilation device 2 and other air conditioning equipment using the learned parameters and outputs the commands to the control target device. As shown in FIG. 1, when the parameter learning device 1 and the ventilation device 2 are configured by different hardware, the control command output device 15 and the control target device are connected by a communication network device such as a LAN, a serial network, and a dedicated wiring. Is done. The control command output device 15 may not be provided. Instead of providing the control command output device 15, parameters learned by other devices and signals using the parameters are output to other devices, and the values and signals are used by other devices. Good.
  • the fan 2e is a device for generating an air flow that takes air outside the building into the room and exhausts the air outside the building. Usually, a fan for taking air outside the building into the room and a fan for discharging indoor air outside the building are installed separately.
  • the valve 2f is a device for switching the path of the air flow. For example, when air outside a building is taken into a room, it is used to switch between a route passing through the heat exchange unit 2g and a route not passing through.
  • the heat exchange unit 2g is a device for exchanging heat between air taken into the room from outside the building and air discharged from the room to outside the building.
  • the storage device 2a is a device for storing information necessary for performing measurement control in the ventilation device 2, and is a memory or the like.
  • the computing device 2b is a device that computes a control command to the fan 2e, the valve 2f, and the like, and is a processor or the like.
  • the measuring device 2c is a device that measures data of devices such as the fan 2e and the valve 2f.
  • the control command output device 2d is a device that outputs a control command to devices to be controlled such as the fan 2e and the valve 2f.
  • the CO 2 sensor 3 is a sensor for measuring the indoor CO 2 concentration, and is installed in the room of a building. Also, when installing the ventilation device 2 is installed in any of the routes of the air flow, it may be utilized as an alternative to the indoor CO 2 concentration. Also, sensors for measuring the CO 2 concentration outside of the building as well as the building may be provided.
  • FIG. 2 is a detailed configuration diagram of the parameter learning apparatus 1 according to the first embodiment.
  • 1 is a detailed view of the storage device 13 and the arithmetic device 14 in particular, and the control command output device 15 and the like that are not involved in parameter learning are omitted.
  • the figure also shows the ventilator 2 that transmits operation data and measurement data.
  • the storage device 13 stores learning conditions used for parameter learning in the model parameter learning unit 14a of the arithmetic device 14, operation data, measurement data, and a CO 2 concentration change model.
  • the learning conditions include facility information related to an air conditioning system including a ventilator, a start condition for determining the start of parameter learning, an end condition for determining the end of learning, and the like.
  • the period is a start condition, and the storage device 13 holds, for example, operation data and measurement data within the period.
  • the measurement data is composed of a operation data ventilator past predetermined period, the past predetermined CO 2 concentration data measured by CO 2 sensor in the period.
  • the operation data of the ventilator is representative of the ventilator output at each time (ON / OFF, strong / medium / weak, discrete output%, continuous output%, etc.), ventilation air volume (m 3 ), etc.
  • the present invention is not limited to this.
  • the strong / medium / weak and stop of the output of the ventilator will be described as operation data of the ventilator.
  • the data time interval is, for example, 5 minutes, but is not limited to this.
  • a shorter one like 1 minute is preferable, but it may be 10 minutes, 30 minutes, or the like. Even if the stored data is at 1-minute intervals due to the processing capacity of the storage device 13 and the computing device 14, the calculation time allowed for model creation, etc., when used for learning, it is thinned out at intervals of 5 minutes. May be used. Further, the operation data of the ventilator 2 and the CO 2 concentration data may be stored at different time intervals.
  • the CO 2 concentration change model is composed of a model expression representing a CO 2 concentration change as described later, a design parameter used in the model expression, a variation parameter, and a known parameter.
  • the design parameter is a parameter that does not change with time of the building, such as a ceiling height, a design ventilation air volume, and the like.
  • the fluctuation parameter is a parameter that correlates with the amount of CO 2 generated and changes with time, for example, a time change of a person generating CO 2 in a building.
  • an office building is assumed to be a building, and the main CO 2 generation source is assumed to be an office worker.
  • the present invention is not limited to this.
  • Other CO 2 generation sources include CO 2 generation by combustion equipment.
  • a known parameter is a parameter that does not change with time, and is similar to a design parameter in that respect, but is always treated as a constant in the model formula without being updated by learning.
  • the known parameter is a known parameter that can be set in advance by the user based on information at the time of facility design or literature data, and is, for example, the outside air CO 2 concentration, the amount of CO 2 generated per person, or the like.
  • the design parameter and the variation parameter are learning results by the model parameter learning unit 14 a of the arithmetic device 14. When learning has never been performed, appropriate values may be stored in advance as design parameters and variation parameters.
  • the model formula may not be stored in the storage device 13 but may exist as a circuit in the arithmetic device 14.
  • the known parameter is treated as a constant that is not a learning target, but may be changed such as a value that varies depending on the area where the system is installed. If any of the design parameters has a known value based on information at the time of facility design, the parameter may be classified as a known parameter.
  • the computing device 14 includes a model parameter learning unit 14a.
  • the model parameter learning unit 14a includes a CO 2 concentration calculation unit, a design parameter learning unit, and a variation parameter learning unit.
  • the computing device 14 is a processor of a CPU (central processing unit)
  • the CO 2 concentration computing unit, the design parameter learning unit, and the variation parameter learning unit are calculation programs.
  • the arithmetic processing may be performed using an electric circuit other than the CPU.
  • CO 2 concentration calculation section by using an arithmetic rule of the model formula, the design parameters, change parameters, and calculates the CO 2 concentration from the operation data of the ventilation device.
  • the design parameter learning unit and variable parameter learning unit compares the measured data is the actual CO 2 concentration obtained in the measurement of CO 2 concentration and the CO 2 sensor 3 obtained by the calculation of the CO 2 concentration calculation unit, from the comparison
  • the design parameter and the variation parameter are learned so that the difference between the two becomes small.
  • the CO 2 concentration calculation unit may calculate a value correlated with the CO 2 concentration instead of the CO 2 concentration itself and compare it with the measurement data.
  • the comparison may be performed using a value obtained by multiplying the CO 2 concentration by a constant. Calculation of the CO 2 concentration in the present invention, and configured to compare the CO 2 concentration obtained by the calculation and the measurement data is intended to include also such cases.
  • a differential equation representing a time change of a general CO 2 concentration is shown in (Formula 1).
  • Factors that affect the CO 2 concentration include ventilation, gap air volume, human body CO 2 generation, and room volume.
  • Equation 2 a differential equation representing a time change of the CO 2 concentration per unit floor area
  • the time change of the occupants is the occupancy rate at each time, for example, every hour, for example, 1 when all persons who can be present are present, and 0 when no one is present. Take.
  • the time change of ventilation is a ratio with respect to the rated ventilation volume at each time, for example, every hour, and takes a value of 1 when the rated air volume is reached and 0 when stopped.
  • Equation 2 there are four types: ceiling height (m), design ventilation air volume (m 3 / person ⁇ h), design occupancy density (person / m 2 ), and number of ventilation times equivalent to draft air (times / h). It is a design parameter. Moreover, the time change of the occupant is a variation parameter. The amount of CO 2 generated per person and the outside air CO 2 concentration are known parameters. Moreover, the time change of ventilation is a value corresponding to the operation data of the ventilator. With these parameters and operation data, the time change of the indoor CO 2 concentration in the building can be obtained by the operation of integrating the right side of the equation (Equation 2) in order along the time.
  • variable parameter by using a variation of the CO 2 concentration of the predetermined time period, when learning the design parameters, the initial value of the room of the CO 2 concentration, a CO 2 sensor 3 obtained in the first point in the predetermined time period A measured value may be used.
  • FIG. 3 is a flowchart showing a parameter learning procedure.
  • the parameter learning process flow is executed at least once when the parameter learning apparatus 1 is introduced. However, it is executed after data collection necessary for learning the model, for example, data collection for one week is completed.
  • the operation data of the ventilation device and the measurement data of the CO 2 sensor are stored in the storage device. Each data is stored together with the time when the data was acquired.
  • the storage cycle may be, for example, an interval of 1 to 60 minutes. Further, the interval at which data is acquired is not limited to a fixed value. For example, the data may be set to be stored more frequently during the day than at night.
  • the parameter start condition is determined as in step ST2 in the figure, and if the condition is satisfied, the process from step ST3 is performed, and if not satisfied, the acquisition and storage of data are continued.
  • the start condition is, for example, that data collection for one week is completed as described above.
  • One week is an example, and a period may be set according to the accuracy required for the model, the storage capacity of the storage device 2, and the like.
  • the data may be one day, two weeks, or 1 You may set to memorize
  • the learning processing flow shown in FIG. 3 may be executed periodically. For example, learning may be performed by executing learning once a day and updating each parameter. By doing in this way, the time change of the occupant who changes in reality can be learned by using the latest data, and the change of the occupant in time according to the actual situation can be learned. In addition, with respect to design parameters, it can be expected that errors in learning results due to data fitting will be improved. That is, the model is updated every day to a model close to the immediately preceding situation. For example, the execution once a day may be executed immediately before the planning of the ventilation volume schedule, which will be described later (described in the use example of CO 2 concentration prediction), but it is not necessary to limit to this timing.
  • the information regarding when to execute these executions may be stored as a part of the learning condition of the storage device 2. For example, it is stored once a day, automatically at 21:00 only when the next day is a weekday.
  • an instruction may be given from the input / output device 11 as a start condition, and an administrator or the like may input an instruction from the input / output device 11 at an arbitrary timing to perform calculation processing after ST3. .
  • the period and time interval of data used for learning need not be the same each time. For example, the execution at the time of introduction may be learned using data for one week, and the execution once a day may be learned using data for one day.
  • the stored operation data, measurement data, and learning conditions are read from the storage device 12 into the arithmetic device.
  • the operation data and measurement data are ventilation device operation data and CO 2 concentration data in a predetermined past period given by the learning condition. Of the data stored in the past, only data for a specific period may be selected and read. For example, the learning condition may be set so that only weekday data is read except for holidays.
  • the time change of the ventilation amount is calculated from the operation data of the ventilation device. For example, when the operation data pattern of the ventilator is given as the operation state at each time as strong, medium, weak, or stopped, the time change of the ventilation amount is calculated from the operation data pattern and the rated air volume of the ventilator.
  • the variation parameter is given as a fixed time variation pattern, and the design parameter is learned.
  • the CO 2 concentration calculation unit and the design parameter learning unit in the model parameter learning unit are used.
  • the change of the value described in the description of the design parameter learning unit is normally repeated a plurality of times to advance the learning.
  • the variation parameter is the time change of the occupant in the room.
  • the occupancy rate of the building or each room is normally 1 in the time zone in which the building or room is used, that is, the data that all people are occupying is used. .
  • the design parameters are the ceiling height (m), the design ventilation air volume (m 3 / person ⁇ h), the design occupancy density (person / m 2 ), and the gap air There are four types of equivalent ventilation frequency (times / h).
  • the design parameter learning unit sets each of these four design parameters to a certain value. As the initial value of the design parameter, a value typically known in a similar building can be used.
  • these values and the time change of the ventilation volume obtained in step ST4 are input to the equation (Equation 2), and the time change of the CO 2 concentration over a predetermined period is input. Calculate. In this way, the CO 2 concentration at each time when the measurement data is collected is obtained.
  • the design parameter learning unit compares the CO 2 concentration obtained by the calculation with the CO 2 concentration of the measurement data.
  • the difference between the two values to be compared is calculated by, for example, RMSE (root mean square error), and the value is used as the evaluation value of the design parameter.
  • RMSE root mean square error
  • the CO 2 concentration calculation unit inputs the time change of the ventilation amount and the fluctuation parameter into the equation of the CO 2 concentration change model for a predetermined period.
  • the time change of the CO 2 concentration at is obtained by calculation. It should be noted that how to change the design parameter is set in advance in the learning condition.
  • the difference between this result and the measured data of the CO 2 concentration in a predetermined period is calculated by RMSE, and the value is changed as an evaluation value of the design parameter. If the evaluation value of the changed design parameter is smaller than the evaluation value calculated before the change, it is determined that the value is a more correct value, and the design parameter value is updated. However, if the evaluation value does not change or increases, it is not updated.
  • the design parameter learning unit At least one value of the design parameters is changed to another different value, and the evaluation value of the design parameter is calculated in the CO 2 concentration calculation unit. Similarly, the design parameter learning unit calculates the evaluation value, and if the evaluation value decreases, the design parameter value is updated. If the evaluation value does not decrease, the process of not updating is repeated. By sequentially changing the four design parameters, the design parameters are updated so that the difference between the CO 2 concentration obtained by calculation and the CO 2 concentration obtained by actual measurement becomes small.
  • RMSE is an example, and evaluation may be performed using an index different from this. Further, even when the evaluation value increases, for example, it may be allowed to update probabilistically. In addition, for example, evaluation may be performed by setting a time zone in which accuracy is emphasized so that the difference between the calculated value of the CO 2 concentration and the actual measurement data is as small as possible in the daytime compared to that in the nighttime.
  • the process proceeds to the next step ST6. Further, it is preferable to proceed to the next step ST6 also when the evaluation value does not fall within the predetermined range even when the calculation is repeated for a certain number or for a certain period of time.
  • the upper and lower limit values may be set to some reasonable values such as information at the time of facility design, literature values, and the like. These values are stored in the storage device 13 as learning conditions. In learning of design parameters, learning is advanced so that the value of each design data does not deviate from the upper and lower limit values.
  • the design parameter value is given as a fixed value, and the variation parameter is learned.
  • the change of the occupancy rate described in the description of the variable parameter learning unit is usually repeated a plurality of times to advance learning.
  • the CO 2 concentration calculation unit and the fluctuation parameter learning unit in the model parameter learning unit are used.
  • Temporal change of ventilation obtained in step ST4 calculates the CO 2 concentration in the CO 2 concentration calculation unit using design parameters learned in step ST5, and the fluctuation parameter is the occupancy rate of each time.
  • the fluctuation parameter learning unit compares the CO 2 concentration obtained by the CO 2 concentration calculation unit with the measurement data of the CO 2 concentration. For example, the value of this variation parameter is evaluated by RMSE (root mean square error) or the like.
  • the variation parameter is also changed at different times, and the variation parameter is sequentially updated to the variation parameter to learn the variation parameter.
  • the variation parameter is updated so that the difference between the CO 2 concentration obtained by the calculation and the CO 2 concentration obtained by the actual measurement becomes small.
  • Step ST6 is repeated until the evaluation value falls within a certain range, and the variation parameter is updated. If the evaluation value falls within a certain range, the process proceeds to the next step ST7. Further, it is preferable to proceed to the next step ST7 also when the evaluation value does not fall within a predetermined range even when the calculation is repeated for a certain number or for a certain period of time. Further, when changing the value of the variation parameter, the upper and lower limit values may be set. These values are stored in the storage device 13 as learning conditions. In the learning of the variation parameter, the learning is advanced so that the value of each data does not deviate from the upper and lower limit values.
  • RMSE is an example, and evaluation may be performed using an index different from this. Further, even when the evaluation value increases, for example, it may be allowed to update probabilistically. In addition, for example, evaluation may be performed by setting a time zone in which accuracy is emphasized so that the difference between the calculated value of the CO 2 concentration and the actual measurement data is as small as possible in the daytime compared to that in the nighttime.
  • the same evaluation value as that used in step ST5 of the previous parameter learning may be used.
  • the same evaluation value as the evaluation of the design parameter in the previous step ST5 is used as the evaluation of the variation parameter
  • the variation parameter used in the last calculation of ST5 and the evaluation value are stored and used in step ST6. May be.
  • step ST6 the value of the fluctuation parameter used in the last calculation in step ST5 is changed at least at one time, and the evaluation value is calculated and compared with the stored evaluation value of the fluctuation parameter. .
  • a value different from that of the design parameter learning unit may be used as the evaluation value.
  • the evaluation value of the changed variation parameter is obtained after obtaining the evaluation value using the variation parameter used in the last calculation of step ST5 as the initial value. Obtain and compare values. It should be noted that how to change the variation parameter is preset in the learning condition.
  • a plurality of patterns may be generated for the time change of the occupancy rate, which is a variable parameter, depending on the operation state of the target building. For example, a different pattern may be used for weekdays and holidays, and when there is a restriction on the occupancy time zone on a specific day of the week, the day of the week may be different from other days of the week.
  • the occupancy rate of a person who becomes a CO 2 generation source such as a holiday is very small, or when the effect of learning is small, such as when the effect of energy saving control of the ventilator 2 is small, it may be excluded from learning.
  • next step ST7 it is determined whether or not the CO 2 concentration calculated by the design parameter and the variation parameter learned through step ST5 and step ST6 satisfies a predetermined accuracy.
  • a predetermined accuracy As a method for evaluating whether or not the accuracy is satisfied, the same evaluation method as that used in the design data learning unit and the variation parameter learning unit, for example, RMSE may be used, or a different evaluation method may be used. If the evaluation value falls within a predetermined range, the process satisfies the end condition (YES) and proceeds to the next step ST8. If the evaluation value does not fall within the range, the end condition is not satisfied (NO), and the process returns to step ST5 to perform learning again. .
  • step ST5 and step ST6 may be repeated a predetermined number of times, or a predetermined time may elapse after the start of learning.
  • step ST8 the design parameter and the variation parameter obtained in the last learning step immediately before are stored in the storage device as a learning result.
  • step ST5 and step ST6 may be reversed, and the number of learning iterations in step ST5 and the number of learning iterations in step ST6 may not be the same. Further, the number of repetitions of learning may be changed according to the number of repetitions of step ST5 and step ST6. For example, as the number of repetitions progresses, the number of repetitions may be gradually increased or decreased at a fixed ratio or a probabilistic ratio, or the number of repetitions may be increased or decreased every predetermined number of times.
  • step ST5 and step ST6 are repeatedly performed, the criterion of the evaluation value that shifts from one step to the next step may be changed to a stricter criterion as the number of repetitions increases.
  • the learning conditions can be variously changed, and need not be limited to these.
  • FIG. 4 to 6 are configuration diagrams showing modified examples of the system including the parameter learning device 1.
  • FIG. 4 is a configuration diagram when the CO 2 sensor 3 is provided in the ventilation device 2.
  • CO 2 sensor 3 is installed in any of the routes of the internal air flow of the ventilation device 2, CO 2 concentration measured by the CO 2 sensor 3 is used as the CO 2 concentration in the chamber.
  • This figure shows that the CO 2 concentration data of the CO 2 sensor 3 is stored in a part of the control circuit of the ventilation device 2 and transmitted to the measuring device 12 in the parameter learning device 1 together with the operation data of the fan 2e and the like.
  • CO 2 CO 2 concentration data of the sensor 3 may be transmitted directly to the measuring device 12 of the parameter learning apparatus 1.
  • FIG. 5 is a configuration diagram when the parameter learning device 1 is included in a part of the control device in the ventilation device 2.
  • FIG. 6 shows a configuration in which the parameter learning device 1 is included in the ventilator 2 as in FIG. 5, but the CO 2 sensor 3 is installed outside the ventilator 2.
  • the parameter learning device 1 may be an air conditioning controller that manages both the air conditioner and the ventilation device.
  • the parameter learning device 1, the ventilation device 2, and the CO 2 sensor 3 can be arranged in various ways.
  • operation data, measurement data, design parameters, variation parameters, and known parameters are stored in one storage device 13, but the storage device 13 may be composed of a plurality of storage devices. For example, different data may be stored in different storage devices. Similarly, the arithmetic device 13 may be divided into a plurality of hardware.
  • the ventilation device 2 is described as if it were one unit. However, when a plurality of ventilation devices 2 exist, parameter learning may be performed individually for each ventilation device 2. . Further, the plurality of ventilators 2 may be collectively considered as one ventilator 2 having a large capacity, and parameter learning may be performed. At this time, how the operation data of the plurality of ventilation devices 2 and the measurement data of the CO 2 sensor are integrated and stored is stored in the storage device 13 as a learning condition.
  • the operation data of the ventilation device 2 that ventilates the air in the building the measurement data of the CO 2 sensor 3 that measures the CO 2 concentration in the building, and the generation of CO 2 in the building
  • a storage device 13 is provided for storing a variation parameter that correlates with a temporal change in quantity and a design parameter that does not change over time.
  • operation data of a ventilation device that ventilates the air in the building measurement data of a CO 2 sensor that measures the CO 2 concentration in the building, and a variation parameter that correlates with a temporal change in the amount of CO 2 generated And design parameters that do not change with time, and calculate the CO 2 concentration in the building using the variation parameters, the design parameters, and the operation data. Then, as a result of the calculation, the obtained CO 2 concentration is compared with the measurement data, and the variation parameter and the design parameter are learned so that the difference between the two becomes small.
  • These fluctuating parameters and design parameters are used for creating a schedule for energy saving operation of the ventilator 2, and are useful for improving the energy saving performance in consideration of time.
  • the calculation device 14 performs learning of design parameters and learning of variation parameters independently.
  • learning of the design parameters as constant fluctuation parameter, the CO 2 concentration was calculated by changing the design parameters, comparing calculation results and measurement data.
  • the result of the comparison operation satisfies a predetermined condition, learning is performed so that the design parameter is updated with the changed design parameter.
  • the variable parameter a constant design parameters, the CO 2 concentration was calculated by changing the fluctuation parameter, comparing calculation and the measurement data.
  • learning is performed so that the variation parameter is updated with the variation parameter.
  • the time change of the personnel in the building is used as the fluctuation parameter, not only the amount of CO 2 generated, but also the introduction of an entrance / exit management system that directly counts the number of people, for example, It is also possible to estimate temporal changes in water, electricity, etc. that people use in the building.
  • FIG. 7 is a detailed configuration diagram of the parameter learning device 1 according to the second embodiment.
  • the configuration of the system including the parameter learning device 1 is the same as the configuration shown in FIGS. 1 and 4 to 6 in the first embodiment.
  • the configuration of the second embodiment is a configuration in which a function for predicting the future CO 2 concentration is added to the configuration of the first embodiment.
  • description of the same parts as those in the first embodiment will be omitted.
  • the figure also shows the ventilator 2 that transmits operation data and measurement data.
  • the storage device 13 includes prediction conditions, and future ventilation device operations.
  • the schedule and the predicted CO 2 concentration are stored.
  • the arithmetic device 14 includes a CO 2 concentration prediction unit 14b.
  • the CO 2 concentration prediction unit 14b is a calculation program.
  • the CO 2 concentration prediction unit 14b may be configured by an electric circuit or the like.
  • the prediction conditions stored in the storage device 13 and the future operation schedule of the ventilator are read out and used by the calculation device 14 when the CO 2 concentration prediction unit 14b calculates the future CO 2 concentration.
  • the future CO 2 concentration obtained by the calculation is stored in the storage device 13 as the predicted CO 2 concentration.
  • Prediction conditions are facility information about the target air conditioning system, prediction target period, and the like.
  • the future operation plan of the ventilator is an operation plan in the prediction target period, and is data in which operating states of the fan and the valve of the ventilator are determined at each time point in the period.
  • the predicted CO 2 concentration is a prediction result of the CO 2 concentration that changes with time with respect to the operation pattern of the future ventilator, which is a result calculated by the CO 2 concentration prediction unit 14b.
  • CO 2 concentration prediction unit 14b First, the CO 2 concentration predicting unit 14b inputs an operation plan of the ventilator in a predetermined period in the future, and calculates a temporal change in the ventilation amount corresponding to the operation plan. Instead of the operation schedule of the ventilation device, the time change of the ventilation amount itself may be given, and in this case, this calculation is unnecessary. Next, using the time variation of the calculated ventilation, CO 2 concentration calculation section of the model parameter learning unit 14a and calculates the CO 2 concentration similarly using model equation, the CO 2 concentration at a given future period Get the time change. A calculation program common to the model parameter learning unit 14a may be used for the calculation of the CO 2 concentration in the CO 2 concentration prediction unit 14b.
  • the ventilation device operation schedule is given as a time change in strength level such as strong, medium, weak, stop, etc., calculate the time change in ventilation rate from the time change pattern of the rated air flow and strength level of the ventilation device. Good. Further, in the first embodiment, when the operation data of the ventilation device is given as the time change of the intensity level, the time change of the ventilation amount may be calculated in the same manner.
  • FIG. 8 is a flowchart showing a processing procedure for CO 2 concentration prediction according to the second embodiment.
  • the prediction processing is started when an instruction to execute prediction is input from the input / output device 11 or another device, or at a preset designated time or every predetermined period.
  • the arithmetic unit 14 reads the operation schedule of the ventilator in each parameter, the predetermined period of prediction condition and future model equation of CO 2 concentration change model stored in the storage device 13.
  • step ST12 using the data read in step ST11, the time change of the ventilation amount corresponding to the operation pattern of the ventilator in a predetermined period in the future is calculated.
  • step ST13 each parameter of the CO 2 concentration change model and the time change of the ventilation amount are inputted and calculated in the model formula, and the time change of the CO 2 concentration in a predetermined future period is predicted.
  • a variation parameter correlated with the amount of CO 2 generated a parameter learned from past data is used as the same in the future.
  • the variation parameter is different on a specific day of the week or the like, the variation parameter of a specific day in the past may be used for a predetermined period in the future.
  • step ST14 stores the CO 2 concentration prediction result in the storage device 13.
  • FIG. 9 is an explanatory diagram of the CO 2 concentration prediction process of the second embodiment.
  • the left side of the figure shows the time change of the ventilation volume read in step ST11.
  • the time change of the ventilation volume is how the ventilation volume changes with time as shown in the figure, and can be shown as a ventilation volume pattern.
  • the center of the figure is a CO 2 concentration change model read in step ST11, which is a design parameter, a variation parameter, a known parameter, and a model formula.
  • Variation parameter is a parameter that correlates the time variation of CO 2 emissions, it is either CO 2 emissions as figure how to vary over time, it can be expressed as for example CO 2 emissions pattern .
  • Prediction CO 2 concentration is how data representing whether the CO 2 concentration against time, obtained as the predicted CO 2 concentration patterns such as FIG.
  • CO 2 concentration prediction draft ventilation schedule
  • energy saving control of the ventilation device 2 using CO 2 concentration prediction will be described.
  • a control command to the ventilator 2 is determined at each time according to the outside air temperature, CO 2 concentration, etc. at that time.
  • energy saving performance in a long period such as one day is insufficient.
  • One day is just an example, and it is not particularly limited as long as it shows a certain time zone such as several hours or several days.
  • Such a time shift of ventilation cannot be realized by conventional control in which a control command for the ventilation device 2 at that time is determined at each time.
  • a ventilation volume schedule for 24 hours the next day once a day. Need to be planned in advance, for example, at 21:00 the night before.
  • the CO 2 concentration prediction obtained in the second embodiment can be used for planning the ventilation volume schedule in this way.
  • the parameter learning device 1 of the air conditioning system according to the second embodiment is a device for realizing such energy-saving operation.
  • the ventilation schedule may be planned only when the next day is a weekday, or several hours such as 6 hours, 12 hours, etc., or 23:00 at night or 3 in the morning. You may do it.
  • the time interval of a ventilation volume schedule is planned, for example for every 30 minutes, it is not necessary to limit to this time interval.
  • the fluctuation parameter correlated with the time change of the CO 2 generation amount is a parameter correlated with the change of at least one day. Further, in order to obtain such a fluctuation parameter for one day or more by learning, it is desirable that operation data and measurement data for the past one day or more are stored in the storage device 13.
  • the parameter learning device 1 of the second embodiment predicts the future CO 2 concentration using the variation parameter, the design parameter, and the known parameter obtained by learning in addition to the configuration of the first embodiment. Therefore, there is an unprecedented remarkable effect that it can be used for energy saving control of the ventilator, such as creation of a ventilation volume schedule for the next day, which is energy saving in total for one day.
  • FIG. 10 is a detailed configuration diagram of the parameter learning device 1 according to the third embodiment of the present invention. Since the relationship between the ventilation device 2 and the CO 2 sensor 3 is the same as that in FIGS. 1 and 4 to 6 described in the first embodiment, the description thereof is omitted. In addition, the figure also shows the ventilator 2 that transmits operation data and measurement data.
  • the parameter learning device 1 creates a temporal change in the amount of heat generated inside the building. This calorific value is an average value generated inside the building, and the change with time is created as an internal heat generation pattern.
  • the amount of heat generated inside the building is correlated with the amount of CO 2 generated.
  • the source of CO 2 is a person
  • the heat generated by the person and the heat generated by the equipment used by the person are roughly determined by the personnel in the building.
  • this correlation is a proportional relationship.
  • an internal heat generation pattern model in which the heat generation amount inside the building has a correlation with the CO 2 generation amount is used, and the internal heat generation is based on the relational expression between the heat generation amount and the CO 2 generation amount. Create a pattern.
  • a proportional expression is simple as a relational expression
  • other functional expressions for example, a linear function of CO 2 generation amount, or the like may be used.
  • These relational expressions may be values obtained by calculating from the average amount of heat generated by a person or the amount of heat generated by equipment used by a person, or may be relational expressions obtained empirically.
  • the storage device 13 and the arithmetic device 14 having different configurations from the first embodiment will be described. Since the functions and processing contents of the other components are the same as those in the first embodiment, description thereof will be omitted.
  • the storage device 13 stores learning conditions used for parameter learning in the model parameter learning unit 14a of the arithmetic device 14, operation data, measurement data, a CO 2 concentration change model, and an internal heat generation pattern.
  • Learning conditions are facility information about the target air conditioning system, operation data used for parameter learning, a predetermined period of measurement data, a learning end condition, and the like.
  • the amount of heat generated per person is stored in addition to the learning conditions required in the first embodiment.
  • the amount of heat generation per person includes at least one of human body heat generation and device heat generation.
  • the human body heat generation is given as 100 W per person from literature data, for example.
  • the device heat generation is heat generation converted from power consumption by a PC, an outlet, lighting, or the like related to one person, for example. These are merely examples, and it is not necessary to limit to such a setting method, and it may be set appropriately according to the amount of activity of the target occupant and the operation state of the device.
  • internal heat generated regardless of the number of people in the room may be stored.
  • the measurement data is composed of historical and operational data of the ventilation device of a predetermined period of time, in the predetermined time period measured by the CO 2 sensor and the CO 2 concentration data.
  • the specific data contents are the same as those in the first embodiment.
  • the CO 2 concentration change model is the same as that of the first embodiment, and includes a design parameter, a variation parameter, and a known parameter.
  • the variation parameter is a time change of the occupant in the room and is learned by the variation parameter learning unit of the model parameter learning unit 14a.
  • the internal heat generation pattern is an average internal heat generation time change pattern during the data period used for model learning, and is created by the internal heat generation pattern creation unit of the model parameter learning unit 14a. For example, a 24-hour pattern such as every 5 minutes or every 30 minutes. Further, the internal heat generation pattern may include a plurality of patterns.
  • the computing device 14 includes a model parameter learning unit 14a.
  • the model parameter learning unit 14a includes a CO 2 concentration calculation unit, a design parameter learning unit, a variation parameter learning unit, and a time change calculation unit of internal heat generation.
  • the internal heat generation time change calculation unit may be independent of the model parameter learning unit 14a.
  • the hardware of the computing device 14 provided with the time change computing unit for internal heat generation and the hardware of the computing device 14 provided with the model parameter learning unit 14a may be different.
  • the functions of the design parameter learning unit and the variation parameter learning unit are the same as those in the first embodiment.
  • the internal heat generation time change calculation unit calculates an internal heat generation pattern representing an average time change of internal heat generation and stores the result in the storage unit 13.
  • the time change of the occupant being the learning result of the variable parameter learning unit, the design occupancy density that is the learning result of the design parameter learning unit, the floor area that is a known parameter, and the learning condition per person
  • the amount of generated heat is read from the storage device 13.
  • the time change of the occupant is multiplied by the design occupancy density, the floor area, and the heat generation amount per person, and this is stored in the storage unit 13 as an internal heat generation pattern.
  • the internal heat generation generated regardless of the number of people in the room is stored in the storage unit 13
  • the internal heat generation generated regardless of the number of people in the room is added to the data of each time of the calculated internal heat generation pattern. Is newly stored in the storage unit 13 as an internal heat generation pattern.
  • the above calculation is performed for each, and a plurality of internal heat generation patterns are created and stored in the storage device 13.
  • a plurality of internal heat generation patterns are created and stored in the storage device 13.
  • two internal heat generation patterns for weekdays and holidays may be used, or different internal heat generation patterns may be used depending on the day of the week, based on the same idea as the time change of the occupants described in the first embodiment.
  • the heat generation amount per person read from the storage device 13 may be only human body heat generation, or may be a combination of both human body heat generation and device heat generation. When both human body heat generation and device heat generation are combined, the heat generation of devices operating in conjunction with a person's occupancy pattern, such as PCs, outlets, and lighting, can also be estimated.
  • the parameter learning device 1 may include a power meter and a power measurement unit, and the measured power consumption of the device may be stored in the storage device 13.
  • data proportional to power consumption can be handled as device heat generation.
  • the storage unit 13 stores the amount of heat generated per person and the internal heat generated regardless of the number of people in the room.
  • the internal heat generation pattern obtained in this way can be treated as a prediction of a future internal heat generation pattern.
  • this future internal heat generation pattern can be used for planning an air conditioning schedule.
  • an air conditioning and ventilation schedule may be drafted from the prediction of CO 2 concentration and the prediction of internal heat generation.
  • the time of the heat generation amount inside the building is calculated using the correlation equation between the CO 2 generation amount and the heat generation amount inside the building, and the variation parameter and the design parameter obtained by learning. Calculate the change. From only the operation data of the ventilator 2 and the measurement data of the CO 2 sensor 3, an internal heat generation pattern that represents a change over time of the average internal heat generation can be created. Therefore, in a system including a ventilator that keeps the CO 2 concentration below a certain level, it is not necessary to separately measure the temperature in order to estimate the calorific value, and the configuration becomes simple.
  • the ventilation volume necessary for the outside air cooling performed when the outside air temperature is lower than the set temperature in the intermediate period can be appropriately determined.
  • the ventilation volume is increased when the internal heat generation is large, and the ventilation volume is decreased when the internal heat generation is small.
  • FIG. 11 is a detailed configuration diagram of the parameter learning device 1 according to the fourth embodiment of the present invention. Since the relationship between the ventilation device 2 and the CO 2 sensor 3 is the same as that in FIGS. 1 and 4 to 6 described in the first embodiment, the description thereof is omitted. In addition, the figure also shows the ventilator 2 that transmits operation data and measurement data.
  • the parameter learning device 1 creates a time change of power used in a building, that is, power consumption. This power consumption is an average value for the entire building, and the time change is created as a power consumption pattern.
  • the power consumption of the building is correlated with the amount of CO 2 generated.
  • the power consumption of a building by using the power consumption pattern and correlated with the amount of produced CO 2 the power consumption based on relationship between power consumption and CO 2 emissions pattern Create
  • a proportional expression is simple as a relational expression, other functional expressions, for example, a linear function of CO 2 generation amount, or the like may be used.
  • the relational expression may be an expression including a function that takes into account the outside air temperature and the amount of solar radiation.
  • the storage device 13 and the arithmetic device 14 having different configurations from the first embodiment will be described. Since the functions and processing contents of the other components are the same as those in the first embodiment, description thereof will be omitted.
  • production of internal heat generation is described, you may include power consumption, such as an air conditioner.
  • the storage device 13 stores learning conditions used for parameter learning in the model parameter learning unit 14a of the computing device 14, operation data, measurement data, a CO 2 concentration change model, and a power consumption pattern.
  • Learning conditions are facility information about the target air conditioning system, operation data used for parameter learning, a predetermined period of measurement data, a learning end condition, and the like.
  • the power consumption per person is stored in addition to the learning conditions required in the first embodiment.
  • the power consumption per person is, for example, the power consumption by a PC, outlet, illumination, etc. related to one person. These are examples, and it is not necessary to limit to such setting, and it may be set appropriately according to the operation state of the target occupant's equipment. Further, the power consumption generated regardless of the number of people in the room may be stored.
  • the power consumption per person and the power consumption generated regardless of the number of people in the room are the power consumption of the entire floor, the power consumption of each area in the floor, and the power consumption of each unit or multiple devices. Based on the catalog specifications of the devices, the number of devices, etc., the administrator or the like may manually set and store them, or the parameter learning device 1 may automatically calculate and store them using these information.
  • the measurement data is composed of a operation data ventilator past predetermined period, the CO 2 concentration data measured by CO 2 sensor in a predetermined period.
  • the specific data contents are the same as those in the first embodiment.
  • the CO 2 concentration change model is the same as that of the first embodiment, and includes a design parameter, a variation parameter, and a known parameter.
  • the variation parameter is a time change of the occupant in the room and is learned by the variation parameter learning unit of the model parameter learning unit 14a.
  • the power consumption pattern is an average power consumption time change pattern during the period of data used for model learning, and is created by the power consumption time change calculation unit of the model parameter learning unit 14a. For example, it is a 24-hour pattern such as every 5 minutes or every 30 minutes. In addition, there may be a plurality of power consumption patterns.
  • the computing device 14 includes a model parameter learning unit 14a.
  • the model parameter learning unit 14a includes a design parameter learning unit, a variation parameter learning unit, and a power consumption time change calculation unit.
  • the power consumption time change calculation unit may be independent of the model parameter learning unit 14a.
  • the hardware of the computing device 14 provided with the power consumption time change computing unit and the hardware of the computing device 14 provided with the model parameter learning unit 14a may be different.
  • the functions of the design parameter learning unit and the variation parameter learning unit are the same as those in the first embodiment.
  • the power consumption time change calculation unit calculates a power consumption pattern representing an average time change of power consumption, and stores the result in the storage device 13.
  • the time change of the occupant being the learning result of the variable parameter learning unit, the design occupancy density that is the learning result of the design parameter learning unit, the floor area that is a known parameter, and the learning condition per person
  • the power consumption is read from the storage device 13.
  • the time change of the occupant is multiplied by the design occupancy density, the floor area, and the power consumption per person, and this is stored in the storage unit 13 as a power consumption pattern.
  • the power consumption generated regardless of the number of people in the room is stored in the storage unit 13
  • the power consumption generated regardless of the number of people in the room is added to the data at each time of the calculated power consumption pattern. Is newly stored in the storage unit 13 as a power consumption pattern.
  • the power consumption per person read from the storage device 13 is the power consumption of a device such as a PC or a lighting device that operates in conjunction with a time change of a person in the room.
  • the calculation device 14 uses the correlation equation between the CO 2 generation amount and the power consumption inside the building, and the fluctuation parameter and the design parameter obtained by learning, thereby using the consumption inside the building. Calculate the time change of power. From only the operation data of the ventilator 2 and the measurement data of the CO 2 sensor 3, it is possible to create a power consumption pattern representing an average change in power consumption over time. Therefore, in a system including a ventilator that keeps the CO 2 concentration below a certain level, it is not necessary to separately measure data with a wattmeter in order to estimate the amount of power consumption, and the configuration is simplified.
  • the device heat generation pattern can be grasped, and when drafting the ventilation rate schedule for the next day, for example, the ventilation rate required for the outside air cooling performed when the outside air temperature is low relative to the set temperature in the intermediate period.
  • the effect is that it can be determined appropriately.
  • the internal heat generation is large, increase the ventilation amount, and when the internal heat generation is small, reduce the ventilation amount.
  • Each of the storage device 13 and the arithmetic device 14 may be configured by being divided into a plurality of hardware. A part or all of the storage device 13 and the arithmetic device 14 may be configured by an integrated hardware. In learning, the learning order of design parameters and variation parameters may be changed, or the design parameters and variation parameters may be learned simultaneously.
  • Parameter learning apparatus 1 air conditioning system, 2 ventilators, 11 input device, 12 measuring unit, 13 storage device, 14 computing device, 14a model parameter learning unit, 14b CO 2 concentration prediction unit, 15 control command output unit.

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Air Conditioning Control Device (AREA)
  • Ventilation (AREA)

Abstract

　換気装置でＣＯ２濃度を所定値以下にする設備において時間を考慮した省エネ性を向上するために必要となるパラメータを比較的簡単な構成で得ることを目的とする。　本発明のパラメータ学習装置１は、建物内の空気を換気する換気装置２の運転データと、前記建物内のＣＯ２濃度の計測データと、前記建物内のＣＯ２の発生量の時間変化に相関する変動パラメータと、時間変化しない設計パラメータと、を記憶する記憶装置１３と、前記変動パラメータと前記設計パラメータと前記運転データとから前記建物内のＣＯ２濃度を演算する演算装置１４と、を備え、前記演算装置１４は前記演算によって得たＣＯ２濃度と前記計測データとを比較して、前記変動パラメータおよび前記設計パラメータを学習する。

Description

パラメータ学習装置およびパラメータ学習方法
　この発明は、換気装置の省エネ運転で考慮されるパラメータを得る技術に関するものである。
　従来の空調制御において、ＣＯ２濃度に応じて換気装置を制御する制御システム、制御装置、制御方法が知られている。例えば特許文献１に開示されている技術では、建物内に取り込む外気のＣＯ２濃度と建物外に排気する室内空気のＣＯ２濃度とを計測して、室内のＣＯ２発生量を推定する。さらに、空調負荷の分布からエリア毎のＣＯ２濃度分布を推定し、推定結果を基にエリア毎の換気量を制御する。また、特許文献２に開示されている技術では、室内のＣＯ２濃度を計測し、ＣＯ２濃度を所定値以下にするために必要な外気量を室内に供給するよう外気用ファンを制御する。
特開２０１３－４７５７９号公報 特開２０１０－７１４８９号公報
　特許文献１および２に開示されている従来の空調制御では、各時刻でＣＯ２濃度の計測値から換気量を決定し制御する技術であるため、その時刻だけを見れば適切な換気制御が行われる。しかし、これらの文献の構成では、例えば１日トータルで必要となるエネルギーを考慮することができず、省エネ性は十分でない。
　そこで、本発明は、換気装置で建物内のＣＯ２濃度を所定値以下にする場合において、時間を考慮した省エネ性向上に有用となるパラメータを比較的簡単な構成で得ることを目的とする。
　本発明のパラメータ学習装置は、建物内の空気を換気する換気装置の運転データと、前記建物内のＣＯ２濃度の計測データと、前記建物内のＣＯ２の発生量の時間変化に相関する変動パラメータと、時間変化しない設計パラメータと、を記憶する記憶装置と、前記変動パラメータと前記設計パラメータと前記運転データとから前記建物内のＣＯ２濃度を演算する演算装置と、を備え、前記演算装置は前記演算によって得たＣＯ２濃度と前記計測データとを比較して、前記変動パラメータおよび前記設計パラメータを学習することを特徴とする。
　また、本発明のパラメータ学習方法は、建物内の空気を換気する換気装置の運転データと、前記建物内のＣＯ２濃度を計測するＣＯ２センサの計測データと、ＣＯ２の発生量の時間変化に相関する変動パラメータと、時間変化しない設計パラメータと、を記憶し、
　前記変動パラメータと前記設計パラメータと前記運転データとを用いて前記建物内のＣＯ２濃度を演算し、前記演算の結果得たＣＯ２濃度と前記計測データとを比較して、両者の差が小さくなるように、前記変動パラメータおよび前記設計パラメータを学習することを特徴とする。
　建物内の空気を換気する換気装置の運転データと前記建物内のＣＯ２濃度を計測するＣＯ２センサの計測データとから、建物内のＣＯ２の発生量の時間変化に相関する変動パラメータと時間変化しない設計パラメータとを学習するので、時間を考慮した省エネ性を向上するために有用となるパラメータを比較的簡単な構成で得ることができる。
本発明の実施の形態１のパラメータ学習装置を備えたシステムの構成図である。 本発明の実施の形態１のパラメータ学習装置の詳細構成図である。 本発明の実施の形態１のパラメータの学習手順を示すフローチャートである。 本発明の実施の形態１のパラメータ学習装置を備えたシステムの変形例を示す構成図である。 本発明の実施の形態１のパラメータ学習装置を備えたシステムの変形例を示す構成図である。 本発明の実施の形態１のパラメータ学習装置を備えたシステムの変形例を示す構成図である。 本発明の実施の形態２のパラメータ学習装置の詳細構成図である。 本発明の実施の形態２のＣＯ２濃度予測の処理手順を示すフローチャートである。 本発明の実施の形態２のＣＯ２濃度予測処理の説明図である。 本発明の実施の形態３のパラメータ学習装置の詳細構成図である。 本発明の実施の形態４のパラメータ学習装置の詳細構成図である。
＜実施の形態１．＞
　本発明の実施の形態１のパラメータ学習装置は換気装置、空調機器の制御に使用されるパラメータを学習する装置である。図１は、本実施の形態１のパラメータ学習装置１を利用して換気装置２の運転を制御するシステムの構成図である。この図は、パラメータ学習装置１が、換気装置２と別のハードウェアで構成されている例を示している。パラメータ学習装置１は、入出力装置１１、計測装置１２、記憶装置１３、演算装置１４、制御指令出力装置１５により構成される。なお、データの送受信または制御指令などの信号によって結ばれる部品間の信号の送受信は図中に点線で示した。
　換気装置２は、記憶装置２ａ、演算装置２ｂ、計測装置２ｃ、制御指令出力装置２ｄ、ファン２ｅ、弁２ｆ、熱交換ユニット２ｇにより構成される。制御指令を受けて換気動作を行う装置であるファン２ｅ、弁２ｆと、それらに制御指令を出力する制御装置である、記憶装置２ａ、演算装置２ｂ、計測装置２ｃ、制御指令出力装置２ｄとに分けられている。なお、図１では、換気装置２の構成要素として、一般的、主要な構成要素について列挙しただけであり、これら全ての構成要素２ａから２ｇを備えている必要はなく、図示していない構成要素を備えていてもよい。また、システムでは建物内のＣＯ２濃度を測定するＣＯ２センサ３を備える。図はＣＯ２センサ３を別体とした例であるが、換気装置２の一部に設けるようにしてもよい。
　次に各装置に含まれる部分について説明する。まず、パラメータ学習装置１を構成する部分を説明する。
　（入力装置１１）
　入力装置１１は、管理者等のユーザによって行われた入力を受け入れて、記憶装置１３に情報を書き込み、記憶装置１３に保存されている情報を読み出して、ユーザに表示する装置である。入出力装置１１が記憶装置１３に書きこむ情報は、例えば、換気装置の管理情報、演算装置１４でパラメータの学習演算を行う際に使用する学習条件等である。入出力装置１１が記憶装置１３から読み出す情報は、例えば入力結果、学習結果等である。これら情報の詳細については、（記憶装置１３の詳細）で説明する。入出力装置１１は、例えばキーボード、マウス、タッチパネル、スイッチ等の入力に用いる装置と、例えばディスプレイ等の出力に用いる装置とを有する。
　（計測装置１２）
　計測装置１２は、換気装置２の記憶装置２ａに記憶されている換気装置２のファン２ｅ、弁２ｆ等の運転データと、ＣＯ２センサ３の計測データと、を収集する装置である。図１のように、パラメータ学習装置１と換気装置２とＣＯ２センサ３とが異なるハードウェアで構成される場合は、それらの要素部品間がＬＡＮ、シリアルネットワーク、専用配線等の通信ネットワーク装置で接続される。
　（記憶装置１３）
　記憶装置１３は、入出力装置１１により入力されたデータと、計測装置１２により計測されたデータと、演算装置１４による演算結果を記憶する装置である。具体的には、メモリ、ハードディスクドライブ等である。記憶する情報の詳細については、後述の（記憶装置１３の詳細）で説明する。
　（演算装置１４）
　演算装置１４は、記憶装置１３からパラメータの学習に必要な各種データを読み出し、各種データからパラメータの学習を行い、その結果を記憶装置１３に保存する装置である。具体的には、プロセッサ、演算用回路などである。演算内容の詳細については、後述の（演算装置１４の詳細）で説明する。
　（制御指令出力装置１５）
　制御指令出力装置１５は、学習したパラメータを用いて、換気装置２、その他の空調設備の制御指令を決定し、その指令を制御対象装置へ出力する装置である。図１のように、パラメータ学習装置１と換気装置２が異なるハードウェアで構成される場合は、ＬＡＮ、シリアルネットワーク、専用配線等の通信ネットワーク装置で制御指令出力装置１５と制御対象装置とが接続される。なお、制御指令出力装置１５を備えない構成としてもよい。制御指令出力装置１５を備えないかわりに、他の装置に学習したパラメータ、そのパラメータを用いた信号を他の機器に出力して、他の機器でそれらの値、信号を利用するようにしてもよい。
　次に、換気装置２を構成する部分を説明する。ファン２ｅは、建物外の空気を室内に取り入れ、室内の空気を建物外に排出する、空気の流れを生成するための装置である。通常、建物外の空気を室内に取り入れるためのファンと、室内の空気を建物外に排出するファンが個別に設置される。弁２ｆは、前記空気の流れの経路を切り替えるための装置である。例えば、建物外の空気を室内に取り入れる場合、熱交換ユニット２ｇを経由する経路と、経由しない経路を切り替えるために用いられる。熱交換ユニット２ｇは、建物外から室内に取り入れる空気と、室内から建物外に排出する空気との間で熱交換を行うための装置である。
　記憶装置２ａは、換気装置２における計測制御を行うために必要な情報を記憶する装置であり、メモリ等である。演算装置２ｂは、ファン２ｅ、弁２ｆ等への制御指令を演算する装置であり、プロセッサ等である。計測装置２ｃは、ファン２ｅ、弁２ｆ等の機器のデータを計測する装置である。制御指令出力装置２ｄは、ファン２ｅ、弁２ｆ等の制御対象機器への制御指令を出力する装置である。
　ＣＯ２センサ３は、室内のＣＯ２濃度を計測するセンサであり、建物の室内に設置される。また、換気装置２に設置する場合は空気の流れの経路のいずれかに設置し、室内のＣＯ２濃度の代替として利用してもよい。また、建物内だけでなく建物外のＣＯ２濃度を計測するセンサも設置してもよい。
　図２は本実施の形態１のパラメータ学習装置１の詳細構成図である。図１のうち特に記憶装置１３と演算装置１４を詳細化した図であり、パラメータの学習に関与しない制御指令出力装置１５等は省略した。以下、記憶装置１３と演算装置１４の詳細な構成について説明する。なお、図では運転データ、計測データを送信する換気装置２も示した。
　（記憶装置１３の詳細）
　記憶装置１３は、演算装置１４のモデルパラメータ学習部１４ａでのパラメータ学習に用いられる学習条件と、運転データ、計測データと、ＣＯ２濃度変化モデルと、を記憶する。
　学習条件は、換気装置を含む対象とする空調システムに関する設備情報、パラメータ学習の開始を判断するための開始条件、学習の終了を判断するための終了条件等である。所定の期間をおいて繰り返してパラメータ学習を行う場合、その期間が開始条件であり、記憶装置１３では、たとえば、その期間内の運転データ、計測データが保持される。
　運転データ、計測データは、過去の所定の期間の換気装置の運転データと、過去の所定の期間においてＣＯ２センサで計測したＣＯ２濃度データとから構成される。換気装置の運転データとは、各時刻の換気装置の出力（ＯＮ／ＯＦＦ、強・中・弱、離散的な出力％、連続的な出力％等）、換気風量（ｍ３）等が代表的であるが、これに限定されるものではない。以下、説明を簡単にするため、換気装置の出力の強・中・弱と停止を換気装置の運転データとして説明する。データの時間間隔は、例えば５分間隔であるが、これに限定する必要はない。モデルの精度の面からは１分間隔のように短い方が好ましいが、１０分間隔、３０分間隔等であってもよい。記憶装置１３、演算装置１４の処理能力、モデル作成のために許容される計算時間等により、記憶されているデータが１分間隔であっても、学習に使用するときは５分間隔等に間引きして用いてもよい。また、換気装置２の運転データとＣＯ２濃度データは、異なる時間間隔で記憶されてもよい。
　ＣＯ２濃度変化モデルは、後述するようなＣＯ２濃度変化をあらわすモデル式と、モデル式内で使用される、設計パラメータと、変動パラメータと、既知パラメータとから構成される。設計パラメータは、建物の時間変化しないパラメータであり、たとえば天井高、設計換気風量などである。変動パラメータはＣＯ２の発生量と相関があり、時間によって変化するパラメータであり、たとえば建物内でＣＯ２を発生する人員の時間的変化である。以下では説明を簡単にするため、オフィスビルを建物として、その主なＣＯ２発生源が執務者である場合を想定して説明するが、これに限定する必要はない。ＣＯ２発生源としては、この他にも燃焼機器によるＣＯ２発生等がある。既知パラメータは、時間によって変化しないパラメータであり、その点で設計パラメータと類似するが、学習によって更新されることなく、モデル式において常に一定の定数として扱われる。既知パラメータは、設備設計時の情報、または文献データ等によりあらかじめユーザが設定可能な既知のパラメータであり、たとえば外気ＣＯ２濃度、１人当たりのＣＯ２発生量などである。このうち、設計パラメータと変動パラメータは、演算装置１４のモデルパラメータ学習部１４ａによる学習結果である。なお、１度も学習が行われていない場合には設計パラメータおよび変動パラメータとして、あらかじめ適当な値が記憶されていてもよい。モデル式は記憶装置１３に記憶されず、演算装置１４内に回路として存在していてもよい。既知パラメータは学習の対象でない定数として扱うがシステムが設置される地域によって異なる値とするなど変更してもよい。設計パラメータのいずれかが、設備設計時の情報等により既知の値を持つ場合は、このパラメータを既知パラメータに分類してもよい。
　（演算装置１４の詳細）
　演算装置１４は、モデルパラメータ学習部１４ａを備える。このモデルパラメータ学習部１４ａは、ＣＯ２濃度演算部、設計パラメータ学習部、変動パラメータ学習部を備える。演算装置１４がＣＰＵ（中央演算処理装置）のプロセッサである場合、ＣＯ２濃度演算部、設計パラメータ学習部、変動パラメータ学習部はそれぞれ計算プログラムである。ＣＰＵ以外の電気回路を利用して演算処理を行ってもよい。
　ＣＯ２濃度演算部はモデル式の演算規則を用いて、設計パラメータ、変動パラメータ、換気装置の運転データからＣＯ２濃度を演算する。設計パラメータ学習部および変動パラメータ学習部ではＣＯ２濃度演算部の演算によって得たＣＯ２濃度とＣＯ２センサ３の計測で得た実際のＣＯ２濃度である計測データとを比較し、その比較から、両者の差が小さくなるように設計パラメータ、変動パラメータを学習する。なお、ＣＯ２濃度演算部はＣＯ２濃度そのもの値でなく、ＣＯ２濃度と相関する値を計算して計測データと比較してもよい。たとえばＣＯ２濃度に定数を掛けた値で比較を行ってもよい。本発明においてＣＯ２濃度の演算、および演算で得たＣＯ２濃度と計測データと比較する構成はそのような場合も含むものとする。
　次に、ＣＯ２濃度変化モデルについて説明する。なお、以下に示すモデルは一例であり、必ずしも以下に示す式に限定する必要はない。一般的なＣＯ２濃度の時間変化を表す微分方程式を（数１）に示す。ＣＯ２濃度に影響を与える因子として、換気量、隙間風量、人体ＣＯ２発生量、室容積がある。
Figure JPOXMLDOC01-appb-M000001
　本実施の形態１では、設備設計で一般的に用いる変数を用いて、単位床面積当たりのＣＯ２濃度の時間変化を表す微分方程式（数２）に変換し、これをＣＯ２濃度変化モデルのモデル式として定義する。
Figure JPOXMLDOC01-appb-M000002
　ここで、在室人員の時間変化とは、各時刻例えば１時間毎の在室率のことであり、在室できる者が全員在室しているときに１、全員不在のときに０の値をとる。また、換気の時間変化とは、各時刻例えば１時間毎の定格換気量に対する比率のことであり、定格風量のときに１、停止しているときに０の値をとる。
　（数２）の式では天井高（ｍ）、設計換気風量（ｍ３／人・ｈ）、設計在室密度（人／ｍ２）、隙間風相当換気回数（回／ｈ）の４種類が設計パラメータである。また、在室人員の時間変化が変動パラメータである。１人当たりのＣＯ２発生量、外気ＣＯ２濃度が既知パラメータである。また、換気の時間変化は換気装置の運転データに対応する値である。これらのパラメータおよび運転データによって（数２）の式の右辺を時間に沿って順に積分する演算により建物における室内ＣＯ２濃度の時間変化を得ることができる。なお、所定期間のＣＯ２濃度の変動を利用して変動パラメータ、設計パラメータを学習する際には、室内のＣＯ２濃度の初期値として、所定期間の最初の時点で得たＣＯ２センサ３で計測値を用いてもよい。
　次に、パラメータの学習手順について説明する。図３はパラメータの学習手順を示すフローチャートである。パラメータの学習処理フローは少なくともパラメータ学習装置１の導入時に１回実行する。ただし、モデルを学習するために必要なデータの収集、例えば１週間分のデータの収集が完了した後で実行する。図のステップＳＴ１のように換気装置の運転データ、ＣＯ２センサの計測データを記憶装置に保存する。各データはデータを取得した時刻とともに保存される。保存周期は、たとえば、１～６０分間隔などとしてもよい。また、データを取得する間隔は一定に限らず、たとえば、昼間は夜間よりも頻繁にデータを保存するように設定してもよい。図のステップＳＴ２のようにパラメータの開始条件を判断し、条件を満たせばステップＳＴ３以降の処理を行い、満たさなければデータの取得と保存を継続する。開始条件は、たとえば上記のように１週間分のデータの収集が完了すること、などである。１週間は一例であり、モデルに要求される精度、記憶装置２の記憶容量等に応じて期間を設定すればよく、例えば１日分のデータであってもよいし、２週間分、または１か月分等のデータを記憶するよう設定してもよい。
　上記のようなパラメータ学習装置１の導入時の１回に加え、定期的に図３に示す学習の処理フローを実行してもよい。例えば、１日１回学習を実行し、各パラメータを更新するように学習してもよい。このようにすることで、現実には日々変化する在室人員の時間変化を直近のデータを用いて学習でき、より実情に即した在室人員の時間変化を学習することができる。また、設計パラメータについても、データフィッティングによる学習結果の誤差を改善することも期待できる。すなわち、日々、直前の状況に近いモデルに更新されることになる。１日１回の実行では、例えば、後述する（ＣＯ２濃度予測の使用例に記載）、換気量スケジュールの立案の直前に実行するなどとすればよいが、このタイミングに限定する必要はない。また、上記では１日１回としたが、これは一例であり、１か月に１回、季節の変わり目等に実行してもよい。また、在室人員の時間変化が大きく変化することが予想されるフロアのリレイアウト、組織変更等に合わせて、不定期に実行してもよい。
　これら実行をどの時点で行うかに関する情報、つまり開始条件は、記憶装置２の学習条件の一部として記憶しておくとよい。例えば、１日１回、翌日が平日のときのみ、２１時に自動で実行する等を記憶する。また、開始条件として入出力装置１１から指示があること、としてもよく、入出力装置１１から任意のタイミングで管理者等が入力指示して、ＳＴ３以降の演算処理を行わせるようにしてもよい。また、学習に用いるデータの期間、時間刻みは毎回同じである必要はない。例えば、導入時の実行では１週間分のデータを用いて学習し、１日１回の実行では１日分のデータを用いて学習するなどとしてもよい。
　次のステップＳＴ３では記憶されている運転データ、計測データと学習条件を記憶装置１２から演算装置に読み込む。運転データ、計測データは、学習条件で与えられる過去の所定の期間における、換気装置の運転データとＣＯ２濃度データである。過去に記憶したデータのうち、特定の期間のデータのみを選択して読み込むようにしてもよい。たとえば、休日を除き平日のデータのみを読み込むように学習条件を設定してもよい。
　次のステップＳＴ４では、換気装置の運転データから換気量の時間変化を演算する。例えば、換気装置の運転データのパターンが各時刻の運転状態が強・中・弱・停止で与えられるとき、この運転データのパターンと換気装置の定格風量とから換気量の時間変化を計算する。
　次のステップＳＴ５では、変動パラメータを固定の時間変化パターンとして与え、設計パラメータを学習する。このステップではモデルパラメータ学習部内のＣＯ２濃度演算部と設計パラメータ学習部とが使用される。設計パラメータ学習部の説明で述べた値の変更は、通常複数回繰り返して学習を進める。変動パラメータは在室人員の時間変化などである。その場合、変動パラメータの初期値として、たとえば、建物または各部屋の在室率が、通常にその建物、部屋が使用される時間帯に１である、つまり全員が在室するとしたデータを使用する。
　（数２）の式に基づくＣＯ２濃度変化モデルでは、設計パラメータは、天井高（ｍ）、設計換気風量（ｍ３／人・ｈ）、設計在室密度（人／ｍ２）、隙間風相当換気回数（回／ｈ）の４種類である。設計パラメータ学習部にて、これら４つの設計パラメータをそれぞれある値に設定する。設計パラメータの最初の値としては、同類の建物で典型的に知られた値などを使用することができる。ＣＯ２濃度演算部では、それらの値とステップＳＴ４で求めた換気量の時間変化とを、モデル式である（数２）の式に入力して、所定の期間におけるＣＯ２濃度の時間変化を演算する。このようにして、計測データを収集した各時刻のＣＯ２濃度が得られる。
　そして設計パラメータ学習部では、演算によって得たＣＯ２濃度と計測データのＣＯ２濃度とを比較する。比較する両者の値の違いを、例えばＲＭＳＥ（二乗平均平方根誤差）で計算し、その値を設計パラメータの評価値とする。次に、上記４つの設計パラメータのうち、少なくとも１つの値を変化させ、ＣＯ２濃度演算部にて、換気量の時間変化と変動パラメータをＣＯ２濃度変化モデルの式に入力して所定の期間におけるＣＯ２濃度の時間変化を演算によって得る。なお、設計パラメータをどのように変化させるかは学習条件であらかじめ設定されている。この結果と、所定の期間におけるＣＯ２濃度の実測データとの違いをＲＭＳＥで計算し、その値を変化させた設計パラメータの評価値とする。そして、変化させた設計パラメータの評価値が変更する前に計算した評価値よりも減少していれば、より正しい値であると判断し、設計パラメータの値を更新する。しかし、評価値が変化しないか増大すれば、更新しない。
　そして、設計パラメータ学習部では、設計パラメータのうち少なくとも１つの値を今度は別の異なる値に変化させて、ＣＯ２濃度演算部で設計パラメータの評価値を計算する。設計パラメータ学習部で同様に評価値を計算して、評価値が減少すれば設計パラメータの値を更新し、減少しなければ更新しないという処理を繰り返す。４つの設計パラメータについて順次変更していくことによって、演算によって得るＣＯ２濃度と実測によるＣＯ２濃度との差が小さくなるように設計パラメータの更新が行われる。
　なお、上記は評価としてＲＭＳＥを用いたが、ＲＭＳＥは一例であって、これとは異なる指標を用いて評価してもよい。また、評価値が増大する場合でも、例えば確率的に更新することを許容してもよい。また、たとえば、ＣＯ２濃度の演算値と実測データの差が昼間は夜間に比べてできるだけ差が小さくなるように、精度を重視する時間帯を設定して評価してもよい。
　評価値がある範囲内に収まったら次のステップＳＴ６に進むようにする。また、一定の演算繰り返し数、または一定時間演算を繰り返しても評価値が所定の範囲に入らなかった場合も次のステップＳＴ６に進むようにするとよい。また、設計パラメータの値を変化させる際に、その上限下限値として設備設計時の情報、文献値等である程度妥当な値に設定しておいてもよい。これらの値は学習条件として記憶装置１３に記憶されるようにする。設計パラメータの学習においては、各設計データの値が、この上下限値を逸脱しないように学習を進める。
　次のステップＳＴ６では、設計パラメータの値を固定の値として与え、変動パラメータを学習する。変動パラメータ学習部の説明で述べた在室率の変更は、通常複数回繰り返して学習を進める。このステップではモデルパラメータ学習部内のＣＯ２濃度演算部と変動パラメータ学習部とが使用される。ステップＳＴ４で得た換気量の時間変化と、ステップＳＴ５で学習した設計パラメータ、および各時刻の在室率である変動パラメータを用いてＣＯ２濃度演算部にてＣＯ２濃度を演算する。変動パラメータ学習部ではＣＯ２濃度演算部で得たＣＯ２濃度とＣＯ２濃度の計測データとを比較する。例えばＲＭＳＥ（二乗平均平方根誤差）等により、この変動パラメータの値を評価する。
　変動パラメータを変更する前よりも評価値としてＲＭＳＥが減少していれば、より正しい値であると判断して変更した変動パラメータに更新し、減少しない場合は変更しない処理を行う。その後、異なる時刻についても変動パラメータを変化させて順次、変動パラメータに更新して変動パラメータを学習する。変動パラメータを変化させる際に１つの時刻の在室率の値を変化させるだけでなく、複数の時刻のデータを同時に変化させるようにしてもよい。このように、学習では演算によって得るＣＯ２濃度と実測によるＣＯ２濃度との差が小さくなるように変動パラメータの更新が行われる。
　評価値がある範囲内に収まるまでステップＳＴ６を繰り返し、変動パラメータを更新する。評価値がある範囲内に収まったら次のステップＳＴ７に進むようにする。また、一定の演算繰り返し数、または一定時間演算を繰り返しても評価値が所定の範囲に入らなかった場合も次のステップＳＴ７に進むようにするとよい。また、変動パラメータの値を変化させる際に、その上限下限値を設定しておいてもよい。これらの値は学習条件として記憶装置１３に記憶されるようにする。変動パラメータの学習においては、各データの値が、この上下限値を逸脱しないように学習を進める。
　なお、上記は評価としてＲＭＳＥを用いたが、ＲＭＳＥは一例であって、これとは異なる指標を用いて評価してもよい。また、評価値が増大する場合でも、例えば確率的に更新することを許容してもよい。また、たとえば、ＣＯ２濃度の演算値と実測データの差が昼間は夜間に比べてできるだけ差が小さくなるように、精度を重視する時間帯を設定して評価してもよい。
　評価方法として前のパラメータ学習のステップＳＴ５で用いたものと同じ評価値を使用してもよい。変動パラメータの評価として前のステップＳＴ５での設計パラメータの評価と同じ評価値を用いる場合は、ＳＴ５の最後の演算に使用した変動パラメータとその評価値を記憶しておいて、ステップＳＴ６で使用してもよい。ステップＳＴ６ではステップＳＴ５の最後の演算に使用した変動パラメータの値を少なくとも１つの時刻の在室率の値を変化させて、評価値を計算し、記憶していた変動パラメータの評価値と比較する。
　また、評価値として設計パラメータ学習部と異なる値を用いてもよく、その場合は、ステップＳＴ５の最後の演算に使用した変動パラメータを初期値として評価値を得た後に、変更した変動パラメータの評価値を得て比較する。なお、変動パラメータをどのように変化させるかは学習条件であらかじめ設定されている。
　変動パラメータである在室率の時間変化は、対象とする建物の運用状態によって、複数のパターンを生成してもよい。例えば、平日と休日は異なるパターンとする、特定の曜日に在室時間帯の制限がある場合はその曜日を他の曜日と異なるパターンとする、などとしてよい。休日などＣＯ２発生源となる人員の在室率が極めて小さい場合、換気装置２の省エネ制御の効果が小さい場合等、学習する効果が小さい場合には、学習の対象外としてもよい。
　次のステップＳＴ７では、ステップＳＴ５、ステップＳＴ６を経て学習した設計パラメータ、変動パラメータで演算するＣＯ２濃度が所定の精度を満たすかどうかを判断する。精度を満たすかどうか評価する方法として設計データ学習部、変動パラメータ学習部で用いたのと同じ評価方法、たとえばＲＭＳＥを用いるなど、でもよく、また異なる評価方法を用いてもよい。評価値が所定の範囲に入れば、終了条件を満たす（ＹＥＳ）として次のステップＳＴ８に進み、範囲に入らない場合は終了条件を満たさない（ＮＯ）として、ステップＳＴ５に戻り、再度学習を行う。あるいは、ステップＳＴ５とステップＳＴ６を所定の回数繰り返した、学習開始後所定の時間を経過した、などを終了条件としてもよい。ステップＳＴ８では直前の最後の学習ステップで得た設計パラメータ、変動パラメータを学習結果として記憶装置に保存する。
　なお、ステップＳＴ５とステップＳＴ６の実行順は逆でもよし、ステップＳＴ５での学習の繰り返し回数と、ステップＳＴ６での学習の繰り返し回数は同一でなくてもよい。また、学習の繰り返し回数は、ステップＳＴ５とステップＳＴ６の繰り返し数に応じて、変更してもよい。例えば、繰り返し数が進むにつれ、固定比率、確率的な比率で徐々に繰り返し回数を増加または減少させてもよいし、所定回数ごとに繰り返し回数を増加または減少させてもよい。ステップＳＴ５、ステップＳＴ６が繰り返し行われる場合、各ステップから次のステップに移行する評価値の基準が、繰り返し回数が増えるにつれて、より厳しい基準に変更されるようになっていてもよい。学習条件は種々に変更が可能であり、これらに限定する必要はない。
　図４～図６はパラメータ学習装置１を備えたシステムの変形例を示す構成図である。図４は、ＣＯ２センサ３が換気装置２の内部に備えられた場合の構成図である。ＣＯ２センサ３は換気装置２の内部の空気の流れの経路のいずれかに設置されて、そのＣＯ２センサ３で計測したＣＯ２濃度が室内のＣＯ２濃度として用いられる。この図ではＣＯ２センサ３のＣＯ２濃度データが換気装置２の制御回路の一部で記憶され、ファン２ｅなどの運転データとともにパラメータ学習装置１内の計測装置１２に伝達されることを示している。ＣＯ２センサ３のＣＯ２濃度データが直接にパラメータ学習装置１内の計測装置１２に伝達されるようにしてもよい。
　図５は換気装置２の中の制御装置の一部にパラメータ学習装置１が含まれる場合の構成図である。図６は図５と同様にパラメータ学習装置１が換気装置２内に含まれるが、ＣＯ２センサ３が換気装置２の外部に設置された構成である。また、パラメータ学習装置１は、空調機と換気装置の両方を管理する空調コントローラであってもよい。このように、パラメータ学習装置１、換気装置２、ＣＯ２センサ３は様々な配置が可能である。
　上記では１つの記憶装置１３に運転データ、計測データ、設計パラメータ、変動パラメータ、既知パラメータを記憶するように示したが、記憶装置１３が複数の記憶装置で構成されていてもよい。たとえば、異なるデータが異なる記憶装置に保存されるようにしてもよい。同様に演算装置１３が複数のハードウェアに分割されていてもよい。また上記では、換気装置２が１台であるかのように説明したが、複数台の換気装置２が存在する場合には、それぞれの換気装置２に対して個別にパラメータ学習をしてもよい。また、複数台の換気装置２をまとめて、容量の大きい１台の換気装置２とみなしてパラメータ学習してもよい。このとき、複数台の換気装置２の運転データや、ＣＯ２センサの計測データを、どのようにして統合して扱うかは、記憶装置１３に学習条件として記憶される。
　以上のように本実施の形態１では建物内の空気を換気する換気装置２の運転データと、建物内のＣＯ２濃度を計測するＣＯ２センサ３の計測データと、建物内のＣＯ２の発生量の時間変化に相関する変動パラメータと、時間変化しない設計パラメータと、を記憶する記憶装置１３を備える。また、変動パラメータと設計パラメータと運転データとから建物内のＣＯ２濃度を演算する演算装置１４を備える。この演算装置１４は演算によって得たＣＯ２濃度と計測データのＣＯ２濃度とを比較して、その差が小さくなるように変動パラメータおよび設計パラメータを学習する。また、学習の手順として、建物内の空気を換気する換気装置の運転データと、建物内のＣＯ２濃度を計測するＣＯ２センサの計測データと、ＣＯ２の発生量の時間変化に相関する変動パラメータと、時間変化しない設計パラメータと、を記憶し、変動パラメータと設計パラメータと運転データとを用いて建物内のＣＯ２濃度を演算する。そして、演算の結果、得たＣＯ２濃度と計測データとを比較して、両者の差が小さくなるように、変動パラメータおよび前記設計パラメータを学習する。これらの変動パラメータおよび設計パラメータは換気装置２の省エネ運転のスケジュール作成などに使用されて時間を考慮した省エネ性向上に有用である。換気に関して建物が有する特性（設計パラメータ）とＣＯ２発生源の特性（変動パラメータ）とを、実際の換気運転動作中にデータを収集する構成であり、特別な計測手段なしに比較的簡単な構成で得ることができる。たとえば、ＣＯ２発生源として人員の時間的変化を得るのに入退管理システム等の特別な設備を導入する必要がない。また、ＣＯ２発生源の時間変化だけでなく、建物に関連する設計パラメータも学習するので、建物内部の構成、たとえば間仕切り移動、机などの配置の変化などがあった場合でも、精度よくＣＯ２濃度を演算することができるようになる。
　また、本実施の形態１では、演算装置１４は、設計パラメータの学習と変動パラメータの学習とを独立に行うようにした。設計パラメータの学習においては、変動パラメータを一定として、設計パラメータを変化させてＣＯ２濃度を計算し、その結果を計測データと比較演算する。比較演算の結果が所定の条件を満した場合に、設計パラメータを変化させた設計パラメータで更新するように学習する。また、変動パラメータの学習においては、設計パラメータを一定として、変動パラメータを変化させてＣＯ２濃度を計算し、計測データと比較演算する。比較演算の結果が所定の条件を満した場合に、変動パラメータを変化させた変動パラメータで更新するように学習する。建物、空調設備に関する一般的指標、設計時の情報から、あらかじめ適切な上下限値を与えられることができる固定値の設計パラメータと、運用状態に応じて日々時間変化する変動パラメータ（在室率の時間変化）とは性質が大きく異なる。このように性質が異なるパラメータを、独立に学習するようにしたことによって、それぞれのパラメータを精度よく学習することができる。
　また、本実施の形態１では、変動パラメータとして建物内人員の時間変化を用いたので、直接人員を数える入退管理システム等の設備を導入することなしに、ＣＯ２発生量のみならず、たとえば人が建物内で使用する水、電気などの時間変化も推定可能となる。
　＜実施の形態２．＞
　図７は実施の形態２のパラメータ学習装置１の詳細構成図である。パラメータ学習装置１を備えたシステムの構成は実施の形態１の図１、図４～図６で示した構成と同様である。本実施の形態２の構成は、実施の形態１の構成に、さらに将来のＣＯ２濃度予測する機能を加えた構成である。以下、実施の形態１と同一の部分の説明は省略する。なお、図では運転データ、計測データを送信する換気装置２も示した。
　記憶装置１３は、演算装置１４のモデルパラメータ学習部１４ａでのパラメータ学習に用いられる学習条件、運転データ、計測データと、ＣＯ２濃度変化モデルと、に加えて予測条件、将来の換気装置の運転予定、予測ＣＯ２濃度、を記憶する。また演算装置１４はモデルパラメータ学習部１４ａに加えて、ＣＯ２濃度予測部１４ｂを備える。演算装置１４がＣＰＵのプロセッサである場合、ＣＯ２濃度予測部１４ｂは計算プログラムである。ＣＯ２濃度予測部１４ｂが電気回路などで構成されていてもよい。
　記憶装置１３が記憶する予測条件、将来の換気装置の運転予定はＣＯ２濃度予測部１４ｂが将来のＣＯ２濃度を演算する際に演算装置１４に読み出されて使用される。演算によって得た将来のＣＯ２濃度は予測ＣＯ２濃度として記憶装置１３に記憶される。
　予測条件は、対象とする空調システムに関する設備情報、予測対象期間等である。将来の換気装置の運転予定は、予測対象期間における運転予定であり、その期間内の各時点で換気装置のファン、弁の作動状況が決められたデータである。
　予測ＣＯ２濃度は、ＣＯ２濃度予測部１４ｂが演算した結果である、将来の換気装置の運転パターンに対して時間変化するＣＯ２濃度の予測結果である。
　様々な運転予定から最も省エネとなる予定を決定する目的でＣＯ２濃度予測を行う場合には、複数の運転予定を用いる。複数の運転予定として異なる運転パターンをＣＯ２濃度予測部１４ｂで自動生成するようにしてもよい。
　（ＣＯ２濃度予測部１４ｂ）
　ＣＯ２濃度予測部１４ｂは、まず、将来の所定の期間における換気装置の運転予定を入力し、この運転予定に相当する換気量の時間変化を計算する。換気装置の運転予定のかわりに、換気量の時間変化そのものを与えてもよく、その場合には、この計算は不要である。次に、計算した換気量の時間変化を用いて、モデルパラメータ学習部１４ａのＣＯ２濃度演算部と同様にモデル式を用いてＣＯ２濃度を演算して、将来の所定の期間におけるＣＯ２濃度の時間変化を得る。ＣＯ２濃度予測部１４ｂでのＣＯ２濃度の演算にモデルパラメータ学習部１４ａと共通の計算プログラムを利用してもよい。
　なお、換気装置の運転予定が強、中、弱、停止、などの強度レベルの時間変化として与えられる場合は、換気装置の定格風量と強度レベルの時間変化パターンから換気量の時間変化を計算するとよい。また、実施の形態１において換気装置の運転データが、強度レベルの時間変化として与えられる場合も、同様にして、換気量の時間変化を計算すればよい。
　（ＣＯ２濃度予測の処理フロー）
　図８は、本実施の形態２のＣＯ２濃度予測の処理手順を示すフローチャートである。図には示していないが、入出力装置１１または他の装置から予測を実行する指示が入力された場合、あるいは、あらかじめ設定された指定時刻または一定周期毎に予測処理を開始する。まず、ステップＳＴ１１で、演算装置１４は記憶装置１３に記憶されているＣＯ２濃度変化モデルの各パラメータ、モデル式と予測条件と将来の所定の期間における換気装置の運転予定とを読み込む。次のステップＳＴ１２では、ステップＳＴ１１で読み込んだデータを用いて、将来の所定の期間における換気装置の運転パターンに対応する換気量の時間変化を計算する。次のステップＳＴ１３では、ＣＯ２濃度変化モデルの各パラメータ、換気量の時間変化をモデル式に入力して演算し、将来の所定の期間におけるＣＯ２濃度の時間変化を予測する。ＣＯ２の発生量に相関する変動パラメータとして、過去のデータから学習したパラメータを将来も同じであるとして使用する。なお、特定の曜日などで変動パラメータが異なる場合は、将来の所定の期間が過去の特定の曜日の変動パラメータを使用すればよい。最後に、ステップＳＴ１４は、ＣＯ２濃度予測結果を記憶装置１３に保存する。
　図９は本実施の形態２のＣＯ２濃度予測処理の説明図である。図の左側はステップＳＴ１１で読み込まれる換気量の時間変化を示している。換気量の時間変化は図のように換気量がどのように時間に対して変化するかであり、換気量パターンとして示すことができる。図の中央はステップＳＴ１１で読み込まれるＣＯ２濃度変化モデルであり、設計パラメータ、変動パラメータ、既知パラメータ、モデル式である。変動パラメータはＣＯ２発生量の時間変化の相関するパラメータであり、図のようにＣＯ２発生量がどのように時間に対して変化するかであり、たとえばＣＯ２発生量パターンとして示すことができる。そして換気量パターンとＣＯ２濃度変化モデルとを用いて演算することで、図の右側の予測ＣＯ２濃度を得ることができる。予測ＣＯ２濃度は時間に対してどのようにＣＯ２濃度するかを表したデータであり、たとえば図のような予測ＣＯ２濃度パターンとして得られる。
　（ＣＯ２濃度予測の使用例：換気量スケジュールの立案）
　本実施の形態２により実現されるパラメータ学習装置１の有用性を示す例として、ＣＯ２濃度予測を利用した換気装置２の省エネ制御について説明する。換気装置２の従来の制御では、各時刻でその時点の外気温、ＣＯ２濃度等に応じて換気装置２への制御指令を決定する。このような制御の場合は、各時刻でその時点における省エネ化を図ることは可能であるが、例えば１日間等の長い期間での省エネ性が不十分である。なお、１日間としたのは一例であり、数時間、数日間など、将来のある時間帯を示すものであればよく、特に限定しない。
　例えば、夏の場合、日中は外気温が高いため、日中の換気量を減らした方が、一般的には空調システム全体（空調機＋換気装置）としては省エネとなる。一方、室内のＣＯ２濃度は法令基準等を守らなければならないため、これを守るための換気は必要である。そこで、例えば外気温が比較的低い午前中に事前に換気量を増やしておくことで、ＣＯ２濃度の基準は守りつつ日中の換気量を減らし、省エネを実現することが可能である。
　また、冬の場合、午前中は外気温が低いため、午前中の換気量を減らした方が、一般的には空調システム全体（空調機＋換気装置）としては省エネとなる。そこで、例えば外気温が低い午前中に換気量を減らし、外気温が比較的高くなる日中に換気量を増やすことで、ＣＯ２濃度の基準は守りつつ日中の換気量を減らし、省エネを実現することが可能である。
　このような換気の時間シフトは、各時刻でその時点における換気装置２の制御指令を決定するような従来の制御では実現することができず、例えば１日１回、翌日２４時間の換気量スケジュールを、例えば前日の夜間の２１時など、事前に立案する必要がある。この換気量スケジュールの立案のためには、様々な換気パターンに対するＣＯ２濃度の時間変化を予測することができなければならない。本実施の形態２で得たＣＯ２濃度予測はこのように換気量スケジュールの立案に利用することができる。本実施の形態２の空調システムのパラメータ学習装置１は、このような省エネ運転を実現するための装置である。
　なお、上記の１日１回、翌日２４時間、夜間の２１時等は一例であり、これに限定する必要はない。例えば、翌日が平日のときにのみ換気量スケジュールを立案してもよいし、６時間分、１２時間分等の数時間分を立案してもよいし、夜間の２３時、朝の３時に立案するなどとしてもよい。また、換気量スケジュールの時間間隔は、例えば３０分間隔で計画するが、この時間間隔に限定する必要はない。
　なお、上記のように午前、午後を通じて省エネを目指した換気量スケジュールを立案するには、少なくとも１日分のＣＯ２濃度が予測できることが望ましい。そのためには、ＣＯ２の発生量の時間変化に相関する変動パラメータは少なくとも１日分以上の変化に相関するパラメータであることが望ましい。また、そのような１日分以上の変動パラメータを学習によって得るために、過去１日以上の運転データおよび計測データが記憶装置１３に保存されていることが望ましい。
　以上のように、本実施の形態２のパラメータ学習装置１は、実施の形態１の構成に加えて、学習によって得た変動パラメータ、設計パラメータ、既知パラメータを用いて、将来のＣＯ２濃度を予測するので、１日トータルで省エネとなる翌日の換気量スケジュールの作成など、換気装置の省エネ制御に利用することができる、といった従来にない顕著な効果を奏する。
　＜実施の形態３．＞
　図１０は、本発明の実施の形態３のパラメータ学習装置１の詳細構成図である。換気装置２、ＣＯ２センサ３との関係は、実施の形態１で説明した図１、4～６と同一であるので説明は省略する。なお、図では運転データ、計測データを送信する換気装置２も示した。本実施の形態３において、パラメータ学習装置１は、建物内部の発熱量の時間変化を作成する。なお、この発熱量は建物内部で生じる平均的な値であり、その時間変化は内部発熱パターンとして作成される。
　建物内部の発熱量はＣＯ２発生量と相関がある。たとえば、ＣＯ２の発生源が人である場合、人が発生する熱および人が使用する設備が発生する熱は建物内人員によっておおよそ決まる。また、ＣＯ２を発生する装置が内部にある場合も、その装置の発熱量とＣＯ２発生量とには相関がある。典型的な場合、この相関関係は比例関係である。本実施の形態３では、建物内部の発熱量はＣＯ２発生量と相関関係があるとした内部発熱パターンモデルを用いて、発熱量とＣＯ２発生量との関係式をもとにして内部発熱パターンを作成する。なお、関係式として比例式が簡単であるが、他の関数式、たとえばＣＯ２発生量の一次関数等であってもよい。これらの関係式は、平均的な人の発熱量、人が使用する設備で発生する熱量から計算して得た値でもよく、また経験的に得られた関係式であってもよい。
　実施の形態１の（数２）の式で示されるＣＯ２濃度変化モデルのように、室内におけるＣＯ２の発生は人体による発生のみであるとした場合は、ＣＯ２発生量は在室人数に比例する。したがって、例えば関係式を一次関数とする場合、１人あたりの発熱量をａ、人数に関係なく発生する内部発熱をｂ、在室人数をｘとすると、各時刻における内部発熱Ｑは、Ｑ＝ａｘ＋ｂ、で表される。
　以下、実施の形態１と異なる構成となる記憶装置１３と演算装置１４について述べる。その他の各構成要素の機能、処理内容については、実施の形態１と同一であるので説明は省略する。
　（記憶装置１３）
　記憶装置１３は、演算装置１４のモデルパラメータ学習部１４ａでのパラメータ学習に用いられる学習条件と、運転データ、計測データと、ＣＯ２濃度変化モデルと、内部発熱パターンとを記憶する。
　学習条件は、対象とする空調システムに関する設備情報、パラメータ学習に用いる運転データ、計測データの所定の期間、学習終了条件等である。本実施の形態３では、実施の形態１で必要な学習条件に加え、１人あたりの発熱量を記憶する。１人あたりの発熱量としては、人体発熱と機器発熱の少なくとも一方を含む。人体発熱は、例えば文献データ等から１人あたり１００Ｗ等として与える。機器発熱は、例えば１人あたりに関係するＰＣ、コンセント、照明等による消費電力等から換算した発熱である。これらは一例であり、このような設定の仕方に限定する必要はなく、対象とする在室者の活動量、機器の運用状態に応じて、適切に設定すればよい。また、在室人数に関係なく発生する内部発熱も記憶してもよい。
　運転データ、計測データは、過去の所定の期間の換気装置の運転データと、前記所定の期間においてＣＯ２センサで計測したＣＯ２濃度データとから構成される。具体的なデータの内容は、実施の形態１と同一である。
　ＣＯ２濃度変化モデルは、実施の形態１と同一であり、設計パラメータと、変動パラメータと、既知パラメータとから構成される。特に、変動パラメータは、在室人員の時間変化であり、モデルパラメータ学習部１４ａの変動パラメータ学習部により学習される。
　内部発熱パターンは、モデル学習に用いるデータの期間における、平均的な内部発熱の時間変化のパターンであり、モデルパラメータ学習部１４ａの内部発熱パターン作成部により作成される。例えば５分刻み、または３０分刻みなどの２４時間のパターンである。また、内部発熱パターンは、複数のパターンが存在してもよい。
　（演算装置１４）
　演算装置１４は、モデルパラメータ学習部１４ａを備える。モデルパラメータ学習部１４ａは、ＣＯ２濃度演算部と設計パラメータ学習部と変動パラメータ学習部と内部発熱の時間変化演算部とを備える。なお、内部発熱の時間変化演算部はモデルパラメータ学習部１４ａの一部でなく独立していてもよい。内部発熱の時間変化演算部を備えた演算装置１４のハードウェアとモデルパラメータ学習部１４ａを備えた演算装置１４のハードウェアとが別々であってもよい。設計パラメータ学習部と変動パラメータ学習部の機能は、実施の形態１と同一である。
　（内部発熱の時間変化演算部）
　内部発熱の時間変化演算部は、内部発熱の平均的な時間変化を表す内部発熱パターンを演算し、その結果を記憶部１３に記憶する。まず、変動パラメータ学習部の学習結果である在室人員の時間変化と、設計パラメータ学習部の学習結果である設計在室密度と、既知パラメータである床面積と、学習条件である１人あたりの発熱量とを、記憶装置１３から読み込む。次に、前記在室人員の時間変化に、設計在室密度と床面積と１人あたりの発熱量をかけたものを計算し、これを内部発熱パターンとして記憶部１３に記憶する。また、記憶部１３に、在室人数に関係なく発生する内部発熱が記憶されている場合、前記計算した内部発熱パターンの各時刻のデータに、前記在室人数に関係なく発生する内部発熱を加えたものを、新たに内部発熱パターンとして記憶部１３に記憶する。
　在室人員の時間変化が複数存在する場合は、それぞれに対して上記演算を行い、複数の内部発熱パターンを作成し、記憶装置１３に記憶する。例えば、実施の形態１で述べた在室人員の時間変化と同様の考え方により、平日と休日の２つの内部発熱パターンをもってもよいし、曜日によって異なる内部発熱パターンをもってもよい。
　記憶装置１３から読み込む１人あたりの発熱量は、人体発熱のみとしてもよいし、人体発熱と機器発熱の両方を合わせたものでもよい。人体発熱と機器発熱の両方を合わせた場合、ＰＣ・コンセント・照明等、人の在室パターンと連動して動作する機器の発熱も合わせて推定することができる。
　また、図には示していないが、パラメータ学習装置１が電力計と電力計測部を備え、計測した機器の消費電力を記憶装置１３に記憶する構成としてもよい。この場合、消費電力に比例するデータを機器発熱として扱うことができる。さらに、１人あたりの発熱量に影響を与える個人所有のＰＣ等と、在室人数に関係なく発熱する共有部の機器等とを、別々に計測する構成としてもよい。この場合、これらの計測対象に応じて、記憶部１３に１人あたりの発熱量と、在室人数に関係なく発生する内部発熱を記憶する。
　また、このようにして得た内部発熱パターンを将来の内部発熱パターンの予測として扱うこともできる。たとえば、この将来の内部発熱パターンを空調のスケジュールを立案に利用することができる。また、実施の形態２と実施の形態３の構成を組み合わせることにより、ＣＯ２濃度の予測と内部発熱の予測から空調と換気のスケジュールを立案するようにしてもよい。
　以上のように、本実施の形態３ではＣＯ２発生量と前記建物内部の発熱量の相関関係式と、学習によって得た前記変動パラメータ及び前記設計パラメータを用いて、建物内部の発熱量の時間変化を演算する。換気装置２の運転データとＣＯ２センサ３の計測データのみから、平均的な内部発熱の時間変化を表す内部発熱パターンを作成することができる。従って、ＣＯ２濃度を一定以下に抑える換気装置を備えたシステムにおいて、発熱量の推定するために別途温度測定することが不要となり構成が簡単となる。
　また、翌日の換気量スケジュールを立案する際に、例えば、中間期に設定温度に対して外気温が低いときに行う外気冷房に必要な換気量を適切に決定できるという効果がある。たとえば、内部発熱が大きいときは換気量を増やし、内部発熱が小さいときは換気量を減らすなどとする。
　また、熱負荷、すなわち設定温度を維持するために必要な空調機の処理熱量、の時間変化を把握することができ、空調機が高効率で運転するような翌日の省エネ空調運転スケジュールを立案することもできる、という効果がある。
　＜実施の形態４．＞
　図１１は、本発明の実施の形態４のパラメータ学習装置１の詳細構成図である。換気装置２、ＣＯ２センサ３との関係は、実施の形態１で説明した図１、４～６と同一であるので説明は省略する。なお、図では運転データ、計測データを送信する換気装置２も示した。本実施の形態４において、パラメータ学習装置１は、建物で使用される電力、つまり消費電力、の時間変化を作成する。この消費電力は建物全体で平均的な値であり、その時間変化は消費電力パターンとして作成される。
　建物の消費電力はＣＯ２発生量と相関がある。たとえば、ＣＯ２の発生原が人である場合、人自体が使用する設備で使用される電力は建物内人員によっておおよそ決まる。この相関関係として典型的な場合は比例関係である。本実施の形態４では、建物の消費電力量はＣＯ２発生量と相関関係があるとした消費電力パターンを用いて、消費電力とＣＯ２発生量との関係式をもとにして消費電力パターンを作成する。なお、関係式として比例式が簡単であるが、他の関数式、たとえばＣＯ２発生量の一次関数等であってもよい。また、関係式は外気温・日射量等も考慮した関数を含む式であってもよい。これらの関係式は、人が使用する平均的電力から計算で得た値でもよく、また経験的に得られた関係式であってもよい。
　実施の形態１の（数２）の式のＣＯ２濃度変化モデルのように、室内におけるＣＯ２の発生は人体による発生のみであるとした場合は、ＣＯ２発生量は在室人数に比例する。したがって、例えば関係式を一次関数とする場合、１人あたりの消費電力をｃ、人数に関係なく発生する消費電力をｄ、在室人数をｘとすると、各時刻における消費電力Ｐは、Ｐ＝ｃｘ＋ｄ、で表される。
　以下、実施の形態１と異なる構成となる記憶装置１３と演算装置１４について述べる。その他の各構成要素の機能、処理内容については、実施の形態１と同一であるので説明は省略する。以下では、内部発熱の発生に関わる機器の消費電力パターンについて記載するが、空調機等の消費電力を含めてもよい。
　（記憶装置１３）
　記憶装置１３は、演算装置１４のモデルパラメータ学習部１４ａでのパラメータ学習に用いられる学習条件と、運転データ、計測データと、ＣＯ２濃度変化モデルと、消費電力パターンとを記憶する。
　学習条件は、対象とする空調システムに関する設備情報、パラメータ学習に用いる運転データ、計測データの所定の期間、学習終了条件等である。本実施の形態４では、実施の形態１で必要な学習条件に加え、１人あたりの消費電力を記憶する。１人あたりの消費電力としては、例えば１人あたりに関係するＰＣ、コンセント、照明等による消費電力である。これらは一例であり、このような設定に限定する必要はなく、対象とする在室者の機器の運用状態に応じて、適切に設定すればよい。また、在室人数に関係なく発生する消費電力も記憶してもよい。１人あたりの消費電力と、在室人数に関係なく発生する消費電力のデータは、例えばフロア全体の消費電力、フロア内のエリア毎の消費電力、１台毎または複数台まとめた機器の消費電力、機器のカタログスペック、機器の数等を基に、管理者等が手動で設定して記憶してもよいし、これら情報を用いてパラメータ学習装置１が自動計算して記憶してもよい。
　運転データ、計測データは、過去の所定の期間の換気装置の運転データと、所定の期間においてＣＯ２センサで計測したＣＯ２濃度データとから構成される。具体的なデータの内容は、実施の形態１と同一である。
　ＣＯ２濃度変化モデルは、実施の形態１と同一であり、設計パラメータと、変動パラメータと、既知パラメータとから構成される。特に、変動パラメータは、在室人員の時間変化であり、モデルパラメータ学習部１４ａの変動パラメータ学習部により学習される。
　消費電力パターンは、モデル学習に用いるデータの期間における、平均的な消費電力の時間変化のパターンであり、モデルパラメータ学習部１４ａの消費電力の時間変化演算部により作成される。例えば５分刻み、３０分刻みなどの２４時間のパターンである。また、消費電力パターンは、複数のパターンが存在してもよい。
　（演算装置１４）
　演算装置１４は、モデルパラメータ学習部１４ａを備える。モデルパラメータ学習部１４ａは、設計パラメータ学習部と変動パラメータ学習部と消費電力の時間変化演算部とを備える。なお、消費電力の時間変化演算部はモデルパラメータ学習部１４ａから独立していてもよい。消費電力の時間変化演算部を備えた演算装置１４のハードウェアとモデルパラメータ学習部１４ａを備えた演算装置１４のハードウェアとが別々であってもよい。設計パラメータ学習部と変動パラメータ学習部の機能は、実施の形態１と同一である。
　（消費電力の時間変化演算部）
　消費電力の時間変化演算部は、消費電力の平均的な時間変化を表す消費電力パターンを演算し、その結果を記憶装置１３に保存する。まず、変動パラメータ学習部の学習結果である在室人員の時間変化と、設計パラメータ学習部の学習結果である設計在室密度と、既知パラメータである床面積と、学習条件である１人あたりの消費電力を、記憶装置１３から読み込む。次に、前記在室人員の時間変化に、設計在室密度と床面積と１人あたりの消費電力をかけたものを計算し、これを消費電力パターンとして記憶部１３に記憶する。また、記憶部１３に、在室人数に関係なく発生する消費電力が記憶されている場合、前記計算した消費電力パターンの各時刻のデータに、前記在室人数に関係なく発生する消費電力を加えたものを、新たに消費電力パターンとして記憶部１３に記憶する。
　在室人員の時間変化が複数存在する場合は、それぞれに対して上記演算を行い、複数の消費電力パターンを作成し、記憶装置１３に記憶する。例えば、実施の形態１で述べた在室人員の時間変化と同様の考え方により、平日と休日の２つの消費電力パターンをもってもよいし、曜日によって異なる消費電力パターンをもってもよい。記憶装置１３から読み込む１人あたりの消費電力は、ＰＣ、照明等の、人の在室人員の時間変化と連動して動作する機器の消費電力である。
　以上のように、本実施の形態４では、演算装置１４が、ＣＯ２発生量と建物内部の消費電力の相関関係式と、学習によって得た変動パラメータ及び設計パラメータを用いて、建物内部の消費電力の時間変化を演算する。換気装置２の運転データとＣＯ２センサ３の計測データのみから、平均的な消費電力の時間変化を表す消費電力パターンを作成することができる。従って、ＣＯ２濃度を一定以下に抑える換気装置を備えたシステムにおいて、消費電力量の推定するために別途電力計でデータを計測することが不要となり構成が簡単となる。
　この結果、機器発熱のパターンを把握することができ、翌日の換気量スケジュールを立案する際に、例えば、中間期に設定温度に対して外気温が低いときに行う外気冷房に必要な換気量を適切に決定できるという効果がある。内部発熱が大きいときは換気量を増やし、内部発熱が小さいときは換気量を減らす、とする。
　また、熱負荷すなわち設定温度を維持するために必要な空調機の処理熱量の時間変化を把握することができ、空調機が高効率で運転するような翌日の省エネ空調運転スケジュールを立案することもできる、という効果がある。
　以上の実施の形態で説明したパラメータ学習装置、パラメータ学習装置を備えるシステム、パラメータ学習の方法について、種々の変更、組み合わせが可能である。記憶装置１３、演算装置１４がそれぞれ複数のハードウェアに分かれて構成されていてもよい。記憶装置１３、演算装置１４の一部、または全部が一体のハードウェアで構成されていてもよい。学習において設計パラメータ、変動パラメータの学習順序を変更してもよく、また、設計パラメータ、変動パラメータを同時に学習するようにしてもよい。
　換気装置を備えたシステムにおいて有用である。
　１　空調システムのパラメータ学習装置、２　換気装置、１１　入出力装置、１２　計測装置、１３　記憶装置、１４　演算装置、１４ａ　モデルパラメータ学習部、１４ｂ　ＣＯ２濃度予測部、１５　制御指令出力装置。

Claims (8)

  1. 　建物内の空気を換気する換気装置の運転データと、前記建物内のＣＯ２濃度の計測データと、前記建物内のＣＯ２の発生量の時間変化に相関する変動パラメータと、前記建物の時間変化しない設計パラメータと、を記憶する記憶装置と、
    　前記変動パラメータと前記設計パラメータと前記運転データとから前記建物内のＣＯ２濃度を演算する演算装置と、を備え、
    　前記演算装置は前記演算によって得たＣＯ２濃度と前記計測データとを比較して、前記変動パラメータおよび前記設計パラメータを学習することを特徴とするパラメータ学習装置。
  2. 　前記演算装置は、
    前記設計パラメータの学習においては、前記変動パラメータを一定として、前記設計パラメータを変化させてＣＯ２濃度を計算し、前記計測データと比較演算して、該比較演算の結果が所定の条件を満した場合に設計パラメータを変化させた設計パラメータで更新するように学習し、
    前記変動パラメータの学習においては、前記設計パラメータを一定として、前記変動パラメータを変化させてＣＯ２濃度を計算し、前記計測データと比較演算して、該比較演算の結果が所定の条件を満した場合に変動パラメータを変化させた変動パラメータで更新するように学習することを特徴とする請求項１に記載のパラメータ学習装置。
  3. 　前記演算装置が前記変動パラメータを用いて将来のＣＯ２濃度を予測計算することを特徴とする請求項１または２に記載のパラメータ学習装置。
  4. 　前記変動パラメータが、在室人員の時間変化を示すパラメータであることを特徴とする請求項１～３のいずれか１項に記載のパラメータ学習装置。
  5. 　前記演算装置が、将来の換気装置の運転予定を用いて将来のＣＯ２濃度の時間変化を予測することを特徴とする請求項１～４のいずれか１項に記載のパラメータ学習装置
  6. 　前記演算装置が、ＣＯ２発生量と前記建物内部の発熱量の相関関係式と、学習によって得た前記変動パラメータ及び前記設計パラメータを用いて、建物内部の発熱量の時間変化を演算することを特徴とする請求項１～４のいずれか１項に記載のパラメータ学習装置。
  7. 　前記演算装置が、ＣＯ２発生量と前記建物内部の消費電力の相関関係式と、学習によって得た前記変動パラメータ及び前記設計パラメータを用いて、建物内部の消費電力の時間変化を演算することを特徴とする請求項１～４のいずれか１項に記載のパラメータ学習装置。
  8. 　建物内の空気を換気する換気装置の運転データと、前記建物内のＣＯ２濃度を計測するＣＯ２センサの計測データと、ＣＯ２の発生量の時間変化に相関する変動パラメータと、時間変化しない設計パラメータと、を記憶し、
    　前記変動パラメータと前記設計パラメータと前記運転データとを用いて前記建物内のＣＯ２濃度を演算し、
    　前記演算の結果得たＣＯ２濃度と前記計測データとを比較して、両者の差が小さくなるように、前記変動パラメータおよび前記設計パラメータを学習することを特徴とするパラメータ学習方法。
PCT/JP2014/002490 2014-05-12 2014-05-12 パラメータ学習装置およびパラメータ学習方法 WO2015173842A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2016518650A JP6252673B2 (ja) 2014-05-12 2014-05-12 パラメータ学習装置およびパラメータ学習方法
PCT/JP2014/002490 WO2015173842A1 (ja) 2014-05-12 2014-05-12 パラメータ学習装置およびパラメータ学習方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2014/002490 WO2015173842A1 (ja) 2014-05-12 2014-05-12 パラメータ学習装置およびパラメータ学習方法

Publications (1)

Publication Number Publication Date
WO2015173842A1 true WO2015173842A1 (ja) 2015-11-19

Family

ID=54479418

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2014/002490 WO2015173842A1 (ja) 2014-05-12 2014-05-12 パラメータ学習装置およびパラメータ学習方法

Country Status (2)

Country Link
JP (1) JP6252673B2 (ja)
WO (1) WO2015173842A1 (ja)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017217131A1 (ja) * 2016-06-15 2017-12-21 日本電気株式会社 建物熱モデル生成装置、建物熱モデル生成方法および建物熱モデル生成プログラム
JP2021116937A (ja) * 2020-01-22 2021-08-10 三菱電機株式会社 空調システム制御装置
WO2022118855A1 (ja) * 2020-12-04 2022-06-09 パナソニックＩｐマネジメント株式会社 換気システム、及び、換気方法
CN114761732A (zh) * 2019-12-13 2022-07-15 三菱电机株式会社 模型共享系统、模型管理装置以及空调装置的控制装置
WO2022180870A1 (ja) * 2021-02-26 2022-09-01 日本電気株式会社 学習装置、学習方法および記録媒体
WO2022210777A1 (ja) * 2021-03-31 2022-10-06 ダイキン工業株式会社 機械学習器、換気制御装置、及び、換気制御方法
WO2024014275A1 (ja) * 2022-07-13 2024-01-18 ｃｙｎａｐｓ株式会社 換気制御システム
JP7495337B2 (ja) 2020-12-03 2024-06-04 Kddi株式会社 移動評価装置、方法およびプログラム
JP7522962B2 (ja) 2020-09-30 2024-07-26 パナソニックＩｐマネジメント株式会社 換気装置
JP7540962B2 (ja) 2021-02-15 2024-08-27 アズビル株式会社 学習データ生成装置、外気導入量推定装置および方法
JP7565483B2 (ja) 2020-11-30 2024-10-11 パナソニックＩｐマネジメント株式会社 在不在判定装置、換気システム、全館空調システム、監視システム

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020218632A1 (ko) 2019-04-23 2020-10-29 엘지전자 주식회사 인공지능 장치
US11614251B2 (en) 2019-07-12 2023-03-28 Lg Electronics Inc. Indoor air quality control method and control apparatus using intelligent air cleaner

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05264086A (ja) * 1992-03-19 1993-10-12 Hitachi Ltd 空気調和装置およびその制御装置
JPH05265512A (ja) * 1992-03-17 1993-10-15 Hitachi Ltd 学習型制御装置およびファジィ推論装置
WO2000039506A1 (en) * 1998-12-23 2000-07-06 Vkr Holding A/S Computer controlled method and system for controlled natural ventilation of a building
US20070068509A1 (en) * 2002-08-09 2007-03-29 Halton Company Zone control of space conditioning system with varied uses
US20120064818A1 (en) * 2010-08-26 2012-03-15 Kurelowech Richard S Heat recovery and demand ventilationsystem
JP2013514510A (ja) * 2009-12-16 2013-04-25 コモンウェルス サイエンティフィック アンドインダストリアル リサーチ オーガナイゼーション Ｈｖａｃ制御システムおよび方法
US20130178987A1 (en) * 2012-01-10 2013-07-11 Enverid Systems, Inc. Methods and Systems for Managing Air Quality and Energy Use In Air-Conditioning Systems

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070021947A1 (en) * 2005-07-22 2007-01-25 Honeywell International Inc. Model tuning system
JP5213749B2 (ja) * 2009-02-17 2013-06-19 アズビル株式会社 モデル関数更新処理装置および方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05265512A (ja) * 1992-03-17 1993-10-15 Hitachi Ltd 学習型制御装置およびファジィ推論装置
JPH05264086A (ja) * 1992-03-19 1993-10-12 Hitachi Ltd 空気調和装置およびその制御装置
WO2000039506A1 (en) * 1998-12-23 2000-07-06 Vkr Holding A/S Computer controlled method and system for controlled natural ventilation of a building
US20070068509A1 (en) * 2002-08-09 2007-03-29 Halton Company Zone control of space conditioning system with varied uses
JP2013514510A (ja) * 2009-12-16 2013-04-25 コモンウェルス サイエンティフィック アンドインダストリアル リサーチ オーガナイゼーション Ｈｖａｃ制御システムおよび方法
US20120064818A1 (en) * 2010-08-26 2012-03-15 Kurelowech Richard S Heat recovery and demand ventilationsystem
US20130178987A1 (en) * 2012-01-10 2013-07-11 Enverid Systems, Inc. Methods and Systems for Managing Air Quality and Energy Use In Air-Conditioning Systems

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPWO2017217131A1 (ja) * 2016-06-15 2019-04-11 日本電気株式会社 建物熱モデル生成装置、建物熱モデル生成方法および建物熱モデル生成プログラム
WO2017217131A1 (ja) * 2016-06-15 2017-12-21 日本電気株式会社 建物熱モデル生成装置、建物熱モデル生成方法および建物熱モデル生成プログラム
CN114761732A (zh) * 2019-12-13 2022-07-15 三菱电机株式会社 模型共享系统、模型管理装置以及空调装置的控制装置
CN114761732B (zh) * 2019-12-13 2024-03-19 三菱电机株式会社 模型共享系统、模型管理装置以及空调装置的控制装置
JP2021116937A (ja) * 2020-01-22 2021-08-10 三菱電機株式会社 空調システム制御装置
JP7531279B2 (ja) 2020-01-22 2024-08-09 三菱電機株式会社 空調システム制御装置
JP7522962B2 (ja) 2020-09-30 2024-07-26 パナソニックＩｐマネジメント株式会社 換気装置
JP7565483B2 (ja) 2020-11-30 2024-10-11 パナソニックＩｐマネジメント株式会社 在不在判定装置、換気システム、全館空調システム、監視システム
JP7495337B2 (ja) 2020-12-03 2024-06-04 Kddi株式会社 移動評価装置、方法およびプログラム
WO2022118855A1 (ja) * 2020-12-04 2022-06-09 パナソニックＩｐマネジメント株式会社 換気システム、及び、換気方法
JP7540962B2 (ja) 2021-02-15 2024-08-27 アズビル株式会社 学習データ生成装置、外気導入量推定装置および方法
JP7525044B2 (ja) 2021-02-26 2024-07-30 日本電気株式会社 学習装置、学習方法およびプログラム
WO2022180870A1 (ja) * 2021-02-26 2022-09-01 日本電気株式会社 学習装置、学習方法および記録媒体
JP2022157502A (ja) * 2021-03-31 2022-10-14 ダイキン工業株式会社 機械学習器、換気制御装置、及び、換気制御方法
WO2022210777A1 (ja) * 2021-03-31 2022-10-06 ダイキン工業株式会社 機械学習器、換気制御装置、及び、換気制御方法
WO2024014275A1 (ja) * 2022-07-13 2024-01-18 ｃｙｎａｐｓ株式会社 換気制御システム

Also Published As

Publication number Publication date
JP6252673B2 (ja) 2017-12-27
JPWO2015173842A1 (ja) 2017-04-20

Similar Documents

Publication Publication Date Title
JP6252673B2 (ja) パラメータ学習装置およびパラメータ学習方法
US10353355B2 (en) Indoor environment model creation device
CN109312951B (zh) 空调机管理装置、热源设备管理装置、空调机管理方法以及热源设备管理方法
Aswani et al. Reducing transient and steady state electricity consumption in HVAC using learning-based model-predictive control
Salimi et al. Optimizing energy consumption and occupants comfort in open-plan offices using local control based on occupancy dynamic data
JP6067602B2 (ja) デマンド制御装置及びプログラム
CN112484230B (zh) 用于控制空调设备或空调系统的舒适温度的装置和方法
WO2015151363A1 (ja) 空調システム、及び、空調設備の制御方法
WO2015002092A1 (ja) エネルギー管理サーバ、エネルギー管理方法およびプログラム
US20150045967A1 (en) Air-conditioning unit control device and air-conditioning unit control program
US11029052B2 (en) Operation device and method to control an air conditioner based on weather change patterns
CN103513632A (zh) 能源管理系统
Zhu et al. Online optimal control of variable refrigerant flow and variable air volume combined air conditioning system for energy saving
JP6937261B2 (ja) 空調制御装置、空調制御方法及びコンピュータプログラム
KR101936633B1 (ko) 공기조화기 및 그 제어방법
JP2009020721A (ja) 空調機の劣化判定装置、空調システム、劣化判定方法および劣化判定プログラム
EP3767190A1 (en) Air-conditioning control device, air-conditioning system, air-conditioning control method, and program
JP6843720B2 (ja) 計画生成装置、計画生成方法、空調システムおよびプログラム
WO2010103779A1 (ja) 機器管理システム
JP4948079B2 (ja) 建物運用状態最適化支援システム
JPWO2019180865A1 (ja) ビルの省エネ制御装置及びビルの省エネ制御方法
Narayanan et al. Systems approach to energy efficient building operation: case studies and lessons learned in a university campus
Nomura et al. Design–operation gap caused by parameter variance in HVAC system control sequences: A simulation-based study on energy efficiency and temperature controllability
Ikawa et al. Regression model for estimating thermal resource usage in air conditioning systems: daily demand forecast by potential integral method, considering thermal inertia of room and weather conditions
Coraci Adaptive Control Strategies for enhancing energy efficiency and comfort in buildings

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 14892104

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2016518650

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 14892104

Country of ref document: EP

Kind code of ref document: A1