WO2016185630A1 - 室内環境モデル作成装置 - Google Patents

室内環境モデル作成装置 Download PDF

Info

Publication number
WO2016185630A1
WO2016185630A1 PCT/JP2015/080457 JP2015080457W WO2016185630A1 WO 2016185630 A1 WO2016185630 A1 WO 2016185630A1 JP 2015080457 W JP2015080457 W JP 2015080457W WO 2016185630 A1 WO2016185630 A1 WO 2016185630A1
Authority
WO
WIPO (PCT)
Prior art keywords
model
indoor environment
parameters
parameter
indoor
Prior art date
Application number
PCT/JP2015/080457
Other languages
English (en)
French (fr)
Inventor
昌江 澤田
美緒 元谷
理 中島
隆也 山本
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 JP2017518720A priority Critical patent/JP6289749B2/ja
Priority to EP15892629.5A priority patent/EP3299975B1/en
Priority to US15/565,528 priority patent/US10353355B2/en
Publication of WO2016185630A1 publication Critical patent/WO2016185630A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B15/00—Systems controlled by a computer
    • G05B15/02—Systems controlled by a computer electric
    • 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
    • F24F11/0008—Control or safety arrangements for air-humidification
    • 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
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B17/00—Systems involving the use of models or simulators of said systems
    • G05B17/02—Systems involving the use of models or simulators of said systems electric
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D23/00—Control of temperature
    • G05D23/19—Control of temperature characterised by the use of electric means
    • G05D23/1927—Control of temperature characterised by the use of electric means using a plurality of sensors
    • G05D23/193—Control of temperature characterised by the use of electric means using a plurality of sensors sensing the temperaure in different places in thermal relationship with one or more spaces
    • G05D23/1932—Control of temperature characterised by the use of electric means using a plurality of sensors sensing the temperaure in different places in thermal relationship with one or more spaces to control the temperature of a plurality of spaces
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
    • G16Z99/00—Subject matter not provided for in other main groups of this subclass
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/50—Air quality properties
    • F24F2110/65—Concentration of specific substances or contaminants
    • F24F2110/70—Carbon dioxide
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2120/00—Control inputs relating to users or occupants
    • F24F2120/10—Occupancy
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/26—Pc applications
    • G05B2219/2614—HVAC, heating, ventillation, climate control
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning
    • Y02P90/84—Greenhouse gas [GHG] management systems

Definitions

  • the present invention relates to an indoor environment model creation device for creating an indoor environment model for predicting the load of an air conditioning system.
  • An air conditioning system such as a building needs to maintain the indoor environment that the occupants feel comfortable, and the various air conditioners that make up the system cooperate with each other so that the entire system can be operated optimally.
  • the load to be processed by the air conditioning system is grasped for each type, and efficient operation of each device can be determined.
  • Patent Documents 1-3 several methods have been proposed for predicting the indoor environment and air conditioning load (see, for example, Patent Documents 1-3).
  • Patent Document 1 information such as the outside air temperature, the amount of solar radiation, and the number of people fluctuation pattern is input to the building air conditioning heat load model, so that the amount of heat acquired from the wall, the amount of heat acquired from the glass surface, the amount of heat generated by the human body, and the electrical equipment
  • a building air-conditioning heat load predicting apparatus is disclosed in which the building air-conditioning heat load is predicted using past heat load record data.
  • the ventilation volume and temperature of each room are alternately calculated and converged several times on the basis of house-by-house data including the shape and opening of each room and meteorological data including wind speed and outside air temperature.
  • a building ventilation and temperature prediction system is disclosed in which interior ventilation and temperature are predicted.
  • Patent Document 3 discloses an air conditioning control device that estimates the number of people in a room from the measured CO 2 concentration, predicts the estimated heat generation of the human body or the heat load depending on the number of people, and controls the air conditioner based on the estimated heat load. Is disclosed.
  • Patent Documents 1 and 2 can reproduce physical phenomena such as heat load and indoor temperature fluctuation.
  • the setting parameters include not only the physical property values and building shapes of building components but also parameters that change depending on the building application such as the number of people in the room that greatly affect the air conditioning load. It is necessary for each building, and it is difficult to obtain enormous setting parameters.
  • Patent Document 3 determines the number of people from the chamber of the CO 2 concentration measurements, predicting the heat load that depends on the occupants number without inputting the number of people directly.
  • the air conditioning load is estimated using only the CO 2 concentration measurement value, there is a problem that the accuracy is low.
  • the present invention has been made to solve the above-described problems, and provides an indoor environment model creation device capable of accurately predicting the load of an air conditioning system without setting a huge number of parameters. With the goal.
  • An indoor environment model creating apparatus includes an air conditioner that performs air conditioning, a CO 2 sensor that measures the CO 2 concentration in the indoor space, and a humidity sensor that measures the indoor humidity in the indoor space.
  • An indoor environment model creation device for creating an environmental model, the indoor environment model having a physical model including a heat parameter, a physical model including a moisture parameter, and a physical model including a CO 2 concentration parameter
  • the operation data of the air conditioning equipment in the learning target period is stored as learning input data
  • the data storage unit stores the measurement data measured by the CO 2 sensor and the humidity sensor, and the learning stored in the data storage unit
  • a model parameter learning unit that learns multiple physical models using input data and measurement data It is provided.
  • a highly accurate model corresponding to a physical phenomenon can be obtained by learning an indoor environment model composed of a plurality of physical models in an integrated manner.
  • FIG. 1 It is a block diagram which shows an example of the air-conditioning control system using the indoor environment model production apparatus which concerns on embodiment of this invention. It is a block diagram which shows the structure of the indoor environment model production apparatus which concerns on embodiment of this invention. It is a schematic diagram which shows an example of the factor considered when learning the indoor environment model of FIG. It is a flowchart which shows the operation example of the indoor environment model production apparatus of FIG. It is a flowchart which shows an example of the learning process of the indoor environment model in FIG.
  • FIG. 1 is a block diagram showing an example of an air conditioning control system using an indoor environment model creation device according to an embodiment of the present invention.
  • the air conditioning control system 1 in FIG. 1 predicts an indoor environment based on an indoor environment model of an air conditioned space by the air conditioning equipment 2, and controls the air conditioning equipment 2 according to the predicted indoor environment.
  • the air-conditioning control system 1 includes an air-conditioning facility 2 that harmonizes air in an indoor space, a sensor group 3 that measures the state of an indoor environment or an outdoor environment, an indoor environment model creation device 10 that creates an indoor environment model, and an indoor environment model An air conditioning control device 20 that predicts the indoor environment using the indoor environment model created in the creation device 10 and controls the air conditioning equipment 2 is provided.
  • the air conditioning equipment 2, the indoor environment model creation device 10, and the air conditioning control device 20 are connected to be able to transmit data via a network or a signal line, for example.
  • FIG. 1 illustrates the case where the indoor environment model creation device 10 and the air conditioning control device 20 are composed of separate hardware (computer or the like), they are configured by the same hardware (computer or the like). Also good.
  • the air conditioner 2 performs air conditioning of the indoor environment, and includes an air conditioner 2A that performs air conditioning of the indoor space and a ventilation device 2B that ventilates the indoor space.
  • the air conditioner 2 ⁇ / b> A allows a plurality of units and includes a large heat source machine such as a building multi-air conditioner, a packaged air conditioner, a room air conditioner, or an absorption refrigerator having an outdoor unit and an indoor unit.
  • the air conditioner 2 is not limited to the case where the air conditioner 2A and the ventilator 2B are provided, and may include other air conditioners such as an outside air conditioner, a humidifier, and a dehumidifier.
  • the sensor group 3 includes an indoor humidity sensor 3A that measures indoor humidity and a CO 2 concentration sensor 3B that measures indoor CO 2 concentration.
  • the sensor group 3 transmits various types of information measured via the network to the indoor environment model creation device 10 and the air conditioning control device 20.
  • a plurality of indoor humidity sensors 3A and CO 2 concentration sensors 3B may be installed indoors.
  • the sensor group 3 is connected via a network is illustrated, it is installed in a state of being incorporated in the air conditioning equipment 2, and the indoor environment model creation device 10 and the air conditioning control device 20 are installed from the air conditioning equipment 2.
  • the measured data may be transmitted. At this time, it may be installed in the flow path of the intake air in the air conditioner 2 such as the ventilator 2B and used as a representative value in the room.
  • the air conditioning control system 1 is connected via a network to a weather data distribution server 4 that distributes weather data. Then, the indoor environment model creation device 10 and the air conditioning control device 20 acquire weather data from the weather data distribution server 4 via the network.
  • the weather data includes data such as the amount of solar radiation, the outside air temperature, the outside air humidity at the point where the air conditioner 2 is installed.
  • the sensor group 3 includes an outdoor measurement sensor installed outside the building, and the weather data is acquired from the outdoor measurement sensor. It may be.
  • the indoor environment model creation device 10 creates an indoor environment model for predicting a change in the indoor environment with respect to a time change.
  • the indoor environment model includes a plurality of physical models.
  • the plurality of physical models include a heat conduction equation relating to room temperature, a mass transfer equation relating to moisture (humidity), and a substance relating to CO 2 concentration. Movement equations.
  • the air conditioning control device 20 creates a future operation schedule of the air conditioning equipment 2 using the indoor environment model created by the indoor environment model creation device 10 and controls the air conditioning equipment 2.
  • the air conditioning control device 20 includes an indoor environment prediction unit 21, a model database 22, a schedule creation unit 23, and an air conditioning control unit 24.
  • the indoor environment prediction unit 21 predicts a change in the indoor environment over a predetermined period using the indoor environment model stored in the model database 22.
  • the indoor environment model created by the indoor environment model creation device 10 is stored in the model database 22.
  • the model database 22 stores air conditioner characteristic data, learned various parameters of an indoor environment model to be described later, and the like.
  • the indoor environment prediction unit 21 obtains operation data, measurement data, and weather data from the air conditioning facility 2, the sensor group 3, and the weather data distribution server 4, and uses them as prediction input data to generate a temperature model and a humidity model. Then, based on the CO 2 model, predicted values of the future room temperature (for example, the next day), the room humidity, and the room CO 2 concentration are calculated.
  • the schedule creation unit 23 creates an operation schedule of the air conditioning equipment 2 in the planning target period (for example, the next day) based on the indoor environment predicted by the indoor environment prediction unit 21. Specifically, the schedule creation unit 23 operates the air conditioner 2A so that, for example, the predicted value of the indoor temperature is maintained within a predetermined comfortable temperature range, and the indoor humidity is maintained within a predetermined comfortable humidity range. Create a schedule. Moreover, scheduling section 23, for example, as the CO 2 concentration is maintained within a predetermined comfort CO 2 concentration range, to create a driving schedule of the ventilation device 2B. In addition, although the case where the driving schedule is created from the viewpoint of comfort is illustrated, the driving schedule may be created from the viewpoint of power consumption such as demand control.
  • FIG. 2 is a block diagram showing an example of an indoor environment model creation device according to an embodiment of the present invention.
  • the indoor environment model creation device 10 will be described with reference to FIGS. 1 and 2.
  • the configurations of the indoor environment model creation device 10 and the air conditioning control device 20 shown in FIGS. 1 and 2 are realized by executing a program stored in a storage device such as a magnetic disk or a semiconductor memory in a microcomputer or a computer. Is.
  • the indoor environment model creation device 10 in FIG. 2 creates an indoor environment model of the indoor space in which the air conditioning equipment 2 that performs air conditioning is installed, and includes an operation data acquisition unit 11 and a measurement data acquisition unit. 12, a weather data acquisition unit 13, a model parameter learning unit 14, and a data storage unit 15 are provided.
  • the operation data acquisition unit 11 acquires operation data from the air conditioning equipment 2 and stores it in the data storage unit 15.
  • the measurement data acquisition unit 12 acquires measurement data measured by the sensor group 3 and stores it in the data storage unit 15.
  • the operation data includes at least the amount of heat supplied to or removed from the room by the air conditioner 2A and the room temperature.
  • the measurement data includes indoor humidity, indoor CO 2 concentration, and the like.
  • the amount of heat may be calculated from data acquired by existing sensors such as the operating frequency, evaporation temperature, and condensation temperature of the outdoor unit of the air conditioner 2A.
  • the indoor temperature may be replaced by the suction temperature of the indoor unit.
  • a temperature sensor is installed in the room as the sensor group 3, and the measurement data obtaining unit 12 uses the indoor temperature data. May be obtained.
  • the operation data of the ventilator 2B is representative of the output of the ventilator 2B at each time (ON / OFF, strong / medium / weak, discrete output%, continuous output%, etc.), ventilation air volume, etc.
  • the present invention is not limited to this.
  • the strong / medium / weak output of the ventilator 2B and the stop will be described as operation data of the ventilator 2B.
  • the meteorological data acquisition unit 13 is connected to the meteorological data distribution server 4 via a network, for example, and acquires meteorological data at a point where the air conditioning equipment 2 is installed.
  • the meteorological data includes at least the amount of solar radiation, the outside air temperature, and the outside air humidity, and the meteorological data acquisition unit 13 stores the meteorological data in the data storage unit 15 as measurement data.
  • the operation data acquisition unit 11, the measurement data acquisition unit 12, and the weather data acquisition unit 13 described above acquire data at predetermined time intervals (for example, 5 minutes) and store them in the data storage unit 15.
  • the data acquisition interval is preferably as short as 1 minute from the viewpoint of the accuracy of the model, but may be 10 minutes, 30 minutes, or the like.
  • various data are acquired at 1-minute intervals depending on the storage capacity of the data storage unit 15, the processing capacity of the model parameter learning unit 14, the calculation time allowed for model creation, etc., and 5 minutes when used for learning It may be used after being thinned out at intervals.
  • the operation data and humidity and CO 2 concentration data of the air conditioner 2A and the ventilation device 2B may be stored at different time intervals.
  • the model parameter learning unit 14 learns a plurality of physical models in an integrated manner using the learning input data stored in the data storage unit 15.
  • the learning input data is operation data, measurement data, and weather data acquired in the past and stored in the data storage unit 15.
  • the indoor environment model has a plurality of physical models including parameters of heat, moisture, and CO 2 concentration. More specifically, the physical models include an indoor temperature model represented by a heat conduction equation, an indoor humidity model represented by a mass transfer equation relating to moisture, and a CO 2 concentration model represented by a mass transfer equation relating to CO 2 concentration. And are included.
  • One of the examples of the integrated learning method of the plurality of physical models described above is to solve all the plurality of physical models simultaneously and perform convergence calculation so that the parameters common to all of the plurality of physical models and the respective physical models are calculated.
  • the model is learned by simultaneously determining parameters specific to the model.
  • one or more of a plurality of physical models are selected, and parameters common to all of the plurality of physical models and parameters specific to each physical model are determined.
  • the learning of the physical model selected in the second step may be performed by determining only parameters that are inherently included in the physical model selected in the second step.
  • the indoor environment model has three physical models: an indoor temperature model, an indoor humidity model, and a CO 2 concentration model.
  • the model shown below is an example, and it is not necessarily limited to the following formula.
  • FIG. 3 is a schematic diagram showing an example of factors considered when learning the indoor environment model of FIG. In FIG. 3, a case where one floor is composed of one zone will be described.
  • the outside air temperature T O the outside air absolute humidity X O , the outside air CO 2 concentration ⁇ CO2o , the solar radiation amount Q S , the adjacent zone temperature T OZ , the adjacent zone absolute humidity X OZ , and the adjacent zone CO 2 concentration
  • Indoor temperature T Z indoor absolute humidity X Z , indoor CO 2 concentration ⁇ CO2Z
  • air conditioning removal (supply) enthalpy amount Q HVAC indoor generated enthalpy amount (lighting + human body + OA equipment)
  • Q OCC + Q EQP indoor generated CO 2 amount M OCC
  • ventilation amount G vent clearance air volume G draft
  • moisture absorption / release amount from the wall can be mentioned. If one zone is formed on one floor, the adjacent zone temperature T OZ , the adjacent zone absolute humidity X OZ , and the adjacent zone CO 2 concentration are ignored because there is no adjacent inner temperature degree.
  • C 1 is the outer wall outdoor heat capacity [kJ / K]
  • C 2 is the outer wall indoor heat capacity [kJ / K]
  • C Z is the indoor heat capacity [kJ / K]
  • G draft is the clearance air flow [m 3 / s]
  • W hvac is the dehumidification amount [kg / s] by the air conditioner
  • R 1 is the outdoor thermal resistance [K / kW]
  • R 2 is the outer wall thermal resistance [K / kW]
  • R 3 is the thermal resistance other than the outer wall [K / kW]
  • R Z is the indoor thermal resistance [K / kW]
  • To is the outside air temperature [° C.]
  • T 1 is the outer wall.
  • T 2 is the outer wall interior side surface temperature [°C]
  • T Z is the room temperature [°C]
  • Q S is the amount of solar radiation [kW / m 2]
  • alpha radiation is the coefficient of solar radiation that passes through the chamber
  • beta is the outer wall That the coefficient of solar radiation
  • gamma is a coefficient of equipment heating
  • [delta] represents a coefficient of the air conditioner removal (feed) heat.
  • V is the room capacity [m 3 ]
  • ⁇ is the air density [kg / m 3 ]
  • Xz is the room absolute humidity [kg / kg (DA)]
  • Xo is the outside air absolute humidity [kg / kg (DA)]
  • G vent is the ventilation rate [m 3 / s]
  • G draft is the clearance air flow rate [m 3 / s]
  • ⁇ h is the representative surface moisture transfer rate
  • a is the slope of the saturated water vapor approximation curve [kg / h (kg / kg) (DA))]]
  • b is the intercept of the saturated water vapor content trendline [kg / h (kg / kg (DA))]
  • cl is the latent heat of vaporization of water at 0 °C [kJ / kg ]
  • ⁇ is the coefficient of human body heat generation
  • V is the room capacity [m 3 ]
  • ⁇ CO2o is the outdoor CO
  • w is the width of the room [m]
  • d is the depth of the room [m]
  • h is the ceiling height [m] of the room
  • Q oc ′ is the human body heat per person [kW] / Person]
  • Q EQP ′ is the heat generation per person [kW / person]
  • R 1 ′ is the outdoor thermal resistance per unit area [(K ⁇ m 2 ) / kW]
  • R 2 ′ is the unit heat per unit area Outer wall thermal resistance [(K ⁇ m 2 ) / kW]
  • R 3 ′ is the thermal resistance other than the outer wall per unit area [(K ⁇ m 2 ) / kW]
  • R Z ′ is the indoor thermal resistance per unit area [(K ⁇ m 2 ) / kW]
  • N occ is the design occupancy density [person / m 2 ]
  • N draft is the clearance equivalent ventilation frequency [times / h]
  • G v is the design ventilation air flow [m
  • the ventilation pattern P vent is a ratio to the rated ventilation volume at each time, for example, every hour, and becomes 1 when the rated air volume is reached, and becomes 0 when the air volume is stopped.
  • the operation data acquisition unit 11 can acquire the air conditioning removal (supply) enthalpy amount Q HVAC , the value may be used as it is. If it cannot be obtained, calculate the amount of heat using air conditioner characteristic data.
  • the air conditioner characteristic data the following formula (11) indicating the relationship between the compressor frequency f of the outdoor unit, the evaporation temperature ET, the condensation temperature CT and the supply heat quantity is prepared, and the coefficients a, b, c, d in the formula are prepared. Gives different coefficients depending on the type of compressor.
  • the coefficients a, b, c, and d may be obtained from actually measured values.
  • the relationship between the compressor frequency f of the outdoor unit, the evaporation temperature ET, the condensation temperature CT, and the supply heat quantity may be calculated by an air conditioner model that models the refrigerant circuit of the outdoor unit.
  • the indoor environment model shown in the equations (6) to (10) includes a plurality of parameters.
  • the plurality of parameters are (1) design parameters, (2) operation parameters, and (3) known parameters. It can be classified into three.
  • the design parameters indicate the design elements of the air conditioning equipment and the indoor space, and are parameters given as fixed values.
  • the operation parameter is a parameter indicating the characteristics of heat, water vapor, and CO 2 generation sources that change with time.
  • the characteristics of the heat, water vapor, and CO 2 generation source are data having a correlation such as proportional to the amount of heat, water vapor, and CO 2 generated. For example, the time change of the number of workers in the room, that is, The occupancy pattern P occ .
  • the known parameters are known parameters that can be set in advance by the user based on information at the time of facility design, literature data, and the like.
  • the outside air CO 2 concentration ⁇ CO2 O the human-generated enthalpy amount per person Q OCC ′, CO 2 generation
  • the amount M OCC the ratio of latent heat in human body enthalpy SHF OCC , and the air density ⁇ . 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 model parameter learning unit 14 in FIG. 2 learns a plurality of physical models in an integrated manner using the learning input data stored in the data storage unit 15. First, when learning of the parameters of the indoor environment model is performed, for example, the air conditioning equipment 2 is operated during a learning target period (for example, one week), and operation data and measurement data in the learning target period are acquired and stored. Stored in the unit 15. The model parameter learning unit 14 learns the parameters of the indoor environment model using the operation data and the measurement data in the learning target period as learning input data.
  • a learning target period for example, one week
  • the data storage unit 15 stores learning conditions used for parameter learning.
  • the learning conditions include device information related to the target air conditioning system, a predetermined period (for example, one week) of operation measurement data used for learning parameters, a learning end condition, and the like.
  • a predetermined period for example, one week
  • the predetermined improvement rate for example, whether the accuracy of the predetermined CO 2 concentration prediction has reached the predetermined accuracy, the predetermined improvement rate, the learning time has reached the predetermined maximum learning time, or the number of repetitions of learning An example is whether or not has reached a predetermined maximum number of repetitions.
  • These termination conditions are given as learning conditions.
  • the learning result is stored in the data storage unit 15.
  • the user sets learning conditions such as a target building number and a learning period
  • the model parameter learning unit 14 extracts necessary learning input data from the data storage unit 15.
  • the data storage unit 15 stores air conditioner characteristic data representing the performance of the air conditioner.
  • the air conditioner characteristic data may be registered by the user or may be estimated from the operation data.
  • the air conditioner characteristic data is not obtained from the operation data acquisition unit 11 as described above when the air quantity supplied (removed) by the air conditioner, and it is necessary to calculate the heat quantity from the operating frequency of the outdoor unit, etc. This includes the relationship between the operating frequency of each outdoor unit, the evaporation temperature, the condensation temperature, and the amount of heat supplied.
  • the various parameters included in the indoor environment models of the equations (6) to (10) are classified into three, and are classified into the temperature model, the humidity model, and the CO 2 model of the equations (6) to (10).
  • Each include common parameters.
  • the model parameter learning unit 14 learns the parameters common to a plurality of physical models (the room temperature model, the room humidity model, and the CO 2 model) for each parameter classification.
  • the model parameter learning unit 14 includes a design model parameter learning unit 14a that learns design parameters in a plurality of physical models, and an operation model parameter learning unit 14b that learns operation parameters in a plurality of physical models. Have.
  • the model parameter learning unit 14 includes a physical model (for example, an indoor temperature model) including a parameter that is commonly included in all of the plurality of physical models and a thermal parameter, a parameter that is common to all of the plurality of physical models, and A physical model including a moisture parameter (for example, an indoor humidity model) and a physical model including a parameter common to all of the plurality of physical models and a CO 2 concentration parameter (for example, a CO 2 model) are simultaneously solved to calculate convergence.
  • a physical model for example, an indoor temperature model
  • a physical model including a moisture parameter for example, an indoor humidity model
  • a physical model including a parameter common to all of the plurality of physical models and a CO 2 concentration parameter for example, a CO 2 model
  • Design model parameter learning unit 14a learns design parameters among the parameters classified into the above three. First, the design model parameter learning unit 14a sets the design parameter of the indoor environment model to a predetermined value and fixes the operation parameter (attended ratio) to a predetermined value. In this state, the design model parameter learning unit 14a inputs the learning input data and the known data stored in the data storage unit 15 to each of the equations (6) to (10). That is, the air-conditioner supply heat amount calculated from the operation data of the air conditioner 2A, which is actually measured data in the past predetermined period, and the ventilation amount pattern and solar radiation amount calculated from the operation data of the ventilation device 2B, the outside air temperature, and the outside air humidity Are input to the indoor environment model. Then, the room temperature, the room humidity, and the CO 2 concentration change over time are output from the indoor environment models shown in Expressions (6) to (10).
  • the design model parameter learning unit 14a compares and evaluates the output result of the indoor environment model and the indoor temperature, humidity, and CO 2 concentration in a predetermined period actually measured in the sensor group 3. At this time, the design model parameter learning unit 14a calculates, for example, a root mean square error (RMSE) between the output result of the indoor environment model and the actual measurement data as an evaluation value of a predetermined design parameter.
  • RMSE root mean square error
  • the design model parameter learning unit 14a changes the value of at least one parameter among a plurality of parameters classified as design parameters. Thereafter, the design model parameter learning unit 14a inputs the learning input data and the known data to the indoor environment model after changing the design parameters, thereby obtaining the output results of the room temperature, humidity, and CO 2 concentration.
  • the design model parameter learning unit 14a calculates a root mean square error (RMSE) with measured data of room temperature, humidity, and CO 2 concentration in a predetermined period as an evaluation value of the design parameter after the change.
  • RMSE root mean square error
  • the design model parameter learning unit 14a compares the evaluation value before the change of the design parameter with the evaluation value after the change of the design parameter. When the evaluation value after the change of the design parameter is smaller than the evaluation value of the change, it is determined that the design parameter after the change is an optimized value, and the value of the design parameter is updated. On the other hand, when the evaluation value after the change of the design parameter is equal to or higher than the evaluation value of the previous predetermined value, it is determined that the previous design parameter is an optimized value, and the design parameter value is maintained. As described above, the design model parameter learning unit 14a learns and optimizes the design parameter while performing the convergence calculation based on the evaluation value.
  • the design model parameter learning unit 14a does not learn individually the design parameters of the room temperature model, the room humidity model, and the CO 2 model, but learns them in an integrated manner. That is, the three physical models of the room temperature model, the room humidity model, and the CO 2 model are learned simultaneously using the same design parameters.
  • the design model parameter learning unit 14a performs design parameter change, evaluation, and update for the set number of repetitions. At this time, an upper limit value and a lower limit value are set as learning conditions for the values of each operation parameter based on some reasonable values such as information at the time of facility design and literature values.
  • the operation model parameter learning unit 14b performs learning so that the design parameter does not deviate from the upper limit value and the lower limit value.
  • the operation model parameter learning unit 14b learns operation parameters among the parameters of the indoor environment model classified into the above three. First, the operation model parameter learning unit 14b sets the operation parameter of the indoor environment model to a predetermined value and fixes the design parameter to a predetermined value. In this state, the operation model parameter learning unit 14b inputs the learning input data and the known data stored in the data storage unit 15 into each of the equations (6) to (10). That is, the air-conditioner supply heat amount calculated from the operation data of the air conditioner 2A, which is actually measured data in the past predetermined period, and the ventilation amount pattern and solar radiation amount calculated from the operation data of the ventilation device 2B, the outside air temperature, and the outside air humidity Are input to the indoor environment model. Then, the changes over time in the room temperature, the room humidity, and the CO 2 concentration are output from the expressions (6) to (10).
  • the operation model parameter learning unit 14b compares and evaluates the output result of the indoor environment model and the indoor temperature, humidity, and CO 2 concentration in a predetermined period actually measured in the sensor group 3. At this time, the operation model parameter learning unit 14b calculates, for example, a root mean square error (RMSE) between the output result of the indoor environment model and the actual measurement data as an evaluation value of the operation parameter having a predetermined value.
  • RMSE root mean square error
  • the operation model parameter learning unit 14b changes the value of at least one parameter among a plurality of parameters classified as operation parameters. Specifically, the operation model parameter learning unit 14b changes the occupancy rate value of at least one time among the occupancy patterns. Thereafter, the operation model parameter learning unit 14b obtains an output result of the room temperature, the humidity, and the CO 2 concentration based on the indoor environment model after changing the operation parameter, the learning input data, and the known data.
  • the design model parameter learning unit 14a calculates an evaluation value of the operation parameter of the changed indoor temperature, the root mean square error between the humidity and the CO 2 concentration of the measured data (RMSE) in a given time period.
  • the operation model parameter learning unit 14b compares the evaluation value before the change of the operation parameter with the evaluation value after the change of the operation parameter. When the evaluation value after the change of the operation parameter is smaller than the evaluation value before the change, it is determined that the operation parameter after the change is an optimized value, and the value of the operation parameter is updated. On the other hand, when the evaluation value after the change of the operation parameter is equal to or higher than the evaluation value of the previous predetermined value, it is determined that the previous operation parameter is an optimized value, and the value of the operation parameter is maintained.
  • the operation model parameter learning unit 14b learns the operation parameters of the indoor temperature model, the indoor humidity model, and the CO 2 model in an integrated manner, rather than learning individually. That is, the three physical models of the room temperature model, the room humidity model, and the CO 2 model are learned simultaneously using the same operation parameter.
  • the operation model parameter learning unit 14b performs design parameter change, evaluation, and update for the set number of repetitions. At this time, an upper limit value and a lower limit value are set as learning conditions for the values of each operation parameter based on some reasonable values such as information at the time of facility design and literature values. The operation model parameter learning unit 14b performs learning so that the operation parameter does not deviate from the upper limit value and the lower limit value. As described above, the operation model parameter learning unit 14b learns the operation parameters of the temperature model, the humidity model, and the CO 2 model in an integrated manner rather than individually.
  • the occupancy pattern P occ may be prepared as a pattern after change depending on the operation state of the target building. For example, a different pattern may be used for weekdays and holidays, and when every Wednesday is a regular leaving day, Monday, Thursday, Thursday, and water may have different patterns. On holidays, when the occupancy rate of the office worker who is the CO 2 generation source is extremely small, or when the effect of learning is small, such as when the effect of energy saving control of the ventilation device 2B is small, it may be excluded from learning.
  • RMSE root mean square error
  • the operation data pattern of the ventilator 2B is given as strong / medium / weak / stop
  • the operation data pattern and the ventilation device It may be calculated from the rated air volume.
  • FIG. 4 is a flowchart showing an example of the operation of the indoor environment model creating apparatus of FIG. 2, and the learning process of the indoor environment model by the indoor environment model apparatus will be described with reference to FIGS.
  • operation data acquisition unit 11 operation measurement data for a learning target period (for example, for one week) when the air conditioning equipment 2 is operated is acquired and stored in the data storage unit 15 (step ST1).
  • the air conditioning characteristic data of the air conditioning equipment 2 is stored in the data storage unit 15 (step ST2).
  • learning conditions for learning the indoor environment model are stored in the data storage unit 15 (step ST3).
  • the model parameter learning unit 14 learns the indoor environment model based on the operation measurement data, the air conditioning characteristic data, and the learning conditions stored in the data storage unit 15 (step ST4).
  • the execution of the learning of the indoor environment model may be performed manually by an administrator or the like, or may be automatically performed after completion of data collection.
  • the learned indoor environment model is stored in the data storage unit 15 and also stored in the model database 22 (step ST5).
  • FIG. 5 is a flowchart showing an example of the learning process of the indoor environment model in FIG. 5, learning input data (past operation measurement data), learning conditions, and air conditioning equipment characteristic data stored in the data storage unit 15 are read from the data storage unit 15 (step ST11). Thereafter, in the design model parameter learning unit 14a, the operation parameter ( occupancy pattern P occ ) is fixed to the equations (6) to (10), and the design parameter is learned (step ST12). At this time, in the design model parameter learning unit 14a, the change of the operation parameter value is repeated a plurality of times to learn the design parameter.
  • the design parameters are fixed to the equations (6) to (10), and the operation parameters are learned (step ST13).
  • the change in the occupancy rate described in the description of the operation model parameter learning unit 14b is repeated a plurality of times (step ST14).
  • the model parameter learning unit 14 for learning of the design parameter and the operation parameter, it is determined whether or not an end condition such as the number of repetitions is satisfied, and if the learning end condition is satisfied, the learned room
  • the environmental model is stored in the data storage unit 15.
  • a highly accurate indoor environment model corresponding to a physical phenomenon can be obtained by integrated learning of a plurality of physical models included in the indoor environment model. That is, the temperature, humidity, and CO 2 concentration predicted by the indoor environment model vary depending on common cause factors. Therefore, a plurality of physical models including the cause factors shared by the model parameter learning unit 14 as parameters are learned in an integrated manner. As a result, a realistic indoor environment model can be obtained without previously setting parameters specific to the building. Furthermore, it is possible to create an indoor environment model based on a physical formula without inputting the thermal characteristic parameters and position information of each building and detailed building specifications (for example, window area, roof area, etc.).
  • the indoor environment model is learned using a plurality of operation data and measurement data, it is possible to construct a highly accurate indoor environment model without being affected by errors included in the single data.
  • factors affecting the temperature, humidity, and CO 2 concentration in the room include the number of people in the room, ventilation air volume, clearance air volume, building shape, etc., and these are common parameters representing each physical quantity in the room.
  • a general-purpose indoor environment model with high accuracy in accordance with a physical phenomenon can be obtained without inputting parameters in advance by comprehensively learning an indoor environment model composed of a plurality of physical models.
  • model parameter learning unit 14 simultaneously learns the design parameters in the plurality of physical models while changing the values of the design parameters while fixing the values of the operation parameters in the plurality of physical models.
  • an operation model parameter learning unit 14b that simultaneously learns operation parameters in a plurality of physical models while changing the values of operation parameters in a state where design parameter values in the plurality of physical models are fixed, Since learning is performed for each different factor, a model with higher accuracy can be obtained.
  • FIG. 5 illustrates the case where the operation parameter is learned after the design parameter is learned. However, the execution order may be reversed, and the design parameter is learned after the operation parameter is learned. May be performed.
  • the number of iterations when learning operation parameters and the number of iterations when learning design parameters may not be the same.
  • the number of repetitions of learning in the design model parameter learning unit 14a and the operation model parameter learning unit 14b may be changed according to an end condition (loop number) included in the learning condition.
  • the number of iterations in the design model parameter learning unit 14a and the operation model parameter learning unit 14b may be gradually increased or decreased at a fixed ratio or a probabilistic ratio as the number of iterations according to learning conditions progresses.
  • the number of repetitions may be increased or decreased.
  • the timing for learning the parameters of the indoor environment model can be set as appropriate.
  • the creation of the indoor environment model by the indoor environment model creation device 10 is executed once at the time of introduction.
  • the creation of the indoor environment model is executed after the collection of data necessary for learning the indoor environment model (for example, collection of data for one week) is completed.
  • One week is an example, and the period may be set according to the accuracy required for the model, the storage capacity of the data storage unit 15, etc. For example, data for one day may be used, or two weeks or 1 Data such as months may be used.
  • the design data of the building that does not normally change every day, and the occupancy pattern that is usually similar in many days in an office building are determined.
  • the execution of the creation of the indoor environment model may be performed manually by an administrator or the like, or may be performed automatically after completion of data collection.
  • the indoor environment model creation device 10 may periodically create an indoor environment model.
  • the learning may be performed once a day, and the indoor environment model may be updated.
  • the occupancy pattern that changes daily can be learned by using the latest data, and the occupancy pattern that is more realistic can be learned.
  • design parameters it can be expected that errors in learning results by data fitting will be improved. That is, the model is updated every day to a model close to the immediately preceding situation. In the above description, it is once a day. However, this is an example, and it may be executed once a month at the turn of the season. Further, it may be executed irregularly in accordance with a floor layout or organizational change in which the occupancy pattern is expected to change greatly.
  • Information regarding when these executions are performed is stored in the data storage unit 15 as learning conditions. For example, it is stored once a day, automatically at 21:00 only when the next day is a weekday. Further, the period and time increment 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 indoor environment model creation device 10 and the air conditioning control device 20 in FIG. 1 are configured by the same hardware (computer or the like), the data storage unit 15 of the indoor environment model creation device 10 and the air conditioning control device 20 The model database 22 may be integrally formed.
  • the model parameter learning unit 14 only needs to learn a plurality of physical models in an integrated manner using the learning input data and the measurement data stored in the data storage unit 15.
  • the physical model is not limited to the case where the model is learned by determining all the parameters in an integrated manner.
  • the model parameter learning unit 14 first uses a plurality of physical models (for example, an indoor temperature model) as a learning target for a plurality of physical models (for example, an indoor temperature model, an indoor humidity model, and a CO 2 model). The parameters included in all of the parameters and the parameters inherent in the target physical model are learned.
  • the model parameter learning unit 14 uses the values of the parameters that are common to all of the physical models as the first learned values when learning the remaining plurality of physical models (for example, the indoor humidity model and the CO 2 model). Only unique parameters included in each physical model may be learned. As described above, the model parameter learning unit 14 learns a parameter common to all of the plurality of physical models and a parameter inherently included in each physical model in three or more stages (for each of the three physical models). It may be.
  • 1 air conditioning control system 2 air conditioning equipment, 2A air conditioner, 2B ventilator, 3 sensors, 3A indoor humidity sensor, 3B CO 2 concentration sensor, 4 meteorological data distribution server, 10 indoor environment model creating device, 11 operation data acquisition Unit, 12 measurement data acquisition unit, 13 meteorological data acquisition unit, 14 model parameter learning unit, 14a design model parameter learning unit, 14b operational model parameter learning unit, 15 data storage unit, 20 air conditioning control device, 21 indoor environment prediction unit, 22 model database, 23 schedule creation unit, 24 air conditioning control unit.

Abstract

室内環境モデル作成装置は、空気調和を行う空調設備と、室内空間の室内湿度を計測する室内湿度センサと室内空間のＣＯ２濃度を計測するＣＯ２センサとが設置された室内空間の室内環境モデルを作成するものである。室内環境モデルは、熱、水分及びＣＯ２濃度のパラメータが含まれる複数の物理モデルを有する。室内環境モデル作成装置は、学習対象期間における空調設備の運転データを学習用入力データとして記憶するとともに、ＣＯ２センサ及び湿度センサにおいて計測された計測データを記憶するデータ記憶部と、データ記憶部に記憶された学習用入力データと計測データとを用いて複数の物理モデルを統合的に学習するモデルパラメータ学習部とを備える。

Description

室内環境モデル作成装置
　本発明は、空調システムの負荷の予測を行う室内環境モデルを作成する室内環境モデル作成装置に関するものである。
　ビルなどの空調システムは、在室者が快適と感じる室内環境を維持した上で、構成する各種の空調機が互いに連携し、システム全体として最適な運転が行われる必要がある。正確な室内環境の予測により、空調システムが処理すべき負荷がその種類ごとに把握され、各機器の効率的な運転を決定できる。従来から、室内環境および空調負荷の予測には次のような幾つかの方法が提案されている（例えば特許文献１－３参照）。
　特許文献１には、外気温、日射量、人数変動パターンなどの情報がビル空調熱負荷モデルに入力されることにより、壁からの取得熱量、ガラス面からの取得熱量、人体発熱量、電気機器の発熱量等が求められ、これに過去の熱負荷実績データを用いてビル空調熱負荷が予測されるビル空調熱負荷予測装置が開示されている。特許文献２には、各室の形状および開口部を含む邸別データと風速および外気温度を含む気象データに基づいて各室の換気量および温度が交互に複数回計算され収束させることにより、建物内の換気量および温度が予測される建物の換気量及び温度予測システムが開示されている。特許文献３には、ＣＯ２濃度計測値から在室人数を推定し、推定した人体発熱あるいは人数に依存する熱負荷を予測し、推定した熱負荷に基づいて空調機の制御を行う空調制御装置が開示されている。
特許第３３５０２７７号公報 特許第５００８７３９号公報 特開２００８－２９８２９６号公報
　特許文献１、２のような物理式に則ったモデルを用いる手法は、熱負荷や室内温度変動といった物理現象を再現することができる。しかしながら、特許文献１、２のモデルでは、設定パラメータとして、建物の構成部材の物性値や建物形状だけでなく、空調負荷に大きく影響を与える在室人数等の建物の用途によって変化するパラメータが対象建物ごとに必要になり、膨大な設定パラメータを入手することは困難である。また、特許文献３は、室内のＣＯ２濃度計測値から在室人数を求め、在室人数を直接入力することなく在室者数に依存する熱負荷を予測する。しかしながら、ＣＯ２濃度計測値のみを用いて空調負荷を推定しているため、精度が低いという課題がある。
　本発明は、上述のような課題を解決するためになされたものであり、膨大なパラメータを設定することなく、空調システムの負荷を精度良く予測することができる室内環境モデル作成装置を提供することを目的とする。
　本発明の室内環境モデル作成装置は、空気調和を行う空調設備と、室内空間のＣＯ２濃度を計測するＣＯ２センサ及び室内空間の室内湿度を計測する湿度センサとが設置された室内空間の室内環境モデルを作成する室内環境モデル作成装置であって、室内環境モデルは、熱のパラメータが含まれる物理モデル、水分のパラメータが含まれる物理モデル及びＣＯ２濃度のパラメータが含まれる物理モデルを有するものであり、学習対象期間における空調設備の運転データを学習用入力データとして記憶するとともに、ＣＯ２センサ及び湿度センサにおいて計測された計測データを記憶するデータ記憶部と、データ記憶部に記憶された学習用入力データと計測データとを用いて複数の物理モデルを統合的に学習するモデルパラメータ学習部とを備えたものである。
　本発明の室内環境モデル作成装置によれば、複数の物理モデルからなる室内環境モデルを統合的に学習することにより、物理現象に即した精度の高いモデルを得ることができる。
本発明の実施の形態に係る室内環境モデル作成装置を用いた空調制御システムの一例を示すブロック図である。 本発明の実施の形態に係る室内環境モデル作成装置の構成を示すブロック図である。 図２の室内環境モデルを学習する際に考慮される因子の一例を示す模式図である。 図２の室内環境モデル作成装置の動作例を示すフローチャートである。 図４における室内環境モデルの学習工程の一例を示すフローチャートである。
　以下、図面を参照しながら本発明の室内環境モデル作成装置の実施の形態について説明する。図１は本発明の実施の形態に係る室内環境モデル作成装置を用いた空調制御システムの一例を示すブロック図である。図１の空調制御システム１は、空調設備２による空調空間の室内環境モデルに基づいて室内環境を予測し、予測した室内環境に応じて空調設備２を制御するものである。
　空調制御システム１は、室内空間の空気調和を行う空調設備２と、室内環境もしくは室外環境の状態を計測するセンサ群３と、室内環境モデルを作成する室内環境モデル作成装置１０と、室内環境モデル作成装置１０において作成された室内環境モデルを用いて室内環境を予測し空調設備２を制御する空調制御装置２０とを備えている。空調設備２、室内環境モデル作成装置１０及び空調制御装置２０は、例えばネットワークもしくは信号線を介してデータ伝送可能に接続されている。なお、図１において、室内環境モデル作成装置１０と空調制御装置２０とが別々のハードウェア（コンピュータ等）からなる場合について例示しているが、同一のハードウェア（コンピュータ等）により構成されていてもよい。
　空調設備２は、室内環境の空気調和を行うものであり、室内空間の空気調和を行う空気調和装置２Ａおよび室内空間の換気を行う換気装置２Ｂを有している。空気調和装置２Ａは複数台を許容し、室外機と室内機とを有するビル用マルチエアコン、パッケージエアコン、ルームエアコン、もしくは吸収冷凍機などの大型熱源機からなっている。なお、空調設備２は、上記空気調和装置２Ａ及び換気装置２Ｂを有する場合に限られず、例えば外気調和機、加湿器、除湿器等のその他の空調機器を備えたものでもよい。
　センサ群３は、室内湿度を計測する室内湿度センサ３Ａと、室内のＣＯ２濃度を計測するＣＯ２濃度センサ３Ｂを有している。センサ群３は、ネットワークを介して計測した各種情報を室内環境モデル作成装置１０及び空調制御装置２０に伝送する。なお、室内湿度センサ３ＡおよびＣＯ２濃度センサ３Ｂは、室内に複数個設置してもよい。また、センサ群３がネットワークを介して接続されている場合について例示しているが、空調設備２内に組み込まれた状態で設置され、空調設備２から室内環境モデル作成装置１０及び空調制御装置２０に計測したデータが伝送されてもよい。この際、換気装置２Ｂ等の空調設備２における吸込み空気の流路に設置し、室内の代表値として利用してもよい。
　さらに、空調制御システム１には、気象データを配信する気象データ配信サーバ４にネットワークを介して接続されている。そして、室内環境モデル作成装置１０及び空調制御装置２０は、ネットワークを介して気象データ配信サーバ４から気象データを取得する。なお、気象データには、空調設備２が設置された地点における日射量、外気温、外気湿度等のデータが含まれている。なお、気象データが気象データ配信サーバ４を介して配信される場合について例示しているが、センサ群３が建物外部に設置された室外計測センサを含み、室外計測センサから気象データを取得するようにしてもよい。
　室内環境モデル作成装置１０は、時間変化に対する室内環境の変化を予測するための室内環境モデルを作成するものである。後述のように、室内環境モデルには複数の物理モデルが含まれており、複数の物理モデルには、室内温度に関する熱伝導方程式と、水分（湿度）に関する物質移動方程式と、ＣＯ２濃度に関する物質移動方程式とが含まれる。
　空調制御装置２０は、室内環境モデル作成装置１０において作成された室内環境モデルを用いて、将来の空調設備２の運転スケジュールを作成し、空調設備２を制御するものである。空調制御装置２０は、室内環境予測部２１、モデルデータベース２２、スケジュール作成部２３、空調制御部２４を備えている。
　室内環境予測部２１は、モデルデータベース２２に記憶された室内環境モデルを用いて、所定期間の室内環境変化を予測する。ここで、モデルデータベース２２には、室内環境モデル作成装置１０において作成された室内環境モデルが記憶されている。また、モデルデータベース２２には、空調設備特性データ及び後述する室内環境モデルの学習済の各種パラメータ等が記憶されている。室内環境予測部２１は、空調設備２、センサ群３及び気象データ配信サーバ４のそれぞれから運転データ、計測データ及び気象データを取得し、これらを予測用入力データとして用いて、温度モデル、湿度モデル及びＣＯ２モデルに基づき、将来（例えば翌日）の室内温度、室内湿度及び室内ＣＯ２濃度の予測値を演算する。
　スケジュール作成部２３は、室内環境予測部２１において予測された室内環境に基づいて、計画対象期間（例えば翌日）の空調設備２の運転スケジュールを作成する。具体的には、スケジュール作成部２３は、例えば室内温度の予測値が所定の快適温度範囲内に維持され、室内湿度が所定の快適湿度範囲内に維持されるように、空気調和装置２Ａの運転スケジュールを作成する。また、スケジュール作成部２３は、例えばＣＯ２濃度が所定の快適ＣＯ２濃度範囲内に維持されるように、換気装置２Ｂの運転スケジュールを作成する。なお、快適性の観点から運転スケジュールを作成する場合について例示しているが、デマンド制御等の消費電力の観点から運転スケジュールを作成してもよい。
　図２は本発明の実施の形態に係る室内環境モデル作成装置の一例を示すブロック図であり、図１及び図２を参照して室内環境モデル作成装置１０について説明する。なお、図１及び図２に示す室内環境モデル作成装置１０及び空調制御装置２０の構成は、マイコンもしくはコンピュータ等において磁気ディスク、半導体メモリ等の記憶装置に記憶されたプログラムを実行することにより実現されるものである。上述のように、図２の室内環境モデル作成装置１０は、空気調和を行う空調設備２が設置された室内空間の室内環境モデルを作成するものであり、運転データ取得部１１、計測データ取得部１２、気象データ取得部１３、モデルパラメータ学習部１４、データ記憶部１５を備えている。
　運転データ取得部１１は、空調設備２から運転データを取得し、データ記憶部１５へ保存する。計測データ取得部１２は、センサ群３において計測された計測データを取得し、データ記憶部１５へ保存する。運転データは、少なくとも空気調和装置２Ａが室内へ供給もしくは除去した熱量と室内温度とを含む。計測データには、室内湿度及び室内のＣＯ２濃度等が含まれる。なお、熱量が得られない場合、例えば空気調和装置２Ａの室外機の運転周波数、蒸発温度、凝縮温度等の既設センサで取得したデータから熱量を算出してもよい。また、室内温度は室内機の吸込み温度で代替してもよく、空調機運転データから取得する以外に、センサ群３として室内に温度センサが設置されており、計測データ取得部１２が室内温度データを取得してもよい。さらに、換気装置２Ｂの運転データとは、換気装置２Ｂの各時刻の出力（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２Ｂの出力の強・中・弱と停止を換気装置２Ｂの運転データとして説明する。
　気象データ取得部１３は、例えば気象データ配信サーバ４にネットワークを介して接続されており、空調設備２が設置された地点の気象データを取得する。気象データは少なくとも日射量と外気温と外気湿度とを含み、気象データ取得部１３は、気象データを計測データとしてデータ記憶部１５へ記憶する。
　上述した運転データ取得部１１、計測データ取得部１２及び気象データ取得部１３は所定時間（例えば５分）間隔でデータを取得し、データ記憶部１５に記憶する。なお、データの取得間隔は、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。また、データ記憶部１５の記憶容量、モデルパラメータ学習部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、各種データが１分間隔で取得され、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、空気調和装置２Ａおよび換気装置２Ｂの運転データと湿度およびＣＯ２濃度データは、異なる時間間隔で記憶されてもよい。
　モデルパラメータ学習部１４は、データ記憶部１５に記憶された学習用入力データを用いて複数の物理モデルを統合的に学習するものである。ここで、学習用入力データは、過去に取得されデータ記憶部１５に記憶された運転データ、計測データ及び気象データである。室内環境モデルは、熱、水分及びＣＯ２濃度のパラメータが含まれる複数の物理モデルを有するものである。より詳細には、複数の物理モデルには、熱伝導方程式で示される室内温度モデルと、水分に関する物質移動方程式で示される室内湿度モデルと、ＣＯ２濃度に関する物質移動方程式で示されるＣＯ２濃度モデルとが含まれている。
　上述した複数の物理モデルの統合的な学習方法の例のひとつは、複数の物理モデルをすべて連立して解き、収束計算を行うことにより、複数の物理モデル全てに共通のパラメータ及びそれぞれの物理モデルに固有のパラメータを同時に決定してモデルを学習する。あるいは、第１ステップとして複数の物理モデルのうちの一つ以上を選択して複数の物理モデル全てに共通のパラメータ及びそれぞれの物理モデルに固有のパラメータを決定する。第２ステップとして残りの物理モデルの一つ以上を選択し、第２ステップで選択した物理モデルに含まれる、複数の物理モデルに共通のパラメータの値を第１ステップで学習した値とすることで、第２ステップで選択した物理モデルの学習は第２ステップで選択した物理モデルに固有に含まれるパラメータのみを決定することでモデルの学習を行ってもよい。
　はじめに、室内環境モデルの概要について説明する。室内環境モデルは、室内温度モデル、室内湿度モデル及びＣＯ２濃度モデルの３つの物理モデルを有している。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。図３は図２の室内環境モデルを学習する際に考慮される因子の一例を示す模式図である。図３においては、１フロアが１ゾーンで構成される場合について説明する。空調空間の室内環境の因子として、外気温ＴＯ、外気絶対湿度ＸＯ、外気ＣＯ２濃度ρＣＯ２ｏ、日射量ＱＳ、隣接ゾーン温度ＴＯＺ、隣接ゾーン絶対湿度ＸＯＺ、隣接ゾーンＣＯ２濃度、室内温度ＴＺ、室内絶対湿度ＸＺ、室内ＣＯ２濃度ρＣＯ２Ｚ、空調除去（供給）エンタルピ量ＱＨＶＡＣ、室内発生エンタルピ量（照明＋人体＋ＯＡ機器）ＱＯＣＣ＋ＱＥＱＰ、室内発生ＣＯ２量ＭＯＣＣ、換気量Ｇｖｅｎｔ、隙間風量Ｇｄｒａｆｔ、壁からの吸放湿量が挙げられる。なお、１フロアに１つのゾーンが形成されている場合、隣接内温度度は存在しないため、隣接ゾーン温度ＴＯＺ、隣接ゾーン絶対湿度ＸＯＺ、及び隣接ゾーンＣＯ２濃度は無視する。
　上述した各因子を用いた熱伝導方程式に基づく理論式（数式モデル）は、式（１）～（３）のように表され、図３の各因子を用いた物質移動方程式に基づく室内湿度の理論式（数式モデル）は、式（４）のように表され、図３の各因子を用いた物質移動方程式に基づくＣＯ２濃度の理論式（数式モデル）は、下記式（５）のように表される。
Figure JPOXMLDOC01-appb-M000001
Figure JPOXMLDOC01-appb-M000002
Figure JPOXMLDOC01-appb-M000003
Figure JPOXMLDOC01-appb-M000004
Figure JPOXMLDOC01-appb-M000005
　上記式（１）～（５）において、Ｃ１は外壁室外側熱容量［ｋＪ／Ｋ］、Ｃ２は外壁室内側熱容量［ｋＪ／Ｋ］、ＣＺは室内熱容量［ｋＪ／Ｋ］、Ｇｖｅｎｔは換気量［ｍ３／ｓ］、Ｇｄｒａｆｔは隙間風量［ｍ３／ｓ］、Ｗｈｖａｃは空調機による除湿量［ｋｇ／ｓ］、Ｒ１は室外側熱抵抗［Ｋ／ｋＷ］、Ｒ２は外壁熱抵抗［Ｋ／ｋＷ］、Ｒ３は外壁以外の熱抵抗［Ｋ／ｋＷ］、ＲＺは室内側熱抵抗［Ｋ／ｋＷ］、Ｔｏは外気温［℃］、Ｔ１は外壁室外側表面温度［℃］、Ｔ２は外壁室内側表面温度［℃］、ＴＺは室内温度［℃］、ＱＳは日射量［ｋＷ／ｍ２］、Ｑｏｃｃは人体発熱［ｋＷ］、ＱＥＱＰは機器発熱［ｋＷ］、ＱＨＶＡＣは空調除去（供給）熱量［ｋＷ］、αは室内へ透過する日射量の係数、βは外壁へ照射する日射量の係数、γは機器発熱の係数、δは空調除去（供給）熱量の係数を示す。
　また、Ｖは室容量［ｍ３］、ρは空気密度［ｋｇ／ｍ３］、Ｘｚは室内絶対湿度［ｋｇ／ｋｇ（ＤＡ）］、Ｘｏは外気絶対湿度［ｋｇ／ｋｇ（ＤＡ）］、Ｇｖｅｎｔは換気量［ｍ３／ｓ］、Ｇｄｒａｆｔは隙間風量［ｍ３／ｓ］、αｈは代表表面湿気伝達率、ａは飽和水蒸気量近似曲線の傾き［ｋｇ／ｈ（ｋｇ／ｋｇ（ＤＡ））］、ｂは飽和水蒸気量近似曲線の切片［ｋｇ／ｈ（ｋｇ／ｋｇ（ＤＡ））］、ＷＲＨは壁表面相対湿度、ｃｌは０℃における水の蒸発潜熱［ｋＪ／ｋｇ］、εは人体発熱の係数、Ｖは室容量［ｍ３］、ρＣＯ２ｏは外気ＣＯ２濃度［ｐｐｍ］、ρｃｏ２ｚは室内ＣＯ２濃度［ｐｐｍ］、Ｇｖｅｎｔは換気量［ｍ３／ｓ］、Ｇｄｒａｆｔは隙間風量［ｍ３／ｓ］、Ｍｏｃｃは人体ＣＯ２発生量［ｍ３／ｓ］を示す。
　上記式（１）～式（５）の理論式をそれぞれ物理モデルに置き換えると、下記式（６）～式（１０）のように表される。すなわち、式（１）～式（３）の熱伝導方程式に基づく理論式（数式モデル）を室内温度モデルに置き換えると下記式（５）～式（８）のように表される。式（４）の物質移動方程式に基づく室内湿度の理論式（数式モデル）を室内湿度モデルに置き換えると下記式（９）のように表される。式（５）の物質移動方程式に基づくＣＯ２濃度の理論式（数式モデル）は、ＣＯ２濃度モデルに置き換えると、下記式（１０）のように表される。
Figure JPOXMLDOC01-appb-M000006
Figure JPOXMLDOC01-appb-M000007
Figure JPOXMLDOC01-appb-M000008
Figure JPOXMLDOC01-appb-M000009
Figure JPOXMLDOC01-appb-M000010
　上記式（６）～（１０）において、ｗは室の幅［ｍ］、ｄは室の奥行［ｍ］、ｈは室の天井高［ｍ］、Ｑｏｃｃ’は一人当たりの人体発熱［ｋＷ／人］、ＱＥＱＰ’は一人当たりの機器発熱［ｋＷ／人］、Ｒ１’は単位面積当たりの室外側熱抵抗［（Ｋ・ｍ２）／ｋＷ］、Ｒ２’は単位面積当たりの外壁熱抵抗［（Ｋ・ｍ２）／ｋＷ］、Ｒ３’は単位面積当たりの外壁以外の熱抵抗［（Ｋ・ｍ２）／ｋＷ］、ＲＺ’は単位面積当たりの室内側熱抵抗［（Ｋ・ｍ２）／ｋＷ］、Ｎｏｃｃは設計在室密度［人／ｍ２］、Ｎｄｒａｆｔは隙間相当換気回数［回／ｈ］、Ｇｖは設計換気風量［ｍ３／（人・ｈ）］、Ｐｏｃｃは在室パターン、Ｐｖｅｎｔは換気パターンを示す。
　なお、式（６）～式（１０）において、在室パターンＰｏｃｃは、各時刻例えば１時間毎の在室率（＝０～１．０）を示すパラメータであり、人が全員在室しているときには１になり、全員不在のときには０になる。また、換気パターンＰｖｅｎｔ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になり、停止しているときに０になる。
　また、式（６）～式（１０）において、空調除去（供給）エンタルピ量ＱＨＶＡＣは、運転データ取得部１１で取得可能であれば、その値をそのまま用いればよい。取得不可能の場合、空調機特性データを用いて熱量を計算する。例えば、空調機特性データとして、室外機の圧縮機周波数ｆ、蒸発温度ＥＴ、凝縮温度ＣＴと供給熱量の関係を示す下記式（１１）を準備し、式中の係数ａ、ｂ、ｃ、ｄは圧縮機の種別によって異なる係数を与えておく。なお、式（１１）において、係数ａ、ｂ、ｃ、ｄは実測値から求めてもよい。室外機の圧縮機周波数ｆ、蒸発温度ＥＴ、凝縮温度ＣＴと供給熱量の関係は、室外機の冷媒回路をモデル化した空調機モデルで算出してもよい。
Figure JPOXMLDOC01-appb-M000011
　ここで、式（６）～式（１０）に示す室内環境モデルは、複数のパラメータを含むものであるが、複数のパラメータは、（１）設計パラメータ、（２）運用パラメータ、（３）既知パラメータの３つに分類することができる。
　（１）設計パラメータは、前記空調設備及び室内空間の設計要素を示すものであって固定値で与えられるパラメータであり、室の幅ｗ、奥行ｄ、天井高ｈ、設計換気風量ＧＶ、設計在室密度ＮＯＣＣ、隙間風相当換気回数Ｎｄｒａｆｔ、外壁の熱抵抗Ｒ２及び熱容量Ｃ１、Ｃ２、室内へ透過する日射量の係数α、外壁へ照射する日射量の係数β、機器発熱の係数γ、空調除去（供給）熱量の係数δ、人体発熱の係数ε、空調機処理エンタルピ量における潜熱の割合ＳＨＦＯＣＣ、代表表面湿気伝達率αｈ、壁表面相対湿度ＷＲＨである。
　（２）運用パラメータは、時間変化する熱、水蒸気、ＣＯ２発生源の特性を示すパラメータである。熱、水蒸気、ＣＯ２発生源の特性とは、熱、水蒸気、ＣＯ２の発生量と比例する等の相関があるデータであり、例えば室内の執務者の人員数の時間変化、すなわち執務者の在室パターンＰｏｃｃである。
　（３）既知パラメータは、設備設計時の情報や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、外気ＣＯ２濃度ρＣＯ２Ｏ、１人当たりの人体発生エンタルピ量ＱＯＣＣ’、ＣＯ２発生量ＭＯＣＣ、人体発生エンタルピにおける潜熱の割合ＳＨＦＯＣＣ、空気密度ρである。なお、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。
　図２のモデルパラメータ学習部１４は、データ記憶部１５に記憶された学習用入力データを用いて複数の物理モデルを統合的に学習するものである。はじめに、室内環境モデルのパラメータの学習が行われる際に、例えば学習対象期間（例えば１週間）の間、空調設備２の運転が行われ、学習対象期間における運転データ及び計測データが取得されデータ記憶部１５に記憶される。モデルパラメータ学習部１４は、学習対象期間における運転データ及び計測データを学習用入力データとして用いて、室内環境モデルのパラメータの学習を行う。
　さらに、データ記憶部１５には、パラメータ学習に用いられる学習条件が記憶されている。学習条件は、対象とする空調システムに関する機器情報、パラメータの学習に用いる運転計測データの所定の期間（例えば１週間）、学習の終了条件等である。なお、終了条件としては、所定のＣＯ２濃度予測の精度が所定の精度に到達したか、所定の改善率に到達したか、学習時間が所定の最大学習時間に到達したか、学習の繰り返し回数が所定の最大繰り返し回数に到達したか、などが例としてある。これらの終了条件は、学習条件で与えられる。その後、学習結果がデータ記憶部１５に記憶される。ユーザは、対象建物番号、学習期間などの学習条件を設定し、モデルパラメータ学習部１４はデータ記憶部１５から必要な学習用入力データを抽出する。
　さらに、データ記憶部１５には、空調機器の性能を表す空調機器特性データが記憶されている。なお、空調機器特性データはユーザにより登録されたものでもよいし、運転データから推定されたものでもよい。このうち、空調機器特性データは、上述したように運転データ取得部１１において空調機が供給（除去）する熱量が得られず、室外機の運転周波数等から熱量を計算する必要がある場合は、各室外機の運転周波数、蒸発温度、凝縮温度と供給熱量の関係を含むものである。
　上述のように、式（６）～式（１０）の室内環境モデルに含まれる各種パラメータは３つに分類され、式（６）～式（１０）の温度モデル、湿度モデル及びＣＯ２モデルには、それぞれ共通するパラメータが含まれている。モデルパラメータ学習部１４は、複数の物理モデル（室内温度モデル、室内湿度モデル及びＣＯ２モデル）の共通のパラメータについて、各パラメータの分類毎に統合的に学習する。具体的には、モデルパラメータ学習部１４は、複数の物理モデルにおける設計パラメータの学習を行う設計モデルパラメータ学習部１４ａと、複数の物理モデルにおける運転パラメータの学習を行う運用モデルパラメータ学習部１４ｂとを有する。
　換言すると、モデルパラメータ学習部１４は、複数の物理モデルのすべてに共通して含まれるパラメータおよび熱のパラメータを含む物理モデル（例えば室内温度モデル）と、複数の物理モデルのすべてに共通のパラメータおよび水分のパラメータを含む物理モデル（例えば室内湿度モデル）と、複数の物理モデルのすべてに共通のパラメータおよびＣＯ２濃度のパラメータを含む物理モデル（例えばＣＯ２モデル）とを連立して解き、収束計算を行うことにより全ての物理モデルに含まれる全てのパラメータを同時に決定してモデルを学習する。
（設計モデルパラメータ学習部１４ａ）
　設計モデルパラメータ学習部１４ａは、上記３つに分類されるパラメータのうち、設計パラメータの学習を行うものである。はじめに、設計モデルパラメータ学習部１４ａは、室内環境モデルの設計パラメータを所定の値に設定するとともに、運用パラメータ（在席率）を所定の値に固定する。その状態で、設計モデルパラメータ学習部１４ａは、データ記憶部１５に記憶されている学習用入力データ及び既知データを式（６）～式（１０）のそれぞれに入力する。すなわち、過去の所定の期間の実測データである空気調和装置２Ａの運転データから計算される空調機供給熱量および換気装置２Ｂの運転データから計算される換気量パターンと日射量、外気温、外気湿度が、室内環境モデルに入力される。すると、式（６）～式（１０）に示す室内環境モデルから室内温度、室内湿度及びＣＯ２濃度の時間変化が出力される。
　次に、設計モデルパラメータ学習部１４ａは、室内環境モデルの出力結果と、センサ群３において実測された所定の期間における室内温度、湿度およびＣＯ２濃度とを比較し評価する。この際、設計モデルパラメータ学習部１４ａは、例えば室内環境モデルの出力結果と実測データとの二乗平均平方根誤差（ＲＭＳＥ）を、所定の値の設計パラメータの評価値として算出する。
　次に、設計モデルパラメータ学習部１４ａは、設計パラメータに分類される複数のパラメータのうち、少なくとも１つのパラメータの値を変化させる。その後、設計モデルパラメータ学習部１４ａは、設計パラメータを変更した後の室内環境モデルに学習用入力データ及び既知データを入力することにより、室内温度、湿度及びＣＯ２濃度の出力結果を得る。設計モデルパラメータ学習部１４ａは、所定の期間における室内温度、湿度およびＣＯ２濃度の実測データとの二乗平均平方根誤差（ＲＭＳＥ）を変更後の設計パラメータの評価値として算出する。
　設計モデルパラメータ学習部１４ａは、設計パラメータの変更前の評価値と、設計パラメータの変更後の評価値とを比較する。設計パラメータの変更後の評価値が、変更の評価値より小さい場合、変化後の設計パラメータは最適化された値であると判断し、設計パラメータの値を更新する。一方、設計パラメータの変更後の評価値が前回の所定の値の評価値以上である場合、前回の設計パラメータは最適化された値であると判断し、設計パラメータの値を維持する。このように、設計モデルパラメータ学習部１４ａは、評価値に基づく収束計算を行いながら、設計パラメータを学習して最適化を行う。
　設計モデルパラメータ学習部１４ａは、室内温度モデル、室内湿度モデル及びＣＯ２モデルの設計パラメータをそれぞれ個別に学習するのではなく統合的に学習する。つまり、同一の設計パラメータを用いて室内温度モデル、室内湿度モデル及びＣＯ２モデルの３つの物理モデルが同時に学習されることになる。
　設計モデルパラメータ学習部１４ａは、設計パラメータの変更、評価及び更新を設定繰返回数だけ行う。この際、各運用パラメータの値には設備設計時の情報や文献値等である程度妥当な値に基づいて、上限値及び下限値が学習条件として設定されている。運用モデルパラメータ学習部１４ｂは、設計パラメータが上限値及び下限値を逸脱しないように学習を行う。
（運用モデルパラメータ学習部１４ｂ）
　運用モデルパラメータ学習部１４ｂは、上記３つに分類される室内環境モデルのパラメータのうち、運用パラメータの学習を行うものである。はじめに、運用モデルパラメータ学習部１４ｂは、室内環境モデルの運用パラメータを所定の値に設定するとともに、設計パラメータを所定の値に固定する。その状態で、運用モデルパラメータ学習部１４ｂは、データ記憶部１５に記憶されている学習用入力データ及び既知データを式（６）～式（１０）のそれぞれに入力する。すなわち、過去の所定の期間の実測データである空気調和装置２Ａの運転データから計算される空調機供給熱量および換気装置２Ｂの運転データから計算される換気量パターンと日射量、外気温、外気湿度が、室内環境モデルに入力される。すると、式（６）～式（１０）から室内温度、室内湿度及びＣＯ２濃度の時間変化が出力される。
　次に、運用モデルパラメータ学習部１４ｂは、室内環境モデルの出力結果と、センサ群３において実測された所定の期間における室内温度、湿度およびＣＯ２濃度とを比較し評価する。この際、運用モデルパラメータ学習部１４ｂは、例えば室内環境モデルの出力結果と実測データとの二乗平均平方根誤差（ＲＭＳＥ）を、所定の値の運用パラメータの評価値として算出する。
　次に、運用モデルパラメータ学習部１４ｂは、運用パラメータに分類される複数のパラメータのうち、少なくとも１つのパラメータの値を変化させる。具体的には、運用モデルパラメータ学習部１４ｂは、上記在室パターンのうち、少なくとも１つの時刻の在室率の値を変化させる。その後、運用モデルパラメータ学習部１４ｂは、運用パラメータを変更した後の室内環境モデルと学習用入力データ及び既知データに基づいて、室内温度、湿度及びＣＯ２濃度の出力結果を得る。そして、設計モデルパラメータ学習部１４ａは、所定の期間における室内温度、湿度およびＣＯ２濃度の実測データとの二乗平均平方根誤差（ＲＭＳＥ）を変更後の運用パラメータの評価値として算出する。
　運用モデルパラメータ学習部１４ｂは、運用パラメータの変更前の評価値と、運用パラメータの変更後の評価値とを比較する。運用パラメータの変更後の評価値が、変更前の評価値より小さい場合、変化後の運用パラメータは最適化された値であると判断し、運用パラメータの値を更新する。一方、運用パラメータの変更後の評価値が前回の所定の値の評価値以上である場合、前回の運用パラメータは最適化された値であると判断し、運用パラメータの値を維持する。
　運用モデルパラメータ学習部１４ｂは、室内温度モデル、室内湿度モデル及びＣＯ２モデルの運用パラメータをそれぞれ個別に学習するのではなく統合的に学習する。つまり、同一の運用パラメータを用いて室内温度モデル、室内湿度モデル及びＣＯ２モデルの３つの物理モデルが同時に学習されることになる。
　運用モデルパラメータ学習部１４ｂは、設計パラメータの変更、評価及び更新を設定繰返回数だけ行う。この際、各運用パラメータの値には設備設計時の情報や文献値等である程度妥当な値に基づいて、上限値及び下限値が学習条件として設定されている。運用モデルパラメータ学習部１４ｂは、運用パラメータが上限値及び下限値を逸脱しないように学習を行う。このように、運用モデルパラメータ学習部１４ｂは、温度モデル、湿度モデル及びＣＯ２モデルの運用パラメータをそれぞれ個別に学習するのではなく統合的に学習する。
　なお、設計パラメータ及び運用パラメータの学習において、評価値として二乗平均平方根誤差（ＲＭＳＥ）が用いられる場合について例示しているが、これとは異なる指標により評価してもよい。また、運用パラメータの学習において、在室パターンＰｏｃｃは、対象とするビルの運用状態によって、複数のパターンが変更後のパターンとして用意されていてもよい。例えば、平日と休日は異なるパターンとする、毎週水曜日が定時退社日である場合は月火木金と水は異なるパターンとする、などとしてよい。休日はＣＯ２発生源となる執務者の在室率が極めて小さい場合や、換気装置２Ｂ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。さらに、モデルパラメータ学習部１４で行われる換気量パターンの計算については、例えば、換気装置２Ｂの運転データのパターンが強・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計算するなどとすればよい。
（室内環境モデルのパラメータ学習の処理フロー）
　図４は図２の室内環境モデル作成装置の動作例を示すフローチャートであり、図１～図４を参照して室内環境モデル装置による室内環境モデルの学習工程について説明する。はじめに、運転データ取得部１１において、空調設備２が運転した際の学習対象期間（例えば１週間分）の運転計測データが取得されデータ記憶部１５に記憶される（ステップＳＴ１）。また、空調設備２の空調特性データがデータ記憶部１５に記憶される（ステップＳＴ２）。さらに、室内環境モデルを学習する際の学習条件がデータ記憶部１５に記憶される（ステップＳＴ３）。
　そして、モデルパラメータ学習部１４において、データ記憶部１５に記憶された運転計測データ、空調特性データ及び学習条件に基づいて、室内環境モデルの学習が行われる（ステップＳＴ４）。なお、室内環境モデルの学習の実行は、管理者等による手動での実行でもよいし、データ収集完了後に自動的に実行されてもよい。その後、学習が行われた室内環境モデルは、データ記憶部１５に記憶されるとともに、モデルデータベース２２に記憶される（ステップＳＴ５）。
　図５は図４における室内環境モデルの学習工程の一例を示すフローチャートである。図５において、データ記憶部１５に記憶されている学習用入力データ（過去の運転計測データ）、学習条件及び空調設備特性データがデータ記憶部１５から読み込まれる（ステップＳＴ１１）。その後、設計モデルパラメータ学習部１４ａにおいて、式（６）～式（１０）に運用パラメータ（在室パターンＰｏｃｃ）が固定され、設計パラメータの学習が行われる（ステップＳＴ１２）。この際、設計モデルパラメータ学習部１４ａにおいて、運用パラメータの値の変更が複数回繰り返されて、設計パラメータの学習が行われる。
　その後、運用モデルパラメータ学習部１４ｂにおいて、式（６）～式（１０）に設計パラメータが固定値され、運用パラメータの学習が行われる（ステップＳＴ１３）。運用モデルパラメータ学習部１４ｂの説明で述べた在室率の変更は、複数回繰り返して学習が行われる（ステップＳＴ１４）。そして、モデルパラメータ学習部１４において、設計パラメータ及び運用パラメータの学習について、例えば繰り返し回数等の終了条件を満たしているか否かが判定され、学習の終了条件を満たしている場合に、学習済みの室内環境モデルがデータ記憶部１５に記憶される。
　上記実施の形態によれば、室内環境モデルに含まれる複数の物理モデルを統合的に学習することにより、物理現象に即した精度の高い室内環境モデルを得ることができる。すなわち、室内環境モデルにより予測される温度、湿度及びＣＯ２濃度は共通する原因因子により変動する。そこで、モデルパラメータ学習部１４が共通する原因因子をパラメータとして含む複数の物理モデルが統合的に学習する。これにより、予め建物固有のパラメータの設定を行うことなく、現実に即した室内環境モデルを得ることができる。さらに、各建物の熱特性パラメータや位置情報並びに詳細な建物仕様（例えば窓面積や屋根面積等）を入力することなく、物理式に基づいた室内環境モデルを作成することができる。
　また、複数の運転データ及び計測データを用いて室内環境モデルが学習されているため、単一データに含まれる誤差に影響されることなく、精度の高い室内環境モデルを構築することができる。
　さらに、室内環境モデルを学習する際に、建物・空調機器に関する一般的指標や設計時の情報から予め適切な上下限値を与えること場合、個別の建物の温度、湿度、ＣＯ２濃度特性パラメータを学習することができる。
　また、室内における温度、湿度、ＣＯ２濃度に影響を与える因子には在室者数、換気風量、隙間風量および建物形状等があり、これらが室内における各物理量を表す共通のパラメータとなることから、複数の物理モデルからなる室内環境モデルを統合的に学習することで予めパラメータを入力することなしに、物理現象に即した精度の高い汎用的な室内環境モデルを得ることができる。
　さらにモデルパラメータ学習部１４が、複数の物理モデルにおける運用パラメータの値を固定させた状態で設計パラメータの値を変化させながら、複数の物理モデルにおける設計パラメータの学習を同時に行う設計モデルパラメータ学習部１４ａと、複数の物理モデルにおける設計パラメータの値を固定させた状態で運用パラメータの値を変化させながら、複数の物理モデルにおける運用パラメータの学習を同時に行う運用モデルパラメータ学習部１４ｂとを備えた場合、異なる因子毎に学習が行われることになるため、より精度の高いモデルを得ることができる。
　本発明の実施の形態は、上記実施の形態に限定されるものではなく、本発明の要旨を逸脱しない範囲で例えば以下のように種々変形実施可能である。図５において、設計パラメータの学習が行われた後に、運用パラメータの学習が行われる場合について例示しているが、実行順は逆でもよく、運用パラメータの学習が行われた後に、設計パラメータの学習が行われてもよい。
　また、運用パラメータの学習の際の繰り返し回数と、設計パラメータの際の学習の繰り返し回数は同一でなくてもよい。さらに、設計モデルパラメータ学習部１４ａ及び運用モデルパラメータ学習部１４ｂにおける学習の繰り返し回数は、学習条件に含まれる終了条件（ループ回数）に応じて変更してもよい。例えば、学習条件による繰り返し回数が進むにつれて、設計モデルパラメータ学習部１４ａ及び運用モデルパラメータ学習部１４ｂにおける徐々に繰り返し回数を固定比率や確率的な比率で増加もしく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もしくは減少させてもよい。
　また、室内環境モデルのパラメータの学習を行うタイミングは、適宜設定することができる。例えば室内環境モデル作成装置１０による室内環境モデルの作成は導入時に１回実行する。この際、室内環境モデルの作成は室内環境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）が完了した後に実行される。１週間は一例であり、モデルに要求される精度、データ記憶部１５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週間分や１か月分等のデータであってもよい。このように、室内環境モデル作成装置１０の導入時に１回、通常は日々変化することのない建物の設計データや、オフィスビルでは通常多くの日で似通っている在室パターンを決定する。また、室内環境モデルの作成の実行は、管理者等による手動での実行でもよいし、データ収集完了後の自動での実行でもよい。
　なお、室内環境モデル作成装置１０は、室内環境モデルの作成を定期的に実行されてもよい。例えば、１日に１回の学習が実行され、室内環境モデルが更新されてもよい。これにより、現実には日々変化する在室パターン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パターン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。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、在室パターン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や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は、データ記憶部１５に学習条件として記憶しておく。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、学習に用いるデータの期間や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。また、図１の室内環境モデル作成装置１０と空調制御装置２０とが同一のハードウェア（コンピュータ等）から構成されている場合、室内環境モデル作成装置１０のデータ記憶部１５と空調制御装置２０のモデルデータベース２２とが一体に形成されていてもよい。
　さらに、モデルパラメータ学習部１４は、データ記憶部１５に記憶された学習用入力データと計測データとを用いて複数の物理モデルを統合的に学習するものであればよく、上述のように、すべての物理モデルを統合的に全てのパラメータを同時に決定してモデルを学習する場合に限定されない。例えば、モデルパラメータ学習部１４は、はじめに複数の物理モデル（例えば室内温度モデル、室内湿度モデル及びＣＯ２モデル）の一部の物理モデル（例えば室内温度モデル）を学習の対象として、複数の物理モデルの全てに共通して含まれるパラメータ及び対象の物理モデルに固有に含まれるパラメータを学習する。その後、モデルパラメータ学習部１４は、残りの複数の物理モデル（例えば室内湿度モデル及びＣＯ２モデル）の学習の際には物理モデルのすべてに共通のパラメータの値をはじめに学習した値とし、残りのそれぞれの物理モデルに含まれる固有のパラメータのみを学習するようにしてもよい。このように、モデルパラメータ学習部１４は、複数の物理モデルの全てに共通のパラメータ及びそれぞれの物理モデルに固有に含まれるパラメータを、３段階以上（３つの物理モデル毎）に分けて学習するようにしてもよい。
　１　空調制御システム、２　空調設備、２Ａ　空気調和装置、２Ｂ　換気装置、３　センサ群、３Ａ　室内湿度センサ、３Ｂ　ＣＯ２濃度センサ、４　気象データ配信サーバ、１０　室内環境モデル作成装置、１１　運転データ取得部、１２　計測データ取得部、１３　気象データ取得部、１４　モデルパラメータ学習部、１４ａ　設計モデルパラメータ学習部、１４ｂ　運用モデルパラメータ学習部、１５　データ記憶部、２０　空調制御装置、２１　室内環境予測部、２２　モデルデータベース、２３　スケジュール作成部、２４　空調制御部。

Claims (9)

  1. 　空気調和を行う空調設備と、室内空間のＣＯ２濃度を計測するＣＯ２センサ及び室内空間の室内湿度を計測する湿度センサとが設置された室内空間の室内環境モデルを作成する室内環境モデル作成装置であって、
    　室内環境モデルは、熱のパラメータが含まれる物理モデル、水分のパラメータが含まれる物理モデル及びＣＯ２濃度のパラメータが含まれる物理モデルを有するものであり、
    　学習対象期間における前記空調設備の運転データを学習用入力データとして記憶するとともに、前記ＣＯ２センサ及び前記湿度センサにおいて計測された計測データを記憶するデータ記憶部と、
    　前記データ記憶部に記憶された前記学習用入力データと計測データとを用いて複数の物理モデルを統合的に学習するモデルパラメータ学習部と
    　を備えた室内環境モデル作成装置。
  2. 　複数の物理モデルには、熱伝導方程式と、水分に関する物質移動方程式と、ＣＯ２濃度に関する物質移動方程式とが含まれる請求項１に記載の室内環境モデル作成装置。
  3. 　複数の物理モデルには、熱伝導方程式で示される室内温度モデルと、水分に関する物質移動方程式で示される室内湿度モデルと、ＣＯ２濃度に関する物質移動方程式で示されるＣＯ２濃度モデルとが含まれる請求項２に記載の室内環境モデル作成装置。
  4. 　複数の物理モデルは、互いに共通のパラメータを含み、
    　前記モデルパラメータ学習部は、共通のパラメータを統合的に学習するものである請求項１～３のいずれか１項に記載の室内環境モデル作成装置。
  5. 　前記モデルパラメータ学習部は、複数の物理モデルのすべてに共通して含まれるパラメータおよび熱のパラメータを含む物理モデルと、前記複数の物理モデルのすべてに共通のパラメータおよび水分のパラメータを含む物理モデルと、複数の物理モデルのすべてに共通のパラメータおよびＣＯ２濃度のパラメータを含む物理モデルとを連立して解き、収束計算を行うことにより全ての物理モデルに含まれる全てのパラメータを同時に決定してモデルを学習するものである請求項１～３のいずれか１項に記載の室内環境モデル作成装置。
  6. 　前記モデルパラメータ学習部は、はじめに複数の物理モデルの一部の物理モデルを学習の対象として、複数の物理モデルの全てに共通して含まれるパラメータ及び対象の物理モデルに固有に含まれるパラメータを学習し、残りの複数の物理モデルの学習の際には物理モデルのすべてに共通のパラメータの値をはじめに学習した値として、残りのそれぞれの物理モデルに含まれる固有のパラメータのみを学習する請求項１～３のいずれか１項に記載の室内環境モデル作成装置。
  7. 　前記モデルパラメータ学習部は、複数の物理モデルの全てに共通のパラメータ及びそれぞれの物理モデルに固有に含まれるパラメータを、３段階以上に分けて学習する請求項６に記載の室内環境モデル作成装置。
  8. 　複数の物理モデルは、前記空調設備及び室内空間の設計要素を表す設計パラメータと、在席率に関する在席パラメータを含む運用パラメータとに分類されるパラメータを含むものであり、
    　前記モデルパラメータ学習部は、
    　複数の物理モデルにおける運用パラメータの値を固定させた状態で設計パラメータの値を変化させながら、複数の物理モデルにおける設計パラメータの学習を同時に行う設計モデルパラメータ学習部と、
    　複数の物理モデルにおける設計パラメータの値を固定させた状態で運用パラメータの値を変化させながら、複数の物理モデルにおける運用パラメータの学習を同時に行う運用モデルパラメータ学習部と
    　を備えた請求項１～７のいずれか１項に記載の室内環境モデル作成装置。
  9. 　前記モデルパラメータ学習部は、運転データと計測データのみから室内環境モデルを学習する請求項８に記載の室内環境モデル作成装置。
PCT/JP2015/080457 2015-05-18 2015-10-28 室内環境モデル作成装置 WO2016185630A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2017518720A JP6289749B2 (ja) 2015-05-18 2015-10-28 室内環境モデル作成装置
EP15892629.5A EP3299975B1 (en) 2015-05-18 2015-10-28 Indoor environment model creation device
US15/565,528 US10353355B2 (en) 2015-05-18 2015-10-28 Indoor environment model creation device

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2015101268 2015-05-18
JP2015-101268 2015-05-18

Publications (1)

Publication Number Publication Date
WO2016185630A1 true WO2016185630A1 (ja) 2016-11-24

Family

ID=57319587

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2015/080457 WO2016185630A1 (ja) 2015-05-18 2015-10-28 室内環境モデル作成装置

Country Status (4)

Country Link
US (1) US10353355B2 (ja)
EP (1) EP3299975B1 (ja)
JP (1) JP6289749B2 (ja)
WO (1) WO2016185630A1 (ja)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101908311B1 (ko) * 2017-05-29 2018-10-17 엘지전자 주식회사 공기조화기 및 공기조화 시스템
KR20190104926A (ko) * 2019-08-22 2019-09-11 엘지전자 주식회사 공조시스템 및 그 제어 방법
CN111080039A (zh) * 2020-03-17 2020-04-28 浙江上风高科专风实业有限公司 一种风机集群故障预测方法及系统
JP2020115270A (ja) * 2019-01-17 2020-07-30 株式会社富士通ゼネラル サーバ装置および学習方法
JP2020122640A (ja) * 2019-01-31 2020-08-13 株式会社富士通ゼネラル メンテナンス時期調整装置および空気調和システム
JP2020144555A (ja) * 2019-03-05 2020-09-10 ダイキン工業株式会社 設備機器の制御システム
JPWO2020208823A1 (ja) * 2019-04-12 2021-10-21 三菱電機株式会社 空気調和システム
WO2022180931A1 (ja) * 2021-02-24 2022-09-01 三菱重工サーマルシステムズ株式会社 空気調和装置の制御装置及び空気調和装置、並びに空気調和方法、並びに空気調和プログラム
CN115280077A (zh) * 2020-03-27 2022-11-01 三菱电机株式会社 空调控制的学习装置以及推理装置
WO2023053654A1 (ja) * 2021-09-29 2023-04-06 ダイキン工業株式会社 換気量推定装置、換気量推定方法およびプログラム
WO2023112074A1 (ja) * 2021-12-13 2023-06-22 三菱電機株式会社 機器制御装置及び機器制御方法
WO2023181778A1 (ja) * 2022-03-24 2023-09-28 パナソニックＩｐマネジメント株式会社 推定方法、プログラム、及び推定システム
JP7473690B2 (ja) 2020-06-10 2024-04-23 中興通訊股▲ふん▼有限公司 冷却機器の制御方法、冷却機器制御装置、コンピュータ機器及びコンピュータ可読媒体

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB201313444D0 (en) * 2013-07-29 2013-09-11 Ambi Labs Ltd Energy efficient indoor climate controller
US11669220B2 (en) * 2017-03-20 2023-06-06 Autodesk, Inc. Example-based ranking techniques for exploring design spaces
KR102472214B1 (ko) 2018-02-28 2022-11-30 삼성전자주식회사 에어 컨디셔닝 시스템에서 복합 제어 장치 및 방법
KR102183484B1 (ko) * 2018-09-18 2020-11-26 엘지전자 주식회사 인공지능을 이용하여 공조 부하를 예측하는 공기조화기, 클라우드 서버, 공기조화기의 구동방법
KR102029250B1 (ko) * 2018-10-02 2019-11-29 엘지전자 주식회사 인공지능에 기반하여 공조 부하를 예측하는 공기조화기, 클라우드 서버, 공기조화기의 구동방법
WO2020218632A1 (ko) * 2019-04-23 2020-10-29 엘지전자 주식회사 인공지능 장치
CN111895632B (zh) * 2020-08-21 2021-12-17 河北棣烨信息技术有限公司 被动房新风机控制方法、系统及终端设备
KR102439453B1 (ko) * 2021-02-22 2022-09-01 포항공과대학교 산학협력단 상호 연결된 인공 신경망과 온라인 학습을 이용한 열 공조 시스템 및 운영 방법
CN116379582A (zh) * 2023-04-14 2023-07-04 佛山市南海南洋电机电器有限公司 一种新风系统的控制方法、装置、系统和介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011214794A (ja) * 2010-04-01 2011-10-27 Mitsubishi Electric Corp 空調システム制御装置
WO2014171314A1 (ja) * 2013-04-15 2014-10-23 三菱電機株式会社 空調システム制御装置
WO2014174871A1 (ja) * 2013-04-22 2014-10-30 三菱電機株式会社 空調制御システム及び空調制御方法

Family Cites Families (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5292280A (en) * 1992-02-14 1994-03-08 Johnson Service Co. Method and apparatus for controlling ventilation rates and indoor air quality in an HVAC system
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
JP3350277B2 (ja) 1995-03-03 2002-11-25 株式会社東芝 ビル空調熱負荷予測装置
US20030216837A1 (en) 2002-03-08 2003-11-20 Daniel Reich Artificial environment control system
US7502768B2 (en) * 2004-02-27 2009-03-10 Siemens Building Technologies, Inc. System and method for predicting building thermal loads
KR100672586B1 (ko) * 2005-02-15 2007-01-24 엘지전자 주식회사 공조기의 공기 청정 제어방법
JP2008298296A (ja) 2007-05-29 2008-12-11 Meidensha Corp 空調制御装置
KR100830095B1 (ko) * 2007-11-12 2008-05-20 충남대학교산학협력단 냉방부하 예측방법
US20100025483A1 (en) * 2008-07-31 2010-02-04 Michael Hoeynck Sensor-Based Occupancy and Behavior Prediction Method for Intelligently Controlling Energy Consumption Within a Building
US9020647B2 (en) * 2009-03-27 2015-04-28 Siemens Industry, Inc. System and method for climate control set-point optimization based on individual comfort
JP5514507B2 (ja) * 2009-10-21 2014-06-04 株式会社日立製作所 エリア内環境制御システム及びエリア内環境制御方法
JP5008739B2 (ja) 2010-03-29 2012-08-22 旭化成ホームズ株式会社 建物の換気量及び温度予測システム
US20120023428A1 (en) * 2010-07-20 2012-01-26 Honeywell International Inc. Environmental sensor touchscreen interface for public areas
US8560126B2 (en) * 2011-03-11 2013-10-15 Honeywell International Inc. Setpoint optimization for air handling units
EP2751724A2 (en) * 2011-09-03 2014-07-09 Tata Consultancy Services Limited Optimization of cooling in data centre
US8958921B2 (en) * 2012-06-29 2015-02-17 Mitsubishi Electric Research Laboratories, Inc. Method for operating building climate control system using integrated temperature and humidity models
AU2013313030B2 (en) * 2012-09-07 2018-03-08 Csr Building Products Limited System for optimising an enclosed space
CA2885868C (en) * 2012-10-01 2023-04-04 Google Inc. Radiant heating controls and methods for an environmental control system
US20140365017A1 (en) * 2013-06-05 2014-12-11 Jason Hanna Methods and systems for optimized hvac operation
EP3053005A4 (en) * 2013-10-04 2017-07-12 Tata Consultancy Services Limited Optimizing data center cooling efficiency
US10230240B2 (en) * 2013-10-22 2019-03-12 University Of Florida Research Foundation, Incorporated Low-frequency ancillary power grid services
TWI525560B (zh) * 2013-11-07 2016-03-11 財團法人資訊工業策進會 效能管理系統、方法與其電腦可讀取記錄媒體

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011214794A (ja) * 2010-04-01 2011-10-27 Mitsubishi Electric Corp 空調システム制御装置
WO2014171314A1 (ja) * 2013-04-15 2014-10-23 三菱電機株式会社 空調システム制御装置
WO2014174871A1 (ja) * 2013-04-22 2014-10-30 三菱電機株式会社 空調制御システム及び空調制御方法

Cited By (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101908311B1 (ko) * 2017-05-29 2018-10-17 엘지전자 주식회사 공기조화기 및 공기조화 시스템
JP7211096B2 (ja) 2019-01-17 2023-01-24 株式会社富士通ゼネラル サーバ装置および学習方法
JP2020115270A (ja) * 2019-01-17 2020-07-30 株式会社富士通ゼネラル サーバ装置および学習方法
JP2020122640A (ja) * 2019-01-31 2020-08-13 株式会社富士通ゼネラル メンテナンス時期調整装置および空気調和システム
WO2020179686A1 (ja) * 2019-03-05 2020-09-10 ダイキン工業株式会社 設備機器の制御システム
JP2020144555A (ja) * 2019-03-05 2020-09-10 ダイキン工業株式会社 設備機器の制御システム
JP7389314B2 (ja) 2019-03-05 2023-11-30 ダイキン工業株式会社 空気調和装置の制御システム
JPWO2020208823A1 (ja) * 2019-04-12 2021-10-21 三菱電機株式会社 空気調和システム
JP7183397B2 (ja) 2019-04-12 2022-12-05 三菱電機株式会社 空気調和システム
KR102267180B1 (ko) 2019-08-22 2021-06-22 엘지전자 주식회사 공조시스템 및 그 제어 방법
KR20190104926A (ko) * 2019-08-22 2019-09-11 엘지전자 주식회사 공조시스템 및 그 제어 방법
CN111080039B (zh) * 2020-03-17 2023-10-20 浙江上风高科专风实业有限公司 一种风机集群故障预测方法及系统
CN111080039A (zh) * 2020-03-17 2020-04-28 浙江上风高科专风实业有限公司 一种风机集群故障预测方法及系统
CN115280077A (zh) * 2020-03-27 2022-11-01 三菱电机株式会社 空调控制的学习装置以及推理装置
CN115280077B (zh) * 2020-03-27 2024-03-08 三菱电机株式会社 空调控制的学习装置以及推理装置
JP7473690B2 (ja) 2020-06-10 2024-04-23 中興通訊股▲ふん▼有限公司 冷却機器の制御方法、冷却機器制御装置、コンピュータ機器及びコンピュータ可読媒体
WO2022180931A1 (ja) * 2021-02-24 2022-09-01 三菱重工サーマルシステムズ株式会社 空気調和装置の制御装置及び空気調和装置、並びに空気調和方法、並びに空気調和プログラム
JP2023050088A (ja) * 2021-09-29 2023-04-10 ダイキン工業株式会社 換気量推定装置、換気量推定方法およびプログラム
JP7288225B2 (ja) 2021-09-29 2023-06-07 ダイキン工業株式会社 換気量推定装置、換気量推定方法およびプログラム
WO2023053654A1 (ja) * 2021-09-29 2023-04-06 ダイキン工業株式会社 換気量推定装置、換気量推定方法およびプログラム
WO2023112074A1 (ja) * 2021-12-13 2023-06-22 三菱電機株式会社 機器制御装置及び機器制御方法
JP7395076B2 (ja) 2021-12-13 2023-12-08 三菱電機株式会社 機器制御装置及び機器制御方法
WO2023181778A1 (ja) * 2022-03-24 2023-09-28 パナソニックＩｐマネジメント株式会社 推定方法、プログラム、及び推定システム

Also Published As

Publication number Publication date
JP6289749B2 (ja) 2018-03-07
US20180088544A1 (en) 2018-03-29
JPWO2016185630A1 (ja) 2017-10-05
US10353355B2 (en) 2019-07-16
EP3299975A4 (en) 2019-01-23
EP3299975B1 (en) 2023-08-23
EP3299975A1 (en) 2018-03-28

Similar Documents

Publication Publication Date Title
JP6289749B2 (ja) 室内環境モデル作成装置
US9879874B2 (en) Air-conditioning system control apparatus
Sun et al. Building energy management: Integrated control of active and passive heating, cooling, lighting, shading, and ventilation systems
US10107513B2 (en) Thermodynamic modeling for enclosures
US20120052791A1 (en) Heat recovery and demand ventiliation system
JP2018501457A5 (ja)
JP6252673B2 (ja) パラメータ学習装置およびパラメータ学習方法
Daaboul et al. Mixed-mode ventilation and air conditioning as alternative for energy savings: a case study in Beirut current and future climate
US20210055750A1 (en) Method for optimising the energy expenditure and comfort of a building
CN108800426B (zh) 变风量空调系统的分析方法和评估方法
Stopps et al. Reduction of HVAC system runtime due to occupancy-controlled smart thermostats in contemporary multi-unit residential building suites
Nagarathinam et al. Centralized management of HVAC energy in large multi-AHU zones
Cheng et al. A robust air balancing method for dedicated outdoor air system
Wang et al. The virtual in-situ calibration of various physical sensors in air handling units
Xu et al. An adaptive demand-controlled ventilation strategy with zone temperature reset for multi-zone air-conditioning systems
Im et al. Empirical validation of building energy modeling using flexible research platform
Gilani et al. Optimizing Energy with Machine Learning Grey-Box Models
Garaza et al. Impact of occupancy modeling and horizon length on hvac controller efficiency
Shen et al. A Study on the Control of Indoor Temperature in Typical Canadian Homes
Alghamdi et al. Optimal configuration of architectural building design parameters for higher educational buildings
Merema et al. Predictive control for an all-air ventilation system in an educational nZEB building
Lain et al. Computer simulation and measurements of a building with top-cooling
Chiesa et al. Impact of different thermal zone data simplification for model calibration on monitored-simulated performance gaps
Al Mulla Modeling and Retrofit for Energy Conservation: A Case Study of the Incubator Building
Kim et al. Modeling and Calibration of a Variable Refrigerant Flow (VRF) System with a Dedicated Outdoor Air System (DOAS)

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: 15892629

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2017518720

Country of ref document: JP

Kind code of ref document: A

WWE Wipo information: entry into national phase

Ref document number: 15565528

Country of ref document: US

NENP Non-entry into the national phase

Ref country code: DE