WO2021079431A1 - 空調制御装置、空調システム、空調制御方法、空調制御プログラム - Google Patents

空調制御装置、空調システム、空調制御方法、空調制御プログラム Download PDF

Info

Publication number
WO2021079431A1
WO2021079431A1 PCT/JP2019/041507 JP2019041507W WO2021079431A1 WO 2021079431 A1 WO2021079431 A1 WO 2021079431A1 JP 2019041507 W JP2019041507 W JP 2019041507W WO 2021079431 A1 WO2021079431 A1 WO 2021079431A1
Authority
WO
WIPO (PCT)
Prior art keywords
air conditioning
data
air
unit
air conditioner
Prior art date
Application number
PCT/JP2019/041507
Other languages
English (en)
French (fr)
Inventor
寛光 穂苅
靖 佐藤
直樹 田口
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 PCT/JP2019/041507 priority Critical patent/WO2021079431A1/ja
Priority to JP2021553205A priority patent/JP7006859B2/ja
Priority to CN201980101246.9A priority patent/CN114556027B/zh
Priority to EP19949608.4A priority patent/EP4033169B1/en
Publication of WO2021079431A1 publication Critical patent/WO2021079431A1/ja
Priority to US17/590,617 priority patent/US20220154960A1/en

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • F24F11/63—Electronic processing
    • 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
    • F24F11/50—Control or safety arrangements characterised by user interfaces or communication
    • F24F11/61—Control or safety arrangements characterised by user interfaces or communication using timers
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • F24F11/63—Electronic processing
    • F24F11/64—Electronic processing using pre-stored data
    • 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
    • G05D23/1917—Control of temperature characterised by the use of electric means using digital means
    • 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

Definitions

  • the present invention relates to an air conditioning control device, an air conditioning system, an air conditioning control method, and an air conditioning control program for estimating the start time of an air conditioner using a machine learning model.
  • An example of a technique for controlling an air conditioner so as to perform air conditioning that is comfortable for the user while suppressing power consumption is, for example, the air conditioning control device described in Patent Document 1.
  • the air conditioner control device associates room temperature history information indicating the history of room temperature change with the operation history information of the air conditioner, and based on this information, sets the room temperature when the air conditioner does not adjust the temperature as the predicted room temperature when off. Predict and determine the control parameters for bringing the room temperature to the target temperature at the target time based on the predicted room temperature when off.
  • the air conditioner control device described in Patent Document 1 describes the future of the living room when the air conditioner does not adjust the temperature based on the room temperature history information and the operation history information.
  • An off-time room temperature prediction model which is a machine learning model for predicting the room temperature of the air conditioner, is created, and the start-up time of the air conditioner is determined using the off-time room temperature prediction model.
  • the creation of the machine learning model in the air conditioning control device described in Patent Document 1 is premised on the existence of sufficiently stored learning data, for example, room temperature history information and operation history information data. Then, there is a problem that an inappropriate prediction may be made in a machine learning model in which learning is performed in a state where sufficient data is not stored.
  • the present invention has been made to solve the above problems, and when a machine learning model that has been trained in a state where sufficient data is not stored is used, the estimation accuracy of the start time of the air conditioner can be determined.
  • the purpose is to obtain an improved air conditioning control device.
  • a machine learning model in which learning is performed to estimate the start-up time of an air conditioner from air conditioning data, which is information related to air conditioner control, using a training data group that includes a dense area and a sparse area with less training data than the dense area.
  • the air conditioning control device that estimates the start time of the air conditioner based on, the air conditioning data acquisition unit that acquires air conditioning data, the determination unit that determines whether the air conditioning data exists in a sparse area, and the determination unit are air conditioning data. If it is determined that is in a sparse area, the machine learning model is extrapolated by a non-learning model that associates the air conditioning data with the start time, and the start time of the air conditioner is estimated from the air conditioning data using the non-learning model. It is provided with an estimation unit for performing data and a control unit for controlling the activation of the air conditioner at the startup time estimated by the estimation unit.
  • the air conditioner uses a learning data group including a dense area and a sparse area where the learning data is less than the dense area.
  • a machine learning model that has been trained to estimate the start time of the air conditioner from the air conditioning data, which is information related to control, is extrapolated by a non-learning model, and the air conditioning data is used to extract the air conditioner from the air conditioning data. Since the estimation unit for estimating the start-up time is provided, the estimation accuracy can be improved by extrapolating with a non-learning model in the area where the training data is small and estimating the start-up time of the air conditioner.
  • FIG. It is a block diagram which shows the structure of the air-conditioning system 1000 which concerns on Embodiment 1.
  • FIG. It is a block diagram which shows the structure of the air-conditioning control device 100 which concerns on Embodiment 1.
  • FIG. It is explanatory drawing which shows the specific example of the method which the deviation degree calculation unit 151 calculates the deviation degree, and the method which the deviation degree determination unit 152 determines whether the air conditioning data exists in a sparse area. It is explanatory drawing which shows the specific example of the method which the deviation degree calculation unit 151 calculates the deviation degree, and the method which the deviation degree determination unit 152 determines whether the air conditioning data exists in a sparse area.
  • FIG. 1 is a configuration diagram showing a configuration of an air conditioning system 1000 according to a first embodiment.
  • the air conditioning system 1000 includes an air conditioning control device 100, a plurality of outdoor units OU (OU1, OU2, ... OUT), and a plurality of indoor units IU (IU11, IU12, ... IU1p, IU21, IU22, ... IU2q, IUn1, IUn2, ... IUnr).
  • n, p, q, and r are arbitrary positive integers.
  • an additional reference numeral is added after the OU, and when referring to an arbitrary outdoor unit or all outdoor units, only the OU is used.
  • an indoor unit when referring to a specific indoor unit, an additional reference numeral is added after the IU, and when referring to an arbitrary indoor unit or all indoor units, only the IU is used.
  • a plurality of indoor units IU are connected to each outdoor unit OU.
  • an indoor unit IU1 (IU11, IU12, ... IU1p) is connected to the outdoor unit OU1.
  • the air conditioning control device 100, the indoor unit IU, and the outdoor unit OU are connected by an electromagnetic method, and the connecting method may be wired or wireless. Further, the air conditioning control device 100 may be installed in the same building as the building in which the indoor unit IU and the outdoor unit OU are installed, or may be provided in a remote location and connected via a network.
  • Each outdoor unit OU constitutes an air conditioner AC (AC1, AC2, ... ACn) that air-conditions the room together with the connected indoor unit IU. Further, each outdoor unit OU is provided with an outdoor environment sensor OUS (OUS1, OUS2, ... OUSn) that detects the outdoor environment in which the outdoor unit OU is installed and acquires outdoor environment information. Each outdoor environment sensor OUS outputs the acquired outdoor environment information as air conditioning data to the air conditioning control device 100.
  • the outdoor environment information indicates the outdoor environment, for example, the outdoor temperature, the outdoor humidity, and the like at each time.
  • Each indoor unit IU detects the indoor environment in which the indoor unit IU is installed and acquires indoor environment information.
  • Indoor environment sensors IUS (IUS11, IUS12, ... IUS1p, IUS21, IUS22, ... IUS2q, IUSn1, IUSn2, ... IUSnr).
  • each indoor unit IU includes a reception unit IUR (IUR11, IUR12, ... IUR1p, IUR21, IUR22, ... IUR2q, IURn1, IURn2, ... IURnr) that receives setting information from the user.
  • Each indoor unit IU outputs the acquired indoor environment information, the received setting information, and the operation information indicating the operating state of the air conditioner AC as air conditioner data to the air conditioner control device 100 via the outdoor unit OU.
  • the indoor environment information indicates the indoor environment, for example, the indoor temperature and the indoor humidity at each time.
  • the setting information is information set by the user via the reception unit, and is, for example, a target time, a target temperature, a target humidity, and the like for causing the environmental value of the room in which the indoor unit IU is installed to reach the target value.
  • the room environment value is a value indicated by the indoor environment information
  • the target value is a target value of the room environment value indicated by the setting information.
  • the operation information indicates the operating state of the air conditioner AC, for example, the operating capacity of the air conditioner AC, information indicating whether the air conditioner AC is in the activated state or the stopped state, and the air conditioner AC in the cooling mode and the heating mode. It is information indicating which mode of the operation mode including the dehumidification mode is in. Further, not only the indoor unit IU but also the outdoor unit OU may be configured to output operation information.
  • the operating capacity indicates the strength of the air conditioning capacity of the air conditioner AC, and is, for example, the compressor frequency of the outdoor unit OU, the refrigerant evaporation temperature, the condensation temperature, the number of indoor units IU operating, and the like. is there.
  • the outdoor unit OU and the indoor unit IU are configured to include the outdoor environment sensor OUS and the indoor environment sensor IUS, respectively, but various sensors may be provided independently of the outdoor unit OU and the indoor unit IU. .. Alternatively, the outdoor environment information may be acquired not from the outdoor environment sensor OUS but from an external server or the like.
  • FIG. 2 is a configuration diagram showing the configuration of the air conditioning control device 100 according to the first embodiment.
  • the air conditioner control device 100 uses a learning data group including a dense region and a sparse region having less learning data than the dense region, and learns to estimate the start time of the air conditioner from the air conditioning data which is information related to the control of the air conditioner.
  • the start time of the air conditioner is estimated based on the machine learning model in which the above is performed.
  • the estimation unit 16 is provided.
  • the area with a large amount of training data is referred to as a dense area
  • the area with a small amount of learning data is referred to as a sparse area.
  • a sufficient amount of learning data exists in the dense area for learning, and the estimation unit 16 can estimate an appropriate start time from the machine learning model trained using the learning data.
  • the learning method of the machine learning model may be a well-known technique, and the case of supervised learning will be described below as a specific example.
  • reinforcement learning may be used, in which case some index value required for the environmental value to reach the target value, for example, the difference between the actually required time and the estimated value, or Reinforcement learning may be carried out by using the amount of power consumption, the temperature change per unit time, or a combination of these as a reward.
  • the transmission / reception unit 10 transmits / receives various information to / from an external device including the indoor unit IU and the outdoor unit OU.
  • the transmission / reception unit 10 receives air conditioning data from the indoor unit and the outdoor unit, and transmits a control signal to the indoor unit and the outdoor unit.
  • the air conditioner data is information related to the control of the air conditioner AC
  • the indoor environment information, setting information, operation information transmitted from the indoor unit IU, and the outdoor unit transmitted from the outdoor unit OU. Includes environmental information.
  • the air conditioning data input to the determination unit 15 is the air conditioning data at the current time, but if it is possible to identify the measured air conditioning data, the air conditioner AC from the last power off to the current time It may be past air conditioning data. Further, the transmission / reception unit 10 acquires the time actually required for the environmental value to reach the target value from the indoor unit IU.
  • the data obtained by adding the required time to the air conditioning data is called learning data.
  • the learning data obtained by adding the above-mentioned required time to the air conditioning data used by the estimation unit 16 for estimation is stored in the storage unit 12 and used for learning the machine learning model performed by the machine learning unit 14.
  • the control unit 11 centrally manages a plurality of indoor unit IUs and a plurality of outdoor unit OUs.
  • the control unit 11 acquires air conditioning data from the outdoor unit OU and the indoor unit IU.
  • the control unit 11 aggregates the air conditioning data acquired from the plurality of outdoor unit OUs and the plurality of indoor unit IUs, and transmits the aggregated air conditioning data to the machine learning unit 14 and the determination unit 15.
  • the control unit 11 controls the air conditioner AC based on the estimation result of the estimation unit 16 described later. More specifically, the control unit 11 controls to start the air conditioner AC at the start time estimated by the estimation unit 16.
  • the storage unit 12 stores various information, and in the first embodiment, the machine learning model learned by the machine learning unit 14 described later, learning data for learning the machine learning model, and the like. Remember.
  • the air conditioning data acquisition unit 13 acquires air conditioning data from the air conditioner AC via the transmission / reception unit 10.
  • the air conditioning data acquisition unit 13 acquires the air conditioning data at the current time and transmits the acquired air conditioning data to the deviation degree calculation unit 151 as air conditioning data for use in estimating the start time.
  • the environmental value reaches the target value in the air conditioning data used for the estimation of the estimation unit 16. The time required for this is added, and the machine learning unit 14 transmits the learning data for learning the machine learning model to the storage unit 12.
  • the machine learning unit 14 learns a machine learning model for estimating the start time of the air conditioner from the air conditioning data, and includes a learning data acquisition unit 141 and a learning unit 142.
  • the machine learning model in which the machine learning unit 14 learns in the first embodiment the temperature difference between the indoor temperature and the target temperature, the temperature difference between the indoor temperature and the outdoor temperature, and the operating ability of the air conditioner are input, and the air conditioning is performed. It outputs the time required for the room temperature to reach the target temperature at the target time after the machine AC is activated.
  • the machine learning model used by the learning unit 142 may be anything as long as it can express a non-linear function, but in the first embodiment, a neural network is used.
  • the input to the machine learning model is not limited to the above, and you can directly input the indoor temperature, target temperature, and outdoor temperature without taking a difference, and enter the indoor humidity, outdoor humidity, and the number of outdoor unit OU and indoor unit IU. You may also enter it.
  • the output of the machine learning model is not limited to the above, and other environmental values, for example, the time required for the indoor humidity to reach the target value may be output. The time required for the environment value of to reach the target value may be output.
  • the above machine learning model may be configured to directly output the start time by using the target time and the current time as input.
  • the estimation unit 16 described later acquires the time required for the environmental value to reach the target value using the trained machine learning model, and uses the required time and the target time to obtain the time required for the air conditioner AC.
  • the start time is estimated, but since the start time of the air conditioner AC is calculated from the required time and the target time as described above, the machine learning model is started in the state where the target time is set. Even when the time is directly output, the machine learning model outputs the required time, and when the start time is calculated by performing post-processing, the estimation unit 16 estimates the start time.
  • the learning data acquisition unit 141 acquires the learning data for learning the machine learning model and the machine learning model from the storage unit 12. In addition, the learning data acquisition unit 141 performs preprocessing for converting the acquired learning data into a format suitable for inputting a machine learning model.
  • the input of the machine learning model is the temperature difference between the indoor temperature and the target temperature, the temperature difference between the indoor temperature and the outdoor temperature, and the operating ability of the air conditioner.
  • the temperature difference between the indoor temperature indicated by the indoor environment information included in the air conditioning data and the target temperature indicated by the setting information is calculated, and similarly, the temperature difference between the indoor temperature and the outdoor temperature indicated by the outdoor environment information is calculated.
  • the above pretreatment is not necessary.
  • the data after preprocessing will also be referred to as learning data.
  • the learning unit 142 learns the machine learning model using the learning data acquired by the learning data acquisition unit 141. Learning may be performed using an existing learning method such as an error back propagation method.
  • the learning of the machine learning model includes not only the initial learning but also the re-learning.
  • the learning unit 142 transmits the machine learning model after learning to the storage unit 12 and stores it in the storage unit 12.
  • the determination unit 15 determines whether the air conditioning data acquired by the air conditioning data acquisition unit 13 exists in a sparse area. The determination unit 15 determines whether or not the air conditioning data exists in the sparse region based on a preset standard. In the first embodiment, the determination unit 15 includes a deviation degree calculation unit 151 and a deviation degree determination unit 152. .. Further, the existence of the air conditioning data in the sparse region includes not only the case where the air conditioning data is an outlier with respect to the training data but also the case where the training data exists in the vicinity of the air conditioning data but the number is small.
  • the storage unit 12 stores the air conditioning data received from the air conditioner AC plus the actual required time as learning data
  • the machine learning unit 14 stores the learning data added to the storage unit 12. Update the machine learning model using. Therefore, the sparse area of the training data is not a static one that does not change after being first determined, but a dynamic one that changes as the training data increases. Further, in the first embodiment, the learning data is added and updated every day. However, if there is already sufficient training data and it is not necessary to update it very frequently, it may be updated every few days or every week.
  • the deviation degree calculation unit 151 calculates the deviation degree of the air conditioning data with respect to the learning data.
  • the degree of deviation of the air conditioning data with respect to the training data indicates the degree of deviation between the air conditioning data and the air conditioning data included in the training data, and the air conditioning data is input to the machine learning model learned using the training data. This is an index that indicates whether an appropriate estimation result can be obtained.
  • the degree of deviation between the air conditioning data and the learning data is represented by the parameter space defined by the parameters included in the air conditioning data.
  • the parameters included in the air conditioning data are parameters of various information included in the air conditioning data, for example, the indoor temperature indicated by the indoor environment information, the outdoor temperature indicated by the outdoor environment information, and the like.
  • the degree of divergence include the distance between the air conditioning data and the training data in the parameter space, and a value indicating in which region the air conditioning data exists when the training data is classified into a plurality of regions based on the number of data. And a value indicating how much learning data exists around the air conditioning data.
  • the distance between the air conditioning data and the training data is not only the distance between the air conditioning data and each data included in the training data, but also the distance between the dense area where a lot of training data is gathered, and the training data as a probability density function. It also includes the distance from the mode of the probability density function when approximated by.
  • the divergence degree determination unit 152 determines whether the air conditioning data exists in the sparse region based on the divergence degree calculated by the divergence degree calculation unit 151. More specifically, the divergence degree determination unit 152 determines whether the divergence degree is equal to or higher than a predetermined threshold value, and if the divergence degree is equal to or higher than a predetermined threshold value, determines that the air conditioning data exists in the sparse region.
  • the first method is to calculate the distance between the air conditioning data for estimating the start-up time and the nearest point with respect to the air conditioning data included in the learning data as the degree of deviation. This method will be described with reference to FIG.
  • FIG. 3 is an explanatory diagram showing a specific example of a method in which the deviation degree calculation unit 151 calculates the deviation degree and a method in which the deviation degree determination unit 152 determines whether or not the air conditioning data exists in the sparse region.
  • the points indicated by black circles are the air conditioning data D31 at the current time
  • the points indicated by white circles are the learning data.
  • the points indicated by white circles are the data obtained by projecting the training data into the same parameter space as the air conditioning data, that is, the space from which the required time is removed, but here, the data obtained by projecting the training data is also referred to as training data. I will do it.
  • Both the horizontal axis and the vertical axis are parameters included in the air conditioning data, such as indoor temperature and outdoor temperature.
  • the parameters included in the air conditioning data are generally higher-dimensional, but are represented in two dimensions in FIG. 3 for the sake of explanation.
  • the deviation degree calculation unit 151 calculates the distance between the air conditioning data D31 and each learning data.
  • the point closest to the air conditioning data D31 is the learning data D32
  • the deviation degree calculation unit 151 calculates the distance L31 between the air conditioning data D31 and the learning data D32 as the deviation degree.
  • the divergence degree determination unit 152 determines whether the divergence degree calculated by the divergence degree calculation unit 151, that is, the distance L31 between the air conditioning data D31 and the learning data D32 is equal to or greater than a predetermined first threshold value T1, and is equal to or greater than the first threshold value T1. In this case, it is determined that the air conditioning data D31 exists in a sparse area.
  • the first threshold value T1 is a real number of zero or more.
  • the second method is a method of setting a dense area of learning data and calculating the distance between the air conditioning data and the dense area, and this method will be described with reference to FIG.
  • FIG. 4 is an explanatory diagram showing a specific example of a method in which the deviation degree calculation unit 151 calculates the deviation degree and a method in which the deviation degree determination unit 152 determines whether or not the air conditioning data exists in the sparse region.
  • the deviation degree calculation unit 151 sets a dense region A41, which is an region in which a large number of learning data exist.
  • a method of setting the dense area A41 for example, a rectangular area having an appropriate size is taken, the number of learning data existing inside the rectangular area is counted, and a percentage of the learning data is included in the rectangular area. Calculate if it is possible. Then, if the learning data included in the rectangular area is less than a predetermined ratio, the rectangular area is expanded, and if it is equal to or more than a predetermined ratio, the process of narrowing the rectangular area is repeated.
  • the rectangular area after the previous process may be set as the dense area A41.
  • the maximum and minimum values of the parameters of each data included in the training data are detected, and the region formed by the maximum and minimum values is the dense region A41. It may be set as. In FIG.
  • the deviation degree calculation unit 151 calculates the distance L41 between the air conditioning data D41 and the dense region A41 as the deviation degree.
  • the divergence degree determination unit 152 determines whether the divergence degree calculated by the divergence degree calculation unit 151, that is, the distance L41 between the air conditioning data D41 and the dense region A41 is a predetermined second threshold value T2 or more, and is the second threshold value T2 or more. In this case, it is determined that the air conditioning data D41 exists in a sparse area.
  • the second threshold value T2 is a real number greater than or equal to zero.
  • the third method approximates the learning data with a probability density function and calculates the degree of divergence based on the probability density function. This method will be described with reference to FIG.
  • FIG. 5 is an explanatory diagram showing a specific example of a method in which the deviation degree calculation unit 151 calculates the deviation degree and a method in which the deviation degree determination unit 152 determines whether or not the air conditioning data exists in the sparse region.
  • the deviation degree calculation unit 151 approximates the appearance frequency of the learning data with the normal distribution DF51, and calculates the distance from the mode of the normal distribution DF51 as the deviation degree.
  • ⁇ be the mode of the normal distribution DF51.
  • the divergence degree determination unit 152 determines whether the divergence degree calculated by the divergence degree calculation unit 151 is equal to or higher than a predetermined third threshold value T3, and if it is equal to or higher than the third threshold value T3, determines that the air conditioning data D51 exists in a sparse region.
  • the third threshold value T3 is a real number of zero or more, and is represented by ⁇ in FIG.
  • the parameter space is classified into several regions based on the probability density function, and which region it exists in is calculated as the degree of deviation. You may. This method will be described with reference to FIG. First, the divergence degree calculation unit 151 approximates the learning data with a probability density function. Again, the probability density function adopts a normal distribution. Then, based on the probability density function, for example, 50% region A61, 75% region A62, 95% region A63, and 95% outside region A64 are set.
  • the 50% A61 region is a region in which 50% of the learning data exists inside the region, and the same applies to the 75% region A62 and the 95% region A63.
  • the 95% region outside A64 is a region outside the 95% region A63, and this region is set as a sparse region.
  • the deviation degree calculation unit 151 is based on the position of the air conditioning data, for example, 50 when the air conditioning data exists in the 50% region A61, 75 when the air conditioning data exists in the 75% region A62, and 75 when the air conditioning data exists in the 95% region A63. If it exists outside the 95 or 95% region, 100 is calculated as the degree of deviation. Then, by setting a value of 96 or more and less than 100 as a predetermined threshold value, the deviation degree determination unit 152 can determine whether the air conditioning data exists in the sparse region.
  • the fourth method is to calculate as the degree of divergence a value indicating how much learning data exists around the air conditioning data. This method will be described with reference to FIG. FIG. 7 is an explanatory diagram showing a specific example of a method in which the deviation degree calculation unit 151 calculates the deviation degree and a method in which the deviation degree determination unit 152 determines whether or not the air conditioning data exists in the sparse region.
  • the deviation degree calculation unit 151 sets the area A71 around the air conditioning data D71.
  • the region A71 is a disk set as a region having a radius R71 or less centered on the air conditioning data D71.
  • the value of the radius R71 is preset by the designer of the air conditioning control device 100 or the user of the air conditioner AC.
  • the divergence degree calculation unit 151 first counts the number of learning data existing inside the area A71, and calculates the number of learning data or the ratio of the number of learning data existing inside the area A71. The value calculated above is more likely to exist in a sparse area as the value is smaller, so either add a negative sign to the value or calculate the reciprocal as the degree of divergence. ..
  • the divergence degree determination unit 152 determines whether the divergence degree calculated by the divergence degree calculation unit 151 is equal to or higher than the predetermined fourth threshold value T4, and if it is equal to or higher than the fourth threshold value T4, determines that the air conditioning data D71 exists in the sparse region. For example, in FIG. 7, since there is no training data in the area A71 set around the air conditioning data D71, it is determined that the air conditioning data D71 exists in a sparse area, and the area A72 set around the air conditioning data D72.
  • the air conditioning data D72 Since there are many training data in the air conditioning data D72, it is determined that the air conditioning data D72 does not exist in the sparse area or exists in the dense area.
  • the area A72 is a disk set as an area having a radius R71 or less centered on the air conditioning data D72.
  • the degree of deviation is calculated according to the position of the air conditioning data in the parameter space, but the position coordinates of the air conditioning data in the parameter space, that is, the parameter itself can be used as the degree of deviation directly.
  • the divergence degree determination unit 152 sets the sparse area in advance and determines whether or not each parameter of the air conditioning data is included in the range of the sparse area, so that the air conditioning data exists in the sparse area. It is possible to determine whether to do so. For example, when the dense region is set as a rectangular region and the sparse region is set as a region outside the dense region, it may be independently determined whether each parameter is equal to or higher than a predetermined threshold value.
  • the sparse region set by the divergence degree determination unit 152 does not need to be set first and then fixed, and may be dynamically set as the learning data increases. Further, the position coordinates used in the above method do not have to be the parameters themselves included in the air conditioning data, and the coordinate components after performing appropriate coordinate conversion may be used.
  • the estimation unit 16 estimates the start time of the air conditioner from the air conditioner data acquired by the air conditioner data acquisition unit 13 by using the learned machine learning model learned by the machine learning unit 14.
  • the machine learning model outputs the time required for the environment value to reach the target value. Therefore, the estimation unit 16 calculates the time before the required time from the target time. , Estimate the start time of the air conditioner AC.
  • the estimation unit 16 uses the training data to create a machine learning model that has learned to estimate the start time of the air conditioner from the air conditioner data.
  • extrapolation is performed using a non-learning model, and the start time of the air conditioner is estimated from the air conditioner data using the non-learning model.
  • extrapolation by the non-learning model means that when a dense region is represented by one section, the relationship between the air conditioning data and the start time is expressed by the non-learning model in the region outside the section. It also includes expressing the relationship between the air conditioning data and the start-up time with a non-learning model in the area between the plurality of sections when the dense area exists discretely as a plurality of sections.
  • the estimation unit 16 extrapolates the machine learning model using a linear model as a non-learning model.
  • extrapolation is performed using a linear model, but in a certain region, what is the relationship between air conditioning data and the required time from a relational expression that is empirically or generally known? If it is known, extrapolation may be performed using a model other than the linear model.
  • the estimation unit 16 performs preprocessing for converting the acquired air conditioning data into a format suitable for inputting a machine learning model.
  • the input of the machine learning model is the temperature difference between the indoor temperature and the target temperature, the temperature difference between the indoor temperature and the outdoor temperature, and the operating ability of the air conditioner.
  • the temperature difference between the indoor temperature indicated by the indoor environment information and the target temperature indicated by the setting information, and the temperature difference between the indoor temperature and the outdoor temperature indicated by the outdoor environment information are calculated.
  • the air conditioning data after preprocessing is also referred to as air conditioning data.
  • FIG. 8 shows a specific example of a method in which the estimation unit 16 extrapolates a trained machine learning model by a non-learning model and estimates the start time of the air conditioner from the air conditioning data using the non-learning model. It is explanatory drawing.
  • the machine learning model M81 is shown by a solid line in FIG. 8 and is represented by a non-linear function.
  • the horizontal axis is the temperature difference between the room temperature and the target temperature
  • the vertical axis is the time required for the room temperature to reach the target temperature.
  • the horizontal axis is the input parameter of the machine learning model M81.
  • the vertical axis is the estimated value of the machine learning model M81.
  • FIG. 8 is shown in two dimensions for illustration purposes, the input and output parameters are generally in higher dimensions.
  • the output parameter is one-dimensional because the input parameter is three-dimensional and the output is the time required for the room temperature to reach the target temperature.
  • the data obtained by adding the estimated value to the input air conditioning data is referred to as the estimated data.
  • the black squares on the horizontal axis are the air conditioning data
  • the solid white circles are the training data
  • the dotted white circles are the estimated data including the estimated values obtained by using the machine learning model M81.
  • Black circles are estimated data including estimated values obtained from the input air conditioning data using the non-learning model M82.
  • a region where the temperature difference between the room temperature and the target temperature is P82 or more is set as a dense region, and a region where the temperature difference is less than P82 is set as a sparse region.
  • the determination unit 15 determines that the air conditioning data exists in the dense region
  • the estimated value corresponding to the parameter value of the air conditioning data is simply calculated from the machine learning model M81.
  • the determination unit 15 determines that the air conditioning data exists in the sparse region
  • the estimation unit 16 selects two points of air conditioning data existing in the dense area.
  • selecting the air conditioning data existing in the dense area means selecting an appropriate parameter in the area of the parameter space set as the dense area, and is included in the training data stored in the storage unit 12. This includes not only selecting two points of air-conditioning data to be obtained, but also selecting an appropriate parameter in a dense area to generate pseudo-air-conditioning data having the parameter.
  • the parameter space here corresponds to the input parameter of the machine learning model and is generally different from the parameter space of the air conditioning data in the determination unit 15, but the input parameter of the machine learning model is based on the parameter of the air conditioning data. It is generated, and even in the case of the parameter space of the machine learning model, the sparse area and the dense area may be set in the same manner as in the case of air conditioning data.
  • the two points selected are arbitrary, but it is desirable that they exist near the boundary of the sparse area.
  • one point is selected as a point (air conditioning data D82) existing at the boundary between the dense region and the sparse region.
  • the other point is preferably selected near the air conditioning data D82, and in FIG. 8, the air conditioning data D83 showing a value P83 larger than the temperature difference P82 shown by the air conditioning data D82 by a predetermined value PD81 is selected.
  • the estimation unit 16 generates estimation data corresponding to the air conditioning data of the two selected points using the machine learning model M81.
  • the estimated value EV82 is obtained from the air conditioner data D82, and the estimated data E82 is generated.
  • the estimated value EV83 is obtained from the air conditioning data D83, and the estimated data E83 is generated.
  • the estimation unit 16 generates a straight line passing through the generated estimation data E82 and the estimation data E83 as the non-learning model M82.
  • the non-learning model M82 is shown by an alternate long and short dash line.
  • the estimation unit 16 estimates the estimated value EV1 of the input air conditioning data D81, which is the estimation target.
  • the estimated data E1 obtained by adding the estimated value EV1 to the air conditioning data D81 may be stored in the storage unit 12.
  • the estimation unit 16 may be configured to perform only the operation of calculating the estimation value corresponding to the air conditioning data from the machine learning model or the non-learning model and not to generate the estimation data.
  • the non-learning model M82 is shown as a straight line, but in general, the non-learning model is a hyperplane.
  • two points of air conditioning data were selected in order to generate the non-learning model M82, but in the case of higher dimensions, more, specifically, one more air conditioning data than the hyperplane dimension, Must be selected.
  • the non-learning model M82 was generated by using two points on the machine learning model M81, but the method of generating the non-learning model is not limited to this, and for example, in a dense region, a boundary with a sparse region. A plurality of learning data existing in the vicinity may be selected, and a superplane obtained by regression analysis from these learning data may be used as a non-learning model.
  • a machine learning model in a dense region that is, a non-learning model in a sparse region based on the learning data in the dense region is generated and connected to the machine learning model in the dense region.
  • a more appropriate value which is the estimated value EV1 in FIG. 8, can be estimated to be smaller than that without extrapolation.
  • FIG. 9 is a configuration diagram showing an example of a hardware configuration of a computer that realizes the air conditioning control device 100.
  • the hardware shown in FIG. 9 includes a processing device 10000 such as a CPU (Central Processing Unit) and a storage device 10001 such as a ROM (Read Only Memory) and a hard disk.
  • a processing device 10000 such as a CPU (Central Processing Unit)
  • a storage device 10001 such as a ROM (Read Only Memory) and a hard disk.
  • the control unit 11 the air conditioning data acquisition unit 13
  • the machine learning unit 14 the determination unit 15, and the estimation unit 16 shown in FIG. 2
  • the program stored in the storage device 10001 is executed by the processing device 10000.
  • the storage unit 12 is realized by the storage device 10001.
  • the above configuration is not limited to the configuration realized by a single processing device 10000 and the storage device 10001, but may be a configuration realized by a plurality of processing devices 10000 and the storage device 10001.
  • the method of realizing each function of the air conditioning control device 100 is not limited to the combination of the hardware and the program described above, and is realized by the hardware alone such as an LSI (Large Scale Integrated Circuit) in which the program is implemented in the processing device.
  • some functions may be realized by dedicated hardware, and some may be realized by a combination of a processing device and a program.
  • the air conditioning control device 100 is configured.
  • FIG. 10 is a flowchart showing an operation in which the air conditioning control device 100 learns a machine learning model.
  • the learning data acquisition unit 141 acquires the learning data and the machine learning model from the storage unit 12.
  • the learning data acquisition unit 141 transmits the acquired learning data and the machine learning model to the learning unit 142.
  • the learning data acquisition unit 141 performs preprocessing for converting the acquired learning data into a format suitable for inputting a machine learning model.
  • the input of the machine learning model is the temperature difference between the indoor temperature and the target temperature, the temperature difference between the indoor temperature and the outdoor temperature, and the operating ability of the air conditioner.
  • the temperature difference between the indoor temperature indicated by the indoor environment information included in the air conditioning data and the target temperature indicated by the setting information is calculated, and similarly, the temperature difference between the indoor temperature and the outdoor temperature indicated by the outdoor environment information is calculated.
  • step S2 the learning unit 142 learns the machine learning model using the received learning data.
  • the machine learning model is a neural network, and learning can be performed using an existing learning method such as an error back propagation method.
  • step S3 the learning unit 142 stores the learned machine learning model in the storage unit 12.
  • FIG. 10 is a flowchart showing an operation in which the air conditioning control device 100 estimates the start time of the air conditioner AC.
  • the air conditioning data acquisition unit 13 acquires air conditioning data from the air conditioner AC via the transmission / reception unit 10. More specifically, the air conditioning data acquisition unit 13 acquires the outdoor environment from the outdoor unit OU, and acquires the indoor environment information, setting information, and operation information from the indoor unit IU.
  • the determination unit 15 determines whether the air conditioning data acquired in step S101 exists in the sparse region. More specifically, first, the deviation degree calculation unit 151 calculates the deviation degree of the air conditioning data. Here, in the first method described above, it is assumed that the distance between the air conditioning data and the learning data is calculated as the degree of deviation. Then, the deviation degree determination unit 152 determines whether the deviation degree is equal to or higher than a predetermined threshold value, and if it is determined that the deviation degree is equal to or higher than the threshold value, it is determined that the air conditioning data exists in the sparse region.
  • step S102 if it is determined that the air conditioning data exists in the sparse area, the operation of the air conditioning control device 100 proceeds to step S103, and if it is determined that the air conditioning data does not exist in the sparse area, the operation proceeds to step S103. The operation of the air conditioning control device 100 proceeds to step S104.
  • step S103 the estimation unit 16 estimates the start time of the air conditioner. Since it is determined that the air conditioning data exists in the sparse region in step S103, extrapolation is performed on the machine learning model with a non-learning model, and the start-up time is estimated using the extrapolation model.
  • step S104 the estimation unit 16 estimates the start time of the air conditioner, but in step S104, since it is determined that the air conditioning data does not exist in the sparse region, extrapolation by the non-learning model is not performed. Estimate the startup time using a machine learning model directly.
  • control unit 11 transmits a control signal so that the air conditioner AC is started at the start time estimated by the estimation unit 16.
  • the control signal is transmitted to the air conditioner AC via the transmission / reception unit, and when the air conditioner AC receives the control signal, it is set to start at the start time.
  • the transmission / reception unit 10 acquired the required time from the indoor unit IU until the indoor temperature actually reached the target temperature, and acquired the required time in step S101. It is stored in the storage unit 12 as learning data together with the air conditioning data.
  • the air conditioning control device 100 reduces the possibility of making an inappropriate estimation by extrapolating with a non-learning model in a region where there is little learning data and estimating the start time of the air conditioner. can do.
  • the control unit 11 has a configuration realized by the same hardware as the other configuration included in the air conditioning control device 100, but is realized by hardware (processing device and storage device) different from the other configuration. It may be configured.
  • the control unit 11 may be configured to centrally manage a plurality of indoor unit IUs and outdoor unit OUs as in the case of being realized by the same hardware.
  • Each indoor unit IU and outdoor unit OU may be provided, and the control unit 11 provided in each may control the indoor unit IU and the outdoor unit OU.
  • not only the control unit 11 but also the air conditioning control device 100 is provided not only inside the indoor unit IU and the outdoor unit OU but also inside the indoor unit IU and the outdoor unit OU. It may be.
  • the air conditioning control device 100 is connected to a plurality of outdoor unit OUs and is connected to the indoor unit IU via the outdoor unit OU.
  • the air conditioning control device 100, the indoor unit IU, and the outdoor unit OU are connected to each other.
  • the configuration may be such that they are directly connected to each other, or the air conditioning control device 100 and the indoor unit IU are connected, and the air conditioning control device 100 and the outdoor unit OU are connected via the indoor unit IU.
  • the configuration is provided with a plurality of outdoor unit OUs and a plurality of indoor unit IUs, the number of outdoor unit OUs and indoor unit IUs may be singular.
  • the estimation unit 16 and the learning data acquisition unit 141 are configured to perform preprocessing for converting the air conditioning data into a form suitable for inputting the machine learning model, but the determination unit 15 instead of the estimation unit 16 performs the above preprocessing. May be.
  • the air conditioning data acquisition unit 13 instead of performing preprocessing by the estimation unit 16 and the learning data acquisition unit 141, the air conditioning data acquisition unit 13 performs preprocessing, and not only the air conditioning data used for estimation but also the learning data is preprocessed. May be stored in the storage unit 12.
  • the determination unit 15 may determine whether or not the air conditioning data exists in the sparse region based on the air conditioning data after the pretreatment. That is, the determination unit 15 may determine whether the air conditioning data exists in a sparse region in the parameter space stretched by the input parameters of the machine learning model instead of the parameters included in the air conditioning data.
  • the learning data group used for learning the machine learning model of the air conditioning control device 100 includes a dense region and a sparse region, and in the initial stage of learning, the total number of data in the learning data group is large.
  • the determination unit 15 counts the number of learning data included in the learning data group before calculating the degree of deviation of the air conditioning data, and when the number of training data is equal to or greater than a predetermined fifth threshold value, the air conditioning data is generated. It may be determined whether or not it exists in the sparse region, and the estimation unit 16 may extrapolate the non-learning model. By doing so, when the number of data in the entire training data group is small, concentrate on accumulating the training data, and extrapolate by the non-learning model from the time when the training data is sufficiently accumulated. Can be done.
  • the determination unit 15 determines whether the air conditioning data exists in the sparse area, but determines not only whether the air conditioning data exists in the sparse area, but also which parameter deviates from the learning data, that is, indicates an abnormal value. You may do so. For example, it can be realized by comparing each parameter of the air conditioning data and the learning data, or comparing the parameters of the air conditioning data and the preset sparse area. For example, in FIG. 3, the parameter 1 of the air conditioning data D31 is equal to or less than the parameter 1 of the training data D33 and does not take an abnormal value, while the parameter 2 of the air conditioning data is a value larger than any of the training data. It is deviated from the learning data.
  • the deviation degree determination unit 152 can determine which parameter has an abnormal value by comparing each parameter of the air conditioning data and the learning data. Further, the parameter determination may be additionally determined when it is determined that the air conditioning data exists in the sparse region, or may be configured to be performed at the same time as the determination of the sparse region. For example, when an abnormal parameter is found, it may be determined that the parameter is abnormal and the air conditioning data exists in a sparse area.
  • the air conditioning control device 100 When the air conditioning data exists in a sparse area, the air conditioning control device 100 according to the first embodiment extrapolates the machine learning model and estimates the start time. However, the air conditioning control device 100 starts at the estimated start time. However, it is assumed that the target temperature cannot be reached at the target time due to disturbance or the like. In addition, in a company, school, etc., when a long vacation is over, the time when the target temperature of the room temperature is reached may be later than usual due to the influence of latent heat of the wall or the like. For the above-mentioned problems, it is more comfortable for the user of the air conditioner AC to reach the target temperature at a time slightly earlier than the target time than to reach the target temperature at a time later than the target time.
  • the estimation unit 16 may make a correction for estimating an earlier start time to the estimated value obtained by the machine learning model or the estimated value obtained by the non-learning model. For example, the estimation unit 16 makes a correction by adding a safety factor to the estimated value so that the estimated start time of the air conditioner AC will be earlier than when the safety factor is not added. More specifically, by adding a safety factor to the estimated required time, a longer required time can be calculated as an estimated value, or a value larger than 1 can be added to the estimated required time to obtain a longer required time. By calculating as an estimated value, the air conditioner estimates the start time earlier than when no correction is made, and as a result, reaches the target time earlier than when no correction is made. Can be controlled.
  • the machine learning model inputs the temperature difference between the indoor temperature and the target temperature, the temperature difference between the indoor temperature and the outdoor temperature, and the operating capacity of the air conditioner.
  • the air conditioning control device 100 in the second embodiment further uses the capacity save value of the air conditioner AC as an input of the machine learning model.
  • the ability save value is included in the driving information.
  • the capacity saving is to suppress the maximum power consumption and the power consumption by suppressing the operating capacity of the air conditioner, and can be achieved by, for example, lowering the compressor frequency or lowering the rotation speed of the fan.
  • the capacity save value is a measure of capacity save, and in the second embodiment, the ratio of the operating capacity to be actually operated to the maximum operating capacity of the air conditioner AC is used as the capacity save value.
  • the ability save value can be set to 60%, 80%, and 100%.
  • 60% is operating the air conditioner AC at 60% capacity
  • 80% is operating the air conditioner AC at 80%
  • 100% is operating the air conditioner AC at 100%.
  • the ratio of the operating capacity to be actually operated to the maximum operating capacity of the air conditioner AC is used as the capacity save value, but the compressor frequency and the fan rotation speed are directly saved. It may be used as a value. The part different from the first embodiment will be described below.
  • the air conditioning data acquisition unit 13 acquires operation information including the capacity saving value of the air conditioner AC by adding the capacity saving value to the acquired air conditioning data. More specifically, data in which the information that the capacity save value is 60% is added to the acquired air conditioning data, data in which the information that the capacity save value is 80% is added to the acquired air conditioning data, and the acquired air conditioner. Generate data by adding information that the ability save value is 100% to the data. Here, the data in which the information on the capacity save value is added to the air conditioning data is also referred to as the air conditioning data.
  • the air conditioning data acquisition unit 13 transmits each generated air conditioning data to the determination unit 15.
  • the machine learning unit 14 learns the machine learning model as in the first embodiment.
  • the machine learning model in the second embodiment has an ability save value as one of the input parameters as described above.
  • the learning data at this time is the sum of the air conditioning data including the capacity save value selected by the estimation unit 16 described later and the time required to actually reach the target temperature.
  • the determination unit 15 determines whether or not the acquired air conditioning data plus the capacity save value exists in the sparse area.
  • the method described in the first embodiment may be used as it is, but it is used when the parameters are discrete as in the capacity save value in the second embodiment. The method that can be performed will be described with reference to FIG.
  • FIG. 12 is an explanatory diagram showing a specific example of a method in which the deviation degree calculation unit 151 calculates the deviation degree and a method in which the deviation degree determination unit 152 determines whether or not the air conditioning data exists in the sparse region.
  • the air conditioning data D121 is indicated by a black circle
  • the learning data is indicated by a white circle.
  • each group can be formed by the value of the ability save value.
  • the deviation degree calculation unit 151 counts the number of learning data data included in the group to which the input air conditioning data belongs, and calculates the count value with a negative sign as the deviation degree.
  • FIG. 12 is an explanatory diagram showing a specific example of a method in which the deviation degree calculation unit 151 calculates the deviation degree and a method in which the deviation degree determination unit 152 determines whether or not the air conditioning data exists in the sparse region.
  • the air conditioning data D121 is indicated by a black circle
  • the learning data is indicated by a white circle.
  • each group can be formed by the value of
  • the air conditioning data D121 belongs to the group G121 having a capacity save value of 60%, and since there is only one learning data in the group, the degree of divergence is calculated as -1.
  • the divergence degree calculation unit 151 calculates the count value of the number of data with a negative number as the divergence degree, but instead of adding a negative number, calculates the reciprocal number as the divergence degree. It may be.
  • the deviation degree determination unit 152 determines whether the calculated deviation degree is equal to or higher than a predetermined sixth threshold value, and if it is equal to or higher than the sixth threshold value, determines that the air conditioning data exists in the sparse region. In FIG. 12, for example, when the sixth threshold value is set to -3, it is determined that the air conditioning data D121 exists in the sparse region. If it is determined in the above determination that it does not exist in the sparse region, it is determined whether or not it exists in the sparse region with respect to other parameters by using the method described in the first embodiment.
  • the estimation unit 16 inputs each air conditioning data to which the capacity save value is added into the trained machine learning model, and estimates the start-up time. That is, the estimation unit 16 obtains the activation time for each of the ability save values of 60%, 80%, and 100%.
  • the estimation unit 16 selects which capacity save value is used to start the air conditioner AC, that is, which capacity save value is used to start the air conditioner AC.
  • the estimation unit 16 simply selects to start at the start time corresponding to the set capacity save value. Just do it.
  • the start time corresponding to the set ability save value is earlier than the current time, the corresponding start time is later than the current time and the ability save having the largest value is obtained. You may choose a value.
  • the capacity save value and the start time corresponding to the capacity save value which capacity save value and start time should be used to start the air conditioner AC based on the set of the capacity save value and the corresponding start time. You may decide. For example, a table or function of an index location such as unit power consumption for a capacity save value is stored in advance, and the capacity save value in which the product of the index value and the start time is the minimum and the start time is later than the current time. And the start time pair may be selected.
  • the startup time is estimated even after a certain period of time has passed since the startup, and if the startup time estimated from the current capacity save value is earlier than the current time, the capacity save value is controlled to be small, and conversely. If the startup time estimated from the current ability save value is later than the current time, the ability save value may be controlled to be increased.
  • the estimation after a certain period of time may be performed not only once but also a plurality of times.
  • the same method as in the first embodiment may be used for the extrapolation of the non-learning model in the estimation unit 16, but the extrapolation method that can be used when the parameters are discrete such as the ability save value is described. This will be described below.
  • the method of selecting two points of the air conditioning data in the dense area as in the first embodiment is not performed, and the ratio of the input air conditioning data parameter to the air conditioning data parameter in the dense area is simply set.
  • the discrete parameters may be replaced with the parameters of the dense region, and the value obtained by multiplying the estimated value obtained from the machine learning model may be used as the estimated value obtained by extrapolation of the non-learning model. For example, in the case of FIG.
  • the parameter of the air conditioning data D111 is 60%, and the parameter of the air conditioning data belonging to the dense area is 100%. Therefore, the capacity save value of the air conditioning data D111 is replaced with 100%, and the estimated value obtained by inputting to the machine learning model is multiplied by 100 (%) / 60 (%) to obtain the value obtained by extrapolating the non-learning model. It may be an estimated value obtained.
  • the relationship between the capacity save value and the required time is such that the larger the capacity save value, the shorter the required time. Therefore, the capacity save value of the air conditioning data belonging to the dense area / the capacity save value of the input air conditioning data is multiplied. However, it is necessary to set whether the air conditioning data belonging to the dense region or the input air conditioning data is used as the denominator or the numerator according to the proportional relationship between each parameter and the estimated value.
  • the estimation unit 16 After estimating the start-up time, the estimation unit 16 notifies the control unit 11 of the estimation result and which air conditioning data is selected, and the control unit 11 saves the selected capacity at the notified start-up time. Control is performed so that the air conditioner AC is operated by the value. Further, the estimation unit 16 notifies the air conditioning data acquisition unit 13 which air conditioning data has been selected, and the air conditioning data acquisition unit 13 notifies the air conditioning data acquisition unit 13 of the selected air conditioning data and the actual time required to reach the target temperature. Together, it is stored in the storage unit 12 as learning data.
  • the air conditioning control device 100 according to the second embodiment is configured as described above, and power consumption can be reduced by controlling the operation of the air conditioner AC with an appropriate capacity saving value.
  • the modified example of the air conditioning control device 100 according to the first embodiment can also be applied to the air conditioning control device 100 according to the second embodiment.
  • the air conditioning control device is suitable for use in an air conditioning system that manages air conditioning so that the target temperature is reached at the target time.
  • Air conditioning control device 1000 air conditioning system, 10 transmission / reception unit, 11 control unit, 12 storage unit, 13 air conditioning data acquisition unit, 14 machine learning unit, 141 learning data acquisition unit, 142 learning unit, 15 judgment unit, 151 deviation degree calculation Department, 152 Deviation degree judgment unit, 16 estimation unit

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Human Computer Interaction (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

十分なデータが蓄えられていない状態で学習を行った機械学習モデルを用いた場合において、空調機の起動時刻について推定精度を向上した空調制御装置を得る。　密領域と密領域より学習データが少ない疎領域とを含む学習データ群を用いて、空調機の制御に関する情報である空調データから空調機の起動時刻を推定するための学習を行った機械学習モデルに基づいて、空調機の起動時刻を推定する空調制御装置において、空調データを取得する空調データ取得部と、空調データが、疎領域に存在するか判定する判定部と、判定部が、空調データが疎領域に存在すると判定した場合、機械学習モデルに対して、空調データと起動時刻とを関連付ける非学習モデルによる外挿を行い、非学習モデルを用いて空調データから空調機の起動時刻を推定する推定部と、推定部が推定した起動時刻に空調機を起動する制御を行う制御部と、を備えた。

Description

空調制御装置、空調システム、空調制御方法、空調制御プログラム
　本発明は、機械学習モデルを用いて空調機の起動時刻を推定する空調制御装置、空調システム、空調制御方法、及び空調制御プログラムに関する。
　消費電力を抑えつつ、ユーザーにとって快適な空調を実行するように空調機を制御する技術の例として、例えば、特許文献１に記載の空調制御装置が挙げられる。当該空調制御装置は、室温変化の履歴を示す室温履歴情報を、空調機の動作履歴情報に対応付け、これらの情報に基づいて、空調機が温度を調節しない場合の室温をオフ時予測室温として予測し、当該オフ時予測室温に基づいて、目標時刻において室温を目標温度に到達させるための制御パラメータを決定する。
　上記のオフ時予測室温の予測について、より詳細には、特許文献１に記載の空調制御装置は、室温履歴情報と動作履歴情報とに基づいて、空調機が温度を調節しない場合の居室の将来の室温を予測するための機械学習モデルであるオフ時室温予測モデルを作成し、当該オフ時室温予測モデルを用いて、空調機の起動時刻を決定する。
特開２０１７－６７４２７号公報
　しかし、特許文献１に記載の空調制御装置における機械学習モデルの作成は、十分に蓄えられた学習データ、例えば室温履歴情報及び動作履歴情報のデータが存在することを前提としている。そして、十分なデータが蓄えられていない状態で学習を行った機械学習モデルでは、不適切な予測をする可能性があるという問題があった。
　本発明は、上記の課題を解決するためになされたものであり、十分なデータが蓄えられていない状態で学習を行った機械学習モデルを用いた場合において、空調機の起動時刻について推定精度を向上した空調制御装置を得ることを目的とする。
　密領域と密領域より学習データが少ない疎領域とを含む学習データ群を用いて、空調機の制御に関する情報である空調データから空調機の起動時刻を推定するための学習を行った機械学習モデルに基づいて、空調機の起動時刻を推定する空調制御装置において、空調データを取得する空調データ取得部と、空調データが、疎領域に存在するか判定する判定部と、判定部が、空調データが疎領域に存在すると判定した場合、機械学習モデルに対して、空調データと起動時刻とを関連付ける非学習モデルによる外挿を行い、非学習モデルを用いて空調データから空調機の起動時刻を推定する推定部と、推定部が推定した起動時刻に空調機を起動する制御を行う制御部と、を備えた。
　本発明に係る空調制御装置は、判定部が、空調データが疎領域に存在すると判定した場合、密領域と密領域より学習データが少ない疎領域とを含む学習データ群を用いて、空調機の制御に関する情報である空調データから空調機の起動時刻を推定するための学習を行った機械学習モデルに対して、非学習モデルによる外挿を行い、非学習モデルを用いて空調データから空調機の起動時刻を推定する推定部を備えたので、学習データが少ない領域では非学習モデルによる外挿を行い、空調機の起動時刻を推定することにより、推定精度を向上することができる。
実施の形態１に係る空調システム１０００の構成を示す構成図である。 実施の形態１に係る空調制御装置１００の構成を示す構成図である。 乖離度算出部１５１が乖離度を算出する方法、及び乖離度判定部１５２が、空調データが疎領域に存在するか判定する方法の具体例を示す説明図である。 乖離度算出部１５１が乖離度を算出する方法、及び乖離度判定部１５２が、空調データが疎領域に存在するか判定する方法の具体例を示す説明図である。 乖離度算出部１５１が乖離度を算出する方法、及び乖離度判定部１５２が、空調データが疎領域に存在するか判定する方法の具体例を示す説明図である。 乖離度算出部１５１が乖離度を算出する方法、及び乖離度判定部１５２が、空調データが疎領域に存在するか判定する方法の具体例を示す説明図である。 乖離度算出部１５１が乖離度を算出する方法、及び乖離度判定部１５２が、空調データが疎領域に存在するか判定する方法の具体例を示す説明図である。 推定部１６が学習済みの機械学習モデルに対して非学習モデルによる外挿を行い、当該非学習モデルを用いて空調データから空調機の起動時刻を推定する方法の具体例を示す説明図である。 空調制御装置１００を実現するコンピュータのハードウェア構成の例を示す構成図である。 空調制御装置１００が機械学習モデルの学習を行う動作を示すフローチャートである。 空調制御装置１００が空調機ＡＣの起動時刻を推定する動作を示すフローチャートである。 乖離度算出部１５１が乖離度を算出する方法、及び乖離度判定部１５２が、空調データが疎領域に存在するか判定する方法の具体例を示す説明図である。
　実施の形態１．
　図１は、実施の形態１に係る空調システム１０００の構成を示す構成図である。空調システム１０００は、空調制御装置１００、複数の室外機ＯＵ（ＯＵ１，ＯＵ２，・・・ＯＵｎ）及び複数の室内機ＩＵ（ＩＵ１１，ＩＵ１２，・・・ＩＵ１ｐ，ＩＵ２１，ＩＵ２２，・・・ＩＵ２ｑ，ＩＵｎ１，ＩＵｎ２，・・・ＩＵｎｒ）を備える。ここで、ｎ、ｐ、ｑ、及びｒは任意の正の整数である。以下では、特定の室外機を指す場合には、ＯＵの後に追加の符号を付し、任意の室外機または全室外機を指す場合にはＯＵのみで表記することとする。室内機についても同様に、特定の室内機を指す場合には、ＩＵの後に追加の符号を付し、任意の室内機または全室内機を指す場合にはＩＵのみで表記することとする。符号の付し方については、後述する空調機ＡＣ、室外環境センサーＯＵＳ、室内環境センサーＩＵＳ、受付部ＩＵＲについても同様である。
　各室外機ＯＵには複数の室内機ＩＵが接続されており、例えば室外機ＯＵ１には室内機ＩＵ１（ＩＵ１１，ＩＵ１２，・・・ＩＵ１ｐ）が接続される。空調制御装置１００と室内機ＩＵ及び室外機ＯＵは電磁的方法により接続され、接続される方法は有線か無線かを問わない。また、空調制御装置１００は室内機ＩＵ及び室外機ＯＵが設置された建築物と同じ建築物に設置される構成でも、遠隔地に備えられ、ネットワーク経由で接続される構成であってもよい。
　各室外機ＯＵは、接続された室内機ＩＵとともに室内の空調を行う空調機ＡＣ（ＡＣ１，ＡＣ２，・・・ＡＣｎ）を構成する。また、各室外機ＯＵは、当該室外機ＯＵが設置された室外の環境を検知し、室外環境情報を取得する室外環境センサーＯＵＳ（ＯＵＳ１，ＯＵＳ２，・・・ＯＵＳｎ）を備える。各室外環境センサーＯＵＳは、取得した室外環境情報を空調データとして空調制御装置１００に出力する。ここで、室外環境情報とは、室外の環境を示すものであり、例えば、各時刻における室外温度や室外湿度等である。
　各室内機ＩＵは、当該室内機ＩＵが設置された室内の環境を検知し、室内環境情報を取得する室内環境センサーＩＵＳ（ＩＵＳ１１，ＩＵＳ１２，・・・ＩＵＳ１ｐ，ＩＵＳ２１，ＩＵＳ２２，・・・ＩＵＳ２ｑ，ＩＵＳｎ１，ＩＵＳｎ２，・・・ＩＵＳｎｒ）を備える。また、各室内機ＩＵは、ユーザーから設定情報を受け付ける受付部ＩＵＲ（ＩＵＲ１１，ＩＵＲ１２，・・・ＩＵＲ１ｐ，ＩＵＲ２１，ＩＵＲ２２，・・・ＩＵＲ２ｑ，ＩＵＲｎ１，ＩＵＲｎ２，・・・ＩＵＲｎｒ）を備える。各室内機ＩＵは、取得した室内環境情報、受け付けた設定情報、及び空調機ＡＣの運転状態を示す運転情報を、空調データとして室外機ＯＵを介して空調制御装置１００に出力する。ここで、室内環境情報とは、室内の環境を示すものであり、例えば、各時刻における室内温度及び室内湿度等である。設定情報は、受付部を介してユーザーにより設定される情報であり、例えば、室内機ＩＵが設置された部屋の環境値を目標値に到達させる目標時刻、目標温度、及び目標湿度等である。ここで、部屋の環境値とは、室内環境情報が示す値であり、目標値とは、設定情報が示す部屋の環境値の目標となる値である。
　運転情報は、空調機ＡＣの運転状態を示すものであり、例えば、空調機ＡＣの運転能力、空調機ＡＣが起動状態か停止状態かを示す情報、並びに、空調機ＡＣが冷房モード、暖房モード及び除湿モードを含む運転モードのいずれのモードにあるかを示す情報等である。また、室内機ＩＵだけでなく、室外機ＯＵも運転情報を出力する構成としてもよい。ここで、運転能力とは、空調機ＡＣの空調能力の強さを示すものであり、例えば、室外機ＯＵの圧縮機周波数、冷媒蒸発温度、凝縮温度、及び稼働する室内機ＩＵの台数等である。
　また、上記において、室外機ＯＵ及び室内機ＩＵが、それぞれ室外環境センサーＯＵＳ及び室内環境センサーＩＵＳを備える構成としたが、各種センサーは室外機ＯＵ及び室内機ＩＵと独立して設ける構成としても良い。あるいは、室外環境情報については、室外環境センサーＯＵＳからではなく、外部のサーバー等から取得する構成としても良い。
　図２は、実施の形態１に係る空調制御装置１００の構成を示す構成図である。空調制御装置１００は、密領域と密領域より学習データが少ない疎領域とを含む学習データ群を用いて、空調機の制御に関する情報である空調データから空調機の起動時刻を推定するための学習を行った機械学習モデルに基づいて、空調機の起動時刻を推定するものであり、送受信部１０、制御部１１、記憶部１２、空調データ取得部１３、機械学習部１４、判定部１５、及び推定部１６を備える。
　ここで、学習データが多い領域を密領域、学習データが少ない領域を疎領域と呼ぶこととする。密領域には学習を行うのに十分な量の学習データが存在し、推定部１６は当該学習データを用いて学習を行った機械学習モデルから適切な起動時刻を推定することができる。
　機械学習モデルの学習方法は周知技術を用いればよく、以下では、具体例として教師あり学習の場合について説明する。他の具体例として、例えば、強化学習を用いても良く、その場合、環境値が目標値に到達するまでに要した何らかの指標値、例えば実際に要した所要時間と推定値との差分や、消費電力量、単位時間あたりの温度変化など、もしくはそれらを複合した式を報酬とし、強化学習を実施するようにすれば良い。
　送受信部１０は、室内機ＩＵ及び室外機ＯＵを含む外部の装置と各種情報の送受信を行うものである。特に、実施の形態１において、送受信部１０は、室内機及び室外機から空調データを受信し、室内機及び室外機に対して制御信号を送信する。
　ここで、空調データとは、空調機ＡＣの制御に関する情報であり、実施の形態１において、室内機ＩＵから送信される室内環境情報、設定情報、運転情報、及び室外機ＯＵから送信される室外環境情報を含む。判定部１５に入力される空調データは、現在時刻の空調データであることが望ましいが、いつ計測された空調データか識別できるものであれば、空調機ＡＣの前回電源ＯＦＦ時から現在時刻までの過去の空調データであってもよい。また、送受信部１０は、環境値が目標値に到達するまでに実際に要した所要時間を室内機ＩＵから取得する。空調データに、当該所要時間を加えたデータを学習データと呼ぶ。推定部１６が推定に用いた空調データに上記の所要時間が加えられた学習データは記憶部１２に蓄えられ、機械学習部１４が行う機械学習モデルの学習に用いられる。
　制御部１１は、複数の室内機ＩＵと複数の室外機ＯＵを集中管理するものである。制御部１１は、室外機ＯＵ及び室内機ＩＵから空調データを取得する。制御部１１は、複数の室外機ＯＵ及び複数の室内機ＩＵから取得した空調データを集約し、集約した空調データを機械学習部１４及び判定部１５に送信する。また、実施の形態１において、制御部１１は、後述する推定部１６の推定結果に基づいて空調機ＡＣの制御を行う。より具体的には、制御部１１は、推定部１６が推定した起動時刻に空調機ＡＣを起動する制御を行う。
　記憶部１２は、各種情報を記憶するものであり、実施の形態１においては、後述する機械学習部１４で学習を行った機械学習モデルや、当該機械学習モデルの学習を行うための学習データ等を記憶する。
　空調データ取得部１３は、送受信部１０を介して空調機ＡＣから空調データを取得するものである。実施の形態１においては、空調データ取得部１３は、現在時刻の空調データを取得し、取得した空調データを起動時刻の推定に用いるための空調データとして乖離度算出部１５１に送信する。また、空調データ取得部１３は、推定部１６の推定結果に基づき制御部１１が空調機ＡＣの制御を行った後、推定部１６の推定に用いた空調データに、環境値が目標値に到達するまでに要した所要時間を加え、機械学習部１４が機械学習モデルの学習を行うための学習データとして記憶部１２に送信する。
　機械学習部１４は、空調データから空調機の起動時刻を推定するための機械学習モデルの学習を行うものであり、学習データ取得部１４１と学習部１４２とを備える。実施の形態１において、機械学習部１４が学習を行う機械学習モデルは、室内温度と目標温度との温度差、室内温度と室外温度との温度差、及び空調機の運転能力が入力され、空調機ＡＣを起動させてから目標時刻に部屋の室内温度が目標温度に到達するまでに要する所要時間を出力するものである。
　また、学習部１４２が用いる機械学習モデルは、非線形関数を表現できるものであれば何でもよいが、実施の形態１においては、ニューラルネットワークを用いるものとする。
　機械学習モデルへの入力は上記のものに限らず、差をとらずに、室内温度や目標温度及び室外温度を直接入力したり、室内湿度や室外湿度、室外機ＯＵや室内機ＩＵの台数を入力したりするようにしてもよい。また、機械学習モデルの出力も同様に、上記のものに限らず、その他の環境値、例えば、室内湿度等が目標値に到達するまでに要する所要時間を出力するようにしてもよいし、複数の環境値が目標値に到達するまでに要する所要時間を出力するようにしてもよい。
　上記の機械学習モデルは、目標時刻や現在時刻も入力に用い、起動時刻を直接出力する構成としてもよい。実施の形態１において、後述する推定部１６は、学習済みの機械学習モデルを用いて環境値が目標値に到達するまでの所要時間を取得し、当該所要時間と目標時刻とから空調機ＡＣの起動時刻を推定するものであるが、空調機ＡＣの起動時刻は上述のように所要時間と目標時刻とから算出されるものであるため、目標時刻が設定された状態において、機械学習モデルが起動時刻を直接出力する場合も、機械学習モデルは所要時間を出力し、後処理を行うことにより起動時刻を算出する場合も、推定部１６としては、起動時刻を推定することとなる。
　学習データ取得部１４１は、記憶部１２から上記機械学習モデルの学習を行うための学習データと、機械学習モデルとを取得するものである。また、学習データ取得部１４１は、取得した学習データに対して、機械学習モデルの入力に適した形式に変換する前処理を行う。実施の形態１において、機械学習モデルの入力は、室内温度と目標温度との温度差、室内温度と室外温度との温度差、及び空調機の運転能力であるので、学習データ取得部１４１は、空調データに含まれる室内環境情報が示す室内温度と設定情報が示す目標温度との温度差を算出し、同様に、室内温度と室外環境情報が示す室外温度との温度差を算出する。ここで、空調機の運転能力は運転情報に含まれるものとしたため、上記のような前処理は必要ない。また、以下では、前処理後のデータも学習データと呼ぶこととする。
　学習部１４２は、学習データ取得部１４１が取得した学習データを用いて、機械学習モデルの学習を行うものである。学習は、誤差逆伝搬法等の既存の学習方法を用いて行えばよい。ここで、機械学習モデルの学習は初期学習だけでなく、再学習も含む。学習部１４２は、学習後の機械学習モデルを記憶部１２に送信し、記憶部１２に記憶させる。
　判定部１５は、空調データ取得部１３が取得した空調データが疎領域に存在するか判定するものである。判定部１５は、予め設定された基準に基づいて、空調データが疎領域に存在するか判定するものであり、実施の形態１において、乖離度算出部１５１と、乖離度判定部１５２とを備える。
　また、空調データが疎領域に存在するとは、空調データが学習データに対する外れ値である場合だけでなく、空調データの付近に学習データが存在するものの、その数が少ない場合も含む。
　実施の形態１において、記憶部１２は、空調機ＡＣから受信した空調データに実際の所要時間を加えたものを学習データとして記憶し、機械学習部１４は、記憶部１２に追加された学習データを用いて機械学習モデルを更新する。そのため、学習データの疎領域は最初に決められてから変化しない静的なものではなく、学習データの増加に伴い動的に変化するものである。また、実施の形態１において、学習データの追加及び更新は一日毎に行うものとする。ただし、既に学習データが十分にあり、あまり頻繁な更新が必要でないような場合には、数日毎や一週間毎の更新としてもよい。
　乖離度算出部１５１は、学習データに対する空調データの乖離度を算出するものである。ここで、学習データに対する空調データの乖離度とは、空調データと学習データに含まれる空調データの乖離具合を示すものであり、当該学習データを用いて学習した機械学習モデルに当該空調データを入力した場合に適切な推定結果を得ることができるかの指標となる量である。空調データと学習データの乖離具合は、空調データに含まれるパラメータで定義されるパラメータ空間で表される。ここで、空調データに含まれるパラメータとは、空調データが含む各種情報のパラメータであり、例えば、室内環境情報が示す室内温度や室外環境情報が示す室外温度等である。乖離度の具体例としては、パラメータ空間における空調データと学習データとの距離、学習データをデータ数に基づいて複数の領域に分類したときに、空調データがどの領域に存在するかを示す値、及び空調データの周囲にどれだけの学習データが存在するかを示す値等である。ここで、空調データと学習データとの距離とは、空調データと、学習データに含まれる各データとの距離だけでなく、学習データが多く集まる密領域との距離、及び学習データを確率密度関数で近似したときの確率密度関数の最頻値との距離等も含む。
　乖離度判定部１５２は、乖離度算出部１５１が算出した乖離度に基づいて、空調データが疎領域に存在するか判定するものである。より具体的には、乖離度判定部１５２は、乖離度が所定の閾値以上か判定し、乖離度が所定の閾値以上である場合、空調データは疎領域に存在すると判定する。
　以下で、乖離度算出部１５１が乖離度を算出する方法、及び乖離度判定部１５２が、空調データが疎領域に存在するか判定する方法の具体例について説明する。
　一つ目の方法は、起動時刻推定用の空調データと、学習データに含まれる空調データに対する最近傍点との距離を乖離度として算出する方法である。この方法について、図３を参照しながら説明する。図３は、乖離度算出部１５１が乖離度を算出する方法、及び乖離度判定部１５２が、空調データが疎領域に存在するか判定する方法の具体例を示す説明図である。
　図３において、黒丸で示される点が現在時刻の空調データＤ３１であり、白丸で示される点が学習データである。白丸で示される点は、正確には、学習データを空調データと同じパラメータ空間、すなわち所要時間を取り除いた空間に射影したデータであるが、ここでは、学習データを射影したデータも学習データと呼ぶこととする。
　横軸と縦軸はともに、空調データに含まれるパラメータであり、例えば、室内温度や室外温度等である。空調データに含まれるパラメータは、一般にはより高次元であるが、図３においては説明のために２次元で表している。乖離度算出部１５１は、空調データＤ３１と、各学習データとの距離を算出する。ここで、学習データのうち、空調データＤ３１と最も近い点は、学習データＤ３２であり、乖離度算出部１５１は、空調データＤ３１と学習データＤ３２との距離Ｌ３１を乖離度として算出する。
　乖離度判定部１５２は、乖離度算出部１５１が算出した乖離度、すなわち、空調データＤ３１と学習データＤ３２との距離Ｌ３１が所定の第一閾値Ｔ１以上か判定し、第一閾値Ｔ１以上である場合、空調データＤ３１は疎領域に存在すると判定する。ここで、第一閾値Ｔ１はゼロ以上の実数である。
　二つ目の方法は、学習データの密領域を設定し、空調データと密領域との距離を算出する方法であり、この方法について、図４を参照しながら説明する。図４は、乖離度算出部１５１が乖離度を算出する方法、及び乖離度判定部１５２が、空調データが疎領域に存在するか判定する方法の具体例を示す説明図である。
　乖離度算出部１５１は、学習データが多数存在する領域である密領域Ａ４１を設定する。ここで、密領域Ａ４１の設定方法としては、例えば、適当な大きさの矩形領域を取り、その矩形領域の内側に存在する学習データの個数をカウントし、何割の学習データが矩形領域に含まれるか算出する。そして、矩形領域に含まれる学習データが所定の割合未満であれば、矩形領域を広げ、所定の割合以上であれば矩形領域を狭くする処理を繰り返す。この処理において、前回の処理では矩形領域を広げ、今回の処理では矩形領域を狭くすることになった場合、前回の処理後の矩形領域を密領域Ａ４１として設定すればよい。前回の処理で矩形領域を狭くし、今回の処理で矩形領域を広げた場合も同様である。
　あるいは、空調データが外れ値かどうかを判定したい場合には、学習データに含まれる各データのパラメータの最大値及び最小値を検出し、当該最大値及び最小値により形成される領域を密領域Ａ４１として設定するようにしてもよい。図４においては、後者の方法を採用し、パラメータ１の最大値は学習データＤ４２、パラメータ１の最小値は学習データＤ４３、パラメータ２の最大値は学習データＤ４４、パラメータ２の最小値は学習データＤ４５により設定される。図４において、乖離度算出部１５１は、空調データＤ４１と密領域Ａ４１との距離Ｌ４１を乖離度として算出する。
　乖離度判定部１５２は、乖離度算出部１５１が算出した乖離度、すなわち、空調データＤ４１と密領域Ａ４１との距離Ｌ４１が所定の第二閾値Ｔ２以上か判定し、第二閾値Ｔ２以上である場合、空調データＤ４１は疎領域に存在すると判定する。第二閾値Ｔ２はゼロ以上の実数である。
　三つ目の方法は、学習データを確率密度関数により近似し、当該確率密度関数に基づいて、乖離度を算出するものである。この方法について、図５を参照しながら説明する。図５は、乖離度算出部１５１が乖離度を算出する方法、及び乖離度判定部１５２が、空調データが疎領域に存在するか判定する方法の具体例を示す説明図である。
　乖離度算出部１５１は、図５で示すように、学習データの出現頻度を正規分布ＤＦ５１で近似し、正規分布ＤＦ５１の最頻値からの距離を乖離度として算出する。ここで、正規分布ＤＦ５１の最頻値をμとする。
　乖離度判定部１５２は、乖離度算出部１５１が算出した乖離度が所定の第三閾値Ｔ３以上か判定し、第三閾値Ｔ３以上である場合、空調データＤ５１は疎領域に存在すると判定する。第三閾値Ｔ３はゼロ以上の実数であり、図５においては、σで示されている。
　また、図５においては、パラメータが一次元の場合について示したが、パラメータが二次元以上の場合も同様である。
　また、単に最頻値からの距離を乖離度として算出するのではなく、確率密度関数に基づき、パラメータ空間をいくつかの領域に分類し、どの領域に存在するかを乖離度として算出するようにしてもよい。この方法について、図６を参照しながら説明する。
　まず、乖離度算出部１５１は、学習データを確率密度関数で近似する。ここでも、確率密度関数は正規分布を採用する。そして、当該確率密度関数に基づき、例えば、５０％領域Ａ６１、７５％領域Ａ６２、９５％領域Ａ６３、９５％領域外Ａ６４を設定する。ここで、５０％Ａ６１領域とは、その領域の内部に学習データの５０％が存在する領域であり、７５％領域Ａ６２、９５％領域Ａ６３についても同様である。そして９５％領域外Ａ６４は、９５％領域Ａ６３の外側の領域であり、この領域を疎領域として設定する。乖離度算出部１５１は、空調データの位置に基づき、例えば、空調データが５０％領域Ａ６１に存在するときは５０、７５％領域Ａ６２に存在するときは７５、９５％領域Ａ６３に存在するときは９５、９５％領域外に存在する場合には１００を乖離度として算出する。そして、９６以上１００未満の値を所定の閾値として設定することにより、乖離度判定部１５２は空調データが疎領域に存在するか判定することができる。
　四つ目の方法は、空調データの周囲にどれだけの学習データが存在するかを示す値を乖離度として算出する方法である。この方法について図７を参照しながら説明する。図７は、乖離度算出部１５１が乖離度を算出する方法、及び乖離度判定部１５２が、空調データが疎領域に存在するか判定する方法の具体例を示す説明図である。
　乖離度算出部１５１は、空調データＤ７１の周囲に領域Ａ７１を設定する。図７において、領域Ａ７１は空調データＤ７１を中心とした半径Ｒ７１以下の領域として設定された円盤である。ここで、半径Ｒ７１の値は、空調制御装置１００の設計者、あるいは空調機ＡＣのユーザーにより予め設定されているものとする。乖離度算出部１５１は、まず、この領域Ａ７１の内部に存在する学習データの数をカウントし、学習データの数、あるいは領域Ａ７１の内部に存在する学習データ数の割合を算出する。上記により算出された値は、その値が小さいほど疎領域に存在する可能性が高くなるようになっているため、その値に負号を付けるか、逆数を取ったものを乖離度として算出する。この操作を行うことにより、四つ目の方法においても、乖離度として算出された値は、その値が大きいほど疎領域に存在する可能性が高くなるものとして扱うことができる。乖離度判定部１５２は、乖離度算出部１５１が算出した乖離度が所定の第四閾値Ｔ４以上か判定し、第四閾値Ｔ４以上である場合、空調データＤ７１は疎領域に存在すると判定する。例えば、図７においては、空調データＤ７１の周囲に設定された領域Ａ７１には学習データが存在しないため、空調データＤ７１は疎領域に存在すると判定され、空調データＤ７２の周囲に設定された領域Ａ７２には学習データが多数存在するため、空調データＤ７２は疎領域に存在しない、あるいは密領域に存在すると判定される。ここで領域Ａ７２は、空調データＤ７２を中心とした半径Ｒ７１以下の領域として設定された円盤である。
　上記の四つの方法において、空調データのパラメータ空間上の位置に応じて乖離度を算出する構成としたが、空調データのパラメータ空間上の位置座標、すなわちパラメータそのものを直接乖離度として用いる構成としてもよい。この場合において、乖離度判定部１５２は、予め疎領域を設定しておき、空調データの各パラメータが疎領域の範囲内に含まれるか否かを判定することにより、空調データが疎領域に存在するかを判定することができる。例えば、密領域が矩形領域で設定され、疎領域が当該密領域の外側の領域として設定されている場合には、各パラメータが所定の閾値以上かをそれぞれ独立に判定すればよい。また、乖離度判定部１５２が設定する疎領域は、最初に設定してから固定する必要はなく、学習データの増加に伴い動的に設定するようにしてもよい。
　また、上記の方法において用いる位置座標は、空調データに含まれるパラメータそのものである必要はなく、適当な座標変換を行った後の座標成分を用いるようにしてもよい。
　推定部１６は、機械学習部１４が学習を行った学習済みの機械学習モデルを用いて、空調データ取得部１３が取得した空調データから空調機の起動時刻を推定するものである。実施の形態１において、機械学習モデルは、環境値が目標値に到達するまでに要する所要時間を出力するものであるので、推定部１６は、目標時刻から所要時間前の時刻を算出することにより、空調機ＡＣの起動時刻を推定する。
　また、推定部１６は、判定部１５が、空調データが疎領域に存在すると判定した場合、学習データを用いて空調データから空調機の起動時刻を推定するための学習を行った機械学習モデルに対して、非学習モデルによる外挿を行い、非学習モデルを用いて空調データから空調機の起動時刻を推定する。
　ここで、非学習モデルによる外挿とは密領域が一つの区間で表されるときに、その区間の外側の領域において、空調データと起動時刻との関係を非学習モデルで表現するだけでなく、密領域が複数の区間として離散的に存在する場合に、その複数の区間の間の領域において、空調データと起動時刻との関係を非学習モデルで表現することも含む。
　また、実施の形態１において、推定部１６は、非学習モデルとして線形モデルを用いて機械学習モデルに対する外挿を行う。ここでは、線形モデルを用いて外挿を行うものとしたが、ある領域において、経験則的に、または一般的に知られている関係式から空調データと所要時間との関係がどのようなものとなるのか既知の場合には、線形モデル以外のモデルを用いて外挿を行うようにしてもよい。
　推定部１６は、学習データ取得部１４１と同様に、取得した空調データに対して、機械学習モデルの入力に適した形式に変換する前処理を行う。実施の形態１において、機械学習モデルの入力は、室内温度と目標温度との温度差、室内温度と室外温度との温度差、及び空調機の運転能力であるので、推定部１６は、空調データに含まれる室内環境情報が示す室内温度と設定情報が示す目標温度との温度差、及び室内温度と室外環境情報が示す室外温度との温度差を算出する。ここで、空調機の運転能力は運転情報に含まれるものとしたため、上記のような前処理は必要ない。また、学習データと同様に、前処理後の空調データも空調データと呼ぶこととする。
　推定部１６が、機械学習モデルに対して非学習モデルによる外挿を行う方法の具体例について図８を参照しながら説明する。図８は、推定部１６が学習済みの機械学習モデルに対して非学習モデルによる外挿を行い、当該非学習モデルを用いて空調データから空調機の起動時刻を推定する方法の具体例を示す説明図である。
　図８に実線で示されるのが機械学習モデルＭ８１であり、非線形関数で表される。図８において、横軸は室内温度と目標温度との温度差、縦軸は室内温度が目標温度に到達するまでの所要時間であるが、一般には、横軸は機械学習モデルＭ８１の入力パラメータ、縦軸は機械学習モデルＭ８１の推定値である。また、図８は説明のために二次元で示しているが、入力パラメータ及び出力パラメータは、一般にはより高次元である。例えば、実施の形態１においては、機械学習モデルへの入力は、室内温度と目標温度との温度差、室内温度と室外温度との温度差、空調機ＡＣの運転能力の３つであるので、入力パラメータは三次元であり、出力は室内温度が目標温度に到達するまでの所要時間であるので、出力パラメータは一次元である。
　ここで、入力された空調データに推定値を加えたデータを推定データと呼ぶこととする。図８において、横軸上に黒四角で示されているのが空調データであり、実線の白丸が学習データ、点線の白丸が機械学習モデルＭ８１を用いて得られた推定値を含む推定データ、黒丸が入力された空調データから非学習モデルＭ８２を用いて得られた推定値を含む推定データである。
　また、図８において、室内温度と目標温度との温度差がＰ８２以上の領域が密領域、Ｐ８２未満の領域が疎領域として設定されている。
　判定部１５で空調データが密領域に存在すると判定された場合は、単に当該空調データのパラメータ値に対応する推定値を機械学習モデルＭ８１から算出するだけである。以下では、判定部１５で空調データが疎領域に存在すると判定された場合について説明する。
　まず、推定部１６は、密領域に存在する空調データを２点選択する。ここで、密領域に存在する空調データを選択するとは、密領域と設定されているパラメータ空間の領域において、適当なパラメータを選択することを意味し、記憶部１２に記憶された学習データに含まれる空調データを２点選択するだけでなく、密領域において適当なパラメータを選択し、当該パラメータを有する空調データを擬似的に生成することを含む。また、ここでのパラメータ空間は、機械学習モデルの入力パラメータに対応するものであり、判定部１５における空調データのパラメータ空間とは一般には異なるが、機械学習モデルの入力パラメータは空調データのパラメータから生成されるものであり、機械学習モデルのパラメータ空間の場合においても、疎領域及び密領域の設定は空調データのときと同様に行えばよい。
　ここで、選択される２点は任意であるが、疎領域の境界付近に存在することが望ましい。図８においては、一点は密領域と疎領域の境界に存在する点（空調データＤ８２）を選択している。もう一点は、空調データＤ８２の近くで選択することが望ましく、図８においては、空調データＤ８２が示す温度差Ｐ８２より所定の値ＰＤ８１だけ大きい値Ｐ８３を示す空調データＤ８３を選択している。
　次に、推定部１６は、選択した２点の空調データに対応する推定データを機械学習モデルＭ８１を用いて生成する。図８において、機械学習モデルＭ８１を用いると、空調データＤ８２からは推定値ＥＶ８２が得られ、推定データＥ８２が生成される。また、空調データＤ８３からは推定値ＥＶ８３が得られ、推定データＥ８３が生成される。
　そして、推定部１６は生成された推定データＥ８２と推定データＥ８３を通る直線を非学習モデルＭ８２として生成する。図８において、非学習モデルＭ８２は一点鎖線で示される。
　最後に、推定部１６は、入力された推定対象である空調データＤ８１の推定値ＥＶ１を推定する。ここで、空調データＤ８１に推定値ＥＶ１を追加した推定データＥ１を記憶部１２に記憶するようにしてもよい。
　また、上記において、推定部１６は推定データを生成したが、機械学習モデルあるいは非学習モデルから空調データに対応する推定値を算出する動作のみ行い、推定データは生成しない構成であってもよい。
　図８において、非学習モデルＭ８２は直線で示されているが、一般には非学習モデルは超平面である。上記においては、非学習モデルＭ８２を生成するために、空調データを２点選択したが、より高次元な場合には、より多く、具体的には超平面の次元より１だけ多く、空調データを選択する必要がある。
　また、上記においては、機械学習モデルＭ８１上の２点を用いて、非学習モデルＭ８２を生成したが、非学習モデルの生成方法はこれに限らず、例えば、密領域において、疎領域との境界付近に存在する学習データを複数個選択し、これらの学習データから回帰分析により得られる超平面を非学習モデルとしてもよい。
　非学習モデルによる外挿を行った場合と、外挿を行わなかった場合の違いについて説明する。例えば、図８に示すように、疎領域においては、パラメータの増加に従い、単調増加すべき状況であっても、学習データが少ないと適切に学習を行うことができず、減少後増加するような機械学習モデルが生成されてしまう可能性がある。このような場合において、非学習モデルによる外挿を行わない場合、空調データＤ８１から得られる推定値は推定値ＥＶ２（得られる推定データは推定データＥ２）となり、本来予想される推定値より大きな値を推定してしまう。しかしながら、実施の形態１に係る空調制御装置１００では、密領域の機械学習モデル、すなわち密領域の学習データに基づき疎領域に非学習モデルを生成し、密領域の機械学習モデルと接続することにより、非学習モデルを外挿するので、より適切な値、図８においては、推定値ＥＶ１であるが、外挿を行わない場合よりも小さな値を推定することができる。
　次に、実施の形態１における空調制御装置１００のハードウェア構成について説明する。空調制御装置１００の各機能は、コンピュータにより実現される。図９は、空調制御装置１００を実現するコンピュータのハードウェア構成の例を示す構成図である。
　図９に示したハードウェアには、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）等の処理装置１００００と、ＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）やハードディスク等の記憶装置１０００１が備えられる。
　図２に示す、送受信部１０、制御部１１、空調データ取得部１３、機械学習部１４、判定部１５、及び推定部１６は、記憶装置１０００１に記憶されたプログラムが処理装置１００００で実行されることにより実現され、記憶部１２は記憶装置１０００１により実現される。ここで、上記の構成は、単数の処理装置１００００及び記憶装置１０００１により実現する構成に限らず、複数の処理装置１００００及び記憶装置１０００１により実現する構成であってもよい。
　また、空調制御装置１００の各機能を実現する方法は、上記したハードウェアとプログラムの組み合わせに限らず、処理装置にプログラムをインプリメントしたＬＳＩ（Ｌａｒｇｅ　Ｓｃａｌｅ　Ｉｎｔｅｇｒａｔｅｄ　Ｃｉｒｃｕｉｔ）のような、ハードウェア単体で実現するようにしてもよいし、一部の機能を専用のハードウェアで実現し、一部を処理装置とプログラムの組み合わせで実現するようにしてもよい。
　以上のように、空調制御装置１００は構成される。
　次に、空調制御装置１００の動作について学習動作と推定動作に分けて説明する。ここで、空調制御装置１００の動作が空調制御方法であり、学習動作に対応する空調制御方法を学習方法、推定動作に対応する方法を推定方法と呼ぶこととする。また、空調制御方法をコンピュータに実行させるプログラムが空調制御プログラムである。
　まず、空調制御装置１００の学習動作について、図１０を参照しながら説明する。図１０は、空調制御装置１００が機械学習モデルの学習を行う動作を示すフローチャートである。
　まず、ステップＳ１において、学習データ取得部１４１は、記憶部１２から学習データ及び機械学習モデルを取得する。学習データ取得部１４１は、取得した学習データと機械学習モデルとを学習部１４２に送信する。ここで、初期学習の場合は、全ての学習データを取得し、再学習の場合には、追加された学習データのみを取得すればよい。
　また、学習データ取得部１４１は、取得した学習データに対して、機械学習モデルの入力に適した形式に変換する前処理を行う。実施の形態１において、機械学習モデルの入力は、室内温度と目標温度との温度差、室内温度と室外温度との温度差、及び空調機の運転能力であるので、学習データ取得部１４１は、空調データに含まれる室内環境情報が示す室内温度と設定情報が示す目標温度との温度差を算出し、同様に、室内温度と室外環境情報が示す室外温度との温度差を算出する。
　次に、ステップＳ２において、学習部１４２は、受信した学習データを用いて機械学習モデルの学習を行う。実施の形態１においては、機械学習モデルはニューラルネットワークであり、学習は誤差逆伝搬法等の既存の学習方法を用いて行うことができる。
　最後に、ステップＳ３において、学習部１４２は、学習済みの機械学習モデルを記憶部１２に保存する。
　以上のステップを行い、空調制御装置１００は学習動作を終了する。
　次に、空調制御装置１００の推定動作について、図１０を参照しながら説明する。
　図１０は、空調制御装置１００が空調機ＡＣの起動時刻を推定する動作を示すフローチャートである。
　まず、ステップＳ１０１の空調データ取得工程において、空調データ取得部１３は送受信部１０を介して空調機ＡＣから空調データを取得する。より具体的には、空調データ取得部１３は、室外機ＯＵから室外環境を取得し、室内機ＩＵから室内環境情報、設定情報及び運転情報を取得する。
　次に、ステップＳ１０２の判定工程において、判定部１５は、ステップＳ１０１で取得した空調データが疎領域に存在するか判定する。
　より具体的には、まず、乖離度算出部１５１が、当該空調データの乖離度を算出する。ここでは、上記の一つ目の方法において、空調データと学習データとの距離を乖離度として算出したものとする。
　そして、乖離度判定部１５２が、当該乖離度が所定の閾値以上か判定し、閾値以上であると判定した場合、当該空調データは疎領域に存在すると判定する。
　ステップＳ１０２の判定工程において、空調データが疎領域に存在すると判定された場合には、空調制御装置１００の動作はステップＳ１０３に進み、空調データが疎領域に存在しないと判定された場合には、空調制御装置１００の動作はステップＳ１０４に進む。
　以下のステップＳ１０３とステップＳ１０４とを合わせて推定工程と呼ぶこととする。
　ステップＳ１０３において、推定部１６は、空調機の起動時刻の推定を行う。ステップＳ１０３は、空調データが疎領域に存在すると判定された場合なので、機械学習モデルに対して非学習モデルで外挿を行い、当該外挿モデルを用いて起動時刻を推定する。
　ステップＳ１０４においても、推定部１６は、空調機の起動時刻の推定を行うが、ステップＳ１０４は、空調データが疎領域に存在しないと判定された場合なので、非学習モデルによる外挿は行わず、機械学習モデルを直接用いて起動時刻を推定する。
　次に、ステップＳ１０５の制御工程において、制御部１１は、推定部１６が推定した起動時刻に空調機ＡＣが起動するように制御信号を送信する。制御信号は送受信部を介して、空調機ＡＣに送信され、空調機ＡＣは当該制御信号を受信すると、当該起動時刻において起動するように設定される。
　最後に、ステップＳ１０５の学習データ保存工程において、送受信部１０は、室内機ＩＵから実際に室内温度が目標温度に到達するまでにかかった所要時間を取得し、当該所要時間をステップＳ１０１で取得した空調データと合わせて学習データとして記憶部１２に保存する。
　以上のような空調制御装置１００の推定動作により、入力された空調データが学習データから乖離した値であっても、学習済みの機械学習モデルに非学習モデルを外挿することにより、外挿を行わずに機械学習モデルをそのまま用いるよりも、より適切に起動時刻を推定することができる。
　すなわち、実施の形態１に係る空調制御装置１００は、学習データが少ない領域では非学習モデルによる外挿を行い、空調機の起動時刻を推定することにより、不適切な推定をする可能性を低減することができる。
　実施の形態１における空調制御装置１００の変形例について、以下で説明する。
　上記において、制御部１１は、空調制御装置１００が備える他の構成と同一のハードウェアにより実現される構成としたが、他の構成と別のハードウェア（処理装置及び記憶装置）により実現される構成としてもよい。ここで、制御部１１を別のハードウェアで実現する構成において、制御部１１は、同一のハードウェアで実現されるときと同様、複数の室内機ＩＵ及び室外機ＯＵを集中管理する構成でも、個々の室内機ＩＵ及び室外機ＯＵにそれぞれ備えられ、それぞれに備えられた制御部１１が室内機ＩＵ及び室外機ＯＵを制御する構成としてもよい。
　また、制御部１１だけでなく、空調制御装置１００は、図１に示すように、室内機ＩＵ及び室外機ＯＵの外部に備える構成だけでなく、室内機ＩＵ及び室外機ＯＵの内部に備える構成であっても良い。
　上記において、空調制御装置１００は、複数の室外機ＯＵに接続され、室外機ＯＵを介して室内機ＩＵと接続される構成としたが、空調制御装置１００と室内機ＩＵ及び室外機ＯＵとがそれぞれ直接接続される構成や、空調制御装置１００と室内機ＩＵが接続され、室内機ＩＵを介して空調制御装置１００と室外機ＯＵが接続される構成であってもよい。また、複数の室外機ＯＵ及び複数の室内機ＩＵを備える構成としたが、室外機ＯＵ及び室内機ＩＵは単数であっても良い。
　推定部１６及び学習データ取得部１４１で空調データを機械学習モデルの入力に適した形に変換する前処理を行う構成としたが、推定部１６ではなく判定部１５で上記の前処理を行う構成としても良い。
　あるいは、推定部１６及び学習データ取得部１４１で前処理を行うのではなく、空調データ取得部１３が前処理を行い、推定に用いる空調データだけでなく、学習データについても前処理を行ったデータを記憶部１２に保存する構成としてもよい。
　これらの場合において、判定部１５における空調データが疎領域に存在するかの判定は、前処理後の空調データで行うようにしてもよい。すなわち、判定部１５は空調データに含まれるパラメータではなく、機械学習モデルの入力パラメータにより張られるパラメータ空間において、空調データが疎領域に存在するか判定するようにしてもよい。
　実施の形態１において、空調制御装置１００の機械学習モデルの学習に用いる学習データ群は、密領域と疎領域を含むことを前提としており、学習初期の段階において、学習データ群全体のデータ数が十分な量存在せず、密領域と疎領域を明確に区別できないようなときには、十分に効果を発揮できない場合が考えられる。そのため、判定部１５は、空調データの乖離度を算出する前に、学習データ群に含まれる学習データの数をカウントし、学習データの数が所定の第五閾値以上の場合に、空調データが疎領域に存在するか判定を行い、推定部１６は、非学習モデルの外挿を行うようにしてもよい。このようにすることで、学習データ群全体のデータ数が少ないときには、学習データを蓄積することに専念し、学習データが十分蓄積できた時点から、非学習モデルによる外挿を行うようにすることができる。
　判定部１５は、空調データが疎領域に存在するかを判定したが、疎領域に存在するかだけでなく、どのパラメータが学習データから乖離した値、すなわち異常な値を示しているかを判定するようにしてもよい。例えば、空調データと学習データの各パラメータを比較したり、空調データと予め設定された疎領域のパラメータを比較したりすることにより実現できる。
　例えば、図３においては、空調データＤ３１のパラメータ１は、学習データＤ３３のパラメータ１以下であり、異常な値は取っておらず、一方、空調データのパラメータ２は、どの学習データよりも大きな値を取っており、学習データから乖離している。乖離度判定部１５２は、空調データと学習データの各パラメータを比較することにより、どのパラメータが異常な値を取っているか判定することができる。
　また、パラメータの判定は、空調データが疎領域に存在すると判定された場合において追加で判定するようにしてもよいし、疎領域の判定と同時に行う構成であってもよい。例えば、異常なパラメータが見つかった場合に、当該パラメータが異常であり空調データは疎領域に存在すると判定するようにしてもよい。
　実施の形態１に係る空調制御装置１００は、空調データが疎領域に存在する場合、機械学習モデルに外挿を行い、起動時刻を推定するものであるが、推定された起動時刻に起動しても外乱等により目標時刻に目標温度に到達できない場合が想定される。また、会社や学校等において、長期休暇明けのような場合には、壁の潜熱等の影響により、室内温度の目標温度到達時刻は、通常より遅くなる場合がある。上記のような課題に対しては、空調機ＡＣのユーザーにとって、目標時刻より遅い時刻に目標温度に到達するよりも、目標時刻より若干早い時刻に目標温度に到達した方が、快適性が高いと考えられるため、推定部１６は機械学習モデルにより得られた推定値、あるいは非学習モデルにより得られた推定値に、より早い起動時刻を推定するための補正を行うようにしてもよい。
　例えば、推定部１６は、推定値に安全率を加える補正を行うことにより、空調機ＡＣの推定される起動時刻が安全率を加えない場合よりも早くなるように推定を行う。より具体的には、所要時間の推定値に安全率を加えることにより、より長い所要時間を推定値として算出したり、所要時間の推定値に１より大きな値を積算し、より長い所要時間を推定値として算出したりすることにより、補正を行わない場合よりも、より早い時間を起動時刻として推定し、結果として補正を行わない場合よりもより早い時刻に目標時刻に到達するように空調機を制御することができる。
　実施の形態２．
　実施の形態１において、機械学習モデルは、室内温度と目標温度との温度差、室内温度と室外温度との温度差、及び空調機の運転能力を入力とするものであった。実施の形態２における空調制御装置１００は、機械学習モデルの入力として、さらに空調機ＡＣの能力セーブ値を用いるものである。ここで、能力セーブ値は運転情報に含まれるものとする。能力セーブとは、空調機の運転能力を抑えることにより最大電力や消費電力を抑えるものであり、例えば、圧縮機周波数を低くしたり、ファンの回転数を低下したりすることにより達せられる。また、能力セーブ値とは、能力セーブの尺度であり、実施の形態２においては、空調機ＡＣの最大運転能力に対して実際に運転させる運転能力の比率を能力セーブ値として用いる。実施の形態２において、能力セーブ値は、６０％、８０％、及び１００％に設定可能であるとする。ここで、６０％は６０％の能力で空調機ＡＣを運転している状態、８０％は８０％で空調機ＡＣを運転している状態、１００％は１００％で空調機ＡＣを運転している状態を示す。
　また、実施の形態２においては、空調機ＡＣの最大運転能力に対して実際に運転させる運転能力の比率を能力セーブ値として用いるものとしたが、圧縮機周波数やファンの回転数を直接能力セーブ値として用いるようにしてもよい。
　実施の形態１と異なる部分について、以下で説明する。
　空調データ取得部１３は、取得した空調データに能力セーブ値を加えることにより、空調機ＡＣの能力セーブ値を含む運転情報を取得する。より具体的には、取得した空調データに能力セーブ値が６０％であるという情報を追加したデータ、取得した空調データに能力セーブ値が８０％であるという情報を追加したデータ、及び取得した空調データに能力セーブ値が１００％であるという情報を追加したデータを生成する。ここで、空調データに能力セーブ値に関する情報が追加されたデータも空調データと呼ぶこととする。空調データ取得部１３は、生成した各空調データを判定部１５に送信する。
　機械学習部１４は、実施の形態１と同様に、機械学習モデルの学習を行う。ここで、実施の形態２における機械学習モデルは、上記したように、入力パラメータの一つに能力セーブ値を有する。このときの学習データは、後述する推定部１６により選択された能力セーブ値を含む空調データと、実際に目標温度に到達するまでにかかった所要時間を加えたものである。
　判定部１５は、取得した空調データに能力セーブ値を加えたデータが疎領域に存在するか判定する。空調データが疎領域に存在するか判定する方法は、実施の形態１に記載された方法をそのまま用いても良いが、実施の形態２における能力セーブ値のようにパラメータが離散的な場合に用いることができる方法について、図１２を参照しながら説明する。
　図１２は、乖離度算出部１５１が乖離度を算出する方法、及び乖離度判定部１５２が、空調データが疎領域に存在するか判定する方法の具体例を示す説明図である。
　図１２において、空調データＤ１２１は黒丸、学習データは白丸で示されている。
　実施の形態２において、能力セーブ値は離散値としているので、能力セーブ値の値により各グループを形成することができる。乖離度算出部１５１は、入力された空調データが属するグループに含まれる学習データのデータ数をカウントし、そのカウント値に負号を付したものを乖離度として算出する。図１１において、空調データＤ１２１は、能力セーブ値が６０％のグループＧ１２１に属しており、そのグループ内の学習データは１つなので、乖離度を－１と算出する。ここで、乖離度算出部１５１は、データ数のカウント値に負号を付したものを乖離度として算出したが、負号を付すのではなく、逆数を取ったものを乖離度として算出するようにしてもよい。
　乖離度判定部１５２は、算出された乖離度が所定の第六閾値以上か判定し、第六閾値以上の場合、空調データは疎領域に存在すると判定する。図１２において、例えば、第六閾値が－３と設定されている場合には、空調データＤ１２１は疎領域に存在すると判定される。上記の判定において、疎領域に存在しないと判定された場合、実施の形態１に記載した方法を用いて、他のパラメータに関して疎領域に存在するか判定する。
　推定部１６は、能力セーブ値が加えられた各空調データを学習済みの機械学習モデルに入力し、起動時刻を推定する。すなわち、推定部１６は、能力セーブ値が６０％、８０％、及び１００％のときそれぞれに対する起動時刻を得る。
　また、推定部１６は、どの能力セーブ値で空調機ＡＣを起動させるか、すなわち、どの能力セーブ値に対応する起動時刻で空調機ＡＣを起動させるかを選択する。ここで、ユーザーにより予め、空調機ＡＣの動作時における能力セーブ値が設定されている場合には、推定部１６は、単に設定された能力セーブ値に対応する起動時刻で起動させることを選択すればよい。あるいは、設定された能力セーブ値に対応する起動時刻が、現在時刻よりも前の時刻の場合には、対応する起動時刻が現在時刻よりも後の時刻で、かつ、最も大きな値を有する能力セーブ値を選択するようにしてもよい。
　また、能力セーブ値及び能力セーブ値に対応する起動時刻の別の決定方法として、能力セーブ値と対応する起動時刻の組に基づいて、どの能力セーブ値及び起動時刻で空調機ＡＣを起動させるか決定するようにしてもよい。
　例えば、あらかじめ能力セーブ値に対する単位消費電力等の指標地のテーブルや関数などを保持しておき、指標値と起動時刻との積が最小かつ起動時刻が現在時刻より後の時刻となる能力セーブ値と起動時刻の組を選択するようにしてもよい。
　また、起動後の一定時間経過後も起動時刻推定を行い、現在の能力セーブ値から推定される起動時刻が現在時刻よりも早い時間であれば能力セーブ値を小さくするように制御し、逆に現在の能力セーブ値から推定される起動時刻が現在時刻よりも遅い時間であれば能力セーブ値を大きくするように制御してもよい。上記の制御を行うことにより、例えば、冬期に能力セーブ値を下げた状態で空調機ＡＣを運転させることによる不暖（居室が暖まらないこと）の発生を防ぐことができる。また、一定時間経過後の推定は一度だけでなく、複数回に渡って行うようにしてもよい。
　推定部１６における非学習モデルの外挿についても、実施の形態１と同様の方法を用いても良いが、能力セーブ値のようにパラメータが離散的な場合に用いることができる外挿方法について、以下で説明する。
　パラメータが離散的な場合、実施の形態１のように密領域の空調データを２点選択する方法は行わず、単に入力された空調データのパラメータと密領域の空調データのパラメータとの比を、離散的なパラメータを密領域のパラメータに置き換えて機械学習モデルから得られた推定値に、乗算した値を非学習モデルの外挿により得られた推定値としてもよい。例えば、図１２の場合には、密領域として、能力セーブ値が１００％のグループＧ１２３を用いると、空調データＤ１１１のパラメータは６０％であり、密領域に属する空調データのパラメータは１００％であるので、空調データＤ１１１の能力セーブ値を１００％に置き換えて機械学習モデルに入力し得られた推定値に、１００（％）／６０（％）を乗算した値を非学習モデルの外挿により得られた推定値としてもよい。
　ここで、能力セーブ値と所要時間との関係は、能力セーブ値が大きいほど所要時間は短くなるため、密領域に属する空調データの能力セーブ値／入力された空調データの能力セーブ値を乗算したが、各パラメータと推定値がどのような比例関係にあるかに応じて、密領域に属する空調データと入力された空調データのどちらを分母、あるいは分子にするかを設定する必要がある。
　推定部１６は、起動時刻の推定を行った後、制御部１１に推定結果と、どの空調データが選択されたかを通知し、制御部１１は、通知された起動時刻において、選択された能力セーブ値で空調機ＡＣを動作させるように制御を行う。
　また、推定部１６は、空調データ取得部１３にどの空調データが選択されたかを通知し、空調データ取得部１３は選択された空調データと、目標温度に到達するまでの実際の所要時間とを合わせて学習データとして、記憶部１２に保存する。
　実施の形態２に係る空調制御装置１００は以上のように構成され、適切な能力セーブ値で空調機ＡＣの運転を制御することにより、消費電力を低下することができる。
　実施の形態１に係る空調制御装置１００の変形例については、実施の形態２に係る空調制御装置１００にも適用可能である。
　本発明に係る空調制御装置は、目標時刻に目標温度に達するように空調を管理する空調システムに用いるのに適している。
１００　空調制御装置、１０００　空調システム、１０　送受信部、１１　制御部、１２　記憶部、１３　空調データ取得部、１４　機械学習部、１４１　学習データ取得部、１４２　学習部、１５　判定部、１５１　乖離度算出部、１５２　乖離度判定部、１６　推定部

Claims (9)

  1. 　密領域と前記密領域より学習データが少ない疎領域とを含む学習データ群を用いて、空調機の制御に関する情報である空調データから前記空調機の起動時刻を推定するための学習を行った機械学習モデルに基づいて、前記空調機の起動時刻を推定する空調制御装置において、
    　前記空調データを取得する空調データ取得部と、
    　前記空調データが、前記疎領域に存在するか判定する判定部と、
    　前記判定部が、前記空調データが前記疎領域に存在すると判定した場合、前記機械学習モデルに対して、前記空調データと前記起動時刻とを関連付ける非学習モデルによる外挿を行い、前記非学習モデルを用いて前記空調データから前記空調機の起動時刻を推定する推定部と、
    　前記推定部が推定した起動時刻に前記空調機を起動する制御を行う制御部と、
    　を備えた空調制御装置。
  2. 　前記空調データ取得部は、前記空調データとして、室内の環境を示す室内環境情報と、室外の環境を示す室外環境情報と、前記空調機の運転状態を示す運転情報と、を取得する
    　ことを特徴とする請求項１に記載の空調制御装置。
  3. 　前記空調データ取得部は、前記空調機の能力セーブ値を含む前記運転情報を取得する
    　ことを特徴とする請求項２に記載の空調制御装置。
  4. 　前記判定部は、
    　前記学習データに対する前記空調データの乖離度を算出する乖離度算出部と、
    　前記乖離度に基づいて、前記空調データが前記疎領域に存在するか判定する乖離度判定部と、
    　を備えたことを特徴とする請求項１から３のいずれか一項に記載の空調制御装置。
  5. 　前記乖離度算出部は、前記空調データに含まれるパラメータで定義される空間における前記空調データと前記学習データとの距離を前記乖離度として算出し、
    　前記乖離度判定部は、前記前記乖離度が所定の閾値以上か判定し、前記乖離度が前記閾値以上である場合、前記空調データは前記疎領域に存在すると判定する
    　ことを特徴とする請求項４に記載の空調制御装置。
  6. 　前記推定部は、前記機械学習モデルの出力に対して、より早い起動時刻を推定するための補正を行う
    　ことを特徴とする請求項１から５のいずれか一項に記載の空調制御装置。
  7. 　室内機と、
    　前記室内機に接続され、前記空調機を構成する室外機と、
    　前記室内機と前記室外機とを制御する、請求項１から６のいずれかを１項に記載の空調制御装置と、
    　を備えた空調システム。
  8. 　空調機の制御に関する情報である空調データを取得する空調データ取得工程と、
    　前記空調データが学習データの少ない疎領域に存在するか判定する判定工程と、
    　前記判定工程で、前記空調データが前記疎領域に存在すると判定した場合、前記学習データを用いて、前記空調データから前記空調機の起動時刻を推定するための学習を行った機械学習モデルに対して、非学習モデルによる外挿を行い、前記非学習モデルを用いて前記空調データから前記空調機の起動時刻を推定する推定工程と、
    　前記推定工程で推定した起動時刻に前記空調機を起動する制御を行う制御工程と、
    　を含む空調制御方法。
  9. 　請求項８に記載の全工程をコンピュータに実行させる空調制御プログラム。
PCT/JP2019/041507 2019-10-23 2019-10-23 空調制御装置、空調システム、空調制御方法、空調制御プログラム WO2021079431A1 (ja)

Priority Applications (5)

Application Number Priority Date Filing Date Title
PCT/JP2019/041507 WO2021079431A1 (ja) 2019-10-23 2019-10-23 空調制御装置、空調システム、空調制御方法、空調制御プログラム
JP2021553205A JP7006859B2 (ja) 2019-10-23 2019-10-23 空調制御装置、空調システム、空調制御方法、空調制御プログラム
CN201980101246.9A CN114556027B (zh) 2019-10-23 2019-10-23 空调控制装置、空调系统、空调控制方法和记录介质
EP19949608.4A EP4033169B1 (en) 2019-10-23 2019-10-23 Air-conditioning control device, air-conditioning system, air-conditioning control method, and air-conditioning control program
US17/590,617 US20220154960A1 (en) 2019-10-23 2022-02-01 Air-conditioning control device, air-conditioning system, air-conditioning control method, and non-transitory computer readable recording medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2019/041507 WO2021079431A1 (ja) 2019-10-23 2019-10-23 空調制御装置、空調システム、空調制御方法、空調制御プログラム

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US17/590,617 Continuation US20220154960A1 (en) 2019-10-23 2022-02-01 Air-conditioning control device, air-conditioning system, air-conditioning control method, and non-transitory computer readable recording medium

Publications (1)

Publication Number Publication Date
WO2021079431A1 true WO2021079431A1 (ja) 2021-04-29

Family

ID=75620629

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2019/041507 WO2021079431A1 (ja) 2019-10-23 2019-10-23 空調制御装置、空調システム、空調制御方法、空調制御プログラム

Country Status (5)

Country Link
US (1) US20220154960A1 (ja)
EP (1) EP4033169B1 (ja)
JP (1) JP7006859B2 (ja)
CN (1) CN114556027B (ja)
WO (1) WO2021079431A1 (ja)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7188255B2 (ja) * 2019-04-16 2022-12-13 富士通株式会社 学習方法、学習プログラムおよび学習装置
CN115388517B (zh) * 2022-07-27 2024-06-14 宁波奥克斯电气股份有限公司 一种多联空调分户计费方法、装置及多联空调
CN115451534B (zh) * 2022-09-02 2024-05-24 东联信息技术有限公司 基于强化学习分场景的机房空调节能方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015215659A (ja) * 2014-05-08 2015-12-03 アズビル株式会社 関数生成装置、熱源機器制御装置、空調システム、関数生成方法、および関数生成用プログラム
JP2017067427A (ja) 2015-10-01 2017-04-06 パナソニックＩｐマネジメント株式会社 空調制御方法、空調制御装置及び空調制御プログラム
JP2017172830A (ja) * 2016-03-22 2017-09-28 三菱電機株式会社 空気調和装置
CN108361927A (zh) * 2018-02-08 2018-08-03 广东美的暖通设备有限公司 一种基于机器学习的空调器控制方法、装置以及空调器

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7024283B2 (en) * 2002-10-28 2006-04-04 American Standard International Inc. Method of determining indoor or outdoor temperature limits
CN100580698C (zh) * 2007-09-10 2010-01-13 东北大学 稀疏数据过程建模方法
JP5301310B2 (ja) * 2009-02-17 2013-09-25 株式会社日立製作所 異常検知方法及び異常検知システム
CN103982982B (zh) * 2014-05-05 2016-10-19 美的集团股份有限公司 空调器的控制方法和空调器
CN105717960B (zh) * 2014-12-04 2018-01-19 台达电子工业股份有限公司 环境舒适度控制系统及其控制方法
US20180284735A1 (en) * 2016-05-09 2018-10-04 StrongForce IoT Portfolio 2016, LLC Methods and systems for industrial internet of things data collection in a network sensitive upstream oil and gas environment
JP6910206B2 (ja) * 2017-05-25 2021-07-28 アズビル株式会社 空調システムの最適起動停止制御装置および最適起動停止制御方法
CN109612009A (zh) * 2018-12-06 2019-04-12 珠海格力电器股份有限公司 一种空调器及其一键开机控制方法
US20230281527A1 (en) * 2019-01-13 2023-09-07 Strong Force Iot Portfolio 2016, Llc User interface for industrial digital twin providing conditions of interest with display of reduced dimensionality views
CN110131843B (zh) * 2019-05-15 2020-06-16 珠海格力电器股份有限公司 基于大数据的空调的智能调控方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015215659A (ja) * 2014-05-08 2015-12-03 アズビル株式会社 関数生成装置、熱源機器制御装置、空調システム、関数生成方法、および関数生成用プログラム
JP2017067427A (ja) 2015-10-01 2017-04-06 パナソニックＩｐマネジメント株式会社 空調制御方法、空調制御装置及び空調制御プログラム
JP2017172830A (ja) * 2016-03-22 2017-09-28 三菱電機株式会社 空気調和装置
CN108361927A (zh) * 2018-02-08 2018-08-03 广东美的暖通设备有限公司 一种基于机器学习的空调器控制方法、装置以及空调器

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP4033169A4

Also Published As

Publication number Publication date
EP4033169A1 (en) 2022-07-27
US20220154960A1 (en) 2022-05-19
CN114556027B (zh) 2023-07-04
JPWO2021079431A1 (ja) 2021-04-29
EP4033169B1 (en) 2023-07-19
EP4033169A4 (en) 2022-09-14
JP7006859B2 (ja) 2022-02-10
CN114556027A (zh) 2022-05-27

Similar Documents

Publication Publication Date Title
JP7006859B2 (ja) 空調制御装置、空調システム、空調制御方法、空調制御プログラム
JP6940623B2 (ja) 無風感制御方法、装置及び読み取り可能な記憶媒体、エアコン
Xu et al. A model-based optimal ventilation control strategy of multi-zone VAV air-conditioning systems
CN110726218B (zh) 空调器及其控制方法、装置、存储介质和处理器
JP6125104B2 (ja) 空調制御装置、空調制御方法、および、プログラム
CN111706969B (zh) 空调除湿的控制方法、装置及空调器
US11514358B2 (en) Automatic control artificial intelligence device and method for updating a control function
CN111868639B (zh) 用于控制空调系统的运行的系统及方法
CN109140660B (zh) 用于空调的智能控温方法及装置、空调、存储介质
GB2544534A (en) Method and thermostat controller for determining a temperature set point
CN109323399B (zh) 空调器、服务器、空调系统以及控制方法
JP7170740B2 (ja) 情報処理装置およびこれを備えた空調システム
CN112696798B (zh) 空调的参数设置方法、空调设备以及计算机可读存储介质
JP2020148385A (ja) 空調制御システム、及び、空調制御方法
Guay et al. A comparison of extremum seeking algorithms applied to vapor compression system optimization
US11466885B2 (en) Air-conditioning control device, air-conditioning system, and air-conditioning control method
JP2020133963A (ja) 空気調和機の最適オン／オフ時刻算出処理を実行するサーバ、および最適オン／オフ時刻算出処理システム
US20190353369A1 (en) Environmental control system and method for automatically adjusting operating parameters
JP6343499B2 (ja) エネルギー管理システム
CN112128922B (zh) 多联机空调系统的温控方法及装置
JP2020153530A (ja) 空調機の予冷運転又は予暖運転の運転条件を決定する機械学習装置
JP2015090232A (ja) 空気調和システム、プログラム
CN110470027B (zh) 一种直流风机调节方法、控制器以及调温系统
CN115540245A (zh) 空调制冷控制方法、空调器及计算机可读存储介质
CN113310176A (zh) 信息处理装置

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: 19949608

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2021553205

Country of ref document: JP

Kind code of ref document: A

ENP Entry into the national phase

Ref document number: 2019949608

Country of ref document: EP

Effective date: 20220419

NENP Non-entry into the national phase

Ref country code: DE