WO2021181566A1 - 空気調和システム、および学習装置 - Google Patents

Abstract

本開示の空気調和システム（１）は、電力デマンド値が設定値を超えたときにデマンド信号を出力するデマンドコントローラ（３）と接続された空気調和システムである。空気調和システム（１）は、空気調和機（１２）と、予測対象期間よりも前の期間の空気調和機（１２）の運転データ、予測対象期間よりも前の期間の空気調和機（１２）の利用者の状態データ、予測対象期間の気象予測データ、および空気調和機（１２）が設置されている部屋の特性データのうちの少なくとも１つを含む入力データから、予測対象期間の設定値を超える電力デマンド値の総量を表わすデータを推論する推論装置（１６）と、電力デマンド値の総量の予測値に応じて、空気調和機（１２）を蓄熱運転させる制御装置（１５）とを備える。制御装置（１５）は、デマンドコントローラ（３）からのデマンド信号に応じて、蓄熱運転によって蓄熱した熱を用いて空気調和機（１２）を運転する。

Description

空気調和システム、および学習装置

　本開示は、空気調和システム、および学習装置に関する。

　従来から電力料金の増加を防止するためにデマンドコントローラによる電力のデマンド制御が知られている（たとえば、特許文献１を参照）。

　デマンドコントローラにはあらかじめ電力量の規定値を越えた場合に、設備機器の中で負荷の比較的大きい複数の空調機を停止させる順位を登録しておく。もし規定値を越えた場合、デマンドコントローラはデマンド信号を中央装置に送信する。中央装置はデマンド信号の情報に従い、複数の空調機の登録順に電力量が規定値以下になるまで空調機に伝送線を介して停止信号を送信し、空調機を停止させる。中央装置は、規定値以下の状態が一定時間継続すれば停止信号を解除し再び順次運転させる。

特開平０１－１１８０５１号公報

　特許文献１に記載の電力デマンド制御によって、電力料金の増加を防止することができるが、空調機が停止するので、利用者の快適性が損なわれてしまう。

　それゆえに、本開示は、蓄電池などの装置を追加することなく、消費電力を抑制し、かつ快適性を維持できる空気調和システム、および学習装置を提供することである。

　本開示の空気調和システムは、電力デマンド値が設定値を超えたときにデマンド信号を出力するデマンドコントローラと接続された空気調和システムである。空気調和システムは、空気調和機と、予測対象期間よりも前の期間の空気調和機の運転データ、予測対象期間よりも前の期間の空気調和機の利用者の状態データ、予測対象期間の気象予測データ、および空気調和機が設置されている部屋の特性データのうちの少なくとも１つを含む入力データから、予測対象期間の設定値を超える電力デマンド値の総量を表わすデータを推論する推論装置と、電力デマンド値の総量の予測値に応じて、空気調和機を蓄熱運転させる制御装置とを備える。制御装置は、デマンドコントローラからのデマンド信号に応じて、蓄熱運転によって蓄熱した熱を用いて空気調和機を運転する。

　本開示の学習装置は、空気調和機を備え、デマンドコントローラと通信する空気調和システムのための学習装置である。デマンドコントローラは、電力デマンド値が設定値を超えたときにデマンド信号を空気調和システムに出力する。学習装置は、予測対象期間よりも前の期間の空気調和機の運転データ、予測対象期間よりも前の期間の空気調和機の利用者の状態データ、予測対象期間の気象予測データ、および空気調和機が設置されている部屋の特性データのうちの少なくとも１つを含む入力データと、予測対象期間の設定値を超える電力デマンド値の総量を表わすデータを含む教師データとからなる学習用データを取得するデータ取得部と、学習用データを用いて、予測対象期間よりも前の期間の空気調和機の運転データ、予測対象期間よりも前の期間の空気調和機の利用者の状態データ、予測対象期間の気象予測データ、および空気調和機が設置されている部屋の特性データのうちの少なくとも１つを含む入力データから予測対象期間の設定値を超える電力デマンド値の総量を表わすデータを推論するための学習済モデルを生成するモデル生成部とを備える。

　本開示の空気調和システムは、予測対象期間よりも前の期間の空気調和機の運転データ、予測対象期間よりも前の期間の空気調和機の利用者の状態データ、予測対象期間の気象予測データ、および空気調和機が設置されている部屋の特性データのうちの少なくとも１つを含む入力データから、予測対象期間の設定値を超える電力デマンド値の総量を表わすデータを推論する。空気調和システムは、電力デマンド値の総量の予測値に応じて、空気調和機を蓄熱運転させ、デマンドコントローラからのデマンド信号に応じて、蓄熱運転によって蓄熱した熱を用いて空気調和機を運転する。これによって、蓄電池などの装置を追加することなく、消費電力を抑制し、かつ快適性を維持できる。

実施の形態１のシステム構成を表わす図である。 実施の形態１の空気調和システム１の処理手順を表わすフローチャートである。 電力デマンド値、およびデマンドコントローラ３の設定値を超える電力デマンド値の総量の予測値Ｐを表わす図である。 入力データＢ１の例を表わす図である。 教師データＢ２の例を表わす図である。 予測対象期間および予測対象期間よりも前の期間の例を表わす図である。 空気調和機１２の運転データの例を表わす図である。 空気調和機１２の利用者の状態データの例を表わす図である。 気象予測データの例を表わす図である。 空気調和機１２が設置されている部屋の特性データの例を表わす図である。 ニューラルネットワークの構成例を表わす図である。 学習装置２の学習処理に関するフローチャートである。 予測データＣの例を表わす図である。 推論装置１６の推論処理に関するフローチャートである。 学習装置２、推論装置１６、または制御装置１５のハードウェア構成を表わす図である。

　以下、実施の形態について、図面を参照して説明する。
　実施の形態１．
　図１は、実施の形態１のシステム構成を表わす図である。

　このシステムは、空気調和システム１－１～１－ｎと、その他の電気機器５１－１～５１－Ｎと、学習装置２と、デマンドコントローラ３と、ウエアラブル端末４と、スマートフォン５とを備える。以下の説明では、空気調和システム１－１～１－ｎを総称して空気調和システム１と記載し、その他の電気機器５１－１～５１－Ｎを総称してその他の電気機器５１と記載する。ここでは、１つの空気調和システム１と、１つのその他の電気機器５１とによって需要家を構成するものとして説明する。

　デマンドコントローラ３は、需要家の電力デマンド値を監視し、電力デマンド値が設定値を超えると予測されると、デマンド制御のため電力抑制を要求するデマンド信号を空気調和システム１に出力する。

　空気調和システム１は、入力装置１１と、空気調和機１２と、蓄熱ユニット１３と、通信装置１４と、制御装置１５と、推論装置１６と、照度センサ６と、紫外線センサ７と、気圧センサ８とを備える。

　入力装置１１は、たとえば、リモコンによって構成される。入力装置１１は、利用者からの目標温度の設定を受け付ける。

　通信装置１４は、デマンドコントローラ３、学習装置２、ウエアラブル端末４、およびスマートフォン５との間で信号を送受信する。

　推論装置１６は、学習済モデルを用いて、将来の予測対象期間のデマンドコントローラ３の設定値を超える電力デマンド値の総量の予測値を推論する。推論時における予測対象期間とは、将来の予め定められた期間であり、たとえば、翌日、翌週、または翌月である。

　学習装置２は、複数の空気調和システム１－１～１－ｎの過去のデータを用いて、学習済モデルを生成する。学習装置２は、クラウドサーバ上に設けられてもよい。

　蓄熱ユニット１３は、たとえば、蓄熱媒体を貯留する蓄熱タンク及び蓄熱用熱交換器とを備える。

　空気調和機１２は、設置されている部屋の空気を吸入して、部屋の空気の温度および湿度を調整する。空気調和機１２は、将来の定められた期間のデマンドコントローラ３の設定値を超える電力デマンド値の総量に応じて蓄熱運転を実施する。たとえば、蓄熱運転時には、蓄熱用熱交換器は、蓄熱タンクの蓄熱媒体と空気調和機１２の冷媒回路を流れる冷媒とを熱交換することによって、蓄熱ユニット内の蓄熱媒体が加熱または冷却される。

　制御装置１５は、空気調和機１２を制御する。制御装置１５は、将来の予測対象期間のデマンドコントローラ３の設定値を超える電力デマンド値の総量の予測値Ｐが蓄熱ユニット１３に蓄熱されるように、空気調和機１２を蓄熱運転させる。たとえば、制御装置１５は、蓄熱ユニット１３の放熱特性に基づいて、最も効率がよく蓄熱し、あるいは蓄熱した熱が利用されるように、蓄熱運転の開始時刻、および圧縮機の稼働率を調整する。たとえば、夏期に空気調和機１２を冷房運転する場合には、制御装置１５は、蓄熱ユニット１３に蓄熱した熱が放熱されないように、予測対象期間である当日の明け方に蓄熱運転を実行させるものとしてもよい。冬期に空気調和機１２を暖房運転する場合には、制御装置１５は、効率よく蓄熱できるよう、予測対象期間の前日の昼間に蓄熱運転を実行させるものとしてもよい。

　制御装置１５は、デマンドコントローラ３からのデマンド信号に応じて、蓄熱運転によって蓄熱ユニット１３に蓄熱した熱を用いて空気調和機１２を運転する。

　照度センサ６は、空気調和機１２が設置されている部屋の照度を検出する。
　紫外線センサ７は、空気調和機１２が設置されている部屋の紫外線量を検出する。

　気圧センサ８は、空気調和機１２が設置されている部屋の大気圧を検出する。
　図２は、実施の形態１の空気調和システム１の処理手順を表わすフローチャートである。

　ステップＳ１０１において、推論装置１６は、学習済モデルを用いて、将来の予測対象期間のデマンドコントローラ３の設定値を超える電力デマンド値の総量の予測値Ｐを推論する。

　ステップＳ１０２において、空気調和機１２は、将来の予測対象期間のデマンドコントローラ３の設定値を超える電力デマンド値の総量の予測値Ｐに応じて蓄熱運転を実施する。

　ステップＳ１０３において、制御装置１５は、デマンドコントローラ３からデマンド信号を受けたときには、処理がステップＳ１０４に進み、デマンドコントローラ３からデマンド信号を受けなかったときには、処理がステップＳ１０５に進む。

　ステップＳ１０４において、制御装置１５は、蓄熱運転によって蓄熱ユニット１３に蓄熱した熱を用いて空気調和機１２を運転する。

　ステップＳ１０５において、制御装置１５は、空気調和機１２を通常運転させる。
　図３は、電力デマンド値、およびデマンドコントローラ３の設定値を超える電力デマンド値の総量の予測値Ｐを表わす図である。

　時刻が１０時～１１時、１１時～１２時、１３時～１４時、１４時～１５時、１５時～１６時、１６時～１７時、１７時～１８時において、電力デマンド値の予測値が設定値を超えている。制御装置１５は、これらの期間の電力デマンド値の総量の予測値Ｐを前もって蓄熱運転によって生成する。これによって、これらの期間において、設定値を超えて電力を使用しないようにすることができる。

　学習装置２は、通信装置２１と、データ取得部２２と、モデル生成部２３と、学習済モデル記憶部２４とを備える。

　データ取得部２２は、入力データＢ１と、教師データＢ２とからなる学習用データを取得する。

　図４は、入力データＢ１の例を表わす図である。図５は、教師データＢ２の例を表わす図である。

　入力データＢ１は、予測対象期間よりも前の期間の空気調和機１２の運転データ、予測対象期間よりも前の期間の空気調和機１２の利用者の状態データ、予測対象期間の気象予測データ、および空気調和機１２が設置されている部屋の特性データのうちの少なくとも１つを含む。

　教師データＢ２は、予測対象期間におけるデマンド制御の設定値を超える電力デマンド値の総量を表わすデータである。

　学習時における予測対象期間とは、過去の一定期間である。
　教師データＢ２は、過去の一定期間において、各時刻の電力デマンド値の実測値の総量である。推論時における将来の予測対象期間が翌日、翌週、翌月のときには、学習時における過去の一定期間は、それぞれ、過去の一日、過去の１週間、過去の１ヶ月である。

　予測対象期間におけるデマンド制御の設定値を超える電力デマンド値の総量を表わすデータの要因として、予測対象期間よりも前の期間の空気調和機１２の運転データを用いるのは、空気調和機１２の負荷に関係する運転データは、予測対象期間においても同様であると想定できるからである。

　予測対象期間におけるデマンド制御の設定値を超える電力デマンド値の総量を表わすデータの要因として、予測対象期間よりも前の期間の空気調和機１２の利用者の状態データを用いるのは、空気調和機１２の負荷に関係する人体による負荷、および利用者の「暑い」または「寒い」といった感覚は、予測対象期間においても同様であると想定できるからである。

　予測対象期間におけるデマンド制御の設定値を超える電力デマンド値の総量を表わすデータの要因として、予測対象期間の気象予測データを用いるのは、予測対象期間の気象が空気調和機１２の負荷に与える影響が大きいからである。

　予測対象期間におけるデマンド制御の設定値を超える電力デマンド値の総量を表わすデータの要因として、空気調和機１２が設置されている部屋の特性データを用いるのは、部屋の特性が空気調和機１２の負荷に与える影響が大きいからである。

　図６は、予測対象期間および予測対象期間よりも前の期間の例を表わす図である。
　たとえば、予測対象期間Ｘ（Ｙ年Ｍ月Ｄ日）としたときに、予測対象期間よりも前の期間を期間Ａ（Ｙ年Ｍ月Ｄ日の前日）、あるいは期間Ｂ（Ｙ年Ｍ月Ｄ日の１週間前～Ｙ年Ｍ月Ｄ日の前日）、あるいは期間Ｃ（Ｙ年Ｍ月Ｄ日の１ヶ月前～Ｙ年Ｍ月Ｄ日の前日）、あるいは期間Ｄ（Ｙ年Ｍ月Ｄ日の１年前～Ｙ年Ｍ月Ｄ日の前日）とすることができる。予測対象期間は、これら以外のものであってもよい。

　図７は、空気調和機１２の運転データの例を表わす図である。
　空気調和機１２の運転データは、外気温度、室内設定温度、および空気調和機１２の圧縮機の稼働率のうちの少なくとも１つを含む。

　たとえば、期間Ａの外気温度の時系列変化または平均値、室内設定温度の時系列変化または平均値、および空気調和機１２の圧縮機の稼働率の時系列変化または平均値のうちの少なくとも１つを運転データとすることができる。期間Ａに代えて、期間Ｂ、期間Ｃ、または期間Ｄであってもよい。

　図８は、空気調和機１２の利用者の状態データの例を表わす図である。
　空気調和機１２の利用者の状態データは、空気調和機１２が設置されている部屋の利用者の身体状態、空気調和機１２が設置されている部屋の利用者の在室状態、空気調和機１２が設置されている部屋に在室した利用者のＩＤ、および空気調和機１２が設置されている部屋の利用者の要求のうちの少なくとも１つを含む。

　利用者の身体状態は、たとえば、ウエアラブル端末４によって検出される利用者の脈拍、および体温のうちの少なくとも１つを含む。

　たとえば、利用者の身体状態を期間Ａの利用者の脈拍の平均値、および体温の平均値のうちの少なくとも１つを含むものとすることができる。利用者が複数人の場合には、これらの平均値の複数人の利用者についての和または平均値を利用者の身体状態とすることができる。期間Ａに代えて、期間Ｂ、期間Ｃ、または期間Ｄであってもよい。

　利用者の在室状態は、利用者の在室時間を含む。データ取得部２２は、グループウエアアプリケーションに登録された利用者のスケジュール、利用者のスマートフォン５のアプリケーションのスケジュール、または利用者のスマートフォン５のＧＰＳのデータに基づいて、利用者が在室しているか否かを検出することができる。

　たとえば、利用者の在室状態を期間Ａの利用者の在室時間とすることができる。利用者が複数人の場合には、複数人の利用者についての期間Ａの在室時間の和または平均値を利用者の在室状態とすることができる。期間Ａに代えて、期間Ｂ、期間Ｃ、または期間Ｄであってもよい。

　在室した利用者のＩＤは、個々の利用者によって発生する熱負荷が相違することを考慮したものである。在室した利用者のＩＤは、利用者の在室時間と同様に、グループウエアアプリケーションに登録された利用者のスケジュール、利用者のスマートフォン５のアプリケーションのスケジュール、または利用者のスマートフォン５のＧＰＳのデータから取得することができる。

　たとえば、在室した利用者のＩＤを期間Ａに在室した利用者のＩＤ、あるいは期間Ａに一定時間以上在室した利用者のＩＤとすることができる。在室した利用者が複数人の場合には、それら複数人の利用者のＩＤを在室した利用者のＩＤとすることができる。期間Ａに代えて、期間Ｂ、期間Ｃ、または期間Ｄであってもよい。

　利用者の要求は、たとえば、スマートフォン５、または入力装置１１を通じてユーザから送られる室内温度の変更要求を含む。室内温度を増加させる要求が１回発せられたときには、変更要求を＋１（１増加）、室内温度を低下させる要求が１回発せられたときには、利用者の変更要求を－１（１減少）、室内温度の変更要求が発せられなかったときには、利用者の変更要求を０（無変化）とすることができる。

　たとえば、利用者の要求を期間Ａにおいて利用者から送られる室内温度の変更要求の和とすることができる。利用者が複数人の場合には、複数人の利用者の室内温度の変更要求の和または平均値を利用者の要求とすることができる。期間Ａに代えて、期間Ｂ、期間Ｃ、または期間Ｄであってもよい。

　図９は、気象予測データの例を表わす図である。
　気象予測データは、空気調和機１２が設置されている地区の天気予報（晴れ、曇り、雨）、空気調和機１２が設置されている地区の予想気温、および空気調和機１２が設置されている地区の洗濯指数のうちの少なくとも１つを含む。

　洗濯指数は、「洗濯物の乾きやすさ」を表わす指標である。洗濯指数は、「大変よく乾く」、「よく乾く」、「乾く」、「やや乾く」、「部屋干し推奨」のいずれかである。「大変よく乾く」は、日射量が大きいので、冷房運転時の空気調和機１２の負荷が最も大きい。「部屋干し推奨」は、日射量が小さいので、暖房運転時の空気調和機１２の負荷が最も大きい。

　たとえば、空気調和機１２が設置されている場所が地区Ａの場合に、気象予測データは、地区Ａの期間Ｘの天気予報、気温予測、および洗濯指数のうちの少なくとも１つを含む。

　図１０は、空気調和機１２が設置されている部屋の特性データの例を表わす図である。空気調和機１２が設置されている部屋の特性データは、空気調和機１２が設置されている部屋の換気の種類、空気調和機１２が設置されている部屋の大気圧、空気調和機１２が設置されている部屋の紫外線量、および空気調和機１２が設置されている部屋の照度のうちの少なくとも１つを含む。

　換気の種類は、たとえば、全換気（ロスナイ付き外調機による換気とロスナイ付き外調機以外の機器による換気）に対するロスナイ付き外調機による換気の比率（以下、外調比率）で表わすことができる。ロスナイ付き外調機が設置されていない場合は、外調比率は０である。外調比率が大きくなると、空気調和機１２の負荷、および需要家の電力デマンド値が減少する。

　気圧センサ８によって大気圧を検出することができる。大気圧を用いるのは、大気圧が低くなると、空気が希薄化し、空気調和機１２の効率が低下するからである。したがって、高層ビル、および標高が高い地区における空気調和機１２の効率は低い。大気圧が低くなると、空気調和機１２の負荷、および需要家の電力デマンド値が増加するとともに、空気調和機１２の負荷のピーク時刻が早くなる。

　照度センサ６によって、照度を検出することができる。冷房運転の場合、照度が大きいと、空気調和機１２の負荷、および需要家の電力デマンド値が増加するとともに、空気調和機１２の負荷のピーク時刻が早くなる。暖房運転の場合、照度が大きいと、空気調和機１２の負荷、および需要家の電力デマンド値が減少する。

　紫外線センサ７によって、紫外線量を検出することができる。冷房運転の場合、紫外線量が多いと、空気調和機１２の負荷、および需要家の電力デマンド値が増加するとともに、空気調和機１２の負荷のピーク時刻が早くなる。暖房運転の場合、紫外線量が多いと、空気調和機１２の負荷、および需要家の電力デマンド値が減少する。

　再び、図１を参照して、モデル生成部２３は、データ取得部２２から出力される入力データＢ１、および教師データＢ２からなる学習用データに基づいて、Ｂ１が入力された時に入力されるＢ２を学習することによって、学習済モデルを生成する。

　学習用データは、入力データＢ１および教師データＢ２を互いに関連付けたデータである。

　モデル生成部２３が用いる学習アルゴリズムは教師あり学習のアルゴリズムを用いることができる。一例として、ニューラルネットワークを適用した場合について説明する。

　モデル生成部２３は、例えば、ニューラルネットワークモデルに従って、いわゆる教師あり学習によって、学習済モデルを生成する。ここで、教師あり学習とは、入力データＢ１と教師データＢ２のセットを学習装置に与えることによって、Ｂ１が入力された時に入力されるＢ２を学習する手法をいう。

　ニューラルネットワークは、複数のニューロンからなる入力層、複数のニューロンからなる中間層(隠れ層)、及び複数のニューロンからなる出力層で構成される。中間層は、１層、または２層以上でもよい。

　図１１は、ニューラルネットワークの構成例を表わす図である。
　例えば、図１１に示すような３層のニューラルネットワークであれば、複数の入力が入力層（Ｘ１‐Ｘ３）に入力されると、その値に重みＷ１（ｗ１１‐ｗ１６）を乗算して中間層（Ｙ１‐Ｙ２）に入力され、その結果にさらに重みＷ２（ｗ２１‐ｗ２６）を乗算して出力層（Ｚ１‐Ｚ３）から出力される。この出力結果は、重みＷ１とＷ２の値によって変わる。

　本実施の形態では、ニューラルネットワークは、入力層に入力データＢ１を入力し、出力層から出力された結果が、教師データＢ２に近づくように重みＷ１とＷ２を調整することで学習する。

　モデル生成部２３は、以上のような学習を実行することで学習済モデルを生成し、学習済モデルを学習済モデル記憶部２４に出力する。具体的は、学習済モデルとして、重みＷ１とＷ２とが学習済モデル記憶部２４に出力される。

　モデル生成部２３に用いられる学習アルゴリズムとしては、特徴量そのものの抽出を学習する、深層学習（Ｄｅｅｐ　Ｌｅａｒｎｉｎｇ）を用いることもでき、他の公知の方法、例えば遺伝的プログラミング、機能論理プログラミング、サポートベクターマシンなどに従って機械学習を実行してもよい。

　学習済モデル記憶部２４は、モデル生成部２３から出力された学習済モデルを記憶する。

　次に、学習装置２が学習する処理について説明する。図１２は、学習装置２の学習処理に関するフローチャートである。

　ステップＳ２０１において、データ取得部２２は、入力データＢ１と、教師データＢ２とを取得する。データ取得部２２は、入力データＢ１と、教師データＢ２とを同時に取得するものとしたが、入力データＢ１と、教師データＢ２とを関連づけて入力できれば良く、データ取得部２２は、入力データＢ１と、教師データＢ２とをそれぞれを別のタイミングで取得しても良い。

　ステップＳ２０２において、モデル生成部２３は、データ取得部２２によって取得される入力データＢ１、および教師データＢ２の組合せに基づいて作成される学習用データに従って、いわゆる教師あり学習により、Ｂ１が入力されたときにＢ２が出力されるモデルを学習し、学習済モデルを生成する。

　ステップＳ２０３おいて、学習済モデル記憶部２４は、モデル生成部２３が生成した学習済モデルを記憶する。

　再び、図１を参照して、推論装置１６は、データ取得部１７と、推論部１８と、学習済モデル記憶部１９とを備える。

　学習済モデル記憶部１９には、学習装置２の学習済モデル記憶部２４に記憶されている学習済モデルが転送される。

　データ取得部１７は、学習に使用されていない新たな入力データＢ１を取得する。
　推論部１８は、学習済モデルを利用して得られる予測データＣを推論する。

　図１３は、予測データＣの例を表わす図である。
　予測データＣは、予測対象期間におけるデマンド制御の設定値を超える電力デマンド値の総量の予測値を表わすデータである。

　推論部１８は、学習済モデルにデータ取得部１７で取得した新たな入力データＢ１を入力することによって、新たな入力データＢ１から推論される予測データＣを出力する。

　次に、推論装置１６を用いて予測データＣを推論する処理を説明する。
　図１４は、推論装置１６の推論処理に関するフローチャートである。この処理は、図２のステップＳ１０１の処理をより詳細化したものである。

　ステップＳ３０１において、データ取得部１７は、新たな入力データＢ１を取得する。
　ステップＳ３０２において、推論部１８は、学習済モデル記憶部１９に記憶された学習済モデルに入力データＢ１を入力し、予測データＣを得る。

　ステップＳ３０３において、推論部１８は、学習済モデルにより得られた予測データＣを制御装置１５に出力する。

　変形例．
　（１）実施の形態１で説明した推論装置１６、学習装置２、および制御装置１５は、相当する動作をデジタル回路のハードウェアまたはソフトウェアで構成することができる。推論装置１６、学習装置２、および制御装置１５の機能をソフトウェアを用いて実現する場合には、推論装置１６、学習装置２、および制御装置１５は、例えば、図１５に示すように、バス５００３によって接続されたプロセッサ５００２とメモリ５００１とを備え、メモリ５００１に記憶されたプログラムをプロセッサ５００２が実行するようにすることができる。

　（２）学習装置２のデータ取得部２２は、同一のエリアで使用される複数の空気調和システムから学習用データを取得してもよいし、異なるエリアで独立して動作する複数の空気調和システムから学習用データを取得してもよい。

　学習装置２のデータ取得部２２は、学習用データを収集する空気調和システムを途中で対象に追加したり、対象から除去することも可能である。

　（３）学習装置２は、ある空気調和システムＡのデータを用いて、学習済モデルを生成し、その学習済モデルをその空気調和システムＡの推論装置が使用するものとしてもよい。この場合、入力データＢ１は、空気調和機１２が設置されている部屋の特性データを含まないものとしてもよい。

　（４）学習装置２は、ある空気調和システムＡのデータを用いて、学習済モデルを生成し、その学習済モデルを別の空気調和システムＢの推論装置が初期値として使用するものとしてもよい。空気調和システムＢは、空気調和システムＢのデータを用いて、学習済モデルを再学習する。

　（５）推論装置１６は、クラウドサーバ上に存在していてもよい。
　（６）教師データＢ２および予測データＣは、予測対象期間におけるデマンド制御の設定値を超える電力デマンド値の総量に加えて、他のデータも含むものとしてもよい。

　たとえば、教師データＢ２および予測データＣは、空気調和機１２の負荷を含むものとしてもよい。空気調和機１２の負荷と、デマンド制御の設定値を超える電力デマンド値の総量とは、本来は、同じように変化する。推論装置１６から出力されるデマンド制御の設定値を超える電力デマンド値の総量の変化の仕方と、空気調和機１２の負荷の変化の仕方が著しく相違する場合には、正しく学習できていないと判断することができる。

　あるいは、教師データＢ２および予測データＣは、電力デマンド値がデマンド制御の設定値を超える時刻を表わすデータを含むものとしてもよい。制御装置１５は、電力デマンド値がデマンド制御の設定値を超える時刻に基づいて、空気調和機１２の蓄熱運転を開始する時刻を決めるものとしてもよい。

　教師データＢ２および予測データＣは、予測対象期間におけるデマンド制御の設定値を超える電力デマンド値の総量そのものではなく、これを表わすデータであればよい。

　たとえば、教師データＢ２および予測データＣは、予測対象期間における時刻ごとの電力デマンド値のデータであってもよい。このようなデータでも、設定値が固定値なので、デマンド制御の設定値を超える電力デマンド値の総量を表わすといえる。

　（７）入力データＢ１は、実施の形態１で説明したものに限定されるものではない。たとえば、入力データＢ１内の運転データは、冷房運転か、あるいは暖房運転かを区別するデータ、圧縮機の回転数を表わすデータ、空気調和機の運転能力を表わすデータ、または空気調和機の消費電力を表わすデータを含むものとしてもよい。

　（８）上記の実施形態では、推論装置は、学習済モデルを用いて、データ取得部が取得した入力データから予測対象期間の設定値を超える電力デマンド値の総量の予測値を表わすデータを出力するものとしたが、これに限定するものではない。

　たとえば、推論装置は、ルールベース推論、または事例ベース推論に基づいて、データ取得部が取得した入力データから予測対象期間の設定値を超える電力デマンド値の総量の予測値を表わすデータを出力するものとしてもよい。

　今回開示された実施の形態はすべての点で例示であって制限的なものではないと考えられるべきである。本発明の範囲は上記した説明ではなくて請求の範囲によって示され、請求の範囲と均等の意味および範囲内でのすべての変更が含まれることが意図される。

　１　空気調和システム、２　学習装置、３　デマンドコントローラ、４　ウエアラブル端末、５　スマートフォン、６　照度センサ、７　紫外線センサ、８　気圧センサ、１１　入力装置、１２　空気調和機、１３　蓄熱ユニット、１４，２１　通信装置、１５　制御装置、１６　推論装置、１７，２２　データ取得部、１８　推論部、１９，２４　学習済モデル記憶部、２３　モデル生成部、５１　その他の電気機器、５００１　メモリ、５００２　プロセッサ、５００３　バス。

Claims (19)

1. 　電力デマンド値が設定値を超えたときにデマンド信号を出力するデマンドコントローラと接続された空気調和システムであって、
   　空気調和機と、
   　予測対象期間よりも前の期間の前記空気調和機の運転データ、前記予測対象期間よりも前の期間の前記空気調和機の利用者の状態データ、前記予測対象期間の気象予測データ、および前記空気調和機が設置されている部屋の特性データのうちの少なくとも１つを含む入力データから、前記予測対象期間の前記設定値を超える電力デマンド値の総量を表わすデータを推論する推論装置と、
   　前記電力デマンド値の総量の予測値に応じて、前記空気調和機を蓄熱運転させる制御装置とを備え、
   　前記制御装置は、前記デマンドコントローラからのデマンド信号に応じて、前記蓄熱運転によって蓄熱した熱を用いて前記空気調和機を運転する、空気調和システム。
2. 　前記推論装置は、
   　前記予測対象期間よりも前の期間の前記空気調和機の運転データ、前記予測対象期間よりも前の期間の前記空気調和機の利用者の状態データ、前記予測対象期間の気象予測データ、および前記空気調和機が設置されている部屋の特性データのうちの少なくとも１つを含む入力データを取得するデータ取得部と、
   　前記予測対象期間よりも前の期間の前記空気調和機の運転データ、前記予測対象期間よりも前の期間の前記空気調和機の利用者の状態データ、前記予測対象期間の気象予測データ、および前記空気調和機が設置されている部屋の特性データのうちの少なくとも１つを含む入力データから前記予測対象期間の前記設定値を超える電力デマンド値の総量を表わすデータを推論する学習済モデルを用いて、前記データ取得部が取得した前記入力データから前記予測対象期間の前記設定値を超える電力デマンド値の総量の予測値を表わすデータを出力する推論部とを含む、請求項１記載の空気調和システム。
3. 　前記空気調和機の運転データは、外気温度、室内設定温度、および前記空気調和機の圧縮機の稼働率のうちの少なくとも１つを含む、請求項２記載の空気調和システム。
4. 　前記空気調和機の利用者の状態データは、前記空気調和機が設置されている部屋の利用者の身体状態、前記空気調和機が設置されている部屋の利用者の在室状態、前記空気調和機が設置されている部屋に在室した利用者のＩＤ、および前記空気調和機が設置されている部屋の利用者の要求のうちの少なくとも１つを含む、請求項２記載の空気調和システム。
5. 　前記利用者の身体状態は、ウエアラブル端末によって検出される利用者の脈拍、および体温のうちの少なくとも１つを含む、請求項４記載の空気調和システム。
6. 　前記利用者の在室状態は、利用者の在室時間を含む、請求項４記載の空気調和システム。
7. 　前記データ取得部は、グループウエアアプリケーションに登録された利用者のスケジュール、利用者のスマートフォンのアプリケーションのスケジュール、または利用者のスマートフォンのＧＰＳのデータに基づいて、前記利用者が在室しているか否かを検出する、請求項４記載の空気調和システム。
8. 　前記気象予測データは、前記空気調和機が設置されている地区の天気予報、前記空気調和機が設置されている地区の予想気温、および前記空気調和機が設置されている地区の洗濯指数のうちの少なくとも１つを含む、請求項２記載の空気調和システム。
9. 　前記空気調和機が設置されている部屋の特性データは、前記空気調和機が設置されている部屋の換気の種類、前記空気調和機が設置されている部屋の大気圧、前記空気調和機が設置されている部屋の紫外線量、および前記空気調和機が設置されている部屋の照度のうちの少なくとも１つを含む、請求項２記載の空気調和システム。
10. 　前記換気の種類は、全換気に対するロスナイ付き外調機による換気の比率によって表される、請求項９記載の空気調和システム。
11. 　空気調和機を備え、デマンドコントローラと通信する空気調和システムのための学習装置であって、前記デマンドコントローラは、電力デマンド値が設定値を超えたときにデマンド信号を前記空気調和システムに出力し、
    　予測対象期間よりも前の期間の前記空気調和機の運転データ、前記予測対象期間よりも前の期間の前記空気調和機の利用者の状態データ、前記予測対象期間の気象予測データ、および前記空気調和機が設置されている部屋の特性データのうちの少なくとも１つを含む入力データと、前記予測対象期間の前記設定値を超える電力デマンド値の総量を表わすデータを含む教師データとからなる学習用データを取得するデータ取得部と、
    　前記学習用データを用いて、前記予測対象期間よりも前の期間の前記空気調和機の運転データ、前記予測対象期間よりも前の期間の前記空気調和機の利用者の状態データ、前記予測対象期間の気象予測データ、および前記空気調和機が設置されている部屋の特性データのうちの少なくとも１つを含む入力データから前記予測対象期間の前記設定値を超える電力デマンド値の総量を表わすデータを推論するための学習済モデルを生成するモデル生成部と、
    　を備える学習装置。
12. 　前記空気調和機の運転データは、外気温度、室内設定温度、および前記空気調和機の圧縮機の稼働率のうちの少なくとも１つを含む、請求項１１記載の学習装置。
13. 　前記空気調和機の利用者の状態データは、前記空気調和機が設置されている部屋の利用者の身体状態、前記空気調和機が設置されている部屋の利用者の在室状態、前記空気調和機が設置されている部屋に在室した利用者のＩＤ、および前記空気調和機が設置されている部屋の利用者の要求のうちの少なくとも１つを含む、請求項１１記載の学習装置。
14. 　前記利用者の身体状態は、ウエアラブル端末によって検出される利用者の脈拍、および体温のうちの少なくとも１つを含む、請求項１３記載の学習装置。
15. 　前記利用者の在室状態は、利用者の在室時間を含む、請求項１３記載の学習装置。
16. 　前記データ取得部は、グループウエアアプリケーションに登録された利用者のスケジュール、利用者のスマートフォンのアプリケーションのスケジュール、または利用者のスマートフォンのＧＰＳのデータに基づいて、前記利用者が在室しているか否かを検出する、請求項１３記載の学習装置。
17. 　前記気象予測データは、前記空気調和機が設置されている地区の天気予報、前記空気調和機が設置されている地区の予想気温、および前記空気調和機が設置されている地区の洗濯指数のうちの少なくとも１つを含む、請求項１１記載の学習装置。
18. 　前記空気調和機が設置されている部屋の特性データは、前記空気調和機が設置されている部屋の換気の種類、前記空気調和機が設置されている部屋の大気圧、前記空気調和機が設置されている部屋の紫外線量、および前記空気調和機が設置されている部屋の照度のうちの少なくとも１つを含む、請求項１１記載の学習装置。
19. 　前記換気の種類は、全換気に対するロスナイ付き外調機による換気の比率によって表される、請求項１８記載の学習装置。

Images