WO2021192201A1 - 空調制御装置、消費電力予測装置、学習装置および空調制御方法 - Google Patents

空調制御装置、消費電力予測装置、学習装置および空調制御方法 Download PDF

Info

Publication number
WO2021192201A1
WO2021192201A1 PCT/JP2020/013923 JP2020013923W WO2021192201A1 WO 2021192201 A1 WO2021192201 A1 WO 2021192201A1 JP 2020013923 W JP2020013923 W JP 2020013923W WO 2021192201 A1 WO2021192201 A1 WO 2021192201A1
Authority
WO
WIPO (PCT)
Prior art keywords
air
air conditioning
conditioning
intensity
computer
Prior art date
Application number
PCT/JP2020/013923
Other languages
English (en)
French (fr)
Inventor
大樹 工藤
寛光 穂苅
利貞 毬山
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 JP2020544047A priority Critical patent/JP6910563B1/ja
Priority to PCT/JP2020/013923 priority patent/WO2021192201A1/ja
Publication of WO2021192201A1 publication Critical patent/WO2021192201A1/ja

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • 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
    • F24F11/70—Control systems characterised by their outputs; Constructional details thereof
    • F24F11/72—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure
    • F24F11/74—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure for controlling air flow rate or air velocity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
    • G06F1/16—Constructional details or arrangements
    • G06F1/20—Cooling means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Definitions

  • the present disclosure relates to an air conditioning control device, a power consumption prediction device, a learning device, and an air conditioning control method.
  • Patent Document 1 describes a device that uses reinforcement learning to determine the air conditioning intensity. This device strengthens and learns the temperature of the server room where the server, which is a computer, is located by using the weather information including the temperature, and malfunctions or fails the server by using the detection data of the temperature of the server room and the weather information. The temperature of the server room is automatically controlled so that it does not become so hot.
  • the temperature of the server room rises due to the heat generated from the server in which the computer resource is used, and after the detection data of the rised temperature is acquired, the air conditioning control according to the rise in the temperature. Is done.
  • air-conditioning control that follows such changes in temperature, for example, when the computer resources used increase and the temperature rises, the air-conditioning intensity in the direction of lowering the temperature is set in the air-conditioning device, and the temperature rises.
  • the air-conditioning intensity in the direction of raising the temperature is set in the air-conditioning device, so that the air-conditioning intensity fluctuates greatly, and efficient air-conditioning control with reduced power consumption cannot be performed.
  • the present disclosure solves the above problems, and an object of the present invention is to obtain an air conditioning control device, a power consumption prediction device, a learning device, and an air conditioning control method capable of performing efficient air conditioning control with reduced power consumption.
  • the air conditioning control device is an air conditioning control device that controls the air conditioning operation of an air conditioning area in which a computer is arranged by one or a plurality of air conditioning devices, and uses physical or virtual computer resources in the computer. Based on the information acquisition unit that acquires event information related to the event, the computer resource prediction unit that predicts the usage status of computer resources in the event based on the event information, the predicted usage status of computer resources, and the detection data of the temperature in the air-conditioned area. It is provided with an air conditioning strength determining unit that determines the air conditioning strength set in the air conditioning device.
  • event information regarding an event that uses a physical or virtual computer resource in a computer is acquired, the usage status of the computer resource in the event is predicted based on the event information, and the predicted usage status of the computer resource is predicted.
  • the air conditioning intensity is determined based on the temperature detection data in the air conditioning area. Since the air conditioning intensity that suppresses the temperature change can be determined based on the predicted usage status of the computer resources before the temperature of the air conditioning area changes due to the heat generated from the computer, the air conditioning control device according to the present disclosure suppresses power consumption. Efficient air conditioning control can be performed.
  • FIG. 3A is a graph showing the relationship between the CPU load, the air temperature, and the air conditioning intensity in the conventional air conditioning control device
  • FIG. 3B shows the relationship between the CPU load, the air temperature, and the air conditioning intensity in the air conditioning control device according to the first embodiment. It is a graph.
  • FIG. 4A is a block diagram showing a hardware configuration that realizes the function of the air conditioning control device according to the first embodiment
  • FIG. 4B is a block diagram that executes software that realizes the function of the air conditioning control device according to the first embodiment.
  • FIG. It is a block diagram which shows the hardware configuration. It is a block diagram which shows the structure of the modification of the air-conditioning control device which concerns on Embodiment 1.
  • FIG. It is a block diagram which shows the structural example of the power consumption prediction apparatus which concerns on Embodiment 2.
  • FIG. It is a graph which shows the time-dependent change of the predicted power consumption and the computer resource usage charge in Embodiment 2.
  • It is a flowchart which shows the learning process by the learning apparatus which concerns on Embodiment 3.
  • It is a block diagram which shows the structural example of the inference apparatus which concerns on Embodiment 3.
  • It is a flowchart which shows the inference processing by the inference apparatus which concerns on Embodiment 3.
  • FIG. 1 is a block diagram showing the configuration of the air conditioning control device 11 according to the first embodiment.
  • the air conditioning control device 11 controls the air conditioning operation of the air conditioning area by the air conditioning device 20.
  • the air-conditioning area where the air-conditioning operation by the air-conditioning device 20 is performed is an air-conditioning target space in which one or a plurality of computers are arranged, for example, an indoor space of a data center in which a server which is a computer is arranged.
  • the air-conditioned area is, for example, a data center that provides a cloud service on the communication network 30.
  • the cloud service provides a server device managed by a cloud service operator as a service on the communication network 30.
  • Cloud services can be set to automatically increase or decrease computer resources as communication traffic increases.
  • the computer resources include a CPU (Central Processing Unit), a GPU (Graphics Processing Unit), and a virtual machine included in the computer.
  • a virtual machine is a virtual computer realized by software executed by the computer.
  • the number of servers arranged in the data center may be one, but may be multiple. That is, one or more computer resources can be operated in the data center, and the number of computer resources includes the number of virtual machines in addition to the number of computer hardware.
  • the service user must apply in advance to the cloud service operator for the expected usage of computer resources for the service. There is.
  • the cloud service operator can predict the computer resources used in the service based on the pre-application information from the service user. As the number of computer resources used increases, the amount of heat generated by the computer also increases, so the temperature of the data center where the server, which is the computer, is located also rises.
  • the air conditioner 20 performs air conditioning with the air conditioning intensity set by the air conditioner control device 11 for the data center.
  • the number of air conditioners 20 arranged in the data center may be one, but may be multiple.
  • the data center is provided with temperature sensors at one or more locations in the indoor space where the server is located, and the server is provided with temperature sensors that detect the temperature of the CPU or GPU.
  • the temperature detection data in the air conditioning area detected by the temperature sensor is output to the air conditioning control device 11.
  • the air conditioning control device 11 includes an information acquisition unit 111, a computer resource prediction unit 112, and an air conditioning intensity determination unit 113.
  • the information acquisition unit 111 acquires event information.
  • the information acquisition unit 111 acquires event information from an external device on the communication network 30.
  • Event information is information about an event that uses physical or virtual computer resources on a computer. As an example of event information, there is the above-mentioned advance application information.
  • Pre-application information includes, for example, the number of requests for services per unit time during the expected peak time of server usage, the average size of request information and its response information, and the time period when computer resources are expected to increase ( Start time and end time), protocol type and protocol ratio used to send and receive requests and responses, communication traffic patterns, and factors that are expected to increase computer resources.
  • Pre-application information is data set in the server of the data center.
  • the computer resource prediction unit 112 predicts the usage status of computer resources in an event based on the event information. For example, the computer resource prediction unit 112 selects the computer resource used in the event of the service corresponding to the pre-application information from all the computer resources in the data center. Next, the computer resource prediction unit 112 predicts the usage status of the computer resource when the event of the service corresponding to the pre-application information is executed based on the content of the pre-application information. The predicted usage status of the computer resource generated by the computer resource prediction unit 112 is output to the air conditioning strength determination unit 113 as resource information.
  • the computer resource prediction unit 112 predicts, for example, a change in the CPU usage rate in a time zone in which the service corresponding to the advance application information is expected to be executed. ..
  • the number of computer resources used in the event of the service corresponding to the pre-application information may be not limited to one, but may be plural.
  • the air conditioning intensity determination unit 113 determines the air conditioning intensity based on the predicted usage status of computer resources and the temperature detection data in the air conditioning area.
  • the temperature detection data may be obtained at one place in the indoor space of the data center which is an air-conditioned area, or may be obtained at a plurality of places. Since the temperature detection data may be the temperature detection data in the air conditioning area, it is not limited to the temperature in the indoor space of the data center, but may be the temperature detection data of the CPU or GPU of the server, which is a computer resource. good.
  • the air conditioning intensity determination unit 113 predicts the temperature change tendency of the data center based on the predicted usage status of computer resources.
  • the temperature change tendency of the data center tends to increase when the use of computer resources is concentrated, and decreases as the use of computer resources decreases.
  • the temperature change tendency in the time zone which is a change tendency different from the predicted temperature change tendency, follows the time change of the target temperature in the operation plan.
  • the air conditioning intensity (for example, set temperature, air volume) is sequentially determined based on the temperature detection data of the data center.
  • the operation plan is data showing the time change of the air conditioning state of the air conditioning area, for example, showing the time change of the target temperature of the air conditioning area.
  • the target temperature is a temperature to be realized in the air conditioning area
  • the air conditioning device 20 is set with the air conditioning intensity for controlling the air conditioning area to the target temperature.
  • the air-conditioning intensity determination unit 113 may calculate the air-conditioning intensity by using a learned model in which event information and temperature detection data in a data center are input to infer the air-conditioning intensity.
  • FIG. 2 is a flowchart showing the air conditioning control method according to the first embodiment.
  • the information acquisition unit 111 acquires event information (step ST1).
  • the information acquisition unit 111 acquires event information from an external device on the communication network 30 via the network interface.
  • the external device is an external storage device that stores advance application information from a computer managed by a service user.
  • the pre-application information includes the time zone when the computer resources used are expected to increase and the processing contents in which the computer resources are used.
  • the computer resource prediction unit 112 predicts the usage status of the computer resource in the event based on the event information acquired by the information acquisition unit 111 (step ST2). For example, the computer resource prediction unit 112 identifies the computer resource used in the event of the service corresponding to the advance application information, and predicts the usage status of the computer resource when the service is provided. The information indicating the predicted usage status of the computer resource generated by the computer resource prediction unit 112 is output to the air conditioning strength determination unit 113.
  • the air conditioning intensity determination unit 113 determines the air conditioning intensity based on the predicted usage status of computer resources and the temperature detection data in the air conditioning area (step ST3). In a data center in which a plurality of air conditioners 20 are arranged and a plurality of servers are arranged, the air conditioning intensity determining unit 113 determines different air conditioning intensities for each of the air conditioners 20. For example, the air-conditioning intensity determination unit 113 determines the air-conditioning intensity for each air-conditioning device 20 according to the relationship between the physical position of each server in the data center and the position of the outlet of each air-conditioning device 20.
  • FIG. 3A is a graph showing the relationship between the CPU load, the temperature, and the air conditioning intensity in the conventional air conditioning control device.
  • the time change of the CPU load of is indicated by reference numeral C.
  • FIG. 3B is a graph showing the relationship between the CPU load, the temperature, and the air conditioning intensity in the air conditioning control device 11, in which the time change of the air conditioning intensity is indicated by the reference numeral A1 and the time change of the temperature of the data center is indicated by the reference numeral B1.
  • the time change of the CPU load is indicated by reference numeral C1. Since FIGS. 3A and 3B show the case where the same event is executed, the time change of the CPU load used in the event is also the same.
  • the conventional air-conditioning control device performs air-conditioning control that follows changes in the air temperature of the data center based on the detection data of the air temperature of the data center.
  • the CPU is used from the event start time t 01 , and the CPU load starts to increase as indicated by reference numeral C. Heat is generated from the server as the CPU is used.
  • time elapses from time t 01 to time t 02 the temperature of the data center begins to rise due to the heat generated from the server, as shown by reference numeral B.
  • the conventional air conditioning controller has a conventional air conditioning controller, as indicated by reference numeral A, so that the rised temperature becomes the target temperature set in the operation plan.
  • the CPU load becomes a substantially constant value.
  • the air conditioning intensity is determined according to the change in air temperature. As shown in FIG. 3A, air temperature, during the final time t 05 until an equilibrium state at the target temperature, the air conditioning strength moves up and down in response to the detection data of the temperature.
  • the air conditioning control device 11 performs air conditioning control based on the predicted usage status of computer resources at the event and the temperature detection data in the data center. As shown in FIG. 3B, the CPU is used from the event start time t 11, CPU load as indicated by reference numeral C1 starts to rise. Heat is generated from the server as the CPU is used.
  • the air-conditioning controller 11 predicts the temperature rise due to the heat generated from the server based on the predicted usage status of the computer resources, so that the air-conditioning controller 11 starts from a time t 10 earlier than the event start time t 11 as indicated by reference numeral A1.
  • the air conditioning intensity in the direction of lowering the air temperature can be set in the air conditioner 20.
  • the air conditioning control device 11 performs air conditioning control prior to the change in temperature so that the change in temperature at the event is mitigated when the change in temperature is predicted according to the predicted usage status of computer resources. Therefore, the maximum value of the air conditioning intensity shown in FIG. 3B is smaller than the maximum value of the air conditioning intensity shown in FIG. 3A. Since the power consumption of the air conditioning device 20 is proportional to the air conditioning intensity, the maximum value of the power consumption of the air conditioning control device 11 can be suppressed to be smaller than that of the conventional air conditioning control device, and the cost of the power contract is also reduced. In the air conditioning control device 11, the temperature does not rise sharply and the rise can be suppressed, so that stable operation of the server can be expected.
  • FIG. 4A is a block diagram showing a hardware configuration that realizes the functions of the air conditioning control device 11.
  • FIG. 4B is a block diagram showing a hardware configuration for executing software that realizes the functions of the air conditioning control device 11.
  • the input interface 100 is an interface that relays the temperature detection data input from the temperature sensor by the air conditioning intensity determining unit 113.
  • the output interface 101 is an interface that relays the air conditioning intensity output from the air conditioning intensity determining unit 113 to the air conditioning device 20.
  • the network interface 102 is an interface that relays event information output from an external device to the air conditioning control device 11 via the communication network 30. The temperature detection data or the air conditioning intensity may be exchanged via the network interface.
  • the air conditioning control device 11 includes a processing circuit for executing the processing from step ST1 to step ST3 shown in FIG.
  • the processing circuit may be dedicated hardware, or may be a CPU that executes a program stored in the memory.
  • the processing circuit 103 may be, for example, a single circuit, a composite circuit, a programmed processor, a parallel programmed processor, or an ASIC (Application Specific Integrated). Circuit), FPGA (Field-Programmable Gate Array), or a combination of these is applicable.
  • the functions of the information acquisition unit 111, the computer resource prediction unit 112, and the air conditioning intensity determination unit 113 in the air conditioning control device 11 may be realized by separate processing circuits, and these functions are collectively realized by one processing circuit. May be good.
  • the processing circuit is the processor 104 shown in FIG. 4B
  • the functions of the information acquisition unit 111, the computer resource prediction unit 112, and the air conditioning strength determination unit 113 in the air conditioning control device 11 are realized by software, firmware, or a combination of software and firmware. Will be done.
  • the software or firmware is described as a program and stored in the memory 105.
  • the processor 104 realizes the functions of the information acquisition unit 111, the computer resource prediction unit 112, and the air conditioning strength determination unit 113 in the air conditioning control device 11 by reading and executing the program stored in the memory 105.
  • the air conditioning control device 11 includes a memory 105 that stores a program in which the processes from step ST1 to step ST3 shown in FIG. 2 are executed as a result when executed by the processor 104. These programs cause the computer to execute the procedure or method of the information acquisition unit 111, the computer resource prediction unit 112, and the air conditioning intensity determination unit 113.
  • the memory 105 may be a computer-readable storage medium in which a program for causing the computer to function as an information acquisition unit 111, a computer resource prediction unit 112, and an air conditioning intensity determination unit 113 is stored.
  • the memory 105 is, for example, a RAM (Random Access Memory), a ROM (Read Only Memory), a flash memory, an EPROM (Erasable Programmable Read Only Memory), an EEPROM (Electrically-volatile), an EPROM (Electrically-volatile), or the like.
  • a part of the functions of the information acquisition unit 111, the computer resource prediction unit 112, and the air conditioning strength determination unit 113 in the air conditioning control device 11 may be realized by dedicated hardware, and a part may be realized by software or firmware.
  • the information acquisition unit 111 realizes a function by a processing circuit 103 which is dedicated hardware, and the computer resource prediction unit 112 and the air conditioning strength determination unit 113 read and execute a program stored in the memory 105 by the processor 104. The function is realized by doing.
  • the processing circuit can realize the above-mentioned functions by hardware, software, firmware or a combination thereof.
  • FIG. 5 is a block diagram showing a configuration of an air conditioning control device 12 which is a modification of the air conditioning control device 11.
  • the air conditioning control device 12 includes an information acquisition unit 121, a computer resource prediction unit 122, and an air conditioning intensity determination unit 123.
  • the information acquisition unit 121 acquires event information and weather information.
  • the weather information is the weather information including the air temperature around the data center which is an air-conditioned area.
  • the information acquisition unit 121 acquires event information and weather information from an external device on the communication network 30.
  • the computer resource prediction unit 122 predicts the usage status of the computer resource in the event in the same manner as the computer resource prediction unit 112.
  • the air conditioning intensity determination unit 123 determines the air conditioning intensity based on the predicted usage status of computer resources, temperature detection data in the air conditioning area, and weather information acquired by the information acquisition unit 121. For example, the air conditioning intensity determination unit 123 predicts the temperature change tendency of the data center based on the predicted usage status of the computer resource and the weather information, and among the time changes of the target temperature in the operation plan, the predicted temperature change tendency.
  • the air conditioning intensity (for example,) is determined based on the temperature detection data of the air conditioning area so that the temperature change tendency in the determined time zone is in line with the time change of the target temperature in the operation plan. , Set temperature, air volume) are determined in sequence.
  • the degree to which weather information is taken into account when predicting the temperature change tendency of a data center is determined according to the heat insulation performance of the data center. For example, when the value of the parameter that quantitatively expresses the heat insulation performance of the data center is equal to or less than the threshold value, the temperature of the indoor space of the data center changes due to the influence of the weather. In this case, the air conditioning intensity determination unit 123 predicts the temperature change tendency of the data center in consideration of the change in temperature due to the weather in addition to the change in temperature due to the heat generated from the server. When the value of the parameter exceeds the threshold value, the indoor space of the data center is thermally isolated from the outside.
  • the air-conditioning intensity determination unit 123 predicts the temperature change tendency of the data center in consideration of only the change in the air temperature due to the heat generated from the server, similarly to the air-conditioning intensity determination unit 113. Further, the air-conditioning intensity determination unit 123 may calculate the air-conditioning intensity by using a learned model in which event information, temperature detection data in a data center, and weather information are input to infer the air-conditioning intensity.
  • the air conditioning control device 11 includes an information acquisition unit 111 that acquires event information, a computer resource prediction unit 112 that predicts the usage status of computer resources based on the event information, and a computer.
  • the air conditioning intensity determination unit 113 that determines the air conditioning intensity based on the predicted usage status of resources and the detection data of the temperature in the data center is provided. Since the air conditioning intensity that suppresses the temperature change can be determined based on the predicted usage status of the computer resources before the temperature of the data center changes due to the heat generated from the server, the air conditioning control device 11 is efficient with reduced power consumption. Air conditioning control can be performed.
  • the information acquisition unit 121 acquires the event information and the weather information around the data center, and the air conditioning intensity determination unit 123 determines the predicted usage status of the computer resources and the data center.
  • the air conditioning intensity is determined based on the weather information around the data center. Similar to the air conditioning controller 11, the air conditioning strength that suppresses the temperature change based on the predicted usage status of computer resources and the weather information around the data center before the temperature of the data center changes due to the heat generated from the server. Therefore, the air conditioning control device 12 can perform efficient air conditioning control with reduced power consumption.
  • FIG. 6 is a block diagram showing a configuration example of the power consumption prediction device 31 according to the second embodiment.
  • the power consumption prediction device 31 predicts the power consumption of the air conditioning operation of the air conditioning area by the air conditioning device 20 shown in FIG. 1, and sets the predicted power consumption for the air conditioning control device.
  • the air-conditioning area in which the air-conditioning device 20 air-conditions is an air-conditioning target space in which one or a plurality of computers are arranged.
  • the air-conditioned area is a data center that provides cloud services on the communication network 30.
  • the air conditioning control device in which the predicted power consumption is set by the power consumption prediction device 31 is a device that controls the air conditioning operation of the air conditioning device 20 according to the predicted power consumption, and is, for example, the air conditioning control device 11 or the air conditioning shown in the first embodiment.
  • the air conditioning intensity determination unit 113 determines the air conditioning intensity based on the predicted usage status of the computer resources, the temperature detection data in the data center, and the predicted power consumption of the air conditioning device 20 in the event.
  • the air conditioning intensity determination unit 123 determines the air conditioning intensity based on the predicted usage status of computer resources, temperature detection data in the data center, weather information around the data center, and the predicted power consumption of the air conditioning device 20 in the event.
  • the power consumption prediction device 31 includes an information acquisition unit 311, a computer resource prediction unit 312, an air conditioning intensity prediction unit 313, and a power consumption prediction unit 314.
  • the information acquisition unit 311 acquires event information from an external device on the communication network 30.
  • Event information is information about events that use physical or virtual computer resources on the server.
  • the event information there is the advance application information shown in the first embodiment.
  • the information acquisition unit 311 acquires event information from an external device on the communication network 30 via the network interface.
  • the external device is an external storage device that stores advance application information from a computer managed by a service user.
  • the computer resource prediction unit 312 predicts the usage status of computer resources in an event based on the event information. For example, the computer resource prediction unit 312 selects the computer resource used in the event of the service corresponding to the pre-application information from all the computer resources in the data center. Next, the computer resource prediction unit 312 predicts the usage status of the computer resource when the event of the service corresponding to the pre-application information is executed based on the content of the pre-application information. The predicted usage status of the computer resource generated by the computer resource prediction unit 312 is output as resource information to the air conditioning intensity prediction unit 313 and the power consumption prediction unit 314.
  • the air-conditioning intensity prediction unit 313 predicts the air-conditioning intensity set in the air-conditioning device 20 based on the predicted usage status of computer resources. For example, the air-conditioning intensity prediction unit 313 predicts the temperature change tendency of the data center based on the predicted usage status of computer resources, similarly to the air-conditioning intensity determination unit 113. Subsequently, the air conditioning intensity prediction unit 313 indicates that among the time changes of the target temperature in the operation plan, the temperature change tendency in the time zone which is different from the predicted temperature change tendency is the time of the target temperature in the operation plan. The air conditioning intensity is predicted in sequence to follow the changes.
  • the air conditioning intensity prediction unit 313 may predict different air conditioning intensities for each air conditioner 20. For example, the air-conditioning intensity prediction unit 313 predicts the air-conditioning intensity set for each air-conditioning device 20 according to the relationship between the physical position of each server in the data center and the position of the outlet of each air-conditioning device 20. The air-conditioning intensity prediction unit 313 may calculate the predicted air-conditioning intensity by using a machine learning model that infers the air-conditioning intensity by inputting the usage status of computer resources in the event.
  • the power consumption prediction unit 314 calculates the predicted power consumption based on the predicted usage status of the computer resources and the predicted air conditioning intensity. For example, the power consumption prediction unit 314 predicts the power consumed by the server located in the data center at the event based on the predicted usage status of the computer resource. Subsequently, the power consumption prediction unit 314 sums the predicted value of the power consumed by the server and the predicted value of the power consumed by the air conditioner 20 calculated by the air conditioning intensity prediction unit 313 based on the operation plan. The predicted value of the power consumption of the entire data center is calculated, and the predicted power consumption is output to the air conditioning control device 11 or the air conditioning control device 12. When predicting the power consumption of the entire data center, power consumption other than air conditioning and computer (for example, lighting) may be taken into consideration.
  • air conditioning and computer for example, lighting
  • the air conditioning control device 11 or the air conditioning control device 12 changes the temperature of the data center before the temperature of the data center changes due to the heat generated from the server, based on the predicted usage status of the computer resources and the detection data of the temperature in the data center. It is possible to determine the air conditioning strength that suppresses. Further, the air conditioning control device 11 or the air conditioning control device 12 can perform air conditioning control in consideration of the usage charge of the computer resource according to the power consumption by using the predicted power consumption calculated by the power consumption prediction unit 314.
  • FIG. 7 is a graph showing the time-dependent changes in the predicted power consumption and the computer resource usage charge.
  • the time change in the computer resource usage charge is indicated by reference numeral D
  • the time change in the predicted power consumption is indicated by reference numeral E.
  • the charge system of the cloud service that uses the server of the data center is a charge system in which the usage charge of the computer resource is significantly increased when the predicted power consumption exceeds the threshold value, as indicated by reference numeral E.
  • the threshold value is, for example, the peak value of power consumption statistically calculated by the electric power company.
  • the air conditioning intensity prediction unit 313 determines that the power consumption of the entire data center is the threshold when the usage of the computer resource is predicted to increase and the power consumption of the entire data center is predicted to exceed the threshold based on the predicted usage status of the computer resource. Before exceeding, predict the air conditioning intensity that suppresses the increase in power consumption of the entire data center.
  • the power consumption prediction unit 314 calculates the predicted power consumption based on the predicted usage status of the computer resources and the predicted air conditioning intensity, and sets the predicted power consumption in the air conditioning control device 11 or the air conditioning control device 12.
  • the air-conditioning control device 11 or the air-conditioning control device 12 determines the air-conditioning intensity when the air-conditioning device 20 is operated with the predicted power consumption.
  • the air conditioning control device 11 or the air conditioning control device 12 can perform efficient air conditioning control while suppressing the peak of power consumption, and can suppress an increase in the usage fee of computer resources.
  • the information acquisition unit 311 may acquire weather information in addition to the event information.
  • the weather information is the weather information including the air temperature around the data center which is an air-conditioned area.
  • the information acquisition unit 311 acquires event information and weather information from an external device on the communication network 30.
  • the air-conditioning intensity prediction unit 313 predicts the air-conditioning intensity based on the predicted usage status of computer resources, the temperature detection data in the air-conditioning area, and the weather information acquired by the information acquisition unit 311.
  • the air conditioning intensity prediction unit 313 predicts the tendency of the temperature change of the data center based on the predicted usage status of the computer resource and the weather information around the data center, and predicts the time change of the target temperature in the operation plan.
  • a time zone that is a change tendency different from the temperature change tendency is discriminated, and the air conditioning intensity (for example, set temperature) is sequentially predicted so that the temperature change tendency in the discriminated time zone follows the time change of the target temperature in the operation plan. do.
  • the air conditioning intensity prediction unit 313 may calculate the predicted air conditioning intensity by using a machine learning model that infers the air conditioning intensity by inputting the usage status of computer resources and the weather information around the data center.
  • the functions of the information acquisition unit 311, the computer resource prediction unit 312, the air conditioning intensity prediction unit 313, and the power consumption prediction unit 314 in the power consumption prediction device 31 are realized by the processing circuit in the same manner as the air conditioning control device 11 or the air conditioning control device 12. .. That is, the power consumption prediction device 31 includes a processing circuit for executing a series of processes for predicting the power consumption of the air conditioner 20.
  • the processing circuit may be the hardware processing circuit 103 shown in FIG. 4A, or the processor 104 that executes the program stored in the memory 105 shown in FIG. 4B.
  • the power consumption prediction device 31 has an information acquisition unit 311 that acquires event information and a computer resource prediction unit 312 that predicts the usage status of computer resources in an event based on the event information. And the air conditioning intensity prediction unit 313 that predicts the air conditioning intensity of the air conditioner 20 based on the predicted usage status of the computer resource, and the power consumption that calculates the predicted power consumption based on the predicted usage status of the computer resource and the predicted value of the air conditioning intensity.
  • a prediction unit 314 is provided. Before the temperature of the data center changes due to the heat generated from the server, the air conditioning control device 11 or the air conditioning control device 12 determines the air conditioning intensity that suppresses the temperature change based on the predicted power consumption set by the power consumption prediction device 31. Since it can be determined, efficient air conditioning control with reduced power consumption can be performed.
  • the information acquisition unit 311 acquires the event information and the weather information around the data center
  • the air conditioning intensity prediction unit 313 predicts the usage status of the computer resources and the data center.
  • the air conditioning intensity is predicted based on the weather information around the data center.
  • the air conditioning strength that suppresses the temperature change can be predicted based on the predicted usage status of computer resources and the weather information around the data center, so power consumption can be reduced. Suppressed and efficient air conditioning control is possible.
  • FIG. 8 is a block diagram showing a configuration example of the learning device 41 according to the third embodiment.
  • the learning device 41 learns the air conditioning intensity set in the air conditioning device 20 shown in FIG. 1 to generate a learned model used by the air conditioning control device 11 or the air conditioning control device 12 shown in the first embodiment.
  • the air-conditioning area air-conditioned by the air-conditioning device 20 is an air-conditioning target space in which one or a plurality of computers are arranged.
  • the air-conditioned area is a data center that provides cloud services on the communication network 30.
  • the learning device 41 may be built in the air conditioning intensity determining unit 113 or the air conditioning intensity determining unit 123, or may be provided in the server of the data center.
  • the learning device 41 includes a data acquisition unit 411 and a model generation unit 412.
  • the data acquisition unit 411 generates learning data including the usage status of computer resources based on event information, temperature detection data in the data center, and air conditioning intensity, and outputs the learning data to the model generation unit 412.
  • the training data is data in which computer resource usage, temperature detection data, and air conditioning intensity are associated with each other.
  • the model generation unit 412 generates a trained model using the training data.
  • the trained model infers the optimum air conditioning intensity by inputting the predicted usage of computer resources and the temperature detection data in the data center.
  • the trained model generated by the model generation unit 412 is stored in the trained model storage unit 50.
  • the learned model storage unit 50 may be a storage unit included in the air conditioning control device 11 or the air conditioning control device 12, or is provided in an external storage device provided separately from the air conditioning control device 11 or the air conditioning control device 12. May be done.
  • Various learning algorithms such as supervised learning, unsupervised learning, or reinforcement learning can be used to generate a trained model by the model generation unit 412.
  • the model generation unit 412 learns the air conditioning intensity set in the air conditioning device 20 by so-called supervised learning according to the neural network model.
  • Supervised learning is a learning method that uses a combination of input and result (label) data as learning data.
  • the learning device 41 is a method of generating a trained model that infers a result from input data by learning a feature in a given learning data.
  • FIG. 9 is an explanatory diagram showing an example of learning by a neural network.
  • the neural network consists of an input layer (X1, X2, X3) composed of a plurality of neurons, an intermediate layer (hidden layer) (Y1, Y2) composed of a plurality of neurons, and an output layer (Z1) composed of a plurality of neurons. , Z2, Z3).
  • the intermediate layer shown in FIG. 9 is one layer, but may be two or more layers.
  • the weights w11, w12, w13, w14, w15, and w16 are multiplied by the value of the input data.
  • the data of the multiplication result is input to the neural networks Y1 and Y2 in the intermediate layer.
  • the weights w21, w22, w23, w24, w25, and w26 are multiplied by the value of the input data, and the data of the multiplication result is output from the neurons Z1, Z2, and Z3 in the output layer.
  • the output result from the output layer changes depending on the weight value.
  • the neural network obtains the air conditioning intensity by so-called supervised learning using the learning data including the usage status of the computer resource acquired by the data acquisition unit 411, the temperature detection data, and the combination of the air conditioning intensity. learn. That is, the neural network learns by adjusting the weight so that the event information and the temperature detection data are input to the input layer and the value output from the output layer approaches the actual air conditioning intensity (correct answer).
  • the learning process by the learning device 41 is as follows.
  • FIG. 10 is a flowchart showing the learning process by the learning device 41.
  • the data acquisition unit 411 acquires learning data including computer resource usage status, temperature detection data in the data center, and air conditioning intensity (step ST1a). For example, the data acquisition unit 411 acquires the usage status of computer resources while the event indicated by the event information is being executed, acquires temperature detection data from the temperature sensor of the data center, and uses the air conditioning control device 11 to acquire the air conditioning device. Acquires the air conditioning strength set to 20.
  • the model generation unit 412 is set in the air conditioning device 20 by performing supervised learning using learning data including the usage status of computer resources, temperature detection data, and air conditioning intensity acquired by the data acquisition unit 411. Generate a trained model that infers the air conditioning intensity (step ST2a). The trained model generated by the model generation unit 412 is stored in the trained model storage unit 50 (step ST3a).
  • the learning device 41 includes a processing circuit for executing the processing of steps ST1a to ST3a shown in FIG.
  • the processing circuit may be the hardware processing circuit 103 shown in FIG. 4A, or the processor 104 that executes the program stored in the memory 105 shown in FIG. 4B.
  • the data acquisition unit 411 acquires the weather information around the data center in addition to the usage status of computer resources, the temperature detection data in the data center, and the air conditioning intensity as learning data
  • the model generation unit 412 uses the computer. You may generate a trained model that infers air conditioning intensity by inputting resource usage, temperature detection data in the data center, and weather information.
  • the air conditioning controller 11 or air conditioning controller 12 can determine the temperature of the data center based on the predicted usage of computer resources, the temperature detection data in the data center, and the weather information around the data center. The air conditioning strength that suppresses changes can be determined.
  • FIG. 11 is a block diagram showing a configuration example of the inference device 42 according to the third embodiment.
  • the inference device 42 is, for example, the air conditioning intensity prediction unit 313 shown in FIG.
  • the inference device 42 includes a data acquisition unit 421 and an inference unit 422.
  • the data acquisition unit 421 acquires event information and temperature detection data in the data center.
  • the learned model is read from the learned model storage unit 50, and the air conditioning intensity is inferred by the learned model in which the predicted usage status of computer resources and the temperature detection data in the data center are input.
  • the air conditioning intensity inferred by the trained model is set in the air conditioning device 20.
  • the air conditioner 20 air-conditions the data center with the air-conditioning intensity set by the inference unit 422.
  • FIG. 12 is a flowchart showing an inference process by the inference device 42.
  • the data acquisition unit 421 acquires the predicted usage status of the computer resource and the temperature detection data in the data center (step ST1b).
  • the data acquisition unit 411 acquires the predicted usage status of the computer resource in the event calculated by the computer resource prediction unit 112, and detects the temperature detected by the temperature sensor in the data center during the execution of this event. To get.
  • the inference unit 422 reads the trained model from the trained model storage unit 50, and for the read trained model, outputs the predicted usage status of the computer resource acquired by the data acquisition unit 421 and the temperature detection data in the data center. Input (step ST2b).
  • the trained model in which the predicted usage status of computer resources and the detection data of the temperature in the data center are input calculates the air conditioning intensity and outputs the calculated air conditioning intensity data (step ST3b).
  • the air conditioning intensity data calculated by the trained model is set in the air conditioning device 20 (step ST4b).
  • the air conditioner 20 air-conditions the data center with the air-conditioning intensity set by the trained model. Since the air conditioning intensity set by the trained model is determined so that the temperature change of the data center is suppressed before the temperature of the data center is changed by the heat generated from the server, the air conditioning device 20 has a peak power consumption. Efficient air-conditioning operation is possible.
  • the inference unit 422 calculates the air conditioning intensity using a trained model that infers the air conditioning intensity by inputting the predicted usage status of the computer resources acquired by the data acquisition unit 411, the temperature detection data in the data center, and the weather information. .. Since the air-conditioning device 20 operates with the air-conditioning intensity calculated by the inference unit 422, efficient air-conditioning operation with suppressed peak power consumption is possible.
  • the functions of the data acquisition unit 421 and the inference unit 422 in the inference device 42 are realized by the processing circuit in the same manner as the air conditioning control device 11 or the air conditioning control device 12. That is, the inference device 42 includes a processing circuit for executing the processing of steps ST1b to ST4a shown in FIG.
  • the processing circuit may be the hardware processing circuit 103 shown in FIG. 4A, or the processor 104 that executes the program stored in the memory 105 shown in FIG. 4B.
  • model generation unit 412 performs supervised learning
  • the present invention is not limited to this.
  • learning algorithm in the model generation unit 412 reinforcement learning, unsupervised learning, semi-supervised learning, or the like can be used in addition to supervised learning.
  • the model generation unit 412 may learn the air-conditioning intensity for each air-conditioning device 20 by using the learning data corresponding to each of the plurality of air-conditioning devices 20. Further, the model generation unit 412 may acquire learning data from one data center, or may use learning data acquired from a plurality of air conditioners 20 that operate independently in a plurality of different data centers. You may learn the air conditioning strength.
  • the data acquisition unit 411 may add learning data used for learning by the model generation unit 412, or may exclude arbitrary learning data from the acquired plurality of learning data.
  • the model generation unit 412 uses, for example, the air-conditioning of the second air-conditioning device arranged in a data center different from the first air-conditioning device by using the learned model in which the air-conditioning intensity of the first air-conditioning device is learned. By learning the intensity, the model may be updated to infer the air conditioning intensity of the second air conditioner.
  • the air-conditioned area is a data center
  • the devices shown in the first to third embodiments can be applied as long as the air-conditioned area is where the computer is arranged.
  • the air conditioning control device 11 or the air conditioning control device 12 can be used in a train heating / cooling system automatically controlled by a computer.
  • the learning device 41 obtains the data acquisition unit 411 that acquires the learning data including the usage status of the computer resource, the temperature detection data in the data center, and the air conditioning intensity, and the learning data. It is provided with a model generation unit 412 that generates a trained model that infers the air conditioning intensity by inputting the predicted usage status of computer resources and the detection data of the temperature in the data center. By using this trained model, the learning device 41 can determine the air conditioning intensity that suppresses the temperature change in the data center based on the predicted usage status of the computer resources and the temperature detection data in the data center. As a result, the air conditioning control device 11 or the air conditioning control device 12 can perform efficient air conditioning control with reduced power consumption.
  • the inference device 42 inputs the data acquisition unit 421 that acquires the predicted usage status of the computer resource and the temperature detection data in the data center, and the predicted usage status of the computer resource and the temperature detection data in the data center.
  • a reasoning unit 422 for calculating the air conditioning intensity is provided by using the trained model for inferring the air conditioning intensity.
  • the inference device 42 can determine the air conditioning intensity that suppresses the temperature change in the data center based on the predicted usage status of the computer resource and the temperature detection data in the data center.
  • the air conditioning control device 11 or the air conditioning control device 12 can perform efficient air conditioning control with reduced power consumption.
  • the air conditioning control device can be used, for example, for air conditioning control of a data center in which a plurality of computers are arranged.

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Chemical & Material Sciences (AREA)
  • Quality & Reliability (AREA)
  • Signal Processing (AREA)
  • Human Computer Interaction (AREA)
  • Fluid Mechanics (AREA)
  • Computer Hardware Design (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

空調制御装置（１１）は、イベント情報を取得する情報取得部（１１１）と、イベント情報に基づいて、計算機リソースの使用状況を予測する計算機リソース予測部（１１２）と、計算機リソースの予測使用状況および空調エリアにおける温度の検出データに基づいて、空調装置（２０）の空調強度を決定する空調強度決定部（１１３）を備える。

Description

空調制御装置、消費電力予測装置、学習装置および空調制御方法
　本開示は、空調制御装置、消費電力予測装置、学習装置および空調制御方法に関する。
　空調の自動制御に関して、例えば、特許文献１には、空調強度の決定に強化学習を利用した装置が記載されている。この装置は、計算機であるサーバが配置されたサーバルームの温度を、気温を含む天候情報を用いて強化学習し、サーバルームの気温の検出データと天候情報を用いて、サーバを誤動作または故障させるような高温にならないようにサーバルームの気温を自動制御する。
特開２０１９－１７９５１８号公報
　特許文献１に記載された装置では、計算機リソースが使用されたサーバから発生した熱によってサーバルームの気温が上昇し、上昇した気温の検出データが取得されてから、気温の上昇に応じた空調制御が行われる。このような気温の変化に追随した空調制御では、例えば、使用される計算機リソースが増加して気温が上昇すると、これに追随して気温を下げる方向の空調強度が空調装置に設定され、気温が下降した場合は、気温を上げる方向の空調強度が空調装置に設定されるので、空調強度の上下動が大きく、消費電力を抑えた効率的な空調制御を行えない。
　本開示は上記課題を解決するものであり、消費電力を抑えた効率的な空調制御を行うことができる空調制御装置、消費電力予測装置、学習装置および空調制御方法を得ることを目的とする。
　本開示に係る空調制御装置は、１または複数の空調装置による、計算機が配置された空調エリアの空調動作を制御する空調制御装置であって、計算機における物理的または仮想的な計算機リソースを使用するイベントに関するイベント情報を取得する情報取得部と、イベント情報に基づいて、イベントにおける計算機リソースの使用状況を予測する計算機リソース予測部と、計算機リソースの予測使用状況および空調エリアにおける温度の検出データに基づいて、空調装置に設定する空調強度を決定する空調強度決定部を備える。
　本開示によれば、計算機における物理的または仮想的な計算機リソースを使用するイベントに関するイベント情報を取得し、イベント情報に基づいて、イベントにおける計算機リソースの使用状況を予測し、計算機リソースの予測使用状況および空調エリアにおける温度の検出データに基づいて空調強度が決定される。計算機から発生した熱によって空調エリアの温度が変化する前に、計算機リソースの予測使用状況に基づいて温度変化を抑制する空調強度を決定できるので、本開示に係る空調制御装置は、消費電力を抑えた効率的な空調制御を行うことができる。
実施の形態１に係る空調制御装置の構成例を示すブロック図である。 実施の形態１に係る空調制御方法を示すフローチャートである。 図３Ａは、従来の空調制御装置におけるＣＰＵ負荷、気温および空調強度の関係を示すグラフであり、図３Ｂは、実施の形態１に係る空調制御装置におけるＣＰＵ負荷、気温および空調強度の関係を示すグラフである。 図４Ａは、実施の形態１に係る空調制御装置の機能を実現するハードウェア構成を示すブロック図であり、図４Ｂは、実施の形態１に係る空調制御装置の機能を実現するソフトウェアを実行するハードウェア構成を示すブロック図である。 実施の形態１に係る空調制御装置の変形例の構成を示すブロック図である。 実施の形態２に係る消費電力予測装置の構成例を示すブロック図である。 実施の形態２における予測消費電力および計算機リソース利用料金の経時変化を示すグラフである。 実施の形態３に係る学習装置の構成例を示すブロック図である。 ニューラルネットワークによる学習の例を示す説明図である。 実施の形態３に係る学習装置による学習処理を示すフローチャートである。 実施の形態３に係る推論装置の構成例を示すブロック図である。 実施の形態３に係る推論装置による推論処理を示すフローチャートである。
実施の形態１．
　図１は、実施の形態１に係る空調制御装置１１の構成を示すブロック図である。図１において、空調制御装置１１は、空調装置２０による空調エリアの空調動作を制御する。空調装置２０による空調動作が行われる空調エリアは、１または複数の計算機が配置された空調対象空間であり、例えば、計算機であるサーバが配置されたデータセンタの屋内空間である。以下の説明では、空調エリアが、例えば、通信ネットワーク３０上のクラウドサービスを提供するデータセンタであるものとする。
　クラウドサービスとは、クラウドサービス運営業者によって管理されるサーバ装置を、通信ネットワーク３０上でサービスとして提供するものである。クラウドサービスでは、通信トラフィックの増加に伴い、計算機リソースが自動的に増減する設定が可能である。計算機リソースには、計算機が備えるＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）、ＧＰＵ（Ｇｒａｐｈｉｃｓ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）および仮想マシンが含まれる。仮想マシンとは、計算機が実行するソフトウェアによって実現される仮想的な計算機である。
　データセンタに配置されるサーバは、１台であってもよいが、複数台であってもよい。すなわち、データセンタでは、１または複数の計算機リソースが稼働可能であり、計算機リソースの数には、計算機のハードウェアの数に加えて、仮想マシンの台数も含まれる。
　例えば、クラウドを用いた通信販売サービスにおいてセールが開始されるか、クラウドを用いたライブ動画配信サービスにおいて視聴対象のイベントが開始されたとき、サービス利用者の端末とサーバとの間の通信トラフィックが急激に増加することが予想される。通信トラフィックが増加すると、情報通信および情報処理に使用される計算機リソースも増加する。
　通信トラフィックの増加に起因してサービスに使用される計算機リソースの増加が予想される場合、サービス利用業者が、サービスで予想される計算機リソースの使用状況を、クラウドサービス運営業者に事前に申請することがある。クラウドサービス運営業者は、サービス利用業者からの事前申請情報に基づいて、サービスで使用される計算機リソースを予測可能である。計算機リソースの使用数の増加に伴って、計算機から発生する熱量も増加するため、計算機であるサーバが配置されたデータセンタの気温も上昇する。
　空調装置２０は、データセンタに対して、空調制御装置１１から設定された空調強度の空調を行う。データセンタに配置される空調装置２０は、１台であってもよいが、複数台であってもよい。データセンタには、サーバが配置された屋内空間の１または複数の箇所に温度センサが設けられ、サーバには、ＣＰＵまたはＧＰＵの温度を検出する温度センサが設けられる。温度センサによって検出された空調エリアにおける温度の検出データは、空調制御装置１１に出力される。
　空調制御装置１１は、図１に示すように、情報取得部１１１、計算機リソース予測部１１２および空調強度決定部１１３を備える。情報取得部１１１は、イベント情報を取得する。情報取得部１１１は、通信ネットワーク３０上の外部装置からイベント情報を取得する。イベント情報は、計算機における物理的または仮想的な計算機リソースを使用するイベントに関する情報である。イベント情報の一例として、前述した事前申請情報がある。
　事前申請情報には、例えば、サーバの使用頻度の予想ピーク時間帯の単位時間当たりのサービスに対するリクエスト数、リクエスト情報の平均サイズおよびそのレスポンス情報の平均サイズ、計算機リソースの増加が見込まれる時間帯（開始時刻および終了時刻）、リクエストとレスポンスの送受信に利用されるプロトコル種別およびプロトコルの割合、通信トラフィックのパターンおよび計算機リソースの増加が見込まれる要因が含まれる。事前申請情報は、データセンタのサーバに設定されるデータである。
　計算機リソース予測部１１２は、イベント情報に基づいて、イベントにおける計算機リソースの使用状況を予測する。例えば、計算機リソース予測部１１２は、データセンタにおける全ての計算機リソースのうち、事前申請情報に対応するサービスのイベントで使用される計算機リソースを選別する。次に、計算機リソース予測部１１２は、事前申請情報の内容に基づいて、事前申請情報に対応するサービスのイベントが実行されたときの計算機リソースの使用状況を予測する。計算機リソース予測部１１２によって生成された計算機リソースの予測使用状況は、リソース情報として空調強度決定部１１３へ出力される。
　イベントで使用される計算機リソースがサーバのＣＰＵであった場合、計算機リソース予測部１１２は、例えば、事前申請情報に対応するサービスの実行が予想される時間帯におけるＣＰＵの使用率の変化を予測する。事前申請情報に対応するサービスのイベントで使用される計算機リソースは、１つだけでなく、複数であってもよい。
　空調強度決定部１１３は、計算機リソースの予測使用状況と、空調エリアにおける温度の検出データに基づいて、空調強度を決定する。温度の検出データは、空調エリアであるデータセンタの屋内空間における一カ所で得られたものでもよいし、複数箇所で得られたものでもよい。温度の検出データは、空調エリアにおける温度の検出データであればよいので、データセンタの屋内空間の気温に限るものではなく、計算機リソースであるサーバのＣＰＵまたはＧＰＵの温度の検出データであってもよい。
　例えば、空調強度決定部１１３は、計算機リソースの予測使用状況に基づいて、データセンタの温度の変化傾向を予測する。データセンタの気温の変化傾向は、計算機リソースの使用が集中すると上昇傾向になり、計算機リソースの使用が減少するにつれて下降傾向になる。空調強度決定部１１３は、運転計画における目標温度の時間変化のうち、予測した温度の変化傾向とは異なる変化傾向である時間帯における温度の変化傾向が、運転計画における目標温度の時間変化に沿うように、データセンタの温度の検出データに基づいて空調強度（例えば、設定温度、風量）を順次決定する。
　運転計画は、空調エリアの空調状態の時間変化を示すデータであり、例えば空調エリアの目標温度の時間変化を示す。目標温度は、空調エリアにおいて実現すべき温度であり、空調装置２０には、空調エリアを目標温度に制御するための空調強度が設定される。空調強度決定部１１３は、イベント情報とデータセンタにおける温度の検出データを入力して空調強度を推論する学習済みモデルを用いて、空調強度を算出してもよい。
　実施の形態１に係る空調制御方法は以下の通りである。
　図２は、実施の形態１に係る空調制御方法を示すフローチャートである。
　情報取得部１１１は、イベント情報を取得する（ステップＳＴ１）。例えば、情報取得部１１１は、ネットワークインタフェースを介して、通信ネットワーク３０上の外部装置からイベント情報を取得する。例えば、外部装置は、サービス利用業者が管理する計算機からの事前申請情報を記憶する外部記憶装置である。
　クラウドを用いた通信販売サービスでは、セールの開始時刻から終了時刻までの時間帯で、サービス利用者端末とサーバとの間の通信トラフィックが大幅に増加し、サービスの提供で使用される計算機リソースも増加することが予想される。また、セールの終了時刻が経過すると、サービス利用者端末とサーバとの間の通信トラフィックが大幅に減少し、サービスの提供で使用される計算機リソースも減少する。事前申請情報には、使用される計算機リソースが増加すると予想される時間帯と、計算機リソースが使用される処理内容が含まれる。
　計算機リソース予測部１１２は、情報取得部１１１によって取得されたイベント情報に基づいて、イベントにおける計算機リソースの使用状況を予測する（ステップＳＴ２）。例えば、計算機リソース予測部１１２は、事前申請情報に対応するサービスのイベントで使用される計算機リソースを特定し、当該サービスが提供されたときの計算機リソースの使用状況を予測する。計算機リソース予測部１１２によって生成された計算機リソースの予測使用状況を示す情報は、空調強度決定部１１３に出力される。
　空調強度決定部１１３は、計算機リソースの予測使用状況と、空調エリアにおける温度の検出データとに基づいて空調強度を決定する（ステップＳＴ３）。複数の空調装置２０が配置されかつ複数のサーバが配置されたデータセンタにおいて、空調強度決定部１１３は、空調装置２０ごとに異なる空調強度を決定する。例えば、空調強度決定部１１３は、データセンタにおける各サーバの物理的な位置と各空調装置２０の吹き出し口の位置との関係に応じて、空調強度を空調装置２０ごとに決定する。
　図３Ａは、従来の空調制御装置におけるＣＰＵ負荷、気温および空調強度の関係を示すグラフであり、空調強度の時間変化を符号Ａで示し、データセンタの気温の時間変化を符号Ｂで示し、サーバのＣＰＵ負荷の時間変化を符号Ｃで示している。図３Ｂは、空調制御装置１１におけるＣＰＵ負荷、気温および空調強度の関係を示すグラフであり、空調強度の時間変化を符号Ａ１で示し、データセンタの気温の時間変化を符号Ｂ１で示し、サーバのＣＰＵ負荷の時間変化を符号Ｃ１で示している。図３Ａおよび図３Ｂは、同じイベントが実行された場合を示しているので、イベントで使用されるＣＰＵ負荷の時間変化も同じである。
　従来の空調制御装置は、データセンタの気温の検出データに基づいて、データセンタの気温の変化に追随した空調制御を行う。図３Ａにおいて、イベント開始時刻ｔ０１からＣＰＵが使用され、符号Ｃで示すようにＣＰＵ負荷が上昇を始める。ＣＰＵの使用に伴って、サーバから熱が発生する。時刻ｔ０１から時間が経過して時刻ｔ０２になると、符号Ｂに示すように、サーバから発生した熱によってデータセンタの気温が上昇を始める。
　サーバから発生した熱によって上昇した気温が閾値を超えた時刻ｔ０３において、従来の空調制御装置は、上昇した気温が運転計画に設定された目標温度になるように、符号Ａで示すように、徐々に高い空調強度を空調装置に設定していく。イベント開始時刻ｔ０１から一定の時間が経過した時刻ｔ０４において、ＣＰＵ負荷が概ね一定の値になる。従来の空調制御装置では、気温の変化に追随して空調強度が決定される。図３Ａに示すように、気温が、最終的に時刻ｔ０５において目標温度で平衡状態になるまでの間、空調強度は、気温の検出データに応じて上下動する。
　また、空調制御装置１１は、イベントにおける計算機リソースの予測使用状況とデータセンタにおける温度の検出データとに基づいて、空調制御を行う。図３Ｂに示すように、イベント開始時刻ｔ１１からＣＰＵが使用され、符号Ｃ１で示すようにＣＰＵ負荷が上昇を始める。ＣＰＵの使用に伴ってサーバから熱が発生する。
　空調制御装置１１は、計算機リソースの予測使用状況に基づいて、サーバから発生した熱による気温の上昇を予想することにより、符号Ａ１で示すようにイベント開始時刻ｔ１１よりも早い時刻ｔ１０から、気温を下げる方向の空調強度を空調装置２０に設定することができる。これにより、イベント開始時刻ｔ１１では、符号Ｂ１で示すように、データセンタの気温が目標温度よりも下回った状態になっている。イベント開始時刻ｔ１１から一定時間が経過した時刻ｔ１４までＣＰＵ負荷が上昇を続けても、データセンタの気温は、運転計画に設定された目標温度を下回ったまま時刻ｔ１５で平衡状態になる。
　空調制御装置１１は、計算機リソースの予測使用状況によって気温の変化が予測されると、イベントにおける気温の変化が緩和されるように、気温の変化に先行した空調制御を行う。このため、図３Ｂに示した空調強度の最大値は、図３Ａに示した空調強度の最大値よりも小さい。空調装置２０の消費電力は空調強度に比例するので、空調制御装置１１では、消費電力の最大値を従来の空調制御装置よりも小さく抑えることができ、電力契約のコストも下がる。空調制御装置１１では、気温を急激に上昇させず、その上昇幅を抑えることができるので、サーバの安定した稼働が期待できる。
　空調制御装置１１の機能を実現するハードウェア構成は、以下の通りである。
　図４Ａは、空調制御装置１１の機能を実現するハードウェア構成を示すブロック図である。図４Ｂは、空調制御装置１１の機能を実現するソフトウェアを実行するハードウェア構成を示すブロック図である。図４Ａおよび図４Ｂにおいて、入力インタフェース１００は、空調強度決定部１１３が温度センサから入力する気温の検出データを中継するインタフェースである。出力インタフェース１０１は、空調強度決定部１１３から空調装置２０へ出力される空調強度を中継するインタフェースである。ネットワークインタフェース１０２は、通信ネットワーク３０を介して外部装置から空調制御装置１１へ出力されるイベント情報を中継するインタフェースである。なお、気温の検出データまたは空調強度は、ネットワークインタフェースを介してやり取りされてもよい。
　空調制御装置１１における情報取得部１１１、計算機リソース予測部１１２および空調強度決定部１１３の機能は、処理回路によって実現される。すなわち、空調制御装置１１は、図２に示すステップＳＴ１からステップＳＴ３までの処理を実行するための処理回路を備えている。処理回路は、専用のハードウェアであってもよいが、メモリに記憶されたプログラムを実行するＣＰＵであってもよい。
　処理回路が、図４Ａに示す専用のハードウェアの処理回路１０３である場合、処理回路１０３は、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ　Ｓｐｅｃｉｆｉｃ　Ｉｎｔｅｇｒａｔｅｄ　Ｃｉｒｃｕｉｔ）、ＦＰＧＡ（Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ　Ｇａｔｅ　Ａｒｒａｙ）、または、これらを組み合わせたものが該当する。空調制御装置１１における情報取得部１１１、計算機リソース予測部１１２および空調強度決定部１１３の機能は、別々の処理回路で実現されてもよく、これらの機能がまとめて１つの処理回路で実現されてもよい。
　処理回路が図４Ｂに示すプロセッサ１０４である場合、空調制御装置１１における情報取得部１１１、計算機リソース予測部１１２および空調強度決定部１１３の機能は、ソフトウェア、ファームウェアまたはソフトウェアとファームウェアとの組み合わせにより実現される。なお、ソフトウェアまたはファームウェアは、プログラムとして記述されてメモリ１０５に記憶される。
　プロセッサ１０４は、メモリ１０５に記憶されたプログラムを読み出して実行することによって、空調制御装置１１における、情報取得部１１１、計算機リソース予測部１１２および空調強度決定部１１３の機能を実現する。例えば、空調制御装置１１は、プロセッサ１０４によって実行されるときに、図２に示すステップＳＴ１からステップＳＴ３までの処理が結果的に実行されるプログラムを記憶するメモリ１０５を備えている。これらのプログラムは、情報取得部１１１、計算機リソース予測部１１２および空調強度決定部１１３の手順または方法をコンピュータに実行させる。メモリ１０５は、コンピュータを、情報取得部１１１、計算機リソース予測部１１２および空調強度決定部１１３として機能させるためのプログラムが記憶されたコンピュータ可読記憶媒体であってもよい。
　メモリ１０５は、例えば、ＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）、フラッシュメモリ、ＥＰＲＯＭ（Ｅｒａｓａｂｌｅ　Ｐｒｏｇｒａｍｍａｂｌｅ　Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）、ＥＥＰＲＯＭ（Ｅｌｅｃｔｒｉｃａｌｌｙ－ＥＰＲＯＭ）などの不揮発性または揮発性の半導体メモリ、磁気ディスク、フレキシブルディスク、光ディスク、コンパクトディスク、ミニディスク、ＤＶＤなどが該当する。
　空調制御装置１１における情報取得部１１１、計算機リソース予測部１１２および空調強度決定部１１３の機能の一部が、専用のハードウェアで実現され、一部がソフトウェアまたはファームウェアで実現されてもよい。例えば、情報取得部１１１は、専用のハードウェアである処理回路１０３により機能を実現し、計算機リソース予測部１１２および空調強度決定部１１３は、プロセッサ１０４がメモリ１０５に記憶されたプログラムを読み出して実行することによって機能を実現する。このように、処理回路は、ハードウェア、ソフトウェア、ファームウェアまたはこれらの組み合わせによって、上記機能を実現することができる。
　実施の形態１に係る空調制御装置１１の変形例は、以下の通りである。
　図５は、空調制御装置１１の変形例である空調制御装置１２の構成を示すブロック図である。空調制御装置１２は、図５に示すように、情報取得部１２１、計算機リソース予測部１２２および空調強度決定部１２３を備えている。
　情報取得部１２１は、イベント情報と天候情報を取得する。天候情報は、空調エリアであるデータセンタの周辺の気温を含む天候情報である。例えば、情報取得部１２１は、通信ネットワーク３０上の外部装置から、イベント情報および天候情報を取得する。計算機リソース予測部１２２は、イベント情報に基づいて、計算機リソース予測部１１２と同様にして、イベントにおける計算機リソースの使用状況を予測する。
　空調強度決定部１２３は、計算機リソースの予測使用状況、空調エリアにおける温度の検出データおよび情報取得部１２１によって取得された天候情報に基づいて、空調強度を決定する。例えば、空調強度決定部１２３は、計算機リソースの予測使用状況および天候情報に基づいて、データセンタの温度の変化傾向を予測し、運転計画における目標温度の時間変化のうち、予測した温度の変化傾向とは異なる変化傾向である時間帯を判別し、判別した時間帯における温度の変化傾向が運転計画における目標温度の時間変化に沿うように、空調エリアの温度の検出データに基づいて空調強度（例えば、設定温度、風量）を順次決定する。
　データセンタの温度の変化傾向の予測に際して天候情報が考慮される度合いは、データセンタの断熱性能に応じて決定される。例えば、データセンタの断熱性能を定量的に表すパラメータの値が閾値以下である場合、データセンタの屋内空間は、天候の影響を受けて気温が変化する。この場合、空調強度決定部１２３は、サーバから発生した熱による気温の変化に加え、天候による気温の変化を考慮して、データセンタの温度の変化傾向を予測する。また、上記パラメータの値が上記閾値を超えていた場合、データセンタの屋内空間は、外部と熱的に隔離されている。この場合、空調強度決定部１２３は、空調強度決定部１１３と同様に、サーバから発生した熱による気温の変化のみを考慮して、データセンタの温度の変化傾向を予測する。また、空調強度決定部１２３は、イベント情報、データセンタにおける温度の検出データおよび天候情報を入力して空調強度を推論する学習済みモデルを用いて、空調強度を算出してもよい。
　以上のように、実施の形態１に係る空調制御装置１１は、イベント情報を取得する情報取得部１１１と、イベント情報に基づいて、計算機リソースの使用状況を予測する計算機リソース予測部１１２と、計算機リソースの予測使用状況およびデータセンタにおける温度の検出データに基づいて、空調強度を決定する空調強度決定部１１３を備える。サーバから発生した熱によってデータセンタの温度が変化する前に、計算機リソースの予測使用状況に基づいて温度変化を抑制する空調強度を決定できるので、空調制御装置１１は、消費電力を抑えた効率的な空調制御を行うことができる。
　実施の形態１に係る空調制御装置１２において、情報取得部１２１が、イベント情報とデータセンタの周辺の天候情報とを取得し、空調強度決定部１２３が、計算機リソースの予測使用状況とデータセンタにおける温度の検出データに加えて、データセンタの周辺の天候情報に基づいて、空調強度を決定する。空調制御装置１１と同様に、サーバから発生した熱によってデータセンタの温度が変化する前に、計算機リソースの予測使用状況と、データセンタの周辺の天候情報とに基づいて温度変化を抑制する空調強度を決定できるので、空調制御装置１２は、消費電力を抑えた効率的な空調制御を行うことができる。
実施の形態２．
　図６は、実施の形態２に係る消費電力予測装置３１の構成例を示すブロック図である。図６において、消費電力予測装置３１は、図１に示した空調装置２０による空調エリアの空調動作の消費電力を予測し、空調制御装置に対して予測消費電力を設定する。なお、実施の形態１と同様に、空調装置２０が空調する空調エリアは、１または複数の計算機が配置された空調対象空間である。以下の説明では、空調エリアが、通信ネットワーク３０上のクラウドサービスを提供するデータセンタであるものとする。
　消費電力予測装置３１により予測消費電力が設定される空調制御装置は、予測消費電力に従って空調装置２０の空調動作を制御する装置であり、例えば、実施の形態１で示した空調制御装置１１または空調制御装置１２である。ただし、空調強度決定部１１３は、計算機リソースの予測使用状況、データセンタにおける温度の検出データおよびイベントにおける空調装置２０の予測消費電力に基づいて、空調強度を決定する。空調強度決定部１２３は、計算機リソースの予測使用状況、データセンタにおける温度の検出データ、データセンタの周辺の天候情報およびイベントにおける空調装置２０の予測消費電力に基づいて、空調強度を決定する。
　消費電力予測装置３１は、図６に示すように、情報取得部３１１、計算機リソース予測部３１２、空調強度予測部３１３および消費電力予測部３１４を備えている。情報取得部３１１は、通信ネットワーク３０上の外部装置から、イベント情報を取得する。イベント情報は、サーバにおける物理的または仮想的な計算機リソースを使用するイベントに関する情報である。イベント情報の一例として、実施の形態１で示した事前申請情報がある。情報取得部３１１は、ネットワークインタフェースを介して、通信ネットワーク３０上の外部装置からイベント情報を取得する。例えば、外部装置は、サービス利用業者が管理する計算機からの事前申請情報を記憶する外部記憶装置である。
　計算機リソース予測部３１２は、イベント情報に基づいて、イベントにおける計算機リソースの使用状況を予測する。例えば、計算機リソース予測部３１２は、データセンタにおける全ての計算機リソースのうち、事前申請情報に対応するサービスのイベントで使用される計算機リソースを選別する。次に、計算機リソース予測部３１２は、事前申請情報の内容に基づいて、事前申請情報に対応するサービスのイベントが実行されたときの計算機リソースの使用状況を予測する。計算機リソース予測部３１２によって生成された計算機リソースの予測使用状況は、リソース情報として空調強度予測部３１３および消費電力予測部３１４へ出力される。
　空調強度予測部３１３は、計算機リソースの予測使用状況に基づいて、空調装置２０に設定される空調強度を予測する。例えば、空調強度予測部３１３は、空調強度決定部１１３と同様に、計算機リソースの予測使用状況に基づいて、データセンタの温度の変化傾向を予測する。続いて、空調強度予測部３１３は、運転計画における目標温度の時間変化のうち、予測した温度の変化傾向とは異なる変化傾向である時間帯における温度の変化傾向が、運転計画における目標温度の時間変化に沿うように、空調強度を順次予測する。
　また、複数の空調装置２０が配置されかつ複数のサーバが配置されたデータセンタにおいて、空調強度予測部３１３は、空調装置２０ごとに異なる空調強度を予測してもよい。例えば、空調強度予測部３１３は、データセンタにおける各サーバの物理的な位置と各空調装置２０の吹き出し口の位置との関係に応じて、空調装置２０ごとに設定される空調強度を予測する。なお、空調強度予測部３１３は、イベントにおける計算機リソースの使用状況を入力して空調強度を推論する機械学習モデルを用いて、予測空調強度を算出してもよい。
　消費電力予測部３１４は、計算機リソースの予測使用状況および予測空調強度に基づいて、予測消費電力を算出する。例えば、消費電力予測部３１４は、計算機リソースの予測使用状況に基づいて、データセンタに配置されたサーバがイベントで消費する電力を予測する。続いて、消費電力予測部３１４は、サーバが消費する電力の予測値と、空調強度予測部３１３によって運転計画に基づいて算出された空調装置２０が消費する電力の予測値とを合算することによりデータセンタ全体の消費電力の予測値を算出し、予測消費電力を空調制御装置１１または空調制御装置１２に出力する。なお、データセンタ全体の消費電力の予測に際して、空調と計算機以外の消費電力（例えば、照明）を考慮してもよい。
　例えば、空調制御装置１１または空調制御装置１２は、計算機リソースの予測使用状況およびデータセンタにおける温度の検出データに基づいて、サーバから発生した熱によってデータセンタの温度が変化する前に、その温度変化を抑制する空調強度を決定できる。さらに、空調制御装置１１または空調制御装置１２は、消費電力予測部３１４によって算出された予測消費電力を用いることにより、消費電力に応じた計算機リソースの利用料金を考慮した空調制御が可能である。
　図７は、予測消費電力および計算機リソース利用料金の経時変化を示すグラフであり、計算機リソース利用料金の時間変化を符号Ｄで示し、予測消費電力の時間変化を符号Ｅで示している。例えば、データセンタのサーバを利用するクラウドサービスの料金体系が、符号Ｅで示すように、予測消費電力が閾値を超えると、計算機リソースの利用料金が大幅に引き上がる料金体系であるものとする。また、閾値は、例えば、電力会社側で統計的に算出された消費電力のピーク値である。
　データセンタにおける計算機リソースの使用が増加すると、データセンタ全体の消費電力が増加するとともに、サーバから発生した熱によってデータセンタの気温も上昇する。空調強度予測部３１３は、計算機リソースの予測使用状況に基づいて、計算機リソースの使用が増加してデータセンタ全体の消費電力が閾値を超えると予測される場合に、データセンタ全体の消費電力が閾値を超える前に、データセンタ全体の消費電力の増加を抑制する空調強度を予測する。
　消費電力予測部３１４は、計算機リソースの予測使用状況および予測空調強度に基づいて予測消費電力を算出し、予測消費電力を空調制御装置１１または空調制御装置１２に設定する。空調制御装置１１または空調制御装置１２は、予測消費電力で空調装置２０を空調動作させた場合における空調強度を決定する。これにより、空調制御装置１１または空調制御装置１２は、消費電力のピークを抑えた効率的な空調制御が可能であり、かつ計算機リソースの利用料金の増加を抑制できる。
　また、情報取得部３１１は、イベント情報に加えて、天候情報を取得してもよい。天候情報は、空調エリアであるデータセンタの周辺の気温を含む天候情報である。例えば、情報取得部３１１は、通信ネットワーク３０上の外部装置から、イベント情報および天候情報を取得する。空調強度予測部３１３は、計算機リソースの予測使用状況と空調エリアにおける温度の検出データに加え、情報取得部３１１によって取得された天候情報に基づいて、空調強度を予測する。
　例えば、空調強度予測部３１３は、計算機リソースの予測使用状況およびデータセンタの周辺の天候情報に基づいてデータセンタの温度の変化傾向を予測し、運転計画における目標温度の時間変化のうち、予測した温度の変化傾向とは異なる変化傾向である時間帯を判別し、判別した時間帯における温度の変化傾向が運転計画における目標温度の時間変化に沿うように空調強度（例えば、設定温度）を順次予測する。
　計算機リソースの予測使用状況とデータセンタの周辺の天候情報とに基づいて、データセンタの温度変化が抑制される空調強度が決定されるので、消費電力を抑えた効率的な空調制御が可能である。なお、空調強度予測部３１３は、計算機リソースの使用状況およびデータセンタの周辺の天候情報を入力して空調強度を推論する機械学習モデルを用いて、予測空調強度を算出してもよい。
　消費電力予測装置３１における情報取得部３１１、計算機リソース予測部３１２、空調強度予測部３１３および消費電力予測部３１４の機能は、空調制御装置１１または空調制御装置１２と同様に処理回路によって実現される。すなわち、消費電力予測装置３１は、空調装置２０の消費電力を予測する一連の処理を実行するための処理回路を備える。処理回路は、図４Ａに示したハードウェアの処理回路１０３であってもよいし、図４Ｂに示したメモリ１０５に記憶されたプログラムを実行するプロセッサ１０４であってもよい。
　以上のように、実施の形態２に係る消費電力予測装置３１は、イベント情報を取得する情報取得部３１１と、イベント情報に基づいて、イベントにおける計算機リソースの使用状況を予測する計算機リソース予測部３１２と、計算機リソースの予測使用状況に基づいて空調装置２０の空調強度を予測する空調強度予測部３１３と、計算機リソースの予測使用状況および空調強度の予測値に基づいて予測消費電力を算出する消費電力予測部３１４を備える。サーバから発生した熱によってデータセンタの温度が変化する前に、空調制御装置１１または空調制御装置１２が、消費電力予測装置３１によって設定された予測消費電力に基づいて温度変化を抑制する空調強度を決定できるので、消費電力を抑えた効率的な空調制御を行うことができる。
　実施の形態２に係る消費電力予測装置３１において、情報取得部３１１が、イベント情報およびデータセンタの周辺の天候情報を取得し、空調強度予測部３１３が、計算機リソースの予測使用状況とデータセンタにおける温度の検出データに加えて、データセンタの周辺の天候情報に基づいて、空調強度を予測する。サーバから発生した熱によってデータセンタの温度が変化する前に、計算機リソースの予測使用状況と、データセンタの周辺の天候情報とに基づいて温度変化を抑制する空調強度を予測できるので、消費電力を抑えた効率的な空調制御が可能である。
実施の形態３．
　図８は、実施の形態３に係る学習装置４１の構成例を示すブロック図である。学習装置４１は、図１に示した空調装置２０に設定する空調強度を学習することで、実施の形態１で示した空調制御装置１１または空調制御装置１２によって用いられる学習済みモデルを生成する。実施の形態１と同様に、空調装置２０が空調する空調エリアは、１または複数の計算機が配置された空調対象空間である。以下の説明では、空調エリアが、通信ネットワーク３０上のクラウドサービスを提供するデータセンタであるものとする。なお、学習装置４１は、空調強度決定部１１３または空調強度決定部１２３に内蔵されていてもよいし、データセンタのサーバに設けられてもよい。
　学習装置４１は、図８に示すように、データ取得部４１１およびモデル生成部４１２を備えている。データ取得部４１１は、イベント情報に基づく計算機リソースの使用状況、データセンタにおける温度の検出データおよび空調強度を含んだ学習用データを生成し、学習用データをモデル生成部４１２に出力する。学習用データは、計算機リソースの使用状況、温度の検出データおよび空調強度が互いに関連付けられたデータである。
　モデル生成部４１２は、学習用データを用いて、学習済みモデルを生成する。学習済みモデルは、計算機リソースの予測使用状況とデータセンタにおける温度の検出データとを入力することで、最適な空調強度を推論する。モデル生成部４１２によって生成された学習済みモデルは、学習済みモデル記憶部５０に記憶される。例えば、学習済みモデル記憶部５０は、空調制御装置１１または空調制御装置１２が備える記憶部であってもよいし、空調制御装置１１または空調制御装置１２とは別に設けられた外部記憶装置に設けられてもよい。
　モデル生成部４１２による学習済みモデルの生成には、教師あり学習、教師なし学習または強化学習といった様々な学習アルゴリズムを用いることができる。例えば、モデル生成部４１２は、ニューラルネットワークモデルに従った、いわゆる教師あり学習により、空調装置２０に設定する空調強度を学習する。教師あり学習は、入力と結果（ラベル）のデータの組み合わせを学習用データとする学習手法である。学習装置４１は、与えられた学習用データにある特徴を学習することにより、入力データから結果を推論する学習済みモデルを生成する方法である。
　図９は、ニューラルネットワークによる学習の例を示す説明図である。図９において、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（Ｘ１、Ｘ２、Ｘ３）、複数のニューロンからなる中間層（隠れ層）（Ｙ１、Ｙ２）、および複数のニューロンからなる出力層（Ｚ１、Ｚ２、Ｚ３）を備えて構成される。図９に示した中間層は１層であるが、２層以上であってもよい。
　図９に示すニューラルネットワークにおいて、入力層におけるニューロンＸ１、Ｘ２、Ｘ３のそれぞれに入力データが入力されると、入力データの値に対して重みｗ１１、ｗ１２、ｗ１３、ｗ１４、ｗ１５、ｗ１６が乗算され、乗算結果のデータが中間層のニューロンＹ１とＹ２に入力される。ニューロンＹ１とＹ２においても、入力データの値に対して重みｗ２１、ｗ２２、ｗ２３、ｗ２４、ｗ２５、ｗ２６が乗算され、乗算結果のデータが出力層のニューロンＺ１、Ｚ２、Ｚ３から出力される。出力層からの出力結果は、重みの値によって変化する。
　学習装置４１において、ニューラルネットワークは、データ取得部４１１によって取得された計算機リソースの使用状況、温度の検出データおよび空調強度の組み合わせを含む学習用データを用いた、いわゆる教師あり学習により、空調強度を学習する。すなわち、ニューラルネットワークは、入力層にイベント情報および温度の検出データが入力され、出力層から出力される値が実際の空調強度（正解）に近付くように重みを調整して学習する。
　学習装置４１による学習処理は、以下の通りである。
　図１０は、学習装置４１による学習処理を示すフローチャートである。
　データ取得部４１１は、計算機リソースの使用状況、データセンタにおける温度の検出データおよび空調強度を含む学習用データを取得する（ステップＳＴ１ａ）。例えば、データ取得部４１１は、イベント情報が示すイベントが実行されている間、計算機リソースの使用状況を取得し、データセンタの温度センサから温度の検出データを取得し、空調制御装置１１によって空調装置２０に設定された空調強度を取得する。
　モデル生成部４１２は、データ取得部４１１によって取得された計算機リソースの使用状況、温度の検出データおよび空調強度を含む学習用データを用いて教師あり学習を行うことにより、空調装置２０に設定される空調強度を推論する学習済みモデルを生成する（ステップＳＴ２ａ）。モデル生成部４１２によって生成された学習済みモデルは、学習済みモデル記憶部５０に記憶される（ステップＳＴ３ａ）。
　学習装置４１におけるデータ取得部４１１およびモデル生成部４１２の機能は、空調制御装置１１または空調制御装置１２と同様に、処理回路によって実現される。すなわち、学習装置４１は、図１０に示したステップＳＴ１ａからステップＳＴ３ａの処理を実行するための処理回路を備える。処理回路は、図４Ａに示したハードウェアの処理回路１０３であってもよいし、図４Ｂに示したメモリ１０５に記憶されたプログラムを実行するプロセッサ１０４であってもよい。
　また、データ取得部４１１は、学習用データとして、計算機リソースの使用状況、データセンタにおける温度の検出データおよび空調強度に加え、データセンタの周辺の天候情報を取得し、モデル生成部４１２が、計算機リソースの使用状況、データセンタにおける温度の検出データおよび天候情報を入力して空調強度を推論する学習済みモデルを生成してもよい。この学習済みモデルを用いることで、空調制御装置１１または空調制御装置１２は、計算機リソースの予測使用状況、データセンタにおける温度の検出データおよびデータセンタの周辺の天候情報に基づいて、データセンタの温度変化を抑制する空調強度を決定できる。
　実施の形態４に係る推論装置の構成は、以下の通りである。
　図１１は、実施の形態３に係る推論装置４２の構成例を示すブロック図である。図１１に示すように、推論装置４２は、例えば図１に示した空調強度予測部３１３である。推論装置４２は、データ取得部４２１および推論部４２２を備える。データ取得部４２１は、イベント情報およびデータセンタにおける温度の検出データを取得する。
　推論部４２２において、学習済みモデル記憶部５０から学習済みモデルが読み出され、計算機リソースの予測使用状況およびデータセンタにおける温度の検出データを入力した学習済みモデルによって空調強度が推論される。学習済みモデルによって推論された空調強度は、空調装置２０に設定される。空調装置２０は、推論部４２２によって設定された空調強度でデータセンタを空調する。
　図１２は、推論装置４２による推論処理を示すフローチャートである。
　データ取得部４２１は、計算機リソースの予測使用状況とデータセンタにおける温度の検出データとを取得する（ステップＳＴ１ｂ）。例えば、データ取得部４１１は、計算機リソース予測部１１２によって算出された、イベントにおける計算機リソースの予測使用状況を取得し、このイベントの実行中に、データセンタにおける温度センサによって検出された温度の検出データを取得する。
　推論部４２２は、学習済みモデル記憶部５０から学習済みモデルを読み出し、読み出した学習済みモデルに対して、データ取得部４２１によって取得された計算機リソースの予測使用状況とデータセンタにおける気温の検出データを入力する（ステップＳＴ２ｂ）。計算機リソースの予測使用状況およびデータセンタにおける気温の検出データを入力した学習済みモデルは、空調強度を算出し、算出した空調強度データを出力する（ステップＳＴ３ｂ）。
　学習済みモデルによって算出された空調強度データは空調装置２０に設定される（ステップＳＴ４ｂ）。空調装置２０は、学習済みモデルによって設定された空調強度でデータセンタを空調する。学習済みモデルによって設定される空調強度は、サーバから発生した熱によってデータセンタの温度が変化する前に、その温度変化が抑制されるように決定されるので、空調装置２０は、消費電力のピークを抑えた効率的な空調動作が可能である。
　学習済みモデル記憶部５０に記憶された学習済みモデルが、計算機リソースの予測使用状況、データセンタにおける気温の検出データおよびデータセンタの周辺の天候情報を入力して空調強度を推論するモデルである場合、データ取得部４２１は、計算機リソースの予測使用状況、データセンタにおける温度の検出データおよびデータセンタの周辺の天候情報を取得する。
　推論部４２２は、データ取得部４１１によって取得された計算機リソースの予測使用状況、データセンタにおける温度の検出データおよび天候情報を入力して空調強度を推論する学習済みモデルを用いて空調強度を算出する。空調装置２０は、推論部４２２によって算出された空調強度で空調動作するので、消費電力のピークを抑えた効率的な空調動作が可能である。
　推論装置４２におけるデータ取得部４２１および推論部４２２の機能は、空調制御装置１１または空調制御装置１２と同様に、処理回路によって実現される。すなわち、推論装置４２は、図１２に示したステップＳＴ１ｂからステップＳＴ４ａの処理を実行するための処理回路を備える。処理回路は、図４Ａに示したハードウェアの処理回路１０３であってもよいし、図４Ｂに示したメモリ１０５に記憶されたプログラムを実行するプロセッサ１０４であってもよい。
　これまでの説明では、モデル生成部４１２が教師あり学習を行う場合を示したが、これに限定されるものではない。モデル生成部４１２における学習アルゴリズムは、教師あり学習の他に、強化学習、教師なし学習または半教師あり学習などを用いることができる。
　モデル生成部４１２は、複数の空調装置２０のそれぞれに対応する学習用データを用いて、空調装置２０ごとに空調強度を学習してもよい。また、モデル生成部４１２は、一つのデータセンタから学習用データを取得してもよいし、互いに異なる複数のデータセンタにおいて独立して動作する複数の空調装置２０から取得した学習用データを利用して空調強度を学習してもよい。
　また、データ取得部４１１は、モデル生成部４１２による学習に用いる学習用データを追加してもよいし、取得した複数の学習用データから、任意の学習用データを除外してもよい。さらに、モデル生成部４１２は、例えば、第１の空調装置の空調強度を学習した学習済みモデルを用いて、第１の空調装置とは別のデータセンタに配置された第２の空調装置の空調強度を学習することで、第２の空調装置の空調強度を推論するものとしてモデルを更新してもよい。
　これまでの説明では、空調エリアがデータセンタである場合を示したが、計算機が配置された空調エリアであれば、実施の形態１から実施の形態３までに示した装置は適用可能である。例えば、空調制御装置１１または空調制御装置１２は、計算機によって自動制御される列車の冷暖房システムに利用可能である。
　以上のように、実施の形態３に係る学習装置４１は、計算機リソースの使用状況、データセンタにおける温度の検出データおよび空調強度を含む学習用データを取得するデータ取得部４１１と、学習用データを用いて計算機リソースの予測使用状況およびデータセンタにおける温度の検出データを入力して空調強度を推論する学習済みモデルを生成するモデル生成部４１２を備える。学習装置４１は、この学習済みモデルを用いることで、計算機リソースの予測使用状況およびデータセンタにおける温度の検出データに基づいて、データセンタの温度変化を抑制する空調強度を決定できる。これにより、空調制御装置１１または空調制御装置１２は、消費電力を抑えた効率的な空調制御を行うことができる。
　実施の形態３に係る推論装置４２は、計算機リソースの予測使用状況およびデータセンタにおける温度の検出データを取得するデータ取得部４２１と、計算機リソースの予測使用状況およびデータセンタにおける温度の検出データを入力して空調強度を推論する学習済みモデルを用いて、空調強度を算出する推論部４２２を備える。推論装置４２は、計算機リソースの予測使用状況およびデータセンタにおける温度の検出データに基づいて、データセンタの温度変化を抑制する空調強度を決定できる。これにより、空調制御装置１１または空調制御装置１２は、消費電力を抑えた効率的な空調制御を行うことができる。
　なお、各実施の形態の組み合わせまたは実施の形態のそれぞれの任意の構成要素の変形もしくは実施の形態のそれぞれにおいて任意の構成要素の省略が可能である。
　本開示に係る空調制御装置は、例えば、複数の計算機が配置されたデータセンタの空調制御に利用可能である。
　１１，１２　空調制御装置、２０　空調装置、３０　通信ネットワーク、３１　消費電力予測装置、４１　学習装置、４２　推論装置、５０　学習済みモデル記憶部、１００　入力インタフェース、１０１　出力インタフェース、１０２　ネットワークインタフェース、１０３　処理回路、１０４　プロセッサ、１０５　メモリ、１１１　情報取得部、１１２，３１２　計算機リソース予測部、１１３　空調強度決定部、１２１　情報取得部、１２２　計算機リソース予測部、１２３　空調強度決定部、３１１　情報取得部、３１３　空調強度予測部、３１４　消費電力予測部、４１１，４２１　データ取得部、４１２　モデル生成部、４２２　推論部。

Claims (10)

  1. 　１または複数の空調装置による、計算機が配置された空調エリアの空調動作を制御する空調制御装置であって、
    　前記計算機における物理的または仮想的な計算機リソースを使用するイベントに関するイベント情報を取得する情報取得部と、
    　前記イベント情報に基づいて、前記イベントにおける前記計算機リソースの使用状況を予測する計算機リソース予測部と、
    　前記計算機リソースの予測使用状況および前記空調エリアにおける温度の検出データに基づいて、前記空調装置に設定する空調強度を決定する空調強度決定部と、
    　を備えたことを特徴とする空調制御装置。
  2. 　前記情報取得部は、前記イベント情報と、前記空調エリアの周辺の天候情報を取得し、
    　前記空調強度決定部は、前記計算機リソースの予測使用状況と前記空調エリアにおける温度の検出データに加え、前記空調エリアの周辺の天候情報に基づいて、前記空調強度を決定すること
    　を特徴とする請求項１記載の空調制御装置。
  3. 　１または複数の空調装置による、計算機が配置された空調エリアの空調動作の消費電力を予測し、予測消費電力に従って前記空調装置による空調動作を制御する空調制御装置に対し、前記予測消費電力を設定する消費電力予測装置であって、
    　前記計算機における物理的または仮想的な計算機リソースを使用するイベントに関するイベント情報を取得する情報取得部と、
    　前記イベント情報に基づいて、前記イベントにおける前記計算機リソースの使用状況を予測する計算機リソース予測部と、
    　前記計算機リソースの予測使用状況に基づいて、前記空調装置に設定される空調強度を予測する空調強度予測部と、
    　前記計算機リソースの予測使用状況および予測空調強度に基づいて、前記予測消費電力を算出する消費電力予測部と、
    　を備えたことを特徴とする消費電力予測装置。
  4. 　前記情報取得部は、前記イベント情報と、前記空調エリアの周辺の天候情報を取得し、
    　前記空調強度予測部は、前記計算機リソースの予測使用状況に加え、前記空調エリアの周辺の天候情報に基づいて、前記空調強度を予測すること
    　を特徴とする請求項３記載の消費電力予測装置。
  5. 　請求項１記載の空調制御装置が用いる学習済みモデルを生成する学習装置であって、
    　前記計算機リソースの使用状況、前記空調エリアにおける温度の検出データおよび前記空調強度を含む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、前記計算機リソースの予測使用状況および前記空調エリアにおける温度の検出データを入力して前記空調強度を推論する前記学習済みモデルを生成するモデル生成部と、
    　を備えたことを特徴とする学習装置。
  6. 　前記データ取得部は、前記学習用データとして、前記計算機リソースの使用状況、前記空調エリアにおける温度の検出データおよび前記空調強度に加え、前記空調エリアの周辺の天候情報を取得し、
    　前記モデル生成部は、前記計算機リソースの予測使用状況、前記空調エリアにおける温度の検出データおよび前記天候情報を入力して前記空調強度を推論する学習済みモデルを生成すること
    　を特徴とする請求項５記載の学習装置。
  7. 　前記空調強度決定部は、推論装置であり、
    　前記推論装置は、
    　前記計算機リソースの予測使用状況および前記空調エリアにおける温度の検出データを取得するデータ取得部と、
    　前記計算機リソースの予測使用状況および前記空調エリアにおける温度の検出データを入力して前記空調強度を推論する学習済みモデルを用いて、前記空調強度を算出する推論部と、
    　を備えたことを特徴とする請求項１記載の空調制御装置。
  8. 　前記空調強度決定部は、推論装置であり、
    　前記推論装置は、
    　前記計算機リソースの予測使用状況、前記空調エリアにおける温度の検出データおよび前記空調エリアの周辺の天候情報を取得するデータ取得部と、
    　前記計算機リソースの予測使用状況、前記空調エリアにおける温度の検出データおよび前記天候情報を入力して前記空調強度を推論する学習済みモデルを用いて、前記空調強度を算出する推論部と、
    　を備えたことを特徴とする請求項１記載の空調制御装置。
  9. 　１または複数の空調装置による、計算機が配置された空調エリアの空調動作を制御する空調制御方法であって、
    　情報取得部が、前記計算機における物理的または仮想的な計算機リソースを使用するイベントに関するイベント情報を取得するステップと、
    　計算機リソース予測部が、前記イベント情報に基づいて、前記イベントにおける前記計算機リソースの使用状況を予測するステップと、
    　空調強度決定部が、前記計算機リソースの予測使用状況および前記空調エリアにおける温度の検出データに基づいて、前記空調装置に設定する空調強度を決定するステップと、
    　を備えたことを特徴とする空調制御方法。
  10. 　前記情報取得部が、前記イベント情報に加え、前記空調エリアの周辺の天候情報を取得し、
    　前記空調強度決定部が、前記計算機リソースの予測使用状況および前記空調エリアにおける温度の検出データに加え、前記天候情報に基づいて、前記空調強度を決定すること
    　を特徴とする請求項９記載の空調制御方法。
PCT/JP2020/013923 2020-03-27 2020-03-27 空調制御装置、消費電力予測装置、学習装置および空調制御方法 WO2021192201A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2020544047A JP6910563B1 (ja) 2020-03-27 2020-03-27 空調制御装置、消費電力予測装置、学習装置および空調制御方法
PCT/JP2020/013923 WO2021192201A1 (ja) 2020-03-27 2020-03-27 空調制御装置、消費電力予測装置、学習装置および空調制御方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2020/013923 WO2021192201A1 (ja) 2020-03-27 2020-03-27 空調制御装置、消費電力予測装置、学習装置および空調制御方法

Publications (1)

Publication Number Publication Date
WO2021192201A1 true WO2021192201A1 (ja) 2021-09-30

Family

ID=76967628

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/013923 WO2021192201A1 (ja) 2020-03-27 2020-03-27 空調制御装置、消費電力予測装置、学習装置および空調制御方法

Country Status (2)

Country Link
JP (1) JP6910563B1 (ja)
WO (1) WO2021192201A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023105557A1 (ja) * 2021-12-06 2023-06-15 日本電信電話株式会社 電力量低減制御装置、電力量低減制御方法、電力量低減制御システム、および、プログラム

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000293204A (ja) * 1999-02-05 2000-10-20 Denso Corp 制御量算出装置、空調制御装置及び記録媒体
JP2003141499A (ja) * 2001-11-05 2003-05-16 Denso Corp ニューラルネットワーク学習方法
JP2005226845A (ja) * 2004-02-10 2005-08-25 Fuji Electric Systems Co Ltd 空調負荷予測方法、空調負荷予測装置、空調負荷予測プログラムおよび記録媒体
JP2009104307A (ja) * 2007-10-22 2009-05-14 Sanyo Electric Co Ltd 電子機器冷却システム
JP2011013747A (ja) * 2009-06-30 2011-01-20 Fujitsu Ltd 空調制御装置、空調制御方法及び空調制御プログラム
JP2017151617A (ja) * 2016-02-23 2017-08-31 日本電信電話株式会社 シミュレーション装置、シミュレーション方法及びプログラム
JP2019020898A (ja) * 2017-07-13 2019-02-07 日立ジョンソンコントロールズ空調株式会社 空気調和システムおよびサーバルーム

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6498958B1 (en) * 1999-02-05 2002-12-24 Denso Corporation Apparatus and method for calculating an air-conditioning system controlled variable

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000293204A (ja) * 1999-02-05 2000-10-20 Denso Corp 制御量算出装置、空調制御装置及び記録媒体
JP2003141499A (ja) * 2001-11-05 2003-05-16 Denso Corp ニューラルネットワーク学習方法
JP2005226845A (ja) * 2004-02-10 2005-08-25 Fuji Electric Systems Co Ltd 空調負荷予測方法、空調負荷予測装置、空調負荷予測プログラムおよび記録媒体
JP2009104307A (ja) * 2007-10-22 2009-05-14 Sanyo Electric Co Ltd 電子機器冷却システム
JP2011013747A (ja) * 2009-06-30 2011-01-20 Fujitsu Ltd 空調制御装置、空調制御方法及び空調制御プログラム
JP2017151617A (ja) * 2016-02-23 2017-08-31 日本電信電話株式会社 シミュレーション装置、シミュレーション方法及びプログラム
JP2019020898A (ja) * 2017-07-13 2019-02-07 日立ジョンソンコントロールズ空調株式会社 空気調和システムおよびサーバルーム

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023105557A1 (ja) * 2021-12-06 2023-06-15 日本電信電話株式会社 電力量低減制御装置、電力量低減制御方法、電力量低減制御システム、および、プログラム

Also Published As

Publication number Publication date
JP6910563B1 (ja) 2021-07-28
JPWO2021192201A1 (ja) 2021-09-30

Similar Documents

Publication Publication Date Title
US9482442B1 (en) Decision dashboard balancing competing objectives
US9785169B2 (en) Demand coordination synthesis system
US11146497B2 (en) Resource prediction for cloud computing
JP2018518408A (ja) 自動環境制御システム
WO2021192201A1 (ja) 空調制御装置、消費電力予測装置、学習装置および空調制御方法
US11579574B2 (en) Control customization system, control customization method, and control customization program
JP6589228B1 (ja) 制御装置、空調制御システム、制御方法及びプログラム
CN109839889A (zh) 设备推荐系统及方法
CN112880118A (zh) 一种空调运行控制方法、装置、存储介质
CN114302407A (zh) 网络决策方法及装置、电子设备和存储介质
Tsolakis et al. Occupancy‐based decision support system for building management: From automation to end‐user persuasion
EP3771957A1 (en) Method and system for controlling of heating, ventilation and air conditioning
US20230123181A1 (en) Indoor-temperature estimation apparatus, non-transitory computer-readable medium, and indoor-temperature estimation method
JP6104471B2 (ja) 空調制御装置、空調制御システム、空調制御方法及びプログラム
JPWO2019058570A1 (ja) サーバ、情報処理方法、ネットワークシステム、および空気清浄機
WO2017138160A1 (ja) 設備管理装置、設備管理システム及びプログラム
JP7340747B2 (ja) 制御方法、制御プログラムおよび空調制御装置
US20210033299A1 (en) Method and system for controlling heating, ventilation and air conditioning
JP2015064816A (ja) エネルギー削減量予測方法および装置
WO2021181566A1 (ja) 空気調和システム、および学習装置
US20210019643A1 (en) Predicting the impact of flexible energy demand on thermal comfort
CN117663380A (zh) 空调控制方法、装置、介质、空调设备

Legal Events

Date Code Title Description
ENP Entry into the national phase

Ref document number: 2020544047

Country of ref document: JP

Kind code of ref document: A

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

Ref document number: 20926533

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20926533

Country of ref document: EP

Kind code of ref document: A1