特開 2023-79910 全館空調システム、及び、その制御方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2023079910

(43)【公開日】2023-06-08

(54)【発明の名称】全館空調システム、及び、その制御方法

(51)【国際特許分類】

   F24F 11/74 20180101AFI20230601BHJP

   F24F 11/64 20180101ALI20230601BHJP

   F24F 11/46 20180101ALI20230601BHJP

   F24F 11/77 20180101ALI20230601BHJP

   F24F 11/70 20180101ALI20230601BHJP

   G06N 20/00 20190101ALI20230601BHJP

   F24F 110/10 20180101ALN20230601BHJP

   F24F 110/20 20180101ALN20230601BHJP

【ＦＩ】

F24F11/74

F24F11/64

F24F11/46

F24F11/77

F24F11/70

G06N20/00

F24F110:10

F24F110:20

【審査請求】未請求

【請求項の数】9

【出願形態】ＯＬ

(21)【出願番号】P 2021193612

(22)【出願日】2021-11-29

(71)【出願人】

【識別番号】314012076

【氏名又は名称】パナソニックＩＰマネジメント株式会社

(74)【代理人】

【識別番号】100109210

【弁理士】

【氏名又は名称】新居 広守

(74)【代理人】

【識別番号】100137235

【弁理士】

【氏名又は名称】寺谷 英作

(74)【代理人】

【識別番号】100131417

【弁理士】

【氏名又は名称】道坂 伸一

(72)【発明者】

【氏名】安藤 義記

(72)【発明者】

【氏名】阪口 敬司

(72)【発明者】

【氏名】古門 健

(72)【発明者】

【氏名】川本 聡真

(72)【発明者】

【氏名】東 和幸

【テーマコード（参考）】

3L260

【Ｆターム（参考）】

3L260AA01

3L260AB07

3L260AB14

3L260AB15

3L260BA03

3L260BA04

3L260BA06

3L260BA13

3L260BA71

3L260CA12

3L260CA13

3L260CA17

3L260EA22

3L260FB67

3L260FC02

(57)【要約】

【課題】複雑な施工手順を要さず、かつ、快適な温度となるように制御することができる全館空調システムなどを提供する。
【解決手段】全館空調システム１０は、空調装置２１と、空調装置２１によって温度調整された空気を施設９０内の複数の部屋９０ａ～９０ｃのそれぞれに搬送するために施設９０内に配置された複数の機器を含む搬送装置２３と、制御装置８０と、を備え、制御装置８０は、複数の部屋９０ａ～９０ｃのそれぞれの部屋温度を取得し、複数の機器の配置情報を用いずに、取得された部屋温度を強化学習モデルの入力として用いて、強化学習モデルから出力された空調装置２１及び搬送装置２３の制御値に従って、複数の部屋９０ａ～９０ｃのそれぞれの部屋温度が複数の部屋９０ａ～９０ｃのそれぞれの目標温度に近づくように、空調装置２１及び搬送装置２３を制御する。
【選択図】図１

【特許請求の範囲】

【請求項1】

空調装置と、
前記空調装置によって温度調整された空気を施設内の複数の部屋のそれぞれに搬送するために前記施設内に配置された複数の機器を含む搬送装置と、
制御装置と、を備え、
前記制御装置は、
前記複数の部屋のそれぞれの部屋温度を取得し、
前記複数の機器の配置情報を用いずに、取得された前記部屋温度を強化学習モデルの入力として用いて、前記強化学習モデルから出力された前記空調装置及び前記搬送装置の制御値に従って、前記複数の部屋のそれぞれの前記部屋温度が前記複数の部屋のそれぞれの目標温度に近づくように、前記空調装置及び前記搬送装置を制御する
全館空調システム。

【請求項2】

前記強化学習モデルは、前記強化学習モデルから出力された前記空調装置及び前記搬送装置の前記制御値に従って、前記制御装置が前記空調装置及び前記搬送装置を制御したときの、前記部屋温度と前記目標温度との差を報酬として用いて強化学習される
請求項１に記載の全館空調システム。

【請求項3】

前記制御装置は、前記空調装置及び前記搬送装置の消費電力が小さくなるように、前記空調装置及び前記搬送装置を制御する
請求項１又は２に記載の全館空調システム。

【請求項4】

前記強化学習モデルは、前記強化学習モデルから出力された前記空調装置及び前記搬送装置の前記制御値に従って、前記制御装置が前記空調装置及び前記搬送装置を制御したときの、前記空調装置及び前記搬送装置の消費電力を報酬として用いて強化学習される
請求項３に記載の全館空調システム。

【請求項5】

さらに、前記複数の部屋のそれぞれに搬送される空気を加湿する加湿装置を備え、
前記制御装置は、
前記複数の部屋のそれぞれの前記部屋温度及び前記複数の部屋のうち少なくとも１つの部屋である第１部屋の部屋湿度を取得し、
取得された前記部屋温度及び取得された前記部屋湿度を前記強化学習モデルの入力として用いて、前記強化学習モデルから出力された前記空調装置、前記搬送装置及び前記加湿装置の制御値に従って、前記第１部屋の前記部屋湿度が前記第１部屋の目標湿度に近づくように、前記空調装置、前記搬送装置及び前記加湿装置を制御する
請求項１～４のいずれか１項に記載の全館空調システム。

【請求項6】

前記強化学習モデルは、前記強化学習モデルから出力された前記空調装置、前記搬送装置及び前記加湿装置の前記制御値に従って、前記制御装置が前記空調装置、前記搬送装置及び前記加湿装置を制御したときの、前記部屋湿度と前記目標湿度との差を報酬として用いて強化学習される
請求項５に記載の全館空調システム。

【請求項7】

さらに、前記複数の部屋のそれぞれの空気を換気する換気装置を備え、
前記制御装置は、
前記複数の部屋のそれぞれの前記部屋温度及び前記複数の部屋のうち少なくとも１つの部屋である第２部屋の二酸化炭素濃度を取得し、
取得された前記部屋温度及び取得された前記二酸化炭素濃度を前記強化学習モデルの入力として用いて、前記強化学習モデルから出力された前記空調装置、前記搬送装置及び前記換気装置の制御値に従って、前記第２部屋の前記二酸化炭素濃度が低くなるように、前記空調装置、前記搬送装置及び前記換気装置を制御する
請求項１～６のいずれか１項に記載の全館空調システム。

【請求項8】

前記強化学習モデルは、前記強化学習モデルから出力された前記空調装置、前記搬送装置及び前記換気装置の前記制御値に従って、前記制御装置が前記空調装置、前記搬送装置及び前記換気装置を制御したときの、前記二酸化炭素濃度を報酬として用いて強化学習される
請求項７に記載の全館空調システム。

【請求項9】

全館空調システムの制御方法であって、
前記全館空調システムは、
空調装置と、
前記空調装置によって温度調整された空気を施設内の複数の部屋のそれぞれに搬送するために前記施設内に配置された複数の機器を含む搬送装置と、
を備え、
前記制御方法は、
前記複数の部屋のそれぞれの部屋温度を取得する取得ステップと、
前記複数の機器の配置情報を用いずに、取得された前記部屋温度を強化学習モデルの入力として用いて、前記強化学習モデルから出力された前記空調装置及び前記搬送装置の制御値に従って、前記複数の部屋のそれぞれの前記部屋温度が前記複数の部屋のそれぞれの目標温度に近づくように、前記空調装置及び前記搬送装置を制御する制御ステップと、を含む
全館空調システムの制御方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、全館空調システム、及び、その制御方法に関する。

【背景技術】

【0002】

空調装置により、複数の部屋を空調する全館空調システムが提案されている。このような全館空調システムとして、特許文献１には、短時間で部屋温度を目標温度に到達させることができる空調システムが開示されている。この全館空調システムにおいては、複数の部屋のそれぞれに空気を搬送するためのダンパなどの複数の機器が配置されている。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２０１９－２０３６７０号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

ところで、上記の全館空調システム（空調システム）では、複数の部屋を空調するために、施工時において、複数の部屋と複数の機器の配置との対応関係を設定するという複雑な施工手順が求められる場合がある。

【0005】

本発明は、複雑な施工手順を要さず、かつ、快適な温度となるように制御することができる全館空調システム、及び、その制御方法を提供する。

【課題を解決するための手段】

【0006】

本発明の一態様に係る全館空調システムは、空調装置と、前記空調装置によって温度調整された空気を施設内の複数の部屋のそれぞれに搬送するために前記施設内に配置された複数の機器を含む搬送装置と、制御装置と、を備え、前記制御装置は、前記複数の部屋のそれぞれの部屋温度を取得し、前記複数の機器の配置情報を用いずに、取得された前記部屋温度を強化学習モデルの入力として用いて、前記強化学習モデルから出力された前記空調装置及び前記搬送装置の制御値に従って、前記複数の部屋のそれぞれの前記部屋温度が前記複数の部屋のそれぞれの目標温度に近づくように、前記空調装置及び前記搬送装置を制御する。

【0007】

本発明の一態様に係る全館空調システムの制御方法は、全館空調システムの制御方法であって、前記全館空調システムは、空調装置と、前記空調装置によって温度調整された空気を施設内の複数の部屋のそれぞれに搬送するために前記施設内に配置された複数の機器を含む搬送装置と、を備え、前記制御方法は、前記複数の部屋のそれぞれの部屋温度を取得する取得ステップと、前記複数の機器の配置情報を用いずに、取得された前記部屋温度を強化学習モデルの入力として用いて、前記強化学習モデルから出力された前記空調装置及び前記搬送装置の制御値に従って、前記複数の部屋のそれぞれの前記部屋温度が前記複数の部屋のそれぞれの目標温度に近づくように、前記空調装置及び前記搬送装置を制御する制御ステップと、を含む。

【発明の効果】

【0008】

本発明の全館空調システム、及び、その制御方法は、複雑な施工手順を要さず、かつ、快適な温度となるように制御することができる。

【図面の簡単な説明】

【0009】

【図1】図１は、実施の形態１に係る全館空調システムの概略構成を示す図である。

【図2】図２は、実施の形態１に係る全館空調システムの機能構成を示すブロック図である。

【図3】図３は、全館空調システムの動作例１のフローチャートである。

【図4】図４は、全館空調システムの動作例２のフローチャートである。

【図5】図５は、実施の形態２に係る全館空調システムの概略構成を示す図である。

【図6】図６は、実施の形態２に係る全館空調システムの機能構成を示すブロック図である。

【図7】図７は、全館空調システムの動作例３のフローチャートである。

【図8】図８は、実施の形態３に係る全館空調システムの概略構成を示す図である。

【図9】図９は、実施の形態３に係る全館空調システムの機能構成を示すブロック図である。

【図10】図１０は、全館空調システムの動作例４のフローチャートである。

【図11】図１１は、実施の形態３の変形例に係る全館空調システムの概略構成を示す図である。

【図12】図１２は、実施の形態３の変形例に係る全館空調システムの機能構成を示すブロック図である。

【発明を実施するための形態】

【0010】

以下、実施の形態について、図面を参照しながら具体的に説明する。なお、以下で説明する実施の形態は、いずれも包括的または具体的な例を示すものである。以下の実施の形態で示される数値、形状、材料、構成要素、構成要素の配置位置及び接続形態、ステップ、ステップの順序などは、一例であり、本発明を限定する主旨ではない。また、以下の実施の形態における構成要素のうち、独立請求項に記載されていない構成要素については、任意の構成要素として説明される。

【0011】

なお、各図は模式図であり、必ずしも厳密に図示されたものではない。また、各図において、実質的に同一の構成に対しては同一の符号を付し、重複する説明は省略または簡略化される場合がある。

【0012】

（実施の形態１）
［構成］
以下、実施の形態に係る全館空調システム１０の構成について説明する。

【0013】

図１は、本実施の形態に係る全館空調システム１０の概略構成を示す図である。図２は、本実施の形態に係る全館空調システム１０の機能構成を示すブロック図である。

【0014】

図１及び図２に示されるように、全館空調システム１０は、１台の空調装置２１を用いて、施設９０内の複数の部屋９０ａ～９０ｃの温度調整を行うことができるシステムである。複数の部屋の数は特に限定されない。全館空調システム１０は、全館空調装置２０と、複数の温度センサ６０ａ～６０ｃと、制御装置８０とを備える。全館空調装置２０、及び、複数の温度センサ６０ａ～６０ｃのそれぞれは、制御装置８０と通信する機能を有する。

【0015】

全館空調装置２０は、施設９０の外から取り入れた空気、または、施設９０の中から取り入れた空気を温度調整して複数の部屋９０ａ～９０ｃのそれぞれに搬送することにより、複数の部屋９０ａ～９０ｃの部屋温度を制御する。全館空調装置２０は、空調装置２１と、搬送装置２３とを備える。

【0016】

空調装置２１は、いわゆるエアーコンディショナであり、制御装置８０の制御に基づいて、施設９０の外から取り入れた空気、または、施設９０の中から取り入れた空気の温度を調整する。

【0017】

搬送装置２３は、制御装置８０の制御に基づいて、空調装置２１によって温度調整された空気を施設９０内の複数の部屋９０ａ～９０ｃのそれぞれに搬送する。図１が示すように、搬送装置２３は、施設９０内に配置された装置である。搬送装置２３は、複数の機器を含む。本実施の形態においては、複数の機器とは、複数の搬送ファン２３ａ及び２３ｂと、複数のＶＡＶ（Ｖａｒｉａｂｌｅ Ａｉｒ Ｖｏｌｕｍｅ）ダンパ２４ａ～２４ｃとである。搬送装置２３は、部屋９０ａに対応して搬送ファン２３ａを、部屋９０ｂ及び９０ｃに対応して搬送ファン２３ｂを、１つの部屋に対応して１つのＶＡＶダンパを備える。

【0018】

つまり、本実施の形態においては、搬送ファン２３ａ及びＶＡＶダンパ２４ａは部屋９０ａに空気を搬送するように配置され、搬送ファン２３ｂ及びＶＡＶダンパ２４ｂは部屋９０ｂに空気を搬送するように配置されている。同様に、搬送ファン２３ｂ及びＶＡＶダンパ２４ｃは部屋９０ｃに空気を搬送するように配置されている。また、図１が示すように、複数のＶＡＶダンパ２４ａ～２４ｃのそれぞれは、複数の部屋９０ａ～９０ｃのそれぞれに接続されるダクトに配置されている。

【0019】

複数の温度センサ６０ａ～６０ｃは、複数の部屋９０ａ～９０ｃのそれぞれに１つずつ配置され、当該温度センサが配置された部屋の中の部屋温度を計測する。複数の温度センサ６０ａ～６０ｃのそれぞれは、通信機能を有し、計測された部屋温度を示す温度データを制御装置８０に送信することができる。

【0020】

制御装置８０は、全館空調装置２０を制御する制御装置である。

【0021】

制御装置８０は、操作受付部８１と、制御部８２と、記憶部８３と、通信部８４とを備える。

【0022】

操作受付部８１は、ユーザの操作を受け付けるユーザインターフェース部である。例えば、操作受付部８１は、複数の部屋９０ａ～９０ｃのそれぞれにおける目標温度（言い換えれば、設定温度）を指示する操作を受け付ける。操作受付部８１は、例えば、タッチパネルによって実現されるが、タッチパネル以外に、ハードウェアボタンを含んでもよい。なお、図示されないが、制御装置８０は、液晶パネルまたは有機ＥＬ（Ｅｌｅｃｔｒｏ Ｌｕｍｉｎｅｓｃｅｎｃｅ）パネルなどの表示パネルによって実現される表示部を備えてもよい。また、操作受付部８１及び表示部は、ＧＵＩ（Ｇｒａｐｈｉｃａｌ Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ）を構成してもよい。

【0023】

制御部８２は、通信部８４に制御信号を送信させることにより、全館空調装置２０を制御する。制御部８２は、例えば、マイクロコンピュータによって実現されるが、プロセッサによって実現されてもよい。

【0024】

記憶部８３は、制御部８２が実行する制御プログラムなどが記憶される記憶装置である。記憶部８３は、例えば、半導体メモリなどによって実現される。

【0025】

通信部８４は、制御装置８０が局所通信ネットワークを介して、全館空調装置２０、及び、複数の温度センサ６０ａ～６０ｃのそれぞれと通信を行うための通信モジュール（通信回路）である。通信部８４によって行われる通信は、例えば、無線通信であるが、有線通信であってもよい。通信に用いられる通信規格についても、特に限定されない。

【0026】

上記の通り、複数の機器を含む搬送装置２３は、施設９０内に配置されている。本実施の形態に係る制御装置８０（制御部８２）は、施設９０内で複数の機器が配置された位置などを示す複数の機器の配置情報を用いずに、全館空調装置２０（ここでは、空調装置２１及び搬送装置２３）を制御する。換言すると、制御部８２は、複数の部屋９０ａ～９０ｃのそれぞれと複数の機器のそれぞれの配置との対応関係を示す情報を用いずに、全館空調装置２０を制御する。

【0027】

本実施の形態においては、制御部８２は、機械学習モデルから出力された空調装置２１及び搬送装置２３の制御値に従って、空調装置２１及び搬送装置２３を制御する。

【0028】

この強化学習モデルは、複数の部屋９０ａ～９０ｃのそれぞれの部屋温度を入力とし、空調装置２１及び搬送装置２３の制御値を出力とするモデルである。強化学習モデルは、強化学習により構築されたモデルである。本実施の形態においては、強化学習モデルは、深層強化学習（ＤＱＮ：Ｄｅｅｐ Ｑ－Ｎｅｔｗｏｒｋ）等などのアルゴリズムによって学習される。

【0029】

また、強化学習モデルは、強化学習モデルから出力された空調装置２１及び搬送装置２３の制御値に従って、制御装置８０が空調装置２１及び搬送装置２３を制御したときの、部屋温度と目標温度との差を報酬として用いて強化学習されるモデルである。

【0030】

以下、詳細な動作例について説明する。

【0031】

［動作例１］
まずは、全館空調システム１０の動作例１について説明する。図３は、全館空調システム１０の動作例１のフローチャートである。

【0032】

まず、制御装置８０の操作受付部８１は、複数の部屋９０ａ～９０ｃのそれぞれにおける目標温度を指示する操作を受け付ける（ステップＳ１０）。目標温度は、記憶部８３に記憶される。なお、複数の部屋のそれぞれの目標温度は、ユーザにとって、快適な温度である。

【0033】

次に、通信部８４は、複数の部屋９０ａ～９０ｃのそれぞれに設置された温度センサ６０ａ～６０ｃから、当該部屋の現在の部屋温度を示す温度データを取得する（ステップＳ１２）。取得された温度データは統合されて複数の部屋９０ａ～９０ｃのそれぞれの現在の部屋温度を示す温度情報として記憶部８３に記憶される。

【0034】

次に制御部８２は、記憶されている温度情報と、強化学習モデルとを用いて、全館空調装置２０（空調装置２１及び搬送装置２３）の制御値を決定する（ステップＳ１４）。この全館空調装置２０の制御値は、温度情報が示す部屋温度が強化学習モデルの入力として用いられることで、強化学習モデルから出力された値である。ここで、表１を用いて、この強化学習モデルの入力及び出力について説明する。

【0035】

【表1】

【0036】

本実施の形態においては、入力として複数の温度センサ６０ａ～６０ｃのそれぞれによって取得された複数の部屋９０ａ～９０ｃのそれぞれの部屋温度が用いられる。さらに、出力として、空調装置２１によって空気が加熱又は冷却される程度を示す熱量と、複数の搬送ファン２３ａ及び２３ｂのそれぞれによって搬送される風量と、複数のＶＡＶダンパ２４ａ～２４ｃのそれぞれの開閉の程度を示す開度と、が用いられる。

【0037】

さらに、制御装置８０（制御部８２）は、決定された制御値（つまりは、強化学習モデルから出力された空調装置２１及び搬送装置２３の制御値）に従って、空調装置２１及び搬送装置２３を制御する（ステップＳ１６）。なお、制御部８２は、複数の部屋９０ａ～９０ｃのそれぞれの部屋温度が複数の部屋９０ａ～９０ｃのそれぞれの目標温度に近づくように、空調装置２１及び搬送装置２３を制御する。上記の通り、目標温度とは、ユーザにとって快適な温度である。よって、換言すると、制御部８２は、複数の部屋９０ａ～９０ｃのそれぞれの部屋温度が快適な温度となるように、空調装置２１及び搬送装置２３を制御する。

【0038】

さらに、ステップＳ１６の処理が行われ所定の期間が経過した後、制御部８２は、強化学習モデルの学習を行う（ステップＳ１８）。なお、所定の期間とは例えば、数分～数十分だが、これに限られない。

【0039】

上記の通り、取得された温度情報が示す部屋温度を強化学習モデルの入力として用いることで、強化学習モデルから空調装置２１及び搬送装置２３の制御値が出力される。ここでは、制御部８２が、この制御値に従って、空調装置２１及び搬送装置２３を制御したときの部屋温度と目標温度との差を報酬として用いて、強化学習モデルが学習される。より具体的には、表１が示すように、制御部８２は、部屋温度と目標温度との差の小ささを報酬として強化学習モデルの学習を行う。強化学習においては、この報酬が最大化するように、つまりは、部屋温度と目標温度との差が小さくなるように、強化学習モデルが学習される。

【0040】

ステップＳ１８が終了すると、動作例１は終了する。ここでさらに、ステップＳ１０からステップＳ１８までの処理が繰り返し行われてもよい。

【0041】

このように処理が繰り返し行われることで、制御部８２は、強化学習モデルの学習を繰り返し行うこととなる。上記の通り、強化学習モデルにおいては、報酬が最大化するように、繰り返し学習される。このような強化学習モデルの出力である制御値に従って、制御部８２が空調装置２１及び搬送装置２３を制御することで、複数の部屋９０ａ～９０ｃのそれぞれの部屋温度が複数の部屋９０ａ～９０ｃのそれぞれの目標温度にさらに近づきやすくなる。つまり、繰り返し学習された強化学習モデルが用いられることで、制御部８２は、複数の部屋９０ａ～９０ｃのそれぞれの部屋温度がより快適な温度となるように、空調装置２１及び搬送装置２３を制御することができる。

【0042】

以上まとめると、制御装置８０は、複数の部屋９０ａ～９０ｃのそれぞれの部屋温度が複数の部屋のそれぞれの目標温度に近づくように、つまりは、複数の部屋９０ａ～９０ｃのそれぞれの部屋温度が快適な温度となるように、全館空調装置２０を制御する。

【0043】

このとき、制御装置８０は、複数の機器の配置情報を用いずに、全館空調装置２０を制御する。

【0044】

よって、複数の部屋９０ａ～９０ｃを空調するために、施工時に、施工者が複数の部屋９０ａ～９０ｃと複数の機器の配置との対応関係を設定するという複雑な施工手順が必要とならない。従って、施工者の施工の労力を低減することができる。さらに、施工者が上記対応関係を誤って設定したことによる「複数の部屋９０ａ～９０ｃの空気を適切に加熱又は冷却することができない」などの全館空調システム１０の不具合も起こり難い。

【0045】

以上まとめると、本実施の形態に係る全館空調システム１０は、複雑な施工手順を要さず、かつ、快適な温度となるように制御することができる。

【0046】

さらに、以下では、動作例２について説明する。

【0047】

［動作例２］
次に、全館空調システム１０の動作例２について説明する。

【0048】

動作例２では、制御装置８０は、以下のように、空調装置２１及び搬送装置２３を制御する。制御装置８０は、動作例１と同様に複数の部屋９０ａ～９０ｃのそれぞれの部屋温度が複数の部屋９０ａ～９０ｃのそれぞれの目標温度に近づくように、かつ、空調装置２１及び搬送装置２３の消費電力が小さくなるように、制御を行う。

【0049】

また、動作例２においては、強化学習モデルは、強化学習モデルから出力された空調装置２１及び搬送装置２３の制御値に従って、制御装置８０（制御部８２）が空調装置２１及び搬送装置２３を制御したときの、以下を報酬として強化学習されるモデルである。動作例２においては、強化学習モデルは、部屋温度と目標温度との差、並びに、空調装置２１及び搬送装置２３の消費電力を報酬として用いて強化学習される。

【0050】

図４は、全館空調システム１０の動作例２のフローチャートである。

【0051】

動作例２においては、動作例１と同様に、図４が示すステップＳ１０及びステップＳ１２が行われる。

【0052】

次に制御部８２は、記憶されている温度情報と、強化学習モデルとを用いて、全館空調装置２０（空調装置２１及び搬送装置２３）の制御値を決定する（ステップＳ１４）。この全館空調装置２０の制御値は、温度情報が示す部屋温度が強化学習モデルの入力として用いられることで、強化学習モデルから出力された値である。ここで、表２を用いて、この強化学習モデルの入力出力及び報酬について説明する。

【0053】

【表2】

【0054】

表２が示すように、本変形例においては、強化学習モデルの入力及び出力は、動作例１の表１で示された入力及び出力と同様である。ただし、報酬として、部屋温度と目標温度との差、並びに、空調装置２１及び搬送装置２３の消費電力を報酬として用いて強化学習される。

【0055】

さらに、制御装置８０（制御部８２）は、決定された制御値（つまりは、強化学習モデルから出力された空調装置２１及び搬送装置２３の制御値）に従って、空調装置２１及び搬送装置２３を制御する（ステップＳ１６ａ）。なお、制御部８２は、複数の部屋９０ａ～９０ｃのそれぞれの部屋温度が複数の部屋９０ａ～９０ｃのそれぞれの目標温度に近づくように、かつ、空調装置２１及び搬送装置２３の消費電力が小さくなるように、空調装置２１及び搬送装置２３を制御する。つまり、動作例２では、制御装置８０は、複数の部屋９０ａ～９０ｃのそれぞれの部屋温度が快適な温度となるように、かつ、空調装置２１及び搬送装置２３の消費電力が小さくなるように、全館空調装置２０を制御する。

【0056】

さらに、ステップＳ１６ａの処理が行われ所定の期間が経過した後、制御部８２は、強化学習モデルの学習を行う（ステップＳ１８ａ）。なお、所定の期間とは例えば、数分～数十分だが、これに限られない。

【0057】

上記の通り、取得された温度情報が示す部屋温度を強化学習モデルの入力として用いることで、強化学習モデルから空調装置２１及び搬送装置２３の制御値が出力される。ここでは、制御部８２が、この制御値に従って、空調装置２１及び搬送装置２３を制御したときの部屋温度と目標温度との差、並びに、空調装置２１及び搬送装置２３の消費電力を報酬として用いて、強化学習モデルが学習される。より具体的には、表２が示すように、制御部８２は、部屋温度と目標温度との差の小ささ、並びに、空調装置２１及び搬送装置２３の消費電力の小ささを報酬として強化学習モデルの学習を行う。強化学習においては、この報酬が最大化するように、つまりは、部屋温度と目標温度との差が小さく、かつ、空調装置２１及び搬送装置２３の消費電力が小さくなるように、強化学習モデルが学習される。

【0058】

ステップＳ１８ａが終了すると、動作例２は終了する。ここでさらに、ステップＳ１０からステップＳ１８ａまでの処理が繰り返し行われてもよい。

【0059】

このように処理が繰り返し行われることで、制御部８２は、強化学習モデルの学習を繰り返し行うこととなる。上記の通り、強化学習モデルにおいては、報酬が最大化するように、繰り返し学習される。このような強化学習モデルの出力である制御値に従って、制御部８２が空調装置２１及び搬送装置２３を制御することで、複数の部屋９０ａ～９０ｃのそれぞれの部屋温度が複数の部屋９０ａ～９０ｃのそれぞれの目標温度にさらに近づきやすくなる。また、このような強化学習モデルの出力である制御値に従って、制御部８２が空調装置２１及び搬送装置２３を制御することで、空調装置２１及び搬送装置２３の消費電力をより小さくすることができる。

【0060】

また、動作例２では、制御装置８０は、複数の機器の配置情報を用いずに、空調装置２１及び搬送装置２３を制御する。

【0061】

動作例２が示すように、本実施の形態に係る全館空調システム１０は、複雑な施工手順を要さず、かつ、快適な温度となるように制御することができ、さらに、消費電力を抑制することができる。

【0062】

なお、ここでは、制御部８２は、複数の部屋９０ａ～９０ｃのそれぞれの部屋温度が複数の部屋９０ａ～９０ｃのそれぞれの目標温度に近づくように、かつ、空調装置２１及び搬送装置２３の消費電力が小さくなるように、空調装置２１及び搬送装置２３を制御した。つまり、複数の部屋９０ａ～９０ｃのそれぞれの部屋温度が複数の部屋９０ａ～９０ｃのそれぞれの目標温度に近づくよう制御されるモードと、空調装置２１及び搬送装置２３の消費電力が小さくなるよう制御されるモードとが両立する。しかし、これに限られず、制御部８２は、一方のモードが優先されるように、空調装置２１及び搬送装置２３を制御してもよい。例えば、操作受付部８１が一方のモードの優先を指示する操作を受け付け、受け付けられた操作に従って、一方のモードが優先されるように、制御部８２が空調装置２１及び搬送装置２３を制御してもよい。

【0063】

［効果など］
本実施の形態に係る全館空調システム１０は、空調装置２１と、空調装置２１によって温度調整された空気を施設９０内の複数の部屋９０ａ～９０ｃのそれぞれに搬送するために施設９０内に配置された複数の機器を含む搬送装置２３と、制御装置８０とを備える。制御装置８０は、複数の部屋９０ａ～９０ｃのそれぞれの部屋温度を取得する。制御装置８０は、複数の機器の配置情報を用いずに、取得された部屋温度を強化学習モデルの入力として用いて、強化学習モデルから出力された空調装置２１及び搬送装置２３の制御値に従って、空調装置２１及び搬送装置２３を制御する。制御装置８０は、複数の部屋９０ａ～９０ｃのそれぞれの部屋温度が複数の部屋９０ａ～９０ｃのそれぞれの目標温度に近づくように、空調装置２１及び搬送装置２３を制御する。

【0064】

動作例１が示すように、本実施の形態に係る制御装置８０は、複数の機器の配置情報を用いずに、空調装置２１及び搬送装置２３を制御する。よって、複数の部屋９０ａ～９０ｃを空調するために、施工時に、施工者が複数の部屋９０ａ～９０ｃと複数の機器の配置との対応関係を設定するという複雑な施工手順が必要とならない。さらに、制御装置８０は、強化学習モデルに基づいて、複数の部屋９０ａ～９０ｃのそれぞれの部屋温度が複数の部屋９０ａ～９０ｃのそれぞれの目標温度に近づくように、空調装置２１及び搬送装置２３を制御する。換言すると、制御装置８０は、強化学習モデルに基づいて、複数の部屋９０ａ～９０ｃのそれぞれの部屋温度が快適な温度となるように、空調装置２１及び搬送装置２３を制御する。

【0065】

つまり、本実施の形態に係る全館空調システム１０は、複雑な施工手順を要さず、かつ、快適な温度となるように制御することができる。

【0066】

動作例１のように、強化学習モデルは、強化学習モデルから出力された空調装置２１及び搬送装置２３の制御値に従って、制御装置８０が空調装置２１及び搬送装置２３を制御したときの、部屋温度と目標温度との差を報酬として用いて強化学習される。

【0067】

このような強化学習モデルから出力された制御値に従って、制御装置８０（制御部８２）が空調装置２１及び搬送装置２３を制御する。これにより、複数の部屋９０ａ～９０ｃのそれぞれの部屋温度が複数の部屋のそれぞれの目標温度により近づきやすくなる。つまりは、複数の部屋９０ａ～９０ｃのそれぞれの部屋温度がより快適な温度となり易くなる。

【0068】

このため、本実施の形態に係る全館空調システム１０は、複雑な施工手順を要さず、かつ、より快適な温度となるように制御することができる。

【0069】

動作例２のように、制御装置８０は、空調装置２１及び搬送装置２３の消費電力が小さくなるように、空調装置２１及び搬送装置２３を制御する。

【0070】

これにより、本実施の形態に係る全館空調システム１０は、複雑な施工手順を要さず、かつ、快適な温度となるように制御することができ、さらに、消費電力を抑制することができる。

【0071】

動作例２のように、強化学習モデルは、強化学習モデルから出力された空調装置２１及び搬送装置２３の制御値に従って、制御装置８０が空調装置２１及び搬送装置２３を制御したときの空調装置２１及び搬送装置２３の消費電力を報酬として用いて強化学習される。

【0072】

このような強化学習モデルから出力された制御値に従って、制御装置８０（制御部８２）が空調装置２１及び搬送装置２３を制御することにより、空調装置２１及び搬送装置２３の消費電力が小さくなりやすくなる。

【0073】

このため、本実施の形態に係る全館空調システム１０は、複雑な施工手順を要さず、かつ、快適な温度となるように制御することができ、さらに、消費電力をより抑制することができる。

【0074】

本実施の形態に係る全館空調システム１０は、空調装置２１と、空調装置２１によって温度調整された空気を施設９０内の複数の部屋９０ａ～９０ｃのそれぞれに搬送するために施設９０内に配置された複数の機器を含む搬送装置２３と、を備える。全館空調システム１０の制御方法は、複数の部屋９０ａ～９０ｃのそれぞれの部屋温度を取得する取得ステップを含む。当該制御方法は、複数の機器の配置情報を用いずに、取得された部屋温度を強化学習モデルの入力として用いて、強化学習モデルから出力された空調装置２１及び搬送装置２３の制御値に従って、空調装置２１及び搬送装置２３を制御する制御ステップを含む。制御ステップでは、複数の部屋９０ａ～９０ｃのそれぞれの部屋温度が複数の部屋９０ａ～９０ｃのそれぞれの目標温度に近づくように、空調装置２１及び搬送装置２３が制御される。

【0075】

動作例１が示すように、本実施の形態に係る制御方法では、複数の機器の配置情報を用いずに、空調装置２１及び搬送装置２３が制御される。よって、複数の部屋９０ａ～９０ｃを空調するために、施工時に、施工者が複数の部屋９０ａ～９０ｃと複数の機器の配置との対応関係を設定するという複雑な施工手順が必要とならない。さらに、この制御方法では、強化学習モデルに基づいて、複数の部屋９０ａ～９０ｃのそれぞれの部屋温度が複数の部屋９０ａ～９０ｃのそれぞれの目標温度に近づくように、空調装置２１及び搬送装置２３が制御される。換言すると、この制御方法では、強化学習モデルに基づいて、複数の部屋９０ａ～９０ｃのそれぞれの部屋温度が快適な温度となるように、空調装置２１及び搬送装置２３が制御される。

【0076】

つまり、本実施の形態に係る制御方法は、複雑な施工手順を要さず、かつ、快適な温度となるように制御することができる。

【0077】

（実施の形態２）
［構成］
以下、実施の形態２に係る全館空調システム１０ａの構成について説明する。

【0078】

図５は、本実施の形態に係る全館空調システム１０ａの概略構成を示す図である。図６は、本実施の形態に係る全館空調システム１０ａの機能構成を示すブロック図である。

【0079】

全館空調システム１０ａは、さらに、複数の湿度センサ６１ｂ及び６１ｃと加湿装置５０とを備える点が、全館空調システム１０とは異なる。つまり、全館空調システム１０ａは、全館空調装置２０と、複数の温度センサ６０ａ～６０ｃと、複数の湿度センサ６１ｂ及び６１ｃと、制御装置８０と、加湿装置５０とを備える。複数の湿度センサ６１ｂ及び６１ｃのそれぞれと加湿装置５０とは、制御装置８０と通信する機能を有する。

【0080】

加湿装置５０は、全館空調装置２０によって搬送される空気の湿度を調整する装置である。ここでは、加湿装置５０は、施設９０の内の空気の湿度を上昇させる。

【0081】

複数の湿度センサ６１ｂ及び６１ｃは、複数の部屋９０ｂ及び９０ｃのそれぞれに１つずつ配置され、当該湿度センサが配置された部屋の中の部屋湿度を計測する。複数の湿度センサ６１ｂ及び６１ｃのそれぞれは、通信機能を有し、計測された部屋湿度を示す湿度データを制御装置８０に送信することができる。また、複数の湿度センサ６１ｂ及び６１ｃのそれぞれが配置された部屋が、第１部屋に相当し、本実施の形態においては、２つの第１部屋は、それぞれ部屋９０ｂ及び９０ｃに相当する。なお、湿度センサが配置される第１部屋は、少なくとも１個あればよい。

【0082】

本実施の形態においては、制御部８２は、機械学習モデルから出力された空調装置２１、搬送装置２３及び加湿装置５０の制御値に従って、空調装置２１、搬送装置２３及び加湿装置５０を制御する。

【0083】

この強化学習モデルは、複数の部屋９０ａ～９０ｃのそれぞれの部屋温度及び２つの第１部屋のそれぞれの部屋湿度を入力とし、空調装置２１、搬送装置２３及び加湿装置５０の制御値を出力とするモデルである。

【0084】

また、強化学習モデルは、強化学習モデルから出力された空調装置２１、搬送装置２３及び加湿装置５０の制御値に従って、制御装置８０が空調装置２１、搬送装置２３及び加湿装置５０を制御したときの、以下を報酬として用いて強化学習されるモデルである。本実施の形態においては、強化学習モデルは、部屋温度と目標温度との差、及び、部屋湿度と目標湿度との差を報酬として用いて強化学習されるモデルである。

【0085】

［動作例３］
次に、全館空調システム１０ａの動作例３について説明する。

【0086】

図７は、全館空調システム１０ａの動作例３のフローチャートである。

【0087】

まず、制御装置８０の操作受付部８１は、複数の部屋９０ａ～９０ｃのそれぞれにおける目標温度、及び、２つの第１部屋のそれぞれの目標湿度を指示する操作を受け付ける（ステップＳ２０）。目標温度及び目標湿度は、記憶部８３に記憶される。なお、２つの第１部屋のそれぞれの目標湿度は、ユーザにとって、快適な湿度である。

【0088】

次に、通信部８４は、複数の部屋９０ａ～９０ｃのそれぞれに設置された温度センサ６０ａ～６０ｃから、当該部屋の現在の部屋温度を示す温度データを取得する（ステップＳ２２）。取得された温度データは統合されて複数の部屋９０ａ～９０ｃのそれぞれの現在の部屋温度を示す温度情報として記憶部８３に記憶される。また、ステップＳ２２では、通信部８４は、２つの第１部屋のそれぞれに設置された湿度センサ６１ｂ及び６１ｃから、当該部屋の現在の部屋湿度を示す湿度データを取得する。取得された湿度データは統合されて２つの第１部屋のそれぞれの現在の部屋湿度を示す湿度情報として記憶部８３に記憶される。

【0089】

次に制御部８２は、記憶されている温度情報及び湿度情報と、強化学習モデルとを用いて、空調装置２１、搬送装置２３及び加湿装置５０の制御値を決定する（ステップＳ２４）。空調装置２１、搬送装置２３及び加湿装置５０の制御値は、温度情報が示す部屋温度及び湿度情報が示す部屋湿度が強化学習モデルの入力として用いられることで、強化学習モデルから出力された値である。ここで、表３を用いて、この強化学習モデルの入力及び出力について説明する。

【0090】

【表3】

【0091】

本実施の形態においては、入力として複数の温度センサ６０ａ～６０ｃのそれぞれによって取得された複数の部屋９０ａ～９０ｃのそれぞれの部屋温度が用いられる。また、入力として複数の湿度センサ６１ｂ及び６１ｃのそれぞれによって取得された２つの第１部屋（部屋９０ｂ及び９０ｃ）のそれぞれの部屋湿度が用いられる。さらに、出力として、空調装置２１によって空気が加熱又は冷却される程度を示す熱量と、複数の搬送ファン２３ａ及び２３ｂのそれぞれによって搬送される風量とが用いられる。また出力として、複数のＶＡＶダンパ２４ａ～２４ｃのそれぞれの開閉の程度を示す開度と、加湿装置５０によって空気が加湿される程度を示す加湿量とが用いられる。

【0092】

さらに、制御装置８０（制御部８２）は、決定された制御値（つまりは、強化学習モデルから出力された空調装置２１、搬送装置２３及び加湿装置５０の制御値）に従って、空調装置２１、搬送装置２３及び加湿装置５０を制御する（ステップＳ２６）。なお、制御部８２は、複数の部屋９０ａ～９０ｃのそれぞれの部屋温度が複数の部屋９０ａ～９０ｃのそれぞれの目標温度に近づくように、空調装置２１、搬送装置２３及び加湿装置５０を制御する。上記の通り、目標温度とは、ユーザにとって快適な温度である。よって、換言すると、制御部８２は、複数の部屋９０ａ～９０ｃのそれぞれの部屋温度が快適な温度となるように、空調装置２１、搬送装置２３及び加湿装置５０を制御する。

【0093】

さらに、制御部８２は、２つの第１部屋のそれぞれの部屋湿度が２つの第１部屋のそれぞれの目標湿度に近づくように、空調装置２１、搬送装置２３及び加湿装置５０を制御する。上記の通り、目標湿度とは、ユーザにとって快適な湿度である。よって、換言すると、制御部８２は、２つの第１部屋のそれぞれの部屋湿度が快適な湿度となるように、空調装置２１、搬送装置２３及び加湿装置５０を制御する。

【0094】

さらに、ステップＳ２６の処理が行われ所定の期間が経過した後、制御部８２は、強化学習モデルの学習を行う（ステップＳ２８）。なお、所定の期間とは例えば、数分～数十分だが、これに限られない。

【0095】

上記の通り、取得された温度情報が示す部屋温度及び湿度情報が示す部屋湿度を強化学習モデルの入力として用いることで、強化学習モデルから空調装置２１、搬送装置２３及び加湿装置５０の制御値が出力される。ここでは、制御部８２が、この制御値に従って、空調装置２１、搬送装置２３及び加湿装置５０を制御したときの以下を報酬として用いて、強化学習モデルが学習される。報酬とは、部屋温度と目標温度との差、及び、部屋湿度と目標湿度との差である。より具体的には、表３が示すように、制御部８２は、部屋温度と目標温度との差の小ささ、及び、部屋湿度と目標湿度との差の小ささを報酬として強化学習モデルの学習を行う。強化学習においては、この報酬が最大化するように、つまりは、部屋温度と目標温度との差が小さくなるように、かつ、部屋湿度と目標湿度との差の小さくなるように強化学習モデルが学習される。

【0096】

ステップＳ２８が終了すると、動作例３は終了する。ここでさらに、ステップＳ２０からステップＳ２８までの処理が繰り返し行われてもよい。

【0097】

このように処理が繰り返し行われることで、制御部８２は、強化学習モデルの学習を繰り返し行うこととなる。上記の通り、強化学習モデルにおいては、報酬が最大化するように、繰り返し学習される。このような強化学習モデルの出力である制御値に従って、制御部８２が空調装置２１、搬送装置２３及び加湿装置５０を制御することで、複数の部屋９０ａ～９０ｃのそれぞれの部屋温度が複数の部屋９０ａ～９０ｃのそれぞれの目標温度にさらに近づきやすくなる。つまり、繰り返し学習された強化学習モデルが用いられることで、制御部８２は、複数の部屋９０ａ～９０ｃのそれぞれの部屋温度がより快適な温度となるように、空調装置２１、搬送装置２３及び加湿装置５０を制御することができる。

【0098】

また、このような強化学習モデルの出力である制御値に従って、制御部８２が空調装置２１、搬送装置２３及び加湿装置５０を制御することで、２つの第１部屋のそれぞれの部屋湿度が２つの第１部屋のそれぞれの目標湿度にさらに近づきやすくなる。つまり、繰り返し学習された強化学習モデルが用いられることで、制御部８２は、２つの第１部屋のそれぞれの部屋湿度が快適な湿度となるように、空調装置２１、搬送装置２３及び加湿装置５０を制御することができる。

【0099】

また、動作例３では、制御装置８０は、複数の機器の配置情報を用いずに、空調装置２１、搬送装置２３及び加湿装置５０を制御する。

【0100】

動作例３が示すように、本実施の形態に係る全館空調システム１０ａは、複雑な施工手順を要さず、かつ、快適な温度及び湿度となるように制御することができる。

【0101】

なお、ここでは、制御部８２は、以下のように、空調装置２１、搬送装置２３及び加湿装置５０を制御した。制御部８２は、複数の部屋９０ａ～９０ｃのそれぞれの部屋温度が複数の部屋９０ａ～９０ｃのそれぞれの目標温度に近づくように、かつ、２つの第１部屋のそれぞれの部屋湿度が２つの第１部屋のそれぞれの目標湿度に近づくように制御を行った。つまり、２つのモードが両立するように制御が行われている。２つのモードうち１つのモードとは、複数の部屋９０ａ～９０ｃのそれぞれの部屋温度が複数の部屋９０ａ～９０ｃのそれぞれの目標温度に近づくよう制御されるモードである。２つのモードうち他の１つのモードとは、２つの第１部屋のそれぞれの部屋湿度が２つの第１部屋のそれぞれの目標湿度に近づくように制御されるモードである。しかし、これに限られず、制御部８２は、一方のモードが優先されるように、空調装置２１、搬送装置２３及び加湿装置５０を制御してもよい。例えば、操作受付部８１が一方のモードの優先を指示する操作を受け付け、受け付けられた操作に従って、一方のモードが優先されるように、制御部８２が空調装置２１、搬送装置２３及び加湿装置５０を制御してもよい。

【0102】

なお、動作例３においては、制御部８２は、部屋温度が目標温度に近づくように、かつ、部屋湿度が目標湿度に近づくように、空調装置２１、搬送装置２３及び加湿装置５０を制御した。しかしながら、これに限られない。例えば、動作例３において、さらに、制御部８２は、空調装置２１、搬送装置２３及び加湿装置５０の消費電力が小さくなるように、空調装置２１、搬送装置２３及び加湿装置５０を制御してもよい。これにより、本実施の形態に係る全館空調システム１０ａは、複雑な施工手順を要さず、かつ、快適な温度及び湿度となるように制御することができ、さらに、消費電力を抑制することができる。また、この場合、制御部８２は、部屋温度と目標温度との差の小ささ、空調装置２１、搬送装置２３及び加湿装置５０の消費電力の小ささ、並びに、部屋湿度と目標湿度との差の小ささを報酬として強化学習モデルの学習を行うとよい。

【0103】

さらに、この場合でも、強化学習モデルの学習が繰り返し行われるとよい。このような強化学習モデルの出力である制御値に従って、制御部８２が空調装置２１、搬送装置２３及び加湿装置５０を制御することで、空調装置２１、搬送装置２３及び加湿装置５０の消費電力をより小さくすることができる。

【0104】

［効果など］
本実施の形態に係る全館空調システム１０ａは、さらに、複数の部屋９０ａ～９０ｃのそれぞれに搬送される空気を加湿する加湿装置５０を備える。制御装置８０は、複数の部屋９０ａ～９０ｃのそれぞれの部屋温度及び複数の部屋９０ａ～９０ｃのうち少なくとも１つの部屋である第１部屋の部屋湿度を取得する。制御装置８０は、取得された部屋温度及び取得された部屋湿度を強化学習モデルの入力として用いて、強化学習モデルから出力された空調装置２１、搬送装置２３及び加湿装置５０の制御値に従って、空調装置２１、搬送装置２３及び加湿装置５０を制御する。制御装置８０は、部屋の部屋湿度が第１部屋の目標湿度に近づくように、空調装置２１、搬送装置２３及び加湿装置５０を制御する。

【0105】

これにより、動作例３が示すように、本実施の形態に係る全館空調システム１０ａは、複雑な施工手順を要さず、かつ、快適な温度及び湿度となるように制御することができる。

【0106】

動作例３のように、強化学習モデルは、制御値に従って、制御装置８０が空調装置２１、搬送装置２３及び加湿装置５０を制御したときの、部屋湿度と目標湿度との差を報酬として用いて強化学習される。制御値とは、強化学習モデルから出力された空調装置２１、搬送装置２３及び加湿装置５０の制御値である。

【0107】

このような強化学習モデルから出力された制御値に従って、制御装置８０（制御部８２）が空調装置２１、搬送装置２３及び加湿装置５０を制御する。これにより、２つの第１部屋のそれぞれの部屋湿度が２つの第１部屋のそれぞれの目標湿度により近づきやすくなる。つまりは、２つの第１部屋のそれぞれの部屋湿度がより快適な湿度となり易くなる。

【0108】

このため、本実施の形態に係る全館空調システム１０ａは、複雑な施工手順を要さず、かつ、より快適な温度及び湿度となるように制御することができる。

【0109】

（実施の形態３）
［構成］
以下、実施の形態３に係る全館空調システム１０ｂの構成について説明する。

【0110】

図８は、本実施の形態に係る全館空調システム１０ｂの概略構成を示す図である。図９は、本実施の形態に係る全館空調システム１０ｂの機能構成を示すブロック図である。

【0111】

全館空調システム１０ｂは、複数の湿度センサ６１ｂ及び６１ｃと加湿装置５０とに替えて、二酸化炭素センサ６２ａと換気装置３０とを備える点が、全館空調システム１０とは異なる。つまり、全館空調システム１０ｂは、全館空調装置２０と、複数の温度センサ６０ａ～６０ｃと、二酸化炭素センサ６２ａと、制御装置８０と、換気装置３０とを備える。二酸化炭素センサ６２ａ及び換気装置３０のそれぞれは、制御装置８０と通信する機能を有する。

【0112】

換気装置３０は、制御装置８０の制御に基づいて、施設９０の外の空気を施設９０内に取り入れて全館空調装置２０に搬送する装置である。換気装置３０は、例えば、熱交換換気装置である。

【0113】

二酸化炭素センサ６２ａは、部屋９０ａに１つ配置され、部屋９０ａの中の二酸化炭素濃度を計測する。二酸化炭素センサ６２ａは、通信機能を有し、計測された二酸化炭素濃度を示す二酸化炭素データを制御装置８０に送信することができる。また、二酸化炭素センサ６２ａが配置された部屋が、第２部屋に相当し、本実施の形態においては、第２部屋は部屋９０ａに相当する。また、二酸化炭素センサ６２ａが配置される第２部屋は、少なくとも１つあればよい。なお、部屋の二酸化炭素濃度が高くなると、倦怠感、頭痛、又は、耳鳴りなどの人体に有害な影響を与える。このため、二酸化炭素濃度を低減することで部屋の空気質を高めることができる。

【0114】

本実施の形態においては、制御部８２は、機械学習モデルから出力された空調装置２１、搬送装置２３及び換気装置３０の制御値に従って、空調装置２１、搬送装置２３及び換気装置３０を制御する。

【0115】

この強化学習モデルは、複数の部屋９０ａ～９０ｃのそれぞれの部屋温度及び第２部屋の二酸化炭素濃度を入力とし、空調装置２１、搬送装置２３及び換気装置３０の制御値を出力とするモデルである。

【0116】

強化学習モデルは、強化学習モデルから出力された空調装置２１、搬送装置２３及び換気装置３０の制御値に従って、制御装置８０が空調装置２１、搬送装置２３及び換気装置３０を制御したときの、以下を報酬として用いて強化学習されるモデルである。本実施の形態においては、この強化学習モデルは、部屋温度と目標温度との差、及び、二酸化炭素濃度を報酬として用いて強化学習されるモデルである。

【0117】

［動作例４］
次に、全館空調システム１０ｂの動作例４について説明する。

【0118】

図１０は、全館空調システム１０ｂの動作例４のフローチャートである。

【0119】

まず、動作例１と同様に、制御装置８０の操作受付部８１は、複数の部屋９０ａ～９０ｃのそれぞれにおける目標温度を指示する操作を受け付ける（ステップＳ１０）。目標温度は、記憶部８３に記憶される。

【0120】

次に、通信部８４は、複数の部屋９０ａ～９０ｃのそれぞれに設置された温度センサ６０ａ～６０ｃから、当該部屋の現在の部屋温度を示す温度データを取得する（ステップＳ３２）。取得された温度データは統合されて複数の部屋９０ａ～９０ｃのそれぞれの現在の部屋温度を示す温度情報として記憶部８３に記憶される。また、ステップＳ３２では、通信部８４は、第２部屋に設置された二酸化炭素センサ６２ａから、第２部屋の現在の二酸化炭素濃度を示す二酸化炭素データを取得する。取得された二酸化炭素データは第２部屋の現在の二酸化炭素濃度を示す二酸化炭素情報として記憶部８３に記憶される。

【0121】

次に制御部８２は、記憶されている温度情報及び二酸化炭素濃度情報と、強化学習モデルとを用いて、空調装置２１、搬送装置２３及び換気装置３０の制御値を決定する（ステップＳ３４）。空調装置２１、搬送装置２３及び換気装置３０の制御値は、温度情報が示す部屋温度及び二酸化炭素情報が示す二酸化炭素濃度が強化学習モデルの入力として用いられることで、強化学習モデルから出力された値である。ここで、表４を用いて、この強化学習モデルの入力及び出力について説明する。

【0122】

【表4】

【0123】

本実施の形態においては、入力として複数の温度センサ６０ａ～６０ｃのそれぞれによって取得された複数の部屋９０ａ～９０ｃのそれぞれの部屋温度が用いられる。また、入力として二酸化炭素センサ６２ａによって取得された第２部屋（部屋９０ａ）の二酸化炭素濃度が用いられる。さらに、出力として、空調装置２１によって空気が加熱又は冷却される程度を示す熱量と、複数の搬送ファン２３ａ及び２３ｂのそれぞれによって搬送される風量とが用いられる。また、出力として、複数のＶＡＶダンパ２４ａ～２４ｃのそれぞれの開閉の程度を示す開度と、換気装置３０によって取入れられる空気の量を示す取入量とが用いられる。

【0124】

さらに、制御装置８０（制御部８２）は、決定された制御値（つまりは、強化学習モデルから出力された空調装置２１、搬送装置２３及び換気装置３０の制御値）に従って、空調装置２１、搬送装置２３及び換気装置３０を制御する（ステップＳ３６）。なお、制御部８２は、複数の部屋９０ａ～９０ｃのそれぞれの部屋温度が複数の部屋９０ａ～９０ｃのそれぞれの目標温度に近づくように、空調装置２１、搬送装置２３及び換気装置３０を制御する。上記の通り、目標温度とは、ユーザにとって快適な温度である。よって、換言すると、制御部８２は、複数の部屋９０ａ～９０ｃのそれぞれの部屋温度が快適な温度となるように、空調装置２１、搬送装置２３及び換気装置３０を制御する。さらに、制御部８２は、第２部屋の二酸化炭素濃度が低くなるように、空調装置２１、搬送装置２３及び換気装置３０を制御する。上記の通り、二酸化炭素濃度を低減することで部屋の空気質を高めることができる。よって、換言すると、制御部８２は、第２部屋の空気質を高めるように、空調装置２１、搬送装置２３及び換気装置３０を制御する。

【0125】

さらに、ステップＳ３６の処理が行われ所定の期間が経過した後、制御部８２は、強化学習モデルの学習を行う（ステップＳ３８）。なお、所定の期間とは例えば、数分～数十分だが、これに限られない。

【0126】

上記の通り、取得された温度情報が示す部屋温度及び二酸化炭素情報が示す二酸化炭素濃度を強化学習モデルの入力として用いることで、強化学習モデルから空調装置２１、搬送装置２３及び換気装置３０の制御値が出力される。ここでは、制御部８２が、この制御値に従って、空調装置２１、搬送装置２３及び換気装置３０を制御したときの以下を報酬として用いて、強化学習モデルが学習される。報酬とは、部屋温度と目標温度との差、及び、二酸化炭素濃度である。より具体的には、表４が示すように、制御部８２は、部屋温度と目標温度との差の小ささ、及び、二酸化炭素濃度の低さを報酬として強化学習モデルの学習を行う。強化学習においては、この報酬が最大化するように、つまりは、部屋温度と目標温度との差が小さくなるように、かつ、二酸化炭素濃度が低くなるように強化学習モデルが学習される。

【0127】

ステップＳ３８が終了すると、動作例４は終了する。ここでさらに、ステップＳ１０からステップＳ３８までの処理が繰り返し行われてもよい。

【0128】

このように処理が繰り返し行われることで、制御部８２は、強化学習モデルの学習を繰り返し行うこととなる。上記の通り、強化学習モデルにおいては、報酬が最大化するように、繰り返し学習される。このような強化学習モデルの出力である制御値に従って、制御部８２が空調装置２１、搬送装置２３及び換気装置３０を制御することで、複数の部屋９０ａ～９０ｃのそれぞれの部屋温度が複数の部屋９０ａ～９０ｃのそれぞれの目標温度にさらに近づきやすくなる。つまり、繰り返し学習された強化学習モデルが用いられることで、制御部８２は、複数の部屋９０ａ～９０ｃのそれぞれの部屋温度がより快適な温度となるように、空調装置２１、搬送装置２３及び換気装置３０を制御することができる。また、このような強化学習モデルの出力である制御値に従って、制御部８２が空調装置２１、搬送装置２３及び換気装置３０を制御することで、第２部屋の二酸化炭素濃度が低くなりやすくなる。つまり、繰り返し学習された強化学習モデルが用いられることで、制御部８２は、第２部屋の空気質がより高められるように、空調装置２１、搬送装置２３及び換気装置３０を制御することができる。

【0129】

また、動作例４では、制御装置８０は、複数の機器の配置情報を用いずに、空調装置２１、搬送装置２３及び換気装置３０を制御する。

【0130】

動作例４が示すように、本実施の形態に係る全館空調システム１０ｂは、複雑な施工手順を要さず、かつ、空気質が高く快適な温度となるように制御することができる。

【0131】

なお、ここでは、制御部８２は、複数の部屋９０ａ～９０ｃのそれぞれの部屋温度が複数の部屋９０ａ～９０ｃのそれぞれの目標温度に近づくように、かつ、第２部屋の二酸化炭素濃度が低くなるように空調装置２１、搬送装置２３及び換気装置３０を制御した。つまり、複数の部屋９０ａ～９０ｃのそれぞれの部屋温度が複数の部屋９０ａ～９０ｃのそれぞれの目標温度に近づくよう制御されるモードと、第２部屋の二酸化炭素濃度が低くなるように制御されるモードとが両立する。しかし、これに限られず、制御部８２は、一方のモードが優先されるように、空調装置２１、搬送装置２３及び換気装置３０を制御してもよい。例えば、操作受付部８１が一方のモードの優先を指示する操作を受け付け、受け付けられた操作に従って、一方のモードが優先されるように、制御部８２が空調装置２１、搬送装置２３及び換気装置３０を制御してもよい。

【0132】

なお、動作例４においては、制御部８２は、部屋温度が目標温度に近づくように、かつ、二酸化炭素濃度が低くなるように、空調装置２１、搬送装置２３及び換気装置３０を制御した。しかしながら、これに限られない。例えば、動作例４において、さらに、制御部８２は、空調装置２１、搬送装置２３及び換気装置３０の消費電力が小さくなるように、空調装置２１、搬送装置２３及び換気装置３０を制御してもよい。これにより、本実施の形態に係る全館空調システム１０ｂは、複雑な施工手順を要さず、かつ、空気質が高く快適な温度となるように制御することができ、さらに、消費電力を抑制することができる。また、この場合、制御部８２は、部屋温度と目標温度との差の小ささ、空調装置２１、搬送装置２３及び換気装置３０の消費電力の小ささ、並びに、二酸化炭素濃度の低さを報酬として強化学習モデルの学習を行うとよい。

【0133】

さらに、この場合でも、強化学習モデルの学習が繰り返し行われるとよい。このような強化学習モデルの出力である制御値に従って、制御部８２が空調装置２１、搬送装置２３及び換気装置３０を制御することで、空調装置２１、搬送装置２３及び換気装置３０の消費電力をより小さくすることができる。

【0134】

［効果など］
本実施の形態に係る全館空調システム１０ｂは、さらに、複数の部屋９０ａ～９０ｃのそれぞれの空気を換気する換気装置３０を備える。制御装置８０は、複数の部屋９０ａ～９０ｃのそれぞれの部屋温度及び複数の部屋９０ａ～９０ｃのうち少なくとも１つの部屋である第２部屋の二酸化炭素濃度を取得する。制御装置８０は、取得された部屋温度及び取得された二酸化炭素濃度を強化学習モデルの入力として用いて、強化学習モデルから出力された空調装置２１、搬送装置２３及び換気装置３０の制御値に従って空調装置２１、搬送装置２３及び換気装置３０を制御する。制御装置８０は、第２部屋の二酸化炭素濃度が低くなるように、空調装置２１、搬送装置２３及び換気装置３０を制御する。

【0135】

これにより、動作例４が示すように、本実施の形態に係る全館空調システム１０ｂは、複雑な施工手順を要さず、かつ、空気質が高く快適な温度となるように制御することができる。

【0136】

動作例４のように、強化学習モデルは、制御値に従って、制御装置８０が空調装置２１、搬送装置２３及び換気装置３０を制御したときの、二酸化炭素濃度を報酬として用いて強化学習される。制御値は、強化学習モデルから出力された空調装置２１、搬送装置２３及び換気装置３０の制御値である。

【0137】

このような強化学習モデルから出力された制御値に従って、制御装置８０（制御部８２）が空調装置２１、搬送装置２３及び換気装置３０を制御することにより、第２部屋の二酸化炭素濃度が低くなりやすくなる。つまりは、第２部屋の空気質がより高められやすくなる。

【0138】

このため、本実施の形態に係る全館空調システム１０ｂは、複雑な施工手順を要さず、かつ、空気質がより高くより快適な温度となるように制御することができる。

【0139】

（実施の形態３の変形例）
以下、実施の形態３の変形例に係る全館空調システム１０ｃの構成について説明する。

【0140】

図１１は、本実施の形態の変形例に係る全館空調システム１０ｃの概略構成を示す図である。図１２は、本実施の形態の変形例に係る全館空調システム１０ｃの機能構成を示すブロック図である。全館空調システム１０ｃは、全館空調装置２０と、複数の温度センサ６０ａ～６０ｃと、複数の湿度センサ６１ｂ及び６１ｃと、二酸化炭素センサ６２ａと、制御装置８０と、加湿装置５０と、換気装置３０とを備える。

【0141】

なお、本変形例においては、制御部８２は、機械学習モデルから出力された空調装置２１、搬送装置２３、加湿装置５０及び換気装置３０の制御値に従って、空調装置２１、搬送装置２３、加湿装置５０及び換気装置３０を制御する。簡単のため、空調装置２１、搬送装置２３、加湿装置５０及び換気装置３０を被制御装置と記載する場合がある。なお、強化学習モデルは、複数の部屋９０ａ～９０ｃのそれぞれの部屋温度、第２部屋の二酸化炭素濃度、及び、２つの第１部屋のそれぞれの部屋湿度を入力とし、被制御装置の制御値を出力とするモデルである。

【0142】

なお、本変形例においては、強化学習モデルは、強化学習モデルから出力された被制御装置の制御値に従って、制御装置８０（制御部８２）が被制御装置を制御したときの、以下を報酬として用いて強化学習されるモデルである。この強化学習モデルは、部屋温度と目標温度との差、二酸化炭素濃度、及び、部屋湿度と目標湿度との差を報酬として用いて強化学習されるモデルである。

【0143】

本変形例に係る制御部８２は、上記の温度情報、二酸化炭素情報、及び、湿度情報と、強化学習モデルとを用いて、被制御装置の制御値を決定する。この被制御装置の制御値は、温度情報が示す部屋温度、湿度情報が示す部屋湿度及び二酸化炭素情報が示す二酸化炭素濃度が強化学習モデルの入力として用いられることで、強化学習モデルから出力された値である。

【0144】

ここで、表５を用いて、この強化学習モデルの入力及び出力について説明する。

【0145】

【表5】

【0146】

本変形例においては、入力として複数の温度センサ６０ａ～６０ｃのそれぞれによって取得された複数の部屋９０ａ～９０ｃのそれぞれの部屋温度が用いられる。また、入力として複数の湿度センサ６１ｂ及び６１ｃのそれぞれによって取得された２つの第１部屋（部屋９０ｂ及び９０ｃ）のそれぞれの部屋湿度が用いられる。また、入力として二酸化炭素センサ６２ａによって取得された第２部屋（部屋９０ａ）の二酸化炭素濃度が用いられる。さらに、出力として、空調装置２１によって空気が加熱又は冷却される程度を示す熱量と、複数の搬送ファン２３ａ及び２３ｂのそれぞれによって搬送される風量と、複数のＶＡＶダンパ２４ａ～２４ｃのそれぞれの開閉の程度を示す開度とが用いられる。また、出力として、加湿装置５０によって空気が加湿される程度を示す加湿量と、換気装置３０によって取入れられる空気の量を示す取入量とが用いられる。

【0147】

さらに、制御装置８０（制御部８２）は、決定された制御値（つまりは、強化学習モデルから出力された被制御装置の制御値）に従って、被制御装置を制御する。なお、制御部８２は、複数の部屋９０ａ～９０ｃのそれぞれの部屋温度が複数の部屋９０ａ～９０ｃのそれぞれの目標温度に近づくように、被制御装置を制御する。

【0148】

さらに、制御部８２は、被制御装置の制御値に従って、２つの第１部屋のそれぞれの部屋湿度が２つの第１部屋のそれぞれの目標湿度に近づくように、被制御装置を制御する。さらに、制御部８２は、被制御装置の制御値に従って、第２部屋の二酸化炭素濃度が低くなるように、被制御装置を制御する。

【0149】

また、本変形例においては、制御装置８０は、複数の機器の配置情報を用いずに、被制御装置を制御する。

【0150】

よって、本変形例に係る全館空調システム１０ｃは、複雑な施工手順を要さず、かつ、空気質が高く快適な温度及び湿度となるように制御することができる。

【0151】

また、表５が示すように、制御部８２は、部屋温度と目標温度との差の小ささ、部屋湿度と目標湿度との差の小ささ、及び、二酸化炭素濃度の低さを報酬として強化学習モデルの学習を行うとよい。

【0152】

（その他の実施の形態）
以上、実施の形態及び変形例について説明したが、本発明は、上記実施の形態及び変形例に限定されるものではない。

【0153】

また、上記実施の形態において、特定の処理部が実行する処理を別の処理部が実行してもよい。

【0154】

また、上記実施の形態における装置間の通信方法については特に限定されるものではない。装置間では、無線通信が行われてもよいし、有線通信が行われてもよい。また、装置間では、無線通信及び有線通信が組み合わされてもよい。また、上記実施の形態及び変形例において２つの装置が通信を行う場合、２つの装置間には図示されない中継装置が介在してもよい。

【0155】

また、上記実施の形態のフローチャートで説明された処理の順序は、一例である。複数の処理の順序は変更されてもよいし、複数の処理は並行して実行されてもよい。

【0156】

また、上記実施の形態において、各構成要素は、各構成要素に適したソフトウェアプログラムを実行することによって実現されてもよい。各構成要素は、ＣＰＵまたはプロセッサなどのプログラム実行部が、ハードディスクまたは半導体メモリなどの記録媒体に記録されたソフトウェアプログラムを読み出して実行することによって実現されてもよい。

【0157】

また、各構成要素は、ハードウェアによって実現されてもよい。例えば、各構成要素は、回路（または集積回路）でもよい。これらの回路は、全体として１つの回路を構成してもよいし、それぞれ別々の回路でもよい。また、これらの回路は、それぞれ、汎用的な回路でもよいし、専用の回路でもよい。

【0158】

また、本発明の全般的または具体的な態様は、システム、装置、方法、集積回路、コンピュータプログラムまたはコンピュータ読み取り可能なＣＤ－ＲＯＭなどの記録媒体で実現されてもよい。また、システム、装置、方法、集積回路、コンピュータプログラム及び記録媒体の任意な組み合わせで実現されてもよい。

【0159】

例えば、本発明は、コンピュータによって実行される全館空調システムの制御方法として実現されてもよいし、このような制御方法をコンピュータに実行させるためのプログラムとして実現されてもよい。また、本発明は、このようなプログラムが記録されたコンピュータ読み取り可能な非一時的な記録媒体として実現されてもよい。

【0160】

また、上記実施の形態では、全館空調システムは、複数の装置によって実現されたが、単一の装置として実現されてもよい。全館空調システムは、例えば、制御装置に相当する単一の装置として実現されてもよいし、サーバ装置に相当する単一の装置として実現されてもよい。全館空調システムが複数の装置によって実現される場合、全館空調システムが備える構成要素は、複数の装置にどのように振り分けられてもよい。

【0161】

その他、各実施の形態に対して当業者が思いつく各種変形を施して得られる形態、または、本発明の趣旨を逸脱しない範囲で各実施の形態における構成要素及び機能を任意に組み合わせることで実現される形態も本発明に含まれる。

【符号の説明】

【0162】

１０、１０ａ、１０ｂ、１０ｃ 全館空調システム
２１ 空調装置
２３ 搬送装置
３０ 換気装置
５０ 加湿装置
８０ 制御装置
９０ 施設
９０ａ、９０ｂ、９０ｃ 部屋

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】