特開 2024-126562 空調システムの運転方法および空調システム

(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】P2024126562

(43)【公開日】2024-09-20

(54)【発明の名称】空調システムの運転方法および空調システム

(51)【国際特許分類】

   F24F 11/63 20180101AFI20240912BHJP

   G06N 20/00 20190101ALI20240912BHJP

【ＦＩ】

F24F11/63

G06N20/00

【審査請求】未請求

【請求項の数】4

【出願形態】ＯＬ

(21)【出願番号】P 2023034982

(22)【出願日】2023-03-07

(71)【出願人】

【識別番号】000001834

【氏名又は名称】三機工業株式会社

(74)【代理人】

【識別番号】110000512

【氏名又は名称】弁理士法人山田特許事務所

(72)【発明者】

【氏名】本郷 佑直

【テーマコード（参考）】

3L260

【Ｆターム（参考）】

3L260BA75

3L260CA12

3L260CA32

3L260CA33

3L260CA34

3L260CB69

3L260CB78

3L260EA04

3L260EA22

(57)【要約】

【課題】空調の運転に用いる値を好適に精度よく推定し得る空調システムの運転方法および空調システムを提供する。
【解決手段】少なくとも年次をパラメータとし、機械学習モデルＭを用いて空調の運転に用いる値を推定する。パラメータとしての年次は、ダミー変数をEntity Embeddingにより変換した値として用いる。機械学習モデルＭは、空調の運転に用いる値として空調負荷を推定するよう構成された負荷推定モデルとすることができる。
【選択図】図１

【特許請求の範囲】

【請求項1】

少なくとも年次をパラメータとし、機械学習モデルを用いて空調の運転に用いる値を推定することを特徴とする空調システムの運転方法。

【請求項2】

パラメータとしての年次は、ダミー変数をEntity Embeddingにより変換した値として用いられること
を特徴とする請求項１に記載の空調システムの運転方法。

【請求項3】

前記機械学習モデルは、空調の運転に用いる値として空調負荷を推定する負荷推定モデルであること
を特徴とする請求項１に記載の空調システムの運転方法。

【請求項4】

請求項１～３のいずれか一項に記載の空調システムの運転方法を適用したことを特徴とする空調システム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、空調システムの運転方法、およびこれを適用した空調システムに関する。

【背景技術】

【0002】

近年、人工知能による機械学習を用いて生成したモデルによって各種の値を推定する技術が様々な分野で開発され、実用化されている。空調の分野も例に漏れず、例えば下記特許文献１には、センサの設置されていない位置における空気の温度（床近傍温度）を機械学習モデルにより推定する技術が開示されている。また、下記特許文献２には、空調負荷に関し、現在までに取得された実績値に基づいて予測値を出力する技術が開示されている。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２０２１－７６３４８号公報

【特許文献2】特開２０２０－１６５６２２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、上記したような技術においては、推定値の精度を高めることが無論のこと重要な課題である。これには、推定したい値との関連度が高いパラメータを機械学習モデルに入力することが有効であるが、一方で、入力するパラメータはなるべく入手のしやすいデータであることが望ましい。空調の分野においては、例えば気象に関する詳細なデータを外部から購入して利用する場合があるが、そのようなデータを用いる方法では、精度を上げることはできるものの推定に要する費用が上がってしまい、用途によっては採算が取れない可能性も生じる。

【0005】

本発明は、斯かる実情に鑑み、空調の運転に用いる値を好適に精度よく推定し得る空調システムの運転方法および空調システムを提供しようとするものである。

【課題を解決するための手段】

【0006】

本発明は、少なくとも年次をパラメータとし、機械学習モデルを用いて空調の運転に用いる値を推定する空調システムの運転方法にかかるものである。

【0007】

本発明の空調システムの運転方法において、パラメータとしての年次は、ダミー変数をEntity Embeddingにより変換した値として用いることができる。

【0008】

本発明の空調システムの運転方法において、前記機械学習モデルは、空調の運転に用いる値として空調負荷を推定する負荷推定モデルとすることができる。

【0009】

また、本発明は、上述の空調システムの運転方法を適用したことを特徴とする空調システムにかかるものである。

【発明の効果】

【0010】

本発明の空調システムの運転方法および空調システムによれば、空調の運転に用いる値を好適に精度よく推定するという優れた効果を奏し得る。

【図面の簡単な説明】

【0011】

【図1】本発明を適用した空調システムにおける情報系の構成の一例を示すブロック図である。

【図2】本発明の実施による空調システムの運転方法における機械学習モデルの生成の手順の一例を示すフローチャートである。

【発明を実施するための形態】

【0012】

図１は本発明を適用した空調システムの形態の一例を示している。本実施例では、推定する値として、空調システムを備えた建物全体における空調負荷（二次負荷熱量）を想定している。機械学習によって作成されたモデルを用い、目的の時点の二次負荷熱量（例えば、当日から翌日にかけての三時間おきの二次負荷熱量）を予測し、これにより、対象の建物における空調の運転を支援することができる。算出された二次負荷熱量の予測値は、これを参照しつつ、その熱量を賄えるような熱源機の運転スケジュールを、建物の運転管理員が予め作成するといった形の利用が可能である。

【0013】

本実施例の空調システムは、空調におけるエネルギーの管理を行う管理部１０と、機械学習モデルである負荷推定モデルＭの再学習を行い、これによって新しい負荷推定モデルＭを作成するモデル管理部２０と、該モデル管理部２０で作成された負荷推定モデルＭを用いて空調負荷値の推定を行う推定部３０と、該推定部３０における空調負荷の推定結果や実測データ等の各種情報を表示する表示部４０とを備えている。

【0014】

管理部１０は、建物における各種の機器の運転状況やエネルギー消費に関するデータを収集し、管理・分析を行うエネルギー管理システム（ＥＭＳ）である。

【0015】

モデル管理部２０は、学習データ管理部２１と、モデル生成部２２を備えている。

【0016】

学習データ管理部２１は、外部から各種のデータを取得し、これらを格納するようになっている。具体的には、例えば、管理部１０から空調負荷の実績値等のデータを取得し、また、外部から気象に関する予報データや過去のデータ等を取得し、そのうち必要なデータを適当な形式で格納する。さらに、学習データ管理部２１は、これらのデータに基づき、機械学習モデルの学習に用いる学習データを作成するようにもなっている。

【0017】

モデル生成部２２は、学習データに基づく機械学習により、ニューラルネットワーク形式の負荷推定モデルＭを作成する機能を備えている。

【0018】

また、モデル生成部２２は、負荷推定モデルＭとして、それぞれ期に応じた複数の型を保持しており、学習データにより再学習を施すことによって、それぞれの型の負荷推定モデルＭを新たに作成できるようになっている。負荷推定モデルＭは、ある時点（例えば現在、あるいは、現在から近い未来の時点）における対象の建物の空調負荷を推定する機械学習モデルである。

【0019】

推定部３０は、モデル生成部２２で作成された負荷推定モデルＭを格納し、これを実行して空調負荷の推定を行う。負荷推定モデルＭは、空調負荷に関連する各種のパラメータを入力値とし、目的の時点における空調負荷の推定値を出力する機能を有するモデルである。これにより、推定部３０は、例えば１時間～３６時間先の空調負荷の推定値を３時間毎に算出する（尚、推定を行う対象の時点や頻度は一例であり、本発明を実施するにあたって適宜設定し得る）。

【0020】

表示部４０は、推定部３０における空調負荷の推定結果や、その他の空調の運転に関するデータ、例えば空調負荷の実測データ等を、表やグラフ等での表示に適した形式に変換し、表示する機能を備えている。具体的には、表示部４０では例えば、空調負荷の推定値や、負荷推定モデルＭの作成に用いた学習データ等を読み込み、推定結果と実績値を重ね合わせた分析データを作成することができる。このデータは、インターネット等のネットワークに配信され、表示部４０のほか、ネットワークに接続されたＰＣやスマートフォン等の端末装置４１でも適宜閲覧できる。

【0021】

管理部１０、モデル管理部２０、推定部３０、表示部４０は、例えばクラウド上に設定された仮想マシンとしてもよいが、これらのうち一部または全部を、例えば１台もしくは複数台のＰＣ等の物理的なハードウェアとして構成してもよい。また、学習データ管理部２１やモデル生成部２２といった機能単位、あるいはさらにそれらの機能の一部を、それぞれ一個の仮想マシンやハードウェアとして構成してもよい。以下に説明するような機械学習モデルを用いた値の推定を実行し得る限り、システムを構成する各部の具体的な仕様は適宜決定してよい。

【0022】

負荷推定モデルＭの作成について説明する。負荷推定モデルＭの作成に用いる学習データは、空調システムを実際に運転した際の、様々な時点における空調負荷に関連する各種のパラメータと、空調負荷の実績値とを記録したデータセットである。モデル生成部２２は、この学習データを用いて機械学習を行い、各種のパラメータに基づき、対象の建物における空調負荷の値を推定する負荷推定モデルＭを生成する。

【0023】

空調負荷を推定するために負荷推定モデルＭに入力する説明変数としては、空調負荷に関連する各種のパラメータを用いることができる。空調負荷に関連するパラメータの例を以下に列挙する。
・室内温度の測定値
・室内温度の設定値
・室内外の温度差
・外気温度
・湿度（絶対湿度または相対湿度）
・日射量
・カレンダデータ（年次、月次、日付、曜日（日月火水木金土、または、休日か平日か）など）
・時刻
・空調負荷の実績値
・空調機の稼働台数
・空調機の給気温度
・天候
・予想気温

【0024】

室内温度は、空調負荷の値に直接関連するパラメータである。外気温度、湿度および日射量は、空調対象の空間への熱の出入りを左右し、空調負荷に影響する。カレンダデータのうち、月次や日付は、時季による外気温度の変動、あるいは対象空間Ｓ内に生じる熱量の変動（例えば、特定の時季にのみ稼働する機器が対象空間にある場合などが想定される）に対応するので、空調負荷と関連する。曜日は、対象空間内における人の活動や機器の稼働のスケジュールに対応するので、空調負荷と関連する（例えば、オフィス等であれば休日は人が少なく、機器もあまり稼働しないため、休日にあたる曜日は空調負荷が小さくなることが想定される）。年次は、後述するように、やはり対象空間における人の活動と関係し、対象空間内の熱状況と関連するので、空調負荷と関連する。時刻は、外気温度や日射量による入熱の変動、対象空間内に生じる熱量の変動に影響するので、空調負荷と関連する。また、目的の時点の直近の数日間、あるいは１年前における空調負荷の実績値、空調機の稼働台数、給気温度などは、目的の時点における空調負荷の値に関連するパラメータであり、推定に利用することができる。目的の時点における天候や予想気温も、空調負荷に影響する。

【0025】

目的の時点における空調負荷を推定したい場合、その推定に説明変数として用いるパラメータの取得される時点または期間は、適宜選択することができる。例えば、現在から１５分後の時点における空調負荷を推定したい場合に、直近１週間の複数の時点における室内温度、外気温度、日射量を説明変数として用いてもよいし、あるいは、１年前の同じ日時における各パラメータを説明変数として用いてもよいし、現在の時点における各パラメータを説明変数として用いてもよい。尚、上記パラメータのうち、室内温度、外気温度、湿度、日射量、空調負荷の実績値、空調機の稼働台数、給気温度、予想気温は質的変数として、年次、月次、日付、曜日、時刻、天候はダミー変数として、それぞれ設定される。

【0026】

空調負荷の推定に際しては、上に挙げたパラメータから選択される一部または全部のパラメータを説明変数として用いることができるが、空調負荷を推定する上で特に有用なパラメータとしては、外気温度、湿度、日射量、カレンダデータおよび時刻が挙げられる。これらのパラメータは、空調負荷に関連するパラメータの中でも取得が容易である。カレンダデータと時刻についてはダミー変数を設定すればよいし、外気温度や湿度、日射量を説明変数とする場合は、過去の実測値や、図示しないセンサにより取得した現在の実測値、あるいは天気予報による現在の予報値等を用いれば済む。このため、例えば気象情報提供ＡＰＩサービスなどを利用して気象の詳細な予報データを購入することなく空調負荷の推定を行うことが可能であり、簡便であると共に費用を抑えることができる。

【0027】

ここで本願発明者らは、空調負荷を推定する場合、カレンダデータのうちでも年次を用いるようにすると、特に簡便に精度の高い推定が可能であることを鋭意研究の結果見出した。空調に関する状況は基本的に一年を１サイクルとして循環するように変動するため、空調状況に関連するパラメータとしては、月次や時期（中間期・夏期・冬期、あるいは上半期・下半期など）と比べて見落とされがちである。しかしながら、人の活動パターンは月次や時期のほか、年次によっても大きく変わる場合があり、人の使用する対象空間において、空調状況は年次によっても大きく影響を受ける。例えば、ある建物のある階において、ある年まで入居していたテナントが次の年には退去し、さらに空室の期間を経て別のテナントが入居するといった場合、最初のテナントの入居中、空室期間、次のテナントの入居中、の各期間における当該階や隣接階の熱状況は大きく異なる。人の活動に伴うこうした熱状況の変動は、年次に応じて生じるものであるため、これを説明変数として空調負荷の推定に用いれば、対象空間における熱状況をより的確に反映した推定が可能である。また、年次は容易に入手できるデータであるため、これをパラメータとして導入しても、空調負荷の推定に係る費用が大幅に増大することもない。

【0028】

例えば、数年間の空調の運転データの一部を用い、現在あるいは未来の一時点における空調負荷の値を推測する負荷推定モデルＭを生成する場合において、説明変数として負荷推定モデルＭに入力するパラメータの一つに年次を用いることができる。この場合、例えば下記表１のように、各データについて採集した年次に応じて０または１のダミー変数を設定し、これを負荷推定モデルＭに入力すればよい（One Hot Encoding）。
［表１］

【0029】

しかしながら、このようにダミー変数を設定すると、データの次元数が年次の数に応じて増大し（ここに示した例では、２０１９年、２０２０年、２０２１年の３次元）、場合によってはデータ量が膨大になって計算負荷が過剰になる虞がある。

【0030】

また、ダミー変数を設定されたデータには、当然ながらダミー変数の部分の特徴量がゼロであるデータが多く含まれる。機械学習モデルにおいては、あるパラメータの特徴量にゼロを含むデータがあった場合、そのパラメータを使用する部分において、当該パラメータは行列計算の過程で乗算により単にゼロとして扱われ、例えば再学習の際、その部分における当該パラメータの重み付けが変更される余地がなくなってしまう。よって、One Hot Encodingによりダミー変数を設定する上記のような方法では、データ量は多いにもかかわらず、機械学習モデルにおいて十分な学習がされないといった場合が生じ得る。

【0031】

そこで、上のように年次をパラメータとして用いる場合には、例えば下記表２のように、Entity Embeddingと呼ばれる手法を用いて次元数を圧縮することができる。
［表２］

【0032】

ここに示した例では、０または１の値で構成された３次元のデータを、０から１までの実数で構成された２次元のデータに変換している。このようにすると、データの表す実質的な内容を削ることなくデータ量を圧縮することができ、また、One Hot Encodingによる元のデータでは特徴量がゼロに設定されていたデータによっても、新たに付された特徴量の値に応じた学習が可能である。例えば、上記表１、表２のうちデータ４を学習する場合を考えると、年次（データの採集された年次が２０１９年、２０２０年、２０２１年のいずれであるか）をパラメータとして用いるにあたり、One Hot Encodingの場合（上記表１参照）は「２０２０年」の特徴量が「１」、「２０１９年」および「２０２１」の特徴量が「０」となっているデータが学習され、その結果、データ量は多いにもかかわらず、機械学習モデルにおいては十分な学習がなされないといった事態が生じ得る。一方、Entity Embeddingによって変換されたデータを用いると（上記表２参照）、年次については１か０かではなく、２つの特徴量の大小として判断される。つまり、２０１９年や２０２１年に採集されたデータについても、年次の特徴量が「０」ではない値に変更されることにより、適切な学習が行われる可能性が高まる。しかも、次元数も圧縮されるため、データ量を抑え、計算負荷を抑えつつ、モデルの精度を高めることができる。

【0033】

年次をパラメータとして用いた機械学習モデル（負荷推定モデル）の生成の手順の一例を、図２のフローチャートを参照して説明する。

【0034】

まず、学習に用いるデータを読み込む（ステップＳ１）。各データについて、One Hot Encodingにより、年次パラメータの特徴量を０または１とするダミー変数を設定する（ステップＳ２）。これを、Entity Embeddingにより、特徴量を０から１までの実数とするデータに変換する（ステップＳ３）。変換された年次パラメータを用い、機械学習モデル（負荷推定モデル）を作成する（ステップＳ４）。

【0035】

尚、空調負荷、ないし空調の運転に用いる何らかの値を推定するにあたっては、ここに例示した各種のパラメータに代えて、あるいは加えて、推定したい値に関連する別のパラメータを適宜用いても良い。

【0036】

また、ここに説明した空調システムのシステム構成や負荷推定モデルＭの構成等はあくまで一例である。空調負荷に関連する上述の如き各種パラメータ、特に年次を説明変数として負荷推定モデルＭを生成し、これを用いて空調負荷を推定し得る限りにおいて、システム構成や各種の手順等は種々変更することができる。例えば、ここではネットワーク上にモデル管理部２０や推定部３０等を構築した場合を例示したが、システムを構成する各機器間の接続関係等は適宜変更し得る。また、ここでは空調の運転に用いる値として空調負荷を推定する場合を説明したが、本発明の如きシステムや値の推定方法は、空調負荷に限らず、空調の運転に用いる何らかの値を推定する目的で広く適用することができる。例えば、対象とする空間の特定の位置における空気の温度等を推定するモデルに関し、上記と同様に年次をパラメータとして用いることも可能である。

【0037】

以上のように、上記本実施例の空調システムの運転方法においては、少なくとも年次をパラメータとし、機械学習モデルＭを用いて空調の運転に用いる値を推定するようにしている。このようにすれば、年次によって変化する対象空間における熱状況を的確に反映した推定を行うことができる。

【0038】

本実施例において、パラメータとしての年次は、ダミー変数をEntity Embeddingにより変換した値として用いられる。このようにすれば、年次をパラメータとして用いる機械学習モデルＭを生成するにあたり、データ量を抑えつつ、適切な学習が行われやすくすることができる。

【0039】

本実施例において、機械学習モデルＭは、空調の運転に用いる値として空調負荷を推定するよう構成された負荷推定モデルとしている。このようにすれば、空調負荷の推定に関し、上述の作用効果を奏することができる。

【0040】

また、本実施例の空調システムは、上述の空調システムの運転方法を適用されているので、空調システムにおいて上述の作用効果を奏することができる。

【0041】

したがって、上記本実施例によれば、空調の運転に用いる値を好適に精度よく推定し得る。

【0042】

尚、本発明の空調システムの運転方法および空調システムは、上述の実施例にのみ限定されるものではなく、本発明の要旨を逸脱しない範囲内において種々変更を加え得ることは勿論である。

【符号の説明】

【0043】

１０ 管理部
２０ モデル管理部
２１ 学習データ管理部
２２ モデル生成部
３０ 負荷推定部
４０ 表示部
４１ 端末装置
Ｍ 機械学習モデル（負荷推定モデル）

【図1】

【図2】