(19)【発行国】日本国特許庁(JP)
(12)【公報種別】特許公報(B2)
(11)【特許番号】
(24)【登録日】2022-03-30
(45)【発行日】2022-04-07
(54)【発明の名称】設備機器運転システムおよび設備機器運転方法
(51)【国際特許分類】
H02J 3/00 20060101AFI20220331BHJP
H02J 13/00 20060101ALI20220331BHJP
H02J 3/38 20060101ALN20220331BHJP
【ＦＩ】
H02J3/00 170
H02J3/00 130
H02J13/00 301A
H02J13/00 311T
H02J3/38 130
【請求項の数】
2
(21)【出願番号】P 2018095003
(22)【出願日】2018-05-17
(65)【公開番号】P2019201491
(43)【公開日】2019-11-21
【審査請求日】2021-04-27
(73)【特許権者】
【識別番号】000206211
【氏名又は名称】大成建設株式会社
(74)【代理人】
【識別番号】100124084
【弁理士】
【氏名又は名称】黒岩 久人
(72)【発明者】
【氏名】小柳 秀光
(72)【発明者】
【氏名】大西 尭
(72)【発明者】
【氏名】山口 亮
(72)【発明者】
【氏名】坂下 泰士
(72)【発明者】
【氏名】三村 渉
【審査官】田中 慎太郎
(56)【参考文献】
【文献】特開２００９－２２５５５０（ＪＰ，Ａ）
【文献】特開２０１４－１８０１８７（ＪＰ，Ａ）
【文献】特開２０１４－２１７０９１（ＪＰ，Ａ）
【文献】特開２０１８－１１４９７（ＪＰ，Ａ）
【文献】特開２０１６－２４４５２１（ＪＰ，Ａ）
【文献】特開平１０－２２４９９０（ＪＰ，Ａ）
【文献】特開２０１７－２８８１６（ＪＰ，Ａ）
【文献】特開２０１０－１２４６４４（ＪＰ，Ａ）
【文献】特開２０１５－１９８５２３（ＪＰ，Ａ）
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ｈ０２Ｊ ３／００
Ｈ０２Ｊ １３／００
Ｈ０２Ｊ ３／３８
(57)【特許請求の範囲】
【請求項1】
通信回線を介して通信可能な運転計画サーバ、実績データ保存サーバ、気象予報サーバ、および、設備機器を制御する機器制御サーバを備える設備機器運転システムであって、前記運転計画サーバは、気象予報補正値演算部、補正後の気象予報値演算部、学習データ期間演算部、過去実績値学習部、予測値演算部、機器性能値分析部、および運転計画演算部を備え、
前記気象予報補正値演算部は、前記実績データ保存サーバから過去の気象予報値および気象実績値を取得し、当該取得した過去の気象予報値および気象実績値に基づいて、気象予報補正値を算定し、
前記補正後の気象予報値演算部は、前記気象予報サーバから気象予報値を取得し、当該取得した気象予報値および前記気象予報補正値演算部で算定した気象予報補正値に基づいて、気象予報値の補正を行い、
前記学習データ期間演算部は、前記実績データ保存サーバから気象実績値を取得するとともに、前記気象予報サーバから予測対象日の気象予報値を取得し、当該取得した気象実績値および気象予報値に基づいて学習データ期間を算定し、
前記過去実績値学習部は、前記学習データ期間演算部で算定した学習期間について、前記実績データ保存サーバから気象実績値ならびに前記設備機器の負荷および出力の実績値を取得し、当該気象実績値ならびに前記設備機器の負荷および出力の実績値に基づいて、機械学習モデルを構築し、
前記予測値演算部は、前記補正後の気象予測値演算部で算定した補正後の気象予報値に基づいて、前記機械学習モデルにより前記設備機器の負荷および出力の予測値を算定し、
前記機器性能値分析部は、前記実績データ保存サーバから前記設備機器の性能の実績値および当該性能に影響を与える要因の実績値を取得し、当該設備機器の性能の実績値および当該設備機器の性能に影響を与える要因の実績値に基づいて、機器性能補正式を算定し、
前記運転計画演算部は、前記機器性能値分析部で算定した機器性能補正式、コスト情報、ならびに前記予測値演算部で算定した設備機器の負荷および出力の予測値に基づいて、前記設備機器の一定時間毎の稼働機器および当該稼働機器の出力量を運転計画として決定し、
前記機器制御サーバは、当該運転計画に従って前記稼働機器を稼働させることを特徴とする設備機器運転システム。
【請求項2】
設備機器を運転する設備機器運転方法であって、気象予報補正値演算部が、過去の気象予報値および気象実績値に基づいて、気象予報補正値を算定するステップと、
学習データ期間演算部が、気象実績値および予測対象日の気象予報値に基づいて学習データ期間を算定するステップと、
過去実績値学習部が、前記学習データ期間演算部で算定した学習期間における気象実績値ならびに前記設備機器の負荷および出力の実績値に基づいて、機械学習モデルを構築するステップと、
機器性能値分析部が、前記設備機器の性能の実績値および前記設備機器の性能に影響を与える要因の実績値に基づいて、機器性能補正式を算定するステップと、
補正後の気象予報値演算部が、気象予報値および前記気象予報補正値演算部で算定した気象予報補正値に基づいて、気象予報値の補正を行うステップと、
予測値演算部が、前記補正後の気象予測値演算部で算定した補正後の気象予報値に基づいて、前記機械学習モデルにより前記設備機器の負荷および出力の予測値を算定するステップと、
運転計画演算部が、前記機器性能値分析部で算定した機器性能補正式、コスト情報、ならびに前記予測値演算部で算定した前記設備機器の負荷および出力の予測値に基づいて、前記設備機器の一定時間毎の稼働機器および当該稼働機器の出力量である運転計画を決定するステップと、
機器制御サーバが、当該運転計画に従って前記稼働機器を稼働させるステップと、を備えることを特徴とする設備機器運転方法。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、設備機器を運転する設備機器運転システムおよび設備機器運転方法に関する。
【背景技術】
【0002】
従来より、複数の設備機器の運転について、運転費用が低額となるような運転計画を決定する設備運転計画決定方法がある（特許文献１参照）。
この設備運転計画決定方法では、翌日の気象予報値に基づいて、電源・熱負荷および再生可能エネルギー出力の推移を予測し、この予測に基づいて設備機器の運転計画を決定する。なお、運転計画を決定する際には、設備機器の機器性能値としてカタログ値を用いている。
この設備運転計画決定方法では、翌日の気象予報値に基づいて、電源・熱負荷および再生可能エネルギー出力の推移を予測し、この予測に基づいて設備機器の運転計画を決定する。なお、運転計画を決定する際には、設備機器の機器性能値としてカタログ値を用いている。
【先行技術文献】
【特許文献】
【0003】
【文献】特開２０１３－１９０１５５号公報
【発明の概要】
【発明が解決しようとする課題】
【0004】
しかしながら、実際には、気象予報値と実績値に誤差があることが多く、電源・熱源負荷や再生可能エネルギー出力の予測に誤差が生じる場合があった。また、設備機器の機器性能値としてカタログ値を用いるため、実際の機器性能は異なる場合があった。よって、運転計画に誤差が生じ、設備機器の運転費用を十分に削減できないおそれがあった。
【0005】
本発明は、設備機器の運転費用を十分に削減できる、設備機器運転システムおよび設備機器運転方法を提供することを目的とする。
【課題を解決するための手段】
【0006】
請求項１に記載の設備機器運転システム（例えば、後述の設備機器運転システム１）は、通信回線（例えば、後述の通信回線Ｎ）を介して通信可能な運転計画サーバ（例えば、後述の運転計画サーバ１０）、実績データ保存サーバ（例えば、後述の実績データ保存サーバ２０）、気象予報サーバ（例えば、後述の気象予報サーバ３０）、および、設備機器（例えば、後述の電源・熱源機器５０）を制御する機器制御サーバ（例えば、後述の機器制御サーバ４０）を備える設備機器運転システムであって、前記運転計画サーバは、気象予報補正値演算部（例えば、後述の気象予報補正値演算部１１）、補正後の気象予報値演算部（例えば、後述の補正後の気象予報値演算部１２）、学習データ期間演算部（例えば、後述の学習データ期間演算部１３）、過去実績値学習部（例えば、後述の過去実績値学習部１４）、予測値演算部（例えば、後述の予測値演算部１５）、機器性能値分析部（例えば、後述の機器性能値分析部１６）、および運転計画演算部（例えば、後述の運転計画演算部１７）を備え、前記気象予報補正値演算部は、前記実績データ保存サーバから過去の気象予報値および気象実績値を取得し、当該取得した過去の気象予報値および気象実績値に基づいて、気象予報補正値を算定し、前記補正後の気象予報値演算部は、前記気象予報サーバから気象予報値を取得し、当該取得した気象予報値および前記気象予報補正値演算部で算定した気象予報補正値に基づいて、気象予報値の補正を行い、前記学習データ期間演算部は、前記実績データ保存サーバから気象実績値を取得するとともに、前記気象予報サーバから予測対象日の気象予報値を取得し、当該取得した気象実績値および気象予報値に基づいて学習データ期間を算定し、前記過去実績値学習部は、前記学習データ期間演算部で算定した学習期間について、前記実績データ保存サーバから気象実績値ならびに前記設備機器の負荷および出力の実績値を取得し、当該気象実績値ならびに前記設備機器の負荷および出力の実績値に基づいて、機械学習モデルを構築し、前記予測値演算部は、前記補正後の気象予測値演算部で算定した補正後の気象予報値に基づいて、前記機械学習モデルにより前記設備機器の負荷および出力の予測値を算定し、前記機器性能値分析部は、前記実績データ保存サーバから前記設備機器の性能の実績値および当該性能に影響を与える要因の実績値を取得し、当該設備機器の性能の実績値および当該設備機器の性能に影響を与える要因の実績値に基づいて、機器性能補正式を算定し、前記運転計画演算部は、前記機器性能値分析部で算定した機器性能補正式、コスト情報、ならびに前記予測値演算部で算定した設備機器の負荷および出力の予測値に基づいて、前記設備機器の一定時間毎の稼働機器および当該稼働機器の出力量を運転計画として決定し、前記機器制御サーバは、当該運転計画に従って前記稼働機器を稼働させることを特徴とする。
【0007】
請求項２に記載の設備機器運転方法は、設備機器を運転する設備機器運転方法であって、気象予報補正値演算部が、過去の気象予報値および気象実績値に基づいて、気象予報補正値を算定するステップ（例えば、後述のステップＳ５１）と、学習データ期間演算部が、気象実績値および予測対象日の気象予報値に基づいて学習データ期間を算定するステップ（例えば、後述のステップＳ５２）と、過去実績値学習部が、前記学習データ期間演算部で算定した学習期間における気象実績値ならびに前記設備機器の負荷および出力の実績値に基づいて、機械学習モデルを構築するステップ（例えば、後述のステップＳ５３）と、機器性能値分析部が、前記設備機器の性能の実績値および前記設備機器の性能に影響を与える要因の実績値に基づいて、機器性能補正式を算定するステップ（例えば、後述のステップＳ５４）と、補正後の気象予報値演算部が、気象予報値および前記気象予報補正値演算部で算定した気象予報補正値に基づいて、気象予報値の補正を行うステップ（例えば、後述のステップＳ５５）と、予測値演算部が、前記補正後の気象予測値演算部で算定した補正後の気象予報値に基づいて、前記機械学習モデルにより前記設備機器の負荷および出力の予測値を算定するステップ（例えば、後述のステップＳ５６）と、運転計画演算部が、前記機器性能値分析部で算定した機器性能補正式、コスト情報、ならびに前記予測値演算部で算定した前記設備機器の負荷および出力の予測値に基づいて、前記設備機器の一定時間毎の稼働機器および当該稼働機器の出力量である運転計画を決定するステップ（例えば、後述のステップＳ５７）と、機器制御サーバが、当該運転計画に従って前記稼働機器を稼働させるステップと、を備えることを特徴とする。
【0008】
この発明によれば、気象予報補正値演算部により、過去の気象予報値および気象実績値に基づいて気象予報補正値を算定し、補正後の気象予報値演算部により、この気象予報補正値を用いて明日の気象予報値を補正した。よって、運転計画演算部により運転計画を決定する際、より精度の高い気象予報値を用いることができるから、高精度で設備機器の運転計画を決定でき、設備機器の運転費用を十分に削減できる。
また、本発明では、過去実績値学習部により教師データを用いて機械学習モデルを構築し、予測値演算部によりこの構築した機械学習モデルにより設備機器の負荷および出力の予測値を算定する。この予測精度は、学習データの期間によって大きく変化するため、学習データ期間演算部により、十分な精度が得られるような学習データ期間を決定した。よって、学習データ期間の変化による誤差を低減でき、より精度よく運転計画を決定できる。
機器性能値分析部により、設備機器の性能の実績値に基づいて機器性能補正式を算定した。そして、運転計画演算部により設備機器の運転計画を決定する際、設備機器の機器性能値として、カタログ値ではなく、機器性能補正式に基づいて求めた値を用いたので、より精度よく運転計画を決定できる。
また、本発明では、過去実績値学習部により教師データを用いて機械学習モデルを構築し、予測値演算部によりこの構築した機械学習モデルにより設備機器の負荷および出力の予測値を算定する。この予測精度は、学習データの期間によって大きく変化するため、学習データ期間演算部により、十分な精度が得られるような学習データ期間を決定した。よって、学習データ期間の変化による誤差を低減でき、より精度よく運転計画を決定できる。
機器性能値分析部により、設備機器の性能の実績値に基づいて機器性能補正式を算定した。そして、運転計画演算部により設備機器の運転計画を決定する際、設備機器の機器性能値として、カタログ値ではなく、機器性能補正式に基づいて求めた値を用いたので、より精度よく運転計画を決定できる。
【発明の効果】
【0009】
本発明によれば、設備機器の運転費用を十分に削減できる、設備機器運転システムおよび設備機器運転方法を提供できる。
【図面の簡単な説明】
【0010】
【図1】本発明の一実施形態に係る設備機器運転システムの構成を示す図である。
【図2】前記設備機器運転システムの運転計画サーバの構成を示す図である。
【図3】前記運転計画サーバの気象予報補正値演算部が気象予報補正値を算定する手順のフローチャートである。
【図4】前記気象予報補正値演算部が気象予報補正値を算定する手順の説明図である。
【図5】前記運転計画サーバの補正後の気象予報値演算部が補正後の気象予報値を算定する手順のフローチャートである。
【図6】前記補正後の気象予報値演算部が補正後の気象予報値を算定する手順の説明図である。
【図7】前記運転計画サーバの学習データ期間演算部が学習データ期間を算定する手順のフローチャートである。
【図8】前記学習データ期間演算部が学習データ期間を算定する手順の説明図である。
【図9】前記運転計画サーバの過去実績値学習部がニューラルネットワークの重み係数を算定する手順の説明図である。
【図10】前記運転計画サーバの予測値演算部が電源・熱源機器の負荷および再生可能エネルギーの出力を予測する手順の説明図である。
【図11】前記運転計画サーバの機器性能値分析部が機器性能補正式を算定する手順のフローチャートである。
【図12】前記機器性能値分析部が機器性能補正式を算定する手順の説明図である。
【図13】設備機器運転システムの動作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】
【0011】
以下、本発明の一実施形態について、図面を参照しながら説明する。
図１は、本発明の一実施形態に係る設備機器運転システム１の構成を示す図である。
設備機器運転システム１は、所定の地域あるいは建物Ｐにおける、設備機器としての電源・熱源機器５０を制御するものである。また、この所定の地域あるいは建物Ｐには、設備機器としての再生可能エネルギー６０が設置されている。
電源・熱源機器５０とは、電気式およびガス式の設備機器であり、例えば、熱電併給装置であるコージェネレーションシステム、ヒートポンプ、蓄熱槽、および蓄電池が含まれる。また、再生可能エネルギー６０とは、自然活動によってエネルギー源が絶えず再生されるため、継続して利用可能なエネルギーであり、例えば、太陽熱温水器および太陽光発電が含まれる。
図１は、本発明の一実施形態に係る設備機器運転システム１の構成を示す図である。
設備機器運転システム１は、所定の地域あるいは建物Ｐにおける、設備機器としての電源・熱源機器５０を制御するものである。また、この所定の地域あるいは建物Ｐには、設備機器としての再生可能エネルギー６０が設置されている。
電源・熱源機器５０とは、電気式およびガス式の設備機器であり、例えば、熱電併給装置であるコージェネレーションシステム、ヒートポンプ、蓄熱槽、および蓄電池が含まれる。また、再生可能エネルギー６０とは、自然活動によってエネルギー源が絶えず再生されるため、継続して利用可能なエネルギーであり、例えば、太陽熱温水器および太陽光発電が含まれる。
【0012】
設備機器運転システム１は、運転計画サーバ１０、実績データ保存サーバ２０、気象予報サーバ（外部サーバ）３０、および、電源・熱源機器５０を制御する機器制御サーバ（ローカルコントロールサーバ）４０を備える。これら運転計画サーバ１０、実績データ保存サーバ２０、気象予報サーバ３０、および機器制御サーバ４０は、通信回線Ｎを介して通信可能となっている。
【0013】
実績データ保存サーバ２０には、過去の気象予報値および気象実績値が記憶されている。具体的には、過去の気象予報値および過去の気象実績値は、過去１週間について３０分おきの、乾球外気温度（℃）および水平面全天日射量（Ｗ／ｍ２）である。また、この実績データ保存サーバ２０には、電源・熱源機器５０の負荷の実績値および再生可能エネルギー６０の出力の実績値が記憶されている。
【0014】
気象予報サーバ３０は、気象予報値を提供するものである。具体的には、気象予報値は、例えば明日について、３０分おきの乾球外気温度（℃）および水平面全天日射量（Ｗ／ｍ２）である。
【0015】
運転計画サーバ１０は、実績データ保存サーバ２０に記憶された過去の気象予報値および気象実績値、ならびに、気象予報サーバ３０から提供された気象予報値に基づいて運転計画を生成し、機器制御サーバ４０に出力するものである。
【0016】
機器制御サーバ４０は、運転計画サーバから出力された運転計画に従って、電源・熱源機器５０を制御するものである。また、機器制御サーバ４０は、実績データ保存サーバ２０に、電源・熱源機器５０の負荷の実績値および再生可能エネルギー６０の出力の実績値を出力する。
【0017】
図２は、運転計画サーバ１０の構成を示す図である。
運転計画サーバ１０は、気象予報補正値演算部１１、補正後の気象予報値演算部１２、学習データ期間演算部１３、過去実績値学習部１４、予測値演算部１５、機器性能値分析部１６、運転計画演算部１７、およびパラメータ格納部１８を含んで構成される。
運転計画サーバ１０は、気象予報補正値演算部１１、補正後の気象予報値演算部１２、学習データ期間演算部１３、過去実績値学習部１４、予測値演算部１５、機器性能値分析部１６、運転計画演算部１７、およびパラメータ格納部１８を含んで構成される。
【0018】
パラメータ格納部１８は、気象予報補正値演算部１１、学習データ期間演算部１３、過去実績値学習部１４、および機器性能値分析部１６で算定した各種パラメータを記憶する。
【0019】
気象予報補正値演算部１１は、過去の気象予報値および気象実績値に基づいて、気象予報補正値を算定し、パラメータ格納部１８に記憶する。
気象予報補正値演算部１１が気象予報補正値を算定する手順の一例について、図３のフローチャートを参照しながら説明する。
ステップＳ１では、気象予報補正値演算部１１は、実績データ保存サーバから、過去１週間の３０分毎の気象予報値および気象実績値を取得する。ここで、過去の気象予報値および気象実績値として、乾球外気温度および水平面全天日射量を用いる。
ステップＳ２では、気象予報補正値演算部１１は、図４に示すように、過去１週間について、３０分毎の各時刻における乾球外気温度の予報値と実績値との差分を誤差として算定する。水平面全天日射量についても同様の作業を行う。
ステップＳ３では、気象予報補正値演算部１１は、３０分毎の各時刻における誤差の平均値を、各時刻における気象予報補正値として算定する（図６参照）。つまり、３０分毎の各時刻は１週間で７回あるので、各時刻についての７つの誤差の平均を求める。水平面全天日射量についても同様の作業を行う。これにより、乾球外気温度および水平面全天日射量について、０：００～２３：３０までの３０分毎における誤差の平均値が求められるので、この誤差の平均値を気象予報補正値とする。
気象予報補正値演算部１１が気象予報補正値を算定する手順の一例について、図３のフローチャートを参照しながら説明する。
ステップＳ１では、気象予報補正値演算部１１は、実績データ保存サーバから、過去１週間の３０分毎の気象予報値および気象実績値を取得する。ここで、過去の気象予報値および気象実績値として、乾球外気温度および水平面全天日射量を用いる。
ステップＳ２では、気象予報補正値演算部１１は、図４に示すように、過去１週間について、３０分毎の各時刻における乾球外気温度の予報値と実績値との差分を誤差として算定する。水平面全天日射量についても同様の作業を行う。
ステップＳ３では、気象予報補正値演算部１１は、３０分毎の各時刻における誤差の平均値を、各時刻における気象予報補正値として算定する（図６参照）。つまり、３０分毎の各時刻は１週間で７回あるので、各時刻についての７つの誤差の平均を求める。水平面全天日射量についても同様の作業を行う。これにより、乾球外気温度および水平面全天日射量について、０：００～２３：３０までの３０分毎における誤差の平均値が求められるので、この誤差の平均値を気象予報補正値とする。
【0020】
補正後の気象予報値演算部１２は、気象予報値および気象予報補正値に基づいて、気象予報値の補正を行って補正後の気象予報値を算定する。
補正後の気象予報値演算部１２が補正後の気象予報値を算定する手順の一例について、図５のフローチャートを参照しながら説明する。
ステップＳ１１では、補正後の気象予報値演算部１２は、パラメータ格納部１８から気象予報補正値演算部１１で算定した気象予報補正値を取得するとともに、気象予報サーバ３０から明日の気象予報値を取得する。
ステップＳ１２では、補正後の気象予報値演算部１２は、図６に示すように、明日の３０分毎の各時刻の気象予報値に、この時刻の気象予報補正値である平均誤差量を加算し、補正後の気象予報値を算定する。
補正後の気象予報値演算部１２が補正後の気象予報値を算定する手順の一例について、図５のフローチャートを参照しながら説明する。
ステップＳ１１では、補正後の気象予報値演算部１２は、パラメータ格納部１８から気象予報補正値演算部１１で算定した気象予報補正値を取得するとともに、気象予報サーバ３０から明日の気象予報値を取得する。
ステップＳ１２では、補正後の気象予報値演算部１２は、図６に示すように、明日の３０分毎の各時刻の気象予報値に、この時刻の気象予報補正値である平均誤差量を加算し、補正後の気象予報値を算定する。
【0021】
学習データ期間演算部１３は、過去の気象実績値および予測対象日の気象予報値に基づいて、予測精度が最も高くなるような学習データ期間（例えば過去ｎ日前までの期間）を算定し、パラメータ格納部１８に記憶する。
具体的には、学習データ期間演算部１３は、明日の１時間毎の全ての時刻について、気象予報値に一致する気象実績値が存在する期間を、学習データ期間とする。
学習データ期間演算部１３が学習データ期間を算定する手順の一例について、図７のフローチャートを参照しながら説明する。
具体的には、学習データ期間演算部１３は、明日の１時間毎の全ての時刻について、気象予報値に一致する気象実績値が存在する期間を、学習データ期間とする。
学習データ期間演算部１３が学習データ期間を算定する手順の一例について、図７のフローチャートを参照しながら説明する。
【0022】
ステップＳ２１では、学習データ期間演算部１３は、実績データ保存サーバから、過去数週間の１時間毎の各時刻の気象実績値を取得するとともに、気象予報サーバ３０から明日の気象予報値を取得する。ここで、気象実績値および気象予報値として、乾球外気温度および水平面全天日射量を用いる。
ステップＳ２２では、学習データ期間演算部１３は、明日の気象予報値に基づいて、一致しているか否かの判定に用いる一致度の閾値を算定する。例えば、図８に示すように、乾球外気温度については、明日２４時間の気象予報値の平均値が２９．４０であるので、その１／１０である２．９とする。一方、水平面全天日射量については、明日２４時間の気象予報値の平均値が２５０．７７であるので、その１／１０である２５．１とする。
ステップＳ２２では、学習データ期間演算部１３は、明日の気象予報値に基づいて、一致しているか否かの判定に用いる一致度の閾値を算定する。例えば、図８に示すように、乾球外気温度については、明日２４時間の気象予報値の平均値が２９．４０であるので、その１／１０である２．９とする。一方、水平面全天日射量については、明日２４時間の気象予報値の平均値が２５０．７７であるので、その１／１０である２５．１とする。
【0023】
ステップＳ２３では、学習データ期間演算部１３は、探索期間の初期値を１日に設定する。また、探索対象時刻の初期値を１：００に設定する。
ステップＳ２４では、学習データ期間演算部１３は、設定された探索期間に亘って、設定された探索対象時刻の気象予報値に一致する気象実績値を探索する。
例えば、図８に示すように、明日１１：００における気象予報値は、乾球外気温度が３２．８、水平面全天日射量が２０３．０となっている。この場合、過去に遡りながら、乾球外気温度の気象実績値が気象予報値である３２．８に一致し、水平面全天日射量の気象実績値がこの２０３．０に一致する時刻を探す。ここで、乾球外気温度の気象実績値が気象予報値に一致するとは、乾球外気温度の気象実績値が、乾球外気温度の気象予報値±閾値の範囲内にあることを意味し、ここでは、３２．８±２．９の範囲内にあることである。
ステップＳ２４では、学習データ期間演算部１３は、設定された探索期間に亘って、設定された探索対象時刻の気象予報値に一致する気象実績値を探索する。
例えば、図８に示すように、明日１１：００における気象予報値は、乾球外気温度が３２．８、水平面全天日射量が２０３．０となっている。この場合、過去に遡りながら、乾球外気温度の気象実績値が気象予報値である３２．８に一致し、水平面全天日射量の気象実績値がこの２０３．０に一致する時刻を探す。ここで、乾球外気温度の気象実績値が気象予報値に一致するとは、乾球外気温度の気象実績値が、乾球外気温度の気象予報値±閾値の範囲内にあることを意味し、ここでは、３２．８±２．９の範囲内にあることである。
【0024】
その結果、１日前の１２：００およびｎ日前の１０：００が見つかった。１日前の１２：００では、乾球外気温度が３４．８であり、水平面全天日射量が１８３．０である。乾球外気温度については、差分が３４．８－３２．８＝２．０であり、２．９よりも小さいので、一致していると判定する。また、水平面全天日射量については、差分が２０３．０－１８３．０＝２０．０であり、２５．１よりも小さいので、一致していると判定する。
また、ｎ日前の１０：００では、乾球外気温度が３４．３であり、水平面全天日射量が２２８．０である。乾球外気温度については、差分が３４．３－３２．８＝１．５であり、２．９よりも小さいので、一致していると判定する。また、水平面全天日射量については、差分が２２８．０－２０３．０＝２５．０であり、２５．１よりも小さいので、一致していると判定する。
また、ｎ日前の１０：００では、乾球外気温度が３４．３であり、水平面全天日射量が２２８．０である。乾球外気温度については、差分が３４．３－３２．８＝１．５であり、２．９よりも小さいので、一致していると判定する。また、水平面全天日射量については、差分が２２８．０－２０３．０＝２５．０であり、２５．１よりも小さいので、一致していると判定する。
【0025】
ステップＳ２５では、学習データ期間演算部１３は、設定された探索対象時刻の気象予報値に一致する気象実績値が見つかったか否かを判定する。この判定がＮｏである場合には、ステップＳ２６に移り、Ｙｅｓである場合には、ステップＳ２７に移る。
ステップＳ２６では、学習データ期間演算部１３は、探索期間を１日追加して再設定し、ステップＳ２４に戻る。
ステップＳ２７では、学習データ期間演算部１３は、全ての探索対象時刻について探索したか否かを判定する。この判定がＮｏである場合には、ステップＳ２８に移り、Ｙｅｓである場合には、ステップＳ２９に移る。
ステップＳ２８では、学習データ期間演算部１３は、探索対象時刻を１時間進めて再設定し、ステップＳ２４に戻る。
ステップＳ２９では、学習データ期間演算部１３は、探索期間を学習データ期間として設定する。
ステップＳ２６では、学習データ期間演算部１３は、探索期間を１日追加して再設定し、ステップＳ２４に戻る。
ステップＳ２７では、学習データ期間演算部１３は、全ての探索対象時刻について探索したか否かを判定する。この判定がＮｏである場合には、ステップＳ２８に移り、Ｙｅｓである場合には、ステップＳ２９に移る。
ステップＳ２８では、学習データ期間演算部１３は、探索対象時刻を１時間進めて再設定し、ステップＳ２４に戻る。
ステップＳ２９では、学習データ期間演算部１３は、探索期間を学習データ期間として設定する。
【0026】
過去実績値学習部１４は、気象実績値、電源・熱源機器５０の負荷の実績値、および再生可能エネルギー６０の出力の実績値に基づいて、機械学習モデル（ここではニューラルネットワーク）を構築する。
ニューラルネットワークは、人間の脳に近似した構造を有する数学モデルである。このニューラルネットワークの特性は、重み係数によって決定される。
そこで、過去実績値学習部１４は、ニューラルネットワークに教師データとして入力データと出力データとの組み合わせを与えることで、入力データから出力データを得るための重み係数を決定し、パラメータ格納部１８に記憶する。
具体的には、過去実績値学習部１４は、パラメータ格納部１８から学習データ期間演算部１３で算定した学習期間を取得し、実績データ保存サーバから、この取得した学習データ期間に亘って、気象実績値（乾球外気温度および水平面全天日射量の実績値）、電源・熱源機器５０の負荷の実績値、再生可能エネルギー６０の出力の実績値を取得する。次に、図９に示すように、過去実績値学習部１４は、気象実績値（乾球外気温度および水平面全天日射量の実績値）を入力データとし、電源・熱源機器５０の負荷の実績値および再生可能エネルギー６０の出力の実績値を出力データとして、ニューラルネットワークの特性である重み係数を求める。
ニューラルネットワークは、人間の脳に近似した構造を有する数学モデルである。このニューラルネットワークの特性は、重み係数によって決定される。
そこで、過去実績値学習部１４は、ニューラルネットワークに教師データとして入力データと出力データとの組み合わせを与えることで、入力データから出力データを得るための重み係数を決定し、パラメータ格納部１８に記憶する。
具体的には、過去実績値学習部１４は、パラメータ格納部１８から学習データ期間演算部１３で算定した学習期間を取得し、実績データ保存サーバから、この取得した学習データ期間に亘って、気象実績値（乾球外気温度および水平面全天日射量の実績値）、電源・熱源機器５０の負荷の実績値、再生可能エネルギー６０の出力の実績値を取得する。次に、図９に示すように、過去実績値学習部１４は、気象実績値（乾球外気温度および水平面全天日射量の実績値）を入力データとし、電源・熱源機器５０の負荷の実績値および再生可能エネルギー６０の出力の実績値を出力データとして、ニューラルネットワークの特性である重み係数を求める。
【0027】
予測値演算部１５は、重み係数および補正後の気象予報値に基づいて、構築した機械学習モデルにより、電源・熱源機器５０の負荷および再生可能エネルギー６０の出力を予測する。
具体的には、予測値演算部１５は、パラメータ格納部１８から過去実績学習部で算定した重み係数を取得するとともに、補正後の気象予報値演算部１２から補正後の気象予報値を取得する。次に、図１０に示すように、取得した重み係数を用いたニューラルネットワークに、補正後の気象予報値を入力することで、明日の電源・熱源機器５０の負荷の予測値および再生可能エネルギー６０の出力の予測値を算定する。
具体的には、予測値演算部１５は、パラメータ格納部１８から過去実績学習部で算定した重み係数を取得するとともに、補正後の気象予報値演算部１２から補正後の気象予報値を取得する。次に、図１０に示すように、取得した重み係数を用いたニューラルネットワークに、補正後の気象予報値を入力することで、明日の電源・熱源機器５０の負荷の予測値および再生可能エネルギー６０の出力の予測値を算定する。
【0028】
機器性能値分析部１６は、機器性能実績値に基づいて、真の機器性能値を求める機器性能補正式を算定し、パラメータ格納部１８に記憶する。
機器性能値分析部１６が機器性能補正式を算定する手順の一例について、図１１のフローチャートを参照しながら説明する。
ステップＳ４１では、機器性能値分析部１６は、実績データ保存サーバ２０から、電源・熱源機器５０の性能の実績値である機器性能実績値（例えば、ＣＯＰや一次エネルギー利用効率）と、電源・熱源機器５０の性能に影響を与える要因（例えば、機器出力や外気温度）の実績値を取得する。
ステップＳ４２では、機器性能値分析部１６は、機器性能実績値と機器性能に影響を与える要因との関係を線形回帰して機器性能補正式を算定する。例えば、図１２に示すように、機器出力とＣＯＰとの関係の線形回帰モデルを求めて、機器性能補正式Ｌとする。このとき上限値および下限値を設定しておき、上限値を超えるＣＯＰおよび下限値を下回るにＣＯＰを異常値として除外する。運転計画演算部１７では、この機器性能補正式Ｌに機器出力を入力することで、実際のＣＯＰを得ることができる。
機器性能値分析部１６が機器性能補正式を算定する手順の一例について、図１１のフローチャートを参照しながら説明する。
ステップＳ４１では、機器性能値分析部１６は、実績データ保存サーバ２０から、電源・熱源機器５０の性能の実績値である機器性能実績値（例えば、ＣＯＰや一次エネルギー利用効率）と、電源・熱源機器５０の性能に影響を与える要因（例えば、機器出力や外気温度）の実績値を取得する。
ステップＳ４２では、機器性能値分析部１６は、機器性能実績値と機器性能に影響を与える要因との関係を線形回帰して機器性能補正式を算定する。例えば、図１２に示すように、機器出力とＣＯＰとの関係の線形回帰モデルを求めて、機器性能補正式Ｌとする。このとき上限値および下限値を設定しておき、上限値を超えるＣＯＰおよび下限値を下回るにＣＯＰを異常値として除外する。運転計画演算部１７では、この機器性能補正式Ｌに機器出力を入力することで、実際のＣＯＰを得ることができる。
【0029】
運転計画演算部１７は、運転計画（一定時間毎（３０分毎）における稼働機器およびその稼働機器の出力量）を決定し、機器制御サーバ４０に送信する。
すなわち、運転計画演算部１７は、パラメータ格納部１８から、機器性能値分析部１６で算定した機器性能補正式、コスト情報（例えば、時刻毎の商用電力単価）を取得し、機器性能補正式、コスト情報、ならびに予測値演算部１５で算定した一定時間ごとの電源・熱源機器５０の負荷の予測値および再生可能エネルギー６０の出力の予測値に基づいて、電源・熱源機器５０の運転計画を決定する。
具体的には、運転計画演算部１７は、特許第５８１９２２５号に示すような最適化ロジックを用いて、一日の光熱費やＣＯ２排出量をできる限り削減することを目標として、一定時間毎（例えば、３０分間隔）の電源・熱源機器５０の稼働機器およびその出力量を決定し、運転計画とする。
すなわち、運転計画演算部１７は、パラメータ格納部１８から、機器性能値分析部１６で算定した機器性能補正式、コスト情報（例えば、時刻毎の商用電力単価）を取得し、機器性能補正式、コスト情報、ならびに予測値演算部１５で算定した一定時間ごとの電源・熱源機器５０の負荷の予測値および再生可能エネルギー６０の出力の予測値に基づいて、電源・熱源機器５０の運転計画を決定する。
具体的には、運転計画演算部１７は、特許第５８１９２２５号に示すような最適化ロジックを用いて、一日の光熱費やＣＯ２排出量をできる限り削減することを目標として、一定時間毎（例えば、３０分間隔）の電源・熱源機器５０の稼働機器およびその出力量を決定し、運転計画とする。
【0030】
以下、設備機器運転システム１の動作について、図１３のフローチャートを参照しながら説明する。なお、以下のステップＳ５１～５８のうち、ステップＳ５１～５４は、運転計画実施日の前日まで（例えば１週間に一度）に行い、ステップＳ５５～５７は、運転計画実施日の前日に行い、ステップＳ５８は、運転計画実施日の当日に行う。
ステップＳ５１では、気象予報補正値演算部１１が、過去の気象予報値および気象実績値に基づいて、気象予報補正値を算定し、パラメータ格納部１８に記憶する。
ステップＳ５２では、学習データ期間演算部１３が、過去の気象実績値および気象予報値に基づいて学習データ期間を算定し、パラメータ格納部１８に記憶する。
ステップＳ５１では、気象予報補正値演算部１１が、過去の気象予報値および気象実績値に基づいて、気象予報補正値を算定し、パラメータ格納部１８に記憶する。
ステップＳ５２では、学習データ期間演算部１３が、過去の気象実績値および気象予報値に基づいて学習データ期間を算定し、パラメータ格納部１８に記憶する。
【0031】
ステップＳ５３では、過去実績値学習部１４が、過去の気象実績値、電源・熱源機器５０の負荷の実績値、および再生可能エネルギー６０の出力の実績値に基づいて、ニューラルネットワークの重み係数を算定し、パラメータ格納部１８に記憶する。
ステップＳ５４では、機器性能値分析部１６が、機器性能実績値に基づいて、真の機器性能値を求める機器性能補正式を算定し、パラメータ格納部１８に記憶する。
ステップＳ５４では、機器性能値分析部１６が、機器性能実績値に基づいて、真の機器性能値を求める機器性能補正式を算定し、パラメータ格納部１８に記憶する。
【0032】
ステップＳ５５では、補正後の気象予報値演算部１２が、気象予報値および気象予報補正値に基づいて、気象予報値の補正を行って補正後の気象予報値を算定する。
ステップＳ５６では、予測値演算部１５が、重み係数および補正後の気象予報値に基づいて、電源・熱源機器５０の負荷および再生可能エネルギー６０の出力の予測値を算定する。
ステップＳ５７では、運転計画演算部１７が、運転計画を決定し、機器制御サーバ４０に送信する。
ステップＳ５８では、機器制御サーバ４０が、決定した運転計画に従って、電源・熱源機器５０を稼働させる。
ステップＳ５６では、予測値演算部１５が、重み係数および補正後の気象予報値に基づいて、電源・熱源機器５０の負荷および再生可能エネルギー６０の出力の予測値を算定する。
ステップＳ５７では、運転計画演算部１７が、運転計画を決定し、機器制御サーバ４０に送信する。
ステップＳ５８では、機器制御サーバ４０が、決定した運転計画に従って、電源・熱源機器５０を稼働させる。
【0033】
本実施形態によれば、以下のような効果がある。
（１）気象予報補正値演算部１１により、過去の気象予報値および気象実績値に基づいて気象予報補正値を算定し、補正後の気象予報値演算部１２により、この気象予報補正値を用いて明日の気象予報値を補正した。よって、運転計画演算部１７により運転計画を決定する際、より精度の高い気象予報値を用いることができるから、高精度で電源・熱源機器５０の運転計画を決定でき、電源・熱源機器５０の運転費用を十分に削減できる。
（１）気象予報補正値演算部１１により、過去の気象予報値および気象実績値に基づいて気象予報補正値を算定し、補正後の気象予報値演算部１２により、この気象予報補正値を用いて明日の気象予報値を補正した。よって、運転計画演算部１７により運転計画を決定する際、より精度の高い気象予報値を用いることができるから、高精度で電源・熱源機器５０の運転計画を決定でき、電源・熱源機器５０の運転費用を十分に削減できる。
【0034】
（２）過去実績値学習部１４により教師データをニューラルネットワークに学習させ、予測値演算部１５によりこの学習したニューラルネットワークにより電源・熱源機器５０の負荷および再生可能エネルギー６０の出力の予測値を算定する。このとき、学習データ期間演算部１３により、十分な精度が得られるような学習データ期間を決定した。よって、学習データ期間の変化による誤差を低減でき、より精度よく運転計画を決定できる。
（３）機器性能値分析部１６により、電源・熱源機器５０の性能の実績値に基づいて機器性能補正式を算定した。そして、運転計画演算部１７により電源・熱源機器５０の運転計画を決定する際、電源・熱源機器５０の機器性能値として、カタログ値ではなく、機器性能補正式に基づいて求めた値を用いたので、より精度よく運転計画を決定できる。
（３）機器性能値分析部１６により、電源・熱源機器５０の性能の実績値に基づいて機器性能補正式を算定した。そして、運転計画演算部１７により電源・熱源機器５０の運転計画を決定する際、電源・熱源機器５０の機器性能値として、カタログ値ではなく、機器性能補正式に基づいて求めた値を用いたので、より精度よく運転計画を決定できる。
【0035】
なお、本発明は前記実施形態に限定されるものではなく、本発明の目的を達成できる範囲での変形、改良等は本発明に含まれるものである。
例えば、本実施形態では、機械学習モデルとしてニューラルネットワークを用いたが、これに限らず、重回帰分析などを用いてもよい。
また、本実施形態では、運転計画演算部１７において、特許第５８１９２２５号に示すような最適化ロジックを用いたが、これに限らず、設備機器を極力低コストで運転できるのであれば、どのような最適化ロジックを用いてもよい。
例えば、本実施形態では、機械学習モデルとしてニューラルネットワークを用いたが、これに限らず、重回帰分析などを用いてもよい。
また、本実施形態では、運転計画演算部１７において、特許第５８１９２２５号に示すような最適化ロジックを用いたが、これに限らず、設備機器を極力低コストで運転できるのであれば、どのような最適化ロジックを用いてもよい。
【符号の説明】
【0036】
１…設備機器運転システム
１０…運転計画サーバ １１…気象予報補正値演算部
１２…補正後の気象予報値演算部 １３…学習データ期間演算部
１４…過去実績値学習部 １５…予測値演算部 １６…機器性能値分析部
１７…運転計画演算部 １８…パラメータ格納部
２０…実績データ保存サーバ ３０…気象予報サーバ ４０…機器制御サーバ
５０…電源・熱源機器（設備機器） ６０…再生可能エネルギー
１０…運転計画サーバ １１…気象予報補正値演算部
１２…補正後の気象予報値演算部 １３…学習データ期間演算部
１４…過去実績値学習部 １５…予測値演算部 １６…機器性能値分析部
１７…運転計画演算部 １８…パラメータ格納部
２０…実績データ保存サーバ ３０…気象予報サーバ ４０…機器制御サーバ
５０…電源・熱源機器（設備機器） ６０…再生可能エネルギー
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】
【図13】