JP2021090344A - 機械学習装置、デマンド制御システム、及び、空調制御システム - Google Patents
機械学習装置、デマンド制御システム、及び、空調制御システム Download PDFInfo
- Publication number
- JP2021090344A JP2021090344A JP2020196258A JP2020196258A JP2021090344A JP 2021090344 A JP2021090344 A JP 2021090344A JP 2020196258 A JP2020196258 A JP 2020196258A JP 2020196258 A JP2020196258 A JP 2020196258A JP 2021090344 A JP2021090344 A JP 2021090344A
- Authority
- JP
- Japan
- Prior art keywords
- unit
- variable
- air conditioner
- machine learning
- learning
- Prior art date
- Legal status (The legal status 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 status listed.)
- Granted
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
- F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
- F24F11/46—Improving electric energy efficiency or saving
- F24F11/47—Responding to energy costs
-
- 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
-
- 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
- F24F11/64—Electronic processing using pre-stored data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2110/00—Control inputs relating to air properties
- F24F2110/10—Temperature
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2110/00—Control inputs relating to air properties
- F24F2110/20—Humidity
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2120/00—Control inputs relating to users or occupants
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2140/00—Control inputs relating to system states
- F24F2140/60—Energy consumption
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Mechanical Engineering (AREA)
- Signal Processing (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Fuzzy Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Air Conditioning Control Device (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
Description
第1実施形態に係るデマンド制御システム10について、図面を参照しながら説明する。デマンド制御システム10は、デマンド目標値を達成するための空気調和装置110の制御を行う。デマンド目標値とは、対象空間に設置されている空気調和装置110の所定時限における消費電力量の上限値である。言い換えると、デマンド制御システム10は、空気調和装置110の実際の消費電力量がデマンド目標値を超えないように、空気調和装置110を制御する。
第2実施形態に係る空調制御システム20について、図面を参照しながら説明する。空調制御システム20は、対象空間に設置される空気調和装置210を制御する。
第3実施形態に係る空調制御システム30について、図面を参照しながら説明する。空調制御システム30は、対象空間に設置される空気調和装置310を制御する。
第4実施形態に係る空調制御システム40について、図面を参照しながら説明する。空調制御システム40は、対象空間に設置される空気調和装置410を制御する。
以下、実施形態の少なくとも一部の変形例について説明する。
第1実施形態では、学習部103は、報酬を用いて学習する強化学習を行う。しかし、学習部103は、強化学習の代わりに、教師データに基づいて学習する教師あり学習を行ってもよい。
第2実施形態では、学習部203は、報酬を用いて学習する強化学習を行う。しかし、学習部203は、変形例Aで説明したように、強化学習の代わりに、教師データに基づいて学習する教師あり学習を行ってもよい。この場合、学習部203は、状態変数取得部201が取得した状態変数と、制御量取得部202が取得した制御量(空気調和装置210の部分負荷特性)とから得られた教師データを用いて学習してもよい。
第3及び第4実施形態では、学習部303,413,423は、報酬を用いて学習する強化学習を行う。しかし、学習部303,413,423は、変形例Aで説明したように、強化学習の代わりに、教師データに基づいて学習する教師あり学習を行ってもよい。この場合、例えば、学習部303は、状態変数取得部301が取得した状態変数と、制御量取得部302が取得した制御量(空気調和装置310が設置されている対象空間の熱容量特性)とから得られた教師データを用いて学習してもよい。
変形例A乃至Cにおいて、学習部103,203,303,413,423が教師データを用いる教師あり学習を行う場合、学習部103,203,303,413,423は、教師データの一部を学習データとして用いて識別関数のパラメータを調整し、残りをテストデータとして用いてもよい。テストデータとは、学習に使用されなかったデータであり、主に、学習済みモデルの性能評価に用いられるデータである。テストデータを用いることで、新規の状態変数から得られた評価データの性能を、テストデータに対する誤り確率という形式で予測することができる。予め取得したデータを学習データとテストデータとに分ける手法としては、ホールドアウト法、交差確認法、一つ抜き法(ジャックナイフ法)及びブートストラップ法等が用いられる。
変形例A乃至Dにおいて、学習部103,203,303,413,423が用いる機械学習の手法である教師あり学習について説明する。教師あり学習は、教師データを用いて、未知の入力データに対応する出力を生成する手法である。教師あり学習では、学習データと識別関数とが用いられる。学習データとは、入力データと、それに対応する教師データとの対の集合である。入力データは、例えば、特徴空間における特徴ベクトルである。教師データは、例えば、入力データの識別、分類及び評価に関するパラメータである。識別関数は、入力データから、それに対応する出力への写像を表す。教師あり学習は、事前に与えられた学習データを用いて、識別関数の出力と教師データとの差が小さくなるように、識別関数のパラメータを調整する手法である。教師あり学習で用いられるモデル又はアルゴリズムとしては、回帰分析、時系列分析、決定木、サポートベクターマシン、ニューラルネットワーク、アンサンブル学習等が挙げられる。
図11は、ニューラルネットワークのニューロンのモデルの模式図である。図12は、図11に示されるニューロンを組み合わせて構成した三層のニューラルネットワークの模式図である。図11に示されるように、ニューロンは、複数の入力x(図11では入力x1,x2,x3)に対する出力yを出力する。各入力x(図11では入力x1,x2,x3)には、対応する重みw(図11では重みw1,w2,w3)が乗算される。ニューロンは、次の式(1)を用いて出力yを出力する。
サポートベクターマシン(SVM)とは、最大マージンを実現する2クラス線形識別関数を求めるアルゴリズムである。図13は、SVMを説明するための図である。2クラス線形識別関数とは、図13に示される特徴空間において、2つのクラスC1,C2の学習データを線形分離するための超平面である識別超平面P1,P2を表す。図13において、クラスC1の学習データは円で示され、クラスC2の学習データは正方形で示されている。識別超平面のマージンとは、識別超平面に最も近い学習データと、識別超平面との間の距離である。図13には、識別超平面P1のマージンd1、及び、識別超平面P2のマージンd2が示されている。SVMでは、マージンが最大となるような識別超平面である最適識別超平面P1が求められる。一方のクラスC1の学習データと最適識別超平面P1との間の距離の最小値d1は、他方のクラスC2の学習データと最適識別超平面P2との間の距離の最小値d1と等しい。
決定木とは、複数の識別器を組み合わせて複雑な識別境界(非線形識別関数等)を得るためのモデルである。識別器とは、例えば、ある特徴軸の値と閾値との大小関係に関する規則である。学習データから決定木を構成する方法としては、例えば、特徴空間を2分割する規則(識別器)を求めることを繰り返す分割統治法がある。図15は、分割統治法によって構成された決定木の一例である。図16は、図15の決定木によって分割される特徴空間を表す。図16では、学習データは白丸又は黒丸で示され、図15に示される決定木によって、各学習データは、白丸のクラス又は黒丸のクラスに分類される。図15には、1から11までの番号が付されたノードと、ノード間を結びYes又はNoのラベルが付されたリンクとが示されている。図15において、終端ノード(葉ノード)は、四角で示され、非終端ノード(根ノード及び内部ノード)は、丸で示されている。終端ノードは、6から11までの番号が付されたノードであり、非終端ノードは、1から5までの番号が付されたノードである。各終端ノードには、学習データを表す白丸又は黒丸が示されている。各非終端ノードには、識別器が付されている。識別器は、特徴軸x1、x2の値と閾値a〜eとの大小関係を判断する規則である。リンクに付されたラベルは、識別器の判断結果を示す。図16において、識別器は点線で示され、識別器によって分割された領域には、対応するノードの番号が付されている。
(a)識別器を構成するための特徴軸及び閾値の選択。
(b)終端ノードの決定。例えば、1つの終端ノードに含まれる学習データが属するクラスの数。又は、決定木の剪定(根ノードが同じ部分木を得ること)をどこまで行うかの選択。
(c)終端ノードに対する多数決によるクラスの割り当て。
ランダムフォレストは、アンサンブル学習の一種であって、複数の決定木を組み合わせて識別性能を強化する手法である。ランダムフォレストを用いる学習では、相関が低い複数の決定木からなる群(ランダムフォレスト)が生成される。ランダムフォレストの生成及び識別には、以下のアルゴリズムが用いられる。
(A)m=1からMまで以下を繰り返す。
(a)N個のd次元学習データから、m個のブートストラップサンプルZmを生成する。
(b)Zmを学習データとして、以下の手順で各ノードtを分割して、m個の決定木を生成する。
(i)d個の特徴からd´個の特徴をランダムに選択する。(d´<d)
(ii)選択されたd´個の特徴の中から、学習データの最適な分割を与える特徴と分割点(閾値)を求める。
(iii)求めた分割点でノードtを2分割する。
(B)m個の決定木からなるランダムフォレストを出力する。
(C)入力データに対して、ランダムフォレストの各決定木の識別結果を得る。ランダムフォレストの識別結果は、各決定木の識別結果の多数決によって決定される。
第1乃至第4実施形態において、学習部103,203,303,413,423が用いる機械学習の手法である強化学習について説明する。強化学習は、一連の行動の結果としての報酬が最大となるような方策を学習する手法である。強化学習で用いられるモデル又はアルゴリズムは、Q学習(Q−learning)等がある。Q学習は、状態sの下で行動aを選択する価値を表すQ値を学習する手法である。Q学習では、Q値が最も高い行動aが最適な行動として選択される。高いQ値を求めるため、行動aの主体(エージェント)には、状態sの下で選択した行動aに対して報酬が与えられる。Q学習では、エージェントが行動するたびに、以下の式(10)を用いて、Q値が更新される。
第1実施形態及び変形例Aにおいて、状態変数は、室内条件及び室外条件の少なくとも1つをさらに含んでもよい。室内条件は、対象空間の温度、湿度、温度変化量、湿度変化量、在室人数、及び、対象空間に設置されている機器の消費電力量の少なくとも1つを含む。対象空間に設置されている機器とは、空気調和装置110、照明、及びPC等である。室外条件は、空気調和装置110の室外機が設置されている空間の温度、湿度、及び、日射量の少なくとも1つを含む。
第3及び第4実施形態及び変形例Cにおいて、状態変数は、室内条件及び室外条件の少なくとも1つをさらに含んでもよい。室内条件は、対象空間の温度、湿度、温度変化量、湿度変化量、在室人数、及び、対象空間に設置されている機器の消費電力量の少なくとも1つを含む。対象空間に設置されている機器とは、空気調和装置310,410、照明、及びPC等である。室外条件は、空気調和装置310,410の室外機が設置されている空間の温度、湿度、及び、日射量の少なくとも1つを含む。
上述の実施形態及び変形例において、機械学習装置100,200,300,400は、教師あり学習又は強化学習の手法を用いる。しかし、機械学習装置100,200,300,400は、教師あり学習と強化学習とを組み合わせた手法を用いてもよい。
上述の実施形態及び変形例において、学習部103,203,303,413,423は、種種の機械学習の手法を用い得る。学習部103,203,303,413,423が用い得る機械学習の手法は、既に説明した教師あり学習及び強化学習の他に、教師なし学習、半教師あり学習、トランスダクティブ学習、マルチタスク学習及び転移学習等がある。学習部103,203,303,413,423は、これらの手法を組み合わせて用いてもよい。
以上、本開示の実施形態を説明したが、特許請求の範囲に記載された本開示の趣旨及び範囲から逸脱することなく、形態や詳細の多様な変更が可能なことが理解されるであろう。
20 空調制御システム
30 空調制御システム
40 空調制御システム
100 機械学習装置
101 状態変数取得部(第1取得部)
103 学習部
104 関数更新部(更新部)
104a 教師データ蓄積部(蓄積部)
104b 判定部
105 評価データ取得部(第2取得部)
107 関数変更部(変更部)
110 空気調和装置
200 機械学習装置
201 状態変数取得部(第1取得部)
202 制御量取得部(第2取得部)
203 学習部
204 関数更新部(更新部)
205 推論部
210 空気調和装置
300 機械学習装置
301 状態変数取得部(第1取得部)
302 制御量取得部(第2取得部)
303 学習部
304 関数更新部(更新部)
305 推論部
310 空気調和装置
400 機械学習装置
406 操作量候補出力部(出力部)
407 操作量決定部(決定部)
410 空気調和装置
411 第1の状態変数取得部(第1の取得部)
412 第1の制御量取得部(第2の取得部)
413 第1の学習部
414 第1の関数更新部
415 第1の推論部
421 第2の状態変数取得部(第3の取得部)
422 第2の制御量取得部(第4の取得部)
423 第2の学習部
424 第2の関数更新部
425 第2の推論部
Claims (23)
- 対象空間に設置されている空気調和装置(110)の所定時限における消費電力量の上限値であるデマンド目標値を達成するための前記対象空間の設定温度を学習する機械学習装置であって、
学習部(103)と、
前記空気調和装置の消費電力量、及び、前記対象空間の状態に相関する室内状態値の少なくとも1つを含む第1変数を取得する第1取得部(101)と、
前記空気調和装置の制御結果を評価する評価データを取得する第2取得部(105)と、
前記評価データを用いて前記学習部の学習状態を更新する更新部(104)と、
を備え、
前記学習部は、前記更新部の出力に従って学習し、
前記評価データは、前記空気調和装置の消費電力量を含む、
機械学習装置(100)。 - 前記更新部は、前記評価データに基づいて報酬を算出し、
前記学習部は、前記報酬を用いて学習する、
請求項1に記載の機械学習装置。 - 前記更新部は、前記デマンド目標値と、前記評価データに含まれる前記空気調和装置の消費電力量との差が小さいほど、高い前記報酬を算出する、
請求項2に記載の機械学習装置。 - 前記第1変数を入力変数とし前記設定温度を出力変数とする識別関数のパラメータを調整する変更部(107)をさらに備え、
前記学習部は、前記変更部の出力に従って、前記識別関数のパラメータの変更を複数回行い、パラメータが変更された前記識別関数毎に前記第1変数から前記設定温度を出力し、
前記更新部は、蓄積部(104a)と判定部(104b)とを備え、
前記判定部は、前記評価データを用いて判定結果を出力し、
前記蓄積部は、前記判定結果に従って、前記第1変数と、前記学習部が前記第1変数から出力した前記設定温度とから教師データを蓄積し、
前記学習部は、前記蓄積部に蓄積された前記教師データに基づいて学習する、
請求項1に記載の機械学習装置。 - 前記室内状態値は、前記対象空間の温度、湿度、温度変化量、及び、湿度変化量の少なくとも1つである、
請求項1から4のいずれか1項に記載の機械学習装置。 - 前記第1変数は、室内条件及び室外条件の少なくとも1つをさらに含み、
前記室内条件は、前記対象空間に設置されている機器の消費電力量、及び、前記対象空間の在室人数の少なくとも1つを含み、
前記室外条件は、前記空気調和装置の室外機が設置されている空間の温度、湿度、及び、日射量の少なくとも1つを含む、
請求項1から5のいずれか1項に記載の機械学習装置。 - 請求項1から6のいずれか1項に記載の機械学習装置と、
空気調和装置と、
を備える、デマンド制御システム(10)。 - 対象空間に設置される空気調和装置(210)の部分負荷特性を学習する機械学習装置であって、
前記空気調和装置の運転実績に関する第1パラメータを含む第1変数を取得する第1取得部(201)と、
前記空気調和装置の部分負荷特性を含む第2変数を取得する第2取得部(202)と、
前記第1変数と前記第2変数とを関連付けて学習する学習部(203)と、
を備える、機械学習装置(200)。 - 前記学習部の学習の結果に基づき、前記第1変数から、前記空気調和装置の部分負荷特性の予測値を推論する推論部(205)をさらに備える、
請求項8に記載の機械学習装置。 - 前記学習部は、前記第1変数と前記第2変数とを教師データとして用いて学習する、
請求項8又は9に記載の機械学習装置。 - 前記第2変数及び前記予測値に基づいて報酬を算出する更新部(204)をさらに備え、
前記学習部は、前記報酬を用いて学習する、
請求項9に記載の機械学習装置。 - 前記更新部は、前記第2変数に含まれる前記空気調和装置の部分負荷特性と、前記予測値との差が小さいほど、高い前記報酬を算出する、
請求項11に記載の機械学習装置。 - 前記第1パラメータは、前記空気調和装置の能力に相関するパラメータ、及び、前記空気調和装置の消費電力量に相関するパラメータの少なくとも1つを含む、
請求項8から12のいずれか1項に記載の機械学習装置。 - 空気調和装置(310)が設置されている対象空間の熱容量特性を学習する機械学習装置であって、
前記空気調和装置の能力に相関する第1パラメータ、及び、前記対象空間の状態に相関する第2パラメータの少なくとも1つを含む第1変数を取得する第1取得部(301)と、
前記対象空間の熱容量特性を含む第2変数を取得する第2取得部(302)と、
前記第1変数と前記第2変数とを関連付けて学習する学習部(303)と、
を備える、機械学習装置(300)。 - 前記学習部の学習の結果に基づき、前記第1変数から、前記対象空間の熱容量特性の予測値を推論する推論部(305)をさらに備える、
請求項14に記載の機械学習装置。 - 前記学習部は、前記第1変数と前記第2変数とを教師データとして用いて学習する、
請求項14又は15に記載の機械学習装置。 - 前記第2変数及び前記予測値に基づいて報酬を算出する更新部(304)をさらに備え、
前記学習部は、前記報酬を用いて学習する、
請求項15に記載の機械学習装置。 - 前記更新部は、前記第2変数に含まれる前記対象空間の熱容量特性と、前記予測値との差が小さいほど、高い前記報酬を算出する、
請求項17に記載の機械学習装置。 - 前記第2パラメータは、前記対象空間の温度、湿度、温度変化量、及び、湿度変化量の少なくとも1つである、
請求項14から18のいずれか1項に記載の機械学習装置。 - 前記第1変数は、室内条件及び室外条件の少なくとも1つをさらに含み、
前記室内条件は、前記対象空間に設置されている機器の消費電力量、及び、前記対象空間の在室人数の少なくとも1つであり、
前記室外条件は、前記空気調和装置の室外機が設置されている空間の温度、湿度、及び、日射量の少なくとも1つである、
請求項14から19のいずれか1項に記載の機械学習装置。 - 対象空間に設置されている空気調和装置(410)の所定時限における消費電力量の上限値であるデマンド目標値を達成するための、前記空気調和装置を制御するための制御パラメータを決定する空調制御システムであって、
前記空気調和装置が設置されている前記対象空間の熱容量特性と、前記対象空間に設置される前記空気調和装置の部分負荷特性とを学習する機械学習装置(400)と、
前記制御パラメータの候補を出力する出力部(406)と、
前記制御パラメータを決定する決定部(407)と、
を備え、
前記機械学習装置は、
前記空気調和装置の能力に相関する第1パラメータ、及び、前記対象空間の状態に相関する第2パラメータの少なくとも1つを含む第1変数を取得する第1の取得部(411)と、
前記対象空間の熱容量特性を含む第2変数を取得する第2の取得部(412)と、
前記第1変数と前記第2変数とを関連付けて学習する第1の学習部(413)と、
前記第1の学習部の学習の結果に基づき、前記第1変数から、前記対象空間の熱容量特性の予測値である第1の予測値を推論する第1の推論部(415)と、
前記第1の予測値を含む第3変数を取得する第3の取得部(421)と、
前記空気調和装置の部分負荷特性を含む第4変数を取得する第4の取得部(422)と、
前記第3変数と前記第4変数とを関連付けて学習する第2の学習部(423)と、
前記出力部が出力した前記候補、及び、前記第2の学習部の学習の結果に基づき、前記第3変数から、前記空気調和装置の部分負荷特性の予測値である第2の予測値を推論する第2の推論部(425)と、
を備え、
前記決定部は、前記第2の予測値が前記デマンド目標値に関する所定の条件を満たすように、前記制御パラメータを決定する、
空調制御システム(40)。 - 前記第2パラメータは、前記対象空間の温度、湿度、温度変化量、及び、湿度変化量の少なくとも1つであり、
前記制御パラメータは、前記デマンド目標値を達成するための前記対象空間の設定温度を含む、
請求項21に記載の空調制御システム。 - 前記決定部は、前記空気調和装置の部分負荷特性の目標値と、前記第2の推論部が推論した前記第2の予測値との差が小さくなるように、前記制御パラメータを決定し、
前記第2の学習部は、前記決定部が決定した前記制御パラメータを用いて学習する、
請求項21又は22に記載の空調制御システム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021069577A JP2021103083A (ja) | 2019-11-26 | 2021-04-16 | 機械学習装置、デマンド制御システム、及び、空調制御システム |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019213365 | 2019-11-26 | ||
JP2019213365 | 2019-11-26 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021069577A Division JP2021103083A (ja) | 2019-11-26 | 2021-04-16 | 機械学習装置、デマンド制御システム、及び、空調制御システム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021090344A true JP2021090344A (ja) | 2021-06-10 |
JP7078873B2 JP7078873B2 (ja) | 2022-06-01 |
Family
ID=76130572
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020196258A Active JP7078873B2 (ja) | 2019-11-26 | 2020-11-26 | 機械学習装置、デマンド制御システム、及び、空調制御システム |
JP2021069577A Pending JP2021103083A (ja) | 2019-11-26 | 2021-04-16 | 機械学習装置、デマンド制御システム、及び、空調制御システム |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021069577A Pending JP2021103083A (ja) | 2019-11-26 | 2021-04-16 | 機械学習装置、デマンド制御システム、及び、空調制御システム |
Country Status (6)
Country | Link |
---|---|
US (1) | US20220282884A1 (ja) |
EP (1) | EP4067766A4 (ja) |
JP (2) | JP7078873B2 (ja) |
CN (1) | CN114729762A (ja) |
AU (1) | AU2020392948A1 (ja) |
WO (1) | WO2021107054A1 (ja) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102474031B1 (ko) * | 2021-12-15 | 2022-12-02 | 고등기술연구원연구조합 | 수요예측방법을 구비한 고장예측 방법 및 이를 이용하는 장치 |
JP7445718B1 (ja) | 2022-08-24 | 2024-03-07 | 東京瓦斯株式会社 | 熱源システム |
CN115437302B (zh) * | 2022-10-21 | 2023-05-09 | 深圳昌恩智能股份有限公司 | 一种大型中央空调ai智能控制方法及*** |
CN115978722B (zh) * | 2023-03-17 | 2023-05-23 | 四川港通医疗设备集团股份有限公司 | 一种基于人工智能的净化机组监测管理方法及*** |
CN116498537B (zh) * | 2023-04-25 | 2024-01-02 | 德耐尔能源装备有限公司 | 空压机的智能控制方法及*** |
CN117851176A (zh) * | 2024-01-09 | 2024-04-09 | 东南大学 | 一种基于设备特性迁移的数据中心能耗评估方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016170647A (ja) * | 2015-03-13 | 2016-09-23 | 株式会社日立製作所 | エネルギー制御ユニット、エネルギー制御システム、およびエネルギー管理方法 |
JP2017142595A (ja) * | 2016-02-09 | 2017-08-17 | ファナック株式会社 | 生産制御システムおよび統合生産制御システム |
WO2018199167A1 (ja) * | 2017-04-27 | 2018-11-01 | 三菱電機株式会社 | 空調装置、制御装置、空調方法及びプログラム |
JP2019060514A (ja) * | 2017-09-25 | 2019-04-18 | 日本電信電話株式会社 | 空調制御装置、空調制御方法、およびプログラム |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0593539A (ja) * | 1991-10-01 | 1993-04-16 | Matsushita Electric Ind Co Ltd | 空調システム制御装置 |
JP4910020B2 (ja) * | 2009-08-05 | 2012-04-04 | 株式会社日立製作所 | 需要家エネルギーマネジメントシステム |
US10094586B2 (en) * | 2015-04-20 | 2018-10-09 | Green Power Labs Inc. | Predictive building control system and method for optimizing energy use and thermal comfort for a building or network of buildings |
JP6807556B2 (ja) * | 2015-10-01 | 2021-01-06 | パナソニックIpマネジメント株式会社 | 空調制御方法、空調制御装置及び空調制御プログラム |
KR101754536B1 (ko) * | 2016-07-21 | 2017-07-07 | 성균관대학교산학협력단 | 건물 에너지 관리 시스템을 통한 냉동기의 최적 제어 방법 및 장치 |
JP6457472B2 (ja) * | 2016-12-14 | 2019-01-23 | ファナック株式会社 | 制御システム及び機械学習装置 |
CN110546177A (zh) * | 2017-04-28 | 2019-12-06 | 日本化药株式会社 | 顺丁烯二酰亚胺树脂组成物、预浸体及其硬化物 |
JP6680756B2 (ja) * | 2017-12-26 | 2020-04-15 | ファナック株式会社 | 制御装置及び機械学習装置 |
KR102440118B1 (ko) * | 2018-03-05 | 2022-09-05 | 삼성전자주식회사 | 공조 장치 및 그 제어 방법 |
KR102026020B1 (ko) * | 2018-04-10 | 2019-11-26 | 엘지전자 주식회사 | 인공지능을 이용한 파라미터 학습에 기반한 공기조화기, 클라우드 서버, 공기조화기의 구동 및 제어 방법 |
-
2020
- 2020-11-26 CN CN202080081407.5A patent/CN114729762A/zh active Pending
- 2020-11-26 JP JP2020196258A patent/JP7078873B2/ja active Active
- 2020-11-26 WO PCT/JP2020/044113 patent/WO2021107054A1/ja unknown
- 2020-11-26 AU AU2020392948A patent/AU2020392948A1/en not_active Abandoned
- 2020-11-26 EP EP20892024.9A patent/EP4067766A4/en not_active Withdrawn
-
2021
- 2021-04-16 JP JP2021069577A patent/JP2021103083A/ja active Pending
-
2022
- 2022-05-25 US US17/824,677 patent/US20220282884A1/en active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016170647A (ja) * | 2015-03-13 | 2016-09-23 | 株式会社日立製作所 | エネルギー制御ユニット、エネルギー制御システム、およびエネルギー管理方法 |
JP2017142595A (ja) * | 2016-02-09 | 2017-08-17 | ファナック株式会社 | 生産制御システムおよび統合生産制御システム |
WO2018199167A1 (ja) * | 2017-04-27 | 2018-11-01 | 三菱電機株式会社 | 空調装置、制御装置、空調方法及びプログラム |
JP2019060514A (ja) * | 2017-09-25 | 2019-04-18 | 日本電信電話株式会社 | 空調制御装置、空調制御方法、およびプログラム |
Also Published As
Publication number | Publication date |
---|---|
WO2021107054A1 (ja) | 2021-06-03 |
US20220282884A1 (en) | 2022-09-08 |
JP2021103083A (ja) | 2021-07-15 |
CN114729762A (zh) | 2022-07-08 |
EP4067766A1 (en) | 2022-10-05 |
AU2020392948A1 (en) | 2022-07-14 |
EP4067766A4 (en) | 2023-05-03 |
JP7078873B2 (ja) | 2022-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7078873B2 (ja) | 機械学習装置、デマンド制御システム、及び、空調制御システム | |
Li et al. | A semi-supervised approach to fault detection and diagnosis for building HVAC systems based on the modified generative adversarial network | |
Angelov et al. | Toward anthropomorphic machine learning | |
JP6828762B2 (ja) | 機械学習装置、及び、磁気軸受装置 | |
Lukina et al. | Into the unknown: Active monitoring of neural networks | |
Lemos et al. | Evolving intelligent systems: Methods, algorithms and applications | |
Cuentas et al. | An SVM-GA based monitoring system for pattern recognition of autocorrelated processes | |
Paulauskaite-Taraseviciene et al. | The usage of artificial neural networks for intelligent lighting control based on resident’s behavioural pattern | |
WO2021107053A1 (ja) | 機械学習装置、及び、環境調整装置 | |
JP2021056893A (ja) | 機械学習装置、及び、空調制御システム | |
Chen | Embedding a back propagation network into fuzzy c-means for estimating job cycle time: wafer fabrication as an example | |
Pouyan et al. | A hybrid fuzzy-firefly approach for rule-based classification | |
US20230385664A1 (en) | A computer-implemented method for deriving a data processing and inference pipeline | |
KR20230069010A (ko) | 정규화를 시행하는 딥 뉴럴 네트워크 학습 장치 및 그 방법 | |
Khurana | Automating feature engineering in supervised learning | |
Ma et al. | Making set-valued predictions in evidential classification: A comparison of different approaches | |
Christodoulou et al. | Improving the performance of classification models with fuzzy cognitive maps | |
CN111612629A (zh) | 基于长短期循环神经网络的实现股市风险预测处理的方法及其*** | |
Baboli et al. | Financial time series prediction by a hybrid memetic computation-based support vector regression (MA-SVR) method | |
Jackson et al. | Machine learning for classification of economic recessions | |
Fumanal-Idocin et al. | On the Stability of Fuzzy Classifiers to Noise Induction | |
CN118039109B (zh) | 一种医用中心供氧***的自动调节方法及装置 | |
Paulauskaite-Taraseviciene et al. | Statistical Evaluation of Four Technologies used for Intelectualization of Smart Home Environment | |
Lin et al. | An efficient evolutionary algorithm for fuzzy inference systems | |
Hajek et al. | Municipal creditworthiness modelling by Kohonen’s self-organizing feature maps and fuzzy logic neural networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20201126 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210224 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210416 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210713 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210909 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20211207 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220307 |
|
C60 | Trial request (containing other claim documents, opposition documents) |
Free format text: JAPANESE INTERMEDIATE CODE: C60 Effective date: 20220307 |
|
A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20220315 |
|
C21 | Notice of transfer of a case for reconsideration by examiners before appeal proceedings |
Free format text: JAPANESE INTERMEDIATE CODE: C21 Effective date: 20220322 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20220419 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220502 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 7078873 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |