JP2704026B2 - 熱負荷予測システム - Google Patents
熱負荷予測システムInfo
- Publication number
- JP2704026B2 JP2704026B2 JP2116731A JP11673190A JP2704026B2 JP 2704026 B2 JP2704026 B2 JP 2704026B2 JP 2116731 A JP2116731 A JP 2116731A JP 11673190 A JP11673190 A JP 11673190A JP 2704026 B2 JP2704026 B2 JP 2704026B2
- Authority
- JP
- Japan
- Prior art keywords
- heat load
- heat
- pattern
- data
- input
- 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.)
- Expired - Lifetime
Links
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2130/00—Control inputs relating to environmental factors not covered by group F24F2110/00
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2130/00—Control inputs relating to environmental factors not covered by group F24F2110/00
- F24F2130/10—Weather information or forecasts
Landscapes
- Air Conditioning Control Device (AREA)
Description
【発明の詳細な説明】 [発明の目的] (産業上の利用分野) 本発明は熱供給施設において例えば翌日消費される熱
負荷を予測するシステムに係り、特に人手による演算を
必要とすることなく、ニューラルネットワークモデルを
用いて翌日の熱負荷を極めて精度よく推定し得るように
した熱負荷予測システムに関する。
負荷を予測するシステムに係り、特に人手による演算を
必要とすることなく、ニューラルネットワークモデルを
用いて翌日の熱負荷を極めて精度よく推定し得るように
した熱負荷予測システムに関する。
(従来の技術) 従来から、ビルディングや家屋、公共施設等の冷暖房
設備としては、蓄熱槽を備えたものがあり、昼間に消費
される熱負荷の一部または全てを、夜間の冷水、温水、
および蒸気として蓄熱している。こうすることによっ
て、昼間における熱源機器の熱負荷が軽減されるので、
熱源機器の設備容量を小さくすることが可能となり、ま
た熱源機器の運転効率および負荷率の向上を図ることが
できる。また、電気による冷暖房の場合には、電力会社
と産業用調整契約をすることで、安価な夜間電力を利用
してランニングコストを節約することができる。
設備としては、蓄熱槽を備えたものがあり、昼間に消費
される熱負荷の一部または全てを、夜間の冷水、温水、
および蒸気として蓄熱している。こうすることによっ
て、昼間における熱源機器の熱負荷が軽減されるので、
熱源機器の設備容量を小さくすることが可能となり、ま
た熱源機器の運転効率および負荷率の向上を図ることが
できる。また、電気による冷暖房の場合には、電力会社
と産業用調整契約をすることで、安価な夜間電力を利用
してランニングコストを節約することができる。
ところで、このような冷暖房設備においては、蓄熱槽
を効率良く使用するために、前日の業務用蓄熱調整契約
の始まる時間前に翌日の熱負荷を予測して、契約時間帯
(夜間)にその予測値に従って過不足のない熱量を蓄積
するようにしている。そして、従来においては、翌日の
熱負荷を予測するために、例えば月別に設定した基準熱
負荷を実績熱負荷や外気温度で補正する方式や、冷暖房
の熱負荷を日照量、外気侵入熱量、室内発生熱、室内蓄
熱等の要因毎に求めた熱量を合計する方式などが試みら
れている。
を効率良く使用するために、前日の業務用蓄熱調整契約
の始まる時間前に翌日の熱負荷を予測して、契約時間帯
(夜間)にその予測値に従って過不足のない熱量を蓄積
するようにしている。そして、従来においては、翌日の
熱負荷を予測するために、例えば月別に設定した基準熱
負荷を実績熱負荷や外気温度で補正する方式や、冷暖房
の熱負荷を日照量、外気侵入熱量、室内発生熱、室内蓄
熱等の要因毎に求めた熱量を合計する方式などが試みら
れている。
しかしながら、このような方式においては、熱を供給
する対象設備に適合した定数や補正項の係数を設定する
必要があり、これらの数値を設定するには、過去の運転
実績に基づいたデータにより調整作業を行なわなければ
ならない。また、熱を供給する対象設備の条件が、設備
の新設,改造等によって変化したような場合には、設定
する定数および係数をその都度変更しなければならな
い。そして、このような作業は、実運用上ではオペレー
タの手作業となるため、作業の煩わしさ等の理由により
使われなくなってしまい、実際には冷暖房設備を運用す
るオペレータが、過去の熱負荷実績の翌日の天候、現在
の気温等から経験的に判断して、翌日の熱負荷を予測し
ている。
する対象設備に適合した定数や補正項の係数を設定する
必要があり、これらの数値を設定するには、過去の運転
実績に基づいたデータにより調整作業を行なわなければ
ならない。また、熱を供給する対象設備の条件が、設備
の新設,改造等によって変化したような場合には、設定
する定数および係数をその都度変更しなければならな
い。そして、このような作業は、実運用上ではオペレー
タの手作業となるため、作業の煩わしさ等の理由により
使われなくなってしまい、実際には冷暖房設備を運用す
るオペレータが、過去の熱負荷実績の翌日の天候、現在
の気温等から経験的に判断して、翌日の熱負荷を予測し
ている。
しかしながら、このようなオペレータの経験に基づく
熱負荷予測においては、予測精度が悪いことから、熱負
荷の予測値と実際に消費される熱負荷とが大幅に異なる
ことがあり、その結果、熱消費機器の運転効率が低下す
るばかりでなく、安価な夜間電力を有効に利用できなく
なってしまうという問題があった。
熱負荷予測においては、予測精度が悪いことから、熱負
荷の予測値と実際に消費される熱負荷とが大幅に異なる
ことがあり、その結果、熱消費機器の運転効率が低下す
るばかりでなく、安価な夜間電力を有効に利用できなく
なってしまうという問題があった。
そこで最近では、このような問題を解消するために、
熱供給施設において翌日消費される熱負荷を、自己回帰
モデルを用いて予測するシステムが提案されてきてい
る。
熱供給施設において翌日消費される熱負荷を、自己回帰
モデルを用いて予測するシステムが提案されてきてい
る。
しかしながら、このような自己回帰モデルを用いた熱
負荷予測システムにおいては、日量を出してパターンを
適当に記憶しておき、一時刻先までの熱量のみしか予測
することができない。このため、一日の熱負荷パターン
を正確に予測することができず、結果的に無人化を図る
上での支障となっている。
負荷予測システムにおいては、日量を出してパターンを
適当に記憶しておき、一時刻先までの熱量のみしか予測
することができない。このため、一日の熱負荷パターン
を正確に予測することができず、結果的に無人化を図る
上での支障となっている。
(発明が解決しようとする課題) 以上のように、従来による熱負荷予測においては、熱
負荷の予測精度が悪いことから、熱消費機器の運転効率
が低下し、また安価な夜間電力が有効に利用できないば
かりでなく、無人化が図れないという問題があった。
負荷の予測精度が悪いことから、熱消費機器の運転効率
が低下し、また安価な夜間電力が有効に利用できないば
かりでなく、無人化が図れないという問題があった。
本発明の目的とするところは、人手による演算を必要
とすることなく、ニューラルネットワークモデルを用い
て翌日の熱負荷を精度よく推定することができ、熱消費
機器の運転効率の向上、安価な夜間電力の有効利用、な
らびに無人化を図ることが可能な極めて信頼性の高い熱
負荷予測システムを提供することにある。
とすることなく、ニューラルネットワークモデルを用い
て翌日の熱負荷を精度よく推定することができ、熱消費
機器の運転効率の向上、安価な夜間電力の有効利用、な
らびに無人化を図ることが可能な極めて信頼性の高い熱
負荷予測システムを提供することにある。
[発明の構成] (課題を解決するための手段) 上記の目的を達成するために本発明では、熱供給施設
における熱負荷を予測するシステムを、熱消費機器で消
費される熱負荷データを検出する熱負荷検出手段と、熱
負荷検出手段にて検出された過去の熱負荷データを熱負
荷実績として記憶する熱負荷データ記憶手段と、熱消費
機器で消費される熱負荷を変動させる天候、気温、曜日
等の要因データを入力する入力手段と、熱負荷データ記
憶手段に記憶されている過去の熱負荷データ、および入
力手段にて入力される熱負荷を変動させる要因データに
基づいて、熱負荷パターンを特定するための特徴を定義
し、かつ当該特徴により熱負荷パターンを分類する熱負
荷パターン分類手段と、過去の気象データおよび曜日を
入力とし熱負荷パターンを出力するニューラルネットワ
ークの重み係数を学習することにより予測モデルを作成
する予測モデル作成手段と、入力手段にて入力される先
所定時間における要因データに基づいて、予測モデル作
成手段にて作成された予測モデルを用いて、先所定時間
における熱負荷パターンを予測する熱負荷パターン予測
手段とを備えて構成している。
における熱負荷を予測するシステムを、熱消費機器で消
費される熱負荷データを検出する熱負荷検出手段と、熱
負荷検出手段にて検出された過去の熱負荷データを熱負
荷実績として記憶する熱負荷データ記憶手段と、熱消費
機器で消費される熱負荷を変動させる天候、気温、曜日
等の要因データを入力する入力手段と、熱負荷データ記
憶手段に記憶されている過去の熱負荷データ、および入
力手段にて入力される熱負荷を変動させる要因データに
基づいて、熱負荷パターンを特定するための特徴を定義
し、かつ当該特徴により熱負荷パターンを分類する熱負
荷パターン分類手段と、過去の気象データおよび曜日を
入力とし熱負荷パターンを出力するニューラルネットワ
ークの重み係数を学習することにより予測モデルを作成
する予測モデル作成手段と、入力手段にて入力される先
所定時間における要因データに基づいて、予測モデル作
成手段にて作成された予測モデルを用いて、先所定時間
における熱負荷パターンを予測する熱負荷パターン予測
手段とを備えて構成している。
(作 用) 従って、本発明の熱負荷予測システムにおいては、熱
消費機器で消費される熱負荷データが、熱負荷検出手段
によって検出されて熱負荷記憶手段に記憶される。ま
た、入力手段からオペレータによって、翌日の天候、気
温、曜日等の、熱負荷を変動させる要因データがインプ
ットされる。
消費機器で消費される熱負荷データが、熱負荷検出手段
によって検出されて熱負荷記憶手段に記憶される。ま
た、入力手段からオペレータによって、翌日の天候、気
温、曜日等の、熱負荷を変動させる要因データがインプ
ットされる。
次に、熱負荷パターン分類手段では、過去の熱負荷デ
ータ、および熱負荷を変動させる要因データに基づい
て、熱負荷パターンを特定するための特徴が定義され、
この特徴により熱負荷パターンが分類される。さらに、
予測モデル作成手段では、過去の気象データおよび曜日
を入力とし熱負荷パターンを出力するニューラルネット
ワークの重み係数を学習することにより、予測モデルが
作成される。そして、熱負荷パターン予測手段では、先
所定時間における要因データに基づき、この予測モデル
を用いて先所定時間において消費される熱負荷(例え
ば、翌日における1時間毎の熱負荷)が予測され、この
予測値に基づいて温水量、冷水量、蒸気量等の熱負荷が
蓄積されることになる。
ータ、および熱負荷を変動させる要因データに基づい
て、熱負荷パターンを特定するための特徴が定義され、
この特徴により熱負荷パターンが分類される。さらに、
予測モデル作成手段では、過去の気象データおよび曜日
を入力とし熱負荷パターンを出力するニューラルネット
ワークの重み係数を学習することにより、予測モデルが
作成される。そして、熱負荷パターン予測手段では、先
所定時間における要因データに基づき、この予測モデル
を用いて先所定時間において消費される熱負荷(例え
ば、翌日における1時間毎の熱負荷)が予測され、この
予測値に基づいて温水量、冷水量、蒸気量等の熱負荷が
蓄積されることになる。
よって、人手による演算を必要としないで、しかも極
めて精度の高い熱負荷予測を行なうことができる。
めて精度の高い熱負荷予測を行なうことができる。
(実施例) 以下、本発明の一実施例について図面を参照して説明
する。
する。
第1図は、本発明による熱負荷予測システムの構成例
を示すブロック図である。第1図において、熱消費機器
である被冷暖房設備1には、熱源機器である冷暖房設備
2から、温水、冷水、蒸気等の熱エネルギーが供給され
ている。そして、この被冷暖房設備1で消費される熱エ
ネルギー量、すなわち熱負荷を熱負荷検出器3にて検出
するようにしている。また、この熱負荷検出器3にて検
出された熱負荷検出値を、入力装置(プロセスインター
フェース)4を介して、演算処理装置11へ入力するよう
にしている。さらに、入出力装置(マンマシンインター
フェース)6から、被冷暖房設備1で消費される熱負荷
を変動させる要因データである、気象実績および気象予
報のデータを演算処理装置11へ入力し、演算処理装置11
で演算された熱負荷パターンである配水流量パターン
を、出力装置(CRT)7へ出力するようにしている。
を示すブロック図である。第1図において、熱消費機器
である被冷暖房設備1には、熱源機器である冷暖房設備
2から、温水、冷水、蒸気等の熱エネルギーが供給され
ている。そして、この被冷暖房設備1で消費される熱エ
ネルギー量、すなわち熱負荷を熱負荷検出器3にて検出
するようにしている。また、この熱負荷検出器3にて検
出された熱負荷検出値を、入力装置(プロセスインター
フェース)4を介して、演算処理装置11へ入力するよう
にしている。さらに、入出力装置(マンマシンインター
フェース)6から、被冷暖房設備1で消費される熱負荷
を変動させる要因データである、気象実績および気象予
報のデータを演算処理装置11へ入力し、演算処理装置11
で演算された熱負荷パターンである配水流量パターン
を、出力装置(CRT)7へ出力するようにしている。
また、演算処理装置11は、過去の熱負荷データおよび
熱負荷を変動させる要因データから、熱負荷パターンを
特定するための特徴を定義し、この特徴により熱負荷パ
ターンである配水量パターンを分類する熱負荷パターン
分類手段12と、過去の気象データ(天候、気温、湿度
等)および曜日を入力とし熱負荷パターンを出力する、
ニューラルネットワークの重み係数の学習により予測モ
デルを作成する予測モデル作成手段13と、先所定時間
(例えば、翌日)における要因データ(天気、曜日等)
に基づいて、予測モデル作成手段にて作成された予測モ
デルを用いて、先所定時間(例えば、翌日)における熱
負荷パターンである配水量パターンを予測する熱負荷パ
ターン予測手段14とを備えている。
熱負荷を変動させる要因データから、熱負荷パターンを
特定するための特徴を定義し、この特徴により熱負荷パ
ターンである配水量パターンを分類する熱負荷パターン
分類手段12と、過去の気象データ(天候、気温、湿度
等)および曜日を入力とし熱負荷パターンを出力する、
ニューラルネットワークの重み係数の学習により予測モ
デルを作成する予測モデル作成手段13と、先所定時間
(例えば、翌日)における要因データ(天気、曜日等)
に基づいて、予測モデル作成手段にて作成された予測モ
デルを用いて、先所定時間(例えば、翌日)における熱
負荷パターンである配水量パターンを予測する熱負荷パ
ターン予測手段14とを備えている。
一方、蓄熱計画演算装置8は、熱負荷パターン予測手
段14にて予測された熱負荷パターンに応じて、実際に冷
暖房設備2に蓄積する冷水量、温水量、蒸気量等の熱負
荷を決定し、かつこの熱負荷に基づいて冷暖房設備2に
発・停指令を与えるようになっている。そして、冷暖房
設備2に蓄積された熱エネルギーによって、被冷暖房設
備1で先所定時間(例えば、翌日)において消費される
熱負荷をまかなうようになっている。
段14にて予測された熱負荷パターンに応じて、実際に冷
暖房設備2に蓄積する冷水量、温水量、蒸気量等の熱負
荷を決定し、かつこの熱負荷に基づいて冷暖房設備2に
発・停指令を与えるようになっている。そして、冷暖房
設備2に蓄積された熱エネルギーによって、被冷暖房設
備1で先所定時間(例えば、翌日)において消費される
熱負荷をまかなうようになっている。
次に、以上のように構成した熱負荷予測システムの作
用について説明する。
用について説明する。
第1図において、入力装置(プロセスインターフェー
ス)4を介して入力される熱負荷検出値は、演算処理装
置11の熱負荷記憶手段である熱負荷実績手段21に蓄えら
れる。また、この熱負荷実績手段21に蓄えられた過去の
熱負荷実績と関連づけて、入出力装置(マンマシンイン
ターフェース)6を介して入力された気象実績が、演算
処理装置11の気象実績手段22に蓄えられる。
ス)4を介して入力される熱負荷検出値は、演算処理装
置11の熱負荷記憶手段である熱負荷実績手段21に蓄えら
れる。また、この熱負荷実績手段21に蓄えられた過去の
熱負荷実績と関連づけて、入出力装置(マンマシンイン
ターフェース)6を介して入力された気象実績が、演算
処理装置11の気象実績手段22に蓄えられる。
次に、この熱負荷実績手段21に蓄えられた熱負荷実績
21、および気象実績手段22に蓄えられた気象実績22は、
熱負荷パターン分類手段12によって各々数十種類のパタ
ーンに分類される。そして、この分類された熱負荷パタ
ーンおよび気象パターンは、それぞれ熱負荷パターン手
段23および気象パターン手段24に蓄えられる。すなわ
ち、この熱負荷パターン分類手段12では、熱負荷のパタ
ーンの変化の特徴を表わす指標を基に、共通の特徴を持
つパターン毎に次のように分類される。
21、および気象実績手段22に蓄えられた気象実績22は、
熱負荷パターン分類手段12によって各々数十種類のパタ
ーンに分類される。そして、この分類された熱負荷パタ
ーンおよび気象パターンは、それぞれ熱負荷パターン手
段23および気象パターン手段24に蓄えられる。すなわ
ち、この熱負荷パターン分類手段12では、熱負荷のパタ
ーンの変化の特徴を表わす指標を基に、共通の特徴を持
つパターン毎に次のように分類される。
熱負荷のパターンの変化の特徴を表わす指標として、
以下のような指標がある。
以下のような指標がある。
(1)日量に関する特徴 熱負荷日量実績の平均と分散を演算し、日熱負荷実績
と平均日熱負荷との偏りから特徴が抽出される。
と平均日熱負荷との偏りから特徴が抽出される。
(2)時間毎1日分のパターンに関する特徴(昼間) 熱負荷は、一般に都市活動が開始するA.M.8:00頃から
急激に立ち上がり、昼間に継続的な熱負荷パターンが抽
く。さらに、夕方はP.M.6:00頃に減衰し、P.M.10:00頃
から急激に負荷が小さくなる。
急激に立ち上がり、昼間に継続的な熱負荷パターンが抽
く。さらに、夕方はP.M.6:00頃に減衰し、P.M.10:00頃
から急激に負荷が小さくなる。
抽出すべき特徴としては、 (a)日最大負荷 (b)AM/PMの負荷積分 (c)定時契約の有無による強制的な小エネルギーの分
離 等である。
離 等である。
(3)時間毎一日分のパターンに関する特徴(夜間) 電気による熱供給システムは、夜間料金で蓄熱するこ
とが決定的に有利となる。このため、夜間に熱を製造す
ることになるが、計画的な蓄熱を行なうためには、翌日
の負荷と共に夜間の負荷パターンを抽出する必要があ
る。
とが決定的に有利となる。このため、夜間に熱を製造す
ることになるが、計画的な蓄熱を行なうためには、翌日
の負荷と共に夜間の負荷パターンを抽出する必要があ
る。
抽出すべき特徴としては、 (a)夜間の負荷積分 (b)夜間の最大負荷と最小負荷 等である。
また、気象実績および曜日に関する入力情報も分類さ
れる。
れる。
この入力情報は、以下のようなキーワードに分類され
る。
る。
(1)曜日に関する入力情報 曜日に関する情報は、以下のように分類される。
(a)平日(火〜金) (b)休み明けの平日(月曜含む) (c)土曜 (d)日祭日 (e)特異日(正月、盆、5月連休) 気象実績に関する情報は、以下のように分類される。
(2)最高気温 最高気温の実績から平均、分散を演算し、平均最高気
温と最高気温との偏りから分類される。
温と最高気温との偏りから分類される。
(3)最低気温 最低気温の実績から平均、分散を演算し、平均最低気
温と最低気温との偏りから分類される、 (4)天候 天候は晴、曇、雨で分類され、前々日、前日、当日の
3日分のデータを入力する。この機能により分類された
熱負荷パターン毎に、時間単位実績を日量実績の割合で
表現された熱負荷パターンを平均し、各分類毎の代表パ
ターンとする。
温と最低気温との偏りから分類される、 (4)天候 天候は晴、曇、雨で分類され、前々日、前日、当日の
3日分のデータを入力する。この機能により分類された
熱負荷パターン毎に、時間単位実績を日量実績の割合で
表現された熱負荷パターンを平均し、各分類毎の代表パ
ターンとする。
次に、熱負荷パターン分類手段12により得られた熱負
荷パターンおよび気象曜日パターンを基に、ニューラル
ネットワークによる予測モデル作成手段13にて、予測モ
デルを学習する方法について説明する。
荷パターンおよび気象曜日パターンを基に、ニューラル
ネットワークによる予測モデル作成手段13にて、予測モ
デルを学習する方法について説明する。
まず、ニューラルネットワークの構造は、気象実績お
よび曜日に関する情報を入力層のニューロンとし、分類
された熱負荷パターンに対応したパターン番号を出力層
のニューロンとする。また、入力層出力層の中間層をも
つ3層のニューラルネットワークとする。
よび曜日に関する情報を入力層のニューロンとし、分類
された熱負荷パターンに対応したパターン番号を出力層
のニューロンとする。また、入力層出力層の中間層をも
つ3層のニューラルネットワークとする。
ニューラルネットワークの各層各ニューロン間の重み
係数の学習は、以下に示すバックプロパゲーション法を
使用して行なう。バックプロパゲーション法とは、階層
型の構造をしたニューラルネットワークに対して、ネッ
トワークの誤差が、出力層から入力層へ逆伝幡していく
学習方式である。
係数の学習は、以下に示すバックプロパゲーション法を
使用して行なう。バックプロパゲーション法とは、階層
型の構造をしたニューラルネットワークに対して、ネッ
トワークの誤差が、出力層から入力層へ逆伝幡していく
学習方式である。
以下に、学習の手順を示す。
(ステップ1):入力層に、気象実績および曜日に関す
るパターン情報を入力信号として入力し、中間層および
出力層が以下のニューロンモデルに従って演算される。
るパターン情報を入力信号として入力し、中間層および
出力層が以下のニューロンモデルに従って演算される。
中間層の第jニューロンの出力Hjは、 Hj=f(Σwij・Ii) (j=1,…,m)… ……(1) ここで、Ii;入力層第jニューロンの出力 wij:入力層第jニューロンと中間層 第jニューロンの重み係数 l:入力層の数 m:中間層の数 f( ):中間層のしきい値関数 また、出力層の第kニューロンの出力Okは、 Ok=Σwjk・Hj (k=1,…,n) ……(2) ここで、wjk:入力層第jニューロンと出力層 第kニューロンの重み係数 m:中間層の数 n:出力層の数 (ステップ2):出力層の第kニューロンの出力Okと出
力層の第kニューロンの教示信号Ykとの二乗誤差の和を
最小化するように、ネットワークの重み数を修正して学
習される。中間層と出力層との重み係数の学習は、次式
のΔwjkを演算し、wjkが修正される。
力層の第kニューロンの教示信号Ykとの二乗誤差の和を
最小化するように、ネットワークの重み数を修正して学
習される。中間層と出力層との重み係数の学習は、次式
のΔwjkを演算し、wjkが修正される。
wjk=(t+1) =wjk(t)+Δwjk(t) ……(3) Δwjk(t)=−εdk(t)・Hj(t) ……(4) dk(t)=Ok(t)−Yk(t) ……(5) ここで、t:学習回数 ε:1回の修正の大きさを決めるパラメータ dk:出力層の誤差 入力層と中間層との重み係数の学習は、次式のΔwij
を演算し、wijが修正される。
を演算し、wijが修正される。
wij=(t+1) =wij(t)+Δwij(t) ……(6) Δwij(t) =−ε・dj(t)・Ii(t) ……(7) dj(t) ={Σwjk(t)・dk(t)} ・f′{Σwji(t)・Ii(t)} ……(8) ここで、dj:中間層の逆伝幡誤差 f′( ):f( )の微分 さらに、振動を減らし、学習の収束を早めるために、
(4),(7)式の代わりに次式を用いることも有効で
ある。
(4),(7)式の代わりに次式を用いることも有効で
ある。
Δwjk(t) =−ε・dk(t)Hj(t) +α・Δwjk(t−1) ……(9) Δwjk(t) =−ε・dk(t)・Ij(t) +α・Δwij(t−1) ……(10) ここで、αは安定のためのパラメータである。
そして、以上のような学習の結果得られた重み係数
が、予測モデル25として記憶される。
が、予測モデル25として記憶される。
次に、熱負荷パターン予測手段14では、翌日の熱負荷
パターンが以下のようにして予測される。
パターンが以下のようにして予測される。
すなわち、翌日の熱負荷パターンは、入出力装置(マ
ンマシンインタフェース)6により入力された気象予報
26と、予測モデル25に記憶された重み係数とから、ニュ
ーラルネットワークの演算にしたがって出力層の各パタ
ーン(各ニューロン)の値を演算し、出力層の各ニュー
ロンの値の最大値を示すパターンが、翌日の熱負荷予測
パターンとして選択される。そして、この予測された熱
負荷パターン27は、入出力装置(マンマシンインターフ
ェース)6を介して出力装置(CRT)7へ出力される。
ンマシンインタフェース)6により入力された気象予報
26と、予測モデル25に記憶された重み係数とから、ニュ
ーラルネットワークの演算にしたがって出力層の各パタ
ーン(各ニューロン)の値を演算し、出力層の各ニュー
ロンの値の最大値を示すパターンが、翌日の熱負荷予測
パターンとして選択される。そして、この予測された熱
負荷パターン27は、入出力装置(マンマシンインターフ
ェース)6を介して出力装置(CRT)7へ出力される。
上述したように、本実施例の熱負荷予測システムにお
いては、熱消費機器である被冷暖房設備1において翌日
消費される熱負荷を、ニューラルネットワークモデルに
基づいて予測している。また、このニューラルネットワ
ークモデルにおけるパラメータは、過去の熱負荷データ
と、気象予測値および実績値と、曜日予測値および実績
値とに基づいて推定しているので、極めて精度の高い熱
負荷予測を行なうことが可能となる。さらに、消費され
る熱負荷を変動させる要因データとして、翌日の気象予
報値を採用しており、これらのデータは、天気予報等で
容易に入手することができる。さらにまた、予測後に蓄
積された熱負荷実績に基づいて熱負荷パターンを分類
し、学習するようにしているので、新しい熱負荷実績に
基づいて予測モデル25を更新することができ、蓄積され
てデータを有効に活用して、予測モデル25の精度向上を
簡単に図ることができる。従って、熱源機器である冷暖
房設備2の運転効率が著しく向上すると共に、電気方式
による場合には安価な夜間電力を極めて有効に利用でき
るという効果が得られるものである。
いては、熱消費機器である被冷暖房設備1において翌日
消費される熱負荷を、ニューラルネットワークモデルに
基づいて予測している。また、このニューラルネットワ
ークモデルにおけるパラメータは、過去の熱負荷データ
と、気象予測値および実績値と、曜日予測値および実績
値とに基づいて推定しているので、極めて精度の高い熱
負荷予測を行なうことが可能となる。さらに、消費され
る熱負荷を変動させる要因データとして、翌日の気象予
報値を採用しており、これらのデータは、天気予報等で
容易に入手することができる。さらにまた、予測後に蓄
積された熱負荷実績に基づいて熱負荷パターンを分類
し、学習するようにしているので、新しい熱負荷実績に
基づいて予測モデル25を更新することができ、蓄積され
てデータを有効に活用して、予測モデル25の精度向上を
簡単に図ることができる。従って、熱源機器である冷暖
房設備2の運転効率が著しく向上すると共に、電気方式
による場合には安価な夜間電力を極めて有効に利用でき
るという効果が得られるものである。
尚、本発明は上記実施例に限定されるものではなく、
次のようにして実施することができるものである。
次のようにして実施することができるものである。
(a)上記実施例においては、1日の熱負荷の変化パタ
ーンを学習させて、翌日の熱負荷パターンを予測するシ
ステムについて説明したが、熱負荷の週間変化、旬月変
化、日変化の予測についても、全く同様の手法で熱負荷
パターンである配水量変化パターンを予測することがで
きる。
ーンを学習させて、翌日の熱負荷パターンを予測するシ
ステムについて説明したが、熱負荷の週間変化、旬月変
化、日変化の予測についても、全く同様の手法で熱負荷
パターンである配水量変化パターンを予測することがで
きる。
(b)上記実施例においては、パターン分類の一例につ
いて説明したが、他の特徴についても同様に分類クライ
ラリアを与えることにより、他のパターン分類を行なう
ことも可能である。例えば、熱負荷の立ち上がりの形状
について、同様な手法を適用すればよい。また、分類が
多岐にわたる場合には、エキスパートシステムによる定
式化を行なうことによって解決することができる。
いて説明したが、他の特徴についても同様に分類クライ
ラリアを与えることにより、他のパターン分類を行なう
ことも可能である。例えば、熱負荷の立ち上がりの形状
について、同様な手法を適用すればよい。また、分類が
多岐にわたる場合には、エキスパートシステムによる定
式化を行なうことによって解決することができる。
(c)中間層のニューロン数については、モデル作成時
に種々の数のモデルを発生させ、正答率の高いモデルを
選定すればよい。
に種々の数のモデルを発生させ、正答率の高いモデルを
選定すればよい。
(d)中間層のニューロン数が大きくなる場合には、特
徴分類をいくつかのカテゴリーに分け、各々別のモデル
とすることにより、演算時間を現実のものとすることが
できる。例えば、昼間の負荷と夜間の負荷を別のモデル
で予測することが可能である。
徴分類をいくつかのカテゴリーに分け、各々別のモデル
とすることにより、演算時間を現実のものとすることが
できる。例えば、昼間の負荷と夜間の負荷を別のモデル
で予測することが可能である。
(e)上記実施例では、パターン名(日曜日、月曜日、
火曜日等)を出力としているが、このパターン名に加え
て他の特徴(例えば、気温が少し高い、気温が少し低い
等)を出力することにより、特徴の合成を行なうことが
できる。例えば、あるパターンに近いが、ピークが若干
高目のパターンになる等の予測を行なうことができる。
これにより、より一層極めの細かい熱負荷予測を行なう
ことが可能である。
火曜日等)を出力としているが、このパターン名に加え
て他の特徴(例えば、気温が少し高い、気温が少し低い
等)を出力することにより、特徴の合成を行なうことが
できる。例えば、あるパターンに近いが、ピークが若干
高目のパターンになる等の予測を行なうことができる。
これにより、より一層極めの細かい熱負荷予測を行なう
ことが可能である。
[発明の効果] 以上説明したように本発明によれば、人手による演算
を必要とすることなく、ニューラルネットワークモデル
を用いて翌日の熱負荷を精度よく推定することができ、
熱消費機器の運転効率の向上、安価な夜間電力の有効利
用、ならびに無人化を図ることが可能な極めて信頼性の
高い熱負荷予測システムが提供できる。
を必要とすることなく、ニューラルネットワークモデル
を用いて翌日の熱負荷を精度よく推定することができ、
熱消費機器の運転効率の向上、安価な夜間電力の有効利
用、ならびに無人化を図ることが可能な極めて信頼性の
高い熱負荷予測システムが提供できる。
第1図は本発明による熱負荷予測システムの一実施例を
示すブロック図である。 1……被冷暖房設備、2……冷暖房設備、3……熱負荷
検出器、4……入力装置(プロセスインターフェー
ス)、5……出力装置(プロセスインターフェース)、
6……入力装置(マンマシンインターフェース)、7…
…出力装置(CRT)、11……演算処理装置、12……熱負
荷パターン分類手段、13……予測モデル作成手段、14…
…熱負荷パターン予測手段、15……曜日実績、21……熱
負荷実績手段、22……気象実績手段、23……熱負荷パタ
ーン手段、24……気象、曜日パターン手段、25……予測
モデル、26……気象予報、27……予測熱負荷パターン。
示すブロック図である。 1……被冷暖房設備、2……冷暖房設備、3……熱負荷
検出器、4……入力装置(プロセスインターフェー
ス)、5……出力装置(プロセスインターフェース)、
6……入力装置(マンマシンインターフェース)、7…
…出力装置(CRT)、11……演算処理装置、12……熱負
荷パターン分類手段、13……予測モデル作成手段、14…
…熱負荷パターン予測手段、15……曜日実績、21……熱
負荷実績手段、22……気象実績手段、23……熱負荷パタ
ーン手段、24……気象、曜日パターン手段、25……予測
モデル、26……気象予報、27……予測熱負荷パターン。
Claims (2)
- 【請求項1】熱供給施設における熱負荷を予測するシス
テムにおいて、 熱消費機器で消費される熱負荷データを検出する熱負荷
検出手段と、 前記熱負荷検出手段にて検出された過去の熱負荷データ
を熱負荷実績として記憶する熱負荷データ記憶手段と、 前記熱消費機器で消費される熱負荷を変動させる天候、
気温、曜日等の要因データを入力する入力手段と、 前記熱負荷データ記憶手段に記憶されている過去の熱負
荷データ、および前記入力手段にて入力される熱負荷を
変動させる要因データに基づいて、熱負荷パターンを特
定するための特徴を定義し、かつ当該特徴により熱負荷
パターンを分類する熱負荷パターン分類手段と、 過去の気象データおよび曜日を入力とし前記熱負荷パタ
ーンを出力するニューラルネットワークの重み係数を学
習することにより予測モデルを作成する予測モデル作成
手段と、 前記入力手段にて入力される先所定時間における要因デ
ータに基づいて、前記予測モデル作成手段にて作成され
た予測モデルを用いて、前記先所定時間における熱負荷
パターンを予測する熱負荷パターン予測手段と、 を備えて成ることを特徴とする熱負荷予測システム。 - 【請求項2】前記熱負荷パターン予測手段としては、前
記入力手段にて入力される翌日の気象データおよび曜日
に基づいて、翌日における1時間毎の熱負荷を熱負荷パ
ターンとして予測するようにしたことを特徴とする請求
項(1)項に記載の熱負荷予測システム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2116731A JP2704026B2 (ja) | 1990-05-08 | 1990-05-08 | 熱負荷予測システム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2116731A JP2704026B2 (ja) | 1990-05-08 | 1990-05-08 | 熱負荷予測システム |
Publications (2)
Publication Number | Publication Date |
---|---|
JPH0415441A JPH0415441A (ja) | 1992-01-20 |
JP2704026B2 true JP2704026B2 (ja) | 1998-01-26 |
Family
ID=14694398
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2116731A Expired - Lifetime JP2704026B2 (ja) | 1990-05-08 | 1990-05-08 | 熱負荷予測システム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2704026B2 (ja) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06102908A (ja) * | 1992-09-24 | 1994-04-15 | Hitachi Ltd | 需要予測装置 |
JP2651092B2 (ja) * | 1992-10-23 | 1997-09-10 | 松下電器産業株式会社 | 空気調和機の負荷予測装置 |
JP3160693B2 (ja) * | 1994-06-28 | 2001-04-25 | 日本電気エンジニアリング株式会社 | 熱負荷予測装置 |
JP2953317B2 (ja) * | 1994-07-21 | 1999-09-27 | 日立プラント建設株式会社 | 空調熱負荷予測システム |
JP3350277B2 (ja) * | 1995-03-03 | 2002-11-25 | 株式会社東芝 | ビル空調熱負荷予測装置 |
JPH1141830A (ja) * | 1997-07-11 | 1999-02-12 | N T T Facilities:Kk | 電力貯蔵装置 |
JP4623893B2 (ja) * | 2001-09-21 | 2011-02-02 | 大阪瓦斯株式会社 | 集合住宅用のエネルギー消費量演算装置、並びに、集合住宅用のエネルギー消費量演算プログラム及び当該プログラムを記録したコンピュータ読み取り可能な記録媒体 |
JP4659304B2 (ja) * | 2001-09-21 | 2011-03-30 | 大阪瓦斯株式会社 | 住宅のエネルギー消費量演算用データ作成装置 |
CN111486552B (zh) * | 2020-04-24 | 2021-07-20 | 辽宁工程技术大学 | 基于分项计量数据的空调冷冻水供水温度策略识别方法 |
-
1990
- 1990-05-08 JP JP2116731A patent/JP2704026B2/ja not_active Expired - Lifetime
Also Published As
Publication number | Publication date |
---|---|
JPH0415441A (ja) | 1992-01-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Srinivasan et al. | Parallel neural network-fuzzy expert system strategy for short-term load forecasting: system implementation and performance evaluation | |
Ranaweera et al. | Application of radial basis function neural network model for short-term load forecasting | |
US5448476A (en) | Distributed water flow predicting device | |
JP2704026B2 (ja) | 熱負荷予測システム | |
CN115249094A (zh) | 一种基于大数据的建筑能效管理和优化方法 | |
JPH09273795A (ja) | 熱負荷予測装置 | |
Dash et al. | A real-time short-term peak and average load forecasting system using a self-organising fuzzy neural network | |
El-Sharkawi et al. | Short term electric load forecasting using an adaptively trained layered perceptron | |
Lertpalangsunti et al. | An architectural framework for the construction of hybrid intelligent forecasting systems: application for electricity demand prediction | |
Yuill et al. | Application of Adaptive Neuro Fuzzy Inference System (ANFIS) based short term load forecasting in South African power networks | |
JP3160693B2 (ja) | 熱負荷予測装置 | |
JP3650304B2 (ja) | 需要予測装置 | |
JPH0886490A (ja) | 熱負荷予測装置 | |
Dash et al. | Fuzzy and neuro-fuzzy computing models for electric load forecasting | |
JP3321308B2 (ja) | プラント予測制御装置 | |
JP2001288782A (ja) | 配水量予測システム | |
JPH04365101A (ja) | 熱負荷予測装置 | |
JP2698692B2 (ja) | 配水流量予測システム | |
Matthew et al. | An overview of short term load forecasting in electrical power system using fuzzy controller | |
JPH06119291A (ja) | 配水量予測装置 | |
JPH03212702A (ja) | 需要予測支援システム | |
Dash et al. | A fuzzy adaptive correction scheme for short term load forecasting using fuzzy layered neural network | |
JP2971276B2 (ja) | 配水量パターン予測装置 | |
JPH0743001A (ja) | 地域冷暖房装置の運転方法および装置 | |
JP3324265B2 (ja) | 日最大電力需要予測方法 |