JPH0415441A - 熱負荷予測システム - Google Patents
熱負荷予測システムInfo
- Publication number
- JPH0415441A JPH0415441A JP2116731A JP11673190A JPH0415441A JP H0415441 A JPH0415441 A JP H0415441A JP 2116731 A JP2116731 A JP 2116731A JP 11673190 A JP11673190 A JP 11673190A JP H0415441 A JPH0415441 A JP H0415441A
- Authority
- JP
- Japan
- Prior art keywords
- heat load
- data
- thermal load
- heat
- pattern
- 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
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 5
- 238000013500 data storage Methods 0.000 claims description 4
- 238000000034 method Methods 0.000 abstract description 14
- 238000003062 neural network model Methods 0.000 abstract description 6
- 210000002569 neuron Anatomy 0.000 description 20
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 13
- 238000001816 cooling Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 238000010438 heat treatment Methods 0.000 description 7
- 238000005338 heat storage Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000005611 electricity Effects 0.000 description 5
- 238000004378 air conditioning Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007634 remodeling Methods 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000005485 electric heating Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
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)
Abstract
(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。
め要約のデータは記録されません。
Description
【発明の詳細な説明】
[発明の目的コ
(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。
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、夜間に冷水、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。
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、夜間に冷水、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。
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。
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。
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
。
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。
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。
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、−時刻光までの熱量のみしか予測す
ることができない。このため、−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。
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、−時刻光までの熱量のみしか予測す
ることができない。このため、−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。
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。
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」リモデルを作成
する予測モデル作成手段と、入力手段にて入力される充
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、充所定時間
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。
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」リモデルを作成
する予測モデル作成手段と、入力手段にて入力される充
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、充所定時間
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。
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、充所定
時間における要因データに基づき、この予測モデルを用
いて充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。
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、充所定
時間における要因データに基づき、この予測モデルを用
いて充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。
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。
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か供給されて
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、ず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(プロセスインク一フ
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がら、被冷暖房設備]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
。
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か供給されて
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、ず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(プロセスインク一フ
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がら、被冷暖房設備]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、充所定時間(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、充所定時間(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、充所定時間(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、充所定時間(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で充所定時間(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。
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で充所定時間(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。
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。
)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2
2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。
21、および気象実績手段22に蓄えられた気象実績2
2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。
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。
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、白熱負荷実績と
平均口熱負荷との偏りから特徴が抽出される。
平均口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。
荷パターンが抽く。さらに、夕方はP、M。
6二〇〇頃に減衰し、P、M、10:00頃から急激に
負荷が小さくなる。
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−日量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。
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。
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
。
。
(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月連体)
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。
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。
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。
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、予測モデル作成手段13では、上述の指標により
分類された熱負荷パターンおよび分類された気象・曜日
に関するパターンに基づいて、予測モデルが学習される
。
分類された熱負荷パターンおよび分類された気象・曜日
に関するパターンに基づいて、予測モデルが学習される
。
まず、ニューラルネットワークの構造は、気象実績およ
び曜日に関するパターンを入力層のニュロンとし、分類
された熱負荷パターンに対応してパターン番号を出力層
のニューロンとする。また、入力層と出力層の間に中間
層をもつ3層のニューラルネットワークとする。
び曜日に関するパターンを入力層のニュロンとし、分類
された熱負荷パターンに対応してパターン番号を出力層
のニューロンとする。また、入力層と出力層の間に中間
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、パックプロパゲーション法を使用して行な
う。そして、この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。
数の学習は、パックプロパゲーション法を使用して行な
う。そして、この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。
次に、熱負荷パターン分類手段]、2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〕3にて、予
測モデルを学習する方法について説明する。
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〕3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、入力層出力層の間に中間層を
もつ3層のニューラルネットワークとする。
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、入力層出力層の間に中間層を
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、以下に示すパックプロパゲーション法を使
用して行なう。パ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。
数の学習は、以下に示すパックプロパゲーション法を使
用して行なう。パ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)−人力層に、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H4は、H,=f(Σw
l+・■1) (j=1.・・・、m)・・・ ・・・(1)ここで
、11 ;入力層第jニューロンの出力w1.重入力層
第jニューロンと中間層第jニューロンの重み係数 Ω二人内層の数 m:中間層の数 f ():中間層のしきい値関数 また、出力層の第にニューロンの出力O3は、Oh−Σ
町、・H4 (k=1.・・・、n) ・・・(2)ここで
、w 1 k :入力層第jニューロンと出力層第にニ
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): 出力層の第にニューロンの出力0.
と出力層の第にニューロンの教示信号Y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係数を修正
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ΔWlkを演算し、w3.が修正される。
l+・■1) (j=1.・・・、m)・・・ ・・・(1)ここで
、11 ;入力層第jニューロンの出力w1.重入力層
第jニューロンと中間層第jニューロンの重み係数 Ω二人内層の数 m:中間層の数 f ():中間層のしきい値関数 また、出力層の第にニューロンの出力O3は、Oh−Σ
町、・H4 (k=1.・・・、n) ・・・(2)ここで
、w 1 k :入力層第jニューロンと出力層第にニ
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): 出力層の第にニューロンの出力0.
と出力層の第にニューロンの教示信号Y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係数を修正
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ΔWlkを演算し、w3.が修正される。
w Ik= (t +1 )
=w1.(t)十Δw Ik(t ) ・= (3)
ΔW+t(t) −一εdh (t) ΦH,(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ΔWll
を演算し、W、lが修正される。
ΔW+t(t) −一εdh (t) ΦH,(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ΔWll
を演算し、W、lが修正される。
W I+= (t + 1 )
=w、1(t)+ΔWll(t) −(e)ΔWz(
t) 一一ε・d+ (t) ・II (t) ・・
・(7)d、(t) = (Σw、k(t)・dk (t))・f−(ΣWz
(t) ” I + (i)l・・・(8)ここ
で、d、:中間層の逆伝播誤差 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。
t) 一一ε・d+ (t) ・II (t) ・・
・(7)d、(t) = (Σw、k(t)・dk (t))・f−(ΣWz
(t) ” I + (i)l・・・(8)ここ
で、d、:中間層の逆伝播誤差 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。
6w1.(t)
=−ε・di (t)H+ (t)+α・ΔWIk
(t 1) −(9)Δwl、(t) 一−ε・di (t) ・II (t)+α壷Δ
w11(t 1) ・・・(10)1
つ ここで、αは安定のためのパラメータである。
(t 1) −(9)Δwl、(t) 一−ε・di (t) ・II (t)+α壷Δ
w11(t 1) ・・・(10)1
つ 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。
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2
6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。
マシンインタフェース)6により入力された気象予報2
6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8FJ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。
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8FJ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(、次
のようにして実施することができるものである。
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(B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。
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。
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
い熱負荷子測システムが提供できる。
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
い熱負荷子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ニ
ス)、5・・・出力装置(プロセスインターフニス)6
・・・入力装置(マンマシンインターフニス)、7・・
・出力装置(CRT) 、11・・・演算処理装置、1
2−・・・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、1
5・・・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、2
4・・・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。 出願人代理人 弁理士 鈴江武彦
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ニ
ス)、5・・・出力装置(プロセスインターフニス)6
・・・入力装置(マンマシンインターフニス)、7・・
・出力装置(CRT) 、11・・・演算処理装置、1
2−・・・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、1
5・・・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、2
4・・・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。 出願人代理人 弁理士 鈴江武彦
Claims (2)
- (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。 - (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 true JPH0415441A (ja) | 1992-01-20 |
JP2704026B2 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) |
Cited By (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 |
JPH0814627A (ja) * | 1994-06-28 | 1996-01-19 | Nec Eng Ltd | 予測データ作成システムおよびこのシステムを用いた熱負荷予測装置 |
JPH0835706A (ja) * | 1994-07-21 | 1996-02-06 | Hitachi Plant Eng & Constr Co Ltd | 空調熱負荷予測システム |
JPH08100940A (ja) * | 1992-10-23 | 1996-04-16 | Matsushita Electric Ind Co Ltd | 空気調和機の負荷予測装置 |
JPH08240335A (ja) * | 1995-03-03 | 1996-09-17 | Toshiba Corp | 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 |
JP2003097846A (ja) * | 2001-09-21 | 2003-04-03 | Osaka Gas Co Ltd | 住宅のエネルギー消費量演算用データ作成装置、並びに、住宅のエネルギー消費量演算用データ作成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 |
JP2003099502A (ja) * | 2001-09-21 | 2003-04-04 | Osaka Gas Co Ltd | 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 |
CN111486552A (zh) * | 2020-04-24 | 2020-08-04 | 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
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06102908A (ja) * | 1992-09-24 | 1994-04-15 | Hitachi Ltd | 需要予測装置 |
JPH08100940A (ja) * | 1992-10-23 | 1996-04-16 | Matsushita Electric Ind Co Ltd | 空気調和機の負荷予測装置 |
JPH0814627A (ja) * | 1994-06-28 | 1996-01-19 | Nec Eng Ltd | 予測データ作成システムおよびこのシステムを用いた熱負荷予測装置 |
JPH0835706A (ja) * | 1994-07-21 | 1996-02-06 | Hitachi Plant Eng & Constr Co Ltd | 空調熱負荷予測システム |
JPH08240335A (ja) * | 1995-03-03 | 1996-09-17 | Toshiba Corp | 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 |
JP2003097846A (ja) * | 2001-09-21 | 2003-04-03 | Osaka Gas Co Ltd | 住宅のエネルギー消費量演算用データ作成装置、並びに、住宅のエネルギー消費量演算用データ作成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 |
JP2003099502A (ja) * | 2001-09-21 | 2003-04-04 | Osaka Gas Co Ltd | 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 |
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 |
CN111486552A (zh) * | 2020-04-24 | 2020-08-04 | 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 |
Also Published As
Publication number | Publication date |
---|---|
JP2704026B2 (ja) | 1998-01-26 |
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 | |
KR101168153B1 (ko) | 건물의 에너지 수요 예측 방법 및 그 시스템 | |
Ranaweera et al. | Application of radial basis function neural network model for short-term load forecasting | |
Ruzic et al. | Weather sensitive method for short term load forecasting in electric power utility of Serbia | |
EP0590305B1 (en) | State estimating apparatus of a system on the basis of recorded input/output data for the system | |
Rahman | Formulation and analysis of a rule-based short-term load forecasting algorithm | |
Garnier et al. | Low computational cost technique for predictive management of thermal comfort in non-residential buildings | |
JP2651092B2 (ja) | 空気調和機の負荷予測装置 | |
JPH0415441A (ja) | 熱負荷予測システム | |
CN110007613A (zh) | 用于储热式电暖器的用暖预测方法、***及存储介质 | |
KR101364495B1 (ko) | 전력사용량 예측기술을 활용한 전력 관리 시스템 및 그 방법 | |
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 | |
JPH04372046A (ja) | 需要量予測方法及び装置 | |
CN110135617A (zh) | 一种气象因素影响下基于负荷特性的改进短期负荷的预测方法 | |
JP3160693B2 (ja) | 熱負荷予測装置 | |
CN113237135A (zh) | 基于SD-LSTMs的公寓独立供热***需热量预测及节能控制方法 | |
JPH0886490A (ja) | 熱負荷予測装置 | |
Chen et al. | Neural network based very short term load prediction | |
CN116485582A (zh) | 一种基于深度学习的供热优化调控方法及装置 | |
CN109146191A (zh) | 一种基于泛蕴涵模型的短期电力负荷预测方法及*** | |
JPH08308108A (ja) | 電力需要量予測方法およびその装置 | |
JPH0989348A (ja) | 蓄熱利用システムおよびその制御方法 | |
JPH06119291A (ja) | 配水量予測装置 | |
JPH04365101A (ja) | 熱負荷予測装置 |