AI空調制御クラウド

建物において空調関連のエネルギーは全体の40~50％を占めていると言われています。そのため、空調関連のエネルギーを削減することが、省エネルギー効果の最大化に通じます。

通常、トレードオフの関係にある空調の「省エネ」と「快適性」を両立させ、不快にならない範囲での最大限の省エネルギー化を目指します。

• ① 快適性と省エネを高い水準で両立
  AIの深層強化学習を活用し、快適性と省エネを定量的な指標を用いて高い水準で実現します。
• ② 導入の容易性
  既設センサーや監視カメラ画像を活用することによりAI学習に必要な温湿度や人流などのインプットデータを収集することが可能です。そのため初期費用、構築期間を抑え、スムーズな導入が可能です。
• ③ ビル収益の向上
  AIによる全自動制御により、ビル運用工数を増やさずに、エネルギー料金の削減が可能です。

温湿度や人流などのデータから人の感じる快適性を予測し、快適性を保ちつつ消費エネルギーを最小化する空調制御シナリオを算出します

• ① 深層強化学習
  消費エネルギー量に影響する室内温湿度・外気温・空調制御ログを考慮した空調制御シナリオを深層強化学習で算出
• ② フィードフォワード制御
  環境変化を事前に予測し、空調制御を先回りして実施
• ③ 学習データの拡張
  空調制御ログを拡張し学習することによりメリハリのあるダイナミックな空調制御を実現

• ① 快適性指数PMV値^*の活用
  快適性指数PMV値に基づき、PMV値が±0.5（不快者率：10%以下）に収まる環境を実現しつつ省エネを実現
• ② 運動量や着衣データの活用
  PMV値の算出に必要な運動量・着衣のデータも学習データとしてインプットすることにより精度の高いPMV値を予測・再現することが可能

• * PMV値とは
  Predicted Mean Vote（予想平均温冷感申告）の略称で、人間の感覚量から物理的考察について温熱快適性を示したもの。快適性方程式に環境側の要素「気温」「湿度」「風量」「放射熱」と人体側の要素「運動量」「着衣量」を代入することにより算出。値が高ければ高いほど暑く感じ、低ければ低いほど寒く感じる。

各種センサーから収集したデータ、人流などを考慮して室温変化および快適性を推測し、省エネと快適性を考慮した最適な空調制御シナリオを算出。そして、シナリオにもとづく自動制御指示を行います。

人による空調制御は勘や経験、暑い・寒いといった個々人の主観に頼ることになるため、省エネ・快適性という観点で定量的な効果を得ることが難しいことがあります。
AI空調制御クラウドで空調制御を自動化することで、消費エネルギー量のみならず運用コストも削減が可能。快適性についても客観的な指標を用いるため、ビル利用者にとってより快適な環境が提供可能となりサービスレベルも向上します。

建物運用のエネルギーコストの削減が直接的に収益を生み出すだけでなく、省エネへの寄与で脱炭素経営に貢献することにより、施設・企業の価値を向上させます。

AI空調制御クラウドは中央熱源方式^*（セントラル方式）の空調に対応しています。

• * 中央熱源方式
  熱源機器と空気調和機を組み合わせて建築物全体で集中管理している空調で、大規模施設に多く導入されている。

AI空調制御クラウドは、普段過度に快適性より省エネを優先させる運用をしている空調には、省エネという観点で導入に適しません。

適している運用

• 施設側で空調制御を集中管理し快適な空調環境を提供している運用

適さない運用

• 空調エリアごとに施設利用者が空調機器の設定変更できる運用
• 過度に省エネを優先させて快適性を損なうような運用
  例：頻繁に人為的に空調のON/OFFを繰り返す運用

適している施設

• 施設側で空調制御を集中管理している商業施設・オフィスビル

適さない施設

• 空調環境の悪い工場
  例：スポットクーラーを利用するなど設備の空調と併用しているエリア。空調エリアに設備空調の制御に影響を与える熱源があるエリア
• 広大な倉庫
  例：空調を最大限稼働させても空調の効きが悪く快適性を得ることができないエリア

導入する建物・設備に関する質問

省エネ効果に関する質問

費用に関する質問