Claudeで中央監視のトレンドデータを分析 — 異常運転と省エネ余地をCSVから拾う

中央監視のトレンドデータをCSVで書き出せば、Claudeに「同時運転」「夜間・休日の運転」「設定温度との乖離」を時系列で拾わせられます。ただし、拾えるのは異常の候補までです。外気温や運転スケジュールと突き合わせないと、正常な動きまで異常として並びます。

ここでは、CSVの整え方、依頼文の書き方、集計スクリプト、外気温との突き合わせ、候補を現場で確かめる順序を説明します。例に使うデータは手順の確認用に作った合成データで、実在の建物のものではありません。

中央監視のトレンドCSVから拾えるもの

中央監視(ビルの空調・電気設備を一か所で見る仕組み)のトレンドデータは、点ごとに数分おきの値が並ぶ時系列です。室温、設定温度、運転・停止の状態、電力量、外気温などが入ります。こうしたデータで、Claudeに任せやすい分析は次の3つです。

3つとも、ルールで判定できる検出です。Claudeが得意なのは、そのルールをpandasのスクリプトに落として実行し、結果を読み解くところです。判定そのものは人間が決めた条件に従ってスクリプトが行います。

Claudeに分析を任せる前提と制限

CSVを読ませてスクリプトを走らせるには、コード実行とファイル作成の機能が必要です。無料・Pro・Maxでは設定の「機能」から「Code execution and file creation」をオンにします。TeamとEnterpriseでは組織の設定で既定のまま有効ですが、組織のオーナーが無効にしている場合があります。

押さえておく制限は次のとおりです。

アップロード上限は、サポート記事によって500MBと30MBの2通りの記述があります。前者はチャットへの添付、後者はファイル作成機能の説明に書かれた数字です。数か月分のトレンドをまとめて渡すときは、手前の数字である30MB以内に収めておくと確実です。

API版の実行環境はメモリ5GiBです。claude.aiの環境の数値は記載がないため、1分間隔で数百点を1年分並べたような巨大な表は読み込めない可能性があります。月ごと、系統ごとに分けて渡します。分けてもそのまま使えるように、列名は全ファイルで揃えておきます。

CSVを渡す前に整える5つのこと

中央監視のCSV出力は、装置ごとに形式が違います。ここを整えずに依頼すると、集計の前に読み込みで躓きます。次の5点を確かめます。

1. 縦長か横長か。「日時・点名・値」の縦長形式なら、スクリプト側でピボットして横長にします
2. 文字コード。Shift_JIS(cp932)で出力される装置もあります。読み込めないときは、その旨をClaudeに伝えます
3. 点名の命名。「3F室温」「3F設定温度」「AHU-3運転」のように、系統と種類が名前で分かる形にします。点番号だけの列は、対応表を別に渡します
4. 運転状態の値。1が運転か、0が運転かは装置次第です。依頼文に書きます
5. 記録間隔と欠測。5分間隔か15分間隔か、通信断で抜けた時間があるかを確かめます

点名の対応表は、Claudeが列の意味を取り違える最大の原因になります。列名が「AI001」のような記号なら、1行ずつ意味を書いた小さなCSVを添えます。

実際のビル名や設備の通し番号、テナント名が入っている場合は、渡す前に仮名に置き換えます。Team・Enterpriseでは、ネットワークの設定でインターネットへの接続を絞れます。Enterpriseの新規組織では、既定でネットワーク接続がオフです。MCP連携を有効にしていると、その接続を通じた通信はネットワーク設定にかかわらず残ります。

検出ルールを先に決めて依頼する

「異常を見つけて」と頼むと、毎回違う基準で選ばれます。基準は先に数字で決め、依頼文に書きます。

数字はすべて説明用です。自分の建物の仕様や運用ルールに置き換えます。継続時間の条件は、短い揺らぎを除くために必須です。

依頼文は次のような形にします。

添付の trend_2026-09.csv は、中央監視の9月分トレンドデータ(5分間隔)です。
列の意味は points.csv に書きました。運転状態は 1 が運転、0 が停止です。
 
次の3つを、pandasのスクリプトで検出してください。
1. CH-1とCH-2が同時に運転し、熱源負荷率が40%未満の状態が30分以上続く区間
2. AHU-3が22時〜6時、または土日に運転している状態が1時間以上続く区間
3. AHU-3運転中に、3F室温と3F設定温度の差が2℃を超える状態が1時間以上続く区間
 
条件:
- 欠測(空白)は除外して、件数を別に報告すること
- 結果は開始・終了・継続時間・その間の外気温の平均を一覧にすること
- 異常と断定せず、「候補」として出すこと。考えられる正常な理由も添えること
- 元のCSVは編集しないこと

「候補として出す」「正常な理由を添える」の指定が肝心です。この指定がないと、出力が「異常を発見しました」という断定調に傾きやすくなります。

3つの検出を実行するスクリプト

次のスクリプトは、依頼文のルールをそのまま実装した例です。列名は例なので、自分のCSVに合わせます。5分間隔なので、30分は6回、1時間は12回の連続にあたります。

import pandas as pd
 
raw = pd.read_csv("trend_2026-09.csv", encoding="cp932", parse_dates=["日時"])
wide = raw.pivot_table(index="日時", columns="点名", values="値", aggfunc="mean")
wide = wide.sort_index().resample("5min").mean()
t = wide.index.to_series()
 
 
def runs(mask, min_steps):
    """mask が True のまま min_steps 回以上続く区間を一覧にする"""
    grp = (mask != mask.shift()).cumsum()
    out = []
    for _, g in mask.groupby(grp):
        if g.iloc[0] and len(g) >= min_steps:
            out.append((g.index[0], g.index[-1], len(g) * 5))
    return pd.DataFrame(out, columns=["開始", "終了", "継続(分)"])
 
 
ahu_on = wide["AHU-3運転"] == 1
 
# 1. 低負荷での同時運転(30分 = 6回以上)
both = (wide["CH-1運転"] == 1) & (wide["CH-2運転"] == 1)
simul = runs(both & (wide["熱源負荷率"] < 40), 6)
 
# 2. 夜間・休日の運転(1時間 = 12回以上)
off_hours = (t.dt.hour >= 22) | (t.dt.hour < 6) | (t.dt.dayofweek >= 5)
night = runs(ahu_on & off_hours, 12)
 
# 3. 設定温度との乖離(1時間 = 12回以上)
dev = (wide["3F室温"] - wide["3F設定温度"]).abs() > 2.0
gap = runs(ahu_on & dev, 12)
 
# 各区間の外気温の平均を付ける
for df in (simul, night, gap):
    df["外気温平均"] = [
        round(wide.loc[s:e, "外気温"].mean(), 1)
        for s, e in zip(df["開始"], df["終了"])
    ]
    print(df.to_string(index=False), "\n")

欠測の行は値が空になり、比較の結果が偽になるので、区間の判定から自然に外れます。欠測が多い日は、その日を丸ごと除くかどうかを先に決めます。

出力を受け取ったら、まず件数と継続時間の分布を見ます。1件も出ないなら条件が厳しすぎるか、列名の取り違えを疑います。数百件出るなら、条件が緩すぎます。件数が妥当でも、各区間の開始・終了時刻を中央監視の画面で開いて照合します。

外気温と突き合わせて誤検出を減らす

トレンドの異常候補は、外気温を並べると正体が見えます。同じ検出でも、外気温が極端な日は正常な動きであることが多いためです。ここがこの分析の勘所になります。

外気温を帯に分けて、乖離の出る割合を比べるには、次のコードを足します。

gap_flag = ahu_on & dev
bins = pd.cut(wide["外気温"], [-50, 10, 20, 28, 50])
by_temp = gap_flag.groupby(bins, observed=True).agg(["sum", "count"])
by_temp["乖離率"] = (by_temp["sum"] / by_temp["count"]).round(3)
print(by_temp)

外気温の帯ごとに乖離率が大きく違うなら、外気温が原因の一部です。帯に関係なく乖離が出るなら、設定や制御の問題を疑う材料になります。

夜間・休日の運転は、外気温のほかに運用側の理由を確かめます。よくある例は次のとおりです。

• 翌朝の始業に向けた予冷・予熱の立ち上がり
• 外気で建物を冷ますナイトパージ
• 残業や休日出勤の申請に基づく運転
• サーバー室など、24時間の空調が前提の系統
• 結露やカビの対策で、湿度が高い日だけ動かす運転

依頼文に「考えられる正常な理由も添える」と指定しておくと、Claudeはこうした可能性を一覧に載せます。ただし、その建物でどの理由が当てはまるかは、Claudeには分かりません。残業申請の記録や運転スケジュールの設定を人間が照らして初めて、候補が確かめられます。

同時運転も同様です。外気温が高い日に低負荷で2台が動いているなら、台数制御の設定が原因とは限りません。起動の順番や、機器の保護のための運転かもしれません。

省エネの余地は金額まで言い切らない

候補を拾えたら、削減できそうな電力量を見積もりたくなります。電力量の点があれば、候補区間の消費電力の合計は出せます。

# 夜間運転の候補区間について、その間の電力量を合計する
night_kwh = sum(
    wide.loc[s:e, "AHU-3電力量(kWh)"].sum()
    for s, e in zip(night["開始"], night["終了"])
)
print(f"夜間運転の候補区間の電力量: {night_kwh:.1f} kWh")

この合計は、候補区間を止めた場合の削減量の上限にあたります。実際に止めると、翌朝の立ち上がりが遅れて余計な運転が増える場合があります。見積もりは「最大でこの程度」と書き、金額や削減率の断定は避けます。Claudeに頼むときも「削減量の上限であって、削減できる量ではない」と条件に入れておきます。

建築物の省エネに関わる法令上の義務や基準値は、トレンドデータからは判定できません。適合義務の要否は建築物省エネ法の適合義務をClaudeで確認する手順で別に扱っています。

つまずきやすい点

ほかに、次の点に注意します。

• 点名が途中で変わる。機器の更新や名称変更で、月の途中から列名が変わっていることがあります。月をまたぐ分析では、対応表に旧名と新名を書きます
• 装置の時計のずれ。装置の時計がずれていると、夜間の区間がずれます。ずれが疑われるなら、時刻の補正値を依頼文に書きます
• 積算値と瞬時値の混在。電力量が積算値(増え続ける値)なら、差分をとってから使います。瞬時値のように合計すると、桁違いの値になります
• 実行時間と容量。巨大なCSVでは、処理が長引いたり、メモリ不足で止まったりします。期間を分けて再実行します

Claudeの出力が長い表になったときは、そのまま信じず、件数と合計を自分で数え直します。集計の方法を依頼に書いておけば、同じ手順で次の月も回せます。定義を先に決めてから集計させる進め方は、OEEの算出と同じです。設備の記録を時系列で区間に切る点は、温度ログの逸脱区間を洗い出す手順と共通です。CSVの基本的な集計とグラフ化は、Claude CSV分析の使い方にまとめています。

候補を現場で確かめる順序

出た候補は、次の順序で扱うと手戻りが少なくなります。

分析の結果で設備の運転を変えるかどうかは、人が決めます。Claudeが出すのは、確かめる順番を絞るための候補です。毎月同じCSVの形式で同じスクリプトを回し、件数の推移を見る運用にすると、設定変更の効果も追えます。