JP7237500B2 - Planning device, method and program - Google Patents
Planning device, method and program Download PDFInfo
- Publication number
- JP7237500B2 JP7237500B2 JP2018177795A JP2018177795A JP7237500B2 JP 7237500 B2 JP7237500 B2 JP 7237500B2 JP 2018177795 A JP2018177795 A JP 2018177795A JP 2018177795 A JP2018177795 A JP 2018177795A JP 7237500 B2 JP7237500 B2 JP 7237500B2
- Authority
- JP
- Japan
- Prior art keywords
- period
- power generation
- model
- unit
- operation plan
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims description 21
- 238000010248 power generation Methods 0.000 claims description 173
- 230000005611 electricity Effects 0.000 claims description 116
- 238000005868 electrolysis reaction Methods 0.000 claims description 70
- 230000007704 transition Effects 0.000 claims description 48
- 230000006870 function Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 description 25
- 230000015654 memory Effects 0.000 description 21
- 230000002787 reinforcement Effects 0.000 description 15
- 230000008569 process Effects 0.000 description 13
- 238000004891 communication Methods 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 9
- 230000003044 adaptive effect Effects 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 7
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 6
- 229910052739 hydrogen Inorganic materials 0.000 description 6
- 239000001257 hydrogen Substances 0.000 description 6
- 239000000203 mixture Substances 0.000 description 6
- 238000000611 regression analysis Methods 0.000 description 6
- 230000004044 response Effects 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000012546 transfer Methods 0.000 description 5
- 230000010365 information processing Effects 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 230000006403 short-term memory Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Water Supply & Treatment (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Description
本発明は、計画装置、方法、およびプログラムに関する。 The present invention relates to a planning device, method and program.
従来、水を電気分解することにより水素を生成する電解装置が知られている。また、電力供給手段として、再生可能エネルギーによる発電を行う発電装置、または天気や電力の供給コストに応じて電気料金が変動する電力系統が知られている。 2. Description of the Related Art Conventionally, an electrolyzer that generates hydrogen by electrolyzing water is known. Also, as power supply means, a power generation device that generates power using renewable energy, or a power system in which the electricity rate fluctuates according to the weather and the cost of supplying power is known.
このような発電装置および電力系統から電解装置に電力供給を行う場合、稼働電力のコストを低減し、水素の製造コストを低減させることが望ましい。しかしながら、電解装置により供給すべき水素の量が定められている場合等がある。この場合、水素の供給期間に、発電装置の発電量が十分でないと、高い電気料金の時間帯で電力系統からの電力により電解装置を稼働させなければならなくなる。 When power is supplied to the electrolyzer from such a generator and power system, it is desirable to reduce the cost of operating power and reduce the cost of producing hydrogen. However, there are cases where the amount of hydrogen to be supplied by the electrolytic device is determined. In this case, if the amount of power generated by the power generation device is not sufficient during the hydrogen supply period, the electrolysis device must be operated with power from the power system during periods of high electricity rates.
上記課題を解決するために、本発明の第1の態様においては、対象期間における発電装置の再生可能エネルギー発電量の推移を対象期間よりも前に入手可能な第1因子の値に基づいて予測する発電量予測モデルを用いて、将来の再生可能エネルギー発電量の推移を予測する発電量予測部と、予測された将来の再生可能エネルギー発電量の推移と電力系統の電気料金とに基づいて、将来の第1期間における、電解装置の生成物の使用計画を満たす電解装置の稼働計画を生成する稼働計画生成部とを備える計画装置、方法、およびプログラムを提供する。 In order to solve the above problems, in the first aspect of the present invention, the transition of the renewable energy power generation amount of the power generation device in the target period is predicted based on the value of the first factor that is available before the target period Based on the power generation prediction unit that predicts the future transition of renewable energy power generation using the power generation prediction model that predicts future renewable energy power generation and the electricity rate of the power system, a planning apparatus, method, and program comprising: an operation plan generator for generating an operation plan for the electrolyzer that satisfies a plan for using the product of the electrolyzer for a first period in the future.
なお、上記の発明の概要は、本発明の必要な特徴の全てを列挙したものではない。また、これらの特徴群のサブコンビネーションもまた、発明となりうる。 It should be noted that the above summary of the invention does not list all the necessary features of the invention. Subcombinations of these feature groups can also be inventions.
以下、発明の実施の形態を通じて本発明を説明するが、以下の実施形態は特許請求の範囲にかかる発明を限定するものではない。また、実施形態の中で説明されている特徴の組み合わせの全てが発明の解決手段に必須であるとは限らない。 Hereinafter, the present invention will be described through embodiments of the invention, but the following embodiments do not limit the invention according to the claims. Also, not all combinations of features described in the embodiments are essential for the solution of the invention.
図1は、本実施形態に係るシステム10を示す。システム10は、電気料金および再生可能エネルギーの発電量に応じた電解装置20の稼働計画を生成し、稼働計画に従って電解装置20を稼働させる。システム10は、電解装置20と、発電装置30と、計画装置40とを備える。
FIG. 1 shows a
電解装置20は、発電装置30と計画装置40と電力系統50とに接続される。電解装置20は、電気エネルギーを用いて生成物を生成する装置でよい。電解装置20は、一例として、生成物として水素を、電気分解によって生成する水素生成装置である。電解装置20は、計画装置40が生成した稼働計画に従って稼働する。電解装置20は、発電装置30および電力系統50から電力供給されることによって稼働する。
The
ここで、電力系統50は、一例として、原子力発電、火力発電、または風力等の再生可能エネルギーによる発電等を行う1または複数の発電所から、送電網を介して多数の需要家に電力を供給するシステムである。電力系統50は、発電量及び需要量に応じて、例えば、所定時間毎、1日毎、または1ヶ月毎等に電気料金(例えば、売電料金および買電料金)が変動しうるものである。
Here, the
発電装置30は、電解装置20と計画装置40と電力系統50とに接続され、風力、太陽光、熱、地熱、水力、および/またはバイオマス等のような再生可能エネルギーを用いて発電した電力を電解装置20に供給するローカルな電源であってよい。発電装置30は、電解装置20に電力系統50を介さずに直接、および/または電力系統50の送電網を介して、電解装置20に電力供給してよい。発電装置30は、発電した電力を電力系統50に売電してよい。
The
計画装置40は、電解装置20の稼働計画を生成する。計画装置40は、パーソナルコンピュータ、タブレット型コンピュータ、スマートフォン、ワークステーション、サーバコンピュータ、または汎用コンピュータ等のコンピュータであってよく、複数のコンピュータが接続されたコンピュータシステムであってもよい。計画装置40は、コンピュータのCPU、GPU(Graphics Processing Unit)、および/またはTPU(Tensor Processing Unit)における処理によって稼働計画を生成してよい。また、計画装置40は、サーバコンピュータにより提供されるクラウド上で各種の処理を行うものであってよい。
The
計画装置40が生成する稼働計画は、第1期間における、電解装置20の稼働すべき状態を記述したテーブルまたはデータ等であってよい。稼働計画は、例えば、電解装置20を稼働させる(または稼働させない)時間帯、電解装置20の稼働時間帯のうち、発電装置30からの電力で稼働させる時間帯と電力系統50からの電力で稼働させる時間帯、発電装置30の発電した電力を電力系統50に売電する時間帯、および/または、電解装置20の時間帯毎の稼働率を定めたテーブルまたはデータ等でよい。計画装置40は、取得部100と、記憶部110と、モデル生成部120と、学習処理部130と、予測部140と、稼働計画生成部150と、制御部160とを備える。
The operation plan generated by the
取得部100は、電解装置20と発電装置30と記憶部110とに接続され、学習に用いるパラメータおよび学習データ等を取得してよい。取得部100は、ネットワーク等に接続され、当該ネットワークを介してデータを取得してもよい。取得部100は、取得すべきデータの少なくとも一部が外部のデータベース等に記憶されている場合、当該データベース等にアクセスして、取得してよい。取得部100は、取得したデータを、記憶部110に供給してよい。
The
記憶部110は、モデル生成部120と学習処理部130と予測部140と稼働計画生成部150とに接続され、取得部100が取得した情報を記憶する。記憶部110は、当該計画装置40が処理するデータを記憶してよい。記憶部110は、計画装置40が稼働計画を生成する過程で算出する(または利用する)中間データ、算出結果、およびパラメータ等をそれぞれ記憶してもよい。また、記憶部110は、計画装置40内の各部の要求に応じて、記憶したデータを要求元に供給してよい。記憶部110は、一例として、モデル生成部120の要求に応じて、記憶したデータを当該モデル生成部120に供給する。
The
モデル生成部120は、学習処理部130に接続され、計画装置40が学習する学習モデルを生成する。モデル生成部120は、記憶部110に記憶された第1因子、第2因子、および第3因子に応じて、学習モデルを生成する。モデル生成部120は、1または複数の学習モデルを生成してよい。モデル生成部120は、生成した学習モデルを学習処理部130に供給する。
The
学習処理部130は、予測部140に接続され、取得部100で取得された学習データに基づいて、生成した学習モデルを学習する。学習処理部130は、強化学習を実行して、学習モデルを更新してよい。学習処理部130は、1または複数の学習モデルを更新してよい。学習処理部130は、更新した学習モデルを予測部140に供給する。
The
予測部140は、稼働計画生成部150に接続される。予測部140は、学習モデルに基づいて、計画装置40が稼働計画を生成する際に用いられる将来の各種データの推移を予測する。予測部140は、例えば、発電装置30における将来の再生可能エネルギー発電量の推移、および/または電力系統50の電気料金の推移を予測する。予測部140は、予測したデータを稼働計画生成部150に供給する。
The
稼働計画生成部150は、制御部160に接続され、将来の第1期間における電解装置20の稼働計画を生成する。稼働計画生成部150は、例えば、将来の第1期間において、電解装置20の生成物の使用計画を満たしつつ、生成物の製造コストを最小化または低減させる稼働計画を生成する。稼働計画生成部150は、生成した稼働計画を制御部160に供給する。
The operation
ここで、電解装置20の生成物の使用計画は、電解装置20の生成物の貯蔵量を基準範囲内に維持する計画、および電解装置20の生成物の需要量または供給量を満たす計画のうちの少なくとも1つを含んでよい。生成物の需要量または供給量は、例えば、第1期間における電解装置20が供給すべき生成物の累計の量または所定時間毎の量であってよい。貯蔵量は、電解装置20の内部または外部に貯蔵される生成物の量であってよい。このような貯蔵量の基準範囲、生成物の需要量、または供給量は、計画装置40に外部から入力されるデータ、過去のデータ、または、計画装置40において過去のデータから将来の第1期間について予測されるものであってよい。
Here, the plan for using the product of the
制御部160は、第1期間における電解装置20の稼働計画を用いて、当該電解装置20を稼働させる制御を行う。例えば、制御部160は、発電装置30からの電力と電力系統50からの電力とを、稼働計画により時間帯に応じて選択的に用いて、電解装置20を稼働させてよい。制御部160は、複数の電解装置20をそれぞれ稼働させてよい。また、制御部160は、電解装置20の動作および生成物の貯蔵量等が想定とは異なる範囲となった場合に、電解装置20の稼働の停止および開始を指示してもよい。制御部160は、第1期間における電解装置20の稼働計画を用いて、発電装置30の発電した電力を電力系統50に売電するように制御してよい。
The
以上の本実施形態の計画装置40によれば、発電装置30の再生可能エネルギー発電量の変動と電力系統50の電気料金の変動とに応じた電解装置20の稼働計画を生成することができ、使用計画により予め定められた量以上の生成物を、より低い製造コストで生成することができる。このような計画装置40のより具体的な構成例について、次に説明する。
According to the
図2は、本実施形態に係る計画装置40の構成例を示す。図2の計画装置40において、図1に示された本実施形態に係る計画装置40の動作と略同一のものには同一の符号を付け、説明を省略する。図2は、図1における計画装置40のモデル生成部120、学習処理部130、および予測部140をより詳細に示す。
FIG. 2 shows a configuration example of the
計画装置40は、第1モデル生成部200、第1モデル更新部210、および発電量予測部220を備え、将来の発電装置30の再生可能エネルギー発電量を予測する。計画装置40は、第2モデル生成部230、および第2モデル更新部240を備え、稼働計画生成部150において将来の電解装置20の稼働計画を生成する。計画装置40は、第3モデル生成部250、第3モデル更新部260、および電気料金予測部270を備え、将来の電力系統50の電気料金を予測する。
The
記憶部110は、取得部100が取得した第1因子、第2因子、および第3因子を記憶する。第1因子(発電量予測因子)は、発電装置30の再生可能エネルギー発電量に影響を及ぼす情報を含んでよい。第1因子は、例えば、発電装置30の再生可能エネルギー発電量の推移を予測する対象期間よりも前の、発電装置30の再生可能エネルギー発電量および天気情報の少なくとも1つを含む。第1因子は、発電装置30から取得部100が取得した情報を含んでよい。例えば、天気情報は、風速、風向き、晴れ、雨、温度、波の高さ、および日照時間等の少なくとも1つを含んでよい。天気情報は、発電装置30が設置された地域の天気情報でよい。発電装置30の再生可能エネルギー発電量は、過去の所定期間における、略一定時間毎の発電量、発電量の累計、平均値、上限値、および下限値の少なくとも1つを含んでよい。
The
第2因子(稼働予測因子)は、電解装置20の稼働または電解装置20の生成物の使用計画に関する情報を含んでよい。第2因子は、生成する稼働計画の対象期間よりも前に入手可能な、電解装置20の稼働データ、電解装置20の生成物の需要量、および電解装置20の生成物の貯蔵量の少なくとも1つを含む。また、第2因子は、当該計画装置40が過去に生成した電解装置20の稼働計画を含んでもよい。また、第2因子は、電解装置20の物理モデルから算出される仮想データを含んでよい。また、第2因子は、電解装置20から取得部100が取得した情報を含んでよい。例えば、稼働データは、電解装置20における単位時間当たりの生成物の生成量、および/または単位電力当たりの生成物の生成量であってよい。需要量は、電解装置20により供給する必要のある生成物の量であってよい。貯蔵量は、電解装置20の生成物を貯蔵するタンク等に貯蔵された量であってよい。
A second factor (operational predictor) may include information regarding the operation of
第3因子(電気料金予測因子)は、電力系統50の電気料金の変動に影響を及ぼす情報を含んでよい。第3因子は、電気料金を予測する対象期間よりも前の、電力系統50における電気料金、電力需要量、電力供給量、再生可能エネルギー発電量、再生可能エネルギー発電量の予測値、および天気情報の少なくとも1つを含む。電力系統50における電気料金は、電解装置20が設置された場所において、電力系統50から電解装置20に供給される電力に対する実際の電気料金、および/または発電装置30が電力系統50に電力を売る際の売電料金であってよい。天気情報は、電解装置20が設置された地域の天気情報でよい。電力系統50における電力需要量、電力供給量、再生可能エネルギー発電量、および再生可能エネルギー発電量の予測値は、電解装置20が設置された地域に電力系統50の送電網を介して電力を供給する発電所等の情報でよい。当該発電所等は、電解装置20に接続されたローカルな電源である発電装置30とは異なってよい。
A third factor (electricity price predictor) may include information that affects fluctuations in the electricity price of
第1因子、第2因子、および第3因子の情報は、略一定時間毎の時系列の情報でよい。第1因子、第2因子、および第3因子の情報は、時間の経過と共にそれぞれ追加または更新されてよい。例えば、取得部100は、予め定められた期間毎に、それぞれの情報を取得して更新してよい。また、取得部100は、取得すべき情報に応じて、略同一または異なる期間毎に取得して、それぞれ追加または更新してよい。第1因子、第2因子、および第3因子の情報は、外部の装置等から供給される情報を含んでよい。
The information of the first factor, the second factor, and the third factor may be time-series information at approximately constant time intervals. The first factor, second factor, and third factor information may be added or updated, respectively, over time. For example, the acquiring
第1モデル生成部200は、第1モデル更新部210に接続される。第1モデル生成部200は、対象期間における発電装置30の再生可能エネルギー発電量の推移を、対象期間よりも前に入手可能な第1因子の値に基づいて予測する発電量予測モデルを生成する。第1モデル生成部200は、対象期間よりも過去の情報を用いて、事前学習またはオフライン学習等と呼ばれる処理により、発電量予測モデルを生成してよい。第1モデル生成部200は、例えば、回帰分析、ベイズ推論、ニューラルネットワーク、ガウシアン混合モデル、および隠れマルコフモデル等を用いて、発電量予測モデルを生成する。第1モデル生成部200は、生成した発電量予測モデルを第1モデルとして第1モデル更新部210に供給する。
The
第1モデル更新部210は、発電量予測部220に接続される。第1モデル更新部210は、過去期間における第1因子の値と過去期間以降の再生可能エネルギー発電量の現実の推移とに基づいて、発電量予測モデルを学習により更新する。第1モデル更新部210は、第1モデル学習部215を有し、第1モデル学習部215の学習結果に応じて、発電量予測モデルを更新する。第1モデル更新部210は、例えば、予め定められた第1更新期間毎に、第1モデル学習部215が学習した発電量予測モデルを、新たな発電量予測モデルとして更新してよい。これに代えて、第1モデル更新部210は、第1モデル学習部215が予め定められた回数だけ学習したこと、または学習による誤差差分があらかじめ定めれらた閾値を下回ったる等の諸条件に応じて、発電量予測モデルを更新してもよい。
The first
第1モデル学習部215は、適応学習またはオンライン学習等と呼ばれる処理により、発電量予測モデルを学習してよい。第1モデル学習部215は、例えば、回帰分析、ベイズ推論、ニューラルネットワーク、ガウシアン混合モデル、および隠れマルコフモデル等の任意の機械学習モデルを識別モデルとして、強化学習を実行することによって、発電量予測モデルを学習する。このような機械学習を行うことにより、第1モデル学習部215は、第1因子を入力として、第1因子に応じた再生可能エネルギー発電量を、適用するモデルに応じた精度で予測することができるようになる。また、第1モデルとして、例えば、LSTM(Long short-term memory)、RNN(Recurrent Neural Network)、およびその他の記憶を有するモデルを使用すれば、第1因子の時系列から再生可能エネルギー発電量を予測することもできる。
The first
第1モデル学習部215は、第1モデル生成部200が発電量予測モデルの生成に用いた第1因子の情報よりも時間的に後の情報を更に用いて学習することが望ましい。第1モデル学習部215は、実際の再生可能エネルギー発電量の推移によって更新された第1因子の情報を用いて、発電量予測モデルを学習する。第1モデル学習部215は、第1因子の情報が更新されたことに応じて、発電量予測モデルの学習を実行してよい。一例として、第1モデル学習部215は、過去期間における第1因子の値と過去期間以降の再生可能エネルギー発電量の現実の推移とに基づいて、発電量予測モデルを学習する。第1モデル学習部215は、第1モデル更新部210の第1更新期間の間に、1または複数回の学習を実行してよい。第1モデル更新部210は、更新した発電量予測モデルを発電量予測部220に供給する。
It is preferable that the first
発電量予測部220は、稼働計画生成部150に接続される。発電量予測部220は、発電量予測モデルを用いて、発電装置30の将来の再生可能エネルギー発電量の推移を予測する。発電量予測部220は、例えば、予め定められた期間毎に、将来における当該予め定められた期間の発電装置30の再生可能エネルギー発電量を予測する。発電量予測部220は、発電量予測モデルと第1因子の情報を用いて、発電量を予測する。発電量予測部220は、例えば、再生可能エネルギー発電量を予測すべき期間の直前までの期間における第1因子の情報を、発電量予測モデルに適用して発電装置30の再生可能エネルギー発電量を予測する。発電量予測部220は、予測結果を稼働計画生成部150に供給する。
The power generation
第2モデル生成部230は、第2モデル更新部240に接続される。第2モデル生成部230は、対象期間よりも前の第2因子の値、発電装置30の再生可能エネルギー発電量の推移、および電力系統50の電気料金の推移に基づいて、稼働計画生成モデルを生成する。稼働計画生成モデルは、学習により、対象期間における稼働計画を、対象期間よりも前に入手可能な第2因子の値と、対象期間における発電装置30の再生可能エネルギー発電量の推移の予測結果と、電力系統50の電気料金とに基づいて生成するモデルであってよい。なお、第2モデル生成部230は、過去の再生可能エネルギー発電量の推移として、第1因子の値を用いてよく、過去の電気料金の推移として、第3因子の値を用いてよい。第2モデル生成部230は、対象期間よりも過去の情報を用いて、事前学習またはオフライン学習等と呼ばれる学習処理により、稼働計画生成モデルを生成してよい。
The
第2モデル生成部230は、例えば、回帰分析、ベイズ推論、ニューラルネットワーク、ガウシアン混合モデル、および隠れマルコフモデル等の任意の機械学習モデルを識別モデルとして、強化学習を実行することによって、稼働計画生成モデルを生成する。第2モデル生成部230は、生成した稼働計画生成モデルを第2モデルとして第2モデル更新部240に供給する。
The second
第2モデル更新部240は、稼働計画生成部150に接続される。第2モデル更新部240は、過去期間における第2因子の値と、過去期間以降における発電装置30の再生可能エネルギー発電量の推移または発電装置30の再生可能エネルギー発電量の推移の予測結果と、過去期間以降における電力系統50の電気料金の推移と、過去期間以降において目標とすべき電解装置20の稼働計画とに基づいて、稼働計画生成モデルを学習により更新する。第2モデル更新部240は、第2モデル学習部245を有し、第2モデル学習部245の学習結果に応じて、稼働計画生成モデルを更新する。第2モデル更新部240は、例えば、予め定められた第2更新期間毎に、第2モデル学習部245が学習した稼働計画生成モデルを、新たな稼働計画生成モデルとして更新してよい。これに代えて、第2モデル更新部240は、第2モデル学習部245が予め定められた回数だけ学習したことに応じて、稼働計画生成モデルを更新してもよい。
The
第2モデル学習部245は、適応学習またはオンライン学習等と呼ばれる処理により、稼働計画生成モデルを学習してよい。第2モデル学習部245は、例えば、回帰分析、ベイズ推論、ニューラルネットワーク、ガウシアン混合モデル、および隠れマルコフモデル等の任意の機械学習モデルを識別モデルとして、強化学習を実行することによって、稼働計画生成モデルを学習する。このような機械学習を行うことにより、第2モデル学習部245は、第2因子を入力として、第2因子に応じた値を、適用するモデルに応じた精度で予測することができるようになる。また、第2モデルとして、例えば、LSTM(Long short-term memory)、RNN(Recurrent Neural Network)、およびその他の記憶を有するモデルを使用すれば、第2因子の時系列から電解装置20の稼働状態を予測することもできる。
The second
第2モデル学習部245は、第2モデル生成部230が稼働計画生成モデルの生成に用いた第2因子の情報よりも時間的に後の情報を更に用いて学習することが望ましい。第2モデル学習部245は、発電装置30の実際の再生可能エネルギー発電量の推移によって更新された第1因子の情報と、実際の電解装置20の稼働によって更新された第2因子の情報と、実際の電気料金の推移によって更新された第3因子の情報とを用いて、稼働計画生成モデルを学習する。なお、再生可能エネルギー発電量の推移については、例えば、実際の再生可能エネルギー発電量の推移に代えて、発電量予測部220の予測結果を用いてもよい。また、電気料金の推移については、例えば、実際の電気料金の推移に代えて、電気料金予測部270の予測結果を用いてもよい。即ち、第2モデル学習部245は、過去期間における第2因子の値と、過去期間以降における再生可能エネルギー発電量および電気料金の推移、または再生可能エネルギー発電量および電気料金の推移の予測結果とに基づいて、稼働計画生成モデルを学習する。
It is desirable that the second
第2モデル学習部245は、第2因子の情報が更新されたことに応じて、稼働計画生成モデルの学習を実行してよい。第2モデル学習部245は、第2モデル更新部240の第2更新期間の間に、1または複数回の学習を実行する。第2モデル更新部240は、更新した稼働計画生成モデルを稼働計画生成部150に供給する。
The second
第3モデル生成部250は、第3モデル更新部260に接続される。第3モデル生成部250は、対象期間における電力系統50の電気料金の推移を、対象期間よりも前に入手可能な第3因子の値に基づいて予測する電気料金予測モデルを生成する。第3モデル生成部250は、対象期間よりも過去の情報を用いて、事前学習またはオフライン学習等と呼ばれる処理により、電気料金予測モデルを生成してよい。第3モデル生成部250は、例えば、回帰分析、ベイズ推論、ニューラルネットワーク、ガウシアン混合モデル、および隠れマルコフモデル等を用いて、電気料金予測モデルを生成する。第3モデル生成部250は、生成した電気料金予測モデルを第3モデルとして第3モデル更新部260に供給する。
The
第3モデル更新部260は、電気料金予測部270に接続され、電気料金予測モデルを学習により更新する。第3モデル更新部260は、第3モデル学習部265を有し、第3モデル学習部265の学習結果に応じて、電気料金予測モデルを更新する。第3モデル更新部260は、例えば、予め定められた第3更新期間毎に、第3モデル学習部265が学習した電気料金予測モデルを、新たな電気料金予測モデルとして更新してよい。これに代えて、第3モデル更新部260は、第3モデル学習部265が予め定められた回数だけ学習したことに応じて、電気料金予測モデルを更新してもよい。
The third
第3モデル学習部265は、適応学習またはオンライン学習等と呼ばれる処理により、電気料金予測モデルを学習してよい。第3モデル学習部265は、例えば、回帰分析、ベイズ推論、ニューラルネットワーク、ガウシアン混合モデル、および隠れマルコフモデル等の任意の機械学習モデルを識別モデルとして、強化学習を実行することによって、電気料金予測モデルを学習する。このような機械学習を行うことにより、第3モデル学習部265は、第3因子を入力として、第3因子に応じた電気料金を、適用するモデルに応じた精度で予測することができるようになる。また、第3モデルとして、例えば、LSTM(Long short-term memory)、RNN(Recurrent Neural Network)、およびその他の記憶を有するモデルを使用すれば、第3因子の時系列から電気料金を予測することもできる。
The third
第3モデル学習部265は、第3モデル生成部250が電気料金予測モデルの生成に用いた第3因子の情報よりも時間的に後の情報を更に用いて学習することが望ましい。第3モデル学習部265は、電力系統50の実際の電気料金の推移によって更新された第3因子の情報を用いて、電気料金予測モデルを学習する。第3モデル学習部265は、第3因子の情報が更新されたことに応じて、電気料金予測モデルの学習を実行してよい。一例として、第3モデル学習部265は、過去期間における第3因子の値と過去期間以降の電気料金の現実の推移とに基づいて、電気料金予測モデルを学習する。第3モデル学習部265は、第3モデル更新部260の第3更新期間の間に、1または複数回の学習を実行する。第3モデル更新部260は、更新した電気料金予測モデルを電気料金予測部270に供給する。
As for the 3rd
電気料金予測部270は、稼働計画生成部150に接続される。電気料金予測部270は、更新された電気料金予測モデルを用いて、電力系統50の将来の電気料金の推移を予測する。電気料金予測部270は、例えば、予め定められた期間毎に、将来における当該予め定められた期間の電気料金を予測する。電気料金予測部270は、電気料金予測モデルと第3因子の情報を用いて、電気料金を予測する。電気料金予測部270は、例えば、電気料金を予測すべき期間の直前までの期間における第3因子の情報を、電気料金予測モデルに適用して電気料金を予測する。電気料金予測部270は、予測結果を稼働計画生成部150に供給する。
Electricity
稼働計画生成部150は、予測された将来の発電装置30の再生可能エネルギー発電量の推移と予測された将来の電力系統50の電気料金とに基づいて、将来の第1期間における、電解装置20の生成物の使用計画を満たす電解装置20の稼働計画を生成する。稼働計画生成部150は、稼働計画生成モデルを用いて、将来の第1期間における電解装置20の稼働計画を生成してよい。稼働計画生成部150は、第1期間中において、電解装置20の生成物の使用計画を満たすように、発電装置30からの電気を電力系統50からの電気より優先して用いて電解装置20を稼働させる稼働計画を生成してよい。稼働計画生成部150は、例えば、数日または十数日、1または数週間といった期間を第1期間として、電解装置20の稼働計画を生成する。稼働計画生成部150は、一例として、N日分の稼働計画を生成する。
The operation
制御部160は、稼働計画生成部150が生成した稼働計画に応じて、電解装置20を稼働させる。制御部160は、発電装置30を制御してよく、発電装置30から電解装置20に供給する電力量、供給する時間帯、発電装置30の発電電力を売電する電力量、および/または売電する時間帯等を制御してよい。
The
以上の本実施形態に係る計画装置40は、発電装置30の再生可能エネルギー発電量と電力系統50の電気料金とを学習によって予測しつつ、電解装置20の稼働計画を生成する。このような計画装置40の動作について、次に説明する。
The
図3は、本実施形態に係る計画装置40の動作フローの一例を示す。計画装置40は、図3に示す動作フローを実行し、電解装置20を稼働させてよい。
FIG. 3 shows an example of the operation flow of the
取得部100は、発電装置30の再生可能エネルギー発電量、電力系統50の電気料金、および電解装置20の過去のトレンドとなる第1因子、第2因子、および第3因子の情報を取得する(S310)。取得部100は、例えば、時刻t0から時刻t1における、第1因子、第2因子、および第3因子の情報を取得する。ここで、時刻t0から時刻t1の間の期間は、第1期間よりも前の第2期間とする。取得部100は、取得した第1因子、第2因子、および第3因子の情報を記憶部110に記憶させる。また、取得部100は、第1因子、第2因子、および第3因子の情報をモデル生成部120に直接供給してもよい。
The
次に、モデル生成部120は、学習モデルを生成する(S320)。モデル生成部120は、第2期間の第1因子、第2因子、および第3因子の値に基づき、学習モデルを生成する。例えば、第1モデル生成部200は、第2期間における、発電装置30の再生可能エネルギー発電量および天気情報の少なくとも1つを含む第1因子の値を用いて、発電量予測モデルを生成する。第3モデル生成部250は、第2期間における、電気料金、電力需要量、電力供給量、再生可能エネルギー発電量、再生可能エネルギー発電量の予測値、および天気情報の少なくとも1つを含む第3因子の値を用いて、電気料金予測モデルを生成する。
Next, the
また、第2モデル生成部230は、第1因子、第2因子、および第3因子の値に基づき、稼働計画生成モデルを生成する。例えば、第2モデル生成部230は、第2期間における、発電装置30の再生可能エネルギー発電量、電力系統50の電気料金、電解装置20の稼働データ、電解装置20の生成物の貯蔵量、および電解装置20の稼働計画の仮想データの少なくとも1つを用いて、稼働計画生成モデルを生成する。
Also, the second
また、第2モデル生成部230は、電解装置20の物理モデルに基づく仮想データを目標とすべき予測データとし、当該予測データおよび過去の電解装置20の稼働によって取得された実データとを比較することにより、稼働計画生成モデルを生成してよい。例えば、第2モデル生成部230は、目標とすべき予測データおよび過去の実データの差分が0または予め定められた値未満となるように、強化学習を実行して稼働計画生成モデルを生成する。
In addition, the second
第2モデル生成部230は、一例として、第2期間におけるM日間の期間を仮想的な予測期間とする。なお、M日間は、例えば、数日または十数日、1または数週間といった期間でよい。M日間は、第1期間(N日間)と一致することが望ましい。そして、第2モデル生成部230は、第2期間における予測期間よりも前の期間の第1因子、第2因子、および第3因子の値に基づく予測期間の稼働動作の予測結果と、予測期間の実データまたは仮想データとの誤差が、最小となるように強化学習する。
As an example, the second
この場合、第2モデル生成部230は、電解装置20の生成物の使用計画を満たし(第1条件)、かつ発電装置30からの電気を電力系統50からの電気より優先して用いて電解装置20を稼働させる(第2条件)という条件を満たしながら、稼働コストを低減させるように強化学習してよい。ここで、電解装置20の生成物の使用計画を満たすという第1条件は、例えば、電解装置20の生成物の貯蔵量の変動範囲を0から最大貯蔵量の範囲とする、または電解装置20の生成物の需要量または供給量の累計以上の生成物を電解装置20で生成する等の条件であってよい。また、第2条件は、所定期間(例えば第2期間)における予測される発電装置30の累計の再生可能エネルギー発電量を全て電解装置20の稼働に使用する、または、発電装置30が電力系統50よりも多くの電力を電解装置20の稼働のために供給する等の条件であってよい。
In this case, the second
なお、このようなモデル生成部120による学習モデルの生成は、電解装置20の稼働に伴って計画装置40が当該電解装置20の実データを取得する前に、実行されてよい。
Note that the learning model generation by the
次に、学習処理部130は、生成した学習モデルを適応学習する(S330)。ここで、取得部100は、第1因子、第2因子、および第3因子の情報をさらに取得してよい。取得部100は、例えば、時刻t1から時刻t2における、第1因子、第2因子、および第3因子の情報を取得する。なお、時刻t1から時刻t2の間の期間は、第1期間および第2期間の間の第3期間とする。学習処理部130は、取得部100が新たに取得した第1因子、第2因子、および第3因子の情報を用いて適応学習してよい。
Next, the
例えば、第1モデル学習部215は、第1因子の値に基づき、発電量予測モデルを適応学習する。第1モデル学習部215は、第3期間における、発電装置30の再生可能エネルギー発電量および天気情報の少なくとも1つを用いて、発電量予測モデルを適応学習してよい。第1モデル学習部215は、発電量予測モデルを用いて第3期間における再生可能エネルギー発電量を予測した結果が、取得した第3期間の再生可能エネルギー発電量と一致するように強化学習してよい。
For example, the first
第1モデル学習部215は、一例として、第3期間におけるM日間の期間を仮想的な予測期間とする。なお、M日間は、例えば、数日または十数日、1または数週間といった期間でよい。M日間は、第1期間(N日間)と一致することが望ましい。第1モデル学習部215は、一例として、第3期間における予測期間よりも前の期間の第1因子の値に基づく予測期間の予測結果と、予測期間の実データとの差分が0または予め定められた値未満となるように強化学習する。
As an example, the first
また、第2モデル学習部245は、第1因子、第2因子、および第3因子の値に基づき、稼働計画生成モデルを適用学習してよい。例えば、第2モデル学習部245は、第3期間における、発電装置30の再生可能エネルギー発電量の推移または当該推移の予測結果、電力系統50の電気料金の推移または当該推移の予測結果、電解装置20の稼働データ、電解装置20の生成物の貯蔵量または需要量、および稼働計画の実データの少なくとも1つを用いて、稼働計画生成モデルを学習してよい。第2モデル学習部245は、稼働計画生成モデルを用いて第3期間における電解装置20の稼働動作を予測した結果と、取得した第3期間の実データの差分が0または予め定められた値未満となるように、強化学習を実行してよい。
Also, the second
第2モデル学習部245は、一例として、第3期間におけるM日間の期間を仮想的な予測期間とする。なお、M日間は、例えば、数日または十数日、1または数週間といった期間でよい。M日間は、第1期間(N日間)と一致することが望ましい。そして、第2モデル学習部245は、第3期間における予測期間よりも前の期間の第1因子、第2因子、および第3因子の値に基づく予測期間の稼働動作の予測結果と、予測期間の実データとの差分が0または予め定められた値未満となるように強化学習する。
As an example, the second
この場合、第2モデル学習部245は、第2モデル生成部230が稼働計画生成モデルの生成に用いた、第1条件、および第2条件等を同様に用いてよい。即ち、第2モデル学習部245は、2つの条件を満たしつつ、生成物の製造コストを低減させるように稼働計画生成モデルを強化学習してよい。
In this case, the second
また、第3モデル学習部265は、第3因子の値に基づき、電気料金予測モデルを適応学習する。第3モデル学習部265は、第3期間における、電力系統50についての電気料金、電力需要量、電力供給量、再生可能エネルギー発電量、再生可能エネルギー発電量の予測値、および天気情報の少なくとも1つを用いて、電気料金予測モデルを適応学習してよい。第3モデル学習部265は、電気料金予測モデルを用いて第3期間における電気料金等を予測した結果が、取得した第3期間の電気料金と一致するように強化学習してよい。
Also, the third
第3モデル学習部265は、一例として、第3期間におけるM日間の期間を仮想的な予測期間とする。なお、M日間は、例えば、数日または十数日、1または数週間といった期間でよい。M日間は、第1期間(N日間)と一致することが望ましい。第3モデル学習部265は、一例として、第3期間における予測期間よりも前の期間の第3因子の値に基づく予測期間の予測結果と、予測期間の実データとの差分が0または予め定められた値未満となるように強化学習する。
As an example, the third
次に、学習処理部130は、学習モデルを更新する(S340)。学習処理部130は、予め定められた時間毎に学習モデルを更新してよい。例えば、学習処理部130は、適応学習を開始してから更新に必要な初期更新期間だけ適応学習を継続させてから、学習モデルの最初の更新を実行し、その後、一定の期間毎に更新を繰り返す。ここで、初期更新期間は、生成すべき稼働計画の期間であるN日以上であることが望ましい。また、更新を繰り返す一定の期間は、数時間、十数時間、1日、数十時間、または数日等でよい。
Next, the
例えば、第1モデル更新部210は、初期更新期間後、発電量予測モデルを第1更新期間毎に更新する。また、第2モデル更新部240は、初期更新期間後、稼働計画生成モデルを第2更新期間毎に更新する。また、第3モデル更新部260は、初期更新期間後、電気料金予測モデルを第3更新期間毎に更新する。第1更新期間、第2更新期間、および第3更新期間は、異なる期間でよく、これに代えて、略同一の期間でもよい。第1更新期間、第2更新期間、および第3更新期間は、一例として1日である。
For example, the first
次に、予測部140は、更新した学習モデルを用いて発電装置30の再生可能エネルギー発電量および電力系統50の電気料金を予測する(S350)。例えば、発電量予測部220は、更新された発電量予測モデルおよび第1因子の値を用いて、第1期間の発電装置30の再生可能エネルギー発電量の推移を予測する。発電量予測部220は、一例として、初期更新期間に取得部100が取得したN日分の第1因子の値を発電量予測モデルに適用して、初期更新期間の後のN日分の再生可能エネルギー発電量の推移を予測する。
Next, the
また、電気料金予測部270は、更新された電気料金予測モデルおよび第3因子の値を用いて、第1期間の電気料金の推移を予測する。電気料金予測部270は、一例として、初期更新期間に取得部100が取得したN日分の第3因子の値を電気料金予測モデルに適用して、初期更新期間の後のN日分の電気料金の推移を予測する。
In addition, the electricity
次に、稼働計画生成部150は、更新された学習モデルを用いて、第1期間の電解装置20の稼働計画を生成する(S360)。稼働計画生成部150は、更新された稼働計画生成モデル、発電量予測部220の再生可能エネルギー発電量の予測結果、電気料金予測部270の電気料金の予測結果、および第2因子の値を用いて、第1期間の稼働計画を生成してよい。稼働計画生成部150は、一例として、初期更新期間に取得部100が取得したN日分の第2因子の値と、初期更新期間の後のN日分の再生可能エネルギー発電量の予測結果および電気料金の推移の予測結果とを稼働計画生成モデルに適用して、初期更新期間の後のN日分の稼働計画を生成する。
Next, the
稼働計画生成部150は、第2モデル生成部230が稼働計画生成モデルの生成に用いた、第1条件および第2条件を同様に用いてよい。即ち、稼働計画生成部150は、2つの条件を満たしつつ、製造コストを最小化する稼働計画を生成してよい。
The operation
稼働計画生成部150は、例えば、第1期間において、発電装置30からの電力により電解装置20を稼働させる期間と、電力系統50からの電力により電解装置20を稼働させる期間とを含む稼働計画を生成する。稼働計画生成部150は、一例として、稼働計画において、第1期間における発電装置30の予測した再生可能エネルギー発電量を、当該第1期間内で使い切るように、発電装置30からの電力により電解装置20を稼働させる期間を設定してよい。さらに、発電装置30からの電力が第1期間における電解装置20の生成物の使用計画を満たすには不足している場合等に、稼働計画生成部150は、稼働計画において、第1期間における電解装置20の生成物の使用計画における不足分を満たすように、電気料金が閾値より低い期間に、電力系統50からの電力により電解装置20を稼働させるように設定してよい。
For example, in the first period, the operation
また、稼働計画生成部150は、第1期間において、電解装置20を稼働させる期間と、稼働させない期間とを含む稼働計画を生成してよい。また、稼働計画生成部150は、電解装置20を稼働させる期間を、稼働率と共に示す稼働計画を生成してよい。稼働計画生成部150は、時系列に稼働率が推移する稼働計画を生成することが望ましい。稼働計画生成部150は、例えば、一定時間ごとの稼働計画を生成する。稼働計画生成部150は、数十分、1時間、または数時間ごとの稼働計画を生成してよい。
In the first period, the operation
また、稼働計画生成部150は、制御部160が複数の電解装置20を制御する場合、当該複数の電解装置20のそれぞれに対する稼働計画を生成してよい。稼働計画生成部150は、複数の電解装置20が略同一の電解装置20である場合は、略同一の稼働計画をそれぞれ生成してよい。また、稼働計画生成部150は、制御部160が異なる種類の電解装置20、異なる時期に購入した電解装置20、異なる製造メーカの電解装置20、またはこれらの組み合わせを含む複数の電解装置20を制御する場合、それぞれの電解装置20に対応して、異なる稼働計画をそれぞれ生成してよい。
Moreover, when the
この場合、第2モデル生成部230は、複数の電解装置20の稼働台数毎または複数の電解装置20の組み合わせ毎にそれぞれ対応する複数の稼働計画生成モデルを生成してよい。また、第2モデル学習部245は、複数の稼働生成モデルをそれぞれ学習してよく、第2モデル更新部240は、複数の稼働生成モデルをそれぞれ更新してよい。稼働計画生成部150は、複数の稼働計画生成モデルのうち、第1期間における複数の電解装置20の生成物の使用計画に応じた稼働計画生成モデルを用いて、第1期間における電解装置20の稼働計画を生成してよい。また、第2モデル生成部230は、複数の電解装置20に対応する1つの稼働計画生成モデルを生成し、第2モデル更新部240は、第2モデル学習部245により学習した稼働計画生成モデルを更新してよい。この場合、稼働計画生成モデルは、複数の電解装置20を連携稼働させるための稼働計画を生成するモデルであってよく、一例として、複数の電解装置20のそれぞれの稼働開始のタイミングおよび稼働期間等が最適化された稼働計画を生成するモデルであってよい。
In this case, the second
制御部160は、稼働計画生成部150が生成した稼働計画を用いて、電解装置20をN日分稼働させる(S370)。これにより、電解装置20は、第1期間において、予め定められた生成物の供給計画を満たしつつ、生成物の製造コストを低減させるように稼働することができる。また、制御部160は、稼働計画を用いて、発電装置30を制御し、発電装置30から電解装置20への電力供給および発電装置30から電力系統50への電力の売電を行ってよい。
The
計画装置40が第1期間の経過後に電解装置20の稼働を継続させる場合(S380:No)、S330に戻り、学習処理部130は学習モデルを適応学習する。この場合、取得部100は、当該第1期間の第1因子および第3因子の情報と、当該第1期間の電解装置20の稼働によって推移する第2因子の情報を順次取得し、記憶部110に順次記憶する。即ち、計画装置40は、第1期間の情報を過去の情報に含め、予測すべき対象期間を第1期間よりも後の期間(一例として、第4期間)とする。
When the
そして、計画装置40は、第1期間の情報を用いてモデルの適応学習を繰り返し、一定期間の経過に応じてモデルを更新して、第4期間の電解装置20の稼働計画を生成し、生成した稼働計画に応じて電解装置20を稼働させる。このように、本実施形態に係る計画装置40は、電解装置20の対象期間の稼働計画の生成と、当該対象期間の稼働とを繰り返すことにより、学習モデルを更新しつつ電解装置20を継続して稼働できる。
Then, the
以上の計画装置40の動作フローにおいて、第2期間、第3期間、第1期間、および第4期間の順に、計画装置40を時系列に動作させる例を説明した。ここで、第2期間、第3期間、第1期間、および第4期間は、この順に時間的に連続した期間でよい。少なくとも、第1期間および第4期間は、連続した期間であることが望ましい。
In the operation flow of the
本実施形態に係る計画装置40は、発電装置30の再生可能エネルギー発電量と電力系統50の電気料金とを学習によって予測し、電解装置20において使用計画に沿った量の生成物を低コストで生成可能な稼働計画を作成できる。
The
なお、本実施形態に係る計画装置40は、第3モデル生成部250、第3モデル更新部260、および電気料金予測部270を備えていなくてもよい。この場合、計画装置40で用いる電力系統50の電気料金は、例えば、外部の装置で予測した電気料金、電力系統50の事業者から提供された電気料金、または過去の電気料金であってもよい。また、電力系統50の電気料金は、変動せずに一定であってもよい。
Note that the
図4は、本発明の複数の態様が全体的または部分的に具現化されてよいコンピュータ1900の例を示す。コンピュータ1900にインストールされたプログラムは、コンピュータ1900に、本発明の実施形態に係る装置に関連付けられる操作または当該装置の1または複数のセクションとして機能させることができ、または当該操作または当該1または複数のセクションを実行させることができ、および/またはコンピュータ1900に、本発明の実施形態に係るプロセスまたは当該プロセスの段階を実行させることができる。そのようなプログラムは、コンピュータ1900に、本明細書に記載のフローチャートおよびブロック図のブロックのうちのいくつかまたはすべてに関連付けられた特定の操作を実行させるべく、CPU2000によって実行されてよい。
FIG. 4 illustrates an
本実施形態に係るコンピュータ1900は、ホスト・コントローラ2082により相互に接続されるCPU2000、RAM2020、グラフィック・コントローラ2075、及び表示装置2080を有するCPU周辺部と、入出力コントローラ2084によりホスト・コントローラ2082に接続される通信インターフェイス2030、ハードディスクドライブ2040、及びDVDドライブ2060を有する入出力部と、入出力コントローラ2084に接続されるROM2010、フラッシュメモリ・ドライブ2050、及び入出力チップ2070を有するレガシー入出力部を備える。
The
ホスト・コントローラ2082は、RAM2020と、高い転送レートでRAM2020をアクセスするCPU2000及びグラフィック・コントローラ2075とを接続する。CPU2000は、ROM2010及びRAM2020に格納されたプログラムに基づいて動作し、各部の制御を行う。グラフィック・コントローラ2075は、CPU2000等がRAM2020内に設けたフレーム・バッファ上に生成する画像データを取得し、表示装置2080上に表示させる。これに代えて、グラフィック・コントローラ2075は、CPU2000等が生成する画像データを格納するフレーム・バッファを、内部に含んでもよい。
入出力コントローラ2084は、ホスト・コントローラ2082と、比較的高速な入出力装置である通信インターフェイス2030、ハードディスクドライブ2040、DVDドライブ2060を接続する。通信インターフェイス2030は、有線又は無線によりネットワークを介して他の装置と通信する。また、通信インターフェイスは、通信を行うハードウェアとして機能する。ハードディスクドライブ2040は、コンピュータ1900内のCPU2000が使用するプログラム及びデータを格納する。DVDドライブ2060は、DVD2095からプログラム又はデータを読み取り、RAM2020を介してハードディスクドライブ2040に提供する。
The input/
また、入出力コントローラ2084には、ROM2010と、フラッシュメモリ・ドライブ2050、及び入出力チップ2070の比較的低速な入出力装置とが接続される。ROM2010は、コンピュータ1900が起動時に実行するブート・プログラム、及び/又は、コンピュータ1900のハードウェアに依存するプログラム等を格納する。フラッシュメモリ・ドライブ2050は、フラッシュメモリ2090からプログラム又はデータを読み取り、RAM2020を介してハードディスクドライブ2040に提供する。入出力チップ2070は、フラッシュメモリ・ドライブ2050を入出力コントローラ2084へと接続するとともに、例えばパラレル・ポート、シリアル・ポート、キーボード・ポート、マウス・ポート等を介して各種の入出力装置を入出力コントローラ2084へと接続する。
The I/
RAM2020を介してハードディスクドライブ2040に提供されるプログラムは、フラッシュメモリ2090、DVD2095、又はICカード等の記録媒体に格納されて利用者によって提供される。プログラムは、記録媒体から読み出され、RAM2020を介してコンピュータ1900内のハードディスクドライブ2040にインストールされ、CPU2000において実行される。これらのプログラム内に記述される情報処理は、コンピュータ1900に読み取られ、ソフトウェアと、上記様々なタイプのハードウェア資源との間の協働をもたらす。装置または方法が、コンピュータ1900の使用に従い情報の操作または処理を実現することによって構成されてよい。
A program provided to the
一例として、コンピュータ1900と外部の装置等との間で通信を行う場合には、CPU2000は、RAM2020上にロードされた通信プログラムを実行し、通信プログラムに記述された処理内容に基づいて、通信インターフェイス2030に対して通信処理を指示する。通信インターフェイス2030は、CPU2000の制御を受けて、RAM2020、ハードディスクドライブ2040、フラッシュメモリ2090、又はDVD2095等の記憶装置上に設けた送信バッファ領域等に記憶された送信データを読み出してネットワークへと送信し、もしくは、ネットワークから受信した受信データを記憶装置上に設けた受信バッファ領域等へと書き込む。このように、通信インターフェイス2030は、DMA(ダイレクト・メモリ・アクセス)方式により記憶装置との間で送受信データを転送してもよく、これに代えて、CPU2000が転送元の記憶装置又は通信インターフェイス2030からデータを読み出し、転送先の通信インターフェイス2030又は記憶装置へとデータを書き込むことにより送受信データを転送してもよい。
As an example, when communicating between the
また、CPU2000は、ハードディスクドライブ2040、DVDドライブ2060(DVD2095)、フラッシュメモリ・ドライブ2050(フラッシュメモリ2090)等の外部記憶装置に格納されたファイルまたはデータベース等の中から、全部または必要な部分をDMA転送等によりRAM2020へと読み込ませ、RAM2020上のデータに対して各種の処理を行う。そして、CPU2000は、処理を終えたデータを、DMA転送等により外部記憶装置へと書き戻す。このような処理において、RAM2020は、外部記憶装置の内容を一時的に保持するものとみなせるから、本実施形態においてはRAM2020及び外部記憶装置等をメモリ、記憶部、または記憶装置等と総称する。
The
本実施形態における各種のプログラム、データ、テーブル、データベース等の各種の情報は、このような記憶装置上に格納されて、情報処理の対象となる。なお、CPU2000は、RAM2020の一部をキャッシュメモリに保持し、キャッシュメモリ上で読み書きを行うこともできる。このような形態においても、キャッシュメモリはRAM2020の機能の一部を担うから、本実施形態においては、区別して示す場合を除き、キャッシュメモリもRAM2020、メモリ、及び/又は記憶装置に含まれるものとする。
Various kinds of information such as various programs, data, tables, databases, etc. in this embodiment are stored in such a storage device, and are subject to information processing. Note that the
また、CPU2000は、RAM2020から読み出したデータに対して、プログラムの命令列により指定された、本実施形態中に記載した各種の演算、情報の加工、条件判断、情報の検索・置換等を含む各種の処理を行い、RAM2020へと書き戻す。例えば、CPU2000は、条件判断を行う場合においては、本実施形態において示した各種の変数が、他の変数または定数と比較して、大きい、小さい、以上、以下、等しい等の条件を満たすか否かを判断し、条件が成立した場合(又は不成立であった場合)に、異なる命令列へと分岐し、またはサブルーチンを呼び出す。
In addition, the
また、CPU2000は、記憶装置内のファイルまたはデータベース等に格納された情報を検索することができる。例えば、第1属性の属性値に対し第2属性の属性値がそれぞれ対応付けられた複数のエントリが記憶装置に格納されている場合において、CPU2000は、記憶装置に格納されている複数のエントリの中から第1属性の属性値が指定された条件と一致するエントリを検索し、そのエントリに格納されている第2属性の属性値を読み出すことにより、所定の条件を満たす第1属性に対応付けられた第2属性の属性値を得ることができる。
The
また、実施形態の説明において複数の要素が列挙された場合には、列挙された要素以外の要素を用いてもよい。例えば、「Xは、A、B及びCを用いてYを実行する」と記載される場合、Xは、A、B及びCに加え、Dを用いてYを実行してもよい。 Also, when a plurality of elements are listed in the description of the embodiment, elements other than the listed elements may be used. For example, when it is stated that "X performs Y using A, B and C," X may perform Y using D in addition to A, B and C.
以上、本発明を実施の形態を用いて説明したが、本発明の技術的範囲は上記実施の形態に記載の範囲には限定されない。上記実施の形態に、多様な変更または改良を加えることが可能であることが当業者に明らかである。その様な変更または改良を加えた形態も本発明の技術的範囲に含まれ得ることが、特許請求の範囲の記載から明らかである。 Although the present invention has been described above using the embodiments, the technical scope of the present invention is not limited to the scope described in the above embodiments. It is obvious to those skilled in the art that various modifications and improvements can be made to the above embodiments. It is clear from the description of the scope of claims that forms with such modifications or improvements can also be included in the technical scope of the present invention.
特許請求の範囲、明細書、および図面中において示した装置、システム、プログラム、および方法における動作、手順、ステップ、および段階等の各処理の実行順序は、特段「より前に」、「先立って」等と明示しておらず、また、前の処理の出力を後の処理で用いるのでない限り、任意の順序で実現しうることに留意すべきである。特許請求の範囲、明細書、および図面中の動作フローに関して、便宜上「まず、」、「次に、」等を用いて説明したとしても、この順で実施することが必須であることを意味するものではない。 The execution order of each process such as actions, procedures, steps, and stages in the devices, systems, programs, and methods shown in the claims, the specification, and the drawings is particularly "before", "before etc., and it should be noted that they can be implemented in any order unless the output of the previous process is used in the subsequent process. Regarding the operation flow in the claims, the specification, and the drawings, even if the description is made using "first," "next," etc. for the sake of convenience, it means that it is essential to carry out in this order. not a thing
10 システム
20 電解装置
30 発電装置
40 計画装置
50 電力系統
100 取得部
110 記憶部
120 モデル生成部
130 学習処理部
140 予測部
150 稼働計画生成部
160 制御部
200 第1モデル生成部
210 第1モデル更新部
215 第1モデル学習部
220 発電量予測部
230 第2モデル生成部
240 第2モデル更新部
245 第2モデル学習部
250 第3モデル生成部
260 第3モデル更新部
265 第3モデル学習部
270 電気料金予測部
1900 コンピュータ
2000 CPU
2010 ROM
2020 RAM
2030 通信インターフェイス
2040 ハードディスクドライブ
2050 フラッシュメモリ・ドライブ
2060 DVDドライブ
2070 入出力チップ
2075 グラフィック・コントローラ
2080 表示装置
2082 ホスト・コントローラ
2084 入出力コントローラ
2090 フラッシュメモリ
2095 DVD
10
2010 ROM
2020 RAM
2030
Claims (12)
予測された前記将来の再生可能エネルギー発電量の推移と電力系統の電気料金とに基づいて、将来の第1期間における、電解装置の生成物の使用計画を満たす前記電解装置の稼働計画を生成する稼働計画生成部と
を備え、
前記稼働計画生成部は、異なる種類の複数の電解装置、異なる時期に購入した複数の電解装置、異なる製造メーカの複数の電解装置、またはこれらの組み合わせを含む複数の電解装置のそれぞれに対応して、異なる稼働計画を生成する
計画装置。 Trends in future renewable energy power generation using a power generation prediction model that predicts changes in renewable energy power generation for power generation equipment during the target period based on the value of the first factor that is available prior to the target period. a power generation amount prediction unit that predicts
generating an operation plan for the electrolysis device that satisfies the usage plan for the product of the electrolysis device for a first period in the future based on the predicted transition of the renewable energy power generation amount in the future and the electricity rate of the electric power system; Equipped with an operation plan generation unit and
The operation plan generation unit corresponds to each of a plurality of electrolyzers of different types, a plurality of electrolyzers purchased at different times, a plurality of electrolyzers from different manufacturers, or a combination thereof. , to generate different run plans
planning equipment.
請求項1に記載の計画装置。 The power generation amount prediction model is based on the value of the first factor including at least one of the renewable energy power generation amount of the power generation device and weather information before the target period, the renewable energy power generation in the target period. 2. The planning device of claim 1, which predicts the evolution of quantities.
請求項2に記載の計画装置。 It further comprises a first model updating unit that updates the power generation amount prediction model by learning based on the value of the first factor in the past period and the actual transition of the renewable energy power generation amount after the past period. 2. Planning device according to claim 2.
請求項1から3のいずれか一項に記載の計画装置。 During the first period, the operation plan generation unit preferentially uses the electricity from the power generation device over the electricity from the power system so as to satisfy the plan for using the product of the electrolysis device. The planning device according to any one of claims 1 to 3, which generates an operation plan for operating the .
請求項1から4のいずれか一項に記載の計画装置。 The plan for using the product of the electrolyzer includes a plan to maintain the storage amount of the product of the electrolyzer during the first period within a reference range, and a demand for the product of the electrolyzer during the first period. 5. A planning device according to any one of claims 1 to 4, comprising at least one quantity filling plan.
請求項1から5のいずれか一項に記載の計画装置。 The operation plan generation unit combines the operation plan for the target period with the value of the second factor that can be obtained before the target period, the prediction result of the transition of the renewable energy power generation amount in the target period, and the electricity rate. The planning apparatus according to any one of claims 1 to 5, wherein an operation plan for the electrolysis device in the first period in the future is generated using an operation plan generation model generated based on.
請求項6に記載の計画装置。 The operation plan generation model includes at least one of the operation data of the electrolysis device, the demand amount of the product of the electrolysis device, and the storage amount of the product of the electrolysis device before the target period. 7. The planning device according to claim 6, wherein an operation plan for the electrolysis device for a target period is generated based on a factor value, a prediction result of the transition of the renewable energy power generation amount during the target period, and the electricity rate.
請求項6または7に記載の計画装置。 The value of the second factor in the past period, the transition of the renewable energy power generation amount after the past period or the prediction result of the transition of the renewable energy power generation amount, and the electricity price transition after the past period; The planning apparatus according to claim 6 or 7, further comprising a second model updating unit that updates the operation plan generation model by learning based on the target operation plan of the electrolysis apparatus after the past period.
前記稼働計画生成部は、予測された前記将来の再生可能エネルギー発電量の推移と、予測された前記将来の電気料金の推移とに基づいて、前記将来の第1期間における、前記電解装置の生成物の使用計画を満たす前記電解装置の稼働計画を生成する
請求項1から8のいずれか一項に記載の計画装置。 Electricity that predicts future changes in electricity prices using an electricity price prediction model that predicts changes in electricity prices in the power system during the target period based on the value of the third factor that is available before the target period. further comprising a charge prediction unit,
The operation plan generation unit generates the electrolysis device in the first period in the future based on the predicted transition of the future renewable energy power generation amount and the predicted future transition of the electricity rate. 9. A planning device according to any one of claims 1 to 8, for generating a run plan for the electrolyzer that meets a product usage plan.
請求項9に記載の計画装置。 The electricity rate prediction model includes at least one of electricity rate, power demand, power supply, renewable energy power generation, forecast value of renewable energy power generation, and weather information in the power system prior to the target period. 10. The planning device according to claim 9, wherein transition of the electricity rate of the power system in the target period is predicted based on the value of the third factor including one.
予測された前記将来の再生可能エネルギー発電量の推移と電力系統の電気料金とに基づいて、将来の第1期間における、電解装置の生成物の使用計画を満たす前記電解装置の稼働計画を前記コンピュータが生成する段階と
を備え、
前記稼働計画を生成する段階は、異なる種類の複数の電解装置、異なる時期に購入した複数の電解装置、異なる製造メーカの複数の電解装置、またはこれらの組み合わせを含む複数の電解装置のそれぞれに対応して、異なる稼働計画を前記コンピュータが生成する段階を有する
方法。 Trends in future renewable energy power generation using a power generation prediction model that predicts changes in renewable energy power generation for power generation equipment during the target period based on the value of the first factor that is available prior to the target period. a computer predicting the
The computer creates an operation plan of the electrolysis device that satisfies the usage plan of the product of the electrolysis device for a first period in the future based on the predicted future transition of the renewable energy power generation amount and the electricity rate of the power system. with a stage generated by and
The step of generating the operation plan corresponds to each of a plurality of electrolyzers including a plurality of different types of electrolyzers, a plurality of electrolyzers purchased at different times, a plurality of electrolyzers from different manufacturers, or a combination thereof. and causing the computer to generate different operating plans
Method.
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018177795A JP7237500B2 (en) | 2018-09-21 | 2018-09-21 | Planning device, method and program |
PCT/JP2019/036524 WO2020059741A1 (en) | 2018-09-21 | 2019-09-18 | Planning apparatus, method, and program |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018177795A JP7237500B2 (en) | 2018-09-21 | 2018-09-21 | Planning device, method and program |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021193471A JP2021193471A (en) | 2021-12-23 |
JP7237500B2 true JP7237500B2 (en) | 2023-03-13 |
Family
ID=69887223
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018177795A Active JP7237500B2 (en) | 2018-09-21 | 2018-09-21 | Planning device, method and program |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP7237500B2 (en) |
WO (1) | WO2020059741A1 (en) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112859591B (en) * | 2020-12-23 | 2022-10-21 | 华电电力科学研究院有限公司 | Reinforced learning control system for operation optimization of energy system |
WO2023190553A1 (en) * | 2022-03-31 | 2023-10-05 | 旭化成株式会社 | Information processing device, electrolysis device, plan creation method, and program |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002180281A (en) | 2000-12-19 | 2002-06-26 | Shinko Pantec Co Ltd | Hydrogen utilizing system |
JP2006235846A (en) | 2005-02-23 | 2006-09-07 | Honda Motor Co Ltd | Hydrogen supply system, hydrogen supply control server, and hydrogen supply device |
JP2007523580A (en) | 2004-01-23 | 2007-08-16 | スチュアート エナジー システムズ コーポレーション | Energy network |
JP2008240152A (en) | 2007-03-27 | 2008-10-09 | Gm Global Technology Operations Inc | Apparatus using solar electric power and grid electric power combined to reduce reproducible hydrogen fuel creation cost by electrolysis |
US20090048716A1 (en) | 2004-06-15 | 2009-02-19 | John Joseph Marhoefer | Method and Apparatus for Optimization of Distributed Generation |
WO2016076023A1 (en) | 2014-11-14 | 2016-05-19 | Necソリューションイノベータ株式会社 | Schedule managing device, schedule managing method, and program |
WO2017013751A1 (en) | 2015-07-21 | 2017-01-26 | 株式会社 東芝 | Power supply system, control device, and power supply method |
JP7061616B2 (en) | 2017-09-25 | 2022-04-28 | 旭化成株式会社 | Planning equipment, operation plan generation method, hydrogen production method, and program |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180233914A1 (en) * | 2015-08-07 | 2018-08-16 | Sharp Kabushiki Kaisha | Control device, energy management device, system, and control method |
JP6553523B2 (en) * | 2016-02-02 | 2019-07-31 | 株式会社日立製作所 | Power supply system |
-
2018
- 2018-09-21 JP JP2018177795A patent/JP7237500B2/en active Active
-
2019
- 2019-09-18 WO PCT/JP2019/036524 patent/WO2020059741A1/en active Application Filing
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002180281A (en) | 2000-12-19 | 2002-06-26 | Shinko Pantec Co Ltd | Hydrogen utilizing system |
JP2007523580A (en) | 2004-01-23 | 2007-08-16 | スチュアート エナジー システムズ コーポレーション | Energy network |
US20090048716A1 (en) | 2004-06-15 | 2009-02-19 | John Joseph Marhoefer | Method and Apparatus for Optimization of Distributed Generation |
JP2006235846A (en) | 2005-02-23 | 2006-09-07 | Honda Motor Co Ltd | Hydrogen supply system, hydrogen supply control server, and hydrogen supply device |
JP2008240152A (en) | 2007-03-27 | 2008-10-09 | Gm Global Technology Operations Inc | Apparatus using solar electric power and grid electric power combined to reduce reproducible hydrogen fuel creation cost by electrolysis |
WO2016076023A1 (en) | 2014-11-14 | 2016-05-19 | Necソリューションイノベータ株式会社 | Schedule managing device, schedule managing method, and program |
WO2017013751A1 (en) | 2015-07-21 | 2017-01-26 | 株式会社 東芝 | Power supply system, control device, and power supply method |
JP7061616B2 (en) | 2017-09-25 | 2022-04-28 | 旭化成株式会社 | Planning equipment, operation plan generation method, hydrogen production method, and program |
Also Published As
Publication number | Publication date |
---|---|
JP2021193471A (en) | 2021-12-23 |
WO2020059741A1 (en) | 2020-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7061616B2 (en) | Planning equipment, operation plan generation method, hydrogen production method, and program | |
WO2020203520A1 (en) | Device, method, and program | |
JP7157815B2 (en) | Planning equipment, planning methods and planning programs | |
JP7256790B2 (en) | DESIGN APPARATUS, METHOD AND PROGRAM | |
Shu et al. | Optimal operation strategy of energy storage system for grid-connected wind power plants | |
US20210399575A1 (en) | Planning apparatus, controlling apparatus, method, and rcording medium | |
EP4222562B1 (en) | Computer system and method providing operating instructions for thermal control of a blast furnace | |
JP7237500B2 (en) | Planning device, method and program | |
Dolatabadi et al. | Deep reinforcement learning-based self-scheduling strategy for a CAES-PV system using accurate sky images-based forecasting | |
Kusiak et al. | Minimization of wind farm operational cost based on data-driven models | |
Ercan et al. | Optimum daily operation of a wind-hydro hybrid system | |
VOROPAI et al. | The development of a joint modelling framework for operational flexibility in power systems | |
EP3588326A1 (en) | Solving a deterministic global optimisation problem | |
CN112200366B (en) | Load prediction method and device, electronic equipment and readable storage medium | |
JP7219808B2 (en) | PLANNING DEVICE, OPERATION PLAN GENERATION METHOD, HYDROGEN PRODUCTION METHOD, AND PROGRAM | |
Zivkovic et al. | Optimized recurrent neural networks with attention for wind farm energy generation forecasting | |
CN113723717B (en) | Method, device, equipment and readable storage medium for predicting short-term load before system day | |
CN114065460A (en) | Model processing method, storage medium and electronic device in thermal power generation system | |
JP2020115276A (en) | Information processing method, information processing device, program, and generation method of learned model | |
Pan et al. | Distributionally robust economic scheduling of a hybrid hydro/solar/pumped-storage system considering the bilateral contract flexible decomposition and day-ahead market bidding | |
Guo et al. | Stable Relay Learning Optimization Approach for Fast Power System Production Cost Minimization Simulation | |
Patel et al. | Neural Fitted Q Iteration based Optimal Bidding Strategy in Real Time Reactive Power Market_1 | |
Spitzer et al. | Day-Ahead Lot-Sizing Under Uncertainty: An Application to Green Hydrogen Production | |
Xu et al. | Bi-level hierarchical model with deep reinforcement learning-based extended horizon scheduling for integrated electricity-heat systems | |
Tungom et al. | SWOAM: Swarm optimized agents for energy management in grid-interactive connected buildings |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210902 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220823 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221020 |
|
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: 20230214 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230301 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7237500 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |