CN100446310C - 燃料电池发电系统及其控制方法 - Google Patents
燃料电池发电系统及其控制方法 Download PDFInfo
- Publication number
- CN100446310C CN100446310C CNB2004100683071A CN200410068307A CN100446310C CN 100446310 C CN100446310 C CN 100446310C CN B2004100683071 A CNB2004100683071 A CN B2004100683071A CN 200410068307 A CN200410068307 A CN 200410068307A CN 100446310 C CN100446310 C CN 100446310C
- Authority
- CN
- China
- Prior art keywords
- power
- hot
- fuel cell
- prediction
- consumption
- 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 - Fee Related
Links
Images
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M8/00—Fuel cells; Manufacture thereof
- H01M8/02—Details
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M8/00—Fuel cells; Manufacture thereof
- H01M8/04—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids
- H01M8/04298—Processes for controlling fuel cells or fuel cell systems
- H01M8/04313—Processes for controlling fuel cells or fuel cell systems characterised by the detection or assessment of variables; characterised by the detection or assessment of failure or abnormal function
- H01M8/04537—Electric variables
- H01M8/04604—Power, energy, capacity or load
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M8/00—Fuel cells; Manufacture thereof
- H01M8/04—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids
- H01M8/04298—Processes for controlling fuel cells or fuel cell systems
- H01M8/04694—Processes for controlling fuel cells or fuel cell systems characterised by variables to be controlled
- H01M8/04955—Shut-off or shut-down of fuel cells
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M8/00—Fuel cells; Manufacture thereof
- H01M8/04—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids
- H01M8/04298—Processes for controlling fuel cells or fuel cell systems
- H01M8/04992—Processes for controlling fuel cells or fuel cell systems characterised by the implementation of mathematical or computational algorithms, e.g. feedback control loops, fuzzy logic, neural networks or artificial intelligence
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/34—Parallel operation in networks using both storage and other dc sources, e.g. providing buffering
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/30—Hydrogen technology
- Y02E60/50—Fuel cells
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Power Engineering (AREA)
- Fuel Cell (AREA)
Abstract
本发明的目的在于提供一种燃料电池发电系统及其控制方法,能够预测出各个家庭不同的消耗电力而有效地控制发电电力,并可以节省能源。该燃料电池发电系统的电力测量单元230用于测量家用电器消耗的消耗电力,根据此电力测量单元230测量出的消耗电力,消耗电力预测单元200预测出从指定时刻开始在指定时间内的未来消耗电力预测值,发电指示单元220再根据此消耗电力预测单元200的消耗电力预测值,作出启动或停止燃料电池发电装置100的判断。
Description
技术领域
本发明涉及一种燃料电池发电系统及其控制方法,此燃料电池发电系统具有燃料电池发电装置,用于产生提供给电器设备的电力。
背景技术
以往,一种使用燃料煤气发电来提供电力和热水的燃料电池发电系统为大家所知。燃料电池产生的电力,从发电效率的角度考虑的话,最好是能与家用电器的消耗电力相等。因此,有必要对家用电器的消耗电力进行测量管理,并控制发电电力使其追踪此测量值。但是,由于燃料电池是利用将城市煤气重整而得到的氢和氧的化学反应,而此特性恐怕会产生无法追踪消耗电力的急遽变化的问题。所以,如果只单纯的根据消耗电力的变化来控制燃料电池装置发电的输出的话,会因为发电电力相对消耗电力的追踪迟延而造成例如,消耗电力启动时发电电力的利用率下降、使用电力终止时发电电力的过剩,因而节省能源的性能下降。因此为了确保节能的特性,需要避免追踪消耗电力的急遽变化、频繁地进行启动或停止的操作。
于是,在以往的燃料电池装置中,将消耗电力的变化特征按各时间段进行假设,通过将燃料电池的发电输出用变化率、无益时间及偏移量,按各时间段进行定义并保持,这样即使消耗电力发生急遽的变化也无需追踪,并且不用频繁地启动或停止(例如专利文献1:专利公开公报2002-291161号)
另外,在以往的其他的燃料电池装置中,通过模拟(simulation)事先预测出消耗电力,然后按照此预测值来有效地控制燃料电池的发电输出(例如专利文献2:专利公开公报2003-61245号)
然而,上述以往的燃料电池装置,很难适应各个家庭的消耗电力负荷。也就是说,在专利文献1的技术中,由于需事先设定的变化率、无益时间及偏移量,因每个家庭而不同,所以计算出各家庭的最佳值是比较困难的。再者,设备的使用状况随季节、生活方式而变化,因而当消耗电力发生较大变化时很难予以适当地对应。
另外,专利文献2的技术是,在负荷预测工序中是通过模拟来预测消耗电力负荷的,但是如果没有同等环境条件的以往的数据的话,则生成预测值就很困难。另外,为了进行模拟,燃料电池的特性是必需的,而此特性可以想象会因各个家庭而异,所以实际上预测值是无法生成的,与上述专利文献1的技术一样,很难预测出各个家庭不同的消耗电力。
发明内容
本发明为了解决上述问题,目的在于提供一种燃料电池发电系统及其控制方法,不仅可以预测出各个家庭不同的消耗电力而且还能有效地控制发电电力,实现节省能源。
本发明的燃料电池发电系统,具有产生提供给电器设备的电力的燃料电池发电装置,其特征在于包括:电力测量机构,用于测量所述电器设备消耗的消耗电力;消耗电力预测机构,用于根据所述电力测量机构测量出的消耗电力,对从指定时刻开始在指定时间内的未来消耗电力进行预测;运行控制机构,用于根据所述消耗电力预测机构预测出的消耗电力预测值,对所述燃料电池发电装置的运行进行控制,所述运行控制机构当所述消耗电力预测机构得出的消耗电力预测值在指定时间内连续超过设定的下限值时,从所述预测值超过设定的下限值的时刻减去所述燃料电池发电装置启动所需时间的时刻起,将所述燃料电池发电装置启动。
本发明的燃料电池发电系统,优选地,所述运行控制机构当所述消耗电力预测机构得出的消耗电力预测值在指定时间内连续低于设定的下限值时,从所述预测值低于设定的下限值的时刻起,将所述燃料电池发电装置停止。
本发明的燃料电池发电系统,优选地,所述电力测量机构当所述电器设备的消耗电力超过发电电力的上限值时,将该上限值作为消耗电力来测量。
本发明的燃料电池发电系统,优选地,还包括:供应热水测量机构,用于测量利用所述燃料电池发电装置供应热水的供应热水设备所提供的热水量;供应热水量预测机构,用于根据所述供应热水测量机构测量出的供应热水量,对从指定时刻开始在指定时间内的未来供应热水量进行预测;其中,所述运行控制机构,根据所述消耗电力预测机构预测出的消耗电力预测值和所述供应热水量预测机构预测出的供应热水量预测值,对所述燃料电池发电装置的运行进行控制。
根据此结构,具有产生提供给电器设备的电力的燃料电池发电装置的燃料电池发电系统,测量电器设备消耗的消耗电力,根据测量出的消耗电力预测从指定时刻开始在指定时间内的未来消耗电力,再根据预测出的消耗电力预测值控制燃料电池发电装置的运行。
另外,所述燃料电池发电系统的所述消耗电力预测机构以包括预测用数据保存机构,将所述指定时刻之前的消耗电力作为预测用数据保存;神经元模型预测机构,将所述预测用数据保存机构保存的预测用数据作为输入值通过神经网络模型预测从指定时刻开始指定时间内的未来消耗电力;学习用数据保存机构,将与所述神经元模型预测机构预测的时间段相同时间段的所述消耗电力的实际测量值作为学习用数据保存;神经元模型学习机构,根据所述学习用数据保存机构保存的学习用数据和所述神经元模型预测机构预测出的消耗电力预测值,让所述神经元模型预测机构的神经网络模型进行学习为佳。
根据此结构,指定时刻之前的消耗电力作为预测用数据被保存,预测用数据作为输入值,通过神经网络模型预测出从指定时刻开始在指定时间内的未来消耗电力,将与预测时间段相同时间段的消耗电力的实际测量值作为学习用数据保存,根据保存的学习用数据和预测出的消耗电力预测值进行神经网络模型的学习。
根据此结构,当消耗电力的预测值在指定时间内连续超过设定的下限值时,燃料电池发电装置在预测值超过设定的下限值的时刻减去燃料电池发电装置启动所需时间的时刻被启动。
根据此结构,当消耗电力的预测值在指定时间内连续低于设定的下限值时,燃料电池发电装置在预测值低于设定的下限值的时刻起被停止。
根据此结构,当所述电器设备的消耗电力超过发电电力上限值时,测量出的消耗电力为该上限值。
根据此结构,具有产生提供给电器设备的电力的燃料电池发电装置的燃料电池发电系统,先测量电器设备消耗的消耗电力,根据测量出的消耗电力预测从指定时刻开始在指定时间内的未来消耗电力,再测量热水供应设备供应的热水量,根据测量出的供应热水量预测从指定时刻开始在指定时间内的未来供应热水量,燃料电池发电装置的运行由预测出的消耗电力预测值和供应热水量预测值来控制。
另外,所述燃料电池发电系统的所述供应热水量预测机构以包括预测用数据保存机构,将所述指定时刻之前的供应热水量作为预测用数据保存;神经元模型预测机构,将所述预测用数据保存机构保存的预测用数据作为输入值通过神经网络模型预测从指定时刻开始指定时间内的未来供应热水量;学习用数据保存机构,将与所述神经元模型预测机构预测的时间段相同时间段的所述供应热水量的实际测量值作为学习用数据保存;神经元模型学习机构,根据所述学习用数据保存机构保存的学习用数据和所述神经元模型预测机构预测出的供应热水量预测值,让所述神经元模型预测机构的神经网络模型进行学习为佳。
根据此结构,指定时刻之前的供应热水量作为预测用数据被保存,预测用数据作为为输入值通过神经网络模型预测从指定时刻开始指定时间内的未来供应热水量,与预测时间段相同时间段的供应热水量的实际测量值作为学习用数据被保存,根据保存的学习用数据和预测出的供应热水量预测值进行神经网络模型的学习。
另外,所述燃料电池发电系统的所述运行控制机构,以根据所述消耗电力预测机构得出的消耗电力预测值和所述供应热水来量预测机构得出的供应热水量预测值,预测从现在的热水存储量开始累计的累计热水存储量,并调整发电电力使预测出的累计热水存储量不超过事先设定的最大热水存储可能量为佳。
根据此结构,通过消耗电力预测值和供应热水量预测值,对从现在的热水存储量开始累计的累计热水存储量进行预测,并调整发电电力使预测出的累计热水存储量不超过事先设定的最大热水存储可能量。
另外,所述燃料电池发电系统的所述运行控制机构,以根据所述消耗电力预测机构得出的消耗电力预测值和所述供应热水来量预测机构得出的供应热水量预测值,预测从现在的热水存储量开始累计的累计热水存储量,当预测出的累计热水存储量超过事先设定的最大热水存储量时,对所述消耗电力预测值进行修正使其微量减少,并根据修正后的消耗电力预测值和从所述供应热水量预测机构得到的供应热水量预测值,再次预测从现在的热水存储量开始累计的累计热水存储量为佳。
根据此结构,通过消耗电力预测值和供应热水量预测值对从现在的热水存储量开始累计的累计热水存储量进行预测,当预测出的累计热水存储量超过事先设定的最大热水存储量时,对所述消耗电力预测值进行修正使其微量减少,并根据修正后的消耗电力预测值和从所述供应热水量预测机构得到的供应热水量预测值,再次预测从现在的热水存储量开始累计的累计热水存储量。然后,当预测出的累计热水存储量低于设定的最大热水存储可能量时,根据最终得出的消耗电力预测值控制燃料电池发电装置的运行。另外,所述燃料电池发电系统的所述运行控制机构,以根据所述消耗电力预测机构得出的消耗电力预测值和所述供应热水来量预测机构得出的供应热水量预测值,预测从现在的热水存储量开始累计的累计热水存储量,当预测出的累计热水存储量超过事先设定的最大热水存储量,并且从所述消耗电力预测机构得到的消耗电力预测值在指定时间内连续低于设定的下限值时,在超过最大热水存储可能量的时刻停止所述燃料电池发电装置为佳。
根据此结构,通过消耗电力预测值和供应热水量预测值对从现在的热水存储量开始累计的累计热水存储量进行预测,当预测出的累计热水存储量超过事先设定的最大热水存储量,并且消耗电力预测值在指定时间内连续低于设定的下限值时,燃料电池发电装置在超过最大热水存储可能量的时刻停止运行。
另外,所述燃料电池发电系统的所述运行控制机构,以根据所述消耗电力预测机构得出的消耗电力预测值和所述供应热水来量预测机构得出的供应热水量预测值,预测从现在的热水存储量开始累计的累计热水存储量,当预测出的累计热水存储量超过事先设定的最大热水存储量,并且所述消耗电力预测机构得出的消耗电力预测值在指定时间内连续超过设定的下限值时,在所述预测值超过设定的下限值的时刻减去所述燃料电池发电装置启动所需时间的时刻启动所述燃料电池发电装置为佳。
根据此结构,通过消耗电力预测值和供应热水量预测值对从现在的热水存储量开始累计的累计热水存储量进行预测,当预测出的累计热水存储量超过事先设定的最大热水存储量,并且消耗电力预测值在指定时间内连续超过设定的下限值时,燃料电池发电装置在预测值超过设定的下限值的时刻减去燃料电池发电装置启动所需时间的时刻被启动。
本发明的燃料电池发电系统的控制方法,此燃料电池发电系统具有产生提供给电器设备电力的燃料电池发电装置,其特征在于包括:电力测量步骤,用于测量所述电器设备消耗的消耗电力;消耗电力预测步骤,用于根据所述电力测量步骤测量出的消耗电力,对从指定时刻开始在指定时间内的未来消耗电力进行预测;运行控制步骤,根据所述消耗电力预测步骤预测出的消耗电力预测值,对所述燃料电池发电装置的运行进行控制,所述运行控制步骤当所述消耗电力预测步骤得出的消耗电力预测值在指定时间内连续超过设定的下限值时,从所述预测值超过设定的下限值的时刻减去所述燃料电池发电装置启动所需时间的时刻起,将所述燃料电池发电装置启动。
本发明的燃料电池发电系统的控制方法,此燃料电池发电系统具有产生提供给电器设备电力的燃料电池发电装置,其特征在于包括:电力测量步骤,用于测量所述电器设备消耗的消耗电力;消耗电力预测步骤,用于根据所述电力测量步骤测量出的消耗电力,对从指定时刻开始在指定时间内的未来消耗电力进行预测;运行控制步骤,根据所述消耗电力预测步骤预测出的消耗电力预测值,对所述燃料电池发电装置的运行进行控制,所述运行控制步骤当所述消耗电力预测步骤得出的消耗电力预测值在指定时间内连续低于设定的下限值时,从所述预测值低于设定的下限值的时刻起,将所述燃料电池发电装置停止。
本发明的燃料电池发电系统的控制方法,此燃料电池发电系统具有产生提供给电器设备电力的燃料电池发电装置,其特征在于包括:电力测量步骤,用于测量所述电器设备消耗的消耗电力;消耗电力预测步骤,用于根据所述电力测量步骤测量出的消耗电力,对从指定时刻开始在指定时间内的未来消耗电力进行预测;运行控制步骤,根据所述消耗电力预测步骤预测出的消耗电力预测值,对所述燃料电池发电装置的运行进行控制,所述电力测量步骤当所述电器设备的消耗电力超过发电电力的上限值时,将该上限值作为消耗电力来测量。
本发明的燃料电池发电系统的控制方法,此燃料电池发电系统具有产生提供给电器设备电力的燃料电池发电装置,其特征在于包括:电力测量步骤,用于测量所述电器设备消耗的消耗电力;消耗电力预测步骤,用于根据所述电力测量步骤测量出的消耗电力,对从指定时刻开始在指定时间内的未来消耗电力进行预测;运行控制步骤,根据所述消耗电力预测步骤预测出的消耗电力预测值,对所述燃料电池发电装置的运行进行控制;供应热水测量步骤,用于测量利用所述燃料电池发电装置提供给供应热水的供应热水设备的热水量;供应热水量预测步骤,用于根据所述供应热水测量步骤测量出的供应热水量,对从指定时刻开始在指定时间内的未来供应热水量进行预测;其中,所述运行控制步骤,根据所述消耗电力预测步骤预测出的消耗电力预测值和所述供应热水量预测步骤预测出的供应热水量预测值,对所述燃料电池发电装置的运行进行控制。
根据此结构,具有产生提供给电器设备的电力的燃料电池发电装置的燃料电池发电系统的控制方法为,预测电器设备消耗的消耗电力,根据预测出的消耗电力,预测从指定时刻开始指定时间内的未来消耗电力,并根据预测出的消耗电力预测值控制所述燃料电池发电装置。
根据此结构,具有产生提供给电器设备的电力的燃料电池发电装置的燃料电池发电系统的控制方法为,预测供应热水设备供应的热水量,根据预测出的供应热水量,预测从指定时刻开始在指定时间内的未来供应热水量,并根据预测出的消耗电力预测值和供应热水量预测值控制所述燃料电池发电装置。
本发明提供的燃料电池发电系统及其控制方法,由于预测电器设备消耗的消耗电力,根据预测出的消耗电力,预测从指定时刻开始指定时间内的未来消耗电力,再根据预测出的消耗电力预测值控制燃料电池发电装置的运行,所以可以预测各个家庭不同的消耗电力而有效地控制燃料电池发电装置的发电电力,以达到节省能源的目的。
附图说明
图1是与本发明实施例1相关的燃料电池发电系统的全体构成图。
图2是示意图1所示控制器的构成的方框图。
图3是说明图2所示神经元模型预测单元中使用的神经网络模型的构成图。
图4是说明图2所示发电指示单元的运行的流程图。
图5是示意燃料电池系统的发电电力和消耗电力预测值之间关系的一个例子的说明图。
图6是说明由图2所示电力测量单元测量出的消耗电力的示意图。
图7是与本发明实施例2相关的燃料电池发电系统的全体构成图。
图8是示意图7所示控制器的构成的方框图。
图9是说明图8所示神经元模型预测单元中使用的用于预测消耗电量的神经网络模型的构成图。
图10是说明图8所示神经元模型预测单元中使用的用于预测供应热水量的神经网络模型的构成图。
图11(A)、11(B)是说明图8所示发电指示单元的运行的流程图。
图12是示意燃料电池发电系统的发电电力和存储热水量的关系的一个例子的说明图。
具体实施方式
以下,参照附图,对本发明的实施例进行说明。关于各图中相同的结构,赋予统一符号,并省略其说明。
(实施例1)
图1是与本发明实施例1相关的燃料电池发电系统的全体构成图。图1所示的燃料电池发电系统1,具有燃料电池发电装置100,发电控制单元(控制器)101,转换器102及电力计103,且与家用电器104及商业电源105连接。
燃料电池发电装置100、转换器102、作为电器设备的一例的家用电器104及商业电源105被连接在家庭内的电力系统上。电力计103用于测量家用电器104消耗的电力。电力计103与控制器101相连,由电力计103向控制器101传送家用电器104的消耗电力。家用电器104是指例如电冰箱、洗衣机之类的在家庭中使用的电器设备。且与电力计103连接的家用电器不只局限于一个,也可以是多个。
控制器101,与燃料电池发电装100相连,由控制101向燃料电池发电装置100发出启动或停止的指示,控制燃料电池发电装置100的运行。
燃料电池发电装置100,通过使从城市煤气等燃料得到的氢与空气中的氧反应,将化学能转换成电能来发电。燃料电池发电装置100的发电电力,提供给转换器102,再由转换器102提供给家用电器104。当家电电器104的使用电力大于发电电力时,转换器102,从商业电源105处购入电力(买电),以补充不足的部分。反之,当发电电力大于消耗电力时,转换器102,则将发电电力过剩的部分向商业电源105出售(卖电)。然而,在商业电源105不允许卖电的情况下,由燃料电池发电装置100自身处理过剩的部分。不过从燃料电池发电装置100的效率方面考虑,以尽量不买卖电为佳。因此,控制器101,有必要根据由电力计103测量出的家用电器104的消耗电力,恰当地发出启动或停止的指示,尽量不进行买电、卖电。
图2是示意图1所示控制器101的构成的方框图。图2所示的控制器101包括消耗电力预测单元200,发电指示单元220(相当于运行控制机构的一例)及电力测量单元230。
电力测量单元230,用于测量家用电器104所消耗的消耗电力。消耗电力预测单元200,是根据由电力测量单元230测量出的消耗电力,预测从指定时刻开始指定时间内的未来消耗电力的,包括神经元模型预测单元(neuro-model-based estimation section)202,神经元模型学习单元(neuro-model learning section)203,预测用数据保存单元204及学习用数据保存单元205。
神经元模型预测单元202,具有层次型(hierarchical-type)神经网络模型,由此神经网络模型预测从规定时刻起在规定时间内的未来消耗电力。由于有关神经网络模型的特征及学习方法的详细说明,在「甘利俊一编著、神经网络的新展开、pp.73-86、(株)科学社、1994年」中有详细的记载,在此省略其说明。本实施例中的消耗电力预测单元200,以一小时为单位,预测当天未来24小时的消耗电力。
图3是说明图2所示神经元模型预测单元202中使用的神经网络模型的构成图。神经网络模型300是层次型神经网络,具有输入层、中间层和输出层3层构造。此神经网络模型300,为了提高预测的精度,将预测值作为输出参数,将与预测值有很密切的因果关系的数据作为输入参数。因此,将预测当天的消耗电力的预测值作为输出参数,将被认为与预测值有很密切的因果关系的前一天的消耗电力作为输入参数。
在本实施例中,由于是以一小时为单位对未来24小时作预测,所以神经网络模型300的输出参数是,“当天0点时段的消耗电力预测值”、“当天1点时段的消耗电力预测值”、……、“当天23点时段的消耗电力预测值”的24个数据,输入参数是,“前一天0点时段的消耗电力”、“前一天1点时段的消耗电力”、……、“前一天23点时段的消耗电力”的24个数据。在此,0点时段的消耗电力是指,0点到1点之间消耗的电力的平均值。根据神经网络模型的这种结构,在希望预测的当天过0点的时刻输入前一天的消耗电力,便可以一小时为单位预测出(24个小时的预测)当天的消耗电力。
另外,在神经网络模型300中,为提高预测的精度,使用预测与实际测量之差的逆误差传播法(back propagation algorithm)进行学习,以修正神经网络模型300的权重系数(weighting factor)。
预测用数据保存单元204,从电力测量单元230得到消耗电力,对过去24小时的记录以一小时为单位进行保存。于是在日期被更新的时刻,将作为神经网络模型300的输入值的前一天的消耗电力传送给神经元模型预测单元202。在神经元模型预测单元202中,通过将传送过来的前一天的消耗电力输入到神经网络模型300,便可输出当天24小时的消耗电力预测值。该消耗电力预测值,被传送给发电指示单元220,就能够判断燃料电池发电装置100的启动、停止运行。
在神经网络模型300中,为提高预测的精度,有必要用消耗电力预测值和与其对应的时间的实际消耗电力(以下称为消耗电力实际测量值)之差,通过逆误差传播法进行学习。实际上为了进行以提高精度为目的的学习,需要过去几天的消耗电力预测值和消耗电力实际测量值。因此,学习用数据保存单元205,保存有神经元模型202输出的24个小时的消耗电力预测值,及过去几天中与其各时间段相对应的消耗电力实际测量值,并将它们作为学习用数据使用。学习用数据保存单元205,在超过作为消耗电力预测值对象的那一天的那一时刻,将所能得到的24小时消耗电力实际测量值,作为来自电力测量单元230的消耗电力并以一小时为单位进行保存,当消耗电力实际测量值凑足了24个小时时,则向神经元模型单元203输出。经过几天这样的操作,在神经元模型单元203中,便确保了有关这几天的消耗电力预测值与消耗电力实际测量值的成对的数据。通过进行学习,可使神经元模型预测单元202的神经网络模型300的权重系数得到修正,结果是可以提高对各个家庭的预测精度。
然而,为了进一步提高精度,最好是将用于学习的数据进行分类。例如对工作日进行预测时,使用工作目的数据作为学习数据会比较有效果。
另外,当神经网络模型300处于完全未学习的初期状态时,需要在确保了学习所需的几天的数据并进行了至少一次的学习后才可进行预测。
由消耗电力预测单元200的神经元模型预测单元202输出的从0点时段到23点时段的24小时消耗电力预测值,被输入到发电指示单元220。发电指示单元220,根据预测值,作出使燃料电池发电装置100能够有效运行的启动或停止的判断,并根据判断结果向燃料电池发电装置100发出启动或停止指示。
以下,就燃料电池发电装置100根据消耗电力预测单元200输出的消耗电力预测值而进行的运行判断进行说明。
一般来说燃料电池发电装置100的发电电力可变范围,考虑到其性能、效率而设有上限值和下限值。例如家庭使用的燃料电池发电装置100,其上限值被设定成1kW,下限值被设定成0.5kW,如果消耗电力在上下限值范围内,就让发电电力追踪消耗电力,也就是可以进行以电为主的运行,以下简称为电主运行。
然而,如果只在消耗电力进入上下限值范围内的时刻才作启动或停止的判断的话,在效率上会有很大问题。这是因为,燃料电池发电装置100启动时,在发电电力渐渐上升的过程中会产生泵动力、余热等上升损耗。由于会产生过多的损耗所以从效率上考虑不提倡频繁地进行启动或停止的操作。一般来说,一旦启动的话就必须让其运转2至3个小时。鉴于以上,发电指示单元220以指定时间例如连续3个小时的消耗电力预测值为基准,作出启动或停止的判断。
图4是说明图2所示发电指示单元220的运行的流程图。消耗电力预测单元200在运行当天的0点时刻输入24个小时的消耗电力预测值(步骤S1),发电指示单元220,为了作出启动判断,在24个小时的消耗电力预测值中检索连续3个小时超出事先设定的下限值的初始时间Tstart(步骤S2)。假定燃料电池发电装置100所要的启动时间为ΔT,发电指示单元220则在(Tstart-ΔT)时刻发出启动指示(步骤S3)。而且,为了作出停止判断,发电指示单元220,在24个小时的消耗电力预测值中检索连续3个小时低于事先设定的下限值的初始时间Tstop(步骤S4)。于是,发电指示单元220在Tstop时刻向燃料电池发电装置100发出停止指示(步骤S5)。
图5是示意进行了上述一连串运行的燃料电池装置100的发电电力和消耗电力预测值之间关系的一个例子的说明图。在图5中,纵轴表示消耗电力,横轴表示时间。另外,在此省略8点至16点之间的消耗电力预测值及燃料电池发电装置100的发电电力的示意。
在作出启动判断时,对0点时段至23点时段的消耗电力预测值进行检索,找出连续3个小时超过发电电力下限值的时间段。在图5所示的本实施例中,由于连续3个小时超过发电电力下限值的时间段是从5点开始的,所以Tstart=5点,于是发电指示单元220在(5-ΔT)点发出启动指示。收到启动指示的燃料电池发电装置100启动并开始发电。此时,由于燃料电池发电装置100提前了启动所需时间ΔT进行启动,所以能够在5点这一时刻提供出与消耗电力预测值同等的发电电力。而且,由于事先通过消耗电力预测值得知Tstart=5点以后至少要发生3个小时的电力消耗,所以启动后至少3个小时不会有过剩发电电力而无需将其停止。因此一种更有效的启动运行得以实现。
在作出停止判断时,也是同样对0点时段至23点时段的消耗电力预测值进行检索,找出连续3个小时低于发电电力下限值的时间段。图5所示的本实施例中,由于连续3个小时低于发电电力下限值的时间段是从20点开始的,所以Tstop=20点,于是发电指示单元220在20点发出停止指示。收到停止指示的燃料电池发电装置100停止运行,而且由于事先通过消耗电力预测值得知Tstop=20点以后至少3个小时的消耗电力是低于下限值的,所以停止后的至少3个小时无需再启动。因此一种更有效的停止运行得以实现。
图6是说明图2所示电力测量单元230测出的消耗电力的示意图。在图6中,纵轴表示家用电器所消耗的消耗电力,横轴表示时间。而且,图6所示的是从0点到24点之间每小时消耗电力的变化。
如上所述,家用电器104的消耗电力,由电力计103测量,通过电力测量单元230得出的测量值被输入消耗电力预测单元200。在这种情况下,如图6所示,由燃料电池发电装置100的发电电力可捕捉的电力,为发电电力的上限值为止的电力。所以,实际上与发电电力相关的消耗电力,为图6所示的斜线部分,超过上限值的电力则与其无关。因此,电力测量单元230,如图6所示,将没有超过发电电力上限值的部分(图6的斜线部分)作为消耗电力取得,并输送给电力预测单元200。
这样,当家用电器104的消耗电力超过发电电力的上限值时,由于该上限值被作为消耗电力来测量,因此可以将例如吹风机、微波炉等短时间内电力急遽上升,而实际上燃料电池发电装置100无法捕捉的消耗电力排除在外。这样,由于能够预测出燃料电池发电装置100实际上捕捉的消耗电力,因此可以更有效地进行启动或停止的判断。
以下,就燃料电池发电装置100的控制系统进行说明,该控制系统对家用电器104的消耗电力进行预测并对燃料电池装置100的运行进行判断。
当控制器101内置的计时器(图示省略)作出已到开始预测时间的判断时,预测用数据保存单元204将预测用数据输送给神经元模型预测单元202。在本实施例中,由于是以一小时为单位对0点时段至23点时段的24小时的消耗电力进行预测,所以在0点时,预测用数据保存单元204将0点时段至23点时段之间各时间段的消耗电力作为预测用数据,输送给神经元模型预测单元202。
神经元模型预测单元202,通过神经网络模型,对燃料电池发电装置100的0点时段至23点时段之间24个小时的未来消耗电力进行预测。由神经元模型预测单元202预测出的0点时段至23点时段之间各时间段的消耗电力预测值,被输送给发电指示单元202。
发电指示单元202对燃料电池发电装置100的运行进行判断。也就是,发电指示单元202,对神经元模型预测单元202输出的0点时段至23点时段之间各时间段的消耗电力预测值进行检索,找出连续3个小时超过事先设定的下限值的时间段的初始时刻Tstart。
另外,发电指示单元202,对神经元模型预测单元202输出的0点时段至23点时段之间各时间段的消耗电力预测值进行检索,找出连续3个小时低于事先设定的下限值的时间段的初始时刻Tstop。
时间,由控制器101内置的计时器(图示省略)计时,发电指示单元202,在Tstart时刻减去燃料电池发电装置100启动所需时间ΔT的时刻,向燃料电池发电装置100发出启动指示。另外,发电指示单元202在Tstop时刻,向燃料电池发电装置100发出停止指示。
以上,本发明的消耗电力预测单元200,由于对家庭的消耗电力预测值通过神经网络模型300进行学习,所以能够预测出各个家庭不同的消耗电力,再者,由于发电指示单元220可以根据预测出的消耗电力,作出使燃料电池发电装置100不必频繁地启动或停止的启动以及停止的判断,因而燃料电池发电装置100能够被有效地运用。
本发明中对消耗电力的预测,是将当天的24个小时以一小时为单位进行预测的,然而时间量与单位并不局限于24小时或一小时,根据神经网络模型300的输入参数和输出参数的取值方法的变化,也可以简单地构成例如以30分钟为单位进行6个小时消耗电力的预测的结构。
另外,本发明中是以预测消耗电力为对象,不过如果能够测量出热水的消耗量的话,可以同样的结构对消耗热水量进行预测。关于此例,将在实施例2中作详细说明。
这样,家用电器104消耗的消耗电力被测量,根据测量出的消耗电力,预测从指定时刻开始,在指定时间内的未来消耗电力,根据预测出的消耗电力预测值对燃料电池发电装置100作启动及停止的判断,因而可以预测出各个家庭不同的消耗电力,对燃料电池发电装置100的发电电力进行有效的控制,实现节省能源的目的。
而且,指定时刻之前的消耗电力作为预测用数据被保存,将预测用数据作为输入值由神经网络模型300预测出从指定时刻开始在指定时间内的未来消耗电力,并将与预测时间段对应的同时间段的消耗电力实际测量值作为学习用数据保存,根据保存的学习用数据和预测出的消耗电力预测值,进行神经网络模型300的学习。由此,可以更加精确地预测各个家庭不同的消耗电力。
(实施例2)
其次,就与本发明实施例2相关的的燃料电池发电系统进行说明。实施例1中的燃料电池发电系统,根据家用电器104的消耗电力,对从指定时刻开始在指定时间内的未来消耗电力进行预测,并根据预测出的消耗电力预测值对燃料电池发电装置100作启动或停止的判断。与上述第1实施例相比,而实施例2的燃料电池发电系统是,用燃料电池发电装置100来测量供应热水的供应热水设备的供应热水量,根据测量出的供应热水量,对从指定时刻开始在指定时间内的未来供应热水量进行预测,并根据消耗电力预测值和供应热水量预测值来控制燃料电池发电装置100的运行。
图7是与本发明实施例2相关的燃料电池发电系统的全体构成图。图7所示实施例2中的燃料电池发电系统2,包括燃料电池发电装置100,发电控制单元(控制器)101,转换器102,电力计103,热水存储罐106,备用燃烧器107及供应热水负荷表109,与家用电器104,商业电源105,供应热水设备108以及市自来水供应单元110连接。
燃料电池发电装置100,转换器102,家用电器104及商业电源105被连接在家庭内的电力系统上。电力计103用于测量家用电器104消耗的电力。另外,热水存储罐106,备用燃烧器107,供应热水设备108及市自来水供应单元110被连接在家庭内的供应热水系统上。供应热水设备108是指例如浴缸、淋浴器、洗脸池等住户消耗热水的设备。供应热水负荷表109用于测量供应给供应热水设备108的热水的量和热水的温度,以及市自来水供应单元110供应的自来水的温度,并测量供应热水设备108消耗的供应热水负荷的热量。以下,称此供应热水负荷的热量为消耗热水热量。
电力计103及供应热水负荷表109与控制器101连接,电力计103输出家用电器104的消耗电力,供应热水负荷表109输出供应热水设备108的消耗热水热量。控制器101与燃料电池发电装置100连接,由控制器101向燃料电池发电装置100发出发电指示,燃料电池发电装置100根据发电指示进行发电。
燃料电池发电装置100让从城市煤气等燃料中得到的氢与空气中的氧反应,将化学能转化成电能来发电。燃料电池发电装置的发电电力提供给转换器102,再由转换器102提供给家用电器104。当家用电器104消耗的电力大于发电电力时,由转换器102从商业电源105处购入电力(买电),以补充不足的部分。反之,当发电电力大于消耗电力时,则由转换器将发电电力过剩的部分向商业电源105出售(卖电)。然而,在商业电源105不允许卖电的情况时,由燃料电池发电装置100自身处理过剩的部分。
另外,燃料电池发电装置100,在发电的同时会产生热量。产生的热量,作为发电供热热量,被转换成热水存储在热水存储罐106里。存储在热水存储罐106里的热水,根据用户的要求通过供应热水设备108放出。此时,如果热水存储罐106里没有所需热水的话,则由备用燃烧器107生成热水并提供给供应热水设备108。导致热水存储器106里没有热水的原因可能为,由于家用电器104的消耗电力少而燃料电池装置100的发电电力过少,或是因为供应热水设备108消耗了大量的热水。反之,当家用电器104的消耗电力非常大而燃料电池发电装置的发电电力过多,或供应热水设备108消耗的热水量极少时,发电供热热量相对变大因而热水存储罐106被装满。在这种状况下,只有将发电供热热量释放到外部放弃,或将燃料电池发电装置100完全停止不再产生超出的发电供热热量,但随之带来的是再启动时则会产生上升损耗。
所以,为了谋求燃料电池发电装置100的效率化,必须控制发电供热热量让热水存储罐106不要装满,也就是有必要发出适当调整发电电力的发电指示。
图8是示意图7所示控制器101的构成的方框图。图8所示的控制器101包括,消耗电力预测单元200,供应热水量预测单元240,发电指示单元220,电力测量单元230以及供应热水量测量单元250。
首先就消耗电力进行说明。电力测量单元230用于测量家用电器104消耗的消耗电力。消耗电力预测单元200,根据由电力测量单元230测量出的消耗电力,预测从指定时刻开始在指定时间内的未来消耗电力,它包括神经元模型预测单元202,神经元模型学习单元203,预测用数据保存单元204以及学习用数据保存单元205。
神经元模型预测单元202,具有层次型神经网络模型,由神经网络模型预测从指定时刻开始在指定时间内的未来消耗电力。有关神经网络模型的特征及学习方法的详细说明,在「甘利俊一编著、神经网络的新展开、pp.73-86、(株)科学社、1994年」中有记载,在此省略其说明。本实施例中的消耗电力预测单元200,以一小时为单位预测从预测时刻开始到未来24小时为止的消耗电力。图9是说明图8所示神经元模型预测单元202中使用的神经网络模型的构成图。神经网络模型310是层次型神经网络,具有输入层、中间层和输出层3层构造。神经网络模型310将预测值作为输出参数,且将与预测值有很密切的因果关系的数据作为输入参数,此结构是为了提高预测精度所必需的。因此,输出参数为当天的消耗电力预测值,输入参数为被认为与预测值有很密切的因果关系的前一天的消耗电力。
在本实施例中,由于是以一小时为单位对未来24小时作预测,所以神经网络模型310的输出参数为,“预测时刻时段的消耗电力预测值”、“(预测时刻+1)时段的消耗电力预测值”、……、“(预测时刻+23)时段的消耗电力预测值”的24个数据,输入参数为,“与预测时刻时段相同的前一天的消耗电力”、“与(预测时刻+1)时段相同的前一天的消耗电力”、……、“与(预测时刻+23)时段相同的前一天的消耗电力”的24个数据。在此,预测时刻时段的消耗电力是指,当预测时刻为0点时,0点到1点之间消耗的电力的平均值。根据神经网络模型的这种结构,在希望预测的当天过0点的时刻输入前一天的消耗电力,便可以一小时为单位预测出(24个小时的预测)当天的消耗电力。
另外,在神经网络模型310中,为提高预测的精度,使用预测与实际测量之差的逆误差传播法(back propagation algorithm)进行学习,以修正神经网络模型310的权重系数(weighting factor)。
预测用数据保存单元204,从电力测量单元230得到消耗电力,并对过去24小时的记录以一小时为单位进行保存。于是,在日期被更新的时刻,将作为神经网络模型310的输入的前一天的消耗电力输送给神经元模型预测单元202。在神经元模型预测单元202中,通过将输送过来的前一天的消耗电力输入神经网络模型310,便可输出当天24小时的消耗电力预测值,而消耗电力预测值被输送给发电指示单元220。
在神经网络模型310中,为提高预测的精度,有必要利用消耗电力预测值和与其对应的时间的实际消耗电力(以下称为消耗电力实际测量值)之差,通过逆误差传播法进行学习。实际上为了进行以提高精度为目的的学习,需要过去几天的消耗电力预测值和消耗电力实际测量值。因此,学习用数据保存单元205,保存有神经元模型202输出的24小时消耗电力,及过去几天中与其各时段相对应的消耗电力实际测量值,并将它们作为学习用数据使用。学习用数据保存单元205,在超过作为消耗电力预测值对象的那一天的时刻,将所能得到的24小时消耗电力实际测量值,作为来自电力测量单元230的消耗电力并以一小时为单位进行保存,当消耗电力实际测量值凑足了24个小时时,则向神经元模型单元203输出。经过几天这样的操作,在神经元模型单元203中,便确保了这几天的有关消耗电力预测值与消耗电力实际测量值的成对的数据。通过进行学习,可使神经元模型预测单元202的神经网络模型310的权重系数得到修正,结果是可以提高对各个家庭的预测精度。
然而,为了进一步提高精度,最好是将用于学习的数据进行分类。例如对工作日进行预测时,使用工作日的数据作为学习数据会比较有效果。
另外,当神经网络模型310处于完全未学习的初期状态时,需要在确保了学习所需的几天的数据并进行了至少一次的学习后才可进行预测。
由消耗电力预测单元200的神经元模型预测单元202输出的从预测时刻时刻开始的未来的24小时消耗电力预测值,被输入到发电指示单元220。
其次,就供应热水进行说明。供应热水量测量单元250,用于测量供应热水设备108消耗的热水量。供应热水量预测单元240,根据供应热水量测量单元250测量出的供应热水量,预测从指定时刻开始在指定时间内的未来供应热水量,它包括神经元模型预测单元242,神经元模型学习单元243,预测用数据保存单元244及学习用数据保存单元245。
在此,供应热水量预测单元240的运行基本上与电力预测单元200相同,神经元模型预测单元242使用的神经网络模型如图10所示。神经网络模型320是层次型神经网络模型,具有输入层、中间层和输出层3层构造。由于此神经网络模型的结构是以一小时为单位预测从预测时刻开始未来24小时的供应热水量,所以神经网络模型320的输出参数为,“预测时刻时段的供应热水量预测值”、“(预测时刻+1)时段的供应热水量预测值”、……、“(预测时刻+23)时段的供应热水量预测值”的24个数据,输入参数为,“与预测时刻时段相同的前一天的供应热水量”、“与(预测时刻+1)时段相同的前一天的供应热水量”、……、“与(预测时刻+23)时段相同的前一天的供应热水量”的24个数据。
在此,预测时刻时段的供应热水量是指,当预测时刻为0点时,0点到1点之间消耗的热水量的平均值。根据神经网络模型的这种结构,在希望预测的当天过0点的时刻输入前一天的供应热水量,便可以一小时为单位预测出(24个小时的预测)当天的供应热水量。这样,指定时刻之前的供应热水量作为预测用数据被保存,将预测用数据作为输入值由神经网络模型320预测出从指定时刻开始在指定时间内的未来供应热水量,将与预测时间段对应的同时间段的供应热水量实际测量值作为学习用数据保存,根据保存的学习用数据和预测出的供应热水量预测值,进行神经网络模型320的学习。由此,可以更加精确地预测各个家庭不同的供应热水量。
根据以上的结构,神经元模型预测单元242、神经元模型学习单元243、预测用数据保存单元244及学习用数据保存单元245能够与消耗电力预测单元200以同样的动作运行的话,神经元模型预测单元242能够输出从预测时刻开始未来24小时的供应热水量预测值,并输送给发电指示单元220。
发电指示单元220,根据消耗电力预测值以及供应热水预测值能够调整发电电力,以使燃料电池发电装置100更有效地运行。
下面就发电指示单元220的运行进行说明。图11(A)、(B)是说明图8所示发电指示单元220的运作的流程图。由于预测时间的单位是一小时,所以当时间更新时,首先判断能否更新预测值(步骤S11)。当判断为不能更新预测值时(步骤S11的“否”),重复进行步骤S11的处理。当判断为能够更新预测值时(步骤S11的“是”),首先从热水存储罐106处获得热水存储罐106现在的热水存储热量Qnow「kWh」(步骤S12)。现在的热水存储热量Qnow「kWh」的一般计算方法为通过装在热水存储罐106上的温度计,测量出罐中残留热水的温度分布来得出。
其次,分别从消耗电力预测单元200和供应热水量预测单元240处以一小时为单位取得未来24个小时的消耗电力预测值Pgene(i)[kWh](i=1~24)以及供应热水量预测值Phot(i))[kWh](i=1~24)(步骤S13)。接着进入计算发电电力指示值Pprof(i))[kWh]的步骤。首先,将消耗电力预测值Pgene(i)[kWh]设定为发电电力指示值Pprof(i)[kWh]的初始值(步骤S14)。这相当于进行24小时的完全电主运行状态。其次,燃料电池发电装置100根据发电电力指示值Pprof(i)[kWh]计算发电时附带产生的热量,即,发电供应热水负荷Qgene(i)[kWh]。发电供应热水负荷Qgene(i)[kWh]通过下列的计算式(1)算出(步骤S15)。
Qgene(i)[kWh]=Pprof(i)[kWh]×(供应热水效率[%]/发电效率[%])…(1)
其次,根据发电供应热水负荷Qgene(i)[kWh]以及供应热水量预测值Phot(i)[kWh],通过下列的计算式(2),计算从现在时刻到未来24小时热水存储罐的热量的增加和减少,即,预测累计热水存储热量Qadd(i)[kWh](步骤S16)。
Qadd(i)=Qgene(i)-Phot(i)+Qadd(i-1) ……(2)
其次,如下列计算式(3)所示,对现在的热水存储热量Qnow[kWh]和预测累计热水存储热量Qadd(i)[kWh]相加的数值是否小于“0”进行判断(步骤S17)。这是为了防止,由于消耗电力预测值Pgene(i)[kWh]以及供应热水量预测值Phot(i))[kWh]产生误差,而使预计的热水存储罐的热水存储热量Qnow+Qadd(i)的数值产生负值的状况的发生。在此,当判断出现在的热水存储热量Qnow[kWh]和预测累计热水存储热量Qadd(i)[kWh]相加的数值为“0”以上时(步骤S17的“否”),就进入步骤S19的处理。另一方面,当判断出现在的热水存储热量Qnow[kWh]和预测累计热水存储热量Qadd(i)[kWh]相加的数值为“0”以下时(步骤S17的“是”),预测累计热水存储热量(Qadd(i)[kWh])为下列等式(4)所示(步骤S18)。
Qnow+Qadd(i)<0 ……(3)
Qadd(i)=-Qnow ……(4)
其次,发电指示单元220对现在的热水存储热量Qnow[kWh]和预测累计热水存储热量Qadd(i)[kWh]相加的数值是否小于“0”进行判断,此运行一直重复进行直到i=24时为止(步骤S19,20)。
其次,计算出预测累计热水存储热量Qadd(i)[kWh]超过热水存储可能热量Qmax-Qnow的时刻i(步骤S21、22、23)。此处的Qmax[kWh]为最大热水存储可能热量,是依赖于热水存储罐106的大小的一个固定值。预测累计热水存储热量Qadd(i)[kWh]超过热水存储可能热量Qmax-Qnow就意味着热水存储罐106在i时刻已经装满。于是,发电指示单元220对预测累计热水存储热量Qadd(i)的数值是否超过最大热水存储可能热量Qmax减去现在热水存储热量Qnow的数值进行判断。当预测累计热水存储热量Qadd(i)超过热水存储可能热量Qmax-Qnow时(步骤S21的“是”),进入步骤S24的处理,当预测累计热水存储热量Qadd(i)低于热水存储可能热量Qmax-Qnow时(步骤S21的“否”),则判断i是否等于24。当i不等于24时(步骤S22的“否”),将i的值加“1”并返回到步骤S21的处理(步骤S23)。
在此,当预测累计热水存储热量Qadd(i)超过热水存储可能热量Qmax-Qnow的时刻i存在时,通过下列的计算式(5)对发电电力指示值Pprof(i)[kWh]进行修正(步骤S24、25、26)。修正后返回到步骤S15的处理。另外、当预测累计热水存储热量Qadd(i)超过热水存储可能热量Qmax-Qnow的时刻i不存在时(步骤S22的“是”),则返回等待预测时刻更新(步骤S11),等待下一个时刻的更新。
Pprof(j)=Pprof(j)-ΔPprof……(5)
在上述计算式(5)中,j=i,ΔPprof是用于修正发电电力指示值Pprof(i)[kWh]的变化刻度,一般将其设定为十分小的数值(固定值)。
通过以上一连串的运行,发电电力指示值Pprof(i)[kWh]得以修正,使热水存储罐106不至于装满,并最终将其输送给燃料电池发电装置100。燃料电池发电装置100进行发电,以达到发电指示单元220输出的发电电力指示值Pprof(i)。
图12是示意燃料电池发电系统的发电电力和存储热水量的关系的一个例子的说明图。在图12中,示意了现在时刻的消耗电力预测值Pgene(i)[kWh]、供应热水量预测值Phot(i)[kWh]、发电电力指示值Pprof(i)[kWh]、发电供应热水负荷Qgene(i)[kWh]、预测累计热水存储热量Qadd(i)[kWh]、现在的热水存储热量Qnow(i)[kWh]、最大热水存储可能热量Qmax[kWh]之间的关系。
假设一直让发电电力指示值Pprof(i)[kWh]保持和电力预测值Pgene(i)相等的运行,即进行所谓的电主运行时,正如预测累计热水存储热量Qadd(i)[kWh]在“修正前”所示的那样,例如10小时之后的Qadd(10)会超过最大热水存储可能热量Qmax[kWh],这时需要将燃料电池停止或将存储罐热量的一部分向外释放掉,于是产生损耗。因此,这种状况下,通过反复执行步骤S11~S27,发电指示值Pprof(i)[kWh]得以修正,最终预测累计热水存储热量Qadd(i)[kWh]如“修正后”所示被修正,这样就可以使其不超过最大热水存储热量Qadd(i)[kWh]。另外,由于是每隔一小时执行步骤S11~S27,可使未来24小时的运行一直为预测累计热水存储热量Padd(i)[kWh]不超过最大热水存储可能热量Qmax(i)[kWh]的状态,因此可以抑制因停止燃料电池发电装置100或释放存储罐的一部分热量而产生的损耗,从而运行效率得以提高。
以上,本发明的发电指示单元220,可以根据消耗电力预测单元200输出的消耗电力预测值和供应热水量预测单元240输出的供应热水预测值,得出使热水存储罐106的热水不至于装满的发电电力指示值,因此即使在各个家庭不同的电力、供应热水消耗环境中,也能够确保节能运行。
另外,由于家用电器104消耗的消耗电力以及供应热水设备108供应的供应热水量被测量,根据测量出的消耗电力及供应热水量,对从指定时刻开始在指定时间内的未来消耗电力及供应热水量进行预测,并根据预测出的消耗电力预测值及供应热水量预测值,调整燃料电池发电装置100的发电电力,所以可以预测出各个家庭不同的消耗电力及供应热水量,而有效地对燃料电池发电装置100的发电电力进行控制,就不会因为热水存储罐106里的热水装满而将热量向外释放或将燃料电池发电装置100完全停止,于是再启动时的上升损耗也不会产生,所以可以节省能源。
再者,根据消耗电力预测值及供应热水量预测值,对从现在的热水存储量开始累计的累计热水存储量进行预测,当预测出的累计热水存储量超过设定的最大热水存储可能量时,对消耗电力预测值进行修正,使其微量减少,并根据修正后的消耗电力预测值及供应热水量预测值再次预测从现在的热水存储量开始累计的累计热水存储量。当预测出的累计热水存储量低于设定的最大热水存储可能量时,根据最终得出的消耗电力预测值控制燃料电池发电装置100的运行。由此,无需将燃料电池发电装置100完全停止而是通过调整发电电力达到节省能源的目的。
另外,在本发明的燃料电池发电系统2的结构中,是含有电力计103、热水供应负荷表109的,但是本发明并不特别局限于此结构,也可以将电力计103以及/或者热水供应负荷表109安装在燃料电池发电系统2的外部,不用说,只要是能够获得数据的结构同样也可以得到期待的效果。
另外,在本实施例中,燃料电池发电装置100无需停止运行,而是在燃料电池发电装置启动的状态下对其发电电力指示值进行调整,由此来防止热水存储罐的热水装满。但是,本发明并不特别局限于此方法,发电指示单元220根据消耗电力预测单元200得出的消耗电力预测值及供应热水量预测单元240得出的供应热水量预测值,对从现在的热水存储量开始累计的累计热水存储量进行预测,当预测出的累计热水存储量超过设定的最大热水存储可能量,并且上述消耗电力预测机构得出的消耗电力预测值在指定的时间内连续低于设定的下限值时,可以在超过最大热水存储可能量的时刻,将燃料电池发电装置100停止。
另外,发电指示单元220根据消耗电力预测单元200得出的消耗电力预测值,对从现在的热水存储量开始累计的累计热水存储量进行预测,当预测出的累计热水存储量超过设定的最大热水存储可能量,并且从消耗电力预测单元200得到的消耗电力预测值在指定的时间内连续超过设定的下限值时,在预测值超过设定的下限值的时刻减去燃料电池发电装置100启动所需时间的时刻起,将燃料电池发电装置100的启动。在这些状态下,虽然会因为让燃料电池发电装置100停止而再启动时产生上升损耗,但是由于不进行不必要的发电,所以可以达到节省能源的目的。
与本发明有关的燃料电池发电系统及其控制方法,也可以被应用在具有发动机等其它发动设备的发电装置中。另外,还可用于控制消耗热水量等以代替控制消耗电力。
Claims (11)
1.一种燃料电池发电系统,具有产生提供给电器设备的电力的燃料电池发电装置,其特征在于包括:
电力测量机构,用于测量所述电器设备消耗的消耗电力;
消耗电力预测机构,用于根据所述电力测量机构测量出的消耗电力,对从指定时刻开始在指定时间内的未来消耗电力进行预测;
运行控制机构,用于根据所述消耗电力预测机构预测出的消耗电力预测值,对所述燃料电池发电装置的运行进行控制,
所述运行控制机构当所述消耗电力预测机构得出的消耗电力预测值在指定时间内连续超过设定的下限值时,从所述预测值超过设定的下限值的时刻减去所述燃料电池发电装置启动所需时间的时刻起,将所述燃料电池发电装置启动。
2.根据权利要求1所述的燃料电池发电系统,其特征在于:
所述运行控制机构当所述消耗电力预测机构得出的消耗电力预测值在指定时间内连续低于设定的下限值时,从所述预测值低于设定的下限值的时刻起,将所述燃料电池发电装置停止。
3.根据权利要求1所述的燃料电池发电系统,其特征在于:
所述电力测量机构当所述电器设备的消耗电力超过发电电力的上限值时,将该上限值作为消耗电力来测量。
4.根据权利要求1所述的燃料电池发电系统,其特征在于,还包括:
供应热水测量机构,用于测量利用所述燃料电池发电装置供应热水的供应热水设备所提供的热水量;
供应热水量预测机构,用于根据所述供应热水测量机构测量出的供应热水量,对从指定时刻开始在指定时间内的未来供应热水量进行预测;其中,
所述运行控制机构,根据所述消耗电力预测机构预测出的消耗电力预测值和所述供应热水量预测机构预测出的供应热水量预测值,对所述燃料电池发电装置的运行进行控制。
5.根据权利要求1~4任何一项所述的燃料电池发电系统,其特征在于,所述消耗电力预测机构包括:
预测用数据保存机构,用于将所述指定时刻之前的消耗电力作为预测用数据保存;
神经元模型预测机构,用于将所述预测用数据保存机构保存的预测用数据作为输入值,由神经网络模型对从指定时刻开始在指定时间内的未来消耗电力进行预测;
学习用数据保存机构,用于将与所述神经元模型预测机构的预测时间段相同的时间段的所述消耗电力的实际测量值作为学习用数据保存;
神经元模型学习机构,用于根据所述学习用数据保存机构保存的学习用数据和所述神经元模型预测机构预测出的消耗电力预测值,让所述神经元模型预测机构的神经网络模型学习。
6.根据权利要求4所述的燃料电池发电系统,其特征在于,所述供应热水量预测机构包括:
预测用数据保存机构,用于将所述指定时刻之前的供应热水量作为预测用数据保存;
神经元模型预测机构,用于将所述预测用数据保存机构保存的预测用数据作为输入值,由神经网络模型对从指定时刻开始在指定时间内的未来供应热水量进行预测;
学习用数据保存机构,用于将与神经元模型预测机构的预测时间段相同的时间段的所述供应热水量实际测量值作为学习用数据保存;
神经元模型学习机构,用于根据所述学习用数据保存机构保存的学习用数据和所述神经元模型预测机构预测出的供应热水量预测值,让所述神经元模型预测机构的神经网络模型学习。
7.根据权利要求4所述的燃料电池发电系统,其特征在于,所述运行控制机构根据所述消耗电力预测机构得出的消耗电力预测值和所述供应热水预测机构得出的供应热水量预测值,预测从现在的热水存储量开始累计的累计热水存储量,并且调整发电电力使预测出的累计热水存储量不超过事先设定的最大热水存储可能量。
8.根据权利要求4所述的燃料电池发电系统,其特征在于,所述运行控制机构根据所述消耗电力预测机构得出的消耗电力预测值和所述供应热水量预测机构得出的供应热水量预测值,预测从现在的热水存储量开始累计的累计热水存储量,当预测出的累计热水存储量超过事先设定的最大热水存储可能量时,对所述消耗电力预测值进行修正使其微量减少,并根据修正后的消耗电力预测值和所述供应热水量预测机构得出的供应热水量预测值,再预测从现在的热水存储量开始累计的累计热水存储量。
9.根据权利要求4所述的燃料电池发电系统,其特征在于,所述运行控制机构根据所述消耗电力预测机构得出的消耗电力预测值和所述供应热水量预测机构得出的供应热水量预测值,预测从现在的热水存储量开始累计的累计热水存储量,当预测出的累计热水存储量超过事先设定的最大热水存储可能量,并且所述消耗电力预测机构的消耗电力预测值在指定时间内连续低于设定的下限值时,从超过最大热水存储可能量的时刻起,将所述燃料电池发电装置停止。
10.根据权利要求4所述的燃料电池发电系统,其特征在于,所述运行控制机构根据所述消耗电力预测机构得出的消耗电力预测值和所述供应热水量预测机构得出的供应热水量预测值,预测从现在的热水存储量开始累计的累计热水存储量,当预测出的累计热水存储量超过事先设定的最大热水存储可能量,并且所述消耗电力预测机构得出的消耗电力预测值在指定时间内连续超过设定的下限值时,从所述预测值超过设定的下限值的时刻减去所述燃料电池发电装置启动所需时间的时刻起,将所述燃料电池发电装置启动。
11.一种燃料电池发电系统的控制方法,此燃料电池发电系统具有产生提供给电器设备电力的燃料电池发电装置,其特征在于包括:
电力测量步骤,用于测量所述电器设备消耗的消耗电力;
消耗电力预测步骤,用于根据所述电力测量步骤测量出的消耗电力,对从指定时刻开始在指定时间内的未来消耗电力进行预测;
运行控制步骤,根据所述消耗电力预测步骤预测出的消耗电力预测值,对所述燃料电池发电装置的运行进行控制,
所述运行控制步骤当所述消耗电力预测步骤得出的消耗电力预测值在指定时间内连续超过设定的下限值时,从所述预测值超过设定的下限值的时刻减去所述燃料电池发电装置启动所需时间的时刻起,将所述燃料电池发电装置启动。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2003304538 | 2003-08-28 | ||
JP2003304538 | 2003-08-28 | ||
JP2004054098 | 2004-02-27 | ||
JP2004054098 | 2004-02-27 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN1591950A CN1591950A (zh) | 2005-03-09 |
CN100446310C true CN100446310C (zh) | 2008-12-24 |
Family
ID=34106956
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNB2004100683071A Expired - Fee Related CN100446310C (zh) | 2003-08-28 | 2004-08-27 | 燃料电池发电系统及其控制方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US7532987B2 (zh) |
EP (1) | EP1511109B1 (zh) |
KR (1) | KR101126857B1 (zh) |
CN (1) | CN100446310C (zh) |
Families Citing this family (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004265671A (ja) * | 2003-02-28 | 2004-09-24 | Hitachi Ltd | 燃料電池の運転制御方法および装置 |
JP4878484B2 (ja) * | 2006-03-15 | 2012-02-15 | Jx日鉱日石エネルギー株式会社 | コジェネレーションシステム |
JP4697079B2 (ja) * | 2006-07-20 | 2011-06-08 | パナソニック電工株式会社 | シェーバ |
US7951496B2 (en) * | 2006-12-20 | 2011-05-31 | Bloom Energy Corporation | Model based real-time optimization of fuel cell clusters |
JP5288782B2 (ja) * | 2007-03-09 | 2013-09-11 | 三洋電機株式会社 | デマンド制御システム、デマンドコントローラ、デマンドプログラム及びデマンド制御方法 |
KR100911316B1 (ko) | 2007-08-23 | 2009-08-11 | 주식회사 엘지화학 | 배터리의 장기 특성 예측 시스템 및 방법 |
CN101353984A (zh) * | 2008-08-01 | 2009-01-28 | 孙宏伟 | 燃料自动节省系统 |
KR200447670Y1 (ko) * | 2009-07-10 | 2010-02-11 | 주식회사 케이티이엔지 | 교육용의 에너지수집 실험 장치 |
JP4702708B2 (ja) * | 2009-09-30 | 2011-06-15 | Toto株式会社 | 固体電解質型燃料電池 |
JP5539750B2 (ja) * | 2010-02-17 | 2014-07-02 | トヨタホーム株式会社 | 住宅用電力システム |
EP2573897A3 (de) * | 2011-09-20 | 2017-03-01 | Stiehle GmbH | Anordnung zum Betreiben mindestens eines Verbrauchers mit der elektrischen Leistung einer regenerativen Energiequelle |
JP5785265B2 (ja) * | 2011-09-28 | 2015-09-24 | 京セラ株式会社 | 電力管理システム、電力管理装置及び表示制御方法 |
JP5905226B2 (ja) * | 2011-09-28 | 2016-04-20 | 京セラ株式会社 | エネルギー管理システム、エネルギー管理装置及び電力管理方法 |
JP5776487B2 (ja) * | 2011-10-13 | 2015-09-09 | ソニー株式会社 | 電力制御装置およびプログラム |
CN102663219B (zh) * | 2011-12-21 | 2015-03-04 | 北京理工大学 | 基于混合模型的燃料电池输出预测方法和系统 |
DE102012202284A1 (de) * | 2012-02-15 | 2013-08-22 | Bayerische Motoren Werke Aktiengesellschaft | Vorausschauendes Energiemanagement |
US9961979B2 (en) * | 2012-10-02 | 2018-05-08 | Oscar Rodrigues | Hair dryer with control switches underneath handle |
KR101522858B1 (ko) * | 2014-11-07 | 2015-05-26 | 주식회사 케이디티 | 건물의 최대 수요전력 제어 기능을 갖는 에너지관리시스템 및 그 제어방법 |
JP6575176B2 (ja) * | 2015-07-02 | 2019-09-18 | Tdk株式会社 | 電源装置の制御装置および制御方法 |
KR101734710B1 (ko) * | 2015-12-07 | 2017-05-11 | 현대자동차주식회사 | 차량의 주행패턴 분석방법을 이용한 연비향상방법 |
EP3340416B1 (de) * | 2016-12-20 | 2019-11-27 | Siemens Aktiengesellschaft | Steuereinheit |
US11177656B2 (en) * | 2017-06-08 | 2021-11-16 | Board Of Regents, The University Of Texas System | Systems and methods for optimizing building-to-grid integration |
JP7072044B2 (ja) * | 2018-02-19 | 2022-05-19 | 株式会社東芝 | 電力供給システムの制御装置、電力供給システムの制御方法、及び電力供給システム |
CN109687447B (zh) * | 2018-12-29 | 2021-01-01 | 华润电力技术研究院有限公司 | 一种电力能耗预测方法及装置 |
CN111572412B (zh) * | 2020-04-16 | 2022-01-11 | 中极氢能汽车(长治)有限公司 | 一种氢燃料电池车低温启动能量需求获取系统及方法 |
KR102190845B1 (ko) * | 2020-08-21 | 2020-12-14 | 주식회사 아이씨티솔루션스 | Ai기반 건물 전력부하 예측을 통한 연료전지 발전시스템 운전제어방법 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002352834A (ja) * | 2001-05-23 | 2002-12-06 | Matsushita Electric Ind Co Ltd | 電力生成制御システム、およびプログラム |
JP2003134665A (ja) * | 2001-10-18 | 2003-05-09 | Hitachi Ltd | 電力供給方法および電力供給システム |
CN1439178A (zh) * | 2000-05-15 | 2003-08-27 | 丰田自动车株式会社 | 采用燃料电池和可充放电的蓄电部的电力供给 |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6558829B1 (en) * | 1997-10-06 | 2003-05-06 | Reveo, Inc. | Appliance with refuelable and rechargeable metal-air fuel cell battery power supply unit integrated therein |
JP2000285941A (ja) | 1999-03-31 | 2000-10-13 | Sanyo Electric Co Ltd | 燃料電池の運転制御装置 |
US6510369B1 (en) * | 1999-08-24 | 2003-01-21 | Plug Power Inc. | Residential load shedding |
US6925361B1 (en) * | 1999-11-30 | 2005-08-02 | Orion Engineering Corp. | Distributed energy neural network integration system |
US6522955B1 (en) * | 2000-07-28 | 2003-02-18 | Metallic Power, Inc. | System and method for power management |
US6581015B2 (en) * | 2000-12-27 | 2003-06-17 | Plug Power, Inc. | Technique and apparatus to control the transient response of a fuel cell system |
JP2002367619A (ja) | 2001-03-28 | 2002-12-20 | Osaka Gas Co Ltd | 家庭用エネルギ管理システムおよび装置 |
JP2002291161A (ja) | 2001-03-28 | 2002-10-04 | Osaka Gas Co Ltd | 家庭用燃料電池の出力制御方法 |
JP4953217B2 (ja) * | 2001-08-03 | 2012-06-13 | 東京瓦斯株式会社 | 燃料電池装置 |
JP4889167B2 (ja) | 2001-08-09 | 2012-03-07 | 大阪瓦斯株式会社 | コジェネレーション装置の運転計画方法 |
US6959777B2 (en) * | 2001-10-05 | 2005-11-01 | Ford Global Technologies, Llc | High voltage energy regulated conversion circuit |
JP2003209994A (ja) | 2002-01-15 | 2003-07-25 | Nippon Telegr & Teleph Corp <Ntt> | 発電システムおよびその制御方法 |
JP2003229159A (ja) * | 2002-01-31 | 2003-08-15 | Toyota Motor Corp | 燃料電池発電システムおよびこれに用いる操作表示装置 |
WO2003075427A1 (fr) * | 2002-03-06 | 2003-09-12 | Matsushita Electric Industrial Co., Ltd. | Dispositif de reglage pour systeme de fourniture d'energie reparti |
US20040219398A1 (en) * | 2003-05-02 | 2004-11-04 | Calhoon John C. | Fuel cell control and data reporting |
US20040253489A1 (en) * | 2003-06-12 | 2004-12-16 | Horgan Thomas J. | Technique and apparatus to control a fuel cell system |
US7418315B2 (en) * | 2003-07-25 | 2008-08-26 | Matsushita Electric Industrial Co., Ltd. | Power generation system |
-
2004
- 2004-08-26 US US10/925,939 patent/US7532987B2/en not_active Expired - Fee Related
- 2004-08-27 EP EP04020405.9A patent/EP1511109B1/en not_active Expired - Fee Related
- 2004-08-27 KR KR1020040067721A patent/KR101126857B1/ko not_active IP Right Cessation
- 2004-08-27 CN CNB2004100683071A patent/CN100446310C/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1439178A (zh) * | 2000-05-15 | 2003-08-27 | 丰田自动车株式会社 | 采用燃料电池和可充放电的蓄电部的电力供给 |
JP2002352834A (ja) * | 2001-05-23 | 2002-12-06 | Matsushita Electric Ind Co Ltd | 電力生成制御システム、およびプログラム |
JP2003134665A (ja) * | 2001-10-18 | 2003-05-09 | Hitachi Ltd | 電力供給方法および電力供給システム |
Also Published As
Publication number | Publication date |
---|---|
KR101126857B1 (ko) | 2012-03-26 |
US20050048337A1 (en) | 2005-03-03 |
CN1591950A (zh) | 2005-03-09 |
US7532987B2 (en) | 2009-05-12 |
KR20050021868A (ko) | 2005-03-07 |
EP1511109A2 (en) | 2005-03-02 |
EP1511109A3 (en) | 2012-02-29 |
EP1511109B1 (en) | 2014-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN100446310C (zh) | 燃料电池发电系统及其控制方法 | |
JP5020634B2 (ja) | 燃料電池発電装置の制御装置、制御方法、制御プログラム及び制御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 | |
Moser et al. | Adaptive power management in energy harvesting systems | |
CN101199075A (zh) | 负荷控制装置、方法、电路、程序及存储有负荷控制程序的计算机可读存储介质 | |
CN110619487B (zh) | 一种基于卡尔曼滤波的电-气-热耦合网络动态状态估计方法 | |
KR20110136803A (ko) | 분산 전력 생산 시스템 및 그 제어 방법 | |
JP4512074B2 (ja) | エネルギー需要予測方法、予測装置、プログラム及び記録媒体 | |
JP2007129873A (ja) | エネルギー需要管理装置および方法 | |
EP3563334A1 (en) | State of charge estimation of energy storage systems | |
EP3096285A1 (en) | Operating plan creation device, control device, operating plan creation method, and program | |
CN104612762A (zh) | 蒸汽轮机启动控制装置及其启动控制方法 | |
Moser et al. | Robust and low complexity rate control for solar powered sensors | |
US10209729B2 (en) | Energy control system, energy control device, energy control method, and storage medium | |
CN114111029A (zh) | 一种面向需求响应优化的变容量热水器控制方法 | |
JP2006325336A (ja) | 分散型エネルギーシステムの制御装置、方法、およびプログラム | |
JP2008025914A (ja) | 給湯システムの制御方法及びこれに用いる給湯システム用コントローラ | |
CN113850503A (zh) | 一种电热水器需求响应优化方法、设备及介质 | |
JP2012084380A (ja) | 燃料電池システム | |
Niederhäuser et al. | New innovative solar heating system (cooling/heating) production | |
JP2006174654A (ja) | 分散型エネルギー需給制御方法および設定装置 | |
Favre et al. | Improvement of the environmental impact of the global energy management of buildings by genetic algorithm optimization | |
WO2022044750A1 (ja) | 計画システム、計画方法及びプログラム | |
JP2015206499A (ja) | 需要家機器運用管理システム及び方法 | |
CN116187910B (zh) | 一种控温仓库容量配置方法、装置、电子设备及存储介质 | |
JP7427042B2 (ja) | 燃料管理装置、燃料管理システム、燃料管理方法、およびプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20081224 Termination date: 20180827 |