CN111095341A - 计划装置、运行计划的生成方法、氢制造方法及程序 - Google Patents
计划装置、运行计划的生成方法、氢制造方法及程序 Download PDFInfo
- Publication number
- CN111095341A CN111095341A CN201880057595.0A CN201880057595A CN111095341A CN 111095341 A CN111095341 A CN 111095341A CN 201880057595 A CN201880057595 A CN 201880057595A CN 111095341 A CN111095341 A CN 111095341A
- Authority
- CN
- China
- Prior art keywords
- period
- operation plan
- model
- unit
- electrolysis
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 16
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 title claims description 75
- 229910052739 hydrogen Inorganic materials 0.000 title claims description 75
- 239000001257 hydrogen Substances 0.000 title claims description 75
- 238000005868 electrolysis reaction Methods 0.000 claims abstract description 181
- 230000005611 electricity Effects 0.000 claims abstract description 98
- 230000008859 change Effects 0.000 claims abstract description 46
- 238000012423 maintenance Methods 0.000 claims description 80
- 230000005856 abnormality Effects 0.000 claims description 77
- 238000012545 processing Methods 0.000 claims description 26
- 238000010248 power generation Methods 0.000 claims description 12
- 230000004044 response Effects 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 description 19
- 230000002787 reinforcement Effects 0.000 description 16
- 230000006866 deterioration Effects 0.000 description 13
- 230000003044 adaptive effect Effects 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 8
- 239000000203 mixture Substances 0.000 description 8
- 238000000611 regression analysis Methods 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 230000010365 information processing Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 230000008439 repair process 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
-
- C—CHEMISTRY; METALLURGY
- C25—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES; APPARATUS THEREFOR
- C25B—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES FOR THE PRODUCTION OF COMPOUNDS OR NON-METALS; APPARATUS THEREFOR
- C25B1/00—Electrolytic production of inorganic compounds or non-metals
- C25B1/01—Products
- C25B1/02—Hydrogen or oxygen
- C25B1/04—Hydrogen or oxygen by electrolysis of water
-
- C—CHEMISTRY; METALLURGY
- C25—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES; APPARATUS THEREFOR
- C25B—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES FOR THE PRODUCTION OF COMPOUNDS OR NON-METALS; APPARATUS THEREFOR
- C25B15/00—Operating or servicing cells
- C25B15/02—Process control or regulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
-
- 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
- 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
- Y02E60/36—Hydrogen production from non-carbon containing sources, e.g. by water electrolysis
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Organic Chemistry (AREA)
- Electrochemistry (AREA)
- Materials Engineering (AREA)
- Metallurgy (AREA)
- Computational Linguistics (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Medical Informatics (AREA)
- Automation & Control Theory (AREA)
- Inorganic Chemistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Water Supply & Treatment (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Public Health (AREA)
Abstract
在不降低一定期间内的电解装置的生成物的生成量的情况下,使生成物的制造成本降低。提供一种计划装置、运行计划的生成方法及程序,该计划装置具有:电费预测部,其使用电费预测模型来预测将来的电费的变动,其中所述电费预测模型根据在对象期间之前能够得到的第1因子的值来预测对象期间的电费的变动;以及运行计划生成部,其根据预测出的将来的电费的变动,生成将来的第1期间的电解装置的运行计划。
Description
技术领域
本发明涉及一种计划装置、运行计划的生成方法、氢制造方法以及程序。
背景技术
以往,已知的是通过电解水来生成氢的氢生成装置等。此外,已知的是根据天气及风力这样的电力的供给成本、费用发生变动的电力供给系统。
发明内容
发明要解决的问题
期望这种氢生成装置等在电费便宜的时间段提高运行率,在电费贵的时间段降低运行率,由此降低氢的制造成本。由此,例如可以考虑氢生成装置对发生变动的电费与阈值进行比较,根据比较结果来控制运行率,而降低制造成本。但是,有时规定了例如每1天这样的一定期间应供给的氢的量。在这种情况下,有时在该一定期间内,不会存在能够充分地生成氢的电费便宜的时间段。因此,即使使用阈值等来控制制造装置,也会产生在一定期间内氢的制造量不足、或者最终必须在高电费的时间段内生成氢等的情况。
在本发明第1方式中,提供一种计划装置、运行计划的生成方法及程序,该计划装置具有:电费预测部,其使用根据在对象期间之前能够得到的第1因子的值来预测对象期间内的电费的变动的电费预测模型,来预测将来的电费的变动;以及运行计划生成部,其根据预测出的将来的电费的变动,来生成将来的第1期间内的电解装置的运行计划。
在本发明第2方式中,提供一种计划装置,所述计划装置具有:取得部,其取得包括在对象期间内应作为目标的电解装置的运行计划以及在对象期间之前能够得到的因子的值的学习数据;学习处理部,其根据所取得的所述学习数据,来学习根据在对象期间之前能够得到的因子来生成对象期间内的运行计划的运行计划生成模型;以及运行计划生成部,其根据第1期间之前的所述因子的值,使用所述运行计划生成模型来生成在所述第1期间内的各时刻是否使所述电解装置运行的运行计划。
在本发明第3方式中,提供一种氢制造方法,所述氢制造方法包括如下所述的步骤:电费预测部使用根据在对象期间之前能够得到的第1因子的值来预测对象期间内的电费的变动的电费预测模型,来预测将来的电费的变动;运行计划生成部根据预测出的所述将来的电费的变动,来生成将来的第1期间内的氢生成装置的运行计划;以及所述氢生成装置根据所述运行计划来生成氢。
另外,所述发明的概要并没有列举本发明的所有必要特征。另外,这些特征组的子组合也可以构成发明。
附图说明
图1将本实施方式所涉及的计划装置100的第1结构例与电解装置1000一起示出。
图2示出本实施方式所涉及的计划装置100的第2结构例。
图3示出本实施方式所涉及的第2结构例的计划装置100的动作流程的一例。
图4示出本实施方式所涉及的计划装置100的第3结构例。
图5示出本实施方式的计划装置100的第4结构例。
图6示出本实施方式所涉及的计划装置100的第5结构例。
图7示出本实施方式所涉及的第2运行计划生成部510的动作流程的一例。
图8示出本实施方式的计划装置100的第6结构例。
图9示出了本发明的多个方面可以被整体地或部分地实现的计算机1200的示例。
具体实施方式
以下,通过发明的实施方式对本发明进行说明,但以下的实施方式并不限定权利要求书所涉及的发明。另外,在实施方式中说明的特征的组合并非全部是发明的解决手段所必需的。
图1将本实施方式所涉及的计划装置100的结构例与电解装置1000一起示出。计划装置100通过学习来生成电解装置1000的将来的第1期间的运行计划。计划装置100根据所生成的运行计划来控制电解装置1000,使电解装置1000生成生成物的制造成本降低。另外,第1期间可以是几天、十几天、几周或几十天等预定的期间。
在此,电解装置1000可以是使用电能来生成生成物的装置。电解装置1000例如是通过电解生成氢的氢生成装置。计划装置100生成的运行计划例如是记述了电解装置1000在第1期间的应运行的状态的表格或者数据等。运行计划可以是确定了使电解装置1000运行(不运行)的时间段和/或电解装置1000的每个时间段的运行率等的表格或数据等。计划装置100具有取得部10、存储部20、模型生成部30、学习处理部40、运行计划生成部50以及控制部60。
取得部10取得用于学习的参数以及学习数据等。取得部10取得学习数据,该学习数据例如包含在将来的预定的对象期间内应作为目标的电解装置1000的运行计划、以及在对象期间之前能够得到的因子的值。对象期间是将来的预定的期间。对象期间可以是包含第1期间的期间。取得部10能够取得在对象期间之前能够得到的与电费相关的参数作为第1因子。此外,取得部10可以取得在对象期间之前能够得到的与电解装置1000相关的参数作为第2因子。
取得部10可以与电解装置1000等连接,来取得学习中使用的参数及学习数据等。取得部10也可以与网络等连接,并经由该网络取得数据。在应取得的数据的至少一部分存储在外部的数据库等中的情况下,取得部10也可以访问该数据库等来进行取得。另外,取得部10也可以向存储部20提供所取得的数据。
存储部20存储取得部10所取得的信息。存储部20可以存储该计划装置100所处理的数据。存储部20也可以分别存储在计划装置100生成运行计划的过程中计算(或利用)的中间数据、计算结果以及参数等。另外,存储部20也可以根据计划装置100内的各部的请求,将存储的数据提供给请求源。作为一例,存储部20根据模型生成部30的请求,将存储的数据提供给该模型生成部30。
模型生成部30生成计划装置100学习的学习模型。模型生成部30根据第1因子和第2因子等来生成学习模型。模型生成部30可以生成一个或多个学习模型。模型生成部30将所生成的学习模型提供给学习处理部40。
学习处理部40根据所取得的学习数据来学习所生成的学习模型。学习处理部40可以执行强化学习,来更新学习模型。学习处理部40可以更新一个或多个学习模型。学习处理部40将更新后的学习模型提供给运行计划生成部50。
运行计划生成部50生成将来的第1期间的电解装置的运行计划。运行计划生成部50生成例如在第1期间生成电解装置1000应生成的生成物、同时使生成物的制造成本最小化或降低的运行计划。运行计划生成部50将所生成的运行计划提供给控制部60。
控制部60使用第1期间的电解装置1000的运行计划,来进行使该电解装置1000运行的控制。控制部60可以使多个电解装置1000分别运行。此外,控制部60可以在电解装置1000的动作以及生成部的贮存量等处于与预想不同的范围内的情况下,指示电解装置1000的运行的停止以及开始。另外,控制部60也可以在电费大幅地变动的情况下,指示电解装置1000的运行的停止及开始。
根据以上的本实施方式的计划装置100,能够生成与电费的变动对应的电解装置1000的运行计划,能够以更低的制造成本来生成预定的量以上的生成物。接着对这种计划装置100的更具体的结构例进行说明。
图2示出本实施方式所涉及的计划装置100的第2结构例。在第2结构例的计划装置100中,对与图1所示的本实施方式所涉及的计划装置100的动作大致相同的部分赋予相同的标号,并省略说明。另外,图2示出省略了计划装置100的取得部10的结构。
第2结构例的计划装置100具备第1模型生成部110、第1模型更新部120以及电费预测部130,并预测将来的电费的变动。此外,第2结构例的计划装置100具有第2模型生成部210、第2模型更新部220以及第1运行计划生成部230,并根据预测出的电费的变动,来生成将来的电解装置1000的运行计划。在这种情况下,模型生成部30可以具有第1模型生成部110以及第2模型生成部210,并且学习处理部40可以具有第1模型更新部120、电费预测部130以及第2模型更新部220。
第2结构例的存储部20存储取得部10所取得的第1因子和第2因子。第1因子包括对象期间之前的电费、电力需求量、电力供给量、再生能源发电量、再生能源发电量的预测值以及天气信息中的至少一个。电费可以是在设置有电解装置1000的场所,向电解装置1000供给的电力的实际电费。电力需求量、电力供给量、再生能源发电量以及再生能源发电量的预测值可以是向设置有电解装置1000的地域供给电力的发电站等的信息。天气信息可以是设置有电解装置1000的地域的信息。
除了过去的电费的信息之外,第1因子还可以包括对电解装置1000消耗的电力的电费产生影响的信息。第1因子可以是每个大致一定时间的时序的信息。此外,第1因子可以包括不同期间的各种信息。第1因子还可以包括从外部的装置等提供的信息。
第2因子包括对象期间之前的电解装置1000的运行数据以及电解装置1000的氢贮存量中的至少一个。此外,第2因子也可以包括该计划装置100过去所生成的电解装置1000的运行计划。另外,第2因子还可以包括根据电解装置1000的物理模型而计算的虚拟数据。第2因子可以是每个大致一定时间的时序的信息。另外,第2因子可以包括取得部10从电解装置1000取得的信息。
可以随着时间的经过而分别追加或更新第1因子和第2因子的信息。例如,取得部10可以按照每个预定的期间而取得各个信息,并进行更新。另外,取得部10可以根据应取得的信息,按照每个大致相同或不同的期间进行取得,并分别进行追加或更新。
第1模型生成部110根据对象期间之前的第1因子的值,来生成电费预测模型,该电费预测模型预测对象期间的电费的变动。第1模型生成部110可以使用对象期间之前的信息,通过被称为事前学习或离线学习等的处理,来生成电费预测模型。第1模型生成部110例如使用回归分析、贝叶斯(Bayesian)推理、神经网络、高斯混合模型以及隐马尔可夫模型(hidden Markov model)等,来生成电费预测模型。第1模型生成部110将所生成的电费预测模型作为第1模型提供给第1模型更新部120。
第1模型更新部120通过学习来更新电费预测模型。第1模型更新部120具有第1模型学习部122,并根据第1模型学习部122的学习结果,来更新电费预测模型。第1模型更新部120例如可以按照每个预定的第1更新期间,将第1模型学习部122进行了学习的电费预测模型更新为新的电费预测模型。代替于此,第1模型更新部120也可以根据第1模型学习部122进行了预定的次数的学习的情况,来更新电费预测模型。
第1模型学习部122可以通过被称为自适应学习、或在线学习等的处理来学习电费预测模型。第1模型学习部122例如将回归分析、贝叶斯推理、神经网络、高斯混合模型及隐马尔可夫模型等作为识别模型,通过执行强化学习,从而学习电费预测模型。优选第1模型学习部122进一步使用在时间上比第1模型生成部110在电费预测模型的生成中使用的第1因子的信息靠后的信息来进行学习。
即,第1模型学习部122使用根据实际的电费的变动而更新后的第1因子的信息,来学习电费预测模型。第1模型学习部122可以根据第1因子的信息被更新的情况,来执行电费预测模型的学习。作为一例,第1模型学习部122根据过去期间的第1因子的值以及过去期间以后的电费的现实的变动,来学习电费预测模型。第1模型学习部122在第1模型更新部120的第1更新期间,执行一次或者多次学习。第1模型更新部120将更新后的电费预测模型提供给电费预测部130。
电费预测部130使用更新后的电费预测模型,来预测将来的电费的变动。电费预测部130例如按照每个预定的期间来预测将来的该预定的期间的电费。电费预测部130使用电费预测模型以及第1因子的信息,来预测电费。电费预测部130例如将即将应该预测电费的期间之前的期间的第1因子的信息应用于电费预测模型来预测电费。电费预测部130将预测结果提供给运行计划生成部50。
第2模型生成部210根据对象期间之前的第2因子的值以及电费的变动,来生成运行计划生成模型。运行计划生成模型成为如下的模型:通过学习,根据对象期间之前的第2因子的值以及对象期间的电费的变动的预测结果,来生成对象期间的电解装置1000的运行计划。另外,第2模型生成部210也可以使用第1因子的值,作为过去的电费的变动。第2模型生成部210可以使用比对象期间更之前的信息,通过被称为事前学习或离线学习等的学习处理,来生成运行计划生成模型。
第2模型生成部210例如将回归分析、贝叶斯推理、神经网络、高斯混合模型及隐马尔可夫模型等作为识别模型,通过执行强化学习,从而生成运行计划生成模型。第2模型生成部210将所生成的运行计划生成模型作为第2模型提供给第2模型更新部220。
第2模型更新部220通过学习来更新运行计划生成模型。第2模型更新部220具有第2模型学习部222,并根据第2模型学习部222的学习结果,来更新运行计划生成模型。第2模型更新部220可以按照例如每个预定的第2更新期间,将第2模型学习部222进行了学习的运行计划生成模型更新为新的运行计划生成模型。代替于此,第2模型更新部220也可以根据第2模型学习部222进行了预定的次数的学习的情况,来更新运行计划生成模型。
第2模型学习部222可以通过被称为自适应学习或在线学习等的处理,来学习运行计划生成模型。第2模型学习部222例如将回归分析、贝叶斯推理、神经网络、高斯混合模型及隐马尔可夫模型等作为识别模型,通过执行强化学习,从而学习运行计划生成模型。优选第2模型学习部222还使用在时间上比第2模型生成部210在运行计划生成模型的生成中使用的第2因子的信息靠后的信息,来进行学习。
即,第2模型学习部222使用根据实际的电费的变动而更新后的第1因子的信息以及根据实际的电解装置1000的运行而更新后的第2因子的信息,来学习运行计划生成模型。另外,关于电费的变动,例如也可以使用电费预测部130的预测结果,以代替实际的电费的变动。即,第2模型学习部222根据过去期间的第2因子的值以及过去期间以后的电费的变动或者电费的变动的预测结果,来学习运行计划生成模型。
第2模型学习部222可以根据第2因子的信息被更新的情况,来执行运行计划生成模型的学习。第2模型学习部222在第2模型更新部220的第2更新期间,执行一次或多次学习。第2模型更新部220将更新后的运行计划生成模型提供给运行计划生成部50。
运行计划生成部50根据由电费预测部130预测出的将来的电费的变动,生成将来的第1期间的电解装置1000的运行计划。运行计划生成部50具有第1运行计划生成部230。
第1运行计划生成部230使用根据在对象期间之前能够得到的第2因子的值以及对象期间的电费的变动的预测结果而生成对象期间的运行计划的运行计划生成模型,来生成将来的第1期间的电解装置1000的运行计划。第1运行计划生成部230例如将几天或十几天、一周或几周这样的期间作为第1期间,来生成电解装置1000的运行计划。作为一例,第1运行计划生成部230生成N天的运行计划。
控制部60根据运行计划生成部50所生成的运行计划,使电解装置1000运行。另外,控制部60也可以控制电解装置1000,以使取得部10能够取得由于电解装置1000运行而发生变动的第2因子的信息。
以上的本实施方式所涉及的计划装置100通过学习来生成电解装置1000的运行计划。另外,计划装置100通过学习来预测电费,同时生成电解装置1000的运行计划。接着,对这种计划装置100的动作进行说明。图3示出本实施方式所涉及的第2结构例的计划装置100的动作流程的一例。计划装置100可以执行图3所示的动作流程,使电解装置1000运行。
首先,取得部10取得电费及构成电解装置1000的过去的趋势的第1因子和第2因子的信息(S310)。取得部10例如取得从时刻t0到时刻t1的第1因子和第2因子的信息。在此,将从时刻t0到时刻t1的期间设为比第1期间靠前的第2期间。取得部10将所取得的第1因子和第2因子的信息存储在存储部20中。此外,取得部10可以将第1因子和第2因子的信息提供给模型生成部30。
接着,模型生成部30生成学习模型(S320)。模型生成部30根据第2期间的第1因子和第2因子的值,来生成学习模型。例如,第1模型生成部110根据第1因子的值,来生成电费预测模型。第1模型生成部110使用第2期间的电费、电力需求量、电力供给量、再生能源发电量、再生能源发电量的预测值以及天气信息中的至少一个,来生成电费预测模型。
此外,第2模型生成部210根据第1因子和第2因子的值,来生成运行计划生成模型。例如,第2模型生成部210使用第2期间的电费、电解装置1000的运行数据、氢贮存量以及运行计划的虚拟数据中的至少一个,来生成运行计划生成模型。
另外,第2模型生成部210可以将基于电解装置1000的物理模型的虚拟数据作为应作为目标的预测数据,通过对该预测数据与通过过去的电解装置1000的运行而取得的实际数据进行比较,来生成运行计划生成模型。例如,第2模型生成部210执行强化学习并生成运行计划生成模型,以使应作为目标的预测数据与过去的实际数据的差为0或小于预定的值。
作为一例,第2模型生成部210将第2期间中的M天的期间设为虚拟的预测期间。另外,M天例如可以是几天或十几天、一周或几周这样的期间。优选M天与第1期间(N天)一致。并且,第2模型生成部210进行强化学习,以使预测期间的运行动作的预测结果与预测期间的实际数据或虚拟数据之间的误差变得最小,其中该预测期间的运行动作的预测结果基于第2期间中的比预测期间靠前的期间的第1因子和第2因子的值。
在这种情况下,第2模型生成部210进行强化学习,以满足如下等条件:将氢贮存量变动范围设为从0到最大贮存量的范围(第1条件)、电解装置1000生成并供给氢的量满足预定的供给计划(第2条件)、选择电费低的时间段使电解装置1000运行(第3条件),同时降低氢生成成本。另外,可以在该计划装置100伴随电解装置1000的运行来取得该电解装置1000的实际数据之前,执行这样的模型生成部30进行的学习模型的生成。
接着,学习处理部40对生成的学习模型进行自适应学习(S330)。在此,取得部10可以取得第1因子和第2因子的信息。取得部10例如取得从时刻t1到时刻t2的第1因子和第2因子的信息。另外,设从时刻t1到时刻t2的期间为第1期间和第2期间之间的第3期间。学习处理部40可以使用取得部10新取得的第1因子和第2因子的信息,来进行自适应学习。
例如,第1模型学习部122根据第1因子的值,对电费预测模型进行自适应地学习。第1模型学习部122可以使用第3期间的电费、电力需求量、电力供给量、再生能源发电量、再生能源发电量的预测值和天气信息中的至少一个,自适应地学习电费预测模型。第1模型学习部122可以进行强化学习,以使使用电费预测模型来预测第3期间的电费等而得到的结果与所取得的第3期间的电费一致。
作为一例,第1模型学习部122将第3期间中的M天的期间设为虚拟的预测期间。另外,M天例如可以是几天或十几天、一周或几周这样的期间。优选M天与第1期间(N天)一致。作为一例,第1模型学习部122进行强化学习,以使预测期间的预测结果与预测期间的实际数据的差为0或小于预定的值,其中该预测期间的预测结果基于第3期间中的比预测期间靠前的期间的第1因子的值。
另外,第1因子的信息中的再生能源发电量是供给电力后产生的能量。例如,与一个时刻的电力供给量对应的再生能源发电量为比一个时刻向后偏移的时刻的信息。由此,第1模型学习部122可以使用第3期间中的比预测期间靠前的期间的除了再生能源发电量以外的第1因子的值、以及预测期间的再生能源发电量的预测值,来预测预测期间的电费等。由此,第1模型学习部122可以根据实际的各数据的取得定时,调节使用的数据以及预测的期间,提高学习的精度。
另外,第2模型学习部222可以根据第1因子和第2因子的值,来应用学习运行计划生成模型。例如,第2模型学习部222可以使用第3期间的电费、电解装置1000的运行数据、氢贮存量以及运行计划的实际数据中的至少一个,来学习运行计划生成模型。第2模型学习部222可以执行强化学习,以使使用运行计划生成模型来预测第3期间的电解装置1000的运行动作而得到的结果与所取得的第3期间的实际数据的差为0或小于预定的值。
作为一例,第2模型学习部222将第3期间中的M天的期间设为虚拟的预测期间。另外,M天例如可以是几天或十几天、一周或几周这样的期间。优选M天与第1期间(N天)一致。第2模型学习部222进行强化学习,以使预测期间的运行动作的预测结果与预测期间的实际数据的差为0或小于预定的值,其中该预测期间的运行动作的预测结果基于第3期间中的比预测期间靠前的期间的第1因子和第2因子的值。
在这种情况下,第2模型学习部222可以同样地使用第2模型生成部210在运行计划生成模型的生成中使用的第1条件、第2条件以及第3条件等。即,第2模型学习部222可以对运行计划生成模型进行强化学习,以满足3个条件同时降低氢生成成本。
接着,学习处理部40更新学习模型(S340)。学习处理部40可以按照每个预定的时间,来更新学习模型。例如,学习处理部40在开始自适应学习后仅在更新所需的初始更新期间继续进行自适应学习,然后执行学习模型的最初的更新,之后,按照每个一定期间反复更新。在此,优选初始更新期间为应生成的运行计划的期间即N天以上。另外,反复进行更新的一定期间可以是几个小时、十几个小时、一天、几十个小时或几天等。
例如,第1模型更新部120在初始更新期间后,按照每个第1更新期间来更新电费预测模型。另外,第2模型更新部220在初始更新期间后,按照每个第2更新期间来更新运行计划生成模型。第1更新期间和第2更新期间可以是不同的期间,代替于此,也可以是大致相同的期间。作为一例,第1更新期间和第2更新期间为1天。
接着,学习处理部40使用更新后的学习模型来预测电费(S350)。例如,电费预测部130使用更新后的电费预测模型以及第1因子的值,来预测第1期间的电费的变动。作为一例,电费预测部130将取得部10在初始更新期间取得的N天的第1因子的值应用于电费预测模型,来预测初始更新期间后的N天的电费的变动。
接着,运行计划生成部50使用更新后的学习模型,生成第1期间的电解装置1000的运行计划(S360)。例如,第1运行计划生成部230使用更新后的运行计划生成模型、电费预测部130的电费的预测结果以及第1因子的值,来生成第1期间的运行计划。作为一例,第1运行计划生成部230将取得部10在初始更新期间取得的N天的第2因子的值以及初始更新期间之后的N天的电费的变动的预测结果应用于运行计划生成模型中,来生成初始更新期间之后的N天的运行计划。
第1运行计划生成部230可以同样地使用第2模型生成部210在运行计划生成模型的生成中使用的第1条件、第2条件以及第3条件等。即,第1运行计划生成部230可以生成满足3个条件、同时降低氢生成成本的运行计划。优选第1运行计划生成部230生成使氢生成成本最小化的运行计划。
第1运行计划生成部230生成例如在第1期间中包含使电解装置1000运行的期间和不使电解装置1000运行的期间的运行计划。另外,第1运行计划生成部230也可以生成将使电解装置1000运行的期间与运行率一起示出的运行计划。优选第1运行计划生成部230生成运行率按时序变动的运行计划。第1运行计划生成部230例如生成每个一定时间的运行计划。第1运行计划生成部230可以生成每几十分钟、每1小时或每几小时的运行计划。
另外,第1运行计划生成部230可以在控制部60控制多个电解装置1000的情况下,生成针对该多个电解装置1000中的各个电解装置的运行计划。第1运行计划生成部230可以在多个电解装置1000为大致相同的电解装置的情况下,分别生成大致相同的运行计划。另外,第1运行计划生成部230可以在控制部60控制不同种类的电解装置、不同时期购入的电解装置、不同制造商的电解装置或者包括这些情况的组合的多个电解装置1000的情况下,根据各个电解装置1000分别生成不同的运行计划。
在这种情况下,第2模型生成部210可以生成与多个电解装置1000的运行台数个电解装置1000中的每一个电解装置1000分别对应或多个电解装置的每个组合分别对应的多个运行计划生成模型。另外,第2模型学习部222可以分别学习多个运行生成模型,第2模型更新部220可以分别更新多个运行生成模型。第1运行计划生成部230也可以使用多个运行计划生成模型中的、与第1期间的多个电解装置1000的运用预定对应的运行计划生成模型,来生成第1期间的电解装置的运行计划。在此,运用预定可以是电解装置1000应满足的、预定的氢的供给计划。
控制部60使用运行计划生成部50所生成的运行计划,使电解装置1000运行N天(S370)。由此,电解装置1000能够在第1期间进行运行以满足预定的氢的供给计划、同时降低氢生成成本。
当计划装置100在经过第1期间后使电解装置1000继续运行时(S380:否),返回S330,使学习处理部40对学习模型进行自适应地学习。在该情况下,取得部10依次取得该第1期间的第1因子的信息以及由于该第1期间的电解装置1000的运行而变动的第2因子的信息,并依次存储在存储部20中。即,计划装置100将第1期间的信息包含于过去的信息中,将应预测的对象期间设为比第1期间靠后的期间(作为一例,为第4期间)。
并且,计划装置100使用第1期间的信息反复进行模型的自适应学习,根据一定期间的经过来更新模型,生成第4期间的电解装置1000的运行计划,根据所生成的运行计划使电解装置1000运行。这样,通过反复进行电解装置1000的对象期间的运行计划的生成以及该对象期间的运行,从而本实施方式所涉及的计划装置100能够更新学习模型,同时使电解装置1000继续运行。
在以上的计划装置100的动作流程中,说明了以第2期间、第3期间、第1期间以及第4期间的顺序,使计划装置100按照时序进行动作的示例。在此,第2期间、第3期间、第1期间及第4期间可以是按照该顺序在时间上连续的期间。优选至少第1期间和第4期间为连续的期间。
以上说明了本实施方式所涉及的计划装置100根据电费的变动以及电解装置1000的运行状态等,通过学习生成运行计划的情况。在此,优选为了避免电解装置1000因异常动作和故障而停止运行,从而定期地进行维护。在这种情况下,电解装置1000由于维护等有时会停止一定期间,运行状态有时会发生变动。由此,计划装置100可以执行考虑了由维护等引起的运行状态的变动的学习。下面对这样的计划装置100进行说明。
图4示出本实施方式所涉及的计划装置100的第3结构例。在第3结构例的计划装置100中,对与图2所示的第2结构例的计划装置100的动作大致相同的部分赋予相同的标号,并省略说明。另外,图4示出省略了计划装置100的取得部10的结构。
第3结构例的计划装置100具有第3模型生成部310、第3模型更新部320以及维护计划生成部330,并预测将来的由电解装置1000的维护引起的运行状态的变动。在这种情况下,模型生成部30可以具有第3模型生成部310,此外,学习处理部40可以具有第3模型更新部320以及维护计划生成部330。
在第3结构例的存储部20中,取得部10还取得第3因子,并存储在存储部20中。第3因子可以包括电解装置1000的过去的维护计划。第3因子可以包括能够执行维护的人员、装置以及更换部件等的配置的信息。另外,第3因子也可以包括电解装置1000过去执行维护的时期、期间、内容以及由维护引起的电解装置1000的运行率的变动等的信息。
另外,在第3结构例的计划装置100中,可以是取得部10从外部等取得对电解装置1000的异常和劣化进行预测的预测数据,作为第3因子的信息而存储在存储部20中。在该情况下,对于预测数据,可以预想在与从过去的电解装置1000运行直到发生异常和劣化为止的期间同等的期间,会发生下一次的异常和劣化。另外,预测数据可以将作为使不同的同型电解装置1000运行的结果、即所取得的异常和劣化的历史用作电解装置1000的预测数据。
第3模型生成部310根据在对象期间之前能够得到的第3因子的值,来生成维护计划生成模型。第3模型生成部310可以使用与对象期间相比过去的信息,通过被称为事前学习或离线学习等的处理,来生成维护计划生成模型。
第3模型生成部310将例如回归分析、贝叶斯推理、神经网络、高斯混合模型以及隐马尔可夫模型等作为识别模型,通过执行强化学习,从而生成维护计划生成模型。另外,维护计划生成模型是通过学习生成维护计划的模型,其中该维护计划包括执行维护的人员的配置、维护的时间表(schedule)、维护的内容以及电解装置1000的运行率等。
例如当在预定期间内预测到异常或劣化时,第3模型生成部310进行强化学习而生成维护计划生成模型,以便在发生该异常或劣化的日期时间之前开始或完成维护。另外,根据异常和劣化的预测,将开始或完成维护的计划作为应作为目标的电解装置1000的维护计划。
作为一例,第3模型生成部310可以在图3中所说明的S320的动作中,生成维护计划生成模型。即,第3模型生成部310根据第2期间的第3因子的值,来生成维护计划生成模型。第3模型生成部310将所生成的维护计划生成模型作为第3模型提供给第3模型更新部320。
第3模型更新部320通过学习来更新维护计划生成模型。第3模型更新部320具有第3模型学习部322,并根据第3模型学习部322的学习结果,来更新维护计划生成模型。第3模型更新部320可以按照例如每个预定的第3更新期间,将第3模型学习部322进行了学习的维护计划生成模型更新为新的维护计划生成模型。代替于此,第3模型更新部320也可以根据第3模型学习部322进行了预定的次数的学习的情况,来更新维护计划生成模型。
第3模型学习部322可以通过被称为自适应学习或在线学习等的处理,来学习维护计划生成模型。第3模型学习部322例如将回归分析、贝叶斯推理、神经网络、高斯混合模型及隐马尔可夫模型等作为识别模型,来对维护计划生成模型进行强化学习。优选第3模型学习部322进一步使用在时间上比第3模型生成部310在维护计划生成模型的生成中使用的第3因子的信息靠后的信息,来进行学习。
第3模型学习部322使用由于实际的电解装置1000的运行而更新的第3因子的信息,来学习维护计划生成模型。即,第3模型学习部322基于过去期间的第3因子的值以及在过去期间以后应作为目标的电解装置1000的维护计划,来学习维护计划生成模型。
第3模型学习部322可以根据第3因子的信息被更新的情况,来执行维护计划生成模型的学习。第3模型学习部322在第3模型更新部320的第3更新期间内,执行一次或多次学习。作为一例,第3模型生成部310可以在图3中所说明的S330的动作中,自适应地学习维护计划生成模型,在S340的动作中,更新维护计划生成模型。
例如,第3模型更新部320在图3中所说明的初始更新期间之后,按照每个第3更新期间来更新维护计划生成模型。第3更新期间和第1更新期间可以是不同的期间,代替于此,也可以是大致相同的期间。作为一例,第3更新期间为1天。第3模型更新部320将更新后的维护计划生成模型提供给维护计划生成部330。
维护计划生成部330使用更新后的维护计划生成模型,来生成将来的第1期间的电解装置1000的维护计划。维护计划生成部330根据包括第1期间的电解装置1000的异常预测的第3因子的值,来生成第1期间的电解装置的维护计划。
维护计划生成部330例如按照每个预定的期间,来生成将来的该预定的期间的维护计划。维护计划生成部330例如将将来的预定的期间即将开始之前的期间内的第3因子的信息应用于维护计划生成模型,来生成维护计划。作为一例,维护计划生成部330可以在图3中所说明的S350的动作中生成维护计划。
在这种情况下,维护计划生成部330将取得部10在初始更新期间取得的N天的第3因子的值应用于维护计划生成模型,来生成初始更新期间之后的第1期间的N天的维护计划。维护计划生成部330将生成的维护计划提供给运行计划生成部50。
第3结构例的运行计划生成部50还根据第1期间的电解装置1000的维护计划,来生成第1期间的电解装置1000的运行计划。第1运行计划生成部230也可以同样地使用第2模型生成部210在运行计划生成模型的生成中使用的第1条件、第2条件及第3条件等,并在此基础上还加上第4条件,即按照依据维护计划的电解装置1000的运行台数以及运行率进行运行的条件。即,第1运行计划生成部230可以生成满足4个条件、同时降低氢生成成本的运行计划。优选第1运行计划生成部230生成使氢生成成本最小化的运行计划。
如上所述,第3结构例的计划装置100由于考虑通过学习而生成的维护计划来生成运行计划,因此能够执行更高精度的电解装置1000的控制。另外,对第3结构例的计划装置100从外部等取得预测电解装置1000的异常和劣化的预测数据的示例进行了说明。代替于此,计划装置100也可以预测电解装置1000的异常和劣化。另外,计划装置100也可以通过学习来预测电解装置1000的异常和劣化。接着,对这种计划装置100进行说明。
图5示出本实施方式所涉及的计划装置100的第4结构例。在第4结构例的计划装置100中,对与图4所示的第3结构例的计划装置100的动作大致相同的部分赋予相同的标号,并省略说明。另外,图5示出省略了计划装置100的取得部10的结构。
第4结构例的计划装置100具有第4模型生成部410、第4模型更新部420以及异常预测部430,并预测将来的电解装置1000的异常动作等。在这种情况下,模型生成部30可以具有第4模型生成部410,此外,学习处理部40可以具有第4模型更新部420以及异常预测部430。
在第4结构例的存储部20中,取得部10还取得第4因子,并存储在存储部20中。第4因子包括对象期间之前的电解装置1000的运行状况。第4因子可以包括电解装置1000在过去发生的异常和劣化等的历史。第4因子例如包括异常和劣化等的发生时间、修理期间、异常和劣化等发生的时间前后的电解装置1000的运行率以及异常和劣化等的内容等。
此外,第4因子可以包括电解装置1000的检查结果以及基于维护结果的部件等的磨损、疲劳和劣化的程度等信息。另外,第4因子也可以包括由部件制造商推荐的部件的更换时期的信息、以及该部件的使用时间或者从搭载于该电解装置1000起经过的时间等的信息。
第4模型生成部410根据在对象期间之前能够得到的第4因子的值,来生成异常预测模型。第4模型生成部410可以使用比对象期间更过去的信息,通过被称为事前学习或离线学习等的处理,来生成异常预测模型。第4模型生成部410例如使用回归分析、贝叶斯推理、神经网络、高斯混合模型以及隐马尔可夫模型等,来生成异常预测模型。另外,异常预测模型是通过学习,根据第4因子的值,来生成对象期间的电解装置1000的异常预测的模型。
作为一例,第4模型生成部410可以在图3中所说明的S320的动作中,生成异常预测模型。即,第4模型生成部410根据第2期间的第4因子的值,来生成异常预测模型。第4模型生成部410将所生成的异常预测模型作为第4模型提供给第4模型更新部420。
第4模型更新部420根据过去期间的第4因子的值和过去期间以后的异常发生状况,通过学习来更新异常预测模型。第4模型更新部420具有第4模型学习部422,并根据第4模型学习部422的学习结果,来更新异常预测模型。第4模型更新部420例如可以按照每个预定的第4更新期间,将第4模型学习部422进行了学习的异常预测模型更新为新的异常预测模型。代替于此,第4模型更新部420也可以根据第4模型学习部422进行了预定的次数的学习的情况,来更新运行计划生成模型。
第4模型学习部422可以通过被称为自适应学习或者在线学习等的处理,来学习异常预测模型。第4模型学习部422例如将回归分析、贝叶斯推理、神经网络、高斯混合模型及隐马尔可夫模型等作为识别模型,来强化学习异常预测模型。优选第4模型学习部422进一步使用在时间上比第4模型生成部410在异常预测模型的生成中使用的第4因子的信息靠后的信息来进行学习。
第4模型学习部422使用由于实际的电解装置1000的运行而更新后的第4因子的信息,来学习异常预测模型。即,第4模型学习部422根据过去期间的第4因子的值以及过去期间以后的异常发生状况,来学习异常预测模型。
第4模型学习部422可以根据第4因子的信息被更新的情况,来执行异常预测模型的学习。第4模型学习部422在第4模型更新部420的第4更新期间内,执行一次或多次学习。作为一例,第4模型更新部420可以在图3中所说明的S330的动作中,自适应地学习异常预测模型,在S340的动作中,更新异常预测模型。
例如,第4模型更新部420在图3中所说明的初始更新期间后,按照每个第4更新期间来更新异常预测模型。第4更新期间和第1更新期间可以是不同的期间,代替于此,也可以是大致相同的期间。作为一例,第4更新期间为1天。第4模型更新部420将更新后的异常预测模型提供给异常预测部430。
异常预测部430使用更新后的异常预测模型,来生成对象期间的电解装置1000的异常预测,使用异常预测模型生成第1期间的异常预测。异常预测部430根据包括第1期间的电解装置1000的异常预测的第4因子的值,来生成第1期间的电解装置的异常预测。
异常预测部430例如按照每个预定的期间,来生成将来的该预定的期间的异常预测。异常预测部430例如将即将应该预测异常预测的期间之前的期间的第4因子的信息应用于异常预测模型,来生成异常预测。作为一例,异常预测部430可以在图3中所说明的S350的动作中,生成异常预测。
在这种情况下,异常预测部430将取得部10在初始更新期间取得的第2期间的N天的第4因子的值应用于异常预测模型,来生成初始更新期间之后的第1期间的N天的异常预测。异常预测部430将所生成的异常预测作为新的第3因子而存储在存储部20中。代替于此,异常预测部430可以将所生成的异常预测作为新的第3因子,提供给第3模型生成部和第3模型更新部320。
另外,由异常预测部430进行的第3因子的供给从第1期间开始。因此,第4结构例的计划装置100可以在比第1期间靠前的第2期间和第3期间,将第4模型生成部410和第4模型学习部422通过学习而输出的、更新前的异常预测模型的预测结果用作第3因子。另外,与第3结构例的计划装置100同样地,第4结构例的计划装置100也可以在该第2期间和第3期间中,使用通过学习以外的动作而生成的异常预测作为初始值。
如上所述,第4结构例的计划装置100能够根据通过学习更正确地预测出的电解装置1000的异常动作,来生成维护计划。即,计划装置100能够通过学习预测异常动作和故障等,并生成维护计划,以便能够预先执行维护以使装置的运行状态不发生大幅变动。并且,第4结构例的计划装置100生成考虑了这种维护计划的运行计划,因此能够执行精度更高、且降低了成本的电解装置1000的控制。
如上所述,对本实施方式所涉及的计划装置100通过学习生成电解装置1000的运行计划的情况进行了说明。这样的计划装置100也可以与通过与学习不同的逻辑(logic)来生成运行计划的动作相组合。例如,有时计划装置100的基于学习的运行计划的精度根据学习的次数和/或时间而提高。在这种情况下,计划装置100也可以通过逻辑生成运行计划,直到运行计划的精度提高为止。接着对这种计划装置100进行说明。
图6示出本实施方式所涉及的摄像装置100的第5结构例。在第5结构例的计划装置100中,对与图1至图5中所说明的本实施方式所涉及的计划装置100的动作大致相同的部分赋予相同的标号,并省略说明。第5结构例的计划装置100可以是第1结构例至第4结构例的计划装置100中的任意一个计划装置100的运行计划生成部50还具有第2运行计划生成部510以及运行计划选择部520的结构。
第2运行计划生成部510通过不进行学习的预定的逻辑,根据比第1期间靠前的第2因子的值以及第1期间的电费的变动的预测结果,来生成第1期间的电解装置1000的运行计划。第2运行计划生成部510可以与第1运行计划生成部230并行地生成运行计划。关于预定的逻辑进行后述。
运行计划选择部520在第1运行计划生成部230所生成的运行计划不满足预定的制约的情况下,选择第2运行计划生成部510所生成的运行计划。运行计划选择部520例如在基于第1运行计划生成部230的运行计划的第1期间的氢生成成本小于基于第2运行计划生成部510的第1期间的氢生成成本的情况下,选择第2运行计划生成部510的运行计划。
此外,运行计划选择部520可以在计划装置100的学习次数和/或学习时间小于预定的阈值的情况下,选择第2运行计划生成部510的运行计划。另外,运行计划选择部520可以在计划装置100停止多个电解装置1000中的一个以上的电解装置1000的运行而执行维护的情况下,选择第2运行计划生成部510的运行计划。
由此,第5结构例的计划装置100在学习不充分或学习困难的情况下,采取基于逻辑的运行计划,来控制电解装置1000。由此,计划装置100在初始期间以及维护执行期间,也能够使电解装置1000稳定地运行而降低氢生成成本。接着对这种电解装置1000的第2运行计划生成部510所使用的逻辑进行说明。
图7示出本实施方式所涉及的第2运行计划生成部510的动作流程的一例。第2运行计划生成部510可以执行图7所示的动作流程,来生成电解装置1000的运行计划。在本实施方式中,对第2运行计划生成部510生成第1期间(N天)的运行计划的示例进行说明。
第2运行计划生成部510生成如下所述的运行计划:在第1期间中,满足电解装置1000的生成物的使用计划,且相比被预测为电费更高的期间,优先使电解装置1000在被预测为电费更低的期间运行。由此,首先,第2运行计划生成部510根据第1期间的电费的变动,选择在第1期间应生成氢的电费低的时间段(S710)。
第2运行计划生成部510选择应生成氢的时间段,以使电解装置1000生成并供给的氢的量满足预定的供给计划。另外,供给计划有时是按照每个预定的期间供给氢的计划。例如,对于供给计划,设定第1期间的氢的总供给数以及按每个期间Q供给氢的量。期间Q是比第1期间短的期间,作为一例,是1天。
并且,第2运行计划生成部510还生成在第1期间内,将生成物的贮存量维持在基准范围内的运行计划。例如,第2运行计划生成部510计算在第1期间,电解装置1000在所选择的时间段运行而生成氢、按照每个期间Q供给氢的情况下的氢的贮存量V的变动(S720)。接着,第2运行计划生成部510按照每个期间Q判断氢的贮存量V是否低于预定的阈值Th1(S730)。
第2运行计划生成部510在氢的贮存量V低于预定的阈值Th1的情况下(S730:是),更新电解装置1000的运行计划。第2运行计划生成部510例如使氢的贮存量V减少的期间Q内的电解装置1000的运行时间增加预定的一定时间(S740)。第2运行计划生成部510选择电费低的时间段来使运行时间增加。返回到S720,第2运行计划生成部510计算基于更新后的运行计划的氢的贮存量V的变动。第2运行计划生成部510可以在第1期间内,反复地进行从S720到S740的动作,直至氢的贮存量V不低于预先设定的阈值Th1(S730:否)为止。
接着,第2运行计划生成部510按照每个期间Q判断氢的贮存量V是否超过预定的阈值Th2(S750)。第2运行计划生成部510在氢的贮存量超过预定的阈值Th2的情况下(S750:是),更新电解装置1000的运行计划。第2运行计划生成部510使氢的贮存量V增加的期间Q内的电解装置1000的运行时间减少预定的一定时间(S760)。第2运行计划生成部510选择电费高的时间段来使运行时间减少。
返回到S720,第2运行计划生成部510计算基于更新后的运行计划的氢的贮存量V的变动。第2运行计划生成部510可以在第1期间反复地进行从S720到S760的操作,直至氢的贮存量V维持在预定的阈值Th1和Th2的范围内(S730:否、S750:否)为止。
第2运行计划生成部510也可以在运行计划使得氢的贮存量能够维持在基准范围内的情况下,输出该运行计划(S770)。另外,第2运行计划生成部510可以在即使经过了预定的一定期间也不能输出运行计划而使动作流程循环的情况下,向外部输出“不能生成”的警告等。在这种情况下,运行计划选择部520可以选择第1运行计划生成部230的运行计划。第2运行计划生成部510可以每当经过第1期间,就生成下一个第1期间的运行计划。如以上的示例所示,第2运行计划生成部510使用不进行学习的预定的逻辑来生成电解装置1000的运行计划。
对以上的本实施方式所涉及的计划装置100通过学习预测电费,同时生成电解装置1000的运行计划的示例进行了说明。代替于此,计划装置100也可以使用从外部供给的电费的预测结果来生成运行计划。下面对这种计划装置100进行说明。
图8示出本实施方式所涉及的计划装置100的第6结构例。在第6结构例的计划装置100中,对与图2所示的第2结构例的计划装置100的动作大致相同的部分赋予相同的标号,并省略说明。在第6结构例的计划装置100中,取得部10从外部取得包含电费的预测结果的电费信息。因此,第6结构例的计划装置100也可以不具有第1模型生成部110、第1模型更新部120以及电费预测部130。
第6结构例的第2模型生成部210可以根据电费的信息以及第2因子的值来生成运行计划生成模型。另外,第2模型更新部220通过学习来更新运行计划生成模型。并且,运行计划生成部50根据从外部取得的将来的电费的变动,来生成将来的第1期间的电解装置1000的运行计划。由此,控制部60能够根据运行计划生成部50所生成的运行计划,使电解装置1000运行。
另外,第6结构例的计划装置100示出了图2所示的第2结构例的计划装置100使用从外部供给的电费的预测结果的示例,但不限于此。作为第6结构例的计划装置100,可以是图4至图6所示的第3结构例至第5结构例的计划装置100中的任一个计划装置100使用从外部供给的电费的预测结果的结构。在这种情况下,与图8同样地,计划装置100也可以不具有第1模型生成部110、第1模型更新部120以及电费预测部130。
对以上的本实施方式所涉及的计划装置100根据将来的电费的变动,来生成将来的第1期间的电解装置1000的运行计划的情况进行了说明。在此,由于将来的电费的变动使用预测的值,因此实际的电费有时会突发地大幅偏离预测值。在这种情况下,即使使用计划装置100的运行计划,也可能导致无法降低氢的制造成本。因此,控制部60可以根据这样的突发性的变动,执行与运行计划不同的电解装置1000的控制。
例如,控制部60在根据运行计划不使电解装置1000运行的预定期间,根据电费比预测低的情况,在该期间使电解装置1000运行,以代替将来以更高的电费使电解装置1000运行。作为一例,控制部60在不使电解装置1000运行的期间,在电费小于预定的第1阈值的情况下,使电解装置1000运行。另外,控制部60可以在使电解装置1000运行的期间,在电费超过预定的第2阈值的情况下,使电解装置1000的运行停止、或者使运行率降低。
由此,计划装置100能够与突发性的电费变动对应地修正运行计划。另外,本实施方式所涉及的计划装置100使用电解装置1000的运行结果,通过学习生成下一个运行计划,所以即使控制部60执行偏离了运行计划的控制,也能够通过学习来修正运行计划,能够在整个期间内实现稳定的动作,能够使氢的制造成本降低。
对以上的本实施方式所涉及的计划装置100生成运行计划以使电解装置1000生成并供给的氢的量满足预定的供给计划的情况进行了说明。但是,有时也会发生实际的电解装置1000的氢的供给量与供给计划不同的情况。例如,有时由于电解装置1000的供给目标的不良情况、故障以及消耗调整等,导致供给量比供给计划减少。在该情况下,导致电解装置1000的氢的贮存量比预想的增加。由此,控制部60可以根据电解装置1000的氢的贮存量,来调节电解装置1000的运行。
例如,控制部60根据基于运行计划使电解装置1000运行的期间内电解装置1000的生成物的贮存量达到上限值以上的情况,使电解装置1000的运行停止。由此,控制部60能够防止电解装置1000的氢的贮存量超过上限。
另外,例如,有时电解装置1000的供给量比供给计划增加。在该情况下,电解装置1000的氢的贮存量比预想的减少。由此,控制部60可以根据电解装置1000的氢的贮存量,来调节电解装置1000的运行。
例如,控制部60根据在根据运行计划使电解装置1000停止的期间内电解装置1000的生成物的贮存量成为下限值以下的情况,使电解装置1000的运行开始。由此,控制部60能够防止电解装置1000的氢的贮存量低于下限。
对以上的图2至图8所示的第2结构例至第6结构例的计划装置100根据将来的电费的变动,来生成将来的第1期间的电解装置1000的运行计划的情况进行了说明。在此,计划装置100也可以在不进行电费的变动的预测的情况下生成电解装置1000的运行计划。例如,计划装置100可以是图1所示的结构,也可以根据取得部10取得的所有因子,来生成用于生成运行计划的模型并进行学习。
在该情况下,取得部10取得包括在对象期间应作为目标的电解装置的运行计划以及在对象期间之前能够得到的因子的值的学习数据。能够得到的因子可包括第1因子和第2因子。除此之外,可以得到第3因子,并且还可以得到第3因子和第4因子。
此外,模型生成部30生成运行计划生成模型,该运行计划生成模型基于在对象期间之前能够得到的因子,生成对象期间的运行计划。这种情况下的运行计划生成模型可以根据第1因子和第2因子生成运行计划。另外,该情况下的运行计划生成模型可以是整合了第1模型和第2模型而得到的模型。
代替于此,运行计划生成模型可以根据第1因子到第3因子,来生成运行计划。另外,该情况下的运行计划生成模型可以是整合了第1模型至第3模型而得到的模型。代替于此,运行计划生成模型可以根据第1因子到第4因子,来生成运行计划。另外,该情况下的运行计划生成模型可以是整合了第1模型至第4模型而得到的模型。可以通过事先学习来生成运行计划生成模型。
另外,学习处理部40根据所取得的学习数据,来学习运行计划生成模型。学习处理部40可以通过自适应学习来学习运行计划生成模型。此外,学习处理部40也可以按照每个预定的期间,来更新运行计划生成模型。
此外,运行计划生成部50根据第1期间之前的因子的值,使用运行计划生成模型来生成运行计划,该运行计划包括在第1期间内的各时刻是否使电解装置1000运行的内容。如上所述,第1结构例的计划装置100通过将生成运行计划的模型生成为考虑了电费的变动的一个模型,并通过学习来更新,从而也能够输出高精度的运行计划。由此,控制部60能够根据运行计划来控制电解装置1000。
根据以上的本实施方式所涉及的计划装置100,由于通过学习生成电解装置1000的运行计划,因此能够防止或减少氢的制造量不足、以及在高电费的时间段生成氢等情况的发生。另外,计划装置100预测电费,同时生成电解装置1000的运行计划,因此能够生成精度更高的运行计划。
图9示出了本发明的多个方面可以被整体地或部分地实现的计算机1200的示例。安装在计算机1200中的程序能够使计算机1200作为与本发明的实施方式所涉及的装置相关联的操作或该装置的一个或多个“部”发挥功能,或者使计算机1200执行该操作或该一个或多个“部”,和/或使计算机1200执行本发明的实施方式所涉及的过程或该过程的阶段。这种程序可以由使计算机1200应执行在本说明书中记载的流程以及与框图中的块中的一些或全部相关联的特定操作的CPU1212来执行。
本实施方式所涉及的计算机1200包括CPU1212、RAM1214、图形控制器1216以及显示设备1218,它们通过主机控制器1210相互连接。计算机1200还包括通信接口1222、硬盘驱动器1224、DVD-ROM驱动器1226以及诸如IC卡驱动器这样的输入输出部,他们经由输入输出控制器1220与主机控制器1210连接。计算机还包括ROM1230和键盘1242这样的传统的输入输出部,它们通过输入输出芯片1240与输入输出控制器1220连接。
CPU1212按照ROM1230及RAM1214内存储的程序进行动作,由此控制各单元。图形控制器1216在RAM1214内提供的帧缓冲器等或该图形控制器1216自身中,取得由CPU1212生成的图像数据,在显示设备1218上显示图像数据。
通信接口1222通过网络与其它电子设备通信。硬盘驱动器1224存储由计算机1200中的CPU1212使用的程序和数据。DVD-ROM驱动器1226从DVD-ROM1201读取程序或数据,经由RAM1214向硬盘驱动器1224提供程序或数据。IC卡驱动器从IC卡读取程序和数据,和/或向IC卡写入程序和数据。
ROM1230在内部存储在激活时由计算机1200执行的引导程序(boot program)等,和/或依赖于计算机1200的硬件的程序。输入输出芯片1240还可以将各种输入输出单元经由并行端口、串行端口、键盘端口、鼠标端口等与输入输出控制器1220连接。
由诸如DVD-ROM1201或IC卡之类的计算机可读存储介质来提供程序。对于程序,从计算机可读存储介质读取,安装于作为计算机可读存储介质的示例的硬盘驱动器1224、RAM1214或者ROM1230中,由CPU1212执行。在这些程序中描述的信息处理被计算机1200读取,具有程序与上述各种类型的硬件资源之间的协作。可以通过按照计算机1200的使用来实现信息的操作或处理,从而构成装置或方法。
例如,当在计算机1200和外部设备之间执行通信时,CPU1212可以执行加载到RAM1214中的通信程序,并根据在通信程序中描述的处理,命令通信接口1222进行通信处理。通信接口1222在CPU1212的控制下,读取在RAM1214、硬盘驱动器1224、DVD-ROM1201或者IC卡这样的记录介质内提供的发送缓冲区域中存储的发送数据,并将所读取的发送数据发送到网络,或者将从网络接收到的接收数据写入到在记录介质上提供的接收缓冲区域等中。
另外,CPU1212可以将硬盘驱动器1224、DVD-ROM驱动器1226(DVD-ROM1201)、IC卡等外部记录介质中存储的文件或数据库的全部或必要的部分读取到RAM1214,并对RAM1214上的数据执行各种类型的处理。接着,CPU1212可以将处理后的数据写回到外部记录介质。
可以将各种类型的程序、数据、表格和数据库这样的各种类型的信息存储在记录介质中,以进行信息处理。CPU1212对从RAM1214读取的数据执行本公开中所记载的、包括由程序的指令序列指定的各种类型的操作、信息处理、条件判断、条件分支、无条件分支、信息检索/替换等在内的各种类型的处理,并且将结果写回到RAM1214。另外,CPU1212也可以检索记录介质内的文件、数据库等中的信息。例如,当在记录介质中存储有分别具有与第2属性的属性值相关联的第1属性的属性值的多个条目时,CPU1212从该多个条目中检索与指定有第1属性的属性值的条件一致的条目,读取该条目内存储的第2属性的属性值,由此,可以取得与满足预定的条件的第1属性相关联的第2属性的属性值。
以上的说明所涉及的程序或软件模块可以存储在计算机1200上或计算机1200附近的计算机可读存储介质中。另外,在与专用通信网络或因特网连接的服务器系统内提供的硬盘或RAM这样的记录介质可用作计算机可读存储介质,由此,经由网络向计算机1200提供程序。
以上,使用实施方式对本发明进行了说明,但本发明的技术范围并不限定于上述实施方式所记载的范围。能够对上述实施方式增加各种变更或改良,对本领域的技术人员来说是显而易见的。根据权利要求书的记载可知,增加了该变更或改良的方式也包含在本发明的技术范围内。
应注意的是对于权利要求书、说明书以及附图中所示的装置、系统、程序以及方法中的动作、过程、步骤以及阶段等各处理的执行顺序,除非特别指明“之前”、“在之前”等,以及在后续处理中使用先前处理的输出,否则可以以任何顺序实现。关于权利要求书、说明书以及附图中的动作流程,为了便于说明,而使用“首先”、“接着”等进行了说明,并不意味着必须按照该顺序来实施。
标号说明:
10取得部、20存储部、30模型生成部、40学习处理部、50运行计划生成部、60控制部、100计划装置、110第1模型生成部、120第1模型更新部、122第1模型学习部、130电费预测部、210第2模型生成部、220第2模型更新部、222第2模型学习部、230第1运行计划生成部、310第3模型生成部、320第3模型更新部、322第3模型学习部、330维护计划生成部、410第4模型生成部、420第4模型更新部、422第4模型学习部、430异常预测部、510第2运行计划生成部、520运行计划选择部、1000电解装置,1200计算机,1201DVD-ROM,1210主机控制器,1212CPU,1214RAM,1216图形控制器、1218显示设备、1220输入输出控制器、1222通信接口、1224硬盘驱动器、1226DVD-ROM驱动器、1230ROM、1240输入输出芯片、1242键盘
Claims (26)
1.一种计划装置,其中,所述计划装置具有:
电费预测部,其使用电费预测模型来预测将来的电费的变动,其中所述电费预测模型根据在对象期间之前能够得到的第1因子的值来预测对象期间的电费的变动;以及
运行计划生成部,其根据预测出的所述将来的电费的变动,生成将来的第1期间的电解装置的运行计划。
2.根据权利要求1所述的计划装置,其中,
所述电费预测模型根据包含对象期间之前的电费、电力需求量、电力供给量、再生能源发电量、再生能源发电量的预测值以及天气信息中的至少一个的所述第1因子的值,来预测对象期间的电费的变动。
3.根据权利要求1或2所述的计划装置,其中,所述计划装置还具有:
第1模型更新部,其根据过去期间的所述第1因子的值以及所述过去期间以后的电费的实际的变动,通过学习来更新所述电费预测模型。
4.根据权利要求1至3中的任一项所述的计划装置,其中,
所述运行计划生成部具有第1运行计划生成部,该第1运行计划生成部使用运行计划生成模型,生成将来的所述第1期间的所述电解装置的运行计划,其中所述运行计划生成模型根据在对象期间之前能够得到的第2因子的值以及对象期间的电费的变动的预测结果,生成对象期间的运行计划。
5.根据权利要求4所述的计划装置,其中,
所述运行计划生成模型根据包括对象期间之前的所述电解装置的运行数据以及所述电解装置的氢贮存量中的至少一个的所述第2因子的值、以及对象期间的电费的变动的预测结果,生成对象期间的所述电解装置的运行计划。
6.根据权利要求4或5所述的计划装置,其中,所述计划装置还具有:
第2模型更新部,其根据过去期间的所述第2因子的值、所述过去期间以后的电费的变动或者电费的变动的预测结果、以及在所述过去期间以后应作为目标的所述电解装置的运行计划,通过学习来更新所述运行计划生成模型。
7.根据权利要求4至6中的任一项所述的计划装置,其中,
所述运行计划生成部还具有:
第2运行计划生成部,其通过不进行学习的预定的逻辑,根据所述第1期间之前的所述第2因子的值以及所述第1期间的电费的变动的预测结果,生成所述第1期间的所述电解装置的运行计划;以及
运行计划选择部,其在所述第1运行计划生成部所生成的运行计划不满足预定的限制的情况下,选择所述第2运行计划生成部所生成的运行计划。
8.根据权利要求7所述的计划装置,其中,
所述第2运行计划生成部生成如下的运行计划:该运行计划在所述第1期间内满足所述电解装置的生成物的使用计划,并且相比被预测为电费更高的期间,优先地使所述电解装置在被预测为电费更低的期间运行。
9.根据权利要求8所述的计划装置,其中,
所述第2运行计划生成部生成在所述第1期间内还将所述生成物的贮存量维持在基准范围内的运行计划。
10.根据权利要求4至9中的任一项所述的计划装置,其中,
所述第1运行计划生成部使用与多个所述电解装置的运行台数个电解装置中的每一个电解装置分别对应或者多个所述电解装置的每个组合分别对应的多个运行计划生成模型中的、与所述第1期间的所述多个电解装置的运用预定对应的运行计划生成模型,生成所述第1期间的所述电解装置的运行计划。
11.根据权利要求1至10中的任一项所述的计划装置,其中,
所述运行计划生成部还根据所述第1期间的所述电解装置的维护计划,生成所述第1期间的所述电解装置的运行计划。
12.根据权利要求11所述的计划装置,其中,所述计划装置还具有:
维护计划生成部,其使用维护计划生成模型,生成将来的所述第1期间的所述电解装置的维护计划,其中所述维护计划生成模型根据在对象期间之前能够得到的第3因子的值来生成对象期间的维护计划。
13.根据权利要求12所述的计划装置,其中,所述计划装置还具有:
第3模型更新部,其根据过去期间的所述第3因子的值以及在所述过去期间以后应作为目标的所述电解装置的维护计划,通过学习来更新所述维护计划生成模型。
14.根据权利要求12或13所述的计划装置,其中,
所述维护计划生成部根据包括所述第1期间的所述电解装置的异常预测的所述第3因子的值,生成所述第1期间的所述电解装置的维护计划。
15.根据权利要求14所述的计划装置,其中,所述计划装置还具有:
异常预测部,其使用异常预测模型来生成所述第1期间的异常预测,其中所述异常预测模型根据在对象期间之前能够得到的第4因子的值来生成对象期间的所述电解装置的异常预测。
16.根据权利要求15所述的计划装置,其中,
所述异常预测模型根据包括对象期间之前的所述电解装置的运行状况的所述第4因子的值,生成对象期间的异常预测。
17.根据权利要求15或16所述的计划装置,其中,所述计划装置还具有:
第4模型更新部,其根据过去期间的所述第4因子的值以及所述过去期间以后的异常发生状况,通过学习来更新所述异常预测模型。
18.根据权利要求1至17中的任一项所述的计划装置,其中,所述计划装置还具有:
控制部,其进行使用所述第1期间的所述电解装置的运行计划,使所述电解装置运行的控制。
19.根据权利要求18所述的计划装置,其中,
所述控制部根据在根据所述运行计划使所述电解装置运行的期间内、所述电解装置的生成物的贮存量成为上限值以上的情况,使所述电解装置的运行停止。
20.根据权利要求18或19所述的计划装置,其中,
所述控制部根据在根据所述运行计划使所述电解装置停止的期间内、所述电解装置的生成物的贮存量成为下限值以下的情况,使所述电解装置的运行开始。
21.根据权利要求18至20中的任一项所述的计划装置,其中,
所述控制部在根据所述运行计划不使所述电解装置运行的预定的期间内,根据电费比预测低的情况,在该期间使所述电解装置运行,以代替将来以更高的电费使所述电解装置运行。
22.根据权利要求1至21中的任一项所述的计划装置,其中,
所述电解装置是通过电解而生成氢的氢生成装置。
23.一种计划装置,其中,所述计划装置具有:
取得部,其取得学习数据,其中所述学习数据包括在对象期间应作为目标的电解装置的运行计划以及在对象期间之前能够得到的因子的值;
学习处理部,其根据所取得的所述学习数据来学习运行计划生成模型,其中所述运行计划生成模型根据在对象期间之前能够得到的因子来生成对象期间的运行计划;以及
运行计划生成部,其根据第1期间之前的所述因子的值,使用所述运行计划生成模型来生成如下的运行计划:该运行计划包含在所述第1期间内的各时刻是否使所述电解装置运行的内容。
24.一种电解装置的运行计划的生成方法,其中,所述生成方法包括如下步骤:
使用电费预测模型来预测将来的电费的变动,其中所述电费预测模型根据在对象期间之前能够得到的第1因子的值来预测对象期间的电费的变动;以及
根据预测出的所述将来的电费的变动,生成将来的第1期间的电解装置的运行计划。
25.一种程序,其中,所述程序使计算机作为权利要求1至23中的任一项所述的计划装置发挥功能。
26.一种氢制造方法,其中,所述氢制造方法包括如下步骤:
电费预测部使用电费预测模型来预测将来的电费的变动,其中所述电费预测模型根据在对象期间之前能够得到的第1因子的值来预测对象期间的电费的变动;
运行计划生成部根据预测出的所述将来的电费的变动,生成将来的第1期间的氢生成装置的运行计划;以及
所述氢生成装置根据所述运行计划来生成氢。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017184037 | 2017-09-25 | ||
JP2017-184037 | 2017-09-25 | ||
PCT/JP2018/034928 WO2019059321A1 (ja) | 2017-09-25 | 2018-09-20 | 計画装置、稼働計画の生成方法、水素製造方法、およびプログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111095341A true CN111095341A (zh) | 2020-05-01 |
Family
ID=65810321
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880057595.0A Pending CN111095341A (zh) | 2017-09-25 | 2018-09-20 | 计划装置、运行计划的生成方法、氢制造方法及程序 |
Country Status (6)
Country | Link |
---|---|
US (1) | US11620545B2 (zh) |
EP (1) | EP3690792A1 (zh) |
JP (1) | JP7061616B2 (zh) |
CN (1) | CN111095341A (zh) |
DE (1) | DE202018006783U1 (zh) |
WO (1) | WO2019059321A1 (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7237500B2 (ja) * | 2018-09-21 | 2023-03-13 | 旭化成株式会社 | 計画装置、方法、およびプログラム |
WO2020075771A1 (ja) * | 2018-10-12 | 2020-04-16 | 旭化成株式会社 | 計画装置、計画方法、および計画プログラム |
WO2020203520A1 (ja) * | 2019-03-29 | 2020-10-08 | 旭化成株式会社 | 装置、方法、およびプログラム |
US20220319240A1 (en) * | 2019-06-28 | 2022-10-06 | Horiba, Ltd. | Management system, maintenance schedule determination method, recording medium, and trained model generation method |
US20220186390A1 (en) * | 2020-12-10 | 2022-06-16 | Analog Devices, Inc. | Electrolyzers with bypassable bipolar plates |
CN118043501A (zh) * | 2021-11-15 | 2024-05-14 | 旭化成株式会社 | 运转支援装置、运转支援方法以及运转支援程序 |
EP4198655A1 (en) * | 2021-12-16 | 2023-06-21 | Abb Schweiz Ag | Establishing or improving a simulation model of an electrolyzer plant |
EP4212970A1 (en) * | 2022-01-17 | 2023-07-19 | Abb Schweiz Ag | Method for controlling operation of an electrolyzer plant |
JP7182025B1 (ja) | 2022-03-23 | 2022-12-01 | 旭化成株式会社 | 運転支援装置、運転支援方法および運転支援プログラム |
WO2023182286A1 (ja) * | 2022-03-23 | 2023-09-28 | 旭化成株式会社 | 運転支援装置、運転支援方法、運転支援システムおよび運転支援プログラム |
WO2024069801A1 (ja) * | 2022-09-28 | 2024-04-04 | 株式会社日立製作所 | 制御装置、制御方法、水素製造システム及び電力・水素供給システム |
CN115358806B (zh) * | 2022-10-17 | 2023-03-24 | 江苏赛亦尔智能电气科技有限公司 | 基于可再生能源发电的电氢综合能源系统成本优化方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001095044A (ja) * | 1999-09-27 | 2001-04-06 | Toshiba Corp | データ伝送システムとその通信装置 |
US20030182250A1 (en) * | 2002-03-19 | 2003-09-25 | Mohammad Shihidehpour | Technique for forecasting market pricing of electricity |
US20050165511A1 (en) * | 2004-01-23 | 2005-07-28 | Matthew Fairlie | Energy network |
US20140058534A1 (en) * | 2012-08-21 | 2014-02-27 | General Electric Company | Plant control optimization system |
CN103917954A (zh) * | 2012-11-09 | 2014-07-09 | 株式会社东芝 | 电力抑制型蓄电蓄热优化装置、优化方法以及优化程序 |
CN105324790A (zh) * | 2013-06-26 | 2016-02-10 | 三菱电机株式会社 | 供需计划装置、供需计划方法、供需计划程序及记录介质 |
JP2016103082A (ja) * | 2014-11-27 | 2016-06-02 | 住友電気工業株式会社 | 電力管理装置、電力システム、需要家装置、電力管理方法および電力管理プログラム |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5974403A (en) * | 1997-07-21 | 1999-10-26 | International Business Machines Corporation | Power trading and forecasting tool |
JPH11272323A (ja) * | 1998-03-19 | 1999-10-08 | Toshiba Corp | プラント制御システム |
JP2003216697A (ja) * | 2002-01-25 | 2003-07-31 | Ebara Corp | エネルギ管理ネットワーク・システム |
US8463616B2 (en) * | 2002-10-15 | 2013-06-11 | Invensys Systems, Inc. | Scheduling a process according to time-varying input prices |
CA2658107A1 (en) * | 2006-07-17 | 2008-01-24 | Syntha Corporation | Systems and methods for calculating and predicting near term production cost, incremental heat rate, capacity and emissions of electric generation power plants based on current operating and, optionally, atmospheric conditions |
US8600571B2 (en) * | 2008-06-19 | 2013-12-03 | Honeywell International Inc. | Energy optimization system |
US8080887B2 (en) * | 2008-09-19 | 2011-12-20 | Brad Radl | Closed loop control of hydrogen cooling of an electric power generator |
JP5101675B2 (ja) * | 2010-09-09 | 2012-12-19 | 株式会社東芝 | 需給バランス制御装置 |
EP2518665A1 (en) * | 2011-04-28 | 2012-10-31 | Vestas Wind Systems A/S | Renewable energy configurator |
US20140365023A1 (en) * | 2013-06-10 | 2014-12-11 | Sap Ag | Systems and Methods for Computer Implemented Energy Management |
WO2017158762A1 (ja) * | 2016-03-16 | 2017-09-21 | 株式会社 東芝 | 水素管理システムおよび統合水素管理装置 |
US10520905B2 (en) * | 2016-04-28 | 2019-12-31 | Veritone Alpha, Inc. | Using forecasting to control target systems |
-
2018
- 2018-09-20 JP JP2019543716A patent/JP7061616B2/ja active Active
- 2018-09-20 WO PCT/JP2018/034928 patent/WO2019059321A1/ja unknown
- 2018-09-20 DE DE202018006783.0U patent/DE202018006783U1/de active Active
- 2018-09-20 CN CN201880057595.0A patent/CN111095341A/zh active Pending
- 2018-09-20 EP EP18859753.8A patent/EP3690792A1/en not_active Ceased
-
2020
- 2020-03-24 US US16/827,726 patent/US11620545B2/en active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001095044A (ja) * | 1999-09-27 | 2001-04-06 | Toshiba Corp | データ伝送システムとその通信装置 |
US20030182250A1 (en) * | 2002-03-19 | 2003-09-25 | Mohammad Shihidehpour | Technique for forecasting market pricing of electricity |
US20050165511A1 (en) * | 2004-01-23 | 2005-07-28 | Matthew Fairlie | Energy network |
US20140058534A1 (en) * | 2012-08-21 | 2014-02-27 | General Electric Company | Plant control optimization system |
JP2015530652A (ja) * | 2012-08-21 | 2015-10-15 | ゼネラル・エレクトリック・カンパニイ | プラント制御最適化システム |
CN103917954A (zh) * | 2012-11-09 | 2014-07-09 | 株式会社东芝 | 电力抑制型蓄电蓄热优化装置、优化方法以及优化程序 |
CN105324790A (zh) * | 2013-06-26 | 2016-02-10 | 三菱电机株式会社 | 供需计划装置、供需计划方法、供需计划程序及记录介质 |
JP2016103082A (ja) * | 2014-11-27 | 2016-06-02 | 住友電気工業株式会社 | 電力管理装置、電力システム、需要家装置、電力管理方法および電力管理プログラム |
Also Published As
Publication number | Publication date |
---|---|
JP7061616B2 (ja) | 2022-04-28 |
US20200226482A1 (en) | 2020-07-16 |
WO2019059321A1 (ja) | 2019-03-28 |
US11620545B2 (en) | 2023-04-04 |
DE202018006783U1 (de) | 2022-12-20 |
EP3690792A1 (en) | 2020-08-05 |
JPWO2019059321A1 (ja) | 2020-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111095341A (zh) | 计划装置、运行计划的生成方法、氢制造方法及程序 | |
US20210399575A1 (en) | Planning apparatus, controlling apparatus, method, and rcording medium | |
US20210405603A1 (en) | Apparatus, method, and rcording medium | |
JP7256790B2 (ja) | 設計装置、方法、およびプログラム | |
AU2010337990B2 (en) | Process optimization method and system for a power plant | |
CN112805732A (zh) | 计划装置、计划方法以及计划程序 | |
JP7157815B2 (ja) | 計画装置、計画方法、および計画プログラム | |
Zheng et al. | A repair-replacement policy for a system subject to missions of random types and random durations | |
Liu et al. | Optimum opportunistic maintenance schedule over variable horizons considering multi-stage degradation and dynamic strategy | |
WO2020059741A1 (ja) | 計画装置、方法、およびプログラム | |
Wang et al. | Reinforcement learning based predictive maintenance for a machine with multiple deteriorating yield levels | |
JP7219808B2 (ja) | 計画装置、稼働計画の生成方法、水素製造方法、およびプログラム | |
Hu et al. | Knowledge-enhanced reinforcement learning for multi-machine integrated production and maintenance scheduling | |
Ghosh | Some Studies on Life Cycle Cost, Risk and Reliability Based Maintenance for Helicopter Components |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |