JP4749685B2 - 燃料電池発電システム及びその制御方法 - Google Patents

Description

本発明は、電気機器に供給する電力を発生させる燃料電池発電装置を備える燃料電池発電システム及びその制御方法に関するものである。

従来、燃料ガスを用いて電力と温水とを供給する燃料電池を発電する燃料電池発電装置が知られている。燃料電池が発電する電力は、発電効率を考慮すると家電機器で使用される電力と同等であることが望ましい。そのため、家電機器の使用電力を計測管理し、その値に追従するように発電電力を制御する必要がある。ところが、燃料電池は都市ガスなどを改質して得られた水素と酸素との化学反応を利用している特性上、使用電力の急峻な変化には追従することができない虞がある。そのため、単純な使用電力の変化のみに基づいて燃料電池発電装置の発電出力を制御すると、使用電力に対する発電電力の追従遅れにより、例えば、使用電力の起動時における発電電力の利用率低下や、立ち下り時における発電電力の余剰により、それぞれ省エネルギー性が低下することになる。したがって、省エネルギー性を確保するためには、使用電力の急峻な変化への追従や頻繁な起動／停止を避けることが必要となる。

そこで、従来の燃料電池発電装置では、使用電力の変化の特徴を時間帯ごとに想定し、燃料電池の発電出力の制御を変化率、むだ時間及びオフセットで時間帯ごとに規定して保持することによって、使用電力が急峻に変化しても追従せずに頻繁な起動／停止をしないようにしている（例えば、特許文献１参照）。

また、他の従来の燃料電池発電装置では、使用電力をシミュレーションすることで予め予測しておき、その予測値に従って燃料電池の発電出力を効率的に制御するようにしている（例えば、特許文献２参照）。
特開２００２−２９１１６１号公報 特開２００３−６１２４５号公報

しかしながら、上記従来の燃料電池発電装置では、家庭ごとの使用電力負荷に適応することが困難であった。すなわち、特許文献１の技術の場合、予め設定すべき変化率、むだ時間及びオフセットは、本来家庭毎に異なるため、それぞれの家庭での最適な値を算出することは困難である。さらに、季節変化やライフスタイルの変化などにより機器の使用状況が変わり、使用電力が大きく変化する場合などにも対応することが困難である。

また、特許文献２の技術の場合、負荷予測工程においてシミュレーションで使用電力負荷を予測しているが、同等の環境条件と一致した過去のデータがなければ予測値を生成することは困難である。また、シミュレーションを行うためには、燃料電池の特性が必要であるが、その特性は家庭毎に異なる場合が想定されるために実質的には予測値が生成できず、上記と同様に家庭毎に異なる使用電力の予測は困難である。

本発明は、上記の問題を解決するためになされたもので、家庭毎に異なる使用電力を予測して発電電力を効率的に制御することができ、省エネルギー化を実現することができる燃料電池発電システム及びその制御方法を提供することを目的とするものである。

本発明に係る燃料電池発電システムは、電気機器に供給する電力を発生させる燃料電池発電装置を備える燃料電池発電システムであって、前記電気機器が使用する使用電力を計測する電力計測手段と、前記電力計測手段によって計測された使用電力に基づいて、所定の時刻から所定の時間分だけ将来の使用電力を予測する使用電力予測手段と、前記使用電力予測手段によって予測された使用電力の予測値に基づいて前記燃料電池発電装置の動作を制御する動作制御手段とを備える。

この構成によれば、電気機器に供給する発電電力を発生させる燃料電池発電装置を備える燃料電池発電システムでは、電気機器が使用する使用電力が計測され、計測された使用電力に基づいて、所定の時刻から所定の時間分だけ将来の使用電力が予測され、予測された使用電力の予測値に基づいて燃料電池発電装置の動作が制御される。

また、上記の燃料電池発電システムにおいて、前記使用電力予測手段は、前記所定の時刻以前の使用電力を予測用データとして保持する予測用データ保持手段と、前記予測用データ保持手段によって保持された予測用データを入力値としてニューラルネットワークモデルによって所定の時刻から所定の時間分だけ将来の使用電力を予測するニューロモデル予測手段と、前記ニューロモデル予測手段によって予測される時間帯と同一時間帯における前記使用電力の実測値を学習用データとして保持する学習用データ保持手段と、前記学習用データ保持手段によって保持された学習用データと、前記ニューロモデル予測手段によって予測される使用電力の予測値とに基づいて前記ニューロモデル予測手段のニューラルネットワークモデルを学習するニューロモデル学習手段とを含むことが好ましい。

この構成によれば、所定の時刻以前の使用電力が予測用データとして保持され、予測用データを入力値としてニューラルネットワークモデルによって所定の時刻から所定の時間分だけ将来の使用電力が予測され、予測される時間帯と同一時間帯における使用電力の実測値が学習用データとして保持され、保持された学習用データと、予測される使用電力の予測値とに基づいてニューラルネットワークモデルの学習が行われる。

また、上記の燃料電池発電システムにおいて、前記動作制御手段は、前記使用電力予測手段から得られる使用電力の予測値が所定の下限値を所定の時間だけ連続して上回る場合に、前記予測値が所定の下限値を上回った時刻から前記燃料電池発電装置の起動に必要な時間を引いた時刻から前記燃料電池発電装置の起動動作を行うことが好ましい。

この構成によれば、使用電力の予測値が所定の下限値を所定の時間だけ連続して上回る場合に、予測値が所定の下限値を上回った時刻から燃料電池発電装置の起動に必要な時間を引いた時刻から燃料電池発電装置の起動動作が行われる。

また、上記の燃料電池発電システムにおいて、前記動作制御手段は、前記使用電力予測手段から得られる使用電力の予測値が所定の下限値を所定の時間だけ連続して下回る場合に、前記予測値が所定の下限値を下回った時刻から前記燃料電池発電装置の停止動作を行うことが好ましい。

この構成によれば、使用電力の予測値が所定の下限値を所定の時間だけ連続して下回る場合に、予測値が所定の下限値を下回った時刻から燃料電池発電装置の停止動作が行われる。

また、上記の燃料電池発電システムにおいて、前記電力計測手段は、前記電気機器の使用電力が発電電力の上限値を超える場合、当該上限値を使用電力として計測することが好ましい。

この構成によれば、電気機器の使用電力が発電電力の上限値を超える場合、当該上限値が使用電力として計測される。

また、上記の燃料電池発電システムにおいて、前記燃料電池発電装置を利用して給湯を行う給湯機器が供給する給湯量を計測する給湯計測手段と、前記給湯計測手段によって計測された給湯量に基づいて、所定の時刻から所定の時刻分だけ将来の給湯量を予測する給湯量予測手段とをさらに備え、前記動作制御手段は、前記使用電力予測手段によって予測された使用電力の予測値と前記給湯量予測手段によって予測された給湯量の予測値とに基づいて前記燃料電池発電装置の動作を制御することが好ましい。

この構成によれば、電気機器に供給する発電電力を発生させる燃料電池発電装置を備える燃料電池発電システムでは、電気機器が使用する使用電力が計測され、計測された使用電力に基づいて、所定の時刻から所定の時間分だけ将来の使用電力が予測され、また給湯機器が供給する給湯量が計測され、計測された給湯量に基づいて、所定の時刻から所定の時間分だけ将来の給湯量が予測され、予測された使用電力と給湯量の予測値に基づいて燃料電池発電装置の動作が制御される。

また、上記の燃料電池発電システムにおいて、前記給湯量予測手段は、前記所定の時刻以前の給湯量を予測用データとして保持する予測用データ保持手段と、前記予測用データ保持手段によって保持された予測用データを入力値としてニューラルネットワークモデルによって所定の時刻から所定の時間分だけ将来の使用電力を予測するニューロモデル予測手段と、前記ニューロモデル予測手段によって予測される時間帯と同一時間帯における前記給湯量の実測値を学習用データとして保持する学習用データ保持手段と、前記学習用データ保持手段によって保持された学習用データと、前記ニューロモデル予測手段によって予測される給湯量の予測値とに基づいて前記ニューロモデル予測手段のニューラルネットワークモデルを学習するニューロモデル学習手段とを含むことが好ましい。

この構成によれば、所定の時刻以前の給湯量が予測用データとして保持され、予測用データを入力値としてニューラルネットワークモデルによって所定の時刻から所定の時間分だけ将来の使用電力および給湯量が予測され、予測される時間帯と同一時間帯における給湯量の実測値が学習用データとして保持され、保持された学習用データと予測される給湯量の予測値とに基づいてニューラルネットワークモデルの学習が行われる。

また、上記の燃料電池発電システムにおいて、前記動作制御手段は、前記使用電力予測手段から得られる使用電力の予測値と前記給湯量予測手段から得られる給湯量の予測値とに基づいて現在の貯湯量から積算される積算貯湯量を予測し、予測した積算貯湯量が予め決められている最大貯湯可能量を越えないように発電電力を調整することが好ましい。

この構成によれば、使用電力の予測値と給湯量の予測値とに基づいて現在の貯湯量から積算される積算貯湯量が予測され、予測された積算貯湯量が予め決められている最大貯湯可能量を越えないように発電電力が調整される。

また、上記の燃料電池発電システムにおいて、前記動作制御手段は、前記使用電力予測手段から得られる使用電力の予測値と前記給湯量予測手段から得られる給湯量の予測値とに基づいて現在の貯湯量から積算される積算貯湯量を予測し、予測した積算貯湯量が予め決められている最大貯湯可能量を越える場合、前記使用電力の予測値を微小に減少させる修正を行い、修正した使用電力の予測値と前記給湯量予測手段から得られる給湯量の予測値とに基づいて現在の貯湯量から積算される積算貯湯量をさらに予測することが好ましい。

この構成によれば、使用電力の予測値と給湯量の予測値とに基づいて現在の貯湯量から積算される積算貯湯量が予測され、予測された積算貯湯量が予め決められている最大貯湯可能量を越える場合、使用電力の予測値を微小に減少させる修正が行われ、修正した使用電力の予測値と給湯量の予測値とに基づいて現在の貯湯量から積算される積算貯湯量がさらに予測される。そして、予測された積算貯湯量が予め決められている最大貯湯可能量を下回る場合、最終的に求められた使用電力の予測値に基づいて燃料電池発電装置の動作が制御される。

また、上記の燃料電池発電システムにおいて、前記動作制御手段は、前記使用電力予測手段から得られる使用電力の予測値と前記給湯量予測手段から得られる給湯量の予測値とに基づいて現在の貯湯量から積算される積算貯湯量を予測し、予測した積算貯湯量が予め決められている最大貯湯可能量を越え、かつ前記使用電力予測手段から得られる使用電力の予測値が所定の下限値を所定の時間だけ連続して下回る場合に、最大貯湯可能量を超えた時刻から前記燃料電池発電装置の停止動作を行うことが好ましい。

この構成によれば、使用電力の予測値と給湯量の予測値とに基づいて現在の貯湯量から積算される積算貯湯量が予測され、予測された積算貯湯量が予め決められている最大貯湯可能量を越え、かつ使用電力の予測値が所定の下限値を所定の時間だけ連続して下回る場合に、最大貯湯可能量を超えた時刻から燃料電池発電装置の停止動作が行われる。

また、上記の燃料電池発電システムにおいて、前記動作制御手段は、前記使用電力予測手段から得られる使用電力の予測値と前記給湯量予測手段から得られる給湯量の予測値とに基づいて現在の貯湯量から積算される積算貯湯量を予測し、予測した積算貯湯量が予め決められている最大貯湯可能量を越え、かつ前記使用電力予測手段から得られる使用電力の予測値が所定の下限値を所定の時間だけ連続して上回る場合に、前記予測値が所定の下限値を上回った時刻から前記燃料電池発電装置の起動に必要な時間を引いた時刻から前記燃料電池発電装置の起動動作を行うことが好ましい。

この構成によれば、使用電力の予測値と給湯量の予測値とに基づいて現在の貯湯量から積算される積算貯湯量が予測され、予測された積算貯湯量が予め決められている最大貯湯可能量を越え、かつ使用電力の予測値が所定の下限値を所定の時間だけ連続して上回る場合に、予測値が所定の下限値を上回った時刻から燃料電池発電装置の起動に必要な時間を引いた時刻から燃料電池発電装置の起動動作が行われる。

本発明に係る燃料電池発電システムの制御方法は、電気機器に供給する発電電力を発生させる燃料電池発電装置を備える燃料電池発電システムの制御方法であって、前記電気機器が使用する使用電力を計測する電力計測ステップと、前記電力計測ステップにおいて計測された使用電力に基づいて、所定の時刻から所定の時間分だけ将来の使用電力を予測する使用電力予測ステップと、前記使用電力予測ステップにおいて予測された使用電力の予測値に基づいて前記燃料電池発電装置の動作を制御する動作制御ステップとを含む。

この構成によれば、電気機器に供給する発電電力を発生させる燃料電池発電装置を備える燃料電池発電システムの制御方法では、電気機器が使用する使用電力が計測され、計測された使用電力に基づいて、所定の時刻から所定の時間分だけ将来の使用電力が予測され、予測された使用電力の予測値に基づいて燃料電池発電装置の動作が制御される。

また、上記の燃料電池発電システムの制御方法において、前記燃料電池発電装置を利用して給湯を行う給湯機器が供給する給湯量を計測する給湯計測ステップと、前記給湯計測ステップにおいて計測された給湯量に基づいて、所定の時刻から所定の時刻分だけ将来の給湯量を予測する給湯量予測ステップとをさらに含み、前記動作制御ステップは、前記使用電力予測ステップにおいて予測された使用電力の予測値と前記給湯量予測ステップにおいて予測された給湯量の予測値とに基づいて前記燃料電池発電装置の動作を制御するステップを含むことが好ましい。

この構成によれば、電気機器に供給する発電電力を発生させる燃料電池発電装置を備える燃料電池発電システムの制御方法では、給湯機器が供給する給湯量が計測され、計測された給湯量に基づいて、所定の時刻から所定の時間分だけ将来の給湯量が予測され、予測された使用電力と給湯量の予測値に基づいて燃料電池発電装置の動作が制御される。

本発明の燃料電池発電システム及びその制御方法によれば、電気機器が使用する使用電力が計測され、計測された使用電力に基づいて、所定の時刻から所定の時間分だけ将来の使用電力が予測され、予測された使用電力の予測値に基づいて燃料電池発電装置の動作が制御されるので、家庭毎に異なる使用電力を予測して燃料電池発電装置の発電電力を効率的に制御することができ、省エネルギー化を実現することができる。

以下、本発明に係る実施形態を図面に基づいて説明する。なお、各図において同一の構成については、同一の符号を付し、その説明を省略する。

（第１の実施形態）
図１は、本発明の第１の実施形態に係る燃料電池発電システムの全体構成を示す図である。図１に示す燃料電池発電システム１は、燃料電池発電装置１００、発電制御部（コントローラ）１０１、インバータ１０２及び電力計１０３を備えており、家電機器１０４及び商用電源１０５と接続されている。

燃料電池発電装置１００、インバータ１０２、電気機器の一例である家電機器１０４及び商用電源１０５は家庭内の電力系統に接続されている。電力計１０３は、家電機器１０４で使用する電力を測定する。電力計１０３はコントローラ１０１に接続されており、電力計１０３からコントローラ１０１に家電機器１０４の使用電力が送られる。家電機器１０４は、例えば冷蔵庫や洗濯機等の家庭で用いられる電気機器である。なお、電力計１０３に接続される家電機器は１つだけでなく複数であってもよい。

コントローラ１０１は、燃料電池発電装置１００に接続されており、コントローラ１０１から燃料電池発電装置１００に起動／停止の指令等が出力され、燃料電池発電装置１００の動作を制御する。

燃料電池発電装置１００は、都市ガスなどの燃料から得られる水素を空気中の酸素と反応させることで、化学エネルギーを電気エネルギーに変換して発電する。燃料電池発電装置１００の発電電力はインバータ１０２に供給され、インバータ１０２から家電機器１０４に供給される。家電機器１０４で使用する使用電力が発電電力より大きい場合、インバータ１０２は、商用電源１０５から電力を購入（買電）し、不足分を補う。逆に、発電電力が使用電力よりも大きい場合、インバータ１０２は、発電電力の余剰分を商用電源１０５に売却（売電）する。なお、商用電源１０５が売電を許可していない場合は、余剰分は燃料電池発電装置１００本体で処理されることとなる。燃料電池発電装置１００の効率化を図るためには、できる限り買電及び売電を行わないほうがよい。そのため、コントローラ１０１では、電力計１０３によって計測される家電機器１０４の使用電力から、できる限り買電及び売電を行わないように適切に起動／停止の指令を送る必要がある。

図２は、図１に示すコントローラ１０１の構成を示すブロック図である。図２に示すコントローラ１０１は、使用電力予測部２００、発電指令部（動作制御手段の一例に相当する）２２０及び電力計測部２３０を備えて構成される。

電力計測部２３０は、家電機器１０４が使用する使用電力を計測する。使用電力予測部２００は、電力計測部２３０によって計測された使用電力に基づいて、所定の時刻から所定の時間分だけ将来の使用電力を予測するものであり、ニューロモデル予測部２０２、ニューロモデル学習部２０３、予測用データ保持部２０４及び学習用データ保持部２０５を備えて構成される。

ニューロモデル予測部２０２は、階層型のニューラルネットワークモデルを保持しており、ニューラルネットワークモデルによって所定の時刻から所定の時間分だけ将来の使用電力を予測する。なお、ニューラルネットワークモデルの特徴や学習方法などの詳細については、「甘利俊一編著、ニューラルネットの新展開、ｐｐ．７３−８６、（株）サイエンス社、１９９４年」に開示されているため、説明を省略する。本実施形態では、使用電力予測部２００は、予測の当日の使用電力を１時間単位で２４時間先まで予測する。

図３は、図２のニューロモデル予測部２０２で使用するニューラルネットワークモデルの構成について説明するための図である。ニューラルネットワークモデル３００は、階層型ニューラルネットワークであり、入力層、中間層及び出力層の３層を有している。このニューラルネットワークモデル３００の構成としては、予測値を出力パラメータとし、予測値と因果関係の強いデータを入力パラメータとして構成することが予測精度の向上のために必要となる。そのため、出力パラメータは当日の使用電力予測値とし、入力パラメータは予測値との因果関係が強いと考えられる前日の使用電力としている。

本実施形態では、２４時間先まで１時間単位で予測するため、ニューラルネットワークモデル３００の出力パラメータは、「当日の０時台の使用電力予測値」、「当日の１時台の使用電力予測値」、・・・、「当日の２３時台の使用電力予測値」の２４個のデータを用い、入力パラメータは、「前日の０時台の使用電力」、「前日の１時台の使用電力」、・・・、「前日の２３時台の使用電力」の２４個のデータを用いている。なお、０時台の使用電力とは、０時から１時までに使用された電力の平均である。ニューラルネットワークモデルをこのような構成にすることによって、予測したい当日の０時を過ぎた時点で、前日の使用電力を入力することで、当日の使用電力が１時間単位で予測（２４時間分の予測）できる。

また、ニューラルネットワークモデル３００では、予測の精度を上げるために予測と実測との差（誤差）を逆誤差伝播法（バックプロパゲーション）により学習させることでニューラルネットワークモデル３００の重み付け係数を修正する。

予測用データ保持部２０４は、電力計測部２３０から使用電力を取得し、１時間単位での使用電力を過去２４時間分だけ保持する。そして日付が更新された時点で、ニューラルネットワークモデル３００の入力となる前日の使用電力としてニューロモデル予測部２０２に送付する。ニューロモデル予測部２０２では、送付された前日の使用電力をニューラルネットワークモデル３００に入力することで、当日の２４時間分の使用電力予測値を出力することができ、使用電力予測値は発電指令部２２０に送付され燃料電池発電装置１００の起動／停止の動作を判定することができる。

ニューラルネットワークモデル３００では、予測の精度を上げるために使用電力予測値と、使用電力予測値に対応した時間の実際の使用電力（以下、使用電力実測値とする）との差（誤差）を逆誤差伝播法により学習させる必要がある。実際に精度を上げるための学習を行うためには、過去の数日分の使用電力予測値と使用電力実測値とが必要となる。そのため、学習用データ保持部２０５は、ニューロモデル予測部２０２から出力される２４時間分の使用電力予測値と、それぞれの時間帯に対応する使用電力実測値を過去の数日分を保持し、それらを学習用データとして使用する。学習用データ保持部２０５は使用電力予測値の対象となる１日が過ぎた時点ですべて得られることになる使用電力実測値を電力計測部２３０から１時間単位での使用電力として保持しており、使用電力実測値が２４時間分揃った時点でニューロモデル学習部２０３に出力する。このような動作を数日間行うことで、ニューロモデル学習部２０３には、数日分の使用電力予測値と使用電力実測値とがペアになったデータが確保でき、学習を行うことで、ニューロモデル予測部２０２のニューラルネットワークモデル３００の重み係数を修正することができ、結果的に各家庭ごとの予測を精度よく行うことができる。

なお、より精度を上げるためには、学習に利用するデータを分けたほうが良い。例えば平日の予測を行う場合であれば、学習に利用するデータも平日のデータを利用する方が効果的である。

またニューラルネットワークモデル３００が全く学習されていない初期状態においては、学習に必要なデータが数日間確保できて少なくとも１回以上学習を行った後に予測を行う必要がある。

使用電力予測部２００のニューロモデル予測部２０２から出力された０時台から２３時台までの２４時間分の使用電力予測値は、発電指令部２２０に出力される。発電指令部２２０は、予測値から燃料電池発電装置１００が効率的に運転できるように起動／停止を判定し、判定結果に基づいて起動指示又は停止指示を燃料電池発電装置１００に出力する。

次に、使用電力予測部２００より出力される使用電力予測値に基づく燃料電池発電装置１００の動作判定について説明する。

一般に燃料電池発電装置１００の発電電力の可変範囲は、性能や効率の観点から上限値および下限値が設定されている。例えば家庭で利用される燃料電池発電装置１００では、上限値が１ｋＷ、下限値が０．５ｋＷなどに設定されており、使用電力が上下限値の範囲にあれば発電電力を使用電力に追従させる、つまり電主運転が可能である。

しかしながら、単に使用電力が上下限値の範囲に入った時点で起動／停止の判定を行うと効率上、非常に問題がある。なぜなら、燃料電池発電装置１００は起動時には発電電力が徐々に立ち上がる中でポンプ動力や余熱などの立ち上がりロスが発生する。そのため、頻繁に起動／停止を行うことはロスが多発し効率上好ましくない。一般には、一度起動すると２時間から３時間程度は動作させることが必要になると言われている。以上のことから、発電指令部２２０では、所定時間、例えば３時間連続した使用電力の予測値から起動／停止を判定することにする。

図４は、図２の発電指令部２２０の動作を説明するためのフローチャートである。使用電力予測部２００から運転当日の０時に２４時間分の使用電力予測値が入力されると（ステップＳ１）、発電指令部２２０は、起動判定を行うために２４時間分の使用電力予測値から、予め設定されている下限値を３時間連続して上回る場合の最初の時刻Ｔstartを検索する（ステップＳ２）。燃料電池発電装置１００の起動に要する時間をΔＴとすると、発電指令部２２０は、（Ｔstart−ΔＴ）時になると起動のための指令を出力する（ステップＳ３）。また停止判定を行うために、発電指令部２２０は２４時間分の使用電力予測値から、予め設定されている下限値を３時間連続して下回る場合の最初の時刻Ｔstopを検索する（ステップＳ４）。そして発電指令部２２０は、Ｔstop時になると停止のための指令を燃料電池発電装置１００に出力する（ステップＳ５）。

図５は、上述した一連の動作を行った場合の燃料電池発電装置１００の発電電力と使用電力予測値との関係の一例を示した説明図である。なお、図５において、縦軸は使用電力を表し、横軸は時刻を表している。また、８時から１６時までの間の使用電力予測値及び燃料電池発電装置１００の発電電力については省略している。

起動判定においては、０時台から２３時台までの使用電力予測値を検索し、３時間連続して発電電力の下限値を超える時間帯が検索される。図５に示す本例では、３時間連続して発電電力の下限値を超える時間帯が５時から始まっているためにＴstart＝５時となり、発電指令部２２０による起動の指令は（５−ΔＴ）時に出力される。起動指令を受けた燃料電池発電装置１００は起動し、発電を開始する。このとき、燃料電池発電装置１００の起動に必要な時間ΔＴだけ早めに起動しているために、５時には使用電力予測値と同等な発電電力を供給することができる。またＴstart＝５時以降も少なくとも３時間は使用電力が発生していることが予め使用電力予測値から得られているために、起動後に少なくとも３時間は発電電力の余剰がなくなり停止の必要がなくなる。そのため、より効率的な立ち上げ運転が可能となる。

停止判定においても同様に０時台から２３時台までの使用電力予測値を検索し３時間連続して発電電力の下限値を下回る時間帯が検索される。図５に示す本例では、３時間連続して発電電力の下限値を下回る時間帯が２０時から始まっているためにＴstop＝２０時となり、発電指令部２２０による停止の指令は２０時に出力される。停止指令を受けた燃料電池発電装置１００は停止されるがＴstop＝２０時以降も少なくとも３時間は使用電力が下限値を下回っていることが予め使用電力予測値から得られているために、停止後に少なくとも３時間は再度起動を行う必要がなくなる。そのため、より効率的な停止運転が可能となる。

図６は、図２の電力計測部２３０によって計測される使用電力について説明するための図である。なお、図６において、縦軸は家電機器によって使用される使用電力を表しており、横軸は時刻を表している。図６では、０時から２４時までの間における１時間分の使用電力の変化を表している。

上述したように、家電機器１０４の使用電力量は電力計１０３によって検出され、検出された値が電力計測部２３０で取得されて、使用電力予測部２００に入力される。この場合、図６に示すように燃料電池発電装置１００の発電電力で捕らえる電力は、発電電力の上限値までの電力となる。そのため、実際に発電電力に必要な使用電力は、図６の斜線で示した部分となり、上限値を超えた電力は関係ない。そこで、電力計測部２３０は、図６に示すように、発電電力の上限値を超えない部分（図６の斜線部分）を使用電力として取得し、使用電力予測部２００に出力する。

このように、家電機器１０４の使用電力が発電電力の上限値を超える場合、当該上限値が使用電力として計測されることによって、例えばヘアドライヤーや電子レンジ等のように短時間に急峻に立ち上がる電力で、実際には燃料電池発電装置１００で捕らえない使用電力を除外することができ、結果的に実際の燃料電池発電装置１００が捕らえる使用電力を予測することができるため、より効率のよい起動／停止の判定を行うことができる。

ここで、家電機器１０４の使用電力を予測し、燃料電池発電装置１００の動作を判定する燃料電池発電装置１００の制御システムの動作について説明する。

コントローラ１０１に内蔵されるタイマ（図示省略）によって予測を開始する時刻になったと判定されると、予測用データ保持部２０４は、予測用データをニューロモデル予測部２０２に出力する。本実施形態では、０時台から２３時台までの２４時間の使用電力を１時間単位で予測するので、０時になると予測用データ保持部２０４は、０時台から２３時台までの各時間帯における使用電力を予測用データとしてニューロモデル予測部２０２に出力する。

ニューロモデル予測部２０２は、ニューラルネットワークモデルによって、燃料電池発電装置１００の０時台から２３時台までの２４時間分だけ将来の使用電力を予測する。ニューロモデル予測部２０２によって予測された０時台から２３時台までの各時間帯における使用電力の予測値は発電指令部２２０に出力される。

そして、発電指令部２２０は、燃料電池発電装置１００の動作判定を行う。すなわち、発電指令部２２０は、ニューロモデル予測部２０２から出力された０時台から２３時台までの各時間帯における使用電力の予測値が３時間連続して予め設定された下限値を超えている最初の時刻Ｔstartを検索する。

また、発電指令部２２０は、ニューロモデル予測部２０２から出力された０時台から２３時台までの各時間帯における使用電力の予測値が３時間連続して予め設定された下限値を下回っている最初の時刻Ｔstopを検索する。

時間はコントローラ１０１に内蔵されるタイマ（図示省略）によって計時されており、発電指令部２２０は、時刻Ｔstartから燃料電池発電装置１００の起動に必要な時間ΔＴを減算した時刻になると、燃料電池発電装置１００に対して起動を指示する。また、発電指令部２２０は、時刻Ｔstopになると、燃料電池発電装置１００に対して停止を指示する。

以上、本発明によれば使用電力予測部２００において、家庭の使用電力実測値からニューラルネットワークモデル３００の学習を行うことで、家庭ごとに異なる使用電力を２４時間分予測でき、さらに発電指令部２２０で予測した使用電力に基づき頻繁な起動／停止を行わないように起動判定および停止判定ができるために、燃料電池発電装置１００を効率的に運用することが可能となる。

なお、本発明では使用電力予測として当日の２４時間を１時間単位で予測するようにしているが、時間数や単位数は２４時間や１時間単位に限定されるものではなく、ニューラルネットワークモデル３００の入力パラメータ及び出力パラメータの取り方次第では、例えば３０分単位で６時間の使用電力予測なども容易に構成できる。

また、本発明では使用電力を予測の対象としたが、給湯の使用量を検出すれば同様な構成で使用給湯予測も可能である。この例については、第２の実施形態において詳細に説明する。

このように、家電機器１０４が使用する使用電力が計測され、計測された使用電力に基づいて、所定の時刻から所定の時間分だけ将来の使用電力が予測され、予測された使用電力の予測値に基づいて燃料電池発電装置１００の起動及び停止の判定が行われるので、家庭毎に異なる使用電力を予測して燃料電池発電装置１００の発電電力を効率的に制御することができ、省エネルギー化を実現することができる。

また、所定の時刻以前の使用電力が予測用データとして保持され、予測用データを入力値としてニューラルネットワークモデル３００によって所定の時刻から所定の時間分だけ将来の使用電力が予測され、予測される時間帯と同一時間帯における使用電力の実測値が学習用データとして保持され、保持された学習用データと、予測される使用電力の予測値とに基づいてニューラルネットワークモデル３００の学習が行われる。したがって、家庭毎に異なる使用電力をより正確に予測することができる。

（第２の実施形態）
次に、本発明の第２の実施形態に係る燃料電池発電システムについて説明する。第１の実施形態における燃料電池発電システムは、家電機器１０４が使用する使用電力に基づいて、所定の時刻から所定の時間分だけ将来の使用電力が予測され、予測された使用電力の予測値に基づいて燃料電池発電装置１００の起動／停止の判断を行っている。これに対し、第２の実施形態における燃料電池発電システムは、燃料電池発電装置１００を利用して給湯を行う給湯機器が供給する給湯量を計測し、計測された給湯量に基づいて、所定の時刻から所定の時刻分だけ将来の給湯量を予測し、使用電力の予測値と給湯量の予測値とに基づいて燃料電池発電装置１００の動作を制御する。

図７は、本発明の第２の実施形態に係る燃料電池発電システムの全体構成を示す図である。図７に示す第２の実施形態における燃料電池発電システム２は、燃料電池発電装置１００、発電制御部（コントローラ）１０１、インバータ１０２、電力計１０３、貯湯タンク１０６、バックアップバーナ１０７及び給湯負荷計１０９を備えて構成され、家電機器１０４、商用電源１０５、給湯機器１０８及び市水供給部１１０と接続されている。

燃料電池発電装置１００、インバータ１０２、家電機器１０４及び商用電源１０５は家庭内の電力系統に接続されている。電力計１０３は、家電機器１０４で使用する電力を測定する。また、貯湯タンク１０６、バックアップバーナ１０７、給湯機器１０８及び市水供給部１１０は家庭内の給湯系統に接続されている。給湯機器１０８とは例えば風呂、シャワー、洗面など住い手が湯を使用する場合の機器である。給湯負荷計１０９は、給湯機器１０８への給湯量と給湯温度、及び市水供給部１１０から供給される市水の水温を計測し、給湯機器１０８で使用する給湯負荷の熱量を測定する。以後、この給湯負荷の熱量のことを使用給湯熱量と呼ぶ。

電力計１０３および給湯負荷計１０９はコントローラ１０１に接続されており、電力計１０３から家電機器１０４の使用電力が送られ、給湯負荷計１０９から給湯機器１０８の使用給湯熱量が送られる。コントローラ１０１は、燃料電池発電装置１００に接続されており、コントローラ１０１から燃料電池発電装置１００に発電指令が出力され、燃料電池発電装置１００は発電指令に従って発電を行う。

燃料電池発電装置１００は、都市ガスなどの燃料から得られる水素を空気中の酸素と反応させることで、化学エネルギーを電気エネルギーに変換して発電する。燃料電池発電装置１００の発電電力はインバータ１０２に供給され、インバータ１０２から家電機器１０４に供給される。家電機器１０４で使用する使用電力が発電電力より大きい場合、インバータ１０２は、商用電源１０５から電力を購入（買電）し、不足分を補う。逆に、発電電力が使用電力よりも大きい場合、インバータ１０２は、発電力の余剰分を商用電源１０５に売却（売電）する。なお、商用電源１０５が売電を許可していない場合は、余剰分は燃料電池発電装置１００本体で処理されることとなる。

また燃料電池発電装置１００は、発電と同時に熱を生成する。生成された熱は、発電給湯熱として貯湯タンク１０６で湯として蓄えられることになる。貯湯タンク１０６に蓄えられた湯はユーザの要望に応じて給湯機器１０８から出湯される。この時、貯湯タンク１０６に所望の湯がない場合はバックアップバーナ１０７が湯を生成し給湯機器１０８に提供する。貯湯タンク１０６に湯がなくなる理由としては、家電機器１０４で使用される電力が少なく燃料電池発電装置１００の発電電力が少ない場合や、給湯機器１０８で使用される給湯使用量が非常に多い場合が考えられる。逆に家電機器１０４で使用される電力が非常に多く燃料電池発電装置１００の発電電力が多い場合や、給湯機器１０８で使用される給湯使用量が非常に少ない場合は、発電給湯熱が相対的に大きくなり貯湯タンク１０６が一杯になる場合がある。この場合は発電給湯熱を外部に放熱させることで廃棄するか、それ以上発電給湯熱が発生しないように燃料電池発電装置１００を完全に停止させなければならず、再起動による立ち上がりロスなどが発生することになる。

したがって、燃料電池発電装置１００の効率化を図るためには、できるだけ貯湯タンク１０６の湯が一杯にならないように発電給湯熱を制御、つまり発電電力を適切に調整するための発電指令を送る必要がある。

図８は、図７に示すコントローラ１０１の構成を示すブロック図である。図８に示すコントローラ１０１は、使用電力予測部２００、給湯量予測部２４０、発電指令部２２０、電力計測部２３０および給湯量計測部２５０を備えて構成される。

まずは使用電力について説明する。電力計測部２３０は、家電機器１０４が使用する使用電力を計測する。使用電力予測部２００は、電力計測部２３０によって計測された使用電力に基づいて、所定の時刻から所定の時間分だけ将来の使用電力を予測するものであり、ニューロモデル予測部２０２、ニューロモデル学習部２０３、予測用データ保持部２０４及び学習用データ保持部２０５を備えて構成される。

ニューロモデル予測部２０２は、階層型のニューラルネットワークモデルを保持しており、ニューラルネットワークモデルによって所定の時刻から所定の時間分だけ将来の使用電力を予測する。なお、ニューラルネットワークモデルの特徴や学習方法などの詳細については、「甘利俊一編著、ニューラルネットの新展開、ｐｐ．７３−８６、（株）サイエンス社、１９９４年」に開示されているため、説明を省略する。本実施の形態では、使用電力予測部２００は、予測する時刻以降の２４時間先までの使用電力を１時間単位で予測する。

図９は、図８のニューロモデル予測部２０２で使用するニューラルネットワークモデルの構成について説明するための図である。ニューラルネットワークモデル３１０は、階層型ニューラルネットワークであり、入力層、中間層及び出力層の３層を有している。このニューラルネットワークモデル３１０の構成としては、予測値を出力パラメータとし、予測値と因果関係の強いデータを入力パラメータとして構成することが予測精度の向上のために必要となる。そのため、出力パラメータは当日の使用電力予測値とし、入力パラメータは予測値との因果関係が強いと考えられる前日の使用電力としている。

本実施の形態では、予測する時刻から２４時間先まで１時間単位で予測するため、ニューラルネットワークモデル３１０の出力パラメータは、「予測する時刻台の使用電力予測値」、「（予測する時刻＋１）台の使用電力予測値」、・・・、「（予測する時刻＋２３）台の使用電力予測値」の２４個のデータを用い、入力パラメータは、「予測する時刻台と同じ前日の使用電力」、「（予測する時刻＋１）台と同じ前日の使用電力」、・・・、「（予測する時刻＋２３）台と同じ前日の使用電力」の２４個のデータを用いている。なお、予測する時刻台の使用電力とは、予測する時刻が０時の場合には０時から１時までに使用された電力の平均である。ニューラルネットワークモデルをこのような構成にすることによって、予測したい当日の０時を過ぎた時点で、前日の使用電力を入力することで、当日の予測時刻以降の使用電力が１時間単位で予測（２４時間分の予測）できる。

また、ニューラルネットワークモデル３１０では、予測の精度を上げるために予測と実測との差（誤差）を逆誤差伝播法（バックプロパゲーション）により学習させることでニューラルネットワークモデル３１０の重み付け係数を修正する。

予測用データ保持部２０４は、電力計測部２３０から使用電力を取得し、１時間単位での使用電力を過去２４時間分だけ保持する。そして日付が更新された時点で、ニューラルネットワークモデル３１０の入力となる前日の使用電力としてニューロモデル予測部２０２に送付する。ニューロモデル予測部２０２では、送付された前日の使用電力をニューラルネットワークモデル３１０に入力することで、予測時刻以降の２４時間分の使用電力予測値を出力することができ、使用電力予測値は発電指令部２２０に送付される。

ニューラルネットワークモデル３１０では、予測の精度を上げるために使用電力予測値と、使用電力予測値に対応した時間の実際の使用電力（以下、使用電力実測値とする）との差（誤差）を逆誤差伝播法により学習させる必要がある。実際に精度を上げるための学習を行うためには、過去の数日分の使用電力予測値と使用電力実測値とが必要となる。そのため、学習用データ保持部２０５は、ニューロモデル予測部２０２から出力される２４時間分の使用電力予測値と、それぞれの時間帯に対応する使用電力実測値を過去の数日分を保持し、それらを学習用データとして使用する。学習用データ保持部２０５は使用電力予測値の対象となる予測時刻が過ぎた時点で過去２４時間分がすべて得られることになる使用電力実測値を電力計測部２３０から１時間単位での使用電力として保持しており、使用電力実測値が２４時間分揃った時点でニューロモデル学習部２０３に出力する。このような動作を数日間行うことで、ニューロモデル学習部２０３には、数日分の使用電力予測値と使用電力実測値がペアになったデータが確保でき、学習を行うことで、ニューロモデル予測部２０２のニューラルネットワークモデル３１０の重み係数を修正することができ、結果的に家庭ごとの予測を精度よく行うことができる。

なお、より精度を上げるためには、学習に利用するデータを分けたほうが良い。例えば平日の予測を行う場合であれば、学習に利用するデータも平日のデータを利用する方が効果的である。

またニューラルネットワークモデル３１０が全く学習されていない初期状態においては、学習に必要なデータが数日間確保できて少なくとも１回以上学習を行った後に予測を行う必要がある。

使用電力予測部２００のニューロモデル予測部２０２から出力された予測時刻から先の２４時間分の使用電力予測値は、発電指令部２２０に出力される。

次に給湯について説明する。給湯量計測部２５０は、給湯機器１０８が使用する給湯量を計測する。給湯量予測部２４０は、給湯量計測部２５０によって計測された給湯量に基づいて、所定の時刻から所定の時間分だけ将来の給湯量を予測するものであり、ニューロモデル予測部２４２、ニューロモデル学習部２４３、予測用データ保持部２４４及び学習用データ保持部２４５を備えて構成される。

給湯量予測部２４０の動作は基本的には使用電力予測部２００と同様であるが、ニューロモデル予測部２４２で使用するニューラルネットワークモデルは図１０に示すようになる。ニューラルネットワークモデル３２０は、階層型ニューラルネットワークであり、入力層、中間層及び出力層の３層を有している。このニューラルネットワークモデル３２０の構成としては、予測する時刻から２４時間先まで１時間単位で予測するため、ニューラルネットワークモデル３２０の出力パラメータは、「予測する時刻台の給湯量予測値」、「（予測する時刻＋１）台の給湯量予測値」、・・・、「（予測する時刻＋２３）台の給湯量予測値」の２４個のデータを用い、入力パラメータは、「予測する時刻台と同じ前日の給湯量」、「（予測する時刻＋１）台と同じ前日の給湯量」、・・・、「（予測する時刻＋２３）台と同じ前日の給湯量」の２４個のデータを用いている。なお、予測する時刻台の給湯量とは、予測する時刻が０時の場合には０時から１時までに使用された給湯量の平均である。ニューラルネットワークモデルをこのような構成にすることによって、予測したい当日の０時を過ぎた時点で、前日の給湯量を入力することで、当日の予測時刻以降の給湯量が１時間単位で予測（２４時間分の予測）できる。

このように、所定の時刻以前の給湯量が予測用データとして保持され、予測用データを入力値としてニューラルネットワークモデル３２０によって所定の時刻から所定の時間分だけ将来の給湯量が予測され、予測される時間帯と同一時間帯における給湯量の実測値が学習用データとして保持され、保持された学習用データと、予測される給湯量の予測値とに基づいてニューラルネットワークモデル３２０の学習が行われる。したがって、家庭毎に異なる給湯量をより正確に予測することができる。

以上の構成によりニューロモデル予測部２４２、ニューロモデル学習部２４３、予測用データ保持部２４４及び学習用データ保持部２４５の動作を使用電力予測部２００と同様に行うと、ニューロモデル予測部２４２から予測時刻から先の２４時間分の給湯量予測値が出力され、発電指令部２２０に出力される。

発電指令部２２０では、使用電力予測値および給湯量予測値から燃料電池発電装置１００が効率的に運転できるように発電電力を調整する。

次に、発電指令部２２０の動作について説明する。図１１は、図８の発電指令部２２０の動作を説明するためのフローチャートである。予測する時刻は１時間単位であるため、まず時刻が更新されると、予測値を更新することができるか否かを判断する（ステップＳ１１）。予測値を更新することができないと判断された場合は（ステップＳ１１でＮＯ）、ステップＳ１１の処理が繰り返し行われる。予測値を更新することができると判断された場合は（ステップＳ１１でＹＥＳ）、まず貯湯タンク１０６の現在の貯湯熱量Ｑｎｏｗ［ｋＷｈ］を貯湯タンク１０６から取得する（ステップＳ１２）。現在の貯湯熱量Ｑｎｏｗ［ｋＷｈ］の一般的な算出方法は貯湯タンク１０６に温度センサなどを取り付けタンク内に残っている湯の温度分布を計測することで得ることができる。

次に、使用電力予測部２００及び給湯量予測部２４０からそれぞれ使用電力予測値Ｐｇｅｎｅ（ｉ）［ｋＷｈ］（ｉ＝１〜２４）および給湯量予測値Ｐｈｏｔ（ｉ）［ｋＷｈ］（ｉ＝１〜２４）を２４時間先まで１時間単位で取得する（ステップＳ１３）。次に、発電電力指令値Ｐｐｒｏｆ（ｉ）［ｋＷｈ］を算出するステップに入る。まず、発電電力指令値Ｐｐｒｏｆ（ｉ）［ｋＷｈ］の初期値として使用電力予測値Ｐｇｅｎｅ（ｉ）［ｋＷｈ］をセットする（ステップＳ１４）。これは２４時間先まで完全に電主運転を行った場合に相当する。次に発電電力指令値Ｐｐｒｏｆ（ｉ）［ｋＷｈ］により燃料電池発電装置１００が発電された場合に付加的に発生する熱量である発電給湯負荷Ｑｇｅｎｅ（ｉ）［ｋＷｈ］を算出する。これは、下記の（１）式を用いて算出する（ステップＳ１５）。
Ｑｇｅｎｅ（ｉ）［ｋＷｈ］＝Ｐｐｒｏｆ（ｉ）［ｋＷｈ］×（給湯効率［％］／発電効率［％］）・・・・（１）

次に、現在時刻から予測できる２４時間先までの貯湯タンクに加減される熱量である予測積算貯湯熱量Ｑａｄｄ（ｉ）［ｋＷｈ］を発電給湯負荷Ｑｇｅｎｅ（ｉ）［ｋＷｈ］および給湯量予測値Ｐｈｏｔ（ｉ）［ｋＷｈ］より下記の（２）式を用いて算出する（ステップＳ１６）。
Ｑａｄｄ（ｉ）＝Ｑｇｅｎｅ（ｉ）−Ｐｈｏｔ（ｉ）＋Ｑａｄｄ（ｉ−１）・・・・（２）

次に、下記の（３）式に示すように、現在の貯湯熱量Ｑｎｏｗ［ｋＷｈ］と予測積算貯湯熱量Ｑａｄｄ（ｉ）［ｋＷｈ］とを加算した値が０より小さいか否かを判断する（ステップＳ１７）。これは、使用電力予測値Ｐｇｅｎｅ（ｉ）［ｋＷｈ］および給湯量予測値Ｐｈｏｔ（ｉ）［ｋＷｈ］に誤差が生じて、予想される貯湯タンクの貯湯熱量Ｑｎｏｗ＋Ｑａｄｄ（ｉ）が数値上、マイナスになる場合を防止するものである。ここで、現在の貯湯熱量Ｑｎｏｗ［ｋＷｈ］と予測積算貯湯熱量Ｑａｄｄ（ｉ）［ｋＷｈ］とを加算した値が０以上である判断された場合（ステップＳ１７でＮＯ）、ステップＳ１９に処理を移行する。一方、現在の貯湯熱量Ｑｎｏｗ［ｋＷｈ］と予測積算貯湯熱量Ｑａｄｄ（ｉ）［ｋＷｈ］とを加算した値が０より小さいと判断された場合（ステップＳ１７でＹＥＳ）、予測積算貯湯熱量（Ｑａｄｄ（ｉ）［ｋＷｈ］）を下記の（４）式とする（ステップＳ１８）。
Ｑｎｏｗ＋Ｑａｄｄ（ｉ）＜０・・・・（３）
Ｑａｄｄ（ｉ）＝−Ｑｎｏｗ・・・・（４）

次に、発電指令部２２０は、現在の貯湯熱量Ｑｎｏｗ［ｋＷｈ］と予測積算貯湯熱量Ｑａｄｄ（ｉ）［ｋＷｈ］とを加算した値が０より小さいか否かの判断をｉ＝２４となるまで繰り返す（ステップＳ１９，２０）。

次に、予測積算貯湯熱量Ｑａｄｄ（ｉ）［ｋＷｈ］が貯湯可能熱量Ｑｍａｘ−Ｑｎｏｗを越える時刻ｉを算出する（ステップＳ２１，２２，２３）。ここで、Ｑｍａｘ［ｋＷｈ］は最大貯湯可能熱量で、貯湯タンク１０６の大きさに依存する固定値である。予測積算貯湯熱量Ｑａｄｄ（ｉ）［ｋＷｈ］が貯湯可能熱量Ｑｍａｘ−Ｑｎｏｗを越えるということは貯湯タンク１０６が時刻ｉで一杯になることを意味する。すなわち、発電指令部２２０は、予測積算貯湯熱量Ｑａｄｄ（ｉ）が、最大貯湯可能熱量Ｑｍａｘから現在の貯湯熱量Ｑｎｏｗを減算した値（貯湯可能熱量）よりも大きいか否かを判断する。そして、予測積算貯湯熱量Ｑａｄｄ（ｉ）が貯湯可能熱量Ｑｍａｘ−Ｑｎｏｗよりも大きい場合（ステップＳ２１でＹＥＳ）、ステップＳ２４に処理を移行し、予測積算貯湯熱量Ｑａｄｄ（ｉ）が貯湯可能熱量Ｑｍａｘ−Ｑｎｏｗ以下である場合（ステップＳ２１でＮＯ）、ｉ＝２４であるか否かを判断する。ｉ＝２４でない場合（ステップＳ２２でＮＯ）、ｉを１だけインクリメントし（ステップＳ２３）、ステップＳ２１に処理を戻す。

ここで、予測積算貯湯熱量Ｑａｄｄ（ｉ）が貯湯可能熱量Ｑｍａｘ−Ｑｎｏｗを越える時刻ｉが存在する場合は、発電電力指令値Ｐｐｒｏｆ（ｉ）［ｋＷｈ］を下記の（５）式を用いて修正する（ステップＳ２４，２５，２６）。修正後はステップＳ１５の処理に戻る。また、予測積算貯湯熱量Ｑａｄｄ（ｉ）が貯湯可能熱量Ｑｍａｘ−Ｑｎｏｗを越える時刻ｉが存在しない場合は（ステップＳ２２でＹＥＳ）、予測時刻更新の待ち（ステップＳ１１）に戻り、次の更新時刻を待つ。
Ｐｐｒｏｆ（ｊ）＝Ｐｐｒｏｆ（ｊ）−ΔＰｐｒｏｆ・・・・（５）

なお、上記（５）式において、ｊ＝ｉであり、ΔＰｐｒｏｆは発電電力指令値Ｐｐｒｏｆ（ｉ）［ｋＷｈ］を修正するための変化刻みであり、一般には十分小さい値（固定値）を設定しておく。

以上の一連の動作により発電電力指令値Ｐｐｒｏｆ（ｉ）［ｋＷｈ］が貯湯タンク１０６を一杯にしないように修正され、最終的に燃料電池発電装置１００に送られる。燃料電池発電装置１００は、発電指令部２２０から出力される発電電力指令値Ｐｐｒｏｆ（ｉ）［ｋＷｈ］となるように発電を行う。

図１２は、燃料電池発電システムの発電電力と貯湯量との関係の一例を示す説明図である。図１２には、現在時刻における使用電力予測値Ｐｇｅｎｅ（ｉ）［ｋＷｈ］、給湯量予測値Ｐｈｏｔ（ｉ）［ｋＷｈ］、発電電力指令値Ｐｐｒｏｆ（ｉ）［ｋＷｈ］、発電給湯負荷Ｑｇｅｎｅ（ｉ）［ｋＷｈ］、予測積算貯湯熱量Ｑａｄｄ（ｉ）［ｋＷｈ］現在の貯湯熱量Ｑｎｏｗ（ｉ）［ｋＷｈ］、最大貯湯可能熱量Ｑｍａｘ［ｋＷｈ］の関係を示している。

仮に、発電電力指令値Ｐｐｒｏｆ（ｉ）［ｋＷｈ］が使用電力予測値Ｐｇｅｎｅ（ｉ）［ｋＷｈ］に常に等しい運転、いわゆる電主運転を行った場合は予測積算貯湯熱量Ｑａｄｄ（ｉ）［ｋＷｈ］が「修正前」で示されるように、例えば１０時間後のＱａｄｄ（１０）で貯湯タンク１０６の最大貯湯可能熱量Ｑｍａｘ［ｋＷｈ］を越えてしまい、燃料電池発電装置１００を停止、あるいはタンク熱量の一部を放熱する必要がありロスが発生してしまう。したがって、この場合は、ステップＳ１１〜Ｓ２７を繰り返すことで、発電電力指令値Ｐｐｒｏｆ（ｉ）［ｋＷｈ］が修正され、最終的に予測積算貯湯熱量Ｑａｄｄ（ｉ）［ｋＷｈ］は「修正後」に示されるように修正され、最大貯湯可能熱量Ｑｍａｘ［ｋＷｈ］を越えないようにすることができるのである。また、ステップＳ１１〜Ｓ２７の動作を１時間ごとに行うことで、常に２４時間先まで予測積算貯湯熱量Ｑａｄｄ（ｉ）［ｋＷｈ］が最大貯湯可能熱量Ｑｍａｘ［ｋＷｈ］を越えないで運転することができるために燃料電池発電装置１００を停止、あるいはタンク熱量の一部を放熱によるロスの発生を抑制し、効率の良い運転を行うことができる。

以上、本発明によれば発電指令部２２０が、使用電力予測部２００からの使用電力予測値と給湯量予測部２４０からの給湯量予測値より、貯湯タンク１０６のお湯が一杯にならないような発電指令電力値を得ることができるために、電力や給湯の異なる利用環境の家庭ごとにでも省エネ性を確保した運転が可能となる。

また、家電機器１０４が使用する使用電力及び給湯機器１０８が供給する給湯量が計測され、計測された使用電力及び給湯量に基づいて、所定の時刻から所定の時間分だけ将来の使用電力及び給湯量が予測され、予測された使用電力の予測値および給湯量の予測値に基づいて燃料電池発電装置１００の発電電力の調整が行われるので、家庭毎に異なる使用電力および給湯量を予測して燃料電池発電装置１００の発電電力を効率的に制御することができ、温水が貯湯タンク１０６に一杯になり熱を外部に放熱させたり燃料電池発電装置１００を完全に停止させなければならず再起動による立ち上がりロスが発生するようなことがなくなり省エネルギー化を実現することができる。

さらに、使用電力の予測値と給湯量の予測値とに基づいて現在の貯湯量から積算される積算貯湯量が予測され、予測された積算貯湯量が予め決められている最大貯湯可能量を越える場合、使用電力の予測値を微小に減少させる修正が行われ、修正した使用電力の予測値と給湯量の予測値とに基づいて現在の貯湯量から積算される積算貯湯量がさらに予測される。そして、予測された積算貯湯量が予め決められている最大貯湯可能量を下回る場合、最終的に求められた使用電力の予測値に基づいて燃料電池発電装置１００の動作が制御される。したがって、燃料電池発電装置１００を完全に停止させることなく発電電力を調整することで省エネルギーかを実現することができる。

なお、本発明の燃料電池発電システム２では電力計１０３や給湯負荷計１０９を含んだ構成にしているが、本発明は特にこれに限定されず、電力計１０３及び／又は給湯負荷計１０９を燃料電池発電システム２の外部に設け、データのみを取得する構成にしても所望の効果が得られることは言うまでもない。

なお、本実施形態では、燃料電池発電装置１００の停止を行うことなく、燃料電池発電装置１００を起動しながら、発電電力指令値を調節することによって、温水が貯湯タンクに一杯になるのを防止している。しかしながら、本発明は特にこれに限定されず、発電指令部２２０は、使用電力予測部２００から得られる使用電力の予測値と、給湯量予測部２４０から得られる給湯量の予測値とに基づいて現在の貯湯量から積算される積算貯湯量を予測し、予測した積算貯湯量が予め決められている最大貯湯可能量を越え、かつ前記使用電力予測手段から得られる使用電力の予測値が所定の下限値を所定の時間だけ連続して下回る場合に、最大貯湯可能量を超えた時刻から燃料電池発電装置１００の停止動作を行ってもよい。

また、発電指令部２２０は、使用電力予測部２００から得られる使用電力の予測値と、給湯量予測部２４０から得られる給湯量の予測値とに基づいて現在の貯湯量から積算される積算貯湯量を予測し、予測した積算貯湯量が予め決められている最大貯湯可能量を越え、かつ使用電力予測部２００から得られる使用電力の予測値が所定の下限値を所定の時間だけ連続して上回る場合に、予測値が所定の下限値を上回った時刻から燃料電池発電装置１００の起動に必要な時間を引いた時刻から燃料電池発電装置１００の起動動作を行う。これらの場合、燃料電池発電装置１００を停止させるため再起動による立ち上がりロスが発生するものの、不要な発電を行わないので省エネルギー化を実現することができる。

本発明に係る燃料電池発電システム及びその制御方法は、エンジンなどの他の発動手段を有する発電装置等にも利用が可能である。また、使用電力の変わりに使用湯量等の制御にも適用が可能である。

本発明の第１の実施形態に係る燃料電池発電システムの全体構成を示す図である。 図１に示すコントローラの構成を示すブロック図である。 図２のニューロモデル予測部で使用するニューラルネットワークモデルの構成について説明するための図である。 図２の発電指令部の動作を説明するためのフローチャートである。 燃料電池発電システムの発電電力と使用電力予測値との関係の一例を示した説明図である。 図２の電力計測部によって計測される使用電力について説明するための図である。 本発明の第２の実施形態に係る燃料電池発電システムの全体構成を示す図である。 図７に示すコントローラの構成を示すブロック図である。 図８のニューロモデル予測部で使用する使用電力量を予測するためのニューラルネットワークモデルの構成について説明するための図である。 図８のニューロモデル予測部で使用する給湯量を予測するためのニューラルネットワークモデルの構成について説明するための図である。 図８の発電指令部の動作を説明するためのフローチャートである。 燃料電池発電システムの発電電力と貯湯量との関係の一例を示す説明図である。

符号の説明

１，２ 燃料電池発電システム
１００ 燃料電池発電装置
１０１ コントローラ
１０２ インバータ
１０３ 電力計
１０４ 家電機器
１０５ 商用電源
１０６ 貯湯タンク
１０７ バックアップバーナ
１０８ 給湯機器
１０９ 給湯負荷計
１１０ 市水供給部
２００ 使用電力予測部
２０２，２４２ ニューロモデル予測部
２０３，２４３ ニューロモデル学習部
２０４，２４４ 予測用データ保持部
２０５，２４５ 学習用データ保持部
２２０ 発電指令部
２３０ 電力計測部
２４０ 給湯量予測部
２５０ 給湯量計測部

Claims (11)

1. 電気機器に供給する電力を発生させる燃料電池発電装置を備える燃料電池発電システムであって、
   前記電気機器が使用する使用電力を計測する電力計測手段と、
   前記電力計測手段によって計測された使用電力に基づいて、所定の時刻から所定の時間分だけ将来の使用電力を予測する使用電力予測手段と、
   前記使用電力予測手段によって予測された使用電力の予測値に基づいて前記燃料電池発電装置の動作を制御する動作制御手段とを備え、
   前記使用電力予測手段は、前記所定の時刻以前の使用電力を予測用データとして保持する第１の予測用データ保持手段と、
   前記第１の予測用データ保持手段によって保持された予測用データを入力値としてニューラルネットワークモデルによって所定の時刻から所定の時間分だけ将来の使用電力を予測する第１のニューロモデル予測手段と、
   前記第１のニューロモデル予測手段によって予測される時間帯と同一時間帯における前記使用電力の実測値を学習用データとして保持する第１の学習用データ保持手段と、
   前記第１の学習用データ保持手段によって保持された学習用データと、前記第１のニューロモデル予測手段によって予測される使用電力の予測値とに基づいて前記第１のニューロモデル予測手段のニューラルネットワークモデルを学習する第１のニューロモデル学習手段とを含むことを特徴とする燃料電池発電システム。
2. 前記動作制御手段は、前記使用電力予測手段から得られる使用電力の予測値が所定の下限値を所定の時間だけ連続して上回る場合に、前記予測値が所定の下限値を上回った時刻から前記燃料電池発電装置の起動に必要な時間を引いた時刻から前記燃料電池発電装置の起動動作を行うことを特徴とする請求項１記載の燃料電池発電システム。
3. 前記動作制御手段は、前記使用電力予測手段から得られる使用電力の予測値が所定の下限値を所定の時間だけ連続して下回る場合に、前記予測値が所定の下限値を下回った時刻から前記燃料電池発電装置の停止動作を行うことを特徴とする請求項１記載の燃料電池発電システム。
4. 前記電力計測手段は、前記電気機器の使用電力が発電電力の上限値を超える場合、当該上限値を使用電力として計測することを特徴とする請求項１記載の燃料電池発電システム。
5. 前記燃料電池発電装置を利用して給湯を行う給湯機器が供給する給湯量を計測する給湯計測手段と、
   前記給湯計測手段によって計測された給湯量に基づいて、所定の時刻から所定の時刻分だけ将来の給湯量を予測する給湯量予測手段とをさらに備え、
   前記動作制御手段は、前記使用電力予測手段によって予測された使用電力の予測値と前記給湯量予測手段によって予測された給湯量の予測値とに基づいて前記燃料電池発電装置の動作を制御し、
   前記給湯量予測手段は、前記所定の時刻以前の給湯量を予測用データとして保持する第２の予測用データ保持手段と、
   前記第２の予測用データ保持手段によって保持された予測用データを入力値としてニューラルネットワークモデルによって所定の時刻から所定の時間分だけ将来の給湯量を予測する第２のニューロモデル予測手段と、
   前記第２のニューロモデル予測手段によって予測される時間帯と同一時間帯における前記給湯量の実測値を学習用データとして保持する第２の学習用データ保持手段と、
   前記第２の学習用データ保持手段によって保持された学習用データと、前記第２のニューロモデル予測手段によって予測される給湯量の予測値とに基づいて前記第２のニューロモデル予測手段のニューラルネットワークモデルを学習する第２のニューロモデル学習手段とを含むことを特徴とする請求項１記載の燃料電池発電システム。
6. 電気機器に供給する電力を発生させる燃料電池発電装置を備える燃料電池発電システムであって、
   前記電気機器が使用する使用電力を計測する電力計測手段と、
   前記電力計測手段によって計測された使用電力に基づいて、所定の時刻から所定の時間分だけ将来の使用電力を予測する使用電力予測手段と、
   前記使用電力予測手段によって予測された使用電力の予測値に基づいて前記燃料電池発電装置の動作を制御する動作制御手段と、
   前記燃料電池発電装置を利用して給湯を行う給湯機器が供給する給湯量を計測する給湯計測手段と、
   前記給湯計測手段によって計測された給湯量に基づいて、所定の時刻から所定の時刻分だけ将来の給湯量を予測する給湯量予測手段とを備え、
   前記動作制御手段は、前記使用電力予測手段によって予測された使用電力の予測値と前記給湯量予測手段によって予測された給湯量の予測値とに基づいて前記燃料電池発電装置の動作を制御し、
   前記動作制御手段は、前記使用電力予測手段から得られる使用電力の予測値と前記給湯量予測手段から得られる給湯量の予測値とに基づいて現在の貯湯量から積算される積算貯湯量を予測し、予測した積算貯湯量が予め決められている最大貯湯可能量を越えないように発電電力を調整し、
   前記使用電力予測手段は、前記所定の時刻以前の使用電力を予測用データとして保持する第１の予測用データ保持手段と、
   前記第１の予測用データ保持手段によって保持された予測用データを入力値としてニューラルネットワークモデルによって所定の時刻から所定の時間分だけ将来の使用電力を予測する第１のニューロモデル予測手段と、
   前記第１のニューロモデル予測手段によって予測される時間帯と同一時間帯における前記使用電力の実測値を学習用データとして保持する第１の学習用データ保持手段と、
   前記第１の学習用データ保持手段によって保持された学習用データと、前記第１のニューロモデル予測手段によって予測される使用電力の予測値とに基づいて前記第１のニューロモデル予測手段のニューラルネットワークモデルを学習する第１のニューロモデル学習手段とを含み、
   前記給湯量予測手段は、前記所定の時刻以前の給湯量を予測用データとして保持する第２の予測用データ保持手段と、
   前記第２の予測用データ保持手段によって保持された予測用データを入力値としてニューラルネットワークモデルによって所定の時刻から所定の時間分だけ将来の給湯量を予測する第２のニューロモデル予測手段と、
   前記第２のニューロモデル予測手段によって予測される時間帯と同一時間帯における前記給湯量の実測値を学習用データとして保持する第２の学習用データ保持手段と、
   前記第２の学習用データ保持手段によって保持された学習用データと、前記第２のニューロモデル予測手段によって予測される給湯量の予測値とに基づいて前記第２のニューロモデル予測手段のニューラルネットワークモデルを学習する第２のニューロモデル学習手段とを含むことを特徴とする燃料電池発電システム。
7. 電気機器に供給する電力を発生させる燃料電池発電装置を備える燃料電池発電システムであって、
   前記電気機器が使用する使用電力を計測する電力計測手段と、
   前記電力計測手段によって計測された使用電力に基づいて、所定の時刻から所定の時間分だけ将来の使用電力を予測する使用電力予測手段と、
   前記使用電力予測手段によって予測された使用電力の予測値に基づいて前記燃料電池発電装置の動作を制御する動作制御手段と、
   前記燃料電池発電装置を利用して給湯を行う給湯機器が供給する給湯量を計測する給湯計測手段と、
   前記給湯計測手段によって計測された給湯量に基づいて、所定の時刻から所定の時刻分だけ将来の給湯量を予測する給湯量予測手段とを備え、
   前記動作制御手段は、前記使用電力予測手段によって予測された使用電力の予測値と前記給湯量予測手段によって予測された給湯量の予測値とに基づいて前記燃料電池発電装置の動作を制御し、
   前記動作制御手段は、前記使用電力予測手段から得られる使用電力の予測値と前記給湯量予測手段から得られる給湯量の予測値とに基づいて現在の貯湯量から積算される積算貯湯量を予測し、予測した積算貯湯量が予め決められている最大貯湯可能量を越える場合、前記使用電力の予測値を微小に減少させる修正を行い、修正した使用電力の予測値と前記給湯量予測手段から得られる給湯量の予測値とに基づいて現在の貯湯量から積算される積算貯湯量をさらに予測し、
   前記使用電力予測手段は、前記所定の時刻以前の使用電力を予測用データとして保持する第１の予測用データ保持手段と、
   前記第１の予測用データ保持手段によって保持された予測用データを入力値としてニューラルネットワークモデルによって所定の時刻から所定の時間分だけ将来の使用電力を予測する第１のニューロモデル予測手段と、
   前記第１のニューロモデル予測手段によって予測される時間帯と同一時間帯における前記使用電力の実測値を学習用データとして保持する第１の学習用データ保持手段と、
   前記第１の学習用データ保持手段によって保持された学習用データと、前記第１のニューロモデル予測手段によって予測される使用電力の予測値とに基づいて前記第１のニューロモデル予測手段のニューラルネットワークモデルを学習する第１のニューロモデル学習手段とを含み、
   前記給湯量予測手段は、前記所定の時刻以前の給湯量を予測用データとして保持する第２の予測用データ保持手段と、
   前記第２の予測用データ保持手段によって保持された予測用データを入力値としてニューラルネットワークモデルによって所定の時刻から所定の時間分だけ将来の給湯量を予測する第２のニューロモデル予測手段と、
   前記第２のニューロモデル予測手段によって予測される時間帯と同一時間帯における前記給湯量の実測値を学習用データとして保持する第２の学習用データ保持手段と、
   前記第２の学習用データ保持手段によって保持された学習用データと、前記第２のニューロモデル予測手段によって予測される給湯量の予測値とに基づいて前記第２のニューロモデル予測手段のニューラルネットワークモデルを学習する第２のニューロモデル学習手段とを含むことを特徴とする燃料電池発電システム。
8. 電気機器に供給する電力を発生させる燃料電池発電装置を備える燃料電池発電システムであって、
   前記電気機器が使用する使用電力を計測する電力計測手段と、
   前記電力計測手段によって計測された使用電力に基づいて、所定の時刻から所定の時間分だけ将来の使用電力を予測する使用電力予測手段と、
   前記使用電力予測手段によって予測された使用電力の予測値に基づいて前記燃料電池発電装置の動作を制御する動作制御手段と、
   前記燃料電池発電装置を利用して給湯を行う給湯機器が供給する給湯量を計測する給湯計測手段と、
   前記給湯計測手段によって計測された給湯量に基づいて、所定の時刻から所定の時刻分だけ将来の給湯量を予測する給湯量予測手段とを備え、
   前記動作制御手段は、前記使用電力予測手段によって予測された使用電力の予測値と前記給湯量予測手段によって予測された給湯量の予測値とに基づいて前記燃料電池発電装置の動作を制御し、
   前記動作制御手段は、前記使用電力予測手段から得られる使用電力の予測値と前記給湯量予測手段から得られる給湯量の予測値とに基づいて現在の貯湯量から積算される積算貯湯量を予測し、予測した積算貯湯量が予め決められている最大貯湯可能量を越え、かつ前記使用電力予測手段から得られる使用電力の予測値が所定の下限値を所定の時間だけ連続して下回る場合に、最大貯湯可能量を超えた時刻から前記燃料電池発電装置の停止動作を行い、
   前記使用電力予測手段は、前記所定の時刻以前の使用電力を予測用データとして保持する第１の予測用データ保持手段と、
   前記第１の予測用データ保持手段によって保持された予測用データを入力値としてニューラルネットワークモデルによって所定の時刻から所定の時間分だけ将来の使用電力を予測する第１のニューロモデル予測手段と、
   前記第１のニューロモデル予測手段によって予測される時間帯と同一時間帯における前記使用電力の実測値を学習用データとして保持する第１の学習用データ保持手段と、
   前記第１の学習用データ保持手段によって保持された学習用データと、前記第１のニューロモデル予測手段によって予測される使用電力の予測値とに基づいて前記第１のニューロモデル予測手段のニューラルネットワークモデルを学習する第１のニューロモデル学習手段とを含み、
   前記給湯量予測手段は、前記所定の時刻以前の給湯量を予測用データとして保持する第２の予測用データ保持手段と、
   前記第２の予測用データ保持手段によって保持された予測用データを入力値としてニューラルネットワークモデルによって所定の時刻から所定の時間分だけ将来の給湯量を予測する第２のニューロモデル予測手段と、
   前記第２のニューロモデル予測手段によって予測される時間帯と同一時間帯における前記給湯量の実測値を学習用データとして保持する第２の学習用データ保持手段と、
   前記第２の学習用データ保持手段によって保持された学習用データと、前記第２のニューロモデル予測手段によって予測される給湯量の予測値とに基づいて前記第２のニューロモデル予測手段のニューラルネットワークモデルを学習する第２のニューロモデル学習手段とを含むことを特徴とする燃料電池発電システム。
9. 電気機器に供給する電力を発生させる燃料電池発電装置を備える燃料電池発電システムであって、
   前記電気機器が使用する使用電力を計測する電力計測手段と、
   前記電力計測手段によって計測された使用電力に基づいて、所定の時刻から所定の時間分だけ将来の使用電力を予測する使用電力予測手段と、
   前記使用電力予測手段によって予測された使用電力の予測値に基づいて前記燃料電池発電装置の動作を制御する動作制御手段と、
   前記燃料電池発電装置を利用して給湯を行う給湯機器が供給する給湯量を計測する給湯計測手段と、
   前記給湯計測手段によって計測された給湯量に基づいて、所定の時刻から所定の時刻分だけ将来の給湯量を予測する給湯量予測手段とを備え、
   前記動作制御手段は、前記使用電力予測手段によって予測された使用電力の予測値と前記給湯量予測手段によって予測された給湯量の予測値とに基づいて前記燃料電池発電装置の動作を制御し、
   前記動作制御手段は、前記使用電力予測手段から得られる使用電力の予測値と前記給湯量予測手段から得られる給湯量の予測値とに基づいて現在の貯湯量から積算される積算貯湯量を予測し、予測した積算貯湯量が予め決められている最大貯湯可能量を越え、かつ前記使用電力予測手段から得られる使用電力の予測値が所定の下限値を所定の時間だけ連続して上回る場合に、前記予測値が所定の下限値を上回った時刻から前記燃料電池発電装置の起動に必要な時間を引いた時刻から前記燃料電池発電装置の起動動作を行い、
   前記使用電力予測手段は、前記所定の時刻以前の使用電力を予測用データとして保持する第１の予測用データ保持手段と、
   前記第１の予測用データ保持手段によって保持された予測用データを入力値としてニューラルネットワークモデルによって所定の時刻から所定の時間分だけ将来の使用電力を予測する第１のニューロモデル予測手段と、
   前記第１のニューロモデル予測手段によって予測される時間帯と同一時間帯における前記使用電力の実測値を学習用データとして保持する第１の学習用データ保持手段と、
   前記第１の学習用データ保持手段によって保持された学習用データと、前記第１のニューロモデル予測手段によって予測される使用電力の予測値とに基づいて前記第１のニューロモデル予測手段のニューラルネットワークモデルを学習する第１のニューロモデル学習手段とを含み、
   前記給湯量予測手段は、前記所定の時刻以前の給湯量を予測用データとして保持する第２の予測用データ保持手段と、
   前記第２の予測用データ保持手段によって保持された予測用データを入力値としてニューラルネットワークモデルによって所定の時刻から所定の時間分だけ将来の給湯量を予測する第２のニューロモデル予測手段と、
   前記第２のニューロモデル予測手段によって予測される時間帯と同一時間帯における前記給湯量の実測値を学習用データとして保持する第２の学習用データ保持手段と、
   前記第２の学習用データ保持手段によって保持された学習用データと、前記第２のニューロモデル予測手段によって予測される給湯量の予測値とに基づいて前記第２のニューロモデル予測手段のニューラルネットワークモデルを学習する第２のニューロモデル学習手段とを含むことを特徴とする燃料電池発電システム。
10. 電気機器に供給する電力を発生させる燃料電池発電装置を備える燃料電池発電システムの制御方法であって、
    前記電気機器が使用する使用電力を計測する電力計測ステップと、
    前記電力計測ステップにおいて計測された使用電力に基づいて、所定の時刻から所定の時間分だけ将来の使用電力を予測する使用電力予測ステップと、
    前記使用電力予測ステップにおいて予測された使用電力の予測値に基づいて前記燃料電池発電装置の動作を制御する動作制御ステップとを含み、
    前記使用電力予測ステップは、前記所定の時刻以前の使用電力を予測用データとして保持する第１の予測用データ保持ステップと、
    前記第１の予測用データ保持ステップにおいて保持された予測用データを入力値としてニューラルネットワークモデルによって所定の時刻から所定の時間分だけ将来の使用電力を予測する第１のニューロモデル予測ステップと、
    前記第１のニューロモデル予測ステップにおいて予測される時間帯と同一時間帯における前記使用電力の実測値を学習用データとして保持する第１の学習用データ保持ステップと、
    前記第１の学習用データ保持ステップにおいて保持された学習用データと、前記第１のニューロモデル予測ステップにおいて予測される使用電力の予測値とに基づいて前記第１のニューロモデル予測ステップのニューラルネットワークモデルを学習する第１のニューロモデル学習ステップとを含むことを特徴とする燃料電池発電システムの制御方法。
11. 前記燃料電池発電装置を利用して給湯を行う給湯機器が供給する給湯量を計測する給湯計測ステップと、
    前記給湯計測ステップにおいて計測された給湯量に基づいて、所定の時刻から所定の時刻分だけ将来の給湯量を予測する給湯量予測ステップとをさらに含み、
    前記動作制御ステップは、前記使用電力予測ステップにおいて予測された使用電力の予測値と前記給湯量予測ステップにおいて予測された給湯量の予測値とに基づいて前記燃料電池発電装置の動作を制御するステップを含み、
    前記給湯量予測ステップは、前記所定の時刻以前の給湯量を予測用データとして保持する第２の予測用データ保持ステップと、
    前記第２の予測用データ保持ステップにおいて保持された予測用データを入力値としてニューラルネットワークモデルによって所定の時刻から所定の時間分だけ将来の給湯量を予測する第２のニューロモデル予測ステップと、
    前記第２のニューロモデル予測ステップにおいて予測される時間帯と同一時間帯における前記給湯量の実測値を学習用データとして保持する第２の学習用データ保持ステップと、
    前記第２の学習用データ保持ステップにおいて保持された学習用データと、前記第２のニューロモデル予測ステップにおいて予測される給湯量の予測値とに基づいて前記第２のニューロモデル予測ステップのニューラルネットワークモデルを学習する第２のニューロモデル学習ステップとを含むことを特徴とする請求項１０記載の燃料電池発電システムの制御方法。