JP6633655B2 - 水素需要量予測システム - Google Patents

水素需要量予測システム Download PDF

Info

Publication number
JP6633655B2
JP6633655B2 JP2017563420A JP2017563420A JP6633655B2 JP 6633655 B2 JP6633655 B2 JP 6633655B2 JP 2017563420 A JP2017563420 A JP 2017563420A JP 2017563420 A JP2017563420 A JP 2017563420A JP 6633655 B2 JP6633655 B2 JP 6633655B2
Authority
JP
Japan
Prior art keywords
hydrogen
amount
prediction
demand
pattern
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
JP2017563420A
Other languages
English (en)
Other versions
JPWO2017130280A1 (ja
Inventor
秋葉　剛史
剛史 秋葉
史之 山根
史之 山根
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Toshiba Corp
Toshiba Energy Systems and Solutions Corp
Original Assignee
Toshiba Corp
Toshiba Energy Systems and Solutions Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Toshiba Corp, Toshiba Energy Systems and Solutions Corp filed Critical Toshiba Corp
Publication of JPWO2017130280A1 publication Critical patent/JPWO2017130280A1/ja
Application granted granted Critical
Publication of JP6633655B2 publication Critical patent/JP6633655B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L50/00—Electric propulsion with power supplied within the vehicle
    • B60L50/50—Electric propulsion with power supplied within the vehicle using propulsion power supplied by batteries or fuel cells
    • B60L50/70—Electric propulsion with power supplied within the vehicle using propulsion power supplied by batteries or fuel cells using power supplied by 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
    • H01M8/06—Combination of fuel cells with means for production of reactants or for treatment of residues
    • H01M8/0606—Combination of fuel cells with means for production of reactants or for treatment of residues with means for production of gaseous reactants
    • C—CHEMISTRY; METALLURGY
    • C01—INORGANIC CHEMISTRY
    • C01B—NON-METALLIC ELEMENTS; COMPOUNDS THEREOF; METALLOIDS OR COMPOUNDS THEREOF NOT COVERED BY SUBCLASS C01C
    • C01B3/00—Hydrogen; Gaseous mixtures containing hydrogen; Separation of hydrogen from mixtures containing it; Purification of hydrogen
    • 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
    • Y02E60/32—Hydrogen storage
    • 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
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/40—Application of hydrogen technology to transportation, e.g. using fuel cells

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Chemical & Material Sciences (AREA)
  • General Chemical & Material Sciences (AREA)
  • Transportation (AREA)
  • Electrochemistry (AREA)
  • Manufacturing & Machinery (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Mechanical Engineering (AREA)
  • Organic Chemistry (AREA)
  • Power Engineering (AREA)
  • Combustion & Propulsion (AREA)
  • Inorganic Chemistry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Hydrogen, Water And Hydrids (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Fuel Cell (AREA)

Description

本発明の実施形態は、水素需要量予測システムに関する。
クリーンな次世代エネルギーとして水素が注目されており、この水素を燃料とする燃料電池（ＦＣ：Fuel Cell）車両が増加すると予想されている。物流事業での倉庫等で使われるフォークリフトについても、これまで利用されてきたディーゼルエンジン方式やバッテリ方式のフォークリフトに代わり、ＦＣフォークリフト（燃料電池式フォークリフト（以下、ＦＣ車両と称することがある））が増加してくると予想されている。
水素は、主に水素ステーションの水電解装置により製造される。水電解には電気が必要である。また、水電解装置の水素製造能力は予め決まっているため、ＦＣフォークリフトが水素の充填のために水素ステーションに来るタイミングによっては、必要な水素が水素ステーションで用意できておらず、充填待ちを発生させてしまう可能性がある。
充填待ち発生を抑制する水素製造計画を立てるためには、ＦＣフォークリフトが水素充填を行うタイミングと必要な充填水素量を予測（需要予測）するシステムが必要となる。
特開２００６‐１７９７号公報
従来より、蓄圧器の充填実績データに基づいて需要予測を行うという提案はなされている。しかし、この提案では一般の燃料電池自動車（ＦＣＶ：Fuel Cell Vehicle）を想定しており、また、具体的な需要予測の方法は明示されていない。
本発明が解決しようとする課題は、水素充填待ち発生を抑制することが可能な水素需要量予測システムを提供することである。
実施形態における水素需要量予測システムは、水素を製造する水素製造手段と、前記水素製造手段が製造した水素により発電する燃料電池で駆動する燃料電池車両の水素貯蔵要求量を求めることで、前記燃料電池車両の水素需要予測を行う需要予測手段と、前記水素貯蔵要求量に基づいて、前記水素製造手段を制御するための水素製造計画を管理する管理手段とを備え、前記需要予測手段は、前記燃料電池車両の過去の水素充填実績を含む入力データを前記管理手段から入力し、前記入力データを、需要予測対象日の１日の充填水素量の総量である日量と、前記１日の所定の充填タイミングにおける充填水素量を前記総量で除して正規化したパタンとに分割して、前記日量と前記パタンのそれぞれの水素需要予測モデルを構築し、前記日量の予測モデルは、前記日量に影響を与える因子により分類され、前記パタンの予測モデルは、前記パタンに影響を与える因子により分類され、前記需要予測対象日の因子と前記分類された予測モデルとに基づく、前記需要予測対象日の前記日量と前記パタンの検索結果を掛け合わせて、前記需要予測対象日における充填水素量の絶対量としての予測結果を求める２４時間分予測部と、前記予測結果にマージン分の充填水素量を加算して、前記水素貯蔵要求量を計算し、前記計算した水素貯蔵要求量を前記管理手段に通知する水素貯蔵要求量計算部と、前記予測結果で示される充填水素量と実際の充填水素量との差分が所定の条件を満たして大きい場合、前記日量と前記パタンとに分割する前の前記入力データの中から、前記需要予測対象日の当日の開始時刻から、前記差分が前記条件を満たして大きくなる時刻までについて、実際の前記充填水素量の変化に最も類似する前記入力データを前記充填水素量の再予測結果とし、前記再予測結果を新たな水素貯蔵要求量として前記管理手段に通知する再予測部とを有する。
第１の実施形態における水素需要量予測システムの構成例を示す図。 第１の実施形態における水素需要量予測システムの水素ＭＭＳの機能構成例を示すブロック図。 第１の実施形態における水素需要量予測システムに関わる燃料電池車両が利用する倉庫のエリアの一例を示す図。 第１の実施形態における水素需要量予測システムの水素ＭＭＳのシーケンスの一例を示す図。 第１の実施形態における水素需要量予測システムの水素ＭＭＳによる２４時間分予測の手順の一例を示す図。 第１の実施形態における水素需要量予測システムの水素ＭＭＳによる２４時間分予測の学習フェーズの処理手順の一例を示す図。 第１の実施形態における水素需要量予測システムの水素ＭＭＳに関わる充填水素量の一例を示す図。 第１の実施形態における水素需要量予測システムの水素ＭＭＳによる２４時間分予測の学習フェーズの日量・パタン分割の処理手順の一例を示す図。 第１の実施形態における水素需要量予測システムの水素ＭＭＳによる２４時間分予測の学習フェーズの日量・パタン分割の一例を示す図。 第１の実施形態における水素需要量予測システムの水素ＭＭＳによる２４時間分予測の学習フェーズの因子分類の処理手順の一例を示す図。 第１の実施形態における水素需要量予測システムの水素ＭＭＳによる２４時間分予測の学習フェーズの因子分類の一例を示す図。 第１の実施形態における水素需要量予測システムの水素ＭＭＳによる２４時間分予測の学習フェーズの日量モデル構築の処理手順の一例を示す図。 第１の実施形態における水素需要量予測システムの水素ＭＭＳによる２４時間分予測の学習フェーズの日量モデル構築の一例を示す図。 第１の実施形態における水素需要量予測システムの水素ＭＭＳによる２４時間分予測の学習フェーズのパタンモデル構築の処理手順の一例を示す図。 第１の実施形態における水素需要量予測システムの水素ＭＭＳによる２４時間分予測の予測フェーズの処理手順の一例を示す図。 第１の実施形態における水素需要量予測システムの水素ＭＭＳによる再予測の処理手順の一例を示す図。 第１の実施形態における水素需要量予測システムの水素ＭＭＳによる再予測の一例を示す図。 第１の実施形態における水素需要量予測システムの水素ＭＭＳによる水素貯蔵要求量計算の処理手順の一例を示す図。 第１の実施形態における水素需要量予測システムの水素ＭＭＳによる水素貯蔵要求量計算の処理手順の別の例を示す図。 第２の実施形態における水素需要量予測システムの水素ＭＭＳによる２４時間分予測の学習フェーズの処理手順の一例を示す図。 第２の実施形態における水素需要量予測システムの水素ＭＭＳによる分布モデル構築の処理手順の一例を示す図。 第２の実施形態における水素需要量予測システムの水素ＭＭＳによる分布モデル構築時の２４時間分予測の予測フェーズの処理手順の一例を示す図。 第３の実施形態における水素需要量予測システムの水素ＭＭＳによる２４時間分予測の学習フェーズの処理手順の一例を示す図。 第４の実施形態における水素需要量予測システムの水素ＭＭＳによる２４時間分予測の学習フェーズの処理手順の一例を示す図。 第７の実施形態における水素需要量予測システムの水素ＭＭＳによる２４時間分予測の学習フェーズのパタンモデル構築の処理手順の一例を示す図。 第７の実施形態における水素需要量予測システムの水素ＭＭＳによる２４時間分予測の学習フェーズのパタンモデル構築の処理手順の一例を示す図。 第７の実施形態における水素需要量予測システムの水素ＭＭＳによる２４時間分予測の学習フェーズのパタンモデル構築の処理手順の一例を示す図。 第８の実施形態における水素需要量予測システムの水素ＭＭＳによる２４時間分予測の学習フェーズのパタンモデル構築の処理手順の一例を示す図。 第８の実施形態における水素需要量予測システムの水素ＭＭＳによる２４時間分予測の学習フェーズのパタンモデル構築の処理手順の一例を示す図。 第８の実施形態における水素需要量予測システムの水素ＭＭＳによる２４時間分予測の学習フェーズのパタンモデル構築の処理手順の一例を示す図。 第９の実施形態における水素需要量予測システムの水素ＭＭＳによる確率分布を利用したマージン設定の一例を示す図。 第１０の実施形態における水素需要量予測システムの水素ＭＭＳと水素ＥＭＳとの物理的な配置方法と通信機能について説明する図。 第１０の実施形態における水素需要量予測システムの構成例を示す図。 第１０の実施形態における水素需要量予測システムの水素ＭＭＳの機能構成例を示すブロック図。 第１１の実施形態における水素需要量予測システムの水素ＭＭＳの機能構成例を示すブロック図。
以下、実施形態について図面を用いて説明する。図１は、実施形態における水素需要量予測システムの構成例を示す図である。図１に示すように、実施形態における水素需要量予測システムは、水素ステーション２０、ＷＭＳ（Warehouse Management System）３１、ＡＳＮ（Advanced Shipping Notice）３２、データベース（ＤＢ（Data Base））４１，４２、水素ＭＭＳ（Mobility Management System）５０を有する。データベース４１，４２は、例えば不揮発性メモリなどの記憶装置で構成される。
発電設備（ＰＶや風力発電用設備）１０は、ＰＶや風力発電など、自然エネルギー由来の発電機能を有する設備である。
水素ステーション２０は、水電解装置２１、水素貯蔵容器２２、圧縮機２３、蓄圧器２４、ディスペンサー（dispenser）２５、水素ＥＭＳ（Energy Management System）２６を有する。
水電解装置２１は、発電設備１０による発電電力を利用して、水電解によって水素を製造する。水素貯蔵容器２２は、水電解装置２１により製造された水素を貯蔵する。この貯蔵された水素は、ビルや家庭といった需要家の燃料電池６１に供給することができる。この燃料電池６１は、発電した電気を需要家６２に供給し、また、この発電によって発生した排熱を利用して得た温水を需要家６２に供給する。圧縮機２３は、ＦＣ車両に充填するために必要な圧力になるように、水素貯蔵容器２２に貯蔵された水素を圧縮する。蓄圧器２４は、圧縮機２３による圧縮された水素を貯蔵する。ディスペンサー２５は、圧縮機２３により圧縮されて蓄圧器２４に貯蔵された水素をＦＣ車両に充填する。水素ＥＭＳ２６は、発電設備１０による発電可能量予測や、ＦＣ車両用のディスペンサー２５以外の水素貯蔵設備から水素が供給される需要家（例えば需要家６２）の水素需要予測を行う。水素ＥＭＳ２６は、これらの予測結果と、水素ＭＭＳ５０から得られる、ＦＣ車両の水素貯蔵要求量とに基づいて、水素製造計画を立案し、この計画に基づいて、水電解装置２１や圧縮機２３を制御する。
なお、水電解装置２１は、自然エネルギー由来ではない発電設備（例えば、火力発電設備）による発電電力や電力系統の電力を利用して、水電解によって水素を製造してもよい。その場合、水素ＥＭＳ２６は、発電設備１０による発電可能量予測はしないので、ＦＣ車両用のディスペンサー２５以外の水素貯蔵設備から水素が供給される需要家（例えば需要家６２）の水素需要予測を行う。水素ＥＭＳ２６は、この予測結果と、水素ＭＭＳ５０から得られる、ＦＣ車両の水素貯蔵要求量とに基づいて、水素製造計画を立案し、この計画に基づいて、水電解装置２１や圧縮機２３を制御する。
ＷＭＳ３１とＡＳＮ３２は物流システムの一種である。ＷＭＳ３１は倉庫管理システムであり、商品の管理情報をデータベース４１に格納する。ＡＳＮ３２は、商品が物流センタに届く前に納品先に送られる内容明細情報としての事前出荷通知をデータベース４２に格納する。このデータベース４２には、カレンダーデータ３３や気象予測データ３４も格納される。
水素ＭＭＳ５０は、ＷＭＳ３１、ＡＳＮ３２、気象予測データ３４、ディスペンサー２５から得られる情報を基に、ＦＣフォークリフトの水素需要予測を行う。
（第１の実施形態）
次に、第１の実施形態について説明する。まず、水素ＭＭＳ５０の全体について説明する。図２は、第１の実施形態における水素需要量予測システムの水素ＭＭＳの機能構成例を示すブロック図である。図２に示すように、水素ＭＭＳ５０は、ＵＩ（User Interface）５０ａ，５０ｃ，５０ｅ、区分・ディスペンサー設定部５０ｂ、データベース５０ｄ，５０ｆ、予測実績表示部５０ｇ、予測結果修正部５０ｈ、２４時間分予測部５０ｉ、再予測部５０ｊ、水素貯蔵要求量計算部５０ｋ、通信部５０ｍを有する。ＵＩ５０ａ，５０ｃ，５０ｅは、１つのＵＩであってもよい。データベース５０ｄ，５０ｆは１つの記憶装置で構成されてもよい。
図３は、第１の実施形態における水素需要量予測システムに関わる燃料電池車両が利用する倉庫のエリアの一例を示す図である。図４は、第１の実施形態における水素需要量予測システムの水素ＭＭＳのシーケンスの一例を示す図である。
水素ＭＭＳ５０では、（１）ＷＭＳ３１や、オペレータが操作したＵＩ５０ｃから入力してＤＢ５０ｄに蓄積された過去データと、（２）ＡＳＮ３２、カレンダーデータ３３、気象予測データ３４、オペレータが操作したＵＩ５０ｅから入力してＤＢ５０ｆに蓄積された予測対象日データとに基づいて、２４時間分予測部５０ｉが２４時間分の水素需要予測を行ない（Ｓ１）、その予測結果に基づいて水素貯蔵要求量計算部５０ｋが水素貯蔵要求量を計算して（Ｓ２）、通信部５０ｍから水素ＥＭＳ２６に通知する。
上記の通知後に水素ＥＭＳ２６が水素製造計画を立案して（Ｓ３）、ＦＣフォークリフトが実際に水素の充填を行なって完了したタイミングで（Ｓ４）、水素ＭＭＳ５０が再予測実施判断を行い（Ｓ５）、Ｓ１での予測結果に対する水素充填の実績値の誤差が大きい場合は再予測部５０ｊによる再予測を行う（Ｓ６）。この場合、再予測結果に基づいて水素貯蔵要求量計算部５０ｋが水素貯蔵要求量を計算して（Ｓ７）、通信部５０ｍから水素ＥＭＳ２６に通知する。この通知後に水素ＥＭＳ２６が水素製造計画を再度立案する（Ｓ８）。
２４時間分予測部５０ｉによる水素需要予測は、各区分に対して行われる。この区分とは、ＦＣフォークリフトが担当する作業によって分けて、水素需要予測のための単位として定義する。
需要予測に関わる区分である、倉庫のエリアの区分が図３に示す区分であったとして、４台のＦＣフォークリフトがそれぞれのエリア専任であれば、これらのエリアが各区分となる。ディスペンサー２５が複数台あって、それぞれが離れた場所に設置されている場合、区分・ディスペンサー設定部５０ｂは、オペレータがＵＩ５０ａを操作することで入力した区分設定情報、および、ディスペンサー２５の設置場所を示す設定情報を得ると、これらの情報に基づいて、それぞれの区分を担当するＦＣフォークリフトが、どのディスペンサー２５に水素を充填しに行くかを設定するための、区分とディスペンサーとの対応付けを行なう。
この対応付けを行うことで、水素ＭＭＳ５０は、水素需要予測に基づく水素貯蔵要求量を、ディスペンサー（近くに設置されたディスペンサーは同一とみなす）毎として、水素ＥＭＳ２６に通知することができる。
このように区分毎に水素需要予測を行うことで、それぞれの区分毎のＦＣフォークリフトの作業の特徴に合わせた水素需要予測が可能となり、需要予測精度を向上させることが出来る。
また、予測実績表示部５０ｇは、予測した充填水素量（積算）と、水素貯蔵要求量と「過去実績データの充填水素量（積算）とをグラフにて画面表示する。
予測結果修正部５０ｈは、予測実績表示部５０ｇに表示された、予測した充填水素量（積算）と水素貯蔵要求量を、オペレータによるＵＩ５０ｅに対する任意の修正のための操作により修正して、新たな需要予測結果として水素貯蔵要求量計算部５０ｋに出力する。
次に、２４時間分予測について説明する。図５は、第１の実施形態における水素需要量予測システムの水素ＭＭＳによる２４時間分予測の手順の一例を示す図である。
水素ＭＭＳ５０の２４時間分予測部５０ｉは、２４時間分の水素需要予測のために、学習フェーズを実施し（Ｓ１１）、次に予測フェーズを実施する（Ｓ１２）。
次に、上記の学習フェーズについて説明する。図６は、第１の実施形態における水素需要量予測システムの水素ＭＭＳによる２４時間分予測の学習フェーズの処理手順の一例を示す図である。図７は、第１の実施形態における水素需要量予測システムの水素ＭＭＳに関わる充填水素量の一例を示す図である。
水素ＭＭＳ５０の２４時間分予測部５０ｉは、２４時間分の水素需要予測のために、図６や図７に示すような、ＦＣフォークリフトに対する充填水素量の過去実績データと、この過去実績データに紐づく因子（属性）とを用いる。この因子は、例えば、需要予測対象日の年月日、季節、曜日、当日の予想天候、前日の天候、前々日の天候、当日の予想気温、前日の気温、前々日の気温である。
２４時間分予測部５０ｉは、充填水素量の過去実績データをＤＢ５０ｄから読み出し、このデータに対する日量・パタン分割を行う（Ｓ１１ａ）。日量は充填水素量１日分の総量を示す。パタンは、この１日の中での１時間単位での充填水素量の変化を表すもので、１日の所定の充填タイミングにおける充填水素量を１日の充填水素量の総量で除して正規化したものである。
２４時間分予測部５０ｉは、日量・パタン分割により得たパタンに対する因子分類を行い（Ｓ１１ｂ）、また、日量・パタン分割により得た日量データに対する因子分類を行う（Ｓ１１ｃ）。
２４時間分予測部５０ｉは、日量データに対する因子分類結果に基づいて、日量の水素需要予測モデルである日量モデルを構築し（Ｓ１１ｄ）、また、パタンに対する因子分類結果に基づいて、パタンの水素需要予測モデルであるパタンモデルを構築する（Ｓ１１ｅ）。上記の日量・パタン分割、各因子分類、日量モデル構築、およびパタンモデル構築の各処理については後述する。
また、ＷＭＳ３１とＡＳＮ３２が利用できる場合、ＦＣフォークリフトが取り扱う商品の入荷や出荷に対する物流量とタイミングの情報を利用可能であるため、これらを過去実績データに紐づく因子とすることが出来る。２４時間分予測部５０ｉは、ＷＭＳ３１から過去の物流量とタイミングの情報を得て水素需要予測のための学習フェーズに利用し、ＡＳＮ３２から需要予測対象日の当日の物流量とタイミングの情報を得て水素需要予測のための学習フェーズに利用する。これにより需要予測精度を向上させることが出来る。
図７では１時間単位での充填水素量の積算値が示される。２４時間分予測部５０ｉは、ある１時間単位の時間の中での水素充填量の総量を求め（１時間単位での合計を求め）、この総量を、次の１時間単位の時間での最初の時刻での充填水素量とする。２４時間分予測部５０ｉ、この充填水素量に基づいて、１日の最初の時刻からの充填水素量の積算値を求めることで、図６に示した過去実績データを求めることができる。上記の、次の１時間単位の最初の時刻は、１つ前の１時間単位の時間での時刻であっても良い。
次に、日量・パタン分割の処理について説明する。図８は、第１の実施形態における水素需要量予測システムの水素ＭＭＳによる２４時間分予測の学習フェーズの日量・パタン分割の処理手順の一例を示す図である。図９は、第１の実施形態における水素需要量予測システムの水素ＭＭＳによる２４時間分予測の学習フェーズの日量・パタン分割の一例を示す図である。
２４時間分予測部５０ｉは、充填水素量の過去実績データで示される、１日分の充填水素量の総量Ｍを、その日の日量とする（Ｓ１１ａ１）。そして、２４時間分予測部５０ｉは、充填水素量の過去実績データで示される、１時間単位での各時刻での充填水素量を１／Ｍし、つまり１日の総量を１として按分を行い、その日のパタンとする（Ｓ１１ｂ）。これにより日量・パタン分割がなされる。
次に因子分類について説明する。図１０は、第１の実施形態における水素需要量予測システムの水素ＭＭＳによる２４時間分予測の学習フェーズの因子分類の処理手順の一例を示す図である。図１１は第１の実施形態における水素需要量予測システムの水素ＭＭＳによる２４時間分予測の学習フェーズの因子分類の一例を示す図である。図１０、図１１では、パタンに対する因子分類を例として説明するが、日量データに対する因子分類についても同様である。
２４時間分予測部５０ｉは、オペレータがＵＩ５０ｃを操作することでＤＢ５０ｄに格納された、過去実績データのパタンに影響を与える因子Ｆ｛ｆ１，ｆ２，…ｆｎ｝を読み出すことで、因子を準備する（Ｓ１１ｂ１）。
２４時間分予測部５０ｉは、変数ｉ＝１とし（Ｓ１１ｂ２）、ｉ＜Ｎであるか否かを判定する（Ｓ１１ｂ３）。ｉ＜Ｎであれば（Ｓ１１ｂ３のＹＥＳ）、分析対象のデータ群を因子ｆｉで分類する（Ｓ１１ｂ４）。２４時間分予測部５０ｉは、変数ｉ＝ｉ＋１とし（Ｓ１１ｂ５）、Ｓ１１ｂ３に戻る。また、ｉ＜Ｎでなければ（Ｓ１１ｂ３のＮＯ）、因子分類が終了する。
例えば、図１１に示した例では、パタンに影響を与える因子Ｆ＝｛ｆ１（＝月末か非月末か），ｆ２（＝夏かそれ以外か）｝の場合、まずは、分類前のパタンが、ｆ１（＝月末か非月末か）で月末および非月末の２つに分類される。ここでは月末とは、例えばある月の２８日から３１日までの期間とし、非月末とは、この月末以外の期間とする。この分類結果に対し、ｆ２（＝夏かそれ以外か）｝でさらに分類され、月末の夏、月末の春・秋・冬、非月末の夏、非月末の春・秋・冬の計４つに分類される。
次に、上記の日量モデル構築について説明する。図１２は、第１の実施形態における水素需要量予測システムの水素ＭＭＳによる２４時間分予測の学習フェーズの日量モデル構築の処理手順の一例を示す図である。図１３は、第１の実施形態における水素需要量予測システムの水素ＭＭＳによる２４時間分予測の学習フェーズの日量モデル構築の一例を示す図である。
２４時間分予測部５０ｉは、オペレータがＵＩ５０ｃを操作することでＤＢ５０ｄに格納された、過去実績データの日量に影響を与える因子Ｆ｛ｆ１，ｆ２，…ｆｎ｝で分類された各分類を取得する（Ｓ１１ｄ１）。２４時間分予測部５０ｉは、オペレータがＵＩ５０ｃを操作することでＤＢ５０ｄに格納された、指定された割合で、日量の最大値と最小値を除外して、残りのデータの平均値を求める（Ｓ１１ｄ２）。
例えば、図１１に示すように月末の夏で分類された各日の充填水素量の日量が１１，６８，６９，７１，７４，７５，７７，８８，８９，８４０の計１０個であって、上記の指定された割合が０．２である場合、上記の除外する数は２個である。この場合、上記の１０個のデータのうち最小値である１１と最大値である８４０が除外され、残りの８個の日量の平均７６．３７５が求められ、この値が日量モデルでの充填水素量の日量となる。
ここでは、指定された割合０．２に応じて最大値と最小値を除外したが、上記の割合を指定せず、ある分類の各日の充填水素量の日量からの除外を行わずに平均値を計算しても良い。
次に、上記のパタンモデル構築について説明する。図１４は、第１の実施形態における水素需要量予測システムの水素ＭＭＳによる２４時間分予測の学習フェーズのパタンモデル構築の処理手順の一例を示す図である。
まず、２４時間分予測部５０ｉは、オペレータがＵＩ５０ｃを操作することでＤＢ５０ｄに格納された、過去実績データのパタンに影響を与える因子Ｆ｛ｆ１，ｆ２，…ｆｎ｝で分類された各分類を取得する（Ｓ１１ｅ１）。２４時間分予測部５０ｉは、ある分類の中の充填水素量（積算）パタンをＰ＝｛Ｐ１，Ｐ２，…Ｐｎ｝とする（Ｓ１１ｅ２）。
２４時間分予測部５０ｉは、変数ｔ＝０とし（Ｓ１１ｅ３）、ｔ＜２５であるか否かを判定する（Ｓ１１ｅ４）。ｔ＜２５であれば（Ｓ１１ｅ４のＹＥＳ）、２４時間分予測部５０ｉは、Ｐ１〜Ｐｎでの時刻ｔでの充填水素量（積算）の平均値Ｐａｖｇ＿ｔを求める（Ｓ１１ｅ５）。２４時間分予測部５０ｉは、変数ｔ＝ｔ＋１とし（Ｓ１１ｅ６）、Ｓ１１ｅ４に戻る。また、ｔ＜２５でなければ（Ｓ１１ｅ４のＮＯ）、パタンモデル構築が終了する。
上記では、日量に関わる因子に応じた分類と、パタンに関わる分類とを行い、これらの分対結果に基づいてモデル構築する処理を示したが、これらの因子分類とモデル構築とを、ニューラルネットワークを用いて纏めて実現してもよい。また、日量に対する因子分類と日量モデル構築を纏めた処理のみをニューラルネットワークを用いて実現しても良いし、パタンに対する因子分類とパタンモデル構築とを纏めた処理のみをニューラルネットワークを用いて実現しても良い。
次に、上記の予測フェーズについて説明する。図１５は、第１の実施形態における水素需要量予測システムの水素ＭＭＳによる２４時間分予測の予測フェーズの処理手順の一例を示す図である。
上記の学習フェーズの後、２４時間分予測部５０ｉは、日量モデルおよびパタンモデルの中から、需要予測対象日の因子に合うモデルを予測対象日における日量およびパタンとして検索する（Ｓ１２ａ）。２４時間分予測部５０ｉは、検索した日量モデルの日量を、検索したパタンモデルに乗ずることで、需要予測対象日の充填水素量の絶対量としての需要予測結果を求める（Ｓ１２ｂ）。
具体的には、このＳ１２ｂでは、パタンモデルの全時刻の値に対し、充填水素量の総量に対応する日量が乗じられる。上記の検索したパタンモデルでの各時刻の値が０．２，０．３，０．５，…１（１日の総量）となっている場合、日量が１００であれば、日量をパタンモデルに乗じたときの各時刻の値は２０，３０，５０，…１００となる。
次に、再予測について説明する。ＦＣフォークリフトが実際に水素の充填を行って完了したタイミングで、水素需要予測結果と水素の充填実績との間に大きい誤差がある場合、例えば水素の充填実績の値が再予測判定閾値を超えた場合は、再予測部５０ｊは、２４時間分予測とは異なる方法にて需要予測をやり直す。
図１６は、第１の実施形態における水素需要量予測システムの水素ＭＭＳによる再予測の処理手順の一例を示す図である。図１７は、第１の実施形態における水素需要量予測システムの水素ＭＭＳによる再予測の一例を示す図である。
再予測部５０ｊは、日量とパタンに分割する前の過去実績データ全ての中から、再予測を行うと判定された単位時刻毎の自乗誤差和を得て、過去実績データ全てのうち、自乗誤差和が最も小さいデータを選択し、これを再予測結果とする。
詳細には、再予測部５０ｊは、日量とパタンに分割する前の過去実績データ全てをＤＢ５０ｄから取得する（Ｓ６ａ）。再予測部５０ｊは、ある分類の中の充填水素量（積算）パタンをＰ＝｛Ｐ１，Ｐ２，…Ｐｎ｝とする（Ｓ６ｂ）。
再予測部５０ｊは、変数ｔ＝０とし（Ｓ６ｃ）、ｔ≦現時刻であるか否かを判定する（Ｓ６ｄ）。この現時刻とは、水素の充填実績の値が再予測判定閾値を超えた時刻である。ｔ≦現時刻であれば（Ｓ６ｄのＹＥＳ）、再予測部５０ｊは、ｔ＝０〜現時刻での時刻ｔでの充填水素量（積算）の過去データとの誤差を求める（Ｓ６ｅ）。再予測部５０ｊは、変数ｔ＝ｔ＋１とし（Ｓ６ｆ）、Ｓ６ｄに戻る。
また、ｔ≦現時刻でなければ（Ｓ６ｄのＮＯ）、ここまで求めた誤差の自乗和を求め（Ｓ６ｇ）、過去実績データの全ての中で、誤差の自乗和が最小のデータ、つまり実際の前記充填水素量の変化に最も類似するデータを選択し、これを再予測結果とし（Ｓ６ｈ）、再予測が終了する。
次に、上記の水素貯蔵要求量の計算について説明する。図１８は、第１の実施形態における水素需要量予測システムの水素ＭＭＳによる水素貯蔵要求量計算の処理手順の一例を示す図である。
具体的には、水素貯蔵要求量計算部５０ｋは、区分ごとの需要予測結果について、同一のディスペンサー２５に対応する区分の需要予測結果を各時刻について加算する（Ｓ７ｂ）。そして、水素貯蔵要求量計算部５０ｋは、各予測結果に対してマージンを加算し、この結果を各ディスペンサー２５に対する水素貯蔵要求量とする（Ｓ７ｃ）。
水素貯蔵要求量計算部５０ｋは、Ｓ７ｃで求めた水素貯蔵要求量を通信部５０ｍを介して水素ＥＭＳ２６に通知する（Ｓ７ｅ）。
上記のＳ７ｃで説明したマージンは以下の式（１）で求めることができる。
マージン＝再予測判定差分×α＋β …式（１）
再予測判定差分：再予測を実施するか否かの判定のための、充填実績と需要予測との差分の閾値
α≧１．０
β：水素ステーション２０による水素製造能力と式（１）の再予測判定差分との差異を考慮した係数
再予測判定差分の閾値、係数α，βは、オペレータがＵＩ５０ｅを操作して設定することができる。
また、図１９は、第１の実施形態における水素需要量予測システムの水素ＭＭＳによる水素貯蔵要求量計算の処理手順の別の例を示す図である。図１８とは、水素貯蔵要求量計算の処理は、水素ＥＭＳ２６から充填実績が通知されたときである場合と、そうでない場合とで分かれる点で異なる。
具体的には、充填実績が通知されたときでない場合は（Ｓ７ａのＮＯ）、水素貯蔵要求量計算部５０ｋは、区分ごとの需要予測結果について、同一のディスペンサー２５に対応する区分の需要予測結果を各時刻について加算する（Ｓ７ｂ）。そして、水素貯蔵要求量計算部５０ｋは、各予測結果に対してマージンを加算し、この結果を各ディスペンサー２５に対する水素貯蔵要求量とする（Ｓ７ｃ）。
一方、充填実績が通知されたときである場合は（Ｓ７ａのＹＥＳ）、水素貯蔵要求量計算部５０ｋは、この充填が実施されたディスペンサー２５の水素貯蔵要求量の次の単位時刻の値から充填量分を減算した水素貯蔵要求量を求める（Ｓ７ｄ）。この減算前の水素貯蔵要求量は前回の予測で既に求められているとする。
水素貯蔵要求量計算部５０ｋは、Ｓ７ｃまたはＳ７ｄで求めた水素貯蔵要求量を通信部５０ｍを介して水素ＥＭＳ２６に通知する（Ｓ７ｅ）。
上記のＳ７ｃで説明したマージンは式（１）で求めることができる。
以上のように、第１の実施形態における水素需要量予測システムでは、日量の予測モデルとパタンの予測モデルとを、設定された区分毎に構築することを可能とし、かつ、設定された区分とディスペンサーとの対応とを考慮して、ディスペンサー単位で水素貯蔵要求量を算出することを可能とする。これにより、ＦＣフォークリフトを用いた物流作業（入荷、出荷など）毎の作業量の違いを反映した水素需要予測を可能とし、需要予測精度を向上させることが期待できる。
また、日量とパタンとのそれぞれに分けて予測モデルを構築して予測することで、日量に影響を与える因子（発生する物流作業量が大きな要因と考えられる）と、パタン（１日の中で充填を行うタイミング）に与える因子（物流作業量に加え、作業員の心理的要因も関連すると考えられる）とが異なっていることを考慮した水素需要予測を可能とし、需要予測精度を向上させることが期待できる。
また、初めて導入するＦＣフォークリフトについて過去データが存在しない場合でも、過去の他方式のフォークリフトでの作業履歴と作業ルールに基づいて、作業員が経験的に充填量と充填タイミングを推測できた場合に、この推測結果を過去データとして利用することを可能とし、適用可能性を向上させることが期待できる。
（第２の実施形態）
次に、第２の実施形態について説明する。なお、以下の各実施形態における、第１の実施形態と同様の説明は省略する。
第２の実施形態では、２４時間分予測部５０ｉは、第１の実施形態で説明した各因子の中のパタンに対して各時刻の分散を計算することで分布モデルを構築する。
次に、第２の実施形態での学習フェーズについて説明する。図２０は、第２の実施形態における水素需要量予測システムの水素ＭＭＳによる２４時間分予測の学習フェーズの処理手順の一例を示す図である。
この学習フェーズでは、第１の実施形態で説明したＳ１１ａからＳ１１ｅの処理がなされ、２４時間分予測部５０ｉは、Ｓ１１ｂでの、パタンに対する因子分類結果に基づいて分布モデルを構築する（Ｓ１１ｆ）。
次に、この分布モデルの構築の詳細について説明する。図２１は、第２の実施形態における水素需要量予測システムの水素ＭＭＳによる分布モデル構築の処理手順の一例を示す図である。
２４時間分予測部５０ｉは、オペレータがＵＩ５０ｃを操作することでＤＢ５０ｄに格納された、過去実績データのパタンに影響を与える因子Ｆ｛ｆ１，ｆ２，…ｆｎ｝で分類された各分類を取得する（Ｓ１１ｆ１）。２４時間分予測部５０ｉは、同じ因子分類の複数のパタンについて、各時刻での分布（各時刻での分散）を求め、これを分布モデルとする（Ｓ１１ｆ２）。
次に、第２の実施形態での予測フェーズについて説明する。図２２は、第２の実施形態における水素需要量予測システムの水素ＭＭＳによる分布モデル構築時の２４時間分予測の予測フェーズの処理手順の一例を示す図である。
上記の学習フェーズの後、第１の実施形態で説明したＳ１２ａおよびＳ１２ｂ（図１５参照）の処理がなされ、２４時間分予測部５０ｉは、分布モデルの中から、需要予測対象日の因子に合うモデルを検索し、対象日の分布とする（Ｓ１２ｃ）。
次に、第２の実施形態での再予測について説明する。第１の実施形態では再予測実施の判定は、再予測判定閾値を超えた場合としたが、第２の実施形態では、再予測実施の判定は、充填の実績値が上記のＳ１２ｃで求めた分布モデルのＮ％の信頼区間に入っているか否かとする。Ｎは、オペレータによってあらかじめ設定される。
このように、第２の実施形態では、分布モデルを構築して需要予測の再予測に利用することで、第１の実施形態のように再予測の判定を一意に決めるよりも、より現実に合わせて再予測の判定を行うことが出来る。
（第３の実施形態）
次に、第３の実施形態について説明する。図６に示すように、第１の実施形態では、２４時間分予測部５０ｉは、充填水素量の過去実績データを日量とパタンとに分割した後に因子分類を行った。これに対し、第３の実施形態では、２４時間分予測部５０ｉは、充填水素量の過去実績データに対する因子分類を行った後に、この分類結果を日量とパタンに分割して、日量モデル構築とパタンモデル構築を行なう。図２３は、第３の実施形態における水素需要量予測システムの水素ＭＭＳによる２４時間分予測の学習フェーズの処理手順の一例を示す図である。
２４時間分予測部５０ｉは、充填水素量の過去実績データをＤＢ５０ｄから読み出し、このデータに対する因子分類を行う（Ｓ１１ｇ）。２４時間分予測部５０ｉは、因子分類結果に対する日量・パタン分割を行う（Ｓ１１ａ）。２４時間分予測部５０ｉは、因子分類結果のうちの日量データに基づいて、日量モデルを構築し、（Ｓ１１ｄ）、また、因子分類結果のうちのパタンデータに基づいてパタンモデルを構築する（Ｓ１１ｅ）。
第３の実施形態における因子分類の詳細は図１０に示した処理と同様である。ただし、Ｓ１１ｂ１では、２４時間分予測部５０ｉは、オペレータがＵＩ５０ｃを操作することでＤＢ５０ｄに格納された、過去実績データに影響を与える因子を読み出す。
第３の実施形態における日量・パタン分割の詳細は、各因子分類のそれぞれに対して図８に示した処理を行うことに相当する。第３の実施形態における日量モデル構築の詳細は、各因子分類のそれぞれに対して図１２に示した処理を行うことに相当する。第３の実施形態におけるパタンモデル構築の詳細は、各因子分類のそれぞれに対して図１４に示した処理を行うことに相当する。
以上のように、第３の実施形態では、因子分類を日量・パタン分割より先に行うことで、日量とパタンとの一貫性を保つことができ、保守性を高めることができる。また、第１の実施形態では、日量およびパタンのそれぞれに対して因子分類を行ったが、第３の実施形態では、１つのデータ（過去実績データ）に対する因子分類を行えるので、オペレータによる入力作業量を削減できる。
（第４の実施形態）
次に、第４の実施形態について説明する。第４の実施形態では、２４時間分予測部５０ｉは、第３の実施形態で説明した、各因子の中のパタンに対して第２の実施形態で説明した分布モデルを構築する。
次に、第４の実施形態での学習フェーズについて説明する。図２４は、第４の実施形態における水素需要量予測システムの水素ＭＭＳによる２４時間分予測の学習フェーズの処理手順の一例を示す図である。
この学習フェーズでは、第３の実施形態で説明したＳ１１ｇ、Ｓ１１ａ、Ｓ１１ｄ、Ｓ１１ｅの処理がなされ、２４時間分予測部５０ｉは、因子分類結果がＳ１１ａで分割されたパタンに基づいて分布モデルを構築する（Ｓ１１ｆ）。
第４の実施形態における因子分類日量・パタン分割、日量モデル構築、パタンモデル構築の詳細は第３の実施形態と同様であり、第４の実施形態における分布モデル構築の詳細は図２１に示した処理と同様であり、第４の実施形態における予測フェーズの処理フローは図２２に示した処理と同様であり、第４に実施形態における再予測の詳細は、第２の実施形態で説明した処理と同様である。
このように、第４の実施形態では、第２の実施形態と第３の実施形態の特徴をあわせもつことができる。
（第５の実施形態）
次に、第５の実施形態について説明する。図１４に示すように、第１の実施形態では、２４時間分予測部５０ｉは、１時間ごとの水素需要予測のパタンモデル構築を行った。これに対し、第５の実施形態では、２４時間分予測部５０ｉは、需要予測対象日を２時間以上の時間帯を含む所定の複数の時間帯に分類し、これらの時間帯ごとのパタンモデル構築を行う。
これらの区分された時間帯に属する時間の長さは、必ずしも同じである必要は無く、例えば、深夜（０‐４時）、早朝（５‐６時）、朝（７‐８時）、始業後（９‐１０）、昼前（１１）、昼休み（１２）、昼休み直後（１‐２）、昼（３‐４）、定時（５）、定時後（６‐７）、夜（８‐１０）、深夜前（１１）、などの時間帯に分類してもよい。
このように、第５の実施形態では、所定の複数の時間帯に分類し、これらの時間帯ごとの水素需要予測のパタンモデル構築を行うことで、各時間帯の特徴を利用した需要予測を可能とし、需要予測精度の向上が期待できる。
（第６の実施形態）
次に、第６の実施形態について説明する。図１６に示すように、第１の実施形態では、再予測部５０ｊは、過去実績データの全てを利用して、需要予測結果と水素充填実績との誤差の自乗和が最小であるデータ、つまり現在の実績と近いデータを選択して、再予測結果としていた。
これに対し、第６の実施形態では、再予測部５０ｊは、再予測の他の方法として、過去実績データのうちの、過去数時間または過去数日分の時系列変化を基に、時系列分析による再予測を行なう。時系列分析手法としては、指数平滑モデル、自己回帰和分移動平均（ＡＲＩＭＡ：Auto Regressive Integrated Moving Average）モデル、ウィンターズモデルなどが挙げられるが、いずれの方法でもよい。
時系列分析による再予測を行う場合、再予測部５０ｊは、ある時刻での充填水素量の積算値を、この時刻から前の所定の時刻からの充填水素量の変化量（瞬時値）に変換しておき、この変換したデータを再予測に用いる。
これにより、第６の実施形態では、通常の需要予測については、因子分類により行い、再予測については時系列分析により行うので、それぞれで特徴の異なる需要予測を実施することが出来るので、需要予測の多様性を高めることが出来、需要予測精度の向上が期待出来る。
（第７の実施形態）
次に、第７の実施形態について説明する。図１４に示すように、第１の実施形態では、２４時間分予測部５０ｉは、各時刻での充填水素量（積算）の平均値を求めることでパタンモデルを構築していた。これに対し、第７の実施形態では、２４時間分予測部５０ｉは、パタンモデルの構築時に、あるグループとあるパタンとの間の各時刻での差分と、この差分の全時刻での合計値により計算された類似度に基づき、パタンをグループ分けし、所属するパタン数が最も多いグループの中のパタンにおける各時刻に対して移動平均を計算し、これに基づいて、需要予測に利用するための、代表するパタンモデルを生成することでパタンモデルを構築する。
図２５、図２６、図２７は、第７の実施形態における水素需要量予測システムの水素ＭＭＳによる２４時間分予測の学習フェーズのパタンモデル構築の処理手順の一例を示す図である。
まず、２４時間分予測部５０ｉは、オペレータがＵＩ５０ｃを操作することでＤＢ５０ｄに格納された、過去実績データのパタンに影響を与える因子Ｆ｛ｆ１，ｆ２，…ｆｎ｝で分類された各分類を取得する（Ｓ１１ｅ１）。２４時間分予測部５０ｉは、ある分類の中の充填水素量（積算）パタンをＰ＝｛Ｐ１，Ｐ２，…Ｐｎ｝とする（Ｓ１１ｅ２）。
２４時間分予測部５０ｉは、グループの集合Ｇｒ＝｛ｇ０｝とし、ｇ０＝｛Ｐ０｝とする（Ｓ１１ｅ１１）。２４時間分予測部５０ｉは、ｉ＝０とする（Ｓ１１ｅ１２）。
２４時間分予測部５０ｉは、ｉ＜Ｎであるか否かを判定する（Ｓ１１ｅ１３）。ｉ＜Ｎであれば（Ｓ１１ｅ１３のＹＥＳ）、２４時間分予測部５０ｉは、ｊ＝０とする（Ｓ１１ｅ１４）。
２４時間分予測部５０ｉは、ｊ＜グループの集合Ｇｒの要素数Ｌであるか否かを判定する（Ｓ１１ｅ１５）。ｊ＜グループの集合Ｇｒの要素数Ｌであれば（Ｓ１１ｅ１５のＹＥＳ）、２４時間分予測部５０ｉは、ＳＵＭ＿ＤＩＦＦ＝０とし、ＭＡＸ＿ＤＩＦＦ＝０とする（Ｓ１１ｅ１６）。ＤＩＦＦについては後述する。
２４時間分予測部５０ｉは、ある１つのグループと、ある１つのパタンとの間の誤差を算出する（Ｓ１１ｅ１７）。この誤差の算出の詳細は後述する。
ＳＵＭ＿ＤＩＦＦ＜閾値＿ＳＵＭ＿ＤＩＦＦ、かつＭＡＸ＿ＤＩＦＦ＜閾値＿ＭＡＸ＿ＤＩＦＦの場合、２４時間分予測部５０ｉは、パタンＰｉを、グループｇｊに所属させる（Ｓ１１ｅ１８）。
２４時間分予測部５０ｉは、ｊ＝ｊ＋１とし（Ｓ１１ｅ１９）、Ｓ１１ｅ１５に戻る。また、ｊ＜グループの集合Ｇｒの要素数Ｌでなければ（Ｓ１１ｅ１５のＮＯ）、つまりパタンＰｉがどのグループにも所属させられていなかったら、２４時間分予測部５０ｉは、パタンＰｉのみが所属する新しいグループを作り、グループの集合Ｇｒに登録する（Ｓ１１ｅ２０）。
２４時間分予測部５０ｉは、ｉ＝ｉ＋１とし（Ｓ１１ｅ２１）、Ｓ１１ｅ１３に戻る。２４時間分予測部５０ｉは、ｉ＜Ｎでなくなるまで（Ｓ１１ｅ１３のＮＯ）、つまり因子Ｆ＝｛Ｆ０，Ｆ１，・・・｝で分類された、全分類の中のパタンに対して実施されるまで上記のＳ１１ｅ１３〜Ｓ１１ｅ２１を実施する。ｉ＜Ｎでないことを確認すると（Ｓ１１ｅ２２）、２４時間分予測部５０ｉは、代表グループから代表パタンモデルを生成する（Ｓ１１ｅ２３）。この代表パタンモデルの生成については後述する。
次に、上記のＳ１１ｅ１７に対応する、ある１つのグループと、ある１つのパタンとの誤差の算出について、図２６を参照して説明する。
２４時間分予測部５０ｉは、グループの集合Ｇｒの中から、グループｇｊを選択する（Ｓ１１ｅ１７−１）。
２４時間分予測部５０ｉは、ｔ＝０とする（Ｓ１１ｅ１７−２）。
２４時間分予測部５０ｉは、ｔ＜２５であるか否かを判定する（Ｓ１１ｅ１７−３）。ｔ＜２５であれば（Ｓ１１ｅ１７−３のＹＥＳ）、２４時間分予測部５０ｉは、グループｇｊ内に所属するパタン群について、時刻ｔでの値の平均値ＡＶＧを求める（Ｓ１１ｅ１７−４）。
２４時間分予測部５０ｉは、パタンＰｉの時刻ｔでの値と、平均値ＡＶＧとの二乗誤差ＤＩＦＦを求める（Ｓ１１ｅ１７−６）。
２４時間分予測部５０ｉは、ＳＵＭ＿ＤＩＦＦ＋＝ＤＩＦＦを求める（Ｓ１１ｅ１７−６）。この「＋＝」は加算代入演算子である。
ＭＡＸ＿ＤＩＦＦ＜ＤＩＦＦであれば、２４時間分予測部５０ｉは、ＭＡＸ＿ＤＩＦＦ＝ＤＩＦＦとする（Ｓ１１ｅ１７−７）。
２４時間分予測部５０ｉは、ｔ＝ｔ＋１とし（Ｓ１１ｅ１７−８）、Ｓ１１ｅ１７−３に戻る。ｔ＜２５でなければ（Ｓ１１ｅ１７−３のＮＯ）、ある１つのグループと、ある１つのパタンとの、誤差の算出が終了する。
次に、上記のＳ１１ｅ２３に対応する、代表グループからの代表パタンモデルの生成について図２７を参照して説明する。
２４時間分予測部５０ｉは、グループ集合Ｇｒの中で、最も所属するパタン数の多いグループｇｍａｘを選択し、これを代表グループとする（Ｓ１１ｅ２３−１）。
２４時間分予測部５０ｉは、グループｇｍａｘに所属するパタンを、Ｐ＝｛Ｐ０，Ｐ１，…ＰＭ−１｝とする（Ｓ１１ｅ２３−２）。
２４時間分予測部５０ｉは、代表パタンをＰｒとし（Ｓ１１ｅ２３−３）、ｔ＝０とする（Ｓ１１ｅ２３−４）。
２４時間分予測部５０ｉは、ｔ＜２５であるか否かを判定する（Ｓ１１ｅ２３−５）。ｔ＜２５であれば（Ｓ１１ｅ２３−５のＹＥＳ）、２４時間分予測部５０ｉは、Ｖ＝０とし（Ｓ１１ｅ２３−６）、ｉ＝０とする（Ｓ１１ｅ２３−７）。
２４時間分予測部５０ｉは、ｉ＜Ｍであるか否かを判定する（Ｓ１１ｅ２３−８）。
ｉ＜Ｍであれば（Ｓ１１ｅ２３−８のＹＥＳ）、２４時間分予測部５０ｉは、各時刻に対する移動平均として、Ｖ＝ｗ１＊Ｖ＋ｗ２＊時刻ｔでのＰｉの値を求める（Ｓ１１ｅ２３−９）。ｗ１およびｗ２は重み付けの係数であり、任意に設定できる。
２４時間分予測部５０ｉは、ｉ＝ｉ＋１とし（Ｓ１１ｅ２３−１０）、Ｓ１１ｅ２３−８に戻る。ｉ＜Ｍでなければ（Ｓ１１ｅ２３−８のＮＯ）、２４時間分予測部５０ｉは、代表パタンＰｒの時刻ｔでの値をＶとし（Ｓ１１ｅ２３−１１）、ｔ＝ｔ＋１とし（Ｓ１１ｅ２３−１２）、Ｓ１１ｅ２３−５に戻る。ｔ＜２５でなければ（Ｓ１１ｅ２３−５のＮＯ）、代表グループからの代表パタンモデルの生成が終了する。
以上のように、第７の実施形態では、パタン数が最大のグループ中のパタンに対して、各時刻に対する移動平均を計算することにより代表パタンを求めることで、過去から現在に近づくにつれて重要視するようなパタンモデルを構築できるので、需要予測精度の向上が期待できる。
（第８の実施形態）
次に、第８の実施形態について説明する。図１４に示すように、第１の実施形態では、２４時間分予測部５０ｉは、各時刻での充填水素量（積算）の平均値を求めることでパタンモデルを構築していた。また、第７の実施形態では、２４時間分予測部５０ｉは、類似するパタンをグループ分けし、所属するパタン数が最も多いグループの中のパタンにおける各時刻に対して移動平均を求めて、これに基づいて、代表するパタンモデルを生成することでパタンモデルを構築していた。
これに対し、第８の実施形態では、２４時間分予測部５０ｉは、因子で分類された各分類の中の充填水素量（積算）のパタン群を、相関係数を使ってグループ分類し、グループ内の所属パタンが最も多いグループを選択し、各時刻に対して平均値を求める事で、代表パタンを生成する。図２８、図２９、図３０は、第８の実施形態における水素需要量予測システムの水素ＭＭＳによる２４時間分予測の学習フェーズのパタンモデル構築の処理手順の一例を示す図である。
まず、２４時間分予測部５０ｉは、第７の実施形態で説明したＳ１１ｅ１〜Ｓ１１ｅ１５までの処理を行なう。
ｊ＜グループの集合Ｇｒの要素数Ｌであれば（Ｓ１１ｅ１５のＹＥＳ）、２４時間分予測部５０ｉは、グループの集合Ｇｒの中から、グループｇｊを選択する（Ｓ１１ｅ３１）。
２４時間分予測部５０ｉは、あるグループから代表パタンモデルを生成する（Ｓ１１ｅ３２）。この生成については後述する。
２４時間分予測部５０ｉは、グループｇｊの代表パタンＰｊとパタンＰｉとの相関係数Ｃｊｉを求める（Ｓ１１ｅ３３）。
この相関係数Ｃｊｉは、以下の式（２），（３），（４）で求めることができる。
Figure 0006633655
式（２）などのＰｊは、パタンＰｊの時刻ｔでの値である。式（２）などのＰｉは、パタンＰｉの時刻ｔでの値である。また、式（３），（４）のＴ＝２５である。
２４時間分予測部５０ｉは、ｊ＝ｊ＋１とし（Ｓ１１ｅ３４）、Ｓ１１ｅ１５に戻る。
また、ｊ＜グループの集合Ｇｒの要素数Ｌでなければ（Ｓ１１ｅ１５のＮＯ）、２４時間分予測部５０ｉは、相関係数Ｃ０ｉ〜ＣＬｉの中で最大、かつ、閾値以上となる条件を満たすグループにパタンＰｉを登録する。ここで、条件を満たすグループがない場合は、２４時間分予測部５０ｉは、パタンＰｉのみが所属する新しいグループを作り、グループの集合Ｇｒに登録する（Ｓ１１ｅ３４）。
２４時間分予測部５０ｉは、ｉ＝ｉ＋１とし（Ｓ１１ｅ２１）、Ｓ１１ｅ１３に戻る。
２４時間分予測部５０ｉは、ｉ＜Ｎでなくなるまで（Ｓ１１ｅ１３のＮＯ）、つまり因子Ｆ＝｛Ｆ０，Ｆ１，・・・｝で分類された、全分類の中のパタンに対して実施されるまで上記のＳ１１ｅ１３〜Ｓ１１ｅ２１を実施する。ｉ＜Ｎでないことを確認すると（Ｓ１１ｅ２２）、２４時間分予測部５０ｉは、代表グループから代表パタンモデルを生成する（Ｓ１１ｅ２３）。この生成については後述する。
次に、第８の実施形態における上記のＳ１１ｅ３２に対応する、あるグループからの代表パタンモデルの生成について図２９を参照して説明する。
２４時間分予測部５０ｉは、グループｇｊに所属するパタンを、Ｐ＝｛Ｐ０，Ｐ１，…ＰＭ−１｝とする（Ｓ１１ｅ３２−１）。
２４時間分予測部５０ｉは、代表パタンをＰｉとし（Ｓ１１ｅ３２−２）、ｔ＝０とする（Ｓ１１ｅ３２−３）。
２４時間分予測部５０ｉは、ｔ＜２５であるか否かを判定する（Ｓ１１ｅ３２−４）。ｔ＜２５であれば（Ｓ１１ｅ３２−４のＹＥＳ）、２４時間分予測部５０ｉは、Ｐ０〜ＰＭ−１の時刻ｔの平均値を代表パタンＰｉの時刻ｔでの値とする（Ｓ１１ｅ３２−５）。
２４時間分予測部５０ｉは、ｔ＝ｔ＋１とし（Ｓ１１ｅ３２−６）、Ｓ１１ｅ３２−４に戻る。ｔ＜２５でなければ（Ｓ１１ｅ３２−４のＮＯ）、あるグループからの代表パタンモデルの生成が終了する。
次に、第８の実施形態における上記のＳ１１ｅ２３に対応する、代表グループから代表パタンモデルを生成することについて図３０を参照して説明する。
まず、２４時間分予測部５０ｉは、第７の実施形態で説明したＳ１１ｅ２３−１〜Ｓ１１ｅ２３−５の処理を行う。
ｔ＜２５であれば（Ｓ１１ｅ２３−５のＹＥＳ）、２４時間分予測部５０ｉは、Ｐ０〜ＰＭ−１の時刻ｔの平均値を代表パタンＰｒの時刻ｔでの値とする（Ｓ１１ｅ２３−２１）。
２４時間分予測部５０ｉは、ｔ＝ｔ＋１とし（Ｓ１１ｅ２３−２２）、Ｓ１１ｅ２３−５に戻る。ｔ＜２５でなければ（Ｓ１１ｅ２３−５のＮＯ）、代表グループからの代表パタンモデルの生成が終了する。
以上のように、第８の実施形態では、全体の相関を見てグループを分類することで、部分的な時刻について、たまたま異常である一方で全体の時刻としては類似していたパタンを同一グループに分類することができるので、需要予測精度の向上が期待できる。
（第９の実施形態）
次に、第９の実施形態について説明する。第１の実施形態では、水素貯蔵要求量計算部５０ｋは、式（１）の再予測判定差分と、係数αおよびβとを用いて充填水素量のマージンを求めていた。これに対し、第９の実施形態では、水素貯蔵要求量計算部５０ｋは、確率分布を用いてマージンを求める。
図３１は、第９の実施形態における水素需要量予測システムの水素ＭＭＳによる確率分布を利用したマージン設定の一例を示す図である。
まず、オペレータは、ＵＩ５０ｇなどを用いて、所定の目標サービス率を設定する。このサービス率は、ＦＣフォークリフトが必要とする水素量が充填できる確率を意味する。サービス率が１００％であれば、１００％の確率で充填できる。ただし、このサービス率は、あくまでも過去データに基づく確率である。
水素貯蔵要求量計算部５０ｋは、予測された充填水素量（積算）の時間特性の分散を各時刻について求めることで充填水素量の確率分布を求める。水素貯蔵要求量計算部５０ｋは、この分布における、設定されたサービス率に相当する信頼区間の位置を各時刻について選択し、この選択した位置を各時刻で繋げた充填水素量（積算）を、マージンを加えた充填水素量とみなす。例えば、サービス率が９５％であれば、各時刻の分散の９５％の信頼区間の部分が選択される。
水素貯蔵要求量計算部５０ｋは、このマージンを上記の予測された充填水素量（積算）に加えた、図３１中の点線で示されるような特性曲線に対応する充填水素量を、マージンを加えた水素貯蔵要求量として求める。
このように、第９の実施形態では、確率分布を使って充填水素量のマージンを求めることで、マージンを計算するための複数の係数をオペレータが設定する必要が無くなり、手間が削減される。また、充填水素量の実際の値を用いてマージンが決められるため、より利用価値の高い水素貯蔵要求量を得ることが出来る。
（第１０の実施形態）
次に、第１０の実施形態について説明する。この第１０の実施形態は、水素ＥＭＳ２６と水素ＭＭＳ５０の物理的な配置方法や通信機能について説明するものである。
図３２は、第１０の実施形態における水素需要量予測システムの水素ＭＭＳと水素ＥＭＳとの物理的な配置方法と通信機能について説明する図である。図３２（ａ）に示すように、従来の構成では、水素ＥＭＳに相当する運転パタン決定プログラムと、水素ＭＭＳに相当する負荷予測プログラムとが、同じ機器で動作する同じプログラムで実現されるシステム構成になっている。
これに対し、第１０の実施形態では、図３２（ｂ）に示すように、ＤＢ（データベース）を介して水素ＭＭＳ５０と水素ＥＭＳ２６とが情報をやり取りする構成や、図３２（ｃ）に示すように、共有ファイルを介して水素ＭＭＳ５０と水素ＥＭＳ２６とが情報をやり取りする構成や、図３２（ｄ）に示すように、水素ＭＭＳ５０と水素ＥＭＳ２６とが直接通信する構成とする。
また、水素ＭＭＳ５０と水素ＥＭＳ２６とは、同じプログラム内、または同じ実行形式ファイルで実現されても良い。また、水素ＭＭＳ５０と水素ＥＭＳ２６とは、同じ機器上で実行される別のプログラム内または別の実行形式ファイル内で実現されても良い。
さらに、水素ＭＭＳ５０と水素ＥＭＳ２６とは、異なる機器上で実行される別のプログラム内、または別の実行形式ファイル内で実現されてもよい。
上記のように、水素ＥＭＳ２６は水素製造を制御する。このため、水素ＥＭＳ２６は水電解装置２１などの水素製造のための装置の近くに配置されるのが望ましい。また、水素ＭＭＳ５０は、ディスペンサー２５の近くに配置されることが望ましい。
第１０の実施形態では、水素ＥＭＳ２６と水素ＭＭＳ５０を別々の機器で実現できる。これにより、水素製造を行って、これを水素貯蔵容器２２に貯蔵するための地理的位置と、ディスペンサー２５が配置される地理的位置とが離れている場合に対応できる。これは、水素貯蔵容器２２に貯蔵された水素がタンクローリ車などで輸送され、この水素が、ディスペンサー２５が配置された位置に対応する別の水素貯蔵容器２２に貯蔵される場合に対応する。
図３３は、第１０の実施形態における水素需要量予測システムの構成例を示す図である。図３４は、第１０の実施形態における水素需要量予測システムの水素ＭＭＳの機能構成例を示すブロック図である。
図３３および図３４に示すように、水素ＭＭＳ５０は、水素ＥＭＳ２６を介さずに、例えばディスペンサー２５から水素の充填実績を直接受信することができる。また、ディスペンサー２５に限らず、水素ＭＭＳ５０は、蓄圧器２４から水素の充填実績を、水素ＥＭＳ２６を介さずに直接受信することができる。
（第１１の実施形態）
次に、第１１の実施形態について説明する。図３５は、第１１の実施形態における水素需要量予測システムの水素ＭＭＳの機能構成例を示すブロック図である。図３５に示すように、第１１の実施形態では、水素ＭＭＳ５０は、充填水素量推定部５０ｎをさらに有する。
ＤＢ５０ｄは、ＷＭＳ３１から送信された、各区分で実施された作業（入荷、出荷など）の過去データを格納する。また、ＤＢ５０ｄは、オペレータがＵＩ５０ｃを操作することによる、各区分で実施されると推定される作業の情報の過去データ（経験値）を格納する。
さらに、ＤＢ５０ｄは、オペレータがＵＩ５０ｃを操作することによる、ＦＣフォークリフトの動作（爪の上げ下げ、移動など）毎の単位消費燃料（動作毎の水素消費量）と、各区分での作業で行われる平均的なフォークリフト動作比率の情報とを格納する。
このフォークリフト動作比率とは、各区分（入荷、出荷など）での、各作業（荷卸し、搬送、など）についての、動作（爪の上げ下げ、移動など）の比率である。例えば、荷卸しという作業について、爪上げ下げの単位消費燃料が９（ｋｇ−Ｈ２／ｍ）、移動の単位消費燃料が３（ｋｇ−Ｈ２／ｍ）の場合は、フォークリフト動作比率は「爪の上げ下げ：移動＝３：１」などで表される。
また、ＤＢ５０ｆは、ＡＳＮ３２からの、各区分で実施されると予想される作業の需要予測対象日データを格納し、また、カレンダーデータ３３、気象予測データ３４を格納する。
充填水素量推定部５０ｎは、ＷＭＳ３１からＤＢ５０ｄに格納された過去データ、ＵＩ５０ｃからＤＢ５０ｄに格納された過去データ（経験値）、上記のＦＣフォークリフトの動作毎の単位消費燃料、上記の平均的なフォークリフト動作比率、ＤＢ５０ｄに格納される需要予測対象日データ、カレンダーデータ３３、気象予測データ３４を、各区分での作業に関する情報として取得する。充填水素量推定部５０ｎは、この取得した情報に基づいて、過去の各区分でのＦＣフォークリフトの消費燃料を推定する。
２４時間分予測部５０ｉは、この推定した消費燃料を、過去の水素充填水素量とみなして、学習フェーズで利用する。
また、ＡＳＮ３２から、各区分で実施されると予想される作業の需要予測対象日データを取得することが出来る場合は、２４時間分予測部５０ｉは、このデータで示される作業を、需要予測用の各種モデルを構築する際の因子とすることが出来る。
このように、第１１の実施形態では、ＦＣフォークリフトの動作が燃料消費に与える比率が、その動作毎に異なることを利用して過去の水素充填水素量を求めることができるので、需要予測精度を向上させることができる。
なお、本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら新規な実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれる。
また、各実施形態に記載した手法は、計算機（コンピュータ）に実行させることができるプログラム（ソフトウエア手段）として、例えば磁気ディスク（フロッピー（登録商標）ディスク、ハードディスク等）、光ディスク（ＣＤ‐ＲＯＭ、ＤＶＤ、ＭＯ等）、半導体メモリ（ＲＯＭ、ＲＡＭ、フラッシュメモリ等）等の記録媒体に格納し、また通信媒体により伝送して頒布することもできる。なお、媒体側に格納されるプログラムには、計算機に実行させるソフトウエア手段（実行プログラムのみならずテーブルやデータ構造も含む）を計算機内に構成させる設定プログラムをも含む。本装置を実現する計算機は、記録媒体に記録されたプログラムを読み込み、また場合により設定プログラムによりソフトウエア手段を構築し、このソフトウエア手段によって動作が制御されることにより上述した処理を実行する。なお、本明細書でいう記録媒体は、頒布用に限らず、計算機内部あるいはネットワークを介して接続される機器に設けられた磁気ディスクや半導体メモリ等の記憶媒体を含むものである。
１０…発電設備、２０…水素ステーション、２１…水電解装置、２２…水素貯蔵容器、２３…圧縮機、２４…蓄圧器、２５…ディスペンサー、２６…水素ＥＭＳ（Energy Management System）、３１…ＷＭＳ（Warehouse Management System）、３２…ＡＳＮ（Advanced Shipping Notice）、４１，４２…データベース、５０…水素ＭＭＳ（Mobility Management System）、５０ａ，５０ｃ，５０ｅ…ＵＩ（User Interface）、５０ｂ…区分・ディスペンサー設定部、５０ｉ…２４時間分予測部、５０ｊ…再予測部、５０ｋ…水素貯蔵要求量計算部、５０ｍ…通信部、５０ｎ…充填水素量推定部。

Claims (9)

  1. 水素を製造する水素製造手段と、
    前記水素製造手段が製造した水素により発電する燃料電池で駆動する燃料電池車両の水素貯蔵要求量を求めることで、前記燃料電池車両の水素需要予測を行う需要予測手段と、
    前記水素貯蔵要求量に基づいて、前記水素製造手段を制御するための水素製造計画を管理する管理手段とを備え、
    前記需要予測手段は、
    前記燃料電池車両の過去の水素充填実績を含む入力データを前記管理手段から入力し、
    前記入力データを、需要予測対象日の１日の充填水素量の総量である日量と、前記１日の所定の充填タイミングにおける充填水素量を前記総量で除して正規化したパタンとに分割して、前記日量と前記パタンのそれぞれの水素需要予測モデルを構築し、
    前記日量の予測モデルは、前記日量に影響を与える因子により分類され、前記パタンの予測モデルは、前記パタンに影響を与える因子により分類され、
    前記需要予測対象日の因子と前記分類された予測モデルとに基づく、前記需要予測対象日の前記日量と前記パタンの検索結果を掛け合わせて、前記需要予測対象日における充填水素量の絶対量としての予測結果を求める２４時間分予測部と、
    前記予測結果にマージン分の充填水素量を加算して、前記水素貯蔵要求量を計算し、前記計算した水素貯蔵要求量を前記管理手段に通知する水素貯蔵要求量計算部と、
    前記予測結果で示される充填水素量と実際の充填水素量との差分が所定の条件を満たして大きい場合、前記日量と前記パタンとに分割する前の前記入力データの中から、前記需要予測対象日の当日の開始時刻から、前記差分が前記条件を満たして大きくなる時刻までについて、実際の前記充填水素量の変化に最も類似する前記入力データを前記充填水素量の再予測結果とし、前記再予測結果を新たな水素貯蔵要求量として前記管理手段に通知する再予測部とを有する水素需要量予測システム。
  2. 前記水素貯蔵要求量計算部は、
    前記再予測部による再予測結果を判定するための、前記予測結果で示される充填水素量と実際の充填水素量との差分の閾値と、所定の１以上の係数との乗算値に、前記水素製造手段による水素製造能力と前記閾値との差異を考慮した係数を加算した値を前記充填水素量のマージンとして設定する請求項１に記載の水素需要量予測システム。
  3. 前記２４時間分予測部は、
    前記入力データを、前記１日の充填水素量の日量と、前記正規化したパタンとに分割し、
    前記分割した前記パタンを、前記パタンに影響を与える因子により分類し、
    前記分類したパタンについて、各時刻の分散を計算することで分布モデルを構築し、
    充填水素量の実績値が、前記分布モデルの該当時刻の分布の中で所定のパーセンテージの信頼区間に入っているか否かに応じて、前記再予測部による再予測を実施するか否かを判定する請求項１に記載の水素需要量予測システム。
  4. 前記２４時間分予測部は、
    前記入力データを、前記入力データに影響を与える因子により分類し、
    前記分類した入力データを、前記１日の充填水素量の日量と、前記正規化したパタンとに分割して、前記それぞれの水素需要予測モデルを構築し、
    前記分割した前記パタンについて、各時刻の分散を計算することで分布モデルを構築し、
    前記再予測部は、
    充填水素量の実績値が、前記分布モデルの該当時刻の分布の中で、所定のパーセンテージの信頼区間に入っているか否かに応じて、前記再予測部による再予測を実施するか否かを判定する請求項１に記載の水素需要量予測システム。
  5. 前記再予測部は、
    前記予測結果で示される充填水素量と実際の充填水素量との差分が所定の条件を満たして大きい場合、前記日量と前記パタンとに分割する前の前記入力データの中の一部の期間での時系列変化を基に、時系列分析手法により、前記需要予測対象日の当日の開始時刻から、前記差分が前記条件を満たして大きくなる時刻までについて、実際の前記充填水素量の変化に最も類似する前記入力データを前記充填水素量の再予測結果とする請求項１に記載の水素需要量予測システム。
  6. 水素を製造する水素製造手段と、
    前記水素製造手段が製造した水素により発電する燃料電池で駆動する燃料電池車両の水素貯蔵要求量を求めることで、前記燃料電池車両の水素需要予測を行う需要予測手段と、
    前記水素貯蔵要求量に基づいて、前記水素製造手段を制御するための水素製造計画を管理する管理手段とを備え、
    前記需要予測手段は、
    前記燃料電池車両の過去の水素充填実績を含む入力データを前記管理手段から入力し、
    前記入力データを、需要予測対象日の１日の充填水素量の総量である日量と、前記１日の所定の充填タイミングにおける充填水素量を前記総量で除して正規化したパタンとに分割して、前記日量と前記パタンのそれぞれの水素需要予測モデルを構築し、
    前記日量の予測モデルは、前記日量に影響を与える因子により分類され、前記パタンの予測モデルは、前記パタンに影響を与える因子により分類され、
    前記需要予測対象日の因子と前記分類された予測モデルとに基づく、前記需要予測対象日の前記日量と前記パタンの検索結果を掛け合わせて、前記需要予測対象日における充填水素量の絶対量としての予測結果を求める２４時間分予測部と、
    前記予測結果にマージン分の充填水素量を加算して、前記水素貯蔵要求量を計算し、前記計算した水素貯蔵要求量を前記管理手段に通知する水素貯蔵要求量計算部とを有し、
    前記２４時間分予測部は、
    前記入力データにおける前記正規化したパタンに対して、前記パタンに影響を与える因子に応じた分類を行い、
    前記パタンにおける、所定の各時刻での差分と、前記各時刻の全てについての前記差分の合計値とに基づく類似度に基づいて、前記分類したパタンをグループ分類し、
    前記グループ分類の結果における、所属するパタン数が最大であるグループ中のパタンに対して、各時刻における移動平均を計算することで前記因子に対応した前記パタンの予測モデルを構築する水素需要量予測システム。
  7. 水素を製造する水素製造手段と、
    前記水素製造手段が製造した水素により発電する燃料電池で駆動する燃料電池車両の水素貯蔵要求量を求めることで、前記燃料電池車両の水素需要予測を行う需要予測手段と、
    前記水素貯蔵要求量に基づいて、前記水素製造手段を制御するための水素製造計画を管理する管理手段とを備え、
    前記需要予測手段は、
    前記燃料電池車両の過去の水素充填実績を含む入力データを前記管理手段から入力し、
    前記入力データを、需要予測対象日の１日の充填水素量の総量である日量と、前記１日の所定の充填タイミングにおける充填水素量を前記総量で除して正規化したパタンとに分割して、前記日量と前記パタンのそれぞれの水素需要予測モデルを構築し、
    前記日量の予測モデルは、前記日量に影響を与える因子により分類され、前記パタンの予測モデルは、前記パタンに影響を与える因子により分類され、
    前記需要予測対象日の因子と前記分類された予測モデルとに基づく、前記需要予測対象日の前記日量と前記パタンの検索結果を掛け合わせて、前記需要予測対象日における充填水素量の絶対量としての予測結果を求める２４時間分予測部と、
    前記予測結果にマージン分の充填水素量を加算して、前記水素貯蔵要求量を計算し、前記計算した水素貯蔵要求量を前記管理手段に通知する水素貯蔵要求量計算部とを有し、
    前記２４時間分予測部は、
    前記入力データにおける前記正規化したパタンに対して、前記パタンに影響を与える因子に応じた分類を行い、
    相関係数を用いて前記分類したパタンをグループ分類し、
    前記グループ分類の結果における、所属するパタン数が最大であるグループ中のパタンに対して、各時刻における平均値を計算することで前記因子に対応した前記パタンの予測モデルを構築する水素需要量予測システム。
  8. 前記水素貯蔵要求量計算部は、
    前記分布モデルにおける各時刻の分散に対して、所定の目標サービス率に相当する信頼区間に対応する充填水素量を前記充填水素量のマージンとみなして、
    このマージンを前記予測結果で示される充填水素量と合わせた値に基づいて、前記水素貯蔵要求量を計算する請求項３または４に記載の水素需要量予測システム。
  9. 水素を製造する水素製造手段と、
    前記水素製造手段が製造した水素により発電する燃料電池で駆動する燃料電池車両の水素貯蔵要求量を求めることで、前記燃料電池車両の水素需要予測を行う需要予測手段と、
    前記水素貯蔵要求量に基づいて、前記水素製造手段を制御するための水素製造計画を管理する管理手段とを備え、
    前記需要予測手段は、
    前記燃料電池車両の過去の水素充填実績を含む入力データを前記管理手段から入力し、
    前記入力データを、需要予測対象日の１日の充填水素量の総量である日量と、前記１日の所定の充填タイミングにおける充填水素量を前記総量で除して正規化したパタンとに分割して、前記日量と前記パタンのそれぞれの水素需要予測モデルを構築し、
    前記日量の予測モデルは、前記日量に影響を与える因子により分類され、前記パタンの予測モデルは、前記パタンに影響を与える因子により分類され、
    前記需要予測対象日の因子と前記分類された予測モデルとに基づく、前記需要予測対象日の前記日量と前記パタンの検索結果を掛け合わせて、前記需要予測対象日における充填水素量の絶対量としての予測結果を求める２４時間分予測部と、
    前記予測結果にマージン分の充填水素量を加算して、前記水素貯蔵要求量を計算し、前記計算した水素貯蔵要求量を前記管理手段に通知する水素貯蔵要求量計算部と、
    水素需要を予測するための、前記燃料電池車両が担当する作業ごとの単位で実施された、前記作業を示す情報、前記単位毎に実施されると推定される前記作業を示す情報、前記燃料電池車両の動作毎の単位消費燃料の情報、および前記単位毎での前記作業に対する、この作業のための前記燃料電池車両の動作の平均的な比率の情報を格納する格納手段と、
    前記格納手段に格納された情報に基づいて、前記燃料電池車両の消費燃料を過去の充填水素量として推定する推定手段とを有する水素需要量予測システム。
JP2017563420A 2016-01-25 2016-01-25 水素需要量予測システム Active JP6633655B2 (ja)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2016/052049 WO2017130280A1 (ja) 2016-01-25 2016-01-25 水素需要量予測システム、水素需要量予測方法および水素需要量予測装置

Publications (2)

Publication Number Publication Date
JPWO2017130280A1 JPWO2017130280A1 (ja) 2018-08-16
JP6633655B2 true JP6633655B2 (ja) 2020-01-22

Family

ID=59397633

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2017563420A Active JP6633655B2 (ja) 2016-01-25 2016-01-25 水素需要量予測システム

Country Status (2)

Country Link
JP (1) JP6633655B2 (ja)
WO (1) WO2017130280A1 (ja)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6984251B2 (ja) * 2017-09-07 2021-12-17 トヨタ自動車株式会社 燃料電池車
CN111242511B (zh) * 2020-02-27 2023-06-30 云南电网有限责任公司电力科学研究院 氢油生产控制方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS57155621A (en) * 1982-02-10 1982-09-25 Hitachi Ltd Estimated controlling method
JP4673580B2 (ja) * 2004-06-02 2011-04-20 株式会社ノーリツ 熱源装置
JP2006001797A (ja) * 2004-06-17 2006-01-05 Toho Gas Co Ltd 水素製造装置の運転制御装置
JP3682884B1 (ja) * 2004-12-24 2005-08-17 西南総合開発株式会社 水素貯蔵装置を設置した燃料電池発電システム及びその燃料電池発電方法
JP2010218394A (ja) * 2009-03-18 2010-09-30 Fuji Electric Systems Co Ltd エネルギー需要予測装置

Also Published As

Publication number Publication date
WO2017130280A1 (ja) 2017-08-03
JPWO2017130280A1 (ja) 2018-08-16

Similar Documents

Publication Publication Date Title
JP6109631B2 (ja) 情報処理システム
JP6079215B2 (ja) 電力需要予測装置、プログラム
JP5981313B2 (ja) 電力抑制型蓄電蓄熱最適化装置、最適化方法及び最適化プログラム
US9008979B2 (en) Total energy quantity controlling device and method
Delarue et al. Enhanced priority list unit commitment method for power systems with a high share of renewables
KR101168153B1 (ko) 건물의 에너지 수요 예측 방법 및 그 시스템
WO2012120623A1 (ja) エネルギー消費管理のためのシステム、方法及びコンピュータプログラム
JP5248372B2 (ja) 発電計画作成方法、装置、プログラムおよび記憶装置
CN109726872A (zh) 一种能耗预测方法、装置、存储介质及电子设备
JPWO2018147194A1 (ja) 蓄電池制御装置、充放電制御方法、及びプログラム
US20170148114A1 (en) Identification of peak days
CN111670448A (zh) 用于实时电池操作模式预测和控制的多自主体共享机器学习方法
Sevlian et al. Value of aggregation in smart grids
JP6633655B2 (ja) 水素需要量予測システム
Evangelopoulos et al. Probabilistic spatial load forecasting for assessing the impact of electric load growth in power distribution networks
JP7372727B2 (ja) 系統運用者側コンピュータ、発電事業者側コンピュータ、電力システム、制御方法及びプログラム
CN114925874A (zh) 一种基于bert神经网络模型的碳排量预判方法及装置
JP2018173837A (ja) 予測装置、予測システム、予測方法及びプログラム
CN109858668B (zh) 一种雷电气候下电力负荷区域协调预测方法
KR20120046310A (ko) 재고 계획 작성 장치 및 재고 계획 작성 방법
JP2016067125A (ja) エネルギー設備運転制御装置およびエネルギー設備運転制御方法
JP6315563B2 (ja) 設備機器運転システムおよび設備機器運転方法
Kimata et al. Operation planning for heat pump in a residential building
JP2016213987A (ja) 電力小売料金メニュー策定装置
WO2017104237A1 (ja) 情報処理装置、その情報処理方法、およびプログラム

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20180219

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20181120

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20190116

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20190702

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20191001

A911 Transfer to examiner for re-examination before appeal (zenchi)

Free format text: JAPANESE INTERMEDIATE CODE: A911

Effective date: 20191009

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20191112

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20191212

R150 Certificate of patent or registration of utility model

Ref document number: 6633655

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150