JP7053299B2 - 運転計画生成装置、及び運転計画生成方法 - Google Patents

運転計画生成装置、及び運転計画生成方法 Download PDF

Info

Publication number
JP7053299B2
JP7053299B2 JP2018024847A JP2018024847A JP7053299B2 JP 7053299 B2 JP7053299 B2 JP 7053299B2 JP 2018024847 A JP2018024847 A JP 2018024847A JP 2018024847 A JP2018024847 A JP 2018024847A JP 7053299 B2 JP7053299 B2 JP 7053299B2
Authority
JP
Japan
Prior art keywords
operation plan
energy
generation unit
energy system
generator
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
JP2018024847A
Other languages
English (en)
Other versions
JP2019138602A (ja
Inventor
勉 河村
正俊 熊谷
広考 高橋
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.)
Hitachi Ltd
Original Assignee
Hitachi Ltd
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 Hitachi Ltd filed Critical Hitachi Ltd
Priority to JP2018024847A priority Critical patent/JP7053299B2/ja
Priority to US16/957,300 priority patent/US20200387847A1/en
Priority to PCT/JP2018/043365 priority patent/WO2019159477A1/ja
Publication of JP2019138602A publication Critical patent/JP2019138602A/ja
Application granted granted Critical
Publication of JP7053299B2 publication Critical patent/JP7053299B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
    • F24F11/46—Improving electric energy efficiency or saving
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • F24F11/63—Electronic processing
    • F24F11/65—Electronic processing for selecting an operating mode
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
    • 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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
    • 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
    • G06Q10/10—Office automation; Time management
    • 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
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/26—Pc applications
    • G05B2219/2639—Energy management, use maximum of cheap power, keep peak load low
    • 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
    • G06Q50/10—Services
    • G06Q50/16—Real estate
    • G06Q50/163—Real estate management

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Mechanical Engineering (AREA)
  • Combustion & Propulsion (AREA)
  • Chemical & Material Sciences (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Primary Health Care (AREA)
  • Automation & Control Theory (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)

Description

本発明は、エネルギーシステムの運転計画生成装置、及び運転計画生成方法に関する。
近年、エネルギーコスト低減、ＣＯ２排出量の削減などを目的として、再生可能エネルギー機器、コージェネレーションシステム、熱源機、蓄エネルギー機器、などの複数の機器を組み合わせて、需要家にエネルギーを供給するマイクログリッド（または、エネルギーシステム）のニーズが増大している。マイクログリッドは、エネルギーマネジメントシステムによって運転が管理され、各機器は、運転コストやＣＯ２排出量などが小さくなるように生成された運転計画に基づいて適切な運転を行うように制御されている。特に、北米では、自然災害による停電などに備えて、レジリエンスを兼ね備えた自立運転可能なマイクログリッドの導入も進んでいる。
例えば、特許文献１には、排温水の使用量に応じて変動するエネルギー消費特性に基づいて、排熱利用熱源設備の最適な運転計画を立案することで、エネルギープラントにおける省エネやＣＯ２排出量の削減を実現する運転計画立案装置が開示されている。
特開２０１５－２０３５３１号公報
しかしながら、マイクログリッド（または、エネルギーシステム）内の機器の数が多くなる程、運転計画生成装置が運転計画を生成するための時間が膨大になるという問題がある。
本発明は、上記した課題を解決するためになされたものであり、運転計画の生成に要する時間を短縮可能な運転計画生成装置などを提供することを課題とする。
前記課題を解決するために、本開示の実施形態に係る運転計画生成装置は、需要家にエネルギーを供給するエネルギーシステムにおける運転計画生成装置であって、前記エネルギーシステムを管理するエネルギーマネジメントシステムから取得した、前記エネルギーシステムに対する運転制約条件を満足する運転計画を複数生成するデータ生成部と、機械学習を採用することによって、複数の前記運転計画に基づいて、前記エネルギーシステムの特性を学習する機械学習部と、学習した前記エネルギーシステムの特性に基づいて、複数の運転計画候補を生成する運転計画候補生成部と、前記複数の運転計画候補に基づいて、前記複数の運転計画候補のそれぞれに含まれる優良初期解を選定し、それぞれの前記優良初期解を初期値として演算を行うことで、エネルギーコストが最小となる運転計画を生成する運転計画生成部と、を備えることを特徴とする。
本発明によれば、運転計画の生成に要する時間を短縮可能な運転計画生成装置などを提供できる。
第１実施形態に係るマイクログリッドの構成の一例を示す図である。 図１Ａの発電機が複数の発電機で構成されていることを示す図である。 第１実施形態に係る運転計画生成装置の機能ブロック図である。 第１実施形態に係るデータ生成部が生成する運転計画を説明するための図である。 第１実施形態に係るデータ生成部が生成する運転計画を説明するための図である。 第１実施形態に係るデータ生成部が生成する運転計画を説明するための図である。 第１実施形態に係るデータ生成部が演算するＫＰＩについて説明するための図である。 第１実施形態に係る運転計画生成装置における演算処理の流れを説明するフローチャートである。 第２実施形態に係る運転計画生成装置の機能ブロック図である。 第２実施形態に係る最適解と運転計画候補生成部が生成する運転計画候補との関係について説明するための図である。 第２実施形態に係る運転計画生成装置における演算処理の流れを説明するフローチャートである。
本発明を適用する実施形態の一例を説明する。以下、実施形態を説明するための全図において、特に断らない限り、同一機能を有するものは同一符号を付し、繰り返しの説明は省略する。また、以下の記述により本発明が限定されるものではない。
[第１実施形態]
≪マイクログリッドの全体構成≫
図１Ａを参照して、本実施形態に係るマイクログリッド１の構成について説明する。
マイクログリッド１は、需要家１１と、需要家１１に複数種類のエネルギーを供給するエネルギーシステム１２と、を含んで構成されており、需要家向けエネルギー供給システムを実現するものである。この例では、エネルギーシステム１２が需要家１１に供給するエネルギーは、電力Ａ、熱Ｃ（例えば、約５℃～７℃の冷水）、である。需要家１１は、工場、オフィスビルディング、集合住宅、大学、などの熱や電力を消費する設備である。エネルギーシステム１２は、発電機１２１、蓄電池１２２、ボイラ１２３、ターボ冷凍機１２４、排熱利用吸収式冷凍機１２５、蓄熱槽１２６、などを備える。
マイクログリッド１は、電力系統２及びガス系統３と連系し、エネルギーマネジメントシステムによって運転が管理されている。エネルギーマネジメントシステムは、需要家１１の規模に応じて適切に分類され、例えば、工場向けのＦＥＭＳ（Factory Energy Management System）、ビルディング向けのＢＥＭＳ（Building Energy Management System）、集合住宅向けのＭＥＭＳ（Mansion Energy Management System）、一般家庭向けのＨＥＭＳ（Home Energy Management System）、などが知られている。
発電機１２１は、電力系統２と連系し、電力Ａを需要家１１へと供給する。需要家１１に供給される電力は、例えば６０％程度が発電機１２１によって賄われ、４０％程度が電力会社から購入した購入電力によって賄われている。また、発電機１２１は、ガス系統３と連系し、ガス系統３から供給されるガスＤを燃料として、温水Ｂ（排熱Ｂ）を生成し、排熱利用吸収式冷凍機１２５へと温水Ｂを供給する。発電機１２１としては、例えば、ガスタービン発電機、ガスエンジン発電機、燃料電池、などが挙げられる。なお、図１Ｂに示すように、発電機１２１は、複数の発電機（第１の発電機１２１ａ～第３の発電機１２１ｃ）で構成されていてもよい。
蓄電池１２２及び蓄熱槽１２６は、エネルギー貯蔵設備として機能する。蓄電池１２２は、例えば、電気料金の安い夜間に電力Ａを蓄電し、電気料金の高い昼間に電力Ａを放電することが可能である。蓄電池１２２としては、例えば、リチウムイオン電池、などが挙げられる。蓄熱槽１２６は、ターボ冷凍機１２４や排熱利用吸収式冷凍機１２５から供給される冷水Ｃ（熱Ｃ）を貯蔵し、需要家１１へと冷水Ｃを適宜供給する。
ボイラ１２３は、ガス系統３と連系し、ガス系統３から供給されるガスＤを燃料として、温水Ｂを生成し、排熱利用吸収式冷凍機１２５へと温水Ｂを供給する。ターボ冷凍機１２４は、発電機１２１または電力系統２から供給される電力Ａで駆動して冷水Ｃを生成し、蓄熱槽１２６へと冷水Ｃを供給する。排熱利用吸収式冷凍機１２５は、発電機１２１から排出される排熱、或いはボイラ１２３がガスＤを燃料として生成した熱で駆動して冷水Ｃを生成し、蓄熱槽１２６へと供給する。電気料金の安い場合には、購入電力による電力Ａで駆動するターボ冷凍機１２４を使用して冷水Ｃを生成する方が好ましく、電気料金の高い場合には、ガスＤを燃料とする発電機１２１による電力Ａで駆動するターボ冷凍機１２４を使用して冷水Ｃを生成する方が好ましい。または、ガスＤを燃料とする発電機１２１またはボイラ１２３が生成した熱を利用する排熱利用吸収式冷凍機１２５を使用して冷水Ｃを生成する方が好ましい。
上述のように、マイクログリッド１は、エネルギーマネジメントシステムで運転コストが最小になるようにエネルギーシステム１２の最適運転を実現している。
≪運転計画生成装置の構成≫
次に、図２を参照して、マイクログリッド１の運転を管理するエネルギーマネジメントシステムの一機能である運転計画生成装置１００の構成の一例について説明する。
運転計画生成装置１００は、インターネット、有線ＬＡＮまたは無線ＬＡＮなどを介して、マイクログリッド１と相互に情報通信を行うことが可能である。運転計画生成装置１００は、需要家１１から受信したエネルギー需要（例えば、電力需要、熱需要）に応じて、エネルギーシステム１２に制御値を送信し、マイクログリッド１内の機器の運転を制御している。
運転計画生成装置１００は、演算処理部や記憶部などを備えている。演算処理部は、運転計画生成装置１００の中枢として機能し、例えば、ＣＰＵ（Central Processing Unit）などで構成され、記憶部に記憶される制御プログラムを読み出して、ワークエリアに展開し、当該制御プログラムを実行することで、所定の演算処理を行う。記憶部は、例えば、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）、などで構成され、演算処理部が制御プログラムを実行するための、作業用記憶領域として用いられる。
具体的には、運転計画生成装置１００は、データ生成部１０１、機械学習部１０２、運転計画生成部１０３、演算結果ＤＢ（データベース）１０４、学習結果ＤＢ（データベース）１０５、などを備える。
データ生成部１０１は、機械学習部１０２で必要な多数の演算結果を作成するため、エネルギーマネジメントシステムからエネルギーシステム１２に対する多数の異なるケースに対して各種運転条件を取得し、各ケースに対する運転条件に基づいて、運転計画を生成する。なお、運転計画とは、運転コストなどが安くなるように、各機器の組み合わせを工夫し、各機器を適切に運転させるための計画である。例えば、電気料金の安い夜間に、電力会社から購入した購入電力を蓄電池１２２に蓄電させるために、蓄電池１２２を適切に運転させるための計画である。また、例えば、需要家１１からの電力需要や熱需要に応じて、発電機１２１を３０％の出力で２時間運転させた後、蓄電池１２２を５０％の出力（放電）で５時間運転させる、などの計画である。
ちなみに、データ生成部１０１は、エネルギーシステム１２に対する運転制約条件を満足する運転計画、及び、エネルギーシステム１２に対する運転制約条件を違反する運転計画を生成する。この点、つまり運転制約条件に違反する運転計画を生成する点が、後記する運転計画生成部１０３が生成する運転計画とは異なる。また、データ生成部１０１は、生成した運転計画を演算結果ＤＢ１０４へと出力し、演算結果ＤＢ１０４に記憶させる。運転制約条件は、例えば、各機器の最低負荷率、各機器の一日当たりの起動・停止回数の上限値、各機器の起動後の運転継続時間、停止後の停止継続時間、購入電力の上限値（契約電力）、などである。
ここで、図３乃至図５を参照して、データ生成部１０１が生成する運転計画について説明する。図３は、エネルギーシステム１２に対する運転制約条件を満足する運転計画の一例を示す図である。図４及び図５は、エネルギーシステム１２に対する運転制約条件を違反する運転計画の一例を示す図である。横軸は、時間帯[ｈｒ]を示し、縦軸は、電力[ｋＷ]を示している。
折れ線グラフ５０１は、エネルギーシステム１２に対する需要家１１の電力需要を示している。棒グラフ５０２は、第１の発電機１２１ａの発電電力を示している。棒グラフ５０３は、第２の発電機１２１ｂの発電電力を示している。棒グラフ５０４は、第３の発電機１２１ｃの発電電力を示している。棒グラフ５０５は、マイクログリッド１の購入電力を示している。棒グラフ５０６ａは、蓄電池１２２の放電電力を示している。棒グラフ５０６ｂは、蓄電池１２２の蓄電電力を示している。
エネルギーシステム１２に対する需要家１１の需要電力は、発電機１２１の発電電力、蓄電池１２２の放電電力、電力系統２からの購入電力、によって賄われる。なお、購入電力の価格は、電力会社との契約や一日を通しての時間帯などに依存する。
図３に示すように、２０時、２１時、２２時、２３時、０時、１時、２時、３時、４時において、需要家１１の需要電力（符号５０１）は、ゼロである。１時、２時、３時、４時において、蓄電池１２２の蓄電電力（符号５０６ｂ）は、第１の発電機１２１ａの発電電力（符号５０２）、第２の発電機１２１ｂの発電電力（符号５０３）により賄われる。５時において、需要家１１の需要電力は、第１の発電機１２１ａの発電電力により賄われる。６時、１９時において、需要家１１の需要電力は、第１の発電機１２１ａの発電電力、第２の発電機１２１ｂの発電電力により賄われる。７時、１８時において、需要家１１の需要電力は、第１の発電機１２１ａの発電電力（符号５０２）、第２の発電機１２１ｂの発電電力（符号５０３）、及び購入電力（符号５０５）により賄われる。９時、１６時において、需要家１１の需要電力は、第１の発電機１２１ａの発電電力（符号５０２）、第２の発電機１２１ｂの発電電力（符号５０３）、第３の発電機１２１ｃの発電電力（符号５０４）、及び購入電力（符号５０５）により賄われる。８時、１１時、１２時、１７時において、需要家１１の需要電力は、第１の発電機１２１ａの発電電力（符号５０２）、第２の発電機１２１ｂの発電電力（符号５０３）、第３の発電機１２１ｃの発電電力（符号５０４）により賄われる。１０時、１３時、１４時、１５時において、需要家１１の需要電力は、第１の発電機１２１ａの発電電力（符号５０２）、第２の発電機１２１ｂの発電電力（符号５０３）、第３の発電機１２１ｃの発電電力（符号５０４）、蓄電池１２２の放電電力（符号５０６ａ）により賄われる。
データ生成部１０１は、エネルギーコスト最小を目的として、各機器の物理モデルを用いた最適化計算による運転計画や統計モデルを用いた運転計画でもよい。また、過去のエネルギーシステムの運転実績でもよい。
次に、運転制約を違反した一例を図４に示す。７時において、白抜き矢印で示す図４に示す第１の発電機１２１ａの発電電力（符号５０２）は、最低負荷率未満の条件で発電を行う計画となっており、運転制約を違反している。同様に、同じ７時において、白抜き矢印で示す図４に示す第２の発電機１２１ｂの発電電力（符号５０３）も、最低負荷率未満の条件で発電を行う計画となっており、運転制約を違反している。また、図４に示す第３の発電機１２１ｃ（符号５０４）も最低負荷率未満の条件で発電を行う計画となっており、運転制約を違反している。
つまり、図４に示す運転計画に基づいて、エネルギーシステム１２が需要家１１に複数のエネルギーを供給しても、発電機１２１が効率の低い最低負荷率未満の条件での運転を行うなど、マイクログリッド１は、エネルギー効率の高い運転を行うことができない。
次に、運転制約を違反した一例を図５に示す。１１時において、白抜き矢印で示す図５に示す第３の発電機１２１ｃ（符号５０４）は、運転制約条件に違反して停止ている。
即ち、発電機は、一旦停止した場合、3時間は運転できない条件であるにもかかわらず、1時間しか停止していない。
つまり、図５に示す運転計画に基づいて、エネルギーシステム１２を運転した場合、機器は本来の性能を出すことができず、エネルギーコストが増大する。また、制約違反条件で運転した場合、機器の性能劣化が早まる可能性がある。
データ生成部１０１は、上述のような図３乃至図５に示す運転計画に応じたＫＰＩ(Key Performance Indicator)を演算し、演算したＫＰＩを演算結果ＤＢ１０４へと出力し、演算結果ＤＢ１０４に記憶させる。
例えば、データ生成部１０１は、エネルギーシステム１２に対する各種運転条件を満足する運転計画に基づいて、各機器が運転する場合（図３参照）、ＫＰＩを演算する。本実施例では、ＫＰＩを、エネルギーシステムが消費する購入電力料金とガス料金の合計であるエネルギーコストとした。
例えば、データ生成部１０１は、エネルギーシステム１２に対する運転制約条件を違反する運転計画に基づいて、各機器が運転する場合（図４及び図５参照）、ＫＰＩを違反の度合いに依存させて演算する。即ち、データ生成部１０１は、違反の度合いが大きければ、基準の値に正の値（ペナルティ）を多く加算して、最終的なＫＰＩを演算する。一方、データ生成部１０１は、違反の度合いが小さければ、基準の値に正の値（ペナルティ）を少量加算して、最終的なＫＰＩを演算する。
つまり、ＫＰＩは、エネルギーシステム１２に対する運転制約条件を満足する運転計画に基づいて演算された場合、小さい値になり、運転制約条件を違反する運転計画に基づいて演算された場合、大きな値になる（図６参照）。したがって、ＫＰＩが最小となる運転計画が、最も望ましい運転計画である。
ここで、図６を参照して、データ生成部１０１が演算するＫＰＩについて説明する。図６は、ＫＰＩの一例を示す図である。
ケース１は、エネルギーシステム１２に対する運転制約条件を違反する運転計画に基づいて、各機器が運転する場合におけるＫＰＩ（違反データ）であり、KPIが大きく実施すべきでない運転計画である。ケース２は、エネルギーシステム１２に対する運転制約条件を違反する運転計画に基づいて、各機器が運転する場合におけるＫＰＩ（違反データ）であり、KPIが大きく実施すべきでない運転計画である。
ケース３およびケース５は、エネルギーシステム１２に対する運転制約条件を満足する運転計画（過去の実績）に基づいて、各機器が運転する場合におけるＫＰＩ（実績データ）であり、運転制約違反は発生していない。ケース４およびケース６は、エネルギーシステム１２に対する運転制約条件を満足する運転計画（物理モデルおよび統計モデルを用いたコンピュータによる解析）に基づいて、各機器が運転する場合におけるＫＰＩ（解析データ）であり、運転制約違反は発生していない。
機械学習部１０２は、図６に示すような、データ生成部１０１が演算したＫＰＩに基づいて、マイクログリッド１のシステム特性を学習し、システム特性を学習結果ＤＢ１０５へと出力し、学習結果ＤＢ２０６に記憶させる。即ち、機械学習部１０２は、運転制約条件を満足する場合のデータ（実績データ、解析データ）のみならず、運転制約条件を違反する場合のデータ（違反データ）も考慮して、マイクログリッド１のシステム特性を学習する。
機械学習は、教師あり学習、教師なし学習、半教師あり学習、強化学習など、目的や条件によって、様々なアルゴリズムに分類することができる。本実施形態では、例えば、報酬を与えることによりで機械学習部が目標到達のための行動を自動的に学習する強化学習のアルゴリズムを採用することができる。なお、強化学習のアルゴリズムとしては、公知の学習法を適用することができ、例えば、Ｑ学習法、ＳＡＲＳＡ法、ＴＤ学習法、ＡＣ法などが挙げられる。
強化学習は、学習主体となる機械学習部１０２と、制御対象となるマイクログリッド１との相互作用により、行動が環境に与える影響を踏まえて、将来的に得られる報酬が最大となるように、学習と行動とが進められる。強化学習は、未知の学習領域を開拓する行動と、既知の学習領域を利用する行動とをバランスよく選択できるという特徴があり、従来、全く知られていなかった条件領域に、目的とする適切な条件を見出せる可能性を含む。
運転計画生成部１０３は、マイクログリッド１から、運転計画の生成のために必要な運転当日の各種運転条件を取得し、更に、学習結果ＤＢ１０５からシステム特性を取得する。そして、運転計画生成部１０３は、運転当日の各種運転条件及びシステム特性に基づいて、最適な運転計画（マイクログリッド１のエネルギーコストが最小となる運転計画）を生成し、マイクログリッド１へと出力する。運転当日の各種運転条件は、例えば、運転当日の日時、運転当日の気象予報、運転当日の電力価格、運転当日のガス価格、電力需要予測値、熱需要予測値、などである。運転当日の気象予報は、運転当日に運転計画生成部１０３によって３０分間隔で読み込まれた値であってもよい。また、電力需要予測値、熱需要予測値は、運転当日の前日の気象予報の情報に基づいて、所定の演算装置によって演算された値であってもよい。
演算結果ＤＢ１０４は、データ生成部１０１が生成した多数のケースの運転計画を記憶する。例えば、演算結果ＤＢ１０４は、エネルギーシステム１２に対する運転制約条件を満足する運転計画、エネルギーシステム１２に対する運転制約条件を違反する運転計画、などを記憶する。また、演算結果ＤＢ１０４は、データ生成部１０１が演算した複数のＫＰＩを記憶する。例えば、演算結果ＤＢ１０４は、エネルギーシステム１２に対する運転制約条件を満足する運転計画に基づいて各機器が運転する場合におけるＫＰＩ、エネルギーシステム１２に対する運転制約条件を違反する運転計画に基づいて各機器が運転する場合におけるＫＰＩ、などを記憶する。
学習結果ＤＢ１０５は、機械学習部１０２が学習したシステム特性を記憶する。システム特性は、マイクログリッド１のエネルギーシステムの特性に関するデータであり、例えば、運転当日の各種運転条件に適した発電機１２１の起動タイミング、停止タイミング、運転時間、運転時の負荷率、蓄電池１２２の蓄電時間、放電時間、同じく蓄熱槽１２６の冷水Ｃの蓄熱時間、放熱時間などである。
本実施形態に係る運転計画生成装置１００によれば、複数の運転計画とＫＰＩとの組合せに基づいて、人工知能となる機械学習部にマイクログリッド１の特性を学習させることで、最適な運転計画を生成する。これにより、マイクログリッド内の機器の数が多くなっても、短時間で高精度な（エネルギーコストの小さい）運転計画を生成する運転計画生成装置を実現できる。即ち、マイクログリッド１内の機器の数が多くなる程、運転計画生成装置１００が運転計画を生成するための時間が膨大になるという問題を、運転計画の精度（エネルギーコストを増大させず）を落とさずに解消できる。
≪運転計画生成装置の動作≫
次に、図７を参照して、本実施形態に係る運転計画生成装置１００の動作について説明する。
ステップＳ１００１において、データ生成部１０１は、需要家１１とエネルギーシステム１２を含むマイクログリッド１のエネルギーマネジメントシステムから、エネルギーシステム１２に対する各種運転条件を取得する。
ステップＳ１００２において、データ生成部１０１は、エネルギーシステム１２に対する運転制約条件を満足する運転計画、及び、エネルギーシステム１２に対する運転制約条件を違反する運転計画を生成する。
ステップＳ１００３において、データ生成部１０１は、複数の運転計画に応じたＫＰＩ（エネルギーコスト）を演算し、運転計画とＫＰＩを演算結果ＤＢ１０４へと出力する。
ステップＳ１００４において、機械学習部１０２は、演算結果ＤＢ１０４から取得したＫＰＩに基づいて、マイクログリッド１のシステム特性を学習し、生成したシステム特性を学習結果ＤＢ１０５へと出力する。
ステップＳ１００５において、運転計画生成部１０３は、学習結果ＤＢ１０５から取得したシステム特性に基づいて、最適な運転計画を生成し、マイクログリッド１へと出力する。
上述の各処理を行うことで、本実施形態に係る運転計画生成装置１００が行う演算処理が終了する。ステップＳ１００１からステップＳ１００４までの処理を、運転当日の前日までに、予めオフラインで行っておき、ステップＳ１００５の処理を、運転当日に行うことで、運転計画を生成するための時間を、より短縮することができる。上述の運転計画生成方法によれば、短時間で高精度な運転計画を生成できる。また、当該運転計画に基づいてエネルギーシステム１２が適切な運転を行うことで、マイクログリッド１のエネルギーコストを最小にすることができる。なお、図７に示すフローは一例であり、その一部を省略することや、別の処理を追加することが可能であることは勿論である。
[第２実施形態]
≪運転計画生成装置の構成≫
次に、図８を参照して、マイクログリッド１の運転を管理するエネルギーマネジメントシステムの一機能である運転計画生成装置２００の構成の一例について説明する。なお、第２実施形態において、第１実施形態と、共通する部分については、重複した説明を省略する。
運転計画生成装置２００は、データ生成部２０１、機械学習部２０２、運転計画候補生成部２０３、運転計画生成部２０４、演算結果ＤＢ（データベース）２０５、学習結果ＤＢ（データベース）２０６、などを備える。
データ生成部２０１は、マイクログリッド１のエネルギーマネジメントシステムから、エネルギーシステム１２における多数の異なるケースに対して各種運転条件を取得し、各種運転条件に基づいて、運転計画（本実施形態での教師データ）を生成する。この際、データ生成部２０１は、エネルギーシステム１２に対する運転制約条件を満足し、且つ、マイクログリッド１のエネルギーコストが最小となる運転計画を生成する。ここで、データ生成部２０１は、各機器の物理モデルを用いた最適化計算による運転計画、また、統計モデルを用いた運転計画、さらに、過去のエネルギーシステムの運転実績でもよい。また、データ生成部２０１は、生成した運転計画を演算結果ＤＢ２０５へと出力し、演算結果ＤＢ２０５に記憶させる。運転制約条件は、機器の最低負荷率、一日当たりの機器の起動・停止回数上限値、機器の起動継続時間、機器の停止継続時間などである。なお、第１実施形態では機械学習部１０２に学習させるための学習データとして、各種運転条件とそれに対する運転計画およびＫＰＩを用いたが、第２実施形態では機械学習部２０２に学習させるための学習データ（教師データ）として、各種運転条件とそれに対する運転計画を用いる。
機械学習部２０２は、データ生成部２０１が演算した運転計画に基づいて、マイクログリッド１のシステム特性を学習し、生成したシステム特性を学習結果ＤＢ２０６へと出力し、学習結果ＤＢ２０６に記憶させる。本実施形態では、例えば、多層構造のニューラルネットワークを用いた深層学習（ディープラーニング：Deep Learning）のアルゴリズムを採用することができる。
運転計画候補生成部２０３は、マイクログリッド１のエネルギーマネジメントシステムから、運転計画候補の生成のために必要各種運転条件を取得し、更に、学習結果ＤＢ２０６からシステム特性を取得する。そして、運転計画候補生成部２０３は、各種運転条件及びシステム特性に基づいて、複数の運転計画候補を生成し、運転計画生成部２０４へと出力する。各種運転条件は、例えば、運転当日の日時、運転当日の日時の気象予報、運転当日の日時の電力価格、運転当日の日時のガス価格、電力需要予測値、熱需要予測値、などである。
運転計画生成部２０４は、マイクログリッド１のエネルギーマネジメントシステムから、運転計画の生成のために必要な各種運転条件とを取得し、更に、運転計画候補生成部２０３から複数の運転計画候補を取得する。また、機器の最低負荷率、一日当たりの機器の起動・停止回数上限値、機器の起動継続時間、機器の停止継続時間などの運転制約条件も入力する。さらに、気象条件により変化する機器の燃料消費量（電力消費量、ガス消費量）を考慮するため、気象条件をパラメータとした機器の燃料消費特性データを入力する。そして、運転計画生成部２０４は、各種運転条件及び複数の運転計画候補に基づいて、最適な運転計画（マイクログリッド１のエネルギーコストが最小となる運転計画）を生成（或いは選択）し、マイクログリッド１へと出力する。
運転計画生成部２０４は、運転計画生成部２０３からの複数の運転計画候補を選択し、物理モデルまたは統計モデルを使用し、複数の運転計画候補を最適化計算の優良初期解として演算を行って最適な運転計画を生成する。なお、運転計画生成部２０４が最適な運転計画を生成する点の詳細については、図９を参照して後述するが、運転計画生成部２０４が優良初期解を利用することで、短時間で最適な運転計画を生成することが可能になる。つまり、機械学習部２０２が事前に機械学習によりシステム特性を学習し、運転計画候補生成部２０３がシステム特性に基づき運転計画候補（優良初期解）を生成する。運転計画生成部２０４は、条件の良い優良初期解を初期値として、運転計画を生成するための演算を開始することができる。これにより、運転計画生成装置２００が運転計画を生成するための時間を格段に短縮することができる。
運転計画生成部２０４は、複数の運転計画候補に基づいて優良初期解を選定し、当該優良初期解を初期値として、各機器の物理モデルを用いた最適化計算または統計モデルを用いた演算を行う。運転計画生成部２０４が当該優良初期解を利用することで、短時間で最適な運転計画を生成することが可能になる。つまり、機械学習部２０２が事前に機械学習によりシステム特性を学習し、運転計画候補生成部２０３がシステム特性に基づき運転計画候補（優良初期解）を生成する。運転計画生成部２０４は、条件の良い優良初期解を初期値として、運転計画を生成するための演算を開始することができる。これにより、運転計画生成装置２００が運転計画を生成するための時間を格段に短縮することができる。
ここで、図９を参照して、運転計画候補生成部２０３が生成する運転計画候補について説明する。図９は、ある時刻断面における複数の運転計画候補の一例を示す図である。横軸は、発電機の負荷率を示し、縦軸は、蓄電池の負荷率を示している。
図９に示すように、運転計画候補１及び運転計画候補２は、運転制約条件の範囲に含まれている。従って、運転計画生成部２０４は、運転計画候補１及び運転計画候補２に含まれる解を優良初期解として用いて演算を行うことで、発電機１２１及び蓄電池１２２の運転が、運転制約条件を満足する運転計画を生成できる。
一方、運転計画候補３は、一部が運転制約条件の範囲に含まれているが、一部が運転制約条件の範囲に含まれていない。従って、運転計画生成部２０４は、運転計画候補３に含まれる優良初期解を用いて演算を開始し、運転制約条件を考慮しながら最適化計算を実行することにより、発電機１２１及び蓄電池１２２の運転が、運転制約条件を満足する運転計画を生成することができる。
図９に示すように、最適解（図９では、星マークで示してある）は、運転計画候補１、運転計画候補２、運転計画候補３に基づいて選定される。この際、運転計画生成部２０４は、当該優良初期解を初期値として演算を行うことで、エネルギーシステム１２に対する運転制約条件を満足し、且つ、運転当日の気象条件に適した機器の燃料消費特性を考慮して、マイクログリッド１のエネルギーコストが最小となる運転計画を生成することが可能である。
演算結果ＤＢ２０５は、データ生成部２０１が生成した多数の運転計画を記憶する。例えば、演算結果ＤＢ２０５は、エネルギーシステム１２に対する運転制約条件を満足し、且つ、マイクログリッド１のエネルギーコストが最小となる運転計画を記憶する。
学習結果ＤＢ２０６は、機械学習部２０２が学習したシステム特性を記憶する。システム特性は、マイクログリッド１のエネルギーシステム１２の特性に関するデータであり、例えば、各種運転条件に適した発電機１２１の起動タイミング、停止タイミング、運転時間、運転時の負荷率、蓄電池１２２の蓄電時間、放電時間、などである。
本実施形態に係る運転計画生成装置２００によれば、多数の運転計画に基づいて、人工知能となる機械学習部にマイクログリッド１のエネルギーシステム特性を学習させることで、複数の運転計画候補を生成する。更に、これらの候補に基づいて優良初期解を選定し、最適な運転計画を生成する。これにより、マイクログリッド内の機器の数が多くなっても、短時間で高精度な（エネルギーコストの小さい）運転計画を生成する運転計画生成装置を実現できる。
≪運転計画生成装置の動作≫
次に、図１０を参照して、本実施形態に係る運転計画生成装置２００の動作について説明する。
ステップＳ２００１において、データ生成部２０１は、マイクログリッド１のエネルギーマネジメントシステムから、エネルギーシステム１２に対する多数の各種運転条件を取得する。
ステップＳ２００２において、データ生成部２０１は、エネルギーシステム１２に対する運転制約条件を満足し、且つ、マイクログリッド１のエネルギーコストが最小となる運転計画を生成し、演算結果を演算結果ＤＢ２０５へと出力する。
ステップＳ２００３において、機械学習部２０２は、演算結果ＤＢ２０５から取得した多数の運転計画に基づいて、マイクログリッド１のシステム特性を学習し、生成したシステム特性を学習結果ＤＢ２０６へと出力する。
ステップＳ２００４において、運転計画候補生成部２０３は、運転当日の各種運転条件及び学習結果ＤＢ２０６から取得したシステム特性に基づいて、複数の運転計画候補を生成し、運転計画生成部２０４へと出力する。
ステップＳ２００５において、運転計画生成部２０４は、運転当日の各種運転条件及び運転計画候補生成部２０３が生成した複数の運転計画候補に基づいて、優良初期解を選定し、当該優良初期解を初期値として最適化計算を行い、最適な運転計画を生成し、マイクログリッド１へと出力する。このとき、最適化計算では、エネルギーシステム１２に対する運転制約条件と、運転当日の気象条件をパラメータとした機器の燃料消費特性を入力して最適計算を行うことにより、運転制約条件を満たし、且つ、さらにエネルギーコストが小さい運転計画を実現できる。
上述の各処理を行うことで、本実施形態に係る運転計画生成装置２００が行う演算処理が終了する。上述の運転計画生成方法によれば、短時間で高精度な運転計画を生成できる。また、ステップＳ２００１からステップＳ２００３までの処理を、運転当日の前日までに、予めオフラインで行っておき、ステップＳ２００４及びステップＳ２００５の処理を、運転当日に行うことで、運転計画を生成するための時間を、より短縮することができる。なお、図１０に示すフローは一例であり、その一部を省略することや、別の処理を追加することが可能であることは勿論である。
１ マイクログリッド
１１ 需要家
１２ エネルギーシステム
１００，２００ 運転計画生成装置
１０１，２０１ データ生成部
１０２，２０２ 機械学習部
１０３，２０４ 運転計画生成部
２０３ 運転計画候補生成部
Ａ 電力
Ｂ 温水
Ｃ 冷水
Ｄ ガス

Claims (3)

  1. 需要家にエネルギーを供給するエネルギーシステムにおける運転計画生成装置であって、
    前記エネルギーシステムを管理するエネルギーマネジメントシステムから取得した、前記エネルギーシステムに対する運転制約条件を満足する運転計画を複数生成するデータ生成部と、
    機械学習を採用することによって、複数の前記運転計画に基づいて、前記エネルギーシステムの特性を学習する機械学習部と、
    学習した前記エネルギーシステムの特性に基づいて、複数の運転計画候補を生成する運転計画候補生成部と、
    前記複数の運転計画候補に基づいて、前記複数の運転計画候補のそれぞれに含まれる優良初期解を選定し、それぞれの前記優良初期解を初期値として演算を行うことで、エネルギーコストが最小となる運転計画を生成する運転計画生成部と、
    を備えることを特徴とする運転計画生成装置。
  2. 前記運転計画候補生成部は、運転当日の日時、運転当日の日時の気象予報、運転当日の日時のエネルギー価格、電力需要予測値、及び、熱需要予測値を含む運転条件を用いて複数の運転計画候補を生成し、
    前記運転計画生成部は、前記運転制約条件及び前記エネルギーシステムを構成する機器のエネルギー消費特性データを用いて演算を行う
    ことを特徴とする請求項１に記載の運転計画生成装置。
  3. 需要家にエネルギーを供給するエネルギーシステムにおける運転計画生成方法であって、
    前記エネルギーシステムを管理するエネルギーマネジメントシステムから取得した、前記エネルギーシステムに対する運転制約条件を満足する運転計画を複数生成するステップと、
    機械学習を採用することによって、複数の前記運転計画に基づいて、前記エネルギーシステムの特性を学習するステップと、
    学習した前記エネルギーシステムの特性に基づいて、複数の運転計画候補を生成するステップと、
    前記複数の運転計画候補に基づいて、前記複数の運転計画候補のそれぞれに含まれる優良初期解を選定し、それぞれの前記優良初期解を初期値として演算を行うことで、エネルギーコストが最小となる運転計画を生成するステップと、
    を含むことを特徴とする運転計画生成方法。
JP2018024847A 2018-02-15 2018-02-15 運転計画生成装置、及び運転計画生成方法 Active JP7053299B2 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2018024847A JP7053299B2 (ja) 2018-02-15 2018-02-15 運転計画生成装置、及び運転計画生成方法
US16/957,300 US20200387847A1 (en) 2018-02-15 2018-11-26 Operation Plan Generation Device and Operation Plan Generation Method
PCT/JP2018/043365 WO2019159477A1 (ja) 2018-02-15 2018-11-26 運転計画生成装置、及び運転計画生成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2018024847A JP7053299B2 (ja) 2018-02-15 2018-02-15 運転計画生成装置、及び運転計画生成方法

Publications (2)

Publication Number Publication Date
JP2019138602A JP2019138602A (ja) 2019-08-22
JP7053299B2 true JP7053299B2 (ja) 2022-04-12

Family

ID=67619889

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2018024847A Active JP7053299B2 (ja) 2018-02-15 2018-02-15 運転計画生成装置、及び運転計画生成方法

Country Status (3)

Country Link
US (1) US20200387847A1 (ja)
JP (1) JP7053299B2 (ja)
WO (1) WO2019159477A1 (ja)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021106058A1 (ja) * 2019-11-26 2021-06-03 株式会社日立製作所 計画立案装置及び計画立案方法
CN112183918B (zh) * 2019-12-23 2023-05-23 成都思晗科技股份有限公司 一种输电线路在线巡检作业计划的智能生成方法
CN111473494A (zh) * 2020-04-03 2020-07-31 五邑大学 基于机器学习的空调控制方法、装置和设备
US20230251615A1 (en) * 2020-07-13 2023-08-10 Ihi Corporation Operation assistance device and operation assistance program
KR102463146B1 (ko) * 2020-07-14 2022-11-03 중앙대학교 산학협력단 계층적 심화 강화학습을 이용한 hems 최적화 방법 및 장치
JP7041374B2 (ja) 2020-09-04 2022-03-24 ダイキン工業株式会社 生成方法、プログラム、情報処理装置、情報処理方法、及び学習済みモデル
CN114199036A (zh) 2020-09-18 2022-03-18 川崎重工业株式会社 余热回收锅炉及其除尘运转计划装置
JP7487704B2 (ja) * 2021-04-28 2024-05-21 横河電機株式会社 評価装置、評価方法、評価プログラム、制御装置、および、制御プログラム

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004317049A (ja) 2003-04-17 2004-11-11 Yamatake Corp 熱源運転支援制御方法、システムおよびプログラム
JP2010124644A (ja) 2008-11-21 2010-06-03 Nippon Telegr & Teleph Corp <Ntt> エネルギーシステム制御装置および制御方法
JP2015135571A (ja) 2014-01-16 2015-07-27 株式会社東芝 運転計画作成装置、制御装置、運転計画作成方法、およびプログラム
JP2016032337A (ja) 2014-07-28 2016-03-07 株式会社Ihi エネルギーマネジメントシステム、電力需給計画最適化方法および電力需給計画最適化プログラム

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004317049A (ja) 2003-04-17 2004-11-11 Yamatake Corp 熱源運転支援制御方法、システムおよびプログラム
JP2010124644A (ja) 2008-11-21 2010-06-03 Nippon Telegr & Teleph Corp <Ntt> エネルギーシステム制御装置および制御方法
JP2015135571A (ja) 2014-01-16 2015-07-27 株式会社東芝 運転計画作成装置、制御装置、運転計画作成方法、およびプログラム
JP2016032337A (ja) 2014-07-28 2016-03-07 株式会社Ihi エネルギーマネジメントシステム、電力需給計画最適化方法および電力需給計画最適化プログラム

Also Published As

Publication number Publication date
JP2019138602A (ja) 2019-08-22
WO2019159477A1 (ja) 2019-08-22
US20200387847A1 (en) 2020-12-10

Similar Documents

Publication Publication Date Title
JP7053299B2 (ja) 運転計画生成装置、及び運転計画生成方法
Li et al. Multi-stage real-time operation of a multi-energy microgrid with electrical and thermal energy storage assets: A data-driven MPC-ADP approach
Gil et al. Short-term hydrothermal generation scheduling model using a genetic algorithm
Mohammadi-Ivatloo et al. Application of information-gap decision theory to risk-constrained self-scheduling of GenCos
Helseth et al. Detailed long‐term hydro‐thermal scheduling for expansion planning in the Nordic power system
Mohammadi et al. Optimal scheduling of energy hubs in the presence of uncertainty-a review
Catalão et al. Nonlinear optimization method for short‐term hydro scheduling considering head‐dependency
Karami et al. Optimal scheduling of residential energy system including combined heat and power system and storage device
Nosratabadi et al. Robust scenario-based concept for stochastic energy management of an energy hub contains intelligent parking lot considering convexity principle of CHP nonlinear model with triple operational zones
DapkLus et al. Planning for new electric generation technologies a stochastic dynamic programming approach
Ferrari et al. Development of an optimization algorithm for the energy management of an industrial Smart User
Petrichenko et al. Modelling the Future of the Baltic Energy Systems: A Green Scenario
JP2015125643A (ja) 分散型エネルギーシステムの設備計画方法、プログラムおよび装置
Zhu et al. Modeling optimal energy exchange operation of microgrids considering renewable energy resources, risk-based strategies, and reliability aspect using multi-objective adolescent identity search algorithm
Jian et al. Risk-averse operation of energy-water nexus using information gap decision theory
Zatti Optimal design of urban energy districts under uncertainty
Rendroyoko et al. Integration method of unit commitment using PL-GA binary dispatch algorithm for intermittent RES in isolated microgrids system
Ali et al. Hybrid risk‐averse energy management optimizer for large‐scale industrial building microgrids
Vincent et al. Optimizing the maintenance schedule of a combined cycle gas turbine considering different maintenance types and operating hours
Rajan et al. Improved genetic algorithm solution to unit commitment problem
Kůdela et al. Optimal control of combined heat and power station operation
Larsen et al. DTU International Energy Report 2015: Energy systems integration for the transition to non-fossil energy systems
Kozadajevs et al. CHPP Operation Mode Optimization under Electricity and Gas Market Conditions using a Genetic Algorithm
Garabedian et al. The GRETA model: a decision making tool for operation and planning of generation systems at EDF
Charlesworth et al. A multi-energy system optimisation software for advance process control using hypernetworks and a micro-service architecture

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20200923

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20210720

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210921

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20211214

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220216

C60 Trial request (containing other claim documents, opposition documents)

Free format text: JAPANESE INTERMEDIATE CODE: C60

Effective date: 20220216

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

Free format text: JAPANESE INTERMEDIATE CODE: A911

Effective date: 20220303

C21 Notice of transfer of a case for reconsideration by examiners before appeal proceedings

Free format text: JAPANESE INTERMEDIATE CODE: C21

Effective date: 20220308

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: 20220322

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20220331

R150 Certificate of patent or registration of utility model

Ref document number: 7053299

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150