JP7157815B2 - 計画装置、計画方法、および計画プログラム - Google Patents

Description

本発明は、計画装置、計画方法、および計画プログラムに関する。

従来、水を電気分解することにより水素を生成する水素生成装置が知られている。水素生成装置で生成された水素は、複数の水素ステーションに輸送されて消費される。

解決しようとする課題

水素ステーションにおいて水素が不足しないように、水素を頻繁に水素ステーションに輸送すると、水素の供給コストが増加する場合がある。

一般的開示

上記課題を解決するために、本発明の第１の態様においては、計画装置が提供される。計画装置は、水素を生成する複数の水素生成装置のそれぞれの稼働予測を、稼働予測モデルを用いて生成する稼働予測部を備えてよい。計画装置は、複数の水素ステーションのそれぞれにおける水素の需要予測を、需要予測モデルを用いて生成する需要予測部を備えてよい。計画装置は、複数の水素生成装置で生成された水素を複数の水素ステーションに輸送する輸送計画を、輸送計画モデルを用いて、複数の水素生成装置のそれぞれの稼働予測および複数の水素ステーションのそれぞれの需要予測を含む輸送計画因子に基づいて生成する輸送計画部を備えてよい。

また、計画装置は、複数の再生可能エネルギー発電設備のそれぞれについて、再生可能エネルギーの発電量予測を、発電量予測モデルを用いて生成する発電量予測部を備えてよい。稼働予測部は、再生可能エネルギーを用いる複数の水素生成装置のそれぞれの稼働予測を、複数の再生可能エネルギー発電設備のそれぞれの発電量予測に基づいて生成してよい。計画装置は、電気料金予測モデルを用いて、再生可能エネルギーの電気料金予測を生成する電気料金予測部を更に備えてよい。稼働予測部は、電気料金予測を含む稼働予測因子に基づいて、複数の水素生成装置のそれぞれの稼働予測を生成してよい。電気料金予測モデルは、予測対象期間より前における、電気料金、電力需要量、電力供給量、再生可能エネルギー発電量、天気情報、および、発電量予測部による再生可能エネルギーの発電量予測の少なくとも１つを含む電気料金予測因子に基づいて、再生可能エネルギーの電気料金予測を算出してよい。計画装置は、電気料金の実績値を用いて、電気料金予測モデルを学習により更新する電気料金予測モデル更新部を備えてよい。稼働予測因子は、予測対象期間より前における、複数の水素生成装置の稼働量、複数の水素生成装置が生成した水素を貯蔵する複数の水素貯蔵装置における水素の貯蔵量、複数の水素貯蔵装置からの水素の輸送量、複数の水素ステーションのそれぞれにおける水素の需要量、および、予測対象期間の電気料金予測の少なくとも１つを更に含んでよい。計画装置は、複数の水素生成装置の稼働量の実績値を用いて、稼働予測モデルを学習により更新する稼働予測モデル更新部を備えてよい。

また、計画装置は、複数の水素ステーションのそれぞれにおける水素の消費予測を、消費予測モデルを用いて生成する消費予測部を備えてよい。需要予測部は、複数の水素ステーションのそれぞれにおける水素の需要予測を、各水素ステーションにおける水素の消費予測を含む需要予測因子に基づいて予測してよい。消費予測モデルは、予測対象期間より前における、複数の水素ステーションのそれぞれにおける水素の需要量、複数の水素ステーションのそれぞれにおける水素の消費量、天気情報、および複数の水素ステーションのそれぞれから供給される水素を利用して提供されるサービスの水素使用量に関する因子の少なくとも１つを更に含む消費予測因子に基づいて、予測対象期間中における複数の水素ステーションの水素の消費予測を算出してよい。計画装置は、複数の水素ステーションのそれぞれにおける水素の消費量の実績値を用いて、消費予測モデルを学習により更新する消費予測モデル更新部を備えてよい。需要予測モデルは、予測対象期間より前における、複数の水素ステーションのそれぞれにおける水素の需要量、および複数の水素ステーションのそれぞれにおける水素の消費量の少なくとも１つを更に含む需要予測因子に基づいて、予測対象期間における複数の水素ステーションのそれぞれについての水素の需要予測を算出してよい。計画装置は、複数の水素ステーションのそれぞれにおける水素の需要量の実績値を用いて、需要予測モデルを学習により更新する需要予測モデル更新部を更に備えてよい。

また、計画装置は、複数の水素生成装置が生成した水素を貯蔵する複数の水素貯蔵装置のそれぞれにおける水素の貯蔵量予測を、貯蔵量予測モデルを用いて生成する貯蔵量予測部を備えてよい。輸送計画部は、複数の水素貯蔵装置のそれぞれと複数の水素ステーションのそれぞれとの間における水素の輸送計画を、輸送計画モデルを用いて、複数の水素貯蔵装置のそれぞれにおける水素の貯蔵量予測を更に含む輸送計画因子に基づいて生成してよい。貯蔵量予測モデルは、予測対象期間における複数の水素貯蔵装置の水素の貯蔵量を、予測対象期間より前における、複数の水素生成装置の稼働量、複数の水素貯蔵装置における水素の貯蔵量、複数の水素貯蔵装置からの水素の輸送量、複数の水素ステーションのそれぞれにおける水素の需要量、および複数の水素生成装置の稼働予測の少なくとも１つを含む貯蔵量予測因子に基づいて予測してよい。計画装置は、複数の水素貯蔵装置の水素の貯蔵量の実績値を用いて、貯蔵量予測モデルを学習により更新する貯蔵量予測モデル更新部を備えてよい。輸送計画因子は、予測対象期間より前における、複数の水素生成装置のそれぞれの稼働量、複数の水素貯蔵装置のそれぞれにおける水素の貯蔵量、および複数の水素ステーションのそれぞれにおける水素の需要量の少なくとも１つを含んでよい。

また、計画装置は、複数の水素生成装置、複数の水素貯蔵装置、複数の水素貯蔵装置のそれぞれと複数の水素ステーションのそれぞれとの間の輸送手段、および複数の水素ステーションを含む連携システムの生産性を評価する評価指標に基づいて、輸送計画モデルを学習により更新する輸送計画モデル更新部を備えてよい。評価指標は、連携システムの運営コスト、売上、および利益、並びに、連携システムが供給する水素の単位量当たりの原価の少なくとも１つに基づいてよい。計画装置は、複数の水素生成装置のそれぞれの稼働予測および複数の水素ステーションのそれぞれにおける水素の需要予測の少なくとも１つを含む輸送予測因子に基づいて、輸送予測モデルを用いて、複数の水素生成装置および複数の水素ステーションの間で水素を輸送する輸送計画の予測である輸送予測を生成する輸送予測部を備えてよい。計画装置は、複数の水素生成装置および複数の水素ステーションの間における水素の輸送予測を含む稼働計画因子に基づいて、稼働計画モデルを用いて、複数の水素生成装置のそれぞれの稼働計画を生成する稼働計画部を備えてよい。計画装置は、評価指標に基づいて、稼働計画モデルを学習により更新する稼働計画モデル更新部を備えてよい。

また、計画装置は、複数の水素生成装置が生成した水素を貯蔵する複数の水素貯蔵装置のそれぞれにおける水素の貯蔵計画を、貯蔵計画モデルを用いて、複数の水素生成装置のうち対応する水素生成装置の稼働予測、並びに複数の水素生成装置および複数の水素ステーションの間における水素の輸送予測を含む貯蔵計画因子に基づいて生成する貯蔵計画部を備えてよい。計画装置は、評価指標に基づいて、貯蔵計画モデルを学習により更新する貯蔵計画モデル更新部を更に備えてよい。

本発明の第２の態様においては、計画装置が提供される。計画装置は、複数の水素ステーションのそれぞれにおける水素の需要予測を、需要予測モデルを用いて生成する需要予測部を備えてよい。計画装置は、複数の水素ステーションのそれぞれにおける水素の需要予測を含む輸送予測因子に基づいて、輸送予測モデルを用いて、水素を生成する複数の水素生成装置および複数の水素ステーションの間で水素を輸送する輸送計画の予測である輸送予測を生成する輸送予測部を備えてよい。計画装置は、複数の水素生成装置および複数の水素ステーションの間における水素の輸送予測を含む稼働計画因子に基づいて、稼働計画モデルを用いて、複数の水素生成装置のそれぞれの稼働計画を生成する稼働計画部を備えてよい。

本発明の第３の態様においては、計画方法が提供される。計画方法は、水素を生成する複数の水素生成装置のそれぞれの稼働予測を、稼働予測モデルを用いて生成する段階を備えてよい。計画方法は、複数の水素ステーションのそれぞれにおける水素の需要予測を、需要予測モデルを用いて生成する段階を備えてよい。計画方法は、複数の水素生成装置で生成された水素を複数の水素ステーションに輸送する輸送計画を、輸送計画モデルを用いて、複数の水素生成装置のそれぞれの稼働予測および複数の水素ステーションのそれぞれの需要予測を含む輸送計画因子に基づいて生成する段階を備えてよい。

本発明の第４の態様においては、計画プログラムが提供される。計画プログラムは、コンピュータにより実行され、コンピュータを、水素を生成する複数の水素生成装置のそれぞれの稼働予測を、稼働予測モデルを用いて生成する稼働予測部として機能させる。計画プログラムは、コンピュータにより実行され、コンピュータを、複数の水素ステーションのそれぞれにおける水素の需要予測を、需要予測モデルを用いて生成する需要予測部として機能させる。計画プログラムは、コンピュータにより実行され、コンピュータを、複数の水素生成装置で生成された水素を複数の水素ステーションに輸送する輸送計画を、輸送計画モデルを用いて、複数の水素生成装置のそれぞれの稼働予測および複数の水素ステーションのそれぞれの需要予測を含む輸送計画因子に基づいて生成する輸送計画部として機能させる。

本発明の第５の態様においては、計画方法が提供される。計画方法は、複数の水素ステーションのそれぞれにおける水素の需要予測を、需要予測モデルを用いて生成する段階を備えてよい。計画方法は、複数の水素ステーションのそれぞれにおける水素の需要予測を含む輸送予測因子に基づいて、輸送予測モデルを用いて、水素を生成する複数の水素生成装置および複数の水素ステーションの間で水素を輸送する輸送計画の予測である輸送予測を生成する段階を備えてよい。計画方法は、複数の水素生成装置および複数の水素ステーションの間における水素の輸送予測を含む稼働計画因子に基づいて、稼働計画モデルを用いて、複数の水素生成装置のそれぞれの稼働計画を生成する段階を備えてよい。

本発明の第６の態様においては、計画プログラムが提供される。計画プログラムは、コンピュータにより実行され、コンピュータを、複数の水素ステーションのそれぞれにおける水素の需要予測を、需要予測モデルを用いて生成する需要予測部として機能させる。計画プログラムは、コンピュータにより実行され、コンピュータを、複数の水素ステーションのそれぞれにおける水素の需要予測を含む輸送予測因子に基づいて、輸送予測モデルを用いて、水素を生成する複数の水素生成装置および複数の水素ステーションの間で水素を輸送する輸送計画の予測である輸送予測を生成する輸送予測部として機能させる。計画プログラムは、コンピュータにより実行され、コンピュータを、複数の水素生成装置および複数の水素ステーションの間における水素の輸送予測を含む稼働計画因子に基づいて、稼働計画モデルを用いて、複数の水素生成装置のそれぞれの稼働計画を生成する稼働計画部として機能させる。

なお、上記の発明の概要は、本発明の必要な特徴の全てを列挙したものではない。また、これらの特徴群のサブコンビネーションもまた、発明となりうる。

本実施形態に係るシステム１０を示す。 本実施形態に係る計画装置７０の構成例を示す。 本実施形態の計画装置７０の予測部１２０の詳細な構成例を示す。 本実施形態の計画装置７０の計画部１３０の詳細な構成例を示す。 本実施形態に係る計画装置７０のフローの一例を示す。 本実施形態の複数の態様が全体的または部分的に具現化されうるコンピュータ１９００の例を示す。

以下、発明の実施の形態を通じて本発明を説明するが、以下の実施形態は請求の範囲にかかる発明を限定するものではない。また、実施形態の中で説明されている特徴の組み合わせの全てが発明の解決手段に必須であるとは限らない。

図１は、本実施形態に係るシステム１０を示す。システム１０は、水素ステーション６０の需要を満たすための計画を生成して、当該計画に従って、水素生成装置で生成された水素を水素ステーションに供給する。システム１０は、複数の再生可能エネルギー発電設備２０と、複数の水素生成装置３０と、複数の水素貯蔵装置４０と、複数の輸送手段５０と、複数の水素ステーション６０と、計画装置７０とを備える。

複数の再生可能エネルギー発電設備２０は、電力系統８０の送電網を介して、または送電網を介さずに、それぞれ水素生成装置３０に接続される。例えば、再生可能エネルギー発電設備２０ａおよび２０ｂは、送電網を介さずに、水素生成装置３０ａおよび３０ｂにそれぞれ接続され、再生可能エネルギー発電設備２０ｃおよび２０ｄは、電力系統８０の送電網を介して水素生成装置３０ｃおよび３０ｄにそれぞれ接続される。複数の再生可能エネルギー発電設備２０は、風力、太陽光、熱、地熱、水力、および／またはバイオマス等の再生可能エネルギーによる発電を行う設備である。複数の再生可能エネルギー発電設備２０は、発電電力を接続先の水素生成装置３０に供給する。また、複数の再生可能エネルギー発電設備２０は、発電電力を、電力系統８０に売電してもよい。

ここで、電力系統８０は、一例として、原子力発電、火力発電、および／または再生可能エネルギーによる発電等を行う１または複数の発電所から、送電網を介して多数の需要家に電力を供給するシステムである。電力系統８０は、例えば、発電量及び需要量に応じて、所定時間毎、１日毎、または１ヶ月毎等に電気料金（例えば、売電料金および買電料金）が変動しうるものである。

複数の水素生成装置３０は、水素貯蔵装置４０にそれぞれ接続される。水素生成装置３０は、一例として、電気エネルギーを用いた電気分解によって水素を生成する装置である。水素生成装置３０は、計画装置７０が生成した計画に従って稼働してよい。水素生成装置３０は、再生可能エネルギー発電設備２０および／または電力系統８０から電力供給されることによって稼働する。

複数の水素貯蔵装置４０は、一例として、水素生成装置３０で生成された水素を貯蔵するタンク等であってよい。水素貯蔵装置４０ｄは、水素ステーション６０に直接接続され、貯蔵された水素を、当該水素ステーション６０にパイプ等を介して供給してよい。なお、複数の水素貯蔵装置４０は、１つの水素生成装置３０に接続されてもよい。

複数の輸送手段５０は、一例として、タンク等に圧縮した水素を貯蔵して運ぶトレーラーおよび当該トレーラーを牽引する自動車である。複数の輸送手段５０は、複数の水素貯蔵装置４０のそれぞれと複数の水素ステーション６０のそれぞれとの間の水素の輸送を行う。

複数の水素ステーション６０は、一例として、水素を燃料として消費する燃料電池自動車等の消費手段９０に水素を供給する設備である。水素ステーション６０は、輸送手段５０により輸送された水素を圧縮して貯蔵するための貯蔵設備を有してよい。

計画装置７０は、複数の再生可能エネルギー発電設備２０、複数の水素生成装置３０、複数の水素貯蔵装置４０、複数の輸送手段５０、および複数の水素ステーション６０の少なくとも１つ、または当該少なくとも１つの事業者が有する管理装置等に接続されてよい。計画装置７０は、システム１０内の複数の装置を連携稼働させるための計画を生成して出力する。

計画装置７０は、パーソナルコンピュータ、タブレット型コンピュータ、スマートフォン、ワークステーション、サーバコンピュータ、または汎用コンピュータ等のコンピュータであってよく、複数のコンピュータが接続されたコンピュータシステムであってもよい。計画装置７０は、コンピュータのＣＰＵ、ＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、および／またはＴＰＵ（Ｔｅｎｓｏｒ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）における処理によって計画等を生成してよい。また、計画装置７０は、サーバコンピュータにより提供されるクラウド上で各種の処理を行うものであってよい。

図２は、本実施形態に係る計画装置７０の構成例を示す。計画装置７０は、取得部１００と、記憶部１１０と、予測部１２０と、計画部１３０と、出力部１４０とを備える。

ここで、図２における１または複数の管理装置１５０は、ネットワーク等を介して計画装置７０に接続される。１または複数の管理装置１５０は、複数の再生可能エネルギー発電設備２０、複数の水素生成装置３０、複数の水素貯蔵装置４０、複数の輸送手段５０、および複数の水素ステーション６０のうちの少なくとも１つの機器、または、当該少なくとも１つの事業者が有する装置であってよい。１または複数の管理装置１５０は、複数の再生可能エネルギー発電設備２０、複数の水素生成装置３０、複数の水素貯蔵装置４０、複数の輸送手段５０、および複数の水素ステーション６０のうちの少なくとも１つから各種のデータを取得して計画装置７０に供給してよい。１または複数の管理装置１５０は、当該管理装置１５０のユーザから入力されたデータを計画装置７０に供給してよい。１または複数の管理装置１５０は、計画装置７０から受信した計画に応じてシステム１０内の装置を制御してよい。１または複数の管理装置１５０は、計画装置７０から受信した計画等を表示してよい。

取得部１００は、管理装置１５０と記憶部１１０とに接続され、管理装置１５０から、学習に用いるデータを取得してよい。取得部１００は、予め定められた期間毎に、情報を取得して更新してよい。取得部１００は、取得すべき情報に応じて、略同一または異なる期間毎に当該情報を取得して、それぞれ追加または更新してよい。また、取得部１００は、ネットワーク等に接続され、当該ネットワークを介してデータを取得してもよい。取得部１００は、取得すべきデータの少なくとも一部が外部のデータベース等に記憶されている場合、当該データベース等にアクセスし、取得してよい。取得部１００は、取得したデータを、記憶部１１０に供給する。

記憶部１１０は、予測部１２０と計画部１３０とに接続され、取得部１００が取得したデータを記憶する。記憶部１１０は、当該計画装置７０が処理するデータを記憶してよい。記憶部１１０は、計画装置７０が計画を生成する過程で算出または利用する中間データ、算出結果、およびパラメータ等をそれぞれ記憶してもよい。また、記憶部１１０は、計画装置７０内の各構成の要求に応じて、記憶したデータを要求元に供給してよい。

予測部１２０は、計画部１３０に接続され、稼働予測、需要予測、消費予測、発電量予測、電気料金予測、貯蔵量予測、および輸送予測の少なくとも１つを含む予測結果を生成する。予測部１２０は、１または複数の学習モデルを生成して、当該学習モデルを学習して更新し、更新した学習モデルに基づいて、予測結果を生成する。予測部１２０は、予測結果を記憶部１１０または計画部１３０に供給する。

ここで、稼働予測は、将来の予測期間における、水素を生成する複数の水素生成装置３０のそれぞれの稼働量（例えば、水素生成装置３０の稼働率、稼働期間、水素生成量の累計、または単位時間当たりの水素生成量等）を含んでよい。需要予測は、将来の予測期間における、複数の水素ステーション６０のそれぞれにおける水素の需要量の累計、および時間毎、日毎、または月毎の水素の需要量の少なくとも１つを含んでよい。消費予測は、将来の予測期間における、複数の水素ステーション６０のそれぞれにおける水素の消費量の累計、および時間毎、日毎、または月毎の水素の消費量の少なくとも１つを含んでよい。

ここで、需要量は、例えば、水素ステーション６０における水素の必要量であり、水素ステーション６０における水素貯蔵量が０とならないように、予め定められたバッファ量を、消費手段９０への水素の供給量に加えた水素の量であってよい。また、消費量は、水素ステーション６０における消費手段９０への水素の供給量であってよい。

発電量予測は、予測期間における、複数の再生可能エネルギー発電設備２０のそれぞれについての、再生可能エネルギーの発電量の累計、および時間毎、日毎、または月毎の発電量の少なくとも１つを含んでよい。電気料金予測は、予測期間における、再生可能エネルギー発電設備２０から水素生成装置３０へ、電力系統８０の送電網を介して供給される、または送電網を介さずに直接供給される、再生可能エネルギーによる発電電力の電気料金（売電料金または買電料金）を含んでよい。なお、電力系統８０が再生可能エネルギー発電設備２０からの電力を買電している場合には、当該電力系統８０の送電網を介して水素生成装置３０が電力を買電する料金は、再生可能エネルギーの電気料金に含まれてよい。

貯蔵量予測は、予測期間における、複数の水素生成装置３０が生成した水素を貯蔵する複数の水素貯蔵装置４０のそれぞれにおける水素の貯蔵量（例えば、当該貯蔵量の最大可能貯蔵量に対する割合）を含んでよい。輸送予測は、予測期間における、複数の水素生成装置３０および複数の水素ステーション６０の間で水素を輸送する輸送計画の予測である。

計画部１３０は、出力部１４０に接続され、輸送計画、稼働計画、および貯蔵計画の少なくとも１つを含む計画データを生成する。計画部１３０は、１または複数の学習モデルを生成して、当該学習モデルを学習して更新し、更新した学習モデルに基づいて、計画データを生成する。計画部１３０は、生成した計画データを、記憶部１１０および出力部１４０に供給する。

ここで、輸送計画は、計画対象期間における、複数の水素生成装置３０および複数の水素ステーション６０の間での、各輸送手段５０の輸送経路、各輸送手段５０の輸送距離、各輸送手段５０の輸送時間、各輸送手段５０の輸送コスト、輸送手段５０の数、および各輸送手段５０の種類の少なくとも１つを指定する計画を含んでよい。稼働計画は、計画対象期間における、複数の水素生成装置３０のそれぞれの稼働率、水素生成量、稼働期間、および稼働時間帯の少なくとも１つを指定する計画を含んでよい。貯蔵計画は、計画対象期間における、複数の水素生成装置３０が生成した水素を貯蔵する複数の水素貯蔵装置４０のそれぞれにおける水素の貯蔵量の経時的変化、水素の最低貯蔵量、および水素の最大貯蔵量の少なくとも１つを指定する計画を含んでよい。

出力部１４０は、管理装置１５０に接続され、計画データを管理装置１５０に出力する。

以上の本実施形態の計画装置７０によれば、学習により更新したモデルに基づいて、適切な計画を生成し、当該計画に沿って水素を供給することで供給コストを低減することができる。

図３は、本実施形態の計画装置７０の予測部１２０の詳細な構成例を示す。予測部１２０は、稼働予測モデル生成部２００と、稼働予測モデル更新部２１０と、稼働予測部２２０とを有し、水素を生成する複数の水素生成装置３０のそれぞれの稼働予測を生成する。予測部１２０は、需要予測モデル生成部２３０と、需要予測モデル更新部２４０と、需要予測部２５０とを有し、複数の水素ステーション６０のそれぞれにおける水素の需要予測を生成する。予測部１２０は、発電量予測モデル生成部２６０と、発電量予測モデル更新部２７０と、発電量予測部２８０とを有し、複数の再生可能エネルギー発電設備２０のそれぞれについて、再生可能エネルギーの発電量予測を生成する。

予測部１２０は、電気料金予測モデル生成部２９０と、電気料金予測モデル更新部３００と、電気料金予測部３１０とを有し、再生可能エネルギーの電気料金予測を生成する。予測部１２０は、消費予測モデル生成部３２０と、消費予測モデル更新部３３０と、消費予測部３４０とを有し、複数の水素ステーション６０のそれぞれにおける水素の消費予測を生成する。予測部１２０は、貯蔵量予測モデル生成部３５０と、貯蔵量予測モデル更新部３６０と、貯蔵量予測部３７０とを有し、複数の水素生成装置３０が生成した水素を貯蔵する複数の水素貯蔵装置４０のそれぞれにおける水素の貯蔵量予測を生成する。予測部１２０は、輸送予測モデル生成部３８０と、輸送予測モデル更新部３９０と、輸送予測部４００とを有し、複数の水素生成装置３０および複数の水素ステーション６０の間で水素を輸送する輸送計画の予測である輸送予測を生成する。

ここで、記憶部１１０は、稼働予測因子、需要予測因子、発電量予測因子、電気料金予測因子、消費予測因子、貯蔵量予測因子、および輸送予測因子を含む予測因子を記憶する。

稼働予測因子は、水素生成装置３０の稼働に関する情報を含んでよい。稼働予測因子は、予測対象期間より前における、複数の水素生成装置３０の稼働量、複数の水素生成装置３０が生成した水素を貯蔵する複数の水素貯蔵装置４０における水素の貯蔵量、複数の水素貯蔵装置４０からの水素の輸送量、複数の水素ステーション６０のそれぞれにおける水素の需要量、予測対象期間の需要予測、および、予測対象期間の電気料金予測の少なくとも１つを含んでよい。稼働予測因子は、予測対象期間より前における、水素生成装置３０に接続された再生可能エネルギー発電設備２０の発電量、水素生成装置３０の水素の生成効率（例えば、単位電力当たりまたは単位時間当たりの水素の生成量等）、および水素生成装置３０に接続された再生可能エネルギー発電設備２０の予測対象期間の発電量予測の少なくとも１つをさらに含んでよい。また、稼働予測因子は、水素生成装置３０の物理モデルから算出される仮想データを含んでよい。

需要予測因子は、水素ステーション６０における水素の需要量に関する情報を含んでよい。需要予測因子は、予測対象期間より前における、各水素ステーション６０における水素の消費量、複数の水素ステーション６０のそれぞれにおける水素の需要量、および複数の水素ステーション６０のそれぞれにおける水素の消費予測の少なくとも１つを含んでよい。需要予測因子は、予測対象期間より前における、水素ステーション６０を利用する消費手段９０の数、天気情報（例えば、予測対象期間より前の天気情報、または予想対象期間の天気予測等）、および稼働予測部２２０による予測対象期間の稼働予測の少なくとも１つをさらに含んでよい。天気情報は、風速、風向き、晴れ、雨、温度、波の高さ、および日照時間等の少なくとも１つを含んでよい。

発電量予測因子は、再生可能エネルギー発電設備２０の発電量に関する情報を含んでよい。発電量予測因子は、予測対象期間より前における、各再生可能エネルギー発電設備２０の発電量（例えば、発電効率等）、各再生可能エネルギー発電設備２０の電力供給量、各再生可能エネルギー発電設備２０が買電した電力量または売電した電力量、および各再生可能エネルギー発電設備２０の売電料金または買電料金の少なくとも１つを含んでよい。発電量予測因子は、再生可能エネルギー発電設備２０の種類（例えば、発電に用いる再生可能エネルギーの種類等）、天気情報（例えば、予測対象期間より前の天気情報、または予想対象期間の天気予測等）、および再生可能エネルギー発電設備２０の利用期間の少なくとも１つをさらに含んでよい。また、発電量予測因子は、再生可能エネルギー発電設備２０の物理モデルから算出される仮想データを含んでよい。

電気料金予測因子は、水素生成装置３０が買電する際の電気料金に関連する情報を含んでよい。電気料金予測因子は、予測対象期間より前における、電気料金、電力需要量、電力供給量、再生可能エネルギー発電量、天気情報（例えば、予測対象期間より前の天気情報、または予想対象期間の天気予測等）、および、発電量予測部２８０による予測対象期間の再生可能エネルギーの発電量予測の少なくとも１つを含んでよい。

消費予測因子は、水素ステーション６０における水素の消費に関する情報を含んでよい。消費予測因子は、予測対象期間より前における、複数の水素ステーション６０のそれぞれにおける水素の需要量、複数の水素ステーション６０のそれぞれにおける水素の消費量、天気情報（例えば、予測対象期間より前の天気情報、または予想対象期間の天気予測等）、および複数の水素ステーション６０のそれぞれから供給される水素を利用して提供されるサービスの水素使用量に関する因子の少なくとも１つを含んでよい。複数の水素ステーション６０のそれぞれから供給される水素を利用して提供されるサービスの水素使用量に関する因子は、例えば、消費手段９０である燃料電池バスの運行情報、複数の水素ステーション６０のそれぞれを利用する消費手段９０の数、および水素ステーション６０における各消費手段９０への水素の供給量の少なくとも１つを含んでよい。

貯蔵量予測因子は、水素貯蔵装置４０の水素の貯蔵量に関する情報を含んでよい。貯蔵量予測因子は、予測対象期間より前における、複数の水素生成装置３０の稼働量、複数の水素貯蔵装置４０における水素の貯蔵量、複数の水素貯蔵装置４０からの水素の輸送量、複数の水素ステーション６０のそれぞれにおける水素の需要量、および複数の水素生成装置３０の予測対象期間の稼働予測の少なくとも１つを含んでよい。貯蔵量予測因子は、各輸送手段５０の水素の輸送可能な量、水素貯蔵装置４０から輸送手段５０への水素供給回数、および水素貯蔵装置４０から輸送手段５０への水素供給日時の少なくとも１つを含んでよい。

輸送予測因子は、複数の水素生成装置３０および複数の水素ステーション６０の間における水素の輸送に関する情報を含んでよい。輸送予測因子は、複数の水素生成装置３０のそれぞれの稼働予測および複数の水素ステーション６０のそれぞれにおける水素の需要予測の少なくとも１つを含んでよい。輸送予測因子は、予測対象期間より前における輸送手段５０による水素ステーション６０への水素供給日時、輸送手段５０による水素ステーション６０への水素供給回数、輸送手段５０の数、各輸送手段５０の種類、各輸送手段５０の水素の輸送可能な量、各輸送手段５０の輸送コスト、各輸送手段５０の輸送時間、複数の輸送手段５０の利用可能時間帯、および複数の輸送手段５０の配置の少なくとも１つを含んでよい。

稼働予測因子、需要予測因子、発電量予測因子、電気料金予測因子、消費予測因子、貯蔵量予測因子、および輸送予測因子の少なくとも１つは、略一定時間毎の時系列の情報でよい。稼働予測因子、需要予測因子、発電量予測因子、電気料金予測因子、消費予測因子、貯蔵量予測因子、および輸送予測因子の少なくとも１つは、時間の経過と共にそれぞれ追加または更新されてよい。稼働予測因子、需要予測因子、発電量予測因子、電気料金予測因子、消費予測因子、貯蔵量予測因子、および輸送予測因子の少なくとも１つは、計画装置７０において生成された予測結果、および計画データの少なくとも１つをさらに含んでよい。また、稼働予測因子、需要予測因子、発電量予測因子、電気料金予測因子、消費予測因子、貯蔵量予測因子、および輸送予測因子の少なくとも１つは、外部のデータベースまたは管理装置１５０等から供給され、取得部１００で取得した情報を含んでよい。

稼働予測モデル生成部２００は、記憶部１１０と稼働予測モデル更新部２１０とに接続される。稼働予測モデル生成部２００は、稼働予測因子に基づいて水素生成装置３０の稼働予測を生成する稼働予測モデルを生成する。稼働予測モデル生成部２００は、予測対象期間よりも過去の情報を用いて、事前学習またはオフライン学習等と呼ばれる処理により、稼働予測モデルを生成してよい。

稼働予測モデル生成部２００は、例えば、回帰分析、ベイズ推論、ニューラルネットワーク、ガウシアン混合モデル、および隠れマルコフモデル等を用いて、稼働予測モデルを生成する。また、稼働予測モデルとして、例えば、ＬＳＴＭ（Ｌｏｎｇ ｓｈｏｒｔ－ｔｅｒｍ ｍｅｍｏｒｙ）、ＲＮＮ（Ｒｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）、およびその他の記憶を有するモデルを使用すれば、因子の時系列から水素生成装置３０の稼働を予測することもできる。稼働予測モデル生成部２００は、生成した稼働予測モデルを稼働予測モデル更新部２１０に供給する。

稼働予測モデル更新部２１０は、記憶部１１０と稼働予測部２２０とに接続される。稼働予測モデル更新部２１０は、複数の水素生成装置３０の稼働量の実績値を含む学習データを用いて、稼働予測モデルを学習により更新する。稼働予測モデル更新部２１０は、例えば、予め定められた更新期間毎に、学習により新たな稼働予測モデルに更新してよい。これに代えて、稼働予測モデル更新部２１０は、予め定められた回数だけ学習したこと、または学習による誤差差分が予め定められた閾値を下回ったこと等の諸条件に応じて、稼働予測モデルを更新してもよい。

稼働予測モデル更新部２１０は、適応学習またはオンライン学習等と呼ばれる処理により、稼働予測モデルを学習してよい。稼働予測モデル更新部２１０は、例えば、任意の機械学習モデルを識別モデルとして、強化学習を実行することによって、稼働予測モデルを学習する。このような機械学習を行うことにより、稼働予測モデル更新部２１０は、稼働予測因子を入力として、稼働予測因子に応じた水素生成装置３０の稼働量等を、適用するモデルに応じた精度で予測することができるようになる。

稼働予測モデル更新部２１０は、稼働予測モデル生成部２００が稼働予測モデルの生成に用いた稼働予測因子の情報よりも時間的に後の情報を更に用いて学習することが望ましい。稼働予測モデル更新部２１０は、例えば、過去期間における稼働予測因子の値と、過去期間以降の水素生成装置３０の稼働量の実績値とに基づいて、稼働予測モデルを学習により更新してよい。稼働予測モデル更新部２１０は、実際に生じた水素生成装置３０の稼働によって更新された稼働予測因子の情報を用いて、稼働予測モデルを学習する。稼働予測モデル更新部２１０は、稼働予測因子の情報が更新されたことに応じて、稼働予測モデルの学習を実行してよい。稼働予測モデル更新部２１０は、更新期間の間に、１または複数回の学習を実行してよい。稼働予測モデル更新部２１０は、更新した稼働予測モデルを稼働予測部２２０に供給する。

稼働予測部２２０は、記憶部１１０に接続される。稼働予測部２２０は、水素を生成する複数の水素生成装置３０のそれぞれの稼働予測を、稼働予測モデルを用いて生成する。稼働予測部２２０は、再生可能エネルギーを用いる複数の水素生成装置３０のそれぞれの稼働予測を、複数の再生可能エネルギー発電設備２０のそれぞれの発電量予測に基づいて生成してよい。

ここで、再生可能エネルギーを用いる水素生成装置３０は、例えば、再生可能エネルギー発電設備２０に電力系統８０の送電網を介して接続され、当該送電網を介して電力供給される水素生成装置３０、および／または、再生可能エネルギー発電設備２０に電力系統８０の送電網を介さずに直接接続され、当該再生可能エネルギー発電設備２０から電力供給される水素生成装置３０であってよい。

また、稼働予測部２２０は、電気料金予測を含む稼働予測因子に基づいて、複数の水素生成装置３０のそれぞれの稼働予測を生成してよい。稼働予測部２２０は、予測に電気料金予測を用いることで、変動する電気料金に応じて稼働する水素生成装置３０について、精度の良い稼働予測を生成できる。

稼働予測部２２０は、例えば、予め定められた期間毎に、将来における当該予め定められた期間における水素生成装置３０の稼働を予測する。稼働予測部２２０は、稼働予測モデルと稼働予測因子の情報とを用いて、水素生成装置３０の稼働量を予測してよい。稼働予測部２２０は、例えば、予測すべき期間の直前までの期間における稼働予測因子の情報を、稼働予測モデルに適用して水素生成装置３０の稼働を予測する。稼働予測部２２０は、予測結果を記憶部１１０に供給し、例えば、輸送予測因子、貯蔵量予測因子、輸送計画因子、および貯蔵計画因子の少なくとも１つとして記憶させる。また、稼働予測部２２０は、予測結果を、予測部１２０の他の構成または計画部１３０に直接供給してよい。

需要予測モデル生成部２３０は、記憶部１１０と需要予測モデル更新部２４０とに接続される。需要予測モデル生成部２３０は、需要予測因子に基づいて水素ステーション６０における水素の需要予測を生成する需要予測モデルを生成する。需要予測モデルは、予測対象期間より前における、複数の水素ステーション６０のそれぞれにおける水素の需要量、および複数の水素ステーション６０のそれぞれにおける水素の消費量の少なくとも１つを含む需要予測因子に基づいて、予測対象期間における複数の水素ステーション６０のそれぞれについての水素の需要予測を算出するモデルであってよい。

需要予測モデル生成部２３０は、予測対象期間よりも過去の情報を用いて、事前学習またはオフライン学習等と呼ばれる処理により、需要予測モデルを生成してよい。需要予測モデル生成部２３０は、例えば、回帰分析、ベイズ推論、ニューラルネットワーク、ガウシアン混合モデル、および隠れマルコフモデル等を用いて、需要予測モデルを生成する。また、需要予測モデルとして、例えば、ＬＳＴＭ、ＲＮＮ、およびその他の記憶を有するモデルを使用すれば、因子の時系列から水素ステーション６０における水素の需要量等を予測することもできる。需要予測モデル生成部２３０は、生成した需要予測モデルを需要予測モデル更新部２４０に供給する。

需要予測モデル更新部２４０は、記憶部１１０と需要予測部２５０とに接続される。需要予測モデル更新部２４０は、複数の水素ステーション６０のそれぞれにおける水素の需要量の実績値を含む学習データを用いて、需要予測モデルを学習により更新する。需要予測モデル更新部２４０は、例えば、予め定められた更新期間毎に、学習により新たな需要予測モデルに更新してよい。これに代えて、需要予測モデル更新部２４０は、予め定められた回数だけ学習したこと、または学習による誤差差分が予め定められた閾値を下回ったこと等の諸条件に応じて、需要予測モデルを更新してもよい。

需要予測モデル更新部２４０は、適応学習またはオンライン学習等と呼ばれる処理により、需要予測モデルを学習してよい。需要予測モデル更新部２４０は、例えば、任意の機械学習モデルを識別モデルとして、強化学習を実行することによって、需要予測モデルを学習する。このような機械学習を行うことにより、需要予測モデル更新部２４０は、需要予測因子を入力として、需要予測因子に応じた水素ステーション６０の需要量等を、適用するモデルに応じた精度で予測することができるようになる。

需要予測モデル更新部２４０は、需要予測モデル生成部２３０が需要予測モデルの生成に用いた需要予測因子の情報よりも時間的に後の情報を更に用いて学習することが望ましい。需要予測モデル更新部２４０は、例えば、過去期間における需要予測因子の値と、過去期間以降の水素ステーション６０の需要量の実績値とに基づいて、需要予測モデルを学習により更新してよい。需要予測モデル更新部２４０は、実際の水素需要によって更新された需要予測因子の情報を用いて、需要予測モデルを学習する。需要予測モデル更新部２４０は、需要予測因子の情報が更新されたことに応じて、需要予測モデルの学習を実行してよい。需要予測モデル更新部２４０は、更新期間の間に、１または複数回の学習を実行してよい。需要予測モデル更新部２４０は、更新した需要予測モデルを需要予測部２５０に供給する。

需要予測部２５０は、記憶部１１０に接続される。需要予測部２５０は、複数の水素ステーション６０のそれぞれの水素の需要予測を、需要予測モデルを用いて生成する。需要予測部２５０は、複数の水素ステーション６０のそれぞれにおける水素の需要予測を、各水素ステーション６０における水素の消費予測を含む需要予測因子に基づいて予測してよい。

需要予測部２５０は、例えば、予め定められた期間毎に、将来における当該予め定められた期間における水素ステーション６０の水素の需要量を予測する。需要予測部２５０は、需要予測モデルと需要予測因子の情報とを用いて、水素ステーション６０における水素の需要量を予測してよい。需要予測部２５０は、例えば、予測すべき期間の直前までの期間における需要予測因子の情報を、需要予測モデルに適用して水素ステーション６０の需要量を予測する。需要予測部２５０は、予測結果を記憶部１１０に供給し、例えば、輸送予測因子および輸送計画因子の少なくとも１つとして記憶させる。また、需要予測部２５０は、予測結果を、予測部１２０の他の構成または計画部１３０に直接供給してよい。

発電量予測モデル生成部２６０は、記憶部１１０と発電量予測モデル更新部２７０とに接続される。発電量予測モデル生成部２６０は、複数の再生可能エネルギー発電設備２０のそれぞれについて、再生可能エネルギーの発電量予測を、発電量予測因子に基づいて生成する発電量予測モデルを生成する。発電量予測モデルは、予測対象期間より前における発電量予測因子に基づいて、予測対象期間における複数の再生可能エネルギー発電設備２０のそれぞれについて、再生可能エネルギーの発電量予測を算出するモデルであってよい。

発電量予測モデル生成部２６０は、予測対象期間よりも過去の情報を用いて、事前学習またはオフライン学習等と呼ばれる処理により、発電量予測モデルを生成してよい。発電量予測モデル生成部２６０は、例えば、回帰分析、ベイズ推論、ニューラルネットワーク、ガウシアン混合モデル、および隠れマルコフモデル等を用いて、発電量予測モデルを生成する。また、発電量予測モデルとして、例えば、ＬＳＴＭ、ＲＮＮ、およびその他の記憶を有するモデルを使用すれば、因子の時系列から再生可能エネルギー発電設備２０の発電量等を予測することもできる。発電量予測モデル生成部２６０は、生成した発電量予測モデルを発電量予測モデル更新部２７０に供給する。

発電量予測モデル更新部２７０は、記憶部１１０と発電量予測部２８０とに接続される。発電量予測モデル更新部２７０は、複数の再生可能エネルギー発電設備２０のそれぞれにおける発電量の実績値を含む学習データを用いて、発電量予測モデルを学習により更新する。発電量予測モデル更新部２７０は、例えば、予め定められた更新期間毎に、学習により新たな発電量予測モデルに更新してよい。これに代えて、発電量予測モデル更新部２７０は、予め定められた回数だけ学習したこと、または学習による誤差差分が予め定められた閾値を下回ったこと等の諸条件に応じて、発電量予測モデルを更新してもよい。

発電量予測モデル更新部２７０は、適応学習またはオンライン学習等と呼ばれる処理により、発電量予測モデルを学習してよい。発電量予測モデル更新部２７０は、例えば、任意の機械学習モデルを識別モデルとして、強化学習を実行することによって、発電量予測モデルを学習する。このような機械学習を行うことにより、発電量予測モデル更新部２７０は、発電量予測因子を入力として、発電量予測因子に応じた再生可能エネルギー発電設備２０の発電量等を、適用するモデルに応じた精度で予測することができるようになる。

発電量予測モデル更新部２７０は、発電量予測モデル生成部２６０が発電量予測モデルの生成に用いた発電量予測因子の情報よりも時間的に後の情報を更に用いて学習することが望ましい。発電量予測モデル更新部２７０は、例えば、過去期間における発電量予測因子の値と、過去期間以降の再生可能エネルギー発電設備２０の発電量の実績値とに基づいて、発電量予測モデルを学習により更新してよい。発電量予測モデル更新部２７０は、実際の再生可能エネルギー発電設備２０の発電によって更新された発電量予測因子の情報を用いて、発電量予測モデルを学習する。発電量予測モデル更新部２７０は、発電量予測因子の情報が更新されたことに応じて、発電量予測モデルの学習を実行してよい。発電量予測モデル更新部２７０は、更新期間の間に、１または複数回の学習を実行してよい。発電量予測モデル更新部２７０は、更新した発電量予測モデルを発電量予測部２８０に供給する。

発電量予測部２８０は、記憶部１１０に接続される。発電量予測部２８０は、複数の再生可能エネルギー発電設備２０のそれぞれについて、再生可能エネルギーの発電量予測を、発電量予測モデルを用いて生成する。

発電量予測部２８０は、例えば、予め定められた期間毎に、将来における当該予め定められた期間における再生可能エネルギー発電設備２０の発電量を予測する。発電量予測部２８０は、発電量予測モデルと発電量予測因子の情報とを用いて、再生可能エネルギー発電設備２０の発電量を予測してよい。発電量予測部２８０は、例えば、予測すべき期間の直前までの期間における発電量予測因子の情報を、発電量予測モデルに適用して再生可能エネルギー発電設備２０の発電量を予測する。発電量予測部２８０は、予測結果を記憶部１１０に供給し、例えば、電気料金予測因子および稼働予測因子の少なくとも１つとして記憶させる。また、発電量予測部２８０は、予測結果を、予測部１２０の他の構成または計画部１３０に直接供給してよい。

電気料金予測モデル生成部２９０は、記憶部１１０と電気料金予測モデル更新部３００とに接続される。電気料金予測モデル生成部２９０は、予測対象期間より前における電気料金予測因子に基づいて、再生可能エネルギーの電気料金予測を生成する電気料金予測モデルを生成する。

電気料金予測モデル生成部２９０は、予測対象期間よりも過去の情報を用いて、事前学習またはオフライン学習等と呼ばれる処理により、電気料金予測モデルを生成してよい。電気料金予測モデル生成部２９０は、例えば、回帰分析、ベイズ推論、ニューラルネットワーク、ガウシアン混合モデル、および隠れマルコフモデル等を用いて、電気料金予測モデルを生成する。また、電気料金予測モデルとして、例えば、ＬＳＴＭ、ＲＮＮ、およびその他の記憶を有するモデルを使用すれば、因子の時系列から再生可能エネルギーの電気料金を予測することもできる。電気料金予測モデル生成部２９０は、生成した電気料金予測モデルを電気料金予測モデル更新部３００に供給する。

電気料金予測モデル更新部３００は、記憶部１１０と電気料金予測部３１０とに接続される。電気料金予測モデル更新部３００は、電気料金の実績値を含む学習データを用いて、電気料金予測モデルを学習により更新してよい。電気料金予測モデル更新部３００は、例えば、予め定められた更新期間毎に、学習により新たな電気料金予測モデルに更新してよい。これに代えて、電気料金予測モデル更新部３００は、予め定められた回数だけ学習したこと、または学習による誤差差分が予め定められた閾値を下回ったこと等の諸条件に応じて、電気料金予測モデルを更新してもよい。

電気料金予測モデル更新部３００は、適応学習またはオンライン学習等と呼ばれる処理により、電気料金予測モデルを学習してよい。電気料金予測モデル更新部３００は、例えば、任意の機械学習モデルを識別モデルとして、強化学習を実行することによって、電気料金予測モデルを学習する。このような機械学習を行うことにより、電気料金予測モデル更新部３００は、電気料金予測因子を入力として、電気料金予測因子に応じた再生可能エネルギーの電気料金を、適用するモデルに応じた精度で予測することができるようになる。

電気料金予測モデル更新部３００は、電気料金予測モデル生成部２９０が電気料金予測モデルの生成に用いた電気料金予測因子の情報よりも時間的に後の情報を更に用いて学習することが望ましい。電気料金予測モデル更新部３００は、例えば、過去期間における電気料金予測因子の値と、過去期間以降の電気料金の実績値とに基づいて、電気料金予測モデルを学習により更新してよい。電気料金予測モデル更新部３００は、実際の電気料金の推移によって更新された電気料金予測因子の情報を用いて、電気料金予測モデルを学習する。電気料金予測モデル更新部３００は、電気料金予測因子の情報が更新されたことに応じて、電気料金予測モデルの学習を実行してよい。電気料金予測モデル更新部３００は、更新期間の間に、１または複数回の学習を実行してよい。電気料金予測モデル更新部３００は、更新した電気料金予測モデルを電気料金予測部３１０に供給する。

電気料金予測部３１０は、記憶部１１０に接続される。電気料金予測部３１０は、電気料金予測モデルを用いて、再生可能エネルギーの電気料金予測を生成する。

電気料金予測部３１０は、例えば、予め定められた期間毎に、将来における当該予め定められた期間における電気料金を予測する。電気料金予測部３１０は、電気料金予測モデルと電気料金予測因子の情報とを用いて、再生可能エネルギーの電気料金を予測してよい。電気料金予測部３１０は、例えば、予測すべき期間の直前までの期間における電気料金予測因子の情報を、電気料金予測モデルに適用して電気料金を予測する。電気料金予測部３１０は、予測結果を記憶部１１０に供給し、例えば、稼働予測因子および稼働計画因子の少なくとも１つとして記憶させる。また、電気料金予測部３１０は、予測結果を、予測部１２０の他の構成または計画部１３０に直接供給してよい。

消費予測モデル生成部３２０は、記憶部１１０と消費予測モデル更新部３３０とに接続される。消費予測モデル生成部３２０は、予測対象期間より前における消費予測因子に基づいて、予測対象期間中における複数の水素ステーション６０の水素の消費予測を算出する消費予測モデルを生成する。

消費予測モデル生成部３２０は、予測対象期間よりも過去の情報を用いて、事前学習またはオフライン学習等と呼ばれる処理により、消費予測モデルを生成してよい。消費予測モデル生成部３２０は、例えば、回帰分析、ベイズ推論、ニューラルネットワーク、ガウシアン混合モデル、および隠れマルコフモデル等を用いて、消費予測モデルを生成する。また、消費予測モデルとして、例えば、ＬＳＴＭ、ＲＮＮ、およびその他の記憶を有するモデルを使用すれば、因子の時系列から水素ステーション６０における水素の消費量を予測することもできる。消費予測モデル生成部３２０は、生成した消費予測モデルを消費予測モデル更新部３３０に供給する。

消費予測モデル更新部３３０は、記憶部１１０と消費予測部３４０とに接続される。消費予測モデル更新部３３０は、複数の水素ステーション６０のそれぞれにおける水素の消費量の実績値を含む学習データを用いて、消費予測モデルを学習により更新してよい。消費予測モデル更新部３３０は、例えば、予め定められた更新期間毎に、学習により新たな消費予測モデルに更新してよい。これに代えて、消費予測モデル更新部３３０は、予め定められた回数だけ学習したこと、または学習による誤差差分が予め定められた閾値を下回ったこと等の諸条件に応じて、消費予測モデルを更新してもよい。

消費予測モデル更新部３３０は、適応学習またはオンライン学習等と呼ばれる処理により、消費予測モデルを学習してよい。消費予測モデル更新部３３０は、例えば、任意の機械学習モデルを識別モデルとして、強化学習を実行することによって、消費予測モデルを学習する。このような機械学習を行うことにより、消費予測モデル更新部３３０は、消費予測因子を入力として、消費予測因子に応じた水素ステーション６０における水素の消費量を、適用するモデルに応じた精度で予測することができるようになる。

消費予測モデル更新部３３０は、消費予測モデル生成部３２０が消費予測モデルの生成に用いた消費予測因子の情報よりも時間的に後の情報を更に用いて学習することが望ましい。消費予測モデル更新部３３０は、例えば、過去期間における消費予測因子の値と、過去期間以降の水素の消費量等の実績値とに基づいて、消費予測モデルを学習により更新してよい。消費予測モデル更新部３３０は、実際の水素の消費量の推移によって更新された消費予測因子の情報を用いて、消費予測モデルを学習する。消費予測モデル更新部３３０は、消費予測因子の情報が更新されたことに応じて、消費予測モデルの学習を実行してよい。消費予測モデル更新部３３０は、更新期間の間に、１または複数回の学習を実行してよい。消費予測モデル更新部３３０は、更新した消費予測モデルを消費予測部３４０に供給する。

消費予測部３４０は、記憶部１１０に接続される。消費予測部３４０は、複数の水素ステーション６０のそれぞれにおける水素の消費予測を、消費予測モデルを用いて生成する。

消費予測部３４０は、例えば、予め定められた期間毎に、将来における当該予め定められた期間における水素ステーション６０における水素の消費を予測する。消費予測部３４０は、消費予測モデルと消費予測因子の情報とを用いて、水素ステーション６０における水素の消費を予測してよい。消費予測部３４０は、例えば、予測すべき期間の直前までの期間における消費予測因子の情報を、消費予測モデルに適用して水素ステーション６０における水素の消費量を予測する。消費予測部３４０は、予測結果を記憶部１１０に供給し、例えば、需要予測因子として記憶させる。また、消費予測部３４０は、予測結果を、予測部１２０の他の構成または計画部１３０に直接供給してよい。

貯蔵量予測モデル生成部３５０は、記憶部１１０と貯蔵量予測モデル更新部３６０とに接続される。貯蔵量予測モデル生成部３５０は、貯蔵量予測因子に基づいて貯蔵量予測を算出する貯蔵量予測モデルを生成する。貯蔵量予測モデルは、予測対象期間における複数の水素貯蔵装置４０の水素の貯蔵量を、予測対象期間より前における貯蔵量予測因子に基づいて予測するモデルであってよい。

貯蔵量予測モデル生成部３５０は、予測対象期間よりも過去の情報を用いて、事前学習またはオフライン学習等と呼ばれる処理により、貯蔵量予測モデルを生成してよい。貯蔵量予測モデル生成部３５０は、例えば、回帰分析、ベイズ推論、ニューラルネットワーク、ガウシアン混合モデル、および隠れマルコフモデル等を用いて、貯蔵量予測モデルを生成する。また、貯蔵量予測モデルとして、例えば、ＬＳＴＭ、ＲＮＮ、およびその他の記憶を有するモデルを使用すれば、因子の時系列から水素貯蔵装置４０の貯蔵量を予測することもできる。貯蔵量予測モデル生成部３５０は、生成した貯蔵量予測モデルを貯蔵量予測モデル更新部３６０に供給する。

貯蔵量予測モデル更新部３６０は、記憶部１１０と貯蔵量予測部３７０に接続される。貯蔵量予測モデル更新部３６０は、複数の水素貯蔵装置４０の水素の貯蔵量の実績値を含む学習データを用いて、貯蔵量予測モデルを学習により更新してよい。貯蔵量予測モデル更新部３６０は、例えば、予め定められた更新期間毎に、学習により新たな貯蔵量予測モデルに更新してよい。これに代えて、貯蔵量予測モデル更新部３６０は、予め定められた回数だけ学習したこと、または学習による誤差差分が予め定められた閾値を下回ったこと等の諸条件に応じて、貯蔵量予測モデルを更新してもよい。

貯蔵量予測モデル更新部３６０は、適応学習またはオンライン学習等と呼ばれる処理により、貯蔵量予測モデルを学習してよい。貯蔵量予測モデル更新部３６０は、例えば、任意の機械学習モデルを識別モデルとして、強化学習を実行することによって、貯蔵量予測モデルを学習する。このような機械学習を行うことにより、貯蔵量予測モデル更新部３６０は、貯蔵量予測因子を入力として、貯蔵量予測因子に応じた水素貯蔵装置４０の水素の貯蔵量を、適用するモデルに応じた精度で予測することができるようになる。

貯蔵量予測モデル更新部３６０は、貯蔵量予測モデル生成部３５０が貯蔵量予測モデルの生成に用いた貯蔵量予測因子の情報よりも時間的に後の情報を更に用いて学習することが望ましい。貯蔵量予測モデル更新部３６０は、例えば、過去期間における貯蔵量予測因子の値と、過去期間以降の水素貯蔵装置４０の水素の貯蔵量の実績値とに基づいて、貯蔵量予測モデルを学習により更新してよい。貯蔵量予測モデル更新部３６０は、実際の水素の貯蔵量の推移によって更新された貯蔵量予測因子の情報を用いて、貯蔵量予測モデルを学習する。貯蔵量予測モデル更新部３６０は、貯蔵量予測因子の情報が更新されたことに応じて、貯蔵量予測モデルの学習を実行してよい。貯蔵量予測モデル更新部３６０は、更新期間の間に、１または複数回の学習を実行してよい。貯蔵量予測モデル更新部３６０は、更新した貯蔵量予測モデルを貯蔵量予測部３７０に供給する。

貯蔵量予測部３７０は、記憶部１１０に接続される。貯蔵量予測部３７０は、複数の水素生成装置３０が生成した水素を貯蔵する複数の水素貯蔵装置４０のそれぞれにおける水素の貯蔵量予測を、更新された貯蔵量予測モデルを用いて生成する。

貯蔵量予測部３７０は、例えば、予め定められた期間毎に、将来における当該予め定められた期間における水素貯蔵装置４０の水素の貯蔵量を予測する。貯蔵量予測部３７０は、貯蔵量予測モデルと貯蔵量予測因子の情報とを用いて、水素貯蔵装置４０の水素の貯蔵量を予測してよい。貯蔵量予測部３７０は、例えば、予測すべき期間の直前までの期間における貯蔵量予測因子の情報を、貯蔵量予測モデルに適用して水素貯蔵装置４０の水素の貯蔵量を予測する。貯蔵量予測部３７０は、予測結果を記憶部１１０に供給し、例えば、輸送計画因子および貯蔵計画因子の少なくとも１つとして記憶させる。また、貯蔵量予測部３７０は、予測結果を、予測部１２０の他の構成または計画部１３０に直接供給してよい。

輸送予測モデル生成部３８０は、記憶部１１０と輸送予測モデル更新部３９０とに接続される。輸送予測モデル生成部３８０は、予測対象期間より前における輸送予測因子に基づいて、予測対象期間中における、複数の水素生成装置３０および複数の水素ステーション６０の間で水素を輸送する輸送計画の予測である輸送予測を生成する輸送予測モデルを生成する。

輸送予測モデル生成部３８０は、予測対象期間よりも過去の情報を用いて、事前学習またはオフライン学習等と呼ばれる処理により、輸送予測モデルを生成してよい。輸送予測モデル生成部３８０は、例えば、回帰分析、ベイズ推論、ニューラルネットワーク、ガウシアン混合モデル、および隠れマルコフモデル等を用いて、輸送予測モデルを生成する。また、輸送予測モデルとして、例えば、ＬＳＴＭ、ＲＮＮ、およびその他の記憶を有するモデルを使用すれば、因子の時系列から輸送計画を予測することもできる。輸送予測モデル生成部３８０は、生成した輸送予測モデルを輸送予測モデル更新部３９０に供給する。

輸送予測モデル更新部３９０は、記憶部１１０と輸送予測部４００とに接続される。輸送予測モデル更新部３９０は、輸送計画の実績値（例えば、実行された輸送計画または実際に実行された輸送の実績値等）を含む学習データを用いて、輸送予測モデルを学習により更新してよい。輸送予測モデル更新部３９０は、例えば、予め定められた更新期間毎に、学習により新たな輸送予測モデルに更新してよい。これに代えて、輸送予測モデル更新部３９０は、予め定められた回数だけ学習したこと、または学習による誤差差分が予め定められた閾値を下回ったこと等の諸条件に応じて、輸送予測モデルを更新してもよい。

輸送予測モデル更新部３９０は、適応学習またはオンライン学習等と呼ばれる処理により、輸送予測モデルを学習してよい。輸送予測モデル更新部３９０は、例えば、任意の機械学習モデルを識別モデルとして、強化学習を実行することによって、輸送予測モデルを学習する。このような機械学習を行うことにより、輸送予測モデル更新部３９０は、輸送予測因子を入力として、輸送予測因子に応じた輸送計画を、適用するモデルに応じた精度で予測することができるようになる。

輸送予測モデル更新部３９０は、輸送予測モデル生成部３８０が輸送予測モデルの生成に用いた輸送予測因子の情報よりも時間的に後の情報を更に用いて学習することが望ましい。輸送予測モデル更新部３９０は、例えば、過去期間における輸送予測因子の値と、過去期間以降の輸送計画の実績値とに基づいて、輸送予測モデルを学習により更新してよい。輸送予測モデル更新部３９０は、実際の輸送計画の実施によって更新された輸送予測因子の情報を用いて、輸送予測モデルを学習する。輸送予測モデル更新部３９０は、輸送予測因子の情報が更新されたことに応じて、輸送予測モデルの学習を実行してよい。輸送予測モデル更新部３９０は、更新期間の間に、１または複数回の学習を実行してよい。輸送予測モデル更新部３９０は、更新した輸送予測モデルを輸送予測部４００に供給する。

輸送予測部４００は、記憶部１１０に接続される。輸送予測部４００は、輸送予測因子に基づいて、輸送予測モデルを用いて、複数の水素生成装置３０および複数の水素ステーション６０の間で水素を輸送する輸送計画の予測である輸送予測を生成する。

輸送予測部４００は、例えば、予め定められた期間毎に、将来における当該予め定められた期間における輸送計画を予測する。輸送予測部４００は、輸送予測モデルと輸送予測因子の情報とを用いて、輸送計画を予測してよい。輸送予測部４００は、例えば、予測すべき期間の直前までの期間における輸送予測因子の情報を、輸送予測モデルに適用して輸送計画を予測する。輸送予測部４００は、予測結果を記憶部１１０に供給し、例えば、稼働計画因子および貯蔵計画因子の少なくとも１つとして記憶させる。また、輸送予測部４００は、予測結果を、予測部１２０の他の構成または計画部１３０に直接供給してよい。

図４は、本実施形態の計画装置７０の計画部１３０の詳細な構成例を示す。計画部１３０は、輸送計画モデル生成部４１０と、輸送計画モデル更新部４２０と、輸送計画部４３０とを有し、複数の水素生成装置３０で生成された水素を複数の水素ステーション６０に輸送する輸送計画を生成する。計画部１３０は、稼働計画モデル生成部４４０と、稼働計画モデル更新部４５０と、稼働計画部４６０とを有し、複数の水素生成装置３０のそれぞれの稼働計画を生成する。計画部１３０は、貯蔵計画モデル生成部４７０と、貯蔵計画モデル更新部４８０と、貯蔵計画部４９０とを有し、複数の水素貯蔵装置４０のそれぞれにおける水素の貯蔵計画を生成する。

ここで、記憶部１１０は、輸送計画因子、稼働計画因子、および貯蔵計画因子を含む計画因子を記憶する。

輸送計画因子は、複数の水素生成装置３０で生成された水素を複数の水素ステーション６０に輸送する輸送計画に関する情報を含んでよい。輸送計画因子は、複数の水素生成装置３０のそれぞれの稼働予測、複数の水素貯蔵装置４０のそれぞれにおける水素の貯蔵量予測、および複数の水素ステーション６０のそれぞれの需要予測の少なくとも１つを含んでよい。輸送計画因子は、予測対象期間より前における、複数の水素生成装置３０のそれぞれの稼働量、複数の水素貯蔵装置４０のそれぞれにおける水素の貯蔵量、および複数の水素ステーション６０のそれぞれにおける水素の需要量の少なくとも１つを更に含んでよい。輸送計画因子は、輸送予測因子を含んでよい。また、輸送計画因子は、輸送手段５０の種類、輸送手段５０の数、各輸送手段５０の輸送コスト、各輸送手段５０の配置、および各輸送手段５０の水素の輸送可能な量の少なくとも１つを含んでよい。

稼働計画因子は、複数の水素生成装置３０の稼働に関する情報を含んでよい。稼働計画因子は、複数の水素生成装置３０および複数の水素ステーション６０の間における水素の輸送予測を含む。稼働計画因子は、稼働予測因子を含んでよい。稼働計画因子は、水素生成装置３０と当該水素生成装置３０に電力供給する再生可能エネルギー発電設備２０の識別子、再生可能エネルギー発電設備２０が発電に利用する再生可能エネルギーの種類、再生可能エネルギー発電設備２０の発電量、発電量予測、再生可能エネルギーの電気料金、電気料金予測、および稼働予測の少なくとも１つを含んでよい。

貯蔵計画因子は、複数の水素貯蔵装置４０の水素の貯蔵量に関する情報を含んでよい。貯蔵計画因子は、複数の水素生成装置３０のうち対応する水素生成装置３０（貯蔵計画因子に対応する水素貯蔵装置４０に接続された水素生成装置３０）の稼働予測、並びに複数の水素生成装置３０および複数の水素ステーション６０の間における水素の輸送予測を含んでよい。貯蔵計画因子は、貯蔵量予測因子を含んでよい。貯蔵計画因子は、例えば、各水素貯蔵装置４０の種類、各水素貯蔵装置４０の水素の貯蔵可能な最大量、および各水素貯蔵装置４０に対応する水素生成装置３０の情報（水素生成装置３０の接続数、水素生成効率、稼働率、および／または稼働時間等）の少なくとも１つを含んでよい。

輸送計画因子、稼働計画因子、および貯蔵計画因子の少なくとも１つは、略一定時間毎の時系列の情報でよい。輸送計画因子、稼働計画因子、および貯蔵計画因子の少なくとも１つは、時間の経過と共にそれぞれ追加または更新されてよい。輸送計画因子、稼働計画因子、および貯蔵計画因子の少なくとも１つは、計画装置７０において生成された予測結果、および計画データの少なくとも１つを含んでよい。また、輸送計画因子、稼働計画因子、および貯蔵計画因子の少なくとも１つは、外部のデータベースまたは管理装置１５０等から供給され、取得部１００で取得した情報を含んでよい。

輸送計画モデル生成部４１０は、記憶部１１０と輸送計画モデル更新部４２０とに接続される。輸送計画モデル生成部４１０は、計画対象期間より前における輸送計画因子に基づいて、計画対象期間中における、複数の水素貯蔵装置４０のそれぞれと複数の水素ステーション６０のそれぞれとの間における水素の輸送計画を生成する輸送計画モデルを生成する。

輸送計画モデル生成部４１０は、計画対象期間よりも過去の情報を用いて、事前学習またはオフライン学習等と呼ばれる処理により、輸送計画モデルを生成してよい。輸送計画モデル生成部４１０は、例えば、回帰分析、ベイズ推論、ニューラルネットワーク、ガウシアン混合モデル、および隠れマルコフモデル等を用いて、輸送計画モデルを生成する。また、輸送計画モデルとして、例えば、ＬＳＴＭ、ＲＮＮ、およびその他の記憶を有するモデルを使用すれば、因子の時系列から輸送計画を生成することもできる。輸送計画モデル生成部４１０は、生成した輸送計画モデルを輸送計画モデル更新部４２０に供給する。

輸送計画モデル更新部４２０は、記憶部１１０と輸送計画部４３０とに接続される。輸送計画モデル更新部４２０は、複数の水素生成装置３０、複数の水素貯蔵装置４０、複数の水素貯蔵装置４０のそれぞれと複数の水素ステーション６０のそれぞれとの間の輸送手段５０、および複数の水素ステーション６０を含む連携システムの生産性を評価する評価指標に基づいて、輸送計画モデルを学習により更新する。

ここで、評価指標は、連携システムの運営コスト、売上、および利益、並びに、連携システムが供給する水素の単位量当たりの原価の少なくとも１つに基づくものであってよい。評価指標は、計画装置７０の各モデル更新部により算出されてよく、または外部の装置から計画装置７０に供給されてよい。評価指標は、例えば、目的関数により算出されるものであってよい。評価指標は、一例として、連携システムの運営コスト、売上、および利益、並びに、連携システムが供給する水素の単位量当たりの原価のそれぞれに重みをかけて和をとった重み付け和の目的関数で算出されてよい。

輸送計画モデル更新部４２０は、例えば、予め定められた更新期間毎に、学習により新たな輸送計画モデルに更新してよい。これに代えて、輸送計画モデル更新部４２０は、予め定められた回数だけ学習したこと、学習による誤差差分が予め定められた閾値を下回ったこと、または、評価指標が最大、最小、もしくは予め定められた範囲内になったこと等の諸条件に応じて、輸送計画モデルを更新してもよい。

輸送計画モデル更新部４２０は、適応学習またはオンライン学習等と呼ばれる処理により、輸送計画モデルを学習してよい。輸送計画モデル更新部４２０は、例えば、任意の機械学習モデルを識別モデルとして、強化学習を実行することによって、輸送計画モデルを学習する。このような機械学習を行うことにより、輸送計画モデル更新部４２０は、輸送計画因子を入力として、輸送計画因子に応じた輸送計画を、適用するモデルに応じた精度で生成することができるようになる。

輸送計画モデル更新部４２０は、輸送計画モデル生成部４１０が輸送計画モデルの生成に用いた輸送計画因子の情報よりも時間的に後の情報を更に用いて学習することが望ましい。輸送計画モデル更新部４２０は、例えば、過去期間における輸送計画因子の値と、過去期間以降の輸送計画の評価指標等とに基づいて、輸送計画モデルを学習により更新してよい。輸送計画モデル更新部４２０は、実際の輸送計画の実施に応じて算出された評価指標を用いて、輸送計画モデルを学習する。輸送計画モデル更新部４２０は、評価指標の算出に応じて、輸送計画モデルの学習を実行してよい。輸送計画モデル更新部４２０は、更新期間の間に、１または複数回の学習を実行してよい。輸送計画モデル更新部４２０は、更新した輸送計画モデルを輸送計画部４３０に供給する。

輸送計画部４３０は、記憶部１１０と出力部１４０とに接続される。輸送計画部４３０は、複数の水素生成装置３０で生成された水素を複数の水素ステーション６０に輸送する輸送計画を、輸送計画モデルを用いて、輸送計画因子に基づいて生成する。

輸送計画部４３０は、例えば、予め定められた期間毎に、将来における当該予め定められた期間における輸送計画を生成する。輸送計画部４３０は、輸送計画モデルと輸送計画因子の情報とを用いて、輸送計画を生成してよい。輸送計画部４３０は、例えば、計画すべき期間の直前までの期間における輸送計画因子の情報を、輸送計画モデルに適用して輸送計画を生成する。輸送計画部４３０は、輸送計画の計画データを記憶部１１０に供給し、例えば、計画因子として記憶させる。また、輸送計画部４３０は、計画データを、予測部１２０および／または計画部１３０の他の構成に直接供給してもよい。

稼働計画モデル生成部４４０は、記憶部１１０と稼働計画モデル更新部４５０とに接続される。稼働計画モデル生成部４４０は、計画対象期間より前における稼働計画因子に基づいて、計画対象期間中における、複数の水素生成装置３０のそれぞれの稼働計画を生成する稼働計画モデルを生成する。

稼働計画モデル生成部４４０は、計画対象期間よりも過去の情報を用いて、事前学習またはオフライン学習等と呼ばれる処理により、稼働計画モデルを生成してよい。稼働計画モデル生成部４４０は、例えば、回帰分析、ベイズ推論、ニューラルネットワーク、ガウシアン混合モデル、および隠れマルコフモデル等を用いて、稼働計画モデルを生成する。また、稼働計画モデルとして、例えば、ＬＳＴＭ、ＲＮＮ、およびその他の記憶を有するモデルを使用すれば、因子の時系列から稼働計画を生成することもできる。稼働計画モデル生成部４４０は、生成した稼働計画モデルを稼働計画モデル更新部４５０に供給する。

稼働計画モデル更新部４５０は、記憶部１１０と稼働計画部４６０に接続される。稼働計画モデル更新部４５０は、連携システムの生産性を評価する評価指標に基づいて、稼働計画モデルを学習により更新する。稼働計画モデル更新部４５０は、例えば、予め定められた更新期間毎に、学習により新たな稼働計画モデルに更新してよい。これに代えて、稼働計画モデル更新部４５０は、予め定められた回数だけ学習したこと、学習による誤差差分が予め定められた閾値を下回ったこと、または、評価指標が最大、最小もしくは予め定められた範囲内になったこと等の諸条件に応じて、稼働計画モデルを更新してもよい。

稼働計画モデル更新部４５０は、適応学習またはオンライン学習等と呼ばれる処理により、稼働計画モデルを学習してよい。稼働計画モデル更新部４５０は、例えば、任意の機械学習モデルを識別モデルとして、強化学習を実行することによって、稼働計画モデルを学習する。このような機械学習を行うことにより、稼働計画モデル更新部４５０は、稼働計画因子を入力として、稼働計画因子に応じた稼働計画を、適用するモデルに応じた精度で生成することができるようになる。

稼働計画モデル更新部４５０は、稼働計画モデル生成部４４０が稼働計画モデルの生成に用いた稼働計画因子の情報よりも時間的に後の情報を更に用いて学習することが望ましい。稼働計画モデル更新部４５０は、例えば、過去期間における稼働計画因子の値と、過去期間以降の稼働計画の評価指標等とに基づいて、稼働計画モデルを学習により更新してよい。稼働計画モデル更新部４５０は、実際の稼働計画の実施に応じて算出された評価指標を用いて、稼働計画モデルを学習する。稼働計画モデル更新部４５０は、評価指標の算出に応じて、稼働計画モデルの学習を実行してよい。稼働計画モデル更新部４５０は、更新期間の間に、１または複数回の学習を実行してよい。稼働計画モデル更新部４５０は、更新した稼働計画モデルを稼働計画部４６０に供給する。

稼働計画部４６０は、記憶部１１０と出力部１４０とに接続される。稼働計画部４６０は、稼働計画因子に基づいて、稼働計画モデルを用いて、複数の水素生成装置３０のそれぞれの稼働計画を生成する。

稼働計画部４６０は、例えば、予め定められた期間毎に、将来における当該予め定められた期間における稼働計画を生成する。稼働計画部４６０は、稼働計画モデルと稼働計画因子の情報とを用いて、稼働計画を生成してよい。稼働計画部４６０は、例えば、計画すべき期間の直前までの期間における稼働計画因子の情報を、稼働計画モデルに適用して稼働計画を生成する。稼働計画部４６０は、稼働計画の計画データを記憶部１１０に供給し、例えば、計画因子として記憶させる。また、稼働計画部４６０は、計画データを、予測部１２０および／または計画部１３０の他の構成に直接供給してよい。

貯蔵計画モデル生成部４７０は、記憶部１１０と貯蔵計画モデル更新部４８０とに接続される。貯蔵計画モデル生成部４７０は、計画対象期間より前における貯蔵計画因子に基づいて、計画対象期間中における、複数の水素生成装置３０が生成した水素を貯蔵する複数の水素貯蔵装置４０のそれぞれにおける水素の貯蔵計画を生成する貯蔵計画モデルを生成する。

貯蔵計画モデル生成部４７０は、計画対象期間よりも過去の情報を用いて、事前学習またはオフライン学習等と呼ばれる処理により、貯蔵計画モデルを生成してよい。貯蔵計画モデル生成部４７０は、例えば、回帰分析、ベイズ推論、ニューラルネットワーク、ガウシアン混合モデル、および隠れマルコフモデル等を用いて、貯蔵計画モデルを生成する。また、貯蔵計画モデルとして、例えば、ＬＳＴＭ、ＲＮＮ、およびその他の記憶を有するモデルを使用すれば、因子の時系列から貯蔵計画を生成することもできる。貯蔵計画モデル生成部４７０は、生成した貯蔵計画モデルを貯蔵計画モデル更新部４８０に供給する。

貯蔵計画モデル更新部４８０は、記憶部１１０と貯蔵計画部４９０に接続される。貯蔵計画モデル更新部４８０は、連携システムの生産性を評価する評価指標に基づいて、貯蔵計画モデルを学習により更新する。貯蔵計画モデル更新部４８０は、例えば、予め定められた更新期間毎に、学習により新たな貯蔵計画モデルに更新してよい。これに代えて、貯蔵計画モデル更新部４８０は、予め定められた回数だけ学習したこと、学習による誤差差分が予め定められた閾値を下回ったこと、または、評価指標が最大、最小もしくは予め定められた範囲内になったこと等の諸条件に応じて、貯蔵計画モデルを更新してもよい。

貯蔵計画モデル更新部４８０は、適応学習またはオンライン学習等と呼ばれる処理により、貯蔵計画モデルを学習してよい。貯蔵計画モデル更新部４８０は、例えば、任意の機械学習モデルを識別モデルとして、強化学習を実行することによって、貯蔵計画モデルを学習する。このような機械学習を行うことにより、貯蔵計画モデル更新部４８０は、貯蔵計画因子を入力として、貯蔵計画因子に応じた貯蔵計画を、適用するモデルに応じた精度で生成することができるようになる。

貯蔵計画モデル更新部４８０は、貯蔵計画モデル生成部４７０が貯蔵計画モデルの生成に用いた貯蔵計画因子の情報よりも時間的に後の情報を更に用いて学習することが望ましい。貯蔵計画モデル更新部４８０は、例えば、過去期間における貯蔵計画因子の値と、過去期間以降の貯蔵計画の評価指標とに基づいて、貯蔵計画モデルを学習により更新してよい。貯蔵計画モデル更新部４８０は、実際の貯蔵計画の実施に応じて算出された評価指標を用いて、貯蔵計画モデルを学習してよい。貯蔵計画モデル更新部４８０は、評価指標の算出に応じて、貯蔵計画モデルの学習を実行してよい。貯蔵計画モデル更新部４８０は、更新期間の間に、１または複数回の学習を実行してよい。貯蔵計画モデル更新部４８０は、更新した貯蔵計画モデルを貯蔵計画部４９０に供給する。

貯蔵計画部４９０は、記憶部１１０と出力部１４０とに接続される。貯蔵計画部４９０は、貯蔵計画因子に基づいて、更新された貯蔵計画モデルを用いて、複数の水素生成装置３０が生成した水素を貯蔵する複数の水素貯蔵装置４０のそれぞれにおける水素の貯蔵計画を生成する。

貯蔵計画部４９０は、例えば、予め定められた期間毎に、将来における当該予め定められた期間における貯蔵計画を生成する。貯蔵計画部４９０は、貯蔵計画モデルと貯蔵計画因子の情報とを用いて、貯蔵計画を生成してよい。貯蔵計画部４９０は、例えば、計画すべき期間の直前までの期間における貯蔵計画因子の情報を、貯蔵計画モデルに適用して貯蔵計画を生成する。貯蔵計画部４９０は、貯蔵計画の計画データを記憶部１１０に供給し、例えば、計画因子として記憶させる。また、貯蔵計画部４９０は、計画データを、予測部１２０および／または計画部１３０の他の構成に直接供給してよい。

以上の本実施形態に係る計画装置７０は、学習により生成したモデルを用いて、水素生成から消費までの連携システムにおいて、水素を低コストに供給するための効率的な計画を生成することができる。このような計画装置７０の動作について、次に説明する。

図５は、本実施形態に係る計画装置７０のフローの一例を示す。

取得部１００は、過去のトレンドとなる予測因子および計画因子の情報を取得する（Ｓ５１０）。取得部１００は、例えば、時刻ｔ０から時刻ｔ１における、予測因子および計画因子の情報を取得する。取得部１００は、取得した予測因子および計画因子の情報を記憶部１１０に記憶させる。また、取得部１００は、予測因子および計画因子の情報を予測部１２０および計画部１３０に直接供給してもよい。

次に、予測部１２０および計画部１３０は、学習モデルを生成する（Ｓ５２０）。予測部１２０および計画部１３０は、時刻ｔ０から時刻ｔ１の期間における予測因子および計画因子の値に基づき学習モデルを生成する。例えば、稼働予測モデル生成部２００は、時刻ｔ０から時刻ｔ１の期間における稼働予測因子の値を用いて、稼働予測モデルを生成する。需要予測モデル生成部２３０は、時刻ｔ０から時刻ｔ１の期間における需要予測因子の値を用いて、需要予測モデルを生成する。発電量予測モデル生成部２６０は、時刻ｔ０から時刻ｔ１の期間における発電量予測因子の値を用いて、発電量予測モデルを生成する。電気料金予測モデル生成部２９０は、時刻ｔ０から時刻ｔ１の期間における電気料金予測因子の値を用いて、電気料金予測モデルを生成する。消費予測モデル生成部３２０は、時刻ｔ０から時刻ｔ１の期間における消費予測因子の値を用いて、消費予測モデルを生成する。貯蔵量予測モデル生成部３５０は、時刻ｔ０から時刻ｔ１の期間における貯蔵量予測因子の値を用いて、貯蔵量予測モデルを生成する。輸送予測モデル生成部３８０は、時刻ｔ０から時刻ｔ１の期間における輸送予測因子の値を用いて、輸送予測モデルを生成する。

また、輸送計画モデル生成部４１０は、時刻ｔ０から時刻ｔ１の期間における輸送計画因子の値を用いて、輸送計画モデルを生成する。稼働計画モデル生成部４４０は、時刻ｔ０から時刻ｔ１の期間における稼働計画因子の値を用いて、稼働計画モデルを生成する。貯蔵計画モデル生成部４７０は、時刻ｔ０から時刻ｔ１の期間における貯蔵計画因子の値を用いて、貯蔵計画モデルを生成する。

また、予測部１２０および計画部１３０は、水素生成装置３０、再生可能エネルギー発電設備２０、水素貯蔵装置４０、輸送手段５０、水素ステーション６０、または消費手段９０等の対象の装置の物理モデルに基づく仮想データを予測データとし、当該予測データおよび過去の対象の装置の稼働において取得された実データを比較することにより、モデルを生成してよい。例えば、予測部１２０および計画部１３０は、予測データと、過去の実データから導出された目標データとの誤差が、誤差最小（例えば、０）または予め定められた値未満となるように、強化学習を実行してモデルを生成する。

予測部１２０および計画部１３０は、一例として、時刻ｔ０から時刻ｔ１の期間におけるＭ日間の期間を仮想的な予測期間または計画期間とする。なお、Ｍ日間は、例えば、数日または十数日、１または数週間といった期間でよい。そして、予測部１２０および計画部１３０は、時刻ｔ０から時刻ｔ１の期間における予測期間または計画期間よりも前の期間の因子の値に基づく予測期間または計画期間の予測結果または計画データと、予測期間または計画期間の実データまたは仮想データとの誤差が、最小となるように強化学習する。

なお、このような予測部１２０および計画部１３０による学習モデルの生成は、対象の装置の稼働に伴って計画装置７０が当該対象の装置の実データを取得する前に、実行されてよい。

次に、予測部１２０および計画部１３０は、生成した学習モデルを適応学習する（Ｓ５３０）。ここで、取得部１００は、各因子の情報をさらに取得してよい。取得部１００は、例えば、時刻ｔ２から時刻ｔ３における、各因子の情報を取得する。また、計画装置７０は、評価指標を算出または外部の装置等から取得してよい。また、予測部１２０および計画部１３０は、例えば、時刻ｔ２から時刻ｔ３における、各因子の情報を生成してもよい。なお、時刻ｔ２から時刻ｔ３の間の期間は、時刻ｔ０から時刻ｔ１の期間の後の期間とする。予測部１２０および計画部１３０は、新たな各因子の情報および／または評価指標を用いて適応学習してよい。

例えば、稼働予測モデル更新部２１０は、稼働予測因子の値に基づき、稼働予測モデルを適応学習する。稼働予測モデル更新部２１０は、時刻ｔ２から時刻ｔ３の期間における、水素生成装置３０の稼働状況を用いて、稼働予測モデルを適応学習してよい。稼働予測モデル更新部２１０は、稼働予測モデルを用いて時刻ｔ２から時刻ｔ３の期間における水素生成装置３０の稼働量等を予測した結果が、取得した時刻ｔ２から時刻ｔ３の期間の当該水素生成装置３０の稼働状況と一致するように強化学習してよい。

稼働予測モデル更新部２１０は、一例として、時刻ｔ２から時刻ｔ３の期間におけるＭ日間の期間を仮想的な予測期間とする。なお、Ｍ日間は、例えば、数日または十数日、１または数週間、１または数ヶ月、１または数年といった期間でよい。稼働予測モデル更新部２１０は、一例として、時刻ｔ２から時刻ｔ３の期間における予測期間よりも前の期間の稼働予測因子の値に基づく予測期間の予測結果と、予測期間の実データとの誤差が、誤差最小（例えば、０）または予め定められた値未満となるように強化学習する。

例えば、需要予測モデル更新部２４０は、需要予測因子の値に基づき、需要予測モデルを適応学習する。需要予測モデル更新部２４０は、時刻ｔ２から時刻ｔ３の期間における、各水素ステーション６０における水素の需要量を用いて、需要予測モデルを適応学習してよい。需要予測モデル更新部２４０は、需要予測モデルを用いて時刻ｔ２から時刻ｔ３の期間における水素ステーション６０における水素の需要量を予測した結果が、取得した時刻ｔ２から時刻ｔ３の期間の当該水素ステーション６０における水素の需要量と一致するように強化学習してよい。

需要予測モデル更新部２４０は、一例として、時刻ｔ２から時刻ｔ３の期間におけるＭ日間の期間を仮想的な予測期間とする。なお、Ｍ日間は、例えば、数日または十数日、１または数週間、１または数ヶ月、１または数年といった期間でよい。需要予測モデル更新部２４０は、一例として、時刻ｔ２から時刻ｔ３の期間における予測期間よりも前の期間の需要予測因子の値に基づく予測期間の予測結果と、予測期間の実データとの誤差が、誤差最小（例えば、０）または予め定められた値未満となるように強化学習する。

例えば、発電量予測モデル更新部２７０は、発電量予測因子の値に基づき、発電量予測モデルを適応学習する。発電量予測モデル更新部２７０は、時刻ｔ２から時刻ｔ３の期間における、各再生可能エネルギー発電設備２０における再生可能エネルギーの発電量を用いて、発電量予測モデルを適応学習してよい。発電量予測モデル更新部２７０は、発電量予測モデルを用いて時刻ｔ２から時刻ｔ３の期間における再生可能エネルギー発電設備２０における発電量を予測した結果が、取得した時刻ｔ２から時刻ｔ３の期間の当該再生可能エネルギー発電設備２０における発電量と一致するように強化学習してよい。

発電量予測モデル更新部２７０は、一例として、時刻ｔ２から時刻ｔ３の期間におけるＭ日間の期間を仮想的な予測期間とする。なお、Ｍ日間は、例えば、数日または十数日、１または数週間、１または数ヶ月、１または数年といった期間でよい。発電量予測モデル更新部２７０は、一例として、時刻ｔ２から時刻ｔ３の予測期間よりも前の期間の発電量予測因子の値に基づく予測期間の予測結果と、予測期間の実データとの誤差が、誤差最小（例えば、０）または予め定められた値未満となるように強化学習する。

例えば、電気料金予測モデル更新部３００は、電気料金予測因子の値に基づき、電気料金予測モデルを適応学習する。電気料金予測モデル更新部３００は、時刻ｔ２から時刻ｔ３の期間における、再生可能エネルギーの電気料金を用いて、電気料金予測モデルを適応学習してよい。電気料金予測モデル更新部３００は、電気料金予測モデルを用いて時刻ｔ２から時刻ｔ３の期間における再生可能エネルギーの電気料金を予測した結果が、取得した時刻ｔ２から時刻ｔ３の期間の再生可能エネルギーの電気料金と一致するように強化学習してよい。

電気料金予測モデル更新部３００は、一例として、時刻ｔ２から時刻ｔ３の期間におけるＭ日間の期間を仮想的な予測期間とする。なお、Ｍ日間は、例えば、数日または十数日、１または数週間、１または数ヶ月、１または数年といった期間でよい。電気料金予測モデル更新部３００は、一例として、時刻ｔ２から時刻ｔ３の期間における予測期間よりも前の期間の電気料金予測因子の値に基づく予測期間の予測結果と、予測期間の実データとの誤差が、誤差最小（例えば、０）または予め定められた値未満となるように強化学習する。

例えば、消費予測モデル更新部３３０は、消費予測因子の値に基づき、消費予測モデルを適応学習する。消費予測モデル更新部３３０は、時刻ｔ２から時刻ｔ３の期間における、各水素ステーション６０における水素の消費量等を用いて、消費予測モデルを適応学習してよい。消費予測モデル更新部３３０は、消費予測モデルを用いて時刻ｔ２から時刻ｔ３の期間における水素ステーション６０における水素の消費量等を予測した結果が、取得した時刻ｔ２から時刻ｔ３の期間の当該水素ステーション６０における水素の消費量等と一致するように強化学習してよい。

消費予測モデル更新部３３０は、一例として、時刻ｔ２から時刻ｔ３の期間におけるＭ日間の期間を仮想的な予測期間とする。なお、Ｍ日間は、例えば、数日または十数日、１または数週間、１または数ヶ月、１または数年といった期間でよい。消費予測モデル更新部３３０は、一例として、時刻ｔ２から時刻ｔ３の期間における予測期間よりも前の期間の消費予測因子の値に基づく予測期間の予測結果と、予測期間の実データとの誤差が、誤差最小（例えば、０）または予め定められた値未満となるように強化学習する。

例えば、貯蔵量予測モデル更新部３６０は、貯蔵量予測因子の値に基づき、貯蔵量予測モデルを適応学習する。貯蔵量予測モデル更新部３６０は、時刻ｔ２から時刻ｔ３の期間における、各水素貯蔵装置４０の水素の貯蔵量を用いて、貯蔵量予測モデルを適応学習してよい。貯蔵量予測モデル更新部３６０は、貯蔵量予測モデルを用いて時刻ｔ２から時刻ｔ３の期間における水素貯蔵装置４０の水素の貯蔵量を予測した結果が、取得した時刻ｔ２から時刻ｔ３の期間の当該水素貯蔵装置４０の水素の貯蔵量と一致するように強化学習してよい。

貯蔵量予測モデル更新部３６０は、一例として、時刻ｔ２から時刻ｔ３の期間におけるＭ日間の期間を仮想的な予測期間とする。なお、Ｍ日間は、例えば、数日または十数日、１または数週間、１または数ヶ月、１または数年といった期間でよい。貯蔵量予測モデル更新部３６０は、一例として、時刻ｔ２から時刻ｔ３の期間における予測期間よりも前の期間の貯蔵量予測因子の値に基づく予測期間の予測結果と、予測期間の実データとの誤差が、誤差最小（例えば、０）または予め定められた値未満となるように強化学習する。

例えば、輸送予測モデル更新部３９０は、輸送予測因子の値に基づき、輸送予測モデルを適応学習する。輸送予測モデル更新部３９０は、時刻ｔ２から時刻ｔ３の期間における、複数の水素生成装置３０および複数の水素ステーション６０の間で水素を輸送する輸送計画の実績値を用いて、輸送予測モデルを適応学習してよい。輸送予測モデル更新部３９０は、輸送予測モデルを用いて時刻ｔ２から時刻ｔ３の期間における輸送計画を予測した結果が、取得した時刻ｔ２から時刻ｔ３の期間の輸送計画（または輸送実績）と一致するように強化学習してよい。

輸送予測モデル更新部３９０は、一例として、時刻ｔ２から時刻ｔ３の期間におけるＭ日間の期間を仮想的な予測期間とする。なお、Ｍ日間は、例えば、数日または十数日、１または数週間、１または数ヶ月、１または数年といった期間でよい。輸送予測モデル更新部３９０は、一例として、時刻ｔ２から時刻ｔ３の期間よりも前の期間の輸送予測因子の値に基づく予測期間の予測結果と、予測期間の実データとの誤差が、誤差最小（例えば、０）または予め定められた値未満となるように強化学習する。

また、輸送計画モデル更新部４２０は、連携システムの生産性を評価する評価指標に基づき、輸送計画モデルを適応学習してよい。例えば、輸送計画モデル更新部４２０は、時刻ｔ２から時刻ｔ３の期間における、評価指標を含む学習データを用いて、輸送計画モデルを学習してよい。輸送計画モデル更新部４２０は、輸送計画モデルを用いて生成した時刻ｔ２から時刻ｔ３の期間における輸送計画について、評価指標の値が、最小（例えば、０）、最大、または予め定められた範囲内となるように、強化学習を実行してよい。

輸送計画モデル更新部４２０は、一例として、時刻ｔ２から時刻ｔ３の期間におけるＭ日間の期間を仮想的な計画期間とする。なお、Ｍ日間は、例えば、数日または十数日、１または数週間、１または数ヶ月、１または数年といった期間でよい。そして、輸送計画モデル更新部４２０は、時刻ｔ２から時刻ｔ３の計画期間よりも前の期間の輸送計画因子の値に基づく計画期間の輸送計画について、計画期間において実施された輸送計画の評価指標の値が、最小（例えば、０）、最大、または予め定められた範囲内となるように、強化学習を実行してよい。

また、稼働計画モデル更新部４５０は、連携システムの生産性を評価する評価指標に基づき、稼働計画モデルを適応学習してよい。例えば、稼働計画モデル更新部４５０は、時刻ｔ２から時刻ｔ３の期間における、評価指標を含む学習データを用いて、稼働計画モデルを学習してよい。稼働計画モデル更新部４５０は、稼働計画モデルを用いて生成した時刻ｔ２から時刻ｔ３の期間における稼働計画について、評価指標の値が、最小（例えば、０）、最大、または予め定められた範囲内となるように、強化学習を実行してよい。

稼働計画モデル更新部４５０は、一例として、時刻ｔ２から時刻ｔ３の期間におけるＭ日間の期間を仮想的な計画期間とする。なお、Ｍ日間は、例えば、数日または十数日、１または数週間、１または数ヶ月、１または数年といった期間でよい。そして、稼働計画モデル更新部４５０は、時刻ｔ２から時刻ｔ３の計画期間よりも前の期間の稼働計画因子の値に基づく計画期間の稼働計画について、計画期間において実施された稼働計画の評価指標の値が、最小（例えば、０）、最大、または予め定められた範囲内となるように、強化学習を実行してよい。

また、貯蔵計画モデル更新部４８０は、連携システムの生産性を評価する評価指標に基づき、貯蔵計画モデルを適応学習してよい。例えば、貯蔵計画モデル更新部４８０は、時刻ｔ２から時刻ｔ３の期間における評価指標を含む学習データを用いて、貯蔵計画モデルを学習してよい。貯蔵計画モデル更新部４８０は、貯蔵計画モデルを用いて生成した時刻ｔ２から時刻ｔ３の期間における貯蔵計画について、評価指標の値が、最小（例えば、０）、最大、または予め定められた範囲内となるように、強化学習を実行してよい。

貯蔵計画モデル更新部４８０は、一例として、時刻ｔ２から時刻ｔ３の期間におけるＭ日間の期間を仮想的な計画期間とする。なお、Ｍ日間は、例えば、数日または十数日、１または数週間、１または数ヶ月、１または数年といった期間でよい。そして、貯蔵計画モデル更新部４８０は、時刻ｔ２から時刻ｔ３の計画期間よりも前の期間の貯蔵計画因子の値に基づく計画期間の貯蔵計画について、計画期間において実施された貯蔵計画の評価指標の値が、最小（例えば、０）、最大、または予め定められた範囲内となるように、強化学習を実行してよい。

なお、予測部１２０の各構成における予測期間は、それぞれ異なる期間であってよく、または同一の期間であってよい。計画部１３０の各構成における計画期間は、それぞれ異なる期間であってよく、または同一の期間であってよい。また、予測期間および計画期間は、それぞれ異なる期間であってよく、または同一の期間であってよい。

また、輸送計画モデル更新部４２０、稼働計画モデル更新部４５０、および貯蔵計画モデル更新部４８０は、複数の計画モデルを、１つの評価指標に応じて学習してよい。輸送計画モデル更新部４２０、稼働計画モデル更新部４５０、および貯蔵計画モデル更新部４８０は、例えば、輸送計画、稼働計画、および貯蔵計画のうちの２つ以上について１つの目的関数で評価指標を算出して、当該評価指標の値が最小（例えば、０）、最大、または予め定められた範囲内となるように、複数の計画モデルを強化学習してよい。

次に、予測部１２０および計画部１３０は、学習した学習モデルを更新する（Ｓ５４０）。予測部１２０および計画部１３０は、予め定められた時間毎に学習モデルを更新してよい。例えば、予測部１２０および計画部１３０は、適応学習を開始してから更新に必要な初期更新期間だけ適応学習を継続させてから、学習モデルの最初の更新を実行し、その後、一定の期間毎に更新を繰り返す。ここで、初期更新期間は、生成する計画の計画期間以上であることが望ましい。また、更新を繰り返す一定の期間は、数時間、十数時間、１日、数十時間、または数日等でよい。なお、予測部１２０および計画部１３０は、それぞれ異なる更新期間または同一の更新期間で学習モデルを更新してよい。

次に、予測部１２０は、学習モデルを用いて予測結果を生成する（Ｓ５５０）。例えば、稼働予測部２２０は、更新された稼働予測モデルおよび稼働予測因子の値を用いて、時刻ｔ４から時刻ｔ５における水素生成装置３０の稼働量を予測する。なお、時刻ｔ４から時刻ｔ５の間の期間は、時刻ｔ２から時刻ｔ３の期間の後の期間であり、予測時点の将来の期間であってよい。稼働予測部２２０は、一例として、初期更新期間に取得部１００で取得したＮ日分の稼働予測因子の値および／または予測部１２０で生成した予測結果を含む稼働予測因子の値を、稼働予測モデルに適用して、初期更新期間の後のＮ日間での稼働量を予測する。稼働予測部２２０は、生成した稼働予測を記憶部１１０に供給して、記憶させてよい。

例えば、需要予測部２５０は、更新された需要予測モデルおよび需要予測因子の値を用いて、時刻ｔ４から時刻ｔ５における水素ステーション６０における水素の需要（例えば需要量）を予測する。需要予測部２５０は、一例として、初期更新期間に取得部１００で取得したＮ日分の稼働予測因子の値および／または予測部１２０で生成した予測結果を含む稼働予測因子の値を、需要予測モデルに適用して、初期更新期間の後のＮ日間での需要量を予測する。需要予測部２５０は、生成した需要予測を記憶部１１０に供給して、記憶させてよい。

例えば、発電量予測部２８０は、更新された発電量予測モデルおよび発電量予測因子の値を用いて、時刻ｔ４から時刻ｔ５における再生可能エネルギー発電設備２０の発電量を予測する。発電量予測部２８０は、一例として、初期更新期間に取得部１００で取得したＮ日分の発電量予測因子の値および／または予測部１２０で生成した予測結果を含む発電量予測因子の値を、発電量予測モデルに適用して、初期更新期間の後のＮ日間での発電量を予測する。発電量予測部２８０は、生成した発電量予測を記憶部１１０に供給して、記憶させてよい。

例えば、電気料金予測部３１０は、更新された電気料金予測モデルおよび電気料金予測因子の値を用いて、時刻ｔ４から時刻ｔ５における再生可能エネルギーの電気料金を予測する。電気料金予測部３１０は、一例として、初期更新期間に取得部１００で取得したＮ日分の電気料金予測因子の値および／または予測部１２０で生成した予測結果を含む電気料金予測因子の値を、電気料金予測モデルに適用して、初期更新期間の後のＮ日間での電気料金を予測する。電気料金予測部３１０は、生成した電気料金予測を記憶部１１０に供給して、記憶させてよい。

例えば、消費予測部３４０は、更新された消費予測モデルおよび消費予測因子の値を用いて、時刻ｔ４から時刻ｔ５における、水素ステーション６０における水素の消費量を予測する。消費予測部３４０は、一例として、初期更新期間に取得部１００で取得したＮ日分の消費予測因子の値および／または予測部１２０で生成した消費予測因子の値を、消費予測モデルに適用して、初期更新期間の後のＮ日間での消費量を予測する。消費予測部３４０は、生成した消費予測を記憶部１１０に供給して、記憶させてよい。

例えば、貯蔵量予測部３７０は、更新された貯蔵量予測モデルおよび貯蔵量予測因子の値を用いて、時刻ｔ４から時刻ｔ５における、水素貯蔵装置４０の水素の貯蔵量を予測する。貯蔵量予測部３７０は、一例として、初期更新期間に取得部１００で取得したＮ日分の貯蔵量予測因子の値および／または予測部１２０で生成した予測結果を含む貯蔵量予測因子の値を、貯蔵量予測モデルに適用して、初期更新期間の後のＮ日間での貯蔵量を予測する。貯蔵量予測部３７０は、生成した貯蔵量予測を記憶部１１０に供給して、記憶させてよい。

例えば、輸送予測部４００は、更新された輸送予測モデルおよび輸送予測因子の値を用いて、時刻ｔ４から時刻ｔ５における、複数の水素生成装置３０および複数の水素ステーション６０の間における水素の輸送計画を予測する。輸送予測部４００は、一例として、初期更新期間に取得部１００で取得したＮ日分の輸送予測因子の値および／または予測部１２０で生成した輸送予測因子の値を、輸送予測モデルに適用して、初期更新期間の後のＮ日間での輸送計画を予測する。輸送予測部４００は、生成した輸送予測を記憶部１１０に供給して、記憶させてよい。

計画部１３０は、更新された学習モデルを用いて、計画を生成する（Ｓ５６０）。例えば、輸送計画部４３０は、予測部１２０が生成した予測結果を含む輸送計画因子の値を、更新された輸送計画モデルに適用して、時刻ｔ４から時刻ｔ５における輸送計画を生成してよい。輸送計画部４３０は、一例として、初期更新期間に取得部１００が取得したＮ日分の輸送計画因子の値および／または予測部１２０で生成した予測結果を含む輸送予測因子の値を、輸送計画モデルに適用して、初期更新期間の後のＮ日分の輸送計画を生成する。

また、輸送計画部４３０は、複数の輸送手段５０のそれぞれに対する輸送計画を生成してよい。輸送計画部４３０は、複数の輸送手段５０が略同一である場合は、略同一の輸送計画をそれぞれ生成してよい。また、輸送計画部４３０は、異なる種類の輸送手段５０、異なる輸送コストの輸送手段５０、またはこれらの組み合わせを含む複数の輸送手段５０のそれぞれに対応して、異なる輸送計画を生成してよい。

この場合、輸送計画モデル生成部４１０は、輸送手段５０毎にまたは複数の輸送手段５０の組み合わせ毎にそれぞれ対応する複数の輸送計画モデルを生成してよい。また、輸送計画モデル更新部４２０は、複数の輸送計画モデルをそれぞれ学習し、それぞれ更新してよい。

例えば、稼働計画部４６０は、予測部１２０が生成した予測結果を含む稼働計画因子の値を、更新された稼働計画モデルに適用して、時刻ｔ４から時刻ｔ５における稼働計画を生成してよい。稼働計画部４６０は、一例として、初期更新期間に取得部１００が取得したＮ日分の稼働計画因子の値および／または予測部１２０で生成した予測結果を含む稼働予測因子の値を、稼働計画モデルに適用して、初期更新期間の後のＮ日分の稼働計画を生成する。

また、稼働計画部４６０は、複数の水素生成装置３０のそれぞれに対する稼働計画を生成してよい。稼働計画部４６０は、複数の水素生成装置３０が略同一である場合は、略同一の稼働計画をそれぞれ生成してよい。また、稼働計画部４６０は、異なる種類の水素生成装置３０、異なる水素生成コストの水素生成装置３０、またはこれらの組み合わせを含む複数の水素生成装置３０のそれぞれに対応して、異なる稼働計画を生成してよい。

この場合、稼働計画モデル生成部４４０は、水素生成装置３０毎にまたは複数の水素生成装置３０の組み合わせ毎にそれぞれ対応する複数の稼働計画モデルを生成してよい。また、稼働計画モデル更新部４５０は、複数の稼働計画モデルをそれぞれ学習し、それぞれ更新してよい。

例えば、貯蔵計画部４９０は、予測部１２０が生成した予測結果を含む貯蔵計画因子の値を、更新された貯蔵計画モデルに適用して、時刻ｔ４から時刻ｔ５における貯蔵計画を生成してよい。貯蔵計画部４９０は、一例として、初期更新期間に取得部１００が取得したＮ日分の貯蔵計画因子の値および／または予測部１２０で生成した予測結果を含む貯蔵予測因子の値を、貯蔵計画モデルに適用して、初期更新期間の後のＮ日分の貯蔵計画を生成する。

また、貯蔵計画部４９０は、複数の水素貯蔵装置４０のそれぞれに対する貯蔵計画を生成してよい。貯蔵計画部４９０は、複数の水素貯蔵装置４０および／または当該水素貯蔵装置４０に接続された水素生成装置３０が略同一である場合は、略同一の貯蔵計画をそれぞれ生成してよい。また、貯蔵計画部４９０は、水素貯蔵装置４０および／または当該水素貯蔵装置４０に接続された水素生成装置３０が異なる種類である場合、複数の水素貯蔵装置４０のそれぞれに対応して、異なる貯蔵計画を生成してよい。

この場合、貯蔵計画モデル生成部４７０は、水素貯蔵装置４０毎にまたは複数の水素貯蔵装置４０の組み合わせ毎にそれぞれ対応する複数の貯蔵計画モデルを生成してよい。また、貯蔵計画モデル更新部４８０は、複数の貯蔵計画モデルをそれぞれ学習し、それぞれ更新してよい。

出力部１４０は、計画部１３０が生成した計画を出力する（Ｓ５７０）。これにより、水素を供給するシステム１０の各事業者等は、管理装置１５０で受け取った計画に従ってシステム１０の各構成を運用および制御することができる。

計画装置７０による計画の出力後または時刻ｔ４から時刻ｔ５の期間の経過後に、計画の生成を継続する場合（Ｓ５８０：Ｎｏ）、Ｓ５３０に戻り、計画装置７０は学習モデルを適応学習する。この場合、取得部１００は、当該時刻ｔ４から時刻ｔ５の期間において対象の装置の稼働によって推移する因子の情報を順次取得し、記憶部１１０に順次記憶させる。即ち、計画装置７０は、時刻ｔ４から時刻ｔ５の期間の情報を過去の情報に含め、対象期間を時刻ｔ４から時刻ｔ５の期間よりも後の期間とする。

そして、計画装置７０は、モデルの適応学習を繰り返し、一定期間の経過に応じてモデルを更新して、計画を生成して出力する。このように、本実施形態に係る計画装置７０は、対象期間の計画の生成と、当該対象期間のシステム１０の稼働とを繰り返すことにより、学習モデルを更新しつつ計画を継続して出力できる。

以上の計画装置７０の動作フローにおいて、時刻ｔ０～ｔ５の順に、計画装置７０を時系列に動作させる例を説明した。ここで、各期間は、時間的に連続した期間でよい。

本実施形態に係る計画装置７０は、システム１０における各構成の動作を学習によって予測し、水素を低コストで効率的に供給可能な計画を作成できる。

なお、計画装置７０は、稼働計画モデル生成部４４０と、稼働計画モデル更新部４５０と、稼働計画部４６０と、貯蔵計画モデル生成部４７０と、貯蔵計画モデル更新部４８０と、貯蔵計画部４９０とを有さなくてもよく、この場合、計画装置７０は、輸送計画を生成してよい。また、計画装置７０は、輸送計画モデル生成部４１０と、輸送計画モデル更新部４２０と、輸送計画部４３０と、貯蔵計画モデル生成部４７０と、貯蔵計画モデル更新部４８０と、貯蔵計画部４９０とを有さなくてもよく、この場合、計画装置７０は、稼働計画を生成してよい。

また、計画装置７０は、予測部１２０の少なくとも１つの構成を有さなくてもよく、この場合、外部の装置から供給された予測結果を用いて計画を生成してよい。また、計画装置７０は、システム１０における水素生成装置３０の数を増やすまたは減らすことを提案する稼働計画、システム１０における輸送手段５０を増やすまたは減らすことを提案する輸送計画、およびシステム１０における水素貯蔵装置４０を増やすまたは減らすことを提案する貯蔵計画を生成してもよい。

また、予測部１２０の複数の構成における予測結果生成のタイミングは異なっていてよく、または同時であってもよい。計画部１３０の複数の構成における計画データ生成のタイミングは異なっていてよく、または同時であってもよい。

本発明の様々な実施形態は、フローチャートおよびブロック図を参照して記載されてよく、ここにおいてブロックは、（１）操作が実行されるプロセスの段階または（２）操作を実行する役割を持つ装置のセクションを表わしてよい。特定の段階およびセクションが、専用回路、コンピュータ可読媒体上に格納されるコンピュータ可読命令と共に供給されるプログラマブル回路、および／またはコンピュータ可読媒体上に格納されるコンピュータ可読命令と共に供給されるプロセッサによって実装されてよい。専用回路は、デジタルおよび／またはアナログハードウェア回路を含んでよく、集積回路（ＩＣ）および／またはディスクリート回路を含んでよい。プログラマブル回路は、論理ＡＮＤ、論理ＯＲ、論理ＸＯＲ、論理ＮＡＮＤ、論理ＮＯＲ、および他の論理操作、フリップフロップ、レジスタ、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、プログラマブルロジックアレイ（ＰＬＡ）等のようなメモリ要素等を含む、再構成可能なハードウェア回路を含んでよい。

コンピュータ可読媒体は、適切なデバイスによって実行される命令を格納可能な任意の有形なデバイスを含んでよく、その結果、そこに格納される命令を有するコンピュータ可読媒体は、フローチャートまたはブロック図で指定された操作を実行するための手段を作成すべく実行され得る命令を含む、製品を備えることになる。コンピュータ可読媒体の例としては、電子記憶媒体、磁気記憶媒体、光記憶媒体、電磁記憶媒体、半導体記憶媒体等が含まれてよい。コンピュータ可読媒体のより具体的な例としては、フロッピー（登録商標）ディスク、ディスケット、ハードディスク、ランダムアクセスメモリ（ＲＡＭ）、リードオンリメモリ（ＲＯＭ）、消去可能プログラマブルリードオンリメモリ（ＥＰＲＯＭまたはフラッシュメモリ）、電気的消去可能プログラマブルリードオンリメモリ（ＥＥＰＲＯＭ）、静的ランダムアクセスメモリ（ＳＲＡＭ）、コンパクトディスクリードオンリメモリ（ＣＤ-ＲＯＭ）、デジタル多用途ディスク（ＤＶＤ）、ブルーレイ（ＲＴＭ）ディスク、メモリスティック、集積回路カード等が含まれてよい。

コンピュータ可読命令は、アセンブラ命令、命令セットアーキテクチャ（ＩＳＡ）命令、マシン命令、マシン依存命令、マイクロコード、ファームウェア命令、状態設定データ、またはＳｍａｌｌｔａｌｋ、ＪＡＶＡ（登録商標）、Ｃ＋＋等のようなオブジェクト指向プログラミング言語、Ｐｙｔｈｏｎ、および「Ｃ」プログラミング言語または同様のプログラミング言語のような従来の手続型プログラミング言語を含む、１または複数のプログラミング言語の任意の組み合わせで記述されたソースコードまたはオブジェクトコードのいずれかを含んでよい。

コンピュータ可読命令は、汎用コンピュータ、特殊目的のコンピュータ、若しくは他のプログラム可能なデータ処理装置のプロセッサまたはプログラマブル回路に対し、ローカルにまたはローカルエリアネットワーク（ＬＡＮ）、インターネット等のようなワイドエリアネットワーク（ＷＡＮ）を介して提供され、フローチャートまたはブロック図で指定された操作を実行するための手段を作成すべく、コンピュータ可読命令を実行してよい。プロセッサの例としては、コンピュータプロセッサ、処理ユニット、マイクロプロセッサ、デジタル信号プロセッサ、コントローラ、マイクロコントローラ等を含む。

図６は、本発明の複数の態様が全体的または部分的に具現化されてよいコンピュータ１９００の例を示す。コンピュータ１９００にインストールされたプログラムは、コンピュータ１９００に、本発明の実施形態に係る装置に関連付けられる操作または当該装置の１または複数のセクションとして機能させることができ、または当該操作または当該１または複数のセクションを実行させることができ、および／またはコンピュータ１９００に、本発明の実施形態に係るプロセスまたは当該プロセスの段階を実行させることができる。そのようなプログラムは、コンピュータ１９００に、本明細書に記載のフローチャートおよびブロック図のブロックのうちのいくつかまたはすべてに関連付けられた特定の操作を実行させるべく、ＣＰＵ２０００によって実行されてよい。

本実施形態に係るコンピュータ１９００は、ホスト・コントローラ２０８２により相互に接続されるＣＰＵ２０００、ＲＡＭ２０２０、グラフィック・コントローラ２０７５、及び表示装置２０８０を有するＣＰＵ周辺部と、入出力コントローラ２０８４によりホスト・コントローラ２０８２に接続される通信インターフェイス２０３０、ハードディスクドライブ２０４０、及びＤＶＤドライブ２０６０を有する入出力部と、入出力コントローラ２０８４に接続されるＲＯＭ２０１０、フラッシュメモリ・ドライブ２０５０、及び入出力チップ２０７０を有するレガシー入出力部を備える。

ホスト・コントローラ２０８２は、ＲＡＭ２０２０と、高い転送レートでＲＡＭ２０２０をアクセスするＣＰＵ２０００及びグラフィック・コントローラ２０７５とを接続する。ＣＰＵ２０００は、ＲＯＭ２０１０及びＲＡＭ２０２０に格納されたプログラムに基づいて動作し、各部の制御を行う。グラフィック・コントローラ２０７５は、ＣＰＵ２０００等がＲＡＭ２０２０内に設けたフレーム・バッファ上に生成する画像データを取得し、表示装置２０８０上に表示させる。これに代えて、グラフィック・コントローラ２０７５は、ＣＰＵ２０００等が生成する画像データを格納するフレーム・バッファを、内部に含んでもよい。

入出力コントローラ２０８４は、ホスト・コントローラ２０８２と、比較的高速な入出力装置である通信インターフェイス２０３０、ハードディスクドライブ２０４０、ＤＶＤドライブ２０６０を接続する。通信インターフェイス２０３０は、有線又は無線によりネットワークを介して他の装置と通信する。また、通信インターフェイスは、通信を行うハードウェアとして機能する。ハードディスクドライブ２０４０は、コンピュータ１９００内のＣＰＵ２０００が使用するプログラム及びデータを格納する。ＤＶＤドライブ２０６０は、ＤＶＤ２０９５からプログラム又はデータを読み取り、ＲＡＭ２０２０を介してハードディスクドライブ２０４０に提供する。

また、入出力コントローラ２０８４には、ＲＯＭ２０１０と、フラッシュメモリ・ドライブ２０５０、及び入出力チップ２０７０の比較的低速な入出力装置とが接続される。ＲＯＭ２０１０は、コンピュータ１９００が起動時に実行するブート・プログラム、及び／又は、コンピュータ１９００のハードウェアに依存するプログラム等を格納する。フラッシュメモリ・ドライブ２０５０は、フラッシュメモリ２０９０からプログラム又はデータを読み取り、ＲＡＭ２０２０を介してハードディスクドライブ２０４０に提供する。入出力チップ２０７０は、フラッシュメモリ・ドライブ２０５０を入出力コントローラ２０８４へと接続するとともに、例えばパラレル・ポート、シリアル・ポート、キーボード・ポート、マウス・ポート等を介して各種の入出力装置を入出力コントローラ２０８４へと接続する。

ＲＡＭ２０２０を介してハードディスクドライブ２０４０に提供されるプログラムは、フラッシュメモリ２０９０、ＤＶＤ２０９５、又はＩＣカード等の記録媒体に格納されて利用者によって提供される。プログラムは、記録媒体から読み出され、ＲＡＭ２０２０を介してコンピュータ１９００内のハードディスクドライブ２０４０にインストールされ、ＣＰＵ２０００において実行される。これらのプログラム内に記述される情報処理は、コンピュータ１９００に読み取られ、ソフトウェアと、上記様々なタイプのハードウェア資源との間の協働をもたらす。装置または方法が、コンピュータ１９００の使用に従い情報の操作または処理を実現することによって構成されてよい。

一例として、コンピュータ１９００と外部の装置等との間で通信を行う場合には、ＣＰＵ２０００は、ＲＡＭ２０２０上にロードされた通信プログラムを実行し、通信プログラムに記述された処理内容に基づいて、通信インターフェイス２０３０に対して通信処理を指示する。通信インターフェイス２０３０は、ＣＰＵ２０００の制御を受けて、ＲＡＭ２０２０、ハードディスクドライブ２０４０、フラッシュメモリ２０９０、又はＤＶＤ２０９５等の記憶装置上に設けた送信バッファ領域等に記憶された送信データを読み出してネットワークへと送信し、もしくは、ネットワークから受信した受信データを記憶装置上に設けた受信バッファ領域等へと書き込む。このように、通信インターフェイス２０３０は、ＤＭＡ（ダイレクト・メモリ・アクセス）方式により記憶装置との間で送受信データを転送してもよく、これに代えて、ＣＰＵ２０００が転送元の記憶装置又は通信インターフェイス２０３０からデータを読み出し、転送先の通信インターフェイス２０３０又は記憶装置へとデータを書き込むことにより送受信データを転送してもよい。

また、ＣＰＵ２０００は、ハードディスクドライブ２０４０、ＤＶＤドライブ２０６０（ＤＶＤ２０９５）、フラッシュメモリ・ドライブ２０５０（フラッシュメモリ２０９０）等の外部記憶装置に格納されたファイルまたはデータベース等の中から、全部または必要な部分をＤＭＡ転送等によりＲＡＭ２０２０へと読み込ませ、ＲＡＭ２０２０上のデータに対して各種の処理を行う。そして、ＣＰＵ２０００は、処理を終えたデータを、ＤＭＡ転送等により外部記憶装置へと書き戻す。このような処理において、ＲＡＭ２０２０は、外部記憶装置の内容を一時的に保持するものとみなせるから、本実施形態においてはＲＡＭ２０２０及び外部記憶装置等をメモリ、記憶部、または記憶装置等と総称する。

本実施形態における各種のプログラム、データ、テーブル、データベース等の各種の情報は、このような記憶装置上に格納されて、情報処理の対象となる。なお、ＣＰＵ２０００は、ＲＡＭ２０２０の一部をキャッシュメモリに保持し、キャッシュメモリ上で読み書きを行うこともできる。このような形態においても、キャッシュメモリはＲＡＭ２０２０の機能の一部を担うから、本実施形態においては、区別して示す場合を除き、キャッシュメモリもＲＡＭ２０２０、メモリ、及び／又は記憶装置に含まれるものとする。

また、ＣＰＵ２０００は、ＲＡＭ２０２０から読み出したデータに対して、プログラムの命令列により指定された、本実施形態中に記載した各種の演算、情報の加工、条件判断、情報の検索・置換等を含む各種の処理を行い、ＲＡＭ２０２０へと書き戻す。例えば、ＣＰＵ２０００は、条件判断を行う場合においては、本実施形態において示した各種の変数が、他の変数または定数と比較して、大きい、小さい、以上、以下、等しい等の条件を満たすか否かを判断し、条件が成立した場合（又は不成立であった場合）に、異なる命令列へと分岐し、またはサブルーチンを呼び出す。

また、ＣＰＵ２０００は、記憶装置内のファイルまたはデータベース等に格納された情報を検索することができる。例えば、第１属性の属性値に対し第２属性の属性値がそれぞれ対応付けられた複数のエントリが記憶装置に格納されている場合において、ＣＰＵ２０００は、記憶装置に格納されている複数のエントリの中から第１属性の属性値が指定された条件と一致するエントリを検索し、そのエントリに格納されている第２属性の属性値を読み出すことにより、所定の条件を満たす第１属性に対応付けられた第２属性の属性値を得ることができる。

また、実施形態の説明において複数の要素が列挙された場合には、列挙された要素以外の要素を用いてもよい。例えば、「Ｘは、Ａ、Ｂ及びＣを用いてＹを実行する」と記載される場合、Ｘは、Ａ、Ｂ及びＣに加え、Ｄを用いてＹを実行してもよい。

以上、本発明を実施の形態を用いて説明したが、本発明の技術的範囲は上記実施の形態に記載の範囲には限定されない。上記実施の形態に、多様な変更または改良を加えることが可能であることが当業者に明らかである。その様な変更または改良を加えた形態も本発明の技術的範囲に含まれ得ることが、請求の範囲の記載から明らかである。

請求の範囲、明細書、および図面中において示した装置、システム、プログラム、および方法における動作、手順、ステップ、および段階等の各処理の実行順序は、特段「より前に」、「先立って」等と明示しておらず、また、前の処理の出力を後の処理で用いるのでない限り、任意の順序で実現しうることに留意すべきである。請求の範囲、明細書、および図面中の動作フローに関して、便宜上「まず、」、「次に、」等を用いて説明したとしても、この順で実施することが必須であることを意味するものではない。

１０ システム
２０ 再生可能エネルギー発電設備
３０ 水素生成装置
４０ 水素貯蔵装置
５０ 輸送手段
６０ 水素ステーション
７０ 計画装置
８０ 電力系統
９０ 消費手段
１００ 取得部
１１０ 記憶部
１２０ 予測部
１３０ 計画部
１４０ 出力部
１５０ 管理装置
２００ 稼働予測モデル生成部
２１０ 稼働予測モデル更新部
２２０ 稼働予測部
２３０ 需要予測モデル生成部
２４０ 需要予測モデル更新部
２５０ 需要予測部
２６０ 発電量予測モデル生成部
２７０ 発電量予測モデル更新部
２８０ 発電量予測部
２９０ 電気料金予測モデル生成部
３００ 電気料金予測モデル更新部
３１０ 電気料金予測部
３２０ 消費予測モデル生成部
３３０ 消費予測モデル更新部
３４０ 消費予測部
３５０ 貯蔵量予測モデル生成部
３６０ 貯蔵量予測モデル更新部
３７０ 貯蔵量予測部
３８０ 輸送予測モデル生成部
３９０ 輸送予測モデル更新部
４００ 輸送予測部
４１０ 輸送計画モデル生成部
４２０ 輸送計画モデル更新部
４３０ 輸送計画部
４４０ 稼働計画モデル生成部
４５０ 稼働計画モデル更新部
４６０ 稼働計画部
４７０ 貯蔵計画モデル生成部
４８０ 貯蔵計画モデル更新部
４９０ 貯蔵計画部
１９００ コンピュータ
２０００ ＣＰＵ
２０１０ ＲＯＭ
２０２０ ＲＡＭ
２０３０ 通信インターフェイス
２０４０ ハードディスクドライブ
２０５０ フラッシュメモリ・ドライブ
２０６０ ＤＶＤドライブ
２０７０ 入出力チップ
２０７５ グラフィック・コントローラ
２０８０ 表示装置
２０８２ ホスト・コントローラ
２０８４ 入出力コントローラ
２０９０ フラッシュメモリ
２０９５ ＤＶＤ

Claims (23)

1. 水素を生成する複数の水素生成装置のそれぞれの稼働予測を、稼働予測モデルを用いて生成する稼働予測部と、
   複数の水素ステーションのそれぞれにおける水素の需要予測を、需要予測モデルを用いて生成する需要予測部と、
   前記複数の水素生成装置で生成された水素を前記複数の水素ステーションに輸送する輸送計画を、輸送計画モデルを用いて、前記複数の水素生成装置のそれぞれの稼働予測および前記複数の水素ステーションのそれぞれの需要予測を含む輸送計画因子に基づいて生成する輸送計画部と、
   前記複数の水素生成装置が生成した水素を貯蔵する複数の水素貯蔵装置のそれぞれにおける水素の貯蔵量予測を、貯蔵量予測モデルを用いて生成する貯蔵量予測部と、
   前記複数の水素生成装置、前記複数の水素貯蔵装置、前記複数の水素貯蔵装置のそれぞれと前記複数の水素ステーションのそれぞれとの間の輸送手段、および前記複数の水素ステーションを含む連携システムの生産性を評価する評価指標に基づいて、前記輸送計画モデルを学習により更新する輸送計画モデル更新部とを備え、
   前記輸送計画部は、前記複数の水素貯蔵装置のそれぞれと前記複数の水素ステーションのそれぞれとの間における水素の輸送計画を、前記輸送計画モデルを用いて、前記複数の水素貯蔵装置のそれぞれにおける水素の貯蔵量予測を更に含む前記輸送計画因子に基づいて生成し、
   前記評価指標は、前記連携システムの運営コスト、売上、および利益、並びに、前記連携システムが供給する水素の単位量当たりの原価のそれぞれに重みをかけて和をとった重み付け和の目的関数で算出される
   計画装置。
2. 複数の再生可能エネルギー発電設備のそれぞれについて、再生可能エネルギーの発電量予測を、発電量予測モデルを用いて生成する発電量予測部を更に備え、
   前記稼働予測部は、再生可能エネルギーを用いる前記複数の水素生成装置のそれぞれの稼働予測を、前記複数の再生可能エネルギー発電設備のそれぞれの発電量予測に基づいて生成する
   請求項１に記載の計画装置。
3. 電気料金予測モデルを用いて、再生可能エネルギーの電気料金予測を生成する電気料金予測部を更に備え、
   前記稼働予測部は、前記電気料金予測を含む稼働予測因子に基づいて、前記複数の水素生成装置のそれぞれの稼働予測を生成する
   請求項２に記載の計画装置。
4. 前記電気料金予測モデルは、予測対象期間より前における、電気料金、電力需要量、電力供給量、再生可能エネルギー発電量、天気情報、および、前記発電量予測部による再生可能エネルギーの発電量予測の少なくとも１つを含む電気料金予測因子に基づいて、再生可能エネルギーの電気料金予測を算出する請求項３に記載の計画装置。
5. 電気料金の実績値を用いて、前記電気料金予測モデルを学習により更新する電気料金予測モデル更新部を更に備える請求項３または４に記載の計画装置。
6. 前記稼働予測因子は、予測対象期間より前における、前記複数の水素生成装置の稼働量、前記複数の水素生成装置が生成した水素を貯蔵する複数の水素貯蔵装置における水素の貯蔵量、前記複数の水素貯蔵装置からの水素の輸送量、前記複数の水素ステーションのそれぞれにおける水素の需要量、および、前記予測対象期間の前記電気料金予測の少なくとも１つを更に含む請求項３から５のいずれか一項に記載の計画装置。
7. 前記複数の水素生成装置の稼働量の実績値を用いて、前記稼働予測モデルを学習により更新する稼働予測モデル更新部を更に備える請求項１から６のいずれか一項に記載の計画装置。
8. 前記複数の水素ステーションのそれぞれにおける水素の消費予測を、消費予測モデルを用いて生成する消費予測部を更に備え、
   前記需要予測部は、前記複数の水素ステーションのそれぞれにおける水素の需要予測を、各水素ステーションにおける水素の消費予測を含む需要予測因子に基づいて予測する
   請求項１から７のいずれか一項に記載の計画装置。
9. 前記消費予測モデルは、予測対象期間より前における、前記複数の水素ステーションのそれぞれにおける水素の需要量、前記複数の水素ステーションのそれぞれにおける水素の消費量、天気情報、および前記複数の水素ステーションのそれぞれから供給される水素を利用して提供されるサービスの水素使用量に関する因子の少なくとも１つを更に含む消費予測因子に基づいて、前記予測対象期間中における前記複数の水素ステーションの水素の消費予測を算出する請求項８に記載の計画装置。
10. 前記複数の水素ステーションのそれぞれにおける水素の消費量の実績値を用いて、前記消費予測モデルを学習により更新する消費予測モデル更新部を更に備える請求項９に記載の計画装置。
11. 前記需要予測モデルは、前記予測対象期間より前における、前記複数の水素ステーションのそれぞれにおける水素の需要量、および前記複数の水素ステーションのそれぞれにおける水素の消費量の少なくとも１つを更に含む前記需要予測因子に基づいて、前記予測対象期間における前記複数の水素ステーションのそれぞれについての水素の需要予測を算出する請求項９または１０に記載の計画装置。
12. 前記複数の水素ステーションのそれぞれにおける水素の需要量の実績値を用いて、前記需要予測モデルを学習により更新する需要予測モデル更新部を更に備える請求項１から１１のいずれか一項に記載の計画装置。
13. 前記貯蔵量予測モデルは、予測対象期間における前記複数の水素貯蔵装置の水素の貯蔵量を、前記予測対象期間より前における、前記複数の水素生成装置の稼働量、前記複数の水素貯蔵装置における水素の貯蔵量、前記複数の水素貯蔵装置からの水素の輸送量、前記複数の水素ステーションのそれぞれにおける水素の需要量、および前記複数の水素生成装置の稼働予測の少なくとも１つを含む貯蔵量予測因子に基づいて予測する請求項１から１２のいずれか一項に記載の計画装置。
14. 前記複数の水素貯蔵装置の水素の貯蔵量の実績値を用いて、前記貯蔵量予測モデルを学習により更新する貯蔵量予測モデル更新部を更に備える請求項１から１３のいずれか一項に記載の計画装置。
15. 前記輸送計画因子は、予測対象期間より前における、前記複数の水素生成装置のそれぞれの稼働量、前記複数の水素貯蔵装置のそれぞれにおける水素の貯蔵量、および前記複数の水素ステーションのそれぞれにおける水素の需要量の少なくとも１つを更に含む請求項１から１４のいずれか一項に記載の計画装置。
16. 前記評価指標は、前記連携システムの運営コスト、売上、および利益、並びに、前記連携システムが供給する水素の単位量当たりの原価の少なくとも１つに基づく請求項１から１５のいずれか一項に記載の計画装置。
17. 前記複数の水素生成装置のそれぞれの稼働予測および前記複数の水素ステーションのそれぞれにおける水素の需要予測の少なくとも１つを含む輸送予測因子に基づいて、輸送予測モデルを用いて、前記複数の水素生成装置および前記複数の水素ステーションの間で水素を輸送する輸送計画の予測である輸送予測を生成する輸送予測部を更に備える請求項１から１６のいずれか一項に記載の計画装置。
18. 前記複数の水素生成装置および前記複数の水素ステーションの間における水素の輸送予測を含む稼働計画因子に基づいて、稼働計画モデルを用いて、前記複数の水素生成装置のそれぞれの稼働計画を生成する稼働計画部を更に備える請求項１７に記載の計画装置。
19. 前記評価指標に基づいて、前記稼働計画モデルを学習により更新する稼働計画モデル更新部を更に備える、請求項１８に記載の計画装置。
20. 前記複数の水素生成装置が生成した水素を貯蔵する複数の水素貯蔵装置のそれぞれにおける水素の貯蔵計画を、貯蔵計画モデルを用いて、前記複数の水素生成装置のうち対応する水素生成装置の稼働予測、並びに前記複数の水素生成装置および前記複数の水素ステーションの間における水素の輸送予測を含む貯蔵計画因子に基づいて生成する貯蔵計画部を更に備える請求項１７から１９のいずれか一項に記載の計画装置。
21. 前記評価指標に基づいて、前記貯蔵計画モデルを学習により更新する貯蔵計画モデル更新部を更に備える、請求項２０に記載の計画装置。
22. 水素を生成する複数の水素生成装置のそれぞれの稼働予測を、稼働予測モデルを用いて生成する段階と、
    複数の水素ステーションのそれぞれにおける水素の需要予測を、需要予測モデルを用いて生成する段階と、
    前記複数の水素生成装置で生成された水素を前記複数の水素ステーションに輸送する輸送計画を、輸送計画モデルを用いて、前記複数の水素生成装置のそれぞれの稼働予測および前記複数の水素ステーションのそれぞれの需要予測を含む輸送計画因子に基づいて生成する段階と、
    前記複数の水素生成装置が生成した水素を貯蔵する複数の水素貯蔵装置のそれぞれにおける水素の貯蔵量予測を、貯蔵量予測モデルを用いて生成する段階と、
    前記複数の水素生成装置、前記複数の水素貯蔵装置、前記複数の水素貯蔵装置のそれぞれと前記複数の水素ステーションのそれぞれとの間の輸送手段、および前記複数の水素ステーションを含む連携システムの生産性を評価する評価指標に基づいて、前記輸送計画モデルを学習により更新する段階とを備え、
    前記輸送計画を生成する段階は、前記複数の水素貯蔵装置のそれぞれと前記複数の水素ステーションのそれぞれとの間における水素の輸送計画を、前記輸送計画モデルを用いて、前記複数の水素貯蔵装置のそれぞれにおける水素の貯蔵量予測を更に含む前記輸送計画因子に基づいて生成する段階を有し、
    前記評価指標は、前記連携システムの運営コスト、売上、および利益、並びに、前記連携システムが供給する水素の単位量当たりの原価のそれぞれに重みをかけて和をとった重み付け和の目的関数で算出される
    計画方法。
23. コンピュータにより実行され、前記コンピュータを、
    水素を生成する複数の水素生成装置のそれぞれの稼働予測を、稼働予測モデルを用いて生成する稼働予測部と、
    複数の水素ステーションのそれぞれにおける水素の需要予測を、需要予測モデルを用いて生成する需要予測部と、
    前記複数の水素生成装置で生成された水素を前記複数の水素ステーションに輸送する輸送計画を、輸送計画モデルを用いて、前記複数の水素生成装置のそれぞれの稼働予測および前記複数の水素ステーションのそれぞれの需要予測を含む輸送計画因子に基づいて生成する輸送計画部と、
    前記複数の水素生成装置が生成した水素を貯蔵する複数の水素貯蔵装置のそれぞれにおける水素の貯蔵量予測を、貯蔵量予測モデルを用いて生成する貯蔵量予測部と、
    前記複数の水素生成装置、前記複数の水素貯蔵装置、前記複数の水素貯蔵装置のそれぞれと前記複数の水素ステーションのそれぞれとの間の輸送手段、および前記複数の水素ステーションを含む連携システムの生産性を評価する評価指標に基づいて、前記輸送計画モデルを学習により更新する輸送計画モデル更新部と
    して機能させ、
    前記輸送計画部は、前記複数の水素貯蔵装置のそれぞれと前記複数の水素ステーションのそれぞれとの間における水素の輸送計画を、前記輸送計画モデルを用いて、前記複数の水素貯蔵装置のそれぞれにおける水素の貯蔵量予測を更に含む前記輸送計画因子に基づいて生成し、
    前記評価指標は、前記連携システムの運営コスト、売上、および利益、並びに、前記連携システムが供給する水素の単位量当たりの原価のそれぞれに重みをかけて和をとった重み付け和の目的関数で算出される
    計画プログラム。

Images