JP7219808B2 - 計画装置、稼働計画の生成方法、水素製造方法、およびプログラム - Google Patents

Description

本発明は、計画装置、稼働計画の生成方法、水素製造方法、およびプログラムに関する。

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等が知られている。また、天気および風力といった電力の供給コストに応じて、料金が変動する電力供給システムが知られている。

解決しようとする課題

このような水素生成装置等は、電気料金が安い時間帯で稼働率を高め、電気料金が高い時間帯では稼働率を低減させることで水素の製造コストを低減させることが望ましい。そこで、水素生成装置は、例えば、変動する電気料金と閾値とを比較して、比較結果に応じて稼働率を制御して製造コストを低減させることが考えられる。しかしながら、例えば１日といった一定期間毎に供給すべき水素の量が定められていることがある。この場合、当該一定期間の間に、水素を十分に生成できるほど電気料金の安い時間帯が発生しないことがある。したがって、閾値等を用いて製造装置を制御しても、一定の期間の間に水素の製造量が不足してしまうこと、または、結局高い電気料金の時間帯で水素を生成させなければならなくなってしまうこと等が発生していた。

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、計画装置を提供する。計画装置は、対象期間における複数の電気調達元の電気料金の推移を対象期間よりも前に入手可能な第１因子の値に基づいて予測する電気料金予測モデルを用いて、将来の電気料金の推移を予測する電気料金予測部を備える。計画装置は、予測された将来の電気料金の推移に基づいて、将来の第１期間における電解装置の稼働計画を生成する稼働計画生成部を備える。

電気料金予測部は、複数の電気調達元のそれぞれの将来の電気料金の推移を、対応する第１因子の値に基づいて予測してよい。電気料金予測部は、複数の電気調達元のそれぞれに対応する複数の電気料金予測モデルを用いて、各電気調達元の将来の電気料金の推移を予測してよい。電気料金予測部は、将来の電気料金の確率分布を予測してよい。電気料金予測モデルは、対象期間よりも前の、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、再生可能エネルギー発電量の予測値、各電気調達元からの電力購入量、および天気情報の少なくとも１つを含む第１因子の値に基づいて、対象期間における電気料金の推移を予測してよい。

計画装置は、過去期間における第１因子の値と過去期間以降の電気料金の現実の推移とに基づいて、電気料金予測モデルを学習により更新する第１モデル更新部を備えてよい。稼働計画生成部は、対象期間における稼働計画を、対象期間よりも前に入手可能な第２因子の値と対象期間における電気料金の推移の予測結果とに基づいて生成する稼働計画生成モデルを用いて、将来の第１期間における電解装置の稼働計画を生成する第１稼働計画生成部を有してよい。

稼働計画生成モデルは、対象期間よりも前の、電解装置の稼働データ、各電気調達元との契約条件、各電気調達元の信頼度、複数の電気調達元の少なくとも１つの固定の電気料金、および電解装置の生成物貯蔵量の少なくとも１つを含む第２因子の値と、対象期間における電気料金の推移の予測結果とに基づいて、対象期間における電解装置の稼働計画を生成してよい。計画装置は、対象期間における発電装置の再生可能エネルギー発電量の推移を対象期間よりも前に入手可能な発電量予測因子の値に基づいて予測する発電量予測モデルを用いて、将来の再生可能エネルギー発電量の推移を予測する発電量予測部を有してよい。稼働計画生成部は、さらに予測された将来の再生可能エネルギー発電量の推移に基づいて稼働計画を生成してよい。

計画装置は、稼働計画を用いて、電解装置を稼働させる制御を行う制御部を備えてよい。制御部は、稼働計画上は電解装置を稼働させない予定の期間において、複数の電気調達元のうち少なくとも１つの電気料金が予測よりも低くなったことに応じて、より高い電気料金で将来電解装置を稼働させる代わりに当該期間において電解装置を稼働させてよい。電解装置は、電気分解によって水素を生成する水素生成装置であってよい。

本発明の第２の態様においては、計画装置を提供する。計画装置は、対象期間における電気料金の確率分布を対象期間よりも前に入手可能な第１因子の値に基づいて予測する電気料金予測モデルを用いて、将来の電気料金の確率分布を予測する電気料金予測部を備える。計画装置は、予測された将来の電気料金の確率分布に基づいて、将来の第１期間における電解装置の稼働計画を生成する稼働計画生成部を備える。

本発明の第３の態様においては、電解装置の稼働計画の生成方法を提供する。生成方法は、対象期間における複数の電気調達元の電気料金の推移を対象期間よりも前に入手可能な第１因子の値に基づいて予測する電気料金予測モデルを用いて、将来の電気料金の推移を予測することを備える。生成方法は、予測された将来の電気料金の推移に基づいて、将来の第１期間における電解装置の稼働計画を生成することを備える。

本発明の第４の態様においては、コンピュータに、第１または第２の態様における計画装置として機能させるプログラムを提供する。

本発明の第５の態様においては、水素製造方法を提供する。水素製造方法は、電気料金予測部が、対象期間における複数の電気調達元の電気料金の推移を対象期間よりも前に入手可能な第１因子の値に基づいて予測する電気料金予測モデルを用いて、将来の電気料金の推移を予測する。水素製造方法は、稼働計画生成部が、予測された将来の電気料金の推移に基づいて、将来の第１期間における水素生成装置の稼働計画を生成する。水素製造方法は、水素生成装置が、稼働計画に基づいて水素を生成する。

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。

本実施形態に係る計画装置１００の第１構成例を電解装置１０００と共に示す。 本実施形態に係る計画装置１００の第２構成例を示す。 本実施形態に係る第２構成例の計画装置１００の動作フローの一例を示す。 本実施形態に係る計画装置１００の第３構成例を示す。 本実施形態に係る計画装置１００の第４構成例を示す。 本実施形態に係る計画装置１００の第５構成例を示す。 本実施形態に係る第２稼働計画生成部５１０の動作フローの一例を示す。 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うるコンピュータ１２００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、本実施形態に係る計画装置１００の構成例を、電解装置１０００および複数の電気調達元１０１０（１）～１０１０（ｎ）（ｎ≧２）（以下、単に「電気調達元１０１０」とも示す）と共に示す。計画装置１００は、電解装置１０００の将来の第１期間における稼働計画を生成する。計画装置１００は、生成した稼働計画に応じて複数の電気調達元１０１０からの電力を用いて電解装置１０００を稼働させ、電解装置１０００が生成物を生成する製造コストを低減させる。なお、第１期間は、数日、十数日、数週間、または数十日等の予め定められた期間でよい。

ここで、電解装置１０００は、電力系統の送電網を介してまたは直接、複数の電気調達元１０１０に接続される。電解装置１０００は、複数の電気調達元１０１０からの電気エネルギーを用いて生成物を生成する装置でよい。電解装置１０００は、例えば、電気分解によって水素を生成する水素生成装置である。また、複数の電気調達元１０１０は、例えば、火力発電施設等により発電した電力を供給する電力会社、再生可能エネルギー等により発電した電力を供給する発電装置、および蓄電装置のうちの複数であってよい。

計画装置１００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１００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１００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。

計画装置１００が生成する稼働計画は、例えば、第１期間における、電解装置１０００の稼働すべき状態を記述したテーブルまたはデータ等である。稼働計画は、電解装置１０００を稼働させる（稼働させない）時間帯、および／または、電解装置１０００の時間帯毎の稼働率等を定めたテーブルまたはデータ等でよい。稼働計画は、さらに、電解装置１０００を稼働させる期間における複数の電気調達元１０１０の電力供給の配分、および各電気調達元１０１０の電力供給のタイミングの少なくとも１つを含んでよい。また、稼働計画は、後述のように、電気調達元１０１０と複数の契約条件で契約を結んでいる場合、電気調達元１０１０から各契約条件に応じて電力供給を受ける配分、および電気調達元１０１０から各契約条件に応じて電力供給を受けるタイミングの少なくとも１つを含んでよい。計画装置１００は、取得部１０と、記憶部２０と、モデル生成部３０と、学習処理部４０と、稼働計画生成部５０と、制御部６０とを備える。

取得部１０は、学習に用いるパラメータおよび学習データ等を取得する。取得部１０は、例えば、将来の予め定められた対象期間において目標とすべき電解装置１０００の稼働計画と、対象期間よりも前に入手可能な因子の値とを含む学習データを取得する。対象期間は、将来における予め定められた期間である。対象期間は、第１期間を含む期間でよい。取得部１０は、対象期間よりも前に入手可能な電気料金に関するパラメータを第１因子として取得してよい。また、取得部１０は、対象期間よりも前に入手可能な電解装置１０００に関するパラメータを第２因子として取得してよい。

取得部１０は、電解装置１０００および複数の電気調達元１０１０等に接続され、学習に用いるパラメータおよび学習データ等を取得してよい。取得部１０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１０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て、取得してよい。また、取得部１０は、取得したデータを、記憶部２０に供給してよい。

記憶部２０は、取得部１０が取得した情報を記憶する。記憶部２０は、当該計画装置１００が処理するデータを記憶可能でよい。記憶部２０は、計画装置１００が稼働計画を生成する過程で算出する（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２０は、計画装置１００内の各部の要求に応じて、記憶したデータを要求元に供給してよい。記憶部２０は、一例として、モデル生成部３０の要求に応じて、記憶したデータを当該モデル生成部３０に供給する。

モデル生成部３０は、計画装置１００が学習する学習モデルを生成する。モデル生成部３０は、第１因子および第２因子等に応じて、学習モデルを生成する。モデル生成部３０は、１または複数の学習モデルを生成してよい。モデル生成部３０は、生成した学習モデルを学習処理部４０に供給する。

学習処理部４０は、取得された学習データに基づいて、生成した学習モデルを学習する。学習処理部４０は、強化学習を実行して、学習モデルを更新してよい。学習処理部４０は、１または複数の学習モデルを更新してよい。学習処理部４０は、更新した学習モデルを稼働計画生成部５０に供給する。

稼働計画生成部５０は、将来の第１期間における電解装置の稼働計画を生成する。稼働計画生成部５０は、例えば、第１期間において、電解装置１０００が生成すべき量（供給計画の水素量）の生成物を生成しつつ、生成物の製造コストを最小化または低減させる稼働計画を生成する。稼働計画生成部５０は、電気調達元１０１０との契約条件、および電気調達元１０１０の信頼度の少なくともいずれかを含む第２因子の値と、電気料金予測部１３０の予測する電気料金の推移の予測結果とに基づいて、将来の第１期間における複数の電気調達元１０１０の電力供給の配分、および各電気調達元の電力供給のタイミングの少なくとも１つを含む稼働計画を生成してよい。

さらに、稼働計画生成部５０は、これに加えて、またはこれに代えて、例えば、第１期間において、電解装置１０００が生成すべき量（供給計画の水素量）の生成物を生成しつつ、電力供給を受けられるリスクを最小化または低減させる稼働計画を生成する。稼働計画生成部５０が、上記のような稼働計画を生成することで、複数の電気調達元１０１０から供給を受けられる電力量または電気料金に変動が生じる場合であっても、需要を満たせるだけの生成物を生成する可能性を高くすることができる。これは、電気調達元１０１０が主に発電量が不安定な発電源を有している場合や、電気調達元１０１０と複数の契約条件を含む契約を結んでいる場合に特に有効である。稼働計画生成部５０は、生成した稼働計画を制御部６０に供給する。

さらに、稼働計画生成部５０は複数の電気調達元１０１０から電力供給を受けられるリスクを示す電力供給リスクを算出してもよい。この場合、稼働計画生成部５０は複数の電気調達元１０１０のそれぞれに対して電力供給リスクを算出してもよいし、複数の電気調達元の内の少なくとも一部に対して一括して電力供給リスクを算出してもよい。また、電気調達元１０１０と複数の契約条件を含む契約を結んでいる場合、各契約条件ごとに電力供給リスクを算出してよい。

稼働計画生成部５０は、電力供給量の確率分布を算出することで電力供給リスクを算出してよい。稼働計画生成部５０は、上記電力供給量の確率分布を、電気調達元１０１０との間の一または複数の契約条件、電気調達元１０１０が存在する地域、総発電容量、発電量の変化量、発電源等の内の少なくともいずれかに基づいて算出してよい。さらに、稼働計画生成部５０は、これに加えて、またはこれらに代えて、要求電力量を供給できる可能性、過去に要求した電力量のうちの供給できなかった電力量の割合等の内の少なくともいずれかに基づいて電力供給量の確率分布を算出してよい。稼働計画生成部５０は、上記電力供給量の確率分布を算出するために用いるデータとして、各電気調達元が公表したものを用いてもよいし、ユーザが独自に記録したものを用いてもよい。稼働計画生成部５０は、これらのデータと電気調達元１０１０からの電力供給量とを含む教師データを用いて、上述の取得部１０、記憶部２０、モデル生成部３０により電力供給量の確率分布を出力する学習モデルを生成してよい。

なお、電気調達元１０１０が存在する地域としては、例えば、「１：ドイツ、２：フランス」のように、国や地域等に番号を割り当てることによりデータとして使用してよい。電気調達元１０１０が要求電力量を供給できる可能性としては、例えば、「１００％供給可能性：８０％、８０％供給可能性：８５％、６０％供給可能性：９０％、４０％供給可能性：１００％」のように、要求した電力の内、供給できる割合ごとに可能性ごとに確率を割り当てたデータを使用してよい。発電源としては、「１：風力、２：地熱」のように、発電源の種類ごとに番号を割り当てたものを使用してよい。

さらに、稼働計画生成部５０は、上記電力供給リスクとして、電力供給量の確率分布に加えて、または代えて、複数の電力調達元１０１０の供給継続性を算出してよい。稼働計画生成部５０は、上記供給継続性を、複数の電力調達元１０１０の事業規模、売上、利益、電気料金等の内の少なくともいずれかに基づいて算出してよい。上記事業規模としては、例えば、従業員数、資本金等を用いてよい。

稼働計画生成部５０は、制約を満たす稼働計画の中から予め定められた基準を満たす稼働計画を制御部６０に出力してよい。また、稼働計画生成部５０は、制約条件を満たす少なくとも一つの稼働計画を稼働計画候補として選択可能に出力する稼働計画選択部を有してもよい。稼働計画選択部は、稼働計画候補の内、ユーザ等に選択された稼働計画を制御部６０に出力してよい。

さらに、稼働計画生成部５０は、稼働計画の生成にあたって満たすべき制約を指定する制約条件指定部を有してもよい。制約条件指定部は、ユーザ等からの入力に応じて調整可能に制約条件を指定してよい。制約条件指定部は、上記制約条件として、電力購入量、水素生成量、電気料金、電力供給リスク、電気料金の変動幅等のいずれかを指定することができる。なお、例えば電気料金の変動幅は、電気料金予測部１３０の予測する電気料金の確率分布に基づいて算出されてよい。制約条件指定部は、例えば、電気料金の確率分布の標準偏差を電気料金の変動幅として用いてよい。制約条件指定部は、上記制約条件として、これらの数値の範囲（上限のみ、下限のみ指定する場合も含む）を指定してよい。また、制約条件指定部は、例えば、「Ａ：１０以上３０未満、Ｂ：３０以上５０未満」のように、各条件の範囲に予め割り当てておいた番号や記号を指定してよい。さらに、制約条件指定部は、例えば、「１０以上、好ましくは３０以上５０未満」のように、異なる条件を段階的に指定してよい。また、制約条件指定部は、上記制約条件として、許容できる割合や数値を指定してよい。制約条件指定部は、例えば、許容できる電気料金の変動幅または電力供給リスクとして、「指定した値のプラスマイナス１０％」のように、制約条件に対する幅を指定してよい。さらに、制約条件指定部は、上記制約条件として、必ず満たすべき必須条件と、必ずしも満たしている必要のない目標条件とを区別して指定してよい。また、制約条件指定部は、各制約条件に優先順位を指定してよい。さらに、制約条件指定部は、上記の制約条件をテキストボックス、スライダバー、ドロップダウンリスト等の入力機能を通じてユーザからの指定を受け付けてよい。

制御部６０は、第１期間における電解装置１０００の稼働計画を用いて、当該電解装置１０００を稼働させる制御を行う。制御部６０は、複数の電解装置１０００をそれぞれ稼働させてよい。また、制御部６０は、電解装置１０００の動作および生成部の貯蔵量等が想定とは異なる範囲となった場合に、電解装置１０００の稼働の停止および開始を指示してもよい。また、制御部６０は、電気料金が大きく変動した場合に、電解装置１０００の稼働の停止および開始を指示してもよい。

以上の本実施形態の計画装置１００によれば、複数の電気調達元１０１０の電気料金の変動に応じた電解装置１０００の稼働計画を生成することができ、予め定められた量以上の生成物を、より低い製造コストで生成することができる。このような計画装置１００のより具体的な構成例について、次に説明する。

図２は、本実施形態に係る計画装置１００の第２構成例を示す。第２構成例の計画装置１００において、図１に示された本実施形態に係る計画装置１００の動作と略同一のものには同一の符号を付け、説明を省略する。また、図２は、計画装置１００の取得部１０を省略した構成を示す。

第２構成例の計画装置１００は、複数の電気調達元１０１０にそれぞれ対応する、複数の第１モデル生成部１１０、複数の第１モデル更新部１２０、および複数の電気料金予測部１３０を備え、各電気調達元１０１０の将来の電気料金の推移を予測する。また、第２構成例の計画装置１００は、第２モデル生成部２１０、第２モデル更新部２２０、および第１稼働計画生成部２３０を備え、予測した電気料金の推移に基づいて、将来の電解装置１０００の稼働計画を生成する。この場合、モデル生成部３０が第１モデル生成部１１０および第２モデル生成部２１０を有してよく、また、学習処理部４０が第１モデル更新部１２０、電気料金予測部１３０、および第２モデル更新部２２０を有してよい。

第２構成例の記憶部２０は、取得部１０が取得した第１因子および第２因子を記憶する。第１因子は、対象期間よりも前の、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、再生可能エネルギー発電量の予測値、各電気調達元１０１０からの電力購入量、および天気情報の少なくとも１つを含む。電気料金は、電解装置１０００が設置された場所において、電解装置１０００に供給される電力に対する実際の電気料金でよい。電力需要量、電力供給量、再生可能エネルギー発電量、および再生可能エネルギー発電量の予測値は、電解装置１０００が設置された地域に電力を供給する発電所、または電解装置１０００に直接接続されて電力を供給する発電装置等の情報でよい。各電気調達元１０１０からの電力購入量は、各電気調達元１０１０からの電力の時間帯毎の購入量、所定期間における各電気調達元１０１０からの電力の購入量の累計を含んでよい。天気情報は、各電気調達元１０１０が有する発電所または発電装置等が存在する地域の情報でよい。

第１因子は、複数の電気調達元１０１０の過去の電気料金の情報に加えて、電解装置１０００が消費する電力に対する電気料金に影響を及ぼす情報を含んでよい。第１因子は、略一定時間毎の時系列の情報でよい。また、第１因子は、異なる期間における種々の情報を含んでよい。また、第１因子は、複数の電気調達元１０１０および外部の装置等から取得部１０が取得した情報を含んでよい。第１因子は、複数の電気調達元１０１０のそれぞれに関連付けられて記憶部２０に記憶されてよい。

第２因子は、対象期間よりも前の、電解装置１０００の稼働データ、各電気調達元１０１０との契約条件、各電気調達元１０１０の信頼度、発電装置の発電量、複数の電気調達元１０１０の少なくとも１つの固定の電気料金、および電解装置１０００の水素貯蔵量の少なくとも１つを含む。また、第２因子は、対象期間において電解装置１０００が生成すべき生成物の量（供給計画の水素量）、当該計画装置１００が過去に生成した電解装置１０００の稼働計画を含んでもよい。また、第２因子は、電解装置１０００の物理モデルから算出される仮想データを含んでよい。第２因子は、略一定時間毎の時系列の情報でよい。また、第２因子は、電解装置１０００から取得部１０が取得した情報を含んでよい。

ここで、電気調達元１０１０との契約条件は、電解装置１０００の事業者と電気調達元１０１０との間の電力の売買に関する契約条件であってよい。電気調達元１０１０との契約条件は、例えば、電気調達元１０１０からの電力購入量または電力購入タイミングに応じた電気料金、電力購入量の上限、下限、および電力購入量が所定量になると生じる割引、電力供給を受ける時間に応じた割引、電気調達元との契約期間に応じた割引のうちの少なくとも１つを含んでよい。さらに、電気調達元１０１０と複数の契約条件を結んでいる場合は、第２因子は、複数の契約条件を含む契約条件群を含んでよい。また、電気調達元１０１０の信頼度は、要求した電力量の全てを電解装置１０００に供給できる可能性を示すものであってよい。電気調達元１０１０の信頼度は、例えば、電気調達元１０１０の事業規模、過去に要求した電力量のうちの供給できなかった電力量の割合、電気料金の変化量、電気調達元１０１０の発電量、発電量の変化量、および発電源のうちの少なくとも１つに応じて算出されてよい。

第１因子および第２因子の情報は、時間の経過と共にそれぞれ追加または更新されてよい。例えば、取得部１０は、予め定められた期間毎に、それぞれの情報を取得して更新してよい。また、取得部１０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取得して、それぞれ追加または更新してよい。

複数の第１モデル生成部１１０（１）～１１０（ｎ）（ｎ≧２）（以下、単に「第１モデル生成部１１０」とも示す）はそれぞれ、対象期間よりも前の第１因子の値に基づいて、対象期間における電気料金の推移を予測する電気料金予測モデルを生成する。複数の第１モデル生成部１１０は、複数の電気調達元１０１０のそれぞれについて、対応する第１因子の値を用いて、互いに異なる複数の電気料金予測モデルを生成してよい。第１モデル生成部１１０は、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。第１モデル生成部１１０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。第１モデル生成部１１０は、生成した電気料金予測モデルを第１モデルとして第１モデル更新部１２０に供給する。

複数の第１モデル更新部１２０（１）～１２０（ｎ）（ｎ≧２）（以下、単に「第１モデル更新部１２０」とも示す）はそれぞれ、過去期間における第１因子の値と過去期間以降の電気料金の現実の推移とに基づいて、電気料金予測モデルを学習により更新する。複数の第１モデル更新部１２０は、それぞれ第１モデル学習部１２２を有し、第１モデル学習部１２２の学習結果に応じて、電気料金予測モデルを更新する。第１モデル更新部１２０は、例えば、予め定められた第１更新期間毎に、第１モデル学習部１２２が学習した電気料金予測モデルを、新たな電気料金予測モデルとして更新してよい。これに代えて、第１モデル更新部１２０は、第１モデル学習部１２２が予め定められた回数だけ学習したことに応じて、電気料金予測モデルを更新してもよい。

複数の第１モデル学習部１２２（１）～１２２（ｎ）（ｎ≧２）（以下、単に「第１モデル学習部１２２」とも示す）はそれぞれ、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。第１モデル学習部１２２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。第１モデル学習部１２２は、第１モデル生成部１１０が電気料金予測モデルの生成に用いた第１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。

即ち、第１モデル学習部１２２は、実際の電気料金の推移によって更新された第１因子の情報を用いて、電気料金予測モデルを学習する。第１モデル学習部１２２は、第１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。一例として、第１モデル学習部１２２は、過去期間における第１因子の値と過去期間以降の電気料金の現実の推移とに基づいて、電気料金予測モデルを学習する。第１モデル学習部１２２は、第１モデル更新部１２０の第１更新期間の間に、１または複数回の学習を実行する。複数の第１モデル更新部１２０は、更新した電気料金予測モデルを電気料金予測部１３０にそれぞれ供給する。

複数の電気料金予測部１３０（１）～１３０（ｎ）（ｎ≧２）（以下、単に「電気料金予測部１３０」とも示す）は、複数の電気調達元１０１０のそれぞれについて、対応する更新された電気料金予測モデルを用いて、将来の電気料金の推移を、対応する第１因子の値に基づいて予測する。電気料金予測部１３０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の電気料金を予測する。電気料金予測部１３０は、例えば、電気料金を予測すべき期間の直前までの期間における第１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１３０は、予測結果を稼働計画生成部５０に供給する。

電気料金予測部１３０は、対象期間における各電気調達元１０１０の時間帯毎の電気料金を予測してよく、また、対象期間における各電気調達元１０１０の将来の電気料金の確率分布を予測してもよい。電気調達元１０１０が電解装置１０００の事業者自身が所有する発電装置または蓄電装置である場合には、電気料金予測部１３０は、対象期間における電気調達元１０１０の維持費を電気料金として予測してよい。

第２モデル生成部２１０は、対象期間よりも前の第２因子の値および電気料金の推移に基づいて、稼働計画生成モデルを生成する。稼働計画生成モデルは、学習により、対象期間よりも前の第２因子の値と、対象期間における各電気調達元１０１０の電気料金の推移の予測結果とに基づいて、対象期間における電解装置１０００の稼働計画を生成するモデルとなる。なお、第２モデル生成部２１０は、過去の電気料金の推移として、第１因子の値を用いてよい。第２モデル生成部２１０は、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学習処理により、稼働計画生成モデルを生成してよい。

第２モデル生成部２１０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、稼働計画生成モデルを生成する。第２モデル生成部２１０は、生成した稼働計画生成モデルを第２モデルとして第２モデル更新部２２０に供給する。

第２モデル更新部２２０は、稼働計画生成モデルを学習により更新する。第２モデル更新部２２０は、第２モデル学習部２２２を有し、第２モデル学習部２２２の学習結果に応じて、稼働計画生成モデルを更新する。第２モデル更新部２２０は、例えば、予め定められた第２更新期間毎に、第２モデル学習部２２２が学習した稼働計画生成モデルを、新たな稼働計画生成モデルとして更新してよい。これに代えて、第２モデル更新部２２０は、第２モデル学習部２２２が予め定められた回数だけ学習したことに応じて、稼働計画生成モデルを更新してもよい。

第２モデル学習部２２２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、稼働計画生成モデルを学習してよい。第２モデル学習部２２２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、稼働計画生成モデルを学習する。第２モデル学習部２２２は、第２モデル生成部２１０が稼働計画生成モデルの生成に用いた第２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。

即ち、第２モデル学習部２２２は、実際の電気料金の推移によって更新された第１因子の情報と、実際の電解装置１０００の稼働によって更新された第２因子の情報とを用いて、稼働計画生成モデルを学習する。なお、電気料金の推移については、例えば、実際の電気料金の推移に代えて、電気料金予測部１３０の予測結果を用いてもよい。即ち、第２モデル学習部２２２は、過去期間における第２因子の値と、過去期間以降における電気料金の推移または電気料金の推移の予測結果とに基づいて、稼働計画生成モデルを学習する。

第２モデル学習部２２２は、第２因子の情報が更新されたことに応じて、稼働計画生成モデルの学習を実行してよい。第２モデル学習部２２２は、第２モデル更新部２２０の第２更新期間の間に、１または複数回の学習を実行する。第２モデル更新部２２０は、更新した稼働計画生成モデルを稼働計画生成部５０に供給する。

稼働計画生成部５０は、電気料金予測部１３０によって予測された将来の電気料金の推移に基づいて、将来の第１期間における電解装置１０００の稼働計画を生成する。稼働計画生成部５０は、第１稼働計画生成部２３０を有する。

第１稼働計画生成部２３０は、対象期間における稼働計画を、対象期間よりも前に入手可能な第２因子の値と対象期間における電気料金の推移の予測結果とに基づいて生成する稼働計画生成モデルを用いて、将来の第１期間における電解装置１０００の稼働計画を生成する。第１稼働計画生成部２３０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を第１期間として、電解装置１０００の稼働計画を生成する。第１稼働計画生成部２３０は、一例として、Ｎ日分の稼働計画を生成する。

制御部６０は、稼働計画生成部５０が生成した稼働計画に応じて、複数の電気調達元１０１０を切り替えながら電解装置１０００を稼働させる制御を行う。また、制御部６０は、電解装置１０００が稼働することによって変動する第２因子の情報を、取得部１０が取得できるように電解装置１０００を制御してもよい。

以上の本実施形態に係る計画装置１００は、電解装置１０００の稼働計画を生成する。また、計画装置１００は、電気料金を予測しつつ、電解装置１０００の稼働計画を生成する。このような計画装置１００の動作について、次に説明する。図３は、本実施形態に係る第２構成例の計画装置１００の動作フローの一例を示す。計画装置１００は、図３に示す動作フローを実行して、電解装置１０００を稼働させてよい。

まず、取得部１０は、電気料金および電解装置１０００の過去のトレンドとなる第１因子および第２因子の情報を取得する（Ｓ３１０）。取得部１０は、例えば、時刻ｔ０から時刻ｔ１における、第１因子および第２因子の情報を取得する。ここで、時刻ｔ０から時刻ｔ１の間の期間は、第１期間よりも前の第２期間とする。取得部１０は、取得した第１因子および第２因子の情報を記憶部２０に記憶する。また、取得部１０は、第１因子および第２因子の情報をモデル生成部３０に供給してもよい。

次に、モデル生成部３０は、学習モデルを生成する（Ｓ３２０）。モデル生成部３０は、第２期間の第１因子および第２因子の値に基づき、学習モデルを生成する。例えば、第１モデル生成部１１０は、第１因子の値に基づき、電気料金予測モデルを生成する。第１モデル生成部１１０は、第２期間における第１因子の値を用いて、電気料金予測モデルを生成する。

また、第２モデル生成部２１０は、第１因子および第２因子の値に基づき、稼働計画生成モデルを生成する。例えば、第２モデル生成部２１０は、第２期間における、複数の電気調達元１０１０の電気料金、電解装置１０００の稼働データ、各電気調達元１０１０との契約条件、各電気調達元１０１０の信頼度、複数の電気調達元１０１０の少なくとも１つの固定の電気料金、電解装置１０００の水素貯蔵量、および稼働計画の仮想データの少なくとも１つを用いて、稼働計画生成モデルを生成する。

また、第２モデル生成部２１０は、電解装置１０００の物理モデルに基づく仮想データを目標とすべき予測データとし、当該予測データおよび過去の電解装置１０００の稼働によって取得された実データとを比較することにより、稼働計画生成モデルを生成してよい。例えば、第２モデル生成部２１０は、目標とすべき予測データおよび過去の実データの差分が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稼働計画生成モデルを生成する。

第２モデル生成部２１０は、一例として、第２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または数週間といった期間でよい。Ｍ日間は、第１期間（Ｎ日間）と一致することが望ましい。そして、第２モデル生成部２１０は、第２期間における予測期間よりも前の期間の第１因子および第２因子の値に基づく予測期間の稼働動作の予測結果と、予測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。

この場合、第２モデル生成部２１０は、水素貯蔵量の変動範囲を０から最大貯蔵量の範囲とする（第１条件）、電解装置１０００が生成して供給する水素の量が予め定められた供給計画を満たす（第２条件）、電気代の低い電気調達元１０１０および／または時間帯を選択して電解装置１０００を稼働する（第３条件）、等といった条件を満たしながら、水素生成コストを低減させるように強化学習してよい。なお、このようなモデル生成部３０による学習モデルの生成は、電解装置１０００の稼働に伴って計画装置１００が当該電解装置１０００の実データを取得する前に、実行されてよい。

次に、学習処理部４０は、生成した学習モデルを適応学習する（Ｓ３３０）。ここで、取得部１０は、第１因子および第２因子の情報を取得してよい。取得部１０は、例えば、時刻ｔ１から時刻ｔ２における、第１因子および第２因子の情報を取得する。なお、時刻ｔ１から時刻ｔ２の間の期間は、第１期間および第２期間の間の第３期間とする。学習処理部４０は、取得部１０が新たに取得した第１因子および第２因子の情報を用いて適応学習してよい。

例えば、複数の第１モデル学習部１２２はそれぞれ、対応する第１因子の値に基づき、電気料金予測モデルを適応学習する。第１モデル学習部１２２は、第３期間における、対応する電気調達元１０１０に関する第１因子を用いて、電気料金予測モデルを適応学習してよい。第１モデル学習部１２２は、電気料金予測モデルを用いて第３期間における対応する電気調達元１０１０の電気料金等を予測した結果が、取得した第３期間の当該電気調達元１０１０の電気料金と一致するように強化学習してよい。

第１モデル学習部１２２は、一例として、第３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または数週間といった期間でよい。Ｍ日間は、第１期間（Ｎ日間）と一致することが望ましい。第１モデル学習部１２２は、一例として、第３期間における予測期間よりも前の期間の第１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差分が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。

なお、第１モデル学習部１２２は、実際の各データの取得タイミングに応じて、用いるデータおよび予測する期間を調節して、学習の精度を高めてよい。例えば、一の時刻における電力供給量に応じたデータが、当該一の時刻からずれたタイミングに取得できる場合が想定できる。このような第１因子の情報として、再生可能エネルギー発電量を例に説明する。再生可能エネルギー発電量が電力調達元１０１０から電力が供給された後に判明する場合には、一の時刻における電力供給量に応じた再生可能エネルギー発電量は、一の時刻よりも後にずれた時刻の情報となる。そこで、第１モデル学習部１２２は、第３期間における予測期間よりも前の期間の再生可能エネルギー発電量を除く第１因子の値と、予測期間の再生可能エネルギー発電量の予測値とを用いて、予測期間の電気料金等を予測してよい。

また、第２モデル学習部２２２は、第１因子および第２因子の値に基づき、稼働計画生成モデルを適用学習してよい。例えば、第２モデル学習部２２２は、第３期間における、電気料金、電解装置１０００の稼働データ、水素貯蔵量、および稼働計画の実データの少なくとも１つを用いて、稼働計画生成モデルを学習してよい。第２モデル学習部２２２は、稼働計画生成モデルを用いて第３期間における電解装置１０００の稼働動作を予測した結果と、取得した第３期間の実データの差分が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よい。

第２モデル学習部２２２は、一例として、第３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または数週間といった期間でよい。Ｍ日間は、第１期間（Ｎ日間）と一致することが望ましい。そして、第２モデル学習部２２２は、第３期間における予測期間よりも前の期間の第１因子および第２因子の値に基づく予測期間の稼働動作の予測結果と、予測期間の実データとの差分が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。

この場合、第２モデル学習部２２２は、第２モデル生成部２１０が稼働計画生成モデルの生成に用いた、第１条件、第２条件、および第３条件等を同様に用いてよい。即ち、第２モデル学習部２２２は、３つの条件を満たしつつ、水素生成コストを低減させるように稼働計画生成モデルを強化学習してよい。第２モデル学習部２２２は、例えば、Ｑ学習、ＳＡＲＳＡ法、またはモンテカルロ法等の強化学習を実行してよい。

第２モデル学習部２２２は、一例として、実施された稼働計画の実績データを用いて、稼働計画生成モデルの生成に用いた第１条件、第２条件、および第３条件等を満たしつつ、当該稼働計画の評価指標が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してよい。評価指標は、例えば、電解装置１０００の運営コスト、水素の売上、水素の利益、および水素の単位量当たりの原価のうちの複数について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、計画装置１００または外部の装置により算出されてよい。

次に、学習処理部４０は、学習モデルを更新する（Ｓ３４０）。学習処理部４０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、学習処理部４０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、生成すべき稼働計画の期間であるＮ日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。

例えば、第１モデル更新部１２０は、初期更新期間後、電気料金予測モデルを第１更新期間毎に更新する。複数の第１モデル更新部１２０はそれぞれ、互いに異なる第１更新期間毎に、または、同一の第１更新期間毎に、電気料金予測モデルを更新してよい。また、第２モデル更新部２２０は、初期更新期間後、稼働計画生成モデルを第２更新期間毎に更新する。第１更新期間および第２更新期間は、異なる期間でよく、これに代えて、略同一の期間でもよい。第１更新期間および第２更新期間は、一例として１日である。

次に、学習処理部４０は、更新した学習モデルを用いて電気料金を予測する（Ｓ３５０）。例えば、電気料金予測部１３０は、対応する電気調達元１０１０について、更新された電気料金予測モデルおよび第１因子の値を用いて、第１期間の電気料金の推移を予測する。電気料金予測部１３０は、一例として、初期更新期間に取得部１０が取得したＮ日分の第１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日分の電気料金の推移を予測する。

次に、稼働計画生成部５０は、更新された学習モデルを用いて、第１期間の電解装置１０００の稼働計画を生成する（Ｓ３６０）。例えば、第１稼働計画生成部２３０は、更新された稼働計画生成モデル、電気料金予測部１３０により生成された各電気調達元１０１０の電気料金の予測結果、および第１因子の値を用いて、第１期間の稼働計画を生成する。第１稼働計画生成部２３０は、一例として、初期更新期間に取得部１０が取得したＮ日分の第２因子の値と、初期更新期間の後のＮ日分の電気料金の推移の予測結果とを稼働計画生成モデルに適用して、初期更新期間の後のＮ日分の稼働計画を生成する。

第１稼働計画生成部２３０は、第２モデル生成部２１０が稼働計画生成モデルの生成に用いた、第１条件、第２条件、および第３条件等を同様に用いてよい。即ち、第１稼働計画生成部２３０は、３つの条件を満たしつつ、水素生成コストを低減させる稼働計画を生成してよい。第１稼働計画生成部２３０は、水素生成コストを最小化させる稼働計画を生成することが望ましい。

第１稼働計画生成部２３０は、例えば、第１期間において、電解装置１０００を稼働させる期間と、稼働させない期間とを含む稼働計画を生成する。また、第１稼働計画生成部２３０は、電解装置１０００を稼働させる期間を、当該期間に電解装置１０００に電力供給する電気調達元１０１０および電解装置１０００の稼働率と共に示す稼働計画を生成してよい。第１稼働計画生成部２３０は、時系列に稼働率が推移する稼働計画を生成することが望ましい。第１稼働計画生成部２３０は、例えば、一定時間ごとの稼働計画を生成する。第１稼働計画生成部２３０は、数十分、１時間、または数時間ごとの稼働計画を生成してよい。

第１稼働計画生成部２３０は、例えば、信頼度がより低い（例えば閾値以下）電気調達元１０１０の予測電気料金には、料金が高くなるようにより大きなオフセットを足したり、予め定められた係数（例えば、１より大きい係数）をかけてよい。また、信頼度に応じて各調達元からの調達量に上限を設けたり（例えば、信頼度が閾値以下である場合に、調達量に予め定められた上限を設ける、または、信頼度がより低い電気調達元１０１０には、調達量に、より小さな上限を設ける等）、信頼度の低い調達元からの全調達量に対する調達割合に上限を設けてもよい。これにより、第１稼働計画生成部２３０は、信頼度に応じた予測電気料金を用いて、最も電気料金が安くなる電気調達元１０１０を決定できる。

また、第１稼働計画生成部２３０は、電気料金予測部１３０が出力した各電気調達元１０１０の予測電気料金の確率分布を用いて、各稼働時間帯で電力供給を受ける電気調達元１０１０を決定してよい。第１稼働計画生成部２３０は、一例として、予測電気料金の確率分布において最も確率の高い電気料金を用いて、複数の電気調達元１０１０のうち、最も安い予測電気料金の電気調達元１０１０を決定してよい。また、第１稼働計画生成部２３０は、予測電気料金の確率分布において最も確率の高い電気料金から当該確率分布の標準偏差σ（または２σ、３σ、・・・）分高くなった場合の電気料金を用いて、複数の電気調達元１０１０のうち、最も安い予測電気料金の電気調達元１０１０を決定してよい。これにより、第１稼働計画生成部２３０は、確率分布の分散度を考慮して、確率分布において最も確率の高い電気料金から所定の確率で上振れした場合の電気料金同士を比較して、最も電気料金が安くなる確率が高い電気調達元１０１０を決定できる。

また、第１稼働計画生成部２３０は、制御部６０が複数の電解装置１０００を制御する場合、当該複数の電解装置１０００のそれぞれに対する稼働計画を生成してよい。第１稼働計画生成部２３０は、複数の電解装置１０００が略同一の電解装置である場合は、略同一の稼働計画をそれぞれ生成してよい。また、第１稼働計画生成部２３０は、制御部６０が異なる種類の電解装置、異なる時期に購入した電解装置、異なる製造メーカの電解装置、またはこれらの組み合わせを含む複数の電解装置１０００を制御する場合、それぞれの電解装置１０００に対応して、異なる稼働計画をそれぞれ生成してよい。

この場合、第２モデル生成部２１０は、複数の電解装置１０００の稼働台数毎または複数の電解装置の組み合わせ毎にそれぞれ対応する複数の稼働計画生成モデルを生成してよい。また、第２モデル学習部２２２は、複数の稼働生成モデルをそれぞれ学習してよく、第２モデル更新部２２０は、複数の稼働生成モデルをそれぞれ更新してよい。第１稼働計画生成部２３０は、複数の稼働計画生成モデルのうち、第１期間における複数の電解装置１０００の運用予定に応じた稼働計画生成モデルを用いて、第１期間における電解装置の稼働計画を生成してよい。ここで、運用予定は、電解装置１０００が満たすべき、予め定められた水素の供給計画でよい。

制御部６０は、稼働計画生成部５０が生成した稼働計画を用いて、電解装置１０００をＮ日分稼働させる（Ｓ３７０）。これにより、電解装置１０００は、第１期間において、予め定められた水素の供給計画を満たしつつ、水素生成コストを低減させるように稼働させることができる。

計画装置１００が第１期間の経過後に電解装置１０００の稼働を継続させる場合（Ｓ３８０：Ｎｏ）、Ｓ３３０に戻り、学習処理部４０は学習モデルを適応学習させる。この場合、取得部１０は、当該第１期間の第１因子の情報と、当該第１期間の電解装置１０００の稼働によって推移する第２因子の情報を順次取得し、記憶部２０に順次記憶する。即ち、計画装置１００は、第１期間の情報を過去の情報に含め、予測すべき対象期間を第１期間よりも後の期間（一例として、第４期間）とする。

そして、計画装置１００は、第１期間の情報を用いて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、第４期間の電解装置１０００の稼働計画を生成し、生成した稼働計画に応じて電解装置１０００を稼働させる。このように、本実施形態に係る計画装置１００は、電解装置１０００の対象期間の稼働計画の生成と、当該対象期間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電解装置１０００を継続して稼働できる。

以上の計画装置１００の動作フローにおいて、第２期間、第３期間、第１期間、および第４期間の順に、計画装置１００を時系列に動作させる例を説明した。ここで、第２期間、第３期間、第１期間、および第４期間は、この順に時間的に連続した期間でよい。少なくとも、第１期間および第４期間は、連続した期間であることが望ましい。

以上の本実施形態に係る計画装置１００は、複数の電気調達元１０１０の電気料金の推移および電解装置１０００の稼働状態等に応じて、稼働計画を生成することを説明した。ここで、電解装置１０００は、異常動作および故障によって稼働が停止することを回避すべく、定期的にメンテナンスすることが望ましい。この場合、電解装置１０００は、メンテナンス等に応じて一定期間停止することがあり、稼働状態が変動することがある。そこで、計画装置１００は、メンテナンス等による稼働状態の変動を加味した学習を実行してよい。このような計画装置１００について、次に説明する。

図４は、本実施形態に係る計画装置１００の第３構成例を示す。第３構成例の計画装置１００において、図２に示された第２構成例の計画装置１００の動作と略同一のものには同一の符号を付け、説明を省略する。また、図４は、計画装置１００の取得部１０を省略した構成を示す。

第３構成例の計画装置１００は、１つの第１モデル生成部１１０、１つの第１モデル更新部１２０、および１つの電気料金予測部１３０を備え、１つの電気料金予測モデルを生成して、各電気調達元１０１０の電気料金を予測する。第３構成例の第１モデル生成部１１０、第１モデル更新部１２０、および電気料金予測部１３０はそれぞれ、第２構成例の第１モデル生成部１１０、第１モデル更新部１２０、および電気料金予測部１３０と同様であってよい。第１モデル生成部１１０は、複数の電気調達元１０１０に関する第１因子を用いて１つの電気料金予測モデルを生成し、第１モデル更新部１２０は、複数の電気調達元１０１０の第１因子を用いて、当該電気料金予測モデルを学習してよい。電気料金予測部１３０は、各電気調達元１０１０の第１因子を電気料金予測モデルに適用して、対応する電気調達元１０１０の将来の電気料金を予測してよい。

第３構成例の計画装置１００は、第３モデル生成部３１０、第３モデル更新部３２０、およびメンテナンス計画生成部３３０を備え、将来の電解装置１０００のメンテナンスによる稼働状態の推移を予測する。この場合、モデル生成部３０が第３モデル生成部３１０を有してよく、また、学習処理部４０が第３モデル更新部３２０およびメンテナンス計画生成部３３０を有してよい。

第３構成例の記憶部２０は、取得部１０が第３因子を更に取得して、記憶部２０に記憶する。第３因子は、電解装置１０００の過去のメンテナンス計画を含んでよい。第３因子は、メンテナンスを実行できる人員、装置、および交換部品等の配置の情報を含んでよい。また、第３因子は、過去に電解装置１０００がメンテナンスを実行した時期、期間、内容、およびメンテナンスによる電解装置１０００の稼働率の変化等の情報を含んでよい。

また、第３構成例の計画装置１００において、取得部１０は、外部等から電解装置１０００の異常および劣化を予測する予測データを取得して第３因子の情報として記憶部２０に記憶してよい。この場合、予測データは、過去の電解装置１０００が稼働してから異常および劣化が発生するまでの期間と同等の期間で、次の異常および劣化が発生することを予想してよい。また、予測データは、異なる同型の電解装置１０００を稼働させた結果、取得された異常および劣化の履歴を、電解装置１０００の予測データとして用いてもよい。

第３モデル生成部３１０は、対象期間よりも前に入手可能な第３因子の値に基づいて、メンテナンス計画生成モデルを生成する。第３モデル生成部３１０は、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、メンテナンス計画生成モデルを生成してよい。

第３モデル生成部３１０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識別モデルとして、強化学習を実行することによって、メンテナンス計画生成モデルを生成する。なお、メンテナンス計画生成モデルは、学習により、メンテナンスを実行する人員の配置、メンテナンスのスケジュール、メンテナンスの内容、および電解装置１０００の稼働率等を含むメンテナンス計画を生成するモデルである。

第３モデル生成部３１０は、例えば、予め定められた期間において、異常または劣化が予測される場合、当該異常または劣化が発生する日時よりも前にメンテナンスを開始または完了するように、メンテナンス計画生成モデルを強化学習して生成する。なお、異常および劣化の予測に応じて、メンテナンスを開始または完了させる計画を、目標とすべき電解装置１０００のメンテナンス計画とする。

第３モデル生成部３１０は、一例として、図３で説明したＳ３２０の動作において、メンテナンス計画生成モデルを生成してよい。即ち、第３モデル生成部３１０は、第２期間の第３因子の値に基づき、メンテナンス計画生成モデルを生成する。第３モデル生成部３１０は、生成したメンテナンス計画生成モデルを第３モデルとして第３モデル更新部３２０に供給する。

第３モデル更新部３２０は、メンテナンス計画生成モデルを学習により更新する。第３モデル更新部３２０は、第３モデル学習部３２２を有し、第３モデル学習部３２２の学習結果に応じて、メンテナンス計画生成モデルを更新する。第３モデル更新部３２０は、例えば、予め定められた第３更新期間毎に、第３モデル学習部３２２が学習したメンテナンス計画生成モデルを、新たなメンテナンス計画生成モデルとして更新してよい。これに代えて、第３モデル更新部３２０は、第３モデル学習部３２２が予め定められた回数だけ学習したことに応じて、メンテナンス計画生成モデルを更新してもよい。

第３モデル学習部３２２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、メンテナンス計画生成モデルを学習してよい。第３モデル学習部３２２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識別モデルとして、メンテナンス計画生成モデルを強化学習する。第３モデル学習部３２２は、第３モデル生成部３１０がメンテナンス計画生成モデルの生成に用いた第３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。

第３モデル学習部３２２は、実際の電解装置１０００の稼働によって更新された第３因子の情報を用いて、メンテナンス計画生成モデルを学習する。即ち、第３モデル学習部３２２は、過去期間における第３因子の値と、過去期間以降において目標とすべき電解装置１０００のメンテナンス計画とに基づいて、メンテナンス計画生成モデルを学習する。

第３モデル学習部３２２は、第３因子の情報が更新されたことに応じて、メンテナンス計画生成モデルの学習を実行してよい。第３モデル学習部３２２は、第３モデル更新部３２０の第３更新期間の間に、１または複数回の学習を実行する。第３モデル生成部３１０は、一例として、図３で説明したＳ３３０の動作において、メンテナンス計画生成モデルを適応学習し、Ｓ３４０の動作において、メンテナンス計画生成モデルを更新してよい。

例えば、第３モデル更新部３２０は、図３で説明した初期更新期間後、メンテナンス計画生成モデルを第３更新期間毎に更新する。第３更新期間および第１更新期間は、異なる期間でよく、これに代えて、略同一の期間でもよい。第３更新期間は、一例として１日である。第３モデル更新部３２０は、更新したメンテナンス計画生成モデルをメンテナンス計画生成部３３０に供給する。

メンテナンス計画生成部３３０は、更新されたメンテナンス計画生成モデルを用いて、将来の第１期間における電解装置１０００のメンテナンス計画を生成する。メンテナンス計画生成部３３０は、第１期間における電解装置１０００の異常予測を含む第３因子の値に基づいて、第１期間における電解装置のメンテナンス計画を生成する。

メンテナンス計画生成部３３０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のメンテナンス計画を生成する。メンテナンス計画生成部３３０は、例えば、将来の予め定められた期間が開始する直前までの期間における第３因子の情報を、メンテナンス計画生成モデルに適用してメンテナンス計画を生成する。メンテナンス計画生成部３３０は、一例として、図３で説明したＳ３５０の動作において、メンテナンス計画を生成してよい。

この場合、メンテナンス計画生成部３３０は、初期更新期間に取得部１０が取得したＮ日分の第３因子の値をメンテナンス計画生成モデルに適用して、初期更新期間の後の第１期間のＮ日分のメンテナンス計画を生成する。メンテナンス計画生成部３３０は、生成したメンテナンス計画を稼働計画生成部５０に供給する。

第３構成例の稼働計画生成部５０は、第１期間における電解装置１０００のメンテナンス計画に更に基づいて、第１期間における電解装置１０００の稼働計画を生成する。第１稼働計画生成部２３０は、第２モデル生成部２１０が稼働計画生成モデルの生成に用いた、第１条件、第２条件、および第３条件等に、メンテナンス計画に従った電解装置１０００の稼働台数および稼働率で稼働する第４条件を加えた条件を同様に用いてよい。即ち、第１稼働計画生成部２３０は、４つの条件を満たしつつ、水素生成コストを低減させる稼働計画を生成してよい。第１稼働計画生成部２３０は、水素生成コストを最小化させる稼働計画を生成することが望ましい。

以上のように、第３構成例の計画装置１００は、学習によって生成されたメンテナンス計画を考慮して稼働計画を生成するので、より精度の高い電解装置１０００の制御を実行することができる。なお、第３構成例の計画装置１００は、外部等より電解装置１０００の異常および劣化を予測する予測データを取得する例を説明した。これに代えて、計画装置１００は、電気調達元１０１０である発電装置の発電量と、電解装置１０００の異常および劣化とを予測してよい。また、計画装置１００は、学習により、電気調達元１０１０である発電装置の発電量と、電解装置１０００の異常および劣化とを予測してもよい。このような計画装置１００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１００の第４構成例を示す。第４構成例の計画装置１００において、図４に示された第３構成例の計画装置１００の動作と略同一のものには同一の符号を付け、説明を省略する。また、図５は、計画装置１００の取得部１０を省略した構成を示す。

第４構成例の計画装置１００は、第４モデル生成部４１０、第４モデル更新部４２０、および異常予測部４３０を備え、将来の電解装置１０００の異常動作等を予測する。この場合、モデル生成部３０が第４モデル生成部４１０を有してよく、また、学習処理部４０が第４モデル更新部４２０および異常予測部４３０を有してよい。

第４構成例の記憶部２０は、取得部１０が第４因子を更に取得して、記憶部２０に記憶する。第４因子は、対象期間よりも前の電解装置１０００の稼働状況を含む。第４因子は、電解装置１０００の過去に発生した異常および劣化等の履歴を含んでよい。第４因子は、例えば、異常および劣化等の発生時間、修理期間、異常および劣化等が発生時間の前後の電解装置１０００の稼働率、および異常および劣化等の内容等を含む。

また、第４因子は、電解装置１０００の点検結果、およびメンテナンス結果による、部品等の摩耗、疲労、および劣化の度合い等の情報を含んでよい。また、第４因子は、部品メーカが推奨する部品の交換時期の情報、および当該部品の使用時間または当該電解装置１０００に搭載してから経過した時間等の情報を含んでよい。

第４モデル生成部４１０は、対象期間よりも前に入手可能な第４因子の値に基づいて、異常予測モデルを生成する。第４モデル生成部４１０は、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、異常予測モデルを生成してよい。第４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、異常予測モデルを生成する。なお、異常予測モデルは、学習により、第４因子の値に基づいて、対象期間における電解装置１０００の異常予測を生成するモデルである。

第４モデル生成部４１０は、一例として、図３で説明したＳ３２０の動作において、異常予測モデルを生成してよい。即ち、第４モデル生成部４１０は、第２期間の第４因子の値に基づき、異常予測モデルを生成する。第４モデル生成部４１０は、生成した異常予測モデルを第４モデルとして第４モデル更新部４２０に供給する。

第４モデル更新部４２０は、過去期間における第４因子の値と過去期間以降の異常発生状況とに基づいて、異常予測モデルを学習により更新する。第４モデル更新部４２０は、第４モデル学習部４２２を有し、第４モデル学習部４２２の学習結果に応じて、異常予測モデルを更新する。第４モデル更新部４２０は、例えば、予め定められた第４更新期間毎に、第４モデル学習部４２２が学習した異常予測モデルを、新たな異常予測モデルとして更新してよい。これに代えて、第４モデル更新部４２０は、第４モデル学習部４２２が予め定められた回数だけ学習したことに応じて、異常予測モデルを更新してもよい。

第４モデル学習部４２２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、異常予測モデルを学習してよい。第４モデル学習部４２２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識別モデルとして、異常予測モデルを強化学習する。第４モデル学習部４２２は、第４モデル生成部４１０が異常予測モデルの生成に用いた第４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。

第４モデル学習部４２２は、実際の電解装置１０００の稼働によって更新された第４因子の情報を用いて、異常予測モデルを学習する。即ち、第４モデル学習部４２２は、過去期間における第４因子の値と、過去期間以降の異常発生状況とに基づいて、異常予測モデルを学習する。

第４モデル学習部４２２は、第４因子の情報が更新されたことに応じて、異常予測モデルの学習を実行してよい。第４モデル学習部４２２は、第４モデル更新部４２０の第４更新期間の間に、１または複数回の学習を実行する。第４モデル更新部４２０は、一例として、図３で説明したＳ３３０の動作において、異常予測モデルを適応学習し、Ｓ３４０の動作において、異常予測モデルを更新してよい。

例えば、第４モデル更新部４２０は、図３で説明した初期更新期間後、異常予測モデルを第４更新期間毎に更新する。第４更新期間および第１更新期間は、異なる期間でよく、これに代えて、略同一の期間でもよい。第４更新期間は、一例として１日である。第４モデル更新部４２０は、更新した異常予測モデルを異常予測部４３０に供給する。

異常予測部４３０は、更新された異常予測モデルを用いて、対象期間における電解装置１０００の異常予測を、異常予測モデルを用いて、第１期間における異常予測を生成する。異常予測部４３０は、第１期間における電解装置１０００の異常予測を含む第４因子の値に基づいて、第１期間における電解装置の異常予測を生成する。

異常予測部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の異常予測を生成する。異常予測部４３０は、例えば、異常予測を予測すべき期間の直前までの期間における第４因子の情報を、異常予測モデルに適用して異常予測を生成する。異常予測部４３０は、一例として、図３で説明したＳ３５０の動作において、異常予測を生成してよい。

この場合、異常予測部４３０は、初期更新期間に取得部１０が取得した第２期間のＮ日分の第４因子の値を異常予測モデルに適用して、初期更新期間の後の第１期間のＮ日分の異常予測を生成する。異常予測部４３０は、生成した異常予測を新たな第３因子として記憶部２０に記憶させる。これに代えて、異常予測部４３０は、生成した異常予測を新たな第３因子として、第３モデル生成部および第３モデル更新部３２０に供給してもよい。

なお、異常予測部４３０による第３因子の供給は、第１期間から開始することになる。そこで、第４構成例の計画装置１００は、第１期間よりも前の第２期間および第３期間において、第４モデル生成部４１０および第４モデル学習部４２２が学習によって出力する、更新前の異常予測モデルの予測結果を第３因子として用いてよい。また、第４構成例の計画装置１００は、当該第２期間および第３期間においては、初期値として、第３構成例の計画装置１００と同様に、学習以外の動作によって生成された異常予測を用いてもよい。

第４構成例の計画装置１００は、第５モデル生成部４４０、第５モデル更新部４５０、および発電量予測部４６０を備え、将来の発電装置の再生可能エネルギー発電量を予測する。この場合、モデル生成部３０が第５モデル生成部４４０を有してよく、また、学習処理部４０が第５モデル更新部４５０および発電量予測部４６０を有してよい。ここで、発電装置は、複数の電気調達元１０１０のうちの１つであってよく、再生可能エネルギーを用いて発電した電力を、送電網を介して、または送電網を介さずに直接、電解装置１０００に供給するものであってよい。

第４構成例の記憶部２０は、取得部１０が発電量予測因子（以下、「第５因子」とも称する）を更に取得して、記憶部２０に記憶する。第５因子は、発電装置の発電量に関する情報を含んでよい。第５因子は、対象期間より前における、発電装置の発電量（例えば、所定期間内での発電量の累計、または発電効率等）、発電装置の電力供給量、電解装置１０００の電力購入量、他の電気調達元１０１０の電気料金、天気情報、発電装置の種類（例えば、発電に用いる再生可能エネルギーの種類等）、発電装置の利用期間、対象期間における、予測の天気情報、および他の電気調達元１０１０の電気料金の予測の少なくとも１つを含んでよい。また、第５因子は、発電装置の物理モデルから算出される仮想データを含んでよい。

第５モデル生成部４４０は、対象期間よりも前に入手可能な第５因子の値に基づいて、発電量予測モデルを生成する。第５モデル生成部４４０は、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。第５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、発電量予測モデルを生成する。なお、発電量予測モデルは、学習により、対象期間における発電装置の再生可能エネルギー発電量の推移を対象期間よりも前に入手可能な第５因子の値に基づいて予測するモデルである。

第５モデル生成部４４０は、一例として、図３で説明したＳ３２０の動作において、発電量予測モデルを生成してよい。即ち、第５モデル生成部４４０は、第２期間の第５因子の値に基づき、発電量予測モデルを生成する。第５モデル生成部４４０は、生成した発電量予測モデルを第５モデルとして第５モデル更新部４５０に供給する。

第５モデル更新部４５０は、過去期間における第５因子の値と過去期間以降の実際の発電量とに基づいて、発電量予測モデルを学習により更新する。第５モデル更新部４５０は、第５モデル学習部４５２を有し、第５モデル学習部４５２の学習結果に応じて、発電量予測モデルを更新する。第５モデル更新部４５０は、例えば、予め定められた第４更新期間毎に、第５モデル学習部４５２が学習した発電量予測モデルを、新たな発電量予測モデルとして更新してよい。これに代えて、第５モデル更新部４５０は、第５モデル学習部４５２が予め定められた回数だけ学習したことに応じて、発電量予測モデルを更新してもよい。

第５モデル学習部４５２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。第５モデル学習部４５２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識別モデルとして、発電量予測モデルを強化学習する。第５モデル学習部４５２は、第５モデル生成部４４０が発電量予測モデルの生成に用いた第５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。

第５モデル学習部４５２は、実際の発電装置の稼働によって更新された第５因子の情報を用いて、発電量予測モデルを学習する。即ち、第５モデル学習部４５２は、過去期間における第５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差分が０または予め定められた値未満となるように、発電量予測モデルを学習する。

第５モデル学習部４５２は、第５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。第５モデル学習部４５２は、第５モデル更新部４５０の第５更新期間の間に、１または複数回の学習を実行する。第５モデル更新部４５０は、一例として、図３で説明したＳ３３０の動作において、発電量予測モデルを適応学習し、Ｓ３４０の動作において、発電量予測モデルを更新してよい。

例えば、第５モデル更新部４５０は、図３で説明した初期更新期間後、発電量予測モデルを第４更新期間毎に更新する。第４更新期間および第１更新期間は、異なる期間でよく、これに代えて、略同一の期間でもよい。第４更新期間は、一例として１日である。第５モデル更新部４５０は、更新した発電量予測モデルを発電量予測部４６０に供給する。

発電量予測部４６０は、更新された発電量予測モデルを用いて、対象期間における将来の再生可能エネルギー発電量の推移を予測する。発電量予測部４６０は、第５因子の値に基づいて、第１期間における予測発電量を生成する。

発電量予測部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の発電量を生成する。発電量予測部４６０は、例えば、発電量予測を予測すべき期間の直前までの期間における第５因子の情報を、発電量予測モデルに適用して予測発電量を生成する。発電量予測部４６０は、一例として、図３で説明したＳ３５０の動作において、予測発電量を生成してよい。

この場合、発電量予測部４６０は、初期更新期間に取得部１０が取得した第２期間のＮ日分の第５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第１期間のＮ日分の予測発電量を生成する。発電量予測部４６０は、生成した予測発電量を新たな因子として記憶部２０に記憶させる。これに代えて、発電量予測部４６０は、生成した予測発電量を新たな因子として、他の構成に供給してもよい。

なお、発電量予測部４６０による因子の供給は、第１期間から開始することになる。そこで、第４構成例の計画装置１００は、第１期間よりも前の第２期間および第３期間において、第５モデル生成部４４０および第５モデル学習部４５２が学習によって出力する、更新前の発電量予測モデルの予測結果を因子として用いてよい。また、第４構成例の計画装置１００は、当該第２期間および第３期間においては、初期値として、第３構成例の計画装置１００と同様に、学習以外の動作によって生成された予測発電量を用いてもよい。発電量予測部４６０は、生成した予測発電量を記憶部２０に例えば第１因子および第２因子として記憶させ、また、稼働計画生成部５０に供給してよい。

第４構成例の計画装置１００において、稼働計画生成部５０は、さらに予測された将来の異常予測および発電量の推移の少なくとも１つに基づいて稼働計画を生成する。第１稼働計画生成部２３０は、稼働計画生成モデルに、予測された将来の異常予測および発電量の推移の少なくとも１つをさらに適用して、対象期間における電解装置１０００の稼働計画を生成してよい。

以上のように、第４構成例の計画装置１００は、学習によってより正確に予測された発電装置の発電量を用いて稼働計画を生成できる。従って、計画装置１００は、発電装置からの電力を優先的に用いて、低コストに水素の供給計画を満たすように電解装置１０００を稼働させることができる。また、第４構成例の計画装置１００は、予測された電解装置１０００の異常動作に基づき、メンテナンス計画を生成することができる。即ち、計画装置１００は、異常動作および故障等を学習によって予想し、装置の稼働状態が大きく変動しないように予めメンテナンスが実行できるようにメンテナンス計画を生成することができる。そして、第４構成例の計画装置１００は、このようなメンテナンス計画を考慮した稼働計画を生成するので、より精度が高く、コストを低減させた電解装置１０００の制御を実行することができる。

以上のように、本実施形態に係る計画装置１００は、学習によって電解装置１０００の稼働計画を生成することを説明した。このような計画装置１００は、学習とは異なるロジックによって稼働計画を生成する動作と組み合わされてもよい。例えば、計画装置１００は、学習による稼働計画の精度が、学習する回数および／または時間に応じて向上する場合がある。この場合、計画装置１００は、稼働計画の精度が向上するまで、ロジックによって稼働計画を生成してもよい。このような計画装置１００について、次に説明する。

図６は、本実施形態に係る計画装置１００の第５構成例を示す。第５構成例の計画装置１００において、図１から図５で説明した本実施形態に係る計画装置１００の動作と略同一のものには同一の符号を付け、説明を省略する。第５構成例の計画装置１００は、第１構成例から第４構成例の計画装置１００のいずれかの計画装置１００の稼働計画生成部５０が、配分算出部５００と第２稼働計画生成部５１０と稼働計画選択部５２０とを更に有する構成でよい。

配分算出部５００は、複数の電気調達元１０１０の予測電気料金を電気料金予測部１３０から受け取り、水素の供給計画に応じて複数の電気調達元１０１０の電力の供給配分を算出してよい。例えば、配分算出部５００は、電気調達元１０１０である発電装置からの電力と、電気調達元１０１０である複数の電力会社からの電力との配分を算出してよい。配分算出部５００は、電気料金予測部１３０から受け取った各電気調達元１０１０の予測電気料金の確率分布と、各電気調達元１０１０の信頼度とから、水素の供給計画の量を満たないリスクが最も低くなるように配分を算出してよい。第１稼働計画生成部２３０は、電気料金の推移の予測結果および／または配分算出部５００からの配分に応じて、稼働計画を生成してよい。

第２稼働計画生成部５１０は、学習をしない予め定められたロジックにより、第１期間よりも前の第２因子の値と第１期間における複数の電気調達元１０１０の電気料金の予測結果とに基づいて、第１期間における電解装置１０００の稼働計画を生成する。第２稼働計画生成部５１０は、第１稼働計画生成部２３０と並行して、稼働計画を生成してよい。予め定められたロジックについては後述する。

稼働計画選択部５２０は、第１稼働計画生成部２３０が生成した稼働計画が予め定められた制約（例えば水素の供給計画の量等）を満たさない場合に、第２稼働計画生成部５１０が生成した稼働計画を選択する。稼働計画選択部５２０は、例えば、第１稼働計画生成部２３０の稼働計画による第１期間の水素生成コストが、第２稼働計画生成部５１０による第１期間の水素の供給量未満の場合に、第２稼働計画生成部５１０の稼働計画を選択する。

また、稼働計画選択部５２０は、計画装置１００の学習回数および／または学習時間が予め定められた閾値未満の場合に、第２稼働計画生成部５１０の稼働計画を選択してよい。また、稼働計画選択部５２０は、計画装置１００が複数の電解装置１０００のうち１以上の電解装置１０００の稼働を停止してメンテナンスを実行する場合、第２稼働計画生成部５１０の稼働計画を選択してよい。

このように、第５構成例の計画装置１００は、学習が不十分、または学習が困難な場合に、ロジックによる稼働計画を採用して、電解装置１０００を制御する。これにより、計画装置１００は、初期期間、およびメンテナンス実行期間においても、安定に電解装置１０００を稼働させて水素生成コストを低減させることができる。このような電解装置１０００の第２稼働計画生成部５１０が用いるロジックについて次に説明する。

図７は、本実施形態に係る第２稼働計画生成部５１０の動作フローの一例を示す。第２稼働計画生成部５１０は、図７に示す動作フローを実行して、電解装置１０００の稼働計画を生成してよい。本実施形態において、第２稼働計画生成部５１０が、第１期間（Ｎ日間）の稼働計画を生成する例を説明する。

第２稼働計画生成部５１０は、第１期間中において、電解装置１０００の生成物の使用計画を満たし、かつ電気料金がより低いと予測された期間において、電気料金がより高いと予測された期間よりも優先して電解装置１０００を稼働させる稼働計画を生成する。そこでまず、第２稼働計画生成部５１０は、第１期間の複数の予測電気料金に基づき、第１期間において水素を生成すべき電気料金の低い時間帯を選択する（Ｓ７１０）。なお、第２稼働計画生成部５１０は、複数の電気調達元１０１０のうちで各時間帯で最も低い電気調達元１０１０の予測電気料金に基づいて判断を行ってよい。

第２稼働計画生成部５１０は、電解装置１０００が生成して供給する水素の量が予め定められた供給計画を満たすように、水素を生成すべき時間帯を選択する。なお、供給計画は、予め定められた期間毎に水素を供給する計画である場合がある。例えば、供給計画は、第１期間における水素の総供給数と、期間Ｑ毎に水素を供給する量が設定される。期間Ｑは、第１期間よりも短い期間であり、一例として、１日である。

そして、第２稼働計画生成部５１０は、第１期間中において、更に、生成物の貯蔵量を基準範囲内に維持する稼働計画を生成する。例えば、第２稼働計画生成部５１０は、第１期間において、選択した時間帯で電解装置１０００を稼働して水素を生成し、期間Ｑ毎に水素を供給した場合の、水素の貯蔵量Ｖの推移を算出する（Ｓ７２０）。次に、第２稼働計画生成部５１０は、期間Ｑ毎に、水素の貯蔵量Ｖが予め定められた閾値Ｔｈ１を下回るか否かを判断する（Ｓ７３０）。

第２稼働計画生成部５１０は、水素の貯蔵量Ｖが予め定められた閾値Ｔｈ１を下回る場合（Ｓ７３０：Ｙｅｓ）、電解装置１０００の稼働計画を更新する。第２稼働計画生成部５１０は、例えば、水素の貯蔵量Ｖが低減する期間Ｑにおける電解装置１０００の稼働時間を予め定められた一定時間だけ増加させる（Ｓ７４０）。第２稼働計画生成部５１０は、電気料金の低い時間帯および対応する電気調達元１０１０を選択して稼働時間を増加させる。第２稼働計画生成部５１０は、Ｓ７２０に戻り、更新した稼働計画による水素の貯蔵量Ｖの推移を算出する。第２稼働計画生成部５１０は、第１期間において、水素の貯蔵量Ｖが予め定められた閾値Ｔｈ１を下回らなくなる（Ｓ７３０：Ｎｏ）まで、Ｓ７２０からＳ７４０の動作を繰り返してよい。

次に、第２稼働計画生成部５１０は、期間Ｑ毎に、水素の貯蔵量Ｖが予め定められた閾値Ｔｈ２を上回るか否かを判断する（Ｓ７５０）。第２稼働計画生成部５１０は、水素の貯蔵量が予め定められた閾値Ｔｈ２を上回る場合（Ｓ７５０：Ｙｅｓ）、電解装置１０００の稼働計画を更新する。第２稼働計画生成部５１０は、水素の貯蔵量Ｖが増加する期間Ｑにおける電解装置１０００の稼働時間を予め定められた一定時間だけ減少させる（Ｓ７６０）。第２稼働計画生成部５１０は、電気料金の高い時間帯を選択して稼働時間を減少させる。

第２稼働計画生成部５１０は、Ｓ７２０に戻り、更新した稼働計画による水素の貯蔵量Ｖの推移を算出する。第２稼働計画生成部５１０は、第１期間において、水素の貯蔵量Ｖが予め定められた閾値Ｔｈ１およびＴｈ２の範囲内を維持する（Ｓ７３０：Ｎｏ、Ｓ７５０：Ｎｏ）まで、Ｓ７２０からＳ７６０の動作を繰り返してよい。

第２稼働計画生成部５１０は、水素の貯蔵量が基準範囲内に維持できる稼働計画となった場合に、当該稼働計画を出力してよい（Ｓ７７０）。なお、第２稼働計画生成部５１０は、予め定められた一定の期間が経過しても、稼働計画を出力できずに動作フローをループした場合は、生成不能として外部に警告等を出力してよい。この場合、稼働計画選択部５２０は、第１稼働計画生成部２３０の稼働計画を選択してよい。第２稼働計画生成部５１０は、第１期間が経過する毎に、次の第１期間の稼働計画を生成してよい。以上の例のように、第２稼働計画生成部５１０は、学習をしない予め定められたロジックを用いて電解装置１０００の稼働計画を生成する。

なお、以上の本実施形態に係る計画装置１００は、複数の電気調達元１０１０についての電気料金を予測して、稼働計画を生成したが、１つの電気調達元１０１０について予測電気料金（例えば電気料金の確率分布）を生成して、稼働計画を生成してもよい。この場合、計画装置１００は、当該１つの電気調達元１０１０からのみ電力供給を受ける、または、他の電気調達元１０１０の予測電気料金もしくは固定の電気料金を外部から取得して稼働計画の生成に用いてよい。

以上の本実施形態に係る計画装置１００は、将来の電気料金の推移に基づいて、将来の第１期間における電解装置１０００の稼働計画を生成することを説明した。ここで、将来の電気料金の推移は、予測された値を用いるので、実際の電気料金が突発的に予測値と大きく乖離することがある。この場合、計画装置１００の稼働計画を用いても、水素の製造コストを低減できなくなってしまうことがあり得る。そこで、制御部６０は、このような突発的な変動に応じて、稼働計画とは異なる電解装置１０００の制御を実行してよい。

例えば、制御部６０は、稼働計画上は電解装置１０００を稼働させない予定の期間において、複数の電気調達元１０１０のうち少なくとも１つの電気料金が予測よりも低くなったことに応じて、より高い電気料金で将来電解装置１０００を稼働させる代わりに当該期間において電解装置１０００を稼働させる。制御部６０は、一例として、電解装置１０００を稼働させない期間において、複数の電気調達元１０１０のうち最も低い予測電気料金の電気調達元１０１０の電気料金が、予め定められた第１閾値未満となった場合に、電解装置１０００を稼働させる。また、制御部６０は、電解装置１０００を稼働させる期間において、電力供給予定の電気調達元１０１０の電気料金が予め定められた第２閾値を超えた場合に、電解装置１０００の稼働を停止させるか、または稼働率を低減させてもよい。

これにより、計画装置１００は、突発的な電気料金の変動に対応して、稼働計画を修正することができる。また、本実施形態に係る計画装置１００は、電解装置１０００の稼働結果を用いて次の稼働計画を学習によって生成するので、制御部６０が稼働計画から逸脱した制御を実行しても、学習によって稼働計画を修正することができ、全体の期間を通じて安定な動作を実現することができ、水素の製造コストを低減させることができる。

以上の本実施形態に係る計画装置１００は、電解装置１０００が生成して供給する水素の量が予め定められた供給計画を満たすように、稼働計画を生成することを説明した。しかしながら、実際の電解装置１０００の水素の供給量が、供給計画とは異なる場合が生じることもある。例えば、電解装置１０００の供給先の不具合、故障、および消費調整等により、供給計画よりも供給量が低減してしまう場合がある。この場合、電解装置１０００の水素の貯蔵量は、想定よりも増加してしまう。そこで、制御部６０は、電解装置１０００の水素の貯蔵量に応じて、電解装置１０００の稼働を調節してもよい。

例えば、制御部６０は、稼働計画に基づいて電解装置１０００を稼働させている期間内において電解装置１０００の生成物の貯蔵量が上限値以上となったことに応じて、電解装置１０００の稼働を停止させる。これにより、制御部６０は、電解装置１０００の水素の貯蔵量が上限を超えてしまうことを防止できる。

また、例えば、電解装置１０００の供給量が供給計画よりも増加してしまう場合がある。この場合、電解装置１０００の水素の貯蔵量は、想定よりも低減してしまう。そこで、制御部６０は、電解装置１０００の水素の貯蔵量に応じて、電解装置１０００の稼働を調節してもよい。

例えば、制御部６０は、稼働計画に基づいて電解装置１０００を停止させている期間内において電解装置１０００の生成物の貯蔵量が下限値以下となったことに応じて、電解装置１０００の稼働を開始させる。これにより、制御部６０は、電解装置１０００の水素の貯蔵量が下限を下回ることを防止できる。

以上の図２から図８に示す第２構成例から第６構成例の計画装置１００は、いずれも他の構成例の一部の構成を追加してよく、また、一部の構成を省略してもよい。

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８は、本発明の複数の態様が全体的又は部分的に具現化されうるコンピュータ１２００の例を示す。コンピュータ１２００にインストールされたプログラムは、コンピュータ１２００に、本発明の実施形態に係る装置に関連付けられるオペレーション又は当該装置の１又は複数の「部」として機能させ、又は当該オペレーション又は当該１又は複数の「部」を実行させることができ、及び／又はコンピュータ１２００に、本発明の実施形態に係るプロセス又は当該プロセスの段階を実行させることができる。このようなプログラムは、コンピュータ１２００に、本明細書に記載のフローチャート及びブロック図のブロックのうちのいくつか又はすべてに関連付けられた特定のオペレーションを実行させるべく、ＣＰＵ１２１２によって実行されてよい。

本実施形態によるコンピュータ１２００は、ＣＰＵ１２１２、ＲＡＭ１２１４、グラフィックコントローラ１２１６、及びディスプレイデバイス１２１８を含み、これらはホストコントローラ１２１０によって相互に接続される。コンピュータ１２００はまた、通信インターフェース１２２２、ハードディスクドライブ１２２４、ＤＶＤ－ＲＯＭドライブ１２２６、及びＩＣカードドライブのような入出力ユニットを含み、これらは入出力コントローラ１２２０を介してホストコントローラ１２１０に接続される。コンピュータはまた、ＲＯＭ１２３０及びキーボード１２４２のようなレガシの入出力ユニットを含み、これらは入出力チップ１２４０を介して入出力コントローラ１２２０に接続される。

ＣＰＵ１２１２は、ＲＯＭ１２３０及びＲＡＭ１２１４内に格納されたプログラムに従い動作し、これにより各ユニットを制御する。グラフィックコントローラ１２１６は、ＲＡＭ１２１４内に提供されるフレームバッファ等又は当該グラフィックコントローラ１２１６自体の中に、ＣＰＵ１２１２によって生成されるイメージデータを取得し、イメージデータがディスプレイデバイス１２１８上に表示させる。

通信インターフェース１２２２は、ネットワークを介して他の電子デバイスと通信する。ハードディスクドライブ１２２４は、コンピュータ１２００内のＣＰＵ１２１２によって使用されるプログラム及びデータを格納する。ＤＶＤ－ＲＯＭドライブ１２２６は、プログラム又はデータをＤＶＤ－ＲＯＭ１２０１から読み取り、ハードディスクドライブ１２２４にＲＡＭ１２１４を介してプログラム又はデータを提供する。ＩＣカードドライブは、プログラム及びデータをＩＣカードから読み取り、及び／又はプログラム及びデータをＩＣカードに書き込む。

ＲＯＭ１２３０は、内部に、アクティブ化時にコンピュータ１２００によって実行されるブートプログラム等、及び／又はコンピュータ１２００のハードウェアに依存するプログラムを格納する。入出力チップ１２４０はまた、様々な入出力ユニットをパラレルポート、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、入出力コントローラ１２２０に接続してよい。

プログラムが、ＤＶＤ－ＲＯＭ１２０１又はＩＣカードのようなコンピュータ可読記憶媒体によって提供される。プログラムは、コンピュータ可読記憶媒体から読み取られ、コンピュータ可読記憶媒体の例でもあるハードディスクドライブ１２２４、ＲＡＭ１２１４、又はＲＯＭ１２３０にインストールされ、ＣＰＵ１２１２によって実行される。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１２００に読み取られ、プログラムと、上記様々なタイプのハードウェアリソースとの間の連携をもたらす。装置又は方法が、コンピュータ１２００の使用に従い情報のオペレーション又は処理を実現することによって構成されてよい。

例えば、通信がコンピュータ１２００及び外部デバイス間で実行される場合、ＣＰＵ１２１２は、ＲＡＭ１２１４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に基づいて、通信インターフェース１２２２に対し、通信処理を命令してよい。通信インターフェース１２２２は、ＣＰＵ１２１２の制御の下、ＲＡＭ１２１４、ハードディスクドライブ１２２４、ＤＶＤ－ＲＯＭ１２０１、又はＩＣカードのような記録媒体内に提供される送信バッファ領域に格納された送信データを読み取り、読み取られた送信データをネットワークに送信し、又はネットワークから受信した受信データを記録媒体上に提供される受信バッファ領域等に書き込む。

また、ＣＰＵ１２１２は、ハードディスクドライブ１２２４、ＤＶＤ－ＲＯＭドライブ１２２６（ＤＶＤ－ＲＯＭ１２０１）、ＩＣカード等のような外部記録媒体に格納されたファイル又はデータベースの全部又は必要な部分がＲＡＭ１２１４に読み取られるようにし、ＲＡＭ１２１４上のデータに対し様々なタイプの処理を実行してよい。ＣＰＵ１２１２は次に、処理されたデータを外部記録媒体にライトバックしてよい。

様々なタイプのプログラム、データ、テーブル、及びデータベースのような、様々なタイプの情報が、情報処理されるべく、記録媒体に格納されてよい。ＣＰＵ１２１２は、ＲＡＭ１２１４から読み取られたデータに対し、本開示の随所に記載され、プログラムの命令シーケンスによって指定される様々なタイプのオペレーション、情報処理、条件判断、条件分岐、無条件分岐、情報の検索／置換等を含む、様々なタイプの処理を実行してよく、結果をＲＡＭ１２１４に対しライトバックする。また、ＣＰＵ１２１２は、記録媒体内のファイル、データベース等における情報を検索してよい。例えば、各々が第２の属性の属性値に関連付けられた第１の属性の属性値を有する複数のエントリが記録媒体内に格納される場合、ＣＰＵ１２１２は、当該複数のエントリの中から、第１の属性の属性値が指定されている条件に一致するエントリを検索し、当該エントリ内に格納された第２の属性の属性値を読み取り、これにより予め定められた条件を満たす第１の属性に関連付けられた第２の属性の属性値を取得してよい。

以上の説明によるプログラム又はソフトウェアモジュールは、コンピュータ１２００上又はコンピュータ１２００近傍のコンピュータ可読記憶媒体に格納されてよい。また、専用通信ネットワーク又はインターネットに接続されたサーバシステム内に提供されるハードディスク又はＲＡＭのような記録媒体が、コンピュータ可読記憶媒体として使用可能であり、これにより、プログラムをコンピュータ１２００にネットワークを介して提供する。

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 取得部、２０ 記憶部、３０ モデル生成部、４０ 学習処理部、５０ 稼働計画生成部、６０ 制御部、１００ 計画装置、１１０ 第１モデル生成部、１２０ 第１モデル更新部、１２２ 第１モデル学習部、１３０ 電気料金予測部、２１０ 第２モデル生成部、２２０ 第２モデル更新部、２２２ 第２モデル学習部、２３０ 第１稼働計画生成部、３１０ 第３モデル生成部、３２０ 第３モデル更新部、３２２ 第３モデル学習部、３３０ メンテナンス計画生成部、４１０ 第４モデル生成部、４２０ 第４モデル更新部、４２２ 第４モデル学習部、４３０ 異常予測部、４４０ 第５モデル生成部、４５０ 第５モデル更新部、４５２ 第５モデル学習部、４６０ 発電量予測部、５００ 配分算出部、５１０ 第２稼働計画生成部、５２０ 稼働計画選択部、１０００ 電解装置、１２００ コンピュータ、１２０１ ＤＶＤ－ＲＯＭ、１２１０ ホストコントローラ、１２１２ ＣＰＵ、１２１４ ＲＡＭ、１２１６ グラフィックコントローラ、１２１８ ディスプレイデバイス、１２２０ 入出力コントローラ、１２２２ 通信インターフェース、１２２４ ハードディスクドライブ、１２２６ ＤＶＤ－ＲＯＭドライブ、１２３０ ＲＯＭ、１２４０ 入出力チップ、１２４２ キーボード

Claims (17)

1. 対象期間における複数の電気調達元の電気料金の推移を対象期間よりも前に入手可能な、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、再生可能エネルギー発電量の予測値、各電気調達元からの電力購入量、および天気情報の少なくとも１つを含む第１因子の値に基づいて予測する電気料金予測モデルを用いて、将来の電気料金の推移を予測する電気料金予測部と、
   予測された前記将来の電気料金の推移に基づいて、将来の第１期間において、前記複数の電気調達元からの電力供給により電解装置で生成される生成物の製造コストを最小化または低減させる前記電解装置の稼働計画を生成する稼働計画生成部と、
   前記稼働計画を用いて、前記電解装置を稼働させる制御を行う制御部とを備え、
   前記制御部は、前記稼働計画上は前記電解装置を稼働させない予定の期間において、前記複数の電気調達元のうち少なくとも１つの電気料金が予測よりも低くなったことに応じて、より高い電気料金で将来前記電解装置を稼働させる代わりに当該期間において前記電解装置を稼働させる
   計画装置。
2. 前記電気料金予測部は、前記複数の電気調達元のそれぞれの前記将来の電気料金の推移を、対応する前記第１因子の値に基づいて予測する請求項１に記載の計画装置。
3. 前記電気料金予測部は、前記複数の電気調達元のそれぞれに対応する複数の電気料金予測モデルを用いて、各電気調達元の将来の電気料金の推移を予測する請求項１または２に記載の計画装置。
4. 前記電気料金予測部は、将来の電気料金の確率分布を予測する請求項１から３のいずれか一項に記載の計画装置。
5. 過去期間における前記第１因子の値と前記過去期間以降の電気料金の現実の推移とに基づいて、前記電気料金予測モデルを学習により更新する第１モデル更新部を更に備える請求項１から４のいずれか一項に記載の計画装置。
6. 前記稼働計画生成部は、対象期間における稼働計画を、対象期間よりも前に入手可能な第２因子の値と対象期間における電気料金の推移の予測結果とに基づいて生成する稼働計画生成モデルを用いて、将来の前記第１期間における前記電解装置の稼働計画を生成する第１稼働計画生成部を有する請求項１から５のいずれか一項に記載の計画装置。
7. 前記稼働計画生成モデルは、対象期間よりも前の、前記電解装置の稼働データ、各電気調達元との契約条件、各電気調達元の信頼度、前記複数の電気調達元の少なくとも１つの固定の電気料金、および前記電解装置の生成物貯蔵量の少なくとも１つを含む前記第２因子の値と、対象期間における電気料金の推移の予測結果とに基づいて、対象期間における前記電解装置の稼働計画を生成する請求項６に記載の計画装置。
8. 前記稼働計画生成部は、前記契約条件、および前記信頼度の少なくともいずれかを含む前記第２因子の値と、前記電気料金の推移の予測結果とに基づいて、
   前記対象期間における前記複数の電気調達元の電力供給の配分、および各電気調達元の電力供給のタイミングの少なくとも１つを含む前記稼働計画を生成する請求項７に記載の計画装置。
9. 前記稼働計画生成部は、前記契約条件として、前記複数の電気調達元の内の少なくとも１つと結んだ複数の契約条件を含む契約条件群に基づいて前記稼働計画を生成し、
   前記稼働計画は、前記配分として、前記契約条件群に含まれる各契約条件で前記電気調達元から電力供給を受ける配分、および前記タイミングとして、前記契約条件群に含まれる各契約条件で電力供給を受けるタイミングの少なくともいずれかを含む前記稼働計画を生成する請求項８に記載の計画装置。
10. 前記稼働計画生成部は、前記稼働計画が満たすべき制約を調整可能に指定する制約条件指定部を有する請求項７に記載の計画装置。
11. 対象期間における発電装置の再生可能エネルギー発電量の推移を対象期間よりも前に入手可能な発電量予測因子の値に基づいて予測する発電量予測モデルを用いて、将来の再生可能エネルギー発電量の推移を予測する発電量予測部をさらに備える請求項１から１０のいずれか一項に記載の計画装置。
12. 前記稼働計画生成部は、さらに前記予測された将来の再生可能エネルギー発電量の推移に基づいて前記稼働計画を生成する請求項１１に記載の計画装置。
13. 前記電解装置は、電気分解によって水素を生成する水素生成装置である請求項１から１２のいずれか一項に記載の計画装置。
14. 対象期間における複数の電気調達元の電気料金の確率分布を対象期間よりも前に入手可能な、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、再生可能エネルギー発電量の予測値、各電気調達元からの電力購入量、および天気情報の少なくとも１つを含む第１因子の値に基づいて予測する電気料金予測モデルを用いて、将来の電気料金の確率分布を予測する電気料金予測部と、
    予測された前記将来の電気料金の確率分布に基づいて、将来の第１期間において、前記複数の電気調達元からの電力供給により電解装置で生成される生成物の製造コストを最小化または低減させる前記電解装置の稼働計画を生成する稼働計画生成部と、
    前記稼働計画を用いて、前記電解装置を稼働させる制御を行う制御部とを備え、
    前記制御部は、前記稼働計画上は前記電解装置を稼働させない予定の期間において、前記複数の電気調達元のうち少なくとも１つの電気料金が予測よりも低くなったことに応じて、より高い電気料金で将来前記電解装置を稼働させる代わりに当該期間において前記電解装置を稼働させる
    計画装置。
15. 対象期間における複数の電気調達元の電気料金の推移を対象期間よりも前に入手可能な、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、再生可能エネルギー発電量の予測値、各電気調達元からの電力購入量、および天気情報の少なくとも１つを含む第１因子の値に基づいて予測する電気料金予測モデルを用いて、将来の電気料金の推移をコンピュータが予測することと、
    予測された前記将来の電気料金の推移に基づいて、将来の第１期間において、前記複数の電気調達元からの電力供給により電解装置で生成される生成物の製造コストを最小化または低減させる前記電解装置の稼働計画を前記コンピュータが生成することと
    前記稼働計画を用いて、前記電解装置を稼働させる制御を前記コンピュータが行うこととを備え、
    前記制御を行うことは、前記稼働計画上は前記電解装置を稼働させない予定の期間において、前記複数の電気調達元のうち少なくとも１つの電気料金が予測よりも低くなったことに応じて、より高い電気料金で将来前記電解装置を稼働させる代わりに当該期間において前記電解装置を前記コンピュータが稼働させることを含む
    電解装置の稼働計画の生成方法。
16. コンピュータを、請求項１から１４のいずれか一項に記載の計画装置として機能させるプログラム。
17. 電気料金予測部が、対象期間における複数の電気調達元の電気料金の推移を対象期間よりも前に入手可能な、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、再生可能エネルギー発電量の予測値、各電気調達元からの電力購入量、および天気情報の少なくとも１つを含む第１因子の値に基づいて予測する電気料金予測モデルを用いて、将来の電気料金の推移を予測し、
    稼働計画生成部が、予測された前記将来の電気料金の推移に基づいて、将来の第１期間において、前記複数の電気調達元からの電力供給により水素生成装置で生成される水素の製造コストを最小化または低減させる前記水素生成装置の稼働計画を生成し、
    前記水素生成装置が、前記稼働計画に基づいて水素を生成する水素製造方法であって、
    前記水素を生成することは、前記稼働計画上は前記水素生成装置が稼働しない予定の期間において、前記複数の電気調達元のうち少なくとも１つの電気料金が予測よりも低くなったことに応じて、より高い電気料金で将来前記水素生成装置が稼働する代わりに当該期間において前記水素生成装置が稼働することを含む
    水素製造方法。

Images