JP7268276B2 - バイナリー発電システム - Google Patents
バイナリー発電システム Download PDFInfo
- Publication number
- JP7268276B2 JP7268276B2 JP2019040994A JP2019040994A JP7268276B2 JP 7268276 B2 JP7268276 B2 JP 7268276B2 JP 2019040994 A JP2019040994 A JP 2019040994A JP 2019040994 A JP2019040994 A JP 2019040994A JP 7268276 B2 JP7268276 B2 JP 7268276B2
- Authority
- JP
- Japan
- Prior art keywords
- power generation
- generation system
- binary power
- heat source
- fluid
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Control Of Turbines (AREA)
- Engine Equipment That Uses Special Cycles (AREA)
Description
ところが、蒸発器としてプレート方式を用いる場合には、積層したプレート間の狭い空間を気液二相流となった低沸点作動媒体が流れるため、気体と液体の界面を判別することは難しい。また、発電システムの小型化を図る上では、蒸発器の体積当たり伝熱面積からプレート方式が推奨されるため、特許文献1の制御方法は、多くのバイナリー発電システムに適用ができない。
また、バイナリー発電システムの稼動に必要となる補機は、低沸点作動媒体ポンプや電動流量調節弁のみではなく、熱源流体ポンプ、冷媒ポンプ、冷却塔ファン、膨張発電機の冷却媒体ポンプなど複数あり、正味の発電出力の最大化を図るに当たっては、これら補機よる消費電力を最小化する制御も必要であるが、特許文献3,特許文献4,特許文献5のいずれも、そこまでの制御を行っておらず、正味の発電出力の最大化の実現には不十分である。
前記システム内を通過あるいは循環する流体用の配管各部に、温度・圧力・流量の少なくとも1つを計測可能な第1の計測機器と、
前記システム内にある前記膨張発電機・流体を圧送するポンプ・流体を冷却するファンの少なくとも1つに温度・圧力・振動の少なくとも1つを計測可能な第2の計測機器と、
前記システム内にある前記膨張発電機・前記流体を圧送するポンプ・前記流体を冷却するファンの少なくとも1つに設けた電力計と、
前記第1および第2の計測機器と前記電力計からの信号を受信し、入力パラメータとして演算し、前記流体を圧送するポンプ・前記流体を冷却するファン・流量調節弁の少なくとも1つへの制御値を送信が可能な制御部とを備え、
過去から現在に至る入力パラメータと制御値に基づいて機械学習アルゴリズムを用いて、
前記バイナリー発電システムへと供給される熱源流体の熱エネルギー量から変換される、発電量が大きいほど高い報酬として機械学習させ、
前記機械学習アルゴリズムは、正味の発電出力を最大化させる機械学習モデルと、前記膨張発電機の稼動を安定させる機械学習モデルとを生成し、
前記機械学習アルゴリズムに探索の要素を実装し、未知の環境の条件についても入力パラメータを取得するようにし、
前記探索の要素において、未知の環境の条件へ移行する制御ほど、優先して選択され易くして、
前記バイナリー発電システムを制御することを特徴としたバイナリー発電システム。
前記環境計測機器からの信号を受信し、前記バイナリー発電システムを制御することを可能としたことを特徴とする請求項1ないし2のいずれかに記載のバイナリー発電システム。
前記バイナリー発電システムの外に、熱源流体の熱エネルギーの発生元となっている熱源の熱エネルギー量に関係した情報を得られる熱源計測機器をさらに備え、
前記熱源計測機器からの信号を受信し、前記バイナリー発電システムを含む複数の熱需要の効果及び優先度に応じて、前記バイナリー発電システムへの熱エネルギー供給の割り振りを最適化するように、前記バイナリー発電システムを制御することを可能としたことを特徴とする請求項1ないし3のいずれかに記載のバイナリー発電システム。
前記機械学習アルゴリズムは、正味の発電出力を最大化させる機械学習モデルと、前記膨張発電機の稼動を安定させる機械学習モデルとを生成し、
前記機械学習アルゴリズムに探索の要素を実装し、未知の環境の条件についても入力パラメータを取得するようにし、
前記探索の要素において、未知の環境の条件へ移行する制御ほど、優先して選択され易くして、
機械学習を行い、適用された条件において供給された温熱源の熱エネルギーを有効活用し、正味の発電出力を最大化させる制御が可能となる。
すなわち、バイナリー発電システムへと供給される熱源流体の熱エネルギーの発生元となっている熱源が、バイナリー発電システムを含む複数の熱需要へと寄与し熱エネルギーを供給している場合において、バイナリー発電システムを含む複数の熱需要の効果及び優先度に応じて、バイナリー発電システムへの熱エネルギー供給の割り振りを最適化するように、バイナリー発電システムが制御を行い、複数の熱需要の効果を損なうことなく、正味の発電出力を最大化させ、結果としてより多くの発電量を得られる。
さらに、前記膨張発電機の過熱防止のため、前記膨張発電機の筐体を冷却する膨張発電機冷却媒体を圧送する膨張発電機冷却媒体ポンプを備えている。
また、前記低沸点作動媒体ポンプに対し並列となる配管に低沸点作動媒体流量調節弁、必要に応じ同じ機構で、前記熱源流体には熱源流体流量調節弁、前記冷媒には冷媒流量調節弁を備える。
また、前記低沸点作動媒体流量調節弁、熱源流体流量調節弁、冷媒流量調節弁なども、前記制御部からの制御信号により、開度を制御し流量を調節できるようになっている。
また、前記膨張発電機が発電している電力、および前記低沸点作動媒体ポンプ、前記熱源流体ポンプ、前記冷媒ポンプ、必要に応じて前記冷却塔ファン、前記膨張発電機冷却媒体ポンプ、それぞれが消費している電力を計測する手段を備え、計測した計測信号を常時、前記制御部へ送信している。
さらに必要に応じて、バイナリー発電システムが設置されている環境の外気温や、熱源流体の熱エネルギーの発生元となっている熱源設備の熱エネルギー量に関係した情報などを計測する手段を備え、計測した計測信号を常時、制御部へ送信している。
前記制御部では、受信した信号を入力パラメータ値として用いて、正味の発電出力が最大となるような制御信号を演算して出力し送信し、前述したポンプ、流量調節弁などの駆動機器の調節制御を行うことで、バイナリー発電システム全体の制御を行っている。
単体のコンピュータあるいは制御ユニットのみでは、前述の機能を果たすことが仕様的に困難な場合は、複数のコンピュータあるいは制御ユニットでネットワークを組み作業を補完し合う構成としてもよい。
その単純パーセプトロンをベースとした線形重回帰モデルでは、前述の総入力値を予測値とすることで、数多くの入力パラメータ値から演算し線形の値を予測値として出力することができ、この予測値を指標として用いて、現在値と予測値との定量的な比較および演算によって駆動機器の制御値を決定し、ポンプや流量調節弁に対してアナログ信号、デジタル信号、必要に応じてその他の信号として出力できるのである。さらに、ニューラルネットワークは、単純パーセプトロンを多層化したものであり、より複雑化したアルゴリズムで演算し、さらに精密に予測値を出力させることができる。
地熱蒸気や熱水あるいは、加熱処理工程のある工場廃熱や、焼却炉の廃熱などから熱エネルギーを回収して生成した熱源流体HWは、熱源流体ポンプ8により圧送され、蒸発器3を通過する。その際に、低沸点作動媒体LMは、低沸点作動媒体ポンプ7により圧送され、前記の熱源流体HWと交差する方向で蒸発器3を通過し、熱源流体HWから熱エネルギーを受け、高圧の蒸気へと状態変化する。高圧の蒸気となった低沸点作動媒体LMは、膨張機4へと流入し膨張することにより回転運動が生じ、その動力が発電機5を回し発電が行われる。なお、膨張機4と発電機5は組み合わせて膨張発電機4,5を構成する。
その後、膨張機4を出て低い圧力となった低沸点作動媒体LMの蒸気は、凝縮器6へと流入し、冷媒ポンプ9により圧送され、低沸点作動媒体LMとは交差する方向で凝縮器6を通過する冷媒CWによって冷却されることで、凝縮し液体となる。液体となった低沸点作動媒体LMは、低沸点作動媒体ポンプ7によって再び蒸発器3へと圧送されることで、この発電サイクル内を循環し、低温な熱源や熱エネルギーの少ない熱源からも、連続的に発電が可能なシステムとなっている。
なお、冷媒分配流量調節弁17は、膨張発電機冷却媒体CMを冷却するための冷媒CWを分配する調節弁である。
また、低沸点作動媒体流量調節弁14、熱源流体流量調節弁15、冷媒流量調節弁16、冷媒分配流量調節弁17なども、制御部2からの制御信号により、開度を制御し流量を調節できる構成となっている。
また、安定かつ安全な稼動を確保するための情報や、故障や事故を未然に察知するための情報として、膨張発電機4,5筐体に温度計TG、振動計VGを、低沸点作動媒体ポンプ筐体に振動計VPを備え、計測信号を常時、制御部2へ送信できる構成となっている。
さらに、制御に用いられた制御値によって生じた結果である、現状の入力パラメータ値を機械学習モデルへとフィードバックして、機械学習モデルを更新する「強化学習」ができるコンピュータ・通信ネットワーク・アルゴリズムの構成となっている。
第1実施形態の制御部2は、3つのコンピュータで構成されており、機械学習やディープラーニングなどのアルゴリズムによって演算を行う「マイクロコンピュータ101」、計測機器からの計測信号の受信、ラダープログラムによる信号の切り替え、駆動機器への制御値の送信を行う「プログラマブルコントローラ102」、発電機5において発電した電力を系統連係可能な電圧・周波数・位相へと変換する電力変換器の制御を行う「電力変換コントローラ103」から成る。
すなわち、計測機器やネットワークからの計測信号および情報の受信、それらを入力パラメータ値として、機械学習やディープラーニングなどのアルゴリズムによって演算を行い、正味の発電出力が最大となる予測値や、発電システムの危険を最小化する予測値を得、それらを評価して制御値を決定し駆動機器へと制御値を送信する、という機能の大部分は、マイクロコンピュータ101とプログラマブルコントローラ102の2つが担っている。
すなわち、電力変換コントローラ103は、バイナリー発電システム1の第一の目的である発電を行うハードウェア(強電回路)に最も近いところにあり、系統における停電や、膨張発電機の機械的不具合や、電力変換器の電気的不具合を、リアルタイムに検知し、プログラマブルコントローラ102へ信号を発しバイナリー発電システム1を緊急停止させるなど、発電システムの安定性や安全性の根幹を担っている。そのため、プログラマブルコントローラ102と電力変換コントローラ103間はイーサネット通信を用いない。
また、方策とは「エージェントがどのように行動するのか定めたルール」のことであり、「強化学習」というカテゴリーの中でも、さまざまなアルゴリズムがあり、それぞれ方策が異なる。
ただし、「行動価値関数Q(st,at)」が、さまざまな状態stを経験して学習されたものでない場合、中途半端な状態でエージェントの行動(制御値)が確定してしまい、「正味の発電出力を最大化かつ安定して安全に制御」という目的を達成できないおそれがある。
例えば、パワーマトリックスの更新の式を
((パワーマトリックス値)×(カウントマトリックス値)+(現在の正味の発電出力))÷((カウントマトリックス値)+1)
としてみてもよい。タービンマトリックスの更新式についても同様である。
なお、報酬Rtの更新式は「正味の発電出力を最大化させる予測値」をプラス報酬、「タービン発電機の安定度の予測値」をマイナス報酬として、それらの重視の度合いによって定めた係数を乗じたものを統合したものである。
例えば、報酬Rtの更新式を
(係数1)×(正味の発電出力を最大化させる予測値)-(係数2)×(タービン発電機の安定度の予測値)
としてみてもよい。
第1実施形態のアルゴリズムにおいて、7次元もの高次元で構成されたパワーマトリックスとタービンマトリックスについて、さらに予測値で7次元もの仮想的なパワーマトリックスと仮想的なタービンマトリックスを完成させることは、マイクロコンピュータ101に対し膨大な計算能力と記憶能力を求めることとなり、消費電力やイニシャルコストの観点から避けた方が賢明である。
また、予測値を導出すべき、現在の状態において最適な行動を採るために必要な領域については、実際に第1実施形態のバイナリー発電システムを稼動させ、さまざまなパラメータのログを取得し解析し、調整を繰り返した後、適当な領域を決定する。
第1実施形態のアルゴリズムにおいては、「Qマトリックス」の次元は「報酬マトリックス」と同様に状態stの駆動パラメータの要素数であるが、さらに行動atを選択した場合の「行動価値関数Q(st,at)」(Q値)が配列(27個の値)として格納されている。
行動atの選択肢は、状態stの駆動パラメータ3要素をそれぞれ「1増やす・1減らす・現状のまま」とするがあり、
合計で27つの選択肢(図6中の行動a配列番号と制御値増減の対応表を参照)がある。
「行動価値関数Q(st,at)」は、状態stと行動atと報酬Rt+1をパラメータとして、随時、更新(「強化学習」)され、「正味の発電出力を最大化かつ安定して安全に制御」できるよう、エージェントの行動(制御値)を決定する方策として利用される。
すなわち、第1実施形態のアルゴリズムにおいては、行動atの27の選択肢が、均等な確率で割り振りされるのではなく、カウントマトリックス値の小さい状態st+1へと移行する行動atについては高確率、カウントマトリックス値の大きい状態st+1へと移行する行動atについては低確率となるように、ランダムの出目を調整するのである。
すなわち、環境(条件)の外気温度が低かったり、湿度が低い状態stにおける、冷媒ポンプや冷却塔ファンの出力を過剰に増す行動atについては、「行動価値関数Q(st,at)」の値は低くなる。このようにしてバイナリー発電システム1は、最適な行動を採れるように学習していく。
ステップ1として、まず、環境(計測パラメータ)やエージェント(駆動パラメータ)の情報(値)をセンサーで取得、
ステップ2として、それら取得した情報(値)から、▲1▼状態マトリックス、▲2▼報酬マトリックス、▲3▼Qマトリックスへの値の導出と格納(更新)を行い、
ステップ3として、最終的にそれら指標に基づき行動を決定する、
流れとなっている。
なおステップ4として、バイナリー発電システム全体のハード仕様(機械・電気)において安全性の担保の取れていない制御値の範囲については、安全性フィルターによって精査され、制御値を送信できないアルゴリズムとしている。
2 制御部
3 蒸発器
4 膨張機
5 発電機
6 凝縮器
7 低沸点作動媒体ポンプ
8 熱源流体ポンプ
9 冷媒ポンプ
10 冷却塔ファン
11 膨張発電機冷却媒体ポンプ
12 膨張発電機冷却媒体冷却熱交換器
13 膨張発電機冷却媒体ストレージタンク
14 低沸点作動媒体流量調節弁
15 熱源流体流量調節弁
16 冷媒流量調整弁
17 冷媒分配流量調節弁
101 マイクロコンピュータ
102 プログラマブルコントローラ
103 電力変換コントローラ
TE 気温計
WET 湿度計
TS 熱源設備熱源温度計
FS 熱源設備熱源流量
HW 熱源流体
CW 冷媒
LM 低沸点作動媒体
CM 膨張発電機冷却媒体
T1 低沸点作動媒体ポンプ前温度計
T2 低沸点作動媒体ポンプ後温度計
T3 低沸点作動媒体膨張機前温度計
T4 低沸点作動媒体膨張機後温度計
TH1 熱源流体蒸発器入口温度計
TH2 熱源流体蒸発器出口温度計
TC1 冷媒凝縮器入口温度計
TC2 冷媒凝縮器出口温度計
TT1 膨張発電機冷却媒体発電機前温度計
TT2 膨張発電機冷却媒体発電機後温度計
TG 膨張発電機温度計
F1 熱源流体流量計
F2 冷媒流量計
F3 低沸点作動媒体流量計
F4 膨張発電機冷却媒体流量計
P1 低沸点作動媒体ポンプ前圧力計
P2 低沸点作動媒体ポンプ後圧力計
P3 低沸点作動媒体膨張機前圧力計
P4 低沸点作動媒体膨張機後圧力計
VG 膨張発電機振動計
VP 低沸点作動媒体ポンプ振動計
WG 発電機出力電力計
W1 熱源流体ポンプ電力計
W2 冷媒ポンプ電力計
W3 冷却塔ファン電力計
W4 低沸点作動媒体ポンプ電力計
W5 膨張発電機冷却媒体ポンプ電力計
Claims (5)
- 熱源流体の熱エネルギーにより低沸点作動媒体を蒸発させる蒸発器と、前記蒸発器において蒸発して高圧となった前記低沸点作動媒体によって回転駆動し発電する膨張発電機と、前記膨張発電機を出て低圧となった前記低沸点作動媒体を冷媒により冷却し凝縮させる凝縮器と、前記凝縮器から前記蒸発器に向かって前記低沸点作動媒体を循環させる低沸点作動媒体ポンプとを備えた、バイナリー発電システムにおいて、
前記システム内を通過あるいは循環する流体用の配管各部に、温度・圧力・流量の少なくとも1つを計測可能な第1の計測機器と、
前記システム内にある前記膨張発電機・流体を圧送するポンプ・流体を冷却するファンの少なくとも1つに温度・圧力・振動の少なくとも1つを計測可能な第2の計測機器と、
前記システム内にある前記膨張発電機・前記流体を圧送するポンプ・前記流体を冷却するファンの少なくとも1つに設けた電力計と、
前記第1および第2の計測機器と前記電力計からの信号を受信し、入力パラメータとして演算し、前記流体を圧送するポンプ・前記流体を冷却するファン・流量調節弁の少なくとも1つへの制御値を送信が可能な制御部とを備え、
過去から現在に至る入力パラメータと制御値に基づいて機械学習アルゴリズムを用いて、
前記バイナリー発電システムへと供給される熱源流体の熱エネルギー量から変換される、発電量が大きいほど高い報酬として機械学習させ、
前記機械学習アルゴリズムは、正味の発電出力を最大化させる機械学習モデルと、前記膨張発電機の稼動を安定させる機械学習モデルとを生成し、
前記機械学習アルゴリズムに探索の要素を実装し、未知の環境の条件についても入力パラメータを取得するようにし、
前記探索の要素において、未知の環境の条件へ移行する制御ほど、優先して選択され易く して、
前記バイナリー発電システムを制御することを特徴としたバイナリー発電システム。 - 前記機械学習アルゴリズムは、強化学習・ディープラーニング・深層強化学習の少なくとも1つを用いたことを特徴とする請求項1に記載のバイナリー発電システム。
- 前記バイナリー発電システム外の周辺に、気温・湿度・風向・風速の少なくとも1つを計測可能な環境計測機器をさらに備え、
前記環境計測機器からの信号を受信し、前記バイナリー発電システムを制御することを可能としたことを特徴とする請求項1ないし2のいずれかに記載のバイナリー発電システム。 - 前記バイナリー発電システムへと供給される熱源流体の熱エネルギーの発生元となっている熱源が、前記バイナリー発電システムを含む複数の熱需要へと寄与し熱エネルギーを供給している場合において、
前記バイナリー発電システムの外に、熱源流体の熱エネルギーの発生元となっている熱源の熱エネルギー量に関係した情報を得られる熱源計測機器をさらに備え、
前記熱源計測機器からの信号を受信し、前記バイナリー発電システムを含む複数の熱需要の効果及び優先度に応じて、前記バイナリー発電システムへの熱エネルギー供給の割り振りを最適化するように、前記バイナリー発電システムを制御することを可能としたことを特徴とする請求項1ないし3のいずれかに記載のバイナリー発電システム。 - 遠隔地にある他のバイナリー発電システムと、通信回路を用いて直接的に、あるいはクラウドサーバー又はブロックチェーンの少なくとも1つを介して間接的に、情報を共有して機械学習アルゴリズムを用いて演算することを可能とした前記制御部とネットワークシステムとを備えたことを特徴とする請求項1ないし4のいずれかに記載のバイナリー発電システム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019040994A JP7268276B2 (ja) | 2019-02-18 | 2019-02-18 | バイナリー発電システム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019040994A JP7268276B2 (ja) | 2019-02-18 | 2019-02-18 | バイナリー発電システム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020133613A JP2020133613A (ja) | 2020-08-31 |
JP7268276B2 true JP7268276B2 (ja) | 2023-05-08 |
Family
ID=72278187
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019040994A Active JP7268276B2 (ja) | 2019-02-18 | 2019-02-18 | バイナリー発電システム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7268276B2 (ja) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7241275B1 (ja) | 2021-10-21 | 2023-03-17 | 株式会社産業科学研究開発センター | アンモニア回収システム及びガス冷却システム |
JP7445718B1 (ja) | 2022-08-24 | 2024-03-07 | 東京瓦斯株式会社 | 熱源システム |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102619641A (zh) | 2012-04-12 | 2012-08-01 | 北京工业大学 | 同时利用内燃机排气和冷却余热的发电系统及控制方法 |
JP2014118908A (ja) | 2012-12-18 | 2014-06-30 | Kobe Steel Ltd | 発電装置 |
JP2014181570A (ja) | 2013-03-18 | 2014-09-29 | Hitachi Ltd | 蒸気タービン制御装置 |
JP2016044577A (ja) | 2014-08-21 | 2016-04-04 | 株式会社Ihi | 廃熱発電装置 |
US20170068886A1 (en) | 2015-09-09 | 2017-03-09 | Emerson Process Management Power & Water Solutions, Inc. | Model-based characterization of pressure/load relationship for power plant load control |
JP2017157112A (ja) | 2016-03-03 | 2017-09-07 | 三菱日立パワーシステムズ株式会社 | 制御パラメータ自動調整装置、制御パラメータ自動調整方法、及び制御パラメータ自動調整装置ネットワーク |
-
2019
- 2019-02-18 JP JP2019040994A patent/JP7268276B2/ja active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102619641A (zh) | 2012-04-12 | 2012-08-01 | 北京工业大学 | 同时利用内燃机排气和冷却余热的发电系统及控制方法 |
JP2014118908A (ja) | 2012-12-18 | 2014-06-30 | Kobe Steel Ltd | 発電装置 |
JP2014181570A (ja) | 2013-03-18 | 2014-09-29 | Hitachi Ltd | 蒸気タービン制御装置 |
JP2016044577A (ja) | 2014-08-21 | 2016-04-04 | 株式会社Ihi | 廃熱発電装置 |
US20170068886A1 (en) | 2015-09-09 | 2017-03-09 | Emerson Process Management Power & Water Solutions, Inc. | Model-based characterization of pressure/load relationship for power plant load control |
JP2017157112A (ja) | 2016-03-03 | 2017-09-07 | 三菱日立パワーシステムズ株式会社 | 制御パラメータ自動調整装置、制御パラメータ自動調整方法、及び制御パラメータ自動調整装置ネットワーク |
Also Published As
Publication number | Publication date |
---|---|
JP2020133613A (ja) | 2020-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11754984B2 (en) | HVAC system with predictive airside control | |
US9709966B2 (en) | Thermo-economic modeling and optimization of a combined cooling, heating, and power plant | |
Wang et al. | Supervisory and optimal control of building HVAC systems: A review | |
US8577822B2 (en) | Data-driven approach to modeling sensors wherein optimal time delays are determined for a first set of predictors and stored as a second set of predictors | |
Qiu et al. | Model-free control method based on reinforcement learning for building cooling water systems: Validation by measured data-based simulation | |
US11573540B2 (en) | Methods and systems for training HVAC control using surrogate model | |
Chandan et al. | Modeling and optimization of a combined cooling, heating and power plant system | |
US11789415B2 (en) | Building HVAC system with multi-level model predictive control | |
JP7268276B2 (ja) | バイナリー発電システム | |
Keçebaş et al. | Artificial neural network modeling of geothermal district heating system thought exergy analysis | |
US11525596B2 (en) | Methods and systems for training HVAC control using simulated and real experience data | |
US8655497B2 (en) | System and method for regulating electrical and thermal energy generated by co/trigeneration energy system in multi-source energy plant | |
Labus et al. | Inverse neural network based control strategy for absorption chillers | |
Wang et al. | Leveraging heat accumulation of district heating network to improve performances of integrated energy system under source-load uncertainties | |
Panahizadeh et al. | Evaluation of machine learning-based applications in forecasting the performance of single effect absorption chiller network | |
CN109299834A (zh) | 一种净水厂的水处理量预测方法以及装置 | |
CN110412871B (zh) | 建筑区域内的辅助设备能耗预测处理方法及系统 | |
Zendehboudi et al. | Data-driven modeling of residential air source heat pump system for space heating | |
Ali et al. | Power prediction of waste heat recovery system for a cement plant using back propagation neural network and its thermodynamic modeling | |
Zhang et al. | Safe building HVAC control via batch reinforcement learning | |
Manoharan et al. | Learn to chill: Intelligent chiller scheduling using meta-learning and deep reinforcement learning | |
JP7088323B2 (ja) | サーバラック、制御装置、冷却方法、及びプログラム | |
Ahn et al. | Local vs. integrated control of a variable refrigerant flow system using artificial neural networks | |
Chow et al. | Applying neural network and genetic algorithm in chiller system optimization | |
Chen et al. | Performance prediction and optimization of the air‐cooled condenser in a large‐scale power plant using machine learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210322 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20211222 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220111 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20220214 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220506 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220802 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20220921 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221126 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230328 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230331 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7268276 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |