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。
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。