WO2018147194A1

WO2018147194A1 - 蓄電池制御装置、充放電制御方法、及び記録媒体

Info

Publication number: WO2018147194A1
Application number: PCT/JP2018/003653
Authority: WO
Inventors: 裕介菊池; 洋介本橋; 博倉金; 木村　英和; 雄一朗福林
Original assignee: 日本電気株式会社
Priority date: 2017-02-07
Filing date: 2018-02-02
Publication date: 2018-08-16
Also published as: JPWO2018147194A1

Abstract

蓄電池の劣化を低減するため、本発明の蓄電池制御装置は、蓄電池の温度を予測する温度予測モデルを学習する温度予測モデル学習手段と、蓄電池における充放電と蓄電池の劣化との関係を表す劣化予測モデルを学習する劣化予測モデル学習手段と、温度予測モデル及び劣化予測モデルを基に蓄電池における充放電計画の最適化に用いられる目的関数を生成する目的関数生成手段と、所定の制約条件の下で目的関数を最適化する蓄電池における充放電計画を作成する計画作成手段とを含む。

Description

蓄電池制御装置、充放電制御方法、及び記録媒体

　本発明は、蓄電池に関連し、特に、蓄電池の充放電を制御する蓄電池制御装置及び充放電制御方法などに関する。

　蓄電池制御システムにおいて、蓄電池を長寿命化して、蓄電池のランニングコストを低減させることが望まれている。そこで、蓄電池の劣化モデルに基づいて、蓄電池の劣化度が小さくなるように蓄電池における充放電を制御する蓄電池制御システムが提案されている。

　蓄電池の劣化は、蓄電池における電解液分解及び電極上での被膜形成などの化学反応に関係している。また、化学反応速度は、一般的に、温度に比例する。そのため、蓄電池の劣化を促進する重要な要因の一つとして、温度が挙げられる（例えば、非特許文献４を参照）。

　実際の運用においても、高温条件下で保存又は充放電サイクルを行った蓄電池は、常温で運用された蓄電池よりも、劣化速度が早いことが知られている（例えば、非特許文献１を参照）。

　そこで、所定のモデル（例えば、周辺の外気温を用いたモデル）を用いて蓄電池の劣化を最小にするように充放電するための運転計画（充放電計画）を立案する発明が、提案されている（例えば、特許文献１ないし４を参照）。

　特許文献１に記載の発明は、蓄電池劣化物理モデルである保存劣化モデル及びサイクル劣化モデルに基づき、施設における電気設備の電力需要を満たしながら周辺の外気温を考慮して、蓄電池の劣化を最小にする充放電計画を立案する。

　特許文献２の記載の発明は、創エネルギー機器と、蓄電機器と、電気式蓄熱機器と、電気負荷とを有するシステムを管理する発明である。詳細には、特許文献２に記載の発明は、外気温に対応した蓄熱機器の効率、蓄電機器の充放電電流の制限、及び、蓄電機器の充電電力量に起因する充電電流の制限などを考慮して、蓄電機器の劣化を低減する充放電計画を立案する。さらに、特許文献２に記載の発明は、充放電計画の立案において、使用状況及び周辺環境と、蓄電池の劣化度との関係を学習し、学習の結果を用いて計画を立案する。

　特許文献３に記載の発明は、過去の蓄電池運用履歴と蓄電池の劣化度とを基に予測モデルを構築し、構築した予測モデルに基づいて蓄電池劣化を最小とする運用データの特徴量を提示する。この特徴量は、予測モデルにおける説明変数である。

　特許文献４に記載の発明は、劣化を促進する特定の充電率（Ｓｔａｔｅ　ｏｆ　Ｃｈａｒｇｅ（ＳＯＣ））の範囲、具体的には高ＳＯＣ範囲及び低ＳＯＣ範囲を避けるように、蓄電池の充放電を制御する。

　なお、予測に用いられる予測方法としては、各種の方法が提案されている（例えば、非特許文献２ないし４を参照）。

　本発明に関連するその他の先行技術として、特許文献５及び６がある。特許文献５に記載の発明は、蓄電池の劣化を抑制するように充電開始時刻を決定する。特許文献６に記載の発明は、初期のデータを用いて蓄電池の劣化状態を推定する。

特開２０１６－７３０４２号公報国際公開第２０１６／１１３９２５号特開２０１４－１６３８７５号公報特開２０１２－０６５４４９号公報特開２０１３－２１０３４０号公報国際公開第２９１３／１２８６３５号

竹井勝仁、「重要性が増してきた二次電池技術の最前線」、電気学会誌、Vol.130, No.5、2010.05.01、 pp.280-284 Riki Eto, Ryohei Fujimaki, Satoshi Morinaga, Hiroshi Tamano, "Fully-Automatic Bayesian Piecewise Sparse Linear Models", Proceedings of the 17th International Conference on Artificial Intelligence and Statistics (AISTATS), 2014, pp.238-246 Shohei Shimizu, Patrik O. Hoyer, Aapo Hyvarinen, Antti Kerminen, "A Linear Non-Gaussian Acyclic Model for Causal Discovery", The Journal of Machine Learning Research, Volume 7, December 1, 2006, pp.2003-2030 川崎大輔、石川仁志、須藤信也、宇津木功二、「リチウムイオン二次電池の長寿命化技術」、NEC技報、Vol.65、 No.1、2012, pp.57-60

　蓄電池の劣化を最小にする充放電計画を作成するため、蓄電池制御装置は、充放電計画を作成するために用いる蓄電池の劣化予測モデルを、可能な限り精緻にモデル化する必要がある。

　例えば、蓄電池制御装置は、蓄電池の劣化度に関連する情報（例えば、使用状況（蓄電池充放電電力量など）、蓄電池の温度、及び、周辺環境（外気温など））の関係を精緻にモデル化したモデルを用いることが望ましい。

　例えば、蓄電池制御装置は、蓄電池の劣化を抑制するため、蓄電池の劣化を促進する運転を避ける充放電計画を作成することが望ましい。蓄電池の劣化を促進する運転は、例えば、特許文献４の記載に記載されている高ＳＯＣ範囲及び低いＳＯＣ範囲に長く留まる充放電計画を作成することである。

　ただし、蓄電池の劣化を促進する要因とその程度は、蓄電池の特性、劣化状態、及び使用環境などに影響を受けて、変化する場合がある。そこで、蓄電池制御装置は、劣化要因とその程度の変化に対応するため、蓄電池の特性、劣化状態、及び使用環境に基づいて充放電計画の作成に用いるモデルを変更することが望まれる。例えば、劣化を促進するＳＯＣ範囲の変化に影響を与えると考えられる蓄電池の特性及び使用履歴には、蓄電池の劣化度、蓄電池の温度の推移履歴、及びＳＯＣ推移履歴などがある。

　しかし、特許文献４に記載の発明は、劣化を促進するＳＯＣ範囲を既知としている。つまり、特許文献４は、蓄電池の特性、劣化状態、及び使用環境と、蓄電池劣化との関係性に基づいてモデルを変更する手法を開示していない。

　特許文献２及び３は、使用状況並びに周辺環境及び蓄電池の劣化度の関係を学習する機能を開示している。しかし、特許文献２及び３も、蓄電池の特性、劣化状態、及び使用環境に対応したモデル、及び、充放電計画を作成する方法を開示していない。

　特許文献１及び非特許文献１も、同様に、蓄電池の特性、劣化状態、及び使用環境に対応した手法を開示していない。

　このように、特許文献１ないし４、及び非特許文献１には、蓄電池の劣化をより低減するように、蓄電池の特性、劣化状態、及び使用環境に対応した充放電計画を作成できないという問題点があった。つまり、特許文献１ないし４、及び非特許文献１には、充放電における蓄電池の劣化を低減できないという問題点があった。

　なお、非特許文献２ないし４は、予測に関する文献であり、上記問題を解決する技術を開示していない。

　本発明の目的は、上記問題点を解決し、蓄電池の劣化を低減する蓄電池制御装置及び充放電制御方法などを提供することにある。

　本発明の一形態における情報処理装置は、蓄電池の温度を予測する温度予測モデルを学習する温度予測モデル学習手段と、蓄電池における充放電と蓄電池の劣化との関係を表す劣化予測モデルを学習する劣化予測モデル学習手段と、温度予測モデル及び劣化予測モデルを基に蓄電池における充放電計画の最適化に用いられる目的関数を生成する目的関数生成手段と、所定の制約条件の下で目的関数を最適化する蓄電池における充放電計画を作成する計画作成手段とを含む。

　本発明の一形態における情報処理方法は、蓄電池の温度を予測する温度予測モデルを学習し、蓄電池における充放電と蓄電池の劣化との関係を表す劣化予測モデルを学習し、温度予測モデル及び劣化予測モデルを基に蓄電池における充放電計画の最適化に用いられる目的関数を生成し、所定の制約条件の下で目的関数を最適化する蓄電池における充放電計画を作成する。

　本発明の一形態における記録媒体は、蓄電池の温度を予測する温度予測モデルを学習する処理と、蓄電池における充放電と蓄電池の劣化との関係を表す劣化予測モデルを学習する処理と、温度予測モデル及び劣化予測モデルを基に蓄電池における充放電計画の最適化に用いられる目的関数を生成する処理と、所定の制約条件の下で目的関数を最適化する蓄電池における充放電計画を作成する処理とをコンピュータに実行させるプログラムをコンピュータ読み取り可能に記録する。

　本発明に基づけば、蓄電池の劣化を低減するとの効果を奏することができる。

本発明における第１の実施形態に係る蓄電池制御装置を含む蓄電池システムの構成の一例を示すブロック図である。実績データの一例を示す図である。気温の予報データの一例を示す図である。異種混合学習において予測式の決定に用いられるツリーの一例を示す図である。各説明変数に対して決定された予測式の係数の値の一例を示す図である。予測劣化度の一例を示す図である。蓄電池の温度及び外気温の一例を示す図である。一日当たりの放電電力量と充電電力量との対応の一例を示す図である。第１の実施形態に係る温度予測モデル学習部の動作の一例を示すフローチャートである。第１の実施形態に係る劣化予測モデル学習部の動作の一例を示すフローチャートである。第１の実施形態に係る目的関数生成部の動作の一例を示すフローチャートである。第１の実施形態に係る需要予測モデル学習部の動作の一例を示すフローチャートである。第１の実施形態に係る制約条件生成部の動作の一例を示すフローチャートである。第１の実施形態に係る蓄電池制御装置の動作の一例を示すフローチャートである。計画作成部が線形計画法を用いた場合の結果の一例を示す図である。計画作成部が２次計画法を用いた場合の結果の一例を示す図である。第１の実施形態に概要である蓄電池制御装置の構成の一例を示すブロック図である。ハードウェア構成の一例を示すブロック図である。

　以下、本発明の実施形態を、図面を参照して説明する。

　各図面は、本発明の実施形態を説明するためのものである。ただし、本発明は、各図面の記載に限られるわけではない。また、各図面の同様の構成には、同じ番号を付し、その繰り返しの説明を、省略する場合がある。また、以下の説明に用いる図面において、本発明の説明に関係しない部分の構成については記載を省略し、図示しない場合もある。

　なお、本発明における実施形態は、制御対象となる蓄電池の種類及び蓄電池の設置場所などを限定されない。例えば、蓄電池は、家庭用エネルギーマネジメントシステムなどにおける各家庭に設置されたリチウムイオン電池でもよい。この場合、充放電計画は、例えば、現時点から１日（２４時間）後までの計画となる。ただし、本発明における実施形態が作成する充放電計画は、家庭用エネルギーマネジメントシステムのための充放電計画に限定されない。また、各実施形態の充放電計画は、計画期間を限定されない。あるいは、蓄電池は、定置されておらず、電気自動車などの動体に搭載されている蓄電池でもよい。

　＜第１の実施形態＞
　以下、図面を参照して、本発明における第１の実施形態について説明する。

　［構成の説明］
　まず、図面を参照して、第１の実施形態に係る蓄電池制御装置１０の構成について説明する。

　図１は、本発明のおける第１の実施形態に係る蓄電池制御装置１０を含む蓄電池制御システム５０の構成の一例を示すブロック図である。蓄電池制御システム５０は、蓄電池制御装置１０と、蓄電池システム２０と、電力系統３０と、負荷設備４０とを含む。

　蓄電池制御装置１０は、蓄電池システム２０における、電力系統３０から蓄電池システム２０への充電、及び、蓄電池システム２０から負荷設備４０への放電を制御する。詳細には、蓄電池制御装置１０は、後ほど説明する動作を基に蓄電池システム２０における充電及び放電の計画（以下、「充放電計画」又は単に「計画」）を作成し、蓄電池システム２０に送信する。例えば、充放電計画は、所定の時間単位毎の蓄電池システム２０に含まれる蓄電池における充電電力量及び放電電力量に関する計画である。

　蓄電池システム２０は、負荷設備４０に供給するための電力として、電力系統３０からの電力を充電する蓄電池（例えば、定置用蓄電池）を含む。さらに、蓄電池システム２０は、充電電力量及び放電電力量を制御するため設備を含む。ただし、図１では、図の煩雑さを避けるため、蓄電池及び設備の図示を省略した。

　そして、蓄電池システム２０は、充放電計画を基に、電力系統３０から蓄電池への充電及び蓄電池から負荷設備４０への放電を制御する。

　蓄電池システム２０は、充放電計画以外の情報を受信してもよい。例えば、蓄電池システム２０は、放電停止残量設定値を受信してもよい。放電停止残量設定値とは、蓄電池の放電を停止するため条件（例えば、閾値）である。例えば、蓄電池システム２０は、放電停止残量設定値として所定の充電率（ＳＯＣ）の値を取得し、蓄電池におけるＳＯＣが放電停止残量設定値に達した時点で蓄電池からの放電を停止する。

　例えば、蓄電池システム２０は、電力系統３０における停電などに備えて、所定の電力を蓄電池に残すことが望ましい。そこで、例えば、蓄電池システム２０のユーザは、蓄電池システム２０に放電停止残量設定値として、「１０％」を設定する。この場合、蓄電池システム２０は、放電中に蓄電池のＳＯＣが１０％に達した時点で、蓄電池からの放電を停止する。

　電力系統３０は、蓄電池システム２０への電力の供給源である。具体的には、電力系統３０は、電力会社などである。電力系統３０から供給される電力の使用には、電力会社などとの契約形態に応じた料金（電気料金）の支払が必要である。例えば、料金は、所定の算出方法を用いて、使用実績に応じて算出される。あるいは、料金は、時間帯（例えば、早朝、昼、夜間、又は深夜など）に応じて変化する。例えば、一般的に、電力の使用量が少ない深夜の電気料金は、他の時間帯と比較して安い料金が設定されている。そこで、一般的に、蓄電池システムは、料金が安い深夜の時間帯に蓄電池に充電し、料金の高い日中などに蓄電池に蓄積した電力を利用するという充放電計画を採用している。

　次に、蓄電池制御装置１０の構成について説明する。

　蓄電池制御装置１０は、データ収集部１０１と、温度予測モデル学習部１０２と、劣化予測モデル学習部１０３と、需要予測モデル学習部１０４と、目的関数生成部１０５と、需要予測部１０６と、制約条件生成部１０７と、計画作成部１０８とを含む。

　データ収集部１０１は、後ほど詳細に説明する各構成部における動作に用いられるデータを収集する。データ収集部１０１が収集するデータは、各構成部の動作に沿って決定される。

　以下では、データ収集部１０１が収集するデータの一例を説明する。なお、データ収集部１０１は、主体的にデータを収集してもよく、受動的にデータを受信してもよい。例えば、データ収集部１０１は、所定の通信網（例えば、インターネット）を介してデータを収集するデータ収集装置でもよい。あるいは、データ収集部１０１は、ユーザが操作する装置から、データを受信する受信装置でもよい。あるいは、データ収集部１０１は、図示しない装置が収集又は受信したデータを記憶する記憶装置でもよい。以下、受動的な場合を含め、「データ収集部１０１がデータを収集する」として説明する。

　データ収集部１０１は、以下で説明する各構成の動作に対応して、例えば、次に示すデータを収集する。
（１）温度予測モデル学習部１０２が温度予測モデルの学習に用いる訓練データ
（２）劣化予測モデル学習部１０３が劣化予測モデルの学習に用いる訓練データ
（３）需要予測モデル学習部１０４が需要予測モデルの学習に用いる訓練データ
（４）需要予測部１０６が電力需要量の予測値の算出に用いるデータ
（５）制約条件生成部１０７が制約条件の生成に用いるデータ
（６）計画作成部１０８が充放電計画の作成に用いるデータ
　ただし、データ収集部１０１は、上記のデータの全てではなく、一部のデータを収集してもよい。例えば、計画作成部１０８が、充放電計画を作成する際に自身で必要なデータを取得する場合、データ収集部１０１は、計画作成部１０８の動作に関連するデータを収集しなくてもよい。

　さらに、データ収集部１０１は、過去に収集した実績データを記憶してもよい。ここで、実績データとは、例えば、所定の時間における蓄電池の充電電力量及び放電電力量、蓄電池のＳＯＣ、蓄電池の温度、蓄電池の周辺の温度（以下、「外気温」と呼ぶ）、電力需要、及び、蓄電可能総容量などである。なお、蓄電可能総容量は、学習容量とも呼ばれる。データ収集部１０１は、これらのデータを所定の間隔（例えば、１５分毎）で収集する。そして、データ収集部１０１は、収集したデータを実績データとして記憶する。ただし、収集時間の粒度は、１５分に限られず、任意の時間間隔でよい。

　図２は、実績データの一例を示す図である。図２に示されている実績データは、１５分毎のデータとなっている。図２に示されている実績データは、日付及び時間、充電電力量、放電電力量、蓄電池温度、外気温、電力需要、学習容量、及びＳＯＣを含む。さらに、図２に示されている実績データは、設定されている放電停止残量設定値を含む。

　あるいは、データ収集部１０１は、過去のデータに限られず、予測データを収集してもよい。例えば、データ収集部１０１は、外気温の予測データとして、インターネットを介して、天気予報会社から気温の予報データを取得してもよい。

　図３は、気温の予報データ（予測気温）の一例を示す図である。例えば、データ収集部１０１は、インターネットを介して、天気予報会社から、図３に示されている予報データを収集する。

　あるいは、データ収集部１０１は、各構成部の予測モデルの学習に用いる訓練データとして、負荷設備４０に関連する人（例えば、建物内の人）の数、関連する人の性別及び年齢、日射量、及び天気概況を収集してもよい。あるいは、データ収集部１０１は、蓄電池の周辺環境（例えば、設置場所、又は、設置された施設）に関するデータを収集してもよい。

　あるいは、データ収集部１０１は、電力系統３０に関連するデータを収集してもよい。例えば、電力系統３０が太陽光発電機を含む場合、データ収集部１０１は、電力系統３０に含まれる太陽光発電機の発電電力量の予測などを収集してもよい。

　あるいは、蓄電池制御装置１０は、他の蓄電池制御装置１０とデータを共有してもよい。詳細には、データ収集部１０１は、他の場所に設置されている蓄電池制御システム５０に含まれる蓄電池制御装置１０のデータ収集部１０１と、データを共有してもよい。データを共有する場合、共有に用いられる通信路は、限定されない。蓄電池制御装置１０は、例えば、インターネット回線を介してデータを共有してもよく、専用線を用いてデータを共有してもよい。

　図１を参照した説明に戻る。

　温度予測モデル学習部１０２は、訓練データに基づいて、蓄電池の温度を予測するための温度予測モデルを学習する。

　劣化予測モデル学習部１０３は、訓練データに基づいて、蓄電池における充放電と蓄電池の劣化との関係を表す劣化予測モデルを学習する。

　なお、劣化予測モデル学習部１０３は、訓練データとして、可能な限り多様な蓄電池のデータを用いることが望ましい。さらに、訓練データは、各蓄電池制御装置１０の制御対象となっている蓄電池のデータを限定されない。例えば、劣化予測モデル学習部１０３は、訓練データとして、異なる場所に設置されている蓄電池制御装置１０が制御している蓄電池のデータを用いてもよい。

　上記のように多様な蓄電池のデータを用いると、劣化予測モデル学習部１０３は、多様な蓄電池の劣化状態の一例である劣化度のデータ及び／又は充放電履歴のデータを用いて、劣化予測モデルを学習できる。その結果、劣化予測モデル学習部１０３は、劣化予測モデルの精度を向上できる。

　需要予測モデル学習部１０４は、訓練データに基づいて、需要予測モデルを学習する。

　なお、各訓練データは、上記のようにデータ収集部１０１が収集したデータでもよく、他のデータを用いてもよい。

　また、温度予測モデル学習部１０２、劣化予測モデル学習部１０３、及び需要予測モデル学習部１０４は、予測モデルの学習方法を限定されない。さらに、温度予測モデル学習部１０２、劣化予測モデル学習部１０３、及び需要予測モデル学習部１０４は、同じ方法を用いてもよく、それぞれ異なる方法を用いてもよい。温度予測モデル学習部１０２、劣化予測モデル学習部１０３、及び需要予測モデル学習部１０４は、それぞれ、予測対象に対応した方法を用いればよい。

　例えば、温度予測モデル学習部１０２、劣化予測モデル学習部１０３、又は、需要予測モデル学習部１０４は、機械学習を用いてもよい。あるいは、温度予測モデル学習部１０２、劣化予測モデル学習部１０３、又は、需要予測モデル学習部１０４は、単純な回帰手法を用いてもよい。あるいは、温度予測モデル学習部１０２、劣化予測モデル学習部１０３、又は、需要予測モデル学習部１０４は、非特許文献２に記載された異種混合学習法を用いてもよい。あるいは、温度予測モデル学習部１０２、劣化予測モデル学習部１０３、又は、需要予測モデル学習部１０４は、非特許文献３に記載された因果推論手法を用いてもよい。

　図面を参照して、温度予測モデル学習部１０２、劣化予測モデル学習部１０３、及び需要予測モデル学習部１０４を詳細に説明する。

　温度予測モデル学習部１０２は、訓練データを基に、蓄電池の温度を予測するための温度予測モデルを学習する。温度予測モデル学習部１０２は、温度予測モデルがない場合（例えば、初期状態の場合）、学習に先立ち、事前に規定された温度予測モデルを作成してもよく、事前に規定された装置又は場所から温度予測モデルを所得してもよい。

　図面を参照して、温度予測モデル学習部１０２における学習動作を説明する。

　図９は、第１の実施形態に係る温度予測モデル学習部１０２の動作の一例を示すフローチャートである。

　温度予測モデル学習部１０２は、訓練データを取得する（ステップＳ１０１）。

　温度予測モデル学習部１０２は、温度予測モデルにおける説明変数を算出する（ステップＳ１０２）。温度予測モデル学習部１０２は、この動作を基に、温度予測モデルを用いた蓄電池の温度の予測における精度を向上させる。温度予測モデル学習部１０２における説明変数の算出方法は、任意である。例えば、温度予測モデル学習部１０２は、事前に規定された方法に基づいて、説明変数を算出してもよい。あるいは、温度予測モデル学習部１０２は、説明変数を算出する所定の手法及び説明変数を選択する所定の手法を用いて、説明変数を算出してもよい。ここで、説明変数を算出する手法は、例えば、所定の期間の平均値、分散値、最大値、及び／又は最小値を用いる方法である。また、説明変数を選択する手法は、例えば、温度の予測精度を高くする所定の数の変数を選択する方法である。ただし、温度予測モデル学習部１０２は、ステップＳ１０２の動作を実行しなくてもよい。つまり、温度予測モデル学習部１０２は、必要に応じて説明変数を算出すればよい。

　温度予測モデル学習部１０２は、訓練データを用いて温度予測モデルを学習する（ステップＳ１０３）。

　温度予測モデル学習部１０２における具体的な動作の一例を説明する。

　温度予測モデルとしての時間ｔ＋１における蓄電池温度（ｂ_ｔ＋１）を表す関数ｈは、数１となる。つまり、関数ｈは、時間ｔにおける蓄電池温度（ｂ_ｔ）、時間ｔにおける外気温（ｏ_ｔ）、時間ｔから時間ｔ＋１までの充電電力量（ｃ_ｔ）、時間ｔから時間ｔ＋１までの放電電力量（ｄ_ｔ）を説明変数とする。そして関数ｈは、予測として、時間ｔ＋１における蓄電池温度（ｂ_ｔ＋１）を算出する。ここで、時間ｔ＋１は、時間ｔから温度予測モデルにおける予測時間の間隔（例えば、１５分）後を表している。

　［数１］

　温度予測モデル学習部１０２は、数１に示されている関数ｈを学習する。例えば、関数ｈとして線形回帰を用いた場合は、関数ｈは、より具体的に数２に示される等式となる。数２において、αは回帰式の定数項である、β_１ないしβ_４は、回帰式の係数である。

　［数２］

　温度予測モデル学習部１０２は、訓練データを用いて、上記数２におけるα及びβ_１ないしβ_４を学習する。

　温度予測モデル学習部１０２は、目的関数生成部１０５に、学習結果としての温度予測モデルを送信する（ステップＳ１０４）。

　図１を参照した説明に戻る。

　劣化予測モデル学習部１０３は、訓練データを基に、蓄電池の劣化度を予測するための劣化予測モデルを学習する。劣化予測モデル学習部１０３は、劣化予測モデルがない場合（例えば、初期状態の場合）、学習に先立ち、事前に規定された劣化予測モデルを作成してもよく、事前に規定された装置又は場所から劣化予測モデルを取得してもよい。

　本実施形態において、劣化予測モデルにおける学習の対象となる目的変数は、蓄電池の劣化度を表現する変数であれば、限定されない。学習対象となる目的変数は、例えば、所定の期中における学習容量の低下量でもよい。あるいは、学習対象となる目的変数は、非特許文献４に記載されているルート則に基づく所定の期中における運転日数の平方根と学習容量の低下量との関係を直線近似した場合の直線の傾きなどでもよい。

　また、本実施形態において、劣化予測モデルの学習に用いる説明変数は、限定されない。例えば、学習に用いる説明変数は、次に示す１年前から現時点までにおける学習容量の低下量に関連する変数でもよい。
（１）１年前の学習容量
（２）１日の蓄電池温度平均値の１年間平均値
（３）１日のＳＯＣ平均値の１年間平均値
（４）１日のＳＯＣ最小値の１年間平均値
（５）１日当たりの総放電電力量の１年間平均値
　そして、劣化予測モデル学習部１０３は、例えば、劣化予測モデルとして、非特許文献２に記載されている異種混合学習を用いて、劣化予測モデルを学習する。

　図面を参照して、劣化予測モデル学習部１０３における学習動作を説明する。

　図１０は、第１の実施形態に係る劣化予測モデル学習部１０３の動作の一例を示すフローチャートである。

　劣化予測モデル学習部１０３は、訓練データを取得する（ステップＳ２０１）。

　劣化予測モデル学習部１０３は、劣化予測モデルにおける目的変数及び説明変数を計算する（ステップＳ２０２）。

　そして、劣化予測モデル学習部１０３は、訓練データを基に劣化予測モデルを学習する（ステップＳ２０３）。

　劣化予測モデル学習部１０３における具体的な動作の一例を説明する。

　以下の説明は、線形回帰を用いて、所定の期間（例えば、１年間）の劣化度（Ｄ）を予測する劣化予測モデルについて説明する。この場合、劣化予測モデルを用いて、ある蓄電池の劣化度（Ｄ）を予測する式は、数３となる。

　［数３］

　数３における各変数は、次のとおりである。Ｋは、劣化予測モデルの学習に用いた訓練データにおける期間（日数）である。ｆは、ある１日（各日は、引き数（ｋ）を用いて区別する）における蓄電池の運転に関連する値の説明変数（平均、分散、又は最小など）を生成する第１の説明変数生成関数である。Ｍは、第１の説明変数生成関数（ｆ）の数を示す。第１の説明変数関数（ｆ）は、引き数（ｍ）を用いて区別される。ｇは、外的要因（例えば、学習容量）に関連する第２の説明変数生成関数である。Ｎは、第２の説明変数生成関数（ｇ）の数を示す。第２の説明変数関数（ｇ）は、引き数（ｎ）を用いて区別される。

　なお、説明変数生成関数ｆ及びｇは、任意である。
例えば、説明変数生成関数ｆ及びｇは線形変換の関数（線形関数）でもよく、対数又は多項式のような非線形変換の関数（非線形関数）でもよい。ｃ_ｋ、ｄ_ｋ、及びｂ_ｋは、それぞれ、ある日（引き数ｋに相当する日）の所定の時間毎（例えば、１５分毎）における充電電力量、放電電力量、及び蓄電池温度の値を格納したベクトルである。蓄電池が複数の場合、ｃ_ｋ、ｄ_ｋ、及びｂ_ｋは、行列となる。αは、回帰式の定数項である。β及びγは、回帰式の係数である。

　次に、具体例として、複数の蓄電池における１年間の運転データを基に、異種混合学習を用いて劣化予測モデルを学習した例を説明する。なお、ここで用いた異種混合学習は、予測精度が高くなるように自動でデータを分割し、各データに対して数３に示した予測式を当てはめる。

　図４は、異種混合学習において予測式の決定に用いられるツリーの一例を示す図である。ツリーは、入力された説明変数を基に、蓄電池の劣化予測に用いる劣化予測モデルである予測式を決定するために用いられる。劣化予測モデル学習部１０３が蓄電池における劣化を予測する場合、劣化予測モデル学習部１０３は、蓄電池に対して、図４に示されているツリーの分岐条件に従って、使用する予測式を決定する。

　例えば、「１日のＳＯＣ最小値の１年間の平均値が５％以上」かつ「１日のＳＯＣの最小値の１年間の平均値が２０％以上」の場合（つまり、１日のＳＯＣの最小値の１年間の平均値が２０％以上の場合）、予測式＃４が選択される。あるいは、「１日のＳＯＣ最小値の１年間の平均値が５％未満」かつ「１年前の学習容量測定値が２６０００［ｍＡ］未満」の場合、予測式＃１が選択される。

　そして、劣化予測モデル学習部１０３は、決定した予測式に、異種混合学習を用いて計算された定数項（α）及び係数（β及びγ）の値を代入する。

　図５は、各説明変数に対して決定された予測式の係数の値の一例を示す図である。例えば、１行目は、「１年前の学習容量の測定値」の係数が、予測式＃１では「０．３０」であり、予測式＃２では「０．５５」であり、予測式＃３では「０．４５」であり、予測式＃４では「０．６０」であることを示している。

　あるいは、例えば、図５の第１列に示されている予測式＃１は、次のとおりである。
予測式＃１＝０．３０×（１年前の学習容量の測定値）－０．２６×（１日の総放電電力量の１年間の平均値）＋１５．８８×（１日のＳＯＣ平均値の１年間の平均値）＋２０．７９×（１日の蓄電池温度の平均値の１年間の平均値）－５９６５．１３
　そして、蓄電池における予測劣化度は、選択された予測式を用いて算出される。

　図６は、予測劣化度の一例を示す図である。図６は、一例として、２個の蓄電池（蓄電池Ａ及び蓄電池Ｂ）についての劣化度を示す。図６に示されている劣化度は、図４に示されているツリーに基づいて判定された図５に示されている式及び係数を用いて算出された予測式（つまり、劣化予測モデル）を基に算出された蓄電池の劣化度である。

　蓄電池の劣化度は、具体的には次のとおりである。
蓄電池Ａの予測劣化度＝０．６０×２４５０３＋０．３０×２８８８．１７－３１．１７×８０．２３＋９０．９３×２０．３－１３７９９．１０≒３３４．１７［ｍＡ］
蓄電池Ｂの予測劣化度＝０．３０×２１０４６＋０．２６×３２９７．７２＋１５．８８×６８．９４＋２０．７９×１９．３－５９６５．４３≒９８６．９８［ｍＡ］
　図４に示されているツリーにおいて、最初の条件は、「１日のＳＯＣ最小値の１年間平均値が５％未満」である。つまり、図４を参照すると、「１日のＳＯＣ最小値の１年間平均値が５％未満であるか否か」の条件が、蓄電池劣化に与える影響が大きいことがわかる。

　また、図５に示されている係数において、「１日のＳＯＣ平均値の１年間の平均値」及び「１日の蓄電池温度の平均値の１年間の平均値」の係数の値が大きい。つまり、図５を参照すると、「１日のＳＯＣ平均値の１年間の平均値」及び「１日の蓄電池温度の平均値の１年間の平均値」が、蓄電池劣化に与える影響が大きいことがわかる。

　例えば、図５を参照すると、予測式＃１において、１日のＳＯＣ平均値の１年間平均値が１％上がると、蓄電池の劣化度（学習容量の低下量）が１５.８８ｍＡ増える。また、予測式＃４においては、１日のＳＯＣ平均値の１年間平均値が１％上がると、蓄電池の劣化度が３１.１７ｍＡ減る。

　あるいは、図４を参照すると、「１日のＳＯＣ最小値の１年間平均値が５％以上」である蓄電池には、予測式＃３又は＃４が用いられる。そして、図５を参照すると、予測式＃３及び＃４は、どちらも「１日のＳＯＣ平均値の１年間平均値」が高いと、蓄電池劣化が小さくなる。つまり、充電した電力が５％以上である蓄電池は、「１日のＳＯＣ平均値の１年間平均値」を高くすると蓄電池の劣化が小さくなる。そこで、蓄電池制御装置１０は、このような蓄電池の充放電計画として、放電が多い昼間では、蓄電池を放電させず、代わりに電力系統３０から買電し、放電電力量が少なくなる夕方以降に放電させる充放電計画を作成すればよい。

　一方、図５を参照すると、「１日のＳＯＣ最小値の１年間平均値が５％未満」である蓄電池には、予測式＃１又は＃２が用いられる。そして、図５を参照すると、予測式＃１及び＃２は、どちらも、「１日のＳＯＣ平均値の１年間平均値」が低いと、蓄電池の劣化が小さくなる。つまり、充電した電力が５％未満である蓄電池においては、「１日のＳＯＣ平均値の１年間平均値」を低くすると蓄電池の劣化が小さくなる。そこで、蓄電池制御装置１０は、このような蓄電池の充放電計画として、朝の早い時間帯から放電させて、低いＳＯＣ範囲における時間を長くする充放電計画を作成すればよい。

　このように、本実施形態に係る蓄電池制御装置１０は、異種混合学習を用いて、上記の示唆を提供することができる。

　実際の蓄電池に適用した場合の実測値は、次のようになった。

　一般的な重回帰分析を用いた蓄電池の充放電計画の場合、蓄電池の予測劣化度の平均絶対誤差は、３４２.４８ｍＡであった。

　これに対し、本実施形態における異種混合学習を用いた充放電計画の場合、蓄電池の予測劣化度の平均絶対誤差は、２７８.８５ｍＡであった。

　つまり、蓄電池制御装置１０は、誤差を約１８.６％低減させることができた。

　このように、蓄電池制御装置１０は、異種混合学習を用いることで、蓄電池の劣化をより精緻にモデル化することができた。

　なお、図４及び５に示されている値は、例示のための値である。これらの値は、劣化予測モデル学習部１０３が学習に用いる訓練データに応じて変化する。

　図１０を参照した説明に戻る。

　劣化予測モデルの学習後、劣化予測モデル学習部１０３は、目的関数生成部１０５に、学習した劣化予測モデルを送信する（ステップＳ２０４）。

　図１を参照した説明に戻る。

　目的関数生成部１０５は、温度予測モデル学習部１０２から学習後の温度予測モデルを受信し、劣化予測モデル学習部１０３から学習後の劣化予測モデルを受信する。そして、目的関数生成部１０５は、温度予測モデルと劣化予測モデルとを基に、蓄電池制御装置１０における最適化の対象となる目的関数を生成する。つまり、目的関数生成部１０５は、計画作成部１０８が充放電計画を作成するために用いる目的関数を生成する。そして、目的関数生成部１０５は、生成した目的関数を、計画作成部１０８に送信する。

　図面を参照して、目的関数生成部１０５における動作を説明する。

　以下の説明において、計画作成部１０８は、午前６時の時点において、１５分を単位とした２４時間後までの充放電計画を作成するものとする。目的関数生成部１０５は、上記の計画作成部１０８が充放電計画の作成に用いる目的関数を生成する。

　この例では、目的関数生成部１０５は、最適化に用いる目的関数として、１日当たりの蓄電池の予測劣化度を表現する関数を生成する。具体的には、目的関数生成部１０５は、１日当たりの蓄電池の予測劣化度（Ｄｄａｙ）を表現する関数の定義として、数４に示されている関数を用いる。

　［数４］

　数４において、Ｋ、ｍ、Ｍ、関数ｆ、ｎ、Ｎ、関数ｇ、α、β、及びγは、数３と同じである。ただし、関数ｆ及びｇは、線形関数とする。ｘ、ｙ、及びｂ＾は、それぞれ、１日の所定時間毎（例えば、１５分毎）の放電電力量計画値、充電電力量計画値、及び蓄電池温度予測値を格納したベクトルである。ｘ、ｙ、及びｂ＾は、対象となる日における、数３のｃ_ｋ、ｄ_ｋ、及びｂ_ｋに相当する。このように、以下の説明では、予測値には「＾」を付す。なお、蓄電池が複数の場合、ｘ、ｙ、及びｂ＾は、ベクトルとなる。

　数４における回帰式は、図４を用いて説明したように、異種混合学習におけるツリーに基づいて選択された回帰式である。例えば、回帰式は、最適化の対象となる蓄電池における「１日のＳＯＣ最小値の一年間の平均値」及び「１年前の学習容量測定値」に応じて選択された予測式である。

　なお、ここまでの説明では、劣化予測モデル学習部１０３などが、異種混合学習を用いる場合について説明した。しかし、劣化予測モデル学習部１０３などが用いる方法を、異種混合学習に限定されない。例えば、劣化予測モデル学習部１０３は、蓄電池の特性、劣化状態、及び／又は使用環境に応じて予測精度が高くなるように複数の適切な予測式を生成し、生成した予測式を含む劣化予測モデルを学習できれば、予測式の生成方式を限定されない。例えば、劣化予測モデル学習部１０３は、所定の閾値を用いて学習データを種々のパターンに分割し、分割したパターンそれぞれに対して機械学習を用いて予測式を生成してもよい。

　目的関数生成部１０５は、最適化対象日のＳＯＣ最小値として、放電停止残量設定値を用いてもよい。

　なお、蓄電池からの放電可能電力量が、充放電計画を策定する対象期間における放電可能時間帯のすべての電力需要を満たせる場合は、蓄電池制御システム５０は、充放電計画を用いなくてもよい。この場合、蓄電池システム２０は、負荷設備４０における実電力需要に合わせて放電すればよい。そして、蓄電池システム２０は、電力系統３０から充電する電力及び買電の料金が低い時間帯に、蓄電池に充電すればよい。上記の動作を基に、蓄電池制御システム５０は、電力系統３０からの買電電力量及び料金を最小化できる。

　なお、この場合、蓄電池制御装置１０は、電力系統３０からの買電電力量を最小化することを第１の目的としており、充電可能時間帯を放電可能時間帯に比べより電気料金が安い時間帯とし、蓄電池の劣化については考慮しない。

　次に、目的関数生成部１０５の動作の詳細例として、充放電計画及び外気温予報値を用いて午前６時から２４時間後までの蓄電池温度（ｂ＾）を表現する方法について説明する。なお、以下の算出に用いられる充放電計画値は、具体的な値ではなく、単なる変数として扱われる。つまり、計画作成部１０８は、以下の動作を用いて生成された目的関数を用いて、充放電計画を導出することになる。

　図１１は、第１の実施形態に係る目的関数生成部１０５の動作の一例を示すフローチャートである。

　まず、目的関数生成部１０５は、外気温予測値、及び、以下の説明で用いる実測値を取得する。つまり、目的関数生成部１０５は、必要なデータを取得する（ステップＳ３０１）。

　次に、目的関数生成部１０５は、温度予測モデル及び劣化予測モデルを受信する（ステップＳ３０２）。

　そして、目的関数生成部１０５は、温度予測モデル及び劣化予測モデルを基に、目的関数を生成する（ステップＳ３０３）。

　ここで、数１を用いて数４における蓄電池温度の予測値（ｂ＾）を算出する動作について詳細に説明する。

　以下で説明する例の場合、現時点（ｔ＝０）は、午前６時とする。

　まず、目的関数生成部１０５は、現時点（午前６時）における蓄電池温度の実測値を、ｔ＝０における蓄電池温度（ｂ_０）に代入する。さらに、目的関数生成部１０５は、ｔ＝０（午前６時）における外気温の実測値を、ｔ＝０の外気温（ｏ_０）に代入する。

　次に、目的関数生成部１０５は、ｔ＝０における各値を数１に適用して、午前６時１５分（ｔ＝１）における蓄電池温度の予測値（ｂ＾_１）を求める。ただし、目的関数生成部１０５は、充電電力量（ｃ_ｏ）及び放電電力量（ｄ_ｏ）として、充放電計画における午前６時から午前６時１５分までの計画値を用いる。

　次に、目的関数生成部１０５は、ｔ=1における各値を数１に適用して、ｔ＝２（午前６時３０分）における蓄電池温度（ｂ＾_２）を求める。具体的には、目的関数生成部１０５は、ｔ＝１の蓄電池温度として上記で計算した蓄電池温度の予測値（ｂ＾_１）を用い、外気温として午前６時１５分における外気温の予報値（ｏ＾_１）を用いる。さらに、目的関数生成部１０５は、充電電力量（ｃ_１）及び放電電力量（ｄ_１）として、充放電計画における午前６時１５分から午前６時３０分までの計画値を用いる。このときの蓄電池温度の予測値（ｂ＾_２）は、次の値を用いて表現される。
（１）ｔ＝０（午前６時）における蓄電池温度の実測値（ｂ_０）及び外気温の実測値（ｏ_０）
（２）午前６時から午前６時３０分までの充電電力量計画値（ｙ_ｏ、ｙ_１）及び放電電力量計画値（ｘ_ｏ、ｘ_１）
　目的関数生成部１０５は、上記と同様の動作を繰り返し、所定の時間（例えば、２４時間後）までの蓄電池の温度（予測値ｂ＾）を求める。

　図７は、蓄電池の予測温度及び実績温度、並びに、外気温の一例を示す図である。図７を参照すると、第１の実施形態に係る目的関数生成部１０５が、精度よく蓄電池の温度を予測できていることがわかる。図７において、各時間における蓄電池温度の予測値（ｂ＾_ｔ）は、ｔ＝０（午前６時）における蓄電池温度の実測値（ｂ_０）及び外気温の実測値（ｏ_０）、予測対象時間以前の外気温の予報値、並びに、充電電力量及び放電電力量の計画値を用いて表現される。

　上記のように、目的関数生成部１０５は、充放電計画値及び外気温予報値を基に所定の時間までの蓄電池の温度の予測を求めることができる。例えば、上記で説明したように、目的関数生成部１０５は、数１を用いて、蓄電池の温度の予測値（ｂ＾）を計算できる。つまり、目的関数生成部１０５は、数４の目的関数を数５の目的関数に変形する。

　［数５］

　式５において、外気温ｏ＾は、午前６時１５分から翌日の午前５時４５分まで１５分毎の外気温の予報値を格納したベクトルである。また、式５において関数Ｈは、数１に示されている関数ｈに、次に示す入力を逐次的に適用して蓄電池温度予測値を格納したベクトル（ｂ＾）を返す関数である。
入力１：午前６時から翌日の午前５時４５分までの１５分ごとの充電電力量計画値ベクトル（ｘ）及び放電電力量計画値ベクトル（ｙ）
入力２：ｔ＝０（午前６時）における蓄電池温度の実測値（ｂ_０）及び外気温の実測値（ｏ_０）
入力３：外気温の予報値ｏ＾
　目的関数の生成後、目的関数生成部１０５は、計画作成部１０８に、目的関数を送信する（ステップＳ３０４）。

　なお、ここまでの説明において、温度予測モデル及び劣化予測モデルをそれぞれ１つとして説明した。ただし、第１の実施形態に係る目的関数生成部１０５は、温度予測モデル及び劣化予測モデルとして、複数のモデルを用いてもよい。

　例えば、温度予測モデル学習部１０２は、１５分後温度予測モデル、３０分後温度予測モデル、及び、４５分後温度予測モデルのように、所望の時間まで蓄電池の温度を予測する複数の温度予測モデルを学習してもよい。この場合、目的関数生成部１０５は、複数の温度予測モデルを用いて、目的関数を生成すればよい。

　図１を参照した説明に戻る。

　需要予測モデル学習部１０４は、訓練データを基に、蓄電池に対する放電要求量を予測するための需要予測モデルを学習する。需要予測モデル学習部１０４は、需要予測モデルがない場合（例えば、初期状態の場合）、学習に先立ち、事前に規定された需要予測モデルを作成してもよく、事前に規定された装置又は場所から需要予測モデルを所得してもよい。

　なお、需要予測モデルにおける時間単位及び時間範囲は、需要予測部１０６及び制約条件生成部１０７の動作の結果として計画作成部１０８の動作に必要な制約条件を生成できれば、温度予測モデルと同じでもよく、異なっていてもよい。例えば、計画作成部１０８が１５分単位で充放電計画を作成する場合、需要予測モデルは、午前６時から２４時間後までの電力需要量を１５分単位で予測するモデルでもよい。ただし、需要予測モデルは、５分単位で電力需要量を予測するモデルとして、予測値を１５分単位に集約してもよい。あるいは、需要予測モデルは、１時間単位で電力需要量を予測するモデルとして、予測値を１５分単位に均等に割り付けてもよい。

　以下の説明では、需要予測モデルにおける時間単位と時間範囲は、温度予測モデルと同じとする。例えば、温度予測モデルが、１５分単位で午前６時から２４時間後までを予測するモデルの場合、需要予測モデルは、１５分単位で午前６時から２４時間後までを予測するモデルである。

　図１２は、第１の実施形態に係る需要予測モデル学習部１０４の動作の一例を示すフローチャートである。

　需要予測モデル学習部１０４は、訓練データを取得する（ステップＳ４０１）。なお、訓練データは、需要予測モデルに沿って選定されれば、特に限定されない。例えば、訓練データは、所定の時間範囲における実電力需要量などの電力に関連するデータを含んでもよい。あるいは、訓練データは、気象情報（例えば、対象地域の外気温予測値（気象予報値）及び天気概況）、日に関連する情報（曜日及び休日情報など）、又は、電力のユーザに関連する情報（例えば、ユーザの在宅状況）などを含んでもよい。

　需要予測モデル学習部１０４は、需要予測モデルにおける説明変数を計算する（ステップＳ４０２）。計算対象となる説明変数は、需要予測モデルに沿って決定されればよく、特に限定などされない。例えば、説明変数は、直近１ヶ月の実電力需要量の各時間帯における平均値、直近１ヶ月の同曜日及び同時間帯における平均値、又は、１年前の同日及びその前後１４日間の実電力需要量の各時間帯における平均値である。

　需要予測モデル学習部１０４は、訓練データ及び計算した説明変数を用いて、電力需要量を予測するための需要予測モデルを学習する（ステップＳ４０３）。

　需要予測モデル学習部１０４は、需要予測部１０６に学習した需要予測モデルを送信する（ステップＳ４０４）。

　図１を参照した説明に戻る。

　需要予測部１０６は、需要予測モデル学習部１０４から需要予測モデルを受信する。そして、需要予測部１０６は、需要の予測に必要となるデータを取得する。例えば、需要予測部１０６は、気象情報（例えば、対象地域の外気温予測値（気象予報値）及び天気概況）、日に関連する情報（曜日及び休日情報など）、又は、電力のユーザに関連する情報（例えば、ユーザの在宅状況）などを取得する。需要予測部１０６は、これらのデータをデータ収集部１０１から取得してもよく、インターネットなどを介して所定のサイトから取得してもよい。

　そして、需要予測部１０６は、需要予測モデルと取得したデータとを基に、所定の期間又は時間における電力需要量を予測する。具体的には、需要予測部１０６は、予測として、所定の時間粒度において、所定の期間又は時間における電力需要量（予測電力需要量）を計算する。需要予測部１０６は、算出した予測電力需要量を制約条件生成部１０７に送信する。

　制約条件生成部１０７は、需要予測部１０６から予測電力需要量を受信する。さらに、制約条件生成部１０７は、制約条件を生成する際に必要となる設定値（例えば、蓄電池の放電可能時間、充電可能時間、及び／又は、放電停止残量設定値）を取得する。制約条件生成部１０７は、これらのデータをデータ収集部１０１から取得してもよく、ユーザからの情報として所定の装置から取得してもよい。

　そして、制約条件生成部１０７は、設定値を基に、予測電力需要量を満足するように制約条件を生成する。

　図面を参照して、制約条件生成部１０７における動作を説明する。

　図１３は、第１の実施形態に係る制約条件生成部１０７の動作の一例を示すフローチャートである。

　制約条件生成部１０７は、制約条件の生成に必要となる設定値（例えば、蓄電池の放電可能時間、充電可能時間、及び／又は放電停止残量設定値）を取得する（ステップＳ５０１）。

　制約条件生成部１０７は、需要予測部１０６から予測電力需要量を受信する（ステップＳ５０２）。

　制約条件生成部１０７は、ステップＳ５０１とＳ５０２との動作の順番を入れ替えてもよい。

　制約条件生成部１０７は、設定値及び予測電力需要量を基に、制約条件を生成する（ステップＳ５０３）。

　以下の制約条件の生成の一例を説明する。以下で説明する制約条件は、放電開始時刻を６：００、放電終了時刻を２３：００、時間単位を１５分として充放電計画に対応する制約条件である。

　さらに、以下の説明において、時間の集合Ｔを{６：００，６：１５，・・・，２３：４５，０：００，０：１５，・・・，５：４５}とする。このとき、集合Ｔの要素数｜Ｔ｜は、「９６」である。この要素の中で、放電開始時間から放電終了時刻まで、すなわち設定値として放電する時間の集合をＴｄとする。つまり、放電時間の集合Ｔ_ｄは、Ｔ_ｄ＝｛６：００，６：１５，・・・，２２：４５｝である。さらに、放電終了時刻から次の放電開始時刻まで、すなわち設定値として充電の時間の集合をＴ_ｃとする。つまり、充電時間の集合Ｔ_ｃは、Ｔ_ｃ＝｛２３：００，２３：１５，・・・，５：４５｝である。さらに、時間単位の間（１５分間）で蓄電池から放電可能な最大電力量をｄ_ｍａｘ、１日で蓄電池から放電可能な最大電力量をｄ_{ｄａｙｍａｘ}とする。

　時間帯ｔにおける放電電力量の計画値、充電電力量の計画値、及び電力需要量の予測値を、それぞれ、ｘ_ｔ，ｙ_ｔ，ｅ＾_ｔとする。

　Σ_ｔ∈Ｔｄｅ＾_ｔ≧ｄ_{ｄａｙｍａｘ}の場合、すなわち、蓄電池からの放電可能な総電力量の範囲内で放電可能時間帯の少なくとも一部において電力需要量の予測値を満たすことができない場合、放電電力量に関する制約条件は、例えば、数６ないし数９となる。

　［数６］

　［数７］

　［数８］

　［数９］

　なお、Σ_ｔ∈Ｔｄｅ＾_ｔ＜ｄ_{ｄａｙｍａｘ}の場合、すなわち、蓄電池からの放電可能な電力量が放電可能時間帯において、全ての電力需要量を満たす場合、蓄電池制御システム５０は、充放電計画を必要としない。この場合、蓄電池システム２０は、充放電計画を用いず、負荷設備４０にける実電力需要に合わせて放電を実施し、電力系統３０の料金が安いに時間に電力を充電すれば、買電電力量及び料金を最小化できる。

　また、１５分間で蓄電池に充電可能な最大電力量をｃ_ｍａｘ、直前の放電可能時間（Ｔ_ｄ）において実際に放電された電力量の積算値をｄ_{ａｃｔｕａｌ}とすると、充電電力量に関する制約条件は、例えば、数１０ないし１２となる。

　［数１０］

　［数１１］

　［数１２］

　数１２の関数Ｊは、以下で説明する電力量の積算値（ｄ_{ａｃｔｕａｌ}）を補正する関数である。

　実際の放電電力量と必要となる充電電力量との間には差が生じる。

　図８は、一日当たりの放電電力量と充電電力量との対応の一例を示す図である。図８において、実線の直線は、線形回帰に基づいて求めた放電電力量と充電電力量との対応関係を示す直線（回帰直線）である。波線は、放電電力量と充電電力量と値が同じ場合を示す。関数Ｊは、回帰直線と破線との補正する関数である。

　ただし、関数Ｊは、補正の精度が高くなる関数であれば、特に制限はなく、任意の関数でもよい。例えば、制約条件生成部１０７は、関数Ｊとして、過去の実際の放電電力量と必要となった充電電力量とを利用した機械学習を用いて算出された関数を用いてもよい。

　図１３を用いた説明に戻る。

　制約条件生成部１０７は、生成した制約条件を計画作成部１０８に送信する（ステップＳ５０４）。

　図１を参照した説明に戻る。

　計画作成部１０８は、所定の制約条件の下で目的関数を用いて最適化問題の最適解として充放電計画を作成する。例えば、計画作成部１０８は、所定の制約条件の下で目的関数を用いて最適化問題の最適解として充放電計画を作成する。

　より詳細には、計画作成部１０８は、目的関数生成部１０５から目的関数を受信し、制約条件生成部１０７から制約条件を受信する。さらに、計画作成部１０８は、充放電計画の作成に必要となるデータ（例えば、蓄電池の学習容量及び外気温予報値など）を取得する。

　そして、計画作成部１０８は、目的関数及び制約条件などに基づいて、蓄電池の劣化を最小とする充放電計画を作成する。なお、計画作成部１０８は、予め保存している複数の運転パターンの中から充放電計画を選択してもよい。

　計画作成部１０８における充放電計画の作成は、具体的には、次に示す充放電計画の最適化問題を解くこととなる。すなわち、充放電計画の作成は、所定の時間範囲の外気温予報値（ｏ＾）が与えられたときに、蓄電池の予測温度（ｂ）を求め、制約条件の下で以下に示されている数１３を達成する放電電力量計画値ｘ及び充電電力量計画値ｙを求めることとなる。なお、数１３は、数５と同様に、蓄電池の予測温度（ｂ）の「＾」を省略した。

　数１３は、外的要因に関する説明変数及び定数を含まない。つまり、計画作成部１０８は、外的要因を考慮しないで、充放電計画を作成することとなる。なお、所定の時間範囲とは、例えば、上記の午前６時における２４時間後までの時間範囲である。

　［数１３］

　計画作成部１０８は、最適化問題を解くための方法を制限されない。解く方法は、制約条件生成部１０７が生成した制約条件の下で最適化問題（例えば、数１３）を、現実的な計算時間で解ける手法であればよい。

　本実施形態の説明では、数４の説明のとおり関数ｆ及びｈを線形関数としているため、計画作成部１０８は、線形計画法を用いることができる。

　蓄電池制御装置１０は、目的関数を生成する動作と、制約条件を生成する動作とは、動作の順番を制限されない。蓄電池制御装置１０は、目的関数を生成してから制約条件を生成してもよく、制約条件を生成してから目的関数を生成してもよい。あるいは、蓄電池制御装置１０は、目的関数の生成と制約条件の生成との少なくとも一部を同時に実行してもよい。

　また、温度予測モデル学習部１０２及び劣化予測モデル学習部１０３は、動作の順番を制限されない。例えば、温度予測モデル学習部１０２及び劣化予測モデル学習部１０３は、同時に動作してもよい。

　なお、制約条件の変化は、ある程度の期間において変化が少ない場合も多い。また、蓄電池制御装置１０のユーザが、所定の制約条件の下での充放電計画を確認したい場合も想定される。そのため、計画作成部１０８は、制約条件生成部１０７からではなく、図示しない装置などから制約条件を受信して動作してもよい。この場合、蓄電池制御装置１０は、需要予測モデル学習部１０４、需要予測部１０６、及び制約条件生成部１０７を含まなくてもよい。

　次に、図面を参照して、蓄電池制御装置１０の全体的な動作を説明する。

　図１４は、第１の実施形態に係る蓄電池制御装置１０の動作の一例を示すフローチャートである。

　まず、データ収集部１０１が、所定のデータを収集する（ステップＳ６０１）。例えば、データ収集部１０１は、インターネットなどのネットワークを介して、天気予報データ（外気温など）を取得する。あるいは、データ収集部１０１は、訓練データを収集する。

　需要予測モデル学習部１０４は、訓練データを基に、需要予測モデルを学習する（ステップＳ６０２）。

　需要予測部１０６は、需要予測モデルを用いて、電力の需要を予測する（ステップＳ６０３）。

　制約条件生成部１０７は、電力の需要などを基に制約条件を生成する（ステップＳ６０４）。

　温度予測モデル学習部１０２は、訓練データを基に温度予測モデルを学習する（ステップＳ６０５）。

　劣化予測モデル学習部１０３は、訓練データを基に劣化予測モデルを学習する（ステップＳ６０６）。

　目的関数生成部１０５は、温度予測モデルと劣化予測モデルとを基に目的関数を生成する（ステップＳ６０７）。

　計画作成部１０８は、目的関数と制約条件とを基に充放電計画を作成する（ステップＳ６０８）。

　そして、蓄電池制御装置１０は、計画作成部１０８が作成した充放電計画を蓄電池システム２０に送信する。蓄電池システム２０は、蓄電池制御装置１０の計画作成部１０８から充放電計画を受信する。そして、蓄電池システム２０は、受信した充放電計画に基づいて、電力系統３０からの充電（買電）、及び、負荷設備４０への放電を制御する。

　なお、蓄電池制御装置１０は、図１４を参照して説明した動作を所定の間隔、又は、所定の時間において繰り返して、充放電計画を作成又は更新してもよい。充放電計画の更新を繰り返す場合、蓄電池制御システム５０は、時間が経過しても、蓄電池システム２０における電力需要と充放電計画とのずれを軽減できる。

　［効果の説明］
　このように、本実施形態に係る蓄電池制御装置１０は、蓄電池の劣化を低減するとの効果を奏することができる。

　その理由は、次のとおりである。

　温度予測モデル学習部１０２が、蓄電池の温度を予測する温度予測モデルを学習する。劣化予測モデル学習部１０３が、蓄電池における充放電と蓄電池の劣化との関係を表す劣化予測モデルを学習する。目的関数生成部１０５が、温度予測モデル及び劣化予測モデルを基に、蓄電池における充放電計画の最適化に用いられる目的関数を生成する。

　つまり、蓄電池制御装置１０は、蓄電池の温度と充放電に関連した劣化とを基に目的関数を作成する。

　そして、計画作成部１０８が、所定の制約条件の下で目的関数を最適化する蓄電池における充放電計画を作成する。

　このように、蓄電池制御装置１０は、蓄電池に関連する所定の制約条件の下で、蓄電池の温度と充放電に関連した劣化に基づいて蓄電池の劣化を低減した充放電計画を作成する。そのため、蓄電池制御装置１０は、蓄電池の劣化を低減するとの効果を奏することができる。

　さらに、蓄電池制御装置１０は、蓄電池の特性、劣化状態、及び使用環境の変化に対応した充放電計画を作成するとの効果を奏することもできる。

　その理由は、劣化予測モデル学習部１０３が、多様な蓄電池の劣化度のデータ及び充放電履歴のデータを用いて、劣化予測モデルを学習できるためである。

　さらに、蓄電池制御装置１０は、需要予測を満足する充放電計画を作成するとの効果を奏することができる。

　その理由は、次のとおりである。

　需要予測モデル学習部１０４が、蓄電池の利用に関連する情報を用いて、蓄電池に対する需要量を予測する需要予測モデルを学習する。需要予測部１０６が、需要予測モデルを用いて需要量を予測する。制約条件生成部１０７が、予測された需要量を基に制約条件を生成する。つまり、蓄電池制御装置１０は、蓄電池に利用に関連する制約条件を生成する。

　そして、計画作成部１０８が、生成した制約条件の下で目的関数を最適化する蓄電池における充放電計画を作成する。

　このように、蓄電池制御装置１０は、蓄電池に利用に関連する制約条件の下で、蓄電池の温度と充放電に関連した劣化に基づいて蓄電池の劣化を低減した充放電計画を作成するためである。

　さらに、劣化予測モデル学習部１０３などは、より正確な予測用のモデルを生成するとの効果を奏することができる。

　その理由は、劣化予測モデル学習部１０３などが、学習として、異種混合学習などを用いて、より適切なモデルを学習できるためである。

　［第１の実施形態の概要］
　図面を参照して、第１の実施形態の概要を説明する。

　図１７は、第１の実施形態に概要である蓄電池制御装置１１の構成の一例を示すブロック図である。各構成は、必要に応じて図示しないデータ収集部１０１及び制約条件生成部１０７に相当する構成などから必要となるデータを取得する。

　蓄電池制御装置１１は、温度予測モデル学習部１０２と、劣化予測モデル学習部１０３と、目的関数生成部１０５と、計画作成部１０８とを含む。

　温度予測モデル学習部１０２は、蓄電池の温度を予測する温度予測モデルを学習する。

　劣化予測モデル学習部１０３は、蓄電池における充放電と蓄電池の劣化との関係を表す劣化予測モデルを学習する。

　目的関数生成部１０５は、温度予測モデル及び劣化予測モデルを基に、蓄電池における充放電計画の最適化に用いられる目的関数を生成する。

　計画作成部１０８は、所定の制約条件の下で目的関数を最適化する蓄電池における充放電計画を作成する。

　このように構成された蓄電池制御装置１１は、蓄電池制御装置１０と同様に、蓄電池の劣化を低減するとの効果を実現できる。

　その理由は、蓄電池制御装置１１の各構成が、蓄電池制御装置１０の構成と同様に動作し、所定の制約条件の下で、温度予測モデルと劣化予測モデルとを基に作成された目的関数を最適化する充放電計画を作成するためである。

　なお、蓄電池制御装置１１は、本発明の実施形態における最小構成である。

　［ハードウェア構成］
　図面を参照して、蓄電池制御装置１０及び蓄電池制御装置１１のハードウェア構成につい説明する。なお、蓄電池制御装置１０は、蓄電池制御装置１１に構成を含むため、以下では、蓄電池制御装置１０を用いて説明する。

　蓄電池制御装置１０は、次のように構成される。

　蓄電池制御装置１０の各構成部は、ハードウェア回路で構成されてもよい。また、蓄電池制御装置１０において、各構成部は、ネットワークを介して接続した複数の装置を用いて、構成されてもよい。

　また、蓄電池制御装置１０において、複数の構成部は、１つのハードウェアで構成されてもよい。

　また、蓄電池制御装置１０は、ＣＰＵ（Central Processing Unit）と、ＲＯＭ（Read Only Memory）と、ＲＡＭ（Random Access Memory）とを含むコンピュータ装置として実現されてもよい。蓄電池制御装置１０は、上記構成に加え、さらに、入出力接続回路（ＩＯＣ：Input / Output Circuit）と、ネットワークインターフェース回路（ＮＩＣ：Network Interface Circuit）とを含むコンピュータ装置として実現されてもよい。

　図１８は、ハードウェア構成の一例を示すブロック図である。

　情報処理装置６００は、ＣＰＵ６１０と、ＲＯＭ６２０と、ＲＡＭ６３０と、内部記憶装置６４０と、ＩＯＣ６５０と、ＮＩＣ６８０とを含み、コンピュータ装置を構成している。

　ＣＰＵ６１０は、ＲＯＭ６２０からプログラムを読み込む。そして、ＣＰＵ６１０は、読み込んだプログラムに基づいて、ＲＡＭ６３０と、内部記憶装置６４０と、ＩＯＣ６５０と、ＮＩＣ６８０とを制御する。そして、ＣＰＵ６１０を含むコンピュータは、これらの構成を制御し、図１に示されている蓄電池制御装置１０の各構成の機能を実現する。ここで、各構成とは、データ収集部１０１と、温度予測モデル学習部１０２と、劣化予測モデル学習部１０３と、需要予測モデル学習部１０４と、目的関数生成部１０５と、需要予測部１０６と、制約条件生成部１０７と、計画作成部１０８とである。

　ＣＰＵ６１０は、各機能を実現する際に、ＲＡＭ６３０又は内部記憶装置６４０を、プログラムの一時記憶媒体として使用してもよい。

　また、ＣＰＵ６１０は、コンピュータで読み取り可能にプログラムを記憶した記憶媒体７００が含むプログラムを、図示しない記憶媒体読み取り装置を用いて読み込んでもよい。あるいは、ＣＰＵ６１０は、ＮＩＣ６８０を介して、図示しない外部の装置からプログラムを受け取り、ＲＡＭ６３０に保存して、保存したプログラムを基に動作してもよい。

　ＲＯＭ６２０は、ＣＰＵ６１０が実行するプログラム及び固定的なデータを記憶する。ＲＯＭ６２０は、例えば、Ｐ－ＲＯＭ（Programmable-ROM）又はフラッシュＲＯＭである。

　ＲＡＭ６３０は、ＣＰＵ６１０が実行するプログラム及びデータを一時的に記憶する。ＲＡＭ６３０は、例えば、Ｄ－ＲＡＭ（Dynamic-RAM）である。

　内部記憶装置６４０は、情報処理装置６００が長期的に保存するデータ及びプログラムを記憶する。また、内部記憶装置６４０は、ＣＰＵ６１０の一時記憶装置として動作してもよい。内部記憶装置６４０は、例えば、ハードディスク装置、光磁気ディスク装置、ＳＳＤ（Solid State Drive）又はディスクアレイ装置である。

　ここで、ＲＯＭ６２０と内部記憶装置６４０は、不揮発性（non-transitory）の記憶媒体である。一方、ＲＡＭ６３０は、揮発性（transitory）の記憶媒体である。そして、ＣＰＵ６１０は、ＲＯＭ６２０、内部記憶装置６４０、又は、ＲＡＭ６３０に記憶されているプログラムを基に動作可能である。つまり、ＣＰＵ６１０は、不揮発性記憶媒体又は揮発性記憶媒体を用いて動作可能である。

　ＩＯＣ６５０は、ＣＰＵ６１０と、入力機器６６０及び表示機器６７０とのデータを仲介する。ＩＯＣ６５０は、例えば、ＩＯインターフェースカード又はＵＳＢ（Universal Serial Bus）カードである。さらに、ＩＯＣ６５０は、ＵＳＢのような有線に限らず、無線を用いてもよい。

　入力機器６６０は、情報処理装置６００の操作者からの入力指示を受け取る機器である。入力機器６６０は、データ収集部１０１として動作してもよい。入力機器６６０は、例えば、キーボード、マウス又はタッチパネルである。

　表示機器６７０は、情報処理装置６００の操作者に情報を表示する機器である。表示機器６７０は、例えば、液晶ディスプレイである。表示機器６７０は、充放電計画を表示してもよい。

　ＮＩＣ６８０は、ネットワークを介した図示しない外部の装置とのデータのやり取りを中継する。ＮＩＣ６８０は、データ収集部１０１として動作してもよい。ＮＩＣ６８０は、例えば、ＬＡＮ（Local Area Network）カードである。さらに、ＮＩＣ６８０は、有線に限らず、無線を用いてもよい。

　このように構成された情報処理装置６００は、蓄電池制御装置１０と同様の効果を得ることができる。

　その理由は、情報処理装置６００のＣＰＵ６１０が、プログラムに基づいて蓄電池制御装置１０と同様の機能を実現できるためである。

　［具体的な適用例］
　以下、第１の実施形態に係る蓄電池制御装置１０が作成した充放電計画と実測値との結果を示す。

　図１５は、計画作成部１０８が線形計画法（１次の関数）を用いた場合の結果の一例を示す図である。

　図１５は、充放電計画及び実測値として、ＳＯＣ推移を示す。図１５の場合、劣化予測モデル学習部１０３は、図４に示されているツリーに従って、予測に用いる式として、図５に示されている予測式＃３を用いている。つまり、劣化予測モデル学習部１０３は、「１日のＳＯＣ平均値の１年間の平均値が高くなる」予測式を用いている。そのため、蓄電池制御装置１０は、「１日のＳＯＣ平均値の１年間の平均値が高くなる」ように充放電計画を作成した。図１５からも明らかなとおり、充放電計画において、ＳＯＣが高い時間が、ＳＯＣが低い時間より広くなっている。

　次に、数式１３の関数ｆ及びｈのいずれかに非線形関数が含まれる場合について説明する。例えば、ＳＯＣ分散は、２次関数である。そこで、２次の関数を用いた２次計画法の一例として、１日のＳＯＣ分散の１年間平均値を低くする場合の例を示す。

　図１６は、計画作成部１０８が２次計画法を用いた場合の結果の一例を示す図である。

　図１６に示されている充放電計画は、ＳＯＣの分散を抑えるため、低ＳＯＣ範囲及び高ＳＯＣ範囲を避けた充放電計画となっている。

　図１６に示されている充放電計画の予測データにおける平均絶対誤差は、２５７．４２ｍＡであった。これに対し、ＳＯＣ分散を用いない場合の予測データにおける平均絶対誤差は、２７８．８５ｍＡであった。つまり、蓄電池制御装置１０は、「１日のＳＯＣ分散の１年間平均値」を考慮することで、予測データにおける平均絶対誤差を約７.７％低減できた。

　なお、劣化予測モデル学習部１０３は、１日のＳＯＣ推移の説明変数として、ＳＯＣの値の時間的な分布における説明変数を用いてもよい。具体例を用いて説明する。

　まず、劣化予測モデル学習部１０３は、ＳＯＣを次の範囲に分ける。
第１の範囲：　０％≦ＳＯＣ＜１０％
第２の範囲：１０％≦ＳＯＣ＜２０％
第３の範囲：２０％≦ＳＯＣ＜３０％
第４の範囲：３０％≦ＳＯＣ＜４０％
第５の範囲：４０％≦ＳＯＣ＜５０％
第６の範囲：５０％≦ＳＯＣ＜６０％
第７の範囲：６０％≦ＳＯＣ＜７０％
第８の範囲：７０％≦ＳＯＣ＜８０％
第９の範囲：８０％≦ＳＯＣ＜９０％
第１０の範囲：９０％≦ＳＯＣ＜１００％、
第１１の範囲：ＳＯＣ＝１００％
　そして、劣化予測モデル学習部１０３は、ＳＯＣが各範囲となっていた時間を集計する。そして、劣化予測モデル学習部１０３は、集計した時間を用いて、劣化予測モデルを学習してもよい。つまり、劣化予測モデル学習部１０３は、ＳＯＣの時間的な状態（分布）用いて劣化予測モデルを学習してもよい。

　この場合、計画作成部１０８は、充放電計画を作成する手法として、粒子群最適化法（Ｐａｒｔｉｃｌｅ　Ｓｗａｒｍ　Ｏｐｔｉｍｉｚｅｒｓ）などを用いることができる。

　以上、実施形態を参照して本願発明を説明したが、本願発明は上記実施形態に限定されるものではない。本願発明の構成及び詳細には、本願発明のスコープ内で当業者が理解し得る様々な変更をすることができる。

　この出願は、２０１７年　２月　７日に出願された日本出願特願２０１７－０１９９８８を基礎とする優先権を主張し、その開示の全てをここに取り込む。

　１０　　蓄電池制御装置
　１１　　蓄電池制御装置
　２０　　蓄電池システム
　３０　　電力系統
　４０　　負荷設備
　５０　　蓄電池制御システム
　１０１　　データ収集部
　１０２　　温度予測モデル学習部
　１０３　　劣化予測モデル学習部
　１０４　　需要予測モデル学習部
　１０５　　目的関数生成部
　１０６　　需要予測部
　１０７　　制約条件生成部
　１０８　　計画作成部
　６００　　情報処理装置
　６１０　　ＣＰＵ
　６２０　　ＲＯＭ
　６３０　　ＲＡＭ
　６４０　　内部記憶装置
　６５０　　ＩＯＣ
　６６０　　入力機器
　６７０　　表示機器
　６８０　　ＮＩＣ
　７００　　記憶媒体

Claims

　蓄電池の温度を予測する温度予測モデルを学習する温度予測モデル学習手段と、
　前記蓄電池における充放電と前記蓄電池の劣化との関係を表す劣化予測モデルを学習する劣化予測モデル学習手段と、
　前記温度予測モデル及び前記劣化予測モデルを基に前記蓄電池における充放電計画の最適化に用いられる目的関数を生成する目的関数生成手段と、
　所定の制約条件の下で前記目的関数を最適化する前記蓄電池における前記充放電計画を作成する計画作成手段と
　を含む蓄電池制御装置。
　前記温度予測モデル学習手段が、
　前記蓄電池の周辺の温度と、前記蓄電池の充電電力量と、前記蓄電池の放電電力量と、前記蓄電池の温度とを基に前記温度予測モデルを学習する
　請求項１に記載の蓄電池制御装置。
　前記劣化予測モデル学習手段が、
　前記蓄電池の特性、劣化状態、及び／又は使用環境に応じて、複数の予測式を生成し、前記予測式を含む前記劣化予測モデルを学習する
　請求項１又は２に記載の蓄電池制御装置。
　前記劣化予測モデル学習手段が、
　他の蓄電池制御装置に制御される前記蓄電池の劣化度及び又は充放電履歴を用いて前記劣化予測モデルを学習する
　請求項１ないし３のいずれか１項に記載の蓄電池制御装置。
　前記蓄電池の利用に関連する情報を基に前記蓄電池に対する需要量を予測する需要予測モデルを学習する需要予測モデル学習手段と、
　前記需要予測モデルを用いて前記需要量を予測する需要予測手段と、
　予測された前記需要量を基に前記制約条件を生成する制約条件生成手段と
　をさらに含む請求項１ないし４のいずれか１項に記載の蓄電池制御装置。
　前記温度予測モデル学習手段、前記劣化予測モデル学習手段、及び、前記需要予測モデル学習手段の少なくとも一つが、
　学習において異種混合学習を用いる
　請求項５に記載の蓄電池制御装置。
　前記温度予測モデル学習手段、前記劣化予測モデル学習手段、及び、前記需要予測モデル学習手段の少なくとも一つが、
　学習において前記蓄電池の周辺環境に関連するデータ、及び他の蓄電池制御装置に制御された前記蓄電池における履歴を用いる
　請求項５又は６に記載の蓄電池制御装置。
　前記蓄電池の利用に関連する情報が、
　前記蓄電池が設置されている施設、前記蓄電池のユーザ、及び、前記蓄電池の過去の放電履歴の少なくとも一つを含む情報である
　請求項５ないし７のいずれか１項に記載の蓄電池制御装置。
　蓄電池の温度を予測する温度予測モデルを学習し、
　前記蓄電池における充放電と前記蓄電池の劣化との関係を表す劣化予測モデルを学習し、
　前記温度予測モデル及び前記劣化予測モデルを基に前記蓄電池における充放電計画の最適化に用いられる目的関数を生成し、
　所定の制約条件の下で前記目的関数を最適化する前記蓄電池における前記充放電計画を作成する
　充放電制御方法。
　蓄電池の温度を予測する温度予測モデルを学習する処理と、
　前記蓄電池における充放電と前記蓄電池の劣化との関係を表す劣化予測モデルを学習する処理と、
　前記温度予測モデル及び前記劣化予測モデルを基に前記蓄電池における充放電計画の最適化に用いられる目的関数を生成する処理と、
　所定の制約条件の下で前記目的関数を最適化する前記蓄電池における前記充放電計画を作成する処理と
　をコンピュータに実行させるプログラムをコンピュータ読み取り可能に記録する記録媒体。