WO2019059321A1 - 計画装置、稼働計画の生成方法、水素製造方法、およびプログラム - Google Patents

Abstract

一定期間における電解装置の生成物の生成量を低減させずに、生成物の製造コストを低減させる。対象期間における電気料金の推移を対象期間よりも前に入手可能な第１因子の値に基づいて予測する電気料金予測モデルを用いて、将来の電気料金の推移を予測する電気料金予測部と、予測された将来の電気料金の推移に基づいて、将来の第１期間における電解装置の稼働計画を生成する稼働計画生成部とを備える計画装置、稼働計画の生成方法およびプログラムを提供する。

Description

計画装置、稼働計画の生成方法、水素製造方法、およびプログラム

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

　従来、水を電気分解することにより水素を生成する水素生成装置等が知られている。また、天気および風力といった電力の供給コストに応じて、料金が変動する電力供給システムが知られている。

解決しようとする課題

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

一般的開示

　本発明の第１の態様においては、対象期間における電気料金の推移を対象期間よりも前に入手可能な第１因子の値に基づいて予測する電気料金予測モデルを用いて、将来の電気料金の推移を予測する電気料金予測部と、予測された将来の電気料金の推移に基づいて、将来の第１期間における電解装置の稼働計画を生成する稼働計画生成部とを備える計画装置、稼働計画の生成方法およびプログラムを提供する。

　本発明の第２の態様においては、対象期間において目標とすべき電解装置の稼働計画と、対象期間よりも前に入手可能な因子の値とを含む学習データを取得する取得部と、取得された学習データに基づいて、対象期間よりも前に入手可能な因子に基づいて対象期間における稼働計画を生成する稼働計画生成モデルを学習する学習処理部と、第１期間よりも前の因子の値に基づいて、第１期間中の各時点において電解装置を稼働させるか否かを含む稼働計画を、稼働計画生成モデルを用いて生成する稼働計画生成部とを備える計画装置を提供する。

　本発明の第３の態様においては、電気料金予測部が、対象期間における電気料金の推移を対象期間よりも前に入手可能な第１因子の値に基づいて予測する電気料金予測モデルを用いて、将来の電気料金の推移を予測し、稼働計画生成部が、予測された将来の電気料金の推移に基づいて、将来の第１期間における水素生成装置の稼働計画を生成し、水素生成装置が、稼働計画に基づいて水素を生成する水素製造方法。

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

本実施形態に係る計画装置１００の第１構成例を電解装置１０００と共に示す。 本実施形態に係る計画装置１００の第２構成例を示す。 本実施形態に係る第２構成例の計画装置１００の動作フローの一例を示す。 本実施形態に係る計画装置１００の第３構成例を示す。 本実施形態に係る計画装置１００の第４構成例を示す。 本実施形態に係る計画装置１００の第５構成例を示す。 本実施形態に係る第２稼働計画生成部５１０の動作フローの一例を示す。 本実施形態に係る計画装置１００の第６構成例を示す。 本発明の複数の態様が全体的または部分的に具現化されうるコンピュータ１２００の例を示す。

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

　図１は、本実施形態に係る計画装置１００の構成例を電解装置１０００と共に示す。計画装置１００は、電解装置１０００の将来の第１期間における稼働計画を学習により生成する。計画装置１００は、生成した稼働計画に応じて電解装置１０００を制御し、電解装置１０００が生成物を生成する製造コストを低減させる。なお、第１期間は、数日、十数日、数週間、または数十日等の予め定められた期間でよい。

　ここで、電解装置１０００は、電気エネルギーを用いて生成物を生成する装置でよい。電解装置１０００は、例えば、電気分解によって水素を生成する水素生成装置である。計画装置１００が生成する稼働計画は、例えば、第１期間における、電解装置１０００の稼働すべき状態を記述したテーブルまたはデータ等である。稼働計画は、電解装置１０００を稼働させる（稼働させない）時間帯、および／または、電解装置１０００の時間帯毎の稼働率等を定めたテーブルまたはデータ等でよい。計画装置１００は、取得部１０と、記憶部２０と、モデル生成部３０と、学習処理部４０と、稼働計画生成部５０と、制御部６０とを備える。

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

　取得部１０は、電解装置１０００等に接続され、学習に用いるパラメータおよび学習データ等を取得してよい。取得部１０は、ネットワーク等に接続され、当該ネットワークを介してデータを取得してもよい。取得部１０は、取得すべきデータの少なくとも一部が外部のデータベース等に記憶されている場合、当該データベース等にアクセスして、取得してよい。また、取得部１０は、取得したデータを、記憶部２０に供給してよい。

　記憶部２０は、取得部１０が取得した情報を記憶する。記憶部２０は、当該計画装置１００が処理するデータを記憶可能でよい。記憶部２０は、計画装置１００が稼働計画を生成する過程で算出する（または利用する）中間データ、算出結果、およびパラメータ等をそれぞれ記憶してもよい。また、記憶部２０は、計画装置１００内の各部の要求に応じて、記憶したデータを要求元に供給してよい。記憶部２０は、一例として、モデル生成部３０の要求に応じて、記憶したデータを当該モデル生成部３０に供給する。

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

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

　稼働計画生成部５０は、将来の第１期間における電解装置の稼働計画を生成する。稼働計画生成部５０は、例えば、第１期間において、電解装置１０００が生成すべき生成物を生成しつつ、生成物の製造コストを最小化または低減させる稼働計画を生成する。稼働計画生成部５０は、生成した稼働計画を制御部６０に供給する。

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

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

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

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

　第２構成例の記憶部２０は、取得部１０が取得した第１因子および第２因子を記憶する。第１因子は、対象期間よりも前の、電気料金、電力需要量、電力供給量、再生エネルギー発電量、再生エネルギー発電量の予測値、および天気情報の少なくとも１つを含む。電気料金は、電解装置１０００が設置された場所において、電解装置１０００に供給される電力に対する実際の電気料金でよい。電力需要量、電力供給量、再生エネルギー発電量、および再生エネルギー発電量の予測値は、電解装置１０００が設置された地域に電力を供給する発電所等の情報でよい。天気情報は、電解装置１０００が設置された地域の情報でよい。

　第１因子は、過去の電気料金の情報に加えて、電解装置１０００が消費する電力に対する電気料金に影響を及ぼす情報を含んでよい。第１因子は、略一定時間毎の時系列の情報でよい。また、第１因子は、異なる期間における種々の情報を含んでよい。また、第１因子は、外部の装置等から供給される情報を含んでよい。

　第２因子は、対象期間よりも前の、電解装置１０００の稼働データ、および電解装置１０００の水素貯蔵量の少なくとも１つを含む。また、第２因子は、当該計画装置１００が過去に生成した電解装置１０００の稼働計画を含んでもよい。また、第２因子は、電解装置１０００の物理モデルから算出される仮想データを含んでよい。第２因子は、略一定時間毎の時系列の情報でよい。また、第２因子は、電解装置１０００から取得部１０が取得した情報を含んでよい。

　第１因子および第２因子の情報は、時間の経過と共にそれぞれ追加または更新されてよい。例えば、取得部１０は、予め定められた期間毎に、それぞれの情報を取得して更新してよい。また、取得部１０は、取得すべき情報に応じて、略同一または異なる期間毎に取得して、それぞれ追加または更新してよい。

　第１モデル生成部１１０は、対象期間よりも前の第１因子の値に基づいて、対象期間における電気料金の推移を予測する電気料金予測モデルを生成する。第１モデル生成部１１０は、対象期間よりも過去の情報を用いて、事前学習またはオフライン学習等と呼ばれる処理により、電気料金予測モデルを生成してよい。第１モデル生成部１１０は、例えば、回帰分析、ベイズ推論、ニューラルネットワーク、ガウシアン混合モデル、および隠れマルコフモデル等を用いて、電気料金予測モデルを生成する。第１モデル生成部１１０は、生成した電気料金予測モデルを第１モデルとして第１モデル更新部１２０に供給する。

　第１モデル更新部１２０は、電気料金予測モデルを学習により更新する。第１モデル更新部１２０は、第１モデル学習部１２２を有し、第１モデル学習部１２２の学習結果に応じて、電気料金予測モデルを更新する。第１モデル更新部１２０は、例えば、予め定められた第１更新期間毎に、第１モデル学習部１２２が学習した電気料金予測モデルを、新たな電気料金予測モデルとして更新してよい。これに代えて、第１モデル更新部１２０は、第１モデル学習部１２２が予め定められた回数だけ学習したことに応じて、電気料金予測モデルを更新してもよい。

　第１モデル学習部１２２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。第１モデル学習部１２２は、例えば、回帰分析、ベイズ推論、ニューラルネットワーク、ガウシアン混合モデル、および隠れマルコフモデル等を識別モデルとして、強化学習を実行することによって、電気料金予測モデルを学習する。第１モデル学習部１２２は、第１モデル生成部１１０が電気料金予測モデルの生成に用いた第１因子の情報よりも時間的に後の情報を更に用いて学習することが望ましい。

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

　電気料金予測部１３０は、更新された電気料金予測モデルを用いて、将来の電気料金の推移を予測する。電気料金予測部１３０は、例えば、予め定められた期間毎に、将来における当該予め定められた期間の電気料金を予測する。電気料金予測部１３０は、電気料金予測モデルと第１因子の情報を用いて、電気料金を予測する。電気料金予測部１３０は、例えば、電気料金を予測すべき期間の直前までの期間における第１因子の情報を、電気料金予測モデルに適用して電気料金を予測する。電気料金予測部１３０は、予測結果を稼働計画生成部５０に供給する。

　第２モデル生成部２１０は、対象期間よりも前の第２因子の値および電気料金の推移に基づいて、稼働計画生成モデルを生成する。稼働計画生成モデルは、学習により、対象期間よりも前の第２因子の値と、対象期間における電気料金の推移の予測結果とに基づいて、対象期間における電解装置１０００の稼働計画を生成するモデルとなる。なお、第２モデル生成部２１０は、過去の電気料金の推移として、第１因子の値を用いてよい。第２モデル生成部２１０は、対象期間よりも過去の情報を用いて、事前学習またはオフライン学習等と呼ばれる学習処理により、稼働計画生成モデルを生成してよい。

　第２モデル生成部２１０は、例えば、回帰分析、ベイズ推論、ニューラルネットワーク、ガウシアン混合モデル、および隠れマルコフモデル等を識別モデルとして、強化学習を実行することによって、稼働計画生成モデルを生成する。第２モデル生成部２１０は、生成した稼働計画生成モデルを第２モデルとして第２モデル更新部２２０に供給する。

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

　第２モデル学習部２２２は、適応学習またはオンライン学習等と呼ばれる処理により、稼働計画生成モデルを学習してよい。第２モデル学習部２２２は、例えば、回帰分析、ベイズ推論、ニューラルネットワーク、ガウシアン混合モデル、および隠れマルコフモデル等を識別モデルとして、強化学習を実行することによって、稼働計画生成モデルを学習する。第２モデル学習部２２２は、第２モデル生成部２１０が稼働計画生成モデルの生成に用いた第２因子の情報よりも時間的に後の情報を更に用いて学習することが望ましい。

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

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

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

　第１稼働計画生成部２３０は、対象期間における稼働計画を、対象期間よりも前に入手可能な第２因子の値と対象期間における電気料金の推移の予測結果とに基づいて生成する稼働計画生成モデルを用いて、将来の第１期間における電解装置１０００の稼働計画を生成する。第１稼働計画生成部２３０は、例えば、数日または十数日、１または数週間といった期間を第１期間として、電解装置１０００の稼働計画を生成する。第１稼働計画生成部２３０は、一例として、Ｎ日分の稼働計画を生成する。

　制御部６０は、稼働計画生成部５０が生成した稼働計画に応じて、電解装置１０００を稼働させる。また、制御部６０は、電解装置１０００が稼働することによって変動する第２因子の情報を、取得部１０が取得できるように電解装置１０００を制御してもよい。

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

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

　次に、モデル生成部３０は、学習モデルを生成する（Ｓ３２０）。モデル生成部３０は、第２期間の第１因子および第２因子の値に基づき、学習モデルを生成する。例えば、第１モデル生成部１１０は、第１因子の値に基づき、電気料金予測モデルを生成する。第１モデル生成部１１０は、第２期間における、電気料金、電力需要量、電力供給量、再生エネルギー発電量、再生エネルギー発電量の予測値、および天気情報の少なくとも１つを用いて、電気料金予測モデルを生成する。

　また、第２モデル生成部２１０は、第１因子および第２因子の値に基づき、稼働計画生成モデルを生成する。例えば、第２モデル生成部２１０は、第２期間における、電気料金、電解装置１０００の稼働データ、水素貯蔵量、および稼働計画の仮想データの少なくとも１つを用いて、稼働計画生成モデルを生成する。

　また、第２モデル生成部２１０は、電解装置１０００の物理モデルに基づく仮想データを目標とすべき予測データとし、当該予測データおよび過去の電解装置１０００の稼働によって取得された実データとを比較することにより、稼働計画生成モデルを生成してよい。例えば、第２モデル生成部２１０は、目標とすべき予測データおよび過去の実データの差分が０または予め定められた値未満となるように、強化学習を実行して稼働計画生成モデルを生成する。

　第２モデル生成部２１０は、一例として、第２期間におけるＭ日間の期間を仮想的な予測期間とする。なお、Ｍ日間は、例えば、数日または十数日、１または数週間といった期間でよい。Ｍ日間は、第１期間（Ｎ日間）と一致することが望ましい。そして、第２モデル生成部２１０は、第２期間における予測期間よりも前の期間の第１因子および第２因子の値に基づく予測期間の稼働動作の予測結果と、予測期間の実データまたは仮想データとの誤差が、最小となるように強化学習する。

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

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

　例えば、第１モデル学習部１２２は、第１因子の値に基づき、電気料金予測モデルを適応学習する。第１モデル学習部１２２は、第３期間における、電気料金、電力需要量、電力供給量、再生エネルギー発電量、再生エネルギー発電量の予測値、および天気情報の少なくとも１つを用いて、電気料金予測モデルを適応学習してよい。第１モデル学習部１２２は、電気料金予測モデルを用いて第３期間における電気料金等を予測した結果が、取得した第３期間の電気料金と一致するように強化学習してよい。

　第１モデル学習部１２２は、一例として、第３期間におけるＭ日間の期間を仮想的な予測期間とする。なお、Ｍ日間は、例えば、数日または十数日、１または数週間といった期間でよい。Ｍ日間は、第１期間（Ｎ日間）と一致することが望ましい。第１モデル学習部１２２は、一例として、第３期間における予測期間よりも前の期間の第１因子の値に基づく予測期間の予測結果と、予測期間の実データとの差分が０または予め定められた値未満となるように強化学習する。

　なお、第１因子の情報のうち、再生エネルギー発電量は、電力が供給された後に発生するエネルギーである。例えば、一の時刻における電力供給量に応じた再生エネルギー発電量は、一の時刻よりも後にずれた時刻の情報となる。そこで、第１モデル学習部１２２は、第３期間における予測期間よりも前の期間の再生エネルギー発電量を除く第１因子の値と、予測期間の再生エネルギー発電量の予測値とを用いて、予測期間の電気料金等を予測してよい。このように、第１モデル学習部１２２は、実際の各データの取得タイミングに応じて、用いるデータおよび予測する期間を調節して、学習の精度を高めてよい。

　また、第２モデル学習部２２２は、第１因子および第２因子の値に基づき、稼働計画生成モデルを適用学習してよい。例えば、第２モデル学習部２２２は、第３期間における、電気料金、電解装置１０００の稼働データ、水素貯蔵量、および稼働計画の実データの少なくとも１つを用いて、稼働計画生成モデルを学習してよい。第２モデル学習部２２２は、稼働計画生成モデルを用いて第３期間における電解装置１０００の稼働動作を予測した結果と、取得した第３期間の実データの差分が０または予め定められた値未満となるように、強化学習を実行してよい。

　第２モデル学習部２２２は、一例として、第３期間におけるＭ日間の期間を仮想的な予測期間とする。なお、Ｍ日間は、例えば、数日または十数日、１または数週間といった期間でよい。Ｍ日間は、第１期間（Ｎ日間）と一致することが望ましい。そして、第２モデル学習部２２２は、第３期間における予測期間よりも前の期間の第１因子および第２因子の値に基づく予測期間の稼働動作の予測結果と、予測期間の実データとの差分が０または予め定められた値未満となるように強化学習する。

　この場合、第２モデル学習部２２２は、第２モデル生成部２１０が稼働計画生成モデルの生成に用いた、第１条件、第２条件、および第３条件等を同様に用いてよい。即ち、第２モデル学習部２２２は、３つの条件を満たしつつ、水素生成コストを低減させるように稼働計画生成モデルを強化学習してよい。

　次に、学習処理部４０は、学習モデルを更新する（Ｓ３４０）。学習処理部４０は、予め定められた時間毎に学習モデルを更新してよい。例えば、学習処理部４０は、適応学習を開始してから更新に必要な初期更新期間だけ適応学習を継続させてから、学習モデルの最初の更新を実行し、その後、一定の期間毎に更新を繰り返す。ここで、初期更新期間は、生成すべき稼働計画の期間であるＮ日以上であることが望ましい。また、更新を繰り返す一定の期間は、数時間、十数時間、１日、数十時間、または数日等でよい。

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

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

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

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

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

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

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

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

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

　そして、計画装置１００は、第１期間の情報を用いてモデルの適応学習を繰り返し、一定期間の経過に応じてモデルを更新して、第４期間の電解装置１０００の稼働計画を生成し、生成した稼働計画に応じて電解装置１０００を稼働させる。このように、本実施形態に係る計画装置１００は、電解装置１０００の対象期間の稼働計画の生成と、当該対象期間の稼働とを繰り返すことにより、学習モデルを更新しつつ電解装置１０００を継続して稼働できる。

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

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

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

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

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

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

　第３モデル生成部３１０は、対象期間よりも前に入手可能な第３因子の値に基づいて、メンテナンス計画生成モデルを生成する。第３モデル生成部３１０は、対象期間よりも過去の情報を用いて、事前学習またはオフライン学習等と呼ばれる処理により、メンテナンス計画生成モデルを生成してよい。

　第３モデル生成部３１０は、例えば、回帰分析、ベイズ推論、ニューラルネットワーク、ガウシアン混合モデル、および隠れマルコフモデル等を識別モデルとして、強化学習を実行することによって、メンテナンス計画生成モデルを生成する。なお、メンテナンス計画生成モデルは、学習により、メンテナンスを実行する人員の配置、メンテナンスのスケジュール、メンテナンスの内容、および電解装置１０００の稼働率等を含むメンテナンス計画を生成するモデルである。

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

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

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

　第３モデル学習部３２２は、適応学習またはオンライン学習等と呼ばれる処理により、メンテナンス計画生成モデルを学習してよい。第３モデル学習部３２２は、例えば、回帰分析、ベイズ推論、ニューラルネットワーク、ガウシアン混合モデル、および隠れマルコフモデル等を識別モデルとして、メンテナンス計画生成モデルを強化学習する。第３モデル学習部３２２は、第３モデル生成部３１０がメンテナンス計画生成モデルの生成に用いた第３因子の情報よりも時間的に後の情報を更に用いて学習することが望ましい。

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

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

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

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

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

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

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

　以上のように、第３構成例の計画装置１００は、学習によって生成されたメンテナンス計画を考慮して稼働計画を生成するので、より精度の高い電解装置１０００の制御を実行することができる。なお、第３構成例の計画装置１００は、外部等より電解装置１０００の異常および劣化を予測する予測データを取得する例を説明した。これに代えて、計画装置１００は、電解装置１０００の異常および劣化を予測してよい。また、計画装置１００は、学習により、電解装置１０００の異常および劣化を予測してもよい。このような計画装置１００について、次に説明する。

　図５は、本実施形態に係る計画装置１００の第４構成例を示す。第４構成例の計画装置１００において、図４に示された第３構成例の計画装置１００の動作と略同一のものには同一の符号を付け、説明を省略する。また、図５は、計画装置１００の取得部１０を省略した構成を示す。

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

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

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

　第４モデル生成部４１０は、対象期間よりも前に入手可能な第４因子の値に基づいて、異常予測モデルを生成する。第４モデル生成部４１０は、対象期間よりも過去の情報を用いて、事前学習またはオフライン学習等と呼ばれる処理により、異常予測モデルを生成してよい。第４モデル生成部４１０は、例えば、回帰分析、ベイズ推論、ニューラルネットワーク、ガウシアン混合モデル、および隠れマルコフモデル等を用いて、異常予測モデルを生成する。なお、異常予測モデルは、学習により、第４因子の値に基づいて、対象期間における電解装置１０００の異常予測を生成するモデルである。

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

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

　第４モデル学習部４２２は、適応学習またはオンライン学習等と呼ばれる処理により、異常予測モデルを学習してよい。第４モデル学習部４２２は、例えば、回帰分析、ベイズ推論、ニューラルネットワーク、ガウシアン混合モデル、および隠れマルコフモデル等を識別モデルとして、異常予測モデルを強化学習する。第４モデル学習部４２２は、第４モデル生成部４１０が異常予測モデルの生成に用いた第４因子の情報よりも時間的に後の情報を更に用いて学習することが望ましい。

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

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

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

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

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

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

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

　以上のように、第４構成例の計画装置１００は、学習によってより正確に予測された電解装置１０００の異常動作に基づき、メンテナンス計画を生成することができる。即ち、計画装置１００は、異常動作および故障等を学習によって予想し、装置の稼働状態が大きく変動しないように予めメンテナンスが実行できるようにメンテナンス計画を生成することができる。そして、第４構成例の計画装置１００は、このようなメンテナンス計画を考慮した稼働計画を生成するので、より精度が高く、コストを低減させた電解装置１０００の制御を実行することができる。

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

　図６は、本実施形態に係る計画装置１００の第５構成例を示す。第５構成例の計画装置１００において、図１から図５で説明した本実施形態に係る計画装置１００の動作と略同一のものには同一の符号を付け、説明を省略する。第５構成例の計画装置１００は、第１構成例から第４構成例の計画装置１００のいずれか一の計画装置１００の稼働計画生成部５０が、第２稼働計画生成部５１０と稼働計画選択部５２０とを更に有する構成でよい。

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

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

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

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

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

　第２稼働計画生成部５１０は、第１期間中において、電解装置１０００の生成物の使用計画を満たし、かつ電気料金がより低いと予測された期間において、電気料金がより高いと予測された期間よりも優先して電解装置１０００を稼働させる稼働計画を生成する。そこでまず、第２稼働計画生成部５１０は、第１期間の電気料金の推移に基づき、第１期間において水素を生成すべき電気料金の低い時間帯を選択する（Ｓ７１０）。

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

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

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

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

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

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

　以上の本実施形態に係る計画装置１００は、電気料金を学習により予想しつつ、電解装置１０００の稼働計画を生成する例を説明した。これに代えて、計画装置１００は、外部から供給される電気料金の予測結果を用いて、稼働計画を生成してもよい。このような計画装置１００について、次に説明する。

　図８は、本実施形態に係る計画装置１００の第６構成例を示す。第６構成例の計画装置１００において、図２に示された第２構成例の計画装置１００の動作と略同一のものには同一の符号を付け、説明を省略する。第６構成例の計画装置１００は、取得部１０が、外部から電気料金の予測結果を含む電気料金の情報を取得する。したがって、第６構成例の計画装置１００は、第１モデル生成部１１０、第１モデル更新部１２０、および電気料金予測部１３０が無くてもよい。

　第６構成例の第２モデル生成部２１０は、電気料金の情報および第２因子の値に基づき、稼働計画生成モデルを生成してよい。また第２モデル更新部２２０は、稼働計画生成モデルを学習により更新する。そして、稼働計画生成部５０は、外部から取得した将来の電気料金の推移に基づいて、将来の第１期間における電解装置１０００の稼働計画を生成する。これにより、制御部６０は、稼働計画生成部５０が生成した稼働計画に応じて、電解装置１０００を稼働できる。

　なお、第６構成例の計画装置１００は、図２に示された第２構成例の計画装置１００が、外部から供給される電気料金の予測結果を用いた例を示すが、これに限定されることはない。第６構成例の計画装置１００として、図４から図６に示された第３構成例から第５構成例の計画装置１００のうちのいずれかが、外部から供給される電気料金の予測結果を用いる構成となってもよい。この場合、図８と同様に、計画装置１００は、第１モデル生成部１１０、第１モデル更新部１２０、および電気料金予測部１３０が無くてよい。

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

　例えば、制御部６０は、稼働計画上は電解装置１０００を稼働させない予定の期間において、電気料金が予測よりも低くなったことに応じて、将来より高い電気料金で電解装置１０００を稼働させる代わりに当該期間において電解装置１０００を稼働させる。制御部６０は、一例として、電解装置１０００を稼働させない期間において、電気料金が予め定められた第１閾値未満となった場合に、電解装置１０００を稼働させる。また、制御部６０は、電解装置１０００を稼働させる期間において、電気料金が予め定められた第２閾値を超えた場合に、電解装置１０００の稼働を停止させるか、または稼働率を低減させてもよい。

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

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

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

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

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

　以上の図２から図８に示す第２構成例から第６構成例の計画装置１００は、将来の電気料金の推移に基づいて、将来の第１期間における電解装置１０００の稼働計画を生成することを説明した。ここで、計画装置１００は、電気料金の推移の予想なしに、電解装置１０００の稼働計画を生成してもよい。例えば、計画装置１００は、図１に示す構成でよく、取得部１０が取得する全ての因子に基づき、稼働計画を生成するモデルを生成して学習してよい。

　この場合、取得部１０は、対象期間において目標とすべき電解装置の稼働計画と、対象期間よりも前に入手可能な因子の値とを含む学習データを取得する。入手可能な因子は、第１因子および第２因子を含んでよい。これに加えて、第３因子を入手可能でよく、また、第３因子および第４因子が入手可能でもよい。

　また、モデル生成部３０は、対象期間よりも前に入手可能な因子に基づいて対象期間における稼働計画を生成する稼働計画生成モデルを生成する。この場合の稼働計画生成モデルは、第１因子および第２因子に基づき、稼働計画を生成してよい。なお、この場合の稼働計画生成モデルは、第１モデルおよび第２モデルを統合したモデルでよい。

　これに代えて、稼働計画生成モデルは、第１因子から第３因子に基づき、稼働計画を生成してもよい。なお、この場合の稼働計画生成モデルは、第１モデルから第３モデルを統合したモデルでよい。これに代えて、稼働計画生成モデルは、第１因子から第４因子に基づき、稼働計画を生成してもよい。なお、この場合の稼働計画生成モデルは、第１モデルから第４モデルを統合したモデルでよい。稼働計画生成モデルは、事前学習により生成されてよい。

　また、学習処理部４０は、取得された学習データに基づいて、稼働計画生成モデルを学習する。学習処理部４０は、適応学習により、稼働計画生成モデルを学習してよい。また、学習処理部４０は、予め定められた期間毎に、稼働計画生成モデルを更新してよい。

　また、稼働計画生成部５０は、第１期間よりも前の因子の値に基づいて、第１期間中の各時点において電解装置１０００を稼働させるか否かを含む稼働計画を、稼働計画生成モデルを用いて生成する。以上のように、第１構成例の計画装置１００は、稼働計画を生成するモデルを電気料金の推移を考慮した１つのモデルとして生成し、学習によって更新することで、精度の高い稼働計画を出力することもできる。これにより、制御部６０は、電解装置１０００を稼働計画に応じて制御することができる。

　以上の本実施形態に係る計画装置１００によれば、電解装置１０００の稼働計画を学習によって生成するので、水素の製造量が不足してしまうこと、および、高い電気料金の時間帯で水素を生成させること等の発生を防止または低減させることができる。また、計画装置１００は、電気料金を予測しつつ、電解装置１０００の稼働計画を生成するので、より精度の高い稼働計画を生成することができる。

　図９は、本発明の複数の態様が全体的又は部分的に具現化されうるコンピュータ１２００の例を示す。コンピュータ１２００にインストールされたプログラムは、コンピュータ１２００に、本発明の実施形態に係る装置に関連付けられるオペレーション又は当該装置の１又は複数の「部」として機能させ、又は当該オペレーション又は当該１又は複数の「部」を実行させることができ、及び／又はコンピュータ１２００に、本発明の実施形態に係るプロセス又は当該プロセスの段階を実行させることができる。このようなプログラムは、コンピュータ１２００に、本明細書に記載のフローチャート及びブロック図のブロックのうちのいくつか又はすべてに関連付けられた特定のオペレーションを実行させるべく、ＣＰＵ１２１２によって実行されてよい。

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

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

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

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

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

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

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

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

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

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

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

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

Claims (26)

1. 　対象期間における電気料金の推移を対象期間よりも前に入手可能な第１因子の値に基づいて予測する電気料金予測モデルを用いて、将来の電気料金の推移を予測する電気料金予測部と、
   　予測された前記将来の電気料金の推移に基づいて、将来の第１期間における電解装置の稼働計画を生成する稼働計画生成部と
   　を備える計画装置。
2. 　前記電気料金予測モデルは、対象期間よりも前の、電気料金、電力需要量、電力供給量、再生エネルギー発電量、再生エネルギー発電量の予測値、および天気情報の少なくとも１つを含む前記第１因子の値に基づいて、対象期間における電気料金の推移を予測する請求項１に記載の計画装置。
3. 　過去期間における前記第１因子の値と前記過去期間以降の電気料金の現実の推移とに基づいて、前記電気料金予測モデルを学習により更新する第１モデル更新部を更に備える請求項１または２に記載の計画装置。
4. 　前記稼働計画生成部は、対象期間における稼働計画を、対象期間よりも前に入手可能な第２因子の値と対象期間における電気料金の推移の予測結果とに基づいて生成する稼働計画生成モデルを用いて、将来の前記第１期間における前記電解装置の稼働計画を生成する第１稼働計画生成部を有する請求項１から３のいずれか一項に記載の計画装置。
5. 　前記稼働計画生成モデルは、対象期間よりも前の、前記電解装置の稼働データ、および前記電解装置の水素貯蔵量の少なくとも１つを含む前記第２因子の値と、対象期間における電気料金の推移の予測結果とに基づいて、対象期間における前記電解装置の稼働計画を生成する請求項４に記載の計画装置。
6. 　過去期間における前記第２因子の値と、前記過去期間以降における電気料金の推移または電気料金の推移の予測結果と、前記過去期間以降において目標とすべき前記電解装置の稼働計画とに基づいて、前記稼働計画生成モデルを学習により更新する第２モデル更新部を更に備える請求項４または５に記載の計画装置。
7. 　前記稼働計画生成部は、
   　学習をしない予め定められたロジックにより、前記第１期間よりも前の前記第２因子の値と前記第１期間における電気料金の推移の予測結果とに基づいて、前記第１期間における前記電解装置の稼働計画を生成する第２稼働計画生成部と、
   　前記第１稼働計画生成部が生成した稼働計画が予め定められた制約を満たさない場合に、前記第２稼働計画生成部が生成した稼働計画を選択する稼働計画選択部と
   　を更に有する請求項４から６のいずれか一項に記載の計画装置。
8. 　前記第２稼働計画生成部は、前記第１期間中において、前記電解装置の生成物の使用計画を満たし、かつ電気料金がより低いと予測された期間において電気料金がより高いと予測された期間よりも優先して前記電解装置を稼働させる稼働計画を生成する請求項７に記載の計画装置。
9. 　前記第２稼働計画生成部は、前記第１期間中において、更に、前記生成物の貯蔵量を基準範囲内に維持する稼働計画を生成する請求項８に記載の計画装置。
10. 　前記第１稼働計画生成部は、複数の前記電解装置の稼働台数毎または前記複数の電解装置の組み合わせ毎にそれぞれ対応する複数の稼働計画生成モデルのうち、前記第１期間における前記複数の電解装置の運用予定に応じた稼働計画生成モデルを用いて、前記第１期間における前記電解装置の稼働計画を生成する請求項４から９のいずれか一項に記載の計画装置。
11. 　前記稼働計画生成部は、前記第１期間における前記電解装置のメンテナンス計画に更に基づいて、前記第１期間における前記電解装置の稼働計画を生成する請求項１から１０のいずれか一項に記載の計画装置。
12. 　対象期間におけるメンテナンス計画を対象期間よりも前に入手可能な第３因子の値に基づいて生成するメンテナンス計画生成モデルを用いて、将来の前記第１期間における前記電解装置のメンテナンス計画を生成するメンテナンス計画生成部を更に備える請求項１１に記載の計画装置。
13. 　過去期間における前記第３因子の値と前記過去期間以降において目標とすべき前記電解装置のメンテナンス計画とに基づいて、前記メンテナンス計画生成モデルを学習により更新する第３モデル更新部を更に備える請求項１２に記載の計画装置。
14. 　前記メンテナンス計画生成部は、前記第１期間における前記電解装置の異常予測を含む前記第３因子の値に基づいて、前記第１期間における前記電解装置のメンテナンス計画を生成する請求項１２または１３に記載の計画装置。
15. 　対象期間における前記電解装置の異常予測を対象期間よりも前に入手可能な第４因子の値に基づいて生成する異常予測モデルを用いて、前記第１期間における異常予測を生成する異常予測部を更に備える請求項１４に記載の計画装置。
16. 　前記異常予測モデルは、対象期間よりも前の前記電解装置の稼働状況を含む前記第４因子の値に基づいて、対象期間における異常予測を生成する請求項１５に記載の計画装置。
17. 　過去期間における前記第４因子の値と前記過去期間以降の異常発生状況とに基づいて、前記異常予測モデルを学習により更新する第４モデル更新部を更に備える請求項１５または１６に記載の計画装置。
18. 　前記第１期間における前記電解装置の稼働計画を用いて、前記電解装置を稼働させる制御を行う制御部を更に備える請求項１から１７のいずれか一項に記載の計画装置。
19. 　前記制御部は、前記稼働計画に基づいて前記電解装置を稼働させている期間内において前記電解装置の生成物の貯蔵量が上限値以上となったことに応じて、前記電解装置の稼働を停止させる請求項１８に記載の計画装置。
20. 　前記制御部は、前記稼働計画に基づいて前記電解装置を停止させている期間内において前記電解装置の生成物の貯蔵量が下限値以下となったことに応じて、前記電解装置の稼働を開始させる請求項１８または１９に記載の計画装置。
21. 　前記制御部は、前記稼働計画上は前記電解装置を稼働させない予定の期間において、電気料金が予測よりも低くなったことに応じて、将来より高い電気料金で前記電解装置を稼働させる代わりに当該期間において前記電解装置を稼働させる請求項１８から２０のいずれか一項に記載の計画装置。
22. 　前記電解装置は、電気分解によって水素を生成する水素生成装置である請求項１から２１のいずれか一項に記載の計画装置。
23. 　対象期間において目標とすべき電解装置の稼働計画と、対象期間よりも前に入手可能な因子の値とを含む学習データを取得する取得部と、
    　取得された前記学習データに基づいて、対象期間よりも前に入手可能な因子に基づいて対象期間における稼働計画を生成する稼働計画生成モデルを学習する学習処理部と、
    　第１期間よりも前の前記因子の値に基づいて、前記第１期間中の各時点において前記電解装置を稼働させるか否かを含む稼働計画を、前記稼働計画生成モデルを用いて生成する稼働計画生成部と
    　を備える計画装置。
24. 　対象期間における電気料金の推移を対象期間よりも前に入手可能な第１因子の値に基づいて予測する電気料金予測モデルを用いて、将来の電気料金の推移を予測することと、
    　予測された前記将来の電気料金の推移に基づいて、将来の第１期間における電解装置の稼働計画を生成することと
    　を備える電解装置の稼働計画の生成方法。
25. 　コンピュータに、請求項１から２３のいずれか一項に記載の計画装置として機能させるプログラム。
26. 　電気料金予測部が、対象期間における電気料金の推移を対象期間よりも前に入手可能な第１因子の値に基づいて予測する電気料金予測モデルを用いて、将来の電気料金の推移を予測し、
    　稼働計画生成部が、予測された前記将来の電気料金の推移に基づいて、将来の第１期間における水素生成装置の稼働計画を生成し、
    　前記水素生成装置が、前記稼働計画に基づいて水素を生成する
    　水素製造方法。

Images