CN113519104A - 计划装置、控制装置、方法及程序 - Google Patents
计划装置、控制装置、方法及程序 Download PDFInfo
- Publication number
- CN113519104A CN113519104A CN202080018373.5A CN202080018373A CN113519104A CN 113519104 A CN113519104 A CN 113519104A CN 202080018373 A CN202080018373 A CN 202080018373A CN 113519104 A CN113519104 A CN 113519104A
- Authority
- CN
- China
- Prior art keywords
- unit
- hydrogen
- amount
- prediction
- planning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims description 29
- 229910052739 hydrogen Inorganic materials 0.000 claims abstract description 515
- 239000001257 hydrogen Substances 0.000 claims abstract description 515
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims abstract description 488
- 238000003860 storage Methods 0.000 claims abstract description 347
- 230000004044 response Effects 0.000 claims abstract description 258
- 230000005611 electricity Effects 0.000 claims abstract description 244
- 238000004519 manufacturing process Methods 0.000 claims abstract description 148
- 150000002431 hydrogen Chemical class 0.000 claims abstract description 27
- 238000010248 power generation Methods 0.000 claims description 172
- 238000012423 maintenance Methods 0.000 claims description 153
- 230000005856 abnormality Effects 0.000 claims description 119
- 238000004364 calculation method Methods 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 16
- 230000001629 suppression Effects 0.000 claims description 11
- 238000007599 discharging Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 description 34
- 230000003044 adaptive effect Effects 0.000 description 15
- 230000002159 abnormal effect Effects 0.000 description 13
- 238000013528 artificial neural network Methods 0.000 description 13
- 230000002787 reinforcement Effects 0.000 description 13
- 230000015654 memory Effects 0.000 description 11
- 239000000203 mixture Substances 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 238000012545 processing Methods 0.000 description 11
- 238000000611 regression analysis Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 238000009825 accumulation Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 230000007704 transition Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000010365 information processing Effects 0.000 description 3
- 230000014759 maintenance of location Effects 0.000 description 3
- 238000000342 Monte Carlo simulation Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000009745 resin transfer moulding Methods 0.000 description 1
- 238000004092 self-diagnosis Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B15/00—Systems controlled by a computer
- G05B15/02—Systems controlled by a computer electric
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J15/00—Systems for storing electric energy
- H02J15/008—Systems for storing electric energy using hydrogen as energy vector
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
- H02J2310/50—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads
- H02J2310/56—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads characterised by the condition upon which the selective controlling is based
- H02J2310/62—The condition being non-electrical, e.g. temperature
- H02J2310/64—The condition being economic, e.g. tariff based load management
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
- H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
- H02J3/144—Demand-response operation of the power transmission or distribution network
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B70/00—Technologies for an efficient end-user side electric power management and consumption
- Y02B70/30—Systems integrating technologies related to power network operation and communication or information technologies for improving the carbon footprint of the management of residential or tertiary loads, i.e. smart grids as climate change mitigation technology in the buildings sector, including also the last stages of power distribution and the control, monitoring or operating management systems at local level
- Y02B70/3225—Demand response systems, e.g. load shedding, peak shaving
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E70/00—Other energy conversion or management systems reducing GHG emissions
- Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
- Y04S20/20—End-user application control systems
- Y04S20/222—Demand response systems, e.g. load shedding, peak shaving
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Automation & Control Theory (AREA)
- Biophysics (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Water Supply & Treatment (AREA)
- Mathematical Optimization (AREA)
Abstract
虽然能够通过按照来自电力供应商的需求响应而得到奖励,但有时氢产生装置的运行量改变,难以满足氢需要。提供一种计划装置,该计划装置生成具备氢产生装置的制氢***的运行计划,其中,该计划装置具备:取得部,其取得来自电力供应商的需求响应;以及运行计划部,其生成基于运行计划的对象期间之前的需求响应和对象期间之前的电价、氢的需要量以及氢的储藏量中的至少1个的运行计划。
Description
技术领域
本发明涉及计划装置、控制装置、制氢***、方法以及程序。
背景技术
以往,已知有一种通过对水进行电分解而产生氢的氢产生装置。此外,以实现电力的稳定供给为目的,存在用于促进电力的使用抑制或使用增加的需求响应这样的制度。
发明内容
发明要解决的问题
在从电力***向氢产生装置供给电力时,能够通过按照由电力供应商发行的需求响应而得到奖励,但有时氢产生装置的运行量发生变化,难以满足氢需要。
用于解决问题的手段
为了解决上述问题,在本发明的第1方案中,提供一种生成具备氢产生装置的制氢***的运行计划的计划装置。计划装置具备取得来自电力供应商的需求响应的取得部。计划装置具备运行计划部,该运行计划部生成基于运行计划的对象期间之前的需求响应和对象期间之前的电价、氢的需要量以及氢的储藏量中的至少1个的运行计划。
计划装置还可以具备需求响应预测部,该需求响应预测部使用需求响应预测模型,生成在对象期间内从电力供应商接受的预测需求响应。运行计划部可以基于预测需求响应,生成运行计划。
需求响应预测模型可以基于需求响应预测因素,对预测需求响应进行预测,该响应预测因素包括对象期间之前的需求响应的实绩、电价、天气信息、发电量、氢的需要量、电力需要量、对象期间内的预测发电量、氢的预测需要量以及预测电力需要量中的至少1个。
计划装置还可以具备需求响应预测模型更新部,该需求响应预测模型更新部使用所取得的需求响应的实绩,通过学习来更新需求响应预测模型。
计划装置还可以具备使用电价预测模型来生成预测电价的电价预测部。运行计划部可以基于预测电价,生成运行计划。
计划装置还可以具备储藏量预测部,该储藏量预测部使用储藏量预测模型,生成制氢***的氢储藏装置中的氢的预测储藏量。运行计划部可以基于预测储藏量,生成运行计划。
计划装置还可以具备运行预测部,该运行预测部使用运行预测模型,生成氢产生装置的预测运行量。储藏量预测模型可以基于包含预测运行量的储藏量预测因素,预测对象期间内的氢储藏装置的氢的预测储藏量。
制氢***可以从使用可再生能源生成电力的发电装置接受电力。计划装置还可以具备发电量预测部,该发电量预测部使用发电量预测模型,生成发电装置的预测发电量。运行计划部可以基于预测发电量,生成运行计划。
制氢***还可以具备蓄电装置,该蓄电装置能够蓄积由发电装置生成的电力中的氢产生装置未使用的剩余电力的至少一部分,之后能够向氢产生装置供给电力。计划装置还可以具备蓄电量预测部,该蓄电量预测部使用蓄电量预测模型,生成蓄电装置的预测蓄电量。运行计划部可以基于预测蓄电量,生成运行计划。
计划装置可以具备异常预测部,该异常预测部使用基于制氢***的运行状况来预测制氢***的异常发生的异常预测模型,生成制氢***的异常预测。计划装置可以具备维护计划部,该维护计划部基于异常预测,生成制氢***的维护计划。运行计划部可以基于维护计划,生成运行计划。
计划装置还可以具备需要预测部,该需要预测部使用需要预测模型,生成氢的预测需要量。运行计划部可以基于预测需要量,生成运行计划。
计划装置还可以具备消耗预测部,该消耗预测部使用消耗预测模型,生成氢的预测消耗量。需要预测部可以基于包含预测消耗量的需要预测因素,对预测需要量进行预测。
运行计划部可以生成在包含满足氢的预测需要量的制约条件下实现了与通过制氢***得到的利润相应的目的函数的最大化的运行计划。
在本发明的第2方案中,提供一种控制装置。控制装置可以具备第1方案的计划装置。控制装置可以具备按照运行计划来控制制氢***的控制部。控制部可以响应于在按照运行计划控制制氢***的期间取得了需求响应的情况,按照所取得的需求响应来调整与运行计划相应的氢产生装置的运行量。
控制装置还可以具备计算部,该计算部计算通过按照所取得的需求响应调整氢产生装置的运行量而得到的利润。控制部可以将计算出的利润为阈值以上作为条件,按照所取得的需求响应,调整与运行计划相应的氢产生装置的运行量。
控制部可以将计算出的利润小于阈值作为条件,维持与运行计划相应的氢产生装置的运行量。
在制氢***具备的氢储藏装置中的氢的储藏量为上限储藏量以上的情况下,计算部可以响应于取得了请求增加电力消耗量的需求响应的情况,计算通过按照所取得的需求响应使氢产生装置的运行量增加而排出剩余的氢所得到的利润。
在制氢***具备的氢储藏装置中的氢的储藏量为下限储藏量以下且需要应通过来自电力***的电力使氢产生装置运行来应对的氢的情况下,控制部可以响应于取得了请求抑制电力消耗量的需求响应的情况,不按照所取得的需求响应而通过来自电力***的电力使氢产生装置运行。
在本发明的第3方案中,提供一种按照运行计划来控制具备氢产生装置的制氢***的控制装置。控制装置可以具备取得来自电力供应商的需求响应的取得部。控制装置可以具备运行计划部,该运行计划部生成基于运行计划的对象期间之前的需求响应、电价、氢的需要量以及氢的储藏量中的至少1个的运行计划。控制装置可以具备按照运行计划来控制制氢***的控制部。控制部可以响应于在按照运行计划控制制氢***的期间取得了需求响应的情况,按照需求响应来调整与运行计划相应的氢产生装置的运行量。
在本发明的第4方案中,提供一种生成具备氢产生装置的制氢***的运行计划的方法。方法可以具备取得来自电力供应商的需求响应的阶段。方法可以具备生成基于运行计划的对象期间之前的需求响应和对象期间之前的电价、氢的需要量以及氢的储藏量中的至少1个的运行计划的阶段。
在本发明的第5方案中,提供一种由计算机执行且使计算机作为计划装置发挥功能的程序。计划装置可以生成具备氢产生装置的制氢***的运行计划。计划装置可以具备取得来自电力供应商的需求响应的取得部。计划装置可以具备运行计划部,该运行计划部生成基于运行计划的对象期间之前的需求响应和对象期间之前的电价、氢的需要以及氢的储藏量中的至少1个的运行计划。
在本发明的第6方案中,提供一种按照运行计划来控制具备氢产生装置的制氢***的方法。方法可以具备取得来自电力供应商的需求响应的阶段。方法可以具备生成基于运行计划的对象期间之前的需求响应、电价、氢的需要量以及氢的储藏量中的至少1个的运行计划的阶段。方法可以具备按照运行计划来控制制氢***的阶段。控制阶段可以具有如下阶段:响应于在按照运行计划控制制氢***的期间取得了需求响应的情况,按照需求响应来调整与运行计划相应的氢产生装置的运行量。
在本发明的第7方案中,提供一种由计算机执行且使计算机作为控制装置发挥功能的程序。控制装置可以按照运行计划来控制具备氢产生装置的制氢***。控制装置可以具备取得来自电力供应商的需求响应的取得部。控制装置可以具备运行计划部,该运行计划部生成基于运行计划的对象期间之前的需求响应、电价、氢的需要量以及氢的储藏量中的至少1个的运行计划。控制装置可以具备按照运行计划来控制制氢***的控制部。控制部可以响应于在按照运行计划控制制氢***的期间取得了需求响应的情况,按照需求响应来调整与运行计划相应的氢产生装置的运行量。
另外,上述的发明概要并非列举了本发明的全部的必要特征。此外,这些特征组的子组合也可以成为发明。
附图说明
图1示出本实施方式的制氢***10的结构。
图2示出本实施方式的控制装置140的结构。
图3示出本实施方式的计划装置200的预测部250的详细结构。
图4示出本实施方式的计划装置200的计划部260的详细结构。
图5示出本实施方式的控制装置140的动作流程的一例。
图6示出本实施方式的控制装置140的控制流程。
图7示出可以整体或部分地体现出本实施方式的多个方案的计算机2200的例子。
具体实施方式
以下,通过发明的实施方式对本发明进行说明,但以下的实施方式并非限定权利要求书所涉及的发明。此外,在实施方式中说明的特征的全部组合并不一定是发明的解决手段所必须的。
图1示出本实施方式的制氢***10的结构。制氢***10考虑来自电力供应商20的需求响应,生成能够以满足氢需要的方式制造氢的运行计划,按照该运行计划使氢产生装置110运行。
这里,电力供应商20可以是经由电力***的供电网供给电力的电力公司或者进行与电力相关的业务的供应商。此外,需求响应可以是对包含制氢***10的电力的需要者请求电力消耗量的增加的指示、以及请求电力消耗量的抑制的指示中的任意一方。需求响应可以表示所请求的电力消耗量的增加或抑制的程度(作为一例,表示增加或抑制的比例)。需求响应可以向符合请求的需要者赋予点数或电费折扣等奖励,或者按照时间段使电价变动。
制氢***10具备发电装置100、氢产生装置110、氢储藏装置120、蓄电装置130以及控制装置140。
发电装置100经由电力***的供电网或者不经由供电网而与氢产生装置110及蓄电装置130电连接。发电装置100例如利用风力或太阳光等可再生能源而生成电力(作为一例,单位为瓦特)。发电装置100向氢产生装置110供给电力,并且,向蓄电装置130供给剩余电力而使其蓄电。此外,发电装置100也可以将剩余电力出售给电力***。
氢产生装置110与氢储藏装置120、蓄电装置130及电力***连接。氢产生装置110将与供给的电力的大小相应的氢产生量(作为一例,单位为标立方/小时,也表示为“Nm3/小时”。)的氢向氢储藏装置120输出。从发电装置100、蓄电装置130以及电力***中的至少1个向氢产生装置110供给电力。
氢储藏装置120接受并储藏氢产生装置110所产生的氢,向氢的需要者供给与需要者的请求相应的氢需要量Uh(作为一例,单位为Nm3/小时)的氢。
蓄电装置130与电力***连接。蓄电装置130蓄积由发电装置100生成的电力中的氢产生装置110未使用的剩余电力的至少一部分,之后能够向氢产生装置110供给电力。蓄电装置130可以蓄积来自电力***的电力。
控制装置140以能够通信的方式与发电装置100、氢产生装置110、氢储藏装置120、蓄电装置130以及电力供应商20连接。控制装置140取得并监视制氢***10的各装置的运行状况,通过与各装置进行通信来控制各装置的输入及/或输出。此外,控制装置140也可以向制氢***10的各装置的管理者或维护作业者的终端装置等发送各种数据,使管理者等维护或控制各装置。控制装置140取得从电力供应商20发行的需求响应。
图2示出本实施方式的控制装置140的结构。控制装置140具有计划装置200、计算部210以及控制部220。
计划装置200与计算部210及控制部220连接,根据来自电力供应商20的需求响应和制氢***10的运行状况,生成并输出维护计划以及运行计划。
计划装置200可以是个人计算机、平板型计算机、智能手机、工作站、服务器计算机、或者通用计算机等计算机,也可以是连接有多个计算机的计算机***。计划装置200可以通过计算机的CPU、GPU(Graphics Processing Unit:图形处理单元)及/或TPU(TensorProcessing Unit:张量处理单元)中的处理而生成计划等。此外,计划装置200可以在由服务器计算机提供的云端上进行各种处理。计划装置200具有取得部230、存储部240、预测部250以及计划部260。
取得部230与控制部220及存储部240连接,取得来自电力供应商20的需求响应。取得部230可以取得控制部220收集到的与制氢***10的运行状况相关的数据。取得部230可以每隔预先决定的期间,取得并更新信息。取得部230可以根据应取得的信息,每隔大致相同或不同的期间取得该信息,分别进行追加或更新。此外,取得部230也可以与网络等连接,经由该网络取得数据。取得部230在应取得的数据中的至少一部分存储于外部的数据库等的情况下,可以访问该数据库等而取得数据。此外,取得部230将取得的需求响应等各种数据供给到存储部240。
存储部240与预测部250、计划部260、计算部210以及控制部220连接,存储从取得部230供给的数据。存储部240可以存储由计划装置200进行处理的数据。存储部240也可以分别存储在计划装置200生成计划的过程中计算出或利用的中间数据、计算结果以及参数等。此外,存储部240可以根据计划装置200内的各结构的请求,将存储的数据供给到请求源。
预测部250与计划部260连接,从存储部240接受预测因素或实绩等数据。预测部250根据预测因素以及实绩等,生成包含预测需求响应、预测运行量、预测需要量、预测消耗量、预测发电量、预测电价、预测储藏量、预测蓄电量以及异常预测中的至少1个的预测结果。预测部250生成1个或多个学习模型,对该学习模型进行学习(作为一例,是具有示教的学习)并更新。预测部250基于更新后的学习模型,生成预测结果。预测部250将预测结果供给到存储部240及/或计划部260。
这里,预测需求响应可以是将来的对象期间内的电力供应商20有无发行需求响应、发行时期、请求抑制及增加电力消耗量(作为一例,单位为瓦特)中的任意一方的需求响应,或者包含所请求的电力消耗量的抑制的程度、增加的程度以及电价中的至少1个。
预测运行量可以包含将来的对象期间内的氢产生装置110的运行量(例如氢产生装置110的运行率、运行期间、氢生成量的累计或者每单位时间的氢生成量等)。预测需要量可以包含将来的对象期间内的氢的需要量的累计、以及每小时、每天或每月的需要量中的至少1个。预测消耗量可以包含将来的对象期间内的氢的消耗量的累计、以及每小时、每天或每月的氢的消耗量中的至少1个。
这里,氢的需要量可以是与针对制氢***10(例如,氢产生装置110所生成的氢)的来自需要者(例如,购入由氢产生装置110生成的氢的顾客等)的请求相应的氢的量。例如,氢的需要量可以是将预先决定的缓冲量加上向氢的需要者供给的氢的供给量而得到的氢的量,以避免制氢***10的氢储藏装置120中的储藏量成为0。此外,氢的消耗量不限于制氢***10所生成的氢,可以是需要者消耗的氢的量。例如,氢的消耗量是1个或多个地域(例如市、城区、村、省或国等)中的氢的消耗量、或者1个或多个供应商中的氢的消耗量。
预测发电量可以包含将来的对象期间内的发电装置100的发电量的累计、以及每小时、每天或每月的发电量中的至少1个。预测电价可以是将来的对象期间内的从电力***经由供电网(或者从电力供应商20)供给的电力的各时间段的价格(售电价格或购电价格)。
预测储藏量可以包含将来的对象期间内的储藏由氢产生装置110生成的氢的氢储藏装置120中的氢的储藏量(例如,每小时、每天或每月的储藏量、相对于最大可储藏量的比例等)。预测蓄电量可以包含将来的对象期间内的蓄电装置130的蓄电量的累计、以及每小时、每天或每月的蓄电量中的至少1个。异常预测可以包含将来的对象期间内的氢产生装置110的氢的生成效率(例如,每单位电力或每单位时间的氢生成量)的下降、或者制氢***10中的有无发生装置的故障等异常动作、发生时期或异常动作的内容等。
计划部260与计算部210及控制部220连接,生成并输出包含运行计划以及维护计划中的至少1个的计划数据。计划部260生成1个或多个学习模型,对该学习模型进行强化学习并更新,基于更新后的学习模型,生成计划数据。计划部260将生成的计划数据供给到存储部240、计算部210以及控制部220。
这里,运行计划可以包含将来的对象期间内的指定氢产生装置110的运行量(例如,运行率或氢生成量等)、运行期间以及运行时间段中的至少1个的计划。维护计划包含对制氢***10的至少1个装置进行维护作业的将来的计划。维护计划例如计算在对象期间内是否进行制氢***10的装置的维护作业、维护作业的时期、维护作业的内容、用于维护作业的装置、进行维护作业的作业人员的数量、技巧、实绩以及配置中的至少1个。另外,维护作业可以包含装置或其部件的维护(例如保养、检查以及修理等)以及更换中的至少一方。
计算部210与控制部220连接,从存储部240接受由取得部230取得的需求响应,计算按照该需求响应对氢产生装置110的运行量进行调整而得到的利润。计算部210可以进一步从计划部260接受当前实施中的运行计划,计算利润。计算部210也可以从存储部240进一步接受氢产生装置110的当前的运行状况等,计算利润。计算部210将计算出的利润供给到控制部220。
控制部220可以与制氢***10的各装置以能够通信的方式连接。控制部220可以对制氢***10的各装置进行控制,使得按照由计划部260生成的运行计划使氢产生装置110运行。此外,控制部220可以将由计划部260生成的计划数据向制氢***10、或者该制氢***10的供应商、或者进行维护作业的作业人员所具有的终端装置等发送。控制部220可以从制氢***10的各装置或外部的装置等收集表示制氢***10的各装置的运行状况等的数据,并向取得部230发送。
根据以上的本实施方式的控制装置140,生成考虑了按照需求响应而得到的利润的运行计划,按照该运行计划使氢产生装置110运行,能够低成本地制造氢。
图3示出本实施方式的计划装置200的预测部250的更加详细的结构。预测部250具有需求响应预测模型生成部300、需求响应预测模型更新部302以及需求响应预测部304,生成针对制氢***10的预测需求响应。预测部250具有运行预测模型生成部310、运行预测模型更新部312以及运行预测部314,生成氢产生装置110的预测运行量。预测部250具有需要预测模型生成部320、需要预测模型更新部322以及需要预测部324,生成针对制氢***10的氢的预测需要量。预测部250具有发电量预测模型生成部330、发电量预测模型更新部332以及发电量预测部334,生成发电装置100的预测发电量。
预测部250具有电价预测模型生成部340、电价预测模型更新部342以及电价预测部344,生成从电力***供给的电力的预测电价。预测部250具有消耗预测模型生成部350、消耗预测模型更新部352以及消耗预测部354,生成氢的预测消耗量。预测部250具有储藏量预测模型生成部360、储藏量预测模型更新部362以及储藏量预测部364,生成氢储藏装置120的氢的预测储藏量。
预测部250具有蓄电量预测模型生成部370、蓄电量预测模型更新部372以及蓄电量预测部374,生成蓄电装置130的预测蓄电量。预测部250具有异常预测模型生成部380、异常预测模型更新部382以及异常预测部384,生成制氢***10的异常预测。
这里,存储部240存储预测因素,该预测因素包含需求响应预测因素、运行预测因素、需要预测因素、发电量预测因素、电价预测因素、消耗预测因素、储藏量预测因素、蓄电量预测因素以及异常预测因素。
需求响应预测因素可以包含与针对制氢***10的需求响应相关的信息。需求响应预测因素包含对象期间之前的需求响应的实绩(例如,过去发行的需求响应的发行时期、发行频度、发行内容、发行条件以及发行时的天气信息等)、电力***的电价、天气信息、发电装置100的发电量、电力供应商20的发电量、针对制氢***10的氢的需要量、氢的消耗量、针对电力***(例如电力供应商20)的电力需要量、对象期间内的发电装置100的预测发电量、电力供应商20的预测发电量、针对制氢***10的氢的预测需要量、针对电力***(例如电力供应商20)的预测电力需要量、以及预测的天气信息中的至少1个。需求响应预测因素还可以包含电力供应商20的信息(作为一例,为发电的种类或规模等)。这里,天气信息可以是设置有氢产生装置110的地域的天气信息,可以包含风速、风向、晴天、雨天、雪天、温度、浪高以及日照时间等中的至少1个。
运行预测因素可以包含与氢产生装置110的运行相关的信息。运行预测因素可以包含对象期间之前的氢产生装置110的运行量、氢储藏装置120中的氢的储藏量、氢的需要量、发电装置100的发电量、以及氢产生装置110的氢的生成效率(例如,每单位电力或每单位时间的氢的生成量等)中的至少1个。运行预测因素还可以包含对象期间内的预测需要量、预测电价以及预测发电量中的至少1个。此外,运行预测因素可以包含根据氢产生装置110的物理模型而计算的虚拟数据。
需要预测因素可以包含与针对由氢产生装置110制造出的氢的需要相关的信息。需要预测因素可以包含对象期间之前的氢的消耗量、氢的需要量、氢的需要者的数量、天气信息、对象期间内的氢的预测消耗量、氢产生装置110的预测运行量、以及预测的天气信息中的至少1个。
发电量预测因素可以包含与发电装置100的发电量相关的信息。发电量预测因素可以包含对象期间之前的发电装置100的发电量(例如,规定期间内的发电量的累计或者发电效率等)、发电装置100的电力供给量、制氢***10购入或出售后的电力量、电价、天气信息、发电装置100的种类(例如,用于发电的可再生能源的种类等)、发电装置100的利用期间、蓄电装置130的蓄电量、预想对象期间内的预测的天气信息、以及预测电价中的至少1个。此外,发电量预测因素可以包含根据发电装置100的物理模型计算的虚拟数据。
电价预测因素可以包含与来自电力***的电力的价格(购电价格或售电价格)相关的信息。电价预测因素可以包含对象期间之前的电价、电力需要量、电力供给量、天气信息、对象期间内的预测的天气信息、以及发电装置100的预测发电量中的至少1个。
消耗预测因素可以包含与需要者对氢的消耗相关的信息。消耗预测因素可以包含对象期间之前的针对制氢***10的氢的需要量、氢的消耗量、天气信息、氢的价格、与需要者的氢使用量相关的因素、以及对象期间内的氢的预测需要量。这里,与需要者的氢使用量相关的因素例如可以包含购入由制氢***10制造的氢的需要者的数量及需要者的种类(例如,向燃料电池巴士等供给氢的加氢站的供应商等)中的至少1个。
储藏量预测因素可以包含与氢储藏装置120的氢的储藏量相关的信息。储藏量预测因素可以包含对象期间之前的氢产生装置110的运行量、从氢产生装置110向氢储藏装置120供给的氢的供给量、氢储藏装置120中的氢的储藏量、氢的需要量、各氢输送单元的氢的能够输送的量、从氢储藏装置120向氢输送单元供给氢的氢供给次数、从氢储藏装置120向氢输送单元供给氢的氢供给日期时间、对象期间内的氢产生装置110的预测运行量、氢的预测需要量、以及氢的预测消耗量中的至少1个。
蓄电量预测因素可以包含与蓄电装置130的蓄电量相关的信息。蓄电量预测因素可以包含对象期间之前的蓄电装置130的蓄电量、制氢***10中的电力需要量、电力***中出售或购入后的电力量、氢产生装置110的运行量、发电装置100的发电量、氢的需要量、氢储藏装置120的氢储藏量、对象期间内的发电装置100的预测发电量、氢的预测需要量、氢产生装置110的预测运行量、氢储藏装置120的预测储藏量、以及预测电价中的至少1个。蓄电量预测因素还可以包含蓄电装置130的种类、使用期间、以及最大可接受电力中的至少1个。此外,蓄电量预测因素可以包含根据蓄电装置130的物理模型计算的虚拟数据。
异常预测因素可以包含对制氢***10的异常发生造成影响的信息。异常预测因素可以包含对象期间之前的制氢***10的各装置的运行状况、制氢***10的各装置的部件制造商推荐的部件的更换时期、部件的使用时间、将该部件搭载于装置之后经过的时间等、对象期间内的预测运行量、预测发电量、预测储藏量以及预测蓄电量中的至少1个。
这里,运行状况可以包含制氢***10的各装置的运行率、各装置的劣化等异常动作的历史(例如、异常动作的发生时间、修理期间、异常动作发生的时间的前后的装置的运行率、以及异常动作的内容等)、从安装于制氢***10的装置的传感器等得到的自诊断结果、以及氢产生装置110的氢生成效率中的至少1个。此外,控制装置140可以从外部等取得对装置的异常动作进行预测的预测数据,并作为异常预测因素的信息而存储于存储部240。在该情况下,预测数据可以在与从实际上装置运行开始到发生异常动作为止的过去的期间同等的期间内预测出下一个异常动作发生。此外,预测数据也可以将作为使不同的同型装置运行的结果而取得的异常动作的历史作为该装置的预测数据。
需求响应预测因素、运行预测因素、需要预测因素、发电量预测因素、电价预测因素、消耗预测因素、储藏量预测因素、蓄电量预测因素以及异常预测因素中的至少1个可以是每隔大致固定时间的时间序列的信息。需求响应预测因素、运行预测因素、需要预测因素、发电量预测因素、电价预测因素、消耗预测因素、储藏量预测因素、蓄电量预测因素以及异常预测因素中的至少1个可以与时间的经过一起分别被追加或更新。需求响应预测因素、运行预测因素、需要预测因素、发电量预测因素、电价预测因素、消耗预测因素、储藏量预测因素、蓄电量预测因素以及异常预测因素中的至少1个还可以包含在计划装置200中生成的预测结果及计划数据中的至少1个。需求响应预测因素、运行预测因素、需要预测因素、发电量预测因素、电价预测因素、消耗预测因素、储藏量预测因素、蓄电量预测因素以及异常预测因素中的至少1个可以包含从外部的数据库或制氢***10中的终端装置等供给到控制装置140的信息。
需求响应预测模型生成部300与存储部240及需求响应预测模型更新部302连接,从存储部240接受模型生成用的数据(例如预测因素及/或实绩等)。需求响应预测模型生成部300基于需求响应预测因素,生成需求响应预测模型。需求响应预测模型可以是基于需求响应预测因素来预测对象期间内的预测需求响应的模型。
需求响应预测模型生成部300可以使用比对象期间更早的信息,通过事先学习或离线学习等,生成需求响应预测模型。需求响应预测模型生成部300例如使用回归分析、贝叶斯推论、神经网络、高斯混合模型以及隐马尔可夫模型等,生成需求响应预测模型。此外,作为需求响应预测模型,例如,如果使用LSTM(Long short-termmemory:长短记忆网络)、RNN(Recurrent Neural Network:递归神经网络)、以及具有其他存储的模型,则也能够根据因素的时间序列来对预测需求响应进行预测。需求响应预测模型生成部300将生成的需求响应预测模型供给到需求响应预测模型更新部302。
需求响应预测模型更新部302与存储部240及需求响应预测部304连接,从存储部240接受学习用的数据(例如,预测因素及/或实绩等)。需求响应预测模型更新部302使用包含需求响应的实绩的学习数据,通过学习来更新需求响应预测模型。需求响应预测模型更新部302期望还使用在时间上比需求响应预测模型生成部300用于生成需求响应预测模型的需求响应预测因素的信息靠后的信息来进行学习。需求响应预测模型更新部302使用通过需求响应的实际发行而更新的需求响应预测因素的信息,对需求响应预测模型进行学习。需求响应预测模型更新部302例如可以基于过去期间内的需求响应预测因素和过去期间以后的需求响应的实绩,通过学习来更新需求响应预测模型。
需求响应预测模型更新部302可以每隔预先决定的更新期间(例如以x小时或x日的间隔),通过学习而更新为新的需求响应预测模型。取而代之,需求响应预测模型更新部302也可以根据学习了预先决定的次数或者基于学习的误差差分低于预先决定的阈值等各种条件,对需求响应预测模型进行更新。需求响应预测模型更新部302可以响应于需求响应预测因素的信息被更新(例如,需求响应被发行)的情况,执行需求响应预测模型的学习。需求响应预测模型更新部302可以在更新期间内执行1次或多次学习。此外,需求响应预测模型更新部302可以通过适应性学习或在线学习等,对需求响应预测模型进行学习。需求响应预测模型更新部302将更新后的需求响应预测模型供给到需求响应预测部304。
需求响应预测部304与存储部240连接。需求响应预测部304使用需求响应预测模型,生成在对象期间内制氢***10从电力供应商20接受的预测需求响应。
需求响应预测部304例如每隔预先决定的期间,预测将来的对象期间内的预测需求响应。需求响应预测部304例如将直至对象期间的紧前面为止的期间内的需求响应预测因素的信息应用于需求响应预测模型来预测需求响应。需求响应预测部304将预测结果供给到存储部240,作为在预测部250或计划部260中使用的因素而进行存储。此外,需求响应预测部304可以将预测结果直接供给到预测部250的其他结构或计划部260。
运行预测模型生成部310与存储部240及运行预测模型更新部312连接,从存储部240接受模型生成用的数据(例如,预测因素及/或实绩等)。运行预测模型生成部310可以基于运行预测因素来生成运行预测模型。运行预测模型可以是基于运行预测因素来预测对象期间内的氢产生装置110的预测运行量的模型。
运行预测模型生成部310可以使用比对象期间更早的信息,通过事先学习或离线学习等,生成运行预测模型。运行预测模型生成部310例如使用回归分析、贝叶斯推论、神经网络、高斯混合模型以及隐马尔可夫模型等,生成运行预测模型。此外,作为运行预测模型,例如,如果使用LSTM(Long short-term memory:长短记忆网络)、RNN(Recurrent NeuralNetwork:递归神经网络)、以及具有其他存储的模型,则也能够根据因素的时间序列来预测氢产生装置110的运行。运行预测模型生成部310将生成的运行预测模型供给到运行预测模型更新部312。
运行预测模型更新部312与存储部240及运行预测部314连接,从存储部240接受学习用的数据(例如,预测因素及/或实绩等)。运行预测模型更新部312使用包含氢产生装置110的运行量的实绩的学习数据,通过学习来更新运行预测模型。运行预测模型更新部312期望还使用在时间上比运行预测模型生成部310用于生成运行预测模型的运行预测因素的信息靠后的信息来进行学习。运行预测模型更新部312使用通过氢产生装置110的实际运行而更新的运行预测因素的信息,对运行预测模型进行学习。运行预测模型更新部312例如可以基于过去期间内的运行预测因素和过去期间以后的氢产生装置110的运行量的实绩,通过学习来更新运行预测模型。
运行预测模型更新部312可以按照预先决定的更新期间(例如以x小时或x日的间隔),通过学习而更新为新的运行预测模型。取而代之,运行预测模型更新部312也可以根据学习了预先决定的次数或者基于学习的误差差分低于预先决定的阈值等各种条件,对运行预测模型进行更新。运行预测模型更新部312可以响应于运行预测因素的信息被更新的情况,执行运行预测模型的学习。运行预测模型更新部312可以在更新期间内执行1次或多次学习。此外,运行预测模型更新部312可以通过适应性学习或在线学习等,对运行预测模型进行学习。运行预测模型更新部312将更新后的运行预测模型供给到运行预测部314。
运行预测部314与存储部240连接。运行预测部314基于运行预测因素,使用运行预测模型而生成氢产生装置110的预测运行量。
运行预测部314例如每隔预先决定的期间,预测将来的对象期间内的氢产生装置110的运行。运行预测部314例如将直至对象期间的紧前面为止的期间内的运行预测因素的信息应用于运行预测模型来预测氢产生装置110的运行量。运行预测部314将预测结果供给到存储部240,作为在预测部250或计划部260中使用的因素而进行存储。此外,运行预测部314可以将预测结果直接供给到预测部250的其他结构或计划部260。
需要预测模型生成部320与存储部240及需要预测模型更新部322连接。需要预测模型生成部320从存储部240接受模型生成用的数据(例如,预测因素及/或实绩值等),生成需要预测模型。需要预测模型可以是基于需要预测因素来预测对象期间内的针对制氢***10的氢的预测需要量的模型。
需要预测模型生成部320可以使用比对象期间更早的信息,通过事先学习或离线学习等,生成需要预测模型。需要预测模型生成部320例如使用回归分析、贝叶斯推论、神经网络、高斯混合模型以及隐马尔可夫模型等,生成需要预测模型。此外,作为需要预测模型,例如如果使用LSTM、RNN以及具有其他存储的模型,则也能够根据因素的时间序列来预测氢的需要量。需要预测模型生成部320将生成的需要预测模型供给到需要预测模型更新部322。
需要预测模型更新部322与存储部240及需要预测部324连接。需要预测模型更新部322使用包含氢的需要量的实绩值的学习数据,通过学习来更新需要预测模型。需要预测模型更新部322期望还使用在时间上比需要预测模型生成部320用于生成需要预测模型的需要预测因素的信息靠后的信息来进行学习。需要预测模型更新部322可以使用根据实际的氢需要而更新的需要预测因素,对需要预测模型进行学习。需要预测模型更新部322例如可以基于过去期间内的需要预测因素和过去期间以后的需要量的实绩值,通过学习来更新需要预测模型。
需要预测模型更新部322可以按照预先决定的更新期间,通过学习而更新为新的需要预测模型。取而代之,需要预测模型更新部322也可以根据学习了预先决定的次数或者基于学习的误差差分低于预先决定的阈值等各种条件,对需要预测模型进行更新。需要预测模型更新部322可以响应于需要预测因素的信息被更新的情况,执行需要预测模型的学习。需要预测模型更新部322可以在更新期间内执行1次或多次学习。此外,需要预测模型更新部322可以通过适应性学习或在线学习等,对需要预测模型进行学习。需要预测模型更新部322将更新后的需要预测模型供给到需要预测部324。
需要预测部324与存储部240连接。需要预测部324基于需要预测因素,使用需要预测模型生成氢的预测需要量。
需要预测部324例如每隔预先决定的期间,预测将来的对象期间内的针对制氢***10的氢的需要量。需要预测部324例如将直至应预测的期间的紧前面为止的期间内的需要预测因素应用于需要预测模型来预测需要量。需要预测部324将预测结果供给到存储部240,作为在预测部250或计划部260中使用的因素而进行存储。此外,需要预测部324可以将预测结果直接供给到预测部250的其他结构或计划部260。
发电量预测模型生成部330与存储部240及发电量预测模型更新部332连接。发电量预测模型生成部330从存储部240接受模型生成用的数据(例如,预测因素及/或实绩值等),生成发电量预测模型。发电量预测模型可以是基于发电量预测因素来预测对象期间内的发电装置100的预测发电量的模型。
发电量预测模型生成部330可以使用比对象期间更早的信息,通过事先学习或离线学习等,生成发电量预测模型。发电量预测模型生成部330例如使用回归分析、贝叶斯推论、神经网络、高斯混合模型以及隐马尔可夫模型等,生成发电量预测模型。此外,作为发电量预测模型,例如如果使用LSTM、RNN、以及具有其他存储的模型,则也能够根据因素的时间序列来预测发电装置100的发电量等。发电量预测模型生成部330将生成的发电量预测模型供给到发电量预测模型更新部332。
发电量预测模型更新部332与存储部240及发电量预测部334连接。发电量预测模型更新部332使用包含发电装置100的发电量的实绩值的学习数据,通过学习来更新发电量预测模型。发电量预测模型更新部332期望还使用在时间上比发电量预测模型生成部330用于生成发电量预测模型的发电量预测因素的信息靠后的信息来进行学习。发电量预测模型更新部332例如可以基于过去期间内的发电量预测因素和过去期间以后的发电装置100的发电量的实绩值,通过学习来更新发电量预测模型。发电量预测模型更新部332使用通过发电装置100的实际发电而更新的发电量预测因素的信息,对发电量预测模型进行学习。
发电量预测模型更新部332可以每隔预先决定的更新期间,通过学习而更新为新的发电量预测模型。取而代之,发电量预测模型更新部332也可以根据学习了预先决定的次数或者基于学习的误差差分低于预先决定的阈值等各种条件,对发电量预测模型进行更新。发电量预测模型更新部332可以响应于发电量预测因素的信息被更新的情况,执行发电量预测模型的学习。发电量预测模型更新部332可以在更新期间内执行1次或多次学习。发电量预测模型更新部332可以通过适应性学习或在线学习等,对发电量预测模型进行学习。发电量预测模型更新部332将更新后的发电量预测模型供给到发电量预测部334。
进行
发电量预测部334与存储部240连接。发电量预测部334基于发电量预测因素,使用发电量预测模型而生成发电装置100的预测发电量。
发电量预测部334例如每隔预先决定的期间,预测将来的对象期间内的发电装置100的发电量。发电量预测部334从存储部240接受发电量预测因素。发电量预测部334例如将直至应预测的期间的紧前面为止的期间内的发电量预测因素的信息应用于发电量预测模型来预测发电装置100的发电量。发电量预测部334将预测结果供给到存储部240,作为在预测部250或计划部260中使用的因素而进行存储。此外,发电量预测部334可以将预测结果直接供给到预测部250的其他结构或计划部260。
电价预测模型生成部340与存储部240及电价预测模型更新部342连接。电价预测模型生成部340从存储部240接受模型生成用的数据(例如,预测因素及/或实绩值等),生成电价预测模型。电价预测模型可以是基于电价预测因素来计算对象期间内的预测电价的模型。
电价预测模型生成部340可以使用比对象期间更早的信息,通过事先学习或离线学习等,生成电价预测模型。电价预测模型生成部340例如使用回归分析、贝叶斯推论、神经网络、高斯混合模型以及隐马尔可夫模型等,生成电价预测模型。此外,作为电价预测模型,例如如果使用LSTM、RNN、以及具有其他存储的模型,则也能够根据因素的时间序列来预测电价。电价预测模型生成部340将生成的电价预测模型供给到电价预测模型更新部342。
电价预测模型更新部342与存储部240及电价预测部344连接。电价预测模型更新部342可以使用包含电价的实绩值的学习数据,通过学习来更新电价预测模型。电价预测模型更新部342期望还使用在时间上比电价预测模型生成部340用于生成电价预测模型的电价预测因素的信息靠后的信息来进行学习。电价预测模型更新部342例如可以基于过去期间内的电价预测因素和过去期间以后的电价的实绩值,通过学习来更新电价预测模型。电价预测模型更新部342使用通过实际的电价的推移而更新的电价预测因素的信息,对电价预测模型进行学习。
电价预测模型更新部342可以每隔预先决定的更新期间,通过学习而更新为新的电价预测模型。取而代之,电价预测模型更新部342也可以根据学习了预先决定的次数或者基于学习的误差差分低于预先决定的阈值等各种条件,对电价预测模型进行更新。电价预测模型更新部342可以响应于电价预测因素的信息被更新的情况,执行电价预测模型的学习。电价预测模型更新部342可以在更新期间内执行1次或多次学习。电价预测模型更新部342可以通过适应性学习或在线学习等,对电价预测模型进行学习。电价预测模型更新部342将更新后的电价预测模型供给到电价预测部344。
电价预测部344与存储部240连接。电价预测部344基于电价预测因素,使用电价预测模型而生成电力***的预测电价。
电价预测部344每隔预先决定的期间,预测将来的对象期间内的电力***的电价。电价预测部344例如将直至应预测的期间的紧前面为止的期间内的电价预测因素的信息应用于电价预测模型来预测电价。电价预测部344将预测结果供给到存储部240,作为在预测部250或计划部260中使用的因素而进行存储。此外,电价预测部344可以将预测结果直接供给到预测部250的其他结构或计划部260。
消耗预测模型生成部350与存储部240及消耗预测模型更新部352连接。消耗预测模型生成部350从存储部240接受模型生成用的数据(例如,预测因素及/或实绩值等),生成消耗预测模型。消耗预测模型可以是基于消耗预测因素来计算对象期间内的氢的预测消耗量的模型。
消耗预测模型生成部350可以使用比对象期间更早的信息,通过事先学习或离线学习等,生成消耗预测模型。消耗预测模型生成部350例如使用回归分析、贝叶斯推论、神经网络、高斯混合模型以及隐马尔可夫模型等,生成消耗预测模型。此外,作为消耗预测模型,例如如果使用LSTM、RNN、以及具有其他存储的模型,则也能够根据因素的时间序列来预测氢的消耗量。消耗预测模型生成部350将生成的消耗预测模型供给到消耗预测模型更新部352。
消耗预测模型更新部352与存储部240及消耗预测部354连接。消耗预测模型更新部352可以使用包含氢的消耗量的实绩值的学习数据,通过学习来更新消耗预测模型。消耗预测模型更新部352期望还使用在时间上比消耗预测模型生成部350用于生成消耗预测模型的消耗预测因素的信息靠后的信息来进行学习。消耗预测模型更新部352例如可以基于过去期间内的消耗预测因素和过去期间以后的氢的消耗量的实绩值,通过学习来更新消耗预测模型。消耗预测模型更新部352可以使用通过实际的氢的消耗量的推移而更新的消耗预测因素的信息,对消耗预测模型进行学习。
消耗预测模型更新部352可以每隔预先决定的更新期间,通过学习而更新为新的消耗预测模型。取而代之,消耗预测模型更新部352也可以根据学习了预先决定的次数或者基于学习的误差差分低于预先决定的阈值等各种条件,对消耗预测模型进行更新。消耗预测模型更新部352可以响应于消耗预测因素的信息被更新的情况,执行消耗预测模型的学习。消耗预测模型更新部352可以在更新期间内执行1次或多次学习。此外,消耗预测模型更新部352可以通过适应性学习或在线学习等,对消耗预测模型进行学习。消耗预测模型更新部352将更新后的消耗预测模型供给到消耗预测部354。
消耗预测部354与存储部240连接。消耗预测部354基于消耗预测因素,使用消耗预测模型而生成氢的预测消耗量。
消耗预测部354例如每隔预先决定的期间,预测将来的对象期间内的氢的消耗量。消耗预测部354例如将直至应预测的期间的紧前面为止的期间内的消耗预测因素的信息应用于消耗预测模型来预测氢的消耗量。消耗预测部354将预测结果供给到存储部240,作为在预测部250或计划部260中使用的因素而进行存储。此外,消耗预测部354可以将预测结果直接供给到预测部250的其他结构或计划部260。
储藏量预测模型生成部360与存储部240及储藏量预测模型更新部362连接。储藏量预测模型生成部360从存储部240接受模型生成用的数据(例如,预测因素及/或实绩值等),生成储藏量预测模型。储藏量预测模型可以是基于储藏量预测因素来预测对象期间内的氢储藏装置120的氢的预测储藏量的模型。
储藏量预测模型生成部360可以使用比对象期间更早的储藏量预测因素,通过事先学习或离线学习等,生成储藏量预测模型。储藏量预测模型生成部360例如使用回归分析、贝叶斯推论、神经网络、高斯混合模型以及隐马尔可夫模型等,生成储藏量预测模型。此外,作为储藏量预测模型,例如如果使用LSTM、RNN、以及具有其他存储的模型,则也能够根据因素的时间序列来预测氢储藏装置120的储藏量。储藏量预测模型生成部360将生成的储藏量预测模型供给到储藏量预测模型更新部362。
储藏量预测模型更新部362与存储部240及储藏量预测部364连接。储藏量预测模型更新部362可以使用包含氢储藏装置120的氢的储藏量的实绩值的学习数据,通过学习来更新储藏量预测模型。储藏量预测模型更新部362期望还使用在时间上比储藏量预测模型生成部360用于生成储藏量预测模型的储藏量预测因素的信息靠后的信息来进行学习。储藏量预测模型更新部362例如可以基于过去期间内的储藏量预测因素和过去期间以后的氢储藏装置120的氢的储藏量的实绩值,通过学习来更新储藏量预测模型。储藏量预测模型更新部362可以使用通过实际的氢的储藏量的推移而更新的储藏量预测因素的信息,对储藏量预测模型进行学习。
储藏量预测模型更新部362可以每隔预先决定的更新期间,通过学习而更新为新的储藏量预测模型。取而代之,储藏量预测模型更新部362也可以根据学习了预先决定的次数或者基于学习的误差差分低于预先决定的阈值等各种条件,对储藏量预测模型进行更新。储藏量预测模型更新部362可以响应于储藏量预测因素的信息被更新的情况,执行储藏量预测模型的学习。储藏量预测模型更新部362可以在更新期间内执行1次或多次学习。储藏量预测模型更新部362可以通过适应性学习或在线学习等,对储藏量预测模型进行学习。储藏量预测模型更新部362将更新后的储藏量预测模型供给到储藏量预测部364。
储藏量预测部364与存储部240连接。储藏量预测部364可以使用储藏量预测模型和储藏量预测因素,生成氢储藏装置120中的氢的预测储藏量。
储藏量预测部364每隔预先决定的期间,预测将来的对象期间内的氢储藏装置120的氢的储藏量。储藏量预测部364例如将直至应预测的期间的紧前面为止的期间内的储藏量预测因素的信息应用于储藏量预测模型来预测氢储藏装置120的氢的储藏量。储藏量预测部364将预测结果供给到存储部240,作为在预测部250或计划部260中使用的因素而进行存储。此外,储藏量预测部364可以将预测结果直接供给到预测部250的其他结构或计划部260。
蓄电量预测模型生成部370与存储部240及蓄电量预测模型更新部372连接。蓄电量预测模型生成部370从存储部240接受模型生成用的数据(例如,预测因素及/或实绩值等),生成蓄电量预测模型。蓄电量预测模型可以是基于蓄电量预测因素来预测对象期间内的蓄电装置130的预测蓄电量的模型。
蓄电量预测模型生成部370可以使用比对象期间更早的蓄电量预测因素,通过事先学习或离线学习等,生成蓄电量预测模型。蓄电量预测模型生成部370例如使用回归分析、贝叶斯推论、神经网络、高斯混合模型以及隐马尔可夫模型等,生成蓄电量预测模型。此外,作为蓄电量预测模型,例如如果使用LSTM、RNN、以及具有其他存储的模型,则也能够根据因素的时间序列来预测蓄电装置130的蓄电量。蓄电量预测模型生成部370将生成的蓄电量预测模型供给到蓄电量预测模型更新部372。
蓄电量预测模型更新部372与存储部240及蓄电量预测部374连接。蓄电量预测模型更新部372可以使用包含蓄电装置130的蓄电量的实绩值的学习数据,通过学习来更新蓄电量预测模型。蓄电量预测模型更新部372期望还使用在时间上比蓄电量预测模型生成部370用于生成蓄电量预测模型的蓄电量预测因素的信息靠后的信息来进行学习。蓄电量预测模型更新部372例如可以基于过去期间内的蓄电量预测因素和过去期间以后的蓄电装置130的蓄电量的实绩值,通过学习来更新蓄电量预测模型。蓄电量预测模型更新部372使用通过实际的蓄电量的推移而更新的蓄电量预测因素的信息,对蓄电量预测模型进行学习。
蓄电量预测模型更新部372可以每隔预先决定的更新期间,通过学习而更新为新的蓄电量预测模型。取而代之,蓄电量预测模型更新部372也可以根据学习了预先决定的次数或者基于学习的误差差分低于预先决定的阈值等各种条件,对蓄电量预测模型进行更新。蓄电量预测模型更新部372可以响应于蓄电量预测因素的信息被更新的情况,执行蓄电量预测模型的学习。蓄电量预测模型更新部372可以在更新期间内执行1次或多次学习。蓄电量预测模型更新部372可以通过适应性学习或者在线学习等,对蓄电量预测模型进行学习。蓄电量预测模型更新部372将更新后的蓄电量预测模型供给到蓄电量预测部374。
蓄电量预测部374与存储部240连接。蓄电量预测部374基于蓄电量预测因素,使用更新后的蓄电量预测模型而生成蓄电装置130的预测蓄电量。
蓄电量预测部374每隔预先决定的期间,预测将来的对象期间内的蓄电装置130的蓄电量。蓄电量预测部374例如将直至应预测的期间的紧前面为止的期间内的蓄电量预测因素的信息应用于蓄电量预测模型来预测蓄电装置130的蓄电量。蓄电量预测部374将预测结果供给到存储部240,作为在预测部250或计划部260中使用的因素而进行存储。此外,蓄电量预测部374可以将预测结果直接供给到预测部250的其他结构或计划部260。
异常预测模型生成部380与存储部240及蓄电量预测模型更新部372连接。蓄电量预测模型生成部370从存储部240接受模型生成用的数据(例如,预测因素及/或实绩等),生成异常预测模型。异常预测模型可以是基于包含制氢***10的运行状况的异常预测因素来预测制氢***10的异常发生的模型。
异常预测模型生成部380可以使用比对象期间更早的异常预测因素,通过事先学习或离线学习等,生成异常预测模型。异常预测模型生成部380例如使用回归分析、贝叶斯推论、神经网络、高斯混合模型以及隐马尔可夫模型等,生成异常预测模型。此外,作为异常预测模型,例如,如果使用LSTM、RNN、以及具有其他存储的模型,则也能够根据因素的时间序列来预测制氢***10的异常发生。异常预测模型生成部380将生成的异常预测模型供给到异常预测模型更新部382。
异常预测模型更新部382与存储部240及异常预测部384连接。异常预测模型更新部382可以使用包含异常动作的实绩(例如,制氢***10中的发生异常的时期、异常的内容、发生异常的装置、部件、或者异常对制氢造成的影响等)的学习数据,通过学习来更新异常预测模型。异常预测模型更新部382期望还使用在时间上比异常预测模型生成部380用于生成异常预测模型的异常预测因素的信息靠后的信息来进行学习。异常预测模型更新部382例如可以基于过去期间内的异常预测因素和过去期间以后的异常动作的实绩,通过学习来更新异常预测模型。异常预测模型更新部382使用通过实际的异常动作而更新的异常预测因素的信息,对异常预测模型进行学习。
异常预测模型更新部382可以每隔预先决定的更新期间,通过学习而更新为新的异常预测模型。取而代之,异常预测模型更新部382也可以根据学习了预先决定的次数或者基于学习的误差差分低于预先决定的阈值等各种条件,更新异常预测模型。异常预测模型更新部382可以响应于异常预测因素的信息被更新的情况,执行异常预测模型的学习。异常预测模型更新部382可以在更新期间内执行1次或多次学习。异常预测模型更新部382可以通过适应性学习或在线学习等,对异常预测模型进行学习。异常预测模型更新部382将更新后的异常预测模型供给到异常预测部384。
异常预测部384与存储部240连接。异常预测部384基于异常预测因素,使用更新后的异常预测模型而生成制氢***10的异常预测。
异常预测部384每隔预先决定的期间,预测将来的对象期间内的异常。异常预测部384例如将直至应预测的期间的紧前面为止的期间内的异常预测因素的信息应用于异常预测模型来预测异常。异常预测部384将预测结果供给到存储部240,作为在预测部250或计划部260中使用的因素而进行存储。此外,异常预测部384可以将预测结果直接供给到预测部250的其他结构或计划部260。
图4示出本实施方式的计划装置200的计划部260的详细结构。计划部260具有维护计划模型生成部400、维护计划模型更新部402以及维护计划部404,生成针对制氢***10中的1个或多个装置的维护计划。计划部260具有运行计划模型生成部410、运行计划模型更新部412以及运行计划部414,生成氢产生装置110的运行计划。
这里,存储部240存储包含维护计划因素以及运行计划因素中的至少1个的计划因素。
维护计划因素可以包含与制氢***10中的装置的维护相关的信息。维护计划因素可以包含由异常预测部384生成的异常预测。此外,维护计划因素可以包含对象期间之前的制氢***10的维护计划。维护计划因素可以包含能够执行各装置的维护作业的作业人员、能够执行维护作业的装置、以及制氢***10的各装置的更换部件等信息。此外,维护计划因素可以包含在对象期间之前执行了维护作业的时期、期间、内容、以及因维护作业引起的装置的运行率的变化等信息。维护计划因素可以包含异常预测因素。
运行计划因素可以包含与氢产生装置110的运行相关的信息。运行计划因素例如可以包含针对制氢***10的对象期间之前的需求响应、对象期间的预测需求响应、对象期间之前的氢产生装置110的运行量、氢产生装置110的氢的生成效率(例如,每单位电力或每单位时间的氢的生成量等)、对象期间的氢的预测需要量、对象期间之前的维护计划、发电装置100用于发电的可再生能源的种类、对象期间之前的发电装置100的发电量、对象期间的预测发电量、对象期间之前的蓄电装置130的蓄电量、对象期间的预测蓄电量、对象期间之前的电力***的电价、对象期间的预测电价、对象期间之前的氢储藏装置120的氢的储藏量、对象期间的预测储藏量、对象期间的氢产生装置110的预测运行量、以及对象期间的制氢***10的维护计划中的至少1个。
维护计划因素以及运行计划因素中的至少1个可以是每隔大致固定时间的时间序列的信息。维护计划因素以及运行计划因素中的至少1个可以与时间的经过一起分别被追加或更新。维护计划因素以及运行计划因素中的至少1个可以包含在计划装置200中生成的预测结果以及计划数据中的至少1个。此外,维护计划因素以及运行计划因素中的至少1个可以包含从外部的数据库以及制氢***10中的终端装置等供给的信息。
维护计划模型生成部400与存储部240及维护计划模型更新部402连接,从存储部240接受模型生成用的数据(例如,计划因素或实绩等),生成维护计划模型。维护计划模型可以是基于对象期间之前的维护计划因素而生成对象期间内的针对制氢***10的至少1个装置的维护计划的模型。
维护计划模型生成部400可以使用比对象期间更早的信息,通过事先学习或离线学习等,生成维护计划模型。维护计划模型生成部400例如使用回归分析、贝叶斯推论、神经网络、高斯混合模型以及隐马尔可夫模型等,生成维护计划模型。此外,作为维护计划模型,例如如果使用LSTM、RNN以及具有其他存储的模型,则也能够根据因素的时间序列而生成维护计划。维护计划模型生成部400将生成的维护计划模型供给到维护计划模型更新部402。
维护计划模型更新部402与存储部240及维护计划部404连接。维护计划模型更新部402例如通过执行Q学习、SARSA法、或者蒙特卡罗法等的强化学习,对维护计划模型进行学习。
维护计划模型更新部402可以基于评价制氢***10中的氢的生产性的评价指标,通过学习来更新维护计划模型。维护计划模型更新部402可以学习并更新维护计划模型,使得包含满足氢的预测需要量等的制约条件下的评价指标成为规定范围(作为一例,最大值)。这里,制约条件还可以包含氢储藏装置120的最大可储藏量、蓄电装置130的最大可蓄电量、以及蓄积于蓄电装置130的电力的放电率中的至少1个。
此外,评价指标可以是基于制氢***10中的维护作业成本、因维护作业引起的氢生成效率的下降、运营成本、销售额及利润、以及所供给的氢的每单位量的原价中的至少1个而得到的评价指标。评价指标可以由计划装置200计算,或者可以从外部的装置提供给计划装置200。评价指标例如可以通过目的函数来计算。作为一例,可以通过针对制氢***10的维护作业成本、因维护作业引起的氢生成效率的下降、制氢***10的运营成本、销售额及利润、以及制氢***10所供给的氢的每单位量的原价中的多个分别乘以权重并取和而得到的加权和的目的函数来计算评价指标。
维护计划模型更新部402期望还使用在时间上比维护计划模型生成部400用于生成维护计划模型的维护计划因素的信息靠后的信息来进行学习。维护计划模型更新部402例如可以基于过去期间内的维护计划因素和过去期间以后的维护计划因素及/或评价指标,通过学习来更新维护计划模型。维护计划模型更新部402使用根据实际的维护计划的实施而计算出的评价指标,对维护计划模型进行学习。
维护计划模型更新部402例如可以每隔预先决定的更新期间,通过学习而更新为新的维护计划模型。取而代之,维护计划模型更新部402也可以根据学习了预先决定的次数或者评价指标成为最大、成为最小或成为预先决定的范围内等各种条件,来更新维护计划模型。维护计划模型更新部402可以通过适应性学习或在线学习等,对维护计划模型进行学习。维护计划模型更新部402可以在更新期间内执行1次或多次学习。维护计划模型更新部402将更新后的维护计划模型供给到维护计划部404。
维护计划部404与存储部240连接。运行计划部414基于维护计划因素,使用维护计划模型而生成制氢***10的维护计划。
维护计划部404例如每隔预先决定的期间,生成将来的对象期间内的维护计划。维护计划部404例如将直至应计划的期间的紧前面为止的期间内的维护计划因素的信息应用于维护计划模型而生成维护计划。维护计划部404可以将维护计划的计划数据供给到计算部210、控制部220以及存储部240中的至少1个。此外,维护计划部404可以将计划数据直接供给到预测部250及/或运行计划部414。
运行计划模型生成部410与存储部240及运行计划模型更新部412连接,从存储部240接受模型生成用的数据(例如,计划因素及/或实绩等),生成运行计划模型。运行计划模型可以是基于对象期间之前的运行计划因素而生成对象期间内的氢产生装置110的运行计划的模型。
运行计划模型生成部410可以使用比对象期间更早的信息,通过事先学习或离线学习等,生成运行计划模型。运行计划模型生成部410例如使用回归分析、贝叶斯推论、神经网络、高斯混合模型以及隐马尔可夫模型等,生成运行计划模型。此外,作为运行计划模型,例如如果使用LSTM、RNN以及具有其他存储的模型,则也能够根据因素的时间序列而生成运行计划。运行计划模型生成部410将生成的运行计划模型供给到运行计划模型更新部412。
运行计划模型更新部412与存储部240及运行计划部414连接。运行计划模型更新部412例如通过执行Q学习、SARSA法或蒙特卡罗法等的强化学习,对运行计划模型进行学习。
运行计划模型更新部412基于评价制氢***10中的氢的生产性(作为一例,由制氢***10得到的利润)的评价指标,通过学习来更新运行计划模型。运行计划模型更新部412可以学习并更新运行计划模型,使得包含满足氢的预测需要量等的制约条件下的评价指标成为规定范围(作为一例,为最大值)。这里,制约条件还可以包含氢储藏装置120的最大可储藏量、蓄电装置130的最大可蓄电量、以及蓄积于蓄电装置130的电力的放电率中的至少1个。
此外,评价指标可以是基于制氢***10中的运营成本、销售额及利润、以及所供给的氢的每单位量的原价中的至少1个而得到的评价指标。评价指标可以由计划装置200计算,或者可以从外部的装置提供给计划装置200。评价指标例如可以通过目的函数来计算。作为一例,可以通过针对制氢***10的运营成本、销售额及利润、以及制氢***10所供给的氢的每单位量的原价中的多个分别乘以权重并取和而得到的加权和的目的函数来计算评价指标。
运行计划模型更新部412期望还使用在时间上比运行计划模型生成部410用于生成运行计划模型的运行计划因素的信息靠后的信息来进行学习。运行计划模型更新部412例如可以基于过去期间内的运行计划因素和过去期间以后的运行计划因素及/或运行计划的评价指标,通过学习来更新运行计划模型。运行计划模型更新部412使用根据实际的运行计划的实施而计算出的评价指标,对运行计划模型进行学习。
运行计划模型更新部412例如可以每隔预先决定的更新期间,通过学习而更新为新的运行计划模型。取而代之,运行计划模型更新部412也可以根据学习了预先决定的次数或者评价指标成为最大、成为最小或成为预先决定的范围内等各种条件来更新运行计划模型。运行计划模型更新部412可以通过适应性学习或在线学习等,对运行计划模型进行学习。运行计划模型更新部412可以在更新期间内执行1次或多次学习。运行计划模型更新部412将更新后的运行计划模型供给到运行计划部414。
运行计划部414与存储部240连接。运行计划部414基于包含运行计划的对象期间之前的需求响应、对象期间之前的电价、氢的需要量以及氢的储藏量中的至少1个在内的运行计划因素,使用运行计划模型,生成氢产生装置110的运行计划。
运行计划部414例如每隔预先决定的期间,生成将来的对象期间内的运行计划。运行计划部414例如将直至应计划的期间的紧前面为止的期间内的运行计划因素的信息应用于运行计划模型而生成运行计划。运行计划部414可以将运行计划的计划数据供给到计算部210、控制部220以及存储部240中的至少1个。此外,运行计划部414可以将计划数据直接供给到预测部250。
以上的本实施方式的控制装置140能够利用通过考虑了需求响应的学习而生成的模型,生成用于在制氢***10中低成本地供给氢的有效计划。接着对这样的控制装置140的动作进行说明。
图5示出本实施方式的控制装置140的动作流程的一例。
控制部220以及取得部230取得成为过去的趋势的预测因素以及计划因素的信息(S510)。控制部220以及取得部230例如取得时刻t0至时刻t1的预测因素以及计划因素的信息。存储部240接受并存储所取得的预测因素以及计划因素的信息。此外,取得部230也可以将预测因素以及计划因素的信息直接供给到预测部250以及计划部260。
接着,预测部250以及计划部260生成学习模型(S520)。预测部250以及计划部260基于从存储部240接受的时刻t0至时刻t1的期间内的预测因素以及计划因素,生成学习模型。
需求响应预测模型生成部300使用时刻t0至时刻t1的期间内的需求响应预测因素,生成需求响应预测模型。运行预测模型生成部310使用时刻t0至时刻t1的期间内的运行预测因素,生成运行预测模型。需要预测模型生成部320使用时刻t0至时刻t1的期间内的需要预测因素,生成需要预测模型。发电量预测模型生成部330使用时刻t0至时刻t1的期间内的发电量预测因素,生成发电量预测模型。
电价预测模型生成部340使用时刻t0至时刻t1的期间内的电价预测因素,生成电价预测模型。消耗预测模型生成部350使用时刻t0至时刻t1的期间内的消耗预测因素,生成消耗预测模型。储藏量预测模型生成部360使用时刻t0至时刻t1的期间内的储藏量预测因素,生成储藏量预测模型。蓄电量预测模型生成部370使用时刻t0至时刻t1的期间内的蓄电量预测因素,生成蓄电量预测模型。异常预测模型生成部380使用时刻t0至时刻t1的期间内的异常预测因素,生成异常预测模型。
维护计划模型生成部400使用时刻t0至时刻t1的期间内的维护计划因素,生成维护计划模型。运行计划模型生成部410使用时刻t0至时刻t1的期间内的运行计划因素,生成运行计划模型。
此外,预测部250以及计划部260可以将基于制氢***10中的对象装置的物理模型而得到的虚拟数据设为预测数据,对该预测数据以及在对象装置的过去的运行中取得的实际数据进行比较,由此生成模型。例如,预测部250以及计划部260以预测结果或计划数据与从过去的实际数据导出的目标数据之间的误差成为误差最小(例如,0)或者小于预先决定的值的方式执行学习而生成模型。
作为一例,预测部250以及计划部260将时刻t0至时刻t1的期间内的M天的期间设为假想的对象期间。另外,M天例如可以是几天或十几天、1周或几周这样的期间。然后,预测部250以及计划部260以基于时刻t0至时刻t1的期间内的对象期间之前的期间的因素而得到的对象期间的预测结果或计划数据与对象期间的实际数据或虚拟数据之间的误差成为最小的方式进行学习。
另外,基于这样的预测部250以及计划部260实现的学习模型的生成可以在控制装置140伴随着对象装置的运行而取得该对象装置的实际数据之前被执行。
接着,预测部250以及计划部260对生成的学习模型进行学习并更新(S530)。这里,控制部220以及取得部230还可以取得各因素的信息。控制部220以及取得部230例如取得时刻t2至时刻t3的各因素的信息。此外,控制装置140可以计算在时刻t2至时刻t3实施的计划的评价指标,或者从外部的装置等取得该评价指标。此外,预测部250以及计划部260例如也可以生成包含时刻t2至时刻t3的预测结果以及计划数据等在内的各因素的信息。另外,时刻t2至时刻t3之间的期间为时刻t0至时刻t1的期间后的期间。预测部250以及计划部260可以使用新的各因素的信息及/或评价指标进行学习。
例如,需求响应预测模型更新部302基于需求响应预测因素,对需求响应预测模型进行适应性学习。需求响应预测模型更新部302可以使用时刻t2至时刻t3的期间内的需求响应的发行内容,对需求响应预测模型进行适应性学习。需求响应预测模型更新部302可以以如下方式进行学习:使用需求响应预测模型预测时刻t2至时刻t3的期间内的需求响应而得到的结果与取得的时刻t2至时刻t3的期间的实际的需求响应的实绩一致。
作为一例,需求响应预测模型更新部302将时刻t2至时刻t3的期间内的M天的期间设为假想的对象期间。另外,M天例如可以是几天或十几天、1周或几周、1个月或几个月、1年或几年这样的期间。需求响应预测模型更新部302可以以如下方式进行学习:基于时刻t2至时刻t3的期间内的对象期间之前的期间的需求响应预测因素而得到的对象期间的预测结果与该对象期间的实绩之间的误差成为误差最小(例如,0)或者小于预先决定的值。
运行预测模型更新部312基于运行预测因素,对运行预测模型进行适应性学习。运行预测模型更新部312可以使用时刻t2至时刻t3的期间内的氢产生装置110的运行状况,对运行预测模型进行适应性学习。运行预测模型更新部312可以以如下方式进行学习:使用运行预测模型预测时刻t2至时刻t3的期间内的氢产生装置110的运行量等而得到的结果与所取得的时刻t2至时刻t3的期间内的该氢产生装置110的实际的运行状况(实绩值)一致。
作为一例,运行预测模型更新部312将时刻t2至时刻t3的期间内的M天的期间设为假想的对象期间。另外,M天例如可以是几天或十几天、1周或几周、1个月或几个月、1年或几年这样的期间。运行预测模型更新部312可以以如下方式进行学习:基于时刻t2至时刻t3的期间内的对象期间之前的期间的运行预测因素而得到的对象期间的预测结果与该对象期间的实绩值之间的误差成为误差最小(例如,0)或者小于预先决定的值。
需要预测模型更新部322基于需要预测因素,对需要预测模型进行适应性学习。需要预测模型更新部322可以使用时刻t2至时刻t3的期间内的针对制氢***10的氢的需要量,对需要预测模型进行适应性学习。需要预测模型更新部322可以以如下方式进行学习:使用需要预测模型预测时刻t2至时刻t3的期间内的氢的需要量而得到的结果与所取得的时刻t2至时刻t3的期间的实际的氢的需要量(实绩值)一致。
作为一例,需要预测模型更新部322将时刻t2至时刻t3的期间内的M天的期间设为假想的对象期间。另外,M天例如可以是几天或十几天、1周或几周、1个月或几个月、1年或几年这样的期间。需要预测模型更新部322可以以如下方式进行学习:基于时刻t2至时刻t3的期间内的对象期间之前的期间的需要预测因素而得到的对象期间的预测结果与该对象期间的实绩值之间的误差成为误差最小(例如,0)或者小于预先决定的值。
发电量预测模型更新部332基于发电量预测因素,对发电量预测模型进行适应性学习。发电量预测模型更新部332可以使用时刻t2至时刻t3的期间内的发电装置100的发电量,对发电量预测模型进行适应性学习。发电量预测模型更新部332可以以如下方式进行学习:使用发电量预测模型预测时刻t2至时刻t3的期间内的发电装置100的发电量而得到的结果与所取得的时刻t2至时刻t3的期间的实际的发电量(实绩值)一致。
作为一例,发电量预测模型更新部332将时刻t2至时刻t3的期间内的M天的期间设为假想的对象期间。另外,M天例如可以是几天或十几天、1周或几周、1个月或几个月、1年或几年这样的期间。发电量预测模型更新部332可以以如下方式进行学习:基于时刻t2至时刻t3的期间内的对象期间之前的期间的发电量预测因素而得到的对象期间的预测结果与该对象期间的实绩值之间的误差成为误差最小(例如,0)或者小于预先决定的值。
电价预测模型更新部342基于电价预测因素,对电价预测模型进行适应性学习。电价预测模型更新部342可以使用时刻t2至时刻t3的期间内的电力***的电价,对电价预测模型进行适应性学习。电价预测模型更新部342可以以如下方式进行学习:使用电价预测模型预测时刻t2至时刻t3的期间内的电价而得到的结果与所取得的时刻t2至时刻t3的期间的实际的电价(实绩值)一致。
作为一例,电价预测模型更新部342将时刻t2至时刻t3的期间内的M天的期间设为假想的对象期间。另外,M天例如可以是几天或十几天、1周或几周、1个月或几个月、1年或几年这样的期间。电价预测模型更新部342以如下方式进行学习:基于时刻t2至时刻t3的期间内的对象期间之前的期间的电价预测因素而得到的对象期间的预测结果与该对象期间的实绩值之间的误差成为误差最小(例如,0)或小于预先决定的值。
消耗预测模型更新部352基于消耗预测因素,对消耗预测模型进行适应性学习。消耗预测模型更新部352可以使用时刻t2至时刻t3的期间内的氢的消耗量,对消耗预测模型进行适应性学习。消耗预测模型更新部352可以以如下方式进行学习:使用消耗预测模型预测时刻t2至时刻t3的期间内的氢的消耗量而得到的结果与所取得的时刻t2至时刻t3的期间的实际的消耗量(实绩值)一致。
作为一例,消耗预测模型更新部352将时刻t2至时刻t3的期间内的M天的期间设为假想的对象期间。另外,M天例如可以是几天或十几天、1周或几周、1个月或几个月、1年或几年这样的期间。消耗预测模型更新部352可以以如下方式进行学习:基于时刻t2至时刻t3的期间内的对象期间之前的期间的消耗预测因素而得到的对象期间的预测结果与该对象期间的实绩值之间的误差成为误差最小(例如,0)或小于预先决定的值。
储藏量预测模型更新部362基于储藏量预测因素,对储藏量预测模型进行适应性学习。储藏量预测模型更新部362可以使用时刻t2至时刻t3的期间内的氢储藏装置120的氢的储藏量,对储藏量预测模型进行适应性学习。储藏量预测模型更新部362可以以如下方式进行学习:使用储藏量预测模型预测时刻t2至时刻t3的期间内的氢储藏装置120的氢的储藏量而得到的结果与所取得的时刻t2至时刻t3的期间的氢储藏装置120的实际储藏量(实绩值)一致。
作为一例,储藏量预测模型更新部362将时刻t2至时刻t3的期间内的M天的期间设为假想的对象期间。另外,M天例如可以是几天或十几天、1周或几周、1个月或几个月、1年或几年这样的期间。储藏量预测模型更新部362可以以如下方式进行学习:基于时刻t2至时刻t3的期间内的对象期间之前的期间的储藏量预测因素而得到的对象期间的预测结果与该对象期间的实绩值之间的误差成为误差最小(例如,0)或小于预先决定的值。
蓄电量预测模型更新部372基于蓄电量预测因素,对蓄电量预测模型进行适应性学习。蓄电量预测模型更新部372可以使用时刻t2至时刻t3的期间内的蓄电装置130的蓄电量,对蓄电量预测模型进行适应性学习。蓄电量预测模型更新部372可以以如下方式进行学习:使用蓄电量预测模型预测时刻t2至时刻t3的期间内的蓄电装置130的蓄电量而得到的结果与所取得的时刻t2至时刻t3的期间的蓄电装置130的实际蓄电量(实绩值)一致。
作为一例,蓄电量预测模型更新部372将时刻t2至时刻t3的期间内的M天的期间设为假想的对象期间。另外,M天例如可以是几天或十几天、1周或几周、1个月或几个月、1年或几年这样的期间。蓄电量预测模型更新部372可以以如下方式进行学习:基于时刻t2至时刻t3的期间内的对象期间之前的期间的蓄电量预测因素而得到的对象期间的预测结果与该对象期间的实绩值之间的误差成为误差最小(例如,0)或小于预先决定的值。
异常预测模型更新部382基于异常预测因素,对异常预测模型进行适应性学习。异常预测模型更新部382可以使用时刻t2至时刻t3的期间内的制氢***10的运行状况,对异常预测模型进行适应性学习。异常预测模型更新部382可以以如下方式进行学习:使用异常预测模型预测时刻t2至时刻t3的期间内的制氢***10的异常而得到的结果与所取得的时刻t2至时刻t3的期间的实际的制氢***10的异常发生(实绩)一致。
作为一例,异常预测模型更新部382将时刻t2至时刻t3的期间内的M天的期间设为假想的对象期间。另外,M天例如可以是几天或十几天、1周或几周、1个月或几个月、1年或几年这样的期间。异常预测模型更新部382可以以如下方式进行学习:基于时刻t2至时刻t3的期间内的对象期间之前的期间的异常预测因素而得到的对象期间的预测结果与该对象期间的实绩之间的误差成为误差最小(例如,0)或小于预先决定的值。
此外,维护计划模型更新部402可以基于评价制氢***10的生产性的评价指标,对维护计划模型进行适应性学习。例如,维护计划模型更新部402可以使用时刻t2至时刻t3的期间内的包含评价指标的学习数据,对维护计划模型进行学习。维护计划模型更新部402可以对使用维护计划模型生成的时刻t2至时刻t3的期间内的维护计划执行强化学习,使得在包含满足氢的预测需要量的制约条件下,评价指标的值成为最小(例如,0)、成为最大、或者成为预先决定的范围内。
作为一例,维护计划模型更新部402将时刻t2至时刻t3的期间内的M天的期间设为假想的对象期间。另外,M天例如可以是几天或十几天、1周或几周、1个月或几个月、1年或几年这样的期间。维护计划模型更新部402可以针对基于时刻t2至时刻t3的对象期间之前的期间的维护计划因素而得到的对象期间的维护计划,使用该对象期间内的实际的氢需要以及所实施的维护计划的实绩数据进行强化学习,使得目的函数最大化。
运行计划模型更新部412可以基于与由制氢***10得到的利润相应的评价指标,对运行计划模型进行适应性学习。例如,运行计划模型更新部412可以使用时刻t2至时刻t3的期间内的包含评价指标的学习数据,对运行计划模型进行学习。运行计划模型更新部412可以对使用运行计划模型生成的时刻t2至时刻t3的期间内的运行计划执行强化学习,使得在包含满足氢的预测需要量的制约条件下,评价指标的值成为最小(例如,0)、成为最大、或成为预先决定的范围内。
作为一例,运行计划模型更新部412将时刻t2至时刻t3的期间内的M天的期间设为假想的对象期间。另外,M天例如可以是几天或十几天、1周或几周、1个月或几个月、1年或几年这样的期间。运行计划模型更新部412可以针对基于时刻t2至时刻t3的对象期间之前的期间的运行计划因素而得到的对象期间的运行计划,使用该对象期间内的实际的氢需要以及所实施的运行计划的实绩数据进行强化学习,使得与制约条件下的由制氢***10得到的利润相应的目的函数最大化。
具体而言,运行计划模型更新部412可以通过目的函数来计算学习的对象的期间内的评价指标。运行计划模型更新部412可以将学习的对象的期间分割为多个区间,对在各区间中的各状态(例如,根据氢储藏量、氢生成量等而不同的状态)下存在输入(例如,需求响应、发电量等)的情况下执行的行动所产生的利润进行强化学习,更新各行动所产生的利润,使得评价指标最大化。由此,能够更新在各区间中的各状态下应采取的行动,可更新为能够生成适当的运行计划的模型。运行计划模型更新部412可以每隔1个或多个区间使对象的期间偏移,同时在多个期间内执行强化学习。
另外,预测部250的各结构中的对象期间可以是分别不同的期间,或者也可以是相同的期间。计划部260的各结构中的对象期间可以是分别不同的期间,或者也可以是相同的期间。此外,预测部250以及计划部260中的对象期间可以是分别不同的期间,或者也可以是相同的期间。
此外,维护计划模型更新部402以及运行计划模型更新部412例如可以针对维护计划以及运行计划,通过1个目的函数计算评价指标,对计划模型进行强化学习,使得该评价指标的值成为最小(例如,0)、成为最大、或者成为预先决定的范围内。
预测部250以及计划部260可以在开始适应性学习之后,使适应性学习持续更新所需的初始更新期间,之后执行学习模型的最初的更新,然后每隔固定的期间重复进行更新。这里,初始更新期间期望为预测或计划的对象期间以上。此外,重复进行更新的固定的期间可以是几小时、十几小时、1天、几十小时或者几天等。另外,预测部250以及计划部260可以在分别不同的更新期间或相同的更新期间内更新学习模型。
接着,预测部250使用学习模型生成预测结果(S540)。
例如,需求响应预测部304使用更新后的需求响应预测模型以及需求响应预测因素,生成时刻t4至时刻t5中的预测需求响应。另外,时刻t4之时刻t5之间的期间可以是时刻t2至时刻t3的期间之后的期间,是预测时间点的将来的期间。作为一例,需求响应预测部304将在初始更新期间取得的N天的需求响应预测因素及/或由预测部250生成的包含预测结果的需求响应预测因素应用于需求响应预测模型,生成初始更新期间之后的N天内的预测需求响应。需求响应预测部304可以将生成的预测需求响应供给到存储部240并进行存储。
例如,运行预测部314使用更新后的运行预测模型以及运行预测因素,预测时刻t4至时刻t5中的氢产生装置110的运行量。另外,时刻t4至时刻t5之间的期间可以是时刻t2至时刻t3的期间之后的期间,是预测时间点的将来的期间。作为一例,运行预测部314将在初始更新期间取得的N天的运行预测因素及/或由预测部250生成的包含预测结果的运行预测因素应用于运行预测模型,预测初始更新期间之后的N天内的运行量。运行预测部314也可以将生成的预测运行量供给到存储部240并进行存储。
例如,需要预测部324使用更新后的需要预测模型以及需要预测因素,生成时刻t4至时刻t5中的针对制氢***10的氢的预测需要量。需要预测部324可以基于包含预测消耗量的需要预测因素对预测需要量进行预测。由此,需要预测部324能够高精度地预测与被预测的氢的消耗量相应的需要。作为一例,需要预测部324将在初始更新期间取得的N天的需要预测因素及/或由预测部250生成的包含预测结果的需要预测因素应用于需要预测模型,预测初始更新期间之后的N天内的需要量。需要预测部324可以将生成的预测需要量供给到存储部240并进行存储。
例如,发电量预测部334使用更新后的发电量预测模型以及发电量预测因素,预测时刻t4至时刻t5中的发电装置100的发电量。作为一例,发电量预测部334将在初始更新期间取得的N天的发电量预测因素及/或由预测部250生成的包含预测结果的发电量预测因素应用于发电量预测模型,预测初始更新期间之后的N天内的发电量。发电量预测部334可以将生成的发电量预测供给到存储部240并进行存储。
例如,电价预测部344使用更新后的电价预测模型以及电价预测因素,预测时刻t4至时刻t5中的电价。作为一例,电价预测部344将在初始更新期间取得的N天的电价预测因素及/或由预测部250生成的包含预测结果的电价预测因素应用于电价预测模型,预测初始更新期间之后的N天内的电价。电价预测部344也可以将生成的预测电价供给到存储部240并进行存储。
例如,消耗预测部354使用更新后的消耗预测模型以及消耗预测因素,预测时刻t4至时刻t5中的氢的消耗量。作为一例,消耗预测部354将在初始更新期间取得的N天的消耗预测因素及/或由预测部250生成的消耗预测因素应用于消耗预测模型,预测初始更新期间之后的N天内的消耗量。消耗预测部354可以将生成的预测消耗量供给到存储部240并进行存储。
例如,储藏量预测部364使用更新后的储藏量预测模型以及储藏量预测因素,预测时刻t4至时刻t5中的氢储藏装置120的氢的储藏量。作为一例,储藏量预测部364将在初始更新期间取得的N天的储藏量预测因素及/或由预测部250生成的包含预测结果的储藏量预测因素应用于储藏量预测模型,预测初始更新期间之后的N天内的储藏量。储藏量预测部364可以将生成的预测储藏量供给到存储部240并进行存储。
例如,蓄电量预测部374使用更新后的蓄电量预测模型以及蓄电量预测因素,生成时刻t4至时刻t5中的蓄电装置130的预测蓄电量。作为一例,蓄电量预测部374将在初始更新期间取得的N天的蓄电量预测因素及/或由预测部250生成的包含预测结果的蓄电量预测因素应用于蓄电量预测模型,预测初始更新期间之后的N天内的蓄电量。蓄电量预测部374可以将生成的预测蓄电量供给到存储部240并进行存储。
例如,异常预测部384使用更新后的异常预测模型以及异常预测因素,生成时刻t4至时刻t5中的制氢***10的异常预测。作为一例,异常预测部384将在初始更新期间取得的N天的异常预测因素及/或由预测部250生成的包含预测结果的异常预测因素应用于异常预测模型,预测初始更新期间之后的N天内的异常发生。异常预测部384可以将生成的异常预测供给到存储部240并进行存储。
计划部260使用更新后的学习模型,生成计划(S550)。例如,维护计划部404可以将预测部250生成的包含预测结果的维护计划因素应用于更新后的维护计划模型,生成时刻t4至时刻t5中的维护计划。作为一例,维护计划部404将在初始更新期间取得的N天的维护计划因素的值及/或由预测部250生成的包含预测结果的维护计划因素的值应用于维护计划模型,生成初始更新期间之后的N天的维护计划。维护计划部404也可以在制氢***10的各装置中生成1个维护计划或者在多个装置中生成1个维护计划。
维护计划部404可以基于由异常预测部384生成的异常预测,生成制氢***10的维护计划。维护计划部404例如将异常预测应用于维护计划模型而生成维护计划。由此,维护计划部404能够生成维护计划,使得在通过异常预测而预测出的异常发生时期之前进行维护作业。维护计划部404能够利用通过维护计划模型更新部402中的强化学习而更新的维护计划模型,生成降低了维护作业中的成本增加和对氢产生装置110的运行造成的影响的维护计划。
运行计划部414可以将预测部250生成的包含预测结果的运行计划因素应用于更新后的运行计划模型,生成时刻t4至时刻t5中的氢产生装置110的运行计划。作为一例,运行计划部414将在初始更新期间取得的N天的运行计划因素及/或由预测部250生成的包含预测结果的运行计划因素应用于运行计划模型,生成初始更新期间之后的N天的运行计划。
运行计划部414可以基于预测需求响应,生成氢产生装置110的运行计划。运行计划部414例如将预测需求响应应用于运行计划模型而生成运行计划。在预测需求响应在对象期间内请求电力消耗量的抑制的情况下,运行计划部414可以将按照需求响应作为前提,利用在对象期间中的其他期间内从电力***购入的电力来制造氢,生成满足氢需要的运行计划。此外,在预测需求响应在对象期间内请求电力消耗量的增加的情况下,运行计划部414可以将按照需求响应作为前提,减少在对象期间中的其他期间内从电力***购入的电力量,生成满足氢需要的运行计划。
运行计划部414可以生成在包含满足氢的预测需要量的制约条件下实现了与通过制氢***10得到的利润相应的目的函数的最大化的运行计划。运行计划部414能够通过使用在运行计划模型更新部412中被进行强化学习而更新的运行计划模型,生成使制氢***10中的制氢所产生的利润成为最大的运行计划。
另外,在制氢***10具备多个氢产生装置110的情况下,运行计划部414可以生成多个氢产生装置110各自的运行计划或者针对多个氢产生装置110生成1个运行计划。例如,运行计划模型生成部410可以生成与多个氢产生装置110对应的1个运行计划模型,运行计划模型更新部412可以对该1个运行计划模型进行强化学习而更新。在该情况下,运行计划模型可以是生成用于使多个氢产生装置110协作运行的运行计划的模型,作为一例,可以是生成使多个氢产生装置110各自的运行开始时机以及运行期间等最佳化的运行计划的模型。
接着,控制部220按照计划装置200生成的计划数据对制氢***10的各装置进行控制(S560)。控制装置140的控制部220可以将按照计划装置200生成的计划数据的指示向制氢***10的各装置发送而进行控制。此外,控制部220可以将计划数据向进行制氢***10的维护或运用的供应商的1个或多个终端装置等输出。
接着,在S570中氢产生装置110持续运行的情况下,通过控制装置140持续控制制氢***10的各装置,进而,从S530持续学习模型,更新为效率更高的模型。
图6示出本实施方式的控制装置140的控制流程。图6是图5的S560中的实施计划的更加详细的流程。
在S600中,控制部220接受维护计划以及运行计划,按照计划来控制制氢***10的各装置。
在S610中,取得部230从电力供应商20取得需求响应,并存储于存储部240。控制部220可以从存储部240接受需求响应,响应于接受到这一情况,从各装置或存储部240取得制氢***10的运行状况。
在S620中,控制部220根据取得的运行状况,决定制氢***10具备的氢储藏装置120中的氢的储藏量是否为下限储藏量以下且是否存在应通过来自电力***的电力使氢产生装置110运行来应对的氢的需要。在为“是”的情况下,响应于在S610中取得了请求抑制电力消耗量的需求响应的情况而移至S600,不按照所取得的需求响应而通过来自电力***的电力使氢产生装置110运行。在为“否”的情况下,移至S630。控制部220例如根据实施中的运行计划、当前的发电装置100的发电量、蓄电装置130以及氢的需要量(或者氢的预测需要量)中的至少1个,决定是否存在应通过来自电力***的电力使氢产生装置110运行来应对的氢的需要。
在S630中,计算部210基于从存储部240接受的需求响应和从计划部260接受的运行计划,计算按照所取得的需求响应调整氢产生装置110的运行量而得到的利润。计算部210还可以从存储部240接受制氢***10的运行状况以及制氢***10的各装置的信息等,用于利润的计算。
作为一例,计算部210可以在请求抑制电力消耗量的需求响应的情况下,决定在按照该需求响应的情况下是否能够满足氢的需要量,在无法满足的情况下,将利润计算得较低(例如计算为0)。作为一例,计算部210可以在请求增加电力消耗量的需求响应的情况下,根据按照需求响应而产生的利润、来自电力***的购电费用、氢的储藏量以及氢的价格中的至少1个来计算利润。
例如,在制氢***10具备的氢储藏装置120中的氢的储藏量为上限储藏量以上的情况下,计算部210响应于取得了请求增加电力消耗量的需求响应的情况,计算通过按照所取得的需求响应使氢产生装置110的运行量增加而排出剩余的氢所得到的利润。这样,即便在不储藏所制造的氢而是简单地排出的情况下,计算部210也能够计算考虑了通过按照需求响应而从电力供应商20接受的奖励以及氢产生装置110的重新运行用的成本在内的利润。
另外,计算部210也可以计算部分按照需求响应的请求(作为一例,增加(抑制)所请求的电力增加(抑制)的量中的n%(0<n<100)的电力量)而得到的利润。计算部210可以计算这样的部分按照需求响应的请求而得到的利润、以及以全部满足的方式按照需求响应的请求而得到的利润等多个情况的利润。此外,计算部210也可以计算不按照需求响应而得到的利润。
计算部210将计算出的利润向控制部220输出。
在S640中,控制部220决定由计算部210计算出的利润是否为阈值以上。控制部220将决定为计算出的利润为阈值以上作为条件(“是”的情况),移至S650。控制部220将计算出的利润小于阈值作为条件(“否”的情况),移至S600,维持与运行计划相应的氢产生装置110的运行量。
在S650中,控制部220以按照所取得的需求响应来调整氢产生装置110的运行量的方式对制氢***10的各装置进行控制。控制部220可以在请求增加电力消耗量的需求响应的情况下,使氢产生装置110的运行量增加,在请求抑制电力消耗量的需求响应的情况下,使氢产生装置110的运行量下降。
在S660中,当需求响应的应对期间结束后,控制部220在氢产生装置110持续运行的情况下,移至S600。此外,控制部220在运行计划的对象期间结束的情况下或者在未接受新的运行计划的情况下,结束制氢***10的控制。
根据本实施方式的控制装置140,针对在按照运行计划使氢产生装置110运行的期间发行的需求响应,能够在考虑制氢成本的同时适当地应对。
另外,控制装置140也可以不具有计算部210。在该情况下,控制装置140的控制部220可以响应于在按照运行计划控制制氢***10的期间取得了需求响应的情况,按照所取得的需求响应来调整与运行计划相应的氢产生装置110的运行量。即便在无条件地按照需求响应的情况下,本实施方式的控制装置140也能够通过在计划部260中根据需求响应而生成的运行计划来控制氢产生装置110,在满足氢需要的同时,低成本地制造氢。
另外,计划装置200可以生成制氢***10的氢产生装置110以外的装置的运行计划。在该情况下,控制部220可以按照该运行计划来控制对象的装置。此外,制氢***10也可以不包含至少1个结构。此外,在本实施方式中,实绩或实绩值可以包含与预测因素相同种类的数据。此外,制氢***10也可以不具有发电装置100,氢产生装置110也可以从外部的发电装置被供给电力。
本发明的各种实施方式可以参照流程图以及块图而被记载,这里,块可以表示(1)执行操作的过程的阶段或者(2)具有执行操作的作用的装置的部分。可以通过专用电路、与存储在计算机可读介质上的计算机可读命令一起被供给的可编程电路、及/或与存储在计算机可读介质上的计算机可读命令一起被供给的处理器来安装特定的结构以及部分。专用电路可以包含数字及/或模拟硬件电路,可以包含集成电路(IC)及/或分立电路。可编程电路可以包括可重构的硬件电路,该可重构的硬件电路包括逻辑AND、逻辑OR、逻辑XOR、逻辑NAND、逻辑NOR、以及其他的逻辑操作、触发电路、寄存器、现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)等这样的存储器要素等。
计算机可读介质可以包括能够存储由适当的设备执行的命令的任意的有形设备,其结果是,具有存储于此处的命令的计算机可读介质具备产品,该产品包括为了生成用于执行在流程图或块图中指定的操作的单元而能够执行的命令。作为计算机可读介质的例子,可以包括电子存储介质、磁存储介质、光存储介质、电磁存储介质、半导体存储介质等。作为计算机可读介质的更具体的例子,可以包括软盘(注册商标)、软磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或闪存)、电可擦除可编程只读存储器(EEPROM)、静态随机存取存储器(SRAM)、高密度盘只读存储器(CD-ROM)、数字多用途盘(DVD)、蓝光光盘(RTM)、记忆棒、集成电路卡等。
计算机可读命令可以包括汇编命令、命令集架构(ISA)命令、机器命令、机器相关命令、微码、固件命令、状态设定数据、或者通过包括Smalltalk、JAVA(注册商标)、C++等这样的面向对象编程语言、Python、以及“C”编程语言或同样的编程语言这样的现有的程序式编程语言在内的1个或多个编程语言的任意组合而记述的源代码或目标代码中的任意一种。
可以经由本地或局域网(LAN)、因特网等那样的广域网(WAN),向通用计算机、特殊目的的计算机、或者其他的可编程的数据处理装置的处理器或可编程电路提供计算机可读命令,为了生成用于执行在流程图或块图中指定的操作的单元而执行计算机可读命令。作为处理器的例子,包括计算机处理器、处理单元、微处理器、数字信号处理器、控制器、微控制器等。
图7示出可以整体或部分地体现出本发明的多个方案的计算机2200的例子。安装于计算机2200的程序能够使计算机2200作为与本发明的实施方式的装置相关联的操作或者该装置的1个或多个部分而发挥功能,或者能够使计算机2200执行该操作或该1个或多个部分,及/或能够使计算机2200执行本发明的实施方式的过程或该过程的阶段。为了使计算机2200执行与本说明书所记载的流程图以及块图的块中的一部分或所有相关联的特定的操作,可以由CPU2212及/或GPU等图形控制器2216执行这样的程序。
本实施方式的计算机2200包括CPU2212、RAM2214、图形控制器2216以及显示器设备2218,它们通过主机控制器2210而相互连接。计算机2200还包括通信接口2222、硬盘驱动器2224、DVD-ROM驱动器2226以及IC卡驱动器这样的输入/输出单元,它们经由输入/输出控制器2220而与主机控制器2210连接。计算机还包括ROM2230以及键盘2242这样的传统的输入/输出单元,它们经由输入/输出芯片2240而与输入/输出控制器2220连接。
CPU2212按照存储于ROM2230以及RAM2214内的程序进行动作,由此控制各单元。图形控制器2216取得由CPU2212在提供到RAM2214内的帧缓冲器等或者图形控制器本身中生成的图像数据,将图像数据显示在显示器设备2218上。
通信接口2222经由网络而与其他的电子设备进行通信。硬盘驱动器2224存储由计算机2200内的CPU2212使用的程序以及数据。DVD-ROM驱动器2226从DVD-ROM2201读取程序或数据,经由RAM2214向硬盘驱动器2224提供程序或数据。IC卡驱动器从IC卡读取程序和数据,及/或将程序和数据写入到IC卡。
在ROM2230中存储在激活时由计算机2200执行的引导程序等、及/或依赖于计算机2200的硬件的程序。输入/输出芯片2240还可以将各种输入/输出单元经由并行端口、串行端口、键盘端口、鼠标端口等而与输入/输出控制器2220连接。
程序由DVD-ROM2201或IC卡这样的计算机可读介质提供。程序从计算机可读介质中被读取,安装于也作为计算机可读介质的例子的硬盘驱动器2224、RAM2214或ROM2230,由CPU2212执行。记述在这些程序内的信息处理被计算机2200读取,提供程序与上述各种类型的硬件资源之间的协作。装置或方法可以通过按照计算机2200的使用来实现信息的操作或处理而构成。
例如,在计算机2200以及外部设备之间执行通信的情况下,CPU2212可以执行加载到RAM2214的通信程序,基于通信程序所记述的处理,向通信接口2222命令通信处理。通信接口2222在CPU2212的控制下,读取在RAM2214、硬盘驱动器2224、DVD-ROM2201或IC卡这样的记录介质内提供的发送缓冲处理区域所存储的发送数据,将读取的发送数据发送到网络,或者将从网络接收的接收数据写入到在记录介质上提供的接收缓冲处理区域等。
此外,CPU2212可以将硬盘驱动器2224、DVD-ROM驱动器2226(DVD-ROM2201)、IC卡等这样的外部记录介质所存储的文件或数据库的全部或需要的部分读取到RAM2214,对RAM2214上的数据执行各种类型的处理。接着,CPU2212将处理后的数据写回到外部记录介质。
各种类型的程序、数据、表、以及数据库这样的各种类型的信息可以存储在记录介质中,接受信息处理。CPU2212可以对从RAM2214读取的数据,执行本公开的很多地方记载的、包含由程序的命令序列指定的各种类型的操作、信息处理、条件判断、条件分支、无条件分支、信息的检索/置换等的各种类型的处理,将结果写回到RAM2214。此外,CPU2212可以检索记录介质内的文件、数据库等中的信息。例如,在分别具有与第2属性的属性值相关联的第1属性的属性值的多个项目存储于记录介质内的情况下,CPU2212可以从该多个项目中检索与指定了第1属性的属性值的条件一致的项目,读取存储在该项目内的第2属性的属性值,由此,取得与满足预先决定的条件的第1属性相关联的第2属性的属性值。
以上说明的程序或软件模块可以存储于计算机2200上或者计算机2200附近的计算机可读介质。此外,在与专用通信网络或者例如云端服务器这样的因特网连接的服务器***内提供的硬盘或RAM这样的记录介质能够用作计算机可读介质,由此,将程序经由网络提供给计算机2200。
以上,使用实施方式说明了本发明,本发明的技术范围不限于上述实施方式所记载的范围。本领域技术人员显然能够对上述实施方式加以各种变更或改良。根据权利要求书的记载可知施加了这样的变更或改良的方式也可以包含在本发明的技术范围内。
需要注意的是,在权利要求书、说明书以及附图中示出的装置、***、程序以及方法中的动作、次序、步骤以及阶段等各处理的执行顺序只要没有特别明示“之前”、“先前”等,并且只要不是在之后的处理中使用之前的处理的输出,则能够通过任意的顺序来实现。关于权利要求书、说明书以及附图中的动作流程,即便为了方便而使用“首先”、“接着”等进行了说明,也不意味着必须按照该顺序实施。
附图标记说明
10 制氢***
20 电力供应商
100 发电装置
110 氢产生装置
120 氢储藏装置
130 蓄电装置
140 控制装置
200 计划装置
210 计算部
220 控制部
230 取得部
240 存储部
250 预测部
260 计划部
300 需求响应预测模型生成部
302 需求响应预测模型更新部
304 需求响应预测部
310 运行预测模型生成部
312 运行预测模型更新部
314 运行预测部
320 需要预测模型生成部
322 需要预测模型更新部
324 需要预测部
330 发电量预测模型生成部
332 发电量预测模型更新部
334 发电量预测部
340 电价预测模型生成部
342 电价预测模型更新部
344 电价预测部
350 消耗预测模型生成部
352 消耗预测模型更新部
354 消耗预测部
360 储藏量预测模型生成部
362 储藏量预测模型更新部
364 储藏量预测部
370 蓄电量预测模型生成部
372 蓄电量预测模型更新部
374 蓄电量预测部
380 异常预测模型生成部
382 异常预测模型更新部
384 异常预测部
400 维护计划模型生成部
402 维护计划模型更新部
404 维护计划部
410 运行计划模型生成部
412 运行计划模型更新部
414 运行计划部
2200 计算机
2201 DVD-ROM
2210 主机控制器
2212 CPU
2214 RAM
2216 图形控制器
2218 显示器设备
2220 输入/输出控制器
2222 通信接口
2224 硬盘驱动器
2226 DVD-ROM驱动器
2230 ROM
2240 输入/输出芯片
2242 键盘
Claims (23)
1.一种计划装置,其生成具备氢产生装置的制氢***的运行计划,其中,
所述计划装置具备:
取得部,其取得来自电力供应商的需求响应;以及
运行计划部,其生成基于所述运行计划的对象期间之前的所述需求响应和所述对象期间之前的电价、氢的需要量以及氢的储藏量中的至少1个的所述运行计划。
2.根据权利要求1所述的计划装置,其中,
所述计划装置还具备需求响应预测部,该需求响应预测部使用需求响应预测模型,生成在所述对象期间内从电力供应商接受的预测需求响应,
所述运行计划部基于所述预测需求响应,生成所述运行计划。
3.根据权利要求2所述的计划装置,其中,
所述需求响应预测模型基于需求响应预测因素,预测所述预测需求响应,该需求响应预测因素包括所述对象期间之前的需求响应的实绩、电价、天气信息、发电量、氢的需要量、电力需要量、所述对象期间内的预测发电量、氢的预测需要量以及预测电力需要量中的至少1个。
4.根据权利要求2或3所述的计划装置,其中,
所述计划装置还具备需求响应预测模型更新部,该需求响应预测模型更新部使用所取得的需求响应的实绩,通过学习来更新所述需求响应预测模型。
5.根据权利要求1至4中的任意一项所述的计划装置,其中,
所述计划装置还具备电价预测部,该电价预测部使用电价预测模型,生成预测电价,
所述运行计划部基于所述预测电价,生成所述运行计划。
6.根据权利要求1至5中的任意一项所述的计划装置,其中,
所述计划装置还具备储藏量预测部,该储藏量预测部使用储藏量预测模型,生成所述制氢***的氢储藏装置中的氢的预测储藏量,
所述运行计划部基于所述预测储藏量,生成所述运行计划。
7.根据权利要求6所述的计划装置,其中,
所述计划装置还具备运行预测部,该运行预测部使用运行预测模型,生成所述氢产生装置的预测运行量,
所述储藏量预测模型基于包含所述预测运行量的储藏量预测因素,预测所述对象期间内的所述氢储藏装置的氢的预测储藏量。
8.根据权利要求1至7中的任意一项所述的计划装置,其中,
所述制氢***从使用可再生能源生成电力的发电装置接受电力,
该计划装置还具备发电量预测部,该发电量预测部使用发电量预测模型,生成所述发电装置的预测发电量,
所述运行计划部基于所述预测发电量,生成所述运行计划。
9.根据权利要求8所述的计划装置,其中,
所述制氢***还具备蓄电装置,该蓄电装置能够蓄积由所述发电装置生成的电力中的所述氢产生装置未使用的剩余电力的至少一部分,之后能够向所述氢产生装置供给电力,
该计划装置还具备蓄电量预测部,该蓄电量预测部使用蓄电量预测模型,生成所述蓄电装置的预测蓄电量,
所述运行计划部基于所述预测蓄电量,生成所述运行计划。
10.根据权利要求1至9中的任意一项所述的计划装置,其中,
所述计划装置具备:
异常预测部,其使用基于所述制氢***的运行状况来预测所述制氢***的异常发生的异常预测模型,生成所述制氢***的异常预测;以及
维护计划部,其基于所述异常预测,生成所述制氢***的维护计划,
所述运行计划部进一步基于所述维护计划,生成所述运行计划。
11.根据权利要求1至10中的任意一项所述的计划装置,其中,
所述计划装置还具备需要预测部,该需要预测部使用需要预测模型,生成氢的预测需要量,
所述运行计划部基于所述预测需要量,生成所述运行计划。
12.根据权利要求11所述的计划装置,其中,
所述计划装置还具备消耗预测部,该消耗预测部使用消耗预测模型,生成氢的预测消耗量,
所述需要预测部基于包含所述预测消耗量的需要预测因素,预测所述预测需要量。
13.根据权利要求11或12所述的计划装置,其中,
所述运行计划部生成在包含满足氢的所述预测需要量的制约条件下实现了与通过所述制氢***得到的利润相应的目的函数的最大化的所述运行计划。
14.一种控制装置,其中,
所述控制装置具备:
权利要求1至13中的任意一项所述的计划装置;以及
控制部,其按照所述运行计划,控制所述制氢***,
所述控制部响应于在按照所述运行计划控制所述制氢***的期间取得了需求响应的情况,按照所取得的需求响应,调整与所述运行计划相应的所述氢产生装置的运行量。
15.根据权利要求14所述的控制装置,其中,
所述控制装置还具备计算部,该计算部计算通过按照所取得的需求响应调整所述氢产生装置的运行量而得到的利润,
所述控制部将计算出的利润为阈值以上作为条件,按照所取得的需求响应,调整与所述运行计划相应的所述氢产生装置的运行量。
16.根据权利要求15所述的控制装置,其中,
所述控制部将计算出的利润小于阈值作为条件,维持与所述运行计划相应的所述氢产生装置的运行量。
17.根据权利要求15或16所述的控制装置,其中,
在所述制氢***具备的氢储藏装置中的氢的储藏量为上限储藏量以上的情况下,所述计算部响应于取得了请求增加电力消耗量的需求响应的情况,计算通过按照所取得的需求响应使所述氢产生装置的运行量增加而排出剩余的氢所得到的利润。
18.根据权利要求15至17中的任意一项所述的控制装置,其中,
在所述制氢***具备的氢储藏装置中的氢的储藏量为下限储藏量以下且需要应通过来自电力***的电力使所述氢产生装置运行来应对的氢的情况下,所述控制部响应于取得了请求抑制电力消耗量的需求响应的情况,不按照所取得的需求响应而通过来自电力***的电力使所述氢产生装置运行。
19.一种控制装置,其按照运行计划来控制具备氢产生装置的制氢***,其中,
所述控制装置具备:
取得部,其取得来自电力供应商的需求响应;
运行计划部,其生成基于所述运行计划的对象期间之前的所述需求响应、电价、氢的需要量以及氢的储藏量中的至少1个的所述运行计划;以及
控制部,其按照所述运行计划来控制所述制氢***,
所述控制部响应于在按照所述运行计划控制所述制氢***的期间取得了所述需求响应的情况,按照所述需求响应来调整与所述运行计划相应的所述氢产生装置的运行量。
20.一种方法,其是生成具备氢产生装置的制氢***的运行计划的方法,其中,
所述方法具备以下阶段:
取得来自电力供应商的需求响应;以及
生成基于所述运行计划的对象期间之前的所述需求响应和所述对象期间之前的电价、氢的需要量以及氢的储藏量中的至少1个的所述运行计划。
21.一种程序,其由计算机执行,使所述计算机作为计划装置发挥功能,其中,
所述计划装置生成具备氢产生装置的制氢***的运行计划,
所述计划装置具备:
取得部,其取得来自电力供应商的需求响应;以及
运行计划部,其生成基于所述运行计划的对象期间之前的所述需求响应和所述对象期间之前的电价、氢的需要量以及氢的储藏量中的至少1个的所述运行计划。
22.一种方法,其是按照运行计划来控制具备氢产生装置的制氢***的方法,其中,
所述方法具备以下阶段:
取得来自电力供应商的需求响应;
生成基于所述运行计划的对象期间之前的所述需求响应、电价、氢的需要量以及氢的储藏量中的至少1个的所述运行计划;以及
按照所述运行计划来控制所述制氢***,
所述控制的阶段具有如下阶段:响应于在按照所述运行计划控制所述制氢***的期间取得了所述需求响应的情况,按照所述需求响应来调整与所述运行计划相应的所述氢产生装置的运行量。
23.一种程序,其由计算机执行,使所述计算机作为控制装置发挥功能,其中,
所述控制装置按照运行计划来控制具备氢产生装置的制氢***,
所述控制装置具备:
取得部,其取得来自电力供应商的需求响应;
运行计划部,其生成基于所述运行计划的对象期间之前的所述需求响应、电价、氢的需要量以及氢的储藏量中的至少1个的所述运行计划;以及
控制部,其按照所述运行计划来控制所述制氢***,
所述控制部响应于在按照所述运行计划控制所述制氢***的期间取得了所述需求响应的情况,按照所述需求响应来调整与所述运行计划相应的所述氢产生装置的运行量。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019038556 | 2019-03-04 | ||
JP2019-038556 | 2019-03-04 | ||
PCT/JP2020/009276 WO2020179849A1 (ja) | 2019-03-04 | 2020-03-04 | 計画装置、制御装置、方法、およびプログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113519104A true CN113519104A (zh) | 2021-10-19 |
Family
ID=72338128
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080018373.5A Pending CN113519104A (zh) | 2019-03-04 | 2020-03-04 | 计划装置、控制装置、方法及程序 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20210399575A1 (zh) |
EP (1) | EP3937346A4 (zh) |
JP (1) | JP7219805B2 (zh) |
CN (1) | CN113519104A (zh) |
CA (1) | CA3132144A1 (zh) |
WO (1) | WO2020179849A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113574008A (zh) * | 2019-03-29 | 2021-10-29 | 旭化成株式会社 | 装置、方法以及程序 |
US20220029665A1 (en) * | 2020-07-27 | 2022-01-27 | Electronics And Telecommunications Research Institute | Deep learning based beamforming method and apparatus |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112350350B (zh) * | 2020-10-26 | 2022-02-08 | 清华四川能源互联网研究院 | 电池储能和制氢设备的运营管控方法、装置和电子设备 |
JP7027623B1 (ja) * | 2021-06-23 | 2022-03-01 | 日揮グローバル株式会社 | プラント制御方法、プラント制御装置、プログラム、およびプラント |
US20230037193A1 (en) * | 2021-07-26 | 2023-02-02 | Dalian University Of Technology | Wind power output interval prediction method |
JPWO2023042591A1 (zh) * | 2021-09-16 | 2023-03-23 | ||
FR3131988A1 (fr) * | 2022-01-19 | 2023-07-21 | Electricite De France | Prévision bayésienne de consommation individuelle et équilibrage d'un réseau électrique |
JP2023106855A (ja) | 2022-01-21 | 2023-08-02 | 東芝エネルギーシステムズ株式会社 | 水素システム運転計画装置 |
US20230315054A1 (en) * | 2022-03-31 | 2023-10-05 | Ohmium International, Inc. | Assessing, monitoring, and/or controlling hydrogen-production installations |
EP4273650A1 (de) * | 2022-05-03 | 2023-11-08 | Siemens Aktiengesellschaft | Reduktion von wartungsbedingten stillstandszeiten in der produktion |
WO2024058142A1 (ja) * | 2022-09-14 | 2024-03-21 | 三浦工業株式会社 | 電力管理装置 |
JP2024043800A (ja) * | 2022-09-20 | 2024-04-02 | 株式会社東芝 | 水素システム運転計画装置 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030182250A1 (en) * | 2002-03-19 | 2003-09-25 | Mohammad Shihidehpour | Technique for forecasting market pricing of electricity |
CA2455689A1 (en) * | 2004-01-23 | 2005-07-23 | Stuart Energy Systems Corporation | System for controlling hydrogen network |
JP6304008B2 (ja) * | 2014-12-09 | 2018-04-04 | 株式会社デンソー | 電力供給システム |
JP6480276B2 (ja) * | 2015-06-24 | 2019-03-06 | Jxtgエネルギー株式会社 | 水素製造出荷システム |
JP2017034843A (ja) * | 2015-07-31 | 2017-02-09 | 株式会社東京機械製作所 | 水素製造システム、水素供給ステーション及び水素製造方法 |
JP6727149B2 (ja) * | 2017-02-10 | 2020-07-22 | 株式会社日立製作所 | 電力取引支援装置および市場価格予測情報生成方法 |
JP6779177B2 (ja) * | 2017-06-09 | 2020-11-04 | 三菱電機ビルテクノサービス株式会社 | 需要家電力管理システム及びアグリゲータシステム |
-
2020
- 2020-03-04 CA CA3132144A patent/CA3132144A1/en active Pending
- 2020-03-04 JP JP2021503635A patent/JP7219805B2/ja active Active
- 2020-03-04 CN CN202080018373.5A patent/CN113519104A/zh active Pending
- 2020-03-04 EP EP20767375.7A patent/EP3937346A4/en active Pending
- 2020-03-04 WO PCT/JP2020/009276 patent/WO2020179849A1/ja unknown
-
2021
- 2021-09-02 US US17/464,700 patent/US20210399575A1/en active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113574008A (zh) * | 2019-03-29 | 2021-10-29 | 旭化成株式会社 | 装置、方法以及程序 |
US20220029665A1 (en) * | 2020-07-27 | 2022-01-27 | Electronics And Telecommunications Research Institute | Deep learning based beamforming method and apparatus |
US11742901B2 (en) * | 2020-07-27 | 2023-08-29 | Electronics And Telecommunications Research Institute | Deep learning based beamforming method and apparatus |
Also Published As
Publication number | Publication date |
---|---|
JPWO2020179849A1 (ja) | 2021-10-21 |
EP3937346A4 (en) | 2022-05-04 |
CA3132144A1 (en) | 2020-09-10 |
US20210399575A1 (en) | 2021-12-23 |
EP3937346A1 (en) | 2022-01-12 |
JP7219805B2 (ja) | 2023-02-08 |
WO2020179849A1 (ja) | 2020-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7221376B2 (ja) | 装置、方法、およびプログラム | |
CN113519104A (zh) | 计划装置、控制装置、方法及程序 | |
JP7256790B2 (ja) | 設計装置、方法、およびプログラム | |
JP7320503B2 (ja) | エネルギ貯蔵システムを最適に制御するためのシステム及び方法 | |
JP7051856B2 (ja) | 動的エネルギーストレージシステム制御のためのシステムおよび方法 | |
Bessa et al. | Optimization models for EV aggregator participation in a manual reserve market | |
KR101636411B1 (ko) | 가상발전소(vpp)의 최적운영계획 모형 생성장치,및 가상발전소(vpp)의 최적운영계획 모형 생성장치를 이용한 최적운영계획 모형 생성방법 | |
US8457802B1 (en) | System and method for energy management | |
EP3690792A1 (en) | Planning device, method of creating operation planning, hydrogen manufacturing method, and program | |
JP7157815B2 (ja) | 計画装置、計画方法、および計画プログラム | |
US10846715B2 (en) | Energy operation apparatus, method, and system | |
US20120253532A1 (en) | Systems and methods for forecasting electrical load | |
JP2023504564A (ja) | 分散型エネルギーリソースをアグリゲーションするシステム及び装置 | |
WO2021033024A1 (en) | Hybrid machine learning and simulation based system for forecasting in electricity systems | |
WO2020196889A1 (ja) | 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 | |
Van Niekerk | Exact approaches towards solving generator maintenance scheduling problems | |
Teshome et al. | Research Article Stochastic Optimization for Network-Constrained Power System Scheduling Problem |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |