JP7208297B2 - power generation control system - Google Patents
power generation control system Download PDFInfo
- Publication number
- JP7208297B2 JP7208297B2 JP2021075462A JP2021075462A JP7208297B2 JP 7208297 B2 JP7208297 B2 JP 7208297B2 JP 2021075462 A JP2021075462 A JP 2021075462A JP 2021075462 A JP2021075462 A JP 2021075462A JP 7208297 B2 JP7208297 B2 JP 7208297B2
- Authority
- JP
- Japan
- Prior art keywords
- power generation
- power
- generation amount
- amount
- power consumption
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Description
本発明は、太陽電池などの発電装置による発電を制御する発電制御システムに関するものである。 The present invention relates to a power generation control system that controls power generation by a power generation device such as a solar cell.
電力を消費する負荷を備えた施設においては、電力を確保するために、負荷を商用電力線に接続するだけでなく、負荷によって消費される電力を発電する発電装置（太陽光発電設備など）が設けられていることがある。 In facilities with loads that consume power, in order to secure power, in addition to connecting the loads to commercial power lines, power generators (solar power generation equipment, etc.) that generate the power consumed by the loads are installed. It is sometimes
こうした施設においては、負荷によって消費される分を超えて発電された余剰電力は商用電力線に逆潮流されることになる。施設の運営者（太陽光発電事業者など）が電力会社と売買契約を結んでいれば、余剰電力は電力会社に売電される。 In such facilities, surplus power generated in excess of what is consumed by the load is reversed to the commercial power line. If the operator of the facility (solar power generation company, etc.) has a sales contract with the power company, surplus power will be sold to the power company.
しかしながら、電力会社と売買契約を結ぶためには、商用電力線の送電系統に空き容量が残っている必要があり、空き容量が残っていない地域では売買契約を結ばずに発電装置が運用されることになる。 However, in order to conclude a sales contract with an electric power company, it is necessary to have free capacity left in the transmission system of the commercial power line, and in areas where there is no free capacity left, the power generation equipment may be operated without a sales contract. become.
ここで、発電装置が例えば太陽光発電や風力発電のような発電電力が変動しやすい方式で発電を行うものである場合には、発電された電力の電圧変動や周波数変動が大きくなる。このような変動の大きい電力は商用電力線で供給される電力の規格に合わないため、逆潮流が起きると商用電力線で供給される電力の品質に影響を及ぼすおそれがある。 Here, in the case where the power generating device generates power by a method such as photovoltaic power generation or wind power generation in which the generated power is likely to fluctuate, voltage fluctuations and frequency fluctuations in the generated power increase. Such highly fluctuating electric power does not meet the standards for electric power supplied through commercial power lines, and therefore the occurrence of reverse power flow may affect the quality of electric power supplied through commercial power lines.
そのため、電力会社は売買契約を結ばずに発電装置を運用する施設に対しては、逆潮流が起きることのないように求める。具体的には逆電力継電器（RPR:Reverse Power Relay）と呼ばれる機器の設置が求められる。このRPRは発電装置の発電量が過剰な場合に、発電装置の発電を停止させることで逆潮流を防止する。 Therefore, electric power companies require facilities that operate power generators without a sales contract to prevent reverse power flow. Specifically, installation of a device called a reverse power relay (RPR) is required. This RPR prevents reverse power flow by stopping the power generation of the generator when the amount of power generated by the generator is excessive.
発電装置による発電が停止されている間は、負荷の消費電力の全量が商用電力線から供給されることになるため、施設にとって不利益が生じる。したがって発電装置を有しながらも電力会社との売買契約を結んでいない施設においては、発電装置の発電量を制御して、なるべく逆潮流が発生しないようにすることが望まれる。そうした制御の一例として、特許文献１には、太陽光発電システムの発電量を制御することが開示されている。
While the power generation by the power generation device is stopped, the entire amount of power consumed by the load is supplied from the commercial power line, which is disadvantageous for the facility. Therefore, in a facility that has a power generator but does not have a sales contract with an electric power company, it is desirable to control the amount of power generated by the power generator to prevent the occurrence of reverse power flow as much as possible. As an example of such control,
特許文献１に開示されている制御方法においては、複数の時刻の消費電力量から所定時間経過後の消費電力量を予測し、その予測値以下となる発電電力を指定する指令値がパワーコンディショナーへと出力されるようになっている。この方法では、別々の日において予測値を算出する場合に、どちらの日でも予測値の算出基準となる複数の時刻で消費電力量が同様に推移する場合には、どちらの日でも同じ予測値が得られることになる。
In the control method disclosed in
しかしながら、施設における実際の消費電力量の変動を１日間記録したデータを複数の日について比較してみると、途中までの消費電力量の変動が同様であっても、それ以降の変動が異なる場合がある。例えば電力を消費する負荷に空調機が含まれる場合、午前中に比べて午後の気温が高くなる日と低くなる日とでは、午前中の消費電力量の変動が双方の日で同じであっても、午後の消費電力量の変動が異なることがある。 However, when comparing the data recorded for one day of actual fluctuations in power consumption in a facility for multiple days, even if the fluctuations in power consumption are similar halfway through, there are cases where the fluctuations after that are different. There is For example, if an air conditioner is included in the load that consumes power, the variation in power consumption in the morning should be the same on days when the temperature is higher in the afternoon than in the morning and on days when the temperature is lower than in the morning. Also, fluctuations in power consumption in the afternoon may be different.
特許文献１において消費電力量が取得される複数の時刻は、午前と午後のような大きな間隔ではなく数秒単位の短い間隔であるが、消費電力量を取得する間隔を短くしても、途中まで同じように消費電力量が変動しながらもその後の変動が異なる場合に対応できないという課題は存在する。この課題は、日が異なる場合だけでなく、負荷が設置されている地域が異なる場合（例えば暖かい地域と寒い地域）にも考慮する必要がある。こうした季節や地域性による影響が、従来の制御方法では反映されない。
In
また特許文献１に開示されている制御方法では、まず消費電力量の予測値を算出してから、その予測値に応じた指令値を算出するため、消費電力量の計測が行われてからパワーコンディショナーへ制御指令が与えられるまでのステップが多くなってしまう。
Further, in the control method disclosed in
上記課題を解決するため、本発明に係る実施形態の一例としての発電制御システムは、電力を消費する負荷と、前記負荷によって消費される電力をシステム外部の外部電源から受電して前記負荷へ供給する受電装置と、前記負荷によって消費される電力を発電する発電装置と、前記発電装置の発電量を制御するパワーコンディショナーと、前記パワーコンディショナーに制御指令を与える制御器と、を有する発電制御システムにおいて、前記制御器は、前記負荷の消費電力量を測定し、特定の時刻およびその時刻までの複数の時刻における消費電力量を含む情報を入力データとして、前記特定の時刻から予め定められた時間経過後における最適な発電量として推論される最適発電量を出力データとして返す発電量推論ＡＩモデルを用いて、前記発電装置の発電量が前記最適発電量以下となるように前記パワーコンディショナーへ制御指令を与え、ここで、前記発電量推論ＡＩモデルは、前記負荷の過去の消費電力量の実績データに基づいて作成されたＡＩモデルであることを特徴とする。 In order to solve the above problems, a power generation control system as an example of an embodiment according to the present invention includes a load that consumes power, and the power that is consumed by the load is received from an external power supply outside the system and supplied to the load. a power receiving device that generates power consumed by the load; a power conditioner that controls the amount of power generated by the power generator; and a controller that gives a control command to the power conditioner. , the controller measures the power consumption of the load, uses information including the power consumption at a specific time and at a plurality of times up to that time as input data, and detects the elapse of a predetermined time from the specific time. A control command is issued to the power conditioner so that the power generation amount of the power generation device is equal to or less than the optimum power generation amount using a power generation amount inference AI model that returns the optimum power generation amount inferred as the optimum power generation amount later as output data. wherein the power generation amount inference AI model is an AI model created based on past power consumption performance data of the load.
また好ましくは、前記発電量推論ＡＩモデルの作成の基となる実績データが、前記発電装置の過去の発電量を含むものであるとよい。 Further, it is preferable that the performance data used as a basis for creating the power generation amount inference AI model include the past power generation amount of the power generation device.
また好ましくは、前記発電量推論ＡＩモデルは、前記負荷の過去の消費電力量の実績データについて、特定の時刻およびその時刻までの複数の時刻の消費電力量に対して、前記特定の時刻から予め定められた時間経過後の消費電力量の、予め定められた割合の値を追従目標として学習することによって作成されたＡＩモデルであるとよい。 Further, preferably, the power generation amount inference AI model preliminarily calculates the amount of power consumption at a specific time and at a plurality of times up to that time, with respect to the actual data of past power consumption of the load, from the specific time. It is preferable that the AI model is created by learning a value of a predetermined ratio of power consumption after a predetermined time has elapsed as a follow-up target.
また好ましくは、前記発電量推論ＡＩモデルが、以下の方策による強化学習によって作成されたものであるとよい：
前記強化学習においては、前記負荷の過去の消費電力量の実績データについて、特定の時刻およびその時刻までの複数の時刻の消費電力量と、前記特定の時刻から予め定められた時間経過後の消費電力量である次回消費電力量と、の対応関係が調べられて、前記特定の時刻に対して、前記次回消費電力量の予め定められた割合の値が発電制御目標値として定められ、前記特定の時刻において前記パワーコンディショナーに与える制御指令が、前記予め定められた時間経過後の前記発電装置の発電量である次回発電量が前記発電制御目標値に近くなるものであるほど大きい報酬が得られる、という方策によって報酬付けが行われ、前記発電量推論ＡＩモデルは、前記報酬付けに基づく強化学習の結果、特定の時刻およびその時刻までの複数の時刻の消費電力量を含む情報の入力データに対して、次回発電量の報酬が最も大きくなるように最適発電量の出力データを返すこととなるように作成される。
Also preferably, the power generation amount inference AI model is created by reinforcement learning using the following measures:
In the reinforcement learning, the power consumption at a specific time and at a plurality of times up to that time, and the consumption after a predetermined time has elapsed from the specific time, regarding the actual data of the past power consumption of the load. A correspondence relationship between the next power consumption amount, which is the power amount, and the next power consumption amount is examined, and a predetermined ratio value of the next power consumption amount is determined as a power generation control target value for the specific time, and the specified In the control command given to the power conditioner at the time of the next power generation amount, which is the power generation amount of the power generation device after the elapse of the predetermined time, is closer to the power generation control target value, the larger the reward is obtained. , and the power generation amount inference AI model, as a result of reinforcement learning based on the reward, inputs information including power consumption at a specific time and at a plurality of times up to that time. On the other hand, it is created so as to return the output data of the optimum power generation amount so that the reward for the next power generation amount will be the largest.
また好ましくは、前記報酬付けにおいて、次回発電量が発電制御目標値と一致するときに最大の報酬が得られるものとし、次回発電量が発電制御目標値よりも小さい場合には、次回発電量が発電制御目標値に近いほど報酬が大きくなり、次回発電量が小さいほど報酬が小さくなるものとし、次回発電量が発電制御目標値よりも大きく、かつ次回消費電力量よりも小さい場合には、次回発電量が発電制御目標値に近いほど報酬が大きくなり、次回発電量が次回消費電力量に近いほど報酬が小さくなるものとし、次回発電量が次回消費電力量よりも大きい場合には、次回発電量が次回消費電力量よりも小さい場合のいずれの場合よりも報酬が小さくなるものとする、というように報酬が定められるとよい。 Preferably, in the rewarding, the maximum reward is obtained when the next power generation amount matches the power generation control target value, and when the next power generation amount is smaller than the power generation control target value, the next power generation amount is The closer to the power generation control target value, the larger the reward, and the smaller the next power generation amount, the smaller the reward. The closer the power generation amount is to the power generation control target value, the larger the reward, and the closer the next power generation amount is to the next power consumption amount, the smaller the reward. The reward may be determined such that the reward will be smaller than in any case where the amount is less than the next power consumption.
また好ましくは、前記発電量推論ＡＩモデルへと入力される入力データに、各時刻における前記発電装置の発電量も含まれる。 Further, preferably, the input data input to the power generation amount inference AI model includes the power generation amount of the power generation device at each time.
また好ましくは、前記発電量推論ＡＩモデルの作成の基となる前記負荷の過去の消費電力量の実績データが、想定され得る複数の状況を取り入れたシミュレーションによって作成されたデータを含むものである。 Also preferably, the actual data of the past power consumption of the load, which is the basis for creating the power generation amount inference AI model, includes data created by a simulation that incorporates a plurality of possible situations.
本発明に係る実施形態の一例としての発電制御システムによれば、負荷の過去の消費電力量の実績データに基づいて作成された発電量推論ＡＩモデルが用いられる。そのため、出力データとして得られる最適発電量は、わずか数点の時刻の消費電力量から算出されるものではなく、過去の消費電力量の実績データの全てが反映されたものとなる。これにより、この発電制御システムによれば、従来の制御方法よりも適切な最適発電量が得られることとなる。特に、従来の制御方法に比べて、季節や地域性による影響も反映された最適発電量が得られる。 According to the power generation control system as an example of the embodiment of the present invention, a power generation amount inference AI model created based on the actual data of the past power consumption of the load is used. Therefore, the optimum power generation amount obtained as the output data is not calculated from the power consumption amounts at only a few points in time, but reflects all of the past power consumption actual data. As a result, according to this power generation control system, a more appropriate optimum power generation amount can be obtained than the conventional control method. In particular, compared to the conventional control method, it is possible to obtain the optimum power generation amount that reflects the effects of seasons and regional characteristics.
そして、パワーコンディショナーへ与えられる制御指令においては、この最適発電量がそのまま発電装置が発電すべき電力量として伝えられるため、従来の制御方法よりも制御指令が与えられるまでのステップが少なくなる。そのため制御器の演算負担が低減され、さらに制御の遅れも低減される。 In the control command given to the power conditioner, this optimum amount of power generation is transmitted as it is as the power amount to be generated by the power generation device. Therefore, the calculation load on the controller is reduced, and the delay in control is also reduced.
また、前記発電量推論ＡＩモデルの作成の基となる実績データが、発電装置の過去の発電量を含むものであれば、どのような発電量であれば消費電力量を超えないかという推論の精度が高くなり、消費電力量のみを基準に推論するよりも適切な最適発電量が得られる。 In addition, if the performance data that is the basis for creating the power generation amount inference AI model includes the past power generation amount of the power generation device, it is possible to make an inference about what kind of power generation amount does not exceed the power consumption amount. It is more accurate and provides a better optimum power generation than inference based on power consumption alone.
また、発電量推論ＡＩモデルが、消費電力量の実績データについて、特定の時間から所定時間経過後の消費電力量の、所定割合の値を追従目標として学習することによって作成されたＡＩモデルであれば、実績データと同様の消費電力量変動に対して、所定時間経過後に消費電力量を超えないような最適発電量が確実に得られるようになる。 In addition, if the power generation amount inference AI model is an AI model that is created by learning the actual data of power consumption, with the value of the predetermined percentage of the power consumption after the elapse of a predetermined time from a specific time as a follow-up target. In this way, it is possible to reliably obtain an optimum power generation amount that does not exceed the power consumption after a predetermined period of time has passed, even with fluctuations in the power consumption that are similar to the actual data.
また、発電量推論ＡＩモデルが、次回発電量の報酬が最も大きくなるように最適発電量の出力データを返すこととなるように強化学習によって作成されたものであれば、実績データに記録されていないような消費電力量変動に対しても、適切な最適発電量が得られるようになる。 In addition, if the power generation amount inference AI model is created by reinforcement learning so as to return the output data of the optimum power generation amount so that the reward for the next power generation amount will be the largest, it will be recorded in the actual data. An appropriate optimum power generation amount can be obtained even for power consumption fluctuations that do not occur.
また、強化学習によって作成された発電量推論ＡＩモデルの報酬付けが、次回発電量、発電制御目標値、次回消費電力量の大小関係に応じて定められたものであれば、様々な消費電力量の変動に対して適切な最適発電量が得られるようになる。特に、次回発電量が次回消費電力量よりも大きい場合の報酬が小さくなるように定められていれば、発電量推論ＡＩモデルが出力する最適発電量が消費電力量を上回ることが防止され、逆潮流の発生を確実に防ぐことが可能となる。 In addition, if the reward for the power generation amount inference AI model created by reinforcement learning is determined according to the next power generation amount, the power generation control target value, and the next power consumption amount, various power consumption amounts An appropriate optimum power generation amount can be obtained for fluctuations in In particular, if the reward is set to be small when the next power generation amount is greater than the next power consumption amount, the optimal power generation amount output by the power generation amount inference AI model is prevented from exceeding the power consumption amount, and vice versa. It is possible to reliably prevent the occurrence of tidal currents.
また発電量推論ＡＩモデルへと入力される入力データに、各時刻における発電装置の発電量も含まれると、どのような発電量であれば消費電力量を超えないかという推論の精度が高くなり、消費電力量のみを基準に推論するよりも適切な最適発電量が得られる。 In addition, if the input data input to the power generation amount inference AI model includes the power generation amount of the power generation device at each time, the accuracy of the inference that the power generation amount will not exceed the power consumption amount will be higher. , a more appropriate optimum power generation amount can be obtained than inference based only on the amount of power consumption.
また、発電量推論ＡＩモデルの作成の基となる負荷の過去の消費電力量の実績データが、想定され得る複数の状況を取り入れたシミュレーションによって作成されたデータを含むものであると、稼働実績のない負荷に関してもシミュレーションによって実績データを用意することが可能となる。 In addition, if the actual data of the past power consumption of the load, which is the basis for creating the power generation amount inference AI model, includes data created by simulation that incorporates multiple possible situations, the load that has no operation record It is also possible to prepare performance data by simulation.
＜発電制御システム１０の全体構成＞
図１に、本発明に係る実施形態の一例としての発電制御システム１０のブロック図を示す。発電制御システム１０は負荷５０を有する。負荷５０とは発電制御システム１０において電力を消費する主体である電気設備や装置をまとめて示したものであり、例えば空調機や照明器具といった、電力によって稼働する機器の集合体である。
<Overall Configuration of Power
FIG. 1 shows a block diagram of a power
発電制御システム１０には、発電制御システム１０外部の外部電源である商用電源６０からの電力を受電する受電装置６５（受変電設備や分電盤など）が設けられており、負荷５０はこの受電装置６５に接続されている。これにより、負荷５０は受電装置６５を介して電力会社からの電力供給を受けることができる。
The power
また、発電制御システム１０には発電装置としての太陽電池３０が設けられている。この太陽電池３０は太陽の光を受けることで発電を行う。太陽電池３０も受電装置６５に接続されており、負荷５０は受電装置６５を介してこの太陽電池３０が発電する電力の供給を受けることもできる。
Also, the power
受電装置６５は、負荷５０が消費する電力量（消費電力量）に対して、太陽電池３０の発電量だけでは足りない分を商用電源６０から受電する。本実施形態においては、負荷５０の消費電力量と、太陽電池３０の発電量をそれぞれ測定することが可能になっている。例えば負荷５０への電力供給を行う電力線上に設置された電力計などによって、消費電力量を測定することができる。また太陽電池３０で発電された電力を他の機器へと供給する電力線上上に設置された電力計などによって、発電量を測定することができる。発電量の測定手段については、太陽電池３０に内蔵されていてもよい。ここで、測定手段が他の機器と通信可能に接続されるなどして、消費電力量および発電量の測定値が、他の機器から参照可能なようになっていることが好ましい。
The
太陽電池３０と受電装置６５との間にはパワーコンディショナー４０が接続されている。このパワーコンディショナー４０は、太陽電池３０が出力する電力について、直流電力を交流電力に変換するなど、負荷５０へ供給するのに適した形態に変換する。
A
また、パワーコンディショナー４０は太陽電池３０の発電量を制御することもできる。例えば従来の最大電力点追従制御により、様々な環境条件（日射量など）に応じて発電電力が最大となるように制御が行われてもよい。
The
その一方で、発電量が大きくなり過ぎると前述の通り逆潮流が発生してしまうおそれがあるため、本実施形態の発電制御システム１０には、パワーコンディショナー４０に逆潮流防止のための制御指令を与える制御器２０（例えばコンピュータ）が設けられている。 On the other hand, if the power generation amount becomes too large, the reverse power flow may occur as described above. A controller 20 (eg, a computer) is provided.
＜制御器２０による制御＞
この制御器２０は、負荷５０の消費電力量および太陽電池３０の発電量を測定する電力計と通信するなどの方法で、消費電力量および発電量を測定する。そしてその測定結果に応じて、パワーコンディショナー４０に太陽電池３０の発電量をどのように制御すべきかの制御指令を与える。
<Control by
This
消費電力量（および発電量）の測定結果に基づいて制御器２０からパワーコンディショナー４０へ与えられる制御指令は、発電量が指定する値（指定値）以下となるように制御する（抑制する）ことを求めるものとなる。その指定値が、その時点での負荷５０の消費電力量以下であれば、発電量が消費電力量以下に抑えられることとなり、逆潮流が防止される。
The control command given from the
ただし、制御器２０が負荷５０の消費電力量を測定してからパワーコンディショナー４０が制御指令を受け取るまでの間には、測定や通信に要する時間の分ずれ（制御ラグ）が生じる。したがって、制御器２０がパワーコンディショナー４０へ与える制御指令で指定される値は、消費電力量が測定された時刻（現在時刻）において最も適切な値ではなく、そこからある程度経過した後の時刻における発電量として最も適切な値であることが望ましい。
However, there is a time lag (control lag) required for measurement and communication between when the
＜発電量推論ＡＩモデル２５による推論＞
そこで、制御器２０は、現在時刻から予め定められた時間経過後における発電量として最も適切な値である最適発電量を導く、発電量推論ＡＩモデル２５を用いて制御指令における指定値を決定する。これにより、制御器２０は、測定が行われた特定の時刻（現在時刻）までの複数の時刻の消費電力量に基づいて、現在時刻から予め定められた時間経過後における太陽電池３０の発電量を最適発電量とする制御指令をパワーコンディショナー４０へ与えることが可能になる。
<Inference by power generation amount
Therefore, the
ここで、発電量推論ＡＩモデル２５は、何らかの入力データを受け取ると、その入力データに対応した出力データを返すという、入出力関係を記述したモデルである。具体的には、発電量推論ＡＩモデル２５は、１点以上の時刻（例えば現在時刻までの複数の時刻）およびその時刻の消費電力量を入力データとして受け取ると、入力された時刻のうち特定の時刻（例えば現在時刻）から予め定められた時間経過後における最適な発電量として推論される最適発電量を出力データとして返す。
Here, the power generation amount
この発電量推論ＡＩモデル２５は一種の電子情報として構築されており、実体としては例えば制御器２０が備える電子情報記憶媒体（ハードディスクやソリッドステートドライブなど）に記録されている。
This power generation amount
発電量推論ＡＩモデル２５の出力データは前述の通り現在時刻から予め定められた時間経過後における最適発電量である。この予め定められた時間（以下、推論時間差とも呼ぶ）というのは、消費電力量の測定から制御指令の発行までのずれ、すなわち制御ラグに相当する時間であることが望ましい。具体的な制御ラグの値は、通信速度などの、発電制御システム１０に関する仕様上の数値から算出することが可能である。あるいは、発電制御システム１０を実際に稼働させてみて実測することで制御ラグを調べることが可能である。
As described above, the output data of the power generation amount
制御ラグは使用する機器の種類によって変動する可能性がある。また推論時間差が制御ラグと必ずしも同一である必要はない。そのため、推論時間差は、必要に応じてユーザー（発電制御システム１０の運営者など）による変更が可能である。以下においては簡略化のため、推論時間差を１時間と仮定して説明することがある。 Control lag can vary depending on the type of equipment used. Also, the inference time difference does not necessarily have to be the same as the control lag. Therefore, the inference time difference can be changed by the user (such as the operator of the power generation control system 10) as necessary. For the sake of simplification, the following explanation may be made assuming that the inference time difference is 1 hour.
本実施形態において、発電量推論ＡＩモデル２５は、現在時刻を含む１つ以上の時刻における負荷５０に関する消費電力量に基づいて推論時間差経過後の最適発電量を推論する。このような推論を可能とするため、発電量推論ＡＩモデル２５は、負荷５０に関する過去の消費電力量の実績データに基づいて作成されたものとなっている。
In this embodiment, the power generation amount
＜消費電力量の実績データについて＞
過去の消費電力量の実績データとは、過去に負荷５０が稼働した際に、その負荷５０を含む発電制御システム１０がどの時刻に、負荷５０がどれだけの消費電力量を必要としたか、の情報を一組の例示データとして、複数の例示データが蓄積されたものである。ここで、発電制御システム１０の含む負荷５０が複数の機器の集合体である場合には、それぞれの機器に関する複雑な消費電力量の変動が総合されて、実績データとしては１まとまりの実体による消費電力量の変動として記録されている。また季節や祝祭日による消費電力量の変動も実績データに反映されている。また長いスパンの消費電力量の実績データには、そのデータが採取された際に負荷５０が設置されていた地域の経緯度データすなわち地理情報や、気温、湿度、気圧などの気象データが反映されている。すなわち言い換えると、消費電力量の実績データには、負荷５０が全体としてどのような条件下でどれだけの電力量を消費するか、が記録されている。
<Actual power consumption data>
The actual data of the past power consumption amount indicates at what time the power
＜消費電力量の実績データに基づく学習＞
こうした消費電力量の実績データに基づいてどのように発電量推論ＡＩモデル２５が作成されるかについて説明する。基本的には、まず特定の時刻（例えば現在時刻）およびその時刻までの複数の時刻の消費電力量と、そこから予め定められた時間（ここでは推論時間差）経過後の消費電力量である次回消費電力量と、の対応関係が調べられる。そして、推論時間差経過後の発電量である次回発電量が、次回消費電力量よりも小さく、かつできるだけ次回消費電力量に近い値となるような最適発電量を出力できるようにすることを目標として学習が行われる。
<Learning based on actual power consumption data>
A description will be given of how the power generation amount
具体的な学習方法の一例としては、実績データ内の現在時刻およびそれまでの複数の時刻の消費電力量に対して、推論時間差経過後の消費電力量（次回消費電力量）の所定割合（予め定められた割合、例えば９０％）の値が追従目標として定められる、という学習方法が挙げられる。これにより、現在時刻までの消費電力量の変動と、追従目標と、の対応関係に基づく発電量推論ＡＩモデル２５が作成される。こうして作成された発電量推論ＡＩモデル２５は、現在時刻までの消費電力量の変動を入力データとして受け取ると、次回消費電力量の所定割合に近い値を最適発電量として出力できるようになる。
As an example of a specific learning method, a predetermined ratio (previously There is a learning method in which a defined percentage (for example, 90%) is defined as a follow-up target. As a result, the power generation amount
＜強化学習＞
さらに精度のよい発電量推論ＡＩモデル２５が得られることが期待される学習方法として、消費電力量の実績データに基づく強化学習を行うという学習方法が挙げられる。ここでいう強化学習とは、学習の過程において構築途上のＡＩモデルが入力に対する出力を返した際に、その出力の妥当性に応じて報酬が与えられるという条件下で学習が行われることにより、ＡＩモデルはできるだけ大きな報酬が得られるような出力を返すようになる、というものである。本実施形態においては、現在時刻（特定の時刻）に対して、次回消費電力量の予め定められた割合の値が発電制御目標値として定められる。そして、現在時刻においてパワーコンディショナー４０に与える制御指令が、推論時間差経過後の太陽電池３０の次回発電量が発電制御目標値に近くなるものであるほど大きい報酬が得られる、という方策によって報酬付けが行われる。こうした報酬付けの条件下で学習が行われることで、発電量推論ＡＩモデル２５は、現在時刻までの消費電力量を入力データとして受け取ると、それに対して最も大きな報酬が得られることが期待される値を最適発電量として出力するようになる。
<Reinforcement learning>
As a learning method that is expected to yield a more accurate power generation amount
＜強化学習における報酬付け＞
この強化学習における報酬付けについて、詳しく説明する。まず、前述のように現在時刻に対する発電制御目標値が定められる。すなわち、過去の実績データに次の時刻（次回）の消費電力データがあるので、そのデータの所定割合（予め定められた割合、例えば９０％）の値を発電制御目標値として定める。そして、構築途上のＡＩモデルが現在時刻までの消費電力量の入力に対して出力する次回発電量が発電制御目標値にどれだけ近いかに応じてＡＩモデルに報酬が与えられる。
<Rewarding in reinforcement learning>
Rewarding in this reinforcement learning will be explained in detail. First, the power generation control target value for the current time is determined as described above. That is, since past performance data includes power consumption data for the next time (next time), a predetermined ratio (predetermined ratio, for example, 90%) of the data is determined as the power generation control target value. Then, the AI model under construction is rewarded according to how close the next power generation output to the power consumption input up to the current time is to the power generation control target value.
図２に、消費電力量の実績データにおける次回消費電力量と、それに応じた発電制御目標値と、構築途上のＡＩモデルが出力する次回発電量と、それに対する報酬の大小（報酬付け）の一例をグラフとして示す。実際の実績データは複雑な変動をするグラフとなるが、図２においては、強化学習における報酬付けの傾向を説明するために、単純化されたグラフが示されている。 Fig. 2 shows an example of the next power consumption in the actual data of power consumption, the power generation control target value corresponding to it, the next power generation output by the AI model under construction, and the size of the reward (remuneration). is shown as a graph. Actual performance data is a graph with complex fluctuations, but FIG. 2 shows a simplified graph to explain the tendency of rewarding in reinforcement learning.
前述の通り、次回消費電力量の予め定められた割合（ここでは９０％）の値が発電制御目標値として定められる。構築途上のＡＩモデルが出力する次回発電量が発電制御目標値と一致するときに最大の報酬が得られる。次回発電量が発電制御目標値よりも小さい場合には、次回発電量が発電制御目標値に近いほど報酬が大きくなる一方で、次回発電量が小さいほど報酬が小さくなる。そして、次回発電量が発電制御目標値よりも大きく、かつ次回消費電力量よりも小さい場合には、次回発電量が発電制御目標値に近いほど報酬が大きくなり、次回発電量が次回消費電力量に近いほど報酬が小さくなる。 As described above, a predetermined percentage (here, 90%) of the next power consumption is determined as the power generation control target value. The maximum reward is obtained when the next power generation amount output by the AI model under construction matches the power generation control target value. When the next power generation amount is smaller than the power generation control target value, the closer the next power generation amount is to the power generation control target value, the larger the reward, and the smaller the next power generation amount, the smaller the reward. Then, if the next power generation amount is greater than the power generation control target value and less than the next power consumption amount, the closer the next power generation amount is to the power generation control target value, the greater the reward, and the next power generation amount is the next power consumption amount. The closer to , the smaller the reward.
ところで、本実施形態の発電制御システム１０は逆潮流を防ぐことを目的とするものであるので、逆潮流が発生することは絶対に避けることが望まれる。そのため、次回発電量が次回消費電力量よりも大きくなってしまった場合には、他のあらゆる場合よりも（次回発電量が次回消費電力量よりも小さい場合のいずれの場合よりも）報酬を小さくするべきである。図２においては、次回発電量が次回消費電力量よりも大きい場合には、報酬がマイナスとなるようになっている。このような報酬付けによる強化学習で作成された発電量推論ＡＩモデル２５は、次回発電量が発電制御目標値にできるだけ近い値となるように最適発電量を出力しつつも、次回発電量が次回消費電力量を上回ることだけは確実に避けるようになる。
By the way, since the power
＜消費電力量の実績データの蓄積と発電量推論ＡＩモデル２５の作成＞
こうした実績データの蓄積と発電量推論ＡＩモデル２５の作成は、発電制御システム１０を実際に稼働させて行うことができる。すなわち、稼働中の発電制御システム１０における負荷５０の消費電力量を時系列に沿って２４時間（または発電制御システム１０の稼働時間帯）にわたって記録することにより、１日分の実績データが蓄積される。そうして蓄積された実績データを基にして、前述の強化学習を行うことにより、発電量推論ＡＩモデル２５の構築が可能である。この発電量推論ＡＩモデル２５の構築は制御器２０に備えられた電子演算器で行うことができる。消費電力量の実績データが長期間（好ましくは１年以上）にわたって蓄積されることで、季節要素も含んだ形の発電量推論ＡＩモデル２５が得られる。一方、消費電力量の実績データの蓄積期間が１日だけであっても、発電制御システム１０における消費電力量の動きの特性が十分に記録されているため、それを基に発電量推論ＡＩモデル２５を作成することは可能である。
<Accumulation of actual power consumption data and creation of power generation amount
Such accumulation of performance data and creation of the power generation amount
また、発電制御システム１０とは別の場所で消費電力量の実績データの蓄積と発電量推論ＡＩモデル２５の構築を行うことも可能である。例えば稼働予定の発電制御システム１０に似せた環境の試験用システムを用意して、その試験用システムを稼働させることで実績データの蓄積を行うことができる。また、消費電力量の実績データから発電量推論ＡＩモデル２５を作成する際には、制御器２０とは別の場所に設けられた高性能の演算器（例えばスーパーコンピュータ）が用いられてもよい。
It is also possible to accumulate actual power consumption data and build the power generation amount
＜シミュレーションによるデータの作成＞
前述のように、実績データの蓄積は発電制御システム１０を実際に稼働させることで行うことができるが、未だ稼働していない発電制御システム１０について発電量推論ＡＩモデル２５による制御を行う場合などには、シミュレーションによりデータが作成されてもよい。すなわち、発電制御システム１０に含まれる負荷５０と、太陽電池３０を実際に稼働させると、どのような消費電力量の変動および発電量の変動が生じるかについてシミュレーションを行って、その結果を実績データとすることができる。このシミュレーションにあたっては、実際に一年以上稼働させて得られる年間データと遜色ない品質のデータが得られるように、気象変動、平日と祝祭日、繁雑期、閑散期など想定され得る様々な（複数の）状況を取り入れたシミュレーションが行われることが好ましい。
<Creation of data by simulation>
As described above, the actual data can be accumulated by actually operating the power
＜発電量推論ＡＩモデル２５による推論の詳細＞
このようにして消費電力量実績データを基に作成された発電量推論ＡＩモデル２５は、負荷５０に関する消費電力量について、現在時刻までの複数点の消費電力量を入力データとして、その条件下で推論される推論時間差経過後の最適発電量を出力することができる。ここで必要に応じて、入力データには現在の日付や、現在負荷５０が設置されている場所の地理情報、そして気象データなどを含めることができる。
<Details of inference by power generation amount
In this way, the power generation amount
入力データを受けた発電量推論ＡＩモデル２５は、現在時刻から推論時間差経過後の最適発電量を出力データとして返す。最適発電量を得た制御器２０は、その最適発電量をそのまま指定値としてパワーコンディショナー４０へ制御指令を与える。
The power generation amount
最適発電量は、推論時間差経過後の消費電力量を超えず、かつ発電制御目標に近い値となるように出力されるため、本実施形態の発電制御システム１０においては、太陽電池３０の発電量が消費電力量を上回ることのないように制御される。すなわち、発電量が消費電力量を上回ることはなくなり、逆潮流の発生が防止される。
Since the optimum power generation amount does not exceed the power consumption amount after the elapse of the inference time difference and is close to the power generation control target, in the power
本実施形態の発電制御システム１０により発電量の制御が行われた場合の発電量と消費電力量の変動の一例を図３にグラフとして示す。図３に示す通り、発電量が発電量推論ＡＩモデル２５の出力する最適発電量となるように制御が行われることにより、発電量は消費電力量に近い推移を辿りながらも、消費電力量を超えることはないようになっている。なお、制御器２０がパワーコンディショナー４０へ与える制御指令は、発電量が「最適発電量以下」となるように指示するものであればよく、実際の発電量は必ずしも最適発電量と一致しなくともよい。図３に示す通り、夜間などに日光の照射量が足りず十分な発電が行なえない時間帯には、実際の発電量は最適発電量よりも小さくなる。
FIG. 3 is a graph showing an example of fluctuations in the power generation amount and power consumption when the power
＜本実施形態の発電制御システム１０全体について＞
本実施形態の発電制御システム１０において、発電量推論ＡＩモデル２５からは季節性、祝祭日なども考慮された最適発電量が得られる。またこれにより、当日（現在の日付）における消費電力量の変動が現在時刻の時点までは過去の複数の日における変動と一致していたとしても、当日の日付に応じた最適な最適発電量が得られる。特に発電量推論ＡＩモデル２５の基となった過去の消費電力量の実績データが、負荷５０の稼働時間帯における各時刻と消費電力量との対応関係の時系列データが一年間以上にわたって測定された年間データであるならば、一年間のどの日付についても適切な最適発電量が得られる。
<Overall power
In the power
また、発電量推論ＡＩモデル２５の作成の基となる過去の消費電力量の実績データは、負荷５０が複数の機器の集合体である場合には、それぞれの機器による複雑な消費電力量の変動が総合されて記録されていることになる。このような実績データが用いられることにより、最適発電量の出力のためには発電制御システム１０全体の消費電力量のみが入力されればよく、個別の機器のデータを一つ一つ測定する必要はなくなる。またこの実績データが前述の年間データであれば、これを基に作成される発電量推論ＡＩモデル２５は季節の影響や平日と祝祭日との違いなども考慮されたモデルとなる。そのため、最適発電量の出力のために今日が夏場か冬場か、祝祭日であるか否かなどの細かいパラメータを入力する必要はなく、そうした季節性や祝祭日の影響も含めた形での出力データが得られる。
In addition, when the
以上の実施の形態においては簡略化のために１時間後の最適発電量の推論を行う場合について説明したが、制御ラグは長くても数秒単位であるので、実際の推論時間差としては１秒単位またはさらに短い時間（例えば１ミリ秒）が用いられるとよい。また現在の消費電力量の測定および最適発電量による制御指令の発行は、推論時間差と同程度の時間周期（例えば１秒ごと）に行われることが望ましい。
In the above embodiment, for the sake of simplification, the case of inferring the optimum amount of power generation after one hour has been described. Or even shorter times (
また、制御器２０が負荷５０の消費電力量を短い時間周期（例えば１ミリ秒単位）で測定し、その測定結果に応じて、パワーコンディショナー４０への制御指令を発行するようにしてもよい。
Alternatively, the
以上の実施の形態においては負荷５０の過去の消費電力量の実績データに基づいて発電量推論ＡＩモデル２５が作成されているが、この実績データに太陽電池３０の過去の発電量のデータが含まれていてもよい。また、以上の実施の形態においては測定した負荷５０の消費電力量に基づいて最適発電量の推論が行われているが、これに加えて太陽電池３０の発電量の測定が行われてもよい。すなわち、追従目標を定める学習または強化学習において、特定の時刻（現在時刻）およびその時刻までの複数の時刻における消費電力量と発電量の組み合わせに対して、推論時間差経過後の時刻における最適発電量がどのような値になるかを学習することで発電量推論ＡＩモデル２５が作成されるとよい。このようにして作成された発電量推論ＡＩモデル２５は、現在時刻までの複数の時刻における消費電力量が入力データとして与えられた場合に最適発電量の出力データを返すだけでなく、入力データに測定された発電量が含まれていれば、より適切な最適発電量を返すことが可能となる。
In the above embodiment, the power generation
以上の実施の形態においては発電装置として太陽電池３０を示したが、本発明はこれに限るものではなく、様々な形態の発電に適用することができる。例えば風力発電機、地熱発電機などによる発電についても本発明を利用することができる。
Although the
１０ 発電制御システム
２０ 制御器
２５ 発電量推論ＡＩモデル
３０ 太陽電池
４０ パワーコンディショナー
５０ 負荷
６０ 商用電源
６５ 受電装置
10 power
Claims (7)
前記制御器は、
前記負荷の消費電力量を測定し、
特定の時刻およびその時刻までの複数の時刻における消費電力量を含む情報を入力データとして、前記特定の時刻から予め定められた時間経過後における最適な発電量として推論される最適発電量を出力データとして返す発電量推論ＡＩモデルを用いて、前記発電装置の発電量が前記最適発電量以下となるように前記パワーコンディショナーへ制御指令を与え、
ここで、前記発電量推論ＡＩモデルは、前記負荷の過去の消費電力量の実績データに基づいて作成されたＡＩモデルであること
を特徴とする発電制御システム。 A load that consumes power, a power receiving device that receives power consumed by the load from an external power supply outside the system and supplies the power to the load, a power generator that generates the power consumed by the load, and the power generator In a power generation control system having a power conditioner that controls the amount of power generation of and a controller that gives a control command to the power conditioner,
The controller is
measuring the power consumption of the load;
Information including power consumption at a specific time and at multiple times up to that time is used as input data, and output data is the optimum power generation amount inferred as the optimum power generation amount after the elapse of a predetermined time from the specific time. Giving a control command to the power conditioner so that the power generation amount of the power generation device is equal to or less than the optimum power generation amount using the power generation amount inference AI model returned as
Here, the power generation control system, wherein the power generation amount inference AI model is an AI model created based on actual data of past power consumption of the load.
を特徴とする請求項１に記載の発電制御システム。 2. The power generation control system according to claim 1, wherein the performance data on which the power generation amount inference AI model is created includes the past power generation amount of the power generation device.
前記負荷の過去の消費電力量の実績データについて、特定の時刻およびその時刻までの複数の時刻の消費電力量に対して、前記特定の時刻から予め定められた時間経過後の消費電力量の、予め定められた割合の値を追従目標として学習することによって作成されたＡＩモデルであること
を特徴とする請求項１または請求項２に記載の発電制御システム。 The power generation amount inference AI model is
Regarding the actual data of the past power consumption of the load, for the power consumption at a specific time and at a plurality of times up to that time, the power consumption after a predetermined time from the specific time, 3. The power generation control system according to claim 1, wherein the AI model is created by learning a predetermined percentage value as a follow-up target.
前記強化学習においては、前記負荷の過去の消費電力量の実績データについて、特定の時刻およびその時刻までの複数の時刻の消費電力量と、前記特定の時刻から予め定められた時間経過後の消費電力量である次回消費電力量と、の対応関係が調べられて、
前記特定の時刻に対して、前記次回消費電力量の予め定められた割合の値が発電制御目標値として定められ、
前記特定の時刻において前記パワーコンディショナーに与える制御指令が、前記予め定められた時間経過後の前記発電装置の発電量である次回発電量が前記発電制御目標値に近くなるものであるほど大きい報酬が得られる、という方策によって報酬付けが行われ、
前記発電量推論ＡＩモデルは、前記報酬付けに基づく強化学習の結果、特定の時刻およびその時刻までの複数の時刻の消費電力量を含む情報の入力データに対して、次回発電量の報酬が最も大きくなるように最適発電量の出力データを返すこととなるように作成される。 The power generation control system according to claim 1 or 2, wherein the power generation amount inference AI model is created by reinforcement learning according to the following measures:
In the reinforcement learning, the power consumption at a specific time and at a plurality of times up to that time, and the consumption after a predetermined time has elapsed from the specific time, regarding the actual data of the past power consumption of the load. The correspondence relationship between the next power consumption amount, which is the power amount, and the
A predetermined percentage value of the next power consumption is determined as a power generation control target value for the specific time,
The control command given to the power conditioner at the specific time is such that the next power generation amount, which is the power generation amount of the power generation device after the elapse of the predetermined time, is closer to the power generation control target value, the larger the reward. Rewarding is done by the policy that it can be obtained,
As a result of the reinforcement learning based on the rewarding, the power generation amount inference AI model determines that the reward for the next power generation amount is the highest for the input data of information including the power consumption at a specific time and at a plurality of times up to that time. It is created to return the output data of the optimum power generation amount so as to increase.
次回発電量が発電制御目標値と一致するときに最大の報酬が得られるものとし、
次回発電量が発電制御目標値よりも小さい場合には、次回発電量が発電制御目標値に近いほど報酬が大きくなり、次回発電量が小さいほど報酬が小さくなるものとし、
次回発電量が発電制御目標値よりも大きく、かつ次回消費電力量よりも小さい場合には、次回発電量が発電制御目標値に近いほど報酬が大きくなり、次回発電量が次回消費電力量に近いほど報酬が小さくなるものとし、
次回発電量が次回消費電力量よりも大きい場合には、次回発電量が次回消費電力量よりも小さい場合のいずれの場合よりも報酬が小さくなるものとする、
というように報酬が定められること
を特徴とする請求項４に記載の発電制御システム。 In the rewarding,
The maximum reward is obtained when the next power generation amount matches the power generation control target value,
When the next power generation amount is smaller than the power generation control target value, the closer the next power generation amount is to the power generation control target value, the larger the reward, and the smaller the next power generation amount, the smaller the reward,
If the next power generation amount is greater than the power generation control target value and less than the next power consumption amount, the closer the next power generation amount is to the power generation control target value, the greater the reward, and the next power generation amount is closer to the next power consumption amount. The reward will be smaller as
If the next power generation amount is greater than the next power consumption amount, the reward will be smaller than in any case where the next power generation amount is smaller than the next power consumption amount.
5. The power generation control system according to claim 4, wherein the remuneration is determined as follows.
を特徴とする請求項１ないし請求項５のいずれか１項に記載の発電制御システム。 6. The power generation control system according to any one of claims 1 to 5, wherein the input data input to the power generation amount inference AI model includes the power generation amount of the power generation device at each time. .
を特徴とする請求項１ないし請求項６のいずれか１項に記載の発電制御システム。
2. The record data of the past power consumption of the load, which is the basis for creating the power generation amount inference AI model, includes data created by a simulation that incorporates a plurality of possible situations. The power generation control system according to any one of claims 1 to 6.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2021075462A JP7208297B2 (en) | 2021-04-28 | 2021-04-28 | power generation control system |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2021075462A JP7208297B2 (en) | 2021-04-28 | 2021-04-28 | power generation control system |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2022169831A JP2022169831A (en) | 2022-11-10 |
| JP7208297B2 true JP7208297B2 (en) | 2023-01-18 |
Family
ID=83944430
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2021075462A Active JP7208297B2 (en) | 2021-04-28 | 2021-04-28 | power generation control system |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP7208297B2 (en) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016166836A1 (en) | 2015-04-15 | 2016-10-20 | 三菱電機株式会社 | Equipment management apparatus, equipment management system, equipment management method, and program |
| JP2019054584A (en) | 2017-09-13 | 2019-04-04 | 積水化学工業株式会社 | Power generation system evaluation method and power generation system evaluation device |
| JP2021002932A (en) | 2019-06-21 | 2021-01-07 | 新電元工業株式会社 | Power generating system, power conditioner and inverse load flow prevention method thereof |
-
2021
- 2021-04-28 JP JP2021075462A patent/JP7208297B2/en active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016166836A1 (en) | 2015-04-15 | 2016-10-20 | 三菱電機株式会社 | Equipment management apparatus, equipment management system, equipment management method, and program |
| JP2019054584A (en) | 2017-09-13 | 2019-04-04 | 積水化学工業株式会社 | Power generation system evaluation method and power generation system evaluation device |
| JP2021002932A (en) | 2019-06-21 | 2021-01-07 | 新電元工業株式会社 | Power generating system, power conditioner and inverse load flow prevention method thereof |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2022169831A (en) | 2022-11-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CA2846342C (en) | Use of demand response (dr) and distributed energy resources (der) to mitigate the impact of variable energy resources (ver) in power system operation | |
| CN104617594B (en) | The method to generate electricity in utility network, controller and control utility network | |
| Bashir et al. | A novel energy scheduling framework for reliable and economic operation of islanded and grid-connected microgrids | |
| US9002530B2 (en) | Power plant operation enhancement | |
| Kang et al. | A novel approach of day-ahead cooling load prediction and optimal control for ice-based thermal energy storage (TES) system in commercial buildings | |
| US8620634B2 (en) | Energy resource allocation including renewable energy sources | |
| US20160091912A1 (en) | Demand-side grid-level load balancing aggregation system | |
| Darwazeh et al. | Review of peak load management strategies in commercial buildings | |
| JP2014526230A (en) | Power equipment | |
| CN112950098B (en) | Comprehensive energy system-based energy planning method and device and terminal equipment | |
| Lee et al. | Providing grid services with heat pumps: A review | |
| CN111539584B (en) | User-level comprehensive energy system planning method, system and equipment | |
| JP6617476B2 (en) | Demand power prediction apparatus, demand power prediction method, and computer program | |
| JP2014517671A (en) | Control unit for power generation / consumption system | |
| Tanabe et al. | Generation scheduling for wind power generation by storage battery system and meteorological forecast | |
| JP2003125535A (en) | Electrical power charge unit price change system by measurement of quantity demanded | |
| US10310459B2 (en) | Electric loadshape forecasting based on smart meter signals | |
| JP7208297B2 (en) | power generation control system | |
| JP2012198889A (en) | Systems and methods for generating bill | |
| JP3160693B2 (en) | Heat load prediction device | |
| Amoura et al. | Optimal sizing of a hybrid energy system based on renewable energy using evolutionary optimization algorithms | |
| Zavala et al. | Next-generation building energy management systems and implications for electricity markets. | |
| JP7194767B2 (en) | power generation control system | |
| JP2002048004A (en) | Heat/electric power cogenerating device and environment control room using the same | |
| Nielsen et al. | On on-line systems for short-term forecasting for energy systems |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20211015 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20221213 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230105 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7208297 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |