JP7237500B2 - 計画装置、方法、およびプログラム - Google Patents

Description

本発明は、計画装置、方法、およびプログラムに関する。

従来、水を電気分解することにより水素を生成する電解装置が知られている。また、電力供給手段として、再生可能エネルギーによる発電を行う発電装置、または天気や電力の供給コストに応じて電気料金が変動する電力系統が知られている。

このような発電装置および電力系統から電解装置に電力供給を行う場合、稼働電力のコストを低減し、水素の製造コストを低減させることが望ましい。しかしながら、電解装置により供給すべき水素の量が定められている場合等がある。この場合、水素の供給期間に、発電装置の発電量が十分でないと、高い電気料金の時間帯で電力系統からの電力により電解装置を稼働させなければならなくなる。

上記課題を解決するために、本発明の第１の態様においては、対象期間における発電装置の再生可能エネルギー発電量の推移を対象期間よりも前に入手可能な第１因子の値に基づいて予測する発電量予測モデルを用いて、将来の再生可能エネルギー発電量の推移を予測する発電量予測部と、予測された将来の再生可能エネルギー発電量の推移と電力系統の電気料金とに基づいて、将来の第１期間における、電解装置の生成物の使用計画を満たす電解装置の稼働計画を生成する稼働計画生成部とを備える計画装置、方法、およびプログラムを提供する。

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

本実施形態に係るシステム１０を示す。 本実施形態に係る計画装置４０の詳細な構成例を示す。 本実施形態に係る計画装置４０の動作フローの一例を示す。 本実施形態の複数の態様が全体的または部分的に具現化されうるコンピュータ１９００の例を示す。

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

図１は、本実施形態に係るシステム１０を示す。システム１０は、電気料金および再生可能エネルギーの発電量に応じた電解装置２０の稼働計画を生成し、稼働計画に従って電解装置２０を稼働させる。システム１０は、電解装置２０と、発電装置３０と、計画装置４０とを備える。

電解装置２０は、発電装置３０と計画装置４０と電力系統５０とに接続される。電解装置２０は、電気エネルギーを用いて生成物を生成する装置でよい。電解装置２０は、一例として、生成物として水素を、電気分解によって生成する水素生成装置である。電解装置２０は、計画装置４０が生成した稼働計画に従って稼働する。電解装置２０は、発電装置３０および電力系統５０から電力供給されることによって稼働する。

ここで、電力系統５０は、一例として、原子力発電、火力発電、または風力等の再生可能エネルギーによる発電等を行う１または複数の発電所から、送電網を介して多数の需要家に電力を供給するシステムである。電力系統５０は、発電量及び需要量に応じて、例えば、所定時間毎、１日毎、または１ヶ月毎等に電気料金（例えば、売電料金および買電料金）が変動しうるものである。

発電装置３０は、電解装置２０と計画装置４０と電力系統５０とに接続され、風力、太陽光、熱、地熱、水力、および／またはバイオマス等のような再生可能エネルギーを用いて発電した電力を電解装置２０に供給するローカルな電源であってよい。発電装置３０は、電解装置２０に電力系統５０を介さずに直接、および／または電力系統５０の送電網を介して、電解装置２０に電力供給してよい。発電装置３０は、発電した電力を電力系統５０に売電してよい。

計画装置４０は、電解装置２０の稼働計画を生成する。計画装置４０は、パーソナルコンピュータ、タブレット型コンピュータ、スマートフォン、ワークステーション、サーバコンピュータ、または汎用コンピュータ等のコンピュータであってよく、複数のコンピュータが接続されたコンピュータシステムであってもよい。計画装置４０は、コンピュータのＣＰＵ、ＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、および／またはＴＰＵ（Ｔｅｎｓｏｒ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）における処理によって稼働計画を生成してよい。また、計画装置４０は、サーバコンピュータにより提供されるクラウド上で各種の処理を行うものであってよい。

計画装置４０が生成する稼働計画は、第１期間における、電解装置２０の稼働すべき状態を記述したテーブルまたはデータ等であってよい。稼働計画は、例えば、電解装置２０を稼働させる（または稼働させない）時間帯、電解装置２０の稼働時間帯のうち、発電装置３０からの電力で稼働させる時間帯と電力系統５０からの電力で稼働させる時間帯、発電装置３０の発電した電力を電力系統５０に売電する時間帯、および／または、電解装置２０の時間帯毎の稼働率を定めたテーブルまたはデータ等でよい。計画装置４０は、取得部１００と、記憶部１１０と、モデル生成部１２０と、学習処理部１３０と、予測部１４０と、稼働計画生成部１５０と、制御部１６０とを備える。

取得部１００は、電解装置２０と発電装置３０と記憶部１１０とに接続され、学習に用いるパラメータおよび学習データ等を取得してよい。取得部１００は、ネットワーク等に接続され、当該ネットワークを介してデータを取得してもよい。取得部１００は、取得すべきデータの少なくとも一部が外部のデータベース等に記憶されている場合、当該データベース等にアクセスして、取得してよい。取得部１００は、取得したデータを、記憶部１１０に供給してよい。

記憶部１１０は、モデル生成部１２０と学習処理部１３０と予測部１４０と稼働計画生成部１５０とに接続され、取得部１００が取得した情報を記憶する。記憶部１１０は、当該計画装置４０が処理するデータを記憶してよい。記憶部１１０は、計画装置４０が稼働計画を生成する過程で算出する（または利用する）中間データ、算出結果、およびパラメータ等をそれぞれ記憶してもよい。また、記憶部１１０は、計画装置４０内の各部の要求に応じて、記憶したデータを要求元に供給してよい。記憶部１１０は、一例として、モデル生成部１２０の要求に応じて、記憶したデータを当該モデル生成部１２０に供給する。

モデル生成部１２０は、学習処理部１３０に接続され、計画装置４０が学習する学習モデルを生成する。モデル生成部１２０は、記憶部１１０に記憶された第１因子、第２因子、および第３因子に応じて、学習モデルを生成する。モデル生成部１２０は、１または複数の学習モデルを生成してよい。モデル生成部１２０は、生成した学習モデルを学習処理部１３０に供給する。

学習処理部１３０は、予測部１４０に接続され、取得部１００で取得された学習データに基づいて、生成した学習モデルを学習する。学習処理部１３０は、強化学習を実行して、学習モデルを更新してよい。学習処理部１３０は、１または複数の学習モデルを更新してよい。学習処理部１３０は、更新した学習モデルを予測部１４０に供給する。

予測部１４０は、稼働計画生成部１５０に接続される。予測部１４０は、学習モデルに基づいて、計画装置４０が稼働計画を生成する際に用いられる将来の各種データの推移を予測する。予測部１４０は、例えば、発電装置３０における将来の再生可能エネルギー発電量の推移、および／または電力系統５０の電気料金の推移を予測する。予測部１４０は、予測したデータを稼働計画生成部１５０に供給する。

稼働計画生成部１５０は、制御部１６０に接続され、将来の第１期間における電解装置２０の稼働計画を生成する。稼働計画生成部１５０は、例えば、将来の第１期間において、電解装置２０の生成物の使用計画を満たしつつ、生成物の製造コストを最小化または低減させる稼働計画を生成する。稼働計画生成部１５０は、生成した稼働計画を制御部１６０に供給する。

ここで、電解装置２０の生成物の使用計画は、電解装置２０の生成物の貯蔵量を基準範囲内に維持する計画、および電解装置２０の生成物の需要量または供給量を満たす計画のうちの少なくとも１つを含んでよい。生成物の需要量または供給量は、例えば、第１期間における電解装置２０が供給すべき生成物の累計の量または所定時間毎の量であってよい。貯蔵量は、電解装置２０の内部または外部に貯蔵される生成物の量であってよい。このような貯蔵量の基準範囲、生成物の需要量、または供給量は、計画装置４０に外部から入力されるデータ、過去のデータ、または、計画装置４０において過去のデータから将来の第１期間について予測されるものであってよい。

制御部１６０は、第１期間における電解装置２０の稼働計画を用いて、当該電解装置２０を稼働させる制御を行う。例えば、制御部１６０は、発電装置３０からの電力と電力系統５０からの電力とを、稼働計画により時間帯に応じて選択的に用いて、電解装置２０を稼働させてよい。制御部１６０は、複数の電解装置２０をそれぞれ稼働させてよい。また、制御部１６０は、電解装置２０の動作および生成物の貯蔵量等が想定とは異なる範囲となった場合に、電解装置２０の稼働の停止および開始を指示してもよい。制御部１６０は、第１期間における電解装置２０の稼働計画を用いて、発電装置３０の発電した電力を電力系統５０に売電するように制御してよい。

以上の本実施形態の計画装置４０によれば、発電装置３０の再生可能エネルギー発電量の変動と電力系統５０の電気料金の変動とに応じた電解装置２０の稼働計画を生成することができ、使用計画により予め定められた量以上の生成物を、より低い製造コストで生成することができる。このような計画装置４０のより具体的な構成例について、次に説明する。

図２は、本実施形態に係る計画装置４０の構成例を示す。図２の計画装置４０において、図１に示された本実施形態に係る計画装置４０の動作と略同一のものには同一の符号を付け、説明を省略する。図２は、図１における計画装置４０のモデル生成部１２０、学習処理部１３０、および予測部１４０をより詳細に示す。

計画装置４０は、第１モデル生成部２００、第１モデル更新部２１０、および発電量予測部２２０を備え、将来の発電装置３０の再生可能エネルギー発電量を予測する。計画装置４０は、第２モデル生成部２３０、および第２モデル更新部２４０を備え、稼働計画生成部１５０において将来の電解装置２０の稼働計画を生成する。計画装置４０は、第３モデル生成部２５０、第３モデル更新部２６０、および電気料金予測部２７０を備え、将来の電力系統５０の電気料金を予測する。

記憶部１１０は、取得部１００が取得した第１因子、第２因子、および第３因子を記憶する。第１因子（発電量予測因子）は、発電装置３０の再生可能エネルギー発電量に影響を及ぼす情報を含んでよい。第１因子は、例えば、発電装置３０の再生可能エネルギー発電量の推移を予測する対象期間よりも前の、発電装置３０の再生可能エネルギー発電量および天気情報の少なくとも１つを含む。第１因子は、発電装置３０から取得部１００が取得した情報を含んでよい。例えば、天気情報は、風速、風向き、晴れ、雨、温度、波の高さ、および日照時間等の少なくとも１つを含んでよい。天気情報は、発電装置３０が設置された地域の天気情報でよい。発電装置３０の再生可能エネルギー発電量は、過去の所定期間における、略一定時間毎の発電量、発電量の累計、平均値、上限値、および下限値の少なくとも１つを含んでよい。

第２因子（稼働予測因子）は、電解装置２０の稼働または電解装置２０の生成物の使用計画に関する情報を含んでよい。第２因子は、生成する稼働計画の対象期間よりも前に入手可能な、電解装置２０の稼働データ、電解装置２０の生成物の需要量、および電解装置２０の生成物の貯蔵量の少なくとも１つを含む。また、第２因子は、当該計画装置４０が過去に生成した電解装置２０の稼働計画を含んでもよい。また、第２因子は、電解装置２０の物理モデルから算出される仮想データを含んでよい。また、第２因子は、電解装置２０から取得部１００が取得した情報を含んでよい。例えば、稼働データは、電解装置２０における単位時間当たりの生成物の生成量、および／または単位電力当たりの生成物の生成量であってよい。需要量は、電解装置２０により供給する必要のある生成物の量であってよい。貯蔵量は、電解装置２０の生成物を貯蔵するタンク等に貯蔵された量であってよい。

第３因子（電気料金予測因子）は、電力系統５０の電気料金の変動に影響を及ぼす情報を含んでよい。第３因子は、電気料金を予測する対象期間よりも前の、電力系統５０における電気料金、電力需要量、電力供給量、再生可能エネルギー発電量、再生可能エネルギー発電量の予測値、および天気情報の少なくとも１つを含む。電力系統５０における電気料金は、電解装置２０が設置された場所において、電力系統５０から電解装置２０に供給される電力に対する実際の電気料金、および／または発電装置３０が電力系統５０に電力を売る際の売電料金であってよい。天気情報は、電解装置２０が設置された地域の天気情報でよい。電力系統５０における電力需要量、電力供給量、再生可能エネルギー発電量、および再生可能エネルギー発電量の予測値は、電解装置２０が設置された地域に電力系統５０の送電網を介して電力を供給する発電所等の情報でよい。当該発電所等は、電解装置２０に接続されたローカルな電源である発電装置３０とは異なってよい。

第１因子、第２因子、および第３因子の情報は、略一定時間毎の時系列の情報でよい。第１因子、第２因子、および第３因子の情報は、時間の経過と共にそれぞれ追加または更新されてよい。例えば、取得部１００は、予め定められた期間毎に、それぞれの情報を取得して更新してよい。また、取得部１００は、取得すべき情報に応じて、略同一または異なる期間毎に取得して、それぞれ追加または更新してよい。第１因子、第２因子、および第３因子の情報は、外部の装置等から供給される情報を含んでよい。

第１モデル生成部２００は、第１モデル更新部２１０に接続される。第１モデル生成部２００は、対象期間における発電装置３０の再生可能エネルギー発電量の推移を、対象期間よりも前に入手可能な第１因子の値に基づいて予測する発電量予測モデルを生成する。第１モデル生成部２００は、対象期間よりも過去の情報を用いて、事前学習またはオフライン学習等と呼ばれる処理により、発電量予測モデルを生成してよい。第１モデル生成部２００は、例えば、回帰分析、ベイズ推論、ニューラルネットワーク、ガウシアン混合モデル、および隠れマルコフモデル等を用いて、発電量予測モデルを生成する。第１モデル生成部２００は、生成した発電量予測モデルを第１モデルとして第１モデル更新部２１０に供給する。

第１モデル更新部２１０は、発電量予測部２２０に接続される。第１モデル更新部２１０は、過去期間における第１因子の値と過去期間以降の再生可能エネルギー発電量の現実の推移とに基づいて、発電量予測モデルを学習により更新する。第１モデル更新部２１０は、第１モデル学習部２１５を有し、第１モデル学習部２１５の学習結果に応じて、発電量予測モデルを更新する。第１モデル更新部２１０は、例えば、予め定められた第１更新期間毎に、第１モデル学習部２１５が学習した発電量予測モデルを、新たな発電量予測モデルとして更新してよい。これに代えて、第１モデル更新部２１０は、第１モデル学習部２１５が予め定められた回数だけ学習したこと、または学習による誤差差分があらかじめ定めれらた閾値を下回ったる等の諸条件に応じて、発電量予測モデルを更新してもよい。

第１モデル学習部２１５は、適応学習またはオンライン学習等と呼ばれる処理により、発電量予測モデルを学習してよい。第１モデル学習部２１５は、例えば、回帰分析、ベイズ推論、ニューラルネットワーク、ガウシアン混合モデル、および隠れマルコフモデル等の任意の機械学習モデルを識別モデルとして、強化学習を実行することによって、発電量予測モデルを学習する。このような機械学習を行うことにより、第１モデル学習部２１５は、第１因子を入力として、第１因子に応じた再生可能エネルギー発電量を、適用するモデルに応じた精度で予測することができるようになる。また、第１モデルとして、例えば、ＬＳＴＭ（Ｌｏｎｇ ｓｈｏｒｔ－ｔｅｒｍ ｍｅｍｏｒｙ）、ＲＮＮ（Ｒｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）、およびその他の記憶を有するモデルを使用すれば、第１因子の時系列から再生可能エネルギー発電量を予測することもできる。

第１モデル学習部２１５は、第１モデル生成部２００が発電量予測モデルの生成に用いた第１因子の情報よりも時間的に後の情報を更に用いて学習することが望ましい。第１モデル学習部２１５は、実際の再生可能エネルギー発電量の推移によって更新された第１因子の情報を用いて、発電量予測モデルを学習する。第１モデル学習部２１５は、第１因子の情報が更新されたことに応じて、発電量予測モデルの学習を実行してよい。一例として、第１モデル学習部２１５は、過去期間における第１因子の値と過去期間以降の再生可能エネルギー発電量の現実の推移とに基づいて、発電量予測モデルを学習する。第１モデル学習部２１５は、第１モデル更新部２１０の第１更新期間の間に、１または複数回の学習を実行してよい。第１モデル更新部２１０は、更新した発電量予測モデルを発電量予測部２２０に供給する。

発電量予測部２２０は、稼働計画生成部１５０に接続される。発電量予測部２２０は、発電量予測モデルを用いて、発電装置３０の将来の再生可能エネルギー発電量の推移を予測する。発電量予測部２２０は、例えば、予め定められた期間毎に、将来における当該予め定められた期間の発電装置３０の再生可能エネルギー発電量を予測する。発電量予測部２２０は、発電量予測モデルと第１因子の情報を用いて、発電量を予測する。発電量予測部２２０は、例えば、再生可能エネルギー発電量を予測すべき期間の直前までの期間における第１因子の情報を、発電量予測モデルに適用して発電装置３０の再生可能エネルギー発電量を予測する。発電量予測部２２０は、予測結果を稼働計画生成部１５０に供給する。

第２モデル生成部２３０は、第２モデル更新部２４０に接続される。第２モデル生成部２３０は、対象期間よりも前の第２因子の値、発電装置３０の再生可能エネルギー発電量の推移、および電力系統５０の電気料金の推移に基づいて、稼働計画生成モデルを生成する。稼働計画生成モデルは、学習により、対象期間における稼働計画を、対象期間よりも前に入手可能な第２因子の値と、対象期間における発電装置３０の再生可能エネルギー発電量の推移の予測結果と、電力系統５０の電気料金とに基づいて生成するモデルであってよい。なお、第２モデル生成部２３０は、過去の再生可能エネルギー発電量の推移として、第１因子の値を用いてよく、過去の電気料金の推移として、第３因子の値を用いてよい。第２モデル生成部２３０は、対象期間よりも過去の情報を用いて、事前学習またはオフライン学習等と呼ばれる学習処理により、稼働計画生成モデルを生成してよい。

第２モデル生成部２３０は、例えば、回帰分析、ベイズ推論、ニューラルネットワーク、ガウシアン混合モデル、および隠れマルコフモデル等の任意の機械学習モデルを識別モデルとして、強化学習を実行することによって、稼働計画生成モデルを生成する。第２モデル生成部２３０は、生成した稼働計画生成モデルを第２モデルとして第２モデル更新部２４０に供給する。

第２モデル更新部２４０は、稼働計画生成部１５０に接続される。第２モデル更新部２４０は、過去期間における第２因子の値と、過去期間以降における発電装置３０の再生可能エネルギー発電量の推移または発電装置３０の再生可能エネルギー発電量の推移の予測結果と、過去期間以降における電力系統５０の電気料金の推移と、過去期間以降において目標とすべき電解装置２０の稼働計画とに基づいて、稼働計画生成モデルを学習により更新する。第２モデル更新部２４０は、第２モデル学習部２４５を有し、第２モデル学習部２４５の学習結果に応じて、稼働計画生成モデルを更新する。第２モデル更新部２４０は、例えば、予め定められた第２更新期間毎に、第２モデル学習部２４５が学習した稼働計画生成モデルを、新たな稼働計画生成モデルとして更新してよい。これに代えて、第２モデル更新部２４０は、第２モデル学習部２４５が予め定められた回数だけ学習したことに応じて、稼働計画生成モデルを更新してもよい。

第２モデル学習部２４５は、適応学習またはオンライン学習等と呼ばれる処理により、稼働計画生成モデルを学習してよい。第２モデル学習部２４５は、例えば、回帰分析、ベイズ推論、ニューラルネットワーク、ガウシアン混合モデル、および隠れマルコフモデル等の任意の機械学習モデルを識別モデルとして、強化学習を実行することによって、稼働計画生成モデルを学習する。このような機械学習を行うことにより、第２モデル学習部２４５は、第２因子を入力として、第２因子に応じた値を、適用するモデルに応じた精度で予測することができるようになる。また、第２モデルとして、例えば、ＬＳＴＭ（Ｌｏｎｇ ｓｈｏｒｔ－ｔｅｒｍ ｍｅｍｏｒｙ）、ＲＮＮ（Ｒｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）、およびその他の記憶を有するモデルを使用すれば、第２因子の時系列から電解装置２０の稼働状態を予測することもできる。

第２モデル学習部２４５は、第２モデル生成部２３０が稼働計画生成モデルの生成に用いた第２因子の情報よりも時間的に後の情報を更に用いて学習することが望ましい。第２モデル学習部２４５は、発電装置３０の実際の再生可能エネルギー発電量の推移によって更新された第１因子の情報と、実際の電解装置２０の稼働によって更新された第２因子の情報と、実際の電気料金の推移によって更新された第３因子の情報とを用いて、稼働計画生成モデルを学習する。なお、再生可能エネルギー発電量の推移については、例えば、実際の再生可能エネルギー発電量の推移に代えて、発電量予測部２２０の予測結果を用いてもよい。また、電気料金の推移については、例えば、実際の電気料金の推移に代えて、電気料金予測部２７０の予測結果を用いてもよい。即ち、第２モデル学習部２４５は、過去期間における第２因子の値と、過去期間以降における再生可能エネルギー発電量および電気料金の推移、または再生可能エネルギー発電量および電気料金の推移の予測結果とに基づいて、稼働計画生成モデルを学習する。

第２モデル学習部２４５は、第２因子の情報が更新されたことに応じて、稼働計画生成モデルの学習を実行してよい。第２モデル学習部２４５は、第２モデル更新部２４０の第２更新期間の間に、１または複数回の学習を実行する。第２モデル更新部２４０は、更新した稼働計画生成モデルを稼働計画生成部１５０に供給する。

第３モデル生成部２５０は、第３モデル更新部２６０に接続される。第３モデル生成部２５０は、対象期間における電力系統５０の電気料金の推移を、対象期間よりも前に入手可能な第３因子の値に基づいて予測する電気料金予測モデルを生成する。第３モデル生成部２５０は、対象期間よりも過去の情報を用いて、事前学習またはオフライン学習等と呼ばれる処理により、電気料金予測モデルを生成してよい。第３モデル生成部２５０は、例えば、回帰分析、ベイズ推論、ニューラルネットワーク、ガウシアン混合モデル、および隠れマルコフモデル等を用いて、電気料金予測モデルを生成する。第３モデル生成部２５０は、生成した電気料金予測モデルを第３モデルとして第３モデル更新部２６０に供給する。

第３モデル更新部２６０は、電気料金予測部２７０に接続され、電気料金予測モデルを学習により更新する。第３モデル更新部２６０は、第３モデル学習部２６５を有し、第３モデル学習部２６５の学習結果に応じて、電気料金予測モデルを更新する。第３モデル更新部２６０は、例えば、予め定められた第３更新期間毎に、第３モデル学習部２６５が学習した電気料金予測モデルを、新たな電気料金予測モデルとして更新してよい。これに代えて、第３モデル更新部２６０は、第３モデル学習部２６５が予め定められた回数だけ学習したことに応じて、電気料金予測モデルを更新してもよい。

第３モデル学習部２６５は、適応学習またはオンライン学習等と呼ばれる処理により、電気料金予測モデルを学習してよい。第３モデル学習部２６５は、例えば、回帰分析、ベイズ推論、ニューラルネットワーク、ガウシアン混合モデル、および隠れマルコフモデル等の任意の機械学習モデルを識別モデルとして、強化学習を実行することによって、電気料金予測モデルを学習する。このような機械学習を行うことにより、第３モデル学習部２６５は、第３因子を入力として、第３因子に応じた電気料金を、適用するモデルに応じた精度で予測することができるようになる。また、第３モデルとして、例えば、ＬＳＴＭ（Ｌｏｎｇ ｓｈｏｒｔ－ｔｅｒｍ ｍｅｍｏｒｙ）、ＲＮＮ（Ｒｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）、およびその他の記憶を有するモデルを使用すれば、第３因子の時系列から電気料金を予測することもできる。

第３モデル学習部２６５は、第３モデル生成部２５０が電気料金予測モデルの生成に用いた第３因子の情報よりも時間的に後の情報を更に用いて学習することが望ましい。第３モデル学習部２６５は、電力系統５０の実際の電気料金の推移によって更新された第３因子の情報を用いて、電気料金予測モデルを学習する。第３モデル学習部２６５は、第３因子の情報が更新されたことに応じて、電気料金予測モデルの学習を実行してよい。一例として、第３モデル学習部２６５は、過去期間における第３因子の値と過去期間以降の電気料金の現実の推移とに基づいて、電気料金予測モデルを学習する。第３モデル学習部２６５は、第３モデル更新部２６０の第３更新期間の間に、１または複数回の学習を実行する。第３モデル更新部２６０は、更新した電気料金予測モデルを電気料金予測部２７０に供給する。

電気料金予測部２７０は、稼働計画生成部１５０に接続される。電気料金予測部２７０は、更新された電気料金予測モデルを用いて、電力系統５０の将来の電気料金の推移を予測する。電気料金予測部２７０は、例えば、予め定められた期間毎に、将来における当該予め定められた期間の電気料金を予測する。電気料金予測部２７０は、電気料金予測モデルと第３因子の情報を用いて、電気料金を予測する。電気料金予測部２７０は、例えば、電気料金を予測すべき期間の直前までの期間における第３因子の情報を、電気料金予測モデルに適用して電気料金を予測する。電気料金予測部２７０は、予測結果を稼働計画生成部１５０に供給する。

稼働計画生成部１５０は、予測された将来の発電装置３０の再生可能エネルギー発電量の推移と予測された将来の電力系統５０の電気料金とに基づいて、将来の第１期間における、電解装置２０の生成物の使用計画を満たす電解装置２０の稼働計画を生成する。稼働計画生成部１５０は、稼働計画生成モデルを用いて、将来の第１期間における電解装置２０の稼働計画を生成してよい。稼働計画生成部１５０は、第１期間中において、電解装置２０の生成物の使用計画を満たすように、発電装置３０からの電気を電力系統５０からの電気より優先して用いて電解装置２０を稼働させる稼働計画を生成してよい。稼働計画生成部１５０は、例えば、数日または十数日、１または数週間といった期間を第１期間として、電解装置２０の稼働計画を生成する。稼働計画生成部１５０は、一例として、Ｎ日分の稼働計画を生成する。

制御部１６０は、稼働計画生成部１５０が生成した稼働計画に応じて、電解装置２０を稼働させる。制御部１６０は、発電装置３０を制御してよく、発電装置３０から電解装置２０に供給する電力量、供給する時間帯、発電装置３０の発電電力を売電する電力量、および／または売電する時間帯等を制御してよい。

以上の本実施形態に係る計画装置４０は、発電装置３０の再生可能エネルギー発電量と電力系統５０の電気料金とを学習によって予測しつつ、電解装置２０の稼働計画を生成する。このような計画装置４０の動作について、次に説明する。

図３は、本実施形態に係る計画装置４０の動作フローの一例を示す。計画装置４０は、図３に示す動作フローを実行し、電解装置２０を稼働させてよい。

取得部１００は、発電装置３０の再生可能エネルギー発電量、電力系統５０の電気料金、および電解装置２０の過去のトレンドとなる第１因子、第２因子、および第３因子の情報を取得する（Ｓ３１０）。取得部１００は、例えば、時刻ｔ０から時刻ｔ１における、第１因子、第２因子、および第３因子の情報を取得する。ここで、時刻ｔ０から時刻ｔ１の間の期間は、第１期間よりも前の第２期間とする。取得部１００は、取得した第１因子、第２因子、および第３因子の情報を記憶部１１０に記憶させる。また、取得部１００は、第１因子、第２因子、および第３因子の情報をモデル生成部１２０に直接供給してもよい。

次に、モデル生成部１２０は、学習モデルを生成する（Ｓ３２０）。モデル生成部１２０は、第２期間の第１因子、第２因子、および第３因子の値に基づき、学習モデルを生成する。例えば、第１モデル生成部２００は、第２期間における、発電装置３０の再生可能エネルギー発電量および天気情報の少なくとも１つを含む第１因子の値を用いて、発電量予測モデルを生成する。第３モデル生成部２５０は、第２期間における、電気料金、電力需要量、電力供給量、再生可能エネルギー発電量、再生可能エネルギー発電量の予測値、および天気情報の少なくとも１つを含む第３因子の値を用いて、電気料金予測モデルを生成する。

また、第２モデル生成部２３０は、第１因子、第２因子、および第３因子の値に基づき、稼働計画生成モデルを生成する。例えば、第２モデル生成部２３０は、第２期間における、発電装置３０の再生可能エネルギー発電量、電力系統５０の電気料金、電解装置２０の稼働データ、電解装置２０の生成物の貯蔵量、および電解装置２０の稼働計画の仮想データの少なくとも１つを用いて、稼働計画生成モデルを生成する。

また、第２モデル生成部２３０は、電解装置２０の物理モデルに基づく仮想データを目標とすべき予測データとし、当該予測データおよび過去の電解装置２０の稼働によって取得された実データとを比較することにより、稼働計画生成モデルを生成してよい。例えば、第２モデル生成部２３０は、目標とすべき予測データおよび過去の実データの差分が０または予め定められた値未満となるように、強化学習を実行して稼働計画生成モデルを生成する。

第２モデル生成部２３０は、一例として、第２期間におけるＭ日間の期間を仮想的な予測期間とする。なお、Ｍ日間は、例えば、数日または十数日、１または数週間といった期間でよい。Ｍ日間は、第１期間（Ｎ日間）と一致することが望ましい。そして、第２モデル生成部２３０は、第２期間における予測期間よりも前の期間の第１因子、第２因子、および第３因子の値に基づく予測期間の稼働動作の予測結果と、予測期間の実データまたは仮想データとの誤差が、最小となるように強化学習する。

この場合、第２モデル生成部２３０は、電解装置２０の生成物の使用計画を満たし（第１条件）、かつ発電装置３０からの電気を電力系統５０からの電気より優先して用いて電解装置２０を稼働させる（第２条件）という条件を満たしながら、稼働コストを低減させるように強化学習してよい。ここで、電解装置２０の生成物の使用計画を満たすという第１条件は、例えば、電解装置２０の生成物の貯蔵量の変動範囲を０から最大貯蔵量の範囲とする、または電解装置２０の生成物の需要量または供給量の累計以上の生成物を電解装置２０で生成する等の条件であってよい。また、第２条件は、所定期間（例えば第２期間）における予測される発電装置３０の累計の再生可能エネルギー発電量を全て電解装置２０の稼働に使用する、または、発電装置３０が電力系統５０よりも多くの電力を電解装置２０の稼働のために供給する等の条件であってよい。

なお、このようなモデル生成部１２０による学習モデルの生成は、電解装置２０の稼働に伴って計画装置４０が当該電解装置２０の実データを取得する前に、実行されてよい。

次に、学習処理部１３０は、生成した学習モデルを適応学習する（Ｓ３３０）。ここで、取得部１００は、第１因子、第２因子、および第３因子の情報をさらに取得してよい。取得部１００は、例えば、時刻ｔ１から時刻ｔ２における、第１因子、第２因子、および第３因子の情報を取得する。なお、時刻ｔ１から時刻ｔ２の間の期間は、第１期間および第２期間の間の第３期間とする。学習処理部１３０は、取得部１００が新たに取得した第１因子、第２因子、および第３因子の情報を用いて適応学習してよい。

例えば、第１モデル学習部２１５は、第１因子の値に基づき、発電量予測モデルを適応学習する。第１モデル学習部２１５は、第３期間における、発電装置３０の再生可能エネルギー発電量および天気情報の少なくとも１つを用いて、発電量予測モデルを適応学習してよい。第１モデル学習部２１５は、発電量予測モデルを用いて第３期間における再生可能エネルギー発電量を予測した結果が、取得した第３期間の再生可能エネルギー発電量と一致するように強化学習してよい。

第１モデル学習部２１５は、一例として、第３期間におけるＭ日間の期間を仮想的な予測期間とする。なお、Ｍ日間は、例えば、数日または十数日、１または数週間といった期間でよい。Ｍ日間は、第１期間（Ｎ日間）と一致することが望ましい。第１モデル学習部２１５は、一例として、第３期間における予測期間よりも前の期間の第１因子の値に基づく予測期間の予測結果と、予測期間の実データとの差分が０または予め定められた値未満となるように強化学習する。

また、第２モデル学習部２４５は、第１因子、第２因子、および第３因子の値に基づき、稼働計画生成モデルを適用学習してよい。例えば、第２モデル学習部２４５は、第３期間における、発電装置３０の再生可能エネルギー発電量の推移または当該推移の予測結果、電力系統５０の電気料金の推移または当該推移の予測結果、電解装置２０の稼働データ、電解装置２０の生成物の貯蔵量または需要量、および稼働計画の実データの少なくとも１つを用いて、稼働計画生成モデルを学習してよい。第２モデル学習部２４５は、稼働計画生成モデルを用いて第３期間における電解装置２０の稼働動作を予測した結果と、取得した第３期間の実データの差分が０または予め定められた値未満となるように、強化学習を実行してよい。

第２モデル学習部２４５は、一例として、第３期間におけるＭ日間の期間を仮想的な予測期間とする。なお、Ｍ日間は、例えば、数日または十数日、１または数週間といった期間でよい。Ｍ日間は、第１期間（Ｎ日間）と一致することが望ましい。そして、第２モデル学習部２４５は、第３期間における予測期間よりも前の期間の第１因子、第２因子、および第３因子の値に基づく予測期間の稼働動作の予測結果と、予測期間の実データとの差分が０または予め定められた値未満となるように強化学習する。

この場合、第２モデル学習部２４５は、第２モデル生成部２３０が稼働計画生成モデルの生成に用いた、第１条件、および第２条件等を同様に用いてよい。即ち、第２モデル学習部２４５は、２つの条件を満たしつつ、生成物の製造コストを低減させるように稼働計画生成モデルを強化学習してよい。

また、第３モデル学習部２６５は、第３因子の値に基づき、電気料金予測モデルを適応学習する。第３モデル学習部２６５は、第３期間における、電力系統５０についての電気料金、電力需要量、電力供給量、再生可能エネルギー発電量、再生可能エネルギー発電量の予測値、および天気情報の少なくとも１つを用いて、電気料金予測モデルを適応学習してよい。第３モデル学習部２６５は、電気料金予測モデルを用いて第３期間における電気料金等を予測した結果が、取得した第３期間の電気料金と一致するように強化学習してよい。

第３モデル学習部２６５は、一例として、第３期間におけるＭ日間の期間を仮想的な予測期間とする。なお、Ｍ日間は、例えば、数日または十数日、１または数週間といった期間でよい。Ｍ日間は、第１期間（Ｎ日間）と一致することが望ましい。第３モデル学習部２６５は、一例として、第３期間における予測期間よりも前の期間の第３因子の値に基づく予測期間の予測結果と、予測期間の実データとの差分が０または予め定められた値未満となるように強化学習する。

次に、学習処理部１３０は、学習モデルを更新する（Ｓ３４０）。学習処理部１３０は、予め定められた時間毎に学習モデルを更新してよい。例えば、学習処理部１３０は、適応学習を開始してから更新に必要な初期更新期間だけ適応学習を継続させてから、学習モデルの最初の更新を実行し、その後、一定の期間毎に更新を繰り返す。ここで、初期更新期間は、生成すべき稼働計画の期間であるＮ日以上であることが望ましい。また、更新を繰り返す一定の期間は、数時間、十数時間、１日、数十時間、または数日等でよい。

例えば、第１モデル更新部２１０は、初期更新期間後、発電量予測モデルを第１更新期間毎に更新する。また、第２モデル更新部２４０は、初期更新期間後、稼働計画生成モデルを第２更新期間毎に更新する。また、第３モデル更新部２６０は、初期更新期間後、電気料金予測モデルを第３更新期間毎に更新する。第１更新期間、第２更新期間、および第３更新期間は、異なる期間でよく、これに代えて、略同一の期間でもよい。第１更新期間、第２更新期間、および第３更新期間は、一例として１日である。

次に、予測部１４０は、更新した学習モデルを用いて発電装置３０の再生可能エネルギー発電量および電力系統５０の電気料金を予測する（Ｓ３５０）。例えば、発電量予測部２２０は、更新された発電量予測モデルおよび第１因子の値を用いて、第１期間の発電装置３０の再生可能エネルギー発電量の推移を予測する。発電量予測部２２０は、一例として、初期更新期間に取得部１００が取得したＮ日分の第１因子の値を発電量予測モデルに適用して、初期更新期間の後のＮ日分の再生可能エネルギー発電量の推移を予測する。

また、電気料金予測部２７０は、更新された電気料金予測モデルおよび第３因子の値を用いて、第１期間の電気料金の推移を予測する。電気料金予測部２７０は、一例として、初期更新期間に取得部１００が取得したＮ日分の第３因子の値を電気料金予測モデルに適用して、初期更新期間の後のＮ日分の電気料金の推移を予測する。

次に、稼働計画生成部１５０は、更新された学習モデルを用いて、第１期間の電解装置２０の稼働計画を生成する（Ｓ３６０）。稼働計画生成部１５０は、更新された稼働計画生成モデル、発電量予測部２２０の再生可能エネルギー発電量の予測結果、電気料金予測部２７０の電気料金の予測結果、および第２因子の値を用いて、第１期間の稼働計画を生成してよい。稼働計画生成部１５０は、一例として、初期更新期間に取得部１００が取得したＮ日分の第２因子の値と、初期更新期間の後のＮ日分の再生可能エネルギー発電量の予測結果および電気料金の推移の予測結果とを稼働計画生成モデルに適用して、初期更新期間の後のＮ日分の稼働計画を生成する。

稼働計画生成部１５０は、第２モデル生成部２３０が稼働計画生成モデルの生成に用いた、第１条件および第２条件を同様に用いてよい。即ち、稼働計画生成部１５０は、２つの条件を満たしつつ、製造コストを最小化する稼働計画を生成してよい。

稼働計画生成部１５０は、例えば、第１期間において、発電装置３０からの電力により電解装置２０を稼働させる期間と、電力系統５０からの電力により電解装置２０を稼働させる期間とを含む稼働計画を生成する。稼働計画生成部１５０は、一例として、稼働計画において、第１期間における発電装置３０の予測した再生可能エネルギー発電量を、当該第１期間内で使い切るように、発電装置３０からの電力により電解装置２０を稼働させる期間を設定してよい。さらに、発電装置３０からの電力が第１期間における電解装置２０の生成物の使用計画を満たすには不足している場合等に、稼働計画生成部１５０は、稼働計画において、第１期間における電解装置２０の生成物の使用計画における不足分を満たすように、電気料金が閾値より低い期間に、電力系統５０からの電力により電解装置２０を稼働させるように設定してよい。

また、稼働計画生成部１５０は、第１期間において、電解装置２０を稼働させる期間と、稼働させない期間とを含む稼働計画を生成してよい。また、稼働計画生成部１５０は、電解装置２０を稼働させる期間を、稼働率と共に示す稼働計画を生成してよい。稼働計画生成部１５０は、時系列に稼働率が推移する稼働計画を生成することが望ましい。稼働計画生成部１５０は、例えば、一定時間ごとの稼働計画を生成する。稼働計画生成部１５０は、数十分、１時間、または数時間ごとの稼働計画を生成してよい。

また、稼働計画生成部１５０は、制御部１６０が複数の電解装置２０を制御する場合、当該複数の電解装置２０のそれぞれに対する稼働計画を生成してよい。稼働計画生成部１５０は、複数の電解装置２０が略同一の電解装置２０である場合は、略同一の稼働計画をそれぞれ生成してよい。また、稼働計画生成部１５０は、制御部１６０が異なる種類の電解装置２０、異なる時期に購入した電解装置２０、異なる製造メーカの電解装置２０、またはこれらの組み合わせを含む複数の電解装置２０を制御する場合、それぞれの電解装置２０に対応して、異なる稼働計画をそれぞれ生成してよい。

この場合、第２モデル生成部２３０は、複数の電解装置２０の稼働台数毎または複数の電解装置２０の組み合わせ毎にそれぞれ対応する複数の稼働計画生成モデルを生成してよい。また、第２モデル学習部２４５は、複数の稼働生成モデルをそれぞれ学習してよく、第２モデル更新部２４０は、複数の稼働生成モデルをそれぞれ更新してよい。稼働計画生成部１５０は、複数の稼働計画生成モデルのうち、第１期間における複数の電解装置２０の生成物の使用計画に応じた稼働計画生成モデルを用いて、第１期間における電解装置２０の稼働計画を生成してよい。また、第２モデル生成部２３０は、複数の電解装置２０に対応する１つの稼働計画生成モデルを生成し、第２モデル更新部２４０は、第２モデル学習部２４５により学習した稼働計画生成モデルを更新してよい。この場合、稼働計画生成モデルは、複数の電解装置２０を連携稼働させるための稼働計画を生成するモデルであってよく、一例として、複数の電解装置２０のそれぞれの稼働開始のタイミングおよび稼働期間等が最適化された稼働計画を生成するモデルであってよい。

制御部１６０は、稼働計画生成部１５０が生成した稼働計画を用いて、電解装置２０をＮ日分稼働させる（Ｓ３７０）。これにより、電解装置２０は、第１期間において、予め定められた生成物の供給計画を満たしつつ、生成物の製造コストを低減させるように稼働することができる。また、制御部１６０は、稼働計画を用いて、発電装置３０を制御し、発電装置３０から電解装置２０への電力供給および発電装置３０から電力系統５０への電力の売電を行ってよい。

計画装置４０が第１期間の経過後に電解装置２０の稼働を継続させる場合（Ｓ３８０：Ｎｏ）、Ｓ３３０に戻り、学習処理部１３０は学習モデルを適応学習する。この場合、取得部１００は、当該第１期間の第１因子および第３因子の情報と、当該第１期間の電解装置２０の稼働によって推移する第２因子の情報を順次取得し、記憶部１１０に順次記憶する。即ち、計画装置４０は、第１期間の情報を過去の情報に含め、予測すべき対象期間を第１期間よりも後の期間（一例として、第４期間）とする。

そして、計画装置４０は、第１期間の情報を用いてモデルの適応学習を繰り返し、一定期間の経過に応じてモデルを更新して、第４期間の電解装置２０の稼働計画を生成し、生成した稼働計画に応じて電解装置２０を稼働させる。このように、本実施形態に係る計画装置４０は、電解装置２０の対象期間の稼働計画の生成と、当該対象期間の稼働とを繰り返すことにより、学習モデルを更新しつつ電解装置２０を継続して稼働できる。

以上の計画装置４０の動作フローにおいて、第２期間、第３期間、第１期間、および第４期間の順に、計画装置４０を時系列に動作させる例を説明した。ここで、第２期間、第３期間、第１期間、および第４期間は、この順に時間的に連続した期間でよい。少なくとも、第１期間および第４期間は、連続した期間であることが望ましい。

本実施形態に係る計画装置４０は、発電装置３０の再生可能エネルギー発電量と電力系統５０の電気料金とを学習によって予測し、電解装置２０において使用計画に沿った量の生成物を低コストで生成可能な稼働計画を作成できる。

なお、本実施形態に係る計画装置４０は、第３モデル生成部２５０、第３モデル更新部２６０、および電気料金予測部２７０を備えていなくてもよい。この場合、計画装置４０で用いる電力系統５０の電気料金は、例えば、外部の装置で予測した電気料金、電力系統５０の事業者から提供された電気料金、または過去の電気料金であってもよい。また、電力系統５０の電気料金は、変動せずに一定であってもよい。

図４は、本発明の複数の態様が全体的または部分的に具現化されてよいコンピュータ１９００の例を示す。コンピュータ１９００にインストールされたプログラムは、コンピュータ１９００に、本発明の実施形態に係る装置に関連付けられる操作または当該装置の１または複数のセクションとして機能させることができ、または当該操作または当該１または複数のセクションを実行させることができ、および／またはコンピュータ１９００に、本発明の実施形態に係るプロセスまたは当該プロセスの段階を実行させることができる。そのようなプログラムは、コンピュータ１９００に、本明細書に記載のフローチャートおよびブロック図のブロックのうちのいくつかまたはすべてに関連付けられた特定の操作を実行させるべく、ＣＰＵ２０００によって実行されてよい。

本実施形態に係るコンピュータ１９００は、ホスト・コントローラ２０８２により相互に接続されるＣＰＵ２０００、ＲＡＭ２０２０、グラフィック・コントローラ２０７５、及び表示装置２０８０を有するＣＰＵ周辺部と、入出力コントローラ２０８４によりホスト・コントローラ２０８２に接続される通信インターフェイス２０３０、ハードディスクドライブ２０４０、及びＤＶＤドライブ２０６０を有する入出力部と、入出力コントローラ２０８４に接続されるＲＯＭ２０１０、フラッシュメモリ・ドライブ２０５０、及び入出力チップ２０７０を有するレガシー入出力部を備える。

ホスト・コントローラ２０８２は、ＲＡＭ２０２０と、高い転送レートでＲＡＭ２０２０をアクセスするＣＰＵ２０００及びグラフィック・コントローラ２０７５とを接続する。ＣＰＵ２０００は、ＲＯＭ２０１０及びＲＡＭ２０２０に格納されたプログラムに基づいて動作し、各部の制御を行う。グラフィック・コントローラ２０７５は、ＣＰＵ２０００等がＲＡＭ２０２０内に設けたフレーム・バッファ上に生成する画像データを取得し、表示装置２０８０上に表示させる。これに代えて、グラフィック・コントローラ２０７５は、ＣＰＵ２０００等が生成する画像データを格納するフレーム・バッファを、内部に含んでもよい。

入出力コントローラ２０８４は、ホスト・コントローラ２０８２と、比較的高速な入出力装置である通信インターフェイス２０３０、ハードディスクドライブ２０４０、ＤＶＤドライブ２０６０を接続する。通信インターフェイス２０３０は、有線又は無線によりネットワークを介して他の装置と通信する。また、通信インターフェイスは、通信を行うハードウェアとして機能する。ハードディスクドライブ２０４０は、コンピュータ１９００内のＣＰＵ２０００が使用するプログラム及びデータを格納する。ＤＶＤドライブ２０６０は、ＤＶＤ２０９５からプログラム又はデータを読み取り、ＲＡＭ２０２０を介してハードディスクドライブ２０４０に提供する。

また、入出力コントローラ２０８４には、ＲＯＭ２０１０と、フラッシュメモリ・ドライブ２０５０、及び入出力チップ２０７０の比較的低速な入出力装置とが接続される。ＲＯＭ２０１０は、コンピュータ１９００が起動時に実行するブート・プログラム、及び／又は、コンピュータ１９００のハードウェアに依存するプログラム等を格納する。フラッシュメモリ・ドライブ２０５０は、フラッシュメモリ２０９０からプログラム又はデータを読み取り、ＲＡＭ２０２０を介してハードディスクドライブ２０４０に提供する。入出力チップ２０７０は、フラッシュメモリ・ドライブ２０５０を入出力コントローラ２０８４へと接続するとともに、例えばパラレル・ポート、シリアル・ポート、キーボード・ポート、マウス・ポート等を介して各種の入出力装置を入出力コントローラ２０８４へと接続する。

ＲＡＭ２０２０を介してハードディスクドライブ２０４０に提供されるプログラムは、フラッシュメモリ２０９０、ＤＶＤ２０９５、又はＩＣカード等の記録媒体に格納されて利用者によって提供される。プログラムは、記録媒体から読み出され、ＲＡＭ２０２０を介してコンピュータ１９００内のハードディスクドライブ２０４０にインストールされ、ＣＰＵ２０００において実行される。これらのプログラム内に記述される情報処理は、コンピュータ１９００に読み取られ、ソフトウェアと、上記様々なタイプのハードウェア資源との間の協働をもたらす。装置または方法が、コンピュータ１９００の使用に従い情報の操作または処理を実現することによって構成されてよい。

一例として、コンピュータ１９００と外部の装置等との間で通信を行う場合には、ＣＰＵ２０００は、ＲＡＭ２０２０上にロードされた通信プログラムを実行し、通信プログラムに記述された処理内容に基づいて、通信インターフェイス２０３０に対して通信処理を指示する。通信インターフェイス２０３０は、ＣＰＵ２０００の制御を受けて、ＲＡＭ２０２０、ハードディスクドライブ２０４０、フラッシュメモリ２０９０、又はＤＶＤ２０９５等の記憶装置上に設けた送信バッファ領域等に記憶された送信データを読み出してネットワークへと送信し、もしくは、ネットワークから受信した受信データを記憶装置上に設けた受信バッファ領域等へと書き込む。このように、通信インターフェイス２０３０は、ＤＭＡ（ダイレクト・メモリ・アクセス）方式により記憶装置との間で送受信データを転送してもよく、これに代えて、ＣＰＵ２０００が転送元の記憶装置又は通信インターフェイス２０３０からデータを読み出し、転送先の通信インターフェイス２０３０又は記憶装置へとデータを書き込むことにより送受信データを転送してもよい。

また、ＣＰＵ２０００は、ハードディスクドライブ２０４０、ＤＶＤドライブ２０６０（ＤＶＤ２０９５）、フラッシュメモリ・ドライブ２０５０（フラッシュメモリ２０９０）等の外部記憶装置に格納されたファイルまたはデータベース等の中から、全部または必要な部分をＤＭＡ転送等によりＲＡＭ２０２０へと読み込ませ、ＲＡＭ２０２０上のデータに対して各種の処理を行う。そして、ＣＰＵ２０００は、処理を終えたデータを、ＤＭＡ転送等により外部記憶装置へと書き戻す。このような処理において、ＲＡＭ２０２０は、外部記憶装置の内容を一時的に保持するものとみなせるから、本実施形態においてはＲＡＭ２０２０及び外部記憶装置等をメモリ、記憶部、または記憶装置等と総称する。

本実施形態における各種のプログラム、データ、テーブル、データベース等の各種の情報は、このような記憶装置上に格納されて、情報処理の対象となる。なお、ＣＰＵ２０００は、ＲＡＭ２０２０の一部をキャッシュメモリに保持し、キャッシュメモリ上で読み書きを行うこともできる。このような形態においても、キャッシュメモリはＲＡＭ２０２０の機能の一部を担うから、本実施形態においては、区別して示す場合を除き、キャッシュメモリもＲＡＭ２０２０、メモリ、及び／又は記憶装置に含まれるものとする。

また、ＣＰＵ２０００は、ＲＡＭ２０２０から読み出したデータに対して、プログラムの命令列により指定された、本実施形態中に記載した各種の演算、情報の加工、条件判断、情報の検索・置換等を含む各種の処理を行い、ＲＡＭ２０２０へと書き戻す。例えば、ＣＰＵ２０００は、条件判断を行う場合においては、本実施形態において示した各種の変数が、他の変数または定数と比較して、大きい、小さい、以上、以下、等しい等の条件を満たすか否かを判断し、条件が成立した場合（又は不成立であった場合）に、異なる命令列へと分岐し、またはサブルーチンを呼び出す。

また、ＣＰＵ２０００は、記憶装置内のファイルまたはデータベース等に格納された情報を検索することができる。例えば、第１属性の属性値に対し第２属性の属性値がそれぞれ対応付けられた複数のエントリが記憶装置に格納されている場合において、ＣＰＵ２０００は、記憶装置に格納されている複数のエントリの中から第１属性の属性値が指定された条件と一致するエントリを検索し、そのエントリに格納されている第２属性の属性値を読み出すことにより、所定の条件を満たす第１属性に対応付けられた第２属性の属性値を得ることができる。

また、実施形態の説明において複数の要素が列挙された場合には、列挙された要素以外の要素を用いてもよい。例えば、「Ｘは、Ａ、Ｂ及びＣを用いてＹを実行する」と記載される場合、Ｘは、Ａ、Ｂ及びＣに加え、Ｄを用いてＹを実行してもよい。

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

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

１０ システム
２０ 電解装置
３０ 発電装置
４０ 計画装置
５０ 電力系統
１００ 取得部
１１０ 記憶部
１２０ モデル生成部
１３０ 学習処理部
１４０ 予測部
１５０ 稼働計画生成部
１６０ 制御部
２００ 第１モデル生成部
２１０ 第１モデル更新部
２１５ 第１モデル学習部
２２０ 発電量予測部
２３０ 第２モデル生成部
２４０ 第２モデル更新部
２４５ 第２モデル学習部
２５０ 第３モデル生成部
２６０ 第３モデル更新部
２６５ 第３モデル学習部
２７０ 電気料金予測部
１９００ コンピュータ
２０００ ＣＰＵ
２０１０ ＲＯＭ
２０２０ ＲＡＭ
２０３０ 通信インターフェイス
２０４０ ハードディスクドライブ
２０５０ フラッシュメモリ・ドライブ
２０６０ ＤＶＤドライブ
２０７０ 入出力チップ
２０７５ グラフィック・コントローラ
２０８０ 表示装置
２０８２ ホスト・コントローラ
２０８４ 入出力コントローラ
２０９０ フラッシュメモリ
２０９５ ＤＶＤ

Claims (12)

1. 対象期間における発電装置の再生可能エネルギー発電量の推移を対象期間よりも前に入手可能な第１因子の値に基づいて予測する発電量予測モデルを用いて、将来の再生可能エネルギー発電量の推移を予測する発電量予測部と、
   予測された前記将来の再生可能エネルギー発電量の推移と電力系統の電気料金とに基づいて、将来の第１期間における、電解装置の生成物の使用計画を満たす前記電解装置の稼働計画を生成する稼働計画生成部と
   を備え、
   前記稼働計画生成部は、異なる種類の複数の電解装置、異なる時期に購入した複数の電解装置、異なる製造メーカの複数の電解装置、またはこれらの組み合わせを含む複数の電解装置のそれぞれに対応して、異なる稼働計画を生成する
   計画装置。
2. 前記発電量予測モデルは、対象期間よりも前の、前記発電装置の再生可能エネルギー発電量および天気情報の少なくとも１つを含む前記第１因子の値に基づいて、対象期間における前記再生可能エネルギー発電量の推移を予測する
   請求項１に記載の計画装置。
3. 過去期間における前記第１因子の値と前記過去期間以降の前記再生可能エネルギー発電量の現実の推移とに基づいて、前記発電量予測モデルを学習により更新する第１モデル更新部を更に備える
   請求項２に記載の計画装置。
4. 前記稼働計画生成部は、前記第１期間中において、前記電解装置の生成物の使用計画を満たすように、前記発電装置からの電気を前記電力系統からの電気より優先して用いて前記電解装置を稼働させる稼働計画を生成する
   請求項１から３のいずれか一項に記載の計画装置。
5. 前記電解装置の生成物の使用計画は、前記第１期間における前記電解装置の前記生成物の貯蔵量を基準範囲内に維持する計画、および前記第１期間における前記電解装置の前記生成物の需要量を満たす計画の少なくとも１つを含む
   請求項１から４のいずれか一項に記載の計画装置。
6. 前記稼働計画生成部は、対象期間における稼働計画を、対象期間よりも前に入手可能な第２因子の値と、対象期間における前記再生可能エネルギー発電量の推移の予測結果と、前記電気料金とに基づいて生成する稼働計画生成モデルを用いて、将来の前記第１期間における前記電解装置の稼働計画を生成する
   請求項１から５のいずれか一項に記載の計画装置。
7. 前記稼働計画生成モデルは、対象期間よりも前の、前記電解装置の稼働データ、前記電解装置の生成物の需要量、および前記電解装置の生成物の貯蔵量の少なくとも１つを含む前記第２因子の値と、対象期間における前記再生可能エネルギー発電量の推移の予測結果と、前記電気料金とに基づいて、対象期間における前記電解装置の稼働計画を生成する
   請求項６に記載の計画装置。
8. 過去期間における前記第２因子の値と、前記過去期間以降における前記再生可能エネルギー発電量の推移または前記再生可能エネルギー発電量の推移の予測結果と、前記過去期間以降における前記電気料金の推移と、前記過去期間以降において目標とすべき前記電解装置の稼働計画とに基づいて、前記稼働計画生成モデルを学習により更新する第２モデル更新部を更に備える
   請求項６または７に記載の計画装置。
9. 対象期間における前記電力系統の電気料金の推移を、対象期間よりも前に入手可能な第３因子の値に基づいて予測する電気料金予測モデルを用いて、将来の電気料金の推移を予測する電気料金予測部を更に備え、
   前記稼働計画生成部は、予測された前記将来の再生可能エネルギー発電量の推移と、予測された前記将来の電気料金の推移とに基づいて、前記将来の第１期間における、前記電解装置の生成物の使用計画を満たす前記電解装置の稼働計画を生成する
   請求項１から８のいずれか一項に記載の計画装置。
10. 前記電気料金予測モデルは、対象期間よりも前の、前記電力系統における電気料金、電力需要量、電力供給量、再生可能エネルギー発電量、再生可能エネルギー発電量の予測値、および天気情報の少なくとも１つを含む前記第３因子の値に基づいて、対象期間における前記電力系統の電気料金の推移を予測する
    請求項９に記載の計画装置。
11. 対象期間における発電装置の再生可能エネルギー発電量の推移を対象期間よりも前に入手可能な第１因子の値に基づいて予測する発電量予測モデルを用いて、将来の再生可能エネルギー発電量の推移をコンピュータが予測する段階と、
    予測された前記将来の再生可能エネルギー発電量の推移と電力系統の電気料金とに基づいて、将来の第１期間における、電解装置の生成物の使用計画を満たす前記電解装置の稼働計画を前記コンピュータが生成する段階と
    を備え、
    前記稼働計画を生成する段階は、異なる種類の複数の電解装置、異なる時期に購入した複数の電解装置、異なる製造メーカの複数の電解装置、またはこれらの組み合わせを含む複数の電解装置のそれぞれに対応して、異なる稼働計画を前記コンピュータが生成する段階を有する
    方法。
12. コンピュータに、請求項１から１０のいずれか一項に記載の計画装置として機能させるプログラム。

Images