JP5215822B2 - エネルギーシステム制御装置および制御方法 - Google Patents

Description

本発明は、エネルギー発生装置とエネルギー貯蔵装置とエネルギー負荷とを有するエネルギーシステムの制御装置および制御方法に関する。

分散型エネルギーシステムのエネルギーを有効に利用し低コストな運用制御を行う方法として、特許文献１に記載されている「分散型エネルギーコミュニティーシステムとその制御方法」がある。

このシステムでは、制御センタが、分散電源システムの制御装置から通信線を介して燃料電池の発電量と蓄電池のエネルギー貯蔵量と負荷の電力消費量のデータを受信して、各分散エネルギーシステムに発電電力値および受送電電力値を指令して、電力需要の日負荷特性が異なる複数の分散エネルギーシステム間において電力線を介しての電力需給を補完制御する。

エネルギーシステムの制御を行うために必要なエネルギー需要を予測する技術として、回帰分析やニューラルネットワークを用いる手法がある。

しかしながら、特許文献１に記載のエネルギーシステムのように、一般家庭における世帯別の電力／給湯等のエネルギー需要は、需要家の不規則な生活行動に依存するため、精度の良い予測は困難である。給湯需要は、需要が全く無い時間帯が多く、単発的に需要ピークが発生するため、さらに予測が困難である。

一方、太陽光や風力等の自然エネルギーを利用した発電システムは、気温や天気等の気象予報を用いて需要・発電量の予測を行うため、その予測の精度は、気象予報の確度に大きく依存する。

そこで、特許文献２に記載されているような、予測逸脱パターンおよびその発生確率を算出し、その算出結果に基づいてエネルギーシステムの運転計画を修正し、修正後の運転計画に基づいて運転のシミュレーションを行うことにより、予測の不確実性や予測逸脱に対応した制御動作を実行可能な最適運転計画を作成する手法がある。
特開２００２−４４８７０号公報 特開２００６−３０４４０２号公報

上記のようなエネルギーシステムにおいては、気象予報やそれを用いた需要・発電予測が外れた場合、最適な運転制御が行えなかったり、また、予測逸脱に対応した最適化には膨大な計算コストが必要となり、リアルタイムで行う制御としては、時間がかかり過ぎたりするといった課題がある。

本発明は、上述のような問題点を鑑みてなされたものであって、従来技術における予測と最適運転計画を融合させ、予測の乖離に関わらず最適に近い運転計画を高速に算出するエネルギーシステム制御装置および制御方法を提供することを目的とする。

上記の目的を達成するために、本発明によるエネルギーシステム制御装置は、エネルギー発生装置と、エネルギー貯蔵装置と、エネルギー負荷と、を有するエネルギーシステムと通信可能であり、気象予報情報を用いて前記エネルギー発生装置および前記エネルギー貯蔵装置の運転計画を決定するエネルギーシステム制御装置であって、前記エネルギー発生装置によるエネルギー発生の実績値と、前記エネルギー負荷によるエネルギー需要の実績値を保存する実績データベース部と、前記エネルギー発生装置および前記エネルギー貯蔵装置の最適運転計画を、予め定められた最適化手法を用いて、前記実績データベース部内のエネルギー発生の実績値およびエネルギー需要の実績値に基づいて作成する最適スケジューリング部と、前記エネルギー発生装置および前記エネルギー貯蔵装置の状態を評価するための状態評価関数を、前記最適スケジューリング部にて作成された最適運転計画に基づいて確定する確定部と、前記確定部にて確定された状態評価関数と、前記気象予報情報と、を用いて、前記運転計画を決定する運転計画決定部と、を含み、前記確定部は、前記気象予報情報の実績値と、前記エネルギー発生の実績値と、前記エネルギー需要の実績値と、前記最適運転計画と、を格納する学習データベース部と、前記学習データベース部内のデータが学習実施条件を満たした場合に、前記状態評価関数が有する所定のパラメータの値を、予め定められた機械学習法を用いて、前記学習データベース部内の気象予報情報の実績値、エネルギー発生の実績値およびエネルギー需要の実績値と、前記最適運転計画と、に基づいて決定する評価関数学習部と、を含む。

本発明によるエネルギーシステム制御方法は、エネルギー発生装置と、エネルギー貯蔵装置と、エネルギー負荷と、を有するエネルギーシステムと通信可能であり、気象予報情報を用いて前記エネルギー発生装置および前記エネルギー貯蔵装置の運転計画を決定する、エネルギーシステム制御装置が行うエネルギーシステム制御方法であって、前記エネルギー発生装置によるエネルギー発生の実績値と、前記エネルギー負荷によるエネルギー需要の実績値を実績データベース部に保存する保存ステップと、前記エネルギー発生装置および前記エネルギー貯蔵装置の最適運転計画を、予め定められた最適化手法を用いて、前記実績データベース部内のエネルギー発生の実績値およびエネルギー需要の実績値に基づいて作成する最適スケジューリングステップと、前記エネルギー発生装置および前記エネルギー貯蔵装置の状態を評価するための状態評価関数を、前記最適運転計画に基づいて確定する確定ステップと、前記状態評価関数と、前記気象予報情報と、を用いて、前記運転計画を決定する運転計画決定ステップと、を含み、前記確定ステップは、前記気象予報情報の実績値と、前記エネルギー発生の実績値と、前記エネルギー需要の実績値と、前記最適運転計画と、を学習データベース部に格納する格納ステップと、前記学習データベース部内のデータが学習実施条件を満たした場合に、前記状態評価関数が有する所定のパラメータの値を、予め定められた機械学習法を用いて、前記学習データベース部内の気象予報情報の実績値、エネルギー発生の実績値およびエネルギー需要の実績値と、前記最適運転計画と、に基づいて決定する評価関数学習ステップと、を含む。

前記学習データベース部は、所定の日時ごとに、前記最適運転計画と、前記気象予報情報の実績値と、前記エネルギー発生の実績値と、前記エネルギー需要の実績値と、前記エネルギー発生装置の出力状態と、前記エネルギー貯蔵装置の蓄積状態とを、互いに関連づけて格納することが望ましい。

前記所定のパラメータは、前記エネルギー貯蔵装置におけるエネルギー蓄積量の評価値についての第１パラメータ、および、前記エネルギー発生装置の出力状態の評価値についての第２パラメータを含み、前記第１パラメータおよび前記第２パラメータは、前記気象予報情報に応じた値を持つことが望ましい。

前記最適スケジューリング部は、運転計画での目的達成の度合いを評価するための目的関数の値が、前記最適運転計画において最適となるように、前記最適運転計画を、前記最適化手法を用いて、前記エネルギー発生の実績値および前記エネルギー需要の実績値に基づいて作成し、前記評価関数学習部は、前記機械学習法として、前記目的関数と前記状態評価関数から構成される運転評価関数を用いた機械学習法を用いて、前記所定のパラメータの値を、前記学習データベース部内の気象予報情報の実績値、エネルギー発生の実績値およびエネルギー需要の実績値と、前記最適運転計画と、に基づいて決定し、前記運転計画決定部は、前記運転評価関数と、前記気象予報情報と、を用いて、前記運転計画を決定することが望ましい。

前記評価関数学習部は、前記最適運転計画と異なる他の運転計画の候補を複数作成し、前記運転計画の候補のそれぞれの運転評価関数の値が前記最適運転計画の運転評価関数の値よりも良くなる数が最小となる前記所定のパラメータ値を決定することが望ましい。

以上説明したように本発明によれば、予測の乖離に関わらず最適に近い運転計画を高速に算出することが可能になる。

例えば、従来技術における予測の入出力情報の実績値を用いた最適スケジューリング結果を教師データとして学習させるため、学習されたパラメータに予測モデルを畳み込むことができ、予測のみの演算処理が不要となる。

また、時間帯別の最適化では長期間に渡る最適化にならない要因であるエネルギー貯蔵装置の蓄積量およびエネルギー発生装置の運転状態を、予測の入力情報である気象情報（気温や天候）に応じた値を持つものとして学習させるため、予測と長期間に渡る最適化により得られる運転に近い出力を得ることができる。

また、計算コストのかかる長期間に渡る最適スケジューリングを用いた機械学習用のデータ作成処理は、実績データベース部を用いて任意の時刻に行うことができ、運転計画の決定を、例えば、短期間の最適化演算処理で行えるため、需要や発電量の変動に対して、高速に最適制御を行うことができる。

次に、本発明の実施の形態について図面を参照して説明する。

図１は、本発明の一実施形態によるエネルギーシステムの構成を示したブロック図である。エネルギーシステム１は、各需要家１ａ〜１ｎにて使用される各装置を含む。エネルギーシステム１は、制御装置２によって制御される。

各需要家１ａ〜１ｎは、太陽電池１１と、燃料電池１２と、蓄電池１３と、蓄熱装置１４と、電力負荷１５と、熱負荷１６と、熱配管１７と、を使用する。

太陽電池１１は、自然エネルギーを利用してエネルギーを発生するエネルギー発生装置として用いられる。燃料電池１２は、エネルギー発生装置として用いられる。蓄電池１３および蓄熱装置１４は、エネルギー貯蔵装置として用いられる。電力負荷１５および熱負荷１６は、エネルギー負荷として用いられる。

太陽電池１１、燃料電池１２、蓄電池１３および電力負荷１５は、電力線３によって系統電力（商用電力）４に接続されている。このため、複数の需要家（図１では２つの需要家のみ記載）間で相互に電力を融通することができる。また、蓄熱装置１４と熱負荷１６は、熱配管１７によって燃料電池１２に接続されている。

エネルギー発生装置およびエネルギー貯蔵装置は、上記に挙げたものに限定されるものではなく、需要家ごとに、他の種類のエネルギー発生装置およびエネルギー貯蔵装置を用いてもよい。

制御装置２は、これらエネルギー発生装置、エネルギー貯蔵装置、系統電力４およびエネルギー負荷等を計測し、燃料電池１２の発電量や蓄電池１３の充放電量の制御を行う。制御装置２は、エネルギーシステム１と通信可能であり、気象予報情報を用いてエネルギー発生装置およびエネルギー貯蔵装置の運転計画を決定する。

制御装置２は、通信部２１、実績データベース部２２、最適スケジューリング部２３、学習データベース部２４、評価関数学習部２５、および、最適運転算出部２６を含む。学習データベース部２４と評価関数学習部２５は、パラメータ決定部２７に含まれる。

ここで、通信部２１、実績データベース部２２、最適スケジューリング部２３、学習データベース部２４、評価関数学習部２５、最適運転算出部２６、および、パラメータ決定部２７についての概略を説明する。

通信部２１は、インターネット等に接続して、気象予報情報やエネルギー価格等に関する情報を受信することができる。これらの情報は、実績データベース部２２および最適運転算出部２６に提供される。

実績データベース部２２は、例えば、エネルギー負荷によるエネルギー需要の実績値と、エネルギー発生装置によるエネルギー発生の実績値と、を保存する。

最適スケジューリング部２３は、エネルギー発生装置およびエネルギー貯蔵装置の最適運転計画を、予め定められた最適化手法（以下、単に「最適化手法」と称する）を用いて、実績データベース部２２内のエネルギー発生の実績値およびエネルギー需要の実績値に基づいて作成する。

例えば、最適スケジューリング部２３は、運転計画での目的達成の度合いを評価するための目的関数の値が、最適運転計画において最適となるように、最適運転計画を、最適化手法を用いて、エネルギー発生の実績値およびエネルギー需要の実績値に基づいて作成する。

パラメータ決定部２７は、確定部の一例であり、エネルギー発生装置およびエネルギー貯蔵装置の状態を評価するための状態評価関数を、最適スケジューリング部２３にて作成された最適運転計画に基づいて確定する。

本実施形態では、パラメータ決定部２７は、エネルギー発生装置およびエネルギー貯蔵装置の状態を評価するための状態評価関数が有する複数のパラメータのうち、運転計画と異なる所定のパラメータを、予め定められた機械学習法（以下、単に「機械学習法」と称する）を用いて、最適スケジューリング部２３にて作成された最適運転計画に基づいて決定する。

なお、所定のパラメータは、エネルギー貯蔵装置におけるエネルギー蓄積量の評価値についての第１パラメータ、および、エネルギー発生装置の出力状態の評価値についての第２パラメータを含む。第１パラメータおよび第２パラメータは、気象予報情報に応じた値を持つ。

学習データベース部２４は、例えば、気象予報情報の実績値と、エネルギー発生の実績値と、エネルギー需要の実績値と、最適運転計画と、を格納する。

本実施形態では、学習データベース部２４は、所定の日時ごとに、最適運転計画と、気象予報情報の実績値と、エネルギー発生の実績値と、エネルギー需要の実績値と、エネルギー発生装置の出力状態と、エネルギー貯蔵装置の蓄積状態とを、互いに関連づけて格納する。

評価関数学習部２５は、所定のパラメータの値を、機械学習法を用いて、学習データベース部２４内の気象予報情報の実績値、エネルギー発生の実績値およびエネルギー需要の実績値と、最適運転計画と、に基づいて決定する。

本実施形態では、評価関数学習部２５は、機械学習法として、目的関数と状態評価関数から構成される運転評価関数を用いた機械学習法を用いて、所定のパラメータの値を、学習データベース部２４内の気象予報情報の実績値、エネルギー発生の実績値およびエネルギー需要の実績値と、最適運転計画と、に基づいて決定する。

例えば、評価関数学習部２５は、最適運転計画と異なる他の運転計画の候補を複数作成し、運転計画の候補のそれぞれの運転評価関数の値が最適運転計画の運転評価関数の値よりも良くなる数が最小となる所定のパラメータ値を決定する。

最適運転算出部２６は、運転計画決定部の一例であり、パラメータ決定部２７にて所定のパラメータの値が決定された状態評価関数と、気象予報情報と、を用いて、エネルギー発生装置およびエネルギー貯蔵装置の運転計画を決定する。

本実施形態では、最適運転算出部２６は、運転評価関数と気象予報情報とを用いて、エネルギー発生装置およびエネルギー貯蔵装置の運転計画を決定する。

図２は、図１で示すシステムの制御装置２における評価関数学習の処理の流れを示すフローチャートである。

まず、実績データベース部２２は、天気・気温等の気象予報情報に対応する実績値、電力負荷１５でのエネルギー需要の実績値、熱負荷１６でのエネルギー需要の実績値、および、太陽電池１１の発電量の実績値（エネルギー発生の実績値）を、通信部２１およびエネルギーシステム１受信すると（ステップ２０１）、それらを日時情報に関連づけて保存する（ステップ２０２）。

次に、最適スケジューリング部２３の処理について説明する。

最適スケジューリングとは、制御可能なエネルギー発生装置である燃料電池１２の発電、および、制御可能なエネルギー貯蔵装置である蓄電池１３の充放電について、所定の期間の運転計画を作成することである。所定の期間は、一日や一週間が適切である。

最適スケジューリング部２３は、最適スケジューリングを、その運転計画の実行対象となる日時の前に行うのではなく、実績データベース部２２に保存された、電力負荷１５でのエネルギー需要の実績値、熱負荷１６でのエネルギー需要の実績値、および、太陽電池１１の発電量の実績値を用いて、その運転計画の実行対象となる日時の後で、最適スケジューリングを計算する。

最適スケジューリング部２３は、それらの実績値が揃ったタイミングで、最適スケジューリングを開始する（ステップ２０３）。

なお、所定期間が一週間である場合、最適スケジューリング部２３は、一日ごとに、一日分の実績値のデータを更新しながら最適スケジューリングを行うのが望ましい。

最適スケジューリング部２３は、最適スケジューリングの計算を行う際、コストあるいは二酸化炭素排出量を最小化する等の運転計画での目的達成の度合いを評価するための目的関数を設定し、所定の期間における目的関数の値が最良となる運転計画（具体的には、燃料電池１２の運転計画と蓄電池１３の運転計画との組合せ）を探索する。

この探索には、タブーサーチや遺伝的アルゴリズム等のメタヒューリスティック手法が、大規模な最適化問題でも実用的な近似解を比較的高速に算出することができる点で適する。ただし、線形計画法等の数理計画法を用いることもできる。

メタヒューリスティック手法は、最適化問題の解を効率的に得るための「経験則」の使い方の統一的な方法論であり、評価関数形や制約条件によらず比較的高速に大域的最適解の高精度な近似解を得ることができる。

タブーサーチ（ＴＳ：Tabu＜禁忌＞ Search）は、人間の記憶過程にアナロジーを持つ最適化手法であり、同じ解（運転スケジュール）を巡回しないように、記憶を頼りにもっとも評価値の良い方向（悪くなる場合はもっとも勾配の緩やかな方向）を目指す。タブーサーチでは、すでに通過した解に戻ることを避けるための記憶を、タブーリストと呼ぶメモリに格納して利用する。タブーサーチでは、同じ解への後戻りや類似解への移動も禁止され、局所解から脱出できるため、大域的にも最適解を探索できる。

また、遺伝的アルゴリズム（ＧＡ：Genetic Algorithm）は、生物の進化の過程を模倣したアルゴリズムであり、遺伝的な法則を工学的にモデル化したものである。自然界における生物の進化の過程では、いくつかの個体の集合が形成されており、環境への適合度が高い個体が高い確率で選択され生存する。

遺伝的アルゴリズムでは、複数の個体（運転スケジュール）について、目的関数値に基づいて適合度の計算を行い、その後、選択、交叉、突然変異からなる遺伝的オペレータと呼ばれる操作を行って、適合度の高い個体が生存し次世代に増殖する。これらの一連の操作周期は世代と呼ばれ、全世代の中で最大適合度の個体を最適解とする。遺伝的アルゴリズムは、多点（個体数）探索のため、大域的に最適解を探索できる。

最適スケジューリングが実施されると、最適スケジューリング部２３は、その入力情報（電力負荷１５でのエネルギー需要の実績値、熱負荷１６の実績値、および、太陽電池１１の発電量の実績値）と、出力結果である最適運転計画とを、学習データベース部２４に保存する（ステップ２０４）。

学習データベース部２４内のデータが、所定の回数分更新された等の学習実施条件を満たせば（ステップ２０５）、評価関数学習部２５は、状態評価関数のパラメータを機械学習法を用いて決定する（ステップ２０６）。

図３は、学習データベースの作成方法の一例を示す説明図である。

図３に示すように、最適スケジューリング部２３は、最適スケジューリングされた運転計画を、所定の時間ステップごとに分割して、入力情報とともに、学習データベース部２４に保存する。

入力情報として、まず、天気・気温等の気象情報がある。気象情報としては、対象の時間帯に近い将来の気象に関する実績情報を含むことが望ましい。例えば、午前中の時間帯であれば、午後の天気実績や最高気温等であり、夜の時間帯であれば、翌日の天気実績や最低気温等である。これは、最適スケジューリング結果に反映されているはずの近い将来の状況を、学習される状態評価関数にも反映させるためである。

その他の入力情報として、従来予測対象としている電力需要、熱需要および太陽光発電量の実績値があり、前述の近い将来の気象情報が、これらの実績に反映され、最適運転計画にも反映されているはずである。

運転計画から得られる情報としては、運転計画における各燃料電池１２や蓄電池１３の出力値の他、状態評価関数の要素となる時間ステップの最初における蓄電量や蓄熱量がある。

図４は、評価関数学習部２５における状態評価関数のパラメータの機械学習方法の一例を示した説明図である。

まず、状態評価関数は、燃料電池１２の起動と停止に関する評価値についてのパラメータ、燃料電池１２の発電状態の評価値についてのパラメータ（第２パラメータ）、蓄電池１３の蓄電量の評価値についてのパラメータ（第１パラメータ）、蓄熱装置１４の蓄熱量の評価値についてのパラメータ（第１パラメータ）等から構成され、それら評価値のパラメータは、時間帯や気象予報情報等に依存するものとする。

各評価値が時間帯や気象予報情報等に依存するとは、各評価値が、各時間帯・天気ごとに値を持つとしても良いし、時間帯や気温の関数としても良い。

蓄電量の評価値や蓄熱量の評価値は、単価として設定するのではなく、それ自身の量にも依存させることにより、例えば、満充電が近づくと蓄電量の追加分の評価値が下がり、過充電が防止されるよう学習される。

また、蓄電量の評価値や蓄熱量の評価値は、学習データベース部２４の入力情報とした、近い将来の気象情報にも依存するものとする。

例えば、蓄電量の価値は、午後晴れのときよりも雨のときのほうが、その価値は高いはずであり、夏季においては最高気温が高い方が電力負荷の増加が予測されるため、高い価値を持つはずである。

同様に、燃料電池１２の起動している価値や蓄熱装置１４での蓄熱量の価値は、電力負荷１５だけでなく熱負荷１６の予測、すなわち近い将来の気象情報に複雑に依存しているはずである。

このように依存要素は多数考えられ、それに応じてパラメータは膨大となり、各パラメータの値を適切な値を設定するのは難しいため、評価関数学習部２５は、状態評価関数の多数のパラメータを決定する手法として、機械学習法を用いることが不可欠となる。

また、評価関数学習部２５は、最適スケジューリングにおいて用いたコスト等の時間ステップの期間における目的関数に、状態評価関数を加味したものを運転評価関数として用いる。

この例では、目的関数は一定期間のコスト等を小さくすることに価値を持つものであり、状態評価関数は多くエネルギーを蓄積していることに価値を持つものであるため、運転評価関数は、目的関数と状態評価関数の差で構成される。

学習の手順として、評価関数学習部２５は、まず最適スケジューリング部２３で計算された所定期間毎の最適運転計画とは異なる運転パターン（運転計画の候補）を複数作成する。

例えば、運転計画の候補は、最適運転計画を基準として、燃料電池１２の出力を増加させたり、蓄電池１３の放電電力を減少させたりした運転パターンであり、様々な組合せが有り得る。したがって、評価関数学習部２５は、それら運転パターンの候補の中から運転評価関数が良いものを選別する等により、運転パターンの候補を絞り込み、運転パターンの候補の集合を時間ステップごとに作成する。

次に、評価関数学習部２５は、学習用目的関数として、最適運転計画における各時間ステップの運転パターンの運転評価関数の値と、各運転パターン候補の運転評価関数値との差のシグモイド関数の総和とする関数を用いる。

シグモイド関数を用いたのは、学習用目的関数を滑らかにするとともに、最適運転パターンに評価値が比較的近い運転パターン候補に対して、最適運転パターンをできるだけ優位にするよう学習させるためである。

評価関数学習部２５は、この学習用目的関数が最小となるように、具体的には、運転計画の候補のそれぞれの運転評価関数の値が最適運転計画の運転評価関数の値よりも良くなる数が最小となるように、状態評価関数のパラメータ（運転計画は除く）を、最急降下法や共役勾配法等を用いて求める。

以上、状態評価関数のパラメータの機械学習方法を説明したが、評価関数学習部２５は、ニューラルネットワークや各種回帰分析、その他の手法を、機械学習方法と組合せて実施しても良い。

図５は、図１で示す制御装置２内の最適運転算出部２６の処理の流れを示したフローチャートである。

まず、最適運転算出部２６は、通信部２１から、気象予報情報等を受信する（ステップ５０１）。

続いて、最適運転算出部２６は、運転の評価に必要な情報を揃えた後、最初に評価する初期運転計画を作成する（ステップ５０２）。

ただし、この運転計画は、最適スケジューリング部２３が計算したような長期間に渡るものではなく、学習データベース作成時における時間ステップの１〜数倍が望ましい。

初期運転計画の候補としては、現状の運転をそのまま継続する運転計画等で良い。

次に、最適運転算出部２６は、初期運転計画について目的関数値を計算する（ステップ５０３）。

この計算において、対象期間が短いため、最適運転算出部２６は、電力需要、熱需要や太陽光発電量等を、現状の値および近い過去のトレンドにより求める。

最適運転算出部２６は、この計算により、期間終了後の蓄電量・蓄熱量等の状態も計算する。最適運転算出部２６は、期間終了後の蓄電量・蓄熱量等の状態も用いて、期間終了後における状態評価関数を、学習された最新のパラメータを用いて計算する（ステップ５０４）。

最適運転算出部２６は、状態評価関数の依存要素である近い将来の気象情報として、受信した最新の気象予報情報を用いることにより、従来技術における需要等の予測が、状態評価関数の計算に畳み込まれ、状態評価関数の計算結果に反映される。

最適運転算出部２６は、こうして計算された目的関数値および状態評価関数値から計算される運転評価関数値により、初期運転計画を評価する。

最適運転算出部２６は、様々な運転計画について、この評価を行い（ステップ５０５、５０６）、最も良い評価を持つ運転計画を決定し、その運転計画に基づいて運転指令値を決定する（ステップ５０７）。

最適運転算出部２６は、この最適計算に、最適スケジューリング部２３が用いたメタヒューリスティック手法を用いても良いし、他の最適化手法を用いても良いが、対象期間が短いため比較的短時間で最適化することができる。

なお、以上説明した制御装置２の機能は、その機能を実現するためのプログラムを、コンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータに読み込ませ、実行するものであってもよい。コンピュータ読み取り可能な記録媒体とは、フレキシブルディスク、光磁気ディスク、ＣＤ−ＲＯＭ等の記録媒体、コンピュータシステムに内蔵されるハードディスク装置等の記憶装置を指す。さらに、コンピュータ読み取り可能な記録媒体は、インターネットを介してプログラムを送信する場合のように、短時間、動的にプログラムを保持するもの（伝送媒体もしくは伝送波）、その場合のサーバとなるコンピュータ内の揮発性メモリのように、一定時間プログラムを保持しているものを含む。

本発明の一実施形態によるエネルギーシステムの構成を示したブロック図である。 評価関数学習の処理を示すフローチャートである。 最適スケジューリング結果から学習データベースを作成する方法の一例を示す説明図である。 状態評価関数のパラメータの機械学習方法の一例を示した説明図である。 最適運転算出部２６の処理の流れを示したフローチャートである。

符号の説明

１ エネルギーシステム
１ａ〜１ｎ 需要家
１１ 太陽電池
１２ 燃料電池
１３ 蓄電池
１４ 蓄熱装置
１５ 電力負荷
１６ 熱負荷
１７ 熱配管
２ 制御装置
２１ 通信部
２２ 実績データベース部
２３ 最適スケジューリング部
２４ 学習データベース部
２５ 評価関数学習部
２６ 最適運転算出部
２７ パラメータ決定部
３ 電力線
４ 系統電力

Claims (10)

1. エネルギー発生装置と、エネルギー貯蔵装置と、エネルギー負荷と、を有するエネルギーシステムと通信可能であり、気象予報情報を用いて前記エネルギー発生装置および前記エネルギー貯蔵装置の運転計画を決定するエネルギーシステム制御装置であって、
   前記エネルギー発生装置によるエネルギー発生の実績値と、前記エネルギー負荷によるエネルギー需要の実績値を保存する実績データベース部と、
   前記エネルギー発生装置および前記エネルギー貯蔵装置の最適運転計画を、予め定められた最適化手法を用いて、前記実績データベース部内のエネルギー発生の実績値およびエネルギー需要の実績値に基づいて作成する最適スケジューリング部と、
   前記エネルギー発生装置および前記エネルギー貯蔵装置の状態を評価するための状態評価関数を、前記最適スケジューリング部にて作成された最適運転計画に基づいて確定する確定部と、
   前記確定部にて確定された状態評価関数と、前記気象予報情報と、を用いて、前記運転計画を決定する運転計画決定部と、
   を含み、
   前記確定部は、
   前記気象予報情報の実績値と、前記エネルギー発生の実績値と、前記エネルギー需要の実績値と、前記最適運転計画と、を格納する学習データベース部と、
   前記学習データベース部内のデータが学習実施条件を満たした場合に、前記状態評価関数が有する所定のパラメータの値を、予め定められた機械学習法を用いて、前記学習データベース部内の気象予報情報の実績値、エネルギー発生の実績値およびエネルギー需要の実績値と、前記最適運転計画と、に基づいて決定する評価関数学習部と、を含む、エネルギーシステム制御装置。
2. 前記学習データベース部は、所定の日時ごとに、前記最適運転計画と、前記気象予報情報の実績値と、前記エネルギー発生の実績値と、前記エネルギー需要の実績値と、前記エネルギー発生装置の出力状態と、前記エネルギー貯蔵装置の蓄積状態とを、互いに関連づけて格納する、請求項１に記載のエネルギーシステム制御装置。
3. 前記所定のパラメータは、前記エネルギー貯蔵装置におけるエネルギー蓄積量の評価値についての第１パラメータ、および、前記エネルギー発生装置の出力状態の評価値についての第２パラメータを含み、
   前記第１パラメータおよび前記第２パラメータは、前記気象予報情報に応じた値を持つ、請求項１または２に記載のエネルギーシステム制御装置。
4. 前記最適スケジューリング部は、運転計画での目的達成の度合いを評価するための目的関数の値が、前記最適運転計画において最適となるように、前記最適運転計画を、前記最適化手法を用いて、前記エネルギー発生の実績値および前記エネルギー需要の実績値に基づいて作成し、
   前記評価関数学習部は、前記機械学習法として、前記目的関数と前記状態評価関数から構成される運転評価関数を用いた機械学習法を用いて、前記所定のパラメータの値を、前記学習データベース部内の気象予報情報の実績値、エネルギー発生の実績値およびエネルギー需要の実績値と、前記最適運転計画と、に基づいて決定し、
   前記運転計画決定部は、前記運転評価関数と、前記気象予報情報と、を用いて、前記運転計画を決定する、請求項１から３のいずれか１項に記載のエネルギーシステム制御装置。
5. 前記評価関数学習部は、前記最適運転計画と異なる他の運転計画の候補を複数作成し、前記運転計画の候補のそれぞれの運転評価関数の値が前記最適運転計画の運転評価関数の値よりも良くなる数が最小となる前記所定のパラメータ値を決定する、請求項４に記載のエネルギーシステム制御装置。
6. エネルギー発生装置と、エネルギー貯蔵装置と、エネルギー負荷と、を有するエネルギーシステムと通信可能であり、気象予報情報を用いて前記エネルギー発生装置および前記エネルギー貯蔵装置の運転計画を決定する、エネルギーシステム制御装置が行うエネルギーシステム制御方法であって、
   前記エネルギー発生装置によるエネルギー発生の実績値と、前記エネルギー負荷によるエネルギー需要の実績値を実績データベース部に保存する保存ステップと、
   前記エネルギー発生装置および前記エネルギー貯蔵装置の最適運転計画を、予め定められた最適化手法を用いて、前記実績データベース部内のエネルギー発生の実績値およびエネルギー需要の実績値に基づいて作成する最適スケジューリングステップと、
   前記エネルギー発生装置および前記エネルギー貯蔵装置の状態を評価するための状態評価関数を、前記最適運転計画に基づいて確定する確定ステップと、
   前記状態評価関数と、前記気象予報情報と、を用いて、前記運転計画を決定する運転計画決定ステップと、
   を含み、
   前記確定ステップは、
   前記気象予報情報の実績値と、前記エネルギー発生の実績値と、前記エネルギー需要の実績値と、前記最適運転計画と、を学習データベース部に格納する格納ステップと、
   前記学習データベース部内のデータが学習実施条件を満たした場合に、前記状態評価関数が有する所定のパラメータの値を、予め定められた機械学習法を用いて、前記学習データベース部内の気象予報情報の実績値、エネルギー発生の実績値およびエネルギー需要の実績値と、前記最適運転計画と、に基づいて決定する評価関数学習ステップと、を含む、エネルギーシステム制御方法。
7. 前記格納ステップでは、所定の日時ごとに、前記最適運転計画と、前記気象予報情報の実績値と、前記エネルギー発生の実績値と、前記エネルギー需要の実績値と、前記エネルギー発生装置の出力状態と、前記エネルギー貯蔵装置の蓄積状態とを、互いに関連づけて前記学習データベース部に格納する、請求項６に記載のエネルギーシステム制御方法。
8. 前記所定のパラメータは、前記エネルギー貯蔵装置におけるエネルギー蓄積量の評価値についての第１パラメータ、および、前記エネルギー発生装置の出力状態の評価値についての第２パラメータを含み、
   前記第１パラメータおよび前記第２パラメータは、前記気象予報情報に応じた値を持つ、請求項６または７に記載のエネルギーシステム制御方法。
9. 前記最適スケジューリングステップでは、運転計画での目的達成の度合いを評価するための目的関数の値が、前記最適運転計画において最適となるように、前記最適運転計画を、前記最適化手法を用いて、前記エネルギー発生の実績値および前記エネルギー需要の実績値に基づいて作成し、
   前記評価関数学習ステップでは、前記機械学習法として、前記目的関数と前記状態評価関数から構成される運転評価関数を用いた機械学習法を用いて、前記所定のパラメータの値を、前記学習データベース部内の気象予報情報の実績値、エネルギー発生の実績値およびエネルギー需要の実績値と、前記最適運転計画と、に基づいて決定し、
   前記運転計画決定ステップでは、前記運転評価関数と、前記気象予報情報と、を用いて、前記運転計画を決定する、請求項６から８のいずれか１項に記載のエネルギーシステム制御方法。
10. 前記評価関数学習ステップでは、前記最適運転計画と異なる他の運転計画の候補を複数作成し、前記運転計画の候補のそれぞれの運転評価関数の値が前記最適運転計画の運転評価関数の値よりも良くなる数が最小となる前記所定のパラメータ値を決定する、請求項９に記載のエネルギーシステム制御方法。

Images