CN101201591A - 锅炉设备的控制装置以及气体浓度推断装置 - Google Patents

Abstract

本发明的目的在于提供一种锅炉设备的控制装置，即使在模拟控制对象的模型与实际控制对象的举动之间存在误差的情况下，也能够尽量排除陷入局部最优解的危险，可以安全稳定地运转控制控制对象并探索最优解。从运转数据计算操作量的变化倾向，计算通过设备模型计算的工艺值与锅炉设备的测量值的误差，将工艺值与操作指令值的相关关系模型化，利用所述误差值计算操作指令候补值。

Description

锅炉设备的控制装置以及气体浓度推断装置

技术领域

本发明涉及锅炉设备(boiler plant)的控制装置。另外，本发明涉及利用神经网络(neural net)，推断作为火力设备的构成要素之一的燃煤锅炉的气体成分的浓度、特别是CO浓度、NO_X浓度的方法和装置。

背景技术

在设备控制的领域中，一直以来以PID控制为基本的控制逻辑是主流。另外，也提出有很多通过以神经网络为代表的带教示的学习功能，可以灵活应对设备的特性的技术。

为了利用带教示的学习功能来构成控制装置，由于有必要预先准备成为教示数据的成功事例，因此也提出了无教示的学习方法。

作为无教示学习的例子，有强化学习法，但该强化学习法是学习控制的构架，通过控制对象等与环境的反复实验性的相互作用，生成向环境的操作信号，使从环境得到的测量信号达到期望值。

该学习方法，具有即使事先无法准备成功事例，但只要预先定义期望状态，就能够自动适应环境学习期望行动的优点。

在强化学习中，具有学习功能，以利用从环境得到的测量信号计算的纯量的评价值(在强化学习中，被称为报酬)为线索，生成向环境的操作信号，使从现状态到将来为止得到的评价值的期待值达到最大。

作为实际安装此种学习功能的方法，具有例如技术文献的强化学习(Reinforcement Learning)中叙述的Actor-Critic、Q学习、实际时间Dynamic Programming等算法。

另外，作为发展上述方法的强化学习的构架，上述技术文献中介绍有称为Dyna一结构的构架。这是以模拟控制对象的模型为对象，预先学习应该生成怎样的操作信号，利用该学习结果决定对控制对象施加的操作信号的方法。

另外，作为适用强化学习的技术，列举有日本特开2000-35956号公报所述的技术。该技术是这样的技术：预先具备多个具有模型和学习功能的系统的组即强化学习模块，各强化学习模块中的模型与控制对象的预测误差越小，求得取越大值的责任信号，与该责任信号成比例地对于从各强化学习模块生成的向控制对象的操作信号进行加权，决定对控制对象施加的操作信号。

燃煤锅炉使用煤作燃料。在具有燃煤锅炉的火力发电设备中，从锅炉中排出的环境污染物质CO、NO_X的浓度必须为规定值以下。CO与NO_X生成量的关系相反，如果空气(或氧)过剩，则NO_X的生成量变多；相反如果空气不足则CO的生成量变多。在近来的燃煤锅炉中，为了降低CO与NO_X两者、并且提高燃烧效率，进行阶段性地送入空气的二段燃烧。在该燃烧控制中，进行空气量的调整、燃烧器燃烧模式的选择等，作出最合适的燃烧状态。用于最优化燃烧控制的调整，例如，控制增益的调整、燃烧器燃烧模式的计划等，在离线时预先实施。

但是尽管如此，事先调整的燃烧条件针对代表性的运转模式是最合适的，只不过是大体的运转计划。相对于此，从经济的观点出发，要求对应于时刻变化的负荷要求值、大气条件、燃料特性等运转条件，设备运转应达到最优化，即，控制CO、NO_X的浓度在许可范围内，同时使燃烧效率最大化。

为了实现这些，需要以现在的运转条件为基础，能够在线模拟CO、NO_X浓度相对于控制要求变更的变化。即，相对于从测量数据得到的现在的运转条件，评价改变控制要求时的燃烧效率和环境负荷物质的排出量，需要有根据两点探索最优控制点的功能。

作为CO、NO_X浓度的推断方法，有基于如神经网络之类的学习型算法，利用实机数据对各运转条件与气体浓度变化倾向之间的关系建模的方法。使用该方法时只要有实机数据，对应于该实机特性就可以简单地生成CO、NO_X浓度的推断模型，因此是经常适用的方法之一。另外，还有利用模型推断CO、NO_X浓度的方法(例如，参考专利文献2)。

非专利文献1：强化学习(Reinforcement Learning)，三上贞芳·皆川雅章共译，森北出版株式会社，2000年12月20日出版

专利文献1：日本特开2000-35956号公报

专利文献2：日本特开2006-132902号公报(摘要)

但是，在难以执行制造程序或如汽车、火车、飞机等那样难以以实际的控制对象进行反复实验性运转的情况下，例如日本特开2000-35956号公报所述，以模拟控制对象的模型为对象，进行事前学习的方法有效。

但是，在日本特开2000-35956号公报等所述的技术中，用模型难以完全模拟再现实际的控制对象的举动，一般情况下在模型与实际控制对象之间存在模型误差。并且，有实际的控制对象的举动、其过程越复杂，模型误差越大的倾向。

在模型误差变大时，由于模型与实际的控制对象的举动为不同的结果，因此即使采用以该模型为对象进行了事前学习的结果，即使进行控制操作也有可能得不到预想那样的改善效果。即，存在着成为学习结果依存于模型特性的局部最优解的危险。

还有，日本特开2000-35956号公报等所述的技术，对于安全稳定地运转控制控制对象，同时求出最优解没有公开和暗示。

发明内容

本发明的目的在于提供一种锅炉设备的控制装置，即使在模拟控制对象的模型与实际控制对象的举动之间存在误差的情况下，也能够尽量排除陷入局部最优解的危险，在安全稳定地运转控制控制对象的同时能够求出最优解。

另外，从锅炉排出的CO、NO_X浓度，即使在相同的燃烧条件下，也因为煤种类(以下称为煤种)的不同而不同。作为发电厂的运用形态，就算是运转中，也有送往磨机(粉碎机)的煤种变化的情况，此时，从煤种变化后的短时间内，处于变更前与变更后的煤种混合的状态。即，存在从煤种A切换到煤种B时的过渡状态。

由于对于该种运转条件也要求运转的最优化，因此CO、NO_X浓度的推断模型，不仅对于全部的煤种，对于多种煤种混合的条件也有高推断精度的要求。因此，推断CO、NO_X浓度的神经网络不仅要对应全部的煤种，也要考虑到改变煤种的过渡状态的情况，即使在至少两种煤种混合的状态下也必须能够应对。

但是，使神经网络精度良好地应对这些所有的各种状态存在限度，其结果存在着模型的推断精度下降的问题。

进一步，还存在难以在线测量设备运转中的煤种切换的问题。作为关于煤种切换的时刻而得到的信息，由于只是在储煤设备中储藏了其他种类的煤，所以只是大概马上会切换之类的类推的信息。不仅是测量所述那样多种煤种混合的过渡状态下的煤种的混合比例，就连判断什么时候切换为新煤种都很困难。

因此，在利用实机数据在线推断CO、NO_X浓度时，存在的问题是：难以在线得到与投入的燃料的煤种相关的信息。

本发明的另一目的是提供一种燃煤锅炉的气体浓度推断方法以及装置，对于各煤种，包括过渡状态可以高精度地推断CO、NO_X浓度。

本发明的锅炉设备的控制装置，其输入锅炉设备的状态量的测量数据即运转数据，基于模拟锅炉设备的设备运转特性的设备模型，计算向锅炉设备的运转操作指令值，进行运转，其特征在于，所述控制装置具有：运转经验数据库，其储存有锅炉设备的过去的运转数据；运转状态判定装置，其根据在该运转经验数据库中储存的运转数据，计算操作量或工艺值中至少一方的变化倾向，并从该变化倾向信息和负荷变化指令值判定锅炉设备的状态；模型误差评价装置，其计算通过设备模型计算的工艺值与锅炉设备的测量值的误差；运转数据模型化装置，其将包含在运转经验数据库储存的过去的数据的工艺值与操作指令值或操作量之间的相互关系模型化；探索点决定装置，其利用由模型误差评价装置计算的误差值、与由运转数据模型化装置生成的通过运转数据模型计算的工艺值的计算结果中的至少一方，计算操作指令候补值或操作量候补值；操作指令决定装置，其利用由探索点决定装置计算的操作指令候补值或操作量候补值和由运转状态判定装置判定的运转状态信息，决定向控制对象即锅炉设备的操作器输出的操作指令值。

另外，本发明提供一种燃煤锅炉的气体浓度推断方法，其利用神经网络推断从燃煤锅炉排出的气体成分的浓度，其特征在于，利用按每个煤种准备的多个神经网络以及煤种比例判定用的神经网络进行推断。

另外，本发明提供一种燃煤锅炉的气体浓度推断装置，利用神经网络推断从燃煤锅炉排出的气体成分的浓度，其特征在于，其具有加法器，所述加法器利用由按每个煤种准备的多个神经网络、煤种比例判定用的神经网络、和所述煤种比例判定用的神经网络推断的混合比例，对所述按每个煤种准备的多个神经网络输出的气体浓度的推断值进行加权平均。

在本发明中，按每个煤种准备神经网络，只针对该煤种进行特殊化来进行CO、NO_X浓度推断用的模拟，提高推断精度。并且考虑煤种的混合状态，也同时准备用于推断现在正在使用的各煤种的混合比例的神经网络。基于该神经网络推断的煤种比例，对各煤种的神经网络输出的CO、NO_X浓度的推断值进行加权平均，作为最终的推断值。

根据本发明，即使在模拟控制对象的模型与实际的控制对象的举动之间存在误差的情况下，也能够尽量排除陷入局部最优解的危险，实现安全稳定地运转控制控制对象，同时实现可以探索最优解的锅炉设备的控制装置。

另外在本发明中，神经网络只要对各煤种进行特殊化并进行模拟就可以，因此各神经网络的推断精度提高，最终CO、NO_X浓度的推断精度也可以提高。另外，难以从测量值得到的煤种的信息也可以通过神经网络类推，因此在改变煤种时也可以得到正确的CO、NO_X浓度。

附图说明

图1是表示本发明的一个实施例的锅炉设备的控制装置的构成图；

图2是表示具备图1的本发明实施例的锅炉设备的火力发电设备的结构的概略图；

图3是说明图1的本发明实施例的控制装置的强化学习概念的概略图；

图4是表示图1的本发明实施例的控制装置中的修正装置具备的强化学习装置的详细结构图；

图5是表示图1的本发明实施例的控制装置中的操作条件探索顺序的流程图；

图6是表示CO、NO_X的气体浓度的测量数据与模型特性的关系的说明图；

图7是表示操作条件探索中的操作参数设定以及许可条件设定的画面的画面例；

图8是说明测定锅炉设备中的CO、NO_X的气体浓度的气体浓度测定位置的概略图；

图9是表示锅炉设备的气体浓度分布的例子和测量数据的例子的显示画面例；

图10是表示锅炉设备的气体浓度分布趋向表示的例子，和锅炉设备的燃烧控制的状况的例子的说明图；

图11是有关本发明的在线气体浓度推断装置的结构图；

图12是本发明的气体浓度推断装置中的气体浓度推断部的结构图；

图13是本发明的气体浓度推断装置中的煤种比例判定用神经网络的结构图；

图14是表示显示装置的显示例的图。

图中，

100-控制对象的设备；101-锅炉；102-燃烧器；103-后空气口；104-空气加热器；200-控制装置；220-输入输出接口；221-输入输出装置；230-基本控制指令计算装置；240-运转经验数据库；250-修正装置；260-模型误差评价装置；263-运转数据模型化装置；265-运转状态判定装置；270-探索点决定装置；280-操作指令决定装置；290-强化学习装置；291-模型化装置；292-学习装置；296-数值解析数据库；400-数值解析计算装置；701-在线气体浓度推断装置；702-显示装置；711-工艺值数据库；712-气体浓度推断部；713-运转条件设定部；714-显示控制部；721-煤种比例判定用神经网络；722-煤种A用气体浓度推断神经网络；723-煤种B用气体浓度推断神经网络；731-煤种比例判定用神经网络的输出单元；741-加法器。

具体实施方式

关于本发明实施例的锅炉设备的控制装置，以下参照附图说明。

实施例

图1是表示本发明的一个实施例的锅炉设备的控制装置的控制框图；

在图1中，例如以火力发电设备的锅炉设备为控制对象的该设备100的控制装置200，从控制对象的设备100接收各种工艺值的测量信息205，使用这些测量信息205，在控制装置200内进行预先编程的计算，对设备100发送操作指令信号(控制信号)285。

设备100按照从控制装置200接收的操作指令信号285，通过使设备100具备的操作机器，例如调节流经设备内部的流体流量的阀的开度或减震器开度等执行器动作，来控制设备100的状态。

另外，控制装置200根据从中央供电指令所50接收的负荷指令信号5 1，通过基本控制指令计算装置230进行计算，将通过该计算得到的操作指令信号(控制信号)285送至设备100，控制设备100的发电输出。

本实施例的锅炉设备的控制装置，是适用于构成火力发电设备的锅炉设备的燃烧控制的例子。在本实施例中，特别说明适用于以降低废气中CO以及NO_X浓度为目的的锅炉设备的控制装置的控制功能的例子。

图2表示构成作为控制对象的火力发电设备的锅炉设备的概略结构。

在图2中，燃料煤在粉碎机110中被粉碎，作为煤粉与煤搬运用的一次空气、以及燃烧调整用的二次空气一起，通过燃烧器102投入锅炉101，在锅炉101的火炉内部燃烧燃料煤。

燃料煤与一次空气从配管134被导入燃烧器102，二次空气通过配管141被导入燃烧器102。并且，将二段燃烧用的后空气(after air)通过后空气口103投入锅炉101。该后空气从配管142被导入后空气口103。

燃料煤在锅炉101的火炉内部燃烧产生的高温燃烧气体，在锅炉101的火炉中沿箭头所示路径向下游侧流动，变成燃烧废气后从锅炉101排出，流下向在锅炉101外部设置的空气加热器104。

通过了空气加热器104的燃烧废气，之后在未图示的废气处理装置中除去燃烧废气中含有的有害物质，然后通过烟囱向大气排出。

另外，从锅炉101的火炉流下的燃烧废气的一部分，从火炉的下游侧通过废气再循环系统701被引导，从锅炉101的火炉底部流入火炉内，构成在锅炉101进行再循环。该燃烧废气的再循环量通过在废气再循环系统701设置的流量调整阀调节。

在锅炉101循环的供水，从在涡轮108设置的未图示的凝结器经过供水泵105被导入锅炉101，在设置于锅炉101的火炉上的热交换器106处，被在锅炉101的火炉内部流下的燃烧气体加热而成为高温高压的蒸汽。

并且在本实施例中，虽然图示的热交换器106的数量是1个，但也可以配置多个热交换器。

在热交换器106处产生的高温高压的蒸汽，通过涡轮调节器107被导向蒸汽涡轮108，利用蒸汽具有的能量驱动蒸汽涡轮108，使发电机109旋转发电。

接着，对于从在锅炉101的火炉上设置的燃烧器102向锅炉101的火炉内投入的一次空气以及二次空气，从在锅炉101的火炉上设置的后空气口103投入到锅炉101的火炉内的后空气的路径进行说明。

一次空气从风扇120被导向配管130，在中途分支为通过空气加热器104的配管132和不通过空气加热器104的配管131，在这些配管132以及配管131流下的一次空气再次合流于配管133，被导向粉碎机110。

通过空气加热器104的空气，被从锅炉101的火炉排出的燃烧废气加热。

利用该一次空气将粉碎机110生成的煤(煤粉)通过配管133搬运至燃烧器102。

二次空气以及后空气从风扇121被导向配管140，在被空气加热器104加热后，分支为二次空气用的配管141和后空气用的配管142，分别被导向在锅炉101的火炉上设置的燃烧器102和后空气口103。

本实施例的锅炉设备的控制装置，为了降低CO以及NO_X浓度，具有调整从燃烧器102投入锅炉101的空气量、以及从后空气口103投入到锅炉101的空气量的功能。

如图1所示，锅炉设备的控制装置200由如下部分构成：基本操作指令计算装置230；修正装置250，其改变或修正从基本操作指令计算装置230输出的基本操作指令值235；运转经验数据库240，其存储收纳由过程测量值205、操作员的输入信号、来自上位控制系统的指令信号等构成的运转经验数据；输入输出接口(输入输出I/F)220，其用于与控制对象设备100或操作员等进行数据的收发；输入输出装置221，其用于操作员观看各种数据，或者用于输入设定值或运转模式、手动运转时的操作指令等。

基本操作指令计算装置230以PID(比例、积分、微分)控制器作为基本构成要素，根据从中央供电指令所50接收到的负荷指令信号51，将由设备100检测出的经过输入输出I/F220的过程测量值205、操作员的输入信号、来自上位控制系统的指令信号等作为输入进行计算，计算并输出基本操作指令值235，该基本操作指令值235是对于在设备100设置的、对流经设备内部的流体流量进行调节的阀、减震器、电动机等各种动作机器的指令值。

在本实施例的锅炉设备的控制装置中，如图1所示，在控制装置200具备改变或修正基本操作指令值235的修正装置250，下面对该修正装置250进行说明。

修正装置250由如下构成：强化学习装置290、模型误差评价装置260、运转数据模型化装置263、运转状态判定装置265、探索点决定装置270、以及操作指令决定装置280。

修正装置250具备的强化学习装置290具有如下功能：利用存储在运转经验数据库240中的运转数据245、测量数据205、以及由数值解析装置400计算出的数值解析结果401，通过强化学习理论学习与设备状态对应的适当的操作方法。

说明了数值解析装置400设于控制装置200的结构，但是在如栅极计算机(grid computer)、超级计算机那样要求具有大容量计算能力时，也可以将数值解析装置400与控制装置200分开设置。

强化学习理论的详细说明，由于例如所述技术文献“强化学习(Reinforcement Learning)，三上贞芳·皆川雅章共译，森北出版株式会社，2000年12月20日出版”中有详细的叙述，此处只对强化学习的概念进行说明。

图3表示上述强化学习理论的控制的概念。

控制装置610对控制对象600输出操作指令630。控制对象600按照控制指令630进行动作。此时，通过基于控制指令630的动作，控制对象600的状态发生变化。

控制装置610从控制对象600接收报酬620，报酬620是表示变化的状态对于控制装置610来说是否优选，以及这些是什么程度的量。

实际上从控制对象600接收的信息为控制对象的状态量，一般是控制装置610基于该状态量计算报酬。一般设定为，越接近于期望状态报酬越大，越接近不期望的状态报酬越小。

控制装置610通过反复进行实验性操作，学习报酬达到最大(即，尽量接近于期望状态)的操作方法，对应于控制对象600的状态自动构筑适当的操作(控制)逻辑。

以神经网络为代表的带教示学习理论，有必要事先提供成功事例作为教示数据，不适合于新设备并没有运转数据的情况，以及因现象复杂而不能事先准备成功事例的情况。

相对于此，所述强化学习理论被分类为无教示学习，在具有自动反复实验性生成优选操作的能力的观点上，具有也可以适用于控制对象特性并不十分明确的情况的优点。

但是，为了只通过设备的运行数据进行学习，由于需要等待直到存储有足够的学习所需的运行数据，所以需要较长时间才能发挥效果。并且因为是反复实验性学习，还有可能设备的运转变为不被期望的状态，不仅是不被期望，甚至有时还会对设备安全方面带来危险。

因此，在构成本实施例的锅炉设备的控制装置的控制装置200中，预先学习以模拟控制对象的模型为对象应生成怎样的操作信号为好。

控制装置200具备的数值解析装置400，基于设备100的锅炉构造模拟设备特性，利用差分法、有限体积法、有限要素法等数值解析手法，计算其燃烧(反应)、气体流动、导热过程。

本实施例的数值解析手法并不具有特征，因为不依存于解析手法，所以省略关于数值解析方法的说明。

通过数值解析装置400的数值解析计算各种操作条件下的现象，关于作为设备100的设备特性的废气中的CO浓度或NO_X浓度，分别计算在这些测量位置的两者的浓度。

在测量位置的CO浓度或NO_X浓度的计算结果，由于在其截面的每个计算格子(网格)被计算，因此将其在测量位置即锅炉出口的流路截面的左·右、前·后，分为整体的三种区域，分别计算其平均浓度。

作为通过所述数值解析装置400的数值解析用所述设备的模型模拟的设备的运转特性，以废气中的CO浓度或NO_X浓度为代表进行了上述说明。但是除了该CO或NO_X以外，也可以对于废气中的CO₂、SO_X、Hg(水银量)、氟、煤烟或雾构成的微粒子类、VOC(挥发性有机化合物)中的至少一种的浓度进行模拟。

图4表示本实施例的锅炉设备的控制装置200的修正装置250具备的强化学习装置290的结构。由数值解析装置400计算的计算结果401，被存储在构成强化学习装置290的数值解析数据库296中。

构成强化学习装置290的模型化装置291，从数值解析数据库296读入必要的数据297，计算CO浓度、NO_X浓度的平均值。

该模型化装置291，将计算的平均浓度作为教示信号、将当时的操作条件作为输入信号，在由输入层、中间层、输出层构成的神经网络中，利用误差逆传播法(back propagation法)学习输入输出关系。

所述神经网络的构成以及学习方法是一般的方法，并且，这些方法也可以是其它方法，因为本实施例不依存于神经网络的构成或学习方法，所以此处省略详细说明。

构成强化学习装置290的学习装置292，在设备100运转之前(试运转前)，以基于由该神经网络学习的数值解析的设备特性为对象，学习抑制CO、NO_X产生量的操作方法。

与从学习装置292输出的操作量相当的操作信号293，是在锅炉101设置的燃烧器102以及后空气口103的各个位置的空气流量、每个燃烧器的空气流量、以及发电机109的发电机输出。

在本实施例中，对所述燃料流量、空气流量、发电输出和CO以及NO_X浓度的关系进行了模型化，但是本实施例的输入项目以及输出项目不限于此。

另外在本实施例中，模型化方法也不限定于神经网络，也可以使用回归模型等其它统计模型。

构成强化学习装置290的学习装置292，对由模型化装置291生成的模型，输出在锅炉101设置的燃烧器102以及后空气口103的各个位置的空气流量、每个燃烧器的燃料流量构成的输入数据293。

从学习装置292输出的输入数据293对应于设备100的操作条件，分别设定上下限值、变化幅度(刻度幅度)，一次操作能取得的最大变化幅度。该输入数据293的各量在能够取得值的范围内，随机决定各数值。

在强化学习装置290的模型化装置291中，向生成完毕的模型输入输入数据293，在该模型化装置291中计算NO_X浓度以及CO浓度，作为输出数据294输出。

强化学习装置290的学习装置292，具备计算报酬值的构成式(1)计算式的计算器，通过接收来自模型化装置291的输出数据294，通过所述计算器进行式(1)的计算，计算报酬值。

学习装置292的计算器计算的报酬值的报酬由式(1)定义。

此处，R为报酬值，O_NOX为NO_X值，O_CO为CO值，S_NOX以及S_CO为NO_X以及CO的目标设定值，k₁、k₂、k₃、k₄为正的常数。

式1

R＝R₁+R₂+R₃+R₄

$R_1=\left\{\begin{array}{c}{k}_1(O_{\mathrm{NOx}}\≤S_{\mathrm{NOx}})\\ 0(O_{\mathrm{NOx}}>S_{\mathrm{NOx}})\end{array}\right.$

$R_2=\left\{\begin{array}{c}{k}_2(O_{\mathrm{CO}}\≤S_{\mathrm{CO}})\\ 0(O_{\mathrm{CO}}>S_{\mathrm{CO}})\end{array}\right.$

$R_3=\left\{\begin{array}{c}{k}_3(S_{\mathrm{NOx}}-O_{\mathrm{NOx}})(O_{\mathrm{NOx}}\≤S_{\mathrm{NOx}})\\ 0(O_{\mathrm{NOx}}>S_{\mathrm{NOx}})\end{array}\right.$

$R_4=\left\{\begin{array}{c}{k}_4(S_{\mathrm{CO}}-O_{\mathrm{CO}})(O_{\mathrm{CO}}\≤S_{\mathrm{CO}})\\ 0(O_{\mathrm{CO}}>S_{\mathrm{CO}})\end{array}\right.$

…(1)

如式(1)所示，在NO_X、CO值分别低于目标设定值的S_NOX以及S_CO时，提供报酬R₁以及R₂并且，在NO_X、CO值分别更低于所述目标设定值的S_NOX以及S_CO时，提供与其偏差成比例的报酬R₁以及R₂。

并且，报酬的定义方法也可以考虑其他多种方法，不限定于式(1)方法。

在学习装置292的计算器中，为了使由式(1)计算的报酬达到最大，学习输入数据293的组合即操作量，所以结果上对应于现状，可以学习减少NO_X、CO的操作量的组合。

学习装置292在学习结束的状态下，读入现在时刻的设备100的运转数据205，根据学习结果，通过计算器计算并输出使式(1)的报酬达到最大的操作量295。

所述报酬值通过所述数值解析装置400进行的数值解析，利用由设备的模型模拟的设备运转特性即与废气中的CO、NO_X、CO₂、SO_X、Hg(水银量)、氟、煤烟或雾构成的微粒子类、VOC(挥发性有机化合物)中至少一种相对应的测量数据进行计算；所述操作指令值的对象，是向在锅炉101的火炉上设置的燃烧器102供应的燃料流量、向燃烧器102供应的空气流量、向空气口103供应的空气流量、向锅炉101再循环的废气再循环量、燃烧器101的设置角度、供应给锅炉101的供应空气温度中的至少一个。

但是，本实施例不依存于该报酬的提供方法，也可以使用其他方法。

根据以上，由于在设备100运转前，即就算在没有设备100的运转经验数据的状态下，也可以通过强化学习得到抑制CO、NO_X的运转操作方法，因此，本实施例的控制装置200可以从设备100的试运转时适用，并可以发挥效果。

例如，在只通过设备100的运转经验数据学习的情况下，因为积累数据需要几周～几个月，所以在此期间有可能得不到充分的控制性能。因此有可能锅炉设备的CO、NO_X浓度变高而环境性恶化，或在脱硝装置使用的药品(氨)的消耗量增加。

另外，由于进行反复实验运转直到继续有足够的运转经验数据，所以从安全运转的方面看，还有可能变成不期待的状态。

相对于此，根据本实施例的运转操作方法，由于就算是没有设备100的运转前的运转经验数据的状态下，也可以通过强化学习得到抑制CO浓度、NO_X浓度的运转操作方法，因此可以有效抑制避免所述这些风险。

但是，就算在本实施例中，由于也难以使数值解析结果的误差(与实机设备的测量值的偏差)为零，因此在设备100运转后，利用设备100的运转经验数据修正神经网络模型的特性。

为此，构成强化学习装置290的模型化装置291具有如下功能：从储存于运转经验数据库240的运转数据245在数值解析数据上加上上述操作量与CO浓度、NO_X浓度的关系数据进行追加学习。

通过在模型化装置291的追加学习，运转数据245的特性被反映于神经网络的特性模型。

另外，以由该运转数据245修正后的模型为对象，强化学习装置290的学习装置292具有再度重新学习的功能，由此，可以更高精度地学习控制性能良好的操作方法。

当然，由于只能从对于运转后的操作条件得到运转数据，因此有可能还存在着其它的操作条件更优选的状态。即有可能陷于局部最优解。

为了避免这一点，虽然只要利用针对所有的操作量考虑到的组合进行网罗运转来取得数据即可，但在实际设备中，为了安全并且维持稳定的运转，这一点不可能做到。

于是在本实施例中，为了减轻陷入局部最优解的风险，控制装置200具有的修正装置250中具备：运转状态判定装置265、模型误差评价装置260、运转数据模型化装置263、以及探索点决定装置270。

在设备100处于额定状态时，如果状态稳定则操作指令值的变化变小，或几乎为一定值，重复相同状态。

如果这样的状态为局部最优解，则一般情况下由于不会改变为其他状态，因此变得无法发现更好的操作条件，但是在本实施例中，通过在控制装置200具备的修正装置250中设置的探索点决定装置270，具有决定刻意变更的操作条件，探索最佳的操作条件的功能。

因为操作条件的变更很可能导致状态的恶化，所以决定探索用的操作条件很困难。

于是在本实施例中，考虑通过在控制装置200具备的强化学习装置290设置的所述模型化装置291生成的神经网络模型与设备测量值的误差以及设备测量值，即运转经验数据的倾向这两者，决定操作条件。

以下利用图5的流程图，说明决定探索用的操作条件的顺序和功能。

在图5中，首先在状态判别的步骤500中，通过在构成图1所示的控制装置200的修正装置250上设置的运转状态判定装置265，判定设备100处于额定状态。

即，在运转状态判定装置265判定：从在控制装置200设置的基本控制指令计算装置230输入的负荷指令52有无变化。在负荷指令52与上次值的偏差的绝对值在预先设定的基准值以下时，判断为负荷无变化。

在运转状态判定装置265判断为负荷无变化时，对于从强化学习装置290输出的操作量295，利用运转状态判定装置265进一步判断：其与上次值的偏差的绝对值是否在预先设定的基准值以下，并且，从规定的时间之前开始的操作量295的最大值和最小值是否在预先设定的基准值以下。

在判定是否为额定状态的步骤501中，在上述各种值全处于基准值以下时，判定设备100处于额定状态，进入判断数据数是否大于下限值的步骤502。

在判断是否为额定状态的步骤501中，由运转状态判定装置265判断输出的状态判定结果266，分别输入模型误差评价装置260和运转数据模型化装置263。

并且，在由运转状态判定装置265判断为不处于额定状态时，不进行操作条件的探索而终止。

接着在判断数据数是否大于下限值的步骤502中，通过运转状态判定装置265，从向图2所示的锅炉101的火炉中设置的各燃烧器102的现在的供应燃料流量和向各燃烧器102的空气流量、向锅炉101的火炉中设置的各后空气口103的空气流量的值，预先设定规定的偏差量的范围，检索进入该偏差量的范围的运转经验数据，将其个数与基准值(数据个数下限值)进行比较。

通过运转状态判定装置265的上述检索，在判断数据数是否大于下限值的步骤502中判断为检索的数据个数大于基准值时，即在判断为“是”时，进入模型误差计算的步骤505；在判断为数据数在基准值以下，即判断为“否”时，进入显示警告的步骤503。

模型误差计算的步骤505，是修正装置250具备的模型误差评价装置260的功能。该模型误差评价装置260，对于在判断数据数是否大于下限值的步骤502抽取的运转经验数据的全点，计算与模型化装置291生成的神经网络模型的误差，进入下一个相关模型生成的步骤506。

在模型误差计算的步骤505的模型误差评价装置260中，具备构成计算误差值的式(2)的计算式的计算器，通过所述计算器，在每个运转经验数据点，将与强化学习装置290上设置的模型化装置291生成的神经网络模型的误差，作为误差值E1，根据式(2)进行计算。

(式2)

E1＝(运转经验数据)-(模型计算值)  …(2)

另外，模型误差评价装置260具备构成计算平均误差的式(3)的计算式的计算器，由所述计算器根据(3)式计算平均误差E2。此处k为运转经验数据点数。

(式3)

$E2=\frac{\mathrm{\Σ}\left|E1\right|}{k}...\left(3\right)$

判断数据数是否大于下限值的步骤506，是修正装置250上设置的运转数据模型化装置263的功能。通过该运转数据模型化装置263，利用在判断数据数是否大于下限值的步骤502抽取的运转经验数据的全点，生成操作量与从锅炉设备排出废气的CO以及NO_X浓度的相关模型。

相关模型可以是重回归式、神经网络、其他的统计模型，是如果输入操作量参数则输出从锅炉设备排出的废气的CO、NO_X浓度的模型。

决定操作参数的步骤507和操作参数变更指令的步骤508，是探索点决定装置270的功能。

在决定操作参数的步骤507，通过修正装置250具备的探索点决定装置270，首先读取通过决定操作参数的步骤505的模型误差评价装置260计算的误差值261。

图6是说明锅炉设备的设备特性与其模型的特性之间的关系的图。图6(a)～图6(b)的纵轴取从锅炉设备排出的废气的CO、NO_X浓度，横轴取操作参数A、B、C、D、E，用点表示测量数据，用虚线表示实机设备的设备特性，用实线表示模型的特性。

另外，图6(c)的纵轴取锅炉设备的废气的CO、NO_X浓度，横轴取操作参数A、B、C、D、E，用点表示测量数据，表示相关模型与运转经验数据之间的关系。

而且，图6(d)的纵轴取模型误差，横轴取操作参数A、B、C、D，用点表示测量数据，用实线表示相关曲线。

在图6(a)中，在虚线的设备特性与实线的模型特性处于图6(a)所示的关系时，从模型特性求得的锅炉设备的废气的CO、NO_X浓度达到最小的操作点是B；但是在实际的设备100的设备特性中，废气的CO、NO_X浓度达到最小的点是C操作点最好。

如果在操作点B运转设备100，则可以得到图6(a)中用点表示测量数据的设备100的运转经验数据。虽然测量数据中有偏差，但是设备特性与模型特性之间的误差值E1为图6(d)中所示的相关曲线。

如图6(d)所示，操作点B附近的模型误差的误差值为负，即表示设备100的运转经验数据要小于由模型预测的锅炉设备的废气的CO、NO_X浓度。此时有可能存在相比于模型的预测值进一步降低CO、NO_X值的操作条件。

图6(d)所示的操作点B附近(现在状态附近)的模型误差值在预先设定的误差范围以外时，通过由在修正装置250设置的运转数据模型化装置263生成的相关模型，预测操作量变更时的废气的CO、NO_X浓度。

图6(c)表示相关模型与运转经验数据的关系。根据图6(c)所示的运转经验数据，可以预测从相关模型改变操作条件时的锅炉设备的废气的CO、NO_X浓度。

还有，操作量的变更幅度，从图7(a)所示的输入画面设定探索时的最大变化量。图7(a)的输入栏322按每个操作量输入最大变化量的值。

然后，在向输入栏322输入最大变化量后，用鼠标点击设定结束按钮321，则保存输入值。如果按下默认设定按钮320，自动输入最大变化量相对于预先设定的各操作量的标准值。

在图5的决定操作参数的步骤507中，如后述的图7(b)所示，向探索点决定装置270输入成为进行探索的条件的许可上限值和许可下限值。

然后通过该探索点决定装置270，在设定的最大变化量的范围内随机使操作量的值的组合变化，计算用最相关模型计算的锅炉设备的废气的CO、NO_X的降低效果大的操作量，进入操作参数变更指令输出的步骤508。

然后，在操作参数变更指令输出的步骤508中，将由探索点决定装置270计算出的废气的CO、NO_X的降低效果大的所述操作量，作为变更候补271输出。

并且，CO、NO_X降低效果的评价方法，与所述强化学习的报酬值的定义相同。

在相比于现状的废气的CO、NO_X浓度，报酬值成为优选值的操作条件不存在时，即如图6(b)所示的状态那样，预测在现状操作点B附近，废气的CO、NO_X浓度值增加时，以该预测值处于设定的许可值的范围内这一条件为基础，由探索点决定装置270随机选择变更操作量的候补。

由此，有可能可以发现如图6(b)所示的设备特性的锅炉设备的废气的CO、NO_X浓度达到最小的操作点D。

废气的CO、NO浓度的预测值的许可范围，通过图7(b)表示的许可条件设定的输入画面设定。在图7(b)的画面例中，输入许可修正装置250上设置的探索点决定装置270的最优操作条件的探索的条件。

在图7(b)表示的许可条件设定的输入画面中，可以选择在废气的CO浓度的输入栏305、以及废气的NO浓度的输入栏306分别指定浓度的许可上限值；或者在CO浓度的输入栏307、以及NO浓度的输入栏308分别指定从现状浓度的增加幅度。选择其中的一个，向输入栏305～308输入各自的许可数值。

并且，如果选择许可条件设定的输入画面的“征求操作员的许可”，则向操作员显示探索点决定装置207决定的变更操作量，操作员可以判断变更操作的可否。另外，此时也可以通过操作员的判断，修正变更操作量进行操作。

然后在输入所述许可数值后，若按下设定结束按钮303，则保存输入信息。

并且，如果选择许可条件设定的输入画面的“总是禁止探索”，则设置在修正装置250上的模型误差评价装置260、运转数据模型化装置263、运转状态判定装置265、探索点决定装置270不执行这些处理。

在图6(d)所示的操作点B附近的模型误差的误差值处于预先设定的误差范围内时，由设置在学习强化装置290上的模型化装置291生成的模型，预测变更操作量时的废气的CO、NO_X浓度。此时，在由模型计算的废气的CO、NO_X值上加上误差值E2部分来作为预测值。

操作量变更时的运转数据，被反映于模型的修正和利用修正后模型的操作方法的再学习中。

在本实施例中，根据图6(d)所示的操作点B附近的模型误差的误差值是否处于许可误差范围内，切换用于预测变更操作量时的废气的CO浓度或NO_X浓度的模型，但是也可以使所述探索点决定装置270具有对应于模型的计算值和测量值的大小关系，决定操作指令候补值或操作量候补值的计算中用到的模型的计算值与运转数据模型的计算值的加权的功能，对应于误差值的大小对两模型的计算结果进行荷重平均。

另外，操作量的变更幅度与模型的计算值和测量值的误差值成比例地决定。

如以上说明那样，在设备100的状态稳定的额定状态下，通过有意识改变操作量，由此可以从模型的局部最优解中解脱出来而可以学习更优选的操作条件。

此时，操作量的变更幅度，因为是利用在从现状操作点附近的运转经验数据求得的锅炉设备的废气CO、NO_X浓度的预测值、或者在模型的预测值上加上模型误差后得到的预测值来决定，因此，可以抑制因为操作量的变更引起的预测外状态恶化的危险性，可以实现在操作员设定的运转许可范围内安全并且稳定的运转。

万一作为操作条件变更的结果，是超出在图7(b)的许可条件设定的输入画面设定的锅炉设备的废气的CO、NO_X浓度的许可值范围时，暂时中止操作条件的变更(探索)。存储当时的操作量，向操作员显示是否再次开始探索的信息，服从操作员的输入(判断)。如果操作员的输入为“中止”，则中止一系列的处理。

如果操作员的输入为“继续”，则虽然继续操作量变更的处理，但是存储的相同操作量值±α的范围不作为操作量变更候补选择。α是按每个操作量定义预先设定的附近范围的设定值。

图8表示从本实施例对象的锅炉设备排出的废气中CO、NO_X浓度的测定例。如图8所示，废气的CO以及NO_X浓度的测定位置是锅炉出口位置的气体流路。

锅炉出口的气体浓度测量面，如图8的右侧部分放大表示那样，将气体流路前后左右分为16份，在该16份的各分割区域分别设置有测定废气的CO以及NO_X浓度的浓度传感器。

如此通过将锅炉出口的浓度传感器配置于气体浓度测量面，可以遍及锅炉设备的气体流路截面的整个区域来测定废气的CO以及NO_X浓度的浓度分布。

图9与图8同样，表示在锅炉出口位置的气体流路，测定从本实施例对象的锅炉设备排出的废气中CO以及NO_X浓度的一个例子。图9(a)以及图9(b)都是将锅炉出口位置的气体流路在前后区分为W、X、Y、Z，左右区分为1、2、3、4来进行16分割，表示在该16分割后的各分割区域测定废气的CO浓度的结果。

如图9(a)以及图9(b)所示，将锅炉出口位置的气体流路分割为16份，将在各分割区域测定的废气的CO浓度，对应于浓度，用颜色区分或用单色的浓淡来表示浓度。

并且在图9(a)以及图9(b)中，因为纸张的原因，只表示了CO浓度的测定值，当然不用说同样也可以表示NO_X浓度的测定值。

图9(a)以及图9(b)的右侧表示的废气的CO浓度的图表，是将气体流路如上所述前后左右分割为16个区域，将在各分割区域测定的废气的CO浓度的平均值汇集于气体流路的前后和气体流路的左右而划分的结构例。

图9(a)表示在锅炉出口位置，被分割为16份的气体流路中的在左右区域的废气CO浓度的浓度差小，但在前后区域的废气CO浓度的浓度差大的情况；另外，图9(b)表示在锅炉出口位置，被分割为16份的气体流路的在前后区域的废气CO浓度的浓度差小，但在左右区域的废气CO浓度的浓度差大的情况。

在锅炉设备中，即使是在施加操作指令、以使在构成锅炉101的火炉的前后或左右向火炉供应的燃料流量或空气流量变得均等的情况下，由于设备的不同，如图9(a)以及图9(b)所示，在锅炉出口位置将气体流路分割为16份的各分割区域中的废气的CO浓度也有可能产生差异。

这是因为向锅炉101的火炉供应空气或燃料的配管的配置所引起流量差或燃烧器的旋转、装置的制造误差、阀、减震器等执行器的动作误差等，多数情况下难以对其进行事前预测。

在本实施例的锅炉设备的控制装置中，因为事前根据数值解析结果学习操作方法，所以这些原因的浓度差不能根据事前的数值解析进行预测。因此，通过在构成控制装置200的修正装置250上设置的模型误差评价装置260，计算图9(a)以及图9(b)所示的前后或左右区域的CO浓度的平均值的测量数据、与相同操作条件下的数值解析结果的误差。

两者的结果如图9(c)所示的作为气体浓度分布显示的画面例那样，对比表示测量数据与数值解析结果。

在图9(c)的区域311以及区域313，分别表示图9(a)以及图9(b)所示的CO浓度的平均值和NO_X浓度的测量数据，在区域312以及区域314分别表示与此相同的操作条件下的数值解析结果。

图9(c)中显示的测量数据，可以从按下图9(c)下部的实机数据选择按钮315而显示的图10(a)的气体浓度分布趋势显示的画面中指定。

图10(a)是表示本实施例中的锅炉设备的废气的气体浓度分布趋势显示的画面，在图10(a)的画面的上部分别表示有沿时刻的经纬变化的CO浓度的趋势图330，以及NO_X浓度的趋势图331。

在这些CO浓度的趋势图330以及NO_X浓度的趋势图331中，可以通过用鼠标左右移动时刻指定线332来指定选择的时刻，选择的日期和时刻在区域310显示。

在该图10(a)的画面下部，显示有由鼠标指定的时刻的CO浓度和NO_X浓度的浓度分布。

另外，在图9(c)的表示气体浓度分布的画面中，如果按下下部的数值解析执行按钮316，则将在图10(a)中选择的时刻的操作条件发送给图1的控制装置200具备的数值解析计算装置400，向该数值解析计算装置400发出计算执行命令。

如果在数值解析计算装置400的数值解析的计算结束，则读入其数值解析结果，在图9(c)的区域312以及区域314中分别显示CO以及NO_X浓度的计算值。

另外，如果按下图9(c)的画面下部的模型修正按钮317，则根据数值解析计算装置400的数值解析结果以及测定数据，对于在锅炉出口位置被16分割的气体流路中的在左右或前后区域的与废气中CO以及NO_X浓度相关的数值解析结果与测定数据之间的偏差进行计算，与该偏差量成比例在数值解析的操作量条件中设置前后或左右的燃料流量差并进行再计算。

所述的废气的CO以及NO_X浓度的左右或前后的偏差，是起因于燃料流量差而产生的偏差，其中燃料流量差是从在锅炉101的火炉前后设置的多个燃烧器102向火炉内供应的燃料流量因为某种原因而产生的。

在本实施例中，虽然燃料流量差中设置偏差，但是作为变更的操作条件，也可以通过向设置在锅炉101的火炉中的燃烧器102供应的空气流量或向燃烧器102供应的空气的旋转强度等来进行调整。

如前所述，由于前后或左右的浓度偏差能够通过数值解析得以再现，因此可以利用该结果，可以再次利用构成控制装置200的修正装置250的强化学习装置290上设置的模型化装置291，再次构筑特性模型，可以使用由该模型化装置291再次构筑的模型再学习操作方法。

通过如此，能够进行更符合实机特性的学习，提高控制装置200的锅炉设备的控制性能。

图10(b)表示本实施例的锅炉设备的燃烧控制的状况。如图10(b)所示的画面例，图10(a)表示用鼠标选择的时刻的操作量。

在锅炉101的火炉上设置的前壁以及后壁的燃烧器102以及空气口103的燃料流量、空气流量，在画面的左右通过柱状图以及数字数值表示。操作员可以参考这些显示数据，设定探索用的操作量的变更候补271。

探索用的操作量的变更候补271的设定，通过在数字值显示的上部分别输入数值并按下操作量变更设定按钮332，由此输入的数值被设定为变更候补271。

在图5的警告显示的步骤503中，向操作员显示运转经验数据要小于设定值的警告，让操作员输入可否继续。

在判定步骤504判定操作员的输入。在是“自动继续”的情况下，进入模型误差计算的步骤505；在是“手动继续”的情况下，进入输入操作参数变更值的步骤509；在是“中止”的情况下，中止其后面的处理并结束。

在图5的输入操作参数变更值的步骤509中，显示图10(b)所示的燃烧控制的画面，操作员输入操作量的变更值，进入操作参数变更指令的步骤508。

在构成图1的控制装置200的修正装置250上设置的操作指令决定装置280，接收三种操作量信号，即：基本操作指令值235、从强化学习装置290输出的操作量295、从探索点决定装置270输出的操作变更候补271。

在操作指令决定装置280中，通常选择作为强化学习结果的操作量295，决定扫描指令作为操作指令值285输出，但是在强化学习功能产生异常的情况下，或是在因某种理由操作员判断为控制结果不是所期望的结果的情况下，选择基本操作指令值235作为操作指令值285输出。

另外，在基于运转状态判定装置265的状态判定结果266是额定状态，允许自动探索的情况下，通过该操作指令决定装置280选择从探索点决定装置270输出的操作变更候补271作为操作指令值285输出。

根据本发明的实施例，即使是在模型与实际的控制对象的举动之间存在误差的情况下，也可以极力排除限于局部最优解的风险，能够实现在安全、稳定地运转控制控制对象的同时，能够探索最优解的锅炉设备的控制装置。

以下，参照附图说明本发明的实施方式。

图11是表示有关本发明的实施例的在线气体浓度推断装置701的结构的图。在线气体浓度推断装置701是计算机。在工艺值数据库(工艺值DB)711中，收纳有神经网络的推断处理用到的设备测量值的趋势数据。运转条件设定部713在神经网络的推断处理中，在气体浓度推断部712设定对应于运转条件的输入数据。在气体浓度推断部712中，收纳有用于推断CO以及NO_X浓度的神经网络。气体浓度推断部712的输出被读入燃煤锅炉的控制系统，用于燃烧控制的最优化。另外，气体浓度推断部71的2输出的一部分，也被读入显示控制部714，并被显示于显示装置702。

图12表示气体浓度推断部712的结构。气体浓度推断部712由多个神经网络构成。如前所述，在本发明中按每个煤种准备特殊化了的神经网络。

在图12中，煤种A用气体浓度推断神经网络722、煤种B用气体浓度推断神经网络722，是对应于各个煤种的神经网络，对应于输入数据输出CO和NO_X浓度的推断值。

煤种比例判定用神经网络721，具有根据输入数据推断煤种的混合比例的功能，煤种比例判定用神经网络721的输出，与所述的按每个煤种准备的各神经网络相对应，输出各煤种的混合比例。该输出值作为加法器741的加权系数被设定。即，气体浓度推断用的神经网络以各煤种为条件推断CO、NO_X浓度，在加法器741中进行与混合比例相对应的加权平均处理。

以上是关于本实施例的气体浓度推断装置整体的大致说明，下面，对在该装置中使用的各神经网络进行详细说明。

首先对于煤种比例判定用神经网络721，利用图13进行说明。

煤种比例判定用神经网络，利用在工艺值DB中储存的设备的测量数据，也包含混合状态来判定现在作为燃料投入的煤微粉的煤种类。在煤种比例判定用神经网络的输出单元731，用数值输出对于各个煤种A、煤种B、煤种C的混合比例。在图13中，虽然各输出单元输出0.80、0.15、0.00的值，但是并不是直接将这些值作为混合比例使用，进行规格化处理使合计为1.0。在此例中，通过规格化处理得到0.84、0.16、0.00，判定现在的投入原料以84％的煤种A、16％的煤种B的状态混合。

煤种比例判定用神经网络721的输入中，设定表现因煤种不同而造成的影响的工艺值。例如有CO浓度、NO_X浓度、磨机电动机电力、锅炉吸收热量(根据锅炉入口、出口的蒸汽状态计算)、一次空气流量(非测量的情况下为一次空气风扇动力等)、二次空气流量、二段燃烧用空气流量比、负荷、燃烧流量等。

下面说明用于实现上述处理的煤种比例判定用神经网络的学习方法。

煤种比例判定用神经网络的学习处理使用实测数据，但除了作为输入值的工艺值以外，也需要作为输出值的煤种的混合比例的值。但是，如前所述，因为没有关于煤种的测量值，所以关于输出不能使用实测数据。因此，使用的是在储煤设备存储煤种并经过充分长的时间，预测现在投入的燃料只为同一煤种的期间中的实测数据，进行神经网络的学习。例如，在预测投入燃料只为煤种A的情况下，在神经网络学习中，将相当于煤种A的输出单元设为1.0，其它的输出单元设为0.0，学习与此时的工艺值的相关性。同样，也学习煤种B、煤种C。

利用这样的方法进行了学习的煤种比例判定用神经网络，对于投入燃料为同一煤种时的工艺值，只由对应于该煤种的单元输出1.0，其它的单元输出0.0。另外，即使有多个煤种混合的情况下，通过神经网络具有的内插的功能，对应于含各煤种的比例，单元的输出值变大。

如此，以工艺值为基础，可以在线评价与投入燃料的煤种相关的信息。

下面，说明气体浓度推断用神经网络。

气体浓度推断用神经网络，将相当于燃烧条件的工艺值作为输入，输出此时的CO、NO_X浓度。输入与输出的关系按每个煤种学习。

在学习处理中，只使用设备的测量值。但是，与所述煤种比例判定用神经网络721的学习同样，利用预测燃料只为同一煤种的期间的数据进行学习。通过这样构筑各个煤种的神经网络。作为神经网络的输入，设定与CO、NO_X浓度有关联的工艺值，例如，设定一次空气流量(非测量的情况下为一次空气风扇动力等)、二次空气流量、二段燃烧用空气流量比、负荷、燃烧流量、燃烧器操作条件、大气条件(温度、压力、湿度)等。在按每个煤种准备的气体浓度推断神经网络中，作为输入使用的数据都是共用的。

在推断处理中，不仅是设备测量值，也使用来自燃煤锅炉控制系统的信号。这是因为为了控制系统在线进行控制最优化，读入改变控制要求时的CO、NO_X浓度的推断值。例如相对于现在的运转条件，推断改变空气流量等燃烧条件时的CO、NO_X浓度，根据这些浓度以及设备效率的推断值，探索最优的控制点。

在控制系统进行的燃料控制最优化的处理中，图11所示的运转条件设定部713，对应于控制要求使神经网络的输入值变化。即，对应于来自控制系统的命令改变在神经网络的输入设定的工艺值中的、与控制条件对应的工艺值。例如，在对改变一次空气流量时的CO、NO_X浓度的变化倾向进行解析时，运转条件设定部713使神经网络的输入中的一次空气流量的值更新。

在以上的处理中，气体浓度推断部712输出的数据，被读入显示控制部714，并在显示装置702输出。图14是显示装置702的显示例。在图14中，作为趋势表示了煤种切换时的CO、NO_X浓度以及作为燃料投入的煤种的比例。对于CO以及NO_X浓度，对于各煤种的排出比例也趋势化。

根据以上说明的处理，实现基于控制系统的燃料控制最优化用的CO、NO_X浓度的推断处理。

工业实用性

本发明可以适用于锅炉设备的控制装置。

Claims (14)

1.一种锅炉设备的控制装置，其输入锅炉设备的状态量的测量数据即运转数据，基于模拟锅炉设备的设备运转特性的设备模型，计算向锅炉设备的运转操作指令值，进行运转，其特征在于，

所述控制装置具有：

运转经验数据库，其储存有锅炉设备的过去的运转数据；

运转状态判定装置，其根据在该运转经验数据库中储存的运转数据，计算操作量或工艺值中至少一方的变化倾向，并根据该变化倾向信息和负荷变化指令值判定锅炉设备的状态；

模型误差评价装置，其计算通过设备模型计算的工艺值与锅炉设备的测量值的误差；

运转数据模型化装置，其将包含在运转经验数据库储存的过去的数据的工艺值与操作指令值或操作量之间的相互关系模型化；

探索点决定装置，其利用由模型误差评价装置计算的误差值、与通过由运转数据模型化装置生成的运转数据模型计算的工艺值的计算结果中的至少一方，计算操作指令候补值或操作量候补值；

操作指令决定装置，其利用由探索点决定装置计算的操作指令候补值或操作量候补值和由运转状态判定装置判定的运转状态信息，决定向控制对象即锅炉设备的操作器输出的操作指令值。

2.一种锅炉设备的控制装置，其输入锅炉设备的状态量的测量数据即运转数据，基于模拟锅炉设备的设备运转特性的设备模型，计算向锅炉设备的运转操作指令值，进行运转，其特征在于，

所述控制装置具有：

运转经验数据库，其储存有锅炉设备的过去的运转数据；

模型误差评价装置，其计算由设备模型计算的工艺值与设备的测量值的误差；

运转数据模型化装置，其将包含在该运转经验数据库储存的过去数据的工艺值与操作指令值或操作量之间的相互关系模型化；

探索点决定装置，其利用由模型误差评价装置计算的误差值、与通过由运转数据模型化装置生成的运转数据模型计算的工艺值的计算结果中的至少一方，计算操作指令候补值或操作量候补值；

操作指令决定装置，其利用由探索点决定装置计算的操作指令候补值或操作量候补值，决定向控制对象即锅炉设备的操作器输出的操作指令值。

3.如权利要求2所述的锅炉设备的控制装置，其特征在于，

由所述设备模型模拟的设备的运转特性，是废气中的NO_X、CO、CO₂、SO_X、Hg(水银)量、氟、煤烟或雾构成的微粒子类、VOC(挥发性有机化合物)中的至少一种，

报酬值利用该至少一种的设备运转特性的测量数值进行计算，

所述操作指令值的对象是：向燃烧器供应的燃料流量和燃烧器空气流量、向空气口供应的空气流量、向锅炉再循环的废气再循环量、燃烧器角度、供应空气温度中的至少一个。

4.如权利要求2所述的锅炉设备的控制装置，其特征在于，

具备对于所述设备模型模拟的设备运转特性即废气中的NO_X、CO、CO₂、SO_X、Hg(水银)量、氟、煤烟或雾构成的微粒子类、VOC(挥发性有机化合物)中的至少一种，向所述探索点决定装置输入许可上限值或许可下限值、或者输入从现状值起的许可变化量上限值或许可变化量下限值的装置，

利用由该探索点决定装置计算的操作指令值，输入的许可上限值或许可下限值、或者从现状值起的许可变化量上限值或许可变化量下限值，以及对应于这些的锅炉设备的测量值，通过所述操作指令决定装置，决定对控制对象即锅炉设备的状态量的操作器输出的操作指令值。

5.如权利要求1至权利要求4中的任一项所述的锅炉设备的控制装置，其特征在于，

所述探索点决定装置具有计算操作指令候补值或操作量候补值的功能，以使由所述设备模型或运转数据模型化装置计算的工艺值的预测值不会脱离许可上限值或许可下限值、或者从现状值起的许可变化量上限值或许可变化量下限值的范围。

6.如权利要求1至权利要求5中的任一项所述的锅炉设备的控制装置，其特征在于，

所述探索点决定装置具有根据所述设备模型的计算值和测量值的大小关系，决定在操作指令候补值或操作量候补值的计算中用到的所述设备模型的计算值与所述运转数据模型的计算值的加权的功能。

7.如权利要求1至权利要求6中的任一项所述的锅炉设备的控制装置，其特征在于，

所述探索点决定装置具有基于所述设备模型的计算值与测量值的误差值来决定操作变化幅度的功能，所述操作变化幅度确定操作指令候补值或操作量候补值。

8.一种燃煤锅炉的气体浓度推断方法，其利用神经网络推断从燃煤锅炉排出的气体成分的浓度，其特征在于，

利用按每个煤种准备的多个神经网络以及煤种比例判定用的神经网络进行推断。

9.如权利要求8所述的燃煤锅炉的气体浓度推断方法，其特征在于，

利用所述煤种比例判定用的神经网络推断作为燃料投入的煤的煤种的混合比例，利用该混合比例，对所述按每个煤种准备的多个神经网络输出的气体浓度的推断值进行加权平均，推断煤种变更时的气体成分的浓度。

10.如权利要求9所述的燃煤锅炉的气体浓度推断方法，其特征在于，

在所述煤种比例判定用的神经网络的学习中，使用作为燃料投入的煤是相同的煤种的期间的数据，学习该煤种的倾向。

11.一种燃煤锅炉的气体浓度推断装置，利用神经网络推断从燃煤锅炉排出的气体成分的浓度，其特征在于，

其具有加法器，所述加法器利用由按每个煤种准备的多个神经网络、煤种比例判定用的神经网络、和所述煤种比例判定用的神经网络推断的混合比例，对所述按每个煤种准备的多个神经网络输出的气体浓度的推断值进行加权平均。

12.如权利要求11所述的燃煤锅炉的气体浓度推断装置，其特征在于，

利用所述煤种比例判定用神经网络，推断作为燃料投入的煤的煤种的混合比例，利用该混合比例，由所述加法器对所述按每个煤种准备的多个神经网络输出的气体浓度的推断值进行加权平均，推断煤种变更时的气体成分的浓度。

13.如权利要求12所述的燃煤锅炉的气体浓度推断装置，其特征在于，

在所述煤种比例判定用的神经网络的学习中，使用作为燃料投入的煤为相同的煤种期间的数据，学习该煤种的倾向。

14.如权利要求11所述的燃煤锅炉的气体浓度推断装置，其特征在于，

具备显示装置，其显示作为燃料投入的煤的煤种混合比例的推断值、或者气体浓度的成分的推断值。

Images