CN101441442A - 设备控制装置、火力发电设备控制装置以及燃煤锅炉的气体浓度推定装置 - Google Patents

Abstract

本发明提供一种设备控制装置、火力发电设备控制装置以及燃煤锅炉的气体浓度推定装置。本发明的设备控制装置构成为，具备：生成对于设备的操作信号的操作信号生成机构，模拟设备特性的模型，以用模型模拟的输出信号满足预先设定的目标的方式生成模型的输入信号的学习机构，根据学习机构的学习结果计算学习信号的学习信号生成机构，还具备：操作结果评价机构，将某操作信号及更新的操作信号作为给予设备的结果，分别计算取得的该设备的第一测量信号及第二测量信号和其目标值的误差即第一误差及第二误差，修正信号生成机构，在第二误差比第一误差更大时，生成在操作信号生成机构生成的所述操作信号的修正信号。

Description

设备控制装置、火力发电设备控制装置以及燃煤锅炉的气体浓度推定装置

技术领域

本发明涉及设备的控制装置及控制具备锅炉的火力发电设备的火力发电设备的控制装置。

另外，本发明涉及火力发电设备中具备的燃煤锅炉的气体浓度推定装置及气体浓度推定方法，尤其涉及推定从燃煤锅炉排出的排放气体含有的气体成分即CO浓度或NOx浓度的燃煤锅炉的气体浓度推定装置及气体浓度推定方法。

背景技术

通常，在控制设备的控制装置中，处理从控制对象即设备得到的测量信号，对给予控制对象的操作信号进行运算后，作为控制信号输出。

在该设备的控制装置中，安装有以设备的测量信号满足其目标值的方式来计算操作信号的算法。

作为用于设备控制的控制算法，有PI(比例·积分)控制算法。

在PI控制中，在设备的测量信号和其目标值的偏差上乘比例增益的值上再加上对偏差进行了时间积分的值，从而运算给予控制对象的操作信号。

用PI控制的控制算法能够用方块图等记述输入关系，因此容易弄清楚输入和输出的因果关系，在设备控制中PI控制是稳定/安全的控制算法，因此，适用于实际的设备的情况较多。

但是，在设备运转形态的变更和环境的变化等、不是事先假定的条件运转设备时，有时需要变更控制逻辑等的操作。

另一方面，根据设备的运转形态及环境的变化，有自动地修正/变更控制方法的适应控制。

作为其一个方法即使用学习算法的设备控制方法，例如有特开2000-35956号公报记载的技术。

在使用特开2000-35956号公报记载的技术即学习算法的设备控制方法中，控制装置具有预测控制对象的特性的模型和学习以模型输出达到其目标值的模型输入的生成方法的学习部。

另外，作为学习算法，在文献的“强化学习”中记载有如下方法，在测量信号达到运转目标值时给予正的评价值，基于该评价值，使用Actor-Critic、Q学习、实际时间Dynamic Programming等算法学习操作信号的生成方法。

另外，燃煤锅炉用煤作燃料，但是，在具备该燃煤锅炉的火力发电设备中，必须将从燃煤锅炉排出的排放气体中含有的环境污染物质即CO和NOx的浓度控制在规定值以下。

燃煤锅炉的排放气体中含有的CO和NOx的生成量有相反的关系，在用燃煤锅炉燃燃煤时，如燃烧用的空气(氧)过剩，NOx的生成量增多，相反，若空气不足，CO的生成量增多。

在最近的燃煤锅炉中，为降低CO和NOx两者生成的浓度，且提高燃煤锅炉的燃烧效率，采用将燃烧用空气阶段性地送入燃煤锅炉内的二段燃烧方式。

在该二段燃烧方式的燃烧控制中，进行向燃煤锅炉供给的燃烧用空气量的调整和设置于燃煤锅炉的燃烧器的燃烧模式的选择，形成燃煤锅炉的最适合的燃烧状态。

另外，用于该燃烧控制的最优化的调整(控制增益的调整、燃烧器燃烧模式的计划等)脱机预先实施。

但是，这样一来，事先调整的燃烧条件相对于代表的运转模式而被最优化，只是粗略的运转计划。

另外，因经年劣化，设备即燃煤锅炉的特性发生改变，因此在燃煤锅炉运转开始时是最适合的燃烧条件，但是，经过数年后，从最适合的燃烧条件逐渐偏离。

与此相对，与时刻改变的负荷要求值等运转条件及经年劣化相对应，从经济的观点考虑要求实施燃煤锅炉的运转的最优化(将CO和NOx浓度控制在允许范围内，且使燃烧效率最大化)。

为实现该燃煤锅炉的运转的最优化，需要以现在的运转条件为基础，能够联机模拟对于控制要求变更的排放气体中的CO和NOx浓度的变化。

即，相对于从测量数据得到的现在的燃煤锅炉的运转条件，需要评价变更控制要求时的燃煤锅炉的燃烧效率和环境负荷物质的排出量，并根据两者的特点探索最适合的控制要点的功能。

推定从燃煤锅炉排出的排放气体中的CO和NOx浓度的方法有几种，但是，有以神经网络那样的学习型的算法为基础，使用实机数据对各运转条件和气体浓度的变化倾向的关系进行建模的方法。

例如，在特开2007-264796号公报中公开的控制方法为，关于模拟锅炉的控制所使用的设备特性的连续模型的制作，基于锅炉的过程数据生成连续模型，使用数值解析后的过程数据和实机运转数据再次生成连续模型，使用该再生成的连续模型强化学习并进行锅炉的控制，由此，减少排放气体中的环境负荷物质。而且，连续模型的生成也建议使用神经网络。

这样的模拟方法时，只要是实机数据就能够容易地生成与该实机特性相对应的CO浓度和NOx浓度的推定模型。即，燃煤锅炉运转开始后只要使用运转中的实机数据就能够生成与其状态相适应的推定模型，因此，是一个更适用的方法。

专利文献1：(日本)特开2000-35956号公报

专利文献2：(日本)特开2007-264796号公报

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、第142～172项、第247～253项

在将采用了特开2000-35956号公报记载的所述的学习算法的设备控制技术用于设备控制时，当对控制对象的设备的特性进行预测的模型和实际的设备特性不一致时，在模型的预测值和设备的实测值中产生差异。

因此，即使在模型的预测值中为最适合的操作条件，对于实际的设备也不是最适合的操作条件，因此，在以该操作条件控制设备时不能形成适当的控制。

作为回避上述现象的设备控制的方法，有以实际的设备的特性和模型的特性一致的方式使用实际的设备的推定值来修正模型的方法。

但是，在上述方法中，为了修正模型需要长时间存储必要的实际设备的测量数据，而且，存储数据的期间不能发挥期待的控制性能。

在特开2000-35956号公报中，关于在模型和实际设备的特性不一致的情况下而合适的对应的技术完全没有记载。

发明内容

作为一实施例，本发明的目的是提供设备的控制装置及火力发电设备的控制装置，即使在预测控制对象的设备特性的模型特性与实际的设备特性不相同时，也能够良好地维持设备的控制特性。

燃煤锅炉的测量值即实机数据也包括改变输出等运转条件时的过渡状态。这时，测量值间的相关关系是暂时的状态，表示与经过时间后设备的状态整定后的相关关系不同的状态。

想要使用特开2007-264796号公报提议的神经网络对设备的动态特性进行建模时，使用这样的实机数据进行神经网络的学习是有效地。

但是，想要学习设备的静态特性时，将含有这种过渡状态的实机数据用于学习时，成为建模产生误差的主要原因。另外，通常，设备的测量值含有测量误差。

例如，温度等能够以比较高的精度测量，但是，流量等容易含有测量误差。另外，传感器的年久劣化也成为测量误差的主要原因。即，在上述的实机数据中，精度高的数据和精度低误差大的数据混在一起。

整个使用这些精度低的数据混在一起的实机数据进行神经网络的学习时，构筑的神经网络的模型的精度也变低。

其结果，使用精度低的数据混在一起的实机数据来学习实机数据的倾向而构筑从设备即燃煤锅炉排出的排放气体中的CO/NOx浓度的推定模型时，存在构筑的模型的推定精度变低的问题。

作为其它的实施例的本发明的目的，提供燃煤锅炉的气体浓度推定装置及气体浓度推定方法，当在燃煤锅炉的燃烧控制中使用神经网络模拟排放气体中的CO浓度或NOx浓度的变化时，能够抑制实机数据中含有的测量误差引起的神经网络模型的推定误差，可进行高精度的气体浓度的推定。

作为一实施例的本发明的设备的控制装置，其使用测量设备的运转状态的测量信号来运算对设备进行控制的操作信号，其特征在于，在所述控制装置中具备：生成向设备发送的操作信号的操作信号生成机构；模拟设备特性的模型；以由模型模拟的输出信号满足预先设定的目标的方式生成模型的输入信号的学习机构；根据所述学习机构的学习结果来计算学习信号的学习信号生成机构，所述控制装置还具备：操作结果评价机构，分别计算第一误差及第二误差，该第一误差及第二误差是作为将某操作信号及更新的操作信号给予设备后的结果而取得的该设备的第一测量信号及第二测量信号与其目标值的误差；修正信号生成机构，当由该操作结果评价机构计算的第二误差比第一误差更大时，生成由操作信号生成机构所生成的所述操作信号的修正信号，所述修正信号生成机构的构成为，根据从模型提取的模型特性的特征量来计算修正信号，所述操作信号生成机构的构成为，使用至少由所述学习信号生成机构计算的学习信号和由所述修正信号生成机构计算的修正信号来计算对该设备进行控制的所述操作信号。

另外，作为其它的实施例的本发明的火力发电设备的控制装置，其使用测量火力发电设备的运转状态的测量信号来运算对火力发电设备进行控制的操作信号，其特征在于，测量信号含有：从火力发电设备的锅炉排出的排放气体中含有的氮氧化物浓度、一氧化碳浓度、二氧化碳浓度、硫氧化物浓度、水银浓度、煤的流量、碾磨机的分级机转速、发电机输出中的至少一种测量信号，操作信号含有：锅炉的空气挡板的开度、空气流量、空气温度、燃料流量、排放气体再循环流量的至少一种操作信号，所述控制装置具备：生成向火力发电设备发送的操作信号的操作信号生成机构；模拟火力发电设备的特性的模型；以由模型模拟的输出信号满足预先设定的目标的方式生成模型的输入信号的学习机构；根据学习机构的学习结果来计算学习信号的学习信号生成机构，所述控制装置还具备：操作结果评价机构，分别计算第一误差及第二误差，该第一误差及第二误差是作为将某操作信号及更新的操作信号给予设备后的结果而取得的该火力设备的第一测量信号及第二测量信号与其目标值的误差；修正信号生成机构，当由该操作结果评价机构计算的第二误差比第一误差更大时，生成由操作信号生成机构所生成的所述操作信号的修正信号，所述模型具备：多个与火力发电设备的锅炉的燃烧器模式、负荷水平、每个煤种类相对应的模型，所述操作结果评价机构具备：基于向锅炉的碾磨机供给的煤流量的测量信号值而把握燃烧器模式的功能；基于输出要求或发电机输出的测量信号的值而把握负荷水平的功能；基于碾磨机分级机转速的测量信号的值而把握煤种类的功能，所述学习信号生成机构的构成为，根据使用与由所述操作结果评价机构把握的各条件相对应的模型而学习的结果来生成学习信号，所述操作信号生成机构的构成为，至少使用由所述学习信号生成机构计算的学习信号和由所述修正信号生成机构计算的修正信号来计算对该火力发电设备进行控制的所述操作信号。

作为其它的实施例的燃煤锅炉的气体浓度推定装置，使用本发明的神经网络，推定从燃煤锅炉排出的排放气体中含有的气体成分的浓度，其特征在于，其使用神经网络来推定从燃煤锅炉排出的排放气体中含有的气体成分的浓度，其特征在于，所述气体浓度推定装置具备：过程数据库部，存储燃煤锅炉的过程数据；筛选处理部，进行从存储于该过程数据库部的过程数据中提取适于神经网络学习的数据的筛选处理；神经网络学习处理部，基于由该筛选处理部提取的适于神经网络的学习的数据进行神经网络的学习处理；神经网络推定处理部，基于该神经网络学习处理部的学习处理，推定处理从所述燃煤锅炉排出的排放气体中的CO浓度或NOx浓度。

根据作为一实施例的本发明，能够实现设备的控制装置及火力发电设备的控制装置，即使在预测控制对象的设备特性的模型特性与实际的设备特性不相同时，也能够良好地维持设备的控制特性。

根据作为其它的实施例的本发明能够实现燃煤锅炉的气体浓度推定装置及气体浓度推定方法，在燃煤锅炉的燃烧控制中使用神经网络模拟排放气体中的CO浓度或NOx浓度的变化时，能够抑制实机数据中含有的测量误差引起的神经网络模型的推定误差，可进行高精度的气体浓度的推定。

附图说明

图1是表示本发明第一实施例的设备控制装置的整体构成的控制方块图；

图2是表示图1所示的第一实施例的设备控制装置的控制顺序的流程图；

图3是在图1所示的第一实施例的设备控制装置的修正信号计算用数据库中保存的信息的设定画面；

图4是图1所示的第一实施例的设备控制装置的修正信号生成机构的各动作的说明图；

图5是利用图1所示的第一实施例的设备控制装置的修正信号生成机构学习最适合的操作方法的动作的说明图；

图6是用图1所示的第一实施例的设备控制装置的修正信号生成机构变更试行错误的范围的接口的说明图；

图7是表示本发明的第二实施例的火力发电设备的控制装置的整体构成的控制方块图；

图8是表示图7所示的第二实施例的火力发电设备的整体构成的概略结构图；

图9是图7所示的第二实施例的火力发电设备的控制装置的操作结果评价机构进行设备运转条件的判定方法的说明图；

图10是表示图7所示的第二实施例的火力发电设备的控制装置的操作结果评价机构400煤炭种类判定方法的说明图；

图11是图7所示的第二实施例的火力发电设备的控制装置的模型和学习机构的动作的说明图；

图12是表示本发明一实施例的燃煤锅炉的气体浓度推定装置的构成的概略图；

图13是表示构成图12所示的实施例的气体浓度推定装置的筛选处理部的图表化的处理的一例的概略图；

图14是表示构成图12所示的实施例的气体浓度推定装置的神经网络学习处理部的神经网络的构成的一例的概略图；

图15是表示设置于图12所示的实施例的显示装置的显示的一例的概略图。

符号说明：

1、2、4、测量信号

7、模型输出

8、模型输入

9、19、学习信息数据

16、学习信号

18、修正信号

22、23、操作信号

100、设备

100a、火力发电设备

101、锅炉

200、控制装置

210、外部输入接口

220、外部输出接口

230、测量信号数据库

240、模型构筑用数据库

250、学习结果信息数据库

260、修正信号计算用数据库

270、操作信号数据库

300、测量信号变换机构

400、操作结果评价机构

500、基准信号生成机构

600、学习信号生成机构

610、学习机构

620、模型

700、修正信号生成机构

800、操作信号生成机构

900、外部输入机构

910、维护工具

950、图像显示装置

2001、气体浓度推定装置

2002、控制系统

2003、运转条件设定部

2004、燃煤锅炉

2005、显示装置

2011、过程数据库

2012、筛选处理部

2013、筛选处理结果存储部

2014、神经网络学习处理部

2015、学习结果存储部

2016、神经网络推定处理部

具体实施方式

下面，参照附图说明本发明实施例的设备控制装置及火力发电设备的控制装置。

图1是表示本发明第一实施例的设备控制装置的整体构成的控制方块图。

图1中，本实施例的设备100的控制装置通过控制装置200来控制。

控制装置200作为运算装置分别具备：测量信号变换机构300、操作结果评价机构400、基准信号生成机构500、学习信号生成机构600、学习机构610、模型620、修正信号生成机构700及操作信号生成机构800。

另外，控制装置200作为数据库具备：测量信号数据库230、模型构筑用数据库240、学习结果信息数据库250、修正信号计算用数据库260及操作信号数据库270。

另外，控制装置200作为和外部的接口，具有外部输入接口210及外部输出接口220。

而且，在该控制装置200中，从设备100将测量了该设备的各种状态量的测量信号1通过外部输入接口210取入该控制装置200，另外，通过外部输出接口220从控制装置200对于上述设备100送出例如控制供给的动作流体的流量的操作信号23。

从设备100取入到控制装置200的设备100的各种状态量的测量信号1通过外部输入接口210后，作为测量信号2保存于控制装置200所具备的数据库即测量信号数据库230。

由控制装置200所具备的运算装置即操作信号生成机构800生成的操作信号22从操作信号生成机构800传送给外部输出接口220，并且保存于控制装置200所具备的数据库即操作信号数据库270。

另外，在控制装置200所具备的运算装置即操作结果评价机构400中，使用保存于测量信号数据库的测量信号3计算标志12、13、14、15。

用操作结果评价机构400计算的标志12、13、14、15分别发送给控制装置200所具备的运算装置即基准信号生成机构500、学习信号生成机构600、修正信号生成机构700、操作信号生成机构800。

在基准信号生成机构500、学习信号生成机构600、修正信号生成机构700、操作信号生成机构800中，根据发送的标志12、13、14、15的值确定是否动作(例如，标志的值是0时不动作，标志的值是1时动作等)。

另外，标志值的决定方法用图3后述。

在控制装置200具备的运算装置的操作信号生成机构800中，分别使用由基准信号生成机构500生成的基准信号17、由学习信号生成机构600生成的学习信号16、由修正信号生成机构700生成的修正信号18来计算操作信号22。

在控制装置200具备的运算装置的基准信号生成机构500中，使用保存于测量信号数据库230的测量信号4来计算基准信号17。

基准信号生成机构500由PI控制(比例/积分控制)电路等构成，且形成为根据预先设计的逻辑来计算基准信号17。

在控制装置200具备的运算装置的学习信号生成机构600中，使用保存于测量信号数据库230的测量信号4、保存于操作信号数据库270的操作信号21及保存于学习信息数据库250的学习信息数据11来计算学习信号16。

保存于学习信息数据库250的学习信息数据11使来自学习机构610的学习信息数据9及来自于模型620的模型输出7生成。

控制装置200具备的运算装置的模型620使用构筑于内部的统计模型或物理模型而带有模拟设备100的控制特性的功能。

通过外部输出接口220将控制装置200生成的操作信号23给予设备100，并通过外部输入接口210由控制装置200接受其控制结果即设备100的测量信号1。

通过将学习机构610和模型620组合使其动作，模拟设备100的控制特性而将这些状况作为模型输出进行输出。

即，将学习机构610生成的模型输入8给予模型620，学习机构610接受其控制结果即模型输出7。

模型620使用保存于模型构筑用数据库240的模型构筑用数据6，计算与从学习机构610输入的模型输入8对应的模型输出7并输出。

模型620例如利用神经网络等的统计模型或设备100的物理模型构筑。

在模型构筑用数据库240中保存实机数据5及模型构筑用数据6，其中，实机数据5为经由测量信号变换机构300除去从测量信号数据库230输出的测量信号4中含有的噪声而生成的数据；模型构筑用数据6为用于构筑模型620必要的模型参数等。

在控制装置200所具备的运算装置的学习机构610中，学习模型输入8的生成方法，以使用模型620计算的模型输出7成为所希望的值。

模型输出7的目标值等、学习中使用的参数保存于学习信息数据库250中，使用这些保存的学习信息数据10在学习机构610中学习。

作为安装学习机构610的方法有强化学习。在该强化学习中，在学习的初期阶段试行错误地生成模型输入8。

在学习机构610中，之后，随着进行学习，用模型620运算的模型输出7能够生成成为所希望的值那样的模型输入8。

作为这样的学习算法，在文献的“强化学习”中记载有如下方法，即：在测量信号达到运转目标值时给予正的评价值，并基于该评价值，使用Actor-Critic、Q学习、实机时间Dynamic Programming等的算法来学习操作信号的生成方法。

学习机构610在上述的强化学习方法之外，也可以使用进化的计算方法等的种种的最优化的方法。

用学习机构610学习的结果即学习信息数据保存于学习信息数据库250。

在控制装置200具备的运算装置的修正信号生成机构700中，使用保存于操作信号数据库270的操作信号21、保存于测量信号数据库230的测量信号4、保存于学习信息数据库250的学习信息数据19、保存于修正信号计算用数据库260的修正信号计算用数据20及保存于学习信息数据库260的学习信息数据19来计算修正信号18。

修正信号生成机构700的构成为，具有使操作信号的值增加的功能、使操作信号的值减少的功能、使操作信号的值保持现状值的功能、使操作信号的值恢复原来的值的功能、使操作信号的值与预先决定的值一致的功能中的至少一种功能。

另外，在修正信号生成机构700中，也能够提取模型620的特征量而计算修正信号18。该修正信号生成机构700的详细动作后述。

而且，由上述修正信号生成机构700生成的修正信号18以对由操作信号生成机构800生成的操作信号22进行修正的方式向该操作信号生成机构800输出。

在操作信号生成机构800中，根据从修正信号生成机构700输入的修正信号18等计算操作信号22并输出，并从控制装置200通过外部输出接口220而相对于上述设备100作为控制例如锅炉的燃烧器及气口的空气流量的操作信号23输出。

另外，如图1所示，在控制装置200的附近设置有由键盘901和鼠标902构成的外部输入机构900、维护工具910、图像显示装置950。

而且，设备100的操作员使用由键盘901和鼠标902构成的外部输入机构900生成维护工具输入信号51，并向维护工具910输入该信号，由此，在图像显示装置950中能够显示在控制装置200中配置的各种数据库的信息。

维护工具910由外部输入接口920、数据发送接受信息部930及外部输出接口940构成。

在外部输入机构900生成的维护工具输入信号51通过外部输入接口920而被取入维护工具910。

维护工具910的数据发送接受部930以根据维护工具输入信号52的信息，从配置于控制装置200的各种数据库中取得数据库信息50的方式构成。

在维护工具910的数据发送接受处理部930中，将处理数据库信息50后得到结果的维护工具输出信号53发送给外部输出接口940。

外部输出接口940将基于该维护工具输出信号53的输出信号54发送给图像显示装置950，并用该图像显示装置950显示。

另外，在上述本发明的实施例即设备的控制装置200中，在控制装置200的内部配置有：构成上述控制装置200中具备的数据库的测量信号数据库230、模型构筑用数据库240、学习结果信息数据库250、修正信号计算用数据库260及操作信号数据库270、测量信号变换机构300、操作结果评价机构400、基准信号生成机构500、学习信号生成机构600、学习机构610、模型620、修正信号生成机构700及操作信号生成机构800，但是，也可以将这些的全部或一部分配置于控制装置200的外部而构成。

图2是表示图1所示的第一实施例的设备控制装置的控制顺序的流程图。

在图2中，在设备100的控制装置200中，将本流程的步骤1000、1010、1020、1030、1040、1050、1060组合进行设备100的控制。

另外，如图2所示，控制装置200具有A、B、C的3个运转模式。

首先，最初，在确定初始模式的步骤1000中，确定初始模式，本实施例的初始模式为模式A。

于是前进至下一个模式判定的步骤1010，在该模式判定的步骤1010实施模式判定后，当运转模式是A模式时，前进至操作信号生成的步骤1020，当运转模式是B模式时，前进至操作信号生成的步骤1030，运转模式是C模式时，前进至操作信号生成的步骤1040。

在模式判定步骤1010判定且前进的操作信号生成的各步骤1020、1030、1040中，使控制装置200中具备的操作信号生成机构800工作而生成操作信号22。

控制装置200中具备的操作结果评价机构400工作，使用保存于测量信号数据库的测量信号3通过上述操作结果评价机构400根据需要生成用于使基准信号生成机构500、学习信号生成机构600、修正信号生成机构700动作的标志12、13、15。

运转模式设定为初始模式的A模式时，在前进到操作信号生成的步骤1020时，使用由基准信号生成机构500生成的基准信号17，基于上述操作信号生成机构800中作为运算函数具备的式(1)计算操作信号22。

在此，So是操作信号，Sb是基准信号。

So＝Sb              ...(1)

另外，运转模式移动到B模式且前进到操作信号生成步骤1030时，使用由基准信号生成机构500生成的基准信号17和由学习信号生成机构600生成的学习信号16，基于上述操作信号生成机构800中作为运算函数具备的式(2)计算操作信号22。

在此，Sl是学习信号。

So＝Sb+Sl            ...(2)

另外，运转模式移动到C模式且前进到操作信号生成步骤1040时，使用由基准信号生成机构500生成的基准信号17、由学习信号生成机构600生成的学习信号16和由修正信号生成机构700生成的修正信号18，基于上述操作信号生成机构800中作为运算函数具备的式(3)计算操作信号22。

在此，Sr是修正信号。

So＝Sb+Sl+Sr           ...(3)

另外，在本实施例的控制装置200中，使用操作信号生成机构800中作为运算函数具备的式(1)～(3)计算操作信号22，但是，在该控制装置200中也可以附加例如使用变化率限制器而防止操作信号So急剧变化的功能，或使用上下限设定器而将操作信号的值限制在预先设定的范围内的功能。

在经过基于用模式判定来判定的模式A、B、C而前进的上述操作信号生成的各步骤1020、1030、1040的任一步骤后进行的、向设备输送操作信号、取得操作结果的步骤1050中，通过外部输出接口220将在上述各步骤的1020、1030、1040任一步骤中生成的来自操作信号生成机构800的操作信号22作为操作信号23发送给设备100。

作为给予设备100该操作信号23的结果，之后，从设备100取得表示运转状态的状态量即测量信号1并保存于控制装置200的测量信号数据库230中。

在经过上述步骤1050后进入的，操作结果评价、确定下一模式的步骤1060中，在控制装置200中具备的上述操作结果评价机构400中，使用保存于测量信号数据库230的测量信号3评价操作设备100的操作结果，确定下一模式。

如前所述，控制设备100的运转模式的初始模式是在确定初始模式的步骤1000中设定的模式A。

之后，并用由学习信号生成机构600形成的学习结果而移动到生成操作信号的B模式。

在运转模式移动到B模式时，在操作结果评价机构400中，使用作为给予设备100某操作信号22a1的结果而取得的第一测量信号Sm1、作为给予设备100更新的操作信号22a2的结果而从该设备100取得的第二测量信号Sm2、这些测量信号Sm1、Sm2的目标值Sa，经由该操作结果评价机构400并根据式(4)及式(5)计算上述第一测量信号Sm1和上述目标值Sa的误差即第一误差E1、上述第二测量信号Sm2和上述目标值Sa的误差即第一误差E2。

在此，E1是第一误差，E2是第二误差，Sm1的第一测量值，Sm2是第二测量值，Sa是测量信号的目标值。

测量值Sm1、Sm2使用某一定期间的平均值或瞬时值等。

另外，ABS(a)意思是计算a的绝对值的函数。

E1＝ABS(Sm1-Sa)...(4)

E2＝ABS(Sm2-Sa)...(5)

第一误差E1比第二误差E2更大时向模式C移动，第一误差E1比第二误差E2更小时设定为模式B。

即，给予设备100更新了的操作信号的结果，在控制特性恶化(测量信号和目标值的误差增大)时运转模式向C模式前进，在操作信号生成机构800中，使用修正信号生成机构700生成的修正信号18计算操作信号22。

如后述，在修正信号生成机构700中，修正信号18以良好地维持控制特性的方式生成。

其结果是，得到提高设备100的控制性能的效果。

另外，在操作信号生成的步骤1040中，除了使用操作信号生成机构800中作为运算函数具备的式(3)来计算操作信号22的方法之外，也可以使用由运算函数式(4)及(5)计算的误差E1、E2或根据式(6)～(8)计算操作信号22。

另外，α、β是加权参数，ε是预先设定的设计参数。

So＝Sb+α×Sl+β×Sr      ...(6)

α←α-ε(E2-E1)           ...(7)

β←β+ε(E2-E1)           ...(8)

在此，式(6)意思是从上次的α值减去ε(E2-E1)，更新的α值。

通过使用操作信号生成机构800中作为运算函数具备的式(6)～(8)计算操作信号22，E2-E1的值越大，修正信号Sr的加权参数即β值越大，在修正信号生成机构700生成的修正信号18的值对经由操作信号生成机构800生成的操作信号22造成的影响增大。

图3是在图1所示的设备控制装置的实施例即控制装置200的修正信号计算用数据库中保存的信息的设定画面。

而且，在控制装置200的修正信号生成机构700中，使用图4所示的画面设定的各种信息、即保存于修正信号计算用数据库260的信息来计算修正信号18。

使用图3的画面，设备100的操作员可以在每一操作端任意地设定使用使操作信号的值增加的功能、使操作信号的值减少的功能、使操作信号的值保持现状值的功能、使操作信号的值恢复原来的值的功能、使操作信号的值与预先确定的值一致的功能、根据模型特征量计算的功能等功能。

另外，也可以在每一操作端设定操作量的操作范围。

作为所述的模型特征量，具有保存于控制装置200的模型构筑用数据库240的模型参数、模型输出特性曲线的极化点信息等。

图4及图5是说明利用图1所示的设备控制装置的实施例即控制装置200所具备的修正信号生成机构700进行的各动作的图。

图4的图4(a)～图4(d)图示有，横轴表示向模型或实机的操作量，纵轴表示向模型或实机的被控制量，且表示本实施例的控制装置200中的模型600的模型特性和其学习结果的一例。

另外，图4(a)～图4(d)是在本实施例中假设并显示用控制装置200的学习机构610探索模型的被控制量成为最小的操作条件时的情况。

在图4(a)中，横轴的α1表示现在的操作量，β1表示学习(探索)后的操作量。

如图4(a)所示，将操作量从α1更新为学习(探索)后的操作量β1，由此，在模型620上由模型特性曲线显示的被控制量减少。

因此，只要模型特性和实机即设备的设备特性一致，通过将操作量从α1更新为β1，减少相对于操作量的设备100的被控制量。

但是，在有模型误差且模型特性和实机的设备特性不一致时，使用学习效果操作设备100时，相反，设备100的被控制量有可能增加。

图4(b)表示将操作量从α1更新为学习后的β1的结果，模型特性曲线上升且设备100的被控制量增加的例子。

但是，模型误差引起的控制特性的恶化通过使用重新取得的设备100的测量信号1而修正模型620，由此减少模型误差，之后，以修正的模型620为对象通过控制装置200的学习机构610再学习相对于模型620的操作方法，由此能够抑制。

但是，在使用该方法时，多数情况下为了累积修正模型620的多个测量信号1的数据需要长时间，在该数据累积期间不能发挥期待的控制性能。

尤其是经过长时间不允许以控制特性恶化的状态运转设备100的情况下，难以使用上述的方法。

于是，本实施例的控制装置200中具备的修正信号生成机构700是利用上述方法解决问题的。

即，在本实施例的控制装置200中，在将相对于模型620的操作量由α1更新为学习后的β1，控制对象的设备100的被控制量增加时，控制装置200的运转模式由初始模式的A模式变更为C模式(参照图2)。

在变更的C模式中，经由控制装置200所具备的修正信号生成机构700生成用于良好地维持控制特性的修正信号18，根据该修正信号18经由操作信号生成机构800生成成为相对于控制对象的设备100的指令信号的操作信号22。

所述修正信号生成机构700具有利用图4(a)所示的模型特性曲线生成修正信号18的功能。

即，在修正信号生成机构700中，根据模型特性曲线算出该模型特性曲线的极化点数，根据该极化点的数量计算修正信号18。

而且，模型特性曲线的极化点数为偶数时使操作量减少，奇数时使操作量增加。

使用图4(a)～图4(f)说明通过上述方法减少被控制量、模型特性与所希望的特性接近的理由。

首先，如图4(a)所示，说明操作量在α1和β1之间的模型特性曲线的极化点数是偶数的情况。

在图4(a)所示的模型特性曲线的例中，极化点数是0个，是偶数。

这时，如图4(b)所示，作为实机特性曲线，用实线表示的实机特性的极化点的位置为操作量α1和β1之间时，操作量β1时的被控制量比操作量α1时的被控制量更大。

另外，作为实机特性曲线，用实线表示的实机特性的极化点的位置比β1更大时，如图4(c)所示，操作量β1时的被控制量比操作量α1时的被控制量更小。

于是，实机特性如图4(b)所示，极化点的位置为操作量α1和β1之间的特性时，通过减少操作量能够减少被控制量。

即，用虚线表示的模型特性曲线的极化点数是偶数时，通过减少操作量使之与α1接近，能够减少设备100的被控制量。

下面，如图4(d)～图4(f)所示，对具备具有与模型620不同的模型特性曲线的模型，操作量在α2和β2之间的模型特性曲线的极化点数是奇数的情况进行说明。

在图4(d)所示的例中，模型特性曲线的极化点数是1个，是奇数。

这时，如图4(e)所示，用实线表示的实机特性曲线的极化点的位置比用虚线表示的模型特性曲线的极化点更靠近操作量β2时，操作量β2时的被控制量比操作量α2时的被控制量更大。

另外，反过来，实机特性曲线的极化点的位置比模型特性的极化点更靠近操作量α2时，实机特性曲线如图4(f)中实线所示，操作量β2时的被控制量比操作量α2时的被控制量更小。

因此，在实机特性为如图4(e)所示的实机特性曲线时，通过增加操作量能够减少相对于操作量的被控制量。

即，模型特性曲线的极化点数是奇数时，通过减少操作量，能够减少控制对象的设备100的被控制量。

另外，在上述图4中，将模型特性曲线的极化点数是偶数即图4(a)～图4(c)的情况作为模式1表示于左侧，将模型特性曲线的极化点数是奇数即图4(d)～图4(f)的情况作为模式2表示于右侧。

于是，在修正信号生成机构700中，使用上述的模型特性曲线的极化点数的信息，以生成使操作量增加、减少的修正信号18并向操作信号生成机构800输出的方式构成。

另外，通过将强调图4(a)、图4(d)所示的模型特性曲线的极化点的位置的标志及模型特性曲线的极化点的数显示在附设于图1所示的控制装置200的维护工具910的图像显示装置950上，设备100的操作员能够知道修正信号生成机构700生成的修正信号18的生成根据，能够评价修正信号18的妥当性。

图5是利用本实施例的控制装置200中的修正信号生成机构700，说明以设备100为对象学习最适合的操作方法的动作的图。

用于学习的探索范围，组合控制装置200的学习机构610和模型620后确定。

在图5(a)中，横轴作为操作量，纵轴作为被控制量，以用实线表示控制设备100时的模型特性的方式，在学习机构610中，以模型输出和目标值的误差成为最小的操作条件为中心，将预先决定的阈值的范围设定为试行错误的范围。

接下来，在修正信号生成机构700中，在由学习机构610确定的试行错误的范围内形成使操作信号变化的操作量的探查范围，以设备100的测量信号和测量信号的目标值的误差成为最小的方式来计算操作信号。

而且，学习机构610的学习结果以例如图5(b)所示的方式保存于学习信息数据库250。

图5(b)意思是通过修正信号生成机构700生成修正信号18，该修正信号18在被控制量比γ1大时使操作量减少，在被控制量比γ1小时使操作量增加。

通过将图5(b)所示的修正信号的标志显示于图像显示装置950上，设备100的操作员能够知道修正信号18的生成根据，能够评价修正信号18的妥当性。

图6是说明变更使由本实施例的控制装置200所具备的修正信号生成机构700进行的操作信号变化的试行错误的范围的接口的图。

使用图6画面所示的各种信息，将图5(a)、图5(b)说明的操作量的探索范围和基于图6的画面中的阈值的探查范围1进行比较，可按照作为基于手动修正的探查范围2所示的方式手动设定。

其结果，熟知设备100的运转的操作员设定所述图5的探索范围，由此得到在最佳操作条件的探索中也能够安全运转设备100的效果。

根据上述本发明的实施例，在预测控制对象的设备的特性的模型的特性与实机的设备特性不相同时，也能够实现能够良好维持设备的控制特性的设备的控制装置。

(实施例2)

下面，参照附图说明本发明的第二实施例的火力发电设备的控制装置。

图7是表示本发明的第二实施例的火力发电设备的控制装置的整体构成的控制方块图。

另外，后述的图8中，作为成为图7所示的本发明的第二实施例的火力发电设备的控制装置的控制对象的火力发电设备，表示具有使用燃料煤的锅炉的火力发电设备的概略结构。

图7所示的第二实施例的火力发电设备的控制装置和图1所示的第一实施例的设备的控制装置的基本构造通用，因此对于通用的构成部分的说明省略，只对不同的构成部分进行如下说明。

在图7的火力发电设备的控制装置中，具备使用燃料煤的锅炉101的火力发电设备100a通过控制装置200控制。

在本实施例的控制装置200中，将火力发电设备100a的各种状态量，即例如，测量锅炉101出口的燃烧气体的氧浓度或一氧化碳浓度的测量信号1取入该控制装置200，另外，通过外部输出接口220从控制装置200对于上述火力发电设备100a送出例如控制锅炉101的燃烧器102及气口103的空气流量的操作信号23。

通过使用本实施例的控制装置200，以火力发电设备100a中具备的锅炉101的空气挡板的开度、空气流量、空气温度、燃料流量、排气再循环流量的至少一个为对象进行控制，由此，能够将从火力发电设备100a排出的排放气体中含有的氮氧化物、一氧化碳浓度、二氧化碳浓度、硫氧化物浓度、水银浓度的至少一种控制为所希望的值。

在构成本实施例的控制装置200的模型620中，对保存于模型构筑用数据库240的模型构筑用数据6即挡板的开度、空气流量、空气温度、燃料流量、排放气体再循环流量，预测运算这时的氮氧化物、一氧化碳浓度、二氧化碳浓度、硫化氧化物浓度、水银浓度的值进行预测运算并输出。

在图1所示的第一实施例的设备控制装置和图7所示的第二实施例的火力发电设备的控制装置中，在图7所示的第二实施例的控制装置200中具备多个学习机构610和模型620这一点不同。

在本实施例的控制装置200中，具备多个这种的学习机构610和模型620，因此能够与火力发电设备100a的运转条件的切换相对应。

火力发电设备100a实施变更锅炉101的燃烧器模式、负荷水平、煤种的运转时，设备特性变化大。

作为即使设备特性变化大时也良好地保持火力发电设备100a的运转状态的方法，在本实施例中，在控制装置200中设置模型切换机构630，在该模型切换机构630中准备与各种运转条件相对应的多个模型620，并且，分别配置以与这些各种的运转条件对应而准备的多个模型620为对象学习操作方法的多个学习机构610。

另外，本实施例中，以每一个运转条件所具备的模型620为对象准备的学习机构610分别学习的学习信息数据9的种类只具有模型620的种类的数。

而且，由这些学习机构610分别学习的学习结果保存于学习信息数据库250。

另外，在用学习信号生成机构600生成学习信号16时，使用哪个学习结果的确定，即现在的设备运转条件的判定由操作结果评价机构400实施。

图8表示成为图7所示的本发明的第二实施例的火力发电设备的控制装置的控制对象的具备使用燃料煤的锅炉的火力发电设备的概略结构。

首先，用图8(a)对具有锅炉101的火力发电设备100a的发电结构进行说明。

在图8(a)中，作为燃料的煤由碾磨机110粉碎后，作为微粉煤通过设置于锅炉101的燃烧器102和煤输送用的一次空气及燃烧调整用的二次空气一起投入锅炉101，在锅炉101的火炉内部燃烧燃料煤。

燃料煤和一次空气从配管134、二次空气从配管141被导入燃烧器102。

另外，两段燃烧用的后空气(after air)通过设置于锅炉101内的后气口103投入锅炉101。该后空气从配管142导入后气口103。

在锅炉101的火炉的内部使燃料煤燃烧而发生的高温的燃烧气体沿用箭头表示的锅炉101的火炉的路径流向下游侧，通过配置于锅炉101的热交换器106进行热交换后，成为燃烧排放气体且从锅炉101排出，并流向设置于锅炉101的外部的空气加热器(air heater)104。

通过空气加热器104后的燃烧排放气体，之后用未图示的排放气体处理装置除去燃烧排放气体中含有的有害物质后，从烟筒排放至大气。

在锅炉101中循环的供水通过供水泵105从设置于涡轮108的未图示的凝汽器导入锅炉101，并在设置于锅炉101的火炉的热交换器106中由流下锅炉101内部的燃烧气体加热而成为高温高压的蒸汽。

另外，在本实施例中，图示的热交换器106的数量为一个，但是也可以配置多个热交换器。

由热交换器106发生的高温高压的蒸汽通过涡轮调节阀107导入蒸汽涡轮108，利用蒸汽具有的能量驱动蒸汽涡轮108，使与该蒸汽涡轮108连结的发动机109旋转而发电。

接着，对从设置于锅炉101的火炉内的燃烧器102投入锅炉101的火炉内的一次空气及二次空气、从设置于锅炉101的火炉内的后气口103投入锅炉101的火炉内的后空气的路径进行说明。

一次空气由鼓风机120导入配管130，途中分路为通过空气加热器104内部的配管132和绕过空气加热器104的配管131，从这些配管132及配管131流下的一次空气再次由配管133合流而导入碾磨机110。

通过空气加热器104的空气通过从锅炉101的火炉排出的燃烧排放气体而被加热。

使用该一次空气将在碾磨机110生成的煤(微粉煤)通过配管133输送给燃烧器102。

二次空气及后空气从鼓风机121导入配管140，并从通过空气加热器104的内部的配管140流下且被加热后，在配管140的下游侧分路成二次空气用的配管141、后空气用配管142，且分别导入设置于锅炉101的火炉的燃烧器102和后气口103。

具备本实施例的锅炉的火力发电设备100a的控制装置200降低锅炉排放气体中的NOx及CO浓度，因此具有调整从燃烧器102投入锅炉101的空气量和从后气口103投入锅炉101的空气量的功能。

在火力发电设备100a中，配置有检测该火炉发电设备100a的运转状态的各种各样的测量器，从这些测量器取得的设备的测量信号作为测量信号1发送给控制装置200。

作为检测火力发电100a的运转状态的各种各样的测量器，例如在图8中分别图示有：流量测量器150、温度测量器151、压力测量器152、发电输出测量器153及测量O₂浓度及/或CO浓度的浓度测量器154。

流量测量器150测量从供水泵105向锅炉101供给的给水的流量。温度测量器151及压力测量器152在配设于锅炉101的热交换器106中分别测量与流出该锅炉101的燃烧气体进行热交换而产生的蒸汽供给蒸汽涡轮108的蒸汽的温度及压力。

发电机109所发出的发电量由发电输出测量器153测量，该发电机109通过在上述热交换器106发生的蒸汽驱动蒸汽涡轮108而旋转。

另外，关于流出锅炉101的燃烧排放气体中含有的成分(CO、NOx等)的浓度的信息用设置于测量锅炉101的下游侧即锅炉出口的流路的测量O₂浓度及/或CO浓度的浓度测量器154来测量。

另外，一般而言，除了图8所示的以外，在火力发电设备100中也配置有多个测量器，但是在此省略图示。

图8(b)表示设置于构成火力发电设备100a的锅炉101的下游侧的空气加热器104和配设于该空气加热器104的配管的局部放大图。

如图8(b)所示，在配设于空气加热器104内部的配管140的下游侧分路的二次空气用的配管141及后空气用的配管142、配设于空气加热器104内部的配管132及绕过空气加热器104的配管131中分别配置有空气挡板162、163、161、160。

而且，通过操作这些空气挡板160～163，变更配管131、132、141、142内空气通过的面积，并单独调整通过这些配管131、132、141、142的空气流量。

而且，使用由控制火力发电设备100a的控制装置200生成且向该火力发电设备100a输出的操作信号18，操作供水泵105、碾磨机110、空气挡板160、161、162、163等设备。

另外，在本实施例的火力发电设备的控制装置中，将调节供水泵105、碾磨机110、空气挡板160、161、162、163等火力发电设备的状态量的设备称为操作端，将操作它们的必要的指令信号称为操作信号。

另外，将燃烧用等空气或微粉煤等的燃料投入锅炉101时，也可以将能够上下左右移动其喷出角度的功能附加于锅炉101上设置的燃烧器102及后气口103，且也可以在上述操作信号18中含有调节这些燃烧器102及后气口103的安装角度的指令信号。

下面，使用图9说明由设置于本实施例的控制装置200中的操作结果评价机构400进行的设备运转条件的判定方法。

在图9(a)～图9(c)中，操作结果评价机构400具有：根据供给碾磨机110的煤流量的测量信号的值来把握锅炉101的燃烧器模式的功能、根据输出要求或发电机109的输出测量信号值来把握负荷水平的功能、根据碾磨机分极机转速的测量信号值来把握煤种的功能。

图9(a)是说明通过操作结果评价机构400把握锅炉101的燃烧器模式的功能的图。

横轴的时间为t1时，纵轴表示煤流量，由构成碾磨机110的碾磨机A、B、D向锅炉101供给煤，经过时间t2时开始从碾磨机C供给煤(例如，时间为t3时，从所有碾磨机A、B、C、D供给煤)。

如图9(a)右侧的锅炉概略图所示，从碾磨机A、B、C、D向分别沿锅炉101的炉前及炉后的水平方向设置的5个燃烧器供给煤。

在操作结果评价机构400中，由通过测量数据库130作为火力发电设备100a的测量信号3检测的、从图9(a)所示的碾磨机A、B、C、D供给的煤供给量及碾磨机A、B、C、D和设置于锅炉101的5个燃烧器的对应关系，可以把握燃烧器模式。

通过把握上述的燃烧器模式能够把握锅炉101的火炉内的燃烧状态。

图9(b)是通过操作结果评价机构400说明把握火力发电设备100a的负荷水平的功能的图。

发电机输出通过图8所示的发电输出测量器153测量发电机109的发电量，图9(b)表示横轴的时间是t4时纵轴表示的火力发电设备100a的发电输出量的M4，横轴时间是t5时发电输出量是M5。

这样一来，根据发电输出测量器153测量的发电机输出的测量信号值能够把握火力发电设备100a的负荷水平。

图9(c)是通过操作结果评价机构400说明在火力发电设备100a的锅炉101的燃料中使用的第一煤种判别方法的图。

对于在图8所示的火力发电设备的碾磨机110中设置的将燃料煤粉碎后的微粉煤供给到锅炉101的碾磨机分级机，图9(c)表示横轴的时间是t6时纵轴表示的碾磨机分级机的转速是R6，横轴时间是t7时的转速是R7。

碾磨机分级机的转速以从碾磨机110供给锅炉101的燃料的微粉煤的粒度成为目标值的方式进行调整。

煤的硬度每一个煤种都不同，因此，微粉煤的粒度和目标值一致时的分级机转速每一个煤种都不同。

因此，能够从该分级机转速判别供给锅炉101的煤的煤种。

在控制装置200的学习信号生成机构600中按下述顺序生成学习信号16。

首先，在操作结果评价机构400中生成与设备运转条件对应的标志13，并且向学习信号生成机构600输出该标志13。该设备运转条件通过基于由测量信号数据库230得到的火力发电设备100a的数据信号3而把握利用该操作结果评价机构400把握的上述燃烧器的功能、把握负荷水平的功能及把握煤种的功能来判定。

在模型620中，使用与由操作结果评价机构400判定的设备运转条件相对应的模型620，并经过与该模型620对应的学习机构610生成学习的学习信息数据9，经由学习信息数据库250作为学习信息数据11向上述学习信号生成机构600输出。

学习信号生成机构600的构成为，根据这些标志13及学习信息数据11运算生成学习信号16，并向操作信号生成机构800输出。

图10是说明设置于本实施例的控制装置200的操作结果评价机构400中的第二煤种类判定方法的图。

图10(a)中，在操作结果评价机构400中，基于上述的煤组成的信息，在模型切换机构630中，根据各种运转条件计算准备的多个各模型620间的加权，参照在修正信号生成机构700中计算的模型620的加权的值和学习机构610的学习结果，使用该修正信号生成机构700中作为运算函数具备的式(9)生成修正信号18。

在此，1≤i≤n、n是煤种的数，di是第i种煤和实际样品值的距离，Si是根据使用第i种煤模型的学习结果而生成的学习信号值的值。

式(9)的意思是将(Si/di)在1≤i≤n范围全部总和的值除以将(1/di)在1≤i≤n范围全部总和的值。

So＝∑(Si/di)/∑(1/di)          ...(9)

另外，距离di用欧几里德距离、马氏距离的计算法则计算。

而且，在图10(a)所示的成分1和成分2的图面中，成为煤种判定对象的实际样品值若为从与煤种类A样品值的距离d1、与煤种类B样品值的距离d2的关系取距离d1、d2的倒数后，煤种类A样品值的加权变大，煤种类B样品值加权变小。

因此，在操作结果评价机构400中，通过在各模型620中附加上述加权值计算，能够判定实际样品的煤种类。

另外，如图10(b)左侧的锅炉的概略图所示，在本实施例的控制装置200具备的修正信号生成机构700中，使用含有的硫磺成分比阈值更多的煤作为锅炉101的燃料时，以使从锅炉101的火炉壁面部的燃烧器及气口供给的空气流量值增大的方式生成修正信号18，并且向操作信号生成机构800输出。

在操作信号生成机构800中根据该修正信号18生成操作信号22，并通过外部接口220作为对于火力发电设备100a的操作信号23输出并且控制。

另外，图10(b)右侧的空气流量的标志示意地表示图10(b)左侧的锅炉的概略图的火炉壁面部的燃烧器及从空气口供给的空气流量的状况。

尤其是，硫磺成分多的煤作为燃料时，以抑制锅炉101的火炉壁面部的腐蚀的方式调整空气流量为重要目的。

另外，如图10(b)所示，在本实施例的控制装置200中，使用硫磺成分多的煤作为锅炉101的燃料时，以增大锅炉101的火炉壁面部的空气流量的方式在修正信号生成机构700生成修正信号18，由此，能够抑制从设置于锅炉101的火炉壁的燃烧器102及从气口103沿火炉壁的炉壁腐蚀。

图11是说明图7及图8所示的本发明的第二实施例的火力发电设备的控制装置中控制装置200的动作的说明图。

图11(a)是表示本实施例的控制装置200具备的模型620的特性的例子的图，在与该模型620对应地设置的学习机构610中，以该模型620为对象学习CO浓度成为最小的操作条件。

例如，在控制装置200中安装学习机构610时使用强化学习，以CO浓度越低报酬越大的方式进行设定，由此能够学习到达CO浓度成为最小的操作条件(图11(a)中的操作条件y)的操作方法。

在图11(a)中，以横轴为操作条件，纵轴为CO浓度表示两者的关系，在操作条件y的附近，CO浓度的变化相对于操作条件的变化大。

空气流量为操作条件时，投入锅炉101的空气流量随时间变动，因此即使使操作信号与操作条件y一致，实际向锅炉101投入的空气流量变动，从而CO浓度有可能上升。

为了避免这种现象，在本实施例的控制装置200中，使学习机构610动作时也可以采用以下所述的方法。

即，在控制装置200中安装学习机构610时使用强化学习，使用将CO浓度越低其越大的第一报酬值和满足学习机构610作为运算函数具备的式(10)时取负值的第二报酬相加得到的报酬。

另外，在式(10)中，CO(I)是操作条件为I时的CO浓度推定值(模型输出)、Δ是微小值、Ω是预先设定的阈值。

ABS(CO(I)-CO(I+Δ))/Δ>Ω        ...(10)

在学习机构610中采用上述的报酬，在CO浓度的变化率小的条件下，能够学习到达CO浓度成为最小的操作条件(图11(a)中的操作条件x)的操作方法。

这是因为在控制火力发电设备100a时有助于稳定运转。

图11(b)是在控制对象为火力发电设备100a即本实施例的控制装置200中具备的操作信号生成机构800的一实施方式(控制电路)。

如图11(b)的控制电路所示，在构成操作信号生成机构800的控制电路中将锅炉出口的氧浓度设定为所希望的值，因此，将氧浓度测量值和其目标值的偏差设定为输入的PI控制器的输出信号与空气流量设定值相加，由此生成关于空气流量的操作信号。

而且，基于由操作信号生成机构800生成的该空气流量的操作信号，通过运算确定投入锅炉101的总空气流量，并作为操作信号输出。

另外，修正信号生成机构700生成的修正信号18输入给操作信号生成机构800，但是，例如在构成图11(b)所示的操作信号生成机构800的控制电路中，作为修正信号a、修正信号b以向所示位置输入的方式反映该修正信号18。

即，所述修正信号a和修正信号b作为修正氧浓度目标值的修正信号a及修正空气流量操作信号的修正信号b被输入。

另外，图11(c)是本实施例的控制装置200中具备的修正信号生成机构700的修正信号18的生成方法的一例。

如图11(c)所示，修正信号生成机构700的修正信号18的生成根据模型620的模型特性和控制对象即火力发电设备100a的实机数据的误差特征来生成修正信号18。

即，在修正信号生成机构700中，从模型620的模型特性和火力发电设备100a的实机数据的误差特征推定误差原因，根据该误差原因生成修正信号18。

作为误差原因，可以列举从设置于锅炉101的火炉壁的后气口103投入锅炉101的火炉内的空气的运动量调整而造成的误差。

于是，对从后气口103投入火炉内的空气的运动量调整进行叙述。

图11(d)是设置于本实施例的锅炉101的火炉壁的后气口103的概略结构图。

在图11(d)中，供给后气口103的空气通过后气口103的喷嘴181、182供给火炉内。

从喷嘴181、182向火炉内供给的空气的分配能够通过分别操作构成图8(b)所示的空气挡板163的一部分的空气挡板163a、163b而变更。

即，在图11(d)中，向右移动空气挡板163b的位置时，空气挡板163b的流路变窄，因此从喷嘴182向火炉内供给的空气流量减少。

在火力发电设备100a中，通过操作这种后气口103的空气挡板163a、163b，调整从后气口103投入火炉内的空气流量、流速、运动量。

后气口103的空气挡板163a、163b的开度以手动操作成设定值。

另外，作为目标的空气量和实际投入锅炉101的空气量有可能在设定值和操作结果的空气量之间产生误差。

于是，控制装置200的模型620中，根据空气挡板163a、163b的开度设定值，以预测在其设定值的情况下从锅炉101排出的燃烧排出气体中的一氧化碳浓度等的方式构成。

因此，如前所述，在投入锅炉101的空气量的设定值和由操作结果导致的空气量间产生误差时，模型620的预测值和火力发电设备101a的状态量即测量值有可能不一致。

于是，本实施例的控制装置200如下构成，在模型620的预测值和来自火力发电设备101a的测量值不一致时，通过修正信号生成机构700生成修正后气口103的空气挡板163a、163b的开度的操作信号18，并向操作信号生成机构800输入且在该操作信号生成机构800中生成操作信号22，以消除投入锅炉101的空气量的设定值和由操作结果导致的空气量间的误差。

另外，该操作信号18的值在图7所示的图像显示装置950中作为操作指导值显示，火力发电设备100a的操作员也可以知道。

通过使用上述本实施例的控制装置200调整后气口103的空气挡板163a、163b的开度，能够将从锅炉101排出的气体中含有的氮氧化物、一氧化碳浓度、二氧化碳浓度、硫氧化物或水银等控制成所希望的值。

另外，在本实施例中，对利用控制装置200进行从设置于锅炉101的火炉壁的后气口103投入锅炉101的火炉内的空气的流量、流速、运动量等的调整的情况进行了叙述，但是，也可以将该控制装置200用于调整从设置于锅炉101的火炉壁的燃烧器102投入火炉的空气的流量、流速、运动量等的控制。

根据上述本发明的实施例，即使预测控制对象的设备特性的模型的特性与实机的设备特性不同时，也可以实现能够良好地维持设备的控制特性的火力发电设备的控制装置。

(实施例3)

其它实施例的气体浓度推定装置是以设置于火力发电设备的燃煤锅炉为对象，使用神经网络进行从燃煤锅炉排出的排放气体含有的CO和NOx气体浓度推定处理。

从燃煤锅炉排出的排放气体中含有的CO和NOx的物质受环境限制对排放气体中的浓度设有限制值。

本实施例的燃煤锅炉的气体浓度推定装置对于具备燃煤锅炉的火力发电设备的种种运转条件推定排放气体中的CO浓度和NOx浓度。

具备有本实施例的燃煤锅炉的火力发电设备的控制系统基于对于从上述气体浓度推定装置得到的种种运转条件(燃料流量、空气流量等)的CO浓度和NOx浓度的推定值，设计满足排放气体的环境限制，且锅炉效率为最大的燃煤锅炉的运转条件。

下面，参照附图对本实施例的燃煤锅炉的气体浓度推定装置及方法进行说明。

图12是表示一实施例的燃煤锅炉的气体浓度推定装置的构成的概略图。

图12所示的设备即燃煤锅炉2004的燃烧控制通过控制系统2002进行。而且，图12所示的燃煤锅炉2004的气体浓度推定装置2001设置有气体浓度推定装置2001，其推定从燃煤锅炉2004排出的排放气体中的CO浓度和NOx浓度。

上述气体浓度推定装置2001具备：通过控制系统2002联机取入成为燃煤锅炉2004的实机数据的过程数据，且按时序存储该取入的过程数据的过程数据库(过程DB)2011、从按时序存储于该过程DB2011的过程数据提取适合于神经网络学习的数据并进行筛选处理的筛选处理部2012、存储该筛选处理部2012的筛选处理结果的筛选处理结果存储部2013。

另外，上述气体浓度推定装置2001具备：神经网络学习处理部2014，其根据由筛选处理提取且存储于上述筛选处理结果存储部2013的适于神经网络的学习的数据，进行用于从燃煤锅炉2004排出的排放气体中含有的CO浓度及或NOx浓度的推定的神经网络的学习处理；学习结果存储部2015，存储由该神经网络学习处理部2014的学习处理求出的结合系数。

另外，上述气体浓度推定装置2001具备根据神经网络学习处理部2014的学习处理来推定处理从上述燃煤锅炉2004排出的排放气体中的CO浓度及或NOx浓度的神经网络推定处理部2016。

本发明的实施例中，在控制对象的燃煤锅炉2004中设置有进行锅炉的燃烧控制的控制系统2002，通过该控制系统2002相对于气体浓度推定装置2001设定燃煤锅炉2004的运转条件，气体浓度推定装置1以运算该运转条件下的CO浓度和NOx浓度的推定值的方式构成。

气体浓度推定装置2001在推定燃煤锅炉2004的CO浓度和NOx浓度时，使用通过控制系统2002取入的燃煤锅炉2004的过程数据。

从控制系统2002取入的燃煤锅炉2004的过程数据以上述的方式送达设置于浓度推定机构2001的过程DB2011并按时序存储。

而且，在气体浓度推定装置2001中，经由下一个筛选处理部2012取入时序存储于过程DB2011的燃煤锅炉2004的过程数据，只提取适合于神经网络的学习的过程数据进行筛选处理。

在本实施例中，从用于模型构筑的燃煤锅炉2004的实机过程数据中除去成为模型误差的数据后，进行模型学习的处理。成为模型的误差原因的数据的选择以如下方式进行。

通常，作为模型输入使用的数据的种类有多个。在这些当中，注意最初的一个输入信号，除去该输入信号后，提取多个其它的输入信号值大致相同的数据组合。

对于提取的多个数据，确认对于注意的输入信号的变化的倾向。这时，若是具有脱离倾向的数据，则判断该数据成为建模时的误差原因，并从学习数据中除去。对每一个输入信号使用的数据种类实施以上处理。

下面，对该筛选处理部2012的筛选处理的具体内容进行说明。

筛选处理部2012从存储于过程DB2011的燃煤锅炉2004的过程数据中取得作为神经网络的输入使用的输入信号及与推定对象即CO浓度、NOx浓度对应的测量值。

作为神经网络的输入信号，例如有：供给燃煤锅炉2004的燃烧用的一次空气流量(非测量时是一次空气鼓风机动力等)、二次空气流量、燃煤锅炉的负荷及供给燃料煤的供煤机流量等。

其中，作为最初的顺序着眼于一个信号，通过筛选处理部2012进行存储于过程DB2011的过程数据的分组。

例如，作为最初顺序的一个信号着眼于供煤机流量的信号时，对于供煤机流量以外的信号值，将差在规定的阈值以内的数据作为同样的分组来定义。

即，将供煤机流量以外的信号作为输入信号时，在筛选处理部2012中，供煤机流量的值不同，但是，一次空气流量、二次空气流量、锅炉负荷的各信号汇集表示在规定的阈值以内大致相同的值的数据而被分组化。

接着，对上述被分组化的各组，经由筛选处理部2012对输入信号即供煤机流量和成为推定的气体浓度的对象的CO浓度和NOx浓度的关系进行标志化。图13表示该处理的概念。

图13是经由筛选处理部2012进行的标志化的处理，对于属于同一组的数据，横轴表示输入信号的供煤机流量，纵轴表示图示作为推定气体浓度的对象的NOx浓度时的特性标志。

供煤机流量信号以外的信号值成为上述的规定阈值以内的大致同样的值，因此供煤机流量以外的其它信号可以假设成同样条件。这时，特性标志表示数据对于供煤机流量的依存性，即，对NOx浓度造成影响的关系程度，图13(a)的情况表示上述关系的程度大的状况。

接着，对图13中图示的数据，通过筛选处理部2012进行函数拟合。

图13(a)所示的曲线状的参数2100表示通过拟合处理得到的拟合(fitting)函数。

接着，用筛选处理2012计算该拟合函数2100和图示的各数据的误差。

而且，通过筛选处理部2012的计算，误差超过规定的阈值的值的数据的相对于供煤机流量的上述依存性与其它数据不同，因此，大多判断为含有误差的数据，并从由后述的神经网络学习处理部2014学习神经网络的模型的建模处理所使用的数据中排除。

例如，在图13(a)所示的情况中，数据2101相对于曲线状的函数2100的误差ΔE超过规定的阈值的值时，判断为数据2101中含有的误差ΔE大，从而将该数据2101从建模处理使用的数据中除去。

接着，如图13(b)所示的情况所示，对于在上述筛选处理2012中用拟合处理没有除去的数据，再一次进行拟合处理。

在该图13(b)的例中，表示除去数据2101进行拟合处理，得到新的曲线状的拟合函数2102的状况。

接着，经由筛选处理2012计算该新的拟合函数2102和图示的各数据的误差。而且，在误差超过规定的阈值的值的数据存在时，除去成为超过该规定的阈值的值的误差的数据，再一次进行拟合处理。

而且，若没有超过误差规定的阈值的值的数据，对于该分组的处理结束。对于别的分组进行同样的处理。

对于作为神经网络的输入信号设定的各信号(在上述的例中，供煤机流量之外的一次空气流量、二次空气流量及锅炉的负荷)进行上述说明的处理。

通过上述的筛选处理2012的筛选处理，能够除去成为模型的误差主要因素的误差大的数据。

这些筛选处理部2012的筛选处理结果存储于筛选处理结果存储部2013。

接着，经由神经网络学习处理部2014，根据存储于筛选处理结果存储部2013的筛选处理后的数据，进行用于推定CO浓度和NOx浓度的神经网络的学习处理。

图14表示上述神经网络学习处理部2014的神经网络的构成例。

在构成图14所示的神经网络学习处理部2014的神经网络的构成例中，作为神经网络的输入信号，分别给予燃煤锅炉2004的过程数据即供煤机流量、一次空气流量、二次空气流量、锅炉负荷，作为神经网络的输出信号设定有从燃煤锅炉2004排出的排放气体中的CO浓度和NOx浓度。

通过构成该神经网络学习处理部2014的神经网络的学习处理，求出表示神经网络的输入值和输出值关系的结合系数。

由神经网络学习处理部2014的神经网络学习处理求出的结合系数存储于学习结果存储部2015。

以上说明是构筑用于推定从燃煤锅炉2004排出的排放气体中的气体浓度(CO浓度及或NOx浓度)的神经网络模型的学习处理的内容。

在该神经网络学习处理部2014的学习处理中，若过程DB2011中存储有种种运转条件的燃煤锅炉2004的测量数据，则不需要实时处理。

另外，在进行推定后述的神经网络推定处理部2016的气体浓度(CO浓度和NOx浓度)处理前，预先进行上述的学习处理，也可以准备神经网络模型。

接着，对使用由上述神经网络学习处理部2014的学习处理构筑的神经网络模型的神经网络推定处理部2016来进行燃煤锅炉2004的排放气体含有的气体浓度(CO浓度及或NOx浓度)的推定的动作进行说明。

在图12所示的具备燃煤锅炉的火力发电设备2004的控制系统2002中，为降低环境规定值设定的燃煤锅炉2004的排放气体中含有的气体浓度即CO浓度及或NOx浓度，进行燃煤锅炉2004的燃烧控制的最优化。

该燃烧控制的最优化处理通过设置于控制系统2002的运转条件设定部2003，根据来自该控制系统2002的指令信号变更神经网络的输入中设定的过程值中与控制条件对应的过程值。

例如，在解析改变一次空气流量时的CO浓度及NOx浓度的变化倾向时，运转条件设定部2003只改变神经网络的输入信号中的一次空气流量的值，对于其它的输入信号(例如，供煤机流量、二次空气流量及锅炉的负荷)值，使其保持直接设定当前值来工作。

这时，根据神经网络推定处理部2016以推定处理得到的CO浓度及NOx浓度的推定值(在上述例中，知道对于输入信号的一次空气流量的变化倾向)，控制系统2确定燃煤锅炉的锅炉燃烧的最佳的控制方法。

作为锅炉燃烧的最佳的控制方法，例如，认为通过变更供给锅炉的燃烧用空气量的调节、锅炉的燃烧模式来进行锅炉的燃烧控制。

对上述所述的神经网络推定处理部2016的处理结果，构成为能够显示于图12所示的显示装置2005并确认。

图15表示设置于图12所示的本实施例的显示装置2005的显示例的一例。在图15(a)所示的显示装置2005的显示例中，图示有通过筛选处理部2012的筛选处理而除去的数据2101。

另外，在图15(b)所示的显示装置2005的显示例中，用点划线表示通过本实施例的神经网络推定处理部2016，由学习处理得到的神经网络模型对于NOx浓度的推定值，并且也表示时间经过导致的NOx浓度的推定值的倾向。

另外，在图15(b)的显示例中以将用实线表示的NOx浓度的实测值和用点划线表示的神经网络模型表示的推定值的倾向的双方进行比较的方式来图示。

在以上说明的本实施例中，能够高精度进行基于控制系统的锅炉燃烧控制的最佳化的排放气体中的CO浓度及或NOx浓度的推定处理。

即，根据本发明的实施例，用神经网络模拟燃煤锅炉的燃烧控制中排放气体中的CO浓度或NOx浓度的变化时，能够实现抑制实机数据中含有的测量误差引起的神经网络模型的推定误差，并可进行高精度的气体浓度推定的燃煤锅炉的气体浓度推定装置及气体浓度推定方法。

工业上的可利用性

作为一实施例的本发明，可适用于设备的控制装置及具备锅炉的火力发电设备的控制装置。

作为其它实施例的本发明，可适用于推定从燃煤锅炉排出的排放气体中含有的气体成分即CO浓度及NOx浓度的燃煤锅炉的气体浓度推定装置及气体浓度推定方法。

Claims (15)

1、一种设备的控制装置，其使用测量设备的运转状态的测量信号来运算对设备进行控制的操作信号，其特征在于，

在所述控制装置中具备：生成向设备发送的操作信号的操作信号生成机构；模拟设备特性的模型；以由模型模拟的输出信号满足预先设定的目标的方式生成模型的输入信号的学习机构；根据所述学习机构的学习结果来计算学习信号的学习信号生成机构，

所述控制装置还具备：操作结果评价机构，分别计算第一误差及第二误差，该第一误差及第二误差是作为将某操作信号及更新的操作信号给予设备后的结果而取得的该设备的第一测量信号及第二测量信号与其目标值的误差；修正信号生成机构，当由该操作结果评价机构计算的第二误差比第一误差更大时，生成由操作信号生成机构所生成的所述操作信号的修正信号，

所述修正信号生成机构的构成为，根据从模型提取的模型特性的特征量来计算修正信号，所述操作信号生成机构的构成为，使用至少由所述学习信号生成机构计算的学习信号和由所述修正信号生成机构计算的修正信号来计算对该设备进行控制的所述操作信号。

2、如权利要求1所述的设备的控制装置，其特征在于，

由所述模型算出从相对于设备的现在的操作信号改变成由所述学习机构基于学习结果计算的操作信号时的模型特性曲线，由所述修正信号生成机构算出所述模型特性曲线的极化点数，与所述设备的控制装置连接且设置图像显示装置，在该图像显示装置中，使强调了极化点位置的模型特性曲线或极化点数中的至少一个显示在画面上。

3、一种设备的控制装置，其使用测量设备的运转状态的测量信号来运算对设备进行控制的操作信号，其特征在于，

在所述控制装置中具备：生成向设备发送的操作信号的操作信号生成机构；模拟设备特性的模型；以由模型模拟的输出信号满足预先设定的目标的方式生成模型的输入信号的学习机构；根据所述学习机构的学习结果计算学习信号的学习信号生成机构，

所述控制装置还具备：操作结果评价机构，分别计算第一误差及第二误差，该第一误差及第二误差是作为将某操作信号及更新的操作信号给予设备后的结果而取得的该设备的第一测量信号及第二测量信号与该测量信号的目标值的误差；修正信号生成机构，当由该操作结果评价机构计算的第二误差比第一误差更大时，生成由操作信号生成机构所生成的所述操作信号的修正信号，

所述学习机构的构成为，在预定的阈值的范围内探索并学习模型的输出与目标值的误差成为最小的操作条件，所述修正信号生成机构的构成为，在基于所述学习机构的阈值范围内探索并改变操作信号，计算使该设备的测量信号与测量信号的目标值的误差成为最小的修正信号，所述操作信号生成机构的构成为，至少使用由所述学习信号生成机构计算的学习信号和由所述修正信号生成机构计算的修正信号来计算对该设备进行控制的所述操作信号。

4、如权利要求3所述的设备的控制装置，其特征在于，

在保存学习机构的学习所使用的参数的学习信息数据库中，具备在基于学习机构的阈值的范围内任意设定探索的范围的用户界面。

5、一种设备的控制装置，其使用测量设备的运转状态的测量信号来运算对设备进行控制的操作信号，其特征在于，

在所述控制装置中具备：生成向设备发送的操作信号的操作信号生成机构；模拟设备特性的模型；以由模型模拟的输出信号满足预先设定的目标的方式生成模型的输入信号的学习机构；根据所述学习机构的学习结果来计算学习信号的学习信号生成机构，

所述控制装置还具备：操作结果评价机构，分别计算第一误差及第二误差，该第一误差及第二误差是作为将某操作信号及更新的操作信号给予设备的结果而取得的该设备的第一测量信号及第二测量信号与其目标值的误差；修正信号生成机构，当由该操作结果评价机构计算的第二误差比第一误差更大时，生成由操作信号生成机构所生成的所述操作信号的修正信号，

所述操作结果评价机构的构成为，根据所述误差计算所述学习信号和所述修正信号的加权参数值，所述操作信号生成机构的构成为，至少使用由所述操作结果评价机构计算的加权参数值和由所述学习信号生成机构计算的学习信号和由所述修正信号生成机构计算的修正信号来计算对该设备进行控制的所述操作信号。

6、一种火力发电设备的控制装置，其使用测量火力发电设备的运转状态的测量信号来运算对火力发电设备进行控制的操作信号，其特征在于，

测量信号含有：从火力发电设备的锅炉排出的排放气体中含有的氮氧化物浓度、一氧化碳浓度、二氧化碳浓度、硫氧化物浓度、水银浓度、煤的流量、碾磨机的分级机转速、发电机输出中的至少一种测量信号，操作信号含有：锅炉的空气挡板的开度、空气流量、空气温度、燃料流量、排放气体再循环流量的至少一种操作信号，

所述控制装置具备：生成向火力发电设备发送的操作信号的操作信号生成机构；模拟火力发电设备的特性的模型；以由模型模拟的输出信号满足预先设定的目标的方式生成模型的输入信号的学习机构；根据学习机构的学习结果来计算学习信号的学习信号生成机构，

所述控制装置还具备：操作结果评价机构，分别计算第一误差及第二误差，该第一误差及第二误差是作为将某操作信号及更新的操作信号给予设备后的结果而取得的该火力设备的第一测量信号及第二测量信号与其目标值的误差；修正信号生成机构，当由该操作结果评价机构计算的第二误差比第一误差更大时，生成由操作信号生成机构所生成的所述操作信号的修正信号，

所述模型具备：多个与火力发电设备的锅炉的燃烧器模式、负荷水平、每个煤种类相对应的模型，所述操作结果评价机构具备：基于向锅炉的碾磨机供给的煤流量的测量信号值而把握燃烧器模式的功能；基于输出要求或发电机输出的测量信号的值而把握负荷水平的功能；基于碾磨机分级机转速的测量信号的值而把握煤种类的功能，所述学习信号生成机构的构成为，根据使用与由所述操作结果评价机构把握的各条件相对应的模型而学习的结果来生成学习信号，所述操作信号生成机构的构成为，至少使用由所述学习信号生成机构计算的学习信号和由所述修正信号生成机构计算的修正信号来计算对该火力发电设备进行控制的所述操作信号。

7、如权利要求6所述的火力发电设备的控制装置，其特征在于，

所述模型具备多个能够模拟在火力发电设备的锅炉中使用多种类的煤时的设备特性的模型，且所述操作结果评价机构的构成为，基于煤的组成的信息计算多个模型间的模型的加权，所述修正信号生成机构的构成为，基于所述模型的加权来计算对该火力发电设备进行控制的所述修正信号。

8、如权利要求6所述的火力发电设备的控制装置，其特征在于，

当使用含有硫磺量比阈值更多的煤时，所述修正信号生成机构生成修正信号，以使从设置于火炉壁面部的燃烧器及气口供给的空气量增多。

9、一种火力发电设备的控制装置，其使用测量火力发电设备的运转状态的测量信号来运算对火力发电设备进行控制的操作信号，其特征在于，

测量信号含有：从火力发电设备的锅炉排出的排放气体中含有的氮氧化物浓度、一氧化碳浓度、二氧化碳浓度、硫氧化物浓度、水银浓度的至少一种，操作信号含有：空气挡板的开度、空气流量、空气温度、燃料流量、排放气体再循环流量的至少一种操作信号，

所述控制装置具备：生成向火力发电设备发送的操作信号的操作信号生成机构；模拟火力发电设备的特性的模型；以由模型模拟的输出信号满足预先设定的目标的方式生成模型的输入信号的学习机构；根据学习机构的学习结果来计算学习信号的学习信号生成机构，

所述控制装置还具备：操作结果评价机构，分别计算第一误差及第二误差，该第一误差及第二误差是作为将某操作信号及更新的操作信号给予设备后的结果而取得的该火力设备的第一测量信号及第二测量信号与其目标值的误差；修正信号生成机构，当由该操作结果评价机构计算的第二误差比第一误差更大时，生成由所述操作信号生成机构所生成的操作信号的修正信号，

所述模型以计算且输出火力发电设备的锅炉的至少一氧化碳浓度的预测值的方式构成，所述学习机构的构成为，学习以达到使所述一氧化碳浓度的预测值的变化率小，且一氧化碳浓度的预测值成为最小的操作条件的模型输入信号的生成方法，且所述操作信号生成机构的构成为，至少使用由所述学习信号生成机构计算的学习信号和由所述修正信号生成机构计算的修正信号来计算对该火力发电设备进行控制的所述操作信号。

10、一种火力发电设备的控制装置，其使用测量火力发电设备的运转状态的测量信号来运算对火力发电设备进行控制的操作信号，其特征在于，

测量信号含有：从火力发电设备排出的排放气体中含有的氮氧化物浓度、一氧化碳浓度、二氧化碳浓度、硫氧化物浓度、水银浓度、煤的流量、碾磨机的分级机转速、发电机输出中的至少一种，操作信号含有：空气挡板的开度、空气流量、空气温度、燃料流量、排放气体再循环流量的至少一种操作信号，

所述控制装置具备：生成向火力发电设备发送的操作信号的操作信号生成机构；模拟火力发电设备的特性的模型；以由模型模拟的输出信号满足预先设定的目标的方式生成模型的输入信号的学习机构；根据学习机构的学习结果来计算学习信号的学习信号生成机构，

所述控制装置还具备：操作结果评价机构，分别计算第一误差及第二误差，该第一误差及第二误差是作为将某操作信号及更新的操作信号给予设备后的结果而取得的该火力设备的第一测量信号及第二测量信号与其目标值的误差；修正信号生成机构，当由该操作结果评价机构计算的第二误差比第一误差更大时，生成由所述操作信号生成机构所生成的操作信号的修正信号，

所述修正信号生成机构的构成为，从所述第一误差或所述第二误差的特征推定误差主要原因，并基于所述误差主要原因而生成修正信号，所述操作信号生成机构的构成为，至少使用由所述学习信号生成机构计算的学习信号和由所述修正信号生成机构计算的修正信号来计算对该火力发电设备进行控制的所述操作信号。

11、一种燃煤锅炉的气体浓度推定装置，其使用神经网络来推定从燃煤锅炉排出的排放气体中含有的气体成分的浓度，其特征在于，

所述气体浓度推定装置具备：过程数据库部，存储燃煤锅炉的过程数据；筛选处理部，进行从存储于该过程数据库部的过程数据中提取适于神经网络学习的数据的筛选处理；神经网络学习处理部，基于由该筛选处理部提取的适于神经网络的学习的数据进行神经网络的学习处理；神经网络推定处理部，基于该神经网络学习处理部的学习处理，推定处理从所述燃煤锅炉排出的排放气体中的CO浓度或NOx浓度。

12、一种燃煤锅炉的气体浓度推定方法，其使用神经网络来推定从燃煤锅炉排出的气体成分的浓度，其特征在于，

将燃煤锅炉的过程数据存储于过程数据库部，存储于该过程数据库部的过程数据通过筛选处理部进行提取适于神经网络学习的数据的筛选处理，基于由该筛选处理部提取的适于神经网络的学习的数据，通过神经网络学习处理部进行神经网络的学习处理，基于该神经网络学习处理部的学习处理并通过神经网络推定处理部来推定处理从燃煤锅炉排出的排放气体中的CO浓度或NOx浓度。

13、如权利要求12所述的燃煤锅炉的气体浓度推定方法，其特征在于，

筛选处理部的筛选处理对于所述神经网络学习处理部的学习所使用的过程数据，确定对于作为神经网络的输入信号使用的各信号的变化倾向为基准而含有较大误差的数据，并以排除该确定的数据的方式进行筛选处理。

14、如权利要求12所述的燃煤锅炉的气体浓度推定方法，其特征在于，

筛选处理部的筛选处理中对于在所述神经网络学习处理部的学习中所使用的过程数据，对于作为神经网络的输入信号使用的各信号，提取以一个输入信号为基准且其它的输入信号的值在规定的阈值以内的过程数据，并将该过程数据进行分组，使用属于该分组的过程数据，求出拟合作为基准的输入信号和推定对象即气体浓度的信号值的关系的函数，并用拟合的函数值和推定对象即CO浓度或NOx浓度的信号值的差来确定排除的数据。

15、如权利要求14所述的燃煤锅炉的气体浓度推定方法，其特征在于，

在显示装置中显示属于同一组的数据、通过拟合求出的函数、排除的数据。

Images