CN103676822B - 火力发电厂的控制装置以及控制方法 - Google Patents

Abstract

火力发电厂的控制装置以及控制方法。该控制装置具备从火力发电厂取得测量信号，参照测量信号生成火力发电厂的第1操作信号的操作信号生成部，将第1操作信号输出到火力发电厂，还具备参照测量信号来判定作为输出了第1操作信号的结果的火力发电厂的特性的改善/恶化的操作结果判定部、参照测量信号将火力发电厂的状态分类的状态分类部以及将操作结果判定部的判定结果和所述分类后的火力发电厂的状态对应地记录的状态存储数据库，操作信号生成部当所述分类后的火力发电厂的当前状态是达到状态存储数据库中记录的、操作结果判定部判定为火力发电厂的特性恶化的状态的生成第2操作信号时的状态时，继续输出正在向火力发电厂输出的当前第1操作信号。

Description

火力发电厂的控制装置以及控制方法

技术领域

本发明涉及一种火力发电厂的控制装置。特别涉及一种适于降低从火力发电厂排出的环境负荷物质以及削减燃料消耗量的控制装置。

背景技术

在火力发电厂的控制装置市场寻求一种技术，即，为了削减火力发电厂的运营成本，实现降低从火力发电厂排出的环境负荷物质以及削减火力发电厂消耗的燃料流量。

在火力发电厂的控制装置中，处理从作为控制对象的火力发电厂得到的、表示火力发电厂的状态的测量信号，计算赋予控制对象的操作信号。控制装置中安装有为使火力发电厂的测量信号满足其目标值而计算操作信号的算法。

作为火力发电厂的控制所使用的控制算法，有PI（比例/积分）控制算法。在PI控制中，在对火力发电厂的测量信号与其目标值之间的偏差乘以比例增益后的值上相加对偏差进行时间积分而得的值，来导出赋予控制对象的操作信号。使用了PI控制的控制算法可以用框线图等记述输入输出关系，所以输入和输出的因果关系清楚，在火力发电厂控制中，PI控制是稳定且安全的控制算法，实际应用有很多。在PI控制中，通过适当地设定控制目标值，可以降低环境负荷物质、削减燃料消耗量。但是，在火力发电厂运行方式的变更和环境的变化等事先没有预想到的条件下运行火力发电厂时，有时需要变更控制算法等的操作。

另一方面，有一种自适应控制，其与火力发电厂的运行方式和环境的变化对应地自动地修正/变更控制方法。作为使用了其中1个方法的学习算法的火力发电厂的控制方法，例如有专利文献1。该方法中，控制装置具有预测控制对象特性的模型和学习模型输出达到其目标值的模型输入的生成方法的学习部。专利文献1中记载有一种控制装置，其通过利用仿真操作量和环境负荷物质的排出量的关系的模型来进行学习，从而学习降低环境负荷物质的操作方法。

专利文献1：日本特开2007-241624号公报

发明内容

在火力发电厂的控制装置中，不能设定与火力发电厂的运行方式、环境的变化相对应的控制目标值时，有时根据控制火力发电厂的运行特性可能会恶化。另外，火力发电厂是多变量的干扰系统，因此即使为了使表示火力发电厂的状态的一个参数满足目标值而进行操作，其他的参数值有时也会恶化。

使用利用了学习算法的火力发电厂的控制装置时，当模型的精度低时，即使根据学习结果操作火力发电厂，也可能得不到期望的特性。

本发明提供一种火力发电厂的控制装置，当火力发电厂的运行方式、环境发生变化时，抑制火力发电厂的特性的恶化。

公开的火力发电厂的控制装置具备操作信号生成部，其从火力发电厂取得测量信号，参照测量信号生成火力发电厂的第1操作信号，该火力发电厂的控制装置将操作信号生成部生成的第1操作信号输出到火力发电厂，还具备参照测量信号来判定作为输出了第1操作信号的结果的火力发电厂的特性的改善/恶化的操作结果判定部、参照测量信号来对火力发电厂的状态进行分类的状态分类部以及将操作结果判定部的判定结果和通过状态分类部分类后的火力发电厂的状态对应地记录的状态存储数据库，操作信号生成部，当通过所述状态分类部分类后的火力发电厂的当前状态是达到状态存储数据库中记录的、由所述操作结果判定部判定为火力发电厂的特性恶化了的状态的生成第2操作信号时的状态时，继续输出正在向火力发电厂输出的当前的第1操作信号。

根据公开的控制装置以及控制方法，当火力发电厂的运行方式、环境发生变化时，可以抑制火力发电厂的特性的恶化。

附图说明

图1是控制装置的第1实施例的结构图。

图2是表示控制装置的第1实施例的动作的流程图。

图3是表示各个数据库保存的数据的形态的概念图。

图4是说明火力发电厂的概略图。

图5是说明操作结果判定部的动作的图。

图6是说明基于状态分类部的分类的图。

图7是说明基于状态分类部的分类的图。

图8是说明操作信号生成部的动作的图。

图9是控制装置的第2实施例的结构图。

图10是表示控制装置的第2实施例的动作的流程图。

图11是说明模型用数据库保存的数据、模型的例子以及模型输入和模型输出的关系的图。

图12是控制装置的第3实施例的结构图。

图13是说明控制装置的第3实施例的动作的图。

符号的说明

1、2、3：测量信号，4、5：操作信号，6：操作结果判定结果信息，7：状态分类结果信息，8：状态信息，9、10：模型用数据库信息，11：模型输出，12：评价值，13：模型输入，14、15、16：学习信息数据库信息，17：特征量提取结果信息，50：数据库信息，51、52：维修工具输入信号，53、54：维修工具输出信号，100：火力发电厂，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：操作信号数据库，300：操作信号生成部，400：状态存储部，410：操作结果判定部，420：状态分类部，430：状态存储数据库，440：特征量提取部，500：操作方法学习部，510：模型用数据库，520：模型，530：评价值计算部，540：学习部，550：学习信息数据库，900：外部输入装置，901：键盘，902：鼠标，910：维修工具，920：外部输入接口，930：数据收发处理部，940：外部输出接口，950：图像显示装置

具体实施方式

以下参照附图说明本发明的火力发电厂的控制装置。

[实施例1]

图1是火力发电厂的控制装置的第1实施例的结构图。控制装置200将火力发电厂100作为控制对象进行控制。

控制装置200具有操作信号生成部300、操作结果判定部410、状态分类部420。控制装置200具有作为数据库的测量信号数据库230、操作信号数据库240以及状态存储数据库430。另外，本实施例中，将操作结果判定部410、状态分类部420、状态存储数据库430总称为状态存储部400。

另外，控制装置200具有作为与外部的接口的外部输入接口210以及外部输出接口220。控制装置200经由外部输入接口210，将测量信号1从火力发电厂100输入到控制装置200。另外，经由外部输出接口220，将操作信号5输出到火力发电厂100。

经由外部输入接口210输入的测量信号2被保存在测量信号数据库230中。另外，在操作信号生成部300中生成的操作信号4被输出到外部输出接口220的同时，被保存在操作信号数据库240中。

状态存储部400对测量信号数据库230中保存的测量信号3进行处理，生成操作信号生成部300所参照的状态信息8。在构成状态存储部400的操作结果判定部410中，参照测量信号3来判定输出了操作信号5的结果、火力发电厂100的特性是改善了还是恶化了，将判定结果（改善/恶化）作为操作结果判定信息6输出到状态分类部420的同时，也输出到存储状态数据库430。后面利用图5来说明操作结果判定部410的动作。

构成状态存储部400的状态分类部420参照测量信号3将火力发电厂100的状态进行分类。状态分类部420利用自适应共振理论、矢量量子化等的聚类技术等将火力发电厂100的状态进行分类。状态分类部420将状态分类结果信息7输出到状态存储数据库430。后面利用图6、7来说明状态分类部420的动作。

构成状态存储部400的状态存储数据库430将操作结果判定信息6以及状态分类结果信息7作为状态信息8进行存储。

操作信号生成部300参照状态存储数据库430中保存的状态信息8来生成操作信号4。但是，当通过生成的操作信号4将火力发电厂100的特性恶化了的状态信息8保存在状态存储数据库430中时，当该状态信息8中包含的生成了操作信号4时的状态与当前的火力发电厂100的状态相同（不限于相同，将预定的范围内设为相同）时，不生成新的操作信号4的值，而是通过继续输出当前正在输出到火力发电厂100的操作信号4的值来避免火力发电厂100的特性恶化。换言之，操作信号生成部300，当火力发电厂100的当前状态是生成达到状态存储数据库430所记录的、由操作结果判定部410判定为火力发电厂100的特性恶化的状态的操作信号4时的状态时，将正在输出到火力发电厂100的当前操作信号4继续进行输出。后面利用图8来说明操作信号生成部300的动作。

火力发电厂100的操作员使用由键盘901和鼠标902构成的外部输入装置900来生成维修工具输入信号51，通过将该信号51输入到维修工具910，维修工具910将控制装置200的各个数据库的信息显示在图像显示装置950上。

维修工具910由外部输入接口920、数据收发处理部930以及外部输出接口940构成。

在外部输入装置900中生成的维修工具输入信号51经由外部输入接口920输入到维修工具910。维修工具910的数据收发处理部930根据来自外部输入接口920的维修工具输入信号52的信息，从控制装置200的各个数据库取得数据库信息50。

在数据收发处理部930中将对数据库信息50进行处理的结果而得到的维修工具输出信号53输出到外部输出接口940。在图像显示装置950显示来自外部输出接口940的维修工具输出信号54。

另外，在本实施例的控制装置200中，在控制装置200的内部设置测量信号数据库230、操作信号数据库240、操作信号生成部300、状态存储部400，但是这些的全部或者一部分也可以设置在控制装置200的外部。

图2是表示控制装置200的动作的流程图。在步骤1000，使操作信号生成部300进行动作，参照测量信号数据库230中保存的测量信号3以及状态存储数据库430中保存的状态信息8来生成操作信号4。

在步骤1010，使状态存储部400动作，将火力发电厂100的特性状态（特性的改善/恶化）保存在状态存储数据库430中。

在步骤1020，实施结束判定，在“是”的情况下结束控制装置200的动作，在“否”的情况下返回步骤1000。另外，在结束判定，当火力发电厂100的操作员进行停止控制装置200的操作时结束控制装置200的动作。

图2表示在步骤1020的结束判定后，从步骤1000开始重复处理，但实际上进行控制，使得每隔预定的时间间隔（图3说明的采样周期）来开始步骤1000的处理。

图3是说明将控制装置200的各个数据库中保存的数据形态显示在图像显示装置950中的概念图。

如图3（a）所示，测量信号数据库230将火力发电厂100的运行数据即测量信号2（图中记载为数据项目A、B、C）的值按照每个采样周期（纵轴的时刻）进行保存。另外，虽然省略了图示，但是，操作信号数据库240以与测量信号数据库230相同的格式来将火力发电厂100的操作信号的值按照每个采样周期进行保存。存储在测量信号数据库230和操作信号数据库240中的各个数据根据时刻数据来进行对应。

通过在显示了测量信号数据库230的内容的显示画面231中可纵横移动的滚动块232以及233，可以滚动显示大范围的数据。

如图3（b）所示，在存储状态数据库430中对应地保存有表示在状态分类部420进行分类后的状态的状态编号、在操作结果判定部410生成的操作结果判定信息6（图中的操作结果、作为用于得到操作结果的评价项目的测量信号3的操作前后的值以及其增减、达到操作结果的操作量的操作信号4的操作前后的值等）。另外，图3（b）的操作结果栏中记载的○表示火力发电厂100的特性的改善，×表示恶化。

图4是说明火力发电厂100的概要的图。首先，利用图4（a）来说明火力发电厂100的发电的机制。

在构成火力发电厂100的锅炉101中设置有燃烧器102，该燃烧器102提供用研磨机110将煤细细粉碎的燃料（煤粉）和搬运煤粉用的1次空气以及燃烧调整用的2次空气，使经由该燃烧器102提供的煤粉在锅炉101内部进行燃烧。另外，将煤粉和1次空气从配管134导入到燃烧器102，将2次空气从配管141导入到燃烧器102。

锅炉101中设置有将2级燃烧用的后空气（after air）投入到锅炉101的后空气端口（after air port）103，从配管142将后空气导入到后空气端口103。

通过煤粉的燃烧而产生的高温燃烧气体沿着锅炉101的内部路径（图中的带箭头的粗线）流到下游侧后，用配置在锅炉101中的热交换器106进行热交换，通过空气加热器104。通过空气加热器104后的气体在实施废气处理后，从烟囱被排放到大气中。

在锅炉101的热交换器106进行循环的供水经由供水泵105供给热交换器106。供给热交换器106的供水在热交换器106中由流下锅炉101的燃烧气体进行加热后，成为高温高压的蒸汽。另外，本实施例中热交换器的数量为1个，但可以配置多个热交换器。

将通过热交换器106后的高温高压的蒸汽经由涡轮调速器107导入汽轮机108，通过具有蒸汽的能量来驱动汽轮机108，通过发电机109进行发电。

在火力发电厂100配置有检测火力发电厂100的运行状态的各种测量器，从这些测量器取得的火力发电厂100的测量信号作为测量信号1输入到控制装置200。例如，图4（a）中图示有流量测量器150、温度测量器151、压力测量器152、发电输出测量器153以及浓度测量器154。

流量测量器150测量从供水泵105提供给锅炉101的热交换器106的供水流量。另外，温度测量器151以及压力测量器152测量从热交换器106提供给汽轮机108的蒸汽的温度以及压力。

用发电输出测量器153测量通过发动机109发电的电量。用设置在锅炉101的下游侧的浓度测量器154来测量通过锅炉101的燃烧气体所包含的成分（CO、NOx等）的浓度。

另外，一般除图4所示以外，大多的测量器配置在火力发电厂中，但这里省略图示。例如，在图3（a）将由这些测量器测量到的测量信号1图示为数据项目A、B、C。

接着，说明从燃烧器102投入到锅炉101内部的1次空气和2次空气的路径以及从后空气端口103投入的后空气的路径。

1次空气从风扇120导入配管130，途中分流到通过了设置在锅炉101的下游侧的空气加热器104的配管132和没有通过空气加热器104而旁路的配管131，再次在配管133合流，并被导入设置在燃烧器102的上流侧的研磨机110。

经过配管132并通过了空气加热器104的1次空气由流下锅炉101的燃烧气体来进行加热。利用该1次空气，将在研磨机110粉碎了煤粉与1次空气一起运送到燃烧器102。

将2次空气以及后空气从风扇121导入到配管140，与1次空气同样在空气加热气104进行加热后，分流到2次空气用的配管141和后空气用的配管142，并分别被导入到燃烧器102和后空气端口103。

图4（b）是将构成火力发电厂100的空气加热器104和配管提取出来的图。如图4（b）所示，配管131、132、141、142中分别配置空气减震器160、161、162、163。通过独立操作这些空气减震器，可以变更配管131、132、141、142的空气所通过的面积，可以独立调整通过配管131、132、141、142的空气流量。

在控制装置200生成的操作信号5是用于操作供水泵105、研磨机110、空气减震器160、161、162、163等设备的信号。另外，在本实施例中，将供水泵105、研磨机110、空气减震器160、161、162、163等设备称为操作端，将操作它们所需要的指令信号称为操作信号。

另外，当把燃烧用等的空气或者煤粉等燃料投入到锅炉101中时，可以将上下左右移动其吐出角度的功能附加给燃烧器102以及后空气端口103，也可以在操作信号5中包括这些角度。再有，虽然图4没有图示，但是也可以将废气导入到锅炉101的火炉的底部（废气再循环）。

图5是说明本实施例的火力发电厂100的控制装置200所具备的操作结果判定部410的动作的图。这里作为用于得到操作结果的评价项目，以测量信号3的NOx（氮氧化物）浓度为例进行说明。

在操作结果判定部410，通过评价用于评价变更操作信号5的前后的火力发电厂100的特性的评价项目的值的变化，来评价操作的结果、火力发电厂100的特性是改善了还是恶化了（改善/恶化）。

通过比较图5的期间A和期间B来使得操作信号5的值发生变化，从而获知作为评价项目之一的NOx浓度增加，火力发电厂100的特性发生了恶化。

另外，变更操作信号5的值后，使用恒静后的NOx浓度的值（可以是预定期间的平均值）求出评价项目（NOx浓度）的值的变化量。例如，使用期间A～C各自的NOx浓度的平均值来求出与操作信号5的值的变更对应的评价项目的值的变化量。

在存储状态数据库431中以图3（b）所示的格式来保存在操作结果判定部410求出的操作结果信息6。如之前说明的那样，在图3（b）中，将操作信号5的变更前的评价项目的值、变更后的评价项目的值、作为增减的评价项目的变化量和操作信号5的变更前后的值对应地表示。

另外，图5表示作为与操作信号对应的评价项目的例子的NOx浓度，但该NOx浓度的降低成为从火力发电厂100排出的环境负荷物质的降低。

说明了从火力发电厂100排出的NOx浓度，但是也可以把其它由火力发电厂100排出的CO浓度、二氧化碳浓度、硫氧化物浓度、水银浓度等燃烧气体中包含的各种成分作为评价项目。具体地说，不仅限于一种成分，可以将多个成分或者多个成分的组合作为评价项目。

再有，通过将燃料流量、燃料的未燃量包含在评价项目中，可以降低在火力发电厂100中消耗的燃料流量。

另外，可以将空气减震器的开度、空气流量、空气温度、燃料流量、废气再循环流量等作为操作信号的项目，将操作对象的设备包括在操作火力发电厂100的操作端中。

接着，利用图6、图7来说明本实施例的火力发电厂100的控制装置200所具备的状态分类部420进行的测量信号3的分类。

说明对于本实施例的火力发电厂100的控制装置200的状态分类部420进行的数据分类适用了自适应共振理论（adaptive Resonance Theory:ART）的情况。另外，可以将矢量量子化等其它的聚类方法用于数据分类。

如图6（a）所示，状态分类部420用数据预处理装置610和ART模块620进行数据分类。数据预处理装置610将运行数据（测量信号3）变换为ART模块620的输入数据。

以下说明数据预处理装置610以及ART模块620进行数据分类的步骤。

首先，在数据预处理装置610，对于每个测量项目将数据（测量信号3）标准化。将包括了对测量信号3标准化后的数据Nxi（n）以及标准化后的数据的补数CNxi（n）（=1-NXi（n））的数据作为输入数据Ii（n）。将该输入数据Ii（n）输入到ART模块620。

在ART模块620中，将测量信号3分为多个类别。

ART模块620具备F0层621、F1层622、F2层623、存储器624以及选择子系统625，它们相互进行结合。F1层622以及F2层623通过加权系数进行结合。加权系数表示将输入数据进行了分类的类别的雏形（原型）。这里，雏形表示类别的代表值。

接着，说明ART模块620的算法。

从数据预处理装置610将输入数据输入到ART模块620中时的算法的概要为下述的处理1～处理5那样。

处理1：通过F0层621再次将输入数据标准化，除去噪音。

处理2：通过将输入到F1层622的输入数据和加权系数进行比较，选择相应的类别的候补。具体地说，将输入数据和加权系数之间的差较小的类别作为候补。

处理3：通过与预定的参数ρ的比较来评价在选择子系统625中选择的类别的适当性。如果判断为适当（参数ρ以上），输入数据被分类为该类别，进入处理4。另一方面，如果没有被判断为适当（不足参数ρ），则该类别作为候补被重置，从其它的类别选择类别的候补（重复处理2）。如果参数ρ的值变大，则类别的分类细化，ρ的值变小则分类粗化。将该参数ρ称为警戒（vigilance）参数。

处理4：在处理3将所有的已有类别作为候补进行重置时，判断输入数据属于新类别，生成表示新类别的雏形的新加权系数。

处理5：如果输入数据被分类为类别J，则使用过去的加权系数WJ（old）以及输入数据p（或者由输入数据派生的数据）通过式（1）来更新对应类别J的加权系数WJ（new）。

[数学式1]

wj(new)＝Kw·p+(1-Kw)·wj(old)...(1)

这里，Kw是学习率参数（0<Kw<1），是决定将输入矢量反映给新的加权系数的程度的值。

另外，式（1）以及后述的式（2）至式（12）的各个运算式被组入ART模块620。

ART模块620的数据分类算法的特征在于上述的处理4。

处理4中，在输入与学习时的类别不同的输入数据时，可以不变更已记录的类别而记录新的类别。因此可以在记录过去学习的类别的同时记录新的类别。

这样，如果预先赋予过去没有学习过的运行数据作为输入数据，则ART模块620学习被赋予的类别。因此，如果将新的输入数据输入到学习完毕的ART模块620，则可以通过所述算法来判定接近过去的哪一个类别。另外，如果是没有过去的经验的类别，则分类为新类别。

图6（b）是表示F0层621的结构的框图。在F0层621，在各个时刻再次将输入数据I_i标准化，生成输入到F1层621以及选择子系统625的标准化输入矢量u_i/0。

首先，根据输入数据I_i，通过式（2）计算w_i/0。这里，a是常数。

[数学式2]

$w_i^0=I_i+{\mathrm{au}}_i^0...\left(2\right)$

在数学式之外，将表记为wi/o，I_i表记为I_i，a表记为a，表记为ui/o。

接着，利用式（3）来计算将w_i/0标准化了的X_i/0。这里，‖·‖是表示范数（norm）的记号。

[数学式3]

$x_i^0=\frac{w_i^0}{\left|\right|w^0\left|\right|}...\left(3\right)$

在数式之外，将表记为xi/o，||w⁰||表记为||w/o||。

并且，利用式（4）计算从X_i/0除去了噪音的V_i/0。但是，θ是用于除去噪音的常数。通过式（4）的计算，微小值为0，因此除去输入数据的噪音。

[数学式4]

在数式之外，将表记为vi/o，表记为f(xi/o)。

最后，利用式（5）来求出标准化输入矢量u_i/0。u_i/0为F1层的输入。

[数学式5]

$u_i^0=\frac{v_i^0}{\left|\right|v^0\left|\right|}...\left(5\right)$

在数式之外，将||v⁰||表记为||v/o||。

图6（c）是表示F1层622的结构的框图。在F1层622，将通过式（5）求出的u_i/0保持为短期存储，计算输入到F2层623的p_i。汇总F1层622的计算式后表示为式（6）～式（12）。其中，a、b是常数，f（·）是用式（4）表示的函数，T_j是用F2层623进行计算的适合度。

[数学式6]

$w_i=u_i^0+{\mathrm{au}}_i...\left(6\right)$

在数式之外，将w_i表记为wi，将u_i表记为ui。

[数7]

$x_i=\frac{\mathrm{wi}}{\left|\right|w^0\left|\right|}...\left(7\right)$

在数式之外，将x_i表记为xi，将‖w‖表记为||w||。

[数学式8]

v_i=f（x_i）+bf（q_i） …（8）

在数式之外，将v_i表记为vi，将b表记为b，将q_i表记为q_i。

[数学式9]

$u_i=\frac{\mathrm{vi}}{\left|\right|v\left|\right|}...\left(9\right)$

在数式之外，将‖v‖表记为||w||。

[数学式10]

$q_i=\frac{p_i}{\left|\right|p\left|\right|}...\left(10\right)$

在数式之外，将p_i表记为pi，将‖p‖表记为||p||。

[数学式11]

$p_i=u_i+\underset{i}{\overset{M}{\mathrm{\&Sigma;}}}g\left(y_i\right)z_{\mathrm{ji}}...\left(11\right)$

在数式之外，将z_ji表记为z_ji。

其中，

[数学式12]

在数式之外，将d表记为d，将T_j表记为Tj。

接着，利用图7来说明将测量信号3进行分类。

图7（a）是说明状态分类部420将从火力发电厂100取得的测量信号3（项目A、项目B）分类为类别（这里是由项目A和项目B之间的值的关系所决定的类别）的结果的图。横轴为时间，纵轴为测量信号、类别编号。图7（b）是表示将火力发电厂100的测量信号3分类为类别的分类结果的一例的图。

图7（b），作为一例表示将测量信号3中的2个项目（项目A、项目B）作为评价项目来进行显示，用2维图形来表记。另外，纵轴以及横轴分别表示将项目的测量信号3进行标准化。

通过ART模块620将测量信号3分类为多个类别630（图7（b）所示的圆圈）。1个圆圈相当于根据项目A和项目B的值的关系决定的1个类别。

在图7（b），将测量信号3分类为根据项目A和项目B的值的关系决定的4个类别。具体地说，类别编码1是项目A值大而项目B值小的组，类别编码2是项目A、项目B的值都小的组，类别编码3是项目A的值小而项目B的值大的组，类别编码4是项目A、项目B的值都大的组。

说明了将2个项目的测量信号3分类为类别的例子，但是关于3个项目以上的测量信号3，使用多维的坐标分类为类别。

将NOx浓度、CO（一氧化碳）浓度、二氧化碳浓度、硫氧化物浓度、水银浓度空气流量的前后比、空气减震器的开度、空气流量、空气温度、燃料流量、废气再循环流量、燃烧器空气比、煤组分、空气流量和煤流量的比率（C/A）、发电输出等与煤炭燃烧有关的测量信号3作为评价项目输入到状态分类部420。

图8是说明控制装置200的操作信号生成部300的动作的图，在状态分类部420被分类为类别1的状态中，表示将操作信号5从C1变更为C2的结果、作为评价项目的测量信号3的NOx浓度从D1增加到D2，火力发电厂100的特性恶化了的例子。通过经历该一连串的动作，状态存储数据库430记录在类别1的状态将操作信号5从C1变更为C2时的操作结果判定信息6为×（恶化）的情况。因此，当接下来成为相同的类别1的状态时，操作信号生成部300没有将操作信号4从C1变更为C2（作为操作信号4没有生成C2，而是继续C1）。

本实施例中，存储基于控制装置200的操作结果、火力发电厂100的特性发生了恶化的情况，参照该存储内容没有再现导致火力发电厂100的特性恶化的相同操作。通过避免火力发电厂100的特性恶化的操作，可以降低火力发电厂的环境负荷，削减燃料消耗量。

另外，通过将图3（b）所示的状态存储数据库431中保存的数据的内容以及图8所示的时间系列数据的趋势图显示在图像显示装置950中，可以将基于控制装置200的操作结果的有无提供给火力发电厂100的操作员。

[实施例2]

图9是火力发电厂100的控制装置200的第2实施例的结构图。本实施例的火力发电厂100的控制装置200是对于第1实施例的火力发电厂100的控制装置200追加操作方法学习部500的结构。

操作方法学习部500由模型520、评价值计算部530、学习部540的运算部、模型用数据库510、学习信息数据库550的数据库来构成。

在操作方法学习部500，参照测量信号3来求出学习信息数据库信息16。

保存在学习信息数据库550中的学习信息数据库信息16由模型520、评价值计算部530以及学习部540生成。

模型520仿真火力发电厂100的控制特性。将在控制装置200生成的操作信号5输出到火力发电厂100，控制装置200输入该控制结果的测量信号1。通过组合学习部540和模型520并进行动作来仿真响应来自该控制装置200的操作信号5而输出测量信号1的火力发电厂100的动作。即，模型520输入在学习部540生成的模型输入13，仿真火力发电厂100的控制特性，并将该控制结果的模型输出11输出到学习部540。

模型520参照模型用数据库510中保存的模型用数据库信息10来求出模型输入13所对应的模型输出11。模型520例如是神经网络等的统计模型和火力发电厂100的物理模型。

模型用数据库510中保存测量信号3以及为了构建模型520所需要的模型参数等。

在学习部540，学习用模型520进行计算的模型输出11成为期望值的模型输入13的生成方法。模型输出11的目标值等、用于学习的参数被保存在学习信息数据库550中，使用学习信息数据库550所保存的学习信息数据库信息15在学习部540进行学习。

作为安装学习部540的方法，有强化学习。强化学习在学习的初期阶段反复试验地生成模型输入13。之后，随着不断地学习，生成模型输出11成为期望值的模型输入13。作为这种学习算法，《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页、第247～253页）中记载一种方法，即当测量信号达到运行目标值时赋予正的评价值，基于该评价值利用Actor-Critic、Q学习、实际时间动态编程（Dynamic Programming）等的算法来学习操作信号的生成方法。在图9中，具备为了计算这样的评价值的评价值计算部530。

学习部540除了上述方法外，可以应用改进的计算方法等各种最优化方法。作为在学习部540学习的结果的学习信息数据库信息14被保存在学习信息数据库550中。

在操作信号生成部300，为了生成操作信号4，参照学习信息数据库550中保存的学习信息数据库信息16。这样，操作信号生成部300生成反映了学习结果的操作信号4。

图10是表示本实施例的控制装置200的动作的流程图。

在步骤1100，判定是否使操作方法学习部500动作。如果为“是”，则进入步骤1110，如果为“否”，则进入步骤1120。

在步骤1110，使操作方法学习部500动作并生成学习信息数据库信息14，保存在学习信息数据库550中。

在步骤1120，使操作信号生成部300动作，参照测量信号数据库230中保存的测量信号3、学习信息数据库550中保存的学习信息数据库信息16以及状态存储数据库430中保存的状态信息8来生成操作信号4。

在步骤1130，使状态存储部400动作，将火力发电厂100的特性状态（特性的改善/恶化）保存在存储状态数据库430中。

在步骤1140，实施结束判定，为“是”的情况下结束控制装置200的动作，为“否”的情况下返回步骤1100。另外，在结束判定中，由火力发电厂100的操作员在进行停止控制装置200的操作时结束控制装置200的动作。

图11是说明本实施例的模型用数据库510中保存的数据、模型的例子以及模型输入和模型输出的关系的图。

图11（a）是说明将模型用数据库510中保存的数据的形态显示在图像显示装置950中的概念图。如图11（a）所示，保存模型输入和模型输出的关系。模型输入和模型输出的数据项目分别是操作信号4和测量信号3的数据项目。模型输入和模型输出的关系，通过使用测量信号数据库230中保存的过去的发电厂的运行实绩而生成。另外，虽然图9中没有记载，但是可以利用仿真火力发电厂100的物理模型来生成模型输入和模型输出的关系的数据。

图11（b）是说明模型520的例子的图。图11（b）是用神经网络模型构成模型520的例子。

图11（c）是说明模型输入和模型输出的关系的图。通过使用神经网络模型，可以对模型用数据库510中保存的离散值进行插补，计算相对于模型输入的连续变化的模型输出的变化。

通过本实施例的控制装置，使用比模型多的数据项目，将火力发电厂100的特性状态进行分类（考虑作为没有反映到模型的因素的数据项目），所以可以存储用模型不能仿真的状态。可以避免因此特性恶化的操作。与只进行模型学习的情况相比，可以提高系统的可靠性。

[实施例3]

图12是火力发电厂的控制装置的第3实施例的结构图。本实施例的火力发电厂100的控制装置200的结构为，在第2实施例的火力发电厂100的控制装置200的状态存储部400中追加特征量提取部440。

特征量提取部440，将操作的结果、火力发电厂100的特性改善的情况与恶化的情况进行比较，提取在火力发电厂100的状态中生成特征性的区别的操作信号5的数据项目。通过将提取出的数据项目追加到模型520的模型输入的项目中来提高模型精度。

图13是说明本实施例的控制装置200的动作的图。

图13（a）是说明特征量提取部440的动作的图。图13（a）将状态存储数据库430所保存的、由操作结果判定部410分类后的类别以作为操作信号5的数据项目的项目A以及项目B为坐标来进行表示。

对相对于火力发电厂100的特性恶化了的类别所对应的项目A以及项目B的值，如图13（a）那样表现时的最近的（最近是指欧几里得的距离短，换言之，项目A以及项目B的各自的值的差最小、相似性高）、火力发电厂100的特性进行了改善的类别进行提取。接着，求出火力发电厂100的特性恶化了的类别所对应的项目A以及项目B的值与提取出的类别的中心之间的距离，选择对于该距离的贡献度最大的数据项目。换言之，在图13（a）的例子中，将项目A贡献度（火力发电厂100的特性恶化了的类别所对应的项目A的值与提取出的类别中心所对应的项目A的值之间的差）以及项目B贡献度（火力发电厂100的特性恶化了的类别所对应的项目B的值与提取出的类别中心所对应的项目B的值之间的差）作为2边，距离作为斜边的直角三角形中，选择贡献度大的操作信号5的数据项目A。

图13（b）是说明将在特征量提取部440提取出的数据项目追加到模型520的模型输入中的情况的图。通过将在特征量提取部440提取出的操作信号的数据项目追加到神经网络的输入项目中，可以修正为仿真提取出的数据项目和CO浓度、NOx浓度、未燃量的关系的模型。

通过使用本实施例的控制装置200，提取出用模型不能仿真的因素（数据项目），修正为考虑到提取出的因素的模型，由此提高模型的精度。通过使用提高了精度的模型来进行学习，可以学习对于降低火力发电厂的环境负荷，削减燃料消耗量有效的操作方法。另外，可以将模型的次数（数据项目的种类数量）设为必要最小限度，可以在可应用实机的时间进行学习。

另外，本发明不仅限于所述的实施例，还包括种种的变形例。例如，所述实施例是为了清楚地说明而详细地记载的例子，并非限定具备说明的所有结构。另外，本实施例说明了将火力发电厂作为控制对象的情况，但也可以用于原子能发电厂、水力发电厂等各种发电厂。

另外，所述的各个结构、功能、处理部、处理单元等可以通过集成电路设计它们的一部分或全部等用硬件来实现。另外，所述的各个结构、功能等可以用处理器解释并执行实现各自的功能的程序的软件来实现。实现各个功能的程序、表格、文件、测量信号、计算信息等的信息可以存放在存储器和硬盘等的存储装置、或者IC卡、SD卡、DVD等的存储介质中。因此，各个处理、各个结构可以作为处理单元、程序模块来实现。

另外，信息线表示认为需要说明的内容，在产品上不限于一定表示所有的控制线和信息线。实际上，可以认为几乎所有的结构相互连接。

Claims (12)

1.一种火力发电厂的控制装置，其具备参照从火力发电厂取得的测量信号来生成所述火力发电厂的第1操作信号的操作信号生成部，将所述操作信号生成部生成的所述第1操作信号输出到所述火力发电厂，该火力发电厂的控制装置的特征在于，具备：

操作结果判定部，其参照所述测量信号来判定作为输出了所述第1操作信号的结果的所述火力发电厂的特性的改善/恶化；

状态分类部，其参照所述测量信号来对所述火力发电厂的状态进行分类；以及

状态存储数据库，其将所述操作结果判定部的判定结果和通过所述状态分类部分类后的所述火力发电厂的状态对应地记录；

所述操作信号生成部，当所述状态分类部进行分类的所述火力发电厂的当前状态是达到所述状态存储数据库中记录的、由所述操作结果判定部判定为所述火力发电厂的特性恶化了的状态的生成第2操作信号时的状态时，继续输出正在向所述火力发电厂输出的当前的所述第1操作信号。

2.根据权利要求1所述的火力发电厂的控制装置，其特征在于，

还具备：

模型，其对所述火力发电厂的特性进行仿真；以及

学习部，其以所述模型为对象学习用于改善所述火力发电厂的特性的操作方法，

所述学习部学习为了使所述模型的输出信号满足预先设定的目标而输入到所述模型的输入信号的生成方法，

所述操作信号生成部参照所述测量信号和所述模型的所述输出信号来生成所述火力发电厂的所述第1操作信号。

3.根据权利要求1所述的火力发电厂的控制装置，其特征在于，

在所述状态分类部中，参照作为所述测量信号的NOx浓度、CO浓度、二氧化碳浓度、硫氧化物浓度、水银浓度空气流量的前后比、空气减震器的开度、空气流量、空气温度、燃料流量、废气再循环流量、燃烧器空气比、煤组分、空气流量和煤流量的比率以及发电输出的至少一个项目数据来对所述火力发电厂的状态进行分类。

4.根据权利要求1所述的火力发电厂的控制装置，其特征在于，

在所述状态存储数据库中，除了所述操作结果判定部的判定结果和通过所述状态分类部分类后的所述火力发电厂的状态外，还将变更所述第1操作信号的前后的所述第1操作信号的值以及作为变更所述第1操作信号的前后的评价项目的所述测量信号的值对应地保存，

将所述状态存储数据库中保存的、变更所述第1操作信号的前后的所述第1操作信号的值的变化和作为变更所述第1操作信号的前后的评价项目的所述测量信号的值的变化对应地显示在图像显示装置中。

5.根据权利要求1所述的火力发电厂的控制装置，其特征在于，

将所述状态存储数据库中保存的所述操作结果判定部的判定结果和通过所述状态分类部分类后的所述火力发电厂的状态、所述测量信号以及所述第1操作信号的趋势图显示在图像显示装置中。

6.根据权利要求2所述的火力发电厂的控制装置，其特征在于，

用统计模型构成所述模型，所述模型至少输入所述火力发电厂的空气减震器的开度，所述模型输出从所述火力发电厂排出的CO浓度、NOx浓度以及未燃量的至少一个。

7.一种火力发电厂的控制装置，其具备参照从火力发电厂取得的测量信号来生成所述火力发电厂的第1操作信号的操作信号生成部，将所述操作信号生成部生成的所述第1操作信号输出到所述火力发电厂，该火力发电厂的控制装置的特征在于，具备：

操作结果判定部，其参照所述测量信号来判定作为输出了所述第1操作信号的结果的所述火力发电厂的特性的改善/恶化；

状态分类部，其参照所述测量信号来对所述火力发电厂的状态进行分类；

状态存储数据库，其将所述操作结果判定部的判定结果和通过所述状态分类部分类后的所述火力发电厂的状态对应地记录；

模型，其对所述火力发电厂的特性进行仿真；

学习部，其以所述模型为对象来学习用于改善所述火力发电厂的特性的操作方法；以及

特征量提取部，其将所述火力发电厂的特性改善时与所述火力发电厂的特性恶化时的所述状态分类部的分类结果进行比较，提取在所述火力发电厂的状态中生成特征性的区别的所述第1操作信号的数据项目，将提取出的所述数据项目追加到所述模型的输入信号中，

所述学习部学习为了使所述模型的输出信号满足预先设定的目标而输入到所述模型的、由所述特征量提取部追加了所述数据项目的所述输入信号的生成方法，

所述操作信号生成部使用所述测量信号和所述模型的所述输出信号来生成所述火力发电厂的所述第1操作信号。

8.根据权利要求7所述的火力发电厂的控制装置，其特征在于，

所述操作信号生成部，使用所述测量信号和所述模型的所述输出信号来生成所述火力发电厂的所述第1操作信号的同时，当所述火力发电厂的当前状态是达到所述状态存储数据库中记录的、由所述操作结果判定部判定为所述火力发电厂的特性恶化了的状态的生成第2操作信号时的状态时，继续输出正在向所述火力发电厂输出的当前的所述第1操作信号。

9.根据权利要求7所述的火力发电厂的控制装置，其特征在于，

在所述特征量提取部中提取与所述火力发电厂的特性恶化时的、属于所述状态分类部的第1分类结果的数据最接近的、所述火力发电厂的特性改善时的第2分类结果，

求出所述数据值与所述火力发电厂的特性改善时的分类结果的中心之间的距离，提取对该距离的贡献度最大的所述第1操作信号。

10.一种由控制装置进行的火力发电厂的控制方法，所述控制装置参照从火力发电厂取得的测量信号来生成所述火力发电厂的第1操作信号，将生成的所述第1操作信号输出到所述火力发电厂，且具有状态存储数据库，所述控制方法的特征在于，

所述控制装置，

参照所述测量信号，判定作为输出了所述第1操作信号的结果的、所述火力发电厂的特性的改善/恶化，

参照所述测量信号来对所述火力发电厂的状态进行分类，

将所述火力发电厂的特性的改善/恶化的判定结果和分类后的所述火力发电厂的状态对应地记录在所述状态存储数据库中，

分类后的所述火力发电厂的当前状态是达到所述状态存储数据库中记录的、判定为所述火力发电厂的特性恶化了的状态的生成第2操作信号时的状态时，继续输出正在向所述火力发电厂输出的当前的所述第1操作信号。

11.根据权利要求10所述的火力发电厂的控制方法，其特征在于，

所述控制装置，

具有对所述火力发电厂的特性进行仿真的模型，

学习为了使所述模型的输出信号满足预先设定的目标而输入到所述模型的输入信号的生成方法，

参照所述测量信号和所述模型的所述输出信号，生成所述火力发电厂的所述第1操作信号。

12.根据权利要求11所述的火力发电厂的控制方法，其特征在于，

所述控制装置，

以所述模型为对象学习用于改善所述火力发电厂的特性的操作方法，

将所述火力发电厂的特性改善时与所述火力发电厂的特性恶化时的所述火力发电厂的状态的分类结果进行比较，提取在所述火力发电厂的状态中生成特征性的区别的所述第1操作信号的数据项目，

将提取出的所述数据项目追加到所述模型的所述输入信号中。