JP2004171548A - プラントの最適運用方法、最適設計方法、最適運転計画方法、及び最適化装置 - Google Patents
プラントの最適運用方法、最適設計方法、最適運転計画方法、及び最適化装置 Download PDFInfo
- Publication number
- JP2004171548A JP2004171548A JP2003375099A JP2003375099A JP2004171548A JP 2004171548 A JP2004171548 A JP 2004171548A JP 2003375099 A JP2003375099 A JP 2003375099A JP 2003375099 A JP2003375099 A JP 2003375099A JP 2004171548 A JP2004171548 A JP 2004171548A
- Authority
- JP
- Japan
- Prior art keywords
- plant
- optimal
- value
- optimal operation
- input
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
【課題】 燃料価格や機器入出力特性など、不確定性な要因を有するプラント運用費用等を最小化するような最適運用方法、最適設計方法を実現する。
【解決手段】 需給バランス等の制約を考慮して、プラント運用費用等の期待値及び分散の関数からなる目的関数を利用し、各機器の起動・停止状態、機器制御量及び燃料注入量を状態変数として、プラントの最適化問題を非線形混合整数計画問題として定式化する。前記状態変数の初期値、各機器相互の接続状態等を用いて、各機器の入出力状態を求め、前記状態変数を最適化手法により逐次修正し評価しながら各機器の起動・停止状態、機器制御量及び燃料注入量の最適解を求める最適運用方法において、不確定性な負荷予測値、機器入出力特性値及び燃料価格予測値と、これらの確率または確率分布とを用いて複数のシナリオを作成し、最適化手法による状態変数の評価を複数のシナリオに対して実行する。
【選択図】 図１
【解決手段】 需給バランス等の制約を考慮して、プラント運用費用等の期待値及び分散の関数からなる目的関数を利用し、各機器の起動・停止状態、機器制御量及び燃料注入量を状態変数として、プラントの最適化問題を非線形混合整数計画問題として定式化する。前記状態変数の初期値、各機器相互の接続状態等を用いて、各機器の入出力状態を求め、前記状態変数を最適化手法により逐次修正し評価しながら各機器の起動・停止状態、機器制御量及び燃料注入量の最適解を求める最適運用方法において、不確定性な負荷予測値、機器入出力特性値及び燃料価格予測値と、これらの確率または確率分布とを用いて複数のシナリオを作成し、最適化手法による状態変数の評価を複数のシナリオに対して実行する。
【選択図】 図１
Description
本発明は、工場やビル等のユーティリティ設備で対象負荷に各種エネルギーを供給するエネルギープラント（以下、プラント）の電気負荷、熱負荷、空気負荷等の各種負荷に対して、様々なシナリオ（負荷予測値、プラント構成機器入出力特性値、燃料価格予測値とそれらの確率または確率分布）が与えられた時に、プラントの運用費用やＣＯ２等の有害ガスの排出量の期待値及び分散が最も小さくなるような運用方法を決定するプラントの最適運用方法、この最適運用方法を用いて、プラント構成機器の適切な台数及び容量を決定するプラントの最適設計方法、各プラント構成機器の適切な運転周期、補修期間、及びそのときの機器制御量、燃料注入量を決定するプラントの最適運転計画方法、並びにこれらの方法を実現するための最適化装置に関するものである。
（１）プラントの最適運用に関する従来の技術
従来、プラント構成機器の起動停止や燃料注入量を最適化する手法が種々提案されている。
特に、各種プラントの出力最大化やコストの最小化を目的として、タービンやボイラの蒸気配分量、運転ポイント等の最適値を算出する発電プラントの最適運用システムが知られている（例えば、後述する特許文献１参照）。
従来、プラント構成機器の起動停止や燃料注入量を最適化する手法が種々提案されている。
特に、各種プラントの出力最大化やコストの最小化を目的として、タービンやボイラの蒸気配分量、運転ポイント等の最適値を算出する発電プラントの最適運用システムが知られている（例えば、後述する特許文献１参照）。
（２）プラントの最適設計に関する従来の技術
従来、プラント設計は、負荷予測値、プラント特性及び燃料価格等を様々なシナリオにより変更し、それぞれの場合に対し、最適運用手法を用いて最適化を実行して各シナリオに対する解の違いを評価し、各構成機器の適切な台数や容量を決定していた。
また、プラント構成機器の稼働情報をデータベースとして保存し、前記稼働情報から各装置の稼働特性を解析してその稼働特性を装置モデルに設定し、これらの装置モデルを組合せたプラントモデルによりプラントの稼働状況をシミュレーションするようにしたプラント設計支援システム及びプラント設計支援方法が知られている。（例えば、後述する特許文献２参照）。
従来、プラント設計は、負荷予測値、プラント特性及び燃料価格等を様々なシナリオにより変更し、それぞれの場合に対し、最適運用手法を用いて最適化を実行して各シナリオに対する解の違いを評価し、各構成機器の適切な台数や容量を決定していた。
また、プラント構成機器の稼働情報をデータベースとして保存し、前記稼働情報から各装置の稼働特性を解析してその稼働特性を装置モデルに設定し、これらの装置モデルを組合せたプラントモデルによりプラントの稼働状況をシミュレーションするようにしたプラント設計支援システム及びプラント設計支援方法が知られている。（例えば、後述する特許文献２参照）。
（１）プラントの最適運用に関して
プラントの対象とする負荷は、一般的に確定的なものではなく、気象条件・操業計画等により変動する。また、プラント構成機器の入出力特性は不確定性を有しており、確定的な特性で表現することは困難である。例えば、ゴミ発電やＲＤＦ（Refuse Derived Fuel：ゴミ固形燃料）発電等は、ゴミの内容物により燃焼効率が変化し、確定的な特性とすることはできない。更に、プラント燃料のＡ重油、Ｃ重油、灯油、ガス等の価格は変動しており、プラントの最適運用を検討する時点での燃料価格は不確定性を考慮して予測する必要がある。つまり、プラント最適運用は、このような各種要因の不確定性を考慮した上で最適解を求める確率的最適化問題と考えられるが、従来ではこれらの不確定性が十分に考慮されていなかった。
例えば、前記特許文献１では、対象プラントの系統変更や機器仕様、特性変更等に対して、最適化モデルの修正を行うことが示唆されているが（［００４５］，［００４６］）、燃料単価については基本的に固定値として与えるものとされている（［００４１］）。
プラントの対象とする負荷は、一般的に確定的なものではなく、気象条件・操業計画等により変動する。また、プラント構成機器の入出力特性は不確定性を有しており、確定的な特性で表現することは困難である。例えば、ゴミ発電やＲＤＦ（Refuse Derived Fuel：ゴミ固形燃料）発電等は、ゴミの内容物により燃焼効率が変化し、確定的な特性とすることはできない。更に、プラント燃料のＡ重油、Ｃ重油、灯油、ガス等の価格は変動しており、プラントの最適運用を検討する時点での燃料価格は不確定性を考慮して予測する必要がある。つまり、プラント最適運用は、このような各種要因の不確定性を考慮した上で最適解を求める確率的最適化問題と考えられるが、従来ではこれらの不確定性が十分に考慮されていなかった。
例えば、前記特許文献１では、対象プラントの系統変更や機器仕様、特性変更等に対して、最適化モデルの修正を行うことが示唆されているが（［００４５］，［００４６］）、燃料単価については基本的に固定値として与えるものとされている（［００４１］）。
そこで、プラントの最適運用方法に係る本発明の目的は、プラントの最適最適運用を確率的最適化問題として定式化し、プラント運用費用及び有害ガスの排出量の期待値及び分散等が最も小さくなるような以下の解を最適化手法によって生成することにある。また、この不確定要因を考慮可能な最適運用を演算する装置を構築することにある。
I. 各制御時間ごとの各プラント構成機器（例えばボイラ、冷凍機等）の起動・停止状態
II. 各制御時間ごとの各プラント構成機器の機器制御量（例えば、熱交換器の弁開度等）
III. 各制御時間ごとの各プラント構成機器の燃料注入量（コジェネ、ボイラ、冷凍機等の燃料注入量）
I. 各制御時間ごとの各プラント構成機器（例えばボイラ、冷凍機等）の起動・停止状態
II. 各制御時間ごとの各プラント構成機器の機器制御量（例えば、熱交換器の弁開度等）
III. 各制御時間ごとの各プラント構成機器の燃料注入量（コジェネ、ボイラ、冷凍機等の燃料注入量）
（２）プラントの最適設計に関して
従来のプラント設計手法では、前述のプラント最適運用における不確定性に対し、様々な確定的な値を設定した条件で最適運用計算を行い、最終的に構成機器の容量等を決定していたが、このような方法では、プラント構成機器の入出力特性や燃料価格等の不確定性を定量的に評価することはできなかった。
また、前記特許文献２に記載されたプラント設計支援システム等は、基本的にプラント構成機器の稼働情報をデータベース化してシミュレーションを行うことにより新規プラントの最適設計を支援するものであり、プラント構成機器の入出力特性や燃料価格等の不確定性を反映した最適設計については言及されていない。
従来のプラント設計手法では、前述のプラント最適運用における不確定性に対し、様々な確定的な値を設定した条件で最適運用計算を行い、最終的に構成機器の容量等を決定していたが、このような方法では、プラント構成機器の入出力特性や燃料価格等の不確定性を定量的に評価することはできなかった。
また、前記特許文献２に記載されたプラント設計支援システム等は、基本的にプラント構成機器の稼働情報をデータベース化してシミュレーションを行うことにより新規プラントの最適設計を支援するものであり、プラント構成機器の入出力特性や燃料価格等の不確定性を反映した最適設計については言及されていない。
そこで、プラントの最適設計方法に係る本発明の目的は、プラントの運用における種々の不確定性を定量的に評価し、対象となる各種負荷に対応して以下の項目の最適値を決定するようにしたプラント最適設計方法、及びその不確定な要因を考慮可能な最適設計を演算する装置を構築することにある。
I. 各プラント構成機器の台数
II. 各プラント構成機器の容量
I. 各プラント構成機器の台数
II. 各プラント構成機器の容量
（３）プラントの最適運転計画に関して
上述の最適運用方法は、基本的に対象プラントにおける当日・翌日等、短期間の各制御時間ごとのプラント最適運用を決定するのに適しており、週間、月間、年間等の中長期の最適運転計画を生成するためには、各プラント構成機器の連続運転・停止制約、補修期間、各燃料貯蔵設備容量等の中長期運転計画に関する運用上の制約を考慮する必要がある。また、上述の最適運用方法と同様に、従来では各種要因の不確定性が十分に考慮されていなかった。
上述の最適運用方法は、基本的に対象プラントにおける当日・翌日等、短期間の各制御時間ごとのプラント最適運用を決定するのに適しており、週間、月間、年間等の中長期の最適運転計画を生成するためには、各プラント構成機器の連続運転・停止制約、補修期間、各燃料貯蔵設備容量等の中長期運転計画に関する運用上の制約を考慮する必要がある。また、上述の最適運用方法と同様に、従来では各種要因の不確定性が十分に考慮されていなかった。
そこで、プラントの最適運転計画方法に係る本発明の目的は、各プラント構成機器の入出力特性、及び各種負荷等の不確定な要因を有するプラントの中長期の最適運転計画問題にも対応できるように、各プラント構成機器の連続運転・停止制約、補修期間、各燃料貯蔵設備容量等の中長期運転計画に関する運用上の制約を考慮した上で、プラント運用費用や有害ガス排出量に関する評価値を最良とするような各プラント構成機器の最適な運転周期（起動・停止状態）、補修期間、及びそのときの機器制御量、燃料注入量等を決定する最適運転計画方法、及びその不確定な要因を考慮可能な最適運転計画を演算する装置を構築することにある。
上記課題を解決するため、請求項１に記載したプラントの最適運用方法は、各負荷種別ごとの需給バランスを満足し、かつ、各プラント構成機器の特性上の制約を考慮しながら、プラント運用費用や有害ガス排出量等の期待値及び分散の関数からなる目的関数を利用し、各制御時間ごとの各プラント構成機器の起動・停止状態、機器制御量及び燃料注入量を状態変数として、プラントの最適化問題を非線形混合整数計画問題として定式化すると共に、
前記状態変数の初期値、各プラント構成機器相互の接続状態、入出力特性及び運転パターンを用いて、各制御時間ごとの各プラント構成機器の入出力状態を前記目的関数の計算用に求め、前記状態変数を最適化手法により逐次修正し評価しながら最終的に大域最適解に近い各プラント構成機器の起動・停止状態、機器制御量及び燃料注入量を決定するようにしたプラントの最適運用方法において、
不確定性を有する負荷予測値、機器入出力特性値及び燃料価格予測値と、これら各値の確率または確率分布とを用いて複数のシナリオを作成し、前記最適化手法による状態変数の評価を、複数のシナリオに対して実行するものである。
前記状態変数の初期値、各プラント構成機器相互の接続状態、入出力特性及び運転パターンを用いて、各制御時間ごとの各プラント構成機器の入出力状態を前記目的関数の計算用に求め、前記状態変数を最適化手法により逐次修正し評価しながら最終的に大域最適解に近い各プラント構成機器の起動・停止状態、機器制御量及び燃料注入量を決定するようにしたプラントの最適運用方法において、
不確定性を有する負荷予測値、機器入出力特性値及び燃料価格予測値と、これら各値の確率または確率分布とを用いて複数のシナリオを作成し、前記最適化手法による状態変数の評価を、複数のシナリオに対して実行するものである。
なお、請求項２，３，４に記載するように、前記最適化手法は、遺伝的アルゴリズムやタブサーチ、Particle Swarm Optimizationまたはこれらの改良手法を用いて解くことが好ましい。
また、請求項５に記載したプラントの最適設計方法は、プラントの設計段階において、各プラント構成機器の最適な台数及び容量の決定問題を、設定可能な台数及び容量の中から最適値を決定する組み合わせ最適化問題として定式化し、所定期間内の複数の代表日に対し請求項１に記載したシナリオをそれぞれ作成し、請求項２〜４の何れかに記載した最適化手法による状態変数の評価を、複数のシナリオに対して実行することにより、所定期間内の評価値を最良とする各プラント構成機器の台数及び容量を決定するものである。
請求項６に記載したプラントの最適運用方法は、請求項１〜４の何れかに記載したプラントの最適運用方法であって、ゴミ・ＲＤＦ発電プラントの最適運用方法において、ゴミ・ＲＤＦの成分による燃焼効率に起因した機器入出力特性の不確定さを考慮して前記シナリオを作成するものである。
請求項７に記載したプラントの最適設計方法は、請求項５に記載したプラントの最適設計方法であって、ゴミ・ＲＤＦ発電プラントの最適設計方法において、ゴミ・ＲＤＦの成分による燃焼効率に起因した機器入出力特性の不確定さを考慮して前記シナリオを作成するものである。
請求項８に記載したプラントの最適運転計画方法は、プラントの最適運転計画段階において、各プラント構成機器の最適な運転周期、補修期間、及びそのときの機器制御量、燃料注入量の決定問題を、設定可能な各プラント構成機器の起動・停止状態、機器制御量、及び燃料注入量の中から最適値を決定する組合せ最適化問題として定式化し、所定期間の各日または曜日、週間、月間等の一定期間で区切られた各期間に対し、請求項１に記載したシナリオをそれぞれ作成し、請求項１〜４の何れかに記載した最適化手法による状態変数の評価を複数のシナリオに対して実行することにより、各燃料貯蔵設備の貯蔵量を考慮しながら所定期間内のプラント運用費用や有害ガス排出量に関する評価値を最良とする各プラント構成機器の最適な運転周期、補修期間、及びそのときの機器制御量、燃料注入量を決定するものである。
請求項９に記載したプラント最適運転計画方法は、請求項８に記載したプラントの最適運転計画方法であって、ゴミ・ＲＤＦ発電プラントの最適運転計画方法において、所定期間の各日または曜日、週間、月間等の一定期間で区切られた各期間におけるプラントへのゴミ・ＲＤＦの搬入量の変動、及びゴミ・ＲＤＦの成分による燃焼効率に起因した機器入出力特性の不確定さを考慮して前記シナリオを作成するものである。
請求項１０に記載したプラントの最適運用装置は、プラントの最適運用に必要なデータの入力手段と、請求項１に記載したシナリオを作成するシナリオ作成手段と、請求項１〜４，６の何れかに記載した最適運用方法を実現する最適化手段と、入力データ及び最適運用結果を出力するデータ出力手段と、入力データ及び最適運用結果を保存するデータ保存手段と、を有するものである。
請求項１１に記載したプラントの最適設計装置は、プラントの最適設計に必要なデータの入力手段と、請求項１に記載したシナリオを作成するシナリオ作成手段と、請求項５または７に記載した最適設計方法を実現する最適化手段と、入力データ及び最適設計結果を出力するデータ出力手段と、入力データ及び最適設計結果を保存するデータ保存手段と、を有するものである。
請求項１２に記載したプラントの最適運転計画装置は、プラントの最適運転計画の生成に必要なデータの入力手段と、請求項１に記載したシナリオを作成するシナリオ作成手段と、請求項８または９に記載した最適運転計画方法を実現する最適化手段と、入力データ及び最適運転計画結果を出力するデータ出力手段と、入力データ及び最適運転計画結果を保存するデータ保存手段と、を有するものである。
請求項１〜４，６に記載したプラントの最適運用方法によれば、プラントの最適運用を非線形混合整数計画問題として定式化し、定常プラントシミュレータの出力を用いることで、大域最適解に近いプラント構成機器の起動・停止状態や機器制御量、燃料注入量等を決定することができる。
請求項５，７に記載したプラントの最適設計方法によれば、前記最適運用方法を利用して一定期間内のプラント運用費用や排出ガス等に関する評価値を最良化するプラント構成機器の最適台数や容量を、組合せ最適化問題を解くことにより容易に求めることができる。
請求項８，９に記載したプラント最適運転計画方法によれば、当日・翌日等の短期間の最適運用を求めるのに適した前記最適運用方法に対し、週間・月間・年間等の中長期の最適運転計画を求められるように運用上の制約等を考慮し拡張することで、大域最適解に近いプラント構成機器の入出力制御量、運転周期、及び補修期間等の中長期の運転計画を決定することができる。
また、請求項１〜９に記載した各種最適化手段の何れか１つ、または２つ以上を組合わせて利用した最適化装置を構築することにより、対象プラントの各種運用・設計・運転計画等の目的に沿った各種状態量を決定することができる。
以下、図に沿って各発明の実施形態を説明する。
１．まず、請求項１〜４，６に記載したプラントの最適運用方法に関する実施形態を説明する。
始めに、プラントの最適運用に当たっては、以下の３つのシナリオを組合せて、後述する求解アルゴリズムで使用する最終的なシナリオを作成する必要がある。
I. 負荷予測値とその確率または確率分布（以下、負荷予測値シナリオとする）
II. プラント構成機器の入出力特性値とその確率または確率分布（以下、機器入出力特性値シナリオとする）
III. 燃料価格予測値とその確率または確率分布（燃料価格予測値シナリオとする）
１．まず、請求項１〜４，６に記載したプラントの最適運用方法に関する実施形態を説明する。
始めに、プラントの最適運用に当たっては、以下の３つのシナリオを組合せて、後述する求解アルゴリズムで使用する最終的なシナリオを作成する必要がある。
I. 負荷予測値とその確率または確率分布（以下、負荷予測値シナリオとする）
II. プラント構成機器の入出力特性値とその確率または確率分布（以下、機器入出力特性値シナリオとする）
III. 燃料価格予測値とその確率または確率分布（燃料価格予測値シナリオとする）
本実施形態では、最終的なシナリオを作成するに当たり、負荷予測値、入出力特性値及び燃料価格予測値の確率が確率値で設定される場合と確率分布で設定される場合とで、以下のようにシナリオの作成方法が異なる。
I. 確率が確率値で設定される場合
負荷予測値がａ個、機器入出力特性値がｂ個、燃料価格予測値がｃ個とすると、ａ×ｂ×ｃ個の組合せを生成する。このとき、各組合せの確率Ｐｔ（ｔ＝１〜ａ×ｂ×ｃ）は、組合せに使用した負荷予測値、機器入出力特性値、燃料価格予測値の確率をすべて乗じた値とする。これにより、各一つの負荷予測値と機器入出力特性値と燃料価格予測値と、これらの組合せの確率とにより、一つの最終的なシナリオ（以下では、この最終的なシナリオを単にシナリオという）が構成される。
II. 確率が確率分布で設定される場合
負荷予測値、機器入出力特性値、燃料価格予測値が各々確率分布で設定される場合には、モンテカルロシミュレーションにより、負荷予測値、機器特性及び燃料価格予測値を生成する。この際、生成するシナリオ数は、事前に設定した数ｎとする。
I. 確率が確率値で設定される場合
負荷予測値がａ個、機器入出力特性値がｂ個、燃料価格予測値がｃ個とすると、ａ×ｂ×ｃ個の組合せを生成する。このとき、各組合せの確率Ｐｔ（ｔ＝１〜ａ×ｂ×ｃ）は、組合せに使用した負荷予測値、機器入出力特性値、燃料価格予測値の確率をすべて乗じた値とする。これにより、各一つの負荷予測値と機器入出力特性値と燃料価格予測値と、これらの組合せの確率とにより、一つの最終的なシナリオ（以下では、この最終的なシナリオを単にシナリオという）が構成される。
II. 確率が確率分布で設定される場合
負荷予測値、機器入出力特性値、燃料価格予測値が各々確率分布で設定される場合には、モンテカルロシミュレーションにより、負荷予測値、機器特性及び燃料価格予測値を生成する。この際、生成するシナリオ数は、事前に設定した数ｎとする。
例えば、シナリオは、確率ｐｔを用いて数式１により決定する。
［数１］
Ｓ＝ｆ（ｐｔ）
ここで、Ｓ：対象とするシナリオ，ｆ：シナリオを決定する関数である。
Ｓ＝ｆ（ｐｔ）
ここで、Ｓ：対象とするシナリオ，ｆ：シナリオを決定する関数である。
なお、シナリオＳは、数式２のように確率ｐｔが事前に設定した値ｐｔ０よりも大きいような関数により決定するものとする。つまり、事前に設定した確率値ｐｔ０より大きい確率値ｐｔを有するものを、すべてシナリオとして利用する。
［数２］
ｐｔ＞ｐｔ０
ｐｔ＞ｐｔ０
次いで、プラントの最適運用方法を求めるに当たっては、作成したシナリオを用い、かつ、定常プラントシミュレータとの情報のやり取りによりプラントの入出力を入手しながら、各種の最適化手法によって最適解を探索していく方法を採る。
まず、図１は、本発明に係る最適運用方法を実現する最適運用部１０と定常プラントシミュレータ２０との相互関係を示した概念図である。
ここで、定常プラントシミュレータ２０は、プラント構成機器相互の接続状態、非線形な入出力特性、時間帯に応じて変化する運転パターン（運転パターンの変化により入出力特性が変化する）等のプラントの状態の計算に必要な特性を保存したデータベースを用いて、一定の時間間隔をおいた各制御時間ごとのプラント構成機器の起動・停止状態、機器制御量、燃料注入量が計画値として最適化部１０から与えられた時に、各制御時間ごとの各構成機器の定常的な入出力状態（ここでは、過渡的な入出力状態については考えず、機器の出力が安定した定常時のみを考慮する）を計算する。そして、ある構成機器の出力を次段の構成機器の入力として逐次計算していくことにより、最終的にプラント全体の定常的な入出力状態を模擬するものである。
ここで、定常プラントシミュレータ２０は、プラント構成機器相互の接続状態、非線形な入出力特性、時間帯に応じて変化する運転パターン（運転パターンの変化により入出力特性が変化する）等のプラントの状態の計算に必要な特性を保存したデータベースを用いて、一定の時間間隔をおいた各制御時間ごとのプラント構成機器の起動・停止状態、機器制御量、燃料注入量が計画値として最適化部１０から与えられた時に、各制御時間ごとの各構成機器の定常的な入出力状態（ここでは、過渡的な入出力状態については考えず、機器の出力が安定した定常時のみを考慮する）を計算する。そして、ある構成機器の出力を次段の構成機器の入力として逐次計算していくことにより、最終的にプラント全体の定常的な入出力状態を模擬するものである。
このようにして定常プラントシミュレータ２０により模擬されたプラント構成機器の入出力状態は、プラントの最適運用を決定するための目的関数の計算用に、最適化部１０に送られることになる。
なお、最適化部１０及び定常プラントシミュレータ２０は、何れも計算機のハードウェア及びソフトウェアによって実現されるものである。
なお、最適化部１０及び定常プラントシミュレータ２０は、何れも計算機のハードウェア及びソフトウェアによって実現されるものである。
例えば、図２に示すように、ボイラ３１、蒸気タービン３２、排ガス・灰処理装置３３及び発電機３４から構成され、電気負荷を得るためのゴミ・ＲＤＦ発電プラントを想定したとする。
定常プラントシミュレータ２０では、上記各構成機器３１〜３４の図示するような構成状態、入出力特性、運転パターンが与えられ、更に、制御時間ごとの各機器３１〜３４の起動・停止状態、機器制御量、ボイラ３１に対する燃料注入量が与えられた時に、例えばボイラ３１から出力される蒸気の量や蒸気タービン３２の回転数等を計算する。そして、これらを各々次段の蒸気タービン３２や発電機３４等の入力として、各機器３１，３２，……の出力を逐次計算していくことにより、この発電プラント全体の定常的な入出力状態を模擬し、最適化部１０に送るものである。
定常プラントシミュレータ２０では、上記各構成機器３１〜３４の図示するような構成状態、入出力特性、運転パターンが与えられ、更に、制御時間ごとの各機器３１〜３４の起動・停止状態、機器制御量、ボイラ３１に対する燃料注入量が与えられた時に、例えばボイラ３１から出力される蒸気の量や蒸気タービン３２の回転数等を計算する。そして、これらを各々次段の蒸気タービン３２や発電機３４等の入力として、各機器３１，３２，……の出力を逐次計算していくことにより、この発電プラント全体の定常的な入出力状態を模擬し、最適化部１０に送るものである。
次に、最適化部１０による具体的な最適運用方法を詳述する。
本実施形態では、最適化部１０が、計画案として各制御時間ごとの各プラント構成機器の起動・停止状態、機器制御量、燃料注入量を定常プラントシミュレータ２０に渡し、定常プラントシミュレータ２０側では、これらの入力情報を用いて前述した動作により求めた各機器の入出力状態を最適化部１０に返すと共に、最適化部１０では、各機器の入出力状態を用いて所定の目的関数（プラント運転費用期待値・分散の最小化やＣＯ２排出量期待値・分散の最小化等）を満足するような各機器の起動・停止状態、機器制御量、燃料注入量を各種の最適化手法により探索していくものである。
本実施形態では、最適化部１０が、計画案として各制御時間ごとの各プラント構成機器の起動・停止状態、機器制御量、燃料注入量を定常プラントシミュレータ２０に渡し、定常プラントシミュレータ２０側では、これらの入力情報を用いて前述した動作により求めた各機器の入出力状態を最適化部１０に返すと共に、最適化部１０では、各機器の入出力状態を用いて所定の目的関数（プラント運転費用期待値・分散の最小化やＣＯ２排出量期待値・分散の最小化等）を満足するような各機器の起動・停止状態、機器制御量、燃料注入量を各種の最適化手法により探索していくものである。
始めに、最適化の定式化について説明する。
（１）状態変数
状態変数は、以下のプラント量とする。
I. 各制御時間ごとの各プラント構成機器（例えばボイラ、冷凍機等）の起動・停止状態
II. 各制御時間ごとの機器制御量（例えば、熱交換器の弁開度等）
III. 各制御時間ごとの燃料注入量（コジェネ、ボイラ、冷凍機等の燃料注入量）
（１）状態変数
状態変数は、以下のプラント量とする。
I. 各制御時間ごとの各プラント構成機器（例えばボイラ、冷凍機等）の起動・停止状態
II. 各制御時間ごとの機器制御量（例えば、熱交換器の弁開度等）
III. 各制御時間ごとの燃料注入量（コジェネ、ボイラ、冷凍機等の燃料注入量）
（２）目的関数
目的関数は、以下のような項（関数）からなるとする。
I. プラント運用費用期待値の最小化（ｆ１とする）
II. プラント運用費用分散の最小化（ｆ２とする）
III. ＣＯ２排出量期待値の最小化（ｆ３とする）
IV. ＣＯ２排出量分散の最小化（ｆ４）
V. ペナルティ（需給バランス不均衡量、機器特性制約逸脱量）期待値の最小化（ｆ５とする）
VI. ペナルティ（需給バランス不均衡量、機器特性制約逸脱量）分散の最小化（ｆ６とする）
実際には、上記各項からなる以下の数式３の目的関数を用いることとし、例えば、各項に重み付けした数式４の目的関数を用いる。
目的関数は、以下のような項（関数）からなるとする。
I. プラント運用費用期待値の最小化（ｆ１とする）
II. プラント運用費用分散の最小化（ｆ２とする）
III. ＣＯ２排出量期待値の最小化（ｆ３とする）
IV. ＣＯ２排出量分散の最小化（ｆ４）
V. ペナルティ（需給バランス不均衡量、機器特性制約逸脱量）期待値の最小化（ｆ５とする）
VI. ペナルティ（需給バランス不均衡量、機器特性制約逸脱量）分散の最小化（ｆ６とする）
実際には、上記各項からなる以下の数式３の目的関数を用いることとし、例えば、各項に重み付けした数式４の目的関数を用いる。
［数３］
ｆ＝ｆ（ｆ１，ｆ２，ｆ３，ｆ４，ｆ５，ｆ６）
ｆ＝ｆ（ｆ１，ｆ２，ｆ３，ｆ４，ｆ５，ｆ６）
［数４］
ｆ＝ｗ１ｆ１＋ｗ２ｆ２＋ｗ３ｆ３＋ｗ４ｆ４＋ｗ５ｆ５＋ｗ６ｆ６
ここで、ｗｉ：各項に対する重みである。
ｆ＝ｗ１ｆ１＋ｗ２ｆ２＋ｗ３ｆ３＋ｗ４ｆ４＋ｗ５ｆ５＋ｗ６ｆ６
ここで、ｗｉ：各項に対する重みである。
上記目的関数の各項については、評価する各シナリオ（負荷予測値、機器特性及び燃料価格予測値の組合せと、対応する確率または確率分布とからなる）について、各項ごとに期待値または分散を計算する。
ここで、期待値は数式５のように計算することができる。
ここで、期待値は数式５のように計算することができる。
また、分散値は数式６のように計算することができる。
なお、本出願人の先願に係る特願２００２−１７１５８８に記載されたプラントの最適運用方法では、各制御時間ごとのプラント構成機器の起動・停止状態及び各制御時間ごとの燃料注入量からなる状態変数の組合せに対して、確定的な負荷予測値、機器入出力特性値及び燃料価格予測値からなる１つのシナリオを用いて評価を行っていた。しかし、本発明においては、状態変数の組合せに対し、複数のシナリオを用いて評価（期待値及び分散という統計値を利用した不確定性に関する評価）を行う点が異なっている。
（３）制約条件
I. 各負荷種別ごとの需給バランス
電気系、熱系、空気系等それぞれのエネルギーに対する需要と供給のバランスに関する制約であり、この需給バランスを決定するに当たって各種プラント負荷の予測値が考慮される。
II. 各機器の特性上の制約
各機器の入出力限界、起動停止時間等の特性上の制約である。これらの制約を目的関数の評価対象のシナリオで利用する機器特性とする。
I. 各負荷種別ごとの需給バランス
電気系、熱系、空気系等それぞれのエネルギーに対する需要と供給のバランスに関する制約であり、この需給バランスを決定するに当たって各種プラント負荷の予測値が考慮される。
II. 各機器の特性上の制約
各機器の入出力限界、起動停止時間等の特性上の制約である。これらの制約を目的関数の評価対象のシナリオで利用する機器特性とする。
上記の定式化は、各種プラント負荷の予測値が設定されたときに、各種プラント負荷に対するエネルギー供給（需給バランス）や各機器の特性上の制約を満足し、各プラント負荷予測値やプラント構成機器入出力特性値、燃料価格予測値の不確定性を考慮した確率的な非線形混合整数計画問題と考えることができる。
（４）求解アルゴリズム
定常プラントシミュレータ２０による計算結果（各制御時間ごとの各プラント構成機器の入出力状態）を利用しながら、構成機器の起動・停止状態、機器制御量、燃料注入量の最適解を探索していく最適化手法としては、モダンヒューリスティク最適化手法を用いる。具体的には、遺伝的アルゴリズム（Genetic Argorithm：以下、ＧＡという）とその改良手法、タブサーチ（Tabu Search：以下、ＴＳという）とその改良手法、Particle Swarm Optimization（以下、ＰＳＯという）とその改良手法を用いる。
定常プラントシミュレータ２０による計算結果（各制御時間ごとの各プラント構成機器の入出力状態）を利用しながら、構成機器の起動・停止状態、機器制御量、燃料注入量の最適解を探索していく最適化手法としては、モダンヒューリスティク最適化手法を用いる。具体的には、遺伝的アルゴリズム（Genetic Argorithm：以下、ＧＡという）とその改良手法、タブサーチ（Tabu Search：以下、ＴＳという）とその改良手法、Particle Swarm Optimization（以下、ＰＳＯという）とその改良手法を用いる。
ここで、ＧＡ及びその改良手法とは、D. E. Goldberg, Genetic Algorithms in Search, Optimization, and Machine Learning, Addison-Wesley, 1989の中で述べられているSimple Genetic Algorithm（以下、ＳＧＡという）とその改良手法を意味し、ＴＳ及びその改良手法とは、F. Glover, "Tabu Search Part I", ORSA Journal of Computing, Vol. 1, NO. 3, Summer 1989で述べられている手法とその改良手法を意味し、ＰＳＯ及びその改良手法とは、J. Kennedy and R. Eberhart, Swarm Intelligence, Morgan Kaufmann Publishers, 2001で解説されているように、Eberhart氏らにより開発された群れ理論を基にしたＰＳＯのGbestモデル、Lbestモデル、あるいは、Angeline氏により開発されたHybrid Particle Swarm Optimization等のＰＳＯの様々なバリエーションを含む手法を指す。
なお、本問題は、Ant Colony Optimization（以下、ＡＣＯという）及びその改良手法によって求解することも可能である。ここで、ＡＣＯ及びその改良手法とは、A. Colorni, M. Dorigo, and V. Maniezzo, "Distributed Optimization by Ant Colonies", Proc. of First European Conference on Artificial Life, pp.134-142, Cambridge, MA: MIT Press 1991.で述べられている手法とその改良手法を意味する。
なお、本問題は、Ant Colony Optimization（以下、ＡＣＯという）及びその改良手法によって求解することも可能である。ここで、ＡＣＯ及びその改良手法とは、A. Colorni, M. Dorigo, and V. Maniezzo, "Distributed Optimization by Ant Colonies", Proc. of First European Conference on Artificial Life, pp.134-142, Cambridge, MA: MIT Press 1991.で述べられている手法とその改良手法を意味する。
本実施形態では、例として、ＳＧＡ，ＴＳ及びＰＳＯを用いた場合のアルゴリズムを示す。
（１）ＳＧＡ
I. 状態表現
ＳＧＡでは、状態変数を全て離散値としなければならないことから、本来連続量である各燃料注入量は離散化する最小燃料費刻みで離散化した値を利用し、離散化した数値の最小値から最大値までを整数と対応させる。内部で整数により表現し、実際の燃料注入量へは整数との対応表から変換する。
もともと離散値である各制御時間ごとの機器の起動・停止状態は、起動を１、停止を０として整数で表現する。また、各機器制御量については、機器制御量が連続量で表現される場合は、離散化する最小制御刻みで離散化した値を利用し、この数値の最小値から最大値までを整数と対応させる。内部で整数により表現し、実際の機器制御量へは整数との対応表から変換する。機器制御量が離散値で表現される場合は、各離散値を整数で表現し、実際の離散値へは整数との対応表により変換する。
（１）ＳＧＡ
I. 状態表現
ＳＧＡでは、状態変数を全て離散値としなければならないことから、本来連続量である各燃料注入量は離散化する最小燃料費刻みで離散化した値を利用し、離散化した数値の最小値から最大値までを整数と対応させる。内部で整数により表現し、実際の燃料注入量へは整数との対応表から変換する。
もともと離散値である各制御時間ごとの機器の起動・停止状態は、起動を１、停止を０として整数で表現する。また、各機器制御量については、機器制御量が連続量で表現される場合は、離散化する最小制御刻みで離散化した値を利用し、この数値の最小値から最大値までを整数と対応させる。内部で整数により表現し、実際の機器制御量へは整数との対応表から変換する。機器制御量が離散値で表現される場合は、各離散値を整数で表現し、実際の離散値へは整数との対応表により変換する。
つまり、起動・停止状態、機器制御量、燃料注入量のすべての状態変数を整数により表現して対応表を作成すると共に、起動・停止状態を考慮する機器数、機器制御量を検討する機器数、及び燃料注入量を検討する機器数、の合計の長さを持つ遺伝子で状態を表現する。従って、各遺伝子座は、各機器の起動・停止状態、機器制御量、燃料注入量となる。
II. 求解アルゴリズム
Step１ 前提条件と初期条件設定（図３のＡ１）
・シナリオを入力する。
前述した負荷予測値シナリオ（負荷予測値とその確率または確率分布の組合せ）、機器入出力特性値シナリオ（プラント構成機器入出力特性値とその確率または確率分布の組合せ）、燃料価格予測値シナリオ（燃料価格予測値とその確率または確率分布の組合せ）に基づき、最終的なシナリオを作成して入力する。
・ストリング数、交差確率、突然変異確率、最大世代数を設定する。
Step１ 前提条件と初期条件設定（図３のＡ１）
・シナリオを入力する。
前述した負荷予測値シナリオ（負荷予測値とその確率または確率分布の組合せ）、機器入出力特性値シナリオ（プラント構成機器入出力特性値とその確率または確率分布の組合せ）、燃料価格予測値シナリオ（燃料価格予測値とその確率または確率分布の組合せ）に基づき、最終的なシナリオを作成して入力する。
・ストリング数、交差確率、突然変異確率、最大世代数を設定する。
Step２ 初期値の生成（図３のＡ２）
・各ストリングの遺伝子座（各機器の起動・停止状態、機器制御量、燃料注入量）について、可能な整数値の中からランダムに整数値を生成する。
・現在の世代数を１とする。
・各ストリングの遺伝子座（各機器の起動・停止状態、機器制御量、燃料注入量）について、可能な整数値の中からランダムに整数値を生成する。
・現在の世代数を１とする。
Step３ 各ストリングの評価及び選択（図３のＡ３）
・各ストリングの遺伝子座の整数値と対応表を用いて、各機器の起動・停止状態、機器制御量、燃料注入量を決定する。
・プラントモデル及び負荷予測値を利用して、各遺伝子に対する評価値を計算する。この際、先に入力された複数のシナリオ（負荷予測値、機器特性及び燃料価格予測値の組合せと、対応する確率または確率分布とからなる）を利用し、数式４の目的関数の各項に対し、数式５の期待値または数式６の分散を計算して各遺伝子に対する最終的な評価値を求める。ここで、評価値とは、プラント運用費用やＣＯ２排出量の総和である。
・各ストリングの評価値を用いて、ルーレット・ホイール・セレクションによりストリングの選択を行う。
・各ストリングの遺伝子座の整数値と対応表を用いて、各機器の起動・停止状態、機器制御量、燃料注入量を決定する。
・プラントモデル及び負荷予測値を利用して、各遺伝子に対する評価値を計算する。この際、先に入力された複数のシナリオ（負荷予測値、機器特性及び燃料価格予測値の組合せと、対応する確率または確率分布とからなる）を利用し、数式４の目的関数の各項に対し、数式５の期待値または数式６の分散を計算して各遺伝子に対する最終的な評価値を求める。ここで、評価値とは、プラント運用費用やＣＯ２排出量の総和である。
・各ストリングの評価値を用いて、ルーレット・ホイール・セレクションによりストリングの選択を行う。
Step４ ストリング操作（図３のＡ４）
・ストリング集合に対して、交差確率、突然変異確率を用いて、交差及び突然変異を実行することにより、上記評価値を最良とするようなストリングを決定する。そして、このストリングの遺伝子座の整数値と対応表を用いて、機器の起動・停止状態、機器制御量、燃料注入量の最適解を決定していく。
・ストリング集合に対して、交差確率、突然変異確率を用いて、交差及び突然変異を実行することにより、上記評価値を最良とするようなストリングを決定する。そして、このストリングの遺伝子座の整数値と対応表を用いて、機器の起動・停止状態、機器制御量、燃料注入量の最適解を決定していく。
Step５ 終了判定（図３のＡ５，Ａ６）
・世代が事前に決定した最大世代数の設定値に達したら、終了する。
・設定値に達しない場合には、世代数に１を足してStep.３へ戻る。
・世代が事前に決定した最大世代数の設定値に達したら、終了する。
・設定値に達しない場合には、世代数に１を足してStep.３へ戻る。
（２）ＴＳ
I. 状態表現
ＴＳにおいても、状態変数を全て離散値としなければならないことから、本来連続量である各燃料注入量は離散化する最小燃料費刻みで離散化した値を利用し、離散化した数値の最小値から最大値までを整数と対応させる。内部で整数により表現し、実際の燃料注入量へは整数との対応表から変換する。
もともと離散値である各制御時間ごとの機器の起動・停止状態は、起動を１、停止を０として整数で表現する。また、各機器制御量については、機器制御量が連続量で表現される場合は、離散化する最小制御刻みで離散化した値を利用し、この数値の最小値から最大値までを整数と対応させる。内部で整数により表現し、実際の機器制御量へは整数との対応表から変換する。機器制御量が離散値で表現される場合は、各離散値を整数で表現し、実際の離散値へは整数との対応表により変換する。
I. 状態表現
ＴＳにおいても、状態変数を全て離散値としなければならないことから、本来連続量である各燃料注入量は離散化する最小燃料費刻みで離散化した値を利用し、離散化した数値の最小値から最大値までを整数と対応させる。内部で整数により表現し、実際の燃料注入量へは整数との対応表から変換する。
もともと離散値である各制御時間ごとの機器の起動・停止状態は、起動を１、停止を０として整数で表現する。また、各機器制御量については、機器制御量が連続量で表現される場合は、離散化する最小制御刻みで離散化した値を利用し、この数値の最小値から最大値までを整数と対応させる。内部で整数により表現し、実際の機器制御量へは整数との対応表から変換する。機器制御量が離散値で表現される場合は、各離散値を整数で表現し、実際の離散値へは整数との対応表により変換する。
つまり、ＳＧＡと同様に起動・停止状態、機器制御量、燃料注入量のすべての状態変数を整数により表現して対応表を作成すると共に、起動・停止状態を考慮する機器数、機器制御量を検討する機器数、及び燃料注入量を検討する機器数、の合計の長さを持つ整数配列で状態を表現する。従って、配列の各要素は、各機器の起動・停止状態、機器制御量、燃料注入量となる。
II. 求解アルゴリズム
Step１ 前提条件と初期条件設定（図４のＢ１）
・シナリオを入力する。
前述した負荷予測値シナリオ（負荷予測値とその確率または確率分布の組合せ）、機器入出力特性値シナリオ（プラント構成機器入出力特性値とその確率または確率分布の組合せ）、燃料価格予測値シナリオ（燃料価格予測値とその確率または確率分布の組合せ）に基づき、最終的なシナリオを作成して入力する。
Step１ 前提条件と初期条件設定（図４のＢ１）
・シナリオを入力する。
前述した負荷予測値シナリオ（負荷予測値とその確率または確率分布の組合せ）、機器入出力特性値シナリオ（プラント構成機器入出力特性値とその確率または確率分布の組合せ）、燃料価格予測値シナリオ（燃料価格予測値とその確率または確率分布の組合せ）に基づき、最終的なシナリオを作成して入力する。
Step２ 初期値の生成（図４のＢ２）
・状態表現の配列の各要素について、ランダムに整数値を生成して初期値とする。
・現在の状態をタブーリストに入れる。
・現在の探索回数を１とする。
・タブー長及び最大探索回数を設定する。
・状態表現の配列の各要素について、ランダムに整数値を生成して初期値とする。
・現在の状態をタブーリストに入れる。
・現在の探索回数を１とする。
・タブー長及び最大探索回数を設定する。
Step３ 隣接状態の生成と次状態の決定（図４のＢ３）
・現在の状態の配列の各要素に対して、整数値の＋１及び−１の値（上下限値の場合は、値を生成しない）を隣接状態として生成する。
例えば、配列されている整数値が（２，３，４）であった場合、各要素に＋１及び−１を加算した（１，３，４），（３，３，４），（２，２，４），（２，４，４），（２，３，３），（２，３，５）が隣接状態となる。
・各隣接状態の整数値の配列に対して、対応表を参照することにより、機器の起動・停止状態、機器制御量、燃料注入量を決定する。
・プラントモデル及び負荷予測値を利用して、各隣接状態に対する評価値を計算する。ここで、評価値とはプラント運用費用やＣＯ２排出量の総和である。
この際、先に入力された複数のシナリオを利用し、数式４の目的関数の各項に対し、数式５の期待値または数式６の分散を計算して各遺伝子に対する最終的な評価値を求める。
・各隣接状態の中で、タブーでない最も評価がよいものを次状態とする処理により、上記評価値を最良とするような隣接状態を決定する。そして、この隣接状態の整数値と対応表を用いて、機器の起動・停止状態、機器制御量、燃料注入量の最適解を決定していく。
・現在の状態の配列の各要素に対して、整数値の＋１及び−１の値（上下限値の場合は、値を生成しない）を隣接状態として生成する。
例えば、配列されている整数値が（２，３，４）であった場合、各要素に＋１及び−１を加算した（１，３，４），（３，３，４），（２，２，４），（２，４，４），（２，３，３），（２，３，５）が隣接状態となる。
・各隣接状態の整数値の配列に対して、対応表を参照することにより、機器の起動・停止状態、機器制御量、燃料注入量を決定する。
・プラントモデル及び負荷予測値を利用して、各隣接状態に対する評価値を計算する。ここで、評価値とはプラント運用費用やＣＯ２排出量の総和である。
この際、先に入力された複数のシナリオを利用し、数式４の目的関数の各項に対し、数式５の期待値または数式６の分散を計算して各遺伝子に対する最終的な評価値を求める。
・各隣接状態の中で、タブーでない最も評価がよいものを次状態とする処理により、上記評価値を最良とするような隣接状態を決定する。そして、この隣接状態の整数値と対応表を用いて、機器の起動・停止状態、機器制御量、燃料注入量の最適解を決定していく。
Step４ 終了判定（図４のＢ４，Ｂ５）
・探索回数が事前に設定した最大探索回数に達したら、終了する。
・設定値に達しない場合には、現在の探索回数に１を足してStep.３へ戻る。
・探索回数が事前に設定した最大探索回数に達したら、終了する。
・設定値に達しない場合には、現在の探索回数に１を足してStep.３へ戻る。
（３）ＰＳＯ
I. 状態表現
ＰＳＯでは、各制御時間ごとの各構成機器の起動・停止状態、機器制御量、燃料注入量を変更できる各構成機器の起動・停止状態からなるデータ列によって状態を表現する。
I. 状態表現
ＰＳＯでは、各制御時間ごとの各構成機器の起動・停止状態、機器制御量、燃料注入量を変更できる各構成機器の起動・停止状態からなるデータ列によって状態を表現する。
II. 求解アルゴリズム
ＰＳＯを非線形混合整数計画問題に適用できるようにする方法は、福山他による「電圧信頼度を考慮したParticle Swarm Optimizationによる電圧無効電力制御方式の検討」電気学会論文誌Ｂ，１１９巻１２号，１９９９年１２月等で提案されている方法を用いる。
ＰＳＯを非線形混合整数計画問題に適用できるようにする方法は、福山他による「電圧信頼度を考慮したParticle Swarm Optimizationによる電圧無効電力制御方式の検討」電気学会論文誌Ｂ，１１９巻１２号，１９９９年１２月等で提案されている方法を用いる。
ＰＳＯは、簡単化した社会モデルのシミュレーションを通して開発されたモダンヒューリスティック手法の１つであり、鳥の群れの動きを連続変数の２次元空間で表現することを通して開発された。ＰＳＯでは、各エージェント（上述した鳥）の位置（状態量）をｘ，ｙ座標で表現し、前記位置（状態量）の変化分に相当する速度（ベクトル）をｖｘ（ｘ方向の速度）、ｖｙ（ｙ方向の速度）で表現する。
これらの位置と速度情報から、次時点の各エージェントの位置を更新することができる。この概念に基づき、鳥の群れ全体が何らかの目的関数を最適化するような行動をとると考えると、以下のような最適化が考えられる。
これらの位置と速度情報から、次時点の各エージェントの位置を更新することができる。この概念に基づき、鳥の群れ全体が何らかの目的関数を最適化するような行動をとると考えると、以下のような最適化が考えられる。
つまり、各エージェントは各々の探索における目的関数のそれまでの個々の最良値（ｐbest）と、その位置（状態量）を示すｘ，ｙ座標とを覚えている。また、各エージェントは、ｐbestのうち集団の中で最も最良のもの、すなわち集団のそれまでの目的関数の最良値（ｇbest）情報を共有している。
そして、各エージェントは、現在の自己のｘ，ｙ座標と速度ｖｘ，ｖｙ、及び、ｐbestとｇbestとの距離に応じて、ｐbest，ｇbestの存在する位置に方向を変更しようとする。この変更しようとする行動は速度を修正することで表現される。現在の速度とｐbest及びｇbestを用いて、各エージェントの速度は数式７により修正される。
そして、各エージェントは、現在の自己のｘ，ｙ座標と速度ｖｘ，ｖｙ、及び、ｐbestとｇbestとの距離に応じて、ｐbest，ｇbestの存在する位置に方向を変更しようとする。この変更しようとする行動は速度を修正することで表現される。現在の速度とｐbest及びｇbestを用いて、各エージェントの速度は数式７により修正される。
［数７］
ｖｉ ｋ＋１＝ｗ×ｖｉ ｋ＋ｃ１×rand()×（ｐbestｉ−ｓｉ ｋ）
＋ｃ２×rand()×（ｇbest−ｓｉ ｋ）
ｖｉ ｋ＋１＝ｗ×ｖｉ ｋ＋ｃ１×rand()×（ｐbestｉ−ｓｉ ｋ）
＋ｃ２×rand()×（ｇbest−ｓｉ ｋ）
数式７において、ｖｉ：エージェントｉの速度、rand()：０〜１までの一様乱数、ｓｉ ｋ：エージェントｉの探索ｋ回目の位置（探索点）、ｐbestｉ：エージェントｉのｐbest、ｗ：エージェントの速度に対する重み関数、cｉ：各項に対する重み係数である。
上記数式７を用いることにより、各エージェントのこれまでの最良解及び集団の最良解に確率的に近付くような速度が求められ、これにより各エージェントの現在の位置（探索点）を数式８により修正する。
ここで、本発明に即していえば、各エージェントがプラント構成機器に相当し、数式７，数式８における各エージェントの位置ｓｉが各プラント構成機器の起動・停止状態（離散値）や機器制御量（連続値または離散値）、燃料注入量（連続値）に相当し、また、各エージェントの速度ｖｉがそれらの変化分に相当する。
ここで、本発明に即していえば、各エージェントがプラント構成機器に相当し、数式７，数式８における各エージェントの位置ｓｉが各プラント構成機器の起動・停止状態（離散値）や機器制御量（連続値または離散値）、燃料注入量（連続値）に相当し、また、各エージェントの速度ｖｉがそれらの変化分に相当する。
［数８］
ｓｉ ｋ＋１＝ｓｉ ｋ＋ｖｉ ｋ＋１
ｓｉ ｋ＋１＝ｓｉ ｋ＋ｖｉ ｋ＋１
ＰＳＯはＧＡ等と同様に複数の探索点を持った多点探索で、各探索点のｐbest及び集団のｇbestを用いて各探索点を確率的に変更していくことにより、大域最適解（最良解）を得る方法である。また、これまでの速度を維持しようとする大域探索（数式７の右辺第１項）と、ｐbest，ｇbestを用いてそれらに近付こうとする局所探索（それぞれ数式７の右辺第２，３項）とをバランスよく行う機構をもった探索手法である。
更に、ＰＳＯでは探索の各ステップで目的関数値を評価する必要があるが、評価の回数は問題の規模によらずエージェント数のみで良いというメリットがあるため、プラントの最適運用といった大規模問題への適用が可能である。
更に、ＰＳＯでは探索の各ステップで目的関数値を評価する必要があるが、評価の回数は問題の規模によらずエージェント数のみで良いというメリットがあるため、プラントの最適運用といった大規模問題への適用が可能である。
ｇbestモデルのＰＳＯを利用した場合のプラント最適運用方法の全体的なアルゴリズムを、以下に示す。
Step１ データの入力（図５のＣ１）
I. シナリオの入力
前述した負荷予測値シナリオ（負荷予測値とその確率または確率分布の組合せ）、機器入出力特性値シナリオ（プラント構成機器入出力特性値とその確率または確率分布の組合せ）、燃料価格予測値シナリオ（燃料価格予測値とその確率または確率分布の組合せ）に基づき、最終的なシナリオを作成して入力する。
II. プラント情報の入力（これらはデータベースとして予め格納されている）
各構成機器相互の接続関係とそれに対応する特性式や、各構成機器の入出力特性及び各制御時間ごとの運転パターンを入力する。
III. ＳＯに関する情報の入力
エージェント数、各最適化パラメータ値、最大探索回数を入力する。
Step１ データの入力（図５のＣ１）
I. シナリオの入力
前述した負荷予測値シナリオ（負荷予測値とその確率または確率分布の組合せ）、機器入出力特性値シナリオ（プラント構成機器入出力特性値とその確率または確率分布の組合せ）、燃料価格予測値シナリオ（燃料価格予測値とその確率または確率分布の組合せ）に基づき、最終的なシナリオを作成して入力する。
II. プラント情報の入力（これらはデータベースとして予め格納されている）
各構成機器相互の接続関係とそれに対応する特性式や、各構成機器の入出力特性及び各制御時間ごとの運転パターンを入力する。
III. ＳＯに関する情報の入力
エージェント数、各最適化パラメータ値、最大探索回数を入力する。
Step２ 初期値の生成（図５のＣ２）
I. 各エージェントごとに、各制御時間ごとの以下の値をランダムに計算する。
・各構成機器の起動・停止状態（離散値）
・各構成機器の制御量（連続値または離散値）
・各構成機器のうち、燃料注入機器の燃料注入量（連続値）
II. 各エージェントごとのプラント状態の計算及び評価値の計算
・I.で計算した燃料注入量、機器制御量、起動・停止状態を用いて定常プラントシミュレータ２０により、各制御時間ごとの各構成機器の入出力状態を求める。
・更に、図１に示した目的関数及び制約条件を用いて、各エージェントごとに評価値を計算する。ここで、評価値とは、プラント運用費用やＣＯ２排出量の総和である。
この際、先に入力された複数のシナリオを利用し、数式４の目的関数の各項に対し、数式５の期待値または数式６の分散を計算して各エージェントに対する評価値を求める。
III. ｐbest及びｇbestの初期設定
・II.で計算した各エージェントごとの評価値を現在の各エージェントごとのｐbest値とする。
・上記で計算したｐbestのうち最良値をｇbest値とする。
I. 各エージェントごとに、各制御時間ごとの以下の値をランダムに計算する。
・各構成機器の起動・停止状態（離散値）
・各構成機器の制御量（連続値または離散値）
・各構成機器のうち、燃料注入機器の燃料注入量（連続値）
II. 各エージェントごとのプラント状態の計算及び評価値の計算
・I.で計算した燃料注入量、機器制御量、起動・停止状態を用いて定常プラントシミュレータ２０により、各制御時間ごとの各構成機器の入出力状態を求める。
・更に、図１に示した目的関数及び制約条件を用いて、各エージェントごとに評価値を計算する。ここで、評価値とは、プラント運用費用やＣＯ２排出量の総和である。
この際、先に入力された複数のシナリオを利用し、数式４の目的関数の各項に対し、数式５の期待値または数式６の分散を計算して各エージェントに対する評価値を求める。
III. ｐbest及びｇbestの初期設定
・II.で計算した各エージェントごとの評価値を現在の各エージェントごとのｐbest値とする。
・上記で計算したｐbestのうち最良値をｇbest値とする。
Step３ 各エージェントの位置（探索点）の修正（図５のＣ３）
前述した福山他による「電圧信頼度を考慮したParticle Swarm Optimizationによる電圧無効電力制御方式の検討」に記載されている方法で、数式７，数式８を用いて離散値及び連続値について各エージェントの位置（探索点）を修正する。
このときの修正の概念図を図６に示す。図６において、ｖｋ＋１は数式８の右辺第２項に相当している。
前述した福山他による「電圧信頼度を考慮したParticle Swarm Optimizationによる電圧無効電力制御方式の検討」に記載されている方法で、数式７，数式８を用いて離散値及び連続値について各エージェントの位置（探索点）を修正する。
このときの修正の概念図を図６に示す。図６において、ｖｋ＋１は数式８の右辺第２項に相当している。
Step４ 各エージェントの評価（図５のＣ４）
I. 各エージェントごとのプラント状態の計算及び評価値の計算
・Step２で計算した各構成機器の起動・停止状態、機器制御量、燃料注入量を用いて、定常プラントシミュレータ２０により、各制御時間ごとの各構成機器の入出力状態を求める。
・図１の目的関数及び制約条件を用いて数式４の目的関数の各項に対し、数式５の期待値または数式６の分散を計算して各エージェントに対する最終的な評価値を求める。
I. 各エージェントごとのプラント状態の計算及び評価値の計算
・Step２で計算した各構成機器の起動・停止状態、機器制御量、燃料注入量を用いて、定常プラントシミュレータ２０により、各制御時間ごとの各構成機器の入出力状態を求める。
・図１の目的関数及び制約条件を用いて数式４の目的関数の各項に対し、数式５の期待値または数式６の分散を計算して各エージェントに対する最終的な評価値を求める。
II. ｐbest及びｇbestの修正
・I.で計算した各エージェントごとの評価値が現在の各エージェントごとのｐbest値より良かったら、前記評価値を各エージェントごとのｐbestとする。
・上記のｐbestのうちの最良値が現在のｇbestより良かったら、その最良値をｇbestとする。
・I.で計算した各エージェントごとの評価値が現在の各エージェントごとのｐbest値より良かったら、前記評価値を各エージェントごとのｐbestとする。
・上記のｐbestのうちの最良値が現在のｇbestより良かったら、その最良値をｇbestとする。
Step５ 終了条件のチェック（図５のＣ５）
探索回数が入力した最大探索回数に達したら終了する。達しない場合はStep３へ戻る。
探索回数が入力した最大探索回数に達したら終了する。達しない場合はStep３へ戻る。
２．次に、請求項５に記載したプラントの最適設計方法に関する実施形態を説明する。
この最適設計方法とは、プラントの設計段階において、各プラント構成機器の最適台数及び容量値（離散値）の決定問題を、設定可能な台数及び容量値の中から最適値を決定する組合せ最適化問題として定式化し、例えば年間の各月の代表日ごとのシナリオを設定し、前述したプラントの最適運用方法を利用して、年間のプラント運用費用やＣＯ２排出量等に関する評価値を最小化するような以下の値を決定することをいう。
I.各プラント構成機器の台数
II.各プラント構成機器の個々の容量
この最適設計は、以下の手順により実現する。
この最適設計方法とは、プラントの設計段階において、各プラント構成機器の最適台数及び容量値（離散値）の決定問題を、設定可能な台数及び容量値の中から最適値を決定する組合せ最適化問題として定式化し、例えば年間の各月の代表日ごとのシナリオを設定し、前述したプラントの最適運用方法を利用して、年間のプラント運用費用やＣＯ２排出量等に関する評価値を最小化するような以下の値を決定することをいう。
I.各プラント構成機器の台数
II.各プラント構成機器の個々の容量
この最適設計は、以下の手順により実現する。
Step１ 前提条件及び初期条件設定（図７のＤ１）
・プラントのシステム構成（プラントの構成機器と相互の接続状態）を決定する。
・所定期間、例えば年間の各月の代表日の各制御時間ごとのシナリオを設定する。このシナリオとは、前述したように、負荷予測値、機器特性及び燃料価格予測値の組合せと、対応する確率または確率分布とからなるシナリオである。
・状態変数の初期値設定
各プラント構成機器の台数の初期値と、容量の初期値とを設定する。
・プラントのシステム構成（プラントの構成機器と相互の接続状態）を決定する。
・所定期間、例えば年間の各月の代表日の各制御時間ごとのシナリオを設定する。このシナリオとは、前述したように、負荷予測値、機器特性及び燃料価格予測値の組合せと、対応する確率または確率分布とからなるシナリオである。
・状態変数の初期値設定
各プラント構成機器の台数の初期値と、容量の初期値とを設定する。
Step２ 上記Step１で設定した値を用いて、前述した各種のプラント最適運用方法により、複数のシナリオに対する評価を行うことで各代表日に対する最適運用方法を計算する（図７のＤ２）。
Step３ １年を通したプラント運用費用やＣＯ２排出量等の評価値（各代表日の評価値の和）が最良となるまで、各構成機器の台数及び容量を組合せ最適化手法を用いて変更する（図７のＤ３）。ここで、組合せ最適化手法としては、ＧＡとその改良手法、ＴＳとその改良手法、ＰＳＯとその改良手法、ＡＣＯとその改良手法等を利用する。
以下では、例として、ＳＧＡ，ＴＳ及びＰＳＯを用いた場合のアルゴリズムを示す。
以下では、例として、ＳＧＡ，ＴＳ及びＰＳＯを用いた場合のアルゴリズムを示す。
(１)ＳＧＡ
I. 状態表現
ＳＧＡでは、台数を求める構成機器数及び容量を求める構成機器数だけの遺伝子長とし、各遺伝子座は各構成機器の台数及び選択可能な容量を小さい方から整数で表現した整数値とする。従って、実際の容量は、各整数値と実際の容量との対応表から求める。例えば、１が１００ｋＶＡ、２が１５０ｋＶＡ、３が２００ｋＶＡ等の対応となる。
I. 状態表現
ＳＧＡでは、台数を求める構成機器数及び容量を求める構成機器数だけの遺伝子長とし、各遺伝子座は各構成機器の台数及び選択可能な容量を小さい方から整数で表現した整数値とする。従って、実際の容量は、各整数値と実際の容量との対応表から求める。例えば、１が１００ｋＶＡ、２が１５０ｋＶＡ、３が２００ｋＶＡ等の対応となる。
II. 求解アルゴリズム
Step１ 前提条件及び初期条件設定（図３のＡ１）
・プラントのシステム構成(プラントの構成機器と相互の接続状態)を決定する。
・年間の各月の代表日の各制御時間毎のシナリオを設定する。
・ストリング数、交差確率、突然変異確率、最大世代数を設定する。
Step１ 前提条件及び初期条件設定（図３のＡ１）
・プラントのシステム構成(プラントの構成機器と相互の接続状態)を決定する。
・年間の各月の代表日の各制御時間毎のシナリオを設定する。
・ストリング数、交差確率、突然変異確率、最大世代数を設定する。
Step２ 初期値の生成（図３のＡ２）
・各ストリングの遺伝子座について、ランダムに整数値を選択して初期値とする。
・現在の世代数を１とする。
・各ストリングの遺伝子座について、ランダムに整数値を選択して初期値とする。
・現在の世代数を１とする。
Step３ 各ストリングの評価と選択（図３のＡ３）
・各ストリングの遺伝子座の整数値を対応表を用いて設定し、台数及び容量を決定する。
・各構成機器の台数及び容量が決定したプラントモデル、及び、最初に設定した各月の代表日の各制御時間毎のシナリオを利用して各機器の起動・停止状態、機器制御量、及び燃料注入量を決定することにより最適運用方法を求め、１年を通した各月の代表日に対するプラント運用費用やＣＯ２排出量等に関する評価値の和を各ストリングの評価値とする。
・各ストリングの評価値を用いて、ルーレット・ホイール・セレクションによりストリングの選択を行う。
・各ストリングの遺伝子座の整数値を対応表を用いて設定し、台数及び容量を決定する。
・各構成機器の台数及び容量が決定したプラントモデル、及び、最初に設定した各月の代表日の各制御時間毎のシナリオを利用して各機器の起動・停止状態、機器制御量、及び燃料注入量を決定することにより最適運用方法を求め、１年を通した各月の代表日に対するプラント運用費用やＣＯ２排出量等に関する評価値の和を各ストリングの評価値とする。
・各ストリングの評価値を用いて、ルーレット・ホイール・セレクションによりストリングの選択を行う。
Step４ ストリング操作（図３のＡ４）
・ストリング集合に対して、交差確率、突然変異確率を用いて、交差及び突然変異を実行することにより、１年を通した評価値の和が最良となるような各構成機器の台数及び容量を決定する。
・ストリング集合に対して、交差確率、突然変異確率を用いて、交差及び突然変異を実行することにより、１年を通した評価値の和が最良となるような各構成機器の台数及び容量を決定する。
Step５ 終了判定（図３のＡ５，Ａ６）
・世代数が事前に決定した最大世代数の設定値に達したら、終了する。
・設定値に達しない場合には、世代数に１を足してStep３へ戻る。
・世代数が事前に決定した最大世代数の設定値に達したら、終了する。
・設定値に達しない場合には、世代数に１を足してStep３へ戻る。
(２)ＴＳ
I. 状態表現
ＴＳでは、台数を求める構成機器数及び容量を求める構成機器数だけの配列長とし、配列の各要素は各構成機器の台数及び選択可能な容量を小さい方から整数で表現した整数値とする。従って、実際の容量は、各整数値と容量との対応表から求める。例えば、１が１００ｋＶＡ、２が１５０ｋＶＡ、３が２００ｋＶＡ等の対応となる。
I. 状態表現
ＴＳでは、台数を求める構成機器数及び容量を求める構成機器数だけの配列長とし、配列の各要素は各構成機器の台数及び選択可能な容量を小さい方から整数で表現した整数値とする。従って、実際の容量は、各整数値と容量との対応表から求める。例えば、１が１００ｋＶＡ、２が１５０ｋＶＡ、３が２００ｋＶＡ等の対応となる。
II. 求解アルゴリズム
Step１ 前提条件及び初期条件設定（図４のＢ１）
・プラントのシステム構成(プラントの構成機器と相互の接続状態)を決定する。
・年間の各月の代表日の各制御時間毎のシナリオを設定する。
・タブー長及び最大探索回数を設定する。
Step１ 前提条件及び初期条件設定（図４のＢ１）
・プラントのシステム構成(プラントの構成機器と相互の接続状態)を決定する。
・年間の各月の代表日の各制御時間毎のシナリオを設定する。
・タブー長及び最大探索回数を設定する。
Step２ 初期値の生成（図４のＢ２）
・状態表現の配列の各要素（各構成機器の台数及び容量）について、ランダムに整数値を選択して初期値とする。
・現在の状態をタブーリストに入れる。
・現在の探索回数を１とする。
・状態表現の配列の各要素（各構成機器の台数及び容量）について、ランダムに整数値を選択して初期値とする。
・現在の状態をタブーリストに入れる。
・現在の探索回数を１とする。
Step３ 隣接状態の生成と次状態の決定（図４のＢ３）
・現在の状態の配列の各要素に対して、整数値の＋１及び−１の値（上下限値の場合は、値を生成しない）を隣接状態として生成する。
例えば配列されている整数値が（２，３，４）であった場合、各要素について＋１及び−１を加算した（１，３，４），（３，３，４），（２，２，４），（２，４，４），（２，３，３），（２，３，５）が隣接状態となる。
・各隣接状態の整数値の配列に対して、対応表を参照することにより各構成機器の台数及び容量を決定する。
・各構成機器の台数及び容量が決定したプラントモデル、並びに、最初に設定した各月の代表日の各制御時間毎のシナリオを利用して各機器の起動・停止状態、機器制御量及び燃料注入量を決定することにより最適運用方法を求め、１年を通した各月の代表日に対するプラント運用費用やＣＯ２排出量等に関する評価値の和を各隣接状態の評価値とする。
・各隣接状態の中でタブーでない最も評価がよいものを次状態とする処理により、１年を通した評価値の和が最良となるような各構成機器の台数及び容量を決定する。
・現在の状態の配列の各要素に対して、整数値の＋１及び−１の値（上下限値の場合は、値を生成しない）を隣接状態として生成する。
例えば配列されている整数値が（２，３，４）であった場合、各要素について＋１及び−１を加算した（１，３，４），（３，３，４），（２，２，４），（２，４，４），（２，３，３），（２，３，５）が隣接状態となる。
・各隣接状態の整数値の配列に対して、対応表を参照することにより各構成機器の台数及び容量を決定する。
・各構成機器の台数及び容量が決定したプラントモデル、並びに、最初に設定した各月の代表日の各制御時間毎のシナリオを利用して各機器の起動・停止状態、機器制御量及び燃料注入量を決定することにより最適運用方法を求め、１年を通した各月の代表日に対するプラント運用費用やＣＯ２排出量等に関する評価値の和を各隣接状態の評価値とする。
・各隣接状態の中でタブーでない最も評価がよいものを次状態とする処理により、１年を通した評価値の和が最良となるような各構成機器の台数及び容量を決定する。
Step４ 終了判定（図４のＢ４，Ｂ５）
・探索回数が事前に設定した最大探索回数に達したら、終了する。
・設定値に達しない場合には、現在の探索回数に１を足してStep３へ戻る。
・探索回数が事前に設定した最大探索回数に達したら、終了する。
・設定値に達しない場合には、現在の探索回数に１を足してStep３へ戻る。
（３）ＰＳＯ
Step１ データの入力（図５のＣ１）
・プラント情報の入力（これらはデータベースとして予め格納されている）
各構成機器相互の接続関係とそれに対応する特性式や、各構成機器の入出力特性及び各制御時間ごとの運転パターンを入力する。
・年間の各月の代表日の各制御時間ごとのシナリオを設定し、入力する。
・ＰＳＯに関する情報の入力
エージェント数、各最適化パラメータ値、最大探索回数を入力する。
Step１ データの入力（図５のＣ１）
・プラント情報の入力（これらはデータベースとして予め格納されている）
各構成機器相互の接続関係とそれに対応する特性式や、各構成機器の入出力特性及び各制御時間ごとの運転パターンを入力する。
・年間の各月の代表日の各制御時間ごとのシナリオを設定し、入力する。
・ＰＳＯに関する情報の入力
エージェント数、各最適化パラメータ値、最大探索回数を入力する。
Step２ 初期値の生成（図５のＣ２）
・各エージェントごとに、状態表現の配列要素（各構成機器の台数及び容量）について、ランダムに整数値を選択して初期値とする。
・各構成機器の容量が決定したプラントモデル及び最初に設定した各月の代表日の各制御時間ごとのシナリオを利用して各機器の起動・停止状態、機器制御量及び燃料注入量を決定することにより最適運用方法を求め、この代表日に対する評価値をｐbestとし、このｐbestのうち最良値をｇbestとする。
・現在の探索回数を１とする。
・各エージェントごとに、状態表現の配列要素（各構成機器の台数及び容量）について、ランダムに整数値を選択して初期値とする。
・各構成機器の容量が決定したプラントモデル及び最初に設定した各月の代表日の各制御時間ごとのシナリオを利用して各機器の起動・停止状態、機器制御量及び燃料注入量を決定することにより最適運用方法を求め、この代表日に対する評価値をｐbestとし、このｐbestのうち最良値をｇbestとする。
・現在の探索回数を１とする。
Step３ 各エージェントの位置（探索点）の修正（図５のＣ３）
前述した福山他による「電圧信頼度を考慮したParticle Swarm Optimizationによる電圧無効電力制御方式の検討」に記載されている方法で、数式７，数式８を用いて離散値及び連続値について各エージェントの位置（探索点）を修正する。
前述した福山他による「電圧信頼度を考慮したParticle Swarm Optimizationによる電圧無効電力制御方式の検討」に記載されている方法で、数式７，数式８を用いて離散値及び連続値について各エージェントの位置（探索点）を修正する。
Step４ 各エージェントの評価（図５のＣ４）
・各エージェントの配列要素に対して、整数値から対応表を参照することにより各構成機器の台数及び容量を決定する。
・各構成機器の台数及び容量が決定したプラントモデル、並びに、最初に設定した各月の代表日の各制御時間ごとのシナリオを利用して各機器の起動・停止状態、機器制御量及び燃料注入量を決定することにより最適運用方法を求め、この代表日に対する評価値を求める。
・この評価値が現在の各エージェントごとのｐbest値より良かったら、前記評価値を各エージェントごとのｐbestとする。
・上記のｐbestのうちの最良値が現在のｇbestより良かったら、その最良値をｇbestとする。
・各エージェントの配列要素に対して、整数値から対応表を参照することにより各構成機器の台数及び容量を決定する。
・各構成機器の台数及び容量が決定したプラントモデル、並びに、最初に設定した各月の代表日の各制御時間ごとのシナリオを利用して各機器の起動・停止状態、機器制御量及び燃料注入量を決定することにより最適運用方法を求め、この代表日に対する評価値を求める。
・この評価値が現在の各エージェントごとのｐbest値より良かったら、前記評価値を各エージェントごとのｐbestとする。
・上記のｐbestのうちの最良値が現在のｇbestより良かったら、その最良値をｇbestとする。
Step５ 終了条件のチェック（図５のＣ５）
探索回数が入力した最大探索回数に達したら終了する。達しない場合はStep.３へ戻る。
探索回数が入力した最大探索回数に達したら終了する。達しない場合はStep.３へ戻る。
３．次に、請求項８，９に記載したプラントの最適運転計画方法に関する実施形態を説明する。
最適運転計画法方は、プラントの運転計画段階において、各プラント構成機器の最適な運転周期、補修期間、及びそのときの機器制御量、燃料注入量等の決定問題を、設定可能な各プラント構成機器の起動停止状態、機器制御量、及び燃料注入量等の中から最適値を決定する組合せ最適化問題として定式化し、例えば、計画対象期間を年間とした場合に各週ごとに区分されたシナリオを設定し、請求項１〜４の何れかに記載された最適運用方法を利用して、年間のプラント運用費用や有害ガス排出量に関する評価値を最良とするような以下の値を決定することをいう。
I. 各プラント構成機器の起動停止・状態、及び運転周期
II. 各プラント構成機器の制御量または燃料投入量
この最適運転計画は、以下の手順により実現される。
最適運転計画法方は、プラントの運転計画段階において、各プラント構成機器の最適な運転周期、補修期間、及びそのときの機器制御量、燃料注入量等の決定問題を、設定可能な各プラント構成機器の起動停止状態、機器制御量、及び燃料注入量等の中から最適値を決定する組合せ最適化問題として定式化し、例えば、計画対象期間を年間とした場合に各週ごとに区分されたシナリオを設定し、請求項１〜４の何れかに記載された最適運用方法を利用して、年間のプラント運用費用や有害ガス排出量に関する評価値を最良とするような以下の値を決定することをいう。
I. 各プラント構成機器の起動停止・状態、及び運転周期
II. 各プラント構成機器の制御量または燃料投入量
この最適運転計画は、以下の手順により実現される。
Step１ 前提条件と初期条件設定（図８のＥ１）
・プラントのシステム構成（プラントの構成機器とその接続状態）を決定する。
・対象期間における一定周期で区切られた各期間ごとのシナリオを設定する。
例えば、対象期間を年間とした場合、１年間の各週ごとにシナリオを設定する。
・状態変数の初期設定
・各プラント構成機器の起動・停止状態、及び運転周期の初期値を設定する。
・各プラント構成機器の制御量または燃料投入量の初期値を設定する。
・プラントのシステム構成（プラントの構成機器とその接続状態）を決定する。
・対象期間における一定周期で区切られた各期間ごとのシナリオを設定する。
例えば、対象期間を年間とした場合、１年間の各週ごとにシナリオを設定する。
・状態変数の初期設定
・各プラント構成機器の起動・停止状態、及び運転周期の初期値を設定する。
・各プラント構成機器の制御量または燃料投入量の初期値を設定する。
Step２ Step１で設定した値を用いて請求項１〜４の何れかに記載されたプラント最適運用方法により複数シナリオに対する評価を行うことで、一定周期で区切られた各期間に対する最適運用の評価値を計算する（図８のＥ２）。
Step３ 対象期間全体のプラント運用費用や有害ガス排出量に関する総合評価値（各期間の評価値の和）が最良となるまで、各プラント構成機器の運転周期（起動・停止状態）及び入出力制御量を、組合せ最適化手法を用いて変更する（図８のＥ３）。
ここで、組合せ最適化手法としては、ＧＡとその改良手法、ＴＳとその改良手法、ＰＳＯとその改良手法、ＡＣＯとその改良手法等を利用する。
ここで、組合せ最適化手法としては、ＧＡとその改良手法、ＴＳとその改良手法、ＰＳＯとその改良手法、ＡＣＯとその改良手法等を利用する。
以下では、例として、ＰＳＯを用いた場合のアルゴリズムを示す。
I. 状態表現
ＰＳＯでは、各構成機器の起動・停止状態、機器制御量または燃料投入量を変更できる各構成機器の起動・停止状態からなるデータ列によって状態を表現する。
I. 状態表現
ＰＳＯでは、各構成機器の起動・停止状態、機器制御量または燃料投入量を変更できる各構成機器の起動・停止状態からなるデータ列によって状態を表現する。
II. 求解アルゴリズム
Step１ データの入力（図５のＣ１）
・プラント構成の入力（これらはデータベースとして予め格納されている）
各構成機器相互間の接続情報とそれに対応する特性式や、各構成機器の入出力特性及び各制御時間ごとの運転パターンを入力する。
・対象期間における一定周期で区切られた各期間ごとのシナリオを設定し、入力する。
・ＰＳＯに関する情報の入力
エージェント数、各最適化パラメータ値、最大探索回数を入力する。
Step１ データの入力（図５のＣ１）
・プラント構成の入力（これらはデータベースとして予め格納されている）
各構成機器相互間の接続情報とそれに対応する特性式や、各構成機器の入出力特性及び各制御時間ごとの運転パターンを入力する。
・対象期間における一定周期で区切られた各期間ごとのシナリオを設定し、入力する。
・ＰＳＯに関する情報の入力
エージェント数、各最適化パラメータ値、最大探索回数を入力する。
Step２ 初期値の生成（図５のＣ２）
・各エージェントごとに、状態表現の配列要素（各構成機器の起動・停止状態、及び機器制御量または燃料注入量）についてランダムに数値を選択し、初期値とする。
・各構成機器の起動・停止状態、及び機器制御量または燃料注入量が決定したプラントモデル、及び最初に設定した対象期間における一定周期で区切られた各期間ごとのシナリオを利用して最適運用に対する評価値を求め、この評価値をＰbestとし、このＰbestのうち最良値をＧbestとする。
・現在の探索回数を１とする。
・各エージェントごとに、状態表現の配列要素（各構成機器の起動・停止状態、及び機器制御量または燃料注入量）についてランダムに数値を選択し、初期値とする。
・各構成機器の起動・停止状態、及び機器制御量または燃料注入量が決定したプラントモデル、及び最初に設定した対象期間における一定周期で区切られた各期間ごとのシナリオを利用して最適運用に対する評価値を求め、この評価値をＰbestとし、このＰbestのうち最良値をＧbestとする。
・現在の探索回数を１とする。
Step３ 各エージェントの位置（探索点）の修正（図５のＣ３）
・前述した福山他による「電圧信頼度を考慮したParticle Swarm Optimizationによる電圧無効電力制御方式の検討」に記載されている方法で、数式７、数式８を用いて離散値及び連続値について各エージェントの位置（探索点）を修正する。
・前述した福山他による「電圧信頼度を考慮したParticle Swarm Optimizationによる電圧無効電力制御方式の検討」に記載されている方法で、数式７、数式８を用いて離散値及び連続値について各エージェントの位置（探索点）を修正する。
Step４ 各エージェントの評価（図５のＣ４）
・各エージェントの配列要素に対して各構成機器の起動・停止状態、及び機器制御量または燃料注入量を決定する。
・各構成機器の起動・停止状態、及び機器制御量または燃料注入量が決定したプラントモデル、並びに、最初に設定した対象期間における一定周期で区切られた各期間ごとのシナリオを利用して最適運用に対する評価値を求める。
・この評価値が現在のエージェントごとのPbestより良かったら、前記評価値をエージェントごとのPbestとする。
・上記Pbestのうち最良値が現在のGbestより良かったら、その最良値をGbestとする。
・各エージェントの配列要素に対して各構成機器の起動・停止状態、及び機器制御量または燃料注入量を決定する。
・各構成機器の起動・停止状態、及び機器制御量または燃料注入量が決定したプラントモデル、並びに、最初に設定した対象期間における一定周期で区切られた各期間ごとのシナリオを利用して最適運用に対する評価値を求める。
・この評価値が現在のエージェントごとのPbestより良かったら、前記評価値をエージェントごとのPbestとする。
・上記Pbestのうち最良値が現在のGbestより良かったら、その最良値をGbestとする。
Step５ 終了条件のチェック（図５のＣ５）
・探索回数が入力した最大探索回数に達したら終了し、達していない場合はStep３へ戻る。
・探索回数が入力した最大探索回数に達したら終了し、達していない場合はStep３へ戻る。
４．次に、請求項１０〜１２に記載したように、請求項１〜９の各種方法を適用した最適化装置に関する実施形態を説明する。図９は、本発明に係る各種のプラント最適化方法を適用した最適化装置の構成図である。
図９において、データ入力手段４１は、キーボード、ＬＡＮ、インターネット等の通信設備で構成された、各種プラント最適化演算（最適運用・最適設計・最適運転計画の生成）に必要なデータやパラメータを入力する。
データ保存・蓄積手段４２は、ハードディスク、ＣＤ−Ｒ、ＭＯ、フレキシブルディスク、メモリ等で構成され、データ入力手段４１より入力されたデータやパラメータ、システム内部（シナリオ作成手段４３、最適化（最適運用・最適設計・最適運転計画）手段４４）で演算された各種結果、及び各プラント構成機器４６の実績データを保存・蓄積する。
データ保存・蓄積手段４２は、ハードディスク、ＣＤ−Ｒ、ＭＯ、フレキシブルディスク、メモリ等で構成され、データ入力手段４１より入力されたデータやパラメータ、システム内部（シナリオ作成手段４３、最適化（最適運用・最適設計・最適運転計画）手段４４）で演算された各種結果、及び各プラント構成機器４６の実績データを保存・蓄積する。
シナリオ作成手段４３は、データ入力手段４１より入力されたデータ及びデータ保存・蓄積手段４２に保存・蓄積されている各プラント構成機器４６の実績データを用いて、請求項１に記載したシナリオを作成する。
最適化手段４４は、データ保存・蓄積手段４２を介しデータ入力手段４１より入力された各種データやパラメータ及びシナリオ作成手段４３で作成されたシナリオを用い、各種のプラント最適化演算（最適運用・最適設計・最適運転計画の生成）を行う。なお、最適化手段４４は、対象プラントを最適化する目的に合わせて請求項１〜９に記載した各種最適化手段の何れか１つまたは２つ以上の最適化手段の組合せからなる。
データ出力手段４５は、ディスプレイ、伝送装置、プリンタ等によって構成されており、データ入力手段４１より入力されたデータやパラメータ、システム内部（シナリオ作成手段４３、最適化（最適運用・最適設計・最適運転計画）手段４４）で演算された各種結果を表示・伝送・印刷する。
次いで、本発明の実施例を説明する。ここでは、ゴミ発電やＲＤＦ発電のように燃料の特性に不確定性がある場合を例に挙げる。
（１）プラント最適運用の実施例
ゴミ・ＲＤＦ発電プラントにおいて、ゴミ・ＲＤＦの成分による不確定性を考慮した当日・翌日等の短期間のプラント最適運用（プラント構成機器の起動・停止状態や機器制御量または燃料注入量等）を決定するものとする。
（１）プラント最適運用の実施例
ゴミ・ＲＤＦ発電プラントにおいて、ゴミ・ＲＤＦの成分による不確定性を考慮した当日・翌日等の短期間のプラント最適運用（プラント構成機器の起動・停止状態や機器制御量または燃料注入量等）を決定するものとする。
Ａ．プラントモデル
図２に示したゴミ・ＲＤＦ発電プラントにおいて、簡単のために補助燃料は利用せず、ゴミ・ＲＤＦの成分による不確定性のみを考慮してプラント最適運用方法を決定するものとする。
このような構成では、プラント構成機器は、ボイラ３１、蒸気タービン３２、排ガス・灰処理装置３３及び発電機３４のみであり、ボイラ３１からの蒸気はそのまま蒸気タービン３２で消費されるだけであるため、負荷は電気負荷のみである。以下に、各構成機器のモデルについて述べる。
図２に示したゴミ・ＲＤＦ発電プラントにおいて、簡単のために補助燃料は利用せず、ゴミ・ＲＤＦの成分による不確定性のみを考慮してプラント最適運用方法を決定するものとする。
このような構成では、プラント構成機器は、ボイラ３１、蒸気タービン３２、排ガス・灰処理装置３３及び発電機３４のみであり、ボイラ３１からの蒸気はそのまま蒸気タービン３２で消費されるだけであるため、負荷は電気負荷のみである。以下に、各構成機器のモデルについて述べる。
（１）ボイラモデル
ボイラモデルは、ゴミやＲＤＦが入力となり、蒸気が出力となるため、数式９によって表される。
ボイラモデルは、ゴミやＲＤＦが入力となり、蒸気が出力となるため、数式９によって表される。
［数９］
ｙ＝ｆ（ｘ）
ここで、ｙ：蒸気出力，ｘ：ゴミ・ＲＤＦの入力量である。
ｙ＝ｆ（ｘ）
ここで、ｙ：蒸気出力，ｘ：ゴミ・ＲＤＦの入力量である。
（２）蒸気タービン・発電機モデル
蒸気タービン・発電機モデルは、蒸気が入力となり、電気が出力となるため、数式１０によって表される。
蒸気タービン・発電機モデルは、蒸気が入力となり、電気が出力となるため、数式１０によって表される。
［数１０］
ｚ＝ｇ（ｙ）
ここで、ｚ：電気出力である。
ｚ＝ｇ（ｙ）
ここで、ｚ：電気出力である。
上記数式９の関数ｆ（ｘ）が、ゴミ・ＲＤＦの成分による燃焼効率で変化してしまう、つまり不確定性を有することになる。
（３）ゴミ・ＲＤＦの燃料価格，ＣＯ２モデル
ゴミ・ＲＤＦの燃料価格は、数式１１のように表現できる。
ゴミ・ＲＤＦの燃料価格は、数式１１のように表現できる。
［数１１］
ｃ＝ｈ（ｘ）
ここで、ｃ：燃料価格である。
ｃ＝ｈ（ｘ）
ここで、ｃ：燃料価格である。
また、ＣＯ２排出量は、数式１２のように表現できる。
［数１２］
ｄ＝ｅ（ｘ）
ここで、ｄ：ＣＯ２排出量である。
ｄ＝ｅ（ｘ）
ここで、ｄ：ＣＯ２排出量である。
Ｂ．検討シナリオ
前記数式９の関数ｆ（ｘ）は、ゴミ・ＲＤＦの成分による燃焼効率で変化する不確定性を持った機器入出力特性である。このように不確定性を持つ機器入出力特性を考慮したシナリオは、数式１３に示す如く、ｆ（ｘ）とその確率ｐとから構成される。
前記数式９の関数ｆ（ｘ）は、ゴミ・ＲＤＦの成分による燃焼効率で変化する不確定性を持った機器入出力特性である。このように不確定性を持つ機器入出力特性を考慮したシナリオは、数式１３に示す如く、ｆ（ｘ）とその確率ｐとから構成される。
［数１３］
Ｓ＝（ｆ１（ｘ） ｐ１），（ｆ２（ｘ） ｐ２），……，（ｆｎ（ｘ） ｐｎ）
ここで、Ｓ：シナリオ，ｆｉ（ｘ）：ｉ番目のシナリオのｆ（ｘ），ｐｉ：ｉ番目のシナリオの確率，ｎ：シナリオの数である。
Ｓ＝（ｆ１（ｘ） ｐ１），（ｆ２（ｘ） ｐ２），……，（ｆｎ（ｘ） ｐｎ）
ここで、Ｓ：シナリオ，ｆｉ（ｘ）：ｉ番目のシナリオのｆ（ｘ），ｐｉ：ｉ番目のシナリオの確率，ｎ：シナリオの数である。
すなわち、ボイラモデルについて示した数式９によるｆ（ｘ）（蒸気出力ｙ）がシナリオを決定する関数であり、このｆ（ｘ）とその確率ｐとの組合せについて、ｎ個のシナリオが成立する。
Ｃ．その他の制約条件
（１）需給バランス
負荷は、２４時間の１時間ごとの負荷値となり、この値が各時間の発電出力と等しくならなければならないことを制約条件とする。これを数式１４に示す。
（１）需給バランス
負荷は、２４時間の１時間ごとの負荷値となり、この値が各時間の発電出力と等しくならなければならないことを制約条件とする。これを数式１４に示す。
［数１４］
ｚｉ＋ｙｉ＝ｐＬｉ （ｉ＝１〜２４）
ここで、ｚｉ：各時間の発電出力，ｙｉ：各時間の売買電力量，ｐＬｉ：ｉ時点の負荷量である。
ｚｉ＋ｙｉ＝ｐＬｉ （ｉ＝１〜２４）
ここで、ｚｉ：各時間の発電出力，ｙｉ：各時間の売買電力量，ｐＬｉ：ｉ時点の負荷量である。
（２）発電機の出力上下限制約
発電機は、数式１５のような出力上下限制約条件を持つものとする。
発電機は、数式１５のような出力上下限制約条件を持つものとする。
［数１５］
ｚｍｉｎ＜ｚｉ＜ｚｍａｘ（ｉ＝１〜２４）
ここで、ｚｍｉｎ：発電機の出力下限値，ｚｍａｘ：発電機の出力上限値である。
ｚｍｉｎ＜ｚｉ＜ｚｍａｘ（ｉ＝１〜２４）
ここで、ｚｍｉｎ：発電機の出力下限値，ｚｍａｘ：発電機の出力上限値である。
Ｄ．目的関数
目的関数は、前記数式３，４に相当するもので、売買電力料金の平均・分散値、ゴミ・ＲＤＦの燃料価格の平均・分散値、ＣＯ２排出量の平均・分散値、数式１４，１５に示した制約条件のペナルティ項からなる。ここで、ペナルティ項は以下のようになる。
目的関数は、前記数式３，４に相当するもので、売買電力料金の平均・分散値、ゴミ・ＲＤＦの燃料価格の平均・分散値、ＣＯ２排出量の平均・分散値、数式１４，１５に示した制約条件のペナルティ項からなる。ここで、ペナルティ項は以下のようになる。
（１）需給バランス
需給バランスに関するペナルティ項は、数式１６のようになる。なお、数式１６において、ｗ１は重みを、ａｂｓは絶対値を示す。
需給バランスに関するペナルティ項は、数式１６のようになる。なお、数式１６において、ｗ１は重みを、ａｂｓは絶対値を示す。
（２）出力上下限
出力上下限に関するペナルティ項は、数式１７のようになる。なお、数式１７において、ｗ１は重みを、ｍｉは各時間の発電出力の逸脱量を示す。
出力上下限に関するペナルティ項は、数式１７のようになる。なお、数式１７において、ｗ１は重みを、ｍｉは各時間の発電出力の逸脱量を示す。
この実施例における最適運用方法は、状態変数としての、２４時間の各１時間ごとの最適なゴミやＲＤＦの投入量ｘｉ（ｉ＝１〜２４）を求めることである。
各ｘｉの評価に当たっては、ゴミ・ＲＤＦの成分による不確定性を考慮したｎ個のシナリオごとに電力売買、燃料価格、ＣＯ２排出量、ペナルティ項に関する期待値及び分散を前述の数式５，６に従って計算し、売電を最大化し、燃料費やＣＯ２排出量を最小とするような最適解を前述した各種の求解アルゴリズムによって求めれば良い。
各ｘｉの評価に当たっては、ゴミ・ＲＤＦの成分による不確定性を考慮したｎ個のシナリオごとに電力売買、燃料価格、ＣＯ２排出量、ペナルティ項に関する期待値及び分散を前述の数式５，６に従って計算し、売電を最大化し、燃料費やＣＯ２排出量を最小とするような最適解を前述した各種の求解アルゴリズムによって求めれば良い。
（２）プラント最適運転計画の実施例
ゴミ・ＲＤＦ発電プラントにおいて、ゴミ・ＲＤＦの成分による不確定性を考慮した週間・月間・年間等の中長期の最適運転計画（プラント構成機器の運転周期、補修期間、及びそのときの機器制御量または燃料注入量等）を決定するものとする。
ゴミ・ＲＤＦ発電プラントにおいて、ゴミ・ＲＤＦの成分による不確定性を考慮した週間・月間・年間等の中長期の最適運転計画（プラント構成機器の運転周期、補修期間、及びそのときの機器制御量または燃料注入量等）を決定するものとする。
Ａ．プラントモデル
上述したプラント最適運用の実施例の場合と同様の、図２に示したゴミ・ＲＤＦ発電プラントを対象とする。
上述したプラント最適運用の実施例の場合と同様の、図２に示したゴミ・ＲＤＦ発電プラントを対象とする。
Ｂ．検討シナリオ
上述したプラント最適運用の実施例の場合と同様に、ゴミ・ＲＤＦの成分による燃焼効率で変化する不確定性を持った機器入出力特性を表す前記数式９の関数ｆ（ｘ）とその確率から構成される前記数式１３で表されるシナリオを、最適運転計画の対象とする期間（例えば年間）に対して設定する。
上述したプラント最適運用の実施例の場合と同様に、ゴミ・ＲＤＦの成分による燃焼効率で変化する不確定性を持った機器入出力特性を表す前記数式９の関数ｆ（ｘ）とその確率から構成される前記数式１３で表されるシナリオを、最適運転計画の対象とする期間（例えば年間）に対して設定する。
Ｃ．その他の制約条件
対象プラントにおける中長期計画を考慮するために、以下の運用上の制約を考慮する。
（１）最低連続運転日数・最低連続停止日数制約
各プラント構成機器は機器特性上、数式１８で表されるように最低限必要とする連続運転日数・連続停止日数の制約条件を持つ。
対象プラントにおける中長期計画を考慮するために、以下の運用上の制約を考慮する。
（１）最低連続運転日数・最低連続停止日数制約
各プラント構成機器は機器特性上、数式１８で表されるように最低限必要とする連続運転日数・連続停止日数の制約条件を持つ。
［数１８］
Ｄｏｎ≧Ｄｏｎｍｉｎ
Ｄｏｆｆ≧Ｄｏｆｆｍｉｎ
ここで、Ｄｏｎ：連続運転日数
Ｄｏｆｆ：連続停止日数
Ｄｏｎｍｉｎ：最低連続運転日数
Ｄｏｆｆｍｉｎ：最低連続停止日数
Ｄｏｎ≧Ｄｏｎｍｉｎ
Ｄｏｆｆ≧Ｄｏｆｆｍｉｎ
ここで、Ｄｏｎ：連続運転日数
Ｄｏｆｆ：連続停止日数
Ｄｏｎｍｉｎ：最低連続運転日数
Ｄｏｆｆｍｉｎ：最低連続停止日数
（２）最大連続運転日数制約
各プラント構成機器は、数式１９で表されるように、メンテナンス周期に関する連続運転可能日数の制約条件を持つ。
各プラント構成機器は、数式１９で表されるように、メンテナンス周期に関する連続運転可能日数の制約条件を持つ。
［数１９］
Ｄｏｎ≦Ｄｏｎｍａｘ
ここで、Ｄｏｎｍａｘ：最大連続運転可能日数
Ｄｏｎ≦Ｄｏｎｍａｘ
ここで、Ｄｏｎｍａｘ：最大連続運転可能日数
Ｄ．目的関数
プラント最適運転計画に用いる目的関数は、基本的には上記したプラント最適運用と同様の前記数式３，４に相当する各項の平均・分散値からなり、数式１４，１５及び数式１８，１９に示した制約条件のペナルティ項等からなる。ここで、対象期間Ｔに対応するペナルティ項は以下のようになる。
（１）需給バランス
運転計画における需給バランスに関するペナルティ項は、数式２０のようになる。なお、数式２０において、ｗ１は重みを、ａｂｓは絶対値を示す。また、Ｔは運転計画の対象日数である。
プラント最適運転計画に用いる目的関数は、基本的には上記したプラント最適運用と同様の前記数式３，４に相当する各項の平均・分散値からなり、数式１４，１５及び数式１８，１９に示した制約条件のペナルティ項等からなる。ここで、対象期間Ｔに対応するペナルティ項は以下のようになる。
（１）需給バランス
運転計画における需給バランスに関するペナルティ項は、数式２０のようになる。なお、数式２０において、ｗ１は重みを、ａｂｓは絶対値を示す。また、Ｔは運転計画の対象日数である。
（２）出力上下限
運転計画における出力上下限に関するペナルティ項は、数式２１のようになる。なお、数式２１において、ｗ２は重みを、ｍｉ，ｔは発電出力の逸脱量を示す。
運転計画における出力上下限に関するペナルティ項は、数式２１のようになる。なお、数式２１において、ｗ２は重みを、ｍｉ，ｔは発電出力の逸脱量を示す。
（３）最小運転・停止日数
運転計画における最小運転・停止日数に関するペナルティ項は、数式２２のようになる。なお、数式２２において、ｗ３は重みを、Ｕｏｎは最小運転日数に対する不足日数、Ｕｏｆｆは最小停止日数に対する不足日数を示す。
運転計画における最小運転・停止日数に関するペナルティ項は、数式２２のようになる。なお、数式２２において、ｗ３は重みを、Ｕｏｎは最小運転日数に対する不足日数、Ｕｏｆｆは最小停止日数に対する不足日数を示す。
［数２２］
ｆｆ３＝ｗ３（Ｕｏｎ＋Ｕｏｆｆ）
Ｄｏｎ＜Ｄｏｎｍｉｎの場合、Ｕｏｎ＝Ｄｏｎｍｉｎ−Ｄｏｎ
その他の場合、Ｕｏｎ＝０
Ｄｏｆｆ＜Ｄｏｆｆｍｉｎの場合、Ｕｏｆｆ＝Ｄｏｆｆｍｉｎ−Ｄｏｆｆ
その他の場合、Ｕｏｆｆ＝０
ｆｆ３＝ｗ３（Ｕｏｎ＋Ｕｏｆｆ）
Ｄｏｎ＜Ｄｏｎｍｉｎの場合、Ｕｏｎ＝Ｄｏｎｍｉｎ−Ｄｏｎ
その他の場合、Ｕｏｎ＝０
Ｄｏｆｆ＜Ｄｏｆｆｍｉｎの場合、Ｕｏｆｆ＝Ｄｏｆｆｍｉｎ−Ｄｏｆｆ
その他の場合、Ｕｏｆｆ＝０
（４）最大連続運転日数
運転計画における最大運転日数に関するペナルティ項は、数式２３のようになる。なお、数式２３において、ｗ４は重みを、Ｏｏｎは最大連続運転日数に対する超過日数を示す。
運転計画における最大運転日数に関するペナルティ項は、数式２３のようになる。なお、数式２３において、ｗ４は重みを、Ｏｏｎは最大連続運転日数に対する超過日数を示す。
［数２３］
ｆｆ４＝ｗ４（Ｏｏｎ）
Ｄｏｎ＞Ｄｏｎｍａｘの場合、Ｏｏｎ＝Ｄｏｎ−Ｄｏｎｍａｘ
その他の場合、Ｏｏｎ＝０
ｆｆ４＝ｗ４（Ｏｏｎ）
Ｄｏｎ＞Ｄｏｎｍａｘの場合、Ｏｏｎ＝Ｄｏｎ−Ｄｏｎｍａｘ
その他の場合、Ｏｏｎ＝０
この実施例における最適運転計画方法は、運転計画対象日数（Ｔ：例えば年間）の各日、各週等、一定周期で区切られた各期間ごとの最適なプラント構成機器の入出力制御量、運転周期（運転・停止状態）、及び補修期間等を求めることである。各項目の評価にあたっては、ゴミやＲＤＦの成分による不確定性を考慮したｎ個のシナリオごとに目的関数の各項（関数ｆ）に関する期待値及び分散値を前述の数式５，６に従って計算し、目的関数から計算される総合評価値が最良となるような最適解を、前述した求解アルゴリズムによって求めればよい。
１０：最適化部
２０：定常プラントシミュレータ
３１：ボイラ
３２：蒸気タービン
３３：排ガス・灰処理装置
３４：発電機
４１：データ入力手段
４２：データ保存・蓄積手段
４３：シナリオ作成手段
４４：最適化手段
４５：データ出力手段
４６：各プラント構成機器
２０：定常プラントシミュレータ
３１：ボイラ
３２：蒸気タービン
３３：排ガス・灰処理装置
３４：発電機
４１：データ入力手段
４２：データ保存・蓄積手段
４３：シナリオ作成手段
４４：最適化手段
４５：データ出力手段
４６：各プラント構成機器
Claims (12)
- 各負荷種別ごとの需給バランスを満足し、かつ、各プラント構成機器の特性上の制約を考慮しながら、プラント運用費用や有害ガス排出量等の期待値及び分散の関数からなる目的関数を利用し、各制御時間ごとの各プラント構成機器の起動・停止状態、機器制御量及び燃料注入量を状態変数として、プラントの最適化問題を非線形混合整数計画問題として定式化すると共に、
前記状態変数の初期値、各プラント構成機器相互の接続状態、入出力特性及び運転パターンを用いて、各制御時間ごとの各プラント構成機器の入出力状態を前記目的関数の計算用に求め、前記状態変数を最適化手法により逐次修正し評価しながら最終的に大域最適解に近い各プラント構成機器の起動・停止状態、機器制御量及び燃料注入量を決定するようにしたプラントの最適運用方法において、
不確定性を有する負荷予測値、機器入出力特性値及び燃料価格予測値と、これら各値の確率または確率分布とを用いて複数のシナリオを作成し、前記最適化手法による状態変数の評価を、複数のシナリオに対して実行することを特徴とするプラントの最適運用方法。 - 請求項１に記載したプラントの最適運用方法において、
前記最適化手法が遺伝的アルゴリズムまたはその改良手法であることを特徴とするプラントの最適運用方法。 - 請求項１に記載したプラントの最適運用方法において、
前記最適化手法がタブサーチまたはその改良手法であることを特徴とするプラントの最適運用方法。 - 請求項１に記載したプラントの最適運用方法において、
前記最適化手法がParticle Swarm Optimizationまたはその改良手法であることを特徴とするプラントの最適運用方法。 - プラントの設計段階において、各プラント構成機器の最適な台数及び容量の決定問題を、設定可能な台数及び容量の中から最適値を決定する組み合わせ最適化問題として定式化し、所定期間内の複数の代表日に対し請求項１に記載したシナリオをそれぞれ作成し、請求項２〜４の何れかに記載した最適化手法による状態変数の評価を、複数のシナリオに対して実行することにより、所定期間内の評価値を最良とする各プラント構成機器の台数及び容量を決定することを特徴とするプラントの最適設計方法。
- 請求項１〜４の何れかに記載したプラントの最適運用方法であって、ごみ・ＲＤＦ発電プラントの最適運用方法において、
ごみ・ＲＤＦの成分による燃焼効率に起因した機器入出力特性の不確定さを考慮して前記シナリオを作成することを特徴とするプラントの最適運用方法。 - 請求項５に記載したプラントの最適設計方法であって、ごみ・ＲＤＦ発電プラントの最適設計方法において、
ごみ・ＲＤＦの成分による燃焼効率に起因した機器入出力特性の不確定さを考慮して前記シナリオを作成することを特徴とするプラントの最適設計方法。 - プラントの運転計画段階において、各プラント構成機器の最適な運転周期、補修期間、及びそのときの機器制御量、燃料注入量の決定問題を、設定可能な各プラント構成機器の起動・停止状態、機器制御量、及び燃料注入量の中から最適値を決定する組合せ最適化問題として定式化し、所定期間の各日または曜日、週間、月間等の一定期間で区切られた各期間に対して、請求項１に記載したシナリオをそれぞれ作成し、請求項１〜４の何れかに記載した最適化手法による状態変数の評価を、複数のシナリオに対して実行することにより、各燃料貯蔵設備の貯蔵量を考慮しながら所定期間内のプラント運用費用や有害ガス排出量に関する評価値を最良とする各プラント構成機器の最適な運転周期、補修期間、及びそのときの機器制御量、燃料注入量を決定することを特徴とするプラント最適運転計画方法。
- 請求項８に記載したプラントの最適運転計画方法であって、ごみ・ＲＤＦ発電プラントの最適運転計画方法において、所定期間の各日または曜日、週間、月間等の一定期間で区切られた各期間におけるプラントへのごみ・ＲＤＦの搬入量の変動、及びごみ・ＲＤＦの成分による燃焼効率に起因した機器入出力特性の不確定さを考慮して前記シナリオを作成することを特徴とするプラント最適運転計画方法。
- プラントの最適運用に必要なデータの入力手段と、請求項１に記載したシナリオを作成するシナリオ作成手段と、請求項１〜４または６に記載した最適運用方法を実現する最適化手段と、入力データ及び最適運用結果を出力するデータ出力手段と、入力データ及び最適運用結果を保存するデータ保存手段と、を有することを特徴とするプラント最適運用装置。
- プラント最適設計に必要なデータの入力手段と、請求項１に記載したシナリオを作成するシナリオ作成手段と、請求項５または７に記載した最適設計方法を実現する最適化手段と、入力データ及び最適設計結果を出力するデータ出力手段と、入力データ及び最適設計結果を保存するデータ保存手段と、を有することを特徴とするプラント最適設計装置。
- 最適運転計画の生成に必要なデータの入力手段と、請求項１に記載したシナリオを作成するシナリオ作成手段と、請求項８または９に記載した最適運転計画方法を実現する最適化手段と、入力データ及び最適運転計画結果を出力するデータ出力手段と、入力データ及び最適運転計画結果を保存するデータ保存手段と、を有することを特徴とするプラント最適運転計画装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2003375099A JP2004171548A (ja) | 2002-11-06 | 2003-11-05 | プラントの最適運用方法、最適設計方法、最適運転計画方法、及び最適化装置 |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2002322034 | 2002-11-06 | ||
| JP2003375099A JP2004171548A (ja) | 2002-11-06 | 2003-11-05 | プラントの最適運用方法、最適設計方法、最適運転計画方法、及び最適化装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2004171548A true JP2004171548A (ja) | 2004-06-17 |
Family
ID=32715973
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2003375099A Pending JP2004171548A (ja) | 2002-11-06 | 2003-11-05 | プラントの最適運用方法、最適設計方法、最適運転計画方法、及び最適化装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2004171548A (ja) |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006085236A (ja) * | 2004-09-14 | 2006-03-30 | Tokyo Gas Co Ltd | プラント最適運用計画作成システム |
| US7206644B2 (en) * | 2004-03-26 | 2007-04-17 | Kabushiki Kaisha Toshiba | Method and system for optimizing operation schedule of plant |
| JP2007257339A (ja) * | 2006-03-23 | 2007-10-04 | Nippon Steel Corp | 製造仕様決定支援システム、製造仕様決定支援方法、コンピュータプログラム、及びコンピュータ読み取り可能な記録媒体 |
| JP2009087082A (ja) * | 2007-09-28 | 2009-04-23 | Fuji Electric Systems Co Ltd | プラント運用計画装置、そのプログラム |
| WO2009107373A1 (ja) | 2008-02-29 | 2009-09-03 | 株式会社 東芝 | エネルギー貯蔵装置の運転計画作成方法および運転計画作成装置 |
| JP2010178522A (ja) * | 2009-01-30 | 2010-08-12 | Toshiba Corp | 火力発電機の経済負荷配分方法及びその装置 |
| JP2013036084A (ja) * | 2011-08-08 | 2013-02-21 | Kobe Steel Ltd | 転炉の副原料投入量計算装置および該方法 |
| JP2013125440A (ja) * | 2011-12-15 | 2013-06-24 | Fujitsu Ltd | 探索装置、探索方法、および探索プログラム |
| CN103425049A (zh) * | 2013-08-05 | 2013-12-04 | 浙江大学 | 循环流化床锅炉热效率预测系统及方法 |
| CN103425050A (zh) * | 2013-08-05 | 2013-12-04 | 浙江大学 | 循环流化床锅炉排烟热损失率预测系统及方法 |
| CN104216383A (zh) * | 2014-09-22 | 2014-12-17 | 国家电网公司 | 一种小水电站机组运行效率优化方法 |
| WO2015093262A1 (ja) * | 2013-12-16 | 2015-06-25 | Ｊｆｅスチール株式会社 | エネルギー需給運用ガイダンス装置及び製鉄所内のエネルギー需給運用方法 |
| CN104809516A (zh) * | 2015-04-16 | 2015-07-29 | 山东省水利科学研究院 | 引黄灌区水资源多目标优化配置模型及其求解方法 |
| CN105716068A (zh) * | 2016-04-07 | 2016-06-29 | 红云红河烟草(集团)有限责任公司 | 一种锅炉变负荷经济运行的优化控制系统和方法 |
| JP2016126404A (ja) * | 2014-12-26 | 2016-07-11 | 日本電気株式会社 | 最適化システム、最適化方法および最適化プログラム |
| JP2019067066A (ja) * | 2017-09-29 | 2019-04-25 | 川崎重工業株式会社 | 廃棄物処理計画演算方法および廃棄物処理計画演算装置 |
| JP2020096521A (ja) * | 2018-12-05 | 2020-06-18 | 住友電気工業株式会社 | 運転計画作成装置、運転計画作成方法およびコンピュータプログラム |
| CN112308302A (zh) * | 2020-10-22 | 2021-02-02 | 新奥数能科技有限公司 | 锅炉运行负荷参数调整方法、装置、电子设备及存储介质 |
| CN112308301A (zh) * | 2020-10-22 | 2021-02-02 | 新奥数能科技有限公司 | 锅炉群组的变负荷速率控制方法、装置、设备及存储介质 |
| WO2021200118A1 (ja) | 2020-03-31 | 2021-10-07 | Ｊｆｅスチール株式会社 | 製鉄所におけるエネルギー運用条件の最適計算方法、製鉄所におけるエネルギー運用条件の最適計算装置、及び製鉄所の操業方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000078750A (ja) * | 1998-08-31 | 2000-03-14 | Mitsubishi Chemicals Corp | 発電プラントの最適運転制御方法及び最適運転制御装置 |
| JP2000105019A (ja) * | 1998-09-28 | 2000-04-11 | Ishikawajima Harima Heavy Ind Co Ltd | コージェネレーションシステム構成ロバスト最適化法 |
| JP2000116003A (ja) * | 1998-09-29 | 2000-04-21 | Kansai Electric Power Co Inc:The | 電圧無効電力制御方法 |
| JP2002304443A (ja) * | 2001-04-04 | 2002-10-18 | Mitsubishi Electric Corp | 電力売買契約支援装置 |
-
2003
- 2003-11-05 JP JP2003375099A patent/JP2004171548A/ja active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000078750A (ja) * | 1998-08-31 | 2000-03-14 | Mitsubishi Chemicals Corp | 発電プラントの最適運転制御方法及び最適運転制御装置 |
| JP2000105019A (ja) * | 1998-09-28 | 2000-04-11 | Ishikawajima Harima Heavy Ind Co Ltd | コージェネレーションシステム構成ロバスト最適化法 |
| JP2000116003A (ja) * | 1998-09-29 | 2000-04-21 | Kansai Electric Power Co Inc:The | 電圧無効電力制御方法 |
| JP2002304443A (ja) * | 2001-04-04 | 2002-10-18 | Mitsubishi Electric Corp | 電力売買契約支援装置 |
Non-Patent Citations (2)
| Title |
|---|
| 掛田 健二: "リサイクルシステムの現状と技術", 計測と制御, vol. 第36巻，第10号, JPN6008049286, 10 October 1997 (1997-10-10), pages 744 - 747, ISSN: 0001143716 * |
| 横山 良平: "エネルギーシステム計画におけるシステムズアプローチ", システム／制御／情報, vol. 42, no. 7, JPN6008049284, 15 July 1998 (1998-07-15), pages 639 - 644, ISSN: 0001143715 * |
Cited By (34)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7206644B2 (en) * | 2004-03-26 | 2007-04-17 | Kabushiki Kaisha Toshiba | Method and system for optimizing operation schedule of plant |
| JP2006085236A (ja) * | 2004-09-14 | 2006-03-30 | Tokyo Gas Co Ltd | プラント最適運用計画作成システム |
| JP2007257339A (ja) * | 2006-03-23 | 2007-10-04 | Nippon Steel Corp | 製造仕様決定支援システム、製造仕様決定支援方法、コンピュータプログラム、及びコンピュータ読み取り可能な記録媒体 |
| JP2009087082A (ja) * | 2007-09-28 | 2009-04-23 | Fuji Electric Systems Co Ltd | プラント運用計画装置、そのプログラム |
| US8626351B2 (en) | 2008-02-29 | 2014-01-07 | Kabushiki Kaisha Toshiba | Method and device for operation scheduling for energy storage equipment |
| WO2009107373A1 (ja) | 2008-02-29 | 2009-09-03 | 株式会社 東芝 | エネルギー貯蔵装置の運転計画作成方法および運転計画作成装置 |
| JP2009211185A (ja) * | 2008-02-29 | 2009-09-17 | Toshiba Corp | エネルギー貯蔵装置の運転計画作成方法および運転計画作成装置 |
| JP2010178522A (ja) * | 2009-01-30 | 2010-08-12 | Toshiba Corp | 火力発電機の経済負荷配分方法及びその装置 |
| JP2013036084A (ja) * | 2011-08-08 | 2013-02-21 | Kobe Steel Ltd | 転炉の副原料投入量計算装置および該方法 |
| JP2013125440A (ja) * | 2011-12-15 | 2013-06-24 | Fujitsu Ltd | 探索装置、探索方法、および探索プログラム |
| CN103425050B (zh) * | 2013-08-05 | 2015-12-09 | 浙江大学 | 循环流化床锅炉排烟热损失率预测系统及方法 |
| CN103425049B (zh) * | 2013-08-05 | 2015-12-02 | 浙江大学 | 循环流化床锅炉热效率预测系统及方法 |
| CN103425050A (zh) * | 2013-08-05 | 2013-12-04 | 浙江大学 | 循环流化床锅炉排烟热损失率预测系统及方法 |
| CN103425049A (zh) * | 2013-08-05 | 2013-12-04 | 浙江大学 | 循环流化床锅炉热效率预测系统及方法 |
| CN105814504A (zh) * | 2013-12-16 | 2016-07-27 | 杰富意钢铁株式会社 | 能量供需运用指导装置以及炼钢厂内的能量供需运用方法 |
| KR101771985B1 (ko) | 2013-12-16 | 2017-08-28 | 제이에프이 스틸 가부시키가이샤 | 에너지 수급 운용 가이던스 장치 및 제철소 내의 에너지 수급 운용 방법 |
| WO2015093262A1 (ja) * | 2013-12-16 | 2015-06-25 | Ｊｆｅスチール株式会社 | エネルギー需給運用ガイダンス装置及び製鉄所内のエネルギー需給運用方法 |
| JP5862839B2 (ja) * | 2013-12-16 | 2016-02-16 | Ｊｆｅスチール株式会社 | エネルギー需給運用ガイダンス装置及び製鉄所内のエネルギー需給運用方法 |
| CN105814504B (zh) * | 2013-12-16 | 2018-07-06 | 杰富意钢铁株式会社 | 能量供需运用指导装置以及炼钢厂内的能量供需运用方法 |
| KR20160086913A (ko) | 2013-12-16 | 2016-07-20 | 제이에프이 스틸 가부시키가이샤 | 에너지 수급 운용 가이던스 장치 및 제철소 내의 에너지 수급 운용 방법 |
| CN104216383A (zh) * | 2014-09-22 | 2014-12-17 | 国家电网公司 | 一种小水电站机组运行效率优化方法 |
| JP2016126404A (ja) * | 2014-12-26 | 2016-07-11 | 日本電気株式会社 | 最適化システム、最適化方法および最適化プログラム |
| CN104809516B (zh) * | 2015-04-16 | 2018-06-01 | 山东省水利科学研究院 | 引黄灌区水资源多目标优化配置模型及其求解方法 |
| CN104809516A (zh) * | 2015-04-16 | 2015-07-29 | 山东省水利科学研究院 | 引黄灌区水资源多目标优化配置模型及其求解方法 |
| CN105716068A (zh) * | 2016-04-07 | 2016-06-29 | 红云红河烟草(集团)有限责任公司 | 一种锅炉变负荷经济运行的优化控制系统和方法 |
| JP2019067066A (ja) * | 2017-09-29 | 2019-04-25 | 川崎重工業株式会社 | 廃棄物処理計画演算方法および廃棄物処理計画演算装置 |
| JP7075194B2 (ja) | 2017-09-29 | 2022-05-25 | 川崎重工業株式会社 | 廃棄物処理計画演算方法および廃棄物処理計画演算装置 |
| JP2020096521A (ja) * | 2018-12-05 | 2020-06-18 | 住友電気工業株式会社 | 運転計画作成装置、運転計画作成方法およびコンピュータプログラム |
| WO2021200118A1 (ja) | 2020-03-31 | 2021-10-07 | Ｊｆｅスチール株式会社 | 製鉄所におけるエネルギー運用条件の最適計算方法、製鉄所におけるエネルギー運用条件の最適計算装置、及び製鉄所の操業方法 |
| KR20220143920A (ko) | 2020-03-31 | 2022-10-25 | 제이에프이 스틸 가부시키가이샤 | 제철소에 있어서의 에너지 운용 조건의 최적 계산 방법, 제철소에 있어서의 에너지 운용 조건의 최적 계산 장치, 및 제철소의 조업 방법 |
| CN112308302A (zh) * | 2020-10-22 | 2021-02-02 | 新奥数能科技有限公司 | 锅炉运行负荷参数调整方法、装置、电子设备及存储介质 |
| CN112308301A (zh) * | 2020-10-22 | 2021-02-02 | 新奥数能科技有限公司 | 锅炉群组的变负荷速率控制方法、装置、设备及存储介质 |
| CN112308301B (zh) * | 2020-10-22 | 2024-03-12 | 新奥数能科技有限公司 | 锅炉群组的变负荷速率控制方法、装置、设备及存储介质 |
| CN112308302B (zh) * | 2020-10-22 | 2024-04-19 | 新奥数能科技有限公司 | 锅炉运行负荷参数调整方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Raya-Armenta et al. | Energy management system optimization in islanded microgrids: An overview and future trends | |
| JP2004171548A (ja) | プラントの最適運用方法、最適設計方法、最適運転計画方法、及び最適化装置 | |
| Tekiner et al. | Multi-period multi-objective electricity generation expansion planning problem with Monte-Carlo simulation | |
| Delarue et al. | Enhanced priority list unit commitment method for power systems with a high share of renewables | |
| JP4059014B2 (ja) | プラントの最適運用方法及びプラントの最適設計方法 | |
| Davoodi et al. | Multi-objective techno-economic generation expansion planning to increase the penetration of distributed generation resources based on demand response algorithms | |
| Zhang et al. | Cost-oriented load forecasting | |
| JP2011114945A (ja) | 供給電力計画作成装置、そのプログラム | |
| Siahkali et al. | Electricity generation scheduling with large-scale wind farms using particle swarm optimization | |
| Żymełka et al. | Short-term scheduling of gas-fired CHP plant with thermal storage using optimization algorithm and forecasting models | |
| Genc et al. | An analysis of capacity and price trajectories for the Ontario electricity market using dynamic Nash equilibrium under uncertainty | |
| Vrionis et al. | A Generation Expansion Planning model for integrating high shares of renewable energy: A Meta-Model Assisted Evolutionary Algorithm approach | |
| Yang et al. | Joint control of manufacturing and onsite microgrid system via novel neural-network integrated reinforcement learning algorithms | |
| Thaler et al. | Hybrid model predictive control of renewable microgrids and seasonal hydrogen storage | |
| Alshamrani et al. | A game-theoretic model for wind farm planning problem: A bi-level stochastic optimization approach | |
| Abedinia et al. | Optimal strategy for bidding in deregulated-structure of electricity market: A competitive model | |
| Krishnasamy et al. | A refined teaching-learning based optimization algorithm for dynamic economic dispatch of integrated multiple fuel and wind power plants | |
| Chakraborty et al. | Economic and environmental factors based multi-objective approach for optimizing energy management in a microgrid | |
| JP4722794B2 (ja) | 電気事業損益分析システム | |
| Jain et al. | Multi-objective-based robust unit commitment using hydro-thermal-wind: A hybrid technique | |
| de Simón-Martín et al. | The Levelized Cost of Energy Indicator | |
| JP2006048474A (ja) | プラント最適運用計画装置 | |
| Saxena et al. | Bidding strategies of a power producer in power market: measurement indices and evaluation | |
| Stange et al. | Operational optimization of energy systems, 25 years–established and promising use cases | |
| Chakraborty et al. | Profit Maximization of Retailers with Intermittent Renewable Sources and Energy Storage Systems in Deregulated Electricity Market with Modern Optimization Techniques: A Review |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A711 Effective date: 20040618 |
|
| RD02 | Notification of acceptance of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7422 Effective date: 20040622 |
|
| RD04 | Notification of resignation of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7424 Effective date: 20040625 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20040621 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20060315 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20080930 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20081128 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20081219 |