JP2022157118A - ボイラの運転支援装置、ボイラの運転制御システム、ボイラの運転支援方法、及びボイラの運転支援プログラム - Google Patents

ボイラの運転支援装置、ボイラの運転制御システム、ボイラの運転支援方法、及びボイラの運転支援プログラム Download PDF

Info

Publication number
JP2022157118A
JP2022157118A JP2021061161A JP2021061161A JP2022157118A JP 2022157118 A JP2022157118 A JP 2022157118A JP 2021061161 A JP2021061161 A JP 2021061161A JP 2021061161 A JP2021061161 A JP 2021061161A JP 2022157118 A JP2022157118 A JP 2022157118A
Authority
JP
Japan
Prior art keywords
boiler
value
evaluation
cumulative
operation support
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
Application number
JP2021061161A
Other languages
English (en)
Inventor
和宏 堂本
Kazuhiro Domoto
優太 小林
Yuta Kobayashi
裕基 芳川
Yuki Yoshikawa
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Mitsubishi Heavy Industries Ltd
Original Assignee
Mitsubishi Heavy Industries Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Mitsubishi Heavy Industries Ltd filed Critical Mitsubishi Heavy Industries Ltd
Priority to JP2021061161A priority Critical patent/JP2022157118A/ja
Publication of JP2022157118A publication Critical patent/JP2022157118A/ja
Pending legal-status Critical Current

Links

Images

Landscapes

  • Testing And Monitoring For Control Systems (AREA)
  • Control Of Steam Boilers And Waste-Gas Boilers (AREA)

Abstract

【課題】学習モデルを用いてボイラの運転制御を行った際の運転評価をより適切に行うことを通じて運転支援を行う。【解決手段】ボイラを運転させたときに生じるプロセス値の予測値を算出する学習モデルを記憶するモデル記憶部122と、ボイラの運転制御の評価期間にボイラに設定される運転条件を学習モデルに適用し、評価期間におけるプロセス値の予測値を算出する予測値算出部132a、132bと、評価期間における予測値を用いた評価値の累積値に基づく累積評価結果を出力する運転評価部132と、を備え、運転評価部132は、累積値の時系列遷移を演算し、予測値に含まれる予測誤差が累積値に与える誤差範囲の時系列遷移を累積値の時系列遷移に重畳して累積評価結果を生成する。【選択図】図2

Description

本発明は、ボイラの運転支援装置、ボイラの運転制御システム、ボイラの運転支援方法、及びボイラの運転支援プログラムに関する。
発電プラントでは、運転最適化、省力化を図るため、機械学習などのAI(人工知能)技術を組み込んだ運転制御装置により半自動/全自動運転することが検討されている。このような運転制御装置の導入(更新)の意思決定や、導入後の効果確認のために、視覚的に導入メリットを把握したいニーズがある。
新システムの導入メリットの評価技術例として、例えば特許文献1には所定期間の省エネルギ運転モードによる消費電力量(実測値)と、別の期間の定容量の基本運転モードによる消費電力量(実測値)との差を求め、この差に基づいてメリット料金を求め、通知するシステムが記載されている。
特許3747798号公報
発電プラントでは、燃料性状、燃焼状態又は、気象条件などの状況が刻々と変化し、最適な運転条件(運転指示値の設定)も変化するため、運転制御装置の導入のメリットを適切に評価しているものとは言い難い。また、運転制御装置に機械学習を用いた学習モデルを用いていると、その予測誤差も評価に加える必要がある。この点について特許文献1では考慮されていない。
本発明は上記実情に鑑みてなされたものであり、学習モデルを用いてボイラの運転制御を行った際の運転評価をより適切に行い、さらに予想誤差の影響を把握しやすくすることを通じて運転支援を行うことを目的とする。
上記課題を達成するために、本発明は特許請求の範囲に記載の構成を備える。その一例をあげるならば、ボイラの運転支援装置であって、ボイラを運転させたときに生じるプロセス値の予測値を算出する学習モデルを記憶するモデル記憶部と、前記ボイラの運転制御の評価期間に前記ボイラに設定される運転条件を前記学習モデルに適用し、前記評価期間における前記プロセス値の予測値を算出する予測値算出部と、前記評価期間における前記予測値を用いた評価値の累積値に基づく累積評価結果を出力する運転評価部と、を備え、前記運転評価部は、前記累積値の時系列遷移を演算し、前記予測値に含まれる予測誤差が前記累積値に与える誤差範囲の時系列遷移を前記累積値の時系列遷移に重畳して前記累積評価結果を生成する。
本発明によれば、学習モデルを用いてボイラの運転制御を行った際の運転評価をより適切に行い、さらに予想誤差の影響を把握しやすくすることを通じて運転支援を行うことができる。上記した以外の課題、構成及び効果は、以下の実施形態の説明により明らかにされる。
ボイラの概略構成図。 ボイラの運転制御システムの概略説明図。 運転支援装置のハードウェア構成を示す図。 AI運転制御の累積評価の概要を示すフローチャート。 モデル構築部が作成する学習モデルの例を示す図。 AI運転制御の運転コストの観点から評価する際に用いるプロセス値を示す図。 AIオン予測データ演算部の演算処理を示す図。 AIオフ予測データ演算部の演算処理を示す図。 AI運転制御の環境性スコアの観点から評価する際に用いるプロセス値を示す図。 ステップS4のAI運転制御の累積評価処理におけるデータ処理プロセスの流れを示すフローチャート。 累積コストの計算例を示す図。 予測誤差の算出例を示す図。
以下に添付図面を参照して、本発明に係る好適な実施形態を詳細に説明する。なお、この実施形態により本発明が限定されるものではなく、また、実施形態が複数ある場合には、各実施形態を組み合わせて構成するものも含む。全図を通じて同一の構成、ステップには同一の符号を付し、重複説明を省略する。
図1は、ボイラ1の概略構成図である。
ボイラ1は、火炉11と燃焼装置12と煙道13を有している。火炉11は、例えば四角筒の中空形状をなして鉛直方向に沿って設置されている。火炉11は、壁面が、蒸発管(伝熱管)と蒸発管を接続するフィンとで構成され、蒸発管内を流れる給水や蒸気と火炉11内の燃焼ガスとが熱交換することにより火炉壁の温度上昇を抑制している。具体的には、火炉11の側壁面には、複数の蒸発管が例えば鉛直方向に沿って配置され、水平方向に並んで配置されている。フィンは、蒸発管と蒸発管との間を閉塞している。火炉11は、炉底に傾斜面62が設けられており、傾斜面62に炉底蒸発管70が設けられて底面となる。
燃焼装置12は、この火炉11を構成する火炉壁の鉛直下部側に設けられている。本実施形態では、この燃焼装置12は、火炉壁に装着された複数の燃焼バーナ(例えば21,22,23,24,25)を有している。例えば、この燃焼バーナ(バーナ)21,22,23,24,25は、火炉11の周方向に沿って均等間隔で複数配設されている。但し、火炉の形状、バーナの配置や一つの段における燃焼バーナの数、段数はこの実施形態に限定されるものではない。
この各燃焼バーナ21,22,23,24,25は、微粉炭供給管26,27,28,29,30を介して粉砕機(微粉炭機/ミル:補機に相当する。)31,32,33,34,35に連結されている。石炭が図示しない搬送系統で搬送されて、この粉砕機31,32,33,34,35に投入されると、ここで所定の微粉の大きさに粉砕され、搬送用空気(1次空気)と共に微粉炭供給管26,27,28,29,30から燃焼バーナ21,22,23,24,25に粉砕された石炭(微粉炭)を供給することができる。
また、火炉11は、各燃焼バーナ21,22,23,24,25の装着位置に風箱36が設けられており、この風箱36に空気ダクト37bの一端部が連結されて、他端部は空気を供給する空気ダクト37aに連結点37dにおいて連結される。
また、火炉11の鉛直方向上方には煙道13が連結されており、この煙道13に蒸気を生成するための複数の熱交換器(41,42,43,44,45,46,47)が配置されている。そのため、燃焼バーナ21,22,23,24,25が火炉11内に微粉化燃料と燃焼用空気との混合気を噴射することで火炎が形成され、燃焼ガスを生成されて煙道13に流れる。そして、燃焼ガスにより火炉壁及び熱交換器(41~47)を流れる給水や蒸気を加熱して過熱蒸気が生成され、生成された過熱蒸気を供給して図示しない蒸気タービンを回転駆動させ、蒸気タービンの回転軸に連結した図示しない発電機を回転駆動して発電を行うことができる。また、この煙道13は、排ガス通路48が連結され、燃焼ガスの浄化を行うための脱硝装置50、送風機38から空気ダクト37aへ送気する空気と排ガス通路48を送気する排ガスとの間で熱交換を行うエアヒータ49、煤塵処理装置51、誘引送風機52などが設けられ、下流端部に煙突53が設けられている。なお、脱硝装置50は排ガス基準を満足できれば設けなくてもよい。
本実施形態の火炉11は、微粉炭の搬送用空気(1次空気)及び風箱36から火炉11に投入される燃焼用空気(2次空気)による燃料過剰燃焼後、新たに燃焼用空気(アフタエア)を投入して燃料希薄燃焼を行わせる、所謂2段燃焼方式の火炉である。そのため、火炉11にはアフタエアポート39が備えられ、アフタエアポート39に空気ダクト37cの一端部が連結され、他端部は連結点37dにおいて空気を供給する空気ダクト37aに連結される。なお、2段燃焼方式を採用しない場合、アフタエアポート39は設けなくてもよい。
送風機38から空気ダクト37aに送気された空気は、エアヒータ49で燃焼ガスと熱交換により温められ、連結点37dにおいて空気ダクト37bを経由して風箱36へ導かれる2次空気と、空気ダクト37cを経由してアフタエアポート39へと導かれるアフタエアとに分岐する。
図2は、ボイラ1の運転制御システム10の概略説明図である。運転制御システム10は、ボイラ1と、ボイラ1の運転支援装置100と、ボイラ1の運転制御装置200とが通信接続されて構成される。
運転支援装置100は、ボイラ1を運転した際に生じる各種プロセス値を予測するため学習モデルを構築し、各種プロセス値の予測値に基づいてボイラ1の運転条件をAI運転制御により最適化し、ボイラ1の運転制御を支援する。
更に運転支援装置100は、AI運転制御を導入したコストメリットの累積時間での評価(以下「累積評価」という)を行う。
運転支援装置100は、データ取得部110、RTC112、運転データ記憶部114、データ抽出部116、データ前処理部118、モデル構築部120、モデル記憶部122、最適化部124、運転評価部132、代替制御ロジック記憶部134、入出力制御部136を含む。
運転評価部132は、ボイラ1がAI運転制御の下で稼働している状態での運転コストの予測データ(以下「AIオン予測データ」という。)を演算するAIオン予測データ演算部132a、ボイラ1がAI運転制御ではなく代替制御ロジックによる運転制御の下で稼働している状態での運転コストの予測データ(以下「AIオフ予測データ」という。)を演算するAIオフ予測データ演算部132b、AIオン予測データ及びAIオフ予測データのそれぞれについて、それぞれに含まれるAI予測データに含まれる予測誤差を演算する予測誤差演算部132c、及びAIオン予測データ及びAIオフ予測データを用いて予測誤差を反映した累積評価結果を演算し出力する累積評価部132dを含む。本明細書における「予測データ」は、一つ以上の予測値を含むデータであり、「予測値」単体のデータとは必ずしも一致しない。AIオン予測データ演算部132a、AIオフ予測データ演算部132bは、予測値算出部に相当する。
入出力制御部136は、入力装置311から累積評価期間、累積評価条件などの入力を受け付けて運転評価部132に出力する。
また入出力制御部136は、運転評価部132からディスプレイ312に対して累積評価結果を出力して表示する。その他の各部の機能は後述する。
図3は、運転支援装置100のハードウェア構成を示す図である。
運転支援装置100は、プロセッサ301、RAM(Random Access Memory)302、ROM(Read Only Memory)303、HDD(Hard Disk Drive)304、入力I/F305、出力I/F306、及び通信I/F307を含み、これらがバス308を介して互いに接続されたコンピュータを用いて構成される。
プロセッサ301は、GPU(Graphics Processing Unit)でもCPU(Central Processing Unit)でもよく、演算機能を実行するデバイスであれば種類を問わない。また、運転支援装置100のハードウェア構成は上記に限定されず、制御回路と記憶装置との組み合わせにより構成されてもよい。運転支援装置100は、運転支援装置100の各機能を実現する運転支援プログラムをプロセッサ301が実行する、又は制御回路が演算することにより構成される。
入力I/F305には、マウス、キーボード、タッチパネル等の入力装置311が接続される。
出力I/F306には、LCD、有機パネル等からなるディスプレイ312が接続される。また出力装置として外部通信装置を用い、累積評価結果を遠隔地に送信するように構成してもよい。
通信I/F307には、ボイラ1及び運転制御装置200のそれぞれが接続される。
ボイラ1は、各種プロセス値を検出するセンサ1,2,・・・,Mと、運転条件を設定する操作端1,2,・・・,Nを備える。
運転支援装置100は、センサ1,2,・・・,Mから各種プロセス値の実測値を受信する。
運転支援装置100は、AI運転制御により最適化された運転条件を示すデータを運転制御装置200に送信する。運転制御装置200は、運転条件を基に各操作端1,2,・・・,Nに設定する設定値を決定して設定する。各操作端への設定値は、操作端パラメータである。運転制御装置200は、操作端パラメータを運転支援装置100に送信する。
図4は、AI運転制御の累積評価の概要を示すフローチャートである。
AI運転制御の前準備として、モデル構築部120は、データ前処理部118により前処理が行われたボイラ1の運転データ、具体的には運転条件を示す各種入力パラメータを入力して機械学習を行いプロセス値の予測値を出力する学習モデルを構築する(S1)。構築された学習モデルは、モデル記憶部122に記憶される。
図5は、モデル構築部120が作成する学習モデルの例を示す図である。入力パラメータとして、操作端パラメータ、燃料パラメータ(例えば石炭性状等)、運転パラメータ(例えばボイラ負荷等)、その他のパラメータ(例えば気温等の環境条件等)を用いる。
学習モデルは、プロセス値毎に設ける。
図5の例では、プロセス値として「ボイラ出口蒸気温度」、「排ガス性状(NOx等)」、「ガス温度」、「灰中未燃分」、「ボイラ1内の温度(メタル温度)」とがある。モデル構築部120は、各プロセス値に対応した学習モデル1、学習モデル2、学習モデル3、学習モデル4、学習モデル5を構築する。学習モデル4は、特定の非計測プロセス値の予測値を算出する第1学習モデルに相当し、学習モデル1,2,3,5は、その他のプロセス値の予測値を算出する第2学習モデルに相当する。
図4に戻り、最適化部124は、学習モデルを用いてプロセス値の予測値を演算し、(プロセス値の予測値は運転シミュレーション結果に相当する)、運転条件を最適化してプロセス値の改善を行う(S2)。学習モデルを用いて運転条件を最適化する運転制御を「AI運転制御」と称する。また最適化された運転条件に含まれる操作端パラメータを最適化操作端パラメータと称する。
ボイラ1は複数の運転モードの中から選択された一つの運転モードで実運転される。その運転モードにあうようにプロセス値を改善することをAI運転制御の目的とする。そこで、最適化部124は学習モデルを用いて運転条件(入力パラメータ)を変えて複数の運転条件におけるプロセス値の予測値を演算する。そして、運転モードにあうプロセス値の予測値が得られた運転条件を選択する。最適化部124は、運転シミュレーションを行った複数の運転条件について、運転モードに合わせて推定評価指標を求め、推定評価指標の最適値に対応する運転条件を最適条件として選択する。最適化条件に含まれる最適化操作端パラメータを、運転制御装置200に送信する。運転制御装置200は、最適化操作端パラメータを各操作端1,2,・・・,Nに設定する。
ボイラ1の運転データを時系列に沿って収集する(S3)。運転データには、運転条件及び検出されたプロセス値がRTC112から取得した時間データ(例えばタイムスタンプ)に関連付けられ、運転データ記憶部114に記憶される。
AI運転制御の累積評価を行う(S4)。
まず、図6~図8を参照して、累積評価に用いる運転コストの算出について説明する。図6は、AI運転制御の運転コストの観点から評価する際に用いるプロセス値を示す。
本実施形態の評価方式は、AI運転制御の累積評価に実測値だけでなく学習モデルから演算した予測値を用いるので、「予測方式」と称する。
まず図6において、「AI稼働状態:ON」とは、ボイラ1がAI運転制御により稼働している状態を示す。そこで、「AI稼働状態:ON」では、ボイラ1の運転中に計測可能なプロセス値は実測値、運転中に計測不可なプロセス値(非計測プロセス値)は、そのプロセス値をモデル化した学習モデルを用いてAI運転制御中に発生する非計測プロセス値の予測値を演算する。
「運転コスト」の算定要素となる「コスト関連プロセス値」には、「灰中未燃分」、「排ガス温度等」がある。これらのうち、「灰中未燃分」は非計測プロセス値である。そこでAIオン予測データ演算部132aは、学習モデルを用いて「灰中未燃分」の予測値を演算する。
また、「排ガス温度等」はボイラ1の運転中に計測できるので実測値を用いる。
従って、「運転コスト」には「灰中未燃分」の予測値を含んで計算されるので、「運転コスト」も予測値として得られる。「灰中未燃分」の予測値の予測誤差が「運転コスト」にも影響を及ぼすので、予測値の予測誤差を運転コストの累積評価の際に考慮する。詳細については後述する。
図7は、AIオン予測データ演算部132aの演算処理を示す。
AIオン予測データ演算部132aは、入力パラメータとして、燃料パラメータ(石炭性状等)、運転パラメータ(ボイラ負荷等)、その他のパラメータ(気温等の環境条件等)と、AI運転制御によりボイラ1を稼働した際に操作端に設定される最適化操作端パラメータとを、学習モデル4(図5参照)に適用して灰中未燃分の予測値を演算する。この灰中未燃分の予測値は、コスト計算だけではなく、AI運転制御においても演算され、最適化設定に用いられる。その他のプロセス値の予測値は、AI運転制御の最適化設定において用いられるが、コスト計算に際してはAI運転制御で稼働するボイラ1からの実測値がコスト計算に用いられる。
一方、「AI稼働状態:OFF」とは、ボイラ1がAI運転制御ではなく代替制御ロジックで稼働している状態を示す。AIオフ予測データ演算部132bは、代替制御ロジック記憶部134から代替制御ロジックを読み出し、代替制御ロジックを用いてベース操作端パラメータを決定する。そしてベース操作端パラメータとその他のパラメータを入力パラメータとして全ての学習モデルに適用して予測値を演算する。従って、「排ガス温度等」のようにボイラ1の運転中に実測値が得られるプロセス値であっても、「AI稼働状態:OFF」では図6に示すように全てのプロセス値について予測値を求める。AIオフ予測データ演算部132bが演算するAIオフ予測データは、AI運転制御下での予測データとの比較対象(ベース値)となる。
図8は、AIオフ予測データ演算部132bの演算処理を示す。
AIオフ時は、AI運転制御により設定された操作端パラメータが存在しない。そこで、AIオフ予測データ演算部132bは、代替制御ロジック記憶部134から代替制御ロジックを読みこみ、操作端パラメータ以外の入力パラメータ、具体的には、運転パラメータ、その他パラメータを代替制御ロジックに適用してベース操作端パラメータを演算する。また、代替制御ロジック記憶部の代わりに、AIオフ時のベース操作端パラメータを運転制御装置200から直接取得する場合も含まれる。
次いでAIオフ予測データ演算部132bは、ベース操作端パラメータと他の入力パラメータ、具体的には燃料パラメータ、運転パラメータ、その他のパラメータを累積評価に必要なプロセス値をモデル化した全ての学習モデル、即ち灰中未燃分の学習モデル4とその他のプロセス値に対応した学習モデル1,2,3,5のそれぞれに入力して必要な全てのプロセス値の予測値を演算する。
図9は、AI運転制御の環境性スコアの観点から評価する際に用いるプロセス値を示す。
「環境性スコア」の算定要素として「環境関連プロセス値」には、「灰中未燃分」及び「NOx、CO等」がある。
AIオン予測データ演算部132a、及びAIオフ予測データ演算部132bは共に学習モデル4を用いて「灰中未燃分」の予測値を算出する。
「NOx、CO等」は、AIオン予測データ演算部132aは実測値を用いるので予測値の演算は行わない。一方、AIオフ予測データ演算部132bはベース操作端パラメータを求めた後、全ての入力パラメータを「環境性スコア」の算出に必要なプロセス値を対応する学習モデル毎に適用して予測値を求める。
そこで、AIオンの場合は「灰中未燃分」、AIオフの場合は関連する全ての学習モデルの予測値の予測誤差が「環境性スコア」にも影響を及ぼすので、予測値の予測誤差を「環境性スコア」の累積評価の際に考慮する。
図10は、ステップS4のAI運転制御の累積評価処理におけるデータ処理プロセスの流れを示すフローチャートである。
AIオフ予測データ演算部132bは、データ前処理部118から前処理済みデータを読み込む。この前処理済みデータは時系列データである。
AIオフ予測データ演算部132bは、前処理済みデータから予測条件を充足する評価対象データを抽出し、平均化処理を行う(S401)。ここでいう「予測条件」とは、整定時間、モデル学習条件(例えば運転負荷やミルの稼働台数)を含む。
AIオフ予測データ演算部132bは、AI運転制御の評価を行う際と同様の負荷・給炭量を代替制御ロジックに適用して、AIオフ時、即ち、代替制御ロジックを用いた運転制御において操作端に設定される設定値を計算する(S402)。
代替制御ロジックを用いて計算した操作端の設定値と、大気条件等の最適化対象外の入力パラメータとを加えて、AIオフ予測データ演算部132bがAIオフ予測データの演算に用いる「AIオフ予測時予測用データ」が揃う。
AIオフ予測データ演算部132bは「AIオフ予測時予測用データ」を説明変数として用い、「AIオフ予測データ」を演算する(図10では「モデリング」と図示する)(S403)。
またS403では、AIオン予測データ演算部132aは、運転パラメータ、燃料パラメータ、大気条件等の最適化対象外の入力パラメータを説明変数として用い、「AIオン予測データ」を演算する。
累積評価部132dは、コスト計算を行う(S404)。具体的には、実測データ及びAIオン予測データを用いてAI運転制御時の運転コストを計算する。
また累積評価部132dは、AIオフ予測データを用いて代替制御ロジックで稼働したと仮定した運転コスト(ベース値)を計算する。
累積評価部132dは、AI運転制御時の運転コストとベース値との運転コストの差分値(運転評価値に相当する)を計算し、それを累積時間に沿って累積し、累積評価結果を出力する(S405)。累積評価を行う際、予測誤差を考慮する。
図11は、累積コストの計算例を示す。
図11上段に運転コストトレンドグラフを示す。運転コストトレンドグラフは、運転コストのAIオフ予測データとAIオン予測データとの時系列遷移を示す。
図11中段に時間―負荷・運転ミル台数グラフを示す。同グラフは、運転コストトレンドグラフと同一の時間帯における運転負荷と運転ミル台数との変化を示す。
累積メリットは、運転コストを時間方向に累積した評価値(累積運転コスト)で評価するが、その際、累積評価として換算する運転コストは、累積メリットの評価条件を充足した状態でボイラ1が稼働した運転コストのみを加算することが望ましい。累積メリットの評価条件は、学習モデルの構築に用いた運転データが満たす条件と同じ又は許容範囲であることが望ましい。累積メリットはAI運転制御の導入メリット評価の一表現態様に過ぎず、その他の表現態様、例えば、AI運転制御と代替制御ロジックによる運転制御との運転コスト差の時系列変化を出力してもよい。
図11上段のグラフにおいて、予測モデルの学習条件、つまり予測可能な運転条件は“90%以上・運転ミル5台運転”の場合であり、かつAI運転制御の運用負荷帯が95%以上の場合、図11の網掛けの時間帯は累積メリットの評価条件を満たさない。そこで、網掛けの時間帯のAIオフ予測データ及びAIオン予測データは、累積評価対象外とする。換言すれば、網掛けがされていない時間帯、即ち評価条件を満たしている時間帯のみを累積評価の評価対象期間とする。
更に累積メリットの評価条件を規定する運転条件に、ボイラ1の運転に用いられた燃料の性状を示す燃料パラメータが含まれる場合、データ抽出部116は、評価期間における燃料性状と同一性状の燃料を使用した期間の実測データを抽出する。同一性状とは全くの同一のみならず、同一性状とみなせる性状の燃料であってもよい。そして評価期間で使用された燃料と同一性状の燃料を使用し、かつ前記評価期間と同一の負荷の下で得られた実測データを抽出することにより、より評価期間の評価精度を向上させることができる。
図11下段に運転コスト差の時系列変化を示すグラフを示す。同グラフは、運転評価結果の出力の一態様である。同グラフの縦軸は、AIオン/オフの運転コスト差(評価値に相当する)、横軸は、時間を示す。
また、運転コスト差の時系列変化を示すグラフでは、運転コスト差の推移を実線、その周囲に予測データに含まれる予測誤差に起因する運転コストの予測誤差の範囲を破線で表示する。
図12は、予測誤差の算出例を示す。
予測誤差演算部132cは、灰中未燃分を計測したデータ(実運転コストの算出が可能なデータ)で交差検証を行う。ただし、図12に示すとおり、評価期間前の灰中未燃分を計測したデータは、交差検証において常時学習データに含むものとする。
予測誤差演算部132cは、評価期間前データa,b,cの一部、例えばa,bを学習データとして用いて灰中未燃分の予測値を算出し、それと検証データとしてのcに含まれる灰中未燃分の実測値との差を予測誤差μ1として求める。
同様に予測誤差演算部132cは、b,cを学習データ、aを検証データとして用い、予測誤差μ2として求める。
更に、予測誤差演算部132cは、c,aを学習データ、bを検証データとして用い、予測誤差μ3として求める。
予測誤差演算部132cは、平均誤差μaveで評価対象期間の予測運転コストを補正する。図12は、予測誤差を考慮した出力の一態様として、運転コストのトレンドグラフを平均誤差μave分下方にシフト補正して表示した態様である。なお、AIオフ予測の場合、運転コストに関係する全ての学習モデルの予測誤差を加味する必要があるため、前述の図12に関する説明において灰中未燃分を運転コストに置き換えて、同様の方法で予測誤差を演算する。
一方図11下段の累積運転時間―累積コストメリットグラフのように、予測誤差範囲を破線で表示する態様も、予測誤差を考慮した出力の一態様である。
上記各実施形態に記載の内容は、例えば以下のように把握される。
(1)一態様に係るボイラの運転支援装置は、
ボイラを運転させたときに生じるプロセス値の予測値を算出する学習モデルを記憶するモデル記憶部と、
前記ボイラの運転制御の評価期間に前記ボイラに設定される運転条件を前記学習モデルに適用し、前記評価期間における前記プロセス値の予測値を算出する予測値算出部と、
前記評価期間における前記予測値を用いた評価値の累積値に基づく累積評価結果を出力する運転評価部と、
を備え、
前記運転評価部は、前記累積値の時系列遷移を演算し、前記予測値に含まれる予測誤差が前記累積値に与える誤差範囲の時系列遷移を前記累積値の時系列遷移に重畳して前記累積評価結果を生成する、
ボイラの運転支援装置である。
上記(1)の態様によれば、AI運転制御の累積評価を行う際に、AIを用いた予測データに含まれる予測誤差を考慮して累積評価を出力できる。よって、累積評価の振れ幅を考慮したうえで、AI運転制御の導入の成否の検討が行える。これにより、AIを用いて最適化した運転条件によりボイラ1を運転することで、ボイラ1の直接的な運転支援を行い、更にAI運転制御による評価に際しては、AIの予測誤差を踏まえて評価することでボイラ1の間接的な運転支援も行える。
(2)一態様に係るボイラの運転支援装置は、
前記運転評価部が、前記ボイラに前記運転条件を設定して実運転して得られた実測値と、前記運転条件を前記学習モデルに適用して演算した予測値とを用いて前記予測誤差を算出する、
上記(1)の態様のボイラの運転支援装置である。
上記(2)の態様によれば、AI運転制御化での運転コストの算定に際し、稼働中に計測可能なプロセス値は実測値を用い、稼働中は計測できないプロセス値だけを予測値を用いることで、学習モデルの予測誤差によるメリット評価のずれを最小化できる。
(3)一態様に係るボイラの運転支援装置は、
学習モデルが機械学習に用いた運転条件と同一の運転条件で実運転した期間のみを前記評価期間として、前記運転評価部は前記累積評価結果を出力する、
上記(1)の態様のボイラの運転支援装置である。
上記(3)の態様によれば、評価条件に適合した時間帯についてのみAI運転制御の累積評価対象とすることにより、学習モデルが学習した条件のみ(そのモデルの)評価対象とすることで、外挿域の予測による精度低下を回避できる。
(4)一態様に係るボイラの運転支援装置は、
前記学習モデルが、灰中未燃分の予測値を算出する学習モデルであり、
前記運転評価部は、前記灰中未燃分の予測値及び他のプロセス値の実測値を用いた運転評価値の累積値の時系列遷移を演算し、前記運転評価値の累積値の誤差範囲は前記灰中未燃分の予測値に含まれる予測誤差である、
上記(1)の態様のボイラの運転支援装置である。
上記(4)の態様によれば、ボイラの運転中に計測不可能な灰中未燃分のプロセス値の予測値を用いて運転評価値を評価しつつ、運転評価値の予測誤差が灰中未燃分の予測値に起因することが理解できる。
(5)一態様に係るボイラの運転支援装置は、
前記運転評価値が、経済性メリット、又はNOx排出量、及びCO排出量の少なくとも一つに基づく環境性メリットである、
上記(4)の態様のボイラの運転支援装置である。
上記(5)の態様によれば、累積評価に用いるプロセス値を変えることにより、例えばコストメリットからみたAI運転制御の経済性メリットの評価や、運転コストに代えてNOx排出量、CO排出量に関するメリット表示を行うことで環境性メリットの評価が行える。
(6)一態様に係るボイラの運転支援装置は、
前記運転評価部が、前記プロセス値の予測値と所定のベース値との差分値を用いて、前記累積評価結果を出力する、
上記(1)の態様のボイラの運転支援装置である。
上記(6)の態様において、所定のベース値はAI運転制御ロジックとは異なる既存の代替制御ロジックを用いてもよい。この場合、予測誤差を用いてAI運転制御で稼働した際の運転コスト、代替制御ロジックで稼働したときの運転コストを、予測誤差を用いて補正してもよい。
(7)一態様に係るボイラの運転制御システムは、
上記(1)の態様のボイラの運転支援装置と、
前記学習モデルの予測値を基に前記ボイラに設定する運転条件を決定し、決定された運転条件に従って前記ボイラの運転制御を行う運転制御装置と、
を備えるボイラの運転制御システムである。
上記(7)の態様によれば、AI運転制御による最適化された運転条件でボイラを実際に運転しつつ、運転評価も行える。
(8)一態様に係るボイラの運転支援方法では、
ボイラを運転させたときに生じるプロセス値の予測値を算出する学習モデルを記憶するステップと、
前記ボイラの運転制御の評価期間に前記ボイラに設定される運転条件を前記学習モデルに適用し、前記評価期間における前記プロセス値の予測値を算出するステップと、
前記評価期間における前記予測値の累積値の時系列遷移を演算し、前記予測値に含まれる予測誤差が前記累積値に与える誤差範囲の時系列遷移を前記予測値の累積値の時系列遷移に重畳して累積評価結果を生成し、出力するステップと、
を含むボイラの運転支援方法である。
上記(8)の態様によれば、AI運転制御の累積評価を行う際に、AIを用いた予測データに含まれる予測誤差を考慮して累積評価を出力できる。よって、累積評価の振れ幅を考慮したうえで、AI運転制御の導入の成否の検討が行える。これにより、AIを用いて最適化した運転条件によりボイラ1を運転することで、ボイラ1の直接的な運転支援を行い、更にAI運転制御による評価に際しては、AIの予測誤差を踏まえて評価することでボイラ1の間接的な運転支援も行える。
(9)一態様に係るボイラの運転支援プログラムは、
上記(8)の態様のボイラの運転支援方法を実行するためのボイラの運転支援プログラムである。
上記(9)の態様によれば、上記(8)の運転支援方法をコンピュータにより実現できる。
上記実施形態は本発明を限定するものではなく、本発明の趣旨を逸脱しない範囲での様々な変更態様がある。
例えば、運転評価部132の機能ブロックは一例に過ぎない。また図11各グラフの表示例、説明に用いたプロセス値も上記に限定されない。
10 :運転制御システム
11 :火炉
12 :燃焼装置
13 :煙道
21,22,23,24,25 :燃焼バーナ
26,27,28,29,30 :微粉炭供給管
31,32,33,34,35 :粉砕機
36 :風箱
37a,37b,37c :空気ダクト
37d :連結点
38 :送風機
39 :アフタエアポート
48 :排ガス通路
49 :エアヒータ(AH)
50 :脱硝装置
51 :煤塵処理装置
52 :誘引送風機
53 :煙突
62 :傾斜面
70 :炉底蒸発管
100 :運転支援装置
110 :データ取得部
112 :RTC
114 :運転データ記憶部
116 :データ抽出部
118 :データ前処理部
120 :モデル構築部
122 :モデル記憶部
124 :最適化部
132 :運転評価部
132a :AIオン予測データ演算部(予測値算出部)
132b :AIオフ予測データ演算部(予測値算出部)
132c :予測誤差演算部
132d :累積評価部
134 :代替制御ロジック記憶部
136 :入出力制御部
200 :運転制御装置
301 :プロセッサ
305 :入力I/F
306 :出力I/F
307 :通信I/F
308 :バス
311 :入力装置
312 :ディスプレイ

Claims (9)

  1. ボイラの運転支援装置であって、
    ボイラを運転させたときに生じるプロセス値の予測値を算出する学習モデルを記憶するモデル記憶部と、
    前記ボイラの運転制御の評価期間に前記ボイラに設定される運転条件を前記学習モデルに適用し、前記評価期間における前記プロセス値の予測値を算出する予測値算出部と、
    前記評価期間における前記予測値を用いた評価値の累積値に基づく累積評価結果を出力する運転評価部と、
    を備え、
    前記運転評価部は、前記累積値の時系列遷移を演算し、前記予測値に含まれる予測誤差が前記累積値に与える誤差範囲の時系列遷移を前記累積値の時系列遷移に重畳して前記累積評価結果を生成する、
    ボイラの運転支援装置。
  2. 請求項1に記載のボイラの運転支援装置において、
    前記運転評価部は、前記ボイラに前記運転条件を設定して実運転して得られた実測値と、前記運転条件を前記学習モデルに適用して演算した予測値とを用いて前記予測誤差を算出する、
    ボイラの運転支援装置。
  3. 請求項1に記載のボイラの運転支援装置において、
    前記運転評価部は、前記学習モデルが機械学習に用いた運転条件と同一の運転条件で実運転した期間のみを前記評価期間として、前記累積評価結果を出力する、
    ボイラの運転支援装置。
  4. 請求項1に記載のボイラの運転支援装置において、
    前記学習モデルは、灰中未燃分の予測値を算出する学習モデルであり、
    前記運転評価部は、前記灰中未燃分の予測値及び他のプロセス値の実測値を用いた運転評価値の累積値の時系列遷移を演算し、前記運転評価値の累積値の誤差範囲は前記灰中未燃分の予測値に含まれる予測誤差である、
    ボイラの運転支援装置。
  5. 請求項4に記載のボイラの運転支援装置において、
    前記運転評価値は、経済性メリット、又はNOx排出量、及びCO排出量の少なくとも一つに基づく環境性メリットである、
    ボイラの運転支援装置。
  6. 請求項1に記載のボイラの運転支援装置において、
    前記運転評価部は、前記プロセス値の予測値と所定のベース値との差分値を用いて、前記累積評価結果を出力する、
    ボイラの運転支援装置。
  7. 請求項1に記載のボイラの運転支援装置と、
    前記学習モデルの予測値を基に前記ボイラに設定する運転条件を決定し、決定された運転条件に従って前記ボイラの運転制御を行う運転制御装置と、
    を備えるボイラの運転制御システム。
  8. ボイラの運転支援方法であって、
    ボイラを運転させたときに生じるプロセス値の予測値を算出する学習モデルを記憶するステップと、
    前記ボイラの運転制御の評価期間に前記ボイラに設定される運転条件を前記学習モデルに適用し、前記評価期間における前記プロセス値の予測値を算出するステップと、
    前記評価期間における前記予測値の累積値の時系列遷移を演算し、前記予測値に含まれる予測誤差が前記累積値に与える誤差範囲の時系列遷移を前記予測値の累積値の時系列遷移に重畳して累積評価結果を生成し、出力するステップと、
    を含むボイラの運転支援方法。
  9. 請求項8に記載のボイラの運転支援方法を実行するためのボイラの運転支援プログラム。
JP2021061161A 2021-03-31 2021-03-31 ボイラの運転支援装置、ボイラの運転制御システム、ボイラの運転支援方法、及びボイラの運転支援プログラム Pending JP2022157118A (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2021061161A JP2022157118A (ja) 2021-03-31 2021-03-31 ボイラの運転支援装置、ボイラの運転制御システム、ボイラの運転支援方法、及びボイラの運転支援プログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2021061161A JP2022157118A (ja) 2021-03-31 2021-03-31 ボイラの運転支援装置、ボイラの運転制御システム、ボイラの運転支援方法、及びボイラの運転支援プログラム

Publications (1)

Publication Number Publication Date
JP2022157118A true JP2022157118A (ja) 2022-10-14

Family

ID=83559645

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2021061161A Pending JP2022157118A (ja) 2021-03-31 2021-03-31 ボイラの運転支援装置、ボイラの運転制御システム、ボイラの運転支援方法、及びボイラの運転支援プログラム

Country Status (1)

Country Link
JP (1) JP2022157118A (ja)

Similar Documents

Publication Publication Date Title
TWI705316B (zh) 鍋爐之運轉支援裝置、鍋爐之運轉支援方法、及鍋爐之學習模型之作成方法
CN101657765B (zh) 利用从统计和实时数据得到的可达到性能对设备进行通用性能评估的方法和装置
EP2775108B1 (en) Improved plant control systems and methods
TW201937441A (zh) 模型作成方法、工廠的運轉支援方法、模型作成裝置、模型、程式、及記錄有程式的記錄媒體
JP4876057B2 (ja) プラントの制御装置、及び火力発電プラントの制御装置
JP5663510B2 (ja) 石炭火力プラントの制御装置及び、石炭火力プラント
JP6251201B2 (ja) 稼動率予測装置及び稼動率予測方法
Papandreou et al. A multi-criteria optimisation approach for the design of sustainable utility systems
Akpan et al. Cycling of coal fired power plants: A generic CO2 emissions factor model for predicting CO2 emissions
Eslick et al. Predictive modeling of a subcritical pulverized-coal power plant for optimization: Parameter estimation, validation, and application
Jamil et al. Multiparametric optimization for reduced condenser cooling water consumption in a degraded combined cycle gas turbine power plant from a water-energy nexus perspective
JP2022157118A (ja) ボイラの運転支援装置、ボイラの運転制御システム、ボイラの運転支援方法、及びボイラの運転支援プログラム
CN106845134A (zh) 一种锅炉机组相对性能指标计算方法及装置
JP2022157124A (ja) ボイラの運転支援装置、ボイラの運転制御システム、ボイラの運転支援方法、及びボイラの運転支援プログラム
De Meulenaere et al. Quantifying the impact of furnace heat transfer parameter uncertainties on the thermodynamic simulations of a biomass retrofit
JP2022125756A (ja) 火力発電プラントの運転支援方法及び運転支援装置
TWI691821B (zh) 運轉條件評價裝置、運轉條件評價方法及鍋爐之控制系統
JP2010191494A (ja) 高温プラント機器の余寿命診断装置及び方法
CN112602024A (zh) Kpi改善辅助系统及kpi改善辅助方法
Smouse To clean or not to clean? A technical and economic analysis of cleaning Pittsburgh seam coal
WO2022137785A1 (ja) ボイラの運転支援装置及びボイラの運転支援システム
JP7220047B2 (ja) プラントの運転支援装置
JP2021188892A (ja) 運転支援装置、灰流通支援システム
JP2005261021A (ja) 運用計画システムおよび運用計画立案プログラム
Tawfik et al. Hot windbox and combined cycle repowering to improve heat rate

Legal Events

Date Code Title Description
A711 Notification of change in applicant

Free format text: JAPANESE INTERMEDIATE CODE: A712

Effective date: 20220113

RD02 Notification of acceptance of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7422

Effective date: 20220210