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

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μ_ａｖｅ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μ_ａｖｅ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_２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_２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_２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。

Images