JP2023081485A - 状態量予測装置、及び、状態量予測方法 - Google Patents
状態量予測装置、及び、状態量予測方法 Download PDFInfo
- Publication number
- JP2023081485A JP2023081485A JP2021195234A JP2021195234A JP2023081485A JP 2023081485 A JP2023081485 A JP 2023081485A JP 2021195234 A JP2021195234 A JP 2021195234A JP 2021195234 A JP2021195234 A JP 2021195234A JP 2023081485 A JP2023081485 A JP 2023081485A
- Authority
- JP
- Japan
- Prior art keywords
- predicted value
- state quantity
- differential
- absorption tower
- input parameter
- 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
- 238000000034 method Methods 0.000 title claims description 29
- 238000013528 artificial neural network Methods 0.000 claims abstract description 42
- 230000003068 static effect Effects 0.000 claims abstract description 25
- 238000004364 calculation method Methods 0.000 claims abstract description 18
- 238000010521 absorption reaction Methods 0.000 claims description 55
- 230000002745 absorbent Effects 0.000 claims description 37
- 239000002250 absorbent Substances 0.000 claims description 37
- 238000006477 desulfuration reaction Methods 0.000 claims description 25
- 230000023556 desulfurization Effects 0.000 claims description 25
- 235000019738 Limestone Nutrition 0.000 claims description 23
- 239000006028 limestone Substances 0.000 claims description 23
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 19
- 239000003546 flue gas Substances 0.000 claims description 19
- 239000007789 gas Substances 0.000 claims description 15
- 239000007788 liquid Substances 0.000 claims description 14
- 239000002002 slurry Substances 0.000 claims description 11
- 230000001590 oxidative effect Effects 0.000 claims description 9
- 238000010248 power generation Methods 0.000 claims description 3
- 230000003009 desulfurizing effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 claims description 2
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 22
- 230000006870 function Effects 0.000 description 16
- 239000000428 dust Substances 0.000 description 10
- 238000010801 machine learning Methods 0.000 description 10
- 239000006096 absorbing agent Substances 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 230000001537 neural effect Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- VTYYLEPIZMXCLO-UHFFFAOYSA-L Calcium carbonate Chemical compound [Ca+2].[O-]C([O-])=O VTYYLEPIZMXCLO-UHFFFAOYSA-L 0.000 description 4
- 230000002123 temporal effect Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 239000010440 gypsum Substances 0.000 description 3
- 229910052602 gypsum Inorganic materials 0.000 description 3
- 230000015654 memory Effects 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 229910000019 calcium carbonate Inorganic materials 0.000 description 2
- 235000010216 calcium carbonate Nutrition 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000010419 fine particle Substances 0.000 description 2
- XLYOFNOQVPJJNP-ZSJDYOACSA-N heavy water Substances [2H]O[2H] XLYOFNOQVPJJNP-ZSJDYOACSA-N 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005507 spraying Methods 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- 208000005156 Dehydration Diseases 0.000 description 1
- LSNNMFCWUKXFEE-UHFFFAOYSA-N Sulfurous acid Chemical group OS(O)=O LSNNMFCWUKXFEE-UHFFFAOYSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 239000011575 calcium Substances 0.000 description 1
- 229910052791 calcium Inorganic materials 0.000 description 1
- BVKZGUZCCUSVTD-UHFFFAOYSA-N carbonic acid Chemical compound OC(O)=O BVKZGUZCCUSVTD-UHFFFAOYSA-N 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000018044 dehydration Effects 0.000 description 1
- 238000006297 dehydration reaction Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 239000012717 electrostatic precipitator Substances 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 239000000706 filtrate Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- QAOWNCQODCNURD-UHFFFAOYSA-L sulfate group Chemical group S(=O)(=O)([O-])[O-] QAOWNCQODCNURD-UHFFFAOYSA-L 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D53/00—Separation of gases or vapours; Recovering vapours of volatile solvents from gases; Chemical or biological purification of waste gases, e.g. engine exhaust gases, smoke, fumes, flue gases, aerosols
- B01D53/14—Separation of gases or vapours; Recovering vapours of volatile solvents from gases; Chemical or biological purification of waste gases, e.g. engine exhaust gases, smoke, fumes, flue gases, aerosols by absorption
- B01D53/1412—Controlling the absorption process
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D53/00—Separation of gases or vapours; Recovering vapours of volatile solvents from gases; Chemical or biological purification of waste gases, e.g. engine exhaust gases, smoke, fumes, flue gases, aerosols
- B01D53/34—Chemical or biological purification of waste gases
- B01D53/46—Removing components of defined structure
- B01D53/48—Sulfur compounds
- B01D53/50—Sulfur oxides
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D53/00—Separation of gases or vapours; Recovering vapours of volatile solvents from gases; Chemical or biological purification of waste gases, e.g. engine exhaust gases, smoke, fumes, flue gases, aerosols
- B01D53/34—Chemical or biological purification of waste gases
- B01D53/46—Removing components of defined structure
- B01D53/48—Sulfur compounds
- B01D53/50—Sulfur oxides
- B01D53/501—Sulfur oxides by treating the gases with a solution or a suspension of an alkali or earth-alkali or ammonium compound
- B01D53/504—Sulfur oxides by treating the gases with a solution or a suspension of an alkali or earth-alkali or ammonium compound characterised by a specific device
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D2251/00—Reactants
- B01D2251/40—Alkaline earth metal or magnesium compounds
- B01D2251/404—Alkaline earth metal or magnesium compounds of calcium
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D2251/00—Reactants
- B01D2251/60—Inorganic bases or salts
- B01D2251/606—Carbonates
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D2257/00—Components to be removed
- B01D2257/30—Sulfur compounds
- B01D2257/302—Sulfur oxides
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D2258/00—Sources of waste gases
- B01D2258/02—Other waste gases
- B01D2258/0283—Flue gases
Abstract
【課題】静的な物理モデルを用いて、動特性を考慮した状態量の予測を行う。【解決手段】状態量予測装置は、静的平衡状態にある機器に対応する物理モデルを用いて、入力パラメータに対応する状態量を予測する。本装置は、第1微分予測値算出部、第2微分予測値算出部、及び、予測値算出部を備える。第1微分予測値算出部は、状態量の入力パラメータに対する動特性、及び、状態量の過去の予測値と前記物理モデルの予測値との差分値を変数とする関数の非線形成分に対応し、入力パラメータ、及び、状態量の過去の予測値を入力するとともに、第1微分予測値を出力する学習済みのニューラルネットワークを有する。第2微分予測値算出部は、関数の線形成分に対応し、入力パラメータ及び過去の予測値を入力するとともに、第2微分予測値を出力する。状態量予測値算出部は、第1微分予測値及び第2微分予測値に基づいて算出された微分予測値を積分することにより、状態量の予測値を算出する。【選択図】図1
Description
本開示は、状態量予測装置、及び、状態量予測方法に関する。
プラントのような機器では、監視、制御又は異常判定などを目的として、数値モデルを用いた演算によって状態量を予測することがある。この種の数値モデルには、例えば、物理的な知見から導出した静的な平衡式や状態方程式等に基づく物理モデルや、ニューラルネットワークや重回帰分析等を利用した機械学習モデルのような統計モデルがある。
数値モデルとして物理モデルを用いる場合、物理モデルは真の予測式が線形であると仮定して線形化等の近似を行う、或いは、例えば静定時などの運転条件を仮定してモデル化するものもあるが、このような物理モデルでは、仮定された前提条件が満たされない場合に予測誤差が大きくなってしまうおそれがある。また機械学習モデルのような統計モデルでは、モデルを構築する際に用いられる学習データの外挿領域において予測誤差が大きくなるおそれがある。
そこで特許文献1では、物理モデルで導出した状態量と実測量との偏差を機械学習で学習することにより、物理モデルで予測した状態量の誤差を機械学習モデルで補正する予測手法が提案されている。この手法は、いわば物理モデルと機械学習モデルとを組合せた予測手法であるが、機械学習モデルにおいて予測対象である状態量の動特性が考慮されていない。そのため状態量が動特性を有する対象に対して、十分な予測精度が得られないおそれがある。
このような動特性に関する課題に対する解決手法の一つとして、機械学習手法として、Recurrent Neural Network(RNN)を導入することが考えられる。一方で、微分構造を導入した連続表現型ニューラルネットワークであるニューラルОDE(Neural Ordinary Differential Equation)では、RNNと比較してメモリ効率が高く、時間的に連続なモデルを扱えるメリットがある。非特許文献1では、ニューラルОDEと既知の微分方程式を組み合わせることにより、予測精度を向上可能な予測手法が開示されている。
Manuel A.Roehrl,Modeling System Dynamics with Physics Informed Neural Networks Based onLagrangian Mechanics, IFAC, 2020
機械学習モデルにおいて予測対象である状態量の動特性を考慮するために、特許文献1において、機械学習手法として前述のニューラルОDEを適用すると、ニューラルODEでは静的な物理モデルと状態量との「予測誤差の動特性」を学習することになる。この場合、機械学習では、状態量の動特性に加えて、平衡点の動特性まで学習する必要がある。ここで図4は予測対象において時刻t1において第1平衡状態から第2平衡状態への遷移が生じた場合における状態量xの時間的変化を示す図であり、図5は図4における状態量xの平衡点x1,x2との誤差Δxの時間的変化を示す図である。図4に示すように、時刻t1以前は、状態量xは第1平衡状態に対応する第1平衡点x1であるが、時刻t1で第2平衡状態に遷移が生じると、第2平衡状態に対応する第2平衡点x2に向けて変化する。このとき状態量xは即時に第2平衡点x2になるのではなく、時刻t2にかけて漸近的に近づくように変化する。そのため、図5に示すように、誤差Δxは時刻t1において急激に増加した後、時刻t2にかけて漸近的に減少する振る舞いを示す。このように、ある時点(時刻t1)で平衡点が非連続的に変化する動的変化が生じた場合には、平衡点に追従するように変化する状態量xの微分値(又は誤差Δx)が急峻で非線形的な振る舞いを示す。そのため、上記技術では、このような非線形的な振る舞いを学習するためにニューラルネットワークの規模(自由度)を大きくしなければならず、過学習による汎化性能の低下が生じるおそれがある。
また非特許文献1では、ニューラルODEに対して、物理モデルである既知の微分方程式を組み合わせている。ここでニューラルODEの出力が予測対象である状態量の微分値であることから、ニューラルODEと組み合わされる物理モデルもまた、その出力を予測対象の状態量の微分値に揃える必要がある。そのため、物理モデルとして、その出力が微分値ではなく、予測対象である状態量の値そのものを出力する静的な物理モデルしか得られない場合(例えば化学平衡式や熱収支のバランス式等)には、非特許文献1の手法を用いることができない。
本開示の少なくとも一実施形態は上述の事情に鑑みなされたものであり、静的な物理モデルを用いて、動特性を考慮した状態量の予測が可能な状態量予測装置、及び、状態量予測方法を提供することを目的とする。
本開示の少なくとも一実施形態に係る状態量予測装置は、上記課題を解決するために、
静的状態にある機器に対応する物理モデルを用いて、前記機器に関する入力パラメータに対応する前記機器の状態量を予測するための状態量予測装置であって、
前記状態量の前記入力パラメータに対する動特性、及び、前記状態量の過去の予測値と前記物理モデルの予測値との差分値を変数とする関数の非線形成分に対応し、前記入力パラメータ、及び、前記状態量の過去の予測値を入力するとともに、第1微分予測値を出力する学習済みのニューラルネットワークを有する第1微分予測値算出部と、
前記関数の線形成分に対応し、前記入力パラメータ及び前記過去の予測値を入力するとともに、第2微分予測値を出力する第2微分予測値算出部と、
前記第1微分予測値及び前記第2微分予測値に基づいて算出された微分予測値を積分することにより、前記状態量の予測値を算出する状態量予測値算出部と、
を備える。
静的状態にある機器に対応する物理モデルを用いて、前記機器に関する入力パラメータに対応する前記機器の状態量を予測するための状態量予測装置であって、
前記状態量の前記入力パラメータに対する動特性、及び、前記状態量の過去の予測値と前記物理モデルの予測値との差分値を変数とする関数の非線形成分に対応し、前記入力パラメータ、及び、前記状態量の過去の予測値を入力するとともに、第1微分予測値を出力する学習済みのニューラルネットワークを有する第1微分予測値算出部と、
前記関数の線形成分に対応し、前記入力パラメータ及び前記過去の予測値を入力するとともに、第2微分予測値を出力する第2微分予測値算出部と、
前記第1微分予測値及び前記第2微分予測値に基づいて算出された微分予測値を積分することにより、前記状態量の予測値を算出する状態量予測値算出部と、
を備える。
本開示の少なくとも一実施形態に係る状態量予測方法は、上記課題を解決するために、
静的状態にある機器に対応する物理モデルを用いて、前記機器に関する入力パラメータに対応する前記機器の状態量を予測するための状態量予測方法であって、
前記状態量の前記入力パラメータに対する動特性、及び、前記状態量の過去の予測値と前記物理モデルの予測値との差分値を変数とする関数の非線形成分に対応し、前記入力パラメータ、及び、前記状態量の過去の予測値を入力するとともに、第1微分予測値を出力する学習済みのニューラルネットワークを有する工程と、
前記関数の線形成分に対応し、前記入力パラメータ及び前記過去の予測値を入力するとともに、第2微分予測値を出力する工程と、
前記第1微分予測値及び前記第2微分予測値に基づいて算出された微分予測値を積分することにより、前記状態量の予測値を算出する工程と、
を備える。
静的状態にある機器に対応する物理モデルを用いて、前記機器に関する入力パラメータに対応する前記機器の状態量を予測するための状態量予測方法であって、
前記状態量の前記入力パラメータに対する動特性、及び、前記状態量の過去の予測値と前記物理モデルの予測値との差分値を変数とする関数の非線形成分に対応し、前記入力パラメータ、及び、前記状態量の過去の予測値を入力するとともに、第1微分予測値を出力する学習済みのニューラルネットワークを有する工程と、
前記関数の線形成分に対応し、前記入力パラメータ及び前記過去の予測値を入力するとともに、第2微分予測値を出力する工程と、
前記第1微分予測値及び前記第2微分予測値に基づいて算出された微分予測値を積分することにより、前記状態量の予測値を算出する工程と、
を備える。
本開示の少なくとも一実施形態によれば、静的な物理モデルを用いて、動特性を考慮した状態量の予測が可能な状態量予測装置、及び、状態量予測方法を提供できる。
以下、添付図面を参照して本発明の幾つかの実施形態について説明する。ただし、実施形態として記載されている又は図面に示されている構成等は、本発明の範囲をこれに限定する趣旨ではなく、単なる説明例にすぎない。
図1は一実施形態に係る状態量予測装置1の構成図である。状態量予測装置1は、予測対象である機器に関する少なくとも1つの入力パラメータuが入力され、状態量xの予測値を出力する。状態量xの予測値は、静的な物理モデルMを用いた演算処理を行う演算処理部2によって行われる。演算処理部2は、第1微分予測値DP1を算出するための第1微分予測値算出部4と、第2微分予測値DP2を算出するための第2微分予測値算出部6と、第1微分予測値DP1及び第2微分予測値DP2に基づいて状態量xの予測値を算出するための状態量予測値算出部8とを備える。
尚、このような状態量予測装置1を実現するためのハードウェア構成は限定されないが、例えば、CPU(Central Processing Unit)、RAM(Random Access Memory)、ROM(Read Only Memory)、及びコンピュータ読み取り可能な記憶媒体等を備える情報処理装置として構成される。そして、各種機能を実現するための一連の処理は、一例として、プログラムの形式で記憶媒体等に記憶されており、このプログラムをCPUがRAM等に読み出して、情報の加工・演算処理を実行することにより、各種機能が実現される。尚、プログラムは、ROMやその他の記憶媒体に予めインストールしておく形態や、コンピュータ読み取り可能な記憶媒体に記憶された状態で提供される形態、有線又は無線による通信手段を介して配信される形態等が適用されてもよい。コンピュータ読み取り可能な記憶媒体とは、磁気ディスク、光磁気ディスク、CD-ROM、DVD-ROM、半導体メモリ等である。
演算処理部2が用いる静的な物理モデルMは、静的状態にある機器に対応する物理モデルであって、静的時の入力パラメータuに対応する機器の状態量xを出力するように構成される。このような物理モデルMは、静的時の入力パラメータu、及び、状態量xの関係式として、一般的に次式で表される。
x=f(u,θphy) (1)
尚、θphyは物理モデルMに含まれる少なくとも1つの物理パラメータであり、fは入力パラメータu及び物理パラメータθphyを変数とする任意の関数である。
x=f(u,θphy) (1)
尚、θphyは物理モデルMに含まれる少なくとも1つの物理パラメータであり、fは入力パラメータu及び物理パラメータθphyを変数とする任意の関数である。
ここで状態量xの予測を動特性を考慮して行うために、状態量xの微分予測値dx/dtを、次式で表す。
dx/dt=g(x,u)-h(x-f(u,θphy)) (2)
(2)式において右辺第1項は、未知の動特性を示す関数g(x,u)であり、右辺第2項は、状態量xの入力パラメータuに対する動特性、及び、状態量の過去の予測値xと物理モデルMの予測値f(u,θphy)との差分値を変数とする関数である。
dx/dt=g(x,u)-h(x-f(u,θphy)) (2)
(2)式において右辺第1項は、未知の動特性を示す関数g(x,u)であり、右辺第2項は、状態量xの入力パラメータuに対する動特性、及び、状態量の過去の予測値xと物理モデルMの予測値f(u,θphy)との差分値を変数とする関数である。
上記(2)式は、次式に変形可能である。
dx/dt=NN(x,u,θNN)-θcоef(x-f(u,θphy)) (3)
上記(2)式の右辺第2項(h(x-f(u,θphy)))を、非線形成分及び線形成分に分離可能である。このうち非線形成分は上記(2)式の右辺第1項(未知の動特性g(x,u))とともにニューラルネットワークで表現するとともに、線形成分は、状態量と物理モデルの線形式で表現する。これにより、ニューラルODEと静的な物理モデルMを組み合わせることで、動特性を考慮した状態量xの予測が可能となる。
dx/dt=NN(x,u,θNN)-θcоef(x-f(u,θphy)) (3)
上記(2)式の右辺第2項(h(x-f(u,θphy)))を、非線形成分及び線形成分に分離可能である。このうち非線形成分は上記(2)式の右辺第1項(未知の動特性g(x,u))とともにニューラルネットワークで表現するとともに、線形成分は、状態量と物理モデルの線形式で表現する。これにより、ニューラルODEと静的な物理モデルMを組み合わせることで、動特性を考慮した状態量xの予測が可能となる。
尚、上記(3)式において、ニューラルネットワークに含まれる係数θNN、線形成分に含まれる線形変数θcоef、及び、物理パラメータθphyは、教師データを用いて予め学習される。学習手法としては、誤差逆伝播法をはじめ各種手法を用いることができる。
第1微分予測値算出部4は、第1微分予測値DP1として、前述の(3)式の第1項(NN(x,u,θNN))を予測値として出力するためのニューラルネットワークとして構成される。具体的には、第1微分予測値算出部4には、入力パラメータu及び状態量xの過去の予測値が入力され、第1微分予測値DP1としてNN(x,u,θNN)が出力される。
図2は図1の第1微分予測値算出部4が有するニューラルネットワークNNの模式図である。ニューラルネットワークNNは、複数の入力パラメータu1,u2、・・・が入力される入力層12と、予測結果として第1微分予測値DP1を出力する出力層14と、入力層12及び出力層14間にある複数のノードを含む中間層16(隠れ層)とを備える。このようなニューラルネットワークNNは、前述したように予め学習されるが、中間層16が有するノードとして、物理モデルMが有する物理パラメータθphyを含め、物理パラメータθphyをニューラルネットワークに含まれる係数θNN、及び、線形成分に含まれる線形変数θcоefとともに同時に学習してもよい。
物理モデルMが有する固有の物理パラメータθphyについて、その値を陽に導出できない場合がある。この場合、物理パラメータθphyは人間が仮値を設定することが考えられるが、このように設定された物理パラメータθphyは真値に対して誤差を含む可能性が高い。また物理パラメータθphyを運転データに基づいて同定することも考えられるが、この場合も物理モデルMの構造が誤差を含んでいると、同定によって得られる物理パラメータθphyの値が、真値に対して誤差を含んだ値となる可能性がある。それに対して、上述のように物理パラメータθphyを、ニューラルネットワークに含まれる係数θNN、及び、線形成分に含まれる線形変数θcоefとともに同時に学習することで、物理モデルM単体での予測誤差を低減し、状態量xの推定精度向上が期待できる。
この場合、学習によって求められる物理パラメータθphyが許容範囲から逸脱した場合に、物理パラメータθphyに対して正則化を行ってもよい。許容範囲は、物理パラメータθphyが経験的又は理論的に想定される範囲として予め設定される。学習によって許容範囲から逸脱した物理パラメータθphyが得られた場合、物理パラメータθphyを反映した物理モデルMは、真のモデルから乖離してしまい汎化性能が失われてしまうおそれがある。そこで、物理パラメータθphyに対して、例えば物理的に考えられる真値の範囲として許容範囲を予め設定しておき、当該範囲から逸脱した際に、損失関数値が増大するよう正則化を行う。このような正則化によって、物理パラメータθphyが許容範囲内で収束するように学習でき、その結果、物理モデルMが真のモデルから乖離せず、汎化性能を高く保つことができる。
第2微分予測値算出部6は、第2微分予測値DP2として、前述の(3)式の第2項(θcоef(x-f(u,θphy)))を出力するように構成される。具体的には、第2微分予測値算出部6には、入力パラメータuが入力されるとともに、状態量xの過去の予測値がフィードバック入力され、第2微分予測値DP2としてθcоef(x-f(u,θphy))が出力される。
尚、第1微分予測値算出部4及び第2微分予測値算出部6に入力される入力パラメータuは、互いに共通であってもよいし、異なっていてもよい(すなわち両者は完全一致していなくともよい)。
尚、第1微分予測値算出部4及び第2微分予測値算出部6に入力される入力パラメータuは、互いに共通であってもよいし、異なっていてもよい(すなわち両者は完全一致していなくともよい)。
状態量予測値算出部8は、第1微分予測値算出部4で算出された第1微分予測値DP1、及び、第2微分予測値算出部6で算出された第2微分予測値DP2に基づいて、状態量の予測値xを算出する。具体的には、状態量予測値算出部8は、減算器10に第1微分予測値DP1及び第2微分予測値DP2を入力することで、第1微分予測値DP1及び第2微分予測値DP2の差分として、微分予測値dx/dtを算出する。そして減算器10から出力された微分予測値dx/dtは積分器11に入力されることにより、状態量xの予測値が算出される。
ここで状態量予測値算出部8は、微分予測値dx/dtを積分演算することで状態量の予測値を算出するため、状態量xの初期値が必要となる。そのため、状態量予測値算出部8は、微分予測値がゼロになる条件(すなわち状態量が静定していること)、具体的には次式
を満たす状態量を初期値xinitとしてもよい。具体的には、式(5)を非線形最適化手法(例えば準ニュートン法、逐次二次計画法等)で解いて導出した値を、初期値xinitとして採用してもよい。これにより、正しい初期値xinitを基に状態量xの予測を行うことができ、誤差のある初期値xinitを基に予測を行った場合と比較して、予測精度の向上が期待できる。
を満たす状態量を初期値xinitとしてもよい。具体的には、式(5)を非線形最適化手法(例えば準ニュートン法、逐次二次計画法等)で解いて導出した値を、初期値xinitとして採用してもよい。これにより、正しい初期値xinitを基に状態量xの予測を行うことができ、誤差のある初期値xinitを基に予測を行った場合と比較して、予測精度の向上が期待できる。
続いて上記構成を有する状態量予測装置1の具体的な適用例について説明する。ここでは、機器の状態量を予測する場合の具体的な一例として、排煙脱硫プラントの吸収塔で用いられる吸収液の吸収剤濃度を状態量として予測する場合について例示的に述べるが、他の例としては、ガスタービン、蒸気タービン、大型冷凍機、エアコン等を対象としてもよい。
図3は脱硫装置20の構成を概略的に示す図である。脱硫装置20は、火力発電所などのプラント設備のボイラ(不図示)に付随して設置され、ボイラの排気通路23aを流れる排ガスG0に含まれる微粒子を収集する集塵装置22と、集塵装置22の下流側において、集塵装置22を通過した排ガスG1が流れる排気通路23bに設置された吸収塔24と、を備える。
集塵装置22は、ケーシング内に供給された排ガスG0に対してコロナ放電を行うことで、排ガスG0に含まれる微粒子を帯電させ、正負に荷電させた付着部に対して電気的吸引力によって付着させることで集塵する電気集塵器である。集塵装置22によって集塵処理が行われた排ガスG1は、排気通路23bを介して吸収塔24に供給される。
吸収塔24は、集塵装置22で集塵処理が行われた排ガスG1に対して、石灰石30を含む吸収液26を接触させることで排ガスG1中のSO2(二酸化硫黄)を吸収することにより、脱硫処理を行う。吸収塔24の底部には吸収液26が貯留されている。吸収液26は、吸収塔24の外部に設けられた石灰石フィーダ28から供給される石灰石30が、吸収塔24の底部に供給される水32と混合されることで生成される。
尚、本実施形態では、石灰石フィーダ28から石灰石30を水32に供給することで吸収液26が生成される場合を例示しているが、これに代えて、石灰石を含む石灰石スラリーを水32に供給することで吸収液26を生成するようにしてもよい。
尚、本実施形態では、石灰石フィーダ28から石灰石30を水32に供給することで吸収液26が生成される場合を例示しているが、これに代えて、石灰石を含む石灰石スラリーを水32に供給することで吸収液26を生成するようにしてもよい。
吸収塔24の底部に貯留された吸収液26は、吸収液循環ポンプ34により圧送され、吸収塔24の外部に設けられた吸収液ヘッダ36を介して、吸収塔24内の上部に供給される。吸収液循環ポンプ34は、互いに並列に接続された複数台のポンプユニットから構成されており、各ポンプユニットの運転状態が制御される。例えばポンプユニットが可変容量方式(動翼方式)である場合には、各ポンプユニットの容量を可変に調整することで吸収液循環ポンプ34から圧送される吸収液26の流量制御が可能である。またポンプユニットが固定容量方式(固定翼方式)である場合には、ポンプユニットの動作台数を調整することで吸収液循環ポンプ34から圧送される吸収液26の流量制御が可能である。このように吸収塔24内の上部に供給された吸収液26は、吸収塔24内の上部に設けられたノズル38から散布されて落下する過程において、吸収塔24内を上昇する排ガスG1と接触する。これにより、排ガスG1に含まれるSO2が吸収液26中の石灰石30と反応し、脱硫処理が行われる。
尚、ノズル38からの吸収液26の散布及び落下方式は、グリッド式であってもよいし、液柱方式であってもよいし、スプレー方式であってもよい。
尚、ノズル38からの吸収液26の散布及び落下方式は、グリッド式であってもよいし、液柱方式であってもよいし、スプレー方式であってもよい。
下記(1)式は、吸収塔4で実施される脱硫処理の化学反応式である。脱硫反応では石灰石30と排ガスG1に含まれるSO2とが反応することで石膏34(CaCO4・2H2O)が副産物として生成される。SO2が除去された排ガスG2は、吸収塔24の頂部から脱硫排ガス管25を介して外部に排出される。
SO2+1/2O2+CaCO3+2H2O→CaCO4・2H2O+CO2 (1)
SO2+1/2O2+CaCO3+2H2O→CaCO4・2H2O+CO2 (1)
また、吸収塔24の底部に貯留された吸収液26の一部は、吸収液循環ポンプ34により圧送されつつ吸収塔24の外部の吸収液ヘッダ36から分岐した抜出管40を経て脱水器42に送られる。脱水器42は、例えば、ベルトフィルタで構成され、当該ベルトフィルタで搬送される過程で吸収液26を脱水処理し、生成された石膏34が系外に排出される。
尚、脱水器42の脱水処理で生じたろ過液は、水32として吸収塔24の底部に供給されることで再利用される。
尚、脱水器42の脱水処理で生じたろ過液は、水32として吸収塔24の底部に供給されることで再利用される。
また吸収塔24の底部には、酸化用空気46が供給される。これにより、吸収液26には酸化用空気46が含まれることでSO2排ガスから吸収液26中に移行し生成した亜硫酸基から硫酸基への酸化が促進され、この結果として排ガス中のSO2の除去効率も向上する。
尚、ノズル38からの吸収液26の散布及び落下方式がグリッド式である場合には、吸収液26が落下する過程で酸化されるため酸化用空気46の供給が省略されてもよい。
尚、ノズル38からの吸収液26の散布及び落下方式がグリッド式である場合には、吸収液26が落下する過程で酸化されるため酸化用空気46の供給が省略されてもよい。
このような脱硫装置1には、前述の入力パラメータuとして選択可能な少なくとも1つのセンサが配置される。本実施形態では、吸収塔24の出口側におけるSO2濃度u1(脱硫出口SO2濃度[ppm])を検出するためのSO2濃度センサ50と、吸収塔24の入口側におけるSO2濃度u2(脱硫入口SO2濃度[ppm])を検出するためのSO2濃度センサ52と、吸収塔24で生成される石灰石スラリの流量u3(吸収塔石灰石スラリ流量[m3/h])を検出するための石灰石スラリ流量センサ54と、ボイラ空気流量u5[%]を検出するためのボイラ空気流量センサ56と、吸収塔24で生成される石灰石スラリの濃度u6(吸収塔石灰石スラリ濃度[wt%]を検出するための石灰石スラリ濃度センサ58と、吸収塔24に供給される酸化用空気流量u7[m3N/h]を検出するための酸化用空気流量センサ60と、吸収塔24における吸収液26のpHu8(吸収塔pH)を検出するためのpHセンサ62と、吸収塔24における吸収液26のレベルu9(吸収塔レベル[m])を検出するためのレベルセンサ64とが設けられている。
またボイラ(不図示)で生成された蒸気で発電を行う発電機(不図示)に対する発電指令信号u4もまた、入力パラメータuとして取得可能な構成になっている。
またボイラ(不図示)で生成された蒸気で発電を行う発電機(不図示)に対する発電指令信号u4もまた、入力パラメータuとして取得可能な構成になっている。
これら各センサの検出値の少なくとも1つは、入力パラメータuとして前述の状態量予測装置1に入力されることで、状態量予測装置1は、状態量xとして、吸収塔24における吸収剤(炭酸カルシウム)濃度[mmоl/L]を予測する。
尚、状態量予測装置1では、物理モデルMが有する物理パラメータθphyとして、排煙脱硫装置20に関する各種パラメータを用いることができるが、例えば、吸収液26における石灰石の活性、吸収塔24の入口ガス中水分率、吸収塔24での増湿率の少なくとも1つを含んでもよい。
このような構成を有する状態量予測装置1は、脱硫装置20に配置された各センサに対して、ネットワークを介して接続されることにより、各センサで検出された結果を入力パラメータuとして取得できる。これにより、状態量予測装置1では、入力パラメータuに対応する状態量xとして吸収剤(炭酸カルシウム)濃度[mmоl/L]を予測でき、排煙脱硫装置20の運用に活用することができる。
その他、本開示の趣旨を逸脱しない範囲で、上記した実施形態における構成要素を周知の構成要素に置き換えることは適宜可能であり、また、上記した実施形態を適宜組み合わせてもよい。
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)一態様に係る状態量予測装置は、
静的状態にある機器に対応する物理モデルを用いて、前記機器に関する入力パラメータ(u)に対応する前記機器の状態量(x)を予測するための状態量予測装置(1)であって、
前記状態量の前記入力パラメータに対する動特性、及び、前記状態量の過去の予測値と前記物理モデルの予測値との差分値を変数とする関数の非線形成分に対応し、前記入力パラメータ、及び、前記状態量の過去の予測値を入力するとともに、第1微分予測値(DP1)を出力する学習済みのニューラルネットワーク(NN)を有する第1微分予測値算出部(4)と、
前記関数の線形成分に対応し、前記入力パラメータ及び前記過去の予測値を入力するとともに、第2微分予測値(DP2)を出力する第2微分予測値算出部(6)と、
前記第1微分予測値及び前記第2微分予測値に基づいて算出された微分予測値を積分することにより、前記状態量の予測値を算出する状態量予測値算出部(8)と、
を備える。
静的状態にある機器に対応する物理モデルを用いて、前記機器に関する入力パラメータ(u)に対応する前記機器の状態量(x)を予測するための状態量予測装置(1)であって、
前記状態量の前記入力パラメータに対する動特性、及び、前記状態量の過去の予測値と前記物理モデルの予測値との差分値を変数とする関数の非線形成分に対応し、前記入力パラメータ、及び、前記状態量の過去の予測値を入力するとともに、第1微分予測値(DP1)を出力する学習済みのニューラルネットワーク(NN)を有する第1微分予測値算出部(4)と、
前記関数の線形成分に対応し、前記入力パラメータ及び前記過去の予測値を入力するとともに、第2微分予測値(DP2)を出力する第2微分予測値算出部(6)と、
前記第1微分予測値及び前記第2微分予測値に基づいて算出された微分予測値を積分することにより、前記状態量の予測値を算出する状態量予測値算出部(8)と、
を備える。
上記(1)の構成によれば、静的な物理モデルに基づいて得られる予測値と過去の予測値との差分値を変数とする関数が非線形成分と線形成分に分けられる。非線形成分は、状態量の入力パラメータに対する動特性とともに学習済みニューラルネットワークによって第1微分予測値の算出に用いられる。第1微分予測値は、一方の線形成分に基づいて求められる第2微分予測値とともに微分予測値の算出に用いられる。このように算出された微分予測値は積分演算されることで、状態量が予測される。これにより、機器について静的な物理モデルしか得られない場合においても、動特性を考慮した状態量の予測を精度よく行うことができる。
尚、「静的状態にある機器」とは、機器が動特性を考慮しない状態にあることを意味し、例えば、機器に関する入力パラメータと機器の状態量との関係が静的な数式で表現可能な状態にあることをいう。
尚、「静的状態にある機器」とは、機器が動特性を考慮しない状態にあることを意味し、例えば、機器に関する入力パラメータと機器の状態量との関係が静的な数式で表現可能な状態にあることをいう。
(2)他の態様では、上記(1)の態様において、
前記ニューラルネットワークは、前記線形成分が有する線形係数、及び、前記物理モデルに含まれる前記機器に関する物理パラメータとともに学習される。
前記ニューラルネットワークは、前記線形成分が有する線形係数、及び、前記物理モデルに含まれる前記機器に関する物理パラメータとともに学習される。
上記(2)の構成によれば、ニューラルネットワークの学習を、線形成分が有する線形係数、及び、物理モデルに含まれる機器に関する物理パラメータの学習と同時に行うことで、物理モデル単体での予測誤差を低減し、状態量xの推定精度向上が期待できる。
(3)他の態様では、上記(2)の態様において、
前記物理パラメータが予め設定された許容範囲から逸脱した場合に、前記物理パラメータに対して正則化を実施する。
前記物理パラメータが予め設定された許容範囲から逸脱した場合に、前記物理パラメータに対して正則化を実施する。
上記(3)の構成によれば、学習によって求められる物理パラメータに対して、例えば物理的に考えられる真値の範囲として許容範囲を予め設定しておき、当該範囲から逸脱した際に正則化を実施する。これにより、物理パラメータが許容範囲内で収束するように学習でき、その結果、物理モデルMが真のモデルから乖離せず、汎化性能を高く保つことができる。
(4)他の態様では、上記(1)から(3)のいずれか一態様において、
前記状態量予測部は、前記微分予測値がゼロになる条件を満たす前記状態量を初期値として、前記微分予測値の積分を行う。
前記状態量予測部は、前記微分予測値がゼロになる条件を満たす前記状態量を初期値として、前記微分予測値の積分を行う。
上記(4)の構成によれば、微分予測値が積分演算することで状態量の予測値が算出される際に必要となる状態量の初期値が、微分予測値がゼロになる条件(すなわち状態量が静定していること)のもと求められる。これにより、信頼性が高い初期値を基に状態量の予測を行うことができ、誤差のある初期値を基に予測を行った場合と比較して、予測精度の向上が期待できる。
(5)他の態様では、上記(1)から(4)のいずれか一態様において、
前記機器は、吸収塔で排煙に吸収液を接触させることで、前記排煙を脱硫するための排煙脱硫プラントであり、
前記状態量は前記吸収塔における前記吸収液の吸収剤濃度である。
前記機器は、吸収塔で排煙に吸収液を接触させることで、前記排煙を脱硫するための排煙脱硫プラントであり、
前記状態量は前記吸収塔における前記吸収液の吸収剤濃度である。
上記(5)の構成によれば、排煙脱硫プラントが備える吸収塔における吸収液の吸収剤濃度を状態量として好適に予測することができる。
(6)他の態様では、上記(5)の態様において、
前記入力パラメータは、前記吸収塔の脱硫出口SO2濃度、前記吸収塔の脱硫入口SO2濃度、前記吸収塔で生成される石灰石スラリの流量若しくは濃度、前記排煙を排出するボイラで生成された蒸気で発電を行う発電機に対する発電指令信号、前記排煙を排出するボイラにおける空気流量、前記吸収塔に供給される酸化用空気流量、前記吸収塔における前記吸収液のpH、又は、前記吸収塔における前記吸収液のレベルの少なくとも1つを含む。
前記入力パラメータは、前記吸収塔の脱硫出口SO2濃度、前記吸収塔の脱硫入口SO2濃度、前記吸収塔で生成される石灰石スラリの流量若しくは濃度、前記排煙を排出するボイラで生成された蒸気で発電を行う発電機に対する発電指令信号、前記排煙を排出するボイラにおける空気流量、前記吸収塔に供給される酸化用空気流量、前記吸収塔における前記吸収液のpH、又は、前記吸収塔における前記吸収液のレベルの少なくとも1つを含む。
上記(6)の構成によれば、これらのパラメータの少なくとも1つを入力パラメータに含めることで、排煙脱硫プラントが備える吸収塔における吸収液の吸収剤濃度を状態量として好適に予測できる。
(7)他の態様では、上記(5)又は(6)の態様において、
前記物理モデルは、前記機器に関する物理パラメータとして、石灰石の活性、前記吸収塔の入口ガス中水分率、前記吸収塔での増湿率の少なくとも1つを含む。
前記物理モデルは、前記機器に関する物理パラメータとして、石灰石の活性、前記吸収塔の入口ガス中水分率、前記吸収塔での増湿率の少なくとも1つを含む。
上記(7)の構成によれば、これらのパラメータの少なくとも1つを物理パラメータに含めることで、排煙脱硫プラントが備える吸収塔における吸収液の吸収剤濃度を状態量として好適に予測できる。
(8)一態様に係る状態量予測方法は、
静的状態にある機器に対応する物理モデルを用いて、前記機器に関する入力パラメータに対応する前記機器の状態量を予測するための状態量予測方法であって、
前記状態量の前記入力パラメータに対する動特性、及び、前記状態量の過去の予測値と前記物理モデルの予測値との差分値を変数とする関数の非線形成分に対応し、前記入力パラメータ、及び、前記状態量の過去の予測値を入力するとともに、第1微分予測値を出力する学習済みのニューラルネットワークを有する工程と、
前記関数の線形成分に対応し、前記入力パラメータ及び前記過去の予測値を入力するとともに、第2微分予測値を出力する工程と、
前記第1微分予測値及び前記第2微分予測値に基づいて算出された微分予測値を積分することにより、前記状態量の予測値を算出する工程と、
を備える。
静的状態にある機器に対応する物理モデルを用いて、前記機器に関する入力パラメータに対応する前記機器の状態量を予測するための状態量予測方法であって、
前記状態量の前記入力パラメータに対する動特性、及び、前記状態量の過去の予測値と前記物理モデルの予測値との差分値を変数とする関数の非線形成分に対応し、前記入力パラメータ、及び、前記状態量の過去の予測値を入力するとともに、第1微分予測値を出力する学習済みのニューラルネットワークを有する工程と、
前記関数の線形成分に対応し、前記入力パラメータ及び前記過去の予測値を入力するとともに、第2微分予測値を出力する工程と、
前記第1微分予測値及び前記第2微分予測値に基づいて算出された微分予測値を積分することにより、前記状態量の予測値を算出する工程と、
を備える。
上記(8)の構成によれば、静的な物理モデルに基づいて得られる予測値と過去の予測値との差分値を変数とする関数が非線形成分と線形成分に分けられる。非線形成分は、状態量の入力パラメータに対する動特性とともに学習済みニューラルネットワークによって第1微分予測値の算出に用いられる。第1微分予測値は、一方の線形成分に基づいて求められる第2微分予測値とともに微分予測値の算出に用いられる。このように算出された微分予測値は積分演算されることで、状態量が予測される。これにより、機器について静的な物理モデルしか得られない場合においても、動特性を考慮した状態量の予測を精度よく行うことができる。
1 状態量予測装置
2 演算処理部
4 第1微分予測値算出部
6 第2微分予測値算出部
8 状態量予測値算出部
10 減算器
11 積分器
12 入力層
14 出力層
16 中間層
u 入力パラメータ
x 情愛量
DP1 第1微分予測値
DP2 第2微分予測値
NN ニューラルネットワーク
20 脱硫装置
22 集塵装置
23a、23b 排気通路
24 吸収塔
25 脱硫排ガス管
26 吸収液
28 石灰石フィーダ
30 石灰石
32 水
34 吸収液循環ポンプ
35 石膏
36 吸収液ヘッダ
38 ノズル
40 抜出管
42 脱水器
46 酸化用空気
50、52 SO2濃度センサ
54 石灰石スラリ流量センサ
56 ボイラ空気流量センサ
58 石灰石スラリ濃度センサ
60 酸化用空気流量センサ
62 pHセンサ
64 レベルセンサ
2 演算処理部
4 第1微分予測値算出部
6 第2微分予測値算出部
8 状態量予測値算出部
10 減算器
11 積分器
12 入力層
14 出力層
16 中間層
u 入力パラメータ
x 情愛量
DP1 第1微分予測値
DP2 第2微分予測値
NN ニューラルネットワーク
20 脱硫装置
22 集塵装置
23a、23b 排気通路
24 吸収塔
25 脱硫排ガス管
26 吸収液
28 石灰石フィーダ
30 石灰石
32 水
34 吸収液循環ポンプ
35 石膏
36 吸収液ヘッダ
38 ノズル
40 抜出管
42 脱水器
46 酸化用空気
50、52 SO2濃度センサ
54 石灰石スラリ流量センサ
56 ボイラ空気流量センサ
58 石灰石スラリ濃度センサ
60 酸化用空気流量センサ
62 pHセンサ
64 レベルセンサ
Claims (8)
- 静的状態にある機器に対応する物理モデルを用いて、前記機器に関する入力パラメータに対応する前記機器の状態量を予測するための状態量予測装置であって、
前記状態量の前記入力パラメータに対する動特性、及び、前記状態量の過去の予測値と前記物理モデルの予測値との差分値を変数とする関数の非線形成分に対応し、前記入力パラメータ、及び、前記状態量の過去の予測値を入力するとともに、第1微分予測値を出力する学習済みのニューラルネットワークを有する第1微分予測値算出部と、
前記関数の線形成分に対応し、前記入力パラメータ及び前記過去の予測値を入力するとともに、第2微分予測値を出力する第2微分予測値算出部と、
前記第1微分予測値及び前記第2微分予測値に基づいて算出された微分予測値を積分することにより、前記状態量の予測値を算出する状態量予測値算出部と、
を備える、状態量予測装置。 - 前記ニューラルネットワークは、前記線形成分が有する線形係数、及び、前記物理モデルに含まれる前記機器に関する物理パラメータとともに学習される、請求項1に記載の状態量予測装置。
- 前記物理パラメータが予め設定された許容範囲から逸脱した場合に、前記物理パラメータに対して正則化を実施する、請求項2に記載の状態量予測装置。
- 前記状態量予測部は、前記微分予測値がゼロになる条件を満たす前記状態量を初期値として、前記微分予測値の積分を行う、請求項1から3のいずれか一項に記載の状態量予測装置。
- 前記機器は、吸収塔で排煙に吸収液を接触させることで、前記排煙を脱硫するための排煙脱硫プラントであり、
前記状態量は前記吸収塔における前記吸収液の吸収剤濃度である、請求項1から4のいずれか一項に記載の状態量予測装置。 - 前記入力パラメータは、前記吸収塔の脱硫出口SO2濃度、前記吸収塔の脱硫入口SO2濃度、前記吸収塔で生成される石灰石スラリの流量若しくは濃度、前記排煙を排出するボイラで生成された蒸気で発電を行う発電機に対する発電指令信号、前記排煙を排出するボイラにおける空気流量、前記吸収塔に供給される酸化用空気流量、前記吸収塔における前記吸収液のpH、又は、前記吸収塔における前記吸収液のレベルの少なくとも1つを含む、請求項5に記載の状態量予測装置。
- 前記物理モデルは、前記機器に関する物理パラメータとして、石灰石の活性、前記吸収塔の入口ガス中水分率、前記吸収塔での増湿率の少なくとも1つを含む、請求項5又は6に記載の状態量予測装置。
- 静的状態にある機器に対応する物理モデルを用いて、前記機器に関する入力パラメータに対応する前記機器の状態量を予測するための状態量予測方法であって、
前記状態量の前記入力パラメータに対する動特性、及び、前記状態量の過去の予測値と前記物理モデルの予測値との差分値を変数とする関数の非線形成分に対応し、前記入力パラメータ、及び、前記状態量の過去の予測値を入力するとともに、第1微分予測値を出力する学習済みのニューラルネットワークを有する工程と、
前記関数の線形成分に対応し、前記入力パラメータ及び前記過去の予測値を入力するとともに、第2微分予測値を出力する工程と、
前記第1微分予測値及び前記第2微分予測値に基づいて算出された微分予測値を積分することにより、前記状態量の予測値を算出する工程と、
を備える、状態量予測方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021195234A JP2023081485A (ja) | 2021-12-01 | 2021-12-01 | 状態量予測装置、及び、状態量予測方法 |
US18/058,362 US20230166211A1 (en) | 2021-12-01 | 2022-11-23 | State quantity prediction device and state quantity prediction method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021195234A JP2023081485A (ja) | 2021-12-01 | 2021-12-01 | 状態量予測装置、及び、状態量予測方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2023081485A true JP2023081485A (ja) | 2023-06-13 |
Family
ID=86500541
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021195234A Pending JP2023081485A (ja) | 2021-12-01 | 2021-12-01 | 状態量予測装置、及び、状態量予測方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20230166211A1 (ja) |
JP (1) | JP2023081485A (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116559105B (zh) * | 2023-07-06 | 2023-11-14 | 国科大杭州高等研究院 | 一种基于气体红外光谱检测技术的线性化读出电路系统 |
-
2021
- 2021-12-01 JP JP2021195234A patent/JP2023081485A/ja active Pending
-
2022
- 2022-11-23 US US18/058,362 patent/US20230166211A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
US20230166211A1 (en) | 2023-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10416619B2 (en) | System modeling, control and optimization | |
Wu et al. | Solvent-based post-combustion CO2 capture for power plants: A critical review and perspective on dynamic modelling, system identification, process control and flexible operation | |
KR101484496B1 (ko) | 산소 연료 연소 파워 플랜트를 위한 최적화된 통합 제어 | |
Zhang et al. | Development of model and model-predictive control of an MEA-based postcombustion CO2 capture process | |
US8577822B2 (en) | Data-driven approach to modeling sensors wherein optimal time delays are determined for a first set of predictors and stored as a second set of predictors | |
Wu et al. | Intelligent predictive control of large-scale solvent-based CO2 capture plant using artificial neural network and particle swarm optimization | |
US9910413B2 (en) | Automatic tuning control system for air pollution control systems | |
Shalaby et al. | A machine learning approach for modeling and optimization of a CO2 post-combustion capture unit | |
US20060121616A1 (en) | Method and system for increasing efficiency of FGD operation in fossil fuel boilers | |
KR102283207B1 (ko) | 인공지능을 이용한 화력발전소의 배가스 처리방법 및 인공지능을 이용한 화력발전소의 배가스 처리장치 | |
CN112085196A (zh) | 一种基于sca算法优化bp神经网络的scr脱硝系统的喷氨调节方法 | |
CN112742187A (zh) | 一种脱硫系统中pH值的控制方法及装置 | |
US20230166211A1 (en) | State quantity prediction device and state quantity prediction method | |
CN114225662B (zh) | 一种基于滞后模型的烟气脱硫脱硝优化控制方法 | |
CN113175678A (zh) | 垃圾焚烧的监控方法及装置 | |
Si et al. | Inferential sensor for on-line monitoring of ammonium bisulfate formation temperature in coal-fired power plants | |
Dabadghao et al. | Multiscale modeling and nonlinear model predictive control for flue gas desulfurization | |
Yang et al. | Dynamic optimization oriented modeling and nonlinear model predictive control of the wet limestone FGD system | |
Lebukan et al. | Implementation of plant-wide PI-fuzzy controller in tennessee eastman process | |
WO2022210827A1 (ja) | 湿式排煙脱硫装置の制御方法、湿式排煙脱硫装置の制御装置、この湿式排煙脱硫装置の制御装置を備えた遠隔監視システム、情報処理装置、及び、情報処理システム | |
WO2023228901A1 (ja) | 状態量予測装置、状態量予測方法、状態量予測システム、及び状態量予測システムの制御方法 | |
JP7273202B2 (ja) | 排煙脱硫(fgd)ユニットの性能最適化のための方法およびシステム | |
US20230166212A1 (en) | Automated co2 capture process control system with solvent property prediction | |
Liu et al. | Set-point Determination and Regualtion for Flue Gas Desulphurization Process by ELM-assisted MOPSO and LQIR controller | |
JPH1066825A (ja) | 脱硫制御装置 |