JP2024018002A - 運転管理支援装置及び運転管理支援方法 - Google Patents

Abstract

【課題】プラントの運転員による意思決定の迅速化及び精度向上を支援する。【解決手段】運転管理支援装置１００は、プラント２１０の運転に関する所定の制御について、プラント２１０の実績を示す計測データを入力して、１以上の制御値予測モデルから制御値予測モデルごとの予測制御値を算出する制御値予測モデル計算部１５０と、制御値予測モデルごとの予測制御値を入力して、結果予測モデルから制御値予測モデルごとの予測制御結果を算出する結果予測モデル計算部１６０と、制御値予測モデルごとの予測制御結果と予め定められたプラント２１０の制御目標値とを比較して、各予測制御結果を算出した制御値予測モデルの精度を評価することにより、プラント２１０に適用して好適な制御値予測モデルを判断する精度評価処理部１７０と、予測制御値及び評価の結果を少なくとも含む処理結果情報を出力する出力処理部（表示処理部１８０）と、を備える。【選択図】図１

Description

本発明は、運転管理支援装置及び運転管理支援方法に関し、上下水プラント、化学プラント、電力プラント、またはゴミ処理場等の運転管理システムを支援する運転管理支援装置及び運転管理支援方法に適用して好適なものである。

上下水プラントでは、人口減少に伴う需要の減少、施設の老朽化、及び人材不足などの課題に対応するために、施設の統廃合や再配置が進められている。特に水道分野では、２０１８年に改正された水道法において、水道事業者の努力義務として、長期的な観点から水道施設の計画的な更新が記述されており、施設の統廃合や再配置の重要性が明確化されている。

現状、上下水プラントもしくは化学、電力プラントなどのプラント管理業務は、運転員の目視と経験を頼りにして管理している場面があり、プラントが２４時間連続操業しているなかで、運転員を常時滞在させることにより対応していることが多い。しかし、将来人材不足が発生したときの解決策を今から考える必要がある。人員配置を効率化するために施設の統廃合や再配置を進めると、統合拠点から集中監視する体制となる。今後、統合拠点からの集中監視体制に切り替える事業体は増加していくと予想されるが、人員再配置の結果、運転員一人当たりの業務量の増加、及び経験の少ない施設の管理による判断力の低下などが懸念される。また、熟練の運転員が減少するため、経験の少ない運転員へのノウハウ及び技術の継承がさらに困難になることも懸念される。

上記のような状況への対応として、人員の再配置後も施設の維持管理業務を継続するために、運転員の五感または経験をＩｏＴ（Internet of Things）及びＡＩ（Artificial Intelligence）技術で代替するソリューションが近年提供されている。また、ディープラーニングなどの機械学習技術を用いて、異常検知、制御値及び結果の予測等を行うシステムも提供されている。

例えば特許文献１には、より精度の高い予測モデルをより効率的に生成することを目的とした予測システムとして、「制御対象を制御するための制御演算を実行する制御演算部と、制御演算部が参照可能な状態値のうち１または複数の状態値を予測モデルに入力することで予測値を算出する予測部と、予測モデルを予め生成する予測モデル生成部とを含む。予測モデル生成部は、予測対象の時系列データと、対応する１または複数の状態値の時系列データとを含む第１の学習用データセットに基づいて第１の予測モデルを生成する手段と、１または複数の状態値の実績値が予め定められた条件を満たすと、当該１または複数の状態値の実績値を第１の学習用データセットに追加して生成される第２の学習用データセットに基づいて第２の予測モデルを生成する手段と、第１の予測モデルの性能と第２の予測モデルの性能とを提示する手段とを含む、予測システム」が記載されている。

特開２０２２－２８３３８号公報

上述した特許文献１のように、従来、プラント運転に関わる制御値の予測に機械学習を用いるシステムが提案されている。しかし、機械学習は学習に使用したデータの範囲内で精度の高い制御値予測モデルを作成できる反面、学習に使用したデータの範囲を逸脱する場合、すなわちこれまでに実績のない条件になった場合に、正確な制御値を予測できない可能性があった。また、制御値予測モデルの内容がブラックボックスであるため、説明性に課題があった。さらに、プラントごとに仕様がそれぞれ異なることから、プラントの知見などが活用（横展開）され難いという課題もあった。

例えば特許文献１では、第１の制御の結果を予測するモデルと、計測データが過去の実績から外れたことを検知する外れ値検知モデルとを具備し、計測データが過去の実績から外れたことを外れ値検知モデルが検知した場合に、新しい第２の結果予測モデルを作成し、第１及び第２の結果予測モデルの性能を提示する。このとき、結果予測モデルに必要な計測データを入力したうえで、制御値をパラメータとして入力し、最適な結果を出力するときの制御値を算出し、運転員に提示する処理を追加する必要があるが、結果予測モデルの内容がブラックボックスであることから、説明性に課題が残っていた。

本発明は以上の点を考慮してなされたもので、プラントの運転員による意思決定の迅速化及び精度向上を支援することが可能な運転管理支援装置及び運転管理支援方法を提案しようとするものである。

かかる課題を解決するため本発明においては、プラントの運転に関する所定の制御について、前記プラントの実績を示す計測データを入力として前記制御における制御値の予測値である予測制御値を算出する１以上の制御値予測モデルと、前記予測制御値を入力として前記制御の制御結果の予測値である予測制御結果を算出する結果予測モデルと、前記計測データを入力して、１以上の前記制御値予測モデルから制御値予測モデルごとの予測制御値を算出する制御値予測モデル計算部と、前記制御値予測モデル計算部によって算出された制御値予測モデルごとの予測制御値を入力して、前記結果予測モデルから制御値予測モデルごとの予測制御結果を算出する結果予測モデル計算部と、前記結果予測モデル計算部によって算出された制御値予測モデルごとの予測制御結果と予め定められた前記プラントの制御目標値とを比較して、それぞれの予測制御結果を算出した制御値予測モデルの精度を評価することにより、前記プラントに適用して好適な制御値予測モデルを判断する精度評価処理部と、前記制御値予測モデル計算部によって算出された予測制御値、及び前記精度評価処理部による評価の結果を少なくとも含む処理結果情報を出力する出力処理部と、を備えることを特徴とする運転管理支援装置が提供される。

また、かかる課題を解決するため本発明においては、プラントの運転に関する所定の制御に対する運転員の意思決定を支援する運転管理支援装置による運転管理支援方法であって、前記運転管理支援装置は、前記プラントの実績を示す計測データを入力として前記制御における制御値の予測値である予測制御値を算出する１以上の制御値予測モデルと、前記予測制御値を入力として前記制御の制御結果の予測値である予測制御結果を算出する結果予測モデルと、を有し、前記運転管理支援装置が、前記計測データを入力して、１以上の前記制御値予測モデルから制御値予測モデルごとの予測制御値を算出する制御値予測モデル計算ステップと、前記運転管理支援装置が、前記制御値予測モデル計算ステップで算出された制御値予測モデルごとの予測制御値を入力して、前記結果予測モデルから制御値予測モデルごとの予測制御結果を算出する結果予測モデル計算ステップと、前記運転管理支援装置が、前記結果予測モデル計算ステップで算出された制御値予測モデルごとの予測制御結果と予め定められた前記プラントの制御目標値とを比較して、それぞれの予測制御結果を算出した制御値予測モデルの精度を評価することにより、前記プラントに適用して好適な制御値予測モデルを判断する精度評価ステップと、前記運転管理支援装置が、前記制御値予測モデル計算ステップで算出された予測制御値、及び前記精度評価ステップによる評価の結果を少なくとも含む処理結果情報を出力する出力ステップと、を備えることを特徴とする運転管理支援方法が提供される。

本発明によれば、プラントの運転員による意思決定の迅速化及び精度向上を支援することができる。

本発明の第１の実施形態に係る運転管理支援装置１００の構成例を示すブロック図である。 制御値予測モデル学習処理の処理手順例を示すフローチャートである。 制御値予測モデル精度評価処理の処理手順例を示すフローチャートである。 結果予測モデル精度評価処理の処理手順例を示すフローチャートである。 処理結果画面１９０の一例を示す図である。 本発明の第２の実施形態に係る運転管理支援装置３００の構成例を示すブロック図である。 実績計測データのグループ分類の一例を示す図である。 グループ別制御予測モデル選択処理の処理手順例を示すフローチャートである。

以下、図面を参照して、本発明の実施形態を詳述する。

なお、以下の記載及び図面は、本発明を説明するための例示であって、説明の明確化のため、適宜、省略及び簡略化がなされている。また、実施形態の中で説明されている特徴の組み合わせの全てが発明の解決手段に必須であるとは限らない。本発明が実施形態に制限されることは無く、本発明の思想に合致するあらゆる応用例が本発明の技術的範囲に含まれる。本発明は、当業者であれば本発明の範囲内で様々な追加や変更等を行うことができる。本発明は、他の種々の形態でも実施する事が可能である。特に限定しない限り、各構成要素は複数でも単数でも構わない。

また、以下の説明では、プログラムを実行して行う処理を説明する場合があるが、プログラムは、少なくとも１以上のプロセッサ（例えばＣＰＵ）によって実行されることで、定められた処理を、適宜に記憶資源（例えばメモリ）及び／又はインターフェースデバイス（例えば通信ポート）等を用いながら行うため、処理の主体がプロセッサとされてもよい。同様に、プログラムを実行して行う処理の主体が、プロセッサを有するコントローラ、装置、システム、計算機、ノード、ストレージシステム、ストレージ装置、サーバ、管理計算機、クライアント、又は、ホストであってもよい。プログラムを実行して行う処理の主体（例えばプロセッサ）は、処理の一部又は全部を行うハードウェア回路を含んでもよい。例えば、プログラムを実行して行う処理の主体は、暗号化及び復号化、又は圧縮及び伸張を実行するハードウェア回路を含んでもよい。プロセッサは、プログラムに従って動作することによって、所定の機能を実現する機能部として動作する。プロセッサを含む装置及びシステムは、これらの機能部を含む装置及びシステムである。

プログラムは、プログラムソースから計算機のような装置にインストールされてもよい。プログラムソースは、例えば、プログラム配布サーバ又は計算機が読み取り可能な非一時的な記憶メディアであってもよい。プログラムソースがプログラム配布サーバの場合、プログラム配布サーバはプロセッサ（例えばＣＰＵ）と非一時的な記憶資源とを含み、記憶資源はさらに配布プログラムと配布対象であるプログラムとを記憶してよい。そして、プログラム配布サーバのプロセッサが配布プログラムを実行することで、プログラム配布サーバのプロセッサは配布対象のプログラムを他の計算機に配布してよい。また、以下の説明において、２以上のプログラムが１つのプログラムとして実現されてもよいし、１つのプログラムが２以上のプログラムとして実現されてもよい。

（１）第１の実施形態
（１－１）運転管理支援装置１００の構成
図１は、本発明の第１の実施形態に係る運転管理支援装置１００の構成例を示すブロック図である。図１に示す運転管理支援装置１００は、プラント２１０の運転管理を支援する装置であって、実績ＤＢ１１０、制御値予測モデル学習部１２０、結果予測モデル学習部１３０、制御値予測モデル選択部１４０、制御値予測モデル計算部１５０、結果予測モデル計算部１６０、精度評価処理部１７０、及び表示処理部１８０を備える。また、表示装置２２０は、運転員（ユーザ）が視認可能な表示想定であって、例えば運転管理支援装置１００に接続されたディスプレイ等である。

実績ＤＢ１１０は、制御値予測モデル及び結果予測モデルの学習に用いる実績計測データを格納する。実績計測データは、センサなどから得られた過去の計測データである。制御値予測モデル学習部１２０は、実績ＤＢ１１０に格納されている実績計測データを用いて１または複数の制御値予測モデルを学習する機能を有する。制御値予測モデルは、運転員（より好適には熟練した運転員）の知見が反映された説明性のあるモデルである。結果予測モデル学習部１３０は、実績ＤＢ１１０に格納されている実績計測データを用いて結果予測モデルを学習する機能を有する。制御値予測モデル選択部１４０は、制御値予測モデル学習部１２０による制御値予測モデルの学習の結果に基づいて、予測制御値の精度の高いモデル（例えば、最も精度が高いモデル）を選択する機能を有する。制御値予測モデル計算部１５０は、制御値予測モデル学習部１２０が学習した１または複数の制御値予測モデルに計測データを入力し、それぞれの予測制御値を算出する機能を有する。結果予測モデル計算部１６０は、制御値予測モデル計算部１５０によって算出された１または複数の予測制御値を、結果予測モデル学習部１３０が学習した結果予測モデルに入力し、予測制御結果を算出する機能を有する。精度評価処理部１７０は、結果予測モデル計算部１６０によって算出された１または複数の予測制御結果とプラント２１０で計測された制御結果の計測値とに基づいて、制御値予測モデルの精度を評価する機能を有する。表示処理部１８０は、制御値予測モデル選択部１４０によって選択された制御値予測モデルの情報、制御値予測モデル計算部１５０によって算出された予測制御値、及び、精度評価処理部１７０による精度評価等を示す処理結果画面を表示装置２２０に表示する機能を有する。なお、表示処理部１８０は、処理結果情報を出力する出力処理部の一例であり、出力処理部の出力形態は表示に限定されず、データ出力や印刷等であってもよい。

上記した運転管理支援装置１００の各構成については、後述する（１－３）以降で詳しく説明する。

運転管理支援装置１００は、例えば、ＣＰＵ（Central Processing Unit）等のプロセッサ、メモリ、ＨＤＤ（Hard Disk Drive）等の補助記憶装置、及びネットワークインタフェースを有するコンピュータである。本コンピュータにおいて、実績ＤＢ１１０は例えば補助記憶装置で実現され、制御値予測モデル学習部１２０、結果予測モデル学習部１３０、制御値予測モデル選択部１４０、制御値予測モデル計算部１５０、結果予測モデル計算部１６０、精度評価処理部１７０、及び表示処理部１８０の各機能を実現するソフトウェア（プログラム）はメモリまたは補助記憶装置に格納される。また、図１において、運転管理支援装置１００とプラント２１０及び表示装置２２０との間の通信手段は特に限定されない。具体的には例えば、無線ＬＡＮ（Local Area Network）または有線ＬＡＮであり、その他の通信手段であってもよい。

（１－２）プラント２１０
以下では、運転管理支援装置１００が支援可能な対象のプラント２１０として、浄水場を一例にとって説明する。但し、運転管理支援装置１００はその他のプラントにも適用可能である。

浄水場は、河川水、ダム水、及び地下水を浄水処理し、処理水を工場や一般家庭などへ送水する施設であって、複数の施設から構成される。複数の施設は、具体的には例えば、着水井、急速混和池、フロック形成池、沈殿池、ろ過池、消毒池、及び配水池などであり、これらの各施設で処理が行われることにより、被処理水から濁りが除去され、殺菌される。

具体的には、着水井では、濁りを除去するプロセスとして凝集沈殿処理が行われる。一般的な浄水場における凝集沈殿処理では、施設に流入してきた被処理水に例えばポリ塩化アルミニウムや硫酸バンドなどの凝集剤と呼ばれる薬剤を注入する。薬剤を注入する目的の一つは、水中で懸濁している不溶解性物質（以下、濁質と称する）を除去することである。濁質は水中でマイナスに荷電しているが、薬剤を添加することで電気的中和が可能となる。また、薬剤を注入する別の目的は、薬剤同士の架橋作用により、中和した濁質同士が衝突したとき、凝集しやすくすることである。

次に、急速混和池では被処理水に薬剤が注入され、急速撹拌により濁質同士を衝突させることで凝集核を形成する。次に、フロック形成池ではフロックを破壊しない強度で緩速撹拌することで、フロックを成長させる。そして沈殿池では、成長したフロックを沈澱及び除去する。

フロックの凝集メカニズムの因子としていくつか例を挙げる。薬剤の注入量が増加すると架橋作用が強くなるため、フロックの成長が早くなり、凝集状態は良好（処理水濁度の低下）となる。ただし、薬剤の注入量が過剰になると濁質がプラスに荷電してしまい、凝集状態は不良（処理水濁度の増加）になる可能性がある。水中の濁りの量（被処理水濁度）は増加するほど、濁質（あるいは凝集核、フロック）の衝突頻度を増やすことができるため、フロックの成長が早くなる。以上のようにフロックの成長は、薬剤の注入量などのプラントの操作条件と水質条件とにより影響を受ける。

なお、フロックの凝集メカニズムはすべての浄水場で共通であるが、施設構成や規模は浄水場ごとに異なる。例えば、沈殿池などの容量や傾斜版の有無などの違いがある。処理水量と沈殿池の容量に応じて、沈殿池内の被処理水の滞留時間が決まるが、滞留時間が長いほど小さいフロックも沈殿しやすく、フロックは被処理水から除去される。また、傾斜板がある場合は、処理水量及び沈殿池の容量が同じであっても、傾斜板がない場合よりも多くのフロックが被処理水から除去される。

また、急速混和池では撹拌装置などを用いて凝集剤が混和されるが、急速混和池の形状などに応じて混和の均一性が変化し、その後のフロックの成長具合に影響する。また、被処理水の取水元が異なるため、水質も浄水場ごとに異なる。

以上のことから、浄水場を対象のプラント２１０とするとき、薬剤の注入量（制御値）や処理水の濁度（制御結果）の予測モデルは、浄水場（プラント２１０）ごとに最適な式の形や係数が存在する。また、１つの浄水場であっても、水需要の変化や施設の老朽化などの長期的な変化、もしくは浄水場内の施設の工事などの短期的な変化によっては、使用している予測モデルが最適であるとは限らない。ここで運転員に熟練者がいれば、浄水場内の状況の変化に対して、これまでの知見で対応することができるが、経験の少ない運転員が施設（プラント２１０）を管理する場合は、適切な対応が困難となる。したがって、１つの予測モデルだけでは、プラント２１０の維持管理業務に対応できないケースが想定される。

以下では、本実施形態に係る運転管理支援装置１００の各構成について詳しく説明する。

（１－３）実績ＤＢ１１０
実績ＤＢ１１０は、制御値予測モデルや結果予測モデルの学習に用いる実績計測データを格納する。実績計測データは、具体的には、プラント２１０に設置された水処理に係わる水質項目（水質、水量、または操作量の少なくとも何れかを含む）を計測する不図示のセンサ群及び機器の操作パラメータ等である。浄水場のプラント２１０に設置されるセンサとしては、水の濁りを計測する濁度計、水温を計測する水温計、ｐＨを計測するｐＨ計、アルカリ度を計測するアルカリ度計、及び、水中の有機物を計測するＴＯＣ計や紫外線吸光度計などがある。また、水質ではないが処理量を計測する水量計なども上記センサに該当する。本実施形態において水質項目を計測する手段には、少なくとも濁度計（被処理水、処理水用）が含まれ、その他に、水処理に影響する水質項目を計測できるセンサを備えてもよく、さらには、上記したセンサ以外でも、凝集、沈殿処理に関わるセンサなら特に限定されることはない。なお、実績計測データは、時系列情報として実績ＤＢ１１０に格納される。

（１－４）制御値予測モデル学習部１２０
制御値予測モデル学習部１２０は、実績ＤＢ１１０に格納されている実績計測データを用いて、１または複数の制御値予測モデルを学習する「制御値予測モデル学習処理」を実行する。

本実施形態に係る運転管理支援装置１００で必要な制御値予測モデルの数は、最小では浄水場の稼働当初から与えられる１つである。その場合、与えられたモデルが適切なモデルではなくなったときに、他のモデルが追加される。

制御値予測モデルは、運転員の知見を反映した経験式、統計的モデル、または物理モデル等であって、運転員が内容を認識できる（説明性を有する）モデルであればどのようなモデルでもよい。

例えば、一般的な浄水場で使用される制御値予測モデルとして、以下の式１に示す制御値予測モデルＭ１が挙げられる。

ここで、ｍ１、ｍ２、及びｍ３は係数であり、ＣＲ１は式１から得られた処理水量あたりの凝集剤の注入量を示す凝集剤注入率であり、Ｔｕ０は被処理水の濁度である。

式１では、被処理水濁度Ｔｕ０が増加するほど、凝集剤注入率ＣＲ１が増えるが、係数ｍ２は０～１の値をとるため線形にはならない。なぜなら、上述したように被処理水濁度が増加するほど濁質（あるいは凝集核、フロック）の衝突頻度が増え、凝集剤の架橋効果が小さくてもフロックが成長するためである。

また例えば、被処理水濁度以外の水温やアルカリ度などの水質を考慮した制御値予測モデルとして、以下の式２に示す制御値予測モデルＭ２が挙げられる。

ここで、ｎ１、ｎ２、ｎ３、及びｎ４は係数であり、ＡＬは被処理水のアルカリ度であり、ＣＲ２は式２から得られた処理水量あたりの凝集剤の注入量を示す凝集剤注入率であり、Ｔは水温である。

式１で説明したのと同様に、式２において被処理水濁度Ｔｕ０は凝集剤注入率ＣＲ２と正の相関を有する。一方、水温Ｔやアルカリ度ＡＬは凝集剤注入率ＣＲ２と負の相関を有する。なぜなら、水温は、凝集剤がアルカリ分と反応してプラスの電荷を帯びた水酸化アルミニウムに変化する反応速度に影響しており、水温が低下すると凝集作用に負の影響を与えるためである。また、アルカリ度も、不足もしくは過剰になると、凝集作用に負の影響を与える。最低限確保すべきアルカリ度（１０ｍｇ－ＣａＣＯ３／Ｌ）が確保されている場合、アルカリ度の過剰による負の相関がみられると考える。なお、本説明では考慮していないが、ｐＨも凝集作用に影響を与えることが知られている。凝集剤にはｐＨの有効範囲が存在し、例えば、凝集剤の一例である硫酸バンドの場合、ｐＨの有効範囲は５．８～７．８である。ｐＨが有効範囲から外れた場合は、凝集作用に負の影響を与える。

以下では好適な実施例として、２つの制御値予測モデル（例えば式１のＭ１及び式２のＭ２）が存在する場合を例に説明を行う。制御値予測モデルの式の形状は、説明性を有し、かつ凝集剤注入率を予測可能な式であれば、上記の式１，式２に限定されるものではない。また、３つ以上の制御値予測モデルが存在する場合にも、運転管理支援装置１００は適用可能である。

（１－４－１）制御値予測モデル学習処理
図２は、制御値予測モデル学習処理の処理手順例を示すフローチャートである。制御値予測モデル学習処理は、制御値予測モデル学習部１２０によって実行される。

図２によればまず、制御値予測モデル学習部１２０は、不図示の記録媒体に格納されている制御値予測モデルを１つ呼び出す（ステップＳ１０１）。

次に、制御値予測モデル学習部１２０は、ステップＳ１０１で呼び出した制御値予測モデルで使用する実績計測データを実績ＤＢ１１０から取得する（ステップＳ１０２）。具体的には例えば、ステップＳ１０１で式１の制御値予測モデルＭ１が呼び出された場合は、被処理水濁度Ｔｕ０及び凝集剤注入率ＣＲ１が実績計測データとして取得され、ステップＳ１０１で式２の制御値予測モデルＭ２が呼び出された場合は、被処理水濁度Ｔｕ０、被処理水のアルカリ度ＡＬ、水温Ｔ、及び凝集剤注入率ＣＲ２が実績計測データとして取得される。ステップＳ１０２で取得するデータの期間は、特に限定されず、例えば実績ＤＢ１１０に格納されている全ての期間としてもよいし、予め設定した所定期間としてもよい。

次に、制御値予測モデル学習部１２０は、ステップＳ１０２で取得した実績計測データを用いて、ステップＳ１０１で呼び出した制御値予測モデルを学習し、係数を取得する（ステップＳ１０３）。制御値予測モデルの学習の仕方は、制御値予測モデルによって異なり、予め設定される。

例えば、式１に示した制御値予測モデルＭ１の場合、係数ｍ３は、維持管理を行う浄水場で被処理水濁度が低濁度であるときの凝集剤注入率の値（浄水場における凝集剤注入率の下限値）であり、予め不図示の記録媒体に格納した設定値が取得される。そして式１は、以下の式３に変形することができる。

制御値予測モデル学習部１２０は、式３においてＬｏｇ（Ｔｕ０）とＬｏｇ（ＣＲ１－ｍ３）を線形回帰することで、傾きｍ２と切片Ｌｏｇ（ｍ１）を算出することができる。

また例えば、式２に示した制御値予測モデルＭ２の場合、目的変数を凝集剤注入率ＣＲ２、説明変数を被処理水濁度Ｔｕ０、被処理水のアルカリ度ＡＬ、及び水温Ｔとして、重回帰することで、各説明変数の傾きｎ１，ｎ２，ｎ３と切片ｎ４とを算出することができる。

なお、制御値予測モデル学習部１２０は、上述した線形回帰または重回帰において、実績計測データをそのまま用いるのではなく、各説明変数の最大値及び最小値を用いて正規化した値を用いるようにしてもよく、これらの前処理の方法は特に限定されない。また、正規化や標準化を行う場合には、プラント２１０の計測データ（現時刻の情報）を入力してそれぞれの予測制御値を算出するときも、同様の前処理を行う必要がある。

次に、制御値予測モデル学習部１２０は、ステップＳ１０３の学習で算出された係数を不図示の記録媒体に格納する（ステップＳ１０４）。

そして、制御値予測モデル学習部１２０は、未学習の制御値予測モデルの有無を判定する（ステップＳ１０５）。未学習の制御値予測モデルがある場合（ステップＳ１０５のＹＥＳ）、制御値予測モデル学習部１２０は、当該制御値予測モデルについてステップＳ１０１～Ｓ１０４の処理を繰り返す。全ての制御値予測モデルが学習済みとなった場合は（ステップＳ１０５のＮＯ）、制御値予測モデル学習部１２０は、制御値予測モデル学習処理を終了する。

（１－５）結果予測モデル学習部１３０
結果予測モデル学習部１３０は、実績ＤＢ１１０に格納されている実績計測データを用いて結果予測モデルを学習する。本実施形態において、結果予測モデルは、運転員の知見は反映されないが、実績範囲内で制御結果を高精度で予測できる機械学習（人工ニューラルネットワークまたはクラスタリング等）を用いて作成するものとしている。但し、制御結果を高精度で予測できるのであれば、結果予測モデルは、機械学習以外の手法である統計的モデルまたは物理モデル等としてもよい。以下では、一例として、人工ニューラルネットワークで結果予測モデルを学習する場合を説明する。

人工ニューラルネットワークは、「入力を線形変換する処理単位」がネットワーク上に結合した数理モデルであり、結果予測モデル学習部１３０は、実績計測データに基づいて処理水濁度の回帰予測を行う。このとき、入力される実績計測データは、目的変数を処理水濁度としたときに当該処理水濁度と関連する説明変数であり、具体的には、被処理水濁度、被処理水のアルカリ度、ｐＨ、水温、及び凝集剤注入率などである。なお、説明変数は処理水濁度を予測できればよく、上記例に限定されるものではない。

一般的には、人工ニューラルネットワークは、説明変数をネットワークに送る入力層、入力層から説明変数を受け取って計算を実行する中間層、及び、計算結果をネットワークから出力する出力層からなる。中間層が３層以上ある人工ニューラルネットワークがディープラーニングであり、中間層はすべての説明変数を使用して計算する全結合層と過学習を防止するために全結合層と次の層の接続に一部をランダムに切断するドロップアウト層からなる。

本実施形態では、結果予測モデル学習部１３０は、まず実績計測データを用いて人工ニューラルネットワークの最後の全結合層から処理水濁度の推論値を出力する。次に、結果予測モデル学習部１３０は、推論値と正解データ（処理水濁度の実績計測データ）の誤差により、最後の全結合層から最初の全結合層まで順に結合重みの係数を更新する（誤差逆伝搬）。そして結果予測モデル学習部１３０は、再び処理水濁度の推論値を出力し、誤差が十分に小さくなるまで繰り返すことで結果予測モデルを学習する。

（１－６）制御値予測モデル選択部１４０
制御値予測モデル選択部１４０は、制御値予測モデル学習部１２０による１以上（本例では２つ）の制御値予測モデルの学習の結果から、予測制御値の精度が高い制御値予測モデルを選択する。制御値予測モデル選択部１４０は、選択した制御値予測モデルを、プラント２１０の運転において所定の制御の制御値（具体的には例えば、凝集剤注入ポンプの運転の制御値）を予測するために用いる制御値予測モデルとして適用させてもよい。

ここで、予測制御値の精度とは、学習済みの制御値予測モデルに再度説明変数を入力することで出力される予測制御値と、凝集剤注入率の実績計測データとの平均絶対誤差（МＡＥ：Mean Absolute Error）である。ここで利用される凝集剤注入率の実績計測データには、モデル学習以降の実績計測データが含まれることが好ましい。このモデル学習以降の実績計測データが実績ＤＢ１１０に蓄積されている場合は、平均絶対誤差の算出時に、追加の実績計測データを実績ＤＢ１１０から取得すればよく、実績ＤＢ１１０に蓄積されていない場合は、平均絶対誤差の算出時に、プラント２１０から取得すればよい。

制御値予測モデル選択部１４０は、上述した制御値予測モデルＭ１，Ｍ２からそれぞれ算出される平均絶対誤差を比較し、平均絶対誤差が小さい制御値予測モデルを予測制御値の精度が高い制御値予測モデルとして選択する。平均絶対誤差（ＭＡＥ）は、例えば以下の式４で計算される。

ここで、Ｎは学習に用いたデータ数であり、ＰＣＲは制御値予測モデルより算出された凝集剤注入率の予測制御値である。平均絶対誤差の算出は、式４に限定されるものではなく、他にも例えば、学習に用いた実績計測データの凝集剤注入率の最大値及び最小値を用いて正規化した値を用いるようにしてもよい。また、精度の指標には、平均絶対誤差率（ＭＡＥＲ：Mean Absolute Error Rate）等を用いてもよく、予測制御値の精度の指標となるものであれば特に限定されない。以下では、制御値予測モデル選択部１４０が「予測制御値の精度が高い制御値予測モデル」として制御値予測モデルＭ２を選択したとして、説明を続ける。

（１－７）制御値予測モデル計算部１５０
制御値予測モデル計算部１５０は、制御値予測モデル学習部１２０が学習した１または複数の制御値予測モデル（本例では制御値予測モデルＭ１，Ｍ２）に、プラント２１０の計測データ（現時刻の情報）を入力し、それぞれの予測制御値を算出する。

さらに、制御値予測モデル計算部１５０は、制御値予測モデル選択部１４０によって精度の高い制御値予測モデルとして選択された制御値予測モデル（本例では制御値予測モデルＭ２）から算出した予測制御値を、プラント２１０の監視制御システムに送信する。そしてプラント２１０の監視制御システムは、受信した予測制御値を用いて、プラント２１０の凝集剤注入ポンプの運転を制御する。なお、プラント２１０の監視制御システムは、受信した予測制御値をそのまま運用するのではなく、運転員による確認を経てから運用するようにしてもよい。

（１－８）結果予測モデル計算部１６０
結果予測モデル計算部１６０は、制御値予測モデル計算部１５０によって算出された予測制御値（本例では２つの凝集剤注入率ＣＲ１，ＣＲ２の予測制御値）と、被処理水濁度、被処理水のアルカリ度、ｐＨ、及び水温などの説明変数を、結果予測モデル学習部１３０が学習した結果予測モデルに入力し、それぞれの処理水濁度の予測制御結果を算出する。

（１－９）精度評価処理部１７０
精度評価処理部１７０は、結果予測モデル計算部１６０によって算出された予測制御結果（本例では２つの処理水濁度の予測制御値）と、プラント２１０で計測された処理水濁度の制御目標値とに基づいて、制御値予測モデルの現時刻の精度を評価する「制御値予測モデル精度評価処理」を実行する。なお、ここでいう精度とは、処理水濁度の予測制御結果と制御目標値との絶対誤差あるいは絶対誤差率等であり、制御目標値はプラント２１０（浄水場）ごとに予め設定され、不図示の記録媒体に格納されているとする。

（１－９－１）制御値予測モデル精度評価処理
図３は、制御値予測モデル精度評価処理の処理手順例を示すフローチャートである。制御値予測モデル精度評価処理は、精度評価処理部１７０によって実行される。

図３によればまず、精度評価処理部１７０は、不図示の記録媒体に格納されている結果予測モデルを呼び出す（ステップＳ２０１）。

次に、精度評価処理部１７０は、プラント２１０で計測された、結果予測モデルで使用する計測データを取得する（ステップＳ２０２）。取得する計測データは、具体的には例えば、被処理水濁度、被処理水のアルカリ度、ｐＨ、及び水温である。

次に、精度評価処理部１７０は、制御値予測モデル計算部１５０から予測制御値を取得する（ステップＳ２０３）。ステップＳ２０３において精度評価処理部１７０は、制御値予測モデル（Ｍ１，Ｍ２）ごとに予測制御値を取得する。本例では、まず、制御値予測モデルＭ１の予測制御値（第１の予測制御値）を取得したとする。

次に、精度評価処理部１７０は、ステップＳ２０２で取得した計測データとステップＳ２０３で取得した予測制御値（第１の予測制御値）とを、ステップＳ２０１で呼び出した結果予測モデルに入力し、予測制御結果（第１の予測制御結果）を算出する（ステップＳ２０４）。

次に、精度評価処理部１７０は、記録媒体に格納されている制御目標値と、ステップＳ２０４で算出した予測制御結果（第１の予測制御結果）との絶対誤差（第１の絶対誤差）を算出する（ステップＳ２０５）。

次に、精度評価処理部１７０は、ステップＳ２０５で算出した絶対誤差（第１の絶対誤差）と予め設定された閾値（第１の閾値）とを比較し、絶対誤差が閾値よりも大きいか否かを判定する（ステップＳ２０６）。

ステップＳ２０６において絶対誤差が閾値よりも大きい場合（ステップＳ２０６のＹＥＳ）、予測制御結果が制御目標値から乖離していることから、この予測制御結果の算出において入力された予測制御値を算出した制御値予測モデル（すなわち、評価中の制御値予測モデルＭ１）の学習が不十分であることが考えられる。この場合、精度評価処理部１７０は、評価中の制御値予測モデル（制御値予測モデルＭ１）の再学習の推奨を表示装置２２０において提示するよう、表示処理部１８０に指示する（ステップＳ２０７）。ステップＳ２０７の処理後はステップＳ２０８に進む。

一方、ステップＳ２０６において絶対誤差が閾値以下である場合には（ステップＳ２０６のＮＯ）、予測制御結果が制御目標値に十分近いことから、この予測制御結果の算出において入力された予測制御値を算出した制御値予測モデルの学習は十分であると考えられる。この場合、評価中の制御値予測モデル（制御値予測モデルＭ１）の再学習は必要ないので、精度評価処理部１７０は、ステップＳ２０７をスキップしてステップＳ２０８に進む。

ステップＳ２０８では、精度評価処理部１７０は、ステップＳ２０３において予測制御値を取得していない制御値予測モデルが存在するか否かを判定する。本例では、制御予測モデルＭ１の予測制御値（第１の予測制御値）は取得済みであるが、制御予測モデルＭ２の予測制御値（第２の予測制御値）は未取得である。この場合、精度評価処理部１７０は、未取得の制御値予測モデルが存在すると判定し（ステップＳ２０８のＹＥＳ）、ステップＳ２０１に戻って処理を繰り返し、繰り返し後のステップＳ２０３において、第２の予測制御値を取得する。そして、すべての制御予測モデルの予測制御値が取得された場合は、未取得の制御値予測モデルが存在しないと判定し（ステップＳ２０８のＮＯ）、ステップＳ２０９に進む。

ステップＳ２０９では、精度評価処理部１７０は、現在選択している制御値予測モデル（制御値予測モデル選択部１４０によって選択された精度の高い制御値予測モデル）についてステップＳ２０５で算出した予測制御値と制御目標値との絶対誤差を、他の制御値予測モデルについてステップＳ２０５で算出した予測制御値と制御目標値との絶対誤差と比較する。本例の場合、「現在選択している制御値予測モデル」は制御値予測モデルＭ２であり、「他の制御値予測モデル」は制御値予測モデルＭ１である。

したがって、ステップＳ２０９において精度評価処理部１７０は、制御値予測モデルＭ２における予測制御値（第２の予測制御値）と制御目標値との絶対誤差（第２の絶対誤差）を、制御値予測モデルＭ１における第１の絶対誤差と比較する。

そしてステップＳ２０９の比較の結果、他の制御値予測モデルにおける絶対誤差（第１の絶対誤差）が現在選択している制御値予測モデルにおける絶対誤差（第２の絶対誤差）よりも小さい場合（ステップＳ２０９のＹＥＳ）、精度評価処理部１７０は、他の制御値予測モデル（制御値予測モデルＭ１）の方が現在選択している制御値予測モデル（制御値予測モデルＭ２）よりも精度が高いと判断する。したがってこの場合、精度評価処理部１７０は、現在選択している制御値予測モデルから上記他の制御値予測モデルへの変更の推奨を表示装置２２０において提示するよう、表示処理部１８０に指示する（ステップＳ２１０）。ステップＳ２１０の処理後は制御値予測モデル精度評価処理を終了する。

一方、ステップＳ２０９の比較の結果、他の制御値予測モデルにおける絶対誤差（第１の絶対誤差）が現在選択している制御値予測モデルにおける絶対誤差（第２の絶対誤差）よりも小さくない場合、言い換えれば、現在選択している制御値予測モデルにおける絶対誤差（第２の絶対誤差）が他の制御値予測モデルにおける絶対誤差（第１の絶対誤差）以下である場合（ステップＳ２０９のＮＯ）、精度評価処理部１７０は、現在選択している制御値予測モデル（制御値予測モデルＭ２）よりも他の制御値予測モデル（制御値予測モデルＭ１）の精度のほうが高いことはないと判断する。したがってこの場合、精度評価処理部１７０は、現在選択している制御値予測モデルの現状維持を表示装置２２０において提示するよう、表示処理部１８０に指示する（ステップＳ２１１）。ステップＳ２１１の処理後は制御値予測モデル精度評価処理を終了する。

以上のようにして、精度評価処理部１７０は、制御値予測モデルの現時刻の精度を評価することができる。なお、図３の処理手順例では、ステップＳ２０５で算出する絶対誤差を、評価の指標としたが、本実施形態における評価の指標はこれに限定されるものではない。例えば、図２のように現時刻の１点だけを考慮するのでなく、ある一定期間の範囲で、処理水濁度の予測制御結果と制御目標値との平均絶対誤差または平均絶対誤差率を算出し、これを指標として比較評価するようにしてもよい。

（１－９－２）結果予測モデル精度評価処理
精度評価処理部１７０は、図３を参照して説明した制御値予測モデル精度評価処理に加えて、結果予測モデルの精度を評価する「結果予測モデル精度評価処理」も実行する。精度評価処理部１７０は、図３に示した制御値予測モデル精度評価処理のステップＳ２０４において予測制御結果を算出した後に、結果予測モデル精度評価処理を実行する。制御値予測モデル精度評価処理と結果予測モデル精度評価処理は、別々に実行されてもよい。

図４は、結果予測モデル精度評価処理の処理手順例を示すフローチャートである。

図４によればまず、精度評価処理部１７０は、図３のステップＳ２０４で算出した予測制御結果が、現在プラント２１０に使用している制御値予測モデル（現在選択している制御値予測モデル）の予測制御結果であるか否かを判定する（ステップＳ３０１）。本例では、精度評価処理部１７０は図３のステップＳ２０４において、プラント２１０の計測データと制御値予測モデルＭ２の予測制御値（第２の予測制御値）とを結果予測モデルに入力して、制御値予測モデルＭ２の予測制御結果（第２の予測制御結果）を算出したとする。この場合、第２の予測制御結果の算出に用いられた制御値予測モデルＭ２は、現在プラント２１０に使用している制御値予測モデルであり（ステップＳ３０１のＹＥＳ）、ステップＳ３０２に進んで結果予測モデルの精度評価を開始する。一方、図３のステップＳ２０４で算出した予測制御結果が、現在プラント２１０に使用している制御値予測モデルの予測制御結果ではない場合（ステップＳ３０１のＮＯ）、図１３のステップＳ２０１に戻り、他の予測制御結果が算出された場合に再びステップＳ３０１の処理を行う。

ステップＳ３０２では、精度評価処理部１７０は、プラント２１０の処理水濁度の計測データと、図３のステップＳ２０４で算出した予測制御結果（本例では第２の予測制御結果）との絶対誤差（本例の場合、第３の絶対誤差と称する）を算出する。

次に、精度評価処理部１７０は、ステップＳ３０２で算出した絶対誤差（第３の絶対誤差）と予め設定された閾値（第２の閾値）とを比較し、絶対誤差が閾値よりも大きいか否かを判定する（ステップＳ３０３）。

ステップＳ３０３において絶対誤差が閾値よりも大きい場合（ステップＳ３０３のＹＥＳ）、現在選択している制御値予測モデルＭ２の予測制御値を用いて結果予測モデルが算出した予測制御結果が実際の計測データから乖離していることから、この予測制御結果を算出した結果予測モデル（すなわち、図３のステップＳ２０１で呼び出した結果予測モデル）の学習が不十分であることが考えられる。この場合、精度評価処理部１７０は、結果予測モデルの再学習の推奨を表示装置２２０において提示するよう、表示処理部１８０に指示する（ステップＳ３０４）。表示装置２２０に結果予測モデルの再学習推奨が表示装置２２０に提示されると、運転員が所定の操作を行って、結果予測モデル学習部１３０に結果予測モデルの再学習を実行させる。なお、運転管理支援装置１００がプログラム処理によって自動で、結果予測モデルの再学習を指示してもよい。ステップＳ３０４の処理後、精度評価処理部１７０は、結果予測モデル精度評価処理を終了する。

一方、ステップＳ３０３において絶対誤差が閾値以下である場合には（ステップＳ３０３のＮＯ）、現在選択している制御値予測モデルＭ２の予測制御値を用いて結果予測モデルが算出した予測制御結果が実際の計測データに十分近いことから、この予測制御結果を算出した結果予測モデルの学習は十分であると考えられる。この場合、精度評価処理部１７０は、結果予測モデルの現状維持を表示装置２２０において提示するよう、表示処理部１８０に指示し（ステップＳ３０５）、結果予測モデル精度評価処理を終了する。

（１－１０）表示処理部１８０
表示処理部１８０は、運転管理支援装置１００の各処理部による処理結果（例えば、算出された予測制御値や精度評価など）を示す処理結果画面１９０を生成し、これを表示装置２２０に表示出力する。

図５は、処理結果画面１９０の一例を示す図である。

図５に示した処理結果画面１９０において、領域１９１では、精度評価処理部１７０で判定された運転員への提示内容が、最新の時刻から順に表示される。例えば図５の領域１９１には、図３のステップＳ２１０の処理に対応して、制御値予測モデルＭ２から制御値予測モデルＭ１への変更を推奨する旨の提示がなされている。

領域１９２では、凝集剤注入率の予測制御値のトレンドグラフと、処理水濁度の予測制御結果のトレンドグラフとが表示される。領域１９２には、使用しているすべての制御値予測モデルのデータを表示してもよいし、任意の制御値予測モデルを選択し（ユーザ選択でもよいし、自動選択でもよい）表示してもよい。但し、少なくとも、プラント２１０から取得した計測データと現在選択されているメインの制御値予測モデル（例えば制御値予測モデルＭ２）は、表示することが好ましい。また、トレンドの時間幅は任意に選択または設定可能とする。

領域１９３では、領域１９２においてトレンドを表示している項目が、一覧で表示される。例えば図５の領域１９３によれば、計測データ、制御値予測モデルＭ１、及び制御値予測モデルＭ２が、領域１９２にトレンドグラフで表示されていることが分かる。

領域１９４では、精度評価処理部１７０による精度評価で用いられた、予め設定された設定値（例えば、制御目標値、第１の閾値、及び第２の閾値）が表示される。なお、処理結果画面１９０は、運転員が領域１９４を操作することにより、上記設定値を別の値に変更できるように構成されてもよい。

また、領域１９４では、制御値予測モデル及び結果予測モデルの状態も表示される。具体値を用いて説明すると、図５の場合、領域１９２のトレンドグラフを参照すると、現時刻（領域１９１によれば「００：５５」）において、制御値予測モデルＭ１による予測制御結果（第１の予測制御結果）が「１．１８度」、制御値予測モデルＭ２による予測制御結果（第２の予測制御結果）が「１．２９度」、計測データが「１．２２度」である。そして領域１９４に示したように制御目標値が「１．０度」に設定されていることから、第１の絶対誤差は「０．１８度」、第２の絶対誤差は「０．２９度」となる。すなわち、制御値予測モデルＭ１の方が、現在選択されているメインの制御値予測モデルＭ２よりも絶対誤差が小さくなるため、領域１９１に「制御値予測モデルＭ２から制御値予測モデルＭ１への変更推奨」が提示される。なお、それぞれの絶対誤差は第１の閾値の「０．３度」以内であるから、制御値予測モデルの再学習推奨の対象にはならない。また、プラント２１０に使用している制御値予測モデルＭ２の予測制御結果（第２の予測制御結果）と計測データとの絶対誤差（第３の絶対誤差）は「０．０７度」であり、第２の閾値の「０．２度」以内であるから、結果予測モデルの再学習推奨の対象にもならない。以上を踏まえて、領域１９４には、制御値予測モデルは「変更」が推奨される状態であり、結果予測モデルは「現状維持」でよい状態であることが表示される。なお、領域１９４における制御値予測モデル及び結果予測モデルの状態表示の方法は、運転員にそれぞれの状態を通知し得る形態であればよく、図５のように「変更」や「現状維持」といった表示に限定されるものではない。例えば、上記具体例を用いた説明で算出した絶対誤差または誤差などを表示するようにしてもよい。

以上に説明したように、第１の実施形態に係る運転管理支援装置１００によれば、施設（プラント２１０）を運転するために必要な所定の制御について、運転員の知見が反映された説明性のある制御値予測モデルを使用して、制御値予測モデル計算部１５０が予測制御値を算出し、機械学習によって実績範囲内では高精度な制御結果を予測可能な結果予測モデルに上記予測制御値を入力して、結果予測モデル計算部１６０が予測制御結果を算出し、上記予測制御値と制御目標値との差分に基づいて、精度評価処理部１７０が制御値予測モデルを評価することにより、信頼度の高い予測制御値を算出可能な精度の高い制御値予測モデルを運転員が容易に選択できるよう支援することができる。この結果、経験の少ない施設の管理における運転員の意思決定に対して、運転員が熟練者でなくても、意思決定の迅速化及び精度向上を支援することができる。

より具体的には、上記制御値がプラント２１０に注入する薬品の使用量（例えば凝集剤注入率）であるとすれば、運転管理支援装置１００が適切な凝集剤注入率の予測制御値を高精度で算出可能な制御値予測モデルを運転員に提示できることにより、薬品の使用量が不足または過剰となることを早期に判断して防止し、薬品の使用量の最適化を支援することができる。さらに、薬品の使用量が最適化できれば、薬品の補充及び運案の頻度が下がるため、薬品の製造時及び運搬時に排出される二酸化炭素ガスの排出量を低減する効果にも期待できる。

また、第１の実施形態に係る運転管理支援装置１００によれば、結果予測モデル計算部１６０算出した予測制御結果と施設における実際の計測データとの差分に基づいて、精度評価処理部１７０が結果予測モデルを評価することにより、現在選択されている結果予測モデルの精度が十分であるかを判定し、精度が不足している場合には結果予測モデル学習部１３０による結果予測モデルの再学習を促すことができるため、予測制御結果を算出する結果予測モデルの精度を高く維持することができる。

かくして、本実施形態に係る運転管理支援装置１００によれば、実績範囲内では高精度の結果を予測可能なデジタルツインを構築し、制御値の予測に運転員の知見が反映されて説明性があるモデル使用することで、少人数の運転員でも複数のプラントを効率的に維持管理することを支援できる。

（２）第２の実施形態
図６は、本発明の第２の実施形態に係る運転管理支援装置３００の構成例を示すブロック図である。図６に示す運転管理支援装置３００は、図１に示した第１の実施形態に係る運転管理支援装置１００に実績データ分類部３１０が追加された構成を備え、運転管理支援装置１００と共通する構成及びその処理については、説明を省略する。

実績データ分類部３１０は、実績ＤＢ１１０に格納されている実績計測データ（被処理水濁度、被処理水のアルカリ度、水温、及びｐＨなど）間の類似度に基づいて、所定のデータをグループに分類する。グループ分けの手法は、例えばｋ－ｍｅａｎｓ法を用いた機械学習であるが、その他の機械学習や統計的処理等でもよく、特に限定されない。

図７は、実績計測データのグループ分類の一例を示す図である。図７の分類グラフ３２０には、実績ＤＢ１１０に格納された複数の実績計測データが被処理水濁度及び水温に基づいてグループに分類された結果の一例がグラフ表示されている。分類グラフ３２０において、横軸は被処理水濁度であり、縦軸は水温である。

図７の分類グラフ３２０の場合は、被処理水濁度及び水温がどちらも低いグループ１、被処理水濁度が高く水温が低いグループ２、被処理水濁度が低く水温が高いグループ３、被処理水濁度及び水温がどちらも高いグループ４の４つのグループに実績計測データが分類されている。

また、実績データ分類部３１０は、上記と同様のグループ分類によって、制御値予測モデルから算出された予測制御値もグループに分類することができる。そして第２の実施形態では、実績データ分類部３１０によって分類されるグループごとに、制御値予測モデル選択部１４０が予測制御値の精度が高い制御値予測モデルを選択するグループ別制御予測モデル選択処理を実行する。

図８は、グループ別制御予測モデル選択処理の処理手順例を示すフローチャートである。

図８によればまず、制御値予測モデル選択部１４０は、不図示の記録媒体に格納されている制御値予測モデルを１つ呼び出す（ステップＳ４０１）。本例では、２つの制御値予測モデルＭ１，Ｍ２が格納されており、最初に制御値予測モデルＭ１を呼び出すとして以下の説明を行うが、記録媒体に格納されている制御値予測モデルの数は３以上であってもよいし、呼び出す制御値予測モデルの順番は任意であってよい。

次に、制御値予測モデル選択部１４０は、ステップＳ４０１で呼び出した制御値予測モデルで使用する実績計測データを実績ＤＢ１１０から取得する（ステップＳ４０２）。ステップＳ４０２の処理は、図２のステップＳ１０２で説明した制御値予測モデル学習部１２０の処理と同様である。

次に、制御値予測モデル選択部１４０は、ステップＳ４０１で呼び出した制御値予測モデル（制御値予測モデルＭ１）について、不図示の記録媒体に格納されている当該制御値予測モデルの係数を取得する（ステップＳ４０３）。ステップＳ４０３で取得される係数は、図２のステップＳ１０４で不図示の記録媒体に格納された係数である。

次に、制御値予測モデル選択部１４０は、ステップＳ４０１で呼び出した制御値予測モデル（制御値予測モデルＭ１）に、ステップＳ４０２で取得した実績計測データ及びステップＳ４０３で取得した係数を入力して、予測制御値（第１の予測制御値）を算出する（ステップＳ４０４）。第１の実施形態と同様に、プラント２１０が浄水場であるとした場合、ステップＳ４０４で算出される予測制御値は、例えば凝集剤注入率の予測制御値である。

次に、制御値予測モデル選択部１４０は、実績データ分類部３１０によるグループ分類に従って、ステップＳ４０４で算出した予測制御値（第１の予測制御値）を分類する（ステップＳ４０５）。

次に、制御値予測モデル選択部１４０は、実績データ分類部３１０によるグループごとに、ステップＳ４０４で算出した予測制御値とステップＳ４０２で取得した実績計測データとの平均絶対誤差（ＭＡＥ）を算出する（ステップＳ４０６）。ここで、平均絶対誤差の算出式は、例えば上述した式４を用いればよいが、第１の実施形態における説明と同様に、学習に用いた実績計測データの凝集剤注入率の最大値及び最小値を用いて正規化した値を用いる等としてもよい。また、予測制御値の精度の指標となるものであれば、平均絶対誤差ではなく平均絶対誤差率（ＭＡＥＲ）等を用いてもよい。

次に、制御値予測モデル選択部１４０は、上記ステップＳ４０１～Ｓ４０６の処理を未処理の制御値予測モデルが残っているか否かを判定する（ステップＳ４０７）。未処理の制御値予測モデルが有る場合は（ステップＳ４０７のＹＥＳ）、ステップＳ４０１に戻り、未処理の制御値予測モデル（例えば、制御値予測モデルＭ２）に対してステップＳ４０１～Ｓ４０６の処理を実行する。未処理の制御値予測モデルがない場合は（ステップＳ４０７のＮＯ）、ステップＳ４０８に進む。

ステップＳ４０８では、制御値予測モデル選択部１４０は、グループごとに（例えば、図７のようなグループ分類が行われる場合、グループ１～４のそれぞれで）、各制御値予測モデル（制御値予測モデルＭ１，Ｍ２）から算出した平均絶対誤差を比較する。

そして、制御値予測モデル選択部１４０は、グループごとに、ステップＳ４０８の比較において平均絶対誤差が最も小さい制御値予測モデルを、予測制御値の精度が高い制御値モデルとして選択し（ステップＳ４０９）、グループ別制御予測モデル選択処理を終了する。本例では、ステップＳ４０９において、グループ１，３では制御値予測モデルＭ２を選択し、グループ２，４では制御値予測モデルＭ１を選択したものとする。

第２の実施形態において制御値予測モデル計算部１５０は、第１の実施形態と同様に、制御値予測モデル学習部１２０が学習した複数の制御値予測モデル（例えば制御値予測モデルＭ１，Ｍ２）に、プラント２１０の計測データ（現時刻の情報）を入力し、それぞれの予測制御値を算出する。

さらに、第２の実施形態に固有の処理として、制御値予測モデル計算部１５０は、上記の計測データから、現在の計測データが所属するグループを特定する。現合の計測データのグループ特定は、実績データ分類部３１０が実行してもよい。

そして、制御値予測モデル計算部１５０は、特定した現在のグループに応じて、図８のステップＳ４０９でグループごとに選択された制御値モデルの予測制御値を、プラント２１０の監視制御システムに送信する。前述した具体例を適用すると、特定した現在のグループが１，３の場合は制御値予測モデルＭ２の予測制御値を送信し、特定した現在のグループが２，４の場合は制御値予測モデルＭ１の予測制御値を送信する。そしてプラント２１０の監視制御システムは、受信した予測制御値を用いて、プラント２１０の凝集剤注入ポンプの運転を制御する。なお、プラント２１０の監視制御システムは、受信した予測制御値をそのまま運用するのではなく、運転員による確認を経てから運用するようにしてもよい。

以上に説明したように、第２の実施形態に係る運転管理支援装置３００によれば、実績計測データを複数のグループに分類し、現在の実績計測データがどのグループに所属するかに応じて、選択する予測制御モデル及びプラント２１０で適用する予測制御値を決定することができる。具体的には例えば、グループ２もしくは４を降雨時のグループとし、グループ１を冬期用のグループとし、グループ３を夏期用のグループ等とすることにより、年間の水質変動に応じて適切な制御値予測モデルを選択することが可能となる。この結果、第１の実施形態よりもさらに、薬品の使用量の最適化に期待することができる。また、第２の実施形態に係る運転管理支援装置３００は、第１の実施形態に係る運転管理支援装置１００の構成も備えていることから、第１の実施形態と同様の効果を得ることができる。

なお、本発明は上述した各実施形態に限定されるものではなく、様々な変形例が含まれる。例えば、上述した各実施形態は本発明を分かりやすく説明するためのものであり、必ずしもすべての構成を備えるものに限定されない。また、各構成が有する機能は任意の組み合わせで一体化されてもよく、例えば制御値予測モデル学習部１２０及び制御値予測モデル選択部１４０をまとめてもよい。さらに、運転管理支援装置１００，３００は、図示しないプロセッサ（ＣＰＵ）とメモリ及びＨＤＤなどの記憶手段と、ネットワークインタフェースを有するコンピュータにソフトウェアとして格納されるが、これらは必ずしもプラント２１０内に設置されている必要はなく、プラント２１０から離れた場所に設置されていてもよい。

また、第１及び第２の実施形態では、浄水場の薬品の注入制御に本発明を適用した例を示したが、本発明は下水処理場のブロワ制御、電力プラントやごみ処理場の温度制御など、説明性を必要とする施設において所定種別の制御値を使用する維持管理業務に広く適用可能であり、適用先は特に限定されない。

１００，３００ 運転管理支援装置
１１０ 実績ＤＢ
１２０ 制御値予測モデル学習部
１３０ 結果予測モデル学習部
１４０ 制御値予測モデル選択部
１５０ 制御値予測モデル計算部
１６０ 結果予測モデル計算部
１７０ 精度評価処理部
１８０ 表示処理部
１９０ 処理結果画面
２１０ プラント
２２０ 表示装置
３１０ 実績データ分類部
３２０ 分類グラフ

Claims (12)

1. プラントの運転に関する所定の制御について、前記プラントの実績を示す計測データを入力として前記制御における制御値の予測値である予測制御値を算出する１以上の制御値予測モデルと、
   前記予測制御値を入力として前記制御の制御結果の予測値である予測制御結果を算出する結果予測モデルと、
   前記計測データを入力して、１以上の前記制御値予測モデルから制御値予測モデルごとの予測制御値を算出する制御値予測モデル計算部と、
   前記制御値予測モデル計算部によって算出された制御値予測モデルごとの予測制御値を入力して、前記結果予測モデルから制御値予測モデルごとの予測制御結果を算出する結果予測モデル計算部と、
   前記結果予測モデル計算部によって算出された制御値予測モデルごとの予測制御結果と予め定められた前記プラントの制御目標値とを比較して、それぞれの予測制御結果を算出した制御値予測モデルの精度を評価することにより、前記プラントに適用して好適な制御値予測モデルを判断する精度評価処理部と、
   前記制御値予測モデル計算部によって算出された予測制御値、及び前記精度評価処理部による評価の結果を少なくとも含む処理結果情報を出力する出力処理部と、
   を備えることを特徴とする運転管理支援装置。
2. 前記制御値予測モデルは、運転員の知見が反映された、経験式、統計的モデル、または物理モデルの少なくとも何れかである
   ことを特徴とする請求項１に記載の運転管理支援装置。
3. 前記計測データを用いて前記制御値予測モデルを学習する制御値予測モデル学習部と、
   前記制御値予測モデル学習部による学習の結果に基づいて、２以上の前記制御値予測モデルのうちから、算出する予測制御値の精度が高い第１の制御値予測モデルを選択する制御値予測モデル選択部と、をさらに備え、
   前記制御値予測モデル選択部は、前記選択した第１の制御値予測モデルを前記プラントの運転に適用する
   ことを特徴とする請求項１に記載の運転管理支援装置。
4. 前記精度評価処理部は、前記第１の制御値予測モデルの予測制御値を用いて前記結果予測モデルから算出された予測制御結果と前記プラントの制御目標値との差分よりも、前記第１の制御値予測モデル以外の第２の制御値予測モデルの予測制御値を用いて前記結果予測モデルから算出された予測制御結果と前記プラントの制御目標値との差分のほうが小さい場合に、前記第１の制御値予測モデルよりも前記第２の制御値予測モデルを前記プラントに適用して好適な制御値予測モデルと判断し、当該判断の結果の出力を前記出力処理部に指示する
   ことを特徴とする請求項３に記載の運転管理支援装置。
5. 前記精度評価処理部は、前記制御値予測モデル計算部によって算出された制御値予測モデルごとの予測制御結果と前記プラントの制御目標値との差分が、所定の第１の閾値よりも大きい場合は、当該予測制御結果の算出に用いられた制御予測値を算出した制御値予測モデルの再学習を推奨する旨の出力を前記出力処理部に指示する
   ことを特徴とする請求項３に記載の運転管理支援装置。
6. 前記精度評価処理部は、前記第１の制御値予測モデルの予測制御値を用いて前記結果予測モデルから算出された予測制御結果と前記プラントの計測データとに基づいて、当該結果予測モデルの精度を評価する
   ことを特徴とする請求項３に記載の運転管理支援装置。
7. 前記計測データを用いて前記結果予測モデルを学習する結果予測モデル学習部をさらに備え、
   前記精度評価処理部は、前記第１の制御値予測モデルの予測制御値を用いて前記結果予測モデルから算出された予測制御結果と前記プラントの計測データとの差分が、所定の第２の閾値よりも大きい場合は、当該結果予測モデルの再学習を推奨する旨の出力を前記出力処理部に指示する
   ことを特徴とする請求項６に記載の運転管理支援装置。
8. 前記出力処理部が出力する前記処理結果情報には、前記計測データと、前記第１の制御値予測モデルの予測制御値及び前記結果予測モデルの予測制御結果とのトレンドグラフが含まれる
   ことを特徴とする請求項３に記載の運転管理支援装置。
9. 前記計測データ間の類似度に基づいてデータをグループに分類する実績データ分類部をさらに備え、
   実績データ分類部は、前記制御値予測モデル計算部が２以上の前記制御値予測モデルから算出した制御値予測モデルごとの予測制御値を前記グループに分類し、
   前記制御値予測モデル選択部は、前記グループごとに、前記実績データ分類部によって当該グループに分類された予測制御値のうちで最も精度が高い予測制御値を算出した制御値予測モデルを、当該グループにおける前記第１の制御値予測モデルとして選択し、
   前記制御値予測モデル計算部は、前記プラントの現在の計測データが所属する前記グループを特定し、特定したグループに対応する前記第１の制御値予測モデルを、前記プラントの運転に適用する
   ことを特徴とする請求項３に記載の運転管理支援装置。
10. 前記結果予測モデル学習部は、前記計測データを用いた機械学習によって前記結果予測モデルを学習する
    ことを特徴とする請求項７に記載の運転管理支援装置。
11. 前記プラントは浄水場であり、
    前記制御値予測モデルは、前記浄水場への所定の薬剤の注入に関する予測モデルであり、
    前記結果予測モデルは、前記浄水場の処理水の水質に関する予測モデルであり、
    前記計測データには、前記浄水場における水質、水量、操作量の少なくとも何れかのデータが含まれる
    ことを特徴とする請求項１に記載の運転管理支援装置。
12. プラントの運転に関する所定の制御に対する運転員の意思決定を支援する運転管理支援装置による運転管理支援方法であって、
    前記運転管理支援装置は、
    前記プラントの実績を示す計測データを入力として前記制御における制御値の予測値である予測制御値を算出する１以上の制御値予測モデルと、
    前記予測制御値を入力として前記制御の制御結果の予測値である予測制御結果を算出する結果予測モデルと、
    を有し、
    前記運転管理支援装置が、前記計測データを入力して、１以上の前記制御値予測モデルから制御値予測モデルごとの予測制御値を算出する制御値予測モデル計算ステップと、
    前記運転管理支援装置が、前記制御値予測モデル計算ステップで算出された制御値予測モデルごとの予測制御値を入力して、前記結果予測モデルから制御値予測モデルごとの予測制御結果を算出する結果予測モデル計算ステップと、
    前記運転管理支援装置が、前記結果予測モデル計算ステップで算出された制御値予測モデルごとの予測制御結果と予め定められた前記プラントの制御目標値とを比較して、それぞれの予測制御結果を算出した制御値予測モデルの精度を評価することにより、前記プラントに適用して好適な制御値予測モデルを判断する精度評価ステップと、
    前記運転管理支援装置が、前記制御値予測モデル計算ステップで算出された予測制御値、及び前記精度評価ステップによる評価の結果を少なくとも含む処理結果情報を出力する出力ステップと、
    を備えることを特徴とする運転管理支援方法。
    

Images