JPH03179502A - 適応制御方法 - Google Patents

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】 〔産業上の利用分野〕 本発明は、適応制御方法に係り、特に運転レベルにより
特性が変化するプラントを適応制御するのに好適な適応
制御方法に関する。

〔従来の技術〕

プラントを制御する場合、プラントの特性を知り、この
特性に基づいて最適な操作量を決定する必要がある。そ
のための方法として、従来、　ｒ（１）“Ｓｔｅａｍ　
Ｔｅｍｐｅｒａｔｕｒｅ　Ｐｒｅｄｉｃｔｉｏｎ　Ｃｏ
ｎｔｒｏｌ　ｆｏｒＴｈｅｒｍａｌ　　Ｐｏｗｅｒ　　
Ｐｌａｎｔ”　ＩＥＥＥ、　　丁ｒａｎｓ、　　ｏｎ　
　ＰｏｗｅｒＡｐｐａｒａｔｕｓ　ａｎｄ　Ｓｙｓｔｅ
ｍｓ、　Ｖｏｎ　、　ＰＡｓ−１０３ｒＮｎ９ｙＳｅｐ
ｔｅｍｂｅｒ（１９８４）、　ｐｐ、２３８２−２３８
７．　（２）　”ＡｄａｐｔｉｖｅＯｐｔｉｎ＋ａｌ　
　Ｃｏｎｔｒｏｌ　　ｏｆ　　Ｓｔｅａｍ　　丁ｅｍｐ
ｅｒａｔｕｒｅｓ　　ｆｏｒＴｈａｒｍａｌ　Ｐｏｗｅ
ｒ　Ｐｌａｎｔｓ”ＩＥＥＥ、　Ｔｒａｎｓ、　ｏｎ　
ＥｎｅｒｇｙＣｏｎｖｅｒｓｉｏｎ、Ｖｏｌｌ　、４．
　Ｍｃｌｌ、　Ｍａｒｃｈ（１９８９）、ｐｐ、２５−
３３）に記載されているプラント予測適応制御方法があ
る。これらに文献では、このプラント予測適応制御方法
を火力プラントに適用している。すなわち、火力プラン
トのモデルを制御システムに内蔵し、このモデルのパラ
メータをプラントの運転データにより同定し、同定した
モデルを用いてプラントの近い将来の動きを予測して、
この予測結果に基づいて操作量を決定している。

ところで、火力プラントの特性は１次式に示すように非
線形微分方程式で表わされる。

ここで。

Ｉ ・・・（１） ：温度、圧力等を表わす状態変数 ：燃料量、給水量等を表わす操作 変数 ：非線形関数 従来は、（１）式で表わされされる火力プラントのモデ
ルとして、（１）物理モデルと（２）　、ｌｉｔ形回帰
モデルを利用していた。（１）の物理モデルは、質量バ
ランス、エネルギバランス、運動量バランス等の物理現
象を表わす数式を用い、（１）式で表わされる火力プラ
ントの特性の一部分を模擬していた。物理モデルの特徴
は、負荷レベルにより特性が変化する非線形特性を模擬
できる点にある。しかし、規模が大きく複雑な物理モデ
ルは、モデル・パラメータの調整が難しく、実現が難し
い。

（２）の線形回帰モデルは、火力プラントの入出力変数
の時系列信号の線形結合により、火力プラントの出力変
数を推定する数式を用い、（１）式で表わされる火力プ
ラントの特性の一部分を模擬していた。線形回帰モデル
の特徴は、比較的規模が大きく複雑なモデルを実現でき
る点にある。しかし、線形回帰モデルは、負荷レベルに
より特性が変化する非線形特性を模擬することが難しい
。

〔発明が解決しようとする課題〕

上記従来技術では、（１）物理モデルにより火力プラン
ト全体を模擬するモデルの実現が難しく、二次過熱器等
火力プラントの一部分を模擬するものを使用せざるを得
す、本来、多入力多出力系である火力プラントの近い将
来の動きを予測するのに限界があり、制御性向上にも限
界がある、（２）線形回帰モデルにより火力プラントの
大部分を模擬することができるが、火力プラントの特性
が負荷レベルにより変化する非線形特性を持っているの
で、負荷変化に適応してモデル・パラメータを同定する
必要があるが、負荷変化の速度が速い場合、同定速度が
負荷変化に追従できず、制御性向上に限界がある。とい
う問題があった。

本発明の目的は、多入力多出力のプラン１〜全体を模擬
すると共に、出力レベルにより特性が変化する非線形特
性を模擬するモデルを実現して、このモデルを用いて経
時、及び、外乱等によるプラントの特性変化に適応して
最適な操作量を決定し、制御性を向上できる適応制御方
法を提供することにある。

〔課題を解決するための手段〕

上記目的を達成するために、プラントの入出力変数の時
系列信号を入力してプラントの出力変数の推定値を出力
する非線形回帰モデルをニューラル・ネットワークによ
り実現し、このモデルを用いてプラントの特性変化に適
応して最適な操作量を決定するようにした。

ニューラル・ネットワークの学習、すなわち。

非線形回帰モデルの同定には、プラントの運転データを
学習用データとして使用する。

〔作用〕

ニューラル・ネットワークには、入力を非線形変換して
、その結果を出力する機能がある。従って、この機能を
利用してプラントの非線形回帰モデルを実現できる。す
なわち、プラントの入出力変数の時系列信号を入力し、
これらの信号を非線形変換してプラントの出力変数の推
定値を出力する非線形回帰モデルをニューラル・ネット
ワークの非線形変換機能により実現できる。これにより
、プラントの特性が出力レベルにより変化する特性、す
なわち、非線形特性の模擬ができるモデルを実現でき、
このモデルを用いてプラントの特性変化に適応して最適
な操作量を決定でき、制御性を向上することができる。

また、プラントの運転データを学習用データとして使用
し、ニューラル・ネットワークを学習させるので、オン
ラインで非線形回帰モデルを同定でき、経時及び外乱等
によるプラントの特性変化にも適応できる。

〔実施例〕

第１図に本発明の一実施例を示す。本実施例は。

制御対象ｌの制御量ｙの目標値ｒを予測する目標値予測
システム３．制御対象１の非線形回帰モデルを同定する
モデル同定システム４．同定した非線形回帰モデルを用
いて制御量ｙを予測する制御量予測システム５．目標値
ｒの予測値と制御ｉｔｙの予測値に基づいて制御対象１
を制御する予測制御システム２から構成される。

モデル同定システム４は、制御対象上の非線形回帰モデ
ル、すなわち、制御対象↓の入出力変数の時系列信号に
基づいて制御対象１の出力変数の推定値を求めるモデル
を同定する。この非線形回帰モデルは、第２図及び次式
で表わされる。

Ｃ＝Ｆ（Ｚ）　　　　　　　　　　　　・・・（２）こ
こで、Ｃ：制御対象１の制御量、すなわち出力変数ｙの
現時点ｔでの値ｙ（ｔ） の推定値ｙ（ｔ） ２：入出力変数の時系列信号 Ｆ：非線形関数 以下、制御対象１として火力プラントを対象に、本発明
の詳細な説明する。

火力プラントの場合、出力変数ｙの現時点ｔでの値ｙ（
ｔ）は１例えば蒸気温度制御を例にすると次式で表わさ
れる。

ここで、　Ｔｓｕ（ｔ）：主蒸気温度ＴＳＨの現時点ｔ
の値 Ｔｗｗ（ｔ）：火炉氷壁出口蒸気温度Ｔｗｗの現時点ｔ
の値 ＴｎＨ（ｔ）：再熱蒸気温度ＴＲ）Ｉの現時点ｔの値 また、入出力変数の時系列信号Ｚは、蒸気温度制御の場
合、次式で与えられる。

ここで、ＴｓＨ（ｔ−ｉ）：主蒸気温度ＴＳＨのサンプ
リング時点（ｔ　−ｉ　） の値 Ｔｗｗ（ｔ−ｉ）：火炉氷壁出口蒸気温度Ｔｗｗのサン
プリング時 点（ｔ−ｉ）の値 ＴＲｏ（ｔ−ｉ）：再熱蒸気温度ＴＲＨのサンプリング
時点（１− １）の値 Ｆｒ（ｔ−ｉ）　　：燃料流量ＦＦのサンプリング時点
（ｔ−ｉ）の 値 Ｆｓｐ（ｔ−ｉ）ニスプレイ流量Ｆｓｐのサブリング時
点（ｔ−ｉ） の値 ＦａＲ（ｔ　−ｉ　）　：ガス再循環流量ＦＯＲのサン
プリング時点（ｔ −ｉ）の値 Ｌｏ（ｔ−ｉ）　　：発電抵出力ＭＷのデマンドのサン
プリング時 点（ｔ−ｉ）の値 し　：回帰モデルの次数 なお、入力変数Ｘのうち発電機出力ＭＷのデマンドＬｏ
は、火力プラントに対する外乱として作用する。

非線形関数Ｆ（Ｚ）は、第３図に示す多層（ｍ層）のニ
ューラル・ネットワークで構成する。このニューラル・
ネットワークの構成要素であるユニットの構成を第４図
に示す。このユニットの入出力関係は、次式で表わされ
る。

ｖ＊（ｋ）＝ｆ（ｖＪ（ｋ））　　　　　　　　　　・
・・（７）ｖｊ（ｋ）＝ΣｗｔＪ（ｋ−１，ｋ）・ｖｔ
（ｋ−１）・・・（８）ここで、ｖａ（ｋ）：第ｋｌの
第ｊユニットへの入力の総和 ｖＪ（ｋ）：第に層の第ｊユニットの出ｗｔＪ（ｋ　−
１、ｋ　）　：第（ｋ−１）層の第ｉユニットから第に
層の第ｊユニ ットへの結合の重み係数 ｆ：各ユニットの入出力関数を 与える関数 ニューラル・ネットワークの第−層は、入力層であり、
第−層のユニットの出力は、ニューラル・ネットワーク
への入力信号となる。本発明の実施例では、ニューラル
・ネットワークへの入力信号は、制御対象１の入出力変
数の時系列信号２であり、（３）式からその対応は次式
で表わされる。

・・・（９） また。

ニューラル・ネットワークの最終層 （本 発明の実施例では第ｍ層）は、出力層であり、この層の
ユニットの出力は、ニューラル・ネットワークの出力信
号となる。本発明の実施例では、ニューラル・ネットワ
ークの出力信号は、制御対象１の出力変数ｙの現時点ｔ
での値ｙ（ｔ）の推定値９（ｔ）（Ｃ）であり、（３）
式からその対応は次式で表わされる。

（２）式に示す非線形変換関数Ｆ（Ｚ）の特性は、（７
）、　（８）式に示すユニットの入出力関係が変化する
とそれに伴って変化する。すなわち、ニューラル・ネッ
トワークの層の個数、各層のユニットの個数、各ユニッ
トの重み係数ｗｔｔ（ｋ　　１．ｋ）、各ユニットの入
出力関係を与える関数ｆが変化すると、非線形変換関数
Ｆ（Ｚ）の特性が変化する。

従って、層の個数、各層のユニットの個数、各ユニット
の重み係数Ｗ口（ｋ−１，ｋ）　、各ユニットの入出力
関係を与える関数ｆを調整することにより目的に適合す
る非線形変換関数Ｆ（Ｚ）を構築できる。

モデル同定システム４は、制御対象ｌの非線形回帰モデ
ルを学習により同定する。次に、この学習のアルゴリズ
ムについて説明する。

先ず、学習用データとして入出力の組（Ｚ、Ｃ）が与え
られたとき、次式に示す誤差の二乗を損失関数Ｒとして
定義する。

Ｒ＝−Σ（ｖｔ（ｍ）（ｗ、ｚ）−ＣＪ）２　　　−（
１１）ｊ ここで、　　Ｗ　：ニューラル・ネットワークの結合の
重み係数をすべて まとめたもの ｖＪ（ｍ）（ｗ、Ｚ）、：入力Ｚと重み係数Ｗから総合
的に得られる第ｍ層（出 六層）の第ｊユニットの出 力 Ｗの修正量ΔＷは、損失関数ＲのＷについての勾配（ｇ
ｒａｄｉｅｎｔ）から求められ、次式で表わされる。

ここで、ΔＷＩＪ（ｋ　　ｌ、ｋ）　　：第（ｋ−１）
！の第ｉユニット から第に層の第 ｊユニットへの 結合の重み係数 ＷＩＪ（ｋ　　１．ｋ） の修正量 ε　：正の定数 （１２）式の右辺（１）　ａ　Ｒ／　ａ　ｗ＋Ｊ（ｋ　
　１　、　ｋ’）は、次式のように変形できる。

ａＲａＲａｕｓｃｋ） ａｗｉＪ（ｋ−Ｌｋ）　　ａｕＪ（ｋ）　　ａｗｉＪ（
ｋ−１，ｋ）・・（１３） （８）式を（１３）式に代入して整理すると、次式が導
かれる。

ａ　ＷＩＪ（ｋ　　　Ｌｋ）　　　ａ　ｕｘ（ｋ）に≠
ｍのとき、（１４）式の右辺のａＲ／ａｕＪ（ｋ）は、
次式により求められる。

・・・（１５） （７）、　（８）式を（１５）式に代入して整理すると
、次式で得られる。

・・・（１６） ここで、ｆ′　：各ユニットの入出力関係を与える関数
ｆの導関数 δＲ／δｕ　Ｊ（ｋ）＝　ｄ　Ｊ（ｋ）とおくと、　（
１２）。

（１６）式は、次式で表わされる。

ΔｗＩＪ（ｋ＋１．ｋ）＝−εｄＪ（ｋ）・ｖｌ（ｋ−
工）＝−εｖｔ（ｋ　　１）・ｄ、（ｋ） ・・・（１７） ｄ、（ｋ）＝（Σｄａ（ｋ＋１）”Ｗｔａ（ｋ、に＋１
））４’　（ｕＪ（ｋ））＝（Σｗｔａ（ｋ、に＋１）
・ｄ＊（ｋ＋１））・ｆ’　（ｕ−（ｋ））・・・（１
８） また、ｋ＝ｍのとき、ａＲ／δｕ−（ｍ）は、（１１）
式から次式により求められる。

＝（ｖＪ（ｍ）−Ｃｊ）ｆ’　　（ｖＪ（ｍ））・・１
１９）（１７）、　（１８）、　（１９）式を用いると
、結合の重み係数ｗ＋Ｊ（ｋ　　１．ｋ）の修正が、ｋ
　＝　ｍからに＝２に向かって、再帰的に計算される。

すなわち、出力層での理想出力ＣＪ　と実際の出力ｖ−
（ｍ）（ｗ、ｚ）との誤差を入力として、出力層から入
力層の方向へ、信号の伝播と逆の方向にｖｔｚｔ（ｋ　
、　ｋ　＋　１　）で重みをつけた和をとりながら伝播
していく。これが、誤差逆伝播学習アルゴリズムである
。

各ユニットの入出力関係を与える関数ｆがすべてのユニ
ットについて共通で、次式で表わされるものとする。

（２０）式より、次式が得られる。

ｆ　’　（ｕ）＝　ｆ　（ｕ）（１−ｆ　（ｕ））　　
　　　−（２１）（７）　、　（２１）式より、次式が
導かれる。

ｆ’　（ｕａ（ｋ））＝ｖ＊（ｋ）（１−ｖＪ（ｋ））
　・・１２２）なお、学習を滑らかに速く収束させるた
めに。

（１７）式は次式のように修正することができる。

ΔＷＩＪ（ｋ　　１；ｋ）（ｆ）＝　　ｉ　ｖｔ（ｋ　
　１）（ｒ）・ｄＪ（ｋ）（ｔ）十αΔｗ　ｓ　Ｊ　（
ｋ−１＋　ｋ　）　（て−ｌ）・・・（２３） ここで、α：正の定数（α＝ｌ−εとしてもよい） τ：修正の回数 学習用データの入出力の組（Ｚ、Ｃ）において、入力Ｚ
を学習用入力データと呼び、出力Ｃを学習用教師データ
と呼ぶ。次に、本発明の実施例における学習用データの
獲得方法について説明する。

学習用データの入出力の組（Ｚ、Ｃ）には、制御対象１
の運転データ、すなわち、制御対象１の入出力変数の時
系列データを利用する。例えば、サンプリング周期Δｔ
で収集した現時点ｔからＭサンプリング前までの時系列
データ（ｙ（ｔ）。

ｘ（ｔ））、（ｙ（ｔ　　ＩＬ　ｘ（ｔ−１））、−９
（ｙ（ｔ−Ｍ）Ｉ　ｘ（ｔ−Ｍ））　　（Ｍ之Ｌ）を記
憶しておき、このデータを利用する。この時系列データ
と学習用入出力の組（Ｚ、Ｃ）との対応を次式に示す。

上記の （Ｍ−Ｌ＋１） 個の学習用データの人出 力の組 （Ｚ。

Ｃ） を用いて、 先に説明した誤差逆 伝播学習アルゴリズムによりニューラル・ネットワーク
を学習させ、非線形回帰モデルを同定する。

目標値予測システム３は、制御対象１の制御量ｙの目標
値ｒを予測する。例えば、火力プラントの場合、発電機
出力ＭＷのデマンドＬｏの関数として、次式により求め
る。

ここで、 ｒ（ｔ＋ｐ １）：　１時点でのｐサンプ リング先の目標値の 予測値 ｒｒｓｏ　　Ｃ主蒸気温度ＴＳＨの目標値ｒｔｗｗ　　
：火炉水壁出口蒸気温度Ｔｗｗの目標値ｒｔＲＨ：再熱
蒸気温度ＴＲＨの目標値制御量予測システム５は、モデ
ル同定システム４で同定した非線形回帰モデルを用いて
制御量ｙを予ａｌｌ＋する。この予測は、次式により行
なう。

ここで、ｙ（ｔ＋ｐｌｔ）：　を時点でのｐサンプリン
グ先の制御量の予測 値 すなわち、（２６）式で示す予測計算式は、入力を現時
点ｔより１サンプリング前の値ｘ本（ｔ；−１）にホー
ルドしたとき、ｐサンプリング先の制御量ｙの予測値９
（ｔ＋ｐｌｔ）を求める式である。ただし、ｘ＊（ｔ−
１）において、発電機出力ＭＷのデマンドＬｏは、現時
点ｔの値Ｌｏ（ｔ）を用いる。

予測制御システム２は、目標値子１１１１システム３と
制御量予測システム５でそれぞれ予測した目標値ｒ（ｔ
＋ｐｌｔ）と制御Ｍｙ（ｔ＋ｐｌｔ）を用いて、 現時点ｔの操作量を決定する。

この操作量の 計算は、 次式により行なう。

・・・（２７） ここで、 Ｋｐ　１゜ ＰＺＩ Ｋｐａ　：比例ゲイン Ｋ　ｒ　ｚ　＋ Ｋ　ｒｘ。

Ｋｓｓ：積分ゲイン また、 ｘ４（ｔ） は、 次式により求める。

Ｘ４（ｔ）：　Ｌｏ（ｔ） ・・・（２８） 本発明の一実施例では、蒸気温度制御に注目して説明し
たが、本発明は、蒸気温度制御に限定されることなく、
火力プラントの種々のプロセス量の制御に適用できる。

ここで、本発明の他の実施例の説明に入る前に火力プラ
ントの概要について説明する。第５図は、高圧タービン
４１７および中・低圧タービン４１８を具備した火力プ
ラントの構成を示したものである。中・低圧タービン４
１８からの排気は、復水器４２０によって冷却され、水
に戻される。この水は、給水ポンプ４１５．火炉氷壁４
１０．−次週熱器４１↓、二次過熱器４０８を順次繰て
過熱蒸気になり、主蒸気加減弁４１６を介して高圧ター
ビン４１７に与えられる。高圧タービン４１７からの排
気は、再び、ボイラ４２２内の一次再熱器４２３．二次
再熱器４０９で再熱され、中・低圧タービン４１８に与
えられる。この結果、発電機４１９が高圧、中・低圧タ
ービン４１７．４１．８によって回転駆動され、発電が
行なわれる。なお。

スプレ制御弁４１３は、スプレ４２↓により一次。

二次過熱器４１１，４０８間の配管に給水するためのも
のである。また、ボイラ４２２への微粉炭の供給は、石
炭バンカ４０４．給炭機駆動モータ４０５、給炭機４０
６及び石炭ミル４０７により行なわれる。さらに、押込
み通風機４０１．空気予熱器４０２．空気ファン４０３
．誘引通風機４１４及びガス再循環ファン４↓２は、空
気の供給や燃焼ガスの排気、廃熱の再利用のために設け
られている。

火力プラントは、以上説明した構成になっており、中央
給電指令所（以下中給と略称する）からの負荷指令Ｌｃ
や火力プラントの制御量に基づいて、主蒸気加減弁、給
水ポンプ、給炭機駆動モータ、押込通風機、スプレ制御
弁、ガス再循環ファン、誘引通風機などを適当に操作し
なければならない。

次に、本発明の他の実施例を第６図に示す。この図では
、サブループ・コントローラ３００と火力プラント４０
０からなるシステムを予測制御システム２の制御対象↓
としている。すなわち、予測制御システム２は、操作量
Ｘとして、タービン蒸気流量デマンドＦｓｓｏ、給水流
量デマンドＦＦＷＤ。

燃料流量デマンドＦＦＤＩ空気流量デマンドＦＡＤＩス
プレ流量デマントＦｓｐｏ　＊再循環ガス流量デマンド
ＦＯＲＤＩ排ガス流量デマンドＦａｏを（２７）式と同
様な予測制御演算により求める。また、サブループ・コ
ントローラ３００は、第７図に示すように、これらのデ
マンドに従い、タービン制御器３０１、給水流量制御器
３０２．燃料流量制御器３０３、空気流量制御器３０４
．スプレ流量制御器３０５．再循環ガス流量制御器３０
６．排ガス流量制御器３０７を介して、火力プラント４
００の主蒸気加減弁４１６．給水ポンプ４１５．給炭機
駆動モータ４０５．押込み通風機４０工、スプレ制御弁
４１３．ガス再循環ファン４１２．誘引通風機４１４を
操作する。この結果、火力プラント４００の制御量ｙ、
すなわち、発電機出力ＭＷ、。

主蒸気圧力ＰＳＨＩ主蒸気温度Ｔｓｕｔ排ガス０２゜０
２火炉水壁出ロ蒸気温度Ｔｗｗ、再熱蒸気温度ＴＲ１＋
１火炉ドラフトＰｗｗが望みの目標値になるように制御
される。

本発明の他の実施例を第８図に示す。この図では、フィ
ード・フォワード・コントローラ２００゜サブループ・
コントローラ３００及び火力プラント４００からなるシ
ステムを予測制御システムの制御対象１としている。す
なわち、予測制御システム２は、操作量Ｘとして、ター
ビン蒸気流量デマンド修正量ΔＦｓｓｏｙ給水流量デマ
ンド修正量ΔＦＦＷＤ　＋燃料流量デマンド修正量ΔＦ
ＦＤＩ空気流量デマンド修正量ΔＦＡＤＩスプレ流量デ
マンド修正量ΔＦｓｐｏ＋再循環ガス流量デマンド修正
量ΔＦＧＲＤ　＋排ガス流量デマンド修正量ΔＦｃｏ、
を（２７）式と同様な予測制御演算により求める。フィ
ード・フォワード・コントローラ２００では、第９図に
示すように、中給からの負荷指令Ｌｃ（＝ＥＣＤ＋ＡＦ
Ｃ）が加算器２０１により得られ、これを変化率制限器
２０２によって処理することにより負荷デマンドＬｏが
求められる。この負荷デマンドＬｏと予測制御システム
２からのデマンド修正量ΔＦ　ＭＳＤ　Ｉ　ΔＦＦＷＤ
Ｉ　ΔＦＦＤＩ　ΔＦＡＤ。

ΔＦ、５ＰＤｌΔＦＯＲＤＩΔＦｃｏに基づき、補正回
路２０３〜２０９によりタービン蒸気流量デマンドＦＭ
ＳＤＩ給水流量デマンド修正量ΔＦＦＩＩＤＩ燃量流量
デマンドＦＦＤＩ空気流量デマンドＦＡＤ、スプレィ流
量デマンドＦｓｐｏ＋再循環ガス流量デマンドＦＧＲＤ
　＋排ガス流量デマンド修正量が先行的に決定される。

これらの関係を次式に示す。

また、サブループ・コントローラ３００は、これらのデ
マンドに従い、タービン制御器３０１゜給水流量制御器
３０２．燃料流量制御器３０３゜空気流量制御器３０４
．スプレ流量制御器３ｏ５゜再循環ガス流量制御器３０
６．排ガス流量制御器３０７を介して、火力プラント４
００の主蒸気加減弁４１６．給水ポンプ４１５．給炭機
凍動モータ４０５．押込み通風機４０１．スプレ制御弁
４１３、ガス再循環ファン４１２．誘引通風機４１４を
操作する。この結果、火力プラント４００の制御量ｙ、
すなわち、発電機出力ＭＷ、主蒸気圧力ＰＳ）１１火炉
氷壁出口蒸気温度Ｔｗｖ、　ＴＳＨＩ排ガス０２０２．
主蒸気温度ＴＳ）Ｉ、再熱蒸気温度ＴＲＨ，火炉ドラフ
トＰｗｗが望みの目標値になるように制御される。

本発明の他の実施例を第１０図に示す。この図では、マ
スク・コントローラ１００．サブループ・コントローラ
３００、及び、火力プラント４００からなるシステムを
予測制御システム２の制御対象ｌとしている。すなわち
、予測制御システム２は、操作量Ｘとして、タービン蒸
気流量デマンド修正量ΔＦＭＳＤＩ給水流量デマンド修
正量ΔＦＦＷＤ。

燃料流量デマンド修正量ΔＦＦＤＩ空気流量デマンド修
正量ΔＦＡＤ、スプレ流量デマンド修正量ΔＦｓｐＤ＋
再循環ガス流量デマンド修正量ΔＦａｔｔＤ＋排ガス流
量デマンド修正量ΔＦｃｏを（２７）式と同様な予測制
御演算により求める。マスク・コントローラ１００では
、第１上図に示すように、中給からの負荷指令Ｌｃ（＝
ＥＬＤ＋ＡＦＣ）が加算器１０１により得られ、これを
変化率制限器１０２によって処理することにより、負荷
デマンドＬ。

が求められる。この負荷デマンドＬｏと予測制御システ
ム２からのデマンド修正量ΔＦ　ＭＳＤ　ＩΔ　ＦＩＤ
Ｉ　　Δ　ＦＦＤ、　　Δ　ＦＡＤ、　Δ　Ｆｓｐｏ＋
　　Δ　Ｆ　ａｎｎ　＋ΔＦＧＤ及び制御ｍｙのフィー
ト・バック制御器１１０〜１１６すなわち、発電機出力
Ｍ　Ｗ　、主蒸気圧力ＰＳＨ＃火炉水壁出ロ蒸気温度Ｔ
ｗｗ、排ガス０２０２、主蒸気温度Ｔ　ｓ　Ｈ２再熱蒸
気温度ＴＲＨ。

火炉ドラフトＰｗｗのフィード・バック制御Ｗ３１１０
〜１１６からのデマンド修正量ΔＦ　’　ＭＳＤ　。

ΔＦ　Ｆｗｏｐ　ΔＦ’ＦＤＩ　ΔＦ′＾Ｄ、ΔＦ　’
　ｓｐＤ。

ΔＦ　’　ＧＲＤ　ｌΔＦ’ｃｏに基づき、補正回路１
０９゜１０３〜１０８により、タービン蒸気流量デマン
ドＦＭｓｏｐ給水流量デマンドＦ１４ＤＩ燃料流量デマ
ンドＦＦＤ、空気流量デマンドＦＡＤＩスプレ流量デマ
ンドＦｓｐｏ　ｅ再循環ガス流量デマンドＦＯＲＤＩ排
ガス流量デマンドΔＦＧＤが決定される。これらの関係
を次式に示す。

ここで、ｆ（）：関数 また、サブループ・コントローラ３００は、これらのデ
マンドに従い、タービン制御器３０１゜給水流量制御器
３０２．燃料流量制御器３ｏ３゜空気流量制御器３０４
．スプレ流量制御器３０５゜再循環ガス流量制御器３０
６．排ガス流量制御器３０７を介して、火力プラント４
００の主蒸気加減弁４１６．給水ポンプ４１５．給炭機
駆動モータ４０５．押込み通風機４０１．誘引通風機４
１４を操作する。この結果、火力プラント４００の制御
量ｙ、すなわち、発電機出力Ｍ　Ｗ　、主蒸気圧力ＰＳ
ＨＩ火炉水壁出ロ蒸気温度Ｔｗｗ、排ガス０２０２＋主
蒸気温度Ｔ　ｓ　Ｈ＋再熱蒸気温度ＴＲＨ，火炉ドラフ
トＰｗｗが望みの目標値になるように制御される。

本発明の一実施例では、Ｐサンプリング先のホ１ｊ御量
ｙの予測値ｙ（ｔ＋ｐｌｔ、）を求める場合、発電機出
力ＭＷのデマンドＬｏを現時点ｔの値Ｌｏ（ｔ）にホー
ルドして求めたが、発電機出方ＭＷのデマンドＬＤの予
測値Ｌｏ（ｔ＋１１ｔ）。

Ｌｏ（ｔ＋２１ｔ）、・・・Ｌｏ（ｔ＋１ｐｌｔ）を用
いるようにしてもよい。

発電機出力ＭＷのデマンドＬｏの予測値Ｌｏ（ｊ→−１
１ｔ）（ｉ＝１．２．・・・＋　ｐ）としては、中給に
おいて求めた予測値を利用してもよい。また、火力プラ
ントにおいて線形予測式あるいは非線形予測式を用いて
求めた予測値を利用してもよい。

本発明の一実施例では、同定した非線形回帰モデルを用
いて制御量ｙを予測し、この予測結果に基づいて操作量
を決定するようにしたが、第１２゜１３図に示すように
同定した非線形回帰モデルを用いて線形モデルを作成し
、この線形モデルを用いて予測制御あるいは線形最適制
御理論により最適な操作量を決定するようにしてもよい
。なお、線形モデルを作成する場合、第１４図に示すよ
うに、シミュレーションにより非線形回帰モデルの入力
変数を時間的に変化させ、このときの出力変数の時間的
変化と入力変数の時間的変化から最小２乗法、カルマン
・フィルタ等の同定手法により負荷レベルに対応して線
形モデルを同定する。

本発明の一実施例では、同定した非線形回帰モデルを用
いて制御量ｙを予測し、この予測結果に基づいて操作量
を決定するようにしたが、第１５図に示すように、同定
した非線形回帰モデルを用いて制御システムの制御パラ
メータを調整するようにしてもよい。また、第１６図に
示すように、同定した非線形回帰モデルを用いて線形モ
デルを作成し、この線形モデルを用いて制御システムの
制御パラメータを調整するようにしてもよい。

本発明の一実施例では、制御対象の運転データを記憶し
ておき、この運転データを学習用データとして使用して
、これによりニューラル・ネットワークを学習させてモ
デルを同定するようにしたが、制御対象の時々刻々変化
する運転データを学習用データとして使用し、これによ
りオンライン・リアルタイムでニューラル・ネットワー
クを学習させてモデルを同定するようにしてもよい。

〔発明の効果〕

本発明によれば、制御対象の入出力変数の時系列信号を
入力し、これらの信号を非線形変換して制御対象の出力
変数の推定値を出力する非線形回帰モデルをニューラル
・ネットワークの非線形変換機能により実現するので、
制御対象の特性が出力レベルにより変化する特性、すな
わち、非線形特性の模擬ができ、このモデルを用いて制
御対象の特性変化に適応して最適な操作量を決定でき、
制御性を向上できる効果がある。

また、制御対象の運転データを学習用データとして使用
し、ニューラル・ネットワークを学習させるので、オン
ラインで制御対象の非線形回帰モデルを同定でき、経時
及び外乱等による制御対象の特性変化にも適応できる効
果がある。

【図面の簡単な説明】

第１図ないし第４図は、本発明の一実施例の説明図、第
５図は、火力プラントの系統図、第６図ないし第１６図
は、本発明の他の実施例の説明図である。 １・・・制御対象、２・・・予測制御システム、３・・
目標値予測システム、４・・・モデル同定システム、５
・・・第 ２ 図 １Ｆ＃ミ月にシ丘ヨリ中４一つｒ”ｔムメ茅 図 茅Ｉ層 ￥２４ ′４杉−ｊ）碕 茅／２塘 第％層 第り層 茅唱ニー１−／ト Ｌ　　　　　　　　　　　　　　　　　　　−−Ｊ第 図 ３（）０ ４θＯ ′〃目計ｒ灯栗ｌ

Claims (1)

1. 【特許請求の範囲】 １、制御量を目標値に一致させるように制御対象を制御
   する方法において、前記制御対象の入出力変数の信号を
   入力して前記制御対象の出力変数の推定数を出力するモ
   デルをニューラル・ネットワークにより実現し、このモ
   デルを用いて前記制御対象の特性変化に適応して最適な
   操作量を決定することを特徴とする適応制御方法。 ２、特許請求の範囲第１項において、前記制御対象の運
   転データを記録しておき、前記運転データを学習用デー
   タとして使用し、これにより前記ニューラル・ネットワ
   ークを学習させてモデルを同定する適応制御方法。 ３、特許請求の範囲第１項において、前記制御対象の時
   々刻々変化する前記運転データを学習用データとして使
   用し、これによりオンライン・リアルタイムで前記ニュ
   ーラル・ネットワークを学習させてモデルを同定する適
   応制御方法。 ４、特許請求の範囲第１項において、前記制御対象の入
   出力変数の信号として、前記制御対象の負荷レベルを表
   わす変数の信号を用いる適応制御方法。 ５、特許請求の範囲第１項において、前記制御対象の入
   出力変数の信号として、時系列信号を用いる適応制御方
   法。 ６、特許請求の範囲第１項において、前記ニューラル・
   ネットワークにより実現したモデルを用いて、前記制御
   対象の出力変数の近い未来値を予測し、この予測結果に
   基づいて最適な操作量を決定する適応制御方法。 ７、特許請求の範囲第６項において、前記制御対象の入
   力変数を現在値に固定して前記制御対象の出力変数の近
   い未来値を予測する適応制御方法。 ８、特許請求の範囲第６項において、前記制御対象の入
   力変数のうち前記制御対象への外乱を用いて前記制御対
   象の出力変数の近い未来値を予測する適応制御方法。 ９、特許請求の範囲第８項において、前記制御対象への
   前記外乱以外の制御対象の入力変数を現在値に固定して
   前記制御対象の出力変数の近い未来値を予測する適応制
   御方法。 １０、特許請求の範囲第１項において、前記ニューラル
   ・ネットワークにより実現した前記モデルを用いて、線
   形モデルを作成し、前記線形モデルを用いて前記制御対
   象の特性変化に適応して最適な操作量を決定する適応制
   御方法。 １１、特許請求の範囲第１０項において、負荷レベルに
   対応した線形モデルを作成する適応制御方法。 １２、特許請求の範囲第１項において、前記ニューラル
   ・ネットワークにより実現したモデルを用いて、制御装
   置の制御パラメータを調整し、前記制御対象の特性変化
   に適応して最適な操作量を決定する適応制御方法。 １３、特許請求の範囲第１０項において、前記線形モデ
   ルを用いて、制御装置の制御パラメータを調整し、前記
   制御対象の特性変化に適応して最適な操作量を決定する
   適応制御方法。