JPH0887303A - プラント予測制御装置 - Google Patents

Abstract

(57)【要約】 【目的】 本発明は、専門的なオペレ−タを確保する必
要がなく、プラントを効率的に運転可能にすることにあ
る。 【構成】 プラントの負荷を予測する予測制御装置にお
いて、プラント負荷実績，気象，曜日等を記憶するデー
タベース１２と、このプラント負荷実績，気象および曜
日等に基づいてプラント負荷を予測するプラント負荷予
測手段１４と、ここで予測された負荷予測値を平滑化し
プラントの運用計画値を得る平滑化計画手段１５と、こ
の運用計画値から得られる当日の負荷予測値、気象およ
び曜日等を検索キーとし、データベースに記憶される過
去の負荷実績の中から当日と条件が類似し、かつ、運転
成績の良好なモデル日を検索する検索手段１６と、検索
されたモデル日の負荷実績とデータベースの現在の負荷
実績とから当日の制御設定値を決定する制御計画手段１
６とを設けたプラント予測制御装置である。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、鉄鋼，石油化学，紙パ
ルプ，食品，電力等の各種のプラントに適用されるプラ
ント予測制御装置に関する。

【０００２】

【従来の技術】従来のこの種のプラント計装システム
は、プラントの所要とする各所を制御する各種のプラン
ト機器単位の制御装置と、これら多数の制御装置を含む
プラント全体を総合的に管理するプラント監視装置とか
らなり、このプラント監視装置では制御装置からプロセ
ス状態データを受け取って運転状態や異常状態等を監視
したり、これら運転状態や異常状態等に応じ、或いはオ
ペレ−タの指示に応じて例えば制御モ−ドや目標値等の
運転状態を変更し、プラントの適切な運用を図ってい
る。従って、かかるプラント計装システムは、常時，専
門的なオペレータがプラントの運転状態を監視すること
が行われている。

【０００３】

【発明が解決しようとする課題】しかし、以上のような
プラント計装システムは、常時，専門的なオペレ−タを
確保しなければならず、プラントを常に効率的に運転す
ることが困難であること。

【０００４】例えばあいまいで複雑な制御を行う下水処
理プラントの計装システムについて考えてみる。この下
水処理プロセスは、水質のパラメ−タの相関はある程度
知られ、生物化学的なメカニズムの解明が進んでいる
が、未だ完全な定式化の形をとって制御することは困難
である。一方、運転制御については、単純なＰＩＤル−
プを組み合わせたシステムだけのものを用いても多岐の
制御にわたるので困難である。

【０００５】従って、現状のプラント計装システムで
は、専門的な知識を持たない限り、適切な監視を継続す
ることは難しい。このように従来の場合には、ややもす
ると現場で受け入れそうもない複雑な制御アルゴリズム
が高度な制御技術であると錯覚される傾向にあるが、実
際にプラントに適用したとき的確な知的判断がなければ
運転しにくい問題がある。

【０００６】請求項１の発明は上記実情に鑑みてなされ
たもので、専門的なオペレ−タを確保する必要がなく、
プラントを効率的に運転可能とするプラント予測制御装
置を提供することを目的とする。請求項２の発明は、ユ
ーザの運用を十分に生かしながらプラントを効率的に運
転可能とするプラント予測制御装置を提供することにあ
る。

【０００７】

【課題を解決するための手段】上記課題を解決するため
に、請求項１に対応する発明は、対象プラントのプラン
ト負荷を予測するプラント予測制御装置において、プラ
ント負荷実績データ，気象データおよび曜日データ等を
記憶するプロセス・データベース手段と、このプロセス
・データベース手段に記憶されるプラント負荷実績デー
タ，気象データおよび曜日データ等に基づいてプラント
負荷を予測するプラント負荷予測手段と、このプラント
負荷予測手段で予測されるプラント負荷予測値を平滑化
し前記対象プラントの運用計画値を得る処理負荷平滑化
計画手段と、この処理負荷平滑化計画手段の運用計画値
から得られる予測当日のプラント負荷予測値および入力
される気象データおよび曜日データ等の一部または全部
を検索キーとし、前記プロセス・データベース手段に記
憶される過去のプロセス負荷実績データの中から前記予
測当日と条件が類似し、かつ、運転成績の良好なモデル
日を検索する類似日検索手段と、この類似日検索手段で
検索されたモデル日のプラント制御設定値を含むプラン
ト負荷実績データと前記プロセス・データベース手段に
記憶される現在のプラント負荷実績データとを用いて予
測当日のプラント制御設定値を決定するプラント制御計
画手段とを設けたプラント予測制御装置である。

【０００８】次に、請求項２に対応する発明は、対象プ
ラントのプラント負荷を予測するプラント予測制御装置
において、プラント負荷実績データ，気象データおよび
曜日データ等を記憶するプロセス・データベース手段
と、このプロセス・データベース手段に記憶されるプラ
ント負荷実績データ，気象データおよび曜日データ等に
基づいてプラント負荷を予測するプラント負荷予測手段
と、このプラント負荷予測手段で予測されるプラント負
荷予測値を平滑化し前記対象プラントの運用計画値を得
る処理負荷平滑化計画手段と、この処理負荷平滑化計画
手段の運用計画値から得られる予測当日のプラント負荷
予測値および入力される気象データおよび曜日データ等
の一部または全部を検索キーとし、前記プロセス・デー
タベース手段に記憶される過去のプロセス負荷実績デー
タの中から前記予測当日と条件が類似し、かつ、運転成
績の良好なモデル日を検索する類似日検索手段と、この
類似日検索手段で検索されたモデル日のプラント制御設
定値を含むプラント負荷実績データと前記プロセス・デ
ータベース手段に記憶される現在のプラント負荷実績デ
ータとを用いて予測当日のプラント制御設定値を決定す
るプラント制御計画手段と、前記プロセス・データベー
ス手段に記憶される現在のプラント負荷実績データと外
部から入力される手分析値とに基づいてプラント運用に
関する分析を行う運用分析手段と、この運用分析手段の
分析結果と前記類似日検索手段で検索されたモデル日の
プラント負荷実測データとからデータの関連付けを行っ
て前記対象プラントの運用範囲を診断するとともに、こ
の運用範囲と前記プロセス・データベース手段に記憶さ
れる現在のプラント負荷実績データとに応じてアラーム
を出力するプラント状態診断手段とを設けたプラント予
測制御装置である。

【０００９】

【作用】従って、請求項１に対応する発明は、以上のよ
うな手段を講じたことにより、対象プラントからプラン
負荷実績データを計測し、また外部から過去・現在の気
象データおよび曜日データを入力し、プロセス・データ
ベース手段に記憶する。

【００１０】この状態においてプラント負荷予測手段
は、プロセス・データベース手段に記憶されるデータを
用いて予測当日のプラント負荷を予測する。このとき、
ニューラルネットワークで構成される例えば自己回帰予
測モデルを用いてプラント負荷を予測する。そして、予
測されたプラント負荷は、処理負荷平滑化計画手段を用
いて平滑化し対象プラントの運用計画値を立てる。

【００１１】しかる後、この運用計画値から得られる予
測当日のプラント負荷予測値、入力される気象データお
よび曜日データの一部または全部を検索キーとし、プロ
セス・データベース手段に記憶される過去のプラント負
荷実績の中から予測当日に最も類似する日を選び出し、
プラント制御の計画に用いる。

【００１２】プラント制御計画手段は、類似日検索手段
で検索されたモデル日のプラント制御設定値を含むプラ
ント負荷実績データと前記プロセス・データベース手段
に記憶される現在のプラント負荷実績データとをみなが
ら予測当日のプラント制御設定値を決定し、このプラン
ト制御設定値に基づいて対象プラントを制御するもので
ある。

【００１３】従って、プロセス・データベース手段に
は、時々刻々プラント負荷実績データが気象データおよ
び曜日データと関連を持たせながら蓄積されることか
ら、これら蓄積データは凝集されエッセンスとなり、し
かもプラントの予測負荷、気象データ，曜日データを検
索キーとし、蓄積されたデータの中からその類似日を選
び出すので、非常に精度の高いプラントの制御設定値を
得ることができる。

【００１４】また、請求項２に対応する発明は、請求項
１に対応する発明の作用の他、運用分析手段では、プロ
セス・データベース手段に記憶される現在のプラント負
荷実績データと外部から入力される手分析値とに基づい
てプラント運用に関する分析を実行し、この分析結果と
前記類似日検索手段で検索されたモデル日のプラント負
荷実測データとからデータの関連付けを行って対象プラ
ントの運用範囲を診断する。そして、この運用範囲と前
記プロセス・データベース手段に記憶される現在のプラ
ント負荷実績データとに応じてアラームを出力し、オペ
レータにアラーム解析や復旧処置を講じることを促すこ
とにより、事前にプラントの運転上から不都合な影響を
除去できる。

【００１５】

【実施例】以下、本発明装置の実施例について図面を参
照して説明する。図１は本発明装置の一実施例を示すブ
ロック構成図であって、適用対象プラントとして例えば
沈砂池，第１沈澱池，調整池，嫌気槽，脱窒槽，好気
槽，第２沈殿池，汚泥貯留槽等からなる下水処理プラン
ト１と、この下水処理プラント１の処理流量を予測する
プラント予測制御装置本体２によって構成されている。

【００１６】このプラント予測制御装置本体２は、現在
および過去のプラント（プロセス）負荷実績デ−タ等を
取り込むプロセスインタ−フェイス手段１１と、このプ
ロセスインタ−フェイス手段１１によって取り込んだ現
在および過去のプラント実績デ−タを記憶するプロセス
・デ−タベ−ス（以下、デ−タベ−スをＤＢと略記す
る）手段１２と、天候，気温などの気象予報値や例えば
前日の実際の天候，気温などのイベント情報となる気象
実績値，カレンダ−情報発生手段（図示せず）からの曜
日デ−タ等を取り込むヒュ−マン・インタ−フェイス
（以下、ＨＩと略記する）手段１３と、例えばニューラ
ルネットワークによる予測モデルを構成し、前記プロセ
スＤＢ手段１２に記憶されているプラント負荷実績デー
タ、プロセスインーフェイス手段１１から入力される気
象データおよび曜日データの一部または全部を用いてプ
ラントの負荷を予測するプラント負荷予測手段１４と、
下水処理プラント１のパラメータおよびプラント負荷予
測手段１４で予測されたプラントの負荷予測値とに基づ
いて、最適化手法として分岐限定法を用いて平滑化した
下水処理プラント１の運用計画であるプラント運用計画
値，すなわち処理負荷目標値を得る処理負荷平滑化計画
手段１５とが設けられている。

【００１７】また、プラント予測制御装置本体２は、前
記処理負荷平滑化計画手段１５によって得られた処理負
荷目標値計画値の中の当日のプラント負荷予測値、ヒュ
ーマン・インターフェイス手段１３から入力される気象
データ、曜日データ等を検索キーとして入力し、前記プ
ロセスＤＢ手段１２に記憶されるプラント負荷実績デー
タの中から当日と条件的に類似し、かつ、運転成績の良
いモデル日を検索する類似日検索手段１６と、パソコン
ＰＣなどからユーザにあった分析に必要な手分析値デー
タなどを取り込んでプロセスＤＢ手段１２に記憶するデ
ータベース（ＤＢ）・インターフェィス手段１７と、前
記類似日検索手段１６によって検索されるモデル日のプ
ラント負荷実績（プロセス設定値を含む）と前記プロセ
スＤＢ手段１２に記憶された現在のプラント負荷実績と
から当日のプラント制御設定値を決定するプラント制御
計画手段１８と、このプラント制御計画手段１８によっ
て得られたプラント制御設定値に基づいて下水処理プラ
ントを制御するプラント制御手段１９とが設けられてい
る。

【００１８】さらに、プラント予測制御装置本体２おい
ては、前記プロセスＤＢ手段１２に記憶されている現在
プラント負荷実績データと前記ＤＢインターフェィス手
段１７を介して入力される手分析値とからプラント運用
に関する統計処理等の分析を行う運用分析手段２０と、
この運用分析手段２０で分析された分析結果および前記
類似日検索手段１６で検索されたモデル日のプラント負
荷実績とからデータの関連付けを行ってプラントの状態
を診断するプラント状態診断手段２１と、このプラント
状態診断手段２１から得られるプラント運用範囲とプロ
セスＤＢ手段１２に記憶された現在のプラント負荷実績
とからプラント制御が実行されているかを判断し、され
ていない場合にはアラームを出力し、オペレータにアラ
ーム解析や復旧処理を支援する知的説明機能２２（１
３）とが備えられている。

【００１９】次に、以上のように構成された装置の作用
について説明する。なお、ここでは説明を簡単化するた
めに、プラント負荷の予測は、Ｎ＝２４、１時間毎とし
て考える。

【００２０】先ず、下水処理プラント１の過去および現
在のプラント負荷実績は、プロセスインターフェィス手
段１１を介してプロセスＤＢ手段１２に記憶されてい
る。なお、プロセスＤＢ手段１２による記憶形態は、１
時間毎１日分のプラント負荷実績データを、曜日別，例
えば休日，平日，特殊日別に記憶しているものとする。

【００２１】今、その日の曜日データが入力されると、
その曜日の平均値パターンｙ^w (i)（ｉ＝１〜２４）が
得られる。次に、前日のプラント負荷実績が得られたと
すると、予測日となる当日のプラント負荷ｙ^w (k) を予
測するために、例えば次のような自己回帰モデルが用い
られる。

【００２２】

【数１】

【００２３】ここで、ｙ^w (k) ：当日のプラント負荷予
測値［ｍ³ ／ｈ］、ａ₁ ，ａ₂ ：パラメータである。な
お、ａ₁ ，ａ₂ は自己回帰のパラメータであり、予め与
えることも可能であり、実時間で逐次最小２乗推定（カ
ルマンフィルタ）することも可能である。結局、当日の
予測値ｙ^w (k) とその曜日ｗのパターンである

【００２４】

【数２】 が得られるので、各時間帯の比で積分すると、下式で表
す当日の１時間毎２４時間の予測値ｙ^w (k,i) が得られ
る。

【００２５】 ｙ^w (k,i) （ｉ＝１〜２４） ［ｍ³ ／ｈ］ 次に、処理負荷平滑化計画手段１５では、次のような処
理を行ってプラントの運用計画を立てる。

【００２６】先ず、離散時刻ｋにおける処理計画値ｑ^*
(k) を次のように表記する。 ｑ^* (k) ＝ｆ^* (k) ｘ(k) …… （２） ここで、ｆ：プラントベクトル（ｆ₁ ，ｆ₂ ，…，ｆ
_d ）ｆ₁ ：定格処理容量［ｍ³ ／ｈ］である。

【００２７】ｘ(k) ：離散時刻ｋにおける状態変数（ｘ
₁ ，ｘ₂ ，…，ｘ_d ）ｘ₁ ＝０ｏｒ１である。次に、ｘ
(k) 遷移が次のように定式化される。

【００２８】 ｘ(k) ＝（ｋ−１）＋ｕ(k) …… （３） ここで、ｕ(k) ：離散時間ｋにおけるｘ(k) とｘ(k-1)
との変動を示す変数であって、（ｕ₁ ，ｕ₂ ，…，ｕ
_d ）で、ｋ＝１からＬ（＝２４）［hour］である。この
とき、最適化問題は、以下のように整数計画問題として
定式化される。 （目的関数）

【００２９】

【数３】

【００３０】（制約条件） ｜ｕ(k) ｜＜ｃ_x …… （５） ｑ_n ＜ｑ^*(k) ＜ｑ_x …… （６） ｈ _n ＜ｈ(k) ＜ｈ_x …… （７） 但し、 ｑ^* (k) ＝ｆ^* (k) ｘ(k) …… （２） ｘ(k) ＝（ｋ−１）＋ｕ(k) …… （３） ｈ_n (k) −ｈ(k-1) ＝ｑ^* (k) −ｑｄ(k) …… （８） ｕ：状態遷移変数 ｘ：状態変数 ｘ(0) ：ｇｉｖｅｎ ｑｄ(k) ，ｋ＝１〜２４：ｇｉｖｅｎ負荷予測値［ｍ³
／ｈ］ ｑ^* (k) ，ｋ＝１〜２４：処理計画値 ［ｍ³
／ｈ］ ｆ：プラントベクトル ｈ(k) ，ｋ＝１〜２４：計画貯留量［ｍ³ ］ ｈ(0) ：ｇｉｖｅｎ ｑ_n ：処理下限値 ［ｍ³ ／ｈ］ ｑ_x ：処理上限値 ［ｍ³ ／ｈ］ ｈ_n ：貯留量下限値 ［ｍ³ ］ ｑ_n ：貯留量上限値 ［ｍ³ ］ ｃ_n ：変動量子化数制限［台］ ｇ ：ペナルティ関数（夜間電力利用、ピークカット評
価関数） 本実施例では、この整数計画問題を分岐限定法（ＢＢ
Ｍ）によって解く。 （ａ） 分岐手順 ｘ(1) ，(2) ，…，ｘ(k) （“方策の列”と称する）を
与えたときの部分問題を発生させる。

【００３１】すなわち、ｘ(k+1) 〜ｘ( Ｌ) まで求める
問題を発生させる。このためには、次元ｄのｘをｋ個
（最大Ｌ個）指定する必要があるので、演算量は（２
ｄ）のＬ乗となる。例えばｄ＝１０，Ｌ＝２４とする膨
大な量になる。ＢＢＭでは、次の（ｂ）によって評価さ
れた値より、部分問題の発生停止、継続が判定され、全
ケースの発生を避けることができる。 （ｂ） 限定値演算 さらに、与えられた部分問題を評価する。この場合に
は、目的関数値

【００３２】

【数４】 および制約条件の評価が演算される。

【００３３】このようにしてＢＢＭより前記（１）式で
得られるプラント負荷予測値に基づいて１時間毎、先２
４時間分の貯留量ｈ(k) ，つまりプラントの運用計画が
立てられる。

【００３４】以上のようにして運用計画を立てた後、類
似日検索手段１６では、当該運用計画に基づいて予測当
日のプラント負荷予測値の他、ヒューマン・インターフ
ェィス手段１３から入力される気象データ、曜日データ
などを取り込み、これらデータの一部または全部を検索
キーとし、プロセスＤＢ手段１２に記憶される過去のプ
ラント負荷実績，曜日別などのデータの中から、予測当
日と条件が類似し、しかも複数の類似日が存在する場合
には運転成績の良いモデル日を検索し、当該モデル日の
プラント制御設定値を含むプラント負荷実績などをプラ
ント制御計画手段１８およびプラント状態診断手段２１
に送出する。

【００３５】ここで、プラント制御計画手段１８は、類
似日検索手段１６から送られてくるモデル日のプラント
負荷実績とプロセスＤＢ手段１２に記憶される現在時刻
のプラント負荷実績との間のずれ量を考慮しつつ、予測
当日のプラント制御設定値を決定しプラント制御手段１
９に送出する。

【００３６】このプラント制御手段１９では、プラント
制御計画手段１８からのプラント制御設定値に基づいて
下水処理プラント１を制御する。次に、プラント制御手
段１９におけるプラント機器の制御について説明する。 （ａ） プラント負荷予測値が許容範囲内を推移してい
るとき １時間毎の貯留目標量を基本とし、計画通りに実行す
る。 （ｂ） プラント負荷予測の累積誤差が許容範囲を越え
た時 貯留目標量を達成する時間が先ｍ時間内で許容範囲の前
後に推移する場合には、制御のタイミングをずらし、目
標値に至ったときに池数制御を実行する。

【００３７】また、先ｍ時間内に新たなプラント機器の
始動が必要な場合、或いは計画されているがプラント機
器の始動が不要な場合には、始動ないし継続による計画
修正が行われる。

【００３８】これらの制御を実行するためには、定時プ
ラント負荷予測以外に、次のようなｍ時間先のプラント
負荷予測が行われる。すなわち、当日の曜日をｗとする
と、その曜日のパターン

【００３９】

【数５】 が保持されている。これをｍ時間毎に積算すると、

【００４０】

【数６】 が得られる。但し、ｌ＝２４とする。一方、当日のその
時点ｊ−１までの実績が得られているので、

【００４１】

【数７】 により、先ｍ時間までのプラント負荷ｚ ^w (j) ［ｍ³ ／
ｈ］が得られる。

【００４２】ここで、ｂ₁ ，ｂ₂ は自己回帰のパラメー
タであり、ａ₁ ，ａ₂ ，…と同様に予め与えることも可
能であり、逐次最小２乗推定をすることも可能である。
このようにして得られるプラント負荷予測値を用いるこ
とにより、先ｍ時間内にプラント機器のＯＮ／ＯＦＦが
計画以外に必要がどうかが容易に判定可能となる。 （ｃ） プラント負荷予測の累積誤差が許容範囲内に復
帰した時 この場合には本来の計画にそった制御に戻る。このと
き、前述したプラントの運用計画が再度実行されるの
で、再計画を立てておく。

【００４３】一方、運用分析手段２０は、プロセスＤＢ
手段１２に記憶される現在のプラント負荷実績とＤＢイ
ンターフェィス手段１７を介して入力されるユーザの使
用にあった手分析値例えば上下限の範囲内において新た
にユーザ自身が定める運用範囲等の手分析値とを取り込
んでプラント運用に関する統計処理等の分析を行い、そ
の分析結果をプラント状態診断手段２１に送る。

【００４４】ここで、プラント状態診断手段２１は、運
用分析手段２０の分析結果とモデル日のプラント負荷予
測値とからデータの関連付けを行って予測当日のプラン
トの状態を診断する。

【００４５】ここで、プラントの状態が適切でないと判
断したとき、プロセスＢＤ手段１２の現在のプラント負
荷実績に基づいてプラント制御が実行されているか否か
を判断し、実行されていないとき、外部にアラームを出
力し、オペレータに対してアラーム発生の原因解析や復
旧処置を仰ぐようにする。

【００４６】また、プラント制御の実行に対しては、設
定値変更のアルゴリズムに基づき、プラント制御計画手
段１８で決定されるプラント制御設定値を修正する。従
って、以上のような実施例の構成によれば、次のような
種々の効果を有する。 （ａ） 計画的な運用の前提となるプラント負荷予測値
に誤差が生ずるような場合でも、安定供給のためのプラ
ント機器の台数制御を行うことができるので、専門的な
オペレータを確保する必要がなく、プラントを効率よく
自動運転することが可能となり、極めて信頼性の高いプ
ラントの予測制御を行うことができる。 （ｂ） プラントの負荷予測に自己回帰モデルを用いて
いるので、常に精度の高い予測に基づいた運用計画を立
てることが可能となる。 （ｃ） 最適化指標に夜間電力利用、ピークカット運転
を考慮するようにすれば、極めて経済的なプラントの運
転を確保できる。 （ｄ） さらに、昼間のプラント負荷を見込んで夜間電
力を利用した計画的な浄水製造を行うことが可能とな
り、昼間の負荷ピークを計画的にカットすることができ
るようになる。

【００４７】なお、本発明は上記実施例だけでなく、次
のような実施例も上げることができる。 （ａ） 上記実施例では、プラント負荷予測手段１４と
しては、ニューラルネットワークを適用した自己回帰モ
デルを用いた例について説明したが、これに限らず例え
ば気象データを入力とする重回帰モデルを利用すること
も可能である。すなわち、プラント負荷予測を行うため
のアルゴリズムおよびプラント制御を実行するアルゴリ
ズムは、それぞれ（１）式および（２）式に限定される
ものでなく、例えば次のような（１０）式および（１
１）式の重回帰モデルを用いることもできる。

【００４８】

【数８】 ここで、

【００４９】

【数９】

【００５０】ｈ₁ ：パラメータ、ｕ₁ ：計画値または手
入力値（気温，天気等）である。以上のようにして重回
帰モデルを利用することにより、日々の誤差を吸収して
制御精度を高めることが可能となる。 （ｂ） 上記実施例では、処理負荷平滑化計画手段１５
における最適化手法としては、前記（２）式〜（８）式
を含んだ分岐限定法を用いる例について説明したが、こ
れに限らず、最適化手法として例えば発見的手法（ヒュ
ーリスティック）を用いることも可能である。 （ｃ） また、プラント負荷予測手段１４として、例え
ば日流入量予測値を曜日毎のパターンで按分して時間流
入量予測値２４点を得るために、ニューラルネットワー
クを用いることも可能である。

【００５１】すなわち、過去の蓄積した気象実績データ
を処理し、ニューラルネットワーク予測モデルを同定す
るための入力データを得るとともに、過去の蓄積した時
間単位の流入量パタンを正規化処理し、流入量パターン
の特徴（午前の流入量のピーク値、午後の流入量のピー
ク値、午前の流入量の立ち上がりの傾き、午後の流入量
の立ち上がりの傾き）を抽出し、ニューラルネットワー
クの出力情報（教示信号）として蓄積するデータ処理手
段と、前記気象実績データ（天候，気温等）および平日
か休日かのデータを入力し、前記時間単位の流入量のパ
ターンの特徴を予測するニューラルネットワークモデル
においてバックプロバゲション法により重み係数を学習
することにより、時間単位の流入量パターンの特徴を予
測する予測モデルをを同定する予測モデル同定手段と、
この予測モデルに当日のデータ（天候、気温、平日か休
日か等）を入力することにより、出力された時間単位の
流入量パターンの特徴と過去の実績流入量パターンから
選択し、得られたパターンに１日分の水流入予測方法に
より得られる水流入予測値を乗じることにより、当日の
時間単位の流入量に変換し時間単位の流入量を予測する
時間流入量パターン予測手段とを用いるものである。

【００５２】これらの手段を利用することにより、過去
の気象実績および流入量実績を下に、気象実績を処理す
るととともに時間単位の流入量パターンの特徴を抽出し
て蓄える。

【００５３】そして、この蓄えられた流入量パターンの
特徴を教示信号とし、この流入量パターンに対応する日
の気象実績（天気，気温）と平日か休日かのデータを入
力とするニューラルネットワークの重み係数を学習する
ことにより、ニューラルネットワークによる予測モデル
を構築するものである。

【００５４】さらに、この予測モデルを基にし、当日の
気象予報（天候，気温）と平日か休日かのデータを入力
し、当日の流入量のパターンの特徴を出力することによ
り、過去の蓄積した流入量パターンの特徴を比較し、最
も類似する流入量パターンを選択する。そして、この選
択した流入量パターンに日単位の水流入予測値を乗じる
ことにより、時間単位の流入量に変換し、時間流入量パ
ターンを得る。

【００５５】具体的には、天候に関するデータを，前
日、当日の２日分のそれぞれの午前と午後の天候を用い
て表現する。表現法は、晴、曇、雨をアナログ値に変換
し、ニューラルネットワークの入力情報とする。

【００５６】晴 → ａ 曇 → ｂ 雨 → ｃ 但し、ａ，ｂ，ｃは−１〜１のアナログ量である。

【００５７】次に、時間流入量パターンの特徴を定式化
する。図２はｉ日の正規化された流入量パターンを示す
図である。この図において流入量パターンの午前中のピ
ーク値および午後のピーク値、午前中の流入量の立ち上
がりの傾きおよび午後の流入量の立ち上がりの傾き（各
々Ｐａｍ(i) 、Ｐｐｍ(i) 、Ｋａｍ(i) 、Ｋｐｍ(i) ）
を求める。

【００５８】以上のようにして得られタデータを、負荷
実績情報手段として蓄える。その構造は、入力層，中間
層および出力層の３層構造とする。前日および当日の午
前・午後の天候、当日の最高・最低気温、平日か休日か
の入力情報を入力層のニューロンとし、教示データの流
入量パターンの特徴を出力層のニューロンとする。

【００５９】ニューラルネットワークのニューロン間の
重み係数の学習は、バックプロバゲーション法を用い
る。このバックプロバゲーション法とは、階層型の構造
をしたニューラルネットワークに対して、ネットワーク
の誤差が出力層から入力層へ逆伝搬していく学習方式で
ある。

【００６０】以下、その学習の手順を示す。 （ステップ１）：入力層に天候，気温実績および平日か
休日かのデータを入力し、中間層および出力層を以下の
ニューロンモデルに従って演算する。中間層の第ｊニュ
ーロンの出力Ｈj は、

【００６１】

【数１０】

【００６２】ここで、 Ｉ_f ：出力層第ｉニューロンの出力 Ｗ_ij：入力層第ｉニューロンと中間層第ｉのニューロン
の重み係数 ｌ：入力層の数 ｍ：中間層の数 ｆ( ) ：中間層のしきい値関数である。 出力層の第ｋニューロンの出力Ｏ_k は、

【００６３】

【数１１】

【００６４】ここで、Ｗ_jk：中間層ｊニューロンと出力
層第ｋのニューロンとの重み係数 ｍ：中間層の数 ｎ：出力層の数 （ステップ２）：出力層の第ｋニューロンの出力Ｏ_k と
出力層の第ｋニューロンの教示信号ｙ_k との二乗誤差の
和を最小化するように、ネットワークの重み係数を修正
して学習する。中間層と出力層との重み係数の学習は、
次式の△Ｗ_kjを修正する。

【００６５】 Ｗ_jk(t+1) ＝Ｗ_jk(t) ＋△Ｗ_jk(t) …… （１４） △Ｗ_jk(t) ＝−ε・ｄ_k (t) ・Ｈ_j (t) …… （１５） ｄ_k (t) ＝Ｏ_k (t) −ｙ_k (t) …… （１６） ここで、ｔ：学習回数 ε：一回の修正の大きさを決めるパラメータ ｄ_k ：出力層の数 入力層と中間層との重み係数の学習は、次式の△Ｗ_ijを
演算し、Ｗ_ijを修正する。

【００６６】

【数１２】

【００６７】ここで、ｄ_j ：中間層の逆伝搬誤差 ｆ′( ) ：ｆ（ ）の微分てある。さらに、振動を減ら
し、学習の収束を早めるために、次の式を使う。

【００６８】 Ｗ_jk(t+1) ＝−ε・ｄ_k (t) ・Ｈ_j (t) ＋α・Ｗ_jk(t+1) …… （２０） △Ｗ_jk(t) ＝−ε・ｄ_j (t) ・Ｉ_i (t) ＋α・Ｗ_jk(t+1) …… （２１） ここで、αは安定のためのパラメータである。

【００６９】当日の流入量パターンは、入力された当日
の天候，気温の気象予報データと、平日、休日のデータ
と、前記重み係数とから、ニューラルネットワークの演
算に従って出力層の値を演算する。

【００７０】この演算の結果、得られた流入量パターン
の特徴を表す出力データと、過去の実績流入量パターン
とから次の式に従って最も類似する流入量パターンの検
索を行う。

【００７１】 Ｉ(i) ＝Ｗ１｜Ｐam′−Ｐam(i) ｜＋Ｗ２｜Ｐpm′−Ｐpm(i) ｜ ＋Ｗ３｜Ｋam′−Ｋam(i) ｜＋Ｗ４｜Ｋpm′−Ｋpm(i) ｜ 但し、（ｉ＝１，…，ｎ） ここで、Ｐam′：午前の流入量のピーク値（ニューラル
ネットワーク予測値） Ｐpm′：午後の流入量のピーク値（ニューラルネットワ
ーク予測値） Ｋam′：午前の流入量の立ち上がりの傾き（ニューラル
ネットワーク予測値） Ｋpm′：午後の流入量の立ち上がりの傾き（ニューラル
ネットワーク予測値） Ｐam(i) ：ｉ日の午前の流入量のピーク値 Ｐpm(i) ：ｉ日の午後の流入量のピーク値 Ｋam(i) ：ｉ日の午前の流入量の立ち上がりの傾き Ｋpm(i) ：ｉ日の午後の流入量の立ち上がりの傾き Ｗ１ ：午前の流入量のヒーク値に対する重みを表すパ
ラメータ Ｗ２ ：午後の流入量のヒーク値に対する重みを表すパ
ラメータ Ｗ３ ：午前の流入量の立ち上がりに傾きに対する重み
を表すパラメータ Ｗ４ ：午後の流入量の立ち上がりに傾きに対する重み
を表すパラメータ Ｉ(i) ：予測値と過去のｉ日の実績値との類似値 Ｗ１，Ｗ２，Ｗ３，Ｗ４は、各流入量パターンの特徴に
対し、どのデータを重要視するかを表現するパラメータ
であって、０〜１のアナログ量である。

【００７２】前記（２２）式によって計算された予測値
とｉ日の実績値とのそれぞれの特徴の偏差の絶対値の和
（類似値）が最も小さくなる日の流入量パターンを、当
日の流入量パターンとして予測する。 （ｄ） 上記実施例では、対象プラントとして下水処理
場に適用した例について述べたが、これに限らず、その
他の社会システムや産業システムの各種プラントについ
ても、同様に適用できる。

【００７３】

【発明の効果】以上説明したように本発明によれば、次
のような種々の効果を奏する。請求項１の発明において
は、専門的なオペレ−タを確保する必要がなく、プラン
トの負荷予測を行うことができ、しかも予測負荷，気
象，曜日等のデータを検索キーとし、過去の蓄積された
データから最良の類似日を見つけ出し、プラント制御に
生かすので、プラントを効率よく運転することができ
る。請求項２の発明は、ユーザの運用を十分に生かしな
がらプラントを効率的に運転することができる。

【図面の簡単な説明】

【図１】本発明に係わるプラント予測制御装置の一実施
例を示す構成図。

【図２】本発明の実施例における時間流入量パターンの
特徴抽出を説明する図。

【符号の説明】

１…下水処理プラント、１２…プロセス・データベース
手段、１４…プラント負荷予測手段、１５…処理負荷平
滑化計画手段、１６…類似日検索手段、１８…プラント
制御計画手段、１９…プラント制御手段、２０…運用分
析手段、２１…プラント状態診断手段。

フロントページの続き (72)発明者 篠原 哲哉 東京都港区芝浦一丁目１番１号 株式会社 東芝本社事務所内 (72)発明者 稲葉 隆一 東京都府中市東芝町１番地 株式会社東芝 府中工場内

Claims (4)

【特許請求の範囲】
1. 【請求項１】 対象プラントのプラント負荷を予測する
   プラント予測制御装置において、プラント負荷実績デー
   タ，気象データおよび曜日データ等を記憶するプロセス
   ・データベース手段と、 このプロセス・データベース手段に記憶されるプラント
   負荷実績データ，気象データおよび曜日データ等に基づ
   いてプラント負荷を予測するプラント負荷予測手段と、 このプラント負荷予測手段で予測されるプラント負荷予
   測値を平滑化し前記対象プラントの運用計画値を得る処
   理負荷平滑化計画手段と、 この処理負荷平滑化計画手段の運用計画値から得られる
   予測当日のプラント負荷予測値および入力される気象デ
   ータおよび曜日データ等の一部または全部を検索キーと
   し、前記プロセス・データベース手段に記憶される過去
   のプロセス負荷実績データの中から前記予測当日と条件
   が類似し、かつ、運転成績の良好なモデル日を検索する
   類似日検索手段と、 この類似日検索手段で検索されたモデル日のプラント制
   御設定値を含むプラント負荷実績データと前記プロセス
   ・データベース手段に記憶される現在のプラント負荷実
   績データとを用いて予測当日のプラント制御設定値を決
   定するプラント制御計画手段と、 を備え、このプラント制御設定値に基づいて前記対象プ
   ラントを制御することを特徴とするプラント予測制御装
   置。
2. 【請求項２】 請求項１記載のプラント予測制御装置に
   おいて、 前記プロセス・データベース手段に記憶される現在のプ
   ラント負荷実績データと外部から入力される手分析値と
   に基づいてプラント運用に関する分析を行う運用分析手
   段と、この運用分析手段の分析結果と前記類似日検索手
   段で検索されたモデル日のプラント負荷実測データとか
   らデータの関連付けを行って前記対象プラントの運用範
   囲を診断するとともに、この運用範囲と前記プロセス・
   データベース手段に記憶される現在のプラント負荷実績
   データとに応じてアラームを出力するプラント状態診断
   手段とを付加してなることを特徴とするプラント予測制
   御装置。
3. 【請求項３】 プラント負荷予測手段は、ニューラルネ
   ットワークで構成される予測モデルを用いることを特徴
   とする請求項１記載のプラント予測制御装置。
4. 【請求項４】 プラント制御計画手段は、プラント運転
   を平滑化を目的関数とする分岐限定法を用いることを特
   徴とする請求項１記載のプラント予測制御装置。