TW201941091A - 試驗計畫裝置及試驗計畫方法 - Google Patents
試驗計畫裝置及試驗計畫方法 Download PDFInfo
- Publication number
- TW201941091A TW201941091A TW108123521A TW108123521A TW201941091A TW 201941091 A TW201941091 A TW 201941091A TW 108123521 A TW108123521 A TW 108123521A TW 108123521 A TW108123521 A TW 108123521A TW 201941091 A TW201941091 A TW 201941091A
- Authority
- TW
- Taiwan
- Prior art keywords
- model data
- value
- input
- parameter
- test conditions
- Prior art date
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
- G05B23/0216—Human interface functionality, e.g. monitoring system providing help to the user in the selection of tests or in its configuration
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F22—STEAM GENERATION
- F22B—METHODS OF STEAM GENERATION; STEAM BOILERS
- F22B35/00—Control systems for steam boilers
- F22B35/18—Applications of computers to steam boiler control
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Human Computer Interaction (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Feedback Control In General (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Thermal Sciences (AREA)
- Mechanical Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本發明提供一種可利用少量之試驗案例數之學習資料一面確認模型資料之精度一面製作模型資料的裝置及方法。
本發明之試驗計劃裝置預先將複數個輸入參數基於各輸入參數相對於各處理值之相互關係而分類為複數個參數群。輸入參數提示部(211a)將複數個參數群中之一個選擇為學習對象參數群，並提示將該學習對象參數群之輸入參數設為變數且將非學習對象參數群之輸入參數設為固定值的試驗條件。模型資料學習部(211d)基於使用所提示之試驗條件之實際處理值及假想處理值之比較結果而修正模型資料。輸入參數提示部(211a)選擇新的學習對象參數，並提示上次學習對象參數群之輸入參數將最佳之試驗條件之輸入參數用作固定值之新的試驗條件。進而，輸出控制部(211g)輸出應用試驗條件而獲得之實際處理值及假想處理值。
本發明之試驗計劃裝置預先將複數個輸入參數基於各輸入參數相對於各處理值之相互關係而分類為複數個參數群。輸入參數提示部(211a)將複數個參數群中之一個選擇為學習對象參數群，並提示將該學習對象參數群之輸入參數設為變數且將非學習對象參數群之輸入參數設為固定值的試驗條件。模型資料學習部(211d)基於使用所提示之試驗條件之實際處理值及假想處理值之比較結果而修正模型資料。輸入參數提示部(211a)選擇新的學習對象參數，並提示上次學習對象參數群之輸入參數將最佳之試驗條件之輸入參數用作固定值之新的試驗條件。進而，輸出控制部(211g)輸出應用試驗條件而獲得之實際處理值及假想處理值。
Description
本發明係關於一種提示發電設備之模型資料用試驗條件之試驗計劃裝置及試驗計劃方法。
於設置於火力發電站之鍋爐運轉時，必須獲取各輸出處理值、例如NOx或CO之濃度、各傳熱管之金屬溫度作為使鍋爐運轉之結果之輸出，以各輸出處理值成為最佳之方式設定多個操作輸入參數。存在如下實際情況，即，於操作輸入參數中混合存在有若使值變化則輸出處理值會改善者及若使值變化則輸出處理值會惡化者，進而，根據運轉條件，輸出處理值之變動亦會變化，因此，鍋爐之運轉控制較複雜。
因此，有時使用鍋爐內之行為模擬之模型資料作為運轉支援之一環。關於該方面，於專利文獻1中揭示有將關於運轉輸入參數與輸出處理值之關係之運轉資料用作模型資料製作之學習資料的內容。
[先前技術文獻]
[專利文獻]
[專利文獻1]日本專利第4989421號公報
因此，有時使用鍋爐內之行為模擬之模型資料作為運轉支援之一環。關於該方面，於專利文獻1中揭示有將關於運轉輸入參數與輸出處理值之關係之運轉資料用作模型資料製作之學習資料的內容。
[先前技術文獻]
[專利文獻]
[專利文獻1]日本專利第4989421號公報
[發明所欲解決之問題]
於鍋爐新設、設備修正時，進行試驗運轉，而獲取學習用資料。然而，操作輸入參數有複數個，若分別以多階段進行條件設定，則試驗案例變得龐大。其結果，試驗時間變長，運轉開始延遲。進而，模型資料學習用參數變多，需要時間、工夫。
另一方面，若無根據地減少試驗案例，則存在如下問題，即，利用模型資料進行之行為模擬之精度會惡化，而無法成為運轉之參考。
關於該方面，於專利文獻1中，為了無關於模型輸入數而進行控制週期以內之學習(參照該文獻段落0012)，將對模型輸入之模型輸入及模型輸出分割為複數個組，以各組之模型輸出達成預先規定之目標值之方式，學習各組之模型輸入之產生方法(參照該文獻段落0013)，但此時未考慮關於組間之使模型輸入變化之順序，因此，存在如下問題，即，於使複數個組之模型輸入變化之結果為模型輸出發生變化之情形時，無法掌握哪一模型輸入之變化對模型輸出之變化造成了影響。
又，鍋爐內之例如各燃燒器中之燃燒用空氣及燃料之燃燒行為較複雜，根據鍋爐之形式、使用之燃料、及其他條件，作為結果之輸出之各輸出處理值，NOx、CO之濃度、傳熱管表面溫度、蒸汽溫度等可能會變化。雖可使用類神經網路等一下子製作多變數輸入-多變數輸出模型資料，但於此情形時亦存在如下問題，即，技術人員難以自是否與經驗或物理理論匹配之觀點進行檢查。
本發明係為了解決上述問題而完成者，其目的在於提供一種可利用少量之試驗案例數之學習資料一面確認模型資料之精度一面製作模型資料之裝置及方法。
[解決問題之技術手段]
為了達成上述課題，本發明係一種試驗計劃裝置，其特徵在於：其係對發電設備之模型資料提示複數個輸入參數之試驗條件者，且具備：輸入參數提示部，其提示上述複數個輸入參數之試驗條件；模擬部，其將上述輸入參數之試驗條件應用於規定發電設備之假想動作之模型資料而運算假想處理值；實際處理值獲取部，其獲取對上述發電設備設定上述輸入參數之試驗條件進行實際運轉所獲得之實際處理值；模型資料學習部，其對上述模型資料進行修正處理；及輸出控制部，其輸出應用上述試驗條件而獲得之上述假想處理值及上述實際處理值；且上述輸入參數之試驗條件係將上述複數個輸入參數基於各輸入參數相對於各實際處理值之相互關係而分類為複數個參數群，上述輸入參數提示部自上述複數個參數群選擇一個學習對象參數群，並提示如下試驗條件，即，將該學習對象參數群之輸入參數設為變數，將剩餘之其他參數群設為非學習對象參數群，將該非學習對象參數群之輸入參數設為固定值，上述模型資料學習部於上述實際處理值與上述假想處理值之乖離處於預先規定之容許範圍外之情形時，使用上述實際處理值對上述模型資料進行修正處理。
預先將輸入參數基於各輸入參數之相互關係而分組為複數個參數群，進行使用將學習對象參數群之輸入參數設為變數且將非學習對象參數群之輸入參數設為固定值之試驗條件的假想處理值與實際處理值之比較。而且，若乖離為容許範圍內則不需要修正模型資料，若乖離為容許範圍外則修正模型資料，因此，與進行輸入參數之全部組合數之試驗發現最佳值而一下子修正模型資料之情形相比，可減少試驗次數。又，由於假想處理值與實際處理值之乖離越小則模型資料之精度越高，故而技術人員容易藉由參照自輸出控制部輸出之乖離而辨識模型資料之精度，容易掌握使哪一輸入參數變化後模型資料如何變化。
又，亦可為，上述輸入參數提示部於自上述複數個參數群選擇新的學習對象參數群之情形時，提示如下新的試驗條件，即，該新的學習參數群之輸入參數設為變數，過去已選擇為學習對象參數群並予以執行之輸入參數則將使用該學習對象參數群所提示之試驗條件中之試驗結果相對良好之試驗條件之輸入參數設為固定值。
上述「相對良好」係指實際處理值或假想處理值更接近發電設備之處理值之目標值(最佳值)。
藉此，於一面依次變更學習對象參數群一面提示新的試驗條件時，已選擇為學習對象參數群之輸入參數採用試驗結果良好之值作為固定值，因此，可提示發電設備之運轉結果更容易變得良好之試驗條件。
又，亦可為，上述發電設備係鍋爐，上述參數群係將上述複數個輸入參數按照自上述鍋爐之燃燒氣體之下游側朝向上游側之順序以複數個區域進行劃分而構成，上述輸入參數提示部按照上述順序選擇上述學習對象參數群。
技術人員更容易辨識同一參數群所包含之輸入參數之種類或學習參數之選擇順序。進而，可實現按照輸入參數賦予鍋爐之實際處理值之相互關係之分組。
又，亦可進而具備學習試行次數決定部，該學習試行次數決定部依照基於對上述學習對象參數群所包含之各輸入參數設定之變數之個數預先規定之學習試行次數決定條件而決定學習試行次數。
上述「學習試行次數決定條件」亦可為為了計算相對於例如試行利用統計方法所得之學習對象參數群內之全部組合之情形之可靠性，於統計學上可認為具有一定以上之可靠性之試驗次數而設定的條件。藉此，縮小為較學習對象參數群內之輸入參數之全部組合少之學習試行次數，因此，可進一步減少試驗次數，並且可有效率地提高模型資料之精度。
又，亦可為，於上述實際處理值與使用已進行上述修正處理之模型資料利用上述模擬部運算出之假想處理值之乖離處於預先規定之容許範圍外之情形時，上述輸入參數提示部變更上述學習對象參數群之設為變數之輸入參數之間隔或範圍。
於修正處理後之模型資料之精度仍不良好之情形時，變更學習對象參數群之設為變數之輸入參數之間隔或範圍。藉此，即便於在輸入參數提示部初次提示之試驗條件下無法充分獲得模型資料之精度之情形時，亦可提示更佳之試驗條件而提高模型資料之精度。
又，本發明係一種試驗計劃方法，其特徵在於：其係提示發電設備之模型資料用試驗條件者，且包括如下步驟：獲取基於各輸入參數相對於對發電設備設定上述複數個輸入參數進行實際運轉所獲得之實際處理值之相互關係而分類為複數個參數群的複數個輸入參數；提示將上述複數個參數群中所選擇之1個學習對象參數群之輸入參數設為變數且將其他非學習對象參數群之輸入參數設為固定值之複數個輸入參數之試驗條件；獲取對上述發電設備設定上述輸入參數之試驗條件進行實際運轉而獲得之實際處理值；將上述輸入參數之試驗條件應用於上述模型資料而運算假想處理值；及於上述實際處理值與上述假想處理值之乖離處於預先規定之容許範圍外之情形時，使用上述實際處理值對上述模型資料執行修正處理。
藉此，與進行輸入參數之全部組合數之試驗發現最佳值而一下子修正模型資料之情形相比，可減少試驗次數。又，技術人員容易藉由參照乖離而辨識模型資料之精度，容易掌握使哪一輸入參數變化後模型資料如何變化。
[發明之效果]
根據本發明，可提供一種可利用少量之試驗案例數之學習資料一面確認模型資料之精度一面製作模型資料的裝置及方法。上述以外之課題、構成及效果根據以下之實施形態之說明而明確。
於鍋爐新設、設備修正時，進行試驗運轉，而獲取學習用資料。然而，操作輸入參數有複數個，若分別以多階段進行條件設定，則試驗案例變得龐大。其結果，試驗時間變長，運轉開始延遲。進而，模型資料學習用參數變多，需要時間、工夫。
另一方面，若無根據地減少試驗案例，則存在如下問題，即，利用模型資料進行之行為模擬之精度會惡化，而無法成為運轉之參考。
關於該方面，於專利文獻1中，為了無關於模型輸入數而進行控制週期以內之學習(參照該文獻段落0012)，將對模型輸入之模型輸入及模型輸出分割為複數個組，以各組之模型輸出達成預先規定之目標值之方式，學習各組之模型輸入之產生方法(參照該文獻段落0013)，但此時未考慮關於組間之使模型輸入變化之順序，因此，存在如下問題，即，於使複數個組之模型輸入變化之結果為模型輸出發生變化之情形時，無法掌握哪一模型輸入之變化對模型輸出之變化造成了影響。
又，鍋爐內之例如各燃燒器中之燃燒用空氣及燃料之燃燒行為較複雜，根據鍋爐之形式、使用之燃料、及其他條件，作為結果之輸出之各輸出處理值，NOx、CO之濃度、傳熱管表面溫度、蒸汽溫度等可能會變化。雖可使用類神經網路等一下子製作多變數輸入-多變數輸出模型資料，但於此情形時亦存在如下問題，即，技術人員難以自是否與經驗或物理理論匹配之觀點進行檢查。
本發明係為了解決上述問題而完成者，其目的在於提供一種可利用少量之試驗案例數之學習資料一面確認模型資料之精度一面製作模型資料之裝置及方法。
[解決問題之技術手段]
為了達成上述課題，本發明係一種試驗計劃裝置，其特徵在於：其係對發電設備之模型資料提示複數個輸入參數之試驗條件者，且具備：輸入參數提示部，其提示上述複數個輸入參數之試驗條件；模擬部，其將上述輸入參數之試驗條件應用於規定發電設備之假想動作之模型資料而運算假想處理值；實際處理值獲取部，其獲取對上述發電設備設定上述輸入參數之試驗條件進行實際運轉所獲得之實際處理值；模型資料學習部，其對上述模型資料進行修正處理；及輸出控制部，其輸出應用上述試驗條件而獲得之上述假想處理值及上述實際處理值；且上述輸入參數之試驗條件係將上述複數個輸入參數基於各輸入參數相對於各實際處理值之相互關係而分類為複數個參數群，上述輸入參數提示部自上述複數個參數群選擇一個學習對象參數群，並提示如下試驗條件，即，將該學習對象參數群之輸入參數設為變數，將剩餘之其他參數群設為非學習對象參數群，將該非學習對象參數群之輸入參數設為固定值，上述模型資料學習部於上述實際處理值與上述假想處理值之乖離處於預先規定之容許範圍外之情形時，使用上述實際處理值對上述模型資料進行修正處理。
預先將輸入參數基於各輸入參數之相互關係而分組為複數個參數群，進行使用將學習對象參數群之輸入參數設為變數且將非學習對象參數群之輸入參數設為固定值之試驗條件的假想處理值與實際處理值之比較。而且，若乖離為容許範圍內則不需要修正模型資料，若乖離為容許範圍外則修正模型資料，因此，與進行輸入參數之全部組合數之試驗發現最佳值而一下子修正模型資料之情形相比，可減少試驗次數。又，由於假想處理值與實際處理值之乖離越小則模型資料之精度越高，故而技術人員容易藉由參照自輸出控制部輸出之乖離而辨識模型資料之精度，容易掌握使哪一輸入參數變化後模型資料如何變化。
又，亦可為，上述輸入參數提示部於自上述複數個參數群選擇新的學習對象參數群之情形時，提示如下新的試驗條件，即，該新的學習參數群之輸入參數設為變數，過去已選擇為學習對象參數群並予以執行之輸入參數則將使用該學習對象參數群所提示之試驗條件中之試驗結果相對良好之試驗條件之輸入參數設為固定值。
上述「相對良好」係指實際處理值或假想處理值更接近發電設備之處理值之目標值(最佳值)。
藉此，於一面依次變更學習對象參數群一面提示新的試驗條件時，已選擇為學習對象參數群之輸入參數採用試驗結果良好之值作為固定值，因此，可提示發電設備之運轉結果更容易變得良好之試驗條件。
又，亦可為，上述發電設備係鍋爐，上述參數群係將上述複數個輸入參數按照自上述鍋爐之燃燒氣體之下游側朝向上游側之順序以複數個區域進行劃分而構成，上述輸入參數提示部按照上述順序選擇上述學習對象參數群。
技術人員更容易辨識同一參數群所包含之輸入參數之種類或學習參數之選擇順序。進而，可實現按照輸入參數賦予鍋爐之實際處理值之相互關係之分組。
又，亦可進而具備學習試行次數決定部，該學習試行次數決定部依照基於對上述學習對象參數群所包含之各輸入參數設定之變數之個數預先規定之學習試行次數決定條件而決定學習試行次數。
上述「學習試行次數決定條件」亦可為為了計算相對於例如試行利用統計方法所得之學習對象參數群內之全部組合之情形之可靠性，於統計學上可認為具有一定以上之可靠性之試驗次數而設定的條件。藉此，縮小為較學習對象參數群內之輸入參數之全部組合少之學習試行次數，因此，可進一步減少試驗次數，並且可有效率地提高模型資料之精度。
又，亦可為，於上述實際處理值與使用已進行上述修正處理之模型資料利用上述模擬部運算出之假想處理值之乖離處於預先規定之容許範圍外之情形時，上述輸入參數提示部變更上述學習對象參數群之設為變數之輸入參數之間隔或範圍。
於修正處理後之模型資料之精度仍不良好之情形時，變更學習對象參數群之設為變數之輸入參數之間隔或範圍。藉此，即便於在輸入參數提示部初次提示之試驗條件下無法充分獲得模型資料之精度之情形時，亦可提示更佳之試驗條件而提高模型資料之精度。
又，本發明係一種試驗計劃方法，其特徵在於：其係提示發電設備之模型資料用試驗條件者，且包括如下步驟：獲取基於各輸入參數相對於對發電設備設定上述複數個輸入參數進行實際運轉所獲得之實際處理值之相互關係而分類為複數個參數群的複數個輸入參數；提示將上述複數個參數群中所選擇之1個學習對象參數群之輸入參數設為變數且將其他非學習對象參數群之輸入參數設為固定值之複數個輸入參數之試驗條件；獲取對上述發電設備設定上述輸入參數之試驗條件進行實際運轉而獲得之實際處理值；將上述輸入參數之試驗條件應用於上述模型資料而運算假想處理值；及於上述實際處理值與上述假想處理值之乖離處於預先規定之容許範圍外之情形時，使用上述實際處理值對上述模型資料執行修正處理。
藉此，與進行輸入參數之全部組合數之試驗發現最佳值而一下子修正模型資料之情形相比，可減少試驗次數。又，技術人員容易藉由參照乖離而辨識模型資料之精度，容易掌握使哪一輸入參數變化後模型資料如何變化。
[發明之效果]
根據本發明，可提供一種可利用少量之試驗案例數之學習資料一面確認模型資料之精度一面製作模型資料的裝置及方法。上述以外之課題、構成及效果根據以下之實施形態之說明而明確。
以下，基於圖式對本發明之實施形態詳細地進行說明。再者，於用以說明實施形態之所有圖中，對具有相同功能之構件附註相同或關聯之符號，並省略其重複之說明。並非利用以下實施形態限定本發明，又，於存在複數個實施形態之情形時，亦包含將各實施形態組合而構成者。
以下，對試驗計劃裝置提示規定作為發電設備設置於火力發電站之鍋爐之假想動作之模型資料用試驗條件之例進行說明，但發電設備並不限定於鍋爐。
圖1係表示上述鍋爐之概略構成圖。圖1所示之鍋爐1例如係燃煤鍋爐，該燃煤鍋爐設為使固體燃料燃燒者，能夠將使煤粉碎所得之粉煤用作微粉燃料(固體燃料)，利用火爐之燃燒器使該粉煤燃燒，將藉由該燃燒而產生之熱與給水或蒸汽進行熱交換而產生蒸汽。
鍋爐1具有火爐11、燃燒裝置12、及煙道13。火爐11例如呈四角筒之中空形狀而沿著鉛直方向設置。火爐11之壁面由蒸發管(傳熱管)及連接蒸發管之散熱片構成，藉由與給水或蒸汽進行熱交換而抑制火爐壁之溫度上升。具體而言，於火爐11之側壁面，複數個蒸發管例如沿著鉛直方向配置，且並排配置於水平方向。散熱片將蒸發管與蒸發管之間封閉。火爐11於爐底設置有傾斜面，且於傾斜面設置爐底蒸發管而成為底面。
燃燒裝置12設置於構成該火爐11之火爐壁之鉛直下部側。於本實施形態中，該燃燒裝置12具有安裝於火爐壁之複數個燃燒器(例如21、22、23、24、25)。例如，該燃燒器(burner)21、22、23、24、25沿著火爐11之圓周方向以均等間隔配設有複數個。但是，火爐之形狀或一段中之燃燒器之個數、段數並不限定於本實施形態。
該各燃燒器21、22、23、24、25經由粉煤供給管26、27、28、29、30而連結於粉碎機(粉煤機/碾磨機)31、32、33、34、35。若煤由未圖示之搬送系統搬送並投入至該粉碎機31、32、33、34、35，則於此處被粉碎為特定之微粉之大小，並可將經粉碎之煤(粉煤)與搬送用空氣(1次空氣)一同自粉煤供給管26、27、28、29、30供給至燃燒器21、22、23、24、25。
又，火爐11於各燃燒器21、22、23、24、25之安裝位置設置有風箱36，於該風箱36連結空氣管道37b之一端部，另一端部於連結點37d連結於供給空氣之空氣管道37a。
又，於火爐11之鉛直方向上方連結有煙道13，於該煙道13配置有用以產生蒸汽之複數個熱交換器(41、42、43、44、45、46、47)。因此，燃燒器21、22、23、24、25藉由向火爐11內噴射粉煤燃料與燃燒用空氣之混合氣體而形成火焰，產生燃燒氣體並使燃燒氣體流向煙道13。然後，利用燃燒氣體加熱流經火爐壁及熱交換器(41～47)之給水或蒸汽而產生過熱蒸汽，可供給所產生之過熱蒸汽使未圖示之蒸汽渦輪機旋轉驅動，而旋轉驅動連結於蒸汽渦輪機之旋轉軸之未圖示之發電機進行發電。又，該煙道13中設置有連結排氣通路48而用以進行燃燒氣體之淨化之脫硝裝置50、於自送風機38向空氣管道37a輸送之空氣與經排氣通路48輸送之排氣之間進行熱交換之空氣加熱器49、煤塵處理裝置51、導引鼓風機52等，且於下游端部設置有煙囪53。
火爐11係所謂2段燃燒方式之火爐，其於利用粉煤之搬送用空氣(1次空氣)及自風箱36投入至火爐11之燃燒用空氣(2次空氣)進行之燃料過剩燃燒後，重新投入燃燒用空氣(補充氣體)進行燃料稀薄燃燒。因此，火爐11中具備補充氣體口39，於補充氣體口39連結空氣管道37c之一端部，另一端部於連結點37d連結於供給空氣之空氣管道37a。
自送風機38輸送至空氣管道37a之空氣藉由在空氣加熱器49與燃燒氣體進行熱交換而被加熱，且於連結點37d分支為經由空氣管道37b而導向風箱36之2次空氣、及經由空氣管道37c而導向補充氣體口39之補充氣體。
圖2係試驗計劃裝置210之硬體構成圖。試驗計劃裝置210包含CPU(Central Processing Unit，中央處理單元)211、RAM(Random Access Memory，隨機存取記憶體)212、ROM(Read Only Memory，唯讀記憶體)213、HDD (Hard Disk Drive，硬碟驅動器)214、輸入輸出I/F (Interface，介面)215、及通信I/F216，其等經由匯流排217相互連接而構成。於輸入輸出I/F215分別連接鍵盤等輸入裝置218及顯示器或印表機等輸出裝置219。又，試驗計劃裝置210之通信I/F216及鍋爐1亦可經由網路100而連接，且連接於記憶媒體201、例如記憶卡，而獲取下述實際處理值。再者，試驗計劃裝置210之硬體構成並不限定於上述，亦可藉由控制電路與記憶裝置之組合而構成。
圖3係試驗計劃裝置210之功能方塊圖。試驗計劃裝置210包含輸入參數提示部211a、模擬部211b、實際處理值獲取部211c、模型資料學習部211d、得分計算部211e、學習試行次數決定部211f、及輸出控制部211g。該等各構成要素可藉由CPU211將預先儲存於ROM213或HDD214之實現各功能之軟體加載至RAM212並予以執行而使軟體與硬體協動而構成，亦可利用實現各功能之控制電路構成。進而，試驗計劃裝置210包含輸入參數記憶部214a、模型資料記憶部214b、試驗結果記憶部214c、及得分換算資料記憶部214d。於試驗結果記憶部214c中包含試驗條件記憶區域214c1、假想處理值記憶區域214c2、實際處理值記憶區域214c3、及得分記憶區域214c4，各記憶區域相互建立關係而構成。上述各記憶部及記憶區域亦可構成於RAM212、ROM213、或HDD214之一部分區域。
參照圖4至圖10，對試驗計劃裝置210之動作進行說明。圖4及圖5係表示試驗計劃裝置210之動作之流程之流程圖。圖6係輸入參數之分組之說明圖。再者，於圖6中，未對假想處理值及實際處理值進行區別而僅記載為處理值。圖7係表示試驗條件之初次設定例之圖。圖8係假想處理值與實際處理值之相關圖。圖9係表示得分換算資料例之圖。圖10係表示試驗條件之第2次設定例之圖。
於以下之處理之前，預先將用於模擬之輸入參數基於各輸入參數相對於各處理值之相互關係分組為複數個參數群而記憶於圖3所示之試驗條件記憶區域214c1。
於本實施形態中，考慮輸入參數之相互關係對處理值之影響。又，亦考慮鍋爐內之輸入參數之位置(與輸入參數相關之機器之位置、變更輸入參數之情形時之影響範圍之位置等)。例如，於本實施形態中，將各輸入參數之相互關係對處理值之影響較少之輸入參數預先形成為分組為複數組之參數群。而且，該參數群係將複數個輸入參數按照自鍋爐1之燃燒氣體之下游側朝向上游側之順序以複數個區域劃分而構成。藉由自結果於第一層被決定之燃燒氣體之下游側之區域中之處理值向結果在今後被決定之燃燒氣體之上游側之區域依序進行劃分，可實現按照輸入參數之相互關係之分組，因此，自經分組之參數群獲取之處理值之精度提昇。因此，於本實施形態中，如圖6所示般，以複數個區域進行劃分，例如，輸入參數群G1包含鍋爐出口附近(例如自火爐11出口至熱交換器41附近)之輸入參數之值pA1、pA2。又，輸入參數群G2包含自鍋爐出口至燃燒器(例如自火爐11出口至燃燒器21附近)之輸入參數之值pB1、pB2，輸入參數群G3包含燃燒器(例如燃燒器21、22、23、24、25附近)之輸入參數之值pC1，輸入參數群G4包含關於燃料供給設備(例如粉碎機31、32、33、34、35附近)之輸入參數之值pD1、pD2、pD3。
於模型資料記憶部214b記憶用以運算7種假想處理值vA、vB、vC、vD、vE、vF、vG(圖6中，未對假想處理值及實際處理值進行區別而僅記載為處理值A、處理值B、・・處理值G)之7個模型資料fA(p)、fB(p)、fC(p)、fD(p)、fE(p)、fF(p)、fG(p)。
對各模型資料fA(p)、fB(p)、fC(p)、fD(p)、fE(p)、fF(p)、fG(p)應用所有輸入參數之值pA1、pA2、pB1、pB2、pC1、pD1、pD2、pD3而計算7個假想處理值vA、vB、vC、vD、vE、vF、vG。
此處，各輸入參數存在關係相對較強(對於各輸入參數之對實際處理值之響應性或值之變化率等較高)者、及關係相對較低(對於各輸入參數之對實際處理值之響應性或值之變化率等較低)者，且基於相互關係分組為複數個參數群。根據上述燃燒氣體依序對輸入參數進行分組之結果，輸入參數群G1形成對實際處理值rA、rB、rC、rD、rE(圖6中，未對假想處理值及實際處理值進行區別而僅記載為處理值A、處理值B、・・處理值G)之響應性或值之變化率等相對較高而關係相對較強之輸入參數之值pA1、pA2之集合。同樣地，輸入參數群G2形成相對於實際處理值rA、rC、rD、rE、rF之關係相對較強之輸入參數之值pB1、pB2之集合。輸入參數群G3包含相對於實際處理值rA、rF、rG之關係相對較強之輸入參數之值pC1而形成。輸入參數群G4形成為包含相對於實際處理值rA、rF之關係相對較強之輸入參數之值pD1、pD2、pD3之集合。
作為上述輸入參數之具體例，於鍋爐1之情形時，有燃燒用空氣之供給量、燃燒器角度、燃料供給設備之運轉台數、補充氣體口之閥開度(補充氣體供給流量)，作為處理值之具體例，有環境負荷量(NOx、CO之濃度)、設備效率、零件溫度、蒸汽溫度、傳熱管金屬溫度等。
返回至圖4，說明表示試驗計劃裝置210之動作之流程之流程圖。首先，輸入參數提示部211a參照試驗條件記憶區域214c1，將複數個參數群中之1個決定為學習對象參數群，將除此以外之參數群決定為非學習對象參數群，並獲取各輸入參數(S101)。尤其是，於本實施形態之例中，輸入參數提示部211a按照自燃燒氣體之下游側之區域朝向上游側之區域之順序選擇學習對象參數群。由此，初次之試驗條件提示如圖7之例所示般，將學習對象參數群決定為輸入參數群G1，將非學習對象參數群決定為輸入參數群G2、G3、G4。
學習試行次數決定部211f基於學習對象參數群所包含之輸入參數之種類數及各輸入參數之變數之個數而決定學習試行次數n(S102)。於圖7之例中，輸入參數群G1之變數之種類數為pA1及pA2這2個，變數之個數為試驗條件1、2、3這3個，因此，若欲執行G1之所有變數之組合之試驗，則必須於32 (3×3)即9種模式之試驗條件下進行模擬。因此，學習試行次數決定部211f依照使用統計方法預先規定之學習試行次數決定條件而決定較包羅所有變數之組合之試驗次數少之學習試行次數n。於本例中設為n＝3。
輸入參數提示部211a決定用於學習試行次數決定部211f所決定之n次試驗之試驗條件、即n種模式之試驗條件之各輸入參數，而提示試驗條件(S103)。於本例中，於全部3種模式之試驗條件1～3中，輸入參數群G1之參數設為變數，輸入參數群G2、G3、G4之參數設為固定值。該固定值亦可使用各輸入參數之標準值或設計值、或預想為最佳值之值。
輸入參數提示部211a將所提示之n種模式之試驗條件記憶於試驗條件記憶區域214c1，並且輸出至輸出控制部211g。
自輸出控制部211g輸出之n種模式之試驗條件於鍋爐1實際進行試運轉而獲得實際處理值rAk～rGk(k＝1～n)。實際處理值獲取部211c經由網路100或記憶媒體201、或輸入裝置218而獲取該實際處理值rAk～rGk(S104)，並記憶於實際處理值記憶區域214c3。
模擬部211b自試驗條件記憶區域214c1讀出各試驗條件，並應用於為了運算各假想處理值vAk～vGk而設定之模型資料fA(p)、fB(p)…、fG(p)，而運算各假想處理值vAk～vGk。然後，輸出控制部211g輸出試驗條件及應用該試驗條件之情形之假想處理值及實際處理值(S105)。
於模型資料記憶部214b記憶有與假想處理值之種類數相同數量的根據假想處理值vA～vG之種類而決定之模型資料fA(p)、fB(p)…、fG(p)。模擬部211b依次將試驗條件k(pA1k、pA2k、pB1k、pB2k、pC1k、pD1k、pD2k、pD3k)應用於各模型資料，並根據下式(1)而計算試驗條件k之各假想處理值vAk～vGk。
[數式1]
於式(1)中，於試驗條件1～3下，pA1k、pA2k為變數，pB1k、pB2k、pC1k、pD1k、pD2k、pD3k為固定值。
模型資料學習部211d按照各處理值之種類將假想處理值與實際處理值進行比較，對所有處理值判斷假想處理值與實際處理值之乖離(假想處理值與實際處理值之差之絕對值)是否處於作為特定值預先規定之容許範圍(以下略記為「容許範圍」)內(S106)。容許範圍外之模型資料只要有一個(S106/否)，則僅對容許範圍外之模型資料進行修正而產生修正後之模型資料(S107)。於圖7之例中，產生修正後之模型資料fAa(p)。
圖8係假想處理值及實際處理值之相關圖。曲線1係基於對根據試驗條件1、2、3於鍋爐1進行試運轉而獲得之實際處理值、例如rA1、rA2、rA3進行繪圖所得之點而產生之曲線(例如利用最小平方法所得)。以該曲線為中心設定用於判斷模型資料fA(p)是否需要修正之容許範圍。而且，若假想處理值包含於該容許範圍內，則模型資料fA(p)不需要進行修正，若不包含於該容許範圍內，則模型資料學習部211d以相對於輸入參數獲得實際處理值rA1之方式修正模型資料fA(p)而產生修正後之模型資料fAa(p)。對於其他模型資料，亦以與模型資料fA(p)同樣之順序進行是否需要修正之判斷且於需要修正之情形時進行修正。
模型資料學習部211d使用修正後之模型資料再次執行模擬處理，而運算修正後之假想處理值。輸出控制部211g輸出應用於修正後之模型資料之試驗條件及此時之假想處理值、及實際處理值(S108)。於圖7之例中，對修正後之模型資料fAa(p)應用試驗條件1～3而再次計算假想處理值vA1a、vA2a、vA3a。若該假想處理值vA1a、vA2a、vA3a與實際處理值rA、rB、rC之乖離落在容許範圍內(S109/是)，則視為已恰當地進行修正而將記憶於模型資料記憶部214b之模型資料fA(p)覆寫為修正後之模型資料fAa(p)(S110)，並返回至步驟S106。
若利用修正後之模型資料獲得之假想處理值、例如上述假想處理值vA1a、vA2a、vA3a未落在實際處理值rA、rB、rC之容許範圍內(S109/否)，則執行試驗條件再提示處理(S111)。
於試驗條件再提示處理(S111)中，輸入參數提示部211a於實際處理值與使用修正後之模型資料利用模擬部211b運算出之假想處理值之乖離處於預先規定之容許範圍外之情形時，變更學習對象參數群之設為變數之輸入參數之間隔或範圍，再次提示試驗條件。然後，使用再提示之試驗條件執行步驟S104至步驟S111。其後，返回至步驟S106。
模型資料學習部211d若所有假想處理值和與其對應之實際處理值之乖離為容許範圍內(S106/是)，則不需要進行模型資料之修正。因此，如圖5所示，輸入參數提示部211a判定是否剩餘有未選擇為學習對象參數群之輸入參數群(S112)，若有剩餘，則開始使用新的學習對象參數群之試驗條件之提示處理(S112/否)。
因此，得分計算部211e使用得分換算資料記憶部214d中預先設定之得分換算資料(參照圖9)，計算使用步驟S101中選擇之學習對象參數群之試驗條件1～k之評價得分，並記憶於得分記憶區域214c4(S113)。
圖9係表示得分換算資料之一例之圖。各實際處理值設為隨著遠離特定之目標而得分值變小者，對於各實際處理值之特性，例如例示處理值越小則得分值越是增加之特性。於得分換算資料記憶部214d中記憶有與各實際處理值rA～rG之種類之各者對應之得分換算資料。得分計算部211e讀出實際處理值rA1，使用與實際處理值rA1對應之得分換算資料計算對於實際處理值rA1之得分。同樣地，計算對於所有實際處理值rB1～rG1之得分。然後，使用基於在試驗條件1下獲得之各實際處理值計算出之得分之總計值而計算試驗條件1之整體得分。同樣地，亦計算試驗條件2、3之整體得分。
於上述中，使用實際處理值計算各試驗條件之整體得分，但若假想處理值與實際處理值之乖離處於容許範圍內，則亦可對假想處理值進行計分，而計算各試驗條件之整體得分。
輸入參數提示部211a參照記憶於得分記憶區域214c4之評價得分，選擇作為試驗結果更接近實際處理值之特定之目標值(最佳值)而相對良好者、較理想為最好者(S114)。
輸入參數提示部211a選擇下一新的學習對象參數群、例如輸入參數群G2(S115)，學習試行次數決定部211f基於輸入參數群G2所包含之輸入參數之種類數及變數之個數重新決定學習試行次數n(S116)。
輸入參數提示部211a提示包含與重新決定之學習試行次數n同數之模式數之新的試驗條件(S117)。
於本步驟中，重新選擇之學習對象參數群之輸入參數設為變數，已被選擇為學習對象參數群之輸入參數群之輸入參數(例如輸入參數群G1)係使用基於使用預先設定之得分換算資料計算出之評價得分視為最接近更接近實際處理值之特定之目標值(最佳值)之最佳條件而選擇的試驗條件之輸入參數。於圖10之例中，作為試驗條件之第2次設定，將新的學習對象參數群設為輸入參數群G2，輸入參數之值pB1k、pB2k設為變數，作為非學習對象參數群之一之輸入參數群G1之輸入參數設為判斷為最佳條件之試驗條件3之輸入參數之值pA13、pA23，輸入參數群G3、G4之輸入參數之值設為固定值pC1f、pD1f、pD2f。
於將所有輸入參數群選擇為學習對象參數群而結束之情形時(S112/是)，結束一系列之處理。
用於作為發電設備設置於火力發電站之鍋爐之運轉之輸入參數例如有10項以上之多個，處理值亦有多個。並且，混合存在有若變更某一輸入參數則變得良好之處理值及惡化之處理值，運轉控制較複雜，因此，有時作為運轉支援之一環，構成規定鍋爐之假想動作之模型資料，並進行使用該模型資料之模擬。於為了提高該模擬之精度而多階段地設定輸入參數進行試運轉時，試行之試驗條件越是增加則試運轉之時間花費越長，另一方面，若無特別根據地減少試驗條件，則模型資料之精度會惡化，因此有希望恰當地設定試驗條件之要求。
根據本實施形態，基於各輸入參數之相互關係，將輸入參數預先分組為複數個參數群。例如將各輸入參數之相互關係對處理值之影響較少者預先分組而設為複數個輸入參數群。基於使用學習對象參數群之輸入參數設為變數且非學習對象參數群之輸入參數設為固定值之試驗條件的假想處理值與實際處理值之比較，首先修正模型資料，若發現最佳值，則將其用作固定值，一面依次變更學習對象參數群一面修正模型資料。因此，與未對輸入參數預先進行分組而進行輸入參數之全部組合數之試驗發現最佳值並一下子修正模型資料之情形相比，可減少試驗次數。又，藉由與試驗條件一同輸出實際處理值及假想處理值，技術人員容易掌握使哪一輸入參數變化後模型資料如何變化。又，技術人員容易基於實際處理值與假想處理值之乖離之大小而掌握模型資料之精度。
又，將複數個輸入參數按照自鍋爐之燃燒氣體之下游側朝向上游側之順序以複數個區域進行劃分，且按照該順序選擇學習對象參數群，藉此，技術人員更容易辨識同一參數群所包含之輸入參數之種類。進而，可實現按照輸入參數賦予鍋爐之實際處理值之相互關係之分組，因此，自所分組之參數群獲得之處理值之精度提昇。
又，藉由學習試行次數決定部211f而縮小為較學習對象參數群內之輸入參數之全部組合(例如32 ＝9種模式)少之學習試行次數(例如3次)，因此，除基於輸入參數之分組之效果所實現之試驗次數之減少以外，還可實現試驗次數之進一步之減少，並且可有效率地提高模型資料之精度。
又，於修正後模型資料之精度不充分之情形時，輸入參數提示部211a變更學習對象參數群之設為變數之輸入參數之間隔或範圍而提示新的試驗條件，因此，可進行修正後之模型資料之精度不良之改善。
上述實施形態並非限定本發明，不脫離本發明之主旨之各種變更態樣包含於本實施形態。例如，於圖4之步驟S104、S105中，亦可調換實際處理值之獲取與假想處理值之運算順序。又，亦可替換為如下態樣，即，於步驟S105或步驟S108中不進行實際處理值之獲取及對技術人員之假想處理值之輸出，而於試驗計劃裝置內部例如進行實際處理值之獲取及將假想處理值輸出至模型資料學習部。又，利用得分計算部211e進行之評價得分之計算只不過為試驗結果良好之條件之抽出例，亦可不使用得分而使用實際處理值及假想處理值之實值抽出良好之試驗條件。
進而，亦可將本發明應用於作為發電設備與鍋爐不同之運轉設備之模型資料之學習。
又，輸入參數提示部211a亦可構成為將所提示之試驗條件自輸出控制部211g輸出至輸出裝置219，使技術人員可隨時視認所提示之試驗條件。進而，亦可構成為技術人員可經由輸入裝置218對所提示之試驗條件進行修正操作。
以下，對試驗計劃裝置提示規定作為發電設備設置於火力發電站之鍋爐之假想動作之模型資料用試驗條件之例進行說明，但發電設備並不限定於鍋爐。
圖1係表示上述鍋爐之概略構成圖。圖1所示之鍋爐1例如係燃煤鍋爐，該燃煤鍋爐設為使固體燃料燃燒者，能夠將使煤粉碎所得之粉煤用作微粉燃料(固體燃料)，利用火爐之燃燒器使該粉煤燃燒，將藉由該燃燒而產生之熱與給水或蒸汽進行熱交換而產生蒸汽。
鍋爐1具有火爐11、燃燒裝置12、及煙道13。火爐11例如呈四角筒之中空形狀而沿著鉛直方向設置。火爐11之壁面由蒸發管(傳熱管)及連接蒸發管之散熱片構成，藉由與給水或蒸汽進行熱交換而抑制火爐壁之溫度上升。具體而言，於火爐11之側壁面，複數個蒸發管例如沿著鉛直方向配置，且並排配置於水平方向。散熱片將蒸發管與蒸發管之間封閉。火爐11於爐底設置有傾斜面，且於傾斜面設置爐底蒸發管而成為底面。
燃燒裝置12設置於構成該火爐11之火爐壁之鉛直下部側。於本實施形態中，該燃燒裝置12具有安裝於火爐壁之複數個燃燒器(例如21、22、23、24、25)。例如，該燃燒器(burner)21、22、23、24、25沿著火爐11之圓周方向以均等間隔配設有複數個。但是，火爐之形狀或一段中之燃燒器之個數、段數並不限定於本實施形態。
該各燃燒器21、22、23、24、25經由粉煤供給管26、27、28、29、30而連結於粉碎機(粉煤機/碾磨機)31、32、33、34、35。若煤由未圖示之搬送系統搬送並投入至該粉碎機31、32、33、34、35，則於此處被粉碎為特定之微粉之大小，並可將經粉碎之煤(粉煤)與搬送用空氣(1次空氣)一同自粉煤供給管26、27、28、29、30供給至燃燒器21、22、23、24、25。
又，火爐11於各燃燒器21、22、23、24、25之安裝位置設置有風箱36，於該風箱36連結空氣管道37b之一端部，另一端部於連結點37d連結於供給空氣之空氣管道37a。
又，於火爐11之鉛直方向上方連結有煙道13，於該煙道13配置有用以產生蒸汽之複數個熱交換器(41、42、43、44、45、46、47)。因此，燃燒器21、22、23、24、25藉由向火爐11內噴射粉煤燃料與燃燒用空氣之混合氣體而形成火焰，產生燃燒氣體並使燃燒氣體流向煙道13。然後，利用燃燒氣體加熱流經火爐壁及熱交換器(41～47)之給水或蒸汽而產生過熱蒸汽，可供給所產生之過熱蒸汽使未圖示之蒸汽渦輪機旋轉驅動，而旋轉驅動連結於蒸汽渦輪機之旋轉軸之未圖示之發電機進行發電。又，該煙道13中設置有連結排氣通路48而用以進行燃燒氣體之淨化之脫硝裝置50、於自送風機38向空氣管道37a輸送之空氣與經排氣通路48輸送之排氣之間進行熱交換之空氣加熱器49、煤塵處理裝置51、導引鼓風機52等，且於下游端部設置有煙囪53。
火爐11係所謂2段燃燒方式之火爐，其於利用粉煤之搬送用空氣(1次空氣)及自風箱36投入至火爐11之燃燒用空氣(2次空氣)進行之燃料過剩燃燒後，重新投入燃燒用空氣(補充氣體)進行燃料稀薄燃燒。因此，火爐11中具備補充氣體口39，於補充氣體口39連結空氣管道37c之一端部，另一端部於連結點37d連結於供給空氣之空氣管道37a。
自送風機38輸送至空氣管道37a之空氣藉由在空氣加熱器49與燃燒氣體進行熱交換而被加熱，且於連結點37d分支為經由空氣管道37b而導向風箱36之2次空氣、及經由空氣管道37c而導向補充氣體口39之補充氣體。
圖2係試驗計劃裝置210之硬體構成圖。試驗計劃裝置210包含CPU(Central Processing Unit，中央處理單元)211、RAM(Random Access Memory，隨機存取記憶體)212、ROM(Read Only Memory，唯讀記憶體)213、HDD (Hard Disk Drive，硬碟驅動器)214、輸入輸出I/F (Interface，介面)215、及通信I/F216，其等經由匯流排217相互連接而構成。於輸入輸出I/F215分別連接鍵盤等輸入裝置218及顯示器或印表機等輸出裝置219。又，試驗計劃裝置210之通信I/F216及鍋爐1亦可經由網路100而連接，且連接於記憶媒體201、例如記憶卡，而獲取下述實際處理值。再者，試驗計劃裝置210之硬體構成並不限定於上述，亦可藉由控制電路與記憶裝置之組合而構成。
圖3係試驗計劃裝置210之功能方塊圖。試驗計劃裝置210包含輸入參數提示部211a、模擬部211b、實際處理值獲取部211c、模型資料學習部211d、得分計算部211e、學習試行次數決定部211f、及輸出控制部211g。該等各構成要素可藉由CPU211將預先儲存於ROM213或HDD214之實現各功能之軟體加載至RAM212並予以執行而使軟體與硬體協動而構成，亦可利用實現各功能之控制電路構成。進而，試驗計劃裝置210包含輸入參數記憶部214a、模型資料記憶部214b、試驗結果記憶部214c、及得分換算資料記憶部214d。於試驗結果記憶部214c中包含試驗條件記憶區域214c1、假想處理值記憶區域214c2、實際處理值記憶區域214c3、及得分記憶區域214c4，各記憶區域相互建立關係而構成。上述各記憶部及記憶區域亦可構成於RAM212、ROM213、或HDD214之一部分區域。
參照圖4至圖10，對試驗計劃裝置210之動作進行說明。圖4及圖5係表示試驗計劃裝置210之動作之流程之流程圖。圖6係輸入參數之分組之說明圖。再者，於圖6中，未對假想處理值及實際處理值進行區別而僅記載為處理值。圖7係表示試驗條件之初次設定例之圖。圖8係假想處理值與實際處理值之相關圖。圖9係表示得分換算資料例之圖。圖10係表示試驗條件之第2次設定例之圖。
於以下之處理之前，預先將用於模擬之輸入參數基於各輸入參數相對於各處理值之相互關係分組為複數個參數群而記憶於圖3所示之試驗條件記憶區域214c1。
於本實施形態中，考慮輸入參數之相互關係對處理值之影響。又，亦考慮鍋爐內之輸入參數之位置(與輸入參數相關之機器之位置、變更輸入參數之情形時之影響範圍之位置等)。例如，於本實施形態中，將各輸入參數之相互關係對處理值之影響較少之輸入參數預先形成為分組為複數組之參數群。而且，該參數群係將複數個輸入參數按照自鍋爐1之燃燒氣體之下游側朝向上游側之順序以複數個區域劃分而構成。藉由自結果於第一層被決定之燃燒氣體之下游側之區域中之處理值向結果在今後被決定之燃燒氣體之上游側之區域依序進行劃分，可實現按照輸入參數之相互關係之分組，因此，自經分組之參數群獲取之處理值之精度提昇。因此，於本實施形態中，如圖6所示般，以複數個區域進行劃分，例如，輸入參數群G1包含鍋爐出口附近(例如自火爐11出口至熱交換器41附近)之輸入參數之值pA1、pA2。又，輸入參數群G2包含自鍋爐出口至燃燒器(例如自火爐11出口至燃燒器21附近)之輸入參數之值pB1、pB2，輸入參數群G3包含燃燒器(例如燃燒器21、22、23、24、25附近)之輸入參數之值pC1，輸入參數群G4包含關於燃料供給設備(例如粉碎機31、32、33、34、35附近)之輸入參數之值pD1、pD2、pD3。
於模型資料記憶部214b記憶用以運算7種假想處理值vA、vB、vC、vD、vE、vF、vG(圖6中，未對假想處理值及實際處理值進行區別而僅記載為處理值A、處理值B、・・處理值G)之7個模型資料fA(p)、fB(p)、fC(p)、fD(p)、fE(p)、fF(p)、fG(p)。
對各模型資料fA(p)、fB(p)、fC(p)、fD(p)、fE(p)、fF(p)、fG(p)應用所有輸入參數之值pA1、pA2、pB1、pB2、pC1、pD1、pD2、pD3而計算7個假想處理值vA、vB、vC、vD、vE、vF、vG。
此處，各輸入參數存在關係相對較強(對於各輸入參數之對實際處理值之響應性或值之變化率等較高)者、及關係相對較低(對於各輸入參數之對實際處理值之響應性或值之變化率等較低)者，且基於相互關係分組為複數個參數群。根據上述燃燒氣體依序對輸入參數進行分組之結果，輸入參數群G1形成對實際處理值rA、rB、rC、rD、rE(圖6中，未對假想處理值及實際處理值進行區別而僅記載為處理值A、處理值B、・・處理值G)之響應性或值之變化率等相對較高而關係相對較強之輸入參數之值pA1、pA2之集合。同樣地，輸入參數群G2形成相對於實際處理值rA、rC、rD、rE、rF之關係相對較強之輸入參數之值pB1、pB2之集合。輸入參數群G3包含相對於實際處理值rA、rF、rG之關係相對較強之輸入參數之值pC1而形成。輸入參數群G4形成為包含相對於實際處理值rA、rF之關係相對較強之輸入參數之值pD1、pD2、pD3之集合。
作為上述輸入參數之具體例，於鍋爐1之情形時，有燃燒用空氣之供給量、燃燒器角度、燃料供給設備之運轉台數、補充氣體口之閥開度(補充氣體供給流量)，作為處理值之具體例，有環境負荷量(NOx、CO之濃度)、設備效率、零件溫度、蒸汽溫度、傳熱管金屬溫度等。
返回至圖4，說明表示試驗計劃裝置210之動作之流程之流程圖。首先，輸入參數提示部211a參照試驗條件記憶區域214c1，將複數個參數群中之1個決定為學習對象參數群，將除此以外之參數群決定為非學習對象參數群，並獲取各輸入參數(S101)。尤其是，於本實施形態之例中，輸入參數提示部211a按照自燃燒氣體之下游側之區域朝向上游側之區域之順序選擇學習對象參數群。由此，初次之試驗條件提示如圖7之例所示般，將學習對象參數群決定為輸入參數群G1，將非學習對象參數群決定為輸入參數群G2、G3、G4。
學習試行次數決定部211f基於學習對象參數群所包含之輸入參數之種類數及各輸入參數之變數之個數而決定學習試行次數n(S102)。於圖7之例中，輸入參數群G1之變數之種類數為pA1及pA2這2個，變數之個數為試驗條件1、2、3這3個，因此，若欲執行G1之所有變數之組合之試驗，則必須於32 (3×3)即9種模式之試驗條件下進行模擬。因此，學習試行次數決定部211f依照使用統計方法預先規定之學習試行次數決定條件而決定較包羅所有變數之組合之試驗次數少之學習試行次數n。於本例中設為n＝3。
輸入參數提示部211a決定用於學習試行次數決定部211f所決定之n次試驗之試驗條件、即n種模式之試驗條件之各輸入參數，而提示試驗條件(S103)。於本例中，於全部3種模式之試驗條件1～3中，輸入參數群G1之參數設為變數，輸入參數群G2、G3、G4之參數設為固定值。該固定值亦可使用各輸入參數之標準值或設計值、或預想為最佳值之值。
輸入參數提示部211a將所提示之n種模式之試驗條件記憶於試驗條件記憶區域214c1，並且輸出至輸出控制部211g。
自輸出控制部211g輸出之n種模式之試驗條件於鍋爐1實際進行試運轉而獲得實際處理值rAk～rGk(k＝1～n)。實際處理值獲取部211c經由網路100或記憶媒體201、或輸入裝置218而獲取該實際處理值rAk～rGk(S104)，並記憶於實際處理值記憶區域214c3。
模擬部211b自試驗條件記憶區域214c1讀出各試驗條件，並應用於為了運算各假想處理值vAk～vGk而設定之模型資料fA(p)、fB(p)…、fG(p)，而運算各假想處理值vAk～vGk。然後，輸出控制部211g輸出試驗條件及應用該試驗條件之情形之假想處理值及實際處理值(S105)。
於模型資料記憶部214b記憶有與假想處理值之種類數相同數量的根據假想處理值vA～vG之種類而決定之模型資料fA(p)、fB(p)…、fG(p)。模擬部211b依次將試驗條件k(pA1k、pA2k、pB1k、pB2k、pC1k、pD1k、pD2k、pD3k)應用於各模型資料，並根據下式(1)而計算試驗條件k之各假想處理值vAk～vGk。
[數式1]
於式(1)中，於試驗條件1～3下，pA1k、pA2k為變數，pB1k、pB2k、pC1k、pD1k、pD2k、pD3k為固定值。
模型資料學習部211d按照各處理值之種類將假想處理值與實際處理值進行比較，對所有處理值判斷假想處理值與實際處理值之乖離(假想處理值與實際處理值之差之絕對值)是否處於作為特定值預先規定之容許範圍(以下略記為「容許範圍」)內(S106)。容許範圍外之模型資料只要有一個(S106/否)，則僅對容許範圍外之模型資料進行修正而產生修正後之模型資料(S107)。於圖7之例中，產生修正後之模型資料fAa(p)。
圖8係假想處理值及實際處理值之相關圖。曲線1係基於對根據試驗條件1、2、3於鍋爐1進行試運轉而獲得之實際處理值、例如rA1、rA2、rA3進行繪圖所得之點而產生之曲線(例如利用最小平方法所得)。以該曲線為中心設定用於判斷模型資料fA(p)是否需要修正之容許範圍。而且，若假想處理值包含於該容許範圍內，則模型資料fA(p)不需要進行修正，若不包含於該容許範圍內，則模型資料學習部211d以相對於輸入參數獲得實際處理值rA1之方式修正模型資料fA(p)而產生修正後之模型資料fAa(p)。對於其他模型資料，亦以與模型資料fA(p)同樣之順序進行是否需要修正之判斷且於需要修正之情形時進行修正。
模型資料學習部211d使用修正後之模型資料再次執行模擬處理，而運算修正後之假想處理值。輸出控制部211g輸出應用於修正後之模型資料之試驗條件及此時之假想處理值、及實際處理值(S108)。於圖7之例中，對修正後之模型資料fAa(p)應用試驗條件1～3而再次計算假想處理值vA1a、vA2a、vA3a。若該假想處理值vA1a、vA2a、vA3a與實際處理值rA、rB、rC之乖離落在容許範圍內(S109/是)，則視為已恰當地進行修正而將記憶於模型資料記憶部214b之模型資料fA(p)覆寫為修正後之模型資料fAa(p)(S110)，並返回至步驟S106。
若利用修正後之模型資料獲得之假想處理值、例如上述假想處理值vA1a、vA2a、vA3a未落在實際處理值rA、rB、rC之容許範圍內(S109/否)，則執行試驗條件再提示處理(S111)。
於試驗條件再提示處理(S111)中，輸入參數提示部211a於實際處理值與使用修正後之模型資料利用模擬部211b運算出之假想處理值之乖離處於預先規定之容許範圍外之情形時，變更學習對象參數群之設為變數之輸入參數之間隔或範圍，再次提示試驗條件。然後，使用再提示之試驗條件執行步驟S104至步驟S111。其後，返回至步驟S106。
模型資料學習部211d若所有假想處理值和與其對應之實際處理值之乖離為容許範圍內(S106/是)，則不需要進行模型資料之修正。因此，如圖5所示，輸入參數提示部211a判定是否剩餘有未選擇為學習對象參數群之輸入參數群(S112)，若有剩餘，則開始使用新的學習對象參數群之試驗條件之提示處理(S112/否)。
因此，得分計算部211e使用得分換算資料記憶部214d中預先設定之得分換算資料(參照圖9)，計算使用步驟S101中選擇之學習對象參數群之試驗條件1～k之評價得分，並記憶於得分記憶區域214c4(S113)。
圖9係表示得分換算資料之一例之圖。各實際處理值設為隨著遠離特定之目標而得分值變小者，對於各實際處理值之特性，例如例示處理值越小則得分值越是增加之特性。於得分換算資料記憶部214d中記憶有與各實際處理值rA～rG之種類之各者對應之得分換算資料。得分計算部211e讀出實際處理值rA1，使用與實際處理值rA1對應之得分換算資料計算對於實際處理值rA1之得分。同樣地，計算對於所有實際處理值rB1～rG1之得分。然後，使用基於在試驗條件1下獲得之各實際處理值計算出之得分之總計值而計算試驗條件1之整體得分。同樣地，亦計算試驗條件2、3之整體得分。
於上述中，使用實際處理值計算各試驗條件之整體得分，但若假想處理值與實際處理值之乖離處於容許範圍內，則亦可對假想處理值進行計分，而計算各試驗條件之整體得分。
輸入參數提示部211a參照記憶於得分記憶區域214c4之評價得分，選擇作為試驗結果更接近實際處理值之特定之目標值(最佳值)而相對良好者、較理想為最好者(S114)。
輸入參數提示部211a選擇下一新的學習對象參數群、例如輸入參數群G2(S115)，學習試行次數決定部211f基於輸入參數群G2所包含之輸入參數之種類數及變數之個數重新決定學習試行次數n(S116)。
輸入參數提示部211a提示包含與重新決定之學習試行次數n同數之模式數之新的試驗條件(S117)。
於本步驟中，重新選擇之學習對象參數群之輸入參數設為變數，已被選擇為學習對象參數群之輸入參數群之輸入參數(例如輸入參數群G1)係使用基於使用預先設定之得分換算資料計算出之評價得分視為最接近更接近實際處理值之特定之目標值(最佳值)之最佳條件而選擇的試驗條件之輸入參數。於圖10之例中，作為試驗條件之第2次設定，將新的學習對象參數群設為輸入參數群G2，輸入參數之值pB1k、pB2k設為變數，作為非學習對象參數群之一之輸入參數群G1之輸入參數設為判斷為最佳條件之試驗條件3之輸入參數之值pA13、pA23，輸入參數群G3、G4之輸入參數之值設為固定值pC1f、pD1f、pD2f。
於將所有輸入參數群選擇為學習對象參數群而結束之情形時(S112/是)，結束一系列之處理。
用於作為發電設備設置於火力發電站之鍋爐之運轉之輸入參數例如有10項以上之多個，處理值亦有多個。並且，混合存在有若變更某一輸入參數則變得良好之處理值及惡化之處理值，運轉控制較複雜，因此，有時作為運轉支援之一環，構成規定鍋爐之假想動作之模型資料，並進行使用該模型資料之模擬。於為了提高該模擬之精度而多階段地設定輸入參數進行試運轉時，試行之試驗條件越是增加則試運轉之時間花費越長，另一方面，若無特別根據地減少試驗條件，則模型資料之精度會惡化，因此有希望恰當地設定試驗條件之要求。
根據本實施形態，基於各輸入參數之相互關係，將輸入參數預先分組為複數個參數群。例如將各輸入參數之相互關係對處理值之影響較少者預先分組而設為複數個輸入參數群。基於使用學習對象參數群之輸入參數設為變數且非學習對象參數群之輸入參數設為固定值之試驗條件的假想處理值與實際處理值之比較，首先修正模型資料，若發現最佳值，則將其用作固定值，一面依次變更學習對象參數群一面修正模型資料。因此，與未對輸入參數預先進行分組而進行輸入參數之全部組合數之試驗發現最佳值並一下子修正模型資料之情形相比，可減少試驗次數。又，藉由與試驗條件一同輸出實際處理值及假想處理值，技術人員容易掌握使哪一輸入參數變化後模型資料如何變化。又，技術人員容易基於實際處理值與假想處理值之乖離之大小而掌握模型資料之精度。
又，將複數個輸入參數按照自鍋爐之燃燒氣體之下游側朝向上游側之順序以複數個區域進行劃分，且按照該順序選擇學習對象參數群，藉此，技術人員更容易辨識同一參數群所包含之輸入參數之種類。進而，可實現按照輸入參數賦予鍋爐之實際處理值之相互關係之分組，因此，自所分組之參數群獲得之處理值之精度提昇。
又，藉由學習試行次數決定部211f而縮小為較學習對象參數群內之輸入參數之全部組合(例如32 ＝9種模式)少之學習試行次數(例如3次)，因此，除基於輸入參數之分組之效果所實現之試驗次數之減少以外，還可實現試驗次數之進一步之減少，並且可有效率地提高模型資料之精度。
又，於修正後模型資料之精度不充分之情形時，輸入參數提示部211a變更學習對象參數群之設為變數之輸入參數之間隔或範圍而提示新的試驗條件，因此，可進行修正後之模型資料之精度不良之改善。
上述實施形態並非限定本發明，不脫離本發明之主旨之各種變更態樣包含於本實施形態。例如，於圖4之步驟S104、S105中，亦可調換實際處理值之獲取與假想處理值之運算順序。又，亦可替換為如下態樣，即，於步驟S105或步驟S108中不進行實際處理值之獲取及對技術人員之假想處理值之輸出，而於試驗計劃裝置內部例如進行實際處理值之獲取及將假想處理值輸出至模型資料學習部。又，利用得分計算部211e進行之評價得分之計算只不過為試驗結果良好之條件之抽出例，亦可不使用得分而使用實際處理值及假想處理值之實值抽出良好之試驗條件。
進而，亦可將本發明應用於作為發電設備與鍋爐不同之運轉設備之模型資料之學習。
又，輸入參數提示部211a亦可構成為將所提示之試驗條件自輸出控制部211g輸出至輸出裝置219，使技術人員可隨時視認所提示之試驗條件。進而，亦可構成為技術人員可經由輸入裝置218對所提示之試驗條件進行修正操作。
1‧‧‧鍋爐
11‧‧‧火爐
12‧‧‧燃燒裝置
13‧‧‧煙道
21‧‧‧燃燒器
22‧‧‧燃燒器
23‧‧‧燃燒器
24‧‧‧燃燒器
25‧‧‧燃燒器
26‧‧‧粉煤供給管
27‧‧‧粉煤供給管
28‧‧‧粉煤供給管
29‧‧‧粉煤供給管
30‧‧‧粉煤供給管
31‧‧‧粉碎機
32‧‧‧粉碎機
33‧‧‧粉碎機
34‧‧‧粉碎機
35‧‧‧粉碎機
36‧‧‧風箱
37a‧‧‧空氣管道
37b‧‧‧空氣管道
37c‧‧‧空氣管道
37d‧‧‧連結點
38‧‧‧送風機
39‧‧‧補充氣體口
41‧‧‧熱交換器
42‧‧‧熱交換器
43‧‧‧熱交換器
44‧‧‧熱交換器
45‧‧‧熱交換器
46‧‧‧熱交換器
47‧‧‧熱交換器
48‧‧‧排氣通路
49‧‧‧空氣加熱器
50‧‧‧脫硝裝置
51‧‧‧煤塵處理裝置
52‧‧‧導引鼓風機
53‧‧‧煙囪
100‧‧‧網路
201‧‧‧記憶媒體
210‧‧‧試驗計劃裝置
211‧‧‧CPU
211a‧‧‧輸入參數提示部
211b‧‧‧模擬部
211c‧‧‧實際處理值獲取部
211d‧‧‧模型資料學習部
211e‧‧‧得分計算部
211f‧‧‧學習試行次數決定部
211g‧‧‧輸出控制部
212‧‧‧RAM
213‧‧‧ROM
214‧‧‧HDD
214a‧‧‧輸入參數記憶部
214b‧‧‧模型資料記憶部
214c‧‧‧試驗結果記憶部
214c1‧‧‧試驗條件記憶區域
214c2‧‧‧假想處理值記憶區域
214c3‧‧‧實際處理值記憶區域
214c4‧‧‧得分記憶區域
214d‧‧‧得分換算資料記憶部
215‧‧‧輸入輸出介面
216‧‧‧通信介面
217‧‧‧匯流排
218‧‧‧輸入裝置
219‧‧‧輸出裝置
S101～S117‧‧‧步驟
圖1係表示鍋爐之概略構成圖。
圖2係試驗計劃裝置之硬體構成圖。
圖3係試驗計劃裝置之功能方塊圖。
圖4係表示試驗計劃裝置之動作之流程之流程圖。
圖5係表示試驗計劃裝置之動作之流程之流程圖。
圖6係輸入參數之分組之說明圖。
圖7係表示試驗條件之初次設定例之圖。
圖8係假想處理值與實際處理值之相關圖。
圖9係表示得分換算資料例之圖。
圖10係表示試驗條件之第2次設定例之圖。
Claims (1)
- 一種試驗計劃裝置，其特徵在於： 其係對鍋爐之模型資料提示複數個輸入參數之試驗條件者，且具備： 輸入參數提示部，其提示上述複數個輸入參數之試驗條件； 模擬部，其將上述輸入參數之試驗條件應用於規定發電設備之假想動作之模型資料而運算假想處理值； 實際處理值獲取部，其獲取對上述發電設備設定上述輸入參數之試驗條件進行實際運轉而獲得之實際處理值； 模型資料學習部，其對上述模型資料進行修正處理；及 輸出控制部，其輸出應用上述試驗條件而獲得之上述假想處理值及上述實際處理值；且 上述輸入參數之試驗條件係： 將上述複數個輸入參數基於各輸入參數相對於各實際處理值之相互關係分類為複數個參數群； 上述參數群係將上述複數個輸入參數按照自上述鍋爐之燃燒氣體之下游側朝向上游側之順序以複數個區域進行劃分而構成； 上述輸入參數提示部係按照上述順序而自上述複數個參數群選擇一個學習對象參數群，並提示如下試驗條件，即，將該學習對象參數群之輸入參數設為變數，將剩餘之其他參數群設為非學習對象參數群，將該非學習對象參數群之輸入參數設為固定值；且 上述模型資料學習部係於上述實際處理值與上述假想處理值之乖離處於預先規定之容許範圍外之情形時，使用上述實際處理值對上述模型資料進行修正處理。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2017-023543 | 2017-02-10 | ||
| JP2017023543A JP6881997B2 (ja) | 2017-02-10 | 2017-02-10 | 試験計画装置及び試験計画方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| TW201941091A true TW201941091A (zh) | 2019-10-16 |
Family
ID=63108295
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW107104462A TWI668583B (zh) | 2017-02-10 | 2018-02-08 | Test plan device and test plan method |
| TW108123521A TW201941091A (zh) | 2017-02-10 | 2018-02-08 | 試驗計畫裝置及試驗計畫方法 |
Family Applications Before (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW107104462A TWI668583B (zh) | 2017-02-10 | 2018-02-08 | Test plan device and test plan method |
Country Status (8)
| Country | Link |
|---|---|
| US (1) | US20210286922A1 (zh) |
| JP (1) | JP6881997B2 (zh) |
| KR (1) | KR102216820B1 (zh) |
| CN (1) | CN110268349B (zh) |
| DE (1) | DE112018000771T5 (zh) |
| PH (1) | PH12019501844A1 (zh) |
| TW (2) | TWI668583B (zh) |
| WO (1) | WO2018147239A1 (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7220047B2 (ja) * | 2018-10-25 | 2023-02-09 | 三菱重工業株式会社 | プラントの運転支援装置 |
| KR102176765B1 (ko) * | 2018-11-26 | 2020-11-10 | 두산중공업 주식회사 | 연소 최적화를 위한 학습 데이터를 생성하기 위한 장치 및 이를 위한 방법 |
| KR102245794B1 (ko) * | 2019-04-03 | 2021-04-28 | 두산중공업 주식회사 | 보일러 연소 모델 자동 생성 장치 및 방법 |
| CN110941561A (zh) * | 2019-12-05 | 2020-03-31 | 北京星际荣耀空间科技有限公司 | 一种飞行控制软件测评方法、装置及系统 |
| JP2023017358A (ja) * | 2021-07-26 | 2023-02-07 | 株式会社日立製作所 | 実験計画装置、実験計画方法および実験計画システム |
| KR20240127612A (ko) * | 2023-02-16 | 2024-08-23 | 한국전력공사 | 발전소 보일러의 연소상태 예측 장치 및 그 방법 |
| CN116520816B (zh) * | 2023-07-05 | 2023-09-05 | 天津信天电子科技有限公司 | 伺服控制驱动器测试方法、装置、测试设备及存储介质 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2907672B2 (ja) * | 1993-03-12 | 1999-06-21 | 株式会社日立製作所 | プロセスの適応制御方法およびプロセスの制御システム |
| JP4807565B2 (ja) * | 2006-02-01 | 2011-11-02 | 富士電機株式会社 | 流量予測装置 |
| JP2008009934A (ja) * | 2006-06-30 | 2008-01-17 | Kagawa Univ | データ処理装置，データ処理方法，作業機械の遠隔診断システム及び作業機械の遠隔診断方法 |
| JP4427074B2 (ja) * | 2007-06-07 | 2010-03-03 | 株式会社日立製作所 | プラントの制御装置 |
| JP4989421B2 (ja) * | 2007-10-30 | 2012-08-01 | 株式会社日立製作所 | プラントの制御装置および火力発電プラントの制御装置 |
| JP5277064B2 (ja) * | 2009-04-22 | 2013-08-28 | 株式会社日立製作所 | プラントの制御装置、火力発電プラントの制御装置及び火力発電プラント |
| CN102494336B (zh) * | 2011-12-16 | 2013-09-25 | 浙江大学 | 一种循环流化床锅炉燃烧过程多变量控制方法 |
| CA2976620C (en) * | 2015-02-17 | 2022-02-08 | Fujitsu Limited | Determination device, determination method, and determination program |
| CN104763999A (zh) * | 2015-03-04 | 2015-07-08 | 内蒙古瑞特优化科技股份有限公司 | 电厂煤粉锅炉燃烧性能在线优化方法和系统 |
| JP6522445B2 (ja) * | 2015-06-30 | 2019-05-29 | 三菱日立パワーシステムズ株式会社 | 制御パラメータ最適化システム及びそれを備えた運転制御最適化装置 |
-
2017
- 2017-02-10 JP JP2017023543A patent/JP6881997B2/ja active Active
-
2018
- 2018-02-05 WO PCT/JP2018/003864 patent/WO2018147239A1/ja active Application Filing
- 2018-02-05 KR KR1020197026439A patent/KR102216820B1/ko active IP Right Grant
- 2018-02-05 US US16/484,778 patent/US20210286922A1/en not_active Abandoned
- 2018-02-05 CN CN201880010974.4A patent/CN110268349B/zh active Active
- 2018-02-05 DE DE112018000771.5T patent/DE112018000771T5/de not_active Withdrawn
- 2018-02-08 TW TW107104462A patent/TWI668583B/zh active
- 2018-02-08 TW TW108123521A patent/TW201941091A/zh unknown
-
2019
- 2019-08-08 PH PH12019501844A patent/PH12019501844A1/en unknown
Also Published As
| Publication number | Publication date |
|---|---|
| KR102216820B1 (ko) | 2021-02-17 |
| KR20190117606A (ko) | 2019-10-16 |
| CN110268349B (zh) | 2022-02-11 |
| JP6881997B2 (ja) | 2021-06-02 |
| DE112018000771T5 (de) | 2020-02-13 |
| CN110268349A (zh) | 2019-09-20 |
| TWI668583B (zh) | 2019-08-11 |
| PH12019501844A1 (en) | 2020-06-15 |
| US20210286922A1 (en) | 2021-09-16 |
| TW201841125A (zh) | 2018-11-16 |
| WO2018147239A1 (ja) | 2018-08-16 |
| JP2018128995A (ja) | 2018-08-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| TWI668583B (zh) | Test plan device and test plan method | |
| CN105276611B (zh) | 火电厂锅炉燃烧调整优化方法与系统 | |
| WO2019208773A1 (ja) | プラントの運転支援装置、プラントの運転支援方法、プラントの学習モデルの作成方法、プラントの運転支援プログラム、プラントの運転支援プログラムを記録した記録媒体、プラントの学習モデルの作成プログラム、及びプラントの学習モデルの作成プログラムを記録した記録媒体 | |
| CN105160158A (zh) | 锅炉二次风挡板特性试验数据的处理方法 | |
| EP1793167B1 (en) | Control system and method for adjusting CO emission levels within a boiler system | |
| TWI677771B (zh) | 模擬結果之評價裝置及方法 | |
| JPWO2019159883A1 (ja) | モデル作成方法、プラントの運転支援方法、モデル作成装置、モデル、プログラム、及びプログラムを記録した記録媒体 | |
| CN104571022A (zh) | 基于煤耗与可控因子关系的耗差分析模型实验系统及方法 | |
| Richter et al. | Flexibilization of coal-fired power plants by dynamic simulation | |
| WO2021220901A1 (ja) | 制御装置 | |
| TWI691821B (zh) | 運轉條件評價裝置、運轉條件評價方法及鍋爐之控制系統 | |
| Żymełka et al. | Online monitoring system of air distribution in pulverized coal-fired boiler based on numerical modeling | |
| Ciupek et al. | Optimization of the Retort Burner Construction to Reduce Emission of Harmful Substances | |
| CN112240566B (zh) | 锅炉偏烧在线调整系统及方法 | |
| TWI735042B (zh) | 廠房的運轉支援裝置及廠房的運轉支援方法 | |
| JP7086692B2 (ja) | プラントの制御装置、プラント、プラントの制御方法及びプラントの制御プログラム | |
| KR102627013B1 (ko) | 보일러의 운전 지원 장치 및 보일러의 운전 지원 시스템 | |
| Bhowmick et al. | Study the Performances of induced fans and design of new induced fan for the efficiency improvement of a thermal power plant | |
| TW201821917A (zh) | 智慧型吹灰裝置及方法 | |
| Kuronen | Improving transient simulation of pulverized coal-fired power plants in dynamic simulation software | |
| CN116066853A (zh) | 一种煤粉锅炉配风调整方法、装置及存储介质 | |
| Storm | How stealth combustion losses lower plant efficiency | |
| Stapper et al. | Successful Power Limit Increase Testing of SGT5/6-2000E Gas Turbines on the Basis of Si3D Turbine Blading |