WO2012093518A1 - プラントの制御装置及び火力発電プラントの制御装置 - Google Patents

プラントの制御装置及び火力発電プラントの制御装置 Download PDF

Info

Publication number
WO2012093518A1
WO2012093518A1 PCT/JP2011/075445 JP2011075445W WO2012093518A1 WO 2012093518 A1 WO2012093518 A1 WO 2012093518A1 JP 2011075445 W JP2011075445 W JP 2011075445W WO 2012093518 A1 WO2012093518 A1 WO 2012093518A1
Authority
WO
WIPO (PCT)
Prior art keywords
model
plant
control device
data
learning
Prior art date
Application number
PCT/JP2011/075445
Other languages
English (en)
French (fr)
Inventor
徹 江口
尚弘 楠見
孝朗 関合
深井　雅之
清水　悟
Original Assignee
株式会社日立製作所
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 株式会社日立製作所 filed Critical 株式会社日立製作所
Priority to CN201180064307.2A priority Critical patent/CN103282840B/zh
Publication of WO2012093518A1 publication Critical patent/WO2012093518A1/ja

Links

Images

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
    • 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
    • G05B13/048—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 using a predictor

Definitions

  • the present invention relates to a control device for a plant, and more particularly to a control device for a thermal power plant that generates electricity using fossil fuel such as coal.
  • the control device of the plant processes the measurement signal of the state quantity of the plant obtained from the plant to be controlled, calculates the control signal (operation signal) to be given to the control object, and controls the operation of the control object.
  • the control device of the plant is implemented with an algorithm for calculating an operation signal so that the measurement signal of the state quantity of the plant satisfies the target value.
  • PI control As a control algorithm used for control of a plant, there is a PI (proportional-integral) control algorithm.
  • PI control a value obtained by time-integrating a deviation is added to a value obtained by multiplying a proportional gain by a deviation between a measurement signal of a state quantity of a plant and its target value, and an operation signal to be given to a control target is derived.
  • a control algorithm using PI control can describe the input / output relationship with a block diagram or the like, so the causal relationship between input and output can be easily understood, and there are many application results.
  • work such as changing the control logic may be required.
  • control methods that can be adapted to changes in plant operating conditions and environments, there are control methods that use a control algorithm or adaptive control that automatically corrects parameter values or a learning algorithm.
  • the characteristics of the plant are estimated by processing the data statistically based on measurement data of the plant and data constructed based on numerical analysis.
  • a general method is to build a statistical model and autonomously learn the optimal control logic for this statistical model.
  • NN neural network
  • the RBF network arranges Gaussian basis functions given by Equation (1) described later according to the distribution of model construction data used for constructing a statistical model in the plant characteristic space, and estimates the plant characteristics by superimposing them. Do.
  • Equation (1) i is the index of a Gaussian basis function, bi is a basis function value, x is a model input vector, ci is a central coordinate vector of the basis function, and ri is a radius parameter.
  • Patent Document 1 adjusts a radius parameter of a Gaussian basis function of an RBF network using a tunneling algorithm which is one of optimization algorithms. The technology is described.
  • Non-Patent Document 1 describes a technique for optimally adjusting the radius parameter in consideration of the sparse / dense distribution on the model characteristic space of data used for learning of the RBF network.
  • Patent Document 1 and / or Non-patent Document 1 When the technique disclosed in Patent Document 1 and / or Non-patent Document 1 is applied to a plant controller, a statistical model is used to adjust the radius parameter so that the Gaussian basis function can appropriately cover the plant characteristic space. The estimation accuracy can be improved.
  • the object of the present invention is to improve the estimation accuracy of a statistical model by enabling termination of optimization calculation within a control cycle when adjusting statistical models by RBF network online using measurement data of a plant.
  • Another object of the present invention is to provide a control device of a power plant and a control device of a thermal power plant.
  • the control device for a plant is a control device for a plant including a control device that takes in a measurement signal that is a state quantity of the plant from the plant and calculates an operation signal that controls the plant using the measurement signal.
  • the control device performs a statistical processing based on a confidence interval on measurement data of the plant stored in the measurement signal database, and a measurement signal database that captures and stores measurement signals that are state quantities of the plant.
  • Control of the plant that estimates the value of the measurement signal that is the state quantity of the plant when
  • a learning method of learning a statistical model that simulates characteristics and a method of generating a model input corresponding to the control signal to give a plant so that the model output corresponding to the measurement signal achieves a target value using the statistical model
  • a control signal generation unit for calculating the control signal to be transmitted, and a model adjustment unit for adjusting a base radius parameter of a statistical model included in the model construction data stored in the model construction database.
  • the statistical model uses the adjustment result of the base radius parameter by the model adjustment unit Wherein generating a
  • a control device of a thermal power plant receives a measurement signal which is a state quantity of the plant from a thermal power plant provided with a boiler, and calculates a control signal for controlling the plant using the measurement signal.
  • the control device is reliable with respect to a measurement signal database that captures and stores measurement signals that are state quantities of the plant and measurement data of the plant stored in the measurement signal database.
  • a model construction database that stores the generated model construction data, and model construction data stored in the model construction database
  • an operation method learning unit for learning Using an operation method learning unit for learning, a learning information database for storing learning data related to a learning constraint condition and learning result in the operation method learning unit, a measurement signal of the measurement signal database, and learning data of the learning information database And a control signal generator configured to calculate a control signal to be transmitted to the plant, and further adjusting a base radius parameter of a statistical model included in the model construction data stored in the model construction database.
  • An adjustment unit is provided, and the statistical model is a basis radius pattern by the model adjustment unit.
  • a model output is generated using the adjustment result of the meter, and the model output is configured to be output to the operation method learning unit, and the measurement signal is an exhaust gas discharged from a boiler of the thermal power plant.
  • the control signal may include a state quantity signal representing at least one of the concentrations of nitrogen oxides, carbon monoxide, carbon dioxide, nitrogen, oxygen, ash unburned matter and hydrogen sulfide contained, and the control signal is At least among the flow rate of air supplied to the boiler of the power plant, the opening degree of the air damper for adjusting the flow of air, the flow rate of fuel supplied to the boiler, and the exhaust gas recirculation flow rate for recirculating the exhaust gas discharged from the boiler to the boiler It is characterized in that a signal representing one is included.
  • the optimization calculation can be completed within the control period to improve the estimation accuracy of the statistical model.
  • the control device of the plant and the control device of the thermal power plant can be realized.
  • FIG. 5 is a block diagram showing composition of a control device of a plant which is the 1st example of the present invention.
  • 5 is a flowchart showing a series of control operation flow in the control device of the plant of the first embodiment. It is a flowchart showing the operation
  • FIG. It is the schematic which shows the concept of model output trust interval calculation of the pre-processing part in the control apparatus of the plant of Example 1.
  • FIG. FIG. 7 is a view showing an aspect of data stored in a model construction database in the control device of the plant of the first embodiment.
  • FIG. 2 is a schematic view of an RBF network that constitutes a statistical model in the control device of the plant of the first embodiment.
  • FIG. 7 is a schematic view showing the concept of a method of determining a Gaussian basis function to be subjected to radius adjustment at the time of operation of a model adjustment unit in the plant control apparatus according to the first embodiment. It is a flowchart showing the operation
  • FIG. It is the schematic which shows the concept of calculation of the contribution degree of the Gaussian basis function used as the radius adjustment object at the time of operation
  • FIG. It is an example of the screen displayed on an image display apparatus, when setting the execution conditions in the control apparatus of the plant of Example 1.
  • FIG. It is an example of the screen displayed on an image display apparatus, when selecting the learning result list to be displayed in the control device of the plant of the first embodiment.
  • It is a schematic block diagram which shows the structure of the air heater of the thermal-power-generation plant to which the control apparatus of Example 2 is applied.
  • FIG. 1 is a system configuration diagram of a control device of a plant according to a first embodiment of the present invention. As shown in FIG. 1, in the control system of a plant according to the present embodiment, a target plant 100 is controlled by a control device 200.
  • control device 200 that controls the plant 100 is connected to the maintenance tool 910, the operator of the plant 100 can use the external input device 900 connected to the maintenance tool 910 and the image display device (for example, a CRT display) 920. Thus, the control device 200 can be controlled.
  • the image display device for example, a CRT display
  • the control device 200 is configured to include a data preprocessing unit 300, a numerical analysis unit 400, a statistical model 500, a model adjustment unit 600, a control signal generation unit 700, and an operation method learning unit 800 as arithmetic devices. ing.
  • a measurement signal database 210 a model construction database 220, a learning information database 230, a control logic database 240, and a control signal database 250 are provided as databases (DB).
  • DB databases
  • the control device 200 is also provided with an external input interface 201 and an external output interface 202 as an interface with the outside.
  • the measurement signal 1 obtained by measuring the state quantity of the plant 100 taken from the plant 100 is stored in the measurement signal database 210 via the external input interface 201.
  • control signal 15 generated by the control signal generation unit 700 provided in the control device 200 is stored in the control signal database 250 provided in the control device 200 and an operation signal for the plant 100 from the external output interface 202 16, for example, it is configured to output as an operation signal 16 for controlling the flow rate of air supplied to the plant 100 and the like.
  • the data preprocessing unit 300 provided in the control device 200 performs numerical analysis obtained by executing the numerical analysis unit 400 using the measurement data 3 stored in the measurement signal data 210 and the physical model simulating the behavior of the plant 100.
  • Data 5 is converted to model construction data 4 using statistical processing.
  • the numerical analysis unit 400 has a function of calculating the operating characteristics of the plant 100 by numerical analysis. Further, the numerical analysis data 5 obtained by the numerical analysis unit 400 is a characteristic value of the plant 100.
  • the model construction data 4 is stored in the model construction database 220. Further, a part of the measurement data 3 is input to a control signal generation unit 700 provided in the control device 200.
  • the model adjustment unit 600 provided in the control device 200 updates the model parameter information included in the model construction data 7 fetched from the model construction database 220 (adjusts the model), and updates the model construction data 8 after updating. Save to
  • the operation method learning unit 800 provided in the control device 200 generates the learning data 12 and stores the learning data 12 in the learning information database 230.
  • the statistical model 500 provided in the control device 200 has a function of simulating control characteristics of the plant 100 to be controlled. That is, the statistical model 500 gives the operation signal 16 to the plant 100, and simulates the same function as obtaining the measurement signal 1 for the control result. For this simulation, the statistical model 500 uses the model input 9 received from the operation method learning unit 800 and the model construction data 6 stored in the model construction database 220.
  • the model input 9 corresponds to the operation signal 16.
  • the statistical model 500 simulates the characteristic change due to the control of the plant 100 by the RBF network which is one of the methods of the neural network constituting the statistical model 500.
  • Output 10 is output.
  • the model output 10 obtained by the statistical model 500 is a predicted value of the measurement signal 1 of the plant 100.
  • the number of model inputs 9 and model outputs 10 is not limited to one, and a plurality of types can be prepared.
  • the RBF network is used as the statistical model 500 as described above, but as a basis function thereof, well-known functions (thin-plate-spline, Inverse Multiquadrics) besides Gaussian functions are used. Etc.) may be used. Also in this case, the parameter that determines the spread of the basis function is to be adjusted.
  • the control signal generation unit 700 provided in the control device 200 uses the learning information data 13 output from the learning information database 230 and the control logic data 14 stored in the control logic database 250 to determine the desired value of the measurement signal 1.
  • the control signal 15 is generated to be
  • the control logic database 250 stores control circuits for calculating the control logic data 14 and control parameters.
  • the control circuit that calculates the control logic data 14 can use PI (proportional-integral) control that is known as prior art.
  • the operation method learning unit 800 learns the operation method of the model input 9 using the learning information data 11 including the constraint conditions of learning and the parameter setting conditions of learning stored in the learning information database 230.
  • the learning data 12, which is the learning result, is stored in the learning information database 230.
  • the characteristics of the model construction data 7 are provided by providing the mechanism for adjusting the model parameter information included in the model construction data 7 stored in the model construction database 220 in the operation of the control device 200 in the model adjustment unit 600.
  • the estimation accuracy of the plant characteristics in the statistical model 500 can be improved because the appropriate model parameters are provided according to
  • the learning data 12 stored in the learning information database 230 from the operation method learning unit 800 includes model inputs before and after the operation and information on a model output obtained as a result of the operation.
  • the learning data 12 corresponding to the current driving condition is selected, and is input to the control signal generation unit 700 as the learning information data 13.
  • the operator of the plant 100 is provided in the control device 200 by using the external input device 900 including the keyboard 901 and the mouse 902, the maintenance tool 910 capable of transmitting and receiving data to and from the control device 200, and the image display device 920. You can access information stored in various databases.
  • the controller 200 has an input unit or output unit for exchanging input / output data information 90 with the maintenance tool 910.
  • parameter setting values used in the numerical analysis unit 400, the statistical model 500, the model adjustment unit 600, and the operation method learning unit 800 of the control device 200, the learning constraint conditions, and the obtained learning You can enter configuration information required to check the results.
  • the maintenance tool 910 includes an external input interface 911, a data transmission / reception processing unit 912, and an external output interface 913, and can transmit / receive data to / from the control device 200 via the data transmission / reception processing unit 912.
  • the maintenance tool input signal 91 generated by the external input device 900 is taken into the maintenance tool 910 via the external input interface 911.
  • the data transmission / reception processing unit 912 of the maintenance tool 910 acquires input / output data information 90 from the control device 200 according to the information of the maintenance tool input signal 92.
  • Input / output data information 90 including constraint conditions and setting information necessary for visually recognizing the obtained learning result is output.
  • the data transmission / reception processing unit 912 transmits the maintenance tool output signal 93 obtained as a result of processing the input / output data information 90 to the external output interface 913.
  • the maintenance tool output signal 94 transmitted from the external output interface 913 is displayed on the image display device 920.
  • the measurement signal database 210, the model construction database 220, the learning information database 2300, the control logic database 240, and the control signal database 250 are disposed inside the control device 200. Alternatively, a part may be disposed outside the control device 200.
  • the numerical analysis unit 400 is disposed inside the control device 200, it may be disposed outside the control device 200.
  • the numerical analysis unit 400 and the model construction database 220 may be disposed outside the control device 200, and the numerical analysis data 5 may be transmitted to the control device 200 via the Internet.
  • FIG. 2 is a flow chart showing the procedure of control in the control device of the plant according to the embodiment shown in FIG.
  • FIG. 2 it is a flowchart showing the operation of the control device 200 of the plant of this embodiment, and these flowcharts are steps 1000, 1100, 1200, 1300, 1400, 1500, 1600, 1700, 1800, 1900, 2000 and 2100. Is performed in combination with each step. Each step will be described below.
  • step 100 of setting the execution conditions of the control device 200 after the operation of the control device 200 starts various parameter conditions used when executing the data preprocessing unit 300, the statistical model 500, the model adjustment unit 600 and the operation method learning unit 800.
  • step 1100 of acquiring the measurement signal measured in the plant the measurement signal 1 of the plant 100 is acquired through the external input interface 201 installed in the control device 200, and is stored as the measurement data 3 in the measurement signal database 210. .
  • step 1200 for executing data preprocessing the data preprocessing unit 300 of the control device 200 is operated, and the measurement data 3 stored in the measurement signal database 210 and the numerical values obtained by executing the numerical analysis unit 400
  • the analysis data 5 is subjected to statistical processing and converted into model construction data 4. The detailed function and operation of the data preprocessing unit 300 will be described later.
  • step 1300 the model construction data 4 converted by the pre-processing is stored in the model construction database 220.
  • step 1400 of adjusting the statistical model the model adjustment unit 600 of the control device 200 is operated to update the radius parameter of the Gaussian basis function arranged according to the model construction data 7.
  • the model construction data 7 includes model input values in the model characteristic space of each data, model output values, radius parameter values of Gaussian basis functions arranged on the data, and weights of the RBF network constituting the statistical model 500. Contains parameters. The detailed function and operation of the model adjustment unit 600 will be described later.
  • step 1500 of learning a statistical model the statistical model 500 of the control device 200 is operated to learn weight parameters of the RBF network constituting the statistical model 500.
  • a well-known system can be used as a learning means.
  • step 1600 of learning the operation method the operation method learning unit 800 of the control device 200 is operated, and the model output estimated value 10 calculated by the statistical model 500 is less than the target condition set in advance through the image display device 920.
  • Learn how to operate the model input 9 Further, a known method such as reinforcement learning can be used for the operation method learning unit 800, and the learning information data 11 including the execution condition thereof is input from the learning information database 230.
  • step 1700 the learning result data 12 by the operation method learning unit 800 is stored in the learning information database 230.
  • step 1800 of generating a control signal the control signal generation unit 700 of the control device 200 is operated to use the learning result data 13 and the control logic 14 stored in the learning information database 230 and the control logic database 240.
  • Control signal 15 is generated.
  • the generated control signal 15 is used to control the plant 100 and is stored in the control signal database 250.
  • the next step 1900 to determine the execution of the control is a branch. If the simulation result of the plant operation based on the learning result indicates that the control result is a prospect that the desired result is obtained, the process proceeds to step 2000. If not, the process proceeds to step 2100.
  • step 2000 of controlling the plant 100 the generated control signal 15 is output as the control signal 16 through the external output interface 202 installed in the control device 200 to control the plant.
  • step 2100 which determines the end of the series of processing operations, is a branch. If a signal for ending the operation of the control device 200 of the present invention is input through the external input device 900, the process proceeds to the step of ending the process, otherwise the process returns to step 1100.
  • control device 200 of this embodiment data preprocessing, model adjustment / learning, operation method learning, control signal generation and control execution are performed based on the execution conditions set by the operator of the plant 100.
  • a series of processes can be acquired and executed autonomously.
  • the control device 200 of this embodiment converts the measurement data or numerical analysis data of the plant obtained during the control period into a model input value and a model output value by performing pre-processing to generate model construction data. Do.
  • the term “confidence interval” refers to an interval in which the value of the true parameter (mean, variance) of the obtained measurement data distribution guarantees that the probability of entering a certain interval (L, U) is 1 ⁇ or more.
  • L the lower confidence limit
  • U the upper confidence limit
  • 1- ⁇ the confidence factor. That is, the above three types of maximum, average, and minimum model output values correspond to the upper confidence limit, the average, and the lower confidence limit, respectively, according to the confidence interval calculation for the measurement data distribution.
  • FIG. 3 is a flowchart showing the operation of the data preprocessing unit 300, and shows the operation of step 1200 of the flowchart shown in FIG. 2 in detail.
  • the flowchart shown in FIG. 3 is implemented by combining steps 1210, 1220 and 1230. Each step will be described below.
  • step 1210 the bias of the model input is determined. Even when the plant 100 is in the settling state, the measurement data has fluctuations, so the model input conditions obtained by converting the measurement data also fluctuate. Therefore, a bias is considered with respect to the average of the obtained model inputs, and a confidence interval is calculated taking distribution into consideration for model output values falling within the range.
  • FIG. 4 is a schematic diagram (vertical axis: model output value, horizontal axis: model input value) in which distribution of measurement data regarding a certain model output is plotted on a model input space.
  • x is an average of model input values obtained from measurement data
  • ⁇ x indicates a bias.
  • the bias can be set to any value, but usually, it may be a standard deviation of model input values of data.
  • step 1220 of calculating a model output confidence interval measurement data existing in the model input range in consideration of the bias shown in gray in FIG. 4 is set to a preset confidence factor (1- ⁇ ). Calculate statistics of maximum, average and minimum value of data based on
  • model construction data 4 including the maximum, average, and minimum three types of model output values for the model input conditions, which are obtained in step 1220, are stored in the model construction database 220.
  • the aspect of the model construction database 220 to be stored and the configuration of the statistical model will be described with reference to FIGS. 5 and 6.
  • each model construction data has a unique data ID 221. Further, as shown in FIG. 5, there are 3 (maximum / average / minimum) ⁇ K (number of model outputs) types of model outputs 223 with respect to the model input 222 of one case.
  • FIG. 6 is a schematic diagram showing the structure of the RBF network constituting the statistical model 500 installed in the control device 200 of this embodiment, and one middle layer node corresponds to one case of model construction data. . Therefore, 3 ⁇ K Gaussian basis functions are arranged for one intermediate layer node. This shows that one data (model input) has 3 ⁇ K radius parameters 224 and a weight parameter 225 of the RBF network in FIG.
  • the operation method learning unit 600 combines the statistical models 500 configured as described above to execute learning of the operation method (step 1600 in FIG. 2). Specifically, for each model output, a statistical model is combined using one type of model construction data selected from three types of data characteristics (maximum, average, minimum).
  • the operation method can be learned for combinations of up to 3 K powers.
  • the reduction in calculation cost of model adjustment in the present invention enables learning by combining various statistical models described above.
  • a plant operator arbitrarily selects one adapted to control needs from among learning results obtained by combining various statistical models using an image display device and a maintenance tool described later, and controls the plant. It can be done.
  • model adjustment unit 600 in the control device 200 will be described with reference to the flowcharts of FIGS. 7 and 9 and the conceptual diagrams of FIGS.
  • FIG. 7 is a flowchart showing an algorithm operation of model adjustment by the model adjustment unit 600, and corresponds to step 1400 of adjusting the statistical model in the flowchart of FIG.
  • the flowchart shown in FIG. 7 is implemented by combining steps 1410, 1420, 1430, 1440 and 1450.
  • step 1410 of calculating the distance neighborhood for additional data of each basis function the distance between the model construction data newly added in step 1300 of FIG. 2 and the existing Gaussian basis function is calculated. Based on, calculate the index that is near the distance.
  • the distance between the Gaussian basis function and the additional data is the Euclidean distance between the center coordinates of the basis function and the additional data coordinates.
  • FIG. 8 shows the center coordinates of the Gaussian basis function on the two-dimensional model input space, as well as the distribution of additional data.
  • the model input space is divided with the coordinates of the additional data as a division point.
  • a dashed line drawn on the coordinates of additional data for two types of model input is divided into four as division points. That is, assuming that the order of model input is J, the number of divisions of the model input space is 2 J 2. With the Gaussian basis functions included in each of the divided regions as a group, the distance neighborhood is calculated for each group.
  • the distance neighborhood of the basis function that minimizes the distance to the additional data in the group is 1, and the distance neighborhood is added one by one in ascending order of distance (the right shoulder of each basis function Numbers indicate near distance).
  • the smaller the distance neighborhood the larger the influence of the data addition on the basis functions, and the greater the need for radius parameter adjustment.
  • the Gaussian basis functions to be subjected to the radius adjustment are uniformly selected so as to surround the additional data.
  • step 1420 for selecting a Gaussian basis function based on the distance neighborhood the distance neighborhood of each Gaussian basis function found in step 1410 is compared with a preset reference value, and if it is less than the criteria value .
  • the conceptual diagram of FIG. 8 shows the case where the reference value is 3, and the Gaussian basis function whose distance vicinity is 3 or less is the radius adjustment target (indicated by gray points in the diagram).
  • the plant operator can arbitrarily set the reference value according to the needs for accuracy and time.
  • step 1430 the radius parameter of the Gaussian basis function selected in step 1420 is adjusted, and a detailed adjustment algorithm will be described later.
  • step 1440 the information stored in the model construction database 220 is updated using the adjusted radius parameter of the Gaussian basis function, and the process proceeds to the end of the statistical model adjustment algorithm.
  • FIG. 9 is a flowchart showing a detailed algorithm operation of radius parameter adjustment of the Gaussian basis function by the model adjustment unit 600, and corresponds to step 1430 of adjusting the radius parameter in the flowchart of FIG.
  • the flowchart shown in FIG. 9 is implemented by combining steps 1431, 1432, 1433, 1434, 1435, and 1436.
  • the model adjustment unit 600 in the present invention first, based on the distance information from the selected Gaussian basis function with respect to the model input condition xt (t: the number of iterations of steps 1432 to 1436) randomly determined on the model characteristic space. Then, we calculate the contribution of each Gaussian basis function to the coverage of xt. Then, the radius parameter is corrected so as to approach the radius parameter target value calculated based on the degree of contribution.
  • the radius parameter adjustment is performed by repeatedly performing the above series of operations a constant number of times.
  • step 1432 of randomly determining a model input condition an input condition xt is randomly generated on the model characteristic space.
  • step 1433 of calculating the degree of contribution of each basis function the degree of contribution ⁇ i of each basis function is calculated using the following equation (2) which is a functional equation provided in the model adjustment unit 600.
  • Equation (2) dmin represents the minimum value of the distance between the selected Gaussian basis function and xt, and di represents the distance between the selected Gaussian basis function and xt.
  • the contribution degree ii becomes larger as the distance to the xt becomes smaller as the distance becomes smaller, and becomes exponentially smaller as the distance becomes larger. That is, when covering xt, it means that the degree of contribution of the covering is larger as the basis function closer to xt.
  • FIG. 10 is a conceptual view of the processing in the two-dimensional model input space in the steps 1432 and 1433, where the gray point is the central coordinate of the Gaussian basis function whose radius adjustment target and the white point is not the radius adjustment target.
  • the center coordinates of the function, x indicates xt. It can be seen that the numerical value of the right shoulder of the selected Gaussian basis function is the degree of contribution, and the closer to xt, the larger the value.
  • the model adjustment unit 600 is a functional expression provided with the coverage degree target value ⁇ ik of each basis function in xt based on the calculated degree of contribution. Calculate using the following equation (3).
  • the degree of coverage is defined by the sum of Gaussian basis function values obtained by substituting a certain model input condition into equation (1).
  • the covering degree target value ⁇ ik means the covering degree target value for the k component of the model output of the Gaussian basis function i.
  • Ck is a constant value uniquely set in accordance with the model output component, and ⁇ ik is a value obtained by proportionally distributing Ck in accordance with the degree of contribution.
  • step 1435 of updating the radius parameter of each basis function the calculated coverage target value is calculated according to the following equation (4) and equation (5) which are function equations provided in the model adjustment unit 600. Update the radius parameter rik.
  • r * ik is the updated target value of the radius parameter rik, which is determined so that the basis function value at xt of the Gaussian function basis i matches ⁇ ik.
  • ⁇ is the step size parameter for radius adjustment ( ⁇ 1), and rik is updated to approach the radius update target value r * ik.
  • the model adjustment unit 600 of the control device 200 performs the radial processing on the Gaussian basis function in the vicinity of the additional data with respect to the model construction data to be added by preprocessing the plant measurement data. By adjusting only the calculation cost can be reduced.
  • the display is made on the image display device 920 which displays the maintenance tool output signal 94 transmitted from the external output interface 913 of the maintenance tool 910 capable of transmitting and receiving data with the control device 200.
  • the maintenance tool output signal 94 transmitted from the external output interface 913 of the maintenance tool 910 capable of transmitting and receiving data with the control device 200.
  • FIGS. 11, 12 and 13. 11 to 13 show one specific example of the screen displayed on the image display device 920.
  • FIG. 11 to 13 show one specific example of the screen displayed on the image display device 920.
  • FIG. 11 is a control device of a plant according to the present embodiment, in setting the execution conditions of the data preprocessing unit 300, the model adjustment unit 600 and the operation method learning unit 800 provided in the control device 200, in the image display device 920. It is an example of a screen displayed, It is an example of the screen specification of step 1000 which sets execution conditions in the flowchart of FIG. 2 which shows the operation
  • parameters of the radius adjustment algorithm of the statistical model used in the model adjustment unit 600, bias of the model input used in the data pre-processing unit 300, confidence interval setting, operation method learning A target condition of model output at the time of learning used in the unit 800 and selection of a statistical model to be a learning target can be respectively set.
  • the mouse 902 of the external input device 900 is operated to shift the focus to a numerical box on the screen, and numerical values can be input using the keyboard 901. Further, by operating the mouse 902 and clicking a button on the screen, the button can be selected (pressed). Similarly, a check can be made by operating the mouse 902 and clicking a check box on the screen.
  • parameters (Ck, ⁇ ) to be used for the radius adjustment algorithm of the statistical model in the model adjustment unit 600 are set.
  • the setting value is input in the numerical value box 3001 for the parameter displayed in the parameter item list 3000.
  • bias (.DELTA.x) of model input and the model output confidence interval set value (.theta.) Used in the statistical processing in the data preprocessing unit 300 are respectively set from the numerical value boxes 3002 and 3003 shown in FIG.
  • the target conditions of the model output value to be considered when learning the operation method by the operation method learning unit 800 are set.
  • the set value of the target condition is input in the numerical value box 3005 for each model output displayed in the model output list 3004.
  • a statistical model to be a learning target of the operation method is selected for the statistical model constructed using the model construction data created by the data preprocessing unit 300. Specifically, for each model output displayed in the model output list 3006, the check boxes 3007, 3008, 3009, and 3010 of the items of “maximum”, “average”, “minimum”, and “all” are displayed. By selecting each, it is possible to select a statistical model to be learned by the operation method learning unit 800. The operation method learning unit 800 learns each operation method for the selected statistical model.
  • FIG. 12 is displayed on the image display device 920 when displaying the learning result for the statistical model 500 to be learned, set in the setting screen of the execution conditions shown in FIG. Screen example.
  • learning results for each statistical model 500 before operation and for learning are displayed on a list of learning result lists. Specifically, in the item ID column 3100, the model input value 3101 before and after the operation using each learning result, the predicted value of the model output value 3102, and the statistical model setting 3103 selected at the time of learning are displayed. Ru.
  • FIG. 13 shows model characteristics of the statistical model 500 with respect to the learning result selected on the learning result list display screen shown in FIG. 12 and the value 3203 of the model input / output condition before the operation in the plant control apparatus of this embodiment. It is shown.
  • FIG. 13 is a screen displayed on the image display device 920 to further confirm the predicted value 3204 of the model input / output condition after the operation based on the learning result, and the control of the plant of this embodiment shown in FIG. It is an example of the screen used at the time of control execution determination of step 1900 in the control operation flow of an apparatus.
  • the mouse 902 of the external input device 900 is operated to shift the focus to a numerical box on the screen, and numerical values can be input using the keyboard 901. Further, by operating the mouse 902 and clicking a button on the screen, the button can be selected (pressed). Similarly, a check can be made by operating the mouse 902 and clicking a check box on the screen.
  • a characteristic graph of the statistical model calculated by the statistical model 500 corresponding to the selected learning result is drawn.
  • the statistical model characteristics are mapped to the characteristics of one input and one output, respectively.
  • the model input 1-model output 1 characteristic, model input 1-model output 2 characteristic As shown on the screen of FIG. 13, the model input 1-model output 1 characteristic, model input 1-model output 2 characteristic.
  • a characteristic curve 3202 of model output with respect to a one-dimensional model input space is drawn.
  • the model input / output conditions before operation and the optimal model input / output conditions after learning shown in FIG. 12 are displayed superimposed on the graph as a plot point 3203 and a plot point 3204. By doing this, the plant operator can confirm on the model characteristic graph whether the operation of the plant based on the learning result is appropriate.
  • the Gaussian basis function used to construct the statistical model can be displayed as a graphic 3206 in the graph. This makes it possible to confirm how the radius parameter of the Gaussian basis function has been adjusted by the radius adjustment algorithm in the controller of this embodiment.
  • the operator of the plant can determine whether to execute the operation after confirming the screen display content having the above features. If the learning result is determined to be appropriate and the operation is to be performed, the button 3209 on the screen of FIG. 13 is selected, and if not, the button 3210 is selected.
  • FIG. 14 is a second embodiment in which a control apparatus for a plant according to the present invention is applied to a thermal power plant.
  • control device 200 of the plant applied to the control device of the thermal power plant of the present embodiment are the same as the control device 200 of the control device of the plant according to the first embodiment shown in FIGS. Therefore, the description of the control device 200 is omitted here. It goes without saying that the plant control apparatus 200 of the first embodiment shown in FIGS. 1 to 13 can also be applied to control of the plant control apparatus according to the present invention other than the thermal power plant.
  • FIG. 14 shows a control device of the thermal power plant of the present embodiment, and is a schematic view showing a configuration of the thermal power plant 100a to which the control device 200 according to the present embodiment is applied.
  • the mechanism of power generation by the thermal power plant 100a will be briefly described.
  • pulverized coal which is a fuel obtained by finely pulverizing coal in a mill 110, and primary air for transporting pulverized coal and secondary air for combustion adjustment are supplied to a boiler 101 constituting the thermal power plant 100a.
  • a plurality of burners 102 are provided, and pulverized coal supplied through the burners 102 is burned inside the boiler 101.
  • Pulverized coal and primary air are introduced from a pipe 134, and secondary air is introduced from a pipe 141 to the burner 102, respectively.
  • the boiler 101 is provided with an after-air port 103 for introducing air for two-stage combustion into the boiler 101. Air for two-stage combustion is led from the pipe 142 to the after-air port 103.
  • the high temperature combustion gas generated by burning pulverized coal inside the boiler 101 flows downstream along the internal path of the boiler 101 and is supplied with water by the heat exchanger 106 disposed inside the boiler 101.
  • the heat is exchanged with the other to generate steam, then it flows into the air heater 104 installed downstream of the boiler 101 as exhaust gas, and this air heater 104 exchanges heat and raises the temperature of the air supplied to the boiler 101 Do.
  • the feed water circulating through the heat exchanger 106 of the boiler 101 is supplied to the heat exchanger 106 via the feed water pump 105, and is superheated by the combustion gas flowing down the boiler 101 in the heat exchanger 106 to become high temperature high pressure steam.
  • the number of heat exchangers is one in the present embodiment, a plurality of heat exchangers may be disposed.
  • the high temperature and high pressure steam generated in the heat exchanger 106 is guided to the steam turbine 108 through the turbine governor 107, and the energy of the steam drives the steam turbine 108 to generate power in the generator 109.
  • various measuring devices for detecting a state quantity indicating the operating state of the thermal power plant are disposed.
  • the measurement signal of the thermal power plant acquired from these measuring devices is the plant 100 as in the control device 200 of the plant shown in FIG. Are transmitted to the external input interface 201 of the control device 200 as the measurement signal 1.
  • a temperature measuring instrument 151 that measures the temperature of high temperature / high pressure steam supplied from the heat exchanger 106 to the steam turbine 108, and measures the pressure of steam
  • a pressure measuring instrument 152 and a power generation output measuring instrument 153 for measuring the amount of electric power generated by the generator 9 are illustrated.
  • the feed water generated by cooling the steam by the condenser (not shown) of the steam turbine 108 is supplied to the heat exchanger 106 of the boiler 101 by the feed pump 105, and the flow rate of the feed water is It has been measured.
  • state quantities relating to the concentration of components (nitrogen oxide (NOx), carbon monoxide (CO), hydrogen sulfide (H 2 S), etc.) contained in the exhaust gas that is the combustion gas discharged from the boiler 101
  • concentration measuring device 154 provided downstream of the boiler 101.
  • the measurement data items of the thermal power plant 100a measured by the measuring instruments 150 to 154 and input to the control apparatus 200 The flow rate of fuel supplied to the boiler 101, which is a state quantity of the thermal power plant 100a measured by the measuring instrument, the flow rate of air supplied to the boiler 101, the feed water flow rate supplied to the heat exchanger 106 of the boiler 101, the heat of the boiler 101 Steam temperature generated in the exchanger 106 and supplied to the steam turbine 108, feed water pressure of feed water supplied to the heat exchanger 106 of the boiler 101, gas temperature of exhaust gas discharged from the boiler 101, gas concentration of the exhaust gas, And an exhaust gas recirculation flow rate for recirculating a part of the exhaust gas discharged from the boiler 101 to the boiler 101 Murrell.
  • These measurement data items are measurement data items determined by the control signal 15 calculated and output by the control signal generation unit 700 in the plant control device 200 shown in FIG.
  • the primary air is led from the fan 120 to the pipe 130, and the pipe 132 passing through the air heater 104 installed on the downstream side of the boiler 101 It branches to the pipe 131 bypassing without passing through the heater 104, but becomes a pipe 133 disposed downstream of the air heater 104 and merges again to produce pulverized coal installed upstream of the burner 102. It is led to the mill 110.
  • the primary air passing through the air heater 104 is heated by heat exchange with the combustion gas flowing down the boiler 101. Together with the heated primary air, the primary air bypassing the air heater 104 conveys the pulverized differential coal pulverized in the mill 110 to the burner 102.
  • the air introduced from the piping 140 using the fan 121 is similarly heated by the air heater 104 and then branched into the piping 141 for the secondary air and the piping 142 for the after-air port, and each of the boilers 101 And an after-air port 103.
  • piping for secondary air is taken as an example of controlling the flow rate of air sent from the fan 121 and introduced from the burner 102 and the after-air port 103 into the boiler 101.
  • An air damper 162 and an air damper 163 serving as operation end devices are respectively provided on the upstream side of the pipe 141 for after air port 141 and the after air port, and the control device 200 adjusts the opening degree of the air damper 162 and the air damper 163 to The flow rates of the supplied secondary air and after air can be controlled separately.
  • an air damper serving as an operation end device for the piping 131 and piping 132 just before joining the piping 133
  • the air dampers 160 and the air dampers 161 are respectively provided, and the control unit 200 adjusts the openings of the air dampers 160 and the air dampers 161 so that the flow rate of air supplied to the inside of the boiler 101 can be controlled.
  • the installation location of the operating end device may be changed according to the control target.
  • FIG. 15 is an enlarged view of a piping portion associated with the air heater 104 installed on the downstream side of the boiler 101 of the thermal power plant 100a shown in FIG.
  • a pipe 130 for supplying air and a pipe 140 are respectively installed in the air heater 104, and among these, the pipe 140 is disposed penetrating the air heater 104, and the pipe 130 is
  • the pipe 131 is branched by a pipe 131 and a pipe 132.
  • the pipe 131 is disposed to bypass the air heater 104, and the pipe 132 is disposed to penetrate the air heater 104.
  • the pipe 132 penetrates the air heater 104 and is joined to the pipe 131 to be a pipe 133 and is led to the mill 110, and this mill 110 distributes the pulverized coal and the air to the burner 102 of the boiler 101 through the pipe 133. It is set up.
  • the pipe 140 penetrates the air heater 104 and is branched into a pipe 141 and a pipe 142.
  • the pipe 141 leads air to the burner 102 of the boiler 101 and the pipe 142 leads air to the after-air port 103 of the boiler 101. It is arranged as
  • an air damper 160 and an air damper 161 for adjusting the amount of flowing air are respectively installed in the pipe 131 and the pipe 132 in the portion immediately before joining the pipe 133, and the air is distributed in the upstream portion of the pipe 141 and the pipe 142.
  • An air damper 162 and an air damper 163 for adjusting the amount of air are respectively installed.
  • the control signal 15 calculated by the control signal generation unit 700 of the control device 200 is output as the operation signal 16 to the thermal power plant 100a via the external output interface 202, and installed in the pipes 131, 132, 141, 142 of the boiler 101, respectively.
  • the control end devices such as the air dampers 160, 161, 162, 163 are operated.
  • the devices such as the air dampers 160, 161, 162, 163, etc. are referred to as the operation end, and the control signal 15 calculated by the control device 200 necessary for operating this is referred to from the control device 200.
  • An output signal commanded to the operation end is called an operation signal 16.
  • the flow rate of air supplied to the boiler 101 through the pipes 131, 132, 141, 142, and piping for supplying air to the boiler 101 The opening degree of air dampers 160 to 163 for adjusting the flow rate of air respectively installed in 131, 132, 141, 142, the fuel flow rate of pulverized coal supplied to the burner 102 of the boiler 101, and the exhaust gas discharged from the boiler 101
  • the exhaust gas recirculation flow rate etc. which recirculate a part of to the boiler 101 are included.
  • piping for adjusting the amount of air supplied to the burner 102 installed in the boiler 101 at the operating end installed in the thermal power plant 100a controlled by the control device 200 piping for adjusting the amount of air supplied to the burner 102 installed in the boiler 101 at the operating end installed in the thermal power plant 100a controlled by the control device 200.
  • concentrations of CO, NOx, and H 2 S in the exhaust gas discharged from 101 will be described.
  • the operation amount of the operation end of the boiler 101 (the opening degree of the air dampers 160, 161, 162, 163) is input to the model input of the statistical model 500 that constitutes the controller 200.
  • the concentrations of NOx, CO and H 2 S contained in the exhaust gas discharged from the boiler 101 become the model output of the statistical model 500, and the minimization of each of the model input and output is the purpose of learning.
  • control device of the plant of the present invention is applied to a thermal power plant, NOx, CO, etc. emitted from the thermal power plant can be learned by learning an operation method that meets the requirements for environmental regulations and operating costs. And target values of H 2 S concentration can be achieved.
  • the controller of the thermal power plant having the function of improving the estimation accuracy can be realized.
  • the present invention is not limited to the embodiments described above, but includes various modifications.
  • the embodiments described above are described in detail in order to explain the present invention in an easy-to-understand manner, and are not necessarily limited to those having all the configurations described.
  • part of the configuration of one embodiment can be replaced with the configuration of another embodiment, and the configuration of another embodiment can be added to the configuration of one embodiment.
  • each of the configurations, functions, processing units, processing means, etc. described above may be realized by hardware, for example, by designing part or all of them with an integrated circuit.
  • each configuration, function, etc. described above may be realized by software by the processor interpreting and executing a program that realizes each function.
  • Information such as programs, tables, files, measurement information, and calculation information to realize each function is a memory, a hard disk, a recording device such as a solid state drive (SSD), or a recording medium such as an IC card, an SD card, or a DVD Can be put on. Therefore, each processing and each configuration can realize each function as a processing unit, a processing unit, a program module, and the like.
  • control lines and information lines indicate what is considered to be necessary for the description, and not all control lines and information lines in the product are necessarily shown. In practice, almost all configurations may be considered to be mutually connected.
  • the present invention is applicable to a control device of a plant and a control device of a thermal power plant.

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本発明の目的は、プラントの計測データを使用してRBFネットワークによる統計モデルをオンラインで調整する場合に、制御周期以内での最適化計算の終了を可能にして、統計モデルの推定精度を向上させたプラントの制御装置を提供することにある。本発明のプラントの制御装置は、プラントに制御信号を与えた時に取得する計測信号の値を推定する統計モデルと、統計モデルの構築に用いるデータを保存するモデル構築データベースと、計測信号に対して統計的処理を施し、モデル構築データを生成するデータ前処理部と、モデル出力が目標値を達成するようにモデル入力の生成方法を学習する操作方法学習部と、モデル構築データベースに保存される情報に含まれる統計モデルの半径パラメータを調整するモデル調整部とを備え、統計モデルはモデル調整部による半径パラメータの調整結果を用いてモデル出力を生成するように構成する。

Description

プラントの制御装置及び火力発電プラントの制御装置
　本発明は、プラントの制御装置に関するものであり、特に石炭等の化石燃料を用いて発電する火力発電プラントの制御装置に関する。
　プラントの制御装置は、制御対象であるプラントから得られるプラントの状態量の計測信号を処理し、制御対象に与える制御信号（操作信号）を算出して制御対象の運転を制御する。
　プラントの前記制御装置には、プラントの状態量の計測信号がその目標値を満足するように、操作信号を計算するアルゴリズムが実装される。
　プラントの制御に用いられている制御アルゴリズムとして、ＰＩ（比例・積分）制御アルゴリズムがある。ＰＩ制御では、プラントの状態量の計測信号とその目標値との偏差に比例ゲインを乗じた値に、偏差を時間積分した値を加算して、制御対象に与える操作信号を導出する。
　ＰＩ制御を用いた制御アルゴリズムは、ブロック線図などで入出力関係を記述することができるため、入力と出力の因果関係が分かりやすく、多くの適用実績がある。しかし、プラントの運転状態の変更や環境の変化など、事前に想定していない条件でプラントを運転する場合には、制御ロジックを変更するなどの作業が必要になる場合がある。
　一方、プラントの運転状態や環境の変化に適応できる制御方式には、制御アルゴリズムやパラメータ値を自動的に修正する適応制御や学習アルゴリズムを用いた制御方式がある。
　学習アルゴリズムを用いてプラントの制御装置の操作信号を導出する方法としては、プラントの計測データや数値解析を基に構築したデータを用いて、それらを統計的に処理してプラントの特性を推定する統計モデルを構築し、この統計モデルに対して最適な制御ロジックを自律学習させる手法が一般的である。
　上記の手法を用いて得られた制御ロジックの性能は、統計モデルの推定精度に依存することが知られている。即ち、学習アルゴリズムは統計モデルに対して最大の制御効果が得られる制御ロジックを学習するため、統計モデルが学習したプラントの特性が実際のプラント特性に近づくほど、実際のプラントに対する制御効果も大きくなる。そのため、学習アルゴリズムを用いた適応制御技術では、より高精度な統計モデルの構築が課題となる。
　またこの統計モデルには、一般にニューラルネットワーク（NN）に代表される非線形近似手法が適用されることが多く、プラント計測データを用いてプラントの特性を表現する非線形曲面を学習する。また近年では、プラント適用時に統計モデル特性のオンライン調整が容易となる理由から、NNの１手法であるRBF（Radial　Basis　Function）ネットワークが注目され、適用が進められている。
　RBFネットワークによる統計モデルの推定精度を決定する因子の一つとして、RBFネットワークを構成するガウス基底関数の半径パラメータがある。RBFネットワークは後述する式（１）で与えられるガウス基底関数を、統計モデルの構築に使用するモデル構築データのプラント特性空間上の分布に応じて配置し、それらを重ね合わせることによってプラント特性を推定する。
　ここで、式（１）において、ｉはガウス基底関数の添字、ｂｉは基底関数値、ｘはモデル入力ベクトル、ｃｉは基底関数の中心座標ベクトル、ｒｉは半径パラメータを夫々表す。
　高い推定精度の統計モデルを得るには、プラント特性空間をガウス基底関数で適切に被覆する必要があり、それにはガウス基底関数の広がりを決定する半径パラメータｒｉを適切に調整する必要がある。
Figure JPOXMLDOC01-appb-M000001
　上記に鑑み、RBFネットワークを用いた統計モデルの精度を向上させる技術として、特許文献１にはRBFネットワークのガウス基底関数の半径パラメータを、最適化アルゴリズムの１つであるトンネリングアルゴリズムを用いて調整する技術が記載されている。
　また、非特許文献１には、RBFネットワークの学習に使用するデータの、モデル特性空間上の疎密分布を考慮して、半径パラメータを最適に調整する技術が記載されている。
特開２００５－１１５６３９公報
T. Eguchi, T. Sekiai, A. Yamada, S. Shimizu, M. Fukai: "An Adaptive Radius Adjusting Method for RBF Networks Considering Data Densities and Its Application to Plant Control Technology", in Proc. of ICCAS-SICE2009, pp.4188-4194(2009)
　前記特許文献１及び／又は非特許文献１に開示された技術をプラントの制御装置へ適用した場合、ガウス基底関数がプラント特性空間を適切に被覆できるように半径パラメータを調整するため、統計モデルの推定精度を向上させることができる。
　一方、プラント制御においては、制御による操作条件の変更後、プラントの運転特性が安定するまでに数分から十数分の時間を要するため、この時間を制御周期とするのが一般的である。したがって、上記の統計モデルのオンライン調整（半径パラメータの調整及びプラント特性曲面の学習）は、この制御周期以内に終了することが望ましい。
　ところで、前記特許文献１の技術をプラントの制御装置に適用する場合、最適化アルゴリズムが探索する半径パラメータの解候補に対する評価値を、学習データであるモデル構築データと推定結果の誤差評価により計算する必要がある。
　この誤差評価に要する計算コストはモデル構築データの数に応じて増加するため、プラント制御に適用した場合に、計測データが蓄積されるにつれて計算時間が増加し、制御周期以内での最適化計算が終了しなくなる可能性がある。
　計算時間の増加によって制御周期以内での最適化計算が終了しない場合には、統計モデルの推定精度が低下するのでプラントを望ましい状態に運転することが困難となる。
　また、前記非特許文献１の技術をプラントの制御装置に適用する場合、上記のような誤差評価は不要であるが、計測データが蓄積される度に全てのガウス基底関数の半径パラメータをモデル構築データ間の疎密を考慮して調整することになる。そのため、前記技術による半径パラメータの調整でも、前記特許文献１の技術の場合と同様に、計測データの蓄積により計算コストが増加して制御周期以内での最適化計算が終了せず、統計モデルの推定精度の低下によってプラントを望ましい状態に運転することが困難となる可能性がある。
　本発明の目的は、プラントの計測データを使用してRBFネットワークによる統計モデルをオンラインで調整する場合に、制御周期以内での最適化計算の終了を可能にして、統計モデルの推定精度を向上させたプラントの制御装置及び火力発電プラントの制御装置を提供することにある。
　本発明のプラントの制御装置は、プラントから該プラントの状態量である計測信号を取り込み、前記計測信号を用いて前記プラントを制御する操作信号を演算する制御装置を備えたプラントの制御装置において、前記制御装置は、プラントの状態量である計測信号を取り込んで保存する計測信号データベースと、前記計測信号データベースに保存されたプラントの計測データに対して信頼区間に基づく統計的処理を施すことでモデル構築データを生成するデータ前処理部と、前記データ前処理部で生成した前記モデル構築データを保存するモデル構築データベースと、前記モデル構築データベースに保存されたモデル構築データを用いて前記プラントに制御信号を与えた時に該プラントの状態量である計測信号の値を推定するプラントの制御特性を模擬する統計モデルと、前記統計モデルを用いて前記計測信号に相当するモデル出力が目標値を達成するようにプラントに与える前記制御信号に相当するモデル入力の生成方法を学習する操作方法学習部と、前記操作方法学習部における学習の制約条件及び学習結果に関する学習データを保存する学習情報データベースと、前記計測信号データベースの計測信号、及び前記学習情報データベースの学習データを用いてプラントに対して送信される制御信号を演算する制御信号生成部とをそれぞれ備えて構成し、更に前記モデル構築データベースに保存されるモデル構築データに含まれる統計モデルの基底半径パラメータを調整するモデル調整部を設けて、前記統計モデルが前記モデル調整部による基底半径パラメータの調整結果を用いて前記モデル出力を生成し、このモデル出力を前記操作方法学習部に出力するように構成したことを特徴とする。
　本発明の火力発電プラントの制御装置は、ボイラを備えた火力発電プラントから該プラントの状態量である計測信号を取り込み、前記計測信号を用いて前記プラントを制御する操作信号を演算する制御装置を備えた火力発電プラントの制御装置において、前記制御装置は、前記プラントの状態量である計測信号を取り込んで保存する計測信号データベースと、前記計測信号データベースに保存されたプラントの計測データに対して信頼区間に基づく統計的処理を施すことでモデル構築データを生成するデータ前処理部と、生成した前記モデル構築データを保存するモデル構築データベースと、前記モデル構築データベースに保存されたモデル構築データを用いて前記プラントに制御信号を与えた時に該プラントの状態量である計測信号の値を推定するプラントの制御特性を模擬する統計モデルと、前記統計モデルを用いて前記計測信号に相当するモデル出力が目標値を達成するようにプラントに与える前記制御信号に相当するモデル入力の生成方法を学習する操作方法学習部と、前記操作方法学習部における学習の制約条件及び学習結果に関する学習データを保存する学習情報データベースと、前記計測信号データベースの計測信号、及び前記学習情報データベースの学習データを用いてプラントに対して送信される制御信号を演算する制御信号生成部とをそれぞれ備えて構成し、更に前記モデル構築データベースに保存されるモデル構築データに含まれる統計モデルの基底半径パラメータを調整するモデル調整部を設けて、前記統計モデルが前記モデル調整部による基底半径パラメータの調整結果を用いてモデル出力を生成し、このモデル出力を前記操作方法学習部に出力するようにするように構成し、前記計測信号は、前記火力発電プラントのボイラから排出される排ガスに含まれる窒素酸化物、一酸化炭素、二酸化炭素、窒素、酸素、灰中未燃分及び硫化水素の濃度のうち少なくとも１つを表す状態量の信号を含むようにし、前記制御信号は、前記火力発電プラントのボイラに供給する空気流量、この空気流量を調節する空気ダンパの開度、ボイラに供給される燃料流量、ボイラから排出された排ガスを該ボイラに再循環させる排ガス再循環流量のうち少なくとも１つを表す信号を含むようにしたことを特徴とする。
　本発明によれば、プラントの計測データを使用してRBFネットワークによる統計モデルをオンラインで調整する場合に、制御周期以内での最適化計算の終了を可能にして、統計モデルの推定精度を向上させたプラントの制御装置及び火力発電プラントの制御装置を実現することができる。
本発明の第１実施例であるプラントの制御装置の構成を示すブロック図である。 実施例１のプラントの制御装置における一連の制御動作フローを示すフローチャートである。 実施例１のプラントの制御装置における前処理部の動作手順を表すフローチャートである。 実施例１のプラントの制御装置における前処理部のモデル出力信頼区間計算の概念を示す概略図である。 実施例１のプラントの制御装置におけるモデル構築データベースに保存されるデータの態様を示す図である。 実施例１のプラントの制御装置における統計モデルを構成するRBFネットワーク概略図である。 実施例１のプラントの制御装置におけるモデル調整部の動作手順を表すフローチャートである。 実施例１のプラントの制御装置におけるモデル調整部の動作時における半径調整対象となるガウス基底関数を決定する方式の概念を示す概略図である。 実施例１のプラントの制御装置におけるモデル調整部の動作時における半径調整アルゴリズムの動作手順を表すフローチャートである。 実施例１のプラントの制御装置におけるモデル調整部の動作時における半径調整対象となるガウス基底関数の寄与度計算の概念を示す概略図である。 実施例１のプラントの制御装置における実行条件を設定する際に画像表示装置に表示される画面の一例である。 実施例１のプラントの制御装置における表示させたい学習結果一覧を選択する際に画像表示装置に表示される画面の一例である。 実施例１のプラントの制御装置における学習結果の統計モデル特性及びガイダンス条件を表示させる際に画像表示装置に表示される画面の一例である。 実施例２の制御装置が適用される火力発電プラントの構成を示す概略構成図である。 実施例２の制御装置が適用される火力発電プラントのエアーヒーターの構成を示す概略構成図である。
　本発明によるプラントの制御装置及び火力発電プラントの制御装置の実施例について図面を参照して以下に説明する。
　本発明の第１実施例であるプラントの制御装置について図１乃至図１３を参照して説明する。
　図１は、本発明の第１実施例であるプラントの制御装置のシステム構成図である。図１に示すように、本実施例であるプラントの制御装制において、御対象のプラント１００は、制御装置２００によって制御される。
　プラント１００を制御する制御装置２００は保守ツール９１０と接続されているので、プラント１００の運転員は、保守ツール９１０に接続された外部入力装置９００と画像表示装置（例えばＣＲＴディスプレイ）９２０とを介して、制御装置２００を制御することができる。
　制御装置２００には、演算装置として、データ前処理部３００、数値解析部４００、統計モデル５００、モデル調整部６００、制御信号生成部７００、及び操作方法学習部８００がそれぞれ備えられた構成となっている。
　また制御装置２００には、データベース（ＤＢ）として、計測信号データベース２１０、モデル構築データベース２２０、学習情報データベース２３０、制御ロジックデータベース２４０、及び制御信号データベース２５０が設けられている。
　また制御装置２００には、外部とのインターフェイスとして、外部入力インターフェイス２０１、及び外部出力インターフェイス２０２が設けられている。
　この制御装置２００では、前記プラント１００から取り込んだプラント１００の状態量を計測した計測信号１は外部入力インターフェイス２０１を介して計測信号データベース２１０に保存される。
　また、制御装置２００に設けた制御信号生成部７００にて生成される制御信号１５は、制御装置２００に設けた制御信号データベース２５０に保存されると共に、外部出力インターフェイス２０２から前記プラント１００に対する操作信号１６、例えば、プラント１００に供給する空気流量等を制御する操作信号１６として出力するように構成されている。
　制御装置２００に設けたデータ前処理部３００では、計測信号データ２１０に保存された計測データ３、ならびにプラント１００の挙動を模擬する物理モデルを用いる数値解析部４００を実行して得られた数値解析データ５を、統計的処理を用いてモデル構築データ４に変換する。
　数値解析部４００とはプラント１００の運転特性を数値解析によって演算する機能を有するものである。また、数値解析部４００で得られた数値解析データ５とはプラント１００の特性値である。
　このモデル構築データ４は、モデル構築データベース２２０に保存される。また、計測データ３の一部は、制御装置２００に設けた制御信号生成部７００に入力される。
　制御装置２００に設けたモデル調整部６００では、モデル構築データベース２２０から取り込んだモデル構築データ７に含まれるモデルパラメータ情報を更新（モデルを調整）し、更新後のモデル構築データ８をモデル構築データベース２２０に保存する。
　制御装置２００に設けた操作方法学習部８００では、学習データ１２を生成し、学習情報データベース２３０に保存する。
　制御装置２００に設けた統計モデル５００は、制御対象となるプラント１００の制御特性を模擬する機能を持つ。すなわち、前記統計モデル５００は、操作信号１６をプラント１００に与え、その制御結果に対する計測信号１を得るのと同等の機能を模擬演算する。
この模擬演算のために、統計モデル５００は、操作方法学習部８００より受けたモデル入力９と、モデル構築データベース２２０に保存されたモデル構築データ６とを使用する。
　このモデル入力９は、操作信号１６に相当する。モデル入力９とモデル構築データ６とから、前記統計モデル５００では、この統計モデル５００を構成しているニューラルネットワークの１手法であるＲＢＦネットワークによってプラント１００の制御による特性変化を模擬演算して、モデル出力１０を出力する。
　統計モデル５００で得られたモデル出力１０は、プラント１００の計測信号１の予測値となる。尚、モデル入力９、モデル出力１０は共に、その数は１種類に限定されず、夫々複数種類用意することができる。
ここで、前記統計モデル５００としては、上述のようにＲＢＦネットワークを使用することを前提とするが、その基底関数としてはガウス関数の他にも公知の関数群（thin-plate-spline, Inverse Multiquadrics等）を用いても良い。その場合も、基底関数の広がりを決定するパラメータが調整対象となる。
　制御装置２００に設けた制御信号生成部７００では、学習情報データベース２３０より出力された学習情報データ１３、及び制御ロジックデータベース２５０に保存された制御ロジックデータ１４を用いて、計測信号１が望ましい値となるように制御信号１５を生成する。
　この制御ロジックデータベース２５０には、制御ロジックデータ１４を算出する制御回路、及び制御パラメータが保存される。この制御ロジックデータ１４を算出する制御回路には、従来技術として公知のＰＩ（比例・積分）制御を用いることができる。
　操作方法学習部８００は、学習情報データベース２３０に保存された学習の制約条件及び学習のパラメータ設定条件等を含む学習情報データ１１を用いて、モデル入力９の操作方法を学習する。学習結果である学習データ１２は、学習情報データベース２３０に保存される。
　このように、制御装置２００の動作において、モデル構築データベース２２０に保存されるモデル構築データ７に含まれるモデルパラメータ情報をモデル調整部６００において調整するメカニズムを具備することにより、モデル構築データ７の特性に応じた適切なモデルパラメータが提供されるため、統計モデル５００におけるプラント特性の推定精度を向上できる。
　また、かかる半径パラメータ調整は本発明のプラント制御装置の適用時に追加される計測データに対して、その近傍に分布する必要最小限のガウス基底関数に対してのみ実施されるため、計測データの蓄積による計算コストの増加を回避し、制御周期以内に統計モデル調整を完了することが期待できる。
　尚、制御装置２００に設置したデータ前処理部３００、統計モデル５００、モデル調整部６００、及び操作方法学習部８００の詳細な機能については、後述する。
　また、操作方法学習部８００から学習情報データベース２３０に保存される学習データ１２には、操作前後のモデル入力、及びその操作の結果得られるモデル出力に関する情報が含まれている。
　学習情報データベース２３０では、現在の運転条件に対応する学習データ１２が選択され、学習情報データ１３として制御信号生成部７００に入力される。
　プラント１００の運転員は、キーボード９０１とマウス９０２で構成される外部入力装置９００、制御装置２００とデータを送受信できる保守ツール９１０、及び画像表示装置９２０を用いることにより、制御装置２００に備えられている種々のデータベースに保存された情報にアクセスすることができる。制御装置２００は保守ツール９１０と入出力データ情報９０をやり取りするための入力部又は出力部を有する。
　また、これらの装置を用いることにより、制御装置２００の数値解析部４００、統計モデル５００、モデル調整部６００、及び操作方法学習部８００で用いるパラメータ設定値、学習の制約条件、及び得られた学習結果の確認に必要な設定情報を入力することができる。
　保守ツール９１０は、外部入力インターフェイス９１１、データ送受信処理部９１２、及び外部出力インターフェイス９１３で構成され、データ送受信処理部９１２を介して制御装置２００とデータを送受信できる。
　外部入力装置９００で生成した保守ツール入力信号９１は、外部入力インターフェイス９１１を介して保守ツール９１０に取り込まれる。保守ツール９１０のデータ送受信処理部９１２では、保守ツール入力信号９２の情報に従って、制御装置２００から入出力データ情報９０を取得する。
　また、データ送受信処理部９１２では、保守ツール入力信号９２の情報に従って、制御装置２００の数値解析部４００、統計モデル５００、モデル調整部６００、及び操作方法学習部８００で用いるパラメータ設定値、学習の制約条件、及び得られた学習結果の視認に必要な設定情報を含む入出力データ情報９０を出力する。
　データ送受信処理部９１２では、入出力データ情報９０を処理した結果得られる保守ツール出力信号９３を、外部出力インターフェイス９１３に送信する。外部出力インターフェイス９１３から送信された保守ツール出力信号９４は、画像表示装置９２０に表示される。
　尚、上記の制御装置２００では、計測信号データベース２１０、モデル構築データベース２２０、学習情報データベース２３００、制御ロジックデータベース２４０、及び制御信号データベース２５０が制御装置２００の内部に配置されるが、これらの全て、あるいは一部を制御装置２００の外部に配置することもできる。
　また、数値解析部４００が制御装置２００の内部に配置されるが、これを制御装置２００の外部に配置することもできる。
　例えば、数値解析部４００、及びモデル構築データベース２２０を制御装置２００の外部に配置し、数値解析データ５をインターネット経由で制御装置２００に送信するようにしてもよい。
　図２は、図１に示した本実施例であるプラントの制御装置における制御の手順を示すフローチャート図である。
　図２では、本実施例のプラントの制御装置２００の動作を表すフローチャートであり、これらのフローチャートは、ステップ１０００、１１００、１２００、１３００、１４００、１５００、１６００、１７００、１８００、１９００、２０００及び２１００の各ステップを組み合わせて実行される。以下では、夫々のステップについて説明する。
　制御装置２００の動作開始後、制御装置２００の実行条件を設定するステップ１００では、データ前処理部３００、統計モデル５００、モデル調整部６００及び操作方法学習部８００の実行時に使用する種々のパラメータ条件を設定する。
　次に、プラントで計測された計測信号を取得するステップ１１００では、制御装置２００に設置された外部入力インターフェイス２０１を通じてプラント１００の計測信号１を取得し、計測信号データベース２１０に計測データ３として保存する。
　次に、データ前処理を実行するステップ１２００では、制御装置２００のデータ前処理部３００を動作させ、計測信号データベース２１０に保存された計測データ３及び数値解析部４００を実行して得られた数値解析データ５に対して統計処理を施し、モデル構築データ４へ変換する。尚、データ前処理部３００の詳細な機能及び動作については、後述する。
　次に、ステップ１３００では、前処理により変換したモデル構築データ４をモデル構築データベース２２０へ保存する。
　次に、統計モデルを調整するステップ１４００では、制御装置２００のモデル調整部６００を動作させ、モデル構築データ７に応じて配置されるガウス基底関数の半径パラメータを更新する。ここで、前記モデル構築データ７は、各データのモデル特性空間におけるモデル入力値、モデル出力値、データ上に配置されるガウス基底関数の半径パラメータ値、及び統計モデル５００を構成するＲＢＦネットワークの重みパラメータを含む。尚、モデル調整部６００の詳細な機能及び動作については、後述する。
　次に、統計モデルを学習するステップ１５００では、制御装置２００の統計モデル５００を動作させ、統計モデル５００を構成するＲＢＦネットワークの重みパラメータを学習する。学習手段については、公知の方式を用いることができる。
　次に、操作方法を学習するステップ１６００では、制御装置２００の操作方法学習部８００を動作させ、統計モデル５００が計算したモデル出力推定値１０が、予め画像表示装置９２０を通じて設定した目標条件以下となるようなモデル入力９の操作方法を学習する。また、操作方法学習部８００には、強化学習等の公知の方式を用いることができ、その実行条件を含む学習情報データ１１は学習情報データベース２３０より入力する。
　次に、ステップ１７００では、前記操作方法学習部８００による学習結果データ１２を学習情報データベース２３０に保存する。
　次に、制御信号を生成するステップ１８００では、制御装置２００の制御信号生成部７００を動作させ、学習情報データベース２３０及び制御ロジックデータベース２４０に保存されている学習結果データ１３及び制御ロジック１４を用いて制御信号１５を生成する。生成した制御信号１５はプラント１００の制御に使用される他、制御信号データベース２５０に保存される。
　次の、制御の実行を判定するステップ１９００は分岐である。学習結果に基づくプラント操作のシミュレーション結果から、制御結果が所望の結果となる見通しが得られた場合はステップ２０００へ進み、そうでない場合はステップ２１００へ進む。
　次に、プラント１００を制御するステップ２０００では、生成した制御信号１５を制御装置２００に設置された外部出力インターフェイス２０２を通じて制御信号１６として出力し、プラントを制御する。
　最後に、一連の処理動作の終了を判定するステップ２１００は分岐である。外部入力装置９００を通じて本発明の制御装置２００の動作を終了させる信号が入力された場合は処理を終了させるステップに進み、そうでない場合はステップ１１００に戻る。
　以上の動作によって、本実施例の制御装置２００の動作では、プラント１００の運転員が設定した実行条件に基づき、データ前処理、モデル調整・学習、操作方法学習、制御信号生成及び制御実施に至る一連の処理を自律的に獲得・実行できる。
　次に、前記制御装置２００におけるデータ前処理部３００の詳細な動作について、図３のフローチャート、及び図４、５、６の概念図を用いて説明する。
　本実施例の制御装置２００では、制御周期の間に得られるプラントの計測データまたは数値解析データに対して、前処理を施すことによりモデル入力値及びモデル出力値へ変換し、モデル構築データを生成する。
　本実施例のデータ前処理部３００では、時系列のプラント計測データが変動を持つ点を考慮し、制御周期間内に獲得する、変動を含む計測データに対して信頼区間に基づく統計的処理を施し、最大・平均・最小の３種類のモデル出力値を算出する。
　ここで、信頼区間とは、得られる計測データ分布の真の母数（平均、分散）の値が、ある区間（Ｌ，Ｕ）に入る確率を１－θ以上になるように保証する区間のことであり、Ｌを下側信頼限界、Ｕを上側信頼限界、１－θを信頼係数と呼ぶ。即ち、前記の最大・平均・最小の３種類のモデル出力値は、計測データ分布に対する信頼区間計算によると、それぞれ上側信頼限界、平均、下側信頼限界に該当する。
　図３は、データ前処理部３００の動作を表すフローチャートであり、図２に示したフローチャートのステップ１２００の動作を詳細に示したものである。図３に示したフローチャートは、ステップ１２１０、１２２０及び１２３０を組み合わせて実行する。以下では、夫々のステップについて説明する。
　データ前処理部３００の動作開始後、初めにステップ１２１０では、モデル入力のバイアスを決定する。プラント１００が整定状態の場合であっても、計測データは変動を持つため、その計測データを変換して得られるモデル入力条件も同様に変動する。そのため、得られるモデル入力の平均に対してバイアスを考慮し、その範囲内に収まるモデル出力値に対して分布を考慮した信頼区間を計算する。
　図４は、あるモデル出力に関する計測データの分布をモデル入力空間上にプロットした模式図（縦軸：モデル出力値、横軸：モデル入力値）である。
　図４において、ｘは計測データより得られるモデル入力値の平均であり、Δｘがバイアスを示す。ここで、バイアスは任意の値に設定可能であるが、通常はデータのモデル入力値の標準偏差とすればよい。
　次に、モデル出力信頼区間を計算するステップ１２２０では、図４中にグレーで示したバイアスを考慮したモデル入力範囲内に存在する計測データに対して、予め設定した信頼係数（１－θ）に基づき、データの最大・平均・最小値の各統計量を計算する。
　次に、モデル構築データを作成するステップ１２３０では、ステップ１２２０で求めた、モデル入力条件に対する最大・平均・最小の３種類のモデル出力値を含むモデル構築データ４をモデル構築データベース２２０へ保存する。ここで、保存されるモデル構築データベース２２０の態様及び統計モデルの構成について、図５及び６を用いて説明する。
　図５において、モデル構築データは、夫々固有のデータID２２１を持つ。また、図５に示すように、１ケースのモデル入力２２２に対して、３（最大・平均・最小）×Ｋ（モデル出力数）種類のモデル出力２２３を持つ。
　図６は、本実施例の制御装置２００に設置された統計モデル５００を構成するＲＢＦネットワークの構造を示した概略図であり、モデル構築データ１ケースに対して１個の中間層ノードが相当する。したがって１個の中間層ノードに対して３×Ｋ個のガウス基底関数が配置される。これは図５において、１つのデータ（モデル入力）が３×Ｋ個の半径パラメータ２２４、及びＲＢＦネットワークの重みパラメータ２２５を持つことを示している。
　即ち、１つのネットワーク上で３種類のデータ特性（最大・平均・最小）及びモデル出力数Ｋに応じたプラント特性を表現することが可能となり、中間層ノードに単一のガウス基底関数を配置する場合に比べてより高精度な推定が可能となる。
　操作方法学習部６００では、上記のように構成された統計モデル５００を組み合わせて操作方法の学習を実行する（図２のステップ１６００）。具体的には、各モデル出力に対して、３種類のデータ特性（最大・平均・最小）より選択された１種類のモデル構築データを用いて統計モデルを組み合わせる。
　したがって、最大３のＫ乗通りの組み合わせに対して操作方法を学習できる。本発明におけるモデル調整の計算コスト低減により、上記の多様な統計モデルの組み合わせによる学習が可能となる。
　プラントの運転員は、後述する画像表示装置及び保守ツールを用いて、多様な統計モデルの組み合わせにより得られた学習結果の中から、制御ニーズに適応したものを任意に選択し、プラントの制御を実行することができる。
　以上で、本発明の制御装置２００におけるデータ前処理部３００の動作に関する説明を終了する。
　次に、前記制御装置２００におけるモデル調整部６００の詳細な動作について、図７、９のフローチャート、及び図８、１１、１２の概念図を用いて説明する。
　図７は、前記モデル調整部６００によるモデル調整のアルゴリズム動作を示すフローチャートであり、図２のフローチャートにおける統計モデルを調整するステップ１４００に相当する。
　図７に示したフローチャートは、ステップ１４１０、１４２０、１４３０、１４４０及び１４５０を組み合わせて実行する。
　統計モデル調整のアルゴリズム開始後、各基底関数の追加データに対する距離近傍を計算するステップ１４１０では、図２のステップ１３００で新たに追加されたモデル構築データに対して、既存のガウス基底関数との距離を基に、距離近傍なる指標を計算する。ここで、ガウス基底関数と追加データとの距離は、基底関数の中心座標と追加データ座標とのユークリッド距離とする。
　ここで、距離近傍の計算手段について、図８の概念図を用いて説明する。図８は、２次元モデル入力空間上のガウス基底関数の中心座標、ならびに追加データの分布を示している。距離近傍の計算では、まず追加データの座標を分点として、モデル入力空間を分割する。
　図８に示した概念図では２種類のモデル入力に対して追加データの座標上に描画した破線を分点として、領域を４分割する。即ち、モデル入力の次数をＪとすると、モデル入力空間の分割数は２のＪ乗となる。分割した各領域に含まれるガウス基底関数をグループとして、グループ毎に距離近傍を計算する。
　図８の概念図に示すように、グループ内で追加データとの距離が最小となる基底関数の距離近傍を１とし、距離が小さい順に距離近傍を１ずつ加算する（各基底関数の右肩の数字が距離近傍を示す）。距離近傍が小さいほど、データ追加による基底関数への影響が大きく、半径パラメータ調整の必要性も大きくなる。また、分割した領域毎に距離近傍を計算することで、半径調整対象となるガウス基底関数が追加データを囲むように均等に選択される。
　次に、距離近傍を基にガウス基底関数を選択するステップ１４２０では、ステップ１４１０求めた各ガウス基底関数の距離近傍と予め設定した基準値を比較し、基準値以下であれば半径調整対象とする。
　図８の概念図では基準値を３とした場合を示しており、距離近傍が３以下となるガウス基底関数が半径調整対象となっている（図中にグレーの点で表示）。
　該基準値を大きくとれば半径調整対象となる基底関数の数を多くし、よりきめ細かなモデル調整を実施できるが、計算コストは増加する。一方、該基準値を小さく取れば逆に計算コストを軽減できるが、修正後のモデル精度は比較的低くなる。プラントの運転員は、精度と時間に関するニーズに応じて任意に基準値を設定することができる。
　次に、ステップ１４３０では、ステップ１４２０で選択したガウス基底関数の半径パラメータを調整するが、詳細な調整アルゴリズムについては、後述する。
　次に、ステップ１４４０では、調整したガウス基底関数の半径パラメータを用いて、モデル構築データベース２２０に保存されている情報を更新して、統計モデル調整のアルゴリズムを終了するステップへ進む。
　図９は、前記モデル調整部６００によるガウス基底関数の半径パラメータ調整の詳細なアルゴリズム動作を示すフローチャートであり、図７のフローチャートにおける、半径パラメータを調整するステップ１４３０に相当する。
　図９に示したフローチャートは、ステップ１４３１、１４３２、１４３３、１４３４、１４３５、及び１４３６を組み合わせて実行する。
　本発明における前記モデル調整部６００では、まずモデル特性空間上にランダムに決定したモデル入力条件ｘｔ（ｔ：ステップ１４３２～１４３６の反復回数）に対して、選択したガウス基底関数との距離情報を基に、各ガウス基底関数のｘｔの被覆に対する寄与度を求める。そして、寄与度を基に算出した半径パラメータ目標値に近づくように半径パラメータを修正する。以上の一連の動作を定数回反復実行することで、半径パラメータの調整を実行する。
　半径パラメータ調整のアルゴリズム開始後、半径パラメータ調整の反復回数ｔを初期化（ｔ＝１）するステップ１４３１では、反復回数ｔを初期化（ｔ＝１に設定）する。
　次に、ランダムにモデル入力条件を決定するステップ１４３２では、モデル特性空間上でランダムに入力条件ｘｔを生成する。
　次に、各基底関数の寄与度を計算するステップ１４３３では、モデル調整部６００に備えた関数式である以下の式（２）を使用して各基底関数の寄与度ρｉを計算する。
Figure JPOXMLDOC01-appb-M000002
　式（２）において、ｄminは選択したガウス基底関数とｘｔとの距離の最小値、ｄｉは選択したガウス基底関数とｘｔとの距離を表す。式（２）によって、寄与度ρｉはｘｔとの距離が小さい基底関数ほど大きくなり、距離が大きいほど指数的に減少する。即ち、ｘｔを被覆する際に、ｘｔに近い基底関数ほど被覆の寄与度が大きいことを意味する。
　図１０は前記ステップ１４３２及び１４３３の、２次元モデル入力空間における処理の概念図であり、グレーの点が半径調整対象となるガウス基底関数の中心座標、白の点が半径調整対象とならないガウス基底関数の中心座標、×がｘｔを示す。選択したガウス基底関数の右肩の数値は寄与度であり、ｘｔに近いほど大きい値を示していることがわかる。
　次に、各基底関数の被覆度目標値を計算するステップ１４３４では、計算した寄与度を基に、ｘｔにおける各基底関数の被覆度目標値φｉｋを、モデル調整部６００に備えた関数式である以下の式（３）を用いて計算する。ここで、被覆度とは、あるモデル入力条件を式（１）に代入して得られるガウス基底関数値の合計により定義される。
Figure JPOXMLDOC01-appb-M000003
　ここで被覆度目標値φｉｋは、ガウス基底関数ｉのモデル出力のｋ成分に関する被覆度目標値を意味する。Ｃｋはモデル出力成分に応じて固有に設定される定数値であり、φｉｋはＣｋを寄与度に応じて比例配分した値となる。Ｃｋを適切に設定することにより、任意のモデル入力条件における被覆度が所望の値となるように各基底関数の半径パラメータを調整することが可能となり、統計モデルの推定精度を向上させることができる。
　次に、各基底関数の半径パラメータを更新するステップ１４３５では、計算した被覆度目標値に対して、モデル調整部６００に備えた関数式である以下の式（４）、及び式（５）に従い半径パラメータｒｉｋを更新する。
Figure JPOXMLDOC01-appb-M000004
Figure JPOXMLDOC01-appb-M000005
　式（４）において、ｒ*ｉｋは、半径パラメータｒｉｋの更新目標値であり、これはガウス関数基底ｉのｘｔにおける基底関数値がφｉｋに一致するように決定される。また、式（５）において、αは半径調整のステップサイズパラメータ（≦１）であり、ｒｉｋは半径更新目標値ｒ*ｉｋに近づくように更新される。
　次の、ｔが最大反復回数に達したかを判定するステップ１４３８は分岐である。反復回数ｔが予め設定した最大反復回数以上となれば、半径パラメータ調整アルゴリズムを終了するステップに進み、そうでなければｔ＝ｔ＋１としてステップ１４３２に戻る。
　以上の一連の説明から明らかなように、前記制御装置２００のモデル調整部６００では、プラント計測データを前処理して追加されるモデル構築データに対して、追加データ近傍のガウス基底関数の半径パラメータのみを調整することで、計算コストを低減できる。
　さらに、データ信頼区間に基づく３種類のモデル構築データを組み合わせて学習を実行することにより、プラントの制御ニーズに応じた多様な制御が可能となる。以上で、モデル調整機能６００の詳細な動作の説明を終了する。
　次に、本実施例であるプラントの制御装置において、制御装置２００とデータを送受信できる保守ツール９１０の外部出力インターフェイス９１３から送信された保守ツール出力信号９４を表示する画像表示装置９２０にて表示される画面について、図１１、１２及び１３を用いて説明する。図１１～図１３は、画像表示装置９２０に表示される画面の一具体例である。
　図１１は本実施例であるプラントの制御装置において、制御装置２００に備えられたデータ前処理部３００、モデル調整部６００及び操作方法学習部８００の実行条件を設定する際に画像表示装置９２０に表示される画面例であり、本実施例のプラントの制御装置の動作手順を示す図２のフローチャートにおける、実行条件を設定するステップ１０００の画面仕様の一例である。
　この図１１に示した実行条件の設定画面では、モデル調整部６００において使用する統計モデルの半径調整アルゴリズムのパラメータ、データ前処理部３００にて使用するモデル入力のバイアスや信頼区間設定、操作方法学習部８００で使用する学習時のモデル出力の目標条件、学習対象とする統計モデルの選択について、夫々設定することができる。
　図１１に示す画面が前記画像表示装置９２０に表示された状態で、外部入力装置９００のマウス９０２を操作して画面上の数値ボックスにフォーカスを移し、キーボード９０１を用いることで数値を入力できる。また、マウス９０２を操作して画面上のボタンをクリックすることで、ボタンを選択する（押す）ことができる。同様に、マウス９０２を操作して画面上のチェックボックスをクリックすることで、チェックを入れることができる。
　図１１に示した画面では、まず、モデル調整部６００における統計モデルの半径調整アルゴリズムに使用するパラメータ（Ｃｋ、α）を設定する。具体的には、パラメータ項目リスト３０００に表示されたパラメータに対する数値ボックス３００１に設定値を入力する。
　次に、データ前処理部３００における統計処理で使用する、モデル入力のバイアス（Δｘ）及び、モデル出力信頼区間設定値（θ）を図１１に示された数値ボックス３００２、３００３から夫々設定する。
　更に、図１１に示した目標条件の設定リストにおいては、操作方法学習部８００による、操作方法の学習時に考慮するモデル出力値の目標条件を設定する。具体的には、モデル出力リスト３００４に表示された各モデル出力に対する数値ボックス３００５に、目標条件の設定値を入力する。
　最後に、図１１に示した学習対象モデルの設定リストにおいては、データ前処理部３００で作成したモデル構築データを用いて構築した統計モデルについて、操作方法の学習対象とする統計モデルを選択する。具体的には、モデル出力リスト３００６に表示された各モデル出力に対して、“最大”、“平均”、“最小”、及び“全て”の各項目のチェックボックス３００７、３００８、３００９、３０１０を夫々選択することで、操作方法学習部８００の学習対象となる統計モデルを選択することができる。操作方法学習部８００は、選択された統計モデルに対して、操作方法を夫々学習する。
　以上の実行条件選定の修了後、ボタン３０１１を選択すると、実行条件設定画面を終了し、図２におけるステップ１１００の実行へ進む。
　図１２は本実施例であるプラントの制御装置において、図１１に示した実行条件の設定画面で設定した、学習対象となる統計モデル５００に対する学習結果を表示する際に、画像表示装置９２０に表示される画面例である。
　図１２に示す画面が前記画像表示装置９２０に表示された状態で、外部入力装置９００のマウス９０２を操作して画面上のボタンをクリックすることで、ボタンを選択する（押す）ことができる。
　図１２に示された画面では、操作前及び、学習した各統計モデル５００に対する学習結果が学習結果一覧のリスト上に表示される。具体的には、項目ＩＤ欄３１００に対して、操作前及び各学習結果を用いた操作後のモデル入力値３１０１、モデル出力値３１０２の予測値、ならびに学習時に選択した統計モデル設定３１０３が表示される。
　該リストには、図１１の画面表示において設定した全ての統計モデルの組み合わせに対する学習結果が表示され、それは統計モデル設定３１０３より識別することができる。プラントの運転員は、リストに表示された学習結果の中から、制御ニーズを考慮して任意の学習結果を選択できる。選択した結果は、オフセット３１０４によって強調表示される。
その後、ボタン３１０５を選択すると、図１３に示した画面が起動する。
　図１３は本実施例であるプラントの制御装置において、図１２に示した学習結果一覧表示画面上で選択した学習結果に対する統計モデル５００のモデル特性と、操作前のモデル入出力条件の値３２０３を示しているものである。
　図１３は、更に学習結果に基づく操作後のモデル入出力条件の予測値３２０４を確認するために、画像表示装置９２０に表示される画面であり、図２に示した本実施例のプラントの制御装置の制御動作フローにおける、ステップ１９００の制御実行判定時に用いる画面の一例である。
　図１３に示す画面が前記画像表示装置９２０に表示された状態で、外部入力装置９００のマウス９０２を操作して画面上の数値ボックスにフォーカスを移し、キーボード９０１を用いることで数値を入力できる。また、マウス９０２を操作して画面上のボタンをクリックすることで、ボタンを選択する（押す）ことができる。同様に、マウス９０２を操作して画面上のチェックボックスをクリックすることで、チェックを入れることができる。
　図１３に示した画面では、グラフエリア３２０１に、選択した学習結果に対応する統計モデル５００が演算した統計モデルの特性グラフが描画される。その際、多入力・多出力からなる統計モデル特性をできるだけ簡易にグラフ上で表現するため、統計モデル特性をそれぞれ１入力・１出力の特性に写像したものを表示する。
　図１３の画面に示すように、グラフエリア３２０１の左上から順に、モデル入力１－モデル出力１特性、モデル入力１－モデル出力２特性・・・と順次表示される。各グラフにおいては、１次元のモデル入力空間に対するモデル出力の特性曲線３２０２が描画される。また、図１２で示された、操作前のモデル入出力条件及び学習後の最適なモデル入出力条件を、同グラフ上にプロット点３２０３及びプロット点３２０４として重ねて表示させる。このようにすることで、プラントの運転員は、モデル特性グラフ上で、学習結果に基づくプラントの操作が妥当であるかを確認することができる。
　図１３の画面では、更にチェックボックス３２０７を選択することで、統計モデルの構築に使用したガウス基底関数をグラフ中に図形３２０６として表示させることができる。
これにより、本実施例の制御装置における半径調整アルゴリズムによってガウス基底関数の半径パラメータがどのように調整されたかを確認できる。
　更に、図１３の画面のチェックボックス３２０８を選択することで、図１１の画面表示で設定した各モデル出力の目標条件を点線３２０５としてグラフ中に表示させることができる。これにより、学習結果に基づく操作が目標条件を満足する妥当なものであるかを判断することができる。
　プラントの運転員は、以上の特徴を持つ画面表示内容を確認後、操作実行の可否を決定できる。学習結果が妥当と判断され操作を実行する場合は、図１３の画面のボタン３２０９を選択し、そうでない場合はボタン３２１０を選択する。
　以上が本実施例であるプラントの制御装置の画像表示装置９２０に表示される画面についての説明である。
　以上説明したように、本実施例によれば、プラントの計測データを使用してRBFネットワークによる統計モデルをオンラインで調整する場合に、制御周期以内での最適化計算の終了を可能にして、統計モデルの推定精度を向上させたプラントの制御装置を実現することができる。
　次に、本発明に係わるプラントの制御装置を、火力発電プラントに適用した第２実施例である火力発電プラントの制御装置について図１４及び図１５を用いて説明する。
　本実施例の火力発電プラントの制御装置に適用されるプラントの制御装置２００の構成及び機能は、図１乃至図１３に示した第１実施例であるプラントの制御装置における制御装置２００と同じものであるので、ここで制御装置２００について説明することは省略する。
また、本発明に係わるプラントの制御装置を火力発電プラント以外のプラントを制御する際にも、図１乃至図１３に示した第１実施例のプラントの制御装置２００が適用できることは言うまでもない。
　図１４は、本実施例の火力発電プラントの制御装置を示すものであり、本実施例に係わる制御装置２００が適用される火力発電プラント１００ａの構成を示す概略図である。先ず、火力発電プラント１００ａによる発電の仕組みについて簡単に説明する。
　図１４において、火力発電プラント１００ａを構成するボイラ１０１には、ミル１１０で石炭を細かく粉砕した燃料である微粉炭と、微粉炭搬送用の１次空気及び燃焼調整用の２次空気とを供給する複数のバーナ１０２が設けられており、このバーナ１０２を通じて供給した微粉炭を、ボイラ１０１の内部で燃焼させる。尚、微粉炭と１次空気は配管１３４から、２次空気は配管１４１から夫々バーナ１０２に導かれる。
　また、ボイラ１０１には、２段燃焼用の空気をボイラ１０１に投入するアフタエアポート１０３が設けられている。２段燃焼用の空気は、配管１４２からアフタエアポート１０３に導かれる。
　ボイラ１０１の内部で微粉炭を燃焼することによって発生した高温の燃焼ガスは、ボイラ１０１の内部の経路に沿って下流側に流下して、ボイラ１０１の内部に配置された熱交換器１０６で給水と熱交換して蒸気を発生させた後に、排ガスとなってボイラ１０１の下流側に設置されたエアーヒーター１０４に流入し、このエアーヒーター１０４で熱交換してボイラ１０１に供給する空気を昇温する。
　そして、このエアーヒーター１０４を通過した排ガスは、図示していない排ガス処理を施した後に、煙突から大気に放出される。
　ボイラ１０１の熱交換器１０６を循環する給水は、給水ポンプ１０５を介して熱交換器１０６に供給され、熱交換器１０６においてボイラ１０１を流下する燃焼ガスによって過熱され、高温高圧の蒸気となる。尚、本実施例では熱交換器の数を１つとしているが、熱交換器を複数配置するようにしてもよい。
　熱交換器１０６で発生した高温高圧の蒸気は、タービンガバナ１０７を介して蒸気タービン１０８に導かれ、蒸気の持つエネルギーによって蒸気タービン１０８を駆動して発電機１０９で発電する。
　上記した本実施例の火力発電プラント１００ａには、火力発電プラントの運転状態を示す状態量を検出する様々な計測器が配置されている。
　前記火力発電プラント１００ａは図１のプラント１００に該当しているので、これらの計測器から取得された火力発電プラントの計測信号は、図１に示したプラントの制御装置２００と同様に、プラント１００から計測信号１として制御装置２００の外部入力インターフェイス２０１に送信される。
　計測器としては、例えば図１４の火力発電プラント１００ａに示すように、熱交換器１０６から蒸気タービン１０８に供給される高温高圧の蒸気の温度を計測する温度計測器１５１、蒸気の圧力を計測する圧力計測器１５２、発電機９で発電される電力量を計測する発電出力計測器１５３が図示されている。
　蒸気タービン１０８の復水器（図示せず）によって蒸気を冷却して生じた給水は、給水ポンプ１０５によってボイラ１０１の熱交換器１０６に供給されるが、この給水の流量は流量計測器１５０によって計測されている。
　また、ボイラ１０１から排出する燃焼ガスである排ガス中に含まれている成分（窒素酸化物（ＮＯｘ）、一酸化炭素（ＣＯ）、及び硫化水素（Ｈ２Ｓ）など）の濃度に関する状態量の計測信号は、ボイラ１０１の下流側に設けた濃度計測器１５４によって計測される。
　即ち、火力発電プラント１００ａに適用した本実施例の火力発電プラントの制御装置においては、計測器１５０～１５４で計測されて制御装置２００に入力する火力発電プラント１００ａの計測データ項目には、上記各計測器によって計測した火力発電プラント１００ａの状態量であるボイラ１０１に供給される燃料流量、ボイラ１０１に供給される空気流量、ボイラ１０１の熱交換器１０６に供給される給水流量、ボイラ１０１の熱交換器１０６で発生して蒸気タービン１０８に供給される蒸気温度、ボイラ１０１の熱交換器１０６に供給される給水の給水圧力、ボイラ１０１から排出される排ガスのガス温度、前記排ガスのガス濃度、及びボイラ１０１から排出される排ガスの一部をボイラ１０１に再循環させる排ガス再循環流量等が含まれる。
　これらの計測データ項目は、図１で示したプラントの制御装置２００における制御信号生成部７００で演算して出力された制御信号１５によって決定される計測データ項目である。
　尚、一般的には図１４に図示した以外にも多数の計測器が火力発電プラント１００ａに配置されるが、ここでは図示を省略する。
　次に、ボイラ１０１の内部に投入される空気の経路、すなわちバーナ１０２からボイラ１０１の内部に投入される１次空気と２次空気の経路、及びアフタエアポート１０３からボイラ１０１の内部に投入される空気の経路について図１４に示した火力発電プラント１００ａを用いて説明する。
　図１４に示した火力発電プラント１００ａのボイラ１０１において、１次空気は、ファン１２０から配管１３０に導かれ、途中でボイラ１０１の下流側に設置されたエアーヒーター１０４を通過する配管１３２と、エアーヒーター１０４を通過せずにバイパスする配管１３１とに分岐するが、エアーヒーター１０４の下流側に配設した配管１３３となって再び合流し、バーナ１０２の上流側に設置された微粉炭を製造するミル１１０に導かれる。
　エアーヒーター１０４を通過する１次空気は、ボイラ１０１を流下する燃焼ガスと熱交換することによって加熱される。この加熱された１次空気と共に、エアーヒーター１０４をバイパスした１次空気は、ミル１１０において粉砕した微分炭をバーナ１０２に搬送する。
　ファン１２１を用いて配管１４０から投入された空気は、エアーヒーター１０４で同様にして加熱された後に、２次空気用の配管１４１とアフタエアポート用の配管１４２とに分岐して、夫々、ボイラ１０１のバーナ１０２とアフタエアポート１０３とに導かれる。
　本実施例である火力発電プラントの制御装置２００においては、ファン１２１から送られてバーナ１０２とアフタエアポート１０３からボイラ１０１の内部へ投入される空気流量を制御する例として、２次空気用の配管１４１とアフタエアポート用の配管１４２の上流側に操作端機器となるエアダンパ１６２及びエアダンパ１６３をそれぞれ設け、制御装置２００によってこれらのエアダンパ１６２及びエアダンパ１６３の開度を調節して、ボイラ１０１の内部に供給される２次空気とアフタエアの流量をそれぞれ制御できるように構成している。
　また、ファン１２０から送られてバーナ１０２から微粉炭と共にボイラ１０１の内部へ投入される空気流量を制御する例として、配管１３３に合流する直前部分の配管１３１及び配管１３２に操作端機器となるエアダンパ１６０及びエアダンパ１６１をそれぞれ設け、制御装置２００によってこれらのエアダンパ１６０及びエアダンパ１６１の開度を調節して、ボイラ１０１の内部に供給される空気の流量をそれぞれ制御できるように構成している。
　前記制御装置２００は、他の計測データ項目を制御することもできるので、操作端機器の設置場所を制御対象に応じて変えてもよい。
　図１５は、図１４に示した火力発電プラント１００ａのボイラ１０１の下流側に設置したエアーヒーター１０４と関連する配管部の拡大図である。
　図１５に示したように、エアーヒーター１０４には空気を供給する配管１３０、及び配管１４０がそれぞれ設置されており、このうち、配管１４０はエアーヒーター１０４を貫通して配設され、配管１３０は途中から分岐した配管１３１と配管１３２によって構成されており、前記配管１３１はエアーヒーター１０４をバイパスして配設され、前記配管１３２はエアーヒーター１０４を貫通して配設されている。
　そして配管１３２はエアーヒーター１０４を貫通した後に配管１３１と合流した配管１３３となってミル１１０に導かれ、このミル１１０から該配管１３３を通じて微粉炭と共に空気をボイラ１０１のバーナ１０２に導くように配設されている。
　また、配管１４０はエアーヒーター１０４を貫通した後に配管１４１と配管１４２とに分岐し、このうち、配管１４１はボイラ１０１のバーナ１０２に、配管１４２はボイラ１０１のアフタエアポート１０３に、それぞれ空気を導くように配設されている。
　また、前記配管１３３に合流する直前部分の配管１３１及び配管１３２には、流通する空気量を調節するエアダンパ１６０及びエアダンパ１６１がそれぞれ設置され、前記配管１４１及び配管１４２の上流部分には、流通する空気量を調節するエアダンパ１６２及びエアダンパ１６３がそれぞれ設置されている。
　そして、これらのエアダンパ１６０～１６３を操作することにより、配管１３１、１３２、１４１、１４２を空気が通過する面積を変更することができるので、配管１３１、１３２、１４１、１４２を通過してボイラ１０１の内部に供給される空気流量を個別に調整できる。
　制御装置２００の制御信号生成部７００によって演算された制御信号１５を外部出力インターフェイス２０２を介して火力発電プラント１００ａに対する操作信号１６として出力し、ボイラ１０１の配管１３１、１３２、１４１、１４２にそれぞれ設置したエアダンパ１６０、１６１、１６２、１６３などの制御端の機器を操作する。
　尚、本実施例では、エアダンパ１６０、１６１、１６２、１６３などの機器のことを操作端と呼び、これを操作するのに必要な制御装置２００で演算した制御信号１５が該制御装置２００から前記操作端に指令する出力信号を操作信号１６と呼ぶ。
　また、制御信号生成部７００によって演算されて前記操作端に出力される操作信号１６としては、ボイラ１０１に配管１３１、１３２、１４１、１４２を通じて供給される空気流量、ボイラ１０１に空気を供給する配管１３１、１３２、１４１、１４２にそれぞれ設置された空気の流量を調節する空気ダンパ１６０～１６３の開度、ボイラ１０１のバーナ１０２に供給される微粉炭の燃料流量、及びボイラ１０１から排出される排ガスの一部をボイラ１０１に再循環させる排ガス再循環流量等が含まれる。
　以降では、本実施例の火力発電プラントの制御装置において、制御装置２００で制御される火力発電プラント１００ａに設置された操作端を、ボイラ１０１に設置したバーナ１０２に供給する空気量を調節する配管１３１、１３２にそれぞれ設置されたエアダンパ１６０、１６１、及びボイラ１０１に設置したアフタエアポート１０３に供給する空気量を調節する配管１４１、１４２にそれぞれ設置されたエアダンパ１６２、１６３として、被制御量をボイラ１０１から排出される排ガス中のＣＯ、ＮＯｘ、及びＨ２Ｓの濃度とする場合について説明する。
　尚、本実施例の火力発電プラントの制御装置では、ボイラ１０１の操作端の操作量（エアダンパ１６０、１６１、１６２、１６３の開度）が制御装置２００を構成する統計モデル５００のモデル入力に、ボイラ１０１から排出される排ガスに含まれるＮＯｘ、ＣＯ及びＨ２Ｓ濃度が統計モデル５００のモデル出力になり、モデル入出力夫々の最小化が学習の目的となる。
　以上説明したように、本発明のプラントの制御装置を火力発電プラントに適用すれば、環境規制や運用コストに対する要求を満たす操作方法を学習することにより、火力発電プラントから排出されるＮＯｘ、ＣＯ、及びＨ２Ｓ濃度の目標値を達成することができる。
　本実施例によれば、プラントの計測データを使用してＲＢＦネットワークによる統計モデルをオンラインで調整する機能を備え、かつ計測データの蓄積による計算コストへの影響を抑制し、制御周期以内で統計モデルを調整して、推定精度を向上させる機能を備えた火力発電プラントの制御装置を実現することができる。
　なお、本発明は上記した実施例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、上記した実施例は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、ある実施例の構成の一部を他の実施例の構成に置き換えることが可能であり、また、ある実施例の構成に他の実施例の構成を加えることも可能である。また、各実施例の構成の一部について、他の構成の追加・削除・置換をすることが可能である。
　また、上記の各構成、機能、処理部、処理手段等は、それらの一部又は全部を、例えば集積回路で設計する等によりハードウェアで実現してもよい。また、上記の各構成、機能等は、プロセッサがそれぞれの機能を実現するプログラムを解釈し、実行することによりソフトウェアで実現してもよい。各機能を実現するプログラム、テーブル、ファイル、測定情報、算出情報等の情報は、メモリや、ハードディスク、ＳＳＤ（Solid State Drive）等の記録装置、または、ＩＣカード、ＳＤカード、ＤＶＤ等の記録媒体に置くことができる。よって、各処理、各構成は、処理部、処理ユニット、プログラムモジュールなどとして各機能を実現可能である。
　また、制御線や情報線は説明上必要と考えられるものを示しており、製品上必ずしも全ての制御線や情報線を示しているとは限らない。実際には殆ど全ての構成が相互に接続されていると考えてもよい。
　以上説明したように、本実施例によれば、プラントの計測データを使用してRBFネットワークによる統計モデルをオンラインで調整する場合に、制御周期以内での最適化計算の終了を可能にして、統計モデルの推定精度を向上させた火力発電プラントの制御装置を実現することができる。
　本発明は、プラントの制御装置及び火力発電プラントの制御装置に適用可能である。
　１：計測信号、１６：制御信号、９０：入出力データ情報、１００：プラント、１００ａ：火力発電プラント、１０１：ボイラ、１０２：バーナ、１０３：アフタエアポート、１３０～１３３：配管、１４０～１４２：配管、１６０～１６３：エアダンパ、２００：制御装置、２０１：外部入力インターフェイス、２０２：外部出力インターフェイス、２１０：計測信号データベース、２２０：モデル構築データベース、２３０：学習情報データベース、２４０：制御ロジックデータベース、２５０：制御信号データベース、３００：データ前処理部、４００：数値解析部、５００：統計モデル、６００：モデル調整部、７００：制御信号生成部、８００：操作方法学習部、９００：外部入力装置、９０１：キーボード、９０２：マウス、９１０：保守ツール、９１１：外部入力インターフェイス、９１２：データ送受信処理部、９１３：外部出力インターフェイス、９２０：画像表示装置。

Claims (20)

  1. 　プラントから該プラントの状態量である計測信号を取り込み、前記計測信号を用いて前記プラントを制御する操作信号を演算する制御装置を備えたプラントの制御装置において、
    　前記制御装置は、プラントの状態量である計測信号を取り込んで保存する計測信号データベースと、前記計測信号データベースに保存されたプラントの計測データに対して信頼区間に基づく統計的処理を施すことでモデル構築データを生成するデータ前処理部と、前記データ前処理部で生成した前記モデル構築データを保存するモデル構築データベースと、前記モデル構築データベースに保存されたモデル構築データを用いて前記プラントに制御信号を与えた時に該プラントの状態量である計測信号の値を推定するプラントの制御特性を模擬する統計モデルと、前記統計モデルを用いて前記計測信号に相当するモデル出力が目標値を達成するようにプラントに与える前記制御信号に相当するモデル入力の生成方法を学習する操作方法学習部と、前記操作方法学習部における学習の制約条件及び学習結果に関する学習データを保存する学習情報データベースと、前記計測信号データベースの計測信号、及び前記学習情報データベースの学習データを用いてプラントに対して送信される制御信号を演算する制御信号生成部とをそれぞれ備えて構成し、
    　更に前記モデル構築データベースに保存されるモデル構築データに含まれる統計モデルの基底半径パラメータを調整するモデル調整部を設けて、前記統計モデルが前記モデル調整部による基底半径パラメータの調整結果を用いて前記モデル出力を生成し、このモデル出力を前記操作方法学習部に出力するように構成したことを特徴とするプラントの制御装置。
  2. 　請求項１に記載のプラントの制御装置において、
    　前記データ前処理部は、前記計測信号データベースに保存された計測信号データを用いて、データの信頼区間を考慮した最大・平均・最小の３種類に分類されたモデル構築データのうち少なくとも１つのデータを作成する機能を備えることを特徴とするプラントの制御装置。
  3. 　請求項１に記載のプラントの制御装置において、
    　前記モデル構築データベースに保存される情報には、各データのモデル入力値と、それに対する最大・平均・最小の３種類のモデル出力値、各データ上に配置されるガウス基底関数の半径パラメータ値、及び該データを用いて構築する前記統計モデルを構成しているＲＢＦネットワークの重みパラメータ値のうち、少なくとも１つの情報が含まれることを特徴とするプラントの制御装置。
  4. 　請求項１に記載のプラントの制御装置において、
    　前記モデル構築データベースに保存されるモデル構築データを用いて構築される前記統計モデルを構成しているＲＢＦネットワークは、中間層の各ノードに（モデル出力の成分数）×３個のガウス関数基底を備えた構造を有することを特徴とするプラントの制御装置。
  5. 　請求項１に記載のプラントの制御装置において、
    　前記モデル調整部は、半径パラメータの調整対象となるガウス基底関数を決定する際に、距離近傍なる指標を使用し、該距離近傍の計算においては、プラントより取得する計測データを基準としてグループ化したガウス基底関数に対し、各グループにおいて前記計測データとの距離が最小となる基底関数の距離近傍を１と決定し、その他の基底関数については前記計測データとの距離が小さい順に１ずつ加算するように距離近傍を計算する機能を備えることを特徴とするプラントの制御装置。
  6. 　請求項１に記載のプラントの制御装置において、
    前記モデル調整部では、前記距離近傍が予め設定した基準値以下となるガウス基底関数に対して、その半径パラメータを調整することを特徴とするプラントの制御装置。
  7. 　請求項１に記載のプラントの制御装置において、
    　前記モデル調整部における半径パラメータの調整では、あるランダムに決定したモデル入力条件における各ガウス基底関数の寄与度を考慮し、該寄与度の計算においては、前記モデル入力条件との距離が最小となるガウス基底関数の寄与度を１と計算し、その他の基底関数については前記モデル入力条件との距離に応じて指数的に減少するように寄与度を計算する機能を備えることを特徴とするプラントの制御装置。
  8. 　請求項１に記載のプラントの制御装置において、
    　前記モデル調整部における半径パラメータの調整では、ランダムに決定したモデル入力条件に対して、各ガウス基底関数値が予め決定された被覆度目標値を前記寄与度により比例配分した値に一致するように半径パラメータの目標値を計算し、該半径パラメータ目標値へ近づけるように半径パラメータを更新する機能を備えることを特徴とするプラントの制御装置。
  9. 　請求項１に記載のプラントの制御装置において、
    　前記操作方法学習部は、前記モデル調整部によって調整された前記モデル構築データを用いて構築した複数の統計モデルの中から任意に選択されたものに対して、最適なモデル入力の生成方法を学習する機能を備えることを特徴とするプラントの制御装置。
  10. 　請求項１に記載のプラントの制御装置において、
    　前記制御装置は画像表示装置と接続され、前記モデル構築データを用いて構築した複数の前記統計モデルに対して、前記操作方法学習部が学習した結果の一覧を画像表示装置に表示する出力部を備えることを特徴とするプラントの制御装置。
  11. 　ボイラを備えた火力発電プラントから該プラントの状態量である計測信号を取り込み、前記計測信号を用いて前記プラントを制御する操作信号を演算する制御装置を備えた火力発電プラントの制御装置において、
    　前記制御装置は、前記プラントの状態量である計測信号を取り込んで保存する計測信号データベースと、前記計測信号データベースに保存されたプラントの計測データに対して信頼区間に基づく統計的処理を施すことでモデル構築データを生成するデータ前処理部と、生成した前記モデル構築データを保存するモデル構築データベースと、前記モデル構築データベースに保存されたモデル構築データを用いて前記プラントに制御信号を与えた時に該プラントの状態量である計測信号の値を推定するプラントの制御特性を模擬する統計モデルと、前記統計モデルを用いて前記計測信号に相当するモデル出力が目標値を達成するようにプラントに与える前記制御信号に相当するモデル入力の生成方法を学習する操作方法学習部と、前記操作方法学習部における学習の制約条件及び学習結果に関する学習データを保存する学習情報データベースと、前記計測信号データベースの計測信号、及び前記学習情報データベースの学習データを用いてプラントに対して送信される制御信号を演算する制御信号生成部とをそれぞれ備えて構成し、
    　更に前記モデル構築データベースに保存されるモデル構築データに含まれる統計モデルの基底半径パラメータを調整するモデル調整部を設けて、前記統計モデルが前記モデル調整部による基底半径パラメータの調整結果を用いてモデル出力を生成し、このモデル出力を前記操作方法学習部に出力するようにするように構成し、
    　前記計測信号は、前記火力発電プラントのボイラから排出される排ガスに含まれる窒素酸化物、一酸化炭素、二酸化炭素、窒素、酸素、灰中未燃分及び硫化水素の濃度のうち少なくとも１つを表す状態量の信号を含むようにし、
    　前記制御信号は、前記火力発電プラントのボイラに供給する空気流量、この空気流量を調節する空気ダンパの開度、ボイラに供給される燃料流量、ボイラから排出された排ガスを該ボイラに再循環させる排ガス再循環流量のうち少なくとも１つを表す信号を含むようにしたことを特徴とする火力発電プラントの制御装置。
  12. 　請求項１１に記載の火力発電プラントの制御装置において、
    　前記データ前処理部は、前記計測信号データベースに保存された計測信号データを用いて、データの信頼区間を考慮した最大・平均・最小の３種類に分類されたモデル構築データのうち少なくとも１つのデータを作成する機能を備えることを特徴とする火力発電プラントの制御装置。
  13. 　請求項１１に記載の火力発電プラントの制御装置において、
    　前記モデル構築データベースに保存される情報には、各データのモデル入力値と、それに対する最大・平均・最小の３種類のモデル出力値、各データ上に配置されるガウス基底関数の半径パラメータ値、及び該データを用いて構築する前記統計モデルを構成しているＲＢＦネットワークの重みパラメータ値のうち、少なくとも１つの情報が含まれることを特徴とする火力発電プラントの制御装置。
  14. 　請求項１１に記載の火力発電プラントの制御装置において、
    　前記モデル構築データベースに保存されるモデル構築データを用いて構築される前記統計モデルを構成している統計モデルのＲＢＦネットワークは、中間層の各ノードに（モデル出力の成分数）×３個のガウス関数基底を備えた構造を有することを特徴とする火力発電プラントの制御装置。
  15. 　請求項１１に記載のプ火力発電プラントの制御装置において、
    　前記モデル調整部は、半径パラメータの調整対象となるガウス基底関数を決定する際に、距離近傍なる指標を使用し、該距離近傍の計算においては、プラントより取得する計測データを基準としてグループ化したガウス基底関数に対し、各グループにおいて前記計測データとの距離が最小となる基底関数の距離近傍を１と決定し、その他の基底関数については前記計測データとの距離が小さい順に１ずつ加算するように距離近傍を計算する機能を備えることを特徴とする火力発電プラントの制御装置。
  16. 　請求項１１に記載の火力発電プラントの制御装置において、
    前記モデル調整部では、前記距離近傍が予め設定した基準値以下となるガウス基底関数に対して、その半径パラメータを調整することを特徴とする火力発電プラントの制御装置。
  17. 　請求項１１に記載の火力発電プラントの制御装置において、
    　前記モデル調整部における半径パラメータの調整では、あるランダムに決定したモデル入力条件における各ガウス基底関数の寄与度を考慮し、該寄与度の計算においては、前記モデル入力条件との距離が最小となるガウス基底関数の寄与度を１と計算し、その他の基底関数については前記モデル入力条件との距離に応じて指数的に減少するように寄与度を計算する機能を備えることを特徴とする火力発電プラントの制御装置。
  18. 　請求項１１に記載の火力発電プラントの制御装置において、
    　前記モデル調整部における半径パラメータの調整では、ランダムに決定したモデル入力条件に対して、各ガウス基底関数値が予め決定された被覆度目標値を前記寄与度により比例配分した値に一致するように半径パラメータの目標値を計算し、該半径パラメータ目標値へ近づけるように半径パラメータを更新する機能を備えることを特徴とする火力発電プラントの制御装置。
  19. 　請求項１１に記載の火力発電プラントの制御装置において、
    　前記操作方法学習部は、前記モデル調整部によって調整された前記モデル構築データを用いて構築した複数の統計モデルの中から任意に選択されたものに対して、最適なモデル入力の生成方法を学習する機能を備えることを特徴とする火力発電プラントの制御装置。
  20. 　請求項１１に記載の火力発電プラントの制御装置において、
    　前記制御装置は画像表示装置と接続され、前記モデル構築データを用いて構築した複数の前記統計モデルに対して、前記操作方法学習部が学習した結果の一覧を画像表示装置に表示する出力部を備えることを特徴とする火力発電プラントの制御装置。
PCT/JP2011/075445 2011-01-05 2011-11-04 プラントの制御装置及び火力発電プラントの制御装置 WO2012093518A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201180064307.2A CN103282840B (zh) 2011-01-05 2011-11-04 大型设备的控制装置及火力发电大型设备的控制装置

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2011000301A JP5503563B2 (ja) 2011-01-05 2011-01-05 プラントの制御装置及び火力発電プラントの制御装置
JP2011-000301 2011-01-05

Publications (1)

Publication Number Publication Date
WO2012093518A1 true WO2012093518A1 (ja) 2012-07-12

Family

ID=46457381

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2011/075445 WO2012093518A1 (ja) 2011-01-05 2011-11-04 プラントの制御装置及び火力発電プラントの制御装置

Country Status (3)

Country Link
JP (1) JP5503563B2 (ja)
CN (1) CN103282840B (ja)
WO (1) WO2012093518A1 (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107065540A (zh) * 2017-03-15 2017-08-18 东北电力大学 一种基于神经网络的自适应动态面分布控制方法
US10193384B2 (en) 2015-01-16 2019-01-29 3M Innovative Properties Company Systems and methods for selecting grid actions to improve grid outcomes

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6400511B2 (ja) * 2015-03-16 2018-10-03 株式会社日立製作所 プラント制御用のデータ処理装置およびプラント
JP7086692B2 (ja) 2018-04-19 2022-06-20 三菱重工業株式会社 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
WO2019208773A1 (ja) * 2018-04-27 2019-10-31 三菱日立パワーシステムズ株式会社 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
JP7391504B2 (ja) 2018-11-30 2023-12-05 キヤノン株式会社 情報処理装置、情報処理方法及びプログラム
JP7374590B2 (ja) * 2019-02-12 2023-11-07 株式会社日立製作所 Ｋｐｉ改善支援システム及びｋｐｉ改善支援方法
CN115350640B (zh) * 2022-10-20 2023-03-14 济宁九德半导体科技有限公司 基于半导体扩散炉用氮氧混合设备及其控制方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004280450A (ja) * 2003-03-14 2004-10-07 Toshiba Corp プラントモデルの自動モデリング装置
JP2005120896A (ja) * 2003-10-16 2005-05-12 Isuzu Motors Ltd シリンダ内圧検出方法
JP2006352528A (ja) * 2005-06-16 2006-12-28 Nippon Telegr & Teleph Corp <Ntt> ユーザ体感品質推定モデル生成装置、方法、およびプログラム
JP2010257028A (ja) * 2009-04-22 2010-11-11 Hitachi Ltd プラントの制御装置及び火力発電プラントの制御装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4573783B2 (ja) * 2006-03-08 2010-11-04 株式会社日立製作所 プラントの制御装置と制御方法及び火力発電プラントとその制御方法
JP4627553B2 (ja) * 2008-03-28 2011-02-09 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
CN101794495B (zh) * 2010-02-05 2011-08-24 国网电力科学研究院 洪水预报系统中实时校正模型的优选方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004280450A (ja) * 2003-03-14 2004-10-07 Toshiba Corp プラントモデルの自動モデリング装置
JP2005120896A (ja) * 2003-10-16 2005-05-12 Isuzu Motors Ltd シリンダ内圧検出方法
JP2006352528A (ja) * 2005-06-16 2006-12-28 Nippon Telegr & Teleph Corp <Ntt> ユーザ体感品質推定モデル生成装置、方法、およびプログラム
JP2010257028A (ja) * 2009-04-22 2010-11-11 Hitachi Ltd プラントの制御装置及び火力発電プラントの制御装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
NORIKAZU SUGIMOTO: "Reinforcement Learning and Goal Estimation by Multiple Forward and Reward Models", THE TRANSACTIONS OF THE INSTITUTE OF ELECTRONICS, INFORMATION AND COMMUNICATION ENGINEERS, vol. J87-D-II, no. 2, February 2004 (2004-02-01), pages 683 - 694 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10193384B2 (en) 2015-01-16 2019-01-29 3M Innovative Properties Company Systems and methods for selecting grid actions to improve grid outcomes
CN107065540A (zh) * 2017-03-15 2017-08-18 东北电力大学 一种基于神经网络的自适应动态面分布控制方法

Also Published As

Publication number Publication date
CN103282840B (zh) 2015-12-02
JP5503563B2 (ja) 2014-05-28
CN103282840A (zh) 2013-09-04
JP2012141862A (ja) 2012-07-26

Similar Documents

Publication Publication Date Title
WO2012093518A1 (ja) プラントの制御装置及び火力発電プラントの制御装置
US8185216B2 (en) Plant controlling device and method, thermal power plant, and its control method
US8554706B2 (en) Power plant control device which uses a model, a learning signal, a correction signal, and a manipulation signal
US8214062B2 (en) Plant control system and thermal power generation plant control system
US8355996B2 (en) Plant control apparatus that uses a model to simulate the plant and a pattern base containing state information
JP4974330B2 (ja) 制御装置
JP4423617B2 (ja) プラント制御装置
JP5277064B2 (ja) 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
JP5663510B2 (ja) 石炭火力プラントの制御装置及び、石炭火力プラント
JP4741968B2 (ja) プラントの制御装置
WO2007116591A1 (ja) プラントの制御装置
JP5918663B2 (ja) 火力プラントの制御装置及び制御方法
JP5410480B2 (ja) プラントの制御装置
JP4989421B2 (ja) 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
JP4627509B2 (ja) プラントの制御装置及びプラントの制御方法
JP2010146068A (ja) プラントの制御装置及び火力発電プラントの制御装置
JP2009222332A (ja) ボイラを備えたプラントの制御装置、及びボイラを備えたプラントの制御方法
JP5378288B2 (ja) プラントの制御装置及び火力発電プラントの制御装置
JP5469226B2 (ja) 制御装置の保守ツール
JP4333766B2 (ja) ボイラの制御装置、及び制御方法
JP2008180481A (ja) 石炭焚きボイラのガス濃度推定方法及び装置
JP2021135637A (ja) 運用改善支援システム、運用改善支援方法及び運用改善支援プログラム

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 11854691

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 11854691

Country of ref document: EP

Kind code of ref document: A1