WO2023228901A1 - 状態量予測装置、状態量予測方法、状態量予測システム、及び状態量予測システムの制御方法 - Google Patents

状態量予測装置、状態量予測方法、状態量予測システム、及び状態量予測システムの制御方法 Download PDF

Info

Publication number
WO2023228901A1
WO2023228901A1 PCT/JP2023/018950 JP2023018950W WO2023228901A1 WO 2023228901 A1 WO2023228901 A1 WO 2023228901A1 JP 2023018950 W JP2023018950 W JP 2023018950W WO 2023228901 A1 WO2023228901 A1 WO 2023228901A1
Authority
WO
WIPO (PCT)
Prior art keywords
model
state quantity
prediction
plant
machine learning
Prior art date
Application number
PCT/JP2023/018950
Other languages
English (en)
French (fr)
Inventor
祐介 筈井
浩毅 立石
仁 須藤
壮宏 齋藤
未砂季 立花
駿 郡司
Original Assignee
三菱重工業株式会社
三菱パワー株式会社
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 三菱重工業株式会社, 三菱パワー株式会社 filed Critical 三菱重工業株式会社
Publication of WO2023228901A1 publication Critical patent/WO2023228901A1/ja

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D53/00—Separation of gases or vapours; Recovering vapours of volatile solvents from gases; Chemical or biological purification of waste gases, e.g. engine exhaust gases, smoke, fumes, flue gases, aerosols
    • B01D53/34—Chemical or biological purification of waste gases
    • B01D53/46—Removing components of defined structure
    • B01D53/48—Sulfur compounds
    • B01D53/50—Sulfur oxides
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring

Definitions

  • the present disclosure relates to a state quantity prediction device, a state quantity prediction method, a state quantity prediction system, and a control method of a state quantity prediction system.
  • state quantities may be predicted by calculations using numerical models for purposes such as monitoring, control, or abnormality determination.
  • This type of numerical model includes, for example, a physical model based on a static equilibrium equation or state equation derived from physical knowledge, or a statistical model such as a machine learning model using neural networks or multiple regression analysis. There is.
  • Patent Document 1 proposes a prediction method in which the error in the state quantity predicted by the physical model is corrected by the machine learning model by learning the deviation between the state quantity derived by the physical model and the actually measured quantity by machine learning. There is.
  • This method is a prediction method that combines a physical model and a machine learning model, but the machine learning model does not take into account the dynamic characteristics of the state quantity to be predicted. Therefore, there is a possibility that sufficient prediction accuracy may not be obtained for objects whose state quantities have dynamic characteristics.
  • Non-Patent Document 1 discloses a prediction method that can improve prediction accuracy by combining neural ODE and known differential equations.
  • the prediction model is based on learning data acquired in the plant to be predicted.
  • the machine learning parameters included in the machine learning model and the physical parameters included in the physical model are determined.
  • learning data used for learning such a prediction model measurement data obtained by a measuring device such as a sensor installed in a plant to be predicted is used.
  • At least one embodiment of the present disclosure has been made in view of the above-mentioned circumstances, and uses a prediction model obtained by adjusting a learned prediction model corresponding to another plant to reduce cost and improve accuracy. It is an object of the present invention to provide a state quantity prediction device, a state quantity prediction method, a state quantity prediction system, and a control method for a state quantity prediction system that can predict state quantities well.
  • a state quantity prediction device for predicting a state quantity of a plant corresponding to an input parameter using a prediction model including a machine learning model and a physical model, A first prediction for storing a first prediction model that corresponds to a first plant and is the prediction model in which machine learning parameters included in the machine learning model and physical parameters included in the physical model are respectively learned.
  • a model storage section a measurement data acquisition unit for acquiring measurement data of the second plant; a second predictive model creation unit for creating a second predictive model that is the predictive model corresponding to the second plant by adjusting the first predictive model using the measurement data; a state quantity prediction unit for predicting the state quantity of the second plant using the second prediction model; Equipped with The second predictive model creation unit creates the second predictive model by regularizing and learning the difference between the machine learning parameters of the first predictive model and the second predictive model.
  • a state quantity prediction system comprising a state quantity prediction device for predicting a state quantity of a plant corresponding to an input parameter using a prediction model including a machine learning model and a physical model, and an information processing device capable of communicating with the state quantity prediction device, the system comprising:
  • the state quantity prediction device includes: A first prediction for storing a first prediction model that corresponds to a first plant and is the prediction model in which machine learning parameters included in the machine learning model and physical parameters included in the physical model are respectively learned.
  • a model storage section a measurement data acquisition unit for acquiring measurement data of the second plant after being requested by the information processing device; a second predictive model creation unit for creating a second predictive model that is the predictive model corresponding to the second plant by adjusting the first predictive model using the measurement data; a state quantity prediction unit for predicting the state quantity of the second plant using the second prediction model; Equipped with The second predictive model creation unit creates the second predictive model by regularizing and learning the difference between the machine learning parameters of the first predictive model and the second predictive model.
  • state quantity prediction methods include: A state quantity prediction method for predicting a state quantity of a plant corresponding to an input parameter using a prediction model including a machine learning model and a physical model, the method comprising: storing a first predictive model that corresponds to a first plant and is the predictive model in which machine learning parameters included in the machine learning model and physical parameters included in the physical model are respectively learned; a step of acquiring measurement data of the second plant; creating a second predictive model that is the predictive model corresponding to the second plant by adjusting the first predictive model using the measurement data; predicting the state quantity of the second plant using the second prediction model; Equipped with In the step of creating the second predictive model, the second predictive model is created by regularizing and learning the difference between the machine learning parameters of the first predictive model and the second predictive model.
  • a control method for a state quantity prediction system includes: A control method for a state quantity prediction system comprising a state quantity prediction device for predicting a state quantity of a plant corresponding to an input parameter and an information processing device capable of communicating with each other using a prediction model including a machine learning model and a physical model.
  • the state quantity prediction device includes: a measurement data acquisition step for acquiring measurement data of the second plant after being requested by the information processing device; Using the measurement data, create a first prediction model that corresponds to the first plant and is the prediction model in which machine learning parameters included in the machine learning model and physical parameters included in the physical model are respectively learned.
  • a state quantity prediction device for predicting a state quantity of a plant corresponding to an input parameter using a prediction model including a machine learning model and a physical model, Predictive model creation for creating the predictive model by learning machine learning parameters included in the machine learning model and physical parameters included in the physical model using learning data acquired in the plant Department and a state quantity prediction unit for predicting the state quantity of the plant using the prediction model; Equipped with The predictive model creation unit creates the predictive model by regularizing and learning the machine learning parameters of the predictive model.
  • a state quantity prediction system comprising a state quantity prediction device for predicting a state quantity of a plant corresponding to an input parameter using a prediction model including a machine learning model and a physical model, and an information processing device capable of communicating with the state quantity prediction device, the system comprising:
  • the state quantity prediction device includes: Predictive model creation for creating the predictive model by learning machine learning parameters included in the machine learning model and physical parameters included in the physical model using learning data acquired in the plant Department and a state quantity prediction unit for predicting the state quantity of the plant using the prediction model; Equipped with The predictive model creation unit creates the predictive model by regularizing and learning the machine learning parameters of the predictive model.
  • state quantity prediction methods include: A state quantity prediction method for predicting a state quantity of a plant corresponding to an input parameter using a prediction model including a machine learning model and a physical model, the method comprising: creating the predictive model by learning machine learning parameters included in the machine learning model and physical parameters included in the physical model using learning data acquired in the plant; predicting the state quantity of the plant using the prediction model; Equipped with In the step of creating the predictive model, the predictive model is created by regularizing and learning the machine learning parameters of the predictive model.
  • a control method for a state quantity prediction system includes: A control method for a state quantity prediction system comprising a state quantity prediction device for predicting a state quantity of a plant corresponding to an input parameter and an information processing device capable of communicating with each other using a prediction model including a machine learning model and a physical model.
  • the state quantity prediction device includes: After the request from the information processing device, the machine learning parameters included in the machine learning model and the physical parameters included in the physical model are learned by using learning data acquired in the plant.
  • a predictive model creation unit for creating a predictive model; a state quantity prediction unit for predicting the state quantity of the plant using the prediction model; Equipped with The predictive model creation unit creates the predictive model by regularizing and learning the machine learning parameters of the predictive model.
  • a state in which a state quantity can be predicted with high accuracy while suppressing costs using a prediction model obtained by adjusting a learned prediction model corresponding to another plant A quantity prediction device, a state quantity prediction method, a state quantity prediction system, and a control method for a state quantity prediction system can be provided.
  • FIG. 1 is a block diagram showing the configuration of a state quantity prediction device according to an embodiment.
  • 2 is a schematic diagram showing an example of a neural network that is the machine learning model of FIG. 1.
  • FIG. FIG. 3 is a block diagram showing the configuration of a state quantity prediction device according to another embodiment. It is a figure which shows the transition of the predicted value calculated based on the 2nd prediction model adjusted by the actual value of a state quantity.
  • FIG. 1 is a diagram schematically showing the configuration of a desulfurization device.
  • FIG. 1 is a block diagram showing the configuration of a state quantity prediction system according to an embodiment.
  • a state quantity prediction device 1 is a device for predicting a state quantity x of a plant corresponding to an input parameter u using a prediction model M.
  • the hardware configuration for realizing the state quantity prediction device 1 is not limited, but may include, for example, a CPU (Central Processing Unit), a RAM (Random Access Memory), a ROM (Read Only Memory), a computer-readable storage medium, etc.
  • the information processing device is configured as an information processing device. A series of processes for realizing various functions is stored in a storage medium, etc. in the form of a program, for example, and the CPU reads this program into a RAM, etc., and executes information processing and arithmetic processing. By doing so, various functions are realized.
  • program may be pre-installed in a ROM or other storage medium, provided as being stored in a computer-readable storage medium, or distributed via wired or wireless communication means. etc. may also be applied.
  • Computer-readable storage media include magnetic disks, magneto-optical disks, CD-ROMs, DVD-ROMs, semiconductor memories, and the like.
  • the prediction model M used by the state quantity prediction device 1 includes a machine learning model M N and a physical model M P.
  • a physical model M P for predicting the state quantity x of a plant in a static state is combined with a machine learning model M N for predicting the dynamic state of the plant.
  • a prediction model M is constructed.
  • the functions of the machine learning model M N and the physical model M P included in such a prediction model M are merely examples, and are not limited.
  • FIG. 1 is a block diagram showing the configuration of a state quantity prediction device 1A according to an embodiment.
  • the state quantity prediction device 1A has a prediction model M in which a machine learning model M N and a physical model M P are combined, and specifically, for calculating the first predicted value X1 using the machine learning model M N.
  • a first predicted value calculation unit 4 for calculating a second predicted value X2 using the physical model MP
  • a second predicted value calculation unit 6 for calculating the second predicted value
  • the state quantity predicted value calculation unit 8 is provided for calculating the predicted value X of the state quantity x.
  • the physical model M P is a physical model corresponding to a plant in a static state, and outputs a second predicted value X2 which is a static component of the state quantity x of the plant corresponding to an input parameter u in a static state. It is configured as follows. Such a physical model M P is generally expressed by the following equation as a relational expression between the static input parameter u and the second predicted value X2.
  • ⁇ P is at least one physical parameter included in the physical model MP , and in this embodiment, k physical parameters ⁇ P1 , ⁇ P2 , ..., ⁇ Pk (hereinafter referred to as "physical parameter ⁇ P" as appropriate) ” (k is a natural number of 1 or more).
  • f is an arbitrary function whose variables are the input parameter u and the physical parameter ⁇ P .
  • the machine learning model MN is a machine learning model corresponding to a plant in a dynamic state, and the first predicted value X1 is a dynamic component of the state quantity x of the plant corresponding to the input parameter u during the dynamic state. configured to output.
  • Such a machine learning model M N is configured, for example, as a neural network that shows the relationship between a dynamic input parameter u and a first predicted value X1 that is a dynamic component of the state quantity x of the plant.
  • FIG. 2 is a schematic diagram showing an example of a neural network that is the machine learning model M N of FIG. 1.
  • This neural network includes an input layer 12 having a plurality of nodes into which a plurality of input parameters u1, u2, . It includes an intermediate layer 13 (hidden layer) that includes a plurality of nodes between an input layer 12 and an output layer 14. Each node of the intermediate layer 13 has machine learning parameters ⁇ N1 , ⁇ N2 , . Set.
  • the first predicted value calculation unit 4 calculates the first predicted value X1 by giving the input parameter u to the machine learning model MN .
  • the second predicted value calculation unit 6 calculates the second predicted value X2 by giving the input parameter u to the physical model MP .
  • the state quantity predicted value calculation unit 8 calculates the first predicted value X1 calculated by the first predicted value calculation unit 4 corresponding to the dynamic component of the state quantity x, and the second predicted value X1 corresponding to the static component of the state quantity x. Based on the second predicted value X2 calculated by the predicted value calculation unit 6, a predicted value X of the state quantity x is calculated. In this way, the state quantity prediction device 1A can obtain the predicted value X of the state quantity x including a dynamic component and a static component.
  • the machine learning parameter ⁇ N and the physical parameter ⁇ P included in the prediction model M are determined by learning using learning data (hereinafter, the machine learning parameter ⁇ N and the physical parameter ⁇ P are collectively referred to as (in this case, it is appropriately referred to as "learning parameter ⁇ ").
  • learning parameter ⁇ initial values ⁇ N0 and ⁇ P0 are given to the machine learning parameter ⁇ N and physical parameter ⁇ P , respectively, and, for example, the evaluation function F1 defined by the following equation is minimized.
  • X' is a true value (for example, a measured value) corresponding to the predicted value X' included in the learning data.
  • the above-mentioned state quantity prediction device 1A uses the prediction model M to predict the state quantity x, but in order to obtain the prediction model M with good prediction accuracy, the learning data used for learning the prediction model M must be The premise is that you have acquired a sufficient amount. Therefore, for example, in a plant for which sufficient training data cannot be acquired, the prediction accuracy of the prediction model M obtained through learning may decrease. In order to solve this problem, it may be possible to add sensors or the like to the plant to acquire sufficient learning data, but this is disadvantageous in terms of cost. In order to solve such problems, in the next embodiment, the learned first prediction model M1 corresponding to the first plant P1 for which sufficient learning data can be acquired is adjusted. By obtaining the second prediction model M2 corresponding to the second plant P2, which is different from the above, it becomes possible to predict the state quantity x in the second plant P2.
  • FIG. 3 is a block diagram showing the configuration of a state quantity prediction device 1B according to another embodiment.
  • the state quantity prediction device 1B is a device for predicting the state quantity x of the second plant P2, and includes a first prediction model storage unit 15, a measurement data acquisition unit 16, a second prediction model creation unit 17, and a state quantity prediction unit 18.
  • the first prediction model storage unit 15 is configured to store a first prediction model M1 corresponding to a first plant P1 different from the second plant P2 that is a prediction target of the state quantity prediction device 1B.
  • the first predictive model M1 is the aforementioned predictive model M corresponding to the first plant P1, and is a predictive model that includes a machine learning model M N and a physical model M P , as illustrated in FIG.
  • the first plant P1 it is possible to acquire sufficient operation data as learning data for learning the first prediction model M1, and the first prediction model M1 uses such sufficient operation data as learning data. Through learning, it is constructed to have sufficient prediction accuracy.
  • the first predictive model M1 constructed in this way is readably stored in the first predictive model storage unit 15.
  • first plant P1 and the second plant P2 are similar to each other. Whether or not the first plant P1 and the second plant P2 are similar can be determined by, for example, the degree of similarity between the equipment configuration of the plants, the specifications of each equipment, state quantities obtained as other than learning data (the configuration of sensors installed in the plant), etc. ) can be judged by comprehensively considering the degree of similarity between the two.
  • the measurement data acquisition unit 16 is configured to acquire operational data as measurement data Dm from the second plant P2, which is a prediction target of the state quantity prediction device 1B.
  • the second plant P2 is equipped with measuring equipment for measuring operational data, but due to differences in the type of measuring equipment installed in each plant, the control method, etc., the state quantity x There is a restriction that it is not possible to acquire a sufficient number of data regarding the actual measured value ).
  • the second prediction model creation unit 17 uses the measurement data Dm of the second plant P2 acquired by the measurement data acquisition unit 16 to adjust the first prediction model M1 read from the first prediction model storage unit 15. , is a configuration for creating a second prediction model M2 corresponding to the second plant P2. Creation of the second prediction model M2 involves learning parameters ⁇ (the above-mentioned machine learning parameters ⁇ N and physical This is done by finely adjusting the parameter ⁇ P ). In each plant, the relationship between the input parameter u and the predicted value In plant P2, the prediction model M is relatively close. Therefore, the second prediction model creation unit 17 finely adjusts the first prediction model M1 corresponding to the learned first plant P1 using sufficient learning data, so that the actual measured value X' of the state quantity x is sufficiently adjusted. A second prediction model M2 corresponding to the second plant P2 for which acquisition of learning data is difficult is created.
  • This evaluation function F2 includes a first term similar to the above-described evaluation function F1 (see equation (1) above) and a second term that is a regular term.
  • the second term is expressed as the 2-norm of the difference between the machine learning parameters ⁇ N of the first prediction model M1 and the second prediction model M2, and is added to the first term using the weighting coefficient ⁇ .
  • the evaluation function F2 by restricting the degree of freedom for learning the machine learning parameter ⁇ N of the prediction model M including the machine learning model M N and the physical model M P , the actual measurement of the state quantity x is performed. Even when there is little learning data for the value X', updating of the physical parameter ⁇ P is promoted and overfitting can be avoided.
  • the second predictive model creation unit 17 uses the small amount of learning data By fine-tuning the first predictive model M1 using , a reliable second predictive model M2 can be created.
  • the second predictive model creation unit 17 may set an allowable range for the physical parameter ⁇ P in learning using the evaluation function F2.
  • This allowable range can be defined in advance as a range that the physical parameter ⁇ P can take.
  • a more reliable second learning model M2 can be created. Can be created.
  • the state quantity prediction unit 18 is configured to calculate the predicted value X of the state quantity x for the second plant P2 using the second prediction model M2 created by the second prediction model creation unit 17. Specifically, as described above with reference to FIG. 1, the state quantity prediction unit 18 inputs the input parameter u, which is the operating data acquired in the second plant P2, to the second prediction model M2. As a result, the predicted value X of the corresponding state quantity x is obtained.
  • each block configuring the state quantity prediction device 1B shown in FIG. 3 may be configured as a single device, or may be configured over multiple devices.
  • the state quantity x is predicted using the configuration related to the creation of the second prediction model M2 (first prediction model storage unit 15, measurement data acquisition unit 16, second prediction model creation unit 17, etc.) and the second prediction model M2.
  • the configuration (such as the state quantity prediction unit 18) for performing the calculation may be configured as a different device.
  • the second prediction model M2 may be created in the former case, and the state quantity x may be predicted using the second prediction model M2 created in the latter case.
  • the second prediction model creation unit 17 determines that the predicted value X of the state quantity x predicted by the state quantity prediction unit 18 is the actual value X′ of the state quantity
  • the second prediction model M2 may be adjusted so that .
  • FIG. 4 is a diagram showing the transition of the predicted value X calculated based on the second prediction model M2 adjusted by the actually measured value X' of the state quantity x.
  • the second prediction model M2 is adjusted so that X′.
  • the second prediction model M2 is basically created using the above-mentioned evaluation function F2. If the type of fuel (coal type, etc.) used in the boiler attached to the boiler is changed, the prediction accuracy may decrease.
  • the operating conditions of the second plant P2 are changed by adjusting the second prediction model M2 so that the predicted value X of the state quantity x becomes the actual measured value X' every predetermined sampling period Ts. Even in this case, the reliability of the second prediction model M2 can be suitably maintained.
  • the first term indicates the sum of prediction squared errors, similar to the evaluation function F1, and the second term indicates a regular term.
  • the above equation (3) is just an example; for example, the first term is the average value obtained by dividing the first term of equation (3) by the number of evaluation data, and the second term is the second term of equation (3). It may also be an average value obtained by dividing by the number of parameters.
  • the degree of freedom of the machine learning parameter ⁇ N among the learning parameters ⁇ included in the prediction model M becomes relatively high with respect to the physical parameter ⁇ P. Therefore, in learning using the evaluation function F3, learning of the machine learning parameter ⁇ N becomes dominant, and there is a risk that problems such as learning of the physical parameter ⁇ P may not be performed appropriately or learning may not be reproducible. There is.
  • learning may be performed using the evaluation function F4 so as to regularize only the machine learning parameter ⁇ N of the learning parameters ⁇ , as shown in the following equation.
  • F4 ⁇ (X-X') 2 + ⁇ ( ⁇ Ni ) 2 (4)
  • the second term of the evaluation function F4 is expressed by adding the two norms of the machine learning parameter ⁇ N with the weighting coefficient ⁇ , but this is just an example as with the evaluation function F3 described above.
  • the first term is the average value obtained by dividing the first term in equation (4) by the number of evaluation data
  • the second term is the average value obtained by dividing the second term in equation (4) by the number of parameters. You can also use it as
  • an allowable range may be set for the physical parameter ⁇ P of the prediction model M.
  • a learning model M that can predict state quantities with higher accuracy can be obtained.
  • the prediction model M created by learning using the evaluation functions F3 and F4 described above also has a predicted value X of the state quantity x predicted using the prediction model M, as described above with reference to FIG.
  • the state quantity x may be adjusted to the actual value X' measured by equipment installed in the plant.
  • the predicted value X of the state quantity x predicted using the prediction model M is adjusted at a predetermined timing so that it becomes the actual measured value
  • the prediction accuracy of the prediction model M can be suitably maintained.
  • the state quantity prediction devices 1A and 1B having the above configuration will be explained.
  • a specific example of predicting the state quantity x of a plant a case will be described in which the absorbent concentration of the absorbent used in the absorption tower of a flue gas desulfurization plant is predicted as the state quantity x.
  • Other examples include gas turbines, steam turbines, large refrigerators, air conditioners, and the like.
  • FIG. 5 is a diagram schematically showing the configuration of the desulfurization device 20.
  • the desulfurization device 20 is installed along with a boiler (not shown) of plant equipment such as a thermal power plant, and includes a dust collector 22 that collects particulates contained in exhaust gas G0 flowing through an exhaust passage 23a of the boiler, and a dust collector. 22, an absorption tower 24 installed in an exhaust passage 23b through which exhaust gas G1 that has passed through the dust collector 22 flows.
  • the dust collector 22 performs corona discharge on the exhaust gas G0 supplied into the casing to charge the fine particles contained in the exhaust gas G0, and causes them to adhere to the positively and negatively charged adhering portions by electric attraction.
  • This is an electric precipitator that collects dust by The exhaust gas G1 subjected to dust collection processing by the dust collector 22 is supplied to the absorption tower 24 via the exhaust passage 23b.
  • the absorption tower 24 absorbs SO 2 (sulfur dioxide) in the exhaust gas G1 by bringing an absorption liquid 26 containing limestone 30 into contact with the exhaust gas G1 that has been subjected to dust collection processing in the dust collector 22. , perform desulfurization treatment.
  • Absorption liquid 26 is stored at the bottom of absorption tower 24 .
  • the absorption liquid 26 is generated by mixing limestone 30 supplied from a limestone feeder 28 provided outside the absorption tower 24 with water 32 supplied to the bottom of the absorption tower 24 .
  • the absorption liquid 26 is generated by supplying limestone 30 to water 32 from the limestone feeder 28, but instead of this, limestone slurry containing limestone is supplied to water 32.
  • the absorption liquid 26 may be generated by supplying the liquid.
  • the absorption liquid 26 stored at the bottom of the absorption tower 24 is pumped by an absorption liquid circulation pump 34, and is supplied to the upper part of the absorption tower 24 through an absorption liquid circulation pipe 36 provided outside the absorption tower 24. Ru.
  • the absorption liquid circulation pump 34 is composed of a plurality of pump units connected in parallel to each other, and the operating state of each pump unit is controlled. For example, if the pump unit is of a variable capacity type (moving blade type), the flow rate of the absorption liquid 26 pumped from the absorption liquid circulation pump 34 can be controlled by variably adjusting the capacity of each pump unit.
  • the flow rate of the absorption liquid 26 pumped from the absorption liquid circulation pump 34 can be controlled by adjusting the number of operating pump units.
  • the absorption liquid 26 supplied to the upper part of the absorption tower 24 comes into contact with the exhaust gas G1 rising inside the absorption tower 24 in the process of being sprayed from the nozzle 38 provided at the upper part of the absorption tower 24 and falling. do. Thereby, SO 2 contained in the exhaust gas G1 reacts with the limestone 30 in the absorption liquid 26, and a desulfurization process is performed.
  • the method of dispersing and dropping the absorption liquid 26 from the nozzle 38 may be a grid method, a liquid column method, or a spray method.
  • the following formula (5) is a chemical reaction formula for the desulfurization treatment carried out in the absorption tower 24.
  • limestone 30 and SO 2 contained in the exhaust gas G1 react to generate gypsum 34 (CaCO 4 .2H 2 O) as a byproduct.
  • the exhaust gas G2 from which SO 2 has been removed is discharged from the top of the absorption tower 24 to the outside via the desulfurization exhaust gas pipe 25.
  • a part of the absorption liquid 26 stored at the bottom of the absorption tower 24 is pumped by an absorption liquid circulation pump 34 and passes through an extraction pipe 40 branched from an absorption liquid circulation pipe 36 outside the absorption tower 24 to a dehydrator.
  • Sent to 42 The dehydrator 42 is composed of, for example, a belt filter, dehydrates the absorbent liquid 26 while being conveyed by the belt filter, and discharges the generated gypsum 34 to the outside of the system. Note that the filtrate produced by the dehydration process in the dehydrator 42 is reused by being supplied to the bottom of the absorption tower 24 as water 32.
  • oxidizing air 46 is supplied to the bottom of the absorption tower 24 .
  • the oxidizing air 46 is included in the absorption liquid 26, which promotes the oxidation of sulfite groups generated by transferring from the SO2 exhaust gas into the absorption liquid 26 into sulfuric acid groups, and as a result, the SO 2 in the exhaust gas is reduced. Removal efficiency is also improved. Note that when the method of spraying and dropping the absorption liquid 26 from the nozzle 38 is a grid type, the supply of the oxidizing air 46 may be omitted because the absorption liquid 26 is oxidized in the process of falling.
  • At least one sensor that can be selected as the input parameter u described above is arranged in such a desulfurization device 20.
  • a boiler air flow rate sensor 56 for detecting the boiler air flow rate u5 [%], and a concentration u6 of the limestone slurry generated in the absorption tower 24 (a limestone slurry sensor 56 for detecting the concentration [wt%] of the limestone slurry in the absorption tower 24).
  • the detected values of these sensors is input to the control device 200, which is a control unit of the desulfurization device 20, so that the control device 200 controls each part of the desulfurization device 20.
  • a power generation command signal u4 for a generator (not shown) that generates power using steam generated by a boiler (not shown) can also be obtained as an input parameter u.
  • At least one of the detected values of each of these sensors is inputted as the input parameter u to the state quantity prediction devices 1A and 1B, and the state quantity prediction devices 1A and 1B input the detected value as the state quantity x in the absorption tower 24. Predict the absorbent (calcium carbonate) concentration [mmol/L].
  • various parameters related to the desulfurization device 20 can be used as the physical parameter ⁇ P of the physical model M.
  • the state quantity prediction devices 1A and 1B having such a configuration are connected to each sensor disposed in the desulfurization device 20 via a network, so that the results detected by each sensor are used as input parameters u. Can be obtained. Thereby, the state quantity prediction device 1 can predict the absorbent (calcium carbonate) concentration [mmol/L] as the state quantity x corresponding to the input parameter u, and can utilize it for the operation of the desulfurization device 20.
  • FIG. 6 is a block diagram showing the configuration of a state quantity prediction system according to an embodiment.
  • the information processing device 70 includes a display unit 71 that displays the predicted value X calculated by the state quantity prediction device 1A or the state quantity prediction device 1B. Further, the information processing device 70 may be configured to execute each process in the state quantity prediction device 1A or the state quantity prediction device 1B in response to a request from the information processing device 70 according to instructions inputted through the display unit 71. good.
  • a state quantity prediction device includes: A state quantity prediction device for predicting a state quantity of a plant corresponding to an input parameter using a prediction model including a machine learning model and a physical model, A first prediction for storing a first prediction model that corresponds to a first plant and is the prediction model in which machine learning parameters included in the machine learning model and physical parameters included in the physical model are respectively learned.
  • a model storage section a measurement data acquisition unit for acquiring measurement data of the second plant; a second predictive model creation unit for creating a second predictive model that is the predictive model corresponding to the second plant by adjusting the first predictive model using the measurement data; a state quantity prediction unit for predicting the state quantity of the second plant using the second prediction model; Equipped with The second predictive model creation unit creates the second predictive model by regularizing and learning the difference between the machine learning parameters of the first predictive model and the second predictive model.
  • the second prediction model corresponding to the second plant can be created by adjusting the first prediction model corresponding to the first plant.
  • Such adjustment of the prediction model is performed by regularizing and learning the difference between the machine learning parameters of the first prediction model and the second prediction model. For example, even if only a small number of second measurement data can be obtained through simple measurements in a second plant, by restricting the degree of freedom in learning machine learning parameters and promoting the updating of physical parameters, it is possible to Therefore, a reliable second prediction model can be created.
  • the second prediction model created in this way it is possible to predict state quantities with high accuracy even in the second plant where it is difficult to obtain sufficient measurement data.
  • the second predictive model creation unit creates the second predictive model by performing transfer learning so that a loss function including a difference between the machine learning parameters of the first predictive model and the second predictive model is minimized. do.
  • the machine learning parameters can be learned freely by performing transfer learning so that the loss function including the magnitude of the difference between the machine learning parameters of the first prediction model and the second learning model is minimized. This allows learning to be regularized to prevent the degree from becoming excessively large.
  • the second predictive model creation unit sets an allowable range for the physical parameters of the first predictive model and the second predictive model.
  • the second learning model is capable of predicting state quantities with higher accuracy by setting tolerance ranges for physical parameters during learning and limiting the degree of freedom in learning physical parameters. is obtained.
  • the second predictive model creation unit adjusts the second predictive model so that the predicted value of the state quantity predicted by the state quantity prediction unit becomes the actual measured value of the state quantity.
  • the plant is a flue gas desulfurization plant for desulfurizing the flue gas by bringing an absorption liquid into contact with the flue gas in an absorption tower,
  • the state quantity is the absorbent concentration of the absorption liquid in the absorption tower.
  • the absorbent concentration of the absorption liquid in the absorption tower provided in the flue gas desulfurization plant can be suitably predicted as a state quantity.
  • the input parameters include the SO2 concentration at the desulfurization outlet of the absorption tower, the SO2 concentration at the desulfurization inlet of the absorption tower, the flow rate or concentration of limestone slurry produced in the absorption tower, and the steam produced in the boiler that discharges the flue gas.
  • the absorbent concentration of the absorbent in the absorption tower provided in the flue gas desulfurization plant can be suitably predicted as a state quantity.
  • a state quantity prediction system includes: A state quantity prediction system comprising a state quantity prediction device for predicting a state quantity of a plant corresponding to an input parameter using a prediction model including a machine learning model and a physical model, and an information processing device capable of communicating with the state quantity prediction device, the system comprising:
  • the state quantity prediction device includes: A first prediction for storing a first prediction model that corresponds to a first plant and is the prediction model in which machine learning parameters included in the machine learning model and physical parameters included in the physical model are respectively learned.
  • a model storage section a measurement data acquisition unit for acquiring measurement data of the second plant after being requested by the information processing device; a second predictive model creation unit for creating a second predictive model that is the predictive model corresponding to the second plant by adjusting the first predictive model using the measurement data; a state quantity prediction unit for predicting the state quantity of the second plant using the second prediction model; Equipped with The second predictive model creation unit creates the second predictive model by regularizing and learning the difference between the machine learning parameters of the first predictive model and the second predictive model.
  • a state quantity prediction system includes an information processing device that can communicate with the state quantity prediction device according to each of the above-mentioned aspects.
  • the state quantity prediction device predicts the state quantity of the second plant as described above in response to a request from the information processing device, and the prediction result can be obtained by the information processing device.
  • a state quantity prediction method for predicting a state quantity of a plant corresponding to an input parameter using a prediction model including a machine learning model and a physical model, the method comprising: storing a first predictive model that corresponds to a first plant and is the predictive model in which machine learning parameters included in the machine learning model and physical parameters included in the physical model are respectively learned; a step of acquiring measurement data of the second plant; creating a second predictive model that is the predictive model corresponding to the second plant by adjusting the first predictive model using the measurement data; predicting the state quantity of the second plant using the second prediction model; Equipped with In the step of creating the second predictive model, the second predictive model is created by regularizing and learning the difference between the machine learning parameters of the first predictive model and the second predictive model.
  • the second prediction model corresponding to the second plant can be created by adjusting the first prediction model corresponding to the first plant.
  • Such adjustment of the prediction model is performed by regularizing and learning the difference between the machine learning parameters of the first prediction model and the second prediction model. For example, even if only a small number of second measurement data can be obtained through simple measurements in a second plant, by restricting the degree of freedom in learning machine learning parameters and promoting the updating of physical parameters, it is possible to Therefore, a reliable second prediction model can be created.
  • the second prediction model created in this way it is possible to predict state quantities with high accuracy even in the second plant where it is difficult to obtain sufficient measurement data.
  • a control method for a state quantity prediction system includes: A control method for a state quantity prediction system comprising a state quantity prediction device for predicting a state quantity of a plant corresponding to an input parameter and an information processing device capable of communicating with each other using a prediction model including a machine learning model and a physical model.
  • the state quantity prediction device includes: a measurement data acquisition step for acquiring measurement data of the second plant after being requested by the information processing device; Using the measurement data, create a first prediction model that corresponds to the first plant and is the prediction model in which machine learning parameters included in the machine learning model and physical parameters included in the physical model are respectively learned.
  • a state quantity prediction system including an information processing device that can communicate with the state quantity prediction device according to each of the above-described aspects is controlled.
  • the state quantity prediction device predicts the state quantity of the second plant as described above by implementing the state quantity prediction method in response to a request from the information processing device, and the prediction result can be obtained by the information processing device. .
  • a state quantity prediction device includes: A state quantity prediction device for predicting a state quantity of a plant corresponding to an input parameter using a prediction model including a machine learning model and a physical model, Predictive model creation for creating the predictive model by learning machine learning parameters included in the machine learning model and physical parameters included in the physical model using learning data acquired in the plant Department and a state quantity prediction unit for predicting the state quantity of the plant using the prediction model; Equipped with The predictive model creation unit creates the predictive model by regularizing and learning the machine learning parameters of the predictive model.
  • the predictive model when learning a predictive model using learning data acquired in a plant, the predictive model is created by regularizing and learning the machine learning parameters of the predictive model. will be held.
  • a predictive model when a predictive model is trained using a small amount of training data, learning of machine learning parameters becomes dominant, and physical parameter learning may not be performed appropriately.
  • regularization is performed to prevent machine learning parameters from becoming excessively large, thereby limiting the degree of freedom of machine learning parameters. Updating of physical parameters is promoted, overfitting is avoided and a highly accurate predictive model can be obtained.
  • the predictive model creation unit performs learning so that a loss function including the magnitude of the machine learning parameter of the predictive model is minimized.
  • the predictive model creation unit sets an allowable range for the physical parameter during learning.
  • the prediction model creation unit adjusts the prediction model so that the predicted value of the state quantity predicted by the state quantity prediction unit becomes the actual measured value of the state quantity.
  • the prediction model by adjusting the prediction model so that the predicted value of the state quantity predicted by the prediction model becomes the actual measured value, the prediction model can be adjusted even when the operating conditions of the plant change. Prediction accuracy can be suitably maintained.
  • the plant is a flue gas desulfurization plant for desulfurizing the flue gas by bringing an absorption liquid into contact with the flue gas in an absorption tower,
  • the state quantity is the absorbent concentration of the absorption liquid in the absorption tower.
  • the absorbent concentration of the absorption liquid in the absorption tower included in the flue gas desulfurization plant can be suitably predicted as a state quantity.
  • the input parameters include the SO2 concentration at the desulfurization outlet of the absorption tower, the SO2 concentration at the desulfurization inlet of the absorption tower, the flow rate or concentration of limestone slurry produced in the absorption tower, and the steam produced in the boiler that discharges the flue gas.
  • the absorbent concentration of the absorbent in the absorption tower provided in the flue gas desulfurization plant can be suitably predicted as a state quantity.
  • a state quantity prediction system includes: A state quantity prediction system comprising a state quantity prediction device for predicting a state quantity of a plant corresponding to an input parameter using a prediction model including a machine learning model and a physical model, and an information processing device capable of communicating with the state quantity prediction device, the system comprising:
  • the state quantity prediction device includes: Predictive model creation for creating the predictive model by learning machine learning parameters included in the machine learning model and physical parameters included in the physical model using learning data acquired in the plant Department and a state quantity prediction unit for predicting the state quantity of the plant using the prediction model; Equipped with The predictive model creation unit creates the predictive model by regularizing and learning the machine learning parameters of the predictive model.
  • a state quantity prediction system includes an information processing device that can communicate with the state quantity prediction device according to each of the above-described aspects.
  • the state quantity prediction device predicts the state quantity of the plant as described above in response to a request from the information processing apparatus, and the prediction result can be obtained by the information processing apparatus.
  • a state quantity prediction method includes: A state quantity prediction method for predicting a state quantity of a plant corresponding to an input parameter using a prediction model including a machine learning model and a physical model, the method comprising: creating the predictive model by learning machine learning parameters included in the machine learning model and physical parameters included in the physical model using learning data acquired in the plant; predicting the state quantity of the plant using the prediction model; Equipped with In the step of creating the predictive model, the predictive model is created by regularizing and learning the machine learning parameters of the predictive model.
  • the predictive model when learning a predictive model using learning data acquired in a plant, the predictive model is trained by regularizing the machine learning parameters of the predictive model. Creation takes place.
  • a predictive model when a predictive model is trained using a small amount of training data, learning of machine learning parameters becomes dominant, and physical parameter learning may not be performed appropriately.
  • regularization is performed to prevent machine learning parameters from becoming excessively large, thereby limiting the degree of freedom of machine learning parameters. Updating of physical parameters is promoted, overfitting is avoided and a highly accurate predictive model can be obtained.
  • a control method for a state quantity prediction system includes: A control method for a state quantity prediction system comprising a state quantity prediction device for predicting a state quantity of a plant corresponding to an input parameter and an information processing device capable of communicating with each other using a prediction model including a machine learning model and a physical model.
  • the state quantity prediction device includes: After the request from the information processing device, the machine learning parameters included in the machine learning model and the physical parameters included in the physical model are learned by using learning data acquired in the plant.
  • a predictive model creation unit for creating a predictive model; a state quantity prediction unit for predicting the state quantity of the plant using the prediction model; Equipped with The predictive model creation unit creates the predictive model by regularizing and learning the machine learning parameters of the predictive model.
  • a state quantity prediction system including an information processing device that can communicate with the state quantity prediction device according to each of the above-described aspects is controlled.
  • the state quantity prediction device predicts the state quantity of the plant as described above by implementing the state quantity prediction method in response to a request from the information processing device, and the prediction result can be obtained by the information processing device.
  • Second prediction model creation unit 18 State quantity prediction unit 20 Desulfurization device 22 Dust collectors 23a, 23b Exhaust passage 24 Absorption tower 25 Desulfurization exhaust gas pipe 26 Absorption liquid 28 Limestone feeder 30 Limestone 32 Water 34 Absorption liquid circulation pump 36 Absorption Liquid circulation piping 38 Nozzle 40 Extraction pipe 42 Dehydrator 46 Oxidizing air 50, 52, 58 Concentration sensor 54 Flow sensor 56 Boiler air flow sensor 60 Oxidizing air flow sensor 62 Sensor 64 Level sensor DE Neural ⁇ Dm Measured data M Prediction model M1 First prediction model M2 Second prediction model M P Physical model M N Machine learning model P1 First plant P2 Second plant u Input parameter x State quantity

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • General Chemical & Material Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Biomedical Technology (AREA)
  • Analytical Chemistry (AREA)
  • Health & Medical Sciences (AREA)
  • Oil, Petroleum & Natural Gas (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Treating Waste Gases (AREA)
  • Feedback Control In General (AREA)

Abstract

状態量予測装置は、機械学習モデル及び物理モデルを含む予測モデルを用いて、入力パラメータに対応するプラントの状態量を予測する。本装置は、第１プラントに対応する第１予測モデルを記憶し、当該第１予測モデルを第２プラントの計測データを用いて調整することで、第２プラントに対応する第２予測モデルを作成し、第２予測モデルを用いて第２プラントの状態量を予測する。第２予測モデルの作成は、第１予測モデル及び第２予測モデルの機械学習パラメータの差分に正則化を施して学習することにより行われる。

Description

状態量予測装置、状態量予測方法、状態量予測システム、及び状態量予測システムの制御方法
　本開示は、状態量予測装置、状態量予測方法、状態量予測システム、及び状態量予測システムの制御方法に関する。
　本願は、２０２２年５月２６日に日本国特許庁に出願された特願２０２２－０８６１４６号に基づき優先権を主張し、その内容をここに援用する。
　プラントのような機器では、監視、制御又は異常判定などを目的として、数値モデルを用いた演算によって状態量を予測することがある。この種の数値モデルには、例えば、物理的な知見から導出した静的な平衡式や状態方程式等に基づく物理モデルや、ニューラルネットワークや重回帰分析等を利用した機械学習モデルのような統計モデルがある。
　数値モデルとして物理モデルを用いる場合、物理モデルは真の予測式が線形であると仮定して線形化等の近似を行う、或いは、例えば静定時などの運転条件を仮定してモデル化するものもあるが、このような物理モデルでは、仮定された前提条件が満たされない場合に予測誤差が大きくなってしまうおそれがある。また機械学習モデルのような統計モデルでは、モデルを構築する際に用いられる学習データの外挿領域において予測誤差が大きくなるおそれがある。そこで特許文献１では、物理モデルで導出した状態量と実測量との偏差を機械学習で学習することにより、物理モデルで予測した状態量の誤差を機械学習モデルで補正する予測手法が提案されている。この手法は、いわば物理モデルと機械学習モデルとを組合せた予測手法であるが、機械学習モデルにおいて予測対象である状態量の動特性が考慮されていない。そのため状態量が動特性を有する対象に対して、十分な予測精度が得られないおそれがある。
　このような動特性に関する課題に対する解決手法の一つとして、機械学習手法として、Ｒｅｃｕｒｒｅｎｔ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ（ＲＮＮ）を導入することが考えられる。一方で、微分構造を導入した連続表現型ニューラルネットワークであるニューラルОＤＥ（Ｎｅｕｒａｌ　Ｏｒｄｉｎａｒｙ　Ｄｉｆｆｅｒｅｎｔｉａｌ　Ｅｑｕａｔｉｏｎ）では、ＲＮＮと比較してメモリ効率が高く、時間的に連続なモデルを扱えるメリットがある。非特許文献１では、ニューラルОＤＥと既知の微分方程式を組み合わせることにより、予測精度を向上可能な予測手法が開示されている。
特許第２８８２２３２号公報
Ｍａｎｕｅｌ　Ａ．Ｒｏｅｈｒｌ，　Ｍｏｄｅｌｉｎｇ　Ｓｙｓｔｅｍ　Ｄｙｎａｍｉｃｓ　ｗｉｔｈ　Ｐｈｙｓｉｃｓ　Ｉｎｆｏｒｍｅｄ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋｓ　Ｂａｓｅｄ　ｏｎ　Ｌａｇｒａｎｇｉａｎ　Ｍｅｃｈａｎｉｃｓ，　ＩＦＡＣ，　２０２０
　上記特許文献１及び非特許文献１のように、機械学習モデル及び物理モデルを組み合わせた予測モデルを用いて状態量の予測を行う場合、予測モデルは、予測対象であるプラントで取得された学習データを用いて学習することで、機械学習モデルに含まれる機械学習パラメータや、物理モデルに含まれる物理パラメータを決定する。このような予測モデルの学習に用いられる学習データは、予測対象となるプラントに設置されたセンサ等の計測装置によって得られる計測データが利用される。
　ここで、学習データとして利用可能な計測データを得るためのセンサが設置されていないプラントについて、状態量を予測するための予測モデルを学習しようとする場合、新たに学習データを取得するためのセンサ等を設置することは、コスト的に不利である。この場合、他の類似するプラントにおいて過去に学習データを用いて学習済の予測モデルが得られている場合、当該他のプラントに対応する予測モデルを、センサ等が未設置のプラントに対応する予測モデルとして利用することが考えられる。但し、プラントには固有特性があるため、他のプラントの予測モデルをそのまま利用すると予測精度が低下してしまい、予測モデルの微調整が必要となる。
　本開示の少なくとも一実施形態は上述の事情に鑑みなされたものであり、他のプラントに対応する学習済の予測モデルを調整することで得られた予測モデルを用いて、コストを抑えつつ、精度よく状態量を予測可能な状態量予測装置、状態量予測方法、状態量予測システム、及び状態量予測システムの制御方法を提供することを目的とする。
　本開示の幾つかの実施形態に係る状態量予測装置は、上記課題を解決するために、
　機械学習モデル及び物理モデルを含む予測モデルを用いて、入力パラメータに対応するプラントの状態量を予測するための状態量予測装置であって、
　第１プラントに対応し、前記機械学習モデルに含まれる機械学習パラメータ、及び、前記物理モデルに含まれる物理パラメータがそれぞれ学習された前記予測モデルである第１予測モデルを記憶するための第１予測モデル記憶部と、
　第２プラントの計測データを取得するための計測データ取得部と、
　前記計測データを用いて前記第１予測モデルを調整することにより、前記第２プラントに対応する前記予測モデルである第２予測モデルを作成するための第２予測モデル作成部と、
　前記第２予測モデルを用いて、前記第２プラントの前記状態量を予測するための状態量予測部と、
を備え、
　前記第２予測モデル作成部は、前記第１予測モデル及び前記第２予測モデルの前記機械学習パラメータの差分に正則化を施して学習することにより、前記第２予測モデルを作成する。
　本開示の幾つかの実施形態に係る状態量予測システムは、上記課題を解決するために、
　機械学習モデル及び物理モデルを含む予測モデルを用いて、入力パラメータに対応するプラントの状態量を予測するための状態量予測装置と通信可能な情報処理装置からなる状態量予測システムであって、
　前記状態量予測装置は、
　第１プラントに対応し、前記機械学習モデルに含まれる機械学習パラメータ、及び、前記物理モデルに含まれる物理パラメータがそれぞれ学習された前記予測モデルである第１予測モデルを記憶するための第１予測モデル記憶部と、
　前記情報処理装置から要求された後、第２プラントの計測データを取得するための計測データ取得部と、
　前記計測データを用いて前記第１予測モデルを調整することにより、前記第２プラントに対応する前記予測モデルである第２予測モデルを作成するための第２予測モデル作成部と、
　前記第２予測モデルを用いて、前記第２プラントの前記状態量を予測するための状態量予測部と、
を備え、
　前記第２予測モデル作成部は、前記第１予測モデル及び前記第２予測モデルの前記機械学習パラメータの差分に正則化を施して学習することにより、前記第２予測モデルを作成する。
　本開示の幾つかの実施形態に係る状態量予測方法は、上記課題を解決するために、
　機械学習モデル及び物理モデルを含む予測モデルを用いて、入力パラメータに対応するプラントの状態量を予測するための状態量予測方法であって、
　第１プラントに対応し、前記機械学習モデルに含まれる機械学習パラメータ、及び、前記物理モデルに含まれる物理パラメータがそれぞれ学習された前記予測モデルである第１予測モデルを記憶するステップと、
　第２プラントの計測データを取得するステップと、
　前記計測データを用いて前記第１予測モデルを調整することにより、前記第２プラントに対応する前記予測モデルである第２予測モデルを作成するステップと、
　前記第２予測モデルを用いて、前記第２プラントの前記状態量を予測するステップと、
を備え、
　前記第２予測モデルを作成するステップでは、前記第１予測モデル及び前記第２予測モデルの前記機械学習パラメータの差分に正則化を施して学習することにより、前記第２予測モデルを作成する。
　本開示の幾つかの実施形態に係る状態量予測システムの制御方法は、上記課題を解決するために、
　機械学習モデル及び物理モデルを含む予測モデルを用いて、入力パラメータに対応するプラントの状態量を予測するための状態量予測装置と通信可能な情報処理装置からなる状態量予測システムの制御方法であって、
　前記状態量予測装置は、
　前記情報処理装置から要求された後、第２プラントの計測データを取得するための計測データ取得ステップと、
　前記計測データを用いて、第１プラントに対応し、前記機械学習モデルに含まれる機械学習パラメータ、及び、前記物理モデルに含まれる物理パラメータがそれぞれ学習された前記予測モデルである第１予測モデルを記憶するための第１予測モデル記憶部に記憶された前記第１予測モデルを調整することにより、前記第２プラントに対応する前記予測モデルである第２予測モデルを作成するための第２予測モデル作成ステップと、
　前記第２予測モデルを用いて、前記第２プラントの前記状態量を予測するための状態量予測ステップと、
を実行し、
　前記第２予測モデル作成ステップは、前記第１予測モデル及び前記第２予測モデルの前記機械学習パラメータの差分に正則化を施して学習することにより、前記第２予測モデルを作成する。
　本開示の幾つかの実施形態に係る状態量予測装置は、上記課題を解決するために、
　機械学習モデル及び物理モデルを含む予測モデルを用いて、入力パラメータに対応するプラントの状態量を予測するための状態量予測装置であって、
　前記機械学習モデルに含まれる機械学習パラメータ、及び、前記物理モデルに含まれる物理パラメータを、前記プラントで取得された学習データを用いて学習することにより、前記予測モデルを作成するための予測モデル作成部と、
　前記予測モデルを用いて、前記プラントの前記状態量を予測するための状態量予測部と、
を備え、
　前記予測モデル作成部は、前記予測モデルのうち前記機械学習パラメータに正則化を施して学習することにより、前記予測モデルを作成する。
　本開示の幾つかの実施形態に係る状態量予測システムは、上記課題を解決するために、
　機械学習モデル及び物理モデルを含む予測モデルを用いて、入力パラメータに対応するプラントの状態量を予測するための状態量予測装置と通信可能な情報処理装置からなる状態量予測システムであって、
　前記状態量予測装置は、
　前記機械学習モデルに含まれる機械学習パラメータ、及び、前記物理モデルに含まれる物理パラメータを、前記プラントで取得された学習データを用いて学習することにより、前記予測モデルを作成するための予測モデル作成部と、
　前記予測モデルを用いて、前記プラントの前記状態量を予測するための状態量予測部と、
を備え、
　前記予測モデル作成部は、前記予測モデルのうち前記機械学習パラメータに正則化を施して学習することにより、前記予測モデルを作成する。
　本開示の幾つかの実施形態に係る状態量予測方法は、上記課題を解決するために、
　機械学習モデル及び物理モデルを含む予測モデルを用いて、入力パラメータに対応するプラントの状態量を予測するための状態量予測方法であって、
　前記機械学習モデルに含まれる機械学習パラメータ、及び、前記物理モデルに含まれる物理パラメータを、前記プラントで取得された学習データを用いて学習することにより、前記予測モデルを作成するステップと、
　前記予測モデルを用いて、前記プラントの前記状態量を予測するステップと、
を備え、
　前記予測モデルを作成するステップでは、前記予測モデルのうち前記機械学習パラメータに正則化を施して学習することにより、前記予測モデルを作成する。
　本開示の幾つかの実施形態に係る状態量予測システムの制御方法は、上記課題を解決するために、
　機械学習モデル及び物理モデルを含む予測モデルを用いて、入力パラメータに対応するプラントの状態量を予測するための状態量予測装置と通信可能な情報処理装置からなる状態量予測システムの制御方法であって、
　前記状態量予測装置は、
　前記情報処理装置からの要求の後、前記機械学習モデルに含まれる機械学習パラメータ、及び、前記物理モデルに含まれる物理パラメータを、前記プラントで取得された学習データを用いて学習することにより、前記予測モデルを作成するための予測モデル作成部と、
　前記予測モデルを用いて、前記プラントの前記状態量を予測するための状態量予測部と、
を備え、
　前記予測モデル作成部は、前記予測モデルのうち前記機械学習パラメータに正則化を施して学習することにより、前記予測モデルを作成する。
　本開示の少なくとも一実施形態によれば、他のプラントに対応する学習済の予測モデルを調整することで得られた予測モデルを用いて、コストを抑えつつ、精度よく状態量を予測可能な状態量予測装置、状態量予測方法、状態量予測システム、及び状態量予測システムの制御方法を提供できる。
一実施形態に係る状態量予測装置の構成を示すブロック図である。 図１の機械学習モデルであるニューラルネットワークの一例を示す模式図である。 他の実施形態に係る状態量予測装置の構成を示すブロック図である。 状態量の実測値によって調整された第２予測モデルに基づいて算出される予測値の推移を示す図である。 脱硫装置の構成を概略的に示す図である。 一実施形態に係る状態量予測システムの構成を示すブロック図である。
　以下、添付図面を参照して本発明の幾つかの実施形態について説明する。ただし、実施形態として記載されている又は図面に示されている構成等は、本発明の範囲をこれに限定する趣旨ではなく、単なる説明例にすぎない。
　本開示の少なくとも一実施形態に係る状態量予測装置１は、予測モデルＭを用いて、入力パラメータｕに対応するプラントの状態量ｘを予測するための装置である。状態量予測装置１を実現するためのハードウェア構成は限定されないが、例えば、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）、ＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）、及びコンピュータ読み取り可能な記憶媒体等を備える情報処理装置として構成される。そして、各種機能を実現するための一連の処理は、一例として、プログラムの形式で記憶媒体等に記憶されており、このプログラムをＣＰＵがＲＡＭ等に読み出して、情報の加工・演算処理を実行することにより、各種機能が実現される。尚、プログラムは、ＲＯＭやその他の記憶媒体に予めインストールしておく形態や、コンピュータ読み取り可能な記憶媒体に記憶された状態で提供される形態、有線又は無線による通信手段を介して配信される形態等が適用されてもよい。コンピュータ読み取り可能な記憶媒体とは、磁気ディスク、光磁気ディスク、ＣＤ－ＲＯＭ、ＤＶＤ－ＲＯＭ、半導体メモリ等である。
　状態量予測装置１が用いる予測モデルＭは、機械学習モデルＭＮ及び物理モデルＭＰを含む。以下の実施形態では、静的状態にあるプラントの状態量ｘを予測するための物理モデルＭＰに対して、プラントの動的状態を予測するための機械学習モデルＭＮが組み合わされることで、予測モデルＭが構成される。このような予測モデルＭに含まれる機械学習モデルＭＮ及び物理モデルＭＰの機能は一例に過ぎず、限定されない。
　図１は一実施形態に係る状態量予測装置１Ａの構成を示すブロック図である。状態量予測装置１Ａは、機械学習モデルＭＮ及び物理モデルＭＰが組み合わされた予測モデルＭを有し、具体的には、機械学習モデルＭＮを用いて第１予測値Ｘ１を算出するための第１予測値算出部４と、物理モデルＭＰを用いて第２予測値Ｘ２を算出するための第２予測値算出部６と、第１予測値Ｘ１及び第２予測値Ｘ２に基づいて状態量ｘの予測値Ｘを算出するための状態量予測値算出部８とを備える。
　物理モデルＭＰは、静的状態にあるプラントに対応する物理モデルであって、静的時の入力パラメータｕに対応するプラントの状態量ｘの静的成分である第２予測値Ｘ２を出力するように構成される。このような物理モデルＭＰは、静的時の入力パラメータｕ、及び、第２予測値Ｘ２の関係式として、一般的に次式で表される。
Ｘ２＝ｆ（ｕ，θＰ）　　　（１）
　尚、θＰは物理モデルＭＰに含まれる少なくとも１つの物理パラメータであり、本実施形態ではｋ個の物理パラメータθＰ１、θＰ２、・・・、θＰｋ（以下、適宜「物理パラメータθＰ」と称する。ｋは１以上の自然数）を含む。ｆは入力パラメータｕ及び物理パラメータθＰを変数とする任意の関数である。
　機械学習モデルＭＮは、動的状態にあるプラントに対応する機械学習モデルであって、動的時の入力パラメータｕに対応するプラントの状態量ｘの動的成分である第１予測値Ｘ１を出力するように構成される。このような機械学習モデルＭＮは、例えば動的時の入力パラメータｕと、プラントの状態量ｘの動的成分である第１予測値Ｘ１の関係を示すニューラルネットワークとして構成される。
　図２は図１の機械学習モデルＭＮであるニューラルネットワークの一例を示す模式図である。このニューラルネットワークは、複数の入力パラメータｕ１，ｕ２、・・・がそれぞれ入力される複数のノードを有する入力層１２と、予測結果として第１予測値Ｘ１を出力するノードを有する出力層１４と、入力層１２及び出力層１４間にある複数のノードを含む中間層１３（隠れ層）とを備える。中間層１３の各ノードには、重み係数として、機械学習パラメータθＮ１、θＮ２、・・・、θＮｎ（以下、適宜「機械学習パラメータθＮ」と称する。ｎは１以上の自然数）が設定される。
　第１予測値算出部４は、機械学習モデルＭＮに対して入力パラメータｕを与えることにより第１予測値Ｘ１を算出する。第２予測値算出部６は、物理モデルＭＰに対して入力パラメータｕを与えることにより第２予測値Ｘ２を算出する。状態量予測値算出部８は、状態量ｘの動的成分に対応する第１予測値算出部４で算出された第１予測値Ｘ１、及び、状態量ｘの静的成分に対応する第２予測値算出部６で算出された第２予測値Ｘ２に基づいて、状態量ｘの予測値Ｘを算出する。このように状態量予測装置１Ａは、動的成分及び静的成分を含む状態量ｘの予測値Ｘを求めることができる。
　ここで予測モデルＭに含まれる機械学習パラメータθＮ、及び、物理パラメータθＰは、学習データを用いた学習によって決定される（以下、機械学習パラメータθＮ、及び、物理パラメータθＰを総称する場合は、適宜「学習パラメータθ」と称する）。具体的には、学習時には、機械学習パラメータθＮ、及び、物理パラメータθＰに対して、それぞれ初期値θＮ０、θＰ０が与えられ、例えば、次式で定義される評価関数Ｆ１が最小になるように、機械学習パラメータθＮ、及び、物理パラメータθＰが探索される。
Ｆ１＝Σ（Ｘ－Ｘ´）２　　　（１）
　尚、Ｘ´は学習データに含まれる予測値Ｘ´に対応する真値（例えば実測値）である。
　ここで前述の状態量予測装置１Ａでは、状態量ｘを予測するために予測モデルＭを用いるが、予測精度のよい予測モデルＭを得るためには、予測モデルＭの学習に用いられる学習データを十分多く取得できていることが前提となる。そのため、例えば十分な学習データが取得できないプラントでは、学習によって得られる予測モデルＭの予測精度が低下してしまうおそれがある。これを解決するために、プラントに十分な学習データを取得するためのセンサ等を増設することも考えられるが、コスト的に不利である。このような課題を解決するために、次の実施形態では、十分な学習データの取得が可能な第１プラントＰ１に対応する学習済の第１予測モデルＭ１を調整することにより、第１プラントＰ１とは異なる第２プラントＰ２に対応する第２予測モデルＭ２を得ることで、第２プラントＰ２における状態量ｘの予測が可能となる。
　図３は他の実施形態に係る状態量予測装置１Ｂの構成を示すブロック図である。状態量予測装置１Ｂは、第２プラントＰ２の状態量ｘを予測するための装置であって、第１予測モデル記憶部１５と、計測データ取得部１６と、第２予測モデル作成部１７と、状態量予測部１８とを備える。
　第１予測モデル記憶部１５は、状態量予測装置１Ｂの予測対象である第２プラントＰ２とは異なる第１プラントＰ１に対応する第１予測モデルＭ１を記憶するための構成である。第１予測モデルＭ１は、第１プラントＰ１に対応する前述の予測モデルＭであり、図１に例示されるように、機械学習モデルＭＮ及び物理モデルＭＰを含む予測モデルである。第１プラントＰ１では、第１予測モデルＭ１を学習するための学習データとして十分な運転データの取得が可能であり、第１予測モデルＭ１は、このような十分な運転データを学習データとして用いた学習によって、十分な予測精度を有するように構築される。このように構築された第１予測モデルＭ１は、第１予測モデル記憶部１５に読み出し可能に記憶される。
　尚、第１プラントＰ１及び第２プラントＰ２は、互いに類似している。第１プラントＰ１及び第２プラントＰ２が類似するか否かは、例えば、プラントの設備構成や各設備のスペックの類似度、学習データ以外として取得される状態量（プラントに設置されているセンサ構成）の類似度などを総合的に考慮して判断することができる。
　計測データ取得部１６は、状態量予測装置１Ｂの予測対象である第２プラントＰ２において、第２プラントＰ２から運転データを計測データＤｍとして取得するための構成である。第２プラントＰ２には、運転データを計測するための計測機器が備えられているが、この計測機器では、例えばプラント毎に搭載される計測機器の種類や制御方式等の違いによって、状態量ｘの実測値Ｘ´について十分な数のデータ取得ができない制約がある（尚、実測値Ｘ´を除く他の運転データについては、第１プラントＰと同様に十分な数のデータ取得が可能である）。
　第２予測モデル作成部１７は、計測データ取得部１６で取得された第２プラントＰ２の計測データＤｍを用いて、第１予測モデル記憶部１５から読み出した第１予測モデルＭ１を調整することにより、第２プラントＰ２に対応する第２予測モデルＭ２を作成するための構成である。第２予測モデルＭ２の作成は、予測対象である第２プラントＰ２に類似する第１プラントＰ１に対応する第１予測モデルＭ１に含まれる学習パラメータθ（前述の機械学習パラメータθＮ、及び、物理パラメータθＰ）を微調整することにより行われる。各プラントにおいて入力パラメータｕと予測値Ｘとの関係はプラントの個体差のような特性に依存するため、一般的にプラントごとに予測モデルＭが異なるが、互いに類似する第１プラントＰ１及び第２プラントＰ２では予測モデルＭは比較的近いものとなる。そのため第２予測モデル作成部１７は、既に十分な学習データを用いて学習済の第１プラントＰ１に対応する第１予測モデルＭ１を微調整することで、状態量ｘの実測値Ｘ´について十分な学習データの取得が難しい第２プラントＰ２に対応する第２予測モデルＭ２を作成する。
　第２予測モデル作成部１７による第２予測モデルＭ２の作成は、第１予測モデルＭ１の機械学習パラメータθＮ１、及び、第２予測モデルＭ２の機械学習パラメータθＮ２の差分の大きさに正則化を施して学習（転移学習）することにより行われる。具体的には、この学習は、次式の評価関数Ｆ２を最小にするように行われる。
Ｆ２＝Σ（Ｘ－Ｘ´）２＋βΣ（θＮ２－θＮ１）２　　　（２）
　この評価関数Ｆ２は、前述の評価関数Ｆ１（上記（１）式を参照）と同様の第１項と、正則項である第２項とを備える。第２項は、第１予測モデルＭ１及び第２予測モデルＭ２の機械学習パラメータθＮの差分の２ノルムとして表現され、重み係数βを用いて第１項に加算される。このような評価関数Ｆ２を最小にする学習では、機械学習モデルＭＮ及び物理モデルＭＰを含む予測モデルＭのうち機械学習パラメータθＮの学習自由度を制限することにより、状態量ｘの実測値Ｘ´について学習データが少ない場合においても、物理パラメータθＰの更新が促進され、過学習を回避できる。その結果、第２予測モデル作成部１７では、第２プラントＰ２で学習データ（計測データＤｍに含まれる状態量ｘの実測値Ｘ´）が少量しか得られない場合においても、当該少量の学習データを用いて第１予測モデルＭ１を微調整することによって、信頼性のある第２予測モデルＭ２を作成できる。
　尚、第２予測モデル作成部１７は、評価関数Ｆ２を用いた学習において、物理パラメータθＰに対して許容範囲を設定してもよい。この許容範囲は、物理パラメータθＰが取り得る範囲として予め規定可能である。これにより、前述した正則化による機械学習パラメータθＮの学習自由度を制限することに加えて、物理パラメータθＰの学習自由度も制限することで、より信頼性のある第２学習モデルＭ２を作成できる。
　状態量予測部１８は、第２予測モデル作成部１７で作成された第２予測モデルＭ２を用いて、第２プラントＰ２について状態量ｘの予測値Ｘを算出するための構成である。具体的には、図１を参照して前述したように、状態量予測部１８は、第２予測モデルＭ２に対して、第２プラントＰ２で取得した運転データである入力パラメータｕを入力することにより、対応する状態量ｘの予測値Ｘが得られる。
　尚、図３に示す状態量予測装置１Ｂを構成する各ブロックは、単一の装置として構成されていてもよいし、複数の装置にわたって構成されてもよい。例えば、第２予測モデルＭ２の作成に関する構成（第１予測モデル記憶部１５、計測データ取得部１６、第２予測モデル作成部１７など）と、第２予測モデルＭ２を用いて状態量ｘを予測するための構成（状態量予測部１８など）とが異なる装置として構成されていてもよい。この場合、前者で第２予測モデルＭ２を作成し、後者では前者で作成された第２予測モデルＭ２を用いた状態量ｘの予測を行ってもよい。
　また第２予測モデル作成部１７は、状態量予測部１８で予測された状態量ｘの予測値Ｘが、例えば第２プラントＰ２に設置された機器で計測された状態量ｘの実測値Ｘ´になるように、第２予測モデルＭ２を調整してもよい。ここで図４は状態量ｘの実測値Ｘ´によって調整された第２予測モデルＭ２に基づいて算出される予測値Ｘの推移を示す図である。
　図４では、所定又は不定のサンプリング周期Ｔｓごとに規定される時刻ｔ１、ｔ２、・・・において、状態量予測部１８で予測された状態量ｘの予測値Ｘが、状態量ｘの実測値Ｘ´になるように第２予測モデルＭ２が調整される。第２予測モデルＭ２は前述の評価関数Ｆ２を用いて基本的に作成されるが、例えば、途中で第２プラントＰ２の運用条件（例えば図５を参照して後述する実施形態では、脱硫装置２０に付随するボイラで使用される燃料の種類（炭種）など）が変更された場合には予測精度が低下するおそれがある。この態様では、所定のサンプリング周期Ｔｓごとに、状態量ｘの予測値Ｘが実測値Ｘ´になるように第２予測モデルＭ２を調整することで、第２プラントＰ２の運用条件が変更された場合においても、第２予測モデルＭ２の信頼性を好適に維持できる。
　また前述の評価関数Ｆ１（上記（１）式を参照）を用いて予測モデルＭの学習を行う場合、学習データに含まれるデータ数が少ないと過学習を引き起こし、予測精度が低下してしまうおそれがある。そこで予測モデルＭの学習時に正則化を行うことで過学習を回避してもよい。具体的には予測モデルＭの学習の際に用いる評価関数として、評価関数Ｆ１に代えて、次式の評価関数Ｆ３を用いてもよい。
Ｆ３＝Σ（Ｘ－Ｘ´）２＋αΣθｉ ２　　　（３）
　この評価関数Ｆ３では、第１項は評価関数Ｆ１と同様に予測二乗誤差の総和を示し、第２項は正則項を示している。上記（３）式は一例に過ぎず、例えば、第１項を（３）式の第１項を評価データ数で割った平均値とするとともに、第２項を（３）式の第２項をパラメータ数で割った平均値等としてもよい。このような評価関数Ｆ３を用いて学習することで過学習を回避し、学習データに含まれるデータ数が少ない場合においても過学習を回避して、精度のよい予測モデルが得られる。
　このように評価関数Ｆ３を用いた学習では、予測モデルＭが有する学習パラメータθのうち機械学習パラメータθＮの自由度が物理パラメータθＰに対して相対的に高くなる。そのため評価関数Ｆ３を用いた学習では、機械学習パラメータθＮの学習が支配的になり、物理パラメータθＰの学習が適切に行えない、或いは、学習の再現性がない等の問題が発生するおそれがある。
　このような課題を解決するために、次式に示すように、学習パラメータθのうち機械学習パラメータθＮのみに対して正則化を施すように評価関数Ｆ４を用いて学習を行ってもよい。
Ｆ４＝Σ（Ｘ－Ｘ´）２＋αΣ（θＮｉ）２　　　（４）
　このような評価関数Ｆ４が最小になるように学習を行うことで、機械学習パラメータθＮの学習自由度を制限し、物理パラメータθＰの更新を促進することで過学習を回避でき、その結果、学習データ（計測データＤｍに含まれる状態量ｘの実測値Ｘ´）のデータ数が少ない場合においても、機械学習パラメータθＮ及び物理パラメータθＰをそれぞれ好適に学習により決定できる。
　尚、（４）式では評価関数Ｆ４の第２項は機械学習パラメータθＮの２ノルムを重み係数αで加算して表現されているが、これは前述の評価関数Ｆ３と同様に一例に過ぎず、例えば、第１項を（４）式の第１項を評価データ数で割った平均値とするとともに、第２項を（４）式の第２項をパラメータ数で割った平均値等としてもよい。
　尚、前述の評価関数Ｆ３及びＦ４を用いた学習においても、予測モデルＭのうち物理パラメータθＰに対して許容範囲を設定してもよい。これにより物理パラメータの学習自由度を制限することで、より精度よく状態量を予測可能な学習モデルＭが得られる。
　また前述の評価関数Ｆ３及びＦ４を用いた学習により作成された予測モデルＭもまた、図４を参照して前述したように、予測モデルＭを用いて予測された状態量ｘの予測値Ｘが、例えばプラントに設置された機器で計測された状態量ｘの実測値Ｘ´になるように調整されてもよい。これにより、予測モデルＭを用いて予測された状態量ｘの予測値Ｘが実測値Ｘ´になるように所定のタイミングで調整されることで、プラントの運用条件（例えば図５を参照して後述する実施形態では、脱硫装置２０に付随するボイラで使用される燃料の種類（炭種）など）が変化した場合においても、予測モデルＭの予測精度を好適に維持できる。
　続いて上記構成を有する状態量予測装置１Ａ及び１Ｂの具体的な適用例について説明する。ここでは、プラントの状態量ｘを予測する場合の具体的な一例として、排煙脱硫プラントの吸収塔で用いられる吸収液の吸収剤濃度を状態量ｘとして予測する場合について例示的に述べるが、他の例としては、ガスタービン、蒸気タービン、大型冷凍機、エアコン等を対象としてもよい。
　図５は脱硫装置２０の構成を概略的に示す図である。脱硫装置２０は、火力発電所などのプラント設備のボイラ（不図示）に付随して設置され、ボイラの排気通路２３ａを流れる排ガスＧ０に含まれる微粒子を収集する集塵装置２２と、集塵装置２２の下流側において、集塵装置２２を通過した排ガスＧ１が流れる排気通路２３ｂに設置された吸収塔２４と、を備える。
　集塵装置２２は、ケーシング内に供給された排ガスＧ０に対してコロナ放電を行うことで、排ガスＧ０に含まれる微粒子を帯電させ、正負に荷電させた付着部に対して電気的吸引力によって付着させることで集塵する電気集塵器である。集塵装置２２によって集塵処理が行われた排ガスＧ１は、排気通路２３ｂを介して吸収塔２４に供給される。
　吸収塔２４は、集塵装置２２で集塵処理が行われた排ガスＧ１に対して、石灰石３０を含む吸収液２６を接触させることで排ガスＧ１中のＳＯ２（二酸化硫黄）を吸収することにより、脱硫処理を行う。吸収塔２４の底部には吸収液２６が貯留されている。吸収液２６は、吸収塔２４の外部に設けられた石灰石フィーダ２８から供給される石灰石３０が、吸収塔２４の底部に供給される水３２と混合されることで生成される。
　尚、本実施形態では、石灰石フィーダ２８から石灰石３０を水３２に供給することで吸収液２６が生成される場合を例示しているが、これに代えて、石灰石を含む石灰石スラリーを水３２に供給することで吸収液２６を生成するようにしてもよい。
　吸収塔２４の底部に貯留された吸収液２６は、吸収液循環ポンプ３４により圧送され、吸収塔２４の外部に設けられた吸収液循環配管３６を介して、吸収塔２４内の上部に供給される。吸収液循環ポンプ３４は、互いに並列に接続された複数台のポンプユニットから構成されており、各ポンプユニットの運転状態が制御される。例えばポンプユニットが可変容量方式（動翼方式）である場合には、各ポンプユニットの容量を可変に調整することで吸収液循環ポンプ３４から圧送される吸収液２６の流量制御が可能である。またポンプユニットが固定容量方式（固定翼方式）である場合には、ポンプユニットの動作台数を調整することで吸収液循環ポンプ３４から圧送される吸収液２６の流量制御が可能である。このように吸収塔２４内の上部に供給された吸収液２６は、吸収塔２４内の上部に設けられたノズル３８から散布されて落下する過程において、吸収塔２４内を上昇する排ガスＧ１と接触する。これにより、排ガスＧ１に含まれるＳＯ２が吸収液２６中の石灰石３０と反応し、脱硫処理が行われる。
　尚、ノズル３８からの吸収液２６の散布及び落下方式は、グリッド式であってもよいし、液柱方式であってもよいし、スプレー方式であってもよい。
　下記（５）式は、吸収塔２４で実施される脱硫処理の化学反応式である。脱硫反応では石灰石３０と排ガスＧ１に含まれるＳＯ２とが反応することで石膏３４（ＣａＣＯ４・２Ｈ２Ｏ）が副産物として生成される。ＳＯ２が除去された排ガスＧ２は、吸収塔２４の頂部から脱硫排ガス管２５を介して外部に排出される。
ＳＯ２＋１／２Ｏ２＋ＣａＣＯ３＋２Ｈ２Ｏ→ＣａＣＯ４・２Ｈ２Ｏ＋ＣＯ２　　　（５）
　また、吸収塔２４の底部に貯留された吸収液２６の一部は、吸収液循環ポンプ３４により圧送されつつ吸収塔２４の外部の吸収液循環配管３６から分岐した抜出管４０を経て脱水器４２に送られる。脱水器４２は、例えば、ベルトフィルタで構成され、当該ベルトフィルタで搬送される過程で吸収液２６を脱水処理し、生成された石膏３４が系外に排出される。
　尚、脱水器４２の脱水処理で生じたろ過液は、水３２として吸収塔２４の底部に供給されることで再利用される。
　また吸収塔２４の底部には、酸化用空気４６が供給される。これにより、吸収液２６には酸化用空気４６が含まれることでＳＯ２排ガスから吸収液２６中に移行し生成した亜硫酸基から硫酸基への酸化が促進され、この結果として排ガス中のＳＯ２の除去効率も向上する。
　尚、ノズル３８からの吸収液２６の散布及び落下方式がグリッド式である場合には、吸収液２６が落下する過程で酸化されるため酸化用空気４６の供給が省略されてもよい。
　このような脱硫装置２０には、前述の入力パラメータｕとして選択可能な少なくとも１つのセンサが配置される。本実施形態では、吸収塔２４の出口側におけるＳＯ２濃度ｕ１（脱硫出口ＳＯ２濃度［ｐｐｍ］）を検出するためのＳＯ２濃度センサ５０と、吸収塔２４の入口側におけるＳＯ２濃度ｕ２（脱硫入口ＳＯ２濃度［ｐｐｍ］）を検出するためのＳＯ２濃度センサ５２と、吸収塔２４で生成される石灰石スラリの流量ｕ３（吸収塔石灰石スラリ流量［ｍ３／ｈ］）を検出するための石灰石スラリ流量センサ５４と、ボイラ空気流量ｕ５［％］を検出するためのボイラ空気流量センサ５６と、吸収塔２４で生成される石灰石スラリの濃度ｕ６（吸収塔石灰石スラリ濃度［ｗｔ％］を検出するための石灰石スラリ濃度センサ５８と、吸収塔２４に供給される酸化用空気流量ｕ７［ｍ３Ｎ／ｈ］を検出するための酸化用空気流量センサ６０と、吸収塔２４における吸収液２６のｐＨｕ８（吸収塔ｐＨ）を検出するためのｐＨセンサ６２と、吸収塔２４における吸収液２６のレベルｕ９（吸収塔レベル［ｍ］）を検出するためのレベルセンサ６４とが設けられている。これら各センサの検出値は、脱硫装置２０のコントロールユニットである制御装置２００に入力されることで、制御装置２００は脱硫装置２０の各部を制御する。
　またボイラ（不図示）で生成された蒸気で発電を行う発電機（不図示）に対する発電指令信号ｕ４もまた、入力パラメータｕとして取得可能な構成になっている。
　これら各センサの検出値の少なくとも１つは、入力パラメータｕとして前述の状態量予測装置１Ａ及び１Ｂに入力されることで、状態量予測装置１Ａ及び１Ｂは、状態量ｘとして、吸収塔２４における吸収剤（炭酸カルシウム）濃度［ｍｍоｌ／Ｌ］を予測する。
　尚、状態量予測装置１Ａ及び１Ｂでは、物理モデルＭが有する物理パラメータθＰとして、脱硫装置２０に関する各種パラメータを用いることができるが、例えば、吸収液２６における石灰石の活性、吸収塔２４の入口ガス中水分率、吸収塔２４での増湿率の少なくとも１つを含んでもよい。
　このような構成を有する状態量予測装置１Ａ及び１Ｂは、脱硫装置２０に配置された各センサに対して、ネットワークを介して接続されることにより、各センサで検出された結果を入力パラメータｕとして取得できる。これにより、状態量予測装置１では、入力パラメータｕに対応する状態量ｘとして吸収剤（炭酸カルシウム）濃度［ｍｍоｌ／Ｌ］を予測でき、脱硫装置２０の運用に活用することができる。
　尚、上記実施形態における状態量予測装置１Ａあるいは状態量予測装置１Ｂと通信可能なように接続された情報処理装置７０で実行する状態量予測システムとしての構成をとることが可能である。ここで図６は一実施形態に係る状態量予測システムの構成を示すブロック図である。
　情報処理装置７０は、状態量予測装置１Ａあるいは状態量予測装置１Ｂにおいて算出された予測値Ｘを表示する表示部７１を備える。更に、情報処理装置７０は、表示部７１を介して入力された指示に従い、情報処理装置７０からの要求により状態量予測装置１Ａあるいは状態量予測装置１Ｂにおいて各処理を実行する構成を備えてもよい。
　その他、本開示の趣旨を逸脱しない範囲で、上記した実施形態における構成要素を周知の構成要素に置き換えることは適宜可能であり、また、上記した実施形態を適宜組み合わせてもよい。
　上記各実施形態に記載の内容は、例えば以下のように把握される。
（１）一態様に係る状態量予測装置は、
　機械学習モデル及び物理モデルを含む予測モデルを用いて、入力パラメータに対応するプラントの状態量を予測するための状態量予測装置であって、
　第１プラントに対応し、前記機械学習モデルに含まれる機械学習パラメータ、及び、前記物理モデルに含まれる物理パラメータがそれぞれ学習された前記予測モデルである第１予測モデルを記憶するための第１予測モデル記憶部と、
　第２プラントの計測データを取得するための計測データ取得部と、
　前記計測データを用いて前記第１予測モデルを調整することにより、前記第２プラントに対応する前記予測モデルである第２予測モデルを作成するための第２予測モデル作成部と、
　前記第２予測モデルを用いて、前記第２プラントの前記状態量を予測するための状態量予測部と、
を備え、
　前記第２予測モデル作成部は、前記第１予測モデル及び前記第２予測モデルの前記機械学習パラメータの差分に正則化を施して学習することにより、前記第２予測モデルを作成する。
　上記（１）の態様によれば、第１プラントに対応する第１予測モデルを調整することにより、第２プラントに対応する第２予測モデルを作成できる。このような予測モデルの調整は、第１予測モデル及び第２予測モデルの機械学習パラメータの差分に正則化を施して学習することにより行われる。例えば第２プラントにおいて簡易計測によって少数の第２計測データしか得られない場合においても、機械学習パラメータの学習自由度を制限するとともに、物理パラメータの更新を促進することで、第１予測モデルに基づいて信頼性のある第２予測モデルを作成できる。このように作成された第２予測モデルを用いることで、十分な計測データの取得が困難な第２プラントにおいても精度のよい状態量の予測が可能となる。
（２）他の態様では、上記（１）の態様において、
　前記第２予測モデル作成部は、前記第１予測モデル及び前記第２予測モデルの前記機械学習パラメータの差分を含む損失関数が最小になるように転移学習することにより、前記第２予測モデルを作成する。
　上記（２）の態様によれば、第１予測モデル及び第２学習モデルの機械学習パラメータの差分の大きさを含む損失関数が最小になるように転移学習することにより、機械学習パラメータの学習自由度が過剰に大きくならないように正則化を施した学習が可能となる。
（３）他の態様では、上記（１）又は（２）の態様において、
　前記第２予測モデル作成部は、前記第１予測モデル及び前記第２予測モデルの前記物理パラメータに対して許容範囲を設定する。
　上記（３）の態様によれば、学習時に物理パラメータに対して許容範囲を設定することで、物理パラメータの学習自由度を制限することで、より精度よく状態量を予測可能な第２学習モデルが得られる。
（４）他の態様では、上記（１）から（３）のいずれか一態様において、
　前記第２予測モデル作成部は、前記状態量予測部で予測された前記状態量の予測値が前記状態量の実測値になるように、前記第２予測モデルを調整する。
　上記（４）の態様によれば、第２予測モデルによって予測された状態量の予測値が実測値になるように第２予測モデルを調整することで、第２プラントの運用条件が変化した場合においても、第２予測モデルの予測精度を好適に維持できる。
（５）他の態様では、上記（１）から（４）のいずれか一態様において、
　前記プラントは、吸収塔で排煙に吸収液を接触させることで、前記排煙を脱硫するための排煙脱硫プラントであり、
　前記状態量は前記吸収塔における前記吸収液の吸収剤濃度である。
　上記（５）の態様によれば、排煙脱硫プラントが備える吸収塔における吸収液の吸収剤濃度を状態量として好適に予測することができる。
（６）他の態様では、上記（５）の態様において、
　前記入力パラメータは、前記吸収塔の脱硫出口ＳＯ２濃度、前記吸収塔の脱硫入口ＳＯ２濃度、前記吸収塔で生成される石灰石スラリの流量若しくは濃度、前記排煙を排出するボイラで生成された蒸気で発電を行う発電機に対する発電指令信号、前記排煙を排出するボイラにおける空気流量、前記吸収塔に供給される酸化用空気流量、前記吸収塔における前記吸収液のｐＨ、又は、前記吸収塔における前記吸収液のレベルの少なくとも１つを含む。
　上記（６）の態様によれば、これらのパラメータの少なくとも１つを入力パラメータに含めることで、排煙脱硫プラントが備える吸収塔における吸収液の吸収剤濃度を状態量として好適に予測できる。
（７）一態様に係る状態量予測システムは、
　機械学習モデル及び物理モデルを含む予測モデルを用いて、入力パラメータに対応するプラントの状態量を予測するための状態量予測装置と通信可能な情報処理装置からなる状態量予測システムであって、
　前記状態量予測装置は、
　第１プラントに対応し、前記機械学習モデルに含まれる機械学習パラメータ、及び、前記物理モデルに含まれる物理パラメータがそれぞれ学習された前記予測モデルである第１予測モデルを記憶するための第１予測モデル記憶部と、
　前記情報処理装置から要求された後、第２プラントの計測データを取得するための計測データ取得部と、
　前記計測データを用いて前記第１予測モデルを調整することにより、前記第２プラントに対応する前記予測モデルである第２予測モデルを作成するための第２予測モデル作成部と、
　前記第２予測モデルを用いて、前記第２プラントの前記状態量を予測するための状態量予測部と、
を備え、
　前記第２予測モデル作成部は、前記第１予測モデル及び前記第２予測モデルの前記機械学習パラメータの差分に正則化を施して学習することにより、前記第２予測モデルを作成する。
　上記（７）の態様によれば、前述の各態様に係る状態量予測装置と通信可能な情報処理装置を備える状態量予測システムが実現される。本システムでは、情報処理装置からの要求に応じて状態量予測装置において上記のように第２プラントの状態量が予測され、その予測結果が情報処理装置で得ることができる。
（８）一態様に係る状態量予測方法は、
　機械学習モデル及び物理モデルを含む予測モデルを用いて、入力パラメータに対応するプラントの状態量を予測するための状態量予測方法であって、
　第１プラントに対応し、前記機械学習モデルに含まれる機械学習パラメータ、及び、前記物理モデルに含まれる物理パラメータがそれぞれ学習された前記予測モデルである第１予測モデルを記憶するステップと、
　第２プラントの計測データを取得するステップと、
　前記計測データを用いて前記第１予測モデルを調整することにより、前記第２プラントに対応する前記予測モデルである第２予測モデルを作成するステップと、
　前記第２予測モデルを用いて、前記第２プラントの前記状態量を予測するステップと、
を備え、
　前記第２予測モデルを作成するステップでは、前記第１予測モデル及び前記第２予測モデルの前記機械学習パラメータの差分に正則化を施して学習することにより、前記第２予測モデルを作成する。
　上記（８）の態様によれば、第１プラントに対応する第１予測モデルを調整することにより、第２プラントに対応する第２予測モデルを作成できる。このような予測モデルの調整は、第１予測モデル及び第２予測モデルの機械学習パラメータの差分に正則化を施して学習することにより行われる。例えば第２プラントにおいて簡易計測によって少数の第２計測データしか得られない場合においても、機械学習パラメータの学習自由度を制限するとともに、物理パラメータの更新を促進することで、第１予測モデルに基づいて信頼性のある第２予測モデルを作成できる。このように作成された第２予測モデルを用いることで、十分な計測データの取得が困難な第２プラントにおいても精度のよい状態量の予測が可能となる。
（９）一態様に係る状態量予測システムの制御方法は、
　機械学習モデル及び物理モデルを含む予測モデルを用いて、入力パラメータに対応するプラントの状態量を予測するための状態量予測装置と通信可能な情報処理装置からなる状態量予測システムの制御方法であって、
　前記状態量予測装置は、
　前記情報処理装置から要求された後、第２プラントの計測データを取得するための計測データ取得ステップと、
　前記計測データを用いて、第１プラントに対応し、前記機械学習モデルに含まれる機械学習パラメータ、及び、前記物理モデルに含まれる物理パラメータがそれぞれ学習された前記予測モデルである第１予測モデルを記憶するための第１予測モデル記憶部に記憶された前記第１予測モデルを調整することにより、前記第２プラントに対応する前記予測モデルである第２予測モデルを作成するための第２予測モデル作成ステップと、
　前記第２予測モデルを用いて、前記第２プラントの前記状態量を予測するための状態量予測ステップと、
を実行し、
　前記第２予測モデル作成ステップは、前記第１予測モデル及び前記第２予測モデルの前記機械学習パラメータの差分に正則化を施して学習することにより、前記第２予測モデルを作成する。
　上記（９）の態様によれば、前述の各態様に係る状態量予測装置と通信可能な情報処理装置を備える状態量予測システムが制御される。状態量予測装置は、情報処理装置からの要求に応じて状態量予測方法を実施することで上記のように第２プラントの状態量を予測し、その予測結果が情報処理装置で得ることができる。
（１０）一態様に係る状態量予測装置は、
　機械学習モデル及び物理モデルを含む予測モデルを用いて、入力パラメータに対応するプラントの状態量を予測するための状態量予測装置であって、
　前記機械学習モデルに含まれる機械学習パラメータ、及び、前記物理モデルに含まれる物理パラメータを、前記プラントで取得された学習データを用いて学習することにより、前記予測モデルを作成するための予測モデル作成部と、
　前記予測モデルを用いて、前記プラントの前記状態量を予測するための状態量予測部と、
を備え、
　前記予測モデル作成部は、前記予測モデルのうち前記機械学習パラメータに正則化を施して学習することにより、前記予測モデルを作成する。
　上記（１０）の態様によれば、プラントで取得された学習データを用いて予測モデルの学習を行う場合に、予測モデルのうち機械学習パラメータに正則化を施して学習することにより予測モデルの作成が行われる。一般的に少ない学習データを用いて予測モデルの学習を行った場合、機械学習パラメータの学習が支配的になり、物理パラメータの学習が適切に行えないおそれがある。それに対して本態様では、学習データの数が少ない場合においても、機械学習パラメータが過剰に大きくならないように正則化を施して学習を行うことで、機械学習パラメータの自由度が制限されるとともに、物理パラメータの更新が促進され、過学習を回避して精度のよい予測モデルが得られる。
（１１）他の態様では、上記（１０）の態様において、
　前記予測モデル作成部は、前記予測モデルの前記機械学習パラメータの大きさを含む損失関数が最小になるように学習する。
　上記（１１）の態様によれば、予測モデルの機械学習パラメータの大きさを含む損失関数が最小になるように学習することにより、予測モデルの機械学習パラメータが過剰に大きくならないように正則化を施した学習が可能である。
（１２）他の態様では、上記（１０）又は（１１）の態様において、
　前記予測モデル作成部は、学習時に前記物理パラメータに対して許容範囲を設定する。
　上記（１２）の態様によれば、学習時に物理パラメータに対して許容範囲を設定することで、物理パラメータの学習自由度を制限することで、より精度よく状態量を予測可能な学習モデルが作成できる。
（１３）他の態様では、上記（１０）から（１２）のいずれか一態様において、
　前記予測モデル作成部は、前記状態量予測部で予測された前記状態量の予測値が前記状態量の実測値になるように、前記予測モデルを調整する。
　上記（１３）の態様によれば、予測モデルによって予測された状態量の予測値が実測値になるように予測モデルを調整することで、プラントの運用条件が変化した場合においても、予測モデルの予測精度を好適に維持できる。
（１４）他の態様では、上記（１０）から（１３）のいずれか一態様において、
　前記プラントは、吸収塔で排煙に吸収液を接触させることで、前記排煙を脱硫するための排煙脱硫プラントであり、
　前記状態量は前記吸収塔における前記吸収液の吸収剤濃度である。
　上記（１４）の態様によれば、排煙脱硫プラントが備える吸収塔における吸収液の吸収剤濃度を状態量として好適に予測することができる。
（１５）他の態様では、上記（１４）の態様において、
　前記入力パラメータは、前記吸収塔の脱硫出口ＳＯ２濃度、前記吸収塔の脱硫入口ＳＯ２濃度、前記吸収塔で生成される石灰石スラリの流量若しくは濃度、前記排煙を排出するボイラで生成された蒸気で発電を行う発電機に対する発電指令信号、前記排煙を排出するボイラにおける空気流量、前記吸収塔に供給される酸化用空気流量、前記吸収塔における前記吸収液のｐＨ、又は、前記吸収塔における前記吸収液のレベルの少なくとも１つを含む。
　上記（１５）の態様によれば、これらのパラメータの少なくとも１つを入力パラメータに含めることで、排煙脱硫プラントが備える吸収塔における吸収液の吸収剤濃度を状態量として好適に予測できる。
（１６）一態様に係る状態量予測システムは、
　機械学習モデル及び物理モデルを含む予測モデルを用いて、入力パラメータに対応するプラントの状態量を予測するための状態量予測装置と通信可能な情報処理装置からなる状態量予測システムであって、
　前記状態量予測装置は、
　前記機械学習モデルに含まれる機械学習パラメータ、及び、前記物理モデルに含まれる物理パラメータを、前記プラントで取得された学習データを用いて学習することにより、前記予測モデルを作成するための予測モデル作成部と、
　前記予測モデルを用いて、前記プラントの前記状態量を予測するための状態量予測部と、
を備え、
　前記予測モデル作成部は、前記予測モデルのうち前記機械学習パラメータに正則化を施して学習することにより、前記予測モデルを作成する。
　上記（１６）の態様によれば、前述の各態様に係る状態量予測装置と通信可能な情報処理装置を備える状態量予測システムが実現される。本システムでは、情報処理装置からの要求に応じて状態量予測装置において上記のようにプラントの状態量が予測され、その予測結果が情報処理装置で得ることができる。
（１７）一態様に係る状態量予測方法は、
　機械学習モデル及び物理モデルを含む予測モデルを用いて、入力パラメータに対応するプラントの状態量を予測するための状態量予測方法であって、
　前記機械学習モデルに含まれる機械学習パラメータ、及び、前記物理モデルに含まれる物理パラメータを、前記プラントで取得された学習データを用いて学習することにより、前記予測モデルを作成するステップと、
　前記予測モデルを用いて、前記プラントの前記状態量を予測するステップと、
を備え、
　前記予測モデルを作成するステップでは、前記予測モデルのうち前記機械学習パラメータに正則化を施して学習することにより、前記予測モデルを作成する。
　上記（１７）の態様によれば、プラントで取得された学習データを用いて予測モデルの学習を行う場合に、予測モデルのうち前記機械学習パラメータに正則化を施して学習することにより予測モデルの作成が行われる。一般的に少ない学習データを用いて予測モデルの学習を行った場合、機械学習パラメータの学習が支配的になり、物理パラメータの学習が適切に行えないおそれがある。それに対して本態様では、学習データの数が少ない場合においても、機械学習パラメータが過剰に大きくならないように正則化を施して学習を行うことで、機械学習パラメータの自由度が制限されるとともに、物理パラメータの更新が促進され、過学習を回避して精度のよい予測モデルが得られる。
（１８）一態様に係る状態量予測システムの制御方法は、
　機械学習モデル及び物理モデルを含む予測モデルを用いて、入力パラメータに対応するプラントの状態量を予測するための状態量予測装置と通信可能な情報処理装置からなる状態量予測システムの制御方法であって、
　前記状態量予測装置は、
　前記情報処理装置からの要求の後、前記機械学習モデルに含まれる機械学習パラメータ、及び、前記物理モデルに含まれる物理パラメータを、前記プラントで取得された学習データを用いて学習することにより、前記予測モデルを作成するための予測モデル作成部と、
　前記予測モデルを用いて、前記プラントの前記状態量を予測するための状態量予測部と、
を備え、
　前記予測モデル作成部は、前記予測モデルのうち前記機械学習パラメータに正則化を施して学習することにより、前記予測モデルを作成する。
　上記（１８）の態様によれば、前述の各態様に係る状態量予測装置と通信可能な情報処理装置を備える状態量予測システムが制御される。状態量予測装置は、情報処理装置からの要求に応じて状態量予測方法を実施することで上記のようにプラントの状態量を予測し、その予測結果が情報処理装置で得ることができる。
１（１Ａ，１Ｂ）　状態量予測装置
４　第１予測値算出部
６　第２予測値算出部
８　状態量予測値算出部
１２　入力層
１３　中間層
１４　出力層
１５　第１予測モデル記憶部
１６　計測データ取得部
１７　第２予測モデル作成部
１８　状態量予測部
２０　脱硫装置
２２　集塵装置
２３ａ，２３ｂ　排気通路
２４　吸収塔
２５　脱硫排ガス管
２６　吸収液
２８　石灰石フィーダ
３０　石灰石
３２　水
３４　吸収液循環ポンプ
３６　吸収液循環配管
３８　ノズル
４０　抜出管
４２　脱水器
４６　酸化用空気
５０，５２，５８　濃度センサ
５４　流量センサ
５６　ボイラ空気流量センサ
６０　酸化用空気流量センサ
６２　センサ
６４　レベルセンサ
ＤＥ　ニューラルО
Ｄｍ　計測データ
Ｍ　予測モデル
Ｍ１　第１予測モデル
Ｍ２　第２予測モデル
ＭＰ　物理モデル
ＭＮ　機械学習モデル
Ｐ１　第１プラント
Ｐ２　第２プラント
ｕ　入力パラメータ
ｘ　状態量

Claims (18)

  1. 　機械学習モデル及び物理モデルを含む予測モデルを用いて、入力パラメータに対応するプラントの状態量を予測するための状態量予測装置であって、
    　第１プラントに対応し、前記機械学習モデルに含まれる機械学習パラメータ、及び、前記物理モデルに含まれる物理パラメータがそれぞれ学習された前記予測モデルである第１予測モデルを記憶するための第１予測モデル記憶部と、
    　第２プラントの計測データを取得するための計測データ取得部と、
    　前記計測データを用いて前記第１予測モデルを調整することにより、前記第２プラントに対応する前記予測モデルである第２予測モデルを作成するための第２予測モデル作成部と、
    　前記第２予測モデルを用いて、前記第２プラントの前記状態量を予測するための状態量予測部と、
    を備え、
    　前記第２予測モデル作成部は、前記第１予測モデル及び前記第２予測モデルの前記機械学習パラメータの差分に正則化を施して学習することにより、前記第２予測モデルを作成する、状態量予測装置。
  2. 　前記第２予測モデル作成部は、前記第１予測モデル及び前記第２予測モデルの前記機械学習パラメータの差分を含む損失関数が最小になるように転移学習することにより、前記第２予測モデルを作成する、請求項１に記載の状態量予測装置。
  3. 　前記第２予測モデル作成部は、前記第１予測モデル及び前記第２予測モデルの前記物理パラメータに対して許容範囲を設定する、請求項１又は２に記載の状態量予測装置。
  4. 　前記第２予測モデル作成部は、前記状態量予測部で予測された前記状態量の予測値が前記状態量の実測値になるように、前記第２予測モデルを調整する、請求項１又は２に記載の状態量予測装置。
  5. 　前記プラントは、吸収塔で排煙に吸収液を接触させることで、前記排煙を脱硫するための排煙脱硫プラントであり、
    　前記状態量は前記吸収塔における前記吸収液の吸収剤濃度である、請求項１又は２に記載の状態量予測装置。
  6. 　前記入力パラメータは、前記吸収塔の脱硫出口ＳＯ２濃度、前記吸収塔の脱硫入口ＳＯ２濃度、前記吸収塔で生成される石灰石スラリの流量若しくは濃度、前記排煙を排出するボイラで生成された蒸気で発電を行う発電機に対する発電指令信号、前記排煙を排出するボイラにおける空気流量、前記吸収塔に供給される酸化用空気流量、前記吸収塔における前記吸収液のｐＨ、又は、前記吸収塔における前記吸収液のレベルの少なくとも１つを含む、請求項５に記載の状態量予測装置。
  7. 　機械学習モデル及び物理モデルを含む予測モデルを用いて、入力パラメータに対応するプラントの状態量を予測するための状態量予測装置と通信可能な情報処理装置からなる状態量予測システムであって、
    　前記状態量予測装置は、
    　第１プラントに対応し、前記機械学習モデルに含まれる機械学習パラメータ、及び、前記物理モデルに含まれる物理パラメータがそれぞれ学習された前記予測モデルである第１予測モデルを記憶するための第１予測モデル記憶部と、
    　前記情報処理装置から要求された後、第２プラントの計測データを取得するための計測データ取得部と、
    　前記計測データを用いて前記第１予測モデルを調整することにより、前記第２プラントに対応する前記予測モデルである第２予測モデルを作成するための第２予測モデル作成部と、
    　前記第２予測モデルを用いて、前記第２プラントの前記状態量を予測するための状態量予測部と、
    を備え、
    　前記第２予測モデル作成部は、前記第１予測モデル及び前記第２予測モデルの前記機械学習パラメータの差分に正則化を施して学習することにより、前記第２予測モデルを作成する、状態量予測システム。
  8. 　機械学習モデル及び物理モデルを含む予測モデルを用いて、入力パラメータに対応するプラントの状態量を予測するための状態量予測方法であって、
    　第１プラントに対応し、前記機械学習モデルに含まれる機械学習パラメータ、及び、前記物理モデルに含まれる物理パラメータがそれぞれ学習された前記予測モデルである第１予測モデルを記憶するステップと、
    　第２プラントの計測データを取得するステップと、
    　前記計測データを用いて前記第１予測モデルを調整することにより、前記第２プラントに対応する前記予測モデルである第２予測モデルを作成するステップと、
    　前記第２予測モデルを用いて、前記第２プラントの前記状態量を予測するステップと、
    を備え、
    　前記第２予測モデルを作成するステップでは、前記第１予測モデル及び前記第２予測モデルの前記機械学習パラメータの差分に正則化を施して学習することにより、前記第２予測モデルを作成する、状態量予測方法。
  9. 　機械学習モデル及び物理モデルを含む予測モデルを用いて、入力パラメータに対応するプラントの状態量を予測するための状態量予測装置と通信可能な情報処理装置からなる状態量予測システムの制御方法であって、
    　前記状態量予測装置は、
    　前記情報処理装置から要求された後、第２プラントの計測データを取得するための計測データ取得ステップと、
    　前記計測データを用いて、第１プラントに対応し、前記機械学習モデルに含まれる機械学習パラメータ、及び、前記物理モデルに含まれる物理パラメータがそれぞれ学習された前記予測モデルである第１予測モデルを記憶するための第１予測モデル記憶部に記憶された前記第１予測モデルを調整することにより、前記第２プラントに対応する前記予測モデルである第２予測モデルを作成するための第２予測モデル作成ステップと、
    　前記第２予測モデルを用いて、前記第２プラントの前記状態量を予測するための状態量予測ステップと、
    を実行し、
    　前記第２予測モデル作成ステップは、前記第１予測モデル及び前記第２予測モデルの前記機械学習パラメータの差分に正則化を施して学習することにより、前記第２予測モデルを作成する、状態量予測システムの制御方法。
  10. 　機械学習モデル及び物理モデルを含む予測モデルを用いて、入力パラメータに対応するプラントの状態量を予測するための状態量予測装置であって、
    　前記機械学習モデルに含まれる機械学習パラメータ、及び、前記物理モデルに含まれる物理パラメータを、前記プラントで取得された学習データを用いて学習することにより、前記予測モデルを作成するための予測モデル作成部と、
    　前記予測モデルを用いて、前記プラントの前記状態量を予測するための状態量予測部と、
    を備え、
    　前記予測モデル作成部は、前記予測モデルのうち前記機械学習パラメータに正則化を施して学習することにより、前記予測モデルを作成する、状態量予測装置。
  11. 　前記予測モデル作成部は、前記予測モデルの前記機械学習パラメータの大きさを含む損失関数が最小になるように学習する、請求項１０に記載の状態量予測装置。
  12. 　前記予測モデル作成部は、学習時に前記物理パラメータに対して許容範囲を設定する、請求項１０又は１１に記載の状態量予測装置。
  13. 　前記予測モデル作成部は、前記状態量予測部で予測された前記状態量の予測値が前記状態量の実測値になるように、前記予測モデルを調整する、請求項１０又は１１に記載の状態量予測装置。
  14. 　前記プラントは、吸収塔で排煙に吸収液を接触させることで、前記排煙を脱硫するための排煙脱硫プラントであり、
    　前記状態量は前記吸収塔における前記吸収液の吸収剤濃度である、請求項１０又は１１に記載の状態量予測装置。
  15. 　前記入力パラメータは、前記吸収塔の脱硫出口ＳＯ２濃度、前記吸収塔の脱硫入口ＳＯ２濃度、前記吸収塔で生成される石灰石スラリの流量若しくは濃度、前記排煙を排出するボイラで生成された蒸気で発電を行う発電機に対する発電指令信号、前記排煙を排出するボイラにおける空気流量、前記吸収塔に供給される酸化用空気流量、前記吸収塔における前記吸収液のｐＨ、又は、前記吸収塔における前記吸収液のレベルの少なくとも１つを含む、請求項１４に記載の状態量予測装置。
  16. 　機械学習モデル及び物理モデルを含む予測モデルを用いて、入力パラメータに対応するプラントの状態量を予測するための状態量予測装置と通信可能な情報処理装置からなる状態量予測システムであって、
    　前記状態量予測装置は、
    　前記機械学習モデルに含まれる機械学習パラメータ、及び、前記物理モデルに含まれる物理パラメータを、前記プラントで取得された学習データを用いて学習することにより、前記予測モデルを作成するための予測モデル作成部と、
    　前記予測モデルを用いて、前記プラントの前記状態量を予測するための状態量予測部と、
    を備え、
    　前記予測モデル作成部は、前記予測モデルのうち前記機械学習パラメータに正則化を施して学習することにより、前記予測モデルを作成する、状態量予測システム。
  17. 　機械学習モデル及び物理モデルを含む予測モデルを用いて、入力パラメータに対応するプラントの状態量を予測するための状態量予測方法であって、
    　前記機械学習モデルに含まれる機械学習パラメータ、及び、前記物理モデルに含まれる物理パラメータを、前記プラントで取得された学習データを用いて学習することにより、前記予測モデルを作成するステップと、
    　前記予測モデルを用いて、前記プラントの前記状態量を予測するステップと、
    を備え、
    　前記予測モデルを作成するステップでは、前記予測モデルのうち前記機械学習パラメータに正則化を施して学習することにより、前記予測モデルを作成する、状態量予測方法。
  18. 　機械学習モデル及び物理モデルを含む予測モデルを用いて、入力パラメータに対応するプラントの状態量を予測するための状態量予測装置と通信可能な情報処理装置からなる状態量予測システムの制御方法であって、
    　前記状態量予測装置は、
    　前記情報処理装置からの要求の後、前記機械学習モデルに含まれる機械学習パラメータ、及び、前記物理モデルに含まれる物理パラメータを、前記プラントで取得された学習データを用いて学習することにより、前記予測モデルを作成するための予測モデル作成部と、
    　前記予測モデルを用いて、前記プラントの前記状態量を予測するための状態量予測部と、
    を備え、
    　前記予測モデル作成部は、前記予測モデルのうち前記機械学習パラメータに正則化を施して学習することにより、前記予測モデルを作成する、状態量予測システムの制御方法。
PCT/JP2023/018950 2022-05-26 2023-05-22 状態量予測装置、状態量予測方法、状態量予測システム、及び状態量予測システムの制御方法 WO2023228901A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2022-086146 2022-05-26
JP2022086146A JP2023173706A (ja) 2022-05-26 2022-05-26 状態量予測装置、状態量予測方法、状態量予測システム、及び状態量予測システムの制御方法

Publications (1)

Publication Number Publication Date
WO2023228901A1 true WO2023228901A1 (ja) 2023-11-30

Family

ID=88919291

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2023/018950 WO2023228901A1 (ja) 2022-05-26 2023-05-22 状態量予測装置、状態量予測方法、状態量予測システム、及び状態量予測システムの制御方法

Country Status (3)

Country Link
JP (1) JP2023173706A (ja)
TW (1) TW202403484A (ja)
WO (1) WO2023228901A1 (ja)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0414105A (ja) * 1990-05-08 1992-01-20 Toshiba Corp プロセス制御装置
JP2758976B2 (ja) * 1990-06-07 1998-05-28 株式会社日立製作所 特性変化予測方法およびシステム
JP2012062891A (ja) * 2010-09-20 2012-03-29 General Electric Co <Ge> タービン動作をモデリングする方法及びシステム
JP2018092511A (ja) * 2016-12-07 2018-06-14 三菱重工業株式会社 運用支援装置、機器運用システム、運用方法、制御方法及びプログラム
JP2018116693A (ja) * 2016-12-19 2018-07-26 三菱電機株式会社 動作に関する予測推論のモデルを求めるシステム及び方法、およびこれらのための非一時的コンピューター可読記憶媒体
JP2019040414A (ja) * 2017-08-25 2019-03-14 日本電信電話株式会社 学習装置及び学習方法
JP2020102082A (ja) * 2018-12-25 2020-07-02 株式会社豊田中央研究所 予測モデル生成装置、予測モデル生成方法、および、コンピュータプログラム
WO2020227383A1 (en) * 2019-05-09 2020-11-12 Aspen Technology, Inc. Combining machine learning with domain knowledge and first principles for modeling in the process industries
WO2020261300A2 (en) * 2019-06-27 2020-12-30 Tata Consultancy Services Limited Method and system for performance optimization of flue gas desulphurization (fgd) unit
WO2021033207A2 (en) * 2019-08-20 2021-02-25 Tata Consultancy Services Limited System and method for just in time characterization of raw materials
JP2021111057A (ja) * 2020-01-08 2021-08-02 株式会社日立製作所 運転管理支援装置及び運転管理支援方法
JP2021125196A (ja) * 2020-02-04 2021-08-30 三菱パワー株式会社 予測装置、プラント、予測方法、プログラム、及び、コンフィギュレーションプログラム

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0414105A (ja) * 1990-05-08 1992-01-20 Toshiba Corp プロセス制御装置
JP2758976B2 (ja) * 1990-06-07 1998-05-28 株式会社日立製作所 特性変化予測方法およびシステム
JP2012062891A (ja) * 2010-09-20 2012-03-29 General Electric Co <Ge> タービン動作をモデリングする方法及びシステム
JP2018092511A (ja) * 2016-12-07 2018-06-14 三菱重工業株式会社 運用支援装置、機器運用システム、運用方法、制御方法及びプログラム
JP2018116693A (ja) * 2016-12-19 2018-07-26 三菱電機株式会社 動作に関する予測推論のモデルを求めるシステム及び方法、およびこれらのための非一時的コンピューター可読記憶媒体
JP2019040414A (ja) * 2017-08-25 2019-03-14 日本電信電話株式会社 学習装置及び学習方法
JP2020102082A (ja) * 2018-12-25 2020-07-02 株式会社豊田中央研究所 予測モデル生成装置、予測モデル生成方法、および、コンピュータプログラム
WO2020227383A1 (en) * 2019-05-09 2020-11-12 Aspen Technology, Inc. Combining machine learning with domain knowledge and first principles for modeling in the process industries
WO2020261300A2 (en) * 2019-06-27 2020-12-30 Tata Consultancy Services Limited Method and system for performance optimization of flue gas desulphurization (fgd) unit
WO2021033207A2 (en) * 2019-08-20 2021-02-25 Tata Consultancy Services Limited System and method for just in time characterization of raw materials
JP2021111057A (ja) * 2020-01-08 2021-08-02 株式会社日立製作所 運転管理支援装置及び運転管理支援方法
JP2021125196A (ja) * 2020-02-04 2021-08-30 三菱パワー株式会社 予測装置、プラント、予測方法、プログラム、及び、コンフィギュレーションプログラム

Also Published As

Publication number Publication date
JP2023173706A (ja) 2023-12-07
TW202403484A (zh) 2024-01-16

Similar Documents

Publication Publication Date Title
US10817801B2 (en) System and method for process modeling and control using disturbance rejection models
KR100879234B1 (ko) 원하는 값으로 프로세스 파라미터의 평균값의 연속 제어
CN103197549B (zh) 循环流化床锅炉烟气中二氧化硫的软测量及优化控制方法
CN113433911B (zh) 基于浓度精准预测的脱硝装置喷氨精准控制系统与方法
CN105786035B (zh) 基于试探式预测控制技术的火电机组scr脱硝优化控制系统
BRPI0514443B1 (pt) Controle de poluição do ar otimizado
KR20130089283A (ko) 산소 연료 연소 파워 플랜트를 위한 최적화된 통합 제어
CN109493250A (zh) 一种scr反应器的脱硝能力的评估方法
US20060121616A1 (en) Method and system for increasing efficiency of FGD operation in fossil fuel boilers
CN112085196A (zh) 一种基于sca算法优化bp神经网络的scr脱硝系统的喷氨调节方法
JP7273202B2 (ja) 排煙脱硫（ｆｇｄ）ユニットの性能最適化のための方法およびシステム
CN113723002A (zh) 全工况下脱硫系统浆液pH值预测模型建立方法及系统
US20230166211A1 (en) State quantity prediction device and state quantity prediction method
Yang et al. Dynamic optimization oriented modeling and nonlinear model predictive control of the wet limestone FGD system
CN107561944A (zh) 一种基于拉盖尔模型的脱硝系统自适应预测控制方法
WO2023228901A1 (ja) 状態量予測装置、状態量予測方法、状態量予測システム、及び状態量予測システムの制御方法
KR20200115639A (ko) 탈황 장치의 운전 지원 시스템 및 운전 지원 방법
CN111450694B (zh) 一种基于多目标优化的脱硫系统工业控制器和控制方法
WO2022210827A1 (ja) 湿式排煙脱硫装置の制御方法、湿式排煙脱硫装置の制御装置、この湿式排煙脱硫装置の制御装置を備えた遠隔監視システム、情報処理装置、及び、情報処理システム
CN106557027A (zh) 优化焦化烟气脱硫脱硝过程中臭氧运行的系统及方法
CN113485111B (zh) 制浆系统的寻优控制方法及系统
Li et al. Intelligent partition of operating condition-based multi-model control in flue gas desulfurization
WO2023234103A1 (ja) 湿式排煙脱硫装置の制御装置、遠隔監視システム、遠隔監視システムの制御方法、及び、湿式排煙脱硫装置の制御方法
Di et al. Research on SCR precise ammonia injection control based on bp neural network
JP2690754B2 (ja) 湿式排ガス脱硫装置の吸収塔への吸収剤スラリの供給方法

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: 23811773

Country of ref document: EP

Kind code of ref document: A1