CN101046683A - 具有燃烧装置的控制对象物的控制装置及具有锅炉的成套设备的控制装置 - Google Patents
具有燃烧装置的控制对象物的控制装置及具有锅炉的成套设备的控制装置 Download PDFInfo
- Publication number
- CN101046683A CN101046683A CN 200710084770 CN200710084770A CN101046683A CN 101046683 A CN101046683 A CN 101046683A CN 200710084770 CN200710084770 CN 200710084770 CN 200710084770 A CN200710084770 A CN 200710084770A CN 101046683 A CN101046683 A CN 101046683A
- Authority
- CN
- China
- Prior art keywords
- mentioned
- data
- unit
- equipments
- value
- Prior art date
- Legal status (The legal status 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 status listed.)
- Granted
Links
Images
Landscapes
- Feedback Control In General (AREA)
- Control Of Steam Boilers And Waste-Gas Boilers (AREA)
Abstract
本发明涉及具备燃烧装置的控制对象物的控制装置。能够抑制在燃料性质变化时气体成分的控制性能下降的情况。本发明的控制装置具有:存储燃烧装置的操作参数和气体中成分的数据组的燃料数据存储单元;存储控制对象物的过去的运转实际值的运转实际数据库;决定使过去的运转实际值和数据组的数据间距离为最短的数据组的数据生成单元;使用由数据生成单元决定的数据组,对操作参数和燃烧废气中成分的关系进行模型化的模型化单元;以及,使用模型校正基本控制指令运算单元的操作指令值的校正单元。
Description
技术领域
本发明涉及具备燃烧装置的控制对象物的控制装置。
背景技术
以往,在成套设备控制领域以PID控制为基本的控制逻辑是主流。另外,还提出利用以神经网络为代表的带教师学习功能,能与成套设备的特性灵活对应的多种技术方案。
为了使用带教师学习功能来构成控制装置,由于需要预先准备成为教师数据的成功案例,因此还提出了无教师学习方法。
作为无教师学习的例子,有强化学习法。
强化学习法是为了通过与控制对象等环境的反复试验的相互作用,将从环境得到的计测信号作为理想的信号,生成对环境的操作信号的学习控制的构架。由此有如下优点,即,即使在不能预先准备成功案例的场合,只要通过预先定义所希望的状态,就能自己根据环境学习所希望的行动。
在强化学习中具有如下学习功能,即,以使用从环境得到的计测信号所计算的标量的评价值(在强化学习中被称为报酬)为线索,生成对环境的操作信号,使得从现有状态到将来所得到的评价值的预期值达到最大。作为实现这种学习功能的方法,有例如非专利文献1(强化学习(ReinforcementLearning),三上贞芳、皆川雅章共同翻译,森北出版株式会社,2000年12月20日出版)所述的Actor-Critic、Q学习、实时动态程序设计(実時間DynamicProgramming)等算法。
另外,作为改进上述方法的强化学习的构架,上述文献介绍了被称为动态—体系结构(Dyna-ア一キテクチヤ)的构架。这是一种以模拟控制对象的模型为对象预先学习生成怎样的操作信号比较好,然后使用该学习结果决定对控制对象施加的操作信号的方法。而且,具有减小控制对象和模型的误差的模型调整功能。
另外,在具备燃烧装置的成套设备的控制装置中存在如下问题,即,在例如像煤燃料那样燃料性质不定的场合或变更了煤种类的场合等,成套设备的燃烧特性或导热特性发生变化。作为对应该问题的方法,可列举例如专利文献1-日本特开2004-190913号公报所述的技术。
这是一种在烧煤锅炉中从主蒸汽压力的实测值和设定值的偏差运算燃料发热量比的方法。
另外,专利文献2-日本特开平8-200604号公报的控制装置包括:算出基于与烧煤锅炉在炉膛上的温度、压力、流量等有关的流体计测数据而估算的炉膛的吸收热量估算值的第一估算单元;算出基于与最终二次燃烧器的温度、压力、流量等有关的流体计测数据而估算的最终二次燃烧器的吸收热量估算值的第二估算单元;求出用上述第一估算单元算出的炉膛的吸收热量估算值和用上述第二估算单元算出的最终二次燃烧器的吸收热量估算值之比的单元;以及,基于利用该单元求出的吸收热量估算值之比掌握锅炉的燃烧特性,输出气体分配阻尼器设定值、气体再循环鼓风机的转数设定值以及锅炉输入加速设定值的运算单元。
另外,在锅炉等成套设备控制领域,以往,以PID控制为基本的控制逻辑成为主流。另外,还提出利用以神经网络为代表的带教师学习功能,能与成套设备的特性灵活对应的多种技术方案。并且,为了使用带教师学习功能来构成控制装置,由于需要预先准备成为教师数据的成功案例,因此还提出了强化学习法等的无教师学习方法。
该强化学习法是为了通过与控制对象等环境的反复试验的相互作用,将从环境得到的计测信号作为理想的信号,生成对环境的操作信号的学习控制的构架。由此有如下优点,即,即使在不能预先准备成功案例的场合,只要通过预先定义所希望的状态,就能自己根据环境学习所希望的行动。
并且,在该强化学习中具有如下学习功能,即,以使用从环境得到的计测信号所计算的标量的评价值(在强化学习中被称为报酬)为线索,生成对环境的操作信号,使得从现有状态到将来所得到的评价值的预期值达到最大。在实现这种学习功能的方法中,以往有Actor-Critic、Q学习、实时动态程序设计(実時間Dynamic Programming)等算法。
另外,作为改进上述方法的强化学习的构架,有被称为动态—体系结构(Dyna-ア一キテクチヤ)的构架。这是一种以模拟控制对象的模型为对象预先学习生成怎样的操作信号比较好,然后使用该学习结果决定对控制对象施加的操作信号的方法,这时,具有减小控制对象和模型的误差的模型调整功能。
另一方面,伴随数值分析技术的进步,燃烧反应也可以在某种程度上通过计算再现,其结果,可以利用模拟成套设备的模拟器构筑模型(例如,参照专利文献3-日本特开2003-281462号公报)。
上述文献是根据发电功率值、温度、压力等的变化进行热平衡的计算等而估算燃料发热量的变化并进行控制的方法,并考虑到了对导热性能的影响。但是,燃料性能的变化不仅影响导热性能,还影响燃烧废气的组成。
若NOX、CO等增加,则有可能对外部环境带来影响,或者使废气处理装置的负载上升等,但在上述文献中没有记载考虑对燃烧废气组成的影响的方法。
另外,由于燃烧现象是燃料和空气(气体)的流动、传热和燃烧反应的复杂的复合现象,因此控制其举动是比较困难的问题。
尤其是关于废气组成相对燃料性质的变化产生的变化,要导出适当的操作方法是困难的。既使利用上述强化学习理论,在反复的试验中为了对多种燃料性质学习其操作方法也需要长期的学习时间,且学习期间还存在废气性质恶化的可能性。
发明内容
本发明目的在于提供一种相对燃料组成的变化也能适当控制燃烧气体成分的控制装置。
另外,如上所述,强化学习法虽然在控制对象的特性、控制方法在事先不能定型化的场合是有效的,但在成套设备的运转控制中,需要在模型建立之前汇集反复试验运行的实际效果的时间,从而存在这期间产品质量下降,且损耗增多的问题,而且,通过这时的反复试验运行,虽然也能考虑由成套设备排出物的性质变动引起的对环境的影响,但是并没有考虑对这些问题比较有效的模型构筑方法。
另外,在专利文献3中,为了提高计算精度需要细化计算网格,但在锅炉等大型装置的场合计算量庞大,更由于运转条件还连续变化,因此计算时间长,以实用的时间构筑模型是困难的。
如上所述,虽然强化学习法对于控制方法不能预先定型化的成套设备的控制是有效的方法,但为了构筑模型需要很多时间来进行根据成套设备的试运转的数据积累,试运转期间有时得不到所希望的控制性能。
本发明的第二目的在于提供一种利用模型构筑期间短并具有优良的性能的强化学习法的成套设备控制方法和装置。
本发明的控制装置,具备:输入具有燃烧装置的控制对象物的计测数据并运算对上述控制对象物的操作指令值的基本控制指令运算单元;相对向上述燃烧装置供给的燃料的多个燃料组成,存储上述燃烧装置的操作参数和上述气体中成分的数据组的燃料数据存储单元;存储上述控制对象物的过去的运转实际值的运转实际数据库;算出上述控制对象物的过去的运转实际值和上述数据组的数据间距离,决定使数据间距离为最短的数据组的数据生成单元;使用由上述数据生成单元决定的数据组,将上述燃烧装置的操作参数和上述燃烧装置的燃烧气体中的成分的关系模型化的模型化单元;以及使用上述模型化单元的模型算出比当前的气体中成分条件更好的燃烧装置的操作参数,用算出的操作参数校正上述基本控制指令运算单元的操作指令值的校正单元。
上述第二目的通过如下方法实现:在具有学习操作量和成套设备状态的关系的学习功能,并具有利用该学习功能计算对应于成套设备状态的操作指令值的功能的成套设备控制装置的控制方法中,利用多个操作条件的流动及反应现象的数值分析来计算规定成套设备的状态的过程值,将各操作条件的过程值近似地生成连续模型,使其相对操作条件参数的变化成为连续的关系,使用通过数值分析计算的过程值和成套设备实际机器的运转数据再次生成连续模型,使用再次生成的上述连续模型进行学习。
本发明的效果是,本发明由上述单元构成,即使燃料组成(性质)变化,也能够自动地适当控制废气成分,所以能够减少废气中的NOX、CO等有害物质的产生量。
本发明由于具备实现上述第二目的的方法,所以可以从成套设备试运转时开始,使用数值分析的结果利用强化学习法来控制成套设备,从而能够缩短控制装置的导入期间。
附图说明
图1是说明本发明的第一实施方式的控制装置的结构图。
图2是说明本发明的第二实施方式的控制装置的结构图。
图3是说明本发明的第三实施方式的控制装置的结构图。
图4是说明数据生成单元的运算过程的图。
图5是说明模型误差的显示画面例子图。
图6是说明模型误差的显示画面例子图。
图7是说明火力发电成套设备的结构图。
图8是说明发电厂组和分析中心的通信关系的图。
图9是说明强化学习的概念图。
图10是说明燃料数据库显示及燃料性质输入画面例子图。
图11是说明校正回路的图。
图12是说明状态评价单元300和数据组切换单元310的处理过程的图。
图13是说明校正回路的图。
图14是表示本发明的成套设备控制装置的一个实施方式的方框构成图。
图15是表示本发明的一个实施方式的运转实际数据库或数值分析数据库的一例的说明图。
图16是表示本发明的一个实施方式的学习结果数据库的一例的说明图。
图17是表示根据本发明的一个实施方式的处理过程的流程图。
图18是本发明的一实施方式的连续模型的说明图。
图19是表示根据本发明的一个实施方式的数值分析数据追加处理过程的流程图。
图20是本发明的一个实施方式的误差评价的说明图。
图21是本发明的一个实施方式的数值分析数据追加的说明图。
图22是本发明的一个实施方式的连续模型修正的说明图。
图中:
100-成套设备;200-控制装置;210-数据生成单元;220-输入输出接口;221-输入输出单元;230-基本控制指令运算单元;240-运转实际数据库;250-模型化单元;260-校正单元;270-燃料数据存储单元。1001-成套设备(例如锅炉设备);1002-外部输出接口;1003-外部输入接口;1004-基本控制指令运算单元;1005-运转实际数据库;1006-数值分析单元;1007-数值分析数据库;1008-连续模型化单元;1009-连续模型;1010-误差评价单元;1011-参数追加单元;1012-连续模型修正单元;1013-控制方法学习单元;1014-学习结果数据库;1015-操作量运算单元;1016-减法器;1017-加法器;1018-切换器。
具体实施方式
以下,参照附图说明最佳实施方式。图1表示第一实施方式。本发明的控制装置200从作为控制对象的成套设备100接收过程值的计测信息205,使用它在控制装置200内进行预程序化的运算并将操作指令信号(控制信号)向成套设备100发送。成套设备100按照接收到的操作指令信号285,使例如称为阀的开度或阻尼器开度的驱动器动作而控制成套设备的状态。
本实施例是应用于火力发电成套设备的燃烧控制的例子。在本例中,特别以应用于将降低废气中的NOX及CO的浓度作为目的的控制功能上的例子为中心进行说明。
图7表示作为控制对象的火力发电成套设备的结构。通过燃烧器102将作为燃料的煤、煤搬运用的一次空气及燃烧调整用的二次空气投入锅炉101内,用锅炉101燃烧煤。煤和一次空气从配管134引出,二次空气从配管141引出。另外,将二段燃烧用的后续空气通过后续空气口103投入锅炉101内。该后续空气从配管142引出。
通过煤的燃烧产生的高温气体沿着锅炉101的路径流动后,通过空气加热器104。之后,在用废气处理装置除去有害物质后,从烟囱排到大气中。
在锅炉101中循环的供水通过给水泵105引入到锅炉101内,在换热器106中被气体过热,成为高温高压的蒸汽。另外,在本实施方式中将换热器的数量设定为1个,但也可以配置多个换热器。
通过了换热器106的高温高压的蒸汽,通过涡轮调节器107引入汽轮机108内。利用蒸汽所具有的能量驱动汽轮机108,用发动机109发电。
接着,说明从燃烧器102投入的一次空气及二次空气、从后续空气口103投入的后续空气的路径。
一次空气从风扇120引入配管130内,途中分支为通过空气加热器的配管132和不通过它的131,在配管133再次合流,引入到碾磨机110。通过空气加热器的空气利用气体过热。使用该一次空气将在碾磨机110内生成的煤(细煤粉)吹送到燃烧器102中。
二次空气及后续空气从风扇121引入到配管140内,在用空气加热器104过热后,分支为二次空气用的配管141和后续空气用的配管142,分别引入到燃烧器102和后续空气口103。
控制装置200为了降低NOX及CO的浓度,具有调整从燃烧器投入的空气量和从后续空气口投入的空气量的功能。另外,虽然在图7中未表示,但存在具有将燃烧废气的一部分返回炉膛的气体再循环设备的情况,或者具有将燃烧器的喷出角度做成上下可变的装置的情况,也可以将这些作为控制操作的对象。成为控制对象的向燃烧器供给的燃料流量、燃烧器空气流量、向空气口供给的空气流量、气体再循环设备的操作量、燃烧器的喷出角度等都是对锅炉的操作参数。
控制装置200包括:基本控制指令运算单元230;变更或校正从基本控制指令运算单元230输出的基本操作指令值235的校正单元260;积累、存储由工序计测值205、操作员的输入信号、来自上一级控制***的指令信号等构成的运转实际数据的运转实际数据库240;用于与控制对象成套设备100或操作员等的进行数据的接收和发送的输入输出接口220;以及用于操作员看各种数据或者输入设定值或运转模式、手动运转时的操作指令等的输入输出单元221。
基本控制指令运算单元230以PID(比例、积分、微分)控制器作为基本结构单元,将工序计测值205、操作员的输入信号、来自上一级控制***的指令信号等作为输入,运算对设置在成套设备100上的阀、阻尼器、电机等各种工作机器的基本操作指令值235并输出。
基本操作指令值235的功能及结构由于与现有的火力发电厂的控制装置相同,所以在此省略说明。
本发明的特征在于具备数据生成单元210、模型化单元250、校正单元260以及燃料数据存储单元270。以下,说明各自的功能。
模型化单元250具有生成模拟了作为操作参数的燃料流量、空气流量等和在该操作参数的废气中的某种特定成分浓度的关系的模型的功能。
从燃料数据存储单元270读入数据275,用由输入层、中间层、输出层构成的神经网络利用误差逆传播法(后向传播法)学习输入输出关系。神经网络的结构及学习方法是一般的方法,而且,这些方法也可以是其它方法,由于本发明并不依赖于神经网络的结构或学习方法,所以在此省略详细说明。
输入数据是燃烧器及后续空气口的每个位置的空气流量、每个燃烧器的燃料流量、发动机功率,输出数据是NOX及CO的浓度。
在本例中岁将燃料流量、空气流量、发电功率和NOX及CO的关系模型化,但本发明并不将输入项目及输出项目只限定于这些。另外,模型化方法也不局限于神经网络,也可以使用回归模型等其它统计方法生成模型。
燃料数据存储单元270中对每个煤种(煤根据产地不同性质也不同)都存储有多个模型化单元250的输入数据和输出数据的数据组。
数据组有从实际运算数据库240提取过去的实际数据的数据组,和进行锅炉内的燃烧数值分析而事先计算的计算结果。
仅就运转实际数据而言,直到积累运算数据前不生成模型。而且,没有使用经验的煤种类当然不能生成模型。因此,在本发明中,用逼真地模拟对象成套设备的设计和运用条件的计算体系来进行燃烧数值分析,将其结果存储在燃料数据存储单元270中。
燃烧现象由于是燃料和空气(气体)的流动、传热和燃烧反应等的复杂的复合现象,所以把握其举动一般比较困难。但是,通过进行改变了例如燃料性质(组成、粒径)、燃烧气氛等条件的燃烧基础实验,根据其结果将要素现象模型化,从而以实用的精度也能分析如火力发电厂的锅炉那样的大型且具有复杂的内部举动的现象。
另外,虽然数值分析技术以往就有,但为了在某种程度高精度地分析尤其如锅炉那样的大型装置,需要庞大的计算格子(网格)数量,由于在工业上计算它要花费过多的计算时间,因此事实上是不可能的。
但是,通过使用例如日本特开2003-281462号公报所述的数值分析技术,可以保持精度并高速地进行分析,而且,近年的计算机的性能也有提高,可以实现大型成套设备的详细现象的数值分析。
在燃烧数值分析中对多种煤组成进行了计算。煤组成通过对代表性的煤品牌(种类)进行组成分析决定。由于煤是天然资源,所以即使是相同产地其组成往往也不完全相同。因此,分析多种情况的样品,使用其平均组成。
另外,在发电厂将煤储藏在室外的情况较多,由于天气的影响含水量与日变化,所以即使是相同种类的煤也有特性变化的情况。
于是,对于同一种类的煤使含水量有多种变化情况来进行燃烧数值分析,还存储其结果。因此,可以评价含水量对NOX及CO浓度的影响度。
接着,使用图4说明数据生成单元210。
在步骤500中,读入用于判断是否要变更在模型化单元250中使用的数据组的基准值(数据间距离容许值)。基准值可以从键盘222输入,一旦输入该值就被存储。而且,也可以在以后变更基准值。
在步骤510中,从运转实际数据库240读入从规定期间(例如一个月)到当前为止的燃烧器及后续空气口的每个位置的空气流量、每个燃烧器的燃料流量、发电机功率、NOX浓度、CO浓度的实际值245。
在步骤520中从燃料数据存储单元270读入当前正使用的模型生成用的数值分析结果数据组。
在步骤530中,为了使在步骤510读入的运转实际数据245与燃烧器及后续空气口的每个位置的空气流量、每个燃烧器的燃料流量、发电机功率的值分别相同,将在步骤520读入的数值分析数据组插补在数据之间,计算此时的NOX浓度、CO浓度的插补值。
作为插补方法虽使用三次样条插补,但也可以使用其它插补方法。
数值分析数据组由于是以预定的条件计算的离散数据,由于不能成为与运转实际数据完全相同的条件的情况居多,因此进行这种数据插补,可使其与运转实际数据条件一致。
在步骤540中,求出在步骤510读入的实际值的数据点和在步骤530计算的数值分析数据的插补值的数据间距离。
数据间距离定义为公式(1)表示的欧几里得距离。在两个数据点P、Q的坐标为(Xp1,Xp2,Xp3,…,Xpn)、(Xq1,Xq2,Xq3,…,Xqn)时,两点间的距离djk的平方可以用公式1求出。在这里,作为坐标的Xpi、Xqi是燃烧器及后续空气口的每个位置的空气流量、每个燃烧器的燃料流量、发电机功率、NOX浓度、CO浓度。另外,j是燃料数据组号码,k是j号码的燃料数据组中的NOX及CO的计测数据数。
【公式1】
在步骤550中,对存储在燃料数据存储单元270中的全部燃料组成数据组,判断是否计算了运转实际数据245的与各数据点的距离。
在对全部燃料组成数据组结束了计算的场合前进至步骤560。在剩下未计算的燃料组成数据组的场合,返回到步骤520,变更作为计算对象的燃料组成数据组并以同样的过程计算数据间距离。
在步骤560中,首先对各燃料数据组,用公式(2)求出与运转实际数据245的平均距离dj_ave。
【公式2】
接着,选择dj_ave为最小的数据组。
在步骤570中,比较在步骤500读入的基准值(容许值)和dj_ave,若dj_ave为容许值以下,则向模型化单元250发送dj_ave最小的数据组号码的信息215而结束。
另外,在dj_ave超过容许值的场合,前进至步骤580。
在步骤580中,生成新数据组,将模型修正指令信号输入到模型化单元250中。在dj_ave超过容许值的场合,意味着原有的燃料组成数据组与最近的运转实际数据不一致。从而,在dj_ave最小的燃料组成数据组上加上添加了最近的运转实际数据的数据组而生成新数据组。此时,设置数据标志,以便能区分数值分析数据和运转实际数据。
对模型化单元250输出新生成的数据组号码和模型修正指令信号的信息215。
模型化单元250一接收模型修正指令信息215,就参照新数据组号码,使用该数据组的数据重新生成模型。模型生成方法虽与上述同样,但用数据标志识别运转实际数据,重视运转实际数据的重要性而生成模型。具体地说,通过增加运转实际数据的输入次数,使其比其它数值分析数据还强烈地反映在模型特性上。
由此,至少对于存在运转实际结果的数据点近旁,由于可以将与运转实际数据接近的特性模型化,因而减少了模型的误差。
数据生成单元210例如以一周间隔进行。在dj_ave超过容许值的场合,追加一周时间部分的新积累的运转实际数据,而再次重新生成模型,因此用于模型生成的数据组中的运转实际数据的比例增加,模型特性逐渐接近实际运转特性。
接着,说明校正单元260。校正单元260向模型化单元250输出相当于操作参数的模拟操作指令信号265。模型化单元250向生成的模型输入燃烧器及后续空气口的每个位置的空气流量、每个燃烧器的燃料流量、发电机功率等模拟操作指令信号265,计算作为模型的输出值的NOX及CO浓度并将这些气体成分信息输出到校正单元260。
在校正单元260中从运转数据205读入作为当前的成套设备状态的各操作量值,以该状态为基准在直到下次操作的时间前使燃烧器及后续空气口的每个位置的空气流量在可变化的变化幅度的范围内变化,作为这些模拟操作指令265输出。
操作量的可变幅度从预先登录的阻尼器或阀等的驱动的器动作速度和操作(控制)间隔求出。另外,将各操作量的可变幅度分割为规定数量,对它们的全体组合改变操作量。
对每个这样进行了变化的模拟操作指令信号265用模型化单元计算NOX及CO浓度。从其中提取用公式(3)定义的评价值J为最小的模拟操作指令信号。在这里,CNOx、CCO分别是NOX及CO浓度的计算值,A1、A2是系数。
【公式3】
J=A1CNOx+A2CCO …公式(3)
对公式(3)输入NOX及CO浓度的当前计测值,将计算得到的评价值作为JR。比较用模型的计算值进行评价的J和用当前计测值进行评价的JR,在公式(4)的条件成立的场合,在基本操作指令值235上添加校正而作为操作指令信号285输出。
【公式4】
J<JR …公式(4)
在公式(4)成立的场合,表示根据模型的模拟操作指令信号265的气体中成分比作为当前的计测值的气体中成分条件更好。
使用图11说明校正的方法。
用减法器281计算基本操作指令值235和评价值J为最小的模拟操作指令信号265的偏差信号287,将它用加法器284加到基本操作指令值235上生成校正操作指令值288。
如果,由于输入数据的异常或运算回路的异常而使作为模型化单元250的输出值的NOX及CO浓度计算值变得异常的场合,由于通过将用乘法器283与偏差信号287相乘的系数设为零而使校正操作指令值288与基本操作指令值235相等,由此可减少错误输出异常信号的危险性。
作为模型化单元250的输出值的NOX及CO浓度计算值255是否异常,以向模型化单元250的输入数据及输出数据的上下限值检验以及变化率的上下限检验进行判定。就连至少一个超出预先设定的上下限值的场合,也通过将切换器282的输出信号设为0而防止在有异常的可能性的状态下评价的模拟操作指令信号265的输出。切换器282在除此之外的场合将输出信号设定为1。
切换器286接收公式(4)的判定结果,选择基本操作指令值235和校正操作指令值288中的一个作为操作指令信号285输出。
根据以上内容,通过使用基于燃烧数值分析的结果的模型而评价操作量和NOX及CO产生量的关系,可以进行减少NOX及CO的产生量的操作。
另外,对于燃料性质(煤种类)变化的场合,由于也可以选择适当的数值分析数据组,所以能够维持模型的高精度。因此,在煤种类变更的场合也能够抑制对NOX及CO的控制性能下降。
因此,以往由操作员向控制装置输入燃料性质变化的信息,或者依赖于操作员的经验和知识来变更控制参数的方式被自动化。因此,不依赖于操作员的技术水平而可以进行高性能且稳定的运转,能够减少操作员的作业负荷。
再有,在预先准备的数值分析结果数据组和运转实际数据的偏差大的场合,由于生成追加了运转实际数据的新数据组,因此可以向与运转实际数据接近的模型逐渐自动变更模型。
另外,在本实施方式的例子中虽将控制对象过程值定为NOX及CO浓度,但本发明并不局限于此,也可以将气体中的CO2、SOX、Hg(汞)量、氟、由煤尘或雾构成的微粒子类、VOC(挥发性有机化合物)作为对象。
接着,使用图2说明第二实施方式。
与上述的第一实施方式的不同点在于,使用强化学习单元290学习减少NOX及CO的操作方法。
强化学习单元290具有如下功能,即,使用积累在运转实际数据库240中的运转数,据根据强化学习理论学习对应于成套设备状态的适当的操作方法。
强化学习理论的详细的说明,由于在例如“强化学习(ReinforcementLearning),三上贞芳、皆川雅章共同翻译,森北出版株式会社,2000年12月20日出版”中已有叙述,所以在此仅说明强化学习的概念。
图9表示根据强化学习理论的控制的概念。控制装置610对控制对象600输出控制指令630。控制对象600按照控制指令630动作。这时,通过根据控制指令630的动作,控制对象600的状态发生变化。从控制对象600接收报酬620,该报酬620是表示变化的状态对于控制装置610是希望的或不希望的,以及它们是什么程度的量。
实际上,从控制对象接收的信息是控制对象的状态量,一般控制装置610基于该信息计算报酬。一般设定为越接近所希望的状态报酬越大,越成为不希望的状态报酬越小。
控制装置610反复试验地进行操作,通过学习使报酬达到最大(即,尽量接近所希望的状态)的操作方法,从而按照控制对象600的状态自动构筑适当的操作(控制)逻辑。
以神经网络为代表的带教师学习理论需要预先将成功案例作为教师数据提供,在新成套设备或现象复杂而不能预先准备成功案例的场合不适合使用。
与此相应,将强化学习理论分类为无教师学习,在自身具有反复试验地生成所希望的操作的能力这一方面,具有的优点是也可以应用于控制对象的特性不一定明确的场合。
在本第二实施方式中利用了该强化学习理论。
强化学习虽是反复试验地学习,但在成套设备控制的场合,在运转的危险性或成套设备对制造产品的损坏等方面,要直接将实际成套设备作为对象进行反复试验地操作实现起来是困难的。于是,在本发明中,从成套设备的运转实际结果生成运转特性模型,采用以该模型作为对象进行学习的方式。
强化学习单元290对由模型化单元250生成的模型,输出由燃烧器及后续空气口的每个位置的空气流量、每个燃烧器的燃料流量构成的模拟操作指令信号265。模拟操作指令信号265对应于成套设备的操作条件,分别设定有上下限值、变化幅度(节距宽度)、以一次操作可采用的最大变化幅度。模拟操作指令信号265的各量在可采用值的范围内随机决定各数值。
模型化单元250对已生成的模型输入模拟操作指令信号265,计算作为输出数据255的NOX及CO浓度。
强化学习单元290接收模型化单元250的输出数据255,计算报酬值。
报酬值用公式(5)定义。在这里,R为报酬值,ONOx为NOX值,OCO为CO值,SNOx及SCO为NOX及CO的目标设定值,k1、k2、k3、k3为正的常数。
【公式5】
R=R1+R2+R3+R4 …公式(5)
如公式(5)所示,NOX、CO值比目标设定值还下降了的场合,给予报酬R1及R2,再有,比目标设定值还下降的场合与该偏差成比例地给予报酬。
另外,报酬的定义方法还可以考虑其它多种方法,并不局限于公式(5)的方法。
强化学习单元290由于学习模拟操作指令信号265的组合即操作量,而使以公式(5)计算的报酬达到最大,因此从结果来看可以对应于现状而学习减少NOX、CO的操作量的组合。
强化学习单元290在结束了学习的状态下,读入当前时刻的运转数据205,基于学习结果输出使公式(5)的报酬为最大的操作量295。
校正单元260对基本操作指令值235施加校正并作为操作指令信号285输出。
校正方法基本上与第一实施方式相同。如图13所示的校正回路,与图11所示的第一实施方式的不同点在于,使用以强化学习单元290计算的操作量295来代替模拟指令信号265这点上。
通常,切换器282的输出设定为1,用加法器284将基本操作指令值235与操作量295的偏差加在基本操作指令值235上而成为对基本操作指令值235的强化学习指令值288。
切换器286通常选择强化学习指令值288作为操作指令值285输出。
但是,在模型化单元250的输入输出值或强化学习单元290的输入输出值中有任何一个超出上下限值及变化率的限制范围的场合,设定为作为切换器282的输出选择0,并且在切换器286中选择基本操作指令值235并输出。
由此,双重防止由于数据或运算回路的异常而输出异常操作指令值的情况。
另外,作为强化学习指令值288的控制结果,在控制偏差超过规定范围的场合,或者其频度或持续时间超过规定范围的场合,判断为强化学习指令值288无效,可以在切换器282及286中进行与数据异常时同样的选择(处理)而停止强化学习指令值288的输出。即使在这时也能利用基本操作指令值235继续进运转,不会对成套设备的运转带来障碍。
根据以上内容,在第二实施方式中可以利用强化学习单元290自动构筑最佳操作方法。另外,在结束了学习的状态下,若输入当前的运转状态数据205由于瞬时输出报酬为最大的操作量,因此没必要如第一实施方式那样在每个控制定时改变模拟操作指令信号265的组合并求出适当的操作量的组合,能够减少控制时的计算机负荷。由此,由于计算机动作的稳定性提高,且控制装置的可靠性提高,因此还具有成套设备运转的完全性、稳定性也提高的效果。
接着,使用图3说明第三实施方式。
与第二实施方式的不同点在于,具备状态评价单元300和数据组切换单元310。状态评价单元300监视作为由模型化单元250生成的模型的计算值255和与它对应的运转实际数据205的偏差的模型误差。
使用图12说明状态评价单元300和数据组切换单元310的处理过程。
在步骤600中,读入相对模型误差的容许值的设定值。
在步骤610中,读入运转实际数据205和将此时的操作量实际值输入到模型中而得到的计算值255。
在步骤620中,计算由步骤610读入的运转实际数据205与对应的操作条件下的模型计算值255的偏差(模型误差)。
在步骤630中,对由步骤620计算的模型误差的过去的时间系列数据计算移动平均值,并计算移动平均值在规定时间间隔的变化率。
在步骤640中,比较由步骤630计算的模型误差的移动平均值、移动平均值的变化率值以及每一时刻的模型误差和对由步骤600读入的各个值的各容许值。
若在容许范围内则结束处理,在容许范围外的场合向数据生成单元210输出数据组切换指示315,并向模型化单元250输出模型变更指示316。
从步骤600到步骤630由状态评价单元300进行,步骤640由数据组切换单元310进行。
图5表示状态评价单元300的运算结果的画面输出例子。
在显示画面400上,将模型误差的时间系列序图表显示在图表区域401内。在图表上显示每个时刻的模型误差408及其移动平均值409。
图表的纵轴是模型误差(%),可以输入在输入栏403显示的范围值(例如0,100)。横轴是时刻,在显示栏404上显示日期或时刻。另外,通过用鼠标操作移动杆402,横轴可以变更显示时间。
显示期间可以使用显示期间选择按钮405,选择年单位、月单位、周单位、日单位、小时单位。若用鼠标选择显示期间选择按钮405的任何一个按钮,则显示显示期间输入窗口410,可以指定显示的期间的开始时刻。若什么也不输入就按“OK”按钮,则按照以选择的当前时刻为基准选择的显示期间自动选择显示开始时刻。另外,若按“返回”按钮,则输入的信息被删除。
利用该画面,可以按时间系列监视模型误差的变迁,很容易掌握使用中的模型相对模型误差的容许值407处于何种状态。容许值的设定变更可以通过单击“设定”按钮406而转移到设定画面。
另外,用数据组切换单元310运算的结果,超过容许范围的场合作为警告显示在画面上。警告内容有“模型误差超过容许值”、“显示模型误差超过容许值的持续时间”、“模型误差变化率超过容许值”。
若出现任何一种警告,则自动地显示显示画面400,促使操作员注意。与此同时数据组切换单元310向数据生成单元210输出数据组切换指令315,向模型化单元250输出模型变更指示316。
尤其在“模型误差变化率超过容许值”、“模型误差超过容许值”的场合,可以认为成套设备特性急剧变化。在这种场合,燃料性质变化的可能性大,用第一实施方式中说明的方法变更燃料组成数据组或生成新数据组,再次构筑模型。另外,以再次构筑的模型为对象进行强化学习,自动地追随状态变化。
由此,可以经常自动监视模型误差的倾向,由于可以根据监视结果进行模型变更及强化学习的再次学习,因此总是能维持稳定的控制性能。
图6是表示用数据生成单元210变更燃料数据组而再次构筑模型,并评价了模型误差的结果的例子。显示了关于燃料组成A~D的模型误差。作为数据生成单元210的数据组选择的基准,可以计算图6所表示的模型误差的平均值,选择该平均值为最小的燃料组成数据组。
图10是用数据生成单元210选择的燃料组成数据组的显示画面例子430。在画面的上段上,用圆形图431和表433表示选择的数据组的组成。
另外,在下段的输入画面上,操作员可以输入实际使用的燃料性质。在将多种煤混合了的场合,可以在输入栏435上输入煤种类名称及其配合比例。
该信息可以发送到分析中心30。如图8所示,分析中心30通过专用通信线路网与多个发电厂50、51、52连接,可以相互进行数据的发送接收。
在燃料组成数据组的显示画面例子430中,若按“向分析中心发送”按钮434,则操作员将输入到输入栏435的信息被发送到分析中心30。而且,将由数据生成单元210选择的数据组名称和最近的运转实际数据(操作指令值、过程值)同时发送到分析中心30。
分析中心30若从发电厂50~51接收上述信息,就将燃烧数值分析的对象成套设备构造数据和接收到的操作量实际值输入到分析模型,在对作为计算条件之一的燃料组成数据进行各种变更的同时计算NOX及CO浓度,选择接收到的NOX及CO浓度与实测值的误差为最小的燃料组成数据。
通过专用通信线路网40向对象发电厂发送这样选择的燃料组成数据组和从根据该数据组构筑的模型及以该模型为对象进行强化学习的学习结果。
控制装置200若确认该接收信息,就将新接收到的燃料组成数据组保存在燃料数据存储单元270中,将接收到的模型置于模型化单元250中,将接收到的强化学习结果置于强化学习单元290中。
分析中心30的模型构筑方法及强化学习方法与在上述第一及第二实施方式中所述的方法相同。
根据以上内容,在能得到关于燃料变更的详细信息的场合,由于可以更新为精度更高的数据组及使用它的模型,因此能够维持高性能的控制性能。
在本例中,从发电厂接收数据后虽然进行了由分析中心30进行了改变燃料组成数据组的数值分析和模型构筑以及强化学习,但如果事先进行多种情况的对燃料组成进行各种改变的数值分析并保存结果,则只要根据接收燃料性质变更的数据时保存的分析结果选择数据组或模型等即可,可以立即向发电厂提供新模型。因此,能够缩短由于燃料变更而使控制性能下降的时间。
另外,在从发电厂接收燃料性质数据之前,也可以事先对各种燃料性质进行分析,并依次向发电厂发送新的燃料组成数据组、使用它构筑的模型及以该模型为对象进行强化学习的学习结果,在发电厂中预先保存这些信息。
在这种场合,虽有可能增加发电厂一方的存储容量、通信负荷、通信成本,但由于在煤种类变更时无需与分析中心30通信,可以迅速变更为新的模型或新的强化学习结果,因此能够缩短由于煤种类变更而发生使控制性能下降的风险的时间。
作为根据上述实施例的效果,可以列举如下。
即使燃料组成(性质)变化,由于可以自动地适当控制排气成分,所以能够减少废气中的N0X、CO等有害物质的产生量。
另外,不需要长期的学习期间,可以从初期就开始发挥控制装置的效果。一般,对于学习中的反复试验运转,虽有可能增加有害物质排出量,但在本发明中由于不需要反复试验运转的学习,因此能够减少有害物质的排出量。
再有,由于减少了废气中的NOX量等,因此能够削减脱硝装置的氨使用量等实用量,还可以期待装置的小型化或催化剂的寿命延长。
另外,由于能够自动追随燃料性质的变化,因此除了能够减少操作员的调整作业负荷以外,还可以不依赖于操作员的经验或知识而实现适当的控制,还具有提高成套设备运转的可靠性的优点。
在上述实施例中,虽然主要说明了具有锅炉的成套设备的控制装置,但本控制装置还可使用于控制具有燃烧装置的控制对象物的情况。
以下,利用图示的实施方式详细说明实现第二目的的成套设备控制方法和装置。
图14是在将本发明应用在火力发电设备的锅炉设备上,并操作供给由锅炉设备构成的成套设备1001的锅炉的空气流量,学习使所排出的CO浓度为最小的控制方法的场合的一个实施方式,在这种场合,在成套设备1001上设有外部输出接口1002和外部输入接口1003。
首先,外部输出接口1002从加法器1017输入信号,并向成套设备1001输出而操作空气流量。根据需要也可以具备用于人进行操作的键盘或显示器。
其次,外部输入接口1003输入从成套设备1001输出的信号,作为成套设备的运转数据输出到运转实际数据库1005、基本控制指令运算单元1004和操作量运算单元1015。这时,根据需要也可以具备用于人进行操作的键盘或显示器。
接着,基本控制指令运算单元1004是输出例如用于操作成套设备1001的空气流量等的基本控制指令信号的单元,由以一般的PID控制逻辑构成的控制装置构成。
另外,在运转实际数据库1005中存储有从外部输入接口1003输出的成套设备的运转数据。
在这里,该运转数据指的是规定成套设备1001的状态的过程值,如例如图15所示,虽然是表示相对空气流量的NOX、CO的浓度的关系的数据,但除了这些从成套设备排出的NOX、CO以外,还有CO2、SOX、汞、氟、煤尘或雾等微粒子类或者挥发性有机化合物中的至少一种量或浓度。
接着,数值分析单元1006是模拟成套设备的运转的模拟器,例如是使用专利文献3所记载的模拟方法,以成套设备1001的锅炉的形状、煤的种类等所提供的条件和空气流量等操作条件为基础进行模拟,计算成套设备运转时产生的CO浓度等。
作为这时的操作条件,除了上述空气流量之外,还有燃料流量、空气温度、锅炉的燃烧器内的空气分配、锅炉的燃烧器倾角或锅炉的并联阻尼器角度中的至少一种。
而且,该数值分析单元1006的分析结果,作为例如相对空气流量的CO浓度的值提供,并存储在数值分析数据库1007中。这时被存储的数据是与图15所示的运转实际数据库1005同样的形式。
连续模型化单元1008对于存储在数值分析数据库1007中的离散的空气流量和CO浓度的关系,近似地生成连续模型1009,使其相对参数的变化成为连续的关系。从而,该连续模型1009利用连续模型化单元1008或连续模型修正单元1012生成。
接着,误差评价单元1010评价存储在数值分析数据库1007中的数据与由连续模型化单元1008生成的连续模型1009的误差。另外,在利用误差评价单元1010评价的误差满足一定条件的场合,参数追加单元1011设定追加进行数值分析的空气流量的值,追加数据点。而且,对于追加的数据点利用数值分析单元1006进行数值分析。
另一方面,连续模型修正单元1012使用在运转实际数据库1005中的运转数据修正连续模型1009的模型。而且,控制方法学习单元1013以连续模型1009为基础利用强化学习法学习控制流量的操作方法。学习结果存储在学习结果数据库1014中。这时,存储在学习结果数据库104中的学习结果的一例表示在图16中。
接着,操作量运算单元1015使用从外部输入接口1003输出的运转数据和学习结果数据库1014,计算要操作的空气流量的值。例如,学习结果为图16的场合,若空气流量为0.45,则控制空气流量使其为+0.05。计算的控制信号输出到加法器1016。
于是,加法器1016输入基本控制指令运算单元1004的输出信号和操作量运算处理1015的输出信号,计算这两种信号的差并输出到加法器1017。这时,设有切换器1018,利用它将减法器1016的输出从加法器1017的输入切断,如现有技术还可以进行只用基本控制指令运算单元1004的输出的运算。
另外,加法器1017输入基本控制指令运算单元1004的输出信号和减法器1016的输出信号,计算这两种信号的和并输出。从而,利用这些减法器1016和加法器1017,向成套设备的输出信号可以作为利用操作量运算处理1015的输出信号校正了基本控制指令运算单元1004的输出信号的信号。
下面,利用图17的流程图说明该实施方式的动作。
在图14的实施方式中,为了操作锅炉的空气流量而控制CO浓度,需要知道相对空气流量的变化的CO浓度的变化。于是,首先利用数值分析计算空气流量和CO浓度的关系(步骤1101)。图18表示这时的计算结果的一例。图中的点是将空气流量从0.3变化到0.7,以间隔0.1计算的结果。
这时的分析最好尽量以细小的间隔进行,但是由于在各点的计算上要花费一定程度的时间,因此实际上只能得到离散的数据。于是,由于对没有点的部分进行插补,因而生成近似的连续模型,使其相对参数的变化成为连续的关系(步骤1102)。
在这时的连续模型的生成中,有利用多项式近似的方法、使用了神经网络的方法等。
在这里,根据图18的虚线的特性,是这样对数据点近似地生成连续模型的结果,只要根据它就能从作为连续模型所提供的空气流量连续地估算CO浓度。
接着,利用强化学习法构筑要保存在学习结果数据库1014中的数据(步骤1103)。
在该实施方式中,由于使用学习结果操作成套设备,所以控制性能依赖于用于学习上的连续模型的精度的程度较大。
在这里为了提高精度,只要将进行数值分析的空气流量的间隔细小化,增加数据点的数量即可。但是,如上所述,由于在实际使用的时间中要进行许多数据点的数值分析是困难的,所以重要的是有效地选择数据点以抑制数据点的个数。例如在图18的场合,可以认为在CO浓度低的空气流量0.5附近数据的重要性高。于是,通过以下过程追加数据点。
图19是表示利用数值分析生成连续模型的详细的流程图,在这里的步骤1201~步骤1208相当于图17的步骤1101~步骤1103。
首先,在步骤1201中,设定用数值分析计算的空气流量的点。在这里设定的点由于为初始设定,所以这时的点的间隔和点的数量,只要考虑分析的精度、所需时间等,在空气流量的变化范围内适当设定即可。
接着,在步骤1202中,使用数值分析单元计算各空气流量的点的CO浓度。计算结果存储在数值分析数据库中。
然后,在步骤1203中,对离散的数据进行插补,生成连续模型,之后在步骤1204中,临时计算除去了任意数据点的场合的连续模型,在步骤1205中计算与除去了的数据点的误差。
图20是这时的计算结果的一例,在这种场合,由于除去空气流量0.5的点而生成的连续模型与空气流量0.5的点的误差增大,由此判明该空气流量0.5附近的点对连续模型的影响较大,断定在该部分需要以细小的间隔进行计算。
于是,在步骤1205之后,将该误差与某个阈值进行比较(步骤1206),在误差超过该阈值的场合,判断为该点附近的数据的重要性高,在到前后的点之间追加数据点而使间隔细小化(步骤1207)。而且,对该追加了的数据点,使用数值分析单元计算CO浓度,再次计算连续模型。
通过这样反复进行步骤1202~1207直到误差变小,可以有效地追加数据点。
在这里,图21是表示由步骤1207追加数据点,再次生成了连续模型的场合的数据例子图,通过以上过程可以理解,能够抑制进行数值分析的点的数量的同时能够生成精度高的连续模型。而且,之后,前进至步骤1208或步骤1103,使用所生成的连续模型进行强化学习。
但是,由于由上述过程得到的模型使用了数值计算的结果,不可避免地在与实际的成套设备之间存在误差,所以最好尽量使用成套设备实际机器的运转数据。
于是,若最初使用由数值分析生成的连续模型进行强化学习,得到成套设备实际机器的运转数据,则使用运转数据修正模型比较好。
从而,在该实施方式中,通过以下过程修正连续模型,以该修正模型为对象再次学习操作方法,因此,设有图17的步骤1104,在这里利用连续模型修正单元修正连续模型。例如,在利用数值分析生成了连续模型的数据中包含糊不清成套设备实际机器的运转数据,再次生成连续模型。这时,由于优先使用运转数据,因此可以预先加以适当的重视。
图22是这样追加运转数据而修正连续模型的场合的一例,与图21的连续模型相比,可知反映了成套设备实际机器的运转数据的倾向。例如,在得到了运转数据的空气流量附近,成为反映了运转数据的倾向的连续模型。
另外,由于即使在没有连续数据的部分,也能生成以数值分析的结果为基础的连续模型,所以可以得到精度更高的模型。
接着,在步骤1105中,使用修正了的连续模型进行强化学习。在再次学习中,懂得了部分重新学习的方法,根据该方法,能够以较小负荷构筑控制模型。
并且,这些步骤1104~1105的过程在每次追加成套设备数据时都进行。由此,可以将以数值分析结果为基础的连续模型逐渐修正为与成套设备实际机器的特性一致的模型,而且也可以将控制空气流量的模型修正为与成套设备实际机器的特性一致的模型。
于是,使用该强化学习的结果计算空气流量的操作量(步骤1106),接着向成套设备1001输出操作信号(步骤1107),控制要向成套设备1001的锅炉供给的空气流量,而这时通过上述过程,由于能根据成套设备试运转以分析结果为基础进行控制,能够缩短直到引入的时间,可以伴随运转数据的积累修正为成套设备实际机器的特性,所以能得到性能好的CO抑制控制。
从而,根据上述实施方式,从成套设备运转前,可以利用数值分析结果构筑用于学习的模型,从而能够缩短成套设备控制的引入期间,从未充分积累成套设备运转实际数据的阶段开始发挥说明书规格性能,可以得到预定的CO的控制。总之,不仅能够对应在试运转期间的燃料或原料的较多消耗,而且还能够对应由来自成套设备的排出物引起的对环境的影响。
另外,根据上述实施方式,利用数值分析结果的误差评价生成操作条件参数,通过追加数值分析数据,降低模型的误差,就可以进行性能好的控制。这时,通过使用成套设备运转数据修正模型,再次进行强化学习,从而总是能进行性能好的控制。
因此,通过将上述实施方式的发明应用于火力发电设备的锅炉上,就能够减少增加NOX、CO等环境负荷物质的产生的风险。
本发明由于从成套设备试运转时开始,就能利用数值分析结果控制成套设备,所以能够缩短控制装置的引入期间。另外,通过利用数值分析的误差评价生成操作条件参数,追加数值分析数据而降低模型的误差,以及使用成套设备运转数据修正模型,再次进行强化学习,从而总是能进行性能好的控制。
另外,通过将本发明应用于火力发电设备的锅炉上,能够减少增加NOX、CO等环境负荷物质的产生的风险。
Claims (15)
1.一种具有燃烧装置的控制对象物的控制装置,其特征在于,具有:
基本控制指令运算单元,其输入具有燃烧装置的控制对象物的计测数据并对向上述控制对象物的操作指令值进行运算;
燃料数据存储单元,其相对向上述燃烧装置供给的燃料的多个燃料组成,存储上述燃烧装置的操作参数和上述气体中成分的数据组;
运转实际数据库,其存储上述控制对象物的过去的运转实际值;
数据生成单元,其算出上述控制对象物的过去的运转实际值和上述数据组的数据间距离,决定使数据间距离为最短的数据组;
模型化单元,其使用由上述数据生成单元决定的数据组,对上述燃烧装置的操作参数与上述燃烧装置的燃烧废气中成分的关系进行模型化;以及
校正单元,其使用上述模型化单元的模型算出比当前的气体中成分条件更好的燃烧装置的操作参数,用算出的操作参数校正上述基本控制指令运算单元的操作指令值。
2.根据权利要求1所述的具有燃烧装置的控制对象物的控制装置,其特征在于,
上述校正单元具有强化学习单元,其在使用上述模型化单元的模型算出比当前的气体中成分条件更好的燃烧装置的操作参数的场合,相对用上述模型化单元生成的模型输入相当于操作参数的多个模拟操作信号并计算上述气体中成分,至少使用该计算值以预先规定的方法计算对操作参数的报酬值,并基于强化学习理论学习使该报酬值为最大或最小的操作参数值。
3.根据权利要求1所述的具有燃烧装置的控制对象物的控制方法,其特征在于,
还具有状态评价单元,其比较用上述模型化单元的模型计算的上述气体中成分的计算值和与它对应的实测值并计算偏差,并运算该偏差量的时间变化率、偏差量的最大值或最小值、偏差量的时间平均值、偏差量的离散中的至少一个模型误差信息。
4.根据权利要求3所述的具有燃烧装置的控制对象物的控制装置,其特征在于,
还具有数据组切换判定单元,其基于用上述状态评价单元运算的模型误差信息,判定是否用上述模型化单元新生成模型。
5.根据权利要求1所述的具有燃烧装置的控制对象物的控制装置,其特征在于,
上述数据生成单元在由上述控制对象物的上述操作参数指令值或测定值和上述气体中成分的测定值构成的多维空间的数据点和保存在上述燃烧数据存储单元中的数据点或这些数据点之间的内插点的数据间距离的总和或平均距离最小的燃料组成数据组中,加上预定的规定期间的测定值,生成新的数据组。
6.根据权利要求1所述的具有燃烧装置的控制对象物的控制装置,其特征在于,
还具有:输入包含燃料组成或燃料种类名称或多个燃料种类的配合比例的至少一个的燃料性质信息的输入单元;以及,使用通信单元将该燃料性质信息向控制装置的外部发送的单元。
7.根据权利要求1~6中任何一项所述的具有燃烧装置的控制对象物的控制装置,其特征在于,
具有关于上述多个燃料组成,从控制装置外接收上述成套设备的操作参数和该操作条件时的燃烧废气中的由氮氧化物、一氧化碳、二氧化碳、硫氧化物、汞、氟、煤尘或雾构成的微粒子类、挥发性有机化合物中的至少一种构成的气体中成分的数值分析结果的单元,
将接收到的数值分析结果保存在上述燃料数据存储单元中。
8.根据权利要求1所述的具有燃烧装置的控制对象物的控制装置,其特征在于,
上述具有燃烧装置的控制对象物的控制装置是具有锅炉的成套设备,
上述操作参数是向上述锅炉的燃烧器供给的燃料流量、向上述锅炉的燃烧器供给的空气流量、向上述锅炉的空气口供给的空气流量中的任何一种,
上述气体中成分是氮氧化物、一氧化碳、二氧化碳、硫氧化物、汞、氟、微粒子类、挥发性有机化合物中的任何一种。
9.一种成套设备的控制方法,该成套设备控制装置具有学习操作量和成套设备状态的关系的学习功能,并具有利用该学习功能计算对应于成套设备状态的操作指令值的功能,其特征在于,
利用多个操作条件的流动及反应现象的数值分析而计算规定成套设备的状态的过程值,
将各操作条件的过程值近似地生成连续模型,使其相对操作条件参数的变化成为连续的关系,
使用通过数值分析计算的过程值和成套设备实际机器的运转数据再次生成上述连续模型,
使用再次生成的上述连续模型进行学习。
10.一种成套设备的控制方法,该成套设备控制装置具有模拟成套设备的特性的连续值模型,以及使用该连续值模型学习上述成套设备的操作方法,并基于用该学习功能学习的结果计算对应于成套设备状态的操作指令值的功能,其特征在于,
利用多个操作条件的流动及反应现象的数值分析而计算规定成套设备的状态的过程值,
将各操作条件的过程值近似地生成连续模型,使其相对操作条件参数的变化成为连续的关系,
使用通过数值分析计算的过程值和成套设备实际机器的运转数据再次生成上述连续模型。
11.根据权利要求9所述的成套设备控制方法,其特征在于,
评价通过上述数值分析计算的过程值与利用上述连续模型的计算值的误差,
基于数值分析结果生成新的操作条件参数,
使用生成的新的操作条件参数再次进行上述数值分析并计算新的过程值,
使用通过上述数值分析计算的旧的过程值和新的过程值再次生成上述连续模型。
12.根据权利要求9所述的成套设备控制方法,其特征在于,
在规定上述成套设备的状态的过程值中,使用从成套设备排出的微粒子类或挥发性有机化合物的至少一种量或浓度,
在上述操作条件中,使用空气流量、燃料流量、空气温度、锅炉的燃烧器内的空气分配、锅炉的燃烧器倾角或锅炉的并联阻尼器角度中的至少一种。
13.一种成套设备控制装置,具有学习操作量和成套设备状态的关系的学习功能,并具有利用该学习功能计算对应于成套设备状态的操作指令值的功能,其特征在于,具有:
存储成套设备的操作条件的过程值的运转实际数据库;
存储通过成套设备的操作条件的流动及反应现象的数值分析计算的过程值的数值分析数据库;
从上述数值分析数据库将各操作条件的过程值近似地生成连续模型,使其相对操作条件参数的变化成为连续的关系的连续模型化单元;以及,
追加上述运转实际数据库的过程值并再次生成上述连续模型的连续模型修正单元,
上述学习功能是使用利用上述连续模型修正单元再次生成的连续模型进行学习的功能。
14.根据权利要求13所述的成套设备控制装置,其特征在于,具备:
评价通过数值分析计算的过程值和利用上述连续模型的计算值的误差的单元;
基于误差评价结果生成新的操作条件参数的单元;
使用已生成的新的操作条件参数再次进行数值分析并计算新的过程值的单元;以及,
使用上述连续模型化单元通过数值分析计算的旧的过程值和新的过程值再次生成连续模型的单元。
15.根据权利要求13所述的成套设备控制装置,其特征在于,
在规定上述成套设备的状态的过程值中,使用从成套设备排出的微粒子类或挥发性有机化合物的至少一种量或浓度,
在上述操作条件中,使用空气流量、燃料流量、空气温度、锅炉的燃烧器内的空气分配、锅炉的燃烧器倾角或锅炉的并联阻尼器角度中的至少一种。
Applications Claiming Priority (6)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2006-086131 | 2006-03-27 | ||
JP2006086131A JP4585983B2 (ja) | 2006-03-27 | 2006-03-27 | プラント制御方法及びプラント制御装置 |
JP2006086131 | 2006-03-27 | ||
JP2006098519 | 2006-03-31 | ||
JP2006098519A JP4270218B2 (ja) | 2006-03-31 | 2006-03-31 | 燃焼装置を有する制御対象物の制御装置、及びボイラを有するプラントの制御装置 |
JP2006-098519 | 2006-03-31 |
Related Child Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2009101264839A Division CN101504152B (zh) | 2006-03-27 | 2007-02-28 | 成套设备的控制方法及控制装置 |
CN2010101129280A Division CN101846332B (zh) | 2006-03-27 | 2007-02-28 | 具有燃烧装置的控制对象物的控制装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101046683A true CN101046683A (zh) | 2007-10-03 |
CN101046683B CN101046683B (zh) | 2010-05-26 |
Family
ID=38637756
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2007100847709A Expired - Fee Related CN101046683B (zh) | 2006-03-27 | 2007-02-28 | 具有燃烧装置的控制对象物的控制装置 |
CN2009101264839A Expired - Fee Related CN101504152B (zh) | 2006-03-27 | 2007-02-28 | 成套设备的控制方法及控制装置 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2009101264839A Expired - Fee Related CN101504152B (zh) | 2006-03-27 | 2007-02-28 | 成套设备的控制方法及控制装置 |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP4585983B2 (zh) |
CN (2) | CN101046683B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104238434A (zh) * | 2013-06-20 | 2014-12-24 | 北京海信达能源环境技术有限责任公司 | 监控方法和装置 |
CN101842754B (zh) * | 2007-10-31 | 2016-01-20 | 西门子公司 | 用于以计算机辅助方式探索技术***的状态的方法 |
CN105351966A (zh) * | 2015-12-04 | 2016-02-24 | 深圳智慧能源技术有限公司 | 引射式燃烧装置的控制逻辑参数阀值快速调节*** |
CN106958833A (zh) * | 2017-03-28 | 2017-07-18 | 安徽博微长安电子有限公司 | 一种生物质悬浮燃烧炉自动控制方法 |
CN107958695A (zh) * | 2017-11-17 | 2018-04-24 | 桂林电子科技大学 | 一种基于机器学习的高精度药物定量方法 |
CN110161835A (zh) * | 2018-02-12 | 2019-08-23 | 罗伯特·博世有限公司 | 用于计算安全关键的***中的数据模型的方法和装置 |
CN110274985A (zh) * | 2018-03-14 | 2019-09-24 | 三菱重工业株式会社 | 燃料简易分析装置及其调整装置、方法、锅炉的控制装置 |
CN110312976A (zh) * | 2017-02-10 | 2019-10-08 | 三菱日立电力***株式会社 | 模拟结果的评价装置以及方法 |
CN111279276A (zh) * | 2017-11-02 | 2020-06-12 | 西门子股份公司 | 用于控制复杂***的随机化加强学习 |
CN111949054A (zh) * | 2019-05-17 | 2020-11-17 | 阿自倍尔株式会社 | 温度调节计及异常判断方法 |
CN112304106A (zh) * | 2019-08-02 | 2021-02-02 | 乔治洛德方法研究和开发液化空气有限公司 | 炉的控制***、炉的控制方法及具备该控制***的炉 |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4361582B2 (ja) | 2007-08-21 | 2009-11-11 | 株式会社日立製作所 | ガスタービンの性能診断方法及び性能診断システム |
US8135653B2 (en) | 2007-11-20 | 2012-03-13 | Hitachi, Ltd. | Power plant control device which uses a model, a learning signal, a correction signal, and a manipulation signal |
JP5155690B2 (ja) * | 2008-02-25 | 2013-03-06 | 株式会社日立製作所 | 石炭焚きボイラのガス濃度推定装置及びガス濃度推定方法 |
JP5117232B2 (ja) * | 2008-03-18 | 2013-01-16 | 株式会社日立製作所 | 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 |
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 |
JP6486731B2 (ja) * | 2015-03-13 | 2019-03-20 | 株式会社東芝 | 機器特性モデル学習装置、機器特性モデル学習方法、及びプログラム |
JP6850313B2 (ja) * | 2019-02-08 | 2021-03-31 | エヌ・ティ・ティ・コミュニケーションズ株式会社 | シミュレーション装置、シミュレーション方法およびシミュレーションプログラム |
JP6790154B2 (ja) * | 2019-03-07 | 2020-11-25 | 東芝デジタルソリューションズ株式会社 | 協調型学習システム及び監視システム |
KR102291800B1 (ko) * | 2019-04-08 | 2021-08-23 | 두산중공업 주식회사 | 보일러 연소 모델 도출 장치 및 방법 |
US20230229150A1 (en) * | 2020-09-29 | 2023-07-20 | Nec Corporation | Plant control support system, proposal method, and program storage medium |
JPWO2022074734A1 (zh) * | 2020-10-06 | 2022-04-14 | ||
CN116943565B (zh) * | 2023-09-20 | 2023-12-19 | 山西虎邦新型建材有限公司 | 一种聚羧酸减水剂自动化生产控制*** |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH03259368A (ja) * | 1990-03-09 | 1991-11-19 | Nec Corp | シミュレーションモデル生成方式 |
JPH03265064A (ja) * | 1990-03-15 | 1991-11-26 | Hitachi Ltd | シミュレーション方法及びその装置並びに生産管理支援装置及びcad装置 |
JPH04199202A (ja) * | 1990-11-24 | 1992-07-20 | Hitachi Ltd | プラント運転支援装置 |
JP3028390B2 (ja) * | 1993-03-26 | 2000-04-04 | 株式会社山武 | 冷凍機の稼働エネルギー量推定装置 |
JPH06202707A (ja) * | 1993-01-06 | 1994-07-22 | Mitsubishi Electric Corp | 監視制御装置 |
JP3229413B2 (ja) * | 1993-01-19 | 2001-11-19 | 旭化成株式会社 | プロセス制御システムおよびその運転条件作成方法 |
JPH06214610A (ja) * | 1993-01-20 | 1994-08-05 | Hitachi Ltd | 制御方法及びその装置 |
JPH07121230A (ja) * | 1993-10-26 | 1995-05-12 | Toshiba Corp | プラント状態予測装置 |
US5459636A (en) * | 1994-01-14 | 1995-10-17 | Hughes Aircraft Company | Position and orientation estimation neural network system and method |
JPH07281714A (ja) * | 1994-04-06 | 1995-10-27 | Kawasaki Heavy Ind Ltd | シミュレーション方法およびそれに用いる装置 |
JPH1020923A (ja) * | 1996-07-02 | 1998-01-23 | Hitachi Ltd | プラント制御装置 |
JP3377163B2 (ja) * | 1997-03-06 | 2003-02-17 | 株式会社日立製作所 | 自律的制御システム |
JPH11149302A (ja) * | 1997-11-17 | 1999-06-02 | Mitsubishi Chemical Corp | 製造または処理プロセスの操作制御方法 |
JP2002091505A (ja) * | 2000-09-14 | 2002-03-29 | Toshiba Corp | モデル同定装置 |
JP2002364311A (ja) * | 2001-06-08 | 2002-12-18 | Hitachi Ltd | 火力発電プラント動特性解析支援システム |
JP2003049214A (ja) * | 2001-08-06 | 2003-02-21 | Nkk Corp | 製鋼精錬炉の操業解析システム |
JP2004178492A (ja) * | 2002-11-29 | 2004-06-24 | Mitsubishi Heavy Ind Ltd | 強化学習法を用いたプラントシミュレーション方法 |
-
2006
- 2006-03-27 JP JP2006086131A patent/JP4585983B2/ja not_active Expired - Fee Related
-
2007
- 2007-02-28 CN CN2007100847709A patent/CN101046683B/zh not_active Expired - Fee Related
- 2007-02-28 CN CN2009101264839A patent/CN101504152B/zh not_active Expired - Fee Related
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101842754B (zh) * | 2007-10-31 | 2016-01-20 | 西门子公司 | 用于以计算机辅助方式探索技术***的状态的方法 |
CN104238434A (zh) * | 2013-06-20 | 2014-12-24 | 北京海信达能源环境技术有限责任公司 | 监控方法和装置 |
CN105351966A (zh) * | 2015-12-04 | 2016-02-24 | 深圳智慧能源技术有限公司 | 引射式燃烧装置的控制逻辑参数阀值快速调节*** |
CN110312976A (zh) * | 2017-02-10 | 2019-10-08 | 三菱日立电力***株式会社 | 模拟结果的评价装置以及方法 |
CN106958833A (zh) * | 2017-03-28 | 2017-07-18 | 安徽博微长安电子有限公司 | 一种生物质悬浮燃烧炉自动控制方法 |
CN106958833B (zh) * | 2017-03-28 | 2019-03-08 | 安徽博微长安电子有限公司 | 一种生物质悬浮燃烧炉自动控制方法 |
US11164077B2 (en) | 2017-11-02 | 2021-11-02 | Siemens Aktiengesellschaft | Randomized reinforcement learning for control of complex systems |
CN111279276A (zh) * | 2017-11-02 | 2020-06-12 | 西门子股份公司 | 用于控制复杂***的随机化加强学习 |
CN111279276B (zh) * | 2017-11-02 | 2024-05-31 | 西门子股份公司 | 用于控制复杂***的随机化加强学习 |
CN107958695A (zh) * | 2017-11-17 | 2018-04-24 | 桂林电子科技大学 | 一种基于机器学习的高精度药物定量方法 |
CN107958695B (zh) * | 2017-11-17 | 2021-12-14 | 桂林电子科技大学 | 一种基于机器学习的高精度药物定量方法 |
CN110161835A (zh) * | 2018-02-12 | 2019-08-23 | 罗伯特·博世有限公司 | 用于计算安全关键的***中的数据模型的方法和装置 |
CN110274985A (zh) * | 2018-03-14 | 2019-09-24 | 三菱重工业株式会社 | 燃料简易分析装置及其调整装置、方法、锅炉的控制装置 |
CN111949054A (zh) * | 2019-05-17 | 2020-11-17 | 阿自倍尔株式会社 | 温度调节计及异常判断方法 |
CN112304106A (zh) * | 2019-08-02 | 2021-02-02 | 乔治洛德方法研究和开发液化空气有限公司 | 炉的控制***、炉的控制方法及具备该控制***的炉 |
CN112304106B (zh) * | 2019-08-02 | 2024-06-11 | 乔治洛德方法研究和开发液化空气有限公司 | 炉的控制***、炉的控制方法及具备该控制***的炉 |
Also Published As
Publication number | Publication date |
---|---|
JP2007264796A (ja) | 2007-10-11 |
CN101504152B (zh) | 2011-03-23 |
JP4585983B2 (ja) | 2010-11-24 |
CN101504152A (zh) | 2009-08-12 |
CN101046683B (zh) | 2010-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101046683A (zh) | 具有燃烧装置的控制对象物的控制装置及具有锅炉的成套设备的控制装置 | |
CN1673910A (zh) | 成套设备的运转计划最优化方法及最优化*** | |
CN1932264A (zh) | 燃气轮机的燃烧控制装置 | |
CN1932265A (zh) | 燃气轮机的燃烧控制装置 | |
CN100346856C (zh) | 精馏塔的一种自动控制和优化方法 | |
CN1066831C (zh) | 控制器和自适应修改参数的方法 | |
CN101079199A (zh) | 燃气轮机输出示教电路及燃气轮机的燃烧控制装置 | |
CN1603833A (zh) | 大型煤粉炉优化控制*** | |
CN1053247C (zh) | 配水流量预测装置 | |
CN1072369C (zh) | 过程自适应控制技术及过程控制*** | |
CN101030074A (zh) | 控制装置及控制方法 | |
CN1947073A (zh) | 废物燃烧过程的模拟和控制 | |
CN1661642A (zh) | 目标值加工装置、温度调节器、控制过程执行***和方法 | |
CN1894637A (zh) | 模型预测控制器中核心过程模型的使用 | |
CN101034009A (zh) | 一种大型燃煤锅炉在线检测、吹灰优化节能方法 | |
CN1749891A (zh) | 选矿过程综合生产指标智能优化控制方法 | |
CN1205410A (zh) | 设备检查和评价***、设备管理***、以及记录介质 | |
CN1841422A (zh) | 使用人工智能技术对发电厂的运行进行优化的方法和装置 | |
CN1181416C (zh) | 预测控制设备 | |
CN106019935B (zh) | 基于约束模糊关联规则的多目标锅炉燃烧优化 | |
CN1703657A (zh) | 在多事件同时发生期间确定竞争性原因事件的概率和/或***有效性的方法 | |
CN1675503A (zh) | 带虚拟λ传感器的燃料控制*** | |
CN101608798B (zh) | 热风炉空燃比控制方法 | |
CN1900719A (zh) | 环境污染物的自动监测***及其监测方法 | |
CN1885287A (zh) | 存储器的读出及写入方法、存储器控制方法及运算装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20100526 |