JP6143667B2 - 予測システム、監視システム、運転支援システム、ガスタービン設備及び予測方法 - Google Patents

Description

本発明は、設備に関する所定の物理量を予測する予測システム、監視システム、運転支援システム、ガスタービン設備及び予測方法に関するものである。

従来、観測データ、学習データを用いて、異常を検知する異常検知システムが知られている（例えば、特許文献１参照）。この異常検知システムは、観測データと学習データとのかい離度に基づいて、観測データの異常を検知している。

国際公開第２０１０／０９５３１４号

しかしながら、特許文献１に記載の異常検知システムは、観測センサデータから、複数の識別器を用いて、異常の有無を２値化して検知することから、定量的な検知を行うことができない。

そこで、本発明は、設備に関する所定の物理量を定量的にかつ安定的に予測することができる予測システム、監視システム、運転支援システム、ガスタービン設備及び予測方法を提供することを課題とする。

本発明の予測システムは、設備において取得可能な種々のプロセスデータを格納する記憶部と、前記記憶部に格納された前記プロセスデータに基づいて、前記設備に関する予測される所定の物理量を予測値として算出する演算部と、を備え、前記演算部は、前記記憶部に格納された種々の前記プロセスデータのうち、複数の前記プロセスデータを１組のデータセットとして、複数組分だけ取得し、取得した各組の前記データセットに基づいて、前記予測値を算出するための予測モデルをそれぞれ構築し、構築した複数の前記予測モデルから前記予測値をそれぞれ算出し、算出した複数の前記予測値を統合して、統合された前記予測値を算出することを特徴とする。

また、本発明の予測方法は、設備において取得可能な種々のプロセスデータに基づいて、前記設備に関する所定の物理量を予測する予測方法であって、種々の前記プロセスデータのうち、複数の前記プロセスデータを１組のデータセットとして、複数組分だけ取得するデータセット取得工程と、取得した各組の前記データセットに基づいて、予測値を算出するための予測モデルをそれぞれ構築する予測モデル構築工程と、構築した複数の前記予測モデルから前記予測値をそれぞれ算出する予測値算出工程と、算出した複数の前記予測値を統合して、統合された前記予測値を算出する予測値統合工程と、を備えることを特徴とする。

この構成によれば、複数組のデータセットを用いて、複数の予測モデルを構築することができる。そして、複数の予測モデルから複数の予測値を算出し、算出した複数の予測値を統合することができる。このため、複数の予測モデルを用いることで、単一の予測モデルを用いる場合に比べて、予測値を安定的に算出することができる。このとき、予測モデルは、定量的な値として予測値を導出することができる。このため、プロセスデータに基づいて、設備に関する所定の物理量を、定量的な予測値として算出することができる。なお、設備に関する所定の物理量としては、例えば、設備の所定の部位（ガスタービン設備であれば圧縮器、燃焼器、タービンやその内部流体等）における温度、圧力、流量、振動等であり、特に限定されない。

この場合、前記演算部は、構築した複数の前記予測モデルのモデル特性に応じて、算出された複数の前記予測値を補正して統合し、統合された前記予測値を算出することが好ましい。

この構成によれば、予測モデルのモデル特性に応じて、予測値を補正することができるため、統合して算出された予測値の予測精度を向上させることができる。

この場合、前記予測モデルの前記モデル特性は、例えば、前記予測モデルの予測精度の誤差であり、前記演算部は、構築した複数の前記予測モデルの前記予測精度の前記誤差に応じて、算出された複数の前記予測値を加重平均することで補正を行っており、前記誤差が大きい前記予測モデルから算出された前記予測値に対しては、重み付けを小さくし、前記誤差が小さい前記予測モデルから算出された前記予測値に対しては、重み付けを大きくすることが好ましい。

この構成によれば、演算部は、誤差が大きい予測モデルから算出された予測値に対して、重み付けを小さくすることができるため、統合された予測値に対する誤差の影響を小さくすることができる。また、演算部は、誤差が小さい予測モデルから算出された予測値に対して、重み付けを大きくすることができるため、統合された予測値に対する誤差の影響を小さくすることができる。これにより、演算部は、統合された予測値の予測精度を向上させることができる。

この場合、前記演算部は、前記誤差が、予め設定された限界誤差よりも大きい場合、前記限界誤差よりも前記誤差が大きい前記予測モデルから算出された前記予測値の統合を不実行とすることが好ましい。

この構成によれば、演算部は、誤差が大きい予測モデルにより算出される予測値を、他の予測値と統合しないため、統合された予測値に対して、誤差の影響を与えることがない。なお、誤差が大きい予測モデルにより算出される予測値は、例えば、重み付けをゼロとすることで、他の予測値との統合を不実行とすることができる。

この場合、前記演算部は、前記データセットに含まれる前記プロセスデータを選定することが好ましい。

この構成によれば、演算部は、データセットに含まれるプロセスデータを選定することができるため、データセットに含まれる全てのプロセスデータを用いずに、データセットに含まれる一部のプロセスデータを用いることが可能となる。なお、プロセスデータの選定については、特に限定されず、任意の手法によって選定してもよい。例えば、算出する予測値の物理量に対して、相関係数の高いプロセスデータを選定してもよい。また、プロセスデータをランダムに選定してもよいし、予めオペレータにより選択されたプロセスデータを選定してもよい。さらに、変数減少法またはステップワイズ法等の統計的手法を用いて、プロセスデータを選定してもよいし、総当たりでプロセスデータを選定してもよい。

この場合、前記記憶部には、所定のサンプリング周期で前記プロセスデータが格納され、前記演算部は、前記データセットを取得する場合、前記サンプリング周期を異ならせた前記データセットを複数組分だけ取得し、前記サンプリング周期が異なる複数組の前記データセットに基づいて、前記予測モデルをそれぞれ構築することが好ましい。

この構成によれば、サンプリング周期を異ならせたデータセットに基づいて、複数の予測モデルを構築することができる。このため、設備に関する所定の物理量の応答性を考慮した予測モデルを構築することができる。具体的に、設備に設けられる配管の所定の部位において流通する流体の流量は、所定の部位の上流側における流体の圧力の変化によって変化する場合がある。この場合、流体の圧力の変化が、下流側の流体の流量の変化として現れるには、所定の応答時間がかかる。このため、サンプリング周期を異ならせることで、応答時間を考慮した予測モデルを構築することができ、これにより、予測モデルの予測精度を向上させることができる。

本発明の監視システムは、上記の予測システムと、前記予測システムによって算出される前記予測値を用いて、前記設備を監視する監視装置と、を備えることを特徴とする。

この構成によれば、監視装置は、予測システムによって算出される定量的な予測値を用いて、設備を監視することができる。このため、監視装置は、予測値が異常値となる場合、実測値が異常値になる前に、オペレータに対して警告等を発することができる。このため、監視装置は、設備の挙動を予測しながら監視することができる。

本発明の運転支援システムは、上記の予測システムと、前記予測システムによって算出される前記予測値を用いて、前記設備の運転を支援する運転支援装置と、を備えることを特徴とする。

この構成によれば、運転支援装置は、予測システムによって算出される定量的な予測値を用いて、設備の運転を支援することができる。このため、運転支援装置は、予測値に基づいて、設備が効率の良い運転となるように支援することができる。

本発明のガスタービン設備は、上記の予測システム、上記の監視システム及び上記の運転支援システムの少なくとも１つのシステムと、前記設備としてのガスタービンと、を備えることを特徴とする。

この構成によれば、ガスタービンに関する所定の物理量を予測したり、ガスタービンの挙動を予測しながら監視したり、ガスタービンが効率の良い運転となるように支援したりすることができる。

図１は、実施例１に係るガスタービン設備の概略構成図である。 図２は、予測モデルの構築に関するフローチャートである。 図３は、統合された予測値の算出に関するフローチャートである。 図４は、データセットの取得に関するフローチャートである。 図５は、実施例２におけるデータセットの取得に関するフローチャートである。

以下に、本発明に係る実施例を図面に基づいて詳細に説明する。なお、この実施例によりこの発明が限定されるものではない。また、下記実施例における構成要素には、当業者が置換可能かつ容易なもの、あるいは実質的に同一のものが含まれる。

図１は、実施例１に係るガスタービン設備の概略構成図である。図２は、予測モデルの構築に関するフローチャートである。図３は、統合された予測値の算出に関するフローチャートである。図４は、データセットの取得に関するフローチャートである。

図１に示すように、実施例１に係る予測システム２０は、例えば、ガスタービン発電プラント等のガスタービン設備１に組み込まれており、ガスタービン設備１に関する所定の物理量を予測するシステムとなっている。先ず、予測システム２０の説明に先立ち、ガスタービン設備１について説明する。

ガスタービン設備１は、ガスタービン（設備）１０と、予測システム２０と、監視システム３０と、運転支援システム４０とを備える。このとき、監視システム３０は、上記の予測システム２０と、監視装置３１とを含んで構成され、また、運転支援システム４０は、上記の予測システム２０と、運転支援装置４１とを含んで構成されている。

ガスタービン１０は、図示しない圧縮機、燃焼器及びタービンを有しており、圧縮機とタービンは、回転軸により一体回転可能に連結されている。圧縮機は、取り込んだ空気を圧縮し、圧縮した圧縮空気を燃焼器へ向けて供給する。燃焼器は、圧縮機から供給された圧縮空気と、燃料とを混合して燃焼する。タービンは、燃焼器から供給された燃焼ガスにより回転する。

このガスタービン１０には、ガスタービン１０の運転状況を検知するための各種センサが設けられている。各種センサとしては、例えば、ガスタービン１０を構成する圧縮機、燃焼器、タービン内の圧力を検出する圧力センサ１１、同温度を検出する温度センサ１２等がある。これら各種センサによって検出されたデータは、プロセスデータＤ１として、データベース２２に入力される。また、ガスタービン１０には、燃料流量を調整する弁１３、圧縮器に取り込む空気を調整する案内翼１４等が設けられている。弁１３の開度、案内翼１４の角度等に関するデータは、プロセスデータＤ１として、データベース２２に入力される。ここで、データベース２２には、各種センサ１１，１２によって取得したデータ、及び弁１３、案内翼１４に関するデータの他、ガスタービン１０を運転するにあたってオペレータにより入力されたデータが、プロセスデータＤ１として入力される。つまり、データベース２２に入力されるプロセスデータＤ１は、ガスタービン１０に関するデータであれば、特に限定されない。

次に、予測システム２０について説明する。予測システム２０は、予測装置２１と、プロセスデータＤ１を格納する上記のデータベース（記憶部）２２とを含んで構成されている。予測装置２１は、データベース２２に格納されたプロセスデータＤ１に基づいて、ガスタービン１０に関する所定の物理量を予測している。所定の物理量としては、例えば、ガスタービン１０を構成する圧縮器、燃焼器、タービンやその内部流体等における温度、圧力、流量、振動等である。なお、所定の物理量は、ガスタービン１０に関する物理量であれば、特に限定されない。

予測装置２１は、データベース２２と接続されており、予測される所定の物理量を予測値として算出する演算部２５を有している。演算部２５は、集積回路を含んで構成され、所定のプログラムを実行することで、各種演算を実行する。具体的に、演算部２５は、予測プログラムを実行することで、データベース２２に格納されたプロセスデータＤ１に基づいて、ガスタービン１０に関する予測される所定の物理量を予測値として算出する。なお、予測装置２１による予測値の算出については後述する。

データベース２２は、ガスタービン１０から入力される種々のプロセスデータＤ１を格納している。このデータベース２２には、所定のサンプリング周期でプロセスデータＤ１が蓄積される。データベース２２は、予測装置２１と接続されており、予測装置２１の要求に応じて、所定のプロセスデータＤ１を予測装置２１へ向けて出力する。

監視装置３１は、予測システム２０に接続されており、予測システム２０で予測された予測値を用いて、ガスタービン１０の運転状況を監視している。この監視装置３１は、例えば、オペレータに対し所定の情報を報知する警報機、ランプ及び表示装置等の報知装置を有している。監視装置３１は、予測システム２０で予測された予測値が、予め設定された異常値を超えた場合、オペレータに対して報知装置による異常報知を実行する。このように、監視装置３１は、実測値が異常値となる前に、ガスタービン１０の異常を予見する。

運転支援装置４１は、予測システム２０に接続されており、予測システム２０で予測された予測値を用いて、ガスタービン１０の運転を支援している。この運転支援装置４１は、例えば、予測システム２０で予測された予測値が、ガスタービン１０が効率の良い運転となる所定の物理量となるように、ガスタービン１０の運転に関する支援をオペレータに対して行う。

次に、予測装置２１の演算部２５による予測値の演算制御について説明する。予測装置２１の演算部２５は、予測値を算出するにあたって、データ抽出制御と、予測モデル構築制御と、予測値算出制御と、予測値統合制御とを実行している。

演算部２５は、データ抽出制御を実行することで、データベース２２に格納された種々のプロセスデータＤ１のうち、複数のプロセスデータＤ１を１組のデータセットとして、複数組分だけを抽出（取得）する。抽出される複数組のデータセットは、含まれるプロセスデータＤ１の数または種別等が異なるものとなっている。また、データセットは、予測する物理量に応じて適宜用意されている。なお、データセットに含まれるプロセスデータＤ１は、演算部２５により自動で選定して取得してもよいし、予め決定されたものを取得してもよく、特に限定されない。ここで、演算部２５は、データセットに含まれるプロセスデータＤ１を自動で選定する場合、例えば、予測値として算出する物理量に対して相関係数の高いプロセスデータＤ１を選定してもよいし、プロセスデータＤ１をランダムに選定してもよいし、予めオペレータにより選択されたプロセスデータＤ１を選定してもよい。また、変数減少法またはステップワイズ法等の統計的手法を用いて、プロセスデータＤ１を選定してもよいし、総当たりでプロセスデータＤ１を選定してもよい。

演算部２５は、予測モデル構築制御を実行することで、抽出したデータセットに基づいて予測モデルを構築する。予測モデルとしては、例えば、プロセスデータＤ１を入力変数とする多変量解析モデルがあるが、これに限定されず、他の解析モデルや非線形のニューラルネットワークを適用してもよい。また、構築される予測モデルは、定量的な予測値を算出可能な予測モデルとなっている。予測モデル構築制御では、１つのデータセットに対して、１つの予測モデルが構築されることから、データ抽出制御において抽出された複数組のデータセットに対して、複数の予測モデルが構築される。

演算部２５は、予測値算出制御を実行することで、構築された複数の予測モデルを用いて予測値をそれぞれ算出する。

演算部２５は、予測値統合制御を実行することで、算出した複数の予測値を統合する。この予測値統合制御では、予測モデルのモデル特性に応じて、算出された複数の予測値を補正して統合し、統合された予測値を算出している。具体的に、予測モデルのモデル特性は、例えば、予測モデルの予測精度の誤差であり、予測値統合制御では、予測モデルの予測精度の誤差に応じて、算出された複数の予測値を加重平均している。つまり、予測値統合制御では、誤差が大きい予測モデルから算出された予測値に対しては、重み付けを小さくし、誤差が小さい予測モデルから算出された予測値に対しては、重み付けを大きくしている。このとき、予測値統合制御では、予測モデルの誤差が、予め設定された限界誤差よりも大きい場合、限界誤差よりも誤差が大きい予測モデルから算出された予測値に対しては、重み付けをゼロとすることで、予測値の統合を不実行としている。

次に、図２から図４を参照して、予測システム２０によって、ガスタービン１０に関する所定の物理量を予測する予測方法について説明する。先ず、図２を参照して、予測システム２０において予測モデルを構築する制御動作について説明する。ガスタービン１０において取得される種々のプロセスデータＤ１が、データベース２２に入力される（ステップＳ１１）と、入力されたプロセスデータＤ１は、データベース２２に格納される（ステップＳ１２）。予測装置２１の演算部２５は、予測モデルを構築する場合、先ず、データ抽出制御を実行することで、データベース２２から複数組のデータセットを抽出する（ステップＳ１３：データセット取得工程）。この後、演算部２５は、予測モデル構築制御を実行することで、抽出した複数組のデータセットから、複数の予測モデルを構築（作成）する（ステップＳ１４：予測モデル構築工程）。そして、演算部２５は、予測モデルを構築する制御動作を終了する。

次に、図３を参照して、予測装置２１の演算部２５によって統合された予測値を算出する制御動作について説明する。予測装置２１の演算部２５は、統合された予測値を算出する場合、予測値算出制御を実行することで、構築した複数の予測モデルから予測値をそれぞれ算出する（ステップＳ２１：予測値算出工程）。この後、演算部２５は、予測値統合制御を実行することで、算出した複数の予測値を加重平均して統合し、統合された予測値を算出する（ステップＳ２２：予測値統合工程）。そして、演算部２５は、予測値を算出する制御動作を終了する。

次に、図４を参照して、予測装置２１の演算部２５によってデータセットを抽出する制御動作について説明する。予測装置２１の演算部２５は、データ抽出制御を実行すると、先ず、データセットに含まれるプロセスデータＤ１のうち、抽出するプロセスデータＤ１の項目を複数選定（決定）する（ステップＳ３１）。演算部２５は、抽出するプロセスデータＤ１を選定すると、選定したプロセスデータＤ１をデータベース２２から抽出する（ステップＳ３２）。この後、演算部２５は、複数組のデータセットの全てを抽出したか否かを判定する（ステップＳ３３）。演算部２５は、ステップＳ３３において、全てのデータセットを抽出していないと判定すると（ステップＳ３３：Ｎｏ）、ステップＳ３１に再び進んで、他のデータセットを抽出する制御動作を実行する。一方で、演算部２５は、ステップＳ３３において、全てのデータセットを抽出したと判定すると（ステップＳ３３：Ｙｅｓ）、データセットを抽出する制御動作を終了する。

以上のように、実施例１の構成によれば、複数組のデータセットを用いて、複数の予測モデルを構築することができる。そして、複数の予測モデルから複数の予測値を算出し、算出した複数の予測値を統合することができる。このため、複数の予測モデルを用いることで、単一の予測モデルを用いる場合に比べて、予測値を安定的に算出することができる。このとき、予測モデルは、定量的な値として予測値を導出することができる。このため、プロセスデータＤ１に基づいて、ガスタービン１０に関する所定の物理量を、定量的な予測値として算出することができる。

また、実施例１の構成によれば、予測モデルのモデル特性に応じて、予測値を補正することができるため、統合して算出された予測値の予測精度を向上させることができる。つまり、演算部２５は、誤差が大きい予測モデルから算出された予測値に対して、重み付けを小さくすることができるため、統合された予測値に対する誤差の影響を小さくすることができる。また、演算部２５は、誤差が小さい予測モデルから算出された予測値に対して、重み付けを大きくすることができるため、統合された予測値に対する誤差の影響を小さくすることができる。これにより、演算部２５は、統合された予測値の予測精度を向上させることができる。

また、実施例１の構成によれば、演算部２５は、誤差が大きい予測モデルにより算出される予測値を、他の予測値と統合しないため、統合された予測値に対して、誤差の影響を与えることがない。なお、実施例１では、誤差が限界誤差よりも大きい予測モデルによって算出される予測値は、重み付けがゼロとなることで、他の予測値に統合されなかったが、この構成に限定されない。例えば、予測値算出制御において、誤差が限界誤差よりも大きい予測モデルを用いた予測値の算出を行わないことで、他の予測値に統合せずともよい。

また、実施例１の構成によれば、演算部２５は、データセットに含まれるプロセスデータＤ１を選定することができるため、データセットに含まれる全てのプロセスデータＤ１を用いずに、データセットに含まれる一部のプロセスデータＤ１を用いることが可能となる。

また、実施例１の構成によれば、監視システム３０において、監視装置３１は、予測システム２０によって算出される定量的な予測値を用いて、ガスタービン１０を監視することができる。このため、監視装置３１は、ガスタービン１０の挙動を予測しながら監視することができる。

また、実施例１の構成によれば、運転支援システム４０において、運転支援装置４１は、予測システム２０によって算出される定量的な予測値を用いて、ガスタービン１０の運転を支援することができる。このため、運転支援装置４１は、予測値に基づいて、ガスタービン１０が効率の良い運転となるように支援することができる。

なお、実施例１では、予測値統合制御において、算出された複数の予測値を加重平均して統合したが、この統合に限定されない。例えば、予測値統合制御において、算出された複数の予測値を単純平均してもよく、特に限定されない。

次に、図５を参照して、実施例２に係る予測システム２０及び予測方法について説明する。図５は、実施例２におけるデータセットの取得に関するフローチャートである。なお、実施例２では、重複した記載を避けるべく、実施例１と異なる部分について説明し、実施例１と同様の構成である部分については、同じ符号を付す。実施例２に係る予測システム２０は、データセットの取得に際し、サンプリング周期を異ならせている。以下、実施例２に係る予測システム２０について説明する。

実施例２の予測システム２０において、データベース２２には、実施例１と同様に、プロセスデータＤ１が、所定のサンプリング周期で蓄積される。予測装置２１の演算部２５によってデータ抽出制御が実行されると、データ抽出制御では、１つのデータセットに対し、複数の異なるサンプリング周期で、データセットに含まれるプロセスデータＤ１を取得する。すなわち、演算部２５は、所定のデータセットに含まれるプロセスデータＤ１を、サンプリング周期Ｔ１の間隔で抽出し、この後、所定のデータセットに含まれるプロセスデータＤ１を、サンプリング周期Ｔ２の間隔で抽出する。

そして、演算部２５は、予測モデル構築制御において、サンプリング周期が異なる複数組のデータセットに基づいて、予測モデルをそれぞれ構築する。

次に、図５を参照して、予測装置２１の演算部２５によってデータセットを抽出する制御動作について説明する。予測装置２１の演算部２５は、データ抽出制御を実行すると、先ず、抽出するプロセスデータＤ１のサンプリング周期（例えば、サンプリング周期Ｔ１）を決定する（ステップＳ４１）。続いて、演算部２５は、データセットに含まれるプロセスデータＤ１のうち、抽出するプロセスデータＤ１の項目を複数選定（決定）する（ステップＳ４２）。演算部２５は、抽出するプロセスデータＤ１を選定すると、ステップＳ４１で決定したサンプリング周期の間隔で、選定したプロセスデータＤ１をデータベース２２から抽出する（ステップＳ４３）。この後、演算部２５は、複数組のデータセットの全てを抽出したか否かを判定する（ステップＳ４４）。演算部２５は、ステップＳ４４において、全てのデータセットを抽出していないと判定すると（ステップＳ４４：Ｎｏ）、ステップＳ４２に再び進んで、他のデータセットを抽出する制御動作を実行する。一方で、演算部２５は、ステップＳ４４において、全てのデータセットを抽出したと判定すると（ステップＳ４４：Ｙｅｓ）、複数のサンプリング周期の全てでデータセットを抽出したか否かを判定する（ステップＳ４５）。演算部２５は、ステップＳ４５において、全てのサンプリング周期についてデータセットを抽出していないと判定すると（ステップＳ４５：Ｎｏ）、ステップＳ４１に再び進んで、他のサンプリング周期についてデータセットを抽出する制御動作を実行する。一方で、演算部２５は、ステップＳ４５において、全てのサンプリング周期についてデータセットを抽出したと判定すると（ステップＳ４５：Ｙｅｓ）、データセットを抽出する制御動作を終了する。

以上のように、実施例２の構成によれば、サンプリング周期を異ならせたデータセットに基づいて、複数の予測モデルを構築することができる。このため、ガスタービン１０に関する所定の物理量の応答性を考慮した予測モデルを構築することができる。つまり、ガスタービン１０に設けられる配管の所定の部位において流通する流体の流量は、所定の部位の上流側における流体の圧力の変化によって変化する場合がある。この場合、流体の圧力の変化が、下流側の流体の流量の変化として現れるには、所定の応答時間がかかる。このため、サンプリング周期を異ならせることで、応答時間を考慮した予測モデルを構築することができ、これにより、予測モデルの予測精度を向上させることができる。

なお、実施例１及び実施例２において、予測システム２０は、ガスタービン１０に関する所定の物理量を予測したが、ガスタービン１０に限定されず、他の設備であってもよい。

１ ガスタービン設備
１０ ガスタービン
２０ 予測システム
２１ 予測装置
２２ データベース
２５ 演算部
３０ 監視システム
３１ 監視装置
４０ 運転支援システム
４１ 運転支援装置
Ｄ１ プロセスデータ

Claims (10)

1. 設備において取得可能な種々のプロセスデータを格納する記憶部と、
   前記記憶部に格納された前記プロセスデータに基づいて、前記設備に関する予測される所定の物理量を予測値として算出する演算部と、を備え、
   前記演算部は、
   前記記憶部に格納された種々の前記プロセスデータのうち、複数の前記プロセスデータを１組のデータセットとして、複数組分だけ取得し、
   取得した各組の前記データセットに基づいて、前記予測値を算出するための予測モデルをそれぞれ構築し、
   構築した複数の前記予測モデルから前記予測値をそれぞれ算出し、
   算出した複数の前記予測値を統合して、統合された前記予測値を算出することを特徴とする予測システム。
2. 前記演算部は、
   構築した複数の前記予測モデルのモデル特性に応じて、算出された複数の前記予測値を補正して統合し、統合された前記予測値を算出することを特徴とする請求項１に記載の予測システム。
3. 前記予測モデルの前記モデル特性は、前記予測モデルの予測精度の誤差であり、
   前記演算部は、
   構築した複数の前記予測モデルの前記予測精度の前記誤差に応じて、算出された複数の前記予測値を加重平均することで補正を行っており、
   前記誤差が大きい前記予測モデルから算出された前記予測値に対しては、重み付けを小さくし、
   前記誤差が小さい前記予測モデルから算出された前記予測値に対しては、重み付けを大きくすることを特徴とする請求項２に記載の予測システム。
4. 前記演算部は、
   前記誤差が、予め設定された限界誤差よりも大きい場合、前記限界誤差よりも前記誤差が大きい前記予測モデルから算出された前記予測値の統合を不実行とすることを特徴とする請求項３に記載の予測システム。
5. 前記演算部は、
   前記データセットに含まれる前記プロセスデータを選定することを特徴とする請求項１から４のいずれか１項に記載の予測システム。
6. 前記記憶部には、所定のサンプリング周期で前記プロセスデータが格納され、
   前記演算部は、
   前記データセットを取得する場合、前記サンプリング周期を異ならせた前記データセットを複数組分だけ取得し、
   前記サンプリング周期が異なる複数組の前記データセットに基づいて、前記予測モデルをそれぞれ構築することを特徴とする請求項１から５のいずれか１項に記載の予測システム。
7. 請求項１から６のいずれか１項に記載の予測システムと、
   前記予測システムによって算出される前記予測値を用いて、前記設備を監視する監視装置と、を備えることを特徴とする監視システム。
8. 請求項１から６のいずれか１項に記載の予測システムと、
   前記予測システムによって算出される前記予測値を用いて、前記設備の運転を支援する運転支援装置と、を備えることを特徴とする運転支援システム。
9. 請求項１から６のいずれか１項に記載の予測システム、請求項７に記載の監視システム及び請求項８に記載の運転支援システムの少なくとも１つのシステムと、
   前記設備としてのガスタービンと、を備えることを特徴とするガスタービン設備。
10. 設備において取得可能な種々のプロセスデータに基づいて、前記設備に関する所定の物理量を予測する予測方法であって、
    種々の前記プロセスデータのうち、複数の前記プロセスデータを１組のデータセットとして、複数組分だけ取得するデータセット取得工程と、
    取得した各組の前記データセットに基づいて、予測値を算出するための予測モデルをそれぞれ構築する予測モデル構築工程と、
    構築した複数の前記予測モデルから前記予測値をそれぞれ算出する予測値算出工程と、
    算出した複数の前記予測値を統合して、統合された前記予測値を算出する予測値統合工程と、を備えることを特徴とする予測方法。

Images