JPH06266408A - Adaptive control method for process and control system for process - Google Patents

Adaptive control method for process and control system for process

Info

Publication number
JPH06266408A
JPH06266408A JP5266893A JP5266893A JPH06266408A JP H06266408 A JPH06266408 A JP H06266408A JP 5266893 A JP5266893 A JP 5266893A JP 5266893 A JP5266893 A JP 5266893A JP H06266408 A JPH06266408 A JP H06266408A
Authority
JP
Japan
Prior art keywords
model
state quantity
sub
heat exchanger
temperature
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
Application number
JP5266893A
Other languages
Japanese (ja)
Other versions
JP2907672B2 (en
Inventor
Masahide Nomura
政英 野村
Kazunori Ouchi
和紀 大内
Akira Sugano
彰 菅野
Eiji Toyama
栄二 遠山
Toru Kimura
木村  亨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hitachi Ltd
Original Assignee
Hitachi Ltd
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 Hitachi Ltd filed Critical Hitachi Ltd
Priority to JP5052668A priority Critical patent/JP2907672B2/en
Priority to CN 94104275 priority patent/CN1072369C/en
Publication of JPH06266408A publication Critical patent/JPH06266408A/en
Application granted granted Critical
Publication of JP2907672B2 publication Critical patent/JP2907672B2/en
Anticipated expiration legal-status Critical
Expired - Lifetime legal-status Critical Current

Links

Landscapes

  • Control Of Steam Boilers And Waste-Gas Boilers (AREA)
  • Feedback Control In General (AREA)

Abstract

PURPOSE:To execute the process control by using a model of a distributed parameter system plant by inpputting a variable for constituting a physical expression of the model to a physical expression of a lumped constant forming model, deriving the state quantity of the process by executing an operation, and deriving a manipulated variable by using this state quantity. CONSTITUTION:The system is constituted by providing a target value predictive system 2 for deriving a predictor of a target value of a vapor temperature of a thermal power plant 1, a vapor temperature predictive system 3 for deriving a predictor of the vapor temperature and a manipulated variable determining system 4 for determining a manipulated variable according to the predictor of the target value and the predictor of the vapor temperature, a model tuning system 5 for tuning a parameter of a model for predeicting the vapor temperature, and a switch 6 for selecting whether the predictor of the predictive system is used, or a controlled variable is used directly. The target value predictive system 2, the vapor temperature predictive system 3, the manipulated variable determining system 4 and the switch 6 are realized by a second master control controller 1200 of a predictive control system.

Description

【発明の詳細な説明】Detailed Description of the Invention

【0001】[0001]

【産業上の利用分野】本発明は、プロセス適応制御方法
および制御システムに係り、特に、プロセスが分布定数
系の場合でもプロセスの特性に適応して、良好な制御特
性を得るのに好適なプロセス適応制御方法および制御シ
ステムに関する。
BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to a process adaptive control method and control system, and more particularly to a process suitable for obtaining good control characteristics by adapting to the characteristics of the process even when the process is a distributed parameter system. The present invention relates to an adaptive control method and control system.

【0002】[0002]

【従来の技術】制御対象となるプロセスには、その制御
上の特徴として、応答の遅れが大きいものがある。例え
ば、火力プラントの制御上の特徴は、蒸気温度の応答の
遅れが大きいことである。例えば、主蒸気温度の時定数
は、10分から20分程度である。したがって、通常の
フィードバック制御では、負荷指令が大きく変化する
と、主蒸気温度が大きく変動し、タービンの熱ストレス
を増大させ、寿命が減少するという問題がある。このた
め、火力プラントは、制御が難しいとされている。
2. Description of the Related Art A process to be controlled has a characteristic that its response has a large delay. For example, a control feature of a thermal power plant is a large delay in the steam temperature response. For example, the time constant of the main steam temperature is about 10 to 20 minutes. Therefore, in the normal feedback control, there is a problem that when the load command changes significantly, the main steam temperature greatly changes, the thermal stress of the turbine increases, and the life of the turbine decreases. Therefore, it is said that it is difficult to control the thermal power plant.

【0003】これに対処するため、火力プラントのモデ
ルを制御システムに内蔵し、このモデルを用いてプラン
トの近い将来の動きを予測して、この予測結果に基づい
て操作量を決定することが提案されている。また、プロ
セスのモデルを内蔵し、このモデルを使用して操作量を
決定する制御方法においては、モデルの構築およびモデ
ルのパラメータ調整が必要になる。そのための方法が提
案されている。すなわち、(1)Y.Sato,et
al.,”Steam PredictionCont
rol for Thermal Power Pla
nt,”IEEE/PES 1984 Winter
Meeting,Dallas,Texas.U.S.
A.January 29−February 3,1
984.、(2)佐藤、他,「カルマン・フィルタによ
るボイラ蒸気温度予測制御」、第18回SICE(計測
自動制御学会)学術講演会、1201、昭和54年8月
29日〜9月1日、(3)Y.Sato,et a
l.,”Steam Temperature Pre
diction Control for Therm
al Power Plant”,IEEE Tran
s.on PowerApparatus and S
ystems,Vol.PAS−103,No.9,S
eptember(1984),pp.2382−23
87,に記載されているプロセス適応制御方法がある。
これらの文献では、このプロセス適応制御方法を、火力
プラントに適用している。これらで用いられる予測モデ
ルは、最終段過熱器の特性を物理式で表した集中定数化
モデルである。このモデルは、前段過熱器の出口蒸気温
度を外乱として、最終段過熱器の出口蒸気温度すなわち
主蒸気温度を予測している。
In order to deal with this, it is proposed to incorporate a model of a thermal power plant into a control system, predict the near future movement of the plant using this model, and determine the manipulated variable based on this prediction result. Has been done. Further, in a control method in which a model of a process is incorporated and the manipulated variable is determined using this model, it is necessary to construct a model and adjust model parameters. The method for that is proposed. That is, (1) Y. Sato, et
al. , "Steam PredictionCont
roll for Thermal Power Pla
nt, "IEEE / PES 1984 Winter
Meeting, Dallas, Texas. U. S.
A. January 29-February 3,1
984. , (2) Sato et al., "Boiler steam temperature prediction control by Kalman filter", 18th SICE (Society for Instrument and Control Engineers) Academic Lecture, 1201, August 29-September 1, 1979, ( 3) Y. Sato, et a
l. , "Steam Temperature Pre
Diction Control for Therm
al Power Plant ", IEEE Tran
s. on PowerApparatus and S
systems, Vol. PAS-103, No. 9, S
eptember (1984), pp. 2382-23
87, there is a process adaptive control method.
In these documents, this process adaptive control method is applied to a thermal power plant. The prediction model used in these is a lumped constant model in which the characteristics of the final stage superheater are represented by physical formulas. This model predicts the outlet steam temperature of the final stage superheater, that is, the main steam temperature, using the outlet steam temperature of the preceding stage superheater as a disturbance.

【0004】[0004]

【発明が解決しようとする課題】ところで、最近、電力
需要の増大と共に、昼夜の電力需要の格差も増大してき
ている。そのため、大容量の火力プラントでも、負荷追
従運転(中間負荷運用)およびDSS(Daily S
tart Stop)運転が要求されるようになってき
ている。これらの要求に伴い、火力プラント制御システ
ムに対して、起動時制御特性および負荷追従特性の向上
が求められている。
By the way, recently, as the demand for electric power has increased, the gap between the demand for electric power day and night has also increased. Therefore, even in a large-capacity thermal power plant, load following operation (intermediate load operation) and DSS (Daily S)
Tart Stop) driving is becoming required. Along with these demands, the thermal power plant control system is required to have improved startup control characteristics and load following characteristics.

【0005】しかし、従来の予測制御では、これに対し
て十分に対応することが困難となっている。それは、従
来の予測制御では、上述した文献に記載されているよう
に、火力プラントを集中定数化モデルで近似しているこ
とによる。
However, it is difficult for the conventional predictive control to sufficiently cope with this. This is because, in the conventional predictive control, the thermal power plant is approximated by a lumped parameter model as described in the above-mentioned document.

【0006】火力プラントは、火炉水壁、1次過熱器、
2次過熱器、3次過熱器等の複数の熱交換器で構成され
る。これらの熱交換器の中を、上流から下流に向かって
水が流れるうちに、燃焼ガスのエネルギーを吸収して蒸
気となり、さらに過熱蒸気となる。すなわち、火力プラ
ントは、分布定数系である。それにもかかわらず、上記
従来技術では、火力プラントの最終段過熱器を集中定数
化モデルで近似し、このモデルにより火力プラントの近
い将来の動きを予測して、この予測結果に基づいて操作
量を決定している。そのため、予測に、前段過熱器の出
口蒸気温度の変化を考慮できないので、予測性能および
制御性の向上が望めないという問題がある。すなわち、
従来技術は、本来分布定数系である火力プラントを集中
定数化モデルで近似しているため、プラントの特性を精
度よく模擬することができない。そのため、このような
モデルで火力プラントの近い将来の動きを予測しても、
予測精度の向上に限界があり、制御性の向上にも限界が
ある。
A thermal power plant is composed of a furnace water wall, a primary superheater,
It is composed of a plurality of heat exchangers such as a secondary superheater and a tertiary superheater. While water flows from the upstream side to the downstream side in these heat exchangers, the energy of the combustion gas is absorbed to become steam, and further becomes superheated steam. That is, the thermal power plant is a distributed constant system. Nevertheless, in the above-mentioned conventional technology, the final stage superheater of a thermal power plant is approximated by a lumped parameterized model, the near future movement of the thermal power plant is predicted by this model, and the manipulated variable is calculated based on this prediction result. I have decided. Therefore, the change in the outlet steam temperature of the former-stage superheater cannot be taken into consideration in the prediction, and there is a problem that improvement in the prediction performance and controllability cannot be expected. That is,
In the prior art, since a thermal power plant, which is originally a distributed constant system, is approximated by a lumped constant model, the characteristics of the plant cannot be accurately simulated. Therefore, even if such a model predicts the movement of the thermal power plant in the near future,
There is a limit to improvement in prediction accuracy, and there is also a limit to improvement in controllability.

【0007】また、このような従来のモデルでは、その
パラメータの調整についてまで、自動化することは考え
られていなかった。そのため、従来は、プラントのデー
タに基づいて運転員あるいは保守員が手動により調整し
ていたので、調整に時間が掛かるという問題があった。
Further, in such a conventional model, even the adjustment of the parameter has not been considered to be automated. Therefore, conventionally, an operator or a maintenance person manually adjusts based on the plant data, and there is a problem that the adjustment takes time.

【0008】本発明の第1の目的は、分布定数系からな
るプラントの特性を精度よく模擬できるモデルを用いて
プロセスを制御することができるプロセス適応制御方法
およびプロセス制御システムを提供することにある。
A first object of the present invention is to provide a process adaptive control method and a process control system capable of controlling a process using a model which can accurately simulate the characteristics of a plant consisting of a distributed constant system. .

【0009】また、第2の目的は、このモデルのパラメ
ータの調整を自動化し、調整時間を短縮できるプロセス
適応制御方法を提供することにある。
A second object of the present invention is to provide a process adaptive control method that can automatically adjust the parameters of this model and shorten the adjustment time.

【0010】[0010]

【課題を解決するための手段】上記第1の目的を達成す
るため、本発明の一態様によれば、プロセスのモデルを
内蔵し、このモデルを使用して、操作量を決定するプロ
セスの適応制御方法において、プロセスのモデルを、無
駄時間要素と物理式に基づく集中定数化モデルとの組合
せにより構成し、このモデルの物理式を構成する変数の
うちの一部または全部を、無駄時間要素を介して、残り
を直接、前記集中定数化モデルの物理式に入力して、演
算を行なって、当該プロセスの状態量を求め、この状態
量を用いて操作量を決定することを特徴とするプロセス
の適応制御方法が提供される。
In order to achieve the above first object, according to one aspect of the present invention, a model of a process is incorporated and the model is used to adapt the process. In the control method, a process model is configured by a combination of a dead time element and a lumped parameterized model based on a physical expression, and some or all of the variables that make up the physical expression of this model are set as dead time elements. The process is characterized in that the rest is directly input to the physical expression of the lumped parameterization model, the operation is performed to obtain the state quantity of the process, and the operation quantity is determined using the state quantity. An adaptive control method is provided.

【0011】前記プロセスは、前記状態量が制御量であ
る、1つまたは2つ以上のサブプロセスで構成すること
ができる。この場合、各サブプロセスのモデルを、無駄
時間要素と物理式に基づく集中定数化モデルの組合せに
より構成することができる。さらに、2つ以上のサブプ
ロセスのモデルを順に接続し、上流側のサブプロセスの
モデルの物理式で求められる状態量を、下流側のサブプ
ロセスのモデルの入力変数とし、該状態量を、下流側の
サブプロセスの無駄時間要素を介して、該下流側のサブ
プロセスのモデルの物理式に入力して、これらのモデル
により、各サブプロセスの状態量の予測値を求め、これ
らの予測値を用いて操作量の決定を行なう構成とするこ
とができる。
The process can be composed of one or more sub-processes in which the state quantity is a controlled quantity. In this case, the model of each sub-process can be configured by a combination of a dead time element and a lumped constant model based on a physical formula. Further, two or more sub-process models are connected in order, and the state quantity obtained by the physical expression of the upstream sub-process model is used as an input variable of the downstream sub-process model, and the state quantity is set to the downstream. It is input to the physical formula of the model of the downstream sub-process through the dead time element of the sub-process on the side, the predicted value of the state quantity of each sub-process is obtained by these models, and these predicted values are calculated. It can be configured to determine the manipulated variable by using it.

【0012】また、本発明の他の態様によれば、第2の
目的を達成するため、前記構成のほかに、さらに、プロ
セスのモデルのパラメータを、山登り法による決定、フ
ァジィ推論による決定およびニューラルネットワークに
よる決定のうち、いずれかで、または組合せて、行なう
ことにより、プロセスのモデルをチューニングする構成
を付加することができる。
According to another aspect of the present invention, in order to achieve the second object, in addition to the above configuration, the parameters of the process model are further determined by the hill climbing method, the fuzzy inference, and the neural network. Configurations for tuning the model of the process can be added by making any or a combination of the network decisions.

【0013】また、本発明のさらに他の態様によれば、
プロセスのモデルを内蔵し、このモデルを使用して、操
作量を決定するプロセスの適応制御方法において、 前
記プロセスのモデルを、前記状態量が制御量である、1
つまたは2つ以上のサブプロセスのモデルで構成し、各
サブプロセスのモデルを、物理式に基づく集中定数化モ
デルで構成し、かつ、2以上のサブプロセスを順に接続
し、上流側のサブプロセスのモデルの物理式で求められ
る状態量を、入力変数として、下流側のサブプロセスの
モデルの物理式に入力して、これらのモデルにより、各
サブプロセスの状態量の予測値を求め、これらの予測値
を用いて、操作量を決定することを特徴とするプロセス
の適応制御方法が提供される。
According to still another aspect of the present invention,
In a process adaptive control method that incorporates a model of a process and uses this model to determine a manipulated variable, the process model includes:
One or two or more sub-process models, each sub-process model is composed of a lumped parameter model based on a physical formula, and two or more sub-processes are connected in sequence to form an upstream sub-process. Input the state quantity obtained by the physical equation of the model of the sub-process as an input variable into the physical equation of the model of the sub-process on the downstream side, and obtain the predicted value of the state quantity of each sub-process using these models. An adaptive control method for a process is provided, which is characterized in that a predicted value is used to determine a manipulated variable.

【0014】また、本発明の他の態様によれば、プロセ
スに対する目標値およびプロセスの状態量に基づいて、
プロセスに対する操作量を決定するプロセス制御システ
ムにおいて、プロセスのモデルを内蔵し、このモデルを
使用して、プロセスの状態量を予測する状態量予測シス
テムを備え、該予測システムは、少なくとも1つの無駄
時間要素と、物理式に基づく集中定数化モデルとの組合
せにより構成されるモデルを手段として有し、該モデル
は、当該モデルの物理式を構成する変数のうちの一部ま
たは全部の入力を、無駄時間要素を介して受け付けると
共に、残りの変数の入力を直接受け付けて、当該物理式
による演算を実行して、そのプロセスの状態量を算出し
て、それを出力するものであり、入力変数は、プロセス
の操作量および状態量であることを特徴とするプロセス
制御システムが提供される。
According to another aspect of the present invention, based on the target value for the process and the state quantity of the process,
In a process control system for determining a manipulated variable for a process, a model of the process is built in, and a state quantity prediction system for predicting a state quantity of the process using the model is provided, the prediction system comprising at least one dead time. The model has as a means a combination of an element and a lumped parameterized model based on a physical expression, and the model wastes some or all of the inputs of the variables that make up the physical expression of the model. While accepting via the time element and accepting the input of the remaining variables directly, executing the calculation by the physical formula, calculating the state quantity of the process, and outputting it, the input variable is A process control system is provided, which is an operation amount and a state amount of a process.

【0015】すなわち、より具体的には、火力プラント
の各熱交換器のモデルを無駄時間要素と物理式に基づく
集中定数化モデルの組合せにより構成し、これらの各熱
交換器のモデルを統合して使用し、火力プラントの近い
将来の動きを予測して、この予測結果に基づいて操作量
を決定するようにしたものである。また、物理式に基づ
く集中定数化モデルに対してカルマン・フィルタを構成
し、このカルマン・フィルタにより状態変数の値を推定
し、この推定値に基づいて火力プラントの近い将来の動
きを予測するようにしたものである。
More specifically, more specifically, a model of each heat exchanger of a thermal power plant is constructed by a combination of a dead time element and a lumped constant model based on a physical formula, and these models of each heat exchanger are integrated. The operation amount is used to predict the near future movement of the thermal power plant, and the operation amount is determined based on the prediction result. In addition, a Kalman filter is configured for a lumped parameterized model based on a physical formula, the value of the state variable is estimated by this Kalman filter, and the near future movement of the thermal power plant is predicted based on this estimated value. It is the one.

【0016】[0016]

【作用】本発明が適用されるプロセスとして、例えば、
火力プラントを想定することができる。この場合、火力
プラントの各熱交換器のモデルを無駄時間要素と物理式
に基づく集中定数化モデルの組合せにより構成するの
で、本来分布定数系である各熱交換器の特性を精度よく
模擬できる。また、これらの各熱交換器のモデルを統合
して使用し、火力プラントの近い将来の動きを予測する
ので、予測精度の向上が達成できる。また、この予測結
果に基づいて操作量を決定するので、制御性の向上も達
成できる。
As a process to which the present invention is applied, for example,
A thermal power plant can be envisioned. In this case, since the model of each heat exchanger of the thermal power plant is configured by the combination of the dead time element and the lumped constant model based on the physical formula, the characteristics of each heat exchanger that is originally a distributed constant system can be accurately simulated. Moreover, since the models of each of these heat exchangers are integrated and used to predict the movement of the thermal power plant in the near future, improvement in prediction accuracy can be achieved. Further, since the manipulated variable is determined based on this prediction result, the controllability can be improved.

【0017】プラントの運転データを利用して、山登り
法によりモデルのパラメータを調整するので、パラメー
タ調整の自動化および調整時間の短縮ができる。
Since the model parameters are adjusted by the hill climbing method using the plant operation data, the parameter adjustment can be automated and the adjustment time can be shortened.

【0018】また、プラントの運転データを利用して、
ニューラル・ネットワークによりモデルのパラメータを
調整するので、パラメータ調整の自動化および調整時間
の短縮ができる。なお、山登り法と比較して、ニューラ
ル・ネットワークは、調整時間のより一層の短縮ができ
る。
Further, using the operation data of the plant,
Since the model parameters are adjusted by the neural network, the parameter adjustment can be automated and the adjustment time can be shortened. It should be noted that, compared to the hill climbing method, the neural network can further reduce the adjustment time.

【0019】また、プラントの運転データを利用して、
ファジィ推論によりモデルのパラメータを調整するの
で、パラメータ調整の自動化および調整時間の短縮がで
きる。なお、山登り法と比較して、ファジィ推論は、ニ
ューラル・ネットワークと同様、調整時間のより一層の
短縮ができる。
Further, using the operation data of the plant,
Since the model parameters are adjusted by fuzzy inference, the parameter adjustment can be automated and the adjustment time can be shortened. It should be noted that the fuzzy reasoning, like the neural network, can further shorten the adjustment time compared to the hill climbing method.

【0020】[0020]

【実施例】以下、本発明の実施例について、図面を参照
して説明する。先ず、本実施例における制御対象である
火力プラントの概要について説明する。図2は、石炭焚
き火力プラントの例を示した説明図である。
Embodiments of the present invention will be described below with reference to the drawings. First, an outline of a thermal power plant that is a control target in this embodiment will be described. FIG. 2 is an explanatory diagram showing an example of a coal-fired thermal power plant.

【0021】押込みファン101からの空気は、空気予
熱器102を通って予熱され、1次空気ファン103に
よって加速されて石炭ミル107内に送風される。一
方、石炭バンカ104内の石炭は、給炭機モータ105
により駆動される給炭機106により前記石炭ミル10
7内に運搬される。石炭ミル107によって微粉状とな
った石炭は、空気流と共にボイラ126内のバーナ12
7に送られ、ここで燃焼する。
The air from the pushing fan 101 is preheated through the air preheater 102, accelerated by the primary air fan 103, and blown into the coal mill 107. On the other hand, the coal in the coal bunker 104 is the coal feeder motor 105.
The coal mill 10 driven by a coal feeder 106 driven by
Transported in 7. The coal pulverized by the coal mill 107 is burned in the burner 12 in the boiler 126 together with the air flow.
Sent to 7, where it burns.

【0022】節炭器(ECO)130、火炉水冷壁10
8(WW)および1次過熱器(1SH)109を通った
水は、この燃焼ガスにより蒸気となる。この蒸気は、1
次スプレ(SP1)116を通り、2次過熱器(2S
H)110で過熱され、2次スプレ(SP2)120を
通り、3次過熱器(3SH)111で更に過熱されて、
主蒸気配管および主蒸気加減弁121を通って、高圧タ
ービン122に入る。高圧タービン122を出た蒸気
は、1次再熱器112および2次再熱器113により再
過熱され、中・低圧タービン123に送られる。
Economizer (ECO) 130, furnace water cooling wall 10
The water that has passed through 8 (WW) and the primary superheater (1SH) 109 becomes steam due to this combustion gas. This steam is 1
Passes through the next spray (SP1) 116 and the secondary superheater (2S
H) 110 is superheated, passes through a secondary spray (SP2) 120, and is further superheated by a tertiary superheater (3SH) 111,
The high-pressure turbine 122 enters through the main steam pipe and the main steam control valve 121. The steam exiting the high-pressure turbine 122 is reheated by the primary reheater 112 and the secondary reheater 113, and is sent to the medium / low pressure turbine 123.

【0023】発電機124は、高圧タービン122と中
・低圧タービン123とにより駆動され発電する。中・
低圧タービン123を出た蒸気は、復水器125により
復水される。この復水は、給水ポンプ117により、再
びボイラ126の節炭器130に送られる。また、給水
ポンプ117を出た給水は、1次スプレ制御弁115お
よび2次スプレ制御弁119を介して、1次スプレ11
6および2次スプレ120に送られる。また、給水ポン
プ117を出た給水は、再熱スプレ制御弁131を介し
て再熱スプレ(SP3)132に送られる。なお、ボイ
ラ126には、燃焼ガスを再循環させるガス再循環ファ
ン114が設けられている。また、ボイラ126には、
排ガスを制御するための誘引ファン118が設けられて
いる。
The generator 124 is driven by the high pressure turbine 122 and the medium / low pressure turbine 123 to generate electricity. During·
The steam leaving the low-pressure turbine 123 is condensed by the condenser 125. This condensed water is sent to the economizer 130 of the boiler 126 again by the water supply pump 117. Further, the water supplied from the water supply pump 117 passes through the primary spray control valve 115 and the secondary spray control valve 119, and the primary spray 11
6 and secondary spray 120. Further, the water supply that has exited the water supply pump 117 is sent to the reheat spray (SP3) 132 via the reheat spray control valve 131. The boiler 126 is provided with a gas recirculation fan 114 that recirculates the combustion gas. In addition, in the boiler 126,
An induction fan 118 for controlling exhaust gas is provided.

【0024】また、この火力プラントには、プラントの
状態を検出するための各種センサが設けられている。す
なわち、図2に示すように、主蒸気圧力(PMS)を測定
するセンサS1と、1次過熱器出口蒸気温度(T1SH
を測定するセンサS2と、排ガス中のO2量(O2)を測
定するセンサS3と、火炉圧力(PWW)を測定するセン
サS4と、2次過熱器出口蒸気温度(T2SH)を測定す
るセンサS5と、主蒸気温度(TMS)を測定するセンサ
S6と、再熱蒸気温度(TRS)および1次再熱器出口蒸
気温度(T1RH)を測定するためのセンサS7およびS
9と、発電機124の発電量(MW)を検出するセンサ
S8とが設けられている。また、図示していないが、1
次過熱器109、2次過熱器110および3次過熱器1
11には、それぞれ入口または出口に、蒸気流量、圧力
および温度を測定する流量、圧力および温度センサが設
けられている。同様に、1次再熱器112および2次再
熱器113についても、それぞれ入口または出口に、蒸
気流量、圧力および温度を測定する流量、圧力および温
度の各センサが設けられている。前記各センサS1−S
9と、これらの流量、圧力および温度の各センサの出力
信号は、後述するマスタ制御部およびサブループ制御部
に送られる。前記再熱スプレ132は、非常用のもので
あって、温度が制限値を超えたときのみスプレを使用す
る。
Further, this thermal power plant is provided with various sensors for detecting the state of the plant. That is, as shown in FIG. 2, a sensor S1 for measuring the main steam pressure (P MS ) and a primary superheater outlet steam temperature (T 1SH )
S2 for measuring the temperature, sensor S3 for measuring the amount of O 2 (O 2 ) in the exhaust gas, sensor S4 for measuring the furnace pressure (P WW ), and measuring the secondary superheater outlet steam temperature (T 2SH ). Sensor S5, sensor S6 for measuring the main steam temperature (T MS ), and sensors S7 and S for measuring the reheat steam temperature (T RS ) and the primary reheater outlet steam temperature (T 1RH ).
9 and a sensor S8 that detects the power generation amount (MW) of the power generator 124 are provided. Although not shown, 1
Secondary superheater 109, secondary superheater 110 and tertiary superheater 1
11 is provided with a steam flow rate, a flow rate, a pressure and a temperature sensor for measuring a pressure and a temperature at the inlet or the outlet, respectively. Similarly, the primary reheater 112 and the secondary reheater 113 are also provided with steam flow rate, flow rate, pressure and temperature sensors for measuring pressure and temperature, respectively, at the inlet or outlet. Each of the sensors S1-S
9 and the output signals of these flow rate, pressure and temperature sensors are sent to a master control unit and a sub-loop control unit, which will be described later. The reheat spray 132 is for emergency use, and uses the spray only when the temperature exceeds the limit value.

【0025】本実施例では、これらのセンサ情報に基づ
いて、火力プラントの制御を行なう。本実施例における
制御は、機能的には、マスタ制御部と、それに基づくサ
ブループ制御部とで構成される。図7に、その概要を示
す。
In this embodiment, the thermal power plant is controlled based on these sensor information. The control in the present embodiment is functionally composed of a master control unit and a sub-loop control unit based on it. The outline is shown in FIG.

【0026】図7に示すように、マスタ制御部1000
では、主蒸気圧力等の応答が速い部分の制御を行なう通
常制御系(1100系)と、主蒸気温度等の応答が遅い
部分についての予測制御を行なう予測制御系(1200
系)とを有する。通常制御系には、主蒸気圧力制御部1
101、ガスO2制御部1102および火炉圧力制御部
1103と、負荷指令の入力を受け付けて、それに対応
してタービン制御およびボイラ制御のためのデマンド操
作指令を出力するユニットマスタ1104とを有する。
予測制御系は、1次過熱器出口蒸気温度制御部120
1、2次過熱器出口蒸気温度制御部1202、主蒸気温
度制御部1203および再熱蒸気温度制御部1204の
各制御処理機能部が設けられている。
As shown in FIG. 7, the master controller 1000
Then, a normal control system (1100 system) that controls a portion having a fast response such as main steam pressure and a predictive control system (1200 that performs predictive control for a portion having a slow response such as main steam temperature.
System) and. The normal control system includes a main steam pressure control unit 1
101, a gas O 2 control unit 1102, a furnace pressure control unit 1103, and a unit master 1104 which receives an input of a load command and outputs a demand operation command for turbine control and boiler control correspondingly.
The predictive control system is the primary superheater outlet steam temperature control unit 120.
Control processing functional units of a primary and secondary superheater outlet steam temperature control unit 1202, a main steam temperature control unit 1203, and a reheat steam temperature control unit 1204 are provided.

【0027】また、通常制御系には、前記ユニットマス
タ1104のデマンド操作指令について、前記主蒸気圧
力制御部1101からの操作量により補正して、給水制
御のための操作指令を出力する補正部1105と、前記
補正部1105の出力について、1次過熱器出口蒸気温
度制御部1201からの操作量により補正して、燃料制
御のための操作指令を出力する補正部1106と、前記
補正部1106の出力について、ガスO2制御部110
2からの操作量により補正して、空気制御のための操作
指令を出力する補正部1107と、前記補正部1107
の出力について、火炉圧力制御部1103からの操作量
により補正して、排ガス制御のための操作指令を出力す
る補正部1108と、前記補正部1105の出力につい
て、2次過熱器出口蒸気温度制御部1202からの操作
量により補正して、1次スプレ制御のための操作指令を
出力する補正部1109と、前記補正部1105の出力
について、主蒸気温度制御部1203からの操作量によ
り補正して、2次スプレのための操作指令を出力する補
正部1110と、前記補正部1105の出力について、
再熱蒸気温度制御部1204からの操作量により補正し
て、再循環ガス制御のための操作指令を出力する補正部
1111とが設けられる。
Further, the normal control system corrects the demand operation command of the unit master 1104 by the operation amount from the main steam pressure control unit 1101 and outputs an operation command for water supply control. The output of the correction unit 1105 is corrected by the operation amount from the primary superheater outlet steam temperature control unit 1201, and an operation command for fuel control is output, and the output of the correction unit 1106. About the gas O 2 control unit 110
A correction unit 1107 that corrects the operation amount from 2 and outputs an operation command for air control, and the correction unit 1107.
The output of the correction unit 1108, which corrects the output from the furnace pressure control unit 1103, and outputs an operation command for exhaust gas control, and the output of the correction unit 1105, the secondary superheater outlet steam temperature control unit A correction unit 1109 that corrects the operation amount from the 1202 and outputs an operation command for the primary spray control, and the output of the correction unit 1105 is corrected by the operation amount from the main steam temperature control unit 1203. Regarding the output of the correction unit 1110 that outputs an operation command for the secondary spray and the correction unit 1105,
A correction unit 1111 that corrects the operation amount from the reheat steam temperature control unit 1204 and outputs an operation command for controlling the recirculation gas is provided.

【0028】前記ユニットマスタ1104は、発電量に
関する経済負荷配分制御(ELD:Economic Load Disp
atching cntrol)に関する指令と、周波数の自動調整制
御(AFC:Automatic Frequency Cntrol)に関する指
令とを受けて、当該火力プラントにおける負荷変化率、
負荷変化幅の制限、および、周波数についての補正を行
なって、それらに対応する操作指令を演算して出力す
る。
The unit master 1104 is an economic load distribution control (ELD: Economic Load Disp.
Atching cntrol) and a command regarding automatic frequency control (AFC: Automatic Frequency Cntrol), the load change rate of the thermal power plant,
The load change width is limited and the frequency is corrected, and operation commands corresponding to these are calculated and output.

【0029】1次過熱器出口蒸気温度制御部1201、
2次過熱器出口蒸気温度制御部1202、主蒸気温度制
御部1203および再熱蒸気温度制御部1204の各処
理機能部は、それぞれ対応するセンサからの情報に基づ
いて、それぞれの目標値についての操作量を演算して、
出力する。同図7において、二重線で示すブロック内の
処理部は、制御量の決定に際して、予測制御を行なう。
Primary superheater outlet steam temperature control unit 1201,
Each processing function unit of the secondary superheater outlet steam temperature control unit 1202, the main steam temperature control unit 1203, and the reheat steam temperature control unit 1204 operates on each target value based on the information from the corresponding sensor. Calculate the amount,
Output. In FIG. 7, the processing unit in the block indicated by the double line performs predictive control when determining the control amount.

【0030】サブループ制御部2000には、前記ユニ
ットマスタ1104の出力信号とセンサS8からの発電
量を示す信号とを受けて、主蒸気加減弁121を制御す
るタービン制御部2001と、前記補正部1105の出
力信号を受けて給水ポンプ117を制御する給水制御部
2002と、前記補正部1106の出力信号を受けて給
炭機モータ105を制御する燃料制御部2003と、前
記補正部1107の出力信号を受けて押込みファン10
3を制御する空気制御部2004と、前記補正部110
8の出力信号を受けて誘引ファン118を制御する排ガ
ス制御部2005と、前記補正部1109の出力信号を
受けて1次スプレ制御弁115を制御する1次スプレ制
御部2006と、前記補正部1110の出力信号を受け
て2次スプレ制御弁119を制御する2次スプレ制御部
2007と、前記補正部1111の出力信号を受けてガ
ス再循環ファン114を制御する再循環ガス制御部20
08とを有する。
The sub-loop control unit 2000 receives the output signal of the unit master 1104 and the signal indicating the amount of power generation from the sensor S8, controls the main steam control valve 121, and the correction unit 1105. Of the output signal of the water supply pump 117, the fuel control unit 2003 which receives the output signal of the correction unit 1106 and controls the coal feeder motor 105, and the output signal of the correction unit 1107. Receiving and pushing fan 10
3, an air control unit 2004 for controlling the control unit 3, and the correction unit 110.
8 for controlling the induction fan 118 in response to the output signal of No. 8, a primary spray control unit 2006 for controlling the primary spray control valve 115 in response to the output signal of the correction unit 1109, and the correction unit 1110. Of the secondary spray control valve 2007 for controlling the secondary spray control valve 119, and a recirculation gas control unit 20 for controlling the gas recirculation fan 114 by receiving the output signal of the correction unit 1111.
08 and.

【0031】これらは、例えば、図8に示すようなハー
ドウエアシステム構成となる。すなわち、前記マスタ制
御部1000の通常制御系の機能を分担して処理する第
1のマスタ制御コントローラ1100と、予測制御系の
機能を分担して処理する第2のマスタ制御コントローラ
1200と、サブループ制御部2000の各処理部を構
成する、タービン制御コントローラ2010、給水制御
コントローラ2020、燃料制御コントローラ203
0、空気制御コントローラ2040、排ガス制御コント
ローラ2050、1次スプレ制御コントローラ206
0、2次スプレ制御コントローラ2070および再循環
ガス制御コントローラ2080とを有する。これらの各
コントローラは、伝送用ネットワークで接続され、互い
に信号の授受を行なう。また、本実施例では、予測制御
で使用する予測モデルのチューニングを行なうためのモ
デルチューニングシステム1300が、前記伝送用ネッ
トワーク1500に接続される。これらのコントローラ
およびチューニングシステムは、それぞれコンピュータ
システムで構成される。それらのコンピュータシステム
は、図示していないが、例えば、中央処理ユニット、メ
モリ、インタフェース等を有する構成のものが用いられ
る。
These have, for example, a hardware system configuration as shown in FIG. That is, a first master controller 1100 that shares and processes the functions of the normal control system of the master controller 1000, a second master controller 1200 that shares and processes the functions of the predictive control system, and sub-loop control. Turbine controller 2010, water supply controller 2020, fuel controller 203, which constitutes each processing unit of the unit 2000.
0, air controller 2040, exhaust gas controller 2050, primary spray controller 206
0, a secondary spray control controller 2070 and a recirculation gas control controller 2080. These controllers are connected by a transmission network and exchange signals with each other. Further, in the present embodiment, a model tuning system 1300 for tuning a prediction model used in prediction control is connected to the transmission network 1500. Each of these controller and tuning system is composed of a computer system. Although not shown, those computer systems having a configuration including a central processing unit, a memory, an interface, and the like are used, for example.

【0032】なお、図9に示すように、モデルチューニ
ングシステムを第2のマスタ制御コントローラ1200
において処理する構成としてもよい。
As shown in FIG. 9, the model tuning system is used as a second master controller 1200.
It may be configured to process in.

【0033】火力プラントの制御量のうち制御が難しい
のは、蒸気温度である。例えば、1次過熱器出口蒸気温
度T1SH、2次過熱器出口蒸気温度T2SH、主蒸気温度T
MSおよび再熱蒸気温度TRSの4つがそれである。また、
これらの蒸気温度の制御のために、燃料流量Ff,1次
スプレ流量FSP1,2次スプレ流量FSP2および再循環ガ
ス流量Fgrfの4つの操作量がある。本発明は、これら
を予測制御により制御するようにしたものである。そし
て、その際に、従来にない予測モデルを用いたことに特
徴がある。
Among the controlled variables of the thermal power plant, it is the steam temperature that is difficult to control. For example, the primary superheater outlet steam temperature T 1SH , the secondary superheater outlet steam temperature T 2SH , the main steam temperature T
Four are MS and reheat steam temperature T RS . Also,
In order to control these steam temperatures, there are four manipulated variables , a fuel flow rate F f , a primary spray flow rate F SP1 , a secondary spray flow rate F SP2, and a recirculation gas flow rate F grf . The present invention controls these by predictive control. And, at that time, it is characterized by using a prediction model which has not been used in the past.

【0034】次に、本発明の予測制御を、前記した火力
プラントの蒸気温度制御に適用した実施例について説明
する。
Next, an embodiment in which the predictive control of the present invention is applied to the steam temperature control of the thermal power plant described above will be described.

【0035】図1に、本発明の一実施例の構成の概要を
示す。本実施例は、火力プラント1の蒸気温度の目標値
の予測値を求める目標値予測システム2、蒸気温度の予
測値を求める蒸気温度予測システム3および目標値の予
測値と蒸気温度の予測値に基づいて操作量を決定する操
作量決定システム4と、蒸気温度予測のためのモデルの
パラメータをチューニングするモデル・チューニング・
システム5と、予測システムの予測値を用いるか、制御
量を直接用いるかの選択を行なうスイッチ6とを備えて
構成される。目標値予測システム2、蒸気温度予測シス
テム3、操作量決定システム4およびスイッチ6は、前
記予測制御系の処理を実行する第2のマスタ制御コント
ローラ1200において実現される。また、モデル・チ
ューニング・システム5は、モデルチューニングシステ
ムを構成するコンピュータ1300によって実現され
る。
FIG. 1 shows the outline of the configuration of an embodiment of the present invention. In this embodiment, a target value prediction system 2 for obtaining a predicted value of a steam temperature target value of the thermal power plant 1, a steam temperature prediction system 3 for obtaining a predicted value of the steam temperature, and a predicted value of the target value and a predicted value of the steam temperature are used. The manipulated variable determination system 4 for determining the manipulated variable based on the model, and the model tuning for tuning the parameters of the model for steam temperature prediction
The system 5 and the switch 6 for selecting whether to use the predicted value of the prediction system or directly use the controlled variable are configured. The target value prediction system 2, the steam temperature prediction system 3, the manipulated variable determination system 4, and the switch 6 are realized in the second master controller 1200 that executes the process of the prediction control system. The model tuning system 5 is realized by the computer 1300 that constitutes the model tuning system.

【0036】目標値予測システム2は、蒸気温度の目標
値rの近い将来値を(1)式により予測する。ここでは、
1次過熱器出口蒸気温度T1SH、2次過熱器出口蒸気温
度T2 SH、主蒸気温度TMSおよび再熱蒸気温度TRSのそ
れぞれの目標値^r1、^r2、^r3および^r4を算出
する。
The target value prediction system 2 predicts the near future value of the target value r of the steam temperature by the formula (1). here,
Target values ^ r 1 , ^ r 2 , ^ r 3 of the primary superheater outlet steam temperature T 1SH , the secondary superheater outlet steam temperature T 2 SH , the main steam temperature T MS and the reheat steam temperature T RS , respectively, and Calculate ^ r 4 .

【0037】[0037]

【数1】 [Equation 1]

【0038】ここで、 ^r1(k,n):現在時点kにおいて、1次過熱器出
口蒸気温度T1SHの目標値r1のnサンプリング先の予測
値 ^r2(k,n):現在時点kにおいて、2次過熱器出
口蒸気温度T2SHの目標値r2のnサンプリング先の予測
値 ^r3(k,n):現在時点kにおいて、主蒸気温度T
MSの目標値r3のnサンプリング先の予測値 ^r4(k,n):現在時点kにおいて、再熱蒸気温度
RSの目標値r4のnサンプリング先の予測値 ri(k) :蒸気温度の目標値riの現在時点kに
おける値(i=1〜4) ai(k) :蒸気温度の目標値riの現在時点kにおけ
る変化率(i=1〜4) △T :サンプリング周期 なお、本実施例では、目標値を近い将来の予測により決
定しているが、本発明は、これに限定されない。
Here, ^ r 1 (k, n): At the current time point k, the predicted value ^ r 2 (k, n) of the target value r 1 of the primary superheater outlet steam temperature T 1SH ahead of n sampling: At the current time point k, the predicted value of the target value r 2 of the secondary superheater outlet steam temperature T 2SH at the n sampling destination ^ r 3 (k, n): At the current time point k, the main steam temperature T
Predicted value n of sampling destination of target value r 3 of MS ^ r 4 (k, n): Predicted value r i (k) of sampling value of target value r 4 of reheat steam temperature T RS at the current time k : Value of the target value r i of the steam temperature at the current time point k (i = 1 to 4) a i (k): Change rate of the target value r i of the steam temperature at the current time point k (i = 1 to 4) ΔT : Sampling Cycle In this embodiment, the target value is determined by prediction in the near future, but the present invention is not limited to this.

【0039】蒸気温度予測システム3は、蒸気温度系の
モデルを使用して、蒸気温度の近い将来値を予測する。
蒸気温度系のモデルは、図3に示すように、火力プラン
ト1の各熱交換器のモデルを無駄時間要素301および
303と、物理式に基づく集中定数化モデル304との
組合せにより構成している。また、本実施例では、熱交
換器は、水・蒸気系で、上流側から下流側に順次接続さ
れ、水・蒸気の状態変化が上流側から下流側に伝達され
る構成となっている。本実施例では、これらの各熱交換
器のモデルを統合して使用し、蒸気温度の近い将来値を
予測する。
The steam temperature prediction system 3 predicts a near future value of the steam temperature by using a model of the steam temperature system.
As shown in FIG. 3, the model of the steam temperature system is configured by combining each heat exchanger model of the thermal power plant 1 with dead time elements 301 and 303 and a lumped constant model 304 based on a physical formula. . Further, in the present embodiment, the heat exchanger is a water / steam system, which is sequentially connected from the upstream side to the downstream side, and the state change of the water / steam is transmitted from the upstream side to the downstream side. In this embodiment, the models of each of these heat exchangers are integrated and used to predict the near future value of the steam temperature.

【0040】集中定数系のモデルは、各熱交換器の水・
蒸気系およびガス系に対してエネルギ保存式により表わ
される。また、ガス温度については、ガス温度計算モデ
ル306が用いられる。このガス温度計算モデル306
は、燃料流量Ffと、空気流量Faと、ガス再循環流量F
grfとに基づいて、ガス温度を計算する。
The model of the lumped parameter system is the water / water of each heat exchanger.
It is represented by an energy conservation equation for steam and gas systems. For the gas temperature, the gas temperature calculation model 306 is used. This gas temperature calculation model 306
Is the fuel flow rate F f , the air flow rate F a, and the gas recirculation flow rate F
Calculate the gas temperature based on grf .

【0041】なお、物理式に基づく集中定数化モデル3
04に対して、カルマン・フィルタ305が構成され
る。このカルマン・フィルタ305により状態変数の値
を推定し、この推定値に基づいて前記各熱交換器のモデ
ルを統合して使用し、蒸気温度の近い将来値を予測す
る。
Lumped constant model 3 based on physical formula
For 04, a Kalman filter 305 is configured. The value of the state variable is estimated by the Kalman filter 305, and the models of the heat exchangers are integrated and used based on the estimated value to predict the near future value of the steam temperature.

【0042】図3に示す前段の集中定数化モデル(i)
304には、蒸気流量Fsが無駄時間要素302を介し
て、蒸気温度θsi-lが無駄時間要素301を介して、お
よび、ガス温度θgi-lが無駄時間要素303を介してそ
れぞれ入力され、該モデル(i)304は、蒸気温度θ
siを出力する。また、後段の集中定数化モデル(i+
1)304には、蒸気流量Fsが無駄時間要素302を
介して、前段から出力された蒸気温度θsiが無駄時間要
素301を介して、および、ガス温度θgiが無駄時間要
素303を介してそれぞれ入力される。該モデル(i+
1)304は、蒸気温度θsi+1を出力する。なお、図3
では、熱交換器を2段分示しているが、本発明は、これ
に限定されない。
Lumped constant model (i) in the previous stage shown in FIG.
The steam flow rate Fs is input to the 304 through the dead time element 302, the steam temperature θ si-l is input through the dead time element 301, and the gas temperature θ gi-1 is input through the dead time element 303. , The model (i) 304 has a steam temperature θ
Output si . In addition, the lumped parameterization model (i +
1) In 304, the steam flow rate Fs is passed through the dead time element 302, the vapor temperature θ si output from the previous stage is passed through the dead time element 301, and the gas temperature θ gi is passed through the dead time element 303. Each is entered. The model (i +
1) 304 outputs the steam temperature θ si + 1 . Note that FIG.
Although the heat exchanger is shown for two stages, the present invention is not limited to this.

【0043】無駄時間要素301、302および303
は、本実施例では、図4に示すように1次遅れ要素をカ
スケード接続して構成される3次遅れ要素で近似してい
る。無駄時間要素301を構成する各1次遅れ要素の各
時定数は、本実施例の場合、T1=15秒を想定してい
る。無駄時間要素302を構成する各1次遅れ要素の各
時定数は、T2=5秒を想定している。また、無駄時間
要素303を構成する各1次遅れ要素の各時定数は、T
3=30秒を想定している。従って、無駄時間要素30
1の場合、その時定数は45秒程度となり、また、無駄
時間用度303の場合、その時定数は150秒程度とな
る。一方、無駄時間要素302の場合、その時定数は、
15秒程度となり、比較的小さい。従って、無駄時間要
素302は、省略することもできる。
Dead time elements 301, 302 and 303
Is approximated by a third-order delay element configured by cascade-connecting first-order delay elements as shown in FIG. For each time constant of each first-order lag element that constitutes the dead time element 301, T 1 = 15 seconds is assumed in this embodiment. Each time constant of each first-order lag element that constitutes the dead time element 302 is assumed to be T 2 = 5 seconds. Further, each time constant of each primary delay element that constitutes the dead time element 303 is T
3 = 30 seconds is assumed. Therefore, the dead time element 30
In the case of 1, the time constant is about 45 seconds, and in the case of the dead time utilization 303, the time constant is about 150 seconds. On the other hand, in the case of the dead time element 302, the time constant is
It is about 15 seconds, which is relatively small. Therefore, the dead time element 302 can be omitted.

【0044】熱交換器における集中定数化モデルは、図
10に示すモデルを想定して、エネルギ保存の法則より
導かれる。図10に示すモデルは、熱交換器の管壁を構
成するメタルの一方側に蒸気が、他方側にガスが流れ、
ガスから蒸気へメタル(図10において、斜線で示す部
分)を介して熱が伝達される状態を想定している。ここ
では、入口ガス温度θgini、ガス流量Fgiのガスが熱交
換器のメタルと接触して、メタルに伝熱量Qgmiの熱を
与えて、出口温度θgiとなって流出する。一方、入口蒸
気温度θsini、蒸気流量Fsiの蒸気が熱交換器のメタル
と接触して、メタルから伝熱量Qmsiの熱を受けて、出
口温度θsiとなって流出する。ガス流量Fg iすなわち、
ボイラ・ガス流量FgBFは、後述するように、空気流量
a、燃料流量Ffおよび再循環ガス流量Fgrfの合計で
ある。
The lumped constant model for the heat exchanger is derived from the law of energy conservation, assuming the model shown in FIG. In the model shown in FIG. 10, steam flows to one side of the metal forming the tube wall of the heat exchanger and gas flows to the other side,
It is assumed that heat is transferred from the gas to the vapor through the metal (the hatched portion in FIG. 10). Here, the gas having the inlet gas temperature θ gini and the gas flow rate F gi comes into contact with the metal of the heat exchanger, gives heat of the heat transfer amount Q gmi to the metal, and flows out at the outlet temperature θ gi . On the other hand, the steam having the inlet steam temperature θ sini and the steam flow rate F si comes into contact with the metal of the heat exchanger, receives the heat of the heat transfer amount Q msi from the metal, and flows out at the outlet temperature θ si . Gas flow rate F g i
The boiler gas flow rate F gBF is the sum of the air flow rate F a , the fuel flow rate F f, and the recirculation gas flow rate F grf , as will be described later.

【0045】このような物理モデルに基づいて、集中定
数化モデル式は、後述するようにエネルギ保存の法則か
ら導かれる(2)および(3)式により表わされる。
Based on such a physical model, the lumped constant model equation is expressed by equations (2) and (3) derived from the law of conservation of energy as described later.

【0046】なお、以下の数式で使用される記号は、下
記の通りである。
The symbols used in the following formulas are as follows.

【0047】V:容積 γ:比重量 H:エンタルピ F:流量 Q:伝熱量 M:重量 C:比熱 θ:温度 P:圧力 A:伝熱面積 α:対流熱伝達率 β:輻射熱伝達率 また、サフィックスは、下記の通りである。V: Volume γ: Specific weight H: Enthalpy F: Flow rate Q: Heat transfer amount M: Weight C: Specific heat θ: Temperature P: Pressure A: Heat transfer area α: Convective heat transfer coefficient β: Radiant heat transfer coefficient The suffix is as follows.

【0048】s:水・蒸気 g:ガス m:メタル gm:ガスからメタル ms:メタルから水・蒸気 i:i番目の熱交換器 水・蒸気系、すなわち、熱交換器の管内部流体のエネル
ギ保存式は、(2)式で表わされる。また、管メタル系
のエネルギ保存式は、(3)式で与えられる。
S: water / steam g: gas m: metal gm: gas to metal ms: metal to water / steam i: i-th heat exchanger water / steam system, that is, the energy of the fluid inside the pipe of the heat exchanger The storage formula is represented by formula (2). Further, the energy conservation equation of the tube metal system is given by the equation (3).

【0049】[0049]

【数2】 [Equation 2]

【0050】[0050]

【数3】 [Equation 3]

【0051】ここで、Vsi:熱交換器の管内部流体(水
・蒸気)の容積(m3) γsi:管内部流体(水・蒸気)の比重量(kg/m3) Hsi:管内部流体(水・蒸気)の出口エンタルピ(kc
al/kg) Hsini:管内部流体(水・蒸気)の入口エンタルピ(k
cal/kg) Fsi:管内部流体(水・蒸気)の流量(kg/s) Amsi:管メタルから管内部流体(水・蒸気)への伝熱
面積(m2) Agmi:管外部流体(ガス)から管メタルへの伝熱面積
(m2) αmsi:管メタルから管内部流体(水・蒸気)への対流
熱伝達率(kcal/m2・s・℃) αgmi:管外部流体(ガス)から管メタルへの対流熱伝
達率(kcal/m2・s・℃) Mmi:熱交換器の管メタルの重量(kg) Cmi:管メタルの比熱(kcal/kg・℃) θmi:管メタルの温度(℃) θsi:管内部流体(水・蒸気)の出口温度(℃) θgini:管外部流体(ガス)の入口温度(℃)i :i番目の熱交換器 また、熱交換器の管外部流体(ガス)は、管内部流体お
よびメタル部の応答に比べると、その応答が極めて速
い。従って、ここでは、ガス系は、静的にエネルギ保存
式が成立つとして考える。このため、熱交換器入口ガス
温度θginiは、次式で与えられる。
Here, V si : Volume of fluid (water / steam) inside the tube of the heat exchanger (m 3 ) γ si : Specific weight of fluid (water / steam) inside the tube (kg / m 3 ) H si : Exit enthalpy (kc) of fluid (water / steam) inside the pipe
al / kg) H sini : Inlet enthalpy of fluid (water / steam) inside the pipe (k
cal / kg) F si: flow rate inside the tube fluid (water and steam) (kg / s) A msi : heat transfer area from the tube metal into the tube section fluid (water and steam) (m 2) A gmi: Kangaibu Heat transfer area from fluid (gas) to pipe metal (m 2 ) α msi : Convective heat transfer coefficient from pipe metal to pipe internal fluid (water / steam) (kcal / m 2 · s · ° C) α gmi : Pipe Convection heat transfer coefficient from external fluid (gas) to tube metal (kcal / m 2 · s · ° C) M mi : Weight of tube metal of heat exchanger (kg) C mi : Specific heat of tube metal (kcal / kg ·) ℃) θ mi : Temperature of pipe metal (° C) θ si : Outlet temperature of pipe internal fluid (water / steam) (° C) θ gini : Inlet temperature (° C) of pipe external fluid (gas) i : i-th heat Exchanger Further, the fluid (gas) outside the pipe of the heat exchanger has an extremely fast response as compared with the response of the fluid inside the pipe and the metal portion. Therefore, here, the gas system is considered to have a static energy conservation equation. Therefore, the heat exchanger inlet gas temperature θ gini is given by the following equation.

【0052】[0052]

【数4】 [Equation 4]

【0053】ここで、η :燃料発熱効率 Hu:燃料発熱量(kcal/kg) Ff:燃料流量(kg/s) Ha:空気エンタルピ(kcal/kg) Fa:空気流量(kg/s) Hgrf:再循環ガスのエンタルピ(kcal/kg) Fgrf:再循環ガス流量(kg/s) Cpg:ガス比熱(kcal/kg・℃) βWW:火炉輻射熱伝達係数 FgBF:ボイラ・ガス流量(kg/s) QWW:火炉水壁熱吸収量(kcal/s) QHEX:火炉水壁以外のガス側上流熱交換器の総熱吸収
量(kcal/s) なお、前記空気エンタルピHaは、空気の比熱をCpa
空気の温度をθaとすると、 Ha≒Cpa・θa で与えられる。また、再循環ガスのエンタルピH
grfは、ガスの比熱をCpg、ガスの節炭器付近での温度
をθgeとすると、 Hgrf≒Cpg・θge で与えられる。
[0053] Here, eta: fuel heating efficiency H u: Fuel heating value (kcal / kg) F f: fuel flow (kg / s) H a: air enthalpy (kcal / kg) F a: air flow rate (kg / s) H grf : Enthalpy of recirculated gas (kcal / kg) F grf : Recirculated gas flow rate (kg / s) C pg : Gas specific heat (kcal / kg ° C) β WW : Furnace radiation heat transfer coefficient F gBF : Boiler Gas flow rate (kg / s) Q WW : Heat absorption amount of furnace water wall (kcal / s) Q HEX : Total heat absorption amount of gas side upstream heat exchanger other than water wall of furnace (kcal / s) Enthalpy H a is the specific heat of air C pa ,
If the temperature of the air is θ a , it is given by H a ≈C pa · θ a . Also, the enthalpy H of the recirculation gas
grf is the specific heat of the gas C pg, when the temperature in the vicinity of economizer gas to theta ge, given by H grf ≒ C pg · θ ge .

【0054】熱交換器の水・蒸気系の伝熱を定圧過程と
近似すると、次式が成り立つ。なお、以下では熱交換器
の番号iは省略する。
When the heat transfer in the water / steam system of the heat exchanger is approximated to the constant pressure process, the following equation holds. In the following, the heat exchanger number i will be omitted.

【0055】[0055]

【数5】 [Equation 5]

【0056】ここで、Cps:定圧比熱(kcal/kg
・℃) Hso:基準エンタルピ(kcal/kg) なお、ここでは、(7)式を、次式で近似する。
Where C ps is the constant pressure specific heat (kcal / kg)
.Degree. C.) Hso : Reference enthalpy (kcal / kg) Here, the equation (7) is approximated by the following equation.

【0057】 Cps=(ΔHs/Δθsp ……(8) (5)、(6)式を(2)式に代入して、整理すると、
次式が得られる。
C ps = (ΔH s / Δθ s ) p (8) Substituting equations (5) and (6) into equation (2) and rearranging:
The following equation is obtained.

【0058】[0058]

【数6】 [Equation 6]

【0059】また、(3)式を変形すると、次式が得ら
れる。
Further, by modifying the equation (3), the following equation is obtained.

【0060】[0060]

【数7】 [Equation 7]

【0061】(9)、(10)式をまとめると、次式が
得られる。
When the expressions (9) and (10) are put together, the following expression is obtained.

【0062】[0062]

【数8】 [Equation 8]

【0063】[0063]

【数9】 [Equation 9]

【0064】ここで、Aij:状態遷移行列の要素 Bij:駆動行列の要素 なお、前記(19)式のx1およびu2は、測定可能な量
であり、x2は、測定できない量である。また、管メタ
ルからの水・蒸気への熱伝達率αmsおよび管外部流体
(ガス)から管メタルへの熱伝達率αgmは、次式で近似
する。
Where A ij is the element of the state transition matrix B ij is the element of the driving matrix Note that x 1 and u 2 in the above equation (19) are measurable quantities, and x 2 is an unmeasurable quantity. Is. Further, the heat transfer coefficient α ms from the tube metal to the water / steam and the heat transfer coefficient α gm from the tube external fluid (gas) to the tube metal are approximated by the following equations.

【0065】 αms=f(Fs) ……(23) αgm=f(FgBF) ……(24) (11)、(12)式を離散時間表現すると、次式に示
すようになる。これが予測モデルを示す物理式である。
なお、本明細書において、“M”の記号は、その量がマ
トリクスで表現される量であることを示す。
Α ms = f (F s ) ... (23) α gm = f (F gBF ) ... (24) When the expressions (11) and (12) are expressed in discrete time, the following expression is obtained. . This is a physical formula showing the prediction model.
In the present specification, the symbol " M " indicates that the amount is expressed by a matrix.

【0066】 XM(k)=AMM(k−1)+BMM(k−1) ……(10a) ここで、AM:状態遷移マトリクス(モデル) BM:駆動マトリクス(モデル) XM(k):kサンプリング時点の状態量(モデル) XM(k−1):k−1時点の状態量(モデル) UM(k−1):k−1時点の操作量(モデル) 次に、カルマン・フィルタによる状態量の推定と、誤差
の推定を示す。ここで、kサンプリング時点の状態量の
推定値を〜XM(k)、モデル誤差をε(k)としたと
きの、kサンプリング時点の状態量の最ゆう推定値^X
M(k)を求める。
X M (k) = A M X M (k−1) + B M U M (k−1) (10a) where A M : state transition matrix (model) B M : drive matrix ( Model) X M (k): State quantity at k sampling time (model) X M (k-1): State quantity at k-1 time (model) U M (k-1): Manipulation quantity at k-1 time point (Model) Next, the estimation of the state quantity by the Kalman filter and the estimation of the error will be shown. Here, when the estimated value of the state quantity at the time of k sampling is ˜X M (k) and the model error is ε (k), the maximum likelihood estimation value of the state quantity at the time of k sampling ^ X
Find M (k).

【0067】 ^XM(k)=AMM(k−1)+BMM(k−1)+ε(k)…(10b) ε(k)=K{XM(k)−〜XM(k)} ……(10c) 〜XM(k)=AM^XM(k−1)+BMM(k−1) ……(10d) ここで、K:カルマン・ゲイン 前記モデル式を用いて、各熱交換器単体のモデルをブロ
ック線図で表わすと、図4に示すようになる。すなわ
ち、熱交換器単体のモデルは、燃料流量Ff、空気流量
aおよびガス再循環流量Fgrfと、火炉水壁熱吸収量Q
WWおよび火炉水壁以外のガス側上流熱交換器の総熱吸収
量QHEXとに基づいて、ガス温度θginを計算するガス温
度計算モデル306と、熱交換器の入口蒸気温度を管内
部流体(水・蒸気)の入口エンタルHsinに変換する変
換部307と、エンタルHsin、蒸気流量Fsおよびガス
温度θginをそれぞれ近似的に3次遅れを与える無駄時
間要素301、302および303と、集中定数化モデ
ル304と、カルマン・フィルタ305とで構成され
る。
^ X M (k) = A M X M (k−1) + B M U M (k−1) + ε (k) ... (10b) ε (k) = K {X M (k) −− X M (k)} (10c) to X M (k) = A M ^ X M (k-1) + B M UM (k-1) (10d) where K: Kalman gain FIG. 4 shows a block diagram of a model of each heat exchanger using the above model formula. That is, the model of the heat exchanger alone has a fuel flow rate F f , an air flow rate F a, a gas recirculation flow rate F grf, and a furnace water wall heat absorption amount Q.
A gas temperature calculation model 306 for calculating the gas temperature θ gin based on the total heat absorption Q HEX of the gas side upstream heat exchanger other than WW and the water wall of the furnace, and the inlet steam temperature of the heat exchanger as the pipe internal fluid. A conversion unit 307 for converting the inlet enthal H sin of (water / steam), and dead time elements 301, 302, and 303 that approximately give a third-order delay to the enthal H sin , the steam flow rate F s, and the gas temperature θ gin , respectively. , A lumped constant model 304 and a Kalman filter 305.

【0068】また、予測モデルの全体構成は、図5に示
すようになる。図5では、給水ポンプ117から送られ
る水が節炭器(ECO)130を経て火炉水壁(WW)
108で加熱されて、1次過熱器109、1次スプレ1
16、2次過熱器110、2次スプレ120、3次過熱
器111および主蒸気加減弁121を経て、高圧タービ
ン122に送られる。ここで、各過熱器109、110
および111では、ガス温度計算により求められるガス
温度θg1SH、θg2SHおよびθg3SHが与えられて、前記物
理式により、それぞれの出口蒸気温度が算出される。ま
た、高圧タービン122を出た蒸気は、1次再熱器11
2、再熱スプレ132および2次再熱器113を経て低
圧タービン123に送られる。ここで、1次再熱器11
2および2次再熱器113では、ガス温度計算により求
められるガス温度θg1RHおよびθg2 RHが与えられて、前
記物理式により、それぞれの出口蒸気温度が算出され
る。
The overall structure of the prediction model is as shown in FIG. In FIG. 5, the water sent from the water supply pump 117 passes through the economizer (ECO) 130 and the furnace water wall (WW).
Heated at 108, primary superheater 109, primary spray 1
16, the secondary superheater 110, the secondary spray 120, the tertiary superheater 111, and the main steam control valve 121, and then is sent to the high-pressure turbine 122. Here, each superheater 109, 110
In and 111, the gas temperatures θ g1SH , θ g2SH and θ g3SH obtained by the gas temperature calculation are given, and the respective outlet steam temperatures are calculated by the physical formula. Further, the steam exiting the high-pressure turbine 122 is the primary reheater 11
2. It is sent to the low-pressure turbine 123 via the reheat spray 132 and the secondary reheater 113. Here, the primary reheater 11
In the second and second reheaters 113, the gas temperatures θ g1RH and θ g2 RH obtained by the gas temperature calculation are given, and the respective outlet steam temperatures are calculated by the above physical formula.

【0069】ここで、予測は、前記(10b)式を用い
て、kサンプリング時点で、nサンプリング先の制御量
^XM(k,n)を求めることにより行なう。
Here, the prediction is performed by obtaining the control amount ^ X M (k, n) of n sampling destinations at the time of k sampling, using the equation (10b).

【0070】 ^XM(k,1)=AM^XM(k)+BMM(k)+ε(k) ^XM(k,2)=AM^XM(k,1)+BMM(k)+ε(k) ・ ・ ・ ^XM(k,n)=AM^XM(k,n−1)+BMM(k)+ε(k) このようにして、行なわれる予測特性について、検討す
る。ここでは、最終段の過熱器のみについて集中定数化
モデルを構成して予測を行なう場合と、本実施例の無駄
時間要素と集中定数化モデルとを組み合わせたもので予
測を行なう場合とを比較する。同じ操作量に対して、そ
の応答特性を測定すると、図11(a)に示すようにな
る。同図から明らかなように、集中定数化モデルのみで
予測を行なう場合には、プラントの応答より応答が速く
なっっているため、誤差εが大きくなっている。そのた
め、誤差εによる引き戻し作用も大きくなり、予測精度
が悪くなる(同図(b))。一方、無駄時間要素と集中
定数化モデルとを組み合わせたものは、制御量の応答
が、プラントの応答特性と近似しているため、誤差εが
小さくなり、引き戻し作用も小さく、予測制度が向上す
る(同図(c))。
^ X M (k, 1) = A M ^ X M (k) + B M U M (k) + ε (k) ^ X M (k, 2) = A M ^ X M (k, 1) + B M U M (k) + ε (k) ··· ^ X M (k, n) = A M ^ X M (k, n-1) + B M U M (k) + ε (k) In this way , The prediction characteristics to be performed will be examined. Here, a case where a lumped parameter model is configured only for the final stage superheater and the prediction is performed is compared with a case where prediction is performed using a combination of the dead time element and the lumped parameter model of the present embodiment. . When the response characteristic is measured for the same manipulated variable, it becomes as shown in FIG. As is clear from the figure, when the prediction is performed only with the lumped parameter model, the response is faster than the response of the plant, and thus the error ε is large. Therefore, the pullback action due to the error ε also increases, and the prediction accuracy deteriorates ((b) of the same figure). On the other hand, in the combination of the dead time element and the lumped parameterization model, the response of the controlled variable is similar to the response characteristic of the plant, so the error ε is small, the pullback effect is small, and the prediction accuracy is improved. ((C) of the same figure).

【0071】なお、本実施例においては、予測制御と通
常制御を並置し、予測値の誤差が予め定めた範囲に入る
ときのみ予測制御を行なうようにしている。図1のスイ
ッチ6は、この目的のために設けられている。誤差が大
きい場合には、通常のPI(比例・積分)制御を行な
い、誤差が小さくなったら、本発明の予測制御に切り替
える。
In this embodiment, the predictive control and the normal control are arranged side by side, and the predictive control is performed only when the error in the predicted value falls within a predetermined range. The switch 6 of FIG. 1 is provided for this purpose. When the error is large, normal PI (proportional / integral) control is performed, and when the error becomes small, the predictive control of the present invention is switched to.

【0072】なお、本実施例は、コンピュータにより演
算されて実行される。そのため、モデル式は、(10
a)式に示したように、離散時間表現される。そこで、
モデル式を離散時間表現する場合について、少し詳細に
説明する。
It should be noted that this embodiment is calculated and executed by a computer. Therefore, the model formula is (10
It is expressed in discrete time as shown in equation (a). Therefore,
The case where the model formula is expressed in discrete time will be described in some detail.

【0073】前記エネルギ保存式から導かれる熱伝達式
モデル(11)、(12)式を離散時間表現し、マトリ
クスの要素で示すと、次式が得られる。
When the heat transfer equations (11) and (12) derived from the above energy conservation equation are expressed in discrete time and shown by matrix elements, the following equation is obtained.

【0074】[0074]

【数10】 [Equation 10]

【0075】次に、(25)式を用いてカルマン・フィ
ルタ305により状態変数の推定を行なう場合につい
て、説明する。熱伝達式モデルの離散時間表現である
(25)式を用いて、蒸気温度を予測するには、状態変
数である蒸気温度θsおよび管メタル温度θmの予測開始
時点の値が必要である。しかし、管メタル温度θmは、
計測できないので、推定値を用いることになる。本実施
例では、この管メタル温度θmの推定に、カルマン・フ
ィルタを適用する。
Next, the case where the Kalman filter 305 estimates the state variable using the equation (25) will be described. In order to predict the steam temperature using the equation (25), which is a discrete-time expression of the heat transfer equation model, the values of the steam temperature θ s and the tube metal temperature θ m , which are state variables, at the time when the prediction is started are required. . However, the tube metal temperature θ m is
Since it cannot be measured, the estimated value will be used. In the present embodiment, the Kalman filter is applied to the estimation of the tube metal temperature θ m .

【0076】カルマン・フィルタを適用するため、(2
5)式を次式で表わす。
To apply the Kalman filter, (2
The expression 5) is expressed by the following expression.

【0077】 XM(k)=ΦM(k−1)・XM(k−1) −HM(k−1)・UM(k−1)……(26)[0077] X M (k) = Φ M (k-1) · X M (k-1) -H M (k-1) · U M (k-1) ...... (26)

【0078】[0078]

【数11】 [Equation 11]

【0079】ここで、XM(k):kサンプリング時点
の状態変数ベクトル(蒸気温度θs、管メタル温度θm) ΦM(k−1):k−1サンプリング時点の状態遷移行
列 HM(k−1):k−1サンプリング時点の駆動行列 UM(k−1):k−1サンプリング時点の操作量 また、(26)式で表わされるシステムの観測過程は、
次式で表わされるものとする。
Here, X M (k): State variable vector (steam temperature θ s , tube metal temperature θ m ) at the time of k sampling Φ M (k−1): State transition matrix H M at the time of k−1 sampling (K-1): driving matrix at the time of k-1 sampling U M (k-1): manipulated variable at the time of k-1 sampling The observation process of the system represented by the equation (26) is
It shall be represented by the following formula.

【0080】 YM(k)=CM・XM(k)+VM(k) ……(31) ここで、YM(i):kサンプリング時点における観測
ベクトル(蒸気温度θsに対応) XM(k):状態変数ベクトル(蒸気温度θs、管メタル
温度θm) VM(k):観測ノイズ・ベクトル CM :観測行列 (26)式、(31)式のカルマン・フィルタは、次式
により構成される。なお、ここで、’は、転置マトリク
スを意味する。
Y M (k) = C M · X M (k) + V M (k) (31) Here, Y M (i): observation vector at the time of sampling k (corresponding to vapor temperature θ s ) X M (k): state variable vector (steam temperature theta s, tube metal temperature θ m) V M (k) : observation noise vector C M: the observation matrix (26), (31) where the Kalman filter is , Is constructed by the following equation. In addition, here, 'means a transposed matrix.

【0081】 ^XM(k)=〜XM(k) +PM(k)・CM’・WM~1{YM(k)−CM・〜XM(k)} ……(32) 〜XM(k)=ΦM(k−1)・^XM(k−1) +HM(k−1)・UM(k−1) ……(33) PM(k)={MM~1(k)+CM’・WM~1・CM}~1 ……(34) MM(k)=ΦM(k−1)・PM(k−1)・ΦM’(k−1) +HM(k−1)・UM(k−1)・HM’(k−1)…(35) ここで、^XM(k):kサンプリング時点の制御量XM
(k)の最ゆう推定値 〜XM(k):kサンプリング時点の制御量XM(k)の
推定値 次に、操作量決定システム4について説明する。操作量
決定システム4は、目標値の近い将来の予測値と蒸気温
度の近い将来の予測値に基づいて操作量を決定する。本
実施例では、PI制御を行なっている。そのアルゴリズ
ムを数14に示す。
[0081] ^ X M (k) = ~X M (k) + P M (k) · C M '· W M ~ 1 {Y M (k) -C M · ~X M (k)} ...... ( 32) ~X M (k) = Φ M (k-1) · ^ X M (k-1) + H M (k-1) · U M (k-1) ...... (33) P M (k) = {M M ~ 1 (k ) + C M '· W M ~ 1 · C M} ~ 1 ...... (34) M M (k) = Φ M (k-1) · P M (k-1) · Φ M '(k-1) + H M (k-1) · U M (k-1) · H M' (k-1) ... (35) here, ^ X M (k): the k sampling point in time Control amount X M
Maximum likelihood estimation value of (k) to X M (k): Estimated value of control amount X M (k) at the time of k sampling Next, the operation amount determination system 4 will be described. The manipulated variable determination system 4 determines the manipulated variable based on the near future predicted value of the target value and the near future predicted value of the steam temperature. In this embodiment, PI control is performed. The algorithm is shown in Equation 14.

【0082】[0082]

【数12】 [Equation 12]

【0083】ここで、 kpi:比例ゲイン kIi:積分ゲイン △ui(k):現在時点kにおける操作量uiの変化分 モデル・チューニング・システム5は、蒸気温度系のモ
デルの特性が火力プラントの特性に合うようにモデル・
パラメータをチューニングする。このモデル・チューニ
ング・システム5の構成を図6に示す。次に、この図に
従って、チューニング・アルゴリズムについて説明す
る。
Here, k pi : Proportional gain k Ii : Integral gain Δu i (k): Change in manipulated variable u i at the present time k Model tuning system 5 has the characteristics of the model of the steam temperature system. Model to suit the characteristics of the thermal power plant
Tune parameters. The configuration of this model tuning system 5 is shown in FIG. Next, the tuning algorithm will be described with reference to this figure.

【0084】先ず、火力プラントの制御量と予測モデル
により推定した制御量の推定値との誤差、すなわちモデ
ル誤差が小さくなるように山登り法によりモデル・パラ
メータをチューニングし、このチューニング結果を収
集、記憶する。
First, the model parameters are tuned by the hill climbing method so that the error between the control amount of the thermal power plant and the estimated value of the control amount estimated by the prediction model, that is, the model error, is tuned, and the tuning results are collected and stored. To do.

【0085】次に、この山登り法によるモデル・チュー
ニング結果を教師データとし、ニューラル・ネットワー
ク(ニューロ)にモデル・チューニング・ルールを学習
させる。この学習により、モデル・チューニング・ルー
ルを習得した後は、ニューラル・ネットワークにより予
測モデルのパラメータをチューニングする。
Next, the model tuning rule by the hill climbing method is used as teacher data, and the neural network (neuro) is made to learn the model tuning rule. After learning the model tuning rules by this learning, the parameters of the prediction model are tuned by the neural network.

【0086】また、同様にして、前記山登り法によるモ
デル・チューニング結果に基づいて、モデル・チューニ
ング・ルールをファジィ・ルールとして抽出し、この抽
出したファジィ・ルールにより予測モデルのパラメータ
をチューニングする。
Similarly, the model tuning rule is extracted as a fuzzy rule based on the model tuning result by the hill climbing method, and the parameters of the prediction model are tuned by the extracted fuzzy rule.

【0087】なお、前記のファジィ・ルール作成に、モ
デル・チューニング・ルールを習得したニューラル・ネ
ットワークを利用することもできる。すなわち、学習済
みのニューラル・ネットワークの入出力特性からファジ
ィ・ルールを作成することもできる。
A neural network that has learned model tuning rules can be used for the above fuzzy rule creation. That is, the fuzzy rule can be created from the input / output characteristics of the learned neural network.

【0088】モデルチューニングは、プラント(シミュ
レータでもよい)の時間応答データを取り込んで、これ
に基づいて、静特性のチューニングを行ない、ついで、
動特性のチューニングを行なう。このチューニングは、
例えば、マスタ制御コントローラを用いて行なうことが
できるが、別のコンピュータシステム上で行なってもよ
い。
In the model tuning, the time response data of the plant (which may be a simulator) is taken in, the static characteristic is tuned based on the data, and then,
Tune the dynamic characteristics. This tuning is
For example, it can be performed using a master controller, but may be performed on another computer system.

【0089】静特性のチューニングは、負荷レベルを一
定幅ずつ変え、各負荷レベルごとに行なう。図15に示
すように、まず、現在の負荷レベルを取り込む(ステッ
プ1501)。プロセス量を取り込む(ステップ150
2)。ここでは、各熱交換器毎に、Fs、θs、Ps
g、Pg、θg等を取り込む。これらの量に基づいて、
水・蒸気のエンタルピ(Hs)分布を求める(ステップ
1503)。すなわち、各熱交換器の入口および出口に
おける水・蒸気のエンタルピ(Hs)を求める。さら
に、水・蒸気の吸収熱量(Qms、Qgm)分布を推定する
(ステップ1504)。Qms、Qgmは、これらは、系が
バランスしているときには、等しくなる。
The tuning of the static characteristic is performed for each load level by changing the load level by a certain width. As shown in FIG. 15, first, the current load level is fetched (step 1501). Capture process quantity (step 150)
2). Here, for each heat exchanger, F s , θ s , P s ,
F g , P g , θ g, etc. are taken in. Based on these quantities,
The enthalpy (H s ) distribution of water / steam is obtained (step 1503). That is, the enthalpies (H s ) of water and steam at the inlet and outlet of each heat exchanger are obtained. Further, the distribution of absorbed heat quantities (Q ms , Q gm ) of water and steam is estimated (step 1504). Qms and Qgm are equal when the system is balanced.

【0090】次に、ガスのエンタルピ(Hg)分布を推
定する。これは、温度が測定できる部分での温度とガス
の比熱とを使ってもとめる(ステップ1505)。温度
が測定できる部分としては、例えば、節炭器の近傍があ
る。また、ガスの温度(θg)の分布を推定する(ステ
ップ1506)。これは、前記エンタルピの分布と比熱
を用いて推定する。さらに、メタルの温度(θm)分布
を推定する(ステップ1507)。最後に、熱伝達率
(αms、αgm、βgm)を推定する(ステップ150
8)。
Next, the enthalpy (H g ) distribution of the gas is estimated. This is also determined by using the temperature and the specific heat of the gas in the portion where the temperature can be measured (step 1505). The portion where the temperature can be measured is, for example, near the economizer. Further, the distribution of the gas temperature (θ g ) is estimated (step 1506). This is estimated using the enthalpy distribution and the specific heat. Further, the temperature (θ m ) distribution of the metal is estimated (step 1507). Finally, the heat transfer coefficients (α ms , α gm , β gm ) are estimated (step 150).
8).

【0091】次に、動特性のチューニングについて説明
する。図16に示すように、プラント(シミュレータ)
に対して、ステップ入力、ランプ入力等を与えて、それ
に対するプラントの時間応答データを取り込む(ステッ
プ1601)。入力としては、例えば、燃料流量を増加
する指令を与え、これに対する1次過熱器出口の蒸気温
度の変化のデータを取り込む。また、モデルにたいして
は、例えば、設計的に定まる初期パラメータをセットす
る(ステップ1602)。そして、モデルに、プラント
の操作量および制御量を与え、モデルの初期状態を推定
する(ステップ1603)。その後、モデルに、ステッ
プ入力、ランプ入力等を与えて、それに対する時間応答
を計算する(ステップ1604)。プラントと、モデル
との時間応答の誤差を計算する(ステップ1605)。
そして、この誤差が予め定めた範囲に収束しているか否
か判定するステップ(ステップ1606)。収束してい
ない場合には、モデルのパラメータの修正を行なう(ス
テップ1607)。この修正は、例えば、山登り法、フ
ァジィ推論、ニューラルネットワーク等を用いて行なう
ことができる。そして、ステップ1603からの手順を
繰り返して、誤差が一定の範囲に収束した時点で、チュ
ーニングを終了する。
Next, tuning of dynamic characteristics will be described. As shown in FIG. 16, a plant (simulator)
With respect to, a step input, a lamp input, etc. are given, and the time response data of the plant corresponding thereto is fetched (step 1601). As an input, for example, a command to increase the fuel flow rate is given, and the data of the change in the steam temperature at the outlet of the primary superheater in response to this is taken. Further, for the model, for example, initial parameters determined by design are set (step 1602). Then, the plant operation amount and control amount are given to the model, and the initial state of the model is estimated (step 1603). Then, the model is given step inputs, ramp inputs, etc., and the time response to them is calculated (step 1604). The error in the time response between the plant and the model is calculated (step 1605).
Then, a step of determining whether or not this error has converged within a predetermined range (step 1606). If it has not converged, the model parameters are corrected (step 1607). This modification can be performed using, for example, a hill climbing method, fuzzy inference, a neural network, or the like. Then, the procedure from step 1603 is repeated, and when the error converges within a certain range, the tuning ends.

【0092】次に、山登り法によるモデルのパラメータ
の修正について、説明する。図17、18に、その一例
を示す。図17は、モデルのチューニングを行なうシス
テムの構成の一例である。 この例では、火力プラント
(シミュレータでもよい)1と、本発明の予測モデルに
よる予測システム2とに、操作量UMを入力する。これ
に対応して、火力プラント1からは状態量XMが、ま
た、予測システム(モデル:mのサフィックスで示す)
3からは、予測される状態量XmMが出力される。モデル
チューニングシステム5は、これらの誤差eMを取り込
み、それを、次式により積分して、その積分値の大きさ
により評価する。そして、その積分値が最小となるよう
に、山登り法により、パラメータを修正する。
Next, correction of model parameters by the hill climbing method will be described. 17 and 18 show an example thereof. FIG. 17 is an example of the configuration of a system for tuning a model. In this example, the manipulated variable U M is input to the thermal power plant (which may be a simulator) 1 and the prediction system 2 based on the prediction model of the present invention. Corresponding to this, the state quantity X M from the thermal power plant 1 is also a prediction system (model: shown by suffix m)
From 3, the predicted state quantity X mM is output. The model tuning system 5 takes in these errors e M , integrates them by the following equation, and evaluates by the magnitude of the integrated value. Then, the parameters are modified by the hill climbing method so that the integrated value becomes the minimum.

【0093】[0093]

【数13】 [Equation 13]

【0094】図18は、シンプレックス法を制約条件が
ある場合に適用できるように拡張したコンプレックス法
の原理を示す。このコンプレックス法は、n次元空間の
(n+1)個の点の集合によってシンプレックス(si
mplex)を形成し、このうち関数値の最も大きな1
点について、残りの点で張られる超平面に関する鏡像を
とって、新たなシンプレックスを形成し、この新たなシ
ンプレックスにおいて、同様の操作を行なって、また、
新たなシンプレックスを形成することを繰り返して、関
数値の極小点に達する方法である。なお、図18におい
て、評価値の大きさは、等高線で表わされる。この例で
は、極小値を求めるので、等高線は、山ではなく、谷を
表わす。また、同図において、斜線部分は、制約条件を
表わす。点が、制約条件にかかる場合、それを外すよう
に定める。
FIG. 18 shows the principle of the complex method extended so that the simplex method can be applied when there are constraints. This complex method uses a set of (n + 1) points in an n-dimensional space to generate a simplex (si
1) of which the function value is the largest
For a point, take a mirror image of the hyperplane spanned by the remaining points, form a new simplex, perform the same operation in this new simplex, and
This is a method of repeatedly forming a new simplex to reach the minimum point of the function value. In FIG. 18, the magnitude of the evaluation value is represented by contour lines. In this example, since the minimum value is obtained, the contour lines represent valleys instead of peaks. Further, in the figure, the shaded portion represents the constraint condition. If a point is subject to a constraint, it is decided to remove it.

【0095】図18に示す例は、二つのパラメータP1
およびP2について、山登り法による修正を実行する例
である。すなわち、まず、パラメータP1およびP2の
初期値を与える。これには、例えば、設計値を用いるこ
とができる。また、乱数を発生させて与えてもよい。こ
の点を、図18における座標点1とする。次に、座標点
2および3を乱数により発生させる。ついで、これらの
3点のパラメータを、それぞれ火力プラントのシミュレ
ータおよびモデル3に設定して、それぞれの状態量の誤
差を求めて、前記(36)式の積分を行なう。このう
ち、最も関数値の大きい点(ここでは、1とする)につ
いて、点2および3が平面に、点1の鏡像点を求める。
ここでは、これを4とする。そして、点2、3および4
で新たなシンプレックスを構成する。そして、点4につ
いての、前記積分を実行して、その積分値を、点2およ
び3と比較して、前記と同じ操作を繰り返す。なお、点
4が、制約条件を満たさない場合には、その点を手前に
ずらした位置を新たに点4とする。このようにして、順
次、評価値の高い、本実施例では、誤差に小さいパラメ
ータの組合せを探索する。
The example shown in FIG. 18 has two parameters P1.
And P2 is an example of performing the correction by the hill climbing method. That is, first, the initial values of the parameters P1 and P2 are given. For this, for example, a design value can be used. Alternatively, a random number may be generated and given. This point is defined as coordinate point 1 in FIG. Next, the coordinate points 2 and 3 are generated by random numbers. Next, these three parameters are set in the simulator and model 3 of the thermal power plant, the error of each state quantity is obtained, and the integration of the equation (36) is performed. Among these points, for the point having the largest function value (here, set to 1), points 2 and 3 are planes, and the mirror image point of point 1 is obtained.
Here, this is set to 4. And points 2, 3 and 4
Configure a new simplex with. Then, the integration for the point 4 is executed, the integrated value is compared with the points 2 and 3, and the same operation as described above is repeated. When the point 4 does not satisfy the constraint condition, the position shifted to the front is newly set as the point 4. In this way, in the present embodiment, a combination of parameters having a high evaluation value is sequentially searched for a small error.

【0096】なお、山登り法の詳細に関しては、”M.
J.Box,A New Method of Con
strained Optimization wit
hOther Methods,The comput
er J.Vol8,No1(1985),pp.42
−52”および”志水 清孝著,システム制御と数理計
画法(昭和46年2月10日発行)76−79頁”を参
照されたい。
For details of the mountain climbing method, see "M.
J. Box, A New Method of Con
trained Optimization wit
hOther Methods, The comput
er J. Vol8, No1 (1985), pp. 42
-52 "and" Kiyotaka Shimizu, System Control and Mathematical Programming (Published February 10, 1972) pages 76-79 ".

【0097】このようにして、最適なパラメータを見つ
けだすことができる。本実施例では、チューニングを要
するパラメータとしては、無駄時間要素の時定数があ
る。本例は、プラントの運転データを利用して、山登り
法によりモデルのパラメータを調整するので、パラメー
タ調整の自動化及び調整時間の短縮ができる。
In this way, optimum parameters can be found. In the present embodiment, the parameter that requires tuning is the time constant of the dead time element. In this example, the parameters of the model are adjusted by the hill climbing method using the operation data of the plant, so that the parameter adjustment can be automated and the adjustment time can be shortened.

【0098】この山登り法による修正データを利用し
て、より効率的に修正を行なうため、ファジィルールを
構築して、修正を行なう方法について、説明する。図1
9に、その一例を示す。
A method of constructing a fuzzy rule and making a correction using the correction data by the hill climbing method in order to make the correction more efficiently will be described. Figure 1
9 shows an example thereof.

【0099】図19には、ファジィ推論システムの構成
の一例を示す。このシステムは、モデルチューニングシ
ステム5に搭載することができる。このシステムは、フ
ァジィルールを記述するファジィルール部1901と、
各ルールの前件部および後件部の適合度を決定するため
のメンバシップ関数を記憶するメンバシップ関数部19
02と、入力変数にたいして、メンバシップ関数によっ
て定まる適合度に基づいて、ファジィルールにより推論
を行なうファジィ推論エンジン部1903とを有する。
FIG. 19 shows an example of the configuration of the fuzzy inference system. This system can be mounted on the model tuning system 5. This system includes a fuzzy rule section 1901 that describes fuzzy rules,
A membership function unit 19 that stores a membership function for determining the suitability of the antecedent part and the consequent part of each rule.
02, and a fuzzy inference engine unit 1903 that infers the input variables by fuzzy rules based on the goodness of fit determined by the membership function.

【0100】本実施例では、図20(A)に示すよう
に、燃料流量の増加に対するプラントの1次過熱器の蒸
気温度が目標値の62%に達する立上り時間T(実線で
示す)に対するモデルの立上り時間Tm(破線で示す)
の比(Tm/T)に着眼して、それに基づくルールを記
述して、このルールに、試運転やシミュレーションで得
られる前記比(Tm/T)について、同図(B)に示す
ように、予め定めたメンバシップ関数の適合度に応じ
て、ルールを適用し、ファジィ推論を行い、パラメータ
をチューニングする。
In the present embodiment, as shown in FIG. 20 (A), a model for the rise time T (shown by the solid line) for the steam temperature of the primary superheater of the plant to reach 62% of the target value as the fuel flow rate increases Rise time Tm (shown by the broken line)
Of the ratio (Tm / T) and describe a rule based on the ratio (Tm / T), and the rule (Tm / T) obtained in the test run or the simulation is described in advance in this rule as shown in FIG. Rules are applied, fuzzy inference is performed, and parameters are tuned according to the conformity of the defined membership function.

【0101】ファジィルール部1901には、例えば、
次のようなルールが記憶される。ここでは、無駄時間要
素303の時定数T3を修正係数C3を用いて修正する例
を示す。 ルール1:(Tm/T)が小ならば、T3の修正係数C3
を大きくする。 ルール2:(Tm/T)が適正ならば、T3の修正係数
3は適正。 ルール3:(Tm/T)が大ならば、T3の修正係数C3
を小さくする。
In the fuzzy rule section 1901, for example,
The following rules are stored. Here, an example is shown in which the time constant T 3 of the dead time element 303 is corrected using the correction coefficient C 3 . Rule 1: If (Tm / T) is small, the correction factor C 3 of T 3
To increase. Rule 2: If (Tm / T) is appropriate, correction coefficient C 3 of T 3 is appropriate. Rule 3: If (Tm / T) is large, the correction factor C 3 of T 3
To reduce.

【0102】ファジィ推論エンジン部1903では、図
21に示すように、入力された(Tm/T)を、図20
(B)に示す(Tm/T)のメンバシップ関数にあては
めて、その適合度を求める。そして、得られた適合度
を、修正係数C3のメンバシップ関数にあてはめて、そ
の適合度に含まれる部分面積について、重心を求め、そ
の重心の位置に相当する修正係数を決定する。同図に示
す例では、ルール1および2に適合度を有するので、そ
れぞれの後件部の適合度に含まれる領域の面積全体につ
いて、重心計算を行なう。
In the fuzzy inference engine section 1903, as shown in FIG. 21, the input (Tm / T) is converted into
The membership function of (Tm / T) shown in FIG. Then, the obtained goodness of fit is applied to the membership function of the correction coefficient C 3 , the center of gravity is obtained for the partial area included in the goodness of fit, and the correction coefficient corresponding to the position of the center of gravity is determined. In the example shown in the figure, since the rules 1 and 2 have goodness of fit, the center of gravity is calculated for the entire area of the region included in the goodness of fit of each consequent part.

【0103】ここでは、1次過熱器についてのみ示した
が、これを他の過熱器についても同様に適用することが
できる。その場合、メンバシップ関数、ルールをそれぞ
れにあわせて作成すればよい。
Although only the primary superheater is shown here, this can be similarly applied to other superheaters. In that case, membership functions and rules may be created for each.

【0104】なお、ファジィ推論モデルの作成は、例え
ば、図22に示すように行なわれる。すなわち、まず、
対象についてのデータを収集する(ステップ220
1)。そして、入出力変数間の定性的関係を抽出する
(ステップ2202)。ここでは、どのような変数を選
ぶかの選択をも行なう。さらに、ファジィルールおよび
メンバシップ関数を作成する(ステップ2203)。以
上により、モデル構造が決定される。そして、ファジィ
ルールおよびメンバシップ関数を調整して、モデルパラ
メータの同定を行なう(ステップ2204)。
The fuzzy inference model is created, for example, as shown in FIG. That is, first,
Collect data about the subject (step 220)
1). Then, the qualitative relationship between the input and output variables is extracted (step 2202). Here, you also select what kind of variable to select. Further, a fuzzy rule and a membership function are created (step 2203). From the above, the model structure is determined. Then, the fuzzy rule and the membership function are adjusted to identify the model parameter (step 2204).

【0105】このように、本例によれば、パラメータを
修正する係数が決定されるので、それに応じてパラメー
タの修正が自動的に行なえる。また、本例は、プラント
の運転データを利用して、ファジィ推論によりモデルの
パラメータを調整するので、パラメータ調整の自動化及
び調整時間の短縮ができる。なお、山登り法と比較し
て、ファジィ推論は、後で述べるニューラル・ネットワ
ークと同様、調整時間の、より一層の短縮ができる。
As described above, according to this example, the coefficient for modifying the parameter is determined, and accordingly, the parameter can be modified automatically. Further, in this example, the parameter of the model is adjusted by fuzzy inference using the operation data of the plant, so that the parameter adjustment can be automated and the adjustment time can be shortened. In comparison with the hill climbing method, the fuzzy inference can reduce the adjustment time even more like the neural network described later.

【0106】モデルのパラメータの修正は、ファジィ法
のほか、ニューラルネットワークを用いて行なうことも
できる。この場合には、ルールの作成は、過去のデータ
を学習させることにより行なう。
The model parameters can be modified by using a fuzzy method or a neural network. In this case, the rule is created by learning the past data.

【0107】次に、ニューラルネットワークによるパラ
メータの修正について、説明する。ニューラルネットワ
ークでは、パラメータの修正についての過去のデータを
予め学習させることにより、パラメータの修正を行なう
ことができる。図23に、その構成を示す。図23に示
す例では、1次過熱器、2次過熱器および3次過熱器に
ついて、それぞれ立上り時間比(Tm1SH/T1SH、T
m2SH/T2SH、Tm3SH/T3SH)を入力して、それぞれに
対応する修正係数C31SH、C32SHおよびC33SHが得られ
る。図24に、それらの立上り時間比の関係を示す。
Next, correction of parameters by the neural network will be described. In the neural network, the parameter can be corrected by learning the past data about the parameter correction in advance. FIG. 23 shows the configuration. In the example shown in FIG. 23, the rise time ratios (T m1SH / T 1SH , T 1SH ) of the primary superheater, the secondary superheater, and the tertiary superheater are respectively set .
m2SH / T2SH , Tm3SH / T3SH ) and the corresponding correction factors C31SH , C32SH and C33SH are obtained. FIG. 24 shows the relationship between those rise time ratios.

【0108】ニューラルネットワークモデルは、例え
ば、図25に示す手順で作成することができる。すなわ
ち、データを収集して(ステップ2501)、変数の選
択を含めて、入出力変数を決定する(ステップ250
2)。そして、ニューラルネットワークの層数およびユ
ニット数を決定して、構造を決める(ステップ250
2)。これで、モデル構造が決定される。次に、バック
プロパゲーションにより、学習を行なって、ニューラル
ネットワークの各ニューロンの重み係数を調整する(ス
テップ2504)。
The neural network model can be created, for example, by the procedure shown in FIG. That is, data is collected (step 2501) and input / output variables are determined including selection of variables (step 250).
2). Then, the number of layers and the number of units of the neural network are determined to determine the structure (step 250).
2). This determines the model structure. Next, learning is performed by back propagation to adjust the weight coefficient of each neuron of the neural network (step 2504).

【0109】この例では、プラントの運転データを利用
して、ニューラル・ネットワークによりモデルのパラメ
ータを調整するので、パラメータ調整の自動化及び調整
時間の短縮ができる。なお、山登り法と比較して、ニュ
ーラル・ネットワークは、調整時間のより一層の短縮が
できる。
In this example, since the model parameters are adjusted by the neural network using the plant operation data, the parameter adjustment can be automated and the adjustment time can be shortened. It should be noted that, compared to the hill climbing method, the neural network can further reduce the adjustment time.

【0110】以上に述べた実施例では、複数の熱交換器
をサブプロセスとして構成されるプロセスについて、各
サブプロセスのモデルとして、無駄時間要素と、物理式
により集中定数化モデルとを組み合わせたものを用いた
ものである。本発明のモデルは、1つのプロセスのみの
プロセスについても適用できることはいうまでもない。
In the embodiment described above, a process in which a plurality of heat exchangers are configured as sub-processes is a combination of a dead time element and a lumped constant model by a physical formula as a model of each sub-process. Is used. It goes without saying that the model of the present invention can be applied to a process of only one process.

【0111】また、本発明は、複数のサブプロセスから
なるプロセスに適用するに際し、無駄時間要素を省略す
る構成とすることもできる。さらに、このとき各サブプ
ロセスを、複数の集中定数化モデルで構成することもで
きる。
Further, when the present invention is applied to a process composed of a plurality of sub-processes, the dead time element can be omitted. Furthermore, at this time, each sub-process can be configured by a plurality of lumped parameterization models.

【0112】本発明の効果を示すためにシミュレーショ
ン結果を示す。図12に、その一例の構成を示し、図1
3に、シミュレーション結果を示す。
Simulation results are shown to show the effect of the present invention. FIG. 12 shows an example of the configuration, and FIG.
Simulation results are shown in FIG.

【0113】図12は、変圧貫流ボイラに適用した本実
施例の構成を示す。本実施例は、1次過熱器、2次過熱
器および3次過熱器をそれぞれサブプロセスとして、そ
れらに対応した集中定数化モデルと無駄時間要素をカス
ケードに接続して組み込んだ予測モデル601を有する
ものである。このモデル601により、1次過熱器出口
蒸気温度、2次過熱器出口蒸気温度および主蒸気温度の
近い将来値を予測して、この予測結果を用いて、PI制
御により、それぞれ1次スプレ量、燃料流量、2次スプ
レ量を操作する。
FIG. 12 shows the structure of this embodiment applied to a once-through transformer. The present embodiment has a prediction model 601 in which a primary superheater, a secondary superheater, and a tertiary superheater are used as sub-processes, and corresponding lumped constant models and dead time elements are connected in a cascade. It is a thing. This model 601 predicts the near future values of the primary superheater outlet steam temperature, the secondary superheater outlet steam temperature, and the main steam temperature, and using this prediction result, the primary spray amount, respectively, by PI control, Operate the fuel flow rate and secondary spray amount.

【0114】図13は、図12に示す実施例において現
在値を用いたフィードバック制御(PID制御)時の予
測モデルの評価結果を示す。図13に示す評価は、変圧
貫流ボイラの実規模シミュレータを用いて行なったもの
である。図13には、1次過熱器出口蒸気温度、2次過
熱器出口蒸気温度および主蒸気温度の5分先の蒸気温度
を破線で、実温度を実線で示す。この図から分かるよう
に、主蒸気温度の予測値は、実温度のほぼ5分前に変化
しており、良好な予測値が得られている。
FIG. 13 shows the evaluation result of the prediction model at the time of feedback control (PID control) using the current value in the embodiment shown in FIG. The evaluation shown in FIG. 13 was performed using a full-scale simulator for a once-through boiler. In FIG. 13, the steam temperature at 5 minutes ahead of the primary superheater outlet steam temperature, the secondary superheater outlet steam temperature, and the main steam temperature is shown by a broken line, and the actual temperature is shown by a solid line. As can be seen from this figure, the predicted value of the main steam temperature changed approximately 5 minutes before the actual temperature, and a good predicted value was obtained.

【0115】次に、図12に示す実施例において、予測
値を用いた予測制御の評価結果を図14に示す。評価の
方法は、図13の場合と同じである。
Next, FIG. 14 shows an evaluation result of the prediction control using the predicted value in the embodiment shown in FIG. The evaluation method is the same as in the case of FIG.

【0116】図14から分かるように、本実施例では、
主蒸気温度の変動が、現在値フィードバック制御時の1
/3から1/2に抑えられており、大いに制御性が向上
することが分かる。
As can be seen from FIG. 14, in this embodiment,
Fluctuation of main steam temperature is 1 during current value feedback control.
It can be seen that the controllability is greatly improved because it is suppressed from / 3 to 1/2.

【0117】また、前述した実施例は、火力プラントの
例であるが、本発明は、これに限定されないことはいう
までもない。原子力プラント、化学プラント等にも適用
できる。また、前述した実施例では、予測と操作量決定
を1つのコントローラ上で行なうようにしたが、それぞ
れ別のコントローラで行なうようにすることもできる。
The above-mentioned embodiment is an example of a thermal power plant, but it goes without saying that the present invention is not limited to this. It can also be applied to nuclear plants, chemical plants, etc. Further, in the above-described embodiment, the prediction and the operation amount determination are performed by one controller, but they may be performed by different controllers.

【0118】[0118]

【発明の効果】本発明によれば、プロセスのモデルを無
駄時間要素と物理式に基づく集中定数化のモデルの組合
せにより構成するので、プロセスが分布定数系であって
もその特性を精度よく模擬でき、予測精度を向上するこ
とができる。
According to the present invention, a process model is constructed by combining a dead time element and a lumped constant model based on a physical formula. Therefore, even if the process is a distributed constant system, its characteristics are accurately simulated. Therefore, the prediction accuracy can be improved.

【0119】また、モデルを複数のサブプロセスで構成
し、それらの上流側サブプロセスの出力を下流側のサブ
プロセスの入力の一部とすることにより、プロセスの予
測を精度よく行なえる。また、この予測結果に基づいて
操作量を決定するので、制御性の向上も達成できる。
Further, the model is composed of a plurality of sub-processes, and the outputs of the upstream sub-processes are made a part of the inputs of the sub-processes on the downstream side, so that the process can be accurately predicted. Further, since the manipulated variable is determined based on this prediction result, the controllability can be improved.

【0120】プラントの運転データを利用して、山登り
法、ファジィ推論法およびニューラル・ネットワーク法
のいずれかによりモデルのパラメータを調整するので、
パラメータ調整の自動化及び調整時間の短縮ができる。
Since the operating data of the plant is used to adjust the parameters of the model by any of the hill climbing method, the fuzzy inference method and the neural network method,
The parameter adjustment can be automated and the adjustment time can be shortened.

【図面の簡単な説明】[Brief description of drawings]

【図1】本発明の一実施例の構成の概要を示すブロック
図。
FIG. 1 is a block diagram showing an outline of a configuration of an embodiment of the present invention.

【図2】火力プラントの概要を示す説明図。FIG. 2 is an explanatory diagram showing an outline of a thermal power plant.

【図3】本発明の実施例の蒸気温度予測システムの詳細
を示すブロック図。
FIG. 3 is a block diagram showing details of a steam temperature prediction system according to an embodiment of the present invention.

【図4】本発明の実施例の予測部の詳細を示すブロック
図。
FIG. 4 is a block diagram showing details of a prediction unit according to the embodiment of this invention.

【図5】本発明の実施例の水・蒸気とガス温度との関係
を示す説明図。
FIG. 5 is an explanatory diagram showing the relationship between water / steam and gas temperature according to the embodiment of the present invention.

【図6】本発明の実施例を構成するチューニングシステ
ムの詳細を示す説明図。
FIG. 6 is an explanatory diagram showing details of a tuning system that constitutes an embodiment of the present invention.

【図7】本発明の実施例の構成する火力プラント制御シ
ステムの機能構成を示すブロック図。
FIG. 7 is a block diagram showing a functional configuration of a thermal power plant control system according to an embodiment of the present invention.

【図8】前記図7に示すシステムのハードウエア構成の
一例を示すブロック図。
8 is a block diagram showing an example of a hardware configuration of the system shown in FIG.

【図9】前記図7に示すシステムのハードウエア構成の
他の例を示すブロック図。
9 is a block diagram showing another example of the hardware configuration of the system shown in FIG.

【図10】熱交換器の集中定数化モデルの原理を示す説
明図。
FIG. 10 is an explanatory diagram showing the principle of a lumped constant model of a heat exchanger.

【図11】本実施例による応答特性の比較を示すグラ
フ。
FIG. 11 is a graph showing a comparison of response characteristics according to this example.

【図12】本発明の実施例の蒸気温度制御部分の構成を
示すブロック図。
FIG. 12 is a block diagram showing a configuration of a steam temperature control section according to an embodiment of the present invention.

【図13】図12のシステムにおいて、現在値による制
御を行なって、その変化を見るために予測モデルを用い
た場合の応答を示すグラフ。
FIG. 13 is a graph showing a response when a predictive model is used to observe the change in the control of the current value in the system of FIG.

【図14】図12のシステムにおいて予測モデルによる
予測値を用いて制御した場合のシミュレーション評価を
示すグラフ。
FIG. 14 is a graph showing simulation evaluation in the case where control is performed using a prediction value by a prediction model in the system of FIG.

【図15】本発明のプロセス制御における予測モデルの
静特性のチューニングの処理フローを示すフローチャー
ト。
FIG. 15 is a flowchart showing the processing flow of tuning the static characteristics of the prediction model in the process control of the present invention.

【図16】本発明のプロセス制御における予測モデルの
動特性のチューニングの処理フローを示すフローチャー
ト。
FIG. 16 is a flowchart showing the processing flow of tuning the dynamic characteristics of the prediction model in the process control of the present invention.

【図17】本発明のプロセス制御における予測モデルの
パラメータを、山登り法によりチューニングする際のシ
ステム構成の概要を示すブロック図。
FIG. 17 is a block diagram showing an outline of a system configuration when tuning a parameter of a prediction model in the process control of the present invention by a hill climbing method.

【図18】前記山登り法によるパラメータのチューニン
グの原理を示す説明図。
FIG. 18 is an explanatory diagram showing the principle of parameter tuning by the hill climbing method.

【図19】本発明のプロセス制御における予測モデルの
パラメータを、ファジィ推論法によりチューニングする
際のシステム構成の概要を示すブロック図。
FIG. 19 is a block diagram showing an outline of a system configuration when tuning a parameter of a prediction model in process control of the present invention by a fuzzy inference method.

【図20】ファジィ推論によりパラメータをチューニン
グする際の原理を示す説明図。
FIG. 20 is an explanatory diagram showing the principle of tuning a parameter by fuzzy inference.

【図21】パラメータのチューニングをファジィ推論で
行なう場合の手順を示す説明図。
FIG. 21 is an explanatory diagram showing a procedure for performing parameter tuning by fuzzy inference.

【図22】パラメータのチューニングを行なうためのフ
ァジィ推論モデルを構築する手順を示すフローチャー
ト。
FIG. 22 is a flowchart showing a procedure for constructing a fuzzy inference model for tuning parameters.

【図23】本発明のプロセス制御における予測モデルの
パラメータを、ニューラルネットワーク法によりチュー
ニングする際のシステム構成の概要を示すブロック図。
FIG. 23 is a block diagram showing an outline of a system configuration when tuning a parameter of a prediction model in the process control of the present invention by a neural network method.

【図24】ニューラルネットワーク法によりパラメータ
をチューニングする際の原理を示す説明図。
FIG. 24 is an explanatory diagram showing the principle of tuning a parameter by the neural network method.

【図25】パラメータのチューニングを行なうためのニ
ューラルネットワークモデルを構築する手順を示すフロ
ーチャート。
FIG. 25 is a flowchart showing a procedure for constructing a neural network model for tuning parameters.

───────────────────────────────────────────────────── フロントページの続き (72)発明者 遠山 栄二 茨城県日立市大みか町五丁目2番1号 株 式会社日立製作所大みか工場内 (72)発明者 木村 亨 茨城県日立市大みか町五丁目2番1号 株 式会社日立製作所大みか工場内 ─────────────────────────────────────────────────── ─── Continuation of the front page (72) Inventor Eiji Toyama 52-1 Omika-cho, Hitachi-shi, Ibaraki Hitachi Ltd. Omika factory (72) Inventor Toru Kimura 5-2 Omika-cho, Hitachi-shi, Ibaraki No. 1 Stock company Hitachi Ltd. Omika factory

Claims (13)

【特許請求の範囲】[Claims] 【請求項1】プロセスのモデルを内蔵し、このモデルを
使用して、操作量を決定するプロセスの適応制御方法に
おいて、 プロセスのモデルを、無駄時間要素と物理式に基づく集
中定数化モデルとの組合せにより構成し、このモデルの
物理式を構成する変数のうちの一部または全部を、無駄
時間要素を介して、残りを直接、前記集中定数化モデル
の物理式に入力して、モデルにより演算を行なって、当
該プロセスの状態量を求め、この状態量を用いて操作量
を決定することを特徴とするプロセスの適応制御方法。
1. In a process adaptive control method that incorporates a model of a process, and uses this model to determine an operation amount, a model of the process is classified into a lumped parameter model based on dead time elements and a physical formula. A part or all of the variables that make up the physical formula of this model are configured by combination, and the rest are directly input to the physical formula of the lumped constant model through the dead time element and calculated by the model. Is performed to obtain the state quantity of the process, and the manipulated variable is determined using the state quantity.
【請求項2】請求項1において、前記プロセスを、前記
状態量の一部または全部が制御量である、1つまたは2
つ以上のサブプロセスで構成し、各サブプロセスのモデ
ルを、無駄時間要素と物理式に基づく集中定数化モデル
の組合せにより構成することを特徴とするプロセスの適
応制御方法。
2. The process according to claim 1, wherein a part or all of the state quantity is a controlled quantity.
An adaptive control method for a process, which is configured by one or more sub-processes, and a model of each sub-process is configured by a combination of a dead time element and a lumped constant model based on a physical formula.
【請求項3】請求項2において、2つ以上のサブプロセ
スのモデルを順に接続し、上流側のサブプロセスのモデ
ルの物理式で求められる状態量を、下流側のサブプロセ
スのモデルの入力変数とし、該状態量を、下流側のサブ
プロセスの無駄時間要素を介して、該下流側のサブプロ
セスのモデルの物理式に入力して、これらのモデルによ
り各サブプロセス状態量の予測値を求め、これらの予測
値を用いて操作量の決定を行なうことを特徴とするプロ
セスの適応制御方法。
3. The method according to claim 2, wherein two or more sub-process models are connected in order, and the state quantity obtained by the physical expression of the upstream sub-process model is used as an input variable of the downstream sub-process model. Then, the state quantity is input to the physical formula of the model of the downstream subprocess via the dead time element of the downstream side subprocess, and the predicted value of each subprocess state quantity is obtained by these models. , A process adaptive control method characterized in that a manipulated variable is determined using these predicted values.
【請求項4】請求項1、2または3において、物理式に
基づく集中定数化モデルに対してカルマン・フィルタを
構成し、このカルマン・フィルタで、状態量の誤差を推
定することを特徴とするプロセスの適応制御方法。
4. The Kalman filter according to claim 1, 2 or 3, wherein a Kalman filter is constructed for a lumped parameterized model based on a physical formula, and the Kalman filter estimates the error of the state quantity. Adaptive control method of process.
【請求項5】請求項1、2または3において、物理式に
基づく集中定数化モデルに対してカルマン・フィルタを
構成し、このカルマン・フィルタで、状態量の誤差を推
定すると共に、測定ができない変数の状態量を推定する
ことを特徴とするプロセスの適応制御方法。
5. The method according to claim 1, 2 or 3, wherein a Kalman filter is configured for a lumped parameterized model based on a physical formula, and the Kalman filter cannot estimate the error of the state quantity and cannot measure it. An adaptive control method for a process, which comprises estimating a state quantity of a variable.
【請求項6】請求項1において、プロセスのモデルのパ
ラメータを、山登り法による決定、ファジィ推論による
決定およびニューラルネットワークによる決定のうち、
いずれかでまたは組合せて行なうことにより、プロセス
のモデルをチューニングすることを特徴とするプロセス
の適応制御方法。
6. The method according to claim 1, wherein the parameter of the process model is determined by a hill climbing method, a fuzzy inference method, or a neural network.
An adaptive control method for a process, characterized in that a process model is tuned by performing either one or a combination thereof.
【請求項7】請求項6において、プロセスのモデルのパ
ラメータのうち、少なくとも無駄時間要素の時定数につ
いて、チューニングを行なうことを特徴とするプロセス
の適応制御方法。
7. The adaptive control method for a process according to claim 6, wherein at least the time constant of the dead time element among the parameters of the process model is tuned.
【請求項8】プロセスのモデルを内蔵し、このモデルを
使用して、操作量を決定するプロセスの適応制御方法に
おいて、 前記プロセスのモデルを、前記状態量の一部または全部
が制御量である、1つまたは2つ以上のサブプロセスの
モデルで構成し、各サブプロセスのモデルを、物理式に
基づく集中定数化モデルで構成し、かつ、 2以上のサブプロセスを順に接続し、上流側のサブプロ
セスのモデルの物理式で求められる状態量を、入力変数
として、下流側のサブプロセスのモデルの物理式に入力
して、これらのモデルにより各サブプロセス状態量の予
測値を求め、これらの予測値を用いて、操作量を決定す
ることを特徴とするプロセスの適応制御方法。
8. An adaptive control method for a process, which incorporates a model of a process, and uses this model to determine the manipulated variable, wherein in the model of the process, some or all of the state variables are controlled variables. One or two or more sub-process models are configured, each sub-process model is configured by a lumped parameterized model based on a physical formula, and two or more sub-processes are connected in order, By inputting the state quantity obtained by the physical equation of the sub-process model as an input variable into the physical equation of the model of the sub-process on the downstream side, the predicted value of each sub-process state quantity is obtained by these models, and these An adaptive control method for a process, characterized in that a manipulated variable is determined using a predicted value.
【請求項9】プロセスに対する目標値およびプロセスの
状態量に基づいて、プロセスに対する操作量を決定する
プロセス制御システムにおいて、 プロセスのモデルを内蔵し、このモデルを使用して、プ
ロセスの状態量を予測する状態量予測システムを備え、 該予測システムは、少なくとも1の無駄時間要素と、物
理式に基づく集中定数化モデルとの組合せにより構成さ
れるモデルを手段を有し、 該モデルは、当該モデルの物理式を構成する変数のうち
の一部または全部の入力を、無駄時間要素を介して受け
付けると共に、残りの変数の入力を直接受け付けて、当
該物理式による演算を実行して、そのプロセスの状態量
を算出して、それを出力するものであり、入力変数は、
プロセスの操作量および状態量であることを特徴とする
プロセス制御システム。
9. A process control system for determining an operation amount for a process based on a target value for the process and a state amount for the process, including a model of the process, and using the model, predicting the state amount of the process. A state quantity predicting system, the predicting system having means for combining at least one dead time element and a lumped constant model based on a physical formula, the model including a model of the model. The input of some or all of the variables that make up the physical expression is accepted via the dead time element, the inputs of the remaining variables are directly accepted, the operation by the physical expression is executed, and the state of the process It calculates the quantity and outputs it, and the input variable is
A process control system characterized in that it is an operation amount and a state amount of a process.
【請求項10】請求項9において、プロセスが、少なく
とも1の熱交換器を有する火力プラントの蒸気発生プロ
セスであり、予測システムが、蒸気温度予測システムで
あって、 物理式に基づく集中定数化モデルとして、当該熱交換器
の出口蒸気温度を計算するための熱交換器モデルと、こ
の熱交換器に熱を伝えるガスの温度を計算するためのガ
ス温度計算モデルとを有し、 ガス温度計算モデルでは、プロセスの燃料流量、空気流
量およびガス再循環流量に基づいて、熱交換器の入口に
おけるガス温度を計算し、 熱交換器モデルでは、前記ガス温度、蒸気温度および蒸
気流量に基づいて、その熱交換器の出口における蒸気温
度を計算し、かつ、少なくともガス温度および蒸気温度
について前記無駄時間要素を介してモデルに入力させる
ことを特徴とするプロセス制御システム。
10. The lumped parameterization model according to claim 9, wherein the process is a steam generation process of a thermal power plant having at least one heat exchanger, and the prediction system is a steam temperature prediction system. As a gas temperature calculation model, a heat exchanger model for calculating the outlet steam temperature of the heat exchanger and a gas temperature calculation model for calculating the temperature of the gas that transfers heat to the heat exchanger are provided. Calculates the gas temperature at the inlet of the heat exchanger based on the process fuel flow rate, air flow rate and gas recirculation flow rate, and in the heat exchanger model, based on the gas temperature, steam temperature and steam flow rate, It is possible to calculate the steam temperature at the outlet of the heat exchanger and to have at least the gas temperature and steam temperature input into the model via the dead time element. Process control system for the butterflies.
【請求項11】請求項10において、無駄時間要素は、
少なくとも1つ以上の1次遅れ要素のカスケード接続し
たものであることを特徴とするプロセス制御システム。
11. The dead time element according to claim 10,
A process control system comprising a cascade connection of at least one first-order lag element.
【請求項12】請求項10において、前記蒸気温度予測
システムは、カルマン・フィルタをさらに有し、 該カルマン・フィルタは、熱交換器モデルにおいて計算
される状態量の誤差推定を行なうことを特徴とするプロ
セス制御システム。
12. The steam temperature prediction system according to claim 10, further comprising a Kalman filter, the Kalman filter performing error estimation of the state quantity calculated in the heat exchanger model. Process control system.
【請求項13】請求項12において、前記カルマン・フ
ィルタは、熱交換器のメタル温度の推定をさらに行な
い、 熱交換器モデルは、メタル温度の推定値を計算に用いる
ことを特徴とするプロセス制御システム。
13. The process control according to claim 12, wherein the Kalman filter further estimates the metal temperature of the heat exchanger, and the heat exchanger model uses the estimated value of the metal temperature for calculation. system.
JP5052668A 1993-03-12 1993-03-12 Process adaptive control method and process control system Expired - Lifetime JP2907672B2 (en)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP5052668A JP2907672B2 (en) 1993-03-12 1993-03-12 Process adaptive control method and process control system
CN 94104275 CN1072369C (en) 1993-03-12 1994-03-11 Process adaptive control method and process control system

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP5052668A JP2907672B2 (en) 1993-03-12 1993-03-12 Process adaptive control method and process control system

Publications (2)

Publication Number Publication Date
JPH06266408A true JPH06266408A (en) 1994-09-22
JP2907672B2 JP2907672B2 (en) 1999-06-21

Family

ID=12921255

Family Applications (1)

Application Number Title Priority Date Filing Date
JP5052668A Expired - Lifetime JP2907672B2 (en) 1993-03-12 1993-03-12 Process adaptive control method and process control system

Country Status (2)

Country Link
JP (1) JP2907672B2 (en)
CN (1) CN1072369C (en)

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09204203A (en) * 1996-01-24 1997-08-05 Hitachi Ltd Method and device for calculating control command
US5691896A (en) * 1995-08-15 1997-11-25 Rosemount, Inc. Field based process control system with auto-tuning
US5812428A (en) * 1995-09-22 1998-09-22 Rosemount Inc. Process controller having non-integrating control function and adaptive bias
US5818714A (en) * 1996-08-01 1998-10-06 Rosemount, Inc. Process control system with asymptotic auto-tuning
JP2001209405A (en) * 2000-01-24 2001-08-03 Hitachi Ltd Plant control method and equipment
JP2007304767A (en) * 2006-05-10 2007-11-22 Yamatake Corp Control system and control method
JP2008082561A (en) * 2006-09-25 2008-04-10 Chugoku Electric Power Co Inc:The Boiler fuel control device, fuel control method and program of boiler in moving to yard individual operation, and recording medium stored with fuel control program of boiler in moving to yard individual operation
JP2009282878A (en) * 2008-05-26 2009-12-03 Omron Corp Control device and temperature controller
CN104570769A (en) * 2015-01-04 2015-04-29 国家电网公司 Actual measurement modeling method of power system electromechanical transient model of nuclear power unit speed regulating system
CN105485715A (en) * 2014-08-21 2016-04-13 阿尔斯通技术有限公司 Apparatus and method for controlling at least one operational parameter of a plant
JP2017537299A (en) * 2014-11-06 2017-12-14 シーメンス アクティエンゲゼルシャフト Control method for operating a once-through steam generator
CN110824926A (en) * 2019-11-29 2020-02-21 江苏方天电力技术有限公司 Thermal power generating unit deep peak regulation primary frequency modulation control method based on multi-model predictive control
JP2020160550A (en) * 2019-03-25 2020-10-01 株式会社チノー Control device and control method
WO2021140900A1 (en) * 2020-01-10 2021-07-15 三菱パワー株式会社 Boiler operation simulator, boiler operation assistance device, boiler operation control device, boiler operation simulation method, boiler operation simulation program, and recording medium with boiler operation simulation program recorded on same
CN113341765A (en) * 2021-06-10 2021-09-03 江苏舜高智能科技有限公司 Coal-fired power plant CO for strictly controlling carbon emission2Flexible regulation and control method for trapping system
WO2024042839A1 (en) * 2022-08-26 2024-02-29 日立造船株式会社 Control device, control method, incinerator facility, and prediction model creation device
WO2024095717A1 (en) * 2022-11-04 2024-05-10 株式会社日立製作所 System related to industrial plant

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3689767B2 (en) * 2000-09-22 2005-08-31 株式会社日立製作所 Thermal power plant maintenance service provision method
US9983559B2 (en) * 2002-10-22 2018-05-29 Fisher-Rosemount Systems, Inc. Updating and utilizing dynamic process simulation in an operating process environment
CN1298458C (en) * 2003-09-29 2007-02-07 宝山钢铁股份有限公司 Method for real-time estimating temperature of liquid steel in RH fining furnace
US7584024B2 (en) * 2005-02-08 2009-09-01 Pegasus Technologies, Inc. Method and apparatus for optimizing operation of a power generating plant using artificial intelligence techniques
JP4974330B2 (en) * 2006-02-28 2012-07-11 株式会社日立製作所 Control device
JP4573783B2 (en) * 2006-03-08 2010-11-04 株式会社日立製作所 Plant control apparatus and control method, thermal power plant and control method therefor
EP2244011A1 (en) 2009-03-24 2010-10-27 Siemens AG Method and device for regulating the temperature of steam for a steam power plant
US8216517B2 (en) * 2009-03-30 2012-07-10 General Electric Company System and method for monitoring an integrated system
CN101598109B (en) * 2009-05-21 2012-11-07 中国电力科学研究院 Intelligent control method for windmill generator yaw system
DE102010025916B4 (en) * 2010-07-02 2013-10-10 Siemens Aktiengesellschaft Method and device for determining model parameters for controlling a steam power plant unit, regulating device for a steam generator and computer program product
US20130024179A1 (en) * 2011-07-22 2013-01-24 General Electric Company Model-based approach for personalized equipment degradation forecasting
CN105114141B (en) * 2015-09-18 2017-01-04 广东电网有限责任公司电力科学研究院 Monoblock control method for coordinating and system
JP6881997B2 (en) * 2017-02-10 2021-06-02 三菱パワー株式会社 Test planning device and test planning method
CN107479389B (en) * 2017-09-30 2020-04-14 东南大学 Fuzzy self-adaptive PID control method for thermal power generating unit superheated steam temperature prediction
CN109343340B (en) * 2018-11-21 2021-08-03 浙江工业大学 Intelligent optimization transformation method for data-driven fixed topological structure heat exchange network

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH02301805A (en) * 1989-05-17 1990-12-13 Nippondenso Co Ltd Digital controller

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH02301805A (en) * 1989-05-17 1990-12-13 Nippondenso Co Ltd Digital controller

Cited By (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5691896A (en) * 1995-08-15 1997-11-25 Rosemount, Inc. Field based process control system with auto-tuning
US5812428A (en) * 1995-09-22 1998-09-22 Rosemount Inc. Process controller having non-integrating control function and adaptive bias
JPH09204203A (en) * 1996-01-24 1997-08-05 Hitachi Ltd Method and device for calculating control command
US5818714A (en) * 1996-08-01 1998-10-06 Rosemount, Inc. Process control system with asymptotic auto-tuning
JP2001209405A (en) * 2000-01-24 2001-08-03 Hitachi Ltd Plant control method and equipment
JP2007304767A (en) * 2006-05-10 2007-11-22 Yamatake Corp Control system and control method
JP2008082561A (en) * 2006-09-25 2008-04-10 Chugoku Electric Power Co Inc:The Boiler fuel control device, fuel control method and program of boiler in moving to yard individual operation, and recording medium stored with fuel control program of boiler in moving to yard individual operation
JP2009282878A (en) * 2008-05-26 2009-12-03 Omron Corp Control device and temperature controller
CN105485715B (en) * 2014-08-21 2019-11-01 通用电器技术有限公司 The device and method of at least one operating parameter for controlling devices
CN105485715A (en) * 2014-08-21 2016-04-13 阿尔斯通技术有限公司 Apparatus and method for controlling at least one operational parameter of a plant
JP2017537299A (en) * 2014-11-06 2017-12-14 シーメンス アクティエンゲゼルシャフト Control method for operating a once-through steam generator
US10101021B2 (en) 2014-11-06 2018-10-16 Siemens Aktiengesellschaft Control method for operating a heat recovery steam generator
CN104570769A (en) * 2015-01-04 2015-04-29 国家电网公司 Actual measurement modeling method of power system electromechanical transient model of nuclear power unit speed regulating system
JP2020160550A (en) * 2019-03-25 2020-10-01 株式会社チノー Control device and control method
CN110824926A (en) * 2019-11-29 2020-02-21 江苏方天电力技术有限公司 Thermal power generating unit deep peak regulation primary frequency modulation control method based on multi-model predictive control
CN110824926B (en) * 2019-11-29 2022-06-03 江苏方天电力技术有限公司 Thermal power generating unit deep peak shaving primary frequency modulation control method
WO2021140900A1 (en) * 2020-01-10 2021-07-15 三菱パワー株式会社 Boiler operation simulator, boiler operation assistance device, boiler operation control device, boiler operation simulation method, boiler operation simulation program, and recording medium with boiler operation simulation program recorded on same
JP2021110507A (en) * 2020-01-10 2021-08-02 三菱パワー株式会社 Boiler operation simulator, boiler operation support device, boiler operation control device, boiler operation simulation method, boiler simulation program, and recording medium recorded with boiler operation simulation program
CN113341765A (en) * 2021-06-10 2021-09-03 江苏舜高智能科技有限公司 Coal-fired power plant CO for strictly controlling carbon emission2Flexible regulation and control method for trapping system
CN113341765B (en) * 2021-06-10 2023-10-27 江苏舜高智能科技有限公司 Coal-fired power plant CO with strictly controlled carbon emission 2 Flexible control method for trapping system
WO2024042839A1 (en) * 2022-08-26 2024-02-29 日立造船株式会社 Control device, control method, incinerator facility, and prediction model creation device
WO2024095717A1 (en) * 2022-11-04 2024-05-10 株式会社日立製作所 System related to industrial plant

Also Published As

Publication number Publication date
CN1112693A (en) 1995-11-29
CN1072369C (en) 2001-10-03
JP2907672B2 (en) 1999-06-21

Similar Documents

Publication Publication Date Title
JP2907672B2 (en) Process adaptive control method and process control system
US8214062B2 (en) Plant control system and thermal power generation plant control system
US8185216B2 (en) Plant controlling device and method, thermal power plant, and its control method
Peña et al. Soft-computing models for soot-blowing optimization in coal-fired utility boilers
Hou et al. Coordinated control system modeling of ultra-supercritical unit based on a new fuzzy neural network
CN101788789A (en) Nonlinear predictive control method of unit plant based on chaos and hybrid optimization algorithm
Al-Momani et al. Multiple processes modeling and identification for a cleaner supercritical power plant via Grey Wolf Optimizer
Ma et al. Neural network based superheater steam temperature control for a large-scale supercritical boiler unit
JP3333674B2 (en) Method and apparatus for creating plant operation plan
JPH08339204A (en) Autonomous adaptive optimization control system for thermal power station
JP3666035B2 (en) Thermal power plant autonomous adaptive control system
JPH11242503A (en) Plant operation control support system
JP2000222005A (en) Controller for process
JP5378288B2 (en) Plant control device and thermal power plant control device
JP2000056805A (en) Predictive control unit
KR20200118685A (en) Apparatus and method for deriving boiler combustion model
JPH03179502A (en) Adaptive control method
JP3061289B2 (en) Process predictive control method and predictive control system
JPH07295606A (en) Process adaptive control method and adaptive control system for process
JPS6199001A (en) Controller for temperature of steam of thermal power generating boiler
JP2001154705A (en) Method and device for controlling the operation of thermal power plant
JP3291467B2 (en) Process prediction control method and apparatus
JPH11182209A (en) Operation control device for plant
JPS6346303A (en) Steam temperature controller for thermal power generating boiler
Tamiru et al. Neuro-fuzzy and PSO based model for the steam and cooling sections of a Cogeneration and Cooling Plant (CCP)