JPWO2019208773A1 - Boiler driving support device, boiler driving support method, and boiler learning model creation method - Google Patents
Boiler driving support device, boiler driving support method, and boiler learning model creation method Download PDFInfo
- Publication number
- JPWO2019208773A1 JPWO2019208773A1 JP2020515607A JP2020515607A JPWO2019208773A1 JP WO2019208773 A1 JPWO2019208773 A1 JP WO2019208773A1 JP 2020515607 A JP2020515607 A JP 2020515607A JP 2020515607 A JP2020515607 A JP 2020515607A JP WO2019208773 A1 JPWO2019208773 A1 JP WO2019208773A1
- Authority
- JP
- Japan
- Prior art keywords
- plant
- process value
- value
- actual
- learning model
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 214
- 230000008569 process Effects 0.000 claims abstract description 192
- 230000002093 peripheral effect Effects 0.000 claims abstract description 58
- 230000007613 environmental effect Effects 0.000 claims abstract description 37
- 239000007789 gas Substances 0.000 claims abstract description 33
- 238000011156 evaluation Methods 0.000 claims abstract description 31
- 239000007788 liquid Substances 0.000 claims abstract description 13
- 239000007787 solid Substances 0.000 claims abstract description 13
- 239000012467 final product Substances 0.000 claims abstract description 12
- 238000010801 machine learning Methods 0.000 claims abstract description 7
- 238000002485 combustion reaction Methods 0.000 claims description 33
- 238000004088 simulation Methods 0.000 claims description 33
- 238000006243 chemical reaction Methods 0.000 claims description 29
- 238000005457 optimization Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 15
- 230000001186 cumulative effect Effects 0.000 claims description 14
- 238000012546 transfer Methods 0.000 claims description 9
- 239000007921 spray Substances 0.000 claims description 8
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 7
- 238000013500 data storage Methods 0.000 claims description 7
- 239000001301 oxygen Substances 0.000 claims description 7
- 229910052760 oxygen Inorganic materials 0.000 claims description 7
- 238000012423 maintenance Methods 0.000 abstract description 7
- 239000003245 coal Substances 0.000 description 14
- 238000010586 diagram Methods 0.000 description 14
- 238000013075 data extraction Methods 0.000 description 9
- 239000000446 fuel Substances 0.000 description 9
- 238000001704 evaporation Methods 0.000 description 6
- 230000008020 evaporation Effects 0.000 description 6
- 239000000567 combustion gas Substances 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 229910052751 metal Inorganic materials 0.000 description 4
- 239000002184 metal Substances 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- MWUXSHHQAYIFBG-UHFFFAOYSA-N Nitric oxide Chemical compound O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 3
- 229910002091 carbon monoxide Inorganic materials 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 239000004449 solid propellant Substances 0.000 description 3
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 1
- 229910002089 NOx Inorganic materials 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000009841 combustion method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 229910000037 hydrogen sulfide Inorganic materials 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000010298 pulverizing process Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Regulation And Control Of Combustion (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Control Of Steam Boilers And Waste-Gas Boilers (AREA)
Abstract
プラントについて経済性、安全性、設備保全等の多種多様な観点を総合的に考慮して運転の予測、調整又は指示を行う。プラントの実運転に適用した実運転条件とそれを用いて運転した結果得られた実プロセス値とを取得し、実運転条件及び実プロセス値の関係を機械学習して得られた学習モデルを用いて予測プロセス値を算出し、予測プロセス値が所定の評価条件を満たすような最適運転条件を算出する。実プロセス値には例えばプラントで生成される最終成果物の品質指標値、及び環境規制値に係る指標からなる主制御プロセス値と、例えばプラント内の機器の温度又は圧力に係る指標、プラント内の機器から排出される気体、液体又は固体のうち環境規制値の対象とはならない成分及び濃度に係る指標、及びプラントの操作端の開度に係る指標からなる周辺プロセス値とがある。Predict, adjust or instruct the operation of the plant by comprehensively considering various viewpoints such as economy, safety and equipment maintenance. Using the learning model obtained by acquiring the actual operating conditions applied to the actual operation of the plant and the actual process values obtained as a result of operation using them, and machine learning the relationship between the actual operating conditions and the actual process values. The prediction process value is calculated, and the optimum operation condition is calculated so that the prediction process value satisfies a predetermined evaluation condition. The actual process values include, for example, the quality index value of the final product produced in the plant, the main control process value consisting of the index related to the environmental regulation value, the index related to the temperature or pressure of the equipment in the plant, and the index in the plant. There is a peripheral process value consisting of an index related to the components and concentrations of gas, liquid or solid discharged from the equipment that are not subject to the environmental regulation value, and an index related to the opening degree of the operation end of the plant.
Description
本発明は、プラントの運転支援技術に関する。 The present invention relates to plant operation support technology.
発電プラントの運転、特に大型のボイラの運転では、運転条件としての多数の入力パラメータ、例えば各燃焼バーナにおける燃焼用空気流量を調整するダンパの開度、バーナノズル角度、石炭などの固体燃料の粉砕機の分級回転速度等を操作し、その結果のアウトプット（監視項目）としてＮＯｘ、ＣＯの濃度、伝熱管表面温度（メタル温度）、蒸気温度等のプロセス値を得ている。ボイラの燃焼調整では各プロセス値が適切な範囲内になるように入力パラメータを制御する必要がある。しかし、入力パラメータが数１０項目以上の多数あると共に入力パラメータの変化に対して各プロセス値が複雑な相互関係の結果として得られるので、プロセス値が改善したり悪化したりするものがあり、入力パラメータの操作には非常に複雑な手順が必要となる。 In the operation of a power plant, especially in the operation of a large boiler, a large number of input parameters as operating conditions, for example, the opening degree of a damper that adjusts the combustion air flow rate in each combustion burner, the burner nozzle angle, and a pulverizer for solid fuel such as coal The output values (monitoring items) of the results, such as NOx and CO concentrations, heat transfer tube surface temperature (metal temperature), and steam temperature, are obtained as the output values (monitoring items). In the combustion adjustment of the boiler, it is necessary to control the input parameters so that each process value is within an appropriate range. However, since there are a large number of input parameters of several tens or more and each process value is obtained as a result of a complicated interrelation with respect to a change in the input parameter, some process values may be improved or deteriorated. Manipulating parameters requires a very complicated procedure.
そのため、大型のボイラでは、試運転（燃焼調整）の結果から、特定の条件において最適化した制御ロジックを定めて、この制御ロジックに基づき入力パラメータを制御している。しかし、機器の状況や燃料等の細かな変化に対応できず、最適運転にはなっていない可能性がある。 Therefore, in a large boiler, a control logic optimized under a specific condition is determined from the result of the test operation (combustion adjustment), and the input parameter is controlled based on this control logic. However, it may not be possible to operate optimally because it cannot respond to small changes in equipment conditions and fuel.
そこで、運転最適化に向けて事前に入力パラメータを用いてボイラの燃焼動作をシミュレーションし、その結果を用いてボイラの自動運転を行いたいという要望がある。特許文献１には、プラントのシミュレーションのモデル構築データを修正してその結果に基づいてボイラの制御を行う構成が開示されている。また、モデル出力（最適化対象）には、排ガスに含まれるＮＯｘ，ＣＯ及びＨ２Ｓ濃度が例示されている。Therefore, there is a demand for simulating the combustion operation of a boiler using input parameters in advance for optimizing operation, and using the result to perform automatic operation of the boiler.
ボイラは、主制御対象（ボイラ出口蒸気温度、排ガスの環境規制値に係る値等）だけでなく、個々の特性に応じて経済性、安全性、設備保全等の諸々の要素を総合的に考慮して制御する必要がある。この点について、特許文献１では、主制御対象のうち環境規制値には対応できても、他の要素に対する配慮は記載されておらず、上記要望は満たせない。
The boiler comprehensively considers not only main control targets (boiler outlet steam temperature, values related to environmental regulation values of exhaust gas, etc.), but also various factors such as economic efficiency, safety, and equipment maintenance according to individual characteristics. Then you need to control. In this regard,
本発明は上記した課題を解決するものであり、ボイラを含むプラントについて経済性、安全性、設備保全等の多種多様な観点を総合的に考慮して運転の予測、調整又は指示を行うことができるプラントの運転支援装置、プラントの運転支援方法、プラントの学習モデルの作成方法、プラントの運転支援プログラム、プラントの運転支援プログラムを記録した記憶媒体、プラントの学習モデルの作成プログラム、及びプラントの学習モデルの作成プログラムを記録した記録媒体を提供することを目的とする。 The present invention is to solve the above-mentioned problems, and it is possible to perform operation prediction, adjustment, or instruction in comprehensive consideration of various aspects such as economic efficiency, safety, and facility maintenance of a plant including a boiler. Operation support device for plant, plant operation support method, plant learning model creation method, plant operation support program, storage medium recording plant operation support program, plant learning model creation program, and plant learning It is intended to provide a recording medium in which a model creation program is recorded.
上記目的を達成するために、特許請求の範囲に記載の構成を備える。その一例をあげるならば、プラントの運転支援装置であって、プラントの実運転に適用した実運転条件、及び当該実運転条件を適用して前記プラントを運転した結果得られた実プロセス値を取得するデータ取得部と、前記実運転条件及び前記実プロセス値の関係を機械学習して得られた学習モデルを記憶するモデル記憶部と、前記実運転条件及び前記実プロセス値を含む運転データを記憶する運転データ記憶部と、記憶された前記学習モデルに前記運転データを適用して算出される予測プロセス値が所定の評価条件を満たすような最適運転条件を算出する運転条件算出部と、を備え、前記実プロセス値は前記プラントの主制御対象に係る主制御プロセス値及び周辺情報に係る周辺プロセス値の両方を含み、前記主制御プロセス値は、前記プラントで生成される最終成果物の品質指標値、及び環境規制値に係る指標のいずれか又はその組合せであり、前記周辺プロセス値は、前記プラント内の機器の温度又は圧力に係る指標、前記プラント内の機器から排出される気体、液体又は固体のうち環境規制値の対象とはならない成分及び濃度に係る指標、及び前記プラントの操作端の開度に係る指標のうちのいずれか又は任意の組み合わせである、ことを特徴とする。 In order to achieve the above-mentioned object, the structure described in the claims is provided. To give an example, it is an operation support device for a plant, and obtains the actual operating conditions applied to the actual operation of the plant and the actual process values obtained as a result of operating the plant by applying the actual operating conditions. And a model storage unit for storing a learning model obtained by machine learning the relationship between the actual operating conditions and the actual process values, and operating data including the actual operating conditions and the actual process values And a driving condition calculation unit that calculates optimum driving conditions such that a predicted process value calculated by applying the driving data to the stored learning model satisfies a predetermined evaluation condition. , The actual process value includes both a main control process value related to a main control target of the plant and a peripheral process value related to peripheral information, and the main control process value is a quality index of a final product generated in the plant. Value, and either or a combination of indicators related to environmental regulation values, the peripheral process value is an indicator related to the temperature or pressure of the equipment in the plant, gas, liquid or exhausted from the equipment in the plant It is characterized in that it is any one or an arbitrary combination of an index relating to a component and a concentration of the solid that are not subject to environmental regulation values, and an index relating to the opening degree of the operating end of the plant.
本発明によれば、ボイラを含むプラントについて経済性、安全性、設備保全等の多種多様な観点を総合的に考慮して運転の予測、調整又は指示を行うことができる。上記した以外の課題、構成及び効果は、以下の実施形態の説明により明らかにされる。 According to the present invention, it is possible to predict, adjust, or instruct the operation of a plant including a boiler by comprehensively considering various viewpoints such as economy, safety, and facility maintenance. Problems, configurations, and effects other than those described above will be clarified by the following description of the embodiments.
以下に添付図面を参照して、本発明に係る好適な実施形態を詳細に説明する。なお、この実施形態により本発明が限定されるものではなく、また、実施形態が複数ある場合には、各実施形態を組み合わせて構成するものも含むものである。以下ではプラントの例として火力発電所に設置されたボイラを例に挙げて説明する。 Hereinafter, preferred embodiments of the present invention will be described in detail with reference to the accompanying drawings. It should be noted that the present invention is not limited to this embodiment, and when there are a plurality of embodiments, the present invention also includes those configured by combining the embodiments. In the following, a boiler installed in a thermal power plant will be described as an example of a plant.
図１を参照して、ボイラ１の運転支援装置１００の概略構成について説明する。図１は、予測モデルを用いた運転支援装置１００の全体構成図である。
With reference to FIG. 1, a schematic configuration of the
図１に示すように、ボイラ１は、Ｍ個のセンサ１，２，・・・，Ｍ及びＮ個の操作端１，２，・・・，Ｎを含む。
As shown in FIG. 1, the
運転制御装置１２０は、Ｎ個の操作端１，２，・・・，Ｎの其々に接続され、各操作端１，２，・・・，Ｎに対して運転条件を構成する入力パラメータ（実入力パラメータに相当する）を設定する。この入力パラメータとして、例えば空気ダンパの開度，空気流量，燃料流量，排ガス再循環流量のうち少なくとも１つを含む。
The
図２は、ボイラ１の概略構成図である。本実施形態のボイラ１は、固体燃料を燃焼させるものとして、石炭を粉砕した微粉炭を微粉炭燃料（固体燃料）として用い、この微粉炭を火炉１１の燃焼バーナにより燃焼させ、この燃焼により発生した熱を給水や蒸気と熱交換して蒸気を生成することが可能な石炭焚きボイラである。なお、燃料は石炭に限られず、バイオマス等、ボイラで燃焼可能な他の燃料であってもよい。更に多種の燃料を混合して使用してもよい。
FIG. 2 is a schematic configuration diagram of the
ボイラ１は、火炉１１と燃焼装置１２と煙道１３を有している。火炉１１は、例えば四角筒の中空形状をなして鉛直方向に沿って設置されている。火炉１１は、壁面が、蒸発管（伝熱管）と蒸発管を接続するフィンとで構成され、蒸発管内を流れる給水や蒸気と火炉内の燃焼ガスとが熱交換することにより火炉壁の温度上昇を抑制している。具体的には、火炉１１の側壁面には、複数の蒸発管が例えば鉛直方向に沿って配置され、水平方向に並んで配置されている。フィンは、蒸発管と蒸発管との間を閉塞している。火炉１１は、炉底に傾斜面６２が設けられており、傾斜面６２に炉底蒸発管７０が設けられて底面となる。
The
燃焼装置１２は、この火炉１１を構成する火炉壁の鉛直下部側に設けられている。本実施形態では、この燃焼装置１２は、火炉壁に装着された複数の燃焼バーナ（例えば２１，２２，２３，２４，２５）を有している。例えば、この燃焼バーナ（バーナ）２１，２２，２３，２４，２５は、火炉１１の周方向に沿って均等間隔で複数配設されている。但し、火炉の形状、バーナの配置や一つの段における燃焼バーナの数、段数はこの実施形態に限定されるものではない。
The
この各燃焼バーナ２１，２２，２３，２４，２５は、微粉炭供給管２６，２７，２８，２９，３０を介して粉砕機（微粉炭機／ミル）３１，３２，３３，３４，３５に連結されている。石炭が図示しない搬送系統で搬送されて、この粉砕機３１，３２，３３，３４，３５に投入されると、ここで所定の微粉の大きさに粉砕され、搬送用空気（１次空気）と共に微粉炭供給管２６，２７，２８，２９，３０から燃焼バーナ２１，２２，２３，２４，２５に粉砕された石炭（微粉炭）を供給することができる。
The
また、火炉１１は、各燃焼バーナ２１，２２，２３，２４，２５の装着位置に風箱３６が設けられており、この風箱３６に空気ダクト３７ｂの一端部が連結されて、他端部は空気を供給する空気ダクト３７ａに連結点３７ｄにおいて連結される。
Further, in the
また、火炉１１の鉛直方向上方には煙道１３が連結されており、この煙道１３に蒸気を生成するための複数の熱交換器（４１，４２，４３，４４，４５，４６，４７）が配置されている。そのため、燃焼バーナ２１，２２，２３，２４，２５が火炉１１内に微粉炭燃料と燃焼用空気との混合気を噴射することで火炎が形成され、燃焼ガスを生成されて煙道１３に流れる。そして、燃焼ガスにより火炉壁及び熱交換器（４１〜４７）を流れる給水や蒸気を加熱して過熱蒸気が生成され、生成された過熱蒸気を供給して図示しない蒸気タービンを回転駆動させ、蒸気タービンの回転軸に連結した図示しない発電機を回転駆動して発電を行うことができる。また、この煙道１３は、排ガス通路４８が連結され、燃焼ガスの浄化を行うための脱硝装置５０、送風機３８から空気ダクト３７ａへ送気する空気と排ガス通路４８を送気する排ガスとの間で熱交換を行うエアヒータ４９、煤塵処理装置５１、誘引送風機５２などが設けられ、下流端部に煙突５３が設けられている。なお、脱硝装置５０は排ガス基準を満足できれば設けなくてもよい。
In addition, a
本実施形態の火炉１１は、微粉炭の搬送用空気（１次空気）及び風箱３６から火炉１１に投入される燃焼用空気（２次空気）による燃料過剰燃焼後、新たに燃焼用空気（アフタエア）を投入して燃料希薄燃焼を行わせる、所謂２段燃焼方式の火炉である。そのため、火炉１１にはアフタエアポート３９が備えられ、アフタエアポート３９に空気ダクト３７ｃの一端部が連結され、他端部は連結点３７ｄにおいて空気を供給する空気ダクト３７ａに連結される。なお、２段燃焼方式を採用しない場合、アフタエアポート３９は設けなくてもよい。
In the
送風機３８から空気ダクト３７ａに送気された空気は、エアヒータ４９で燃焼ガスと熱交換により温められ、連結点３７ｄにおいて空気ダクト３７ｂを経由して風箱３６へ導かれる２次空気と、空気ダクト３７ｃを経由してアフタエアポート３９へと導かれるアフタエアとに分岐する。
The air blown from the
図１に戻り、運転支援装置１００について説明する。運転支援装置１００は、主にデータ取得部１１０、運転データ記憶部１３０、累積値計算部１３１、データ抽出変換部１３３、ＲＴＣ（Ｒｅａｌ−Ｔｉｍｅ Ｃｌｏｃｋ）１４０、プラント仕様記憶部２１１、プロセス値候補記憶部２１２、運転条件算出部２２０、モデル作成部２３１、評価条件検討部２３２、評価条件記憶部２３３、モデル記憶部２４１、運転指示部２５０及び入出力部２６０を含む。
Returning to FIG. 1, the driving
データ取得部１１０は、各センサ１，２，・・・，Ｍが実運転中に計測した実プロセス値と、運転制御装置１２０が各操作端１，２，・・・，Ｎの其々に設定した実入力パラメータとを取得する。またデータ取得部１１０は、実入力パラメータ及び実プロセス値の其々にＲＴＣ１４０からの時刻情報を付加して運転データ記憶部１３０に出力する。
The
これらの実プロセス値は、例えば火力発電プラントから排出されるガスに含まれる窒素酸化物濃度、一酸化炭素濃度、硫化水素濃度、メタル温度がある。また実入力パラメータは、例えばバルブ・ダンパ開度等の操作端情報等が含まれる。 These actual process values include, for example, the nitrogen oxide concentration, carbon monoxide concentration, hydrogen sulfide concentration, and metal temperature contained in the gas discharged from the thermal power plant. The actual input parameters include, for example, operating end information such as valve/damper opening.
本実施形態では、ボイラ１の実際の運転に適用される少なくとも一つ以上の実入力パラメータをまとめて運転条件という。一方、運転支援装置１００において、仮想的に設定された運転条件（仮入力パラメータ）を用いてボイラ１の運転シミュレーションを行って演算されたプロセス値を予測プロセス値という。
In this embodiment, at least one or more actual input parameters applied to the actual operation of the
累積値計算部１３１は、データ取得部１１０が取得した少なくとも一つ以上の実プロセス値の累積値を計算し、累積値を運転データ記憶部１３０に記憶する。
The cumulative
データ抽出変換部１３３はモデル作成部２３１及び運転条件算出部２２０と運転データ記憶部１３０との間に介在し、運転データ記憶部１３０から抽出した運転データに対して、必要に応じてノイズ除去等の変換を行った上でモデル作成部２３１及び運転条件算出部２２０のそれぞれに受け渡す。
The data extracting/converting
プラント仕様記憶部２１１は、入出力部２６０から入力されたボイラ１の仕様を示すプラント仕様データを記憶する。
The plant
図３は、プラント仕様データ例を示す図である。プラント仕様データでは、各プラントＡ、プラントＢ、プラントＣの其々についてのプラントの構造仕様と性能仕様とが規定されている。構造仕様の一例として「火炉寸法」がある。また「性能仕様」として「ガス温度」「蒸気温度」がある。 FIG. 3 is a diagram showing an example of plant specification data. The plant specification data defines the plant structural specifications and performance specifications for each of the plants A, B, and C. An example of structural specifications is "furnace size". Also, there are "gas temperature" and "steam temperature" as "performance specifications".
プロセス値候補記憶部２１２は、入出力部２６０から入力されたプロセス値候補を示すデータを記憶する。
The process value
プロセス値候補を説明するにあたり、本実施形態で用いるプロセス値の種類から説明する。本実施形態で用いるプロセス値には、ボイラ１の主制御対象に係る主制御プロセス値と、周辺情報に係る周辺プロセス値とがある。主制御プロセス値は計測値を用いるため、主制御プロセス値を計測するセンサが故障している場合は、ボイラ１は運転停止することを原則とする。ただし、主制御プロセス値の一つであるＮＯｘ濃度を計測するＮＯｘセンサのうち、ボイラ１の煙突入口に設置されるセンサ以外は故障している場合でも運転継続が可能である。
In describing the process value candidates, the process value types used in the present embodiment will be described first. The process values used in this embodiment include a main control process value related to the main control target of the
主制御プロセス値は、以下のいずれか又はその組合せである。
（１）プラントで生成される最終成果物の品質指標値
（２）環境規制値に係る指標The main control process value is one or a combination of the following:
(1) Quality index value of the final product generated in the plant (2) Index related to environmental regulation value
また周辺プロセス値は、以下のいずれか又はその組合せである。
（３）プラント内の機器の温度又は圧力に係る指標
（４）プラント内の機器から排出される気体、液体又は固体のうち環境規制値の対象とはならない成分及び濃度に係る指標
（５）プラントの操作端の開度に係る指標The peripheral process value is any one of the following or a combination thereof.
(3) Index related to temperature or pressure of equipment in plant (4) Index related to components and concentrations of gas, liquid or solid discharged from equipment in plant that are not subject to environmental regulation values (5) Plant Index related to the opening of the operating end of
本実施形態ではプラントとしてボイラ１を用いるので、主制御プロセス値の（１）最終成果物の品質に係る指標としてボイラ出口蒸気温度を、（２）環境規制値及び環境外規制値に係る指標としてＮＯｘ値を用いる。また、周辺プロセス値において、（３）プラント内の機器の温度又は圧力に係る指標として、伝熱管の表面温度、ボイラ圧力差を、（４）プラント内の機器から排出される気体、液体又は固体のうち環境規制値の対象とはならない成分及び濃度に係る指標として、燃焼用空気又は排ガス中の酸素濃度を、（５）操作弁の開度に係る指標として、スプレー弁開度を用いる。なお、他にも、（３）プラント内の機器の温度又は圧力に係る指標として、スプレー量を、（４）プラント内の機器から排出される気体、液体又は固体のうち環境規制値の対象とはならない成分及び濃度に係る指標として、一酸化炭素濃度を用いてもよい。
Since the
周辺パラメータの選定と目的は下記の通りである。温度としてメタル（伝熱管）温度を用いることで、ボイラ１の燃焼特性（バランス）、安全性、耐久性、及び保全を目的とした運転支援が行える。また、圧力としてボイラ圧力差を用いることで、ボイラ１の運転に係る安全性に配慮した運転支援が行える。気体成分濃度として燃焼用空気又は排ガスの酸素濃度を用いることで、ボイラ１の燃焼特性（バランス）、効率に配慮した運転支援が行える。また、弁開度としてスプレー弁開度を用いることで、ボイラ１の弁の効き（弁開度の通常使用範囲）、石炭特性の対応（火炉の汚れ等）、熱吸収量分布（バランス、伝熱面毎）に配慮した運転支援が行える。
The selection and purpose of peripheral parameters are as follows. By using the metal (heat transfer tube) temperature as the temperature, operation support for the combustion characteristics (balance), safety, durability, and maintenance of the
周辺プロセス値は、必須周辺プロセス値と、任意周辺プロセス値とがある。 The peripheral process value includes an essential peripheral process value and an optional peripheral process value.
必須周辺プロセス値は、原則としてモデル作成時に運転データとして選定される周辺プロセス値である。但し、ボイラ１の仕様上、計測値や対象機器が無い場合は除く。
The essential peripheral process value is a peripheral process value selected as operation data in principle when creating a model. However, this is excluded when there are no measured values or target devices due to the specifications of the
任意周辺プロセス値は、モデル作成時に任意に選定される周辺プロセス値である。任意周辺プロセス値は、ボイラ１において実プロセス値が異常値を示すと警報対象となるプロセス値の中から選定される。ボイラ１のモデル作成には必須ではないものの、ボイラ１の警報対象となるプロセス値を任意周辺プロセス値として選定し、モデルを作成することで警報発報に至る前の最適な段階に変動を抑えることができる。その結果、ボイラ１において警報発報を抑制した運転支援が期待できる。
The arbitrary peripheral process value is a peripheral process value arbitrarily selected when creating the model. The arbitrary peripheral process value is selected from the process values to be alarmed when the actual process value shows an abnormal value in the
図４は、プロセス値候補データを示す図である。プロセス値候補データでは、主制御プロセス値及び周辺プロセス値を含むプロセス値候補の種類と、各プロセス値候補のデータ取得方法、及び各プロセス値候補の属性（備考欄に記入）とが関連付けて規定される。「データ取得方法」には、ある時点における計測値を取得するか、それとも累積値とするかが規定される。「備考」欄に記入される属性は、モデル作成時において必須選定対象又は任意選定対象となるプロセス値候補であるかと、その理由とが記載される。 FIG. 4 is a diagram showing process value candidate data. In the process value candidate data, the types of process value candidates including the main control process value and the peripheral process value, the data acquisition method of each process value candidate, and the attribute of each process value candidate (fill in the remarks column) are defined in association with each other. To be done. The “data acquisition method” defines whether to acquire a measurement value at a certain time point or to use a cumulative value. The attribute entered in the "Remarks" column describes whether the process value candidate is an essential selection target or an optional selection target at the time of model creation, and the reason thereof.
モデル作成部２３１はボイラ１の運転条件とプロセス値との関係を機械学習して学習モデルを作成し、モデル記憶部２４１に記憶する。
The
モデル作成部２３１は、プラント仕様データ及びプロセス値候補データを参照し、データ抽出変換部１３３から取得した運転データの中から、プラント仕様やユーザニーズに応じて任意に周辺プロセス値を選定する。
The
図５はモデル作成部２３１が作成する学習モデルの例を示す図である。学習モデルは、実プロセス値毎に設ける。本実施形態ではボイラ１の主制御対象となる主制御プロセス値として「ボイラ出口蒸気温度」と「排ガスの環境規制値」とがあり、各主制御プロセス値に対応した学習モデル１、学習モデル２をモデル作成部２３１は作成する。更に、ボイラ１の周辺情報を構成する周辺プロセス値として「ボイラ１内の温度（メタル温度）」、「ボイラ１内の圧力（ボイラ圧力差）」、「気体成分濃度（燃焼用空気ｏｒ排ガスの酸素濃度）」、及び「弁開度（スプレー弁開度）」とがあり、各周辺プロセス値に対応した学習モデル３、学習モデル４、学習モデル５、学習モデル６をモデル作成部２３１は作成する。
FIG. 5 is a diagram showing an example of a learning model created by the
運転条件算出部２２０は、シミュレーション部２２１及び最適化部２２５を含む。
The driving
シミュレーション部２２１はモデル記憶部２４１に記憶された学習モデルにデータ抽出変換部１３３から取得した運転データを適用してシミュレーションを実施し、予測プロセス値を算出する。
The simulation unit 221 applies the operation data acquired from the data
最適化部２２５はシミュレーション部２２１で算出された予測プロセス値を用いて推奨運転条件を算出する。算出された推奨運転条件と実運転データに含まれる実運転条件との差異が所定の基準を超える場合は、モデル学習用の運転データの追加取得を運転指示部２５０へ提示する。
The optimizing
評価条件検討部２３２は、入出力部２６０から入力されたオペレータの指示及び／又はボイラ１の運転データに基づき周辺プロセス値の第２評価条件（最適範囲）を更新する。詳細は後述する。
The evaluation
運転指示部２５０は、最適化部２２５、又は入出力部２６０から運転条件を取得すると、運転制御装置１２０に出力する。
When the driving
運転制御装置１２０は、運転指示部２５０から取得した運転条件を操作端１，２，・・・，Ｎに設定する。また運転指示部２５０は、最適化部２２５から取得した運転条件を入出力部２６０に出力してもよい。そして入出力部２６０を構成する表示装置に最適化部２２５から取得した運転条件を表示してもよい。
The
入出力部２６０は、マウス、キーボード、タッチパネル等の入力装置（入力部に相当する）、及びＬＣＤ等からなる表示装置により構成される。入力装置及び表示装置は一体に形成してもよい。入出力部２６０は運転指示部２５０からの指示を表示し、オペレータの指示を待つ。
The input/
図６は運転支援装置１００のハードウェア構成を示す図である。運転支援装置１００は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）３０１、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）３０２、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）３０３、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）３０４、入力Ｉ／Ｆ３０５、及び出力Ｉ／Ｆ３０６を含み、これらがバス３０７を介して互いに接続されたコンピュータを用いて構成される。なお、運転支援装置１００のハードウェア構成は上記に限定されず、制御回路と記憶装置との組み合わせにより構成されてもよい。また運転支援装置１００は、運転支援装置１００の各機能を実現する運転支援プログラムをコンピュータ（ハードウェア）が実行することにより構成される。
FIG. 6 is a diagram showing a hardware configuration of the driving
図７は、運転支援装置１００による学習モデルの作成処理の流れを示すフローチャートである。
FIG. 7 is a flowchart showing the flow of learning model creation processing by the driving
モデル作成部２３１は、データ抽出変換部１３３から取得した運転データを読み込む（Ｓ１０１）。モデル作成部２３１は、プラント仕様記憶部２１１からボイラ１に合ったプラント仕様データを読み込む（Ｓ１０２）。
The
更にモデル作成部２３１は、プロセス値候補記憶部２１２からプロセス値候補を読み込み（Ｓ１０３）、プロセス値を選定する（Ｓ１０４）。
Further, the
モデル作成部２３１は、データ抽出変換部１３３から取得した運転データから説明変数（入力パラメータ）を選定し（Ｓ１０５）、学習モデルを作成する（Ｓ１０６）。具体的には、モデル作成部２３１は、各プロセス値に応じた各学習モデル、即ち学習モデル１〜学習モデル６の其々に選定した全ての説明変数を入力し、各プロセス値を算出する。この算出値は予測プロセス値に相当する。
The
モデル作成部２３１は、データ抽出変換部１３３から取得した運転データに含まれる実プロセス値とステップＳ１０６で算出した予測プロセス値とを比較し、誤差が許容範囲内にある場合は、予測プロセス値は実プロセス値とほぼ同一であると見做せる。なお、所定の時間のデータを蓄積して誤差の傾向も考慮する。一時的な要因で短期間のみ誤差が生じても、問題ない場合があるためである。誤差が許容範囲に収まっていれば学習モデルが妥当であると判断し（Ｓ１０７／Ｙｅｓ）、モデル記憶部２４１に作成した学習モデルを記憶して処理を終了する。
The
モデル作成部２３１は、学習モデルの妥当性判断条件として、全ての学習モデルから得られた予測プロセス値と実プロセス値とが許容範囲に収まっていることを条件としてもよい。
The
図８は第１許容誤差及び第２許容誤差の大小を示す図である。主制御プロセス値に対する許容誤差（第１許容誤差）は、周辺プロセス値についての許容誤差（第２許容誤差）よりも小さくする。その結果、主制御プロセス値に応じた学習モデルの方をよりボイラ１に追従させて妥当性判断条件を設定することができる。
FIG. 8 is a diagram showing the magnitude of the first and second allowable errors. The allowable error (first allowable error) for the main control process value is smaller than the allowable error (second allowable error) for the peripheral process values. As a result, the learning model corresponding to the main control process value can be made to follow the
モデル作成部２３１は、学習モデルが妥当でないと判断すると（Ｓ１０７／Ｎｏ）、ステップ１０６へ戻り、データ抽出変換部１３３から取得した運転データとプロセス値候補記憶部２１２に記憶されたプロセス値候補とを用いてニューラルネットワークに代表される統計的手法により学習モデルを修正・更新する。更新後の学習モデルが妥当であれば（Ｓ１０７／Ｙｅｓ）、モデル記憶部２４１に記憶する。
When the
図９は運転支援装置１００による予測モデルを用いた運転支援方法の流れを示すフローチャートである。
FIG. 9 is a flowchart showing the flow of the driving support method using the prediction model by the driving
シミュレーション部２２１は、モデル記憶部２４１から学習モデルを読み出し、最適化部２２５は評価条件記憶部２３３から評価条件（後述するスコア換算基準）を読み出す（Ｓ２０１）。またシミュレーション部２２１は、データ抽出変換部１３３から取得した運転データをシミュレーション条件として設定する（Ｓ２０２）。シミュレーション部２２１は学習モデルに運転データに含まれる実入力パラメータを適用してシミュレーションを実施し（Ｓ２０３）、予測プロセス値を算出する。
The simulation unit 221 reads the learning model from the
シミュレーション部２２１は、予測プロセス値を最適化部２２５に出力し、最適化部２２５がシミュレーション結果をスコア換算して評価する（Ｓ２０４）。最適化部２２５は図１０、図１１に示すスコア換算基準を基に予測プロセス値をスコアに換算してシミュレーション結果が最適であるか判断する。
The simulation unit 221 outputs the predicted process value to the
図１０及び図１１はスコア換算基準の一例を示す図である。図１０、図１１の縦軸のスコアは、点線より紙面上方向が正の値、点線より紙面下方向が負の値となる。許容範囲の係数の絶対値は、目標範囲の絶対値よりも大きい値とする。すなわち、許容範囲のスコア換算線の勾配は、目標範囲のスコア換算線の勾配よりも大きく設定される。 10 and 11 are diagrams showing an example of the score conversion standard. The score on the vertical axis in FIGS. 10 and 11 has a positive value in the direction above the dotted line and a negative value in the direction below the dotted line. The absolute value of the coefficient of the allowable range is larger than the absolute value of the target range. That is, the slope of the score conversion line in the allowable range is set to be larger than the slope of the score conversion line in the target range.
図１０は、最小化を目的とするプロセス値に対して定義されたスコア換算基準であり、上限値とそれよりも小さい値からなる目標値とが設定される。目標値よりも小さい範囲は目標範囲とし、正の値からなる係数を割振る。目標値から上限値までの範囲は許容範囲とし、負の値からなる係数を割振る。上限値よりも更に大きい範囲は非許容範囲とし、許容範囲の係数の絶対値よりも更に大きな絶対値を有する負の値からなる係数を割振る。すなわち、非許容範囲のスコア換算線の勾配は、許容範囲のスコア換算線の勾配よりも大きく設定される。 FIG. 10 is a score conversion standard defined for a process value for the purpose of minimization, and an upper limit value and a target value that is a value smaller than the upper limit value are set. A range smaller than the target value is set as the target range, and a coefficient having a positive value is assigned. The range from the target value to the upper limit value is the allowable range, and the coefficient consisting of a negative value is assigned. A range larger than the upper limit value is set as a non-permissible range, and a coefficient having a negative value having a larger absolute value than the absolute value of the coefficient in the permissible range is allocated. That is, the slope of the score conversion line in the non-permissible range is set to be larger than the slope of the score conversion line in the permissible range.
図１１は、最大化を目的とするプロセス値に対して定義されたスコア換算基準であり、下限値とそれよりも大きい値からなる目標値とが設定される。目標値よりも大きい範囲は目標範囲とし、正の値からなる係数を割振る。目標値から下限値までの範囲は許容範囲とし、負の値からなる係数を割振る。下限値よりも更に小さい範囲は非許容範囲とし、許容範囲の係数の絶対値よりも更に大きな絶対値を有する負の値からなる係数を割振る。すなわち、非許容範囲のスコア換算線の勾配は、許容範囲のスコア換算線の勾配よりも大きく設定される。 FIG. 11 is a score conversion standard defined for a process value intended for maximization, and a lower limit value and a target value that is a value larger than the lower limit value are set. A range larger than the target value is set as the target range, and a coefficient having a positive value is assigned. The range from the target value to the lower limit value is the allowable range, and the coefficient consisting of a negative value is assigned. A range smaller than the lower limit value is set as a non-permissible range, and a coefficient consisting of a negative value having a larger absolute value than the absolute value of the coefficient in the permissible range is allocated. That is, the slope of the score conversion line in the non-permissible range is set to be larger than the slope of the score conversion line in the permissible range.
最適化部２２５は、各予測プロセス値について、例えば図１０のように目標値とそれよりも大きい値からなる上限値が設定されるものは、下式（１）を用いて、図１１のように目標値とそれよりも小さい値からなる下限値とが設定されるものは、下式（２）を用いて各予測プロセス値のスコアを算出する（Ｓ１０６）。
ＳＡｉ＝ＣＡｉ×（上限値―予測プロセス値）・・・（１）
ＳＡｉ＝ＣＡｉ×（予測プロセス値−下限値）・・・（２）
但し、
ＳＡｉ：テスト番号ｉの予測プロセス値Ａｉのスコア
ＣＡｉ：予測プロセス値Ａｉに割り振られた係数The optimizing
SAi=CAi×(upper limit value−prediction process value) (1)
SAi=CAi×(predicted process value−lower limit value) (2)
However,
SAi: Score of predicted process value Ai of test number i CAi: Coefficient assigned to predicted process value Ai
評価条件検討部２３２は、スコア換算基準の勾配、変曲点を変更することで評価条件を変更する。評価条件の変更は、ボイラ１の劣化（腐食）等の状況や、周辺プロセス値の影響度に応じて評価条件（スコア換算基準の非許容範囲、目標範囲の両方）を見直して、実態に即した精度良い運転支援ができるようにするために行う。なお、主制御プロセス値の目標範囲からなる第１評価条件は原則として設定したら更新しない。特にスコア換算基準の非許容範囲は変化させない。プラント仕様や法規制に基づくものであるためである。ただし、目標範囲は運転モード設定時（ＮＯｘ優先等）等に変化させる場合がある。
The evaluation
最適化部２２５は算出したスコアを基にシミュレーション結果が最適条件を充足しているかを判断する。最適化部２２５は１回のシミュレーションでモデル１〜モデル７を用いて得られた全ての予測プロセス値についてのスコアを合計し、その合計値をそのシミュレーション結果としてもよい。スコアの合計値が最適と判断するために予め定められた最適スコア閾値以上となるシミュレーション結果が少なくとも１つ以上あれば、（Ｓ２０５／Ｙｅｓ）、最適化部２２５は最適条件を選定し（Ｓ２０６）、運転指示部２５０に選定した最適条件を出力して処理を終了する。
The
ここで最適とは、それぞれの予測プロセス値（ＮＯｘ値や蒸気温度等）を所定の換算係数でスコア（無次元）に換算し、そのスコアの合計値が所定値以上となる場合としてもよい。又は、複数のケース（シミュレーション条件）でシミュレーションを行い、それらの結果のうちスコアの最も高い場合、あるいは上位数ケースのうちオペレータが最適と判断する場合としてもよい。更に、スコアがより高いケースを遺伝的アルゴリズムや粒子群最適化の手法を用いて自動で探索して、その結果から最適か否かを判断してもよい。 Here, “optimum” may be a case where each predicted process value (NOx value, steam temperature, etc.) is converted into a score (dimensionless) by a predetermined conversion coefficient, and the total value of the scores is equal to or more than a predetermined value. Alternatively, the simulation may be performed in a plurality of cases (simulation conditions), and the score may be the highest among those results, or the operator may determine that the score is optimum among the top several cases. Furthermore, a case with a higher score may be automatically searched for by using a genetic algorithm or a method of particle swarm optimization, and whether or not it is optimum may be determined from the result.
また最適化部２２５は、主制御プロセス値が第１評価条件を充足することを周辺プロセス値が第２評価条件を充足する、即ち主制御プロセス値が目標範囲に含まれること（第１評価条件）の充足は周辺プロセス値がその目標範囲に含まれること（第２評価条件）の充足よりも優先して最適運転条件を算出してもよい。
Further, the
ここでいう「優先」とは、主制御対象に係るプロセス値では許容範囲の超過を必ず防止し、その上で周辺プロセス値を許容範囲もしくは目標範囲に近付けることをいう。具体的には、スコア換算基準のうち、非許容範囲の負勾配を主制御パラメータは極大化させてもよい。 The term “priority” as used herein means that the process value related to the main control target is always prevented from exceeding the allowable range, and then the peripheral process value is brought close to the allowable range or the target range. Specifically, the main control parameter may maximize the negative gradient in the non-permissible range of the score conversion criteria.
また最適化部２２５は、予測プロセス値の累積値が所定の評価条件を満たすような最適運転条件を算出してもよい。周辺プロセス値のうち機器の温度等については、累積値を用いることで温度履歴など経年劣化を正確に評価できる指標に変換できる。この場合は、過去のプロセス値（運転データ）の累積値に、プロセス値（学習モデルによる予測値）を加算して予測累積値を算定する。この予測累積値に対するスコア換算基準を用いてスコア評価する。
Further, the
最適条件を充足しているシミュレーション結果がない場合（Ｓ２０５／Ｎｏ）、最適化部２２５は、シミュレーション部２２１に対してシミュレーション条件を変更して、再度のシミュレーションを実施するための指示が出力する。これを受けてシミュレーション部２２１は、シミュレーション条件に含まれる仮入力パラメータを変更し、再度シミュレーションを実施する。
When there is no simulation result that satisfies the optimum condition (S205/No), the
本実施形態の作用効果について説明する。本実施形態によれば、プラントの運転支援に用いるプロセス値に、プラントの主制御対象に係る主制御プロセス値だけでなく、周辺プロセス値を用いることで、プラントの経済性、安全性、設備保全等の多種多様な観点を総合的に考慮して運転の予測、調整又は指示を行うことができる。 The function and effect of this embodiment will be described. According to the present embodiment, not only the main control process value related to the main control target of the plant but also the peripheral process value is used for the process value used for the operation support of the plant, thereby making the plant economical, safe, and maintaining the facility. It is possible to predict, adjust, or instruct operation by comprehensively considering various viewpoints such as.
また、本実施形態によれば、運転条件算出部２２０にシミュレーション部２２１と最適化部２２５とを含み、シミュレーション結果を最適化部２２５で評価して最適運転条件を選定する、又は最適化部２２５から再度のシミュレーションをシミュレーション部２２１に対して促すことができ、最適運転条件を一連の流れに沿って効率よく算出することができる。
Further, according to the present embodiment, the operating
また本実施形態によれば、主制御プロセス値が満たすべき第１評価条件を周辺プロセス値が満たすべき第２評価条件に優先して最適運転条件を算出することにより、主制御プロセス値の重要度を反映して最適運転条件を算出することができる。 Further, according to the present embodiment, the importance of the main control process value is calculated by giving priority to the first evaluation condition that the main control process value should satisfy, over the second evaluation condition that the peripheral process value should satisfy, and calculating the optimum operating condition. The optimum operating condition can be calculated by reflecting the above.
また本実施形態によれば、学習モデルの作成に際して、プロセス値候補を予め用意することで、効率的にプラント仕様に応じた最適なプロセス値を選定できる。また、学習モデルを作成する対象（プロセス値）を限定することで、学習モデルの流用が容易にできる。 Further, according to the present embodiment, by preparing process value candidates in advance when creating a learning model, it is possible to efficiently select the optimum process value according to the plant specifications. Further, by limiting the target (process value) for creating the learning model, the learning model can be easily used.
上記実施形態は本発明を限定するものではなく、本発明の趣旨を逸脱しない範囲での様々な変更態様がある。例えば、上記運転支援装置１００では学習モデルの修正は誤差が所定範囲を超えた場合に行うとしたが、これに加えて定期的に修正を行うようにしてもよい。
The above embodiment does not limit the present invention, and there are various modifications without departing from the spirit of the present invention. For example, in the driving
１ ：ボイラ
１００：運転支援装置
１１０：データ取得部
１３０：運転データ記憶部
１３１：累積値計算部
１３３：データ抽出変換部
２２０：運転条件算出部
２２１：シミュレーション部
２２５：最適化部
２３２：評価条件検討部
２４１：モデル記憶部
２６０：入出力部（入力部）
1: Boiler 100: Driving support device 110: Data acquisition unit 130: Operation data storage unit 131: Cumulative value calculation unit 133: Data extraction conversion unit 220: Operating condition calculation unit 221: Simulation unit 225: Optimization unit 232: Evaluation condition Examining unit 241: Model storage unit 260: Input/output unit (input unit)
本発明は、ボイラの運転支援技術に関する。 The present invention relates to a boiler driving support technology.
本発明は上記した課題を解決するものであり、ボイラについて経済性、安全性、設備保全等の多種多様な観点を総合的に考慮して運転の予測、調整又は指示を行うことができるボイラの運転支援装置、ボイラの運転支援方法、及びボイラの学習モデルの作成方法を提供することを目的とする。 The present invention has been made to solve the above problems, economy for boilers, safety, the overall operation in view of the wide variety of viewpoints of facility maintenance such prediction, the boiler can be adjusted or instruction An object is to provide a driving support device, a boiler driving support method, and a boiler learning model creation method.
上記目的を達成するために、特許請求の範囲に記載の構成を備える。その一例をあげるならば、ボイラの運転支援装置であって、ボイラの実運転に適用した実運転条件、及び当該実運転条件を適用して前記ボイラを運転した結果得られた実プロセス値を取得するデータ取得部と、前記実運転条件及び前記実プロセス値の関係を機械学習して得られた学習モデルを記憶するモデル記憶部と、前記実運転条件及び前記実プロセス値を含む運転データを記憶する運転データ記憶部と、記憶された前記学習モデルに前記運転データを適用して算出される予測プロセス値が所定の評価条件を満たすような最適運転条件を算出する運転条件算出部と、を備え、前記実プロセス値は前記ボイラの主制御対象に係る主制御プロセス値及び周辺情報に係る周辺プロセス値の両方を含み、前記主制御プロセス値は、前記ボイラで生成される最終成果物の品質指標値、及び環境規制値に係る指標のいずれか又はその組合せであり、前記周辺プロセス値は、前記ボイラ内の機器の温度又は圧力に係る指標、前記ボイラ内の機器から排出される気体、液体又は固体のうち環境規制値の対象とはならない成分及び濃度に係る指標、及び前記ボイラの操作端の開度に係る指標のうちのいずれか又は任意の組み合わせであり、前記主制御プロセス値において、前記最終成果物の品質に係る指標はボイラ出口蒸気温度であり、前記環境規制値又は環境外規制値に係る指標はＮＯｘ値であり、前記周辺プロセス値において、前記ボイラ内の機器の温度又は圧力に係る指標は、伝熱管の表面温度又はボイラ圧力差であり、前記ボイラ内の機器から排出される気体、液体又は固体のうち環境規制値又は環境外規制値の対象とはならない成分及び濃度に係る指標は、燃焼用空気又は排ガス中の酸素濃度であり、前記操作端の開度に係る指標は、スプレー弁開度である、ことを特徴とする。 In order to achieve the above-mentioned object, the structure described in the claims is provided. To give an example, it is a boiler operation support device that acquires actual process values obtained by operating the boiler by applying the actual operation conditions applied to the actual operation of the boiler and the actual operation conditions. And a model storage unit for storing a learning model obtained by machine learning the relationship between the actual operating conditions and the actual process values, and operating data including the actual operating conditions and the actual process values And a driving condition calculation unit that calculates optimum driving conditions such that a predicted process value calculated by applying the driving data to the stored learning model satisfies a predetermined evaluation condition. , The actual process value includes both a main control process value related to a main control target of the boiler and a peripheral process value related to peripheral information, and the main control process value is a quality index of a final product generated in the boiler. values, and where any one or combination of indices relating to environmental regulation value, the peripheral process values, index of the temperature or pressure devices in the boiler, the gas discharged from the device in the boiler, liquid or Among the solids, any or any combination of an index related to components and concentrations not subject to environmental regulation values, and an index related to the opening degree of the operation end of the boiler , and in the main control process value, The index related to the quality of the final product is the boiler outlet steam temperature, the index related to the environmental regulation value or the non-environmental regulation value is the NOx value, and in the peripheral process value, the temperature or pressure of the equipment in the boiler is Such an index is the surface temperature of the heat transfer tube or the boiler pressure difference, and is related to the components and concentrations of the gas, liquid or solid discharged from the equipment inside the boiler that are not subject to the environmental regulation value or the non-environmental regulation value. The index is the oxygen concentration in the combustion air or the exhaust gas, and the index related to the opening of the operating end is the spray valve opening .
本発明によれば、ボイラについて経済性、安全性、設備保全等の多種多様な観点を総合的に考慮して運転の予測、調整又は指示を行うことができる。上記した以外の課題、構成及び効果は、以下の実施形態の説明により明らかにされる。 According to the present invention, it is possible to perform economical about the boiler, safety, overall prediction operation considering the wide variety of viewpoints of equipment maintenance, etc., the adjustment or instruction. Problems, configurations, and effects other than those described above will be clarified by the following description of the embodiments.
以下に添付図面を参照して、本発明に係る好適な実施形態を詳細に説明する。なお、この実施形態により本発明が限定されるものではなく、また、実施形態が複数ある場合には、各実施形態を組み合わせて構成するものも含むものである。以下では火力発電所に設置されたボイラを例に挙げて説明する。 Hereinafter, preferred embodiments of the present invention will be described in detail with reference to the accompanying drawings. It should be noted that the present invention is not limited to this embodiment, and when there are a plurality of embodiments, the present invention also includes those configured by combining the embodiments. Hereinafter will be described by way of boiler installed in thermal power plants as an example.
Claims (13)
プラントの実運転に適用した実運転条件、及び当該実運転条件を適用して前記プラントを運転した結果得られた実プロセス値を取得するデータ取得部と、
前記実運転条件及び前記実プロセス値の関係を機械学習して得られた学習モデルを記憶するモデル記憶部と、
前記実運転条件及び前記実プロセス値を含む運転データを記憶する運転データ記憶部と、
記憶された前記学習モデルに前記運転データを適用して算出される予測プロセス値が所定の評価条件を満たすような最適運転条件を算出する運転条件算出部と、を備え、
前記実プロセス値は前記プラントの主制御対象に係る主制御プロセス値及び周辺情報に係る周辺プロセス値の両方を含み、
前記主制御プロセス値は、前記プラントで生成される最終成果物の品質指標値、及び環境規制値に係る指標のいずれか又はその組合せであり、
前記周辺プロセス値は、前記プラント内の機器の温度又は圧力に係る指標、前記プラント内の機器から排出される気体、液体又は固体のうち環境規制値の対象とはならない成分及び濃度に係る指標、及び前記プラントの操作端の開度に係る指標のうちのいずれか又は任意の組み合わせであり、前記プラントはボイラであり、
前記主制御プロセス値において、
前記最終成果物の品質に係る指標はボイラ出口蒸気温度であり、
前記環境規制値又は環境外規制値に係る指標はＮＯｘ値であり、
前記周辺プロセス値において、
前記プラント内の機器の温度又は圧力に係る指標は、伝熱管の表面温度又はボイラ圧力差であり、
前記プラント内の機器から排出される気体、液体又は固体のうち環境規制値又は環境外規制値の対象とはならない成分及び濃度に係る指標は、燃焼用空気又は排ガス中の酸素濃度であり、
前記操作端の開度に係る指標は、スプレー弁開度である、
ことを特徴とするプラントの運転支援装置。A plant operation support device,
An actual operating condition applied to the actual operation of the plant, and a data acquisition unit that acquires the actual process value obtained as a result of operating the plant by applying the actual operating condition,
A model storage unit that stores a learning model obtained by machine learning the relationship between the actual operating condition and the actual process value,
An operation data storage unit for storing operation data including the actual operation condition and the actual process value;
An operating condition calculation unit that calculates an optimal operating condition such that a predicted process value calculated by applying the operating data to the stored learning model satisfies a predetermined evaluation condition,
The actual process value includes both the main control process value related to the main control target of the plant and the peripheral process value related to the peripheral information,
The main control process value is a quality index value of the final product generated in the plant, and either or a combination of indicators related to environmental regulation values,
The peripheral process value is an index related to the temperature or pressure of the equipment in the plant, a gas discharged from the equipment in the plant, an index related to components and concentrations that are not subject to environmental regulation values among liquids or solids, And any one or any combination of the indicators related to the opening degree of the operating end of the plant, the plant is a boiler,
At the main control process value,
The indicator related to the quality of the final product is the boiler outlet steam temperature,
The index relating to the environmental regulation value or the non-environmental regulation value is a NOx value,
In the peripheral process value,
The index related to the temperature or pressure of the equipment in the plant is the surface temperature of the heat transfer tube or the boiler pressure difference,
Gas, liquid or solid discharged from the equipment in the plant, an index relating to components and concentrations that are not subject to environmental regulation values or non-environmental regulation values is the oxygen concentration in combustion air or exhaust gas,
The index related to the opening of the operating end is the spray valve opening,
A plant operation support device characterized by the above.
前記学習モデルは、仮想的な運転条件を入力すると予測プロセス値が得られる予測モデルであり、
前記運転条件算出部は、
前記少なくとも一つ以上の仮想的な運転条件を前記予測モデルに入力して前記予測プロセス値を算出するシミュレーション部と、
前記予測プロセス値に対して予め定められたスコア換算基準を適用して前記仮想的な運転条件のスコアを算出し、当該スコアに基づいて前記所定の評価条件を満たす仮想的な運転条件の中から前記最適運転条件を選定する最適化部と、を含む、
ことを特徴とするプラントの運転支援装置。In the plant operation support device according to claim 1,
The learning model is a prediction model in which a prediction process value is obtained when a virtual operating condition is input,
The operating condition calculation unit,
A simulation unit that inputs the at least one or more virtual operating conditions into the prediction model to calculate the prediction process value,
The score of the virtual driving condition is calculated by applying a predetermined score conversion standard to the prediction process value, and the virtual driving condition satisfying the predetermined evaluation condition is calculated based on the score. An optimization unit for selecting the optimum operating conditions,
A plant operation support device characterized by the above.
前記運転条件算出部は、前記主制御プロセス値が満たすべき第１評価条件の充足可否を、前記周辺プロセス値が満たすべき第２評価条件の充足可否よりもより優先して前記最適運転条件を算出する、
ことを特徴とするプラントの運転支援装置。In the plant operation support device according to claim 1,
The operating condition calculation unit calculates the optimum operating condition by prioritizing the satisfaction of the first evaluation condition that the main control process value must satisfy with respect to the satisfaction of the second evaluation condition that the peripheral process value must satisfy. To do
A plant operation support device characterized by the above.
オペレータの指示の入力を受け付ける入力部と、
前記入力部が受け付けたオペレータの指示、又は前記プラントの運転データに基づき前記周辺プロセス値に係る前記第２評価条件を更新する評価条件検討部を更に備える、
ことを特徴とするプラントの運転支援装置。In the plant operation support device according to claim 3,
An input unit that receives an operator's instruction,
The operator further includes an evaluation condition examination unit that updates the second evaluation condition related to the peripheral process value based on the operator's instruction received by the input unit or the plant operation data.
A plant operation support device characterized by the above.
前記データ取得部が取得した少なくとも一つ以上の前記実プロセス値の累積値を計算する累積値計算部を更に備え、
前記運転条件算出部は、前記予測プロセス値の累積値が前記所定の評価条件を満たすような前記最適運転条件を算出する、
ことを特徴とするプラントの運転支援装置。In the plant operation support device according to claim 1,
Further comprising a cumulative value calculation unit for calculating a cumulative value of at least one or more of the actual process values acquired by the data acquisition unit,
The operating condition calculation unit calculates the optimum operating condition such that the cumulative value of the predicted process values satisfies the predetermined evaluation condition,
A plant operation support device characterized by the above.
プラントの実運転に適用した実運転条件、及び当該実運転条件を適用して前記プラントを運転した結果得られた実プロセス値を取得するステップと、
前記実運転条件及び前記実プロセス値の関係を機械学習して得られた学習モデルを記憶するステップと、
前記実運転条件及び前記実プロセス値を含む運転データを記憶するステップと、
記憶された前記学習モデルに前記運転データを適用して算出される予測プロセス値が所定の評価条件を満たすような最適運転条件を算出するステップと、を含み、
前記実プロセス値は前記プラントの主制御対象に係る主制御プロセス値及び周辺情報に係る周辺プロセス値の両方を含み、
前記主制御プロセス値は、前記プラントで生成される最終成果物の品質指標値、及び環境規制値に係る指標のいずれか又はその組合せであり、
前記周辺プロセス値は、前記プラント内の機器の温度又は圧力に係る指標、前記プラント内の機器から排出される気体、液体又は固体のうち環境規制値の対象とはならない成分及び濃度に係る指標、及び前記プラントの操作端の開度に係る指標のうちのいずれか又は任意の組み合わせであり、前記プラントはボイラであり、
前記主制御プロセス値において、
前記最終成果物の品質に係る指標はボイラ出口蒸気温度であり、
前記環境規制値又は環境外規制値に係る指標はＮＯｘ値であり、
前記周辺プロセス値において、
前記プラント内の機器の温度又は圧力に係る指標は、伝熱管の表面温度又はボイラ圧力差であり、
前記プラント内の機器から排出される気体、液体又は固体のうち環境規制値又は環境外規制値の対象とはならない成分及び濃度に係る指標は、燃焼用空気又は排ガス中の酸素濃度であり、
前記操作端の開度に係る指標は、スプレー弁開度である、
ことを特徴とするプラントの運転支援方法。A method for supporting operation of a plant,
An actual operating condition applied to the actual operation of the plant, and a step of applying the actual operating condition to obtain an actual process value obtained as a result of operating the plant,
Storing a learning model obtained by machine learning the relationship between the actual operating condition and the actual process value,
Storing operation data including the actual operation conditions and the actual process value;
Calculating the optimum operating condition such that the predicted process value calculated by applying the operating data to the stored learning model satisfies a predetermined evaluation condition,
The actual process value includes both the main control process value related to the main control target of the plant and the peripheral process value related to the peripheral information,
The main control process value is a quality index value of the final product generated in the plant, and either or a combination of indicators related to environmental regulation values,
The peripheral process value is an index related to the temperature or pressure of the equipment in the plant, a gas discharged from the equipment in the plant, an index related to components and concentrations that are not subject to environmental regulation values among liquids or solids, And any one or any combination of the indicators related to the opening degree of the operating end of the plant, the plant is a boiler,
At the main control process value,
The indicator related to the quality of the final product is the boiler outlet steam temperature,
The index relating to the environmental regulation value or the non-environmental regulation value is a NOx value,
In the peripheral process value,
The index related to the temperature or pressure of the equipment in the plant is the surface temperature of the heat transfer tube or the boiler pressure difference,
Gas, liquid or solid discharged from the equipment in the plant, an index relating to components and concentrations that are not subject to environmental regulation values or non-environmental regulation values is oxygen concentration in combustion air or exhaust gas,
The index related to the opening of the operating end is the spray valve opening,
A plant operation support method characterized by the above.
プラントの実運転に適用した実運転条件、及び当該実運転条件を適用して前記プラントを運転した結果得られた実プロセス値を含む前記プラントの運転データを取得するステップと、
前記プラントの仕様を規定したプラント仕様データを読み込むステップと、
前記プラントの学習モデルの作成に用いるプロセス値候補を読み込むステップと、
前記プラント仕様データに基づいて、前記プロセス値候補の中から前記学習モデルの作成に用いるプロセス値を選定するステップと、
前記選定されたプロセス値の説明変数を前記運転データから選定するステップと、
前記説明変数と前記運転データの関係を機械学習して前記学習モデルを作成するステップと、を含み、
前記実プロセス値は前記プラントの主制御対象に係る主制御プロセス値及び周辺情報に係る周辺プロセス値の両方を含み、
前記主制御プロセス値は、前記プラントで生成される最終成果物の品質指標値、及び環境規制値に係る指標のいずれか又はその組合せであり、
前記周辺プロセス値は、前記プラント内の機器の温度又は圧力に係る指標、前記プラント内の機器から排出される気体、液体又は固体のうち環境規制値の対象とはならない成分及び濃度に係る指標、及び前記プラントの操作端の開度に係る指標のうちのいずれか又は任意の組み合わせであり、前記プラントはボイラであり、
前記主制御プロセス値において、
前記最終成果物の品質に係る指標はボイラ出口蒸気温度であり、
前記環境規制値又は環境外規制値に係る指標はＮＯｘ値であり、
前記周辺プロセス値において、
前記プラント内の機器の温度又は圧力に係る指標は、伝熱管の表面温度又はボイラ圧力差であり、
前記プラント内の機器から排出される気体、液体又は固体のうち環境規制値又は環境外規制値の対象とはならない成分及び濃度に係る指標は、燃焼用空気又は排ガス中の酸素濃度であり、
前記操作端の開度に係る指標は、スプレー弁開度である、
ことを特徴とするプラントの学習モデルの作成方法。A method for creating a learning model of a plant,
Actual operating conditions applied to the actual operation of the plant, and a step of acquiring operating data of the plant including actual process values obtained as a result of operating the plant by applying the actual operating conditions,
Reading the plant specification data that defines the specifications of the plant,
Reading the process value candidates used to create the learning model of the plant,
Selecting a process value used to create the learning model from the process value candidates based on the plant specification data;
Selecting an explanatory variable of the selected process value from the operating data;
A step of machine learning the relationship between the explanatory variables and the operation data to create the learning model,
The actual process value includes both the main control process value related to the main control target of the plant and the peripheral process value related to the peripheral information,
The main control process value is a quality index value of the final product generated in the plant, and either or a combination of indicators related to environmental regulation values,
The peripheral process value is an index related to the temperature or pressure of the equipment in the plant, a gas discharged from the equipment in the plant, an index related to components and concentrations that are not subject to environmental regulation values among liquids or solids, And any one or any combination of the indicators related to the opening degree of the operating end of the plant, the plant is a boiler,
At the main control process value,
The indicator related to the quality of the final product is the boiler outlet steam temperature,
The index relating to the environmental regulation value or the non-environmental regulation value is a NOx value,
In the peripheral process value,
The index related to the temperature or pressure of the equipment in the plant is the surface temperature of the heat transfer tube or the boiler pressure difference,
Gas, liquid or solid discharged from the equipment in the plant, an index relating to components and concentrations that are not subject to environmental regulation values or non-environmental regulation values is oxygen concentration in combustion air or exhaust gas,
The index related to the opening of the operating end is the spray valve opening,
A method for creating a learning model of a plant characterized by the above.
前記作成された学習モデルにおいて、前記主制御プロセス値に関する予測プロセス値と実プロセス値との誤差の許容範囲を定めた第１許容誤差は、前記周辺プロセス値に関する予測プロセス値と実プロセス値との誤差の許容範囲を定めた第２許容誤差よりも小さい、
ことを特徴とするプラントの学習モデルの作成方法。In the method of creating a learning model of a plant according to claim 7,
In the created learning model, the first permissible error that defines the permissible range of the error between the predicted process value and the actual process value related to the main control process value is the predicted process value and the actual process value related to the peripheral process value. Smaller than the second allowable error that defines the allowable range of error,
A method for creating a learning model of a plant characterized by the above.
前記周辺プロセス値は前記学習モデルの作成に際して必ず選定対象となる必須周辺プロセス値と、任意選定対象となる任意周辺プロセス値とがあり、
前記必須周辺プロセス値は、前記プラントの安全性に係る周辺プロセス値であり、
前記任意周辺プロセス値は、前記プラントの警報対象となる周辺プロセス値である、
ことを特徴とするプラントの学習モデルの作成方法。In the method of creating a learning model of a plant according to claim 7,
The peripheral process value includes an essential peripheral process value that is always a selection target when creating the learning model, and an arbitrary peripheral process value that is an optional selection target,
The essential peripheral process value is a peripheral process value related to the safety of the plant,
The arbitrary peripheral process value is a peripheral process value to be an alarm target of the plant,
A method for creating a learning model of a plant characterized by the above.
A recording medium recording the program for creating the learning model of the plant according to claim 12.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2018086878 | 2018-04-27 | ||
| JP2018086878 | 2018-04-27 | ||
| PCT/JP2019/017953 WO2019208773A1 (en) | 2018-04-27 | 2019-04-26 | Operation assistance device for plant, operation assistance method for plant, learning model creation method for plant, operation assistance program for plant, recording medium on which operation assistance program for plant is recorded, learning model creation program for plant, and recording medium on which learning model creation program for plant is recorded |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPWO2019208773A1 true JPWO2019208773A1 (en) | 2020-08-27 |
Family
ID=68295529
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2020515607A Pending JPWO2019208773A1 (en) | 2018-04-27 | 2019-04-26 | Boiler driving support device, boiler driving support method, and boiler learning model creation method |
Country Status (3)
| Country | Link |
|---|---|
| JP (1) | JPWO2019208773A1 (en) |
| TW (1) | TWI705316B (en) |
| WO (1) | WO2019208773A1 (en) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102106827B1 (en) * | 2018-11-30 | 2020-05-06 | 두산중공업 주식회사 | System and method for optimizing boiler combustion |
| KR102094288B1 (en) * | 2018-11-30 | 2020-03-27 | 두산중공업 주식회사 | System and method for optimizing boiler combustion |
| KR102108015B1 (en) * | 2018-11-30 | 2020-05-08 | 두산중공업 주식회사 | System and method for controlling boiler operation |
| JP7412150B2 (en) * | 2019-11-29 | 2024-01-12 | 東京エレクトロン株式会社 | Prediction device, prediction method and prediction program |
| JP7426240B2 (en) * | 2020-01-10 | 2024-02-01 | 三菱重工業株式会社 | Boiler operation simulator, boiler operation support device, boiler operation control device, boiler operation simulation method, boiler operation simulation program, and recording medium recording the boiler operation simulation program |
| JP7059346B1 (en) | 2020-12-22 | 2022-04-25 | 東芝プラントシステム株式会社 | Plant simulation equipment and plant simulation system |
| JP2022157180A (en) * | 2021-03-31 | 2022-10-14 | 三菱重工業株式会社 | Device, remote monitoring system, method for controlling device, and method for controlling remote monitoring system |
| WO2024095319A1 (en) * | 2022-10-31 | 2024-05-10 | 日本電気株式会社 | Information processing apparatus, information processing method, and recording medium |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006057595A (en) * | 2004-08-23 | 2006-03-02 | Hitachi Ltd | Gas turbine performance diagnosing system and its method |
| JP2009198136A (en) * | 2008-02-25 | 2009-09-03 | Hitachi Ltd | Gas concentration estimation device and gas concentration estimation method for coal-fired boiler |
| JP2012141862A (en) * | 2011-01-05 | 2012-07-26 | Hitachi Ltd | Control device for plant and control device for fire power generation plant |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH10160142A (en) * | 1996-11-26 | 1998-06-19 | Kubota Corp | Waste gas property estimation system and operation training system |
| JP4188859B2 (en) * | 2004-03-05 | 2008-12-03 | 株式会社荏原製作所 | Operation control method and operation control apparatus for waste treatment plant equipment |
| US7383790B2 (en) * | 2005-06-06 | 2008-06-10 | Emerson Process Management Power & Water Solutions, Inc. | Method and apparatus for controlling soot blowing using statistical process control |
| CN201383106Y (en) * | 2009-03-04 | 2010-01-13 | 福州福大自动化科技有限公司 | Novel control system |
| CN101612605B (en) * | 2009-07-28 | 2010-12-29 | 义马环保电力有限公司 | Programming control method applied to boiler pulverizing system of coal-fired generating unit and device |
| JP5378288B2 (en) * | 2010-03-31 | 2013-12-25 | 株式会社日立製作所 | Plant control device and thermal power plant control device |
| US8755916B2 (en) * | 2010-12-07 | 2014-06-17 | Alstom Technology Ltd. | Optimized integrated controls for oxy-fuel combustion power plant |
| TWI557390B (en) * | 2014-09-04 | 2016-11-11 | 臺灣塑膠工業股份有限公司 | Control system for controlling a power plant system |
| CN206322002U (en) * | 2016-12-14 | 2017-07-11 | 北京神雾环境能源科技集团股份有限公司 | The denitration automatic control system of heat accumulating gas boiler |
| CN207115165U (en) * | 2017-08-29 | 2018-03-16 | 杭州法恩电气自动化有限公司 | A kind of novel gas fired steam boiler specific PLC control system |
-
2019
- 2019-04-26 WO PCT/JP2019/017953 patent/WO2019208773A1/en active Application Filing
- 2019-04-26 JP JP2020515607A patent/JPWO2019208773A1/en active Pending
- 2019-04-26 TW TW108114798A patent/TWI705316B/en active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006057595A (en) * | 2004-08-23 | 2006-03-02 | Hitachi Ltd | Gas turbine performance diagnosing system and its method |
| JP2009198136A (en) * | 2008-02-25 | 2009-09-03 | Hitachi Ltd | Gas concentration estimation device and gas concentration estimation method for coal-fired boiler |
| JP2012141862A (en) * | 2011-01-05 | 2012-07-26 | Hitachi Ltd | Control device for plant and control device for fire power generation plant |
Also Published As
| Publication number | Publication date |
|---|---|
| TW202001462A (en) | 2020-01-01 |
| TWI705316B (en) | 2020-09-21 |
| WO2019208773A1 (en) | 2019-10-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JPWO2019208773A1 (en) | Boiler driving support device, boiler driving support method, and boiler learning model creation method | |
| CN101689050B (en) | Use of statistical analysis in power plant performance monitoring | |
| JP5663510B2 (en) | Coal-fired power plant control device and coal-fired power plant | |
| US7890197B2 (en) | Dual model approach for boiler section cleanliness calculation | |
| JP5918663B2 (en) | Thermal power plant control device and control method | |
| WO2019159883A1 (en) | Model creation method, plant operation support method, model creating device, model, program, and recording medium having program recorded thereon | |
| Taler et al. | The flexible boiler operation in a wide range of load changes with considering the strength and environmental restrictions | |
| US7398652B1 (en) | System for optimizing a combustion heating process | |
| TWI677771B (en) | Apparatus and method for evaluating simulation results | |
| Kermes et al. | Testing of gas and liquid fuel burners for power and process industries | |
| JP6851501B2 (en) | Operating condition evaluation device, operating condition evaluation method, and boiler control system | |
| Proszak et al. | Ecological and financial effects of coal-fired boiler replacement with alternative fuels | |
| JP2012057809A (en) | Operation control method of incinerator | |
| KR101839274B1 (en) | System and method for predicting wear of power plant boiler tube | |
| JP6862104B2 (en) | Raw material selection support device and raw material selection support method | |
| De Meulenaere et al. | Quantifying the impact of furnace heat transfer parameter uncertainties on the thermodynamic simulations of a biomass retrofit | |
| Smouse | To clean or not to clean? A technical and economic analysis of cleaning Pittsburgh seam coal | |
| JP2022125756A (en) | Operation support method and operation support device for thermal power plant | |
| JP7220047B2 (en) | Plant operation support device | |
| JP2022157124A (en) | Boiler operation support device, boiler operation control system, boiler operation support method, and boiler operation support program | |
| WO2022137785A1 (en) | Boiler operation assistance device and boiler operation assistance system | |
| JP2022157118A (en) | Operation support device for boiler, operation control system for boiler, operation support method for boiler, and operation support program for boiler | |
| Pritchard | Biomass fuelled indirect fired micro turbine | |
| Triyono et al. | Effect of Using Low Range Calory Coal on Electricity Production Cost and Power Plant Life | |
| Sarathkumara | Optimization of soot blowing operation for Lakvijaya coal power plant in Sri Lanka |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200417 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200417 |
|
| A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20200417 |
|
| A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20200728 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200804 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20210216 |