JP7595465B2 - 学習装置及びボイラ制御システム - Google Patents

Description

本開示は、学習装置及びボイラ制御システムに関する。
本願は、２０１９年２月８日に日本に出願された特願２０１９－０２１７１２号に基づき優先権を主張し、その内容をここに援用する。

下記特許文献１には、火力発電プラントに用いられるボイラ制御装置が開示されている。このボイラ制御装置は、火力発電プラント（蒸気タービン）の発電量Ｅが発電指令値ＭＷＤに追従するようにボイラを制御する。

ところで、ボイラの負荷変化時において、当該ボイラの応答遅れが発生することが知られている。したがって、ボイラ制御装置は、上記応答遅れを補償するために、ボイラの負荷変化時には、発電指令値ＭＷＤに加えてＢＩＲ（Boiler Input Rate）と呼ばれる先行加速指令値に基づいて、例えばボイラの燃料を先行的に増加させる場合がある。

日本国特開２０１２－４１８８９号公報

ただし、上記ＢＩＲは、ユーザが過去の経験に基づいて設定する必要がある。したがって、ＢＩＲの精度がユーザの経験によって大きく左右されることがあり、上記応答遅れを補償することができない可能性がある。その結果、発電指令値ＭＷＤに対する発電量Ｅの追従性が低い場合がある。

本開示は、このような事情に鑑みてなされたもので、その目的は、発電指令値に対する発電量の追従性を向上させることである。

本開示の第１の態様の学習装置は、火力発電に用いられるボイラの負荷変化時において制御対象を先行して制御するための先行加速指令値を生成するための学習モデルを構築する学習装置であって、前記ボイラの過去の運転で用いられた、前記火力発電の発電指令値及び前記先行加速指令値を含むデータセットを学習データとして機械学習することで前記学習モデルを生成する学習部を備える。

本開示の第２の態様は、前記第１の態様の学習装置において、前記学習部は、過去の前記ボイラの運転で得られた前記制御対象のプロセス値を前記学習データに含める。

本開示の第３の態様は、前記第２の態様の学習装置において、前記制御対象のプロセス値は、前記ボイラに供給される燃料の流量、前記ボイラに供給される水の流量、前記ボイラに供給される空気の流量、脱硝用アンモニア流量、再熱蒸気温度制御用スプレー流量及び蒸気の圧力のいずれか一以上である。

本開示の第４の態様は、前記第１から第３のいずれか１つの態様の学習装置において、前記学習部は、過去の前記ボイラの運転で得られた前記データセットを学習データとして用いる。

本開示の第５の態様は、前記第１から第４のいずれか１つの態様の学習装置において、前記学習部は、前記学習データに基づいて、少なくとも前記発電指令値を入力として当該発電指令値に対する発電量Ｅの追従性が一定の水準を超える前記先行加速指令値を出力する前記学習モデルを構築する。

本開示の第６の態様は、前記第１から第４のいずれか１つの態様の学習装置において、前記学習部は、過去の前記ボイラの運転で得られた前記火力発電の発電量を前記データセットに含める。

本開示の第７の態様は、前記第６の態様の学習装置において、前記学習部は、前記学習データに基づいて、少なくとも前記発電指令値及び前記先行加速指令値を入力として前記発電量を出力する学習モデルを構築する。

本開示の第８の態様のボイラ制御システムは、前記第５の態様の学習装置と、少なくとも前記発電指令値を前記学習装置が構築した前記学習モデルである学習済みモデルに入力することで前記先行加速指令値を得るボイラ制御装置と、を備え、前記ボイラ制御装置は、前記ボイラの負荷変化時において、前記発電指令値に前記先行加速指令値を加算した値に基づいて前記制御対象を制御することで、前記発電量を前記発電指令値に追従させる。

本開示の第９の態様のボイラ制御システムは、前記第７の態様の学習装置と、少なくとも前記発電指令値を前記学習装置が構築した前記学習モデルである学習済みモデルに入力することで前記発電量を得るボイラ制御装置と、を備え、前記ボイラ制御装置は、前記学習済みモデルに入力した前記発電指令値と、前記学習済みモデルから出力された前記発電量との偏差が最小になるような前記先行加速指令値を求める。

以上説明したように、本開示によれば、発電指令値に対する発電量の追従性を向上させることができる。

第１の実施形態に係る火力発電システムの概略構成の一例を示す図である。 先行加速指令値ＢＩＲを説明する図である。 第１の実施形態に係る学習装置の機能ブロック図である。 第１の実施形態に係るボイラ制御装置の機能ブロック図である。 第１の実施形態に係る学習装置の動作の一例のフロー図である。 第２の実施形態に係る火力発電システムの概略構成の一例を示す図である。 第２の実施形態に係る学習装置の機能ブロック図である。 第２の実施形態に係るボイラ制御装置の機能ブロック図である。 第２の実施形態に係る学習装置の動作の一例のフロー図である。 第２の実施形態に係るＢＩＲ生成部の動作の一例のフロー図である。

以下、第１の実施形態に係る学習装置及びボイラ制御システムを、図面を用いて説明する。

（第１の実施形態）
図１は、第１の実施形態に係る火力発電システムＡの概略構成の一例を示す図である。図１に示すように、火力発電システムＡは、火力発電プラント１及びプラント制御システム２を備える。

火力発電プラント１は、燃料を燃焼させることで発生する燃焼ガスの熱でボイラ３により蒸気を発生させる。そして、火力発電プラント１は、この蒸気により蒸気タービン４を駆動させて、蒸気タービン４に直結する発電機５で所望の発電量Ｅを得る。

プラント制御システム２は、ボイラ３を制御することで、発電機５が発電する発電量Ｅを制御する。ここで、ボイラ３を制御するとは、ボイラ３の運転に必要なパラメータ（以下、「制御対象」という。）を制御することである。例えば、制御対象とは、ボイラ３に供給される燃料の流量（以下、「燃料流量」という。）、ボイラ３に供給される水の流量（以下、「給水流量」という。）、ボイラ３に供給される空気の流量（以下、「空気流量」という。）、ボイラ３から蒸気タービン４に供給される蒸気の圧力（以下、「主蒸気圧力」という。）、及び当該蒸気の温度（以下、「主蒸気温度」という。）、脱硝用アンモニア流量、及び再熱蒸気温度を制御するためのスプレーの流量（以下、「再熱蒸気温度制御用スプレー流量」という。）のいずれか一以上である。

以下に、第１の実施形態に係る火力発電プラント１の概略構成を、図１を用いて説明する。

火力発電プラント１は、ボイラ３、蒸気タービン４、発電機５、復水器６、燃料流量調整部７、空気流量調整部８、蒸気流量調節部９、給水ポンプ１０、燃料流量センサ１１、空気流量センサ１２、圧力センサ１３、温度センサ１４、給水流量センサ１５及び電力センサ１６を備える。

ボイラ３は、外気と微粉炭等の燃料とを取り込んで当該燃料を燃焼させることで燃焼ガスを生成する。そして、ボイラ３は、この燃焼ガスの熱で水を加熱して蒸気を発生させて当該蒸気を蒸気タービン４に供給する。ここで、微粉炭とは、石炭が粉砕されてなる燃料である。
なお、第１の実施形態では、燃料が石炭（例えば、微粉炭）である場合について説明するが、燃料はこれに限定されない。例えば、燃料は、重油や軽油等の石油、液化天然ガス（ＬＮＧ）、液化石油ガス（ＬＰＧ）、メタンハイドレートやシェールガス等の天然ガス、又はバイオマスであってもよい。

蒸気タービン４は、発電機５と直結されている。すなわち、蒸気タービン４の出力軸が、発電機５の回転軸に接続されている。蒸気タービン４は、ボイラ３で発生した蒸気により回転して発電機５を回転させる。
発電機５は、蒸気タービン４の回転により駆動することで発電する。

復水器６は、蒸気タービン４を回転させた後の蒸気を冷却して復水する。
燃料流量調整部７は、プラント制御システム２によって制御されることで、ボイラ３に供給される燃料流量を調整する。例えば、燃料流量調整部７は、流量調整弁であって、プラント制御システム２によって開度が制御されることで、ボイラ３に供給される燃料流量を調整する。

空気流量調整部８は、プラント制御システム２によって制御されることで、ボイラ３に供給される空気流量を調整する。例えば、空気流量調整部８は、流量調整弁やダンパであって、プラント制御システム２によって開度が制御されることで、ボイラ３に供給される空気流量を調整する。ここで上記空気は一次空気であてもよいし、二次空気であってもよいし、その両方であってもよい。

蒸気流量調節部９は、プラント制御システム２によって制御されることで、ボイラ３から蒸気タービン４に供給される蒸気の流量を調整する。例えば、蒸気流量調節部９は、流量調整弁であって、プラント制御システム２によって開度が制御されることで、ボイラ３から蒸気タービン４に供給される蒸気の流量を調整する。

給水ポンプ１０は、復水器６で復水された水をボイラ３に給水する。給水ポンプ１０の駆動は、プラント制御システム２によって制御される。したがって、給水ポンプ１０からボイラ３に給水される給水流量は、プラント制御システム２によって制御される。

燃料流量センサ１１は、ボイラ３に供給される燃料流量を計測して、その計測した燃料流量をプラント制御システム２に出力する。

空気流量センサ１２は、ボイラ３に供給される空気流量を計測して、その計測した空気流量をプラント制御システム２に出力する。

圧力センサ１３は、ボイラ３から蒸気タービン４に供給される蒸気の圧力を計測して、その計測した蒸気の圧力をプラント制御システム２に出力する。

温度センサ１４は、ボイラ３から蒸気タービン４に供給される蒸気の温度である主蒸気温度を計測して、その計測した主蒸気温度をプラント制御システム２に出力する。

給水流量センサ１５は、ボイラ３に給水される給水流量を計測して、その計測した給水流量をプラント制御システム２に出力する。

電力センサ１６は、発電機５が発電した発電量Ｅを計測して、その計測した発電量Ｅをプラント制御システム２に出力する。

次に、第１の実施形態に係るプラント制御システム２の概略構成について、説明する。
プラント制御システム２は、ボイラ制御装置１７及び学習装置１８を備える。なお、第１の実施形態では、ボイラ制御装置１７及び学習装置１８は、別体で構成される場合を例として説明するが、本開示はこれに限定されない。ボイラ制御装置１７及び学習装置１８は、一体で構成されてもよい。例えば、情報処理装置がボイラ制御装置１７の機能及び学習装置１８の機能を有してもよい。この情報処理装置は、例えば、コンピュータである。
なお、ボイラ制御装置１７及び学習装置１８の各々は、ＣＰＵ（Central Processing Unit）又はＭＰＵ（Micro Processing Unit）などのマイクロプロセッサ、ＭＣＵ（Micro Controller Unit）などのマイクロコントローラなどにより構成されてよい。
ボイラ制御装置１７の機能及び学習装置１８の機能を有する情報処理装置が、ＣＰＵ、ＲＡＭ（Random Access Memory）やＲＯＭ（Read Only Memory）といったメモリ、ＳＳＤ（Solid State Drive）やＨＤＤ（Hard Disk Drive）といった記憶装置、及びセンサ等の外部機器との信号のやり取りを行う入出力装置から構成されてもよい。

ボイラ制御装置１７は、火力発電（発電機５）の出力の指令値である発電指令値ＭＷＤ（Mega Watt Demand）に基づいて各制御対象を制御することで、発電量Ｅを発電指令値ＭＷＤに追従させる。この発電指令値ＭＷＤは、発電機５が発電する発電量Ｅの目標値である。ボイラ制御装置１７は、発電指令値ＭＷＤを外部装置から取得してもよいし、公知の技術を用いて算出してもよい。

ここで、ボイラ３の負荷変化時において、ボイラ３の応答遅れが発生することが知られている。したがって、ボイラ制御装置１７は、上記応答遅れを補償するために、ボイラ３の負荷変化時には、発電指令値ＭＷＤに加えてＢＩＲ（Boiler Input Rate）と呼ばれる先行加速指令値（以下、「先行加速指令値ＢＩＲ」という。）に基づいて、例えばボイラ３の燃料を先行的に増加させる先行制御を行う。

図２に示すように、例えば、第１の実施形態に係る火力発電プラント１が７００ＭＷの石炭焚き発電プラントであって、負荷変化として発電機５の発電量Ｅを３５０ＭＷから７００ＭＷに上昇させる場合を仮定する。そして、ボイラ３の静特性として、発電量Ｅを３５０ＭＷから７００ＭＷに上昇させるのに、燃料消費量（燃料流量）として１１０ｔ/ｈから２２０ｔ/ｈの燃料が必要であるとする。

この場合において、ボイラ制御装置１７は、発電量Ｅを３５０ＭＷから７００ＭＷにするために、燃料流量を１１０ｔ/ｈから一気に２２０ｔ/ｈに制御すると、複数の機器（例えば、石炭を粉砕する装置）の駆動が追従できなくなる場合がある。したがって、ボイラ制御装置１７は、３５０ＭＷから７００ＭＷを一気に上昇させるのではなく、ある変化速度で上昇させる。すなわち、発電指令値ＭＷＤは、第１の発電量から第２の発電量への負荷変化がある場合には、ある変化速度で第１の発電量から第２の発電量に上昇させることを指示する発電指令値となる（図２（ａ））。ただし、一方でこの負荷変化を早くしたいとのユーザの要求がある。そこで、ボイラ制御装置１７は、ボイラ３の負荷変化時において、図２（ｃ）に示すように、静定ベースの制御対象を先行して増加させる先行制御を行う。具体的には、ボイラ制御装置１７は、図２（ｂ）に示す先行加速指令値ＢＩＲに基づいて制御対象を先行的に増加させている。
図２（ａ）は、ある変化速度で発電量を上昇させた場合の時間と発電量との関係を示す図であり、図２（ｂ）は、先行加速指令値ＢＩＲのみを適用した場合の時間と燃料流量との関係を示す図であり、図２（ｃ）は、静定時の燃料流量（図２（ａ）に示される変化速度で発電量を上昇させる場合の燃料流量）に、ＢＩＲに基づく燃料流量を加えた場合の、時間と燃料流量との関係を示す図である。

第１の実施形態では、ボイラ制御装置１７は、主蒸気温度の先行制御として燃料流量を先行的に増加させる先行制御を例として説明する。ただし、ボイラ制御装置１７の先行制御は、これに限定されず、主蒸気圧力の先行制御として給水流量を先行制御してもよい。さらに、ボイラ制御装置１７は、空気流量を先行制御してもよい。例えば、ボイラ制御装置１７は、上記制御対象の少なくとも一以上を先行制御してもよい。

ここで、本実施形態の特徴の一つは、ボイラ制御装置１７は、学習装置１８が機械学習により構築した学習モデル（学習済みモデル）を用いて生成した先行加速指令値ＢＩＲを先行制御に用いる点である。なお、以下の説明において、学習モデルを構築する過程を学習プロセスと称し、学習済みモデルを用いて先行加速指令値ＢＩＲを生成する過程を制御プロセスと称する場合がある。

学習装置１８は、先行制御に用いられる先行加速指令値ＢＩＲを生成するための学習モデルを構築する。
まず、第１の実施形態に係る学習装置１８の機能ブロックについて、図３を用いて説明する。図３は、第１の実施形態に係る学習装置１８の機能ブロック図である。

図３に示すように、学習装置１８は、学習データ取得部１９、学習部２０、及び学習モデル格納部２１を備える。

学習データ取得部１９は、ボイラ３の過去の運転データを学習データとして取得する。この運転データとは、ボイラ３の運転に必要なデータ及び当該運転でのボイラの状態を示すデータの少なくともいずれかであって、双方のデータを含んでもよい。例えば、この運転データは、発電指令値ＭＷＤ、先行加速指令値ＢＩＲ、発電量Ｅ、及び制御対象のプロセス値である。制御対象のプロセス値とは、例えば、燃料流量、給水流量、空気流量、主蒸気圧力、脱硝用アンモニア流量、再熱蒸気温度制御用スプレー流量及び主蒸気温度のいずれか一以上である。
具体的には、学習データ取得部１９は、ボイラ３の過去の運転で用いられた、発電指令値ＭＷＤ及び先行加速指令値ＢＩＲを含むデータセットを学習データとして取得する。また、学習データ取得部１９は、発電量Ｅやボイラ３の過去の運転で得られた制御対象のプロセス値を上記データセットに含めてもよい。

さらに、学習データ取得部１９は、ボイラ３の過去の運転データのうち、ボイラ３の過去の運転で用いられた発電指令値ＭＷＤと当該運転によって得られた発電量Ｅとの偏差（以下、「発電偏差量」という。）が閾値以下であるときのデータセットを学習データとして抽出してもよい。上記発電偏差量が閾値以下であるときのデータセットとは、発電指令値ＭＷＤに対する発電量Ｅの追従性が一定の水準を超えているときのデータセットであることを示す。なお、上記閾値は、ボイラ３を実運転時において発電偏差量として許容される値に応じて設定されてもよい。

このように、学習データ取得部１９は、発電指令値ＭＷＤに対する発電量Ｅの追従性を評価する評価機能を有し、追従性の評価が一定の水準を超えているときの運転データを学習データとして抽出してもよい。ただし、学習データ取得部１９は、追従性の評価が一定の水準を超えているときの運転データを学習データとして用いることは必須ではなく、追従性の評価が一定の水準を超えていない運転データも学習データとして抽出してもよい。すなわち、学習データ取得部１９は、発電指令値ＭＷＤに対する発電量Ｅの追従性に関わらず、すべての運転データを学習データとして用いてもよい。例えば、学習データ取得部１９は、追従性の評価が一定の水準を超えているときの運転データと、追従性がよい旨の正解ラベルとをセットで学習データとして用いてもよい。また、学習データ取得部１９は、追従性の評価が一定の水準を超えていない運転データと、追従性が悪い旨の正解ラベルとをセットで学習データとして用いてもよい。
また、上記過去の運転とは、過去に行ったボイラの試運転であってもよいし、過去に行ったボイラの実運転であってもよいし、その両方であってもよい。また、学習データ取得部１９は、電力センサ１６から発電量Ｅを取得してもよい。

なお、学習データ取得部１９は、上記運転データを学習データとして当該ボイラ制御装置１７から取得してもよいし、上記各種センサ（燃料流量センサ１１、空気流量センサ１２、圧力センサ１３、温度センサ１４、給水流量センサ１５等）から直接取得してもよい。さらに、学習データ取得部１９は、学習装置１８の外部又は内部に設けられた格納部（不図示）に格納されている上記運転データを学習データとして読み込むことで取得してもよい。
このように、学習データ取得部１９は、運転データのうち、発電指令値ＭＷＤ及び先行加速指令値ＢＩＲを含むデータセットを学習データとして取得する。

学習部２０は、学習データ取得部１９で取得した学習データに基づいて機械学習することで先行加速指令値ＢＩＲを生成するための学習モデルを構築する。この学習モデルは、少なくとも発電指令値ＭＷＤを入力として、発電指令値ＭＷＤに対する発電量Ｅの追従性が一定の水準を超えている先行加速指令値ＢＩＲを出力することができればよく、機械学習の種類には特に限定されない。例えば、この機械学習は、サポートベクターマシン（support vector machine:SVM）等の教師あり学習であってもよいし、強化学習であってもよい。また、上記機械学習は、ニューラルネットワークを用いた機械学習であってもよく、例えば、ディープラーニングであってもよい。

例えば、学習部２０は、学習データ（データセット）のうち、発電指令値ＭＷＤを入力データとし、先行加速指令値ＢＩＲを当該入力値の正解データとする。そして、学習部２０は、入力値を学習モデルに入力することで当該学習モデルから出力される出力値と、正解データとの偏差を最小化するように学習モデルのパラメータ（重み）を学習する。なお、入力値として制御対象のプロセス値を用いてもよい。当該プロセス値とは、例えば、燃料流量、給水流量、空気流量、主蒸気圧力、脱硝用アンモニア流量、再熱蒸気温度制御用スプレー流量及び主蒸気温度のいずれか一以上である。

このように、学習部２０は、発電指令値ＭＷＤに対する発電量Ｅの追従性が一定の水準を超えている先行加速指令値ＢＩＲを生成又は予測するような重みを決定する。例えば、学習部２０は、所定の説明変数が目的変数に与える影響を示す重みωを決定する。この場合の説明変数とは、発電指令値ＭＷＤや制御対象のプロセス値である。また、目的変数とは、先行加速指令値ＢＩＲである。

学習モデル格納部２１には、学習部２０が構築した学習モデルが格納される。
例えば、学習モデル格納部２１は、ＨＤＤ（Hard Disk Drive）や不揮発性のメモリ等で構成される。

次に、第１の実施形態に係るボイラ３の負荷変化時におけるボイラ制御装置１７の機能ブロックについて、図４を用いて説明する。図４は、第１の実施形態に係るボイラ制御装置１７の機能ブロック図である。

図４に示すように、ボイラ制御装置１７は、先行制御部２２及びフィードバック制御部２３を備える。なお、第１の実施形態では、ボイラ制御装置１７が燃料流量を先行制御する場合を例として説明するが、主蒸気温度、給水流量、主蒸気圧力又は空気流量等の他の制御対象を先行制御する場合でも同様に適用可能である。また、ボイラ制御装置１７の全部または一部の機能をコンピュータで実現するためのプログラムを上記コンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムを上記プロセッサに読み込ませ、実行することによって実現してもよい。

先行制御部２２は、関数発生器２２１、ＢＩＲ生成部２２２、及び加算器２２３を備える。

関数発生器２２１は、発電指令値ＭＷＤを取得する。そして、関数発生器２２１は、あらかじめ設定された関数により、発電指令値ＭＷＤを燃料流量の指令値（以下、「燃料流量指令値」という。）に変換する。そして、関数発生器２２１は、変換した燃料流量指令値を加算器２２３に出力する。

ＢＩＲ生成部２２２は、学習装置１８が構築した学習モデル（学習済みモデル）を、学習装置１８から取得する。例えば、ＢＩＲ生成部２２２は、学習モデル格納部２１に格納されている学習済みモデルを読み出す。そして、ＢＩＲ生成部２２２は、読み出した学習済みモデルに発電指令値ＭＷＤを入力することで当該学習済みモデルから先行加速指令値ＢＩＲを得る。例えば、ＢＩＲ生成部２２２は、実際にボイラ３の負荷が変化する前に、学習モデルから先行加速指令値ＢＩＲを取得する。ＢＩＲ生成部２２２は、学習済みモデルから得られた先行加速指令値ＢＩＲを加算器２２３に出力する。

なお、ＢＩＲ生成部２２２は、読み出した学習済みモデルに発電指令値ＭＷＤ及び現在のプロセス値（例えば、現在の燃料流量、主蒸気温度、又はその両方）を入力することで当該学習モデルから先行加速指令値ＢＩＲを得てもよい。例えば、ＢＩＲ生成部２２２は、読み出した学習済みモデルがプロセス値を用いて学習された場合には、発電指令値ＭＷＤに加えて、当該プロセス値の現在値を上記学習済みモデルに入力することで当該学習モデルから先行加速指令値ＢＩＲを得てもよい。

加算器２２３は、関数発生器２２１から出力された燃料流量指令値と、ＢＩＲ生成部２２２から出力された先行加速指令値ＢＩＲとを加算することで、第１の指令値を生成する。加算器２２３は、生成した第１の指令値をフィードバック制御部２３に出力する。

フィードバック制御部２３は、減算器２３１、乗算器２３２、ＰＩ制御器２３３、及び加算器２３４を備える。

減算器２３１は、制御対象のプロセス値として、例えば圧力センサ１３が計測した主蒸気圧力と、予め設定された当該プロセス値の設定値との偏差ΔＨを求める。

乗算器２３２は、減算器２３１で求められた偏差ΔＨに対して、発電指令値ＭＷＤ等により設定される係数Ｋを乗算する。そして。乗算器２３２は、偏差ΔＨに係数Ｋを乗算した値（ΔＨ×Ｋ）をＰＩ制御器２３３に出力する。

ＰＩ制御器２３３は、乗算器２３２から出力された値（ΔＨ×Ｋ）に対してＰＩ制御を適用することにより、当該値（ΔＨ×Ｋ）をなくすための制御指令を生成する。そして、ＰＩ制御器２３３は、生成した制御指令を加算器２３４に出力する。

加算器２３４は、ＰＩ制御器２３３から出力された制御指令と、加算器２２３から出力された第１の指令値とを加算することで、第２の指令値を生成する。この第２の指令値は、制御対象を制御するための操作指令である。加算器２３４は、この第２の指令値を、制御対象を制御するための装置、例えば燃料流量調整部７に出力する。

次に、第１の実施形態に係る学習装置１８の動作の流れの一例を、図５を用いて説明する。図５は、第１の実施形態に係る学習装置１８の動作の一例のフロー図である。

まず、学習データ取得部１９は、ボイラ３の過去の運転データを学習データとして取得する（ステップＳ１０１）。ここで、一例として、学習データ取得部１９は、ボイラ３の過去の運転データのうち、発電指令値ＭＷＤに対する発電量Ｅの追従性が水準を超えている運転データを学習データとして抽出してもよい。例えば、学習データ取得部１９は、ボイラ制御装置１７の制御サイクルごとに得られた過去の運転データのうち、発電偏差量が閾値以下であるときの運転データを学習データとして抽出する。これにより、学習データ取得部１９は、追従性が水準を超えている運転データを学習データとして抽出することができる。なお、例えば、運転データとは、発電指令値ＭＷＤ、先行加速指令値ＢＩＲ、及びプロセス値（例えば、プロセス値とは、燃料流量、給水流量、空気流量、主蒸気圧力、脱硝用アンモニア流量、再熱蒸気温度制御用スプレー流量及び主蒸気温度のいずれか一以上）である。
ただし、学習データ取得部１９は、ボイラ３の過去の運転データのうち、発電指令値ＭＷＤに対する発電量Ｅの追従性が水準を超えていない運転データも学習データとして抽出してもよい。

次に、学習部２０は、学習データのうち、発電指令値ＭＷＤ及びプロセス値を入力値として学習モデルに入力することで当該学習モデルから出力値を取得する。そして、学習部２０は、その学習モデルからの出力値と、学習データの先行加速指令値ＢＩＲとの偏差を最小化するように、例えば誤差逆伝播法を用いて学習モデルのパラメータ（重み）を学習する（ステップＳ１０２）。

そして、学習部２０は、構築した学習モデル（学習済みモデル）を学習モデル格納部２１に格納する（ステップＳ１０３）。

以上、説明したように、上記実施形態の学習装置１８は、火力発電に用いられるボイラ３の負荷変化時において制御対象を先行して制御するための先行加速指令値ＢＩＲを生成するための学習モデルを構築する学習部２０を備える。そして、学習部２０は、ボイラ３の過去の運転で用いられた、火力発電の発電指令値ＭＷＷＤ及び先行加速指令値ＢＩＲを含むデータセットを学習データとして機械学習することで上記学習モデルを生成する。

このような構成によれば、過去の経験に基づいた先行加速指令値ＢＩＲの設定をユーザが行うことなく、上記追従性が一定の水準を超える先行加速指令値ＢＩＲを生成することができる。したがって、発電指令値ＭＷＤに対する発電量Ｅの追従性を向上させることができる。
さらに、上記第１の実施形態の学習モデルから得られた先行加速指令値ＢＩＲを用いた実運転での運転データは、学習データとして活用される。その結果、学習装置１８は、実運転を行うにしたがって、上記追従性が一定の水準を超える先行加速指令値ＢＩＲを精度よく生成することができる。

（第２の実施形態）
以下に、第２の実施形態に係る火力発電システムＢについて、説明する。第２の実施形態に係る火力発電システムＢは、第１の実施形態に係る火力発電システムＡと比較して、先行加速指令値ＢＩＲの生成方法が異なる点で相違する。なお、図面において、同一又は類似の部分には同一の符号を付して、重複する説明を省く場合がある。

図６は、第２の実施形態に係る火力発電システムＢの概略構成の一例を示す図である。図６に示すように、火力発電システムＢは、火力発電プラント１及びプラント制御システム２ｂを備える。

プラント制御システム２ｂは、ボイラ３を制御することで、発電機５が発電する発電量Ｅを制御する。ここで、ボイラ３を制御するとは、ボイラ３の運転に必要なパラメータである制御対象を制御することである。この制御対象は、第１の実施形態と同様である。

次に、第２の実施形態に係るプラント制御システム２ｂの概略構成について、説明する。
プラント制御システム２ｂは、ボイラ制御装置１７ｂ及び学習装置１８ｂを備える。なお、第２の実施形態では、ボイラ制御装置１７ｂ及び学習装置１８ｂは、別体で構成される場合を例として説明するが、本開示はこれに限定されない。ボイラ制御装置１７ｂ及び学習装置１８ｂは、第１の実施形態と同様に、一体で構成されてもよい。例えば、情報処理装置がボイラ制御装置１７ｂの機能及び学習装置１８ｂの機能を有してもよい。
なお、ボイラ制御装置１７ｂ及び学習装置１８ｂの各々は、ＣＰＵ又はＭＰＵなどのマイクロプロセッサ、ＭＣＵなどのマイクロコントローラなどにより構成されてもよい。

ボイラ制御装置１７ｂは、火力発電（発電機５）の出力の指令値である発電指令値ＭＷＤに基づいて各制御対象を制御することで、発電量Ｅを発電指令値ＭＷＤに追従させる。この発電指令値ＭＷＤは、発電機５が発電する発電量Ｅの目標値である。ボイラ制御装置１７ｂは、発電指令値ＭＷＤを外部装置から取得してもよいし、公知の技術を用いて算出してもよい。

ボイラ制御装置１７ｂは、ボイラ３の負荷変化時には、先行加速指令値ＢＩＲに基づいて、例えばボイラの燃料を先行的に増加させる先行制御を行う。なお、第２の実施形態のボイラ制御装置１７ｂは、第１の実施形態と同様に、主蒸気温度の先行制御として燃料流量を先行的に増加させる先行制御を例として説明する。ただし、ボイラ制御装置１７ｂの先行制御は、これに限定されず、主蒸気圧力の先行制御として給水流量を先行制御してもよい。さらに、ボイラ制御装置１７ｂは、空気流量を先行制御してもよい。

学習装置１８ｂは、先行制御に用いられる先行加速指令値ＢＩＲを生成するための学習モデルを構築する。
まず、第２の実施形態に係る学習装置１８ｂの機能ブロックについて、図７を用いて説明する。図７は、第２の実施形態に係る学習装置１８ｂの機能ブロック図である。

図７に示すように、学習装置１８ｂは、学習データ取得部１９ｂ、学習部２０ｂ、及び学習モデル格納部２１ｂを備える。

学習データ取得部１９ｂは、ボイラ３の過去の運転データ及び当該運転データを得た際の運転で得られた発電量Ｅを学習データとして取得する。例えば、学習データ取得部１９ｂは、運転データ及び発電量Ｅを、ボイラ制御装置１７ｂの制御サイクルごとに取得する。この運転データとは、第１の実施形態と同様である。具体的には、学習データ取得部１９ｂは、ボイラ３の過去の運転で用いられた、発電指令値ＭＷＤ及び先行加速指令値ＢＩＲを含む運転データと、当該運転により得られた発電量Ｅとのデータセットを学習データとして取得する。

なお、学習データ取得部１９ｂは、上記学習データをボイラ制御装置１７ｂから一定周期ごとに取得してもよいし、上記各種センサ（燃料流量センサ１１、空気流量センサ１２、圧力センサ１３、温度センサ１４、給水流量センサ１５、及び電力センサ１６等）から一定周期ごとに直接取得してもよい。さらに、学習データ取得部１９ｂは、学習装置１８ｂの外部又は内部に設けられた格納部（不図示）に格納され、互いに関連付けられている運転データ及び発電量Ｅを学習データとして読み込むことで取得してもよい。

学習部２０ｂは、学習データ取得部１９ｂで取得した学習データに基づいて機械学習することで先行加速指令値ＢＩＲを生成するための学習モデルを構築する。例えば、学習部２０ｂは、学習データ取得部１９ｂで取得した学習データに基づいて、ボイラ３の特性を機械学習する。

例えば、学習部２０ｂは、学習データ取得部１９ｂで取得した学習データに基づいて、発電指令値ＭＷＤ、先行加速指令値ＢＩＲ及び発電量Ｅの関連性をディープラーニングやニューラルネット等の学習モデルに学習させる。すなわち、学習部２０ｂは、制御プロセスにおいて、発電指令値ＭＷＤ及び先行加速指令値ＢＩＲを入力すれば発電量Ｅが出力される学習モデルを構築する。一例として、学習部２０ｂは、学習データのうち、発電指令値ＭＷＤ及び先行加速指令値ＢＩＲを入力データとして学習モデルに入力することで出力される出力値と、学習データである発電量Ｅとの偏差を最小化するように、例えば誤差逆伝播法を用いて学習モデルのパラメータ（重み）を学習することで、上記学習モデルを構築する。

ただし、本実施形態に係る学習部２０ｂは、これに限定されず、学習データ取得部１９ｂで取得した学習データに基づいて、発電指令値ＭＷＤ、先行加速指令値ＢＩＲ、プロセス値及び発電量Ｅの関連性を学習モデルに機械学習させてもよい。すなわち、学習部２０ｂは、制御プロセスにおいて、発電指令値ＭＷＤ、先行加速指令値ＢＩＲ及びプロセス値を入力すれば発電量Ｅが出力される学習モデルを機械学習により構築してもよい。一例として、学習部２０ｂは、学習データのうち、発電指令値ＭＷＤ、先行加速指令値ＢＩＲ及びプロセス値を入力データとして学習モデルに入力することで出力される出力値と、学習データである発電量Ｅとの偏差を最小化するように、例えば誤差逆伝播法を用いて学習モデルのパラメータ（重み）を機械学習することで、上記学習モデルを構築してもよい。

学習モデル格納部２１ｂには、学習部２０ｂが構築した学習モデルが格納される。例えば、学習モデル格納部２１ｂは、ＨＤＤや不揮発性のメモリ等で構成される。

次に、第２の実施形態に係るボイラ３の負荷変化時におけるボイラ制御装置１７ｂの機能ブロックについて、図８を用いて説明する。図８は、第２の実施形態に係るボイラ制御装置１７ｂの機能ブロック図である。

図８に示すように、ボイラ制御装置１７ｂは、先行制御部２２ｂ及びフィードバック制御部２３を備える。なお、第２の実施形態では、ボイラ制御装置１７ｂが燃料流量を先行制御する場合を例として説明するが、主蒸気圧力、主蒸気温度、給水流量、又は空気流量等を先行制御する場合でも同様に適用可能である。また、ボイラ制御装置１７ｂの全部または一部の機能をコンピュータで実現するためのプログラムを上記コンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムを上記プロセッサに読み込ませ、実行することによって実現してもよい。

先行制御部２２ｂは、関数発生器２２１、ＢＩＲ生成部２２２ｂ、及び加算器２２３を備える。

ＢＩＲ生成部２２２ｂは、学習装置１８ｂが構築した学習モデル（学習済みモデル）を、学習装置１８ｂから取得する。例えば、ＢＩＲ生成部２２２ｂは、学習モデル格納部２１ｂに格納されている学習モデルを読み出す。そして、ＢＩＲ生成部２２２ｂは、制御プロセスにおいて、読み出した学習モデルを用いて先行加速指令値ＢＩＲを最適化する。例えば、ＢＩＲ生成部２２２ｂは、制御プロセスにおいて、少なくとも外部装置から得られた発電指令値ＭＷＤを入力値として学習モデルに入力し、当該学習モデルから出力値として発電量Ｅを取得する。そして、ＢＩＲ生成部２２２ｂは、当該発電指令値ＭＷＤ（入力値）と当該発電量Ｅ（出力値）との偏差が最小となる先行加速指令値ＢＩＲを求める。ただし、本実施形態に係るＢＩＲ生成部２２２ｂは、これに限定されず、当該発電指令値ＭＷＤ（入力値）と当該発電量Ｅ（出力値）との偏差が最小でなくても、当該偏差が予め設定された閾値以下となる先行加速指令値ＢＩＲを求めればよい。

ここで、学習プロセスにおいて、学習データにプロセス値が含まれている場合には、ＢＩＲ生成部２２２ｂは、制御プロセスにおいて、外部装置から得られた発電指令値ＭＷＤ及びプロセス値を入力値として学習モデルに入力し、当該学習モデルから出力値として発電量Ｅを取得してもよい。そして、ＢＩＲ生成部２２２ｂは、当該発電指令値ＭＷＤ（入力値）と当該発電量Ｅ（出力値）との偏差が最小となる先行加速指令値ＢＩＲを求めてもよい。

なお、上記先行加速指令値ＢＩＲは、ボイラ３の負荷変化前に行われることが望ましい。

ＢＩＲ生成部２２２ｂは、学習装置１８ｂが構築した学習モデルを用いて先行加速指令値ＢＩＲを求め、当該先行加速指令値ＢＩＲを加算器２２３に出力する。

加算器２２３は、関数発生器２２１から出力された燃料流量指令値と、ＢＩＲ生成部２２２ｂから出力された先行加速指令値ＢＩＲとを加算することで、第１の指令値を生成する。加算器２２３は、生成した第１の指令値を加算器２３４に出力する。そして、加算器２３４は、ＰＩ制御器２３３から出力された制御指令と、加算器２２３から出力された第１の指令値とを加算することで、第２の指令値を生成する。加算器２３４は、この第２の指令値を、制御対象を制御するための装置、例えば燃料流量調整部７に出力する。

以下に、第２の実施形態に係る学習装置１８ｂの動作の流れの一例を、図９Ａを用いて説明する。図９Ａは、第２の実施形態に係る学習装置１８ｂの動作の一例のフロー図である。

まず、学習データ取得部１９ｂは、ボイラ３の過去の運転で用いられた、発電指令値ＭＷＤ、先行加速指令値ＢＩＲ、及び発電量Ｅを含むデータセットを学習データとして取得する（ステップＳ２０１）。

次に、学習部２０ｂは、学習データ取得部１９ｂが取得した学習データに基づいて、ボイラ３の特性を、学習モデルを用いて機械学習する。例えば、学習部２０ｂは、学習データのうち、発電指令値ＭＷＤ、先行加速指令値ＢＩＲを入力値として学習モデルに入力することで当該学習モデルから出力される出力値を取得する。そして、学習部２０ｂは、当該学習モデルからの出力値と、学習データの発電量Ｅとの偏差を最小化するように、例えば誤差逆伝播法を用いて学習モデルのパラメータ（重み）を学習する（ステップＳ２０２）。

そして、学習部２０ｂは、構築した学習モデル（学習済みモデル）を学習モデル格納部２１ｂに格納する（ステップＳ２０３）。

次に、第２の実施形態に係るＢＩＲ生成部２２２ｂの先行加速指令値ＢＩＲの生成方法の一例を、図９Ｂを用いて説明する。図９Ｂは、第２の実施形態に係るＢＩＲ生成部２２２ｂの動作の一例のフロー図である。

ＢＩＲ生成部２２２ｂは、学習装置１８ｂが構築した学習モデルである学習済みモデルを、学習モデル格納部２１ｂから読み出す（ステップＳ３０１）。次に、ＢＩＲ生成部２２２ｂは、ボイラ３の負荷変化前において、読み出した学習モデル（学習済みモデル）に、外部装置から得られた発電指令値ＭＷＤを入力値として入力する（ステップＳ３０２）。そして、ＢＩＲ生成部２２２ｂは、当該学習モデルから出力された出力値と、入力値である発電指令値ＭＷＤとの偏差が最小となる先行加速指令値ＢＩＲを求める（ステップＳ３０３）。

ここで、ステップＳ３０２及びステップ３０３において、ＢＩＲ生成部２２２ｂは、外部装置から得られた発電指令値ＭＷＤ及びプロセス値を入力値として学習モデルに入力し、当該学習モデルから出力される出力値と当該入力値の発電指令値ＭＷＤとの偏差が最小となる先行加速指令値ＢＩＲを求めてもよい。

以上、説明したように、第２の実施形態に係る学習装置１８ｂは、火力発電に用いられるボイラ３の負荷変化時において制御対象を先行して制御するための先行加速指令値ＢＩＲを生成するための学習モデルを構築する学習部２０ｂを備える。そして、学習部２０ｂは、ボイラ３の過去の運転で用いられた、火力発電の発電指令値ＭＷＤ、先行加速指令値ＢＩＲ及び発電量Ｅを含むデータセットを学習データとして機械学習することで上記学習モデルを生成する。

より具体的には、第２の実施形態に係る学習部２０ｂは、学習データ取得部１９ｂで取得した学習データに基づいて、発電指令値ＭＷＤ、先行加速指令値ＢＩＲ、及び発電量Ｅの関連性を機械学習することにより、ボイラ３の特性を機械学習する。

このような構成によれば、過去の経験に基づいた先行加速指令値ＢＩＲの設定をユーザが行うことなく、上記追従性が一定の水準を超える先行加速指令値ＢＩＲを生成することができる。例えば、ボイラ制御装置１７ｂは、学習装置１８ｂが構築した学習モデルである学習済みモデルに入力した発電指令値ＭＷＤと、当該学習済みモデルから出力された発電量Ｅとの偏差が最小になるような先行加速指令値ＢＩＲを求めることができる。したがって、発電指令値ＭＷＤに対する発電量Ｅの追従性を向上させることができる。
さらに、上記第２の実施形態の学習モデルから得られた先行加速指令値ＢＩＲを用いた実運転での運転データは、学習データとして活用される。すなわち、学習モデルは、学習部２０ｂにより最新の運転データ及び発電量Ｅに基づいて更新される。その結果、学習装置１８ｂは、実運転を行うにしたがって、上記追従性が一定の水準を超える先行加速指令値ＢＩＲを精度よく生成することができる。

以上、本開示の実施形態について図面を参照して詳述してきたが、具体的な構成はこの実施形態に限られるものではなく、本開示の要旨を逸脱しない範囲の設計等も含まれる。

（変形例１）上記第１の実施形態及び第２の実施形態では、ボイラ３は、燃料として微粉炭を燃焼させるように構成された微粉炭焚きボイラである場合を例として説明したが、これに限定されない。例えば、ボイラ３は、燃料として化石燃料に加えてアンモニア燃料を用い、当該化石燃料とアンモニア燃料との混焼を行う混焼ボイラであってもよい。

（変形例２）上記第１の実施形態及び第２の実施形態において、先行加速指令値ＢＩＲは、例えば、以下に列挙する項目のいずれであってもよい。
・主蒸気圧力の指令値
・燃料流量の指令値
・排ガスＯ_２の指令値
・再熱蒸気温度制御のガスダンパの開度の指令値
・中間スプレー開度の指令値
・２段燃焼用の空気流量の指令値
・脱硝用アンモニア制御の指令値

なお、上述した第１の実施形態又は第２の実施形態の学習装置の全部または一部をコンピュータで実現するようにしてもよい。この場合、上記コンピュータは、ＣＰＵ、ＧＰＵなどのプロセッサ及びコンピュータ読み取り可能な記録媒体を備えてもよい。そして、上記学習装置の全部または一部の機能をコンピュータで実現するためのプログラムを上記コンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムを上記プロセッサに読み込ませ、実行することによって実現してもよい。ここで、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ－ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムを送信する場合の通信線のように、短時間の間、動的にプログラムを保持するもの、その場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリのように、一定時間プログラムを保持しているものも含んでもよい。また上記プログラムは、前述した機能の一部を実現するためのものであってもよく、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであってもよく、ＦＰＧＡ等のプログラマブルロジックデバイスを用いて実現されるものであってもよい。

本開示は、火力発電に用いられるボイラの負荷変化時において制御対象を先行して制御するための先行加速指令値を生成するための学習モデルを構築する学習装置、及び当該学習装置を備えるボイラ制御システムに利用することができる。

Ａ，Ｂ 火力発電システム
１ 火力発電プラント
２，２ｂ プラント制御システム
３ ボイラ
１７，１７ｂ ボイラ制御装置
１８，１８ｂ 学習装置
２０，２０ｂ 学習部

Claims (7)

1. 火力発電に用いられるボイラの負荷変化時において制御対象を先行して制御するための先行加速指令値を生成するための学習モデルを構築する学習装置であって、
   前記ボイラの過去の運転で用いられた、前記火力発電の発電指令値及び前記先行加速指令値を含むデータセットを学習データとして機械学習することで前記学習モデルを生成する学習部を備え、
   前記先行加速指令値として前記ボイラにおける主蒸気圧力の指令値又は燃料流量の指令値を用い、
   前記学習部は、前記学習データに基づいて、少なくとも前記発電指令値を入力として当該発電指令値に対する発電量Ｅの追従性が一定の水準を超える前記先行加速指令値を出力する前記学習モデルを構築する学習装置。
2. 火力発電に用いられるボイラの負荷変化時において制御対象を先行して制御するための先行加速指令値を生成するための学習モデルを構築する学習装置であって、
   前記ボイラの過去の運転で用いられた、前記火力発電の発電指令値及び前記先行加速指令値を含むデータセットを学習データとして機械学習することで前記学習モデルを生成する学習部を備え、
   前記先行加速指令値として前記ボイラにおける主蒸気圧力の指令値又は燃料流量の指令値を用い、
   前記学習部は、過去の前記ボイラの運転で得られた前記火力発電の発電量を前記データセットに含める学習装置。
3. 前記学習部は、過去の前記ボイラの運転で得られた前記制御対象のプロセス値を前記学習データに含める、請求項１または２に記載の学習装置。
4. 前記制御対象のプロセス値は、前記ボイラに供給される燃料の流量、前記ボイラに供給される水の流量、前記ボイラに供給される空気の流量、脱硝用アンモニア流量、再熱蒸気温度制御用スプレー流量及び蒸気の圧力のいずれか一以上である、請求項３に記載の学習装置。
5. 前記学習部は、過去の前記ボイラの運転で得られた前記データセットを前記学習データとして用いる、請求項１から４のいずれか一項に記載の学習装置。
6. 前記学習部は、前記学習データに基づいて、少なくとも前記発電指令値及び前記先行加速指令値を入力として前記発電量を出力する前記学習モデルを構築する請求項２に記載の学習装置。
7. 請求項６に記載の学習装置と、
   少なくとも前記発電指令値を前記学習装置が構築した前記学習モデルである学習済みモデルに入力することで前記発電量を得るボイラ制御装置と、
   を備え、
   前記ボイラ制御装置は、前記学習済みモデルに入力した前記発電指令値と、前記学習済みモデルから出力された前記発電量との偏差が最小になるような前記先行加速指令値を求める、ボイラ制御システム。

Images