発電プラントの運転最適化方法および運転最適化システム
【課題】発電プラントの制約条件を満たし、複数の評価指標である目的関数を勘案して、発電プラント運転時の操作量の最適値を、対話型多目的計画法により求める。
【解決手段】制約条件を設定する制約条件設定ステップと、複数の目的関数の希求水準を設定する希求水準設定ステップと、設定された制約条件の下で希求水準にできる限り近いパレート最適解を計算する解析ステップと、パレート最適解を表示するパレート最適解表示ステップと、パレート最適解が所定の基準を満たすかどうかを判定する判定ステップと、パレート最適解が所定の基準を満たしていない場合に希求水準を変更する希求水準変更設定ステップと、解析ステップ、パレート最適解表示ステップおよび判定ステップを繰り返す繰り返しステップと、パレート最適解が所定の基準を満たしている場合におけるパレート最適解に対応する操作変数の値を求めるステップと、を有する。
【解決手段】制約条件を設定する制約条件設定ステップと、複数の目的関数の希求水準を設定する希求水準設定ステップと、設定された制約条件の下で希求水準にできる限り近いパレート最適解を計算する解析ステップと、パレート最適解を表示するパレート最適解表示ステップと、パレート最適解が所定の基準を満たすかどうかを判定する判定ステップと、パレート最適解が所定の基準を満たしていない場合に希求水準を変更する希求水準変更設定ステップと、解析ステップ、パレート最適解表示ステップおよび判定ステップを繰り返す繰り返しステップと、パレート最適解が所定の基準を満たしている場合におけるパレート最適解に対応する操作変数の値を求めるステップと、を有する。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、発電プラントの運転を、対話型多目的計画法を用いて最適化するための方法およびシステムに関する。
【背景技術】
【０００２】
図６は、従来の典型的なコンバインドサイクル発電プラントの概略構成図である。３台のガスタービン１ａ，１ｂ，１ｃの排ガスがそれぞれ、排熱回収ボイラ２ａ，２ｂ，２ｃに導かれ、排熱回収ボイラ２ａ，２ｂ，２ｃで生成された蒸気が共通の蒸気タービン３に導かれる多軸型コンバインドサイクル発電プラントを構成している。ガスタービン１ａ，１ｂ，１ｃによってそれぞれ、ガスタービン発電機４ａ，４ｂ，４ｃが駆動され、蒸気タービン３によって蒸気タービン発電機５が駆動される。蒸気タービン３で仕事をした後に蒸気は復水器６はポンプ７で昇圧されて排熱回収ボイラ２ａ，２ｂ，２ｃへ戻される。
【０００３】
ガスタービン１ａ，１ｂ，１ｃに供給される高温ガスの元になる燃料は燃料弁８ａ，８ｂ，８ｃを通して供給される。蒸気タービン３に供給される蒸気は、高圧加減弁９、中圧加減弁１０、低圧加減弁１１を通じて供給される。さらに、高圧バイパス弁１２ａ，１２ｂ，１２ｃ、中圧バイパス弁１３ａ，１３ｂ，１３ｃ、低圧バイパス弁１４ａ，１４ｂ，１４ｃが配置されている。
【０００４】
ガスタービン１ａ，１ｂ，１ｃは、それぞれ燃料と空気を混合し、燃焼させて得られる高温の燃焼ガスによって動力を発生し、ガスタービン発電機４ａ，４ｂ，４ｃを回転させて発電を行なう。排熱回収ボイラ２ａ，２ｂ，２ｃは、それぞれガスタービン１ａ，１ｂ，１ｃで仕事を行なった排ガスから熱回収して蒸気を発生させる。蒸気タービン３は、排熱回収ボイラ２ａ，２ｂ，２ｃから供給された蒸気を使って動力を発生し、蒸気タービン発電機５を回転させて発電を行なう。蒸気タービン３で仕事をした蒸気は、復水器６で冷却されて水になり、ポンプ７で昇圧されて排熱回収ボイラ２ａ，２ｂ，２ｃに導かれて排ガスによって加熱され、再び蒸気タービン３に供給される。
【０００５】
つぎに、従来の発電プラントの起動時の運転操作の方法の例について、図６の概略構成図および図７の起動曲線図を参照して説明する。
【０００６】
（Ｉ）最初に、１台目ガスタービン１ａを起動し、ガスパス中の残留排ガスを排出するためにパージ運転を行なう。その後、１台目ガスタービン１ａの燃料弁８ａを開けて燃料を供給し、着火する。着火確認後、定格速度に向けて昇速する。
【０００７】
（II）１台目ガスタービン１ａが定格速度に到達した後、１台目ガスタービン１ａのガスタービン発電機４ａを電力系統に同期併入して発電を開始する。
【０００８】
（III）１台目ガスタービン１ａを負荷上昇し、所定の最低負荷（図７では１２．５％）で保持する。この負荷保持の間に１台目排熱回収ボイラ２ａを暖気運転する。１台目排熱回収ボイラ２ａから発生する蒸気は、蒸気の圧力レベルに応じて、高圧バイパス弁１２ａと中圧バイパス弁１３ａと低圧バイパス弁１４ａを通じて復水器６へ逃がしながら、所定の蒸気タービン通気条件が成立するまで１台目排熱回収ボイラ２ａの昇温・昇圧を行なう。この間、１台目排熱回収ボイラ２ａの高圧バイパス弁１２ａと中圧バイパス弁１３ａと低圧バイパス弁１４ａは、蒸気の圧力レベルに応じた最低運転圧力（フロア圧力）に入口圧力制御を行なっている。
【０００９】
（IV）１台目排熱回収ボイラ２ａの図示しない蒸気止弁は全開し、蒸気配管の暖気とグランド蒸気系の確立を行なう。所定の蒸気タービン通気条件が成立後、高圧加減弁９と中圧加減弁１０を開けて蒸気タービン３を起動し、蒸気タービン３を速度・負荷制御する。ラブチェック運転の後、蒸気タービン３を昇速率ｘ１で所定の速度（図７では８００ｒｐｍ）に向けて昇速する。そして、この速度で低速ヒートソーク時間ｘ２の速度保持をする。低速ヒートソーク運転の完了後、蒸気タービン３を再び昇速率ｘ１で定格速度（図７では３６００ｒｐｍ）に向けて昇速する。そして、この速度で高速ヒートソーク時間ｘ３の速度保持をする。高速ヒートソーク運転の完了前に蒸気タービン３の初負荷保持（初負荷ヒートソーク運転）に必要な蒸気条件を確保できるように、１台目ガスタービン１ａを所定の負荷（図７では４０％）に負荷上昇させる。
【００１０】
（V）高速ヒートソーク運転の完了後、蒸気タービン３の蒸気タービン発電機５を電力系統に同期併入して発電を開始する。
【００１１】
（VI）蒸気タービン３を所定の最低負荷（図７では３％）に向けて負荷上昇する。そして、この負荷で初負荷ヒートソーク時間ｘ４の負荷保持をする。初負荷ヒートソーク運転の完了後、蒸気タービン３の高圧加減弁９と中圧加減弁１０を入口圧力制御に移行し、１台目排熱回収ボイラ２ａの高圧バイパス弁１２ａと中圧バイパス弁１３ａを全閉する。
【００１２】
（VII）２台目ガスタービン１ｂは、所定のタイミングで接続負荷（図７では４０％）に到達するように起動しておく。２台目ガスタービン１ｂを起動し、ガスパス中の残留排ガスを排出するためにパージ運転を行なう。その後、２台目ガスタービン１ｂの燃料弁８ｂを開けて燃料を供給し、着火する。着火確認後、定格速度に向けて昇速する。２台目ガスタービン１ｂが定格速度に到達した後、２台目ガスタービン１ｂのガスタービン発電機４ｂを電力系統に同期併入して発電を開始する。２台目ガスタービン１ｂを負荷上昇し、所定の接続負荷（図７では４０％）で保持する。この負荷保持の間に２台目排熱回収ボイラ２ｂを暖気運転する。２台目排熱回収ボイラ２ｂの発生蒸気が所定の接続条件を満たすと、２台目排熱回収ボイラ２ｂの図示しない蒸気止弁を全開し、高圧バイパス弁１２ｂと中圧バイパス弁１３ｂを全閉し、２台目排熱回収ボイラ２ｂの発生蒸気を蒸気タービン３へ供給する。
【００１３】
（VIII）同様に、３台目ガスタービン１ｃは、所定のタイミングで接続負荷（図７では４０％）に到達するように起動しておく。３台目ガスタービン１ｃを起動し、ガスパス中の残留排ガスを排出するためにパージ運転を行なう。その後、３台目ガスタービン１ｃの燃料弁８ｃを開けて燃料を供給し、着火する。着火確認後、定格速度に向けて昇速する。３台目ガスタービン１ｃが定格速度に到達した後、３台目ガスタービン１ｃのガスタービン発電機４ｃを電力系統に同期併入して発電を開始する。３台目ガスタービン１ｃを負荷上昇し、所定の接続負荷（図７では４０％）で保持する。この負荷保持の間に３台目排熱回収ボイラ２ｃを暖気運転する。３台目排熱回収ボイラ２ｃの発生蒸気が所定の接続条件を満たすと、３台目排熱回収ボイラ２ｃの図示しない蒸気止弁を全開し、高圧バイパス弁１２ｃと中圧バイパス弁１３ｃを全閉し、３台目排熱回収ボイラ２ｃの発生蒸気を蒸気タービン３へ供給する。
【００１４】
（IX）２台目排熱回収ボイラ２ｂと３台目排熱回収ボイラ２ｃの発生蒸気の接続完了後、全てのガスタービン１ａ，１ｂ，１ｃを同時に定格負荷に向けて負荷上昇する。この間、蒸気タービン３は各排熱回収ボイラ２ａ，２ｂ，２ｃでの蒸気発生の遅れを伴って負荷上昇する。各排熱回収ボイラ２ａ，２ｂ，２ｃの低圧蒸気は、所定の通気条件が成立すると、各低圧バイパス弁１４ａ，１４ｂ，１４ｃを全閉し、蒸気タービン３の低圧加減弁１１が入口圧力制御により開いて供給される。
【００１５】
これらの運転操作において、蒸気タービンの起動スケジュールは全体のプラント起動特性に強く影響している。これは、蒸気タービンのロータに発生する熱応力が起動時間を短縮することや燃料消費量を削減することを妨げる主要因となるからである。たとえば、図７に示す以下の４つの操作量は、蒸気タービンのロータを緩やかに暖気することによって熱応力の発生を抑える効果がある。
【００１６】
（ａ）蒸気タービンの昇速率（ｘ１）
（ｂ）蒸気タービンの低速ヒートソーク時間（ｘ２）
（ｃ）蒸気タービンの高速ヒートソーク時間（ｘ３）
（ｄ）蒸気タービンの初負荷ヒートソーク時間（ｘ４）
また、前記操作量の良し悪しを評価する指標として、たとえば、以下の３つの目的関数が考えられる。
【００１７】
（ａ）起動時間（ｆ１）
（ｂ）燃料消費量（ｆ２）
（ｃ）蒸気タービンのロータに発生する熱応力（ｆ３）
起動時間ｆ１は、より小さい値になるほど、電力需要への追従性を向上することができる。また、燃料消費量ｆ２は、より小さい値になるほど、燃料コストを抑えることができる。さらに、蒸気タービンのロータに発生する熱応力ｆ３は、より小さい値になるほど、蒸気タービンの機器寿命を延ばすことができる。つまり、これらの目的関数は全てより小さい値になるほど、より良い運転操作と言える。
【００１８】
しかし、これらの目的関数は前記操作量ｘ１，ｘ２，ｘ３，ｘ４に依存したトレードオフ関係を持っている。もし、昇速率ｘ１が増加し、各ヒートソーク時間ｘ２，ｘ３，ｘ４が減少すれば、起動時間ｆ１と燃料消費量ｆ２は減少するが、蒸気タービンのロータに発生する熱応力ｆ３は増加する。もし逆に、昇速率ｘ１が減少し、各ヒートソーク時間ｘ２，ｘ３，ｘ４が増加すれば、起動時間ｆ１と燃料消費量ｆ２は増加するが、蒸気タービンのロータに発生する熱応力ｆ３は減少する。この傾向は、初負荷ヒートソーク時間ｘ４が変化すると、より顕著になる。これは、初負荷ヒートソーク運転でのガスタービン負荷が他のヒートソーク運転のときよりも高いためである。
【００１９】
さらに、発電プラントを構成する機器の運転制限値および当該発電プラントの環境規制値の制約条件がある。制約条件の多くは、発電プラント運転中において、制限値の範囲内になるように安全に調整制御されている。しかし、たとえば、以下の２つの制約条件は前記操作量に依存して変化する。
【００２０】
（ａ）蒸気タービンのロータに発生する熱応力（ｇ１）
（ｂ）排煙ガス中の窒素酸化物（ＮＯｘ）の排出量（ｇ２）
前記目的関数にある蒸気タービンのロータに発生する熱応力ｇ１は、金属のクリープ強度・疲労強度の運転制限値を守るための上限値がある。排煙ガス中の窒素酸化物（ＮＯｘ）の排出量ｇ２は、急速な起動を行なうと急増する特性があり、環境規制値を守るための上限値がある。
【００２１】
このように発電プラントの運転は、複数の目的関数を勘案して、制約条件を満たす操作量を決定する多目的最適化問題と考えられる。操作量である操作変数値に対する目的関数と制約条件の値は、発電プラントの動特性シミュレーションによって予測することができる。そこで、技術者の経験や試行錯誤によって操作変数値を変えた動特性シミュレーションを繰り返し計算することで、妥当な操作変数値を求めている。これらの操作変数値は、予め発電プラントの計画時に決定しておくことが多く、試運転時に実プラントの運転状況を反映して、運転員の経験や試行錯誤によって調整されることはあるが、それ以降の発電プラントの運転状態に応じて更新されることは少ない。
【００２２】
このため、変化する売電価格、燃料コスト、メンテナンスコスト、環境対策コストなどの影響を受ける電力市場の変化に合わせて、柔軟に発電プラント運転時の操作量を決定することは困難である。したがって、常に余裕を持った保守的な運転状態になり、電力市場の変化によっては、必ずしも技術者や運転員が望んでいる運転状態にはならないといった欠点がある。
【００２３】
なお、技術者や運転員の経験や試行錯誤によらずに最適な操作変数値を決定する方法も模索されている。たとえば、特許文献１には、火力発電プラントにおいて、動特性シミュレーションと数理計画法を組み合わせて、起動過程での制約条件を守り、定刻最短起動を行なうようにした技術が開示されている。特許文献２には、火力発電プラントにおいて、同様の方法により低損失定刻起動を行なうようにした技術が開示されている。また、特許文献３や特許文献４には、ファジー推論のような知識ベースを用いて発電プラント起動時の操作量を決定する技術が開示されている。さらに、特許文献５、特許文献６や特許文献７には、動特性シミュレーションと最適化手法を組み合わせて発電プラント起動時の操作量を決定する技術が開示されている。
【００２４】
しかし、これらの技術は起動時間だけを最短にするなど、単一の目的関数を取り扱う単目的最適化問題を対象としている。もし、上述のような複数の目的関数を取り扱う場合は、つぎの式（１）のように重みｗ１，ｗ２，・・・，ｗｎによる線形加重和を用いて単一の目的関数とする必要がある。
【００２５】
Ｆ（ｘ）＝ｗ１ｆ１（ｘ）＋ｗ２ｆ２（ｘ）＋・・・＋ｗｎｆｎ（ｘ） ・・・（１）
一般に、複数の目的関数を取り扱う多目的最適化問題では、各目的関数のトレードオフ関係により無数あるいは複数の最適解が存在する。これらの最適解はパレート最適解と呼ばれている。そこで技術者や運転員は、この無数あるいは複数のパレート最適解の中から各目的関数の希求値に近くなるパレート最適解を取り出す意思決定が必要になる。しかし、式（１）のような線形加重和による方法では、技術者や運転員が望んでいるパレート最適解を得るのに重みｗ１，ｗ２，・・・，ｗｎを試行錯誤的に調整する必要があり、繰り返し計算のために計算時間がかかるといった欠点がある。
【特許文献１】特許第２５６４２７１号公報
【特許文献２】特公平７−２７４０４号公報
【特許文献３】特開平２−１８１００１号公報
【特許文献４】特公平７−９１９６４号公報
【特許文献５】特開平９−１５２９０３号公報
【特許文献６】特開２００４−０７６６５８号公報
【特許文献７】特開２００４−１１６４１６号公報
【発明の開示】
【発明が解決しようとする課題】
【００２６】
発電プラントの運転は、起動時間、燃料消費量、機器の寿命消費量、環境規制物質の排出量など、複数の評価指標である目的関数を勘案して、発電プラントを構成する機器の運転制限値および当該発電プラントの環境規制値などの制約条件を満たす操作量を求める多目的最適化問題と考えられる。これらの目的関数は、変化する売電価格、燃料コスト、メンテナンスコスト、環境対策コストなどの影響を受ける電力市場の変化に依存している。したがって、発電プラント運転時の操作量は、電力市場の変化に応じて柔軟に決定できることが望まれている。
【００２７】
しかし、上述したように、従来技術では動特性シミュレーションの計算結果や実機プラントの運転データを用いて、技術者や運転員の経験や試行錯誤によって操作量が決定されるので、最適な操作量を見つけるためには、多大な労力を必要とする。また、この操作量は、予め発電プラントの計画時に決定しておくことが多く、試運転時に実プラントの運転状況を反映して、運転員の経験や試行錯誤によって調整されることはあるが、それ以降の発電プラントの運転状態に応じて更新されることは少ない。このため、常に余裕を持った保守的な運転状態になり、電力市場の変化によっては、必ずしも技術者や運転員が望んでいる運転状態にはならないといった欠点がある。つまり、電力市場の変化に応じて、柔軟に発電プラント運転時の操作量を決定することは困難である。
【００２８】
なお、上述したように、技術者や運転員の経験や試行錯誤によらずに発電プラントの操作量を決定する従来技術が幾つかある。しかし、これらの技術は、そもそも起動時間だけを最短にするなど、単一の目的関数を取り扱う単目的最適化問題を対象とした技術であるがゆえに、もし、上記のような複数の目的関数を取り扱う場合は、式（１）のように重みｗ１，ｗ２，・・・，ｗｎによる線形加重和を用いて単一の目的関数とする必要がある。
【００２９】
一般に、複数の目的関数を取り扱う多目的最適化問題では、各目的関数のトレードオフ関係により無数あるいは複数の最適解が存在する。これらの最適解はパレート最適解と呼ばれている。そこで技術者や運転員は、この無数あるいは複数のパレート最適解の中から各目的関数の希求値に近くなるパレート最適解を取り出す意思決定が必要になる。しかし、式（１）のような線形加重和による方法では、技術者や運転員が望んでいるパレート最適解を得るのに重みｗ１，ｗ２，・・・，ｗｎを試行錯誤的に調整する必要があり、繰り返し計算のために計算時間がかかるといった欠点がある。つまり、電力市場の変化に応じて、柔軟に発電プラント運転時の操作量を決定することは困難である。
【００３０】
この他にも遺伝的アルゴリズム（ＧＡ： Genetic Algorithm）などを用いて多目的最適化問題を直接的に解く方法が様々な分野で実用化されている。しかし、発電プラントの動特性シミュレーションは大規模かつ非線形モデルが用いられるためパレート最適解を得るには計算の繰り返しにより膨大な計算時間がかかるといった欠点がある。また、実機プラントの運転データを用いる場合は、制約条件を必ず満たした安全な運転データしか収集できないこと、様々な操作量に対する運転データを収集するには膨大な時間とコストがかかるといった欠点がある。つまり、よく知られた最適化手法などを用いては、電力市場の変化に応じて、柔軟に発電プラント運転時の操作量を決定することは困難である。
【００３１】
本発明は上述の点に鑑み、発電プラントの各機器の運転制限値およびプラントの環境規制値の双方または何れか一方の制約条件を満たし、複数の評価指標である目的関数を勘案して、発電プラント運転時の操作量を求める多目的最適化問題において、技術者や運転員である意思決定者の経験や試行錯誤による繰り返し計算を少なくし、かつ短い計算時間で意思決定者が満足する最適な操作量を求めることを目的とする。
【課題を解決するための手段】
【００３２】
上記目的を達成するために、本発明に係る発電プラントの運転最適化方法の一態様では、対話型多目的計画法を用いて複数の機器を有する発電プラントの運転時の操作量である操作変数の最適値を表示する運転最適化方法において、前記発電プラントを構成する複数の機器の運転制限値および当該発電プラントの環境規制値の少なくとも一方の制約条件を設定する制約条件設定ステップと、前記操作変数の関数である複数の目的関数の希求水準を設定する希求水準設定ステップと、前記制約条件設定ステップで設定された制約条件の下で、前記希求水準設定ステップで設定された希求水準にできる限り近いパレート最適解を計算する解析ステップと、前記解析ステップで計算されたパレート最適解を表示するパレート最適解表示ステップと、前記パレート最適解表示ステップで表示されるパレート最適解が所定の基準を満たすかどうかを判定する判定ステップと、前記判定ステップでパレート最適解が所定の基準を満たしていない場合に前記希求水準設定ステップで設定された複数の希求水準の少なくとも一部を変更する希求水準変更設定ステップと、その希求水準変更設定ステップの後に、前記解析ステップ、パレート最適解表示ステップおよび判定ステップを繰り返す繰り返しステップと、前記判定ステップでパレート最適解が所定の基準を満たしている場合におけるパレート最適解に対応する前記操作変数の値を求めるステップと、を有すること、を特徴とする。
【００３３】
また、本発明に係る発電プラントの運転最適化方法の他の一つの態様では、対話型多目的計画法を用いて複数の機器を有する発電プラントの運転時の操作量である操作変数の最適値を表示する運転最適化方法において、操作変数値に対する目的関数および制約条件の値を、動特性シミュレーションを用いて計算し、この計算結果を操作変数値に対する目的関数および制約条件の値を組とする動特性シミュレーションデータベースに収録し、操作変数値を入力値とし、目的関数および制約条件の値を出力値とする教師データとして出力する動特性シミュレーションステップと、前記操作変数の関数である複数の目的関数の希求水準を設定する希求水準設定ステップと、前記動特性シミュレーションで得られた教師データを用いてニューラルネットワークを学習し、操作変数値に対する目的関数および制約条件の値を予測し、前記希求水準設定ステップで設定された希求水準の値を用いて、複数の目的関数をもつ多目的最適化問題をスカラー最適化問題へ変換し、このスカラー最適化問題を前記ニューラルネットワークによる予測値を用いて解くことにより、希求水準にできる限り近いパレート最適解を計算する解析ステップと、前記解析ステップで計算されたパレート最適解を表示するパレート最適解表示ステップと、前記パレート最適解表示ステップで表示されるパレート最適解が所定の基準を満たすかどうかを判定する判定ステップと、前記判定ステップでパレート最適解が所定の基準を満たしていない場合に前記希求水準設定ステップで設定された複数の希求水準の少なくとも一部を変更する希求水準変更設定ステップと、その希求水準変更設定ステップの後に、前記解析ステップ、パレート最適解表示ステップおよび判定ステップを繰り返す繰り返しステップと、前記判定ステップでパレート最適解が所定の基準を満たしている場合におけるパレート最適解に対応する前記操作変数の値を求めるステップと、を有すること、を特徴とする。
【００３４】
また、本発明に係る発電プラントの運転最適化方法の他の一つの態様では、対話型多目的計画法を用いて複数の機器を有する発電プラントの運転時の操作量である操作変数の最適値を表示する運転最適化方法において、操作変数値に対する目的関数および制約条件の値を実機プラントの運転履歴データから抽出し、この抽出データを操作変数値に対する目的関数および制約条件の値を組とする運転履歴データベースに収録し、操作変数値を入力値とし、目的関数および制約条件の値を出力値とする教師データとして出力する運転履歴データベース生成ステップと、前記操作変数の関数である複数の目的関数の希求水準を設定する希求水準設定ステップと、前記運転履歴データベース生成ステップで得られた教師データを用いてニューラルネットワークを学習し、操作変数値に対する目的関数および制約条件の値を予測し、前記希求水準設定ステップで設定された希求水準の値を用いて、複数の目的関数をもつ多目的最適化問題をスカラー最適化問題へ変換し、このスカラー最適化問題を前記ニューラルネットワークによる予測値を用いて解くことにより、希求水準にできる限り近いパレート最適解を計算する解析ステップと、前記解析ステップで計算されたパレート最適解を表示するパレート最適解表示ステップと、前記パレート最適解表示ステップで表示されるパレート最適解が所定の基準を満たすかどうかを判定する判定ステップと、前記判定ステップでパレート最適解が所定の基準を満たしていない場合に前記希求水準設定ステップで設定された複数の希求水準の少なくとも一部を変更する希求水準変更設定ステップと、その希求水準変更設定ステップの後に、前記解析ステップ、パレート最適解表示ステップおよび判定ステップを繰り返す繰り返しステップと、前記判定ステップでパレート最適解が所定の基準を満たしている場合におけるパレート最適解に対応する前記操作変数の値を求めるステップと、を有すること、を特徴とする。
【００３５】
また、本発明に係る発電プラントの運転最適化システムの一つの態様では、対話型多目的計画法を用いて複数の機器を有する発電プラントの運転時の操作量である操作変数の最適値を表示する運転最適化システムにおいて、前記発電プラントを構成する複数の機器の運転制限値および当該発電プラントの環境規制値の少なくとも一方の制約条件を設定する制約条件設定手段と、前記操作変数の関数である複数の目的関数の希求水準を設定する希求水準設定手段と、前記制約条件設定手段によって設定された制約条件の下で、前記希求水準設定手段によって設定された希求水準にできる限り近いパレート最適解を計算する解析手段と、前記解析手段によって計算されたパレート最適解を表示するパレート最適解表示手段と、前記希求水準設定手段で設定された複数の希求水準の少なくとも一部を変更する希求水準変更設定手段と、その希求水準変更設定手段による変更の後に、前記解析手段によるパレート最適解の計算およびパレート最適解表示手段によるパレート最適解の表示を繰り返す繰り返し手段と、前記パレート最適解に対応する前記操作変数の値を求める手段と、を有すること、を特徴とする。
【００３６】
また、本発明に係る発電プラントの運転最適化システムの他の一つの態様では、対話型多目的計画法を用いて複数の機器を有する発電プラントの運転時の操作量である操作変数の最適値を表示する運転最適化システムにおいて、操作変数値に対する目的関数および制約条件の値を、動特性シミュレーションを用いて計算し、この計算結果を操作変数値に対する目的関数および制約条件の値を組とする動特性シミュレーションデータベースに収録し、操作変数値を入力値とし、目的関数および制約条件の値を出力値とする教師データとして出力する動特性シミュレーション手段と、前記操作変数の関数である複数の目的関数の希求水準を設定する希求水準設定手段と、前記動特性シミュレーションで得られた教師データを用いてニューラルネットワークを学習し、操作変数値に対する目的関数および制約条件の値を予測し、前記希求水準設定手段で設定された希求水準の値を用いて、複数の目的関数をもつ多目的最適化問題をスカラー最適化問題へ変換し、このスカラー最適化問題を前記ニューラルネットワークによる予測値を用いて解くことにより、希求水準にできる限り近いパレート最適解を計算する解析手段と、前記解析手段で計算されたパレート最適解を表示するパレート最適解表示手段と、前記希求水準設定手段で設定された複数の希求水準の少なくとも一部を変更する希求水準変更設定手段と、その希求水準変更設定手段による変更の後に、前記解析手段によるパレート最適解の計算およびパレート最適解表示手段によるパレート最適解の表示を繰り返す繰り返し手段と、前記パレート最適解に対応する前記操作変数の値を求める手段と、を有すること、を特徴とする。
【００３７】
また、本発明に係る発電プラントの運転最適化システムの他の一つの態様では、対話型多目的計画法を用いて複数の機器を有する発電プラントの運転時の操作量である操作変数の最適値を表示する運転最適化システムにおいて、実機プラントの運転履歴データから抽出し、この抽出データを操作変数値に対する目的関数および制約条件の値を組とする運転履歴データベースに収録し、操作変数値を入力値とし、目的関数および制約条件の値を出力値とする教師データとして出力する運転履歴データベース生成手段と、前記操作変数の関数である複数の目的関数の希求水準を設定する希求水準設定手段と、前記運転履歴データベース生成手段によって得られた教師データを用いてニューラルネットワークを学習し、操作変数値に対する目的関数および制約条件の値を予測し、前記希求水準設定手段で設定された希求水準の値を用いて、複数の目的関数をもつ多目的最適化問題をスカラー最適化問題へ変換し、このスカラー最適化問題を前記ニューラルネットワークによる予測値を用いて解くことにより、希求水準にできる限り近いパレート最適解を計算する解析手段と、前記解析手段で計算されたパレート最適解を表示するパレート最適解表示手段と、前記希求水準設定手段で設定された複数の希求水準の少なくとも一部を変更する希求水準変更設定手段と、その希求水準変更設定手段による変更の後に、前記解析手段によるパレート最適解の計算およびパレート最適解表示手段によるパレート最適解の表示を繰り返す繰り返し手段と、前記パレート最適解に対応する前記操作変数の値を求める手段と、を有すること、を特徴とする。
【発明の効果】
【００３８】
本発明によれば、発電プラントの各機器の運転制限値およびプラントの環境規制値の双方または何れか一方の制約条件を満たし、複数の評価指標である目的関数を勘案して、発電プラント運転時の操作量を求める多目的最適化問題において、技術者や運転員である意思決定者の経験や試行錯誤による繰り返し計算を少なくし、かつ短い計算時間で意思決定者が満足する最適な操作量を求めることができる。それにより、日々変化する電力市場の変化に応じて、柔軟に発電プラント運転時の操作量を決定すること可能になる。
【発明を実施するための最良の形態】
【００３９】
以下、本発明の実施の形態を説明する。なお、各図で共通する要素には同一符号を付けて重複した説明は避けるものとする。
【００４０】
［第１の実施の形態］
以下、第１の実施の形態について、図１を参照して説明する。図１は本実施の形態に係る発電プラントの運転最適化システムの概念構成図である。
【００４１】
まず、図１において、１５は本実施の形態において新たに設けられた運転最適化システム、１６は制御装置、１７は発電プラントである。運転最適化システム１５は、後述する運転最適化方法を用いて、発電プラントの操作量である操作変数値を求めるように機能する。そして、求められた操作変数値は制御装置１６へ出力される。制御装置１６では、前記操作変数値が設定される。そして、設定された操作変数値に従って発電プラント１７を操作するための操作信号を発電プラント１７へ出力し、検出信号が発電プラント１７から入力される。
【００４２】
つぎに、運転最適化システムによる操作変数値の求め方について説明する。
【００４３】
まず、多目的最適化問題の定式化から説明する。発電プラントの運転は、機器の運転制限値およびプラントの環境規制値の双方または何れか一方の制約条件を満たし、複数の評価指標である目的関数を勘案して、発電プラント運転時の操作量を求める多目的最適化問題の一般式（２）に定式化することができる。
【数１】
【００４４】
ここで、ｘ＝［ｘ１，ｘ２，・・・，ｘｎ］Ｔは操作変数、ｆは目的関数、ｇは制約条件である。なお、ある目的関数を最小にすることは、この目的関数の逆数を最大にすることと同じ意味である。すなわち、最適化問題では、目的関数を最小にすることと、最大にすることは同じ意味であると言える。
【００４５】
つぎに図１の概略構成図を参照して運転最適化方法について説明する。図１において、本システムにはヒューマンインターフェース部１８と最適化計算部１９が設けられている。運転最適化においては、まず、発電プラントを構成する機器の運転制限値およびプラントの環境規制値の双方または何れか一方の制約条件を設定する。
【００４６】
そのつぎの処理は以下の手順によって行なわれる。
【００４７】
［ステップＳ１１］ 技術者や運転員である意思決定者２０は、ヒューマンインターフェース部１８を通じて、式（２）の各目的関数に対する希求値である希求水準を設定する。設定された希求水準はヒューマンインターフェース部１８から最適化計算部１９へ出力される。
【００４８】
［ステップＳ１２］ 最適化計算部１９のコンピュータを用いて、制約条件を満たして、この設定された希求水準にできる限り近いパレート最適解を探索する。得られたパレート最適解は、最適化計算部１９からヒューマンインターフェース部１８へ出力し、意思決定者２０へ提示される。
【００４９】
［ステップＳ１３］ 意思決定者２０は、ヒューマンインターフェース部１８を通じて、この提示されたパレート最適解に満足するか否かの判断をする。もし、意思決定者２０が満足しなければ、意思決定者２０は希求水準を修正し、満足するまでステップＳ１１からステップＳ１３の操作が繰り返される。もし、意思決定者２０が満足すれば、その時点のパレート最適解の操作変数値を最適操作量として決定する。そして、決定された操作変数値は制御装置１６へ出力される。
【００５０】
［ステップＳ１４］ 決定されたパレート最適解は、制御装置１６に設定される。
【００５１】
つぎに、目的関数と制約条件について説明する。まず、目的関数ｆとして評価対象となる要素は、つぎのようなものに大別できる。
【００５２】
（ａ）プラントがある状態になったときの値（たとえば、起動時間、機器の熱応力）
（ｂ）プラントがある状態からある状態まで変わっていく間の値（たとえば、燃料消費量）
一方、制約条件ｇはつぎのようなものに大別できる。
【００５３】
（ａ）操作変数ｘである操作量の上限値と下限値を設定する。これは、操作する機器の運転制限値に相当する。
（ｂ）機器の熱応力などの運転制限値と、排煙ガス中の窒素酸化物（ＮＯｘ）の排出量などの環境規制値を設定する。
【００５４】
本実施の形態は、上述した制約条件、操作変数、目的関数として、以下に示すものを適用することができる。
【００５５】
＜制約条件の例＞
本実施の形態においては、制約条件として、以下の（ａ）から（ｄ）の中の少なくとも一つを含むようにする。
【００５６】
（ａ）蒸気タービンのロータに発生する熱応力
（ｂ）ボイラあるいは排熱回収ボイラの高温部に発生する熱応力
（ｃ）蒸気タービンあるいはガスタービンの回転部と静止部との熱伸び差
（ｄ）排煙ガス中の窒素酸化物（ＮＯｘ）、硫黄酸化物（ＳＯｘ）、二酸化炭素（ＣＯ２）などの排出量
＜操作変数の例＞
また、本実施の形態において、操作変数として、以下の（ａ）から（ｉ）の中の少なくとも一つを含むようにする。
【００５７】
（ａ）蒸気タービンの速度変化率あるいは負荷変化率
（ｂ）蒸気タービンを保持する速度あるいは負荷
（ｃ）蒸気タービンを保持する時間
（ｄ）ガスタービンの速度変化率あるいは負荷変化率
（ｅ）ガスタービンを保持する速度あるいは負荷
（ｆ）ガスタービンを保持する時間
（ｇ）ボイラあるいは排熱回収ボイラの負荷変化率
（ｈ）ボイラあるいは排熱回収ボイラを保持する負荷
（ｉ）ボイラあるいは排熱回収ボイラを保持する時間
＜目的関数の例＞
本実施の形態においては、目的関数として、以下の（ａ）から（ｆ）の中の少なくとも一つを含むようにする。
【００５８】
（ａ）指定された発電出力に到達するまでの時間
（ｂ）発電プラントの燃料消費量
（ｃ）発電プラントの熱効率
（ｄ）蒸気タービンのロータに発生する熱応力
（ｅ）ボイラあるいは排熱回収ボイラの高温部に発生する熱応力
（ｆ）排煙ガス中の窒素酸化物（ＮＯｘ）、硫黄酸化物（ＳＯｘ）、二酸化炭素（ＣＯ２）などの排出量
以上述べたように、本実施の形態によれば、機器の運転制限値およびプラントの環境規制値の双方または何れか一方の制約条件を満たし、複数の評価指標である目的関数を勘案して、発電プラント運転時の操作量を求める多目的最適化問題において、意思決定者の希求水準に基づいて、意思決定者とコンピュータとが対話しながら、意思決定者が満足するパレート最適解の操作変数値を決定できる。したがって、意思決定者の経験や試行錯誤による繰り返し計算が少なくなり、かつ短い計算時間で意思決定者が満足する最適な操作量を求められるので、電力市場の変化に応じて、柔軟に発電プラント運転時の操作量を決定することが可能になる。
【００５９】
［第２の実施の形態］
以下、第２の実施の形態について、図２を参照して説明する。図２は本実施の形態による発電プラントの運転最適化システムの概念構成図である。
【００６０】
本実施の形態と第１の実施の形態との相違は、動特性シミュレーションの計算結果を用いてニューラルネットワークを学習し、このニューラルネットワークによる予測値に基づいて最適化計算を行なうようにした点にある。このため、図２に示すように、運転最適化システム１５内に動特性シミュレーション部２１を内蔵させている。ただし、その他の構成は図１と同じであるので説明は省略し、図２の概略構成図を参照して運転最適化方法について説明する。図２において、本システムは動特性シミュレーション部２１とヒューマンインターフェース部１８と最適化計算部１９が設けられている。運転最適化は、以下の手順によって行なわれる。
【００６１】
［ステップＳ２１］ 動特性シミュレーション部２１のプラントシミュレータを用いて、操作変数値に対する目的関数および制約条件の値を計算し、この計算結果を操作変数値に対する目的関数および制約条件の値を組とするデータベースに収録し、操作変数値を入力値とし、目的関数および制約条件の値を出力値とする教師データとして最適化計算部１９へ出力される。
【００６２】
［ステップＳ２２］ 技術者や運転員である意思決定者２０は、ヒューマンインターフェース部１８を通じて、式（２）の各目的関数に対する希求値である希求水準を設定する。設定された希求水準はヒューマンインターフェース部１８から最適化計算部１９へ出力される。
【００６３】
［ステップＳ２３］ 最適化計算部１９のコンピュータを用いて、動特性シミュレーション部２１から入力される教師データと、ヒューマンインターフェース部１８から入力される希求水準を用いてニューラルネットワークを学習し、操作変数値に対する目的関数および制約条件の値を予測する予測モデルを構築する。
【００６４】
［ステップＳ２４］ 最適化計算部１９のコンピュータを用いて、制約条件を満たして、この設定された希求水準にできる限り近いパレート最適解をステップＳ２３で構築したニューラルネットワークによる予測モデルによる予測値を用いて探索する。得られたパレート最適解は、最適化計算部１９からヒューマンインターフェース部１８へ出力し、意思決定者２０へ提示される。
【００６５】
［ステップＳ２５］ 意思決定者２０は、ヒューマンインターフェース部１８を通じて、この提示されたパレート最適解に満足するか否かの判断をする。もし、意思決定者２０が満足しなければ、意思決定者２０は希求水準を修正し、満足するまでステップＳ２１からステップＳ２５の操作が繰り返される。もし、意思決定者２０が満足すれば、その時点のパレート最適解の操作変数値を最適操作量として決定する。そして、決定された操作変数値は制御装置１６へ出力される。
【００６６】
［ステップＳ２６］ 決定されたパレート最適解は、制御装置１６に設定される。
【００６７】
以上述べたように、本実施の形態によれば、機器の運転制限値およびプラントの環境規制値の双方または何れか一方の制約条件を満たし、複数の評価指標である目的関数を勘案して、発電プラント運転時の操作量を求める多目的最適化問題において、意思決定者の希求水準に基づいて、意思決定者とコンピュータとが対話しながら、意思決定者が満足するパレート最適解の操作変数値を決定できる。さらに、計算時間のかかる動特性シミュレーションから計算時間のかからないニューラルネットワークによる予測に置き換えて最適化問題を解いている。したがって、意思決定者の経験や試行錯誤による繰り返し計算が少なくなり、かつ短い計算時間で意思決定者が満足する最適な操作量を求められるので、電力市場の変化に応じて、柔軟に発電プラント運転時の操作量を決定することが可能になる。
【００６８】
［第３の実施の形態］
以下、第３の実施の形態について、図３を参照して説明する。図３は本実施の形態による発電プラントの運転最適化システムの概念構成図である。
【００６９】
本実施の形態と第１の実施の形態との相違は、実機プラントの運転データを用いてニューラルネットワークを学習し、このニューラルネットワークによる予測値に基づいて最適化計算を行なうようにした点にある。このため、図３に示すように、運転最適化システム１５内に運転データベース部２２を内蔵させている。ただし、その他の構成は図１と同じであるので説明は省略し、図３の概略構成図を参照して運転最適化方法について説明する。図３において、本システムは運転データベース部２２とヒューマンインターフェース部１８と最適化計算部１９が設けられている。運転最適化は、以下の手順によって行なわれる。
【００７０】
［ステップＳ３１］ 運転データベース部２２の実機プラントの運転履歴データを用いて、操作変数値に対する目的関数および制約条件の値を抽出し、この抽出データを操作変数値に対する目的関数および制約条件の値を組とするデータベースに収録し、操作変数値を入力値とし、目的関数および制約条件の値を出力値とする教師データとして最適化計算部１９へ出力される。
【００７１】
［ステップＳ３２］ 技術者や運転員である意思決定者２０は、ヒューマンインターフェース部１８を通じて、式（２）の各目的関数に対する希求値である希求水準を設定する。設定された希求水準はヒューマンインターフェース部１８から最適化計算部１９へ出力される。
【００７２】
［ステップＳ３３］ 最適化計算部１９のコンピュータを用いて、運転データベース部２２から入力される教師データと、ヒューマンインターフェース部１８から入力される希求水準を用いてニューラルネットワークを学習し、操作変数値に対する目的関数および制約条件の値を予測する予測モデルを構築する。
【００７３】
［ステップＳ３４］ 最適化計算部１９のコンピュータを用いて、制約条件を満たして、この設定された希求水準にできる限り近いパレート最適解をステップＳ３３で構築したニューラルネットワークによる予測モデルによる予測値を用いて探索する。得られたパレート最適解は、最適化計算部１９からヒューマンインターフェース部１８へ出力し、意思決定者２０へ提示される。
【００７４】
［ステップＳ３５］ 意思決定者２０は、ヒューマンインターフェース部１８を通じて、この提示されたパレート最適解に満足するか否かの判断をする。もし、意思決定者２０が満足しなければ、意思決定者２０は希求水準を修正し、満足するまでステップＳ３１からステップＳ３５の操作が繰り返される。もし、意思決定者２０が満足すれば、その時点のパレート最適解の操作変数値を最適操作量として決定する。そして、決定された操作変数値は制御装置１６へ出力される。
【００７５】
［ステップＳ３６］ 決定されたパレート最適解は、制御装置１６に設定される。
【００７６】
以上述べたように、本実施の形態によれば、機器の運転制限値およびプラントの環境規制値の双方または何れか一方の制約条件を満たし、複数の評価指標である目的関数を勘案して、発電プラント運転時の操作量を求める多目的最適化問題において、意思決定者の希求水準に基づいて、意思決定者とコンピュータとが対話しながら、意思決定者が満足するパレート最適解の操作変数値を決定できる。さらに、計算コストのかかる実機プラントの運転データから計算コストのかからないニューラルネットワークによる予測に置き換えて最適化問題を解いている。したがって、意思決定者の経験や試行錯誤による繰り返し計算が少なくなり、かつ短い計算時間で意思決定者が満足する最適な操作量を求められるので、電力市場の変化に応じて、柔軟に発電プラント運転時の操作量を決定することが可能になる。
【００７７】
［第４の実施の形態］
本発明の第４の実施の形態は、前述した第２または第３の実施の形態に用いられるニューラルネットワークの種類として、動径基底関数（ＲＢＦ： Radial Basis Function）ネットワークを用いて予測モデルを構築するようにしたものである。
【００７８】
動径基底関数ネットワークは、入力層、中間層、出力層の３層構成のニューラルネットワークである。入力値は入力層のニューロンにそれぞれ割り当てられる。そして、重みなしで中間層へ直接伝達される。中間層ニューロンの活性化関数としてガウス関数が用いられ、中間層と出力層の伝達にはそれぞれ線形の重みが付けられる。以上をまとめると、動径基底関数ネットワークの入出力方程式はつぎの式（３）と式（４）で表される。
【数２】
【００７９】
ここで、ｘ＝［ｘ１，ｘ２，・・・，ｘｎ］Ｔは入力値である操作変数値、Ｏは出力値である操作変数値に対する目的関数および制約条件の値、ｈｊはガウス関数、ｗｊは重み、ｑは中間層ニューロンの数、ｃｊは中間層ニューロンの中心位置、ｒｊは半径パラメータ、絶対値「||・・・||」はユークリッドノルムである。
【００８０】
動径基底関数ネットワークの学習方程式はつぎの式（５）で定義される。
【数３】
【００８１】
ここで、 ｘ＝［ｗ１，ｗ２，・・・，ｗｑ］Ｔは重みベクトル、ｙｉは教師データ、ｐは教師データの数、λｊは安定学習のための抑制項である。式（５）はつぎの式（６）に展開できる。
【００８２】
ＨＴｙ＝ＨＴＯ＋λＩｗ
＝ＨＴＨｗ＋λＩｗ ・・・（６）
ここで、
【数４】
【００８３】
ゆえに、動径基底関数ネットワークの学習は、つぎの線形連立方程式（７）を解くことと等価である。
【００８４】
ｗ＝（ＨＴＨ＋λＩ）−１ＨＴｙ ・・・（７）
つまり、動径基底関数ネットワークの学習は式（７）の線形連立方程式から直接的に計算できるので、学習時間がとても速くすむ特徴がある。
【００８５】
以上述べたように、本実施の形態によれば、前述した第２または第３の実施の形態に用いられるニューラルネットワークの種類として、動径基底関数ネットワークを用いて予測モデルを構築する。
【００８６】
それにより、計算時間のかかる動特性シミュレーションや計算コストのかかる実機プラントの運転データから計算時間や計算コストのかからない動径基底関数ネットワークによる予測に置き換えて最適化問題を解くことができる。それにより、機器の運転制限値およびプラントの環境規制値の双方または何れか一方の制約条件を満たし、複数の評価指標である目的関数を勘案して、発電プラント運転時の操作量を求める多目的最適化問題において、意思決定者の希求水準に基づいて、意思決定者とコンピュータとが対話しながら、意思決定者が満足するパレート最適解の操作変数値を決定できる。
【００８７】
したがって、意思決定者の経験や試行錯誤による繰り返し計算が少なくなり、かつ短い計算時間で意思決定者が満足する最適な操作量を求められるので、電力市場の変化に応じて、柔軟に発電プラント運転時の操作量を決定することが可能になる。
【００８８】
［第５の実施の形態］
本発明の第５の実施の形態は、前述した第１、第２または第３の実施の形態の多目的最適化問題を解く方法として、希求水準を用いた対話型多目的計画法の一つである満足化トレードオフ法（Satisficing Trade-off Method）を用いるようにしたものである。
【００８９】
多目的最適化問題は式（２）のようなベクトル形式のままでは解くことが難しいためスカラー化して問題を解き易くする。本実施の形態では、希求水準を用いた対話型多目的計画法の一つである満足化トレードオフ法を用いると、次式のスカラー最適化問題式（８）と式（９）へ変換できる。
【数５】
【００９０】
Ｋｊ＝０，if ｇｊ（ｘ）≦０，ｊ＝１，２，・・・，ｍ
Ｋｊ＝１，otherwise
ここで、αは微小な正の値（たとえば，１０−６程度）、式（９）の第２項はペナルティー関数であり，βｊは十分に大きな値とする。ｗｉｋは重みであり、次式（１０）により自動的に求められる。
【数６】
ｆｉ＊≦ｍｉｎ｛ｆｉ（ｘ）｜ｘ∈Ｘ｝，（Ｘは実行可能解）
で与えられる。
【００９１】
以上述べたように、本実施の形態によれば、前述した第１、第２または第３の実施の形態の多目的最適化問題を解く方法として、希求水準を用いた対話型多目的計画法の一つである満足化トレードオフ法を用いて、多目的最適化問題をスカラー最適化問題へ変換する。これにより、機器の運転制限値およびプラントの環境規制値の双方または何れか一方の制約条件を満たし、複数の評価指標である目的関数を勘案して、発電プラント運転時の操作量を求める多目的最適化問題において、意思決定者の希求水準に基づいて、意思決定者とコンピュータとが対話しながら、意思決定者が満足するパレート最適解の操作変数値を決定できる。したがって、意思決定者の経験や試行錯誤による繰り返し計算が少なくなり、かつ短い計算時間で意思決定者が満足する最適な操作量を求められるので、電力市場の変化に応じて、柔軟に発電プラント運転時の操作量を決定することが可能になる。
【００９２】
［第６の実施の形態］
本発明の第６の実施の形態は、第５の実施の形態の説明の中で述べたスカラー最適化問題における式（９）を解く方法として、遺伝的アルゴリズム（ＧＡ： Genetic Algorithm）を用いて式（９）のスカラー化関数を最小にする操作変数ｘの値を計算するようにしたものである。遺伝的アルゴリズムは、発電プラントの運転最適化問題に見られるような非線形問題や離散変数と連続変数をもつ問題でも安定的に大域的な最適解が探索できる可能性が高いアルゴリズムである。
【００９３】
以上述べたように、本実施の形態によれば、前述した第５の実施の形態のスカラー最適化問題を解く方法として、遺伝的アルゴリズムを用いる。これにより、機器の運転制限値およびプラントの環境規制値の双方または何れか一方の制約条件を満たし、複数の評価指標である目的関数を勘案して、発電プラント運転時の操作量を求める多目的最適化問題において、意思決定者の希求水準に基づいて、意思決定者とコンピュータとが対話しながら、意思決定者が満足するパレート最適解の操作変数値を決定できる。したがって、意思決定者の経験や試行錯誤による繰り返し計算が少なくなり、かつ短い計算時間で意思決定者が満足する最適な操作量を求められるので、電力市場の変化に応じて、柔軟に発電プラント運転時の操作量を決定することが可能になる。
【００９４】
［第７の実施の形態］
以下、第７の実施の形態について、図４を参照して説明する。図４は本実施の形態による発電プラントの運転最適化システムの概念構成図である。
【００９５】
本実施の形態は第２の実施の形態の変形であって、第２の実施の形態との相違は、ニューラルネットワークによる予測値と動特性シミュレーションによる計算結果との差異が大きい場合において、前記ニューラルネットワークの追加学習を行なうようにした点にある。このため、図４に示すように、運転最適化システム１５の最適化計算部１９内に、追加学習を行なうための条件分岐がある。図４において、本システムは動特性シミュレーション部２１とヒューマンインターフェース部１８と最適化計算部１９が設けられている。運転最適化は、以下の手順によって行なわれる。
【００９６】
［ステップＳ４１］ 動特性シミュレーション部２１のプラントシミュレータを用いて、操作変数値に対する目的関数および制約条件の値を計算し、この計算結果を操作変数値に対する目的関数および制約条件の値を組とするデータベースに収録し、操作変数値を入力値とし、目的関数および制約条件の値を出力値とする教師データとして最適化計算部１９へ出力される。
【００９７】
［ステップＳ４２］ 技術者や運転員である意思決定者２０は、ヒューマンインターフェース部１８を通じて、式（２）の各目的関数に対する希求値である希求水準を設定する。設定された希求水準はヒューマンインターフェース部１８から最適化計算部１９へ出力される。
【００９８】
［ステップＳ４３］ 最適化計算部１９のコンピュータを用いて、動特性シミュレーション部２１から入力される教師データと、ヒューマンインターフェース部１８から入力される希求水準を用いてニューラルネットワークを学習し、操作変数値に対する目的関数および制約条件の値を予測する予測モデルを構築する。
【００９９】
［ステップＳ４４］ 最適化計算部１９のコンピュータを用いて、制約条件を満たして、この設定された希求水準にできる限り近いパレート最適解をステップＳ４３で構築したニューラルネットワークによる予測モデルによる予測値を用いて探索する。
【０１００】
［ステップＳ４５］ ニューラルネットワークによる予測モデルの誤差を評価するために、得られたパレート最適解に従った動特性シミュレーションを行なう。この計算結果とニューラルネットワークによる予測モデルによる予測値とを比較する。もし、誤差が所定の値よりも大きい場合は、ニューラルネットワークの追加学習を行ない、誤差が小さくなるまでステップＳ４１からステップＳ４５の操作が繰り返される。もし、誤差が小さくなれば、得られたパレート最適解は、最適化計算部１９からヒューマンインターフェース部１８へ出力し、意思決定者２０へ提示される。
【０１０１】
［ステップＳ４６］ 意思決定者２０は、ヒューマンインターフェース部１８を通じて、この提示されたパレート最適解に満足するか否かの判断をする。もし、意思決定者２０が満足しなければ、意思決定者２０は希求水準を修正し、満足するまでステップＳ４１からステップＳ４６の操作が繰り返される。もし、意思決定者２０が満足すれば、その時点のパレート最適解の操作変数値を最適操作量として決定する。そして、決定された操作変数値は制御装置１６へ出力される。
【０１０２】
［ステップＳ４７］ 決定されたパレート最適解は、制御装置１６に設定される。
【０１０３】
以上述べたように、本実施の形態によれば、機器の運転制限値およびプラントの環境規制値の双方または何れか一方の制約条件を満たし、複数の評価指標である目的関数を勘案して、発電プラント運転時の操作量を求める多目的最適化問題において、意思決定者の希求水準に基づいて、意思決定者とコンピュータとが対話しながら、意思決定者が満足するパレート最適解の操作変数値を決定できる。また、計算時間のかかる動特性シミュレーションから計算時間のかからないニューラルネットワークによる予測に置き換えて最適化問題を解いている。さらに、ニューラルネットワークによる予測精度を高めるために追加学習を行なっている。したがって、意思決定者の経験や試行錯誤による繰り返し計算が少なくなり、かつ短い計算時間で意思決定者が満足する最適な操作量を求められるので、電力市場の変化に応じて、柔軟に発電プラント運転時の操作量を決定することが可能になる。
【０１０４】
［第８の実施の形態］
以下、第８の実施の形態について、図５を参照して説明する。図５は本実施の形態による発電プラントの運転最適化システムの概念構成図である。
【０１０５】
本実施の形態は第３の実施の形態の変形であって、第３の実施の形態との相違は、ニューラルネットワークによる予測値と実機プラントによる運転データとの差異が大きい場合において、前記ニューラルネットワークの追加学習を行なうようにした点にある。このため、図５に示すように、運転最適化システム１５の最適化計算部１９内に追加学習を行なうための条件分岐がある。図５において、本システムは運転データベース部２２とヒューマンインターフェース部１８と最適化計算部１９が設けられている。運転最適化は、以下の手順によって行なわれる。
【０１０６】
［ステップＳ５１］ 運転データベース部２２の実機プラントの運転履歴データを用いて、操作変数値に対する目的関数および制約条件の値を抽出し、この抽出データを操作変数値に対する目的関数および制約条件の値を組とするデータベースに収録し、操作変数値を入力値とし、目的関数および制約条件の値を出力値とする教師データとして最適化計算部１９へ出力される。
【０１０７】
［ステップＳ５２］ 技術者や運転員である意思決定者２０は、ヒューマンインターフェース部１８を通じて、式（２）の各目的関数に対する希求値である希求水準を設定する。設定された希求水準はヒューマンインターフェース部１８から最適化計算部１９へ出力される。
【０１０８】
［ステップＳ５３］ 最適化計算部１９のコンピュータを用いて、運転データベース部２２から入力される教師データと、ヒューマンインターフェース部１８から入力される希求水準を用いてニューラルネットワークを学習し、操作変数値に対する目的関数および制約条件の値を予測する予測モデルを構築する。
【０１０９】
［ステップＳ５４］ 最適化計算部１９のコンピュータを用いて、制約条件を満たして、この設定された希求水準にできる限り近いパレート最適解をステップＳ５３で構築したニューラルネットワークによる予測モデルによる予測値を用いて探索する。
【０１１０】
［ステップＳ５５］ ニューラルネットワークによる予測モデルの誤差を評価するために、得られたパレート最適解に従った運転データを収集する。この運転データとニューラルネットワークによる予測モデルによる予測値とを比較する。もし、誤差が所定の値よりも大きい場合は、ニューラルネットワークの追加学習を行ない、誤差が小さくなるまでステップＳ５１からステップＳ５５の操作が繰り返される。もし、誤差が小さくなれば、得られたパレート最適解は、最適化計算部１９からヒューマンインターフェース部１８へ出力し、意思決定者２０へ提示される。
【０１１１】
［ステップＳ５６］ 意思決定者２０は、ヒューマンインターフェース部１８を通じて、この提示されたパレート最適解に満足するか否かの判断をする。もし、意思決定者２０が満足しなければ、意思決定者２０は希求水準を修正し、満足するまでステップＳ５１からステップＳ５６の操作が繰り返される。もし、意思決定者２０が満足すれば、その時点のパレート最適解の操作変数値を最適操作量として決定する。そして、決定された操作変数値は制御装置１６へ出力される。
【０１１２】
［ステップＳ５７］ 決定されたパレート最適解は、制御装置１６に設定される。
【０１１３】
以上述べたように、本実施の形態によれば、機器の運転制限値およびプラントの環境規制値の双方または何れか一方の制約条件を満たし、複数の評価指標である目的関数を勘案して、発電プラント運転時の操作量を求める多目的最適化問題において、意思決定者の希求水準に基づいて、意思決定者とコンピュータとが対話しながら、意思決定者が満足するパレート最適解の操作変数値を決定できる。また、計算コストのかかる実機プラントの運転データから計算コストのかからないニューラルネットワークによる予測に置き換えて最適化問題を解いている。さらに、ニューラルネットワークによる予測精度を高めるために追加学習を行なっている。したがって、意思決定者の経験や試行錯誤による繰り返し計算が少なくなり、かつ短い計算時間で意思決定者が満足する最適な操作量を求められるので、電力市場の変化に応じて、柔軟に発電プラント運転時の操作量を決定することが可能になる。
【０１１４】
［具体的適用例］
上記第４の実施の形態において、第２の実施の形態の動特性シミュレーションを利用した場合の具体例を説明する。ここでは、多軸型コンバインドサイクル発電プラント（全出力６７０ＭＷ）の起動時のスケジュールを多目的最適化した事例を示す。本プラントの概略構成図および起動曲線図はそれぞれ、図６および図７に示したとおりである。
【０１１５】
目的関数は３つあり、（ａ）起動時間ｆ１，（ｂ）燃料消費量ｆ２，（ｃ）蒸気タービン熱応力ｆ３である。起動時間は速く、燃料消費量は少なく起動したい。さらに、蒸気タービン熱応力は小さい方が機器寿命を延ばすことができる。
【０１１６】
これに対して、スケジュール変数は４つある。すなわち、図７に示すように、蒸気タービンの昇速率ｘ１，低速ヒートソーク時間ｘ２，高速ヒートソーク時間ｘ３，初負荷ヒートソーク時間ｘ４である。ここで、蒸気タービンの昇速率は｛１２０，１８０，３６０ｒｐｍ／ｍｉｎ｝を取る離散変数であり、各ヒートソーク時間は５〜６０分の上下限値を持つ連続変数である。また、運転制約として蒸気タービン熱応力の機器制限値、プラントＮＯｘ排出量の環境規制値を考慮した。
【０１１７】
まず、ランダムに起動スケジュールを変えた２００ケースの動特性シミュレーションを実行し、その結果を動径基底関数ネットワークの教師データとして与えて予測モデルを作成した。そして、得られた予測モデル上で希求水準を変えてパレート最適解の探索を行なった。図８、図９および図１０は各目的関数に対する２次元図であり、希求水準の設定と得られたパレート最適解の関係を示している。
【０１１８】
図８、図９および図１０において、理想点（＊印で示す）は、上述の教師データにおける各目的関数の最小値を用いている。第１希求水準（白正方形□で示す）に対し、得られた第１パレート最適解（黒正方形で示す）は全ての目的関数が改善されている。
【０１１９】
ここで、意思決定者はより起動時間を短縮し、より燃料消費量を少なくして起動したいとする。現在の解は、既にパレート最適解の一つであるため、全ての目的関数を改善することはできない。そこで、蒸気タービン熱応力を妥協して第２希求水準（白三角形△で示す）を設定する。得られた第２パレート最適解（黒三角形で示す）は、概ね意思決定者の意思通りの解が得られている。
【０１２０】
さらに、意思決定者は蒸気タービン熱応力にまだ余裕があるため、これを機器制限値まで妥協し、より燃料消費量を少なくして起動したいとする。そこで、第３希求水準（白丸○で示す）を設定する。得られた第３パレート最適解（黒丸で示す）は、蒸気タービン熱応力が機器制限値まで達し、起動時間を最短とし、燃料消費量を最小にする，このプラントの運用限界と考えられる。
【０１２１】
図１１に希求水準の設定と得られたパレート最適解を整理する。ここで、「Solution (BRFN)」は予測モデルにより得られた最適解、「Solution (Actual)」は動特性シミュレーションにより得られた結果である。予測モデルの精度が十分に高いことが分かる。
【０１２２】
図１２および図１３に動特性シミュレーション結果を示す。ここで、図１２は第１パレート最適解、図１３は第２パレート最適解に対する結果である。図１２および図１３の横軸は時間（分）である。また、図１２および図１３それぞれの上方の図の縦軸はガスタービン（ＧＴ）および蒸気タービン（ＳＴ）の速度（Speed）および負荷（Load）であり、それぞれの下方の図の縦軸は応力（Stress）および窒素酸化物濃度（ＮＯｘ）である。図示のように、応力および窒素酸化物濃度には上限値（Limitation）があり、各上限値を超えない運転をしなければならない。これらの図に示すように、両者は各目的関数間のトレードオフ関係が異なるだけで、運転制約を満たし、各希求水準に最も近い最適解が得られている。このように、意思決定者は多目的評価に基づいて、フレキシブルなプラント運用計画を策定できる。
【０１２３】
［他の実施の形態］
以上、種々の実施の形態について説明したがこれらは単なる例示であって、本発明はこれらに限定されるものではない。
【０１２４】
たとえば、上記実施の形態の説明では、多軸型コンバインドサイクル発電プラントを例示したが、本発明は、汽力発電プラント（ボイラと蒸気タービンのプラント）など、他の構成の発電プラントにも応用できる。
【図面の簡単な説明】
【０１２５】
【図１】本発明に係る発電プラントの運転最適化システムの第１の実施の形態を示す概念構成図。
【図２】本発明に係る発電プラントの運転最適化システムの第２の実施の形態を示す概念構成図。
【図３】本発明に係る発電プラントの運転最適化システムの第３の実施の形態を示す概念構成図。
【図４】本発明に係る発電プラントの運転最適化システムの第７の実施の形態を示す概念構成図。
【図５】本発明に係る発電プラントの運転最適化システムの第８の実施の形態を示す概念構成図。
【図６】従来のコンバインドサイクル発電プラントの概略構成図。
【図７】従来のコンバインドサイクル発電プラントの起動曲線図。
【図８】本発明に係る発電プラントの運転最適化方法の具体的適用例における目的関数である起動時間ｆ１と燃料消費量ｆ２の関係を示す２次元図。
【図９】本発明に係る発電プラントの運転最適化方法の具体的適用例における目的関数である起動時間ｆ１と蒸気タービン熱応力ｆ３の関係を示す２次元図。
【図１０】本発明に係る発電プラントの運転最適化方法の具体的適用例における目的関数である燃料消費量ｆ２と蒸気タービン熱応力ｆ３の関係を示す２次元図。
【図１１】本発明に係る発電プラントの運転最適化方法の具体的適用例における希求水準の設定と得られたパレート最適解を示す表。
【図１２】本発明に係る発電プラントの運転最適化方法の具体的適用例における動的シミュレーションによる第１パレート最適解を示すグラフ。
【図１３】本発明に係る発電プラントの運転最適化方法の具体的適用例における動的シミュレーションによる第１パレート最適解を示すグラフ。
【符号の説明】
【０１２６】
１ａ，１ｂ，１ｃ ・・・ ガスタービン
２ａ，２ｂ，２ｃ ・・・ 排熱回収ボイラ
３ ・・・ 蒸気タービン
４ａ，４ｂ，４ｃ ・・・ ガスタービン発電機
５ ・・・ 蒸気タービン発電機
６ ・・・ 復水器
７ ・・・ ポンプ
８ａ，８ｂ，８ｃ ・・・ 燃料弁
９ ・・・ 高圧加減弁
１０ ・・・ 中圧加減弁
１１ ・・・ 低圧加減弁
１２ａ，１２ｂ，１２ｃ ・・・ 高圧バイパス弁
１３ａ，１３ｂ，１３ｃ ・・・ 中圧バイパス弁
１４ａ，１４ｂ，１４ｃ ・・・ 低圧バイパス弁
１５ ・・・ 運転最適化システム
１６ ・・・ 制御装置
１７ ・・・ 発電プラント
１８ ・・・ ヒューマンインターフェース部
１９ ・・・ 最適化計算部
２０ ・・・ 意思決定者
２１ ・・・ 動特性シミュレーション部
２２ ・・・ 運転データベース部。
【技術分野】
【０００１】
本発明は、発電プラントの運転を、対話型多目的計画法を用いて最適化するための方法およびシステムに関する。
【背景技術】
【０００２】
図６は、従来の典型的なコンバインドサイクル発電プラントの概略構成図である。３台のガスタービン１ａ，１ｂ，１ｃの排ガスがそれぞれ、排熱回収ボイラ２ａ，２ｂ，２ｃに導かれ、排熱回収ボイラ２ａ，２ｂ，２ｃで生成された蒸気が共通の蒸気タービン３に導かれる多軸型コンバインドサイクル発電プラントを構成している。ガスタービン１ａ，１ｂ，１ｃによってそれぞれ、ガスタービン発電機４ａ，４ｂ，４ｃが駆動され、蒸気タービン３によって蒸気タービン発電機５が駆動される。蒸気タービン３で仕事をした後に蒸気は復水器６はポンプ７で昇圧されて排熱回収ボイラ２ａ，２ｂ，２ｃへ戻される。
【０００３】
ガスタービン１ａ，１ｂ，１ｃに供給される高温ガスの元になる燃料は燃料弁８ａ，８ｂ，８ｃを通して供給される。蒸気タービン３に供給される蒸気は、高圧加減弁９、中圧加減弁１０、低圧加減弁１１を通じて供給される。さらに、高圧バイパス弁１２ａ，１２ｂ，１２ｃ、中圧バイパス弁１３ａ，１３ｂ，１３ｃ、低圧バイパス弁１４ａ，１４ｂ，１４ｃが配置されている。
【０００４】
ガスタービン１ａ，１ｂ，１ｃは、それぞれ燃料と空気を混合し、燃焼させて得られる高温の燃焼ガスによって動力を発生し、ガスタービン発電機４ａ，４ｂ，４ｃを回転させて発電を行なう。排熱回収ボイラ２ａ，２ｂ，２ｃは、それぞれガスタービン１ａ，１ｂ，１ｃで仕事を行なった排ガスから熱回収して蒸気を発生させる。蒸気タービン３は、排熱回収ボイラ２ａ，２ｂ，２ｃから供給された蒸気を使って動力を発生し、蒸気タービン発電機５を回転させて発電を行なう。蒸気タービン３で仕事をした蒸気は、復水器６で冷却されて水になり、ポンプ７で昇圧されて排熱回収ボイラ２ａ，２ｂ，２ｃに導かれて排ガスによって加熱され、再び蒸気タービン３に供給される。
【０００５】
つぎに、従来の発電プラントの起動時の運転操作の方法の例について、図６の概略構成図および図７の起動曲線図を参照して説明する。
【０００６】
（Ｉ）最初に、１台目ガスタービン１ａを起動し、ガスパス中の残留排ガスを排出するためにパージ運転を行なう。その後、１台目ガスタービン１ａの燃料弁８ａを開けて燃料を供給し、着火する。着火確認後、定格速度に向けて昇速する。
【０００７】
（II）１台目ガスタービン１ａが定格速度に到達した後、１台目ガスタービン１ａのガスタービン発電機４ａを電力系統に同期併入して発電を開始する。
【０００８】
（III）１台目ガスタービン１ａを負荷上昇し、所定の最低負荷（図７では１２．５％）で保持する。この負荷保持の間に１台目排熱回収ボイラ２ａを暖気運転する。１台目排熱回収ボイラ２ａから発生する蒸気は、蒸気の圧力レベルに応じて、高圧バイパス弁１２ａと中圧バイパス弁１３ａと低圧バイパス弁１４ａを通じて復水器６へ逃がしながら、所定の蒸気タービン通気条件が成立するまで１台目排熱回収ボイラ２ａの昇温・昇圧を行なう。この間、１台目排熱回収ボイラ２ａの高圧バイパス弁１２ａと中圧バイパス弁１３ａと低圧バイパス弁１４ａは、蒸気の圧力レベルに応じた最低運転圧力（フロア圧力）に入口圧力制御を行なっている。
【０００９】
（IV）１台目排熱回収ボイラ２ａの図示しない蒸気止弁は全開し、蒸気配管の暖気とグランド蒸気系の確立を行なう。所定の蒸気タービン通気条件が成立後、高圧加減弁９と中圧加減弁１０を開けて蒸気タービン３を起動し、蒸気タービン３を速度・負荷制御する。ラブチェック運転の後、蒸気タービン３を昇速率ｘ１で所定の速度（図７では８００ｒｐｍ）に向けて昇速する。そして、この速度で低速ヒートソーク時間ｘ２の速度保持をする。低速ヒートソーク運転の完了後、蒸気タービン３を再び昇速率ｘ１で定格速度（図７では３６００ｒｐｍ）に向けて昇速する。そして、この速度で高速ヒートソーク時間ｘ３の速度保持をする。高速ヒートソーク運転の完了前に蒸気タービン３の初負荷保持（初負荷ヒートソーク運転）に必要な蒸気条件を確保できるように、１台目ガスタービン１ａを所定の負荷（図７では４０％）に負荷上昇させる。
【００１０】
（V）高速ヒートソーク運転の完了後、蒸気タービン３の蒸気タービン発電機５を電力系統に同期併入して発電を開始する。
【００１１】
（VI）蒸気タービン３を所定の最低負荷（図７では３％）に向けて負荷上昇する。そして、この負荷で初負荷ヒートソーク時間ｘ４の負荷保持をする。初負荷ヒートソーク運転の完了後、蒸気タービン３の高圧加減弁９と中圧加減弁１０を入口圧力制御に移行し、１台目排熱回収ボイラ２ａの高圧バイパス弁１２ａと中圧バイパス弁１３ａを全閉する。
【００１２】
（VII）２台目ガスタービン１ｂは、所定のタイミングで接続負荷（図７では４０％）に到達するように起動しておく。２台目ガスタービン１ｂを起動し、ガスパス中の残留排ガスを排出するためにパージ運転を行なう。その後、２台目ガスタービン１ｂの燃料弁８ｂを開けて燃料を供給し、着火する。着火確認後、定格速度に向けて昇速する。２台目ガスタービン１ｂが定格速度に到達した後、２台目ガスタービン１ｂのガスタービン発電機４ｂを電力系統に同期併入して発電を開始する。２台目ガスタービン１ｂを負荷上昇し、所定の接続負荷（図７では４０％）で保持する。この負荷保持の間に２台目排熱回収ボイラ２ｂを暖気運転する。２台目排熱回収ボイラ２ｂの発生蒸気が所定の接続条件を満たすと、２台目排熱回収ボイラ２ｂの図示しない蒸気止弁を全開し、高圧バイパス弁１２ｂと中圧バイパス弁１３ｂを全閉し、２台目排熱回収ボイラ２ｂの発生蒸気を蒸気タービン３へ供給する。
【００１３】
（VIII）同様に、３台目ガスタービン１ｃは、所定のタイミングで接続負荷（図７では４０％）に到達するように起動しておく。３台目ガスタービン１ｃを起動し、ガスパス中の残留排ガスを排出するためにパージ運転を行なう。その後、３台目ガスタービン１ｃの燃料弁８ｃを開けて燃料を供給し、着火する。着火確認後、定格速度に向けて昇速する。３台目ガスタービン１ｃが定格速度に到達した後、３台目ガスタービン１ｃのガスタービン発電機４ｃを電力系統に同期併入して発電を開始する。３台目ガスタービン１ｃを負荷上昇し、所定の接続負荷（図７では４０％）で保持する。この負荷保持の間に３台目排熱回収ボイラ２ｃを暖気運転する。３台目排熱回収ボイラ２ｃの発生蒸気が所定の接続条件を満たすと、３台目排熱回収ボイラ２ｃの図示しない蒸気止弁を全開し、高圧バイパス弁１２ｃと中圧バイパス弁１３ｃを全閉し、３台目排熱回収ボイラ２ｃの発生蒸気を蒸気タービン３へ供給する。
【００１４】
（IX）２台目排熱回収ボイラ２ｂと３台目排熱回収ボイラ２ｃの発生蒸気の接続完了後、全てのガスタービン１ａ，１ｂ，１ｃを同時に定格負荷に向けて負荷上昇する。この間、蒸気タービン３は各排熱回収ボイラ２ａ，２ｂ，２ｃでの蒸気発生の遅れを伴って負荷上昇する。各排熱回収ボイラ２ａ，２ｂ，２ｃの低圧蒸気は、所定の通気条件が成立すると、各低圧バイパス弁１４ａ，１４ｂ，１４ｃを全閉し、蒸気タービン３の低圧加減弁１１が入口圧力制御により開いて供給される。
【００１５】
これらの運転操作において、蒸気タービンの起動スケジュールは全体のプラント起動特性に強く影響している。これは、蒸気タービンのロータに発生する熱応力が起動時間を短縮することや燃料消費量を削減することを妨げる主要因となるからである。たとえば、図７に示す以下の４つの操作量は、蒸気タービンのロータを緩やかに暖気することによって熱応力の発生を抑える効果がある。
【００１６】
（ａ）蒸気タービンの昇速率（ｘ１）
（ｂ）蒸気タービンの低速ヒートソーク時間（ｘ２）
（ｃ）蒸気タービンの高速ヒートソーク時間（ｘ３）
（ｄ）蒸気タービンの初負荷ヒートソーク時間（ｘ４）
また、前記操作量の良し悪しを評価する指標として、たとえば、以下の３つの目的関数が考えられる。
【００１７】
（ａ）起動時間（ｆ１）
（ｂ）燃料消費量（ｆ２）
（ｃ）蒸気タービンのロータに発生する熱応力（ｆ３）
起動時間ｆ１は、より小さい値になるほど、電力需要への追従性を向上することができる。また、燃料消費量ｆ２は、より小さい値になるほど、燃料コストを抑えることができる。さらに、蒸気タービンのロータに発生する熱応力ｆ３は、より小さい値になるほど、蒸気タービンの機器寿命を延ばすことができる。つまり、これらの目的関数は全てより小さい値になるほど、より良い運転操作と言える。
【００１８】
しかし、これらの目的関数は前記操作量ｘ１，ｘ２，ｘ３，ｘ４に依存したトレードオフ関係を持っている。もし、昇速率ｘ１が増加し、各ヒートソーク時間ｘ２，ｘ３，ｘ４が減少すれば、起動時間ｆ１と燃料消費量ｆ２は減少するが、蒸気タービンのロータに発生する熱応力ｆ３は増加する。もし逆に、昇速率ｘ１が減少し、各ヒートソーク時間ｘ２，ｘ３，ｘ４が増加すれば、起動時間ｆ１と燃料消費量ｆ２は増加するが、蒸気タービンのロータに発生する熱応力ｆ３は減少する。この傾向は、初負荷ヒートソーク時間ｘ４が変化すると、より顕著になる。これは、初負荷ヒートソーク運転でのガスタービン負荷が他のヒートソーク運転のときよりも高いためである。
【００１９】
さらに、発電プラントを構成する機器の運転制限値および当該発電プラントの環境規制値の制約条件がある。制約条件の多くは、発電プラント運転中において、制限値の範囲内になるように安全に調整制御されている。しかし、たとえば、以下の２つの制約条件は前記操作量に依存して変化する。
【００２０】
（ａ）蒸気タービンのロータに発生する熱応力（ｇ１）
（ｂ）排煙ガス中の窒素酸化物（ＮＯｘ）の排出量（ｇ２）
前記目的関数にある蒸気タービンのロータに発生する熱応力ｇ１は、金属のクリープ強度・疲労強度の運転制限値を守るための上限値がある。排煙ガス中の窒素酸化物（ＮＯｘ）の排出量ｇ２は、急速な起動を行なうと急増する特性があり、環境規制値を守るための上限値がある。
【００２１】
このように発電プラントの運転は、複数の目的関数を勘案して、制約条件を満たす操作量を決定する多目的最適化問題と考えられる。操作量である操作変数値に対する目的関数と制約条件の値は、発電プラントの動特性シミュレーションによって予測することができる。そこで、技術者の経験や試行錯誤によって操作変数値を変えた動特性シミュレーションを繰り返し計算することで、妥当な操作変数値を求めている。これらの操作変数値は、予め発電プラントの計画時に決定しておくことが多く、試運転時に実プラントの運転状況を反映して、運転員の経験や試行錯誤によって調整されることはあるが、それ以降の発電プラントの運転状態に応じて更新されることは少ない。
【００２２】
このため、変化する売電価格、燃料コスト、メンテナンスコスト、環境対策コストなどの影響を受ける電力市場の変化に合わせて、柔軟に発電プラント運転時の操作量を決定することは困難である。したがって、常に余裕を持った保守的な運転状態になり、電力市場の変化によっては、必ずしも技術者や運転員が望んでいる運転状態にはならないといった欠点がある。
【００２３】
なお、技術者や運転員の経験や試行錯誤によらずに最適な操作変数値を決定する方法も模索されている。たとえば、特許文献１には、火力発電プラントにおいて、動特性シミュレーションと数理計画法を組み合わせて、起動過程での制約条件を守り、定刻最短起動を行なうようにした技術が開示されている。特許文献２には、火力発電プラントにおいて、同様の方法により低損失定刻起動を行なうようにした技術が開示されている。また、特許文献３や特許文献４には、ファジー推論のような知識ベースを用いて発電プラント起動時の操作量を決定する技術が開示されている。さらに、特許文献５、特許文献６や特許文献７には、動特性シミュレーションと最適化手法を組み合わせて発電プラント起動時の操作量を決定する技術が開示されている。
【００２４】
しかし、これらの技術は起動時間だけを最短にするなど、単一の目的関数を取り扱う単目的最適化問題を対象としている。もし、上述のような複数の目的関数を取り扱う場合は、つぎの式（１）のように重みｗ１，ｗ２，・・・，ｗｎによる線形加重和を用いて単一の目的関数とする必要がある。
【００２５】
Ｆ（ｘ）＝ｗ１ｆ１（ｘ）＋ｗ２ｆ２（ｘ）＋・・・＋ｗｎｆｎ（ｘ） ・・・（１）
一般に、複数の目的関数を取り扱う多目的最適化問題では、各目的関数のトレードオフ関係により無数あるいは複数の最適解が存在する。これらの最適解はパレート最適解と呼ばれている。そこで技術者や運転員は、この無数あるいは複数のパレート最適解の中から各目的関数の希求値に近くなるパレート最適解を取り出す意思決定が必要になる。しかし、式（１）のような線形加重和による方法では、技術者や運転員が望んでいるパレート最適解を得るのに重みｗ１，ｗ２，・・・，ｗｎを試行錯誤的に調整する必要があり、繰り返し計算のために計算時間がかかるといった欠点がある。
【特許文献１】特許第２５６４２７１号公報
【特許文献２】特公平７−２７４０４号公報
【特許文献３】特開平２−１８１００１号公報
【特許文献４】特公平７−９１９６４号公報
【特許文献５】特開平９−１５２９０３号公報
【特許文献６】特開２００４−０７６６５８号公報
【特許文献７】特開２００４−１１６４１６号公報
【発明の開示】
【発明が解決しようとする課題】
【００２６】
発電プラントの運転は、起動時間、燃料消費量、機器の寿命消費量、環境規制物質の排出量など、複数の評価指標である目的関数を勘案して、発電プラントを構成する機器の運転制限値および当該発電プラントの環境規制値などの制約条件を満たす操作量を求める多目的最適化問題と考えられる。これらの目的関数は、変化する売電価格、燃料コスト、メンテナンスコスト、環境対策コストなどの影響を受ける電力市場の変化に依存している。したがって、発電プラント運転時の操作量は、電力市場の変化に応じて柔軟に決定できることが望まれている。
【００２７】
しかし、上述したように、従来技術では動特性シミュレーションの計算結果や実機プラントの運転データを用いて、技術者や運転員の経験や試行錯誤によって操作量が決定されるので、最適な操作量を見つけるためには、多大な労力を必要とする。また、この操作量は、予め発電プラントの計画時に決定しておくことが多く、試運転時に実プラントの運転状況を反映して、運転員の経験や試行錯誤によって調整されることはあるが、それ以降の発電プラントの運転状態に応じて更新されることは少ない。このため、常に余裕を持った保守的な運転状態になり、電力市場の変化によっては、必ずしも技術者や運転員が望んでいる運転状態にはならないといった欠点がある。つまり、電力市場の変化に応じて、柔軟に発電プラント運転時の操作量を決定することは困難である。
【００２８】
なお、上述したように、技術者や運転員の経験や試行錯誤によらずに発電プラントの操作量を決定する従来技術が幾つかある。しかし、これらの技術は、そもそも起動時間だけを最短にするなど、単一の目的関数を取り扱う単目的最適化問題を対象とした技術であるがゆえに、もし、上記のような複数の目的関数を取り扱う場合は、式（１）のように重みｗ１，ｗ２，・・・，ｗｎによる線形加重和を用いて単一の目的関数とする必要がある。
【００２９】
一般に、複数の目的関数を取り扱う多目的最適化問題では、各目的関数のトレードオフ関係により無数あるいは複数の最適解が存在する。これらの最適解はパレート最適解と呼ばれている。そこで技術者や運転員は、この無数あるいは複数のパレート最適解の中から各目的関数の希求値に近くなるパレート最適解を取り出す意思決定が必要になる。しかし、式（１）のような線形加重和による方法では、技術者や運転員が望んでいるパレート最適解を得るのに重みｗ１，ｗ２，・・・，ｗｎを試行錯誤的に調整する必要があり、繰り返し計算のために計算時間がかかるといった欠点がある。つまり、電力市場の変化に応じて、柔軟に発電プラント運転時の操作量を決定することは困難である。
【００３０】
この他にも遺伝的アルゴリズム（ＧＡ： Genetic Algorithm）などを用いて多目的最適化問題を直接的に解く方法が様々な分野で実用化されている。しかし、発電プラントの動特性シミュレーションは大規模かつ非線形モデルが用いられるためパレート最適解を得るには計算の繰り返しにより膨大な計算時間がかかるといった欠点がある。また、実機プラントの運転データを用いる場合は、制約条件を必ず満たした安全な運転データしか収集できないこと、様々な操作量に対する運転データを収集するには膨大な時間とコストがかかるといった欠点がある。つまり、よく知られた最適化手法などを用いては、電力市場の変化に応じて、柔軟に発電プラント運転時の操作量を決定することは困難である。
【００３１】
本発明は上述の点に鑑み、発電プラントの各機器の運転制限値およびプラントの環境規制値の双方または何れか一方の制約条件を満たし、複数の評価指標である目的関数を勘案して、発電プラント運転時の操作量を求める多目的最適化問題において、技術者や運転員である意思決定者の経験や試行錯誤による繰り返し計算を少なくし、かつ短い計算時間で意思決定者が満足する最適な操作量を求めることを目的とする。
【課題を解決するための手段】
【００３２】
上記目的を達成するために、本発明に係る発電プラントの運転最適化方法の一態様では、対話型多目的計画法を用いて複数の機器を有する発電プラントの運転時の操作量である操作変数の最適値を表示する運転最適化方法において、前記発電プラントを構成する複数の機器の運転制限値および当該発電プラントの環境規制値の少なくとも一方の制約条件を設定する制約条件設定ステップと、前記操作変数の関数である複数の目的関数の希求水準を設定する希求水準設定ステップと、前記制約条件設定ステップで設定された制約条件の下で、前記希求水準設定ステップで設定された希求水準にできる限り近いパレート最適解を計算する解析ステップと、前記解析ステップで計算されたパレート最適解を表示するパレート最適解表示ステップと、前記パレート最適解表示ステップで表示されるパレート最適解が所定の基準を満たすかどうかを判定する判定ステップと、前記判定ステップでパレート最適解が所定の基準を満たしていない場合に前記希求水準設定ステップで設定された複数の希求水準の少なくとも一部を変更する希求水準変更設定ステップと、その希求水準変更設定ステップの後に、前記解析ステップ、パレート最適解表示ステップおよび判定ステップを繰り返す繰り返しステップと、前記判定ステップでパレート最適解が所定の基準を満たしている場合におけるパレート最適解に対応する前記操作変数の値を求めるステップと、を有すること、を特徴とする。
【００３３】
また、本発明に係る発電プラントの運転最適化方法の他の一つの態様では、対話型多目的計画法を用いて複数の機器を有する発電プラントの運転時の操作量である操作変数の最適値を表示する運転最適化方法において、操作変数値に対する目的関数および制約条件の値を、動特性シミュレーションを用いて計算し、この計算結果を操作変数値に対する目的関数および制約条件の値を組とする動特性シミュレーションデータベースに収録し、操作変数値を入力値とし、目的関数および制約条件の値を出力値とする教師データとして出力する動特性シミュレーションステップと、前記操作変数の関数である複数の目的関数の希求水準を設定する希求水準設定ステップと、前記動特性シミュレーションで得られた教師データを用いてニューラルネットワークを学習し、操作変数値に対する目的関数および制約条件の値を予測し、前記希求水準設定ステップで設定された希求水準の値を用いて、複数の目的関数をもつ多目的最適化問題をスカラー最適化問題へ変換し、このスカラー最適化問題を前記ニューラルネットワークによる予測値を用いて解くことにより、希求水準にできる限り近いパレート最適解を計算する解析ステップと、前記解析ステップで計算されたパレート最適解を表示するパレート最適解表示ステップと、前記パレート最適解表示ステップで表示されるパレート最適解が所定の基準を満たすかどうかを判定する判定ステップと、前記判定ステップでパレート最適解が所定の基準を満たしていない場合に前記希求水準設定ステップで設定された複数の希求水準の少なくとも一部を変更する希求水準変更設定ステップと、その希求水準変更設定ステップの後に、前記解析ステップ、パレート最適解表示ステップおよび判定ステップを繰り返す繰り返しステップと、前記判定ステップでパレート最適解が所定の基準を満たしている場合におけるパレート最適解に対応する前記操作変数の値を求めるステップと、を有すること、を特徴とする。
【００３４】
また、本発明に係る発電プラントの運転最適化方法の他の一つの態様では、対話型多目的計画法を用いて複数の機器を有する発電プラントの運転時の操作量である操作変数の最適値を表示する運転最適化方法において、操作変数値に対する目的関数および制約条件の値を実機プラントの運転履歴データから抽出し、この抽出データを操作変数値に対する目的関数および制約条件の値を組とする運転履歴データベースに収録し、操作変数値を入力値とし、目的関数および制約条件の値を出力値とする教師データとして出力する運転履歴データベース生成ステップと、前記操作変数の関数である複数の目的関数の希求水準を設定する希求水準設定ステップと、前記運転履歴データベース生成ステップで得られた教師データを用いてニューラルネットワークを学習し、操作変数値に対する目的関数および制約条件の値を予測し、前記希求水準設定ステップで設定された希求水準の値を用いて、複数の目的関数をもつ多目的最適化問題をスカラー最適化問題へ変換し、このスカラー最適化問題を前記ニューラルネットワークによる予測値を用いて解くことにより、希求水準にできる限り近いパレート最適解を計算する解析ステップと、前記解析ステップで計算されたパレート最適解を表示するパレート最適解表示ステップと、前記パレート最適解表示ステップで表示されるパレート最適解が所定の基準を満たすかどうかを判定する判定ステップと、前記判定ステップでパレート最適解が所定の基準を満たしていない場合に前記希求水準設定ステップで設定された複数の希求水準の少なくとも一部を変更する希求水準変更設定ステップと、その希求水準変更設定ステップの後に、前記解析ステップ、パレート最適解表示ステップおよび判定ステップを繰り返す繰り返しステップと、前記判定ステップでパレート最適解が所定の基準を満たしている場合におけるパレート最適解に対応する前記操作変数の値を求めるステップと、を有すること、を特徴とする。
【００３５】
また、本発明に係る発電プラントの運転最適化システムの一つの態様では、対話型多目的計画法を用いて複数の機器を有する発電プラントの運転時の操作量である操作変数の最適値を表示する運転最適化システムにおいて、前記発電プラントを構成する複数の機器の運転制限値および当該発電プラントの環境規制値の少なくとも一方の制約条件を設定する制約条件設定手段と、前記操作変数の関数である複数の目的関数の希求水準を設定する希求水準設定手段と、前記制約条件設定手段によって設定された制約条件の下で、前記希求水準設定手段によって設定された希求水準にできる限り近いパレート最適解を計算する解析手段と、前記解析手段によって計算されたパレート最適解を表示するパレート最適解表示手段と、前記希求水準設定手段で設定された複数の希求水準の少なくとも一部を変更する希求水準変更設定手段と、その希求水準変更設定手段による変更の後に、前記解析手段によるパレート最適解の計算およびパレート最適解表示手段によるパレート最適解の表示を繰り返す繰り返し手段と、前記パレート最適解に対応する前記操作変数の値を求める手段と、を有すること、を特徴とする。
【００３６】
また、本発明に係る発電プラントの運転最適化システムの他の一つの態様では、対話型多目的計画法を用いて複数の機器を有する発電プラントの運転時の操作量である操作変数の最適値を表示する運転最適化システムにおいて、操作変数値に対する目的関数および制約条件の値を、動特性シミュレーションを用いて計算し、この計算結果を操作変数値に対する目的関数および制約条件の値を組とする動特性シミュレーションデータベースに収録し、操作変数値を入力値とし、目的関数および制約条件の値を出力値とする教師データとして出力する動特性シミュレーション手段と、前記操作変数の関数である複数の目的関数の希求水準を設定する希求水準設定手段と、前記動特性シミュレーションで得られた教師データを用いてニューラルネットワークを学習し、操作変数値に対する目的関数および制約条件の値を予測し、前記希求水準設定手段で設定された希求水準の値を用いて、複数の目的関数をもつ多目的最適化問題をスカラー最適化問題へ変換し、このスカラー最適化問題を前記ニューラルネットワークによる予測値を用いて解くことにより、希求水準にできる限り近いパレート最適解を計算する解析手段と、前記解析手段で計算されたパレート最適解を表示するパレート最適解表示手段と、前記希求水準設定手段で設定された複数の希求水準の少なくとも一部を変更する希求水準変更設定手段と、その希求水準変更設定手段による変更の後に、前記解析手段によるパレート最適解の計算およびパレート最適解表示手段によるパレート最適解の表示を繰り返す繰り返し手段と、前記パレート最適解に対応する前記操作変数の値を求める手段と、を有すること、を特徴とする。
【００３７】
また、本発明に係る発電プラントの運転最適化システムの他の一つの態様では、対話型多目的計画法を用いて複数の機器を有する発電プラントの運転時の操作量である操作変数の最適値を表示する運転最適化システムにおいて、実機プラントの運転履歴データから抽出し、この抽出データを操作変数値に対する目的関数および制約条件の値を組とする運転履歴データベースに収録し、操作変数値を入力値とし、目的関数および制約条件の値を出力値とする教師データとして出力する運転履歴データベース生成手段と、前記操作変数の関数である複数の目的関数の希求水準を設定する希求水準設定手段と、前記運転履歴データベース生成手段によって得られた教師データを用いてニューラルネットワークを学習し、操作変数値に対する目的関数および制約条件の値を予測し、前記希求水準設定手段で設定された希求水準の値を用いて、複数の目的関数をもつ多目的最適化問題をスカラー最適化問題へ変換し、このスカラー最適化問題を前記ニューラルネットワークによる予測値を用いて解くことにより、希求水準にできる限り近いパレート最適解を計算する解析手段と、前記解析手段で計算されたパレート最適解を表示するパレート最適解表示手段と、前記希求水準設定手段で設定された複数の希求水準の少なくとも一部を変更する希求水準変更設定手段と、その希求水準変更設定手段による変更の後に、前記解析手段によるパレート最適解の計算およびパレート最適解表示手段によるパレート最適解の表示を繰り返す繰り返し手段と、前記パレート最適解に対応する前記操作変数の値を求める手段と、を有すること、を特徴とする。
【発明の効果】
【００３８】
本発明によれば、発電プラントの各機器の運転制限値およびプラントの環境規制値の双方または何れか一方の制約条件を満たし、複数の評価指標である目的関数を勘案して、発電プラント運転時の操作量を求める多目的最適化問題において、技術者や運転員である意思決定者の経験や試行錯誤による繰り返し計算を少なくし、かつ短い計算時間で意思決定者が満足する最適な操作量を求めることができる。それにより、日々変化する電力市場の変化に応じて、柔軟に発電プラント運転時の操作量を決定すること可能になる。
【発明を実施するための最良の形態】
【００３９】
以下、本発明の実施の形態を説明する。なお、各図で共通する要素には同一符号を付けて重複した説明は避けるものとする。
【００４０】
［第１の実施の形態］
以下、第１の実施の形態について、図１を参照して説明する。図１は本実施の形態に係る発電プラントの運転最適化システムの概念構成図である。
【００４１】
まず、図１において、１５は本実施の形態において新たに設けられた運転最適化システム、１６は制御装置、１７は発電プラントである。運転最適化システム１５は、後述する運転最適化方法を用いて、発電プラントの操作量である操作変数値を求めるように機能する。そして、求められた操作変数値は制御装置１６へ出力される。制御装置１６では、前記操作変数値が設定される。そして、設定された操作変数値に従って発電プラント１７を操作するための操作信号を発電プラント１７へ出力し、検出信号が発電プラント１７から入力される。
【００４２】
つぎに、運転最適化システムによる操作変数値の求め方について説明する。
【００４３】
まず、多目的最適化問題の定式化から説明する。発電プラントの運転は、機器の運転制限値およびプラントの環境規制値の双方または何れか一方の制約条件を満たし、複数の評価指標である目的関数を勘案して、発電プラント運転時の操作量を求める多目的最適化問題の一般式（２）に定式化することができる。
【数１】
【００４４】
ここで、ｘ＝［ｘ１，ｘ２，・・・，ｘｎ］Ｔは操作変数、ｆは目的関数、ｇは制約条件である。なお、ある目的関数を最小にすることは、この目的関数の逆数を最大にすることと同じ意味である。すなわち、最適化問題では、目的関数を最小にすることと、最大にすることは同じ意味であると言える。
【００４５】
つぎに図１の概略構成図を参照して運転最適化方法について説明する。図１において、本システムにはヒューマンインターフェース部１８と最適化計算部１９が設けられている。運転最適化においては、まず、発電プラントを構成する機器の運転制限値およびプラントの環境規制値の双方または何れか一方の制約条件を設定する。
【００４６】
そのつぎの処理は以下の手順によって行なわれる。
【００４７】
［ステップＳ１１］ 技術者や運転員である意思決定者２０は、ヒューマンインターフェース部１８を通じて、式（２）の各目的関数に対する希求値である希求水準を設定する。設定された希求水準はヒューマンインターフェース部１８から最適化計算部１９へ出力される。
【００４８】
［ステップＳ１２］ 最適化計算部１９のコンピュータを用いて、制約条件を満たして、この設定された希求水準にできる限り近いパレート最適解を探索する。得られたパレート最適解は、最適化計算部１９からヒューマンインターフェース部１８へ出力し、意思決定者２０へ提示される。
【００４９】
［ステップＳ１３］ 意思決定者２０は、ヒューマンインターフェース部１８を通じて、この提示されたパレート最適解に満足するか否かの判断をする。もし、意思決定者２０が満足しなければ、意思決定者２０は希求水準を修正し、満足するまでステップＳ１１からステップＳ１３の操作が繰り返される。もし、意思決定者２０が満足すれば、その時点のパレート最適解の操作変数値を最適操作量として決定する。そして、決定された操作変数値は制御装置１６へ出力される。
【００５０】
［ステップＳ１４］ 決定されたパレート最適解は、制御装置１６に設定される。
【００５１】
つぎに、目的関数と制約条件について説明する。まず、目的関数ｆとして評価対象となる要素は、つぎのようなものに大別できる。
【００５２】
（ａ）プラントがある状態になったときの値（たとえば、起動時間、機器の熱応力）
（ｂ）プラントがある状態からある状態まで変わっていく間の値（たとえば、燃料消費量）
一方、制約条件ｇはつぎのようなものに大別できる。
【００５３】
（ａ）操作変数ｘである操作量の上限値と下限値を設定する。これは、操作する機器の運転制限値に相当する。
（ｂ）機器の熱応力などの運転制限値と、排煙ガス中の窒素酸化物（ＮＯｘ）の排出量などの環境規制値を設定する。
【００５４】
本実施の形態は、上述した制約条件、操作変数、目的関数として、以下に示すものを適用することができる。
【００５５】
＜制約条件の例＞
本実施の形態においては、制約条件として、以下の（ａ）から（ｄ）の中の少なくとも一つを含むようにする。
【００５６】
（ａ）蒸気タービンのロータに発生する熱応力
（ｂ）ボイラあるいは排熱回収ボイラの高温部に発生する熱応力
（ｃ）蒸気タービンあるいはガスタービンの回転部と静止部との熱伸び差
（ｄ）排煙ガス中の窒素酸化物（ＮＯｘ）、硫黄酸化物（ＳＯｘ）、二酸化炭素（ＣＯ２）などの排出量
＜操作変数の例＞
また、本実施の形態において、操作変数として、以下の（ａ）から（ｉ）の中の少なくとも一つを含むようにする。
【００５７】
（ａ）蒸気タービンの速度変化率あるいは負荷変化率
（ｂ）蒸気タービンを保持する速度あるいは負荷
（ｃ）蒸気タービンを保持する時間
（ｄ）ガスタービンの速度変化率あるいは負荷変化率
（ｅ）ガスタービンを保持する速度あるいは負荷
（ｆ）ガスタービンを保持する時間
（ｇ）ボイラあるいは排熱回収ボイラの負荷変化率
（ｈ）ボイラあるいは排熱回収ボイラを保持する負荷
（ｉ）ボイラあるいは排熱回収ボイラを保持する時間
＜目的関数の例＞
本実施の形態においては、目的関数として、以下の（ａ）から（ｆ）の中の少なくとも一つを含むようにする。
【００５８】
（ａ）指定された発電出力に到達するまでの時間
（ｂ）発電プラントの燃料消費量
（ｃ）発電プラントの熱効率
（ｄ）蒸気タービンのロータに発生する熱応力
（ｅ）ボイラあるいは排熱回収ボイラの高温部に発生する熱応力
（ｆ）排煙ガス中の窒素酸化物（ＮＯｘ）、硫黄酸化物（ＳＯｘ）、二酸化炭素（ＣＯ２）などの排出量
以上述べたように、本実施の形態によれば、機器の運転制限値およびプラントの環境規制値の双方または何れか一方の制約条件を満たし、複数の評価指標である目的関数を勘案して、発電プラント運転時の操作量を求める多目的最適化問題において、意思決定者の希求水準に基づいて、意思決定者とコンピュータとが対話しながら、意思決定者が満足するパレート最適解の操作変数値を決定できる。したがって、意思決定者の経験や試行錯誤による繰り返し計算が少なくなり、かつ短い計算時間で意思決定者が満足する最適な操作量を求められるので、電力市場の変化に応じて、柔軟に発電プラント運転時の操作量を決定することが可能になる。
【００５９】
［第２の実施の形態］
以下、第２の実施の形態について、図２を参照して説明する。図２は本実施の形態による発電プラントの運転最適化システムの概念構成図である。
【００６０】
本実施の形態と第１の実施の形態との相違は、動特性シミュレーションの計算結果を用いてニューラルネットワークを学習し、このニューラルネットワークによる予測値に基づいて最適化計算を行なうようにした点にある。このため、図２に示すように、運転最適化システム１５内に動特性シミュレーション部２１を内蔵させている。ただし、その他の構成は図１と同じであるので説明は省略し、図２の概略構成図を参照して運転最適化方法について説明する。図２において、本システムは動特性シミュレーション部２１とヒューマンインターフェース部１８と最適化計算部１９が設けられている。運転最適化は、以下の手順によって行なわれる。
【００６１】
［ステップＳ２１］ 動特性シミュレーション部２１のプラントシミュレータを用いて、操作変数値に対する目的関数および制約条件の値を計算し、この計算結果を操作変数値に対する目的関数および制約条件の値を組とするデータベースに収録し、操作変数値を入力値とし、目的関数および制約条件の値を出力値とする教師データとして最適化計算部１９へ出力される。
【００６２】
［ステップＳ２２］ 技術者や運転員である意思決定者２０は、ヒューマンインターフェース部１８を通じて、式（２）の各目的関数に対する希求値である希求水準を設定する。設定された希求水準はヒューマンインターフェース部１８から最適化計算部１９へ出力される。
【００６３】
［ステップＳ２３］ 最適化計算部１９のコンピュータを用いて、動特性シミュレーション部２１から入力される教師データと、ヒューマンインターフェース部１８から入力される希求水準を用いてニューラルネットワークを学習し、操作変数値に対する目的関数および制約条件の値を予測する予測モデルを構築する。
【００６４】
［ステップＳ２４］ 最適化計算部１９のコンピュータを用いて、制約条件を満たして、この設定された希求水準にできる限り近いパレート最適解をステップＳ２３で構築したニューラルネットワークによる予測モデルによる予測値を用いて探索する。得られたパレート最適解は、最適化計算部１９からヒューマンインターフェース部１８へ出力し、意思決定者２０へ提示される。
【００６５】
［ステップＳ２５］ 意思決定者２０は、ヒューマンインターフェース部１８を通じて、この提示されたパレート最適解に満足するか否かの判断をする。もし、意思決定者２０が満足しなければ、意思決定者２０は希求水準を修正し、満足するまでステップＳ２１からステップＳ２５の操作が繰り返される。もし、意思決定者２０が満足すれば、その時点のパレート最適解の操作変数値を最適操作量として決定する。そして、決定された操作変数値は制御装置１６へ出力される。
【００６６】
［ステップＳ２６］ 決定されたパレート最適解は、制御装置１６に設定される。
【００６７】
以上述べたように、本実施の形態によれば、機器の運転制限値およびプラントの環境規制値の双方または何れか一方の制約条件を満たし、複数の評価指標である目的関数を勘案して、発電プラント運転時の操作量を求める多目的最適化問題において、意思決定者の希求水準に基づいて、意思決定者とコンピュータとが対話しながら、意思決定者が満足するパレート最適解の操作変数値を決定できる。さらに、計算時間のかかる動特性シミュレーションから計算時間のかからないニューラルネットワークによる予測に置き換えて最適化問題を解いている。したがって、意思決定者の経験や試行錯誤による繰り返し計算が少なくなり、かつ短い計算時間で意思決定者が満足する最適な操作量を求められるので、電力市場の変化に応じて、柔軟に発電プラント運転時の操作量を決定することが可能になる。
【００６８】
［第３の実施の形態］
以下、第３の実施の形態について、図３を参照して説明する。図３は本実施の形態による発電プラントの運転最適化システムの概念構成図である。
【００６９】
本実施の形態と第１の実施の形態との相違は、実機プラントの運転データを用いてニューラルネットワークを学習し、このニューラルネットワークによる予測値に基づいて最適化計算を行なうようにした点にある。このため、図３に示すように、運転最適化システム１５内に運転データベース部２２を内蔵させている。ただし、その他の構成は図１と同じであるので説明は省略し、図３の概略構成図を参照して運転最適化方法について説明する。図３において、本システムは運転データベース部２２とヒューマンインターフェース部１８と最適化計算部１９が設けられている。運転最適化は、以下の手順によって行なわれる。
【００７０】
［ステップＳ３１］ 運転データベース部２２の実機プラントの運転履歴データを用いて、操作変数値に対する目的関数および制約条件の値を抽出し、この抽出データを操作変数値に対する目的関数および制約条件の値を組とするデータベースに収録し、操作変数値を入力値とし、目的関数および制約条件の値を出力値とする教師データとして最適化計算部１９へ出力される。
【００７１】
［ステップＳ３２］ 技術者や運転員である意思決定者２０は、ヒューマンインターフェース部１８を通じて、式（２）の各目的関数に対する希求値である希求水準を設定する。設定された希求水準はヒューマンインターフェース部１８から最適化計算部１９へ出力される。
【００７２】
［ステップＳ３３］ 最適化計算部１９のコンピュータを用いて、運転データベース部２２から入力される教師データと、ヒューマンインターフェース部１８から入力される希求水準を用いてニューラルネットワークを学習し、操作変数値に対する目的関数および制約条件の値を予測する予測モデルを構築する。
【００７３】
［ステップＳ３４］ 最適化計算部１９のコンピュータを用いて、制約条件を満たして、この設定された希求水準にできる限り近いパレート最適解をステップＳ３３で構築したニューラルネットワークによる予測モデルによる予測値を用いて探索する。得られたパレート最適解は、最適化計算部１９からヒューマンインターフェース部１８へ出力し、意思決定者２０へ提示される。
【００７４】
［ステップＳ３５］ 意思決定者２０は、ヒューマンインターフェース部１８を通じて、この提示されたパレート最適解に満足するか否かの判断をする。もし、意思決定者２０が満足しなければ、意思決定者２０は希求水準を修正し、満足するまでステップＳ３１からステップＳ３５の操作が繰り返される。もし、意思決定者２０が満足すれば、その時点のパレート最適解の操作変数値を最適操作量として決定する。そして、決定された操作変数値は制御装置１６へ出力される。
【００７５】
［ステップＳ３６］ 決定されたパレート最適解は、制御装置１６に設定される。
【００７６】
以上述べたように、本実施の形態によれば、機器の運転制限値およびプラントの環境規制値の双方または何れか一方の制約条件を満たし、複数の評価指標である目的関数を勘案して、発電プラント運転時の操作量を求める多目的最適化問題において、意思決定者の希求水準に基づいて、意思決定者とコンピュータとが対話しながら、意思決定者が満足するパレート最適解の操作変数値を決定できる。さらに、計算コストのかかる実機プラントの運転データから計算コストのかからないニューラルネットワークによる予測に置き換えて最適化問題を解いている。したがって、意思決定者の経験や試行錯誤による繰り返し計算が少なくなり、かつ短い計算時間で意思決定者が満足する最適な操作量を求められるので、電力市場の変化に応じて、柔軟に発電プラント運転時の操作量を決定することが可能になる。
【００７７】
［第４の実施の形態］
本発明の第４の実施の形態は、前述した第２または第３の実施の形態に用いられるニューラルネットワークの種類として、動径基底関数（ＲＢＦ： Radial Basis Function）ネットワークを用いて予測モデルを構築するようにしたものである。
【００７８】
動径基底関数ネットワークは、入力層、中間層、出力層の３層構成のニューラルネットワークである。入力値は入力層のニューロンにそれぞれ割り当てられる。そして、重みなしで中間層へ直接伝達される。中間層ニューロンの活性化関数としてガウス関数が用いられ、中間層と出力層の伝達にはそれぞれ線形の重みが付けられる。以上をまとめると、動径基底関数ネットワークの入出力方程式はつぎの式（３）と式（４）で表される。
【数２】
【００７９】
ここで、ｘ＝［ｘ１，ｘ２，・・・，ｘｎ］Ｔは入力値である操作変数値、Ｏは出力値である操作変数値に対する目的関数および制約条件の値、ｈｊはガウス関数、ｗｊは重み、ｑは中間層ニューロンの数、ｃｊは中間層ニューロンの中心位置、ｒｊは半径パラメータ、絶対値「||・・・||」はユークリッドノルムである。
【００８０】
動径基底関数ネットワークの学習方程式はつぎの式（５）で定義される。
【数３】
【００８１】
ここで、 ｘ＝［ｗ１，ｗ２，・・・，ｗｑ］Ｔは重みベクトル、ｙｉは教師データ、ｐは教師データの数、λｊは安定学習のための抑制項である。式（５）はつぎの式（６）に展開できる。
【００８２】
ＨＴｙ＝ＨＴＯ＋λＩｗ
＝ＨＴＨｗ＋λＩｗ ・・・（６）
ここで、
【数４】
【００８３】
ゆえに、動径基底関数ネットワークの学習は、つぎの線形連立方程式（７）を解くことと等価である。
【００８４】
ｗ＝（ＨＴＨ＋λＩ）−１ＨＴｙ ・・・（７）
つまり、動径基底関数ネットワークの学習は式（７）の線形連立方程式から直接的に計算できるので、学習時間がとても速くすむ特徴がある。
【００８５】
以上述べたように、本実施の形態によれば、前述した第２または第３の実施の形態に用いられるニューラルネットワークの種類として、動径基底関数ネットワークを用いて予測モデルを構築する。
【００８６】
それにより、計算時間のかかる動特性シミュレーションや計算コストのかかる実機プラントの運転データから計算時間や計算コストのかからない動径基底関数ネットワークによる予測に置き換えて最適化問題を解くことができる。それにより、機器の運転制限値およびプラントの環境規制値の双方または何れか一方の制約条件を満たし、複数の評価指標である目的関数を勘案して、発電プラント運転時の操作量を求める多目的最適化問題において、意思決定者の希求水準に基づいて、意思決定者とコンピュータとが対話しながら、意思決定者が満足するパレート最適解の操作変数値を決定できる。
【００８７】
したがって、意思決定者の経験や試行錯誤による繰り返し計算が少なくなり、かつ短い計算時間で意思決定者が満足する最適な操作量を求められるので、電力市場の変化に応じて、柔軟に発電プラント運転時の操作量を決定することが可能になる。
【００８８】
［第５の実施の形態］
本発明の第５の実施の形態は、前述した第１、第２または第３の実施の形態の多目的最適化問題を解く方法として、希求水準を用いた対話型多目的計画法の一つである満足化トレードオフ法（Satisficing Trade-off Method）を用いるようにしたものである。
【００８９】
多目的最適化問題は式（２）のようなベクトル形式のままでは解くことが難しいためスカラー化して問題を解き易くする。本実施の形態では、希求水準を用いた対話型多目的計画法の一つである満足化トレードオフ法を用いると、次式のスカラー最適化問題式（８）と式（９）へ変換できる。
【数５】
【００９０】
Ｋｊ＝０，if ｇｊ（ｘ）≦０，ｊ＝１，２，・・・，ｍ
Ｋｊ＝１，otherwise
ここで、αは微小な正の値（たとえば，１０−６程度）、式（９）の第２項はペナルティー関数であり，βｊは十分に大きな値とする。ｗｉｋは重みであり、次式（１０）により自動的に求められる。
【数６】
ｆｉ＊≦ｍｉｎ｛ｆｉ（ｘ）｜ｘ∈Ｘ｝，（Ｘは実行可能解）
で与えられる。
【００９１】
以上述べたように、本実施の形態によれば、前述した第１、第２または第３の実施の形態の多目的最適化問題を解く方法として、希求水準を用いた対話型多目的計画法の一つである満足化トレードオフ法を用いて、多目的最適化問題をスカラー最適化問題へ変換する。これにより、機器の運転制限値およびプラントの環境規制値の双方または何れか一方の制約条件を満たし、複数の評価指標である目的関数を勘案して、発電プラント運転時の操作量を求める多目的最適化問題において、意思決定者の希求水準に基づいて、意思決定者とコンピュータとが対話しながら、意思決定者が満足するパレート最適解の操作変数値を決定できる。したがって、意思決定者の経験や試行錯誤による繰り返し計算が少なくなり、かつ短い計算時間で意思決定者が満足する最適な操作量を求められるので、電力市場の変化に応じて、柔軟に発電プラント運転時の操作量を決定することが可能になる。
【００９２】
［第６の実施の形態］
本発明の第６の実施の形態は、第５の実施の形態の説明の中で述べたスカラー最適化問題における式（９）を解く方法として、遺伝的アルゴリズム（ＧＡ： Genetic Algorithm）を用いて式（９）のスカラー化関数を最小にする操作変数ｘの値を計算するようにしたものである。遺伝的アルゴリズムは、発電プラントの運転最適化問題に見られるような非線形問題や離散変数と連続変数をもつ問題でも安定的に大域的な最適解が探索できる可能性が高いアルゴリズムである。
【００９３】
以上述べたように、本実施の形態によれば、前述した第５の実施の形態のスカラー最適化問題を解く方法として、遺伝的アルゴリズムを用いる。これにより、機器の運転制限値およびプラントの環境規制値の双方または何れか一方の制約条件を満たし、複数の評価指標である目的関数を勘案して、発電プラント運転時の操作量を求める多目的最適化問題において、意思決定者の希求水準に基づいて、意思決定者とコンピュータとが対話しながら、意思決定者が満足するパレート最適解の操作変数値を決定できる。したがって、意思決定者の経験や試行錯誤による繰り返し計算が少なくなり、かつ短い計算時間で意思決定者が満足する最適な操作量を求められるので、電力市場の変化に応じて、柔軟に発電プラント運転時の操作量を決定することが可能になる。
【００９４】
［第７の実施の形態］
以下、第７の実施の形態について、図４を参照して説明する。図４は本実施の形態による発電プラントの運転最適化システムの概念構成図である。
【００９５】
本実施の形態は第２の実施の形態の変形であって、第２の実施の形態との相違は、ニューラルネットワークによる予測値と動特性シミュレーションによる計算結果との差異が大きい場合において、前記ニューラルネットワークの追加学習を行なうようにした点にある。このため、図４に示すように、運転最適化システム１５の最適化計算部１９内に、追加学習を行なうための条件分岐がある。図４において、本システムは動特性シミュレーション部２１とヒューマンインターフェース部１８と最適化計算部１９が設けられている。運転最適化は、以下の手順によって行なわれる。
【００９６】
［ステップＳ４１］ 動特性シミュレーション部２１のプラントシミュレータを用いて、操作変数値に対する目的関数および制約条件の値を計算し、この計算結果を操作変数値に対する目的関数および制約条件の値を組とするデータベースに収録し、操作変数値を入力値とし、目的関数および制約条件の値を出力値とする教師データとして最適化計算部１９へ出力される。
【００９７】
［ステップＳ４２］ 技術者や運転員である意思決定者２０は、ヒューマンインターフェース部１８を通じて、式（２）の各目的関数に対する希求値である希求水準を設定する。設定された希求水準はヒューマンインターフェース部１８から最適化計算部１９へ出力される。
【００９８】
［ステップＳ４３］ 最適化計算部１９のコンピュータを用いて、動特性シミュレーション部２１から入力される教師データと、ヒューマンインターフェース部１８から入力される希求水準を用いてニューラルネットワークを学習し、操作変数値に対する目的関数および制約条件の値を予測する予測モデルを構築する。
【００９９】
［ステップＳ４４］ 最適化計算部１９のコンピュータを用いて、制約条件を満たして、この設定された希求水準にできる限り近いパレート最適解をステップＳ４３で構築したニューラルネットワークによる予測モデルによる予測値を用いて探索する。
【０１００】
［ステップＳ４５］ ニューラルネットワークによる予測モデルの誤差を評価するために、得られたパレート最適解に従った動特性シミュレーションを行なう。この計算結果とニューラルネットワークによる予測モデルによる予測値とを比較する。もし、誤差が所定の値よりも大きい場合は、ニューラルネットワークの追加学習を行ない、誤差が小さくなるまでステップＳ４１からステップＳ４５の操作が繰り返される。もし、誤差が小さくなれば、得られたパレート最適解は、最適化計算部１９からヒューマンインターフェース部１８へ出力し、意思決定者２０へ提示される。
【０１０１】
［ステップＳ４６］ 意思決定者２０は、ヒューマンインターフェース部１８を通じて、この提示されたパレート最適解に満足するか否かの判断をする。もし、意思決定者２０が満足しなければ、意思決定者２０は希求水準を修正し、満足するまでステップＳ４１からステップＳ４６の操作が繰り返される。もし、意思決定者２０が満足すれば、その時点のパレート最適解の操作変数値を最適操作量として決定する。そして、決定された操作変数値は制御装置１６へ出力される。
【０１０２】
［ステップＳ４７］ 決定されたパレート最適解は、制御装置１６に設定される。
【０１０３】
以上述べたように、本実施の形態によれば、機器の運転制限値およびプラントの環境規制値の双方または何れか一方の制約条件を満たし、複数の評価指標である目的関数を勘案して、発電プラント運転時の操作量を求める多目的最適化問題において、意思決定者の希求水準に基づいて、意思決定者とコンピュータとが対話しながら、意思決定者が満足するパレート最適解の操作変数値を決定できる。また、計算時間のかかる動特性シミュレーションから計算時間のかからないニューラルネットワークによる予測に置き換えて最適化問題を解いている。さらに、ニューラルネットワークによる予測精度を高めるために追加学習を行なっている。したがって、意思決定者の経験や試行錯誤による繰り返し計算が少なくなり、かつ短い計算時間で意思決定者が満足する最適な操作量を求められるので、電力市場の変化に応じて、柔軟に発電プラント運転時の操作量を決定することが可能になる。
【０１０４】
［第８の実施の形態］
以下、第８の実施の形態について、図５を参照して説明する。図５は本実施の形態による発電プラントの運転最適化システムの概念構成図である。
【０１０５】
本実施の形態は第３の実施の形態の変形であって、第３の実施の形態との相違は、ニューラルネットワークによる予測値と実機プラントによる運転データとの差異が大きい場合において、前記ニューラルネットワークの追加学習を行なうようにした点にある。このため、図５に示すように、運転最適化システム１５の最適化計算部１９内に追加学習を行なうための条件分岐がある。図５において、本システムは運転データベース部２２とヒューマンインターフェース部１８と最適化計算部１９が設けられている。運転最適化は、以下の手順によって行なわれる。
【０１０６】
［ステップＳ５１］ 運転データベース部２２の実機プラントの運転履歴データを用いて、操作変数値に対する目的関数および制約条件の値を抽出し、この抽出データを操作変数値に対する目的関数および制約条件の値を組とするデータベースに収録し、操作変数値を入力値とし、目的関数および制約条件の値を出力値とする教師データとして最適化計算部１９へ出力される。
【０１０７】
［ステップＳ５２］ 技術者や運転員である意思決定者２０は、ヒューマンインターフェース部１８を通じて、式（２）の各目的関数に対する希求値である希求水準を設定する。設定された希求水準はヒューマンインターフェース部１８から最適化計算部１９へ出力される。
【０１０８】
［ステップＳ５３］ 最適化計算部１９のコンピュータを用いて、運転データベース部２２から入力される教師データと、ヒューマンインターフェース部１８から入力される希求水準を用いてニューラルネットワークを学習し、操作変数値に対する目的関数および制約条件の値を予測する予測モデルを構築する。
【０１０９】
［ステップＳ５４］ 最適化計算部１９のコンピュータを用いて、制約条件を満たして、この設定された希求水準にできる限り近いパレート最適解をステップＳ５３で構築したニューラルネットワークによる予測モデルによる予測値を用いて探索する。
【０１１０】
［ステップＳ５５］ ニューラルネットワークによる予測モデルの誤差を評価するために、得られたパレート最適解に従った運転データを収集する。この運転データとニューラルネットワークによる予測モデルによる予測値とを比較する。もし、誤差が所定の値よりも大きい場合は、ニューラルネットワークの追加学習を行ない、誤差が小さくなるまでステップＳ５１からステップＳ５５の操作が繰り返される。もし、誤差が小さくなれば、得られたパレート最適解は、最適化計算部１９からヒューマンインターフェース部１８へ出力し、意思決定者２０へ提示される。
【０１１１】
［ステップＳ５６］ 意思決定者２０は、ヒューマンインターフェース部１８を通じて、この提示されたパレート最適解に満足するか否かの判断をする。もし、意思決定者２０が満足しなければ、意思決定者２０は希求水準を修正し、満足するまでステップＳ５１からステップＳ５６の操作が繰り返される。もし、意思決定者２０が満足すれば、その時点のパレート最適解の操作変数値を最適操作量として決定する。そして、決定された操作変数値は制御装置１６へ出力される。
【０１１２】
［ステップＳ５７］ 決定されたパレート最適解は、制御装置１６に設定される。
【０１１３】
以上述べたように、本実施の形態によれば、機器の運転制限値およびプラントの環境規制値の双方または何れか一方の制約条件を満たし、複数の評価指標である目的関数を勘案して、発電プラント運転時の操作量を求める多目的最適化問題において、意思決定者の希求水準に基づいて、意思決定者とコンピュータとが対話しながら、意思決定者が満足するパレート最適解の操作変数値を決定できる。また、計算コストのかかる実機プラントの運転データから計算コストのかからないニューラルネットワークによる予測に置き換えて最適化問題を解いている。さらに、ニューラルネットワークによる予測精度を高めるために追加学習を行なっている。したがって、意思決定者の経験や試行錯誤による繰り返し計算が少なくなり、かつ短い計算時間で意思決定者が満足する最適な操作量を求められるので、電力市場の変化に応じて、柔軟に発電プラント運転時の操作量を決定することが可能になる。
【０１１４】
［具体的適用例］
上記第４の実施の形態において、第２の実施の形態の動特性シミュレーションを利用した場合の具体例を説明する。ここでは、多軸型コンバインドサイクル発電プラント（全出力６７０ＭＷ）の起動時のスケジュールを多目的最適化した事例を示す。本プラントの概略構成図および起動曲線図はそれぞれ、図６および図７に示したとおりである。
【０１１５】
目的関数は３つあり、（ａ）起動時間ｆ１，（ｂ）燃料消費量ｆ２，（ｃ）蒸気タービン熱応力ｆ３である。起動時間は速く、燃料消費量は少なく起動したい。さらに、蒸気タービン熱応力は小さい方が機器寿命を延ばすことができる。
【０１１６】
これに対して、スケジュール変数は４つある。すなわち、図７に示すように、蒸気タービンの昇速率ｘ１，低速ヒートソーク時間ｘ２，高速ヒートソーク時間ｘ３，初負荷ヒートソーク時間ｘ４である。ここで、蒸気タービンの昇速率は｛１２０，１８０，３６０ｒｐｍ／ｍｉｎ｝を取る離散変数であり、各ヒートソーク時間は５〜６０分の上下限値を持つ連続変数である。また、運転制約として蒸気タービン熱応力の機器制限値、プラントＮＯｘ排出量の環境規制値を考慮した。
【０１１７】
まず、ランダムに起動スケジュールを変えた２００ケースの動特性シミュレーションを実行し、その結果を動径基底関数ネットワークの教師データとして与えて予測モデルを作成した。そして、得られた予測モデル上で希求水準を変えてパレート最適解の探索を行なった。図８、図９および図１０は各目的関数に対する２次元図であり、希求水準の設定と得られたパレート最適解の関係を示している。
【０１１８】
図８、図９および図１０において、理想点（＊印で示す）は、上述の教師データにおける各目的関数の最小値を用いている。第１希求水準（白正方形□で示す）に対し、得られた第１パレート最適解（黒正方形で示す）は全ての目的関数が改善されている。
【０１１９】
ここで、意思決定者はより起動時間を短縮し、より燃料消費量を少なくして起動したいとする。現在の解は、既にパレート最適解の一つであるため、全ての目的関数を改善することはできない。そこで、蒸気タービン熱応力を妥協して第２希求水準（白三角形△で示す）を設定する。得られた第２パレート最適解（黒三角形で示す）は、概ね意思決定者の意思通りの解が得られている。
【０１２０】
さらに、意思決定者は蒸気タービン熱応力にまだ余裕があるため、これを機器制限値まで妥協し、より燃料消費量を少なくして起動したいとする。そこで、第３希求水準（白丸○で示す）を設定する。得られた第３パレート最適解（黒丸で示す）は、蒸気タービン熱応力が機器制限値まで達し、起動時間を最短とし、燃料消費量を最小にする，このプラントの運用限界と考えられる。
【０１２１】
図１１に希求水準の設定と得られたパレート最適解を整理する。ここで、「Solution (BRFN)」は予測モデルにより得られた最適解、「Solution (Actual)」は動特性シミュレーションにより得られた結果である。予測モデルの精度が十分に高いことが分かる。
【０１２２】
図１２および図１３に動特性シミュレーション結果を示す。ここで、図１２は第１パレート最適解、図１３は第２パレート最適解に対する結果である。図１２および図１３の横軸は時間（分）である。また、図１２および図１３それぞれの上方の図の縦軸はガスタービン（ＧＴ）および蒸気タービン（ＳＴ）の速度（Speed）および負荷（Load）であり、それぞれの下方の図の縦軸は応力（Stress）および窒素酸化物濃度（ＮＯｘ）である。図示のように、応力および窒素酸化物濃度には上限値（Limitation）があり、各上限値を超えない運転をしなければならない。これらの図に示すように、両者は各目的関数間のトレードオフ関係が異なるだけで、運転制約を満たし、各希求水準に最も近い最適解が得られている。このように、意思決定者は多目的評価に基づいて、フレキシブルなプラント運用計画を策定できる。
【０１２３】
［他の実施の形態］
以上、種々の実施の形態について説明したがこれらは単なる例示であって、本発明はこれらに限定されるものではない。
【０１２４】
たとえば、上記実施の形態の説明では、多軸型コンバインドサイクル発電プラントを例示したが、本発明は、汽力発電プラント（ボイラと蒸気タービンのプラント）など、他の構成の発電プラントにも応用できる。
【図面の簡単な説明】
【０１２５】
【図１】本発明に係る発電プラントの運転最適化システムの第１の実施の形態を示す概念構成図。
【図２】本発明に係る発電プラントの運転最適化システムの第２の実施の形態を示す概念構成図。
【図３】本発明に係る発電プラントの運転最適化システムの第３の実施の形態を示す概念構成図。
【図４】本発明に係る発電プラントの運転最適化システムの第７の実施の形態を示す概念構成図。
【図５】本発明に係る発電プラントの運転最適化システムの第８の実施の形態を示す概念構成図。
【図６】従来のコンバインドサイクル発電プラントの概略構成図。
【図７】従来のコンバインドサイクル発電プラントの起動曲線図。
【図８】本発明に係る発電プラントの運転最適化方法の具体的適用例における目的関数である起動時間ｆ１と燃料消費量ｆ２の関係を示す２次元図。
【図９】本発明に係る発電プラントの運転最適化方法の具体的適用例における目的関数である起動時間ｆ１と蒸気タービン熱応力ｆ３の関係を示す２次元図。
【図１０】本発明に係る発電プラントの運転最適化方法の具体的適用例における目的関数である燃料消費量ｆ２と蒸気タービン熱応力ｆ３の関係を示す２次元図。
【図１１】本発明に係る発電プラントの運転最適化方法の具体的適用例における希求水準の設定と得られたパレート最適解を示す表。
【図１２】本発明に係る発電プラントの運転最適化方法の具体的適用例における動的シミュレーションによる第１パレート最適解を示すグラフ。
【図１３】本発明に係る発電プラントの運転最適化方法の具体的適用例における動的シミュレーションによる第１パレート最適解を示すグラフ。
【符号の説明】
【０１２６】
１ａ，１ｂ，１ｃ ・・・ ガスタービン
２ａ，２ｂ，２ｃ ・・・ 排熱回収ボイラ
３ ・・・ 蒸気タービン
４ａ，４ｂ，４ｃ ・・・ ガスタービン発電機
５ ・・・ 蒸気タービン発電機
６ ・・・ 復水器
７ ・・・ ポンプ
８ａ，８ｂ，８ｃ ・・・ 燃料弁
９ ・・・ 高圧加減弁
１０ ・・・ 中圧加減弁
１１ ・・・ 低圧加減弁
１２ａ，１２ｂ，１２ｃ ・・・ 高圧バイパス弁
１３ａ，１３ｂ，１３ｃ ・・・ 中圧バイパス弁
１４ａ，１４ｂ，１４ｃ ・・・ 低圧バイパス弁
１５ ・・・ 運転最適化システム
１６ ・・・ 制御装置
１７ ・・・ 発電プラント
１８ ・・・ ヒューマンインターフェース部
１９ ・・・ 最適化計算部
２０ ・・・ 意思決定者
２１ ・・・ 動特性シミュレーション部
２２ ・・・ 運転データベース部。
【特許請求の範囲】
【請求項１】
対話型多目的計画法を用いて複数の機器を有する発電プラントの運転時の操作量である操作変数の最適値を表示する運転最適化方法において、
前記発電プラントを構成する複数の機器の運転制限値および当該発電プラントの環境規制値の少なくとも一方の制約条件を設定する制約条件設定ステップと、
前記操作変数の関数である複数の目的関数の希求水準を設定する希求水準設定ステップと、
前記制約条件設定ステップで設定された制約条件の下で、前記希求水準設定ステップで設定された希求水準にできる限り近いパレート最適解を計算する解析ステップと、
前記解析ステップで計算されたパレート最適解を表示するパレート最適解表示ステップと、
前記パレート最適解表示ステップで表示されるパレート最適解が所定の基準を満たすかどうかを判定する判定ステップと、
前記判定ステップでパレート最適解が所定の基準を満たしていない場合に前記希求水準設定ステップで設定された複数の希求水準の少なくとも一部を変更する希求水準変更設定ステップと、その希求水準変更設定ステップの後に、前記解析ステップ、パレート最適解表示ステップおよび判定ステップを繰り返す繰り返しステップと、
前記判定ステップでパレート最適解が所定の基準を満たしている場合におけるパレート最適解に対応する前記操作変数の値を求めるステップと、
を有すること、を特徴とする発電プラントの運転最適化方法。
【請求項２】
対話型多目的計画法を用いて複数の機器を有する発電プラントの運転時の操作量である操作変数の最適値を表示する運転最適化方法において、
操作変数値に対する目的関数および制約条件の値を、動特性シミュレーションを用いて計算し、この計算結果を操作変数値に対する目的関数および制約条件の値を組とする動特性シミュレーションデータベースに収録し、操作変数値を入力値とし、目的関数および制約条件の値を出力値とする教師データとして出力する動特性シミュレーションステップと、
前記操作変数の関数である複数の目的関数の希求水準を設定する希求水準設定ステップと、
前記動特性シミュレーションで得られた教師データを用いてニューラルネットワークを学習し、操作変数値に対する目的関数および制約条件の値を予測し、前記希求水準設定ステップで設定された希求水準の値を用いて、複数の目的関数をもつ多目的最適化問題をスカラー最適化問題へ変換し、このスカラー最適化問題を前記ニューラルネットワークによる予測値を用いて解くことにより、希求水準にできる限り近いパレート最適解を計算する解析ステップと、
前記解析ステップで計算されたパレート最適解を表示するパレート最適解表示ステップと、
前記パレート最適解表示ステップで表示されるパレート最適解が所定の基準を満たすかどうかを判定する判定ステップと、
前記判定ステップでパレート最適解が所定の基準を満たしていない場合に前記希求水準設定ステップで設定された複数の希求水準の少なくとも一部を変更する希求水準変更設定ステップと、その希求水準変更設定ステップの後に、前記解析ステップ、パレート最適解表示ステップおよび判定ステップを繰り返す繰り返しステップと、
前記判定ステップでパレート最適解が所定の基準を満たしている場合におけるパレート最適解に対応する前記操作変数の値を求めるステップと、
を有すること、を特徴とする発電プラントの運転最適化方法。
【請求項３】
前記ニューラルネットワークによる予測値と動特性シミュレーションを用いた計算結果との差が所定の範囲を超えている場合に前記ニューラルネットワークの追加学習を行なうことを特徴とする請求項２に記載の発電プラントの運転最適化方法。
【請求項４】
対話型多目的計画法を用いて複数の機器を有する発電プラントの運転時の操作量である操作変数の最適値を表示する運転最適化方法において、
操作変数値に対する目的関数および制約条件の値を実機プラントの運転履歴データから抽出し、この抽出データを操作変数値に対する目的関数および制約条件の値を組とする運転履歴データベースに収録し、操作変数値を入力値とし、目的関数および制約条件の値を出力値とする教師データとして出力する運転履歴データベース生成ステップと、
前記操作変数の関数である複数の目的関数の希求水準を設定する希求水準設定ステップと、
前記運転履歴データベース生成ステップで得られた教師データを用いてニューラルネットワークを学習し、操作変数値に対する目的関数および制約条件の値を予測し、前記希求水準設定ステップで設定された希求水準の値を用いて、複数の目的関数をもつ多目的最適化問題をスカラー最適化問題へ変換し、このスカラー最適化問題を前記ニューラルネットワークによる予測値を用いて解くことにより、希求水準にできる限り近いパレート最適解を計算する解析ステップと、
前記解析ステップで計算されたパレート最適解を表示するパレート最適解表示ステップと、
前記パレート最適解表示ステップで表示されるパレート最適解が所定の基準を満たすかどうかを判定する判定ステップと、
前記判定ステップでパレート最適解が所定の基準を満たしていない場合に前記希求水準設定ステップで設定された複数の希求水準の少なくとも一部を変更する希求水準変更設定ステップと、その希求水準変更設定ステップの後に、前記解析ステップ、パレート最適解表示ステップおよび判定ステップを繰り返す繰り返しステップと、
前記判定ステップでパレート最適解が所定の基準を満たしている場合におけるパレート最適解に対応する前記操作変数の値を求めるステップと、
を有すること、を特徴とする発電プラントの運転最適化方法。
【請求項５】
前記ニューラルネットワークによる予測値と実機プラントの運転履歴データとの差が所定の範囲を超えている場合に前記ニューラルネットワークの追加学習を行なうことを特徴とする請求項４に記載の発電プラントの運転最適化方法。
【請求項６】
前記ニューラルネットワークの種類として、動径基底関数ネットワークを用いることを特徴とする請求項２ないし請求項５のいずれか一項に記載の発電プラントの運転最適化方法。
【請求項７】
前記多目的最適化問題をスカラー最適化問題へ変換するに際して満足化トレードオフ法を用いることを特徴とする請求項２ないし請求項６のいずれか一項に記載の発電プラントの運転最適化方法。
【請求項８】
前記スカラー最適化問題を解くに際して遺伝的アルゴリズムを用いることを特徴とする請求項２ないし請求項７のいずれか一項に記載の発電プラントの運転最適化方法。
【請求項９】
前記制約条件が、
蒸気タービンのロータに発生する熱応力、
ボイラあるいは排熱回収ボイラの高温部に発生する熱応力、
蒸気タービンあるいはガスタービンの回転部と静止部との熱伸び差、
排煙ガス中の窒素酸化物、硫黄酸化物、二酸化炭素のうちの少なくとも一つの排出量、
の中の少なくとも一つについて制限値を定めるものであることを特徴とする請求項１ないし請求項８のいずれか一項に記載の発電プラントの運転最適化方法。
【請求項１０】
前記操作変数が、
蒸気タービンの速度変化率あるいは負荷変化率、
蒸気タービンを保持する速度あるいは負荷、
蒸気タービンを保持する時間、
ガスタービンの速度変化率あるいは負荷変化率、
ガスタービンを保持する速度あるいは負荷、
ガスタービンを保持する時間、
ボイラあるいは排熱回収ボイラの負荷変化率、
ボイラあるいは排熱回収ボイラを保持する負荷、
ボイラあるいは排熱回収ボイラを保持する時間、
の中の少なくとも一つを含むことを特徴とする請求項１ないし請求項９のいずれか一項に記載の発電プラントの運転最適化方法。
【請求項１１】
前記目的関数が、
指定された発電出力に到達するまでの時間、
発電プラントの燃料消費量、
発電プラントの熱効率、
蒸気タービンのロータに発生する熱応力、
ボイラあるいは排熱回収ボイラの高温部に発生する熱応力、
排煙ガス中の窒素酸化物、硫黄酸化物、二酸化炭素のうちの少なくとも一つの排出量、
の中の少なくとも一つを表わす関数であることを特徴とする請求項１ないし請求項１０のいずれか一項に記載の発電プラントの運転最適化方法。
【請求項１２】
対話型多目的計画法を用いて複数の機器を有する発電プラントの運転時の操作量である操作変数の最適値を表示する運転最適化システムにおいて、
前記発電プラントを構成する複数の機器の運転制限値および当該発電プラントの環境規制値の少なくとも一方の制約条件を設定する制約条件設定手段と、
前記操作変数の関数である複数の目的関数の希求水準を設定する希求水準設定手段と、
前記制約条件設定手段によって設定された制約条件の下で、前記希求水準設定手段によって設定された希求水準にできる限り近いパレート最適解を計算する解析手段と、
前記解析手段によって計算されたパレート最適解を表示するパレート最適解表示手段と、
前記希求水準設定手段で設定された複数の希求水準の少なくとも一部を変更する希求水準変更設定手段と、
その希求水準変更設定手段による変更の後に、前記解析手段によるパレート最適解の計算およびパレート最適解表示手段によるパレート最適解の表示を繰り返す繰り返し手段と、
前記パレート最適解に対応する前記操作変数の値を求める手段と、
を有すること、を特徴とする発電プラントの運転最適化システム。
【請求項１３】
対話型多目的計画法を用いて複数の機器を有する発電プラントの運転時の操作量である操作変数の最適値を表示する運転最適化システムにおいて、
操作変数値に対する目的関数および制約条件の値を、動特性シミュレーションを用いて計算し、この計算結果を操作変数値に対する目的関数および制約条件の値を組とする動特性シミュレーションデータベースに収録し、操作変数値を入力値とし、目的関数および制約条件の値を出力値とする教師データとして出力する動特性シミュレーション手段と、
前記操作変数の関数である複数の目的関数の希求水準を設定する希求水準設定手段と、
前記動特性シミュレーションで得られた教師データを用いてニューラルネットワークを学習し、操作変数値に対する目的関数および制約条件の値を予測し、前記希求水準設定手段で設定された希求水準の値を用いて、複数の目的関数をもつ多目的最適化問題をスカラー最適化問題へ変換し、このスカラー最適化問題を前記ニューラルネットワークによる予測値を用いて解くことにより、希求水準にできる限り近いパレート最適解を計算する解析手段と、
前記解析手段で計算されたパレート最適解を表示するパレート最適解表示手段と、
前記希求水準設定手段で設定された複数の希求水準の少なくとも一部を変更する希求水準変更設定手段と、
その希求水準変更設定手段による変更の後に、前記解析手段によるパレート最適解の計算およびパレート最適解表示手段によるパレート最適解の表示を繰り返す繰り返し手段と、
前記パレート最適解に対応する前記操作変数の値を求める手段と、
を有すること、を特徴とする発電プラントの運転最適化システム。
【請求項１４】
対話型多目的計画法を用いて複数の機器を有する発電プラントの運転時の操作量である操作変数の最適値を表示する運転最適化システムにおいて、
実機プラントの運転履歴データから抽出し、この抽出データを操作変数値に対する目的関数および制約条件の値を組とする運転履歴データベースに収録し、操作変数値を入力値とし、目的関数および制約条件の値を出力値とする教師データとして出力する運転履歴データベース生成手段と、
前記操作変数の関数である複数の目的関数の希求水準を設定する希求水準設定手段と、
前記運転履歴データベース生成手段によって得られた教師データを用いてニューラルネットワークを学習し、操作変数値に対する目的関数および制約条件の値を予測し、前記希求水準設定手段で設定された希求水準の値を用いて、複数の目的関数をもつ多目的最適化問題をスカラー最適化問題へ変換し、このスカラー最適化問題を前記ニューラルネットワークによる予測値を用いて解くことにより、希求水準にできる限り近いパレート最適解を計算する解析手段と、
前記解析手段で計算されたパレート最適解を表示するパレート最適解表示手段と、
前記希求水準設定手段で設定された複数の希求水準の少なくとも一部を変更する希求水準変更設定手段と、
その希求水準変更設定手段による変更の後に、前記解析手段によるパレート最適解の計算およびパレート最適解表示手段によるパレート最適解の表示を繰り返す繰り返し手段と、
前記パレート最適解に対応する前記操作変数の値を求める手段と、
を有すること、を特徴とする発電プラントの運転最適化システム。
【請求項１】
対話型多目的計画法を用いて複数の機器を有する発電プラントの運転時の操作量である操作変数の最適値を表示する運転最適化方法において、
前記発電プラントを構成する複数の機器の運転制限値および当該発電プラントの環境規制値の少なくとも一方の制約条件を設定する制約条件設定ステップと、
前記操作変数の関数である複数の目的関数の希求水準を設定する希求水準設定ステップと、
前記制約条件設定ステップで設定された制約条件の下で、前記希求水準設定ステップで設定された希求水準にできる限り近いパレート最適解を計算する解析ステップと、
前記解析ステップで計算されたパレート最適解を表示するパレート最適解表示ステップと、
前記パレート最適解表示ステップで表示されるパレート最適解が所定の基準を満たすかどうかを判定する判定ステップと、
前記判定ステップでパレート最適解が所定の基準を満たしていない場合に前記希求水準設定ステップで設定された複数の希求水準の少なくとも一部を変更する希求水準変更設定ステップと、その希求水準変更設定ステップの後に、前記解析ステップ、パレート最適解表示ステップおよび判定ステップを繰り返す繰り返しステップと、
前記判定ステップでパレート最適解が所定の基準を満たしている場合におけるパレート最適解に対応する前記操作変数の値を求めるステップと、
を有すること、を特徴とする発電プラントの運転最適化方法。
【請求項２】
対話型多目的計画法を用いて複数の機器を有する発電プラントの運転時の操作量である操作変数の最適値を表示する運転最適化方法において、
操作変数値に対する目的関数および制約条件の値を、動特性シミュレーションを用いて計算し、この計算結果を操作変数値に対する目的関数および制約条件の値を組とする動特性シミュレーションデータベースに収録し、操作変数値を入力値とし、目的関数および制約条件の値を出力値とする教師データとして出力する動特性シミュレーションステップと、
前記操作変数の関数である複数の目的関数の希求水準を設定する希求水準設定ステップと、
前記動特性シミュレーションで得られた教師データを用いてニューラルネットワークを学習し、操作変数値に対する目的関数および制約条件の値を予測し、前記希求水準設定ステップで設定された希求水準の値を用いて、複数の目的関数をもつ多目的最適化問題をスカラー最適化問題へ変換し、このスカラー最適化問題を前記ニューラルネットワークによる予測値を用いて解くことにより、希求水準にできる限り近いパレート最適解を計算する解析ステップと、
前記解析ステップで計算されたパレート最適解を表示するパレート最適解表示ステップと、
前記パレート最適解表示ステップで表示されるパレート最適解が所定の基準を満たすかどうかを判定する判定ステップと、
前記判定ステップでパレート最適解が所定の基準を満たしていない場合に前記希求水準設定ステップで設定された複数の希求水準の少なくとも一部を変更する希求水準変更設定ステップと、その希求水準変更設定ステップの後に、前記解析ステップ、パレート最適解表示ステップおよび判定ステップを繰り返す繰り返しステップと、
前記判定ステップでパレート最適解が所定の基準を満たしている場合におけるパレート最適解に対応する前記操作変数の値を求めるステップと、
を有すること、を特徴とする発電プラントの運転最適化方法。
【請求項３】
前記ニューラルネットワークによる予測値と動特性シミュレーションを用いた計算結果との差が所定の範囲を超えている場合に前記ニューラルネットワークの追加学習を行なうことを特徴とする請求項２に記載の発電プラントの運転最適化方法。
【請求項４】
対話型多目的計画法を用いて複数の機器を有する発電プラントの運転時の操作量である操作変数の最適値を表示する運転最適化方法において、
操作変数値に対する目的関数および制約条件の値を実機プラントの運転履歴データから抽出し、この抽出データを操作変数値に対する目的関数および制約条件の値を組とする運転履歴データベースに収録し、操作変数値を入力値とし、目的関数および制約条件の値を出力値とする教師データとして出力する運転履歴データベース生成ステップと、
前記操作変数の関数である複数の目的関数の希求水準を設定する希求水準設定ステップと、
前記運転履歴データベース生成ステップで得られた教師データを用いてニューラルネットワークを学習し、操作変数値に対する目的関数および制約条件の値を予測し、前記希求水準設定ステップで設定された希求水準の値を用いて、複数の目的関数をもつ多目的最適化問題をスカラー最適化問題へ変換し、このスカラー最適化問題を前記ニューラルネットワークによる予測値を用いて解くことにより、希求水準にできる限り近いパレート最適解を計算する解析ステップと、
前記解析ステップで計算されたパレート最適解を表示するパレート最適解表示ステップと、
前記パレート最適解表示ステップで表示されるパレート最適解が所定の基準を満たすかどうかを判定する判定ステップと、
前記判定ステップでパレート最適解が所定の基準を満たしていない場合に前記希求水準設定ステップで設定された複数の希求水準の少なくとも一部を変更する希求水準変更設定ステップと、その希求水準変更設定ステップの後に、前記解析ステップ、パレート最適解表示ステップおよび判定ステップを繰り返す繰り返しステップと、
前記判定ステップでパレート最適解が所定の基準を満たしている場合におけるパレート最適解に対応する前記操作変数の値を求めるステップと、
を有すること、を特徴とする発電プラントの運転最適化方法。
【請求項５】
前記ニューラルネットワークによる予測値と実機プラントの運転履歴データとの差が所定の範囲を超えている場合に前記ニューラルネットワークの追加学習を行なうことを特徴とする請求項４に記載の発電プラントの運転最適化方法。
【請求項６】
前記ニューラルネットワークの種類として、動径基底関数ネットワークを用いることを特徴とする請求項２ないし請求項５のいずれか一項に記載の発電プラントの運転最適化方法。
【請求項７】
前記多目的最適化問題をスカラー最適化問題へ変換するに際して満足化トレードオフ法を用いることを特徴とする請求項２ないし請求項６のいずれか一項に記載の発電プラントの運転最適化方法。
【請求項８】
前記スカラー最適化問題を解くに際して遺伝的アルゴリズムを用いることを特徴とする請求項２ないし請求項７のいずれか一項に記載の発電プラントの運転最適化方法。
【請求項９】
前記制約条件が、
蒸気タービンのロータに発生する熱応力、
ボイラあるいは排熱回収ボイラの高温部に発生する熱応力、
蒸気タービンあるいはガスタービンの回転部と静止部との熱伸び差、
排煙ガス中の窒素酸化物、硫黄酸化物、二酸化炭素のうちの少なくとも一つの排出量、
の中の少なくとも一つについて制限値を定めるものであることを特徴とする請求項１ないし請求項８のいずれか一項に記載の発電プラントの運転最適化方法。
【請求項１０】
前記操作変数が、
蒸気タービンの速度変化率あるいは負荷変化率、
蒸気タービンを保持する速度あるいは負荷、
蒸気タービンを保持する時間、
ガスタービンの速度変化率あるいは負荷変化率、
ガスタービンを保持する速度あるいは負荷、
ガスタービンを保持する時間、
ボイラあるいは排熱回収ボイラの負荷変化率、
ボイラあるいは排熱回収ボイラを保持する負荷、
ボイラあるいは排熱回収ボイラを保持する時間、
の中の少なくとも一つを含むことを特徴とする請求項１ないし請求項９のいずれか一項に記載の発電プラントの運転最適化方法。
【請求項１１】
前記目的関数が、
指定された発電出力に到達するまでの時間、
発電プラントの燃料消費量、
発電プラントの熱効率、
蒸気タービンのロータに発生する熱応力、
ボイラあるいは排熱回収ボイラの高温部に発生する熱応力、
排煙ガス中の窒素酸化物、硫黄酸化物、二酸化炭素のうちの少なくとも一つの排出量、
の中の少なくとも一つを表わす関数であることを特徴とする請求項１ないし請求項１０のいずれか一項に記載の発電プラントの運転最適化方法。
【請求項１２】
対話型多目的計画法を用いて複数の機器を有する発電プラントの運転時の操作量である操作変数の最適値を表示する運転最適化システムにおいて、
前記発電プラントを構成する複数の機器の運転制限値および当該発電プラントの環境規制値の少なくとも一方の制約条件を設定する制約条件設定手段と、
前記操作変数の関数である複数の目的関数の希求水準を設定する希求水準設定手段と、
前記制約条件設定手段によって設定された制約条件の下で、前記希求水準設定手段によって設定された希求水準にできる限り近いパレート最適解を計算する解析手段と、
前記解析手段によって計算されたパレート最適解を表示するパレート最適解表示手段と、
前記希求水準設定手段で設定された複数の希求水準の少なくとも一部を変更する希求水準変更設定手段と、
その希求水準変更設定手段による変更の後に、前記解析手段によるパレート最適解の計算およびパレート最適解表示手段によるパレート最適解の表示を繰り返す繰り返し手段と、
前記パレート最適解に対応する前記操作変数の値を求める手段と、
を有すること、を特徴とする発電プラントの運転最適化システム。
【請求項１３】
対話型多目的計画法を用いて複数の機器を有する発電プラントの運転時の操作量である操作変数の最適値を表示する運転最適化システムにおいて、
操作変数値に対する目的関数および制約条件の値を、動特性シミュレーションを用いて計算し、この計算結果を操作変数値に対する目的関数および制約条件の値を組とする動特性シミュレーションデータベースに収録し、操作変数値を入力値とし、目的関数および制約条件の値を出力値とする教師データとして出力する動特性シミュレーション手段と、
前記操作変数の関数である複数の目的関数の希求水準を設定する希求水準設定手段と、
前記動特性シミュレーションで得られた教師データを用いてニューラルネットワークを学習し、操作変数値に対する目的関数および制約条件の値を予測し、前記希求水準設定手段で設定された希求水準の値を用いて、複数の目的関数をもつ多目的最適化問題をスカラー最適化問題へ変換し、このスカラー最適化問題を前記ニューラルネットワークによる予測値を用いて解くことにより、希求水準にできる限り近いパレート最適解を計算する解析手段と、
前記解析手段で計算されたパレート最適解を表示するパレート最適解表示手段と、
前記希求水準設定手段で設定された複数の希求水準の少なくとも一部を変更する希求水準変更設定手段と、
その希求水準変更設定手段による変更の後に、前記解析手段によるパレート最適解の計算およびパレート最適解表示手段によるパレート最適解の表示を繰り返す繰り返し手段と、
前記パレート最適解に対応する前記操作変数の値を求める手段と、
を有すること、を特徴とする発電プラントの運転最適化システム。
【請求項１４】
対話型多目的計画法を用いて複数の機器を有する発電プラントの運転時の操作量である操作変数の最適値を表示する運転最適化システムにおいて、
実機プラントの運転履歴データから抽出し、この抽出データを操作変数値に対する目的関数および制約条件の値を組とする運転履歴データベースに収録し、操作変数値を入力値とし、目的関数および制約条件の値を出力値とする教師データとして出力する運転履歴データベース生成手段と、
前記操作変数の関数である複数の目的関数の希求水準を設定する希求水準設定手段と、
前記運転履歴データベース生成手段によって得られた教師データを用いてニューラルネットワークを学習し、操作変数値に対する目的関数および制約条件の値を予測し、前記希求水準設定手段で設定された希求水準の値を用いて、複数の目的関数をもつ多目的最適化問題をスカラー最適化問題へ変換し、このスカラー最適化問題を前記ニューラルネットワークによる予測値を用いて解くことにより、希求水準にできる限り近いパレート最適解を計算する解析手段と、
前記解析手段で計算されたパレート最適解を表示するパレート最適解表示手段と、
前記希求水準設定手段で設定された複数の希求水準の少なくとも一部を変更する希求水準変更設定手段と、
その希求水準変更設定手段による変更の後に、前記解析手段によるパレート最適解の計算およびパレート最適解表示手段によるパレート最適解の表示を繰り返す繰り返し手段と、
前記パレート最適解に対応する前記操作変数の値を求める手段と、
を有すること、を特徴とする発電プラントの運転最適化システム。
【図１】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図１２】
【図１３】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図１２】
【図１３】
【公開番号】特開２００９−３０４７６（Ｐ２００９−３０４７６Ａ）
【公開日】平成２１年２月１２日（２００９．２．１２）
【国際特許分類】
【出願番号】特願２００７−１９３３５３（Ｐ２００７−１９３３５３）
【出願日】平成１９年７月２５日（２００７．７．２５）
【出願人】（０００００３０７８）株式会社東芝 (54,554)
【Ｆターム（参考）】
【公開日】平成２１年２月１２日（２００９．２．１２）
【国際特許分類】
【出願日】平成１９年７月２５日（２００７．７．２５）
【出願人】（０００００３０７８）株式会社東芝 (54,554)
【Ｆターム（参考）】
[ Back to top ]