石炭焚きボイラのガス濃度推定装置及びガス濃度推定方法
【課題】本発明の目的は、石炭焚きボイラの排ガス中のガス成分の変化をニューラルネットを用いてシミュレーションする場合に、実機データに含まれる計測誤差に起因した推定誤差を抑制してガス成分の濃度を高精度で推定する石炭焚きボイラのガス濃度推定装置を提供する。
【解決手段】ニューラルネットを用いて石炭焚きボイラから排出される排ガス中のガス成分の濃度を推定するガス濃度推定装置は、該ボイラのプロセスデータを格納するプロセスデータベース部と、格納されたプロセスデータからニューラルネットの学習に適したデータを抽出するフィルタリング処理を行なうフィルタリング処理部と、抽出されたニューラルネットの学習に適したデータに基づいてニューラルネットの学習処理を行なうニューラルネット学習処理部と、この学習処理に基づいて前記ボイラから排出する排ガス中のＣＯ濃度又はＮＯｘ濃度を推定処理するニューラルネット推定処理部とで構成。
【解決手段】ニューラルネットを用いて石炭焚きボイラから排出される排ガス中のガス成分の濃度を推定するガス濃度推定装置は、該ボイラのプロセスデータを格納するプロセスデータベース部と、格納されたプロセスデータからニューラルネットの学習に適したデータを抽出するフィルタリング処理を行なうフィルタリング処理部と、抽出されたニューラルネットの学習に適したデータに基づいてニューラルネットの学習処理を行なうニューラルネット学習処理部と、この学習処理に基づいて前記ボイラから排出する排ガス中のＣＯ濃度又はＮＯｘ濃度を推定処理するニューラルネット推定処理部とで構成。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、火力発電プラントに備えられた石炭焚きボイラのガス濃度推定装置及びガス濃度推定方法に係わり、特に石炭焚きボイラから排出される排ガスに含まれるガス成分であるＣＯ濃度やＮＯｘの濃度を推定する石炭焚きボイラのガス濃度推定装置及びガス濃度推定方法に関するものである。
【背景技術】
【０００２】
石炭焚きボイラは燃料として石炭を使用するが、この石炭焚きボイラを備えた火力発電プラントでは、石炭焚きボイラから排出される排ガスに含まれている環境汚染物質であるＣＯとＮＯｘの濃度を規定値以下に抑制しなければならない。
【０００３】
石炭焚きボイラの排ガスに含まれるＣＯとＮＯｘの生成量は相反する関係にあり、石炭焚きボイラで石炭を燃焼させる際に燃焼用の空気（酸素）過剰であればＮＯｘの生成量が多くなり、逆に空気が不足していればＣＯの生成量が多くなる。
【０００４】
最近の石炭焚きボイラでは、ＣＯとＮＯｘの両者が生成する濃度を低減し、かつ石炭焚きボイラの燃焼効率を向上させるため、燃焼用空気を段階的に石炭焚きボイラ内に送り込む二段燃焼方式が採用されている。
【０００５】
この二段燃焼方式による燃焼制御では、石炭焚きボイラに供給する燃焼用空気量の調整と、石炭焚きボイラに設置されたバーナの燃焼パターンの選択などを行なって、石炭焚きボイラの最適な燃焼状態をつくる。
【０００６】
また、この燃焼制御の最適化のための調整（制御ゲインの調整、バーナ燃焼パターンの計画など）はオフラインであらかじめ実施しておく。
【０００７】
ただし、このようにして前もって調整された燃焼条件は、代表的な運転モードに対して最適化されたものであり、大まかな運転計画でしかない。
【０００８】
また、経年劣化によりプラントである石炭焚きボイラの特性が変わるので、石炭焚きボイラ運転開始時には最適な燃焼条件であったものが、経年によって最適な燃焼条件から徐々にずれてくる。
【０００９】
これに対して、時々刻々と変わる負荷要求値などの運転条件や経年劣化に対応して、石炭焚きボイラの運転の最適化（ＣＯとＮＯｘ濃度を許容範囲内に抑えながら、燃焼効率を最大化する）を実施することが、経済的な観点から要求されている。
【００１０】
この石炭焚きボイラの運転の最適化を実現するには、現在の運転条件をベースとして、制御デマンド変更に対する排ガス中のＣＯとＮＯｘ濃度の変化をオンラインでシミュレーションできることが必要である。
【００１１】
つまり、計測データから得られる現在の石炭焚きボイラの運転条件に対して、制御デマンドを変更した場合の石炭焚きボイラの燃焼効率と環境負荷物質の排出量を評価し、両者の点を鑑みて最適な制御ポイントを探索する機能が必要である。
【００１２】
石炭焚きボイラから排出される排ガス中のＣＯとＮＯｘ濃度を推定する方法は幾つかあるが、ニューラルネットのような学習型のアルゴリズムを基に、実機データを用いて各運転条件とガス濃度の変化傾向との関係をモデリングする方法がある。
【００１３】
例えば、特開２００７−２６４７９６号公報には、ボイラの制御に使用するプラントの特性を模擬する連続モデルの作成に関して、ボイラのプロセスデータに基づいて連続モデルを作成し、数値解析したプロセスデータと実機の運転データを用いて連続モデルを再度作成し、この再度作成された連続モデルを用いて強化学習しボイラの制御を行なうことによって、排ガス中の環境負荷物質を減少させる制御方法が開示されている。そして連続モデルの作成にニューラルネットを用いることも示唆されている。
【００１４】
このようなモデリング方法の場合、実機データがあれば、その実機の特性に応じたＣＯ濃度とＮＯｘ濃度の推定モデルが容易に作成できる。つまり、石炭焚きボイラの運転開始後も運転中の実機データを用いれば、その状態に適した推定モデルが作成できるので、よく適用される方法の一つである。
【００１５】
【特許文献１】特開２００７−２６４７９６号公報
【発明の開示】
【発明が解決しようとする課題】
【００１６】
しかしながら、石炭焚きボイラの計測値である実機データは、出力などの運転条件を変えている場合の過渡的な状態も含まれている。この場合、計測値間の相関関係は一時的な状態であり、時間が経過してプラントの状態が整定した後の相関関係とは異なる状態を示すことになる。
【００１７】
特開２００７−２６４７９６号公報に示唆されたニューラルネットを用いてプラントの動特性をモデリングしたい場合には、このような実機データを用いてニューラルネットの学習を行なうことが有効である。
【００１８】
しかしながら、プラントの静特性を学習したい場合には、このような過渡的な状態を含む実機データを学習に用いると、モデリングに誤差を生じる要因となる。また、通常、プラントの計測値は計測誤差を含む。
【００１９】
例えば、温度などは比較的、高精度で計測できるが、流量などは計測誤差を含みやすい。また、センサの経年劣化も計測誤差の要因となる。つまり、上記したように実機データの中には、精度の高いデータと精度が低く誤差が大きいデータとが混在している。
【００２０】
これらの精度が低いデータが混在した実機データを全て用いてニューラルネットの学習を行った場合には、構築されたニューラルネットのモデルも精度が低いものとなる。
【００２１】
この結果、精度が低いデータが混在した実機データを用いて実機データの傾向を学習してプラントである石炭焚きボイラから排出される排ガス中のＣＯ／ＮＯｘ濃度の推定モデルを構築する場合に、構築されたモデルの推定精度が低くなるという問題があった。
【００２２】
本発明の目的は、石炭焚きボイラの燃焼制御で排ガス中のＣＯ濃度又はＮＯｘ濃度の変化をニューラルネットを用いてシミュレーションする場合に、実機データに含まれる計測誤差に起因したニューラルネットモデルの推定誤差を抑制して精度の高いガス濃度の推定を可能にする石炭焚きボイラのガス濃度推定装置及びガス濃度推定方法を提供することにある。
【課題を解決するための手段】
【００２３】
本発明のニューラルネットを用いて石炭焚きボイラから排出される排ガスに含まれるガス成分の濃度を推定する石炭焚きボイラのガス濃度推定装置において、前記ガス濃度推定装置は石炭焚きボイラのプロセスデータを格納するプロセスデータベース部と、このプロセスデータベース部に格納されたプロセスデータからニューラルネットの学習に適したデータを抽出するフィルタリング処理を行なうフィルタリング処理部と、このフィルタリング処理部で抽出されたニューラルネットの学習に適したデータに基づいてニューラルネットの学習処理を行なうニューラルネット学習処理部と、このニューラルネット学習処理部の学習処理に基づいて前記石炭焚きボイラから排出する排ガス中のＣＯ濃度又はＮＯｘ濃度を推定処理するニューラルネット推定処理部とを備えていることを特徴とする石炭焚きボイラのガス濃度推定装置。
【発明の効果】
【００２４】
本発明によれば、石炭焚きボイラの燃焼制御で排ガス中のＣＯ濃度又はＮＯｘ濃度の変化をニューラルネットを用いてシミュレーションする場合に、実機データに含まれる計測誤差に起因したニューラルネットモデルの推定誤差を抑制して精度の高いガス濃度の推定を可能にする石炭焚きボイラのガス濃度推定装置及びガス濃度推定方法が実現できる。
【発明を実施するための最良の形態】
【００２５】
本発明に係わるガス濃度推定装置は、火力発電プラントに設置された石炭焚きボイラを対象としており、ニューラルネットを用いて石炭焚きボイラから排出される排ガスに含まれるＣＯとＮＯｘのガス濃度の推定処理を行なうガス濃度推定装置である。
【００２６】
石炭焚きボイラから排出される排ガスに含まれるＣＯとＮＯｘの物質は環境規制により排ガス中の濃度に制限値が設けられている。
【００２７】
本発明の実施例である石炭焚きボイラのガス濃度推定装置は、石炭焚きボイラを備えた火力発電プラントの種々の運転条件に対する排ガス中のＣＯ濃度とＮＯｘ濃度を推定するものである。
【００２８】
本発明の対象となる石炭焚きボイラを備えた火力発電プラントの制御システムは、前記ガス濃度推定装置から得られる種々の運転条件（燃料流量、空気流量など）に対するＣＯ濃度とＮＯｘ濃度の推定値を基に、排ガスの環境規制を満足し、かつ、ボイラの効率が最大となる石炭焚きボイラの運転条件を計画するものである。
【００２９】
本発明の実施例である石炭焚きボイラのガス濃度推定装置及び方法について図面を参照して以下に説明する。
【実施例１】
【００３０】
図１は、本発明の一実施例である石炭焚きボイラのガス濃度推定装置の構成を示す概略図である。
【００３１】
図１に示したプラントである石炭焚きボイラ４の燃焼制御は制御システム２によって行われている。そして図１に示した石炭焚きボイラ４のガス濃度推定装置１は、石炭焚きボイラ４から排出される排ガス中のＣＯ濃度とＮＯｘ濃度を推定するガス濃度推定装置１が設置されている。
【００３２】
前記ガス濃度推定装置１は、石炭焚きボイラ４の実機データとなるプロセスデータを制御システム２を介してオンラインで取り込み、この取り込んだプロセスデータを時系列に格納するプロセスデータベース（プロセスＤＢ）１１と、このプロセスＤＢ１１に時系列に格納されたプロセスデータからニューラルネットの学習に適したデータを抽出するフィルタリング処理を行なうフィルタリング処理部１２と、このフィルタリング処理部１２におけるフィルタリング処理結果を格納するフィルタリング処理結果格納部１３とを備えている。
【００３３】
また前記ガス濃度推定装置１は、フィルタリング処理で抽出されて前記フィルタリング処理結果格納部１３に格納されたニューラルネットの学習に適したデータに基づいて、石炭焚きボイラ４から排出される排ガス中のＣＯ濃度及び又はＮＯｘ濃度の推定のためのニューラルネットの学習処理を行なうニューラルネット学習処理部１４と、このニューラルネット学習処理部１４の学習処理で求めた結合係数を格納する学習結果格納部１５とを備えている。
【００３４】
更に前記ガス濃度推定装置１は、ニューラルネット学習処理部１４の学習処理に基づいて前記石炭焚きボイラ４から排出する排ガス中のＣＯ濃度及び又はＮＯｘ濃度を推定処理するニューラルネット推定処理部１６を備えている。
【００３５】
本発明の実施例では、制御対象の石炭焚きボイラ４にはボイラの燃焼制御を行なう制御システム２が設置されており、この制御システム２によってガス濃度推定装置１に対して石炭焚きボイラ４の運転条件を設定し、ガス濃度推定装置１ではこの運転条件でのＣＯ濃度とＮＯｘ濃度の推定値を演算するように構成されている。
【００３６】
ガス濃度推定装置１は、石炭焚きボイラ４のＣＯ濃度とＮＯｘ濃度を推定するに際して、制御システム２を通して取り込んだ石炭焚きボイラ４のプロセスデータを使用する。
【００３７】
制御システム２から取り込んだ石炭焚きボイラ４のプロセスデータは、上記したようにガス濃度推定装置１に設置されたプロセスＤＢ１１に送付されて時系列に格納される。
【００３８】
そしてガス濃度推定装置１では、次にフィルタリング処理部１２にてプロセスＤＢ１１に時系列に格納された石炭焚きボイラ４のプロセスデータを取り込んで、ニューラルネットの学習に適したプロセスデータのみを抽出するフィルタリング処理を行なう。
【００３９】
本実施例では、モデル構築に使用する石炭焚きボイラ４の実機のプロセスデータの中から、モデルの誤差となるデータを省いた後、モデルの学習を行なう処理とする。モデルの誤差要因となるデータの選別は以下のようにして行なう。
【００４０】
通常、モデルの入力として使用するデータの種類は複数ある。これらのうち、最初に１つの入力信号に着目し、この入力信号を除いて、他の入力信号の値がほぼ同じであるデータの組合せを複数抽出する。
【００４１】
抽出した複数のデータについて、着目した入力信号の変化に対する傾向を確認する。このとき、傾向から逸脱したデータがあれば、そのデータがモデリングの際の誤差要因となると判断し、学習データから除外する。以上の処理を、入力信号に使用するデータの種類ごとに実施する。
【００４２】
次に、このフィルタリング処理部１２におけるフィルタリング処理の具体的な内容について説明する。
【００４３】
フィルタリング処理部１２は、ニューラルネットの入力として使用する入力信号、及び、推定対象であるＣＯ濃度、ＮＯｘ濃度に対応する計測値をプロセスＤＢ１１に格納された石炭焚きボイラ４のプロセスデータの中から取得する。
【００４４】
ニューラルネットの入力信号としては、例えば、石炭焚きボイラ４に供給される燃焼用の一次空気流量（非計測の場合は一次空気ファン動力など）、二次空気流量、石炭焚きボイラの負荷、及び燃料の石炭を供給する給炭機流量などがある。
【００４５】
このうち、最初の手順として１つの信号に着目し、フィルタリング処理部１２にてプロセスＤＢ１１に格納されているプロセスデータのグループ化を行なう。
【００４６】
例えば、最初の手順における１つの信号として給炭機流量の信号に着目した場合、給炭機流量以外の信号値について、差が所定の閾値以内にあるデータを同じグループとして定義する。
【００４７】
つまり、給炭機流量以外の信号を入力信号とする場合には、フィルタリング処理部１２にて、給炭機流量の値は異なるが、一次空気流量、二次空気流量、ボイラ負荷の各信号は所定の閾値以内にあるほぼ同じ値を示すデータを集めてグループ化する。
【００４８】
次に、上記でグループ化した各グループについて、フィルタリング処理部１２にて入力信号である給炭機流量と、推定するガス濃度の対象となるＣＯ濃度とＮＯｘ濃度との関係をグラフ化する。この処理の概念を図２に示す。
【００４９】
図２はフィルタリング処理部１２にて行なうグラフ化の処理であり、同じグループに属するデータに対して、横軸に入力信号の給炭機流量、縦軸に推定するガス濃度の対象となるＮＯｘ濃度をプロットしたときの特性グラフを示している。
【００５０】
給炭機流量の信号以外の他の信号の値は前述したように所定の閾値以内にあるほぼ同じ値となっているので、給炭機流量以外の他の信号は同条件と仮定できる。この場合、特性グラフはデータの給炭機流量に対する依存性、即ち、ＮＯｘ濃度に与える影響の関係の程度を示し、図２（ａ）のケースでは前記関係の程度が大の状況を表している。
【００５１】
次に、図２にプロットしたデータに対して、フィルタリング処理部１２にて関数フィッティングを行なう。
【００５２】
図２（ａ）に示された曲線状の関数１００がフィッティング処理により得られたフィッティング関数を示している。
【００５３】
次に、このフィッティング関数１００とプロットされた各データとの誤差をフィルタリング処理１２で計算する。
【００５４】
そしてフィルタリング処理１２における計算によって、誤差が所定の閾値の値を超えていたデータは、給炭機流量に対する前記依存性が他のデータと異なるので、誤差を多く含むデータと判断して、後述するニューラルネット学習処理部１４でニューラルネットのモデルを学習するモデリング処理で使用するデータから除外する。
【００５５】
例えば、図２（ａ）に示したケースにおいて、曲線状の関数１００に対してデータ１０１の誤差ΔＥが所定の閾値の値を超えていれば、データ１０１に含まれる誤差ΔＥが大きいと判断してこのデータ１０１をモデリング処理で使用するデータから除外する。
【００５６】
次に、図２（ｂ）に示したケースのように、前記フィルタリング処理１２でのフィッティング処理で除外されなかったデータに対して、再度、フィッティング処理を行なう。
【００５７】
この図２（ｂ）の例では、データ１０１を除外してフィッティング処理を行ない、新たに曲線状のフィッティング関数１０２を得た状況を示している。
【００５８】
次に、この新たなフィッティング関数１０２とプロットされた各データとの誤差をフィルタリング処理１２にて計算する。そして誤差が所定の閾値の値を超えるデータが存在した場合には、この所定の閾値の値を超える誤差となるデータを除外して、再度、フィッティング処理を行なう。
【００５９】
そして誤差が所定の閾値の値を超えるデータがなければ、このグループに対する処理は終了である。別のグループに対しても同様の処理を行なう。
【００６０】
上記に説明した処理を、ニューラルネットモデルの入力信号として設定している各信号（前記した例では、給炭機流量の他に一次空気流量、二次空気流量、及びボイラの負荷）に関して行なう。
【００６１】
上記したフィルタリング処理１２におけるフィルタリング処理によって、モデルの誤差要因となる誤差の大きなデータを除外することができる。
【００６２】
これらのフィルタリング処理部１２におけるフィルタリング処理結果は、フィルタリング処理結果格納部１３に格納される。
【００６３】
次に、ニューラルネット学習処理部１４にて、フィルタリング処理結果格納部１３に格納されたフィルタリング処理したデータを基に、ＣＯ濃度とＮＯｘ濃度を推定するためのニューラルネットの学習処理を行なう。
【００６４】
前記ニューラルネット学習処理部１４におけるニューラルネットの構成例を図３に示す。
【００６５】
図３に示したニューラルネット学習処理部１４を構成するニューラルネットの構成例では、ニューラルネットの入力信号として、石炭焚きボイラ４のプロセスデータである給炭機流量、一次空気流量、二次空気流量、ボイラ負荷をそれぞれ与え、ニューラルネットの出力信号として石炭焚きボイラ４から排出される排ガス中のＣＯ濃度とＮＯｘ濃度を設定している。
【００６６】
このニューラルネット学習処理部１４を構成するニューラルネットにおける学習処理によって、ニューラルネットの入力値と出力値との関係を表す結合係数が求められる。
【００６７】
ニューラルネット学習処理部１４におけるニューラルネットによる学習処理で求めた結合係数は学習結果格納部１５に格納される。
【００６８】
以上の説明が、石炭焚きボイラ４から排出される排ガス中のガス濃度（ＣＯ濃度及び又はＮＯｘ濃度）を推定するためのニューラルネットモデルを構築する学習処理の内容である。
【００６９】
このニューラルネット学習処理部１４での学習処理では、プロセスＤＢ１１に種々の運転条件における石炭焚きボイラ４の計測データが格納されていれば、リアルタイムで処理する必要はない。
【００７０】
また、後述するニューラルネット推定処理部１６におけるガス濃度（ＣＯ濃度とＮＯｘ濃度）を推定する処理を行なう前に、あらかじめ前記した学習処理を行っておき、ニューラルネットモデルを用意しておくことも可能である。
【００７１】
次に、前記ニューラルネット学習処理部１４の学習処理で構築されたニューラルネットモデルを用いてニューラルネット推定処理部１６で、石炭焚きボイラ４の排ガスに含まれるガス濃度（ＣＯ濃度及び又はＮＯｘ濃度）の推定を行なう動作について説明する。
【００７２】
図１に示した石炭焚きボイラを備えた火力発電プラント４の制御システム２では、環境規制値が設定されている石炭焚きボイラ４の排ガスに含まれるガス濃度であるＣＯ濃度及び又はＮＯｘ濃度を低減させるために、石炭焚きボイラ４の燃焼制御の最適化を行なう。
【００７３】
この燃焼制御の最適化の処理は、制御システム２に設置された運転条件設定部３によって、該制御システム２からの指令信号に基づいてニューラルネットの入力に設定するプロセス値のうち制御条件に対応するプロセス値を変更する。
【００７４】
例えば、一次空気流量を変えたときのＣＯ濃度やＮＯｘ濃度の変化傾向を解析する場合には、運転条件設定部３がニューラルネットの入力信号のうち、一次空気流量の値のみを変え、その他の入力信号（例えば、給炭機流量、二次空気流量、及びボイラの負荷）の値については現在値をそのまま設定するように動作する。
【００７５】
このとき、ニューラルネット推定処理部１６による推定処理で得られるＣＯ濃度やＮＯｘ濃度の推定値（上記の例では、入力信号の一次空気流量に対する変化傾向が分かる）を基に、制御システム２が石炭焚きボイラにおけるボイラ燃焼の最適な制御方法を決定する。
【００７６】
ボイラ燃焼の最適な制御方法としては、例えばボイラに供給する燃焼用空気量の調節や、ボイラの燃焼パターンを変更してボイラの燃焼制御を行なうことが考えられる。
【００７７】
上記で述べたニューラルネット推定処理部１６による処理の結果については、図１に示した表示装置５に表示して確認できるように構成されている。
【００７８】
図４に図１に示した本実施例に設置した表示装置５における表示例の一例を示すが、図４（ａ）に示した表示装置５の表示例では、フィルタリング処理部１２のフィルタリング処理によって除外されたデータ１０１を図示している。
【００７９】
また、図４（ｂ）に示した表示装置５の表示例では、本実施例のニューラルネット推定処理部１６によって、学習処理により得られたニューラルネットモデルのＮＯｘ濃度に対する推定値を点線で示すと共に、時間の経過によるＮＯｘ濃度の推定値のトレンドも表示している。
【００８０】
また、この図４（ｂ）の表示例では、実線で示したＮＯｘ濃度の実測値と、点線で示したニューラルネットモデルによる推定値のトレンドとの双方を比較する形式で図示している。
【００８１】
以上に説明した本実施例では、制御システムによるボイラの燃焼制御の最適化を行なうための排ガス中のＣＯ濃度及び又はＮＯｘ濃度の推定処理を高精度で行なうことが可能となる。
【００８２】
即ち、本発明の実施例によれば、石炭焚きボイラの燃焼制御で排ガス中のＣＯ濃度又はＮＯｘ濃度の変化をニューラルネットを用いてシミュレーションする場合に、実機データに含まれる計測誤差に起因したニューラルネットモデルの推定誤差を抑制して精度の高いガス濃度の推定を可能にする精度の高いガス濃度の推定を可能にする石炭焚きボイラのガス濃度推定装置及びガス濃度推定方法が実現できる。
【産業上の利用可能性】
【００８３】
本発明は石炭焚きボイラから排出される排ガスに含まれるガス成分であるＣＯ濃度やＮＯｘの濃度を推定する石炭焚きボイラのガス濃度推定装置及びガス濃度推定方法に適用可能である。
【図面の簡単な説明】
【００８４】
【図１】本発明の一実施例である石炭焚きボイラのガス濃度推定装置の構成を示す概略図。
【図２】図１に示した実施例のガス濃度推定装置を構成するフィルタリング処理部におけるグラフ化の処理の一例を示した概略図。
【図３】図１に示した実施例のガス濃度推定装置を構成するニューラルネット学習処理部におけるニューラルネットの構成の一例を示す概略図。
【図４】図１に示した実施例に設置した表示装置における表示の一例を示す概略図。
【符号の説明】
【００８５】
１：ガス濃度推定装置、２：制御システム、３：運転条件設定部、４：石炭焚きボイラ、５：表示装置、１１：プロセスデータベース、１２：フィルタリング処理部、１３：フィルタリング処理結果格納部、１４：ニューラルネット学習処理部、１５：学習結果格納部、１６：ニューラルネット推定処理部。
【技術分野】
【０００１】
本発明は、火力発電プラントに備えられた石炭焚きボイラのガス濃度推定装置及びガス濃度推定方法に係わり、特に石炭焚きボイラから排出される排ガスに含まれるガス成分であるＣＯ濃度やＮＯｘの濃度を推定する石炭焚きボイラのガス濃度推定装置及びガス濃度推定方法に関するものである。
【背景技術】
【０００２】
石炭焚きボイラは燃料として石炭を使用するが、この石炭焚きボイラを備えた火力発電プラントでは、石炭焚きボイラから排出される排ガスに含まれている環境汚染物質であるＣＯとＮＯｘの濃度を規定値以下に抑制しなければならない。
【０００３】
石炭焚きボイラの排ガスに含まれるＣＯとＮＯｘの生成量は相反する関係にあり、石炭焚きボイラで石炭を燃焼させる際に燃焼用の空気（酸素）過剰であればＮＯｘの生成量が多くなり、逆に空気が不足していればＣＯの生成量が多くなる。
【０００４】
最近の石炭焚きボイラでは、ＣＯとＮＯｘの両者が生成する濃度を低減し、かつ石炭焚きボイラの燃焼効率を向上させるため、燃焼用空気を段階的に石炭焚きボイラ内に送り込む二段燃焼方式が採用されている。
【０００５】
この二段燃焼方式による燃焼制御では、石炭焚きボイラに供給する燃焼用空気量の調整と、石炭焚きボイラに設置されたバーナの燃焼パターンの選択などを行なって、石炭焚きボイラの最適な燃焼状態をつくる。
【０００６】
また、この燃焼制御の最適化のための調整（制御ゲインの調整、バーナ燃焼パターンの計画など）はオフラインであらかじめ実施しておく。
【０００７】
ただし、このようにして前もって調整された燃焼条件は、代表的な運転モードに対して最適化されたものであり、大まかな運転計画でしかない。
【０００８】
また、経年劣化によりプラントである石炭焚きボイラの特性が変わるので、石炭焚きボイラ運転開始時には最適な燃焼条件であったものが、経年によって最適な燃焼条件から徐々にずれてくる。
【０００９】
これに対して、時々刻々と変わる負荷要求値などの運転条件や経年劣化に対応して、石炭焚きボイラの運転の最適化（ＣＯとＮＯｘ濃度を許容範囲内に抑えながら、燃焼効率を最大化する）を実施することが、経済的な観点から要求されている。
【００１０】
この石炭焚きボイラの運転の最適化を実現するには、現在の運転条件をベースとして、制御デマンド変更に対する排ガス中のＣＯとＮＯｘ濃度の変化をオンラインでシミュレーションできることが必要である。
【００１１】
つまり、計測データから得られる現在の石炭焚きボイラの運転条件に対して、制御デマンドを変更した場合の石炭焚きボイラの燃焼効率と環境負荷物質の排出量を評価し、両者の点を鑑みて最適な制御ポイントを探索する機能が必要である。
【００１２】
石炭焚きボイラから排出される排ガス中のＣＯとＮＯｘ濃度を推定する方法は幾つかあるが、ニューラルネットのような学習型のアルゴリズムを基に、実機データを用いて各運転条件とガス濃度の変化傾向との関係をモデリングする方法がある。
【００１３】
例えば、特開２００７−２６４７９６号公報には、ボイラの制御に使用するプラントの特性を模擬する連続モデルの作成に関して、ボイラのプロセスデータに基づいて連続モデルを作成し、数値解析したプロセスデータと実機の運転データを用いて連続モデルを再度作成し、この再度作成された連続モデルを用いて強化学習しボイラの制御を行なうことによって、排ガス中の環境負荷物質を減少させる制御方法が開示されている。そして連続モデルの作成にニューラルネットを用いることも示唆されている。
【００１４】
このようなモデリング方法の場合、実機データがあれば、その実機の特性に応じたＣＯ濃度とＮＯｘ濃度の推定モデルが容易に作成できる。つまり、石炭焚きボイラの運転開始後も運転中の実機データを用いれば、その状態に適した推定モデルが作成できるので、よく適用される方法の一つである。
【００１５】
【特許文献１】特開２００７−２６４７９６号公報
【発明の開示】
【発明が解決しようとする課題】
【００１６】
しかしながら、石炭焚きボイラの計測値である実機データは、出力などの運転条件を変えている場合の過渡的な状態も含まれている。この場合、計測値間の相関関係は一時的な状態であり、時間が経過してプラントの状態が整定した後の相関関係とは異なる状態を示すことになる。
【００１７】
特開２００７−２６４７９６号公報に示唆されたニューラルネットを用いてプラントの動特性をモデリングしたい場合には、このような実機データを用いてニューラルネットの学習を行なうことが有効である。
【００１８】
しかしながら、プラントの静特性を学習したい場合には、このような過渡的な状態を含む実機データを学習に用いると、モデリングに誤差を生じる要因となる。また、通常、プラントの計測値は計測誤差を含む。
【００１９】
例えば、温度などは比較的、高精度で計測できるが、流量などは計測誤差を含みやすい。また、センサの経年劣化も計測誤差の要因となる。つまり、上記したように実機データの中には、精度の高いデータと精度が低く誤差が大きいデータとが混在している。
【００２０】
これらの精度が低いデータが混在した実機データを全て用いてニューラルネットの学習を行った場合には、構築されたニューラルネットのモデルも精度が低いものとなる。
【００２１】
この結果、精度が低いデータが混在した実機データを用いて実機データの傾向を学習してプラントである石炭焚きボイラから排出される排ガス中のＣＯ／ＮＯｘ濃度の推定モデルを構築する場合に、構築されたモデルの推定精度が低くなるという問題があった。
【００２２】
本発明の目的は、石炭焚きボイラの燃焼制御で排ガス中のＣＯ濃度又はＮＯｘ濃度の変化をニューラルネットを用いてシミュレーションする場合に、実機データに含まれる計測誤差に起因したニューラルネットモデルの推定誤差を抑制して精度の高いガス濃度の推定を可能にする石炭焚きボイラのガス濃度推定装置及びガス濃度推定方法を提供することにある。
【課題を解決するための手段】
【００２３】
本発明のニューラルネットを用いて石炭焚きボイラから排出される排ガスに含まれるガス成分の濃度を推定する石炭焚きボイラのガス濃度推定装置において、前記ガス濃度推定装置は石炭焚きボイラのプロセスデータを格納するプロセスデータベース部と、このプロセスデータベース部に格納されたプロセスデータからニューラルネットの学習に適したデータを抽出するフィルタリング処理を行なうフィルタリング処理部と、このフィルタリング処理部で抽出されたニューラルネットの学習に適したデータに基づいてニューラルネットの学習処理を行なうニューラルネット学習処理部と、このニューラルネット学習処理部の学習処理に基づいて前記石炭焚きボイラから排出する排ガス中のＣＯ濃度又はＮＯｘ濃度を推定処理するニューラルネット推定処理部とを備えていることを特徴とする石炭焚きボイラのガス濃度推定装置。
【発明の効果】
【００２４】
本発明によれば、石炭焚きボイラの燃焼制御で排ガス中のＣＯ濃度又はＮＯｘ濃度の変化をニューラルネットを用いてシミュレーションする場合に、実機データに含まれる計測誤差に起因したニューラルネットモデルの推定誤差を抑制して精度の高いガス濃度の推定を可能にする石炭焚きボイラのガス濃度推定装置及びガス濃度推定方法が実現できる。
【発明を実施するための最良の形態】
【００２５】
本発明に係わるガス濃度推定装置は、火力発電プラントに設置された石炭焚きボイラを対象としており、ニューラルネットを用いて石炭焚きボイラから排出される排ガスに含まれるＣＯとＮＯｘのガス濃度の推定処理を行なうガス濃度推定装置である。
【００２６】
石炭焚きボイラから排出される排ガスに含まれるＣＯとＮＯｘの物質は環境規制により排ガス中の濃度に制限値が設けられている。
【００２７】
本発明の実施例である石炭焚きボイラのガス濃度推定装置は、石炭焚きボイラを備えた火力発電プラントの種々の運転条件に対する排ガス中のＣＯ濃度とＮＯｘ濃度を推定するものである。
【００２８】
本発明の対象となる石炭焚きボイラを備えた火力発電プラントの制御システムは、前記ガス濃度推定装置から得られる種々の運転条件（燃料流量、空気流量など）に対するＣＯ濃度とＮＯｘ濃度の推定値を基に、排ガスの環境規制を満足し、かつ、ボイラの効率が最大となる石炭焚きボイラの運転条件を計画するものである。
【００２９】
本発明の実施例である石炭焚きボイラのガス濃度推定装置及び方法について図面を参照して以下に説明する。
【実施例１】
【００３０】
図１は、本発明の一実施例である石炭焚きボイラのガス濃度推定装置の構成を示す概略図である。
【００３１】
図１に示したプラントである石炭焚きボイラ４の燃焼制御は制御システム２によって行われている。そして図１に示した石炭焚きボイラ４のガス濃度推定装置１は、石炭焚きボイラ４から排出される排ガス中のＣＯ濃度とＮＯｘ濃度を推定するガス濃度推定装置１が設置されている。
【００３２】
前記ガス濃度推定装置１は、石炭焚きボイラ４の実機データとなるプロセスデータを制御システム２を介してオンラインで取り込み、この取り込んだプロセスデータを時系列に格納するプロセスデータベース（プロセスＤＢ）１１と、このプロセスＤＢ１１に時系列に格納されたプロセスデータからニューラルネットの学習に適したデータを抽出するフィルタリング処理を行なうフィルタリング処理部１２と、このフィルタリング処理部１２におけるフィルタリング処理結果を格納するフィルタリング処理結果格納部１３とを備えている。
【００３３】
また前記ガス濃度推定装置１は、フィルタリング処理で抽出されて前記フィルタリング処理結果格納部１３に格納されたニューラルネットの学習に適したデータに基づいて、石炭焚きボイラ４から排出される排ガス中のＣＯ濃度及び又はＮＯｘ濃度の推定のためのニューラルネットの学習処理を行なうニューラルネット学習処理部１４と、このニューラルネット学習処理部１４の学習処理で求めた結合係数を格納する学習結果格納部１５とを備えている。
【００３４】
更に前記ガス濃度推定装置１は、ニューラルネット学習処理部１４の学習処理に基づいて前記石炭焚きボイラ４から排出する排ガス中のＣＯ濃度及び又はＮＯｘ濃度を推定処理するニューラルネット推定処理部１６を備えている。
【００３５】
本発明の実施例では、制御対象の石炭焚きボイラ４にはボイラの燃焼制御を行なう制御システム２が設置されており、この制御システム２によってガス濃度推定装置１に対して石炭焚きボイラ４の運転条件を設定し、ガス濃度推定装置１ではこの運転条件でのＣＯ濃度とＮＯｘ濃度の推定値を演算するように構成されている。
【００３６】
ガス濃度推定装置１は、石炭焚きボイラ４のＣＯ濃度とＮＯｘ濃度を推定するに際して、制御システム２を通して取り込んだ石炭焚きボイラ４のプロセスデータを使用する。
【００３７】
制御システム２から取り込んだ石炭焚きボイラ４のプロセスデータは、上記したようにガス濃度推定装置１に設置されたプロセスＤＢ１１に送付されて時系列に格納される。
【００３８】
そしてガス濃度推定装置１では、次にフィルタリング処理部１２にてプロセスＤＢ１１に時系列に格納された石炭焚きボイラ４のプロセスデータを取り込んで、ニューラルネットの学習に適したプロセスデータのみを抽出するフィルタリング処理を行なう。
【００３９】
本実施例では、モデル構築に使用する石炭焚きボイラ４の実機のプロセスデータの中から、モデルの誤差となるデータを省いた後、モデルの学習を行なう処理とする。モデルの誤差要因となるデータの選別は以下のようにして行なう。
【００４０】
通常、モデルの入力として使用するデータの種類は複数ある。これらのうち、最初に１つの入力信号に着目し、この入力信号を除いて、他の入力信号の値がほぼ同じであるデータの組合せを複数抽出する。
【００４１】
抽出した複数のデータについて、着目した入力信号の変化に対する傾向を確認する。このとき、傾向から逸脱したデータがあれば、そのデータがモデリングの際の誤差要因となると判断し、学習データから除外する。以上の処理を、入力信号に使用するデータの種類ごとに実施する。
【００４２】
次に、このフィルタリング処理部１２におけるフィルタリング処理の具体的な内容について説明する。
【００４３】
フィルタリング処理部１２は、ニューラルネットの入力として使用する入力信号、及び、推定対象であるＣＯ濃度、ＮＯｘ濃度に対応する計測値をプロセスＤＢ１１に格納された石炭焚きボイラ４のプロセスデータの中から取得する。
【００４４】
ニューラルネットの入力信号としては、例えば、石炭焚きボイラ４に供給される燃焼用の一次空気流量（非計測の場合は一次空気ファン動力など）、二次空気流量、石炭焚きボイラの負荷、及び燃料の石炭を供給する給炭機流量などがある。
【００４５】
このうち、最初の手順として１つの信号に着目し、フィルタリング処理部１２にてプロセスＤＢ１１に格納されているプロセスデータのグループ化を行なう。
【００４６】
例えば、最初の手順における１つの信号として給炭機流量の信号に着目した場合、給炭機流量以外の信号値について、差が所定の閾値以内にあるデータを同じグループとして定義する。
【００４７】
つまり、給炭機流量以外の信号を入力信号とする場合には、フィルタリング処理部１２にて、給炭機流量の値は異なるが、一次空気流量、二次空気流量、ボイラ負荷の各信号は所定の閾値以内にあるほぼ同じ値を示すデータを集めてグループ化する。
【００４８】
次に、上記でグループ化した各グループについて、フィルタリング処理部１２にて入力信号である給炭機流量と、推定するガス濃度の対象となるＣＯ濃度とＮＯｘ濃度との関係をグラフ化する。この処理の概念を図２に示す。
【００４９】
図２はフィルタリング処理部１２にて行なうグラフ化の処理であり、同じグループに属するデータに対して、横軸に入力信号の給炭機流量、縦軸に推定するガス濃度の対象となるＮＯｘ濃度をプロットしたときの特性グラフを示している。
【００５０】
給炭機流量の信号以外の他の信号の値は前述したように所定の閾値以内にあるほぼ同じ値となっているので、給炭機流量以外の他の信号は同条件と仮定できる。この場合、特性グラフはデータの給炭機流量に対する依存性、即ち、ＮＯｘ濃度に与える影響の関係の程度を示し、図２（ａ）のケースでは前記関係の程度が大の状況を表している。
【００５１】
次に、図２にプロットしたデータに対して、フィルタリング処理部１２にて関数フィッティングを行なう。
【００５２】
図２（ａ）に示された曲線状の関数１００がフィッティング処理により得られたフィッティング関数を示している。
【００５３】
次に、このフィッティング関数１００とプロットされた各データとの誤差をフィルタリング処理１２で計算する。
【００５４】
そしてフィルタリング処理１２における計算によって、誤差が所定の閾値の値を超えていたデータは、給炭機流量に対する前記依存性が他のデータと異なるので、誤差を多く含むデータと判断して、後述するニューラルネット学習処理部１４でニューラルネットのモデルを学習するモデリング処理で使用するデータから除外する。
【００５５】
例えば、図２（ａ）に示したケースにおいて、曲線状の関数１００に対してデータ１０１の誤差ΔＥが所定の閾値の値を超えていれば、データ１０１に含まれる誤差ΔＥが大きいと判断してこのデータ１０１をモデリング処理で使用するデータから除外する。
【００５６】
次に、図２（ｂ）に示したケースのように、前記フィルタリング処理１２でのフィッティング処理で除外されなかったデータに対して、再度、フィッティング処理を行なう。
【００５７】
この図２（ｂ）の例では、データ１０１を除外してフィッティング処理を行ない、新たに曲線状のフィッティング関数１０２を得た状況を示している。
【００５８】
次に、この新たなフィッティング関数１０２とプロットされた各データとの誤差をフィルタリング処理１２にて計算する。そして誤差が所定の閾値の値を超えるデータが存在した場合には、この所定の閾値の値を超える誤差となるデータを除外して、再度、フィッティング処理を行なう。
【００５９】
そして誤差が所定の閾値の値を超えるデータがなければ、このグループに対する処理は終了である。別のグループに対しても同様の処理を行なう。
【００６０】
上記に説明した処理を、ニューラルネットモデルの入力信号として設定している各信号（前記した例では、給炭機流量の他に一次空気流量、二次空気流量、及びボイラの負荷）に関して行なう。
【００６１】
上記したフィルタリング処理１２におけるフィルタリング処理によって、モデルの誤差要因となる誤差の大きなデータを除外することができる。
【００６２】
これらのフィルタリング処理部１２におけるフィルタリング処理結果は、フィルタリング処理結果格納部１３に格納される。
【００６３】
次に、ニューラルネット学習処理部１４にて、フィルタリング処理結果格納部１３に格納されたフィルタリング処理したデータを基に、ＣＯ濃度とＮＯｘ濃度を推定するためのニューラルネットの学習処理を行なう。
【００６４】
前記ニューラルネット学習処理部１４におけるニューラルネットの構成例を図３に示す。
【００６５】
図３に示したニューラルネット学習処理部１４を構成するニューラルネットの構成例では、ニューラルネットの入力信号として、石炭焚きボイラ４のプロセスデータである給炭機流量、一次空気流量、二次空気流量、ボイラ負荷をそれぞれ与え、ニューラルネットの出力信号として石炭焚きボイラ４から排出される排ガス中のＣＯ濃度とＮＯｘ濃度を設定している。
【００６６】
このニューラルネット学習処理部１４を構成するニューラルネットにおける学習処理によって、ニューラルネットの入力値と出力値との関係を表す結合係数が求められる。
【００６７】
ニューラルネット学習処理部１４におけるニューラルネットによる学習処理で求めた結合係数は学習結果格納部１５に格納される。
【００６８】
以上の説明が、石炭焚きボイラ４から排出される排ガス中のガス濃度（ＣＯ濃度及び又はＮＯｘ濃度）を推定するためのニューラルネットモデルを構築する学習処理の内容である。
【００６９】
このニューラルネット学習処理部１４での学習処理では、プロセスＤＢ１１に種々の運転条件における石炭焚きボイラ４の計測データが格納されていれば、リアルタイムで処理する必要はない。
【００７０】
また、後述するニューラルネット推定処理部１６におけるガス濃度（ＣＯ濃度とＮＯｘ濃度）を推定する処理を行なう前に、あらかじめ前記した学習処理を行っておき、ニューラルネットモデルを用意しておくことも可能である。
【００７１】
次に、前記ニューラルネット学習処理部１４の学習処理で構築されたニューラルネットモデルを用いてニューラルネット推定処理部１６で、石炭焚きボイラ４の排ガスに含まれるガス濃度（ＣＯ濃度及び又はＮＯｘ濃度）の推定を行なう動作について説明する。
【００７２】
図１に示した石炭焚きボイラを備えた火力発電プラント４の制御システム２では、環境規制値が設定されている石炭焚きボイラ４の排ガスに含まれるガス濃度であるＣＯ濃度及び又はＮＯｘ濃度を低減させるために、石炭焚きボイラ４の燃焼制御の最適化を行なう。
【００７３】
この燃焼制御の最適化の処理は、制御システム２に設置された運転条件設定部３によって、該制御システム２からの指令信号に基づいてニューラルネットの入力に設定するプロセス値のうち制御条件に対応するプロセス値を変更する。
【００７４】
例えば、一次空気流量を変えたときのＣＯ濃度やＮＯｘ濃度の変化傾向を解析する場合には、運転条件設定部３がニューラルネットの入力信号のうち、一次空気流量の値のみを変え、その他の入力信号（例えば、給炭機流量、二次空気流量、及びボイラの負荷）の値については現在値をそのまま設定するように動作する。
【００７５】
このとき、ニューラルネット推定処理部１６による推定処理で得られるＣＯ濃度やＮＯｘ濃度の推定値（上記の例では、入力信号の一次空気流量に対する変化傾向が分かる）を基に、制御システム２が石炭焚きボイラにおけるボイラ燃焼の最適な制御方法を決定する。
【００７６】
ボイラ燃焼の最適な制御方法としては、例えばボイラに供給する燃焼用空気量の調節や、ボイラの燃焼パターンを変更してボイラの燃焼制御を行なうことが考えられる。
【００７７】
上記で述べたニューラルネット推定処理部１６による処理の結果については、図１に示した表示装置５に表示して確認できるように構成されている。
【００７８】
図４に図１に示した本実施例に設置した表示装置５における表示例の一例を示すが、図４（ａ）に示した表示装置５の表示例では、フィルタリング処理部１２のフィルタリング処理によって除外されたデータ１０１を図示している。
【００７９】
また、図４（ｂ）に示した表示装置５の表示例では、本実施例のニューラルネット推定処理部１６によって、学習処理により得られたニューラルネットモデルのＮＯｘ濃度に対する推定値を点線で示すと共に、時間の経過によるＮＯｘ濃度の推定値のトレンドも表示している。
【００８０】
また、この図４（ｂ）の表示例では、実線で示したＮＯｘ濃度の実測値と、点線で示したニューラルネットモデルによる推定値のトレンドとの双方を比較する形式で図示している。
【００８１】
以上に説明した本実施例では、制御システムによるボイラの燃焼制御の最適化を行なうための排ガス中のＣＯ濃度及び又はＮＯｘ濃度の推定処理を高精度で行なうことが可能となる。
【００８２】
即ち、本発明の実施例によれば、石炭焚きボイラの燃焼制御で排ガス中のＣＯ濃度又はＮＯｘ濃度の変化をニューラルネットを用いてシミュレーションする場合に、実機データに含まれる計測誤差に起因したニューラルネットモデルの推定誤差を抑制して精度の高いガス濃度の推定を可能にする精度の高いガス濃度の推定を可能にする石炭焚きボイラのガス濃度推定装置及びガス濃度推定方法が実現できる。
【産業上の利用可能性】
【００８３】
本発明は石炭焚きボイラから排出される排ガスに含まれるガス成分であるＣＯ濃度やＮＯｘの濃度を推定する石炭焚きボイラのガス濃度推定装置及びガス濃度推定方法に適用可能である。
【図面の簡単な説明】
【００８４】
【図１】本発明の一実施例である石炭焚きボイラのガス濃度推定装置の構成を示す概略図。
【図２】図１に示した実施例のガス濃度推定装置を構成するフィルタリング処理部におけるグラフ化の処理の一例を示した概略図。
【図３】図１に示した実施例のガス濃度推定装置を構成するニューラルネット学習処理部におけるニューラルネットの構成の一例を示す概略図。
【図４】図１に示した実施例に設置した表示装置における表示の一例を示す概略図。
【符号の説明】
【００８５】
１：ガス濃度推定装置、２：制御システム、３：運転条件設定部、４：石炭焚きボイラ、５：表示装置、１１：プロセスデータベース、１２：フィルタリング処理部、１３：フィルタリング処理結果格納部、１４：ニューラルネット学習処理部、１５：学習結果格納部、１６：ニューラルネット推定処理部。
【特許請求の範囲】
【請求項１】
ニューラルネットを用いて石炭焚きボイラから排出される排ガスに含まれるガス成分の濃度を推定する石炭焚きボイラのガス濃度推定装置において、
前記ガス濃度推定装置は石炭焚きボイラのプロセスデータを格納するプロセスデータベース部と、このプロセスデータベース部に格納されたプロセスデータからニューラルネットの学習に適したデータを抽出するフィルタリング処理を行なうフィルタリング処理部と、このフィルタリング処理部で抽出されたニューラルネットの学習に適したデータに基づいてニューラルネットの学習処理を行なうニューラルネット学習処理部と、このニューラルネット学習処理部の学習処理に基づいて前記石炭焚きボイラから排出する排ガス中のＣＯ濃度又はＮＯｘ濃度を推定処理するニューラルネット推定処理部とを備えていることを特徴とする石炭焚きボイラのガス濃度推定装置。
【請求項２】
ニューラルネットを用いて石炭焚きボイラから排出されるガス成分の濃度を推定する石炭焚きボイラのガス濃度推定方法において、
石炭焚きボイラのプロセスデータをプロセスデータベース部に格納し、このプロセスデータベース部に格納されたプロセスデータはフィルタリング処理部によってニューラルネットの学習に適したデータを抽出するフィルタリング処理を行ない、このフィルタリング処理部で抽出されたニューラルネットの学習に適したデータに基づいてニューラルネット学習処理部によってニューラルネットの学習処理を行ない、このニューラルネット学習処理部の学習処理に基づいてニューラルネット推定処理部によって石炭焚きボイラから排出する排ガス中のＣＯ濃度又はＮＯｘ濃度を推定処理することを特徴とする石炭焚きボイラのガス濃度推定方法。
【請求項３】
請求項２に記載の石炭焚きボイラのガス濃度推定方法において、
フィルタリング処理部におけるフィルタリング処理は、前記ニューラルネット学習処理部の学習に用いるプロセスデータに対してニューラルネットの入力信号として使用する各信号に対する変化傾向を基に誤差を多く含むデータを特定し、この特定したデータを除外するようにフィルタリング処理することを特徴とする石炭焚きボイラのガス濃度推定方法。
【請求項４】
請求項２に記載の石炭焚きボイラのガス濃度推定方法において、
フィルタリング処理部におけるフィルタリング処理は、前記ニューラルネット学習処理部の学習に用いるプロセスデータに対してニューラルネットの入力信号として使用する各信号に対して、１つの入力信号を基準として他の入力信号の値が所定の閾値以内にあるプロセスデータを抽出してグループとし、該グループに属するプロセスデータを用いて基準とする入力信号と推定対象であるガス濃度の信号値との関係をフィッティングした関数を求め、フィッティングした関数の値と推定対象であるＣＯ濃度又はＮＯｘ濃度の信号値との差を用いて、除外するデータを特定することを特徴とする石炭焚きボイラのガス濃度推定方法。
【請求項５】
請求項４に記載の石炭焚きボイラのガス濃度推定方法において、
同じグループに属するデータと、フィッティングにより求めた関数と、除外したデータを表示装置に表示することを特徴とする石炭焚きボイラのガス濃度推定方法。
【請求項１】
ニューラルネットを用いて石炭焚きボイラから排出される排ガスに含まれるガス成分の濃度を推定する石炭焚きボイラのガス濃度推定装置において、
前記ガス濃度推定装置は石炭焚きボイラのプロセスデータを格納するプロセスデータベース部と、このプロセスデータベース部に格納されたプロセスデータからニューラルネットの学習に適したデータを抽出するフィルタリング処理を行なうフィルタリング処理部と、このフィルタリング処理部で抽出されたニューラルネットの学習に適したデータに基づいてニューラルネットの学習処理を行なうニューラルネット学習処理部と、このニューラルネット学習処理部の学習処理に基づいて前記石炭焚きボイラから排出する排ガス中のＣＯ濃度又はＮＯｘ濃度を推定処理するニューラルネット推定処理部とを備えていることを特徴とする石炭焚きボイラのガス濃度推定装置。
【請求項２】
ニューラルネットを用いて石炭焚きボイラから排出されるガス成分の濃度を推定する石炭焚きボイラのガス濃度推定方法において、
石炭焚きボイラのプロセスデータをプロセスデータベース部に格納し、このプロセスデータベース部に格納されたプロセスデータはフィルタリング処理部によってニューラルネットの学習に適したデータを抽出するフィルタリング処理を行ない、このフィルタリング処理部で抽出されたニューラルネットの学習に適したデータに基づいてニューラルネット学習処理部によってニューラルネットの学習処理を行ない、このニューラルネット学習処理部の学習処理に基づいてニューラルネット推定処理部によって石炭焚きボイラから排出する排ガス中のＣＯ濃度又はＮＯｘ濃度を推定処理することを特徴とする石炭焚きボイラのガス濃度推定方法。
【請求項３】
請求項２に記載の石炭焚きボイラのガス濃度推定方法において、
フィルタリング処理部におけるフィルタリング処理は、前記ニューラルネット学習処理部の学習に用いるプロセスデータに対してニューラルネットの入力信号として使用する各信号に対する変化傾向を基に誤差を多く含むデータを特定し、この特定したデータを除外するようにフィルタリング処理することを特徴とする石炭焚きボイラのガス濃度推定方法。
【請求項４】
請求項２に記載の石炭焚きボイラのガス濃度推定方法において、
フィルタリング処理部におけるフィルタリング処理は、前記ニューラルネット学習処理部の学習に用いるプロセスデータに対してニューラルネットの入力信号として使用する各信号に対して、１つの入力信号を基準として他の入力信号の値が所定の閾値以内にあるプロセスデータを抽出してグループとし、該グループに属するプロセスデータを用いて基準とする入力信号と推定対象であるガス濃度の信号値との関係をフィッティングした関数を求め、フィッティングした関数の値と推定対象であるＣＯ濃度又はＮＯｘ濃度の信号値との差を用いて、除外するデータを特定することを特徴とする石炭焚きボイラのガス濃度推定方法。
【請求項５】
請求項４に記載の石炭焚きボイラのガス濃度推定方法において、
同じグループに属するデータと、フィッティングにより求めた関数と、除外したデータを表示装置に表示することを特徴とする石炭焚きボイラのガス濃度推定方法。
【図１】
【図２】
【図３】
【図４】
【図２】
【図３】
【図４】
【公開番号】特開２００９−１９８１３６（Ｐ２００９−１９８１３６Ａ）
【公開日】平成２１年９月３日（２００９．９．３）
【国際特許分類】
【出願番号】特願２００８−４２７９６（Ｐ２００８−４２７９６）
【出願日】平成２０年２月２５日（２００８．２．２５）
【出願人】（０００００５１０８）株式会社日立製作所 (27,607)
【Ｆターム（参考）】
【公開日】平成２１年９月３日（２００９．９．３）
【国際特許分類】
【出願日】平成２０年２月２５日（２００８．２．２５）
【出願人】（０００００５１０８）株式会社日立製作所 (27,607)
【Ｆターム（参考）】
[ Back to top ]