[发明专利]锅炉设备的控制装置以及气体浓度推断装置

说明书

技术领域

本发明涉及锅炉设备(boiler plant)的控制装置。另外，本发明涉及利用神经网络(neural net)，推断作为火力设备的构成要素之一的燃煤锅炉的气体成分的浓度、特别是CO浓度、NO_X浓度的方法和装置。

背景技术

在设备控制的领域中，一直以来以PID控制为基本的控制逻辑是主流。另外，也提出有很多通过以神经网络为代表的带教示的学习功能，可以灵活应对设备的特性的技术。

为了利用带教示的学习功能来构成控制装置，由于有必要预先准备成为教示数据的成功事例，因此也提出了无教示的学习方法。

作为无教示学习的例子，有强化学习法，但该强化学习法是学习控制的构架，通过控制对象等与环境的反复实验性的相互作用，生成向环境的操作信号，使从环境得到的测量信号达到期望值。

该学习方法，具有即使事先无法准备成功事例，但只要预先定义期望状态，就能够自动适应环境学习期望行动的优点。

在强化学习中，具有学习功能，以利用从环境得到的测量信号计算的纯量的评价值(在强化学习中，被称为报酬)为线索，生成向环境的操作信号，使从现状态到将来为止得到的评价值的期待值达到最大。

作为实际安装此种学习功能的方法，具有例如技术文献的强化学习(Reinforcement Learning)中叙述的Actor-Critic、Q学习、实际时间Dynamic Programming等算法。

另外，作为发展上述方法的强化学习的构架，上述技术文献中介绍有称为Dyna一结构的构架。这是以模拟控制对象的模型为对象，预先学习应该生成怎样的操作信号，利用该学习结果决定对控制对象施加的操作信号的方法。

另外，作为适用强化学习的技术，列举有日本特开2000-35956号公报所述的技术。该技术是这样的技术：预先具备多个具有模型和学习功能的系统的组即强化学习模块，各强化学习模块中的模型与控制对象的预测误差越小，求得取越大值的责任信号，与该责任信号成比例地对于从各强化学习模块生成的向控制对象的操作信号进行加权，决定对控制对象施加的操作信号。

燃煤锅炉使用煤作燃料。在具有燃煤锅炉的火力发电设备中，从锅炉中排出的环境污染物质CO、NO_X的浓度必须为规定值以下。CO与NO_X生成量的关系相反，如果空气(或氧)过剩，则NO_X的生成量变多；相反如果空气不足则CO的生成量变多。在近来的燃煤锅炉中，为了降低CO与NO_X两者、并且提高燃烧效率，进行阶段性地送入空气的二段燃烧。在该燃烧控制中，进行空气量的调整、燃烧器燃烧模式的选择等，作出最合适的燃烧状态。用于最优化燃烧控制的调整，例如，控制增益的调整、燃烧器燃烧模式的计划等，在离线时预先实施。

但是尽管如此，事先调整的燃烧条件针对代表性的运转模式是最合适的，只不过是大体的运转计划。相对于此，从经济的观点出发，要求对应于时刻变化的负荷要求值、大气条件、燃料特性等运转条件，设备运转应达到最优化，即，控制CO、NO_X的浓度在许可范围内，同时使燃烧效率最大化。

为了实现这些，需要以现在的运转条件为基础，能够在线模拟CO、NO_X浓度相对于控制要求变更的变化。即，相对于从测量数据得到的现在的运转条件，评价改变控制要求时的燃烧效率和环境负荷物质的排出量，需要有根据两点探索最优控制点的功能。

作为CO、NO_X浓度的推断方法，有基于如神经网络之类的学习型算法，利用实机数据对各运转条件与气体浓度变化倾向之间的关系建模的方法。使用该方法时只要有实机数据，对应于该实机特性就可以简单地生成CO、NO_X浓度的推断模型，因此是经常适用的方法之一。另外，还有利用模型推断CO、NO_X浓度的方法(例如，参考专利文献2)。

非专利文献1：强化学习(Reinforcement Learning)，三上贞芳·皆川雅章共译，森北出版株式会社，2000年12月20日出版

专利文献1：日本特开2000-35956号公报

专利文献2：日本特开2006-132902号公报(摘要)

但是，在难以执行制造程序或如汽车、火车、飞机等那样难以以实际的控制对象进行反复实验性运转的情况下，例如日本特开2000-35956号公报所述，以模拟控制对象的模型为对象，进行事前学习的方法有效。