[发明专利]大型设备的控制装置及火力发电大型设备的控制装置

说明书

技术领域

本发明涉及大型设备(plant)的控制装置，特别是涉及使用煤炭等化石燃料来进行发电的火力发电大型设备的控制装置。

背景技术

大型设备的控制装置对从作为控制对象的大型设备得到的大型设备的状态量的测量信号进行处理，计算出提供给控制对象的控制信号(操作信号)来对控制对象的运行进行控制。

在大型设备的所述控制装置中安装有计算操作信号的算法，以使大型设备的状态量的测量信号满足其目标值。

作为用于大型设备的控制中的控制算法，有PI(比例/积分)控制算法。在PI控制中，在大型设备的状态量的测量信号与其目标值的偏差上相乘比例增益而得到的值上相加对偏差进行了时间积分后的值，从而导出提供给控制对象的操作信号。

使用了PI控制的控制算法能够通过模块图表等记录输入输出关系，因此容易知晓输入与输出的因果关系，有更多的实际应用价值。但是，在基于大型设备的运行状态的变更或环境的变化等、事先未假设的条件下运行大型设备的情况下，有时需要变更控制逻辑等作业。

另一方面，能够应用于大型设备的运行状态或环境变化中的控制方式中，具有使用了自动修正控制算法或参数值的自适应控制或学习算法的控制方式。

作为使用学习算法来导出大型设备的控制装置的操作信号的方法，一般采用如下的方法：使用大型设备的测量数据或基于数值分析而构筑的数据，构筑对这些数据进行统计处理来推测大型设备的特性的统计模型，自律地学习对该统计模型最佳的控制逻辑。

使用上述方法得到的控制逻辑的性能依赖于统计模型的推测精度这是公知的。即，学习算法由于学习相对于统计模型获得最大的控制效果的控制逻辑，因此学习了统计模型的大型设备的特性越接近实际的大型设备特性，对实际大型设备的控制效果也越大。因此，在使用了学习算法的自适应控制技术中，课题是构筑更高精度的统计模型。

此外，该统计模型一般应用以神经网络(NN)为代表的非线性近似方法的情况比较多，学习使用大型设备测量数据来表现大型设备的特性的非线性曲面。此外，近几年，由于应用大型设备时统计模型特性的在线调整比较容易，因此作为NN的一个方法的RBF(Radial Basis Function)网络备受瞩目，推进了其应用。

作为决定基于RBF网络的统计模型的推测精度的因子之一，有构成RBF网络的高斯基函数的半径参数。RBF网络根据在统计模型的构筑中所使用的模型构筑数据的大型设备特性空间上的分布来配置根据后述的式(1)所提供的高斯基函数，并通过使它们叠加来推测大型设备特性。

在此，在式(1)中，i是高斯基函数的下标、bi是基函数值，x是模型输入向量，ci是基函数的中心坐标向量，ri是半径参数。

为了获得高推测精度的统计模型，需要以高斯基函数适当地覆盖大型设备特性空间，这需要适当地调整决定高斯基函数的宽度的半径参数ri。

【数学式1】

bi(x)=exp(-(x-ci)(x-ci)ri2)...(1)]]>

鉴于上述，作为提高使用了RBF网络的统计模型的精度的技术，专利文献1记载了使用最优化算法之一的隧道算法来调整RBF网络的高斯基函数的半径参数的技术。