[發明專利]燃煤鍋爐的氣體濃度推斷方法以及氣體濃度推斷裝置

有效

• 申請號: 201010189183.8
• 申請日: 2007-12-05
• 公開（公告）號: CN101859102A
• 公開（公告）日: 2010-10-13
• 發明（設計）人: 山田昭彥;關合孝朗;林喜治;江口徹;深井雅之;清水悟;楠見尚弘
• 申請（專利權）人: 株式會社日立制作所
• 主分類號: G05B13/04
• 分類號: G05B13/04;F23N5/00
• 代理公司: 中科專利商標代理有限責任公司 11021
• 代理人: 李貴亮

本申請是申請號為2007101964803、申請日為2007年12月5日、發明名稱為“鍋爐設備的控制裝置以及氣體濃度推斷裝置”的申請的分案申請。

技術領域

本發明涉及鍋爐設備(boiler?plant)的控制裝置。另外，本發明涉及利用神經網絡(neural?net)，推斷作為火力設備的構成要素之一的燃煤鍋爐的氣體成分的濃度、特別是CO濃度、NO_X濃度的方法和裝置。

背景技術

在設備控制的領域中，一直以來以PID控制為基本的控制邏輯是主流。另外，也提出有很多通過以神經網絡為代表的帶教示的學習功能，可以靈活應對設備的特性的技術。

為了利用帶教示的學習功能來構成控制裝置，由于有必要預先準備成為教示數據的成功事例，因此也提出了無教示的學習方法。

作為無教示學習的例子，有強化學習法，但該強化學習法是學習控制的構架，通過控制對象等與環境的反復實驗性的相互作用，生成向環境的操作信號，使從環境得到的測量信號達到期望值。

該學習方法，具有即使事先無法準備成功事例，但只要預先定義期望狀態，就能夠自動適應環境學習期望行動的優點。

在強化學習中，具有學習功能，以利用從環境得到的測量信號計算的純量的評價值(在強化學習中，被稱為報酬)為線索，生成向環境的操作信號，使從現狀態到將來為止得到的評價值的期待值達到最大。

作為實際安裝此種學習功能的方法，具有例如技術文獻的強化學習(Reinforcement?Learning)中敘述的Actor-Critic、Q學習、實際時間Dynamic?Programming等算法。

另外，作為發展上述方法的強化學習的構架，上述技術文獻中介紹有稱為Dyna-結構的構架。這是以模擬控制對象的模型為對象，預先學習應該生成怎樣的操作信號，利用該學習結果決定對控制對象施加的操作信號的方法。

另外，作為適用強化學習的技術，列舉有日本特開2000-35956號公報所述的技術。該技術是這樣的技術：預先具備多個具有模型和學習功能的系統的組即強化學習模塊，各強化學習模塊中的模型與控制對象的預測誤差越小，求得取越大值的責任信號，與該責任信號成比例地對于從各強化學習模塊生成的向控制對象的操作信號進行加權，決定對控制對象施加的操作信號。

燃煤鍋爐使用煤作燃料。在具有燃煤鍋爐的火力發電設備中，從鍋爐中排出的環境污染物質CO、NO_X的濃度必須為規定值以下。CO與NO_X生成量的關系相反，如果空氣(或氧)過剩，則NO_X的生成量變多；相反如果空氣不足則CO的生成量變多。在近來的燃煤鍋爐中，為了降低CO與NO_X兩者、并且提高燃燒效率，進行階段性地送入空氣的二段燃燒。在該燃燒控制中，進行空氣量的調整、燃燒器燃燒模式的選擇等，作出最合適的燃燒狀態。用于最優化燃燒控制的調整，例如，控制增益的調整、燃燒器燃燒模式的計劃等，在離線時預先實施。

但是盡管如此，事先調整的燃燒條件針對代表性的運轉模式是最合適的，只不過是大體的運轉計劃。相對于此，從經濟的觀點出發，要求對應于時刻變化的負荷要求值、大氣條件、燃料特性等運轉條件，設備運轉應達到最優化，即，控制CO、NO_X的濃度在許可范圍內，同時使燃燒效率最大化。

為了實現這些，需要以現在的運轉條件為基礎，能夠在線模擬CO、NO_X濃度相對于控制要求變更的變化。即，相對于從測量數據得到的現在的運轉條件，評價改變控制要求時的燃燒效率和環境負荷物質的排出量，需要有根據兩點探索最優控制點的功能。

作為CO、NO_X濃度的推斷方法，有基于如神經網絡之類的學習型算法，利用實機數據對各運轉條件與氣體濃度變化傾向之間的關系建模的方法。使用該方法時只要有實機數據，對應于該實機特性就可以簡單地生成CO、NO_X濃度的推斷模型，因此是經常適用的方法之一。另外，還有利用模型推斷CO、NO_X濃度的方法(例如，參考專利文獻2)。

非專利文獻1：強化學習(Reinforcement?Learning)，三上貞芳·皆川雅章共譯，森北出版株式會社，2000年12月20日出版

專利文獻1：日本特開2000-35956號公報

專利文獻2：日本特開2006-132902號公報(摘要)