JPH0484308A - パラメーター決定方法及びプラント監視制御方法 - Google Patents

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】 〔産業上の利用分野〕 本発明は、プラントの数式モデルの時間的に変化するパ
ラメーターを決定する方法及び、このパラメーターに基
づきプラントを監視・制御する方法に関する。

〔従来の技術〕

プラントの監視及び制御を行うためには、プラントの数
式モデルが必要である。数式モデルのパラメーターのな
かには時間的に変化するパラメーターが含まれており、
精度良い監視・制御を行うためには、この時間的に変化
するパラメーターを正確に決定する必要がある。

この時間的に変化するパラメーターは、プラントの運転
状態により変化する。すなわち、プラント内のパラメー
ターに影響をおよぼす因子の値（影響因子値）により変
化する。しかし、従来はパラメーター値をオフラインで
計算し、その固定された（時間的に変化しない）パラメ
ーター値を監視・制御に用いていた。

〔発明が解決しようとする課題〕

従来は、パラメーターは実際には時間的に変化している
にもかかわらず、時間的に変化しないもののように扱っ
ていたため、精度良い監視・制御が不可能であるという
欠点があった。

〔課題を解決するための手段〕

時間的に変化するパラメーターはプラントの運転状態、
すなわちパラメーターの影響因子値により変化する。す
なわち、そのパラメーターは過去のパラメーター影響因
子値を用いて学習することができる。

そこで、まず、ニューラルネットに過去の異なる複数時
点でのパラメーター影響因子値とオフラインで随時求め
たパラメーター値とを学習させる。

これを実行するニューラルネットの具体的構成は、ニュ
ーロン素子モデルを基本として構成される入力層、少な
くともモジュール１層の中間層、出力層、比較層、並び
に教師層からなる階層構造であり、具体的学習方法は公
知の誤差逆伝搬法により行う。次に、学習済みのニュー
ラルネットの入力層に、パラメーターを決定すべき時点
のパラメーター影響因子値を入力して、出力層にパラメ
ーター値を出力させるようにした。また、学習は随時自
動的に行えるようにした。さらに、決定したパラメータ
ー値に基づき、プラントの監視・制御に反映させるよう
にした。

〔作用〕

ニューラルネットにパラメーター影響因子値とパラメー
ター値との履歴を学習させる。このとき、ニューラルネ
ットの重み係数の分布が変化する。

この学習済みニューラルネットにパラメーターを決定す
べき時点でのパラメーター影響因子値を入力することで
、その時点のパラメーター値を予測・決定することがで
きる。このパラメーターを用いると、プラントの精度良
い監視・制御が行える。

〔実施例〕

本発明は、ニューラルネットに過去の時点のパラメータ
ー影響因子値とその時点のパラメーター値を複数学習さ
せ、学習済みニューラルネットにパラメーターを決定す
べき時点のパラメーター影響因子値を入力してパラメー
ターを決定させるようにしたものである。実行工程は、
（１）学習用神径回路モデル（学習用ニューラルネット
）による学習工程、（２）学習済みニューラルネット（
決定用ニューラルネット）の連想によるパラメーターの
決定工程からなる。第１図の実施例で構成と動作を説明
する。

まず、第１図会体の構成を説明する。第１図において、
プラント２０内に設置された複数の測定器２０１，２０
２．・・・は、時々刻々変化するプラント内のパラメー
ター影響因子を測定する。ひとつまたは複数の通信装置
２１１，２１２．・・・はそれらの測定値を計算機ＡＩ
Ｏに送信する。計算機ＡＩＯは、測定器２０１，２０２
．・・・の測定値を時系列データとして、通信装置１０
０を用いてパラメーター決定装置！８０の中の履歴デー
タファイル７１Ｆに送信する。また、計算機ＡＩＯは、
オフラインでパラメーター値を随時計算し、通信装置１
００を用いてパラメーター決定装置８０の中の履歴デー
タファイル７１Ｆに送信する。

履歴データファイル７１Ｆは、送信されたデータを順次
記憶する。パラメーター決定装置８０は、コンピュータ
システムであり本発明の説明を容易にするために第１図
には処理のフロー図を示しである。通信装置１００より
履歴データファイル７１Ｆに送られてくる時系列は、特
定時間間隔毎の値としてパラメーター影響因子値Ｑ（ｔ
？１）（ここで、ｔ：時間、ｉ：パラメーター影響因子
）とパラメーター値Ｐ（ｔ）（ここで、ｔ：時間）とす
る。

次に、履歴データを履歴データファイル７１Ｆへ記憶す
る方法について説明する。履歴データは通信装［１００
からのパラメーター影響因子値の時系列データＱとパラ
メーター値の時系列データＰからなる。通信装！１００
からのパラメーター影響因子値の時系列データをＱ（ｔ
ｙｘ）（ここで、ｔ：時間、ｊ：パラメーター影響因子
）とすると、現時点（１＝０）ではデータＱ　（０，１
）。

Ｑ　（０，２）　、　Ｑ　（０，３）、・・・、Ｑ　（
０，Ｔ）（ただし、Ｔ：パラメーター影響因子数）が得
られる。これらのデータを履歴データファイル７１Ｆに
出力する。これを毎時点繰り返すと、ｔ＝０゜−１，−
２・・・のデータが順次記憶されていく。パラメーター
値の時系列データＰ　（ｔ）については、計算機Ｂｌｌ
で求められたパラメーター値を履歴データファイル７１
Ｆに出力する。ただし、パラメーター値は毎時点すべて
のものではなく、計算機ＡＩＯで随時計算された時点の
ものでよい。

履歴データファイル７１Ｆの中から、パラメーター値Ｐ
　（ｔ）とそのパラメーターに影響を及ぼすパラメータ
ー影響因子値の時系列のデータ列Ｑ（ｔ、ｉ）とが学習
用ニューラルネット７１に出力される。これらデータＰ
　（ｔ）とＱ　（ｔ＋　　ｉ）を用いて学習が実行され
、学習結果７１Ｓ１と７１Ｓ２とがパラメーター決定用
ニューラルネット７２に出力される。パラメーター決定
用ニューラルネット７２では実行結果７１Ｓ１と７１Ｓ
２を受けると共に、履歴データファイル７１Ｆの中の現
時点及び過去の時点のパラメーター影響因子値Ｑ　（ｔ
＋　ｉ）より現時点のパラメーターＰ（０）を決定する
。パラメーター決定結果は通信装置１１０を介して計算
機Ｂｌｌに送信される。計算機Ｂｌｌでは、決定された
パラメーターを用いてプラント２０の監視・制御を行う
ために、通信装置２６１，２６２．・・・を介して制御
装置２５１゜２５２、・・・に送信される。

また、計算機ＡＩＯは将来時点のパラメーター影響因子
値の予測する機能も備わっているとする。

将来時点のパラメーター影響因子値Ｑ　（ｔ、ｉ）を通
信装置１００を介して履歴データファイル７１Ｆに送信
し、パラメーター決定用ニューラルネット７２を用い将
来時点のパラメーター値を決定する。

次に、学習用ニューラルネット７１とパラメーター決定
用ニューラルネット７２について説明する。学習用ニュ
ーラルネット７１では、入力層７１０の各データ、並び
に教師層７５０に対して、中間層７２ｏ、出力層７３０
．比較層７４０により学習が実行される。教師層７５０
にはパラメーター値Ｐ　（ｔ）が、入力層７１０の各デ
ータにはそのパラメーターに影響を及ぼすパラメーター
影響因子値の時系列のデータ列Ｑ（ｔ、ｉ）が用いられ
る。７１５は入力層７１０と中間層７２０間のネットワ
ーク、７２５は中間層７２０と出力層７３０間のネット
ワーク、７３５は出力層７３０と比較層７４０間のネッ
トワーク、７４５は比較層７４０と教師層７５０間のネ
ットワークである。

この学習方法における信号処理方法を示したものが第２
図である。第２図の構成と信号処理方法とは、前述した
入力データの設定方法を除いて公知である。すなわち、
第２図の構成と信号処理方法とはＲｕｎｍｅｌｈａｒｔ
らによって考案された公知技術であり、詳細は文献（Ｐ
ａｒａｌｌｅｌ　ＤｉｓｔｒｉｂｕｔｅｄＰｒｏｃｅｓ
ｓｉｎｇ、　Ｍ　Ｉ　Ｔ　Ｐｒｅｓｓ、Ｖｏｗ　、　１
　、（１９８６））を参照されたい。

本実施例では、プラントの一例である電力系統をとりあ
げ、電力系統で時間的に変化するパラメーターである系
統定数の決定方法及び系統定数を用いた電力系統の監視
・制御について説明する。

まず第３図を用いて系統定数を決定するためのニューラ
ルネットを説明する。このニューラルネットは第１図の
学習用ニューラルネット７１に相当する。入力層７１０
には入力層用ニューロン７１１．７１２，７１３，７１
４が、中間層７２０には中間層用ニューロン７２１，７
２２，７２３が、出力層には出力層用ニューロンがそれ
ぞれネットワーク状に構成されている。入力層用ニュー
ロンにはパラメーターである系統定数の影響因子値がそ
れぞれ入力され、出力層用ではパラメーターである系統
定数が出力される。第３図では中間層用ニューロンは７
２１，７２２，７２３の３個であるが、中間層用ニュー
ロンの数は任意である。

また、中間層用ニューロンや出力層用ニューロンの閾値
も学習させるためには、入力層及び中間層それぞれに閾
値学習用のニューロン１個が追加される。

一般に、電力系統の系統定数は有効電力と周波数と密接
な関係がある。ここでは、有効電力を系統の総需要とし
、周波数を周波数変動分として扱う。したがって、入力
層用ニューロン７１１には電力系統で測定された周波数
変動データ（単位ヘルツ）が入力される。入力層用ニュ
ーロン７１２には総需要データ（ＭＷ）が、入力層用ニ
ューロン７１３には連移線潮流データ（ＭＷ）が、入力
層用ニューロン７１４には時間帯が入力される。

総需要データ及び連系線潮流データは瞬時に測定できる
が、周波数変動データは特定時間内の周波数の変動分で
ある。系統定数は時間帯によって変動するために、それ
を考慮しようとしたのが入力層用ニューロン７１４の時
間帯である。この時間帯は、たとえば （ａ）夜間時、負荷急増時、ピーク時、昼間時の４つの
時間帯。

（ｂ）１時間ごとの時間帯。

（Ｃ）数分ごとの時間帯。

などであるが、教師履用ニューロン７５１に与えられる
計算された系統定数（第１図の計算機ＡＩＯで随時計算
される）の時間間隔に依存する。

ところで、教師履用ニューロン７５１に与えられる系統
定数の計算機ＡＩＯで実施される計算には様々な方法が
ある。その一つの方法は、需要変動のパワースペクトル
及び需要変動と周波数変動のパワースペクトルを求め、
（需要変動のパワースペクトル）／（需要変動と周波数
変動のパワースペクトル）を系統定数とすることである
。

学習用ニューラルネット７１及びパラメーター決定用ニ
ューラルネット７２の各ニューロンが［０，０，１，０
］の数値しか取り扱えない場合には、上記の入力層用ニ
ューロン７１１，７１２゜７１３．７１４及び教師履用
ニューロン７５１に与える数値を［０，０，１，０］に
正規化する必要がある。

また、入力層用ニューロン７１４の時間帯を数値化して
やる必要がある。（ａ）の場合には、たとえば夜間時＝
０．０　、負荷急増時＝０．３　、ピーク時＝０．６　
、昼間時＝０．９　のようにする。

（ｂ）　（ｃ）の場合も同様である。以上は入力層用ニ
ューロン７１４が１個の方法であるが、それぞれに対応
するニューロンを割り当てても良い。すなわち、（ａ）
の場合には、夜間時、負荷急増時、ピーク時、昼間時そ
れぞれに相当するニューロン計４個を設け、たとえば対
象とする時間帯が夜間時ならば、夜間時のニューロンを
１．０　　とし、その他の負荷急増時、ピーク時、昼間
時のニューロンをＯｌＯとする。

以上の入力層用ニューロンと教師履用ニューロンが、Ｒ
ｕｒ＋ｍｅｌｈａｒｔらによって考案された公知技術に
より、学習用ニューラルネットの重み係数や閾値の分布
を変化させ学習させる。したがって、学習用ニューラル
ネットの学習結果が出力されたパラメーター決定用ニュ
ーラルネットは、未知の系統定数の影響因子値（系統定
数を決定したい時点の周波数変動データ、総需要データ
、連系線潮流データ、時間ＩＦ）を入力層用ニューロン
に与えることにより、系統定数を決定したい時点（現時
点あるいは将来時点）のパラメーター値を、計算するこ
となく決定することができる。なお、将来時点の周波数
変動データ、総需要データ、連系線潮流データは予測値
を用いる。

決定された系統定数により電力系統の有効電力と周波数
の関係を記述することができる。したがって、系統定数
より仮に発電機脱落時などの事故が発生した場合周波数
がどれくらい変化するかをシミュレーションすることが
でき、電力系統の監視においては、周波数安定維持のた
めの注意すべき事故の提示などに役立てることができる
。また、制御においては、周波数が変化した場合の周波
数安定維持のための各発電機への出力制御指示に役立つ
。

以上は系統定数について述べたが、電力系統の負荷系統
定数や発電機系統定数の決定も同様である。

電力系統にかかわらず一般のプラントにおいて、その監
視・制御を実施するためにはプラントの数式モデルが必
要であり、時間的に変化する各種パラメーターが数式モ
デルの中で取り扱われる。それらのパラメーターの決定
に本発明は有効である。

〔発明の効果〕

従来はオフラインで計算してパラメーター値を決定して
いたため、そのパラメーターは実際には時間的に変化し
ているにもかかわらず、時間的に変化しないもののよう
に扱っていた。したがって、精度良い監視・制御が不可
能であった。また、そのパラメーターを従来のオフライ
ン計算のやり方でオフラインで時々刻々求めることは、
膨大な計算を必要とし、計算時間上困難であった。本発
明を適用すれば、パラメーター値を計算することなく決
定すべき時点のパラメーター値を決定することができ、
プラントの精度良い監視・制御が行える。

【図面の簡単な説明】

第１図は本発明の実施例の構成を示す図、第２図はニュ
ーラルネットワークの構成を示す図、第３図はニューロ
ン素子モデルを示す図である。 １０・・・計算機Ａ、１１・・・計算機Ｂ、２ｏ・・・
プラント、７１・・・学習工程、７１Ｆ・・・履歴デー
タファイル、７２・・・決定工程、７１０・・・入力層
、７２０・・中間層、７３０・・・出力層、７４０・・
・比較層、７５０第３図 手 続 補 正 書 （自発） 事件の表示 平成２年特許願第１９７９７２号 補正をする者 事件との関係　　特許出願人 名　称（５１０）株式会社日立製作所 株式会社 日立製作 １、明細書の特許請求の範囲の欄。 所 内 別　　紙 １、本願明細書の特許請求の範囲の欄を以下のように訂
正する。 「１．プラントの運転状況により時間とともに変化する
該プラントの数式モデルのパラメーターを決定する方法
において、入力層、少なくとも一層の中間層、および出
力層からなる階層構造の神星回路モデルを用い、該パラ
メーターに影響するパラメーター影響因子値の過去の異
なる複数の１を入力すると共に、当該入力に対応する複
数のパラメーター値を教師信号として、前記神径回路モ
デルを学習させ、該学習した神径回路モデルに、未学習
の複数のパラメーター影響因子値を入力することにより
、対応するパラメーターを決定することを特徴とするパ
ラメーター決定方法。 ２、請求項１において、決定したパラメーターを用いて
該プラントの監視及び制御を行うことを特徴とするプラ
ント監視制御方法６３、請求項１で決定するパラメータ
ーは、電力系統の負荷系統定数であることを特徴とする
パラメーター決定方法。 ４、請求項１で決定するパラメーターは、電力系統の発
電機系統定数であることを特徴とするパラメーター決定
方法。 ５、請求項Ｉで決定するパラメーターは、電力系統の系
統定数であることを特徴とするパラメーター決定方法。 ６、請求項２において、請求項３，４．５の何れかで決
定したパラメーターを用いて電気系統の監視及び制御を
行うことを特徴とするプラント監視制御方法。」 ２、本願明細書第１１頁第１８行目の「連移線潮流デー
タ」を「連系線潮流データ」に訂正する。 以　　上

Claims (1)

1. 【特許請求の範囲】 １、プラントの運転状況により時間とともに変化する該
   プラントの数式モデルのパラメーターを決定する方法に
   おいて、入力層、少なくとも一層の中間層、および出力
   層からなる階層構造の神径回路モデルを用い、該パラメ
   ーターに影響するパラメーター影響因子値の過去の異な
   る複数の種を入力すると共に、当該入力に対応する複数
   のパラメーター値を教師信号として、前記神経回路モデ
   ルを学習させ、該学習した神経回路モデルに、未学習の
   複数のパラメーター影響因子値を入力することにより、
   対応するパラメーターを決定することを特徴とするパラ
   メーター決定方法。 ２、請求項１において、決定したパラメーターを用いて
   該プラントの監視及び制御を行うことを特徴とするプラ
   ント監視制御方法。 ３、請求項１で決定するパラメーターは、電力系統の負
   荷系統定数であることを特徴とするパラメーター決定方
   法。 ４、請求項１で決定するパラメーターは、電力系統の発
   電機系統定数であることを特徴とするパラメーター決定
   方法。 ５、請求項１で決定するパラメーターは、電力系統の系
   統定数であることを特徴とするパラメーター決定方法。 ６、請求項２において、請求項３、４、５の何れかで決
   定したパラメーターを用いて電気系統の監視及び制御を
   行うことを特徴とするプラント監視制御方法。