JPH1063307A

JPH1063307A - 火力プラント主制御系におけるフィードフォワード制御装置

Info

Publication number: JPH1063307A
Application number: JP23857996A
Authority: JP
Inventors: Yurio Yoku; 百合雄浴
Original assignee: Hitachi Ltd
Current assignee: Hitachi Ltd
Priority date: 1996-08-21
Filing date: 1996-08-21
Publication date: 1998-03-06

Abstract

(57)【要約】【課題】ＮＮの順モデルから比較的容易にフィードフ
ォワード信号（操作量）を求め、プロセス量の制御精度
及び安定性を向上するに好適な火力プラント主制御系に
おけるフィードフォワード制御装置を提供することにあ
る。【解決手段】タービン制御系１０、給水制御系１１、
燃料制御系１２を備えた火力発電プラントにおいて、発
電要求量に見合った静的な操作量を求める手段１、出力
変化時の制御特性を持たせるためのフィードバック制御
手段２，３及び制御特性を改善するためのフィードフォ
ワード制御手段５，６を有すると共に、プラントの負荷
上昇、下降のデータをもとにプラントを模擬するニュー
ラルネットワークを構成し、ニューラルネットワークよ
りヤコビアン（入力に対する出力の感度）を計算し、ヤ
コビアンを用いて操作量よりなる評価関数を最小にする
フィードフォワード信号を求める。

Description

【発明の詳細な説明】

【０００１】

【発明が属する技術分野】本発明は、火力発電プラント
の制御装置、特に、ボイラの主蒸気温度、圧力などの制
御に顕著な効果を示す火力プラント主制御系におけるフ
ィードフォワード制御装置に関する。

【０００２】

【従来技術】火力発電プラントは、ボイラ、タービン、
発電機、給復水系などによって構成され、主制御系とし
ては、タービン（発電機）出力を制御するタービン制御
系、主として主蒸気圧力を制御する給水制御系、主とし
て主蒸気温度を制御する燃料制御系を備える。各々の制
御系は、発電要求量に見合った静的な操作量に基づいて
タービン（発電機）出力、主蒸気圧力、主蒸気温度を制
御する。ところで、火力発電プラントは、制御特性とし
て非常に複雑な非線形要素を多く含み、また、給水、燃
料のような操作量に対する主蒸気圧力や主蒸気温度のよ
うなプロセス量の応答には多くの時間を要するため、そ
の制御は非常に困難である。そこで、給水制御系、燃料
制御系には、出力変化時の制御特性を持たせるためのフ
ィードバック制御（ＰＩ演算など）機能及び制御特性を
改善するためのフィードフォワード制御機能を持たせる
ことが行われている。すなわち、タービン（発電機）出
力が増減する過度時には、主蒸気圧力、主蒸気温度など
のプロセス量が変化するが、このプロセス量の変化を防
ぐため、プロセス量と設定値との誤差を規定範囲に抑え
るようにフィードバック制御する。しかし、フィードバ
ック制御では応答が遅く、かかる規定範囲に抑えること
が不可能な場合には、発電要求量に基づいて作成された
フィードフォワード信号を付加してフィードフォワード
制御し、プロセス量の変化を小さくする制御を行う。特
に、火力発電プラントの主制御系において、フィードフ
ォワード制御は、ボイラの主蒸気温度、主蒸気圧力など
のプロセス量の変化を極小化する制御に顕著な効果を示
す。

【０００３】従来、この種のフィードフォワード信号の
作成は、ベテランエンジニアに委ねられていたため、多
大の労力を要した。このような背景から、フィードフォ
ワード信号の作成の自動化が熱望されていた。そのた
め、ボイラの主蒸気温度、主蒸気圧力などのプロセス量
の変化を極小化するフィードフォワード信号を自動的に
作成するアルゴリズムとして、種々の方法が提唱されて
いる。まず、ニューラルネットワーク（以後、ＮＮと記
す。）の応用であり、このＮＮを応用した制御に関して
多くの文献がある。しかし、これらの文献によるＮＮの
問題として、火力プラントの特殊性から、負荷変化（上
昇、下降）をＮＮに学習させるのに必要な回数だけ実施
できないことである。したがって、「フィードバック学
習法」のようなオンライン学習法は利用できない。一
方、数パターンの負荷変化データよりオフラインでプラ
ントの特性をＮＮに学習させることが考えられる。「一
般化学習法」はオフラインでも適用できるが、これはプ
ラントの出力をＮＮの入力とし、操作量を教師信号とし
てＮＮを学習させる、いわゆる逆モデル学習法である。
この場合、オフライン学習において学習誤差がどうして
も発生し、オンライン実行時、操作量の誤差が発生す
る。その操作量で制御していくと、誤差が累積し、良好
な制御はできない。また、目標値とプラント出力の偏差
によってＮＮを学習する「特殊化学習法」がある。この
場合、プラントの入力に対する出力の感度（プラントの
ヤコビアン）が必要である。未知プラントであり、一般
的にその値を知ることはできない。また、ＮＮによるプ
ラントの順モデルを求める「順モデル学習法」がある。
この順モデルにおいては、入力は操作量、出力は制御量
であり、操作量を求めるには、このＮＮを構成する非線
形関数の逆関数を求めることになるが、一般的には難し
い。操作量を探索するのに、シンプレックス法が用いら
れている文献があるが、火力プラントの場合非常に複雑
で対応が難しい。以上のことから、順モデルから操作量
を逆算するのは一般的に難しい。特許として、例えば特
開平６−１９５１０４号公報「プロセス制御方法」、文
献として、「火力プラント制御器の自動調整の基本方
策」（火力原子力発電，Ｎｏ．４５６，Ｖｏｌ．４５、
１９９４）などがあるが、アルゴリズムが複雑で、負荷
上昇、下降を繰り返しながら、ＰＩ値を基に学習してい
るので、多数回の負荷変化を必要とする。その他、ファ
ジーを応用したものとして、例えば、「火力発電プラン
ト制御システムにおける調整技術」（機械学会弟７１期
全国大会１９９３）がある。しかしながら、ファジー
理論では、対象にあったファジールールを作成すること
が必要であり、対象とする負荷特性は、プラント毎に異
なるため、プラント毎にそのルールを修正する必要があ
る。そのため、ルールの修正には、多大な労力を要す
る。また、フィードフォワード信号は、定形的な波形
（例えば、台形）や函数（例えば、１次遅れ）しか作成
できず、任意の波形を出力できないため、要求されたプ
ロセス量に対し、精度が悪くなる場合が生ずることが予
想される。また、適応制御を応用したものとして、適応
制御の一つであるＭＲＡＣ（ＭｏｄｅｌＲｅｆｅｒｅ
ｎｃｅＡｄａｐｔｉｖｅＣｏｎｔｒｏｌモデル規
範形適応制御）による方法がある。この方法では、
（１）火力プラントはプロセスの変動が緩やかなため、
プラントパラメータを同定するためのＰＥ（Ｐｅｒｓｉ
ｓｔｅｎｔｌｙＥｘｃｉｔｉｎｇ持続的励振）条件
を満足しないので、逐次最小２乗法によるパラメータ同
定が難しい、（２）初期整定のため、ノイズ（ＭＷＤの
小さい変動）を加える必要があり、その時燃料信号の変
動がある、（３）安定性が悪い、などの問題があり、適
用が難しい。

【０００４】

【発明が解決しようとする課題】以上のように、従来、
プロセス量の変化を極小化するフィードフォワード信号
を自動的に作成するアルゴリズムとして、種々の方法が
あるが、いずれも決定的な方式ではなく、操作量に対す
るプロセス量の制御精度や安定性に問題がある。

【０００５】本発明の課題は、ＮＮの順モデルから比較
的容易にフィードフォワード信号（操作量）を求め、プ
ロセス量の制御精度及び安定性を向上するに好適な火力
プラント主制御系におけるフィードフォワード制御装置
を提供することにある。

【０００６】

【課題を解決するための手段】上記課題は、ＮＮを用い
てプラントを模擬し、ＮＮのヤコビアン（入力に対する
出力の感度）を計算し、このヤコビアンを利用して評価
関数を最小にするフィードフォワード信号（操作量）を
求めることによって、解決される。

【０００７】ＮＮのヤコビアンは、プラントを線形近似
した時の制御量の予測式の係数に対応するので、このヤ
コビアンを利用することによって、比較的簡単にフィー
ドフォワード信号（操作量）を得ることができ、これを
火力プラントの制御系に組み込むことにより、制御精度
及び安定性の向上を図ることができる。

【０００８】

【発明の実施の形態】以下、本発明の実施形態を図面を
参照しながら説明する。図１は、典型的な大容量事業用
火力発電所のプラント制御の概念図を示す。中央給電指
令所から指令された出力又は発電所で設定した出力に基
づいて、ＭＷＤ（ＭｅｇａＷａｔｔＤｅｍａｎｄ）
作成ユニット１において要求出力ＭＷＤ４が計算され
る。ＭＷＤ４はタービン制御装置１０によって加減弁１
３を駆動し、ボイラから供給されるタービン流入蒸気を
制御し、発電機出力を制御する。この際、タービン流入
蒸気量の変化に伴い、給水、燃料、空気を変化させなけ
ればならないが、火力プラントの特性は非常に複雑で非
線形要素、むだ時間を含み、単にタービン流入蒸気量に
比例させてこれらを変化させても、プラントのプロセス
量（主蒸気圧力、温度など）を規定値に保つことはでき
ない。発電機出力の増減時にもプラントプロセス量を規
定値に保つために種々の制御機能が付加される。まず、
主蒸気圧力は、静的にはＭＷＤ４の信号でＢＩＤ（Ｂｏ
ｉｌｅｒＩｎｐｕｔＤｅｍａｎｄ）８を作り、給水
制御装置１１で給水ポンプ（ＢＦＰ)を制御することに
よって、制御されるが、発電機出力増減時には主蒸気圧
力が変化するため、主蒸気圧力の設定値と測定値の偏差
をとり、ＰＩ演算２を行うことにより、主蒸気圧力を一
定に保つ。しかし、フィードバック制御だけでは応答が
遅いため、ＭＷＤ信号４に基づいて作成したフィードフ
ォワード信号５を加える。ＰＩ演算２の値、静的バラン
ス信号（ＭＷＤに等しい）４及びフィードフォワード信
号５を加えたものがＢＩＤ信号８となる。また、主蒸気
温度についても、主蒸気温度の設定値と測定値の偏差を
とり、ＰＩ演算３の値、給水量と燃料量の静的なバラン
ス関係を規定する関数７及びＭＷＤ信号４に基づいて作
成したフィードフォワード信号６を加えたものをＦＲＤ
（ＦｉｒｅＲａｔｅＤｅｍａｎｄ）９とし、燃料制
御装置１２により、燃料（重油、ガス、石炭など）の制
御を行う。

【０００９】ここで、火力プラント制御系において、特
に、主蒸気温度の制御は、むだ時間が大きく、非線形の
ため、その制御が最も難しい。図２に、温度制御系の概
念図を示す。図２において、要求出力（発電要求量）Ｍ
ＷＤがランプ状に変化し、負荷変化を行う過渡状態で
は、次の３個の制御信号を用いる。（１）ＭＷＤ（ｗ（ｔ））に見合う静的な燃料信号
（ｆ）（２）主蒸気温度設定値と測定値のフィードバック（ｙ
（ｔ））によるＰＩ制御（３）フィードバックの遅れをカバーするフィードフォ
ワード信号（ＢＩＲ）（１）は、ある整定状態における発電機出力に対応する
燃料量（ｆ）であるが、発電機出力の上昇、下降時の過
渡状態には温度が変化する。その温度変化を防ぐため、
（２）は、測定値をフィードバック（ｙ（ｔ））し、Ｐ
Ｉ（またはＰ）制御を行う。しかし、過渡時に必要な余
分のエネルギー（ｕ（ｔ））を供給するのにフィードバ
ック制御では応答が遅く、十分な制御機能は得られな
い。それに対し、（３）は、ＭＷＤ（ｗ（ｔ））を基に
して作成したフィードフォワード信号（ＢＩＲ）を付加
することにより、温度変化を小さくすることができる。

【００１０】このように、発電機出力の増減時に主蒸気
温度を始めとし、主蒸気圧力などを規定値に保つポイン
トは、フィードフォワード信号５、６であり、これらを
決定する方法が重要である。

【００１１】本発明は、ＮＮを用いてプラントを模擬
し、ＮＮのヤコビアンを利用し、評価関数を最小にする
フィードフォワード信号（操作量）を求めることを特徴
とする。以下、詳細に説明する。

【００１２】（１）プラントのモデル化プラントのモデル構成の一例として、燃料に対する温度
の応答は１次遅れ＋むだ時間、ＭＷＤに対する応答はガ
バナ、タービンを対象とし、図２の温度制御系をもとに
近似的に線形表示することを考える。ここで、むだ時間
は小さく近似的に１次遅れで表現すれば、次のようにな
る。このモデル構成はモデルの簡略度に応じてどのよう
にも表現できるものであり、本実施形態は一事例にすぎ
ない。これをブロック図で表現すると、簡略モデルとし
て図３のように示される。図３を図４の簡略モデルに変
換する。図４より、

【数１】（１）式をｚ変換し、差分方程式で表すと（２）式にな
る。

【数２】ｗ（ｔ）：外乱・ＭＷＤｕ（ｔ）：操作量・燃料（ＰＩ出力＋ＢＩＲ）ｙ（ｔ）：制御量・温度（設定温度−測定温度）ｄ：むだ時間を導入し、（２）式を変換すると、制御量は（３）式と
なる。

【数３】次数は、Ｓ：ｄ−１，Ｒ：２，ＢＳ：ｄ，ＣＳ：２ｄ−
１となり、Ｒ，ＢＳ，ＣＳは、次のように示される。

【数４】

【数５】

【数６】

【００１３】（２）ニューラルネットワークの構築プラントの簡略モデルの線形近似を行なえば、（３）〜
（６）式で示されるが、これに対し、ニューラルネット
ワークを適用すべく非線形関数に置換すれば、（７）式
に置き換えられる。

【数７】（７）式の非線形関数をＮＮで学習させる。ｙ（ｔ），
ｙ（ｔ−１），ｙ（ｔ−２），ｕ（ｔ），ｕ（ｔ−
１），…………ｕ（ｔ−ｄ），ｗ（ｔ＋ｄ），ｗ（ｔ＋
ｄ−１），…………ｗ（ｔ−ｄ＋１）なるシーケンシャ
ル・データに基づき、ｙ（ｔ＋ｄ）を学習するＮＮを構
成する。ここで、ｙ（ｔ），ｙ（ｔ−１），ｙ（ｔ−
２）は過去のＭＷＤの値、ｕ（ｔ），ｕ（ｔ−１），…
………ｕ（ｔ−ｄ）は現在のＭＷＤの値、ｗ（ｔ＋
ｄ），ｗ（ｔ＋ｄ−１），……，ｗ（ｔ＋１）は今後の
ＭＷＤの値である。このＮＮに対して、負荷変化率の異
なった負荷上昇、下降を実施し、ｙ，ｕ，ｗの時系列デ
ータを記憶し、その時系列データをオフラインで学習さ
せる。学習方法は、図５（学習データ構成）に示すよう
に、先に示した入力（ｙ（ｔ），ｙ（ｔ−１），……）
と教師信号ｙ（ｔ＋ｄ）の組を時間的にランダムに作
り、次々に入力し、バックプロパゲーション法で学習さ
せる。

【００１４】図６に、ＮＮの構造を示す。図６は、３層
の階層形ネットワーク（本実施形態では３層であるが、
何層でも構わない。）であり、時間的にランダムに作っ
た先のｙ（ｔ），ｙ（ｔ−１），ｙ（ｔ−２），ｕ
（ｔ），ｕ（ｔ−１），…………ｕ（ｔ−ｄ），ｗ（ｔ
＋ｄ），ｗ（ｔ＋ｄ−１），…………ｗ（ｔ−ｄ＋１）
と教師信号ｙ（ｔ＋ｄ）の組を次々に入力し、ＮＮに学
習させる。その学習アルゴリズムを次に示す。

【００１５】図６より、フォワード計算

【数８】バックワード計算

【数９】但し、Ｏ_1k，Ｏ_2i，Ｏ₃………ネットワークのノード出力ｗ_ik，ｗ_i………………ネットワークノード間の重みｘ_k，ＮＮ………………ネットワークの入力、出力ｐ_k，ｑ_k，ｒ，ｓ ……ネットワーク入出力の一次変換ｆ ………………………シグモイド関数 η ………………………学習係数ＤＥＶ …………………教師信号−ＮＮ出力

【００１６】（３）フィードフォワード信号（操作量）
の計算次に、フィードフォワード信号（操作量）の計算方法を
示す。操作量ｕ（ｔ）は、（３）式においてｙ（ｔ＋
ｄ）を最小化することが目標である。これに対し、次の
ような操作量ｕ（ｔ）を考慮した評価関数を最小にする
ことを考える。

【数１０】

【数１１】（１１）式を０とおけば、

【数１２】ｄｙ（ｔ＋ｄ）／ｄｕ（ｔ）を求めれば、最適なｕ
（ｔ）を求めることができる。

【００１７】（４）ヤコビアンの計算次に、（４）〜（６）式で示される係数Ｒ_i（ｔ），ＢＳ
_i（ｔ），ＣＳ_i（ｔ）は、時々刻々の線形化を行うと、
前項のＮＮより計算されるヤコビアンと考えることがで
きる。ＮＮのヤコビアンは、図６より次のようにして求
められる。

【数１３】

【数１４】

【数１５】（１５）式のヤコビアンＪ_k（ｔ）（ｋ＝１，２，……
…，３ｄ＋４）は、（４）〜６）式の係数Ｒｉ（ｉ＝
０，１，２）、ＢＳｉ（ｉ＝０，１，……，ｄ）、ＣＳ
ｉ（ｉ＝０，１，……２ｄ−１）に対応する。ここで、
（１２）式のｄｙ（ｔ＋ｄ）／ｄｕ（ｔ）はＢＳ₀に対
応する。したがって、（１２）式に示す最適な操作量ｕ
（ｔ）は、ＮＮのヤコビアンの計算で求められたＢＳ₀
（ｔ）の値と時々刻々得られるｙ（ｔ＋ｄ）より求める
ことができる。但し、ｙ（ｔ＋ｄ）は、（７）式より求
めるが、現時点ｔにおいて、ｗ（ｔ＋ｄ），ｗ（ｔ＋ｄ
−１），……，ｗ（ｔ＋１）は今後のＭＷＤの値である
ので、これらの予測値は、現在の負荷変化率が今後も続
くという条件で予測し、求めるものとする。

【００１８】このようにして、本実施形態では、ＮＮを
用いてプラントを模擬し、ＮＮのヤコビアンを利用し、
評価関数を最小にする操作量、即ち、温度変化を極小化
するフィードフォワード信号を自動的にかつ比較的容易
に作成するので、従来の上記種々の方式の問題点を解決
し、操作量に対するプロセス量の制御精度や安定性の向
上を図ることができる。なお、ＰＩ制御は、図２に示す
ように、微調整用として併用する。

【００１９】図７は、以上の手順をフローチャートで示
す。まず、プラントモデルを作成し、このモデル構成に
基づいて（１）式を立てる。次に、（１）式をｚ変換
し、差分方程式（２）式で表わす。続いて、Ｄｉｏｐｈ
ａｎｔｉｎｅ方程式を導入して（２）式を変換し、制御
量（温度の場合）の予測式（３）〜（６）式を求める。
一方、ＮＮを構築し、（７）〜（９）式により重みの計
算を行い、このＮＮからヤコビアンを（１３）〜（１
５）式により計算する。ＮＮのヤコビアンの計算で求め
られた値と時々刻々得られる（７）式の値から、（１
２）式を用いてフィードフォワード信号（操作量）を計
算する。

【００２０】図８、図９に、実際の典型的な定圧貫流プ
ラントを詳細に模擬したシミュレータを用いてシミュレ
ーションを実施した結果を示す。図８、図９において、
横軸に時間、縦軸にＭＷＤ１、温度２、ＢＩＲ３、ＰＩ
出力値４を示す。図８は、適当に調整されたＰＩ制御の
みによる制御であり、ＭＷＤ１に表わす負荷変化率２パ
ーセント／分の負荷上昇、下降の例である。ＭＷＤ１の
上昇、下降に伴って、ＰＩ出力値４が変化するが、温度
２の変化はかなり大きくなっている。ここでは、ＢＩＲ
３は機能していないため、０である。図９は、本実施形
態のフィードフォワードによる制御であり、同様にＭＷ
Ｄ１に表わす負荷変化率２パーセント／分の負荷上昇、
下降の例である。ＭＷＤ１の上昇、下降に伴って、ＢＩ
Ｒ３が追従して変化し、温度２の変化は大きく改善さ
れ、小さい温度変化となっていることがわかる。

【００２１】以上、本発明の実施形態として、火力プラ
ントの主蒸気温度制御について説明したが、本発明は、
火力プラントの他の制御は言うに及ばず、非線形でむだ
時間を有するプラントのフィードフォワード制御にすべ
て応用可能である。

【００２２】

【発明の効果】以上説明したように、本発明によれば、
プラントを模擬するニューラルネットワークを構成し、
このニューラルネットワークよりヤコビアン（入力に対
する出力の感度）を計算し、このヤコビアンをプラント
を線形近似した時の係数パラメータとして利用すること
により、評価関数を最小にするフィードフォワード信号
（操作量）を求め、これを火力プラントの制御系に組み
込むことにより、制御精度及び安定性の向上を図ること
ができる。また、本発明によれば、プロセス量の変化を
極小化するフィードフォワード信号を自動的にかつ比較
的容易に作成できるので、従来の上記種々の方式の問題
点を解決し、操作量に対するプロセス量の制御精度や安
定性の向上を図ることができる。

【図面の簡単な説明】

【図１】大容量事業用火力発電所のプラント制御の概念
図

【図２】温度制御系の概念図

【図３】簡略モデル

【図４】簡略モデル

【図５】学習データ構成図

【図６】ＮＮの構成

【図７】本発明の手順を示すフローチャート

【図８】シミュレーション事例（ＰＩ制御のみ）

【図９】シミュレーション事例（本発明）

【符号の説明】

１ＭＷＤ作成ユニット２主蒸気圧力制御ＰＩ演算３主蒸気温度制御ＰＩ演算４ＭＷＤ信号５給水用フィードフォワード信号６燃料用フィードフォワード信号７水燃比関数８ＢＩＤ（ＢｏｉｌｅｒＩｎｐｕｔＤｅｍａｎ
ｄ）９ＦＲＤ（ＦｉｒｅＲａｔｅＤｅｍａｎｄ）１０タービン制御装置１１給水制御装置１２燃料制御装置１３蒸気加減弁

Claims

【特許請求の範囲】

【請求項１】タービン（発電機）出力を制御するター
ビン制御系、主として主蒸気圧力を制御する給水制御
系、主として主蒸気温度を制御する燃料制御系を備えた
火力発電プラントにおいて、発電要求量に見合った静的
な操作量を求める手段、出力変化時の制御特性を持たせ
るためのフィードバック制御（ＰＩ演算）手段及び制御
特性を改善するためのフィードフォワード制御手段を有
すると共に、プラントを模擬するニューラルネットワー
クを構成し、前記ニューラルネットワークよりヤコビア
ンを計算し、前記ヤコビアンを用いて操作量よりなる評
価関数を最小にするフィードフォワード信号を求めるこ
とを特徴とする火力プラント主制御系におけるフィード
フォワード制御装置。