WO2020175239A1 - 運転指標提示装置、運転指標提示方法、およびプログラム - Google Patents

運転指標提示装置、運転指標提示方法、およびプログラム Download PDF

Info

Publication number
WO2020175239A1
WO2020175239A1 PCT/JP2020/006258 JP2020006258W WO2020175239A1 WO 2020175239 A1 WO2020175239 A1 WO 2020175239A1 JP 2020006258 W JP2020006258 W JP 2020006258W WO 2020175239 A1 WO2020175239 A1 WO 2020175239A1
Authority
WO
WIPO (PCT)
Prior art keywords
plant
time series
value
demand
index
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Ceased
Application number
PCT/JP2020/006258
Other languages
English (en)
French (fr)
Inventor
一幸 若杉
一貴 吉田
榎本　智之
小鍛冶　聡司
敏昭 田邉
哲平 手島
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Mitsubishi Heavy Industries Ltd
Original Assignee
Mitsubishi Heavy Industries Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Mitsubishi Heavy Industries Ltd filed Critical Mitsubishi Heavy Industries Ltd
Priority to US17/431,454 priority Critical patent/US20220138654A1/en
Priority to EP20763762.0A priority patent/EP3913452A4/en
Publication of WO2020175239A1 publication Critical patent/WO2020175239A1/ja
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Program-control systems
    • G05B19/02—Program-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/31—From computer integrated manufacturing till monitoring
    • G05B2219/31414—Calculate amount of production energy, waste and toxic release
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32021—Energy management, balance and limit power to tools
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P70/00—Climate change mitigation technologies in the production process for final industrial or consumer products
    • Y02P70/10—Greenhouse gas [GHG] capture, material saving, heat recovery or other energy efficient measures, e.g. motor control, characterised by manufacturing processes, e.g. for rolling metal or metal working
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Definitions

  • Driving index presentation device driving index presentation method, and program
  • the present invention relates to a plant operation index presentation device, an operation index presentation method, and a program.
  • Patent Document 1 discloses an operation optimization method for minimizing the cost of a factory.
  • Patent Document 1 Japanese Patent Laid-Open No. 20000_55997
  • Patent Document 1 According to the technique disclosed in Patent Document 1, it is possible to obtain the optimum solution for the operation at a certain time. On the other hand, in the operation of energy plants, the optimal operating conditions also change according to future fluctuations in energy demand, so there is the need for prospects for future plant operations.
  • An object of the present invention is to provide an operation index presenting device, an operation index presenting method, and a program capable of predicting future plant operations, and means for solving the problems.
  • the operation index presentation device inputs the operation plan value of the plant and the predicted value related to the environment of the plant, ⁇ 2020/175239 2 ⁇ (:171? 2020 /006258
  • a demand prediction unit that predicts a time series of demand values for a predetermined prediction period using a prediction model that is a learned model that has been learned to output demand values, and a time series of the predicted demand values
  • An optimization unit that specifies a time series of the operation index related to the prediction period by specifying the operation index of the plant that satisfies a plurality of demand values and satisfies a desired condition at each time.
  • a presentation unit that presents information related to the time series of the driving index related to the prediction period.
  • the optimizing unit is based on a plurality of models that simulate behaviors of a plurality of components of the plant.
  • the plurality of models may include at least one trained model trained on the basis of the combination of the input value and the output value of the component simulated by the model. Yes.
  • the plant has a plurality of supply means for one energy source, and the optimization is performed.
  • the section may specify, as the operation index, a value relating to a ratio of outputs from the plurality of supply units.
  • the optimizing unit may reduce the cost in the plan based on the driving index. May be specified, and the operation index may be specified such that an evaluation value having a larger value is calculated as the value is larger and the number of operations to be avoided in the plant is larger, and the evaluation value is smaller.
  • the operation index presentation method outputs the demand value of the energy source by inputting the operation plan value of the plant and the predicted value related to the environment of the plant.
  • a prediction model that is a learned model that has been learned in step S1
  • a step of predicting a time series of demand values for a predetermined prediction period, and a plurality of times for each time of the predicted time series of demand values The operating finger of the plant that meets the demand value and the desired condition ⁇ 2020/175239 3 ⁇ (:171? 2020 /006258
  • a step of specifying a time series of the driving index related to the prediction period and a step of presenting information related to the time series of the driving index related to the prediction period are provided.
  • the program outputs the demand value of the energy source by inputting the operation plan value of the plant and the predicted value related to the environment of the plant into the computer.
  • the prediction model which is a learned model learned in this way, to predict the time series of demand values for a predetermined prediction period, and for each time of the predicted time series of demand values.
  • the operation index of the plan that satisfies a plurality of demand values and satisfies a desired condition, thereby specifying a time series of the operation index related to the prediction period, and And a step of presenting information related to the time series of the driving index.
  • the user can forecast the future operation of the plant by recognizing the information presented by the operation index presentation device.
  • FIG. 1 is a diagram showing an outline of a driving index presentation device according to an embodiment.
  • FIG. 2 is a schematic block diagram showing the configuration of a driving index presentation device according to an embodiment.
  • FIG. 3 is a flowchart showing the operation of the driving index presentation device according to the embodiment.
  • FIG. 4 is a schematic block diagram showing the configuration of a computer according to at least one embodiment.
  • FIG. 1 is a diagram showing an outline of a driving index presentation device according to an embodiment.
  • the index providing device 100 is used by consumers such as factories for a certain period in the future. ⁇ 2020/175239 4 (:171? 2020/006258
  • energy sources include electricity, hot water, cold water, and steam.
  • the period for which the demand is forecast is called the forecast period.
  • the plant is equipped with two or more supply means for each energy source.
  • the plant uses steam generation by a gas engine and steam generation by a once-through boiler as steam supply means.
  • FIG. 2 is a schematic block diagram showing the configuration of the driving index presentation device according to the embodiment.
  • the operation index presentation device 100 has a prediction model storage unit 101, a component model storage unit 102, a data acquisition unit 103, a learning unit 1044, a demand prediction unit 105, and a simulation unit 1. 0 6, an optimization unit 107, and a presentation unit 10 8.
  • the predictive model storage unit 101 is a learned model learned to output demand values of a plurality of energy sources by inputting the operation plan value of the brand and the predicted value of the environment of the brand.
  • the prediction model is stored.
  • the “learned model” is a combination of a machine learning model and a learned parameter. Examples of machine learning models include neural networks, Bayesian networks, linear regression, and regression trees. If there is a discrepancy between the predicted value and the actual value of the trained model, retraining may be performed. As a result, it is possible to prevent the effects of deterioration over time.
  • the component model storage unit 102 stores a component model that simulates the behavior of each of a plurality of components that make up the plant.
  • the component model consists of a trained model or a mathematical model.
  • the component model storage unit 102 stores at least one of each of the component model configured by the learned model and the component model configured by the mathematical model based on the design information of the component. It should be noted that components whose performance may change due to deterioration over time are preferably simulated by a trained model. That is, this embodiment ⁇ 2020/175239 5 ⁇ (:171? 2020 /006258
  • the plant is represented as a hybrid model in which a part of the equipment configuration is physically modeled and the rest is statistically modeled.
  • the data acquisition unit 103 acquires data used for predicting a demand of a consumer and data used for learning a model. Specifically, the data acquisition unit] 03 acquires operation record data and operation plan data from the plant.
  • the actual operation data includes the consumption of the primary energy source of the plant, the supply amount of the secondary energy source (fuel etc.), the state of the component, and the control amount of the component.
  • Operation plan data is represented by a time series of secondary energy production.
  • the data acquisition unit 103 acquires past demand performance data and environmental data from the customer ⁇ 3.
  • the actual demand data is represented by a time series of past energy demand values. Examples of environmental data include the room temperature of a factory.
  • the data acquisition unit 103 acquires information such as the status information, the price of the secondary energy source, and the purchase price from the external server. Meteorological information and factory room temperature are examples of predicted values related to the plant environment.
  • the learning unit 104 learns the prediction model and the component model based on the data acquired by the data acquisition unit 103. Specifically, the learning unit 104 sets a learning dataset that uses past plant operation plan data, weather information, and factory room temperature values as input samples and demand actual data as output samples. Use to learn the prediction model.
  • the learned prediction model is recorded in the prediction model storage unit 101.
  • the learning unit 104 also uses a learning data set in which the values related to the input of the component of the operation result data are used as the input samples, and the values related to the output of the component of the operation result data are used as the output samples. Learn the component model.
  • the learned component model is recorded in the component model storage unit 102.
  • the learning unit 104 may be provided in a device separate from the driving index presentation device 100.
  • the trained model learned by the separate device is recorded in the prediction model storage unit 101 and the component model storage unit 102. ⁇ 2020/175 239 6 ⁇ (: 171-1? 2020 /006258
  • the demand prediction unit 105 stores the operation plan data related to the prediction period acquired by the data acquisition unit 103, the time series of the weather information, and the time series of the room temperature of the factory in the prediction model storage unit 105. By inputting into the prediction model stored by 1, the time series of the demand value related to the prediction period is predicted. Note that the factory room temperature for the forecast period is, for example, a value estimated based on past factory room temperatures.
  • the simulating unit 106 simulates the behavior of the plant by using the plurality of component models stored in the component model storage unit 102.
  • the simulation unit 106 calculates the generation amounts of a plurality of secondary energy sources based on the control amounts of the _ secondary energy source supply and components.
  • the optimizing unit 107 uses the calculation result of the simulating unit 106 to meet the demand value predicted by the demand predicting unit 105, and also the operating index of the plant that minimizes the cost. Specify. Specifically, the optimization unit 107 calculates, as an evaluation value, the sum of the cost function that takes a larger value as the cost in the plant is larger and the penalty function given to the operation that should be avoided in the plant. The optimizing unit 107 specifies the driving index so that the evaluation value becomes small. Examples of plant costs include primary energy purchase costs, electricity purchase costs, and component maintenance costs. Examples of operations that should be avoided in the plant include operations that do not meet demand, operations that generate a large amount of 0.2 or 1 ⁇ 10 X, high-capacity road operation, and operations that frequently start and stop the engine.
  • the optimizing unit 107 identifies the driving index with the smallest evaluation value by using an optimization method such as dynamic programming, greedy method, steepest descent method, or genetic algorithm.
  • the “optimization” in this embodiment includes obtaining an approximate solution.
  • the presentation unit 108 causes the display to display information indicating the time series of the driving index specified by the optimization unit 107.
  • the presentation unit 108 displays a time series of the output ratio (eg, engine generator 70%, electricity purchase 30%, etc.) for each energy source supplied by the plan, for each energy source. ..
  • the numerical value eg, ⁇ 2020/175239 7 ⁇ (: 171-1? 2020/006258
  • Gin generator 7 0 0 , Etc.) time series may be displayed.
  • FIG. 3 is a flowchart showing the operation of the driving index presentation device according to one embodiment.
  • the data acquisition unit 103 of the driving index presentation device 100 receives the input of the prediction period from the user (step 31).
  • the data acquisition unit 103 acquires the operation plan of the plant, the time series of meteorological information, and the time series of the room temperature of the factory for the input prediction period (step 32).
  • the demand prediction unit 105 predicts the time series of the demand value related to the prediction period by inputting the data acquired in Step 31 into the prediction model stored in the prediction model storage unit 101 (Step 3 3).
  • the optimizing unit 107 selects the demand values related to the predicted time series one by one, and performs the optimizing process from Step 35 to Step 311 below for each demand value (Step 3 4).
  • the optimization unit 107 generates seeds for the supply amount of the primary energy source and the control amount of the component based on the random number (step 35).
  • the simulation unit 106 simulates the behavior of the plant based on the generated seed, using the multiple component models stored in the component model storage unit 102, and calculates the generation amount of the secondary energy source. Yes (step 36).
  • the optimization unit 107 calculates a cost function based on the generated seed and the purchase cost and power purchase cost of the primary energy acquired by the data acquisition unit 1033 (step 37). Further, the optimization unit 107 calculates a penalty function based on the behavior of the plant simulated by the simulation unit 106 and the generation amount of the secondary energy source (step 38). The optimization unit 107 calculates the evaluation value by adding the cost function and the penalty function (step ⁇ 2020/175 239 8 ⁇ (:171? 2020 /006258
  • the optimization unit 107 determines whether or not a predetermined convergence condition is satisfied based on the evaluation value (step 310).
  • the convergence condition is determined by the optimization algorithm. If the convergence condition is not satisfied (step 3 10 :N 0), the process returns to step 35 and the seed is generated again. At this time, the optimizing unit generates seeds based on the optimizing algorithm. On the other hand, when the convergence condition is satisfied (step 3 10: ⁇ 3), the optimizing unit 107 specifies the operation index based on the seed when the evaluation value becomes the minimum (step 3 1 1).
  • the presenting unit 108 causes the display to display information indicating the time series of the specified driving index. (Step 3 1 2).
  • the driving index presentation device 100 predicts a time series of demand values for a predetermined prediction period using the prediction model, and predicts the predicted demand values.
  • the time series of the driving index related to the prediction period is specified.
  • the operation index presentation device 100 can present information for forecasting the future operation of the plant.
  • the component model for simulating the behavior of the plant and the optimizing unit 107 are separately configured.
  • the designer or maintenance person of the operation index presentation device 100 can separate the verification of the behavior of the component model from the verification of the optimization process.
  • the designer or maintenance person can verify whether or not the component model can accurately simulate the behavior of the past plant by using the past operation data for the verification of the component model.
  • the plant is provided with a plurality of supply means for each energy source, and the operation index presentation device 100 specifies the operation index related to the operation of each supply means.
  • the operation index presentation device 100 can specify the operation index for which the combination of the supply means is optimized.
  • the configuration is not limited to the one described above, and various design changes can be made. In other embodiments, the order of the above processes may be changed as appropriate. Also, some processes may be executed in parallel.
  • the driving index presentation device 100 calculates the driving index so that the evaluation value at each time of the prediction period is minimized, but the present invention is not limited to this.
  • the driving index presentation device 100 may specify the time series of driving indices so that the total sum of the evaluation values of the entire prediction period is minimized.
  • the driving index presentation device 100 performs the optimization calculation on the condition that the cost is minimized, but the invention is not limited to this.
  • the evaluation value may be used smaller value as the amount of discharge of hundred 2 is small, may be used becomes smaller value the larger the profit of the plant.
  • the demand prediction unit 105 of the operation index presentation device 100 In addition to the demand value during the period, time series of fuel cost, power sale unit price, and power purchase unit price are forecasted, and the operation index is specified so that the profit is maximized.
  • the demand value, fuel cost, unit price of electric power sold, and unit price of purchased electric power may be predicted by the same prediction model or may be predicted by separate prediction models.
  • the operation index includes the amount of fuel purchased and the amount of electricity bought and sold. This allows the user to properly predict the fuel purchase timing and power sale timing. In this case, it is preferable that the driving index presentation device 100 specify the time series of driving indices so that the total sum of the evaluation values for the entire prediction period is minimized.
  • FIG. 4 is a schematic block diagram showing the configuration of a computer according to at least one embodiment.
  • Computer 90 has processor 9 1, main memory 9 2, storage 9 3, equipped with interface 94.
  • the driving index presentation device 100 described above is installed in the computer 90.
  • the operation of each processing unit described above is stored in the storage 93 in the form of a program.
  • the processor 91 reads the program from the storage 93, expands it in the main memory 92, and executes the above processing according to the program. Further, the processor 91 reserves a storage area corresponding to each storage unit described above in the main memory 92 according to the program.
  • the program may be for realizing a part of the functions to be exhibited by the computer 90.
  • the program may exert its function by a combination with another program already stored in the storage 93 or a combination with another program installed in another device.
  • the computer 90 may include a custom LS (Large Scale Integrated Circuit) such as a PLD (Programmable Logic Device) in addition to or instead of the above configuration.
  • P LD include PAL (Programmable Array Logic), GAL (Generic Array Logic), and CP LD (Complex Programmable Logic Device) ⁇ FPGA (Field Programmable Gate Array).
  • P LD Programmable Logic Device
  • FPGA Field Programmable Gate Array
  • Examples of the storage 93 include a magnetic disk, a magneto-optical disk, an optical disk, and a semiconductor memory.
  • the storage 93 may be an internal medium directly connected to the bus of the computer 90 or an external medium connected to the computer 90 via the interface 94 or a communication line. Further, when this program is distributed to the computer 90 by a communication line, the computer 90 that receives the distribution may expand the program in the main memory 92 and execute the above processing.
  • storage 93 is a non-transitory tangible storage medium.
  • the program may be a program for realizing a part of the functions described above.
  • the program adds the functions described above to the storage 93. ⁇ 2020/175239 11 ⁇ (: 171-1?2020/006258
  • difference program It may be realized in combination with another program already stored, or a so-called difference file (difference program).
  • the user can forecast the future operation of the plant by recognizing the information presented by the operation index presentation device.

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Automation & Control Theory (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Manufacturing & Machinery (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Operations Research (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • General Factory Administration (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

デマンド予測部は、予測モデルを用いて、所定の予測期間に係るデマンド値の時系列を予測する。予測モデルは、プラントの運転計画値とプラントの環境に係る予測値とを入力することで、エネルギー源のデマンド値を出力するように学習された学習済みモデルである。最適化部は、予測されたデマンド値の時系列に係るそれぞれの時刻について、複数のデマンド値を満たし、かつ所望の条件を満たすようなプラントの運転指標を特定する。提示部は、予測期間に係る運転指標の時系列に係る情報を提示する。

Description

\¥02020/175239 1 2020/006258 明 細 書
発明の名称 ：
運転指標提示装置、 運転指標提示方法、 およびプログラム
技術分野
[0001 ] 本発明は、 プラントの運転指標提示装置、 運転指標提示方法、 およびプロ グラムに関する。
本願は、 2 0 1 9年 2月 2 6日に日本に出願された特願 2 0 1 9— 0 3 3 2 7 6号について優先権を主張し、 その内容をここに援用する。
背景技術
[0002] 特許文献 1 には、 工場のコストを最小化するための操業最適化方法が開示 されている。
先行技術文献
特許文献
[0003] 特許文献 1 :特開 2 0 0 5 _ 5 5 9 9 7号公報
発明の概要
発明が解決しようとする課題
[0004] 特許文献 1 に開示された技術によれば、 ある時点における操業の最適解を 得ることができる。 他方、 エネルギープラントの操業においては、 将来のエ ネルギーデマンドの変動に応じて最適な操業条件も変化するため、 将来のプ ラントの運転の見通しをしたいという二ーズがある。
本発明の目的は、 将来のプラントの運転の見通しを行うことができる運転 指標提示装置、 運転指標提示方法、 およびプログラムを提供することにある 課題を解決するための手段
[0005] 本発明の第 1の態様によれば、 運転指標提示装置は、 プラントの運転計画 値と前記プラントの環境に係る予測値とを入力することで、 エネルギー源の 〇 2020/175239 2 卩（：171? 2020 /006258
デマンド値を出力するように学習された学習済みモデルである予測モデルを 用いて、 所定の予測期間に係るデマンド値の時系列を予測するデマンド予測 部と、 予測された前記デマンド値の時系列に係るそれぞれの時刻について、 複数のデマンド値を満たし、 かつ所望の条件を満たすような前記プラントの 運転指標を特定することで、 前記予測期間に係る運転指標の時系列を特定す る最適化部と、 前記予測期間に係る運転指標の時系列に係る情報を提示する 提示部とを備える。
[0006] 本発明の第 2の態様によれば、 第 1の態様に係る運転指標提示装置におい て、 前記最適化部は、 前記プラントの複数のコンポーネントの挙動を模擬す る複数のモデルに基づいて前記運転指標を特定し、 前記複数のモデルは、 当 該モデルが模擬するコンポーネントに係る入力値と出力値との組み合わせに 基づいて学習された少なくとも 1つの学習済みモデルを含むものであってよ い。
[0007] 本発明の第 3の態様によれば、 第 1 または第 2の態様に係る運転指標提示 装置において、 前記プラントは、 1つのエネルギー源について、 複数の供給 手段を有し、 前記最適化部は、 前記運転指標として、 前記複数の供給手段に よる出力の割合に関する値を特定するものであってよい。
[0008] 本発明の第 4の態様によれば、 第 1から第 3の何れかの態様に係る運転指 標提示装置において、 前記最適化部は、 前記運転指標に基づいて前記プラン 卜におけるコストが大きいほど、 かつ前記プラントにおいて避けるべき運転 が多いほど大きい値をとる評価値を算出し、 前記評価値が小さくなるように 、 前記運転指標を特定するものであってよい。
[0009] 本発明の第 5の態様によれば、 運転指標提示方法は、 プラントの運転計画 値と前記プラントの環境に係る予測値とを入力することで、 エネルギー源の デマンド値を出力するように学習された学習済みモデルである予測モデルを 用いて、 所定の予測期間に係るデマンド値の時系列を予測するステップと、 予測された前記デマンド値の時系列に係るそれぞれの時刻について、 複数の デマンド値を満たし、 かつ所望の条件を満たすような前記プラントの運転指 〇 2020/175239 3 卩（：171? 2020 /006258
標を特定することで、 前記予測期間に係る運転指標の時系列を特定するステ ップと、 前記予測期間に係る運転指標の時系列に係る情報を提示するステッ プとを備える。
[0010] 本発明の第 6の態様によれば、 プログラムは、 コンビュータに、 プラント の運転計画値と前記プラントの環境に係る予測値とを入力することで、 エネ ルギー源のデマンド値を出力するように学習された学習済みモデルである予 測モデルを用いて、 所定の予測期間に係るデマンド値の時系列を予測するス テップと、 予測された前記デマンド値の時系列に係るそれぞれの時刻につい て、 複数のデマンド値を満たし、 かつ所望の条件を満たすような前記プラン 卜の運転指標を特定することで、 前記予測期間に係る運転指標の時系列を特 定するステップと、 前記予測期間に係る運転指標の時系列に係る情報を提示 するステップとを実行させる。
発明の効果
[001 1 ] 上記態様のうち少なくとも 1つの態様によれば、 利用者は、 運転指標提示 装置が提示する情報を認識することで、 将来のプラントの運転の見通しを行 うことができる。
図面の簡単な説明
[0012] [図 1 ]_実施形態に係る運転指標提示装置の概要を示す図である。
[図 2]_実施形態に係る運転指標提示装置の構成を示す概略ブロック図である
[図 3]_実施形態に係る運転指標提示装置の動作を示すフローチャートである
[図 4]少なくとも 1つの実施形態に係るコンピュータの構成を示す概略ブロッ ク図である。
発明を実施するための形態
[0013] 以下、 図面を参照しながら実施形態について詳しく説明する。
図 1は、 一実施形態に係る運転指標提示装置の概要を示す図である。
運車; 5指標提 装置 1 0 0は、 将来の一定期間について、 工場等の需要家〇 〇 2020/175239 4 卩（：171? 2020 /006258
によるエネルギー源のデマンドを予測し、 当該デマンドを満たすためのブラ ント の運転指標を提 する。 エネルギー源は、 例えば電気、 温水、 冷水、 蒸気などが挙げられる。 以下、 デマンドの予測対象となる期間を、 予測期間 という。
プラント は、 各エネルギー源について、 供給手段を 2つ以上備える。 例 えば、 プラント は、 ガスエンジンによる蒸気生成と、 貫流ボイラによる蒸 気生成とを蒸気の供給手段とする。
[0014] 図 2は、 _実施形態に係る運転指標提示装置の構成を示す概略ブロック図 である。
運転指標提示装置 1 〇〇は、 予測モデル記憶部 1 0 1、 コンポーネントモ デル記憶部 1 0 2、 データ取得部 1 0 3、 学習部 1 0 4、 デマンド予測部 1 0 5、 シミュレート部 1 0 6、 最適化部 1 0 7、 提示部 1 0 8を備える。
[0015] 予測モデル記憶部 1 0 1は、 ブラント の運転計画値とブラント の環境 に係る予測値とを入力することで、 複数のエネルギー源のデマンド値を出力 するように学習された学習済みモデルである予測モデルを記憶する。 本実施 形態において 「学習済みモデル」 とは、 機械学習モデルと学習済みパラメー 夕の組み合わせである。 機械学習モデルとしては、 例えばニューラルネッ ト ヮーク、 ベイジアンネッ トヮーク、 線形回帰、 回帰木などが挙げられる。 な お、 学習済みモデルの予測値と実績値が乖離してきた場合には、 再学習を実 施してもよい。 これにより、 経年劣化等の影響を防止することができる。
[0016] コンポーネントモデル記憶部 1 0 2は、 プラント を構成する複数のコン ポーネントそれぞれの挙動を模擬するコンポーネントモデルを記憶する。 コ ンポーネントモデルは、 学習済みモデルまたは数理モデルによって構成され る。 なお、 コンポーネントモデル記憶部 1 0 2は、 学習済みモデルで構成さ れたコンポーネントモデルと、 コンポーネントの設計情報に基づく数理モデ ルで構成されたコンポーネントモデルとをそれぞれ少なくとも 1つ記憶する 。 なお、 経年劣化等によって性能が変化する可能性のあるコンポーネントは 、 学習済みモデルによって模擬されることが好ましい。 つまり、 本実施形態 〇 2020/175239 5 卩（：171? 2020 /006258
において、 プラント は、 機器構成の一部を物理的にモデリングし、 残りを 統計的にモデリングしたハイブリッ ドモデルとして表される。
［0017］ データ取得部 1 0 3は、 需要家のデマンドの予測に用いるデータ、 および モデルの学習に用いるデータを取得する。 具体的には、 データ取得部］ 0 3 は、 プラント から、 運転実績データおよび運転計画データを取得する。 運 転実績データは、 プラント の一次エネルギー源の消費量、 二次エネルギー 源 （燃料など） の供給量、 コンポーネントの状態、 コンポーネントの制御量 を含む。 運転計画データは、 二次エネルギーの生成量の時系列によって表さ れる。 また、 データ取得部 1 0 3は、 需要家 <3から過去のデマンド実績デー 夕および環境データを取得する。 デマンド実績データは、 過去のエネルギー のデマンド値の時系列によって表される。 環境データの例としては、 工場の 室温などが挙げられる。 また、 データ取得部 1 0 3は、 外部サーバから、 気 象情報や、 _次エネルギー源の価格、 買電価格などの情報を取得する。 気象 情報および工場の室温はプラントの環境に係る予測値の一例である。
［0018］ 学習部 1 0 4は、 データ取得部 1 0 3が取得したデータに基づいて、 予測 モデルおよびコンポーネントモデルを学習する。 具体的には、 学習部 1 0 4 は、 過去のプラント の運転計画データ、 気象情報、 および工場の室温の値 を入カサンプルとし、 デマンド実績データを出カサンプルとする学習用デー タセッ トを用いて予測モデルを学習する。 学習された予測モデルは、 予測モ デル記憶部 1 0 1 に記録される。 また、 学習部 1 0 4は、 運転実績データの うちコンポーネントの入力に係る値を入カサンプルとし、 運転実績データの うちコンポーネントの出力に係る値を出カサンプルとする学習用データセッ 卜を用いてコンポーネントモデルを学習する。 学習されたコンポーネントモ デルは、 コンポーネントモデル記憶部 1 0 2に記録される。
なお、 学習部 1 0 4は、 運転指標提示装置 1 〇〇と別個の装置に設けられ てもよい。 この場合、 別個の装置において学習された学習済みモデルが、 予 測モデル記憶部 1 0 1およびコンポーネントモデル記憶部 1 0 2に記録され ることとなる。 〇 2020/175239 6 卩（：171? 2020 /006258
[0019] デマンド予測部 1 0 5は、 データ取得部 1 0 3が取得した予測期間に係る 運転計画データ、 気象情報の時系列、 および工場の室温の時系列を、 予測モ デル記憶部 1 0 1が記憶する予測モデルに入力することで、 予測期間に係る デマンド値の時系列を予測する。 なお、 予測期間に係る工場の室温は、 例え ば過去の工場の室温に基づいて推定された値である。
[0020] シミュレート部 1 0 6は、 コンポーネントモデル記憶部 1 0 2が記憶する 複数のコンポーネントモデルを用いて、 プラントの挙動を模擬する。 シミュ レート部 1 0 6は、 _次エネルギー源の供給童およびコンポーネントの制御 量に基づいて、 複数の二次エネルギー源の生成量を算出する。
[0021 ] 最適化部 1 0 7は、 シミュレート部 1 0 6の計算結果を用いて、 デマンド 予測部 1 〇 5が予測したデマンド値を満たし、 かつコストが最小となるよう なプラント の運転指標を特定する。 具体的には、 最適化部 1 0 7は、 ブラ ント におけるコストが大きいほど大きい値をとるコスト関数と、 プラント において避けるべき運転に対して与えられるペナルティ関数との和を評価 値として算出する。 最適化部 1 0 7は、 評価値が小さくなるように、 運転指 標を特定する。 プラント のコストの例としては、 一次エネルギーの購入コ スト、 買電コスト、 コンポーネントのメンテナンスコストが挙げられる。 プ ラント において避けるべき運転の例としては、 デマンドを満たさない運転 、 〇〇 2や 1\1〇 Xの発生量が多い運転、 才ーバーロード運転、 エンジンの発 停頻度の高い運転などが挙げられる。
最適化部 1 〇 7は、 例えば、 動的計画法、 貪欲法、 最急降下法、 遺伝的ァ ルゴリズムなどの最適化手法を用いて評価値が最小となる運転指標を特定す る。 なお、 本実施形態における 「最適化」 は、 近似解を得ることを含む。
[0022] 提示部 1 0 8は、 最適化部 1 0 7によって特定された運転指標の時系列を 示す情報を、 ディスプレイに表示させる。 例えば、 提示部 1 0 8は、 プラン 卜 が供給する各エネルギー源について、 供給手段別の出力の割合 （例えば 、 エンジン発電機 7 0 %、 買電 3 0 %など） の時系列をグラフ表示する。 な お、 他の実施形態においては、 供給手段別の出力に係る数値 （例えば、 エン 〇 2020/175239 7 卩（：171? 2020 /006258
ジン発電機 7 0 0
Figure imgf000009_0001
など） の時系列を表示してもよい。
[0023] 次に、 運転指標提示装置 1 0 0の動作について説明する。 なお、 以下では 、 予測モデルおよびコンポーネントモデルの学習が完了しているものとして 説明する。
図 3は、 一実施形態に係る運転指標提示装置の動作を示すフローチャート である。
運転指標提示装置 1 0 0のデータ取得部 1 0 3は、 利用者から予測期間の 入力を受け付ける （ステップ 3 1） 。 データ取得部 1 0 3は、 入力された予 測期間に係るプラント の運転計画、 気象情報の時系列、 および工場の室温 の時系列を取得する （ステップ 3 2） 。 デマンド予測部 1 0 5は、 ステップ 3 1で取得したデータを、 予測モデル記憶部 1 0 1が記憶する予測モデルに 入力することで、 予測期間に係るデマンド値の時系列を予測する （ステップ 3 3）。
[0024] 最適化部 1 0 7は、 予測された時系列に係るデマンド値を 1つずつ選択し 、 各デマンド値について、 以下のステップ 3 5からステップ 3 1 1の最適化 処理を行う （ステップ 3 4） 。
最適化部 1 〇 7は、 乱数に基づいて一次エネルギー源の供給量およびコン ポーネントの制御量のシードを生成する （ステップ 3 5） 。 シミュレート部 1 0 6は、 生成されたシードに基づいて、 コンポーネントモデル記憶部 1 0 2が記憶する複数のコンポーネントモデルを用いて、 プラントの挙動を模擬 し、 二次エネルギー源の生成量を算出する （ステップ 3 6） 。
[0025] 最適化部 1 0 7は、 生成されたシードと、 データ取得部 1 0 3が取得した 一次エネルギーの購入コストおよび買電コストに基づいてコスト関数を算出 する （ステップ 3 7） 。 また、 最適化部 1 0 7は、 シミュレート部 1 0 6に よって模擬されたプラント の挙動および二次エネルギー源の生成量に基づ いて、 ペナルティ関数を算出する （ステップ 3 8） 。 最適化部 1 0 7は、 コ スト関数とペナルティ関数とを加算することで評価値を算出する （ステップ 〇 2020/175239 8 卩（：171? 2020 /006258
[0026] 最適化部 1 0 7は、 評価値に基づいて所定の収束条件を満たすか否かを判 定する （ステップ 3 1 0） 。 収束条件は、 最適化アルゴリズムによって定め られる。 収束条件を満たさない場合 （ステップ 3 1 0 : N 0） 、 ステップ 3 5に戻って再度シードの生成を行う。 このとき、 最適化部は、 最適化アルゴ リズムに基づいてシードの生成を行う。 他方、 収束条件を満たす場合 （ステ ップ 3 1 0 : 丫巳3） 、 最適化部 1 0 7は、 評価値が最小となるときのシー ドに基づいて、 運転指標を特定する （ステップ 3 1 1） 。
[0027] 最適化部 1 0 7が予測期間のすべてのタイミングについて、 運転指標を特 定すると、 提示部 1 0 8は、 特定された運転指標の時系列を示す情報を、 デ ィスプレイに表示させる （ステップ 3 1 2） 。
[0028] このように、 本実施形態によれば、 運転指標提示装置 1 0 0は、 予測モデ ルを用いて所定の予測期間に係るデマンド値の時系列を予測し、 予測された デマンド値の時系列に係るそれぞれの時刻について運転指標を特定すること で、 予測期間に係る運転指標の時系列を特定する。 これにより、 運転指標提 示装置 1 0 0は、 将来のプラント の運転の見通しを行うための情報を提示 することができる。
[0029] また、 本実施形態によれば、 プラント の挙動を模擬するためのコンポー ネントモデルと、 最適化部 1 0 7とが別個に構成される。 これにより、 運転 指標提示装置 1 〇〇の設計者または保守者は、 コンポーネントモデルの挙動 の検証と最適化処理の検証とを切り分けることができる。 設計者または保守 者は、 コンポーネントモデルの検証に、 過去の運転データを用いることで、 コンポーネントモデルが過去のプラント の挙動を正確に模擬できるか否か を検証することができる。
[0030] また、 本実施形態によれば、 プラント が各エネルギー源について複数の 供給手段を備え、 運転指標提示装置 1 〇〇は、 各供給手段の運転に係る運転 指標を特定する。 これにより、 運転指標提示装置 1 〇〇は、 各供給手段の組 み合わせ最適化を図った運転指標を特定することができる。
[0031 ] 以上、 図面を参照して一実施形態について詳しく説明してきたが、 具体的 〇 2020/175239 9 卩（：171? 2020 /006258
な構成は上述のものに限られることはなく、 様々な設計変更等をすることが 可能である。 他の実施形態においては、 上述の処理の順序が適宜変更されて もよい。 また、 一部の処理が並列に実行されてもよい。
上述した実施形態に係る運転指標提示装置 1 〇〇は、 予測期間の各時刻に ついて、 当該時刻における評価値が最小となるように運転指標を算出するが 、 これに限られない。 例えば、 他の実施形態に係る運転指標提示装置 1 〇〇 は、 予測期間全体の評価値の総和が最小となるように、 運転指標の時系列を 特定してもよい。
[0032] また、 上述した実施形態に係る運転指標提示装置 1 0 0は、 コストを最小 化することを条件として最適化計算を行うが、 これに限られない。 例えば、 他の実施形態に係る運転指標提示装置 1 〇〇は、 〇0 2排出量の最小化や、 エ 場運営の最適化 （プラント の運営による収益の最大化） を条件として最適 化計算を行ってもよい。 この場合、 評価値としては、 〇〇 2の排出量が小さい ほど小さくなる値を用いてもよいし、 プラント の収益が大きいほど小さく なる値を用いてもよい。 例えば、 他の実施形態に係る運転指標提示装置 1 〇 0が工場運営の最適化を条件とする最適化計算を行う場合、 運転指標提示装 置 1 0 0のデマンド予測部 1 0 5は、 予測期間におけるデマンド値に加え、 さらに燃料コスト、 売電単価、 および買電単価の時系列を予測し、 収益が最 大化するように運転指標を特定する。 なお、 デマンド値、 燃料コスト、 売電 単価、 買電単価は、 同一の予測モデルによって予測されてもよいし、 それぞ れが別個の予測モデルによって予測されてもよい。 運転指標には、 燃料の購 入量および売買する電力量が含まれる。 これにより、 利用者は、 燃料の購入 タイミングおよび売電のタイミングを適切に予測することができる。 この場 合、 運転指標提示装置 1 〇〇は、 予測期間全体の評価値の総和が最小となる ように、 運転指標の時系列を特定することが好ましい。
[0033] 図 4は、 少なくとも 1つの実施形態に係るコンピュータの構成を示す概略 ブロック図である。
コンピュータ 9 0は、 プロセッサ 9 1、 メインメモリ 9 2、 ストレージ 9 3、 インタフエース 94を備える。
上述の運転指標提示装置 1 00は、 コンピュータ 90に実装される。 そし て、 上述した各処理部の動作は、 プログラムの形式でストレージ 93に記憶 されている。 プロセッサ 9 1は、 プログラムをストレージ 93から読み出し てメインメモリ 92に展開し、 当該プログラムに従って上記処理を実行する 。 また、 プロセッサ 9 1は、 プログラムに従って、 上述した各記憶部に対応 する記憶領域をメインメモリ 92に確保する。
[0034] プログラムは、 コンビュータ 90に発揮させる機能の一部を実現するため のものであってもよい。 例えば、 プログラムは、 ストレージ 93に既に記憶 されている他のプログラムとの組み合わせ、 または他の装置に実装された他 のプログラムとの組み合わせによって機能を発揮させるものであってもよい 。 なお、 他の実施形態においては、 コンピュータ 90は、 上記構成に加えて 、 または上記構成に代えて P L D (Programmable Logic Device) などのカス タム LS 丨 (Large Scale Integrated Circuit) を備えてもよい。 P LDの 例としては、 PAL (Programmab le Array Logic)、 GAL (Gener i c Array Lo gic)、 CP LD(Complex Programmable Logic Device)^ F P G A (Field Pr ogrammable Gate Array) が挙げられる。 この場合、 プロセッサ 9 1 によって 実現される機能の一部または全部が当該集積回路によって実現されてよい。
[0035] ストレージ 93の例としては、 磁気ディスク、 光磁気ディスク、 光ディス ク、 半導体メモリ等が挙げられる。 ストレージ 93は、 コンビュータ 90の バスに直接接続された内部メディアであってもよいし、 インタフエース 94 または通信回線を介してコンピュータ 90に接続される外部メディアであっ てもよい。 また、 このプログラムが通信回線によってコンビュータ 90に配 信される場合、 配信を受けたコンピュータ 90が当該プログラムをメインメ モリ 92に展開し、 上記処理を実行してもよい。 少なくとも 1つの実施形態 において、 ストレージ 93は、 一時的でない有形の記憶媒体である。
[0036] また、 当該プログラムは、 前述した機能の一部を実現するためのものであ ってもよい。 さらに、 当該プログラムは、 前述した機能をストレージ 93に 〇 2020/175239 11 卩（：171? 2020 /006258
既に記憶されている他のプログラムとの組み合わせで実現するもの、 いわゆ る差分ファイル （差分プログラム） であってもよい。
産業上の利用可能性
[0037] 本願の上記開示によれば、 利用者は、 運転指標提示装置が提示する情報を 認識することで、 将来のプラントの運転の見通しを行うことができる。 符号の説明
[0038] 1 00 運転指標提示装置
1 01 予測モデル記憶部
1 02 コンポーネントモデル記憶部
1 03 データ取得部
1 04 学習部
1 05 デマンド予測部
1 06 シミュレート部
1 07 最適化部
1 08 提示部
0 需要家
9 プラント

Claims

〇 2020/175239 12 卩（：171? 2020 /006258 請求の範囲
[請求項 1 ] プラントの運転計画値と前記プラントの環境に係る予測値とを入力 することで、 エネルギー源のデマンド値を出力するように学習された 学習済みモデルである予測モデルを用いて、 所定の予測期間に係るデ マンド値の時系列を予測するデマンド予測部と、
予測された前記デマンド値の時系列に係るそれぞれの時刻について 、 複数のデマンド値を満たし、 かつ所望の条件を満たすような前記プ ラントの運転指標を特定することで、 前記予測期間に係る運転指標の 時系列を特定する最適化部と、
前記予測期間に係る運転指標の時系列に係る情報を提示する提示部 と
を備える運転指標提示装置。
[請求項 2] 前記最適化部は、 前記プラントの複数のコンポーネントの挙動を模 擬する複数のモデルに基づいて前記運転指標を特定し、
前記複数のモデルは、 当該モデルが模擬するコンポーネントに係る 入力値と出力値との組み合わせに基づいて学習された少なくとも 1つ の学習済みモデルを含む
請求項 1 に記載の運転指標提示装置。
[請求項 3] 前記複数のモデルは、 当該モデルが模擬するコンポーネントに係る 設計情報に基づく少なくとも 1つの数理モデルをさらに含む
請求項 2に記載の運転指標提示装置。
[請求項 4] 前記プラントは、 1つのエネルギー源について、 複数の供給手段を 有し、
前記提示部は、 前記運転指標の時系列に係る情報として、 前記複数 の供給手段による出力の数値または割合に関する値の時系列を提示す る
請求項 1から請求項 3の何れか 1項に記載の運転指標提示装置。
[請求項 5] 前記最適化部は、 前記運転指標に基づいて前記プラントにおけるコ 〇 2020/175239 13 卩（：171? 2020 /006258
ストが大きいほど、 かつ前記プラントにおいて避けるべき運転が多い ほど大きい値をとる評価値を算出し、 前記評価値が小さくなるように 、 前記運転指標を特定する
請求項 1から請求項 4の何れか 1項に記載の運転指標提示装置。
[請求項 6] 前記所望の条件は、 前記プラントの運営による収益の最大化を含む 請求項 1から請求項 5の何れか 1項に記載の運転指標提示装置。
[請求項 7] プラントの運転計画値と前記プラントの環境に係る予測値とを入力 することで、 エネルギー源のデマンド値を出力するように学習された 学習済みモデルである予測モデルを用いて、 所定の予測期間に係るデ マンド値の時系列を予測するステップと、
予測された前記デマンド値の時系列に係るそれぞれの時刻について 、 複数のデマンド値を満たし、 かつ所望の条件を満たすような前記プ ラントの運転指標を特定することで、 前記予測期間に係る運転指標の 時系列を特定するステップと、
前記予測期間に係る運転指標の時系列に係る情報を提示するステッ プと
を備える運転指標提示方法。
[請求項 8] コンビュータに、
プラントの運転計画値と前記プラントの環境に係る予測値とを入力 することで、 エネルギー源のデマンド値を出力するように学習された 学習済みモデルである予測モデルを用いて、 所定の予測期間に係るデ マンド値の時系列を予測するステップと、
予測された前記デマンド値の時系列に係るそれぞれの時刻について 、 複数のデマンド値を満たし、 かつ所望の条件を満たすような前記プ ラントの運転指標を特定することで、 前記予測期間に係る運転指標の 時系列を特定するステップと、
前記予測期間に係る運転指標の時系列に係る情報を提示するステッ プと \¥0 2020/175239 14 卩（：17 2020 /006258
を実行させるためのプログラム。
PCT/JP2020/006258 2019-02-26 2020-02-18 運転指標提示装置、運転指標提示方法、およびプログラム Ceased WO2020175239A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
US17/431,454 US20220138654A1 (en) 2019-02-26 2020-02-18 Operating index presenting device, operating index presenting method, and program
EP20763762.0A EP3913452A4 (en) 2019-02-26 2020-02-18 PERFORMANCE INDEX PRESENTATION DEVICE AND METHOD, AND PROGRAM

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019033276A JP7233964B2 (ja) 2019-02-26 2019-02-26 運転指標提示装置、運転指標提示方法、およびプログラム
JP2019-033276 2019-02-26

Publications (1)

Publication Number Publication Date
WO2020175239A1 true WO2020175239A1 (ja) 2020-09-03

Family

ID=72239902

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/006258 Ceased WO2020175239A1 (ja) 2019-02-26 2020-02-18 運転指標提示装置、運転指標提示方法、およびプログラム

Country Status (5)

Country Link
US (1) US20220138654A1 (ja)
EP (1) EP3913452A4 (ja)
JP (1) JP7233964B2 (ja)
TW (1) TWI757691B (ja)
WO (1) WO2020175239A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2024130305A (ja) * 2023-03-14 2024-09-30 横河電機株式会社 情報処理装置、生産計画作成方法及び生産計画作成プログラム

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7487704B2 (ja) * 2021-04-28 2024-05-21 横河電機株式会社 評価装置、評価方法、評価プログラム、制御装置、および、制御プログラム
JP7081728B1 (ja) 2022-01-20 2022-06-07 富士電機株式会社 運転支援装置、運転支援方法及びプログラム
JP7689088B2 (ja) * 2022-01-24 2025-06-05 エヌ・ティ・ティ・コミュニケーションズ株式会社 生産支援装置、方法およびプログラム
JP7501561B2 (ja) 2022-03-30 2024-06-18 横河電機株式会社 プラントシステム、プラント制御方法及びプラント制御プログラム
JP7384265B1 (ja) * 2022-12-01 2023-11-21 富士電機株式会社 運転支援装置、運転支援方法及びプログラム
CN118642453B (zh) * 2024-08-16 2024-10-18 武威恒大牧业服务有限公司 一种饲料生产线智能调度控制方法、系统、设备及介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001211696A (ja) * 2000-01-26 2001-08-03 Ishikawajima Harima Heavy Ind Co Ltd コジェネプラントの運転方法及びその装置
JP2005055997A (ja) 2003-08-07 2005-03-03 Nippon Steel Corp 鉄鋼生産工場の操業最適化方法
JP2011013954A (ja) * 2009-07-02 2011-01-20 Yokogawa Electric Corp プラント最適運転計画装置
JP2018092511A (ja) * 2016-12-07 2018-06-14 三菱重工業株式会社 運用支援装置、機器運用システム、運用方法、制御方法及びプログラム
JP2019033276A (ja) 2010-02-12 2019-02-28 株式会社半導体エネルギー研究所 半導体装置の作製方法

Family Cites Families (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3994910B2 (ja) * 2003-05-08 2007-10-24 株式会社日立製作所 電力売買支援システム
GB2464625A (en) * 2006-10-13 2010-04-28 Responsiveload Ltd Optimisation of use or provision of a resource or service
US8872379B2 (en) * 2007-11-30 2014-10-28 Johnson Controls Technology Company Efficient usage, storage, and sharing of energy in buildings, vehicles, and equipment
US8260469B2 (en) * 2008-11-04 2012-09-04 Green Energy Corporation Distributed hybrid renewable energy power plant and methods, systems, and comptuer readable media for controlling a distributed hybrid renewable energy power plant
WO2010083334A1 (en) * 2009-01-14 2010-07-22 Integral Analytics, Inc. Optimization of microgrid energy use and distribution
US20110231320A1 (en) * 2009-12-22 2011-09-22 Irving Gary W Energy management systems and methods
WO2011105070A1 (ja) * 2010-02-25 2011-09-01 パナソニック株式会社 需給制御装置、需給制御方法、およびプログラム
US8880202B2 (en) * 2010-07-09 2014-11-04 Emerson Process Management Power & Water Solutions, Inc. Optimization system using an iteratively coupled expert engine
JP2012034444A (ja) * 2010-07-28 2012-02-16 Toshiba Corp 電力需給計画装置及びその方法
WO2012154182A1 (en) * 2011-05-12 2012-11-15 Air Products And Chemicals, Inc. Methods for improved production and distribution
CN103650285B (zh) * 2011-05-24 2017-02-15 D·凯文·卡梅伦 一种整合和管理替代能源、电网功率以及负载之间需求/响应的系统和方法
US9588506B1 (en) * 2011-10-10 2017-03-07 Autani, Llc Automation devices, systems, architectures, and methods for energy management and other applications
WO2014030930A2 (ko) * 2012-08-21 2014-02-27 대우정보시스템 주식회사 에너지 관리 대상 모델링을 통한 에너지 관리 방법
JP5998081B2 (ja) * 2013-03-08 2016-09-28 株式会社日立製作所 電力需要調整システム及び需要調整実行システム
WO2014141435A1 (ja) * 2013-03-14 2014-09-18 株式会社日立製作所 業務計画調整システムおよび業務計画調整方法
US10566792B2 (en) * 2013-06-12 2020-02-18 Applied Hybrid Energy Pty Ltd Electrical power control method and system
US9564757B2 (en) * 2013-07-08 2017-02-07 Eaton Corporation Method and apparatus for optimizing a hybrid power system with respect to long-term characteristics by online optimization, and real-time forecasts, prediction or processing
US9404426B2 (en) * 2013-12-31 2016-08-02 General Electric Company Methods and systems for enhancing control of power plant generating units
JP6067865B2 (ja) * 2014-04-01 2017-01-25 株式会社東芝 監視装置、制御装置及び制御システム
US10088184B2 (en) * 2014-04-11 2018-10-02 Nec Corporation Environment control system
CN104950720B (zh) * 2015-06-16 2018-07-20 天津大学 基于气象预报将需求响应和舒适度反馈结合的供能系统
US20170091615A1 (en) * 2015-09-28 2017-03-30 Siemens Aktiengesellschaft System and method for predicting power plant operational parameters utilizing artificial neural network deep learning methodologies
US10241528B1 (en) * 2015-12-01 2019-03-26 Energyhub, Inc. Demand response technology utilizing a simulation engine to perform thermostat-based demand response simulations
CN105375479B (zh) * 2015-12-14 2017-11-17 东南大学 一种基于模型预测控制的分布式能源能量管理方法
CN105574680A (zh) * 2015-12-27 2016-05-11 乌鲁木齐三力元生产力促进中心有限公司 一种企业竞争能力诊断的方法及系统
JP6685949B2 (ja) * 2017-02-10 2020-04-22 株式会社東芝 運転計画作成装置、運転計画作成方法およびプログラム
CN108009667A (zh) * 2017-07-19 2018-05-08 国家电网公司西南分部 一种能源需求总量及结构预测系统
US20190086106A1 (en) * 2017-09-18 2019-03-21 Ecofactor, Inc. Systems and methods for fan delay-based variable thermostat settings
US20190086882A1 (en) * 2017-09-18 2019-03-21 Ecofactor, Inc. Message-based demand response systems and methods
US10459412B2 (en) * 2017-09-27 2019-10-29 Ademco Inc. Convergence structure for control and data analytics systems
EP3703221A4 (en) * 2017-10-23 2021-06-16 Sumitomo Electric Industries, Ltd. ENERGY MANAGEMENT DEVICE, ENERGY MANAGEMENT SYSTEM AND ENERGY MANAGEMENT PROCEDURE
US11361392B2 (en) * 2018-11-01 2022-06-14 Battelle Memorial Institute Flexible allocation of energy storage in power grids

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001211696A (ja) * 2000-01-26 2001-08-03 Ishikawajima Harima Heavy Ind Co Ltd コジェネプラントの運転方法及びその装置
JP2005055997A (ja) 2003-08-07 2005-03-03 Nippon Steel Corp 鉄鋼生産工場の操業最適化方法
JP2011013954A (ja) * 2009-07-02 2011-01-20 Yokogawa Electric Corp プラント最適運転計画装置
JP2019033276A (ja) 2010-02-12 2019-02-28 株式会社半導体エネルギー研究所 半導体装置の作製方法
JP2018092511A (ja) * 2016-12-07 2018-06-14 三菱重工業株式会社 運用支援装置、機器運用システム、運用方法、制御方法及びプログラム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP3913452A4

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2024130305A (ja) * 2023-03-14 2024-09-30 横河電機株式会社 情報処理装置、生産計画作成方法及び生産計画作成プログラム
JP7761018B2 (ja) 2023-03-14 2025-10-28 横河電機株式会社 情報処理装置、生産計画作成方法及び生産計画作成プログラム

Also Published As

Publication number Publication date
TWI757691B (zh) 2022-03-11
EP3913452A1 (en) 2021-11-24
JP2020140253A (ja) 2020-09-03
US20220138654A1 (en) 2022-05-05
TW202102958A (zh) 2021-01-16
JP7233964B2 (ja) 2023-03-07
EP3913452A4 (en) 2022-03-16

Similar Documents

Publication Publication Date Title
WO2020175239A1 (ja) 運転指標提示装置、運転指標提示方法、およびプログラム
JP7221376B2 (ja) 装置、方法、およびプログラム
Andiappan State-of-the-art review of mathematical optimisation approaches for synthesis of energy systems
Zhang et al. Cost-oriented load forecasting
Urbanucci et al. Optimal integrated sizing and operation of a CHP system with Monte Carlo risk analysis for long-term uncertainty in energy demands
Jain et al. Data-driven model predictive control with regression trees—an application to building energy management
CN104424512B (zh) 操作计划决策方法和操作计划决策系统
JPWO2019189501A1 (ja) 設計装置、方法、プログラム、計画装置、制御装置、および水素製造システム
US20120239164A1 (en) Graphical language for optimization and use
Pinto et al. Strategic bidding in electricity markets: An agent-based simulator with game theory for scenario analysis
WO2011114752A1 (ja) 発電量予測装置とその方法及びプログラム
JPWO2020075771A1 (ja) 計画装置、計画方法、および計画プログラム
Habibi et al. Stochastic energy management of a microgrid incorporating two-point estimation method, mobile storage, and fuzzy multi-objective enhanced grey wolf optimizer
WO2021033024A1 (en) Hybrid machine learning and simulation based system for forecasting in electricity systems
JP2018173837A (ja) 予測装置、予測システム、予測方法及びプログラム
JP2018106431A (ja) 設備機器運転計画生成装置および方法
US20230162062A1 (en) Optimization and decision-making using causal aware machine learning models trained from simulators
JP2020115276A (ja) 情報処理方法、情報処理装置、プログラム及び学習済みモデルの生成方法
JP7828763B2 (ja) プログラム、電力需要予測方法、及び情報処理装置
CN116632829A (zh) 碳排放因子预测方法、系统、计算机设备和存储介质
WO2024043881A1 (en) Large-scale battery energy storage system siting and sizing for participation in wholesale energy market using hyperparameter optimization
CN115345375A (zh) 综合能源系统优化配置方法、装置、存储介质及计算设备
JP2023058819A (ja) 連携管理装置及び連携管理方法
JP7647372B2 (ja) 運用支援装置、運用支援方法、及びプログラム
Nezhad et al. A VDS-NSGA-II algorithm for multiyear multiobjective dynamic generation and transmission expansion planning

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20763762

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2020763762

Country of ref document: EP

Effective date: 20210820

NENP Non-entry into the national phase

Ref country code: DE