特許 6025237 発電プラント性能を予測する方法およびシステム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】6025237

(24)【登録日】2016年10月21日

(45)【発行日】2016年11月16日

(54)【発明の名称】発電プラント性能を予測する方法およびシステム

(51)【国際特許分類】

   G05B 13/04 20060101AFI20161107BHJP

【ＦＩ】

   G05B13/04

【請求項の数】8

【外国語出願】

【全頁数】15

(21)【出願番号】特願2011-213598(P2011-213598)

(22)【出願日】2011年9月29日

(65)【公開番号】特開2012-79304(P2012-79304A)

(43)【公開日】2012年4月19日

【審査請求日】2014年9月26日

(31)【優先権主張番号】12/895,293

(32)【優先日】2010年9月30日

(33)【優先権主張国】US

【前置審査】

(73)【特許権者】

【識別番号】390041542

【氏名又は名称】ゼネラル・エレクトリック・カンパニイ

(74)【代理人】

【識別番号】100137545

【弁理士】

【氏名又は名称】荒川 聡志

(74)【代理人】

【識別番号】100105588

【弁理士】

【氏名又は名称】小倉 博

(74)【代理人】

【識別番号】100129779

【弁理士】

【氏名又は名称】黒川 俊久

(74)【代理人】

【識別番号】100113974

【弁理士】

【氏名又は名称】田中 拓人

(72)【発明者】

【氏名】ラジェシュ・ヴェンカット・サッブ

(72)【発明者】

【氏名】リンカーン・マモル・フジタ

(72)【発明者】

【氏名】ウェイツォン・ヤン

(72)【発明者】

【氏名】ノエミー・ディオン・オウレット

(72)【発明者】

【氏名】リチャード・ジェイ・ミッチェル

(72)【発明者】

【氏名】ピエロ・パトロン・ボニソーネ

(72)【発明者】

【氏名】ロバート・フランク・ホスキン

【審査官】 青山 純

(56)【参考文献】

【文献】 特開２００３−１５０２３３（ＪＰ，Ａ）

【文献】 特開２００５−２９３１６９（ＪＰ，Ａ）

【文献】 特開平０６−２８１３０２（ＪＰ，Ａ）

(58)【調査した分野】（Int.Cl.，ＤＢ名）

Ｇ０５Ｂ １３／００ − １３／０４

Ｇ０５Ｂ ２３／００ − ２３／０２

(57)【特許請求の範囲】

【請求項1】

発電プラントに対する対象パラメータを予測するための方法であって、
発電プラント・データ・セット（１２２）および環境データ・セット（１４８）をプロセッサ（１０２）に対する入力として受け取るステップであって、前記環境データ・セット（１４８）は、観測される環境データまたは予想される環境データの少なくとも一方を含む、ステップと、
前記プロセッサ（１０２）上で、前記発電プラント・データ・セット（１２２）および前記環境データ・セット（１４８）を、１または複数のハイブリッド予測モデル（１５０）を用いて処理するステップであって、前記ハイブリッド予測モデル（１５０）は、静的な物理ベースモデル（１５２）と、前記静的な物理モデル（１５２）からの出力とプラント運転データ（１２６）を入力として受け取る動的な補正器モデル（１５４）を含む、ステップと、
前記プロセッサ（１０２）の出力として、前記対象パラメータの少なくとも１つの予測（１４４）を、前記１または複数のハイブリッド予測モデル（１５０）を用いて生成するステップと、
を含む、方法。

【請求項2】

前記発電プラント・データ・セット（１２２）および前記環境データ・セット（１４８）を、後続の処理の前に浄化するステップを含む、請求項１に記載の方法。

【請求項3】

前記少なくとも１つの予測（１４４）を少なくとも１人のユーザに伝達するステップを含む、請求項１または２に記載の方法。

【請求項4】

前記少なくとも１人のユーザは、発電プラント運転員（５３）、発電プラント管理者（５５）、または電力取引業者（８４）のうちの１または複数を含む、請求項３に記載の方法。

【請求項5】

前記発電プラント・データ・セット（１２２）は、前記発電プラントに対する運転データ（１２６）を含む、請求項１から４のいずれかに記載の方法。

【請求項6】

前記環境データ・セット（１４８）は、前記発電プラントに対する周囲温度、相対湿度、または大気圧のうちの１または複数を含む、請求項１から５のいずれかに記載の方法。

【請求項7】

前記対象パラメータは、前記発電プラントまたは前記発電プラントの部品の性能、可用性、または劣化の指標を含む、請求項１から６のいずれかに記載の方法。

【請求項8】

前記対象パラメータは、全体プラント性能の表示を含む、請求項１から７のいずれかに記載の方法。

【発明の詳細な説明】

【技術分野】

【0001】

本明細書で開示する主題は、発電プラント性能の予測モデリングに関し、より具体的には、発電プラント性能、可用性、および劣化を頑強に予測する方法およびシステムに関する。

【背景技術】

【0002】

最新の発電プラントには通常、その運転の種々の側面を管理するのに役立つ高度な制御が備わっている。しかし制御が高度になるにつれて、運転要員が制御応答を予想することが難しくなる場合がある。その結果、このような運転員がその発電機器の将来の容量、能力、および／または排出量を予測することが難しくなる場合がある。

【0003】

モデル（たとえば物理ベースのモデル）が、新しい発電機器の性能を予測する上で有用なツールであり得るが、このようなモデルで用いる基本的な仮定は、時間とともに現実から外れる場合があり、その結果、モデルは時間とともに次第に有用ではなくなる。すなわち、プラントおよび機器が古くなると、また新しい制御メカニズムが適用されると、一つの機器の性能が、新しかったときの機能状態から外れる場合がある。その結果、理想性能に基づく物理ベースのモデルでは、ますます不正確になるかまたは信頼性が低下する場合がある。

【発明の概要】

【発明が解決しようとする課題】

【0004】

このような経年劣化および付随して生じる予測モデルの不正確さを補償するために、発電プラントは定期的に機器の性能を再基準線化して、付随する物理ベースのモデルを新しい基準線に合わせて調整または較正することができる場合がある。しかしこのような調整は、時間がかかる場合があり、また整然とした実験作業（その間、機器はオフラインであり得る）を必要とする場合があり、その結果、収益が失われることがある。

【課題を解決するための手段】

【0005】

一実施形態においては、発電プラントに対する対象パラメータを予測するための方法が提供される。一実施形態においては、発電プラントは１または複数のガス・タービンを備えることができる。本方法は、発電プラント・データ・セットと環境データ・セットとをプロセッサに対する入力として受け取る行為を含む。環境データ・セットは、観測される環境データまたは予想される環境データの少なくとも一方を含む。観測環境データには、測定天気データを含めることができる。予想環境データには、天気予報データを含めることができる。プロセッサ上で、発電プラント・データ・セットと環境データ・セットとが、１または複数のハイブリッド予測モデルを用いて処理される。プロセッサの出力として、対象パラメータの少なくとも１つの予測が、１または複数のハイブリッド予測モデルを用いて生成される。

【0006】

別の実施形態においては、ハイブリッド予測モデルを開発するための方法が提供される。本方法は、発電プラント・データ・セットと物理ベースの性能データ・セットとを受け取る行為を含む。１または複数のルーチンとして、実行されるとデータ・セグメンテーション、データ消去、またはメディアン・フィルタリングのうちの１または複数を行なって、発電プラント・データ・セットまたは物理ベースの性能データ・セットの一方または両方をきれいにするルーチンを、プロセッサ上で実行する。１または複数のルーチンとして、実行されると少なくとも静的な部品および動的な部品を含む少なくとも１つのハイブリッド予測モデルを訓練するルーチンを、プロセッサ上で実行する。

【0007】

別の実施形態においては、プロセッサ実行の予測モデルが提供される。プロセッサ実行の予測モデルには、静的な物理ベース・モデルが含まれている。物理ベース・モデルは、プロセッサ上で実行されると、基準線出力を生成するものである。プロセッサ実行の予測モデルには、動的なデータ・ベース・モデルも含まれている。データ・ベース・モデルは、プロセッサ上で実行されると、基準線出力を入力として受け取って、補正出力を生成するものである。

【0008】

本発明のこれらおよび他の特徴、態様、および優位性は、以下の詳細な説明を添付図面を参照して読むことでより良好に理解される。なお図面の全体に渡って同様の文字は同様の部品を表わす。

【図面の簡単な説明】

【0009】

【図1】本発明の実施形態により用いても良い代表的な化石燃料発電プラントのフロー図である。

【図2】配電システム内でどのように情報が交換されるかを示すブロック図である。

【図3】本開示の一実施形態により本発明の種々の態様を実施するための典型的なプロセッサ・ベースのシステムの図である。

【図4】ある開示した実施形態により発電プラント性能、可用性、または劣化に対する少なくとも１つの予測を生成するためのシステムの図である。

【図5】少なくとも１つの予測出力を生成するために用いるハイブリッド予測モデルのブロック図である。

【図6】少なくとも１つのハイブリッド予測モデルの性能ベースの再訓練および再調整の方法に対するフロー・チャートである。

【図7】ハイブリッド予測モデルに基づいて少なくとも１つの予測出力を生成して伝達する方法に対するフロー・チャートである。

【発明を実施するための形態】

【0010】

本開示は、予測モデリング・アプローチであって、１または複数の発電プラントに適用して将来の発電能力および／または排出物発生をプラントのライフサイクルの全体に渡って予測することを、定期的にプラントの性能を再基準線化することを必要とせずに行ない得る予測モデリング・アプローチに関する。特に、本アプローチによって、１または複数の発電プラントの性能能力、可用性、および／または劣化の頑強で正確な予測を行なうことが可能になる。予測変数の例としては、ピーク負荷、ベース負荷、ターン・ダウン負荷、蒸気タービン負荷、および／または排出量値を挙げても良いが、これらに限定されない。予測値は、電力取引、パワー管理、および／または排出制御に関する市場基盤の背景において用いても良い。加えて、本アプローチは、全体プラント管理および／または他の状況としてプラントもしくはプラント群の評価および／もしくは管理を漸次的にではなく全体的に行なう状況に関する背景において用いても良い。

【0011】

一実施形態においては、データ駆動型ニューラル・ネットワークであるハイブリッド・モデルを用いる。このように実施する１つにおいては、モデルが正確に動作するのに機器特有の知識は必要ではない。したがって、このように実施する場合、ハイブリッド・モデルを、任意の供給源によって与えられる発電機器とともに用いても良い。本明細書で説明するハイブリッド・モデルは、人間の介入を伴うことなく正確な予測を安定してもたらすために、自己学習および自己保守である。

【0012】

開示内容の詳細を参照して、一般的に、発電プラントの性能は、部分的に以下のものに依存している。機器能力（たとえば、定格、寿命、および保守）、環境特性（たとえば、周囲温度、湿度、および圧力）、燃料特性（たとえば、温度、およびエネルギー含量）、ならびに他の因子。電力事業者が、電力の生産過剰または生産不足を伴うことなく電力消費者のエネルギー需要に応えるために、将来の発電プラント性能、可用性、および／または劣化を正確に予測できることが望ましい。後述するように、発電プラントまたは発電プラント群の性能を予測するためのある実施においては、これらの関連する因子の一部または全部を考慮するとともに、モデリング技術を用いて、１または複数の発電プラントを評価および／または管理する際に用いても良い正確で頑強な予測を開発している。このような開示されたモデルの１つにおいては、自己調整および自己監視システムを形成するハイブリッド・アプローチを用いており、そのため、機器ダウンタイムおよび人間とのやり取りの必要性が最小限に抑えられている。

【0013】

特に、このようなハイブリッド・アプローチの１つは、有用な予測モデルをもたらすために、人工ニューラル・ネットワーク（ＡＮＮ）モデルを用いることに基づいている。このようなデータ駆動型のモデルは、明確な数学的アルゴリズム（たとえば、学習アルゴリズム）を用いて訓練可能であっても良い。すなわち、このようなモデルの開発を、測定（すなわち、観測）されたプロセス・データまたは他の経験的なプロセス・データに基づいてプロセス入力をプロセス出力上に正確にマッピングするようにモデルを訓練することによって実施しても良い。この訓練では通常、訓練アルゴリズムに付随する複数の入出力データ・ベクトル・レコードの多様なセットを用いる。訓練されたモデルは次に、基本的なプロセスの入出力挙動を正確に表わしても良い。

【0014】

このようなアルゴリズムに従って訓練される予測モデル（たとえばＡＮＮモデル）を用いて、システム（たとえば発電プラント）の特定の態様をモデリングおよび／または予測しても良い。したがって、発電プラント（本開示が向けられている）において、将来の性能（すなわち、出力能力）、将来の可用性、および将来の劣化を予測する予測モデリング技術を用いることができる。たとえば、特定のタイプの発電プラント（たとえば化石燃料発電プラント、風力発電プラント、原子力発電プラント、および／もしくは太陽発電プラント、またはこのようなプラントの群）の性能を、このようにモデルリングして相応に管理しても良い。

【0015】

一例として、このようなタイプのプラントの１つは、化石燃料発電プラントである。化石燃料発電プラントでは、燃料（たとえば、ガス、石炭、またはオイル）の燃焼から出た熱エネルギーを回転エネルギーに変換し、回転エネルギーをさらに電気エネルギーに変換する。図を参照して、図１は、１または複数のボイラーおよびタービンまたはエンジンを備えて発電する代表的な化石燃料発電プラント１０のフロー図である。本明細書で述べるように、発電プラント１０および発電プラント内で具体化される個々の部品の性能をモデリングして、発電プラント１０（または示した発電プラントを含むより大きい発電プラント１０群）の管理を促進する場合があり、ならびに／または発電プラント、その構成部品、および／もしくは示した発電プラントを含む発電プラント群に関する性能関連の変数の予測を可能にする場合がある。

【0016】

化石燃料発電プラント１０は、個々の発電システムであっても良いし、より大きい発電ステーションの一部または発電プラントもしくはステーションのネットワークの一部となることもできる。たとえば、化石燃料発電プラント１０は、都市または地域所有の電力会社に属する特定の発電ステーションにおける複数のシステムのうちの１つであっても良い。その特定の発電ステーション自体も、ネットワークとして、やはり都市または地域所有の電力会社に属し、都市または地域の電力需要を支えるネットワークにおける複数のうちの単に１つであっても良い。

【0017】

図示した実施形態においては、典型的な化石燃料発電プラント１０は蒸気タービン２８の形態の原動機を用いている。代替的な化石燃料発電プラント・デザインでは、原動機はガス・タービンまたは内燃機関であっても良い。化石燃料発電プラント１０はボイラー２０を備える。ボイラー２０は燃料源１２から燃料１４を受け取る。燃料１４は、固体、液体、または気体の状態であっても良い。たとえば、燃料１４は、とりわけ、天然ガス、石炭、石炭ガス、または石油（オイル）であっても良い。特に、燃料のタイプおよび付随する特性、たとえば燃料温度および燃料低位発熱量（ＬＨＶ））（エネルギー含量としても知られている）は、ある実施形態により正確な発電プラント予測にとって重要である場合がある。

【0018】

ボイラー２０は、炉の壁に沿って高圧鋼管の網が設けられたものであっても良い。ボイラー２０の壁に沿って設けられた管によって、給水１６が運ばれる。後述するように、給水１６は、可燃燃料１４に由来する熱エネルギーを回転する蒸気タービン２８の回転エネルギーに移す手段である。給水１６は、腐食を最小限に抑えるために高度に精製および脱塩されている水である。給水１６は、供水源１８（多くの場合に、給水用のタンクまたは貯蔵容器）から送られるものであり、ボイラー２０に達する前に給水ヒーターによって予熱しても良い。

【0019】

燃料１４は、ボイラー２０内に供給されて燃焼され、多くの場合にボイラーの中央に火球を形成する。この炎は次に、ボイラー２０の壁に沿って設けられた管網を通って移動する給水１６を加熱する。煙道ガス２２が、燃料１４の燃焼から発生して、排気管２４を通って空気中に排出される。煙道ガス２２には、二酸化炭素、水蒸気、および他の物質たとえば窒素、窒素酸化物（ＮＯｘ）、およびイオウ酸化物が含まれていても良い。ある実施においては、煙道ガス２２を処理して、これらの成分の一部または全部を取り除くかまたは減らしても良い。

【0020】

燃料１４の燃焼によって給水１６が過熱蒸気２６に転化される。過熱蒸気２６はボイラー２０を離れて蒸気タービン２８に流れ込む。蒸気タービン２８は、複数組の角度付きブレード列をロータ３０に取り付けたものからなる。ブレードが、移動する過熱蒸気２６と接触すると、ブレードおよびロータ３０が回転して、風車と同様の動作となる。過熱蒸気２６は、蒸気タービン２８に入ってその中を移動するときに冷えて膨張し、その結果、過熱蒸気２６の圧力が低下する。過熱蒸気２６は、蒸気タービン２８を通った後に、蒸気３２として排出され、一部の構成においては凝縮器３４内に入る。凝縮器３４は、多数の長い管の中を循環する冷却水を含む熱交換器であっても良い。蒸気３２は、冷却管上を流れることによって凝縮される。凝縮器３４は、蒸気３２を冷却し、戻り給水３６に転化し直して、供水源１８を補給する。

【0021】

蒸気タービン２８は、回転ロータ３０を介して発電機３８に接続されている。発電機３８は、一部の構成においては、回転ロータ３０、静止ステータ、および何マイルもの巻き銅導体からなっていて電力４０を発生させても良い。次に、形成された電力４０は、伝送線によって電力網４２に運ばれる。最後に、変圧器およびより多くの伝送線からなる電力網４２によって、最終的に電力４０が消費者に運ばれる。

【0022】

代替的な化石燃料発電プラント構成として、原動機が蒸気タービンではなくガス・タービンである場合には、可燃燃料１４から出た燃焼ガスが、個々のタービンの回転可能な部品を動かすための推進力であっても良い。このような構成では、ガス・タービン内の燃焼ガスは、ロータ３０の回転に対して、蒸気タービン２８内の過熱蒸気２６と同様の機能を果たすことができる。

【0023】

当業者であれば分かるように、発電プラントの性能、可用性、および劣化は、一つには、発電プラント１０内に見られる異なる機器の種々の特性に影響される。これらの機器特性としては、個々の部品の能力、寿命、使用法、および保守を挙げても良い。したがって、種々の部品が古くなるか、そうでなくても時間とともに使い古されると、それらの個々の性能特性は変化し、通常は劣化する場合がある。さらに加えて、本開示モデルを用いて生成される予測は、プラント１０に存在する具体的な運転特性に影響される場合がある。たとえば、ガス・タービン・ベース負荷に対する予測を生成する場合、重要な因子として以下のものを挙げても良い。入口案内翼（ＩＧＶ）角度（ガスがタービンに入る角度）、入口圧力降下（タービンに入るときにガスが受ける圧力降下）、および排気圧力降下（タービンから離れるときのガスの圧力降下）。他の外部因子（たとえば周囲温度、周囲湿度、および大気圧）も、正確な発電プラント予測に関係していても良い。

【0024】

図に戻って、発電プラントで生産した電力４０を、指定箇所まで届ける供給として販売しても良い。図２は、電力４０を分配するために用いる配電システム５０内の異なる実体のやり取りを示すブロック図である。発電会社５２は、発電システム５４を用いて電力を発生させる。発電システム５４にはたとえば以下のものが含まれる。化石燃料発電プラント１０、原子力発電プラント５６、地熱発電プラント５８、バイオマス発電プラント６０、太陽熱発電プラント６２、太陽発電ステーション６４、風力エネルギー発電ステーション６６、水力発電ステーション６８、および他の電力源７０である。発電会社５２は、単一の発電プラント、発電ステーション、または同じかもしくは異なるタイプの複数の発電プラントもしくはステーションを監督する単一の実体からなることができる。監督実体は、私営の電力会社、電気協同組合、または公営の電力会社、たとえば都市または地域所有の電力会社であっても良い。発電システム５４には、管理者５５および運転員５３を含めることができる職員（たとえば、現場作業員）がいても良い。管理者５５は、発電の監督および他の職員（たとえば発電システム運転員５３）の管理を含めることができる仕事を行なっても良い。発電システム管理者５５は、発電プラント管理者としても知られている場合がある。発電システムの運転員５３は、発電用機器（ボイラー、タービン、発電機、および反応器など）の運転または制御などの仕事を、制御盤または半自動式機器を用いて行なっても良い。発電システム運転員５３は、発電プラント運転員としても知られている場合がある。

【0025】

発電会社５２から電力が１または複数の電力網４２に供給される。前述したように、電力網４２には、全国電力網７４、地域電力網７６、および／または局所電力網７８内で組織された変圧器および伝送線が含まれている。ほとんどの場合、電力網所有者８０が電力網４２の全部または一部を所有している。電力網所有者８０は、電力４０を発電会社５２から電力消費者８２へ送電することに責任がある。電力消費者８２（産業界から家庭までのすべてのものを含む）は、電力４０を電力網４２から取り出して、それを用いる。

【0026】

電力取引業者８４も配電システム５０に関与している場合がある。電力取引業者８４は、電力供給業者８６および／またはバランス供給者８８の役割を担っていても良い。また、両方の役割が、同じかまたは異なる会社内に存在していても良い。電力取引業者８４は、消費者と供給合意を結んで、電力の販売９２が常に電力の購入９４とバランス状態にあって消費をカバーすることを確実にする必要がある場合がある。一部の状況では、発電会社５２は、電力取引業者８４にその電力を販売すること９４を、入札および／または競売プロセス９６を通して行なう。電力９６の入札および／または競売に対して組織化された市場があり、電力取引所９０と言われる。電力取引所９０内では、取引きを促進する仲介業者がいる。

【0027】

特に、どの一つの会社も配電システム５０内において複数の役割を担っている。たとえば、１つの電力会社は、発電会社５２として機能する（たとえば、化石燃料発電プラントを運転する）、電力網所有者８０として機能する（たとえば、局所電力網を所有する）、および／または電力消費者８２に対する電力供給業者８６として機能する場合がある。したがって、これらの当事者のうち１または複数が、個々のおよび集合的な発電システム５４の性能能力、可用性、および劣化を予測できることが重要な場合がある。

【0028】

前述したことを念頭において、図３に、発電システムの性能のモデリングおよび予測で用いる典型的なプロセッサ・ベースのシステム１００を示す。一実施形態においては、典型的なプロセッサ・ベースのシステム１００は、汎用コンピュータであって、種々のソフトウェア（本開示の態様を実施するアルゴリズムを含む）を実行するように構成されている。あるいは、他の実施形態においては、プロセッサ・ベースのシステム１００は、とりわけ、メインフレーム・コンピュータ、分散コンピューティング・システム、またはアプリケーション特有のコンピュータまたはワークステーションであって、システムの一部として提供される専用のソフトウェアおよび／またはハードウェアを用いて本開示の態様を実施するように具体的にデザインおよび構成されたものを含んでいても良い。さらに、プロセッサ・ベースのシステム１００は、本開示の機能性の実施を容易にするために単一のプロセッサまたは複数のプロセッサを備えていても良い。

【0029】

一般的に、典型的なプロセッサ・ベースのシステム１００は、マイクロプロセッサ１０２（たとえば中央演算処理装置（ＣＰＵ））を備えている。これは、システム１００の種々のルーチンおよび処理機能を実行するものである。たとえば、マイクロプロセッサ１０２は、種々のオペレーティング・システム命令とともにソフトウェア・ルーチンおよび／またはアルゴリズムを実行しても良い。これらは、メモリ１０４（たとえばパーソナル・コンピュータのランダム・アクセス・メモリ（ＲＡＭ））または１もしくは複数の大容量記憶装置１０６（たとえば内部もしくは外部のハード・ドライブ、ＣＤ−ＲＯＭ、ＤＶＤ、または他の磁気もしくは光学記憶装置）に記憶されるかまたはこれらによって提供される。加えて、マイクロプロセッサ１０２は、種々のルーチン、アルゴリズム、および／またはソフトウェア・プログラムに対する入力として与えられるデータ、たとえば本開示のコンピュータ・ベースの実施において与えられるデータを処理する。

【0030】

このようなデータは、メモリ１０４または大容量記憶装置１０６に記憶しても良いし、それらから提供されても良い。あるいは、このようなデータを、マイクロプロセッサ１０２に１または複数の入力装置１０８を介して提供しても良い。このような入力装置１０８としては、手動の入力装置、たとえばキーボード、マウス、などを挙げても良い。加えて入力装置１０８には、マイクロプロセッサ１０２に遠隔のプロセッサ・ベースのシステムまたは別の電子装置からデータを与えるネットワークまたは他の電子通信インターフェースなどの装置が含まれていても良い。このようなネットワーク通信インターフェースは、当然のことながら、双方向性であっても良く、こうして、マイクロプロセッサ１０２から遠隔のプロセッサ・ベースのシステムまたは他の電子装置へネットワークを介してデータ送信することも容易になっていても良い。

【0031】

マイクロプロセッサ１０２から生じた結果（たとえば１または複数の記憶されたルーチンまたはアルゴリズムに従ってデータを処理することによって得られた結果）を、運転員に、１または複数の出力装置（たとえばディスプレイ１１０および／またはプリンタ１１２）を介して与えても良い。表示またはプリントされた出力に基づいて、運転員は、付加的もしくは代替的な処理の要求、または付加的もしくは代替的なデータの提供を、たとえば入力装置１０８を介して行なっても良い。プロセッサ・ベースのシステム１００の種々の部品間での通信は通常、個々のチップセットと１または複数のバスまたは相互接続（システム１００の部品を電気的に接続する）とを介して行なっても良い。特に、ある実施形態においては、典型的なプロセッサ・ベースのシステム１００は、本明細書で述べたような１または複数のアルゴリズムに従って発電プラント・データを処理し、１または複数の数学的モデルを実行して発電プラント性能、可用性、および／または劣化に対する予測を生成するように構成されている。これについては、図４〜７に関して後に詳述する。

【0032】

図４に、発電プラント性能、可用性、または劣化に対する予測を生成するためのシステム１２０の例を例示する。いくつかの実施形態においては、システム１２０は、実際のプラント・データ１２２を１または複数の数学的モデル（すなわち、アルゴリズム）と組み合わせて用いて、発電プラント１２４の実際の将来の性能、可用性、または劣化をシミュレートしても良い。したがって、種々の現在の運転データ１２６および履歴データ１２８を、発電プラント１２４から収集して、入力から直接に１もしくは複数の数学的モデル（たとえばコンピュータ・モデル１３０）へ入力しても良いし、またはデータをプラント・データベース１２２に記憶して、将来このようなモデルとともに使用することに備えても良い。

【0033】

種々の実施形態においては、システム１２０を、発電プラント１２４の構成および運転に応じて広範囲の現在の運転データ１２６および履歴データ１２８を用いることに適合させても良い。たとえば、発電プラント・ガス・タービン・ベース負荷のモデリングを容易にするために、現在の運転データには、ＩＧＶ角度、入口圧力降下、排気圧力降下、燃料温度、および／または燃料ＬＨＶを含めても良い。この例では、履歴データ１２８には、一部または全部の上記因子とともに過去の測定されたベース負荷が含まれていても良い。

【0034】

データ１２６および１２８を、発電プラントから運転員が直接入力しても良いし、またはプラント・データベース１２２から取得しても良い。一実施形態においては、コンピュータ・モデル１３０は、１または複数の潜在的な運転変更の発電プラントへの影響をシミュレートすることができる。言い換えれば、コンピュータ・モデル１３０によって、発電プラント運転員５３、発電プラント管理者５５、電力取引業者８４、または他のユーザ（発電プラントの場所にいてもいなくても）が、機器の設定変更の発電プラント性能に対する影響をシミュレートすることが、発電プラント１２４における設定を何ら実際に変えることなく可能になる。ユーザが、発電プラント性能に付随する１または複数の対象パラメータを有していても良い。

【0035】

種々の実施形態においては、コンピュータ・モデル１３０を、物理ベースの性能データ１３２を受け取るように適合させても良い。物理ベースの性能データ１３２としては、発電プラントからの実際の運転情報の代わりにまたはそれに加えて、発電プラントの少なくとも１つの物理ベース・モデルを用いて生成されるデータを挙げても良い。

【0036】

種々の実施形態においては、コンピュータ・モデル１３０は、前述した機能性を実現するために、分離した別個のハイブリッド・モデルの配列１３４を備えていても良い。たとえば、ハイブリッド・モデルの配列１３４には、モデリングされる発電プラントで用いる機器に基づいた複数のガス・タービンまたは蒸気タービンに対するベース負荷モデルおよびピーク負荷モデルが含まれていても良い。各モデルは、コンピュータ・モデル１３０によって生成および更新される数学的アルゴリズムとして存在する。

【0037】

ある実施形態においては、コンピュータ・モデル１３０は、各ハイブリッド・モデル１５０の形成、保守、および正確さを可能にするために、複数のモジュールを備えていても良い。たとえば、コンピュータ・モデル１３０は、データ・コンディショニング・モジュール１３６、訓練モジュール１３８、再訓練モジュール１４２、およびハイブリッド予測モジュール１４０を備えていても良い。これらの各モジュールについては、後により詳細に説明する。

【0038】

また環境データ１４８を、予測結果１４４の生成においてコンピュータ・モデル１３０が用いても良い。環境データ１４８には、モデリングされる個々の機器またはプラントの場所に対して観測される（すなわち、現在の）および／または予想される（すなわち、将来の）環境データが含まれていても良い。理解されるように、このような予想または予測される環境データが有用であり得る実施は、将来を考慮したモデルまたは予測が望ましく、その結果、予想されるすなわち将来の発電能力に対する見識が得られる実施である。環境データ１４８としては、限定することなく、モデリングされる個々の機器またはプラントの場所における周囲温度、相対湿度、および／または大気圧を挙げても良い。予測結果１４４は、プラント運転員、エネルギー供給業者、電力取引業者などが用いるべきコンピュータ・モデル１３０からの出力であっても良い。さらに、予測結果１４４とともにハイブリッド・モデルの配列１３４および環境データ１４８を、データベース１４６に記憶して、現在のコンピュータ・モデル１３０を更新するために用いても良い。

【0039】

ある実施形態では、プラント・データ１２２および／または物理ベースの性能データ１３２に基づくモデリングおよび予測において、異常値および著しいノイズが浄化されたデータを用いる。データ・コンディショニング・モジュール１３６は、十分に均一なデータ・セットを訓練モジュール１３８が利用できるように、データ・セグメンテーションおよび除去アルゴリズムを含んでいても良い。たとえば、データ・コンディショニング１３６は、各入力変数を平滑化してデータ中の異常値の多くを取り除くメディアン・フィルタリングを含んでいても良い。

【0040】

訓練モジュール１３８は、後述するように予測用に利用できるモデルを形成するために、ハイブリッド予測モジュール１４０に情報を提供する。さらに、ある実施形態においては、訓練モジュール１３８は、プラント・データ１２２か、または物理ベースの性能データ１３２とプラント・データ１２２との組み合わせを用いても良い。１つのアプローチにおいては、物理ベースの性能データ１３２とプラント・データ１２２とを組み合わせて、拡張されたモデル訓練および検証データ・セットを形成しても良い。物理ベースの性能データ１３２は、適切な物理ベースのモデルの組に対して実験計画法（ＤＯＥ）を実行することを通して生成しても良い。このＤＯＥアプローチによって生成される入出力値のマトリックス上で、ハイブリッド予測モジュール１４０を訓練および検証しても良い。

【0041】

さらに、ある実施形態においては、ドメイン知識およびデータ駆動型方法の両方を用いて、ハイブリッド予測モジュール１４０へ入力するための変数を選択する。たとえば、相関試験を訓練モジュール１３８間で行なって、入力変数（Ｘ’）と目標（Ｙ’）との間の高い相関を確認しても良い。その後に、非常に相関性がある変数および目標を用いることによって、より正確な予測性能が得られる場合がある。

【0042】

いったん十分に訓練されれば、ハイブリッド予測モジュール１４０によってハイブリッド・モデル１５０が生成される場合がある。図５は、本発明の実施形態による典型的なハイブリッド予測モジュール１４０のブロック図である。図５を参照して、ハイブリッド予測モジュール１４０では、物理ベースのＡＮＮモデル１５２（たとえば熱力学的なモデル）とともにプラント・データ・ベースのＡＮＮモデル１５４を用いる。理解されるように、ニューラル・ネットワーク以外のモデルを用いても良い。ある実施形態においては、ハイブリッド予測モジュール１４０を用いてモデルを生成して予測する前に、物理ベースのＡＮＮモデル１５２を１回訓練する。他の実施形態においては、物理ベースのＡＮＮモデル１５２の２回以上の訓練をたとえば反復プロセスで行なうことを、ハイブリッド予測訓練プロセスで用いる前に行なっても良い。１つの実施においては、物理ベースのＡＮＮモデル１５２を、時間とともに更新することはせず、したがって「静的な」モデルと言われる。

【0043】

一例としては、プログラムを用いて物理ベースの性能データを生成して静的モデル１５２を訓練し、ガス・タービン・ベース負荷予測を図っても良い。入力パラメータを決定および使用して、ＤＯＥ試験マトリックスを形成しても良い。ＤＯＥ試験マトリックスを実行し、出力は静的モデル訓練データ・セットになる。他のパラメータを、同じ機器またはシステムに対して決定して、さらなる静的モデル訓練データ・セットを形成しても良い。また異なるプログラムを用いて、異なるプラント機器またはシステムに対する静的モデル訓練データを生成しても良い。さらに加えて、物理ベースの性能データが利用できなかった場合には、プラント運転データの大きなセットを用いて静的モデル１５２を訓練することができる。この状況では、理想的には、訓練データ・セットが広範囲の入力パラメータをカバーして、運転領域の正確な表現が得られる。

【0044】

静的モデル１５２によって生成された予測は、予測されているパラメータに対する「基準線」を表わす。使用する訓練データに応じて、静的モデル１５２に基づく予測は実際の性能とは異なっている場合がある。基準線からのずれは、機器が劣化するにつれ、時間とともに増加する場合がある。そのため、基準線予測に補正を施す必要があり、したがってプラント・データ・ベースのＡＮＮモデル（「補正器」モデル１５４とも言われる）が必要とされる。

【0045】

補正器モデル１５４は、最近のプラント運転データを用いて訓練しても良い。補正器モデル１５４に対する入力１５６には、静的モデル１５２に対する全ての入力１５８または下位集合の入力が含まれていても良い。加えて、補正器モデル１５４は、静的モデル１５２の出力１５９を入力として受け取る。その結果、施される補正は静的予測の関数となる。

【0046】

補正器モデル１５４は、プラントから収集される実際の最新データに基づいて性能予測を調整する。そのため、時間とともに補正器モデル１５４によって、ハイブリッド予測モジュール１４０が形成するハイブリッド・モデル１５０が実際の性能を詳細に反映することができる。一方で基準線（静的モデル１５２）は変わらない。したがって、補正器モデル１５４を静的モデル１５２とともに用いることによって、静的モデル１５２を定期的に再基準線化して再調整する必要が軽減または除去され、その結果、プラント機器に対するダウンタイムが最小になる。

【0047】

結果として、ハイブリッド・モデリング・アプローチは、純粋な物理ベースまたは純粋なデータ・ベースのニューラル・ネットワーク・アプローチよりも良好に機能する場合がある。静的モデル１５２を用いることによって最初は、従来のどんな訓練も行なうことなく予測基準線を設定することができる。また、静的モデル１５２を、全運転範囲に渡って性能基準線を形成する運転条件の予想範囲に渡って訓練しても良く、その結果、必要な外挿法が最小限になり、プラント運転データ希薄問題が相殺される。

【0048】

図５に戻って、一対の物理ベースのＡＮＮ１５２およびデータ・ベースのＡＮＮモデル１５４を、各性能予測に対するハイブリッド・モデル１５０の形成において用いても良い。たとえば、単一対のモデル（すなわち、単一のハイブリッド・モデル１５０）を用いて以下の予測を行なっても良い。ガス・タービン負荷（ｍＷ）、ガス・タービン燃料消費量、ガス・タービン排出量（ＮＯｘ、ＣＯ）、および／または蒸気タービン負荷（ｍＷ）。

【0049】

しかし、複数対のＡＮＮモデル（すなわち、複数のハイブリッド・モデル１５０）を互いに関連させて用いて、たとえば１つの予測に対するモデルを形成しても良いし、または複雑なシステムをより効果的にモデリングしても良い（たとえば全体プラント性能）。実際には、いくつかの実施形態において、複数のハイブリッド・モデルを用いてパラメータまたは全体的（すなわち、全体論的）な評価基準をモデリングすることが最良である場合がある。たとえば、異なるハイブリッド・モデルの方が、ガス・タービンのベース負荷および部分負荷運転モードをより良好に表わすということを決定しても良い。この場合、ガス・タービン・ベース負荷および部分負荷予測は、ハイブリッド予測モジュール１４０を用いて形成される２つの別個のハイブリッド・モデル１５０を用いて行なうことができるが、別個のハイブリッド・モデル１５０の組み合わせ結果を合わせて、ガス・タービン運転モードに関する所望の予測が得られる場合がある。さらに、より複雑な考え方（たとえば、全体としてのプラントの性能または概念的にまとめて考えても良いサブシステム群の性能）が対象となる場合がある限りでは、このような複雑な結果を、群（すなわち、２つ以上のハイブリッド・モデル１５０）を用いてモデリングしても良い。たとえば、このようなモデル群を加重配列、未加重配列、階層的配列、および／または条件付き配列で組み合わせて、当該の複雑なパラメータ（たとえば全体プラント性能、全体発電機性能、全体タービン性能など）を好適にモデリングしても良い。

【0050】

補正器モデル１５４は、モデルの再訓練およびその後の再調整を通して保守される。図４からの再訓練モジュール１４２は、この機能をコンピュータ・モデル１３０内で行なう。再訓練１４２は、性能に基づいて作動させても良いし（たとえば、性能が許容閾値を下回ったときの監視精度および作動訓練）、または時間間隔に基づいて作動させても良い（たとえば、毎日、毎週、毎月、毎年などに１回）。再訓練作動が性能ベースである場合、統計的検定を用いて、モデルの予測精度がいつ低下している場合があるかを診断しても良い。低下したモデルは、再調整して、より正確な予測が得られるようにしても良い。このプロセスによって、ハイブリッド・モデル１５０のセルフ・モニタリングおよび自己更新が達成される。

【0051】

図６のフローチャート１６０を参照して、ハイブリッド・モデル１５０を再訓練するための方法１４２がより良好に理解される場合がある。なお、フローチャート１６０に示した典型的なステップのうち１または複数を、プロセッサ・ベースのシステム１００によって、このような機能を行なうようにデザインされたソフトウェア・アプリケーションのルーチンまたはアルゴリズムの実行を通して、行なっても良い。あるいは、アプリケーション特有のハードウェア、ファームウェア、または回路構成を用いて、同じ機能性を実現しても良い。

【0052】

方法１６０は、プラント・データ１２２の新しいウィンドウを受け取ること（ブロック１６２）によって始まっても良い。プラント・データ１２２には、運転入力（Ｘ’）とともに出力（Ｙ）が含まれる。プロセッサ１０２は、既存の訓練されたハイブリッド・モデル１５０およびプラント・データ１２２を用いて、予測出力（Ｙ’）１６６を計算する（ブロック１６４）。予測誤差（Ｅ_i）１７０は、実際の出力（Ｙ）と予測出力（Ｙ’）１６６との間の差によって計算される（ブロック１６８）。

【0053】

ハイブリッド・モデル試験データに対する予測誤差（基本予測誤差（Ｅ_o）１７４とも言われる）の計算（ブロック１７２）には、全長が（Ｄ₀＋ｗ₀）の初期データ・セットを用いることが含まれる。最初のＤ₀データ点は、初期ハイブリッド・モデルを訓練して検証するために用いられ、データの最後のｗ₀点は、ベース予測誤差１７４を試験して取得するために留保される。

【0054】

次に、プロセッサ１０２は、予測誤差（Ｅ_i）１７０およびベース予測誤差（Ｅ_o）１７４に対して統計的検定を行なう（ブロック１７６）。どんな仮説検定も統計的検定として機能しても良い。たとえば、ウィルコクソンの順位和検定（ＷＲＳＴ）が、その優位性から提案される。統計的な試験結果（ブロック１７８）が、予測誤差Ｅ_oおよびＥ_iは統計的に著しく異なってはいないことを示した場合には１８４、プロセスは、新しいプラント・データ１２２を受け取るところ（ブロック１６２）から再び始まる。他方で、Ｅ_oとＥ_iとの間に統計的に著しい差があった場合には１８６、ハイブリッド・モデルを、プラント・データ１２２（運転および出力データを含む）を用いて再訓練する（ブロック１８０）。しかし、プラント・データ・セット１２２内のデータ点の数が圧倒的に大きい場合、最も古いデータ点の特定の部分をデータ・セットから取り除いても良い。モデル再訓練のために用いるデータ量は重要な因子である。良好なモデル表現を得るためには十分なデータが必要である。しかし機器の現在の状態を正確には反映していない古いデータの使用を回避することは不可欠である。ハイブリッド予測モデルを再訓練した後、ネットワーク・パラメータおよびベース予測誤差Ｅ₀を両方とも再調整して（ブロック１８２）、プラント・データ１２２の後続のウィンドウズ（商標）に対して用いる。前述したことから分かり得るように、ハイブリッド・モデル１５０は、実施されると、その予測性能において連続的にモニタされる。注目すべきことは、再訓練方法１６０を、予測すべき異なるパラメータ（たとえば、ベース負荷、ＮＯｘ、ＣＯ）に対して存在する各ハイブリッド・モデル１５０に対して別個に行なっても良いことである。

【0055】

図７のフローチャート１９０を参照して、ハイブリッド・モデル１５０を用いて発電プラント性能、可用性、または劣化に対する予測１４４を生成する方法は、より良好に理解される場合がある。なお、フローチャート１９０に示した典型的なステップのうち１または複数を、プロセッサ・ベースのシステム１００によって、このような機能を行なうように適合されたソフトウェア・アプリケーションのルーチンまたはアルゴリズムの実行を通して、行なっても良い。あるいは、アプリケーション特有のハードウェア、ファームウェア、または回路構成を用いて、同じ機能性を実現しても良い。

【0056】

予測１９０を生成する方法は、プロセッサ１０２がプラント・データ１２２および環境データ１４８の両方を受け取ること（ブロック１９２）から始まる。前述したように、環境データ１４８には、当該の場所に対して得られた気象データ、たとえば周囲温度、相対湿度、および／または大気圧が含まれていても良い。プロセッサ１０２は、ハイブリッド・モデル１５０に対するデータ・セット１９６を用意する（ブロック１９４）。プロセッサ１０２は、ハイブリッド・モデル１５０を用いて予測結果１４４を計算する（ブロック１９８）。そしてプロセッサ１０２は、予測結果１４４をシステム・ユーザに、ディスプレイ１１０またはプリンタ１１２を介して伝達する（ブロック２００）。

【0057】

ある実施形態においては、図７の方法を用いて、ネットワーク環境上で相互接続された複数の発電プラントの能力、可用性、および劣化を予測しても良い。予測出力９４を用いて、個々の発電プラント、ネットワーク内の発電プラントの下位集合、および／または発電プラントのネットワーク全体の性能を、動的に観測および分析しても良い。

【0058】

本開示の技術的効果には、ハイブリッド・モデルを生成および／または利用して、１または複数の発電プラントに付随する１または複数の性能的側面を予測することが含まれる。発電プラントの運転または管理は、開示したハイブリッド・モデルの１または複数の出力に基づいても良い。ハイブリッド・モデルは、１または複数のニューラル・ネットワークを構成していても良い。さらに、ハイブリッド・モデルは静的モデルを構成しても良く、たとえば物理的原理および因子ならびに補正器または動的モデルに基づいても良く、たとえば測定または観測されるプラント・データに基づいても良い。このような実施形態においては、静的モデルの出力は、補正器モデルに対する入力であっても良い。

【0059】

この書面の説明では、実施例を用いて、本発明を、ベスト・モードも含めて開示するとともに、どんな当業者も本発明を実施できるように、たとえば任意の装置またはシステムを作りおよび用いること、ならびに取り入れた任意の方法を実行することができるようにしている。理解され得るように、実施例または実施形態が、本開示の説明を容易にするために与えられる限りにおいて、このような実施例および実施形態を、たとえ明白には述べられていなくても、組み合わせることを、たとえ互いに組み合わせた状態で明白に説明がされていなくても、行なっても良い。本発明の特許可能な範囲は、請求項によって定められるとともに、当業者に想起される他の実施例を含んでいても良い。このような他の実施例は、請求項の文字通りの言葉使いと違わない構造要素を有するか、または請求項の文字通りの言葉使いとの差が非実質的である均等な構造要素を含む場合には、請求項の範囲内であることが意図されている。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】