特許 6781851 運転指針探索方法、及び運転指針探索システム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B1)

(11)【特許番号】6781851

(24)【登録日】2020年10月20日

(45)【発行日】2020年11月4日

(54)【発明の名称】運転指針探索方法、及び運転指針探索システム

(51)【国際特許分類】

   F25J 1/00 20060101AFI20201026BHJP

【ＦＩ】

   F25J1/00 B

【請求項の数】11

【全頁数】14

(21)【出願番号】特願2019-566849(P2019-566849)

(86)(22)【出願日】2019年5月13日

(86)【国際出願番号】JP2019018954

【審査請求日】2019年12月3日

【早期審査対象出願】

(73)【特許権者】

【識別番号】519355493

【氏名又は名称】日揮グローバル株式会社

(74)【代理人】

【識別番号】110002756

【氏名又は名称】特許業務法人弥生特許事務所

(72)【発明者】

【氏名】毛利 謙司

(72)【発明者】

【氏名】内田 啓克

【審査官】 関根 崇

(56)【参考文献】

【文献】 特許第６２８６８１２（ＪＰ，Ｂ２）

【文献】 特開２０１７−１４２５９５（ＪＰ，Ａ）

【文献】 特表２０１３−５４０９７３（ＪＰ，Ａ）

【文献】 国際公開第２００７／１２３９２４（ＷＯ，Ａ１）

(58)【調査した分野】（Int.Cl.，ＤＢ名）

Ｆ２５Ｊ １／００

Ｇ０６Ｑ ５０／０４−０６

(57)【特許請求の範囲】

【請求項1】

液化天然ガスプラントの運転指針探索方法であって、
前記液化天然ガスプラントは、屋外に設けられ、液化用冷媒を用い、天然ガスを液化して液化天然ガスを得る液化用熱交換器と、前記液化用冷媒を含む、前記液化天然ガスプラント内で用いられる冷媒が気化した後の冷媒ガスを圧縮する圧縮機とを備えることと、
前記液化天然ガスプラントには、制御の対象を設定値に近づける調節が行われる制御の対象の機器が複数含まれていることと、
前記制御の対象の機器を含む、前記液化天然ガスプラントを構成する複数の機器に設けられた測定器を介して運転データを取得可能な各機器の運転状態に係る変数をプロセス変数と呼ぶとき、前記プロセス変数は、前記調節に係る操作変数と、前記制御の対象に係る制御変数と、これら操作変数、制御変数には相当しない他のプロセス変数とにより構成されることと、
前記プロセス変数が取得される対象となる複数の対象機器についての制御変数及び操作変数と、前記圧縮機の圧縮動力を少なくとも含む前記他のプロセス変数と、のプロセス変数の実績値を示す運転データと、前記プロセス変数の実績値に影響を及ぼす外乱の実績値を示す外乱データと、を含む複数のデータセットを取得する工程と、
前記データセットを取得する工程にて取得した複数のデータセットに基づき、コンピュータを用いた機械学習により、前記操作変数及び外乱から選択した入力値に応じた、前記制御変数及び他のプロセス変数から選択した出力値（少なくとも前記圧縮動力を含む）の対応関係を複数含むプラントモデルを作成する工程と、
前記プラントモデルを作成する工程にて作成したプラントモデルに対して前記外乱の入力値と前記操作変数の初期値とを与え、コンピュータを用いた強化学習により、前記液化天然ガスの出口温度が予め設定された制約温度以下となる条件下で、前記液化天然ガスの単位生産量当たりの前記圧縮動力が最小となる前記操作変数の入力値を探索する工程と、を含むことと、を特徴とする運転指針探索方法。

【請求項2】

前記操作変数の入力値を探索する工程にて探索された前記操作変数の複数の入力値に基づき、前記操作変数として、前記液化天然ガスプラントの運転に実際に使用する入力値を決定する工程を含むことを特徴とする請求項１に記載の運転指針探索方法。

【請求項3】

前記外乱として、前記液化天然ガスプラントの設置エリアの外気温度、前記液化天然ガスプラントへの天然ガスの供給圧力、天然ガスの組成、天然ガスの供給温度、天然ガスの供給量からなる外乱群から選択された外乱を含むことを特徴とする請求項１に記載の運転指針探索方法。

【請求項4】

前記機械学習は、ディープニューラルネットワーク、サポートベクターリグレッション、ランダムフォレストリグレッション、部分最小二乗法の少なくとも１つの手法を用いて前記プラントモデルを作成することを特徴とする請求項１に記載の運転指針探索方法。

【請求項5】

前記制御変数、または前記圧縮機の圧縮動力以外の前記他のプロセス変数として、前記液化用熱交換器の入口側の天然ガスの温度、前記液化用熱交換器の入口側の液化用冷媒温度、液化用冷媒圧縮機吐出圧からなるプロセス変数群から選択されたプロセス変数を含み、
前記操作変数として、前記液化用冷媒のガス流量、前記液化用冷媒の液体流量、前記液化用冷媒の組成、前記圧縮機が回転駆動機により駆動される場合の回転数、または前記圧縮機のインレットガイドベーン開度からなる操作変数群から選択されたプロセス変数を含むことを特徴とする請求項１に記載の運転指針探索方法。

【請求項6】

前記冷媒が、前記液化用冷媒により液化される前の前記天然ガスの予冷却を行う予冷用冷媒、または前記液化用冷媒の冷却を行う冷媒冷却用冷媒の少なくとも一方を含む場合に、前記プロセス変数群はさらに前記予冷却後の天然ガスの温度、前記冷却後の液化用冷媒の温度の少なくとも一つを前記制御変数、または前記他のプロセス変数として含むことを特徴とする請求項５に記載の運転指針探索方法。

【請求項7】

液化天然ガスプラントの運転指針探索システムであって、
前記液化天然ガスプラントが、
屋外に設けられ、液化用冷媒を用い、天然ガスを液化して液化天然ガスを得る液化用熱交換器と、前記液化用冷媒を含む、冷媒が気化した後の冷媒ガスを圧縮する圧縮機とを備えることと、
前記液化天然ガスプラントには、制御の対象を設定値に近づける調節が行われる制御の対象の機器が複数含まれていることと、
前記制御の対象の機器を含む、前記液化天然ガスプラントを構成する複数の機器に設けられた測定器を介して運転データを取得可能な各機器の運転状態に係る変数をプロセス変数と呼ぶとき、前記プロセス変数は、前記調節に係る操作変数と、前記制御の対象に係る制御変数と、これら操作変数、制御変数には相当しない他のプロセス変数とにより構成されることと、を有するとき、
前記運転指針探索システムは、
前記プロセス変数が取得される対象となる複数の対象機器についての制御変数及び操作変数と、前記圧縮機の圧縮動力を少なくとも含む前記他のプロセス変数と、のプロセス変数の実績値を示す運転データと、前記プロセス変数の実績値に影響を及ぼす外乱の実績値を示す外乱データと、を含む複数のデータセットを取得するデータ取得部と、
前記データ取得部にて取得した複数のデータセットに基づき、コンピュータを用いた機械学習により、前記操作変数及び外乱から選択した入力値に応じた、前記制御変数及び他のプロセス変数から選択した出力値（少なくとも前記圧縮動力を含む）の対応関係を複数含むプラントモデルを作成するプラントモデル作成部と、
前記プラントモデル作成部にて作成したプラントモデルに対して前記外乱の入力値と前記操作変数の初期値とを与え、コンピュータを用いた強化学習により、前記液化天然ガスの出口温度が予め設定された制約温度以下となる条件下で、前記液化天然ガスの単位生産量当たりの前記圧縮動力が最小となる前記操作変数の入力値を探索する運転指針探索部と、を備えることを特徴とする運転指針探索システム。

【請求項8】

前記プラントモデル作成部は、前記外乱として、前記液化天然ガスプラントの設置エリアの外気温度、前記液化天然ガスプラントへの天然ガスの供給圧力、天然ガスの組成、天然ガスの供給温度、天然ガスの供給量からなる外乱群から選択された外乱についての外乱データを用いて機械学習を行うことを特徴とする請求項７に記載の運転指針探索システム。

【請求項9】

前記プラントモデル作成部は、ディープニューラルネットワーク、サポートベクターリグレッション、ランダムフォレストリグレッション、部分最小二乗法の少なくとも一つの手法を用いて前記プラントモデルを作成することを特徴とする請求項７に記載の運転指針探索システム。

【請求項10】

前記プラントモデル作成部は、
前記制御変数、または前記圧縮機の圧縮動力以外の前記他のプロセス変数として、前記液化用熱交換器の入口側の天然ガスの温度、前記液化用熱交換器の入口側の液化用冷媒温度、液化用冷媒圧縮機吐出圧からなるプロセス変数群から選択されたプロセス変数の運転データと、
前記操作変数として、前記液化用冷媒のガス流量、前記液化用冷媒の液体流量、前記液化用冷媒の組成、前記圧縮機が回転駆動機により駆動される場合の回転数、または前記圧縮機のインレットガイドベーン開度からなる操作変数群から選択されたプロセス変数を含むプロセス変数の運転データとを用いて機械学習を行うことを特徴とする請求項７に記載の運転指針探索システム。

【請求項11】

前記冷媒が、前記液化用冷媒により液化される前の前記天然ガスの予冷却を行う予冷用冷媒、または前記液化用冷媒の冷却を行う冷媒冷却用冷媒の少なくとも一方を含む場合に、
前記プラントモデル作成部は、さらに前記予冷却後の天然ガスの温度、前記冷却後の液化用冷媒の温度の少なくとも一つを前記制御変数、または前記他のプロセス変数として含む前記プロセス変数群から選択されたプロセス変数の運転データを用いて機械学習を行うことを特徴とする請求項１０に記載の運転指針探索システム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、液化天然ガスプラントの稼働を解析する技術に関する。

【背景技術】

【0002】

天然ガスの液化を行う液化天然ガスプラント（以下、「ＬＮＧプラント」ともいう）においては、冷媒を用いて天然ガス（ＮＧ：Natural Gas）を冷却し、液化天然ガス（ＬＮＧ：Liquefied Natural Gas）を得る処理が行われる。ＬＮＧプラントは、冷媒を用いて被冷却流体（ＮＧや他の冷媒など）を冷却する熱交換器や、気化した冷媒を圧縮する圧縮機、圧縮後の冷媒の冷却を行う空冷式熱交換器（ＡＣＨＥ：Air-Cooled Heat Exchanger）などの多数の機器を備えている。

【0003】

これらの機器は、外気温度やＮＧの供給圧力、ＮＧ組成などの外乱に応じて運転状態が変化する。ＬＮＧプラントにおいては、外乱の影響を受けつつも、より少ないエネルギー投入量で効率的にＬＮＧを生産することができるように、種々の運転調整が行われる。しかしながら、外乱の種類や、各外乱による影響の受け方は機器によって異なる。また特定の機器が外乱の影響を受けて運転状態が変化した結果、他の機器の運転状態に影響を及ぼすこともある。

【0004】

このように、ＬＮＧプラントにおいては、多数の機器が複数種類の外乱の影響を受けつつ互いに関連して運転状態が変化する。このため、外乱の変化が発生したとき、ＬＮＧプラントに含まれる多数の機器において、いかなる運転調整を行うことがより効率的であるのかを特定することが困難であった。

【0005】

ここで特許文献１には、ＬＮＧ生産プラントの現在のカレントパラメータを測定し、カルノー係数を運転効率の指標として、ＬＮＧの液化を行う混合冷媒の最適組成をモデル予測制御によって求める技術が記載されているが、他の手法を用いて最適化を図る技術は記載されていない。

【先行技術文献】

【特許文献】

【0006】

【特許文献1】オーストラリア特許第２０１８２０２６３８号

【発明の概要】

【発明が解決しようとする課題】

【0007】

本発明は、このような背景の下になされたものであり、液化天然ガスプラントを効率的に運転するための運転指針を探索する技術を提供する。

【課題を解決するための手段】

【0008】

本発明の運転指針探索方法は、液化天然ガスプラントの運転指針探索方法であって、
前記液化天然ガスプラントは、屋外に設けられ、液化用冷媒を用い、天然ガスを液化して液化天然ガスを得る液化用熱交換器と、前記液化用冷媒を含む、前記液化天然ガスプラント内で用いられる冷媒が気化した後の冷媒ガスを圧縮する圧縮機とを備えることと、
前記液化天然ガスプラントには、制御の対象を設定値に近づける調節が行われる制御の対象の機器が複数含まれていることと、
前記制御の対象の機器を含む、前記液化天然ガスプラントを構成する複数の機器に設けられた測定器を介して運転データを取得可能な各機器の運転状態に係る変数をプロセス変数と呼ぶとき、前記プロセス変数は、前記調節に係る操作変数と、前記制御の対象に係る制御変数と、これら操作変数、制御変数には相当しない他のプロセス変数とにより構成されることと、
前記プロセス変数が取得される対象となる複数の対象機器についての制御変数及び操作変数と、前記圧縮機の圧縮動力を少なくとも含む前記他のプロセス変数と、のプロセス変数の実績値を示す運転データと、前記プロセス変数の実績値に影響を及ぼす外乱の実績値を示す外乱データと、を含む複数のデータセットを取得する工程と、
前記データセットを取得する工程にて取得した複数のデータセットに基づき、コンピュータを用いた機械学習により、前記操作変数及び外乱から選択した入力値に応じた、前記制御変数及び他のプロセス変数から選択した出力値（少なくとも前記圧縮動力を含む）の対応関係を複数含むプラントモデルを作成する工程と、
前記プラントモデルを作成する工程にて作成したプラントモデルに対して前記外乱の入力値と前記操作変数の初期値とを与え、コンピュータを用いた強化学習により、前記液化天然ガスの出口温度が予め設定された制約温度以下となる条件下で、前記液化天然ガスの単位生産量当たりの前記圧縮動力が最小となる前記操作変数の入力値を探索する工程と、を含むことと、を特徴とする。

【0009】

前記運転指針探索方法は以下の特徴を備えてもよい。
（ａ）前記操作変数の入力値を探索する工程にて探索された前記操作変数の複数の入力値に基づき、前記操作変数として、前記液化天然ガスプラントの運転に実際に使用する入力値を決定する工程を含むこと。
（ｂ）前記外乱として、前記液化天然ガスプラントの設置エリアの外気温度、前記液化天然ガスプラントへの天然ガスの供給圧力、天然ガスの組成、天然ガスの供給温度、天然ガスの供給量からなる外乱群から選択された外乱を含むこと。
（ｃ）前記機械学習は、ディープニューラルネットワーク、サポートベクターリグレッション、ランダムフォレストリグレッション、部分最小二乗法少なくとも１つの手法を用いて前記プラントモデルを作成すること。
（ｄ）前記制御変数、または前記圧縮機の圧縮動力以外の前記他のプロセス変数として、前記液化用熱交換器の入口側の天然ガスの温度、前記液化用熱交換器の入口側の液化用冷媒温度、液化用冷媒圧縮機吐出圧からなるプロセス変数群から選択されたプロセス変数を含み、前記操作変数として、前記液化用冷媒のガス流量、前記液化用冷媒の液体流量、前記液化用冷媒の組成、前記圧縮機が回転駆動機により駆動される場合の回転数、または前記圧縮機のインレットガイドベーン開度からなる操作変数群から選択されたプロセス変数を含むこと。前記冷媒が、前記液化用冷媒により液化される前の前記天然ガスの予冷却を行う予冷用冷媒、または前記液化用冷媒の冷却を行う冷媒冷却用冷媒の少なくとも一方を含む場合に、前記プロセス変数群はさらに前記予冷却後の天然ガスの温度、前記冷却後の液化用冷媒の温度の少なくとも一つを前記制御変数、または前記他のプロセス変数として含むこと。

【0010】

また、本発明の運転指針探索システムは、液化天然ガスプラントの運転指針探索システムであって、
前記液化天然ガスプラントが、
屋外に設けられ、液化用冷媒を用い、天然ガスを液化して液化天然ガスを得る液化用熱交換器と、前記液化用冷媒を含む、冷媒が気化した後の冷媒ガスを圧縮する圧縮機とを備えることと、
前記液化天然ガスプラントには、制御の対象を設定値に近づける調節が行われる制御の対象の機器が複数含まれていることと、
前記制御の対象の機器を含む、前記液化天然ガスプラントを構成する複数の機器に設けられた測定器を介して運転データを取得可能な各機器の運転状態に係る変数をプロセス変数と呼ぶとき、前記プロセス変数は、前記調節に係る操作変数と、前記制御の対象に係る制御変数と、これら操作変数、制御変数には相当しない他のプロセス変数とにより構成されることと、を有するとき、
前記運転指針探索システムは、
前記プロセス変数が取得される対象となる複数の対象機器についての制御変数及び操作変数と、前記圧縮機の圧縮動力を少なくとも含む前記他のプロセス変数と、のプロセス変数の実績値を示す運転データと、前記プロセス変数の実績値に影響を及ぼす外乱の実績値を示す外乱データと、を含む複数のデータセットを取得するデータ取得部と、
前記データ取得部にて取得した複数のデータセットに基づき、コンピュータを用いた機械学習により、前記操作変数及び外乱から選択した入力値に応じた、前記制御変数及び他のプロセス変数から選択した出力値（少なくとも前記圧縮動力を含む）の対応関係を複数含むプラントモデルを作成するプラントモデル作成部と、
前記プラントモデル作成部にて作成したプラントモデルに対して前記外乱の入力値と前記操作変数の初期値とを与え、コンピュータを用いた強化学習により、前記液化天然ガスの出口温度が予め設定された制約温度以下となる条件下で、前記液化天然ガスの単位生産量当たりの前記圧縮動力が最小となる前記操作変数の入力値を探索する運転指針探索部と、を備えることを特徴とする。

【発明の効果】

【0011】

本技術によれば、液化天然ガスプラントのプラントモデルを機械学習により作成し、さらに強化学習を行って液化天然ガスの単位生産量当たりの冷媒の圧縮動力が最小となる操作変数の値を探索するので、外乱に応じた最適な運転を行うことができる。

【図面の簡単な説明】

【0012】

【図1】実施の形態に係る運転指針探索方法が適用される前記ＬＮＧプラントの構成例である。

【図2】運転指針探索システムの構成図である。

【図3】前記運転指針探索方法の実施手順を示す説明図である。

【図4】プラントモデルを作成する動作の流れを示すフロー図である。

【図5】外乱とプロセス変数との対応関係の学習結果を示す説明図である。

【図6】前記強化学習の動作の流れを示すフロー図である。

【図7】運転指針を探索する強化学習に係る説明図である。

【図8】ＬＮＧプラントに対して実際に設定される操作変数を決定する動作の流れを示すフロー図である。

【図9】ＳＰの実績値と予測値の経時変化を示す説明図である。

【発明を実施するための形態】

【0013】

図１は、本例の運転指針探索方法が適用されるＬＮＧプラント１の構成例である。
本来のＬＮＧプラント１は、前処理により不純物が除去されたＮＧ（天然ガス）を予冷熱交換器３１にて予冷却し、スクラブカラム３２にて気液分離した後、液化用熱交換器である極低温主熱交換器（ＭＣＨＥ：Main Cryogenic Heat Exchanger）３３にて液化、過冷却してＬＮＧを得る。スクラブカラム３２にて気液分離された液体は、精留部３４にて精留され、精留の際に分離された軽質成分はＭＣＨＥ３３へと送られてＬＮＧとなる。

【0014】

ＮＧの液化・過冷却を行う液化用冷媒としては、窒素と、炭化水素であるメタン、エタン、プロパンとを含む冷媒原料群から選択した複数種類の冷媒原料を混合した混合冷媒（ＭＲ：Mixed Refrigerant）が用いられる。
ＮＧの液化・過冷却に使用されたＭＲは、気体の状態でＭＣＨＥ３３から流出し、ガスタービン（Ｇ／Ｔ）などにより駆動される複数のＭＲ圧縮機３６にて順次、圧縮され、各ＭＲ圧縮機３６の出口側に設けられたＭＲクーラー２０４（ＡＣＨＥ（Air-Cooled Heat Exchanger）２により構成される）にて冷却される。圧縮・冷却後のＭＲは、ＭＲ冷却器３７にてさらに冷却されてからＭＣＨＥ３３へと再供給される。ＭＲは、ＬＮＧプラント１内で用いられる冷媒の１つに相当する。

【0015】

本例のＬＮＧプラント１は、予冷熱交換器３１にてＮＧの予冷を行う冷媒、及びＭＲ冷却器３７にてＭＲの冷却を行う冷媒として、プロパンまたはプロピレンの単一成分からなるＣ３冷媒を用いている。ＮＧの予冷やＭＲの冷却に使用されたＣ３冷媒についても、圧縮・冷却された後、予冷熱交換器３１やＭＲ冷却器３７へと再供給される。
液体Ｃ３冷媒は、不図示の膨張弁を介して降圧され、断熱膨張により温度低下した状態でＣ３冷却器３１、３７に供給されて各被冷却流体（ＮＧやＭＲ）を冷却する。Ｃ３冷媒は、ＬＮＧプラント１内で用いられる冷媒の１つに相当する。

【0016】

Ｃ３冷媒圧縮機３５の後段には、圧縮の過程で温度上昇した気体Ｃ３冷媒を気体の状態で冷却するためのデスーパーヒーター２０１と、デスーパーヒーター２０１にて冷却された気体Ｃ３冷媒をさらに冷却して凝縮させるコンデンサー２０２と、コンデンサー２０２から流出した液体Ｃ３冷媒を溜めるレシーバー（受槽）３５３と、液体Ｃ３冷媒をさらに冷却して過冷却状態とするサブクーラー２０３とが、上流側からこの順に設けられている。サブクーラー２０３にて過冷却された液体Ｃ３冷媒は、既述の膨張弁を介して再びＣ３冷却器３１、３７に送られる。これらデスーパーヒーター２０１、コンデンサー２０２及びサブクーラー２０３についてもＡＣＨＥ２により構成される。

【0017】

ＬＮＧプラント１は、上述の各圧縮機（Ｃ３冷媒圧縮機３５、ＭＲ圧縮機３６）、ＭＲ冷却器３７、予冷熱交換器３１、スクラブカラム３２、精留部３４の各精留塔、ＭＣＨＥ３３、ＮＧの前処理を行う各種前処理設備など、多数の機器により構成されている。これらの機器には、塔槽や熱交換器などの静機器、ポンプなどの動機器などが含まれている。

【0018】

そしてこれらの機器の中には、外気温度の変化など、外乱のある条件下で操作変数を調節することにより、制御変数を設定値に近付ける制御が行われる多数の機器（本例の「対象機器」に相当する）が設けられている。また、対象機器の運転状態は、圧力計（ＰＩ）、温度計（ＴＩ）、流量計（ＦＩ）、組成分析計（ＡＩ）や各圧縮機３５、３６の動力を計測する動力計測器（ＳＣ）などの各種測定器（不図示）により測定される。

【0019】

各種測定器は、上述の制御対象の機器の操作変数、制御変数の他、制御対象とはなっていない機器（本例の「対象機器」に相当する）における各種の測定値も測定することもできる。以下、各種測定器を用いてデータを取得可能な操作変数、制御変数、及びこれら以外の変数（他のプロセス変数）をまとめてプロセス変数という。プロセス変数の実績値を示す運転データは、各種測定器にて直接計測して得られたデータであってもよいし、計測した結果に基づいて算出したデータであってもよい。

【0020】

また、ＬＮＧプラント１には、ＬＮＧプラント１が設置されているエリアの外気温度や風向、風速、ＮＧの供給圧力、ＮＧの組成などの外乱の測定を行う各種測定器（不図示）が設けられている。これら外乱の実績値を示す外乱データについても、各種測定器にて直接計測して得られたデータや、計測した結果に基づいて算出したデータが用いられる。
ＬＮＧプラント１に設けられた各種測定器は、時系列に沿って、測定器ごとに予め設定されたデータ取得間隔（例えば１秒間隔や１分間隔）にて運転データや外乱データ、またはこれらの算出用のデータを取得する。

【0021】

図２は、本例の運転指針探索システム４の構成例である。運転指針探索システム４は、上述の運転データ及び外乱データを用いて、所定の外乱条件下にてＬＮＧの単位生産量当たりの圧縮機（本例ではＣ３冷媒圧縮機３５、ＭＲ圧縮機３６）の動力（圧縮動力）が最小となる操作変数の入力値の探索を行う。以下、ＬＮＧの単位生産量当たりの圧縮機動力を「ＳＰ（Specific Power）」ともいう。

【0022】

運転指針探索システム４は、ＬＮＧプラント１から時系列に沿って取得された運転データと外乱データとのデータセットを多数取得するデータ取得部と、これら多数のデータセットに基づき、機械学習によりＬＮＧプラント１のプラントモデルを作成するプラントモデル作成部４１と、このプラントモデルを用い、強化学習により前記ＳＰが最小となる操作変数の入力値を探索する運転指針探索部４２とを備えている。

【0023】

本例の運転指針探索システム４は、例えばＬＮＧプラント１が設置されているエリアから遠隔の地に設けられたコンピュータにより構成することができる。この場合は、データ取得部は、データ通信によりＬＮＧプラント１から前記多数のデータセットを取得するデータ通信部として構成される。データ取得部は、所定の期間（例えば１週間や１ヶ月）中にＬＮＧプラント１にて取得された全運転データ、外乱データを取得する。これらのデータ中にはプラントモデル作成部４１にてプラントモデルの機械学習に用いる運転データ及び外乱データが含まれている。なお、全データの取得に替えて、前記機械学習に用いる運転データ、外乱データを予め選択して、これらのデータのみを取得してもよい。

【0024】

時系列に沿った各時点における運転データと外乱データとの組をデータセットとするとき、プラントモデル作成部４１は、多数のデータセットを用いて機械学習により、前記操作変数及び外乱の入力値に応じた、プロセス変数（操作変数を除く）の出力値の対応関係を表すプラントモデルを作成する。例えばプラントモデル作成部４１は、当該機械学習を実行するためのプログラムを搭載したコンピュータにより構成される。

【0025】

プラントモデル作成部４１は、公知のディープニューラルネットワーク、サポートベクターリグレッション、ランダムフォレストリグレッション、部分最小二乗法の少なくとも１つの手法を用いて機械学習を実施してもよい。また、これらの手法を２つ以上組み合わせて機械学習を実施してもよい。

【0026】

プラントモデル作成部４１は、少なくとも圧縮機（Ｃ３冷媒圧縮機３５、ＭＲ圧縮機３６）の圧縮動力を含む運転データを用いて前記機械学習を実行する。さらにこの運転データには、制御変数、または圧縮機の圧縮動力以外の他のプロセス変数として、ＭＣＨＥ３３の入口側のＮＧの温度、ＭＣＨＥ３３の入口側のＭＲ温度、ＭＲ圧縮機３６の吐出圧、ＭＲ圧縮機３６の動力などからなるプロセス変数群から選択された少なくとも１つのプロセス変数を用いて機械学習を実施することができる。またＮＧの予冷またはＭＲの冷却用のＣ３冷媒を用いるＬＮＧプラント１においては、前記プロセス変数群には、さらに予冷却後のＮＧの温度、冷却後のＭＲの温度の少なくとも一つをプロセス変数として含んでもよい。

【0027】

また本例のプラントモデル作成部４１は、ＭＲ冷媒のガス流量、ＭＲ冷媒の液体流量、ＭＲ冷媒の組成、圧縮機（Ｃ３冷媒圧縮機３５、ＭＲ圧縮機３６）が回転駆動機により駆動される場合の回転数、またはこれら圧縮機のインレットガイドベーン開度などからなる操作変数群から選択された少なくとも１つの操作変数であるプロセス変数の運転データを用いて機械学習を実施することができる。
機械学習に用いる運転データには、上述のプロセス変数群や操作変数群に列挙した各プロセス変数に限定されず、上に例示したもの以外のプロセス変数の運転データを含んでもよい。

【0028】

またプラントモデル作成部４１は、外乱として、ＬＮＧプラント１の設置エリアの外気温度、ＬＮＧプラント１へのＮＧの供給圧力、ＮＧの組成、ＮＧの供給温度、ＮＧの供給量などからなる外乱群から選択された外乱についての外乱データを用いて機械学習を行うことができる。

【0029】

運転指針探索部４２は、プラントモデル作成部４１にて作成したプラントモデル用い、強化学習により、既述のＳＰが最小となる操作変数の入力値を探索する。例えば運転指針探索部４２は、当該強化学習を実行するためのプログラムを搭載したコンピュータにより構成される。
例えば運転指針探索部４２は、公知のプロキシマルポリシーオプティマイゼーションやディープキューネットワークなどの深層強化学習によりＳＰが最小となる操作変数の入力値を探索する場合を例示することができる。なお、運転指針探索部４２は、深層強化学習に限定されず、他の種類の強化学習により前記操作変数の入力値の探索を行うように構成してもよい。

【0030】

特に運転指針探索部４２は、ＭＣＨＥ３３からのＬＮＧの出口温度が予め設定された制約温度以下となる条件下で前記探索を行う点に特徴を有している。この制約を加えることにより、非現実的な操作変数の入力値が探索される可能性を効果的に排除することができる。

【0031】

上述の構成を備える運転指針探索システム４を用い、ＳＰが最小となる操作変数の入力値を探索する手法について図３〜９を参照しながら説明する。
はじめに、ＬＮＧプラント１から運転指針探索システム４へと運転データ及外乱データのデータセットを多数セット取得する（図３の処理Ｐ１）。

【0032】

次いで、これらのデータセットに基づき、機械学習によりプラントモデルを作成する（同処理Ｐ２）。図４のフローに基づき当該処理の内容を詳しく説明する。
はじめに、取得したデータセットから、異常データを含むデータセットや、一部の運転データ、外乱データが欠損したデータセットなどを除く前処理を行う（ステップＳ２０１）

【0033】

しかる後、プラントモデルの作成に用いる変数（プロセス変数、外乱）と機械学習のモデルタイプ（既述のディープニューラルネットワーク、サポートベクターリグレッションなどやその組み合わせ）を選択する（ステップＳ２０２）。変数には、少なくとも圧縮動力を含み、さらに既述のプロセス変数群から選択したプロセス変数やその他のプロセス変数、外乱群から選択した外乱やその他の外乱を選択することができる。

【0034】

次いで、プラントモデル作成部４１にて機械学習によりプラントモデルの作成を行う（ステップＳ２０３）。図５（ａ）〜（ｃ）は、作成されたプラントモデルの出力の一部を示している。例えば図５（ａ）〜（ｃ）は外乱の１つである外気温度と、プロセス変数であるＭＣＨＥ３３入口のＮＧの温度、ＭＣＨＥ３３入口のＭＲ温度、ＭＲ圧縮機３６吐出圧力との各対応関係を示している。プラントモデルにおいては、選択された外乱や操作変数と、プロセス変数（操作変数を除く）との対応関係が多数組取得される。

【0035】

しかる後、作成されたプラントモデルがＬＮＧプラント１の実運転から乖離しているか否かの確認を行う（図４のステップＳ２０４）。例えば外乱や操作変数の変化方向に対して実際の因果関係や物理法則などに反したプロセス変数の対応関係が作成されていないか、ＬＮＧプラント１の実際の運転を熟知した評価者が評価を行う。

【0036】

そして、乖離が大きい場合には（ステップＳ２０４；ＮＯ）、変数やモデルタイプの選択を変更し（ステップＳ２０２）、再度、機械学習を行う（ステップＳ２０３）。また、乖離が小さい場合には（ステップＳ２０４；ＹＥＳ）、運転指針探索部４２による機械学習を終了する（エンド）。

【0037】

次いで、運転指針探索部４２を用いて作成したプラントモデルを用い、公知の深層強化学習により、ＳＰが最小となる操作変数の入力値を探索する（図３の処理Ｐ３）。
図７に示すように、運転指針探索部４２は既述のプラントモデルを含む環境４２１と、強化学習エージェント４２２とを用いて強化学習を実施する。環境４２１は、外乱及び操作変数の入力値を受け取り、前記プラントモデルを用いて指定されたプロセス変数（操作変数を除く）の値を出力する。

【0038】

強化学習エージェント４２２は、環境４２１から出力されたプロセス変数の値（状態）、及びこの値を用いて報酬計算を行った結果を取得し、予め設定された学習方針に従って、前記報酬を向上させる（プラントモデルより得られるＳＰの値を低下させる）ことが可能な新たな操作変数の組を作成する。学習方針としては、ディープキューネットワークなどのバリューベースや、プロキシマルポリシーオプティマイゼーションなどのポリシーベースを例示できる。

【0039】

図６を用い、図３に記載の処理Ｐ３の具体的な内容を説明すると、初めに環境４２１から出力されたプロセス変数の値を評価するための報酬計算用の関数を作成する（ステップＳ３０１）。また、強化学習エージェント４２２の学習方針を決定する（ステップＳ３０２）。

【0040】

次いで、プラントモデル作成部４１にて作成したプラントモデルを環境４２１として用い、強化学習エージェント４２２の強化学習を実施する（ステップＳ３０３）。このとき、強化学習の開始時には、外乱の入力値と、操作変数の適当な初期値とを環境４２１に与え、図７に示す強化学習のループを繰り返す。そして、１回の学習ループにおける報酬の向上幅が無視小となったら、強化学習を終える（エンド）。

【0041】

図９（ａ）は、ＬＮＧプラント１におけるＳＰの実績値の経時変化を示している。また、図９（ｂ）は、図９（ａ）の実績値が得られた期間中の運転データ、外乱データを用いてプラントモデルを作成し、当該期間中の外乱の条件下で強化学習を行って求めた操作変数の入力値により推定されるＳＰの予測値を示している。ＳＰの実績値、予測値は、共通の値を１００％として規格化した値を示してある。

【0042】

図９（ａ）によると、昼夜の温度変化に応じてＳＰが大きく変化していることが確認される。即ち、温度が上昇する昼の期間中はＳＰが上昇している。
一方、強化学習の結果得られる最適なＳＰの値は、非常に短い間隔で大きく変動し、巨視的にみると図９（ｂ）に示すように所定のバンド幅を持って変化することが確認された。このとき、強化学習の結果得られた操作変数の入力値をそのままＬＮＧプラント１における操作変数の設定値とすることは、非常に短い間隔で設定値を変化させることとなり現実的ではない。

【0043】

そこで、ＬＮＧプラント１にて実際に使用する入力値を求める場合には、図８に示すように、強化学習の結果を用い、ある時刻の操作変数と外乱の入力値に対する、その時刻以降の操作変数の入力値を計算する（ステップＳ４０１）。この結果、各時点においてＳＰを最小化することが可能な操作変数の入力値が出力される。次いで、図９（ａ）の過去のＳＰの実績値とＳＰの予測値との残渣の大小などを判断指標として、安定して運転可能な、実運転で使用する操作変数の入力値（即ち設定値）を定める。

【0044】

この結果、図９（ｂ）中に横線で示すように、プラントモデル上、ＳＰの値が最適に近くなる操作変数の設定値を決定することができる。この設定値を運転指針として利用し、所定の外乱条件下におけるＬＮＧプラント１の新たな操作変数として用い、ＳＰの値を低減する運転を行うことができる。

【0045】

本例の運転指針探索システム４によれば、ＬＮＧプラント１のプラントモデルを機械学習により作成し、さらに強化学習を行って液化天然ガスの単位生産量当たりの圧縮動力が最小となる操作変数の値を探索するので、外乱に応じた最適な運転を行うことができる。
特に、プラントモデル作成のために運転データや外乱データとしてプロセス変数や外乱の実績値を用いているので、プラントシミュレーションのようにシミュレーション結果と実運転とが乖離することによって最適値の妥当性が判断できないことや、シミュレーションが収束する条件を個別に探索する必要がない。この結果、多数の外乱やプロセス変数を用い、精度の高い予測を高速で行うことができる。

【0046】

ここで、上述の実施形態では、ＮＧの予冷及びＭＲ（液化用冷媒）の冷却を行うためにＣ３冷媒を用いるＬＮＧプラント１について本例の運転指針探索方法を適用した例を説明した。但し、本例の運転指針の探索方法を適用可能なＬＮＧプラント１は、図１に示す例に限定されない。
例えば予冷用冷媒や冷媒冷却用冷媒（本例ではＣ３冷媒）を用いず、液化用冷媒である混合冷媒（ＭＲ）のみを用いた１段階圧力式ＭＲ方式のＬＮＧプラント１であってもよい。

【0047】

また、予冷用冷媒を用いる場合においても、単独の液化用冷媒（冷媒原料：窒素やメタン）を用いたＬＮＧプラント１でもよい。反対に、予冷用冷媒についてもプロパンやプロピレンなどの単独の冷媒原料を用いる場合に限定されず、メタン、エタン、プロパン、ブタンなどの混合冷媒を用いてもよい。また、窒素やメタンを冷媒原料とする過冷却用冷媒を用いてＬＮＧを過冷却する過冷却器を備えたＬＮＧプラント１であってもよい。
この他、プロパン冷媒、エチレン冷媒、メタン冷媒を用いて、ＮＧを順次、冷却することによりＬＮＧを得るカスケード方式のＬＮＧプラント１に対しても、本技術を適用することができる。

【0048】

また、運転指針探索システム４はＬＮＧプラント１の設置エリアの遠隔地に設ける場合に限定されない。操業管理システムの一部として、ＬＮＧプラント１の制御室に設けてもよい。

【符号の説明】

【0049】

１ ＬＮＧプラント
４ 運転指針探索システム
４１ プラントモデル作成部
４２ 運転指針探索部
４２１ 環境
４２２ 強化学習エージェント

【要約】

【課題】液化天然ガスプラントを効率的に運転するための運転指針を探索する技術を提供する。
【解決手段】液化天然ガスプラントの運転指針探索方法は、複数の対象機器についてのプロセス変数の運転データと外乱データとのデータセットを取得し、機械学習により、操作変数及び外乱の入力値に応じたプロセス変数の出力値の対応関係を表すプラントモデルを作成する。次いで強化学習により、液化天然ガスの出口温度が予め設定された制約温度以下となる条件下で、単位生産量当たりの圧縮動力が最小となる前記操作変数の入力値を探索する。
【選択図】図３

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】