知財求人 - 知財ポータルサイト「IP Force」
特開2024-113371水素アンモニア混焼システム、混焼制御装置および混焼制御方法
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公開特許公報(A)
(11)【公開番号】P2024113371
(43)【公開日】2024-08-22
(54)【発明の名称】水素アンモニア混焼システム、混焼制御装置および混焼制御方法
(51)【国際特許分類】
F02M 25/00 20060101AFI20240815BHJP
F02D 19/08 20060101ALI20240815BHJP
F02D 45/00 20060101ALI20240815BHJP
F01N 3/08 20060101ALI20240815BHJP
F02M 21/02 20060101ALI20240815BHJP
F02C 6/00 20060101ALI20240815BHJP
F02C 9/40 20060101ALI20240815BHJP
F02C 7/22 20060101ALI20240815BHJP
【ＦＩ】
F02M25/00 L
F02D19/08 Z
F02D45/00 369
F01N3/08 Z
F02M21/02 N
F02M21/02 301A
F02M25/00 F
F02M25/00 H
F02C6/00 E
F02C9/40 A
F02C7/22 A
F02M21/02 G
【審査請求】未請求
【請求項の数】7
【出願形態】ＯＬ
(21)【出願番号】P 2023018304
(22)【出願日】2023-02-09
(71)【出願人】
【識別番号】000006208
【氏名又は名称】三菱重工業株式会社
(74)【代理人】
【識別番号】100149548
【弁理士】
【氏名又は名称】松沼 泰史
(74)【代理人】
【識別番号】100162868
【弁理士】
【氏名又は名称】伊藤 英輔
(74)【代理人】
【識別番号】100161702
【弁理士】
【氏名又は名称】橋本 宏之
(74)【代理人】
【識別番号】100189348
【弁理士】
【氏名又は名称】古都 智
(74)【代理人】
【識別番号】100196689
【弁理士】
【氏名又は名称】鎌田 康一郎
(72)【発明者】
【氏名】園田 隆
(72)【発明者】
【氏名】松本 拓俊
(72)【発明者】
【氏名】岡崎 輝幸
(72)【発明者】
【氏名】井上 由起彦
【テーマコード（参考）】
3G091
3G092
3G384
【Ｆターム（参考）】
3G091AA04
3G091AA06
3G091AB00
3G091BA13
3G091BA14
3G092AB04
3G092AB09
3G092AB19
3G384AA13
3G384AA16
3G384AA26
3G384BA31
3G384BA33
3G384DA14
3G384FA21Z
(57)【要約】
【課題】混焼率を適切に制御することができる混焼システム、混焼制御装置および混焼制御方法を提供することを目的とする。
【解決手段】混焼システムは、水素またはアンモニアと化石燃料とを混焼する燃焼装置と、燃焼装置の排気ガスを処理する排気ガス後処理装置と、１または複数の所定の変数を最適化するように燃焼装置が燃焼する水素またはアンモニアと化石燃料との混焼率を決定して燃焼装置による燃焼を制御する混焼制御装置と、を備え、１または複数の変数が、エネルギ効率、エネルギコスト、または、二酸化炭素回収効率の少なくとも１つを含む。
【選択図】図１
【解決手段】混焼システムは、水素またはアンモニアと化石燃料とを混焼する燃焼装置と、燃焼装置の排気ガスを処理する排気ガス後処理装置と、１または複数の所定の変数を最適化するように燃焼装置が燃焼する水素またはアンモニアと化石燃料との混焼率を決定して燃焼装置による燃焼を制御する混焼制御装置と、を備え、１または複数の変数が、エネルギ効率、エネルギコスト、または、二酸化炭素回収効率の少なくとも１つを含む。
【選択図】図１
【特許請求の範囲】
【請求項1】
水素またはアンモニアと化石燃料とを混焼する燃焼装置と、
前記燃焼装置の排気ガスを処理する排気ガス後処理装置と、
１または複数の所定の変数を最適化するように前記燃焼装置が燃焼する前記水素またはアンモニアと前記化石燃料との混焼率を決定して前記燃焼装置による燃焼を制御する混焼制御装置と、
を備え、
前記１または複数の変数が、エネルギ効率、エネルギコスト、または、二酸化炭素回収効率の少なくとも１つを含む
混焼システム。
前記燃焼装置の排気ガスを処理する排気ガス後処理装置と、
１または複数の所定の変数を最適化するように前記燃焼装置が燃焼する前記水素またはアンモニアと前記化石燃料との混焼率を決定して前記燃焼装置による燃焼を制御する混焼制御装置と、
を備え、
前記１または複数の変数が、エネルギ効率、エネルギコスト、または、二酸化炭素回収効率の少なくとも１つを含む
混焼システム。
【請求項2】
前記排気ガス後処理装置が、二酸化炭素回収装置を含む
請求項１に記載の混焼システム。
請求項１に記載の混焼システム。
【請求項3】
前記混焼制御装置は、
入力を前記混焼システムで取得された複数の運転データ、出力を前記混焼率として、前記エネルギ効率を最適化する前記混焼率を出力するように機械学習されたエネルギ効率最適制御用学習済み機械学習モデル、
入力を前記混焼システムで取得された複数の運転データ、出力を前記混焼率として、前記エネルギコストを最適化する前記混焼率を出力するように機械学習されたエネルギコスト最適制御用学習済み機械学習モデル、または、
入力を前記混焼システムで取得された複数の運転データ、出力を前記混焼率として、前記二酸化炭素回収装置の二酸化炭素回収効率を最適化する前記混焼率を出力するように機械学習された二酸化炭素回収効率最適制御用学習済み機械学習モデル、
の少なくとも１つを用いて前記混焼率を決定する
請求項２に記載の混焼システム。
入力を前記混焼システムで取得された複数の運転データ、出力を前記混焼率として、前記エネルギ効率を最適化する前記混焼率を出力するように機械学習されたエネルギ効率最適制御用学習済み機械学習モデル、
入力を前記混焼システムで取得された複数の運転データ、出力を前記混焼率として、前記エネルギコストを最適化する前記混焼率を出力するように機械学習されたエネルギコスト最適制御用学習済み機械学習モデル、または、
入力を前記混焼システムで取得された複数の運転データ、出力を前記混焼率として、前記二酸化炭素回収装置の二酸化炭素回収効率を最適化する前記混焼率を出力するように機械学習された二酸化炭素回収効率最適制御用学習済み機械学習モデル、
の少なくとも１つを用いて前記混焼率を決定する
請求項２に記載の混焼システム。
【請求項4】
前記複数の運転データは、前記燃焼装置が混焼によって発生させる出力エネルギを表すデータを少なくとも含む
請求項３に記載の混焼システム。
請求項３に記載の混焼システム。
【請求項5】
前記複数の運転データは、さらに前記二酸化炭素回収装置の受け入れ状態を表すデータを少なくとも含む
請求項４に記載の混焼システム。
請求項４に記載の混焼システム。
【請求項6】
水素またはアンモニアと化石燃料とを混焼する燃焼装置と、
前記燃焼装置の排気ガスを処理する排気ガス後処理装置と、
を備える混焼システムにおいて、
エネルギ効率、エネルギコスト、または、二酸化炭素回収効率の少なくとも１つを最適化するように前記燃焼装置が燃焼する前記水素またはアンモニアと前記化石燃料との混焼率を決定して前記燃焼装置による燃焼を制御する
混焼制御装置。
前記燃焼装置の排気ガスを処理する排気ガス後処理装置と、
を備える混焼システムにおいて、
エネルギ効率、エネルギコスト、または、二酸化炭素回収効率の少なくとも１つを最適化するように前記燃焼装置が燃焼する前記水素またはアンモニアと前記化石燃料との混焼率を決定して前記燃焼装置による燃焼を制御する
混焼制御装置。
【請求項7】
水素またはアンモニアと化石燃料とを混焼する燃焼装置と、
前記燃焼装置の排気ガスを処理する排気ガス後処理装置と、
を備える混焼システムにおいて、
エネルギ効率、エネルギコスト、または、二酸化炭素回収効率の少なくとも１つを最適化するように前記燃焼装置が燃焼する前記水素またはアンモニアと前記化石燃料との混焼率を決定して前記燃焼装置による燃焼を制御する
混焼制御方法。
前記燃焼装置の排気ガスを処理する排気ガス後処理装置と、
を備える混焼システムにおいて、
エネルギ効率、エネルギコスト、または、二酸化炭素回収効率の少なくとも１つを最適化するように前記燃焼装置が燃焼する前記水素またはアンモニアと前記化石燃料との混焼率を決定して前記燃焼装置による燃焼を制御する
混焼制御方法。
【発明の詳細な説明】
【技術分野】
【0001】
本開示は、混焼システム、混焼制御装置および混焼制御方法に関する。
【背景技術】
【0002】
特許文献１には、次のようなシステムが記載されている。すなわち、特許文献１に記載されているシステムは、ガスタービンシステムを備える。また、このガスタービンシステムは、ガスタービンと、ガスタービンシステムから排気ガスを受けるように構成された後処理システムと、制御装置とを含む。また、この制御装置は、入力を受け、入力に基づいてガスタービンおよび後処理システムを有する産業プラントの作動挙動をモデル化し、産業プラント用の１つ以上の動作パラメータ設定値を決定し、コスト関数の出力を減らす１つ以上の動作パラメータ設定値を選択し、産業プラントを制御するために１つ以上の動作パラメータ設定値を適用するように構成されている。特許文献１に記載されているシステムでは、ガスタービンおよび後処理システムのための設定値をリアルタイムで生成することによって、例えば、効率を高めたり、排出量を減らしたりすることで、燃料費および生涯運転費を削減しながら、長期間にわたってコンプライアンスを維持し、触媒の健全性監視を提供することができるとされる。
【0003】
ところで、ＣＯ２（二酸化炭素）の排出削減技術の一つに、化石燃料を使用する既存の設備において化石燃料と水素またはアンモニアとを混焼させることでＣＯ２の排出量を削減させるという技術がある。化石燃料と水素またはアンモニアとを混焼させる場合、化石燃料と水素またはアンモニアとの燃焼特性の差異に基づき、混焼率を含めた適切な制御を行うことが求められる。ここでいう燃焼特性とは、例えば、発熱量・燃焼速度・排ガス組成であり、燃焼装置や排ガス処理装置の性能に影響を及ぼすものである。
【先行技術文献】
【特許文献】
【0004】
【特許文献1】米国特許第１００８２０６０号明細書
【発明の概要】
【発明が解決しようとする課題】
【0005】
本開示は、上記事情に鑑みてなされたものであって、混焼率を適切に制御することができる混焼システム、混焼制御装置および混焼制御方法を提供することを目的とする。
【課題を解決するための手段】
【0006】
上記目的を達成するために、本開示に係る混焼システムは、水素またはアンモニアと化石燃料とを混焼する燃焼装置と、前記燃焼装置の排気ガスを処理する排気ガス後処理装置と、１または複数の所定の変数を最適化するように前記燃焼装置が燃焼する前記水素またはアンモニアと前記化石燃料との混焼率を決定して前記燃焼装置による燃焼を制御する混焼制御装置と、を備え、前記１または複数の変数が、エネルギ効率、エネルギコスト、または、二酸化炭素回収効率の少なくとも１つを含む。
【0007】
本開示に係る混焼制御装置は、水素またはアンモニアと化石燃料とを混焼する燃焼装置と、前記燃焼装置の排気ガスを処理する排気ガス後処理装置と、を備える混焼システムにおいて、エネルギ効率、エネルギコスト、または、二酸化炭素回収効率の少なくとも１つを最適化するように前記燃焼装置が燃焼する前記水素またはアンモニアと前記化石燃料との混焼率を決定して前記燃焼装置による燃焼を制御する。
【0008】
本開示に係る混焼制御方法は、水素またはアンモニアと化石燃料とを混焼する燃焼装置と、前記燃焼装置の排気ガスを処理する排気ガス後処理装置と、を備える混焼システムにおいて、エネルギ効率、エネルギコスト、または、二酸化炭素回収効率の少なくとも１つを最適化するように前記燃焼装置が燃焼する前記水素またはアンモニアと前記化石燃料との混焼率を決定して前記燃焼装置による燃焼を制御する。
【発明の効果】
【0009】
本開示の混焼システム、混焼制御装置および混焼制御方法によれば、混焼率を適切に制御することができる。
【図面の簡単な説明】
【0010】
【図1】本開示の実施形態に係る混焼システムの構成例を示すブロック図である。
【図2】本開示の実施形態に係る学習済み機械学習モデルの構成例を示すブロック図である。
【図3】本開示の実施形態に係る学習済み機械学習モデルの他の構成例を示すブロック図である。
【図4】本開示の実施形態に係る学習済み機械学習モデルのさらに他の構成例を示すブロック図である。
【図5】本開示の実施形態に係る混焼制御装置の動作例を示すフローチャートである。
【図6】本開示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】
【0011】
以下、本開示の実施形態に係る混焼システム、混焼制御装置および混焼制御方法について、図１～図６を参照して説明する。図１は、本開示の実施形態に係る混焼システムの構成例を示すブロック図である。図２～図４は、本開示の実施形態に係る学習済み機械学習モデルの構成例を示すブロック図である。図５は、本開示の実施形態に係る混焼制御装置の動作例を示すフローチャートである。図６は、本開示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。なお、各図において同一または対応する構成には同一の符号を用いて説明を適宜省略する。
【0012】
（混焼システム）
図１に示すように、本開示の実施形態に係る混焼システム１は、例えば、混焼制御装置１０１と、水素／アンモニア供給装置１０２と、化石燃料供給装置１０３と、バルブ１０４および１０５と、燃焼装置１０６と、排気ガス後処理装置１０７と、モニタリング装置１１０とを備える。なお、図１では、黒塗りの矢印が燃料の流れを、白塗りの矢印が排気ガスの流れを、破線の矢印が制御信号等の流れを、鎖線の矢印がセンサ信号等の流れを示している。混焼システム１は、例えば、プラント等の施設、船舶等の移動体等に設置される。なお、以下では、必要に応じて、混焼システム１が発電プラントであり、燃焼装置１０６がガスタービン（ＧＴ）発電装置である場合を例として説明する。
図１に示すように、本開示の実施形態に係る混焼システム１は、例えば、混焼制御装置１０１と、水素／アンモニア供給装置１０２と、化石燃料供給装置１０３と、バルブ１０４および１０５と、燃焼装置１０６と、排気ガス後処理装置１０７と、モニタリング装置１１０とを備える。なお、図１では、黒塗りの矢印が燃料の流れを、白塗りの矢印が排気ガスの流れを、破線の矢印が制御信号等の流れを、鎖線の矢印がセンサ信号等の流れを示している。混焼システム１は、例えば、プラント等の施設、船舶等の移動体等に設置される。なお、以下では、必要に応じて、混焼システム１が発電プラントであり、燃焼装置１０６がガスタービン（ＧＴ）発電装置である場合を例として説明する。
【0013】
水素／アンモニア供給装置１０２は、バルブ１０４を介して燃焼装置１０６に対して水素またはアンモニア（燃料アンモニア）１２１を供給する。水素／アンモニア供給装置１０２は、例えば、水素製造装置、水素貯蔵タンク、アンモニア製造装置、アンモニア貯蔵タンク（貯蔵装置）等を含む。なお、水素／アンモニア供給装置１０２は、水素のみを供給する装置、アンモニアのみを供給する装置、または、水素とアンモニアを供給する装置とすることができる。
【0014】
化石燃料供給装置１０３は、バルブ１０５を介して燃焼装置１０６に対してＬＮＧ（液化天然ガス）、石炭等の化石燃料１２２を供給する。化石燃料供給装置１０３は、化石燃料の貯蔵装置等を含む。
【0015】
燃焼装置１０６は、例えば、ガスタービン（ＧＴ）、ボイラ、発電用エンジンまたは舶用エンジンの１以上を含み、水素／アンモニア供給装置１０２から供給された水素またはアンモニア１２１と、化石燃料供給装置１０３から供給された化石燃料１２２とを混焼する。ただし、本実施形態では、具体例を説明する場合、上述したように必要に応じて、燃焼装置１０６がガスタービンとガスタービンが駆動する発電機とを含むガスタービン発電装置である場合を例に挙げる。
【0016】
燃焼装置１０６が排出した排気ガスと、水素／アンモニア供給装置１０２が排出した排気ガスとを含む排気ガス１２３は、排気ガス後処理装置１０７へ入力される。ただし、水素／アンモニア供給装置１０２が、排気ガスを排出しない場合（例えば排気ガスを排出しない水素またはアンモニア製造装置で水素またはアンモニアを製造する場合）、あるいは、水素またはアンモニア製造装置を備えていない場合、水素／アンモニア供給装置１０２は排気ガスを排出しない。
【0017】
排気ガス後処理装置１０７は、ＣＯ２回収装置１０７１、脱硝装置、脱硫装置等とを備え、入力された排気ガス１２３から例えばＣＯ２回収装置１０７１によってＣＯ２を回収したり、窒素酸化物を除去したり、硫黄分を除去したりする。以下、一例として、排気ガス後処理装置１０７がＣＯ２回収装置１０７１を備える場合について説明するが、排気ガス後処理装置１０７はＣＯ２回収装置１０７１を備えていなくてもよい。排気ガス後処理装置１０７によって回収されたＣＯ２（１０８）は、有効利用されたり、貯留されたりし、大気中には放出されない。一方、排気ガス後処理装置１０７によって処理された処理済み排気ガス（１０９）は、例えば煙突等を介して大気中に放出される。処理済み排気ガス（１０９）には低濃度のＣＯ２（１０９ａ）が含まれている。
【0018】
モニタリング装置１１０は、水素／アンモニア供給装置１０２、燃焼装置１０６、排気ガス後処理装置１０７等において各種センサ等を用いて計測された所定の物理量を示すセンサ信号や、燃焼特性、目標出力等の制御状態や制御指令等を示す制御信号、センサ信号等に基づいて算出された出力や効率、ＣＯ２回収効率等の算出値等（以下、センサ信号と制御信号と算出値をまとめて運転データという）を取得し、運転データを混焼制御装置１０１へ出力する。なお、混焼制御装置１０１が取得するセンサ信号としては、例えば、燃料、空気、排気ガス等の流量、各部の温度、圧力、出力、回転速度、ＣＯ２濃度等である。また、ＣＯ２回収効率は、ＣＯ２（１０９ａ）とＣＯ２（１０８）の合計に対するＣＯ２（１０８）の割合である。なお、ＣＯ２回収効率は、例えば、ＣＯ２回収率と読み替えてもよい。
【0019】
（混焼制御装置の構成）
混焼制御装置１０１は、１または複数の所定の変数を最適化するように燃焼装置１０６が燃焼する水素またはアンモニアと化石燃料との混焼率を決定して燃焼装置１０６の燃焼を制御する。１または複数の所定の変数は、例えば、発電効率（エネルギ効率）、発電コスト（エネルギコスト）およびＣＯ２回収効率の少なくとも１つを含む。本実施形態において、混焼制御装置１０１は、例えば、学習済み機械学習モデルＭ１を用いて、混焼率を決定する。この場合、混焼制御装置１０１は、例えば、モニタリング装置１１０が出力した運転データを学習済み機械学習モデルＭ１に入力し、学習済み機械学習モデルＭ１の出力として混焼率を算出して混焼率を決定し、バルブ１０４および１０５等を制御して混焼率を制御する。
混焼制御装置１０１は、１または複数の所定の変数を最適化するように燃焼装置１０６が燃焼する水素またはアンモニアと化石燃料との混焼率を決定して燃焼装置１０６の燃焼を制御する。１または複数の所定の変数は、例えば、発電効率（エネルギ効率）、発電コスト（エネルギコスト）およびＣＯ２回収効率の少なくとも１つを含む。本実施形態において、混焼制御装置１０１は、例えば、学習済み機械学習モデルＭ１を用いて、混焼率を決定する。この場合、混焼制御装置１０１は、例えば、モニタリング装置１１０が出力した運転データを学習済み機械学習モデルＭ１に入力し、学習済み機械学習モデルＭ１の出力として混焼率を算出して混焼率を決定し、バルブ１０４および１０５等を制御して混焼率を制御する。
【0020】
また、混焼制御装置１０１は、水素／アンモニア供給装置１０２、燃焼装置１０６、排気ガス後処理装置１０７等に対して決定した混焼率等を通知する。なお、混焼率は、化石燃料と水素またはアンモニアの混合比率を表す値であり、例えば、燃焼装置１０６に対する投入燃料の全熱量に占める水素またはアンモニアの熱量の比率とすることができる。本実施形態において、混焼制御装置１０１は、例えば水素／アンモニア供給装置１０２、燃焼装置１０６、排気ガス後処理装置１０７等の運転状態に応じて、混焼率を決定して制御する。
燃焼装置１０６は、混焼制御装置１０１から通知された混焼率に対して、発電出力、安定燃焼、機器寿命等を考慮した制御を行う。例えば、混焼率が変われば必要な空気流量も変化する。また、燃料と空気流量で所望する燃焼特性が得られる。燃焼装置１０６では、例えば、混焼率と燃料と所望する燃焼特性等に基づき、空気流量が、製品毎に別途操作端を持って制御される。また、水素／アンモニア供給装置１０２において水素／アンモニア製造装置を含む場合には、混焼率に応じた製造量の制御を行う。排気ガス後処理装置１０７は、混焼率で変化する排気ガス量に応じた処理の制御を行う。なお、燃焼装置１０６、水素／アンモニア供給装置１０２および排気ガス後処理装置１０７において混焼率に応じて制御されるパラメータの１または複数は、混焼制御装置１０１において、例えばモニタリング装置１１０が出力したパラメータ等に応じて決定してもよい。この場合、例えば、燃焼装置１０６、水素／アンモニア供給装置１０２および排気ガス後処理装置１０７全体を連携させた制御等を効率的に行うことができる。
燃焼装置１０６は、混焼制御装置１０１から通知された混焼率に対して、発電出力、安定燃焼、機器寿命等を考慮した制御を行う。例えば、混焼率が変われば必要な空気流量も変化する。また、燃料と空気流量で所望する燃焼特性が得られる。燃焼装置１０６では、例えば、混焼率と燃料と所望する燃焼特性等に基づき、空気流量が、製品毎に別途操作端を持って制御される。また、水素／アンモニア供給装置１０２において水素／アンモニア製造装置を含む場合には、混焼率に応じた製造量の制御を行う。排気ガス後処理装置１０７は、混焼率で変化する排気ガス量に応じた処理の制御を行う。なお、燃焼装置１０６、水素／アンモニア供給装置１０２および排気ガス後処理装置１０７において混焼率に応じて制御されるパラメータの１または複数は、混焼制御装置１０１において、例えばモニタリング装置１１０が出力したパラメータ等に応じて決定してもよい。この場合、例えば、燃焼装置１０６、水素／アンモニア供給装置１０２および排気ガス後処理装置１０７全体を連携させた制御等を効率的に行うことができる。
【0021】
（学習済み機械学習モデル）
図２～図４は、学習済み機械学習モデルＭ１の３つの構成例を示す。図２～図４は、発電効率最適制御用学習済み機械学習モデルＭ１－１、発電コスト最適制御用学習済み機械学習モデルＭ２－１、および、ＣＯ２回収効率最適制御用学習済み機械学習モデルＭ３－１をそれぞれ示す。学習済み機械学習モデルＭ１は、発電効率最適制御用学習済み機械学習モデルＭ１－１、発電コスト最適制御用学習済み機械学習モデルＭ２－１、および、ＣＯ２回収効率最適制御用学習済み機械学習モデルＭ３－１の少なくとも１つを含む。
図２～図４は、学習済み機械学習モデルＭ１の３つの構成例を示す。図２～図４は、発電効率最適制御用学習済み機械学習モデルＭ１－１、発電コスト最適制御用学習済み機械学習モデルＭ２－１、および、ＣＯ２回収効率最適制御用学習済み機械学習モデルＭ３－１をそれぞれ示す。学習済み機械学習モデルＭ１は、発電効率最適制御用学習済み機械学習モデルＭ１－１、発電コスト最適制御用学習済み機械学習モデルＭ２－１、および、ＣＯ２回収効率最適制御用学習済み機械学習モデルＭ３－１の少なくとも１つを含む。
【0022】
図２に示す発電効率最適制御用学習済み機械学習モデルＭ１－１は、入力を混焼システム１で取得された複数の運転データ１－１、運転データ１－２、…、出力を混焼率として、発電効率を最適化する混焼率を出力するように機械学習された学習済み機械学習モデルである。発電効率最適制御用学習済み機械学習モデルＭ１－１は、例えばニューラルネットワークを要素とする学習済みモデルであり、入力される多数のデータに対して求める解が出力されるよう、機械学習によりニューラルネットワークの各層のニューロン間の重み付け係数が最適化されている。発電効率最適制御用学習済み機械学習モデルＭ１－１は、例えば、入力から出力までの演算を行うプログラムと当該演算に用いられる重み付け係数（パラメータ）の組合せで構成される。発電効率最適制御用学習済み機械学習モデルＭ１－１は、例えば、過去の運用実績、あるいは、シミュレータを用いた仮想運転等から得られた発電効率が比較的高い（例えば発電効率が所定の閾値より大きい）場合の複数の運転データ１－１、運転データ１－２、…（入力）と、混焼率（出力）とをセットとする学習用データを教師データとして機械学習されている。なお、この場合、発電効率は、入力エネルギ（燃料が持つ化学エネルギ）に対する出力エネルギ（発電電力）の割合である。
【0023】
なお、発電コスト最適制御用学習済み機械学習モデルＭ２－１、および、ＣＯ２回収効率最適制御用学習済み機械学習モデルＭ３－１も、発電効率最適制御用学習済み機械学習モデルＭ１－１と同様のモデルとして構成することができる。また、発電効率最適制御用学習済み機械学習モデルＭ１－１の入力データである運転データ１－１、運転データ１－２、…は、例えば、発電機出力、効率計算に用いる燃料消費量、燃料低位発熱量等のデータを含む。
【0024】
図３に示す発電コスト最適制御用学習済み機械学習モデルＭ２－１は、入力を混焼システム１で取得された複数の運転データ２－１、運転データ２－２、…、出力を混焼率として、発電コスト（＝発電単価）を最適化する混焼率を出力するように機械学習された学習済み機械学習モデルである。発電コストは、水素／アンモニアの製造・輸送・貯留等の調達費用も考慮される。さらに装置保守費用もコストに考慮されるため、混焼率変化による部品寿命への影響を考慮することも有効である。発電コスト最適制御用学習済み機械学習モデルＭ２－１は例えば、過去の運用実績、あるいは、シミュレータを用いた仮装運転等から得られた発電コストが比較的低い（例えば発電コストが所定の閾値より小さい）場合の複数の運転データ２－１、運転データ２－２、…（入力）と、混焼率（出力）とをセットとする学習用データを教師データとして機械学習されている。また、発電コスト最適制御用学習済み機械学習モデルＭ２－１の入力データである運転データ２－１、運転データ２－２、…は、例えば、発電機出力、発電コスト計算に用いる燃料費等のデータを含む。
【0025】
図４に示すＣＯ２回収効率最適制御用学習済み機械学習モデルＭ３－１は、入力を混焼システム１で取得された複数の運転データ３－１、運転データ３－２、…、出力を混焼率として、ＣＯ２回収効率を最適化する混焼率を出力するように機械学習された学習済み機械学習モデルである。ＣＯ２回収効率最適制御用学習済み機械学習モデルＭ３－１は例えば、過去の運用実績、あるいは、シミュレータを用いた仮装運転等から得られたＣＯ２回収効率が比較的高い（例えばＣＯ２回収効率が所定の閾値より高い）場合の複数の運転データ３－１、運転データ３－２、…（入力）と、混焼率（出力）とをセットとする学習用データを教師データとして機械学習されている。また、ＣＯ２回収効率最適制御用学習済み機械学習モデルＭ３－１の入力データである運転データ３－１、運転データ３－２、…は、例えば、発電機出力、ＣＯ２回収効率の計算に用いるＣＯ２排出量、ＣＯ２回収量等のデータを含む。なお、発電機出力を表すデータは、本開示に係る、燃焼装置が混焼によって発生させる出力エネルギを表すデータの一例である。また、ＣＯ２回収量（あるいはＣＯ２排出量およびＣＯ２回収量）を表すデータは、本開示に係る、二酸化炭素回収装置の受け入れ状態を表すデータの一例である。
【0026】
なお、発電効率最適制御用学習済み機械学習モデルＭ１－１は、本開示に係る、入力を混焼システムで取得された複数の運転データ、出力を混焼率として、エネルギ効率を最適化する混焼率を出力するように機械学習されたエネルギ効率最適制御用学習済み機械学習モデルの一構成例である。ここで、エネルギ効率は、入力エネルギに対する出力エネルギ（変換エネルギ等）の割合である。また、発電コスト最適制御用学習済み機械学習モデルＭ２－１は、本開示に係る、入力を混焼システムで取得された複数の運転データ、出力を混焼率として、エネルギコスト（単位出力エネルギ当たりのコスト）を最適化する混焼率を出力するように機械学習されたエネルギコスト最適制御用学習済み機械学習モデルの一構成例である。また、ＣＯ２回収効率最適制御用学習済み機械学習モデルＭ３－１は、本開示に係る、入力を混焼システムで取得された複数の運転データ、出力を混焼率として、二酸化炭素回収装置の二酸化炭素回収効率を最適化する混焼率を出力するように機械学習された二酸化炭素回収効率最適制御用学習済み機械学習モデルの一構成例である。
【0027】
（混焼制御装置の動作例）
図５は、混焼制御装置１０１の動作例を示す。なお、混焼制御装置１０１は、学習済み機械学習モデルＭ１として、発電効率最適制御用学習済み機械学習モデルＭ１－１、発電コスト最適制御用学習済み機械学習モデルＭ２－１、および、ＣＯ２回収効率最適制御用学習済み機械学習モデルＭ３－１を選択的に使用可能であるとする。また、この例では発電コスト最適制御用学習済み機械学習モデルＭ２－１が初期設定の選択モデルであるとする。また、混焼システム１には、ＣＯ２回収効率について所定の下限値が設定されているものとする。この動作例において、混焼制御装置１０１は、例えば安定運転時には、発電効率最適制御用学習済み機械学習モデルＭ１－１または発電コスト最適制御用学習済み機械学習モデルＭ２－１を用いてコストや効率を最適化するように混焼率を決定する。また、混焼制御装置１０１は、例えば給電要請への迅速対応のため、ガスタービン発電装置を急速起動する場合、ＣＯ２回収効率最適制御用学習済み機械学習モデルＭ３－１を用いてＣＯ２回収効率を最適化するように混焼率を決定する。ガスタービン発電装置の立ち上がりに対してＣＯ２回収装置１０７１の立ち上がりが遅い場合、一定時間、ＣＯ２回収効率が低下することが想定される。このようなＣＯ２回収装置の立ち上がりも、受け入れ状態を表すデータの一例である。そのため、例えばガスタービン発電装置を急速起動する場合、混焼制御装置１０１は、ＣＯ２回収効率最適制御用学習済み機械学習モデルＭ３－１を用いることでＣＯ２回収効率を維持する。
図５は、混焼制御装置１０１の動作例を示す。なお、混焼制御装置１０１は、学習済み機械学習モデルＭ１として、発電効率最適制御用学習済み機械学習モデルＭ１－１、発電コスト最適制御用学習済み機械学習モデルＭ２－１、および、ＣＯ２回収効率最適制御用学習済み機械学習モデルＭ３－１を選択的に使用可能であるとする。また、この例では発電コスト最適制御用学習済み機械学習モデルＭ２－１が初期設定の選択モデルであるとする。また、混焼システム１には、ＣＯ２回収効率について所定の下限値が設定されているものとする。この動作例において、混焼制御装置１０１は、例えば安定運転時には、発電効率最適制御用学習済み機械学習モデルＭ１－１または発電コスト最適制御用学習済み機械学習モデルＭ２－１を用いてコストや効率を最適化するように混焼率を決定する。また、混焼制御装置１０１は、例えば給電要請への迅速対応のため、ガスタービン発電装置を急速起動する場合、ＣＯ２回収効率最適制御用学習済み機械学習モデルＭ３－１を用いてＣＯ２回収効率を最適化するように混焼率を決定する。ガスタービン発電装置の立ち上がりに対してＣＯ２回収装置１０７１の立ち上がりが遅い場合、一定時間、ＣＯ２回収効率が低下することが想定される。このようなＣＯ２回収装置の立ち上がりも、受け入れ状態を表すデータの一例である。そのため、例えばガスタービン発電装置を急速起動する場合、混焼制御装置１０１は、ＣＯ２回収効率最適制御用学習済み機械学習モデルＭ３－１を用いることでＣＯ２回収効率を維持する。
【0028】
図５に示す処理は、例えばオペレータの指示に応じて開始される。混焼制御装置１０１は、まず、発電コスト最適制御用学習済み機械学習モデルＭ２－１を選択する（ステップＳ１１）。以降、混焼制御装置１０１は、ステップＳ１で選択した学習済み機械学習モデルＭ１を用いて混焼率を制御する（ステップＳ２）。また、混焼制御装置１０１は、定期的に、学習済みモデルの変更が必要であるか否かを判断する（ステップＳ３）。学習済みモデルの変更が必要な場合とは、この例では、例えば、ＣＯ２回収効率最適制御用学習済み機械学習モデルＭ３－１以外のモデルを使用している場合に、ＣＯ２回収効率が下限値を下回る場合である。あるいは、学習済みモデルの変更が必要な場合とは、例えば、ＣＯ２回収効率最適制御用学習済み機械学習モデルＭ３－１を使用している場合に、ＣＯ２回収効率が下限値を十分上回る場合である。
【0029】
一方、学習済みモデルの変更が必要な場合（ステップＳ３：ＹＥＳ）、混焼制御装置１０１は、ＣＯ２回収効率最適制御用学習済み機械学習モデルＭ３－１を使用していない場合にはＣＯ２回収効率最適制御用学習済み機械学習モデルＭ３－１を選択し（ステップＳ１）、ＣＯ２回収効率最適制御用学習済み機械学習モデルＭ３－１を使用している場合にはＣＯ２回収効率最適制御用学習済み機械学習モデルＭ３－１以外のモデルを選択する（ステップＳ１）。以降、混焼制御装置１０１は、ステップＳ１で選択した学習済み機械学習モデルＭ１を用いて混焼率を制御する（ステップＳ２）。また、混焼制御装置１０１は、定期的に、学習済みモデルの変更が必要であるか否かを判断する（ステップＳ３）。
【0030】
他方、学習済みモデルの変更が必要でない場合（ステップＳ３：ＮＯ）、混焼制御装置１０１は、混焼率の制御を終了するか否かを判断する（ステップＳ４）。混焼率の制御を終了する場合とは、例えば燃焼装置１０６の動作を停止する場合等である。混焼率の制御を終了する場合（ステップＳ４：ＹＥＳ）、混焼制御装置１０１は、図５に示す処理を終了する。混焼率の制御を終了しない場合（ステップＳ４：ＮＯ）、混焼制御装置１０１は、定期的に、学習済みモデルの変更が必要であるか否かを判断する（ステップＳ３）。
【0031】
なお、図５に示す動作例は混焼制御装置１０１の一動作例であって、混焼制御装置１０１の動作は図５に示す動作例に限定されない。例えば、３つの発電効率最適制御用学習済み機械学習モデルＭ１－１、発電コスト最適制御用学習済み機械学習モデルＭ２－１、および、ＣＯ２回収効率最適制御用学習済み機械学習モデルＭ３－１を用いて、並列的に３つの混焼率を求め、最大の混焼率、２つまたは３つの混焼率に基づく平均値等の算出値等を、混焼率として決定するようにしてもよい。なお、２つまたは３つの混焼率に基づく算出値を用いる場合には、複数の変数を最適化するように混焼率が決定されることになる。
【0032】
（作用・効果等）
上記構成の混焼システム、混焼制御装置および混焼制御方法は、エネルギ効率（発電効率）、エネルギコスト（発電コスト）、または、二酸化炭素回収効率の少なくとも１つを最適化するように燃焼装置１０６が燃焼する水素またはアンモニアと化石燃料との混焼率を決定して燃焼装置１０６の燃焼を制御する。したがって、実施形態の混焼システム、混焼制御装置および混焼制御方法によれば、混焼率を適切に制御することができる。
上記構成の混焼システム、混焼制御装置および混焼制御方法は、エネルギ効率（発電効率）、エネルギコスト（発電コスト）、または、二酸化炭素回収効率の少なくとも１つを最適化するように燃焼装置１０６が燃焼する水素またはアンモニアと化石燃料との混焼率を決定して燃焼装置１０６の燃焼を制御する。したがって、実施形態の混焼システム、混焼制御装置および混焼制御方法によれば、混焼率を適切に制御することができる。
【0033】
以上のように、本実施形態によれば、運転状態に応じて脱炭素燃料（水素・アンモニア）と従来燃料の混焼率を変化させることができる。また、本実施形態によれば、例えば、水素供給・発電・ガス処理の各プロセスを統合制御し、脱炭素目標に応じた運転を行うことができる。また、運転最適化の制約条件として、燃料製造などバリューチェーン全体のＣＯ２排出を考慮するようにしてもよい。
【0034】
また、本実施形態によれば、ＣＯ２回収装置が例えば発電設備からの廃熱を必要とする場合、立上げからＣＯ２を回収できるようになるまでに時間を要する。発電設備は電力需要に応じて急速起動させる運用が求められるが、その場合、脱炭素燃料の使用割合を高めることが脱炭素目標を達成する手段となる。また、定常運転になった場合は、脱炭素燃料と化石燃料のコスト比やＣＯ２回収コストなどのバランスによって決定された混焼率で運用することができる。また、脱炭素技術として、水素・アンモニア燃焼とＣＯ２回収といった複数手段の組合せにおける効果の予測・実績を把握することで、効果の最大化が図れる。
【0035】
（その他の実施形態）
以上、本開示の実施の形態について図面を参照して詳述したが、具体的な構成はこの実施の形態に限られるものではなく、本開示の要旨を逸脱しない範囲の設計変更等も含まれる。
以上、本開示の実施の形態について図面を参照して詳述したが、具体的な構成はこの実施の形態に限られるものではなく、本開示の要旨を逸脱しない範囲の設計変更等も含まれる。
【0036】
（コンピュータ構成）
図６は、本開示の実施形態に係るコンピュータの構成を示す。
コンピュータ９０は、プロセッサ９１、メインメモリ９２、ストレージ９３、および、インタフェース９４を備える。
上述の混焼制御装置１０１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９１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９１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。
図６は、本開示の実施形態に係るコンピュータの構成を示す。
コンピュータ９０は、プロセッサ９１、メインメモリ９２、ストレージ９３、および、インタフェース９４を備える。
上述の混焼制御装置１０１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９１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９１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。
【0037】
プログラムは、コンピュータ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、コンピュータは、上記構成に加えて、または上記構成に代えてＰＬＤ（Programmable Logic Device）などのカスタムＬＳＩ（Large Scale Integrated Circuit）を備えてもよい。ＰＬＤの例としては、ＰＡＬ(Programmable Array Logic)、ＧＡＬ(Generic Array Logic)、ＣＰＬＤ(Complex Programmable Logic Device)、ＦＰＧＡ（Field Programmable Gate Array）等が挙げられる。この場合、プロセッサ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。
【0038】
ストレージ９３の例としては、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、磁気ディスク、光磁気ディスク、ＣＤ－ＲＯＭ（Compact Disc Read Only Memory）、ＤＶＤ－ＲＯＭ（Digital Versatile Disc Read Only Memory）、半導体メモリ等が挙げられる。ストレージ９３は、コンピュータ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、インタフェース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ピュータ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。
【0039】
＜付記＞
上記実施形態に記載の混焼システム１は、例えば以下のように把握される。
上記実施形態に記載の混焼システム１は、例えば以下のように把握される。
【0040】
（１）第１の態様に係る混焼システム１は、水素またはアンモニアと化石燃料とを混焼する燃焼装置１０６と、前記燃焼装置１０６の排気ガスを処理する排気ガス後処理装置１０７と、１または複数の所定の変数を最適化するように前記燃焼装置１０６が燃焼する前記水素またはアンモニアと前記化石燃料との混焼率を決定して前記燃焼装置による燃焼を制御する混焼制御装置１０１と、を備え、前記１または複数の変数が、エネルギ効率（発電効率等）、エネルギコスト（発電コスト等）、または、二酸化炭素回収効率の少なくとも１つを含む。本態様および以下の各態様によれば、混焼率を適切に制御することができる。
【0041】
（２）第２の態様に係る混焼システム１は、（１）の混焼システム１であって、前記排気ガス後処理装置が、二酸化炭素回収装置（ＣＯ２回収装置１０７１）を含む。
【0042】
（３）第３の態様に係る混焼システム１は、（２）の混焼システム１であって、前記混焼制御装置１０１は、力を前記混焼システムで取得された複数の運転データ、出力を前記混焼率として、前記エネルギ効率を最適化する前記混焼率を出力するように機械学習されたエネルギ効率最適制御用学習済み機械学習モデル（発電効率最適制御用学習済み機械学習モデルＭ１－１）、入力を前記混焼システムで取得された複数の運転データ、出力を前記混焼率として、前記エネルギコストを最適化する前記混焼率を出力するように機械学習されたエネルギコスト最適制御用学習済み機械学習モデル（発電コスト最適制御用学習済み機械学習モデルＭ２－１）、または、入力を前記混焼システムで取得された複数の運転データ、出力を前記混焼率として、前記二酸化炭素回収装置の二酸化炭素回収効率を最適化する前記混焼率を出力するように機械学習された二酸化炭素回収効率最適制御用学習済み機械学習モデル（ＣＯ２回収効率最適制御用学習済み機械学習モデルＭ３－１）の少なくとも１つを用いて前記混焼率を決定する。
【0043】
（４）第４の態様に係る混焼システム１は、（１）～（３）の混焼システム１であって、前記複数の運転データは、前記燃焼装置が混焼によって発生させる出力エネルギ（発電機出力等）を表すデータを少なくとも含む。
【0044】
（５）第５の態様に係る混焼システム１は、（４）の混焼システム１であって、前記複数の運転データは、さらに前記二酸化炭素回収装置の受け入れ状態を表すデータ（ＣＯ２回収量、ＣＯ２排出量およびＣＯ２回収量等）を少なくとも含む。
【符号の説明】
【0045】
１…混焼システム
１０１…混焼制御装置
１０２…水素／アンモニア供給装置
１０３…化石燃料供給装置
１０４、１０５…バルブ
１０６…燃焼装置
１０７…排気ガス後処理装置
１１０…モニタリング装置
１０７１…ＣＯ２回収装置
Ｍ１…学習済み機械学習モデル
Ｍ１－１…発電効率最適制御用学習済み機械学習モデル
Ｍ１－２…発電コスト最適制御用学習済み機械学習モデル
Ｍ１－３…ＣＯ２回収効率最適制御用学習済み機械学習モデル
１０１…混焼制御装置
１０２…水素／アンモニア供給装置
１０３…化石燃料供給装置
１０４、１０５…バルブ
１０６…燃焼装置
１０７…排気ガス後処理装置
１１０…モニタリング装置
１０７１…ＣＯ２回収装置
Ｍ１…学習済み機械学習モデル
Ｍ１－１…発電効率最適制御用学習済み機械学習モデル
Ｍ１－２…発電コスト最適制御用学習済み機械学習モデル
Ｍ１－３…ＣＯ２回収効率最適制御用学習済み機械学習モデル
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】