特開 2024-137166 メタン発酵設備の原料装入方法及び装置

(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】P2024137166

(43)【公開日】2024-10-07

(54)【発明の名称】メタン発酵設備の原料装入方法及び装置

(51)【国際特許分類】

   B09B 3/65 20220101AFI20240927BHJP

   G05B 13/04 20060101ALI20240927BHJP

   B09B 101/70 20220101ALN20240927BHJP

【ＦＩ】

B09B3/65 ZAB

G05B13/04

B09B101:70

【審査請求】未請求

【請求項の数】4

【出願形態】ＯＬ

(21)【出願番号】P 2023048577

(22)【出願日】2023-03-24

(71)【出願人】

【識別番号】000004123

【氏名又は名称】ＪＦＥエンジニアリング株式会社

(71)【出願人】

【識別番号】517349027

【氏名又は名称】株式会社Ｊバイオフードリサイクル

(74)【代理人】

【識別番号】110002963

【氏名又は名称】弁理士法人ＭＴＳ国際特許事務所

(72)【発明者】

【氏名】功刀 亮

(72)【発明者】

【氏名】戸村 啓二

(72)【発明者】

【氏名】河野 敬行

(72)【発明者】

【氏名】▲蔭▼山 佳秀

(72)【発明者】

【氏名】海老澤 拓哉

(72)【発明者】

【氏名】小長谷 耕平

(72)【発明者】

【氏名】加藤 大誠

(72)【発明者】

【氏名】中久喜 隆輔

【テーマコード（参考）】

4D004

5H004

【Ｆターム（参考）】

4D004AA03

4D004AA04

4D004AC04

4D004BA03

4D004CA18

4D004CB04

4D004DA16

5H004GA08

5H004HA02

5H004HB02

5H004JA01

5H004JB23

5H004KC25

5H004KC28

5H004MA36

(57)【要約】

【課題】メタン発酵設備で、最適な方法で原料を装入する。
【解決手段】原料の在庫情報３１０から複数の装入条件１、２、３・・・を作成する工程と、メタン発酵モデルの少なくとも一部の変数を状態変数としてメタン発酵モデルを状態空間モデル２３０で表現する工程と、発酵槽１４０を含むメタン発酵設備１１０にて観測値を得る工程と、前記観測値を用いて前記状態空間モデル２３０に対して逐次推定用フィルタを適用することで前記状態変数を逐次推定する工程と、該逐次推定された状態変数を反映した状態空間モデル２３０を用い、作成した装入条件で将来値を予測する工程と、得られた予測結果から最適な装入条件を決定する工程と、決定した装入条件に基づき、必要な原料を自動的に判別し原料ヤード３００から搬出してメタン発酵設備１１０へ装入する工程と、を含む。
【選択図】図１

【特許請求の範囲】

【請求項1】

原料の在庫情報から複数の装入条件を作成する工程と、
メタン発酵モデルの少なくとも一部の変数を状態変数としてメタン発酵モデルを状態空間モデルで表現する工程と、
発酵槽を含むメタン発酵設備にて観測値を得る工程と、
前記観測値を用いて前記状態空間モデルに対して逐次推定用フィルタを適用することで前記状態変数を逐次推定する工程と、
該逐次推定された状態変数を反映した状態空間モデルを用い、作成した装入条件で将来値を予測する工程と、
得られた予測結果から最適な装入条件を決定する工程と、
決定した装入条件に基づき、必要な原料を自動的に判別し原料ヤードから搬出してメタン発酵設備へ装入する工程と、
を含むことを特徴とするメタン発酵設備の原料装入方法。

【請求項2】

請求項１に記載の方法をコンピュータに実行させるためのコンピュータプログラム。

【請求項3】

メタン発酵モデルを用いて予測した結果に基づいてメタン発酵設備に原料を装入するための装置であって、
原料の在庫情報から複数の装入条件を作成する手段と、
前記メタン発酵モデルの少なくとも一部の変数を状態変数としてメタン発酵モデルを状態空間モデルで表現する手段と、
発酵槽を含むメタン発酵設備にて観測値を得る手段と、
前記観測値を用いて前記状態空間モデルに対して逐次推定用フィルタを適用することで前記状態変数を逐次推定する手段と、
該逐次推定された状態変数を反映した状態空間モデルを用い、作成した装入条件で将来値を予測する手段と、
得られた予測結果から最適な装入条件を決定する手段と、
決定した装入条件に基づき、必要な原料を自動的に判別し原料ヤードから搬出してメタン発酵設備へ装入する手段と、
を備えることを特徴とするメタン発酵設備の原料装入装置。

【請求項4】

請求項３に記載の装置をコンピュータに実現させるためのコンピュータプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、メタン発酵設備の原料装入方法及び装置に係り、特に、メタン発酵設備を含むメタン発酵プラントに用いるのに好適な、原料の在庫状態が変化する場合であっても、原料の在庫状態に応じた適切な装入を確実に行うことが可能なメタン発酵設備の原料装入方法及び装置に関する。

【背景技術】

【0002】

メタン発酵は、有機性の廃棄物等を嫌気性下でメタン菌によって発酵処理することにより、メタンを含むバイオガスと水に分解するプロセスである。装入される有機物を大幅に減量できるほか、生成するメタンガスをエネルギーとして回収することができるメリットがある。しかし、メタンガスを合成するメタン菌は種類によって活動できる温度、ｐＨ等の条件が限られており、アンモニアや水素濃度が高くなると活性が低下するなど、条件を適切に管理しながら運用する必要がある。そのための技術がいくつか提案されている（特許文献１、２）。

【0003】

メタンガス発生量の予測に関しては、特許文献３に、メタン発酵モデルを使って、メタン発酵プロセス（嫌気性消化）のメタンガス発生量を予測する技術が記載されている。また、非特許文献１にはメタン発酵モデルの例が示されている。

【先行技術文献】

【特許文献】

【0004】

【特許文献1】特許第４２１８４８６号公報

【特許文献2】特許第６６９７２０１号公報

【特許文献3】特開２００５－１１１３３８号公報

【非特許文献】

【0005】

【非特許文献1】Anaerobic Digestion Model No. 1, Scientic and Technical Report 15. IWA Publising, 2002

【発明の概要】

【発明が解決しようとする課題】

【0006】

しかしながら、メタン発酵モデルを使っても、メタンガス発生量を十分な精度で予測することは難しかった。なぜなら、メタン発酵モデルを用いたとしても実際のメタン発酵槽内の状態を正しく把握することができないためである。

【0007】

特に、メタン発酵槽内の、生物分解性有機物（蛋白質、炭水化物、脂質等）、有機酸、酸生成菌、メタン生成菌の量あるいは濃度を正確に把握することができないため、正確な予測が難しいという問題点があった。

【0008】

更に、実際に多数の原料の中から必要なものを見つけ出して計画通り装入する作業は煩雑であり、時々刻々と保管在庫の状況が変化していく中で人間がその装入操作を行うことは多大な困難を伴うという問題点を有していた。

【0009】

本発明は、前記従来の問題点を解決するべくなされたもので、原料の在庫状態が変化する場合の複数の装入方法に対応する操業状態を高精度に予測可能として、原料の在庫状態に応じた適切な装入を確実に行えるようにすることを課題とする。

【課題を解決するための手段】

【0010】

本発明は、原料の在庫情報から複数の装入条件を作成する工程と、メタン発酵モデルの少なくとも一部の変数を状態変数としてメタン発酵モデルを状態空間モデルで表現する工程と、発酵槽を含むメタン発酵設備にて観測値を得る工程と、前記観測値を用いて前記状態空間モデルに対して逐次推定用フィルタを適用することで前記状態変数を逐次推定する工程と、該逐次推定された状態変数を反映した状態空間モデルを用い、作成した装入条件で将来値を予測する工程と、得られた予測結果から最適な装入条件を決定する工程と、決定した装入条件に基づき、必要な原料を自動的に判別し原料ヤードから搬出してメタン発酵設備へ装入する工程と、を含むことを特徴とするメタン発酵設備の原料装入方法により、前記課題を解決するものである。

【0011】

本発明は、又、メタン発酵モデルを用いて予測した結果に基づいてメタン発酵設備に原料を装入するための装置であって、原料の在庫情報から複数の装入条件を作成する手段と、前記メタン発酵モデルの少なくとも一部の変数を状態変数としてメタン発酵モデルを状態空間モデルで表現する手段と、発酵槽を含むメタン発酵設備にて観測値を得る手段と、前記観測値を用いて前記状態空間モデルに対して逐次推定用フィルタを適用することで前記状態変数を逐次推定する手段と、該逐次推定された状態変数を反映した状態空間モデルを用い、作成した装入条件で将来値を予測する手段と、得られた予測結果から最適な装入条件を決定する手段と、決定した装入条件に基づき、必要な原料を自動的に判別し原料ヤードから搬出してメタン発酵設備へ装入する手段と、を備えることを特徴とするメタン発酵設備の原料装入装置により、同様に前記課題を解決するものである。

【0012】

本発明は、又、前記の方法又は装置をコンピュータに実行させるためのコンピュータプログラムにより、同様に前記課題を解決するものである。

【発明の効果】

【0013】

本発明によれば、メタン発酵モデルを活用するだけでなく、例えば少なくとも発酵槽内の生物分解性有機物、有機酸、酸生成菌、メタン生成菌の濃度のうち一部あるいは全部を状態変数とした状態空間モデルを構築し、メタン発酵設備で観測される観測値によりこれらを逐次推定してメタン発酵槽内の状態を正しく把握するようにしたので、メタンガスの発生量などを高精度に予測可能となる。したがって、原料が多種多様で発酵制御が難しいメタン発酵設備においても適切な制御を行うことが可能となる。更に、時々刻々と変化する原料の在庫状況（品目や量など）に応じて装入条件を作成し、予測計算の結果得られた原料の装入を自動的に行うようにして、最適な原料の装入を確実かつ容易に行うことが可能となる。

【図面の簡単な説明】

【0014】

【図1】本発明の処理手順を示す流れ図

【図2】メタン発酵プラントに適用した本発明の実施形態の概略を示す全体構成図

【図3】メタン発酵モデルの概要の例を示す図

【図4】メタン発酵モデルを構成する式の例を示す図

【図5】カルマンフィルタによる逐次状態推定のイメージを示す図

【図6】前記実施形態によるメタンガス発生量の予測例を示す図

【図7】本発明の実施形態の具体的な構成を示す図

【図8】同じくメタンガス流量の予測値に応じてプラントを操業した例を示す図

【発明を実施するための形態】

【0015】

以下、図面を参照して、本発明の実施の形態について詳細に説明する。なお、本発明は以下の実施形態に記載した内容により限定されるものではない。また、以下に記載した実施形態における構成要件には、当業者が容易に想定できるもの、実質的に同一のもの、いわゆる均等の範囲のものが含まれる。更に、以下に記載した実施形態で開示した構成要素は適宜組み合わせてもよいし、適宜選択して用いてもよい。

【0016】

本発明の基本的な処理手順を図１に示す。

【0017】

まず、ステップ１０００で、メタン発酵モデルの一部の変数（例えば発酵槽内の生物分解性有機物、発酵槽内の有機酸、発酵槽内の酸生成菌、発酵槽内のメタン生成菌の濃度のうち一部あるいは全部）を状態変数として、メタン発酵モデルを状態空間モデルで表現する。

【0018】

次いで、ステップ１１００に進み、メタン発酵設備にて得られた観測値を記憶する。

【0019】

次いで、ステップ１２００に進み、ステップ１１００で記憶された観測値を用いて、前記状態空間モデルに対して逐次推定用フィルタ（例えばカルマンフィルタ）を適用することで前記状態変数を逐次推定する。

【0020】

次いで、ステップ１３００で、原料の在庫情報から複数の装入条件を作成する。

【0021】

次いで、ステップ１４００に進み、逐次推定された前記状態変数を反映した状態空間モデルを用い、ステップ１３００で作成した装入条件で将来値を予測する。

【0022】

次いで、ステップ１５００に進み、ステップ１４００で得られた予測結果から最適な装入条件を決定する。

【0023】

次いで、ステップ１６００に進み、ステップ１５００で決定した装入条件（原料種毎の装入量、装入タイミング）に基づき、必要な原料を自動的に判別して原料ヤードから搬出してメタン発酵設備へ装入する。

【0024】

＜全体構成＞
メタン発酵プラントに適用した本発明の実施形態の概略的な全体構成を図２に示す。

【0025】

このメタン発酵プラント（実プラント又は現実プラントとも称する）１００のメタン発酵設備１１０は、原料装入口に装入された原料を破砕して不適物を除去するための破砕機１２０と、水を混合して原料を調整する混合槽１３０と、混合槽１３０から送られてくる原料を嫌気性下で発酵処理してメタンを含むバイオガスを発生する発酵槽１４０と、前記メタン発酵プラント１００の操業データや分析値を入力して記憶する観測データ記憶部２００と、操業条件や目標を入力する操業計画部２１０と、前記観測データ記憶部２００及び、操業計画部２１０から入力される情報に従って、状態空間モデル２３０を用いて、演算・予測・制御を行う演算・予測・制御部２２０とを備えている。

【0026】

前記発酵槽１４０においては、装入される原料は酸生成菌により有機酸に変換され、その有機酸はメタン菌によりメタンガスに変換される。

【0027】

メタン発酵設備１１０へ装入される原料は多種多様である。原料の種類によって発酵槽内での変換速度が異なるため、複数の原料種類が供給されるモデルとすることで高い精度が実現できる。例えば、原料を、蛋白質主体の食品廃棄物（食廃と略す）、脂質主体の食廃、炭水化物主体の食廃に分けることができるし、特性に応じてさらに多種に分けても良い。

【0028】

＜メタン発酵プラントのモデル＞
前記実施形態で用いる、原料を複数（実施形態では５つ）化したメタン発酵モデルの概要を図３に示す。

【0029】

このメタン発酵モデルは、混合槽１３０から発酵槽１４０に流入する原料の関数として、
発酵槽流入液流量Ｆ_feed［Ｌ／ｄ］、
各原料１～５の流入生物分解性有機物濃度Ｓ_{bvsin_１～５}［ｇ／Ｌ］、
その合計としての発酵槽流入生物分解性有機物濃度Ｓ_bvsin［ｇ／Ｌ］、
各原料１～５の流入有機酸濃度Ｓ_{vfain_１～５}［ｇ／Ｌ］、
その合計としての発酵槽流入有機酸濃度Ｓ_vfain［ｇ／Ｌ］があり、
発酵槽１４０の関数として、
発酵槽液量Ｖ［Ｌ］、
発酵槽温度Ｔ_reac［℃］、
各原料１～５の発酵槽生物分解性有機物濃度Ｓ_{bvs_１～５}［ｇ／Ｌ］、
その合計としての発酵槽生物分解性有機物濃度Ｓ_bvs［ｇ／Ｌ］、
発酵槽有機酸濃度Ｓ_vfa［ｇ／Ｌ］、
酸生成菌濃度Ｘ_acid［ｇ／Ｌ］、
メタン菌濃度Ｘ_meth［ｇ／Ｌ］があり、
発酵槽１４０からの流出物の関数として、
メタンガス発生量を表すメタンガス流量Ｆ_meth［Ｌ／ｄ］、
発酵槽流出液流量Ｆ_out［Ｌ／ｄ］がある。

【0030】

前記メタン発酵モデルを構成する式の具体例を図４に示す。

【0031】

図４中の符号は、次のとおりである。
μ_1～5：各原料１～５に対応する酸生成菌比増殖速度 [1/d]
μ_m：酸生成菌最大比増殖速度[1/d]
Ｋ_d：酸生成菌死滅速度 [1/d]
μ_c：メタン菌比増殖速度 [1/d]
μ_mc：メタン菌最大比増殖速度[1/d]
Ｋ_dc：メタン菌死滅速度 [1/d]
Ｋ_s：酸生成菌半飽和定数 [g BVS/L]
Ｋ_sc：メタン菌半飽和定数 [g VFA/L]
k₁：酸生成菌のBVS収率 [g BVS/(g acidogens/L)]
k₂：酸生成菌のVFA収率 [g VFA/(g acidogens/L)]
k₃：メタン菌のVFA収率 [g VFA/(g methanogens/L)]
k₅：メタン菌のメタンガス収率 [L/(g methanogens/L)]
α：原料の反応速度比 [-]
b：SRT/HRT比 [d/d]

【0032】

ここで、ＢＶＳは生物分解性有機物、ＶＦＡは有機酸、ＳＲＴは汚泥滞留時間、ＨＲＴは水理学的滞留時間を表す。

【0033】

以上、メタン発酵モデルの一例について説明したが、発酵槽１４０への原料の流入、発酵槽１４０内の有機物濃度、発酵槽１４０からのメタンガス発生量等を含むメタン発酵モデルであれば、本発明に適用可能である。例えば、国際水協会(ＩＷＡ)の嫌気性消化モデル(ＡＤＭ１)も、本発明に適用可能である。

【0034】

＜状態空間モデルの構築＞
前記メタン発酵モデルは非線形であるため、状態空間モデルの構築においては、次記数式（１０）、（１１）で表される離散時間非線形システムとして表す。

【数1】

【0035】

ただし、x_kは状態ベクトル、y_kは観測ベクトル、f(x_k)およびh(x_k)はそれぞれ上記状態方程式（１０）および観測方程式（１１）を構成する非線形関数である。また、w_kおよびv_kはそれぞれシステムノイズ、および観測ノイズである。

【0036】

状態ベクトルx_kおよび観測ベクトルy_kについて、
状態ベクトルx_kは発酵槽の生物分解性有機物濃度Sbvs__1～5、発酵槽の有機酸濃度Svfa、発酵槽の酸生成菌濃度X_acid、発酵槽のメタン菌濃度X_methを用いて、
観測ベクトルy_kは、メタンガス流量F_meth、および発酵槽の有機酸濃度S_vfaを用いて、次記式（１２）、（１３）のように表される。
x_k
= (S_{bvs_1_k}, S_{bvs_2_k}, S_{bvs_3_k}, S_{bvs_4_k}, S_{bvs_5_k}, S_{vfa_k}, X_{acid_k}, X_{meth_k})
…（１２）
y_k = (F_{meth_k}, S_{vfa_k}) …（１３）

【0037】

メタン発酵モデルにおける非線形関数f(x_k) は、発酵槽の生物分解性有機物濃度、発酵槽の有機酸濃度、発酵槽の酸生成菌濃度、発酵槽のメタン菌濃度の時間発展を記述し、各マスバランス式を用いて、次記式（１４）として表される。

【数2】

【0038】

また、観測方程式（１１）を構成する非線形関数h(x_k+1)は、状態方程式（１０）により計算された時刻k+1での発酵槽のメタン菌濃度Xmeth__k+1、および発酵槽の有機酸濃度Svfa__k+1を用い、次記式（１５）として表される。

【数3】

【0039】

以上、状態空間モデルについて説明したが、状態ベクトルは、発酵槽の生物分解性有機物濃度S_{bvs_1～5}、発酵槽の有機酸濃度S_vfa、発酵槽の酸生成菌濃度X_acid、発酵槽のメタン菌濃度X_methの一部または全部の関数とすることができ、観測ベクトルは、メタンガス流量F_meth、および発酵槽の有機酸濃度S_vfaの一部または全部の関数とすることができる。

【0040】

＜カルマンフィルタによる状態推定＞
上記のようにして構築された状態空間モデルにおいて、モデルの状態変数を逐次的に推定する手法として、本実施形態では非線形カルマンフィルタの一手法であるUnscented Kalman Filterを適用する。

【0041】

具体的には、時刻kにおける状態変数x_k（発酵槽の生物分解性有機物濃度、発酵槽の有機酸濃度、発酵槽の酸生成菌濃度、発酵槽のメタン菌濃度）に対するメタンガス発生量と発酵槽の有機酸濃度の推定値y_kと、メタンガス発生量と発酵槽の有機酸濃度の観測値の誤差を修正するように、各状態変数の値をカルマンフィルタにより推定する。

【0042】

カルマンフィルタによる逐次状態推定のイメージを図５に示す。観測によって、逐次状態変数の推定値が真値に近づいていく。

【0043】

このカルマンフィルタによる状態推定は、過去からある時点まで逐次実施する推定期間において、推定を繰り返す中で推定精度が向上する。推定期間は、好ましくは１か月以上、更に好ましくは２か月以上である。

【0044】

以上により、高い精度でメタン発酵設備の操業状態を推定することができる。

【0045】

なお、上記状態空間モデルにおける状態変数S_{bvs_i}、S_vfa、X_methの推定は、Unscented Kalman Filterを用いたが、非線形モデルに対する逐次推定用フィルタ（逐次ベイズフィルタ）として一般的に用いられている各種手法を用いて行われてよい。

【0046】

また、前記状態変数x_kは、発酵槽の生物分解性有機物濃度、発酵槽の有機酸濃度、発酵槽の酸生成菌濃度、発酵槽のメタン菌濃度の一部または全部とすることができ、推定値y_kと観測値の誤差を修正するのは、メタンガス発生量と発酵槽の有機酸濃度の一部または全部とすることができる。

【0047】

＜メタンガス発生量の予測＞
前記のようにカルマンフィルタにより推定されたある時点のメタン発酵設備の操業状態を、状態空間モデルに反映し、ある時点以降の原料装入条件を設定することで、ある時点以降のメタンガス発生量を高い精度で予測することができる。

【0048】

具体的には、ある時点以降の原料装入計画を操業条件として作成し、それに基づき、混合槽１３０から発酵槽１４０に流入する次の値を参照する。
Ｓ_{bvsin_１～５}、Ｓ_{vfain_１～５}、Ｆ_feed、Ｓ_bvsin、Ｓ_vfain

【0049】

そして、ある時点以降の発酵槽１４０に流入する物質量（Ｓ_{bvsin１～５}、Ｓ_{vfain１～５}、Ｆ_feed、Ｓ_bvsin、Ｓ_vfain）と、カルマンフィルタによりメタン発酵設備の操業状態が推定されたある時点の状態空間モデル２３０を用いて、ある時点以降のメタンガス流量（即ち発生量）を予測する。

【0050】

ある時点を現時刻とすれば、現時刻以降の将来のメタンガス流量を予測することになる。

【0051】

本実施形態によるメタンガス発生量の予測例を図６に示す。

【0052】

メタンガス発生量の制御に際しては、ある時刻以降のメタンガス流量の予測技術を用い、目標とするメタンガス流量となるように原料の種類毎の装入量を制御する。具体的には、目標とするメタンガス流量となるように、ある時刻以降の原料の種類毎の装入量を決定する。ある時刻を現時刻とすれば、将来において目標メタンガス流量となるように、原料の種類毎の装入量を決定することができる。

【0053】

メタンガス発生量を制御する期間は、例えば３日間～１４日間程度とすることができる。又、原料の種類毎の装入量の決定は、毎日～７日間に１回程度とすることができる。

【0054】

以下、メタンガス発生量の予測、及びメタン発酵プラントの制御についての実施例を説明する。

【実施例0055】

＜メタンガス発生量の予測＞
図２に示した商業規模のメタン発酵プラントにおいて、図３および図４に示したメタン発酵モデルを適用し、発酵槽の生物分解性有機物濃度S_{bvs_1～5}、発酵槽の有機酸濃度S_vfa、発酵槽の酸生成菌濃度X_acid、発酵槽のメタン菌濃度X_methを状態変数として状態空間モデルを構築した。

【0056】

ここで、状態ベクトルは発酵槽の生物分解性有機物濃度S_{bvs_1～5}、発酵槽の有機酸濃度S_vfa、発酵槽の酸生成菌濃度X_acid、発酵槽のメタン菌濃度X_methを用い、観測ベクトルはメタンガス流量F_methを用いた。

【0057】

２か月前から現時刻までの２か月間、４時間毎にカルマンフィルタにより状態変数を逐次推定し、現時刻のメタン発酵槽の状態（発酵槽の生物分解性有機物濃度S_{bvs_1～5}、発酵槽の有機酸濃度S_vfa、発酵槽の酸生成菌濃度X_acid、発酵槽のメタン菌濃度X_meth）を導き出した。

【0058】

その結果、現時刻における発酵槽１４０の状態は表１のように算出された。

【0059】

【表1】

【0060】

なお、その他の発酵槽１４０の状態は表２の如くであった。

【0061】

【表2】

【0062】

次いで、現時刻の翌日から１週間のメタンガス流量を予測した。予測期間中の原料の装入量を表３に示す。原料１は生ごみ類、原料２は蛋白質主体食廃、原料３は脂質主体食廃、原料４は炭水化物主体食廃、原料５は水主体食廃である。

【0063】

【表3】

【0064】

現時刻において予測したメタンガス流量と、現時刻以降１週間で実際に観測されたメタンガス実測流量の比較を表４に示す。

【0065】

【表4】

【0066】

メタンガス予測流量とメタンガス実測流量の誤差は最大で７％、平均誤差は３％であり、極めて良い一致を示すことが確認できた。
ただし、誤差は下記の式（１６）で求めた。
（誤差）＝｜（メタンガス予測流量－メタンガス実測流量）／（メタンガス実測流量）｜
…（１６）

【実施例0067】

＜メタンガス発生量の制御＞
将来のメタンガス流量の予測および得られた予測結果から決定した装入条件に基づき、必要な原料を自動的に判別して原料ヤードから搬出しメタン発酵設備へ装入する方法を用い、目標とするメタンガス流量となるように原料の種類毎の装入量を制御した。

【0068】

本発明の実施形態では、図７に具体的に示す如く、まず、図１のステップ１１００で、メタン発酵設備１１０から取得した観測データを観測データ記憶部２００に記憶する。

【0069】

次いで、ステップ１２００で、観測データ記憶部２００より必要な観測データを入手し、これにより状態空間モデル２３０の状態変数を逐次推定する。

【0070】

又、ステップ１３００で、原料ヤード３００の在庫情報３１０から複数の装入条件１、２、３・・・を作成する。

【0071】

次いで、ステップ１４００に進み、ステップ１２００で逐次推定された状態変数を反映した状態空間モデル２３０を用い、ステップ１３００で作成した原料装入条件１、２、３・・・で将来値（予測結果１、２、３・・・）を予測する。

【0072】

次いで、ステップ１５００に進み、ステップ１４００で得られた予測結果から判定手段４００が最適な装入条件を決定する。

【0073】

次いで、ステップ１６００に進み、ステップ１５００で決定した装入条件（原料の種類毎の装入量、装入タイミング）および在庫情報３１０に基づき、装入制御装置４１０が例えばロボット等の装入手段４２０を制御して必要な原料を自動的に判別して原料ヤード３００から原料を搬出してメタン発酵設備１１０へ装入する。

【0074】

図８は、メタンガス流量が８０００Ｎｍ³／ｄとなるようにプラントを操業した例である。

【0075】

１日目から１４９日目までは、メタンガス流量の予測技術を用いない操業であった。

【0076】

１５０日目から２１０日目まではメタンガス流量の予測技術および原料自動装入を用い、８０００Ｎｍ³／ｄとなるように原料の装入量を決定した操業であった。具体的には、３日間に１回、その時点以降の７日間のメタンガス発生量の予測を実施し、７日間ともに８０００Ｎｍ³／ｄとなるように原料の装入量を決定した。

【0077】

結果として、１日目から１４９日目までの目標値（８０００Ｎｍ³／ｄ）からの誤差平均は９％であり、１５０日目から２１０日目までの目標値（８０００Ｎｍ³／ｄ）からの誤差平均は３％であった。メタンガス流量の予測技術と原料自動装入を用い、目的とするメタンガス流量となるように原料の装入量を制御することは極めて効果的であることが確認できた。

【0078】

本実施形態では、図３および図４に示すようなメタン発酵モデルを用い、逐次推定用フィルタ（逐次ベイズフィルタ）としてUnscented Kalman Filterを用いて状態空間モデルの状態変数を推定したが、メタン発酵モデルや状態推定方法は、これらに限定されない。例えば、メタン発酵モデルとしては嫌気性消化モデル（ＡＤＭ）、状態推定方法としては、Extended Kalman Filter（拡張カルマンフィルタ）、Ensemble Kalman Filter（アンサンブルカルマンフィルタ）、Particle Filter（粒子フィルタ）等を用いることができる。