7101912 水質管理装置、水質管理方法、及び水質管理プログラム

(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】

(24)【登録日】2022-07-07

(45)【発行日】2022-07-15

(54)【発明の名称】水質管理装置、水質管理方法、及び水質管理プログラム

(51)【国際特許分類】

   C02F 1/50 20060101AFI20220708BHJP

   C02F 1/76 20060101ALI20220708BHJP

   C02F 1/70 20060101ALI20220708BHJP

   G06N 20/20 20190101ALI20220708BHJP

【ＦＩ】

C02F1/50 520F

C02F1/50 531P

C02F1/50 540B

C02F1/50 550L

C02F1/50 550C

C02F1/50 550H

C02F1/76 A

C02F1/70 Z

G06N20/20

【請求項の数】 5

(21)【出願番号】P 2021576358

(86)(22)【出願日】2021-03-31

(86)【国際出願番号】 JP2021014000

【審査請求日】2021-12-21

【早期審査対象出願】

(73)【特許権者】

【識別番号】000211307

【氏名又は名称】中国電力株式会社

(73)【特許権者】

【識別番号】000226242

【氏名又は名称】日機装株式会社

(73)【特許権者】

【識別番号】391042782

【氏名又は名称】日本エヌ・ユー・エス株式会社

(74)【代理人】

【識別番号】100106002

【弁理士】

【氏名又は名称】正林 真之

(74)【代理人】

【識別番号】100120891

【弁理士】

【氏名又は名称】林 一好

(72)【発明者】

【氏名】柳川 敏治

(72)【発明者】

【氏名】尾山 圭二

(72)【発明者】

【氏名】小路 一憲

(72)【発明者】

【氏名】旭 義文

(72)【発明者】

【氏名】勝山 一朗

(72)【発明者】

【氏名】定道 有頂

(72)【発明者】

【氏名】鈴木 勇也

(72)【発明者】

【氏名】市川 好貴

【審査官】松井 一泰

(56)【参考文献】

【文献】国際公開第２０２１／０５３７５７（ＷＯ，Ａ１）

【文献】特開昭５４－１０４６３８（ＪＰ，Ａ）

【文献】特開２０１２－１０６２２４（ＪＰ，Ａ）

【文献】特表２０１１－５２８９８２（ＪＰ，Ａ）

【文献】特開２０１６－０２２４５８（ＪＰ，Ａ）

【文献】特開２０１６－２０９８５５（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｃ０２Ｆ １／５０

Ｃ０２Ｆ １／４６－ １／４８

Ｃ０２Ｆ １／００

Ｃ０２Ｆ １／７０－ １／７８

Ｃ０２Ｆ １／５８－ １／６４

Ｆ０１Ｋ １／００－ ２１／０６

(57)【特許請求の範囲】

【請求項1】

海水利用プラントのための水質管理装置であって、
前記海水利用プラントに設置される復水器を流通する海水の属性値を取得する属性値取得部と、
前記属性値に基づいて、前記復水器から前記海水を海に放出する放水路の放水口における残留塩素濃度を予測する濃度予測部と、
予測された前記残留塩素濃度に基づいて、前記放水路に注入する、残留塩素の中和剤の必要量を算出する必要量算出部と、
前記必要量分の前記中和剤を前記放水路に注入する中和剤注入部と、を備え、
前記濃度予測部は、
前記復水器の入口における海水の残留塩素濃度、塩分量、ｐＨ、ＯＲＰ（酸化還元電位）、水温、を含む属性値の履歴データを入力データとして取得する入力データ取得部と、
前記放水口における残留塩素濃度の履歴データをラベルとして取得するラベル取得部と、
前記入力データと前記ラベルとの組を学習データとして、前記放水口における前記残留塩素濃度を推定する学習モデルを構築する学習部と、
前記学習モデルの構築後に、新たな属性値を前記学習モデルに適用することで、前記残留塩素濃度の推定値を生成する推定値生成部とを備える 水質管理装置。

【請求項2】

前記学習部は、ランダムフォレストを用いて前記学習モデルを構築する、請求項１に記載の水質管理装置。

【請求項3】

前記学習部は、一般化加法を用いて前記学習モデルを構築する、請求項１に記載の水質管理装置。

【請求項4】

海水利用プラントのための水質管理方法であって、
前記海水利用プラントに設置される復水器を流通する海水の属性値を取得する属性値取得ステップと、
前記属性値に基づいて、前記復水器から前記海水を海に放出する放水路の放水口における残留塩素濃度を予測する濃度予測ステップと、
予測された前記残留塩素濃度に基づいて、前記放水路に注入する、残留塩素の中和剤の必要量を算出する必要量算出ステップと、
前記必要量分の前記中和剤を前記放水路に注入する中和剤注入ステップと、を有し、
前記濃度予測ステップは、
前記復水器の入口における海水の残留塩素濃度、塩分量、ｐＨ、ＯＲＰ（酸化還元電位）、水温、を含む属性値の履歴データを入力データとして取得する入力データ取得ステップと、
前記放水口における残留塩素濃度の履歴データをラベルとして取得するラベル取得ステップと、
前記入力データと前記ラベルとの組を学習データとして、前記放水口における前記残留塩素濃度を推定する学習モデルを構築する学習ステップと、
前記学習モデルの構築後に、新たな属性値を前記学習モデルに適用することで、前記残留塩素濃度の推定値を生成する推定値生成ステップとを有する 水質管理方法。

【請求項5】

海水利用プラントのための水質管理プログラムであって、
前記海水利用プラントに設置される復水器を流通する海水の属性値を取得する属性値取得ステップと、
前記属性値に基づいて、前記復水器から前記海水を海に放出する放水路の放水口における残留塩素濃度を予測する濃度予測ステップと、
予測された前記残留塩素濃度に基づいて、前記放水路に注入する、残留塩素の中和剤の必要量を算出する必要量算出ステップと、
前記必要量分の前記中和剤を前記放水路に注入する中和剤注入ステップと、
をコンピュータに実行させるための水質管理プログラムであり、
前記濃度予測ステップは、
前記復水器の入口における海水の残留塩素濃度、塩分量、ｐＨ、ＯＲＰ（酸化還元電位）、水温、を含む属性値の履歴データを入力データとして取得する入力データ取得ステップと、
前記放水口における残留塩素濃度の履歴データをラベルとして取得するラベル取得ステップと、
前記入力データと前記ラベルとの組を学習データとして、前記放水口における前記残留塩素濃度を推定する学習モデルを構築する学習ステップと、
前記学習モデルの構築後に、新たな属性値を前記学習モデルに適用することで、前記残留塩素濃度の推定値を生成する推定値生成ステップとを有する水質管理プログラム 。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、水質管理装置、水質管理方法、及び水質管理プログラムに関する。より詳しくは、発電所等の海水利用プラントで用いられる水質管理装置、水質管理方法、及び水質管理プログラムに関する。

【背景技術】

【0002】

火力・原子力発電所をはじめとする海水利用プラントの海水系統に付着する、フジツボ類、イガイ類等の付着生物、及びバイオフィルムへの対策として、海水電解塩素（次亜塩素酸ソーダ）を発生させて、取水口に注入する技術が広く実施されている。

【0003】

例えば、特許文献１は、天然の海水を電気分解することにより次亜塩素酸ソーダを生成し、当該次亜塩素酸ソーダを含む電解液を、海水の取水口に注入して海洋生物の付着防止に用いる技術を開示している。

【先行技術文献】

【特許文献】

【0004】

【文献】特許第４９３２５２９号公報

【発明の概要】

【発明が解決しようとする課題】

【0005】

海水電解塩素を取水口に注入する場合、海水の放水口における残留塩素濃度の基準値を超過しないように注入を実施する必要があるが、海水電解塩素を注入した後の残留塩素濃度は、水温や水質により減衰速度が異なることから、付着生物防止に有効な残留塩素濃度を維持しようとすると、一時的に放水口で基準値を超過する恐れがある。そのため、適切なタイミングで適切な量の中和剤を注入することで、残留塩素濃度の基準値の超過を未然に防止する技術が望まれている。

【0006】

本発明は、上記課題に鑑みてなされたものであり、海水の放水口における、海水中の残留塩素濃度の基準値の超過を未然に防ぐことが可能な、水質管理装置、水質管理方法、及び水質管理プログラム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】

【0007】

本発明は、海水利用プラントのための水質管理装置であって、前記海水利用プラントに設置される復水器を流通する、海水の属性値を取得する属性値取得部と、前記属性値に基づいて、前記復水器から前記海水を海に放出する放水路の放水口における残留塩素濃度を予測する濃度予測部と、予測された前記残留塩素濃度に基づいて、前記放水路に注入する、残留塩素の中和剤の必要量を算出する必要量算出部と、前記必要量分の前記中和剤を前記放水路に注入する中和剤注入部と、を備える水質管理装置に関する。

【0008】

また、前記属性値は、前記復水器の取水口における海水の残留塩素濃度、前記復水器の出口における海水の水温、前記取水口から前記放水口までの海水の流下時間を含み、前記濃度予測部は、前記属性値をアレニウス式に適用することで、前記放水口における前記残留塩素濃度を予測することが好ましい。

【0009】

また、前記水質管理装置において、前記濃度予測部は、前記復水器の入口における海水の残留塩素濃度、塩分量、ｐＨ、ＯＲＰ（酸化還元電位）、水温を含む属性値の履歴データを入力データとして取得する入力データ取得部と、前記放水口における残留塩素濃度の履歴データをラベルとして取得するラベル取得部と、前記入力データと前記ラベルとの組を学習データとして、前記放水口における前記残留塩素濃度を推定する学習モデルを構築する学習部と、前記学習モデルの構築後に、新たな属性値を前記学習モデルに適用することで、前記残留塩素濃度の推定値を生成する推定値生成部とを備えることが好ましい。

【0010】

また、前記水質管理装置において、前記学習部は、ランダムフォレストを用いて前記学習モデルを構築することが好ましい。

【0011】

また、前記水質管理装置において、前記学習部は、一般化加法（ＧＡＭ法）を用いて前記学習モデルを構築することが好ましい。

【0012】

また本発明は、海水利用プラントのための水質管理方法であって、前記海水利用プラントに設置される復水器を流通する、海水の属性値を取得する属性値取得ステップと、前記属性値に基づいて、前記復水器から前記海水を海に放出する放水路の放水口における残留塩素濃度を予測する濃度予測ステップと、予測された前記残留塩素濃度に基づいて、前記放水路に注入する、残留塩素の中和剤の必要量を算出する必要量算出ステップと、前記必要量分の前記中和剤を前記放水路に注入する中和剤注入ステップと、を有する水質管理方法に関する。

【0013】

また本発明は、海水利用プラントのための水質管理プログラムであって、前記海水利用プラントに設置される復水器を流通する、海水の属性値を取得する属性値取得ステップと、前記属性値に基づいて、前記復水器から前記海水を海に放出する放水路の放水口における残留塩素濃度を予測する濃度予測ステップと、予測された前記残留塩素濃度に基づいて、前記放水路に注入する、残留塩素の中和剤の必要量を算出する必要量算出ステップと、前記必要量分の前記中和剤を前記放水路に注入する中和剤注入ステップと、をコンピュータに実行させるための水質管理プログラムに関する。

【発明の効果】

【0014】

本発明によれば、海水の放水口における、海水中の残留塩素濃度の基準値の超過を未然に防ぐことが可能となる。

【図面の簡単な説明】

【0015】

【図1】本発明の実施形態に係る海水利用プラントの全体構成図である。

【図2】本発明の実施形態に係る水質管理装置の機能ブロック図である。

【図3】本発明の実施形態に係る水質管理装置の動作を示すフローチャートである。

【図4】本発明の実施形態に係る水質管理装置に含まれる濃度予測部の機能ブロック図である。

【図5】本発明の実施形態に係る水質管理装置の動作を示すフローチャートである。

【図6】本発明の実施形態に係る水質管理装置の動作を示すフローチャートである。

【図7A】本発明の実施形態に係るアレニウス式を示す図である。

【図7B】本発明の実施形態に係るアレニウス式を示す図である。

【図7C】本発明の実施形態に係るアレニウス式を示す図である。

【図8A】本発明の実施形態に係るアレニウス式を示す図である。

【図8B】本発明の実施形態に係るアレニウス式を示す図である。

【図8C】本発明の実施形態に係るアレニウス式を示す図である。

【図9A】本発明の実施形態に係るアレニウス式を示す図である。

【図9B】本発明の実施形態に係るアレニウス式を示す図である。

【図9C】本発明の実施形態に係るアレニウス式を示す図である。

【図10A】本発明の実施形態に係るランダムフォレストによる元データと予測結果との比較を示す図である。

【図10B】本発明の実施形態に係るランダムフォレストによる元データと予測結果との比較を示す図である。

【図11A】本発明の実施形態に係る一般化加法（ＧＡＭ）による元データと予測結果との比較を示す図である。

【図11B】本発明の実施形態に係る一般化加法（ＧＡＭ）による元データと予測結果との比較を示す図である。

【図12A】本発明の実施形態に係る一般化加法（ＧＡＭ）による元データと予測結果との比較を示す図である。

【図12B】本発明の実施形態に係る一般化加法（ＧＡＭ）による元データと予測結果との比較を示す図である。

【図13A】本発明の実施形態に係る一般化加法（ＧＡＭ）による元データと予測結果との比較を示す図である。

【図13B】本発明の実施形態に係る一般化加法（ＧＡＭ）による元データと予測結果との比較を示す図である。

【発明を実施するための形態】

【0016】

以下、本発明の実施形態について図面を参照しながら説明する。

【0017】

〔１ 発明の概要〕
図１は、本実施形態に係る水質管理装置１と復水器２とを含む海水利用プラント１００の全体構成図である。海水利用プラント１００において、復水器２は、海３Ａから取水路２１により冷却水としての海水を取水し、蒸気タービン等を冷却した後の冷却水は、復水器２の出口２２１から、放水路２２により海３Ｂに放水される。取水路２１の塩素注入点においては、次亜塩素酸ソーダを含む海水の電解液が注入される。

【0018】

水質管理装置１は、復水器２を流通する海水の属性値に基づいて、放水路２２の放水口２２２での残留塩素濃度を予測し、復水器入口２１１における海水の残留塩素濃度に比較した低下量を算出後、当該低下量に基づいて、中和剤の必要量を算出し、当該必要量分の中和剤を放水路２２に注入する。

【0019】

〔２ 第１実施形態〕
以下、図２及び図３を参照することにより、本発明の第１実施形態である水質管理装置１について説明する。

【0020】

〔２．１ 実施形態の構成〕
図２は、水質管理装置１の機能ブロック図である。水質管理装置１は、制御部１１と、中和剤注入部１２と、記憶部１３とを備える。

【0021】

制御部１１は、水質管理装置１の全体を制御する部分であり、各種プログラムを、ＲＯＭ、ＲＡＭ、フラッシュメモリ又はハードディスク（ＨＤＤ）等の記憶領域から適宜読み出して実行することにより、本実施形態における各種機能を実現している。制御部１１は、ＣＰＵであってよい。制御部１１は、属性値取得部１１１、濃度予測部１１２、必要量算出部１１３を備える。

【0022】

また、制御部１１は、それ以外にも、水質管理装置１の全体を制御するための機能ブロック、通信を行うための機能ブロックといった一般的な機能ブロックを備える。ただし、これらの一般的な機能ブロックについては当業者によく知られているので図示及び説明を省略する。

【0023】

属性値取得部１１１は、復水器２を流通する海水の属性値を取得する。より詳細には、例えば、水質管理装置１の外部に設置された汲み上げポンプ（不図示）により、取水路２１から海水を汲み上げ、汲み上げられた海水を、水質管理装置１の外部に設置された水質分析装置（不図示）で分析する。属性値取得部１１１は、水質分析装置で分析された海水の水質に係る属性値を取得する。更に、属性値取得部１１１は、属性値として、復水器２の出口２２１における海水の水温、復水器入口２１１から放水口２２２までの海水の流下時間等を取得する。

【0024】

ここで、水質に係る属性値としては、例えば、復水器入口２１１における海水の残留塩素濃度と水温に加えて、精度向上を目的として他に有機物濃度、海水に含まれる塩分量、ｐＨ、ＯＲＰ（酸化還元電位）、を含む。

【0025】

濃度予測部１１２は、属性値取得部１１１によって取得された属性値に基づいて、海水の放水口２２２における残留塩素濃度を予測する。とりわけ、本実施形態において、濃度予測部１１２は、属性値として、復水器２の入口２１１における海水の残留塩素濃度、復水器２の出口２２１における海水の水温、復水器２の入口２１１から放水口２２２までの海水の流下時間をアレニウス（Ａｒｒｈｅｉｎｉｕｓ）式に適用することにより、海水の放水口２２２における残留塩素濃度を推定する。

【0026】

ここで、「アレニウス（Ａｒｒｈｅｉｎｉｕｓ）式」とは、ある温度での化学反応の速度を予測する式のことであり、反応速度を示す反応定数ｋは、以下の式１で示すように、温度Ｔが高く、活性化エネルギーＥ_ａが低いと大きくなることを示す式である。

【0027】

【数1】

【0028】

なお、Ａは温度に無関係な定数（頻度因子）であり、Ｅ_ａは１ｍｏｌあたりの活性化エネルギーであり、Ｒは気体定数であり、Ｔは絶対温度である。ここで、「頻度因子」とは、二分子反応における分子間の衝突回数を表す因子のことである。

【0029】

必要量算出部１１３は、濃度予測部１１２により予測された残留塩素濃度に基づいて、放水路２２に注入する、残留塩素の中和剤の必要量を算出する。より詳細には、必要量算出部１１３は、取水口２１１における残留塩素濃度に比較した、放水口２２２における推定残留塩素濃度の低下量に基づいて、中和剤の必要量を算出する。

【0030】

ここで、中和剤とは、例えば３５％過酸化水素水、亜硫酸ソーダ、又はチオ硫酸ソーダ等、残留塩素を速やかに中和できる既存の薬剤であってよい。なお、３５％過酸化水素水を用いた場合の反応副産物は、酸素、水、塩素イオンであり、亜硫酸ソーダを用いた場合の反応副産物は、硫酸イオン、塩素イオンである。これらのいずれも海水中に豊富に存在する。

【0031】

中和剤注入部１２は、必要量算出部１１３によって算出された必要量分の中和剤を、放水路２２に注入する。とりわけ、中和剤注入部１２により、放水路２２への中和剤の注入を自動制御することが好適である。

【0032】

記憶部１３は、属性値取得部１１１によって取得された属性値や、濃度予測部１１２によって予測される残留塩素濃度や、必要量算出部１１３によって算出される中和剤の必要量を記憶する。

【0033】

〔２．２ 実施形態の動作〕
図３は、水質管理装置１の動作を示すフローチャートである。

【0034】

ステップＳ１において、属性値取得部１１１は、海水の取水口２１１における水質の属性値や、復水器２の出口２２１における海水の水温、入口２１１から放水口２２２までの海水の流下時間等を取得する。

【0035】

ステップＳ２において、濃度予測部１１２は、属性値取得部１１１によって取得された属性値に基づいて、海水の放水口２２２における残留塩素濃度を予測する。

【0036】

ステップＳ３において、必要量算出部１１３は、濃度予測部１１２により予測された残留塩素濃度に基づいて、放水路２２に注入する、残留塩素の中和剤の必要量を算出する。

【0037】

ステップＳ４において、中和剤注入部１２は、必要量算出部１１３によって算出された必要量分の中和剤を、放水路２２に注入する。

【0038】

〔２．３ 実施形態が奏する効果〕
本実施形態に係る水質管理装置１は、海水利用プラント１００のための水質管理装置１であって、海水利用プラント１００に設置される復水器２を流通する海水の属性値を取得する属性値取得部１１１と、属性値に基づいて、復水器２から海水を海に放出する放水路２２の放水口２２２における残留塩素濃度を予測する濃度予測部１１２と、推定された残留塩素濃度に基づいて、放水路２２に注入する、残留塩素の中和剤の必要量を算出する必要量算出部１１３と、必要量分の中和剤を放水路２２に注入する中和剤注入部１２と、を備える。

【0039】

これにより、海水の放水口における、海水中の残留塩素濃度の基準値の超過を未然に防ぐことが可能となる。とりわけ、放水口２２２における残留塩素濃度の基準値を超過する前に、適切な量の中和剤を注入することで、基準値の超過を未然に防ぐことができる。このことで、電解塩素注入濃度のベース値を高めに合わせることが可能となり、発電の障害となる付着生物やバイオフィルムの付着をより効果的に抑制することで、復水器２の熱交換効率が向上し、多大なコスト削減効果が得られる。

【0040】

また、水質管理装置１において、上記の属性値は、復水器２の入口２１１における海水の残留塩素濃度、復水器２の出口２２１における海水の水温、出口２２１から放水口２２２までの海水の流下時間を含み、濃度予測部は、上記の属性値をアレニウス式に適用することで、放水口２２２における残留塩素濃度を予測する。

【0041】

これにより、アレニウス式を用いることで、海水中の残留塩素濃度の基準値の超過を未然に防ぐことが可能となる。

【0042】

〔３ 第２実施形態〕
以下、図４～図６を参照することにより、本発明の第２実施形態である水質管理装置１Ａについて説明する。なお、以下では説明の簡略化のため、主として、水質管理装置１Ａが水質管理装置１と異なる点について説明する。

【0043】

〔３．１ 実施形態の構成〕
水質管理装置１Ａの基本構成は、図２に示す水質管理装置１と同様である。ただし、水質管理装置１Ａは、水質管理装置１が備える濃度予測部１１２の代わりに濃度予測部１１２Ａを備える。濃度予測部１１２は、主としてアレニウス式を用いることにより、放水口２２２における残留塩素濃度を予測するが、濃度予測部１１２Ａは、機械学習により、放水口２２２における残留塩素濃度を予測する。

【0044】

図４は、濃度予測部１１２Ａの機能ブロック図である。濃度予測部１１２Ａは、入力データ取得部１１４と、ラベル取得部１１５と、学習部１１６と、推定値生成部１１７とを備える。

【0045】

入力データ取得部１１４は、記憶部１３から、取水口２１１における海水の残留塩素濃度、塩分量、ｐＨ、ＯＲＰ（酸化還元電位）、水温を含む属性値の履歴データを、機械学習に用いる入力データとして取得する。

【0046】

ラベル取得部１１５は、記憶部１３から、放水口２２２における残留塩素濃度の履歴データを、機械学習に用いるラベルとして取得する。

【0047】

学習部１１６は、入力データとラベルとの組を学習データとして機械学習をすることにより、放水口２２２における残留塩素濃度を推定する学習モデルを構築し、構築した学習モデルを記憶部１３に格納する。

【0048】

ここで、入力データとラベルとの組を学習データとする際、復水器２の出口２２１から放水口２２２までの海水の流下時間を考慮し、復水器入口データと、当該流下時間後の放水口データとが対になるように加工する。また、例えば、目的変数・説明変数共に、負の値は異常値とみなして除去してもよい。

【0049】

また、学習部１１６が実行する機械学習は、ランダムフォレストであってもよく、一般化加法（ＧＡＭ法）であってよい。ここで、「ランダムフォレスト」とは、機械学習のアルゴリズムのひとつであり、決定木を弱学習機とすると共に、ランダムサンプリングされたトレーニングデータによって学習した多数の弱学習器を統合させて汎化能力を向上させるアルゴリズムである。
また、「一般化加法」とは、一般化線形モデルでの線形予測子を、非線形な関数の和としたモデルを用いるアルゴリズムであり、この時の非線形な関数として、局所回帰関数、平滑化スプライン、Ｂスプライン、自然スプライン等が用いられる。中でも、非線形な関数として、平滑化スプラインを用いるアルゴリズムが、「ＧＡＭ法」と呼ばれる。

【0050】

推定値生成部１１７は、学習部１１６によって学習モデルが構築され、構築された学習モデルが記憶部１３に格納された後、記憶部１３から学習モデルを取得して、新たな属性値を学習モデルに適用することにより、放水口２２２における残留塩素濃度の推定値を生成する。

【0051】

〔３．２ 実施形態の動作〕
図５は、水質管理装置１Ａの機械学習時の動作を示すフローチャートである。

【0052】

ステップＳ１１において、入力データ取得部１１４は、記憶部１３から、海水の残留塩素濃度、塩分量、ｐＨ、ＯＲＰ（酸化還元電位）、水温、流量を含む属性値の履歴データを入力データとして取得する。

【0053】

ステップＳ１２において、ラベル取得部１１５は、放水口における残留塩素濃度の履歴データをラベルとして取得する。

【0054】

ステップＳ１３において、学習部１１６は、入力データとラベルとの組を学習データとする。

【0055】

ステップＳ１４において、学習部１１６は、学習データを用いて機械学習を行う。

【0056】

ステップＳ１５において、機械学習が終了した場合（Ｓ１５：ＹＥＳ）には、処理はステップＳ１６に移行する。機械学習が終了していない場合（Ｓ１５：ＮＯ）には、処理はステップＳ１１に移行する。

【0057】

ステップＳ１６において、学習部１１６は、構築した学習モデルを記憶部１３に格納する。

【0058】

図６は、水質管理装置１Ａの中和剤注入時の動作を示すフローチャートである。

【0059】

ステップＳ２１において、推定値生成部１１７は、記憶部１３から学習モデルを取得する。

【0060】

ステップＳ２２において、推定値生成部１１７は、属性値取得部１１１から新たな属性値を取得する。

【0061】

ステップＳ２３において、推定値生成部１１７は、新たな属性値を学習モデルに適用することにより、放水口２２２における残留塩素濃度の推定値（予測値）を生成する。

【0062】

ステップＳ２４において、必要量算出部１１３は、濃度予測部１１２により予測された残留塩素濃度に基づいて、放水路２２に注入する、残留塩素の中和剤の必要量を算出する。

【0063】

ステップＳ２５において、中和剤注入部１２は、必要量算出部１１３によって算出された必要量分の中和剤を、放水路２２に注入する。

【0064】

〔３．３ 実施形態が奏する効果〕
水質管理装置１Ａにおいて、濃度予測部１１２Ａは、取水口２１１における海水の残留塩素濃度、塩分量、ｐＨ、ＯＲＰ（酸化還元電位）、水温を含む属性値の履歴データを入力データとして取得する入力データ取得部１１４と、放水口２２２における残留塩素濃度の履歴データをラベルとして取得するラベル取得部１１５と、入力データとラベルとの組を学習データとして、放水口における前記残留塩素濃度を推定する学習モデルを構築する学習部１１６と、学習モデルの構築後に、新たな属性値を学習モデルに適用することで、残留塩素濃度の推定値を生成する推定値生成部１１７とを備える。

【0065】

これにより、より高精度な残留塩素濃度の予測値に基づいて、放水路２２に中和剤を注入することが可能となる。

【0066】

また、学習部１１６は、ランダムフォレストを用いて学習モデルを構築する。

【0067】

これにより、多数の説明変数への対応、及び高速での学習が可能となると共に、説明変数の重要度（寄与度）が算出できる。

【0068】

また、学習部１１６は、一般化加法を用いて学習モデルを構築する。

【0069】

これにより、複雑な形の関数を用いることで、単純な比例関係でないものを説明できると共に、線形モデルの説明性を保持しつつ、予測の精度を高めることが可能となる。

【0070】

〔４ 予測データ〕
〔４．１ アレニウス式〕
（１）２０１８年６月２９日～２０１８年１１月９日データによる分析
２０１８年６月２９日～２０１８年１１月９日のＡ発電所１号機（最大出力３４０ＭＷ）の計測データを用いた

【0071】

（１－１） 復水器入口濃度との関係
残留塩素濃度の減衰は、初期濃度の寄与が大きいことも知られている。（１－１）で示したアレニウス式について、発電出力別に復水器入口の残留塩素濃度を０．０５ｍｇ／Ｌ以上、０．０３ｍｇ／Ｌ以上０．０５ｍｇ／Ｌ未満、０．０３ｍｇ／Ｌ未満の３ケースに分け、それぞれのケースにおけるアレニウス式を、図７Ａ～図９Ｃに示す。

【0072】

いずれの発電出力のケースにおいても、残留塩素濃度が高いほど決定係数が高くなっている。最も高い決定係数は、発電出力２００ＭＷ以上、残留塩素濃度０．０５ｍｇ／Ｌ以上の場合の０．５８９であった。なお、残留塩素濃度が０．０３未満の場合は何れの発電出力のケースにおいても決定係数は０．０５を下回っている。

【0073】

〔４．２ 機械学習〕
復水器入口の残留塩素濃度から、放水口における残留塩素濃度を予測するための手法として機械学習の適用可能性についての検討を行った。

【0074】

（１）使用したデータ
モデル構築および予測に使用したデータは、Ａ発電所１号機における２０１８年６月２９日～２０１９年３月３１日分の１分値を使用した。使用した変数およびデータの加工方法は以下の表に示すとおりである。

【0075】

【表1】

【0076】

（２）予測モデルによる結果
加工したデータを用いて、ランダムフォレストおよび一般化加法モデル（ＧＡＭ）の２つの予測モデルを用いて予測を行った。

【0077】

（２－１）ランダムフォレストによる予測結果
２０１８年６月２９日～２０１９年２月２８日のデータを学習データとし、２０１９年３月１日～２０１９年３月３１日の予測を行った。図１０Ａ及び図１０Ｂに元データと予測結果との比較を示す。

【0078】

元データと予測結果は同じような挙動を示している。元データに対して概ね０．０１ｍｇ／Ｌの範囲内に収まっているが、誤差の分布に偏りがあるため、元データと予測結果の決定係数は０．０９６と低くなっている。

【0079】

（２－２）一般化加法（ＧＡＭ）による予測結果
学習範囲および予測範囲を変え、三通りの予測を行った。

【0080】

１）予測結果１
ランダムフォレストを使用した予測と同様に、２０１８年６月２９日～２０１９年２月２８日のデータを学習データとし、２０１９年３月１日～２０１９年３月３１日の予想を行った。図１１Ａ及び図１１Ｂに元データと予測結果の比較を示す。

【0081】

ランダムフォレストによる結果と同様に、元データと予測結果は同じような挙動を示している。元データに対して概ね０．０１ｍｇ／Ｌ以下の範囲内に収まっており、誤差分布の偏りも少ないため、元データと予測結果の決定係数は０．２７２とランダムフォレストによる結果よりも高くなっている。

【0082】

２）予測結果２
前節で示した結果とは学習期間および予測期間を変え、２０１８年６月２９日～２０１８年１０月３１日および２０１８年１２月１日～２０１９年３月３１日のデータを学習データとし、２０１８年１１月１日～２０１８年１１月３０日の予測を行った。図１２Ａ及び図１２Ｂに元データと予測結果の比較を示す。

【0083】

予測結果１と同様に、元データと予測結果は同じような挙動を示している。元データに対して概ね０．０１ｍｇ／Ｌの範囲内に収まっており、元データと予測結果の決定係数は０．３０３となっていた。

【0084】

３）予測結果３
２０１９年２月１日～２０１９年２月１４日のデータを学習データとし、２０１９年２月１５日～２０１９年２月２０日の予測を行った。図１３Ａ及び図１３Ｂに元データと予測結果の比較を示す。

【0085】

元データと予測結果の挙動はほぼ一致しており、高い再現性を示している。元データに対して概ね０．００５ｍｇ／Ｌ程度の範囲内に収まっており、元データと予測結果の決定係数は０．５０５とかなり高くなっている。

【0086】

〔４．３ まとめ〕
復水器入口から放水口への減衰反応は、発電出力が２００ＭＷ以上かつ復水器入口の残留塩素濃度が０．０５ｍｇ／Ｌ以上の場合、アレニウス式による近似曲線の決定係数が最も高くなり、発電出力、残留塩素濃度ともに低くなるほど決定係数が低くなる傾向が確認できた。このことからアレニウス式による放水口濃度の予測は、発電出力が高く復水器入口濃度が高いほど有効であると考えられる。

【0087】

機械学習による放水口濃度の予測については、複数のモデル・条件により検証を行った結果、概ね実用性のある予測精度が確認され、適用可能性を示すことができた。

【0088】

水質管理装置１又は１Ａによる管理方法は、ソフトウェアにより実現される。ソフトウェアによって実現される場合には、このソフトウェアを構成するプログラムが、コンピュータ（水質管理装置１又は１Ａ）にインストールされる。また、これらのプログラムは、リムーバブルメディアに記録されてユーザに配布されてもよいし、ネットワークを介してユーザのコンピュータにダウンロードされることにより配布されてもよい。更に、これらのプログラムは、ダウンロードされることなくネットワークを介したＷｅｂサービスとしてユーザのコンピュータ（水質管理装置１又は１Ａ）に提供されてもよい。

【符号の説明】

【0089】

１、１Ａ 水質管理装置
２ 復水器
１１ 制御部
１２ 中和剤注入部
１３ 記憶部
２１ 取水路
２２ 放水路
１１１ 属性値取得部
１１２、１１２Ａ 濃度予測部
１１３ 必要量算出部
１１４ 入力データ取得部
１１５ ラベル取得部
１１６ 学習部
１１７ 推定値生成部

【要約】

海水の放水口における、海水中の残留塩素濃度の基準値の超過を未然に防ぐことが可能な、水質管理装置、水質管理方法、及び水質管理プログラムを提供する。海水利用プラントのための水質管理装置であって、海水利用プラントに設置される復水器を流通する海水の属性値を取得する属性値取得部と、属性値に基づいて、復水器から海水を海に放出する放水路の放水口における残留塩素濃度を予測する濃度予測部と、予測された残留塩素濃度に基づいて、放水路に注入する、残留塩素の中和剤の必要量を算出する必要量算出部と、必要量分の中和剤を放水路に注入する中和剤注入部と、を備える。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7A】

【図7B】

【図7C】

【図8A】

【図8B】

【図8C】

【図9A】

【図9B】

【図9C】

【図10A】

【図10B】

【図11A】

【図11B】

【図12A】

【図12B】

【図13A】

【図13B】