知財求人 - 知財ポータルサイト「IP Force」
特許7563140機械学習装置、予測装置、台数制御パラメータ出力装置、及び制御装置
(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】
(24)【登録日】2024-09-30
(45)【発行日】2024-10-08
(54)【発明の名称】機械学習装置、予測装置、台数制御パラメータ出力装置、及び制御装置
(51)【国際特許分類】
F22B 35/00 20060101AFI20241001BHJP
G06N 20/00 20190101ALI20241001BHJP
【ＦＩ】
F22B35/00 E
G06N20/00 130
【請求項の数】
10
(21)【出願番号】P 2020199588
(22)【出願日】2020-12-01
(65)【公開番号】P2022087585
(43)【公開日】2022-06-13
【審査請求日】2023-09-19
(73)【特許権者】
【識別番号】000175272
【氏名又は名称】三浦工業株式会社
(74)【代理人】
【識別番号】100126000
【弁理士】
【氏名又は名称】岩池 満
(74)【代理人】
【識別番号】100145713
【弁理士】
【氏名又は名称】加藤 竜太
(72)【発明者】
【氏名】山田 和也
(72)【発明者】
【氏名】伊賀上 祐彰
【審査官】豊島 ひろみ
(56)【参考文献】
【文献】特開２０１０－２３６７１９（ＪＰ，Ａ）
【文献】特開平０８－１３６１７４（ＪＰ，Ａ）
【文献】特開２０１７－１２９８９６（ＪＰ，Ａ）
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ｆ２２Ｂ １／１８ － ３５／１８
Ｇ０６Ｎ ３／００ － ９９／００
(57)【特許請求の範囲】
【請求項1】
複数のボイラを有するボイラ群と、前記ボイラ群の燃焼状態を制御する制御装置と、を有するボイラシステムから予め設定されたサンプリング周期毎に出力される、サンプリングタイムと、当該サンプリングタイムにおける少なくとも前記ボイラ群の全出力蒸気量を含む測定データと、を含む稼働日毎のサンプリング順の時系列データに基づいて算出される、所定の単位時間毎の前記ボイラ群の少なくとも最大蒸気使用量及び平均蒸気使用量を含む単位時間蒸気量の時系列データの集合から、予め設定される第１時間帯に含まれる前記単位時間蒸気量の時系列データの部分集合となる第１時間帯時系列データを抽出するとともに、前記単位時間蒸気量の時系列データの集合から前記第１時間帯の直後から予め設定された第２時間先の単位時間の蒸気量を抽出することで、前記第１時間帯時系列データ及び前記第２時間先の単位時間の蒸気量を含む教師データを作成する教師データ作成部と、
前記教師データ作成部によって作成された前記教師データに基づいて、任意の稼働日における第１時間帯に含まれる単位時間蒸気量の時系列データから、前記第１時間帯の直後から第２時間先の単位時間における前記ボイラ群の少なくとも最大蒸気使用量及び平均蒸気使用量を含む単位時間蒸気量を予測する予測モデルを生成する学習部と、
を備える機械学習装置。
【請求項2】
前記稼働日は、予め設定された蒸気負荷パターンが対応づけられ、前記学習部は、前記蒸気負荷パターンに対応して、前記予測モデルを生成する、請求項１に記載の機械学習装置。
【請求項3】
前記学習部は、前記第１時間帯時系列データを入力データとし、前記第１時間帯の直後から前記第２時間先の単位時間の蒸気量をラベルデータとする教師データに基づいて、教師あり学習を実行し、前記予測モデルとしての学習済みモデルを生成する、請求項１又は請求項２に記載の機械学習装置。
【請求項4】
前記学習部は、前記第１時間帯における単位時間毎の時系列データと、前記第１時間帯の直後から前記第２時間先の単位時間の蒸気量と、に基づいて、時系列分析を実行し、前記予測モデルを生成する、請求項１又は請求項２に記載の機械学習装置。
【請求項5】
前記機械学習装置は、ネットワークを介して前記制御装置と通信可能に接続される１つ以上のサーバから構成される、請求項１から請求項４のいずれか１項に記載の機械学習装置。
【請求項6】
請求項１から請求項５のいずれか１項に記載の機械学習装置により生成された予測モデルと、前記ボイラシステムの稼働日における任意の時刻の直前の第１時間帯時系列データを単位時間毎に取得し、前記予測モデルを用いて、前記単位時間毎に前記時刻から第２時間先の単位時間の蒸気量予測値を取得し、
前記単位時間毎に取得する、前記第２時間先の前記単位時間の蒸気量予測値の集合に基づいて、前記ボイラシステムの稼働日の所定の時刻から第２時間先までの時間帯における少なくとも前記ボイラ群の最大蒸気使用量、及び平均蒸気使用量を予測する予測部と、
を備える予測装置。
【請求項7】
前記ボイラシステムの含むボイラ群は、複数の段階的な燃焼位置で燃焼制御可能な段階値制御ボイラを複数有するボイラ群であって、請求項６に記載の予測装置により予測された、前記所定の時刻から第２時間先までの時間帯における最大蒸気使用量、及び平均蒸気使用量に基づいて、当該時間帯における前記ボイラシステムの最大使用蒸気量、平均蒸気量、及び変動蒸気量のいずれか２つ以上の値を算出し、前記ボイラシステムの前記制御装置に出力する台数制御パラメータ出力部を備える、台数制御パラメータ出力装置。
【請求項8】
請求項７に記載の台数制御パラメータ出力装置から取得した最大使用蒸気量、平均蒸気量、及び変動蒸気量のいずれか２つ以上の値に基づいて、前記所定の時刻から第２時間先までの時間帯における適切な台数制御パラメータを設定し、設定された前記台数制御パラメータに基づいて、前記ボイラ群を燃焼制御する、制御装置。
【請求項9】
前記ボイラシステムの含むボイラ群は、複数の段階的な燃焼位置で燃焼制御可能な段階値制御ボイラを複数有するボイラ群であって、請求項６に記載の予測装置により予測された、前記所定の時刻から第２時間先までの時間帯における最大蒸気使用量、及び平均蒸気使用量に基づいて、当該時間帯において最も適した台数制御パラメータグループＩＤを選択し、前記ボイラシステムの前記制御装置に出力する台数制御パラメータ出力部を備える、台数制御パラメータ出力装置。
【請求項10】
請求項９に記載の台数制御パラメータ出力装置から取得した台数制御パラメータグループＩＤに基づいて、前記所定の時刻から第２時間先までの時間帯における適切な台数制御パラメータを設定し、設定された前記台数制御パラメータに基づいて、前記ボイラ群を燃焼制御する、制御装置。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、複数のボイラを有するボイラ群を備えるボイラシステムに係る機械学習装置、予測装置、台数制御パラメータ出力装置、及び制御装置に関する。
【背景技術】
【0002】
従来、複数のボイラを有するボイラ群と、前記ボイラ群において生成された蒸気を集合させる蒸気ヘッダと、前記蒸気ヘッダの内部の蒸気圧であるヘッダ圧力値に基づいて前記ボイラ群の燃焼状態を制御するボイラシステムが提案されている。
従来、ボイラとして、選択される燃焼位置に応じて燃焼量を段階的に増減可能な段階値制御ボイラ、及び燃焼量を連続的に増減可能な連続制御ボイラが知られている。
ここで、段階値制御ボイラとは、燃焼を選択的にオン／オフしたり、炎の大きさを調整したりすること等により複数（３以上）段階の燃焼位置で燃焼する多位置制御ボイラをいう。このような段階値制御ボイラでは、燃焼率が段階的に変更される。なお、多位置制御とは、段階値制御ボイラの燃焼量を、燃焼停止位置を含めて複数個の位置に段階的に制御可能なことを表す。
そして、特許文献１に記載されているように、段階値制御ボイラを複数有するボイラ群を備えるボイラシステムの燃焼制御において、ボイラ効率が高効率となる燃焼位置を示す高効率運転ポイント（以下、「エコ運転ポイント」ともいう）を目指して、各ボイラをできるだけ「エコ運転ポイント」で燃焼するように制御することが知られている。
従来、ボイラとして、選択される燃焼位置に応じて燃焼量を段階的に増減可能な段階値制御ボイラ、及び燃焼量を連続的に増減可能な連続制御ボイラが知られている。
ここで、段階値制御ボイラとは、燃焼を選択的にオン／オフしたり、炎の大きさを調整したりすること等により複数（３以上）段階の燃焼位置で燃焼する多位置制御ボイラをいう。このような段階値制御ボイラでは、燃焼率が段階的に変更される。なお、多位置制御とは、段階値制御ボイラの燃焼量を、燃焼停止位置を含めて複数個の位置に段階的に制御可能なことを表す。
そして、特許文献１に記載されているように、段階値制御ボイラを複数有するボイラ群を備えるボイラシステムの燃焼制御において、ボイラ効率が高効率となる燃焼位置を示す高効率運転ポイント（以下、「エコ運転ポイント」ともいう）を目指して、各ボイラをできるだけ「エコ運転ポイント」で燃焼するように制御することが知られている。
【0003】
例えば、特許文献１に記載された燃焼制御は、最大使用蒸気量としての最大蒸発量、平均蒸気使用量としての第１蒸発量、変動蒸気量としての第２蒸発量、運転対象ボイラの台数、及び燃焼優先順位を、予め設定しておくことを前提としている。そのうえで、例えば、１日を通して「エコ運転ポイント」で燃焼する時間を長く確保したい場合には、１日の稼働状況を考慮したうえで、平均蒸気使用量としての第１蒸気量を高効率燃焼位置である中燃焼位置で燃焼するように、予め運転対象ボイラ台数を設定し、燃焼優先順位を設定しておくことが開示されている。
【0004】
他方、１台以上の連続制御ボイラからなるボイラ群により構成されるボイラシステムにおいて、各連続制御ボイラの燃焼状態を制御する場合、予め目標蒸気圧力値を設定しておき、ヘッダ圧力値を目標蒸気圧力値に保つように、ヘッダ圧力値と目標蒸気圧力値との偏差に応じた制御量を算出することで、制御対象のボイラの燃焼量を制御する台数制御が知られている。
そして、特許文献２に記載されているように連続制御ボイラは、最小燃焼状態Ｓ１から最大燃焼状態Ｓ２の範囲で燃焼率を連続的に変更することができるが、燃焼率によってボイラ効率（連続制御ボイラの熱効率）が異なる。そこで、例えば、ボイラ効率が最も高くなる（例えば、９８％）燃焼率をエコ運転ポイントとして設定し、また、ボイラ効率が所定値（例えば、９７％）よりも高くなる燃焼率の範囲をエコ運転ゾーンとして設定する。例えば、連続制御ボイラの燃焼率５０％のときにボイラ効率が最も高くなる場合、エコ運転ポイントは燃焼率５０％であり、連続制御ボイラの燃焼率が３０％から７０％の範囲の時に、ボイラ効率が所定値よりも高くなる燃焼率になる場合、エコ運転ゾーンは、燃焼率３０％から７０％の範囲である。
そして、連続制御ボイラを複数有するボイラ群を備えるボイラシステムの燃焼制御においても、連続制御ボイラの燃焼率が低下した場合であっても、各連続制御ボイラの燃焼率がエコ運転ゾーンの範囲内になるように所定蒸気量を設定することで、各連続制御ボイラをできるだけエコ運転ゾーンの範囲内で燃焼させるように制御することが望まれる。
そして、特許文献２に記載されているように連続制御ボイラは、最小燃焼状態Ｓ１から最大燃焼状態Ｓ２の範囲で燃焼率を連続的に変更することができるが、燃焼率によってボイラ効率（連続制御ボイラの熱効率）が異なる。そこで、例えば、ボイラ効率が最も高くなる（例えば、９８％）燃焼率をエコ運転ポイントとして設定し、また、ボイラ効率が所定値（例えば、９７％）よりも高くなる燃焼率の範囲をエコ運転ゾーンとして設定する。例えば、連続制御ボイラの燃焼率５０％のときにボイラ効率が最も高くなる場合、エコ運転ポイントは燃焼率５０％であり、連続制御ボイラの燃焼率が３０％から７０％の範囲の時に、ボイラ効率が所定値よりも高くなる燃焼率になる場合、エコ運転ゾーンは、燃焼率３０％から７０％の範囲である。
そして、連続制御ボイラを複数有するボイラ群を備えるボイラシステムの燃焼制御においても、連続制御ボイラの燃焼率が低下した場合であっても、各連続制御ボイラの燃焼率がエコ運転ゾーンの範囲内になるように所定蒸気量を設定することで、各連続制御ボイラをできるだけエコ運転ゾーンの範囲内で燃焼させるように制御することが望まれる。
【先行技術文献】
【特許文献】
【0005】
【文献】特開２０１２－０１７９４０号公報
【文献】特開２０１６－１７６６７９号公報
【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、実際に１日の平均蒸気量を把握することは困難であり、また、月、季節、又は四半期等の曜日、祝祭日等によって蒸気負荷パターンが変化する場合、その都度、運転対象ボイラ台数の設定、及び燃焼優先順位の設定を調整することは困難である。多くのユーザにおいては、最初に、１日の平均蒸気量、変動蒸気量、最大使用蒸気量を設定すると、以降の運用は、これらのパラメータに基づいて台数制御するように運用されるのが現状である。
ボイラ効率を高く保ちつつ出力される蒸気量の安定性を高めるためには、例えば月、季節、又は四半期等の曜日、祝祭日等によって蒸気負荷パターンが異なる場合であっても、例えば直前の時間帯（複数時間）でのボイラ群による全出力蒸気量の履歴に基づいて、当該時間帯の直後から所定時間先（例えば１時間先）までの平均蒸気使用量、変動蒸気量、最大蒸気使用量を予測することができるボイラシステムが望まれる。
ボイラ効率を高く保ちつつ出力される蒸気量の安定性を高めるためには、例えば月、季節、又は四半期等の曜日、祝祭日等によって蒸気負荷パターンが異なる場合であっても、例えば直前の時間帯（複数時間）でのボイラ群による全出力蒸気量の履歴に基づいて、当該時間帯の直後から所定時間先（例えば１時間先）までの平均蒸気使用量、変動蒸気量、最大蒸気使用量を予測することができるボイラシステムが望まれる。
【0007】
本発明は、複数のボイラを有するボイラ群を備えるボイラシステムにおいて、月、季節、又は四半期等の曜日、祝祭日等によって蒸気負荷パターンが異なる場合であっても、例えば直前の時間帯（複数時間）でのボイラ群による全出力蒸気量の履歴に基づいて、所定時間先の最大蒸気使用量、及び平均蒸気使用量を予測するための予測モデルを作成することができる機械学習装置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】
【0008】
本発明は、複数のボイラを有するボイラ群と、前記ボイラ群の燃焼状態を制御する制御装置と、を有するボイラシステムから予め設定されたサンプリング周期毎に出力される、サンプリングタイムと、当該サンプリングタイムにおける少なくとも前記ボイラ群の全出力蒸気量を含む測定データと、を含む稼働日毎のサンプリング順の時系列データに基づいて算出される、所定の単位時間毎の前記ボイラ群の少なくとも最大蒸気使用量及び平均蒸気使用量を含む単位時間蒸気量の時系列データの集合から、予め設定される第１時間帯に含まれる前記単位時間蒸気量の時系列データの部分集合となる第１時間帯時系列データを抽出するとともに、前記単位時間蒸気量の時系列データの集合から前記第１時間帯の直後から予め設定された第２時間先の単位時間の蒸気量を抽出することで、前記第１時間帯時系列データ及び前記第２時間先の単位時間の蒸気量を含む教師データを作成する教師データ作成部と、前記教師データ作成部によって作成された前記教師データに基づいて、任意の稼働日における第１時間帯に含まれる単位時間蒸気量の時系列データから、前記第１時間帯の直後から第２時間先の単位時間における前記ボイラ群の少なくとも最大蒸気使用量及び平均蒸気使用量を含む単位時間蒸気量を予測する予測モデルを生成する学習部と、を備える機械学習装置に関する。
【0009】
また、前記稼働日は、予め設定された蒸気負荷パターンが対応づけられ、前記学習部は、前記蒸気負荷パターンに対応して、前記予測モデルを生成するようにしてもよい。
【0010】
また、前記学習部は、前記第１時間帯時系列データを入力データとし、前記第１時間帯の直後から前記第２時間先の単位時間の蒸気量をラベルデータとする教師データに基づいて、教師あり学習を実行し、前記予測モデルとしての学習済みモデルを生成するようにしてもよい。
【0011】
また、前記機械学習装置は、ネットワークを介して前記制御装置と通信可能に接続される１つ以上のサーバから構成されるようにしてもよい。
【0012】
また、本発明は、前記機械学習装置により生成された予測モデルと、前記ボイラシステムの稼働日における任意の時刻の直前の第１時間帯時系列データを単位時間毎に取得し、前記予測モデルを用いて、前記単位時間毎に前記時刻から第２時間先の単位時間の蒸気量予測値を取得し、前記単位時間毎に取得する、前記第２時間先の前記単位時間の蒸気量予測値の集合に基づいて、前記ボイラシステムの稼働日の所定の時刻から第２時間先までの時間帯における少なくとも前記ボイラ群の最大蒸気使用量、及び平均蒸気使用量を予測する予測部と、を備える予測装置に関する。
【0013】
また、前記ボイラシステムの含むボイラ群は、複数の段階的な燃焼位置で燃焼制御可能な段階値制御ボイラを複数有するボイラ群であって、前記予測装置により予測された、前記所定の時刻から第２時間先までの時間帯における最大蒸気使用量、及び平均蒸気使用量に基づいて、当該時間帯における前記ボイラシステムの最大使用蒸気量、平均蒸気量、及び変動蒸気量のいずれか２つ以上の値を算出し、前記ボイラシステムの前記制御装置に出力する台数制御パラメータ出力装置に関する。
【0014】
また、本発明は、前記台数制御パラメータ出力装置から取得した最大使用蒸気量、平均蒸気量、及び変動蒸気量のいずれか２つ以上の値に基づいて、前記所定の時刻から第２時間先までの時間帯における適切な台数制御パラメータを設定し、設定された前記台数制御パラメータに基づいて、前記ボイラ群を燃焼制御する、ボイラシステムの制御装置に関する。
【0015】
また、本発明は、前記ボイラシステムの含むボイラ群は、複数の段階的な燃焼位置で燃焼制御可能な段階値制御ボイラを複数有するボイラ群であって、前記予測装置により予測された、前記所定の時刻から第２時間先までの時間帯における最大蒸気使用量、及び平均蒸気使用量に基づいて、当該時間帯において最も適した台数制御パラメータグループＩＤを選択し、前記ボイラシステムの前記制御装置に出力する台数制御パラメータ出力部を備える、台数制御パラメータ出力装置に関する。
【0016】
また、本発明は、前記台数制御パラメータ出力装置から取得した台数制御パラメータグループＩＤに基づいて、前記所定の時刻から第２時間先までの時間帯における適切な台数制御パラメータを設定し、設定された前記台数制御パラメータに基づいて、前記ボイラ群を燃焼制御する、ボイラシステムの制御装置に関する。
【発明の効果】
【0017】
本発明によれば、前記機械学習装置は、複数のボイラを有するボイラ群を備えるボイラシステムにおいて、月、季節、又は四半期等の曜日、祝祭日等によって蒸気負荷パターンが異なる場合であっても、例えば直前の時間帯（複数時間）でのボイラ群による全出力蒸気量の履歴に基づいて、所定時間先の最大蒸気使用量、及び平均蒸気使用量を予測するための予測モデルを作成することができる。
【図面の簡単な説明】
【0018】
【図1】本発明の一実施形態に係る予測機能付きボイラシステムの概略を示す図である。
【図2】上記実施形態の台数制御装置の構成を示す機能ブロック図である。
【図3】上記実施形態の時系列データ記憶装置の構成を示す機能ブロック図である。
【図4】上記実施形態の時系列データ記憶装置により抽出される第１時間帯時系列データの概要を示す図である。
【図5】上記実施形態の機械学習装置の構成を示す機能ブロック図である。
【図6】上記実施形態の機械学習装置における教師データの概要を示す図である。
【図7】予測装置に提供される予測モデル（学習済みモデル）の一例を示す図である。
【図8】上記実施形態の予測装置における入出力処理状況を例示する図である。
【図9】上記実施形態の予測装置の構成を示す機能ブロック図である。
【図10】上記実施形態の台数制御パラメータ出力装置の構成を示す機能ブロック図である。
【図11】上記実施形態の運用フェーズにおける予測装置及び台数制御パラメータ出力装置の動作の一例を示した図である。
【発明を実施するための形態】
【0019】
以下、本発明の予測機能付きボイラシステムの好ましい一実施形態について、図面を参照しながら説明する。図１は、本実施形態に係る予測機能付きボイラシステム１００の概略を示す図である。図１に示すように、予測機能付きボイラシステム１００は、ボイラシステム１、時系列データ記憶装置６、機械学習装置７、予測装置８、及び台数制御パラメータ出力装置９を含む。
なお、時系列データ記憶装置６、機械学習装置７、予測装置８、及び台数制御パラメータ出力装置９は、それぞれ所定の機能の動作を実現するために、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）等の演算処理装置を備えるととともに、各種の制御用プログラムを格納したＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）やＨＤＤ等の図示しない補助記憶装置や、演算処理装置がプログラムを実行する上で一時的に必要とされるデータを格納するためのＲＡＭといった図示しない主記憶装置を備える。そして、演算処理装置が補助記憶装置からＯＳやアプリケーションソフトウェアを読み込み、読み込んだＯＳやアプリケーションソフトウェアを主記憶装置に展開させながら、これらのＯＳやアプリケーションソフトウェアに基づいた演算処理を行う。この演算結果に基づいて、それぞれの装置が各ハードウェアを制御する。これにより、それぞれの装置の備える機能は、ハードウェアとソフトウェアが協働することにより実現することができる。
以下の説明においては、ボイラとして段階値制御ボイラを例示して説明する。しかしながら、台数制御装置３については、連続制御ボイラを制御する台数制御装置３Ａに置き換えるとともに、時系列データ記憶装置６、機械学習装置７、及び予測装置８については、連続制御ボイラに対してそのまま適用することで、予測機能付きボイラシステム１００は、連続制御ボイラを複数有するボイラ群を備えるボイラシステム１にも適用できる。
次に、ボイラシステム１について説明する。
なお、時系列データ記憶装置６、機械学習装置７、予測装置８、及び台数制御パラメータ出力装置９は、それぞれ所定の機能の動作を実現するために、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）等の演算処理装置を備えるととともに、各種の制御用プログラムを格納したＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）やＨＤＤ等の図示しない補助記憶装置や、演算処理装置がプログラムを実行する上で一時的に必要とされるデータを格納するためのＲＡＭといった図示しない主記憶装置を備える。そして、演算処理装置が補助記憶装置からＯＳやアプリケーションソフトウェアを読み込み、読み込んだＯＳやアプリケーションソフトウェアを主記憶装置に展開させながら、これらのＯＳやアプリケーションソフトウェアに基づいた演算処理を行う。この演算結果に基づいて、それぞれの装置が各ハードウェアを制御する。これにより、それぞれの装置の備える機能は、ハードウェアとソフトウェアが協働することにより実現することができる。
以下の説明においては、ボイラとして段階値制御ボイラを例示して説明する。しかしながら、台数制御装置３については、連続制御ボイラを制御する台数制御装置３Ａに置き換えるとともに、時系列データ記憶装置６、機械学習装置７、及び予測装置８については、連続制御ボイラに対してそのまま適用することで、予測機能付きボイラシステム１００は、連続制御ボイラを複数有するボイラ群を備えるボイラシステム１にも適用できる。
次に、ボイラシステム１について説明する。
【0020】
図１に示すように、ボイラシステム１は、複数の段階値制御ボイラ２０を含むボイラ群２と、これら複数の段階値制御ボイラ２０において生成された蒸気を集合させる蒸気ヘッダ４と、蒸気ヘッダ４の内部の圧力（以下「ヘッダ圧力」ともいう）を測定する蒸気圧センサ５と、ボイラ群２の燃焼状態を制御する制御部３０を有する台数制御装置３と、を備える。
ボイラ群２は、負荷機器としての蒸気使用設備１８に供給する蒸気を発生する。
ボイラ群２は、負荷機器としての蒸気使用設備１８に供給する蒸気を発生する。
【0021】
台数制御装置３は、例えば時系列データ記憶装置６、及び台数制御パラメータ出力装置９と図示しない接続インタフェースを介して互いに直接接続されてもよい。また、台数制御装置３は、時系列データ記憶装置６、及び台数制御パラメータ出力装置９と、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）やインターネット等の図示しないネットワークを介して相互に接続されていてもよい。この場合、台数制御装置３、時系列データ記憶装置６、及び台数制御パラメータ出力装置９は、かかる接続によって相互に通信を行うための図示しない通信部を備えている。なお、機械学習装置７についても、時系列データ記憶装置６、及び台数制御パラメータ出力装置９と通信可能に接続されている。なお、後述するように、台数制御装置３は、時系列データ記憶装置６、機械学習装置７、及び台数制御パラメータ出力装置９のいずれかを含むようにしてもよい。
次にボイラシステム１について簡単に説明する。
次にボイラシステム１について簡単に説明する。
【0022】
複数の段階値制御ボイラ２０のそれぞれは、燃焼が行われるボイラ本体２１と、段階値制御ボイラ２０の燃焼位置を制御するローカル制御部２２と、を備える。
本実施形態では、段階値制御ボイラ２０として
１）燃焼停止位置（第１燃焼位置：０％）、
２）低燃焼位置Ｌ（第２燃焼位置：例えば最大燃焼量の５～３５％で設定される、本実施形態では２０％）、
３）中燃焼位置Ｍ（第３燃焼位置：例えば最大燃焼量の４０～６０％で設定される、本実施形態では４０％）、
４）高燃焼位置Ｈ（第４燃焼位置：１００％（最大燃焼量））の段階的な燃焼位置を有する段階値制御ボイラ（以下、「４位置制御ボイラ」ともいう）を例示する。
本実施形態の段階値制御ボイラ２０は、中燃焼位置が運転効率の高い特性を有するボイラとする。すなわち、各段階値制御ボイラ２０は、中燃焼位置を高効率燃焼位置とする。
本実施形態では、段階値制御ボイラ２０として
１）燃焼停止位置（第１燃焼位置：０％）、
２）低燃焼位置Ｌ（第２燃焼位置：例えば最大燃焼量の５～３５％で設定される、本実施形態では２０％）、
３）中燃焼位置Ｍ（第３燃焼位置：例えば最大燃焼量の４０～６０％で設定される、本実施形態では４０％）、
４）高燃焼位置Ｈ（第４燃焼位置：１００％（最大燃焼量））の段階的な燃焼位置を有する段階値制御ボイラ（以下、「４位置制御ボイラ」ともいう）を例示する。
本実施形態の段階値制御ボイラ２０は、中燃焼位置が運転効率の高い特性を有するボイラとする。すなわち、各段階値制御ボイラ２０は、中燃焼位置を高効率燃焼位置とする。
【0023】
複数の段階値制御ボイラ２０には、それぞれ優先順位が設定されている。優先順位は、燃焼指示や燃焼停止指示を行う段階値制御ボイラ２０を選択するために用いられる。優先順位は、例えば整数値を用いて、数値が小さいほど優先順位が高くなるよう設定することができる。なお、この優先順位は、後述の制御部３０の制御により、所定の時間間隔（例えば、２４時間間隔）で変更してもよい。
なお、段階値制御ボイラ２０は、４位置ボイラに限られない。任意の多位置ボイラとしてもよい。
なお、段階値制御ボイラ２０は、４位置ボイラに限られない。任意の多位置ボイラとしてもよい。
【0024】
ボイラ本体２１は、水管やバーナを備え、図示せぬ水源（給水タンク）から供給された缶水を水管内で加熱し、蒸気を生成する。
【0025】
ローカル制御部２２は、蒸気消費量に応じて段階値制御ボイラ２０の燃焼位置を変更させる。具体的には、ローカル制御部２２は、信号線１６を介して台数制御装置３から送信される台数制御信号に基づいて、段階値制御ボイラ２０の燃焼位置を制御する。また、ローカル制御部２２は、台数制御装置３で用いられる信号を、信号線１６を介して台数制御装置３に送信する。台数制御装置３で用いられる信号としては、段階値制御ボイラ２０の実際の燃焼位置、出力蒸気量、及びその他のデータ等が挙げられる。
【0026】
蒸気ヘッダ４は、蒸気管１１を介してボイラ群２を構成する複数の段階値制御ボイラ２０に接続されている。蒸気ヘッダ４の下流側は、蒸気管１２を介して蒸気使用設備１８に接続されている。
【0027】
蒸気ヘッダ４は、ボイラ群２で生成された蒸気を集合させて貯留する。蒸気ヘッダ４は、燃焼させる１又は複数の段階値制御ボイラ２０の相互の圧力差及び圧力変動を調整し、蒸気圧力値が一定に調整された蒸気を蒸気使用設備１８に供給する。
【0028】
蒸気圧センサ５は、信号線１３を介して、台数制御装置３に電気的に接続されている。蒸気圧センサ５は、蒸気ヘッダ４の蒸気圧力値（以下、「ヘッダ圧力値」ともいう）を測定し、その蒸気圧力値に対応する蒸気圧信号を、信号線１３を介して台数制御装置３に送信する。
【0029】
次に、台数制御装置３について説明する。
台数制御装置３は、図１に示すように信号線１６を介して、複数の段階値制御ボイラ２０と電気的に接続されている。台数制御装置３は、蒸気圧センサ５により測定される蒸気ヘッダ４の蒸気圧力値に基づいて要求負荷に応じたボイラ群２の必要蒸気量を算出し、該算出された必要蒸気量に基づいて、ボイラ群２の内、制御対象となる段階値制御ボイラ２０（以下「制御対象ボイラ」ともいう）の燃焼位置（燃焼量）を制御する。
ボイラシステム１においては、ボイラ群２の内、制御対象でない段階値制御ボイラ２０（以下、「予備ボイラ」ともいう）を設けることができる。そして、台数制御装置３（後述の「制御部３０」）は、制御対象ボイラ２０の燃焼状態に応じて、予備ボイラ２０を制御対象に追加して制御対象ボイラ２０に変更、又は制御対象ボイラ２０を制御対象から外して予備ボイラ２０に変更することができる。
台数制御装置３は、図１に示すように信号線１６を介して、複数の段階値制御ボイラ２０と電気的に接続されている。台数制御装置３は、蒸気圧センサ５により測定される蒸気ヘッダ４の蒸気圧力値に基づいて要求負荷に応じたボイラ群２の必要蒸気量を算出し、該算出された必要蒸気量に基づいて、ボイラ群２の内、制御対象となる段階値制御ボイラ２０（以下「制御対象ボイラ」ともいう）の燃焼位置（燃焼量）を制御する。
ボイラシステム１においては、ボイラ群２の内、制御対象でない段階値制御ボイラ２０（以下、「予備ボイラ」ともいう）を設けることができる。そして、台数制御装置３（後述の「制御部３０」）は、制御対象ボイラ２０の燃焼状態に応じて、予備ボイラ２０を制御対象に追加して制御対象ボイラ２０に変更、又は制御対象ボイラ２０を制御対象から外して予備ボイラ２０に変更することができる。
【0030】
【0031】
記憶部３２は、例えばＲＯＭ、ＲＡＭ、ＨＤＤ等であり、各種の制御用プログラムとともに、図２に示すように、最大使用蒸気量記憶部３２１、平均蒸気量記憶部３２２、変動蒸気量記憶部３２３、台数制御パラメータグループＩＤ記憶部３２４、及び台数制御パラメータグループ記憶部３２５を含む。
最大使用蒸気量記憶部３２１は、ボイラ群２が給蒸する全出力蒸気量の最大値である最大蒸気使用量（すなわち、蒸気使用設備１８（要求負荷）において消費される蒸気量の最大使用蒸気量）を記憶する。
平均蒸気量記憶部３２２は、ボイラ群２が給蒸する全出力蒸気量の平均値である平均蒸気使用量（「平均蒸気量」ともいう）を記憶する。
変動蒸気量記憶部３２３は、ボイラ群２における蒸気供給量の変動に対応する変動蒸気量を記憶する。通常、変動蒸気量＝最大使用蒸気量－平均蒸気量とされる。
台数制御パラメータグループＩＤ記憶部３２４は、予め複数個のパラメータグループの中から選択された台数制御パラメータグループＩＤを記憶する。ここで、台数制御パラメータグループＩＤは、数字、文字あるいは数字と文字の組み合わせ等により、台数制御パラメータグループを識別できるものであれば良い。
台数制御パラメータグループ記憶部３２５は、ユーザにより予め設定された複数個のパラメータグループを記憶する。ここで、各パラメータグループは、台数制御パターンを設定する各パラメータ値（例えば、比例分配設定圧力、比例分配制御幅、最大使用蒸気量、平均蒸気量、変動蒸気量、燃焼優先制御モード等のパラメータ値）を含む集合である。
ユーザは、複数個のパラメータグループの中から、ボイラシステム１の台数制御に最も適切なパラメータグループを選択することで、当該ボイラシステム１の台数制御に反映させることができる。
最大使用蒸気量記憶部３２１は、ボイラ群２が給蒸する全出力蒸気量の最大値である最大蒸気使用量（すなわち、蒸気使用設備１８（要求負荷）において消費される蒸気量の最大使用蒸気量）を記憶する。
平均蒸気量記憶部３２２は、ボイラ群２が給蒸する全出力蒸気量の平均値である平均蒸気使用量（「平均蒸気量」ともいう）を記憶する。
変動蒸気量記憶部３２３は、ボイラ群２における蒸気供給量の変動に対応する変動蒸気量を記憶する。通常、変動蒸気量＝最大使用蒸気量－平均蒸気量とされる。
台数制御パラメータグループＩＤ記憶部３２４は、予め複数個のパラメータグループの中から選択された台数制御パラメータグループＩＤを記憶する。ここで、台数制御パラメータグループＩＤは、数字、文字あるいは数字と文字の組み合わせ等により、台数制御パラメータグループを識別できるものであれば良い。
台数制御パラメータグループ記憶部３２５は、ユーザにより予め設定された複数個のパラメータグループを記憶する。ここで、各パラメータグループは、台数制御パターンを設定する各パラメータ値（例えば、比例分配設定圧力、比例分配制御幅、最大使用蒸気量、平均蒸気量、変動蒸気量、燃焼優先制御モード等のパラメータ値）を含む集合である。
ユーザは、複数個のパラメータグループの中から、ボイラシステム１の台数制御に最も適切なパラメータグループを選択することで、当該ボイラシステム１の台数制御に反映させることができる。
【0032】
また、記憶部３２は、前述したように台数制御装置３（制御部３０）の制御により各段階値制御ボイラ２０に対して行われた指示の内容や、各段階値制御ボイラ２０から受信した燃焼位置等の情報、優先順位の設定情報、優先順位の変更（ローテーション）に関する設定の情報を記憶する。
【0033】
次に制御部３０について説明する。図２に示すように、制御部３０は、台数制御機能部３０１と、時系列データ出力部３０２と、台数制御パラメータ設定部３０３と、を含む。
を含む。
を含む。
【0034】
台数制御機能部３０１は、当業者にとって公知の機能部であって、蒸気圧センサ５により測定される蒸気ヘッダ４の蒸気圧力値に基づいて要求負荷に応じたボイラ群２の必要蒸気量を算出し、該算出された必要蒸気量に基づいて、ボイラ群２の内、制御対象となる段階値制御ボイラ２０（以下「制御対象ボイラ」ともいう）の燃焼位置（燃焼量）を制御する機能部である。
例えば、台数制御機能部３０１は、蒸気圧センサ５により測定される蒸気ヘッダ４の蒸気圧力値に基づいて要求負荷に応じたボイラ群２の必要蒸気量を算出し、該算出された必要蒸気量に基づいて、ボイラ群２の内、制御対象となる段階値制御ボイラ２０（以下「制御対象ボイラ」ともいう）の燃焼位置（燃焼量）を制御する。例えば、制御部３０は、比例分配制御方式による台数制御を行うようにしてもよい。
具体的には、制御部３０は、予め設定される比例分配制御圧力と比例分配制御幅の２つの設定値により定める制御圧力帯を制御対象となるボイラ台数やボイラ種別に基づき複数の圧力帯に分割し、分割した圧力帯毎に、ヘッダ圧力が低くなるにつれてボイラ燃焼量が増加するように、予めボイラ燃焼台数及び燃焼状態を割り当てる。そうすることで、制御部３０は、ヘッダ圧力の変動に伴い、ヘッダ圧力値の含まれる分割した圧力帯に応じて、ボイラ燃焼台数及び燃焼状態を変化するように台数制御することができる。
例えば、台数制御機能部３０１は、蒸気圧センサ５により測定される蒸気ヘッダ４の蒸気圧力値に基づいて要求負荷に応じたボイラ群２の必要蒸気量を算出し、該算出された必要蒸気量に基づいて、ボイラ群２の内、制御対象となる段階値制御ボイラ２０（以下「制御対象ボイラ」ともいう）の燃焼位置（燃焼量）を制御する。例えば、制御部３０は、比例分配制御方式による台数制御を行うようにしてもよい。
具体的には、制御部３０は、予め設定される比例分配制御圧力と比例分配制御幅の２つの設定値により定める制御圧力帯を制御対象となるボイラ台数やボイラ種別に基づき複数の圧力帯に分割し、分割した圧力帯毎に、ヘッダ圧力が低くなるにつれてボイラ燃焼量が増加するように、予めボイラ燃焼台数及び燃焼状態を割り当てる。そうすることで、制御部３０は、ヘッダ圧力の変動に伴い、ヘッダ圧力値の含まれる分割した圧力帯に応じて、ボイラ燃焼台数及び燃焼状態を変化するように台数制御することができる。
【0035】
台数制御機能部３０１は、複数個の台数制御パラメータグループの中から、予め設定されたパラメータグループに基づいて、台数制御を行うことができる。
例えば、選択された台数制御のパラメータグループに含まれる燃焼優先制御モード値として、効率優先モードが設定されている場合、台数制御機能部３０１は、最も効率の良い燃焼状態（例えば中燃焼状態）で、平均蒸気量分の出力蒸気量を確保できるように、制御対象とするボイラ及び台数を決定するとともに、変動蒸気量分の蒸気の余力量を確保できるように、燃焼ボイラを順次増やしながら、ボイラを最も効率の良い燃焼状態としていくように制御する。すなわち、平均蒸気量を超える負荷に対して、機能停止しているボイラを起動するとロスが生じるため、台数制御機能部３０１は、新たにボイラを起動せずに、効率燃焼しているボイラを一時的に上位の燃焼状態にするように制御する。
また、選択された台数制御のパラメータグループに含まれる燃焼優先制御モード値として、応答優先モードが設定されている場合、台数制御機能部３０１は、平均蒸気量と変動蒸気量の合計量分の出力蒸気量を確保できるように、制御対象とするボイラ及び台数を決定するとともに、ボイラを可能な限り待機状態としないことで、応答性を高めるように制御する。すなわち、台数制御機能部３０１は、負荷が増加時にはボイラを順に中燃焼とし、負荷が減少時には低燃焼ボイラを優先的に確保することで、ボイラを可能な限り待機状態としないように制御することで応答性を高める。
なお、燃焼優先制御モードとして、３位置制御方式ボイラに適した基本優先モードがある。この場合、台数制御機能部３０１は、最大使用蒸気量を確保できるように制御対象となるボイラ及び台数を決定し、変動蒸気量分の蒸気の余力量を確保できるように燃焼ボイラを順次増やしながらボイラを高燃焼状態としていくように制御する。
以上、台数制御機能部３０１の機能について説明した。
例えば、選択された台数制御のパラメータグループに含まれる燃焼優先制御モード値として、効率優先モードが設定されている場合、台数制御機能部３０１は、最も効率の良い燃焼状態（例えば中燃焼状態）で、平均蒸気量分の出力蒸気量を確保できるように、制御対象とするボイラ及び台数を決定するとともに、変動蒸気量分の蒸気の余力量を確保できるように、燃焼ボイラを順次増やしながら、ボイラを最も効率の良い燃焼状態としていくように制御する。すなわち、平均蒸気量を超える負荷に対して、機能停止しているボイラを起動するとロスが生じるため、台数制御機能部３０１は、新たにボイラを起動せずに、効率燃焼しているボイラを一時的に上位の燃焼状態にするように制御する。
また、選択された台数制御のパラメータグループに含まれる燃焼優先制御モード値として、応答優先モードが設定されている場合、台数制御機能部３０１は、平均蒸気量と変動蒸気量の合計量分の出力蒸気量を確保できるように、制御対象とするボイラ及び台数を決定するとともに、ボイラを可能な限り待機状態としないことで、応答性を高めるように制御する。すなわち、台数制御機能部３０１は、負荷が増加時にはボイラを順に中燃焼とし、負荷が減少時には低燃焼ボイラを優先的に確保することで、ボイラを可能な限り待機状態としないように制御することで応答性を高める。
なお、燃焼優先制御モードとして、３位置制御方式ボイラに適した基本優先モードがある。この場合、台数制御機能部３０１は、最大使用蒸気量を確保できるように制御対象となるボイラ及び台数を決定し、変動蒸気量分の蒸気の余力量を確保できるように燃焼ボイラを順次増やしながらボイラを高燃焼状態としていくように制御する。
以上、台数制御機能部３０１の機能について説明した。
【0036】
時系列データ出力部３０２は、予め設定されたサンプリング周期毎（又は予め設定された時間間隔毎）に、ローカル制御部２２から送信される制御対象となる段階値制御ボイラ２０のそれぞれの燃焼状態に基づいて、当該周期毎にボイラ群２により出力される出力蒸気量を算出する。そして、時系列データ出力部３０２は、当該周期における時刻を示すタイムスタンプ（以下「サンプリングタイム」ともいう）と、当該時刻における少なくともボイラ群２の全出力蒸気量を含む時系列データを生成して、後述する時系列データ記憶装置６に出力する。ここで、サンプリング周期（予め設定された時間間隔）は、例えば１秒であってもよい。また、サンプリング周期を制御周期としてもよい。以下、特に断らないかぎり、サンプリング周期を１秒として例示し、説明する。なお、サンプリング周期は、１秒に限られない。任意の値を用いてもよい。
【0037】
台数制御パラメータ設定部３０３は、後述するように、所定時間（例えば１時間）毎に、台数制御パラメータ出力装置９から出力される、当該時間の直後から所定時間先（例えば、１時間先）までの平均蒸気使用量、最大蒸気使用量、及び変動蒸気量の予測値に基づいて算出された最大使用蒸気量、平均蒸気量、及び変動蒸気量並びにパラメータグループＩＤを取得し、それぞれ、最大使用蒸気量記憶部３２１、平均蒸気量記憶部３２２、及び変動蒸気量記憶部３２３、並びに台数制御パラメータグループＩＤ記憶部３２４に記憶する。そうすることで、台数制御装置３は、リアルタイムに予測された各種蒸気量及び複数のパラメータグループから選択されたパラメータグループに基づいて、ユーザにとって適切な台数制御を自動的に行うことができる。
例えば、ユーザが「エコ運転ポイント」で燃焼する時間を長く確保したいモード（効率優先モード）を選択している場合、台数制御装置３はボイラシステム１の稼働中に、例えば１時間毎に予測される１時間先までの平均蒸気使用量を高効率燃焼位置である中燃焼位置で燃焼するように、運転対象ボイラ台数を設定し、燃焼優先順位を設定するようにパラメータを調整することができる。
また、ユーザが応答優先モードを選択している場合、台数制御装置３はボイラシステム１の稼働中に、例えば１時間毎に予測される１時間先までの最大使用蒸気量を確保できる最小台数のボイラで台数制御を行い、負荷が増加時にはボイラを順に中燃焼とし、負荷が減少時には低燃焼ボイラを優先的に確保し、ボイラを可能な限り待機状態としないようにパラメータを調整しボイラシステムを制御することで応答性を高めることができる。
以上、台数制御装置３について説明した。
例えば、ユーザが「エコ運転ポイント」で燃焼する時間を長く確保したいモード（効率優先モード）を選択している場合、台数制御装置３はボイラシステム１の稼働中に、例えば１時間毎に予測される１時間先までの平均蒸気使用量を高効率燃焼位置である中燃焼位置で燃焼するように、運転対象ボイラ台数を設定し、燃焼優先順位を設定するようにパラメータを調整することができる。
また、ユーザが応答優先モードを選択している場合、台数制御装置３はボイラシステム１の稼働中に、例えば１時間毎に予測される１時間先までの最大使用蒸気量を確保できる最小台数のボイラで台数制御を行い、負荷が増加時にはボイラを順に中燃焼とし、負荷が減少時には低燃焼ボイラを優先的に確保し、ボイラを可能な限り待機状態としないようにパラメータを調整しボイラシステムを制御することで応答性を高めることができる。
以上、台数制御装置３について説明した。
【0038】
次に時系列データ記憶装置６について説明する。図３に時系列データ記憶装置６の構成を示す機能ブロック図を示す。
時系列データ記憶装置６は、前述したように、台数制御装置３、機械学習装置７及び台数制御パラメータ出力装置９とそれぞれ接続インタフェースを介して互いに直接接続、又はＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）やインターネット等の図示しないネットワークを介して相互に接続される装置である。
時系列データ記憶装置６は、例えば、現場に設置されるエッジ装置としてもよい。また、通信可能に接続されたデータサーバー、又はクラウド上に位置する仮想記憶装置、又は仮想データサーバーであってもよい。
図３に示すように、時系列データ記憶装置６は、制御部６０と、記憶部６２と、を備える。制御部６０の構成を説明する前に、最初に記憶部６２について説明する。
時系列データ記憶装置６は、前述したように、台数制御装置３、機械学習装置７及び台数制御パラメータ出力装置９とそれぞれ接続インタフェースを介して互いに直接接続、又はＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）やインターネット等の図示しないネットワークを介して相互に接続される装置である。
時系列データ記憶装置６は、例えば、現場に設置されるエッジ装置としてもよい。また、通信可能に接続されたデータサーバー、又はクラウド上に位置する仮想記憶装置、又は仮想データサーバーであってもよい。
図３に示すように、時系列データ記憶装置６は、制御部６０と、記憶部６２と、を備える。制御部６０の構成を説明する前に、最初に記憶部６２について説明する。
【0039】
記憶部６２は、例えばＲＯＭ、ＲＡＭ、ＨＤＤ等であり、各種の制御用プログラムとともに、図３に示すように、全出力蒸気量時系列情報記憶部６２１と、単位時間蒸気量時系列情報記憶部６２２と、蒸気負荷パターン情報記憶部６２３と、を含む。
【0040】
全出力蒸気量時系列情報記憶部６２１は、後述するようにボイラシステム１の各稼働日に対してサンプリング周期毎にボイラ群２の全出力蒸気量の時系列情報（「全出力蒸気量時系列情報」ともいう）を記憶する。なお、本実施例では、サンプリング周期として１秒を例示する。そうすると、１日分の全出力蒸気量時系列情報には、ボイラ群２の全出力蒸気量の値と当該全出力蒸気量が測定された時刻を示す時刻情報（サンプリングタイム）とを１組の情報とする最大８６４００組（＝２４ｈｈ×６０ｍｍ×６０ｓｓ）の情報と、当該全出力蒸気量が測定された日付情報とが含まれる。時刻情報は、例えばｈｈｍｍｓｓ（時分秒）としてもよい。以下、特に断らないかぎり、サンプリング周期として１秒として例示し説明するが、サンプリング周期は、１秒に限られない。任意の値を設定してもよい。
【0041】
単位時間蒸気量時系列情報記憶部６２２は、後述するようにボイラシステム１の各稼働日に対して、単位時間あたりの全出力蒸気量の最大値及び平均値（「単位時間蒸気量」ともいう）を時刻情報と対応づけた時系列情報（「単位時間蒸気量時系列情報」ともいう）を記憶する。なお、本実施例では、単位時間として１分を例示する。また、単位時間（１分）の始まりをｍｍ分００秒とし、ｍｍ分００秒から１分の間とする。そうすると、１日分の単位時間蒸気量時系列情報には、単位時間毎の、ボイラ群２の単位時間蒸気量の値と、当該単位時間の時刻を示す時刻情報とを１組の情報とする最大１４４０（＝２４ｈｈ×６０ｍｍ）の情報と、全出力蒸気量が測定された日付情報とが含まれる。時刻情報は、例えばｈｈｍｍ（時分）としてもよい。なわち、日付をｙｙｍｍｄｄ（年月日）とし、当該日付のｈｈｍｍ時の（最大蒸気使用量、平均蒸気使用量）を含む単位時間蒸気量をｘｙｙｍｍｄｄ（ｈｈｍｍ）とすると、単位時間蒸気量時系列情報は、蒸気量が測定された日付情報の単位時間蒸気量の集合｛ｘｙｙｍｍｄｄ（ｈｈｍｍ）｝として記載することができる。以下、特に断らないかぎり、単位時間を１分として例示し説明するが、単位時間は、１分に限られない。任意の値を設定してもよい。
【0042】
蒸気負荷パターン情報記憶部６２３は、カレンダー日付に予めユーザにより設定された蒸気負荷パターンを対応づけたテーブル（「蒸気負荷パターンテーブル」ともいう）を記憶する。
例えば、蒸気負荷パターンは、工場の製造設備の例えば平均稼働率が「大」に対応する「高負荷パターン」、工場の製造設備の平均稼働率が「中」かつ短時間で大量消費する設備の稼働回数「多」に対応する「中負荷かつ変動大パターン」、工場の製造設備の平均稼働率が「中」かつ短時間で大量消費する設備の稼働回数「少」に対応する「中負荷かつ変動少パターン」、工場の製造設備の平均稼働率が「小」に対応する「低負荷パターン」、工場の製造設備が全て停止、空調利用のみに対応する「休日パターン」等が例示される。例えば曜日毎に、蒸気負荷パターンが設定されている場合は、曜日＝蒸気使用パターンとし、祝日等のイレギュラー時に任意の蒸気負荷パターンを設定するようにしてもよい。ここで、平均稼働率が、大、中、小を識別するための閾値はユーザが予め設定するようにしてもよい。同様に短時間で大量消費する設備の稼働回数についても、短時間及び大量消費する設備を識別するための閾値、並びに稼働回数の多、少を識別するための閾値はユーザが予め設定するようにしてもよい。また、月毎に、当該月に属する日付と蒸気負荷パターンとを対応づけるテーブルを予め設定するようにしてもよい。
例えば、蒸気負荷パターンは、工場の製造設備の例えば平均稼働率が「大」に対応する「高負荷パターン」、工場の製造設備の平均稼働率が「中」かつ短時間で大量消費する設備の稼働回数「多」に対応する「中負荷かつ変動大パターン」、工場の製造設備の平均稼働率が「中」かつ短時間で大量消費する設備の稼働回数「少」に対応する「中負荷かつ変動少パターン」、工場の製造設備の平均稼働率が「小」に対応する「低負荷パターン」、工場の製造設備が全て停止、空調利用のみに対応する「休日パターン」等が例示される。例えば曜日毎に、蒸気負荷パターンが設定されている場合は、曜日＝蒸気使用パターンとし、祝日等のイレギュラー時に任意の蒸気負荷パターンを設定するようにしてもよい。ここで、平均稼働率が、大、中、小を識別するための閾値はユーザが予め設定するようにしてもよい。同様に短時間で大量消費する設備の稼働回数についても、短時間及び大量消費する設備を識別するための閾値、並びに稼働回数の多、少を識別するための閾値はユーザが予め設定するようにしてもよい。また、月毎に、当該月に属する日付と蒸気負荷パターンとを対応づけるテーブルを予め設定するようにしてもよい。
【0043】
次に制御部６０について説明する。図３に示すように、制御部６０は、時系列情報記録部６０１と、単位時間データ作成部６０２と、第１時間帯時系列データ抽出部６０３と、蒸気負荷パターン取得部６０４と、を含む。
【0044】
時系列情報記録部６０１は、各稼働日に対して、ボイラシステム１のサンプリング周期（例えば１秒）毎の、ボイラ群２の全出力蒸気量の時系列情報（全出力蒸気量時系列情報）を取り込み、記憶部６２（全出力蒸気量時系列情報記憶部６２１）に記録する。
【0045】
単位時間データ作成部６０２は、各稼働日に対して、全出力蒸気量時系列情報記憶部６２１に記録された全出力蒸気量時系列情報に基づいて、当該稼働日の単位時間毎に全出力蒸気量の最大値、及び平均値（単位時間蒸気量）を算出し、単位時間蒸気量時系列情報として、記憶部６２（単位時間蒸気量時系列情報記憶部６２２）に記録する。なお、平均値を算出する際に、移動平均にもとづいて、平均値を算出してもよい。
【0046】
第１時間帯時系列データ抽出部６０３は、単位時間蒸気量時系列情報から、単位時間毎にボイラシステム１の稼働時間帯に含まれる予め設定された第１時間（例えば、第１時間として２時間＝１２０分とし）の単位時間蒸気量時系列情報の部分集合（「第１時間帯時系列データ」という）を抽出する。以下、特に断らないかぎり、第１時間を２時間として例示し説明する。この場合、各第１時間（２時間）の始まりは、任意の時間における１分毎とし、具体的には、ｈｈ時ｍｍ分から２時間の間とする。ここで、ｈｈは稼働時間帯に含まれる時間、ｍｍは、０≦ｍｍ≦５９を満たす整数とする。このように、第１時間帯時系列データ抽出部６０３は、単位時間蒸気量時系列情報から、１分毎に第１時間帯時系列データを抽出することができる。
図４は、時系列データ記憶装置６により抽出される第１時間帯時系列データの概要を示す図である。図４に示すように、第１時間帯時系列データ抽出部６０３は、例えば、ボイラシステム１の稼働日の最初の単位時間蒸気量に対応する時刻から２時間後に最初の第１時間帯時系列データ（１）を抽出し、その後１分間隔毎に第１時間帯時系列データ（ｉ）（２≦ｉ）を抽出し、その後、例えば稼働日の稼働終了時刻（稼働日の最初の単位時間蒸気量に対応する時刻からｘ分後）から１時間前（稼働日の最初の単位時間蒸気量に対応する時刻から（ｘ－６０分）後）に最終の第１時間帯時系列データ（Ｎ）を抽出する。ここで、Ｎは稼働日に１分間隔毎に抽出される第１時間帯時系列データの個数を示す。後述するように、第１時間帯時系列データ抽出部６０３は、１分間隔毎に抽出した第１時間帯時系列データ（ｉ）（１≦ｉ≦Ｎ）を機械学習装置７及び／又は台数制御パラメータ出力装置９に対して提供するようにしてもよい。
図４は、時系列データ記憶装置６により抽出される第１時間帯時系列データの概要を示す図である。図４に示すように、第１時間帯時系列データ抽出部６０３は、例えば、ボイラシステム１の稼働日の最初の単位時間蒸気量に対応する時刻から２時間後に最初の第１時間帯時系列データ（１）を抽出し、その後１分間隔毎に第１時間帯時系列データ（ｉ）（２≦ｉ）を抽出し、その後、例えば稼働日の稼働終了時刻（稼働日の最初の単位時間蒸気量に対応する時刻からｘ分後）から１時間前（稼働日の最初の単位時間蒸気量に対応する時刻から（ｘ－６０分）後）に最終の第１時間帯時系列データ（Ｎ）を抽出する。ここで、Ｎは稼働日に１分間隔毎に抽出される第１時間帯時系列データの個数を示す。後述するように、第１時間帯時系列データ抽出部６０３は、１分間隔毎に抽出した第１時間帯時系列データ（ｉ）（１≦ｉ≦Ｎ）を機械学習装置７及び／又は台数制御パラメータ出力装置９に対して提供するようにしてもよい。
【0047】
蒸気負荷パターン取得部６０４は、前述したように、例えばカレンダー日付に対応して予めユーザにより設定された蒸気負荷パターンに基づいて、蒸気量が測定された日付に対応する蒸気負荷パターンを、稼働日毎の全出力蒸気量時系列情報、及び単位時間蒸気量時系列情報にそれぞれ対応づける。
こうすることで、蒸気負荷パターン取得部６０４により、各稼働日の稼働パターンを予測モデルに取り入れることができ、例えば、蒸気負荷パターン毎に予測モデルを学習することが可能となり、予測精度向上につながることが期待できる。
こうすることで、蒸気負荷パターン取得部６０４により、各稼働日の稼働パターンを予測モデルに取り入れることができ、例えば、蒸気負荷パターン毎に予測モデルを学習することが可能となり、予測精度向上につながることが期待できる。
【0048】
以上のように、時系列データ記憶装置６は、機械学習装置７及び／又は台数制御パラメータ出力装置９に対して、蒸気負荷パターンを対応づけた、全出力蒸気量時系列情報、単位時間蒸気量時系列情報、及び第１時間帯時系列データを提供する時系列データベースとして機能することができる。
以上、時系列データ記憶装置６について説明した。
以上、時系列データ記憶装置６について説明した。
【0049】
次に機械学習装置７について説明する。図５に機械学習装置７の構成を示す機能ブロック図を示す。
機械学習装置７は、図５に示すように、制御部７０と、記憶部７２と、を備える。制御部７０の構成を説明する前に、最初に記憶部７２について説明する。
機械学習装置７は、図５に示すように、制御部７０と、記憶部７２と、を備える。制御部７０の構成を説明する前に、最初に記憶部７２について説明する。
【0050】
記憶部７２は、例えばＲＯＭ、ＲＡＭ、ＨＤＤ等であり、各種の制御用プログラムとともに、教師データ作成部７０１により生成された蒸気負荷パターンｋ（１≦ｋ≦Ｍ）毎に生成された教師データ（訓練データ）、及び学習部７０２により蒸気負荷パターンｋ（１≦ｋ≦Ｍ）毎に構築中又は構築された予測モデル７５（ｋ）（学習済みモデル７５（ｋ））等を記憶する。
図５に示すように記憶部７２は、教師データ記憶部７２１と、予測モデル記憶部７２２と、を含む。
図５に示すように記憶部７２は、教師データ記憶部７２１と、予測モデル記憶部７２２と、を含む。
【0051】
教師データ記憶部７２１は、稼働日毎の各第１時間帯時系列データ（ｉ）を入力データとし、当該第１時間帯時系列データ（ｉ）に対応する時間帯の直後から第２時間（例えば、１時間＝６０分）後の単位時間蒸気量をラベルデータとする教師データ（訓練データ）を当該稼働日の蒸気負荷パターンｋ（１≦ｋ≦Ｍ）に対応づけて記憶する。
図６は、機械学習装置７における教師データ（訓練データ）の概要を示す図である。なお、図６に示した第１時間帯時系列データは、図４に示した第１時間帯時系列データに対応する。図６に示すように、教師データ（訓練データ）は、第１時間帯時系列データ（ｉ）毎に対応する１２０個の連続した単位時間蒸気量時系列データを入力データとし、当該第１時間に対応する時間帯の直後から第２時間（１時間＝６０分）後の単位時間蒸気量データをラベルデータとする。そうすることで、後述する学習部７０２は、教師データ記憶部７２１に記憶された、第１時間帯時系列データ（ｉ）に対応する１２０個の連続した単位時間蒸気量時系列データから、当該第１時間に対応する時間帯の直後から第２時間（１時間＝６０分）後の単位時間蒸気量を予測する予測モデル（学習済みモデル）を学習する。
図６は、機械学習装置７における教師データ（訓練データ）の概要を示す図である。なお、図６に示した第１時間帯時系列データは、図４に示した第１時間帯時系列データに対応する。図６に示すように、教師データ（訓練データ）は、第１時間帯時系列データ（ｉ）毎に対応する１２０個の連続した単位時間蒸気量時系列データを入力データとし、当該第１時間に対応する時間帯の直後から第２時間（１時間＝６０分）後の単位時間蒸気量データをラベルデータとする。そうすることで、後述する学習部７０２は、教師データ記憶部７２１に記憶された、第１時間帯時系列データ（ｉ）に対応する１２０個の連続した単位時間蒸気量時系列データから、当該第１時間に対応する時間帯の直後から第２時間（１時間＝６０分）後の単位時間蒸気量を予測する予測モデル（学習済みモデル）を学習する。
【0052】
予測モデル記憶部７２２は、学習部７０２が学習中の予測モデル（学習済みモデル）を記憶する。なお、後述するように、学習中の予測モデル（学習済みモデル）は、蒸気負荷パターン毎に生成される。
【0053】
次に制御部７０について説明する。図５に示すように、制御部７０は、教師データ作成部７０１と、学習部７０２と、予測モデル提供部７０３と、を含む。
【0054】
教師データ作成部７０１は、時系列データ記憶装置６から、稼働日に基づいて蒸気負荷パターンｋ（１≦ｋ≦Ｍ）が対応づけられた、稼働日毎の各第１時間帯時系列データ（ｉ）を取得するとともに、当該第１時間の直後から第２時間（１時間＝６０分）後の単位時間蒸気量データを取得し、第１時間帯時系列データ（ｉ）を入力データ、当該第１時間の直後から第２時間（１時間＝６０分）後の単位時間蒸気量データをラベルデータとする教師データ（「訓練データ」ともいう）を作成する。そうすることで、教師データ作成部７０１は、稼働日毎にＮ個の教師データ（訓練データ）を作成することができる。教師データ作成部７０１は、稼働日毎に作成した教師データ（訓練データ）を、蒸気負荷パターンｋ（１≦ｋ≦Ｋ）毎に教師データ（訓練データ）の集合を作成するようにしてもよい。
教師あり学習を行うための教師データ（訓練データ）は、多数用意されることが望ましい。例えば、時系列データ記憶装置６に記憶されたボイラシステム１の過去数年間の時系列情報に基づいて、蒸気負荷パターンｋ（１≦ｋ≦Ｍ）毎に教師データ（訓練データ）を用意することが望ましい。
そうすることで、後述する学習部７０２は、蒸気負荷パターンｋ（１≦ｋ≦Ｍ）毎に生成された多数の教師データ（訓練データ）に基づいて、機械学習することで、蒸気負荷パターンｋ（１≦ｋ≦Ｍ）毎に予測モデルを作成することができる。
教師あり学習を行うための教師データ（訓練データ）は、多数用意されることが望ましい。例えば、時系列データ記憶装置６に記憶されたボイラシステム１の過去数年間の時系列情報に基づいて、蒸気負荷パターンｋ（１≦ｋ≦Ｍ）毎に教師データ（訓練データ）を用意することが望ましい。
そうすることで、後述する学習部７０２は、蒸気負荷パターンｋ（１≦ｋ≦Ｍ）毎に生成された多数の教師データ（訓練データ）に基づいて、機械学習することで、蒸気負荷パターンｋ（１≦ｋ≦Ｍ）毎に予測モデルを作成することができる。
【0055】
学習部７０２は、教師データ作成部７０１により蒸気負荷パターンｋ（１≦ｋ≦Ｍ）毎に生成された教師データ（訓練データ）に基づいて、教師あり学習を行うことにより、当該蒸気負荷パターンｋ（１≦ｋ≦Ｍ）に対応して、第１時間帯時系列データから、当該第１時間直後から第２時間後（６０分後）における単位時間蒸気量を予測する予測モデル７５（ｋ）（「学習済みモデル７５（ｋ）」ともいう）を構築することができる。
【0056】
本実施形態における機械学習の一例として、再帰型ニューラルネットワークであるＬＳＴＭ（Ｌｏｎｇ Ｓｈｏｒｔ Ｔｅｒｍ Ｍｅｍｏｒｙ）を用いた深層機械学習を例示する。ＬＳＴＭは、過去データの長期的な依存関係を学習することができる、業者にとって公知の再帰型ニューラルネットワークＲＮＮ（Ｒｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）の特別な一種である。
学習部７０２は、蒸気負荷パターンｋ（１≦ｋ≦Ｍ）毎に、ＬＳＴＭネットワークにより構成される予測モデル７５（ｋ）（学習済みモデル７５（ｋ））における重みベクトル等のパラメータを最適化するために、蒸気負荷パターンｋ（１≦ｋ≦Ｍ）毎に作成された各第１時間帯時系列データを入力層から入力し、ＬＳＴＭネットワークの出力情報を取り込む。学習部７０２は、例えば予め設定される誤差関数を用いて、周知の誤差逆伝播法等による処理を行う。そうすることで、学習部７０２は、所定期間の時系列情報から作成された教師データ（訓練データ）又は所定個数の教師データ（訓練データ）に基づいて、蒸気負荷パターンｋ（１≦ｋ≦Ｍ）毎にＬＳＴＭネットワークにおける重みベクトル等のパラメータを最適化し、予測モデル７５（ｋ）（学習済みモデル７５（ｋ））を生成する。ここで、学習部７０２は、所定の条件をみたすことで、学習終了としてもよい。所定の条件として例えば、所定の個数の教師データを学習したこと、所定の稼働期間に対応する教師データを学習したこと等、が挙げられるが、これに限られない。ユーザが任意の条件を設定してもよい。
なお、機械学習の一例としてＬＳＴＭを例示したが、これに限られない。公知のＲＮＮを適用してもよい。また、公知の順伝播型ニューラルネットワークを適用してもよい。
学習部７０２は、蒸気負荷パターンｋ（１≦ｋ≦Ｍ）毎に、ＬＳＴＭネットワークにより構成される予測モデル７５（ｋ）（学習済みモデル７５（ｋ））における重みベクトル等のパラメータを最適化するために、蒸気負荷パターンｋ（１≦ｋ≦Ｍ）毎に作成された各第１時間帯時系列データを入力層から入力し、ＬＳＴＭネットワークの出力情報を取り込む。学習部７０２は、例えば予め設定される誤差関数を用いて、周知の誤差逆伝播法等による処理を行う。そうすることで、学習部７０２は、所定期間の時系列情報から作成された教師データ（訓練データ）又は所定個数の教師データ（訓練データ）に基づいて、蒸気負荷パターンｋ（１≦ｋ≦Ｍ）毎にＬＳＴＭネットワークにおける重みベクトル等のパラメータを最適化し、予測モデル７５（ｋ）（学習済みモデル７５（ｋ））を生成する。ここで、学習部７０２は、所定の条件をみたすことで、学習終了としてもよい。所定の条件として例えば、所定の個数の教師データを学習したこと、所定の稼働期間に対応する教師データを学習したこと等、が挙げられるが、これに限られない。ユーザが任意の条件を設定してもよい。
なお、機械学習の一例としてＬＳＴＭを例示したが、これに限られない。公知のＲＮＮを適用してもよい。また、公知の順伝播型ニューラルネットワークを適用してもよい。
【0057】
図７は、後述する予測装置８に提供される予測モデル７５（ｋ）（学習済みモデル７５（ｋ））の一例を示す図である。ここでは、予測モデル７５（ｋ）（学習済みモデル７５（ｋ））は、図７に示すように、蒸気負荷パターンｋに相当する稼働日に稼働中のボイラシステム１の第１時間帯時系列データ（１２０個の連続した単位時間蒸気量時系列データ）を入力層として、第１時間直後から第２時間後の単位時間（例えば１分間）における単位時間蒸気量を出力層とする多層ニューラルネットワークを例示する。
【0058】
また、学習部７０２は、予測モデル７５（ｋ）（学習済みモデル７５（ｋ））を構築した後に、定期的に、例えば１カ月毎、３カ月毎、半年毎、又は１年毎に、時系列データ記憶装置６（記憶部６２）に新たに取り込まれた、ボイラシステム１の蒸気負荷パターンｋに相当する稼働日の各第１時間帯時系列データ（ｉ）を取得するとともに、当該第１時間の直後から第２時間（１時間＝６０分）後の単位時間蒸気量データを取得し、教師データ（訓練データ）を作成することで、予測モデル７５（ｋ）（学習済みモデル７５（ｋ））を更新してもよい。
また、予測値と実測値との所定の閾値を超える乖離が所定の頻度を超えて発生する場合にも、時系列データ記憶装置６（記憶部６２）に新たに取り込まれた、ボイラシステム１の蒸気負荷パターンｋに相当する稼働日の各第１時間帯時系列データ（ｉ）を取得するとともに、当該第１時間の直後から第２時間（１時間＝６０分）後の単位時間蒸気量データを取得し、教師データ（訓練データ）を作成することで、予測モデル７５（ｋ）（学習済みモデル７５（ｋ））を更新してもよい。その際、新たに作成される教師データ（訓練データ）に加えて、例えばその時点から過去の例えば１年等の最近の期間に取り込まれている蒸気量の時系列情報と、から新たな予測モデル７５（ｋ）（学習済みモデル７５（ｋ））を再作成するようにしてもよい。そうすることで、古い期間に取り込まれた蒸気量の時系列情報の影響を排除して、最近の蒸気量の時系列情報の反映された予測モデル７５（ｋ）（学習済みモデル７５（ｋ））により更新することができる。
また、予測値と実測値との所定の閾値を超える乖離が所定の頻度を超えて発生する場合にも、時系列データ記憶装置６（記憶部６２）に新たに取り込まれた、ボイラシステム１の蒸気負荷パターンｋに相当する稼働日の各第１時間帯時系列データ（ｉ）を取得するとともに、当該第１時間の直後から第２時間（１時間＝６０分）後の単位時間蒸気量データを取得し、教師データ（訓練データ）を作成することで、予測モデル７５（ｋ）（学習済みモデル７５（ｋ））を更新してもよい。その際、新たに作成される教師データ（訓練データ）に加えて、例えばその時点から過去の例えば１年等の最近の期間に取り込まれている蒸気量の時系列情報と、から新たな予測モデル７５（ｋ）（学習済みモデル７５（ｋ））を再作成するようにしてもよい。そうすることで、古い期間に取り込まれた蒸気量の時系列情報の影響を排除して、最近の蒸気量の時系列情報の反映された予測モデル７５（ｋ）（学習済みモデル７５（ｋ））により更新することができる。
【0059】
上述した教師あり学習は、オンライン学習で行ってもよく、バッチ学習で行ってもよく、ミニバッチ学習で行ってもよい。
オンライン学習とは、教師データ（訓練データ）の一つを取り出して重みとバイアスの更新を行う学習方法である。具体的にはボイラシステム１の稼働中に、時系列データ記憶装置６から第１時間帯時系列データ（ｉ）、及び当該第１時間の直後から第２時間（１時間＝６０分）後の単位時間蒸気量データをその都度取得し、教師データ（訓練データ）をその都度作成し、それによりその都度、機械学習を行う形態を指す。
また、バッチ学習とは、重みとバイアスの更新に全ての教師データ（訓練データ）を用いる学習方法である。バッチ学習では、時系列データ記憶装置６に所定の期間、例えば月毎の時系列データが格納された後に、当該月の第１時間帯時系列データ及び当該第１時間の直後から第２時間（１時間＝６０分）後の単位時間蒸気量データを取得し、複数の教師データ（訓練データ）を生成して、生成した全ての教師データ（訓練データ）を用いて、教師あり学習を行う。さらに、ミニバッチ学習とは、教師データ（訓練データ）を小さなかたまり（バッチ）に分割して、そのかたまり毎に重みとバイアスの更新を行う学習方法である。学習の間隔は、オンライン学習と、バッチ学習の中間的な、期間になる。
オンライン学習とは、教師データ（訓練データ）の一つを取り出して重みとバイアスの更新を行う学習方法である。具体的にはボイラシステム１の稼働中に、時系列データ記憶装置６から第１時間帯時系列データ（ｉ）、及び当該第１時間の直後から第２時間（１時間＝６０分）後の単位時間蒸気量データをその都度取得し、教師データ（訓練データ）をその都度作成し、それによりその都度、機械学習を行う形態を指す。
また、バッチ学習とは、重みとバイアスの更新に全ての教師データ（訓練データ）を用いる学習方法である。バッチ学習では、時系列データ記憶装置６に所定の期間、例えば月毎の時系列データが格納された後に、当該月の第１時間帯時系列データ及び当該第１時間の直後から第２時間（１時間＝６０分）後の単位時間蒸気量データを取得し、複数の教師データ（訓練データ）を生成して、生成した全ての教師データ（訓練データ）を用いて、教師あり学習を行う。さらに、ミニバッチ学習とは、教師データ（訓練データ）を小さなかたまり（バッチ）に分割して、そのかたまり毎に重みとバイアスの更新を行う学習方法である。学習の間隔は、オンライン学習と、バッチ学習の中間的な、期間になる。
【0060】
予測モデル提供部７０３は、学習部７０２により、パターンｋ（１≦ｋ≦Ｍ）毎に構築された予測モデル７５（ｋ）（学習済みモデル７５（ｋ））を、ユーザの指示により後述する予測装置８に対して提供する。
以上、機械学習装置７について説明した。
以上、機械学習装置７について説明した。
【0061】
次に、予測装置８について説明する。予測装置８は、機械学習装置７により構築された予測モデル７５（ｋ）（学習済みモデル７５（ｋ））をボイラシステム１に対して適用する予測モデル運用フェーズにおいて用いる装置である。
予測モデル運用フェーズにおいて、予測装置８は、機械学習装置７により構築された予測モデル７５（ｋ）（学習済みモデル７５（ｋ））を用いて、例えばボイラシステム１の稼働開始から第１時間（例えば２時間）経過した直後から単位時間（例えば１分）毎に、その時点から第２時間先（例えば１時間先）の単位時間蒸気量予測値を算出し、算出した単位時間蒸気量予測値を時系列データとして、記憶部８２に記憶する。図８は、予測部８０２が取得した単位時間蒸気量予測値を順次、第２時間帯時系列データ記憶部８２３に時系列データとして記憶する入出力処理状況を例示する図である。そうすることで、図８に示すように、単位時間蒸気量予測値について１時間（６０分）の時系列データ（以下、「第２時間帯時系列データ」という）が記憶されると、台数制御パラメータ出力装置９は、第２時間帯時系列データに基づいて、当該期間（例えば１時間）におけるボイラシステム１の給蒸する最大蒸気使用量予測値、及び平均蒸気使用量予測値を統計的に算出することができる。
図９に予測装置８の構成を示す機能ブロック図を示す。台数制御パラメータ出力装置９は、図９に示すように、制御部８０と、記憶部８２と、を備える。
予測モデル運用フェーズにおいて、予測装置８は、機械学習装置７により構築された予測モデル７５（ｋ）（学習済みモデル７５（ｋ））を用いて、例えばボイラシステム１の稼働開始から第１時間（例えば２時間）経過した直後から単位時間（例えば１分）毎に、その時点から第２時間先（例えば１時間先）の単位時間蒸気量予測値を算出し、算出した単位時間蒸気量予測値を時系列データとして、記憶部８２に記憶する。図８は、予測部８０２が取得した単位時間蒸気量予測値を順次、第２時間帯時系列データ記憶部８２３に時系列データとして記憶する入出力処理状況を例示する図である。そうすることで、図８に示すように、単位時間蒸気量予測値について１時間（６０分）の時系列データ（以下、「第２時間帯時系列データ」という）が記憶されると、台数制御パラメータ出力装置９は、第２時間帯時系列データに基づいて、当該期間（例えば１時間）におけるボイラシステム１の給蒸する最大蒸気使用量予測値、及び平均蒸気使用量予測値を統計的に算出することができる。
図９に予測装置８の構成を示す機能ブロック図を示す。台数制御パラメータ出力装置９は、図９に示すように、制御部８０と、記憶部８２と、を備える。
【0062】
まず記憶部８２について説明する。記憶部８２は、例えばＲＯＭ、ＲＡＭ、ＨＤＤ等であり、各種の制御用プログラムとともに、図９に示すように、予測モデル記憶部８２１と、第１時間帯時系列データ記憶部８２２と、第２時間帯時系列データ記憶部８２３とを含む。
【0063】
予測モデル記憶部８２１は、蒸気負荷パターンｋ（１≦ｋ≦Ｍ）毎に機械学習装置７により構築された予測モデル７５（ｋ）（学習済みモデル７５（ｋ））を記憶する。
【0064】
第１時間帯時系列データ記憶部８２２は、ボイラシステム１の稼働日の第１時間（２時間）の始まりから、稼働日の終了時刻から１時間前までの間、１分毎に時系列データ記憶装置６により作成される第１時間帯時系列データを記憶する。なお、第１時間帯時系列データ記憶部８２２は、例えば、少なくとも１２０分に対応する１２０個の単位時間蒸気量データを例えば、１分毎に取得できるように例えばラウンドロビン形式で記憶するようにしてもよい。
【0065】
第２時間帯時系列データ記憶部８２３は、後述するように、各第１時間帯時系列データに基づいて予測される、当該第１時間（２時間＝１２０分）の直後から第２時間（１時間＝６０分）後の単位時間蒸気量データ（予測値）を第２時間帯時系列データとして記憶する。なお、第２時間帯時系列データ記憶部８２３は、例えば、少なくとも６０分に対応する６０個の単位時間蒸気量データを例えば、６０分毎に取得できるように例えばラウンドロビン形式で記憶するようにしてもよい。
【0066】
次に制御部８０について説明する。図９に示すように、制御部８０は、入力部８０１と、予測部８０２と、を含む。
【0067】
入力部８０１は、例えばユーザの指示により、機械学習装置７から構築された最新バージョンの予測モデル７５（ｋ）（学習済みモデル７５（ｋ））を取得し、予測モデル記憶部８２１に当該予測モデルのバージョン情報とともに記憶する。
入力部８０１は、取得した予測モデル７５（ｋ）（学習済みモデル７５（ｋ））の運用開始情報を例えばユーザからの入力指示により、取得する。運用開始情報は、例えば予測モデル７５（ｋ）（学習済みモデル７５（ｋ））の運用開始日等を含んでもよい。そうすることで、予測モデル７５（ｋ）（学習済みモデル７５（ｋ））運用開始日以降、台数制御パラメータ出力装置９の予測に係る機能部を自動起動するようにしてもよい。
また、入力部８０１は、例えば運用当日の蒸気負荷パターンｋを取得するとともに、前述したように、第１時間（２時間）の始まりから、稼働日の終了時刻から１時間前までの間、時系列データ記憶装置６から、１分毎に第１時間帯時系列データ（ｉ）を取得する。
入力部８０１は、取得した予測モデル７５（ｋ）（学習済みモデル７５（ｋ））の運用開始情報を例えばユーザからの入力指示により、取得する。運用開始情報は、例えば予測モデル７５（ｋ）（学習済みモデル７５（ｋ））の運用開始日等を含んでもよい。そうすることで、予測モデル７５（ｋ）（学習済みモデル７５（ｋ））運用開始日以降、台数制御パラメータ出力装置９の予測に係る機能部を自動起動するようにしてもよい。
また、入力部８０１は、例えば運用当日の蒸気負荷パターンｋを取得するとともに、前述したように、第１時間（２時間）の始まりから、稼働日の終了時刻から１時間前までの間、時系列データ記憶装置６から、１分毎に第１時間帯時系列データ（ｉ）を取得する。
【0068】
次に予測部８０２の機能について説明する。
図７に示したように、予測部８０２は、入力部８０１により１分毎に入力される第１時間帯時系列データ（ｉ）を予測モデル７５（ｋ）（学習済みモデル７５（ｋ））に入力することで、当該第１時間直後から第２時間後（１時間後）の単位時間（１分間）における単位時間蒸気量予測値を取得する。図８に示したように、予測部８０２は、取得した単位時間蒸気量予測値を順次、第２時間帯時系列データ記憶部８２３に時系列データとして記憶する。
そうすることで、図８に示すように、１時間（６０分）の時系列データ（第２時間帯時系列データ）が記憶されると、予測部８０２は、当該第２時間帯時系列データに基づいて、当該第２時間におけるボイラシステム１の給蒸する最大蒸気使用量予測値、及び平均蒸気使用量予測値を統計的に算出する。このようにすることで、予測部８０２は、１時間（６０分）毎に、第２時間（１時間）先までの時間帯におけるボイラシステム１の給蒸する最大蒸気使用量予測値、及び平均蒸気使用量予測値を統計的に算出することができる。
ここで、最大使用蒸気量は燃焼させるボイラ台数の上限値を定めるものであり、仮に最大蒸気使用量を超える負荷が発生したとしても、それ以上のボイラを燃焼させない制御となることから、最大使用蒸気量の算出においては、予測部８０２は、例えば予め補正値αを設定しておき、最大使用蒸気量を最大蒸気使用量（予測値）＋αと算出するようにしてもよい。また、平均蒸気量は、前述したように最も効率の良い燃焼状態（エコ運転ポイント）で燃焼させるボイラ台数を決定するためのものであり、仮に小さい値が設定されるとエコ運転ポイントを外れやすくなることから、平均蒸気量の算出においては、予測部８０２は、例えば予め補正値βを設定しておき、平均蒸気量を平均蒸気使用量（予測値）＋βと算出するようにしてもよい。なお、変動蒸気量は、最大使用蒸気量から平均蒸気量を減算することで算出される。
以上、予測装置８について説明した。
図７に示したように、予測部８０２は、入力部８０１により１分毎に入力される第１時間帯時系列データ（ｉ）を予測モデル７５（ｋ）（学習済みモデル７５（ｋ））に入力することで、当該第１時間直後から第２時間後（１時間後）の単位時間（１分間）における単位時間蒸気量予測値を取得する。図８に示したように、予測部８０２は、取得した単位時間蒸気量予測値を順次、第２時間帯時系列データ記憶部８２３に時系列データとして記憶する。
そうすることで、図８に示すように、１時間（６０分）の時系列データ（第２時間帯時系列データ）が記憶されると、予測部８０２は、当該第２時間帯時系列データに基づいて、当該第２時間におけるボイラシステム１の給蒸する最大蒸気使用量予測値、及び平均蒸気使用量予測値を統計的に算出する。このようにすることで、予測部８０２は、１時間（６０分）毎に、第２時間（１時間）先までの時間帯におけるボイラシステム１の給蒸する最大蒸気使用量予測値、及び平均蒸気使用量予測値を統計的に算出することができる。
ここで、最大使用蒸気量は燃焼させるボイラ台数の上限値を定めるものであり、仮に最大蒸気使用量を超える負荷が発生したとしても、それ以上のボイラを燃焼させない制御となることから、最大使用蒸気量の算出においては、予測部８０２は、例えば予め補正値αを設定しておき、最大使用蒸気量を最大蒸気使用量（予測値）＋αと算出するようにしてもよい。また、平均蒸気量は、前述したように最も効率の良い燃焼状態（エコ運転ポイント）で燃焼させるボイラ台数を決定するためのものであり、仮に小さい値が設定されるとエコ運転ポイントを外れやすくなることから、平均蒸気量の算出においては、予測部８０２は、例えば予め補正値βを設定しておき、平均蒸気量を平均蒸気使用量（予測値）＋βと算出するようにしてもよい。なお、変動蒸気量は、最大使用蒸気量から平均蒸気量を減算することで算出される。
以上、予測装置８について説明した。
【0069】
次に、台数制御パラメータ出力装置９について説明する。図１０に台数制御パラメータ出力装置９の構成を示す機能ブロック図を示す。台数制御パラメータ出力装置９は、図１０に示すように、制御部９０と、記憶部９２と、を備える。
【0070】
記憶部９２は、例えばＲＯＭ、ＲＡＭ、ＨＤＤ等であり、各種の制御用プログラムとともに、図１０に示すように、台数制御パラメータグループ記憶部９２１を含む。台数制御パラメータグループ記憶部９２１は、台数制御装置３の記憶部３２（台数制御パラメータグループ記憶部３２５）に記憶された複数個のパラメータグループを記憶する。
【0071】
制御部９０は、図１０に示すように、台数制御パラメータ出力部９０１を含む。
台数制御パラメータ出力部９０１は、予測装置８により予測された第２時間における最大蒸気使用量予測値、及び平均蒸気使用量予測値に基づいて、最大使用蒸気量、平均蒸気量、及び変動蒸気量のいずれか２つ以上の値を算出するとともに、算出した値を、台数制御パラメータに設定するようにしてもよい。
台数制御パラメータ出力部９０１は、最大使用蒸気量、平均蒸気量、及び変動蒸気量のいずれか２つ以上の値を台数制御装置３（台数制御パラメータ設定部３０３）に出力するとともに、これらの値に基づいて、台数制御パラメータグループを選択し、選択した台数制御パラメータグループＩＤを台数制御装置３（台数制御パラメータ設定部３０３）に出力するようにしてもよい。台数制御パラメータ出力部９０１は、例えば、算出した最大蒸気量及び平均蒸気量の値（又は、最も近い値）を有する台数制御パラメータグループを選択するようにしてもよい。そうすることで、台数制御装置３は、予測された各種蒸気量及び予めユーザにより予め設定された複数個のパラメータグループから選択された、ユーザにとって適切なパラメータグループにより台数制御を自動的に行うことができる。
具体的には、例えば、予め台数制御パラメータグループＩＤ毎に、最大蒸気使用量と平均蒸気使用量の適正値を定義しておく。
例えば、予めパターン番号１の適正値として、最大蒸気使用量を１２，０００～１５，０００ｋｇ／ｈ、平均蒸気使用量を６，０００から８，０００ｋｇ／ｈと定義し、
パターン番号２の適正値として、最大蒸気使用量を１２，０００～１５，０００ｋｇ／ｈ、平均蒸気使用量を４，０００から６，０００ｋｇ／ｈと定義し、
パターン番号３の適正値として、最大蒸気使用量を１２，０００～１５，０００ｋｇ／ｈ、平均蒸気使用量を２，０００から４，０００ｋｇ／ｈと定義し、
パターン番号４の適正値として、最大蒸気使用量を６，０００～９，０００ｋｇ／ｈ、平均蒸気使用量を２，０００から３，０００ｋｇ／ｈと定義し、
パターン番号５の適正値として、最大蒸気使用量を３，０００～６，０００ｋｇ／ｈ、平均蒸気使用量を１，０００から２，０００ｋｇ／ｈと定義されていたとする。
そうすると、台数制御パラメータ出力部９０１は、算出した最大蒸気量及び平均蒸気量の値と各パターン番号で定義された最大蒸気使用量の適正値及び平均蒸気使用量の適正値を比較して、算出した最大蒸気量及び平均蒸気量の値が、各パターン番号で定義された最大蒸気使用量及び平均蒸気使用量の範囲内となるパターン番号の内、最も適した（例えば最も値の近い）パターン番号を選択するようにしてもよい。
以上、台数制御パラメータ出力装置９について説明した。
台数制御パラメータ出力部９０１は、予測装置８により予測された第２時間における最大蒸気使用量予測値、及び平均蒸気使用量予測値に基づいて、最大使用蒸気量、平均蒸気量、及び変動蒸気量のいずれか２つ以上の値を算出するとともに、算出した値を、台数制御パラメータに設定するようにしてもよい。
台数制御パラメータ出力部９０１は、最大使用蒸気量、平均蒸気量、及び変動蒸気量のいずれか２つ以上の値を台数制御装置３（台数制御パラメータ設定部３０３）に出力するとともに、これらの値に基づいて、台数制御パラメータグループを選択し、選択した台数制御パラメータグループＩＤを台数制御装置３（台数制御パラメータ設定部３０３）に出力するようにしてもよい。台数制御パラメータ出力部９０１は、例えば、算出した最大蒸気量及び平均蒸気量の値（又は、最も近い値）を有する台数制御パラメータグループを選択するようにしてもよい。そうすることで、台数制御装置３は、予測された各種蒸気量及び予めユーザにより予め設定された複数個のパラメータグループから選択された、ユーザにとって適切なパラメータグループにより台数制御を自動的に行うことができる。
具体的には、例えば、予め台数制御パラメータグループＩＤ毎に、最大蒸気使用量と平均蒸気使用量の適正値を定義しておく。
例えば、予めパターン番号１の適正値として、最大蒸気使用量を１２，０００～１５，０００ｋｇ／ｈ、平均蒸気使用量を６，０００から８，０００ｋｇ／ｈと定義し、
パターン番号２の適正値として、最大蒸気使用量を１２，０００～１５，０００ｋｇ／ｈ、平均蒸気使用量を４，０００から６，０００ｋｇ／ｈと定義し、
パターン番号３の適正値として、最大蒸気使用量を１２，０００～１５，０００ｋｇ／ｈ、平均蒸気使用量を２，０００から４，０００ｋｇ／ｈと定義し、
パターン番号４の適正値として、最大蒸気使用量を６，０００～９，０００ｋｇ／ｈ、平均蒸気使用量を２，０００から３，０００ｋｇ／ｈと定義し、
パターン番号５の適正値として、最大蒸気使用量を３，０００～６，０００ｋｇ／ｈ、平均蒸気使用量を１，０００から２，０００ｋｇ／ｈと定義されていたとする。
そうすると、台数制御パラメータ出力部９０１は、算出した最大蒸気量及び平均蒸気量の値と各パターン番号で定義された最大蒸気使用量の適正値及び平均蒸気使用量の適正値を比較して、算出した最大蒸気量及び平均蒸気量の値が、各パターン番号で定義された最大蒸気使用量及び平均蒸気使用量の範囲内となるパターン番号の内、最も適した（例えば最も値の近い）パターン番号を選択するようにしてもよい。
以上、台数制御パラメータ出力装置９について説明した。
【0072】
次に、本実施形態に係る予測装置８の１時間（６０分）毎に、第２時間（１時間）先までの時間帯における最大蒸気使用量、及び平均蒸気使用量の予測処理、及び台数制御パラメータ出力装置９による台数制御装置３への台数制御パラメータの設定処理に係る動作について説明する。
図１１は、運用フェーズにおける予測装置８及び台数制御パラメータ出力装置９の処理について説明するフローチャートである。なお、予測装置８は、機械学習装置７から予め予測モデル７５（ｋ）（学習済みモデル７５（ｋ））を取得済みとする。運用当日の蒸気負荷パターンｋを取得済みとする。また、稼働日に１分間隔毎に抽出される第１時間帯時系列データの個数Ｎは予め設定済みとする。
図１１は、運用フェーズにおける予測装置８及び台数制御パラメータ出力装置９の処理について説明するフローチャートである。なお、予測装置８は、機械学習装置７から予め予測モデル７５（ｋ）（学習済みモデル７５（ｋ））を取得済みとする。運用当日の蒸気負荷パターンｋを取得済みとする。また、稼働日に１分間隔毎に抽出される第１時間帯時系列データの個数Ｎは予め設定済みとする。
【0073】
ステップＳ１１において、予測装置８（入力部８０１）は、ｉ，ｊを初期化（ｉ＝１、ｊ＝１）する。
【0074】
ステップＳ１２において、予測装置８（入力部８０１）は、ボイラシステム１の稼働中に、時系列データ記憶装置６から、第１時間帯時系列データ（ｉ）を取得する。
【0075】
ステップＳ１３において、予測装置８（予測部８０２）は、１分毎に収集した第１時間帯時系列データ（ｉ）を予測モデル７５に入力し、当該第１時間直後から第２時間後（１時間後）の単位時間（１分間）における単位時間蒸気量予測値（ｊ）を取得して、第２時間帯時系列データ記憶部８２３に時系列順（ｊの順番）に記憶する。
【0076】
ステップＳ１４において、予測装置８（予測部８０２）は、ｉ＝ｉ＋１、ｊ＝ｊ＋１とする。
【0077】
ステップＳ１５において、ｊ＝６０か否かを判定する。ｊ＜６０の場合、ステップＳ１２に移る。ｊ＝６０の場合、ステップＳ１６に移る。
【0078】
ステップＳ１６において、予測装置８（予測部８０２）は、第２時間帯時系列データ記憶部８２３に記憶された第２時間帯時系列データに基づいて、現時点から第２時間（１時間＝６０分）先までの時間帯におけるボイラシステム１の給蒸する最大蒸気使用量予測値、及び平均蒸気使用量予測値を統計的に算出する。
【0079】
ステップＳ１７において、台数制御パラメータ出力装置９（台数制御パラメータ出力部９０１）は、最大蒸気使用量予測値、及び平均蒸気使用量予測値に基づいて、最大使用蒸気量、平均蒸気量、及び変動蒸気量を算出、又は前述した台数制御パラメータグループの中から最適な台数制御パラメータグループＩＤを選択する。
【0080】
ステップＳ１８において、台数制御パラメータ出力装置９（台数制御パラメータ出力部９０１）は、ステップＳ１７において算出した最大使用蒸気量、平均蒸気量、及び変動蒸気量及び台数制御パラメータグループＩＤを台数制御装置３（台数制御パラメータ設定部３０３）に出力する。
これにより、台数制御装置３は、台数制御パラメータ出力装置９から入力された台数制御パラメータを記憶部３２に記憶し、設定された台数制御パラメータに基づいて、制御対象とするボイラ２０及び台数を自動で決定し、当該燃焼優先制御モードにより台数制御することができる。
これにより、台数制御装置３は、台数制御パラメータ出力装置９から入力された台数制御パラメータを記憶部３２に記憶し、設定された台数制御パラメータに基づいて、制御対象とするボイラ２０及び台数を自動で決定し、当該燃焼優先制御モードにより台数制御することができる。
【0081】
ステップＳ１９において、台数制御装置３（台数制御パラメータ設定部３０３）は、ｉ＝Ｎか否かを判定する。ｉ＜Ｎの場合、ステップＳ１Ａに移る。ｉ＝Ｎの場合、処理を終了する。
ステップＳ１Ａにおいて、台数制御装置３（台数制御パラメータ設定部３０３）は、ｊ＝１としてステップＳ１２に移る。
ステップＳ１Ａにおいて、台数制御装置３（台数制御パラメータ設定部３０３）は、ｊ＝１としてステップＳ１２に移る。
【0082】
以上により、前述したように、台数制御装置３については、連続制御ボイラを制御する台数制御装置３Ａに置き換えることで、時系列データ記憶装置６、機械学習装置７、及び予測装置８については、連続制御ボイラに対してそのまま適用することができる。したがって、一実施形態に係る予測装置８は、ボイラ２０を複数有するボイラ群２を備えるボイラシステム１及びボイラシステム１Ａにおいて、カレンダー日付（例えば、季節又は月、曜日、祝祭日等）に対応して設定された蒸気負荷パターン、及び第１時間でのボイラ群２による全出力蒸気量の履歴に基づいて、第１時間直後から所定先までの第２時間における、最大蒸気使用量、平均蒸気使用量、変動蒸気使用量を予測することができる。
さらに、複数の段階的な燃焼位置で燃焼可能な段階値制御ボイラ２０を複数有するボイラ群２を備えるボイラシステム１においては、以上のようにして予測された、第１時間直後から第２時間先までの時間帯における最大蒸気使用量予測値、平均蒸気使用量予測値に基づいて、台数制御パラメータ出力装置９は、第１時間直後から第２時間先までの時間帯における最大使用蒸気量、平均蒸気量、変動蒸気量、及び台数制御パラメータを算出し、台数制御装置３に出力することで、台数制御装置３はリアルタイムに予測される各種蒸気量に基づいて、ユーザにとって適切な台数制御を自動的に行うことができる。
さらに、複数の段階的な燃焼位置で燃焼可能な段階値制御ボイラ２０を複数有するボイラ群２を備えるボイラシステム１においては、以上のようにして予測された、第１時間直後から第２時間先までの時間帯における最大蒸気使用量予測値、平均蒸気使用量予測値に基づいて、台数制御パラメータ出力装置９は、第１時間直後から第２時間先までの時間帯における最大使用蒸気量、平均蒸気量、変動蒸気量、及び台数制御パラメータを算出し、台数制御装置３に出力することで、台数制御装置３はリアルタイムに予測される各種蒸気量に基づいて、ユーザにとって適切な台数制御を自動的に行うことができる。
【0083】
以上、一の実施形態について説明したが、時系列データ記憶装置６、機械学習装置７及び予測装置８は、上述の実施形態に限定されるものではなく、目的を達成できる範囲での変形、改良等が含まれる。
【0084】
＜変形例１＞
上述の実施形態では、機械学習装置７は、時系列データ記憶装置６から、履歴情報に基づいて稼働日毎に、単位時間（１分）間隔で第１時間データ（ｉ）を取得するとともに、当該第１時間に対応する時間帯の直後から第２時間（１時間＝６０分）後の単位時間蒸気量データを取得するように構成した。しかしながら、例えば、機械学習装置７（教師データ作成部７０１）は、機械学習フェーズにおいて、時系列データ記憶装置６の記憶部６２（全出力蒸気量時系列情報記憶部６２１）に格納された時系列データ（履歴情報）に基づいて、直接、各稼働日の単位時間毎に全出力蒸気量の最大値、及び平均値（単位時間蒸気量）を算出し、算出した単位時間蒸気量時系列情報を記憶部７２に記録するようにしてもよい。そうすることで、機械学習装置７（教師データ作成部７０１）は、記憶部７２に格納した各稼働日の単位時間蒸気量時系列情報に基づいて、第１時間帯時系列データ及び第２時間帯時系列データを抽出することで、教師データ（訓練データ）を作成するようにしてもよい。
上述の実施形態では、機械学習装置７は、時系列データ記憶装置６から、履歴情報に基づいて稼働日毎に、単位時間（１分）間隔で第１時間データ（ｉ）を取得するとともに、当該第１時間に対応する時間帯の直後から第２時間（１時間＝６０分）後の単位時間蒸気量データを取得するように構成した。しかしながら、例えば、機械学習装置７（教師データ作成部７０１）は、機械学習フェーズにおいて、時系列データ記憶装置６の記憶部６２（全出力蒸気量時系列情報記憶部６２１）に格納された時系列データ（履歴情報）に基づいて、直接、各稼働日の単位時間毎に全出力蒸気量の最大値、及び平均値（単位時間蒸気量）を算出し、算出した単位時間蒸気量時系列情報を記憶部７２に記録するようにしてもよい。そうすることで、機械学習装置７（教師データ作成部７０１）は、記憶部７２に格納した各稼働日の単位時間蒸気量時系列情報に基づいて、第１時間帯時系列データ及び第２時間帯時系列データを抽出することで、教師データ（訓練データ）を作成するようにしてもよい。
【0085】
＜変形例２＞
上述の実施形態では、予測モデル運用フェーズの稼働日に、予測装置８は、時系列データ記憶装置６から、単位時間（１分）毎に第１時間データ（ｉ）を取得するとともに、当該第１時間に対応する時間帯の直後から第２時間（例えば１時間＝６０分）後の単位時間蒸気量データを予測し、当該第１時間直後から第２時間後（１時間後）の単位時間（１分間）における単位時間蒸気量予測値を順次、第２時間帯時系列データにするように構成した。しかしながら、例えば、予測装置８に換えて時系列データ記憶装置６が、単位時間蒸気量時系列情報記憶部６２２に格納した単位時間蒸気量時系列情報に基づいて、第１時間データ（ｉ）を抽出するとともに、当該第１時間に対応する時間帯の直後から第２時間（１時間＝６０分）後の単位時間蒸気量データを予測し、当該第１時間直後から第２時間後（１時間後）の単位時間（１分間）における単位時間蒸気量予測値を順次、記憶部６２に記憶するように構成してもよい。その場合、時系列データ記憶装置６は、予測モデルを記憶部６２に記憶するようにしてもよい。又は、機械学習装置７に記憶されている予測モデルに予測を依頼するようにしてもよい。そうすることで、予測装置８は、時系列データ記憶装置６から、第１時間データ（ｉ）及び第２時間帯時系列データを取得することで、第２時間におけるボイラシステム１の給蒸する最大蒸気使用量予測値、及び平均蒸気使用量予測値を統計的に算出するようにしてもよい。
上述の実施形態では、予測モデル運用フェーズの稼働日に、予測装置８は、時系列データ記憶装置６から、単位時間（１分）毎に第１時間データ（ｉ）を取得するとともに、当該第１時間に対応する時間帯の直後から第２時間（例えば１時間＝６０分）後の単位時間蒸気量データを予測し、当該第１時間直後から第２時間後（１時間後）の単位時間（１分間）における単位時間蒸気量予測値を順次、第２時間帯時系列データにするように構成した。しかしながら、例えば、予測装置８に換えて時系列データ記憶装置６が、単位時間蒸気量時系列情報記憶部６２２に格納した単位時間蒸気量時系列情報に基づいて、第１時間データ（ｉ）を抽出するとともに、当該第１時間に対応する時間帯の直後から第２時間（１時間＝６０分）後の単位時間蒸気量データを予測し、当該第１時間直後から第２時間後（１時間後）の単位時間（１分間）における単位時間蒸気量予測値を順次、記憶部６２に記憶するように構成してもよい。その場合、時系列データ記憶装置６は、予測モデルを記憶部６２に記憶するようにしてもよい。又は、機械学習装置７に記憶されている予測モデルに予測を依頼するようにしてもよい。そうすることで、予測装置８は、時系列データ記憶装置６から、第１時間データ（ｉ）及び第２時間帯時系列データを取得することで、第２時間におけるボイラシステム１の給蒸する最大蒸気使用量予測値、及び平均蒸気使用量予測値を統計的に算出するようにしてもよい。
【0086】
＜変形例３＞
上述の実施形態では、予測モデルをカレンダー日付（例えば、季節又は月、曜日、祝祭日等）に対応して設定された蒸気負荷パターンに応じて構築したが、これに限られない。例えば、蒸気負荷パターンをカレンダー日付の所定の稼働時間帯に対応して設定するようにしてもよい。それにより、例えば、時間帯によって、蒸気負荷パターンが異なる場合であっても、当該時間帯において例えば直前の時間帯（例えば２時間）でのボイラ群による全出力蒸気量の履歴に基づいて、所定時間（例えば１時間）先までの最大蒸気使用量、及び平均蒸気使用量を予測するための予測モデルを作成する機械学習装置を提供することができる。
上述の実施形態では、予測モデルをカレンダー日付（例えば、季節又は月、曜日、祝祭日等）に対応して設定された蒸気負荷パターンに応じて構築したが、これに限られない。例えば、蒸気負荷パターンをカレンダー日付の所定の稼働時間帯に対応して設定するようにしてもよい。それにより、例えば、時間帯によって、蒸気負荷パターンが異なる場合であっても、当該時間帯において例えば直前の時間帯（例えば２時間）でのボイラ群による全出力蒸気量の履歴に基づいて、所定時間（例えば１時間）先までの最大蒸気使用量、及び平均蒸気使用量を予測するための予測モデルを作成する機械学習装置を提供することができる。
【0087】
＜変形例４＞
上述の実施形態では、機械学習装置７（学習部７０２）は、第１時間帯時系列データを入力データとし、第２時間（１時間＝６０分）後の単位時間蒸気量データをラベルデータとする教師データ（訓練データ）に基づいて、多層ニューラルネットワークによる教師あり学習を例示したが、この学習方式に限られない。
例えば、学習部７０２は、第１時間帯時系列データと、第２時間（１時間＝６０分）後の単位時間蒸気量データとに基づいて、時系列分析を実行し、予測モデル７５を生成するようにしてもよい。
上述の実施形態では、機械学習装置７（学習部７０２）は、第１時間帯時系列データを入力データとし、第２時間（１時間＝６０分）後の単位時間蒸気量データをラベルデータとする教師データ（訓練データ）に基づいて、多層ニューラルネットワークによる教師あり学習を例示したが、この学習方式に限られない。
例えば、学習部７０２は、第１時間帯時系列データと、第２時間（１時間＝６０分）後の単位時間蒸気量データとに基づいて、時系列分析を実行し、予測モデル７５を生成するようにしてもよい。
【0088】
＜変形例５＞
上述の実施形態では、機械学習装置７は、台数制御装置３、時系列データ記憶装置６、予測装置８、及び台数制御パラメータ出力装置９と異なる装置として例示したが、機械学習装置７の一部又は全部の機能を、台数制御装置３、時系列データ記憶装置６としてのエッジ装置、予測装置８、又は台数制御パラメータ出力装置９が備えるようにしてもよい。あるいは、クラウド上で仮想サーバ機能等を利用して、機械学習装置７の一部又は全部の機能を実現してもよい。
同様に、予測装置８の一部又は全部の機能を、台数制御装置３又は時系列データ記憶装置６としてのエッジ装置が備えるようにしてもよい。また、台数制御パラメータ出力装置９の機能を、台数制御装置３又は時系列データ記憶装置６としてのエッジ装置が備えるようにしてもよい。
上述の実施形態では、機械学習装置７は、台数制御装置３、時系列データ記憶装置６、予測装置８、及び台数制御パラメータ出力装置９と異なる装置として例示したが、機械学習装置７の一部又は全部の機能を、台数制御装置３、時系列データ記憶装置６としてのエッジ装置、予測装置８、又は台数制御パラメータ出力装置９が備えるようにしてもよい。あるいは、クラウド上で仮想サーバ機能等を利用して、機械学習装置７の一部又は全部の機能を実現してもよい。
同様に、予測装置８の一部又は全部の機能を、台数制御装置３又は時系列データ記憶装置６としてのエッジ装置が備えるようにしてもよい。また、台数制御パラメータ出力装置９の機能を、台数制御装置３又は時系列データ記憶装置６としてのエッジ装置が備えるようにしてもよい。
【0089】
＜変形例６＞
本実施形態では、台数制御装置３は、蒸気ヘッダ４の内部の蒸気圧が予め設定された設定圧力範囲におさまるように、ボイラ群２の各段階値制御ボイラ２０の燃焼制御を実行しているが、この比例分配制御方式に限定されない。
例えば、蒸気ヘッダの内部の蒸気圧を予め設定された目標蒸気圧力値に保つように、台数制御装置３は、ボイラ群２の燃焼対象となる段階値制御ボイラ２０の燃焼状態を制御するようにしてもよい。
本実施形態では、台数制御装置３は、蒸気ヘッダ４の内部の蒸気圧が予め設定された設定圧力範囲におさまるように、ボイラ群２の各段階値制御ボイラ２０の燃焼制御を実行しているが、この比例分配制御方式に限定されない。
例えば、蒸気ヘッダの内部の蒸気圧を予め設定された目標蒸気圧力値に保つように、台数制御装置３は、ボイラ群２の燃焼対象となる段階値制御ボイラ２０の燃焼状態を制御するようにしてもよい。
【0090】
＜変形例７＞
また、前述したように、ボイラは、段階値制御ボイラに限られない。連続制御ボイラからなるボイラ群に対しても適用することができる。
具体的には、例えば、前述したように台数制御装置３は、当業者にとって公知の連続制御ボイラ群を台数制御する台数制御装置３Ａに置き換えるとともに、台数制御パラメータ出力装置９に換えて、例えば、平均蒸気量を出力する際に、燃焼ボイラの燃焼率がエコ運転ゾーンの範囲内になるように例えば設定する、制御パラメータを設定してもよい。
また、前述したように、ボイラは、段階値制御ボイラに限られない。連続制御ボイラからなるボイラ群に対しても適用することができる。
具体的には、例えば、前述したように台数制御装置３は、当業者にとって公知の連続制御ボイラ群を台数制御する台数制御装置３Ａに置き換えるとともに、台数制御パラメータ出力装置９に換えて、例えば、平均蒸気量を出力する際に、燃焼ボイラの燃焼率がエコ運転ゾーンの範囲内になるように例えば設定する、制御パラメータを設定してもよい。
【0091】
以上説明した本実施形態の予測機能付きボイラシステム１００に含まれる機械学習装置７又は台数制御パラメータ出力装置９によれば、以下のような効果を奏する。
【0092】
（１）本実施形態の機械学習装置７は、複数のボイラ２０を有するボイラ群２と、ボイラ群２の燃焼状態を制御する台数制御装置３と、を有するボイラシステム１から予め設定されたサンプリング周期毎に出力される、サンプリングタイムと、当該サンプリングタイムにおける少なくともボイラ群２の全出力蒸気量を含む測定データと、を含む稼働日毎のサンプリング順の時系列データに基づいて算出される、所定の単位時間毎のボイラ群２の少なくとも最大蒸気使用量及び平均蒸気使用量を含む単位時間蒸気量の時系列データの集合から、予め設定される第１時間帯に含まれる単位時間蒸気量の時系列データの部分集合となる第１時間帯時系列データを抽出するとともに、単位時間蒸気量の時系列データの集合から第１時間帯の直後から予め設定された第２時間先の単位時間の蒸気量を抽出することで、第１時間帯時系列データ及び第２時間先の単位時間の蒸気量を含む教師データを作成する教師データ作成部７０１と、教師データ作成部７０１によって作成された教師データに基づいて、任意の稼働日における第１時間帯に含まれる単位時間蒸気量の時系列データから、第１時間帯の直後から第２時間先の単位時間におけるボイラ群２の少なくとも最大蒸気使用量及び平均蒸気使用量を含む単位時間蒸気量を予測する予測モデル７５を生成する学習部７０２と、を備える。
そうすることで、複数のボイラ２０を有するボイラ群２を備えるボイラシステム１において、月、季節、又は四半期等の曜日、祝祭日等によって蒸気負荷パターンが異なる場合であっても、例えば直前の時間帯（複数時間）でのボイラ群２による全出力蒸気量の履歴に基づいて、所定時間先の最大蒸気使用量、及び平均蒸気使用量を予測するための予測モデル７５を作成することができる。
そうすることで、複数のボイラ２０を有するボイラ群２を備えるボイラシステム１において、月、季節、又は四半期等の曜日、祝祭日等によって蒸気負荷パターンが異なる場合であっても、例えば直前の時間帯（複数時間）でのボイラ群２による全出力蒸気量の履歴に基づいて、所定時間先の最大蒸気使用量、及び平均蒸気使用量を予測するための予測モデル７５を作成することができる。
【0093】
（２）本実施形態において、前記稼働日は、予め設定された蒸気負荷パターンが対応づけられ、学習部７０２は、蒸気負荷パターンに対応して、予測モデル７５を生成するようにしてもよい。
そうすることで、本実施形態の機械学習装置７は、月、季節、又は四半期等の曜日、祝祭日等によって蒸気負荷パターンが異なる場合であっても、例えば直前の時間帯（複数時間）でのボイラ群２による全出力蒸気量の履歴に基づいて、所定時間先の最大蒸気使用量、及び平均蒸気使用量を予測するための予測モデル７５を作成することができる。
そうすることで、本実施形態の機械学習装置７は、月、季節、又は四半期等の曜日、祝祭日等によって蒸気負荷パターンが異なる場合であっても、例えば直前の時間帯（複数時間）でのボイラ群２による全出力蒸気量の履歴に基づいて、所定時間先の最大蒸気使用量、及び平均蒸気使用量を予測するための予測モデル７５を作成することができる。
【0094】
（３）本実施形態の機械学習装置７の学習部７０２は、第１時間帯時系列データを入力データとし、当該第１時間帯の直後から第２時間先の単位時間の蒸気量をラベルデータとする教師データに基づいて、教師あり学習を実行し、予測モデル７５としての学習済みモデルを生成するようにしてもよい。
そうすることで、本実施形態の機械学習装置７の学習部７０２は、（１）又は（２）と同様の効果を奏することができる。
そうすることで、本実施形態の機械学習装置７の学習部７０２は、（１）又は（２）と同様の効果を奏することができる。
【0095】
（４）本実施形態の機械学習装置７の学習部７０２は、第１時間帯における単位時間毎の時系列データと、第１時間帯の直後から第２時間先の単位時間の蒸気量と、に基づいて、時系列分析を実行し、予測モデル７５を生成するようにしてもよい。
そうすることで、本実施形態の機械学習装置７の学習部７０２は、（１）又は（２）と同様の効果を奏することができる。
そうすることで、本実施形態の機械学習装置７の学習部７０２は、（１）又は（２）と同様の効果を奏することができる。
【0096】
（５）本実施形態の機械学習装置７は、ネットワークを介して台数制御装置３と通信可能に接続される１つ以上のサーバから構成されるようにしてもよい。
そうすることで、本実施形態の機械学習装置７は、ボイラシステム１とは独立した装置とすることができる。
そうすることで、本実施形態の機械学習装置７は、ボイラシステム１とは独立した装置とすることができる。
【0097】
（６）本実施形態の予測装置８は、（１）から（５）のいずれかに記載の機械学習装置７により生成された予測モデル７５と、ボイラシステム１の稼働日における任意の時刻の直前の第１時間帯時系列データを単位時間毎に取得し、予測モデル７５を用いて、単位時間毎に当該時刻から第２時間先の単位時間の蒸気量予測値を取得し、単位時間毎に取得する、第２時間先の単位時間の蒸気量予測値の集合に基づいて、ボイラシステム１の稼働日の所定の時刻から第２時間先までの時間帯における少なくともボイラ群２の最大蒸気使用量、及び平均蒸気使用量を予測する予測部８０２と、を備える。
そうすることで、本実施形態の予測装置８は、複数の段階的な燃焼位置で燃焼可能な段階値制御ボイラ２０を複数有するボイラ群２を備えるボイラシステム１において、月、季節、又は四半期等の曜日、祝祭日等によって蒸気負荷パターンが異なる場合であっても、例えば直前の第１時間帯でのボイラ群２による全出力蒸気量の履歴に基づいて、第１時間直後から第２時間先までの第２時間帯における最大使用蒸気量、及び平均蒸気使用量を予測することができる。
そうすることで、本実施形態の予測装置８は、複数の段階的な燃焼位置で燃焼可能な段階値制御ボイラ２０を複数有するボイラ群２を備えるボイラシステム１において、月、季節、又は四半期等の曜日、祝祭日等によって蒸気負荷パターンが異なる場合であっても、例えば直前の第１時間帯でのボイラ群２による全出力蒸気量の履歴に基づいて、第１時間直後から第２時間先までの第２時間帯における最大使用蒸気量、及び平均蒸気使用量を予測することができる。
【0098】
（７）本実施形態のボイラシステム１の含むボイラ群２は、複数の段階的な燃焼位置で燃焼制御可能な段階値制御ボイラ２０を複数有するボイラ群２であって、台数制御パラメータ出力装置９は、予測装置８により予測された、所定の時刻から第２時間先までの時間帯における最大蒸気使用量、及び平均蒸気使用量に基づいて、当該時間帯における前記ボイラシステムの最大使用蒸気量、平均蒸気量、及び変動蒸気量のいずれか２つ以上の値を算出し、ボイラシステム１の台数制御装置３に出力する台数制御パラメータ出力部９０１を備える。
そうすることで、本実施形態のボイラシステム１は、リアルタイムに予測される各種蒸気量の予測値に基づいて、所定の時刻から第２時間先までの時間帯における適切な最大使用蒸気量、平均蒸気量、変動蒸気量を自動的に設定することができる。
そうすることで、本実施形態のボイラシステム１は、リアルタイムに予測される各種蒸気量の予測値に基づいて、所定の時刻から第２時間先までの時間帯における適切な最大使用蒸気量、平均蒸気量、変動蒸気量を自動的に設定することができる。
【0099】
（８）本実施形態の台数制御装置３は、台数制御パラメータ出力装置９から取得した最大使用蒸気量、平均蒸気量、及び変動蒸気量のいずれか２つ以上の値に基づいて、所定の時刻から第２時間先までの時間帯における適切な台数制御パラメータを設定し、設定された前記台数制御パラメータに基づいて、ボイラ群２を燃焼制御するようにしてもよい。
そうすることで、本実施形態のボイラシステム１は、リアルタイムに予測される各種蒸気量の予測値に基づいて、所定の時刻から第２時間先までの時間帯において最適な台数制御をすることができる。
そうすることで、本実施形態のボイラシステム１は、リアルタイムに予測される各種蒸気量の予測値に基づいて、所定の時刻から第２時間先までの時間帯において最適な台数制御をすることができる。
【0100】
（９）本実施形態のボイラシステム１の含むボイラ群２は、複数の段階的な燃焼位置で燃焼制御可能な段階値制御ボイラ２０を複数有するボイラ群２であって、台数制御パラメータ出力装置９は、予測装置８により予測された、所定の時刻から第２時間先までの時間帯における最大蒸気使用量、及び平均蒸気使用量に基づいて、当該時間帯において最も適した台数制御パラメータグループＩＤを選択し、前記ボイラシステムの前記制御装置に出力する台数制御パラメータ出力部９０１を備える。
そうすることで、本実施形態のボイラシステム１は、リアルタイムに予測される各種蒸気量の予測値に基づいて、所定の時刻から第２時間先までの時間帯における適切な最大使用蒸気量、平均蒸気量、変動蒸気量を自動的に設定することができる。
そうすることで、本実施形態のボイラシステム１は、リアルタイムに予測される各種蒸気量の予測値に基づいて、所定の時刻から第２時間先までの時間帯における適切な最大使用蒸気量、平均蒸気量、変動蒸気量を自動的に設定することができる。
【0101】
（１０）本実施形態の台数制御装置３は、台数制御パラメータ出力装置９から取得した台数制御パラメータグループＩＤに基づいて、前記所定の時刻から第２時間先までの時間帯における適切な台数制御パラメータを設定し、設定された前記台数制御パラメータに基づいて、前記ボイラ群を燃焼制御するようにしてもよい。
そうすることで、本実施形態のボイラシステム１は、リアルタイムに予測される各種蒸気量の予測値に基づいて、所定の時刻から第２時間先までの時間帯において最適な台数制御をすることができる。
そうすることで、本実施形態のボイラシステム１は、リアルタイムに予測される各種蒸気量の予測値に基づいて、所定の時刻から第２時間先までの時間帯において最適な台数制御をすることができる。
【符号の説明】
【0102】
１００ 予測機能付きボイラシステム
１ ボイラシステム
２ ボイラ群
２０ 段階値制御ボイラ
３ 台数制御装置
３０ 制御部
３０１ 台数制御機能部
３０２ 時系列データ出力部
３０３ 台数制御パラメータ設定部
３２ 記憶部
３２１ 最大使用蒸気量記憶部
３２２ 平均蒸気量記憶部
３２３ 変動蒸気量記憶部
３２４ 台数制御パラメータグループＩＤ記憶部
３２５ 台数制御パラメータグループ記憶部
４ 蒸気ヘッダ
５ 蒸気圧センサ
６ 時系列データ記憶装置
６０ 制御部
６０１ 時系列情報記録部
６０２ 単位時間データ作成部
６０３ 第１時間帯時系列データ抽出部
６０４ 蒸気負荷パターン取得部
６２ 記憶部
６２１ 全出力蒸気量時系列情報記憶部
６２２ 単位時間蒸気量時系列情報記憶部
６２３ 蒸気負荷パターン情報記憶部
７ 機械学習装置
７０ 制御部
７０１ 教師データ作成部
７０２ 学習部
７０３ 予測モデル提供部
７２ 記憶部
７２１ 教師データ記憶部
７２２ 予測モデル記憶部
７５ 予測モデル（学習済みモデル）
８ 予測装置
８０ 制御部
８０１ 入力部
８０２ 予測部
８２ 記憶部
８２１ 予測モデル記憶部
８２２ 第１時間帯時系列データ記憶部
８２３ 第２時間帯時系列データ記憶部
９ 台数制御パラメータ出力装置
９０ 制御部
９０１ 台数制御パラメータ出力部
９２ 記憶部
９２１ 台数制御パラメータグループ記憶部
１ ボイラシステム
２ ボイラ群
２０ 段階値制御ボイラ
３ 台数制御装置
３０ 制御部
３０１ 台数制御機能部
３０２ 時系列データ出力部
３０３ 台数制御パラメータ設定部
３２ 記憶部
３２１ 最大使用蒸気量記憶部
３２２ 平均蒸気量記憶部
３２３ 変動蒸気量記憶部
３２４ 台数制御パラメータグループＩＤ記憶部
３２５ 台数制御パラメータグループ記憶部
４ 蒸気ヘッダ
５ 蒸気圧センサ
６ 時系列データ記憶装置
６０ 制御部
６０１ 時系列情報記録部
６０２ 単位時間データ作成部
６０３ 第１時間帯時系列データ抽出部
６０４ 蒸気負荷パターン取得部
６２ 記憶部
６２１ 全出力蒸気量時系列情報記憶部
６２２ 単位時間蒸気量時系列情報記憶部
６２３ 蒸気負荷パターン情報記憶部
７ 機械学習装置
７０ 制御部
７０１ 教師データ作成部
７０２ 学習部
７０３ 予測モデル提供部
７２ 記憶部
７２１ 教師データ記憶部
７２２ 予測モデル記憶部
７５ 予測モデル（学習済みモデル）
８ 予測装置
８０ 制御部
８０１ 入力部
８０２ 予測部
８２ 記憶部
８２１ 予測モデル記憶部
８２２ 第１時間帯時系列データ記憶部
８２３ 第２時間帯時系列データ記憶部
９ 台数制御パラメータ出力装置
９０ 制御部
９０１ 台数制御パラメータ出力部
９２ 記憶部
９２１ 台数制御パラメータグループ記憶部
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】