成套设备的控制装置以及火力发电成套设备的控制装置

摘要

本发明的目的是提供一种成套设备的控制装置以及火力发电成套设备的控制装置，其即使在控制在构筑统计模型时使用的数据中有偏差存在的学习型的成套设备的情况下，也能够构筑高精度的统计模型，获得希望的控制效果。本发明的成套设备的控制装置具有：推定在对成套设备给予控制信号时取得的测量信号的值的统计模型、保存在所述统计模型的构筑中使用的数据的模型构筑数据库、为使模型输出达到目标值而学习模型输入的生成方法的操作方法学习部、调整在所述模型构筑数据库中保存的信息中包含的统计模型的半径参数的模型调整部，所述统计模型使用通过所述模型调整部得到的半径参数的调整结果来生成模型输出。

说明书

技术领域

本发明涉及成套设备的控制装置，特别涉及使用煤等的化石燃料发电的火力发电成套设备的控制装置。

背景技术

成套设备的控制装置，处理从作为控制对象的成套设备得到的状态量的测量信号，计算提供给控制对象的控制信号(操作信号)后传递给控制对象。在成套设备的所述控制装置上安装有计算操作信号的算法，以使成套设备的状态量的测量信号满足其目标值。

作为在成套设备的控制中使用的控制算法，有PI(比例·积分)控制算法。在PI控制中，在成套设备的状态量的测量信号与其目标值的偏差上乘以比例增益而得到的值上，加上对偏差进行时间积分而得到的值，导出给予控制对象的操作信号。

使用PI控制的控制算法，能够使用框线图等描述输入输出关系，所以容易明白输入和输出的因果关系，有很多的应用成果。但是，在成套设备的运转状态变更或者环境变化等事前想不到的条件下使成套设备运转的时，有时需要变更控制逻辑等操作。

另一方面，在能够适应成套设备的运转状态或者环境的变化的控制方式中，有使用自动修正控制算法或者参数值的自适应控制或者学习算法的控制方式。

作为使用学习算法导出成套设备的控制装置的操作信号的方法，一般是使用成套设备的测量数据或者以数值分析为基础构筑的数据，以统计方式处理这些数据来构筑推定成套设备的特性的统计模型，对于该统计模型自主学习最佳的控制逻辑的方法。

使用该自主学习的方法所得到的控制方式的性能依存于统计模型的推定精度。即，统计模型的特性越接近实际的成套设备特性，就越能得到和对于统计模型的控制结果同等的控制效果。因此，在使用学习算法的自适应控制技术中，构筑更高精度的统计模型成为课题。

作为提高统计模型的精度的技术，在专利文献1中记载了使用探索算法来最优化作为统计方法之一的RBF网络的基函数的半径参数的技术。

另外，在非专利文献1中记载了用RBF网络构成统计模型，通过以模型构筑用的数据特性(数据数量、维数、距离)为基础而导出的计算式决定其基函数的半径参数的技术。

在上述公知技术中，因为执行基于模型构筑用数据的特性的半径调整，所以与随意设定半径的情况相比，能够构筑与实际的成套设备特性更一致的统计模型。

在对于成套设备的控制装置应用专利文献1、以及非专利文献1中公开的技术的情况下，通过基于数据的统计模型的半径参数设定，与随意设定半径参数的情况相比，能够提高推定精度。

另一方面，在成套设备控制中，因为在通过控制引起操作条件变更后到特性稳定之前需要几分钟到十几分钟的时间，所以通过把该时间作为控制周期来变更操作条件，可以期待得到最大的效果。

因此，上述统计模型的参数调整、以及基于学习算法的控制逻辑的学习最好在该控制周期以内结束。

但是，在成套设备的控制装置中应用专利文献1的技术的情况下，在像专利文献1的技术那样使用最优化技术的半径参数的调整方法中，因为要使数据和统计模型的推定结果的误差最小化来探索半径参数，所以需要对应于探索次数反复进行误差评价。因为误差评价的次数与数据数量成比例增加，所以在数据量大的情况下计算成本增加，有可能无法在控制周期以内结束统计模型的参数调整。

与此相对，在非专利文献1的技术中，使用预先导出的计算式决定统计模型的半径参数，所以不需要反复进行误差评价，能够减小计算成本，在控制周期以内结束统计模型调整。另外在该技术中，以统计模型构筑用的数据以某种程度的等间隔分布为前提，把全部基底的半径参数设定为一样。

但是，在成套设备的控制装置中应用非专利文献1的技术的情况下，在成套设备的运转控制中，为满足性能保证值而以在最佳操作条件下稳定运转为前提，所以设想所获得的模型构筑用的数据的分布大体集中在接近最佳条件的区域中，另外，从遵守上述性能保证值的观点出发，多数情况下也不允许用于使数据等间隔分布的人为的操作。

而且，当模型构筑用的数据在某条件下集中分布时，通过设定成一样的半径参数，统计模型的基函数不能充分地覆盖输入空间，有推定精度显著降低的可能性。

【专利文献1】特开2005-115639号公报

【非专利文献1】北山、安田、山崎：“RBFネツトワ一クとParticle SwarmOptimization による統合的最適化”，電気学会論文誌C，Vol.128，No.4，pp.636-645(2008)

发明内容

本发明的目的是提供一种成套设备的控制装置以及火力发电成套设备的控制装置，其具备即使在控制在构筑统计模型时使用的数据中存在偏差的学习型的成套设备的情况下，也根据该数据的偏差的分布在控制周期以内适当地调整统计模型的参数，使推定精度提高的功能。

本发明的成套设备的控制装置，从成套设备取入作为该成套设备的状态量的测量信号，使用所述测量信号运算对所述成套设备进行控制的操作信号，其中，控制装置具有：测量信号数据库，其取入作为所述成套设备的状态量的测量信号并保存；模型构筑数据库，其保存从在所述测量信号数据库中保存的成套设备的测量数据变换而得的模型构筑数据；统计模型，其使用在所述模型构筑数据库中保存的模型构筑数据，推定对所述成套设备提供控制信号时作为该成套设备的状态量的测量信号的值，模拟成套设备的控制特性；操作方法学习部，其使用所述统计模型学习与提供给成套设备的所述控制信号相当的模型输入的生成方法，以使与所述测量信号相当的模型输出达到目标值；学习信息数据库，其保存与所述操作方法学习部中的学习的制约条件以及学习结果相关的学习信息数据；和控制信号生成部，其使用所述测量信号数据库的测量信号、以及所述学习信息数据库的学习信息数据，运算对成套设备发送的控制信号，而且，在所述控制装置中设置模型调整部，其调整在所述模型构筑数据库中保存的模型构筑数据中包含的统计模型的基本半径参数，所述统计模型使用通过所述模型调整部得到的基本半径参数的调整结果，生成模型输出。

本发明的火力发电成套设备的控制装置，从具有锅炉的火力发电成套设备取入作为该成套设备的状态量的测量信号，使用所述测量信号运算对所述火力发电成套设备进行控制的操作信号，其中，所述测量信号，包含表示在从所述火力发电成套设备的锅炉排出的废气中包含的氮氧化物、一氧化碳、以及硫化氢的浓度中的至少一种浓度的状态量的信号，所述操作信号，包含表示供给所述火力发电成套设备的锅炉的空气流量、调节该空气流量的空气调节阀的开度、供给锅炉的燃料流量、使得从锅炉排出的废气向该锅炉再循环的废气再循环流量中的至少一种的信号，控制装置具有：测量信号数据库，其取入作为所述火力发电成套设备的状态量的测量信号并保存；模型构筑数据库，其保存从在所述测量信号数据库中保存的成套设备的测量数据变换而得的模型构筑数据，所述模型构筑数据包含供给锅炉的空气流量、调节该空气流量的空气调节阀的开度、供给锅炉的燃料流量、使得从锅炉排出的废气向该锅炉再循环的废气再循环流量中的至少一种；统计模型，其使用在所述模型构筑数据库中保存的模型构筑数据，推定对所述成套设备提供控制信号时作为该成套设备的状态量的测量信号的值，模拟成套设备的控制特性；操作方法学习部，其使用所述统计模型学习与提供给成套设备的所述控制信号相当的模型输入的生成方法，以使与所述测量信号相当的模型输出达到目标值；学习信息数据库，其保存与所述操作方法学习部中的学习的制约条件以及学习结果相关的学习信息数据；和控制信号生成部，其使用所述测量信号数据库的测量信号、以及所述学习信息数据库的学习信息数据，运算对成套设备发送的控制信号，而且，在所述控制装置中设置模型调整部，其调整在所述模型构筑数据库中保存的模型构筑数据中包含的统计模型的基本半径参数，所述统计模型使用通过所述模型调整部得到的基本半径参数的调整结果，生成模型输出。

根据本发明，能够实现这样的成套设备的控制装置以及火力发电成套设备的控制装置，其具备即使在控制在构筑统计模型时使用的数据中存在偏差的学习型的成套设备的情况下，也可以根据该数据的偏差的分布在控制周期以内适当地调整统计模型的参数，使推定精度提高的功能。

附图说明

图1是表示作为本发明的第一实施例的成套设备的控制装置的结构的框图。

图2是表示图1中记载的本发明的第一实施例的成套设备的控制装置中的操作方法的学习时的动作流程的流程图。

图3是表示图1中记载的本发明的第一实施例的成套设备的控制装置中的模型调整部的结构的框图。

图4是表示图1中记载的本发明的第一实施例的成套设备的控制装置中的模型构筑数据中保存的数据的形式的图。

图5是表示图1中记载的本发明的第一实施例的成套设备的控制装置中的模型调整的动作流程的流程图。

图6是表示图1中记载的本发明的第一实施例的成套设备的控制装置中的模型调整时的类别划分的概念的概略图。

图7是说明图1中记载的本发明的第一实施例的成套设备的控制装置中的模型调整机制的概要图。

图8是表示图1中记载的本发明的第一实施例的成套设备的控制装置中的模型调整时的基底疏密度分布变化的样子的概要图。

图9是表示图1中记载的本发明的第一实施例的成套设备的控制装置中的模型调整时的模型推定值分布变化的样子的概要图。

图10是在图1中记载的本发明的第一实施例的成套设备的控制装置中在设定模型输入输出时在图像显示装置上显示的画面的一例。

图11是在图1中记载的本发明的第一实施例的成套设备的控制装置中在设定模型调整条件时在图像显示装置上显示的画面的一例。

图12是在图1中记载的本发明的第一实施例的成套设备的控制装置中在确认模型调整结果时在图像显示装置上显示的画面的一例。

图13是表示作为应用本发明的成套设备的控制装置的第二实施例的火力发电成套设备的结构的概略结构图。

图14是表示在图13中记载的第二实施例的火力发电成套设备中装备的空气加热器的结构的概略构造图。

图15是在图13中记载的本发明的第二实施例的火力发电成套设备的控制装置中在设定模型输入输出时在图像显示装置上显示的画面的一例。

符号说明

1测量信号，16控制信号，90输入输出数据信息，100成套设备，100a火力发电成套设备，101锅炉，102燃烧器，103后空气端口，130～133配管，140～142配管，160～163空气调节阀，200控制装置，201外部输入接口，202外部输出接口，210测量信号数据库，220模型构筑数据库，230学习信息数据库，240控制逻辑数据库，250控制信号数据库，300测量信号变换部，400数值解析部，500统计模型，600模型调整部，700控制信号生成部，800操作方法学习部，900外部输入装置，901键盘，902鼠标，910维护工具，911外部输入接口，912数据收发处理部，913外部输出接口，920图像显示装置。

具体实施方式

下面，参照附图说明本发明的成套设备的控制装置以及火力发电成套设备的控制装置的实施例。

在本发明的成套设备的控制装置以及火力发电成套设备的控制装置两者中成为共同的结构的成套设备控制装置中，希望构成所述控制装置的模型调整部具有类别运算功能和半径调整功能中的至少一种功能，所述类别运算功能使用在模型构筑数据库中保存的信息来决定模型构筑用数据的类别号码，所述半径调整功能使用包含通过所述类别运算功能决定的类别信息的模型构筑数据信息来调整统计模型的半径参数。

另外，希望在模型构筑数据库中保存的信息中包含各数据的模型输入空间中的坐标、半径参数、数据疏密度、以及数据所属的类别号码中的至少一种信息。

另外，希望类别运算功能具有计算作为表示各数据的密集度的指标的疏密度的功能；和根据通过外部输入装置输入的类别数信息，把用类别数等分模型构筑数据的疏密度分布范围而得到的值作为基准来决定各数据的类别号码的功能中的至少一种功能。

另外，希望半径调整功能具有在调整半径参数时对于在模型输入空间内任意决定的基准模型输入计算其疏密度的功能；和在计算出的疏密度不满足通过外部输入装置输入的阈值条件的情况下提取出位于基准模型输入的最近处的数据的类别，调整属于该类别的数据的半径参数的功能中的至少一种功能。

希望所述控制装置与图像显示装置连接，具有在图像显示装置上显示在模型构筑数据库中保存的信息的功能、通过图像显示装置设定在模型调整部中使用的模型调整条件的功能、和在图像显示装置上显示模型调整部的统计模型的调整结果的功能中的至少一种功能。

通过具有通过图像显示装置输入模型调整的条件设定的功能，成套设备的运行人员能够根据成套设备的控制需要设定恰当的模型调整条件。而且，通过具有在图像显示装置上显示通过模型调整引起的疏密度的迁移、以及数据和推定结果的误差的迁移的功能，成套设备的运行人员能够确认通过模型调整能否获得希望的模型推定精度，在不能够获得的情况下再次执行模型调整。

另外，在火力发电成套设备中应用本发明的控制装置的情况下，成为具有控制信号生成部的结构的火力发电成套设备的控制装置，所述控制信号生成部使用从火力发电成套设备取得的测量信号，导出供给火力发电成套设备的控制信号。

这些测量信号包含表示在从火力发电成套设备排出的气体中包含的氮氧化物、一氧化碳、以及硫化氢各个的浓度中至少一种浓度的信号。另外，控制信号包含决定空气调节阀的开度、空气流量、燃料流量、废气再循环流量中的至少一种的信号。

所述控制装置具有：统计模型，用于推定在向火力发电成套设备供给控制信号时的测量信号的值；模型构筑数据库，用于保存包含在所述统计模型的构筑中使用的、火力发电成套设备的空气调节阀的开度、空气流量、燃料流量、废气再循环流量中的至少一种信息的数据；操作方法学习部，用于使用所述统计模型来学习与所述控制信号相应的模型输入的生成方法，以使与所述测量信号相应的模型输出达到目标值；学习信息数据库，用于保存关于所述操作方法学习部中的学习的制约条件以及学习结果的信息；和模型调整部，用于调整在所述模型构筑数据库中保存的信息中包含的统计模型的半径参数。

另外，希望所述控制装置与图像显示装置连接，具有在图像显示装置上显示在模型构筑数据库中保存的信息的功能、通过图像显示装置设定在模型调整部中使用的模型调整条件的功能、和在图像显示装置上显示模型调整部的统计模型的调整结果的功能中的至少一种功能。

在火力发电成套设备的控制中应用了本发明的控制装置的实施例中，通过图像显示装置输入与火力发电成套设备中的模型输入相应的燃烧器、以及后空气端口的空气量相关的设定信息。

下面，参照附图说明作为本发明的实施例的成套设备的控制装置以及火力发电成套设备的控制装置。

【实施例1】

首先，参照附图说明作为本发明的第一实施例的成套设备的控制装置。

图1是本发明的第一实施例的成套设备的控制装置的系统结构图。如图1所示，作为控制对象的成套设备100被控制装置200控制。

因为控制成套设备100的控制装置200与维护工具910连接，所以成套设备100的运行人员能够通过在维护工具910上连接的外部输入装置900和图像显示装置(例如CRT显示器)920控制控制装置200。

在控制装置200中形成为作为运算装置而分别具有测量信号变换部300、数值解析部400、统计模型500、模型调整部600、控制信号生成部700以及操作方法学习部800的结构。

另外，在控制装置200中，作为数据库(DB)而设置有测量信号数据库210、模型构筑数据库220、学习信息数据库230、控制逻辑数据库240、以及控制信号数据库250。

另外，在控制装置200中，作为和外部的接口而设置有外部输入接口201以及外部输出接口202。

另外，在该控制装置200中构成为，通过外部输入接口201从成套设备100把测量该成套设备的各种状态量而得到的测量信号1取入控制装置200的测量信号数据库210中，另外，从控制装置200的控制信号生成部700通过外部输出接口202对于作为控制对象的成套设备100输出控制该成套设备的控制信号15、例如作为控制供给的空气流量的控制信号16。

在该控制装置200中，通过外部输入接口201从所述成套设备100取入的测量成套设备100的状态量而得的测量信号2，被保存在测量信号数据库210中。

另外，通过在控制装置200中设置的控制信号生成部700生成的控制信号15，被保存在控制装置200中设置的控制信号数据库250中，同时从外部输出接口202作为针对所述成套设备100的操作信号16而被输出。

在控制装置200中设置的测量信号变换部300中，把在测量信号数据库210中保存的测量数据3变换为模型构筑数据4。该模型构筑数据4被保存在模型构筑数据库220中。另外，在测量数据3中包含的、作为之前的控制结果而得到的运转条件，被输入在控制装置200内设置的控制信号生成部700。

在控制装置200内设置的数值解析部400中，使用模拟成套设备100的物理模型来预测成套设备100的特性。用数值解析部400执行而得到的数值解析数据5被保存在模型构筑数据库220中。

在控制装置200内设置的模型调整部600中，更新从模型构筑数据库220取入的模型构筑数据7中包含的模型参数信息(调整模型)，在模型构筑数据库220中保存更新后的模型构筑数据8。

在控制装置200内设置的操作方法学习部800中生成学习数据12，并保存在学习信息数据库230中。

在控制装置200内设置的统计模型500，具有模拟成套设备100的控制特性的功能。即模拟运算与把操作信号16提供给成套设备100、得到其控制结果所对应的测量信号1同等的功能。为进行该模拟运算，统计模型500使用从操作方法学习部800接受的模型输入9、和在模型构筑数据库220中保存的模型构筑数据6。

该模型输入9相当于操作信号16。根据模型输入9和模型构筑数据6，在所述统计模型500中通过使用基函数的统计方法模拟运算通过成套设备100的控制引起的特性变化，得到模型输出10。

通过统计模型500得到的模型输出10成为成套设备100的测量信号1的预测值。模型输入9、模型输出10两者的数量都不限定于一种，可以分别准备多种。

这里，所谓使用基函数的统计方法，是在把模型输入作为各分量的矢量空间内，根据拥有的统计数据(在本发明中与模型构筑数据6相当)信息来配置基函数，通过其线性结合输出成套设备特性的模拟运算结果(模型特性)的方法。

作为代表性的方法，举出作为神经网络的一种方法的径向基函数网络(Radial Basis Function Network)，但是在本发明中关于统计模型的结构不限于此，也可以应用使用基函数的其他方法。基函数，一般使用放射状的函数(高斯函数)，其形状由表示放射的范围的半径参数来决定。

在控制装置200内设置的控制信号生成部700中，使用从学习信息数据库230输出的学习信息13、以及在控制逻辑数据库250中保存的控制逻辑数据14，以使测量信号1成为希望的值那样生成控制信号15。

在该控制逻辑数据库250中保存计算控制逻辑数据14的控制电路、以及控制参数。在计算该控制逻辑数据14的控制电路中，可以使用作为现有技术而公知的PI(比例·积分)控制。

操作方法学习部800，使用在学习信息数据库230中保存的包含学习的制约条件以及学习的参数设定条件等的学习信息数据11，学习模型输入9的操作方法。作为学习结果的学习数据12被保存在学习信息数据库230中。

这样，在控制装置200的动作中，通过具备在模型调整部600中调整在模型构筑数据库220中保存的模型构筑数据7中包含的模型参数信息的机制，提供与模型构筑数据7的特性对应的适当的模型参数数据，所以可以提高统计模型500中的成套设备特性的推定精度。

另外，因为遵照把数据的密度分布作为基准来公式化的算法执行这样的模型调整，所以与专利文献1中记载的那样的尝试的半径参数的决定方法相比，能够缩短模型调整所需要的时间。

关于在控制装置200中设置的统计模型500、模型调整部600、以及操作方法学习部800的详细功能，在后面进行描述。

另外，在从操作方法学习部800向学习信息数据库230中保存的学习数据12中，包含关于操作前后的模型输入、以及作为该操作的结果而得到的模型输出的信息。

在学习信息数据库230中，选择与当前的运转条件对应的学习数据12，作为学习信息数据13输入控制信号生成部700中。

成套设备100的运行人员，通过使用由键盘901和鼠标902构成的外部输入装置900、控制装置200和能够收发数据的维护工具910、以及图像显示装置920，能够访问在控制装置200中配备的各种数据库中保存的信息。

另外，通过使用这些装置，能够输入在控制装置200的数值解析部400、统计模型500、模型调整部600、以及操作方法学习部800中使用的参数设定值、学习的制约条件、以及为确认所得到的学习结果而需要的设定信息。

维护工具910由外部输入接口911、数据收发处理部912、以及外部输出接口913构成，能够通过数据收发处理部912与控制装置200进行数据收发。

用外部输入装置900生成的维护工具输入信号91，通过外部输入接口911被取入维护工具910中。在维护工具910的数据收发处理部912中，遵照维护工具输入信号92的信息，从控制装置200取得输入输出数据信息90。

另外，在数据收发处理部912中，遵照维护工具输入信号92的信息，对输入输出数据信息90进行输出，该输入输出数据信息90包含在控制装置200的数值解析部400、统计模型500、模型调整部600、以及操作方法学习部800中使用的参数设定值、学习的制约条件、以及为确认所得到的学习结果而需要的设定信息。

在数据收发处理部912中，把作为处理输入输出数据信息90的结果而得到的维护工具输出信号93发送到外部输出接口913。从外部输出接口913发送的维护工具输出信号94显示在图像显示装置920上。

在上述的控制装置200中，测量信号数据库210、模型构筑数据库220、学习信息数据库230、控制逻辑数据库240、以及控制信号数据库250被配置在控制装置200的内部，但是也可以把它们全部或者一部分配置在控制装置200的外部。

另外，数值解析部400被配置在控制装置200的内部，但是也可以把它配置在控制装置200的外部。

例如，也可以把数值解析部400、以及模型构筑数据库220配置在控制装置200的外部，经由因特网向控制装置200发送数值解析数据5。

图2是表示图1中表示的作为第一实施例的成套设备的控制装置中的控制过程的流程图。

图2表示一个流程图，该流程图表示通过在第一实施例的成套设备的控制装置200中设置的模型调整部600进行的统计模型500的调整、以及通过操作方法学习部800进行的操作方法的学习时的动作。

图2表示的流程图，组合步骤1000、1100、1200、1300、1400、1500、1600、1700、1800、1900、2000、2100以及2200来执行。下面说明各个步骤。

在控制装置200的动作开始后，首先最初在设定模型构筑条件·学习条件的步骤1000中，设定模型构筑时的执行条件、学习时的最大学习次数、最大操作次数、制约条件等各种参数值。

接着，在调节统计模型的半径的步骤1100中，使控制装置200的模型调整部600动作，更新在模型构筑数据7中包含的模型参数。这里，所述模型参数包含各数据的基本半径信息、中心疏密度信息、以及类别号码信息。关于模型调整部600的详细功能以及动作，在后面进行描述。

接着，在学习统计模型的参数的步骤1200中，使控制装置200的统计模型500动作，学习在统计模型500的推定值计算中使用的参数。关于学习的具体的手段，可以使用一般使用的公知的各种方式。

接着，在初始化学习次数k(k＝1)的步骤1300中，初始化表示步骤1400～2100的重复次数的值、即学习次数k(设定k＝1)。

接着，在决定模型输入的初始值的步骤1400中，设定开始学习时的模型输入9的初始值。作为模型输入9的初始值，可以选择预先设定的可操作范围内的任意值。即，如果在该操作范围内，则作为初始条件可选择任意状态。模型输入9，通常表现为连续值矢量，但是也可以使用离散值矢量。

接着，在初始化操作次数o(o＝1)的步骤1500中，初始化作为步骤1600～2000的重复次数的操作次数o(设定o＝1)。

接着，在更新模型输入的步骤1600中，使用所决定的模型输入9的操作量更新模型输入9。

接着，在计算统计模型的基函数值的步骤1700中，向统计模型500输入更新后的模型输入9，计算统计模型500的各基函数值。

接着，在计算模型输出的步骤1800中，根据在上述步骤1200中求得的统计模型500的参数、以及在上述步骤1700中求得的统计模型500的基函数值，计算作为统计模型500的运算结果的模型输出10。

接着，在学习操作方法的步骤1900中，使操作方法学习部800动作，根据用统计模型500计算出的模型输出10的值，使控制装置200的操作方法学习部800动作，使用强化学习理论等的学习算法，学习模型输入9的操作方法。

接下来的判断操作次数o是否达到最大值以上的步骤2000是分支。在操作次数o比在步骤1000中设定的最大操作次数小的情况下，在o上加1后返回步骤1600，在o达到最大操作次数的情况下，前进到步骤2100。

接下来的判断学习次数k是否达到最大值以上的步骤2100也是分支。在学习次数k比在步骤1000中设定的最大学习次数小的情况下，在k上加1后返回步骤1400，在k达到最大学习次数的情况下，前进到步骤2200。

然后，在最后的将学习结果保存在学习信息数据库中的步骤2200中，在学习信息数据库230中保存操作方法的学习结果，前进到使操作方法学习部800中的操作方法的学习动作结束的步骤。

通过以上的动作，在模型调整以及操作方法的学习中，根据由成套设备100的运行人员所设定的模型调整条件、以及学习条件，更新在模型构筑数据7中包含的模型参数信息，另外能够自主地获得达到从任意的模型输入条件得到希望的模型输出的输入条件的操作方法。

下面，使用图3说明所述控制装置200中的模型调整部600的动作。图3是说明模型调整部600的动作的图，详细表示了图1表示的控制装置200中包含模型调整部600以及模型构筑数据库220的部分。

所述模型调整部600由类别运算功能部601、以及半径调整功能部602构成。类别运算功能部601，使用在模型构筑数据库220中保存的模型构筑数据7，计算各模型构筑数据的密度、作为表示对于在各数据中配置的基本的输入空间的覆盖率的参数的疏密度、以及作为把疏密度作为基准对数据分类的结果而决定的类别号码，向模型构筑数据库220保存更新了它们的模型构筑数据8。

半径调整功能部602，使用通过所述类别运算功能部601更新的模型构筑数据7，根据其中包含的疏密度、以及类别信息更新各模型构筑数据的基本半径信息，向模型构筑数据库220保存更新后的模型构筑数据8。以上的动作与图2的流程图中的调节统计模型的半径的步骤1100相当。

图4表示在所述模型构筑数据库220中保存的数据的形式的一例。

在图4中表示的、在模型构筑数据库220中保存的数据中，数据ID 221是各模型构筑数据的识别号码。数据坐标222是该数据的输入空间中的坐标信息，同时意味着对于该数据配置的统计的基函数的中心参数。

基本半径223是表示对于各数据配置的基本的范围的参数。疏密度224是表示数据的密度分布、以及基于在输入空间内配置的基本的、该数据坐标中的基函数的覆盖率的参数。

类别号码225是根据疏密度而决定的参数，疏密度224进入特定的范围内的数据为同一类别，被给予相同的类别号码。在更新在模型构筑数据库220中保存的数据数量时决定类别号码225，在下次更新模型构筑数据库220之前不更新。

下面，参照流程图(图5)以及概念图(图6以及图7)说明通过在所述控制装置200内设置的模型调整部600中的类别运算功能部601、以及半径调整功能部进行的模型调整的算法。

图5是表示通过所述模型调整部600进行的模型调整的算法动作的流程图，与图2的流程图中的调节统计模型的半径的步骤1100相当。

图5表示的流程图，组合步骤1101、1102、1103、1104、1105、1106、1107、1108、1109、1110、1111、以及1112执行。下面说明各个步骤。

在模型调整的算法开始后，首先最初在初始化模型调整条件以及基本半径的步骤1101中，使模型调整部600动作，初始化模型调整时的最大反复次数、类别数、疏密度判定阈值、以及基本半径等各种参数值。

因为在后述的类别计算时使用，所以把全部数据的基本半径初始化为比0大的相同的值。另外希望半径值设定为例如模型输入空间的最大距离的5～10％左右的较小的值。

接着，在初始化模型调整的反复次数m(m＝1)的步骤1102中，初始化作为步骤1106～1111的重复次数的反复次数m(设定m＝1)。

接着，在计算各数据的疏密度的步骤1103中，使模型调整部600的类别运算功能部601动作，遵照数学式(1)计算各模型构筑数据的疏密度ρ_i。

【数学式1】

${\rho }_i=\frac{1}{I}\underset{j=1}{\overset{I}{\Sigma }}\exp (-\frac{(c_j-c_i)·(c_j-c_r)}{r_i})...\left(1\right)$

在数学式(1)中，i、j是数据的下标，I是数据总数，c_i、c_j分别是数据i、j的坐标矢量，r_i是数据i的基本半径。另外，数学式(1)中作为∑的内容的指数函数表示统计模型500的基函数。如数学式(1)所示，疏密度成为对于数据的基中心的全部基函数值的平均值，即基于基函数的数据坐标上的覆盖率。

即，对于数据间的距离小(数据密集)的区域的数据，疏密度变大，对于数据间的距离大(数据疏)的区域的数据，疏密度变小。通过像这样定义疏密度，可以把数据的疏密分布以及覆盖率作为标量来处理。

接着，在决定各数据的类别的步骤1104中，根据在计算所述各数据的疏密度的步骤1103中计算出的各数据的疏密度信息决定各数据所属的类别号码。使用在初始化所述模型调整条件以及基本半径的步骤1101中设定的类别数、以及各数据的疏密度的最大值ρ^max、以及最小值ρ^min，根据遵照数学式(2)计算的类别边界条件ρ^Ln决定所述类别号码。在数学式(2)中，N是类别数，n是类别数的下标。

【数学式2】

${\rho }^{L_n}=\frac{({\rho }^{\max }-{\rho }^{\min })}{N}(n-1)+{\rho }^{\min }...\left(2\right)$

使用图6说明基于以上定义的类别号码决定方法。

图6是表示疏密度的分布的概念图，横轴表示模型构筑数据ID，纵轴表示疏密度。如图6所示，用类别数N等分各数据的疏密度最大值ρ^max和最小值ρ^min的差所得到的范围成为各类别的区域，通过用数学式(2)计算的类别边界条件ρ^Ln定义该区域。即把疏密度取从ρ^Ln到ρ^Ln+1的范围的数据分类到类别n中。(其中，类别N的疏密度的范围为从ρ^LN到ρ^max。)

在后述的半径调整方法中，把具有同一类别号码的数据的基本半径的值调整成为一样。在类别数多的情况下，要调整的基本半径的参数数量增多，能够细致地调整基本半径，所以可以期待更大地改善推定精度，但是计算成本相应升高，与此相对，在类别数少的情况下，虽然推定精度的改善小，但是计算成本降低。成套设备的运行人员可以根据关于精度以及时间的需要，任意设定类别数。

接着，在向数据库中保存疏密度·类别信息的步骤1105中，向模型构筑数据库220中保存使用计算出的疏密度以及类别号码信息更新后的模型构筑数据8。

在以下的步骤1106～步骤1111中，使所述模型调整部600的半径调整功能部602动作，根据已决定的类别信息调整数据的基本半径。这里使用图7说明具体的调整算法。

图7是说明所述模型调整部600的半径调整功能部602中的数据的基本半径的调整的概要图，是在取模型输入数为2的情况下，在模型输入空间上绘制在模型构筑数据库220中保存的模型构筑数据7的图。各模型输入取[0，1]的范围，在各数据上表示与基本半径的值对应的同心圆、以及各数据属于的类别号码。

如图7的上图以及下图所示，具有同一类别号码的数据的基本半径相等。基本半径的调整，首先在模型输入空间上决定成为基本半径调整的基准的模型输入x_m。然后，在与该模型输入对应的疏密度不满足阈值条件的情况下，提取出位于该模型输入的最近处的数据，调整与该数据属于相同的类别的数据的基本半径。

在图7的下图中表示了选择对于模型输入x_m最近的数据的类别号码2，调整(放大)具有同一类别号码的数据的基本半径的情况。通过以一定次数重复以上的处理，可以得到能够必要充分地覆盖模型输入空间的基本半径参数。以下说明各步骤的细节。

接着，在决定模型输入条件的步骤1106中，决定在基本半径调整时成为基准的模型输入x_m。作为模型输入条件，可以选择可操作范围内的任意的值。

接着，在计算与模型输入对应的疏密度的步骤1107中，对于已决定的模型输入x_m，遵照数学式(3)计算x_m的疏密度ρ_m。

【数学式3】

${\rho }_m=\frac{1}{I}\underset{j=1}{\overset{I}{\Sigma }}\exp (-\frac{(c_j-x_m)·(c_j-x_m)}{r_i})...\left(3\right)$

接着，判断疏密度是否满足阈值条件的步骤1108是分支。判断计算出的疏密度ρ_m是否满足预先设定的阈值条件(上下限值以内)。然后，在满足阈值条件的情况下，关于该模型输入x_m，认为作为调整对象的基本半径不存在，前进到步骤1111，在不满足阈值条件的情况下，前进到用于调整基本半径的步骤1109。

接着，在决定模型输入的最近的数据所属的类别的步骤1109中，决定对于该模型输入x_m距离最小(最接近)的数据、以及该数据所属的类别号码。

接着，在调节属于最近数据的基本半径的步骤1110中，关于具有与在步骤1109中已决定的最近数据所属的类别号码相同的类别号码的数据，调整其基本半径，所述步骤1109用于决定离所述模型输入最近的数据属于的类别。

在疏密度ρ_m低于阈值条件的下限值的情况，为扩大基底的覆盖的区域增加疏密度，而增大基本半径；在大于上限值的情况下，为减小基底的覆盖的区域减小疏密度，而减小基本半径，遵照这样的方针执行基本半径的调整。

通过这样使与任意的模型输入条件对应的疏密度满足阈值地调整基本半径，能够减小在密区域中由于基底的竞争而引起的推定值的过大评价、以及在疏区域中由于无法充分确保基底的覆盖率而引起的过小评价的影响，提高模型推定精度。

接着，判断m是否达到最大值以上的步骤1111是分支。在反复次数m比在初始化模型调整条件以及基本半径的步骤1101中设定的最大反复次数小的情况下，在m上加1后返回决定模型输入条件的步骤1106，在m达到最大操作次数的情况下，前进到步骤1112。

最后，在数据库中保存基本半径信息的步骤1112中，使用调整后的基本半径信息更新模型构筑数据8后保存在模型构筑数据库220中，前进到结束模型调整部600的动作的步骤。

使用图8以及图9说明以上说明的通过控制装置200的模型调整部600进行的模型调整的算法的效果。

图8是在与图7所示的同样的模型输入空间以及数据结构中的疏密度分布的周线图，图8的上图是把基本半径设定为一样的值(0.1)的情况下的周线图；图8的下图是通过模型调整算法进行半径调整后的周线图。

另外，图9是与图8表示的2种情况的基本半径值对应的模型输出分布的周线图。在图8以及图9的两图中，和图7同样地表示了基本半径的同心圆、以及各数据的类别号码。

如图8、图9的上图所示，在把基本半径设定的一样的情况下，因为基函数不能充分覆盖输入空间，所以疏密度、模型输出两者都仅在基本半径的同心圆的内部值变大。

其结果，在数据分布疏的区域内的推定精度降低，在通过所述控制装置200的操作方法学习部800进行学习的情况下，也有可能得不到希望的控制性能。

另一方面，在通过所述控制装置200的模型调整部600调整基本半径的情况下，因为通过基函数能够充分覆盖输入空间，所以如图8、图9所示，通过基底的覆盖率升高，在输入空间内的几乎全部区域内疏密度增加。并且，模型输出值即使在数据分布疏的区域内也成为与数据的特性对应的值，推定精度升高。

根据以上的说明可知，在所述控制装置200的模型调整部600中，根据模型构筑数据的疏密度信息，调整基本半径以便能够必要充分地覆盖输入空间。结果，能够消除基底过重地覆盖的区域或者覆盖率低的区域，有助于提高模型推定精度。

另外，以疏密度为线索遵照一定的方针调整基本半径，因此能够排除尝试的探索处理，与尝试的半径调整手段相比能够降低计算成本。到此结束模型调整功能600的详细的动作说明。

下面，使用图10、11、12、13以及14说明在作为第一实施例的成套设备的控制装置中，在图像显示装置920上显示的画面，所述图像显示装置920显示从能够与控制装置200收发数据的维护工具910的外部输出接口913发送的维护工具输出信号94。图10～14是在图像显示装置920上显示的画面的一个具体例。

图10是在作为第一实施例的成套设备的控制装置中，当设定模型输入输出时在图像显示装置上显示的画面例，是表示第一实施例的成套设备的控制装置中的控制的过程的图2的流程图中的、设定模型构筑条件·学习条件的步骤1000的模型构筑条件设定画面的一例。

在该图10表示的模型输入输出设定的画面中，能够从基于成套设备的测量数据信息的输入输出项目中选择任意的项目来设定控制装置200中的统计模型500的模型输入输出。

在所述图像显示装置920上显示图10所示的画面的状态下，操作外部输入装置900的鼠标902，把焦点(focus)移到画面上的数值框上，通过使用键盘901能够输入数值。另外，通过操作鼠标902点击画面上的按钮，可以选择(按压)按钮。同样，通过操作鼠标902点击画面上的复选框，可以输入选项。

在图10表示的画面中，首先，在模型输入设定中，对于在输入项目列表3000中显示的输入项目，把鼠标902的焦点移动到任意的项目上，通过选择按钮，能够使选择条3001与所选择的输入项目一致。然后，通过选择按钮3002，可以在模型输入项目列表3003中追加所选择的输入项目。

进而，通过把焦点移动到数值框3004以及3005的各个上来输入数值，能够对于所追加的模型输入项目设定其最小值以及最大值。在从已经追加的模型输入项目列表中删除项目的情况下，通过鼠标902选择想要删除的项目，通过选择按钮3006可以从列表中删除。

在图10表示的画面中，接着在模型输出设定中，同样对于在输出项目列表3007中显示的输出项目，把鼠标902的焦点移动到任意的项目上，通过选择按钮，可以使选择条3008与所选择的输出项目一致。然后，通过选择按钮3009，可以在模型输出项目列表3010中追加所选择的输出项目。

在从已经追加的模型输出项目列表中删除项目的情况下，通过鼠标902选择想要删除的项目，通过选择按钮3011可以从列表中删除。

在以上的模型输入输出设定结束后，当选择按钮3012时转移到图11表示的模型调整条件设定画面。

图11是在作为第一实施例的成套设备的控制装置中设定模型调整条件时在图像显示装置上显示的画面例，在该图11表示的模型调整条件设定的画面中，通过把焦点移动到数值框3100、3101、3102、3103以及3104各个上来输入数值，可以设定图5的流程图中的作为模型调整的反复次数m的最大值的模型调整反复次数、在上述步骤1104中使用的类别数、在上述步骤1108中使用的疏密度阈值的最小值以及最大值、以及在模型调整结果的评价中使用的推定误差目标值。

在以上的模型调整条件设定结束后，通过选择按钮3105，可以开始模型调整。另外，当选择按钮3106时返回模型输入输出设定画面。

图12是在作为第一实施例的成套设备的控制装置中确认模型调整结果时在图像显示装置上显示的画面例，是在表示第一实施例的成套设备的控制装置中的控制的过程的图2的流程图中的步骤1100的模型调整结束后的调整结果评价时使用的画面的一例。

在该图12表示的模型调整结果显示的画面中，作为疏密度平均迁移显示画面3200，用图表3201显示与模型调整的反复次数m对应的疏密度的迁移。

这里，图表的横轴是模型调整的反复次数m，纵轴为各反复次数中的疏密度ρ_m的移动平均。另外，在该疏密度平均迁移显示画面3200中显示在图11的模型调整条件设定画面中设定的疏密度阈值的最小值3202、以及最大值3203。

另外，在图12表示的模型调整结果显示的画面中，作为模型推定误差迁移显示画面3204，用图表3205显示与模型调整的反复次数m对应的模型推定误差的迁移。这里，图表的横轴是模型调整的反复次数m，纵轴为各反复次数中的模型评价用数据和模型推定值的误差。另外，在该模型推定误差迁移显示画面3204中，显示在图11的模型调整条件设定画面中设定的推定误差目标值3206。

成套设备的运行人员可以一边观看在图12中表示的疏密度平均迁移显示画面3200、以及模型推定误差迁移显示画面3204上显示的模型调整结果，一边判断是否恰当地执行了模型调整。

在所述疏密度平均迁移显示画面3200中，在模型调整最后阶段的疏密度3201在疏密度阈值的最小值3202和最大值3203之间迁移的情况下，而且在所述模型推定误差迁移显示画面3204中，在模型调整最后阶段的模型推定误差3205低于推定误差目标值3206的情况下，作为得到了希望的模型调整结果，通过选择按钮3207可以结束模型调整。

另一方面，在模型调整结果不满足上述条件的某一个的情况下，通过选择按钮3208，返回图11的模型调整条件设定画面，可以再执行模型调整。

这样，在第一实施例的成套设备的控制装置中，通过具有根据在图12表示的模型调整结果显示画面上显示的信息能够决定可否结束模型调整的功能，能够在得到希望的统计模型性能之前重复模型调整。其结果，能够不依赖模型构筑数据的结构地，构筑保证一定以上的推定精度的鲁棒(robust)的统计模型。

另外，通过预先把模型调整的反复次数设定得较少，能够在模型调整中削减多余的计算成本，所以能够比预想的缩短模型调整所需要的时间。因此，可以增加操作成套设备的次数，得到更高的控制效果。

在上述的本实施例的成套设备的控制装置中，通过使用通过所述模型调整部适当地调整了的半径参数，能够提高统计模型的推定精度。另外，在这样的半径参数的调整中，不需要数据和推定值的误差评价的反复处理，所以能够减少计算成本，能够在控制周期以内结束调整。

到此结束关于在作为第一实施例的成套设备的控制装置中的图像显示装置920上显示的画面的说明。

根据本实施例，即使在控制在构筑统计模型时使用的数据中存在偏差的学习型的成套设备的情况下，也能够根据该数据的偏差的分布在控制周期以内适当地调整统计模型的参数，实现具备提高推定精度的功能的成套设备的控制装置。

【实施例2】

下面说明作为在火力发电成套设备中应用本发明的控制装置200的第二实施例的火力发电成套设备的控制装置。

当然，在控制火力发电成套设备以外的成套设备时也可以使用本发明的控制装置200。

图13是表示应用本发明的控制装置200的火力发电成套设备100a的结构的概略图。首先简单地说明通过火力发电成套设备100a进行的发电的结构。

在图13中，设置了向构成火力发电成套设备100a的锅炉101供给用磨110把煤粉碎得很细而得到的作为燃料的粉煤、和输送粉煤用的一次空气以及调整燃烧用的二次空气的多个燃烧器(burner)102，在锅炉101的内部使通过该燃烧器102供给的粉煤燃烧。粉煤和一次空气从配管134导入燃烧器102，二次空气从配管141导入燃烧器102。

另外，在锅炉101中设置向锅炉101投入2阶段燃烧用的空气的后空气端口(after air port)103。2阶段燃烧用的空气从配管142导入后空气端口103。

在锅炉101的内部通过燃烧粉煤而产生的高温燃烧气体，沿锅炉101的内部的路径向下游侧流下，在通过在锅炉101的内部配置的热交换器106与给水进行热交换而产生蒸汽后，成为废气，流入在锅炉101的下游侧设置的空气加热器104，通过该空气加热器104进行热交换，提高供给锅炉101的空气的温度。

然后，通过该空气加热器104的废气，在实施了未图示的废气处理后，从烟囱放出到大气中。

在锅炉101的热交换器106中循环的给水，通过给水泵105被提供给热交换器106，在热交换器106中通过流下锅炉101的燃烧气被加热，成为高温高压蒸汽。在本实施例中热交换器的数量取1个，但是也可以配置多个热交换器。

在热交换器106中产生的高温高压的蒸汽，通过涡轮机调速器107被导入蒸汽涡轮机108，通过蒸汽具有的能量驱动蒸汽涡轮机108，通过发电机109进行发电。

在上述第二实施例的火力发电成套设备100a中配置了检测表示火力发电成套设备的运转状态的状态量的各种测量器。

因为火力发电成套设备100a与图1的成套设备100相当，所以从这些测量器取得的火力发电成套设备的测量信号如图1所示，从成套设备100作为测量信号1被发送到控制装置200的外部输入接口201。

作为测量器，例如如图13的火力发电成套设备100a所示，图示出测量从热交换器106向蒸汽涡轮机108供给的高温高压蒸汽的温度的温度测量器151、测量蒸汽的压力的压力测量器152、测量用发电机9发出的电力量的发电输出测量器153。

通过蒸汽涡轮机108的冷凝器(未图示)冷却蒸汽而产生的给水，通过给水泵105被提供给锅炉101的热交换器106，但该给水的流量通过流量测量器150测量。

另外，与作为从锅炉101排出的燃烧气的废气中包含的成分(氮氧化物(NOx)、一氧化碳(CO)、以及硫化氢(H₂S)等)的浓度相关的状态量的测量信号，通过在锅炉101的下游侧设置的浓度测量器154测量。

即，在上述火力发电成套设备100a中应用本发明的控制装置200的第二实施例的火力发电成套设备的控制装置中，在用测量器测量的火力发电成套设备100a的测量数据项目中，包含通过上述各测量器测量的作为火力发电成套设备100a的状态量的提供给锅炉101的燃料流量、提供给锅炉101的空气流量、提供给锅炉101的热交换器106的给水流量、在锅炉101的热交换器106中产生后提供给蒸汽涡轮机108的蒸汽温度、提供给锅炉101的热交换器106的给水的给水压力、从锅炉101排出的废气的气体温度、上述废气的气体浓度、以及使从锅炉101排出的废气的一部分再循环到锅炉101的废气再循环流量等。

这些测量数据项目，是通过由图1表示的控制装置200中的控制信号生成部700运算后输出的控制信号15决定的测量数据项目。

一般在图13中所示的测量器以外，在火力发电成套设备100a中还配置大量测量器，但是这里省略图示。

下面，使用图13说明向锅炉101的内部投入的空气的路径、即从燃烧器102向锅炉101的内部投入的一次空气和二次空气的路径、以及从后空气端口103向锅炉101的内部投入的空气的路径。

在图13中表示的锅炉101中，一次空气从风扇120导入配管130，途中分支到通过在锅炉101的下游侧设置的空气加热器104的配管132、和不通过空气加热器104而绕过的配管131，但是在空气加热器104的下游侧设置的配管133中再次汇合，被导入在燃烧器102的上游侧设置的制造粉煤的磨110。

通过空气加热器104的一次空气，通过与流下锅炉101的燃烧气进行热交换而被加热。与该被加热的一次空气一起，绕过空气加热器104的一次空气将在磨110中粉碎后的粉煤运送到燃烧器102。

使用风扇121从配管140投入的空气，在空气加热器104中同样被加热后，分支到二次空气用的配管141和后空气端口用的配管142，分别被导入锅炉101的燃烧器102和后空气端口103。

在作为第二实施例的火力发电成套设备的控制装置中，作为控制从风扇121送来、从燃烧器102和后空气端口103投入锅炉101的内部的空气流量的例子，构成为，在二次空气用的配管141和后空气端口用的配管142的上游侧分别设置作为操作端设备的空气调节阀162以及空气调节阀163，通过控制装置200调节这些空气调节阀162以及空气调节阀163的开度，能够分别控制向锅炉101的内部供给的二次空气和后空气(after air)的流量。

另外，作为控制从风扇120送来、从燃烧器102与粉煤一起向锅炉101的内部投入的空气流量的例子，构成为，在就要合流为配管133之前的部分的配管131以及配管132上分别设置作为操作端设备的空气调节阀160以及空气调节阀161，通过控制装置200调节这些空气调节阀160以及空气调节阀161的开度，能够分别控制向锅炉101的内部供给的空气的流量。

所述控制装置200也能够控制其他测量数据项目，所以也可以根据控制对象改变操作端设备的设置场所。

图14是与在图13中表示的火力发电成套设备100a的锅炉101的下游侧设置的空气加热器104关联的配管部的放大图。

如图14所示，在空气加热器104中分别设置供给空气的配管130、以及配管140，其中，贯通空气加热器104地布设配管140，配管130由从途中分支的配管131和配管132构成，所述配管131绕过空气加热器104地布设，所述配管132贯通空气加热器104地布设。

并且，配管132在贯通空气加热器104后与配管131汇合，形成配管133，导向磨110，使从该磨110通过该配管133与粉煤一起把空气导入锅炉101的燃烧器102那样布设。

另外，配管140在贯通空气加热器104后分支为配管141和配管142，其中，布设成配管141向锅炉101的燃烧器102导入空气，配管142向锅炉101的后空气端口103导入空气。

另外，在就要合流为所述配管133之前的部分的配管131以及配管132中，分别设置调节流通的空气量的空气调节阀160以及空气调节阀161，在所述配管141以及配管142的上游部分分别设置调节流通的空气量的空气调节阀162以及空气调节阀163。

然后，因为通过操作这些空气调节阀160～163，能够变更空气通过配管131、132、141、142的面积，所以能够独立地调整通过配管131、132、141、142提供给锅炉101的内部的空气流量。

把通过控制装置200的控制信号生成部700运算出的控制信号15通过外部输出接口202作为对于火力发电成套设备100a的操作信号16输出，操作分别在锅炉101的配管131、132、141、142中设置的空气调节阀160、161、162、163等控制端的设备。

在本实施例中，把空气调节阀160、161、162、163等设备称为操作端，为操作它们所需要的由控制装置200运算出的控制信号15从该控制装置200对所述操作端进行指示的输出信号称为操作信号16。

另外，作为通过控制信号生成部700运算后向所述操作端输出的操作信号16，包含通过配管131、132、141、142供给锅炉101的空气流量；分别在向锅炉101供给空气的配管131、132、141、142上设置的、调节空气流量的空气调节阀160～163的开度；向锅炉101的燃烧器102供给的粉煤的燃料流量；以及使从锅炉101排出的废气的一部分再循环到锅炉101的废气再循环流量等。

以下说明下面的情况，在火力发电成套设备100a中应用本发明的控制装置，把操作端作为调节向在锅炉101内设置的燃烧器102供给的空气量的、分别在配管131、132内设置的空气调节阀160、161；以及调节向在锅炉101内设置的后空气端口103供给的空气量的、分别在配管141、142内设置的空气调节阀162、163，把被控制量作为从锅炉101排出的废气中的CO、NOx、以及H₂S的浓度。

在本实施例中，锅炉101的操作端的操作量(空气调节阀160、161、162、163的开度)成为构成控制装置200的统计模型500的模型输入，在从锅炉101排出的废气中包含的NOx、CO以及H₂S浓度成为统计模型500的模型输出，模型输入输出各个的最小化成为学习的目的。

图15是在作为第二实施例的火力发电成套设备的控制装置中，在火力发电成套设备100a的控制装置200中使用的情况下，在图像显示装置920上显示的画面的一例，是与表示第一实施例的成套设备的控制装置中设定模型输入输出时显示的画面例的图10对应的、在图像显示装置上显示的构成控制装置200的统计模型500的模型输入输出设定的画面例。

在图15表示的模型输入输出设定的画面例中，对于作为锅炉101的操作端的燃烧器102、以及后空气端口103的各个，能够一边把握其位置关系一边设定控制装置200中的统计模型500的模型输入输出。

具体说，在模型输入设定的画面中，关于对于在锅炉操作端显示画面3500上显示的模型输入项目列表3502中显示的输入项目通过选择条3503所选择的项目，通过指针3501表示在表示其设置位置的锅炉操作端显示画面3500中显示的罐前(缶前)的锅炉图上的符号。

另外，与该操作相反，通过对于在锅炉操作端显示画面3500上显示的特定的操作端的符号点击外部输入装置900的鼠标902，对准指针3501的焦点，也可以使选择条3503的显示位置移动(选择输入项目)。然后，通过选择按钮3504能够在模型输入项目列表3503中追加所选择的输入项目。

在图15中，数值框3506、以及模型输入设定的画面中的输出项目的选择条3509、画面3508、3511、按钮3510、3512、3513、以及按钮3507的功能，和图10的画面的情况下相同。

在通过第二实施例的火力发电成套设备的控制装置控制供给锅炉101的空气的空气量控制中，关于特定的燃烧器以及后空气端口的空气调节阀的调整方法存在先验的知识，在很多情况下根据它们执行控制。

因此，通过把本实施例的控制装置200中的模型输入设定设为图15所示那样的画面结构，成套设备的运行人员能够一边确认锅炉101的操作端的位置，一边在考虑基于所述先验知识的控制方法的基础上适当地选定控制装置200中的统计模型500的模型输入输出。

另外，因为能够把使用图15表示的画面设定的操作端、以及最小·最大值与成套设备设计信息关联理解，所以能够提高模型输入设定的效率，也有助于减少设定错误。

如上所述，如果在火力发电成套设备中应用本发明的成套设备的控制装置200，则通过学习满足对于环境规则或者运用成本的要求的操作方法，能够达到从火力发电成套设备排出的NOx、CO、以及H₂S浓度的目标值。

根据本实施例，即使在控制在构筑统计模型时使用的数据中存在偏差的学习型的成套设备的情况下，也能够根据该数据的偏差的分布，在控制周期以内适当地调整统计模型的参数，实现具有提高推定精度的功能的火力发电成套设备的控制装置。

本发明能够应用于成套设备的控制装置以及火力发电成套设备的控制装置。