发电厂的运转辅助装置和运转辅助方法与流程

本发明涉及发电厂(plant)的运转辅助装置和运转辅助方法，具体涉及避免损害成本增加的发电厂的运转辅助装置和运转辅助方法。

背景技术：

近年来，伴随着ict(信息通信技术：informationandcommunicationtechnology)，iot(物联网：internetofthing)的技术革新，能够利用高速的计算机、网络通信、大容量的数据保存装置的环境正在完备。在许多工业领域中大量积累的数据的灵活利用正在被关注，其中，在发电业务的领域中，也要求通过对发电厂的测量数据、检修/维护数据等在现场收集的数据、企业的经营和资产信息进行管理的系统的整合而制定更高效的经营方针。在发电业务的领域中，担心伴随风力发电、太阳能发电等可再生能源的利用增加的发电量的变动会降低电力系统的稳定性，因此作为后备电源的火力发电厂的重要性增加了。另外，从东日本大地震以后，日本国内的原子能发电的比例减少，其结果是火力发电厂不只起到以前的作为负荷调整的作用，实际上还起到了作为基本负荷电源的作用。因此，在火力发电厂中，要求考虑到运转率、环境性能、效率等重要业绩评价指标(kpi：keyperformanceindicators)的应用。

为了改善火力发电厂的kpi，研究了许多检测诊断对象发生异常状态之前的异常征兆的装置及其方法。在专利文献1中，公开了利用自适应谐振理论(adaptiveresonancetheory：art)的诊断装置。在此，art是指根据其类似度将多维的时序数据分类为集群(cluster)的理论。

在专利文献1的技术中，首先利用art将正常时的运转数据分类为多个集群(正常集群)。接着，将当前的运转数据输入到art而分类为集群。在无法将该时序数据分类为正常集群时，生成新的集群(新集群)。产生新集群意味着诊断对象的状态变化为新的状态(新状态)。因此，在专利文献1的诊断装置中，根据新集群的产生来判断异常征兆的发生。

另外，在专利文献2中，公开了以下的技术，即预测因构成发电厂的设备的破损/性能降低/功能停止造成的风险成本，一边与运营的营业额进行比较，一边选择最优的运营方法并指示。

现有技术文献

专利文献

专利文献1：日本特开2010-237893

专利文献2：日本特开2004-094631

专利文献3：日本特开2015-7509

技术实现要素：

发明要解决的问题

通过使用专利文献1的技术，能够检测到发电厂的异常征兆的发生。在检测到异常征兆的情况下，发电厂的运转人员为了分析和确认其原因，继续发电厂的运转。但是，通过实施异常的原因分析、确认等，有可能另外需要为此的时间。

另外，在专利文献2的技术中，在风险成本的预测中使用异常发生和异常传播(波及)的概率模型。为了构建这样的概率模型，必须收集过去发生的异常的事例。

因此，本发明中，其目的在于：在发生异常时尽早地停止发电厂，避免伴随异常的传播的损害成本的增加。

用于解决问题的手段

为了达到上述目的，本发明的运转辅助装置具备：诊断单元，其根据运转数据，诊断发电厂的运转状态；异常传播预测单元，其根据通过上述诊断单元得到的诊断结果，基于物理模型，预测异常传播的机器和时间；成本计算单元，其根据上述异常传播预测单元的结果，预测损害成本随时间的变化；发电厂停止判定单元，其在上述损害成本为预先确定的伴随上述发电厂的紧急停止的损害成本以上的情况下，生成停止上述发电厂的信号。

发明效果

根据本发明，能够在发生异常时尽早地停止发电厂，避免伴随异常的传播的损害成本的增加。

附图说明

图1是说明作为本发明的实施例的运转辅助装置的框图。

图2是说明本发明的运转辅助装置的动作的流程图。

图3是说明安装在本发明的运转辅助装置中的数据库所保存的数据的形式的图。

图4是说明安装在本发明的运转辅助装置中的数据库所保存的数据的形式的图。

图5是作为本发明的聚类(clustering)单元的实施例而说明利用了自适应谐振理论(art)的情况下的框图的图。

图6是说明本发明的聚类单元的数据的分类结果的图。

图7是说明本发明的发电厂停止判定的动作的流程图。

图8是说明本发明的每个方案(scenario)的成本、损伤程度随时间的变化的计算结果例子的图。

图9是本发明的图像显示装置显示的画面的实施例。

图10是说明应用本发明的运转辅助装置的对象是燃煤锅炉的情况下的结构的框图。

具体实施方式

图1是说明作为本发明的实施例的运转辅助装置200的框图。在本实施例中，运转辅助装置200与作为运转辅助对象的发电厂100和外部装置900连接。发电厂100由机器100和控制装置120构成。在控制装置120中，接收从机器100发送的测量信号2，发送控制信号1。

作为运算装置，运转辅助装置200具备聚类单元400、诊断单元500、异常传播预测单元600、成本计算单元700、发电厂停止判定单元800。

另外，作为数据库，运转辅助装置200具备运转数据数据库310、成本信息数据库320、计算结果数据库330。在计算结果数据库330中，保存通过运转辅助装置200的运算装置计算出的结果。此外，在图1中，将数据库简记为db。在数据库中保存有电子化了的信息，通常以被称为电子文件(电子数据)的形式保存信息。

作为与外部的接口，运转装置200具备外部输入接口210和外部输出接口220。另外，经由外部输入接口210，将通过发电厂100收集的运转数据3、通过外部装置900具备的外部输入装置910(键盘910和鼠标920)的操作制作的外部输入信号4被取入运转辅助装置200。

取入运转辅助装置200的运转数据3经由外部输入接口保存到运转数据数据库310。外部输入信号4所包含的成本信息6保存到成本信息数据库320。另外，经由外部输出接口220，向画面显示装置940输出图像显示信息16，向控制装置120输出发电厂停止信号15。

在聚类单元400中，根据其类似度，将保存在运转数据数据库310中的运转数据分类为集群。在聚类单元400中，应用了专利文献1所公开的利用自适应谐振理论的技术。此外，聚类单元400并不限于本实施例所述的单元，也可以应用其他聚类技术而构成。聚类结果8发送到原因推定单元500。

在诊断单元500中，根据聚类结果8，诊断发电厂100的运转状态。如专利文献1所公开的那样，在诊断单元500中，首先将正常时的运转数据分类为多个集群(正常集群)。接着，将当前的运转数据分类为集群。在无法将该时序数据分类为正常集群时，生成新的集群(新集群)。新集群的产生意味着诊断对象的状态变化为新的状态(新状态)。因此，根据新集群的产生判断异常征兆的产生。

在检测到异常征兆的产生的情况下，通过诊断单元500推定异常原因。在诊断单元500中，如专利文献1所公开的那样，将与集群编号对应的现象推定为异常原因。此外，诊断单元500并不限于本实施例所述的单元，也可以应用其他异常原因推定技术而构成。原因推定结果9发送到异常传播预测单元600。

在异常传播预测单元600中，根据原因推定结果9，使用物理模型进行分析、预测异常传播的状况。在此，物理模型是指根据质量守恒定律、动量守恒定律等物理公式构筑的模型。另外，在异常传播预测单元600中，使用原因推定结果9、通过发电厂停止判定单元800生成的方案信息14，计算每个方案的损伤程度随时间的变化。异常传播预测结果10发送到成本计算单元700。

在成本计算单元700中，使用异常传播预测结果10、成本信息11，计算损失成本。另外，在成本计算单元700中，使用异常传播预测结果10、成本信息11、通过发电厂停止判定单元800生成的方案信息14，计算每个方案的损失成本。在成本计算单元700中，针对异常传播程度超过了阈值的部件，加上更换所需要的费用来计算成本信息。成本计算结果12发送到发电厂停止判定单元800。

在发电厂停止判定单元800中，根据成本计算结果12，计算是否停止发电厂100。

发电厂停止判定结果13发送到外部输出接口22，在是停止发电厂的判定结果的情况下，将发电厂停止信号15发送到控制装置120。

此外，在本实施例的运转辅助装置200中，在运转辅助装置200的内部具备运算装置以及数据库，但也可以将它们的一部分装置配置在运转辅助装置200的外部，在装置之间只进行数据通信。对于作为保存在各数据库中的信号的信号数据库信息50，可以经由外部输出接口220将其全部信息显示到画面显示装置940，可以根据操作外部输入装置910而生成的外部输入信号2修正这些信息。在本实施例中，由键盘920和鼠标930构成外部输入装置910，但只要是用于语音输入的麦克风、触摸屏等用于输入数据的装置即可。

另外，作为本发明的实施方式，当然能够作为离线地分析运转数据的装置来实施。另外，在本实施例中，将运转辅助装置200的应用对象设为发电厂，但当然也能够将应用对象设为发电厂以外的设备来实施。

图2是说明运转辅助装置200的动作的流程图。

在步骤1000中，从控制装置120取得运转数据3，保存到运转数据数据库310。

在步骤1010中，判定动作模式是学习模式还是诊断模式。在是学习模式的情况下，前进到步骤1020，在是诊断模式的情况下，前进到步骤1030。学习模式在本流程的重复次数为一次(初次)时动作，在第二次以后，诊断模式动作。

在步骤1020中，通过聚类单元400处理学习数据，生成正常状态下的集群。然后，返回到步骤1000。

在步骤1030中，通过聚类单元400处理诊断数据。在步骤1040中，根据聚类结果8，判定发电厂100是否发生了异常。在检测到异常的情况下，前进到步骤1050，在没有检测到异常的情况下，返回到步骤1000。在步骤1050中，通过诊断单元500推定异常原因。在步骤1060中，通过异常传播预测单元600，使用物理模型，预测异常传播的部件和时刻。在步骤1070中，使成本计算单元700动作，计算伴随异常和异常传播的成本。在步骤1080中，实施发电厂停止的判定。将在后面使用图7说明步骤1080的内容。在步骤1090中，将发电厂停止信号15发送到控制装置120。在步骤1100中，将图像显示信息16发送到图像显示装置940。在步骤1110中，在有来自运转人员的停止的指示的情况下，前进到结束，在没有指示的情况下，返回到步骤1000。

图3、4是说明安装在运转辅助装置200中的数据库中保存的数据的形式的图。

图3的(a)是说明保存在运转数据数据库310中的数据的形式的图。如图3的(a)所示，在每个采样周期保存通过传感器测量出的运转数据。

图3的(b)是说明保存在成本信息数据库320中的数据的形式的图。如图3的(b)所示那样，作为与伴随异常和异常传播的损失有关的成本信息，例如保存有部件更换所需要的成本信息。

图3的(c)、(d)、图4的(a)、(b)、(c)是说明保存在计算结果数据库330中的数据的形式的图。

图3的(c)、(d)是通过使聚类单元400动作而得到的数据，是时刻与集群编号的关系(图3的(c))、每个集群的属性、每个集群的加权系数。在此，属性是指用于定义各集群是正常集群还是异常集群的信息。另外，加权系数是指用于定义各集群的中心坐标的系数信息。

进而，对于属性为异常的集群，保存有对每个集群定义的异常现象。此外，在诊断单元500中，对照图3的(c)所示的各时刻的集群编号、在图3的(d)中定义的现象名称，推定异常现象。

图4的(a)是使异常传播预测单元600动作而得到的每个部件的异常的传播程度与时刻的关系。在此，异常传播程度例如对于配管来说是指壁厚的减少幅度，是对每个部件将伴随着异常而受到的损伤的程度数值化所得的结果。

图4的(b)是使成本计算单元700动作而得到的成本信息与时刻的关系。针对异常传播程度超过了阈值的部件，将加上了更换所需要的费用的值保存为成本信息。

图4的(c)是使发电厂停止判定单元800动作而得到的停止判定结果与时刻的关系。“0”表示判断为运转继续，“1”表示判定为运转停止。

图5是作为本发明的聚类单元400的实施例而说明利用了自适应谐振理论(art)的情况下的框图的图。在以下的说明中，集群和类是相同的含义。

向art输入运转数据、以及包含根据设定了原料信息数据的标准化范围而标准化为从0到1的范围的数据nxi(n)和标准化了的数据的补码(補数)cnxi(n)(＝1-nxi(n))的数据，作为输入数据ii(n)。

art模块410具备f0层411、f1层412、f2层413、存储器414、以及选择子系统415，它们相互结合在一起。f1层412和f2层413经由加权系数而结合。加权系数表示分类输入数据的集群的原型(prototype)。在此，原型表示集群的代表值。

接着，说明art410的算法。

向art410输入了输入数据的情况下的算法的概要如下述的处理1～处理5那样。

处理1：通过f0层411对输入向量进行标准化，除去噪声。

处理2：通过输入到f1层412的输入数据和加权系数的比较，选择合适的集群的候选。

处理3：根据与参数ρ的比，评价通过选择子系统415选择出的集群的妥当性。如果判断为妥当，则将输入数据分类为该集群，前进到处理4。另一方面，如果没有判断为妥当，则该集群被重置(reset)，从其他集群选择合适的集群的候选(重复进行处理2)。如果增大参数ρ的值，则集群的分类变得细致。即，集群规模(size)变小。相反，如果减小ρ的值，则分类变得粗略。集群规模变大。将该参数ρ称为谨慎(vigilance)参数。

处理4：如果在处理2中全部现存的集群被复位，则判断为输入数据属于新集群，生成表示新集群的原型的新的加权系数。

处理5：如果将输入数据分类为集群j，则使用过去的加权系数wj(ld：旧)和输入数据p(或从输入数据派生的数据)，根据公式1更新与集群j对应的加权系数wj(new：新)。

[公式1]

wj(new)＝kw·p+(1-kw)·wj(old)

在此，kw是学习率参数(0<kw<1)，是决定使输入向量反映到新的加权系数的程度的值。

此外，将公式1和后述的公式2～公式12的各运算公式组合到上述art410中。

art410的数据分类算法的特征在于上述处理4。

在处理4中，在输入了与学习时的模式不同的输入数据的情况下，不变更所记录的模式(pattern)，就能够记录新的模式。因此，能够一边记录过去学习的模式，一边记录新的模式。

这样，如果提供预先作为输入数据提供的运转数据，则art410学习所提供的模式。因此，如果向已经学习的art410输入新的输入数据，则能够通过上述算法，判定与过去的哪个模式接近。另外，如果是没有过去经验的模式，则分类为新集群。

图5的(b)是表示f0层411的结构的框图。在f0层411中，在各时刻再次对输入数据ii进行标准化，制作输入到f1层412和选择子系统415的标准化输入向量ui⁰。

首先，根据输入数据ii，依照公式2计算wi⁰。在此，a是常数。

[公式2]

接着，使用公式3，计算对wi⁰标准化所得的xi⁰。在此，||w⁰||是w⁰的范数。

[公式3]

然后，使用公式4，计算从xi⁰除去噪声所得的vi⁰。其中，θ是用于除去噪声的常数。通过公式4的计算，微小的值成为0，因此输入数据的噪声被除去。

[公式4]

最后，使用公式5求出标准化输入向量ui⁰。ui⁰为f1层的输入。

[公式5]

图5的(c)是表示f1层412的结构的框图。在f1层412中，作为短期存储而保存通过公式5求出的ui⁰，计算输入到f2层413的pi。总结f2层的计算公式而在公式6～公式12中表示。其中，a、b是常数，f(·)是公式4所示的函数，tj是在f2层413中计算的适应度。

[公式6]

[公式7]

[公式8]

vi＝f(xi)+bf(qi)

[公式9]

[公式10]

[公式11]

[公式12]

图6是说明聚类单元400的数据的分类结果的图。

图6的(a)是表示将运转数据分类为集群的分类结果的一个例子的图。

作为一个例子，图6的(a)表示运转数据中的2个项目，用二维的图表来记述。另外，纵轴和横轴标准化地表示各个项目的运转数据。

运转数据通过art模块410被划分为多个集群419(图4的(a)所示的圆)。一个圆相当于一个集群。

在本实施例中，运转数据被分类为4个集群。集群编号1是项目a的值大而项目b的值小的组，集群编号2是项目a、项目b的值都小的组，集群编号3是项目a的值小而项目b的值大的组，集群编号4是项目a、项目b的值都大的组。

图6的(b)是说明将运转数据分类为集群的结果、以及运转数据的例子的图。横轴是时间，纵轴是测量信号、集群编号。

如图6的(b)所示，运转数据被分类为集群1～4。

集群4是正常时没有经验的新状态，在图2的步骤1140中，根据集群编号判定异常的发生。

图7是说明图2的步骤1080的动作的流程图，在本流程中，使用成本计算单元700和发电厂停止判定单元800使其动作。

在步骤1200中，判断发电厂停止的紧急性。

对在步骤1070中计算出的因异常发生和异常传播造成的损失额和因发电厂停止造成的机会损失额进行比较，在前者的值是高额的情况下，前进到步骤1210。在除此以外的情况下，前进到步骤1220。

在步骤1210中，判定为必须停止发电厂100，前进到结束。

在步骤1220中，通过发电厂停止判定单元800制作运营方案。在此，运营方案是指设想了在检测到异常后继续发电厂运转、停止运转进行修复等的方案。在步骤1230中，将在步骤1220中制作的运营方案14发送到成本计算单元700、异常传播预测单元600，计算成本和异常传播程度随时间的变化。在步骤1240中，计算出每个方案的发电厂停止推荐时刻，前进到结束。

另外，在使发电厂停止时，在有使发电厂停止的多个模式的情况下，也可以构成为根据检测到的异常现象来选择适当的停止模式使得异常的传播少。

图8是说明通过使图7的步骤1230执行而得到的每个方案的成本、损伤程度随时间的变化的计算结果例子的图。

在本发电厂中，在时刻t1检测异常，预定在时刻t6实施定期检查。在本实施例中，对方案1～3的3种方案进行比较。

方案1设想了继续发电厂的运转的情况。在该情况下，在时刻t3，损伤程度超过阈值，必须停止发电厂而进行修复。在从时刻t3到时刻t5的期间进行修复，因此营业额不增加。

方案2设想了降低发电厂的运转负荷而继续运转的情况。每单位时间的营业额减少，但损伤程度的发展比方案1慢，能够继续运转到定期检查为止。

在方案3中，在时刻t2停止发电厂，从时刻t2到时刻t4为止进行修复。修复期间比方案1短。在方案3中，时刻t6的营业额额最高。

这样，在本发明中，能够对每个方案的营业额、维护费、损伤程度随时间的变化进行比较，而决定停止发电厂的定时。另外，也能够自动地决定停止发电厂的定时。

图9是图像显示装置940所显示的画面的实施例。能够以图表、数据表形式等任意的形式显示图8所述的营业额、维护费、损伤程度等计算结果。这样，能够向运转人员提供诊断结果、异常传播预测结果、成本的信息。

如以上所述那样，通过使用本发明的运转辅助装置，在发生异常时尽早地停止发电厂，避免伴随异常的传播的损害成本的增加。

实施例1

图10是说明应用对象的发电厂100的机器110是燃煤锅炉的情况下的结构的框图。

图10是表示发电厂100的实施方式的图。

本实施例是以锅炉2200、通过在锅炉2200中产生的蒸汽驱动的蒸汽涡轮机2300为主要构成要素的火力发电厂(没有图示发电机)。发电厂100根据负荷要求指令，控制为指定的负荷(发电输出)。通过调节蒸汽加减阀2290的阀开度，导向涡轮机2300的蒸汽流量2261变化，发电输出变化。

除此以外，在水/蒸汽系统中，还具备将从蒸汽涡轮机2300送出的蒸汽冷却为液体的冷凝器2310、将通过冷凝器2310冷却后的水作为锅炉给水再次送入锅炉2200的给水泵2320。另外，虽然没有图示，但是在实际的发电厂中，还具备将从蒸汽涡轮机2300的中间级提取的一部分蒸汽作为加热源而预热锅炉给水的给水加热器。

另一方面，在从锅炉排出的燃烧气体2201的系统中，具备用于净化废气的废气处理装置2330、释放净化后的气体2331的烟囱2340。

作为燃料的煤炭2381经由燃料供给量调整阀2380被送到煤炭粉碎机(磨(mill))2350。另外，煤炭输送和燃烧调整所使用的空气2382经由空气量调整阀2370供给到煤炭粉碎机2350和燃烧器2310。在煤炭粉碎机2350中成为粉末(煤粉)的煤炭通过空气输送而供给到燃烧器2210。在燃烧器2210的上部配置有后气口2220，经由空气量调整阀2360向后气口2220供给空气2383。

接着，说明锅炉2200的结构。

具备使燃料燃烧的燃烧器2210的火炉的炉内为高温，因此具有对壁面整体进行冷却并且回收燃烧气体的热的被称为水壁2230的冷却壁。在锅炉2200内，除此以外还具备由省煤器2280、主过热器2270、二级过热器2240、三级过热器2250、四级过热器2260构成的热交换器，由此回收燃烧气体的热，生成高温蒸汽。

此外，在图中虽没有记载，但是在发电厂中，配置有用于测量气体的组分、温度、压力、蒸汽的温度、压力、热交换器的金属温度等的多个传感器，其测量结果作为测量信息1从数据发送装置2390发送到锅炉管泄漏检测装置2400。另外，虽没有图示，但是一般锅炉的燃烧器2210在火炉的前后，在水平方向上设置为多条，在高度方向上设置为多段，后气口在火炉的前后，在水平方向上配置为多条。

如图10的(b)所示，锅炉给水首先被导入省煤器2290，然后按顺序通过水壁2230、主过热器2270、二级过热器2240、三级过热器2250、四级过热器2260而升温，成为主蒸汽2261流向蒸汽涡轮机2300。在高压蒸汽涡轮机2300中进行了工作的蒸汽通过冷凝器2310成为液体，通过给水泵2320再次被送到锅炉。

图10的(c)是三级过热器2250的俯视图。在锅炉的宽度方向和深度方向上配置构成过热器的多条配管2251。另外，在过热器中安装有管金属温度的测量器2252。一般每隔数条～数十条而安装金属温度测量器。

这样，在锅炉发电厂中，使用通过煤炭的燃烧而生成的高温的气体，通过多个热交换器加热给水，生成蒸汽。热交换器与高温/高腐蚀性的气体接触，因此有时由于蠕变(クリープ)、热疲劳、腐蚀等原因而金属材料有损伤。如果金属材料损伤，则蒸汽从该损伤位置泄漏。将该现象称为管泄漏。

作为检测管泄漏的发生的技术，公开了专利文献3记载的技术。

在本实施例的诊断单元500中，作为异常原因推定方法，也可以应用如专利文献3所记载的那样根据金属温度的变化幅度推定泄漏位置的技术。

另外，也可以在上述聚类单元400中，将数据分为多个组，对每个组实施聚类处理，在上述发电厂停止判定单元800中，进行判定使得在检测到异常的组数比阈值多的情况下，停止发电厂。

作为在异常传播预测单元600中应用的物理模型，例如应用公式13所示那样的计算磨损量的finnie和bitter的公式。

[公式13]

w＝wc+wd

在此，w是总磨损量，wc是切削磨损量，wd是变形磨损量。分别通过公式14、15计算wc、wd。

[公式14]

[公式15]

在此，m是总粒子碰撞量(kg)，ρ是密度，α是粒子的碰撞角度，v是粒子的碰撞速度，mp是粒子的质量，rp是粒子的半径，ip是粒子的完成力矩，k是粒子碰撞时的垂直力与水平力的比，k`是被磨损品产生的应力达到弹性极限的碰撞速度，p是最大接触应力的垂直分量，ψ是切削磨损常数，ε是耗损单位体积的被磨损品所需要的能量，c是实验常数，下标的t是被磨损品，p是粒子。

通过使用本模型，能够预测泄漏蒸汽与周边的配管碰撞而配管减薄的速度(mm/min)。将配管的壁厚成为运转极限值以下的时刻作为泄漏传播预测时刻而输出。

另外，也能够使用本模型计算正常状态下的壁厚随时间的变化，设定检测异常时的壁厚。

如以上所述，通过使用本发明的运转辅助装置，能够在发生异常时尽早地停止发电厂，避免伴随异常的传播的损害成本的增加。

附图标记说明

1：控制信号；2：测量信号；3：运转数据；4：外部输入信息；5：运转数据；6：成本信息；7：运转数据；8：聚类结果；9：原因推定结果；10：异常传播预测结果；11：成本信息；12：损失成本计算结果；13：发电厂停止判定结果；14：方案信息；15：发电厂停止信号；16：图像显示信息；50：db信息；100：发电厂；110：机器；120：控制装置；200：运转辅助装置；210：外部输入接口；220：外部输出接口；310：运转数据数据库；320：成本信息数据库；330：计算结果数据库；400：聚类单元；500：诊断单元；600：异常传播预测单元；700：成本计算单元；800：发电厂停止判定单元；900：外部装置；910：外部输入装置；920：键盘；930：鼠标；940：图像显示装置。