現代の制御理論がますます成熟するにつれて、生産は大規模化且つ複雑化の方向に発展しています。

特に非線形、強結合、システムの大幅な遅延に対しては、従来のPID制御が厳しい制約条件と高品質の制御要求を満たすことが難しいとされています。

先進制御理論（Advanced Control Theory）は、航空宇宙、自動車、電子などの分野で徐々に適用され始め、機器の安全性、安定性、および運転効率を向上させるのに役立っています。

この記事では、発電所の脱硝システムにおける問題点をもとにして、データ分析・モデリングソフトウェアDTEmpowerによる解決方法、システムの最適制御について紹介します。

脱硝システムの問題点

1．ボイラの負荷変動が大きいことに加え、ボイラ自体に遅延効果があるため、脱硝システムが窒素酸化物NOxの濃度変動に迅速な対応ができず、脱硝効率が理想的にならない

2．煙道末端における窒素酸化物NOxの濃度が超低排出基準を確実に満たすようにするため、煙道末端にアンモニアを過剰に噴霧してNOx濃度を低減させる必要がある

3．アンモニアを過剰に噴霧すると、触媒への粉塵の堆積や空気予熱器の目詰まりが発生し、ボイラの運転効率が低下し、運用コストが増加する

問題に対する解決方法

脱硝システムは熱ヒステリシス効果が大きく、物理化学モデルを構築するのが難しいため、データセットに基づく機械学習を活用した「予測制御」「最適制御」「フィードバック補正」を組み合わせた制御方式が効果的となります。

脱窒システムの予測モデルを構築し、ヒューリスティック最適化アルゴリズムを使用することで、 "最適な" 制御パラメータを求めます。

解決フロー図

Step1：

制御パラメータ、フィードフォワードパラメータ、操作パラメータに対してデータ分析と特徴エンジニアリングを行い、予測モデルの外部パラメータを選択して予測モデルの遅れ次数を決定

Step2：

組み合わせモデルの技術を使用し、線形モデルと回帰モデルを特定の方法で組み合わせ、より高精度な予測モデルを構築

線形モデルと比較して、組み合わせ予測モデルの予測精度R2は、96.2%から99.3%に向上

Step3：

多目的最適化アルゴリズムを使用して、最適制御問題における各目的関数の相対的な重みを決定

これにより単一最適化問題を構築し、限られた予測時間領域で最適な制御パラメータを取得

Step4：

フィードバック補正ベースの制御戦略に基づいて、各時間ステップで最適な制御パラメータを使用してシステムを制御

次の時間ステップのフィードフォワードパラメータと制御パラメータの値をセンサで収集し、Step3の最適化問題を再度計算することでシステム制御の安定性とロバスト性を実現

データ分析の応用結果

1．窒素酸化濃度の変化予測

機械学習を通じて、脱硝システム内のNOx濃度の変化を正確かつ迅速に予測し、ボイラの熱ヒステリシス効果の影響軽減と合理的なシステム制御の最適化を提供します。

2．有限時間領域での最適制御

ヒューリスティック最適化アルゴリズムを解くことで、将来の一定期間における "最適な" 制御パラメータを取得し、ローリング最適化手法に基づいてシステムの入出力状態を継続的に修正することで、システムの安定制御を実現します。