KR101960754B1 - Method and system for managing thermal power plant - Google Patents
Method and system for managing thermal power plant Download PDFInfo
- Publication number
- KR101960754B1 KR101960754B1 KR1020170067975A KR20170067975A KR101960754B1 KR 101960754 B1 KR101960754 B1 KR 101960754B1 KR 1020170067975 A KR1020170067975 A KR 1020170067975A KR 20170067975 A KR20170067975 A KR 20170067975A KR 101960754 B1 KR101960754 B1 KR 101960754B1
- Authority
- KR
- South Korea
- Prior art keywords
- power plant
- data set
- plant data
- boiler
- temperature
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM]
- G05B19/4183—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM] characterised by data acquisition, e.g. workpiece identification
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
- G05B23/0235—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on a comparison with predetermined threshold or range, e.g. "classical methods", carried out during normal operation; threshold adaptation or choice; when or how to compare with the threshold
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E20/00—Combustion technologies with mitigation potential
- Y02E20/16—Combined cycle power plant [CCPP], or combined cycle gas turbine [CCGT]
- Y02E20/18—Integrated gasification combined cycle [IGCC], e.g. combined with carbon capture and storage [CCS]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Abstract
본 발명의 실시 예에 따른 화력발전 운영방법은, 보일러 누설 발생 시, 유량이 감소됨에 따라 보충수(Make-up flow)의 유량이 증가되는 정도, 열교환기의 피드워터 공급이 증가되는 정도 및 전기 충전량이 감소되는 정도를 포함하는 발전소 데이터 세트와 보일러 누설 간의 관계에 대한 기계학습을 수행하는 단계와, 화력발전 가동 중 검출되는 보충수, 피드워터 플로우 및 전기 충전량을 포함하는 발전소 데이터 세트를 실시간으로 수집하는 단계와, 수집되는 발전소 데이터 세트를 스트리밍 방식으로 수신함과 동시에 기계학습에 기초한 과거의 상기 발전소 데이터 세트와 비교하여 유사도를 판단하는 단계와, 유사도가 미리 설정된 임계치 이상에 해당하는 발전소 데이터 세트를 추출하는 단계 및 추출된 발전소 데이터 세트에 매칭된 보일러 누설 정보에 기반하여 상기 보일러 누설을 감지하는 단계를 포함한다.The method of operating a thermal power plant according to an embodiment of the present invention is a method of operating a thermal power plant according to an embodiment of the present invention. As the flow rate of the boiler is reduced, Performing machine learning on the relationship between the plant data set and the boiler leakage including the extent to which the charge amount is reduced; and controlling the plant data set in real time A step of receiving a collected power plant data set in a streaming manner and comparing the power plant data set with a past power plant data set based on the machine learning to determine a similarity degree; Extracting boiler leakage information corresponding to the extracted power plant data set Against a step of sensing the boiler leakage.
Description
본 발명은 화력발전 운영 방법 및 시스템에 관한 것으로, 보다 상세하게는 발전소 데이터 세트를 분석하여 보일러 누설 발생 시 계통에서 유량이 감소됨에 따라 보충수의 유량 증가되며, 열교환기의 피드워터 공급량이 증가하고, 전기 충전량이 감소되는 특성에 따라 발전소 보일러가 운전 중 일 때 보일러 튜브 누설을 예측 또는 조기 감지할 수 있는 화력발전 운영 방법 및 시스템에 관한 것이다.The present invention relates to a thermal power generation operating method and system, and more particularly, to a thermal power generation operating method and system that analyzes a power plant data set and increases the flow rate of supplementary water as the flow rate decreases in a system when boiler leakage occurs, And a method and system for operating a thermal power generation system capable of predicting or early detection of a boiler tube leakage when a power plant boiler is in operation according to characteristics of reducing electric charge.
화력발전이란 석탄, 석유, 가스와 같은 화석연료를 태워서 나온 열로 보일러에서 물을 끓여 고온 고압의 증기를 만들고, 그 증기를 여러 겹의 프로펠러 형상을 가진 터빈 내를 통과시켜 3,600rpm의 고속 회전력을 얻어 같은 축에 연결된 발전기를 회전시킴으로서 전기를 만드는 발전방식을 말한다.Thermal power is the heat generated by burning fossil fuels such as coal, oil and gas, boiling water from the boiler to make high-temperature and high-pressure steam, and passing the steam through a turbine having a plurality of propeller shapes to obtain a high rotational speed of 3,600 rpm It refers to a power generation system that generates electricity by rotating a generator connected to the same axis.
보일러 튜브의 누설을 감지하기 위하여, 기존에는 BTLD(Boiler Tube Leak Detected)시스템을 사용하였으나 BTLD의 경우 소리로 누설 감지를 함으로써 발전소 내부 소음으로 인한 정밀한 감지가 되지 않는 문제점이 있다.Conventionally, a BTLD (Boiler Tube Leak Detected) system has been used to detect the leakage of a boiler tube. However, in the case of BTLD, there is a problem in that it is not precisely detected due to internal noise of the power plant due to sound leakage detection.
화력발전의 경우 가스터빈 출구에서의 고온의 가스량은 이것을 열원으로 사용하여 증기를 발생시키는 배열회수보일러와 생산된 증기를 이용하는 증기터빈으로 구성된 하부 사이클(Bottoming Cycle)의 열성능(전기출력, 열효율 등)에 결정적인 역할을 한다.In the case of thermal power generation, the amount of high-temperature gas at the gas turbine outlet is determined by the thermal performance of the bottom cycle (consisting of electric power, thermal efficiency, etc.) consisting of an arrangement recovery boiler that uses steam as a heat source and a steam turbine that uses the produced steam ).
또한, 운전 중 가스터빈과 배열회수보일러(HRSG, Heat Recovery Steam Generator) 사이에 있는 댐퍼(Damper)의 운전조건 및 상태 등의 영향으로 부연돌(Bypass Stack)로 누설되는 가스는 열 이용율을 저해하는 요소로 발전성능에 크게 영향을 미치는 요소이다.In addition, due to the operation conditions and conditions of the damper between the gas turbine and the heat recovery steam generator (HRSG) during operation, the gas leaked to the bypass stack inhibits the heat utilization rate It is a factor that greatly affects power generation performance.
상기와 같은 종래 기술의 문제점을 해결하기 위해, 본 발명은 보일러 튜브 누설 발생을 실시간으로 예측 또는 조기 감지하여 빠른 조치가 가능하도록 한 보일러 튜브 누설 감지 모델을 제공하는 데 있다.In order to solve the problems of the prior art as described above, the present invention provides a boiler tube leakage detection model that enables rapid detection by detecting or early detection of leakage of a boiler tube in real time.
위와 같은 과제를 해결하기 위한 본 발명의 화력발전 운영방법은, 보일러 누설 발생 시, 유량이 감소됨에 따라 보충수(Make-up flow)의 유량이 증가되는 정도, 열교환기의 피드워터 공급이 증가되는 정도 및 전기 충전량이 감소되는 정도를 포함하는 발전소 데이터 세트와 보일러 누설 간의 관계에 대한 기계학습을 수행하는 단계와, 화력발전 가동 중 검출되는 보충수, 피드워터 플로우 및 전기 충전량을 포함하는 발전소 데이터 세트를 실시간으로 수집하는 단계와, 수집되는 발전소 데이터 세트를 스트리밍 방식으로 수신함과 동시에 기계학습에 기초한 과거의 상기 발전소 데이터 세트와 비교하여 유사도를 판단하는 단계와, 유사도가 미리 설정된 임계치 이상에 해당하는 발전소 데이터 세트를 추출하는 단계 및 추출된 발전소 데이터 세트에 매칭된 보일러 누설 정보에 기반하여 상기 보일러 누설을 감지하는 단계를 포함한다.In order to solve the above problems, the method of operating the thermal power generation of the present invention is characterized in that when the boiler leakage occurs, the flow rate of the make-up flow is increased as the flow rate is decreased and the feed water supply of the heat exchanger is increased Performing a machine learning on the relationship between the power plant data set and the boiler leakage including the extent to which the power charge amount is reduced and the power plant data set including the makeup water detected during the thermal power generation operation, A step of receiving the collected power plant data set in a streaming manner and comparing the power plant data set with a past power plant data set based on the machine learning to determine a degree of similarity; Extracting a data set, and extracting a beam matched to the extracted power plant data set Going on the basis of the leak information includes the step of sensing the boiler leakage.
또한, 본 발명의 실시 예에 따른 화력발전 운영 시스템은 보일러 누설 발생 시, 유량이 감소됨에 따라 보충수(Make-up flow)의 유량이 증가되는 정도, 열교환기의 피드워터 공급이 증가되는 정도 및 전기 충전량이 감소되는 정도를 포함하는 발전소 데이터 세트와 보일러 누설 간의 관계에 대한 기계학습을 수행하는 기계 학습부와, 화력발전 가동 중 검출되는 보충수, 피드워터 플로우 및 전기 충전량을 포함하는 발전소 데이터 세트를 실시간으로 수집하는 발전소 데이터 세트 수집부와, 상기 수집되는 발전소 데이터 세트를 스트리밍 방식으로 수신함과 동시에 상기 기계학습에 기초한 과거의 상기 발전소 데이터 세트와 비교하여 유사도를 판단하고, 상기 유사도가 미리 설정된 임계치 이상에 해당하는 발전소 데이터 세트를 추출하는 발전소 데이터 세트 분석부 및 상기 추출된 발전소 데이터 세트에 매칭된 보일러 누설 정보에 기반하여 상기 보일러 누설을 감지하는 누설 감지 예측부를 포함한다.In addition, the thermal power generation operating system according to the embodiment of the present invention can improve the flow rate of the make-up flow, the degree of increase of the feed water supply of the heat exchanger, A machine learning section for performing a machine learning on the relationship between the plant data set and the boiler leakage including the degree to which the electric charge amount is reduced; and a plant data set including a replenishing water detected during the thermal power generation operation, a feed water flow, And a control unit that receives the collected power plant data set in a streaming manner and compares the collected power plant data set with past power plant data sets based on the machine learning to determine a degree of similarity, The power plant data set for extracting the power plant data set corresponding to the above And a leakage detection predicting unit for detecting the boiler leakage based on boiler leakage information matched to the extracted power plant data set.
본 발명의 실시 예에 따른 화력발전 운영 시스템은 학습된 발전소 데이터 세트에 매칭된 보일러 누설 정보에 기반하여 실시간으로 스트리밍되는 발전소 데이터 세트를 분석함으로써, 보일러 누설을 예측 또는 감지하고, 이는 과거 운전되어진 데이터를 기반으로 보일러의 누설을 감지하는 방식이기 때문에 기존의 소리로 누설을 감지하는 BTLD 시스템보다 정밀한 감지가 가능하며, 이로 인하여 사고파급 및 불시정지로 인한 피해를 감소시킬 수 있는 효과가 있다.The thermal power generation operating system according to an embodiment of the present invention predicts or detects the boiler leakage by analyzing the power plant data set streamed in real time based on the boiler leakage information matched to the learned power plant data set, , It is possible to detect more accurately than the BTLD system that detects leakage by existing sound. Therefore, it is possible to reduce the damage caused by accidents and sudden stoppage.
도 1은 본 발명의 일실시 예에 따른 화력발전 운영 시스템의 개략적인 블록도이다.
도 2는 본 발명의 일실시 예에 따른 보일러 튜브를 포함하는 화력발전 시스템의 일부 모습을 도시하는 도면이다.
도 3은 본 발명의 일실시 예에 따른 튜브 누설을 예측 또는 감지하기 위해 발전소 데이터 세트를 분석하기 위한 로직의 일 예를 도시하는 도면이다.
도 4는 은닉 마르코프 모델을 개략적으로 도시하는 도면이다.
도 5는 본 발명의 실시 예에 따른 화력발전 운영방법을 설명하기 위한 순서도이다. 1 is a schematic block diagram of a thermal power generation operating system according to an embodiment of the present invention.
2 is a view showing a part of a thermal power generation system including a boiler tube according to an embodiment of the present invention.
3 is an illustration of an example logic for analyzing a plant data set to predict or detect tube leakage in accordance with an embodiment of the present invention.
4 is a view schematically showing a hidden Markov model.
5 is a flowchart illustrating a method of operating thermal power generation according to an embodiment of the present invention.
이하, 본 발명을 바람직한 실시 예와 첨부한 도면을 참고로 하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며, 여기에서 설명하는 실시 예에 한정되는 것은 아니다. DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENT Hereinafter, the present invention will be described in detail with reference to preferred embodiments and accompanying drawings, which will be easily understood by those skilled in the art. The present invention may, however, be embodied in many different forms and should not be construed as limited to the embodiments set forth herein.
이하, 도 1을 참조하여 본 발명에 따른 화력발전 운영 시스템에 대하여 설명하기로 한다. 도 1은 본 발명의 일실시 예에 따른 화력발전 운영 시스템의 개략적인 블록도이고, 도 2는 보일러 튜브를 포함하는 화력발전 시스템의 일부 모습을 도시하는 도면이며, 도 3은 튜브 누설을 예측 또는 감지하기 위해 발전소 데이터 세트를 분석하기 위한 로직의 일 예를 도시하는 도면이다.Hereinafter, a thermal power generation operating system according to the present invention will be described with reference to FIG. FIG. 1 is a schematic block diagram of a thermal power generation operating system according to an embodiment of the present invention, FIG. 2 is a view showing a part of a thermal power generation system including a boiler tube, FIG. ≪ / RTI > is an illustration of one example of logic for analyzing a plant data set for detection.
도 1에 도시된 바와 같이, 본 발명의 화력발전 운영 시스템(100)은 보일러 누설정보 설정부(110), 기계학습부(120), 발전소 데이터 세트 수집부(130), 발전소 데이터 세트 분석부(140) 및 누설 감지 예측부(150)를 포함하여 구성된다.1, the thermal power
누설정보 설정부(110)는 발전소 데이터 세트의 목표치를 설정하고, 입력되는 발전소 데이터 세트와 상기 목표치를 비교한 결과, 그 차이에 따라 보일러 누설 정보를 설정한다.The leakage
이를 위해 누설정보 설정부(110)는 입력부(미도시)로부터 보충수(Make-up flow)의 유량, 열교환기의 피드워터 공급량, 전기 충전량, 압축기로 유입되는 공기의 온도, 연소기에 공급되는 연료의 온도, 상기 연소기에 공급되는 연료량, 상기 연소기에 공급되는 연료의 발열량, 가스터빈출구의 온도, 가스터빈발전기 및 증기터빈발전기의 전기출력 중 적어도 하나를 입력받고, 상기 입력받은 데이터를 기반으로 보일러 누설 정보를 설정할 수 있다. 누설정보 설정부(110)의 보일러 누설정보는 미리 사용자의 입력 또는 설계자의 의도에 따라 설정될 수 있다.To this end, the leakage
기계학습부(120)는 보일러 누설 발생 시, 유량이 감소됨에 따라 보충수(Make-up flow)의 유량이 증가되는 정도, 열교환기의 피드워터 공급이 증가되는 정도 및 전기 충전량이 감소되는 정도를 포함하는 발전소 데이터 세트와 보일러 누설 간의 관계에 대한 기계학습을 수행한다.When the boiler leakage occurs, the
기계 학습부(120)는 하나의 발전소 데이터 세트의 목표치에 대해 수회 반복적으로 발전소를 구동하여 학습을 위한 데이터 집합을 생성하고, 복수의 목표치마다 발전소 데이터 집합을 이용하여 기계학습모델을 학습한다. 여기서 기계학습은 도 4에 도시된 바와 같은 은닉마르코프 모델(HMM: Hidden Mark Model)을 이용할 수 있다. 또는 은닉 마르코프 모델 이외에도 가우시안 혼합모델(Gaussian mixture model)등의 일반적 기계학습모델 중 적어도 하나를 사용하여 발전소 데이터 세트를 학습할 수 있다. The
발전소 데이터 세트 수집부(130)는 화력발전 가동 중 검출되는 보충수, 피드워터 플로우 및 전기 충전량을 포함하는 발전소 데이터 세트를 실시간으로 수집한다. The power plant data
아울러, 발전소 데이터 세트로서 압축기로 유입되는 공기의 온도, 연소기에 공급되는 연료의 온도, 상기 연소기에 공급되는 연료량, 상기 연소기에 공급되는 연료의 발열량, 가스터빈출구의 온도, 가스터빈발전기 및 증기터빈발전기의 전기출력 중 적어도 하나를 더 수집할 수 있다. In addition, the power plant data set includes the temperature of the air flowing into the compressor, the temperature of the fuel supplied to the combustor, the amount of fuel supplied to the combustor, the heating value of the fuel supplied to the combustor, the temperature of the gas turbine outlet, At least one of the electrical outputs of the generator can be collected.
이를 위해, 압축기로 유입되는 공기의 온도를 측정하기 위한 공기 온도계, 연소기에 공급되는 연료의 온도를 측정하기 위한 연료 온도계, 연소기에 공급되는 연료량을 측정하기 위한 연료 유량계, 연소기에 공급되는 연료의 발열량을 측정하기 위한 연료성분분석기, 가스터빈출구의 온도를 측정하기 위한 출구 온도계, 가스터빈 발전기 및 증기터빈 발전기의 전기출력을 얻기 위한 전력검출기를 구비할 수 있다.To this end, an air thermometer for measuring the temperature of air introduced into the compressor, a fuel thermometer for measuring the temperature of the fuel supplied to the combustor, a fuel flow meter for measuring the amount of fuel supplied to the combustor, , An exit thermometer for measuring the temperature of the gas turbine outlet, a gas turbine generator, and a power detector for obtaining the electrical output of the steam turbine generator.
더불어, 발전소 데이터 세트 수집부(130)는 화력발전 가동 중 검출되는 보충수, 피드워터 플로우 및 전기 충전량, 압축기로 유입되는 공기의 온도, 연소기에 공급되는 연료의 온도, 상기 연소기에 공급되는 연료량, 상기 연소기에 공급되는 연료의 발열량, 가스터빈출구의 온도 중 적어도 하나를 컴퓨터에서 처리가능한 디지털 신호로 변환하고, 변환된 디지털 신호로부터 배기가스량을 계산할 수 있다.In addition, the power plant data set collecting
발전소 데이터 세트 분석부(140)는 발전소 데이터 세트 수집부(130)에 의해 수집되는 발전소 데이터 세트를 스트리밍 방식으로 수신함과 동시에 상기 기계학습에 기초한 과거의 상기 발전소 데이터 세트와 비교하여 유사도를 판단하고, 상기 유사도가 미리 설정된 임계치 이상에 해당하는 발전소 데이터 세트를 추출한다. The power plant data set analyzing
여기서, 발전소 데이터 세트는 발전소 데이터 세트 수집부(130)에서 디지털 신호로 변환된 배기가스량의 수치일 수 있다.Here, the power plant data set may be a numerical value of the exhaust gas amount converted into the digital signal by the power plant data set collecting
누설 감지부(150)는 상기 추출된 발전소 데이터 세트에 매칭된 보일러 누설 정보에 기반하여 상기 보일러 누설을 감지한다. 예를 들어, 도 3에 도시된 바와 같은 로직에 따라 발전소 데이터 세트를 분석하여 튜브 누설을 예측 또는 감지할 수 있다.이는 과거 운전되어진 데이터를 기반으로 보일러의 누설을 감지하는 방식이기 때문에 기존의 소리로 누설을 감지하는 BTLD 시스템보다 정밀한 감지가 가능하며, 이로 인하여 사고파급 및 불시정지로 인한 피해를 감소시킬 수 있는 효과가 있다.The
여기서 쟁점은 누설 감지부(150)가 입력되는 보일러 튜브 누설 여부를 조기에 감지할 수 있다는 데에 있다. 즉, 화력발전 가동 중 검출되는 보충수, 피드워터 플로우 및 전기 충전량을 포함하는 발전소 데이터 세트를 실시간으로 수집하고, 수집되는 발전소 데이터 세트를 스트리밍 방식으로 수신함과 동시에 상기 기계학습에 기초한 과거의 상기 발전소 데이터 세트와 비교하여 유사도를 판단하고, 상기 유사도가 미리 설정된 임계치 이상에 해당하는 발전소 데이터 세트를 추출하여, 발전소 데이터 세트에 매칭된 보일러 누설 정보에 기반하여 상기 보일러 누설을 감지하기 때문에, 하나의 데이터에라도 이상이 발생하면 보일러 누설을 조기에 예측할 수 있는 것이다.The issue here is that the
아울러, 누설 감지부(150)는 기계학습을 기반으로 보일러 누설 발생 예측량을 연산할 수 있다.In addition, the
본 발명의 실시 예에 따른 화력발전 운영 시스템은 기계학습을 도입함으로써 화력발전 운영에 있어서 보일러 튜브 누설 발생을 예측 또는 조기 감지하여 빠른 조치를 가능하게 하여, 사고 파급 및 불시정지로 인한 피해를 줄일 수 있는 효과가 있다. The thermal power generation operating system according to the embodiment of the present invention can predict the occurrence or leakage of the boiler tube leakage in the thermal power generation operation by introducing the machine learning, There is an effect.
도 5는 본 발명의 실시 예에 따른 화력발전 운영방법을 설명하기 위한 순서도이다. 도 5를 참조하면, 본 발명의 실시 예에 따른 화력발전 운영방법은 먼저, 보일러 누설 발생 시, 유량이 감소됨에 따라 보충수(Make-up flow)의 유량이 증가되는 정도, 열교환기의 피드워터 공급이 증가되는 정도 및 전기 충전량이 감소되는 정도를 포함하는 발전소 데이터 세트와 보일러 누설 간의 관계에 대한 기계학습을 수행한다(S410).5 is a flowchart illustrating a method of operating thermal power generation according to an embodiment of the present invention. Referring to FIG. 5, the method of operating thermal power generation according to an embodiment of the present invention is characterized in that when a boiler leakage occurs, the flow rate of the make-up flow increases as the flow rate decreases, The machine learning is performed on the relationship between the power plant data set and the boiler leakage, including the extent to which the supply is increased and the amount of electrical charge is reduced (S410).
기계학습 수행 단계는, 하나의 발전소 데이터 세트의 목표치에 대해 수회 반복적으로 발전소를 구동하여 학습을 위한 데이터 집합을 생성하고, 복수의 목표치마다 발전소 데이터 집합을 이용하여 기계학습모델을 학습한다. 여기서 기계학습은 도 4에 도시된 바와 같은 은닉마르코프 모델(HMM: Hidden Mark Model)을 이용할 수 있다. 또는 은닉 마르코프 모델 이외에도 가우시안 혼합모델(Gaussian mixture model)등의 일반적 기계학습모델 중 적어도 하나를 사용하여 발전소 데이터 세트를 학습할 수 있다. The machine learning execution step generates a data set for learning by driving the power plant repeatedly several times for a target value of one plant data set, and learns a machine learning model using the plant set of data for a plurality of target values. Here, the machine learning can use a hidden mark model (HMM) as shown in FIG. Alternatively, in addition to the hidden Markov model, the power plant data set can be learned using at least one of general machine learning models such as a Gaussian mixture model.
한편, 기계학습 수행 단계 이전에 누설정보 설정부(110)는 발전소 데이터 세트의 목표치를 설정하고, 입력되는 발전소 데이터 세트와 상기 목표치를 비교한 결과, 그 차이에 따라 보일러 누설 정보를 설정한다.Meanwhile, the leakage
이를 위해 누설정보 설정부가 입력부로부터 보충수(Make-up flow)의 유량, 열교환기의 피드워터 공급량, 전기 충전량, 압축기로 유입되는 공기의 온도, 연소기에 공급되는 연료의 온도, 상기 연소기에 공급되는 연료량, 상기 연소기에 공급되는 연료의 발열량, 가스터빈출구의 온도, 가스터빈발전기 및 증기터빈발전기의 전기출력 중 적어도 하나를 입력받고, 상기 입력받은 데이터를 기반으로 보일러 누설 정보를 설정할 수 있다. 누설정보 설정부의 보일러 누설정보는 미리 사용자의 입력 또는 설계자의 의도에 따라 설정될 수 있다.To this end, the leakage information setting unit sets the leak information from the input unit, such as the flow rate of the make-up flow, the feed water amount of the heat exchanger, the electric charge amount, the temperature of the air flowing into the compressor, the temperature of the fuel supplied to the combustor, The amount of fuel, the amount of heat of the fuel supplied to the combustor, the temperature of the gas turbine outlet, the electric power output of the gas turbine generator, and the steam turbine generator, and set boiler leakage information based on the input data. The boiler leak information of the leak information setting unit may be set in advance according to the input of the user or the intention of the designer.
다음으로, 화력발전 가동 중 검출되는 보충수, 피드워터 플로우 및 전기 충전량을 포함하는 발전소 데이터 세트를 실시간으로 수집한다(S420).Next, the power plant data set including the replenishing water detected during the thermal power generation operation, the feed water flow, and the electric charge amount is collected in real time (S420).
아울러, 발전소 데이터 세트로서 압축기로 유입되는 공기의 온도, 연소기에 공급되는 연료의 온도, 상기 연소기에 공급되는 연료량, 상기 연소기에 공급되는 연료의 발열량, 가스터빈출구의 온도, 가스터빈발전기 및 증기터빈발전기의 전기출력 중 적어도 하나를 더 수집할 수 있다. In addition, the power plant data set includes the temperature of the air flowing into the compressor, the temperature of the fuel supplied to the combustor, the amount of fuel supplied to the combustor, the heating value of the fuel supplied to the combustor, the temperature of the gas turbine outlet, At least one of the electrical outputs of the generator can be collected.
이를 위해, 압축기로 유입되는 공기의 온도를 측정하기 위한 공기 온도계, 연소기에 공급되는 연료의 온도를 측정하기 위한 연료 온도계, 연소기에 공급되는 연료량을 측정하기 위한 연료 유량계, 연소기에 공급되는 연료의 발열량을 측정하기 위한 연료성분분석기, 가스터빈출구의 온도를 측정하기 위한 출구 온도계, 가스터빈 발전기 및 증기터빈 발전기의 전기출력을 얻기 위한 전력검출기를 구비할 수 있다.To this end, an air thermometer for measuring the temperature of air introduced into the compressor, a fuel thermometer for measuring the temperature of the fuel supplied to the combustor, a fuel flow meter for measuring the amount of fuel supplied to the combustor, , An exit thermometer for measuring the temperature of the gas turbine outlet, a gas turbine generator, and a power detector for obtaining the electrical output of the steam turbine generator.
더불어, 이 단계는 화력발전 가동 중 검출되는 보충수, 피드워터 플로우 및 전기 충전량, 압축기로 유입되는 공기의 온도, 연소기에 공급되는 연료의 온도, 상기 연소기에 공급되는 연료량, 상기 연소기에 공급되는 연료의 발열량, 가스터빈출구의 온도 중 적어도 하나를 컴퓨터에서 처리가능한 디지털 신호로 변환하고, 변환된 디지털 신호로부터 배기가스량을 계산할 수 있다.In addition, this step includes the steps of determining the amount of fuel to be supplied to the combustor, the amount of fuel to be supplied to the combustor, the amount of fuel to be supplied to the combustor, the amount of fuel to be supplied to the combustor, And the temperature of the gas turbine outlet, into a digital signal that can be processed by a computer, and calculate the amount of exhaust gas from the converted digital signal.
다음으로, 수집되는 발전소 데이터 세트를 스트리밍 방식으로 수신함과 동시에 상기 기계학습에 기초한 과거의 상기 발전소 데이터 세트와 비교하여 유사도를 판단한다(S430). 여기서, 발전소 데이터 세트는 발전소 데이터 세트 수집 단계(S420)에서 디지털 신호로 변환된 배기가스량의 수치일 수 있다.Next, the collected power plant data set is received in a streaming manner, and at the same time, the similarity is determined by comparing with the past power plant data set based on the machine learning (S430). Here, the power plant data set may be a numerical value of the exhaust gas amount converted into the digital signal in the power plant data set collection step (S420).
다음으로, 유사도가 미리 설정된 임계치 이상에 해당하는 발전소 데이터 세트를 추출한다(S440).Next, a power plant data set in which the degree of similarity corresponds to a predetermined threshold value or more is extracted (S440).
다음으로, 추출된 발전소 데이터 세트에 매칭된 보일러 누설 정보에 기반하여 상기 보일러 누설을 예측 또는 감지한다(S450). 이는 과거 운전되어진 데이터를 기반으로 보일러의 누설을 감지하는 방식이기 때문에 기존의 소리로 누설을 감지하는 BTLD 시스템보다 정밀한 감지가 가능하며, 이로 인하여 사고파급 및 불시정지로 인한 피해를 감소시킬 수 있는 효과가 있다.Next, the boiler leakage is predicted or sensed based on boiler leakage information matched to the extracted power plant data set (S450). Because it is a method to detect leakage of boiler based on past data, it is possible to detect more accurately than BTLD system which detects leakage by existing sound, and it is possible to reduce damage caused by accidents and sudden stop .
여기서 쟁점은 누설 감지부가 입력되는 보일러 튜브 누설 여부를 조기에 감지할 수 있다는 데에 있다. The issue here is that it is possible to detect prematurely whether the boiler tube is leaked or not.
즉, 화력발전 가동 중 검출되는 보충수, 피드워터 플로우 및 전기 충전량을 포함하는 발전소 데이터 세트를 실시간으로 수집하고, 수집되는 발전소 데이터 세트를 스트리밍 방식으로 수신함과 동시에 상기 기계학습에 기초한 과거의 상기 발전소 데이터 세트와 비교하여 유사도를 판단하고, 상기 유사도가 미리 설정된 임계치 이상에 해당하는 발전소 데이터 세트를 추출하여, 발전소 데이터 세트에 매칭된 보일러 누설 정보에 기반하여 상기 보일러 누설을 감지하기 때문에, 하나의 데이터에라도 이상이 발생하면 보일러 누설을 조기에 예측할 수 있는 것이다. That is, it is possible to collect power plant data sets including replenishment water, feed water flow, and electric charge amount detected during the thermal power generation operation in real time, receive the collected power plant data set in a streaming manner, And the boiler leakage is detected based on the boiler leakage information matched to the power plant data set, so that one data If an abnormality occurs, the boiler leakage can be predicted early.
아울러, 누설 감지부는 기계학습을 기반으로 보일러 누설 발생 예측량을 연산할 수 있다.In addition, the leakage detection unit can calculate the predicted amount of boiler leakage occurrence based on the machine learning.
본 발명의 실시 예에 따른 화력발전 운영 시스템은 기계학습을 도입함으로써 화력발전 운영에 있어서 보일러 튜브 누설 발생을 예측 또는 조기 감지하여 빠른 조치를 가능하게 하여, 사고 파급 및 불시정지로 인한 피해를 줄일 수 있는 효과가 있다. The thermal power generation operating system according to the embodiment of the present invention can predict the occurrence or leakage of the boiler tube leakage in the thermal power generation operation by introducing the machine learning, There is an effect.
본 발명의 실시예들은 컴퓨터로 읽을 수 있는 기록 매체에 컴퓨터가 읽을 수 있는 코드로 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록 매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함한다.Embodiments of the present invention can be embodied in computer readable code on a computer readable recording medium. A computer-readable recording medium includes all kinds of recording apparatuses in which data that can be read by a computer system is stored.
컴퓨터가 읽을 수 있는 기록 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장장치 등이 있으며, 또한 캐리어 웨이브(예를 들어 인터넷을 통한 전송)의 형태로 구현하는 것을 포함한다. 또한, 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다. 그리고 본 발명을 구현하기 위한 기능적인(functional) 프로그램, 코드 및 코드 세그먼트들은 본 발명이 속하는 기술 분야의 프로그래머들에 의하여 용이하게 추론될 수 있다.Examples of the computer-readable recording medium include a ROM, a RAM, a CD-ROM, a magnetic tape, a floppy disk, an optical data storage device and the like, and also a carrier wave (for example, transmission via the Internet) . In addition, the computer-readable recording medium may be distributed over network-connected computer systems so that computer readable codes can be stored and executed in a distributed manner. In addition, functional programs, codes, and code segments for implementing the present invention can be easily deduced by programmers skilled in the art to which the present invention belongs.
상기에서는 본 발명의 바람직한 실시 예에 대하여 설명하였지만, 본 발명은 이에 한정되는 것이 아니고 본 발명의 기술 사상 범위 내에서 여러 가지로 변형하여 실시하는 것이 가능하고 이 또한 첨부된 특허청구범위에 속하는 것은 당연하다.While the present invention has been described in connection with what is presently considered to be practical exemplary embodiments, it is to be understood that the invention is not limited to the disclosed embodiments, but, on the contrary, Do.
100: 화력발전 운영 시스템 110: 누설정보 설정부
120: 기계 학습부 130: 발전소 데이터 세트 수집부
140: 발전소 데이터 세트 분석부 150: 누설 감지 예측부100: Thermal power generation operating system 110: Leakage information setting unit
120: Machine learning unit 130: Power plant data set collection unit
140: Power plant data set analysis unit 150: Leak detection prediction unit
Claims (4)
보일러 누설 발생 시, 유량이 감소됨에 따라 보충수(Make-up flow)의 유량이 증가되는 정도, 열교환기의 피드워터 공급이 증가되는 정도 및 전기 충전량이 감소되는 정도를 포함하는 발전소 데이터 세트와 보일러 누설 간의 관계에 대한 기계학습을 수행하는 기계 학습부와,
상기 기계 학습부는 은닉마르코프 모델(HMM: Hidden Mark Model) 또는 가우시안 혼합모델(Gaussian mixture model) 중 적어도 하나를 사용하여 하나의 발전소 데이터 세트의 목표치에 대해 수회 반복적으로 발전소를 구동하여 학습을 위한 데이터 집합을 생성하고, 복수의 목표치마다 발전소 데이터 집합을 이용하여 기계학습모델을 학습하며,
화력발전 가동 중 검출되는 보충수, 피드워터 플로우 및 전기 충전량을 포함하는 발전소 데이터 세트를 실시간으로 수집하는 발전소 데이터 세트 수집부와,
상기 수집되는 발전소 데이터 세트를 스트리밍 방식으로 수신함과 동시에 상기 기계학습에 기초한 과거의 상기 발전소 데이터 세트와 비교하여 유사도를 판단하고, 상기 유사도가 미리 설정된 임계치 이상에 해당하는 발전소 데이터 세트를 추출하는 발전소 데이터 세트 분석부 및
상기 추출된 발전소 데이터 세트에 매칭된 보일러 누설 정보에 기반하여 상기 보일러 누설을 감지하는 누설 감지 예측부를 포함하되,
발전소 데이터 세트의 목표치를 설정하고, 입력되는 발전소 데이터 세트와 상기 목표치를 비교한 결과, 그 차이에 따라 보일러 누설 정보를 설정하는 보일러 누설정보 설정부를 더 포함하고,
상기 누설정보 설정부는 입력부로부터 보충수(Make-up flow)의 유량, 열교환기의 피드워터 공급량, 전기 충전량, 압축기로 유입되는 공기의 온도, 연소기에 공급되는 연료의 온도, 상기 연소기에 공급되는 연료량, 상기 연소기에 공급되는 연료의 발열량, 가스터빈출구의 온도, 가스터빈발전기 및 증기터빈발전기의 전기출력을 입력받고, 상기 입력받은 데이터를 기반으로 보일러 누설 정보를 설정하고,
상기 발전소 데이터 세트에는 압축기로 유입되는 공기의 온도, 연소기에 공급되는 연료의 온도, 상기 연소기에 공급되는 연료량, 상기 연소기에 공급되는 연료의 발열량, 가스터빈출구의 온도, 가스터빈발전기 및 증기터빈발전기의 전기출력을 더 포함하며,
이를 위해 압축기로 유입되는 공기의 온도를 측정하기 위한 공기 온도계, 연소기에 공급되는 연료의 온도를 측정하기 위한 연료 온도계, 연소기에 공급되는 연료량을 측정하기 위한 연료 유량계, 연소기에 공급되는 연료의 발열량을 측정하기 위한 연료성분분석기, 가스터빈출구의 온도를 측정하기 위한 출구 온도계, 가스터빈 발전기 및 증기터빈 발전기의 전기출력을 얻기 위한 전력검출기를 더 구비하고,
또한 발전소 데이터 세트 수집부는 화력발전 가동 중 검출되는 보충수, 피드워터 플로우 및 전기 충전량, 압축기로 유입되는 공기의 온도, 연소기에 공급되는 연료의 온도, 상기 연소기에 공급되는 연료량, 상기 연소기에 공급되는 연료의 발열량, 가스터빈출구의 온도 중 적어도 하나를 컴퓨터에서 처리가능한 디지털 신호로 변환하고, 변환된 디지털 신호로부터 배기가스량을 계산하는 시스템을 이용하여,
보일러 누설 발생 시, 유량이 감소됨에 따라 보충수의 유량이 증가되는 정도, 열교환기의 피드워터 공급이 증가되는 정도 및 전기 충전량이 감소되는 정도를 포함하는 발전소 데이터 세트와 보일러 누설 간의 관계에 대한 기계학습을 수행하는 단계와;
화력발전 가동 중 검출되는 보충수, 피드워터 플로우 및 전기 충전량을 포함하는 발전소 데이터 세트를 실시간으로 수집하는 단계와;
상기 수집되는 발전소 데이터 세트를 스트리밍 방식으로 수신함과 동시에 상기 기계학습에 기초한 과거의 상기 발전소 데이터 세트와 비교하여 유사도를 판단하는 단계와;
상기 유사도가 미리 설정된 임계치 이상에 해당하는 발전소 데이터 세트를 추출하는 단계를 거처, 수집되는 발전소 데이터 세트를 스트리밍 방식으로 수신함과 동시에 상기 기계학습에 기초한 과거의 상기 발전소 데이터 세트와 비교하여 유사도를 판단하고, 상기 유사도가 미리 설정된 임계치 이상에 해당하는 발전소 데이터 세트를 추출하여, 발전소 데이터 세트에 매칭된 보일러 누설 정보에 기반하여 하나의 데이터에라도 이상이 발생하면 보일러 누설로 조기에 예측하는 단계를 구비하는 것을 특징으로 하는 화력발전 운영 시스템.In a thermal power generation operating system,
In the event of a boiler leak, the power plant dataset, including the extent to which the flow of make-up flow is increased as the flow rate is reduced, the extent to which the feedwater feed of the heat exchanger is increased, A machine learning unit for performing a machine learning on the relationship between the leakage,
Wherein the machine learning unit repeatedly drives the power plant several times over a target value of one power plant data set using at least one of a hidden mark model (HMM) or a Gaussian mixture model, Learns a machine learning model using a plant data set for each of a plurality of target values,
A power plant data set collection unit for collecting, in real time, a power plant data set including replenishment water, feed water flow, and electric charge amount detected during thermal power generation operation,
Receiving the collected power plant data set in a streaming manner and comparing the power plant data set with past power plant data sets based on the machine learning to determine a degree of similarity and extracting power plant data sets having the similarity exceeding a preset threshold value Set analysis section and
And a leakage detection predicting unit for detecting the boiler leakage based on boiler leakage information matched to the extracted plant data set,
Further comprising a boiler leak information setting unit that sets a target value of the power plant data set and sets boiler leak information according to the difference as a result of comparing the input power plant data set with the target value,
The leakage information setting unit sets the leakage information from the input unit based on a flow rate of the make-up flow, a feed water supply amount of the heat exchanger, an electric charge amount, the temperature of the air flowing into the compressor, a temperature of the fuel supplied to the combustor, A heating value of the fuel supplied to the combustor, a temperature of the gas turbine outlet, an electrical output of the gas turbine generator and the steam turbine generator, setting boiler leakage information based on the input data,
The power plant data set includes at least one of the temperature of the air flowing into the compressor, the temperature of the fuel supplied to the combustor, the amount of fuel supplied to the combustor, the heating value of the fuel supplied to the combustor, the temperature of the gas turbine outlet, Lt; RTI ID = 0.0 > a < / RTI &
For this, an air thermometer for measuring the temperature of the air introduced into the compressor, a fuel thermometer for measuring the temperature of the fuel supplied to the combustor, a fuel flow meter for measuring the amount of fuel supplied to the combustor, A fuel component analyzer for measuring the temperature of the gas turbine outlet, an outlet thermometer for measuring the temperature of the gas turbine outlet, a gas turbine generator and a power detector for obtaining the electrical output of the steam turbine generator,
In addition, the power plant data set collecting unit may be configured to collect the power supply data set collected by the power plant data set collecting unit, such as replenishment water, feed water flow and electric charge amount detected during the thermal power generation operation, temperature of the air flowing into the compressor, temperature of the fuel supplied to the combustor, A system for converting at least one of the amount of heat of the fuel and the temperature of the gas turbine outlet to a computer-processable digital signal, and calculating the amount of exhaust gas from the converted digital signal,
A machine for the relationship between the plant data set and the boiler leakage, including the degree to which the flow rate of the make-up water increases as the flow rate of the boiler is leaked, the degree to which the feedwater supply of the heat exchanger is increased, Performing learning;
Collecting, in real time, a power plant data set including replenishment water, feed water flow, and electric charge amount detected during thermal power generation operation;
Receiving the collected power plant data sets in a streaming manner and comparing the collected power plant data sets with past power plant data sets based on the machine learning to determine similarity;
A step of extracting a power plant data set in which the degree of similarity corresponds to a predetermined threshold value or more is received, a collected power plant data set is received in a streaming manner, and the similarity is compared with the past power plant data set based on the machine learning And a step of extracting a power plant data set in which the degree of similarity corresponds to a predetermined threshold value or more and predicting the boiler leakage early if one or more data is generated based on boiler leakage information matched to the power plant data set A thermal power generation operating system that features.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170067975A KR101960754B1 (en) | 2017-05-31 | 2017-05-31 | Method and system for managing thermal power plant |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170067975A KR101960754B1 (en) | 2017-05-31 | 2017-05-31 | Method and system for managing thermal power plant |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20180131239A KR20180131239A (en) | 2018-12-10 |
| KR101960754B1 true KR101960754B1 (en) | 2019-03-25 |
Family
ID=64671054
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020170067975A KR101960754B1 (en) | 2017-05-31 | 2017-05-31 | Method and system for managing thermal power plant |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR101960754B1 (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20220059193A (en) | 2020-11-02 | 2022-05-10 | 한국전력공사 | System and Method for providing early warning to prevent false alarm |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102534942B1 (en) * | 2020-04-06 | 2023-05-19 | 한국수력원자력 주식회사 | System for analyzing operation action of operator in nuclear power plant |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008144995A (en) | 2006-12-07 | 2008-06-26 | Chugoku Electric Power Co Inc:The | Plant leakage detecting system |
| JP2013185726A (en) | 2012-03-06 | 2013-09-19 | Chugoku Electric Power Co Inc:The | Device and method for determination of leaking part |
| JP2015007509A (en) * | 2013-06-26 | 2015-01-15 | 株式会社日立製作所 | Boiler tube leak detection device, boiler tube leak detection method, data monitoring center using the device and method, information providing service and boiler plant |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8275577B2 (en) * | 2006-09-19 | 2012-09-25 | Smartsignal Corporation | Kernel-based method for detecting boiler tube leaks |
| KR100976703B1 (en) | 2008-09-19 | 2010-08-18 | 에스티엑스조선해양 주식회사 | Self diagnostic system using network type dynamic simulator and self diagnostic method |
-
2017
- 2017-05-31 KR KR1020170067975A patent/KR101960754B1/en active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008144995A (en) | 2006-12-07 | 2008-06-26 | Chugoku Electric Power Co Inc:The | Plant leakage detecting system |
| JP2013185726A (en) | 2012-03-06 | 2013-09-19 | Chugoku Electric Power Co Inc:The | Device and method for determination of leaking part |
| JP2015007509A (en) * | 2013-06-26 | 2015-01-15 | 株式会社日立製作所 | Boiler tube leak detection device, boiler tube leak detection method, data monitoring center using the device and method, information providing service and boiler plant |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20220059193A (en) | 2020-11-02 | 2022-05-10 | 한국전력공사 | System and Method for providing early warning to prevent false alarm |
| KR20230098123A (en) | 2020-11-02 | 2023-07-03 | 한국전력공사 | System and Method for providing early warning to prevent false alarm |
| KR20230104096A (en) | 2020-11-02 | 2023-07-07 | 한국전력공사 | System and Method for providing early warning to prevent false alarm |
| KR20230104552A (en) | 2020-11-02 | 2023-07-10 | 한국전력공사 | System and Method for providing early warning to prevent false alarm |
| KR20230104551A (en) | 2020-11-02 | 2023-07-10 | 한국전력공사 | System and Method for providing early warning to prevent false alarm |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20180131239A (en) | 2018-12-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Rossi et al. | Gas turbine combined cycle start-up and stress evaluation: A simplified dynamic approach | |
| Zhou et al. | A new gas path fault diagnostic method of gas turbine based on support vector machine | |
| US6587737B2 (en) | Method for the monitoring of a plant | |
| CN111159844B (en) | Abnormity detection method for exhaust temperature of gas turbine of power station | |
| Wang et al. | Malfunction diagnosis of thermal power plants based on advanced exergy analysis: The case with multiple malfunctions occurring simultaneously | |
| KR101960754B1 (en) | Method and system for managing thermal power plant | |
| CA2479238A1 (en) | Method for detecting heat exchanger tube failures and their location when using input/loss performance monitoring of a power plant | |
| Rossi et al. | A methodology for energy savings verification in industry with application for a CHP (combined heat and power) plant | |
| Stoppato et al. | Assessment of stresses and residual life of plant components in view of life-time extension of power plants | |
| CN110532681B (en) | Combustion engine abnormity detection method based on NARX network-boxline diagram and normal mode extraction | |
| Palme´ et al. | New alstom monitoring tools leveraging artificial neural network technologies | |
| Cao et al. | Classification and prediction of gas turbine gas path degradation based on deep neural networks | |
| Yu et al. | A clustering-based fault detection method for steam boiler tube in thermal power plant | |
| US20180051588A1 (en) | System and method for gas turbine compressor cleaning | |
| JP2013161480A (en) | Steam turbine performance testing system and method | |
| Komatsu et al. | Detection of machinery failure signs from big time-series data obtained by flow simulation of intermediate-pressure steam turbines | |
| Li et al. | Gas turbine gas‐path fault diagnosis in power plant under transient operating condition with variable geometry compressor | |
| Chen et al. | A Compressor Off-Line Washing Schedule Optimization Method With a LSTM Deep Learning Model Predicting the Fouling Trend | |
| JP6554162B2 (en) | Power plant performance evaluation method and power plant performance evaluation program | |
| Barbarelli et al. | Theoretical and experimental analysis of a new compressible flow small power turbine prototype | |
| Wang et al. | Research on anomaly detection and positioning of marine nuclear power steam turbine unit based on isolated forest | |
| JP2023094895A (en) | Malfunction prediction device, control method for malfunction prediction device and program | |
| Bianchini et al. | Numerical analysis of pressure losses in diffuser and tube steam partition valves | |
| CN112328590A (en) | Deep cleaning method for operation data of thermal equipment | |
| Ban et al. | Fault diagnosis analysis of combined cycle based on the structural theory of thermo‐economics |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| AMND | Amendment | ||
| E601 | Decision to refuse application | ||
| AMND | Amendment | ||
| X701 | Decision to grant (after re-examination) |