KR102096558B1 - 연소 최적화를 위한 장치 및 이를 위한 방법 - Google Patents

연소 최적화를 위한 장치 및 이를 위한 방법 Download PDF

Info

Publication number
KR102096558B1
KR102096558B1 KR1020180147789A KR20180147789A KR102096558B1 KR 102096558 B1 KR102096558 B1 KR 102096558B1 KR 1020180147789 A KR1020180147789 A KR 1020180147789A KR 20180147789 A KR20180147789 A KR 20180147789A KR 102096558 B1 KR102096558 B1 KR 102096558B1
Authority
KR
South Korea
Prior art keywords
combustion
data
model
optimization
controller
Prior art date
Application number
KR1020180147789A
Other languages
English (en)
Inventor
박지훈
나상건
김현식
맹좌영
Original Assignee
두산중공업 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 두산중공업 주식회사 filed Critical 두산중공업 주식회사
Priority to KR1020180147789A priority Critical patent/KR102096558B1/ko
Priority to CN201910879779.1A priority patent/CN111223529A/zh
Priority to US16/574,087 priority patent/US11761623B2/en
Priority to DE102019127154.1A priority patent/DE102019127154B4/de
Application granted granted Critical
Publication of KR102096558B1 publication Critical patent/KR102096558B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C10/00—Computational theoretical chemistry, i.e. ICT specially adapted for theoretical aspects of quantum chemistry, molecular mechanics, molecular dynamics or the like
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F22—STEAM GENERATION
    • F22B—METHODS OF STEAM GENERATION; STEAM BOILERS
    • F22B35/00—Control systems for steam boilers
    • F22B35/18—Applications of computers to steam boiler control
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
    • F23N—REGULATING OR CONTROLLING COMBUSTION
    • F23N5/00—Systems for controlling combustion
    • 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
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/10—Analysis or design of chemical reactions, syntheses or processes
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
    • F23N—REGULATING OR CONTROLLING COMBUSTION
    • F23N2223/00—Signal processing; Details thereof
    • F23N2223/40—Simulation
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
    • F23N—REGULATING OR CONTROLLING COMBUSTION
    • F23N2223/00—Signal processing; Details thereof
    • F23N2223/48—Learning / Adaptive control
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
    • F23N—REGULATING OR CONTROLLING COMBUSTION
    • F23N5/00—Systems for controlling combustion
    • F23N5/26—Details
    • F23N5/265—Details using electronic means

Abstract

연소 최적화를 위한 장치는 보일러 연소에 대해 현재 측정되는 실시간 데이터를 수집하고, 수집된 실시간 데이터를 분석하여 연소 최적화 수행 여부와, 연소 모델 및 연소 제어기 튜닝 여부를 결정하는 관리계층부와, 상기 실시간 데이터 및 상기 보일러 연소에 대해 과거에 측정된 과거 데이터로부터 연소 모델과 연소 제어기 설계에 필요한 학습 데이터를 도출하는 데이터계층부와, 상기 학습 데이터를 통해 연소 모델 및 연소 제어기를 생성하는 모델계층부와, 연소 모델 및 연소 제어기를 이용하여 연소 최적화를 위한 목표치를 산출하고, 산출된 목표치에 따른 제어 신호를 출력하는 최적계층부를 포함한다.

Description

연소 최적화를 위한 장치 및 이를 위한 방법{Apparatus for combustion optimization and method therefor}
본 발명은 최적화 기술에 관한 것으로, 보다 상세하게는, 보일러의 연소 최적화를 위한 장치 및 이를 위한 방법에 관한 것이다.
석탄화력 발전소의 보일러의 경우, 석탄 연소 시 발생하는 발열 반응을 이용하여 물을 가열하고 발전에 필요한 증기를 생산한다. 이 때, 질소산화물과 같은 오염 배기가스가 발생하게 되는데, 발생량이 많을 경우에는 이를 관리하기 위해서는 처리비용이 증가하며, 불완전 연소일 경우는 연소효율이 감소되어 발전/운전 비용이 증가된다. 따라서, 연소 효율을 높이면서 배기 가스를 저감하기 위한 기술 개발이 필요하다.
대한민국 등록특허 제1810968호 (2017.12.14.)
본 발명의 목적은 연소 효율을 높이면서도 배기 가스를 저감할 수 있는 연소 최적화를 위한 장치 및 이를 위한 방법을 제공함에 있다.
본 발명의 실시예에 따른 연소 최적화를 위한 장치는 보일러 연소에 대해 현재 측정되는 실시간 데이터를 수집하고, 수집된 실시간 데이터를 분석하여 연소 최적화 수행 여부와, 연소 모델 및 연소 제어기 튜닝 여부를 결정하는 관리계층부와, 상기 실시간 데이터 및 상기 보일러 연소에 대해 과거에 측정된 과거 데이터로부터 연소 모델과 연소 제어기 설계에 필요한 학습 데이터를 도출하는 데이터계층부와, 상기 학습 데이터를 통해 연소 모델 및 연소 제어기를 생성하는 모델계층부와, 연소 모델 및 연소 제어기를 이용하여 연소 최적화를 위한 목표치를 산출하고, 산출된 목표치에 따른 제어 신호를 출력하는 최적계층부를 포함한다.
상기 관리계층부는 상기 실시간 데이터를 수집하고, 수집된 실시간 데이터를 분석하여 연소 최적화 진행 여부를 결정하는 최적화관리부와, 상기 분석 결과 및 상기 연소 최적화 진행 여부를 기초로 연소 모델과 연소 제어기의 튜닝 여부를 결정하는 튜닝관리부를 포함한다.
상기 데이터계층부는 실시간 데이터 및 과거 데이터를 포함하는 데이터에 대해 전처리를 수행하는 전처리부와, 상기 전처리된 데이터를 분석하여 연소 모델과 연소 제어기 설계에 필요한 학습 데이터를 도출하는 분석부를 포함한다.
상기 전처리부는 누락된 데이터를 복원하는 신호 복원, 기반 지식 기반 혹은 데이터 기반으로 기 설정된 조건을 만족하는 데이터를 필터링하는 필터링 및 상한치를 초과하거나, 하한치에 미달하는 데이터를 소거하는 극단치(Outlier)처리 중 적어도 하나를 수행한다.
상기 모델계층부는 상기 학습 데이터를 기초로 연소 모델을 생성하는 연소모델생성부와, 상기 학습 데이터를 기초로 연소 제어기를 생성하는 연소제어기생성부를 포함한다.
상기 최적계층부는 복수의 연소 모델 및 연소 제어기 중 실시간 데이터를 분석하여 기 설정된 규칙에 따라 가장 부합하는 연소 모델 및 연소 제어기를 선정하는 최적모델선정부와, 상기 선정된 연소 모델 및 연소 제어기를 통해 제어 목표값을 도출하는 최적화부를 포함한다.
최적모델선정부는 복수의 연소 모델 중 보일러 연소에 대해 현재 측정되는 실제 데이터와, 연소 모델을 통해 추정되는 추정 데이터와의 차이가 가장 작은 연소 모델을 선택한다.
본 발명의 실시예에 따른 연소 최적화를 위한 장치는 보일러 연소에 대해 현재 측정되는 실시간 데이터와 상기 보일러 연소에 대해 과거에 측정된 과거 데이터로부터 연소 모델과 연소 제어기 설계에 필요한 학습 데이터를 도출하는 데이터계층부와, 상기 학습 데이터를 통해 연소 모델 및 연소 제어기를 생성하는 모델계층부와, 실시간 데이터를 분석하여 복수의 연소 모델 중 어느 하나의 연소 모델을 선택하고, 선택된 연소 모델을 기초로 복수의 연소 제어기 중 어느 하나의 연소 제어기를 선택한 후, 선택된 연소 제어기를 이용하여 연소 최적화를 위한 목표치를 산출하고, 산출된 목표치에 따른 제어 신호를 출력하는 최적계층부를 포함한다.
상기 데이터계층부는 상기 실시간 데이터 및 상기 과거 데이터를 포함하는 데이터를 전처리하는 전처리부와, 전처리된 데이터를 분석하여 연소 모델과 연소 제어기 설계에 필요한 학습 데이터를 도출하는 분석부를 포함한다.
상기 전처리부는 누락된 데이터를 복원하는 신호 복원, 기반 지식 기반 혹은 데이터 기반으로 기 설정된 조건을 만족하는 데이터를 필터링하는 필터링 및 상한치를 초과하거나, 하한치에 미달하는 데이터를 소거하는 극단치(Outlier)처리 중 적어도 하나를 수행한다.
상기 모델계층부는 상기 학습 데이터를 기초로 연소 모델을 생성하는 연소모델생성부와, 상기 학습 데이터를 기초로 연소 제어기를 생성하는 연소제어기생성부를 포함한다.
상기 최적계층부는 복수의 연소 모델 및 연소 제어기 중 실시간 데이터를 분석하여 기 설정된 규칙에 따라 가장 부합하는 연소 모델 및 연소 제어기를 선정하는 최적모델선정부와, 상기 선정된 연소 모델 및 연소 제어기를 통해 제어 목표값을 도출하는 최적화부를 포함한다.
상기 최적모델선정부는 복수의 연소 모델 중 보일러 연소에 대해 현재 측정되는 실시간 데이터와, 연소 모델을 통해 추정되는 추정 데이터와의 차이가 가장 작은 연소 모델을 선택한다.
본 발명의 실시예에 따른 연소 최적화를 위한 방법은 관리계층부가 보일러 연소에 대해 현재 측정되는 실시간 데이터를 수집하고, 수집된 실시간 데이터를 분석하여 연소 모델 및 연소 제어기를 튜닝할지 여부를 판단하는 단계와, 상기 판단 결과, 상기 관리계층부가 튜닝을 하기로 결정하면, 데이터계층부가 상기 실시간 데이터와 보일러 연소에 대해 과거에 측정된 과거 데이터로부터 학습 데이터를 도출하는 단계와, 모델계층부가 상기 학습 데이터를 이용하여 연소 모델 및 연소 제어기를 생성하는 단계와, 최적계층부가 상기 생성된 연소 모델 및 연소 제어기를 포함하는 복수의 연소 모델 및 연소 제어기중에서 선택된 연소 모델 및 연소 제어기를 통해 연소 최적화를 위한 목표치를 산출하는 단계와, 상기 최적계층부가 산출된 목표치에 따른 제어 신호를 출력하는 단계를 포함한다.
상기 학습 데이터를 도출하는 단계는 상기 데이터계층부의 전처리부가 상기 실시간 데이터 및 상기 과거 데이터를 포함하는 데이터를 전처리하는 단계와, 상기 데이터계층부의 분석부가 상기 전처리된 데이터를 분석하여 연소 모델과 연소 제어기 설계에 필요한 학습 데이터를 도출하는 단계를 포함한다.
상기 전처리를 수행하는 단계는 상기 전처리부가 누락된 데이터를 복원하는 신호 복원, 기반 지식 기반 혹은 데이터 기반으로 기 설정된 조건을 만족하는 데이터를 필터링하는 필터링 및 상한치를 초과하거나, 하한치에 미달하는 데이터를 소거하는 극단치(Outlier)처리 중 적어도 하나를 수행하는 단계를 포함한다.
상기 연소 모델 및 연소 제어기를 생성하는 단계는 상기 모델계층부의 연소모델생성부가 상기 학습 데이터를 기초로 연소 모델을 생성하는 단계와, 상기 모델계층부의 연소제어기생성부가 상기 학습 데이터를 기초로 연소 제어기를 생성하는 연소제어기생성부를 포함한다.
상기 연소 최적화를 위한 목표치를 산출하는 단계는 상기 최적계층부의 최적모델선정부가 실시간 데이터를 분석하여 연소 모델을 선정하는 단계와, 상기 최적모델선정부가 상기 선정된 연소 모델을 기초로 연소 제어기를 선정하는 단계와, 상기 최적계층부의 최적화부가 상기 선정된 연소 모델 및 상기 선정된 연소 제어기를 통해 제어 목표값을 도출하는 단계를 포함한다.
상기 연소 모델을 선정하는 단계는 최적모델선정부는 복수의 연소 모델 중 보일러 연소에 대해 현재 측정되는 실제 데이터와, 연소 모델을 통해 추정되는 추정 데이터와의 차이가 가장 작은 연소 모델을 선택한다.
상기 튜닝할지 여부를 판단하는 단계 후, 상기 판단 결과, 상기 관리계층부가 튜닝을 하지 않기로 결정하면, 상기 최적계층부가 기 저장된 복수의 연소 모델 및 연소 제어기로부터 선택된 연소 모델 및 연소 제어기를 통해 연소 최적화를 위한 목표치를 산출하는 단계와, 상기 최적계층부가 산출된 목표치에 따른 제어 신호를 출력하는 단계를 더 포함한다.
본 발명에 따르면, 연소 최적화를 통해 연소 효율을 최대한 유지하면서도 배기 가스를 저감할 수 있다.
도 1은 본 발명의 실시예에 따른 연소 최적화를 위한 장치의 구성을 설명하기 위한 블록도이다.
도 2는 본 발명의 실시예에 따른 연소 최적화를 위한 방법을 설명하기 위한 흐름도이다.
도 3은 본 발명의 실시예에 따른 컴퓨팅 장치를 나타내는 도면이다.
본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예를 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
본 발명에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 발명에서, '포함하다' 또는 '가지다' 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
먼저, 본 발명의 실시예에 따른 연소 최적화를 위한 장치의 구성에 대해서 설명하기로 한다. 도 1은 본 발명의 실시예에 따른 연소 최적화를 위한 장치의 구성을 설명하기 위한 블록도이다.
도 1을 참조하면, 본 발명의 실시예에 따른 연소최적화장치(10)는 관리계층부(100), 데이터계층부(200), 모델계층부(300) 및 최적계층부(400)를 포함한다.
관리계층부(100)는 보일러 연소에 대해 현재 측정된 실시간 데이터를 수집하고, 수집된 실시간 데이터를 분석하여 연소 최적화, 연소 모델 및 연소 제어기를 관리하기 위한 것이다. 즉, 관리계층부(100)는 측정된 데이터를 분석하여 연소 최적화 진행 여부 및 연소 모델 및 연소 제어기 튜닝 여부를 관리한다. 이를 위하여, 관리계층부(100)는 최적화관리부(110) 및 튜닝관리부(120)를 포함한다.
최적화관리부(Combustion Management, 110)는 연소 최적화를 관리하기 위한 것이다. 보일러 시스템은 보일러(미도시)와, 보일러의 연소를 제어하는 연소 제어기(미도시)를 포함한다. 최적화관리부(110)는 보일러 시스템으로부터 실시간으로 측정되는 데이터인 실시간 데이터를 기초로 연소 최적화 수행 여부를 결정한다.
여기서, 실시간 데이터는 보일러의 운전 데이터 및 상태 이진값을 포함한다.
운전 데이터는 보일러에 대해 복수의 센서를 통해 측정한 값과, 보일러를 제어하기 위한 제어값을 포함한다.
상태 이진값은 보일러와 관련된 파라미터의 상태의 변화가 기 설정된 범위를 벗어나는지 여부를 나타내는 플래그값이다. 이때, 상태 이진값은 보일러의 출력 변동, 사용 연료량 변동, 연료 공급량 변동, 급수량 변동, 연소공기 공급량 변동, 석탄공급량 변동, 슈트 블로워 동작여부, 보일러 보호 로직 동작 여부 등을 상태의 변화 정도를 이진값으로 나타낸 데이터이다. 예컨대, 연소 공기 공급량이 현재값에서 소정 범위 이내에서 변동이 있는 경우, 연소 공기 공급량의 상태 이진값은 "0"을 유지하지만, 연소 공기 공급량이 현재값에서 소정 범위를 초과하여 변화할 경우, 상태 이진값은 "1"로 변화될 수 있다.
튜닝관리부(Auto-Tuning Management(Model/Controller), 120)는 연소 모델과 연소 제어기를 관리하기 위한 것이다. 튜닝관리부(120)는 실시간으로 측정된 실시간 데이터 및 연소 최적화 실시 여부를 기초로 연소 모델 및 연소 제어기의 튜닝 여부를 결정한다.
여기서, 튜닝관리부(120)가 튜닝할 것으로 판단한 경우에만, 아래에서 설명될 모듈인 연소모델생성부(310) 및 연소제어기생성부(320)가 동작을 수행한다. 반면, 튜닝관리부(120)가 튜닝을 하지 않을 것으로 판단한 경우, 아래에서 설명될 모듈인 연소모델생성부(310) 및 연소제어기생성부(320)는 그 동작을 수행하지 않는다. 데이터계층부(200)는 연소 모델과 제어기 설계에 필요한 학습 데이터를 생성하기 위해 데이터를 전처리하고 선별하기 위한 것이다. 즉, 데이터계층부(200)는 상기 보일러 연소에 대해 현재 측정된 실시간 데이터와, 상기 보일러 연소에 대해 과거에 측정되어 저장된 과거 데이터로부터 연소 모델과 연소 제어기 설계에 필요한 학습 데이터를 추출한다. 이러한 데이터계층부(200)는 전처리부(210) 및 분석부(220)를 포함한다.
전처리부(Data Pre-Processing, 210)는 실시간 데이터 및 과거 데이터를 포함하는 데이터에 대해 전처리를 수행한다. 여기서, 전처리부(Data Pre-Processing, 210)는 신호 복원, 필터링 및 극단치(Outlier)처리 중 적어도 하나의 전처리를 수행한다. 여기서, 신호 복원은 누락된 데이터를 복원하는 것을 의미한다. 또한, 필터링은 기반 지식 기반 혹은 데이터 기반으로 조건에 맞는 데이터를 필터링하는 것을 의미한다. 극단치(Outlier)처리는 상한치를 초과하거나, 하한치에 미달하는 데이터를 소거하는 동작을 의미한다. 이러한 전처리를 통해 데이터 내의 노이즈를 제거하거나 연소 모델과 연소 제어기를 설계 혹은 튜닝함에 있어 악영향을 미칠 수 있는 데이터 등을 미리 제거할 수 있다.
분석부(Data Analysis, 220)는 전처리된 데이터를 분석하여 학습 데이터를 도출한다. 분석부(220)는 데이터의 태그를 기초로 데이터 간의 상관 관계를 분석한 후, 데이터를 클러스터링하고, 연소 모델 설계를 위한 상관관계 분석을 통해 모델 출력 데이터에 상관도가 소정 수치 이상인 입력 데이터를 선정한다. 이에 따라, 입력 데이터와 이에 대응하는 목표 데이터를 도출할 수 있다. 또한, 분석부(Data Analysis, 220)는 데이터의 패턴 분석을 통하여 연소 모델과 연소 제어기 설계에 필요한 정상 상태의 데이터를 선별하는 샘플링을 수행한다.
모델계층부(300)는 학습 데이터를 기초로 연소 모델 및 연소 제어기를 생성하기 위한 것이다. 이를 위하여, 모델계층부(300)는 연소모델생성부(310) 및 연소제어기생성부(320)를 포함한다.
연소모델생성부(Combustion Model Design Algorithm, 310)는 보일러 연소를 최적화 하기 위해 가장 중요한 요소 중 하나인, 연소 모델을 설계한다. 연소모델생성부(310)는 학습 데이터를 기초로 연소 모델을 생성한다. 즉, 연소모델생성부(310)는 연료투입량, 공기투입량, 공기 온도, 물 투입량, 공기 온도 등의 실시간 데이터 및 과거 데이터를 포함하는 입력 데이터를 기초로 연소의 중요 변수인 발전 출력, 증기와 배기가스의 온도를 포함한 연소 상태, 배기 가스 (일산화탄소, 질소산화물) 조성, 연소 후 잔여 산소량 등과 같은 요소를 예측한 예측 데이터를 출력하는 연소 모델을 구성한다.
본 발명의 실시예에 따른 연소 모델은 전달함수(Transfer Function) 모델과 상태공간(State Space) 모델을 포함하는 복수의 매개변수 모델(Parametric Model) 및 복수의 비매개변수 모델(Nonparametric model) 중 적어도 하나를 기초로 생성된다.
다음의 표 1은 본 발명의 실시예에 따른 매개변수 모델 모델 및 비매개변수 모델의 예를 나타낸다.
Parametric
Model		 Transfer
Function		 Equation
Error		 Auto-Regressive eXogeneous (ARX)
Nonlinear Auto-Regressive eXogeneous (NARX)
Finite Impulse Response (FIR)
Auto-Regressive Moving Average eXogenious (ARMAX) : Pseudolinear Regression Model
Auto-Regressive (AR)
Auto-Regressive Moving Average (ARMA)
Auto-Regressive Auto-Regressive eXogeneous (ARARX) : Generalized Least-Squares Model
Auto-Regressive Auto-Regressive Moving Average eXogeneous (ARARMAX) : Extended Matrix Model
Output
Error		 Output Error (OE)
Box and Jenkins (BJ)
State
Space		 Linear Time Invariant (LTI), Linear Time Variant (LTV)
Linear Model, Nonlinear Model
Continuous Time, Discrete Time, Delay Time
Single Input Single Output (SISO),
Multi Input Multi Output (MIMO)
Stochastic Model, Deterministic Model
Robust, Open Loop, Closed Loop
Non
Parametric
Model		 Non Parametric (Data Set Type)
Impulse Response
Step Response
Frequency Transfer Function
Tree
Neural Network (NN) : FF, FB, Radial Basis Function, Convolutional, Spiking, Deep NN (Deep Belief Network), Recurrent NN
또한, 연소 모델은 다음의 표 2에 게시된 최적화 알고리즘 중 적어도 하나를 이용하여 도출될 수 있다.
Parametric
Model		 Prediction Error Method (PEM)
Maximum Likelihood Method (MLM)
Least-Squares Method (LSM)
-Batch Least-Squares Method
-Off-line Least-Squares Method
Extended Least-Squares Method (ELSM)
Generalized Least-Squares Method (GLSM)
Recursive Least-Squares Method (RLS)
Instrumental Variable Method (IVM)
Principle Component Analysis (PCA)
Dynamic Principle Component Analysis (DPCA)
Partial Least Squares (PLS)

SubSpace-based State Space Model
Identification (4SID) Method
(+ Singular Value Decomposition (SVD))
(+ QR Decomposition)
-N4SID Method
-Multivariable Output Error State sPace
(MOESP) Method
Canonical VariateAnalysis (CVA)
Singular Value Decomposition
Minimal Realization Method (MRM)
Non
Parametric
Model		 Transient Response Method
Correlation Analysis
Frequency Response Method
Spectral Analysis Method
Empirical Transfer Function Estimate (ETFE) Method
Single/Multi-Layer Perceptron Learning, Back-Propagation, Gradient Descent
LayerwisePretraining: Auto-Encoder, BolzmannMachine
연소제어기생성부(Combustion Controller Design Algorithm, 320)는 학습 데이터를 기초로 보일러 연소를 최적화 하기 위해 가장 중요한 요소 중 하나인, 연소 제어기를 설계한다. 설계된 연소 제어기는 최적의 연소 제어를 위한 최적의 목표치를 만들어 낼 수 있도록 하는 역할을 수행한다. 이때, 최적의 목표치를 만들어내는데 연소 모델(Combustion Model)을 이용한다. 연소 제어기는 연소 모델을 통해 실시간 데이터 및 과거 데이터를 포함하는 입력 데이터를 기초로 예측 데이터를 도출하고, 도출된 예측 데이터를 참조로 최적의 목표치를 도출한다.
최적계층부(400)는 최적의 연소 모델 및 연소 제어기를 선택하고, 선택된 연소 모델 및 연소 제어기를 이용하여 연소 최적화를 위한 최적의 목표치를 산출하기 위한 것이다. 이를 위하여, 최적계층부(400)는 최적모델선정부(410) 및 최적화부(420)를 포함한다.
최적모델선정부(Optimal Model / Controller Selection, 410)는 실시간데이터에 대해서 분석한 결과를 바탕으로 기존에 만들어진 여러 개의 연소 모델과 연소 제어기 중에서 가장 최적인 연소 모델 및 연소 제어기를 선정하는 역할을 한다. 최적모델선정부(410)는 실시간 데이터 및 과거 데이터에 대한 분석을 수행한다. 여기서, 분석은 1) 기반 지식 기반의 데이터 분석과 2) 데이터 기반의 분석을 포함한다. 데이터 분석 결과, 실시간 데이터의 패턴, 발전 출력 변화, 효율 상황, 운전 상황 등에 대한 정보가 도출될 수 있다. 최적모델선정부(410)는 전술한 데이터 분석 결과에 따라 도출된 정보를 기초로 연소 제어에 사용될 최적의 연소 모델을 선택한다. 그리고 최적모델선정부(410)는 데이터 분석 결과와 연소 모델을 이용하여 연소 최적화를 위한 최적의 연소 제어기를 선정한다.
최적화부(Combustion Optimization Algorithm, 420)는 실시간 데이터를 최적모델선정부(410)가 선정한 연소 모델과 연소 제어기에 입력하여 연소 최적화를 위한 최적의 목표치를 계산한다. 그 후, 현재의 DCS에서의 목표치(Set Points)와 Manual Bias를 이용하여 최적의 제어 목표 값이나 관련 보조 값을 계산한다.
다음으로, 본 발명의 실시예에 따른 연소 최적화를 위한 방법에 대해서 설명하기로 한다. 도 2는 본 발명의 실시예에 따른 연소 최적화를 위한 방법을 설명하기 위한 흐름도이다.
도 2를 참조하면, S110 단계에서 관리계층부(100)의 최적화관리부(110)는 S110 단계에서 발전소의 보일러 연소에 대해 현재 측정되는 실시간 데이터를 수집한다. 이러한 실시간 데이터는 보일러의 운전 데이터 및 상태 이진값을 포함한다.
운전 데이터는 보일러에 대해 복수의 센서를 통해 측정한 값과, 보일러를 제어하기 위한 제어값을 포함한다. 상태 이진값은 보일러와 관련된 파라미터의 상태의 변화가 기 설정된 범위를 벗어나는지 여부를 나타내는 플래그값이다. 이때, 상태 이진값은 보일러의 출력 변동, 사용 연료량 변동, 연료 공급량 변동, 급수량 변동, 연소공기 공급량 변동, 석탄공급량 변동, 슈트 블로워 동작여부, 보일러 보호 로직 동작 여부 등을 상태의 변화 정도를 이진값으로 나타낸 데이터이다. 예컨대, 연소 공기 공급량이 현재값에서 소정 범위 이내에서 변동이 있는 경우, 연소 공기 공급량의 상태 이진값은 "0"을 유지하지만, 연소 공기 공급량이 현재값에서 소정 범위를 초과하여 변화할 경우, 상태 이진값은 "1"로 변화될 수 있다.
최적화관리부(110)는 앞서 수집된 데이터를 기초로 S120 단계에서 기 설정된 조건에 따라 최적화 진행 여부를 판단한다. 최적화관리부(110)는 이때, 운전 데이터 기반의 분석, 상태 이진값 기반의 분석, 전문가의 지식과 경험을 반영한 분석을 통해 최적화 수행 여부를 결정할 수 있다. 예컨대, 전문가의 지식과 경험을 반영한 분석에 따르면, NOx, CO, Unit Load Demand 등과 같은 특정 운전 데이터의 범위 및 데이터들 간의 영향에 따른 값의 정상 여부에 따라 최적화 수행 여부를 결정할 수 있다. 특히, 최적화관리부(110)는 보일러의 최적화 제어 적용 가능 여부, 연소 최적화 수행 가능 여부를 도출하고, 이 두 값이 참일 때, 최적화 수행을 결정할 수 있다.
상기 S120 단계의 판단 결과, 최적화를 수행할 것으로 결정하면, 관리계층부(100)의 튜닝관리부(120)는 S130 단계에서 실시간 데이터, 연소 최적화 실시 여부 및 연소 모델과 연소 제어기의 튜닝을 위한 학습 수행 여부 중 적어도 하나를 기초로 연소 모델과 연소 제어기의 튜닝 여부를 판단한다.
먼저, 튜닝을 수행할 것으로 결정한 경우, 데이터계층부(200)는 S140 단계에서 현재 측정되는 실시간 데이터 및 과거에 측정된 과거 데이터를 전처리하고 선별하여 연소 모델과 연소 제어기 설계에 필요한 학습 데이터를 생성한다. 이러한 S140 단계에서 데이터계층부(200)의 전처리부(210)는 먼저, 현재 측정되는 실시간 데이터 및 과거에 측정된 과거 데이터에 대해 전처리를 수행한다. 이때, 전처리부(210)는 누락된 데이터를 복원하는 신호 복원, 기반 지식 기반 혹은 데이터 기반으로 기 설정된 조건을 만족하는 데이터를 필터링하는 필터링 및 상한치를 초과하거나, 하한치에 미달하는 데이터를 소거하는 극단치(Outlier)처리 중 적어도 하나를 전처리로 수행한다. 이에 따라, 태그 데이터 내의 노이즈를 제거하거나 연소 모델 및 연소 제어기를 설계를 함에 있어 악영향을 미칠 수 있는 데이터 등을 미리 소거한다. 그리고 S140 단계에서 데이터계층부(200)의 분석부(220)는 데이터의 패턴 분석을 통하여 연소 모델 및 연소 제어기를 설계하기 위해 필요한 정상 상태의 중요 데이터만을 골라 내는 샘플링을 수행하고, 연소 모델 설계를 위해 상관관계 분석 등을 통하여 연소 모델 및 연소 제어기의 출력 변수에 상관도가 소정 수치 이상인 입력 변수를 선정한다. 즉, 분석부(220)는 이러한 샘플링 및 입력 변수 선정을 통해 학습 데이터를 생성한다.
다음으로, 모델계층부(300)의 연소모델생성부(310)는 S150 단계에서 학습 데이터를 기초로 연소 모델을 생성한다. 본 발명의 실시예에 따른 연소 모델은 표 1과 같은 전달함수(Transfer Function) 모델과 상태공간(State Space) 모델을 포함하는 매개변수 모델(Parametric Model) 및 비매개변수 모델(Nonparametric model) 중 적어도 하나를 기초로 생성될 수 있다. 연소모델생성부(310)는 표 1과 같은 매개변수 모델(Parametric Model) 및 비매개변수 모델(Nonparametric model) 중 적어도 하나에 학습 데이터를 적용하여 표 2와 같은 최적화 알고리즘 중 적어도 하나를 이용하여 연소 모델을 도출할 수 있다. 이러한 연소 모델은 연료투입량, 공기투입량, 공기 온도, 물 투입량, 공기 온도 등의 입력을 토대로 연소의 중요 변수인 발전 출력, 증기와 배기가스의 온도를 포함한 연소 상태, 배기 가스 (일산화탄소, 질소산화물) 조성, 연소 후 잔여 산소량 등과 같은 요소를 예측하기 위한 것이다.
다음으로, 모델계층부(300)의 연소제어기생성부(320)는 S160 단계에서학습 데이터를 기초로 연소 제어기를 도출한다. 설계된 연소 제어기는 최적의 연소 제어를 위한 목표치를 만들어 낼 수 있도록 하는 역할을 수행할 것이다. 최적의 목표치를 만들어내는데 연소 모델(Combustion Model)을 이용한다.
다음으로, 최적계층부(400)의 최적모델선정부(410)는 S170 단계에서 현재 측정되는 실시간 데이터에 대한 분석 결과를 기초로 앞서 생성된 복수의 연소 모델 및 연소 제어기 중에서 최적의 연소 모델과 연소 제어기를 선택한다.
S170 단계에서 먼저, 최적모델선정부(410)는 실시간 데이터를 분석하여 연소 모델을 선정한다. 여기서, 최적모델선정부(410)는 복수의 연소 모델 중 보일러 연소에 대해 현재 측정되는 실시간 데이터와, 연소 모델을 통해 추정되는 추정 데이터와의 차이, 예컨대, 잔차가 가장 작은 연소 모델을 선택한다. 그런 다음 최적모델선정부(410)는 선정된 연소 모델을 기초로 연소 제어기를 선정한다.
그리고 최적계층부(400)의 최적화부(420)는 S180 단계에서 현재 측정되는 실시간 데이터를 앞서 선택된 연소 모델과 연소 제어기에 입력하여 연소 최적화를 위한 최적의 목표치를 산출한다. 이때, 최적화부(420)는 제어 목표값 및 이와 관련된 보조값을 산출할 수 있다.
도 3은 본 발명의 실시예에 따른 컴퓨팅 장치를 나타내는 도면이다. 도 3의 컴퓨팅 장치(TN100)는 본 명세서에서 기술된 장치(예, 연소최적화장치 등) 일 수 있다.
도 3의 실시예에서, 컴퓨팅 장치(TN100)는 적어도 하나의 프로세서(TN110), 송수신 장치(TN120), 및 메모리(TN130)를 포함할 수 있다. 또한, 컴퓨팅 장치(TN100)는 저장 장치(TN140), 입력 인터페이스 장치(TN150), 출력 인터페이스 장치(TN160) 등을 더 포함할 수 있다. 컴퓨팅 장치(TN100)에 포함된 구성 요소들은 버스(bus)(TN170)에 의해 연결되어 서로 통신을 수행할 수 있다.
프로세서(TN110)는 메모리(TN130) 및 저장 장치(TN140) 중에서 적어도 하나에 저장된 프로그램 명령(program command)을 실행할 수 있다. 프로세서(TN110)는 중앙 처리 장치(CPU: central processing unit), 그래픽 처리 장치(GPU: graphics processing unit), 또는 본 발명의 실시예에 따른 방법들이 수행되는 전용의 프로세서를 의미할 수 있다. 프로세서(TN110)는 본 발명의 실시예와 관련하여 기술된 절차, 기능, 및 방법 등을 구현하도록 구성될 수 있다. 프로세서(TN110)는 컴퓨팅 장치(TN100)의 각 구성 요소를 제어할 수 있다.
메모리(TN130) 및 저장 장치(TN140) 각각은 프로세서(TN110)의 동작과 관련된 다양한 정보를 저장할 수 있다. 메모리(TN130) 및 저장 장치(TN140) 각각은 휘발성 저장 매체 및 비휘발성 저장 매체 중에서 적어도 하나로 구성될 수 있다. 예를 들어, 메모리(TN130)는 읽기 전용 메모리(ROM: read only memory) 및 랜덤 액세스 메모리(RAM: random access memory) 중에서 적어도 하나로 구성될 수 있다.
송수신 장치(TN120)는 유선 신호 또는 무선 신호를 송신 또는 수신할 수 있다. 송수신 장치(TN120)는 네트워크에 연결되어 통신을 수행할 수 있다.
한편, 전술한 본 발명의 실시예에 따른 다양한 방법은 다양한 컴퓨터수단을 통하여 판독 가능한 프로그램 형태로 구현되어 컴퓨터로 판독 가능한 기록매체에 기록될 수 있다. 여기서, 기록매체는 프로그램 명령, 데이터 파일, 데이터구조 등을 단독으로 또는 조합하여 포함할 수 있다. 기록매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 예컨대 기록매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광 기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치를 포함한다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 와이어뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 와이어를 포함할 수 있다. 이러한 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상, 본 발명의 일 실시예에 대하여 설명하였으나, 해당 기술 분야에서 통상의 지식을 가진 자라면 특허청구범위에 기재된 본 발명의 사상으로부터 벗어나지 않는 범위 내에서, 구성 요소의 부가, 변경, 삭제 또는 추가 등에 의해 본 발명을 다양하게 수정 및 변경시킬 수 있을 것이며, 이 또한 본 발명의 권리범위 내에 포함된다고 할 것이다.
100: 관리계층부
110: 최적화관리부
120: 튜닝관리부
200: 데이터계층부
210: 전처리부
220: 분석부
300: 모델계층부
310: 연소모델생성부
320: 연소제어기생성부
400: 최적계층부
410: 최적모델선정부
420: 최적화부

Claims (20)

  1. 보일러 연소에 대해 현재 측정되는 실시간 데이터를 수집하고, 수집된 실시간 데이터를 분석하여 연소 최적화 수행 여부와, 연소 모델 및 연소 제어기의 튜닝 여부를 결정하는 관리계층부;
    상기 실시간 데이터 및 상기 보일러 연소에 대해 과거에 측정된 과거 데이터로부터 연소 모델과 연소 제어기 설계에 필요한 학습 데이터를 도출하는 데이터계층부;
    상기 학습 데이터를 통해 복수의 연소 모델 및 복수의 연소 제어기를 생성하는 모델계층부; 및
    상기 복수의 연소 모델 중 보일러 연소에 대해 현재 측정되는 실시간 데이터와 연소 모델을 통해 추정되는 추정 데이터와의 차이가 가장 작은 연소 모델을 선정하고, 상기 복수의 연소 제어기 중 상기 선정된 연소 모델에 부합하는 연소 제어기를 선정한 후, 상기 선정된 연소 모델 및 상기 선정된 연소 제어기를 이용하여 연소 최적화를 위한 목표치를 산출하고, 산출된 목표치에 따른 제어 신호를 출력하는 최적계층부
    를 포함하는 연소 최적화를 위한 장치.
  2. 제1항에 있어서,
    상기 관리계층부는
    상기 실시간 데이터를 수집하고, 수집된 실시간 데이터를 분석하여 연소 최적화 진행 여부를 결정하는 최적화관리부; 및
    상기 분석 결과 및 상기 연소 최적화 진행 여부를 기초로 연소 모델과 연소 제어기의 튜닝 여부를 결정하는 튜닝관리부를 포함하는
    연소 최적화를 위한 장치.
  3. 제1항에 있어서,
    상기 데이터계층부는
    실시간 데이터 및 과거 데이터를 포함하는 데이터에 대해 전처리를 수행하는 전처리부; 및
    상기 전처리된 데이터를 분석하여 연소 모델과 연소 제어기 설계에 필요한 학습 데이터를 도출하는 분석부를 포함하는
    연소 최적화를 위한 장치.
  4. 제3항에 있어서,
    상기 전처리부는
    누락된 데이터를 복원하는 신호 복원,
    기반 지식 기반 혹은 데이터 기반으로 기 설정된 조건을 만족하는 데이터를 필터링하는 필터링 및
    상한치를 초과하거나, 하한치에 미달하는 데이터를 소거하는 극단치(Outlier)처리
    중 적어도 하나를 수행하는
    연소 최적화를 위한 장치.
  5. 제1항에 있어서,
    상기 모델계층부는
    상기 학습 데이터를 기초로 연소 모델을 생성하는 연소모델생성부; 및
    상기 학습 데이터를 기초로 연소 제어기를 생성하는 연소제어기생성부를 포함하는
    연소 최적화를 위한 장치.
  6. 삭제
  7. 삭제
  8. 보일러 연소에 대해 현재 측정되는 실시간 데이터와 상기 보일러 연소에 대해 과거에 측정된 과거 데이터로부터 연소 모델과 연소 제어기 설계에 필요한 학습 데이터를 도출하는 데이터계층부;
    상기 학습 데이터를 통해 복수의 연소 모델 및 복수의 연소 제어기를 생성하는 모델계층부; 및
    실시간 데이터를 분석하여 상기 복수의 연소 모델 중 보일러 연소에 대해 현재 측정되는 실시간 데이터와 연소 모델을 통해 추정되는 추정 데이터와의 차이가 가장 작은 연소 모델을 선택하고, 선택된 연소 모델을 기초로 상기 복수의 연소 제어기 중 어느 하나의 연소 제어기를 선택한 후, 선택된 연소 모델 및 선택된 연소 제어기를 이용하여 연소 최적화를 위한 목표치를 산출하고, 산출된 목표치에 따른 제어 신호를 출력하는 최적계층부
    를 포함하는 연소 최적화를 위한 장치.
  9. 제8항에 있어서,
    상기 데이터계층부는
    상기 실시간 데이터 및 상기 과거 데이터를 포함하는 데이터를 전처리하는 전처리부; 및
    상기 전처리된 데이터를 분석하여 연소 모델과 연소 제어기 설계에 필요한 학습 데이터를 도출하는 분석부를 포함하는
    연소 최적화를 위한 장치.
  10. 제9항에 있어서,
    상기 전처리부는
    누락된 데이터를 복원하는 신호 복원,
    기반 지식 기반 혹은 데이터 기반으로 기 설정된 조건을 만족하는 데이터를 필터링하는 필터링 및
    상한치를 초과하거나, 하한치에 미달하는 데이터를 소거하는 극단치(Outlier)처리 중
    적어도 하나를 수행하는
    연소 최적화를 위한 장치.
  11. 제8항에 있어서,
    상기 모델계층부는
    상기 학습 데이터를 기초로 연소 모델을 생성하는 연소모델생성부; 및
    상기 학습 데이터를 기초로 연소 제어기를 생성하는 연소제어기생성부를 포함하는
    연소 최적화를 위한 장치.
  12. 삭제
  13. 삭제
  14. 관리계층부가 보일러 연소에 대해 현재 측정되는 실시간 데이터를 수집하고, 수집된 실시간 데이터를 분석하여 연소 모델 및 연소 제어기를 튜닝할지 여부를 판단하는 단계;
    상기 판단 결과, 상기 관리계층부가 튜닝을 하기로 결정하면, 데이터계층부가 상기 실시간 데이터와 보일러 연소에 대해 과거에 측정된 과거 데이터로부터 학습 데이터를 도출하는 단계;
    모델계층부가 상기 학습 데이터를 이용하여 복수의 연소 모델 및 복수의 연소 제어기를 생성하는 단계;
    최적계층부가 상기 모델계층부가 생성한 복수의 연소 모델 중 보일러 연소에 대해 현재 측정되는 실시간 데이터와 연소 모델을 통해 추정되는 추정 데이터와의 차이가 가장 작은 연소 모델을 선택하고, 상기 모델계층부가 생성한 복수의 연소 제어기 중 상기 선택된 연소 모델에 부합하는 연소 제어기를 선택하는 단계;
    상기 최적계층부가 상기 선택된 연소 모델 및 상기 선택된 연소 제어기를 통해 연소 최적화를 위한 목표치를 산출하는 단계; 및
    상기 최적계층부가 산출된 목표치에 따른 제어 신호를 출력하는 단계
    를 포함하는 연소 최적화를 위한 방법.
  15. 제14항에 있어서,
    상기 학습 데이터를 도출하는 단계는
    상기 데이터계층부의 전처리부가 상기 실시간 데이터 및 상기 과거 데이터를 포함하는 데이터를 전처리하는 단계; 및
    상기 데이터계층부의 분석부가 상기 전처리된 데이터를 분석하여 연소 모델과 연소 제어기 설계에 필요한 학습 데이터를 도출하는 단계를 포함하는
    연소 최적화를 위한 방법.
  16. 제15항에 있어서,
    상기 전처리를 수행하는 단계는
    상기 전처리부가 누락된 데이터를 복원하는 신호 복원,
    기반 지식 기반 혹은 데이터 기반으로 기 설정된 조건을 만족하는 데이터를 필터링하는 필터링 및
    상한치를 초과하거나, 하한치에 미달하는 데이터를 소거하는 극단치(Outlier)처리 중 적어도 하나를 수행하는 단계를 포함하는
    연소 최적화를 위한 방법.
  17. 제14항에 있어서,
    상기 연소 모델 및 연소 제어기를 생성하는 단계는
    상기 모델계층부의 연소모델생성부가 상기 학습 데이터를 기초로 연소 모델을 생성하는 단계; 및
    상기 모델계층부의 연소제어기생성부가 상기 학습 데이터를 기초로 연소 제어기를 생성하는 연소제어기생성부를 포함하는
    연소 최적화를 위한 방법.
  18. 삭제
  19. 삭제
  20. 제14항에 있어서,
    상기 튜닝할지 여부를 판단하는 단계 후,
    상기 판단 결과, 상기 관리계층부가 튜닝을 하지 않기로 결정하면,
    상기 최적계층부가 기 저장된 복수의 연소 모델 및 연소 제어기로부터 선택된 연소 모델 및 연소 제어기를 통해 연소 최적화를 위한 목표치를 산출하는 단계; 및
    상기 최적계층부가 산출된 목표치에 따른 제어 신호를 출력하는 단계를 더 포함하는
    연소 최적화를 위한 방법.
KR1020180147789A 2018-11-26 2018-11-26 연소 최적화를 위한 장치 및 이를 위한 방법 KR102096558B1 (ko)

Priority Applications (4)

Application Number Priority Date Filing Date Title
KR1020180147789A KR102096558B1 (ko) 2018-11-26 2018-11-26 연소 최적화를 위한 장치 및 이를 위한 방법
CN201910879779.1A CN111223529A (zh) 2018-11-26 2019-09-17 燃烧优化装置及其方法
US16/574,087 US11761623B2 (en) 2018-11-26 2019-09-18 Apparatus for combustion optimization and method therefor
DE102019127154.1A DE102019127154B4 (de) 2018-11-26 2019-10-09 Vorrichtung zur Verbrennungsoptimierung und Verfahren dafür

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180147789A KR102096558B1 (ko) 2018-11-26 2018-11-26 연소 최적화를 위한 장치 및 이를 위한 방법

Publications (1)

Publication Number Publication Date
KR102096558B1 true KR102096558B1 (ko) 2020-04-02

Family

ID=70281681

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180147789A KR102096558B1 (ko) 2018-11-26 2018-11-26 연소 최적화를 위한 장치 및 이를 위한 방법

Country Status (4)

Country Link
US (1) US11761623B2 (ko)
KR (1) KR102096558B1 (ko)
CN (1) CN111223529A (ko)
DE (1) DE102019127154B4 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102176765B1 (ko) * 2018-11-26 2020-11-10 두산중공업 주식회사 연소 최적화를 위한 학습 데이터를 생성하기 위한 장치 및 이를 위한 방법
CN114488798B (zh) * 2022-01-10 2024-01-12 国能蚌埠发电有限公司 基于数据协调的二次再热机组性能监测与运行优化方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009198136A (ja) * 2008-02-25 2009-09-03 Hitachi Ltd 石炭焚きボイラのガス濃度推定装置及びガス濃度推定方法
KR101041467B1 (ko) * 2008-12-30 2011-06-16 두산중공업 주식회사 보일러 최적 연소조정 시스템
JP2013178045A (ja) * 2012-02-29 2013-09-09 Hitachi Ltd 石炭火力プラントの制御装置及び、石炭火力プラント
KR101810968B1 (ko) 2016-07-29 2017-12-20 두산중공업 주식회사 인공신경망 기반 보일러 모델을 포함하는 발전소 보일러 연소 압터마이저, 및 이를 포함하는 발전소 보일러

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030140023A1 (en) * 2002-01-18 2003-07-24 Bruce Ferguson System and method for pre-processing input data to a non-linear model for use in electronic commerce
US6941301B2 (en) * 2002-01-18 2005-09-06 Pavilion Technologies, Inc. Pre-processing input data with outlier values for a support vector machine
CN1603833A (zh) * 2004-02-27 2005-04-06 王玷 大型煤粉炉优化控制系统
US7389151B2 (en) * 2006-03-06 2008-06-17 General Electric Company Systems and methods for multi-level optimizing control systems for boilers
US7660639B2 (en) * 2006-03-27 2010-02-09 Hitachi, Ltd. Control system for control subject having combustion unit and control system for plant having boiler
DE102007061604A1 (de) 2007-12-20 2009-06-25 Alstom Technology Ltd. Optimierung des Betriebs eines Kraftwerks
US20110093182A1 (en) 2008-05-08 2011-04-21 Borgwarner Beru Systems Gmbh Estimating engine parameters based on dynamic pressure readings
JP5006947B2 (ja) * 2010-01-14 2012-08-22 本田技研工業株式会社 プラントの制御装置
US8755916B2 (en) 2010-12-07 2014-06-17 Alstom Technology Ltd. Optimized integrated controls for oxy-fuel combustion power plant
CN103150581B (zh) * 2013-03-22 2015-11-18 广东电网有限责任公司电力科学研究院 基于最小二乘支持向量机燃烧模型的锅炉优化方法和装置
CN105444201B (zh) * 2014-09-26 2018-11-13 通用电气公司 燃烧优化的方法及其系统
CN104750066B (zh) * 2015-02-10 2019-10-01 北京华清燃气轮机与煤气化联合循环工程技术有限公司 燃气轮机燃烧过程控制和优化系统
CN105020705B (zh) * 2015-03-04 2017-06-09 内蒙古瑞特优化科技股份有限公司 循环流化床锅炉燃烧性能实时优化控制方法及系统
CN105790866B (zh) * 2016-03-31 2018-07-24 中国联合网络通信集团有限公司 基站分级方法及装置
US20180024508A1 (en) * 2016-07-25 2018-01-25 General Electric Company System modeling, control and optimization
CN106873377B (zh) * 2017-03-23 2019-07-26 中南大学 不确定扰动下的焦炉加热燃烧过程火道温度自动调节方法
CN107314671A (zh) * 2017-07-31 2017-11-03 宝武集团环境资源科技有限公司 转底炉内气氛成分实时检测及燃烧优化控制的系统及方法
US11268370B2 (en) * 2018-03-26 2022-03-08 Baker Hughes, A Ge Company, Llc Model-based parameter estimation for directional drilling in wellbore operations
CN108644805A (zh) * 2018-05-08 2018-10-12 南京归图科技发展有限公司 基于大数据的锅炉智能燃烧优化控制方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009198136A (ja) * 2008-02-25 2009-09-03 Hitachi Ltd 石炭焚きボイラのガス濃度推定装置及びガス濃度推定方法
KR101041467B1 (ko) * 2008-12-30 2011-06-16 두산중공업 주식회사 보일러 최적 연소조정 시스템
JP2013178045A (ja) * 2012-02-29 2013-09-09 Hitachi Ltd 石炭火力プラントの制御装置及び、石炭火力プラント
KR101810968B1 (ko) 2016-07-29 2017-12-20 두산중공업 주식회사 인공신경망 기반 보일러 모델을 포함하는 발전소 보일러 연소 압터마이저, 및 이를 포함하는 발전소 보일러

Also Published As

Publication number Publication date
DE102019127154B4 (de) 2023-05-17
US11761623B2 (en) 2023-09-19
CN111223529A (zh) 2020-06-02
DE102019127154A1 (de) 2020-05-28
US20200166206A1 (en) 2020-05-28

Similar Documents

Publication Publication Date Title
US11232376B2 (en) System and method for optimizing combustion of boiler
JP4573783B2 (ja) プラントの制御装置と制御方法及び火力発電プラントとその制御方法
US11526687B2 (en) Apparatus for generating learning data for combustion optimization and method therefor
US20060224534A1 (en) Method and apparatus for training a system model with gain constraints using a non-linear programming optimizer
US20050273296A1 (en) Neural network model for electric submersible pump system
US8457767B2 (en) System and method for real-time industrial process modeling
US11262065B2 (en) System and method for optimizing combustion of boiler
KR102096558B1 (ko) 연소 최적화를 위한 장치 및 이를 위한 방법
US20150227121A1 (en) Method for controlling and/or regulating a technical system in a computer-assisted manner
US20070135938A1 (en) Methods and systems for predictive modeling using a committee of models
KR102107586B1 (ko) 연소 최적화를 관리하기 위한 장치 및 이를 위한 방법
JP4857228B2 (ja) プラント運用適正化装置
US11846416B2 (en) Device and method for selecting optimal boiler combustion model
KR102291800B1 (ko) 보일러 연소 모델 도출 장치 및 방법
KR102108015B1 (ko) 보일러 운전을 제어하기 위한 시스템 및 방법
CN113454542A (zh) 信息处理装置、信息处理方法、以及信息处理程序
KR20200021768A (ko) 유동 해석을 최적화하기 위한 장치 및 이를 위한 방법
US20230333521A1 (en) Machine learning-based optimization of thermodynamic power generation

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant