KR102103642B1 - 심층신경망을 이용한 저탄장 자연발화 예측방법 - Google Patents

심층신경망을 이용한 저탄장 자연발화 예측방법 Download PDF

Info

Publication number
KR102103642B1
KR102103642B1 KR1020180098283A KR20180098283A KR102103642B1 KR 102103642 B1 KR102103642 B1 KR 102103642B1 KR 1020180098283 A KR1020180098283 A KR 1020180098283A KR 20180098283 A KR20180098283 A KR 20180098283A KR 102103642 B1 KR102103642 B1 KR 102103642B1
Authority
KR
South Korea
Prior art keywords
neural network
deep neural
low
carbon
spontaneous ignition
Prior art date
Application number
KR1020180098283A
Other languages
English (en)
Other versions
KR20200022561A (ko
Inventor
최원혁
Original Assignee
한서대학교 산학협력단
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 한서대학교 산학협력단 filed Critical 한서대학교 산학협력단
Priority to KR1020180098283A priority Critical patent/KR102103642B1/ko
Publication of KR20200022561A publication Critical patent/KR20200022561A/ko
Application granted granted Critical
Publication of KR102103642B1 publication Critical patent/KR102103642B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N25/00—Investigating or analyzing materials by the use of thermal means
    • G01N25/50—Investigating or analyzing materials by the use of thermal means by investigating flash-point; by investigating explosibility
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/22—Fuels, explosives
    • G01N33/222—Solid fuels, e.g. coal
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Abstract

본 발명은 심층신경망을 이용한 저탄장 자연발화 예측방법에 관한 것으로, 저탄장 자연발화와 관련된 온도와 환경 정보를 심층신경망의 입력층 노드에 입력하는 단계; 및 상기 심층신경망의 은닉층1,2 노드에서 Sigmoid 활성함수를 사용하여 저탄장 자연발화를 예측하여 출력층 노드로 출력하는 단계;를 포함하는 것을 특징으로 한다.

Description

심층신경망을 이용한 저탄장 자연발화 예측방법{Predictive Method for Spontaneous Combustion of Coal Stockpile using in Deep Neural Network}
본 발명은 심층신경망을 이용한 저탄장 자연발화 예측방법에 관한 것이다.
전기 생산을 위해 태양광발전, 풍력발전, 원자력 발전 등 신재생 발전소가 꾸준히 개발되고 있다.
하지만 화력발전소는 국내 전기에너지를 생산하는 주력 발전소로 상당 부분을 차지하고 있다. 화력발전소의 주자원인 석탄은 다른 자원에 비해 가격대비 에너지 밀도가 상당히 높고 유통 및 저장성이 유용하기 때문에 주된 에너지 자원으로 사용되고 있다. 그러나 화력발전소에서 사용되는 유연탄은 장기간 저탄 시 자연발화의 문제가 발생하는 것으로 알려졌다.
석탄 화력발전소의 저탄장(Coal stockpile) 자연발화(Spontaneous ignition)에 의한 피해는 자주 발생하며 심각한 경제적 손실뿐만 아니라 환경오염을 일으키는 대표적인 발전소 피해이다.
저탄장 자연발화 문제를 해결하고자 물리적 및 화학적인 방안이 제시되고 있음에도 고가의 설비 및 운용비용 때문에 현장에서는 어려움을 겪고 있다. 일반적으로 석탄(Coal)을 연료로 전력을 생산하고 있는 화력 발전소에는 500MW당 대략 180ton/hr의 석탄을 연소하며 미분키 1대당 대략 37ton에 상당하는 석탄을 보일러에 공급한다. 500MW의 화력발전소에는 대략 500ton 용량의 석탄 저장소가 대략 6개가 설치되고, 그 중 5개가 정상적인 석탄 공급이 이루어지며, 나머지 1개는 예비로 일정 기간 사용할 수 있는 석탄을 비축하는 저탄장으로 운영되고 있다.
석탄은 다공성 물질이기 때문에 단위 무게당 산소의 흡착량이 많아 산화 반응하기 쉬우며 열전도도가 낮아 발생 열의 방출도 어렵다. 그리고 자연 발화 과정에서 생성되는 가스는 외부로 방출되지 않으면 폭발의 원인이 되며 저장설비 내의 자연발화는 분진 폭발을 유도할 수도 있다. 이처럼 석탄을 보관하는 공간에는 자연발화방지를 위한 안전관리가 매우 중요 하며 화재 발생에 대한 대책이 필요하다.
상기와 같은 문제점을 해결하기 위한 본 발명의 목적은 저탄장에서 발생하는 자연발화를 사전에 예방할 수 있는 심층신경망을 이용한 저탄장 자연발화 예측방법을 제공하는 데 있다.
상기와 같은 목적을 달성하기 위한 본 발명의 심층신경망을 이용한 저탄장 자연발화 예측방법은, 저탄장 자연발화와 관련된 온도와 환경 정보를 심층신경망의 입력층 노드에 입력하는 단계; 및 상기 심층신경망의 은닉층1,2 노드에서 Sigmoid 활성함수를 사용하여 저탄장 자연발화를 예측하여 츨력층 노드로 출력하는 단계;를 포함하는 것을 특징으로 한다.
상기 입력층 노드의 입력은 풍속, 기온, 습도, 대기압력, 및 저탄장 내부온도인 것을 특징으로 한다.
상기 심층신경망은 입력층, 은닉층1, 은닉층2, 출력층은 각각 80개, 20개, 10개, 1개 노드로 구성할 수 있다.
상기와 같이, 본 발명에 따르면 심층신경망을 이용하여 저탄장에서 발생하는 자연발화를 미리 예측하여 사전에 예방할 수 있다.
도 1은 본 발명에 따른 저탄장 자연발화 예측을 위한 심층신경망을 나타낸 도면이다.
아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 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 실시예에 한정되지 않는다.
이하에서는 본 발명의 일실시예에 따른 심층신경망을 이용한 저탄장 자연발화 예측방법에 대하여 설명한다.
도 1은 본 발명에 따른 저탄장 자연발화 예측을 위한 심층신경망을 나타낸 도면이다.
도 1을 참조하면, 본 발명에 따른 심층신경망을 이용한 저탄장 자연발화 예측방법은, 자연발화와 관련된 온도와 환경 정보를 심층신경망의 입력으로 선정한다. 여기서, 심층신경망 입력으로 풍속, 기온, 습도, 대기압력, 저탄장 내부온도를 사용할 수 있다.
예를 들면, 상기 심층신경망은 80개의 입력층 노드(10), 20개의 은닉층1 노드(20), 10개의 은닉층2 노드(30), 1개의 출력층 노드(40)로 구성될 수 있다. 이때, 상기 은닉층1,2 노드에서 Sigmoid 활성함수를 사용하여 저탄장 자연발화를 예측할 수 있다.
각층의 노드들을 연결한 화살표는 각 신호들의 흐름을 나타내고 있으며, 이전 노드의 데이터는 가중치(Weight)를 제공하여 화살표로 연결된 다음 노드로 전달된다. 전달된 가중치가 곱해진 입력데이터들을 모두 더하면 가중합(weight sum)이 되어 활성함수를 통해 출력 값이 생성된다. 이때, 상기 가중치(weight)는 확률적 경사하강법을 이용한 오차역전파법으로 갱신할 수 있다.
이상에서 본 발명의 실시예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다.
10: 입력층 노드 20, 30: 은닉층 노드
40: 출력층 노드

Claims (3)

  1. 저탄장 자연발화와 관련된 온도와 환경 정보를 심층신경망의 입력층 노드에 입력하는 단계; 및
    상기 심층신경망의 은닉층1,2 노드에서 Sigmoid 활성함수를 사용하여 저탄장 자연발화를 예측하여 출력층 노드로 출력하는 단계;를 포함하되,
    상기 입력층 노드의 입력은 풍속, 기온, 습도, 대기압력, 및 저탄장 내부온도이며,
    상기 심층신경망은 입력층, 은닉층1, 은닉층2, 출력층은 각각 80개, 20개, 10개, 1개 노드로 구성하는 것을 특징으로 하는 심층신경망을 이용한 저탄장 자연발화 예측방법.
  2. 삭제
  3. 삭제
KR1020180098283A 2018-08-23 2018-08-23 심층신경망을 이용한 저탄장 자연발화 예측방법 KR102103642B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180098283A KR102103642B1 (ko) 2018-08-23 2018-08-23 심층신경망을 이용한 저탄장 자연발화 예측방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180098283A KR102103642B1 (ko) 2018-08-23 2018-08-23 심층신경망을 이용한 저탄장 자연발화 예측방법

Publications (2)

Publication Number Publication Date
KR20200022561A KR20200022561A (ko) 2020-03-04
KR102103642B1 true KR102103642B1 (ko) 2020-04-22

Family

ID=69783292

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180098283A KR102103642B1 (ko) 2018-08-23 2018-08-23 심층신경망을 이용한 저탄장 자연발화 예측방법

Country Status (1)

Country Link
KR (1) KR102103642B1 (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104713985A (zh) 2013-12-17 2015-06-17 徐通 一种基于无线传感器的矿井环境有害气体检测系统
CN105181744B (zh) * 2015-08-25 2017-10-17 清华大学 一种煤堆发火期的计算方法和煤场防自燃监测系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6270494B2 (ja) * 2014-01-15 2018-01-31 株式会社神戸製鋼所 石炭の自然発火予測方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104713985A (zh) 2013-12-17 2015-06-17 徐通 一种基于无线传感器的矿井环境有害气体检测系统
CN105181744B (zh) * 2015-08-25 2017-10-17 清华大学 一种煤堆发火期的计算方法和煤场防自燃监测系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
A.H.Ozdeniz et, 'Atificial Neural Network Modeling of the Spontaneous Combustion...Coal Stockpiles', Selcuk University, Energy Sources, Part A, pp.1425-1435.

Also Published As

Publication number Publication date
KR20200022561A (ko) 2020-03-04

Similar Documents

Publication Publication Date Title
Yan et al. Coordinated regional-district operation of integrated energy systems for resilience enhancement in natural disasters
Yamchi et al. A multi-objective mixed integer linear programming model for integrated electricity-gas network expansion planning considering the impact of photovoltaic generation
Zhang et al. Economic and environmental analysis of power generation expansion in Japan considering Fukushima nuclear accident using a multi-objective optimization model
Kiaee et al. Utilisation of alkaline electrolysers to improve power system frequency stability with a high penetration of wind power
Wang et al. Coordinated planning of transmission expansion and coal‐fired power plants flexibility retrofits to accommodate the high penetration of wind power
Dai et al. A static equivalent model of natural gas network for electricity–gas co-optimization
Lisnianski et al. Multi-state Markov model for reliability analysis of a combined cycle gas turbine power plant
Iqbal et al. Master‐slave design for frequency regulation in hybrid power system under complex environment
Guo et al. Multi-objective bi-level quantity regulation scheduling method for electric-thermal integrated energy system considering thermal and hydraulic transient characteristics
Şahin Forecasting of Turkey's electricity generation and CO2 emissions in estimating capacity factor
Zheng et al. Analysis on risk of multi-factor disaster and disaster control in oil and gas storage tank
Shengyu et al. Review on interdependency modeling of integrated energy system
KR102103642B1 (ko) 심층신경망을 이용한 저탄장 자연발화 예측방법
Alsairafi Effects of ambient conditions on the thermodynamic performance of hybrid nuclear‐combined cycle power plant
Li et al. Energy supply reliability assessment of the integrated energy system considering complementary and optimal operation during failure
Vidyarthi et al. A modified tilt controller for AGC in hybrid power system integrating forecasting of renewable energy sources
Fallahi et al. An efficient solution method for integrated unit commitment and natural gas network operational scheduling under “Duck Curve”
Zohuri et al. Renewable and Nonrenewable Energy Flow Resiliency for Day-to-Day Production and Consumption
WO2020040332A1 (ko) 심층신경망을 이용한 저탄장 자연발화 예측방법
Li Multi-energy supply microgrids to enhance the resilience of the electric/gas/heat utility grid systems under natural disasters
Hu et al. Optimization of microenergy grid including adiabatic compressed air energy storage by considering uncertainty of intermittent parameters
Newman Right-sizing the grid
Jiang et al. Committed Carbon Emission Operation Region for Integrated Energy Systems: Concepts and Analyses
Hirsch et al. Pipeline system for heat transportation from nuclear power plant—An optimizing approach
Charvat et al. Feasibility of replacement of nuclear power with other energy sources in the Czech republic

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant