KR102130838B1

KR102130838B1 - 보일러 연소 모델 구성 장치 및 방법

Info

Publication number: KR102130838B1
Application number: KR1020180163258A
Authority: KR
Inventors: 박지훈; 나상건; 김현식
Original assignee: 두산중공업 주식회사
Priority date: 2018-12-17
Filing date: 2018-12-17
Publication date: 2020-07-07
Also published as: US20200191380A1; KR20200074639A; US11371696B2

Abstract

본 발명은 보일러 연소 모델을 구성하기 위해 모델 타입, 개수, 입출력 등을 설계하여 보일러 연소 모델을 모델링하고, 모델링 한 보일러 연소 모델을 검증하고, 검증한 결과를 보일러 연소 모델에 반영하는 보일러 연소 모델 구성 장치 및 방법에 관한 것이다.

Description

보일러 연소 모델 구성 장치 및 방법{Apparatus and method for constructing a boiler combustion model}

본 발명은 보일러 연소 모델 구성 장치 및 방법에 관한 것으로, 보다 자세하게는 보일러 연소 모델을 구성하기 위해 모델 타입, 개수, 입출력 등을 설계하여 보일러 연소 모델을 모델링하고, 모델링 한 보일러 연소 모델을 검증하고, 검증한 결과를 보일러 연소 모델에 반영하는 보일러 연소 모델 구성 장치 및 방법에 관한 것이다.

석탄화력 발전소의 보일러의 경우 석탄 연소 시 발생하는 발열 반응을 이용하여 물을 가열하고 발전에 필요한 증기를 생산한다. 이때, 질소산화물과 같은 오염 배기가스가 발생하게 되는데, 이러한 오염 배기가스의 발생량이 많을 경우에는 이를 처리하기 위한 처리비용이 증가하게 된다. 더 나아가, 석탄의 연소가 불완전 연소인 경우는 연소효율이 감소하게 되어 발전/운전 비용이 증가하게 된다. 따라서, 연소 효율을 높이면서 오염 배기가스를 저감하기 위한 보일러 연소 최적화 시스템이 필요한 실정이고, 이를 위한 보일러 연소 모델을 구성하기 위한 시스템 또한 필요한 실정이다.

본 발명은 앞에서 설명한 문제점을 해결하기 위한 것으로, 보일러 연소 모델을 구성하기 위해 모델 타입, 개수, 입출력 등을 설계하여 보일러 연소 모델을 모델링하고, 모델링 한 보일러 연소 모델을 검증하고, 검증한 결과를 보일러 연소 모델에 반영하는 보일러 연소 모델 구성 장치 및 방법을 제공하는 것을 목적으로 한다.

위에서 언급된 본 발명의 기술적 과제 외에도, 본 발명의 다른 특징 및 이점들이 이하에서 기술되거나, 그러한 기술 및 설명으로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

앞에서 설명한 목적을 달성하기 위한 본 발명의 실시 예에 따른 보일러 연소를 위한 보일러 연소 모델을 구성하기 위한 보일러 연소 모델 구성 시스템은 측정된 데이터, 분석 데이터 및 컨트롤러 정보에 기초하여 측정된 데이터를 입력 및 출력으로 하는 보일러 연소 모델을 생성하는 모델 생성 장치와, 생성된 보일러 연소 모델을 시뮬레이션하고, 시뮬레이션 결과를 출력하는 모델 시뮬레이션 장치와, 시뮬레이션 결과를 기초로 보일러 연소 모델을 평가하고, 생성된 보일러 연소 모델 및 해당하는 평가 결과에 기초하여 보일러 연소 모델을 튜닝하기 위한 튜닝 정보를 생성하는 튜닝 장치를 포함하고, 모델 생성장치는, 측정된 데이터, 분석 데이터 및 컨트롤러 정보에 튜닝 정보를 더 고려하여 보일러 연소 모델을 생성하고, 모델 생성장치는, 모델 타입을 선정하는 모델 타입 선정부와, 모델 타입 선정부에서 선정된 타입의 모델의 개수를 선택하는 개수 선택부와, 다수의 보일러 연소 모델들의 입력 및 출력을 설계하고, 입력 및 출력에 대한 세부사항을 구성하는 입출력 설계부와, 설계된 입출력을 반영하여 보일러 연소 모델을 모델링하는 모델링부를 포함할 수 있다.

반면, 앞에서 설명한 목적을 달성하기 위한 본 발명의 실시 예에 따른 보일러 연소를 위한 보일러 연소 모델을 구성하기 위한 보일러 연소 모델 구성 방법은, 측정된 데이터, 분석 데이터 및 컨트롤러 정보에 기초하여 측정된 데이터를 입력 및 출력으로 하는 보일러 연소 모델을 생성하는 단계와, 생성된 보일러 연소 모델을 시뮬레이션하고, 시뮬레이션 결과를 출력하는 단계와, 시뮬레이션 결과를 기초로 보일러 연소 모델을 평가하고, 생성된 보일러 연소 모델 및 해당하는 평가 결과에 기초하여 보일러 연소 모델을 튜닝하기 위한 튜닝 정보를 생성하는 단계를 포함하고, 보일러 연소 모델을 생성하는 단계는, 측정된 데이터, 분석 데이터 및 컨트롤러 정보에 상기 튜닝 정보를 더 고려하여 보일러 연소 모델을 생성하고, 보일러 연소 모델을 생성하는 단계는, 모델 타입을 선정하는 단계와, 선정된 타입의 모델의 개수를 선택하는 단계와, 다수의 보일러 연소 모델들의 입력 및 출력을 설계하고, 입력 및 출력에 대한 세부사항을 구성하는 단계와, 설계된 입출력을 반영하여 보일러 연소 모델을 모델링하는 단계를 더 포함할 수 있다.

본 발명의 실시 예에 따른 보일러 연소 모델 구성 장치 및 방법은 모델링한 보일러 연소 모델을 검증함으로써 더 정확하고 안정적인 보일러 연소 모델을 구성할 수 있다.

이 밖에도, 본 발명의 실시 예들을 통해 본 발명의 또 다른 특징 및 이점들이 새롭게 파악될 수도 있을 것이다.

도 1은 본 발명의 실시 예에 따른 보일러의 연소를 최적화를 위한 보일러 연소 최적화 시스템을 설명하는 도면이다.
도 2는 본 발명의 실시 예에 따른 보일러 연소 모델 설계 시스템의 구성을 나타내는 도면이다.
도 3은 본 발명의 실시 예에 따른 모델 생성 장치의 구성을 나타내는 도면이다.
도 4는 본 발명의 실시 예에 따른 튜닝 장치의 구성을 나타내는 도면이다.
도 5는 본 발명의 실시 예에 따른 보일러 연소 모델 구성 방법을 나타내는 도면이다.

이하, 첨부한 도면을 참조하여 본 발명의 실시 예에 대하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다.

도 1은 본 발명의 실시 예에 따른 보일러의 연소를 최적화를 위한 보일러 연소 최적화 시스템을 설명하는 도면이다.

도 1을 참조하면, 보일러 연소 최적화 시스템은 연소 관리부(100), 자동 튜닝 관리부(모델/컨트롤러, 200), 데이터 사전 처리부(300), 데이터 분석부(400), 연소 모델 설계 알고리즘부(500), 연소 컨트롤러 설계 알고리즘부(600), 최적의 모델/컨트롤러 선정부(700), 연소 최적화 알고리즘부(800)을 포함할 수 있다.

석탄화력 발전소의 보일러의 경우 석탄 연소 시 발생하는 발열 반응을 이용하여 물을 가열하고 발전에 필요한 증기를 생산한다. 이때, 질소산화물과 같은 오염 배기가스가 발생하게 되는데, 이러한 오염 배기가스의 발생량이 많을 경우에는 이를 처리하기 위한 처리비용이 증가하게 된다. 더 나아가, 석탄의 연소가 불완전 연소인 경우는 연소효율이 감소하게 되어 발전/운전 비용이 증가하게 된다. 따라서, 연소 효율을 높이면서 오염 배기가스를 저감하기 위한 보일러 연소 최적화 시스템은 다음과 같다.

먼저, 연소 관리부(100)는 연소 최적화를 종합 관리할 수 있다. 구체적으로, 연소 관리부(100)는 실시간으로 측정되거나 계산된 태그 데이터 정보를 바탕으로 연소 최적화 수행 여부를 판단할 수 있다. 또한, 연소 관리부(100)는 발전소에서 이용되는 경우 발전 출력, 출력 변화 상태, 슈트 블로워 동작 여부, 보일러 로직 동작 등의 DCS 값을 토대로 연소 최적화 수행 여부를 판단할 수 있다.

또한, 자동 튜닝 관리부(모델/컨트롤러, 200)는 연소 모델과 연소 컨트롤러를 관리할 수 있다. 구체적으로, 자동 튜닝 관리부(모델/컨트롤러, 200)는 실시간으로 측정되거나 계산된 태그 데이터 정보, 연소 최적화 실시 여부, 모델과 제어기의 튜닝을 위한 학습 수행 여부 등과 같은 정보를 바탕으로 연소 모델 및 연소 컨트롤러의 튜닝 여부를 결정할 수 있다. 여기서, 자동 튜닝 관리부(모델/컨트롤러, 200)는 연소 모델 및 연소 컨트롤러가 튜닝을 하는 것으로 판단하는 경우 연소 모델 설계 알고리즘부(500) 및 연소 컨트롤러 설계 알고리즘부(600)를 실행시키고, 연소 모델 및 연소 컨트롤러가 튜닝을 하지 않는 것으로 판단하는 경우 연소 모델 설계 알고리즘부(500) 및 연소 컨트롤러 설계 알고리즘부(600)를 실행시키지 않을 수 있다.

또한, 데이터 사전 처리부(300)는 실시간으로 측정되거나 계산된 태그 데이터 정보와 기존에 저장되어 있는 태그의 데이터 정보를 이용하여 데이터 전처리를 수행할 수 있다. 구체적으로, 데이터 사전 처리부(300)는 신호 처리, 정상 데이터 처리(기반 지식 기반 또는 데이터 기반) 및 outlier 처리 등을 수행할 수 있다. 이를 통해, 데이터 사전 처리부(300)는 데이터 내의 노이즈를 제거하거나 연소 모델 생성이나 제어기를 설계를 함에 있어 악영향을 미칠 수 있는 데이터들을 제거할 수 있다.

또한, 데이터 분석부(400)는 데이터의 패턴 분석을 통하여 연소 모델과 제어기 설계에 필요한 정상상태의 중요 데이터만을 골라 내는 샘플링을 수행할 수 있다. 또한, 데이터 분석부(400)는 연소 모델 설계를 위해 상관관계 분석 등을 통하여 모델 출력 변수에 중요한 영향을 미치는 입력 변수를 선정할 수 있다.

또한, 연소 모델 설계 알고리즘부(500)는 보일러 연소를 최적화하기 위해 가장 중요한 요소 중 하나인 연소 모델을 설계하는 알고리즘일 수 있다. 연소 모델 설계 알고리즘부(500)는 연료투입량, 공기투입량, 공기 온도, 물 투입량, 공기 온도 등의 입력을 토대로 연소의 중요 변수인 발전 출력, 증기와 배기가스의 온도를 포함한 연소 상태, 배기가스 조성, 연소 후 잔여 산소량 등의 요소를 예측할 수 있는 연소 모델을 설계할 수 있다.

또한, 연소 컨트롤러 설계 알고리즘부(600)는 보일러 연소를 최적화하기 위해 가장 중요한 요소 중 하나인 연소 컨트롤러를 설계하는 알고리즘일 수 있다. 연소 컨트롤러 설계 알고리즘부(600)는 연소 모델을 이용하여 설계된 연소 컨트롤러가 최적의 연소 제어를 위한 최적의 목표치를 만들어내도록 할 수 있다.

또한, 최적의 모델/컨트롤러 선정부(700)는 현재 데이터에 대해서 분석한 결과를 바탕으로 기존에 만들어진 여러 개의 연소 모델 및 연소 컨트롤러 중에서 가장 최적인 연소 모델 및 연소 컨트롤러를 선정할 수 있다.

또한, 연소 최적화 알고리즘부(800)는 현재 데이터를 최적의 연소 모델 및 연소 컨트롤러에 입력하여 연소 최적화를 위한 최적의 목표치를 계산할 수 있다. 또한, 연소 최적화 알고리즘부(800)는 현재 DCS에서의 목표치와 매뉴얼을 이용하여 최적의 제어 목표값이나 관련 보조값을 계산할 수 있다.

본 발명의 실시 예에 따른 최적의 보일러 연소 모델 설계 시스템은 연소 모델 설계 알고리즘부(500)에 해당하는 것으로, 보일러 연소 모델의 타입, 개수 등을 선택하여 보일러 연소 모델을 모델링하고, 모델링한 보일러 연소 모델을 검증하고, 검증한 결과를 기초로 보일러 연소 모델을 튜닝함으로써, 더 정확하고 안정적인 보일러 연소 모델을 구성할 수 있다.

도 2는 본 발명의 실시 예에 따른 보일러 연소 모델 설계 시스템의 구성을 나타내는 도면이다.

도 2를 참조하면, 본 발명의 실시 예에 따른 보일러 연소 모델 설계 시스템(500)은 모델 생성 장치(510), 모델 시뮬레이션 장치(520) 및 튜닝 장치(530)를 포함할 수 있다.

모델 생성 장치(510)는 측정된 데이터, 분석 데이터 및 컨트롤러 정보에 기초하여 측정된 데이터를 입력 및 출력으로 하는 보일러 연소 모델을 생성할 수 있다. 여기서, 측정된 데이터는 보일러에서 측정된 데이터로서 보일러 연소 동안(즉, 보일러 연소 전, 보일러 연소 중 및 보일러 연소 후) 측정된 데이터를 통칭한다. 예컨대, 보일러 연소를 위해 필요하거나 설정되는 데이터이거나, 보일러 연소의 결과에 따라 출력되는 데이터일 수 있다.

여기서, 보일러 연소를 위해 필요하거나 설정되는 데이터로서는 Coal flow, Feed water flow/temp/press, Air flow/temp/press, SA damper position, OFA damper position, Duct flue gas damper position, ULD set point, Windbox differential press, Flue Gas Middle temp/flow, Main steam flow/temp/press, Flame status, RH spray flow가 있고, 보일러 연소의 결과에 따라 출력되는 데이터로서는 Windbox differential press, Flue Gas Middle temp/flow, Main steam flow/temp/press, Flame status, RH spray flow, Boiler Load, Plant Load, Flue Gas temp/flow, Flue Gas NOx, Flue Gas CO, Flue Gas O2가 있다.

또한, 분석 데이터는 보일러에서 측정된 데이터를 분석한 데이터로서, 데이터 패턴, 발전 출력 변화, 효율 상황, 운전 상황 등을 포함할 수 있다.

또한, 컨트롤러 정보는 데이터 분석 결과와 연소 모델을 이용하여 연소 최적화를 위한 제어 목표 값이나 관련 보조 값일 수 있다. 예컨대, 컨트롤러 정보는 컨트롤러 타입 (Proportional-Integral-Derivative Control, Model Prediction Control, Fuzzy Control, Adaptive Control etc.), 컨트롤 이득, 컨트롤 지연 시간 등과 같은 정보를 의미할 수 있다.

또한, 모델 생성 장치(510)는 데이터들을 기초로 보일러 연소 모델을 생성할 수 있다. 여기서, 보일러 연소 모델들의 타입은 Transfer Function 모델 타입, State Space 모델 타입, Impulse/Step Response 모델 타입 중 적어도 하나일 수 있다.

모델 시뮬레이션 장치(520)는 보일러 연소 모델을 시뮬레이션하고, 시뮬레이션 결과를 출력할 수 있다. 구체적으로, 모델 시뮬레이션 장치(520)는 보일러 연소 동안(즉, 보일러 연소 전, 보일러 연소 중 및 보일러 연소 후)에 보일러 연소 모델의 동작을 시뮬레이션할 수 있다.

튜닝 장치(530)는 모델 시뮬레이션 장치(520)에서 보일러 연소 모델을 시뮬레이션한 결과를 기초로 보일러 연소 모델을 평가하고, 생성된 보일러 연소 모델 및 해당하는 평가 결과에 기초하여 보일러 연소 모델을 튜닝(또는 수정) 하기 위한 튜닝 정보를 생성할 수 있다. 튜닝 장치(530)는 보일러 연소 모델의 출력값이 실제 보일러를 연소 시 출력되는 출력값과 어느 정도 일치하는지를 판단하여 보일러 연소 모델을 평가할 수 있다.

또한, 튜닝 장치(530)는 보일러 연소 모델의 평가 결과를 기초로 튜닝 정보를 생성할 수 있다. 여기서, 튜닝 정보는 보일러 연소 모델이 실제 보일러 연소 시의 데이터와 더 유사해지도록 하는 정보일 수 있다. 모델 생성 장치(510)는 튜닝 장치(530)에서 생성한 튜닝 정보를 반영하여 새로운 보일러 연소 모델을 생성하거나, 생성된 보일러 연소 모델을 튜닝할 수 있다.

도 3은 본 발명의 실시 예에 따른 모델 생성 장치의 구성을 나타내는 도면이다.

도 3을 참조하면, 본 발명의 실시 예에 따른 모델 생성 장치(510)는 모델 타입 선정부(512), 개수 선택부(514), 입출력 설계부(516) 및 모델링부(518)를 포함할 수 있다.

모델 타입 선정부(512)는 모델 타입을 선정할 수 있다. 여기서, 모델 타입은 Transfer Function 모델 타입, State Space 모델 타입, Impulse/Step Response 모델 타입 중 적어도 하나일 수 있다.

더 구체적으로는 Transfer Function 모델은 ARX(Auto-Regressive eXogeneous) 모델, NARX(Nonlinear ARX) 모델, FIR(Finite Impulse Response) 모델, ARMAX(Auto-Regressive Moving Average eXogeneous) 모델, NN(Neural Network) 모델을 포함할 수 있다. Transfer Function 모델은 결과를 고려한 모델로, 성능이 우수하며, 비선형 모델도 가능한 모델일 수 있다.

또한, NN(Neural Network) 모델은 FF, FB, Radial Basis Function NN 모델, Convolutional, Spiking NN 모델, DBN(Deep Belief Network) 모델, RNN(Recurrent NN) 모델을 포함할 수 있다. NN(Neural Network) 모델은 모델 구조 설계가 어려운 경우 이용할 수 있는 모델이다.

또한, State Space 모델은 Linear Time Invariant (LTI) State Space 모델, Discrete & Delay Time State Space 모델, MIMO(Multi Input Multi Output) State Space 모델을 포함할 수 있다. State Space 모델은 과정 및 결과를 모두 고려한 모델로, 제어 모델 중 성능이 가장 뛰어나다. 또한, State Space 모델은 LTV 및 MIMO 시스템으로의 확장성이 우수하며, 불안정한 시스템이나 폐루프 시스템 모두 다룰 수 있는 모델이다.

또한, Impulse/Step Response 모델은 Impulse Response 모델, Step Response 모델, Frequency Transfer Function 모델을 포함할 수 있다. Impulse/Step Response 모델은 주파수 분석 기반 모델로 모델 해석의 용이한 모델이다.

개수 선택부(514)는 모델 타입 선정부에서 선정된 타입의 모델의 개수를 선택할 수 있다. 개수 선택부(514)는 모델 타입 선정부에서 선정된 타입의 모델을 몇 개의 모델로 구성할 지 선택할 수 있다.

입출력 설계부(516)는 다수의 보일러 연소 모델들의 입력 및 출력을 설계하고, 입력 및 출력에 대한 세부사항을 구성할 수 있다. 구체적으로, 입출력 설계부(516)는 태그분석을 통해 출력 별, 모델 별 입출력을 설계할 수 있다. 개수 선택부(514)에서 선택한 모델의 개수에 해당하는 모델들에 대해 출력 별 모델 별 입출력을 설계할 수 있다. 또한, 입출력 설계부(516)는 입출력에 대한 세부사항을 설계할 수 있다. 여기서, 세부사항은 선형/비선형, 지수, 지연 시간 등일 수 있다.

여기서, 입출력 설계부(516)는 보일러 연소 모델의 입출력 및 세부사항을 설계하되, 튜닝 장치(530)에서 튜닝 정보가 전달되는 경우, 튜닝 정보 또한 반영되도록 보일러 연소 모델의 입출력 및 세부사항을 보정할 수 있다. 입출력 설계부(516)는 튜닝 정보를 기초로 입출력 및 세부사항 중 적어도 하나를 보정하여 실제 보일러 연소시의 데이터와 더 일치되도록 보일러 연소 모델을 설계할 수 있다.

모델링부(518)는 입출력을 반영하여 보일러 연소 모델을 모델링할 수 있다. 여기서, 입출력이 반영된 보일러 연소 모델은 하기의 수학식 1의 형태일 수 있다.

[수학식 1]

는 출력값,

,

는 입력값,

,

, k,

,

, c는 상수일 수 있다.

모델링부(518)는 튜닝 정보에 의해 입출력 설계부(516)에서 입출력 및 세부사항의 값이 변화되는 경우 해당 값에 따른 연소 모델을 새롭게 모델링할 수 있다. 이에 따라 보일러 연소를 위한 연소 모델을 구성할 수 있다.

도 4는 본 발명의 실시 예에 따른 튜닝 장치의 구성을 나타내는 도면이다.

도 4를 참조하면, 본 발명의 실시 예에 따른 튜닝 장치(530)는 성능 평가부(532) 및 튜닝 제어부(534)를 포함할 수 있다.

성능 평가부(532)는 보일러 연소 모델의 성능을 평가하고, 평가 결과를 출력할 수 있다. 성능 평가부(532)는 모델 시뮬레이션 장치(520)에서 보일러 연소 모델을 시뮬레이션한 결과를 기초로 보일러 연소 모델을 평가할 수 있다. 여기서, 성능 평가부(532)는 보일러 연소 모델의 출력값이 실제 보일러를 연소 시 출력되는 출력값과 어느 정도 일치하는지를 판단하여 보일러 연소 모델을 평가할 수 있다. 이때, 실제 보일러를 연소 시 출력되는 출력값은 미리 저장되어 있을 수 있으나, 이에 한정되는 것은 아니며, 실시간으로 측정되어 수집될 수 있다.

튜닝 제어부(534)는 보일러 연소 모델의 성능을 평가한 결과를 기초로 보일러 연소 모델을 튜닝하기 위한 튜닝 정보를 생성할 수 있다. 튜닝 제어부(534)는 성능 평가부(532)로부터 전달된 평가 결과에 기초하여 평가된 보일러 연소 모델을 개선(또는 수정)하기 위한 튜닝 정보를 생성하고, 생성된 튜닝 정보를 모델 생성 장치(510)로 전송할 수 있다.

튜닝 제어부(534)는 평가 결과가 기준 값 보다 낮은 경우, 평가 결과에 기초하여 튜닝 정보를 생성할 수 있으나, 평가 결과가 기준 값 이상인 경우에는 튜닝 정보를 생성하지 않을 수 있다.

예컨대, 튜닝 제어부(534)는 실제 보일러 연소시의 출력값과 보일러 연소 모델의 출력값이 최대한 일치할 수 있도록 보일러 연소 모델의 설계(또는 생성)과 관련된 정보를 포함하는 튜닝 정보를 생성할 수 있다. 예컨대, 튜닝 정보는 모델 타입, 출력 당 모델 구성 개수, 입출력 태그, 모델 선형/비선형 여부, 지수, 지연 시간을 수정하기 위한 정보를 포함할 수 있다.

예컨대, 튜닝 제어부(534)는 data-driven, damain-knowledge based 모두 이용가능하고, 유전 알고리즘이나 PSO와 같은 최적화 알고리즘 등을 이용하여 튜닝할 수도 있다. 또한, 튜닝 제어부(534)는 튜닝 로직을 이용할 수도 있다.

튜닝 제어부(534)에서 생성한 튜닝 정보는 모델 생성 장치(510)로 전달되고, 모델 생성 장치(510)는 튜닝 정보를 더 고려하여 보일러 연소 모델을 생성할 수 있다. 즉, 모델 생성 장치(510)는 사전에 생성된 보일러 연소 모델에 전달된 튜닝 정보를 반영하여 보일러 연소 모델을 튜닝할 수 있다. 이에 따라 더 정확하고 안정적인 보일러 연소 모델이 생성될 수 있다.

도 5는 본 발명의 실시 예에 따른 보일러 연소 모델 구성 방법을 나타내는 도면이다.

도 5를 참조하면, 모델 타입 선정부(512)는 모델 타입을 선정할 수 있다(S10). 여기서, 모델 타입은 Transfer Function 모델 타입, State Space 모델 타입, Impulse/Step Response 모델 타입 중 적어도 하나일 수 있다.

더 구체적으로는 Transfer Function 모델은 ARX(Auto-Regressive eXogeneous) 모델, NARX(Nonlinear ARX) 모델, FIR(Finite Impulse Response) 모델, ARMAX(Auto-Regressive Moving Average eXogeneous) 모델, NN(Neural Network) 모델을 포함할 수 있고, NN(Neural Network) 모델은 FF, FB, Radial Basis Function NN 모델, Convolutional, Spiking NN 모델, DBN(Deep Belief Network) 모델, RNN(Recurrent NN) 모델을 포함할 수 있다. 또한, State Space 모델은 Linear Time Invariant (LTI) State Space 모델, Discrete & Delay Time State Space 모델, MIMO(Multi Input Multi Output) State Space 모델을 포함할 수 있고, Impulse/Step Response 모델은 Impulse Response 모델, Step Response 모델, Frequency Transfer Function 모델을 포함할 수 있다.

여기서, 모델 타입 선정부(512)는 State Space 모델을 기본 모델로 선정하며, 모델 및 제어 성능 향상을 위하여 Delay time이 고려된 Discrete MIMO State Space 모델을 선정할 수 있다. 또한, 모델 타입 선정부(512)는 고전 제어 모델 중 ARX 모델도 함께 선정하여 검토할 수 있다.

개수 선택부(514)는 모델 타입 선정부에서 선정된 타입의 모델의 개수를 선택할 수 있다(S20). 개수 선택부(514)는 모델 타입 선정부에서 선정된 타입의 모델을 몇 개의 모델로 구성할 지 선택할 수 있다.

입출력 설계부(516)는 다수의 보일러 연소 모델들의 입력 및 출력을 설계하고, 입력 및 출력에 대한 세부사항을 구성할 수 있다(S30). 구체적으로, 입출력 설계부(516)는 태그분석을 통해 출력 별, 모델 별 입출력을 설계할 수 있다.

모델링부(518)는 입출력 및 세부사항을 반영하여 보일러 연소 모델을 모델링할 수 있다(S40). 여기서, 입출력이 반영된 보일러 연소 모델은 하기의 수학식 1의 형태일 수 있다.

[수학식 1]

는 출력값,

,

는 입력값,

,

, k,

,

, c는 상수일 수 있다.

모델 시뮬레이션 장치(520)는 보일러 연소 모델을 평가할 수 있다(S50). 모델 시뮬레이션 장치(520)는 보일러 연소 모델을 시뮬레이션하고, 시뮬레이션 결과를 출력할 수 있다.

튜닝 장치(530)는 보일러 연소 모델의 시뮬레이션 결과를 기초로 보일러 연소 모델을 평가하고, 보일러 연소 모델을 튜닝하기 위한 튜닝 정보를 생성할 수 있다(S60). 구체적으로, 튜닝 장치(530)는 실제 보일러 연소시의 데이터와 보일러 연소 모델을 시뮬레이션 한 데이터를 비교하여 두 데이터의 일치 정도를 판단하여 보일러 연소 모델을 평가할 수 있다. 또한, 튜닝 장치(530)는 보일러 연소 모델을 평가한 결과를 기초로 보일러 연소 모델의 튜닝 정보를 생성할 수 있다.

튜닝 장치(530)에서 생성된 튜닝 정보는 모델 생성 장치(510)에 전달될 수 있고, 모델 생성 장치(510)는 튜닝 정보를 반영하여 보일러 연소 모델의 입출력 및 세부사항을 보정할 수 있다.

전술한 바와 같이 본 발명에 따르면 보일러 연소 모델을 구성하기 위해 모델 타입, 개수, 입출력 등을 설계하여 보일러 연소 모델을 모델링하고, 모델링 한 보일러 연소 모델을 검증하고, 검증한 결과를 보일러 연소 모델에 반영하는 보일러 연소 모델 구성 장치 및 방법을 실현할 수 있다.

본 발명이 속하는 기술 분야의 당업자는 본 발명이 그 기술적 사상이나 필수적 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있으므로, 이상에서 기술한 실시 예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로서 이해해야만 한다. 본 발명의 범위는 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 등가개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

510: 모델 생성 장치
520: 모델 평가 장치
530: 튜닝 장치
512: 모델 타입 선정부
514: 개수 선택부
516: 입출력 설계부
518: 모델링부
532: 성능 평가부
534: 튜닝 제어부

Claims

보일러 연소를 위한 보일러 연소 모델을 구성하기 위한 보일러 연소 모델 구성 장치에 있어서,
측정된 데이터, 분석 데이터 및 컨트롤러 정보에 기초하여 상기 측정된 데이터를 입력 및 출력으로 하는 보일러 연소 모델을 생성하는 모델 생성 장치;
생성된 보일러 연소 모델을 시뮬레이션하고, 시뮬레이션 결과를 출력하는 모델 시뮬레이션 장치;
상기 시뮬레이션 결과를 기초로 상기 보일러 연소 모델을 평가하고, 생성된 보일러 연소 모델 및 해당하는 평가 결과에 기초하여 상기 보일러 연소 모델을 튜닝하기 위한 튜닝 정보를 생성하는 튜닝 장치;를 포함하고,
상기 모델 생성장치는, 상기 측정된 데이터, 분석 데이터 및 컨트롤러 정보에 상기 튜닝 정보를 더 고려하여 상기 보일러 연소 모델을 생성하고,
상기 모델 생성장치는,
모델 타입을 선정하는 모델 타입 선정부;
상기 모델 타입 선정부에서 선정된 타입의 모델의 개수를 선택하는 개수 선택부;
다수의 상기 보일러 연소 모델들의 입력 및 출력을 설계하고, 상기 입력 및 출력에 대한 세부사항을 구성하는 입출력 설계부; 및
상기 설계된 입출력을 반영하여 상기 보일러 연소 모델을 모델링하는 모델링부;를 포함하는 보일러 연소 모델 구성 장치.
제1항에 있어서,
상기 모델 타입 선정부는 ARX 모델, NARX 모델, FIR 모델, ARMAX 모델, NN 모델, Linear Time Invariant (LTI) State Space 모델, Discrete & Delay Time State Space 모델, Multi Input Multi Output (MIMO) State Space 모델, Impulse Response 모델, Step Response 모델 및 Frequency Transfer Function 모델 중 적어도 하나의 모델 타입을 선정하는 보일러 연소 모델 구성 장치.
제1항에 있어서,
상기 모델 타입 선정부는 State Space 모델을 기본 모델로 선정하며, 모델 및 제어 성능 향상을 위하여 Delay time이 고려된 Discrete MIMO State Space 모델을 선정하거나, ARX 모델을 함께 선정하는 보일러 연소 모델 구성 장치.
제1항에 있어서,
상기 입출력 설계부는 태그분석을 통해 출력 별, 모델 별 입출력을 설계하는 보일러 연소 모델 구성 장치.
제1항에 있어서,
상기 입출력이 반영된 상기 보일러 연소 모델은 수학식 1의 형태이며,
[수학식 1]

는 출력값,
,
는 입력값,
,
, k,
,
,
,
, c는 상수이고,
상기 입출력 설계부는 상기
,
, k,
,
,
,
, c를 설계하는 보일러 연소 모델 구성 장치.
보일러 연소를 위한 보일러 연소 모델을 구성하기 위한 보일러 연소 모델 구성 장치에 의해 수행되는 보일러 연소 모델 구성 방법에 있어서,
측정된 데이터, 분석 데이터 및 컨트롤러 정보에 기초하여 상기 측정된 데이터를 입력 및 출력으로 하는 보일러 연소 모델을 생성하는 단계;
생성된 보일러 연소 모델을 시뮬레이션하고, 시뮬레이션 결과를 출력하는 단계;
상기 시뮬레이션 결과를 기초로 상기 보일러 연소 모델을 평가하고, 생성된 보일러 연소 모델 및 해당하는 평가 결과에 기초하여 상기 보일러 연소 모델을 튜닝하기 위한 튜닝 정보를 생성하는 단계;를 포함하고,
상기 보일러 연소 모델을 생성하는 단계는, 상기 측정된 데이터, 분석 데이터 및 컨트롤러 정보에 상기 튜닝 정보를 더 고려하여 상기 보일러 연소 모델을 생성하고,
상기 보일러 연소 모델을 생성하는 단계는,
모델 타입을 선정하는 단계;
상기 선정된 타입의 모델의 개수를 선택하는 단계;
다수의 상기 보일러 연소 모델들의 입력 및 출력을 설계하고, 상기 입력 및 출력에 대한 세부사항을 구성하는 단계; 및
상기 설계된 입출력을 반영하여 상기 보일러 연소 모델을 모델링하는 단계;를 더 포함하는 보일러 연소 모델 구성 방법.
제6항에 있어서, 상기 모델 타입을 선정하는 단계에 있어서,
ARX 모델, NARX 모델, FIR 모델, ARMAX 모델, NN 모델, Linear Time Invariant (LTI) State Space 모델, Discrete & Delay Time State Space 모델, Multi Input Multi Output (MIMO) State Space 모델, Impulse Response 모델, Step Response 모델 및 Frequency Transfer Function 모델 중 적어도 하나의 모델 타입을 선정하는 보일러 연소 모델 구성 방법.
제7항에 있어서, 상기 모델 타입을 선정하는 단계에 있어서,
State Space 모델을 기본 모델로 선정하며, 모델 및 제어 성능 향상을 위하여 Delay time이 고려된 Discrete MIMO State Space 모델을 선정하거나, ARX 모델을 함께 선정하는 보일러 연소 모델 구성 방법.
제6항에 있어서, 상기 연소 모델을 생성하는 단계에 있어서,
태그분석을 통해 출력 별, 모델 별 입출력을 설계하는 보일러 연소 모델 구성 방법.
제6항에 있어서,
상기 입출력이 반영된 상기 보일러 연소 모델은 수학식 1의 형태이며,
[수학식 1]

는 출력값,
,
는 입력값,
,
, k,
,
,
,
, c는 상수이고,
상기 상기 연소 모델을 생성하는 단계에 있어서,
상기
,
, k,
,
,
,
, c를 설계하는 보일러 연소 모델 구성 방법.