KR102183563B1 - 에너지 생산자의 전력을 결정하기 위한 방법 및 소프트 센서 - Google Patents

에너지 생산자의 전력을 결정하기 위한 방법 및 소프트 센서 Download PDF

Info

Publication number
KR102183563B1
KR102183563B1 KR1020187020015A KR20187020015A KR102183563B1 KR 102183563 B1 KR102183563 B1 KR 102183563B1 KR 1020187020015 A KR1020187020015 A KR 1020187020015A KR 20187020015 A KR20187020015 A KR 20187020015A KR 102183563 B1 KR102183563 B1 KR 102183563B1
Authority
KR
South Korea
Prior art keywords
energy producer
power
energy
power value
producer
Prior art date
Application number
KR1020187020015A
Other languages
English (en)
Other versions
KR20180094065A (ko
Inventor
한스-게르트 브룸멜
카이 히셰
알렉산더 헨첼
폴크마르 슈테르칭
Original Assignee
지멘스 악티엔게젤샤프트
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 지멘스 악티엔게젤샤프트 filed Critical 지멘스 악티엔게젤샤프트
Publication of KR20180094065A publication Critical patent/KR20180094065A/ko
Application granted granted Critical
Publication of KR102183563B1 publication Critical patent/KR102183563B1/ko

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
    • G05B13/027—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 using neural networks only
    • 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
    • G05B17/00—Systems involving the use of models or simulators of said systems
    • G05B17/02—Systems involving the use of models or simulators of said systems electric
    • 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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Engine Equipment That Uses Special Cycles (AREA)
  • Control Of Eletrric Generators (AREA)
  • Control Of Turbines (AREA)

Abstract

제1 에너지 생산자(GT)에 의해 출력되는 전력을 결정하기 위하여 ―여기서, 제1 에너지 생산자(GT)는 제2 에너지 생산자(DT)에 커플링됨―, 제1 에너지 생산자(GT)의 개별 모드 전력 값(EL)을 결정하도록 훈련된 제1 소프트 센서(S1)가 질의를 받는다. 제1 에너지 생산자(GT)와 제2 에너지 생산자(DT)를 결합하는 모드에서, 제1 소프트 센서(S1)에 의해 제1 에너지 생산자(GT)에 대해 결정된 개별 모드 전력 값(EL)이 여기서 판독된다. 더욱이, 제2 소프트 센서(S2)가 제1 에너지 생산자(GT)에 대한 제1 전력 값(L1) 및 제2 에너지 생산자(DT)에 대한 제2 전력 값(L2)을 결정한다. 그 외에도, 에너지 생산자들(GT, DT)의 총 전력(GL)이 결정된다. 본 발명에 따라, 제2 소프트 센서(S2)는, 개별 모드 전력 값(EL)과 제1 전력 값(L1) 사이의 개별 편차(DEL1), 그리고 총 전력(GL)과, 제1 전력 값(L1)과 제2 전력 값(L2)의 결합 사이의 총 편차(DELG)가 감소되는 방식으로 훈련된다. 제1 전력 값(L1)이 출력된다.

Description

에너지 생산자의 전력을 결정하기 위한 방법 및 소프트 센서
본 발명은 제1 에너지 생산자의 전력을 결정하기 위한 방법 및 소프트 센서(soft sensor)에 관한 것이며, 이러한 제1 에너지 생산자는 제2 에너지 생산자와 커플링된다.
현대의 에너지 생산 시스템들은 종종, 기계적으로 그리고/또는 전기적으로 서로 커플링된 복수의 에너지 생산자들을 포함하며, 이러한 복수의 에너지 생산자들은 다른 형태들의 에너지로부터 에너지를 생성하거나 또는 변환한다. 그러한 하이브리드(hybrid) 시스템들의 예들은 가스 터빈(gas turbine)들이며, 이 가스 터빈들은, 그들의 효율을 증가시키기 위하여, 가스 터빈들로부터의 폐열을 열 교환기를 통해 사용하는 스팀 터빈(steam turbine)들과 결합하여 동작된다. 다른 예들은 하이브리드 구동부들을 갖는 자동차들이다.
자주, 상이한 에너지 생산자들, 이를테면, 가스 터빈과 스팀 터빈은, 공통 기계 축을 통해 동일한 발전기에 작용함으로써 기계적으로 서로 커플링된다. 그러한 시스템들은 종종, 단축(single-shaft) 시스템들로서 표기된다. 그에 따라서, 상이한 에너지 생산자들 각각이 그들만의 발전기를 갖는 시스템들은 다축(multi-shaft) 시스템들로서 또한 알려진다.
다축 시스템들에 대조적으로, 단축 시스템들에서, 예컨대 가스 터빈에 의해 생성되는 전력은, 동일한 축에 작용하는 스팀 터빈이 전력 기여 자체를 전달하자마자, 더 이상 별개로 측정될 수 없다. 그러나, 가스 터빈에 의해 또는 더욱 일반적으로 제1 에너지 생산자에 의해 특정하게 생성되는 전력은 중요한 동작 매개변수이며, 이 동작 매개변수에 대한 지식은, 가스 터빈 또는 제1 에너지 생산자의 동작의 최적 관리에 크게 기여할 수 있다.
예컨대 단축 시스템의 스팀 터빈과의 결합된 동작에서 가스 터빈의 비출력(specific power)을 결정할 수 있기 위하여, 다른 동작 데이터로부터 생성되는 데이터-주도 모델(data-driven model)을 사용하여 가스 터빈의 비출력을 결정하는 데 소위 소프트 센서들이 자주 사용된다. 그러한 소프트 센서는 예컨대 신경망에 의하여 구현될 수 있으며, 이 신경망은, 훈련 단계에서, 수집된 동작 데이터에 기반하여, 측정가능한 동작 및 환경 매개변수들로부터 가스 터빈에 의해 출력되는 전력으로의 매핑(mapping)을 학습한다. 그러한 훈련 단계는 대개, 순수 가스-터빈(gas-turbine) 동작의 단축 시스템, 다시 말해서 아이들링(idling) 스팀 터빈을 갖는 단축 시스템 상에서 또는 다축 시스템 상에서 수집된 동작 데이터에 기반한다. 그러한 순수 가스 터빈 동작은 종종 "단순 사이클(cycle)"로 지칭된다. 그러나, 그러한 동작 조건들에 기반하는 동작 데이터는, 특히 아이들링 스팀 터빈이 가스 터빈에 역작용을 할 수 있다는 사실 때문에, 결합된 동작 모드(mode)의 단일-시스템(single-system)의 전체 동작 매개변수 공간을 대개 커버(cover)하지 않는다. 게다가, 생산-관련 흩어짐(scatter) 및 위치 차이들에 기인하여, 동일한 유형의 터빈들로부터의 동작 데이터는 부분적으로만 전달가능하다.
미국 특허출원공개공보 US 2015/0241304 A1 (2015.08.27.) 미국 특허출원공개공보 US 2012/0083933 A1 (2012.04.05.) 국제공개공보 WO 2008/080864 A1 (2008.07.10.) 국제공개공보 WO 00/03355 A2 (2000.01.20.)
본 발명의 목적은, 더욱 정확한 그리고/또는 더욱 유연한 전력 결정을 허용하는, 제2 에너지 생산자에 커플링되는 제1 에너지 생산자의 전력을 결정하기 위한 방법 및 소프트 센서를 생성하는 것이다.
이 목적은 청구항 제1항의 특징들을 갖는 방법, 청구항 제11항의 특징들을 갖는 소프트 센서, 청구항 제12항의 특징들을 갖는 컴퓨터 프로그램, 그리고 청구항 제13항의 특징들을 갖는 컴퓨터-판독가능 저장 매체에 의해 달성된다.
제1 에너지 생산자에 의해 출력되는 전력을 결정하기 위하여 ―여기서, 제1 에너지 생산자는 제2 에너지 생산자에 커플링됨―, 제1 에너지 생산자의 개별 모드 전력 값을 결정하도록 훈련된 제1 소프트 센서가 질의를 받는다. 제1 에너지 생산자 및 제2 에너지 생산자는, 예컨대, 기계 에너지, 전기 에너지, 자기 에너지 및/또는 열 에너지를 생산하기 위한 에너지 생산자들, 이를테면, 터빈들, 발전기들, 모터(motor)들, 태양광 모듈(solar module)들 등 또는 이들의 결합들일 수 있다. 제1 에너지 생산자는 바람직하게는 기계적, 전기적, 자기적 및/또는 혼합된 수단에 의해 제2 에너지 생산자와 커플링될 수 있다. 제1 에너지 생산자와 제2 에너지 생산자를 결합하는 동작에서, 제1 소프트 센서에 의해 결정된, 제1 에너지 생산자에 대한 개별-모드(individual-mode) 전력 값이 판독된다(read in). 그 외에도, 제2 소프트 센서가 제1 에너지 생산자에 대한 제1 전력 값 및 제2 에너지 생산자에 대한 제2 전력 값을 결정한다. 그 외에도, 에너지 생산자들의 총 출력이 결정된다. 제1 전력 값 또는 제2 전력 값은 특히, 절대항(absolute term)들로, 또는 제2 전력 값 또는 제1 전력 값에 비하여, 또는 총 전력에 비하여 결정될 수 있다. 본 발명에 따라, 제2 소프트 센서는, 개별-모드 전력 값과 제1 전력 값 사이의 개별 편차, 그리고 총 전력과, 제1 전력 값과 제2 전력 값의 결합 사이의 총 편차가 감소되며 그리고 바람직하게는 최소화되는 방식으로 훈련된다. 제1 전력 값이 출력된다. 소프트 센서들과 관련하여, 훈련 프로세스는, 특히, 하나 이상의 타겟(target) 변수들로의 소프트 센서들의 입력 매개변수들의 매핑(mapping)이, 정의가능한 기준들에 따라 훈련 단계 동안 최적화된다는 것을 의미하는 것으로 이해될 수 있다.
본 발명에 따른 방법의 구현을 위해, 소프트 센서, 컴퓨터 프로그램 제품 및 기계-판독가능 저장 매체가 제공된다.
본 발명에 따른 방법 또는 본 발명에 따른 소프트 센서는, 예컨대, 하나 이상의 프로세서(processor)들, 주문형 반도체(ASIC; application specific integrated circuit)들, 디지털 신호 프로세서(DSP; Digital Signal Processor)들 및/또는 소위 "필드 프로그램가능 게이트 어레이(FPGA; Field Programmable Gate Array)들"에 의해 구현되거나 또는 실시될 수 있다.
본 발명에 의하여, 결합된 동작 모드의 제1 에너지 생산자에 의해 출력되는 전력은, 개별 모드로만 훈련된 소프트 센서에 의한 것보다 훨씬 더 정밀하게 결정될 수 있다. 특히, 제2 소프트 센서의 훈련 시, 총 편차 뿐만 아니라 개별 편차 둘 모두를 고려함으로써, 제1 전력 값에 대한 예측이 개별-모드 예측 방향으로 어느 정도 "끌어당겨질(pulled)" 수 있다. 이는, 제1 에너지 생산자에 대한 소프트 센서 모델과 제2 에너지 생산자에 대한 소프트 센서 모델 사이의 모델링(modelling) 오류들의 원치 않는 전파가 효과적으로 감쇠되거나 또는 감소될 수 있다는 것을 의미한다.
본 발명의 유리한 실시예들 및 확장들은 종속 청구항들에서 특정된다.
본 발명의 유리한 실시예에 따라, 개별 편차, 및 총 편차의 제1 파트(part)가 제1 에너지 생산자에 할당될 수 있고, 총 편차의 나머지 파트가 제2 에너지 생산자에 할당될 수 있다. 이후, 제2 소프트 센서는, 할당된 편차들, 즉, 총 편차의 제1 파트 및 제2 파트 뿐만 아니라 개별 편차도 에너지 생산자에 대해 특정하게 감소되며 그리고 바람직하게는 최소화되는 방식으로 훈련될 수 있다.
특히, 총 편차는 특정된 비(ratio)로 제1 파트 및 나머지 파트에 배정될 수 있다.
특정된 비는 실질적으로, 제1 에너지 생산자와 제2 에너지 생산자 사이의 전력비에 대응할 수 있다. 스팀 터빈과 가스 터빈의 커플링된 동작(단축 동작)에서, 사용되는 비는 대략 2:1의 값을 가질 수 있는데, 예컨대, 통상적으로 전력비에 대응하는 값이 특정될 수 있다. 그러한 비는 종종 사전에(in advance) 알려지며, 종종 약간의 변동(variation)만을 나타낸다.
편차들의 할당 및 분산의 위에서-설명된 변형들에 의하여, 제1 에너지 생산자에 대한 소프트 센서 모델과 제2 에너지 생산자에 대한 소프트 센서 모델 사이의 모델 오류들의 원치 않는 전파가 추가로 감소될 수 있다.
유리하게, 개별-모드 전력 값 및/또는 제1 전력 값은 제1 에너지 생산자의 동작 데이터(data)에 기반하여 결정되며, 그리고/또는 제2 전력 값은 제2 에너지 생산자의 동작 데이터에 기반하여 결정된다. 동작 데이터는 그러한 항목들을 디폴트(default) 값들, 제어 데이터 및/또는 측정 데이터로서 포함할 수 있다.
본 발명의 유리한 실시예에 따라, 제1 소프트 센서 및/또는 제2 소프트 센서는, 데이터-주도적 훈련 가능 회귀 함수(data-driven trainable regression function)를 사용하여 그리고/또는 신경망에 의하여 구현될 수 있다.
그 외에도, 제1 전력 값은 제1 에너지 생산자와 연관된 신경망 파트에 의하여 결정되고, 제2 전력 값은 제2 에너지 생산자와 연관된 제2 신경망 파트에 의하여 결정되며, 그리고 총 편차 및 개별 편차는 추가 신경 훈련 계층에 의하여 결정될 수 있다. 제1 부분 신경망 또는 제2 부분 신경망은, 각각 제1 에너지 생산자 또는 제2 에너지 생산자의 에너지-생산자(energy-producer) 특정 신경 모델을 포함하거나, 또는 훈련 동안에 그러한 모델을 형성할 수 있다. 이러한 방식으로, 에너지-생산자 특정 데이터가 대개 더욱 잘 수집되며 그리고/또는 결정될 수 있다.
특히, 훈련된 제1 신경망 파트의 신경 매개변수들 및/또는 신경 가중치들이 특정하게 추출되어 제3 소프트 센서에 전달될 수 있다. 이러한 방식으로, 제1 에너지 생산자에 의해 출력되는 전력을 결정할 때, 외부의 제3 소프트 센서의 정확성을 크게 개선시키는 것이 가능하다. 이러한 방식으로 수정된 제3 소프트 센서는 또한, 추가적인 변화들 없이, 종래의 시스템들에서 자주 사용될 수 있다.
유리하게, 결합된 동작 모드에서, 제2 소프트 센서는 규칙적으로 재훈련되고 그리고/또는 계속해서 훈련될 수 있다. 이는 바람직하게는, 비-감독식 훈련 방법들에 의해 수행될 수 있다.
본 발명의 유리한 확장에 따라, 제1 에너지 생산자의 제1 전력이 측정되어 제1 전력 값과 비교될 수 있으며, 그리고/또는 제2 에너지 생산자의 제2 전력이 측정되어 제2 전력 값과 비교될 수 있다. 이후, 비교 결과에 따라, 편차 신호가 출력될 수 있다. 따라서, 무손상(intact) 시스템 상에서 훈련된 제2 소프트 센서에 의해 감시 기능이 구현될 수 있으며, 예컨대, 측정 전력으로부터 계산 전력 값의 편차들의 경우, 기능불량이 추론되고, 오류 신호가 출력된다.
본 발명의 예시적인 실시예가 도면들을 참조하여 아래에서 설명될 것이다. 이들은 각각의 경우 개략도로 도시한다:
도 1은 개별 동작 모드로 동작되는 에너지 생산자 및 제1 소프트 센서를 도시하고,
도 2는, 본 발명에 따른 제2 소프트 센서를 가지며 결합된 모드로 동작되는 에너지 생산자들을 갖는 발전 플랜트(power generating plant)를 도시하며, 그리고
도 3은 제2 소프트 센서를 더욱 상세한 도면으로 도시한다.
도 1은 개별 모드의 제1 에너지 생산자(GT)의 전력에 대한 개별-모드 전력 값(EL)을 결정하기 위한 제1 소프트 센서(S1)의 개략적인 표현을 도시한다. 개별-모드 전력 값(EL)은 제1 에너지 생산자(GT)의 개별 동작-모드(operating-mode) 데이터(EBDG)로부터 결정된다. 개별 동작 데이터(EBDG)는 제1 에너지 생산자(GT)의 물리적인 제어-엔지니어링(control-engineering) 및/또는 설계-관련 동작 변수들, 특성들, 디폴트 값들, 제어 데이터 및/또는 측정들일 수 있다. 제1 에너지 생산자(GT)는, 예컨대, 기계 에너지, 전기 에너지, 자기 에너지 및/또는 열 에너지를 생성하기 위한 에너지 생산자, 예컨대, 터빈, 발전기, 모터, 태양광 모듈 또는 이들의 결합일 수 있다. 본 예시적인 실시예에서는, 가스 터빈(GT)이 제1 에너지 생산자로서 간주될 것이다.
개별 동작 모드로 제1 소프트 센서(S1)를 훈련하기 위해, 제1 에너지 생산자(GT)는 도 1에서 설명된 동작 단계에서 동작된다. 제1 에너지 생산자(GT)는 순수 가스 터빈 모드(단순 사이클)의 단축 시스템에서 동작되는, 다시 말해서, 분리된 또는 무-출력의 동시-회전 스팀 터빈을 갖는 가스 터빈, 그렇지 않으면 다축 시스템에서 동작되는 가스 터빈일 수 있다.
본 예시적인 실시예의 제1 소프트 센서(S1)는 자체-학습 신경망에 의해 구현되며, 이 자체-학습 신경망은 개별 동작 데이터(EBDG)를 판독하기 위한 입력 계층(S1I), 하나 이상의 숨겨진 계층들(S1H) 및 개별-모드 전력 값(EL)을 출력하기 위한 하나의 출력 계층(S1O)을 갖는다. 입력 계층(S1I) 및 출력 계층(S1O) 각각은 숨겨진 계층들(S1H)에 커플링된다.
제1 에너지 생산자(GT)의 개별 동작 모드에서, 제1 소프트 센서(S1)는 제1 에너지 생산자(GT)에 대한 개별-모드 전력 값(EL)의 최대로 정확한 결정을 제공하도록 훈련된다. 이 목적을 위해, 제1 에너지 생산자(GT)의 개별-모드 데이터(EBDG)가 검출되어 제1 소프트 센서(S1)의 입력 계층(S1I)에 공급된다. 개별 동작 데이터(EBDG)로부터, 숨겨진 계층들(S1H)을 통한 출력 계층(S1O)으로의 이 개별 동작 데이터(EBDG)의 전파의 결과로서, 제1 에너지 생산자(GT)의 개별-모드 전력 값(EL)이 결정된다.
부가적으로, 개별 모드의 제1 에너지 생산자(GT)의 개별 전력(ELM)이 측정되어 제1 소프트 센서(S1)에 송신되며, 여기서, 이 개별 전력(ELM)은, 제1 소프트 센서(S1)에 의해 결정된 개별-모드 전력 값(EL)과 비교된다. 이에 기반하여, 제1 소프트 센서(S1)는, 개별-모드 전력 값(EL)과 측정된 개별 전력(ELM) 사이의 편차, 예컨대, 차이(EL-ELM)의 모듈러스(modulus)가 개별 모드에서의 최소화 타겟 값(MIN)에 대해 최소화되는 방식으로 훈련된다. 이 훈련은 예컨대, 역전파 훈련(back propagation training)에 의해 구현될 수 있다.
충분한 훈련 후에, 훈련된 제1 소프트-센서(soft-sensor)(S1)는, 대개 높은 정확성으로, 심지어 측정된 개별 전력(ELM)에 의지하지 않으면서, 개별-모드 데이터(EBDG)로부터 개별-모드 전력 값(EL)을 결정할 수 있다.
도 2는 결합된 모드로 동작하는 복수의 에너지 생산자들을 갖는 발전 플랜트(A)의 개략적인 표현을 도시한다. 발전 플랜트(A)는 예컨대 전력 플랜트, 또는 자동차의 하이브리드 구동부일 수 있다. 본 예시적인 실시예에서, 발전 플랜트(A)는 제1 에너지 생산자로서 가스 터빈(GT) 그리고 제2 에너지 생산자로서 스팀 터빈(DT)을 갖는 단축 시스템을 포함한다. 단축 시스템에서, 가스 터빈(GT)과 스팀 터빈(DT)은, 그들 둘 모두가 공통 축(W)에 작용할 정도로, 기계적으로 서로 커플링된다.
도 2에서 설명된 동작 모드에서, 가스 터빈(GT)과 스팀 터빈(DT)은 결합된 모드로 동작되는데, 즉, 에너지 생산자들(DT 및 GT) 둘 모두가 공통 축(W)에 전력을 출력한다. 그러한 결합된 발열 동작 또는 결합된 동작은 또한, "결합된 사이클" 또는 GaS(가스 및 스팀(gas and steam)) 동작으로 종종 지칭된다. 이는 대개, 그러한 발전 플랜트(A)의 생산적인 또는 조정되는 동작 모드이다.
가스 터빈(GT)은 개별 동작 모드의, 도 1과 관련하여 설명된 가스 터빈, 또는 동일한 또는 유사한 유형의 가스 터빈일 수 있다.
전력 생산 플랜트(A)의 효율을 증가시키기 위해, 스팀 터빈(DT)은 가스 터빈(GT)으로부터의 폐열을 열 교환기를 통해 자신의 동작에 사용한다.
가스 터빈(GT) 및 스팀 터빈(DT) 외에도, 또는 대안적으로, 기계 에너지, 전기 에너지, 자기 에너지, 열 에너지 등을 생성하기 위한 다른 에너지 생산자들, 이를테면, 터빈들, 발전기들, 모터들, 태양광 모듈들 등 또는 그들의 결합된 형태들이 또한 제공될 수 있다.
가스 터빈(GT) 및 스팀 터빈(DT)은 공통 축(W)을 통해 발전기(G)에 전력을 출력하며, 이 발전기(G)는 축(W)으로부터 기계 에너지를 수집하여 이 기계 에너지를 전기 에너지로 변환한다. 에너지 생산자들(GT 및 DT)의 기계적 커플링(coupling) 외에도 또는 대안적으로, 이들은 또한, 전기적으로 그리고/또는 자기적으로 커플링될 수 있다. 이 커플링 때문에, 에너지 생산자들(GT 및 DT)에 의해 출력되는 개별 전력 레벨(level)들은 직접적으로 결정될 수 없다.
발전 플랜트(A)는 이 발전 플랜트(A)를 제어하기 위한 플랜트 제어 시스템(AS)을 갖추며, 플랜트 제어 시스템(AS)은 이 플랜트 제어 시스템(AS)의 방법 단계들 전부를 수행하기 위한 하나 이상의 프로세서들(PROC)을 갖는다. 제어 시스템(AS)은 발전기(G) 뿐만 아니라 에너지 생산자들(GT 및 DT)에도 커플링된다.
플랜트 제어 시스템(AS)은, 제어 데이터(SDG)를 가스 터빈(GT)에 전송하여 가스 터빈(GT)을 제어하기 위해, 그리고 제어 데이터(SDD)를 스팀 터빈(DT)에 전송하여 스팀 터빈(DT)을 제어하기 위해 사용된다. 이 제어는 가스 터빈(GT)의 동작 데이터(BDG)의 함수로써 그리고 스팀 터빈(DT)의 동작 데이터(BDD)의 함수로써 수행되며, 따라서 그것의 동작은 예컨대 효율, 마모 및/또는 유해한 방출들에 대해 최적의 방식으로 관리된다.
동작 데이터(BDG 및 BDD)는 에너지 생산자들(GT 또는 DT)의 물리적인 제어-엔지니어링 및/또는 설계-관련 동작 변수들 또는 특성들일 수 있으며, 예컨대, 연료 질량 흐름, 터빈 베인 포지션(vane position)들, 동작 온도, 배기 가스 온도, 진동들, 압력, 대기 조건들 또는 다른 특정가능한 값들, 제어 매개변수들, 제어 데이터 및/또는 측정들에 관한 것이다. 플랜트 제어 시스템(AS)에 의하여, 동작 데이터(BDG)는 가스 터빈(GT)으로부터 적어도 부분적으로 판독되며, 동작 데이터(BDD)는 스팀 터빈(DT)으로부터 적어도 부분적으로 판독된다. 그 외에도, 동작 데이터(BDG)는 특히, 제어 데이터(SDG)를 또한 포함할 수 있으며, 동작 데이터(BDD)는 제어 데이터(SDD)를 적어도 부분적으로 포함할 수 있다.
그 외에도, 결합된-동작 에너지 생산자들(GT 및 DT)의 총 전력(GL)이 발전기(G)에서 측정되어 플랜트 제어 시스템(AS)에 송신된다.
도 1과 관련하여 설명된 제1 소프트 센서(S1)가 플랜트 제어 시스템(AS)에 제공된다. 이러한 제1 소프트 센서(S1)는, 개별 동작 모드의 가스 터빈(GT)의 동작 데이터에 기반하여 또는 동일한 또는 유사한 유형의 가스 터빈의 동작 데이터에 기반하여 개별-모드 전력 값(EL)을 결정하도록 ―도 1과 함께 또한 설명된 바와 같이― 미리 훈련되었다.
도 2에 의해 예시되는 결합된 동작에서, 가스 터빈(GT)의 현재 동작 데이터(BDG)가 제1 소프트 센서(S1)에 송신된다. 이후, 결합된 동작 모드의 송신된 동작 데이터(BDG)로부터, 제1 소프트 센서(S1)는 현재 개별-모드 전력 값(EL)을 결정한다. 이후, 개별-모드 전력 값(EL)은 제1 소프트 센서(S1)로부터, 이러한 제1 소프트 센서(S1)에 커플링된 제2 소프트 센서(S2)로 송신된다.
본 예시적인 실시예의 제2 소프트 센서(S2)는 자체-학습 신경망에 의해 구현되며, 이 자체-학습 신경망은, 에너지 생산자들(GT 및 DT)의 결합된 동작에서, 에너지 생산자들(GT 및 DT)의 개별 전력 레벨들에 대한 전력 값들(L1 및 L2)을 결정하도록 훈련된다. 이 경우, L1은 결합된 동작 모드의 가스 터빈(GT)의 개별 전력의 제1 전력 값이고, L2는 결합된 동작 모드의 스팀 터빈(DT)의 개별 전력에 대한 제2 전력 값이다.
전력 값들(L1 및 L2)을 결정하기 위해, 현재 동작 데이터(BDG 및 BDD), 현재 개별-모드 전력 값(EL) 및 전체 전력(GL)의 현재 측정이 제2 소프트 센서(S2)에 의해 판독된다. 이후, 제2 소프트 센서(S2)는 동작 데이터(BDG)에 기반하여 제1 전력 값(L1)을 결정하고, 동작 데이터(BDD)에 기반하여 제2 전력 값(L2)을 결정한다. 이 경우, 제2 소프트 센서(S2)는, 개별 편차(L1-EL) 및 총 편차(L1+L2-GL)가 최소화되는 방식으로 최소화 타겟(MIN)에 대해 훈련된다. 바람직하게는, 제2 소프트 센서(S2)는 결합된 동작 모드로 규칙적으로 재훈련되며 그리고/또는 계속해서 훈련될 수 있다. 결정된 전력 값들(L1 및 L2)은 제2 소프트 센서(S2)로부터, 이러한 제2 소프트 센서(S2)에 커플링되는, 플랜트 제어 시스템(AS)의 터빈 제어 시스템(CTL)으로 송신된다.
터빈 제어 시스템(CTL)은 가스 터빈(GT) 및 스팀 터빈(DT) 둘 모두를 제어하기 위해 사용된다. 이를 위해, 전력 값들(L1 및 L2)에 기반하여 그리고 동작 데이터(BDG 및 BDD)에 기반하여, 터빈 제어 시스템(CTL)은 터빈들(DT 및 GT)의 현재 동작 상태를 결정한다. 이 동작 상태에 따라, 터빈 제어 시스템(CTL)은, 예컨대 효율, 마모 및/또는 유해한 방출들에 대해 터빈들(GT 및 DT)의 최적화된 동작 관리를 위한 최적화된 제어 데이터(SDG 및 SDD)를 결정한다. 그에 따라서, 제어 데이터(SDG 및 SDD)는, 위에서 언급된 목적들을 위해 터빈들(GT 및 DT)에 송신된다.
본 발명의 확장에 따라, 제2 소프트 센서(S2)는 전력 값들(L1 및 L2)을 플랜트 제어 시스템(AS)의 감시 모듈(MON)에 송신한다. 감시 모듈(MON)은 제2 소프트 센서(S2) 및 터빈 제어 시스템(CTL) 둘 모두에 커플링되며, 가스 터빈(GT) 및 스팀 터빈(DT)을 감시하기 위해 사용된다. 이를 위해, 감시 모듈은 각각, 가스 터빈(GT) 또는 스팀 터빈(DT)의 특정된 그리고/또는 측정된 개별 전력 레벨들과, 송신된 전력 값들(L1 및/또는 L2)을 비교한다. 이후, 제1 소프트 센서 및/또는 제2 소프트 센서가 무손상 플랜트 상에서 훈련되었다고 가정하면, 비교된 값들 사이의 편차의 경우, 발전 플랜트(A)의 기능불량이 존재하는 것으로 가정될 수 있다. 기능불량을 표시하기 위해, 감시 모듈(MON)에 의해 터빈 제어 시스템(CTL)으로 오류 신호(FS)가 송신되며, 그 결과, 이 오류 신호(FS)는 적절한 제어 조치(measure)들을 개시한다.
도 3은 제2 소프트 센서(S2)를 더욱 상세한 도면으로 예시한다. 여기서, 참조 부호들(S2, BDG, BDD, L1, L2, EL 및 GL)은 도 2에서와 동일한 오브젝트(object)들을 표기한다.
제2 소프트 센서(S2)는, 가스 터빈(GT)을 모델링(modelling)하고 동작 데이터(BDG)에 기반하여 제1 전력 값(L1)을 결정하기 위한 제1 신경망 파트(S2G)를 포함한다. 제1 신경망 파트(S2G)는 동작 데이터(BDG)를 판독하기 위한 입력 계층(S2GI), 하나 이상의 숨겨진 계층들(S2GH) 및 제1 전력 값(L1)을 출력하기 위한 하나의 출력 계층(S2GO)을 갖는다. 이 경우, 입력 계층(S2GI) 및 출력 계층(S2GO) 각각은 하나 이상의 숨겨진 계층들(S2GH)에 커플링된다. 동작 데이터(BDG)는 입력 계층(S2GI)에 공급되며, 하나 이상의 숨겨진 계층들(S2GH)을 통해 출력 계층(S2GO)으로 전파되며, 이 출력 계층(S2GO)은 제1 전력 값(L1)을 출력한다.
제2 소프트 센서(S2)는 또한, 스팀 터빈(DT)을 모델링하고 동작 데이터(BDD)에 기반하여 제2 전력 값(L2)을 결정하기 위한 제2 신경망 파트(S2D)를 갖는다. 제2 신경망 파트(S2D)는 동작 데이터(BDD)를 판독하기 위한 입력 계층(S2DI), 하나 이상의 숨겨진 계층들(S2DH) 및 제2 전력 값(L2)을 출력하기 위한 출력 계층(S2DO)을 포함한다. 입력 계층(S2DI) 및 출력 계층(S2DO) 각각은 하나 이상의 숨겨진 계층들(S2DH)에 커플링된다. 동작 데이터(BDD)는 입력 계층(S2DI)에 공급되며, 하나 이상의 숨겨진 계층들(S2DH)을 통해 출력 계층(S2DO)으로 전파되며, 이 출력 계층(S2DO)은 제2 전력 값(L2)을 출력한다.
제2 소프트 센서(S2)는 또한, 상호-에너지-발전기(cross-energy-generator) 신경 훈련 계층(S2GD)을 가지며, 이 상호-에너지-발전기 신경 훈련 계층(S2GD)은 제1 신경망 파트(S2G) 및 제2 신경망 파트(S2D) 둘 모두에 연결된다.
대안적으로 또는 부가적으로, 제1 신경망(S2G), 제2 신경망(S2D) 및/또는 훈련 계층(S2GD)은, 무작위 가중치들로 각각 초기화되는 복수의 신경망들 또는 신경 계층들에 의해 구현될 수 있다. 이후, 망 파트들(S2G 및 S2D) 및/또는 훈련 계층(S2GD)의 출력 신호들 각각이, 개개의 복수의 신경망들 또는 신경 계층들의 출력들을 평균함으로써 형성된다.
제1 소프트 센서(S1)로부터의 개별-모드 전력 값(EL) 및 발전기(G)의 측정된 총 전력(GL)이 훈련 계층(S2GD)에 공급된다. 그 외에도, 제1 신경망(S2G)에 의해 결정된 제1 전력 값(L1) 및 제2 신경망(S2D)에 의해 결정된 제2 전력 값(L2)이 훈련 계층(S2GD)에 송신된다. 송신된 데이터(GL, EL, L1 및 L2)로부터, 훈련 계층(S2GD)은 총 전력(GL)과, 제1 전력 값(L1)과 제2 전력 값(L2)의 합 사이의 총 편차(DELG), 그리고 개별-모드 전력 값(EL)과 제1 전력 값(L1) 사이의 개별 편차(DEL1)를 결정한다. 그러므로, 본 예시적인 실시예에서, 총 편차를 위한 방정식은 DELG=L1+L2-GL이고, 개별 편차를 위한 방정식은 DEL1=L1-EL이다.
훈련 계층(S2GD)에 의해, 총 편차(DELG)는 특정된 비(ratio)로 제1 파트(DELG1) 및 나머지 파트(DELG2)에 배정된다. 이 배정을 결정하기 위해, 총 편차(DELG)는 특정된 가중치들(WG 및 WD)로 곱해지며, 이 가중치들의 합은 1과 동일하다. 그러므로, 총 편차(DELG)의 제1 파트(DELG1)는 DELG1=DELG·WG에 의해 제공되며, 총 차이(DELG)의 나머지 파트(DELG2)는 DELG2=DELG·WD에 의해 제공된다.
개별 편차(DEL1)와 함께 제1 파트(DELG1)가 가스 터빈(GT)에 특정하게 할당되는 반면에, 나머지 파트(DELG2)는 스팀 터빈(DT)에 특정하게 할당된다. 가스 터빈(GT)에 할당된 가중치(WG) 대 스팀 터빈(DT)에 할당된 가중치(WD)의 비(WG:WD)는 바람직하게는, 가스 터빈(GT) 대 스팀 터빈(DT)의 전력비에 따라 정의된다. 스팀 터빈과 가스 터빈의 단축 동작 모드의 경우, WG:WD=2:1이란 비가 통상적으로 특정되며, 이는 WG=2/3 그리고 WD=1/3이라고 말하는 것이다. 전력비에 대응하는 가중치 비의 규격(specification)은 터빈 모델(model)들의 영향 및 전력 계산에 대한 이 터빈 모델들의 모델 오류들을 어느 정도 반영하며, 따라서 훈련에 대한 안정화 효과로서의 역할을 한다. 그 외에도, 이러한 비는 일반적으로 사전에 알려지며, 종종, 동작 중에 작은 변동만을 나타낸다.
총 편차(DELG)의 제2 파트(DELG2)는 제2 전력 값(L2)에 대한 제2 신경망 파트(S2D)의 예측 오류로서 제2 신경망 파트(S2D)에 공급되어, 에너지-생산자-특정(energy-producer-specific)으로 이 네트워크를 훈련하여 이 예측 오류를 최소화한다. 이 훈련은 바람직하게는, 역전파 훈련에 의해 수행될 수 있다.
역전파되기 전에, 총 편차(DELG)의 제1 파트(DELG1)는 개별 편차(DEL1)와 결합되며, 이 결합, 예컨대, 평균 값 (DELG1+DEL1)/2는, 제1 전력 값(L1)에 대한 제1 신경망 파트(S2G)의 예측 오류로서 제1 신경망 파트(S2G)에 공급된다. 따라서, 이러한 제1 신경망 파트(S2G)의 망은, 이 예측 오류를 최소화하기 위해, 에너지-생산자-특정으로, 예컨대, 역전파 훈련을 사용하여 훈련된다.
이후, 훈련된 신경망 파트들(S2G 및 S2D) 각각은, 개개의 전력 값(L1 또는 L2)을 결정하기 위한, 가스 터빈(GT) 또는 스팀 터빈(DT)의 에너지-생산자-특정 신경 모델을 포함한다.
총 편차(DELG)의 제1 파트(DELG1)와 개별 편차(DEL1)의 혼합에 의해, 제1 신경망 파트(S2G)의 예측은 개별-모드 예측 방향으로 어느 정도 "끌어당겨진다". 이는, 제1 신경망 파트(S2G)에서의 가스 터빈(GT)의 신경 모델로의 제2 신경망 파트(S2D)의 모델링 오류들의 원치 않는 전파가 효과적으로 감쇠되거나 또는 감소될 수 있게 한다.
훈련의 결과로서, 총 전력(GL)에 대한 예측 오류 및 가스 터빈 전력에 대한 예측 오류 둘 모두가 최소화된다. 이는, 편차 값들(DELG, DEL1, DELG1 및 DELG2)의 가중화를 통해, 제1 신경망 파트(S2G)에서의 가스 터빈(GT)의 신경 서브-모델(sub-model)이 제1 소프트 센서(S1)에 대해 상이할 수 있는 정도를 조절하는 것이 어느 정도 가능하다는 것을 의미한다. 이 가중화의 결과로서, 한편으로, 제1 신경망 파트(S2G)가 미리-훈련된 제1 소프트 센서(S1)와 상이한 것이 가능하며, 그런데도, 제1 신경망 파트(S2G)로의 제2 신경망 파트(S2D)의 모델 오류들의 바람직하지 않은 전파가 계속해서 효과적으로 감쇠된다.
개별 모드로만 훈련된 소프트 센서, 여기서 S1보다, 본 발명에 따라 훈련된 소프트 센서, 여기서 S2가, 결합된 동작에서의 동작 데이터(BDG)로부터 가스 터빈(GT)의 개별 전력에 대한 훨씬 더 정확한 전력 값을 결정할 수 있다는 것이 관찰될 수 있다. 개별 모드보다, 훨씬 더 많은 동작 데이터 또는 측정 데이터가 결합된 가스 및 스팀 동작에 통상적으로 이용가능하며 결합된 동작의 전력 범위가 더 넓고 실제 실시에 더 가깝기 때문에, 이 절차는, 알려진 소프트 센서들로 가능한 것보다, 가스 터빈 모델들 또는 일반적으로 에너지 생산자 모델들이 더 높은 정확성으로 그리고 더 넓은 범위의 애플리케이션(application)들에 대해 생성될 수 있게 한다. 이는 개별 모드에서 충분한 양의 동작 데이터를 수집하거나, 또는 다축 설비들에서 유사한 동작 패턴(pattern)들을 갖는 에너지 생산자들을 찾는 이전의 어려움을 감소시킨다. 결합된 동작에서의, 즉, 또한 생산적인 동작에서의 부가적인 훈련 단계는 일반적으로, 개별 모드로 훈련된 가스 터빈 모델이 상당히 개선되는 것을 가능하게 한다.
그 외에도, 제1 신경망 파트(S2G)의 신경 가중치들이 선택적으로 추출되어 기존의 제3 소프트 센서에 전달될 수 있다. 이 방법에 의해, 기존의 소프트 센서들의 정확성이 크게 개선될 수 있다.

Claims (13)

  1. 제1 에너지 생산자(GT)에 의해 출력되는 전력을 결정하기 위한 방법으로서,
    상기 제1 에너지 생산자(GT)는 제2 에너지 생산자(DT)에 연결되며,
    a) 상기 제1 에너지 생산자(GT)의 개별 모드 전력 값(EL)을 결정하도록 훈련된 제1 소프트 센서(S1)가 질의를 받고,
    b) 상기 제1 에너지 생산자(GT)와 상기 제2 에너지 생산자(DT)를 결합하는 동작 모드에서,
    상기 제1 소프트 센서(S1)에 의해 상기 제1 에너지 생산자(GT)에 대해 결정된 개별-모드 전력 값(EL)이 판독되고,
    제2 소프트 센서(S2)가 상기 제1 에너지 생산자(GT)에 대한 제1 전력 값(L1) 및 상기 제2 에너지 생산자(DT)에 대한 제2 전력 값(L2)을 결정하고,
    에너지 생산자들(GT, DT)의 총 전력(GL)이 결정되고,
    상기 제2 소프트 센서(S2)는, 상기 개별 모드 전력 값(EL)과 상기 제1 전력 값(L1) 사이의 개별 편차(DEL1), 및 상기 제1 전력 값(L1)과 상기 제2 전력 값(L2)의 결합과 상기 총 전력(GL) 사이의 총 편차(DELG)가 감소되도록 훈련되며, 그리고
    상기 제1 전력 값(L1)이 출력되고,
    이때, 상기 제1 전력 값(L1)은 상기 제1 에너지 생산자(GT)에 할당된 제1 신경망 파트(S2G)를 사용하여 결정되고,
    상기 제2 전력 값(L2)은 상기 제2 에너지 생산자(DT)에 할당된 제2 신경망 파트(S2D)를 사용하여 결정되며, 그리고
    상기 총 편차(DELG) 및 상기 개별 편차(DEL1)는 추가적인 신경 훈련 계층에 의하여 결정되는,
    제1 에너지 생산자(GT)에 의해 출력되는 전력을 결정하기 위한 방법.
  2. 제1항에 있어서,
    상기 총 편차(DELG)의 제1 부분(DELG1) 및 상기 개별 편차(DEL1)는 상기 제1 에너지 생산자(GT)에 할당되고, 상기 총 편차(DELG)의 나머지 부분(DELG2)은 상기 제2 에너지 생산자(DT)에 할당되며, 그리고
    상기 제2 소프트 센서(S2)는, 할당된 편차들(DEL1, DELG1, DELG2)이 에너지 생산자에 대해 특정된 방식으로 감소되도록 훈련되는,
    제1 에너지 생산자(GT)에 의해 출력되는 전력을 결정하기 위한 방법.
  3. 제2항에 있어서,
    상기 총 편차(DELG)는 특정된 비율(ratio)로 상기 제1 부분(DELG1) 및 상기 나머지 부분(DELG2)으로 배분되는,
    제1 에너지 생산자(GT)에 의해 출력되는 전력을 결정하기 위한 방법.
  4. 제3항에 있어서,
    상기 특정된 비율은 실질적으로, 상기 제1 에너지 생산자(GT)와 상기 제2 에너지 생산자(DT) 사이의 전력비에 대응하는,
    제1 에너지 생산자(GT)에 의해 출력되는 전력을 결정하기 위한 방법.
  5. 제1항에 있어서,
    상기 개별 모드 전력 값(EL) 또는 상기 제1 전력 값(L1) 중 적어도 하나는 상기 제1 에너지 생산자(GT)의 동작 데이터(data)(BDG)에 기반하여 결정되고,
    상기 제2 전력 값(L2)은 상기 제2 에너지 생산자(DT)의 동작 데이터(BDD)에 기반하여 결정되는,
    제1 에너지 생산자(GT)에 의해 출력되는 전력을 결정하기 위한 방법.
  6. 제1항에 있어서,
    상기 제1 소프트 센서(S1) 또는 상기 제2 소프트 센서(S2)는 중 적어도 하나는 데이터-주도적 훈련 가능한 회귀 함수(regression function)를 사용하여 구현되는,
    제1 에너지 생산자(GT)에 의해 출력되는 전력을 결정하기 위한 방법.
  7. 삭제
  8. 제1항에 있어서,
    훈련된 제1 신경망 파트(S2G)의 신경 매개변수들은 특정적으로 추출되어 제3 소프트 센서에 전달되는,
    제1 에너지 생산자(GT)에 의해 출력되는 전력을 결정하기 위한 방법.
  9. 제1항에 있어서,
    결합하는 동작에서 상기 제2 소프트 센서(S2)는 규칙적으로 재훈련되거나 또는 계속해서 훈련되는,
    제1 에너지 생산자(GT)에 의해 출력되는 전력을 결정하기 위한 방법.
  10. 제1항에 있어서,
    상기 제1 에너지 생산자(GT)의 제1 전력이 측정되어 상기 제1 전력 값(L1)과 비교되거나, 상기 제2 에너지 생산자(DT)의 제2 전력이 측정되어 상기 제2 전력 값(L2)과 비교되고,
    상기 비교의 결과에 따라, 편차 신호(FS)가 출력되는,
    제1 에너지 생산자(GT)에 의해 출력되는 전력을 결정하기 위한 방법.
  11. 삭제
  12. 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서,
    상기 컴퓨터 프로그램은 하나 이상의 프로세서들에 의해 실행될 때 제1항 내지 제6항, 제8항 내지 제10항 중 어느 한 항에 따른 방법을 구현하도록 구성되는,
    컴퓨터 프로그램.
  13. 제1항 내지 제6항, 제8항 내지 제10항 중 어느 한 항에 따른 방법을 구현하기 위한 컴퓨터 프로그램이 저장된 기계-판독가능 데이터 저장 매체.
KR1020187020015A 2015-12-23 2016-12-07 에너지 생산자의 전력을 결정하기 위한 방법 및 소프트 센서 KR102183563B1 (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
DE102015226656.7A DE102015226656B4 (de) 2015-12-23 2015-12-23 Verfahren und Softsensor zum Ermitteln einer Leistung eines Energieerzeugers
DE102015226656.7 2015-12-23
PCT/EP2016/080072 WO2017108405A1 (de) 2015-12-23 2016-12-07 Verfahren und softsensor zum ermitteln einer leistung eines energieerzeugers

Publications (2)

Publication Number Publication Date
KR20180094065A KR20180094065A (ko) 2018-08-22
KR102183563B1 true KR102183563B1 (ko) 2020-11-26

Family

ID=57609845

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020187020015A KR102183563B1 (ko) 2015-12-23 2016-12-07 에너지 생산자의 전력을 결정하기 위한 방법 및 소프트 센서

Country Status (5)

Country Link
US (1) US20180364653A1 (ko)
EP (1) EP3360015A1 (ko)
KR (1) KR102183563B1 (ko)
DE (1) DE102015226656B4 (ko)
WO (1) WO2017108405A1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102017117370A1 (de) 2017-08-01 2019-02-07 Vaillant Gmbh Softsensor zur Identifikation und Regelung oder Steuerung eines Wärmepumpensystems

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002520719A (ja) * 1998-07-08 2002-07-09 シーメンス アクチエンゲゼルシヤフト ニューラルネット及びニューラルネットのトレーニング方法及び装置
WO2014117967A1 (en) * 2013-01-30 2014-08-07 Siemens Aktiengesellschaft Method and apparatus for deriving diagnostic data about a technical system

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2533942B2 (ja) * 1989-03-13 1996-09-11 株式会社日立製作所 知識抽出方法およびプロセス運転支援システム
US6678640B2 (en) * 1998-06-10 2004-01-13 Matsushita Electric Industrial Co., Ltd. Method and apparatus for parameter estimation, parameter estimation control and learning control
AU2001247336B2 (en) * 2000-03-10 2006-02-02 Smiths Detection, Inc. Control for an industrial process using one or more multidimensional variables
US20080061045A1 (en) * 2006-09-11 2008-03-13 The Esab Group, Inc. Systems And Methods For Providing Paralleling Power Sources For Arc Cutting And Welding
DE102007001025B4 (de) * 2007-01-02 2008-11-20 Siemens Ag Verfahren zur rechnergestützten Steuerung und/oder Regelung eines technischen Systems
US20120083933A1 (en) * 2010-09-30 2012-04-05 General Electric Company Method and system to predict power plant performance
DE102011003149A1 (de) * 2011-01-26 2012-07-26 Robert Bosch Gmbh Verfahren zum Einspeisen von Energie in ein Energienetz
EP2706422B1 (de) * 2012-09-11 2016-07-27 Siemens Aktiengesellschaft Verfahren zur rechnergestützten Überwachung des Betriebs eines technischen Systems, insbesondere einer elektrischen Energieerzeugungsanlage
JP6816949B2 (ja) * 2014-11-26 2021-01-20 ゼネラル・エレクトリック・カンパニイ 発電プラント発電ユニットの制御を強化するための方法
US10699191B2 (en) * 2015-11-12 2020-06-30 Google Llc Generating larger neural networks

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002520719A (ja) * 1998-07-08 2002-07-09 シーメンス アクチエンゲゼルシヤフト ニューラルネット及びニューラルネットのトレーニング方法及び装置
WO2014117967A1 (en) * 2013-01-30 2014-08-07 Siemens Aktiengesellschaft Method and apparatus for deriving diagnostic data about a technical system

Also Published As

Publication number Publication date
EP3360015A1 (de) 2018-08-15
DE102015226656B4 (de) 2019-10-10
KR20180094065A (ko) 2018-08-22
DE102015226656A1 (de) 2017-06-29
WO2017108405A1 (de) 2017-06-29
US20180364653A1 (en) 2018-12-20

Similar Documents

Publication Publication Date Title
US8587140B2 (en) Estimating an achievable power production of a wind turbine by means of a neural network
EP3364324B1 (en) Method and device for detecting equivalent load of wind turbine generator system
US10634120B2 (en) System and method for controlling thrust and/or tower loads of a wind turbine
US8174136B2 (en) Adaptive pitch control for variable speed wind turbines
EP3075982B1 (en) Gas turbine suitable for renewable energy and control method thereof
EP2438556B1 (en) Available power estimator
Sami et al. An FTC approach to wind turbine power maximisation via TS fuzzy modelling and control
WO2011035975A1 (en) Dynamic adaptation of a set point for a fatigue life of a structural component of a power generating machine
US20170292501A1 (en) System and Method for Auto-Calibrating a Load Sensor System of a Wind Turbine
JP2013256947A (ja) タービンのモデル及びシミュレーションベースの制御
CN111130106A (zh) 一种针对多区域电力系统的攻击检测方法
KR102183563B1 (ko) 에너지 생산자의 전력을 결정하기 위한 방법 및 소프트 센서
US20120035771A1 (en) Command generator
US11329487B2 (en) System and method for controlling a power generating system
JP2013161480A (ja) 蒸気タービン性能試験システム及び方法
JP6895399B2 (ja) 機械制御装置
KR20190061433A (ko) 신경회로망을 이용한 회전체의 출력 데이터 추정 시스템 및 방법
CN115940283A (zh) 用于控制功率生成系统的系统和方法
JP4093815B2 (ja) 風力発電におけるｐｗｍコンバータの出力平準化制御回路
US20170030332A1 (en) Wind turbine control using secondary controller to adjust wind speed and/or direction input values
CN113137332A (zh) 一种优化风力发电机组塔架侧向振动的控制方法
KR101205696B1 (ko) 선박용 폐열 회수 시스템 및 이의 터빈 발전기 테스트 방법
EP4148938B1 (en) System and method for controlling a power generating system
WO2022153525A1 (ja) 風向補正装置、モデル生成装置、補正方法、モデル生成方法、及びプログラム
JP6166894B2 (ja) 複合エネルギーシステムの最適制御装置及びその方法

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
X091 Application refused [patent]
AMND Amendment
X701 Decision to grant (after re-examination)