KR102271069B1 - 석탄화력발전소 보일러의 상태 예측 모델 생성 방법 및 장치 - Google Patents

Abstract

본 발명은 석탄화력발전소로부터 수집한 데이터를 이용하여 석탄화력발전소 보일러의 상태 예측 모델을 생성하는 방법 및 장치에 관한 것이다. 본 발명의 일 실시 예에 따른 석탄화력발전소 보일러의 상태 예측 모델 생성 방법은 석탄화력발전소로부터 센서에 의해 계측된 보일러 상태 계측 데이터와, 연료 성상 데이터와, 발전소 운전 데이터를 획득하는 단계와, 훈련 조건에 대응하여 보일러 상태 계측 데이터와, 연료 성상 데이터와, 발전소 운전 데이터를 서로 다른 기준으로 동기화한 시간 동기화 데이터를 구성하는 단계와, 시간 동기화 데이터와, 시간 동기화 데이터 내에 타켓 변수에 대응하는 보일러 상태 계측 데이터를 훈련 데이터로 하여 심층신경망 모델을 훈련시켜 보일러 상태 예측 모델을 생성하는 단계를 포함할 수 있다. 본 발명에 따르면 인공지능을 기반으로 한 석탄화력발전소 보일러 상태 예측 모델을 이용하여 석탄화력발전소 보일러의 상태를 실시간으로 및 정적으로 예측함으로써 보일러 상태 예측 정확도를 향상시킬 수 있다.

Description

석탄화력발전소 보일러의 상태 예측 모델 생성 방법 및 장치{METHOD AND APPARATUS FOR GENERATING STATE PREDECTING MODEL OF COAL-FIRED POWER PLANT BOILER}

본 발명은 석탄화력발전소로부터 수집한 보일러의 상태 계측 데이터와, 연료 성상 데이터와, 발전소의 운전 데이터를 이용하여 석탄화력발전소 보일러의 상태 예측 모델을 생성하는 방법 및 장치에 관한 것이다.

일반적으로 석탄화력발전소 설비는 석탄을 보일러에서 연소시켜 증기를 발생시키고, 이렇게 발생된 증기를 이용하여 터빈을 회전시킴으로써 전기가 생산되도록 한다.

석탄화력발전소에는 석탄화력발전소의 제어를 위한 고유의 제어 로직을 포함한다. 특히 석탄을 연소시키는 보일러는 분산 제어 시스템(DSC: distributed control system)으로 구성된 설비 자동 제어장치(APC: automatic plant controller)에 의해서 제어된다.

이러한 보일러에 포함되는 다양한 센서들에 의해 계측된 데이터를 사용하여, 보일러가 가동되는 중의 다양한 구동 상태를 모니터링 함과 아울러, 이러한 정보를 기반으로 하여 보일러의 연소량 조절, 스팀 온도 및 압력 조절 등에 관련된 전반적인 제어를 수행한다.

전술한 배경기술은 발명자가 본 발명의 도출을 위해 보유하고 있었거나, 본 발명의 도출 과정에서 습득한 기술 정보로서, 반드시 본 발명의 출원 전에 일반 공중에게 공개된 공지기술이라 할 수는 없다.

본 발명의 일 과제는, 석탄화력발전소로부터 수집한 데이터에 대한 전처리 및 가공을 수행하여 석탄화력발전소 보일러의 상태를 예측하는 인공지능 기반의 학습 모델을 생성하는데 있다.

본 발명의 일 과제는, 석탄화력발전소 보일러의 상태를 석탄화력발전소 보일러 상태 예측 모델을 이용하여 예측함으로써 석탄화력발전소 보일러를 최적의 상태로 운영하는데 있다.

본 발명의 일 과제는, 인공지능을 기반으로 한 석탄화력발전소 보일러 상태 예측 모델을 이용하여 석탄화력발전소 보일러의 상태를 실시간으로 및 정적으로 예측함으로써 보일러 상태 예측 정확도를 향상시키는데 있다.

본 발명의 일 과제는, 훈련 조건에 따라 석탄화력발전소로부터 수집한 데이터를 서로 다른 기준으로 동기화한 분석마트를 구성하여 보일러 상태 예측 모델의 훈련 성능을 극대화 하는데 있다.

본 발명의 일 실시 예에 따른 석탄화력발전소 보일러의 상태 예측 모델 생성 방법은, 석탄화력발전소로부터 센서에 의해 계측된 보일러 상태 계측 데이터와, 연료 성상 데이터와, 발전소 운전 데이터를 획득하는 단계와, 훈련 조건에 대응하여 상기 보일러 상태 계측 데이터와, 상기 연료 성상 데이터와, 상기 발전소 운전 데이터를 서로 다른 기준으로 동기화한 시간 동기화 데이터를 구성하는 단계와, 상기 시간 동기화 데이터와, 상기 시간 동기화 데이터 내에 타켓 변수에 대응하는 보일러 상태 계측 데이터를 훈련 데이터로 하여 심층신경망 모델을 훈련시켜 보일러 상태 예측 모델을 생성하는 단계를 포함할 수 있다.

본 발명의 일 실시 예에 따른 석탄화력발전소 보일러의 상태 예측 모델 생성 장치는, 석탄화력발전소로부터 센서에 의해 계측된 보일러 상태 계측 데이터와, 연료 성상 데이터와, 발전소 운전 데이터를 획득하는 획득부와, 훈련 조건에 대응하여 상기 보일러 상태 계측 데이터와, 상기 연료 성상 데이터와, 상기 발전소 운전 데이터를 서로 다른 기준으로 동기화한 시간 동기화 데이터를 구성하는 분석마트 구성부와, 상기 시간 동기화 데이터와, 상기 시간 동기화 데이터 내에 타켓 변수에 대응하는 보일러 상태 계측 데이터를 훈련 데이터로 하여 심층신경망 모델을 훈련시켜 보일러 상태 예측 모델을 생성하는 생성부를 포함할 수 있다.

이 외에도, 본 발명을 구현하기 위한 다른 방법, 다른 시스템 및 상기 방법을 실행하기 위한 컴퓨터 프로그램이 저장된 컴퓨터로 판독 가능한 기록매체가 더 제공될 수 있다.

전술한 것 외의 다른 측면, 특징, 이점이 이하의 도면, 특허청구범위 및 발명의 상세한 설명으로부터 명확해질 것이다.

본 발명에 의하면, 석탄화력발전소 보일러의 상태를 석탄화력발전소 보일러 상태 예측 모델을 이용하여 예측함으로써 석탄화력발전소 보일러를 최적의 상태로 운영할 수 있다.

또한, 인공지능을 기반으로 한 석탄화력발전소 보일러 상태 예측 모델을 이용하여 석탄화력발전소 보일러의 상태를 실시간으로 및 정적으로 예측함으로써 보일러 상태 예측 정확도를 향상시킬 수 있다.

또한, 훈련 조건에 따라 석탄화력발전소로부터 수집한 보일러 상태 계측 데이터와 연료 성상 데이터와, 발전소 운전 데이터를 서로 다른 기준으로 동기화한 분석마트를 구성하여 보일러 상태 예측 모델의 훈련 성능을 극대화할 수 있다.

본 발명의 효과는 이상에서 언급된 것들에 한정되지 않으며, 언급되지 아니한 다른 효과들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

도 1은 본 실시 예에 따른 석탄화력발전소, 보일러 상태 예측 모델 생성 장치 및 이들을 서로 연결하는 네트워크를 포함하는 석탄화력발전소 보일러의 상태 예측 모델 생성 환경의 예시도이다.
도 2는 도 1 중 석탄화력발전소의 계통도 및 보일러의 단면도 이다.
도 3은 도 2 중 보일러 상태 예측 모델 생성 장치의 구성을 개략적으로 설명하기 위하여 도시한 블록도이다.
도 4는 도 3의 보일러 상태 예측 모델 생성 장치가 석탄화력발전소로부터 획득한 데이터를 개략적으로 설명하기 위하여 도시한 도면이다.
도 5는 도 3의 보일러 상태 예측 모델 생성 장치 중 분석마트 구성부가 구성하는 시간 동기화 데이터를 개략적으로 설명하기 위하여 도시한 도면이다.
도 6은 본 실시 예에 따른 석탄화력발전소 보일러 상태 예측을 위한 심층신경망 모델을 설명하기 위한 도면이다.
도 7은 본 실시 예에 따른 보일러 상태 예측 모델 생성 방법을 설명하기 위한 흐름도이다.

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 설명되는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 아래에서 제시되는 실시 예들로 한정되는 것이 아니라, 서로 다른 다양한 형태로 구현될 수 있고, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 아래에 제시되는 실시 예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.

본 출원에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "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. 제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.

이하, 본 발명에 따른 실시 예들을 첨부된 도면을 참조하여 상세히 설명하기로 하며, 첨부 도면을 참조하여 설명함에 있어, 동일하거나 대응하는 구성 요소는 동일한 도면번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.

도 1은 본 실시 예에 따른 석탄화력발전소, 보일러 상태 예측 모델 생성 장치 및 이들을 서로 연결하는 네트워크를 포함하는 석탄화력발전소 보일러의 상태 예측 모델 생성 환경의 예시도이다. 도 1을 참조하면, 석탄화력발전소 보일러의 상태 예측 모델 생성 환경은 석탄화력발전소(100), 보일러 상태 예측 모델 생성 장치(200) 및 네트워크(300)를 포함할 수 있다.

석탄화력발전소(100)는 연료로서의 석탄을 보일러에서 연소시켜 증기를 발생시키고, 이렇게 발생된 증기를 이용하여 터빈을 회전시킴으로써 전기를 생산할 수 있다. 이하, 연료를 석탄으로 표기하여 설명하기로 한다.

석탄화력발전소(100)는 석탄화력발전소(100)의 제어를 위한 고유의 제어 로직을 포함할 수 있다. 석탄화력발전소(100)에서 석탄을 연소시키는 보일러는 분산 제어 시스템(DSC: distributed control system)으로 구성된 설비 자동 제어장치(APC: automatic plant controller)에 의해서 제어될 수 있다.

석탄화력발전소(100)는 보일러 주변 및 보일러 내부에 구비된 다양한 센서들에 의해 보일러 상태를 계측하여 보일러 상태 계측 데이터를 생성할 수 있다. 석탄화력발전소(100)는 보일러 상태 계측 데이터를 이용하여 보일러가 가동되는 중의 다양한 구동 상태를 모니터링 할 수 있다.

예를 들어, 보일러 주변 및 보일러 내부에 구비되는 센서는 온도 센서, 압력 센서, 유량 센서 등을 포함할 수 있다. 온도 센서는 보일러 내부 튜브 및 헤더의 온도를 계측할 수 있다. 압력 센서는 상술한 튜브 내부의 급수 및 증기의 압력을 계측할 수 있다. 유량 센서는 상술한 튜브 내부의 급수 및 증기의 유량을 측정할 수 있다.

이와 같이 석탄화력발전소(100)는 다양한 센서들이 계측한 보일러 상태 계측 데이터를 저장하고, 보일러 상태 예측 모델 생성 장치(200)의 요청에 의해 보일러 상태 계측 데이터를 제공할 수 있다.

여기서, 보일러 상태 계측 데이터는, BTU(british thermal unit), 1차 공기량, 2차 공기량, FGF(flue gas flow), 탈황설비 입구단에서의 황산화물 농도, 탈질설비 입구단에서의 질소 산화물의 농도, 미분기의 동작 속도, 미연분 비산재, 미연분 바닥재, 미연분 평균, 튜브 마모율 및 클링커 예측 지수 중 하나 이상을 포함할 수 있다. 상술한 보일러 상태 계측 데이터는 하나의 예시이며, 실제로는 필요에 따라서 다양한 계측 데이터를 선정하여 사용할 수 있다.

보일러 상태 계측 데이터 중 급탄량은 시간당 보일러에 공급되는 석탄의 양을 포함할 수 있다. BTU(british thermal unit)는 보일러 에너지 효율을 나타내는 열량 단위로서, 물 1 파운드(pound)를 60F에서 61F로 1F 올리는데 소요되는 열량을 포함할 수 있다. 1차 공기량은 보일러 연소를 위해서 석탄과 함께 공급되는 공기량(톤/시간)을 포함할 수 있다. 2차 공기량은 석탄의 완전 연소를 돕기 위해서 추가로 공급되는 과잉 공기량(톤/시간)을 포함할 수 있다. FGF(flue gas flow)는 보일러 내의 연소 가스의 유량을 포함할 수 있다.

보일러 상태 계측 데이터 중 탈황설비 입구단에서의 황산화물 농도를 설명하면, 연소 가스는 탈황 설비를 거쳐서 황산화물(Sox)을 제거하는데, 연소 가스가 탈황 설비에 들어가는 주입구에서의 황산화물 농도(ppm)를 나타낼 수 있다. 탈질설비 입구단에서의 질소 산화물의 농도를 설명하면, 연소 가스는 탈질 설비를 거쳐서 질소산화물(Nox)을 제거하는데, 연소 가스가 탈질 설비에 들어가는 주입구에서의 질소산화물 농도(ppm)를 나타낼 수 있다. 미분기의 동작 속도를 설명하면, 보일러에 석탄을 공급하기 위해 동작하는 6대(A-F)의 미분기가 있으며, 6대(A-F)의 미분기 각각에 대한 동작 속도를 포함할 수 있다.

보일러 상태 계측 데이터 중 미연분 비산재(fly ash) 백분율(%)을 설명하면, 보일러 내에서 연소되지 않고 남은 석탄 탄소 성분 중에서 비산(fly)하여 보일러 내부에 날아다니는 재(ash)로서의 비산재가 전체 석탄 중에 얼만큼 포함되어 있는지를 나타내는 데이터를 포함할 수 있다. 미연분 바닥재(bottom ash) 백분율(%)을 설명하면, 보일러 내에서 연소되지 않고 남은 석탄 탄소 성분 중에서 보일러 바닥(bottom)으로 떨어지는 재(ash)로서의 바닥재가 전체 석탄 중에 얼만큼 포함되어 있는지를 나타내는 정보를 포함할 수 있다. 미연분 평균은, 동일한 탄종이 연소되는 구간동안 발생한 미연분의 평균 비율을 포함할 수 있다.

보일러 상태 계측 데이터 중 튜브 마모율을 설명하면, 석탄 연소 후에 발생하는 가스가 보일러 내부를 순환하면서 열효관이 이루어지는데, 이 과정에서 연소가스에 포함된 다양한 입자들에 의해서 튜브가 마모 될 수 있으며, 이러한 마모의 정도를 석탄의 성상과 보일러 상태 계측 데이터들을 이용하여 예측한 지표를 포함할 수 있다. 클링커 예측 지수는 석탄 연소에 있어서 화층 온도가 재의 용융점 이상의 고온으로 상승한 경우에, 석탄재가 녹아 덩어리로 굳은 클링커를 석탄의 성상과 보일러 상태 계측 데이터들을 이용하여 예측한 지수를 포함할 수 있다.

또한 석탄화력발전소(100)는 석탄의 성상 데이터를 미리 분석하여 저장하고, 보일러 상태 예측 모델 생성 장치(200)의 요청에 의해 석탄 성상 데이터를 제공할 수 있다. 여기서, 석탄 성상 데이터는 탄종(예를 들어, 주 탄종 2종 및 보조 탄종 2종), 각 탄종의 혼탄 비율(주 탄종 및 보조 탄종의 혼탄 비율 총 합이 100%), 발열량(kcal/kg), 총수분(%), 유황분(%), 분쇄도(HGI: hardgrove grindability index), 휘발분(%), 회분(%), 탄소(%), SiO2(wt.%), CaO(wt.%), 착화온도(℃), 회융점(℃) 및 입도(wt.%) 중 하나 이상을 포함할 수 있다.

또한 석탄화력발전소(100)는 발전소 운전 데이터를 생성하여 저장하고, 보일러 상태 예측 모델 생성 장치(200)의 요청에 의해 발전소 운전 데이터를 제공할 수 있다. 여기서 발전소 운전 데이터는 발전소 운영을 위해서 운전원 또는 제어 시스템에 의해서 조절되는 데이터를 포함할 수 있다. 예를 들어, 발전소 운전 데이터는 발전소 출력 데이터, 석탄 종류, 공기량 등을 포함할 수 있다. 여기서 석탄 종류는 석산 성상 데이터에 포함될 수 있고, 공기량은 보일러 상태 계측 정보에 포함될 수 있다. 또한 발전소 운전 데이터는 작업자가 조작하는 설비 제어 인자, 작업 온도, 작업 습도 등을 포함하는 작업 환경 데이터를 포함할 수 있다.

보일러 상태 예측 모델 생성 장치(200)는 석탄화력발전소(100)로부터 센서에 의해 계측된 보일러 상태 계측 데이터와, 석탄 성상 데이터와, 석탄화력발전소의 운전 데이터를 획득할 수 있다.

보일러 상태 예측 모델 생성 장치(200)는 훈련 조건에 대응하여 보일러 상태 계측 데이터와, 석탄 성상 데이터와, 운전 데이터를 서로 다른 기준으로 동기화한 시간 동기화 데이터를 구성할 수 있다.

여기서 훈련 조건은 제1 훈련 조건 및 제2 훈련 조건 중 하나 이상을 포함할 수 있다. 제1 훈련 조건은 보일러가 운전되는 상황에서 실시간으로 보일러의 상태를 모니터링 하는 조건을 포함할 수 있다. 제2 훈련 조건은 연료의 성상 데이터에 대응하여 연료의 연소 구간 동안 보일러의 상태를 모니터링 하는 조건을 포함할 수 있다.

또한 시간 동기화 데이터는 제1 시간 동기화 데이터 및 제2 시간 동기화 데이터를 포함할 수 있다. 제1 시간 동기화 데이터는 보일러 상태 계측 데이터와 석탄 성상 데이터와 운전 데이터를, 기설정된 시간 간격(예를 들어, 10분)을 기준으로 동기화한 데이터를 포함할 수 있다. 제2 시간 동기화 데이터는 보일러 상태 계측 데이터와 석탄 성상 데이터와 운전 데이터를, 연료 변경 시점(예를 들어, 8시간)을 기준으로 동기화한 데이터를 포함할 수 있다.

보일러 상태 예측 모델 생성 장치(200)는 시간 동기화 데이터와, 시간 동기화 데이터 내에 타켓 변수에 대응하는 보일러 상태 계측 데이터를 훈련 데이터로 하여 심층신경망 모델을 훈련시켜 보일러 상태 예측 모델을 생성할 수 있다. 여기서 훈련 데이터는 입력값과 레이블링값을 포함할 수 있다. 훈련 데이터에 포함되는 입력값은 시간 동기화 데이터일 수 있다. 훈련 데이터에 포함되는 레이블링값은 시간 동기화 데이터 내에 타켓 변수에 대응하는 보일러 상태 계측 데이터일 수 있다.

본 실시 예에서 레이블링 값은 제1 시간 동기화 데이터 또는 제2 시간 동기화 데이터에 따라 달라질 수 있다. 제1 시간 동기화 데이터를 훈련 데이터에 포함시키는 경우, 레이블링 값은 타켓 변수에 대응하는 실시간 보일러 상태 계측 데이터일 수 있다. 또한 제2 시간 동기화 데이터를 훈련데이터에 포함시키는 경우, 레이블링 값은 타켓 변수에 대응하는 정적 보일러 상태 계측 데이터일 수 있다.

예를 들어, 탈황설비 입구단에서의 황산화물 농도 예측 모델을 생성하고자 하는 경우, 실시간 훈련 데이터 또는 정적 훈련 데이터를 이용하여 심층 신경망 모델을 훈련시켜 탈황설비 입구단에서의 황산화물 농도 예측 모델을 생성할 수 있다.

여기서 실시간 훈련 데이터는 입력값으로서의 제1 시간 동기화 데이터와, 레이블링 값으로서의 제1 시간 동기화 데이터 내에 탈황설비 입구단에서의 황산화물 농도(타겟 변수)에 대응하는 탈황설비 입구단에서의 실시간 황산화물 농도값(계측 데이터)을 포함할 수 있다. 또한 정적 훈련 데이터는, 입력값으로서의 제2 시간 동기화 데이터와, 레이블링 값으로서의 제2 시간 동기화 데이터 내에 탈황설비 입구단에서의 황산화물 농도(타겟 변수)에 대응하는 탈황설비 입구단에서의 실시간 황산화물 농도 평균값(계측 데이터)을 포함할 수 있다.

본 실시 예에서, 보일러 상태 예측 모델은 어떤 시간 동기화 데이터를 훈련 데이터로 이용 하느냐에 실시간 보일러 상태 예측 변수 또는 정적 보일러 상태 예측 변수를 출력할 수 있다. 실시간 보일러 상태 예측 변수는 급탄량, BTU, 1차 공기량, 2차 공기량, FGF, 탈황설비 입구단에서의 황산화물 농도, 탈질설비 입구단에서의 질소 산화물의 농도, 6개의 미분기 각각의 동작 속도 중 하나 이상을 포함할 수 있으며, 이에 한정되지 않는다. 또한 정적 보일러 상태 예측 변수는 미연분 비산재의 백분율, 미연분 바닥재의 백분율, 미연분 평균, 튜브 마모율 및 클링커 예측 지수 중 하나를 포함할 수 있으며, 이에 한정되지 않는다.

보일러 상태 예측 모델 생성 장치(200)는 보일러 상태 예측 모델 생성 시에, 예측 대상이 되는 타겟 변수에 따라, 시간 동기화 데이터와, 시간 동기화 데이터 내에 타켓 변수에 대응하는 보일러 상태 계측 데이터를 포함하는 타켓 변수별 훈련 데이터를 생성할 수 있다. 보일러 상태 예측 모델 생성 장치(200)는 타켓 변수별 훈련 데이터로 심층신경망 모델을 훈련시켜 타겟 변수별 보일러 상태 예측 모델을 생성할 수 있다.

여기서, 보일러 상태 예측 모델 생성 장치(200)는 훈련 데이터를 생성할 때, 타겟 변수에 대응하는 입력 변수들을 변경하며 복수의 훈련 데이터 세트들을 생성하고, 복수의 훈련 데이터 세트들로 심층신경망 모델을 예비훈련시킬 수 있다. 보일러 상태 예측 모델 생성 장치(200)는 예비훈련된 심층신경망 모델의 신뢰도를 평가하고, 신뢰도 평가에 기초하여 최적의 훈련 데이터 세트를 최종 훈련 데이터로 결정할 수 있다.

예를 들어, 보일러 상태 예측 모델 생성 장치(200)는 석탄 성상, 급탄량, 1차 공기량을 포함하는 입력변수와, 탈황설비 입구단에서의 황산화물 농도를 타겟 변수로 하는 어느 한 훈련 데이터 세트를 생성할 수 있다. 또한, 보일러 상태 예측 모델 생성 장치(200)는 석탄 성상, 2차 공기량을 포함하는 입력변수와, 탈황설비 입구단에서의 황산화물 농도를 타겟 변수로 하는 다른 한 훈련 데이터 세트를 생성할 수 있다. 또한, 보일러 상태 예측 모델 생성 장치(200)는 석탄 성상, 급탄량, 1차 공기량, 2차 공기량, 클링커 예측 지수를 포함하는 입력변수와, 탈황설비 입구단에서의 황산화물 농도를 타겟 변수로 하는 또 다른 한 훈련 데이터 세트를 생성할 수 있다.

보일러 상태 예측 모델 생성 장치(200)는 신뢰도 평가 시에 MAPE(mean absolute percentage error), MSE(mean squared error), RMSE(root mean squared error), MAE(mean absolute error) 등의 알고리즘을 이용할 수 있다. 보일러 상태 예측 모델 생성 장치(200)는 신뢰도 평가에 기초하여, 신뢰도가 가장 높은 훈련 데이터 세트를 최종 훈련 데이터로 결정할 수 있다.

보일러 상태 예측 모델 생성 장치(200)는 보일러 상태 예측 모델을 생성하기 위해, 5G 통신 환경에서 인공지능(artificial intelligence, AI) 알고리즘 및/또는 기계학습(machine learning) 알고리즘을 실행할 수 있다.

여기서 인공 지능(artificial intelligence, AI)은, 인간의 지능으로 할 수 있는 사고, 학습, 자기계발 등을 컴퓨터가 할 수 있도록 하는 방법을 연구하는 컴퓨터 공학 및 정보기술의 한 분야로, 컴퓨터가 인간의 지능적인 행동을 모방할 수 있도록 하는 것을 의미할 수 있다.

또한, 인공지능은 그 자체로 존재하는 것이 아니라, 컴퓨터 과학의 다른 분야와 직간접으로 많은 관련을 맺고 있다. 특히 현대에는 정보기술의 여러 분야에서 인공지능적 요소를 도입하여, 그 분야의 문제 풀이에 활용하려는 시도가 매우 활발하게 이루어지고 있다.

머신 러닝(machine learning)은 인공지능의 한 분야로, 컴퓨터에 명시적인 프로그램 없이 배울 수 있는 능력을 부여하는 연구 분야를 포함할 수 있다. 구체적으로 머신 러닝은, 경험적 데이터를 기반으로 학습을 하고 예측을 수행하고 스스로의 성능을 향상시키는 시스템과 이를 위한 알고리즘을 연구하고 구축하는 기술이라 할 수 있다. 머신 러닝의 알고리즘들은 엄격하게 정해진 정적인 프로그램 명령들을 수행하는 것이라기보다, 입력 데이터를 기반으로 예측이나 결정을 이끌어내기 위해 특정한 모델을 구축하는 방식을 취할 수 있다.

이러한 인공신경망의 머신 러닝 방법으로는 자율학습(unsupervised learning)과 지도학습(supervised learning)이 모두 사용될 수 있다.

또한, 머신 러닝의 일종인 딥러닝(deep learning) 기술은 데이터를 기반으로 다단계로 깊은 수준까지 내려가 학습할 수 있다. 딥러닝은 단계를 높여갈수록 복수의 데이터들로부터 핵심적인 데이터를 추출하는 머신 러닝 알고리즘의 집합을 나타낼 수 있다.

딥러닝 구조는 인공신경망(ANN)을 포함할 수 있으며, 예를 들어 딥러닝 구조는 CNN(convolutional neural network), RNN(recurrent neural network), DBN(deep belief network) 등 심층신경망(DNN)으로 구성될 수 있다. 본 실시 예에 따른 딥러닝 구조는 공지된 다양한 구조를 이용할 수 있다. 예를 들어, 본 실시 예에 따른 딥러닝 구조는 CNN, RNN, DBN 등을 포함할 수 있다. RNN은, 자연어 처리 등에 많이 이용되고 있으며, 시간의 흐름에 따라 변하는 시계열 데이터(time-series data) 처리에 효과적인 구조로 매 순간마다 레이어를 쌓아 올려 인공신경망 구조를 구성할 수 있다. DBN은 딥러닝 기법인 RBM(restricted boltzman machine)을 다층으로 쌓아 구성되는 딥러닝 구조를 포함할 수 있다. RBM 학습을 반복하여, 일정 수의 레이어가 되면 해당 개수의 레이어를 가지는 DBN을 구성할 수 있다. CNN은 사람이 물체를 인식할 때 물체의 기본적인 특징들을 추출한 다음 뇌 속에서 복잡한 계산을 거쳐 그 결과를 기반으로 물체를 인식한다는 가정을 기반으로 만들어진 사람의 뇌 기능을 모사한 모델을 포함할 수 있다.

한편, 인공신경망의 학습은 주어진 입력에 대하여 원하는 출력이 나오도록 노드간 연결선의 웨이트(weight)를 조정(필요한 경우 바이어스(bias) 값도 조정)함으로써 이루어질 수 있다. 또한, 인공신경망은 학습에 의해 웨이트(weight) 값을 지속적으로 업데이트시킬 수 있다. 또한, 인공신경망의 학습에는 역전파(back propagation) 등의 방법이 사용될 수 있다.

본 발명의 실시 예에서 용어 '머신 러닝'은 용어 '기계 학습'과 혼용되어 사용될 수 있다.

기계 학습에서 데이터를 어떻게 분류할 것인가를 놓고, 많은 기계 학습 알고리즘이 개발되었고, 의사결정나무(decision tree)나 베이지안 망(bayesian network), 서포트벡터머신(support vector machine, SVM), 그리고 인공 신경망(artificial neural network, ANN) 등을 대표적으로 포함할 수 있다.

의사결정나무는 의사결정규칙(decision rule)을 나무구조로 도표화하여 분류와 예측을 수행하는 판단방법을 포함할 수 있다. 베이지안 망은 다수의 변수들 사이의 확률적 관계(조건부독립성: conditional independence)를 그래프 구조로 표현하는 모델을 포함할 수 있다. 베이지안 망은 비지도 학습(unsupervised learning)을 통한 데이터마이닝(data mining)에 적합할 수 있다. 서포트벡터머신은 패턴인식과 자료분석을 위한 지도 학습(supervised learning)의 모델이며, 주로 분류와 회귀분석을 위해 사용될 수 있다.

인공신경망은 생물학적 뉴런의 동작원리와 뉴런간의 연결 관계를 모델링한 것으로 노드(node) 또는 처리 요소(processing element)라고 하는 다수의 뉴런들이 레이어(layer) 구조의 형태로 연결된 정보처리 시스템을 나타낼 수 있다.

인공 신경망은 기계 학습에서 사용되는 모델로써, 기계학습과 인지과학에서 생물학의 신경망(동물의 중추신경계 중 특히 뇌)에서 영감을 얻은 통계학적 학습 알고리즘을 포함할 수 있다.

구체적으로 인공신경망은 시냅스(synapse)의 결합으로 네트워크를 형성한 인공 뉴런(노드)이 학습을 통해 시냅스의 결합 세기를 변화시켜, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다.

용어 인공신경망은 용어 뉴럴 네트워크(Neural Network)와 혼용되어 사용될 수 있다.

인공신경망은 복수의 레이어(layer)를 포함할 수 있고, 레이어들 각각은 복수의 뉴런(neuron)을 포함할 수 있다. 또한 인공신경망은 뉴런과 뉴런을 연결하는 시냅스를 포함할 수 있다.

인공 신경망은 일반적으로 다음의 세가지 인자, 즉 (1) 다른 레이어의 뉴런들 사이의 연결 패턴 (2) 연결의 가중치를 갱신하는 학습 과정 (3) 이전 레이어로부터 수신되는 입력에 대한 가중 합으로부터 출력값을 생성하는 활성화 함수에 의해 정의될 수 있다.

인공 신경망은, DNN(deep neural network), RNN(recurrent neural network), BRDNN(bidirectional recurrent deep neural network), MLP(multilayer perceptron), CNN(convolutional neural network)와 같은 방식의 네트워크 모델들을 포함할 수 있으나, 이에 한정되지 않는다.

본 실시 예에서 용어 '레이어'는 용어 '계층'과 혼용되어 사용될 수 있다.

인공신경망은 계층 수에 따라 단층 신경망(single-layer neural networks)과 다층 신경망(multi-layer neural networks)으로 구분할 수 있다.

일반적인 단층 신경망은, 입력층과 출력층으로 구성될 수 있다. 또한 일반적인 다층 신경망은 입력층(input layer)과 하나 이상의 은닉층(hidden layer), 출력층(output layer)으로 구성될 수 있다.

입력층은 외부의 자료들을 받아들이는 층으로서, 입력층의 뉴런 수는 입력되는 변수의 수와 동일하며, 은닉층은 입력층과 출력층 사이에 위치하며 입력층으로부터 신호를 받아 특성을 추출하여 출력층으로 전달할 수 있다. 출력층은 은닉층으로부터 신호를 받고, 수신한 신호에 기반한 출력 값을 출력할 수 있다. 뉴런간의 입력신호는 각각의 연결강도(가중치)와 곱해진 후 합산되며 이 합이 뉴런의 임계치보다 크면 뉴런이 활성화되어 활성화 함수를 통하여 획득한 출력값을 출력할 수 있다.

한편 입력층과 출력 층 사이에 복수의 은닉층을 포함하는 심층 신경망은, 기계 학습 기술의 한 종류인 딥 러닝을 구현하는 대표적인 인공 신경망일 수 있다.

한편 용어 '딥 러닝'은 용어 '심층 학습'과 혼용되어 사용될 수 있다.

인공 신경망은 훈련 데이터(training data)를 이용하여 학습(training)될 수 있다. 여기서 학습이란, 입력 데이터를 분류(classification)하거나 회귀분석(regression)하거나 군집화(clustering)하는 등의 목적을 달성하기 위하여, 학습 데이터를 이용하여 인공 신경망의 파라미터(parameter)를 결정하는 과정을 의미할 수 있다. 인공 신경망의 파라미터의 대표적인 예시로써, 시냅스에 부여되는 가중치(weight)나 뉴런에 적용되는 편향(bias)을 들 수 있다.

훈련 데이터에 의하여 학습된 인공 신경망은, 입력 데이터를 입력 데이터가 가지는 패턴에 따라 분류하거나 군집화 할 수 있다. 한편 훈련 데이터를 이용하여 학습된 인공 신경망을, 본 실시 예에서는 학습 모델(a trained model)이라 명칭 할 수 있다.

다음은 인공 신경망의 학습 방식에 대하여 설명한다. 인공 신경망의 학습 방식은 크게, 지도 학습, 비 지도 학습, 준 지도 학습(semi-supervised learning), 강화 학습(reinforcement learning)으로 분류될 수 있다.

지도 학습은 훈련 데이터로부터 하나의 함수를 유추해내기 위한 기계 학습의 한 방법일 수 있다. 그리고 이렇게 유추되는 함수 중, 연속 적인 값을 출력하는 것을 회귀분석(Regression)이라 하고, 입력 벡터의 클래스(class)를 예측하여 출력하는 것을 분류(Classification)라고 할 수 있다.

지도 학습에서는, 훈련 데이터에 대한 레이블(label)이 주어진 상태에서 인공 신경망을 학습시킬 수 있다. 여기서 레이블이란, 훈련 데이터가 인공 신경망에 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과 값)을 의미할 수 있다.

본 실시 예에서는 훈련 데이터가 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과값)을 레이블 또는 레이블링 데이터(labeling data)이라 명칭 할 수 있다.

또한 본 실시 예에서는, 인공 신경망의 학습을 위하여 훈련 데이터에 레이블을 설정하는 것을, 훈련 데이터에 레이블링 데이터를 레이블링(labeling) 한다고 명칭 할 수 있다. 이 경우 훈련 데이터와 훈련 데이터에 대응하는 레이블)은 하나의 트레이닝 셋(training set)을 구성하고, 인공 신경망에는 트레이닝 셋의 형태로 입력될 수 있다.

한편 훈련 데이터는 복수의 특징(feature)을 나타내고, 훈련 데이터에 레이블이 레이블링 된다는 것은 훈련 데이터가 나타내는 특징에 레이블이 달린다는 것을 의미할 수 있다. 이 경우 훈련 데이터는 입력 객체의 특징을 벡터 형태로 나타낼 수 있다.

인공 신경망은 훈련 데이터와 레이블링 데이터를 이용하여, 훈련 데이터와 레이블링 데이터의 연관 관계에 대한 함수를 유추할 수 있다. 그리고, 인공 신경망에서 유추된 함수에 대한 평가를 통해 인공 신경망의 파라미터가 결정(최적화)될 수 있다.

비 지도 학습은 기계 학습의 일종으로, 훈련 데이터에 대한 레이블이 주어지지 않을 수 있다. 구체적으로, 비 지도 학습은, 훈련 데이터 및 훈련 데이터에 대응하는 레이블의 연관 관계 보다는, 훈련 데이터 자체에서 패턴을 찾아 분류하도록 인공 신경망을 학습시키는 학습 방법일 수 있다. 비 지도 학습의 예로는, 군집화 또는 독립 성분 분석(independent component analysis)을 들 수 있다.

본 실시 예에서 용어 '군집화'는 용어 '클러스터링'과 혼용되어 사용될 수 있다.

비지도 학습을 이용하는 인공 신경망의 일례로 생성적 적대 신경망(generative adversarial network, GAN), 오토 인코더(autoencoder, AE)를 들 수 있다.

생성적 적대 신경망이란, 생성기(generator)와 판별기(discriminator), 두 개의 서로 다른 인공지능이 경쟁하며 성능을 개선하는 머신 러닝 방법일 수 있다. 이 경우 생성기는 새로운 데이터를 창조하는 모형으로, 원본 데이터를 기반으로 새로운 데이터를 생성할 수 있다. 또한 판별기는 데이터의 패턴을 인식하는 모형으로, 입력된 데이터가 원본 데이터인지 또는 생성기에서 생성한 새로운 데이터인지 여부를 감별하는 역할을 수행할 수 있다. 그리고 생성기는 판별기를 속이지 못한 데이터를 입력 받아 학습하며, 판별기는 생성기로부터 속은 데이터를 입력 받아 학습할 수 있다. 이에 따라 생성기는 판별기를 최대한 잘 속이도록 진화할 수 있고, 판별기는 원본 데이터와 생성기에 의해 생성된 데이터를 잘 구분하도록 진화할 수 있다.

오토 인코더는 입력 자체를 출력으로 재현하는 것을 목표로 하는 신경망일 수 있다. 오토 인코더는 입력층, 적어도 하나의 은닉층 및 출력층을 포함할 수 있다. 이 경우 은닉 계층의 노드 수가 입력 계층의 노드 수보다 적으므로 데이터의 차원이 줄어들게 되며, 이에 따라 압축 또는 인코딩이 수행될 수 있다. 또한 은닉 계층에서 출력한 데이터는 출력 계층으로 들어갈 수 있다. 이 경우 출력 계층의 노드 수는 은닉 계층의 노드 수보다 많으므로, 데이터의 차원이 늘어나게 되며, 이에 따라 압축 해제 또는 디코딩이 수행될 수 있다.

한편 오토 인코더는 학습을 통해 뉴런의 연결 강도를 조절함으로써 입력 데이터가 은닉층 데이터로 표현될 수 있다. 은닉층에서는 입력층보다 적은 수의 뉴런으로 정보를 표현하는데 입력 데이터를 출력으로 재현할 수 있다는 것은, 은닉층이 입력 데이터로부터 숨은 패턴을 발견하여 표현했다는 것을 의미할 수 있다.

준 지도 학습은 기계 학습의 일종으로, 레이블이 주어진 훈련 데이터와 레이블이 주어지지 않은 훈련 데이터를 모두 사용하는 학습 방법을 의미할 수 있다. 준 지도 학습의 기법 중 하나로, 레이블이 주어지지 않은 훈련 데이터의 레이블을 추론한 후 추론된 라벨을 이용하여 학습을 수행하는 기법이 있으며, 이러한 기법은 레이블링에 소요되는 비용이 큰 경우에 유용하게 사용될 수 있다.

강화 학습은, 에이전트(agent)가 매 순간 어떤 행동을 해야 좋을지 분석할 수 있는 환경이 주어진다면, 데이터 없이 경험으로 가장 좋을 길을 찾을 수 있다는 이론을 포함할 수 있다. 강화 학습은 주로 마르코프 결정 과정(markov decision process, MDP)에 의하여 수행될 수 있다.

마르코프 결정 과정을 설명하면, 첫 번째로 에이전트가 다음 행동을 하기 위해 필요한 정보들이 구성된 환경이 주어지며, 두 번째로 그 환경에서 에이전트가 어떻게 행동할지 정의하고, 세 번째로 에이전트가 무엇을 잘하면 보상(reward)을 주고 무엇을 못하면 벌점(penalty)을 줄지 정의하며, 네 번째로 미래의 보상이 최고점에 이를 때까지 반복 경험하여 최적의 정책(policy)을 도출할 수 있다.

인공 신경망은 모델의 구성, 활성 함수(activation function), 손실 함수(loss function) 또는 비용 함수(cost function), 학습 알고리즘, 최적화 알고리즘 등에 의해 그 구조가 특정되며, 학습 전에 하이퍼파라미터(hyperparameter)가 미리 설정되고, 이후에 학습을 통해 모델 파라미터(model parameter)가 설정되어 내용이 특정될 수 있다.

예컨대, 인공 신경망의 구조를 결정하는 요소에는 은닉층의 개수, 각 은닉층에 포함된 은닉 노드의 개수, 입력 특징 벡터(input feature vector), 대상 특징 벡터(target feature vector) 등이 포함될 수 있다.

하이퍼파라미터는 모델 파라미터의 초기값 등과 같이 학습을 위하여 초기에 설정하여야 하는 여러 파라미터들을 포함할 수 있다. 그리고, 모델 파라미터는 학습을 통하여 결정하고자 하는 여러 파라미터들을 포함할 수 있다.

예컨대, 하이퍼파라미터에는 노드 간 가중치 초기값, 노드 간 편향 초기값, 미니 배치(mini-batch) 크기, 학습 반복 횟수, 학습률(learning rate) 등이 포함될 수 있다. 그리고, 모델 파라미터에는 노드 간 가중치, 노드 간 편향 등이 포함될 수 있다.

손실 함수는 인공 신경망의 학습 과정에서 최적의 모델 파라미터를 결정하기 위한 지표(기준)로 이용될 수 있다. 인공 신경망에서 학습은 손실 함수를 줄이기 위하여 모델 파라미터들을 조작하는 과정을 의미하며, 학습의 목적은 손실 함수를 최소화하는 모델 파라미터를 결정하는 것으로 볼 수 있다.

손실 함수는 주로 평균 제곱 오차(mean squared error, MSE) 또는 교차 엔트로피 오차(cross entropy error, CEE)를 사용할 수 있으며, 본 실시 예가 이에 한정되지는 않는다.

교차 엔트로피 오차는 정답 레이블이 원 핫 인코딩(one-hot encoding)된 경우에 사용될 수 있다. 원 핫 인코딩은 정답에 해당하는 뉴런에 대하여만 정답 레이블 값을 1로, 정답이 아닌 뉴런은 정답 레이블 값이 0으로 설정하는 인코딩 방법일 수 있다.

머신 러닝 또는 딥 러닝에서는 손실 함수를 최소화하기 위하여 학습 최적화 알고리즘을 이용할 수 있으며, 학습 최적화 알고리즘에는 경사 하강법(gradient descent, GD), 확률적 경사 하강법(stochastic gradient descent, SGD), 모멘텀(momentum), NAG(nesterov accelerate gradient), Adagrad, AdaDelta, RMSProp, Adam, Nadam 등이 있다.

경사 하강법은 현재 상태에서 손실 함수의 기울기를 고려하여 손실 함수값을 줄이는 방향으로 모델 파라미터를 조정하는 기법을 포함할 수 있다. 모델 파라미터를 조정하는 방향은 스텝(step) 방향, 조정하는 크기는 스텝 사이즈(size)라고 칭할 수 있다. 이때, 스텝 사이즈는 학습률을 의미할 수 있다. 경사 하강법은 손실 함수를 각 모델 파라미터들로 편미분하여 기울기를 획득하고, 모델 파라미터들을 획득한 기울기 방향으로 학습률만큼 변경하여 갱신할 수 있다.

확률적 경사 하강법은 학습 데이터를 미니 배치로 나누고, 각 미니 배치마다 경사 하강법을 수행하여 경사 하강의 빈도를 높인 기법을 포함할 수 있다.

Adagrad, AdaDelta 및 RMSProp는 SGD에서 스텝 사이즈를 조절하여 최적화 정확도를 높이는 기법을 포함할 수 있다. SGD에서 모멘텀 및 NAG는 스텝 방향을 조절하여 최적화 정확도를 높이는 기법을 포함할 수 있다. Adam은 모멘텀과 RMSProp를 조합하여 스텝 사이즈와 스텝 방향을 조절하여 최적화 정확도를 높이는 기법을 포함할 수 있다. Nadam은 NAG와 RMSProp를 조합하여 스텝 사이즈와 스텝 방향을 조절하여 최적화 정확도를 높이는 기법을 포함할 수 있다.

인공 신경망의 학습 속도와 정확도는 인공 신경망의 구조와 학습 최적화 알고리즘의 종류뿐만 아니라, 하이퍼파라미터에 크게 좌우되는 특징을 포함할 수 있다. 따라서, 좋은 학습 모델을 획득하기 위하여는 적당한 인공 신경망의 구조와 학습 알고리즘을 결정하는 것뿐만 아니라, 적당한 하이퍼파라미터를 설정하는 것이 중요할 수 있다.

통상적으로 하이퍼파라미터는 실험적으로 다양한 값으로 설정해가며 인공 신경망을 학습시켜보고, 학습 결과 안정적인 학습 속도와 정확도를 제공하는 최적의 값으로 설정할 수 있다. 위와 같은 방식들을 이용하면 피가열체의 상태에 대한 추정이 더욱 정교해질 수 있다.

네트워크(300)는 석탄화력발전소(100)와 보일러 상태 예측 모델 생성 장치(200)를 연결하는 역할을 수행할 수 있다. 이러한 네트워크(300)는 예컨대 LANs(local area networks), WANs(wide area networks), MANs(metropolitan area networks), ISDNs(integrated service digital networks) 등의 유선 네트워크나, 무선 LANs, CDMA, 블루투스, 위성 통신 등의 무선 네트워크를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다. 또한 네트워크(300)는 근거리 통신 및/또는 원거리 통신을 이용하여 정보를 송수신할 수 있다. 여기서 근거리 통신은 블루투스(bluetooth), RFID(radio frequency identification), 적외선 통신(IrDA, infrared data association), UWB(ultra-wideband), ZigBee, Wi-Fi (wireless fidelity) 기술을 포함할 수 있고, 원거리 통신은 CDMA(code division multiple access), FDMA(frequency division multiple access), TDMA(time division multiple access), OFDMA(orthogonal frequency division multiple access), SC-FDMA(single carrier frequency division multiple access) 기술을 포함할 수 있다.

네트워크(300)는 허브, 브리지, 라우터, 스위치 및 게이트웨이와 같은 네트워크 요소들의 연결을 포함할 수 있다. 네트워크(300)는 인터넷과 같은 공용 네트워크 및 안전한 기업 사설 네트워크와 같은 사설 네트워크를 비롯한 하나 이상의 연결된 네트워크들, 예컨대 다중 네트워크 환경을 포함할 수 있다. 네트워크(300)에의 액세스는 하나 이상의 유선 또는 무선 액세스 네트워크들을 통해 제공될 수 있다. 더 나아가 네트워크(300)는 사물 등 분산된 구성 요소들 간에 정보를 주고 받아 처리하는 IoT(Internet of Things, 사물인터넷) 망 및/또는 5G 통신을 지원할 수 있다.

도 2는 도 1 중 석탄화력발전소의 계통도 및 보일러의 단면도 이다. 이하의 설명에서 도 1에 대한 설명과 중복되는 부분은 그 설명을 생략하기로 한다. 도 2를 참조하면, 석탄화력발전소(100)는 연료계통, 증기계통, 공기계통, 환경설비계통, 복급수계통, 냉각수계통,　전기계통으로 구분할 수 있다.

연료계통에서는, 석탄을 운반하는 석탄 운반선이 접안할 수 있는 호안시설을 구비하고, 운반선에서　석탄을 하역설비로 하역하여 저탄장까지 콘베이어 밸트로 이송할 수 있다. 저탄장은 옥외로 넓은 공간이 필요하고, 분진에 의한 화재 발생 방지를　위한 스프링클러 설비를 구비할 수 있다. 저탄장의 석탄은 급탄기(콘베이어 밸트)를 거쳐 보일러 측면에 저탄조(coal silo)에 저장되고, 이송설비(coal feeder)에 의해 석탄을 분쇄하는 미분기(pulverizer)로 이송될 수 있다. 미분기에서 분쇄된 미분탄은 급탄관을 통하여 보일러의 버너 내로 공급되며, 이때 미분탄은 1차 공기 통풍기의 Hot Air에 의해 보일러의 버너로 이송될 수 있다.

증기계통에서는 보일러의 버너로 전달된 미분탄이 압입 통풍기 및 공기 예열기를 통해 버너로 공급되는 예열된 2차 공기에 의해 연소되고, 연소열은 보일러 측면의 수냉벽(evaporator) 튜브의 물을 증기로 변환시킬 수 있다. 수냉벽에서 발생된 증기는 과열기(superheater)를 거쳐 증기온도를 높여 과열 증기로 만들고, 이 과열 증기는 터빈의 맨 앞단의 고압 터빈으로 전달되어 터빈을 가동시키고 다시 보일러로 돌아올 수 있다. 보일러로 순환된 온도가 낮아진 증기는　재열기(reheater)를 거치며 온도를 상승시켜 중압 터빈으로 전달되어 터빈을 구동시킬 수 있다. 중압 터빈을 돌린 증기는 Cross over pipe를 거쳐 저압 터빈 두 곳으로 전달하여 터빈을 구동할 수 있다.

공기계통은, 석탄을 공급하는 1차 공기 통풍기(primary fan)과, 보일러로 공기를 공급하는 압입 통풍기(forced draft fan)와, 이 공기를 예열하는 공기 예열기(air Preheater)를 포함할 수 있다. 공기 예열기의 열원은 연소가스로부터 얻을 수 있다.

환경설비계통에서, 연소된 가스는 절탄기(economizer)를 거쳐 공급된 물을 예열한 후, 탈질설비(De-Nox)를 거치며 연소가스에 포함된 질소 산화물을 제거하고, 전기 집진기(electric precipitator)를 통하여 가스 중의 비산재(fly ash) 입자 및 분진 등을 전기적인 작용에 의하여 포집하여 대기오염을 방지할 수 있다. 탈황설비(fuel gas desulfurization)를 거치며 화석연료가 연소되며 발생하는 황산화물(Sox)을 석회석 슬러리에 흡수 반응시켜 부산물로 석고를 생성하여 환경오염을 방지할 수 있다. 공해물질을 제거한 가스는 연돌(stack)을 거쳐 대기중으로 배연될 수 있고, 연돌은 상하부 밀도차에 의한 압력차가 발생하여 공기를 상승시켜 상승 기류를 생성할 수 있다.

복급수계통에서, 저압 터빈을 구동시킨 증기는 그 하부에 위치한 복수기로 유입되고, 복수기(condensor)는　증기를 냉각시켜 물로 만들고, 복수기에 응축된 물은 복수펌프(condensate pump: COP)로 양수하여 탈기기로 보낼 수 있다. 저압 히터(LP HTR - 열원은 저압 터빈에서　뽑아낸 증기)를 통해 탈기기로 공급되기 전에 물을 가열할 수 있다. 탈기기(deaerator) 및 저장 탱크는 급수중의 설비 부식의 원인이 되는 불응 축성 가스를 분리하고 급수를 가열하여 저장할 수 있다. 급수펌프(boiler feed water pump: BFP)는 급수 저장 탱크의 물을 보일러로 공급할 수 있다. 고압 히터(HP HTR)의 고압 및 중압 터빈에서 일부 뽑아낸 증기로 보일러에 공급되는 물을 가열할 수 있다. 보일러로 공급된 물은 절탄기(economizer)를 거쳐 다시 가열된 후 보일러의 수벽으로 공급될 수 있다. 급수 중 일부 모자라는 물은 담수(시수)를 수처리설비(De-Mineral)를 거쳐 저장탱크에 저장하고 필요한 만큼 복수기의 응축수와 합하여 보충할 수 있다.

냉각수계통에서, 바닷물 또는　강물 등을 취수로를 통하여 끌어 들여　복수기 내의 튜브를 통과 시키며 열교환을 통해 증기를 물로 바꾸어 주고, 다시 배수로를 통하며 방류할 수 있다.

전기계통에서, 전기는 터빈측에 연결된 발전기(generator)에서 22Kv로 생산하고 변압기에서　송전전압인 154, 345, 765Kv로 승압된 후 송전선로를 거쳐 송전할 수 있다.

더 나아가 회처리계통을 더 포함할 수 있는데, 회처리계통에서는 석탄이 연소되고 나서 발생하는 재(ash)를 바닥재(bottom ash)와 비산재(fly ash)로 분류할 수 있다. 바닥재는 보일러 버너 내의 튜브에 형성된 슬래그가 자중, 출력변화, Shoot Blowing에 의해 보일러 하부로 낙하되어 Bottom Ash Hopper에서 포집될 수 있다.　 비산재는 연소 가스와 섞여 흐르다가 절탄기, 공기 예열기, 전기 집진기에서 포집될 수 있다.

이러한 석탄화력발전소(100)에는 석탄화력발전소(100)의 제어를 위한 고유의 제어 로직을 포함하여, 보일러 상태 계측 데이터와, 석탄 성상 데이터와, 발전소 운전 데이터를 생성 및 저장하고, 보일러 상태 예측 모델 생성 장치(200)의 요청에 의해 제공할 수 있다.

도 3은 도 2 중 보일러 상태 예측 모델 생성 장치의 구성을 개략적으로 설명하기 위하여 도시한 블록도이다. 이하의 설명에서 도 1 및 도 2에 대한 설명과 중복되는 부분은 그 설명을 생략하기로 한다. 도 3을 참조하면, 보일러 상태 예측 모델 생성 장치(200)는 통신부(210), 획득부(220), 전처리부(230), 분석마트 구성부(240), 생성부(250), 최적화부(260) 및 제어부(270)를 포함할 수 있다. 선택적 실시 예로 통신부(210), 획득부(220), 전처리부(230), 분석마트 구성부(240), 생성부(250), 최적화부(260) 및 제어부(270)는 하나 이상의 다른 프로세서에 대응될 수 있다. 선택적 실시 예로, 통신부(210), 획득부(220), 전처리부(230), 분석마트 구성부(240), 생성부(250), 최적화부(260) 및 제어부(270)는 하나 이상의 다른 프로세서에 의해 실행되도록 구성된 소프트웨어 구성 요소(components)에 대응될 수 있다.

통신부(210)는 네트워크(300)와 연동하여 석탄화력발전소(100)와 보일러 상태 예측 모델 생성 장치(200) 간의 송수신 신호를 패킷 데이터 형태로 제공하는 데 필요한 통신 인터페이스를 제공할 수 있다. 또한 통신부(210)는 보일러 상태 예측 모델 생성 장치(200)로부터 소정의 정보 요청 신호를 석탄화력발전소(100)로 전송하고, 석탄화력발전소(100)가 처리한 응답 데이터를 수신하여, 보일러 상태 예측 모델 생성 장치(200)로 전송할 수 있다. 또한 통신부(210)는 다른 네트워크 장치와 유무선 연결을 통해 제어 신호 또는 데이터 신호와 같은 신호를 송수신하기 위해 필요한 하드웨어 및 소프트웨어를 포함하는 장치일 수 있다.

또한, 통신부(210)는 각종 사물 지능 통신(IoT(internet of things), IoE(internet of everything), IoST(internet of small things) 등)을 지원할 수 있으며, M2M(machine to machine) 통신, V2X(vehicle to everything communication) 통신, D2D(device to device) 통신 등을 지원할 수 있다.

획득부(220)는 석탄화력발전소(100)로부터 센서에 의해 계측된 보일러 상태 계측 데이터와, 석탄 성상 데이터와, 발전소 운전 데이터를 획득할 수 있다.

전처리부(230)는 획득부(220)가 획득한 보일러 상태 계측 데이터와, 석탄 성상 데이터와, 발전소 운전 데이터를 보일러 상태 예측 모델의 학습에 적합한 형태로 처리할 수 있다. 획득부(220)가 획득한 보일러 상태 계측 데이터와, 석탄 성상 데이터와, 발전소 운전 데이터는 인자별 단위 및 범위가 다르므로, 이를 일정한 범위로 정규화 해주는 작업이 필요하다. 따라서 전처리부(230)는 보일러 상태 계측 데이터와, 석탄 성상 데이터와, 발전소 운전 데이터를 일정한 범위로 정규화할 수 있다.

만약, 보일러 상태 예측 모델의 학습 데이터가 기존 학습 데이터의 최소, 최대값을 벗어날 경우 최소-최대 정규화 적용 시, 정규화 범위를 벗어날 수 있기 때문에, 전처리부(230)는 보일러 상태 예측 모델의 입력 데이터를 기존 학습 데이터의 최소/최대값으로 자동 조정해줄 수 있다.

전처리부(230)는 결측치 삭제 필터 및/또는 안정상태 감지 필터를 포함할 수 있다. 결측치 삭제 필터는 입력 데이터에 결측치가 존재하는 경우, 해당 정보는 보일러 상태 예측 모델에 사용하지 못하도록 삭제할 수 있다. 안정 상태 데이터 필터는 석탄화력발전소(100)로부터 획득한 보일러 상태 계측 데이터와, 석탄 성상 데이터와, 발전소 운전 데이터 중 안정 상태인 데이터만을 수신하도록, 지수 가중 이동 평균 필터(exponentially weighted moving average filter)를 채택하여 석탄화력발전소(100)로부터 획득한 데이터의 안성 상태를 판단할 수 있다. 지수 가중 이동 평균 필터는 특정 주기(T) 동안 필터 에러가 정해진 필터 에러 값보다 작거나 같을 경우, 안정 상태라고 판단할 수 있다.

도 4에는 석탄화력발전소(100)로부터 획득한 보일러 상태 계측 데이터와, 석탄 성상 데이터와, 발전소 운전 데이터에 대한 전처리 결과를 도시하고 있다. 도 4a는 석탄화력발전소(100)로부터 기설정된 시간 간격으로 획득한 보일러 상태 계측 데이터와 발전소 운전 데이터에 포함되는 발전소 출력 데이터에 대한 전처리 결과를 도시하고 있다. 도 4b는 석탄화력발전소(100)로부터 주기적으로 획득한 석탄 성상 데이터에 대한 전처리 결과를 도시하고 있다.

분석마트 구성부(240)는 전처리부(230)에서 처리된 안정 상태의 보일러 상태 계측 데이터와, 석탄 성상 데이터와, 발전소 운전 데이터를 학습 조건에 따라 서로 다른 기준으로 동기화 한 시간 동기화 데이터를 구성하여 제1 분석마트(241) 또는 제2 분석마트(242)에 저장할 수 있다.

분석마트 구성부(240)는 보일러가 운전되는 상황에서 실시간으로 보일러의 상태를 모니터링 하기 위한 제1 훈련 조건의 설정을 수신하여, 보일러 상태 계측 데이터와 석탄 성상 데이터와 발전소 운전 데이터를, 기설정된 시간 간격(예를 들어, 10분)을 기준으로 동기화한 제1 시간 동기화 데이터를 구성하고 제1 분석마트(241)에 저장할 수 있다. 도 5a에는 제1 분석마트(241)에 저장되는 제1 시간 동기화 데이터의 예를 도시하고 있다.

분석마트 구성부(240)는 연료의 성상 데이터에 대응하여 연료의 연소 구간 동안 보일러의 상태를 모니터링 하기 위한 제2 훈련 조건의 설정을 수신하여, 보일러 상태 계측 데이터와 석탄 성상 데이터와 발전소 운전 데이터를, 연료 변경 시점을 기준으로 동기화한 제2 시간 동기화 데이터를 구성하고 제2 분석마트(242)에 저장할 수 있다.

석탄 성상 데이터는 주기적으로 교체되는 석탄의 물성 정보를 포함할 수 있다. 석탄 저탄조(coal silo)는 한 번 가득 채우면 약 8시간 동안 연소가 가능하므로, 석탄화력발전소(100)에서는 하루에 3번 저탄조에 석탄을 적재할 수 있다. 이때, 석탄의 재고와 연소 상황에 따라서 동일한 탄종을 계속해서 적재하기도 하고, 수시로 탄종을 바꾸어서 연소할 수도 있다.

또한, 연료 변경 시점은 일반적으로 다른 성상의 탄종으로 바뀌어 연소되는 시점을 나타낼 수 있으며, 데이터 형식은 8시간 단위로 어떤 탄종이 저탄조에 적재되었는지 기록될 수 있다. 즉, 석탄화력발전소(100)는 저탄조에 적재되는 석탄이 앞서 적재된 석탄과 동일한 성상인 경우에는 연료 변경이 이루어지지 않았다고 판단하고, 저탄조에 적재되는 석탄이 앞서 적재된 석탄과 다른 성상인 경우에는 연료 변경이 이루어졌다고 판단할 수 있다.

분석마트 구성부(240)는 제2 시간 동기화 데이터를 제2 분석마트(242)에 저장할 때, 석탄 성상 데이터에 포함되는 저탄조에 석탄이 적재되는 상탄 시간에 기초하여 석탄의 연소 시작 시간 및 석탄의 연소 종료 시간을 가공한 후 제2 분석마트(242)에 저장할 수 있다.

분석마트 구성부(240)는 상탄 시간을 석탄의 연소 시작 시간으로 가공할 수 있다. 분석마트 구성부(240)는 저탄조에 석탄이 가득찬 상태에서, 보일러가 최대 출력으로 운전할 때, 석탄이 완전 연소되는데 소요되는 기설정된 시간을, 석탄의 연소 시작 시간에 가산하여 석탄의 연소 종료 시간으로 가공할 수 있다. 여기서, 석탄의 연소 시작 시간부터 석탄의 연소 종료 시간까지를 석탄의 연소 구간으로 특정할 수 있다.

석탄 성상 정보에 기록되는 시간은 일반적으로 석탄이 저탄조에 적재되는 시간인데, 실제로 보일러 내부에서 연소되기까지는 시간이 소요될 수 있다. 따라서 석탄이 저탄조에 적재되는 시간을 연소 시작 시간으로 사용할 수 있다. 또한 석탄화력발전소(100)의 사정 상 저탄조에 적재된 석탄이 언제 연소되는지 알기가 어렵기 때문에, 일반적으로 저탄조가 가득찬 상태에서, 보일러가 최대 출력으로 운전할 때 모두 연소되는데 걸리는 시간이 8시간이므로, 석탄이 저탄조에 적재되는 시간 즉, 연소 시작시간에 8시간을 더하여 보정한 시간을 연소 종료 시간으로 사용할 수 있다. 예를 들어, 2020년 03월 15일 00:00에 석탄이 저탄조에 적재되면 이를 연소 시작시간으로 가공하고, 연소 시작시간에 8시간을 더한 2020년 03월 15일 08:00를 연소 종료 시간으로 가공할 수 있다.

또한, 분석마트 구성부(240)는 석탄의 연소 구간에서 발전소 운전 데이터가 일정하게 유지되는 구간 동안, 보일러 상태 계측 데이터의 평균값을 산출한 결과를 이용하여 제2 시간 동기화 데이터를 구성하고 제2 분석마트(242)에 저장할 수 있다. 도 5b에는 제2 분석마트(242)에 저장되는 제2 시간 동기화 데이터의 예를 도시하고 있다.

보일러에서 동일한 탄종이 연소되더라도 급전 지시에 따라서 발전소의 출력 데이터가 변경(예를 들어, 450MW에서 400MW로 변경)되는 경우가 발생할 수 있고, 이에 비례하여 석탄과 공기 공급량이 변경되는데, 이 구간에서는 연소 상태가 일정하지 않거나 불안정하게 된다. 마찬가지로 발전소 출력 데이터가 일정하더라도, 탄종이 바뀌게 되면 석탄의 성상에 따라 연소 특성이 변경될 수 있다. 이러한 구간의 데이터를 보일러 상태 예측 모델에 반영하는 경우 정확한 보일러 상태 예측이 어렵기 때문에, 석탄의 연소의 연소와 발전소 출력이 동일한 구간만을 추출하고, 추출한 구간에서 보일러 상태 계측 데이터의 평균값을 산출하여 보일러 상태 예측 모델에 반영할 수 있다.

본 실시 예에서, Y=f(X)로 두고, Y를 보일러 상태 예측 변수로, f(X)를 보일러 상태 예측 모델로, X를 입력 변수(보일러 상태 계측 데이터와, 석탄 성상 데이터와, 발전소 운전 데이터)로 가정했을 때, 본 실시 예에서는 예측하고자 하는 대상의 속성에 따라 Y를 실시간 보일러 상태 예측 변수와 정적 보일러 상태 예측 변수로 구분할 수 있다.

실시간 보일러 상태 예측 변수는 보일러가 운전되는 상황에서 연속적인 모니터링이 필요한 변수를 포함할 수 있다. 보일러의 상태 변화는 아주 급격하지 않고 장기적인 추세를 분석하기 때문에 통상적으로 10분 간격으로 획득한 데이터를 이용할 수 있다.

정적 보일러 상태 예측 변수는 석탄의 성상에 따라서 석탄의 연소 구간 동안 누적된 보일러의 상태를 측정할 필요가 있는 변수를 포함할 수 있다. 따라서 동일한 탄종의 연소 구간 동안 보일러 상태 계측 정보의 평균값(또는 대표값)을 구하여 사용할 수 있다.

생성부(250)는 시간 동기화 데이터와, 시간 동기화 데이터 내에 타켓 변수에 대응하는 보일러 상태 계측 데이터를 훈련 데이터로 하여 심층신경망 모델을 훈련시켜 보일러 상태 예측 모델을 생성할 수 있다. 본 실시 예에서 보일러 상태 예측 데이터에 따라 즉, 실시간 보일러 상태 예측 변수 또는 정적 보일러 상태 예측 변수에 따라, 시간 동기화 데이터가 달라 질 수 있다.

생성부(250)는 제1 훈련 조건에 대응하여 제1 시간 동기화 데이터와 제1 시간 동기화 데이터 내의 실시간 실시간 보일러 상태 계측 데이터를 훈련 데이터로 하여 심층신경망 모델을 훈련시켜 보일러 상태 예측 모델을 생성할 수 있다.

생성부(250)는 제2 훈련 조건에 대응하여 제2 시간 동기화 데이터와 제2 시간 동기화 데이터 내의 정적 보일러 상태 계측 데이터를 훈련 데이터로 하여 심층신경망 모델을 훈련시켜 보일러 상태 예측 모델을 생성할 수 있다.

도 6에는 보일러 상태 예측을 위한 심층신경망 모델이 도시되어 있다. 도 6을 참조하면, 보일러 상태 계측 데이터와, 석탄 성상 데이터와, 발전소 운전 데이터를 이용하여 보일러 상태 예측 데이터를 출력하도록 미리 훈련된 심층신경망 모델을 이용하여, 보일러의 상태를 예측할 수 있다.

본 실시 예에서 심층신경망 모델이 훈련되는 과정은 지도 학습으로 이루어질 수 있으며, 제1 시간 동기화 데이터가, 제1 시간 동기화 데이터 내에 어떠한 타켓 변수에 대응하는 보일러 상태 계측 데이터에 대응하는지를 라벨링한 훈련 데이터를 통해 훈련이 이루어 질 수 있다.

또한, 심층신경망 모델이 훈련되는 과정은 지도 학습으로 이루어질 수 있으며, 제2 시간 동기화 데이터가, 제2 시간 동기화 데이터 내에 어떠한 타켓 변수에 대응하는 보일러 상태 계측 데이터에 대응하는지를 라벨링한 훈련 데이터를 통해 훈련이 이루어 질 수 있다.

이와 같이 생성부(250)는 심층신경망 모델의 훈련을 통하여 보일러 상태 예측 모델을 생성할 수 있다.

최적화부(260)는 보일러 상태 예측 모델을 최적화 할 수 있다. 최적화부(260)는 보일러 상태 예측 모델을 두 가지 관점에서 최적화 할 수 있다.

첫 째, 최적화부(260)는 보일러 상태 예측 모델의 파라미터(노드 개수, 레이어 개수)를 최적화하여 주어진 훈련 데이터에 대해서 예측 성능을 극대화 할 수 있다.

둘 째, 최적화부(260)는 보일러 상태 예측 모델을 훈련시킬 훈련 데이터를 최적화할 수 있다. 최적화부(260)는 가능한 적은 훈련 데이터로 동일한 성능을 낼 수 있도록, 보일러 상태 예측 모델이 훈련해야 할 훈련 데이터를 최적화 할 수 있다. 최적화부(260)는 훈련 데이터의 상관 관계를 고려한 제1 최적화 방법과, 보일러의 물리적 특성에 기반한 인과 관계를 고려한 제2 최적화 방법과, 제1 최적화 방법 및 제2 최적화 방법을 동시에 고려한 제3 최적화 방법 중 하나 이상을 이용하여 보일러 상태 예측 모델을 훈련시킬 훈련 데이터를 최적화할 수 있다.

본 실시 예에서, 생성부(250)는 보일러 상태 예측 모델 생성 시에, 예측 대상이 되는 타겟 변수에 따라, 시간 동기화 데이터와, 시간 동기화 데이터 내에 타켓 변수에 대응하는 보일러 상태 계측 데이터를 포함하는 타켓 변수별 훈련 데이터를 생성하고, 타켓 변수별 훈련 데이터로 심층신경망 모델을 훈련시켜 타겟 변수별 보일러 상태 예측 모델을 생성할 수 있다.

이때 최적화부(260)는 훈련 데이터를 생성할 때, 타겟 변수에 대응하는 입력 변수들을 변경하며 복수의 훈련 데이터 세트들을 생성하고, 복수의 훈련 데이터 세트들로 심층신경망 모델을 예비훈련시키고, 예비훈련된 심층신경망 모델의 신뢰도를 평가하고, 신뢰도 평가에 기초하여 신뢰도가 가장 높은 훈련 데이터 세트를 최종 훈련 데이터로 결정할 수 있다.

본 실시 예에서 최적화부(260)는 심층신경망 모델 파라미터 조합 탐색과, 훈련 데이터 조합을 동시에 탐색하여 전체적인 보일러 상태 예측 모델 최적화를 추구할 수 있다.

제어부(270)는 보일러 상태 예측 모델 생성 장치(200) 전체의 동작을 제어할 수 있다. 여기서, 제어부(270)는 프로세서(processor)와 같이 데이터를 처리할 수 있는 모든 종류의 장치를 포함할 수 있다. 여기서, '프로세서(processor)'는, 예를 들어 프로그램 내에 포함된 코드 또는 명령으로 표현된 기능을 수행하기 위해 물리적으로 구조화된 회로를 갖는, 하드웨어에 내장된 데이터 처리 장치를 의미할 수 있다. 이와 같이 하드웨어에 내장된 데이터 처리 장치의 일 예로써, 마이크로프로세서(microprocessor), 중앙처리장치(central processing unit: CPU), 프로세서 코어(processor core), 멀티프로세서(multiprocessor), ASIC(application-specific integrated circuit), FPGA(field programmable gate array) 등의 처리 장치를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.

본 실시 예에서 제어부(270)는 보일러 상태 예측 모델 생성 장치(200)가 최적의 보일러 상태 예측 모델을 생성할 수 있도록, 5G 통신 환경에서 인공지능(artificial intelligence, AI) 알고리즘 및/또는 기계학습(machine learning) 알고리즘을 실행할 수 있다.

메모리(271)는 보일러 상태 예측 모델 생성 장치(200)의 동작에 필요한 각종 데이터를 저장할 수 있다. 본 실시 예에서 메모리(271)는 제어부(270) 내부에 구비되거나, 제어부(270) 외부에 구비될 수 있다. 또한 메모리(271)는 생성부(250)가 생성한 보일러 상태 예측 모델을 저장할 수 있다.

또한 메모리(271)는 보일러 상태 예측 모델 생성 장치(200)가 실행할 명령어 예를 들어, 석탄화력발전소(100)로부터 센서에 의해 계측된 보일러 상태 계측 데이터와, 연료 성상 데이터와, 발전소 운전 데이터를 획득하는 명령어, 훈련 조건에 대응하여 보일러 상태 계측 데이터와, 연료 성상 데이터와, 발전소 운전 데이터를 서로 다른 기준으로 동기화한 시간 동기화 데이터를 구성하는 명령어, 시간 동기화 데이터와, 보일러 상태 예측 데이터를 훈련 데이터로 하여 심층신경망 모델을 훈련시켜 보일러 상태 예측 모델을 생성하는 명령어 등을 저장할 수 있다.

여기서, 메모리(271)는 자기 저장 매체(magnetic storage media) 또는 플래시 저장 매체(flash storage media)를 포함할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다. 이러한 메모리(271)는 내장 메모리 및/또는 외장 메모리를 포함할 수 있으며, DRAM, SRAM, 또는 SDRAM 등과 같은 휘발성 메모리, OTPROM(one time programmable ROM), PROM, EPROM, EEPROM, mask ROM, flash ROM, NAND 플래시 메모리, 또는 NOR 플래시 메모리 등과 같은 비휘발성 메모리, SSD. CF(compact flash) 카드, SD 카드, Micro-SD 카드, Mini-SD 카드, Xd 카드, 또는 메모리 스틱(memory stick) 등과 같은 플래시 드라이브, 또는 HDD와 같은 저장 장치를 포함할 수 있다.

도 7은 본 실시 예에 따른 본 실시 예에 따른 보일러 상태 예측 모델 생성 방법을 설명하기 위한 흐름도이다. 이하의 설명에서 도 1 내지 도 6에 대한 설명과 중복되는 부분은 그 설명을 생략하기로 한다.

도 7을 참조하면, S710단계에서, 보일러 상태 예측 모델 생성 장치(200)는 석탄화력발전소(100)로부터 보일러 상태 계측 데이터와, 석탄 성상 데이터와, 발전소 운전 데이터를 획득한다.

여기서, 보일러 상태 계측 데이터는, BTU(british thermal unit), 1차 공기량, 2차 공기량, FGF(flue gas flow), 탈황설비 입구단에서의 황산화물 농도, 탈질설비 입구단에서의 질소 산화물의 농도, 미분기의 동작 속도, 미연분 비산재, 미연분 바닥재, 미연분 평균, 튜브 마모율 및 클링커 예측 지수 중 하나 이상을 포함할 수 있다.

또한, 석탄 성상 데이터는 탄종(예를 들어, 주 탄종 2종 및 보조 탄종 2종), 발열량(kcal/kg), 총수분(%), 유황분(%), 분쇄도(HGI: hardgrove grindability index), 휘발분(%), 회분(%), 탄소(%), SiO2(wt.%), CaO(wt.%), 착화온도(℃), 회융점(℃) 및 입도(wt.%) 중 하나 이상을 포함할 수 있다.

또한, 발전소 운전 데이터는, 발전소 운영을 위해서 운전원 또는 제어 시스템에 의해서 조절되는 데이터를 포함할 수 있다. 예를 들어, 발전소 운전 데이터는 발전소 출력 데이터, 석탄 종류, 공기량 등을 포함할 수 있다. 또한 발전소 운전 데이터는 작업자가 조작하는 설비 제어 인자, 작업 온도, 작업 습도 등을 포함하는 작업 환경 데이터를 포함할 수 있다.

S720단계에서, 보일러 상태 예측 모델 생성 장치(200)는 훈련 조건에 대응하여 보일러 상태 계측 데이터와, 석탄 성상 데이터와, 운전 데이터를 서로 다른 기준으로 동기화한 시간 동기화 데이터를 구성한다.

여기서 훈련 조건은 제1 훈련 조건 및 제2 훈련 조건 중 하나 이상을 포함할 수 있다. 제1 훈련 조건은 보일러가 운전되는 상황에서 실시간으로 보일러의 상태를 모니터링 하는 조건을 포함할 수 있다. 제2 훈련 조건은 연료의 성상 데이터에 대응하여 연료의 연소 구간 동안 보일러의 상태를 모니터링 하는 조건을 포함할 수 있다.

또한 시간 동기화 데이터는 제1 시간 동기화 데이터 및 제2 시간 동기화 데이터를 포함할 수 있다. 제1 시간 동기화 데이터는 보일러 상태 계측 데이터와 석탄 성상 데이터와 운전 데이터를, 기설정된 시간 간격(예를 들어, 10분)을 기준으로 동기화한 데이터를 포함할 수 있다. 제2 시간 동기화 데이터는 보일러 상태 계측 데이터와 석탄 성상 데이터와 운전 데이터를, 연료 변경 시점(예를 들어, 8시간)을 기준으로 동기화한 데이터를 포함할 수 있다.

보일러 상태 예측 모델 생성 장치(200)는 제2 시간 동기화 데이터 구성 시에, 연료 성상 데이터에 포함되는 저탄조에 연료가 적재되는 상탄 시간으로부터 연료의 연소 시작 시간 및 연료의 연소 종료 시간을 가공할 수 있다. 여기서 보일러 상태 예측 모델 생성 장치(200)는 상탄 시간을 연료의 연소 시작 시간으로 가공할 수 있다. 보일러 상태 예측 모델 생성 장치(200)는 저탄조에 연료가 가득찬 상태에서, 보일러가 최대 출력으로 운전할 때, 연료가 완전 연소되는데 소요되는 기설정된 시간을, 연료의 연소 시작 시간에 가산하여 연료의 연소 종료 시간으로 가공할 수 있다. 보일러 상태 예측 모델 생성 장치(200)는 연료의 연소 시작 시간부터 연료의 연소 종료 시간까지를 연료의 연소 구간으로 특정할 수 있다.

또한, 보일러 상태 예측 모델 생성 장치(200)는 제2 시간 동기화 데이터 구성 시에, 연료의 연소 구간에서 발전소 운전 데이터가 일정하게 유지되는 구간 동안, 보일러 상태 계측 데이터의 평균값을 산출한 결과를 이용하여 제2 시간 동기화 데이터를 구성할 수 있다.

S730단계에서, 보일러 상태 예측 모델 생성 장치(200)는 시간 동기화 데이터와, 시간 동기화 데이터 내에 타켓 변수에 대응하는 보일러 상태 계측 데이터를 훈련 데이터로 하여 심층신경망 모델을 훈련시켜 보일러 상태 예측 모델을 생성한다.

보일러 상태 예측 모델 생성 장치(200)는 제1 훈련 조건에 대응하여 제1 시간 동기화 데이터와 제1 시간 동기화 데이터 내의 실시간 보일러 상태 계측 데이터를 훈련 데이터로 하여 심층신경망 모델을 훈련시켜 보일러 상태 예측 모델을 생성할 수 있다. 또한 보일러 상태 예측 모델 생성 장치(200)는 제2 훈련 조건에 대응하여 제2 시간 동기화 데이터와 제2 시간 동기화 데이터 내의 정적 보일러 상태 계측 데이터를 훈련 데이터로 하여 심층신경망 모델을 훈련시켜 보일러 상태 예측 모델을 생성할 수 있다.

보일러 상태 예측 모델 생성 장치(200)는 보일러 상태 예측 모델 생성 시에, 예측 대상이 되는 타겟 변수에 따라, 시간 동기화 데이터와, 시간 동기화 데이터 내에 타켓 변수에 대응하는 보일러 상태 계측 데이터를 포함하는 타켓 변수별 훈련 데이터를 생성할 수 있다. 보일러 상태 예측 모델 생성 장치(200)는 타켓 변수별 훈련 데이터로 심층신경망 모델을 훈련시켜 타겟 변수별 보일러 상태 예측 모델을 생성할 수 있다.

여기서, 보일러 상태 예측 모델 생성 장치(200)는 훈련 데이터를 생성할 때, 타겟 변수에 대응하는 입력 변수들을 변경하며 복수의 훈련 데이터 세트들을 생성하고, 복수의 훈련 데이터 세트들로 심층신경망 모델을 예비훈련시킬 수 있다. 보일러 상태 예측 모델 생성 장치(200)는 예비훈련된 심층신경망 모델의 신뢰도를 평가하고, 신뢰도 평가에 기초하여 신뢰도가 가장 높은 훈련 데이터 세트를 최종 훈련 데이터로 결정할 수 있다.

이상 설명된 본 발명에 따른 실시 예는 컴퓨터 상에서 다양한 구성요소를 통하여 실행될 수 있는 컴퓨터 프로그램의 형태로 구현될 수 있으며, 이와 같은 컴퓨터 프로그램은 컴퓨터로 판독 가능한 매체에 기록될 수 있다. 이때, 매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등과 같은, 프로그램 명령어를 저장하고 실행하도록 특별히 구성된 하드웨어 장치를 포함할 수 있다.

한편, 상기 컴퓨터 프로그램은 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 프로그램의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함될 수 있다.

본 발명의 명세서(특히 특허청구범위에서)에서 "상기"의 용어 및 이와 유사한 지시 용어의 사용은 단수 및 복수 모두에 해당하는 것일 수 있다. 또한, 본 발명에서 범위(range)를 기재한 경우 상기 범위에 속하는 개별적인 값을 적용한 발명을 포함하는 것으로서(이에 반하는 기재가 없다면), 발명의 상세한 설명에 상기 범위를 구성하는 각 개별적인 값을 기재한 것과 같다.

본 발명에 따른 방법을 구성하는 단계들에 대하여 명백하게 순서를 기재하거나 반하는 기재가 없다면, 상기 단계들은 적당한 순서로 행해질 수 있다. 반드시 상기 단계들의 기재 순서에 따라 본 발명이 한정되는 것은 아니다. 본 발명에서 모든 예들 또는 예시적인 용어(예들 들어, 등등)의 사용은 단순히 본 발명을 상세히 설명하기 위한 것으로서 특허청구범위에 의해 한정되지 않는 이상 상기 예들 또는 예시적인 용어로 인해 본 발명의 범위가 한정되는 것은 아니다. 또한, 당업자는 다양한 수정, 조합 및 변경이 부가된 특허청구범위 또는 그 균등물의 범주 내에서 설계 조건 및 팩터에 따라 구성될 수 있음을 알 수 있다.

따라서, 본 발명의 사상은 상기 설명된 실시 예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 또는 이로부터 등가적으로 변경된 모든 범위는 본 발명의 사상의 범주에 속한다고 할 것이다.

100: 석탄화력발전소
200: 보일러 상태 예측 모델 생성 장치
300: 네트워크

Claims (20)

1. 석탄화력발전소 보일러의 상태 예측 모델 생성 장치에 의해 수행되는 석탄화력발전소 보일러의 상태 예측 모델을 생성하는 방법으로서,
   석탄화력발전소로부터 센서에 의해 계측된 보일러 상태 계측 데이터와, 연료 성상 데이터와, 발전소 운전 데이터를 획득하는 단계;
   훈련 조건에 대응하여 상기 보일러 상태 계측 데이터와, 상기 연료 성상 데이터와, 상기 발전소 운전 데이터를 서로 다른 기준으로 동기화한 시간 동기화 데이터를 구성하는 단계; 및
   상기 시간 동기화 데이터와, 상기 시간 동기화 데이터 내에 타켓 변수에 대응하는 보일러 상태 계측 데이터를 훈련 데이터로 하여 심층신경망 모델을 훈련시켜 보일러 상태 예측 모델을 생성하는 단계를 포함하고,
   상기 시간 동기화 데이터를 구성하는 단계 이전에,
   상기 연료 성상 데이터에 포함되는 저탄조에 연료가 적재되는 상탄 시간에 기초하여 상기 연료의 연소 시작 시간을 추출하는 단계; 및
   상기 저탄조에 연료가 가득찬 상태에서, 상기 보일러가 최대 출력으로 운전할 때, 상기 연료가 완전 연소되는데 소요되는 기설정된 시간을, 상기 연료의 연소 시작 시간에 가산하여 상기 연료의 연소 종료 시간으로 가공하는 단계를 더 포함하고,
   상기 연료의 연소 시작 시간부터 상기 연료의 연소 종료 시간까지를 상기 연료의 연소 구간으로 특정하며,
   상기 보일러 상태 예측 모델을 생성하는 단계는,
   예측 대상이 되는 타겟 변수에 따라, 상기 시간 동기화 데이터와, 상기 시간 동기화 데이터 내에 타켓 변수에 대응하는 보일러 상태 계측 데이터를 포함하는 타켓 변수별 훈련 데이터를 생성하는 단계; 및
   상기 타켓 변수별 훈련 데이터로 심층신경망 모델을 훈련시켜 타겟 변수별 보일러 상태 예측 모델을 생성하는 단계를 포함하고,
   상기 훈련 데이터를 생성하는 단계는,
   상기 타겟 변수에 대응하는 입력 변수들을 변경하며 복수의 훈련 데이터 세트들을 생성하는 단계;
   상기 복수의 훈련 데이터 세트들로 심층신경망 모델을 예비훈련시키는 단계;
   예비훈련된 심층신경망 모델의 신뢰도를 평가하는 단계; 및
   상기 평가에 기초하여 최적의 훈련 데이터 세트를 최종 훈련 데이터로 결정하는 단계를 포함하는,
   석탄화력발전소 보일러의 상태 예측 모델 생성 방법.
2. 제 1 항에 있어서,
   상기 시간 동기화 데이터를 구성하는 단계는,
   상기 보일러가 운전되는 상황에서 실시간으로 상기 보일러의 상태를 모니터링 하기 위한 제1 훈련 조건의 설정을 수신하는 단계; 및
   상기 제1 훈련 조건의 설정 수신에 대응하여, 상기 보일러 상태 계측 데이터와 상기 연료 성상 데이터와 상기 발전소 운전 데이터를, 기설정된 시간 간격을 기준으로 동기화한 제1 시간 동기화 데이터를 구성하는 단계를 포함하는,
   석탄화력발전소 보일러의 상태 예측 모델 생성 방법.
3. 제 2 항에 있어서,
   상기 보일러 상태 예측 모델을 생성하는 단계는,
   상기 제1 훈련 조건에 대응하여 상기 제1 시간 동기화 데이터와 상기 제1 시간 동기화 데이터 내의 실시간 보일러 상태 계측 데이터를 훈련 데이터로 하여 심층신경망 모델을 훈련시켜 보일러 상태 예측 모델을 생성하는 단계를 포함하는,
   석탄화력발전소 보일러의 상태 예측 모델 생성 방법.
4. 삭제
5. 삭제
6. 제 1 항에 있어서,
   상기 시간 동기화 데이터를 구성하는 단계는,
   상기 연료의 성상 데이터에 대응하여 상기 연료의 연소 구간 동안 상기 보일러의 상태를 모니터링 하기 위한 제2 훈련 조건의 설정을 수신하는 단계; 및
   상기 제2 훈련 조건의 설정 수신에 대응하여, 상기 보일러 상태 계측 데이터와 상기 연료 성상 데이터와 상기 발전소 운전 데이터를, 연료 변경 시점을 기준으로 동기화한 제2 시간 동기화 데이터를 구성하는 단계를 포함하는,
   석탄화력발전소 보일러의 상태 예측 모델 생성 방법.
7. 제 6 항에 있어서,
   상기 제2 시간 동기화 데이터를 구성하는 단계는,
   상기 연료의 연소 구간에서 상기 발전소 운전 데이터가 일정하게 유지되는 구간 동안, 상기 보일러 상태 계측 데이터의 평균값을 산출한 결과를 이용하여 상기 제2 시간 동기화 데이터를 구성하는 단계를 포함하는,
   석탄화력발전소 보일러의 상태 예측 모델 생성 방법.
8. 제 7 항에 있어서,
   상기 보일러 상태 예측 모델을 생성하는 단계는,
   상기 제2 훈련 조건에 대응하여 상기 제2 시간 동기화 데이터와 상기 제2 시간 동기화 데이터 내의 정적 보일러 상태 계측 데이터를 훈련 데이터로 하여 심층신경망 모델을 훈련시켜 보일러 상태 예측 모델을 생성하는 단계를 포함하는,
   석탄화력발전소 보일러의 상태 예측 모델 생성 방법.
9. 삭제
10. 삭제
11. 석탄화력발전소 보일러의 상태 예측 모델을 생성하는 장치로서,
    석탄화력발전소로부터 센서에 의해 계측된 보일러 상태 계측 데이터와, 연료 성상 데이터와, 발전소 운전 데이터를 획득하는 획득부;
    훈련 조건에 대응하여 상기 보일러 상태 계측 데이터와, 상기 연료 성상 데이터와, 상기 발전소 운전 데이터를 서로 다른 기준으로 동기화한 시간 동기화 데이터를 구성하는 분석마트 구성부; 및
    상기 시간 동기화 데이터와, 상기 시간 동기화 데이터 내에 타켓 변수에 대응하는 보일러 상태 계측 데이터를 훈련 데이터로 하여 심층신경망 모델을 훈련시켜 보일러 상태 예측 모델을 생성하는 생성부를 포함하고,
    상기 분석마트 구성부는,
    상기 연료 성상 데이터에 포함되는 저탄조에 연료가 적재되는 상탄 시간에 기초하여 상기 연료의 연소 시작 시간을 추출하고,
    상기 저탄조에 연료가 가득찬 상태에서, 상기 보일러가 최대 출력으로 운전할 때, 상기 연료가 완전 연소되는데 소요되는 8시간을, 상기 연료의 연소 시작 시간에 가산하여 상기 연료의 연소 종료 시간으로 가공하며,
    상기 연료의 연소 시작 시간부터 상기 연료의 연소 종료 시간까지를 상기 연료의 연소 구간으로 특정하도록 구성되고,
    상기 생성부는,
    예측 대상이 되는 타겟 변수에 따라, 상기 시간 동기화 데이터와, 상기 시간 동기화 데이터 내에 타켓 변수에 대응하는 보일러 상태 계측 데이터를 포함하는 타켓 변수별 훈련 데이터를 생성하고,
    상기 타켓 변수별 훈련 데이터로 심층신경망 모델을 훈련시켜 타겟 변수별 보일러 상태 예측 모델을 생성하고,
    상기 타겟 변수별 훈련 데이터를 생성 시에, 상기 타겟 변수에 대응하는 입력 변수들을 변경하며 복수의 훈련 데이터 세트들을 생성하고,
    상기 복수의 훈련 데이터 세트들로 심층신경망 모델을 예비훈련시키고,
    예비훈련된 심층신경망 모델의 신뢰도를 평가하며,
    상기 평가에 기초하여 최적의 훈련 데이터 세트를 최종 훈련 데이터로 결정하도록 구성되는,
    석탄화력발전소 보일러의 상태 예측 모델 생성 장치.
12. 제 11 항에 있어서,
    상기 분석마트 구성부는,
    상기 보일러가 운전되는 상황에서 실시간으로 상기 보일러의 상태를 모니터링 하기 위한 제1 훈련 조건의 설정을 수신하고,
    상기 제1 훈련 조건의 설정 수신에 대응하여, 상기 보일러 상태 계측 데이터와 상기 연료 성상 데이터와 상기 발전소 운전 데이터를, 기설정된 시간 간격을 기준으로 동기화한 제1 시간 동기화 데이터를 구성하는,
    석탄화력발전소 보일러의 상태 예측 모델 생성 장치.
13. 제 12 항에 있어서,
    상기 생성부는,
    상기 제1 훈련 조건에 대응하여 상기 제1 시간 동기화 데이터와 상기 제1 시간 동기화 데이터 내의 실시간 보일러 상태 계측 데이터를 훈련 데이터로 하여 심층신경망 모델을 훈련시켜 보일러 상태 예측 모델을 생성하도록 구성되는,
    석탄화력발전소 보일러의 상태 예측 모델 생성 장치.
14. 삭제
15. 삭제
16. 제 11 항에 있어서,
    상기 분석마트 구성부는,
    상기 연료의 성상 데이터에 대응하여 상기 연료의 연소 구간 동안 상기 보일러의 상태를 모니터링 하기 위한 제2 훈련 조건의 설정을 수신하고,
    상기 제2 훈련 조건의 설정 수신에 대응하여, 상기 보일러 상태 계측 데이터와 상기 연료 성상 데이터와 상기 발전소 운전 데이터를, 연료 변경 시점을 기준으로 동기화한 제2 시간 동기화 데이터를 구성하는,
    석탄화력발전소 보일러의 상태 예측 모델 생성 장치.
17. 제 16 항에 있어서,
    상기 분석마트 구성부는,
    상기 연료의 연소 구간에서 상기 발전소 운전 데이터가 일정하게 유지되는 구간 동안, 상기 보일러 상태 계측 데이터의 평균값을 산출한 결과를 이용하여 상기 제2 시간 동기화 데이터를 구성하는,
    석탄화력발전소 보일러의 상태 예측 모델 생성 장치.
18. 제 17 항에 있어서,
    상기 생성부는,
    상기 제2 훈련 조건에 대응하여 상기 제2 시간 동기화 데이터와 상기 제2 시간 동기화 데이터 내의 정적 보일러 상태 계측 데이터를 훈련 데이터로 하여 심층신경망 모델을 훈련시켜 보일러 상태 예측 모델을 생성하도록 구성되는,
    석탄화력발전소 보일러의 상태 예측 모델 생성 장치.
19. 삭제
20. 삭제

Images