KR102283207B1

KR102283207B1 - 인공지능을 이용한 화력발전소의 배가스 처리방법 및 인공지능을 이용한 화력발전소의 배가스 처리장치

Info

Publication number: KR102283207B1
Application number: KR1020200188889A
Authority: KR
Inventors: 조한재; 이승재
Original assignee: 주식회사 이엠코
Priority date: 2020-12-31
Filing date: 2020-12-31
Publication date: 2021-07-30
Also published as: WO2022145812A1; TWI800154B; TW202231337A

Abstract

인공지능을 이용한 화력발전소의 배가스 처리방법 및 배가스 처리장치가 제공된다. 배가스 처리방법은, (a) 기수집된 표본가스터빈의 운전데이터와 배가스조성데이터의 상관관계를 컴퓨터가 인공지능 학습 알고리즘에 의해 학습하여 배가스 내 적어도 어느 하나의 오염물질 농도에 영향을 미치는 영향인자를 도출하는 학습-도출단계, (b) 가스터빈 운전 시에 실시간으로 측정된 영향인자의 변화와 배가스 내 적어도 어느 하나의 오염물질 농도변화의 시간에 따른 상관관계를 컴퓨터가 인공지능 학습 알고리즘에 의해 학습하여 제1시점에서, 그보다 시간이 경과된 제2시점의 배가스 내 적어도 어느 하나의 오염물질 농도를 예측하는 학습-예측단계, 및 (c) (b)단계에서 예측된 제2시점의 배가스 내 적어도 어느 하나의 오염물질 농도에 대응하는 환원제분사량을 계산하고 제1시점으로부터 환원제의 이송공정을 제어하여 배가스로 분사되는 환원제의 양을 제2시점에서 계산된 환원제분사량과 일치시키는 목표-제어단계를 포함한다.

Description

인공지능을 이용한 화력발전소의 배가스 처리방법 및 인공지능을 이용한 화력발전소의 배가스 처리장치{Exhaust gas treating method for thermal power plant using AI and exhaust gas treating apparatus for thermal power plant using AI}

본 발명은 화력발전소의 배가스를 처리하는 처리방법과 처리장치에 관한 것으로서, 더욱 상세하게는, 인공지능에 기반하여 보다 효과적으로 배가스 내 오염물질을 제거할 수 있는 인공지능을 이용한 화력발전소의 배가스 처리방법 및 인공지능을 이용한 화력발전소의 배가스 처리장치에 관한 것이다.

화력발전소는 연료를 사용하여 발전하는 시설로 연료를 태워 터빈을 구동시키고 그 구동력으로 전력을 생산한다. 대부분의 화력발전소들은 가스터빈을 포함하며 화석연료를 사용한다. 따라서 연료가 연소될 때 상당량의 배가스가 발생하고 배가스에는 연소 시 발생된 각종 오염물질이 함유된다.

배가스에 함유된 오염물질은 연료의 종류에 달라질 수 있는데 화석연료를 사용하는 대부분의 화력발전소는 질소산화물(NOx), 황산화물(SOx)과 같은 유독성 물질을 포함하는 여러 가지 오염물질을 발생시키는 것으로 알려져 있다. 따라서 이러한 오염물질들을 처리하는 설비도 함께 갖추게 된다(예, 대한민국공개특허 10-2019-0043057 등).

그러나 종래의 경우 다음과 같은 문제로 오염물질을 만족스럽게 처리하지 못하는 상황이 발생하기도 하였다. 예를 들어, 배가스 내 오염물질의 농도, 성분비 등이 바뀔 때 그에 따른 적절한 대응이 곤란한 문제가 있었으며, 이는 질소산화물과 같은 오염물질 제거 시 자주 사용되는 선택적 (비)촉매환원방식의 처리효과를 감소시키는 원인도 되므로 적합한 대응방안이 요청되고 있다. 특히 화력발전소는 운전상태가 수시로 변할 수 있고 그에 따라 배가스 성분도 유동적으로 바뀔 수 있어 이에 대응할 수 있는 기술이 더욱 필요한 실정이다.

대한민국공개특허공보 제10-2019-0043057호, (2019. 04. 25), 명세서

본 발명의 기술적 과제는, 이러한 문제점을 해결하기 위한 것으로서, 인공지능에 기반하여 보다 효과적으로 배가스 내 오염물질을 제거할 수 있는 인공지능을 이용한 화력발전소의 배가스 처리방법을 제공하는 것이며, 이를 통해 배가스 내 오염물질의 농도 등이 변동하는 경우에도 적절하게 대응할 수 있게 하는 것이다. 아울러, 본 발명의 다른 기술적 과제는 상기한 처리방법을 수행할 수 있는 인공지능을 이용한 화력발전소의 배가스 처리장치도 함께 제공하는 것이다.

본 발명의 기술적 과제는 이상에서 언급한 과제들로 제한되는 것은 아니며 언급되지 않은 또 다른 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

본 발명에 의한 인공지능을 이용한 화력발전소의 배가스 처리방법은, (a) 기수집된 표본가스터빈의 운전데이터와 배가스조성데이터의 상관관계를 컴퓨터가 인공지능 학습 알고리즘에 의해 학습하여, 배가스 내 적어도 어느 하나의 오염물질 농도에 영향을 미치는 영향인자를 도출하는 학습-도출단계; (b) 가스터빈 운전 시에 실시간으로 측정된 상기 영향인자의 변화와 그에 따른 배가스 내 적어도 어느 하나의 오염물질 농도변화의 시간에 따른 상관관계를 컴퓨터가 인공지능 학습 알고리즘에 의해 학습하여 상기 가스터빈 운전 중인 제1시점에서, 그보다 시간이 경과된 제2시점의 배가스 내 적어도 어느 하나의 오염물질 농도를 예측하는 학습-예측단계; 및 (c) 상기 (b) 단계에서 예측된 상기 제2시점의 배가스 내 적어도 어느 하나의 오염물질 농도에 대응하는 환원제분사량을 계산하고 상기 제1시점으로부터 환원제의 이송공정을 제어하여, 상기 이송공정을 따라 배가스로 분사되는 환원제의 양을 상기 제2시점에서 계산된 상기 환원제분사량과 일치시키는 목표-제어단계를 포함한다.

상기 (a) 단계 및 (b) 단계의 인공지능 학습 알고리즘은 입력층과 출력층 사이에 복수의 계산 노드들로 이루어진 은닉층이 적어도 하나 형성된 인공신경망 알고리즘을 포함하며, 상기 (b) 단계에서 상기 인공신경망 알고리즘은, 입력변수들의 시간 의존성이 고려된 연산결과를 출력하는 순환신경망 알고리즘을 포함할 수 있다.

상기 (b) 단계의 상기 인공지능 학습 알고리즘은, 인공신경망 알고리즘, 강화학습 알고리즘, 지도학습 알고리즘, 및 비지도학습 알고리즘 중에서 선택된 적어도 어느 하나를 포함할 수 있다.

상기 운전데이터는 상기 표본가스터빈의 연소조건, 부하량, 및 배가스량 중에서 선택된 하나 이상을 포함하고, 상기 연소조건은 내부연소조건과 외기조건 중에서 선택된 하나 이상을 포함하고, 상기 내부연소조건은 연소로 수량, 공기연료비, 연소온도, 연소압력, 로내온도, 및 로내압력 중에서 선택된 하나 이상을 포함하며, 상기 표본가스터빈은 상기 가스터빈 및 그와 다른 가스터빈 중에서 선택된 적어도 어느 하나를 포함할 수 있다.

상기 (a) 단계의 영향인자는, 배가스 내 적어도 어느 하나의 오염물질 농도를 변화시키는 변화의 민감도에 따라서 상기 운전데이터의 일부로서 도출될 수 있다.

상기 (a) 단계의 영향인자가 농도를 변화시키는 배가스 내 적어도 어느 하나의 오염물질은, 일산화질소 및 이산화질소를 포함할 수 있다.

상기 (b) 단계에서 농도가 예측되는 오염물질은 일산화질소 및 이산화질소를 포함하며, 상기 (c) 단계에서 계산된 환원제분사량은, 상기 일산화질소와 상기 이산화질소간 농도비에 따라 변동될 수 있다.

상기 일산화질소에 대한 상기 이산화질소의 농도비가 1이하에 해당하는 질소산화물에 대해서는, 환원제의 표준당량비(NSR)를 1로 적용하여, 상기 (c) 단계에서 계산된 환원제분사량을 산출할 수 있다.

상기 일산화질소에 대한 상기 이산화질소의 농도비가 1이하에 해당하는 질소산화물에 대해서는, 하기 수학식 1 또는 하기 수학식 1-1을 적용하여, 상기 (c) 단계에서 계산된 환원제분사량을 산출할 수 있다.

[수학식 1]

상기 식에서, Q_e1은 질소산화물처리 환원제량(kg/hr), Q는 배가스량(Nm³/hr.dry), NOx_i는 질소산화물 입구농도(ppm), NOx_o는 질소산화물 출구목표농도(ppm), M은 설계여유값(margin, NOxi의 20% 이하 값), MW는 환원제분자량, P는 환원제순도(%), NSR은 환원제 표준당량비(1)이다.

[수학식 1-1]

상기 식에서, Q_e1은 질소산화물처리 환원제량(kg/hr), Q는 배가스량(Nm³/hr.dry), NOx_i는 질소산화물 입구농도(ppm), NOx_o는 질소산화물 출구목표농도(ppm), M은 설계여유값(margin, NOxi의 20% 이하 값), O_2A는 실제산소농도(%, dry), O_2R은 표준산소농도(%, dry), MW는 환원제분자량, P는 환원제순도(%), NSR은 환원제 표준당량비(1)이다.

상기 일산화질소에 대한 상기 이산화질소의 농도비가 1초과에 해당하는 이산화질소에 대해서는, 환원제의 표준당량비(NSR)를 1초과 1.4이하로 적용하여, 상기 (c) 단계에서 계산된 환원제분사량을 산출할 수 있다.

상기 일산화질소에 대한 이산화질소의 농도비가 1초과에 해당하는 이산화질소에 대해서는, 하기 수학식 2 또는 하기 수학식 2-1을 적용하여, 상기 (c) 단계에서 계산된 환원제분사량을 산출할 수 있다.

[수학식 2]

상기 식에서, Q_e2는 이산화질소처리 환원제량(kg/hr), Q는 배가스량(Nm³/hr.dry), NO_2iex는 초과입구 이산화질소농도(ppm), MW는 환원제분자량, P는 환원제순도(%), NSR은 환원제 표준당량비(1 초과 1.4 이하)이다.

[수학식 2-1]

상기 식에서, Q_e2는 이산화질소처리 환원제량(kg/hr), Q는 배가스량(Nm³/hr.dry), NO_2iex는 초과입구 이산화질소농도(ppm), O_2A는 실제산소농도(%, dry), O_2R은 표준산소농도(%, dry), MW는 환원제분자량, P는 환원제순도(%), NSR은 환원제 표준당량비(1 초과 1.4 이하)이다.

상기 일산화질소에 대한 상기 이산화질소의 농도비가 1이하에 해당하는 질소산화물에 대해서는 환원제의 표준당량비(NSR)를 1로 적용하고, 상기 일산화질소에 대한 상기 이산화질소의 농도비가 1초과에 해당하는 이산화질소에 대해서는, 환원제의 표준당량비(NSR)를 1초과 1.4이하로 적용하여, 상기 (c) 단계에서 계산된 환원제분사량을 산출할 수 있다.

상기 일산화질소에 대한 상기 이산화질소의 농도비가 1이하에 해당하는 질소산화물에 대해서는 수학식 1 또는 수학식 1-1을 적용하고, 상기 일산화질소에 대한 상기 이산화질소의 농도비가 1초과에 해당하는 이산화질소에 대해서는 수학식 2 또는 수학식 2-1을 적용하여 합을 구하는 하기 수학식 3에 의해 상기 (c) 단계에서 계산된 환원제분사량을 산출할 수 있다.

[수학식 3]

Qe=Qe₁+Qe₂

상기 식에서, Q_e는 환원제분사량(kg/hr), Q_e1은 수학식 1 또는 수학식 1-1에 의해 산출된 질소산화물처리 환원제량(kg/hr), Q_e2는 수학식 2 또는 수학식 2-1에 의해 산출된 이산화질소처리 환원제량(kg/hr)이다.

상기 (c) 단계는, 환원제 공급 전 또는 후에, 컴퓨터로 상기 가스터빈을 포함하는 배가스 유동경로 내 이상상태를 자동으로 진단하는 단계와, 이상상태가 발견되면 컴퓨터로 제어시스템 및 상기 이송공정 중 적어도 어느 하나를 제어하여 상기 이상상태를 자동으로 해소시키는 단계가 포함된 세부단계를 포함할 수 있다.

상기 이상상태를 자동으로 해소시키는 단계는, 상기 가스터빈을 포함하는 배가스 유동경로 내 환원제 농도를 조절하여 환원제 과다에 의한 폭발 및 화재위험을 제거하는 과정을 포함할 수 있다.

본 발명에 의한 인공지능을 이용한 화력발전소의 배가스 처리장치는, 기수집된 표본가스터빈의 운전데이터와 배가스조성데이터의 상관관계를 입력받고, 인공지능 학습 알고리즘에 의해 학습하여 배가스 내 적어도 어느 하나의 오염물질 농도에 영향을 미치는 영향인자를 도출하는 데이터학습모듈; 가스터빈 운전 시에 실시간으로 측정된 상기 영향인자의 변화와 그에 따른 배가스 내 적어도 어느 하나의 오염물질 농도변화의 측정값을 입력받고, 상기 영향인자와 상기 오염물질 농도간 시간에 따른 상관관계를 인공지능 학습 알고리즘에 의해 학습하여 상기 가스터빈 운전 중인 제1시점에서, 그보다 시간이 경과된 제2시점의 배가스 내 적어도 어느 하나의 오염물질 농도를 예측하는 농도예측모듈; 상기 가스터빈과 연돌 사이의 덕트 내부에 말단이 위치하는 분사노즐과, 상기 분사노즐로 환원제를 이송하는 환원제이송부를 포함하는 환원제공급부; 및 상기 농도예측모듈이 예측한 상기 제2시점의 배가스 내 적어도 어느 하나의 오염물질 농도에 대응하는 환원제분사량을 계산하고 상기 제1시점으로부터 상기 환원제이송부를 제어하여, 상기 분사노즐을 통해 배가스로 분사되는 환원제의 양을 상기 제2시점에서 계산된 상기 환원제분사량과 일치시키는 공정제어모듈을 포함한다.

상기 데이터학습모듈 및 상기 농도예측모듈의 인공지능 학습 알고리즘은 입력층과 출력층 사이에 복수의 계산 노드들로 이루어진 은닉층이 적어도 하나 형성된 인공신경망 알고리즘을 포함하며, 상기 농도예측모듈의 상기 인공신경망 알고리즘은, 입력변수들의 시간 의존성이 고려된 연산결과를 출력하는 순환신경망 알고리즘을 포함할 수 있다.

상기 농도예측모듈의 인공지능 학습 알고리즘은, 인공신경망 알고리즘, 강화학습 알고리즘, 지도학습 알고리즘, 및 비지도학습 알고리즘 중에서 선택된 적어도 어느 하나를 포함할 수 있다.

상기 배가스 처리장치는, 상기 덕트 내부의 상기 분사노즐 후단에 배치되는 촉매모듈을 더 포함할 수 있다.

상기 농도예측모듈에 의해 농도가 예측되는 오염물질은 일산화질소 및 이산화질소를 포함하며, 상기 환원제분사량은, 상기 일산화질소와 상기 이산화질소간 농도비에 따라 변동될 수 있다.

상기 일산화질소에 대한 상기 이산화질소의 농도비가 1이하에 해당하는 질소산화물에 대해서는, 환원제의 표준당량비(NSR)를 1로 적용하여, 상기 환원제분사량을 산출할 수 있다.

상기 일산화질소에 대한 상기 이산화질소의 농도비가 1이하에 해당하는 질소산화물에 대해서는, 하기 수학식 1 또는 하기 수학식 1-1을 적용하여, 상기 환원제분사량을 산출할 수 있다.

[수학식 1]

[수학식 1-1]

상기 일산화질소에 대한 상기 이산화질소의 농도비가 1초과에 해당하는 이산화질소에 대해서는, 환원제의 표준당량비(NSR)를 1초과 1.4이하로 적용하여, 상기 환원제분사량을 산출할 수 있다.

상기 일산화질소에 대한 이산화질소의 농도비가 1초과에 해당하는 이산화질소에 대해서는, 하기 수학식 2 또는 하기 수학식 2-1을 적용하여, 상기 환원제분사량을 산출할 수 있다.

[수학식 2]

[수학식 2-1]

상기 일산화질소에 대한 상기 이산화질소의 농도비가 1이하에 해당하는 질소산화물에 대해서는 환원제의 표준당량비(NSR)를 1로 적용하고, 상기 일산화질소에 대한 상기 이산화질소의 농도비가 1초과에 해당하는 이산화질소에 대해서는, 환원제의 표준당량비(NSR)를 1초과 1.4이하로 적용하여, 상기 환원제분사량을 산출할 수 있다.

상기 일산화질소에 대한 상기 이산화질소의 농도비가 1이하에 해당하는 질소산화물에 대해서는 수학식 1 또는 수학식 1-1을 적용하고, 상기 일산화질소에 대한 상기 이산화질소의 농도비가 1초과에 해당하는 이산화질소에 대해서는 수학식 2 또는 수학식 2-1을 적용하여 합을 구하는 하기 수학식 3에 의해 상기 환원제분사량을 산출할 수 있다.

[수학식 3]

Qe=Qe₁+Qe₂

상기 공정제어모듈은, 환원제 공급 전 또는 후에, 상기 가스터빈 및 상기 덕트를 포함하는 배가스 유동경로 내 이상상태를 자동으로 진단하고, 이상상태가 발견되면 상기 환원제이송부, 상기 가스터빈, 및 상기 덕트를 포함하는 화력발전소의 설비 중 제어 가능한 적어도 어느 하나의 설비를 동작시켜 상기 이상상태를 자동으로 해소시키는 제어를 할 수 있다.

상기 이상상태는, 상기 배가스 유동경로 내 환원제 농도로부터 판별된 환원제 과다상태를 포함할 수 있다.

본 발명에 의하면, 화력발전소에서 생성된 배가스의 오염물질 농도나 성분변화 등에 대응하여 매우 효과적인 처리를 할 수 있다. 특히 시간에 따라 변동되는 오염물질 농도를 인공지능을 활용한 분석을 통해 예측하고 변동시점에 맞추어 매우 적합하게 처리할 수 있다. 이러한 처리방식을 통해 환원제를 이용한 선택적 (비)촉매환원방식 등에 의한 처리도 매우 효과적으로 진행할 수 있으며 운전상황 등이 바뀌어 배가스의 성분이 수시로 바뀌더라도 효과적으로 대처할 수 있다. 또한 자동화된 제어를 통해 장치나 설비 등에서 환원제가 과도하여 문제가 생기는 경우에도 이를 즉시 해소하여 정상상태로 복원시킬 수 있는 등 여러 가지 효과를 얻을 수 있다.

도 1은 본 발명의 일 실시예에 의한 인공지능을 이용한 화력발전소의 배가스 처리방법을 도시한 순서도이다.
도 2는 도 1의 처리방법을 수행할 수 있도록 본 발명의 일 실시예에 의해 구성된 인공지능을 이용한 화력발전소의 배가스 처리장치의 구성도이다.
도 3은 도 2의 처리장치가 화력발전소의 설비에 적용된 형태를 예시한 개념도이다.
도 4는 도 1의 처리방법 중 영향인자 도출 및 오염물질 농도 예측 시 적용 가능한 인공지능 학습 알고리즘의 예를 개념적으로 도시한 도면이다.
도 5 및 도 6은 도 4에 예시된 인공지능 학습 알고리즘 등을 통해 영향인자 및 오염물질농도 예측값을 도출하는 과정을 도식화하여 나타낸 도면들이다.
도 7은 오염물질농도 예측 및 환원제공급과 관련된 처리과정을 경시적으로 나타낸 타임테이블 및 그에 따른 환원제공급량의 변동을 예시적으로 나타낸 그래프를 함께 도시한 도면이다.

본 발명의 이점 및 특징 그리고 그것들을 달성하기 위한 방법들은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 단지 청구항에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조부호는 동일 구성요소를 지칭한다.

이하, 도 1 내지 도 7을 참조하여 본 발명의 일 실시예에 의한 인공지능을 이용한 화력발전소의 배가스 처리방법 및 인공지능을 이용한 화력발전소의 배가스 처리장치에 대해 상세히 설명한다. 중복 설명을 피하고, 명확하고 간결하게 설명하기 위해, 먼저 배가스 처리방법의 주요사항을 설명하고, 그를 위한 배가스 처리장치의 구성을 설명한 후, 설명된 배가스 처리장치의 구성에 기반하여 배가스 처리방법의 세부사항들까지 모두 설명하도록 한다.

도 1은 본 발명의 일 실시예에 의한 인공지능을 이용한 화력발전소의 배가스 처리방법을 도시한 순서도이다.

먼저 도 1에 기초하여 본 발명에 의한 인공지능을 이용한 화력발전소의 배가스 처리방법(명세서 중 '배가스 처리방법'으로 지칭된 경우에도 동일한 의미임)에 대해 상세히 설명한다. 도 1을 참조하면, 본 발명에 의한 배가스 처리방법은, 데이터 학습을 통해 변동하는 오염물질의 농도를 예측하고 대응하는 과정들로 이루어진다. 본 발명은 인공지능 학습 알고리즘에 의해, 기수집된 데이터 및 실측 데이터를 학습하고 배가스 내 오염물질 농도 등의 변화를 미리 예측한다. 예측은 기수집된 데이터와 가스터빈 운전시점의 실시간 데이터가 복합적으로 반영되어 우수한 정확도로 이루어지며 이를 통해 현시점에서 일정 시간 경과한 미래시점에 맞춘 제어를 효과적으로 수행할 수 있다. 즉 환원제로 오염물질을 환원시켜 제거하는 처리 등을 진행할 때, 현시점의 정보로부터 배가스 내 오염물질 농도가 어떻게 변화할 지 예측하고 현시점부터 예측된 시점까지의 시간간격을 이용한 제어를 통해 예측시점에 환원제를 보다 정확하게 공급할 수 있다. 이를 통해 시간에 따라 오염물질이 변동하는 경우에도 효과적으로 대처할 수 있을 뿐만 아니라 환원제의 이송공정 등에 의해서 실제 환원제의 공급량이 시차를 두고 변동되는 문제도 함께 해소할 수 있다.

이러한 본 발명의 배가스 처리방법은 구체적으로 다음과 같이 구성된다. 배가스 처리방법은, (a) 기수집된 표본가스터빈의 운전데이터와 배가스조성데이터의 상관관계를 컴퓨터가 인공지능 학습 알고리즘에 의해 학습하여, 배가스 내 적어도 어느 하나의 오염물질 농도에 영향을 미치는 영향인자를 도출하는 학습-도출단계(S100), (b) 가스터빈 운전 시에 실시간으로 측정된 상기 영향인자와 그에 따른 배가스 내 적어도 어느 하나의 오염물질 농도변화의 시간에 따른 상관관계를 컴퓨터가 인공지능 학습 알고리즘에 의해 학습하여 가스터빈 운전 중인 제1시점에서, 그보다 시간이 경과된 제2시점의 배가스 내 적어도 어느 하나의 오염물질 농도를 예측하는 학습-예측단계(S200), 및 (c) 상기 (b) 단계(즉, S200)에서 예측된 제2시점의 배가스 내 적어도 어느 하나의 오염물질 농도에 대응하는 환원제분사량을 계산하고 제1시점으로부터 환원제의 이송공정을 제어하여, 이송공정을 따라 배가스로 분사되는 환원제의 양을 제2시점에서 계산된 환원제분사량과 일치시키는 목표-제어단계(S300)를 포함한다. 목표-제어단계 또한 컴퓨터가 수행할 수 있으며 학습-도출단계 및 학습-예측단계의 인공지능 학습 알고리즘은 인공신경망 알고리즘을 포함하는 다양한 머신-러닝 학습 알고리즘이 사용될 수 있다. 이하, 각 단계의 주요사항을 좀더 상세히 설명하되, 보다 구체적인 사항들은 전술한 것처럼 본 발명의 배가스 처리장치 설명 후 그에 근거하여 더욱 상세하게 기술될 것이다.

학습-도출단계(S100)는, 화력발전소의 가스터빈 운전과 그에 따른 배가스의 조성(성분, 성상 등과 동일한 의미임) 변화의 상관관계를 인공지능 학습방식으로 구체화하는 단계일 수 있다. 예를 들어 화력발전소의 가스터빈 운전과 관련된 데이터들은 독립변수로, 그와 연관된 배가스의 조성을 나타내는 데이터들이 종속변수로 되어 둘 사이의 인과관계가 판별될 수 있으며 후술하는 바와 같이 가스터빈의 운전과 관련되어 축적되어 있는 다양한 종류의 데이터들과 그와 관련된 배가스조성데이터들의 상관관계를 머신-러닝과 같은 방식에 의한 자가 학습과정을 거쳐 높은 정확도로 알아낼 수 있다. 이는 종래의 선형 회귀분석 등과 같이 단순히 데이터간 선형성 등을 가정하여 얻어지는 결과가 아닌 인공지능 학습 알고리즘에 의해 분석된 데이터들의 유기적 상관관계를 반복적인 자가 학습을 통해 도출한 결과에 따라 판별하는 과정으로서, 이를 통해 가스터빈의 운전데이터 중 특히 배가스 내 적어도 어느 하나의 오염물질 농도에 영향을 미치는 영향인자들이 무엇인지를 보다 높은 신뢰도로 알아낼 수 있다. 이러한 영향인자는 예를 들어, 배가스 내 적어도 어느 하나의 오염물질 농도를 변화시키는 변화의 민감도에 따라서 운전데이터의 일부로서 도출될 수 있으며 하나 또는 복수로 도출될 수 있다. 예를 들면, 운전데이터가 연소조건, 부하량, 배가스량, 및/또는 배가스온도 등을 포함하는 다양한 종류의 데이터로 이루어져 있을 때, 이 중 연소조건이나 부하량, 또는 연소조건을 이루는 세부조건의 일부 등이 운전데이터의 일부로서 영향인자로 도출될 수 있으며, 영향인자 변화에 따라 민감하게 농도가 변화되는 배가스 내 오염물질도 하나 또는 복수로 나타날 수 있다. 예를 들어, 영향인자가 농도를 변화시키는 배가스 내 적어도 어느 하나의 오염물질은, 일산화질소 및 이산화질소를 포함할 수 있으며 영향인자의 변화로부터 이러한 질소산화물의 농도변화를 예측하여 효과적으로 대응할 수 있다. 따라서 본 발명은 탈질처리에도 효과적일 수 있다. 그러나 그와 같이 한정될 필요는 없으며 본 발명은 배가스 내 또 다른 오염물질 농도와 관련된 영향인자를 도출하여 또 다른 오염물질을 처리하는 데에도 얼마든지 사용될 수 있는바, 상황에 따라 다양하게 활용될 수 있다.

이러한 학습-도출단계(S100)에서는 기수집된 표본가스터빈의 운전데이터와 배가스조성데이터에 대한 학습이 이루어진다. 이때, 표본가스터빈은 후술하는 학습-예측단계에서 실제 운전되는 가스터빈이 될 수도 있고 그 외 또 다른 가스터빈이 될 수도 있다. 즉, 본 발명의 배가스 처리방법은 화력발전소에서 사용되는 여러 가스터빈의 운전조건과 그에 따라 생성된 배가스 조성간 연관관계를 방대하게 학습할 수 있고 이를 통해 보다 민감하고 정확한 결과를 주는 영향인자를 도출할 수 있다. 즉 보다 민감하고 정확한 예측결과를 주는 영향인자를 도출하기 위해 기존에 수집된 다양한 가스터빈들의 데이터를 활용할 수 있다. 즉 표본가스터빈은, 학습-예측단계(S200)에서 운전되는 가스터빈 및 그와 다른 가스터빈(예, 이종(異種)의 유사가스터빈)이 포함된 복수의 가스터빈들 중에서 선택된 적어도 어느 하나를 포함할 수 있으며, 그러한 표본가스터빈의 운전데이터와 배가스조성데이터를 학습하여 영향인자를 도출할 수 있다. 상황에 따라서는 여러 가스터빈의 운전데이터들을 고려할수록 학습 가능한 데이터량은 증가되나 그에 따른 노이즈도 생길 수 있는바, 바람직하게는 현재 고려되는 가스터빈(전술한 학습-예측단계에서 운전되는 가스터빈을 말함)과 실질적인 유사성을 갖는 유사가스터빈들의 범위 내에서 표본가스터빈을 설정할 수 있다. 유사가스터빈은 예를 들어, 현재 고려되는 가스터빈과 완전히 동일한 모델이 아닌 다른 종류의 가스터빈 중에서 구조, 제원, 성능 등이 비슷하여 학습범위 내에 있다고 판단되는 것일 수 있다. 상황에 따라 학습범위는 달라질 수 있으므로 그에 따라 유사가스터빈의 범위도 조정될 수 있다. 이와 같이 현재 고려되는 가스터빈 및 그와 다른 가스터빈을 포함하는 다양한 가스터빈들 중에서 표본가스터빈을 선정하여 표본가스터빈(들)의 기수집된 운전데이터들을 학습함으로써 보다 민감하고 정확한 예측결과를 주는 영향인자를 도출할 수 있다.

학습-도출단계(S100)의 컴퓨터는 다양한 형태로 구현될 수 있다. 이는 후술하는 학습-예측단계(S200), 및 목표-제어단계(S300) 등에서도 마찬가지이며 이러한 각 단계들을 수행 가능한 컴퓨터의 구현방식이나 형태 등은 특정하게 제약되지 않는다. 예를 들어, 배가스 처리방법의 각 단계를 물리적으로 통합된 하나의 컴퓨터에서 진행할 수도 있고, 서로 별개의 독립된 컴퓨터에서 진행할 수도 있다. 예를 들어 각 단계는 하나 또는 복수의 연산프로그램이 포함된 일종의 프로그램모듈 등을 통해 수행될 수 있는바 연산프로그램의 구동이 가능한 중앙연산장치(CPU)가 포함되고 이들을 내장하거나 저장할 수 있는 메모리 등이 형성된 다양한 형태의 기기들이 컴퓨터가 될 수 있다. 따라서 컴퓨터라는 명칭에 의해 제약될 필요는 없으며 예를 들면, PLC(Programmed logic controller)등과 같은 제어기기 등도 실질적으로 본 발명의 컴퓨터의 범주 내 있을 수 있다. 이러한 컴퓨터장치를 활용하여 본 발명의 배가스 처리방법을 수행 가능한 배가스 처리장치를 구성할 수 있다. 구체적인 배가스 처리장치의 실시형태는 후술하여 보다 상세히 설명한다.

학습-도출단계(S100)는 가스터빈이 실질적인 운전을 시작하기 이전에 진행될 수 있다. 즉 가스터빈 운전 전에 기수집된 표준가스터빈의 운전데이터 및 그와 연관된 배가스의 조성데이터의 상관관계를 머신-러닝방식으로 학습하여 상술한 영향인자를 먼저 도출할 수 있으며, 이후 도출된 영향인자에 기초한 실시간 데이터의 학습을 통해 보다 정확한 오염물질 농도의 예측이 가능해진다.

이후, 학습-예측단계(S200)를 진행한다. 학습-예측단계는 실제 가스터빈이 운전하는 시점에서 진행된다. 학습-예측단계(S200)에서는 가스터빈 운전 시에 실시간으로 측정된 영향인자의 변화와 그에 따른 배가스 내 적어도 어느 하나의 오염물질 농도변화의 시간에 따른 상관관계를 컴퓨터가 인공지능 학습 알고리즘에 의한 머신-러닝방식으로 학습하며 그에 따라 가스터빈 운전 중인 제1시점에서, 그보다 시간이 경과된 제2시점의 배가스 내 적어도 어느 하나의 오염물질 농도를 예측하게 된다. 즉, 학습-예측단계(S200)에서 앞서 도출된 영향인자가 실제 가스터빈 운전상황의 분석에 적용되며 그로부터 영향인자 변화가 배가스 내 오염물질 농도변화에 미치는 상관관계를 실시간으로 파악하게 된다. 이때, 인공지능 학습 알고리즘에 의한 머신-러닝방식의 학습이 컴퓨터 상에서 이루어지며 이를 통해 특히, 실시간 변동되는 영향인자의 변화와 그에 따른 배가스 내 적어도 어느 하나의 오염물질 농도변화의 시간에 따른 상관관계가 학습되어 측정된 영향인자 값에 따라서, 미래시점에 오염물질 농도가 어떠한 값을 갖게 될 지 예측이 가능하게 된다. 예를 들면, 영향인자와 오염물질 농도 간 상관관계는 시간에 의존하는 관계 등으로 파악될 수 있으며 이와 같이 도출된 학습결과로부터 가스터빈 운전 중인 제1시점에서, 그보다 시간이 경과된 제2시점의 배가스 내 적어도 어느 하나의 오염물질 농도를 예측하는 것이 가능하다.

이러한 학습-예측단계(S200)에서는 기수집된 데이터가 아닌, 실시간으로 측정된 데이터를 학습하게 된다. 실시간으로 측정된 데이터는 실시간으로 측정된 영향인자의 변화값을 포함하는 것으로 이는 현재 고려된 가스터빈의 운전데이터 중 특히 그 일부로서 도출된 전술한 영향인자의 시간에 따른 값들과 그 변동치, 및 그에 따른 배가스 내 적어도 어느 하나의 오염물질 농도와 그 변동치가 포함된 것일 수 있다. 예를 들어 이들 데이터들은 실시간 측정 중 측정시점 또는 데이터 생성시점이 기록된 시간정보도 함께 포함할 수 있으며 이러한 시간정보들로부터 각 데이터(즉, 영향인자와 그에 따른 오염물질 농도)간 시간에 따른 변화관계까지 학습할 수 있다. 이와 같이 실시간으로 변동되는 측정값들을 인공지능 학습 알고리즘을 통해서 빠르게 학습하여 영향인자 변화에 따른 오염물질 농도의 시간에 따른 변화의 상관관계를 도출하고, 이로부터 제1시점에서, 그보다 미래시점인 제2시점의 배가스 내 적어도 어느 하나의 오염물질 농도를 예측할 수 있다. 이때 인공지능 학습 알고리즘은, 예를 들어 입력된 데이터들의 시간 의존성이 고려된 연산결과를 출력하는 순환신경망 알고리즘 등을 사용할 수 있으며 이로부터 시변하는 데이터간 상관관계를 보다 올바르게 학습한 결과를 도출하여 더욱 정확하게 오염물질의 농도를 예측하도록 할 수 있다.

즉 본 발명은 인공지능에 기반한 기계-학습방식을 서로 다른 적어도 2가지 단계에 적용하여 종래 손쉽게 도출되기 어려운 결과를 도출하고 예측할 수 있게 형성된다. 데이터들은 인공지능 학습 알고리즘을 통해 컴퓨터에서 단시간에 반복적으로 학습될 수 있으며 학습 알고리즘은 복수의 계산 노드들이 상호 연관된 인공신경망 등을 활용하도록 구성되어 단순한 선형관계 등으로 제한되지 않는 유연한 학습결과를 도출할 수 있다. 따라서 종래의 분석방식으로 쉽게 연관성을 파악하기 어려웠던 상관관계도 면밀하게 파악하는 것이 가능하며 오염물질 농도에 보다 민감하게 영향을 미치는 영향인자를 도출하여 효과적으로 분석에 사용할 수 있다. 또한 이러한 영향인자의 분석에 기초하여 오염물질 농도가 시간에 따라 어떻게 변동할지를 보다 높은 정확도로 예측하고 예측에 기반한 제어를 보다 편리하게 진행하는 것이 가능하다. 인공지능 기반 학습방식과, 운전데이터와 영향인자의 관계, 운전데이터의 종류 등 이와 관련된 구체적인 사항들은 후술하여 좀더 상세히 설명한다.

이후, 목표-제어단계(S300)를 진행한다. 목표-제어단계에서는 학습-예측단계(S200)에서 예측된 미래시점 즉, 제2시점의 배가스 내 적어도 어느 하나의 오염물질 농도에 대응하는 환원제분사량을 계산하고 제1시점으로부터 환원제의 이송공정을 제어하여, 이송공정을 따라 배가스로 분사되는 환원제의 양을 제2시점에서 계산된 환원제분사량과 일치시키는 제어를 하게 된다. 즉, 제1시점에서 미래시점인 제2시점의 예측된 오염물질 농도에 따라 이를 해소할 수 있는 환원제분사량을 계산하되, 제1시점부터 미리 환원제 공급과 관련된 제어를 시작하여, 시간이 경과된 제2시점에서 배가스로 분사되는 환원제의 분사량을 계산된 환원제분사량과 일치시키는 것이 가능하다. 이는 이를 테면, 환원제 이송공정에 관련된 소요시간을 고려한 시간차 제어의 개념을 포함하는 것으로, 특히 배가스의 농도가 고정된 상태가 아니라 변화하는 경우에도 가능하므로 매우 효과적이다. 즉 상술한 인공지능 학습방식에 기반한 분석을 통해 예를 들어, 소요시간만큼 경과된 후의 오염물질 농도를 높은 정확도로 예측할 수 있으며, 반복적으로 미래 시점의 오염물질 농도를 예측하면서 예측시점에 맞게 환원제분사량을 조절하는 시간차 제어를 반복하는 것이 가능하다. 따라서 농도가 바뀌는 오염물질들도 예측에 의해 정확하고 면밀하게 제거할 수 있다.

이러한 목표-제어단계(S300)에서 제1시점은 가스터빈 운전 중의 일 시점일 수 있으며 제2시점은 그보다 시간이 경과된 시점으로 제1시점에 대해서는 미래시점일 수 있다. 제1시점과 제2시점 사이의 간격은 달라질 수 있으며 이는 상황에 따라 의도적으로 바꿀 수도 있다. 예를 들어, 분 단위의 간격을 가질 수도 있으나 필요에 따라 간격을 넓히거나 좁히는 것도 가능하다. 예를 들면, 전술한 환원제 이송공정에 관련된 소요시간을 고려하여 그보다 넓은 시간간격으로 제1시점과 제2시점 사이의 간격을 조정할 수도 있으며, 후술하는 바와 같이 이송공정을 제어하여 소요시간을 점진적으로 바꾸어 주면서 제1시점과 제2시점 사이의 간격을 필요에 따라 조정해 줄 수도 있다. 또한, 이와 다른 방식으로도 제1시점과 제2시점 사이의 시간 간격은 다양하게 조정될 수 있다. 제1시점과 제2시점, 환원제분사량의 계산방식, 환원제 이송공정 등 목표-제어단계와 관련된 구체적인 내용 역시 후술하여 보다 상세히 설명한다.

이와 같은 단계들을 통해, 본 발명의 배가스 처리방법은 현 시점의 영향인자 값으로부터 미래시점의 오염물질 농도값을 예측하고, 예측시점에 정확하게 오염물질을 제거할 수 있는 환원제를 공급해 줄 수 있다. 인공지능에 기반한 학습을 통해 영향인자변동과 오염물질 농도 변화의 시간에 따른 관계가 도출되면 영향인자 변화를 계속 모니터링 하면서 일정 시간 경과한 미래시점의 오염물질 농도를 지속적으로 예측할 수 있다. 또한 반복하는 학습을 통해 영향인자 변화와 오염물질 농도 변화의 상관성도 점진적으로 증가시킬 수 있으며 이를 통해 제어과정이 진행되는 동안에도 제어공정의 정확도를 계속 향상시키는 것도 가능하다. 이러한 방식으로 가스터빈 운전 중에 배가스 내 오염물질 농도를 예측해 가면서, 예측된 오염물질이 보다 정확하게 제거되도록 환원제 공급을 제어할 수 있다. 이하에서는, 이러한 배가스 처리방법의 수행이 가능한 배가스 처리장치의 구체적인 구성에 대해서 상세히 설명하고, 이후, 전술한 것처럼 그를 바탕으로 배가스 처리방법의 보다 세부적인 사항까지 설명하도록 한다. 전술한 배가스 처리방법에서 언급된 인공지능 학습 알고리즘, 운전데이터, 배가스조성데이터, 및 영향인자는 후술하는 배가스 처리장치의 인공지능 학습 알고리즘, 운전데이터, 배가스조성데이터, 및 영향인자와 실질적으로 동일하므로 후술하는 배가스 처리장치에서 이들에 대한 구체적인 사항도 함께 설명하도록 하며, 반대로, 후술하는 배가스 처리장치의 표본가스터빈, 유사가스터빈은 전술한 배가스 처리방법에서 설명된 표본가스터빈 및 유사가스터빈과 실질적으로 동일하므로 그에 대한 설명은 전술한 설명으로 대신한다.

도 2는 도 1의 처리방법을 수행할 수 있도록 본 발명의 일 실시예에 의해 구성된 인공지능을 이용한 화력발전소의 배가스 처리장치의 구성도이고, 도 3은 도 2의 처리장치가 화력발전소의 설비에 적용된 형태를 예시한 개념도이고, 도 4는 도 1의 처리방법 중 영향인자 도출 및 오염물질 농도 예측 시 적용 가능한 인공지능 학습 알고리즘의 예를 개념적으로 도시한 도면이며, 도 5 및 도 6은 도 4에 예시된 인공지능 학습 알고리즘 등을 통해 영향인자 및 오염물질농도 예측값을 도출하는 과정을 도식화하여 나타낸 도면들이다.

도 2 및 도 3을 참조하면, 본 발명에 의한 인공지능을 이용한 배가스 처리장치(1)(명세서 중 '배가스 처리장치'로 지칭된 경우에도 동일한 의미임)는 데이터학습모듈(100), 농도예측모듈(200), 환원제공급부(400), 및 공정제어모듈(300)을 포함하여 구성될 수 있다. 환원제공급부(400)는 도 3과 같이 환원제이송부(420)와 분사노즐(410)을 포함하여 덕트(20) 내 환원제(B)를 분사할 수 있게 형성된 일종의 환원제 공급설비로 형성될 수 있으며, 데이터학습모듈(100), 농도예측모듈(200), 및 공정제어모듈(300)은 전술한 하나 또는 복수의 컴퓨터에 설치된 프로그램모듈 등으로 구성될 수 있다. 데이터학습모듈(100), 농도예측모듈(200), 및 공정제어모듈(300)은 각각의 동작을 수행할 수 있는 하나 또는 복수의 연산프로그램을 포함할 수 있으며, 관련프로그램들이 복합된 일종의 소프트웨어로 형성되거나, 그러한 소프트웨어와 함께 이를 저장하고 있는 하드웨어를 포함하는 형태로 형성될 수 있다. 필요에 따라서는, 각 모듈들이 연산프로그램을 구동할 수 있는 중앙연산장치까지 포함하고 있을 수도 있다. 따라서 예를 들면, 각각의 모듈들이 서로 다른 독립된 중앙연산장치, 소프트웨어, 및 이를 저장하는 메모리장치를 갖는 독립된 하드웨어 상에서 구현될 수도 있고(그러한 경우 각 모듈들이 독립된 컴퓨터를 구성하는 것으로 볼 수 있다), 각 모듈 중 적어도 2개의 모듈이 중앙연산장치 등 하드웨어의 일부를 공유하는 형태로 구현되는 것도 가능하다(그러한 경우 하나의 컴퓨터에 적어도 2개의 모듈이 형성된 것으로 볼 수 있다). 이와 같이 다양한 형태로 컴퓨터를 이용하여 데이터학습모듈(100), 농도예측모듈(200), 및 공정제어모듈(300)을 동작 가능하게 구현할 수 있다. 데이터학습모듈(100), 농도예측모듈(200), 및 공정제어모듈(300)은 서로 다른 시간에 동작할 수도 있지만, 서로 동작시간이 중첩될 수도 있으므로 본 발명에서 시간 순서에 따라 한정되지 않은 프로세스 등은 같은 시간에 각 모듈이 서로 동시에 수행할 수도 있다.

데이터학습모듈(100)은 실질적으로 전술한 배가스 처리방법의 학습-도출단계(도 1의 S100참조)를 수행하기 위해 구성된다. 데이터학습모듈(100)은 전술한 기수집된 표본가스터빈의 운전데이터 및 그와 연관된 배가스의 조성데이터의 상관관계를 입력받고, 인공지능 학습 알고리즘에 의해 학습(예를 들어, 인공지능 학습 알고리즘에 의한 머신-러닝방식으로 학습)하여 운전데이터로부터 배가스 내 적어도 어느 하나의 오염물질 농도에 영향을 미치는 영향인자를 도출한다. 데이터학습모듈(100)은 이러한 연산을 수행 가능한 하나 또는 복수의 연산프로그램을 포함할 수 있다. 기수집된 표본가스터빈의 운전데이터 및 배가스 조성데이터와 같은 데이터는 데이터베이스에 포함된 것일 수 있다. 또한, 본 명세서에서, 데이터베이스, 모듈과 같은 구성은 서로 유선 및/또는 무선으로 연결될 수 있다. 유선 및/또는 무선은 모뎀과 같이 시판되는 것이거나 일반적인 기술에 의해 제조된 것일 수 있음은 물론이다. 또한, 데이터베이스 및/또는 프로그램 등은 장치 자체에 물리적으로 일체되어 포함될 수 있을 뿐만 아니라, 클라우드 상에 포함될 수도 있음은 물론이다.

농도예측모듈(200)은 실질적으로 전술한 배가스 처리방법의 학습-예측단계(도 1의 S200참조)를 수행하기 위해 구성된다. 즉 농도예측모듈(200)은 전술한 가스터빈(도 1 및 도 2의 10참조)의 운전 시에 실시간으로 측정된 영향인자의 변화와 그에 따른 배가스 내 적어도 어느 하나의 오염물질 농도변화의 측정값을 입력받고, 영향인자와 오염물질 농도의 시간에 따른 상관관계를 인공지능 학습 알고리즘에 의해, 예를 들어 인공지능 학습 알고리즘에 의한 머신-러닝방식으로 학습하여 가스터빈(10) 운전 중인 제1시점에서, 그보다 시간이 경과된 제2시점의 배가스 내 적어도 어느 하나의 오염물질 농도를 예측한다. 농도예측모듈(200) 역시 이러한 연산을 수행 가능한 하나 또는 복수의 연산프로그램을 포함할 수 있다.

데이터학습모듈(100) 및 농도예측모듈(200)의 인공지능 학습 알고리즘은, 예를 들어 도 4와 같이 입력층과 출력층 사이에 복수의 계산 노드(H_n)들로 이루어진 은닉층이 적어도 하나 형성된 인공신경망(ANN: Artificial neural network) 알고리즘을 포함하며, 특히 농도예측모듈(200)의 인공신경망 알고리즘은, 입력변수들의 시간 의존성이 고려된 연산결과를 출력하는 순환신경망(RNN: Recurrent neural network) 알고리즘을 포함할 수 있다. 예를 들면, 인공신경망 알고리즘에서 각 층의 노드들은 가중치 부여된 함수들일 수 있고, 이들이 도시된 바와 같이 네트워크 형태로 인공적인 뉴런을 구성하여 알고리즘에 따라 이들의 합성에 의한 연산이 수행될 수 있다. 이에 따라 데이터는 입력층의 노드(I_n)들에 입력되고 이로부터 은닉층에 형성된 복수의 노드들을 거치며 출력층의 노드(O_n)들로 전파되며 연산될 수 있다. 이러한 과정에서 노드의 가중치는 역전파법(back propagation) 등에 의해 갱신되어 결과가 최적화되도록 구성될 수 있다. 이러한 연산에 의한 결과로부터 예를 들면, 비선형 상관관계 등 입력데이터간 다양한 상관관계가 나타난 모델링 등이 가능하며 이로부터 다수의 입력데이터에서 종래 손쉽게 파악하기 어려운 데이터간 연관성 등이 파악될 수 있다. 예를 들어, 각 노드나 노드를 합성하거나 노드의 결과를 처리하는 함수 등을 적절히 조정하거나 선택하여 원하는 종류의 연산을 수행하는 인공신경망을 구성할 수 있다. 따라서 예를 들어, 데이터학습모듈(100)의 경우 기수집된 운전데이터와 배가스 조성데이터로부터 배가스 내 적어도 하나의 오염물질 농도와 운전데이터간 상관관계를 도출 가능한 인공신경망으로 데이터를 학습하도록 구성할 수 있고 이로부터 운전데이터의 일부로서 배가스 내 적어도 하나의 오염물질 농도에 영향을 미치는 영향인자를 도출하는 것이 가능하다.

도시되지 않았지만, 은닉층은 하나 또는 복수로 형성될 수 있으며 은닉층을 증가시켜 뉴런들의 수를 확대할 수 있다. 복수의 은닉층을 갖는 경우 예를 들어, 심층신경망(DNN: Deep neural network)으로 구성될 수 있으며 이로부터 딥 러닝에 의한 머신-러닝이 진행되어 비선형 상관관계 등도 보다 적합하게 파악될 수 있다. 또한, 이에 더하여 예를 들면, 은닉층에서 은닉상태로 노드의 출력을 시간 순서에 따라 재귀적으로 연산하는 등의 방식으로 입력변수들의 시간 의존성이 고려된 연산결과를 출력하도록 형성하는 것도 가능하며 이를 통해 이를 테면, 연산의 방향이 입력층에서 출력층으로 향하면서 은닉층 내부에서도 순환하도록 구성된 순환신경망(RNN: Recurrent neural network)을 구성할 수 있다. 농도예측모듈(200)의 경우 실시간 측정된 데이터의 시간에 의존하는 관계를 도출하는 구성이므로 이러한 순환신경망 알고리즘이 보다 적합할 수 있으며 이를 적용하여 실시간 측정된 영향인자의 변화 및 그에 따른 배가스 내 적어도 어느 하나의 오염물질 농도변화의 측정값으로부터 이들의 시간에 따른 상관관계를 보다 적절하게 도출하는 것이 가능하다. 이와 같이 인공신경망 알고리즘에 의한 동작이 가능하게 데이터학습모듈(100) 및 농도예측모듈(200)의 학습 알고리즘을 형성해 줄 수 있다.

그러나 이와 같이 한정될 필요는 없으며 필요한 경우 다른 인공지능 학습 알고리즘을 선택적/추가적으로 적용하는 것도 얼마든지 가능하다. 예를 들어, 농도예측모듈(200)의 경우, 학습에 의한 예측이 가능한 또 다른 학습방식을 고려할 수 있으며 그러한 학습방식으로 예를 들면, 학습과정에 포상을 통한 강화의 개념을 적용한 강화학습 알고리즘이나, 해답이 있는 데이터로 훈련하는 개념의 지도학습 알고리즘, 및 해답이 없는 데이터의 군집화를 통한 분류를 통해 훈련하는 개념의 비지도학습 알고리즘 등이 활용될 수 있다. 이러한 알고리즘들은 예를 들어, 딥 러닝을 통해 인공지능 학습 알고리즘으로 적용될 수 있으며 이로 인해 농도예측모듈(200)의 인공지능 학습 알고리즘은 전술한 인공신경망 알고리즘, 강화학습 알고리즘, 지도학습 알고리즘, 및 비지도학습 알고리즘 중에서 선택된 적어도 어느 하나를 포함할 수 있다. 데이터학습모듈(100) 및 농도예측모듈(200)은 각각 이러한 인공지능 학습 알고리즘에 의해 구현된 하나 또는 복수의 연산프로그램을 포함할 수 있으며, 농도예측모듈(200)의 경우, 그러한 연산프로그램으로부터 학습 및 예측이 함께 이루어지도록 할 수 있다. 또는 필요에 따라 인공지능 학습 알고리즘으로 데이터간 상관관계를 도출하는 연산프로그램과 인공지능 학습 알고리즘으로 도출된 결과를 적용하여 반복적으로 예측을 수행하는 또 다른 연산프로그램을 함께 포함할 수도 있다. 이러한 방식으로 인공지능에 기반한 학습방식을 적용하여 전술한 영향인자를 도출하는 데이터학습모듈(100) 및 가스터빈 운전 중인 제1시점에서, 그보다 시간이 경과한 제2시점의 오염물질 농도를 예측하는 농도예측모듈(200)을 구성하는 것이 가능하다.

데이터학습모듈(100)에서 학습되는 운전데이터 및 배가스조성데이터는 보다 구체적으로 다음과 같은 데이터들을 포함할 수 있다. 도 5를 참조하면, 운전데이터는 전술한 표본가스터빈의 연소조건, 부하량, 및/또는 배가스량을 포함하고, 배가스온도를 더 포함할 수 있으며, 연소조건은 내부연소조건과 외기조건을 포함할 수 있다. 이와 같은 운전데이터는 배가스 중 존재하는 오염물질 농도와 관련성이 깊은 것으로, 본 발명 과정에서 밝혀진 것들로, 이와 같은 운전데이터를 활용함으로써 보다 정확한 예측이 가능하게 되는 것으로 보인다. 보다 구체적으로, 상기한 내부 연소조건은 예를 들어, 연소로 수량, 공기연료비, 연소온도, 연소압력, 로내온도, 및 로내압력 등의 세부적인 내용을 포함할 수 있으며, 부하량은 표준가스터빈의 출력을 포함할 수 있다. 또한 외기조건은 해당 운전데이터가 생성되는 시점의 기온 및 습도 등의 연소환경과 관련한 내용을 포함할 수 있다. 배가스조성데이터는 해당 운전데이터가 생성되는 시점에서 그에 따라 운전된 표준가스터빈에서 발생된 배가스 내 존재하는 물질의 성분과 각 성분의 농도 등을 포함하며, 이와 같은 물질은 오염물질과 비오염물질을 모두 포함한다. 비오염물질의 예로는 산소, 수증기 형태의 물 등을 들 수 있다. 전술한 바와 같이 표본가스터빈은, 현재 고려되고 있는 가스터빈(실제 운전되는 가스터빈으로서, 전술한 학습-예측단계(S200)의 가스터빈) 및 그와 다른 가스터빈(예, 이종(異種)의 유사가스터빈) 중에서 선택된 적어도 어느 하나를 포함할 수 있다.

이러한 운전데이터 및 배가스조성데이터는 상술한 바와 같은 인공지능 학습 알고리즘에 의해 학습(예, 인공지능 학습 알고리즘에 의한 머신-러닝 방식으로 학습)되며 그에 따라 도 5와 같이 배가스 내 적어도 어느 하나의 오염물질 농도에 영향을 미치는 영향인자가 도출된다. 예를 들어 영향인자[전술한 배가스 처리방법의 영향인자와 실질적으로 동일함]는, 배가스 내 적어도 어느 하나의 오염물질 농도 변화의 민감도에 따라서 상기한 운전데이터의 일부로서 도출될 수 있다. 영향인자는 운전데이터를 구성하는 세부 내용 중에서 어느 하나 또는 복수로 이루어질 수 있으며 구체적인 내용은 상황에 따라 달라질 수 있다. 예를 들면, 운전데이터 중 부하량 및 내부 연소조건 중 연소로 수량, 공기연료비, 연소온도, 연소압력, 로내온도, 및 로내압력 중 적어도 어느 하나가 영향인자로 도출될 수 있다. 그러나 이는 예시적인 것이므로 상황에 따라 영향인자는 이보다 종류가 많을 수도 또는 적을 수도 있으며 그러한 영향인자의 실측값으로부터 보다 정확하게 배가스 내 적어도 어느 하나의 오염물질 농도를 예측하는 것이 가능하다. 이를 전술한 배가스 처리방법과 관련하여 다시 서술하면, 전술한 (a) 단계(S100)의 영향인자는 배가스 내 적어도 어느 하나의 오염물질 농도를 변화시키는 변화의 민감도에 따라서 운전데이터의 일부로서 도출될 수 있으며, 그러한 (a) 단계의 영향인자가 농도를 변화시키는 오염물질은, 일산화질소 및 이산화질소를 포함할 수 있다. 즉 도 6에 도시된 것처럼, 도출된 영향인자의 실시간 변화와 그에 따른 배가스 내 적어도 어느 하나의 오염물질 농도변화의 상관관계를 상술한 바와 같은 인공지능 학습 알고리즘에 의한 머신-러닝 방식으로 학습하여 미래시점의 오염물질 농도 예측값을 도출할 수 있다. 즉 예를 들어, 배가스 내 오염물질 중 일산화질소 및 이산화질소의 농도 변화에 민감하게 영향을 주는 영향인자를 도출하고, 그러한 영향인자 변화와 일산화질소 및 이산화질소 농도변화의 시간에 따른 상관관계를 농도예측모듈(200)로 학습시켜 가스터빈 운전 중인 제1시점에서, 그보다 시간이 경과된 제2시점의 배가스 내 일산화질소 및 이산화질소의 농도를 예측하는 것이 가능하다. 그러나 전술한 것처럼 이로써 한정될 필요는 없으며 배가스 내 또 다른 오염물질 농도와 관련된 영향인자를 도출하여 또 다른 오염물질 농도를 예측하고 대처하는 것도 얼마든지 가능하다. 예측된 오염물질 농도에 따라 환원제를 분사하여 대응하는 구체적인 과정 등은 후술하여 좀더 상세히 설명한다.

한편, 환원제공급부는 다음과 같이 구성될 수 있다. 도 3을 참조하면, 환원제공급부(400)는 가스터빈(10)과 연돌(30) 사이의 덕트(20) 내부에 말단이 위치하는 분사노즐(410)과, 분사노즐(410)로 환원제(B)를 이송하는 환원제이송부(420)를 포함할 수 있다. 환원제공급부(400)에는 환원제가 저장된 환원제탱크(430) 등도 포함될 수 있다. 분사노즐(410)은 덕트(20) 내부로 환원제를 분사할 수 있는 다양한 형태로 형성될 수 있으며 그러한 한도 내에서 특별한 제약은 없다. 환원제(B)는 환원제탱크(430)로부터 환원제이송부(420)를 거쳐 분사노즐(410)로 이송되며 분사노즐(410)로부터 덕트(20) 내부로 분사된다. 따라서 덕트(20) 내부를 유동하는 배가스(A)에 혼합되어 배가스 내 적어도 어느 하나의 오염물질을 환원시켜 제거할 수 있다. 본 발명의 배가스 처리장치(1)는 도시된 바와 같이 덕트(20) 내부의 분사노즐(410) 후단에 배치되는 촉매모듈(22)을 더 포함할 수 있으며 촉매모듈(22)에 의한 선택적 촉매 환원방식으로 배가스 내 오염물질을 제거할 수 있다. 촉매모듈(22)은 예를 들어, 덕트(20)내 서로 떨어져 배치된 복수의 과열기번들(21) 사이에 배치될 수 있다. 그러나 본 발명의 환원제(B)는 반드시 촉매모듈(22)과 함께 사용되는 것만을 의미하는 것은 아니며 촉매모듈(22)과 독립적으로 작용하여 오염물질을 제거하는 것도 포함하는 의미이다. 즉 환원제는 하나 또는 서로 다른 종류의 복수가 사용될 수 있다. 도시되지 않았지만, 예를 들어 분사노즐(410)은 덕트(20) 내 서로 다른 위치에 복수로 배치되는 것도 가능하며 그러한 경우, 서로 다른 종류의 환원제를 서로 다른 분사노즐을 통해 분사되도록 구성할 수도 있다. 촉매모듈(22)은 예를 들어, 탈질촉매일 수 있으나, 그와 같이 한정될 필요 없이 여러 가지 다른 오염물질 처리에 사용되는 다양한 촉매를 포함할 수 있다.

환원제이송부(420)는 환원제탱크(430)로부터 분사노즐(410)까지 환원제(B)를 이송시키는 여러 가지 설비들로 구성될 수 있으며 이러한 설비에는 배관, 밸브, 펌프 등을 포함하는 다양한 장비들이 설치되어 있을 수 있다. 배관은 하나 또는 복수로 형성될 수 있으며 복수가 서로 연결되어 상대적으로 복잡한 이송경로를 형성할 수도 있다. 또한 그 외 다른 설비들이 추가로 배치될 수도 있다. 이러한 이유로 환원제가 환원제이송부(420)를 거쳐 분사노즐(410)까지 도달하는 데 시간이 소요되며 이를 환원제 이송공정의 소요시간이라 부를 수 있다. 환원제이송부(420)는 장치의 구현형태에 따라 다양하게 형성될 수 있는 것으로 그에 따라 이송공정의 소요시간도 달라질 수 있다. 따라서 종래에는 실제 환원제공급부(400)로 환원제 분사지시가 되었다 하더라도 실제 해당 지시에 따른 양만큼 환원제가 분사되는 데까지는 적어도 이송공정의 소요시간만큼의 시차가 발생하여 오염물질 농도가 바뀌는 경우 대처하기 매우 곤란하였다. 본 발명은 전술한 바와 같이 농도예측모듈(200)이 가스터빈(10) 운전 중인 제1시점에서, 그보다 시간이 경과된 제2시점의 배가스 내 적어도 어느 하나의 오염물질 농도를 예측할 수 있으므로 이송공정의 소요시간이 있더라도 소요시간을 고려한 제어를 통해 예측시점(즉, 제2시점)에 맞춘 정확한 양의 환원제가 분사되도록 제어할 수 있다.

공정제어모듈(300)은 실질적으로 전술한 배가스 처리방법의 목표-제어단계(도 1의 S300참조)를 수행하기 위해 구성된다. 공정제어모듈(300)은 농도예측모듈(200)이 예측한 제2시점의 배가스 내 적어도 어느 하나의 오염물질 농도에 대응하는 환원제분사량을 계산하고, 제1시점으로부터 환원제이송부(420)를 제어하여, 분사노즐(410)을 통해 배가스로 분사되는 환원제의 양을 제2시점에서 계산된 환원제분사량과 일치시키는 제어를 한다. 도 2에 도시된 것처럼 공정제어모듈(300)은 데이터학습모듈(100) 및 농도예측모듈(200)과 연결되어 있을 수 있으며 이들과 데이터교환이 가능하게 형성될 수 있다. 공정제어모듈(300)은 환원제공급부(400)에 제어신호를 전송하여 환원제공급부(400)의 동작을 조절할 수 있으며 후술하는 바와 같이 가스터빈(10), 덕트(20), 연돌(30) 등과 연결된 제어시스템(40)으로도 제어신호를 전송하는 것이 가능하게 형성될 수 있다. 공정제어모듈(300)은 데이터학습모듈(100)이나 농도예측모듈(200)과 유사하게 하나 또는 복수의 연산프로그램을 포함하여 형성될 수 있으며, 독립된 컴퓨터장치로 구성되거나, 데이터학습모듈(100) 및 농도예측모듈(200) 중 적어도 어느 하나와 같은 컴퓨터장치 내에 통합되어 구성되는 것이 가능하다. 특히 공정제어모듈(300)의 연산프로그램에는 제2시점의 예측된 오염물질 농도에 대응하는 환원제분사량을 계산하는 기능이 탑재될 수 있다. 아울러, 환원제이송부(420)를 구성하는 각종 설비 등을 제어하기 위한 제어와 관련된 연산을 하는 또 다른 연산프로그램이 함께 구성될 수 있다.

이러한 공정제어모듈(300)은 환원제 공급 전 또는 후에 가스터빈(10) 및 덕트(20)를 포함하는 배가스 유동경로 내 이상상태를 자동으로 진단하고, 이상상태가 발견되면 환원제이송부(420), 가스터빈(10), 및 덕트(20)를 포함하는 화력발전소의 설비 중 제어 가능한 적어도 어느 하나의 설비를 동작시켜 이상상태를 자동으로 해소시키는 제어를 할 수 있다. 특히, 상기 이상상태는 배가스 유동경로 내 환원제 농도로부터 판별된 환원제 과다상태를 포함할 수 있으며 따라서 공정제어모듈(300)의 제어를 통해 환원제 과다에 의한 폭발위험 등을 검사를 통해 자동으로 해소시키는 것이 가능하다. 또한, 상기 이상상태는 탈질성능 등 배가스 처리성능이 과도하게 저하되거나 배가스 처리에 따른 부산물 농도가 과도하게 증가하는 등의 상태도 포함할 수 있으며 상기한 화력발전소의 설비 중 제어 가능한 적어도 어느 하나의 설비를 동작시켜 이러한 이상상태 역시 자동으로 해소시키는 제어를 할 수 있다. 예를 들어, 배가스 유동경로 내 농도센서 등을 배치하여 환원제 농도를 모니터링 할 수 있으며 그 밖에도 온도센서, 압력센서 등을 복합 배치하여 배가스 유동경로 내 이상상태가 발생하는지 모니터링 할 수 있다. 이상상태가 발견되면, 공정제어모듈(300)은 환원제이송공정에 있더라도 환원제 공급을 중단할 수 있으며 환원제 공급 전에 또는 환원제 공급이 이루어진 이후라도 즉시 이상상태를 해소시키는 제어동작을 할 수 있다. 이러한 제어동작은 예를 들어, 도 2와 같이 가스터빈(10), 덕트(20), 연돌(30) 등과 연결된 제어시스템(40)[화력발전소의 설비들을 동작시키기 위해 형성된 것일 수 있다]에 제어신호를 전송하거나 환원제공급부(400) 중 특히 환원제이송부(420)에 제어신호를 전송하여 실행될 수 있으며 제어동작에 의해 환원제 농도가 적정상태 이하로 된 이후 환원제 공급을 실행할 수 있다. 그 밖에도 공정제어모듈(300)은 화력발전소 내 배치된 각종 센서나 모니터장치들을 통해 정보를 수집하여 가스터빈(10)에 문제가 있거나, 덕트(20) 내 유체유동에 문제가 있거나, 환원제공급부(400) 등에 문제가 있는 등 여러 이상상태를 감지하고 이를 해소시키는 제어를 할 수 있다. 필요한 경우 알람 등을 동작시켜 작업자 등에 문제를 알려줄 수 있으며 즉각적으로 문제가 해소되지 않는 경우 공정은 일시적으로 중지될 수도 있다. 이상상태를 해소하는 제어에 관한 사항은 후술하는 배가스 처리방법에서 좀더 상세히 설명한다.

이하, 이러한 배가스 처리장치의 구성을 바탕으로 전술한 배가스 처리방법의 보다 구체적인 사항들을 좀더 상세히 설명하도록 한다.

도 7은 오염물질농도 예측 및 환원제공급과 관련된 처리과정을 경시적으로 나타낸 타임테이블[도 7의 (a)] 및 그에 따른 환원제공급량의 변동을 예시적으로 나타낸 그래프[도 7의 (b)]를 함께 도시한 도면이다.

도 7과 함께, 도 1 내지 도 3을 참조하여 설명을 진행한다. 타임테이블 상에 나타나 있지는 않지만, 전술한 학습-도출단계(도 1의 S100참조)는 데이터분석모듈(도 2의 100참조)에 의해 진행될 수 있으며 이는 가스터빈(도 2 및 도 3의 10참조)의 운전시작시점(T₀) 이전에 미리 진행될 수 있다. 전술한 바와 같이, 기수집된 표본가스터빈의 운전데이터 및 그와 연관된 배가스의 조성데이터의 상관관계를 컴퓨터가 인공지능 학습 알고리즘에 의해 학습(예, 인공지능 학습 알고리즘에 의한 머신-러닝방식으로 학습)하여, (운전데이터로부터) 배가스 내 적어도 어느 하나의 오염물질 농도에 영향을 미치는 영향인자를 도출한다. 이때 예를 들어 컴퓨터 내 전술한 데이터학습모듈(100)에서 이러한 과정이 진행될 수 있으며 도출된 영향인자에 대한 정보는 농도예측모듈(도 2의 200참조), 공정제어모듈(도 2의 300참조) 등으로 전달될 수 있다.

가스터빈(10)이 운전을 시작한 이후에는 전술한 학습-예측단계(도 1의 S200참조)가 진행된다. 즉, 학습-예측단계는 가스터빈(10)의 운전시작시점(T₀)이후에 실시간 측정된 데이터를 바탕으로 진행된다. 즉 전술한 바와 같이, 가스터빈(10) 운전 시에 실시간으로 측정된 영향인자의 변화와 그에 따른 배가스 내 적어도 어느 하나의 오염물질 농도 변화의 시간에 따른 상관관계를 컴퓨터가 인공지능 학습 알고리즘에 의해 학습(예, 인공지능 학습 알고리즘에 의한 머신-러닝방식으로 학습)하여 가스터빈 운전 중인 제1시점(T₁)에서, 그보다 시간이 경과된 제2시점(T₂)의 배가스 내 적어도 어느 하나의 오염물질 농도를 예측하게 된다. 이때 예를 들어 컴퓨터 내 전술한 농도예측모듈(200)에서 이러한 과정이 진행될 수 있으며 도출된 농도 예측치는 공정제어모듈(300)로 전달될 수 있다.

전술한 바와 같이 영향인자는, 운전데이터의 일부로서 도출될 수 있으며 영향인자의 종류나 개수 등은 전술한 것처럼 상황에 따라 달라질 수 있다. 또한, 이러한 영향인자가 농도를 변화시키는 배가스 내 적어도 하나의 오염물질은, 일산화질소 및 이산화질소를 포함할 수 있으나 그 밖의 다른 오염물질도 얼마든지 포함될 수 있다. 다만, 이하에서는 이 중 일산화질소 및 이산화질소와 상관관계를 갖는 영향인자가 도출되어 학습-예측단계를 통해 일산화질소 및 이산화질소의 농도가 예측된 상황을 가정함으로써 환원제 공급과정과 관련된 보다 구체적인 설명을 진행하도록 한다.

학습-예측단계의 학습과정은 가스터빈(10)의 운전과 함께 시작될 수 있으며 실측 데이터가 공급되고 적절한 데이터가 제공되는 동안 학습과정은 계속될 수 있다. 이는 조정이 가능하며 전술한 바와 같이 농도예측모듈(200)이 복수의 연산프로그램으로 형성된 경우 학습과정을 진행하면서 한편으로 배가스 내 오염물질 농도의 예측에 관한 프로세스도 병렬적으로 진행할 수 있다. 영향인자는 전술한 바와 같이 운전데이터의 일부로서 도출되므로 운전 중인 가스터빈(10)의 운전데이터의 수집이 가능한 화력발전소 내 각종 설비나 센서를 통해 영향인자의 실시간 측정값과 변화값을 제공받을 수 있다. 배가스(A)는 가스터빈(10) 운전시작시점(T₀)으로부터 운전이 종료되는 시점(T_x)까지 지속적으로 생성되므로 화력발전소 내 주요한 배가스 유동경로인 덕트(도 3의 20참조) 및 연돌(도 3의 30참조) 등에 배치된 농도센서를 통해 배가스 내 각종 오염물질 농도의 실시간 측정값과 변화값을 제공받을 수 있다. 즉 한편으로 실시간 제공되는 영향인자의 측정값 및 배가스 내 오염물질 농도의 측정값을 제공받고 전술한 기계학습에 의한 학습을 진행하면서, 갱신되는 결과로부터 미래시점의 오염물질 농도를 예측하는 과정을 진행할 수 있다.

이해를 돕기 위해 타임테이블 상에는 제1시점(T₁) 및 제2시점(T₂)의 세트가 하나만 도시되었지만, 이러한 세트는 농도예측모듈(200)의 반복적인 예측에 따라 시차를 두고 반복적으로 생성될 수 있다. 따라서 후술하는 공정제어모듈(300)의 제어동작도 그에 따라 반복적으로 이루어지며 미래시점의 오염물질 농도에 따른 제어를 지속적으로 수행하는 것이 가능하다.

예측을 수행하는 시점인 제1시점(T₁)과 그보다 시간이 경과된 미래의 예측시점인 제2시점(T₂) 사이의 시간간격은 필요에 따라 조정될 수 있으나, 바람직하게는 시간간격은 적어도 20초일 수 있으며, 보다 바람직하게는 40초 내지 5분, 보다 더 바람직하게는 40초 내지 3분일 수 있다. 예측가능성과 예측에 따른 처리효율 면에서 이와 같은 시간간격이 보다 바람직하다. 상기한 단계들과 별개로 제2시점(T₂)에서 예측된 오염물질 농도는 해당 시점에 실제 측정된 실측치와 반복적으로 비교될 수 있으며 이를 통해 농도예측모듈(200)로부터 도출된 상관관계의 유효성 판별도 가능하다. 예를 들면, 농도예측모듈(200)이 도출한 영향인자와 오염물질 농도의 시간에 따른 상관관계는 예측치가 실측치와 적어도 80퍼센트 이상 일치하는 경우에만 유효한 것으로 판별될 수 있으며 예를 들어 그보다 일치도가 낮은 경우 예측을 중지하고 학습을 계속할 수도 있다. 학습-예측단계는 정형적이지 않으며 여러 가지 다양한 형태로 진행될 수 있다. 제1시점(T₁)과 제2시점(T₂) 사이의 시간간격은 전술한 환원제이송부(도 3의 420참조)에서 나타나는 이송공정의 소요시간보다 크게 설정하는 것이 바람직하다. 공정제어모듈(300)의 제어에 따라 환원제이송부(420)의 동작이 조절되어 이송공정의 소요시간이 변경되는 경우 그에 대응하여 제1시점(T₁)과 제2시점(T₂) 사이의 시간간격도 바꾸어 줄 수 있다.

배가스 내 오염물질 농도가 예측된 제1시점(T₁)부터 목표-제어단계가 진행될 수 있다. 전술한 바와 같이 목표-제어단계(도 1의 S300참조)는 학습-예측단계에서 예측된 제2시점(T₂)의 배가스 내 적어도 어느 하나의 오염물질 농도에 대응하는 환원제분사량(Q_e)을 계산하고 제1시점(T₁)으로부터 환원제의 이송공정을 제어하여, 이송공정을 따라 배가스로 분사되는 환원제의 양을 제2시점(T₂)에서 계산된 환원제분사량(Q_e)와 일치시키게 된다. 이는 예를 들어, 컴퓨터 상에 형성된 공정제어모듈(300)에 의해 진행될 수 있으며 공정제어모듈(300)은 계산된 환원제분사량(Q_e)과 예측시점(T₂) 모두를 고려하여 환원제공급부(400)의 동작을 제어하게 된다.

이때 전술한 것처럼 환원제 공급 전 또는 후에, 이상상태를 자동으로 진단 및 해소하는 과정을 먼저 또는 함께 수행할 수 있다. 즉 목표-제어단계는, 전술한 것처럼 환원제 공급 전 또는 후에, 컴퓨터로 가스터빈(10)을 포함하는 배가스 유동경로 내 이상상태를 자동으로 진단하는 단계와, 이상상태가 발견되면 컴퓨터로 제어시스템 및 환원제 이송공정 중 적어도 어느 하나를 제어하여 이상상태를 자동으로 해소시키는 단계가 포함된 세부단계를 포함할 수 있다. 이때 이상상태를 자동으로 해소시키는 단계는, 가스터빈(10)을 포함하는 배가스 유동경로 내 환원제 농도를 조절하여 환원제 과다에 의한 폭발 및 화재위험을 제거하는 과정을 포함할 수 있다. 이러한 동작은 예를 들어, 환원제 이송공정의 제어가 시작되는 제1시점(T₁)의 초기 등에 이루어질 수 있다.

예를 들면, 상기 환원제 과다에 의한 폭발 및 화재위험을 제거하는 과정은, 환원제 이송경로의 온도 및 압력 중 적어도 어느 하나가 정상온도 및 정상압력에서 20%를 넘어서는 시점에, 환원제 이송공정을 제어하여 환원제 주입량을 급격히 줄이거나 중지하여 폭발 및 화재위험을 제거한 후, 환원제 주입을 재개하는 방식으로 수행될 수 있다. 이와 같이 폭발 및 화재위험을 제거하는 과정 중에는 예를 들어, 정상상태에서 고려 가능한 환원제 이송조건(예를 들어 환원제 주입량 증가 등) 및/또는 가스터빈(10)의 운전조건(암모니아 등 부산물 농도조절을 위한 운전조건 변경 등)등은 무시될 수도 있다.

또한, 상기 이상상태를 자동으로 해소시키는 단계는 예를 들면, 배가스 유동경로로 주입되는 환원제 유량 및 압력 중 적어도 어느 하나를 조절하여 환원제와 배가스간 접촉비를 조절하는 과정을 포함할 수도 있다. 예를 들면, 전술한 분사노즐(410)의 일 측에 형성된 측정장비(예, 유량 및/또는 압력센서를 포함할 수 있다) 등으로 측정한 환원제 유량 및 압력 중 적어도 어느 하나에 대한 변화와, 배가스 유동경로에 형성된 측정장비(예, 유량 및/또는 온도센서를 포함할 수 있다) 등으로 측정한 배가스량 변화(유속 및/또는 온도변화 등으로부터 계산 등을 통해 알아낼 수 있다)에 따라서 환원제의 유량 및 압력 중 적어도 어느 하나를 조절하여, 특히 환원제와 배가스간 접촉 몰비가 분사영역 전체를 통해 적절한 값을 갖도록 조절하는 것이 가능하다. 이를 통해 전술한 바와 같이 탈질성능 등 배가스 처리성능이 과도하게 저하되거나 배가스 처리에 따른 부산물 농도가 과도하게 증가하는 등의 이상상태도 해소시킬 수 있다.

공정제어모듈(300)은 전술한 바와 같이 제2시점(T₂)의 예측된 농도에 대응하는 환원제분사량(Q_e)을 계산하고 환원제 이송공정을 제어하여 배가스로 분사되는 환원제의 양을 제2시점(T₂)에서 일치시킨다. 즉, 단순히 임의로 환원제를 분사하는 것이 아니라 예측치에 따라 정확하게 계산된 양으로 환원제가 분사되도록 제어한다. 계산된 환원제분사량(Qe)은 제2시점(T₂)의 예측된 오염물질 농도에 따른 것으로 예측된 시점에서 해당 오염물질을 해소시킬 수 있는 양으로 계산된다. 전술한 것처럼 예측된 오염물질 농도가 일산화질소 및 이산화질소인 경우를 상정하여 이에 대해 보다 구체적으로 설명하면 다음과 같다.

예를 들어, 학습-예측단계(S200)에서 농도가 예측되는 오염물질은 일산화질소 및 이산화질소를 포함하며, 목표-제어단계(S300)에서 계산된 환원제분사량(Q_e)은, 일산화질소와 이산화질소간 농도비에 따라 변동될 수 있다. 보다 구체적으로 계산된 환원제분사량(Qe)은, 일산화질소에 대한 이산화질소의 농도비가 1이하에 해당하는 질소산화물에 대해서는, 환원제의 표준당량비(NSR: Normalized stoichiometric ratio)를 1로 적용하고, 일산화질소에 대한 이산화질소의 농도비가 1초과에 해당하는 이산화질소에 대해서는, 환원제의 표준당량비(NSR)를 1초과 1.4이하, 보다 바람직하게는 1.4로 적용하여 산출할 수 있다. 이러한 방식으로 보다 정확한 환원제량을 산출할 수 있으며 이를 이용하여 예측된 제2시점(T₂)의 배가스 내 일산화질소 및 이산화질소를 환원시켜 제거할 수 있다. 이에 따른 환원제분사량(Qe)의 계산을 예시해보면 다음과 같다. 예를 들어, 일산화질소에 대한 이산화질소의 농도비가 1이하에 해당하는 질소산화물에 대해서는 환원제분사량이 수학식 1 또는 수학식 1-1로 산출될 수 있다. 수학식 1-1은 수학식 1의 변형식으로, 표준산소농도 보정을 반영한 식이다. 즉, 수학식 1은 표준산소농도보정을 생략하고 환원제분사량을 산출하기 위한 수학식을 나타내는 것으로, 이와 같이 수학식 1 또는 수학식 1-1을 적용함으로써, 산소보정 유무에 관계 없이 환원제분사량을 산출할 수 있다.

[수학식 1]

[수학식 1-1]

이때, 질소산화물 출구목표농도는 질소산화물 입구농도 보다 낮은 값을 나타내며, 질소산화물 처리율을 고려하여 결정될 수 있다. 배가스량과 실제산소농도는 제1시점에서의 값이거나, 그로부터 예측된 제2시점에서의 값일 수 있다. 배가스량과 산소농도의 시간에 따른 변화폭은 질소산화물과 같은 오염물질에 비해 상대적으로 크지 않으므로, 제1시점에서의 값을 사용할 수도 있으며, 본 발명의 오염물질 농도 예측과 같은 방식으로 예측한 예측값을 사용할 수도 있다. 예를 들어, (a)단계와 (b)단계에서 '배가스 내 적어도 어느 하나의 오염물질 농도에 영향을 미치는 영향인자' 대신 '배가스 내 산소농도에 영향을 미치는 영향인자'를 적용하여, 제2시점의 배가스 내 산소농도를 예측할 수 있다. 또한, (a)단계에서 '운전데이터와 배가스조성데이터' 대신 '배가스량 이외의 운전데이터와 배가스량'을 적용하고, (a)단계와 (b)단계에서 '배가스 내 적어도 어느 하나의 오염물질 농도에 영향을 미치는 영향인자' 대신 '배가스량에 영향을 미치는 영향인자'를 적용하여, 제2시점의 배가스량을 예측할 수도 있다.

질소산화물 입구농도는 일산화질소에 대한 이산화질소의 농도비가 1이하에 해당하는 질소산화물의 농도를 나타내며, 예측된 일산화질소에 대한 이산화질소의 농도비가 1이하일 때에는 일산화질소와 이산화질소의 농도를 합한 값에 해당한다.

또한, 표준산소농도는 오염물질과 배출시설에 따라 다른 값이 적용될 수 있으며, 대기환경보전법 시행규칙상 '대기오염물질의 배출허용기준'에 기재된 값일 수 있다.

또한, 일산화질소에 대한 이산화질소의 농도비가 1초과에 해당하는 이산화질소에 대해서는, 환원제 분사량이 수학식 2 또는 수학식 2-1로 산출될 수 있다. 수학식 2-1은 수학식 2의 변형식으로, 표준산소농도 보정을 반영한 식이다. 즉, 수학식 2는 표준산소농도보정을 생략하고 환원제분사량을 산출하기 위한 수학식을 나타내는 것으로, 이와 같이 수학식 2 또는 수학식 2-1을 적용함으로써, 산소보정 유무에 관계 없이 환원제분사량을 산출할 수 있다.

[수학식 2]

[수학식 2-1]

이 때, 배가스량, 실제산소농도, 표준산소농도는 수학식 1 또는 수학식 1-1과 동일하며, 초과입구 이산화질소농도는 일산화질소에 대한 이산화질소의 농도비가 1초과에 해당하는 이산화질소 농도를 나타내며, 예측된 일산화질소에 대한 이산화질소의 농도비가 1초과일 때에는 초과분의 이산화질소 농도에 해당한다.

결국, 환원제분사량(Qe)는 수학식 3에 의해 산출될 수 있다.

[수학식 3]

Qe=Qe₁+Qe₂

배가스 중 예측된 일산화질소에 대한 이산화질소의 농도비가 1이하일 경우, 수학식 3에서 Qe₂는 0이 되어, Qe는 Qe₁이 되고, 일산화질소에 대한 이산화질소의 농도비가 1초과일 경우, 수학식 3에서 Qe는 Qe1과 Qe1을 합한 값이 되게 된다. 이와 같은 방식으로 산출된 환원제분사량을 적용함으로써, 배가스 중 예측된 질소산화물 함량비 변화에 보다 유연하게 대처할 수 있는 것이다. 이에 대해서는 실험예로부터도 확인된다.

결국, 이와 같은 방식으로 상황에 따라 환원제분사량을 산출하고, 배가스 처리에 적용함으로써, 일산화질소와 이산화질소 함량이 변동하는 배가스에 대해서도 용이하게 처리가 가능하다.

이와 같이 예측된 오염물질의 농도 변화에 따라 환원제분사량을 결정할 수 있는 산식을 적용하여 보다 정확한 양의 환원제를 예측된 제2시점(T₂)에 분사하여 배가스 내 오염물질을 제거하는 것이 가능하다.

이와 같은 방식으로 계산된 환원제분사량(Q_e)은 예측이 진행된 제1시점(T₁)보다 시간이 경과된 제2시점(T₂)의 오염물질을 제거하기 위한 것이므로, 전술한 환원제 이송공정의 소요시간 또는 이송공정에 의한 시차를 고려하여 미리 제1시점(T₁)으로부터 환원제의 이송공정을 제어하게 된다. 공정제어모듈(300)은 예를 들어, 전술한 환원제이송부(420) 상에 제어신호를 전송하여 관로의 개도나, 관로를 따라 이동하는 환원제의 이송경로 등을 바꾸어 줄 수 있으며 이를 통해 이송공정의 소요시간을 확인하고 조절할 수 있다. 이를 통해 전술한 분사노즐(도 3의 410참조)에서 배가스(A)가 유동하는 덕트(도 3의 20참조)로 분사되는 환원제의 양을 시간 차를 두고 조절할 수 있으며, 목표시점을 제2시점(T₂)에 맞추는 제어를 함으로써 도 7과 같이 이송공정을 따라 배가스로 분사되는 환원제의 양을 제2시점(T₂)에서, 계산된 환원제분사량(Q_e)과 일치시킬 수 있다. 따라서 실질적으로 제1시점(T1)의 영향인자 실측치만 알면 그보다 시간이 경과된 제2시점(T2)의 오염물질 농도를 예측하고 환원제분사량(Qe)을 정확하게 계산하여, 환원제 이송공정의 소요시간 이후인 제2시점(T2)에 적합한 처리를 할 수 있다. 오염물질 농도는 변동될 수 있으나, 전술한 인공지능 학습에 기반하여 보다 민감한 영향인자를 도출하고 영향인자와 오염물질간 상관관계도 보다 정확하게 판별하여 영향인자로부터 농도가 어떻게 바뀔지 보다 정확하게 예측하는 것이 가능하므로, 수시로 오염물질 농도가 바뀌는 상황에도 적절한 처리를 할 수 있다. 또한 환원제도 예측된 농도에 맞추어 정확히 계산된 양을 분사하므로 환원제 과잉 등의 위험요소도 최소화 할 수 있다. 이상과 같이 본 발명을 이용하여 화력발전소의 배가스를 효과적으로 처리할 수 있다.

<실험례 1> NO₂/NO 연동 환원제분사량 변화에 따른 질소산화물 처리 실험

1-1. NO₂/NO 비율 1인 배가스 처리(NSR 1 적용)

다음 조건의 배출가스에 대해, 수학식 1 내지 3을 적용하여 산출된 양의 환원제(암모니아)를 탈질촉매가 장착된 선택적촉매환원장치에 주입하여, 질소산화물을 처리하였다. 이 때, 수학식 1-1에서 목표농도, 설계여유값, 표준산소농도, 환원제분자량, 환원제순도, NSR은 각각 3ppmvd, 2ppmvd, 15.0% dry, 17, 25% wt, 1을 적용하였다. 수학식 2-1에서 표준산소농도, 환원제분자량, 환원제순도, NSR은 각각 15.0% dry, 17, 25% wt, 1.4를 적용하였다. 처리전후의 질소산화물 함량 차이를 처리전 질소산화물 함량으로 나눈 후 100을 곱하여 질소산화물처리율을 구하였다. 그 결과, 질소산화물처리율은 92%이었다.

O 배출가스 조건

배가스량 2,112,467 Nm³/hr, dry

질소산화물 입구농도 30 ppmvd

실제산소농도 12.2%, dry

NO₂/NO 비율 1

O 환원제 주입량 산출 과정

Qe=Qe₁+Qe₂

= 272.8kg/hr

1-2. NO₂/NO 비율 1.5인 배가스 처리(NSR 1, 1.1 적용)

다음 조건의 배출가스에 대해, 수학식 1 내지 3을 적용하여 산출된 양의 환원제(암모니아)를 1-1.과 동일한 선택적촉매환원장치에 주입하여, 질소산화물을 처리하였다. 이 때, 수학식 1-1과 2-1에서 표준산소농도, 환원제분자량, 환원제순도는 각각 15% dry, 17, 25% wt을 적용하고, 수학식 1-1에서 목표농도, 설계여유값, NSR은 각각 3 ppmvd, 2ppmvd, 1을 적용하였으며, 수학식 2-1에서 NSR은 1.1을 적용하였다. 처리전후의 질소산화물 함량 차이를 처리전 질소산화물 함량으로 나눈 후 100을 곱하여 질소산화물처리율을 구하였다. 그 결과, 질소산화물처리율은 89%이었다.

O 배출가스 조건

배가스량 2,112,467 Nm³/hr, dry

질소산화물 입구농도 24 ppmvd

초과입구 이산화질소농도 6 ppmvd

실제산소농도 12.2%, dry

NO₂/NO 비율 1.5

O 환원제 주입량 산출 과정

Qe=Qe₁+Qe₂

= 278.4kg/hr

1-3. NO₂/NO 비율 1.5인 배가스 처리(NSR 1, 1.4 적용)

수학식 2-1에서 NSR을 1.1 대신 1.4를 적용한 것을 제외하고, 1-2.과 동일한 방식으로 실험을 실시하여, 질소산화물처리율을 구하였다. 그 결과, 질소산화물처리율은 91%이었다.

1-4. NO₂/NO 비율 1.5인 배가스 처리(NSR 1, 1.5 적용)

수학식 2-1에서 NSR을 1.1 대신 1.5를 적용한 것을 제외하고, 1-2.과 동일한 방식으로 실험을 실시하여, 질소산화물처리율을 구하였다. 그 결과, 질소산화물처리율은 91%이었다.

1-5. NO₂/NO 비율 1.5인 배가스 처리(NSR 1, 1 적용)

수학식 2-1에서 NSR을 1.1 대신 1을 적용한 것을 제외하고, 1-2.과 동일한 방식으로 실험을 실시하여, 질소산화물처리율을 구하였다. 그 결과, 질소산화물처리율은 83%이었다.

이상의 실험결과로부터, 배가스 중 NO₂/NO가 1을 초과하는 경우라도, NO₂/NO 농도비가 1이하에 해당하는 질소산화물에 대해서는 NSR을 1로 적용하고, NO₂/NO 농도비가 1초과에 해당하는 이산화질소에 대해서는 NSR을 1초과 1.4이하로 적용한 예(1-2, 1-3)는 효과적으로 질소산화물을 처리할 수 있음을 알 수 있다. 특히, NO₂/NO 농도비가 1초과에 해당하는 이산화질소에 대해서는 NSR을 1.4로 적용한 예(1-3)가 보다 효과적으로 질소산화물을 처리할 수 있음을 알 수 있다. 그러나, NO₂/NO 농도비가 1초과에 해당하는 이산화질소에 대해서 환원제의 NSR을 1이하로 적용한 예(1-5)의 경우는 질소산화물처리율이 떨어지며, NSR을 1.4초과로 적용한 예(1-4)의 경우는 환원제 양 증가에 따른 질소산화물처리율 증가가 나타나지 않는 것을 확인할 수 있다. 이는 오히려 미반응 환원제가 발생할 염려가 있음을 나타내는 것이기도 하다.

따라서, NO₂/NO 농도비가 1이하에 해당하는 질소산화물에 대해서는 환원제의 NSR을 1로 적용하고, NO₂/NO 농도비가 1초과에 해당하는 이산화질소에 대해서는 환원제의 NSR을 1초과 1.4이하로 적용하여 환원제분사량을 결정함으로써, 보다 효과적으로 배가스 중 질소산화물을 처리할 수 있음을 알 수 있다.

이상 첨부된 도면을 참조하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다.

1: 인공지능을 이용한 화력발전소의 배가스 처리장치
10: 가스터빈 20: 덕트
21: 과열기번들 22: 촉매모듈
30: 연돌 40: 제어시스템
100: 데이터학습모듈 200: 농도예측모듈
300: 공정제어모듈 400: 환원제공급부
410: 분사노즐 420: 환원제이송부
430: 환원제탱크
A: 배가스 B: 환원제
Q_e: 제2시점의 예측된 오염물질 농도에 따라 계산된 환원제분사량

Claims

(a) 기수집된 표본가스터빈의 운전데이터와 배가스조성데이터의 상관관계를 컴퓨터가 인공지능 학습 알고리즘에 의해 학습하여, 배가스 내 적어도 어느 하나의 오염물질 농도에 영향을 미치는 영향인자를 도출하는 학습-도출단계;
(b) 가스터빈 운전 시에 실시간으로 측정된 상기 영향인자의 변화와 그에 따른 배가스 내 적어도 어느 하나의 오염물질 농도변화의 시간에 따른 상관관계를 컴퓨터가 인공지능 학습 알고리즘에 의해 학습하여 상기 가스터빈 운전 중인 제1시점에서, 그보다 시간이 경과된 제2시점의 배가스 내 적어도 어느 하나의 오염물질 농도를 예측하는 학습-예측단계; 및
(c) 상기 (b) 단계에서 예측된 상기 제2시점의 배가스 내 적어도 어느 하나의 오염물질 농도에 대응하는 환원제분사량을 계산하고 상기 제1시점으로부터 환원제의 이송공정을 제어하여, 상기 이송공정을 따라 배가스로 분사되는 환원제의 양을 상기 제2시점에서 계산된 상기 환원제분사량과 일치시키는 목표-제어단계를 포함하고,
상기 (b) 단계에서 농도가 예측되는 오염물질은 일산화질소 및 이산화질소를 포함하며, 상기 (c) 단계에서 계산된 환원제분사량은, 상기 일산화질소와 상기 이산화질소간 농도비에 따라 변동되며,
상기 일산화질소에 대한 상기 이산화질소의 농도비가 1이하에 해당하는 질소산화물에 대해서는 하기 수학식 1 또는 하기 수학식 1-1을 적용하여, 상기 (c) 단계에서 계산된 환원제분사량을 산출하고,
상기 일산화질소에 대한 상기 이산화질소의 농도비가 1초과에 해당하는 이산화질소에 대해서는 하기 수학식 2 또는 하기 수학식 2-1을 적용하여, 상기 (c) 단계에서 계산된 환원제분사량을 산출하는 인공지능을 이용한 화력발전소의 배가스 처리방법.
[수학식 1]

상기 식에서, Q_e1은 질소산화물처리 환원제량(kg/hr), Q는 배가스량(Nm³/hr.dry), NOx_i는 질소산화물 입구농도(ppm), NOx_o는 질소산화물 출구목표농도(ppm), M은 설계여유값(margin, NOxi의 20% 이하 값), MW는 환원제분자량, P는 환원제순도(%), NSR은 환원제 표준당량비(1)이다.
[수학식 1-1]

상기 식에서, Q_e1은 질소산화물처리 환원제량(kg/hr), Q는 배가스량(Nm³/hr.dry), NOx_i는 질소산화물 입구농도(ppm), NOx_o는 질소산화물 출구목표농도(ppm), M은 설계여유값(margin, NOxi의 20% 이하 값), O_2A는 실제산소농도(%, dry), O_2R은 표준산소농도(%, dry), MW는 환원제분자량, P는 환원제순도(%), NSR은 환원제 표준당량비(1)이다.
[수학식 2]

상기 식에서, Q_e2는 이산화질소처리 환원제량(kg/hr), Q는 배가스량(Nm³/hr.dry), NO_2iex는 초과입구 이산화질소농도(ppm), MW는 환원제분자량, P는 환원제순도(%), NSR은 환원제 표준당량비(1 초과 1.4 이하)이다.
[수학식 2-1]

상기 식에서, Q_e2는 이산화질소처리 환원제량(kg/hr), Q는 배가스량(Nm³/hr.dry), NO_2iex는 초과입구 이산화질소농도(ppm), O_2A는 실제산소농도(%, dry), O_2R은 표준산소농도(%, dry), MW는 환원제분자량, P는 환원제순도(%), NSR은 환원제 표준당량비(1 초과 1.4 이하)이다.
제1항에 있어서,
상기 (a) 단계 및 (b) 단계의 인공지능 학습 알고리즘은 입력층과 출력층 사이에 복수의 계산 노드들로 이루어진 은닉층이 적어도 하나 형성된 인공신경망 알고리즘을 포함하며, 상기 (b) 단계에서 상기 인공신경망 알고리즘은, 입력변수들의 시간 의존성이 고려된 연산결과를 출력하는 순환신경망 알고리즘을 포함하는 인공지능을 이용한 화력발전소의 배가스 처리방법.
제1항에 있어서,
상기 (b) 단계의 상기 인공지능 학습 알고리즘은, 인공신경망 알고리즘, 강화학습 알고리즘, 지도학습 알고리즘, 및 비지도학습 알고리즘 중에서 선택된 적어도 어느 하나를 포함하는 인공지능을 이용한 화력발전소의 배가스 처리방법.
제1항에 있어서,
상기 운전데이터는 상기 표본가스터빈의 연소조건, 부하량, 및 배가스량 중에서 선택된 하나 이상을 포함하고, 상기 연소조건은 내부연소조건과 외기조건 중에서 선택된 하나 이상을 포함하고, 상기 내부연소조건은 연소로 수량, 공기연료비, 연소온도, 연소압력, 로내온도, 및 로내압력 중에서 선택된 하나 이상을 포함하며, 상기 표본가스터빈은 상기 가스터빈 및 그와 다른 가스터빈 중에서 선택된 적어도 어느 하나를 포함하는 인공지능을 이용한 화력발전소의 배가스 처리방법.
제4항에 있어서,
상기 (a) 단계의 상기 영향인자는, 배가스 내 적어도 어느 하나의 오염물질 농도를 변화시키는 변화의 민감도에 따라서 상기 운전데이터의 일부로서 도출되는 인공지능을 이용한 화력발전소의 배가스 처리방법.
제5항에 있어서,
상기 (a) 단계의 영향인자가 농도를 변화시키는 배가스 내 적어도 어느 하나의 오염물질은, 일산화질소 및 이산화질소를 포함하는 인공지능을 이용한 화력발전소의 배가스 처리방법.
삭제
삭제
삭제
제1항에 있어서,
상기 (c) 단계는, 환원제 공급 전 또는 후에, 컴퓨터로 상기 가스터빈을 포함하는 배가스 유동경로 내 이상상태를 자동으로 진단하는 단계와, 이상상태가 발견되면 컴퓨터로 제어시스템 및 상기 이송공정 중 적어도 어느 하나를 제어하여 상기 이상상태를 자동으로 해소시키는 단계가 포함된 세부단계를 포함하는 인공지능을 이용한 화력발전소의 배가스 처리방법.
제10항에 있어서,
상기 이상상태를 자동으로 해소시키는 단계는, 상기 가스터빈을 포함하는 배가스 유동경로 내 환원제 농도를 조절하여 환원제 과다에 의한 폭발 및 화재위험을 제거하는 과정을 포함하는 인공지능을 이용한 화력발전소의 배가스 처리방법.
기수집된 표본가스터빈의 운전데이터와 배가스조성데이터의 상관관계를 입력받고, 인공지능 학습 알고리즘에 의해 학습하여 배가스 내 적어도 어느 하나의 오염물질 농도에 영향을 미치는 영향인자를 도출하는 데이터학습모듈;
가스터빈 운전 시에 실시간으로 측정된 상기 영향인자의 변화와 그에 따른 배가스 내 적어도 어느 하나의 오염물질 농도변화의 측정값을 입력받고, 상기 영향인자와 상기 오염물질 농도간 시간에 따른 상관관계를 인공지능 학습 알고리즘에 의해 학습하여 상기 가스터빈 운전 중인 제1시점에서, 그보다 시간이 경과된 제2시점의 배가스 내 적어도 어느 하나의 오염물질 농도를 예측하는 농도예측모듈;
상기 가스터빈과 연돌 사이의 덕트 내부에 말단이 위치하는 분사노즐과, 상기 분사노즐로 환원제를 이송하는 환원제이송부를 포함하는 환원제공급부; 및
상기 농도예측모듈이 예측한 상기 제2시점의 배가스 내 적어도 어느 하나의 오염물질 농도에 대응하는 환원제분사량을 계산하고 상기 제1시점으로부터 상기 환원제이송부를 제어하여, 상기 분사노즐을 통해 배가스로 분사되는 환원제의 양을 상기 제2시점에서 계산된 상기 환원제분사량과 일치시키는 공정제어모듈을 포함하고,
상기 농도예측모듈에 의해 농도가 예측되는 오염물질은 일산화질소 및 이산화질소를 포함하고, 상기 환원제분사량은, 상기 일산화질소와 상기 이산화질소간 농도비에 따라 변동되며,
상기 일산화질소에 대한 상기 이산화질소의 농도비가 1이하에 해당하는 질소산화물에 대해서는 하기 수학식 1 또는 하기 수학식 1-1을 적용하여, 상기 환원제분사량을 산출하고,
상기 일산화질소에 대한 상기 이산화질소의 농도비가 1초과에 해당하는 이산화질소에 대해서는 하기 수학식 2 또는 하기 수학식 2-1을 적용하여, 상기 환원제분사량을 산출하는 인공지능을 이용한 화력발전소의 배가스 처리장치.
[수학식 1]

상기 식에서, Q_e1은 질소산화물처리 환원제량(kg/hr), Q는 배가스량(Nm³/hr.dry), NOx_i는 질소산화물 입구농도(ppm), NOx_o는 질소산화물 출구목표농도(ppm), M은 설계여유값(margin, NOxi의 20% 이하 값), MW는 환원제분자량, P는 환원제순도(%), NSR은 환원제 표준당량비(1)이다.
[수학식 1-1]

상기 식에서, Q_e1은 질소산화물처리 환원제량(kg/hr), Q는 배가스량(Nm³/hr.dry), NOx_i는 질소산화물 입구농도(ppm), NOx_o는 질소산화물 출구목표농도(ppm), M은 설계여유값(margin, NOxi의 20% 이하 값), O_2A는 실제산소농도(%, dry), O_2R은 표준산소농도(%, dry), MW는 환원제분자량, P는 환원제순도(%), NSR은 환원제 표준당량비(1)이다.
[수학식 2]

상기 식에서, Q_e2는 이산화질소처리 환원제량(kg/hr), Q는 배가스량(Nm³/hr.dry), NO_2iex는 초과입구 이산화질소농도(ppm), MW는 환원제분자량, P는 환원제순도(%), NSR은 환원제 표준당량비(1 초과 1.4 이하)이다.
[수학식 2-1]

상기 식에서, Q_e2는 이산화질소처리 환원제량(kg/hr), Q는 배가스량(Nm³/hr.dry), NO_2iex는 초과입구 이산화질소농도(ppm), O_2A는 실제산소농도(%, dry), O_2R은 표준산소농도(%, dry), MW는 환원제분자량, P는 환원제순도(%), NSR은 환원제 표준당량비(1 초과 1.4 이하)이다.
제12항에 있어서,
상기 데이터학습모듈 및 상기 농도예측모듈의 인공지능 학습 알고리즘은 입력층과 출력층 사이에 복수의 계산 노드들로 이루어진 은닉층이 적어도 하나 형성된 인공신경망 알고리즘을 포함하며, 상기 농도예측모듈의 상기 인공신경망 알고리즘은, 입력변수들의 시간 의존성이 고려된 연산결과를 출력하는 순환신경망 알고리즘을 포함하는 인공지능을 이용한 화력발전소의 배가스 처리장치.
제12항에 있어서,
상기 농도예측모듈의 인공지능 학습 알고리즘은, 인공신경망 알고리즘, 강화학습 알고리즘, 지도학습 알고리즘, 및 비지도학습 알고리즘 중에서 선택된 적어도 어느 하나를 포함하는 인공지능을 이용한 화력발전소의 배가스 처리장치.
제12항에 있어서,
상기 덕트 내부의 상기 분사노즐 후단에 배치되는 촉매모듈을 더 포함하는 인공지능을 이용한 화력발전소의 배가스 처리장치.
제12항에 있어서,
상기 운전데이터는 상기 표본가스터빈의 연소조건, 부하량, 및 배가스량 중에서 선택된 하나 이상을 포함하고, 상기 연소조건은 내부연소조건과 외기조건 중에서 선택된 하나 이상을 포함하고, 상기 내부연소조건은 연소로 수량, 공기연료비, 연소온도, 연소압력, 로내온도, 및 로내압력 중에서 선택된 하나 이상을 포함하며, 상기 표본가스터빈은 상기 가스터빈 및 그와 다른 가스터빈 중에서 선택된 적어도 어느 하나를 포함하는 인공지능을 이용한 화력발전소의 배가스 처리장치.
제12항에 있어서,
상기 공정제어모듈은, 환원제 공급 전 또는 후에, 상기 가스터빈 및 상기 덕트를 포함하는 배가스 유동경로 내 이상상태를 자동으로 진단하고, 이상상태가 발견되면 상기 환원제이송부, 상기 가스터빈, 및 상기 덕트를 포함하는 화력발전소의 설비 중 제어 가능한 적어도 어느 하나의 설비를 동작시켜 상기 이상상태를 자동으로 해소시키는 제어를 하는 인공지능을 이용한 화력발전소의 배가스 처리장치.
제17항에 있어서,
상기 이상상태는, 상기 배가스 유동경로 내 환원제 농도로부터 판별된 환원제 과다상태를 포함하는 인공지능을 이용한 화력발전소의 배가스 처리장치.