KR102291800B1 - 보일러 연소 모델 도출 장치 및 방법 - Google Patents
보일러 연소 모델 도출 장치 및 방법 Download PDFInfo
- Publication number
- KR102291800B1 KR102291800B1 KR1020190040955A KR20190040955A KR102291800B1 KR 102291800 B1 KR102291800 B1 KR 102291800B1 KR 1020190040955 A KR1020190040955 A KR 1020190040955A KR 20190040955 A KR20190040955 A KR 20190040955A KR 102291800 B1 KR102291800 B1 KR 102291800B1
- Authority
- KR
- South Korea
- Prior art keywords
- model
- data
- boiler combustion
- combustion model
- layer
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- 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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F22—STEAM GENERATION
- F22B—METHODS OF STEAM GENERATION; STEAM BOILERS
- F22B35/00—Control systems for steam boilers
- F22B35/18—Applications of computers to steam boiler control
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Linguistics (AREA)
- Fluid Mechanics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Algebra (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Mechanical Engineering (AREA)
- Thermal Sciences (AREA)
- Combustion & Propulsion (AREA)
- Chemical & Material Sciences (AREA)
- Regulation And Control Of Combustion (AREA)
- Computational Mathematics (AREA)
- Control Of Steam Boilers And Waste-Gas Boilers (AREA)
Abstract
입력 및 출력데이터를 설정하고, 인공신경망이 포함된 수학적 모델의 조합을 이용하여 보일러 연소 모델을 도출하는 보일러 연소 모델 도출 장치 및 방법이 개시된다.
상기 보일러 연소 모델 도출 방법은 보일러 연소 모델의 입력 데이터 및 출력 데이터를 설정하는 단계와, 입력 데이터를 입력받기 위한 입력층, 상기 입력 데이터를 연산하기 위한 복수의 노드들을 포함하는 은닉층 및 상기 은닉층으로부터 전달된 연산 결과를 출력 데이터로서 출력하기 위한 출력층을 포함하는 보일러 연소 모델을 도출하는 단계와, 상기 도출된 보일러 연소 모델의 정밀도를 판단하는 단계를 포함한다.
상기 보일러 연소 모델 도출 방법은 보일러 연소 모델의 입력 데이터 및 출력 데이터를 설정하는 단계와, 입력 데이터를 입력받기 위한 입력층, 상기 입력 데이터를 연산하기 위한 복수의 노드들을 포함하는 은닉층 및 상기 은닉층으로부터 전달된 연산 결과를 출력 데이터로서 출력하기 위한 출력층을 포함하는 보일러 연소 모델을 도출하는 단계와, 상기 도출된 보일러 연소 모델의 정밀도를 판단하는 단계를 포함한다.
Description
본 발명은 보일러 연소 모델 도출 장치 및 방법에 관한 것으로, 보다 자세하게는 입력 및 출력데이터를 설정하고, 인공신경망이 포함된 수학적 모델의 조합을 이용하여 보일러 연소 모델을 도출하는 보일러 연소 모델 도출 장치 및 방법에 관한 것이다.
석탄화력 발전소의 보일러의 경우 석탄 연소 시 발생하는 발열 반응을 이용하여 물을 가열하고 발전에 필요한 증기를 생산한다. 이때, 질소산화물과 같은 오염 배기가스가 발생하게 되는데, 이러한 오염 배기가스의 발생량이 많을 경우에는 이를 처리하기 위한 처리비용이 증가하게 된다. 더 나아가, 석탄의 연소가 불완전 연소인 경우는 연소효율이 감소하게 되어 발전/운전 비용이 증가하게 된다. 따라서, 연소 효율을 높이면서 오염 배기가스를 저감하기 위한 보일러 연소 최적화 장치가 필요한 실정이다.
본 발명은 앞에서 설명한 문제점을 해결하기 위한 것으로, 입력 및 출력데이터를 설정하고, 인공신경망이 포함된 수학적 모델의 조합을 이용하여 보일러 연소 모델을 도출하는 보일러 연소 모델 도출 장치 및 방법을 제공하는 것을 목적으로 한다.
위에서 언급된 본 발명의 기술적 과제 외에도, 본 발명의 다른 특징 및 이점들이 이하에서 기술되거나, 그러한 기술 및 설명으로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
앞에서 설명한 목적을 달성하기 위한 본 발명의 실시 예에 따른 보일러 연소 모델 도출 방법은 보일러 연소 모델의 입력 데이터 및 출력 데이터를 설정하는 단계와, 입력 데이터를 입력받기 위한 입력층, 입력 데이터를 연산하기 위한 복수의 노드들을 포함하는 은닉층 및 은닉층으로부터 전달된 연산 결과를 출력 데이터로서 출력하기 위한 출력층을 포함하는 보일러 연소 모델을 도출하는 단계와, 도출된 보일러 연소 모델의 정밀도를 판단하는 단계를 포함할 수 있다.
반면, 앞에서 설명한 목적을 달성하기 위한 본 발명의 실시 예에 따른 보일러 연소 모델 도출 장치는 보일러 연소 모델의 입력 데이터 및 출력 데이터를 설정하는 입출력 설정부와, 입력 데이터를 입력받기 위한 입력층, 입력 데이터를 연산하기 위한 복수의 노드들을 포함하는 은닉층 및 은닉층으로부터 전달된 연산 결과를 출력 데이터로서 출력하기 위한 출력층을 포함하는 보일러 연소 모델을 도출하는 모델 도출부와, 도출된 보일러 연소 모델의 정밀도를 판단하는 정밀도 판단부를 포함한다.
본 발명의 실시 예에 따른 보일러 연소 모델 도출 장치 및 방법은 보일러 연소 최적화를 위한 보일러 연소 모델을 도출할 수 있다.
또한, 보일러 연소 최적화를 위한 보일러 연소 모델을 도출함으로써, 보일러의 연소효율을 증대시키고, 배기가스를 저감시키고, 비용을 절감시킬 수 있다.
이 밖에도, 본 발명의 실시 예들을 통해 본 발명의 또 다른 특징 및 이점들이 새롭게 파악될 수도 있을 것이다.
도 1은 본 발명의 실시 예에 따른 보일러의 연소를 최적화를 위한 보일러 연소 최적화 장치를 설명하는 도면이다.
도 2는 본 발명의 실시 예에 따른 보일러 연소 모델 도출 장치의 구성을 나타내는 도면이다.
도 3은 본 발명의 실시 예에 따른 보일러 연소 모델의 도출 과정을 설명하기 위한 도면이다.
도 4는 본 발명의 실시 예에 따른 보일러 연소 모델 도출 방법을 나타내는 도면이다.
도 2는 본 발명의 실시 예에 따른 보일러 연소 모델 도출 장치의 구성을 나타내는 도면이다.
도 3은 본 발명의 실시 예에 따른 보일러 연소 모델의 도출 과정을 설명하기 위한 도면이다.
도 4는 본 발명의 실시 예에 따른 보일러 연소 모델 도출 방법을 나타내는 도면이다.
이하, 첨부한 도면을 참조하여 본 발명의 실시 예에 대하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다.
도 1은 본 발명의 실시 예에 따른 보일러의 연소를 최적화를 위한 보일러 연소 최적화 시스템을 설명하는 도면이다.
도 1을 참조하면, 보일러 연소 최적화 시스템은 연소 관리부(100), 자동 튜닝 관리부(모델/컨트롤러, 200), 데이터 사전 처리부(300), 데이터 분석부(400), 연소 모델 설계 알고리즘부(500), 연소 컨트롤러 설계 알고리즘부(600), 최적의 모델/컨트롤러 선정부(700), 연소 최적화 알고리즘부(800)를 포함할 수 있다.
석탄화력 발전소의 보일러의 경우 석탄 연소 시 발생하는 발열 반응을 이용하여 물을 가열하고 발전에 필요한 증기를 생산한다. 이때, 질소산화물과 같은 오염 배기가스가 발생하게 되는데, 이러한 오염 배기가스의 발생량이 많을 경우에는 이를 처리하기 위한 처리비용이 증가하게 된다. 더 나아가, 석탄의 연소가 불완전 연소인 경우는 연소효율이 감소하게 되어 발전/운전 비용이 증가하게 된다. 따라서, 연소 효율을 높이면서 오염 배기가스를 저감하기 위한 보일러 연소 최적화 시스템은 다음과 같다.
먼저, 연소 관리부(100)는 연소 최적화를 종합 관리할 수 있다. 구체적으로, 연소 관리부(100)는 실시간으로 측정되거나 계산된 태그 데이터 정보를 바탕으로 연소 최적화 수행 여부를 판단할 수 있다. 또한, 연소 관리부(100)는 발전소에서 이용되는 경우 발전 출력, 출력 변화 상태, 슈트 블로워 동작 여부, 보일러 로직 동작 등의 DCS 값을 토대로 연소 최적화 수행 여부를 판단할 수 있다.
또한, 자동 튜닝 관리부(모델/컨트롤러, 200)는 연소 모델과 연소 컨트롤러를 관리할 수 있다. 구체적으로, 자동 튜닝 관리부(모델/컨트롤러, 200)는 실시간으로 측정되거나 계산된 태그 데이터 정보, 연소 최적화 실시 여부, 모델과 제어기의 튜닝을 위한 학습 수행 여부 등과 같은 정보를 바탕으로 연소 모델 및 연소 컨트롤러의 튜닝 여부를 결정할 수 있다. 여기서, 자동 튜닝 관리부(모델/컨트롤러, 200)는 연소 모델 및 연소 컨트롤러가 튜닝을 하는 것으로 판단하는 경우 연소 모델 설계 알고리즘부(500) 및 연소 컨트롤러 설계 알고리즘부(600)를 실행시키고, 연소 모델 및 연소 컨트롤러가 튜닝을 하지 않는 것으로 판단하는 경우 연소 모델 설계 알고리즘부(500) 및 연소 컨트롤러 설계 알고리즘부(600)를 실행시키지 않을 수 있다.
또한, 데이터 사전 처리부(300)는 실시간으로 측정되거나 계산된 태그 데이터 정보와 기존에 저장되어 있는 태그의 데이터 정보를 이용하여 데이터 전처리를 수행할 수 있다. 구체적으로, 데이터 사전 처리부(300)는 신호 처리, 정상 데이터 처리(기반 지식 기반 또는 데이터 기반) 및 outlier 처리 등을 수행할 수 있다. 이를 통해, 데이터 사전 처리부(300)는 데이터 내의 노이즈를 제거하거나 연소 모델 생성이나 제어기를 설계를 함에 있어 악영향을 미칠 수 있는 데이터들을 제거할 수 있다.
또한, 데이터 분석부(400)는 데이터의 패턴 분석을 통하여 연소 모델과 제어기 설계에 필요한 정상상태의 중요 데이터만을 골라 내는 샘플링을 수행할 수 있다. 또한, 데이터 분석부(400)는 연소 모델 설계를 위해 상관관계 분석 등을 통하여 모델 출력 변수에 중요한 영향을 미치는 입력 변수를 선정할 수 있다.
또한, 연소 모델 설계 알고리즘부(500)는 보일러 연소를 최적화하기 위해 가장 중요한 요소 중 하나인 연소 모델을 설계하는 알고리즘일 수 있다. 연소 모델 설계 알고리즘부(500)는 연료투입량, 공기투입량, 공기 온도, 물 투입량, 공기 온도 등의 입력을 토대로 연소의 중요 변수인 발전 출력, 증기와 배기가스의 온도를 포함한 연소 상태, 배기가스 조성, 연소 후 잔여 산소량 등의 요소를 예측할 수 있는 연소 모델을 설계할 수 있다.
또한, 연소 컨트롤러 설계 알고리즘부(600)는 보일러 연소를 최적화화기 위해 가장 중요한 요소 중 하나인 연소 컨트롤러를 설계하는 알고리즘일 수 있다. 연소 컨트롤러 설계 알고리즘부(600)는 연소 모델을 이용하여 설계된 연소 컨트롤러가 최적의 연소 제어를 위한 최적의 목표치를 만들어내도록 할 수 있다.
또한, 최적의 모델/컨트롤러 선정부(700)는 현재 데이터에 대해서 분석한 결과를 바탕으로 기존에 만들어진 여러 개의 연소 모델 및 연소 컨트롤러 중에서 가장 최적인 연소 모델 및 연소 컨트롤러를 선정할 수 있다.
또한, 연소 최적화 알고리즘부(800)는 현재 데이터를 최적의 연소 모델 및 연소 컨트롤러에 입력하여 연소 최적화를 위한 최적의 목표치를 계산할 수 있다. 또한, 연소 최적화 알고리즘부(800)는 현재 DCS에서의 목표치와 매뉴얼을 이용하여 최적의 제어 목표값이나 관련 보조값을 계산할 수 있다.
본 발명의 실시 예에 따른 보일러 연소 모델 도출 장치는 연소 모델 설계 알고리즘부(500)에 해당하는 것으로, 입력 및 출력데이터를 설정하고, 인공신경망이 포함된 수학적 모델의 조합을 이용하여 보일러 연소 모델을 도출할 수 있다.
도 2는 본 발명의 실시 예에 따른 보일러 연소 모델 도출 장치의 구성을 나타내는 도면이다.
도 2를 참조하면, 본 발명의 실시 예에 따른 보일러 연소 모델 도출 장치(500)는 입출력 설정부(510), 모델 도출부(520), 정밀도 판단부(530) 및 데이터베이스(540)를 포함할 수 있다.
입출력 설정부(510)는 보일러 연소 모델의 입력 데이터 및 출력 데이터를 설정할 수 있다. 여기서, 입력 데이터는 공급수의 유량, 압력 및 온도, 연소 공기의 유량, 압력 및 온도, 연료의 사용량 및 조성을 포함할 수 있다. 입출력 설정부(510)는 상기 데이터 중 하나의 데이터를 입력 데이터로 설정하거나, 복수개의 데이터를 조합하여 입력 데이터로 설정할 수 있다. 구체적으로, 입력 데이터는 석탄에 관한 데이터(예컨대, 피더 플로우(feeder flow)의 데이터 또는 플레임 스캐너(flame scanner)의 데이터), 바이어스 댐퍼(bias damper)에 관한 데이터(예컨대, 플루 기체 바이어스 댐퍼 포스(Flue Gas Bias DMPR POS)의 데이터), 하중(load)에 관한 데이터(예컨대, 리퍼런스(reference), 로컬 셋 포인트(local set point)), SA(Secondary air) 댐퍼에 관한 데이터(예컨대, 댐퍼 포스(DMPR POS)), 플랜트 전체에 관한 데이터(예컨대, 에어 플로우(air flow), 피드 워터 플로우(feed water flow), 피드 워터 탬프(feed water temp.)), OFA에 관한 데이터(예컨대, UOFA 댐퍼 포스(UOFA DMPR POS)), WB에 관한 데이터(예컨대, 윈드 박스 프레스(Wind box press)), 공기에 관한 데이터(예컨대, FD fan(Forced Draft Fan) Inlet air temp)를 포함할 수 있다.
또한, 출력 데이터는 증기의 유량, 압력 및 온도, 배기가스의 온도 및 조성, 냉각용 스프레이의 유량 및 온도를 포함할 수 있다. 입출력 설정부(510)는 상기 데이터 중 하나의 데이터를 출력 데이터로 설정하거나, 복수개의 데이터를 조합하여 출력 데이터로 설정할 수 있다. 구체적으로, 출력 데이터는 연소 가스에 관한 데이터(예컨대, CO, Flow, NOx, O2, Press, SOx, Temp), 하중에 관한 데이터(Boiler, Turbine, Plant), 재열기에 관한 데이터(예컨대, spray flow, steam temp), 과열기에 관한 데이터(예컨대, sprat flow, steam press, steam temp)를 포함할 수 있다.
모델 도출부(520)는 입력 데이터를 입력받기 위한 입력층, 입력 데이터를 연산하기 위한 복수의 노드들을 포함하는 은닉층 및 은닉층으로부터 전달된 연산 결과를 출력 데이터로서 출력하기 위한 출력층을 포함하는 보일러 연소 모델을 도출할 수 있다.
여기서, 모델 도출부(520)에서 도출되는 보일러 연소 모델은 인공지능 기반의 모델일 수 있다. 실시 예들에 따라, 보일러 연소 모델은 머신 러닝(machine learning) 기반의 모델로, 인공 신경망 기반의 모델일 수 있다.
보일러 연소 모델은 인공신경망이 포함된 수학적 모델의 조합으로 구성되며, 인공신경망의 활성화 함수는 선형함수, 계단함수, Sigmoid 함수, ReLU 함수를 포함할 수 있다. 또한, 수학적 모델은 Transfer Function 모델, state space 모델, Impulse/step response 모델을 포함할 수 있으며, 단일 또는 복수개가 직렬 또는 병렬로 조합될 수 있다. 실시 예에 따르면, MLP 단일 모델은 두개의 은닉층을 가질 수 있다.
본 발명의 실시 예에 따르면, 보일러 연소 모델은 입력층(Input layer), 은닉층(Hidden layer) 및 출력층(Output layer)을 포함할 수 있고, 각 층들(입력층, 은닉층, 출력층)은 노드들을 포함할 수 있다.
입력층은 예측값을 도출하기 위한 예측변수의 값들을 입력할 수 있다. 본 발명의 실시 예에 따르면, 입력층은 입출력 설정부(510)에서 설정한 입력 데이터를 예측변수로써 입력할 수 있다. 여기서, 입력 데이터의 개수에 따라 입력층의 노드가 결정될 수 있다. 즉, 입력 데이터의 개수가 n개인 경우, 입력층의 노드도 n개일 수 있다.
은닉층은 입력층으로부터 입력 데이터를 받아 가중합을 계산하고, 계산한 가중합을 함수에 적용하여 출력층에 전달할 수 있다. 여기서, 은닉층은 모든 입력층의 노드로부터 입력 데이터를 받을 수 있으며, 입력층의 노드들 및 은닉층의 노드들은 모두 가중치를 가지는 망으로 연결되어 있을 수 있다.
여기서, 은닉층은 1 내지 30개의 층을 포함할 수 있고, 은닉층 내부의 노드의 개수는 1 내지 5000개일 수 있다.
출력층은 은닉층으로부터 입력 데이터를 처리한 데이터를 받아 출력 데이터로 출력할 수 있다. 여기서, 출력층은 모든 은닉층의 노드로부터 데이터를 받을 수 있으며, 은닉층의 노드들 및 출력층의 노드들은 모두 가중치를 가지는 망으로 연결되어 있을 수 있다.
본 발명의 실시 예에 따른 모델 도출부(520)는 입력층, 은닉층 및 출력층을 구성하여 보일러 연소 모델을 도출할 수 있다. 즉, 모델 도출부(520)는 입력층에서 입출력 설정부(510)에서 설정한 입력 데이터가 입력되어 은닉층으로 전달하고, 은닉층에서 입력 데이터를 가공하여 출력층으로 전달하고, 출력층에서 출력되는 데이터가 모델 설정부(510)에서 설정한 출력 데이터가 되도록 보일러 연소 모델을 도출할 수 있다.
정밀도 판단부(530)는 도출된 보일러 연소 모델의 정밀도를 판단할 수 있다. 정밀도 판단부(530)는 도출된 보일러 연소 모델의 정밀도를 판단한 결과, 도출된 보일러 연소 모델의 정밀도가 기 설정된 정밀도 이상인 경우, 최적의 보일러 연소 모델로 선정할 수 있다. 또한, 정밀도 판단부(530)는 도출된 보일러 연소 모델의 정밀도가 데이터베이스(540)에 저장되어 있는 최적 모델의 정밀도 이상인 경우, 도출된 보일러 연소 모델을 최적의 보일러 연소 모델로 선정할 수 있다.
일 예로, 모델 도출부(520)는 CFD(Computational fluid dynamics)에 따른 CFD 데이터를 이용하여 NN 기반(Neural Network based) 보일러 연소 모델을 도출할 수 있다. 즉, 모델 도출부(520)는 해당 플랜트의 CFD 데이터를 통해 학습하여 NN 기반 보일러 연소 모델을 도출할 수 있다. 이런 경우, 모델 도출부(520)는 입력층의 노드를 101개로 구성할 수 있고, 은닉층의 층 개수를 2개로 구성하여 각 층의 노드를 54개로 구성할 수 있고, 출력층의 노드를 264개로 구성할 수 있다.
다른 예로, 모델 도출부(520)는 실제 데이터(real data)를 이용하여 NN 기반 보일러 연소 모델을 도출할 수 있다. 즉, 모델 도출부(520)는 해당 플랜트의 실제 그리드 데이터를 통해 학습하여 NN 기반 보일러 연소 모델을 도출할 수 있다. 이런 경우, 모델 도출부(520)는 입력층의 노드를 116개로 구성할 수 있고, 은닉층의 층 개수를 4개로 구성하여 각 층의 노드를 26개로 구성할 수 있고, 출력층의 노드를 194개로 구성할 수 있다.
데이터베이스(540)는 보일러 연소 모델들을 저장할 수 있다. 모델 도출부(520)에서 도출된 보일러 연소 모델을 저장할 수 있으며, 고정 모델 및 최적 모델이 저장되어 있을 수 있다.
고정 모델(model root)은 1달 내지 10년 정도의 기간동안 발전소 운전 데이터를 이용하여 만들어진 연소 모델로서 미리 설정된 연소 모델일 수 있다. 예컨대, 장기간의 데이터를 이용하여 만들어진 연소 모델로 그 성능이 검증된 연소 모델이 일 수 있다. 고정 모델은 지정된 사용자로부터 데이터베이스(540)에 저장될 수 있고, 사용자가 임의로 변경하지 않는 한, 변경되거나 삭제될 수 없다. 고정 모델은 모델 도출부(520)가 보일러 연소 모델을 도출하기 위한 근간이 될 수 있다. 즉, 모델 도출부(520)는 고정 모델의 구조에 기초하여 보일러 연소 모델을 도출할 수 있다.
또한, 최적 모델(model fruit)은 이전에 최적의 보일러 연소 모델로 선정된 연소 모델일 수 있다. 데이터베이스(540)에는 최적 모델들이 선정된 순서에 따라 정렬되어 저장될 수 있다. 이에 따라 데이터베이스는 계층구조를 가질 수 있고, 데이터베이스(540)에는 최적의 보일러 연소 모델이 선정되는 순서에서 상위계층에서 하위계층의 순서로 저장될 수 있다.
또한, 모델 도출부(520)에 의해 도출된 보일러 연소 모델이 최적의 보일러 연소 모델로 선정되는 경우, 도출된 보일러 연소 모델은 데이터베이스(540)에 저장될 수 있다.
여기서, 데이터베이스(540)는 저장 공간이 남아있는 경우, 도출된 보일러 연소 모델을 저장할 수 있다. 그러나, 데이터베이스(540)는 저장 공간이 부족한 경우, 데이터베이스(540)에 저장되어 있는 최적 모델 중 하나의 모델을 삭제하고, 도출된 보일러 연소 모델을 저장할 수 있다. 여기서, 데이터베이스(540)는 저장되어 있는 최적 모델들 중 누적 정밀도가 가장 낮은 최적 모델을 삭제할 수 있다. 다른 예로, 데이터베이스(540)에 저장되어 있는 최적 모델들 중 누적 정밀도가 가장 낮은 최적 모델의 누적 정밀도가 도출된 보일러 연소 모델의 정밀도 이상인 경우, 도출된 보일러 연소 모델을 저장하지 않을 수도 있다.
도 3은 본 발명의 실시 예에 따른 보일러 연소 모델의 도출 과정을 설명하기 위한 도면이다.
도 3을 참조하면, 모델 도출부(520)에서 도출되는 보일러 연소 모델(BM)은 3가지 종류의 층들을 가질 수 있다. 보일러 연소 모델(BM)은 제1노드들(N1~N4)로 구성되는 입력층(IL), 제2노드들(N5~N13)로 구성되는 은닉층(HL) 및 제3노드들(N14~N15)로 구성되는 출력층(OL)을 포함할 수 있다. 도 3에 도시된 각 층들(IL, HL 및 OL)의 개수 및 각 층들(IL, HL 및 OL)에 포함되는 노드들(N1~N15)의 개수는 도 3에 도시된 것에 한정되지 않는다.
이하 설명되는 보일러 연소 모델(BM)에 포함되는 층들은 물리적인 층들이 아니고 기능들, 또는 기능 별로 분류된 명령어들의 세트로 이해될 수 있다.
입력층(IL)은 입력 데이터를 수신하고, 수신된 입력 데이터를 은닉층(HL)으로 전달할 수 있다. 실시 예들에 따라, 입력층(IL)은 공급수의 유량, 압력, 온도 또는 연소 공기의 유량, 압력, 온도 또는 연료의 사용량, 조성을 입력으로서 수신하고, 수신된 공급수의 유량, 압력, 온도 또는 연소 공기의 유량, 압력, 온도 또는 연료의 사용량, 조성을 은닉층(HL)으로 전달할 수 있다.
은닉층(HL)은 입력층(IL)으로부터 수신한 공급수의 유량, 압력, 온도 또는 연소 공기의 유량, 압력, 온도 또는 연료의 사용량, 조성을 이용하여 연산을 수행할 수 있다. 실시 예들에 따라, 은닉층(HL)은 가중치 및 바이어스 각각에 기초하여 공급수의 유량, 압력, 온도 또는 연소 공기의 유량, 압력, 온도 또는 연료의 사용량, 조성을 입력으로 한 출력을 생성할 수 있다. 예컨대, 은닉층(HL)의 가중치 및 바이어스는 공급수의 유량, 압력, 온도 또는 연소 공기의 유량, 압력, 온도 또는 연료의 사용량, 조성 각각의 우선 순위 및 중요도를 의미할 수 있다. 이에 따라 모델 도출부(520)는 입력 데이터에 대한 출력 데이터가 나오도록 하는 연산을 도출할 수 있다.
출력층(OL)은 은닉층(HL)으로부터 출력 데이터를 수신하고, 은닉층(HL)으로부터 전달된 연산 결과를 이용하여, 최종적으로 예측값을 계산할 수 있다. 실시 예들에 따라, 출력층(OL)은 증기의 유량, 압력, 온도 또는 배기가스의 온도, 조성 또는 냉각용 스프레이의 유량, 온도를 출력으로서 수신하고, 수신된 증기의 유량, 압력, 온도 또는 배기가스의 온도, 조성 또는 냉각용 스프레이의 유량, 온도를 예측값으로서 출력할 수 있다.
본 발명의 실시 예에 따른 모델 도출부(520)는 입력 데이터를 수신하는 입력층(IL), 입력층(IL)으로부터 수신한 입력 데이터를 가공하여 출력층(OL)으로 전달하는 은닉층(HL), 은닉층(HL)으로부터 출력 데이터를 수신하여 예측 결과를 출력하는 출력층(OL)을 구성할 수 있다.
도 4는 본 발명의 실시 예에 따른 보일러 연소 모델 도출 방법을 나타내는 도면이다.
도 4를 참조하면, 입출력 설정부(510)는 보일러 연소 모델의 입력 데이터 및 출력 데이터를 설정할 수 있다(S100). 여기서, 입력 데이터는 공급수의 유량, 압력 및 온도, 연소 공기의 유량, 압력 및 온도, 연료의 사용량 및 조성을 포함할 수 있다. 또한, 입력 데이터는 석탄에 관한 데이터, 바이어스 댐퍼에 관한 데이터, 하중에 관한 데이터, SA(Secondary air) 댐퍼에 관한 데이터, 플랜트 전체에 관한 데이터, OFA에 관한 데이터, WB에 관한 데이터, 공기에 관한 데이터를 포함할 수 있다. 입출력 설정부(510)는 상기 데이터 중 하나의 데이터를 입력 데이터로 설정하거나, 복수개의 데이터를 조합하여 입력 데이터로 설정할 수 있다.
또한, 출력 데이터는 증기의 유량, 압력 및 온도, 배기가스의 온도 및 조성, 냉각용 스프레이의 유량 및 온도를 포함할 수 있다. 또한, 출력 데이터는 연소 가스에 관한 데이터, 하중에 관한 데이터, 재열기에 관한 데이터, 과열기에 관한 데이터를 포함할 수 있다. 입출력 설정부(510)는 상기 데이터 중 하나의 데이터를 출력 데이터로 설정하거나, 복수개의 데이터를 조합하여 출력 데이터로 설정할 수 있다.
모델 도출부(520)는 입출력 설정부(510)에서 설정한 입출력 데이터에 대한 보일러 연소 모델을 도출할 수 있다(S110). 모델 도출부(520)는 입력 데이터를 입력받기 위한 입력층, 입력 데이터를 연산하기 위한 복수의 노드들을 포함하는 은닉층 및 은닉층으로부터 전달된 연산 결과를 출력 데이터로서 출력하기 위한 출력층을 포함하는 보일러 연소 모델을 도출할 수 있다.
여기서, 입력층은 입력 데이터를 수신하고, 수신된 입력 데이터를 은닉층으로 전달할 수 있다. 이때, 입력층은 입출력 설정부(510)에서 설정한 입력 데이터를 수신할 수 있다.
은닉층은 입력층으로부터 입력 데이터를 받아 가중합을 계산하고, 계산한 가중합을 함수에 적용하는 연산을 수행할 수 있다. 은닉층은 연산을 수행한 결과를 출력층으로 전달할 수 있다.
출력층은 은닉층으로부터 입력 데이터를 처리한 데이터를 수신하고, 은닉층으로부터 전달된 연산 결과를 이용하여, 최종적으로 예측값을 계산할 수 있다.
정밀도 판단부(530)는 도출된 보일러 연소 모델의 정밀도를 판단할 수 있다(S120). 정밀도 판단부(530)는 도출된 보일러 연소 모델의 정밀도를 판단한 결과, 도출된 보일러 연소 모델의 정밀도가 기 설정된 정밀도 이상인 경우, 최적의 보일러 연소 모델로 선정할 수 있다. 또한, 정밀도 판단부(530)는 도출된 보일러 연소 모델의 정밀도가 데이터베이스(540)에 저장되어 있는 최적 모델의 정밀도 이상인 경우, 도출된 보일러 연소 모델을 최적의 보일러 연소 모델로 선정할 수 있다.
데이터베이스(540)는 모델 도출부(520)에서 도출된 보일러 연소 모델들을 저장할 수 있다(S140). 데이터베이스(540)에는 이전에 최적의 보일러 연소 모델로 선정된 최적 모델들이 저장되어 있을 수 있다. 데이터베이스(540)는 모델 도출부(520)에 의해 도출된 보일러 연소 모델이 최적의 보일러 연소 모델로 선정되는 경우, 도출된 보일러 연소 모델을 저장할 수 있다.
여기서, 데이터베이스(540)는 저장 공간이 남아있는 경우, 도출된 보일러 연소 모델을 바로 저장할 수 있다. 그러나, 데이터베이스(540)는 저장 공간이 부족한 경우, 데이터베이스(540)에 저장되어 있는 최적 모델 중 하나의 모델을 삭제하고, 도출된 보일러 연소 모델을 저장할 수 있다. 여기서, 데이터베이스(540)는 저장되어 있는 최적 모델들 중 누적 정밀도가 가장 낮은 최적 모델을 삭제할 수 있다. 다른 예로, 데이터베이스(540)에 저장되어 있는 최적 모델들 중 누적 정밀도가 가장 낮은 최적 모델의 누적 정밀도가 도출된 보일러 연소 모델의 정밀도 이상인 경우, 도출된 보일러 연소 모델을 저장하지 않을 수도 있다.
전술한 바와 같이 본 발명의 실시 예에 따르면, 입력 및 출력데이터를 설정하고, 인공신경망이 포함된 수학적 모델의 조합을 이용하여 보일러 연소 모델을 도출하는 보일러 연소 모델 도출 장치 및 방법을 실현할 수 있다.
본 발명의 실시 예들에 따른 방법들은 컴퓨터로 판독 가능한 저장 매체에 저장되어 프로세서에 의해 실행될 수 있는 명령어들로 구현될 수 있다.
저장 매체는, 직접 및/또는 간접적이든, 원시 상태, 포맷화된 상태, 조직화된 상태 또는 임의의 다른 액세스 가능한 상태이든 관계없이, 관계형 데이터베이스, 비관계형 데이터베이스, 인-메모리(in-memory) 데이터베이스, 또는 데이터를 저장할 수 있고 저장 제어기를 통해 이러한 데이터에 대한 액세스를 허용할 수 있는 다른 적절한 데이터베이스와 같이 분산형을 포함하는 데이터베이스를 포함할 수 있다. 또한, 저장 매체는, 1차 저장 장치(storage), 2차 저장 장치, 3차 저장 장치, 오프라인 저장 장치, 휘발성 저장 장치, 비휘발성 저장 장치, 반도체 저장 장치, 자기 저장 장치, 광학 저장 장치, 플래시 저장 장치, 하드 디스크 드라이브 저장 장치, 플로피 디스크 드라이브, 자기 테이프, 또는 다른 적절한 데이터 저장 매체와 같은 임의의 타입의 저장 장치를 포함할 수 있다.
본 명세서에서, 명령어는 어셈블러 명령어, 명령어 세트 아키텍처(instruction-set-architecture, ISA) 명령어, 머신 명령어, 머신 의존 명령어, 마이크로 코드, 펌웨어 명령어, 상태 설정 데이터, 또는 Smalltalk, C ++ 등과 같은 객체 지향 프로그래밍 언어 및 "C" 프로그래밍 언어 또는 유사한 프로그래밍 언어와 같은 종래의 절차적 프로그래밍 언어를 포함하는 하나 이상의 프로그래밍 언어의 임의의 조합으로 작성된 소스 코드 또는 객체 코드 중 어느 하나일 수 있다.
본 발명은 도면에 도시된 실시 예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시 예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 등록청구범위의 기술적 사상에 의해 정해져야 할 것이다.
510: 입출력 설정부
520: 모델 도출부
530: 정밀도 판단부
540: 데이터베이스
520: 모델 도출부
530: 정밀도 판단부
540: 데이터베이스
Claims (19)
- 보일러 연소 모델 도출 장치가 보일러 연소 모델을 도출하는 방법에 있어서,
보일러 연소 모델의 입력 데이터 및 출력 데이터를 설정하는 단계;
입력 데이터를 입력받기 위한 입력층, 상기 입력 데이터를 연산하기 위한 복수의 노드들을 포함하는 은닉층 및 상기 은닉층으로부터 전달된 연산 결과를 출력 데이터로서 출력하기 위한 출력층을 포함하는 보일러 연소 모델을 도출하는 단계; 및
상기 도출된 보일러 연소 모델의 정밀도를 판단하는 단계;를 포함하고,
상기 입력 데이터는 공급수의 유량, 압력 및 온도, 연소 공기의 유량, 압력 및 온도, 연료의 사용량 및 조성을 포함하고,
상기 입력 데이터는 석탄에 관한 데이터, 바이어스 댐퍼(bias damper)에 관한 데이터, 하중에 관한 데이터, SA(secondary air) 댐퍼에 관한 데이터, 플랜트 전체에 관한 데이터, OFA(over fire air)에 관한 데이터, WB(wind box)에 관한 데이터, 공기에 관한 데이터를 포함하고,
상기 출력 데이터는 증기의 유량, 압력 및 온도, 배기가스의 온도 및 조성, 증기 냉각용 스프레이의 유량 및 온도를 포함하고,
상기 출력 데이터는 연소 가스에 관한 데이터, 하중에 관한 데이터, 재열기에 관한 데이터, 과열기에 관한 데이터를 포함하는
보일러 연소 모델 도출 방법.
- 삭제
- 삭제
- 제1항에 있어서,
상기 은닉층은 1 내지 30개의 층을 포함하고, 상기 은닉층에 포함되는 노드의 개수는 1 내지 5000개인 보일러 연소 모델 도출 방법.
- 제1항에 있어서,
상기 보일러 연소 모델은 인공신경망이 포함된 수학적 모델의 조합으로 구성되며,
상기 인공신경망의 활성화 함수는 선형함수, 계단함수, sigmoid 함수, ReLU 함수를 포함하고,
상기 수학적 모델은 Transfer Function 모델, State space 모델, Impulse/Step Response 모델을 포함하는 보일러 연소 모델 도출 방법.
- 제1항에 있어서,
상기 보일러 연소 모델을 도출하는 단계는,
플랜트의 CFD(computational fluid dynamics) 데이터를 통해 학습하여 NN(neural network) 기반 보일러 연소 모델을 도출하되,
상기 NN 기반 보일러 연소 모델의 상기 입력층의 노드를 101개로 구성하고, 상기 은닉층의 층 개수를 2개로 구성하고, 각 층의 노드를 54개로 구성하고, 상기 출력층의 노드를 264개로 구성하는 보일러 연소 모델 도출 방법.
- 제1항에 있어서,
상기 보일러 연소 모델을 도출하는 단계는,
플랜트의 실제 그리드 데이터를 통해 학습하여 NN 기반 보일러 연소 모델을 도출하되,
상기 NN 기반 보일러 연소 모델의 상기 입력층의 노드를 116개로 구성하고, 상기 은닉층의 층 개수를 4개로 구성하고, 각 층의 노드를 15개로 구성하고, 상기 출력층의 노드를 194개로 구성하는 보일러 연소 모델 도출 방법.
- 제1항에 있어서,
상기 보일러 연소 모델의 정밀도를 측정한 결과, 상기 보일러 연소 모델이 최적의 보일러 연소 모델로 판단되는 경우, 상기 보일러 연소 모델을 데이터베이스에 저장하는 단계;를 더 포함하는 보일러 연소 모델 도출 방법.
- 제8항에 있어서,
상기 데이터베이스에 저장하는 단계는,
상기 데이터베이스의 저장 공간이 부족한 경우, 상기 데이터베이스에 저장되어 있는 최적 모델 중 누적 정밀도가 가장 낮은 최적모델을 삭제하고, 상기 보일러 연소 모델을 상기 데이터베이스에 저장하는 보일러 연소 모델 도출 방법.
- 제1항 및 제4항 내지 제9항 중 어느 한 항에 따른 보일러 연소 모델 도출 방법을 수행하기 위한 프로그램이 저장된 저장매체.
- 보일러 연소 모델의 입력 데이터 및 출력 데이터를 설정하는 입출력 설정부;
입력 데이터를 입력받기 위한 입력층, 상기 입력 데이터를 연산하기 위한 복수의 노드들을 포함하는 은닉층 및 상기 은닉층으로부터 전달된 연산 결과를 출력 데이터로서 출력하기 위한 출력층을 포함하는 보일러 연소 모델을 도출하는 모델 도출부; 및
상기 도출된 보일러 연소 모델의 정밀도를 판단하는 정밀도 판단부;를 포함하고,
상기 입력 데이터는 공급수의 유량, 압력 및 온도, 연소 공기의 유량, 압력 및 온도, 연료의 사용량 및 조성을 포함하고,
상기 입력 데이터는 석탄에 관한 데이터, 바이어스 댐퍼(bias damper)에 관한 데이터, 하중에 관한 데이터, SA(secondary air) 댐퍼에 관한 데이터, 플랜트 전체에 관한 데이터, OFA(over fire air)에 관한 데이터, WB(wind box)에 관한 데이터, 공기에 관한 데이터를 포함하고,
상기 출력 데이터는 증기의 유량, 압력 및 온도, 배기가스의 온도 및 조성, 증기 냉각용 스프레이의 유량 및 온도를 포함하고,
상기 출력 데이터는 연소 가스에 관한 데이터, 하중에 관한 데이터, 재열기에 관한 데이터, 과열기에 관한 데이터를 포함하는
보일러 연소 모델 도출 장치.
- 삭제
- 삭제
- 제11항에 있어서,
상기 은닉층은 1 내지 30개의 층을 포함하고, 상기 은닉층 내부의 노드의 개수는 1 내지 5000개인 보일러 연소 모델 도출 장치.
- 제11항에 있어서,
상기 보일러 연소 모델은 인공신경망이 포함된 수학적 모델의 조합으로 구성되며,
상기 인공신경망의 활성화 함수는 선형함수, 계단함수, sigmoid계열, ReLU계열을 포함하고,
상기 수학적 모델은 Transfer Function 모델, State space 모델, Impulse/Step Response 모델을 포함하는 보일러 연소 모델 도출 장치.
- 제11항에 있어서,
상기 모델 도출부는 플랜트의 CFD(computational fluid dynamics) 데이터를 통해 학습하여 NN(neural network) 기반 보일러 연소 모델을 도출하되,
상기 NN 기반 보일러 연소 모델의 상기 입력층의 노드를 101개로 구성하고, 상기 은닉층의 층 개수를 2개로 구성하고, 각 층의 노드를 54개로 구성하고, 상기 출력층의 노드를 264개로 구성하는 보일러 연소 모델 도출 장치.
- 제11항에 있어서,
상기 모델 도출부는 플랜트의 실제 그리드 데이터를 통해 학습하여 NN 기반 보일러 연소 모델을 도출하되,
상기 NN 기반 보일러 연소 모델의 상기 입력층의 노드를 116개로 구성하고, 상기 은닉층의 층 개수를 4개로 구성하고, 각 층의 노드를 15개로 구성하고, 상기 출력층의 노드를 194개로 구성하는 보일러 연소 모델 도출 장치.
- 제11항에 있어서,
상기 보일러 연소 모델을 저장하는 데이터베이스를 더 포함하고,
상기 데이터베이스는 상기 보일러 연소 모델의 정밀도를 측정한 결과, 상기 보일러 연소 모델이 최적의 보일러 연소 모델로 판단되는 경우, 상기 보일러 연소 모델을 저장하는 보일러 연소 모델 도출 장치.
- 제18항에 있어서,
상기 데이터베이스는 상기 데이터베이스의 저장 공간이 부족한 경우, 상기 데이터베이스에 저장되어 있는 최적 모델 중 누적 정밀도가 가장 낮은 최적모델을 삭제하고, 상기 보일러 연소 모델을 상기 저장하는 보일러 연소 모델 도출 장치.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190040955A KR102291800B1 (ko) | 2019-04-08 | 2019-04-08 | 보일러 연소 모델 도출 장치 및 방법 |
| US16/808,360 US11475186B2 (en) | 2019-04-08 | 2020-03-03 | Apparatus and method for deriving boiler combustion model |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190040955A KR102291800B1 (ko) | 2019-04-08 | 2019-04-08 | 보일러 연소 모델 도출 장치 및 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20200118685A KR20200118685A (ko) | 2020-10-16 |
| KR102291800B1 true KR102291800B1 (ko) | 2021-08-23 |
Family
ID=72662667
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190040955A KR102291800B1 (ko) | 2019-04-08 | 2019-04-08 | 보일러 연소 모델 도출 장치 및 방법 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US11475186B2 (ko) |
| KR (1) | KR102291800B1 (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20230163101A (ko) | 2022-05-23 | 2023-11-30 | 한국전력공사 | 소비연료 성상 예측 시스템 및 방법 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112906307A (zh) * | 2021-03-24 | 2021-06-04 | 青岛洪锦智慧能源技术有限公司 | 一种基于数据挖掘的蒸汽锅炉的蒸汽产量的预测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007264796A (ja) * | 2006-03-27 | 2007-10-11 | Hitachi Ltd | プラント制御方法及びプラント制御装置 |
| JP2007271187A (ja) * | 2006-03-31 | 2007-10-18 | Hitachi Ltd | 燃焼装置を有する制御対象物の制御装置、及びボイラを有するプラントの制御装置 |
| KR101810968B1 (ko) * | 2016-07-29 | 2017-12-20 | 두산중공업 주식회사 | 인공신경망 기반 보일러 모델을 포함하는 발전소 보일러 연소 압터마이저, 및 이를 포함하는 발전소 보일러 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR19980051203A (ko) * | 1996-12-23 | 1998-09-15 | 김종진 | 신경회로망에 의한 가열로 자동연소제어방법 |
| KR101432511B1 (ko) * | 2012-10-16 | 2014-08-26 | (주)루먼텍 | Ｒｆ 데이터 저장장치 및 그 방법 |
| WO2016010601A2 (en) * | 2014-04-23 | 2016-01-21 | The Florida State University Research Foundation, Inc. | Adaptive nonlinear model predictive control using a neural network and input sampling |
-
2019
- 2019-04-08 KR KR1020190040955A patent/KR102291800B1/ko active IP Right Grant
-
2020
- 2020-03-03 US US16/808,360 patent/US11475186B2/en active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007264796A (ja) * | 2006-03-27 | 2007-10-11 | Hitachi Ltd | プラント制御方法及びプラント制御装置 |
| JP2007271187A (ja) * | 2006-03-31 | 2007-10-18 | Hitachi Ltd | 燃焼装置を有する制御対象物の制御装置、及びボイラを有するプラントの制御装置 |
| KR101810968B1 (ko) * | 2016-07-29 | 2017-12-20 | 두산중공업 주식회사 | 인공신경망 기반 보일러 모델을 포함하는 발전소 보일러 연소 압터마이저, 및 이를 포함하는 발전소 보일러 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20230163101A (ko) | 2022-05-23 | 2023-11-30 | 한국전력공사 | 소비연료 성상 예측 시스템 및 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| US11475186B2 (en) | 2022-10-18 |
| US20200320237A1 (en) | 2020-10-08 |
| KR20200118685A (ko) | 2020-10-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102106827B1 (ko) | 보일러 연소의 최적화를 위한 시스템 및 방법 | |
| KR102094288B1 (ko) | 보일러의 연소 최적화 연산을 위한 시스템 및 방법 | |
| US7389151B2 (en) | Systems and methods for multi-level optimizing control systems for boilers | |
| KR102130838B1 (ko) | 보일러 연소 모델 구성 장치 및 방법 | |
| CN110285403A (zh) | 基于被控参数预估的主蒸汽温度控制方法 | |
| CN105955026B (zh) | 模糊pid控制方法和装置及系统 | |
| KR102291800B1 (ko) | 보일러 연소 모델 도출 장치 및 방법 | |
| WO2015035134A1 (en) | Combined cycle power generation optimization system | |
| JP2007272646A (ja) | プラントの制御装置 | |
| Sindareh-Esfahani et al. | Model predictive control of a heat recovery steam generator during cold start-up operation using piecewise linear models | |
| KR102176765B1 (ko) | 연소 최적화를 위한 학습 데이터를 생성하기 위한 장치 및 이를 위한 방법 | |
| US11287126B2 (en) | System and method for controlling operation of boiler | |
| US11761623B2 (en) | Apparatus for combustion optimization and method therefor | |
| US20210010671A1 (en) | Device and method for selecting optimal boiler combustion model | |
| US20180239315A1 (en) | Heat recovery steam generator adaptive control | |
| CN110888401B (zh) | 火力发电机组燃烧控制优化方法、装置及可读存储介质 | |
| US11629856B2 (en) | Apparatus for managing combustion optimization and method therefor | |
| Vansovits et al. | Identification of industrial water boiler for model predictive control of district heat plant | |
| CN112348696A (zh) | 基于bp神经网络的供热机组调峰上限评估方法及系统 | |
| Sánchez et al. | Multistage procedure for pi controller design of the boiler benchmark problem | |
| Wisyaldin et al. | Combustion Optimization of Pulverized Coal-Fired Boiler in Thermal Power Plant Using Artificial Neural Network and Genetic Algorithm | |
| Mazibuko et al. | Machine Learning for Improved Boiler Control in the Power Generation Industry | |
| Zou et al. | Online evaluation of the boiler energy efficiency associated with the soot blowing in coal‐fired power plants | |
| Ghaffari et al. | Turbine follower control strategy design based on developed FFPP model | |
| CN113759714A (zh) | 一种超超临界火电机组的模糊聚类预测控制方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E90F | Notification of reason for final refusal | ||
| E701 | Decision to grant or registration of patent right |