KR102340069B1 - 산업설비의 운전 효율 향상을 위한 딥러닝 기반 기화기의 최적 운전 및 감시 시스템 - Google Patents

산업설비의 운전 효율 향상을 위한 딥러닝 기반 기화기의 최적 운전 및 감시 시스템 Download PDF

Info

Publication number
KR102340069B1
KR102340069B1 KR1020210056597A KR20210056597A KR102340069B1 KR 102340069 B1 KR102340069 B1 KR 102340069B1 KR 1020210056597 A KR1020210056597 A KR 1020210056597A KR 20210056597 A KR20210056597 A KR 20210056597A KR 102340069 B1 KR102340069 B1 KR 102340069B1
Authority
KR
South Korea
Prior art keywords
rpm
discharge temperature
vaporization
unit
fan
Prior art date
Application number
KR1020210056597A
Other languages
English (en)
Inventor
조만영
Original Assignee
가온플랫폼 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 가온플랫폼 주식회사 filed Critical 가온플랫폼 주식회사
Application granted granted Critical
Publication of KR102340069B1 publication Critical patent/KR102340069B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Feedback Control In General (AREA)
  • Filling Or Discharging Of Gas Storage Vessels (AREA)

Abstract

LNG(Liquefied Natural Gas)를 기화시켜 기설정된 토출온도로 NG(Natural Gas)를 토출하는지를 모니터링하는 기화기(AAV: Ambient Air Vaporizer)의 운전 감시 시스템에 있어서, 상기 기화기에 구비된 기화 팬(Fan)을 구동하여 운전 데이터를 획득하고, 상기 운전 데이터 중 제상운전 구간 및 정지 구간을 제외한 기화운전 구간의 운전 데이터를 샘플링하여 기화운전 데이터로 계측 및 저장하는 전처리부; 상기 전처리부로부터 기설정된 시간동안 저장된 기화운전 데이터를 수신하고, 상기 수신한 기화운전 데이터를 딥러닝 학습하여 상기 기화 팬의 RPM별 NG의 토출온도를 예측하며, 상기 토출온도에 따른 예상 전력소모량을 판단하여 상기 전력소모량이 최소가 되는 상기 기화 팬의 RPM을 도출하는 RPM 도출부; 상기 전처리부로부터 실시간으로 계측되는 기화운전 데이터를 수신하고, 상기 계측된 기화운전 데이터를 딥러닝 학습하여 상기 기화 팬의 RPM별 NG의 토출온도를 예측하는 토출온도 예측부; 및 상기 RPM 도출부와 상기 토출온도 예측부로부터 각각 수신한 상기 기화 팬의 RPM과, 상기 NG의 토출온도, 및 실시간으로 계측되는 MG의 토출온도를 출력하는 운전정보 표시부;를 포함한다.

Description

산업설비의 운전 효율 향상을 위한 딥러닝 기반 기화기의 최적 운전 및 감시 시스템{Deep learning-based carburetor optimal operation and monitoring system to improve industrial facility operation efficiency}
본 발명은 공기식기화기가 LNG를 기화시켜 0℃ 이상의 토출온도로 천연가스(NG)를 토출하는지를 모니터링하는 산업설비의 운전 효율 향상을 위한 딥러닝 기반 기화기의 최적 운전 및 감시 시스템에 관한 것으로, 보다 상세하게는 딥러닝 학습을 기반으로 전력소모량이 최소가 되는 기화 팬의 RPM 및 기화 팬의 RPM별 NG의 토출온도를 예측함으로써, 최적의 발전효율로 공기식기화기의 토출온도가 0℃ 이상이 되도록 구동시킬 수 있는 산업설비의 운전 효율 향상을 위한 딥러닝 기반 기화기의 최적 운전 및 감시 시스템에 관한 것이다.
일반적으로 천연가스 생산기지에서는 연소식기화기(ORV: Open Rack Vaporizer), 해수식기화기(SCV: Submerged Combustion Vaporizer) 등을 활용하여 액화천연가스(LNG)를 기화시킨 후 천연가스(NG)로 공급관리소를 통하여 수요처로 송출한다.
그러나, 연소식기화기는 연료가스를 활용하기 때문에 비용적인 측면의 단점이 있으며, 해수식기화기는 해수를 활용하기 때문에 환경적인 측면에서 단점이 있다. 따라서, 최근에는 연소식기화기 및 해수식기화기를 대체한 공기식기화기(AAV: Ambient Air Vaporizer)를 도입하는 기지가 증가하는 추세이다.
이러한 공기식기화기는 공기를 열 교환 매체로 활용하여 LNG를 기화시킴으로써 질소산화물(NOx)과 미세먼지를 배출하지 않는 친환경 설비이지만, 대기조건(온도, 습도 등) 및 운전조건(LNG 온도, LNG 유량 등)에 따라 기화된 NG의 토출 온도가 달라지기 때문에 LNG 기화를 위한 적절한 기화 팬(Fan)의 Fan RPM을 설정해야한다.
만약 Fan RPM을 적정 수준 이상으로 운전한다면 공기식기화기 운전에 필요 이상의 전력을 사용하기 때문에 불필요한 전력이 낭비되며, 적정 수준 이하로 운전한다면 기화된 천연가스의 온도가 영하로 떨어지기 때문에 별도의 승온설비를 추가설치 및 가동하여야만 하므로 추가적인 전력소모가 수반되는 문제가 있다.
그러나, 공기식기화기는 해외를 포함한 타 생산기지에서의 활용 사례가 많지 않고 대기조건에 따른 기화기 성능에 대한 데이터가 부족하기 때문에, 현재는 운전원의 경험적인 지식에 의존하여 기화 운전을 수행하고 있으며, 이로 인해 기화 효율을 최대로 활용하지 못하는 경우가 빈번히 발생하고 있다.
따라서, 전술한 문제를 해결하기 위하여 대기조건과 운전조건에 가장 적합한 최적의 Fan RPM을 도출하는 알고리즘이 포함된 공기식기화기에 대한 운전 상태 감시시스템의 연구 및 개발이 절실히 요구되는 실정이다.
등록특허공보 10-2217227 (2021.02.18 공고)
본 발명의 과제는 딥러닝 학습을 기반으로 전력소모량이 최소가 되는 기화 팬의 RPM 및 기화 팬의 RPM별 NG의 토출온도를 예측함으로써, 최적의 발전효율로 공기식기화기의 토출온도가 0℃ 이상이 되도록 구동시킬 수 있는 산업설비의 운전 효율 향상을 위한 딥러닝 기반 기화기의 최적 운전 및 감시 시스템을 제공함에 있다.
상기의 과제를 달성하기 위한 본 발명에 따른 산업설비의 운전 효율 향상을 위한 딥러닝 기반 기화기의 최적 운전 및 감시 시스템은 LNG(Liquefied Natural Gas)를 기화시켜 기설정된 토출온도로 NG(Natural Gas)를 토출하는지를 모니터링하는 기화기의 최적 운전 및 감시 시스템에 있어서, 상기 기화기에 구비된 기화 팬(Fan)을 구동하여 운전 데이터를 획득하고, 상기 운전 데이터 중 제상운전 구간 및 정지 구간을 제외한 기화운전 구간의 운전 데이터를 샘플링하여 기화운전 데이터로 계측 및 저장하는 전처리부; 상기 전처리부로부터 기설정된 시간동안 저장된 기화운전 데이터를 수신하고, 상기 수신한 기화운전 데이터를 딥러닝 학습하여 상기 기화 팬의 RPM별 NG의 토출온도를 예측하며, 상기 토출온도에 따른 예상 전력소모량을 판단하여 상기 전력소모량이 최소가 되는 상기 기화 팬의 RPM을 도출하는 RPM 도출부; 상기 전처리부로부터 실시간으로 계측되는 기화운전 데이터를 수신하고, 상기 계측된 기화운전 데이터를 딥러닝 학습하여 상기 기화 팬의 RPM별 NG의 토출온도를 예측하는 토출온도 예측부; 및 상기 RPM 도출부와 상기 토출온도 예측부로부터 각각 수신한 상기 기화 팬의 RPM과, 상기 NG의 토출온도, 및 실시간으로 계측되는 MG의 토출온도를 출력하는 운전정보 표시부;를 포함한다.
또한, 상기 기화기는 공기식기화기(AAV: Ambient Air Vaporizer)를 포함할 수 있다.
또한, 상기 운전정보 표시부는 상기 토출온도 예측부에서 예측되는 상기 NG의 토출온도가 0℃ 이하로 예측되는 경우, 상기 기화 팬의 RPM을 증가시키도록 제어 신호를 출력할 수 있다.
또한, 상기 운전정보 표시부는 상기 토출온도 예측부에서 예측되는 상기 NG의 토출온도가 0℃ 이하로 예측되는 경우, 경고 신호를 출력할 수 있다.
또한, 상기 전처리부는 상기 샘플링된 기화운전 데이터에서 상기 NG의 토출온도가 -10℃ 이하인 이상 데이터를 제거하여 필터링할 수 있다.
또한, 상기 운전 데이터는 대기온도, 대기습도, LNG의 온도, LNG의 인입 유량, NG의 토출온도, 및 기화 팬의 RPM 중 적어도 하나를 포함할 수 있다.
또한, 상기 RPM 도출부는 기화운전 시작 전 1차 딥러닝 학습을 수행하며, Bidirectional LSTM 모델에 대기온도와, 대기습도, 및 LNG의 인입 유량을 포함하는 초기 조건을 제공하여, 상기 초기 조건에 따른 상기 NG의 토출온도를 예측하는 제1 예측모델 학습부와, 상기 제1 예측모델 학습부에 상기 초기조건이 입력되었을 때, 그에 따른 상기 기화 팬의 RPM별 NG의 토출온도 예측 값을 산출하는 제1 예측모델 계산부와, 상기 제1 예측모델 계산부에서 산출된 NG의 토출온도가 0℃를 초과하는 복수의 RPM 값을 각각 획득하고, 상기 RPM 값들 중에서 0℃에 가장 근접한 RPM을 선택하여 상기 전력소모량이 최소가 되는 RPM을 도출하는 RPM 도출 연산부를 포함할 수 있다.
또한, 상기 토출온도 예측부는 기화운전 시작에서 종료 시점까지 2차 딥러닝 학습을 수행하며, 상기 전처리부로부터 실시간으로 계측되는 기화운전 데이터를 기설정된 시간동안 수신하고, 상기 기화운전 데이터를 Bidirectional LSTM 모델을 기반으로 학습하여 상기 RPM별 NG의 토출온도를 예측하는 제2 예측모델 학습부와, 상기 제2 예측모델 학습부로부터 예측된 RPM별 NG의 토출온도를 회귀하여 상기 Bidirectional LSTM 모델에 입력한 후 재학습하여, 기화운전 시작에서 종료 시점까지의 RPM별 NG의 토출온도를 예측할 수 있다.
또한, 상기 운전정보 표시부는 상기 기화기의 운전 시작 전에 상기 LNG의 인입 유량을 포함하는 운전정보를 입력할 수 있도록 형성된 입력부와, 상기 기화기 주변의 온도 및 습도를 포함하는 대기정보를 계측하여 취득하는 대기 측정부와, 상기 기화기의 운전 시작 전에 상기 운전정보 및 상기 대기정보를 상기 RPM 도출부에 제공하여 도출된 상기 기화 팬의 RPM별 NG의 토출온도와, 상기 토출온도에 따른 예상전력소모량을 출력하는 RPM 도출결과 표시부와, 상기 전처리부에서 실시간으로 획득되는 상기 기화기의 운전 데이터와, 토출온도 예측부에서 예측된 상기 기화 팬의 RPM별 NG의 토출온도를 출력하는 운전현황 표시부를 포함할 수 있다.
또한, 상기 운전현황 표시부는 상기 NG의 토출온도 값을 도표로 출력할 수 있다.
또한, 상기 RPM 도출부 및 상기 토출온도 예측부는 CNN 알고리즘, RNN 알고리즘, LSTM 알고리즘, Bidirectional LSTM 알고리즘 중 적어도 하나에 기초하여 딥러닝 기반의 학습을 수행할 수 있다.
본 발명에 따르면, 딥러닝 학습을 통해 현재 운전조건 및 대기조건에 따른 기화 팬의 RPM별 토출온도와 전력소모량을 획득할 수 있으며, 이를 이용하여 운전원이 공기식기화기를 최적의 RPM으로 운전하는 경우 운전 효율성과 안전성을 향상시킬 수 있다. 즉, 종래에는 운전원이 경험적 지식을 기반으로 기화 팬의 RPM을 제어하였으나, 본 발명에 따르면 딥러닝 학습을 통해 예측된 전력소모량이 최소가 되는 RPM 값으로 기화 팬을 구동시키면 되므로, 최적의 발전효율로 공기식기화기를 운전할 수 있다.
또한, 공기식기화기의 가동 후 예상치 못한 대기조건의 변화에 따라 영향을 받는 NG의 토출온도를 운전 중에 다시 한번 예측해 줌으로써, 보다 정확한 예측 값을 제공할 수 있다.
또한, NG의 토출온도가 0℃ 이하로 예측되는 경우, 경고 신호 및 제어 신호를 출력해 줌으로써 운전원이 보다 빠르게 대응할 수 있다는 장점이 있다.
아울러, 운전현황 표시부를 통해 공기식기화기의 전체 운전 상태를 디스플레이 할 수 있으므로, 운전원은 이를 이용하여 공기식기화기의 전반적인 운전 상황 및 상태를 쉽게 파악할 수 있다.
도 1은 본 발명의 일 실시예에 따른 딥러닝 기반 기화기의 최적 운전 및 감시 시스템에 대한 블록도이다.
도 2는 도 1에 도시된 딥러닝 기반 기화기의 최적 운전 및 감시 시스템에 대한 사용 순서도이다.
도 3은 도 1에 도시된 공기식기화기의 운전 시작 전에 RPM 도출부의 학습 및 계산 과정을 설명하기 위한 도면이다.
도 4는 도 1에 도시된 공기식기화기의 운전 시작 후에 토출온도 예측부의 학습 및 계산 과정을 설명하기 위한 도면이다.
도 5는 도 1에 도시된 딥러닝 기반 기화기의 최적 운전 및 감시 시스템에서 출력되는 기화 팬의 RPM과 NG의 토출온도의 화면을 나타낸 도면이다.
도 6은 도 1에 도시된 딥러닝 기반 기화기의 최적 운전 및 감시 시스템에서 출력되는 공기식기화기의 운전 현황 및 상태 화면을 나타낸 도면이다.
도 7은 도 1에 도시된 딥러닝 기반 기화기의 최적 운전 및 감시 시스템에서 출력되는 공기식기화기의 운전 현황 모니터링 화면을 나타낸 도면이다.
이하 첨부된 도면을 참조하여, 바람직한 실시예에 따른 딥러닝 기반 기화기의 최적 운전 및 감시 시스템에 대해 상세히 설명하면 다음과 같다. 여기서, 동일한 구성에 대해서는 동일부호를 사용하며, 반복되는 설명, 발명의 요지를 불필요하게 흐릴 수 있는 공지 기능 및 구성에 대한 상세한 설명은 생략한다. 발명의 실시형태는 당업계에서 평균적인 지식을 가진 자에게 본 발명을 보다 완전하게 설명하기 위해서 제공되는 것이다. 따라서, 도면에서의 요소들의 형상 및 크기 등은 보다 명확한 설명을 위해 과장될 수 있다.
도 1은 본 발명의 일 실시예에 따른 딥러닝 기반 기화기의 최적 운전 및 감시 시스템에 대한 블록도이고, 도 2는 도 1에 도시된 딥러닝 기반 기화기의 최적 운전 및 감시 시스템에 대한 사용 순서도이다. 그리고, 도 3은 도 1에 도시된 공기식기화기의 운전 시작 전에 RPM 도출부의 학습 및 계산 과정을 설명하기 위한 도면이며, 도 4는 도 1에 도시된 공기식기화기의 운전 시작 후에 토출온도 예측부의 학습 및 계산 과정을 설명하기 위한 도면이다. 그리고, 도 5는 도 1에 도시된 딥러닝 기반 기화기의 최적 운전 및 감시 시스템에서 출력되는 기화 팬의 RPM과 NG의 토출온도의 화면을 나타낸 도면이고, 도 6은 도 1에 도시된 딥러닝 기반 기화기의 최적 운전 및 감시 시스템에서 출력되는 공기식기화기의 운전 현황 및 상태 화면을 나타낸 도면이며, 도 7은 도 1에 도시된 딥러닝 기반 기화기의 최적 운전 및 감시 시스템에서 출력되는 공기식기화기의 운전 현황 모니터링 화면을 나타낸 도면이다.
도 1 내지 도 7을 참조하면, 딥러닝 기반 기화기의 최적 운전 및 감시 시스템(100)은 전처리부(110)와, RPM 도출부(120)와, 토출온도 예측부(130), 및 운전정보 표시부(140)를 포함할 수 있다.
본 발명에 따른 딥러닝 기반 기화기의 최적 운전 및 감시 시스템(100)은 LNG(Liquefied Natural Gas)를 기화시켜 기설정된 토출온도로 NG(Natural Gas)를 토출하는 기화기의 운전을 감시하여 기화기의 운전을 최적으로 구동시키기 위해 사용될 수 있다. 여기서, 기설정된 토출온도는 0℃ ~ 10℃일 수 있는데, 이는 NG의 토출온도가 0℃ 이하이면 별도의 승온 설비를 가동해야 하고, 10℃를 초과하면 공기식기화기의 운전에 필요 이상의 전력을 사용하여 불필요한 전력 낭비가 발생하기 때문이다. 따라서, 본 발명에 따른 딥러닝 기반 기화기의 최적 운전 및 감시 시스템(100)으로부터 예측되는 NG의 토출온도 데이터를 이용하여 기화기의 운전을 컨트롤하는 경우, 최적의 발전효율로 기화기를 구동시킬 수 있게 된다.
한편, 이하 설명에서는 기화기를 공기식기화기(AAV: Ambient Air Vaporizer)로 한정하여 설명하나, 이 밖에도 연소식기화기(ORV: Open Rack Vaporizer), 해수식기화기(SCV: Submerged Combustion Vaporizer) 등과 같이 다양한 종류의 기화기에 적용 가능하다.
전처리부(110)는 공기식기화기에 구비된 기화 팬(Fan)을 구동하여 운전 데이터를 획득하고, 운전 데이터 중 제상운전 구간 및 정지 구간을 제외한 기화운전 구간의 운전 데이터를 샘플링하여 기화운전 데이터로 계측 및 저장할 수 있다. 즉, 공기식기화기는 기화운전 → 제상운전 → 정지의 사이클로 운전할 수 있는데, 전처리부(110)에서는 전체 운전 데이터 중 제상운전 구간과 정지 구간을 제외한 기화운전 구간의 운전 데이터만 계측 및 저장하는 것이다.
전처리부(110)에서 획득하는 운전 데이터는 대기온도, 대기습도, LNG의 온도, LNG의 인입 유량, NG의 토출온도, 및 기화 팬의 RPM 중 적어도 하나를 포함할 수 있다. 즉, 공기식기화기는 공기를 열 교환 매체로 LNG를 기화시키기 때문에 온도, 습도 등의 대기조건과, LNG의 온도, LNG의 인입 유량 등의 운전조건에 따라 NG의 토출온도가 달라지므로, 운전 데이터는 단순히 NG의 토출온도와 기화 팬의 RPM뿐 아니라 이러한 대기조건 및 운전조건을 더 포함하는 것이 바람직하다.
전처리부(110)는 샘플링된 기화운전 데이터에서 NG의 토출온도가 -10℃ 이하인 이상 데이터를 제거하여 필터링할 수 있다. 이는, LNG의 인입 유량이 일반적으로 15ton/h인 것을 감안하였을 때, NG의 토출온도가 -10℃ 이하인 경우 기화운전이 실패한 것으로 판단되기 때문이다. 이처럼 불필요한 데이터를 필터링해 줌으로써 결과의 신뢰도를 향상시킬 수 있으며, 딥러닝 학습시 사용되는 데이터를 줄여 학습 속도를 향상시킬 수 있다.
RPM 도출부(120)는 전처리부(110)로부터 기설정된 시간동안 저장된 기화운전 데이터를 수신하고, 수신한 기화운전 데이터를 딥러닝 학습하여 기화 팬의 RPM별 NG의 토출온도를 예측하며, 토출온도에 따른 예상 전력소모량을 판단하여 전력소모량이 최소가 되는 기화 팬의 RPM을 도출할 수 있다. 즉, 도 3에 도시된 바와 같이, RPM 도출부(120)는 공기식기화기의 각 RPM별 NG의 토출온도를 예측함으로써, 송출되는 NG의 품질기준(NG의 토출온도 > 0℃)을 만족하면서도 전력소모가 최소가 되는 최적의 RPM을 도출하기 위해 사용될 수 있다.
RPM 도출부(120)는 기화운전 시작 전에 1차로 딥러닝 학습을 수행할 수 있으며, 제1 예측모델 학습부(121)와, 제1 예측모델 계산부(122)와, RPM 도출 연산부(123)를 포함할 수 있다.
제1 예측모델 학습부(121)는 Bidirectional LSTM 모델에 대기온도와, 대기습도, 및 LNG의 인입 유량을 포함하는 초기 조건을 제공하여, 초기 조건에 따른 NG의 토출온도를 예측할 수 있다. 예를 들어, 제1 예측모델 학습부(121)는 전처리부(110)에서 처리된 기화운전 데이터와, 대기온도와, 대기습도, 및 LNG의 인입 유량을 Bidirectional LSTM 모델에 입력하여 데이터를 학습할 수 있다.
제1 예측모델 계산부(122)는 제1 예측모델 학습부(121)에 초기조건이 입력되었을 때, 그에 따른 기화 팬의 RPM별 NG의 토출온도 예측 값을 산출할 수 있다. 예를 들어, 제1 예측모델 계산부(122)는 제1 예측모델 학습부(121)에 기화운전 데이터와, 대기온도와, 대기습도, 및 LNG의 인입 유량 등이 입력되었을 때, 그에 따른 기화 종료시점까지의 RPM별 NG의 토출온도 예측 값을 산출할 수 있다.
RPM 도출 연산부(123)는 제1 예측모델 계산부(122)에서 산출된 NG의 토출온도가 0℃를 초과하는 복수의 RPM 값을 각각 획득하고, RPM 값들 중에서 0℃에 가장 근접한 RPM을 선택하여 전력소모량이 최소가 되는 RPM을 도출할 수 있다. 예를 들어, 제1 예측모델 계산부(122)에서 산출된 RPM별 NG의 토출온도에 따른 전력소모량이 각각 450RPM/1.7℃/3533kw, 500RPM/3.1℃/4264kw, 550RPM/4.7℃/5239kw, 600RPM/5.6℃/6336kw, 650RPM/6.0℃/7676kw로 이루어진 경우, 0℃에 가장 근접한 450RPM을 선택하는 것이다. 이에 따라, 공기식기화기의 기화 팬을 450RPM으로 구동시키도록 적용하는 경우, 최적의 효율로 운전할 수 있게 된다.
토출온도 예측부(130)는 전처리부(110)로부터 실시간으로 계측되는 기화운전 데이터를 수신하고, 계측된 기화운전 데이터를 딥러닝 학습하여 기화 팬의 RPM별 NG의 토출온도를 예측할 수 있다. 즉, 토출온도 예측부(130)는 기화운전 시작 후 실시간으로 계측되는 기화운전 데이터를 활용하여 기화운전 종료 시점까지 NG의 토출온도를 다시 예측하기 위해 사용될 수 있다.
토출온도 예측부(130)는 기화운전 시작에서 종료 시점까지 2차 딥러닝 학습을 수행할 수 있으며, 제2 예측모델 학습부(131)와, 제2 예측모델 계산부(132)를 포함할 수 있다.
제2 예측모델 학습부(131)는 전처리부(110)로부터 실시간으로 계측되는 기화운전 데이터를 기설정된 시간동안 수신하고, 기화운전 데이터를 Bidirectional LSTM 모델을 기반으로 학습하여 RPM별 NG의 토출온도를 예측할 수 있다. 예를 들어, 제2 예측모델 학습부(131)는 총 기화운전 데이터 중 2시간 동안의 기화운전 데이터만 입력받아 다음 시점에 대한 NG의 토출온도를 예측할 수 있도록, Bidirectional LSTM 모델을 기반으로 데이터를 학습할 수 있다.
제2 예측모델 계산부(132)는 제2 예측모델 학습부(131)로부터 예측된 RPM별 NG의 토출온도를 회귀하여 Bidirectional LSTM 모델에 입력한 후 재학습하여, 기화운전 시작에서 종료 시점까지의 RPM별 NG의 토출온도를 예측할 수 있다. 예를 들어, 제2 예측모델 계산부(132)는 실시간으로 계측되는 현재 시점(n)의 기화운전 데이터를 Bidirectional LSTM 모델에 입력하여 다음 시점(n+1)의 데이터를 예측할 수 있으며, 예측된 값을 다시 Bidirectional LSTM 모델에 입력한 후 재학습하여 그 다음 시점(n+2)의 데이터를 예측하는 것이다. 이렇게 반복적으로 회귀 학습함으로써 기화 시작에서부터 종료 시점까지에 대한 NG의 토출온도를 예측할 수 있다.
한편, 앞서 RPM 도출부(120) 및 토출온도 예측부(130)가 Bidirectional LSTM 알고리즘을 이용하여 딥러닝 학습을 수행하는 것으로 설명하였으나, 이에 한정되지 않으며 CNN 알고리즘, RNN 알고리즘, LSTM 알고리즘, Bidirectional LSTM 알고리즘 중 적어도 하나에 기초하여 딥러닝 기반의 학습을 수행할 수 있다.
운전정보 표시부(140)는 RPM 도출부(120)와 토출온도 예측부(130)로부터 각각 수신한 기화 팬의 RPM과, NG의 토출온도, 및 실시간으로 계측되는 MG의 토출온도를 출력할 수 있다. 예를 들어, 도 5에 도시된 바와같이, 운전정보 표시부(140)는 운전원이 구비한 단말기나 관리 서버 등에 예측된 기화 팬의 RPM과, NG의 토출온도, 및 실시간으로 계측되는 MG의 토출온도 등을 디스플레이함으로써, 공기식기화기의 운전 현황과 상태 등을 파악하도록 할 수 있다.
운전정보 표시부(140)는 입력부(141)와, 대기 측정부(142)와, RPM 도출결과 표시부(143)와, 운전현황 표시부(144)를 포함할 수 있다.
입력부(141)는 공기식기화기의 운전 시작 전에 LNG의 인입 유량을 포함하는 운전정보를 입력할 수 있도록 형성될 수 있다. 예를 들어, 입력부(141)는 LNG의 인입 유량, LNG의 온도 등과 같이 사용자가 원하는 운전정보를 입력할 수 있도록 형성될 수 있다.
대기 측정부(142)는 공기식기화기 주변의 온도 및 습도를 포함하는 대기정보를 계측하여 취득할 수 있다. 예를 들어, 대기온도 및 습도는 공기식기화기에 온습도계를 설치하여 실시간으로 취득할 수도 있지만, 기상청으로부터 측정된 온도 및 습도를 제공받는 것이 바람직하다. 이는, 토출온도 예측부(130)가 기화운전 시작 후 미래에 대한 RPM별 NG의 토출온도를 예측하는 것이기 때문에, 기화운전의 종료 시점까지에 대한 대기온도와, 대기습도를 미리 입력해 두어야 하기 때문이다. 이렇게 계측된 대기정보는 후술되는 RPM 도출결과 표시부(143)에 수동 또는 자동으로 입력될 수 있다.
RPM 도출결과 표시부(143)는 공기식기화기의 운전 시작 전에 운전정보 및 대기정보를 RPM 도출부(120)에 제공하여 도출된 기화 팬의 RPM별 NG의 토출온도와, 토출온도에 따른 예상전력소모량을 출력할 수 있다. 예를 들어, RPM 도출결과 표시부(143)는 운전정보 및 대기정보가 입력되어 산출된 기화 팬의 RPM별 NG의 토출온도와, 토출온도에 따른 예상전력소모량을 함께 디스플레이함으로써 주어진 조건에 따른 공기식기화기의 최적 운전 RPM을 도출할 수 있다.
운전현황 표시부(144)는 전처리부(110)에서 실시간으로 획득되는 공기식기화기의 운전 데이터와, 토출온도 예측부(130)에서 예측된 기화 팬의 RPM별 NG의 토출온도를 출력하는 운전현황 표시부(144)를 포함할 수 있다. 예를 들어, 운전현황 표시부는 공기식기화기의 운전 현황을 모니터링할 수 있도록 실시간으로 계측되는 각 설비의 운전 상태와, LNG의 인입 유량 등을 단말기에 디스플레이할 수 있다. 일례로, 운전현황 표시부(144)는 NG의 토출온도 값을 그래프 및 표를 포함하는 도표로 출력할 수 있으며, 운전원은 이를 모니터링하여 예상치 못한 기상변화 등으로 인한 변수에 대비하여 운전조건을 빠르게 변경할 수 있다.
본 발명에 따르면, 운전정보 표시부(140)는 토출온도 예측부(130)에서 예측되는 NG의 토출온도가 0℃ 이하로 예측되는 경우, 기화 팬의 RPM을 증가시키도록 제어 신호를 출력할 수 있다. 즉, NG의 토출온도가 0℃ 이하로 떨어지게 되면 공기식기화기의 배관에 아이싱이 생성될 수 있기 때문에, 예측되는 NG의 토출온도가 0℃ 이하로 예측되는 경우 기화 팬의 RPM을 증가시키도록 제어함으로써 공기를 더 많이 유입시키는 것이다. 이에 따라, 별도의 승온 설비를 가동시키지 않고도 NG의 토출온도가 0℃ 이상을 유지하도록 구동시킬 수 있다.
운전정보 표시부(140)는 토출온도 예측부(130)에서 예측되는 NG의 토출온도가 0℃ 이하로 예측되는 경우, 경고 신호를 출력할 수 있다. 이러한 경고 신호는 경고음이나 경고 메시지 등으로 출력될 수 있으며, 운전원은 이러한 경고 신호를 통해 즉시 적절한 조치를 취할 수 있게 된다.
전술한 바와 같이, 딥러닝 기반 기화기의 최적 운전 및 감시 시스템(100)은 딥러닝 학습을 통해 현재 운전조건 및 대기조건에 따른 기화 팬의 RPM별 토출온도와 전력소모량을 획득할 수 있으며, 이를 이용하여 운전원이 공기식기화기를 최적의 RPM으로 운전하는 경우 운전 효율성과 안전성을 향상시킬 수 있다. 즉, 종래에는 운전원이 경험적 지식을 기반으로 기화 팬의 RPM을 제어하였으나, 본 발명에 따르면 딥러닝 학습을 통해 예측된 전력소모량이 최소가 되는 RPM 값으로 기화 팬을 구동시키면 되므로, 최적의 발전효율로 공기식기화기를 운전할 수 있다.
또한, 공기식기화기의 가동 후 예상치 못한 대기조건의 변화에 따라 영향을 받는 NG의 토출온도를 운전 중에 다시 한번 예측해 줌으로써, 보다 정확한 예측 값을 제공할 수 있다.
또한, NG의 토출온도가 0℃ 이하로 예측되는 경우, 경고 신호 및 제어 신호를 출력해 줌으로써 운전원이 보다 빠르게 대응할 수 있다는 장점이 있다.
아울러, 운전현황 표시부를 통해 공기식기화기의 전체 운전 상태를 디스플레이 할 수 있으므로, 운전원은 이를 이용하여 공기식기화기의 전반적인 운전 상황 및 상태를 쉽게 파악할 수 있다.
본 발명은 첨부된 도면에 도시된 일 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 당해 기술분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 수 있을 것이다. 따라서, 본 발명의 진정한 보호 범위는 첨부된 청구 범위에 의해서만 정해져야 할 것이다.
110: 전처리부
120: RPM 도출부
121: 제1 예측모델 학습부
122: 제1 예측모델 계산부
123: RPM 도출 연산부
130: 토출온도 예측부
131: 제2 예측모델 학습부
132: 제2 예측모델 계산부
140: 운전정보 표시부
141: 입력부
142: 대기 측정부
143: RPM 도출결과 표시부
144: 운전현황 표시부

Claims (11)

  1. LNG(Liquefied Natural Gas)를 기화시켜 0℃ ~ 10℃의 토출온도로 NG(Natural Gas)를 토출하는지를 모니터링하는 기화기의 최적 운전 및 감시 시스템에 있어서,
    상기 기화기에 구비된 기화 팬(Fan)을 구동하여 상기 기화 팬의 RPM 및 상기 기화 팬의 RPM별 NG의 토출온도를 포함하는 운전 데이터를 획득하고, 상기 운전 데이터 중 제상운전 구간 및 정지 구간을 제외한 기화운전 구간의 운전 데이터를 샘플링하여 기화운전 데이터로 계측 및 저장하는 전처리부;
    상기 전처리부로부터 기설정된 시간동안 저장된 기화운전 데이터를 수신하고, 상기 수신한 기화운전 데이터를 1차로 딥러닝 학습하여 상기 기화 팬의 RPM별 NG의 토출온도가 0℃ ~ 10℃를 만족하는 복수의 RPM 값을 예측하며, 상기 복수의 RPM 값들 중 예상 전력소모량이 최소가 되는 RPM 값을 선택하여 상기 기화 팬의 최적 RPM으로 도출하는 RPM 도출부;
    상기 전처리부로부터 실시간으로 계측되는 기화운전 데이터를 기설정된 시간동안 수신하고, 상기 기설정된 시간동안 계측된 기화운전 데이터를 2차로 딥러닝 학습하여 기화운전 시작에서 종료 시점까지에 대한 상기 기화 팬의 RPM별 NG의 토출온도를 예측하는 토출온도 예측부; 및
    상기 RPM 도출부로부터 수신한 상기 기화 팬의 최적 RPM과, 상기 토출온도 예측부로부터 수신한 상기 기화 팬의 RPM별 NG의 토출온도, 및 상기 전처리부에서 실시간으로 계측되는 NG의 토출온도를 출력하는 운전정보 표시부;를 포함하고,
    상기 토출온도 예측부에서 예측되는 상기 기화 팬의 RPM별 NG의 토출온도가 0℃ ~ 10℃를 만족하지 않는 경우, 상기 기화 팬의 RPM을 증가시키거나 감소시키고,
    상기 기화 팬의 RPM별 NG의 토출온도가 0℃ ~ 10℃를 만족하는 경우, 상기 RPM 도출부에서 도출된 최적 RPM으로 상기 기화팬의 구동을 제어하는 딥러닝 기반 기화기의 최적 운전 및 감시 시스템.
  2. 제1항에 있어서,
    상기 기화기는 공기식기화기(AAV: Ambient Air Vaporizer)를 포함하는 딥러닝 기반 기화기의 최적 운전 및 감시 시스템.
  3. 제1항에 있어서,
    상기 운전정보 표시부는 상기 토출온도 예측부에서 예측되는 상기 NG의 토출온도가 0℃ 이하로 예측되는 경우, 상기 기화 팬의 RPM을 증가시키도록 제어 신호를 출력하는 딥러닝 기반 기화기의 최적 운전 및 감시 시스템.
  4. 제1항에 있어서,
    상기 운전정보 표시부는 상기 토출온도 예측부에서 예측되는 상기 NG의 토출온도가 0℃ 이하로 예측되는 경우, 경고 신호를 출력하는 딥러닝 기반 기화기의 최적 운전 및 감시 시스템.
  5. 제1항에 있어서,
    상기 전처리부는 상기 샘플링된 기화운전 데이터에서 상기 NG의 토출온도가 -10℃ 이하인 이상 데이터를 제거하여 필터링하는 딥러닝 기반 기화기의 최적 운전 및 감시 시스템.
  6. 제1항에 있어서,
    상기 운전 데이터는 대기온도, 대기습도, LNG의 온도, LNG의 인입 유량, NG의 토출온도, 및 기화 팬의 RPM 중 적어도 하나를 포함하는 딥러닝 기반 기화기의 최적 운전 및 감시 시스템.
  7. 제1항에 있어서,
    상기 RPM 도출부는 기화운전 시작 전 1차 딥러닝 학습을 수행하며,
    Bidirectional LSTM 모델에 대기온도와, 대기습도, 및 LNG의 인입 유량을 포함하는 초기 조건을 제공하여, 상기 초기 조건에 따른 상기 NG의 토출온도를 예측하는 제1 예측모델 학습부와,
    상기 제1 예측모델 학습부의 Bidirectional LSTM 모델에 상기 초기조건이 입력되었을 때, 그에 따른 상기 기화 팬의 RPM별 NG의 토출온도 예측 값을 산출하는 제1 예측모델 계산부와,
    상기 제1 예측모델 계산부에서 산출된 NG의 토출온도가 0℃를 초과하는 복수의 RPM 값을 각각 획득하고, 상기 RPM 값들 중에서 0℃에 가장 근접한 RPM을 선택하여 상기 전력소모량이 최소가 되는 RPM을 도출하는 RPM 도출 연산부를 포함하는 딥러닝 기반 기화기의 최적 운전 및 감시 시스템.
  8. 제1항에 있어서,
    상기 토출온도 예측부는 기화운전 시작에서 종료 시점까지 2차 딥러닝 학습을 수행하며,
    상기 전처리부로부터 실시간으로 계측되는 기화운전 데이터를 기설정된 시간동안 수신하고, 상기 기화운전 데이터를 Bidirectional LSTM 모델을 기반으로 학습하여 상기 RPM별 NG의 토출온도를 예측하는 제2 예측모델 학습부와,
    상기 제2 예측모델 학습부로부터 예측된 RPM별 NG의 토출온도를 회귀하여 상기 Bidirectional LSTM 모델에 입력한 후 재학습하여, 기화운전 시작에서 종료 시점까지의 RPM별 NG의 토출온도를 예측하는 제2 예측모델 계산부를 포함하는 딥러닝 기반 기화기의 최적 운전 및 감시 시스템.
  9. 제1항에 있어서,
    상기 운전정보 표시부는,
    상기 기화기의 운전 시작 전에 상기 LNG의 인입 유량을 포함하는 운전 데이터를 입력할 수 있도록 형성된 입력부와,
    상기 기화기 주변의 온도 및 습도를 포함하는 운전 데이터를 계측하여 취득하는 대기 측정부와,
    상기 기화기의 운전 시작 전에 상기 입력부 및 상기 대기 측정부로부터 각각 수신한 운전 데이터를 상기 RPM 도출부에 제공하여 도출된 상기 기화 팬의 RPM별 NG의 토출온도와, 상기 토출온도에 따른 예상전력소모량을 출력하는 RPM 도출결과 표시부와,
    상기 전처리부에서 실시간으로 획득되는 상기 기화기의 운전 데이터와, 토출온도 예측부에서 예측된 상기 기화 팬의 RPM별 NG의 토출온도를 출력하는 운전현황 표시부를 포함하는 딥러닝 기반 기화기의 최적 운전 및 감시 시스템.
  10. 제9항에 있어서,
    상기 운전현황 표시부는 상기 NG의 토출온도 값을 도표로 출력하는 딥러닝 기반 기화기의 최적 운전 및 감시 시스템.
  11. 제1항에 있어서,
    상기 RPM 도출부 및 상기 토출온도 예측부는 CNN 알고리즘, RNN 알고리즘, LSTM 알고리즘, Bidirectional LSTM 알고리즘 중 적어도 하나에 기초하여 딥러닝 기반의 학습을 수행하는 딥러닝 기반 기화기의 최적 운전 및 감시 시스템.
KR1020210056597A 2020-12-10 2021-04-30 산업설비의 운전 효율 향상을 위한 딥러닝 기반 기화기의 최적 운전 및 감시 시스템 KR102340069B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR20200172128 2020-12-10
KR1020200172128 2020-12-10

Publications (1)

Publication Number Publication Date
KR102340069B1 true KR102340069B1 (ko) 2021-12-17

Family

ID=79033610

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210056597A KR102340069B1 (ko) 2020-12-10 2021-04-30 산업설비의 운전 효율 향상을 위한 딥러닝 기반 기화기의 최적 운전 및 감시 시스템

Country Status (1)

Country Link
KR (1) KR102340069B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102474995B1 (ko) 2022-05-20 2022-12-07 주식회사 애자일소다 강화학습을 이용한 기화기 제어 장치 및 방법

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090113120A (ko) * 2008-04-25 2009-10-29 대우조선해양 주식회사 선박용 ｌｎｇ 재기화 시스템
KR101594098B1 (ko) * 2014-09-15 2016-02-15 대우조선해양 주식회사 Ｌｎｇ 재기화 설비의 ｌｎｇ 재고/소모 관리방법 및 그 시스템
KR20210007449A (ko) * 2019-07-11 2021-01-20 두산중공업 주식회사 최적의 보일러 연소 모델 선정 장치 및 방법
KR102217227B1 (ko) 2020-12-07 2021-02-18 주식회사 태진중공업 해수식 기화기의 해수 공급 장치

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090113120A (ko) * 2008-04-25 2009-10-29 대우조선해양 주식회사 선박용 ｌｎｇ 재기화 시스템
KR101594098B1 (ko) * 2014-09-15 2016-02-15 대우조선해양 주식회사 Ｌｎｇ 재기화 설비의 ｌｎｇ 재고/소모 관리방법 및 그 시스템
KR20210007449A (ko) * 2019-07-11 2021-01-20 두산중공업 주식회사 최적의 보일러 연소 모델 선정 장치 및 방법
KR102217227B1 (ko) 2020-12-07 2021-02-18 주식회사 태진중공업 해수식 기화기의 해수 공급 장치

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102474995B1 (ko) 2022-05-20 2022-12-07 주식회사 애자일소다 강화학습을 이용한 기화기 제어 장치 및 방법

Similar Documents

Publication Publication Date Title
CN110887292A (zh) 冰箱间室温度控制方法、冰箱及存储介质
KR102340069B1 (ko) 산업설비의 운전 효율 향상을 위한 딥러닝 기반 기화기의 최적 운전 및 감시 시스템
JP6486731B2 (ja) 機器特性モデル学習装置、機器特性モデル学習方法、及びプログラム
JP5178820B2 (ja) 空調管理装置、空調管理方法、空調システム、プログラム及び記録媒体
US20130272840A1 (en) Compressed gas supply unit, compressed gas supply apparatus and control method of said unit and said apparatus
EP2400271A1 (en) Method an arrangement for controlling energy consumption in a marine vessel
US10790664B2 (en) Adding and shedding loads using load levels to determine timing
US11294343B2 (en) Predictive free cooling
US20190195133A1 (en) Method and system for turbine engine temperature regulation
US20170241661A1 (en) Predictive free cooling
CN110160206A (zh) 一种空调故障处理方法、装置及空调
CN108593317B (zh) 冰箱出厂检测方法、冰箱出厂检测装置和冰箱
CN107144085B (zh) 一种确定冰箱故障的方法、装置及系统
CN117869256B (zh) 空压机冷却水泵流量调节方法、装置、系统、设备及介质
JP5358275B2 (ja) 発電設備の遠隔監視システム
CN110309551B (zh) 一种基于数据分析的风电机组发电机温度控制系统及方法
KR20160063594A (ko) 연료 상태 모니터링 방법, 이를 수행하는 연료 상태 모니터링 장치 및 이를 저장하는 기록매체
CN115899950A (zh) 空调机组的运行控制方法、装置以及空调机组
JPH07190679A (ja) 熱交換器冷却系監視制御装置
CN111981759B (zh) 一种化霜控制方法、装置及冰箱设备
CN110398035B (zh) 空调器室内风机故障检测方法、装置及可读存储介质
JP6369238B2 (ja) 屋内気圧調整システム
JP2008151478A (ja) インバータ冷凍機の制御装置および電力消費システム
CN113959173A (zh) 制冷设备的控制方法及制冷设备
CN107327357B (zh) 天然气动力船舶燃料监测系统、燃料监测控制方法和装置

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant