KR102561062B1 - 원전의 감시 시스템 및 방법 - Google Patents

Abstract

본 발명은 원전 열교환기의 운전상태를 감시할 수 있는 물리적 모델과 원전 운전주기 변경 등에 대응할 수 있는 원전의 감시 시스템 및 방법을 제공하기 위하여, 원전 설비의 감시 시스템은 원전 설비로부터 학습 데이터를 취득하고, 상기 학습 데이터를 기반으로 선행주기 물리적 모델을 생성하는 것에 의해 상기 원전 설비에 대한 선행주기 상태감시를 수행하고, 상기 원전 설비에 대한 운전주기가 변경될 때에 상기 선행주기 물리적 모델을 전이학습하여 상기 원전 설비에 대한 후행주기 상태감시 지속성을 유지한다.

Description

원전의 감시 시스템 및 방법{MONITORING SYSTEM AND METHOD FOR NUCLEAR POWER PLANT}

본 발명은 원전의 감시 시스템 및 방법에 관한 것으로, 보다 상세하게는 원전의 열교환기 상태를 감지하는 원전의 감시 시스템 및 방법에 관한 것이다.

일반적으로 원전은 가동시간 등을 기준으로 정비 계획을 수립하여 정기적으로 정해진 정비 계획을 따라 예방정비를 수행하고 있다. 다만, 기술 발전에 따라 원전 설비로부터 취득된 통계적 특징을 기반으로 원전의 건전성을 예측 진단하는 기술의 개발이 이루어지고 있다. 종래의 원전 감시 시스템은 이미 "대한민국 공개특허공보 제2020-0103167호(원전 설비의 예측 진단 방법 및 시스템, 2020.09.02.)"에 의해 공개되어 있다.

다만, 종래의 원전은 운전 상태감시를 수행하기 위해 데이터 기반 모델을 통해 계기 채널 신호의 잔차 분석을 수행하였다. 그러나 경험 데이터에 의존하는 데이터 모델 기반으로 경험 데이터의 축적에 많은 시간이 소요되며, 원전의 운영시스템 반영 및 변칙 데이터 분석에 한계가 있다. 이에, 한계점을 극복하기 위해 계기 채널의 상관관계를 기반으로 한 모델과 발전소 계통에 대한 운전 지식이 반영된 전문가 시스템을 결합한 지능형 상태감시 방법이 제시되었다.

시스템 구축을 위해 각 계통이 구성하고 있는 기계요소의 운전상태를 설명할 수 있는 적합한 이론적 해석을 바탕으로 한 물리적 개발이 선행되어야 한다. 더불어 계기 채널의 검교정 및 장비 열화 등에 대처하기 위한 기술이 요구되고 있다.

대한민국 공개특허공보 제2020-0103167호(원전 설비의 예측 진단 방법 및 시스템, 2020.09.02.)

본 발명의 목적은 원전 열교환기의 운전상태를 감시할 수 있는 물리적 모델과 원전 운전주기 변경 등에 대응할 수 있는 원전의 감시 시스템 및 방법을 제공하기 위한 것이다.

본 발명에 따른 원전 설비의 감시 시스템은 원전 설비로부터 학습 데이터를 취득하고, 상기 학습 데이터를 기반으로 선행주기 물리적 모델을 생성하는 것에 의해 상기 원전 설비에 대한 선행주기 상태감시를 수행하고, 상기 원전 설비에 대한 운전주기가 변경될 때에 상기 선행주기 물리적 모델을 전이학습하여 상기 원전 설비에 대한 후행주기 상태감시 지속성을 유지한다.

상기 원전 설비는 열교환기를 포함할 수 있다.

상기 물리적 모델의 생성에서는 상기 열교환기의 고온부 온도, 출구 온도 및 유량 및 상기 열교환기의 저온부 입출구 온도 및 유량을 활용하여 상태감시를 수행할 수 있다.

상기 원전 설비의 감시 시스템은 상기 선행주기 상태감시를 수행하기 이전에, 상기 학습 데이터의 기초통계량을 활용하여 상기 물리적 모델의 안전 구간을 설정할 수 있다.

상기 안전 구간의 설정에서는 상기 학습데이터의 회귀분석을 통해 회귀계수 최적화 및 물리적 관계를 도출하고, 상기 기초 통계량의 평균 및 표준 편차 중 적어도 어느 하나를 이용할 수 있다.

상기 원전 설비의 감시 시스템은 상기 원전 설비에 대한 운전주기가 변경된 이후에, 상기 원전 설비에 대해 데이터를 기설정된 후행주기 기간동안 취득하여 상기 선행주기 물리적 모델을 자동 튜닝할 수 있다.

상기 원전 설비의 감시 시스템은 상기 운전주기가 변화되는 과정에서 계측된 데이터를 기반으로 예측값과 실측값을 연산하고, 상기 예측값과 상기 실측값의 잔차를 기반으로 상기 선행주기 물리적 모델을 자동 튜닝할 수 있다.

상기 원전 설비의 감시 시스템은 상기 자동 튜닝 이후에, 상기 열교환기 계기채널의 측정 노이즈를 감안한 안전 구간을 설정하여 상기 열교환기에 대한 상태 진단을 수행할 수 있다.

상기 원전 설비의 감시 시스템은 상기 운전주기의 변화에서, 상기 원전 설비로부터 계측된 데이터의 특성 변경 여부 및 회귀상수를 파악하여 상기 전이학습을 진행할 수 있다.

한편, 본 발명에 따른 원전 설비의 감시 방법은 원전 설비로부터 학습 데이터를 취득하고, 상기 학습 데이터를 기반으로 선행주기 물리적 모델을 생성하는 것에 의해 상기 원전 설비에 대한 선행주기 상태감시를 수행하고, 상기 원전 설비에 대한 운전주기가 변경될 때에 상기 선행주기 물리적 모델을 전이학습하여 상기 원전 설비에 대한 후행주기 상태감시 지속성을 유지한다.

본 발명에 따른 원전의 감시 시스템 및 방법은 원전의 상태감시 모델의 학습변수 자동 튜닝 기술을 통해 운전주기 변화로 인한 상태감시 기간의 공백을 최소화하고 높은 정확도로 실시간 상태감시를 유지할 수 있는 효과가 있다.

이상과 같은 본 발명의 기술적 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급되지 않은 또 다른 기술적 효과들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

도 1은 본 실시예에 따른 원전의 감시 시스템을 나타낸 구성도이고,
도 2는 본 실시예에 따른 원전의 감시 방법을 나타낸 흐름도이고,
도 3은 본 실시예에 따른 선행주기의 물리적 모델을 전이학습하여 후행주기의 물리적 모델을 수립하는 과정을 나타낸 흐름도이고,
도 4는 본 실시예에 따른 원전의 감시 시스템에 따라 완성된 열교환기 온도 감시 모델의 예시를 나타낸 도면이고,
도 5는

의 통계적 특성을 나타낸 도면이고,
도 6은 튜닝 전 모델에 대한 후행주기 데이터의 진단결과를 나타낸 도면이고,
도 7은 튜닝 된 모델에 대한 후행주기 데이터의 진단결과를 나타낸 도면이다.

이하 첨부된 도면을 참조하여 본 발명의 실시예를 상세히 설명한다. 그러나 본 실시예는 이하에서 개시되는 실시예에 한정되는 것이 아니라 서로 다양한 형태로 구현될 수 있으며, 단지 본 실시예는 본 발명의 개시가 완전하도록 하며, 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이다. 도면에서의 요소의 형상 등은 보다 명확한 설명을 위하여 과장되게 표현된 부분이 있을 수 있으며, 도면 상에서 동일 부호로 표시된 요소는 동일 요소를 의미한다.

도 1은 본 실시예에 따른 원전의 감시 시스템을 나타낸 구성도이고, 도 2는 본 실시예에 따른 원전의 감시 방법을 나타낸 흐름도이다. 그리고 도 3은 본 실시예에 따른 선행주기의 물리적 모델을 전이학습하여 후행주기의 물리적 모델을 수립하는 과정을 나타낸 흐름도이고, 도 4는 본 실시예에 따른 원전의 감시 시스템에 따라 완성된 열교환기 온도 감시 모델의 예시를 나타낸 도면이다. 도 5는

의 통계적 특성을 나타낸 도면이다.

도 1 내지 도 5에 도시된 바와 같이, 본 실시예에 따른 원전의 감시 시스템(100, 이하, 감시 시스템이라 칭한다.)은 원전 환경에 배치된 각종 설비에 대한 상태감시에 적용될 수 있다. 이러한 감시 시스템(100)은 단일 또는 복수 개의 컴퓨터 환경에서 운용될 수 있다.

다만, 이하에서는 설명의 이해를 돕기 위하여 하나의 원전 설비로써, 열교환기(10)를 대상으로 설명하도록 한다. 그러나 이는 본 실시예를 설명하기 위한 것으로 상태감시 대상은 다양하게 변경될 수 있음을 밝혀둔다.

이러한 감시 시스템(100)은 열교환기(10)의 상태감시를 목적으로 물리적 모델이 생성한다. 이하에서는 원전의 폐순환 냉각수 계통(CCW: Closed Cooling Water System)의 열교환기(10)를 예를 들어 설명하도록 한다.

먼저, 감시 시스템(100)은 열교환기(10)로부터 학습 데이터를 수집한다. 이때, 감시 시스템은 복수 개의 열교환기(10)에 각각 장착된 센서로부터 데이터를 수집할 수 있다. 그리고 감시 시스템(100)은 수집된 학습 데이터를 전처리하여 회귀분석을 수행하고, 물리적 모델을 생성한다. 이때, 감시 시스템(100)은 물리적 모델을 기반으로 열교환기(10)에 대한 상태 감시를 수행하게 된다.

다만, 열교환기(10)는 운전주기에 따라 계기 채널의 측정 영역이 변화된다. 따라서 새로운 운전데이터가 반영되면 상태감시 기능이 저하되어 동일한 물리적 모델, 즉 선행주기의 데이터를 활용하기 어렵게 된다. 이에, 감시 시스템(100)은 새로운 후행주기의 운전데이터가 취득되면 전이학습 방법으로 종래 데이터를 이용한 튜닝 모델을 생성 및 반영하여 상태감시의 지속성을 향상시킬 수 있다.

보다 구체적으로 설명하면, 물리적 모델의 생성에서는 열교환기(10)의 고온부 온도, 출구 온도 및 유량, 열교환기의 저온부 입구, 출구 온도 및 유량을 데이터로 활용할 수 있다. 즉, 상태감시에서는 열교환기(10)의 고온부 온도, 출구 온도 및 유량, 열교환기(10)의 저온부 입구, 출구 온도 및 유량을 데이터로 이상 징후를 판단할 수 있다. 그중에서 유량은 각각 계통의 정속 펌프에서 공급되는 유량이다. 데이터의 관계를 표현하면 수학식 1과 같이 표현된다.

수학식 1에서 는 유체의 체적 유량을 의미하고, 는 유체의 체적 유량을 의미하고, 은 열교환기(10)의 입구 온도를 의미하고, 은 열교환기(10)의 출구 온도를 의미한다. 그리고 아래 첨자 는 열교환기(10)의 저온부를 의미하고, 는 열교환기(10)의 고온부를 의미한다.

수학식 1에서

는 현 유량 당 유체가 전달 가능한 열량을 의미하는 별도의 물리값인 열용량 로 표현 가능하고, 저온부 및 고온부의 열용량율

는 편의상

로 표시할 수 있다. 이에, 상기 수학식 1을 고온부 온도 입구

의 예시로 변경하면 수학식 2와 같다.

따라서 열교환기(10)의 특정 지점의 예측 온도는 해당 지점을 제외한 나머지 지점의 온도값을 활용하여 계산 가능하다. 이는 수학식 3과 같은 평면의 방정식으로 일반화 가능하다.

이에, 감시 시스템(100)은 물리적 모델을 기반으로 성능감시를 수행한다. 즉, 물리적 모델이란 위의 수식을 통한 성능감시를 의미할 수 있다.

이에, 감시 시스템(100)은 물리적 모델의 수립 및 상태감시를 위해 수학식 4와 같이 열교환기(10)로부터 학습 데이터를 계측한다. 수학식 4에서 N은 학습 데이터의 개수이다.

이후, 감시 시스템(100)은 취득한 학습데이터의 전처리를 수행할 수 있다. 그리고 감시 시스템(100)은 학습데이터의 회귀분석을 통해 회귀계수 최적화 및 물리적 관계식, 수학식 5를 을 유도한다.

그리고 기초통계량의 평균에 대한 수학식 6 및 수학식 7을 도출한다. 수학식 6은 압력 데이터의 평균이고, 수학식 7은 압력 데이터의 표준편차이다.

이때, 계기 채널을 통해 실제 측정된 물리량은 측정 잡음 등으로 인해 물리 법칙을 완벽하게 만족하지 않는다. 이에, 학습 데이터의 기초통계량을 활용하여 수학식 8과 같이 물리적 모델의 안전 구간을 설정한다. 수학식 8에서 k는 안전 구간 계수를 의미한다.

이후, 감시 시스템(100)은 새롭게 측정되는 테스트 데이터에 대해 설정한 안전 구간을 포함하여 상태감시를 수행한다. 수학식 9는 정상상태에 관련되고, 수학식 10은 비정상을 나타낸다.

상술한 방법을 통해 열교환기 각부의 온도에 대해 각각 예측값을 계산한 후에 작동평면을 최적화하면 도 4와 같다.

한편, 상술한 바와 같이 원전은 운전주기에 따라 기동, 정상운전 및 정지를 반복하게 된다. 따라서 계기 채널의 교체 및 열화가 발생하게 된다. 이에, 후행주기에서는 정상 상태임에도 불구하고 선행주기에서 경험하지 못한 값이 측정될 수 있기 때문에 선행주기의 물리적 모델을 후행주기의 상태감시 모델로 활용하면 불필요한 오경보가 발생된다.

따라서 감시 시스템(100)은 누적된 후행주기 데이터를 활용하여 물리적 모델을 수립하기 전에 실질적 적용이 가능한 과도기적 물리적 모델을 생성한다. 즉, 감시 시스템(100)은 선행주기의 물리적 모델을 자동으로 전이학습하여 후행주기에 활용함으로써 상태감시의 지속성을 향상시킨다.

이때, 감시 시스템(100)은 우선 운전주기가 달라지는 과정에서 계측된 데이터의 특성의 변경 여부 및 회귀상수

가 어떻게 영향을 미치는지를 우선적으로 파악하고, 전이학습을 진행한다.

발명의 이해를 돕기 위하여 열교환기(10) 상태감시 모델과 같은 꼴을 가지는 임의 모델 함수

와 그 학습데이터 {

}, 및 새로운 주기의 데이터 {

}를 고려할 수 있다.

감시 시스템(100)은 잔차의 표준편차를 계산한다.

, 즉 예측값과 계측값의 잔차가 가지는 통계적 특성을 도식화하면, 모든 계측 채널에서 수집되는 데이터는 유의미한 정보 외에도 계측 채널 고유의 노이즈가 포함되어 있다.

이에, 적정한 예측 모델을 사용하여 얻어낸 예측값과 실측값의 잔차가 가지는 통계적 특성은 해당 계측 채널이 가지는 고유한 특성값이라고 할 수 있으며, 예측 정확도가 떨어지는 모델을 튜닝할 때에 하나의 기준점으로 사용할 수 있다.

도 5에서 주황색 데이터는 학습 데이터와 그 예측값의 잔차가 가지는 통계적 특징을 도식화한 것이다. 이미 충분한 양의 학습을 거친 검증된 예측 모델을 사용해 계산하였기 때문에 해당 데이터가 가지는 통계적 특성값(표준편차

, 평균

)을 기준삼하 파란색 데이터인 후행주기 데이터의 적절한 회귀상수

를 결정한다.

회귀변수 중

는 모델함수

에서 평면의 기울기를 결정하는 상수이다. 그리고 임의의 변수

의 표준편차가

일 시

의 표준편차는

로 계산되기 때문에 기준으로 삼은

를 만족시키는 튜닝 모델을 찾는다는 것은 적절한

을 결정한다는 것과 같은 의미가 된다. 이를 표현하면 수학식 11과 같다.

그리고

의 결정에서 임의의 변수

의 표준편차가

일 시

의 평균은

로 계산된다. 하지만 a=1이라면

의 평균값은 b에 의해서만 결정된다. 이에, 전 단계에서 적절한

의 결정이 끝났다면 적절한

을 결정하는 것으로 기준으로 삼은

를 만족시키는 튜닝 모델을 찾을 수 있다.

이후, 감시 시스템(100)은

의 결정이 끝났다면 튜닝이 끝난 예측 모델

을 활용하여 선행주기에서와 마찬가지로 계기채널의 측정 노이즈를 감안한 안전 구간을 설정한다.

그리고 감시 시스템(100)은 후행주기 측정 데이터(

)에 대한 상태감시를 수행한다. 수학식 13은 정상 상태에 관련되고, 수학식 14는 비정상에 관련된다.

이에 대한 실험결과는 튜닝 전 모델에 대한 진단결과와 튜닝 후 모델에 대한 진단결과를 도 5 및 도 6에 도시하였다.

도 5는 튜닝 전 모델에 대한 결과로, 계측값이 정상판정범위를 이탈하고 있는 것을 알 수 있다. 특히, 열교환기(10)의 고온부 출구 온도, 저온부 입출구 온도를 살펴보면, 계측값이 정상판정범위를 이탈하고 있는 것을 알 수 있다. 다만, 물리적 모델의 전이학습으로 인하여 결과값으로 도 6을 살펴보면, 열교환기(10)의 고온부 출구 온도, 저온부 입출구 온도의 계측값이 대부분 정상판정범위에 위치하고 있는 것을 알 수 있다.

이와 같이, 본 발명에 따른 원전의 감시 시스템 및 방법은 원전의 상태감시 모델의 학습변수 자동 튜닝 기술을 통해 운전주기 변화로 인한 상태감시 기간의 공백을 최소화하고 높은 정확도로 실시간 상태감시를 유지할 수 있는 효과가 있다.

먼저, 감시 시스템으로는 열교환기에 대한 운전데이터가 전달된다. 이때, 감시 시스템은 열교환기에 장착된 센서를 통해 데이터를 취득할 수 있다.

앞에서 설명되고, 도면에 도시된 본 발명의 일 실시예는 본 발명의 기술적 사상을 한정하는 것으로 해석되어서는 안 된다. 본 발명의 보호범위는 청구범위에 기재된 사항에 의하여만 제한되고, 본 발명의 기술분야에서 통상의 지식을 가진 자는 본 발명의 기술적 사상을 다양한 형태로 개량 변경하는 것이 가능하다. 따라서 이러한 개량 및 변경은 통상의 지식을 가진 자에게 자명한 것인 한 본 발명의 보호범위에 속하게 될 것이다.

Claims (10)

1. 원전 설비로부터 학습 데이터를 취득하고,
   상기 학습 데이터를 기반으로 선행주기 물리적 모델을 생성하는 것에 의해 상기 원전 설비에 대한 선행주기 상태감시를 수행하고,
   상기 원전 설비의 계기 채널 교정 및 열화 중 적어도 어느 하나로 인해 운전주기가 변경될 때에 상기 선행주기 물리적 모델을 전이학습하여 상기 원전 설비에 대한 후행주기 상태감시 지속성을 유지하고,
   상기 원전 설비는 열교환기를 포함하며
   상기 원전 설비에 대한 운전주기가 변경된 이후에, 상기 원전 설비에 대해 데이터를 기설정된 후행주기 기간동안 취득하여 상기 선행주기 물리적 모델을 자동 튜닝하는 것을 특징으로 특징으로 하는 원전 설비의 감시 시스템.
   
2. 삭제
3. 제1 항에 있어서,
   상기 물리적 모델의 생성에서는
   상기 열교환기의 고온부 온도, 출구 온도 및 유량 및
   상기 열교환기의 저온부 입출구 온도 및 유량을 활용하여 상태 감시를 수행하는 것을 특징으로 하는 원전 설비의 감시 시스템.
   
4. 제1 항에 있어서,
   상기 선행주기 상태감시를 수행하기 이전에,
   상기 학습 데이터의 기초통계량을 활용하여 상기 물리적 모델의 안전 구간을 설정하는 것을 특징으로 하는 원전 설비의 감시 시스템.
   
5. 제4 항에 있어서,
   상기 안전 구간의 설정에서는
   상기 학습데이터의 회귀분석을 통해 회귀계수 최적화 및 물리적 관계를 도출하고, 상기 기초 통계량의 평균 및 표준 편차 중 적어도 어느 하나를 이용하는 것을 특징으로 하는 원전 설비의 감시 시스템.
   
6. 삭제
7. 제1 항에 있어서,
   상기 운전주기가 변화되는 과정에서 계측된 데이터를 기반으로 예측값과 실측값을 연산하고, 상기 예측값과 상기 실측값의 잔차를 기반으로 상기 선행주기 물리적 모델을 자동 튜닝하는 것을 특징으로 하는 원전 설비의 감시 시스템.
   
8. 제1 항에 있어서,
   상기 자동 튜닝 이후에,
   상기 열교환기 계기채널의 측정 노이즈를 감안한 안전 구간을 설정하여 상기 열교환기에 대한 상태 진단을 수행하는 것을 특징으로 하는 원전 설비의 감시 시스템.
   
9. 제1 항에 있어서,
   상기 운전주기의 변화에서,
   상기 원전 설비로부터 계측된 데이터의 특성 변경 여부 및 회귀상수를 파악하여 상기 전이학습을 진행하는 것을 특징으로 특징으로 하는 원전 설비의 감시 시스템.
   
10. 원전 설비로부터 학습 데이터를 취득하고,
    상기 학습 데이터를 기반으로 선행주기 물리적 모델을 생성하는 것에 의해 상기 원전 설비에 대한 선행주기 상태감시를 수행하고,
    상기 원전 설비의 계기 채널 교정 및 열화 중 적어도 어느 하나로 인해 운전주기가 변경될 때에 상기 선행주기 물리적 모델을 전이학습하여 상기 원전 설비에 대한 후행주기 상태감시 지속성을 유지하고,
    상기 원전 설비는 열교환기를 포함하며
    상기 원전 설비에 대한 운전주기가 변경된 이후에, 상기 원전 설비에 대해 데이터를 기설정된 후행주기 기간동안 취득하여 상기 선행주기 물리적 모델을 자동 튜닝하는 것을 특징으로 특징으로 하는 원전 설비의 감시 방법.