KR20120117847A - 전력 플랜트의 부하 스케줄링을 위한 방법 및 제어 시스템 - Google Patents

전력 플랜트의 부하 스케줄링을 위한 방법 및 제어 시스템 Download PDF

Info

Publication number
KR20120117847A
KR20120117847A KR1020127020236A KR20127020236A KR20120117847A KR 20120117847 A KR20120117847 A KR 20120117847A KR 1020127020236 A KR1020127020236 A KR 1020127020236A KR 20127020236 A KR20127020236 A KR 20127020236A KR 20120117847 A KR20120117847 A KR 20120117847A
Authority
KR
South Korea
Prior art keywords
power generation
generation units
maintenance
components
load
Prior art date
Application number
KR1020127020236A
Other languages
English (en)
Other versions
KR101733393B1 (ko
Inventor
고피나트 셀바라이
센틸 쿠마르 순다람
모한 쿠마르 산무감
쉬리칸트 바트
Original Assignee
에이비비 리써치 리미티드
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 에이비비 리써치 리미티드 filed Critical 에이비비 리써치 리미티드
Publication of KR20120117847A publication Critical patent/KR20120117847A/ko
Application granted granted Critical
Publication of KR101733393B1 publication Critical patent/KR101733393B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Water Supply & Treatment (AREA)
  • Automation & Control Theory (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Feedback Control In General (AREA)

Abstract

본 발명은 하나 이상의 발전 유닛들을 갖는 전력 플랜트에 대한 부하 스케줄링을 최적화하는 방법에 관한 것이다. 이 방법은, 발전 유닛들의 하나 이상의 컴포넌트들과 연관된 하나 이상의 위험 지표들의 면에서 발전 유닛들의 하나 이상의 컴포넌트들의 운용 상태를 분석하는 단계; 발전 유닛들의 하나 이상의 컴포넌트들의 상태를 반영하는 목적 함수를 업데이트하는 단계; 하나 이상의 발전 유닛들의 스케줄 및 발전 유닛들의 하나 이상의 컴포넌트들의 운용 상태를 최적화하기 위해 목적 함수를 푸는 단계; 및 하나 이상의 발전 유닛들을 최적화된 스케줄 및 운용 상태에서 운용하는 단계를 포함한다. 본 발명은 또한, 하나 이상의 발전 유닛들을 갖는 전력 플랜트의 부하를 스케줄링하기 위한 제어 시스템에 관한 것이다. 이 제어 시스템은, 유지보수 스케줄링을 포함하는 부하 스케줄링을 최적화하고 하나 이상의 발전 유닛들의 프로세스들을 최적으로 제어하기 위한 단일의 목적 함수를 갖는 최적화기를 포함한다. 이 최적화기는, 부하 스케줄링 최적화를 위해 플랜트 모델 컴포넌트 및 고장 모델 컴포넌트를 이용한다.

Description

전력 플랜트의 부하 스케줄링을 위한 방법 및 제어 시스템{METHOD AND CONTROL SYSTEM FOR SCHEDULING LOAD OF A POWER PLANT}
본 개시는 전력 플랜트 (power plant) 들에서의 스케줄링의 분야에 관한 것이다. 더욱 구체적으로, 본 개시는 전력 플랜트의 부하 (load) 를 스케줄링하는 것에 관한 것이다.
최적화 (optimization) 는, 프로세스 (process) 의 제약 (constraint) 들을 위반하지 않고 특정된 파라미터들의 셋트를 최적화하도록 프로세스를 제어하는 기술이다. 종래에, 전력 플랜트에서의 최적화 프로세스는, 전력 생산을 위해, 효율을 증가시키고, 가능한 배출들을 낮추고, 비용을 감소시키며, 시스템 이용가능성을 최대화하기 위해 실행된다. 더 양호한 성능을 위해 전력 플랜트에서 독립적으로 최적화될 수도 있는 몇몇 시스템들이 존재하고, 예를 들어, 전력 플랜트에서 장비의 특정 컴포넌트 (component) 를 업그레이드하는 것은 더 적은 연료 소비를 초래할 수 있다. 또한, 전력 플랜트의 전체 동작은, 전력 플랜트의 전체 효율에 기여하는 하나 이상의 인자 (factor) 들을 최적화함으로써 최적화될 수도 있다.
통상적으로, 운용 비용 (operational cost) 을 최소화하기 위해 전력 플랜트에서 부하 스케줄링 (load scheduling) 을 최적화하는 것이 요망된다. 부하 스케줄링을 최적화하기 위한 다양한 종래의 기술들이 존재한다. 예를 들어, 부하 스케줄링은 부하 수요에 기초하여 최적화될 수도 있다, 즉, 전력 플랜트들은 부하 수요가 만족되도록 하는 방식으로 스케줄링된다. 다른 예로서, 부하 스케줄링은 또한 미리결정된 유지보수 (maintenance) 스케줄을 만족하도록 최적화될 수도 있다.
쉽게 알 수 있는 바와 같이, 부하 스케줄링의 운용은 비용에 영향을 미치고, 부하 스케줄링과 연관된 비용은 "부하 스케줄링의 비용" 으로서 지칭된다. 부하 스케줄링의 비용은, 장비들의 자본 비용, 연료 비용, 화학물질들의 비용, 예비용 장비들 및 부품들의 비용, 및 유지보수 비용으로부터 결정될 수도 있다. 자본 비용 및 연료 비용과 따로, 유지보수 비용은 전력 플랜트에 대해 상당한 경비가 될 것으로 고려되며, 유지보수 스케줄에서의 시프트 (shift) 는 부하 스케줄링의 비용에서의 상당한 변화를 가질 수도 있다.
장비의 유지보수 스케줄은 정기적인 간격들, 경과 시간, 또는 실행 시간 미터 (meter) 판독들에 기초할 수도 있다. 따라서, 비용을 최소화하기 위해 유지보수 스케줄에서 임의의 예측하지 못한 시프트 또는 사전 계획된 시프트에 적응 (adapt) 시키는 것이 종종 요망된다. 또한, 전력 플랜트의 전체 운용 비용은 또한 유지보수 스케줄에서의 시프트로 인해 변경된다. 유지보수 스케줄은, 전력 플랜트 컴포넌트들의 스케줄링된 유지보수, 및 갑작스런 고장 (failure) 및 수리 활동으로 인한 계획되지 않은 또는 강제된 정지로부터 초래되는 정지 시간에 기초한다. 계획된 및 스케줄링된 유지보수를 가지고 계획되지 않은 유지보수를 회피하는 것이 바람직하다. 따라서, 유지보수 활동은 제조자에 의해 추천되는 바와 같이 또는 운용자들의 과거 경험에 기초하여 가능한 한 자주 주기적으로 스케줄링된다.
계획된 유지보수 스케줄을 지연시키는 것은 계획되지 않은 유지보수 및 연관된 비용을 증가시킬 수도 있다. 유지보수 스케줄의 진보는 불필요한 유지보수 활동들 및 유지보수 비용들에 영향을 미칠 수도 있다. 생산 및 유지보수를 스케줄링하기 위한 다수의 스케줄링 도구들이 존재하지만, 이것은 종종 고려 하의 컴포넌트 또는 운용의 실제의 운용 조건들 및 상태에 기초하지 않는다.
일반적으로, 전력 플랜트 컴포넌트들에 의해 요구되는 유지보수 조치들은, 이러한 스케줄링 도구들에 대한 입력들인 전자적 표현의 형태로 대응하는 유지보수 트리거 (trigger) 들에 의해 통지된다. 유지보수 트리거들에 따라, 이들 도구들은 기간에 대한 생산 스케줄링과 함께 유지보수 조치들에 대한 스케줄을 발견할 것이다. 이러한 스케줄링 접근법들에서, 이용되는 최적화 기술들은 오직 비용 고려사항에만 기초하고, 컴포넌트의 실제 운용 조건들 및 상태를 포함하지 않는다.
진보된 제어 시스템의 등장으로, 그리고, 이러한 제어 시스템과 함께 이용가능한 증가된 계산 능력으로 인해, 최적화를 위해 더 많은 특징들이 포함되고 있다. 제어 시스템에서, 최적화는, 제어 시스템과 이미 통합된 최적화 모듈 또는 컴포넌트를 이용하여 실행될 수도 있고, 또는, 플랜트로부터 이용가능한 정보에 기초하여 별도로 실행될 수도 있다. 하지만, 전자의 수단, 즉, 최적화 모듈이 이미 제어 시스템 내에 내장된 수단을 발견하는 것이 통상적이다. 대부분의 경우들에서, 최적화 모듈은 최적의 설정들의 평가를 위해 통계적 또는 물리학 기반 모델 접근법 (제 1 원칙 모델) 을 이용한다. 신경망 또는 구문론에 기초한 것과 같은 다른 접근법들이 또한 실시될 수도 있다.
부하 스케줄링 운용의 경우에, 최적화된 출력 값들은 플랜트를 제어하는 제어기들에 대한 다양한 설정 포인트들이다. 제공되는 설정 포인트들은, 전체적인 의미에서 요건들 (예를 들어, 부하 수요, 운용 비용, 효율, 안전 및 규제 요건들, 유지보수 요건들 등) 을 만족시키도록 기능하도록 하기 위한 것이다.
전술한 바와 같이, 대부분의 경우들에서, 최적화는 통계적 또는 제 1 원칙 모델 기반 접근법에 기초한다. 이러한 접근법들에서, 플랜트의 특성을 플랜트의 측정된 또는 추정된 파라미터들의 함수로서 관련시키는 적어도 하나의 수학적인 표현이 본질적으로 존재한다. 플랜트의 특성의 몇몇 예들은, 발전기 전력 출력, 보일러 스팀 발생, 연료 이용, 유지보수 스케줄, 플랜트에서의 특정 유닛의 기대 연령 또는 수명 등이다. 통상적으로 이용되는 수학적인 모델들은, 플랜트의 전체적인 통합된 (coordinated) 기능 또는 플랜트에서의 개별 유닛들의 성능에 관련된다. 대부분의 경우들에서, 성능은 비용 함수들을 포함하고, 또는 이들은 최적화 문제의 적합한 공식화 (formulation) 에 의해 도출될 수도 있다.
부하 스케줄링 및 유비보수 활동의 영향의 특정 양태에서, 실제로 유지보수 활동은 전력 플랜트에서의 하나 또는 수개의 컴포넌트들의 고장의 결과로서 실행되는 예측되지 못한 활동일 수도 있음에도 불구하고, 유지보수를 위해 처방된 미리 정의된 스케줄을 발견하는 것이 통상적이라는 것을 인식할 것이다. 전력 플랜트가 서비스 (service) 를 할 수 없는 것에 대한 비용이 매우 높기 때문에, 전력 플랜트의 설계는, 어떤 통상적이지 않은 부하들 또는 시나리오 (scenario) 들을 견디도록 충분한 리던던시 (redundancy) 및 마진 (margin) 들을 갖도록 이루어진다. 또한, 어떤 종류의 부하 또는 시나리오가 어떤 컴포넌트의 고장을 야기하기 쉬운지, 및 유지보수 활동의 결과로서 연관된 비용 및 정지 시간을 당해 기술분야의 통상의 지식을 가진 자가 인식하는, 플랜트에 대한 유지보수 또는 서비스에 관한 전력 플랜트들과 함께 존재하는 적당한 일반적인 지식 또는 이력 (history) 이 존재한다. 이러한 지식은 전력 플랜트에 대한 부하를 스케줄링하는데 유효하게 활용될 수 있고, 플랜트의 상태를 고려한 유지보수 활동에 대한 스케줄을 포함한다.
전술한 논의에 비추어, 전력 플랜트에 대해 부하를 스케줄링하고 또한 유지보수 스케줄링을 보살피기 위해 제어 시스템 내에 존재하는 최적화 모듈을 개발하기 위한 효율적인 기술에 대한 필요가 존재한다.
본 발명에 따르면, 하나 이상의 발전 유닛들을 갖는 전력 플랜트에 대한 부하 스케줄링을 최적화하는 방법을 제공한다. 이 방법은, i) 발전 유닛들의 하나 이상의 컴포넌트들과 연관된 하나 이상의 위험 지표 (risk index) 들을 갖는, 발전 유닛들의 하나 이상의 컴포넌트들의 운용 상태를 분석하는 단계, ii) 발전 유닛들의 하나 이상의 컴포넌트들의 상태를 반영하는 목적 함수를 업데이트하는 단계, iii) 하나 이상의 발전 유닛들의 스케줄 및 발전 유닛들의 하나 이상의 컴포넌트들의 운용 상태를 최적화하기 위해 목적 함수를 푸는 단계, 및 iv) 하나 이상의 발전 유닛들을 최적화된 스케줄 및 운용 상태에서 운용하는 단계를 포함한다.
이 방법의 일 양태에 따르면, 분석하는 단계는, 예측 범위 (prediction horizon) 내에서의 성능 평가 및 운용 비용 평가를 포함한다. 여기서 언급된 부하 스케줄링을 최적화하는 것은, 하나 이상의 발전 유닛들에 대한 생산 스케줄링 또는 유지보수 스케줄링 또는 부하, 또는 이들의 조합을 포함한다. 이 방법은 또한, 하나 이상의 발전 유닛들의 하나 이상의 컴포넌트들에 대한 위험 지표들을 최적화하는 단계를 포함한다. 최적화는 조작된 변수들 (manipulated variables) 을 적합하게 변경함으로써 행해진다.
추가적인 양태에 따르면, 방법은, 컴포넌트의 상태 또는 부하 수요에 기초는, 하나 이상의 발전 유닛들의 하나 이상의 컴포넌트들의 유지보수에 대한 유지보수 트리거를 미루거나 앞당기는 것을 포함한다. 목적 함수는, 하나 이상의 발전 유닛들의 하나 이상의 컴포넌트들의 프로세스 제어를 위한 적어도 하나의 항 (term) 및 하나 이상의 발전 유닛들의 하나 이상의 컴포넌트들의 유지보수와 연관된 적어도 하나의 항을 포함한다. 업데이트하는 단계는, 하나 이상의 발전 유닛들의 하나 이상의 컴포넌트들의 유지보수를 미루거나 앞당기는 것과 연관된 비용으로 목적 함수를 업데이트하는 단계를 포함한다.
본 발명에 따르면, 하나 이상의 발전 유닛들을 갖는 전력 플랜트의 부하를 스케줄링하기 위한 제어 시스템을 또한 제공한다. 이 제어 시스템은, 유지보수 스케줄링을 포함하는 부하 스케줄링을 최적화하고 하나 이상의 발전 유닛들의 프로세스들을 최적으로 제어하기 위한 단일의 목적 함수를 갖는 최적화기를 포함한다. 최적화기는, 부하 스케줄링 최적화를 위해 플랜트 모델 컴포넌트 및 고장 모델 컴포넌트를 이용한다.
이 시스템의 추가적인 양태에 따르면, 최적화기는, 발전 유닛들의 하나 이상의 컴포넌트들과 연관된 하나 이상의 위험 지표들을 갖는, 발전 유닛들의 하나 이상의 컴포넌트들의 운용 상태를 분석하기 위한 스케줄러 분석기를 포함한다. 이 최적화기는, 하나 이상의 발전 유닛들의 하나 이상의 컴포넌트들과 연관된 위험 지표들 또는 수요 예측 또는 새로운 조작된 변수들 또는 사전 스케줄링된 유지보수에 의해 영향을 받는 운용 상태에서의 향상들에 기초하여 유지보수를 스케줄링할 수 있고, 이는 유지보수 트리거 또는 이들의 조합들에 의해 실행된다 (effected).
도 1 은, 다양한 예시적인 실시형태들이 구현될 수 있는, 전력 플랜트의 부하를 스케줄링하기 위한 시스템의 블록도이다.
도 2 는, 일 실시형태에 따른, 전력 플랜트의 부하를 스케줄링하기 위한 최적화기의 블록도이다.
도 3 은, 일 실시형태에 따른, 단순화된 일반적인 화석 연료 전력 플랜트 (FFPP) 의 블록도이다.
도 4 는 예시적인 수요 예측 프로파일 (profile) 을 나타낸다.
도 5 는 일 실시형태에 따른 전력 플랜트의 부하를 스케줄링하는 방법을 나타낸다.
도면들에서 방법 단계들 및 시스템 컴포넌트들은 통상적인 심볼들에 의해 표현되어, 본 개시의 이해를 위해 관련되는 특정 상세들만을 나타내는 것을 관찰할 수 있을 것이다. 또한, 당해 기술분야에서 통상의 지식을 가진 자에게 자명한 상세들은 개시되지 않았을 수도 있다.
본 개시의 예시적인 실시형태들은 전력 플랜트의 부하를 스케줄링하기 위한 방법 및 시스템을 제공한다.
통상적으로 전력 플랜트들은, 단기 (short term) 부하 스케줄링이라고 지칭되는, 일 단위에서 주 단위까지 변화하는 시간/예측 범위의 기간 동안 전력을 생산하도록 스케줄링된다. 전력 플랜트의 생산 스케줄은 전력/증기 수요, 전력 플랜트 컴포넌트들의 이용가능성, 및 생산으로부터의 순수입에 기초하여 행해졌다. 전술한 바와 같이, 최적화기는 전력 플랜트에 최적으로 부하를 걸기 위해, 수요를 만족시키지 못한 것에 대한 페널티 (penalty), 전력 판매들의 수입, 연료 소비, 배출 감축, 컴포넌트들 가치 하락, 컴포넌트들의 기동 및 정지를 포함하는 상이한 비용 인자들을 이용한다. 이들 비용 인자들에 추가하여, 최적화기는 또한, 최적의 생산, 유지보수 스케줄들, 및 운용 조건들을 발견하고 최대화된 수입 및 효율을 달성하기 위해, 위험 지표들이라고도 지칭되는 위험 지표의 면에서 각 컴포넌트의 상태 및 그것의 공칭 기능 및 기대 수명에 대해 참조된 EOH (Equivalent Operating Hour, 등가 운용 시간) 보상을 고려하여 평가된 각 컴포넌트의 유지보수 스케줄과 연관된 비용을 이용한다.
제 1 양태에 따라, 최적화기에 의해 전력 플랜트의 부하를 스케줄링하는 방법은, 하나 이상의 입력들을 수신하는 것을 포함하고, 이 하나 이상의 입력들은 전력 플랜트의 복수의 구성 요소들과 연관된다. 방법은 이 하나 이상의 입력들에 응답하여 전력 플랜트의 구성 요소들 중 적어도 하나의 위험 지표를 계산하는 것을 포함한다. 방법은, 이 위험 지표에 기초하여 부하를 결정하는 것을 포함하고, 이 부하는 전력 플랜트의 출력 전력과 연관된다. 방법은 부하에 기초하여 전력 플랜트를 운용하는 것을 포함한다.
도 1 은 전력 플랜트의 부하를 스케줄링하는 시스템의 블록도이고, 이에 따라 다양한 실시형태들이 구현될 수 있다. 시스템은 최적화기 (105), 예측 모듈 (125), 사용자 입력 모듈 (130), 플랜트 데이터베이스 (135), 플랜트 제어기 (140), 및 전력 플랜트 (145) 를 포함한다.
최적화기 (105) 는 모델 컴포넌트 (110), 고장 모델 컴포넌트 (120), 및 EOH 보상 모델 컴포넌트 (115) 를 포함한다. 최적화기 (105) 는 예측 모듈 (125), 사용자 입력 모듈 (130), 플랜트 제어기 (140), 및 플랜트 데이터베이스 (135) 로부터 하나 이상의 입력들을 수신한다.
시스템은 소정 기간에 걸쳐 전력 플랜트 (145) 에 대해 부하 예측을 제공하기 위한 예측 모듈 (125) 을 포함한다. 부하에 대한 수요는 지속적으로 변동하고, 따라서, 부하 수요를 예측할 필요가 존재한다. 예측 모듈 (125) 은 예측 정보를 제공하기 위해 사용자 입력 데이터를 이용할 수도 있고, 통계적 모델들 또는 다른 기술들에 기초하는 전용 예측 모델들을 가진다.
하나 이상의 발전기들이 예측 부하 수요에 기초하여 운용을 위해 선택될 수 있다. 또한, 부하 수요에 기초하여 발전기들을 끔으로써, 전력 플랜트 (145) 의 운용 비용이 최소화될 수 있다. 예측된 부하 수요는 전력 플랜트 (145) 의 부하를 스케줄링하기 위해 최적화기 (105) 에 대한 입력으로서 추가적으로 전송된다.
전술한 것에 추가하여, 예측 모듈 (125) 은 또한, 전력 플랜트 (145) 의 하나 이상의 구성 요소들에 대해 미리결정된 유지보수 스케줄을 제공하기 위해 이용된다. 전력 플랜트 (145) 의 하나 이상의 구성 요소들의 미리결정된 유지보수 스케줄, 유지보수의 종류, 및 유지보수 스케줄의 주기/주기성은 운용자의 경험 또는 컴포넌트 제조자 추천들에 기초한다. 시간에 걸쳐 미리결정된 유지보수 스케줄은, 전력 플랜트 (145) 의 하나 이상의 구성 요소들의 유지보수를 스케줄링하기 위해 최적화기 (105) 에 대한 입력으로서 추가적으로 전송된다.
시스템은, 최적화기 (105) 에 대한 복수의 사용자 입력들을 수신하기 위한 사용자 입력 모듈 (130) 을 포함한다. 복수의 사용자 입력들은, 연료의 비용, 배출 페널티, 장비 수명 비용, 및 예비용 유닛 운용 비용을 포함하고, 하지만 이에 한정되는 것은 아니다. 사용자 입력들은 최적화기 (105) 에 대한 입력들로서 추가로 전송된다.
전력 플랜트 (145) 는 복수의 유닛들을 포함한다. 전력 플랜트 (145) 의 복수의 유닛들에 관련된 정보 및 그들의 운용 조건들은 플랜트 데이터베이스 (135) 에 저장된다. 전력 플랜트 (145) 의 복수의 유닛들의 운용 이력, 현재 상태, 제조 상세들, 및 유지보수 스케줄링이 또한 플랜트 데이터베이스 (135) 에 저장된다. 전력 플랜트 (145) 의 복수의 유닛들에 관련된 정보는, 전력 플랜트 (145) 의 부하를 스케줄링하기 위해, 플랜트 제어기 (140) 를 통해 최적화기 (105) 에 대한 입력으로서 추가로 전송된다.
시스템은 전력 플랜트 (145) 를 포함한다. 전력 플랜트 (145) 는 플랜트 제어기 (140) 를 통해 결정된 부하 및 유지보수 스케줄을 수신하고, 전력 플랜트 (145) 는 최적화기 (105) 에 의해 결정된 부하에 기초하여 운용된다.
도 2 는 일 실시형태에 따른, 전력 플랜트 (145) 의 부하를 스케줄링하기 위한 최적화기 (105) 의 블록도이다. 최적화기 (105) 는 플랜트 모델 컴포넌트 (110), 스케줄 분석기 (113), 및 최적화 솔버 (solver) 모듈 (118) 을 포함한다. 여기에 언급된 스케줄 분석기 (113) 는 EOH 보상 모델 (115) 및 고장 모델 컴포넌트 (120) 를 포함한다. 다양한 파라미터들 (예를 들어, 측정된 변수들, 플랜트 데이터베이스) 을 통한 스케줄 분석기 (113) 는 부하 스케줄 (생산/유지보수 스케줄) 을 제공하는 목적 함수 (objective function) 를 풀기 위해 필요한 인자들 및 하나 이상의 생선 유닛들의 하나 이상의 컴포넌트들에 대한 부하 값들 (설정 포인트들) 을 분석한다. 총괄하여, 스케줄 분석기는 운용 상태를 분석 (프로세스 및 비용 효율 양자에 관해 그것의 기능을 효과적으로 수행하기 위한 특정 생성 유닛의 성능 평가) 하는 것이라고 한다. 여기서, 성능 평가는 위험 평가, 수요 평가를 포함하고, 위험 평가 및 수요 평가에 기초하여, 또한 유지보수를 위한 스케줄의 제안을 포함하는 유지보수에 대한 필요를 평가한다. 또한, 본원에서 전술한 비용은 유지보수 비용을 포함하는 운용 비용에 관련된다. 하나 이상의 유닛들에 의해 다루어진 부하 스케줄링 문제의 복수의 조작된 (manipulated) 값들은 플랜트 모델 컴포넌트 (110) 및 고장 모델 컴포넌트 (120) 에 대한 입력들로서 공급될 수 있다. 플랜트 모델 컴포넌트 (110) 및 고장 모델 컴포넌트 (120) 양자는 또한, 플랜트 제어기 (140), 플랜트 데이터베이스 (135), 예측 모듈 (125), 및 사용자 입력 모듈 (130) 을 통해 전력 플랜트 (145) 로부터 하나 이상의 입력들을 또한 수신한다.
최적화기 컴포넌트 (105) 는 최적화 솔버 모듈 (118) 을 가지고, 그것은 하나 이상의 입력들을 수신하는 것에 응답하는 전력 플랜트 (145) 의 목적/추정 함수의 최소화에 의해, 전력 플랜트 (145) 에 대한 최적의 부하 스케줄을 발견하기 위해 이용된다. 최적화기 (105) 의 최적화 모듈 (118) 에 의해 최소화될 목적/추정 함수는, 수요들을 충족시키지 못한 것에 대한 페널티 비용, 연료 소비로 인한 운용 비용, 기동 비용, 정지 비용, 연령 비용, 배출 비용, 및 유지보수 비용을 포함한다. 최적화 솔버 모듈 (118) 은, 전력 플랜트 (145) 에 대한 최적의 부하 및 유지보수 스케줄들을 발견하기 위해 잘 알려진 최대-최소 최적화 기술을 이용한다. 목적/추정 함수를 최소화하는 순환적 프로세스 동안, 최적화기 컴포넌트 (105) 의 최적화 모듈 (118) 은 전력 플랜트 (145) 의 하나 이상의 구성 요소들의 고장 모델 컴포넌트 (120) 및 모델 컴포넌트 (110) 를 이용한다. 이 최적화 프로세스는, 최적화 모듈이 목적 함수의 값이 최소화되는 최적의 부하 스케줄을 발견할 때까지 계속된다.
고장 모델 컴포넌트 (120) 는 플랜트 데이터베이스 (135) 로부터 입력들 및 조작된 값들을 수신한다 (데이터베이스는 고장 모델 컴포넌트에 의해 계산들을 위해 요구되는 플랜트 파라미터들에 관련되는 이력 정보 및 현재의 값들 양자를 갖는다). 고장 모델 컴포넌트 (120) 는 그 다음, 플랜트 데이터베이스 (135) 로부터 수신된 하나 이상의 입력들 및 조작된 값들에 기초하여, 전력 플랜트 (145) 의 구성 요소들 중의 적어도 하나의 위험 지표를 계산한다. 전력 플랜트의 하나 이상의 구성 요소들에 대한 위험 지표 값들은 그 다음 고장 모델 컴포넌트 (120) 로부터 EOH 보상 모델 (115) 로 패스 (pass) 된다. EOH 보상 모델 (115) 은 전력 플랜트 (145) 의 하나 이상의 구성 요소들의 각각의 위험 지표 값들과 연관된 비용 인자들을 갖는다. 최적화기 (105) 는, 계산된 위험 지표 값들과 연관된 비용 인자들에 기초하여 부하 및 유지보수 스케줄들을 결정하고, 최선의 가능한 방식으로 수요를 충족시키도록 전력 플랜트 (145) 를 운용한다 (전력 플랜트에 부하를 건다).
도 3 은 전력 플랜트를 운용하기 위한 최적의 해 (solution) 를 계산하기 위한 최적화기 (105) 를 포함하는 제어 시스템에 의해 제어되는 단순화된 일반적인 화석 연료 전력 플랜트 (FFPP) (145) 를 나타내는 블록도이다. FFPP 는 병행하여 실행되는 3 개의 FFPP 유닛들 (150, 155, 160) 로 이루어진다. 각각의 FFPP 유닛은 3 개의 주 장비들, 즉, 보일러 (B) (165), 발전기 (G) (175) 와 기계적으로 연결되는 증기 터빈 (ST) (170) 을 갖는다. 운용 하에서, 조작된 변수들 (u1, u2, 및 u3) 로 일반적으로 지칭되는 증기 부하들은, 전력 생성을 위한 발전기와 결합된 증기 터빈에 주어지는, y11, y21, y31 으로서 표현되는 증기 형태의 출력을 생성하기 위해 각각의 보일러에 인가된다. 발전기로부터 출력되는 전력 출력은 y12, y22, y32 로서 표현된다.
제어 시스템 (140) 은, 전력 플랜트가 최적의 조건들에서 운용되는 것을 보장하도록, 전력 플랜트 (145) 의 상이한 운용 파라미터들을 모니터링 및 제어하는데 이용된다. 전력 플랜트의 최적의 운행을 위해, 전술한 바와 같이, 중대한 양태들 중 하나는 상이한 FFPP 유닛들 사이의 최적의 부하 스케줄링이고, 최적화된 해에 대한 계산은 최적화기 (105) 에서 행해진다.
예시적인 실시형태에서, 부하 스케줄링 최적화 문제의 목적은, 연료 비용, 기동 비용, 운행 비용, 배출 비용, 및 수명 비용의 최소화와 같은 상이한 제약들을 받는 3 개의 FFPP 사이에서 부하를 스케줄링함으로써 전력 수요를 충족시키는 것이다. 최적화기 (105) 는 전력 플랜트로부터 입력들을 수신하고, 최적의 부하 스케줄링을 위해 최적화 기술들을 적용한다. 최적의 해에 기초하여, 제어 시스템 (140) 은 프로세스 파라미터들을 제어하기 위해 전력 플랜트 (145) 에서의 상이한 액츄에이터 (actuator) 들에 명령들을 전송한다.
최적화를 위해 이용되는 목적 함수는 다음과 같다:
Figure pct00001
C dem 은 예측 범위로 지칭된느 기간에 걸쳐 전기 수요를 충족시키지 못한 것에 대한 페널티 함수이다.
Figure pct00002
여기서, k dem Elec (t) 는 적합한 가중 계수이고, D dem Elec (t) (t = T,...,T+M-dt) 는 예측 범위 M 내에서의 부하 수요의 예측이고, y i2 는 모든 'n' 개의 유닛들에 의해 생산된 전력이다. 도 3 을 참조하면, n = 3 이다.
C fuel 은 출력 y 12 , y 21 , y 31 에 의해 FFPP 에 대한 모델에서 표현되는 연료 소비에 대한 비용이고, 따라서, 연료 소비에 대한 총 비용은
Figure pct00003
에 의해 주어진다.
C emission 은 전력 플랜트에 의해 생성되는 오염물질 배출 (NOx, SOx, COx) 를 감소시키는 것에 수반되는 비용이고,
Figure pct00004
에 의해 주어지고, 여기서, k i emission 은 양의 가중 계수를 나타내고, f(y i2 (t)) 는 부하와 배출 생성 사이의 비선형 함수적 관계를 나타낸다.
C start , shut 은 전력 플랜트의 하나 이상의 구성 요소들의 시작/차단에 대한 비용 함수이고,
Figure pct00005
에 의해 주어지며, 여기서, k i , start / shut 은 양의 가중 계수들을 나타내고, u li 는 유닛들의 정수 산태들 (온/오프 (On/Off)) 이다.
C life 는 부하 효과로 인한 자산 가치 하락을 설명하고,
Figure pct00006
로서 정의되며, 여기서, 각 컴포넌트의 가치 하락 비용은
Figure pct00007
와 같이 계산되고, 여기서, Load 및 Load base 는 각각 전력 플랜트의 각각의 컴포넌트 상의 부하, 기본 부하이다. cost EOH , comp 는 전력 플랜트의 특정 컴포넌트에 대한 EOH 당 비용이고, dt 는 샘플링 시간이다.
C maintenance , 전력 플랜트의 하나 이상의 컴포넌트들에 대한 유지보수의 비용은 다음과 같이 정의되고,
Figure pct00008
여기서, C fixed 는 전력 플랜트의 상이한 컴포넌트들에 대한 고정 유지보수 비용들의 합이다.
C maintenance shift 는 미리결정된 유지보수 스케줄에서의 시프트 (shift) 로 인한 전력 플랜트의 컴포넌트의 가치 하락의 비용이다. 그것은 다음과 같이 정의되고,
Figure pct00009
여기서,
Figure pct00010
이고, Δt 는 미리결정된 스케줄로부터의 유지보수 스케줄에서의 시프트이다.
C Risk Inde x 는 고장 모델에 의해 제공되는 위험 지표 값에 대응하는 보상 비용이다.
C revenue 는 전기 에너지의 판매에 의해 획득된 수입에 대한 항 (term) 이다.
Figure pct00011
여기서, p i , Elec(t) 는 판매를 위한 전기 에너지에 대한 비용 계수이다.
전력 플랜트의 목적은 수입을 최대화하고 유지보수 및 페널티 비용들을 최소화하는 것이다. 이것은, 생산이 정지되거나 그것의 전체 용량에 미치지 못하는 경우에, 활동적인 생산 (생산 스케줄) 을 위한 시간에 직접 의존하고, 유지보수 시간 (유지보수 스케줄) 에 역으로 의존한다.
제안된 공식화에서, 유지보수를 포함하는 플랜트 활동들의 운용은 실제 운용 조건들에 기초하고, 또한, 생산 스케줄 및 유지보수 활동들을 위한 운용 조건들에 영향을 미칠 수 있다. 따라서, 전력 플랜트의 하나 이상의 구성 요소들의 유지보수 비용은 고장 모델 컴포넌트 및 EOH 보상 모델 컴포넌트를 이용한 운용 조건들에 기초하여 결정된다.
고장 모델 컴포넌트는 제 1 원칙 모델들 (노화 모델들), 또는, 운용 조건 파라미터들 (이력/경험적 데이터, 정의된 운용 조건들 하에서의 기대 수명에 기초한다. 예를 들어, 전기적 노화, 전기적 스트레스 값, 및 운용 시간) 에 관련된 통계적 분포들에 기초하는 확률 모델들에 기초한다. 고장 모델 컴포넌트는, FMEA 기술을 이용하여 상이한 운용 조건들에 대해 고장들의 가혹함 (severity), 발생 및 검출에 대한 측정치들을 포함한다. 측정치들은 스코어 (score) 들에 관한 것이고 (예를 들어, 0-10 사이의 스코어), 플랜트 데이터베이스로부터의 데이터 또는 조작된 변수들로부터 도출된 스코어들의 면에서 또한 분류 또는 코딩된 플랜트의 상태로부터 도출된다. 가혹함 측정치는 고장에 의해 얼마나 가혹하게 생산 스케줄이 영향받을 것인지에 관한 추정치이다. 일 실시형태에서, 가혹함은 다중 인자들에 의존하도록 정의되고, 인자들의 각각은 인자들의 각각과 연관된 적절한 가중 함수들에 의해 합산 및 스케일링 (scaling) 될 수도 있다. 인자들의 몇몇 예들이 가혹함에 대한 측정치를 획득하기 위해 제공된다. 이들은,
a) 유지보수에 대한 운용의 시간, 즉, 가혹함 정보가 코딩되고 있는 유닛 내의 컴포넌트가 이미 유지보수 기일인 경우 가혹함은 높은 것으로 가정된다. 가혹함 측정치는, 그것이 유지보수를 위한 사전 정의된 또는 할당된 스케줄에 접근하고 있는 경우에 중간이고, 유지보수로부터 초기인 경우에 낮다 (높음, 중간, 낮음은 그것과 연관된 대응하는 수치적인 스코어를 가진다). 이 인자는 플랜트 데이터베이스로부터 획득된 컴포넌트와 연관된 이력 정보로부터 자동적으로 코딩된다.
b) 고장으로 인한 정지 시간에 대한 영향, 이 인자는, 플랜트 데이터베이스에서 이용가능한 서비스 이력에 기초하거나 또는 컴포넌트와 연관된 당업자의 판단에 기초하여, 컴포넌트와 결정적으로 연관된 것에 기초하여 다시 코딩될 수도 있다. 아무런 영향이 없는 경우, 즉, 신뢰가능성을 향상시키는 예비 컴포넌트가 존재하는 것을 포함하는 어떤 이유들로 인해 컴포넌트의 고장에 의해 유닛의 기능이 어떤 방식으로도 영향을 받지 않는 경우, 스코어는 낮게 취해지고, 생산에 이용가능하지 않게 되는 유닛과 연관된 영향에 따라, 스코어는 높거나 중간인 것으로 판단된다. 영향은 각 컴포넌트와 연관된 사전 정의된 함수이다.
c) 플랜트의 컴포넌트와 연관된 대체를 위한 비용은 또한 전력 플랜트 내의 다양한 서비스가능한/대체가능한 컴포넌트들의 대체를 위한 상대적인 비용에 기초하여 코딩될 수도 있다.
d) 플랜트 유닛들 내의 다양한 컴포넌트에 대한 고장 및 수리의 복잡함이 또한 유지보수 활동들에 수반되는 복잡함에 기초하여 및/또는 유지보수를 살피는데 필요한 전문 기술에 기초하여 코딩될 수도 있다.
다른 실시형태에서, 가혹함에 대한 인자들은 전력 플랜트 내의 다양한 컴폰넌트들에 대한 운용의 영역의 분류화로부터 도출될 수도 있다. 여기서, 위험 지표 값의 계산은 운용의 영역으로부터의 우선권 (priority) 들, 그들의 초기 조건들, 및 전력 플랜트의 각 컴포넌트에 대한 MV 들과 연관된 가치 하락 비율에 기초한다.
조작된 변수들과 연관하여 전력 플랜트의 하나 이상의 구성 요소들에 대한 3 개의 상이한 운용 영역들이 정의된다. 전력 플랜트의 하나 이상의 구성 요소들에 대한 운용의 영역은, 회복가능 영역, 대체가능 영역, 재해 영역을 포함한다. 회복가능 영역은, 유닛드의 운용 조건들을 적합하게 조정함으로써, 유닛의 조건이 특정 유닛의 서비스의 손실을 초래하는 중대한 손실 또는 어떤 갑작스런 고정을 야기하지 않는 방식으로 유지될 수도 있는 영역으로서 정의된다. 이 영역은 낮음 위험 지표 값을 갖는 것이라고 한다. 대체가능 영역은 중간 위험을 정의하고, 유닛 또는 유닛 내의 주요 컴포넌트가, 제조자에 의해 규정된 바와 같은, 또는, 그것의 공칭 기능을 위한 이력 정보 (경험) 에 기초하여 추천되는 바와 같은, 그것의 추천된 유지보수 주기에 근접하고, 고장 시에, 비용 관점에서 관리 가능함에도 불구하고, 서비스에서의 작은 혼란에 의해, 또는, 짧은 시간 안에 실행되거나 예비 유닛의 활성화에 의해 관리 가능한 대체 활동을 초래하는 고장들에 의해, 손실을 형성하기 쉬운 조건을 나타낸다. 재해 영역은, 유지보수 활동의 지연에 의해 더 이상 어떤 이익도 가질 것 같지 않은, 즉, 유발된 임의의 고장이 생산 스케줄에서 또는 유지보수 비용에서 매우 큰 영향을 가지는, 고 위험 값을 정의한다. 운용 영역 정보는, 설계 또는 컴포넌트의 사양 및 플랜트 데이터베이스에서 이용가능한 서비스 또는 다른 이력 정보에 의해 적합한 바와 같은 플랜트 엔지니어들에 의해 지정된 값들이다. 위험 레벨들은 고장 모델 컴포넌트에서 가혹함 측정치 내로 코딩된다.
다시 말하면, 컴포넌트의 가혹함 레이팅 (rating) 에 기여하는 다양한 인자들은, 전력 플랜트 유닛을 나타내기 위해 다시 합계 및 스케일링된 컴포넌트 및 다양한 컴포넌트들의 역할/중요성에 적절하게 의존하여 합계 및 스케일링될 수도 있다.
발생 데이터는 전력 플랜트 유닛 내의 특정 컴포넌트의 고장 가능성과 같은 인자들과 연관된다. 고장의 확률은, 전력 플랜트 컴포넌트의 운용 조건들/상태에 추가적으로 관련된다 (예를 들어, 축적된 스트레스 레벨들 및 이들 스트레스들의 축적 시간에 기초한 플랜트 유닛들 내의 매 주요 컴포넌트에 대한 고장의 가능성). 확률 값은 전력 유닛을 나타내기 위해 합계 및 스케일링된 다양한 컴포넌트들에 대해 저, 중, 및 고로서 또한 코딩된다. 위험에 처한 (중간 또는 높은 확률 값) 컴포넌트에 의존하여, 조작된 변수들은 컴포넌트 고장을 갖는 위험을 최소화하도록 최적화기에 의해 조정될 수도 있다. 이용될 수도 있는 다른 인자들은 고장 발생의 빈도이다. 컴포넌트가 고장나기 쉬운 경우에, 이 인자는 높은 위험을 나타내는 "고 (high)" 로서 코딩될 수도 있다.
전력 플랜트 유닛에서의 운용에서 컴포넌트의 고장을 초래하는 결함의 성장을 검출하는 것이 얼마나 쉬운가를 반영하기 위해 검출이 이용된다. 제어 시스템 내의 결함을 모니터링하기 위한 준비로 양호한 검출 메커니즘을 가지면, 값은 컴포넌트와 연관된 낮은 위험을 나타내는 "저 (low)" 로서 코딩될 수도 있다. 이 값은, 결함이 갑자기 나타나거나 다중 모드들을 가지거나 (직적 또는 간접적으로) 모니터링되지 않으면 높을 수도 있다. 모니터링되거나 모니터링될 수 있는 결함들 또는 고장 모드들은, 고장 모드 또는 고장 트리 (fault tree) 의 지식에 기초한 이들 결함들은 (조작된 변수들을 통해 제어되는) 운용 조건들을 조정함으로써 제어가능하기 때문에 낮은 위험을 갖는 것으로 인식된다. 컴포넌트드에 대해, 결함들이 관찰 불가능하거나 추론 또는 추정하기 위한 수단이 있는 경우에, 그 위험은 "중 (medium)" 으로서 고려될 수도 있다.
고장 모델 컴포넌트는, 각각의 전력 플랜트 유닛들/컴포넌트들에 대해 (플랜트 데이터베이스, 조장된 변수 (MV) 들로부터 도출된) 운용 상태에 대응하는 위험 지표를 계산한다. 전력 플랜트의 하나 이상의 컴포넌트들의 위험 지표 값은 유지보수를 스케줄링하기 위해 고려에 산입되고, 다음과 같이 추가적으로 분류된 스코어 (위험 지표의 값) 들을 갖는다:
더 낮은 위험 지표: 유지보수 스케줄이 필요 없다. 발견이 비용에 기초하여 정당화되는 경우, 또는, 고장 나기 쉬운 컴포넌트가 플랜트에 영향을 미치지 않거나 최소의 영향을 미치면서 쉽게 대체될 수 있는 성질의 것인 경우에, 유지보수 스케줄은 연기되는 것이 허용된다. 이것은 위험 지표가 플랜트의 운용에 영향을 미치지 않는다는 것이다.
중간 위험 지표: 유지보수 스케줄은 지연될 수도 있고, 이러한 스케줄이 (예측 범위 내의) 가까운 장래에 기대되는 경우, 또는 위험 지표 값이 예측 범위에서 더 낮아지게 되는 것이 예상되는 경우에, 전력 플랜트 컴포넌트가 유지 상태 또는 생산 스케줄을 위해 스케줄링되지 않을 때 유지보수 스케줄이 수용될 수도 있다. 하지만, 위험 레벨을 감소시키거나 관리 가능한 한계들 내에서 위험을 위지하기 위해 운용 조건들의 변경이 추천된다. 예를 들어, 플랜트는 (과부하가 걸리지 않거나 총 용량 미만에서 운용되는) 감소된 스트레스 조건들에서 운용될 수도 있다. 운용 조건들에서의 변경은 위험 값을 중간에서 낮은 것으로 감소시키기 위해, 즉, 위험 회복 하에서 플랜트의 플랜트/컴포넌트를 가지도록 또한 이루어질 수도 있다.
더 높은 위험 지표: 유지보수 스케줄은 필수적이다. 즉각 또는 빠른 시간 내에 유지보수를 위한 스케줄이 필요하다. 여기서, 위험 하의 컴포넌트는 갑자기 고장 나기 쉽고, 플랜트의 운용에 심각하게 영향을 미치거나 심각하게 정지 시간에 영향을 미칠 것이다.
이 시스템으로부터, 유지보수는 시스템의 조건에 기초하고, 예측 범위에 걸쳐 부하 수요 예측을 고려하는 전체 이익 (비용 함수) 을 고려하여 스케줄링된다, 즉, 시스템의 최적화는 언제 유지보수를 할지 결정한다. 이것은 (시스템의 실제 조건을 나타내는) 위험 지표 및 운용/유지보수/페널티 비용들 양자를 참조한다. 높은 위험이 발견되는 경우, 최적화기가 위험 지표를 감소시키기를 시도함에 따라, 새로운 셋트의 조작된 변수들이 제공되고, 연관된 EOH 보상 및 다른 비용들 (연령, 유지보수) 은 높아진다.
고장 모델 컴포넌트 (120) 에 의해 전력 플랜트 (145) 의 하나 이상의 구성 요소들에 대해 계산된 위험 지표 값은 EOH 보상 모델 (115) 로 패스된다. EOH 보상 모델 (115) 은 전력 플랜트 (145) 의 하나 이상의 구성 요소들의 위험 지표 값들 (고/중/저) 의 각 범주와 연관된 대응하는 EOH 보상 비용 인자들을 제공한다. EOH 보상 모델은, EOH 보상 값들, 및 위험 지표 값의 각 범주에 대응하는 EOH 당 비용을 정의하는 전력 플랜트의 각 컴포넌트에 대한 룩업 (lookup) 테이블들 (예를 들어, 표 1) 에 기초한다.
예로서, EOH 보상 모델의 이용이 전력 플랜트 내의 보일러 컴포넌트에 대해 예시되어 있다. 위험 지표 값들 및 연관된 EOH 보상을 나타내기 위해 다음 표를 고려해 보자. 위험 지표와 연관된 비용 인자는,
Figure pct00012
와 같이 계산된다.
[표 1:EOH 보상에 대한 코딩]
위험 지표 범위 위험 범주 EOH 보상
(0 - 0.4) 낮은 위험 5
(0.4 - 0.7) 중간 위험 10
(0.7 - 1.0) 높은 위험 30
예를 들어,전력 플랜트의 보일러가 0.8 의 높은 위험 값 및 Ccost EOH = 100$ (이를테면) 로 동작하는 경우, 연관된 비용 인자는 C RiskIndex = 50*100 = 5000$ 로 계산된다. 이 비용 인자는 목적 함수 내에 추가될 것이다. 목적 함수 (J) 를 최소화하는 프로세스에서, 최적화기 컴포넌트는, 전력 플랜트에서 이러한 컴포넌트들에 대한 유지보수 활동들을 스케줄링함으로써, 높은 위험 지표 값들과 연관된 이러한 비용 인자들을 회피하려고 시도한다.
전력 플랜트의 최적의 부하 스케줄링을 발견함에 있어서, 최적화기는 언제나 덜 가혹한 조건들/회복가능한 영역에서 유닛들을 운용하기를 시도한다. 유닛이 대체가능한 영역 하에 속하는 경우, 최적화기는 중에서 저로 위험 값을 감소시키기 위해 조작된 변수 값들을 감소시키기를 시도한다. 유사하게, 임의의 경우에, 어떤 유닛이 재해 영역 하에 속하는 경우, 최적화기는 가까운 장래에 위험 레벨을 감소시키는 것으로 예견되지 않는 경우 대응하는 유닛에 대해 유지보수를 스케줄하기를 시도할 것이다. 스케줄 분석기는, 예측 범위 내에서 위험이 도래할 것이라고 예상되는지 발견하기 위해 예측 범위 내에서 플랜트 조건을 시뮬레이션하는데 도움이 되는 플랜트 모델을 이용한다.
또한, 초기 시작 포인트들, 즉, 축적된 스트레스 및 이들 스트레스들의 적용의 시간에 관련된 서비스 정보는, 정의된 운용 영역들에 대해, 전력 플랜트 운용 이력으로부터 도출된다.
전력 플랜트의 장비의 가치 하락/노화는 전력 플랜트의 운용 조건들과 밀접하게 연관된다. 전술한 바와 같이, 조작된 변수들은 (고장 모델에서 발생 스코어를 획득하기 위해 적합하게 코딩된) 고장 값의 확률과 관련되고, 또한, 가치 하락 비율의 계산과 관련된다. 예를 들어, 가치 하락의 속도는 장비에 부하가 무겁게 걸리는 경우에 증가한다. 가혹함 등급을 참조하여, 가치 하락률의 값 또한 변화한다. 미리결정된 유지보수 스케줄에서의 지연은 증가된 가치 하락률 및 연관된 비용 인자들을 초래할 수도 있다. 하지만, 동시에, 이러한 설정의 사간으로부터 미리결정된 유지보수 스케줄 후의 기간까지 가치 하락률을 관리함으로써 지연된 유지보수를 달성하도록 하는 방식으로 조작된 변수들을 설정함으로써 어떤 유용한 트레이드오프 (tradeoff) 가 존재하는 경우에, 최적화기는 조작된 변수들에 대한 이러한 설정으로 플랜트를 운용하기 쉽다. 이러한 경우들에서, 유지보수 스케줄들은 지연될 수 있고, 유닛은 전체 이익을 위해 최적화기에 의해 추천되는 바와 같은 부하들로 생산을 위해 스케줄링될 수 있다.
일 실시형태에서, 유지보수 활동은 위험 레벨들 및 부하 예측에 기초하여 룩업 테이블 (표 2) 에서 정의된 바와 같이 스케줄링된다. 칼럼 (column) 부하 예측은, 부하 요건들이 다른 유닛들에 의해 쉽게 충족될 때 예측에 기초한 부하 요건이 "저 (Low)" 로 분류되는 비교적 방대한 정보를 갖는다. 유닛의 출력에서 공칭 레벨들 너머로 약간 증가시킴으로써, 또는 공칭 레벨들에서 유지함으로써, 부하 요건들이 저 손실 하의 다른 유닛들에 의해 충족될 때, 부하 예측 값은 "중 (Medium)" 이다. 유지보수를 위해 문제의 유닛의 참여 없이 부하 요건들이 충족될 수 없을 때 (페널티 값들이 높다), 부하 예측 값은 "고 (High)" 이다.
초기 조건으로서, 전력 플랜트의 하나 이상의 구성 요소들에 대한 미리결정된 유지보수 스케줄 (이를테면, Tm 의 매 주기 후에, 전력 플랜트의 특정 컴포넌트의 유지보수가 스케줄링되어야 한다) 이 예측 모듈로부터 획득되고, 유지보수 활동들을 위해 초기 조건들로서 최적화기에 의해 이용된다. 임의의 시간 t 에서, 다음 유지보수를 위한 시간은 (Tm-t) 이다.
시스템은, 성능 평가, 운용 비용 평가, 및 유지보수 스케줄에서의 시프트에 기초하여 예측 범위 내에서 부하 스케줄을 최적화할 것이다. 위험 레벨들 및 EOH 보상들이 고려된다. 시간 (Tm-t) 에서, 위험 지표 값이 생산 스케줄링에 대해 수용가능한 경우, 유닛은 생산을 위해 스케줄링된다. 위험 레벨이 유지보수가 스케줄링되어야하는 것을 제안하는 경우에, 시스템은, 위험 레벨이 향상될 것으로 예상되는 조건을 형성하도록 조작된 변수들을 적합하게 변경함으로써, 향상 (improvement) 에 대해 테스트한다. 시스템은 도한, 플랜트 모델 컴포넌트를 이용하여 향상에 대해 테스트하기 위한 수단으로서 시뮬레이션을 채용할 수도 있다.
시뮬레이션 테스트에서, 또는, 새로운 조작된 변수들을 갖는 시간 (Δt) 에서의 테스트에서, 예측된 또는 실제의 위험 지표 값이 여전히 높은 경우 (위험 지표 값에 어떤 상당한 감소가 존재하지 않는 경우), 시스템은 컴포넌트/유닛으로 하여금 사전 설정된 (preconfigured) 시간 내에 (예를 들어, 하강 (ramp down) + ΔT, 여기서, ΔT 는 조정된 다른 유닛들을 가지거나 운용자 (operator) 들로부터의 필요한 동의들을 가지기 위한 반응 시간) 유지보수로 진입하도록 재촉/강제할 것이다.
향상 테스트 동안, 예측된 또는 실제의 위험 값이 새로운 조작된 변수 (MV) 들로 플랜트를 운행하는 것으로부터 감소되는 (시스템에서의 상당한 향상) 경우에, 유지보수는 (Tm-t) 에서 실행되지 않을 수도 있고, Tm+mΔt 의 유지보수 스케줄이 예측 모듈에 기록된다.
시뮬레이션 활동은 선택적인 것이며, 일 실시형태에서의 최적화기는 향상을 결정하기 위해 시뮬레이션 테스트 없이 설명될 수도 있다는 것을 인식할 것이다. 하지만, 최소한, 유비보수 스케줄을 변경함으로써 비용 이익이 존재한다는 것을 나타내기 위한 충분한 분석이 존재할 수도 있고, 이들 분석은 스케줄 분석기에 의해 행해질 수도 있다. 또한, 스케줄 분석기는, 유지보수 스케줄에서 요구되는 시프트를 최적으로 결정하기 위해 비용에 기초한 목적 함수를 갖는 것을 포함하는 미국 특허 6,999,829 호에서 제공된 것과 같은 잘 알려진 절차들을 이용하여, 오직 비용에만 기초한 유지보수 스케줄을 위해 mΔt 만큼 연기하는 대신에 최적의 시프트를 나타내기 위해서 또한 이용될 수도 있다.
유지보수 스케줄의 연기로, 목적 함수는 유지보수가 실행되는 시간까지 더 높은 값의 가치 하락 비용을 고려할 필요가 있다는 것에도 유의할 필요가 있다. 이 인자는, 유지보수 비용을 평가하는 부분으로서 목적 함수 내에 부가적인 항으로서 추가된다.
최적화의 방법은 도 3 을 참조하여 이하의 예를 이용하여 간단하게 설명된다. 유닛들 (1, 2, 및 3) 이 동일하다고 가정하자. 유닛들 (1, 2, 및 3) 의 최대 부하 수행 용량이 각각 60MW, 60MW, 및 50MW 라고 생각하자. 통상적인 수요 예측 프로파일 (profile) 은 도 4 에 도시된 바와 같은 예측 범위에 걸쳐 유지보수 활동들 및 생산 양자의 최적의 스케줄을 보이는 것으로 가정된다.
모든 3 개의 유닛들 (유닛 1, 2, 및 3) 이 시간 t1 까지 120MW 의 총 수요를 충족시키기 위해 각각 40MW 를 생산하도록 최적으로 스케줄링된다. 시간 t1 후에, 수요 프로파일은 도 4 의 410 으로부터 알 있는 바와 같이 160MW 로 변화한다. 유닛 (3) 의 최대 부하 실행용량은 440 으로부터 알 수 있는 바와 같이 오직 50MW 이기 대문에, 최적화기에 의해 50MW 를 생산하도록 스케줄링된다. 나머지 110MW 는 유닛 (1) 과 유닛 (2) 사이에서 나누어진다.
420 으로부터, 시간 t1 에서 t1 과 시간 t2 사이에서, Tm 으로서 표시된 바와 같이 유닛 (1) 에 대한 미리결정된 유지보수 트리거가 존재한다. 스케줄 분석기 및 최적화 솔버 모듈은 유닛 (1) 의 부하 스케줄링/유지보수 스케줄링과 연관된 다양한 인자들을 추정하고 산입한다. 이 예에서, Tm 주위의 포인트에서, 유닛 (1) 에 대한 위험 지표는 중간이다. 위험 지표에 대한 중간 위험 값 및 높은 수요는 위험의 감소에 대한 즉각적인 필요 및 동시에 수요를 충족시키도록 제안한다. 이 예에서, 유닛 (1) 에 대해, 최적화기는, 비용면에서 최적으로 현명하고 위험을 감소시킬 수도 있는 부하로서 50MW 의 값을 가지는 시간으로 도시된다.
위험을 감소시키기 위한 새로운 설정 포인트가 50MW 에 대응하는 유닛 (1) 에 대해 전송된다. 수요를 충족시키고 유닛 (1) 이 50MW 에서 기능하도록 하기 위해, 유닛 (2) 은 430 으로부터 알 수 있는 바와 같이 55MW 로부터 60MW 로 상승되도록 스케줄링된다. 최적화기는 예측 범위 내에서 Δt 에서의 향상에 대해 체크하고, 유닛 (1) 상의 위험이 실제로 감소되어 예측 범위 내에서 Δt 와 함께 낮아졌다는 것을 발견한다. 따라서, 유닛 (1) 의 유지보수 활동들은 Tm+Δt 까지 연기된다. 최적화기는 유닛 (1) 에 대한 유지보수 스케줄에 대해 적합한 시간을 Tm+Δt 로서 기록하고, 여기서, Δt 는 예측 범위 내의 시간이고 Tm 으로부터 유지보수 스케줄에서의 시프트이다.
수요 예측은 스케줄 Tm+Δt 직후에 하향하고, 수요는 유닛 (2) 및 유닛 (3) 에 의해 충족되기에 충분할 만큼 낮다. 수요가 낮아짐에 따라, 비록 유닛 (1) 의 위험 지표가 낮아지지만, 유닛 (1) 은 Tm+Δt 에서 유지보수가 취해진다. 시간 t2 에서, 유닛 (2) 및 유닛 (3) 은 50MW 의 총 수요를 보살피도록 스케줄링된다.
[표 2: 위험 지표 및 수요 예측에 기초한 유지보수 활동 스케줄링]
위험 지표 수요 예측 유지보수 활동들
고 저 스케줄링
중 저 스케줄링
저 저 스케줄링
고 중 Δt (Tm 이 최대 값) 에서 향상에 대해 체크하고, 향상이 존재하지 않으면 스케줄링
중 중 Δt (Tm 이 최대 값) 에서 향상에 대해 체크하고, 향상이 존재하지 않으면 스케줄링
저 중 스케줄링 없음, Tm 을 (Tm+mΔt) 만큼 연기
고 고 Δt (Tm 이 최대 값) 에서 향상에 대해 체크하고, 향상이 존재하지 않으면 스케줄링
중 고 Δt (Tm 이 최대 값) 에서 향상에 대해 체크하고, 향상이 존재하지 않으면 스케줄링
저 고 스케줄링 없음, Tm 을 (Tm+mΔt) 만큼 연기
Tm 은 유지보수를 위한 스케줄이고; "m" 은 미리결정된 수이며; Δt 는 예측 범위 내의 시간이다.
도 5 는 본 발명의 일 실시형태에 따라 전력 플랜트를 위한 부하 스케줄링을 최적화하는 방법을 나타낸다. 여기서 지칭된 전력 플랜트는 하나 이상의 그것의 컴포넌트를 갖는 하나 이상의 발전 유닛들을 갖는다.
여기서 부하 스케줄링을 최적화하는 것은 발전 유닛들 등에 대한 생산 스케줄링, 유지보수 스케줄링, 또는 부하를 포함한다. 그것은 또한, 발전 유닛들의 컴포넌트들에 대한 위험 지표들을 최적화하는 것을 포함하고, 이는 전술한 바와 같이 조작된 변수들을 변경함으로써 행해질 수 있다. 부하 스케줄링을 최적화하는 것은 또한, 부하 수요 또는 컴포넌트의 상태에 기초하는, 발전 유닛들의 컴포넌트들의 유지보수에 대한 유지보수 트리거를 연기하는 것 또는 앞당기는 것을 포함할 수 있다.
단계 505 에서, 발전 유닛의 컴포넌트들의 운용 상태를 분석하는 것을 언급한다. 발전 유닛들은 발전 유닛들의 하나 이상의 컴포넌트들과 연관된 하나 이상의 위험 지표들을 갖는다. 분석하는 단계는, 예측 범위 내에서 거기에 성능 평가, 운용 비용 평가, 및 유지보수 스케줄에서의 시프트들을 포함한다.
단계 510 에서, 발전 유닛들의 하나 이상의 컴포넌트들의 상태를 반영하는 목적 함수를 업데이트하는 것을 수반한다. 여기에 언급된 목적 함수는 컴포넌트들의 프로세스 제어를 위한 적어도 하나의 항 및 컴포넌트들의 유지보수와 연관된 적어도 하나의 항을 포함한다. 또한, 목적 함수를 업데이트하는 단계는, 발전 유닛들의 컴포넌트들의 유지보수를 미루거나 앞당기는 것과 연관된 비용에 대해 업데이트하는 것, 또는, 거기의 컴포넌트의 가치 하락 또는 열화를 고려하는 컴포넌트들의 수명주기와 연관된 비용으로 업데이트하는 것을 포함한다.
단계 515 에서, 단계 520 에서 나타난 바와 같이, 발전 유닛들의 컴포넌트들의 운용 상태 및 발전 유닛들의 스케줄을 최적화하기 위해 목적 함수가 풀린다.
단계 525 는 전력 플랜트를 운용하는 단계를 언급한다. 이것은 발전 유닛들을 그것의 최적화된 스케줄 및 운용 상태에서 운용하는 것을 언급한다.
제어 시스템은, 전력 플랜트 내의 발전 유닛들의 하나 이상의 컴포넌트들에 대해 특정 스케줄 또는 운용 상태를 특정함으로써 직접적으로, 또는 스케줄 분석기 또는 예측 모듈과 관련된 어떤 파라미터들/변수들을 조작함으로써 간접적으로, 적합한 사용자 인터페이스를 통한 입력들에 의해, 부하 스케줄링 (예를 들어, 유지보수 스케줄) 또는 운용 상태를 오버라이드 (override) 하는 것을 운용자/사용자로 하여금 허용하기 위한 수단을 제공하는 것을 또한 유의하여야 한다.
본 발명의 오직 특정 특징들만이 본원에 예시되고 설명되었지만, 많은 변형들 및 변경들이 당업자에게 발생할 것이다. 따라서, 첨부된 청구범위는 본 발명의 진정한 사상 내에 속하는 모든 이러한 변형들 및 변경들을 커버하는 것으로 의도된다는 것을 이해하여야 한다.

Claims (10)

  1. 하나 이상의 발전 유닛들을 갖는 전력 플랜트에 대한 부하 스케줄링을 최적화하는 방법으로서,
    발전 유닛들의 하나 이상의 컴포넌트들과 연관된 하나 이상의 위험 지표들을 갖는, 상기 발전 유닛들의 하나 이상의 컴포넌트들의 운용 상태를 분석하는 단계;
    상기 발전 유닛들의 하나 이상의 컴포넌트들의 상태를 반영하는 적어도 하나의 목적 함수를 업데이트하는 단계;
    상기 하나 이상의 발전 유닛들의 스케줄 및 상기 발전 유닛들의 하나 이상의 컴포넌트들의 운용 상태를 최적화하기 위해 하나 이상의 목적 함수들을 푸는 단계; 및
    상기 하나 이상의 발전 유닛들을 최적화된 스케줄 및 운용 상태에서 운용하는 단계를 포함하는, 전력 플랜트에 대한 부하 스케줄링을 최적화하는 방법.
  2. 제 1 항에 있어서,
    상기 운용 상태를 분석하는 단계는, 예측 범위 내에서의 성능 평가, 운용 비용 평가, 및 유지보수 스케줄에서의 시프트 (shift) 들을 포함하는, 전력 플랜트에 대한 부하 스케줄링을 최적화하는 방법.
  3. 제 1 항에 있어서,
    상기 부하 스케줄링을 최적화하는 것은, 하나 이상의 발전 유닛들에 대한 생산 스케줄링 또는 유지보수 스케줄링 또는 부하, 또는 이들의 조합을 포함하는, 전력 플랜트에 대한 부하 스케줄링을 최적화하는 방법.
  4. 제 1 항에 있어서,
    상기 부하 스케줄링을 최적화하는 것은, 조작된 변수들 (manipulated variables) 을 적합하게 변경함으로써 상기 하나 이상의 발전 유닛들의 하나 이상의 컴포넌트들에 대한 위험 지표들을 최적화하는 것을 포함하는, 전력 플랜트에 대한 부하 스케줄링을 최적화하는 방법.
  5. 제 1 항에 있어서,
    상기 부하 스케줄링을 최적화하는 것은, 상기 컴포넌트의 상태 또는 부하 수요에 기초하여 상기 하나 이상의 발전 유닛들의 상기 하나 이상의 컴포넌트들의 유지보수에 대한 유지보수 트리거 (trigger) 를 미루거나 앞당기는 것을 포함하는, 전력 플랜트에 대한 부하 스케줄링을 최적화하는 방법.
  6. 제 1 항에 있어서,
    상기 목적 함수는, 상기 하나 이상의 발전 유닛들의 상기 하나 이상의 컴포넌트들의 프로세스 제어를 위한 적어도 하나의 항 (term) 또는 상기 하나 이상의 발전 유닛들의 상기 하나 이상의 컴포넌트들의 유지보수와 연관된 적어도 하나의 항, 또는 이들의 조합을 포함하는, 전력 플랜트에 대한 부하 스케줄링을 최적화하는 방법.
  7. 제 1 항에 있어서,
    상기 적어도 하나의 목적 함수를 업데이트하는 단계는, a) 상기 하나 이상의 발전 유닛들의 하나 이상의 컴포넌트들의 유지보수를 미루거나 앞당기는 것과 연관된 비용, 또는 b) 상기 하나 이상의 발전 유닛들의 상기 하나 이상의 컴포넌트들의 수명주기와 연관된 비용, 또는 이들 a) 및 b) 의 조합으로 상기 목적 함수를 업데이트하는 단계를 포함하는, 전력 플랜트에 대한 부하 스케줄링을 최적화하는 방법.
  8. 하나 이상의 발전 유닛들을 갖는 전력 플랜트의 부하를 스케줄링하기 위한 제어 시스템으로서,
    유지보수 스케줄링을 포함하는 부하 스케줄링을 최적화하고 상기 하나 이상의 발전 유닛들의 프로세스들을 최적으로 제어하기 위한 적어도 하나의 목적 함수를 갖는 최적화기를 포함하고,
    상기 최적화기는, 부하 스케줄링 최적화를 위해 플랜트 모델 컴포넌트 및 고장 모델 컴포넌트를 이용하는, 전력 플랜트의 부하를 스케줄링하기 위한 제어 시스템.
  9. 제 8 항에 있어서,
    상기 최적화기는,
    발전 유닛들의 하나 이상의 컴포넌트들과 연관된 하나 이상의 위험 지표들을 갖는, 상기 발전 유닛들의 하나 이상의 컴포넌트들의 운용 상태를 분석하기 위한 스케줄러 분석기를 포함하는, 전력 플랜트의 부하를 스케줄링하기 위한 제어 시스템.
  10. 제 8 항에 있어서,
    상기 최적화기는, 상기 하나 이상의 발전 유닛들의 하나 이상의 컴포넌트들과 연관된 위험 지표들 또는 수요 예측 또는 새로운 조작된 변수들 또는 사전 스케줄링된 유지보수 스케줄에 의해 영향을 받는 운용 상태에서의 향상들에 기초하여, 유지보수 트리거 (trigger) 에 의해 실행되거나, 사용자 인터페이스를 통해 사용자에 의해 실행되거나, 이들의 조합에 의해 실행되는 유지보수를 스케줄링할 수 있는, 전력 플랜트의 부하를 스케줄링하기 위한 제어 시스템.
KR1020127020236A 2009-12-31 2010-05-13 전력 플랜트의 부하 스케줄링을 위한 방법 및 제어 시스템 KR101733393B1 (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
IN3244/CHE/2009 2009-12-31
IN3244CH2009 2009-12-31
PCT/IB2010/001106 WO2011080548A1 (en) 2009-12-31 2010-05-13 Method and control system for scheduling load of a power plant

Publications (2)

Publication Number Publication Date
KR20120117847A true KR20120117847A (ko) 2012-10-24
KR101733393B1 KR101733393B1 (ko) 2017-05-10

Family

ID=42556691

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020127020236A KR101733393B1 (ko) 2009-12-31 2010-05-13 전력 플랜트의 부하 스케줄링을 위한 방법 및 제어 시스템

Country Status (10)

Country Link
US (1) US10013660B2 (ko)
EP (1) EP2519863A1 (ko)
JP (1) JP5996436B2 (ko)
KR (1) KR101733393B1 (ko)
CN (2) CN102893227A (ko)
AU (1) AU2010337991B2 (ko)
CA (1) CA2785752C (ko)
RU (1) RU2523191C2 (ko)
WO (1) WO2011080548A1 (ko)
ZA (1) ZA201204798B (ko)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170055935A (ko) * 2014-04-11 2017-05-22 하트포드 스팀 보일러 인스펙션 앤드 인슈어런스 컴퍼니 시스템 조작 및 수행 데이터 모델링에 기초한 미래 신뢰도 예측 개선
KR102209858B1 (ko) * 2020-08-21 2021-01-29 주식회사 아라아이티이엔지 인공신경망 기반의 가열 및 냉각 설비 가동 스케쥴링 방법
US11288602B2 (en) 2019-09-18 2022-03-29 Hartford Steam Boiler Inspection And Insurance Company Computer-based systems, computing components and computing objects configured to implement dynamic outlier bias reduction in machine learning models
US11328177B2 (en) 2019-09-18 2022-05-10 Hartford Steam Boiler Inspection And Insurance Company Computer-based systems, computing components and computing objects configured to implement dynamic outlier bias reduction in machine learning models
US11334645B2 (en) 2011-08-19 2022-05-17 Hartford Steam Boiler Inspection And Insurance Company Dynamic outlier bias reduction system and method
US11615348B2 (en) 2019-09-18 2023-03-28 Hartford Steam Boiler Inspection And Insurance Company Computer-based systems, computing components and computing objects configured to implement dynamic outlier bias reduction in machine learning models
US11636292B2 (en) 2018-09-28 2023-04-25 Hartford Steam Boiler Inspection And Insurance Company Dynamic outlier bias reduction system and method

Families Citing this family (48)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB201200491D0 (en) * 2012-01-12 2012-02-22 Romax Technology Ltd Method for operating a wind turbine generator
US9411326B2 (en) 2012-08-21 2016-08-09 General Electric Company Plant control optimization system including visual risk display
US9255525B2 (en) 2012-11-30 2016-02-09 General Electric Company System and method for gas turbine operation
US20140324495A1 (en) * 2013-02-22 2014-10-30 Vestas Wind Systems A/S Wind turbine maintenance optimizer
US20140244328A1 (en) * 2013-02-22 2014-08-28 Vestas Wind Systems A/S Wind turbine maintenance optimizer
US10418833B2 (en) 2015-10-08 2019-09-17 Con Edison Battery Storage, Llc Electrical energy storage system with cascaded frequency response optimization
US9430311B2 (en) * 2013-07-23 2016-08-30 Halliburton Energy Services, Inc. Cause and effect mapping for failure mode effect analysis creation and risk management
US9471080B2 (en) 2013-10-21 2016-10-18 Restore Nv Portfolio managed, demand-side response system
EP2889711B1 (en) 2013-12-30 2020-07-01 Rolls-Royce Corporation System and method for optimizing component life in a power system
US9404426B2 (en) * 2013-12-31 2016-08-02 General Electric Company Methods and systems for enhancing control of power plant generating units
US10386820B2 (en) 2014-05-01 2019-08-20 Johnson Controls Technology Company Incorporating a demand charge in central plant optimization
US9605559B2 (en) 2015-02-02 2017-03-28 General Electric Company Wash timing based on turbine operating parameters
CN105929687B (zh) * 2015-02-27 2020-02-04 约翰逊控制技术公司 高层级中央设施优化
US10205322B1 (en) 2015-03-09 2019-02-12 Cummins Power Generation Ip, Inc. Economically efficient operation of a power generator
US10339461B2 (en) 2015-09-30 2019-07-02 The Boeing Company System for maintenance of a manufactured product
US10282687B2 (en) * 2015-10-07 2019-05-07 University Of Utah Research Foundation Systems and methods for managing power generation resources
US10509374B2 (en) 2015-10-07 2019-12-17 University Of Utah Research Foundation Systems and methods for managing power generation and storage resources
US10296030B2 (en) * 2015-10-07 2019-05-21 University Of Utah Research Foundation Systems and methods for power system management
US10700541B2 (en) 2015-10-08 2020-06-30 Con Edison Battery Storage, Llc Power control system with battery power setpoint optimization using one-step-ahead prediction
US10222083B2 (en) 2015-10-08 2019-03-05 Johnson Controls Technology Company Building control systems with optimization of equipment life cycle economic value while participating in IBDR and PBDR programs
US10197632B2 (en) 2015-10-08 2019-02-05 Taurus Des, Llc Electrical energy storage system with battery power setpoint optimization using predicted values of a frequency regulation signal
US10554170B2 (en) 2015-10-08 2020-02-04 Con Edison Battery Storage, Llc Photovoltaic energy system with solar intensity prediction
US10389136B2 (en) 2015-10-08 2019-08-20 Con Edison Battery Storage, Llc Photovoltaic energy system with value function optimization
US10564610B2 (en) 2015-10-08 2020-02-18 Con Edison Battery Storage, Llc Photovoltaic energy system with preemptive ramp rate control
US10190793B2 (en) 2015-10-08 2019-01-29 Johnson Controls Technology Company Building management system with electrical energy storage optimization based on statistical estimates of IBDR event probabilities
US10222427B2 (en) 2015-10-08 2019-03-05 Con Edison Battery Storage, Llc Electrical energy storage system with battery power setpoint optimization based on battery degradation costs and expected frequency response revenue
US11210617B2 (en) 2015-10-08 2021-12-28 Johnson Controls Technology Company Building management system with electrical energy storage optimization based on benefits and costs of participating in PDBR and IBDR programs
US10742055B2 (en) 2015-10-08 2020-08-11 Con Edison Battery Storage, Llc Renewable energy system with simultaneous ramp rate control and frequency regulation
US10418832B2 (en) 2015-10-08 2019-09-17 Con Edison Battery Storage, Llc Electrical energy storage system with constant state-of charge frequency response optimization
US10250039B2 (en) 2015-10-08 2019-04-02 Con Edison Battery Storage, Llc Energy storage controller with battery life model
US10283968B2 (en) 2015-10-08 2019-05-07 Con Edison Battery Storage, Llc Power control system with power setpoint adjustment based on POI power limits
US20170242081A1 (en) * 2016-02-24 2017-08-24 General Electric Company System and method for optimization of recommended service intervals
CN106096815A (zh) * 2016-05-31 2016-11-09 中国电力科学研究院 一种配电网运行效率影响度分析方法
US10594153B2 (en) 2016-07-29 2020-03-17 Con Edison Battery Storage, Llc Frequency response optimization control system
US10778012B2 (en) 2016-07-29 2020-09-15 Con Edison Battery Storage, Llc Battery optimization control system with data fusion systems and methods
JP6812169B2 (ja) * 2016-08-29 2021-01-13 川崎重工業株式会社 エネルギー需要設備の運用に関する計画作成装置及び計画作成方法
JP6677608B2 (ja) * 2016-09-05 2020-04-08 株式会社東芝 水力機械の壊食予測装置および予測方法
CN106779443B (zh) * 2016-12-26 2020-11-03 国网山东省电力公司泰安供电公司 电力调度中的操作风险确定方法和装置
US20180253087A1 (en) * 2017-03-06 2018-09-06 General Electric Company Scheduling maintenance to reduce degradation of a power generation system
US10333987B2 (en) * 2017-05-18 2019-06-25 Bank Of America Corporation Security enhancement tool for a target computer system operating within a complex web of interconnected systems
WO2019049523A1 (ja) * 2017-09-06 2019-03-14 株式会社テイエルブイ リスク評価装置、リスク評価システム、リスク評価方法、及び、リスク評価プログラム
US10504195B2 (en) 2017-11-13 2019-12-10 Mitsubishi Electric Research Laboratories, Inc. System and method for decentralized energy production
US10838440B2 (en) 2017-11-28 2020-11-17 Johnson Controls Technology Company Multistage HVAC system with discrete device selection prioritization
US10838441B2 (en) 2017-11-28 2020-11-17 Johnson Controls Technology Company Multistage HVAC system with modulating device demand control
US10678227B2 (en) 2018-03-15 2020-06-09 Johnson Controls Technology Company Central plant control system with plug and play EMPC
US11163271B2 (en) 2018-08-28 2021-11-02 Johnson Controls Technology Company Cloud based building energy optimization system with a dynamically trained load prediction model
US11159022B2 (en) 2018-08-28 2021-10-26 Johnson Controls Tyco IP Holdings LLP Building energy optimization system with a dynamically trained load prediction model
FR3137835A1 (fr) 2022-07-15 2024-01-19 L'oreal Composition pour la coloration des fibres kératineuses

Family Cites Families (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SU399606A1 (ru) * 1972-04-29 1973-10-03 Способ оптимизации режима работы тепловой
RU2035107C1 (ru) * 1992-01-22 1995-05-10 Игорь Анатольевич Козурман Система электроснабжения
US6278899B1 (en) * 1996-05-06 2001-08-21 Pavilion Technologies, Inc. Method for on-line optimization of a plant
US7406431B2 (en) * 2000-03-17 2008-07-29 Siemens Aktiengesellschaft Plant maintenance technology architecture
JP3442059B2 (ja) 2000-05-11 2003-09-02 松下電器産業株式会社 電子放出性薄膜およびこれを用いたプラズマディスプレイパネルならびにこれらの製造方法
US6611773B2 (en) * 2000-11-28 2003-08-26 Power Measurement Ltd. Apparatus and method for measuring and reporting the reliability of a power distribution system with improved accuracy
US6671634B2 (en) * 2000-12-27 2003-12-30 Abb Research Ltd. System and method for reliability assessment of a power system having integrated modules
JP3801063B2 (ja) * 2001-02-27 2006-07-26 株式会社日立製作所 発電設備の運転・保全計画支援システム
US6853930B2 (en) * 2001-02-27 2005-02-08 Hitachi, Ltd. System for aiding the preparation of operation and maintenance plans for a power generation installation
JP4737735B2 (ja) * 2001-05-01 2011-08-03 学校法人東海大学 多品目多工程ロットサイズスケジューリング方法
US7089190B2 (en) * 2001-05-18 2006-08-08 Power Resource Managers, Llp System and method for managing utility power use
US8417360B2 (en) * 2001-08-10 2013-04-09 Rockwell Automation Technologies, Inc. System and method for dynamic multi-objective optimization of machine selection, integration and utilization
US6999829B2 (en) * 2001-12-26 2006-02-14 Abb Inc. Real time asset optimization
JP2003284260A (ja) * 2002-03-25 2003-10-03 Hitachi Ltd 発電設備改修及び更新支援方法、及びそのシステム
FR2849238A1 (fr) * 2002-12-20 2004-06-25 Elyo Systeme de prise en charge et d'exploitation des installations et services d'un site
US7272516B2 (en) * 2002-12-23 2007-09-18 Abb Research Failure rate adjustment for electric power network reliability analysis
US7203622B2 (en) * 2002-12-23 2007-04-10 Abb Research Ltd. Value-based transmission asset maintenance management of electric power networks
EP1513085A1 (en) * 2003-09-08 2005-03-09 Abb Research Ltd. Method of scheduling maintenance actions
JP2007293889A (ja) * 2004-01-05 2007-11-08 Hitachi Ltd 発電設備の運用管理システム及び保守管理サービス方法
US20060247798A1 (en) * 2005-04-28 2006-11-02 Subbu Rajesh V Method and system for performing multi-objective predictive modeling, monitoring, and update for an asset
US8055358B2 (en) * 2005-12-05 2011-11-08 Fisher-Rosemount Systems, Inc. Multi-objective predictive process optimization with concurrent process simulation
WO2007087537A2 (en) * 2006-01-23 2007-08-02 The Trustees Of Columbia University In The City Of New York System and method for grading electricity distribution network feeders susceptible to impending failure
FI118642B (fi) * 2006-04-28 2008-01-31 Kone Corp Hissijärjestelmä
CN1916949B (zh) * 2006-09-06 2010-11-10 成都赛康信息技术有限责任公司 电力设备状态评估及维修策略支撑系统
RU2007139972A (ru) * 2007-10-29 2009-05-10 Закрытое акционерное общество "Техсистем груп" (RU) Способ оптимизации режимов работы электростанций
CN101232182A (zh) * 2008-01-18 2008-07-30 清华大学 三维协调的电网能量管理系统及对电网的评估及控制方法
CN100555792C (zh) * 2008-01-30 2009-10-28 湖南大学 基于多智能体的配电网节能降耗综合管理系统及其管理方法
CN101465616B (zh) * 2008-12-30 2013-11-27 上海市电力公司 一种基于ucps的agc机组评价系统
US8433450B2 (en) * 2009-09-11 2013-04-30 Emerson Process Management Power & Water Solutions, Inc. Optimized control of power plants having air cooled condensers
US8606548B2 (en) * 2009-12-10 2013-12-10 Accenture Global Services Limited Energy facility control system

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11334645B2 (en) 2011-08-19 2022-05-17 Hartford Steam Boiler Inspection And Insurance Company Dynamic outlier bias reduction system and method
US11868425B2 (en) 2011-08-19 2024-01-09 Hartford Steam Boiler Inspection And Insurance Company Dynamic outlier bias reduction system and method
KR20170055935A (ko) * 2014-04-11 2017-05-22 하트포드 스팀 보일러 인스펙션 앤드 인슈어런스 컴퍼니 시스템 조작 및 수행 데이터 모델링에 기초한 미래 신뢰도 예측 개선
KR20220017530A (ko) * 2014-04-11 2022-02-11 하트포드 스팀 보일러 인스펙션 앤드 인슈어런스 컴퍼니 시스템 조작 및 수행 데이터 모델링에 기초한 미래 신뢰도 예측 개선
US11550874B2 (en) 2014-04-11 2023-01-10 Hartford Steam Boiler Inspection And Insurance Company Future reliability prediction based on system operational and performance data modelling
US11636292B2 (en) 2018-09-28 2023-04-25 Hartford Steam Boiler Inspection And Insurance Company Dynamic outlier bias reduction system and method
US11803612B2 (en) 2018-09-28 2023-10-31 Hartford Steam Boiler Inspection And Insurance Company Systems and methods of dynamic outlier bias reduction in facility operating data
US11288602B2 (en) 2019-09-18 2022-03-29 Hartford Steam Boiler Inspection And Insurance Company Computer-based systems, computing components and computing objects configured to implement dynamic outlier bias reduction in machine learning models
US11328177B2 (en) 2019-09-18 2022-05-10 Hartford Steam Boiler Inspection And Insurance Company Computer-based systems, computing components and computing objects configured to implement dynamic outlier bias reduction in machine learning models
US11615348B2 (en) 2019-09-18 2023-03-28 Hartford Steam Boiler Inspection And Insurance Company Computer-based systems, computing components and computing objects configured to implement dynamic outlier bias reduction in machine learning models
KR102209858B1 (ko) * 2020-08-21 2021-01-29 주식회사 아라아이티이엔지 인공신경망 기반의 가열 및 냉각 설비 가동 스케쥴링 방법

Also Published As

Publication number Publication date
CA2785752A1 (en) 2011-07-07
RU2523191C2 (ru) 2014-07-20
RU2012132640A (ru) 2014-02-10
AU2010337991A1 (en) 2012-07-19
JP5996436B2 (ja) 2016-09-21
CN107862463B (zh) 2021-09-28
EP2519863A1 (en) 2012-11-07
AU2010337991B2 (en) 2014-06-26
US20130006439A1 (en) 2013-01-03
WO2011080548A1 (en) 2011-07-07
CA2785752C (en) 2017-04-18
US10013660B2 (en) 2018-07-03
CN107862463A (zh) 2018-03-30
KR101733393B1 (ko) 2017-05-10
ZA201204798B (en) 2013-08-28
CN102893227A (zh) 2013-01-23
JP2013516671A (ja) 2013-05-13

Similar Documents

Publication Publication Date Title
KR101733393B1 (ko) 전력 플랜트의 부하 스케줄링을 위한 방법 및 제어 시스템
KR101774205B1 (ko) 전력 플랜트를 위한 프로세스 최적화 방법 및 시스템
Endrenyi et al. Aging, maintenance, and reliability-approaches to preserving equipment health and extending equipment life
US20200356087A1 (en) Model predictive maintenance system with event or condition based performance
CN108694271B (zh) 燃气涡轮机调配优化系统及方法及非暂态计算机可读介质
Venturini et al. Application of a statistical methodology for gas turbine degradation prognostics to alstom field data
US7610174B2 (en) System for assured reliability in DC to AC power converters
CN102955876A (zh) 动态备件管理的系统和方法
JP3801063B2 (ja) 発電設備の運転・保全計画支援システム
JP7053152B2 (ja) 推奨点検間隔を最適化するシステム及び方法
Wan et al. Prognostics of gas turbine: A condition-based maintenance approach based on multi-environmental time similarity
Bohlin et al. Maintenance optimization with duration-dependent costs
Xia et al. Progressive opportunistic maintenance policies for service-outsourcing network with prognostic updating and dynamical optimization
Zhao et al. A sequential approach for gas turbine power plant preventative maintenance scheduling
Ramesh et al. Reliability assessment of cogeneration power plant in textile mill using fault tree analysis
WO2015175181A1 (en) System and method for evaluating opportunities to extend operating durations
Wang et al. Maintenance optimization of generating equipment based on a condition-based maintenance policy for multi-unit systems
US20040230541A1 (en) Process for estimating and reducing cost of cycling
Allen A proposed framework for minimizing starts and extending maintenance intervals through optimized scheduling with mixed integer programming
JP7209545B2 (ja) 蓄電池制御システム、蓄電池制御方法及びプログラム
DePold et al. Using diagnostics and prognostics to minimize the cost of ownership of gas turbines
Muhammad et al. Reliability assessment of multi-state repairable system subject to minimal repairs and constant demand
JPH0510857A (ja) 発電設備の寿命管理方法およびその装置
Werbińska-Wojciechowska Preventive Maintenance Modeling: State of the Art
CN114662945A (zh) 核电厂关键敏感设备消除方法、装置及计算机设备

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right