KR20220114307A - AI를 이용한 발전소 NOx 발생량을 포함하는 운전 속성값 예측 시스템 및 그 방법 - Google Patents

AI를 이용한 발전소 NOx 발생량을 포함하는 운전 속성값 예측 시스템 및 그 방법 Download PDF

Info

Publication number
KR20220114307A
KR20220114307A KR1020210017633A KR20210017633A KR20220114307A KR 20220114307 A KR20220114307 A KR 20220114307A KR 1020210017633 A KR1020210017633 A KR 1020210017633A KR 20210017633 A KR20210017633 A KR 20210017633A KR 20220114307 A KR20220114307 A KR 20220114307A
Authority
KR
South Korea
Prior art keywords
value
variable
variable values
predicting
past
Prior art date
Application number
KR1020210017633A
Other languages
English (en)
Other versions
KR102440012B1 (ko
Inventor
강동중
이정언
김원규
Original Assignee
주식회사 파시디엘
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 주식회사 파시디엘 filed Critical 주식회사 파시디엘
Priority to KR1020210017633A priority Critical patent/KR102440012B1/ko
Publication of KR20220114307A publication Critical patent/KR20220114307A/ko
Application granted granted Critical
Publication of KR102440012B1 publication Critical patent/KR102440012B1/ko

Links

Images

Classifications

    • 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
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • 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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
    • 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
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • 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
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • 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
    • Y02E20/00—Combustion technologies with mitigation potential
    • Y02E20/16—Combined cycle power plant [CCPP], or combined cycle gas turbine [CCGT]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은, 발전소를 운전하는 과정에서 시계열적으로 발생하는 연료소비량, 가스터빈출력, NOx 발생량, 탈질 환원제 투입량, 배열 회수보일러의 끝단 온도인 배열 회수보일러 온도를 포함하는 다양한 복수의 과거변수값을 포함하는 로데이터(Raw Data)를 수집하여 가공하는 수집가공부와; 상기 수집가공부에 저장된 데이터를 인공지능을 활용하여 상기 과거변수값에 이어 현재 시간 이후에 설정된 단위시간마다 상기 과거변수값 각각에 대응한 복수의 예측변수값을 예측하는 인공지능부;를 포함하는 것을 특징으로 한다.
이에, 발전하는 과정에서 시계열적으로 발생한 과거의 데이터를 기반으로 한 인공신경망을 이용하여 오염물질 중 하나인 NOx의 발생량을 포함하는 다양한 변수값을 미리 예측할 수 있는 AI를 이용한 발전소 NOx 발생량을 포함하는 운전 속성값 예측 시스템 및 그 방법을 제공할 수 있다.

Description

AI를 이용한 발전소 NOx 발생량을 포함하는 운전 속성값 예측 시스템 및 그 방법 {Operating Attribute Value Prediction System including NOx generating Quantity at Power Station using AI and Method thereof}
본 발명은, AI를 이용한 발전소 NOx 발생량을 포함하는 운전 속성값 예측 시스템 및 그 방법에 관한 것으로, 구체적으로 발전소에서 알려진 속성값인 연료소비량에 기초하여 NOx 발생량, 암모니아 환원제 투입량 등의 나머지 속성값을 예측하고, 예측한 속성값인 NOx 발생량에 기초하여 NOx의 배출량을 최소화하기 위하여 투입 예측되는 암모니아 환원제 투입량도 산출하여 선제적으로 대응할 수 있도록 구조를 개선한 AI를 이용한 발전소 NOx 발생량을 포함하는 운전 속성값 예측 시스템 및 그 방법에 관한 것이다.
산업 활동이나 인간이 생활하는 과정에서 다양한 종류의 쓰레기가 배출되기도 하고 유해 물질이 대기 중으로 배출되고 있다. 이러한 대기 오염은 환경을 오염시켜 인간의 생활을 위협하고 있다.
이러한 환경오염 물질은 발전소에서도 발생되고 있다.
우리나라에서 산업통상자원부의 “8차 전력수급계획”에 따르면 고농도 미세먼지가 사회 문제로 부각되면서 미세먼지 국내 배출량을 30% 이상 감축키로 하면서 노후 석탄 발전소를 조기 폐지하여 가스 복합발전(LNG 발전소)로의 전환을 추진하고 있다.
복합발전은 발전 효율성을 향상시키기 위해 한 사이클에 가스터빈, 증기터빈을 돌려 2번 발전하며, 석탄, 원자력을 원료로 하는 발전에 비해 1차 발전을 하고 나온 배기가스를 배열 회수보일러(HRSG, Heat Recovery Steam Generator)에서 다시 사용하여 2차 발전을 하기 때문에 발전소 효율이 크게 향상된다는 장점을 가지고 있다.
반면에, 이러한 가스 복합발전의 증대에 따라 LNG 가스 연소 후 발생되는 질소 산화물(NO, NO2, N2O, N2O3, N2O4, N2O5를 포함하는 질소의 산화물, 이하에서 ‘NOx’라 함)의 배출로 인한 환경오염의 우려가 있다.
미세먼지의 주요 발생 인자로 지목되는 질소 산화물은 가스 복합발전에서 배출되는 대기 오염 물질의 하나이다. 가스 복합발전은 상대적으로 안전하고 친환경적인 동력원으로 평가되지만 이러한 설비가 증가됨에 따라 NOx, 산화철, 미세먼지 등의 발생이 증가될 우려가 있다.
한편, 정부는 가스 복합발전의 NOx 배출 허용치를 10ppm으로 강화하고 있다.
현재 발전소 등에서 발생되는 NOx는 산화촉매법(SCR, Selective Catalystic Reduction ; 선택적환원촉매)으로 배출되는 량을 저감시키고 있지만 획일적인 운전에 따라 NOx 발생량이 배출 허용 기준치를 초과할 우려가 있다.
복합 화력발전을 운영하는 과정에서 많은 데이터들이 센서 등에 의하여 측정되어 시계열적으로 발생되고 있으며, 이러한 측정치에는 LNG를 포함하는 연료소비량, 가스터빈 출력, NOx 발생량, 탈질 환원제 투입량, 배열 회수보일러 온도, 설정된 위치의 온도 또는 압력 등이 있다.
종래의 NOx 저감 운전 방식은 발생된 NOx 농도 측정값에 기초하여 SCR을 운전하는 방식이다. 따라서, 종래의 방식은 발전소의 핵심 설비인 GT(Gas Turbine)의 운전 모드에 따라 순간적으로 다량의 배출가스가 발생될 경우에 대응하기 어렵다는 문제점을 가지고 있다.
또한 2020년 7월에 발표한 “한국판 디지털 뉴딜 정책 기본 방향”에서 데이터 SOC 분야, 인공지능 분야의 선도적인 기술 구축, 이를 통한 산업 구조 변화, 일자리 창출의 정책을 추진한다고 제시하고 있다.
한편, 인간의 학습 능력, 추론 능력, 지각 능력, 논증 능력, 자연 언어의 이해 능력 등을 인공적으로 구현한 컴퓨터 프로그램 또는 이를 포함한 컴퓨터 시스템인 인공지능(Artificial Intelligence)은 다양한 분야에 접목이 되고 있다.
따라서, 가스 복합발전소 등의 산업 설비에서 발생되는 NOx 량을 예측하고 예측된 NOx 량을 감소시킬 수 있는 대응 방안을 선제적으로 마련하여 최종적으로 발생되어 배출되는 NOx 발생량을 최소화시킬 수 있는 것이 바람직하다.
[관련 기술 문헌]
공개특허공보 제10-2014-0130538호 (2014.11.10. 공개)
공개특허공보 제10-2019-0123837호 (2019.11.04. 공개)
공개특허공보 제10-2020-0014048호 (2020.02.10. 공개)
본 발명의 목적은, 발전하는 과정에서 시계열적으로 발생한 과거의 데이터를 기반으로 한 인공신경망을 이용하여 오염물질 중 하나인 NOx의 발생량을 포함하는 다양한 변수값을 미리 예측할 수 있는 AI를 이용한 발전소 NOx 발생량을 포함하는 운전 속성값 예측 시스템 및 그 방법을 제공하는 것이다.
또한, 본 발명의 다른 목적은, 발전소의 운영 계획에 따라 미리 예측된 NOx를 포함하는 오염물질을 저감시킬 수 있는 방안을 선제적으로 취할 수 있는 AI를 이용한 발전소 NOx 발생량을 포함하는 운전 속성값 예측 시스템 및 그 방법을 제공하는 것이다.
또한, 본 발명의 또 다른 목적은, 발전소 운전의 안정성을 향상시킬 수 있으면서 오염 물질의 배출량을 저감시켜 친환경적 운전을 할 수 있는 AI를 이용한 발전소 NOx 발생량을 포함하는 운전 속성값 예측 시스템 및 그 방법을 제공하는 것이다.
본 발명의 목적은, 발전소를 운전하는 과정에서 시계열적으로 발생하는 연료소비량, 가스터빈출력, NOx 발생량, 탈질 환원제 투입량, 배열 회수보일러의 끝단 온도인 배열 회수보일러 온도를 포함하는 다양한 복수의 과거변수값을 포함하는 로데이터(Raw Data)를 수집하여 가공하는 수집가공부와; 상기 수집가공부에 저장된 데이터를 인공지능을 활용하여 상기 과거변수값에 이어 현재 시간 이후에 설정된 단위시간마다 상기 과거변수값 각각에 대응한 복수의 예측변수값을 예측하는 인공지능부;를 포함하는 것을 특징으로 하는 운전 속성값 예측 시스템에 의하여 달성된다.
또한, 상기 예측변수값 중 적어도 하나는 미리 예측된 값인 기초예측변수값으로 연료소비량을 포함하고, 상기 발전소는 LNG를 연료로 사용하는 복합화력발전소를 포함하며, 상기 기초예측변수값에 기초하여 나머지 상기 예측변수값을 예측하는 것이 바람직하다.
또한, 상기 인공지능부는 인공신경망 중에 다변수 예측 모델을 포함하는 것이 바람직하다.
한편, 본 발명의 목적은, 발전소를 운전하는 과정에서 시계열적으로 발생하는 연료소비량, 가스터빈출력, NOx 발생량, 탈질 환원제 투입량, 배열 회수보일러의 끝단 온도인 배열 회수보일러 온도를 포함하는 다양한 복수의 과거변수값을 포함하는 로데이터(Raw Data)를 수집가공부에서 수집하고 가공하는 (1)과정과; 상기 수집가공부에 저장된 데이터를 인공지능을 활용하여 상기 과거변수값에 이어 현재 시간 이후에 설정된 단위시간마다 상기 과거변수값 각각에 대응한 복수의 예측변수값을 인공지능부에서 예측하는 (2)과정;을 포함하는 것을 특징으로 하는 운전 속성값 예측 방법에 의해서도 달성된다.
또한, 상기 인공지능부는 인공신경망 중에 다변수 예측 모델을 포함하는 것이 바람직하다.
또한, 상기 과거변수값은 설정된 위치에 설치된 센서로부터 측정한 수치이고, 상기 예측변수값 중 적어도 하나는 미리 예측된 값인 기초예측변수값으로 연료소비량을 포함하는 것이 바람직하다.
또한, 현재 시간 이후의 상기 기초예측변수값을 추출하여 제1리니어층을 통과하는 (3)과정과; 현재 시간의 상기 과거변수값과 상기 기초예측변수값 및 상기 과거변수값에 기초하여 상기 예측변수값을 예측하는 ReLU(Rectified Linear Unit, 활성화층)을 통과한 상기 예측변수값을 선택하는 (4)과정;을 더 포함하는 것이 바람직하다.
또한, 상기 (4)과정에서는 초기에는 현재 시간의 상기 과거변수값이 선택되며, 그 이후에는 상기 ReLU를 통과한 상기 예측변수값이 선택되는 것이 바람직하다.
또한, 상기 (3)과정과 상기 (4)과정을 통과한 변수값이 컨택층(contact층)에서 합쳐져서 제2리니어층을 거치는 (5)과정;을 더 포함하는 것이 바람직하다.
또한, 상기 (5)과정을 통과한 변수값과 엔코더(Encorder)를 통과한 변수값은 CNN(Convolution Neural Network)을 통과하는 (6)과정을 포함하는 것이 바람직하다.
또한, 상기 (6)과정에서 상기 엔코더를 거친 변수값은 현재 시간부터 과거의 설정된 시간 간격으로 구획된 상기 과거변수값을 추출하여 축약한 것이 바람직하다.
또한, 상기 CNN은 상기 (6)과정에서 입력된 변수값을 이용하여 상기 기초예측변수값을 제외한 변수값을 GRU (Gated Recurrent)층에서 예측하는 (6-1)과정과; 상기 (6-1)과정을 통과한 변수값은 제3리니어층을 통과한 후 상기 ReLU층을 통과하고 제4리니어층을 통과하여 상기 예측변수값으로 되는 것이 바람직하다.
또한, 상기 (6-2)과정에서 예측한 상기 예측변수값 이후의 설정된 시간에 대응한 상기 기초변수값에 따라 상기 (3)과정 및 상기 예측변수값에 따라 상기 (4)과정을 통과하고 상기 (5)과정과 상기 (6)과정을 거쳐 상기 예측변수값을 예측하는 단계를 반복하는 것이 바람직하다.
이에, 본 발명에 따르면, 발전하는 과정에서 시계열적으로 발생한 과거의 데이터를 기반으로 한 인공신경망을 이용하여 오염물질 중 하나인 NOx의 발생량을 포함하는 다양한 변수값을 미리 예측할 수 있는 AI를 이용한 발전소 NOx 발생량을 포함하는 운전 속성값 예측 시스템 및 그 방법을 제공할 수 있다.
또한, 발전소의 운영 계획에 따라 미리 예측된 NOx를 포함하는 오염물질을 저감시킬 수 있는 방안을 선제적으로 취할 수 있는 AI를 이용한 발전소 NOx 발생량을 포함하는 운전 속성값 예측 시스템 및 그 방법을 제공할 수 있다.
또한, 발전소 운전의 안정성을 향상시킬 수 있으면서 오염 물질의 배출량을 저감시켜 친환경적 운전을 할 수 있는 AI를 이용한 발전소 NOx 발생량을 포함하는 운전 속성값 예측 시스템 및 그 방법을 제공할 수 있다.
도 1은 본 발명의 일실시예에 따른 복합발전 및 운전 속성값 예측 시스템 관계를 설명하기 위한 개략도,
도 2는 본 발명의 일실시예에 따른 운전 속성값 예측 시스템의 개념도,
도 3은 시계열 예측 시스템인 ConvGRUNet 구조 개념도,
도 4는 도 3의 구체적인 실시예를 보여주는 흐름도,
도 5는 본 발명의 운전 속성값 예측 시스템의 모니터링 개략도,
도 6은 VAR과 본 발명에 따른 ConvGRUNet의 예측 성능 비교 그래프,
도 7은 본 발명에 따른 운전 속성값 예측 시스템에 따른 복수의 운전 속성값의 예측치와 실측치를 비교한 그래프이다.
본 발명의 일실시예에 따른 AI를 이용한 발전소 NOx 발생량을 포함하는 운전 속성값 예측 시스템 및 그 방법(100, 이하에서 ‘예측 시스템’이라 함)에 대하여 이하에서 도 1 내지 도 7을 참조하여 구체적으로 설명하면 다음과 같다.
도 1은 본 발명의 일실시예에 따른 복합발전 및 운전 속성값 예측 시스템 관계를 설명하기 위한 개략도이고, 도 2는 본 발명의 일실시예에 따른 운전 속성값 예측 시스템의 개념도이며, 도 3은 시계열 예측 시스템인 ConvGRUNet 구조 개념도이고, 도 4는 도 3의 구체적인 실시예를 보여주는 흐름도이며, 도 5는 본 발명의 운전 속성값 예측 시스템의 모니터링 개략도이고, 도 6은 VAR과 본 발명에 따른 ConvGRUNet의 예측 성능 비교 그래프이며, 도 7은 본 발명에 따른 운전 속성값 예측 시스템에 따른 복수의 운전 속성값의 예측치와 실측치를 비교한 그래프이다.
본 발명을 보다 상세하게 설명하기에 앞서, 본 발명은 다양한 변경을 가할 수 있고 여러 가지 형태를 가질 수 있는 바, 구현예(態樣, aspect)(또는 실시
예)들을 본문에 상세하게 설명하고자 한다. 그러나 이는 본 발명을 특정한 개시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
각 도면에서 동일한 참조부호, 특히 십의 자리 및 일의 자리 수, 또는 십의 자리, 일의 자리 및 알파벳이 동일한 참조부호는 동일 또는 유사한 기능을 갖는 부재를 나타내고, 특별한 언급이 없을 경우 도면의 각 참조부호가 지칭하는 부재는 이러한 기준에 준하는 부재로 파악하면 된다.
또 각 도면에서 구성요소들은 이해의 편의 등을 고려하여 크기나 두께를 과장되게 크거나(또는 두껍게) 작게(또는 얇게) 표현하거나, 단순화하여 표현하고 있으나 이에 의하여 본 발명의 보호범위가 제한적으로 해석되어서는 안 된다.
본 명세서에서 사용한 용어는 단지 특정한 구현예(태양, 態樣, aspect)(또는 실시예)를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, ~포함하다~ 또는 ~이루어진다~ 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
본 발명에 따른 예측 시스템(100)은, 도 1 내지 도 5에 도시된 바와 같이, 발전소를 운전하는 과정에서 시계열적으로 발생하는 연료소비량, 가스터빈출력, NOx 발생량, 탈질 환원제 투입량, 배열 회수보일러의 끝단 온도인 배열 회수보일러 온도를 포함하는 다양한 복수의 과거변수값을 포함하는 로데이터(Raw Data)를 수집하여 가공하는 수집가공부(110)와; 상기 수집가공부(110)에 저장된 데이터를 인공지능을 활용하여 상기 과거변수값에 이어 현재 시간 이후에 설정된 단위시간마다 상기 과거변수값 각각에 대응한 복수의 예측변수값을 예측하는 인공지능부(130);를 포함하는 것이 바람직하다.
도 1에 도시된 바와 같이, 본 발명에 따른 발전소는 복합발전을 포함한다. 가스터빈(Gas Turbine, G/T)과 더불어 증기터빈(Steam Turbine)을 설치한 발전소이다. 액화 천연 가스(LNG)로 우선 가스터빈을 운전하여 발전을 하고 가스 터빈에서 발생하는 고온 가스를 회수장치로 유도하고 그 것으로 증기를 발생시켜 증기터빈을 운전하여 발전을 한다.
이러한 발전소의 운전 과정에서 각 기기의 상태, 운전 조건, 발전량, 오염 물질 발생량 등을 각 위치에 설치된 센서 등에 의하여 모니터링이 되고 이러한 모니터링 된 데이터가 데이터수집시스템(DCS, Data Collection System)라는 장치에 Raw Data(도 2의 ‘DSC(Raw Data)’ 참조)로 저장이 된다.
이러한 Raw Data에는 대기로 배출되는 NOx 배출량과 배출 이전에 발생되는 NOx 발생량 및 발생된 NOx를 저감시키기 위한 SCR 장치에서 사용되는 탈질환원제 투입량 등이 포함되며, G/T 출력, G/T 연료소비량, 외기온도 등도 포함된다.
이렇게 발전소의 운전 과정에서 발생하는 여러 가지 데이터를 적용 및 예측하기 위하여 시간을 현재 시간, 현재 시간 이전의 과거, 현재 시간 이후의 미래 등으로 구분하며, 그리고 필요에 따라 이러한 과거 시간, 미래 시간을 설정된 단위로 구획하여 적용할 수 있다.
아울러 운전 과정에서 발생하는 여러 가지 데이터 중에서 운전조건에 따른 운전 종속값(이하에서 ‘변수값’이라 함) 중에서 미리 예측할 수 있는 변수값이 있으며 이러한 것에는 연료투입량(보다 구체적으로는 G/T에 투입하는 LNG 연료투입량이다 - 이러한 연료투입량은 발전소의 운영 계획에 따라 미리 설정된 발전량에 기초하여 산출될 수 있다)이 그 예이고 이하에서 미리 예측할 수 있는 연료투입량을 기초예측변수값이라 한다.
본 발명에 따른 예측 시스템은 도 1에 도시된 바와 같이 복합발전에서 발생하거나 발생한 또는 발생할 변수값에 기초하여 후술하는 본 발명에 따른 예측 시스템(100)인 인공기능 기술에 기초하여 필요로 하는 변수값을 예측하고 예측된 변수값을 관리할 수 있다. 본 발명에서는 특히 발전하는 과정에서 발생하는 NOx 발생량을 예측하고 예측된 NOx 발생량에 대응하여 NOx를 저감시키기 위해 예측된 환원제투입량을 투입하여 최종적으로 대기로 배출되는 NOx의 배출량을 최소화하기 위하여 선제적으로 제어, 관리할 수 있다.
본 발명에 따른 예측 시스템(100)은, 시계열 데이터 기반 딥러닝 예측 시스템을 포함하며, 도 2 내지 도 3에 도시된 바와 같이 시계열 데이터를 수집, 저장, 관리, 활용을 한다. 즉, 본 발명은, LNG 발전소 가스터빈에서 시계열 데이터를 수집 후 딥러닝 모델을 활용하여 오염 상황을 예측하는 다변량 Time series prediction 과 관련되어 있다.
예측 시스템(100)에서는, 도 2에 도시된 바와 같이, 다변량 시계열데이터(Multivariate time-series data)는 수집-저장-활용 단계를 거쳐 처리되며, 수집 단계에서는 ETL(Extract/Transform/Load), MQ(Message Queue), CEP(Complex Event Processing) 등의 전처리 기법을 포함한 다양한 기법이 활용되며, 저장 단계에서는 Enterprise Data Warehouse나 Cloud에 저장될 수 있다.
이러한 데이터 엔지니어링(Data Engineering) 단계를 거친 시계열 데이터는 통계적 분석, 규칙기반 기계학습, 최근 기술인 심층신경망 기술 등을 통해 학습되고 예측된다.
먼저, 딥러닝 기반의 예측 모델을 학습하기 위해 발전소 현장의 시계열 데이터를 다량으로 취득하여야 하고, 이러한 시계열 데이터는 LNG Gas Turbine과 HRSG(배열 회수보일러) 등에 설치된 다양한 센서를 통해 다채널 시계열 데이터를 발생시키고 DCS에 데이터가 쌓이게 된다. 이러한 DCS의 Raw Data는 데이터 엔지니어링 단계를 통해 수집되고 가공, 변환, 라벨링 처리 등을 통해 기계학습에 적합한 형태로 전처리된다.
이렇게 발전소에서 수집한 NOx 발생량 및 연관된 변량을 나타낸 예시가 <표 1>에 도시되어 있다.
Figure pat00001
수집된 다변량 데이터 사이의 상관관계 분석을 통한 데이터 내 변수 간 관련성을 파악하고 이러한 관련성을 파악한 일 예가 <표 2>와 같다.
Figure pat00002
딥 러닝 모델의 용량이 커질수록 모델의 일반화 능력이 좋아지나 매개 변수 또한 기하급수적으로 늘어나며 많은 양의 학습 데이터가 요구된다. 또한, 발전소에서 수집하는 데이터만으로 학습에 활용하기에는 비용과 시간이 많이 소모될 수 있으며, 주변 환경 조건이 제약된 상황에서 수집되므로 조건이 바뀌는 상황에서의 예측 정확도가 떨어 질 수 있다. 여기서, 데이터 증강 기법은 이러한 데이터 수집 문제를 해결하기 위한 방법으로 효과적이다. 컴퓨터 비전(Computer Vision) 영역에서는 많은 데이터 증강 기법들이 연구되어 왔지만, 1D 시계열 데이터에 대한 증강 관련 연구는 적으며, 이러한 Vision 영역의 증강 기법을 재해석하여 효과적으로 1D 데이터에 적용하는 것이 바람직하다.
다변량 속성은 속성 간 상관성뿐만 아니라 단시간 (Short-term time-series) 데이터 의존성, 장시간 (Long-term time-series) 데이터 의존성이 모두 존재할 수 있으므로 이러한 상관성에 기반한 규칙성을 파악하는 것이 중요하다. 이에, AttentionNet, Temporal ConvNet, RNN/LSTM/GRU 시계열 패턴분석 알고리즘을 기반 기술로 하여 발전소 시계열 데이터에 맞도록 개량하는 것이 바람직하다.
기존의 시계열 데이터예측기술 (ARIMA, VAR, SVR, GP, 등)들은 장기간의 시간적 패턴을 예측 어렵거나 높은 계산비용의 문제로 고차원 다변량 시계열예측 어렵다는 문제점을 가지고 있다.
본 발명에 따른 예측 시스템(100)은 DeepGLO, DeepAR, AttentionNet, ConvGRUNet 등의 심층신경망 기반 모델을 도입하고 이를 통해 하나의 변수를 예측값으로 하는 기존의 예측 모델과 다르게 다양한 변수를 입력 값으로 넣고 여러 변수를 예측할 수 있는 다변량 예측 모델을 포함한다.
즉, 기존의 시계열 예측 모델들은 경향성만 띄고 스케일이 다른 결과를 예측하지만, DeepGLO, ConvGRUNet은 Autoregressive 모델을 결합함으로써 결과의 경향성과 스케일 모두 잘 예측할 수 있다.
도 3은 도 2의 예측 시스템(100)에 적용되는 심층신경망기반 ConvGRUNet의 구조 개념도를 나타낸 것이다. 도 2 및 도 3을 참조하여 구체적으로 설명하면 다음과 같다.
DCS(Data Collection System)을 통해 G/T운전 발생 데이터와 NOx오염 방지 설비에서 발생한 다변량 데이터(복수의 센서 채널)가 Streaming되어 수집된다. 수집된 Raw Data는 수집가공부(110)를 통해 ETL 및 데이터 엔지니어링 과정을 통해 처리, 저장되고, 시계열예측을 위한 심층신경망을 포함하는 인공지능부(130)에 입력된다.
심층 신경망 전반부에는 2D Convolutional Layer을 통해 변량(채널) 사이의 상호 상관성과 단시간(Short-times) 상관성이 모델링된다. 이후, LSTM/GRU Layer을 거쳐 장시간(Long-times) 상관성이 추출되고, 결과는 완전연결망(FCN)을 거쳐 출력노드로 나간다.
그리고, 도 6은 현재 널리 쓰이는 다변수 예측 모델인 VAR(Vector Autoregression)과 본 발명의 예측 시스템(100)의 ConvGRUNet 모델의 성능을 비교한 그래프로 ConvGRUNet이 신호 변화 경향성뿐만 아니라 스케일도 잘 예측하는 것을 보여준다.
본 발명에 따른 예측 시스템(100)의 개발 환경에는 Ubuntu Linux OS하에서 PyTorch, CUDA, CuDNN을 사용하는 것이 바람직하다.
PyTorch는 Python 기반의 기계학습 및 딥러닝 라이브러리이며 Facebook의 인공지능 리서치 팀에서 관리하고 있다. CUDA는 그래픽 처리 장치(GPU)에서 수행하는 병렬 처리 알고리즘을 C프로그래밍 언어를 비롯한 산업 표준 언어를 사용하여 작성할 수 있도록 하는 GPGPU이다. CUDNN은 Nvidia에서 제공하는 고성능 Deep Neural Networks 라이브러리로 딥러닝의 연산 속도 향상을 위해 사용한다.
여기서, G/T자체에서 나오는 각종 센서 신호는 DCS라는 장치에 모이게 된다. DCS는 일종의 데이터수집 서버이며, 모든 후속처리는 DCS에 접속해 전송받은 데이터를 이용하는 것이 바람직하다.
아울러 수집가공부(110)는, DCS에서 나오는 raw data는 정리가 되지 않은 데이터로 그대로는 딥러닝 학습이나 예측에 사용하기 어려우므로 딥러닝에서 사용할 수 있게 데이터 가공을 해주며, DCS에서 얻어진 시계열 데이터에는 여러 실측치(어떤 시간에서 몇 개의 센서 데이터가 빠져 버리고 없는 것)처리, 고주파나 노이즈 신호 제거, 어떤 range내로 값을 정규화(보통 0~1 또는 -1~1 사이 값으로), ETL(Extract, Load, Transform)과정을 거치고 Data log도 저장한다.
인공지능부(130)는 MTSR(Multivariate Time Series Regression: 다변량시계열예측), MTSC(다변량시계열분류(classification)) 등을 위한 학습과 예측 작업을 수행하는 고성능 서버 컴퓨터를 포함한다.
아울러 도 5와 같이 예측 시스템(100)에서 모니터링 서버(Monitoring server)는 수집가공부(110)와 인공지능부(130)에서 나오는 결과와 예측값을 화면에 출력하고 이상한 값이 예측될 경우, 관리자에게 경보를 발생시키는 모듈이다.
그리고, 딥러닝 분야에서는 프레임웍이라 불리는 lib가 있으며, Tensorflow(Google), Keras(Google), MxNet(Microsoft), Pytorch(Facebook) 등을 이용하여 네트웍 구조를 구성한다.
이외에도 데이터 처리를 위해 Pandas, Tableau등의 python library를 함께 사용하며, 고속 병렬 학습을 위해 CUDA, cuDNN(Nvidia사, 미국) 등의 library를 사용하는 것이 바람직하다. 또한, OS는 Ubuntu Linux를 기반으로 하지만 windows10도 가능하다. 그리고, 하드웨어(HardWare)는 고속 병렬 학습을 위해 인공지능부(130)에서 고속 병렬처리 GPU(Graphic Processing Unit)를 여러 장 사용하는데 대부분 미국 Nvidia에서 만든 칩을 이용하는 것이 바람직하며, Desktop CPU는 16코어 이상의 고성능 CPU를 사용하는 것이 바람직하다.
본 발명에 따른 예측 시스템(100)의 실시예를 도 5를 참조하여 구체적으로 설명하면 다음과 같다.
여기서, ①은 Nox배출량, 가스터빈출력,탈질환원제량,배열회수보일러온도,여러 온도, 압력 값 등의 센서 측정치이고 본 실시예에서는 15개를 그 예로 포함한다.
②는 ①의 모든 계측치의 근원이 되는 기초예측변수값으로 연료인 LNG의 (연료)소비량이다. 즉, 연료가 연소됨에 의해서 ①의 다양한 측정치(속성값)가 발생한다.
③은 현재 시간(current time) t 순간에서 ②를 제외한 모든 측정치이고 현재 시간 t에서 측정치 길이는 1이고, 센서(속성)값이 15개라서 (1,15)크기로 표시한다.
④는 미래 시간에 예측해야 하는 15개의 속성 시계열이다. 만일 센서 측정 time step(설정 단위 시간)을 1분으로 하고, 미래 5분의 15개 속성값을 예측해야 한다면 예측할 값의 크기는 (5,15)가 된다.
⑤는 미래에 연료를 얼마나 투입할지 계획을 나타내는 값으로 알려진 값이다. a, b, c,…는 현시간 t에서 1분후, 2분후, 3분후…의 투입할 연료량이다.
한편, 현재 시간 t를 기준으로 과거 시간의 데이터는 모두 알려지므로 만일 과거 32분(설정 단위 시간을 1분으로 가정)을 생각한다면 ①은 (32,15)이고 ②는 (32,1)의 크기가 된다.
예측 시스템(100)에서 먼저 현재 시간 t의 1분후 데이터부터 예측한다. ⑤에서 a데이터(size=(1,1))를 추출하고 이것은 ⑦의 제1Linear층(신경망)으로 들어간다. ⑦을 통과하여 나온 크기는 (1,16)이 된다. 신경망 연결성을 이용하여 속성 크기 1을 16으로 증가시켰다.
한편, ③의 (1,15) 데이터는 셀렉터(selector) ⑧로 들어간다. ⑧의 역할은 ③에서 나오는 신호와 ⑭에서 나오는 신호를 선택해 주는 역할을 한다. 처음에는 신호 ③을 선택하지만 다음 단계부터는 ⑭에서 나오는 신호를 선택한다. ⑧ 내부에서 어느 쪽이던 (1,15)신호가 선택되면 내부에 있는 Linear층을 거쳐 (1,32) 크기로 변환되며, ⑨의 컨텍트층(concat층)에서 ⑧을 거친 (1, 32)와 ⑦을 거친 (1, 16)의 두 속성이 합쳐져 (1,48) 크기가 된다. 이는 다시 제2linear층을 거쳐 (1,15) 크기가 되어 ⑪ 내의 GRU로 들어간다.
⑪은 시계열 예측을 위한 RNN(Recurrent neural network)넷의 일종인 GRU층을 포함하는 부분으로 GRU는 현 시간 입력을 이용하여 다음 시간의 속성값을 예측하는 역할을 한다.
⑫ GRU에는 두 개의 입력이 들어가는데 제2리니어층을 거친 (1,15) 크기와 ⑩의 Encoder를 거친 (1,512) 크기이다.
여기서, (1,512) 크기는 ①의 (32,15) 성분과 ②의 t시간 이전인 과거 시간 성분인 (32,1) 크기를 이용하여 과거 시계열 특징을 추출하여 축약한 벡터이다.
⑫는 (1,15) 크기와 (1,512) 크기의 두 벡터를 이용하여 다음 순간의 속성값 (1,64) 크기를 예측하고 이는 제3linear층과 ⑬의 활성화층(ReLU층)을 거쳐 ⑭의 제4linear층으로 다시 들어간다.
⑭의 출력은 (1,15) 크기이고 이는 ⑧에서 다음 순간의 예측을 위해 다시 피드백 된다. ⑮는 현재 예측된 미래값 (1,15)을 출력으로 쌓아서 저장하는 모듈이다.
현재 시간인 t 시간 이후인 a시점(t+1)에서 예측된 ⑭의 출력이 발생된 이후인 b시점(t+2)에서는 다음과 같은 과정을 거친다.
⑧에서 이제 ③의 (1,15)대신에 피드백된 ⑭의 (1,15)를 선택하여 ⑧ 내부에 있는 Linear층을 통해 (1,32)를 출력한다. 그리고 ⑤에서 다름 순간(t+2) 값인 b가 추출되어 ⑦을 거쳐 ⑧에서 출력된 데이터와 ⑨에서 합쳐진다.
이러한 과정의 반복을 통해 현재 시간 t에서 1분(t+1) 후, 2분(t+2) 후, 3분(t+3) 후, …, n분(t+n) 후로 우리가 원하는 미래 시간만큼의 예측이 가능하다.
즉, 미리 계획된 LNG 연료소비량 값을 이용하여 사용자가 궁금해 하는 나머지 15개의 속성값(여기에는 관심을 갖는 오염 예측값인 Nox배출량도 포함됨)을 간단하고 편리하게 예측할 수 있다.
본 발명의 예측 시스템(100)과 관련하여 LNG 가스복합발전 가스터빈에서 추출되는 센서 데이터와 예측값을 비교한 그래프가 도 7이다.
도 7의 가로축은 시간 단위(분)이며, 세로축은 각 속성의 발생량을 0~1사이 값으로 정규화한 것이다. 그리고, 그래프에서 실선은 실제 가동시 발생된 실체측정치를 시계열적으로 보여주는 그래프이고, 점선은 딥러닝 예측치를 시계열적으로 보여주는 그래프이다.
여기서, ‘G/T fuel consumption’은 가스터빈에 들어가는 LNG연료량이다. 연료가 연소됨에 의해서 다른 모든 속성(센서) 값들이 얻어질 수 있다. ‘G/T load’는 가스터빈의 출력이며. 생산되는 전기량으로 보통 MW단위이다. ‘HRSG #3’은 배열 회수보일러(HRSG)의 끝단(#3)에서 온도값이며, 복합발전이란 G/T을 회전시켜 1차 발전을 하고, 남은 고열, 고압 증기로 배열 회수보일러를 가동하여 2차 발전을 하는 구조이며, 이 값을 사용하는 이유는 오염 억제제인 암모니아의 기화에 필요한 열을 HRSG에서 공급하기 때문이다.
‘NOx outlet’은 LNG가 연소되면 질산화물(NOx)인 오염배출물이 생기는데, 이러한 오염물질인 NOx의 배출량을 나타낸다.
‘Nox eliminator’는 암모니아 환원제 투입량으로 Nox 배출을 억제하기 위해 투입하는 물질이여, 그래프에 알 수 있는 바와 같이 탈질환원제가 투입되면서 NOx 배출량이 감소하는 것을 확인할 수 있다.
한편, 도 6은 본 발명에 따른 예측 시스템(100)을 어플리케이션으로 활용하여 유무선으로 사용자의 모바일로 전송하거나 설정된 데이터에 이상이 발생하는 경우 경보를 발생시킬 수 있으며, 모니터링을 하는 내용을 모식적으로 도시한 것이다.
본 발명에 따른 예측 시스템(100)은 도 6과 같은 보안(security), 모니터링(monitoring), 모바일 전송(mobile), 경보 발생(alarm)을 모두 포함할 수도 있음을 물론이다.
이에, 본 발명에 따르면, 발전하는 과정에서 시계열적으로 발생한 과거의 데이터를 기반으로 한 인공신경망을 이용하여 오염물질 중 하나인 NOx의 발생량을 포함하는 다양한 변수값을 미리 예측할 수 있는 AI를 이용한 발전소 NOx 발생량을 포함하는 운전 속성값 예측 시스템 및 그 방법을 제공할 수 있다.
또한, 발전소의 운영 계획에 따라 미리 예측된 NOx를 포함하는 오염물질을 저감시킬 수 있는 방안을 선제적으로 취할 수 있는 AI를 이용한 발전소 NOx 발생량을 포함하는 운전 속성값 예측 시스템 및 그 방법을 제공할 수 있다.
또한, 발전소 운전의 안정성을 향상시킬 수 있으면서 오염 물질의 배출량을 저감시켜 친환경적 운전을 할 수 있는 AI를 이용한 발전소 NOx 발생량을 포함하는 운전 속성값 예측 시스템 및 그 방법을 제공할 수 있다.
여기서, 본 발명의 여러 실시예를 도시하여 설명하였지만, 본 발명이 속하는 기술 분야의 통상의 지식을 가진 당업자라면 본 발명의 원칙이나 정신에서 벗어나지 않으면서 본 실시예를 변형할 수 있음을 알 수 있을 것이다. 발명의 범위는 첨부된 청구항과 그 균등물에 의해 정해질 것이다.
100 : 예측 시스템 110 : 수집저장부
130 : 인공지능부

Claims (13)

  1. 발전소를 운전하는 과정에서 시계열적으로 발생하는 연료소비량, 가스터빈출력, NOx 발생량, 탈질 환원제 투입량, 배열 회수보일러의 끝단 온도인 배열 회수보일러 온도를 포함하는 다양한 복수의 과거변수값을 포함하는 로데이터(Raw Data)를 수집하여 가공하는 수집가공부와;
    상기 수집가공부에 저장된 데이터를 인공지능을 활용하여 상기 과거변수값에 이어 현재 시간 이후에 설정된 단위시간마다 상기 과거변수값 각각에 대응한 복수의 예측변수값을 예측하는 인공지능부;를 포함하는 것을 특징으로 하는 운전 속성값 예측 시스템.
  2. 제1항에 있어서,
    상기 예측변수값 중 적어도 하나는 미리 예측된 값인 기초예측변수값으로 연료소비량을 포함하고,
    상기 발전소는 LNG를 연료로 사용하는 복합화력발전소를 포함하며,
    상기 기초예측변수값에 기초하여 나머지 상기 예측변수값을 예측하는 것을 특징으로 하는 운전 속성값 예측 시스템.
  3. 제1항에 있어서,
    상기 인공지능부는 인공신경망 중에 다변수 예측 모델을 포함하는 것을 특징으로 하는 운전 속성값 예측 시스템.
  4. 발전소를 운전하는 과정에서 시계열적으로 발생하는 연료소비량, 가스터빈출력, NOx 발생량, 탈질 환원제 투입량, 배열 회수보일러의 끝단 온도인 배열 회수보일러 온도를 포함하는 다양한 복수의 과거변수값을 포함하는 로데이터(Raw Data)를 수집가공부에서 수집하고 가공하는 (1)과정과;
    상기 수집가공부에 저장된 데이터를 인공지능을 활용하여 상기 과거변수값에 이어 현재 시간 이후에 설정된 단위시간마다 상기 과거변수값 각각에 대응한 복수의 예측변수값을 인공지능부에서 예측하는 (2)과정;을 포함하는 것을 특징으로 하는 운전 속성값 예측 방법.
  5. 제4항에 있어서,
    상기 인공지능부는 인공신경망 중에 다변수 예측 모델을 포함하는 것을 특징으로 하는 운전 속성값 예측 방법.
  6. 제5항에 있어서,
    상기 과거변수값은 설정된 위치에 설치된 센서로부터 측정한 수치이고,
    상기 예측변수값 중 적어도 하나는 미리 예측된 값인 기초예측변수값으로 연료소비량을 포함하는 것을 특징으로 하는 운전 속성값 예측 방법.
  7. 제6항에 있어서,
    현재 시간 이후의 상기 기초예측변수값을 추출하여 제1리니어층을 통과하는 (3)과정과;
    현재 시간의 상기 과거변수값과 상기 기초예측변수값 및 상기 과거변수값에 기초하여 상기 예측변수값을 예측하는 ReLU(Rectified Linear Unit, 활성화층)을 통과한 상기 예측변수값을 선택하는 (4)과정;을 더 포함하는 것을 특징으로 하는 운전 속성값 예측 방법.
  8. 제7항에 있어서,
    상기 (4)과정에서는 초기에는 현재 시간의 상기 과거변수값이 선택되며, 그 이후에는 상기 ReLU를 통과한 상기 예측변수값이 선택되는 것을 특징으로 하는 운전 속성값 예측 방법.
  9. 제7항에 있어서,
    상기 (3)과정과 상기 (4)과정을 통과한 변수값이 컨택층(contact층)에서 합쳐져서 제2리니어층을 거치는 (5)과정;을 더 포함하는 것을 특징으로 하는 운전 속성값 예측 방법.
  10. 제7항에 있어서,
    상기 (5)과정을 통과한 변수값과 엔코더(Encorder)를 통과한 변수값은 CNN(Convolution Neural Network)을 통과하는 (6)과정을 포함하는 것을 특징으로 하는 운전 속성값 예측 방법.
  11. 제10항에 있어서,
    상기 (6)과정에서 상기 엔코더를 거친 변수값은 현재 시간부터 과거의 설정된 시간 간격으로 구획된 상기 과거변수값을 추출하여 축약한 것을 특징으로 하는 운전 속성값 예측 방법.
  12. 제10항에 있어서,
    상기 CNN은 상기 (6)과정에서 입력된 변수값을 이용하여 상기 기초예측변수값을 제외한 변수값을 GRU (Gated Recurrent)층에서 예측하는 (6-1)과정과;
    상기 (6-1)과정을 통과한 변수값은 제3리니어층을 통과한 후 상기 ReLU층을 통과하고 제4리니어층을 통과하여 상기 예측변수값으로 되는 것을 특징으로 하는 운전 속성값 예측 방법.
  13. 제12항에 있어서,
    상기 (6-2)과정에서 예측한 상기 예측변수값 이후의 설정된 시간에 대응한 상기 기초변수값에 따라 상기 (3)과정 및 상기 예측변수값에 따라 상기 (4)과정을 통과하고 상기 (5)과정과 상기 (6)과정을 거쳐 상기 예측변수값을 예측하는 단계를 반복하는 것을 특징으로 하는 운전 속성값 예측 방법.
KR1020210017633A 2021-02-08 2021-02-08 AI를 이용한 발전소 NOx 발생량을 포함하는 운전 속성값 예측 시스템 및 그 방법 KR102440012B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210017633A KR102440012B1 (ko) 2021-02-08 2021-02-08 AI를 이용한 발전소 NOx 발생량을 포함하는 운전 속성값 예측 시스템 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210017633A KR102440012B1 (ko) 2021-02-08 2021-02-08 AI를 이용한 발전소 NOx 발생량을 포함하는 운전 속성값 예측 시스템 및 그 방법

Publications (2)

Publication Number Publication Date
KR20220114307A true KR20220114307A (ko) 2022-08-17
KR102440012B1 KR102440012B1 (ko) 2022-09-05

Family

ID=83111088

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210017633A KR102440012B1 (ko) 2021-02-08 2021-02-08 AI를 이용한 발전소 NOx 발생량을 포함하는 운전 속성값 예측 시스템 및 그 방법

Country Status (1)

Country Link
KR (1) KR102440012B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116361713A (zh) * 2023-04-19 2023-06-30 湖北交通职业技术学院 飞机发动机的性能检测方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013515206A (ja) * 2009-12-22 2013-05-02 パーキンズ エンジンズ カンパニー リミテッド 再生支援キャリブレーション
KR101577456B1 (ko) * 2008-05-21 2015-12-15 제너럴 일렉트릭 캄파니 복합 사이클 발전 시스템의 제어
KR20200061931A (ko) * 2018-11-26 2020-06-03 두산중공업 주식회사 연소 최적화를 위한 학습 데이터를 생성하기 위한 장치 및 이를 위한 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101577456B1 (ko) * 2008-05-21 2015-12-15 제너럴 일렉트릭 캄파니 복합 사이클 발전 시스템의 제어
JP2013515206A (ja) * 2009-12-22 2013-05-02 パーキンズ エンジンズ カンパニー リミテッド 再生支援キャリブレーション
KR20200061931A (ko) * 2018-11-26 2020-06-03 두산중공업 주식회사 연소 최적화를 위한 학습 데이터를 생성하기 위한 장치 및 이를 위한 방법

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116361713A (zh) * 2023-04-19 2023-06-30 湖北交通职业技术学院 飞机发动机的性能检测方法及系统
CN116361713B (zh) * 2023-04-19 2023-08-29 湖北交通职业技术学院 飞机发动机的性能检测方法及系统

Also Published As

Publication number Publication date
KR102440012B1 (ko) 2022-09-05

Similar Documents

Publication Publication Date Title
Kong et al. Spatio-temporal fusion attention: A novel approach for remaining useful life prediction based on graph neural network
Wang et al. A hybrid NOx emission prediction model based on CEEMDAN and AM-LSTM
KR102440012B1 (ko) AI를 이용한 발전소 NOx 발생량을 포함하는 운전 속성값 예측 시스템 및 그 방법
Xu et al. Data mining based plant-level load dispatching strategy for the coal-fired power plant coal-saving: A case study
Wang et al. Multitask learning-based self-attention encoding atrous convolutional neural network for remaining useful life prediction
Xu et al. Adaptive fault detection in wind turbine via RF and CUSUM
Deon et al. Digital twin and machine learning for decision support in thermal power plant with combustion engines
Grimm et al. Embedded+ reasoning on programmable logic controllers
CN111589301A (zh) 燃煤电厂scr脱硝性能预测方法、装置、设备和存储介质
Zhao et al. Rapid source term prediction in nuclear power plant accidents based on dynamic Bayesian networks and probabilistic risk assessment
Liu et al. A real-time estimation framework of carbon emissions in steel plants based on load identification
CN116312861A (zh) 脱硝系统气体浓度预测方法、装置、设备及存储介质
Sharma et al. Data-driven modeling of power generation for a coal power plant under cycling
Hong et al. Exhaust temperature prediction for gas turbine performance estimation by using deep learning
Dulesov et al. Improving the operation quality of technical systems using information theory models
Wang et al. Fault detection and diagnosis for gas turbines based on a kernelized information entropy model
Guimarães A new methodology for the study of FAC phenomenon based on a fuzzy rule system
Qiao et al. A multitask learning model for the prediction of NOx emissions in municipal solid waste incineration processes
Yang et al. Survey on advanced alarm strategies based on multivariate analysis
Yang et al. Prediction of pollutant diffusion trend using CNN-GRU hybrid network in IoT air monitoring system
Xu et al. Condition assessment of nuclear power plant equipment based on machine learning methods: A review
Zhang et al. Prediction Method of NO x from Power Station Boilers Based on Neural Network
Chen et al. Prediction of Automatic Scram during Abnormal Conditions of Nuclear Power Plants Based on Long Short‐Term Memory (LSTM) and Dropout
Goyal et al. Prediction Enhancement of Machine Learning Using Time Series Modeling in Gas Turbines
Chu et al. Operational Hybrid Neural Network Model for NO $ _ {x} $ Forecast and Control in Real-World 2-GW Coal-Fired Power Plant

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant