KR20230043548A - 발전용 가스 터빈 압축기 세정 주기 최적화 시스템 및 방법 - Google Patents
발전용 가스 터빈 압축기 세정 주기 최적화 시스템 및 방법 Download PDFInfo
- Publication number
- KR20230043548A KR20230043548A KR1020210126562A KR20210126562A KR20230043548A KR 20230043548 A KR20230043548 A KR 20230043548A KR 1020210126562 A KR1020210126562 A KR 1020210126562A KR 20210126562 A KR20210126562 A KR 20210126562A KR 20230043548 A KR20230043548 A KR 20230043548A
- Authority
- KR
- South Korea
- Prior art keywords
- gas turbine
- turbine
- compressor
- cleaning
- cleaning cycle
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000010248 power generation Methods 0.000 title claims abstract description 43
- 238000005406 washing Methods 0.000 title claims abstract description 7
- 238000004140 cleaning Methods 0.000 claims abstract description 166
- 238000004364 calculation method Methods 0.000 claims abstract description 39
- 230000008569 process Effects 0.000 claims abstract description 36
- 238000013480 data collection Methods 0.000 claims abstract description 18
- 230000007613 environmental effect Effects 0.000 claims abstract description 15
- 238000012544 monitoring process Methods 0.000 claims abstract description 10
- 238000005457 optimization Methods 0.000 claims description 25
- 238000004891 communication Methods 0.000 claims description 23
- 238000013473 artificial intelligence Methods 0.000 claims description 20
- 239000000446 fuel Substances 0.000 claims description 18
- 238000013523 data management Methods 0.000 claims description 15
- 230000009467 reduction Effects 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 8
- 230000007423 decrease Effects 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000036961 partial effect Effects 0.000 claims description 3
- 230000006835 compression Effects 0.000 claims description 2
- 238000007906 compression Methods 0.000 claims description 2
- 239000007789 gas Substances 0.000 description 149
- 230000006870 function Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 10
- 238000011234 economic evaluation Methods 0.000 description 9
- 230000015556 catabolic process Effects 0.000 description 8
- 238000006731 degradation reaction Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 6
- 238000011109 contamination Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 230000001186 cumulative effect Effects 0.000 description 5
- 230000006866 deterioration Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 239000000356 contaminant Substances 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 230000002542 deteriorative effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 230000003628 erosive effect Effects 0.000 description 2
- 239000002737 fuel gas Substances 0.000 description 2
- 239000003949 liquefied natural gas Substances 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 230000003449 preventive effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000000567 combustion gas Substances 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 239000010881 fly ash Substances 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000004092 self-diagnosis Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000000192 social effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000004071 soot Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
- F01D—NON-POSITIVE DISPLACEMENT MACHINES OR ENGINES, e.g. STEAM TURBINES
- F01D25/00—Component parts, details, or accessories, not provided for in, or of interest apart from, other groups
- F01D25/002—Cleaning of turbomachines
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02C—GAS-TURBINE PLANTS; AIR INTAKES FOR JET-PROPULSION PLANTS; CONTROLLING FUEL SUPPLY IN AIR-BREATHING JET-PROPULSION PLANTS
- F02C9/00—Controlling gas-turbine plants; Controlling fuel supply in air- breathing jet-propulsion plants
- F02C9/26—Control of fuel supply
- F02C9/28—Regulating systems responsive to plant or ambient parameters, e.g. temperature, pressure, rotor speed
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06Q10/063—Operations research, analysis or management
-
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Chemical & Material Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Educational Administration (AREA)
- Control Of Positive-Displacement Pumps (AREA)
Abstract
모델 및/또는 데이터에 기반하여 가스 터빈 압축기 성능의 최적화가 가능한 발전용 가스 터빈 압축기 세정 주기 최적화 시스템이 개시된다. 상기 발전용 가스 터빈 압축기 세정 주기 최적화 시스템은, 가스 터빈의 제어를 위해 터빈 주요 변수를 실시간 모니터링하여 터빈 센싱 데이터를 생성하는 제어 장치, 기상 데이터를 수집하는 기상 데이터 수집 서버, 및 상기 터빈 센싱 데이터에 따른 터빈 주요 공정 변수 또는 상기 기상 데이터에 따른 외부 환경 변수를 이용하여 상기 가스 터빈의 세정 주기 시점을 산출하는 세정 시점 산출 컴퓨터를 포함하는 것을 특징으로 한다.
Description
본 발명은 가스 터빈 세정 기술에 관한 것으로서, 더 상세하게는 발전용 가스 터빈 압축기의 세정 주기를 최적화하는 시스템 및 방법에 대한 것이다.
발전용 가스 터빈은 다양한 대기 조건에서 각종 오염물질이 포함된 많은 양의 공기를 흡입하며 운전되기 때문에 공기를 압축하는 압축기가 오염될 경우 심각한 성능 저하를 초래한다. 일반적으로 오염물질이 압축기에 영향을 주는 형태는 파울링(fouling), 부식(corrosion), 침식(erosion) 등으로 구분된다.
가스 터빈을 장기간 운전하게 되면 압축기 파울링으로 성능 저하 현상이 발생하는데, 압축기 파울링은 가스 터빈의 흡입 공기 중에 포함된 고체 혹은 액체 상태의 부유 물질이 압축기 날개에 점착되어 압축기의 성능 특성을 변화시키는 현상이다.
발전용 가스 터빈의 경우, 가스 터빈 출력의 50∼60% 정도가 압축기에서 공기를 압축하는데 사용되기 때문에 압축기의 효율을 높게 유지하는 것이 발전소의 수익을 안정적으로 확보하는데 필요하다.
압축기로 유입된 입자들은 압축기 날개의 공기역학적 형상을 변형시켜 유량계수 및 압축기 효율에 영향을 주고, 부식 및 침식과 같은 손상 외에도 고온부 냉각 유로를 막아 큰 피해를 발생시킬 수 있다.
발전용 가스 터빈의 압축기는 일반적으로 축류형이며, 주위 환경으로부터 영향을 받아 오염 되며 오염에 영향을 미치는 요소는 다음과 같다.
- 공업적 오염물질인 비산회(Fly ash), 탄화수소, 매연
- 대기중의 이물질 오염, 모래, 공장 배출물
- 외부환경변수(온도, 습도, 압력 등)
따라서, 가스 터빈을 운영하는 발전사에서는 압축기 블레이드에 점착된 파울링 입자들을 제거하기 위해 압축기 세정을 주기적으로 실시한다.
보편적으로 많이 사용하는 습식 세정은 방식에 따라 오프라인(Offline) 세정과 온라인(Online) 세정으로 나눌 수 있으며 두 가지 방법을 조합하여 사용하는 경우도 있다.
이를 이용해 발전기 평균 출력을 오프라인 세정은 약 2~5%, 온라인 세정은 약 1% 증가시켜 발전기의 성능향상 및 연료절감 효과를 가져 올 수 있다.
현재까지도 가스 터빈 압축기의 세정주기는 상대적으로 보수적인 가스 터빈 제작사 권고기준에 맞춰 수행한다. 또는 별도의 성능/효율 저하 시점 및 미세정 시 누적손실비용 계산 등 경제적인 측면에서의 명확한 기준없이 발전소 계획예방정비(Overhaul) 기간 동안에 압축기 세정을 수행하고 있는 실정이다.
결론적으로, 가스 터빈 압축기의 세정주기 기준 불명확 및 최적시점을 제시하는 솔루션이 부재하다는 점이다. 부연하면, 가스 터빈 제작사 권고 기준을 참고하여 보수적으로 세정을 실시하거나 발전소 계획 예방 정비 기간에 성능과 무관하게 압축기 세정 실시함으로써 세정횟수가 증가한다.
또한, 가스 터빈 성능저하 및 압축기 효율저하 기준 없이 세정을 실시함에 따라 비효율적이다. 또한, 세정에 필요한 손실비용 및 미세정시 성능저하에 따른 손실비용 등 경제성 평가 수행없이 세정을 실시함에 따라 비경제적이다. 또한, 모델 및 데이터에 기반한 세정기준 및 최적시점을 제시하는 솔루션이 부재하다.
한편, 세정에 따른 출력 및/또는 성능 변화에 대한 분명한 이해없이 잦은 세정을 진행할 경우에는 세정 비용과 발전 정지에 따른 손실 비용이 증가하고 압축기 블레이드의 내구성에도 나쁜 영향을 미치게 된다.
따라서, 경제적이고 효율적으로 가스 터빈 성능을 유지하기 위해서는 모델 및 데이터에 기반한 가스 터빈 압축기 성능의 최적화 기능 개발이 필요하다. 또한, 경제성 평가를 통해 최적의 시점에 가스 터빈 압축기를 세정하는 것이 필요하다.
본 발명은 위 배경기술에 따른 문제점을 해소하기 위해 제안된 것으로서, 모델 및 데이터에 기반하여 가스 터빈 압축기 성능의 최적화가 가능한 시스템 및 방법을 제공하는데 그 목적이 있다.
또한, 본 발명은 경제성 평가를 통해 최적의 시점에 가스 터빈 압축기를 세정할 수 있는 시스템 및 방법을 제공하는데 다른 목적이 있다.
본 발명은 위에서 제시된 과제를 달성하기 위해, 모델 및/또는 데이터에 기반하여 가스 터빈 압축기 성능의 최적화가 가능한 발전용 가스 터빈 압축기 세정 주기 최적화 시스템 을 제공한다.
상기 발전용 가스 터빈 압축기 세정 주기 최적화 시스템은,
가스 터빈의 제어를 위해 터빈 주요 변수를 실시간 모니터링하여 터빈 센싱 데이터를 생성하는 제어 장치;
기상 데이터를 수집하는 기상 데이터 수집 서버; 및
상기 터빈 센싱 데이터에 따른 터빈 주요 공정 변수 또는 상기 기상 데이터에 따른 외부 환경 변수를 이용하여 상기 가스 터빈의 세정 주기 시점을 산출하는 세정 시점 산출 컴퓨터;를 포함하는 것을 특징으로 한다.
또한, 상기 터빈 주요 변수는 가스터빈 출력, 가스터빈 효율, 압축기 효율, 압축기 입구 공기유량, 연료유량, 가스터빈 속도, 및 가스터빈 출구온도를 포함하는 것을 특징으로 한다.
또한, 상기 외부 환경 변수는 상기 가스 터빈이 위치하는 지역의 대기온도, 대기습도, 및 대기압을 포함하는 것을 특징으로 한다.
또한, 상기 세정 주기 시점의 산출은 상기 터빈 주요 변수 및 상기 외부 환경 변수를 AI(Artificial Intelligence) 기반 알고리즘에 적용하여 산출되는 가스터빈 압축기의 예측 효율과 상기 가스터빈 압축의 실제 효율 * 설정값의 비교에 의해 이루어지는 것을 특징으로 한다.
또한, 상기 예측 효율은 상기 가스터빈 압축기의 세정후 일정기간 상기 AI 기반 알고리즘에 의해 학습한 효율인 것을 특징으로 한다.
또한, 상기 예측 효율(
)은 수학식 
(여기서, k는 공기 비열비이며, T1은 압축기 입구온도, T2는 압축기 출구온도, P1은 압축기 입구압력, P2는 압축기 출구압력이다)으로 정의되는 것을 특징으로 한다.
또한, 상기 세정 주기 시점의 산출은 가스 터빈의 물리적인 요소 및 공정을 모사하여 생성되는 가스터빈 공정 모델을 이용하여 산출되는 모델 예측 출력 및 상기 가스 터빈으로부터 실제 취득되는 출력인 보정 출력이 미리 정해지는 일정범위를 벗어난 시점인 것을 특징으로 한다.
또한, 상기 모델 예측 출력은 상기 기상 데이터 중 대기온도 및 대기압력 변화가 반영되는 것을 특징으로 한다.
또한, 상기 발전용 터빈 압축기 세정 주기 최적화 시스템은, 상기 터빈 센싱 데이터를 이용하여 용량 요금을 정산하는 용량 요금 정산 데이터를 생성하는 전력 거래소 서버;를 포함한다.
이때, 상기 세정 주기 시점의 산출은 상기 용량 요금 정산 데이터 중 세정실시 기간동안 상기 가스 터빈의 발전 정지에 의해 발생하는 용량요금 손실 비용 및 직접 비용을 포함하는 세정 손실 비용과 세정 미실시로 인한 출력저하에 따른 손실 비용을 비교하여 이루어지는 것을 특징으로 한다.
또한, 상기 용량요금 손실 비용은 정지시간, 평균 용량요금 및 입찰용량에 의해 산출되는 것을 특징으로 한다.
또한, 상기 세정 미실시로 인한 출력저하에 따른 손실 비용은 출력 감소량과 평균 용량요금을 곱하여 산출되는 것을 특징으로 한다.
또한, 상기 세정 손실 비용이 세정 미실시로 인한 출력저하에 따른 손실 비용이 누적되는 누적손실비용과 교차하는 지점에서 상기 세정 주기 시점의 산출이 이루어지는 것을 특징으로 한다.
또한, 상기 용량 요금은 시간대별 용량요금이며, 상기 시간대별 용량요금(TPCP)은 수학식 
( 여기서, A : 초기 입찰값, RA : 변경 입찰값, RCP : 기준용량 가격, RCF : 용량가격 계수, TCF : 시간대별 용량가격 계수, FSF : 연료전환 성과 계수이다)으로 정의되는 것을 특징으로 한다.
또한, 상기 세정 주기 시점의 산출은 상기 가스 터빈의 운전 조건별 터빈 압축기의 세정시점을 제공하는 시나리오에 의해 이루어지는 것을 특징으로 한다.
이때, 상기 시나리오는, 상기 가스터빈의 운전조건을 가스터빈 압축기 기동전, 가스터빈 기동 후, 계통병입 후 초기부하, 부분부하운전, 전부하 운전, 상기 가스 터빈 압축기를 포함하는 설비 이상에 따른 런백(Runback) 발생 운전, 트립(Trip) 정지에 따른 운전조건을 구분하고, 가스터빈 압축기 효율신호 및 상기 가스 터빈의 출력신호의 발생여부를 전달받아, 상기 가스터빈 압축기의 세정시점을 제공여부를 판단하는 것을 특징으로 한다.
다른 한편으로, 본 발명의 다른 일실시예는, 가스 터빈의 제어를 위해 터빈 주요 변수를 실시간 모니터링하여 터빈 센싱 데이터를 생성하는 제어 장치; 상기 터빈 센싱 데이터를 수집하는 센싱 데이터 관리 서버; 기상 데이터를 수집하는 기상 데이터 수집 서버; 상기 터빈 센싱 데이터에 따른 터빈 주요 공정 변수 또는 상기 기상 데이터에 따른 외부환경변수를 이용하여 상기 가스 터빈의 세정 주기 시점을 산출하는 세정 시점 산출 컴퓨터; 및 상기 센싱 데이터 관리 서버와 상기 세정 시점 산출 컴퓨터간 통신 연결을 온오프하고, 상기 기상 데이터 수집 서버와 상기 세정 시점 산출 컴퓨터간 통신 연결을 온오프하는 전환 가능부;를 포함하는 것을 특징으로 하는 발전용 터빈 압축기 세정 주기 최적화 시스템을 제공한다.
또 다른 한편으로, 본 발명의 또 다른 일실시예는, (a) 제어 장치가 가스 터빈의 제어를 위해 터빈 주요 변수를 실시간 모니터링하여 터빈 센싱 데이터를 생성하는 단계; (b) 기상 데이터 수집 서버가 기상 데이터를 수집하는 단계; 및 (c) 세정 시점 산출 컴퓨터가 상기 터빈 센싱 데이터에 따른 터빈 주요 공정 변수 또는 상기 기상 데이터에 따른 외부 환경 변수를 이용하여 상기 가스 터빈의 세정 주기 시점을 산출하는 단계;를 포함하는 것을 특징으로 하는 발전용 터빈 압축기 세정 주기 최적화 방법을 제공한다.
본 발명에 따르면, 기술적 측면으로 보면 모델 및 데이터를 기반으로 가스 터빈 압축기의 세정주기를 최적화하는 솔루션 기술이 확보가능하며, 발전용 가스 터빈의 공정모델 개발 및 보정모델과의 검증 기술을 확보할 수 있고, AI(Artificial Intelligence) 기술 기반 압축기 효율 예측 알고리즘의 설계 및 검증 기술의 확보가 가능하고, 전력 거래소 용량요금 기반으로 경제성 평가 모델 개발 및 검증 기술을 확보할 수 있고, 공정모델-예측 알고리즘-경제성 모델 통합연계 및 오프라인(Offline) 데이터 기반 검증 기술의 확보가 가능하다.
또한, 본 발명의 다른 효과로서는 경제적 측면으로 보면, 발전용 가스 터빈 최적 성능 관리를 통한 효율적인 운영 및 안정적 전력 공급에 기여할 수 있고, 가스 터빈 압축기 세정주기 최적화에 따른 불필요한 세정관련 경제적 손실을 절감할 수 있고, 발전 및 화공 플랜트의 고온설비 유지보수관리 분야로의 확대적용을 통한 수익 창출을 도모할 수 있다는 점을 들 수 있다.
또한, 본 발명의 또 다른 효과로서는 사회적 효과 측면으로 보면, 글로벌 에너지 정책 및 환경 변화에 따른 LNG(liquefied natural gas) 발전을 통한 전력공급 비중의 증대를 꾀할 수 있다는 점을 들 수 있다.
도 1은 본 발명의 일실시예에 따른 발전용 가스 터빈 압축기 세정 주기 최적화 시스템의 구성 블럭도이다.
도 2는 도 1에 도시된 세정 시점 산출 컴퓨터의 세부 구성 블럭도이다.
도 3은 본 발명의 일실시예에 따른 모델 기반 가스 터빈 압축기의 세정 주기 최적화 솔루션 도출 과정을 보여주는 흐름도이다.
도 4는 본 발명의 다른 일실시예에 따른 데이터 기반 가스 터빈 압축기의 세정 주기 최적화 솔루션 도출 과정을 보여주는 흐름도이다.
도 5는 도 3에 적용되는 가스 터빈 공정 모델을 기반으로 세정 권고 시점을 제공하는 트렌드를 설계하는 개념도이다.
도 6은 도 5에 따른 AI(Artificial Intelligence)기술 기반 가스터빈 압축기 효율 예측 알고리즘을 세부적으로 보여주는 흐름도이다.
도 7은 본 발명의 다른 일실시예에 따른 가스 터빈 압축기 효율 예측 알고리즘을 기반으로 세정권고 시점을 제공하는 트렌드를 설계하는 개념도이다.
도 8은 본 발명의 또 다른 일실시예에 따른 가스 터빈 압축기의 세정 주기에 대한 최적화 경제성 평가 화면을 설계하는 개념도이다.
도 9는 본 발명의 일실시예에 따른 효율 감소와 연료량 손실 비용 추세선간의 관계를 보여주는 그래프이다.
도 10은 본 발명의 일실시예에 따른 시간대별 용량요금 산출 결과 화면예이다.
도 11은 본 발명의 일실시예에 따른 가스 터빈 압축기의 세정주기에 대한 최적화 경제성 평가 화면예이다.
도 12는 본 발명의 일실시예에 따른 가스 터빈 압축기의 세정주기에 대한 최적화 경제성 평가를 위한 사용자 입력 화면예이다.
도 13은 본 발명의 일실시예에 따른 가스 터빈 운전 조건별 압축기의 세정시점을 제공하는 시나리오 구성도이다.
도 2는 도 1에 도시된 세정 시점 산출 컴퓨터의 세부 구성 블럭도이다.
도 3은 본 발명의 일실시예에 따른 모델 기반 가스 터빈 압축기의 세정 주기 최적화 솔루션 도출 과정을 보여주는 흐름도이다.
도 4는 본 발명의 다른 일실시예에 따른 데이터 기반 가스 터빈 압축기의 세정 주기 최적화 솔루션 도출 과정을 보여주는 흐름도이다.
도 5는 도 3에 적용되는 가스 터빈 공정 모델을 기반으로 세정 권고 시점을 제공하는 트렌드를 설계하는 개념도이다.
도 6은 도 5에 따른 AI(Artificial Intelligence)기술 기반 가스터빈 압축기 효율 예측 알고리즘을 세부적으로 보여주는 흐름도이다.
도 7은 본 발명의 다른 일실시예에 따른 가스 터빈 압축기 효율 예측 알고리즘을 기반으로 세정권고 시점을 제공하는 트렌드를 설계하는 개념도이다.
도 8은 본 발명의 또 다른 일실시예에 따른 가스 터빈 압축기의 세정 주기에 대한 최적화 경제성 평가 화면을 설계하는 개념도이다.
도 9는 본 발명의 일실시예에 따른 효율 감소와 연료량 손실 비용 추세선간의 관계를 보여주는 그래프이다.
도 10은 본 발명의 일실시예에 따른 시간대별 용량요금 산출 결과 화면예이다.
도 11은 본 발명의 일실시예에 따른 가스 터빈 압축기의 세정주기에 대한 최적화 경제성 평가 화면예이다.
도 12는 본 발명의 일실시예에 따른 가스 터빈 압축기의 세정주기에 대한 최적화 경제성 평가를 위한 사용자 입력 화면예이다.
도 13은 본 발명의 일실시예에 따른 가스 터빈 운전 조건별 압축기의 세정시점을 제공하는 시나리오 구성도이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는바, 특정 실시예들을 도면에 예시하고 상세한 설명에 구체적으로 설명하고자 한다. 그러나 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야한다.
각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용한다.
제 1, 제 2등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제 1 구성요소는 제 2 구성요소로 명명될 수 있고, 유사하게 제 2 구성요소도 제 1 구성요소로 명명될 수 있다. "및/또는" 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
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 의미가 있다.
일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않아야 한다.
이하 첨부된 도면을 참조하여 본 발명의 일실시예에 따른 발전용 가스 터빈 압축기 세정 주기 최적화 시스템 및 방법을 상세하게 설명하기로 한다.
도 1은 본 발명의 일실시예에 따른 발전용 가스 터빈 압축기 세정 주기 최적화 시스템(100)의 구성 블럭도이다. 도 1을 참조하면, 발전용 가스 터빈 압축기 세정 주기 최적화 시스템(100)은, 발전용 가스 터빈(110)의 제어를 위해 가스 터빈 주요 공정 변수를 실시간 모니터링하여 가스 터빈 센싱 데이터를 생성하는 제어 장치(120), 가스 터빈 센싱 데이터를 관리하는 센싱 데이터 관리 서버(130), 기상 데이터를 수집하는 기상 데이터 수집 서버(140), 가스 터빈 센싱 데이터에 따른 가스 터빈 주요 공정 변수 및/또는 기상 데이터에 따른 외부환경변수를 이용하여 세정 주기 시점을 산출하는 세정 시점 산출 컴퓨터(150) 등을 포함하여 구성될 수 있다.
발전용 가스 터빈(110)은 가스 터빈으로서, 크게 대기 공기를 압축하여 공급하는 압축기, 압축된 공기를 연료와 연소시키는 연소기, 그리고 고온고압 연소가스의 팽창을 회전력으로 변화시켜 전기를 생산하는 가스 터빈으로 등으로 구성된다. 물론, 이외에도 센서, 제어회로, 밸브, 기동 장치 등이 구성된다. 가스 터빈에 대해서는 널리 공지되어 있음으로 더 이상의 설명은 생략하기로 한다.
제어 장치(120)는 발전용 가스 터빈(110)을 제어하는 기능을 수행한다. 이를 위해, 제어 장치(120)는 가스 터빈 모니터링 기능, 제어기능, 보호기능 및 자기진단기능을 갖추고 있다. 따라서, 제어 장치(120)는 가스 터빈 주요 공정 변수를 실시간 모니터링하여 가스 터빈 센싱 데이터를 생성한다. 이를 위해, 제어 장치(120)에는 마이크로프로세서, 통신 회로, 스위칭 소자 등이 구성될 수 있다.
센싱 데이터 관리 서버(130)는 제어 장치(120)로부터 가스 터빈 센싱 데이터를 수집하여 관리하는 기능을 수행한다. 도 1에서는 가스 터빈(110)과 제어 장치(120)를 하나로 예시하였으나, 다수 개로 구성될 수 있다. 물론, 센싱 데이터 관리 서버(130)를 구성하지 않고, 제어 장치(120)와 세정 시점 산출 컴퓨터(150)를 바로 연결하여 세정 시점 산출 컴퓨터(130)가 제어 장치(120)로부터 직접적으로 가스 터빈 센싱 데이터를 수집하여 관리하는 것도 가능하다.
기상 데이터 수집 서버(140)는 기상 데이터를 수집하는 기능을 수행한다. 기상 데이터로는 가스 터빈(110)이 위치하는 지역의 대기 온도, 대기 습도, 대기압 등을 들 수 있다.
세정 시점 산출 컴퓨터(130)는 가스 터빈 센싱 데이터에 따른 가스 터빈 주요 공정 변수 및/또는 기상 데이터에 따른 외부환경변수를 이용하여 가스 터빈(110)의 세정 주기 시점을 산출하는 기능을 수행한다. 즉, 세정 시점 산출 컴퓨터(130)는 기상 데이터를 이용한 외부 환경 변수(대기온도, 대기습도, 대기압)를 실시간 모니터링하고, 가스 터빈 주요변수를 실시간 모니터링한다.
가스 터빈 주요 공정 변수는 가스 터빈 출력, 가스 터빈 효율, 압축기 효율, 압축기 입구 공기유량, 연료유량, 가스 터빈 속도, 가스 터빈 출구온도 등이 될 수 있다. 가스 터빈 주요 공정 변수는 발전용 가스터빈의 이미지를 정특성 그래픽으로 구현하고 가스터빈 및 압축기 성능에 영향을 주는 변수이다. 또하,
이러한 모니터링에 따른 정보를 이용하여, 가스 터빈 압축기의 세정 시점을 산출할 수 있다.
① 가스 터빈의 출력을 기준으로 가스 터빈 압축기의 세정 최적화 시점
즉, 가스 터빈 공정 모델링 보정출력 VS 가스 터빈의 실시간 출력
② 가스 터빈 압축기의 효율을 기준으로 가스 터빈 압축기의 세정 최적화 시점
즉, 가스 터빈 압축기의 예측 효율 VS 실시간 가스 터빈 압축기의 효율
③ 경제성 기반 가스 터빈 압축기의 세정 최적화 시점
가스 터빈 압축기의 세정 손실비용 VS 가스 터빈 압축기의 세정 미실시로 인한 성능저하 손실비용
④ 가스 터빈의 운전조건별 가스 터빈 압축기의 세정 최적화 시점
운전조건 시나리오에 따른 압축기 세정시점 판단
도 1을 계속 참조하면, 센싱 데이터 관리 서버(130)와 세정 시점 산출 컴퓨터(150)간 통신 연결을 온오프하고, 기상 데이터 수집 서버(140)와 세정 시점 산출 컴퓨터(150)간 통신 연결을 온오프하는 전환 가능부(170)가 구성될 수 있다.
즉, 전환 가능부(170)는 센싱 데이터 관리 서버(130)와 세정 시점 산출 컴퓨터(150)간 통신 연결을 온하고, 기상 데이터 수집 서버(140)와 세정 시점 산출 컴퓨터(150)간 통신 연결을 오프하거나, 센싱 데이터 관리 서버(130)와 세정 시점 산출 컴퓨터(150)간 통신 연결을 오프하고, 기상 데이터 수집 서버(140)와 세정 시점 산출 컴퓨터(150)간 통신 연결을 온할 수 있다. 물론, 둘 다의 통신 연결을 온할 수 있다.
따라서, 세정 시점 산출 컴퓨터(150)는 센싱 데이터 관리 서버(130)와 기상 데이터 수집 서버(140)를 선택적으로 사용하거나 둘 다를 사용할 수 있다.
전력 거래소 서버(160)는 가스 터빈(110)을 갖는 발전기를 포함하여 여러 발전기(A,B,C)의 가동 또는 미가동 상태, 발전 단가, 전력 수요 등에 따라 용량 요금을 정산하여 용량 요금 정산 데이터를 생성한다. 물론 수요 자원에 따라 감축 정산도 이루어진다.
도 2는 도 1에 도시된 세정 시점 산출 컴퓨터(150)의 세부 구성 블럭도이다. 도 2를 참조하면, 세정 시점 산출 컴퓨터(150)는, 통신망(미도시)을 통해 연결되는 통신부(210), 통신부(210)를 통해 정보를 수집하는 수집부(220), 수집된 정보를 판독하는 판독부(230), 판독된 정보를 이용하여 가스 터빈(110)의 세정 주기 시점을 산출하는 분석부(240), 처리되는 정보를 출력하는 출력부(250), 수집된 정보, 처리된 정보, 세정 주기 시점을 산출하기 위한 데이터 등을 저장하는 데이터베이스(201) 등을 포함하여 구성될 수 있다.
통신부(210)는 통신망(미도시)과 연결되기 위해, 모뎀, 랜카드, 마이크로프로세서 등을 포함하여 구성될 수 있다.
통신망은 복수의 단말 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조를 의미하는 것으로, 공중교환 전화망(PSTN), 공중교환 데이터망(PSDN), 종합정보통신망(ISDN: Integrated Services Digital Networks), 광대역 종합 정보 통신망(BISDN: Broadband ISDN), 근거리 통신망(LAN: Local Area Network), 대도시 지역망(MAN: Metropolitan Area Network), 광역 통신망(WLAN: Wide LAN) 등이 될 수 있다, 그러나, 본 발명은 이에 한정되지는 않으며, 무선 통신망인 CDMA(Code Division Multiple Access), WCDMA(Wideband Code Division Multiple Access), Wibro(Wireless Broadband), WiFi(Wireless Fidelity), HSDPA(High Speed Downlink Packet Access) 망, 블루투스(bluetooth), NFC(Near Field Communication) 네트워크, 위성 방송 네트워크, 아날로그 방송 네트워크, DMB(Digital Multimedia Broadcasting) 네트워크 등이 될 수 있다. 또는, 이들 유선 통신망 및 무선 통신망의 조합일 수 있다.
출력부(250)는 LCD(Liquid Crystal Display), LED(Light Emitting Diode) 디스플레이, PDP(Plasma Display Panel), OLED(Organic LED) 디스플레이, 터치 스크린, CRT(Cathode Ray Tube), 플렉시블 디스플레이, 마이크로 LED, 미니 LED 등이 될 수 있다. 터치 스크린의 경우, 입력수단으로도 사용될 수 있다.
도 2에 도시된, "수집부", "판독부", "분석부"는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 소프트웨어 및/또는 하드웨어로 구현될 수 있다. 하드웨어 구현에 있어, 상술한 기능을 수행하기 위해 디자인된 ASIC(application specific integrated circuit), DSP(digital signal processing), PLD(programmable logic device), FPGA(field programmable gate array), 프로세서, 마이크로프로세서, 다른 전자 유닛 또는 이들의 조합으로 구현될 수 있다. 소프트웨어 구현에 있어, 소프트웨어 구성 컴포넌트(요소), 객체 지향 소프트웨어 구성 컴포넌트, 클래스 구성 컴포넌트 및 작업 구성 컴포넌트, 프로세스, 기능, 속성, 절차, 서브 루틴, 프로그램 코드의 세그먼트, 드라이버, 펌웨어, 마이크로 코드, 데이터, 데이터베이스, 데이터 구조, 테이블, 배열 및 변수를 포함할 수 있다. 소프트웨어, 데이터 등은 메모리에 저장될 수 있고, 프로세서에 의해 실행된다. 메모리나 프로세서는 당업자에게 잘 알려진 다양한 수단을 채용할 수 있다.
도 3은 본 발명의 일실시예에 따른 모델 기반 가스 터빈 압축기의 세정 주기 최적화 솔루션 도출 과정을 보여주는 흐름도이다. 도 3을 참조하면, 분석부(240)는 가스 터빈 공정 모델링을 수행한다(단계 S310). 가스 터빈 공정 모델링은 가스 터빈의 물리적인 요소 및 공정을 모사하기 위해 수행하며, 모델링을 통해 설계점과 탈설계점의 성능해석이 가능하다. 가스 터빈 공정 모델링은 열수지(heat balance), 공정 흐름(Flow Diagram), 정상, 오염 상태 부하의 데이터를 이용하여 이루어진다. 공정 모델링은 정상상태 부하대별(100%, 75%, 50%)에서 수행된다.
이후, 기상 데이터 수집 서버(140)로부터 획득되는 기상 데이터(대기온도, 대기 압력 등)를 이용하여 대기온도 및 대기압력 변화에 따른 가스 터빈 공정 모델 출력 DB를 생성한다(단계 S320). 대기온도, 대기압력 변화에 따른 가스터빈 출력 빅 데이터를 확보할 수 있다.
이후, 가스 터빈 압축기 오염에 따른 가스 터빈 성능 모델 출력 DB를 생성한다(단계 S330).
압축기 오염은 압축기로 유입되는 공기에 미세먼지 등 오염물질이 압축기 블레이드에 점착되어 파울링(Fouling)을 발생시키고, 이로 인해 압축기 효율 및 가스터빈 출력이 감소됨을 파악하여 압축기 오염에 대한 직간접적인 오염을 판단할 수 있다. 그리고, 압축기 내 보어스코프(Borescope) 내시경을 통해 오염 상태를 확인할 수 있다
이후, 보정곡선을 적용한 실운전 보정 출력을 계산하고, 가스 터빈 성능 모델 출력 DB를 이용하여 가스 터빈 압축기 오염에 따른 가스 터빈 성능 모델 출력을 예측한다(단계 S340).
모델 출력이 설정값(예를 들면, 1.05) * 보정출력보다 큰지를 확인한다(단계 S350).
확인 결과, 단계 S350에서 모델 출력이 크면 모델 출력을 이용하여 세정 시점을 산정한다(단계 S360).
이와 달리, 확인 결과, 단계 S350에서 모델 출력이 작으면 단계 S340 내지 단계 S350을 다시 진행한다.
도 4는 본 발명의 다른 일실시예에 따른 데이터 기반 가스 터빈 압축기의 세정 주기 최적화 솔루션 도출 과정을 보여주는 흐름도이다. 도 4를 참조하면, 분석부(240)는 시계열 운전 데이터, 환경 데이터를 수집한다(단계 S410).
부연하면, 제어 장치(120)가 가스 터빈(110)을 모니터링하여 공정 제어 신호를 기반으로 실시간으로 운전 데이터를 생성하면, 센싱 데이터 관리 서버(130)가 이를 취득, 저장, 및 가공한다. 물론, 기상 데이터 수집 서버(140)도 기상 데이터를 취득하여 가스 터빈의 출력 및 효율에 상당한 영향을 미치는 외부환경변수를 생성한다. 즉, 주요 공정 변수를 선정하여 실시간 운전 데이터를 취득하고 모니터링을 수행된다.
수집된 데이터를 이용하여 AI 기반 시계열 데이터 분석 및 이러한 분석에 따른 알고리즘을 개발한다(단계 S420). 즉, AI 알고리즘을 개발하며, AI 알고리즘은 학습을 위한 딥러닝 또는 머신 러닝이 될 수 있다.
개발된 AI 알고리즘을 이용하여 가스 터빈 압축기의 예측 효율을 계산한다(단계 S430). 예측 효율은 압축기 세정후 일정기간 (상대적으로 효율이 양호한 상태) 학습한 효율이다.
예측 효율이 설정값(예를 들면, 1.05) * 실제 효율보다 큰지를 확인한다(단계 S440).
확인 결과, 단계 S440에서 예측 효율이 크면 예측 효율 이용하여 세정 시점을 산정한다(단계 S360).
이와 달리, 확인 결과, 단계 S440에서 예측 효율이 작으면 단계 S430 내지 단계 S440을 다시 진행한다.
도 5는 도 3에 적용되는 가스 터빈 공정 모델을 기반으로 세정 권고 시점을 제공하는 트렌드를 설계하는 개념도이다. 도 5를 참조하면, 가스터빈 출력저하에 대한 세정시점을 제시하기 위해 모델 예측출력(510)은 성능 모델링에서 계산된 결과 출력이 실시간으로 표시되며, 센싱 데이터 관리 서버(130)에서 취득되는 가스터빈 출력 데이터는 보정출력으로 변환되어 보정 출력(520)으로 표시된다.
모델 예측 출력 및 보정출력이 일정범위 이상 벗어나면 출력기준 신호등이 정상(초록), 주의(노랑), 경고(빨강)으로 표현되며 이를 통해 모델 기반 가스터빈 보정출력에 따른 세정 최적화 시점 제공이 가능하다.
도 6은 도 5에 따른 AI(Artificial Intelligence)기술 기반 가스터빈 압축기 효율 예측 알고리즘을 세부적으로 보여주는 흐름도이다. 도 6을 참조하면, 가스터빈 운전데이터는 일정 기간에 대해 시간의 함수로 표현되는 시계열 데이터로서 압축기 효율을 예측하기 위해 AI(Artificial Intelligence)기술 기반 가스터빈 압축기 효율 예측 알고리즘이 구현된다.
장기간 기록된 운전 데이터를 취득하고 학습 및 예측을 위한 적절한 변수를 선택 및 필터링해야 한다(단계 S610,S620). 운전 데이터는 센서에서 실시간으로 나오는 정보가 기록되기 때문에 계측 오차, 비정상 운전, 계측고장 정보 등 불필요한 정보를 모두 포함하고 있다. 이러한 정보들은 머신러닝 모델 학습의 정확성을 감소시키는 요소가 되기 때문에 학습 이전 단계에서 필터링해야 한다.
발전소에서 취득한 운전 데이터들을 X 변수로 설정하고, 예측하고자 하는 변수 Y는 다음 수학식으로 표현된 압축기의 예측 효율로 설정한다. 압축기의 예측 효율
은 실제 계측되는 정보가 아니기 때문에 수식을 이용해 압축기 효율 변수를 생성하였다.
여기서, k는 공기 비열비이며, 상수 1.4를 적용하였다. T1은 압축기 입구온도, T2는 압축기 출구온도, P1은 압축기 입구압력, P2는 압축기 출구압력이다.
필터링된 데이터 중 70%는 학습용 데이터, 30%는 검사용 데이터로 구분하고 학습용 데이터는 머신러닝 모델 학습 입력조건으로 사용한다(단계 S630,S640,S650).
학습이 끝난 머신러닝 모델에 검사데이터 X를 입력하고 머신러닝에서 예측한 결과와 검사데이터 Y를 비교해 원하는 성능예측 정확성이 나올 수 있도록 하였다(단계 S660,S670,S680,S690,S691).
머신러닝 알고리즘 특징은 다음 표와 같다.
| GT(Gas Turbine) 출력 | 압축기 출구 온도 |
| 주변 온도 | 압축기 출구 압력 |
| 주변 압력 | 연료 가스 압력 |
| 습도 | 연료 가스 온도 |
| 필터 압력 강하(Filter Pressure Drop) | 연로 가수 유량 |
| 공기 유량율(Air Flow Rate) | TBN(Turbine) 배출 온도 |
| 압축기 입구 온도 | IGV(Inlet Guide Vane) 위치 |
| 압축기 입구 압력 | 바이패스 밸브 위치 |
위 개발 알고리즘은 가스터빈에서 취득되는 실시간 운전 데이터를 기반으로 압축기 효율을 예측할 수 있는 알고리즘이다. 또한, 실시간 계측된 압축기 효율 및 알고리즘 결과값으로 도출되는 예측된 압축기 효율을 비교하여 일정 오차범위가 벗어나면 압축기 세정 시점을 제시할 수 있는 알고리즘이다.
도 7은 본 발명의 다른 일실시예에 따른 가스 터빈 압축기 효율 예측 알고리즘을 기반으로 세정권고 시점을 제공하는 트렌드를 설계하는 개념도이다. 도 7을 참조하면, AI예측 효율(610)은 알고리즘에서 계산된 결과이며, 압축기 효율 데이터는 발전소 센싱 데이터 관리 서버(130)에서 취득되는 데이터를 이용하여 개발환경 내에서 계산되어 압축기 효율로 변환되어 실시간 운전값(620)으로 표시된다.
AI 예측 효율 및 계산된 효율이 일정범위 이상 벗어나면 압축기 효율 기준 신호등이 정상(초록), 주의(노랑), 경고(빨강)로 표현되며 이를 통해 시계열 데이터 기반 가스터빈 압축기 예측 효율에 따른 세정 최적화 시점 제공이 가능하다.
도 8은 본 발명의 또 다른 일실시예에 따른 가스 터빈 압축기의 세정 주기에 대한 최적화 경제성 평가 화면을 설계하는 개념도이다. 도 8을 참조하면, 경제성 평가 기능은 경제적인 관점에서 압축기 세정 최적 시점을 제시해주는 기능으로서 세정 손실 비용(직접비용(810) + 용량요금손실비용(830))과 세정 미실시로 인한 가스터빈 성능저하에 따른 손실 비용(850)의 비교를 통해 세정 시점을 판단하게 된다.
세정 손실 비용은 압축기의 세정에 필요한 세정비용, 세정시 손실동력 비용, 순수(水)비용을 포함한 직접비용과 압축기 세정에 따른 발전정지에 대한 손실비용을 포함한다.
발전정지에 따른 손실비용(840)은 정지시간, 평균 용량요금 및 입찰용량에 의해 계산된다.
세정 미실시로 인한 가스터빈 성능저하에 따른 손실 비용은 발전소에서 세정 미실시 시 성능저하에 따른 손실비용과 효율 감소에 따른 연료량 손실비용을 더하여 계산한다.
또한, 세정 미실시시 성능저하에 따른 손실비용은 출력 감소량과 평균 용량요금을 곱하여 계산한다. 출력감소와 세정시간에 대한 추세선을 도출하여 세정 미실시 시간이 누적될수록 성능저하에 따른 손실비용(860)이 증가한다. 또한, 효율 감소에 따른 연료량 손실비용(820)은 연료량 손실량과 연료단가를 곱하여 계산한다.
도 9는 본 발명의 일실시예에 따른 효율 감소와 연료량 손실 비용 추세선간의 관계를 보여주는 그래프이다. 도 9를 참조하면, 발전정지에 따른 세정 손실비용(920) 및 성능저하에 따른 누적손실비용(910)이 교차하는 지점이 경제적인 관점에서 압축기 세정을 실시해야 하는 시점이며 해당 기능 또한 신호등 모듈을 이용하여 사용자가 쉽게 세정 시점을 판단 할 수 있도록 설계하였다.
도 10은 본 발명의 일실시예에 따른 시간대별 용량요금 산출 결과 화면예이다. 도 10을 참조하면, 용량요금은 거래시간별 중앙 급전 발전기 및 중앙 급전 전기저 장치의 공급 가능 용량에 적용되는 전력시장 가격(원/kWh)을 말한다. 발전입찰 참여용량에 대하여 지불하는 정산금으로 전력시장에서 발전설비 투자를 유도하기 위한 인센티브 성격을 지니고 있다. 따라서, 발전기의 실제 가동여부가 관계없이 지급되는 특징을 가지고 있다.
경제성 기능에서 용량요금을 반영한 이유는 변동비 반영시장(CBP: Cost Based Pool)환경을 적용하기 위함이며, 이는 발전 사업자는 전력을 생산하는데 드는 비용을 고정적으로 보상을 받는 고정비 개념인 용량요금(CP)과 매월 변동되는 연료비 등이 반영된 계통 한계 가격(SMP)으로 대변되는 변동비용을 보장해주는 시장구조이다.
시간대별 용량요금(TPCP) 산출식은 아래와 같다.
여기서, A : 초기 입찰값, RA : 변경 입찰값, RCP : 기준용량 가격, RCF : 용량가격 계수, TCF : 시간대별 용량가격 계수, FSF : 연료전환성과 계수이다.
초기 입찰값 및 변경 입찰값은 해당일, 해당시간에 출력 가능한 송전량을 입찰하는 값이기 때문에 발전량, 송전량과는 다른 개념이며 사용자 입력이 가능하게 설계할 수 있다.
초기 입찰값(A)와 변경 입찰값(RA) 중 최소값을 받아서 기준용량가격(RCP), 용량가격계수(RCF), 시간대별 용량가격계수(TCF) 및 연료전환성과계수(FSF)는 매년 전력거래소에서 공시를 하기 때문에 공시때마다 업데이트가 가능하도록 설계할 수 있다.
도 11은 본 발명의 일실시예에 따른 가스 터빈 압축기의 세정주기에 대한 최적화 경제성 평가 화면예이다. 도 11을 참조하면, 그래프(1020)에서 발전정지 손실비용(1022), (압축기 수세정 비용 + 압축기 세정에 따른 용량요금 손실) 및 압축기 미세정 시 성능저하누적 손실비용(1021), (출력저하에 따른 손실비용 + 효율저하에 따른 연료 손실비용)으로 표현되며 교차점을 중심으로 경제성 평가 신호등은 정상(초록), 주의(노랑), 경고(빨강)으로 표현된다. 각 비용에 대해 체크 박스(1010)가 구성된다.
도 12는 본 발명의 일실시예에 따른 가스 터빈 압축기의 세정주기에 대한 최적화 경제성 평가를 위한 사용자 입력 화면예이다. 도 12를 참조하면, 경제성 평가를 사용자가 직접 입력할 수 있는 입력 화면 메뉴이다.
도 13은 본 발명의 일실시예에 따른 가스 터빈 운전 조건별 압축기의 세정시점을 제공하는 시나리오 구성도이다. 도 13을 참조하면, 가스터빈의 운전조건을 가스터빈 압축기 기동전, 가스터빈 기동 후, 계통병입 후 초기부하, 부분부하운전, 전부하(100%) 운전, 압축기 등 설비 이상에 따른 Runback 발생 운전, Trip 정지에 따른 운전조건을 구분하여(S1310), 가스터빈 압축기 효율신호 및 발전기 출력신호(즉, 가스 터빈의 출력 신호)의 발생여부를 전달받아(S1320), 가스터빈 압축기의 세정시점을 제공여부를 판단한다(S1330,S1340).
세정시점 미제공인 경우는 세정 누적시간을 제외시켜 최적시점을 제공하는데 불필요한 데이터가 포함하지 않도록 하며, 세정시점 제공인 경우 압축기 효율 또는 발전기 출력 신호 인가여부에 따라 아래와 같은 시나리오로 압축기 세정시점이 제공된다.
(1) 가스터빈 압축기 효율 신호만 발생할 경우, AI 알고리즘에 기반한 예측된 압축기 효율과 실시간 효율을 비교하여 최적 세정시점 제공에 사용한다.
(2) 발전기 출력 신호만 발생할 경우, 모델링에 기반한 발전기 출력 결과값과 실시간 발전기 출력을 비교하여 최적 세정시점 제공에 사용한다.
(3) 압축기 효율 및 발전기 출력신호가 함께 발생할 경우, AI 알고리즘에 기반한 예측된 압축기 효율, 모델링 기반 발전기 출력이 실시간 효율 및 실시간 출력을 동시에 비교하여 최적 세정시점 제공에 사용한다.
(4) 압축기 기동 전이거나 가스터빈 Trip으로 인한 정지 상태인 경우, 압축기 세정시점을 미제공하여 압축기 세정 누적시간 계산을 수행하지 않는다.
또한, 여기에 개시된 실시형태들과 관련하여 설명된 방법 또는 알고리즘의 단계들은, 마이크로프로세서, 프로세서, CPU(Central Processing Unit) 등과 같은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 (명령) 코드, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다.
상기 매체에 기록되는 프로그램 (명령) 코드는 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프 등과 같은 자기 매체(magnetic media), CD-ROM, DVD, 블루레이 등과 같은 광기록 매체(optical media) 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 (명령) 코드를 저장하고 수행하도록 특별히 구성된 반도체 기억 소자가 포함될 수 있다.
여기서, 프로그램 (명령) 코드의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
100: 발전용 터빈 압축기 세정 주기 최적화 시스템
110: 가스 터빈
120: 제어 장치
130: 센싱 데이터 관리 서버
140: 기상 데이터 수집 서버
150: 세정 시점 산출 컴퓨터
160: 전력 거래소 서버
170: 전환 가능부
201: 데이터베이스
210: 통신부
220: 수집부
230: 판독부
240: 분석부
250: 출력부
110: 가스 터빈
120: 제어 장치
130: 센싱 데이터 관리 서버
140: 기상 데이터 수집 서버
150: 세정 시점 산출 컴퓨터
160: 전력 거래소 서버
170: 전환 가능부
201: 데이터베이스
210: 통신부
220: 수집부
230: 판독부
240: 분석부
250: 출력부
Claims (17)
- 가스 터빈(110)의 제어를 위해 터빈 주요 변수를 실시간 모니터링하여 터빈 센싱 데이터를 생성하는 제어 장치(120);
기상 데이터를 수집하는 기상 데이터 수집 서버(140); 및
상기 터빈 센싱 데이터에 따른 터빈 주요 공정 변수 또는 상기 기상 데이터에 따른 외부 환경 변수를 이용하여 상기 가스 터빈(110)의 세정 주기 시점을 산출하는 세정 시점 산출 컴퓨터(150);
를 포함하는 것을 특징으로 하는 발전용 터빈 압축기 세정 주기 최적화 시스템.
- 제 1 항에 있어서,
상기 터빈 주요 변수는 가스터빈 출력, 가스터빈 효율, 압축기 효율, 압축기 입구 공기유량, 연료유량, 가스터빈 속도, 및 가스터빈 출구온도를 포함하는 것을 특징으로 하는 발전용 터빈 압축기 세정 주기 최적화 시스템.
- 제 2 항에 있어서,
상기 외부 환경 변수는 상기 가스 터빈(110)이 위치하는 지역의 대기온도, 대기습도, 및 대기압을 포함하는 것을 특징으로 하는 발전용 터빈 압축기 세정 주기 최적화 시스템.
- 제 3 항에 있어서,
상기 세정 주기 시점의 산출은 상기 터빈 주요 변수 및 상기 외부 환경 변수를 AI(Artificial Intelligence) 기반 알고리즘에 적용하여 산출되는 가스터빈 압축기의 예측 효율과 상기 가스터빈 압축의 실제 효율 * 설정값의 비교에 의해 이루어지는 것을 특징으로 하는 발전용 터빈 압축기 세정 주기 최적화 시스템.
- 제 4 항에 있어서,
상기 예측 효율은 상기 가스터빈 압축기의 세정후 일정기간 상기 AI 기반 알고리즘에 의해 학습한 효율인 것을 특징으로 하는 발전용 터빈 압축기 세정 주기 최적화 시스템.
- 제 4 항에 있어서,
상기 예측 효율()은 수학식
(여기서, k는 공기 비열비이며, T1은 압축기 입구온도, T2는 압축기 출구온도, P1은 압축기 입구압력, P2는 압축기 출구압력이다)로 정의되는 것을 특징으로 하는 발전용 터빈 압축기 세정 주기 최적화 시스템.
- 제 3 항에 있어서,
상기 세정 주기 시점의 산출은 가스 터빈의 물리적인 요소 및 공정을 모사하여 생성되는 가스터빈 공정 모델을 이용하여 산출되는 모델 예측 출력(510) 및 상기 가스 터빈(110)으로부터 실제 취득되는 출력인 보정 출력(520)이 미리 정해지는 일정범위를 벗어난 시점인 것을 특징으로 하는 발전용 터빈 압축기 세정 주기 최적화 시스템.
- 제 7 항에 있어서,
상기 모델 예측 출력(510)은 상기 기상 데이터 중 대기온도 및 대기압력 변화가 반영되는 것을 특징으로 하는 발전용 터빈 압축기 세정 주기 최적화 시스템.
- 제 1 항에 있어서,
상기 터빈 센싱 데이터를 이용하여 용량 요금을 정산하는 용량 요금 정산 데이터를 생성하는 전력 거래소 서버(160);를 포함하며,
상기 세정 주기 시점의 산출은 상기 용량 요금 정산 데이터 중 세정실시 기간동안 상기 가스 터빈(110)의 발전 정지에 의해 발생하는 용량요금 손실 비용 및 직접 비용을 포함하는 세정 손실 비용과 세정 미실시로 인한 출력저하에 따른 손실 비용을 비교하여 이루어지는 것을 특징으로 하는 발전용 터빈 압축기 세정 주기 최적화 시스템.
- 제 9 항에 있어서,
상기 용량요금 손실 비용은 정지시간, 평균 용량요금 및 입찰용량에 의해 산출되는 것을 특징으로 하는 발전용 터빈 압축기 세정 주기 최적화 시스템.
- 제 9 항에 있어서,
상기 세정 미실시로 인한 출력저하에 따른 손실 비용은 출력 감소량과 평균 용량요금을 곱하여 산출되는 것을 특징으로 하는 발전용 터빈 압축기 세정 주기 최적화 시스템. - 제 9 항에 있어서,
상기 세정 손실 비용(920)이 세정 미실시로 인한 출력저하에 따른 손실 비용이 누적되는 누적손실비용(910)과 교차하는 지점에서 상기 세정 주기 시점의 산출이 이루어지는 것을 특징으로 하는 발전용 터빈 압축기 세정 주기 최적화 시스템.
- 제 9 항에 있어서,
상기 용량 요금은 시간대별 용량요금이며, 상기 시간대별 용량요금(TPCP)은 수학식(여기서, A : 초기 입찰값, RA : 변경 입찰값, RCP : 기준용량 가격, RCF : 용량가격 계수, TCF : 시간대별 용량가격 계수, FSF : 연료전환 성과 계수이다)으로 정의되는 것을 특징으로 하는 발전용 터빈 압축기 세정 주기 최적화 시스템.
- 제 1 항에 있어서,
상기 세정 주기 시점의 산출은 상기 가스 터빈(110)의 운전 조건별 터빈 압축기의 세정시점을 제공하는 시나리오에 의해 이루어지는 것을 특징으로 하는 발전용 터빈 압축기 세정 주기 최적화 시스템. - 제 14 항에 있어서,
상기 시나리오는, 상기 가스터빈(110)의 운전조건을 가스터빈 압축기 기동전, 가스터빈 기동 후, 계통병입 후 초기부하, 부분부하운전, 전부하 운전, 상기 가스 터빈 압축기를 포함하는 설비 이상에 따른 런백(Runback) 발생 운전, 트립(Trip) 정지에 따른 운전조건을 구분하고, 가스터빈 압축기 효율신호 및 상기 가스 터빈의 출력신호의 발생여부를 전달받아, 상기 가스터빈 압축기의 세정시점을 제공여부를 판단하는 것을 특징으로 하는 발전용 터빈 압축기 세정 주기 최적화 시스템.
- 가스 터빈(110)의 제어를 위해 터빈 주요 변수를 실시간 모니터링하여 터빈 센싱 데이터를 생성하는 제어 장치(120);
상기 터빈 센싱 데이터를 수집하는 센싱 데이터 관리 서버(130);
기상 데이터를 수집하는 기상 데이터 수집 서버(140);
상기 터빈 센싱 데이터에 따른 터빈 주요 공정 변수 또는 상기 기상 데이터에 따른 외부환경변수를 이용하여 상기 가스 터빈(110)의 세정 주기 시점을 산출하는 세정 시점 산출 컴퓨터(150); 및
상기 센싱 데이터 관리 서버(130)와 상기 세정 시점 산출 컴퓨터(150)간 통신 연결을 온오프하고, 상기 기상 데이터 수집 서버(140)와 상기 세정 시점 산출 컴퓨터(150)간 통신 연결을 온오프하는 전환 가능부(170);
를 포함하는 것을 특징으로 하는 발전용 터빈 압축기 세정 주기 최적화 시스템.
- (a) 제어 장치(120)가 가스 터빈(110)의 제어를 위해 터빈 주요 변수를 실시간 모니터링하여 터빈 센싱 데이터를 생성하는 단계;
(b) 기상 데이터 수집 서버(140)가 기상 데이터를 수집하는 단계; 및
(c) 세정 시점 산출 컴퓨터(150)가 상기 터빈 센싱 데이터에 따른 터빈 주요 공정 변수 또는 상기 기상 데이터에 따른 외부 환경 변수를 이용하여 상기 가스 터빈(110)의 세정 주기 시점을 산출하는 단계;
를 포함하는 것을 특징으로 하는 발전용 터빈 압축기 세정 주기 최적화 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210126562A KR20230043548A (ko) | 2021-09-24 | 2021-09-24 | 발전용 가스 터빈 압축기 세정 주기 최적화 시스템 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210126562A KR20230043548A (ko) | 2021-09-24 | 2021-09-24 | 발전용 가스 터빈 압축기 세정 주기 최적화 시스템 및 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230043548A true KR20230043548A (ko) | 2023-03-31 |
Family
ID=86005389
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210126562A KR20230043548A (ko) | 2021-09-24 | 2021-09-24 | 발전용 가스 터빈 압축기 세정 주기 최적화 시스템 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20230043548A (ko) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117111478A (zh) * | 2023-10-20 | 2023-11-24 | 山东暖谷新能源环保科技有限公司 | 基于数据处理技术的热量控制系统及方法 |
| KR102691003B1 (ko) * | 2023-12-21 | 2024-08-05 | 위메 주식회사 | 머신러닝을 이용한 발전기 공급능력 예측시스템 및 그 방법 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102171642B1 (ko) | 2018-12-28 | 2020-10-29 | 주식회사 포스코아이씨티 | 공기압축기 세정시기 예측시스템 및 방법 |
-
2021
- 2021-09-24 KR KR1020210126562A patent/KR20230043548A/ko not_active Application Discontinuation
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102171642B1 (ko) | 2018-12-28 | 2020-10-29 | 주식회사 포스코아이씨티 | 공기압축기 세정시기 예측시스템 및 방법 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117111478A (zh) * | 2023-10-20 | 2023-11-24 | 山东暖谷新能源环保科技有限公司 | 基于数据处理技术的热量控制系统及方法 |
| CN117111478B (zh) * | 2023-10-20 | 2024-03-01 | 山东暖谷新能源环保科技有限公司 | 一种暖风炉的进气隔热控制系统及方法 |
| KR102691003B1 (ko) * | 2023-12-21 | 2024-08-05 | 위메 주식회사 | 머신러닝을 이용한 발전기 공급능력 예측시스템 및 그 방법 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10294869B2 (en) | System and method to enhance corrosion turbine monitoring | |
| KR20230043548A (ko) | 발전용 가스 터빈 압축기 세정 주기 최적화 시스템 및 방법 | |
| CN106404403B (zh) | 用于涡轮机的分析的方法和系统 | |
| Aretakis et al. | Compressor washing economic analysis and optimization for power generation | |
| JP6025237B2 (ja) | 発電プラント性能を予測する方法およびシステム | |
| CN101117918A (zh) | 估计压缩机结污对联合循环发电厂的影响的方法和系统 | |
| US8135568B2 (en) | Turbomachine airfoil life management system and method | |
| US20110196593A1 (en) | System and method for monitoring a gas turbine | |
| CN107763655B (zh) | 一种降低排放污染的ge燃机燃烧调整的方法 | |
| JP2002297710A (ja) | 発電プラントの保全計画支援システム及び支援方法 | |
| US20170357223A1 (en) | System and method to enhance turbine monitoring with environmental information | |
| EP3373233A1 (en) | Scheduling maintenance to reduce degradation of a power generation system | |
| Sánchez et al. | Determining compressor wash programmes for fouled gas turbines | |
| CN110307186B (zh) | 预测压气机水洗时间的方法、装置、服务器及存储介质 | |
| Blinov et al. | Technical condition estimation of the gas turbine axial compressor | |
| KR102171642B1 (ko) | 공기압축기 세정시기 예측시스템 및 방법 | |
| Fabbri et al. | Compressor performance recovery system: which solution and when | |
| KR101719715B1 (ko) | 가스터빈 정비지원 운용 방법 | |
| KR101409589B1 (ko) | 가스터빈 정비 지원 시스템 | |
| Schroth et al. | Economical benefits of highly efficient three-stage intake air filtration for gas turbines | |
| Hovland et al. | Economic optimization of gas turbine compressor washing | |
| Raghavan et al. | Artificial neural networks based parametric curve generation for health assessment of industrial gas turbine systems | |
| US20240125673A1 (en) | Blade damage evaluation system, blade damage evaluation method, and blade damage evaluation program | |
| KR102691003B1 (ko) | 머신러닝을 이용한 발전기 공급능력 예측시스템 및 그 방법 | |
| Knight et al. | Gtpom: Thermo-economic optimization of whole gas turbine plant |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal |