KR20230123048A - 앱을 활용한 지능형 디지털 발전소 정보 제공 시스템 및 방법 - Google Patents
앱을 활용한 지능형 디지털 발전소 정보 제공 시스템 및 방법 Download PDFInfo
- Publication number
- KR20230123048A KR20230123048A KR1020220018983A KR20220018983A KR20230123048A KR 20230123048 A KR20230123048 A KR 20230123048A KR 1020220018983 A KR1020220018983 A KR 1020220018983A KR 20220018983 A KR20220018983 A KR 20220018983A KR 20230123048 A KR20230123048 A KR 20230123048A
- Authority
- KR
- South Korea
- Prior art keywords
- app
- turbine
- intelligent
- power plant
- data
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 43
- 238000012544 monitoring process Methods 0.000 claims abstract description 65
- 238000010248 power generation Methods 0.000 claims abstract description 53
- 238000003745 diagnosis Methods 0.000 claims abstract description 43
- 238000011156 evaluation Methods 0.000 claims description 29
- 230000006378 damage Effects 0.000 claims description 28
- 238000004458 analytical method Methods 0.000 claims description 22
- 238000013473 artificial intelligence Methods 0.000 claims description 20
- 238000012423 maintenance Methods 0.000 claims description 18
- 238000000611 regression analysis Methods 0.000 claims description 18
- 230000002159 abnormal effect Effects 0.000 claims description 16
- 238000010521 absorption reaction Methods 0.000 claims description 11
- 238000002485 combustion reaction Methods 0.000 claims description 10
- 238000013135 deep learning Methods 0.000 claims description 10
- 230000005856 abnormality Effects 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 230000008646 thermal stress Effects 0.000 claims description 7
- 238000004804 winding Methods 0.000 claims description 7
- 238000012546 transfer Methods 0.000 claims description 6
- 239000002826 coolant Substances 0.000 claims description 5
- 230000006866 deterioration Effects 0.000 claims description 5
- 230000035882 stress Effects 0.000 claims description 5
- 238000001816 cooling Methods 0.000 claims description 4
- 230000008878 coupling Effects 0.000 claims description 4
- 238000010168 coupling process Methods 0.000 claims description 4
- 238000005859 coupling reaction Methods 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 claims description 4
- 238000007418 data mining Methods 0.000 claims description 4
- 230000003628 erosive effect Effects 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 238000005206 flow analysis Methods 0.000 claims description 3
- 238000012800 visualization Methods 0.000 abstract description 5
- 238000012795 verification Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 21
- 238000007726 management method Methods 0.000 description 19
- 238000004891 communication Methods 0.000 description 16
- 238000011161 development Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 14
- 230000010354 integration Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000010438 heat treatment Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 239000000446 fuel Substances 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000005262 decarbonization Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000002803 fossil fuel Substances 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013021 overheating Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 239000000567 combustion gas Substances 0.000 description 1
- 238000007596 consolidation process Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000007519 figuring Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 239000004065 semiconductor Substances 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
- 238000007619 statistical method Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/008—Reliability or availability analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/32—Monitoring with visual or acoustical indication of the functioning of the machine
- G06F11/321—Display for diagnostics, e.g. diagnostic result display, self-test user interface
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/32—Monitoring with visual or acoustical indication of the functioning of the machine
- G06F11/323—Visualisation of programs or trace data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/32—Monitoring with visual or acoustical indication of the functioning of the machine
- G06F11/324—Display of status information
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/904—Browsing; Visualisation therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Automation & Control Theory (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Water Supply & Treatment (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Emergency Management (AREA)
- Public Health (AREA)
- Human Computer Interaction (AREA)
- Computational Linguistics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
Abstract
발전설비의 감시/진단 결과의 신뢰성 확보를 위해 상호교차 검증/시각화를 통해 종합적인 발전소 운영을 최적화으로 수행할 수 있는 앱을 활용한 지능형 디지털 발전소 정보 제공 시스템이 개시된다. 상기 시스템은, 발전 관련 데이터를 생성하는 다수의 디지털 발전소, 상기 발전 관련 데이터를 저장하는 표준 저장소, 및 상기 발전 관련 데이터를 기반으로 지능형 앱을 생성하여 지능형 발전소 정보를 제공하는 앱 관리 서버를 포함하는 것을 특징으로 한다.
Description
본 발명은 지능형 디지털 발전소 정보 제공 기술에 관한 것으로서, 더 상세하게는 디지털 발전소 플랫폼 및 지능형 앱 시스템을 기반으로 발전설비의 감시/진단 결과를 제시하고, 발전설비의 운영 신뢰성을 향상시킴으로써 발전소 운영의 종합적인 정보를 자동으로 제공하여 사용자가 쉽고, 빠르게 지능형 디지털 발전소를 구축하고 최적화 운영을 구현하는 앱을 활용한 지능형 디지털 발전소 정보 제공 시스템 및 방법에 대한 것이다.
최근 발전산업에서 디지털 변환은 IDPP(Intelligent Digital Power Plant)로 대변되며 이는 발전소에서 취득되는 데이터를 디지털·지능화함으로써 발전설비 운전 및 정비를 최적화하고 궁극에는 경영의 지능화를 통한 발전비용의 최적화를 목표로 한 발전소이다.
발전 에너지 부문은 상당 부분을 석탄 및 석유등 화석연료에 의존하고 있어 온실가스 배출에서 큰 비중을 차지하고 있으며, 탈탄소화(Decarbonization), 분산화(Decentralization), 지능화(Intelligence)로 집약할 수 있다. 또한, 기후변화로 인한 화석연료 감축과 친환경 에너지의 확대를 통한 탈탄소화 및 에너지 믹스의 변화를 디지털변환의 기반에서 추구하고 있다.
최근 국내외적으로 스마트 발전소/공장을 추진하기 위해 플랫폼 및 지능형 앱을 도입하고 있는 상황이다.
그러나, 실제 디지털 발전소 구축을 위해서는 발전소/공장마다 개별 시스템이 존재하여 표준화된 데이터 수집/저장/분석이 어려운 상황이다. 그리고 표준화된 지능형 앱 개발환경이 구축되지 않아 개발된 앱의 활용이 어렵고, 재개발되어야 하는 상황이다.
또한, 발전소에서 운영하는 개별 감시/진단시스템의 앱은 상호 연동이 되지 않아 별도의 시스템으로 관리되어 운전정보와 연계한 상호 교차 검증이 불가하여 감시/진단 결과의 신뢰성 확보가 어려운 상황이다.
또한, 발전소 운전원은 수많은 운전 및 감시/진단 정보들은 종합하여 운전상황을 파악하고, 지속적인 운영이 가능할 수 있도록 사전에 고장의 징후를 파악하고 운전 및 정비계획을 수립해야 한다. 이를 위해, 발전소의 원활한 정보교환을 위한 디지털 발전소 플랫폼 구축과 다수의 지능형 앱을 통한 운전상태를 판단할 수 있는 시스템 도입이 매우 필요한 상황이다.
본 발명은 위 배경기술에 따른 문제점을 해소하기 위해, 발전소/공장마다 상이한 개별 시스템(Legacy)을 표준 플랫폼을 통해 표준화된 데이터 관리 및 개발환경을 구축하고, 발전설비의 감시/진단 결과의 신뢰성 확보를 위해 상호교차 검증/시각화를 통해 종합적인 발전소 운영을 최적화으로 수행할 수 있는 앱을 활용한 지능형 디지털 발전소 정보 제공 시스템 및 방법을 제공하는데 그 목적이 있다.
본 발명은 위에서 제시된 과제를 달성하기 위해, 발전설비의 감시/진단 결과의 신뢰성 확보를 위해 상호교차 검증/시각화를 통해 종합적인 발전소 운영을 최적화으로 수행할 수 있는 앱을 활용한 지능형 디지털 발전소 정보 제공 시스템을 제공한다.
상기 시스템은,
발전 관련 데이터를 생성하는 다수의 디지털 발전소;
상기 발전 관련 데이터를 저장하는 표준 저장소; 및
상기 발전 관련 데이터를 기반으로 지능형 앱을 생성하여 지능형 발전소 정보를 제공하는 앱 관리 서버;를 포함하는 것을 특징으로 한다.
이때, 상기 지능형 앱은 다수의 상기 디지털 발전소의 발전 설비별 1개씩 설치하여 운영하는 개별 단계, 발전 설비별 2개 이상 설치하여 운영하는 융합 단계, 다수의 상기 디지털 발전소의 전체 발전 설비에 설치하여 운영하는 통합 단계를 통해 운영되는 것을 특징으로 한다.
또한, 상기 발전 관련 데이터는 발전 설비로부터 취득되는 운전 데이터에 대해 태그 식별 및 전처리를 통해 상이한 데이터명이 표준화된 데이터인 것을 특징으로 한다.
또한, 상기 전처리는 상기 운전 데이터 및 다수의 추가 센서를 통하여 획득되는 물리적인 센싱값을 데이터 마이닝 및 가상 센싱 신호로 처리되는 것을 특징으로 한다.
또한, 상기 발전 설비는 보일러이고, 상기 지능형 앱은 보일러의 과거 정상상태를 회귀분석 기법을 활용하여 현재 운전 데이터와 회귀분석 예측 데이터의 잔차 감시를 통해 보일러의 이상 여부를 분석하는 보일러 조기 경보 앱, 보일러 튜브의 누설 신호를 딥러닝(Deep Learning)으로 학습하여 튜브 누설 발생시 학습 이미지를 대조하여 누설 여부를 진단하고 확률론적 기법을 통해 튜브 누설 위치를 확인하는 보일러 전열부 손상 평가 앱, 전열부의 온도를 분석하여 국부적으로 과열되고 있는 보일러 튜브의 위치를 파악하여 튜브의 열화도를 진단하는 연소 예측진단 앱, 보일러의 노 내의 유동 해석 결과를 출력에 따라 모사함으로써 발전 출력 유연 운전 시에 보일러에서 발생할 수 있는 손상도를 예측할 수 있도록 운전원에게 서비스하는 AI(Artificial intelligence) 보일러 상태 진단 앱을 포함하는 것을 특징으로 한다.
또한, 상기 발전 설비는 터빈이고, 상기 지능형 앱은 터빈의 과거 정상상태를 회귀분석 기법을 활용하여 현재 운전데이터와 회귀분석 예측 데이터의 잔차 감시를 통해 터빈의 이상 여부를 분석하는 터빈 조기 경보 앱, 터빈의 정렬 상태를 분석하여 터빈 회전시에 발생하는 불평형, 오정렬, 및 러빙을 포함하는 비정상 상태를 제공하는 터빈 정비 툴앱, 딥러닝(Deep Learning) 기반 정상상태 학습을 통해 터빈의 비정상 여부를 분석하는 AI 기반 터빈 감시앱, 딥러닝(Deep Learning) 기반 정상상태 학습을 통해 터빈의 비정상 여부를 분석하는 AI 기반 터빈 감시앱, 고압터빈 손상평가에서는 열응력 분포, 피로 손상 분석을 통해 피로수명을 예측하고, 저압터빈 손상평가에서는 증기조건에 의한 열유동 해석, 증기와 블레이드와의 연성해석을 통한 응력분포, 피로손상 분석 및 침부식평가를 통해 터빈의 신뢰성을 평가하는 터빈 손상 평가 앱을 포함하는 것을 특징으로 한다.
또한, 상기 발전 설비는 발전기이고, 상기 지능형 앱은, 발전기의 과거 운전의 정상상태를 회귀분석 기법을 활용하여 현재 운전 데이터와 예측 데이터의 잔차 감시를 통해 발전기의 이상 여부를 분석하는 발전기 조기 경보 앱, 발전기의 고정자 권선의 냉각수 누설에 의한 흡습 여부를 진단하는 수냉각 고정자 흡습 진단 앱, 고정자 웨지의 체결 강도 분포를 통해 차기 계획 정비 기간에 어느 부위를 교체할 지를 분석하는 고정자 웨지 강도 평가 앱을 포함하는 것을 특징으로 한다.
다른 한편으로, 본 발명의 다른 일실시예는, (a) 다수의 디지털 발전소가 발전 관련 데이터를 생성하는 과정; (b) 상기 발전 관련 데이터를 표준 저장소에 저장하는 과정; 및 (c) 앱 관리 서버가 상기 발전 관련 데이터를 기반으로 지능형 앱을 생성하여 지능형 발전소 정보를 제공하는 과정;을 포함하는 것을 특징으로 하는 앱을 활용한 지능형 디지털 발전소 정보 제공 방법을 제공한다.
본 발명에 따르면, 지능형 디지털 발전소 구축 및 운영을 활용할 경우, 표준화된 플랫폼 및 지능형 앱 서비스를 제공하여 기존에 타 시스템이 설치되어 있더라도 용이하게 구축할 수 있다.
또한, 본 발명의 다른 효과로서는 지능형 앱간 감시/진단 결과를 공유하고 발전설비의 운전 신뢰성을 제고할 수 있어 발전소 가동률과 향상의 효과 뿐 아니라 플랫폼 기반의 앱 관리를 통한 개발 및 운영비용을 절감시킬 수 있다는 점을 들 수 있다.
도 1은 본 발명의 일실시예에 따른 앱을 활용한 지능형 디지털 발전소 정보 제공 시스템의 구성 블럭도이다.
도 2는 도 1에 도시된 지능형 디지털 발전소 정보 제공 시스템에 따른 지능형 디지털 발전소 표준 플랫폼 및 지능형 앱 구축 개념도이다.
도 3은 도 1에 도시된 앱 관리 서버의 세부 구성 블럭도이다.
도 4는 본 발명의 일실시예에 따른 지능형 디지털 발전소 표준 플랫폼 및 지능형 앱 구축 과정을 보여주는 흐름도이다.
도 5는 본 발명의 일실시예에 따른 지능형 디지털 발전소의 운영을 보여주는 개념도이다.
도 6은 본 발명의 일실시예에 따른 IDPP(Intelligent Digital Power Plant) 지능형 앱 운영 개념이다.
도 7은 본 발명의 일실시예에 따른 보일러 분야 감시/진단 앱 사례를 보여주는 도면이다.
도 8은 본 발명의 일실시예에 따른 보일러 분야 지능형 앱을 결합한 융/복합 감시 및 진단 사례를 보여주는 도면이다.
도 9는 본 발명의 일실시예에 따른 보일러 통합 감시 흐름도이다.
도 10은 본 발명의 일실시예에 따른 터빈 통합 감시 및 진단 사례를 보여주는 도면이다.
도 11은 본 발명의 일실시예에 따른 터빈 통합 감시 및 진단 사례중 인공지능 기반 터빈 감시를 보여주는 도면이다.
도 12는 본 발명의 일실시예에 따른 터빈 분야 감시 및 진단 앱의 예시이다.
도 13은 본 발명의 일실시예에 따른 터빈 분야 지능형 앱을 활용한 융/복합 감시 및 진단 사례를 보여주는 도면이다.
도 14는 본 발명의 일실시예에 따른 터빈 통합 감시 흐름도이다.
도 15는 본 발명의 일실시예에 따른 발전기 분야 감시 및 진단 사례를 보여주는 도면이다.
도 16은 본 발명의 일실시예에 따른 발전기 분야 지능형 앱 융/복합 감시 및 진단 사례를 보여주는 도면이다.
도 17은 본 발명의 일실시예에 따른 발전기 통합 감시 흐름도이다.
도 2는 도 1에 도시된 지능형 디지털 발전소 정보 제공 시스템에 따른 지능형 디지털 발전소 표준 플랫폼 및 지능형 앱 구축 개념도이다.
도 3은 도 1에 도시된 앱 관리 서버의 세부 구성 블럭도이다.
도 4는 본 발명의 일실시예에 따른 지능형 디지털 발전소 표준 플랫폼 및 지능형 앱 구축 과정을 보여주는 흐름도이다.
도 5는 본 발명의 일실시예에 따른 지능형 디지털 발전소의 운영을 보여주는 개념도이다.
도 6은 본 발명의 일실시예에 따른 IDPP(Intelligent Digital Power Plant) 지능형 앱 운영 개념이다.
도 7은 본 발명의 일실시예에 따른 보일러 분야 감시/진단 앱 사례를 보여주는 도면이다.
도 8은 본 발명의 일실시예에 따른 보일러 분야 지능형 앱을 결합한 융/복합 감시 및 진단 사례를 보여주는 도면이다.
도 9는 본 발명의 일실시예에 따른 보일러 통합 감시 흐름도이다.
도 10은 본 발명의 일실시예에 따른 터빈 통합 감시 및 진단 사례를 보여주는 도면이다.
도 11은 본 발명의 일실시예에 따른 터빈 통합 감시 및 진단 사례중 인공지능 기반 터빈 감시를 보여주는 도면이다.
도 12는 본 발명의 일실시예에 따른 터빈 분야 감시 및 진단 앱의 예시이다.
도 13은 본 발명의 일실시예에 따른 터빈 분야 지능형 앱을 활용한 융/복합 감시 및 진단 사례를 보여주는 도면이다.
도 14는 본 발명의 일실시예에 따른 터빈 통합 감시 흐름도이다.
도 15는 본 발명의 일실시예에 따른 발전기 분야 감시 및 진단 사례를 보여주는 도면이다.
도 16은 본 발명의 일실시예에 따른 발전기 분야 지능형 앱 융/복합 감시 및 진단 사례를 보여주는 도면이다.
도 17은 본 발명의 일실시예에 따른 발전기 통합 감시 흐름도이다.
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 이해되어야 한다.
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 앱을 활용한 지능형 디지털 발전소 정보 제공 시스템 및 방법을 상세하게 설명하기로 한다.
도 1은 본 발명의 일실시예에 따른 앱을 활용한 지능형 디지털 발전소 정보 제공 시스템(100)의 구성 블럭도이다. 도 1을 참조하면, 지능형 디지털 발전소 정보 제공 시스템(100)은 다수의 디지털 발전소(110-1 내지 110-n), 통신망(120), 표준 저장소(130), 앱 관리 서버(140), 및 외부 플랫폼(150) 등을 포함하여 구성될 수 있다.
제 1 내지 제 n 디지털 발전소(110-1 내지 110-n)는 전기를 생산하기 위한 원동기와 발전기를 갖춘 곳으로 발전 관련 데이터를 토대로 운영되는 발전소로 사물 인터넷, 빅데이터, 인공지능 등의 ICT(Information and Communications Technology) 기술을 이용하여 구축된다.
통신망(120)은 다수의 디지털 발전소(110-1 내지 110-n)를 표준 저장소(130), 앱 관리 서버(140), 외부 플랫폼(150)과 통신으로 연결하는 기능을 수행하다.
이를 위해, 통신망(120)은 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, 블루투쓰(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.
표준 저장소(130)는 제 1 내지 제 n 디지털 발전소(110-1 내지 110-n)로부터 생성되는 데이터를 저장하는 기능을 수행한다. 표준 저장소(130)는 데이터베이스 서버를 이용하여 구현될 수도 있고, 인터넷(internet)상에서 저장 기능을 수행하는 웹 스토리지(web storage), 클라우드 서버가 될 수도 있다.
앱 관리 서버(140)는 표준 저장소(130)에 저장된 발전 관련 데이터와 연계하여 표준 개발환경을 생성하고, 이 표준 개발환경을 이용하여 지능형 앱을 개발하고, 필요시 외부 플랫폼(150)과 연계된다. 지능형 앱은 핵심 설비별로 구축 및 서비스를 수행한다.
도 2는 도 1에 도시된 지능형 디지털 발전소 정보 제공 시스템에 따른 지능형 디지털 발전소 표준 플랫폼(200) 및 지능형 앱 구축 개념도이다. 도 2를 참조하면, 제 1 내지 제 n 디지털 발전소(110-1 내지 110-n)에서 발전 관련 데이터(210)를 생성한다. 발전 관련 데이터는 운전 정보, 재무 정보, 진동 분석 정보, 정비 관리 정보, IoT(Internet of Things) 센서를 통한 센싱 정보, 기타 레거시(발전소 용량 및 방식에 따른 맞춤형 주기기 및 보조기기 감시시스템, 예를 들어 보일러 튜브 누설 감시시스템 등) 감시를 위한 시스템, 정보 등이 될 수 있다.
제 1 내지 제 n 디지털 발전소(110-1 내지 110-n)에서 생성된 발전 관련 데이터(210)는 표준 저장소(130)에 저장된다.
앱 관리 서버(140)는 표준 저장소(130)에 저장되는 발전 관련 데이터(210)를 연계하여 지능형 앱을 생성하는 표준 개발환경(220)을 구축하고, 이 표준 개발환경(220)을 통해 핵심설비(230)에 대한 지능형 앱을 제공한다. 핵심설비(230)의 예로서는 보일러, 터빈, 발전기, 가스터빈, 보조기기 등을 들 수 있다. 즉, 지능형 앱은 핵심설비(보일러, 터빈, 발전기 등)별로 구축 및 서비스가 수행된다.
표준 개발환경(220)은 운영 환경 블럭, 개발 환경 블럭, 연계 블럭으로 구성된다. 운영환경은 응용프로그램(application)을 실계통(발전소, 공장 등)과 직접 연동해서 계통을 운영하는 기능이고, 개발환경은 운영환경에서 응용프로그램의 기능이 구현될 수 있도록 코딩, 디버깅, 시험 등의 작업을 할 수 있게 제공하는 환경 그리고 연계는 다른 플랫폼 또는 응용프로그램 간 데이터를 주고 받는 기능을 말한다.
도 3은 도 1에 도시된 앱 관리 서버(140)의 세부 구성 블럭도이다. 도 3을 참조하면, 앱 관리 서버(140)는, 수집 모듈(310), 분석 모듈(320), 앱생성 모듈(330), 표시부(340) 등을 포함하여 구성될 수 있다.
수집 모듈(310)은 통신망(120)을 통해 표준 저장소(130)에 저장된 발전 관련 데이터를 수집하는 기능을 수행한다. 수집 모듈(310)은 통신망(120)과 연결되기 위해 통신 모뎀, 마이크로프로세서, 메모리 등을 포함하여 구성될 수 있다.
메모리는 플래시 메모리 디스크(SSD: Solid State Disk), 하드 디스크 드라이브, 플래시 메모리, EEPROM(Electrically erasable programmable read-only memory), SRAM(Static RAM), FRAM (Ferro-electric RAM), PRAM (Phase-change RAM), MRAM(Magnetic RAM) 등과 같은 비휘발성 메모리 및/또는 DRAM(Dynamic Random Access Memory), SDRAM(Synchronous Dynamic Random Access Memory), DDR-SDRAM(Double Data Rate-SDRAM) 등과 같은 휘발성 메모리의 조합으로 구성될 수 있다.
분석 모듈(320)은 수집된 발전 관련 데이터를 분석하는 기능을 수행한다.
앱생성 모듈(330)은 분석된 분석 정보를 이용하여 지능형 앱을 생성하는 기능을 수행한다.
표시부(340)는 설정 화면, 처리 화면, 정보 제공 화면 등을 출력하는 기능을 수행한다. 이를 위해, 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 사용될 수 있다. 터치 스크린의 경우, 입력 수단으로도 사용될 수 있다.
도 3에 기재된 분석 모듈(320), 앱생성 모듈(330)은 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 4는 본 발명의 일실시예에 따른 지능형 디지털 발전소 표준 플랫폼 및 지능형 앱 구축 과정을 보여주는 흐름도이다. 도 4를 참조하면, 지능형 디지털 발전소 표준 플랫폼을 구축하기 위해서는, 기존 발전소 현장조사를 실행한다(단계 S410,S420). 예를 들면, 레거시 시스템 제조사, 데이터 백업 및 통신연계 방법, 감시/진단 시스템 운영현황, 보안 시스템 구축 방안 등을 들 수 있다.
이후, 최적 플랫폼/앱 구축방안을 수립한다(단계 S430). 예를 들면, 데이터 백업 및 통신연계 방법, 감시/진단 시스템 운영 현황, 보안 시스템 구축 방안 등을 들 수 있다.
이후, 표준 플랫폼을 구축한다(단계 S440). 예를 들면, 표준데이터 저장/분석 구축, 지능형 앱 표준 개발환경 구축을 들 수 있다.
이후, 지능형 앱 감시/진단 시스템이 구축된다(단계 S450). 예를 들면, 앱 개별 감시/진단, 융합형 앱 감시/진단, 통합 앱 감시/진단 등이 될 수 있다. 부연하면, 플랫폼이 구축되면 지능형 디지털 발전소 운영이 수행된다.
도 5는 본 발명의 일실시예에 따른 지능형 디지털 발전소의 운영을 보여주는 개념도이다. 도 5를 참조하면, 운영단계에서는 지능형 앱 포탈을 통해 지능형 앱을 등록 및/또는 운영을 수행하게 된다(단계 S510).
따라서, 사용자는 핵심 설비별 감시/진단을 설정할 수 있다(단계 S520). 예를 들면, 보일러의 경우, 발전 시스템 조기 경보 "On", AI 기반 보일러 상태 진단 "On", 보일러 손상 평가 "On"이 될 수 있다. 또한, 터빈의 경우, 발전 시스템 조기 경보 "On", AI 기반 터빈 상태 진단 "On", 자산성능관리(H-RCM:Reliability Centered Maintenance) "On"이 될 수 있다. 또한, 발전기의 경우, 발전기 흡습 진단 "Off", 발전기 웨지 평가 "Off", 자산성능관리(H-RCM) "Off"가 될 수 있다.
도 6은 본 발명의 일실시예에 따른 IDPP(Intelligent Digital Power Plant) 지능형 앱 운영 개념이다. 도 6을 참조하면, 설비별 감시/진단 운영은 개별/융합/통합 3단계로 수행할 수 있다.
- 1단계(개별단계) : 지능형 앱을 발전 설비별로 1개씩 설치하여 운영하는 단계(S610)
- 2단계(융합단계) : 발전설비 별 앱을 2개 이상 설치하여 운영하는 단계(S620)
- 3단계(통합단계) : 발전소 전체 발전 설비에 앱을 모두 적용하여 운영하는 단계(S630)
표준 플랫폼 구축을 위해 다양한 발전설비부터 취득되는 데이터를 수집 모듈(310)를 통하여 운전 데이터를 취득하고, 상이한 데이터명(Tag)의 표준화를 위해 Tag식별 및 운전데이터에 포함된 노이즈 제거를 통한 전처리를 수행하여 식별된 표준 데이터를 생성한다.
발전소에서 생성한 다양한 데이터를 실시간 수집하고 저장한다. 물론, 주기적으로 운전데이를 취득하는 배치 수집(batch collection)과 숫자가 아닌 텍스트/이미지와 같은 비정형 데이터 수집도 이루어진다.
식별된 표준 데이터는 분산처리를 통해 표준 저장소(130)의 DB에 저장하고, 다양한 데이터 조회 및 분석기능을 제공한다. 예를 들면, 지능형 앱 요구 데이터의 기간, 샘플링, 운전조건 검색 및 통계연산 및 배포기능의 수행을 위해 사용될 수 있다.
발전 어플리케이션 개발 플랫폼을 통해 분석 및 예측이 수행되고, 시각화가 진행된다. 분석 및 예측을 통해 지능형 앱이 생성되며, 분석 및 예측은 통계 분석, 머신러닝, 자연어 처리를 통해 수행된다. 지능형 앱은 WEB UI(User Interface), WEB GIS(Geographic Information System), WEB HMI((Human Machine Interface) 등을 통해 시각화된다. 즉, 포탈 관리 화면에 다양한 지능형 앱이 출력된다.
도 7은 본 발명의 일실시예에 따른 보일러 분야 감시/진단 앱 사례를 보여주는 도면이다. 도 7은 개별 단계로서 지능형 앱을 각 발전 설비에 적용하는 개념이다. 도 7을 참조하면, 보일러 조기 경보 앱의 경우, (a)에서 보일러의 과거 정상상태를 회귀분석 기법을 활용하여 예측한 결과와 현재 운전 데이터와의 결과를 차감한 잔차(deviation) 감시를 통해 잔차가 경고치 아래에 있으면, 정상으로 판단하고, 반면에 잔차가 경고치 이상을 나타내면, 보일러는 비정상 상태로 판단하여 보일러의 이상 상태임을 운전원에게 경고를 알림으로써 보일러의 이상 여부를 감시한다.
보일러 전열부 손상 평가 앱의 경우, (b)에서 보일러의 비가열부에서 측정된 온도를 바탕으로 보일러의 가열부 튜브의 온도를 분석하여 국부적으로 과열되고 있거나 장기 크리프 열화에 의해 신뢰성이 저하된 (그림에서 붉은색으로 표기된) 보일러 튜브의 위치를 파악하여 보일러의 손상 여부를 진단할 수 있다.
연소 예측진단 앱의 경우, (c)에서 보일러 연소와 관련된 조작변수(발전소 출력, 연료 발열량, 연소용 공기 댐버 개도율 등) 변동에 따른 보일러 노내의 연소상태 및 연소가스 흐름 등을 사전에 예측하고 가시화함으로써 보일러 운전자가 최적의 연소조건을 수립할 수 있도록 지원한다.
AI 보일러 상태진단 앱의 경우, (d)에서 보일러 튜브의 누설 신호를 딥러닝(Deep Learning)으로 미리 학습하여 튜브 누설 발생시 학습 이미지를 대조하여 누설 여부를 진단하고, 누설 위치는 센싱된 주파수의 크기를 바탕으로 확률론적 방법을 통해 튜브 누설 위치를 예측함으로써 보일러 튜브 정비 시에 보다 빠르고 정확하게 정비할 수 있는 장점이 있다.
도 8은 본 발명의 일실시예에 따른 보일러 분야 지능형 앱을 결합한 융/복합 감시 및 진단 사례를 보여주는 도면이다. 즉, 도 8은 융합 단계를 나타낸다. 도 8을 참조하면, 보일러 조기경보 앱, 보일러 전열부 손상 평가앱, 연소 예측진단 앱, 및 AI 보일러 상태 진단 앱을 통합하여 한 화면에 연동시켜 감시함으로써 보일러 운용에 있어 중요 신호 및 분석결과가 한 화면에 제시할 수 있다.
보일러 설비에 대한 감시/진단 결과를 개별 감시/진단 기법보다 효과적으로 상호 교차 점검을 통해 보다 정확한 감시로 발전설비 운전의 대형사고 예방 방지 및 운전 신뢰성을 제고할 수 있다.
도 8에 도시된 바와 같이, (1) 발전소 운전원은 보일러에 대한 조기경보 앱을 통해 보일러의 어느 부품에서 비정상적으로 운전되고 있는 지를 확인할 수 있다. (2) 보일러 손상감시에서는 전열부의 국부적 과열 여부를 통해 튜브의 손상 정도를 분석할 수 있다.
(3) 보일러 튜브의 위험도 분석을 통해 튜브의 손상 정도를 단계 별로 분석할 수 있다. (4) AI 기반 보일러 진단에서는 튜브의 누설 여부를 이미지 분석 및 학습을 통해 정확하게 구분할 수 있다.
최종적으로 (5) 보일러 튜브 누설위치 진단 앱에서는 보일러의 어느 지점에서 증기가 누설되고 있는 지를 분석하여 계속 운전할 것인지 정지하여 보수를 해야하는 지를 결정할 수 있다.
도 9는 본 발명의 일실시예에 따른 보일러 통합 감시 흐름도이다. 즉, 도 9는 통합 단계를 나타낸다. 도 9를 참조하면, 보일러에서 취득되는 운전 데이터와 신규한 다양한 추가 센서로부터 보일러 전열면 온도, 배기가스, 연료성상 등 물리적인 센싱값을 데이터 마이닝(Data Mining) 및 가상센싱(Soft sensor) 신호로 전처리 과정을 거쳐 열응력 기준설정, 자산성능/마모관리 앱에서 피로 및 크립 평가, 조기경보에서 성능 및 고정의 평가를 수행한다. 운전 데이터는 각전열면 I/O 유량, 온도, 압력, 튜브 메탈 온도(Tube metal temp), O2,CO2,CO,SOx,NOx , 연료성상 DB, 보일러 정비, 고장 이력, 열 사이클 이력, 기술지원 보고서 등을 들 수 있다. 추가 센서는 슬래깅(slagging) 센서, 파울링(fouling) 센서, 부식(corrosion) 센서, 열유속(heat flux) 센서, CFB-BTLD(circulating fluidized bed - boiler tube leak detector) 등이 될 수 있다.
앱(application)에서는 현실에서 발생할 수 있는 상황을 컴퓨터로 시뮬레이션함으로써 결과를 미리 예측하는 기술인 디지털 트윈, 자산성능/마모관리, 조기경보 프로그램이 실행된다.
이를 통해 보일러의 잔존수명/열응력 상태 및 튜브누설 조기경보의 값으로 발전소 정지 및 부품교체에 대한 의사결정정보를 제공한다. 즉, 고온부 설비 잔존 수명, 후육부 열응력 상태, 누설부 조기진단/경보, 고온부 튜브 온도 분포, 스마트 그으름 제거(smart soot blowing) 등이 될 수 있다.
도 10은 본 발명의 일실시예에 따른 터빈 통합 감시 및 진단 사례를 보여주는 도면이다. 도 10은 개별 단계를 나타낸다. 도 10을 참조하면, 터빈 조기 경보 앱의 경우, (a)에서 터빈의 과거 정상상태를 회귀분석 기법을 활용하여 예측한 결과와 현재 운전 데이터와의 결과를 차감한 잔차(deviation) 감시를 통해 잔차가 경고치 아래에 있으면, 정상으로 판단하고, 반면에 잔차가 경고치 이상을 나타내면, 터빈은 비정상 상태로 판단하여 터빈의 이상 상태임을 운전원에게 경고를 알림으로써 터빈의 이상 여부를 감시한다.
터빈 정비 툴 앱의 경우, (b)에서 터빈의 정렬 상태를 분석하여 터빈 회전시에 발생할 수 있는 불평형, 오정렬, 러빙 등의 비정상 상태를 예방할 수 있도록 제공한다. 터빈은 고/중압 터빈(high / intermediate pressure turbine), 저압 터빈(low pressure turbine A, B)으로로 구성되어 있으며, 커플링(coupling)에 의해 서로 연결되어 회전하게 되는데 각각의 하중에 의해 처짐 정도가 달라 회전 시에 베어링 패드와 접촉할 수 있다. 터빈 정비 툴은 이러한 접촉을 회피하기 위해 처짐 정도를 분석하여 베어링 패드와 접촉이 없이 원활하게 회전하게 도움을 주는 응용프로그램이다.
도 11은 본 발명의 일실시예에 따른 터빈 통합 감시 및 진단 사례중 인공지능 기반 터빈 감시를 보여주는 도면이다. 도 11을 참조하면, AI 기반 터빈 감시앱의 경우, (c)에서 딥러닝(Deep Learning) 기반 정상상태 학습을 통해 터빈의 비정상 여부를 분석할 수 있다. 극단치 이론(extreme value theory)에 의해 적응적 문턱값(threshold)을 벗어나면 '터빈 이상'그렇지 않으면, '정상'임을 도시한다.
도 12는 본 발명의 일실시예에 따른 터빈 분야 감시 및 진단 앱의 예시이다. 도 12를 참조하면, 터빈 손상 평가 앱의 경우, (d)에서 고압터빈 로터는 발전소 기동정지 시와 같이 터빈에 공급되는 증기의 온도가 변화될 경우, 내부 온도분포 불균형에 의한 열응력이 반복되어 저주기 피로가 발생한다. 이러한 고압터빈의 저주기 피로손상 현상을 예상 운전시나리오에 따라 평가하고 예측한다.
저압터빈에서는 발전소 운전조건에 따른 작동유체(증기)의 상태에 따라 블레이드에 발생하는 응력분포를 평가하고, 특히 저압터빈 최종단 블레이드의 경우 습증기에 의해 운전되는 특징으로 인해 블레이드 선단부에서 발생하는 습분침식량을 추가로 예측한다. 발전소 운전자는 향후 예상되는 다양한 가상 운전시나리오에 따라 저압터빈 블레이드에서 발생하는 응력변화에 따른 피로평가 결과 및 누적 습분 침식량을 사전에 확인함으로써 최적의 운전 시나리오를 수립할 수 있다.
도 13은 본 발명의 일실시예에 따른 터빈 분야 지능형 앱을 활용한 융/복합 감시 및 진단 사례를 보여주는 도면이다. 도 13은 융합 단계를 나타낸다. 도 13을 참조하면, 보일러와 마찬가지로 터빈 정비 Tool, 조기경보, 터빈 손상평가, AI 기반 터빈 감시 및 RCM(신뢰성 기반 예방정비)을 활용하여 자산의 건전성을 평가함으로써 터빈을 보다 안정적으로 운전할 수 있도록 서비스를 제공할 수 있다.
도 14는 본 발명의 일실시예에 따른 터빈 통합 감시 흐름도이다. 도 14는 통합 단계이다. 도 14를 참조하면, 운전 데이터(터빈 출력, 스팀온도, 압력, 회전속도, 베어링온도 등)와 고샘플링 진동 데이터 입력과 설계/해석/정비 DB 입력을 받아 분석용 텍스트 마이닝으로 지식 DB로 변환한다.
고샘플링 진동 데이터와 운전 데이터는 신호전처리를 통해 조기경보에서 기계학습모델을 생성한다. AI기반 터빈 진단에서는 터빈 로터와 고정체의 고장상태(Unbalance, Rubbing, Misalignment 등)를 진단하며 감시/진단이 모두 발생할 경우 터빈을 정지해야 한다.
도 15는 본 발명의 일실시예에 따른 발전기 분야 감시 및 진단 사례를 보여주는 도면이다. 도 15는 개별 단계이다. 도 15를 참조하면, 발전기 조기 경보 앱의 경우, (a)에서 발전기의 과거 정상상태를 회귀분석 기법을 활용하여 예측한 결과와 현재 운전 데이터와의 결과를 차감한 잔차(deviation) 감시를 통해 잔차가 경고치 아래에 있으면, 정상으로 판단하고, 반면에 잔차가 경고치 이상을 나타내면, 발전기는 비정상 상태로 판단하여 발전기의 이상 상태임을 운전원에게 경고를 알림으로써 보일러의 이상 여부를 감시한다.
수냉각 고정자 흡습 진단 앱의 경우, (b)에서 고정자 권선의 정전용량에 대한 정규분포 곡선에서 3 시그마 제한(sigma limit)을 넘지 않으면 '정상' 3 sigma limit을 초과하면 '흡습 의심', 그리고 5 sigma limit을 초과하면 '흡습 확정'으로 진단할 수 있다.
고정자 웨지 강도 평가 앱의 경우, (c)에서는 웨지 강도평가 결과를 도시한 선도로서, 녹색은 '정상', 노란색은 '주의', 그리고 빨간색은 '웨지 불량'으로 판단하고, 고정자 웨지의 체결 강도 결과를 바탕으로 차기 계획 정비 기간에 어느 부위를 교체할 지를 결정할 수 있다.
발전기 자산 성능 관리 앱의 경우, (d)에서 자산 건전성 지수(AHI, asset health index)를 점수(최저: 1점, 최고:5점)로 정량화하여 설비에 이상이 발생할 경우, 기준점수(3점) 이하일 경우 설비 정비여부를 결정하고, 해당설비의 정비 점검항목의 우선순위를 운전원에게 서비스할 수 있다.
도 16은 본 발명의 일실시예에 따른 발전기 분야 지능형 앱 융/복합 감시 및 진단 사례를 보여주는 도면이다. 도 16은 융합 단계를 나타낸다. 도 16을 참조하면, 발전기 분야 지능형 앱 융·복합 감시 및 진단 사례를 도시한다.
도 17은 본 발명의 일실시예에 따른 발전기 통합 감시 흐름도이다. 도 17은 통합 단계를 나타낸다. 도 17을 참조하면, 운전데이터(권선 온도, 전류, 냉각수 유량, 용존산소 등)와 오프라인(Offline) 측정 데이터(발전기 고정자 웨지진단 진동, 고정자 흡습측정용 정전용량) 입력을 받아 조기경보에서 발전기 성능/냉각수 유량/권선 온도 등을 감시하고, 자산성능에서 설비의 건전도 평가를 통해 권선 막힘, 운전 위험도 평가 등 발전기의 최적 운전방안을 제시한다.
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: Read Only Memory), 램(RAM: Random Access Memory), 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: 지능형 디지털 발전소 정보 제공 시스템
110-1 내지 110-n: 제 1 내지 제 n 디지털 발전소
120: 통신망
130: 표준 저장소
140: 앱 관리 서버
150: 외부 플랫폼
200: 디지털 발전소 플랫폼
210: 발전 관련 데이터
220: 표준 개발 환경
110-1 내지 110-n: 제 1 내지 제 n 디지털 발전소
120: 통신망
130: 표준 저장소
140: 앱 관리 서버
150: 외부 플랫폼
200: 디지털 발전소 플랫폼
210: 발전 관련 데이터
220: 표준 개발 환경
Claims (14)
- 발전 관련 데이터를 생성하는 다수의 디지털 발전소(110-1 내지 110-n);
상기 발전 관련 데이터를 저장하는 표준 저장소(130); 및
상기 발전 관련 데이터를 기반으로 지능형 앱을 생성하여 지능형 발전소 정보를 제공하는 앱 관리 서버(140);
를 포함하는 것을 특징으로 하는 앱을 활용한 지능형 디지털 발전소 정보 제공 시스템.
- 제 1 항에 있어서,
상기 지능형 앱은 다수의 상기 디지털 발전소(110-1 내지 110-n)의 발전 설비별 1개씩 설치하여 운영하는 개별 단계, 발전 설비별 2개 이상 설치하여 운영하는 융합 단계, 다수의 상기 디지털 발전소(110-1 내지 110-n)의 전체 발전 설비에 설치하여 운영하는 통합 단계를 통해 운영되는 것을 특징으로 하는 앱을 활용한 지능형 디지털 발전소 정보 제공 시스템.
- 제 2 항에 있어서,
상기 발전 관련 데이터는 발전 설비로부터 취득되는 운전 데이터에 대해 태그 식별 및 전처리를 통해 상이한 데이터명이 표준화된 데이터인 것을 특징으로 하는 앱을 활용한 지능형 디지털 발전소 정보 제공 시스템.
- 제 3 항에 있어서,
상기 전처리는 상기 운전 데이터 및 다수의 추가 센서를 통하여 획득되는 물리적인 센싱값을 데이터 마이닝 및 가상 센싱 신호로 처리되는 것을 특징으로 하는 앱을 활용한 지능형 디지털 발전소 정보 제공 시스템.
- 제 2 항에 있어서,
상기 발전 설비는 보일러이고, 상기 지능형 앱은 보일러의 과거 정상상태를 회귀분석 기법을 활용하여 현재 운전 데이터와 회귀분석 예측 데이터의 잔차 감시를 통해 보일러의 이상 여부를 분석하는 보일러 조기 경보 앱, 보일러 튜브의 누설 신호를 딥러닝(Deep Learning)으로 학습하여 튜브 누설 발생시 학습 이미지를 대조하여 누설 여부를 진단하고 확률론적 기법을 통해 튜브 누설 위치를 확인하는 보일러 전열부 손상 평가 앱, 전열부의 온도를 분석하여 국부적으로 과열되고 있는 보일러 튜브의 위치를 파악하여 튜브의 열화도를 진단하는 연소 예측진단 앱, 보일러의 노 내의 유동 해석 결과를 출력에 따라 모사함으로써 발전 출력 유연 운전 시에 보일러에서 발생할 수 있는 손상도를 예측할 수 있도록 운전원에게 서비스하는 AI(Artificial intelligence) 보일러 상태 진단 앱을 포함하는 것을 특징으로 하는 앱을 활용한 지능형 디지털 발전소 정보 제공 시스템.
- 제 2 항에 있어서,
상기 발전 설비는 터빈이고, 상기 지능형 앱은 터빈의 과거 정상상태를 회귀분석 기법을 활용하여 현재 운전데이터와 회귀분석 예측 데이터의 잔차 감시를 통해 터빈의 이상 여부를 분석하는 터빈 조기 경보 앱, 터빈의 정렬 상태를 분석하여 터빈 회전시에 발생하는 불평형, 오정렬, 및 러빙을 포함하는 비정상 상태를 제공하는 터빈 정비 툴앱, 딥러닝(Deep Learning) 기반 정상상태 학습을 통해 터빈의 비정상 여부를 분석하는 AI 기반 터빈 감시앱, 딥러닝(Deep Learning) 기반 정상상태 학습을 통해 터빈의 비정상 여부를 분석하는 AI 기반 터빈 감시앱, 고압터빈 손상평가에서는 열응력 분포, 피로 손상 분석을 통해 피로수명을 예측하고, 저압터빈 손상평가에서는 증기조건에 의한 열유동 해석, 증기와 블레이드와의 연성해석을 통한 응력분포, 피로손상 분석 및 침부식평가를 통해 터빈의 신뢰성을 평가하는 터빈 손상 평가 앱을 포함하는 것을 특징으로 하는 앱을 활용한 지능형 디지털 발전소 정보 제공 시스템.
- 제 2 항에 있어서,
상기 발전 설비는 발전기이고, 상기 지능형 앱은, 발전기의 과거 운전의 정상상태를 회귀분석 기법을 활용하여 현재 운전 데이터와 예측 데이터의 잔차 감시를 통해 발전기의 이상 여부를 분석하는 발전기 조기 경보 앱, 발전기의 고정자 권선의 냉각수 누설에 의한 흡습 여부를 진단하는 수냉각 고정자 흡습 진단 앱, 고정자 웨지의 체결 강도 분포를 통해 차기 계획 정비 기간에 어느 부위를 교체할 지를 분석하는 고정자 웨지 강도 평가 앱을 포함하는 것을 특징으로 하는 앱을 활용한 지능형 디지털 발전소 정보 제공 시스템.
- (a) 다수의 디지털 발전소(110-1 내지 110-n)가 발전 관련 데이터를 생성하는 과정;
(b) 상기 발전 관련 데이터를 표준 저장소(130)에 저장하는 과정; 및
(c) 앱 관리 서버(140)가 상기 발전 관련 데이터를 기반으로 지능형 앱을 생성하여 지능형 발전소 정보를 제공하는 과정;
을 포함하는 것을 특징으로 하는 앱을 활용한 지능형 디지털 발전소 정보 제공 방법.
- 제 8 항에 있어서,
상기 지능형 앱은 다수의 상기 디지털 발전소(110-1 내지 110-n)의 발전 설비별 1개씩 설치하여 운영하는 개별 단계, 발전 설비별 2개 이상 설치하여 운영하는 융합 단계, 다수의 상기 디지털 발전소(110-1 내지 110-n)의 전체 발전 설비에 설치하여 운영하는 통합 단계를 통해 운영되는 것을 특징으로 하는 앱을 활용한 지능형 디지털 발전소 정보 제공 방법.
- 제 9 항에 있어서,
상기 발전 관련 데이터는 발전 설비로부터 취득되는 운전 데이터에 대해 태그 식별 및 전처리를 통해 상이한 데이터명이 표준화된 데이터인 것을 특징으로 하는 앱을 활용한 지능형 디지털 발전소 정보 제공 방법.
- 제 10 항에 있어서,
상기 전처리는 상기 운전 데이터 및 다수의 추가 센서를 통하여 획득되는 물리적인 센싱값을 데이터 마이닝 및 가상 센싱 신호로 처리되는 것을 특징으로 하는 앱을 활용한 지능형 디지털 발전소 정보 제공 방법.
- 제 10 항에 있어서,
상기 발전 설비는 보일러이고, 상기 지능형 앱은 보일러의 과거 정상상태를 회귀분석 기법을 활용하여 현재 운전 데이터와 회귀분석 예측 데이터의 잔차 감시를 통해 보일러의 이상 여부를 분석하는 보일러 조기 경보 앱, 보일러 튜브의 누설 신호를 딥러닝(Deep Learning)으로 학습하여 튜브 누설 발생시 학습 이미지를 대조하여 누설 여부를 진단하고 확률론적 기법을 통해 튜브 누설 위치를 확인하는 보일러 전열부 손상 평가 앱, 전열부의 온도를 분석하여 국부적으로 과열되고 있는 보일러 튜브의 위치를 파악하여 튜브의 열화도를 진단하는 연소 예측진단 앱, 보일러의 노 내의 유동 해석 결과를 출력에 따라 모사함으로써 발전 출력 유연 운전 시에 보일러에서 발생할 수 있는 손상도를 예측할 수 있도록 운전원에게 서비스하는 AI(Artificial intelligence) 보일러 상태 진단 앱을 포함하는 것을 특징으로 하는 앱을 활용한 지능형 디지털 발전소 정보 제공 방법.
- 제 9 항에 있어서,
상기 발전 설비는 터빈이고, 상기 지능형 앱은 터빈의 과거 정상상태를 회귀분석 기법을 활용하여 현재 운전데이터와 회귀분석 예측 데이터의 잔차 감시를 통해 터빈의 이상 여부를 분석하는 터빈 조기 경보 앱, 터빈의 정렬 상태를 분석하여 터빈 회전시에 발생하는 불평형, 오정렬, 및 러빙을 포함하는 비정상 상태를 제공하는 터빈 정비 툴앱, 딥러닝(Deep Learning) 기반 정상상태 학습을 통해 터빈의 비정상 여부를 분석하는 AI 기반 터빈 감시앱, 딥러닝(Deep Learning) 기반 정상상태 학습을 통해 터빈의 비정상 여부를 분석하는 AI 기반 터빈 감시앱, 고압터빈 손상평가에서는 열응력 분포, 피로 손상 분석을 통해 피로수명을 예측하고, 저압터빈 손상평가에서는 증기조건에 의한 열유동 해석, 증기와 블레이드와의 연성해석을 통한 응력분포, 피로손상 분석 및 침부식평가를 통해 터빈의 신뢰성을 평가하는 터빈 손상 평가 앱을 포함하는 것을 특징으로 하는 앱을 활용한 지능형 디지털 발전소 정보 제공 방법.
- 제 9 항에 있어서,
상기 발전 설비는 발전기이고, 상기 지능형 앱은, 발전기의 과거 운전의 정상상태를 회귀분석 기법을 활용하여 현재 운전 데이터와 예측 데이터의 잔차 감시를 통해 발전기의 이상 여부를 분석하는 발전기 조기 경보 앱, 발전기의 고정자 권선의 냉각수 누설에 의한 흡습 여부를 진단하는 수냉각 고정자 흡습 진단 앱, 고정자 웨지의 체결 강도 분포를 통해 차기 계획 정비 기간에 어느 부위를 교체할 지를 분석하는 고정자 웨지 강도 평가 앱을 포함하는 것을 특징으로 하는 앱을 활용한 지능형 디지털 발전소 정보 제공 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220018983A KR20230123048A (ko) | 2022-02-14 | 2022-02-14 | 앱을 활용한 지능형 디지털 발전소 정보 제공 시스템 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220018983A KR20230123048A (ko) | 2022-02-14 | 2022-02-14 | 앱을 활용한 지능형 디지털 발전소 정보 제공 시스템 및 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230123048A true KR20230123048A (ko) | 2023-08-23 |
Family
ID=87849123
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220018983A KR20230123048A (ko) | 2022-02-14 | 2022-02-14 | 앱을 활용한 지능형 디지털 발전소 정보 제공 시스템 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20230123048A (ko) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101344411B1 (ko) | 2010-12-22 | 2013-12-26 | 유호전기공업주식회사 | 스마트단말기를 이용한 현장전력설비의 이상진단 장치 및 방법 |
-
2022
- 2022-02-14 KR KR1020220018983A patent/KR20230123048A/ko unknown
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101344411B1 (ko) | 2010-12-22 | 2013-12-26 | 유호전기공업주식회사 | 스마트단말기를 이용한 현장전력설비의 이상진단 장치 및 방법 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6250942B2 (ja) | 信頼性が改善されたオペレーションのためのシステム及び方法 | |
| US7016742B2 (en) | Decision support for operations and maintenance (DSOM) system | |
| Márquez et al. | Identification of critical components of wind turbines using FTA over the time | |
| US9122253B2 (en) | Systems and methods for dynamic risk derivation | |
| Carazas et al. | Availability analysis of heat recovery steam generators used in thermal power plants | |
| JPS61240005A (ja) | 未来挙動設備予測システム | |
| Özgür-Ünlüakın et al. | A DBN based reactive maintenance model for a complex system in thermal power plants | |
| CN105741005A (zh) | 零件维护计划的优化方法及其系统 | |
| Liniger et al. | Reliability based design of fluid power pitch systems for wind turbines | |
| Miguelánez et al. | Predictive diagnosis for offshore wind turbines using holistic condition monitoring | |
| EP3171479A1 (en) | Systems and methods for controlling and monitoring power assets | |
| US20090125206A1 (en) | Automatic detection and notification of turbine internal component degradation | |
| Zhang et al. | Condition based maintenance and operation of wind turbines | |
| US11101050B2 (en) | Systems and methods to evaluate and reduce outages in power plants | |
| KR20230123048A (ko) | 앱을 활용한 지능형 디지털 발전소 정보 제공 시스템 및 방법 | |
| Therkorn | Remote monitoring and diagnostic for combined-cycle power plants | |
| Kacprzynski et al. | Extending FMECA-health management design optimization for aerospace applications | |
| de Souza et al. | Combined-cycle gas and steam turbine power plant reliability analysis | |
| Walker et al. | Nuclear Power Fault Diagnostics and Preventative Maintenance Optimization | |
| Bore | Analysis of management methods and application to maintenance of geothermal power plants | |
| Bezzaoucha et al. | Multi-component modeling and classification for failure propagation of an offshore wind turbine | |
| Mehdi et al. | Model-based Reasoning Approach for Automated Failure Analysis: An Industrial Gas Turbine Application | |
| CN117458399B (zh) | 基于多源数据监测的矿用防爆电机保护方法和系统 | |
| KR102626130B1 (ko) | 튜브 고온 손상 예방을 위한 검사 시스템 및 방법 | |
| KR101990310B1 (ko) | 가스터빈 발전설비용 정비 시스템 |