연료 전지 시스템은 청결하고 효율적인 에너지 생산을 제공하며 현재 여러 제조업체에 의해 집중적으로 상업화 되고 있습니다. 용융 탄산염 연료 전지 (MCFC)는 다른 연료 전지에 비해 상대적으로 높은 출력과 효율을 달성한다. 연료 전지의 세계적 수요는 많은 산업 분야에서 활발히 성장해 왔다. 수요가 증가함에 따라 고객의 요구 사항도 많아지고 있다. MCFC 제품에 대한 고객의 요구를 충족시키기 위해 대부분의 MCFC 발전소 운영자는 발전소 운영의 유연성을 향상 시키려고 노력하고 있다. 이는 MCFC 발전소 정지를 야기 할 수 있는 제어 변경을 빈번하게 요구 받았다는 것을 의미한다. 제어 변경을 효과적으로 수행하려면 전력 및 제어 요소의 ...
연료 전지 시스템은 청결하고 효율적인 에너지 생산을 제공하며 현재 여러 제조업체에 의해 집중적으로 상업화 되고 있습니다. 용융 탄산염 연료 전지 (MCFC)는 다른 연료 전지에 비해 상대적으로 높은 출력과 효율을 달성한다. 연료 전지의 세계적 수요는 많은 산업 분야에서 활발히 성장해 왔다. 수요가 증가함에 따라 고객의 요구 사항도 많아지고 있다. MCFC 제품에 대한 고객의 요구를 충족시키기 위해 대부분의 MCFC 발전소 운영자는 발전소 운영의 유연성을 향상 시키려고 노력하고 있다. 이는 MCFC 발전소 정지를 야기 할 수 있는 제어 변경을 빈번하게 요구 받았다는 것을 의미한다. 제어 변경을 효과적으로 수행하려면 전력 및 제어 요소의 예측 모델을 개발하는 것이 필수적이다. MCFC의 가용성 및 성능을 개선하기 위해, MCFC 스택의 작동 온도는 특정 작동 범위 내에서만 유지되어야 하며, 이 제어 범위를 맞추기 위해서는 효율적인 제어 기술이 사용되어야 한다. 현대의 제어 전략의 대부분은 프로세스 모델을 기반으로 하지만 MCFC 프로세스의 기존 모델은 제어 시스템에 적용될 준비가 되어 있지 않다. 본 연구에서는 MCFC 시스템에 대한 자기 회귀 이동 평균 (ARMA) 모델, 최소 자승 벡터 머신 (LS-SVM) 모델 및 인공 신경망 (ANN) 모델을 입출력 운영 데이터를 기반으로 개발 하였다. 이 모델들 중에서 ARMA 모델은 최고의 성능을 보였다. 제안된 ARMA 모델을 기반으로 MCFC 프로세스의 동작을 위한 모델 예측 제어 (MPC) 방법을 개발하였다. 비교를 위해 선형화 된 Rigorous 모델을 기반으로 한 MPC모델을 기준 하였다. 시뮬레이션의 결과는 ARMA 모델을 기반으로 한 모델 예측 제어가 기준인 선형화 된 Rigorous 모델보다 우수한 제어 성능을 나타냄을 보여준다. 앞서 언급 한 바와 같이 제안 된 모델을 통한 용융 탄산염 연료 전지 (MCFC) 제어 외에도 고객의 요구를 충족시키기 위해 오류를 최소화 할 필요가 있다. 사전에 결함의 유형을 식별하고 예측할 수 있다면 보다 나은 성능을 이끌어 낼 수 있다. 용융 탄산염 연료 전지 (MCFC) 발전소에는 상한과 하한만 있는 단변량 알람 시스템이 일반적으로 시스템의 비정상 조건을 식별하는 데 사용된다. 단 변량 경보가 시스템 모니터링에 채택되고 분석가가 경보 분석을 통해 결함을 진단하는 방식으로 작동하는 동안이 간단한 모니터링 및 진단 시스템은 확장 시스템에 사용하기에 무리가 있다. 주성분 분석 (Principal Component Analysis, PCA)은 발전소 공정의 결함을 감지하고 진단하기 위해 가장 일반적으로 사용되는 차원 감소 기술이다. kW급 MCFC 발전소의 다변량 모니터링 방법은 이미 PCA를 기반으로 제안되었다. PCA는 통계 프로세스 모니터링에 사용되며 데이터가 시간과 무관하다고 가정한다. 그러나 MCFC 운전 데이터는 시간과의 일련의 상관 관계를 나타낸다. DPCA (Dynamic Principal Component Analysis)는 시계열 데이터에 대한 해결책으로 제안되었다. DPCA를 통해 MCFC의 정상 작동과 고장 발생시의 동작을 확인하기 위해 PCA에 시계열을 적용 하였다. 본 논문에서는 기존의 PCA와 제안 된 DPCA 방법을 비교 하였다. 실제 운영 데이터는 성능 검증을 위해 사용되었다. 시뮬레이션 결과는 DPCA가 더 나은 성능을 보여준다.
연료 전지 시스템은 청결하고 효율적인 에너지 생산을 제공하며 현재 여러 제조업체에 의해 집중적으로 상업화 되고 있습니다. 용융 탄산염 연료 전지 (MCFC)는 다른 연료 전지에 비해 상대적으로 높은 출력과 효율을 달성한다. 연료 전지의 세계적 수요는 많은 산업 분야에서 활발히 성장해 왔다. 수요가 증가함에 따라 고객의 요구 사항도 많아지고 있다. MCFC 제품에 대한 고객의 요구를 충족시키기 위해 대부분의 MCFC 발전소 운영자는 발전소 운영의 유연성을 향상 시키려고 노력하고 있다. 이는 MCFC 발전소 정지를 야기 할 수 있는 제어 변경을 빈번하게 요구 받았다는 것을 의미한다. 제어 변경을 효과적으로 수행하려면 전력 및 제어 요소의 예측 모델을 개발하는 것이 필수적이다. MCFC의 가용성 및 성능을 개선하기 위해, MCFC 스택의 작동 온도는 특정 작동 범위 내에서만 유지되어야 하며, 이 제어 범위를 맞추기 위해서는 효율적인 제어 기술이 사용되어야 한다. 현대의 제어 전략의 대부분은 프로세스 모델을 기반으로 하지만 MCFC 프로세스의 기존 모델은 제어 시스템에 적용될 준비가 되어 있지 않다. 본 연구에서는 MCFC 시스템에 대한 자기 회귀 이동 평균 (ARMA) 모델, 최소 자승 벡터 머신 (LS-SVM) 모델 및 인공 신경망 (ANN) 모델을 입출력 운영 데이터를 기반으로 개발 하였다. 이 모델들 중에서 ARMA 모델은 최고의 성능을 보였다. 제안된 ARMA 모델을 기반으로 MCFC 프로세스의 동작을 위한 모델 예측 제어 (MPC) 방법을 개발하였다. 비교를 위해 선형화 된 Rigorous 모델을 기반으로 한 MPC모델을 기준 하였다. 시뮬레이션의 결과는 ARMA 모델을 기반으로 한 모델 예측 제어가 기준인 선형화 된 Rigorous 모델보다 우수한 제어 성능을 나타냄을 보여준다. 앞서 언급 한 바와 같이 제안 된 모델을 통한 용융 탄산염 연료 전지 (MCFC) 제어 외에도 고객의 요구를 충족시키기 위해 오류를 최소화 할 필요가 있다. 사전에 결함의 유형을 식별하고 예측할 수 있다면 보다 나은 성능을 이끌어 낼 수 있다. 용융 탄산염 연료 전지 (MCFC) 발전소에는 상한과 하한만 있는 단변량 알람 시스템이 일반적으로 시스템의 비정상 조건을 식별하는 데 사용된다. 단 변량 경보가 시스템 모니터링에 채택되고 분석가가 경보 분석을 통해 결함을 진단하는 방식으로 작동하는 동안이 간단한 모니터링 및 진단 시스템은 확장 시스템에 사용하기에 무리가 있다. 주성분 분석 (Principal Component Analysis, PCA)은 발전소 공정의 결함을 감지하고 진단하기 위해 가장 일반적으로 사용되는 차원 감소 기술이다. kW급 MCFC 발전소의 다변량 모니터링 방법은 이미 PCA를 기반으로 제안되었다. PCA는 통계 프로세스 모니터링에 사용되며 데이터가 시간과 무관하다고 가정한다. 그러나 MCFC 운전 데이터는 시간과의 일련의 상관 관계를 나타낸다. DPCA (Dynamic Principal Component Analysis)는 시계열 데이터에 대한 해결책으로 제안되었다. DPCA를 통해 MCFC의 정상 작동과 고장 발생시의 동작을 확인하기 위해 PCA에 시계열을 적용 하였다. 본 논문에서는 기존의 PCA와 제안 된 DPCA 방법을 비교 하였다. 실제 운영 데이터는 성능 검증을 위해 사용되었다. 시뮬레이션 결과는 DPCA가 더 나은 성능을 보여준다.
Fuel cell systems offer clean and efficient energy production and are currently under intensive commercialization by several manufacturers. Molten carbonate fuel cell (MCFC) is achieving relatively high output and efficiency compared to other fuel cells. The global demand of fuel cell has been growi...
Fuel cell systems offer clean and efficient energy production and are currently under intensive commercialization by several manufacturers. Molten carbonate fuel cell (MCFC) is achieving relatively high output and efficiency compared to other fuel cells. The global demand of fuel cell has been growing vigorously in many industrial fields. With the increase of demand, the requirements of the customers have also been getting sophisticated and strict. In order to meet customer demands for molten carbonate fuel cell products, most of molten carbonate fuel cell power plant operators are trying to enhance the flexibility of plant operation. That means they are forced to have frequent control changes that cause to produce fault of molten carbonate fuel cell power plant trip. To carry out control changes effectively, it is essential to develop a prediction model for prediction of power and control factor. To improve availability and performance of molten carbonate fuel cells, the operating temperature of a molten carbonate fuel cells (MCFC) stack should be strictly maintained within a specified operation range and an efficient control technique should be employed to meet this objective. While most of modern control strategies are based on process models, many existing models for a MCFC process are not ready to be applied in synthesis and operation of control systems. In this study, auto-regressive moving average (ARMA) model, least square support vector machine (LS-SVM) model and artificial neural network (ANN) model for the MCFC system are developed based on input–output operating data. Among these models, the ARMA model showed the best tracking performance. A model predictive control (MPC) method for the operation of a MCFC process is developed based on the proposed ARMA model. For the purpose of comparison, a MPC scheme based on the linearized rigorous model for a MCFC process is developed. Results of numerical simulations show that model predictive control (MPC) based on the auto-regressive moving average (ARMA) model exhibits better control performance than that based on the linearized rigorous model. As mentioned, besides Molten Carbonate Fuel Cell (MCFC) control through the proposed model, it is necessary to minimize the fault to satisfy the customer's demand. If the types of faults can be identified and predicted in advance, control can be provided. In a Molten Carbonate Fuel Cell (MCFC) power plant, a univariate alarm system that has only upper and lower limits is usually employed to identify abnormal conditions in the system. While univariate alarms are adopted for system monitoring and analysts are operating in a way to diagnose faults through alarm analysis, this simple monitoring and diagnostic system is limited for use in extended systems. Principal Component Analysis (PCA) is the most commonly used dimensionality reduction technique for detecting and diagnosing faults in power plant processes. A multivariate monitoring method for kW MCFC power plant has already been proposed based on PCA. PCA is used for statistical process monitoring it relies on the assumption that data are time independent. However, MCFC operating data represents a series of correlations with time. Dynamic Principal Component Analysis (DPCA) has been suggested as a remedy for high-dimensional and time-dependent data. The time series of PCA has been applied to confirm the normal operation of MCFC and operation at fault occurrence through DPCA. In this paper, we compared the existing PCA and the suggested DPCA method. Actual operating data was used for performance verification. Simulation results show that DPCA shows better performance.
Fuel cell systems offer clean and efficient energy production and are currently under intensive commercialization by several manufacturers. Molten carbonate fuel cell (MCFC) is achieving relatively high output and efficiency compared to other fuel cells. The global demand of fuel cell has been growing vigorously in many industrial fields. With the increase of demand, the requirements of the customers have also been getting sophisticated and strict. In order to meet customer demands for molten carbonate fuel cell products, most of molten carbonate fuel cell power plant operators are trying to enhance the flexibility of plant operation. That means they are forced to have frequent control changes that cause to produce fault of molten carbonate fuel cell power plant trip. To carry out control changes effectively, it is essential to develop a prediction model for prediction of power and control factor. To improve availability and performance of molten carbonate fuel cells, the operating temperature of a molten carbonate fuel cells (MCFC) stack should be strictly maintained within a specified operation range and an efficient control technique should be employed to meet this objective. While most of modern control strategies are based on process models, many existing models for a MCFC process are not ready to be applied in synthesis and operation of control systems. In this study, auto-regressive moving average (ARMA) model, least square support vector machine (LS-SVM) model and artificial neural network (ANN) model for the MCFC system are developed based on input–output operating data. Among these models, the ARMA model showed the best tracking performance. A model predictive control (MPC) method for the operation of a MCFC process is developed based on the proposed ARMA model. For the purpose of comparison, a MPC scheme based on the linearized rigorous model for a MCFC process is developed. Results of numerical simulations show that model predictive control (MPC) based on the auto-regressive moving average (ARMA) model exhibits better control performance than that based on the linearized rigorous model. As mentioned, besides Molten Carbonate Fuel Cell (MCFC) control through the proposed model, it is necessary to minimize the fault to satisfy the customer's demand. If the types of faults can be identified and predicted in advance, control can be provided. In a Molten Carbonate Fuel Cell (MCFC) power plant, a univariate alarm system that has only upper and lower limits is usually employed to identify abnormal conditions in the system. While univariate alarms are adopted for system monitoring and analysts are operating in a way to diagnose faults through alarm analysis, this simple monitoring and diagnostic system is limited for use in extended systems. Principal Component Analysis (PCA) is the most commonly used dimensionality reduction technique for detecting and diagnosing faults in power plant processes. A multivariate monitoring method for kW MCFC power plant has already been proposed based on PCA. PCA is used for statistical process monitoring it relies on the assumption that data are time independent. However, MCFC operating data represents a series of correlations with time. Dynamic Principal Component Analysis (DPCA) has been suggested as a remedy for high-dimensional and time-dependent data. The time series of PCA has been applied to confirm the normal operation of MCFC and operation at fault occurrence through DPCA. In this paper, we compared the existing PCA and the suggested DPCA method. Actual operating data was used for performance verification. Simulation results show that DPCA shows better performance.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.