전세계적 목표인 탄소중립 달성을 앞당기기 위해서, 그리고 대기오염물질 배출 최소화를 위해서 일산화탄소의 배출을 저감하여야 한다. 저감하기 위해서는 배출량을 제어할 수 있어야 되며, 제어하 기 위해서는 설계 시 배출량 예측을 하여야 한다. 따라서, 연료 중 탄소가 많이 포함되어 많이 배출 할 수 밖에 없는 석탄화력발전소의 1000MW급 대향류보일러에 대해 일산화탄소 농도를 예측하기 위하여 ...
전세계적 목표인 탄소중립 달성을 앞당기기 위해서, 그리고 대기오염물질 배출 최소화를 위해서 일산화탄소의 배출을 저감하여야 한다. 저감하기 위해서는 배출량을 제어할 수 있어야 되며, 제어하 기 위해서는 설계 시 배출량 예측을 하여야 한다. 따라서, 연료 중 탄소가 많이 포함되어 많이 배출 할 수 밖에 없는 석탄화력발전소의 1000MW급 대향류보일러에 대해 일산화탄소 농도를 예측하기 위하여 딥러닝 모델을 활용하고자 한다.
대향류보일러와 관련된 26개 입력변수를 선정하였고, 43,000초의 데이터로 목적값인 일산화탄소 농도와의 연소흐름 상 시간 차이를 DNN 모델의 오차율을 통해 산정한 결과, 보일러에 위치한 입력 변수와 연돌에 위치한 일산화탄소 농도값은 75초 차이, 산소농도 계측기 등 탈질설비 입구에 위치 한 입력변수와 일산화탄소 농도값은 45초 차이라는 것을 확인하였다.
위치별 입력변수의 시간 차이를 반영하여 430,000초의 데이터를 정렬하였고, 해당 데이터로 DNN모델을 통해 산소계측기 위치별 오차율을 비교한 결과, B Side가 A Side보다 일산화탄소 농도 와 더 높은 상관관계를 나타내었으며, 계측기별로는 B-1이 가장 낮은 오차율을 나타내었다.
그러나, 30,000초의 테스트데이터 중 초기 1,000초의 데이터는 학습했던 환경인 상부 Rear 버너 를 담당하는 미분기 F 운전상태로, 5000초 이후는 상부 Front 버너를 담당하는 미분기 B 운전상태 로 연소환경이 매우 달랐고, 이에 따라 초기 500초와 미분기 B 운전상태 500초를 분리하여 오차율 을 따로 비교하였다. 미분기 F 운전상태에서 오차율은 B Side가 A Side보다 낮았으며, 계측기별로 는 B-2와 A-2가 가장 낮은 오차율을 나타내었다.
선행예측을 위해 26개 입력변수가 아닌, 보일러와 탈질설비 입구에 위치한 입력변수 15개로 DNN모델을 통해 일산화탄소 농도 예측을 하였고, 미분기 F 운전상태에서 오차율은 1.93%로 좋은 결과를 확인하였으며, 이는 연돌에서 일산화탄소 농도값이 감지되기 45초 전에 미리 운전원이 알 수 있음을 의미한다.
DNN 모델은 시간적 가중치가 없으므로, 예측오차율을 줄이기 위해 딥러닝 LSTM을 사용하고 비교하였으며, 미분기 F 운전 상태에서 DNN 모델보다 적은 오차율을 나타내는 것을 확인하였다. 그러나 미분기 B 운전상태에서 오차율을 비교하였을 경우 DNN 모델이 오차율이 더 적어, DNN 모델이 범용성이 더 있는 것을 확인하였다.
딥러닝 LSTM에서 더 나아가 정확도를 올리기 위해 43,000초의 데이터로 Sliding Window 병렬 합산 LSTM 모델을 사용하여 오차율을 도출하여 보았다. 일산화탄소 농도 예측값을 실제값으로 지속 대체하면서 예측을 진행할 경우에는 1% 미만의 오차율을 기록하지만, DNN과 딥러닝 LSTM처럼 일산화탄소를 입력변수로 사용하지 않을 경우에는 10% 이상의 오차율로 매우 저조한 정확도를 나타내었다. 이는 Sliding Window Type의 특성상 일산화탄소를 입력변수로 사용함으로 인해 일산화탄소값 시간에 대한 가중치가 다른 입력변수가 일산화탄소 예측값에 미치는 가중치에 비해 매우 크기 때문이다.
따라서 일산화탄소값 계측기가 고장나지 않은 평상시에는 Sliding Window 병렬 합산 LSTM 모델로 연소설비 이상 여부를 파악하고, 계측기가 고장난 경우는 딥러닝 LSTM으로 일산화탄소값을 예측하고, 석탄 종류가 변경되는 등 안정화 전의 구간에는 DNN 모델을 통해 일산화탄소값을 예측하면 상황별로 적합한 예측방법이 될 것이라 보여진다.
전세계적 목표인 탄소중립 달성을 앞당기기 위해서, 그리고 대기오염물질 배출 최소화를 위해서 일산화탄소의 배출을 저감하여야 한다. 저감하기 위해서는 배출량을 제어할 수 있어야 되며, 제어하 기 위해서는 설계 시 배출량 예측을 하여야 한다. 따라서, 연료 중 탄소가 많이 포함되어 많이 배출 할 수 밖에 없는 석탄화력발전소의 1000MW급 대향류보일러에 대해 일산화탄소 농도를 예측하기 위하여 딥러닝 모델을 활용하고자 한다.
대향류보일러와 관련된 26개 입력변수를 선정하였고, 43,000초의 데이터로 목적값인 일산화탄소 농도와의 연소흐름 상 시간 차이를 DNN 모델의 오차율을 통해 산정한 결과, 보일러에 위치한 입력 변수와 연돌에 위치한 일산화탄소 농도값은 75초 차이, 산소농도 계측기 등 탈질설비 입구에 위치 한 입력변수와 일산화탄소 농도값은 45초 차이라는 것을 확인하였다.
위치별 입력변수의 시간 차이를 반영하여 430,000초의 데이터를 정렬하였고, 해당 데이터로 DNN모델을 통해 산소계측기 위치별 오차율을 비교한 결과, B Side가 A Side보다 일산화탄소 농도 와 더 높은 상관관계를 나타내었으며, 계측기별로는 B-1이 가장 낮은 오차율을 나타내었다.
그러나, 30,000초의 테스트데이터 중 초기 1,000초의 데이터는 학습했던 환경인 상부 Rear 버너 를 담당하는 미분기 F 운전상태로, 5000초 이후는 상부 Front 버너를 담당하는 미분기 B 운전상태 로 연소환경이 매우 달랐고, 이에 따라 초기 500초와 미분기 B 운전상태 500초를 분리하여 오차율 을 따로 비교하였다. 미분기 F 운전상태에서 오차율은 B Side가 A Side보다 낮았으며, 계측기별로 는 B-2와 A-2가 가장 낮은 오차율을 나타내었다.
선행예측을 위해 26개 입력변수가 아닌, 보일러와 탈질설비 입구에 위치한 입력변수 15개로 DNN모델을 통해 일산화탄소 농도 예측을 하였고, 미분기 F 운전상태에서 오차율은 1.93%로 좋은 결과를 확인하였으며, 이는 연돌에서 일산화탄소 농도값이 감지되기 45초 전에 미리 운전원이 알 수 있음을 의미한다.
DNN 모델은 시간적 가중치가 없으므로, 예측오차율을 줄이기 위해 딥러닝 LSTM을 사용하고 비교하였으며, 미분기 F 운전 상태에서 DNN 모델보다 적은 오차율을 나타내는 것을 확인하였다. 그러나 미분기 B 운전상태에서 오차율을 비교하였을 경우 DNN 모델이 오차율이 더 적어, DNN 모델이 범용성이 더 있는 것을 확인하였다.
딥러닝 LSTM에서 더 나아가 정확도를 올리기 위해 43,000초의 데이터로 Sliding Window 병렬 합산 LSTM 모델을 사용하여 오차율을 도출하여 보았다. 일산화탄소 농도 예측값을 실제값으로 지속 대체하면서 예측을 진행할 경우에는 1% 미만의 오차율을 기록하지만, DNN과 딥러닝 LSTM처럼 일산화탄소를 입력변수로 사용하지 않을 경우에는 10% 이상의 오차율로 매우 저조한 정확도를 나타내었다. 이는 Sliding Window Type의 특성상 일산화탄소를 입력변수로 사용함으로 인해 일산화탄소값 시간에 대한 가중치가 다른 입력변수가 일산화탄소 예측값에 미치는 가중치에 비해 매우 크기 때문이다.
따라서 일산화탄소값 계측기가 고장나지 않은 평상시에는 Sliding Window 병렬 합산 LSTM 모델로 연소설비 이상 여부를 파악하고, 계측기가 고장난 경우는 딥러닝 LSTM으로 일산화탄소값을 예측하고, 석탄 종류가 변경되는 등 안정화 전의 구간에는 DNN 모델을 통해 일산화탄소값을 예측하면 상황별로 적합한 예측방법이 될 것이라 보여진다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.