[논문]신경망 알고리즘을 이용한 화력발전 보일러 시스템 시뮬레이터 개발

이정훈

doi:10.9709/jkss.2020.29.3.009

신경망 알고리즘을 이용한 화력발전 보일러 시스템 시뮬레이터 개발
Development of Thermal Power Boiler System Simulator Using Neural Network Algorithm 원문보기

한국시뮬레이션학회논문지 = Journal of the Korea Society for Simulation, v.29 no.3, 2020년, pp.9 - 18

이정훈 (GyeongSang National University ERI, Control & Instrument Engineering)

초록
AI-Helper

대규모 화력 발전소 제어용 시뮬레이터 개발은 급수/증기 계통, 공기/연소가스 계통, 미분탄 계통 및 터빈/발전기 계통으로 구성되며, 기계적인 터빈/발전기를 제외하고 모든 계통에 대하여 모델링이 가능하다. 현재까지 화력발전의 일부 계통에 대한 신경망 시뮬레이터 개발에 대한 시도는 있었으나 전체 계통에 대한 시뮬레이터 개발은 완성된 적이 없다. 특히 모든 발전사의 핵심 기술 개발중 하나인 오토튜닝은 정확도가 높은 모든 계통에 대한 모델링이 완성되어야 이룰 수 있는 기술이다. 이에 본 논문은 신경망 알고리즘을 이용하여 시스템을 설계할 경우 가장 핵심인 입출력 관계에 대한 변수를 모든 계통에 대하여 정의하였다. 시뮬레이션을 수행한 결과 실제 보일러 계통의 95~99% 이상 정확도를 보임에 따라 본 시뮬레이터에 현장 PID 제어기를 결합할 경우 고장진단이나 오토튜닝에 활용 가능할 것이다.

Abstract ▼ AI-Helper

The development of a large-scale thermal power plant control simulator consists of water/steam systems, air/combustion systems, pulverizer systems and turbine/generator systems. Modeling is possible for all systems except mechanical turbines/generators. Currently, there have been attempts to develop neural network simulators for some systems of a boiler, but the development of simulator for the whole system has never been completed. In particular, autoTuning, one of the key technology developments of all power generation companies, is a technology that can be achieved only when modeling for all systems with high accuracy is completed. The simulation results show accuracy of 95 to 99% or more of the actual boiler system, so if the field PID controller is fitted to this simulator, it will be available for fault diagnosis or auto-tuning.

주제어

표/그림 (25)

그림 Fig. 1. Flow chart for feedwater and steam systems
그림 Fig. 2. pulverizer schematic diagram
그림 Fig. 3. Data for training neural network models
그림 Fig. 4. New input data for verification
그림 Fig. 5. Output data for verification
그림 Fig. 6. Simulink program for the Neural Network
그림 Fig. 7. Verification of primary superheater and economizer
그림 Fig. 8. Verification of superheater spray
그림 Fig. 9. Verification of Secondary superheater
그림 Fig. 10. Verification of reheater
표 Table 1. In/Out values of water and steam system
그림 Fig. 11. Verification of reheater spray
그림 Fig. 12. Verification of drum steam flow
그림 Fig. 13. Verification of drum level and pressure
그림 Fig. 14. Verification of LP heater(1~4)
그림 Fig. 15. Verification of HP heater(5~6)
그림 Fig. 16. Verification of deaerator
그림 Fig. 17. Verification of main steam pressure
그림 Fig. 18. Verification of air preheater
그림 Fig. 19. Verification of primary air fan
그림 Fig. 20. Verification of forced draught fan
그림 Fig. 21. Verification of induced draft fan
표 Table 2. In/Out values of air and combustion system
그림 Fig. 22. Verification of booster fan
그림 Fig. 23. Verification of tele-monitoring system

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 연구는 대규모 화력발전소의 전체 보일러 계통에 대한 모델링을 완성하기 위하여 미분탄 계통과 급수 및 증기 계통 그리고 공기 및 연소 계통에 대한 시뮬레이터를 개발하였다. 신경망 알고리즘의 핵심은 시스템을 모델링하기 위한 입력 변수와 출력 변수를 선정하는 것이다.
일반적인 급수 및 증기 계통에 대한 흐름도는 그림 1과 같다. 본 연구에서는 터빈과 펌프, 복수기(condenser) 를 제외한 모든 계통에 대하여 모델링을 수행한다.
증기의 온도제어는 증기 온도를 일정하게 유지하는 것을 목적으로 하고 있다. 증기의 정격온도 유지는 발전소 효율과 밀접한 관계가 있는데 설계치 보다 높을 경우 효율은 향상되나 과열기, 터빈 재질의 열응력 발생으로 보일러의 수명 단축과 손상의 원인이 된다.

제안 방법

1차 과열기 및 절탄기의 학습을 마친 시뮬레이터를 검증하기 위하여 새로운 입력데이터를 가지고 시뮬레이션을 수행한다. 파란색은 실제 계통의 출력 데이터이며, 붉은색은 모델링을 통한 출력 데이터이다.
그림 4와 5는 미분기의 신경망 모델을 검증하기 위한 새로운 입력과 출력 데이터를 나타낸다. 같은 현장 입력 데이터를 신경망 모델에 입력하여 얻은 결과를 현장 출력 데이터와 비교하였다. 먼저 학습이 완료된 모델에 다른 한 달간의 새로운 데이터를 입력으로 수행하여 실제 출력 데이터와 모델링을 통한 출력 데이터 값과의 비교를 수행한 결과가 그림 5에 나타나있다.
다음 그림은 실제 한국남동발전 화력발전소의 미분탄 계통도로써 측정변수에 대한 입력(그림 붉은색)과 출력 (그림 파란색)에 대한 데이터로 얻을 수 있다. 모든 다른 계통에 대해서도 이와 같은 실제 입력에 대한 출력 데이터를 활용하여 모델링을 수행하였다.
신경망 알고리즘의 핵심은 시스템을 모델링하기 위한 입력 변수와 출력 변수를 선정하는 것이다. 이를 위하여 기존 수학적 모델링 기법뿐만 아니라 현장 실무자의 경험을 바탕으로 선정 하였다. 또한 다양한 신경망 알고리즘 중 대단위 화력발전소 보일러 계통에 가장 적합한 알고리즘으로 GRNN 알고리즘임을 시뮬레이션을 통하여 선정할 수 있었다.
그림 3은 미분기의 신경망 모델을 학습하기 위한 입력과 출력 관계를 나타낸다. 한 달간의 입력데이터와 출력 데이터를 현장으로부터 받아서 시뮬레이터에 대입하여 학습을 수행하였다.

대상 데이터

미분기의 주요 입력은 석탄과 예열된 일차 공기이고 출력은 미세하게 분쇄된 석탄과 건조 공기로 구성된 미분탄이다. 출력 제어 대상은 ① 보일러 버너로 이송되는 미분탄의 온도인 출구 온도를 원하는 온도로 일정하게 유지하면서(그림 2. Coal Temp) ② 보일러에서 요구하는 양의 미분탄을 공급하는 것으로(그림 2. Bowl Press) 2개의 변수이다. 제어 입력 변수는 ① 미분탄의 질량흐름을 조절하기 위한 석탄의 질량 흐름과 ② 미분기 출구온도를 제어하기 위한 예열된 일차공기의 온도와 공기 질량 흐름이다.

이론/모형

본 연구는 다양한 시뮬레이션 결과 GRNN 신경망 알고리즘(Jobran, 2018)을 선택하였으며 화력발전 보일러의 모든 계통에 대한 모델링을 구현하였다. 기존 발전소에서 사용하고 있는 시뮬레이터는 운전자의 조작 훈련을 위해 개발된 도구로 발전소의 실제 응답시간과 같은 속도로 동작하며, 여러 PC를 연결한 대형 시스템으로 복잡합니다.

성능/효과

예로 보일러 온도를 높이기 위해서는 어떤 계통에 어떤 입력 값들이 들어가야 원하는 온도를 가장 효율적으로 높일 수 있는지 시뮬레이터를 통하여 확인가능하며, 피드백을 통한 오토튜닝까지 가능해진다. 결론적으로 원하는 목표 값을 제시하면 각각의 계통에 대한 최적의 이득(gain)값을 찾을 수 있으며, 오버홀 (overhaul)후 수행하던 외국전문가 튜닝비용을 효율적으로 줄일 수 있는 효과를 얻을 수 있다. 또한 고장진단에도 활용가능하다.
이를 위하여 기존 수학적 모델링 기법뿐만 아니라 현장 실무자의 경험을 바탕으로 선정 하였다. 또한 다양한 신경망 알고리즘 중 대단위 화력발전소 보일러 계통에 가장 적합한 알고리즘으로 GRNN 알고리즘임을 시뮬레이션을 통하여 선정할 수 있었다.
5% 이외에는 대부분 1% 미만의 실효 오차율 보여 매우 정확도가 높음을 알 수 있다. 마지막으로 공기 및 연소 계통은 대부분의 경우에는 1% 이하로 오차율을 보였으나 부스트펜의 에너지량 (energy flow)와 체적량(volumetic flow)이 5.7%와 2.2%, 굴뚝 대기환경계측기의 train-A NOX 실효 오차율이 4.1%로 다른 계통에 비해 오차율이 다소 높음을 알 수 있었다. 이것은 센서의 부정확한 데이터로 학습 데이터가 가장 큰 문제점으로 파악되었으며, 실제 현장에서 데이터의 부정확성을 확인하였다.
또한 발전소의 가장 큰 이슈 중 하나가 오토튜닝을 하는 것이며, 이를 위해서는 정확도가 높은 시뮬레이터 구현이 필수적이다. 본 연구에서 개발한 시뮬레이터는 대부분의 계통에서 99%의 정확성을 보임으로써 차후 현장의 현장 PID 제어기를 매트랩 기반의 시뮬레이터에 결합하면 다양한 입력에 대한 출력형태를 확인할 수 있다.
시뮬레이션 결과 21개의 모델링중 미분탄 계통에서는 1.8% 이하 실효 오차율을 보였으며, 급수 및 증기 계통 14개 중 드럼(drum)의 수위레벨 3.5% 이외에는 대부분 1% 미만의 실효 오차율 보여 매우 정확도가 높음을 알 수 있다. 마지막으로 공기 및 연소 계통은 대부분의 경우에는 1% 이하로 오차율을 보였으나 부스트펜의 에너지량 (energy flow)와 체적량(volumetic flow)이 5.
파란색은 실제 계통의 출력 데이터이며, 붉은색은 모델링을 통한 출력 데이터이다. 시뮬레이션 결과 거의 파형이 겹쳐서 나오고 있으며, 출력 온도의 실효 오차율은 약 0.85[%]로 정확도가 매우 높음을 알 수 있다.
시뮬레이터 개발 후 현장 PID 제어기를 매트랩 기반의 시뮬레이터에 결합하면 다양한 입력에 대한 출력형태를 확인할 수 있다. 예로 보일러 온도를 높이기 위해서는 어떤 계통에 어떤 입력 값들이 들어가야 원하는 온도를 가장 효율적으로 높일 수 있는지 시뮬레이터를 통하여 확인가능하며, 피드백을 통한 오토튜닝까지 가능해진다.
1%로 다른 계통에 비해 오차율이 다소 높음을 알 수 있었다. 이것은 센서의 부정확한 데이터로 학습 데이터가 가장 큰 문제점으로 파악되었으며, 실제 현장에서 데이터의 부정확성을 확인하였다. 이에 센서교체를 통한 정확한 데이터로 학습을 수행한다면 충분히 원하는 결과 값을 산출할 것으로 판단된다.

후속연구

이것은 센서의 부정확한 데이터로 학습 데이터가 가장 큰 문제점으로 파악되었으며, 실제 현장에서 데이터의 부정확성을 확인하였다. 이에 센서교체를 통한 정확한 데이터로 학습을 수행한다면 충분히 원하는 결과 값을 산출할 것으로 판단된다.
동일한 입력 값이 실제 계통과 시뮬레이터에 들어갈 경우 이상이 없는 경우에는 거의 동일한 출력 값이 나오지만 둘 사이의 값에 편차가 발생할 경우 계통에 문제가 발생하였음을 쉽게 알 수 있다. 이처럼 정확성이 높은 모든 계통에 대한 시뮬레이터가 완성되면 현장에서 다양한 응용군에 활용가능하며, 다양한 신재생에너지원에 대한 계통 설계에도 꼭 필요한 선행기술이 될 것이다.

참고문헌 (9)

S. Lu, B.W. Hogg (2000), Dynamic nonlinear modelling of power plant by physical principles and neural networks, Elsevier, International Journal of Electrical Power & Energy Systems, vol. 22, Issue 1, pp. 67-78.

상세보기
AI Lab (2016), A Basic Introduction to Artificial Neural Network (ANN), Hanyang university
Ahmad Jobran (2018), Review of Applications of Generalized Regression Neural Networks in Identification and Control of Dynamic Systems, Neural and Evolutionary Computing, pp.1-5.
X.J. Liu a, X.B. Kong a, G.L. Hou a, J.H. Wang Liu (2013), Modeling of a 1000 MW power plant ultra super-critical boiler system using fuzzy-neural network methods, Elsevier, Energy Conversion and Management, vol. 65, pp. 518-527.

상세보기
신용환, 이형란, 신휘범 (2010), "화력발전소 과열기 모델링 및 파라미터 추정", 전력전자학회 2010년도 전력전자학술대회 논문집, pp. 600-601.
임건표, 이흥호 (2012), "석탄화력발전소 보일러 연소용 공기 제어알고리즘의 개발", 대한전기공학회 논문지, 제 61권 4호, pp. 153-160.
Surajdeen A. Iliyas, Moustafa. Elshafei (2013), Mohamed A. Habib, Ahmed A. Adeniran, "RBF neural network inferential sensor for process emission monitoring, Control Engineering Practice, vol. 21, Issue 7, pp. 962-970.

상세보기
Andrea Vedaldi, Karel Lenc (2015), MatConvNet: Convolutional Neural Networks for MATLAB, Proceedings of ACM international conference on Multimedia, pp. 689-692.
T. K Sai, K. A. Reddy (2015), Neural Network Applications in a Power Station, International Journal of Soft Computing and Engineering (IJSCE), vol. 4 Issue 6, pp. 112-120.

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증