[논문]심층신경망 기법을 이용한 재열 가스터빈 입구온도 예측모델에 관한 연구

한영복; 김성호; 김변곤

doi:10.13067/jkiecs.2023.18.5.841

[국내논문] 심층신경망 기법을 이용한 재열 가스터빈 입구온도 예측모델에 관한 연구
Study on the Prediction Model of Reheat Gas Turbine Inlet Temperature using Deep Neural Network Technique 원문보기

한국전자통신학회 논문지 = The Journal of the Korea Institute of Electronic Communication Sciences, v.18 no.5, 2023년, pp.841 - 852

한영복 (한국중부발전 보령본부) , 김성호 (군산대학교 전자정보공학부) , 김변곤 (군산대학교 전자공학과)

초록
AI-Helper

국내 전력계통의 주파수 조정용 발전기로 사용되고 있는 가스터빈은 탄소중립 정책과 더불어 신속한 기동·정지 및 높은 열효율 등으로 인해 이용률이 증가하고 있다. 가스터빈은 고온의 화염을 이용하여 터빈을 회전시키기 때문에 터빈 입구온도가 기기의 성능과 수명을 좌우하는 핵심요소로 작용하고 있다. 하지만 입구온도는 직접적인 측정이 불가능함에 따라 제작사가 산출한 온도를 이용하거나, 현장 경험을 토대로 하여 예측된 온도를 적용하고 있어서 가스터빈의 안정적인 운전 및 유지관리에 많은 어려움을 겪고 있다. 이에 본 연구에서는 인공신경망에서 많이 사용되고 있는 DNN(: Deep Neural Network) 기반으로 하는 재열 가스터빈의 입구온도를 예측할 수 있는 모델을 제시하고 실측 데이터를 기반으로 제안된 DNN의 성능을 검증하고자 한다.

Abstract ▼ AI-Helper

Gas turbines, which are used as generators for frequency regulation of the domestic power system, are increasing in use due to the carbon-neutral policy, quick startup and shutdown, and high thermal efficiency. Since the gas turbine rotates the turbine using high-temperature flame, the turbine inlet temperature is acting as a key factor determining the performance and lifespan of the device. However, since the inlet temperature cannot be directly measured, the temperature calculated by the manufacturer is used or the temperature predicted based on field experience is applied, which makes it difficult to operate and maintain the gas turbine in a stable manner. In this study, we present a model that can predict the inlet temperature of a reheat gas turbine based on Deep Neural Network (DNN), which is widely used in artificial neural networks, and verify the performance of the proposed DNN based on actual data.

Keyword

표/그림 (19)

그림 그림 1. 단순 사이클 및 재열 사이클 가스터빈 H-S선도 Fig. 1 Simple cycle & reheat cycle gas turbine H-S diagram
그림 그림 2. 심층신경망의 구조 및 흐름도 Fig. 2 Structure and flow diagram of deep neural network
그림 그림 3 인공지능 학습 흐름도 Fig. 3 Deep neural network training flow chart
표 표 1. 가스터빈 고·저압 입구온도 예측모델 신호항목 Table 1. Gas turbine high and low pressure inlet temperature prediction model signal items
그림 그림 4. 노드 개수 증가 신경망 모형모델 시험 Fig. 4 Node number increase method neural network model test
그림 그림 5. 은닉층 개수 증가방식 신경망 모형모델 실험 Fig. 5 Method of increasing the number of hidden layers ANN model test
그림 그림 6. 노드 및 은닉층 증가방식의 TIT₂ 모형모델 시험 Fig. 6 Learning result of TIT₂ model test of increasing node and hidden layer
그림 그림 7. 노드 증가방식의 TIT₂ 모형모델 온도편차 Fig. 7 TIT₂ model of node increment method Model temp. deviation
그림 그림 8. 은닉층 증가방식의 TIT₂ 모형모델 온도편차 Fig. 8 TIT₂ model of temp. deviation with increasing hidden layer method
표 표 2. 고·저압 가스터빈 입구온도 예측모델 종류 Table 2. gas turbine inlet temperature prediction models
그림 그림 9. 신경망 학습 데이터 구성 및 학습결과 (예시) Fig. 9 Neural network training data configuration and learning result (example)
그림 그림 10. 온도예측 학습 프로그래밍 코드(예시) Fig. 10 Temp. prediction learning programming code (example)
그림 그림 11. TIT₁ 신경망 모델별 검증시험 결과 Fig. 11 Verification test results for each TIT₁ DNN model
그림 그림 12. TIT₂ 신경망 모델별 검증시험 결과 Fig. 12 Verification test results for each TIT₂ DNN model
그림 그림 13. 입구온도 예측모델 실행 프로그램 Fig. 13 Inlet temperature prediction model execution program
그림 그림 14. 온도예측 프로그램 실행결과 화면 Fig. 14 TIT₁, TIT₂ Prediction program execution result screen
그림 그림 15. #A호기 전 구간 온도예측 그래프 Fig. 15 Temp. prediction graph of all sections of #A
그림 그림 16. TIT₁ 은닉층 구성별 Weight 및 Bias 추이 Fig. 16 Weight and Bias Trend by TIT₁ Hidden Layers
표 표 3. 예측 프로그램 실행 결과값 비교 Table 3. Comparison of prediction program execution results

참고문헌 (13)

H. Lee, "Power system operation performance in 2022," Report, June 2023, pp. 1-24.？
J. Lee, T. Kim, D. Kang, and J. Sohn, "Estimation of turbine inlet temperature of heavy duty gas turbine using Kalman filter," 2018 Korea Fluid Mechanics Society summer conference thesis, Jeju, Korea, June 2018, pp. 04-07.？
S. Yun and S. Kim, "Analysis of Operation Conditions of a Reheat Cycle Gas Turbine for a Combined Cycle Power Plant," The Korean Society Fluid Machinery, vol. 9, no. 6, Sept. 2006, pp. 35-44.？
Y. Han and S. Kim, "Development of a Polytropic Index-Based Reheat Gas Turbine Inlet Temperature Calculation Algorithm," J. of the Korea Institute of Electronic Communication Sciences, vol. 18, no. 3, June 2023, pp. 483-494.？
S. Chung and Y. Chung, "Comparison of Audio Event Detection Performance using DNN," J. of the Korea Institute of Electronic Communication Sciences, vol. 13, no. 3, June 2018, pp. 571-578.？
H. Choi and J. Choi, "Prediction of Wind Power Generation using Deep Learning," J. of the Korea Institute of Electronic Communication Sciences, vol. 16, no. 2, Apr. 2021, pp. 329-338.？
M. Cho, "A Study on the History, Classification and Development Direction of Artificial Intelligence," J. of the Korea Institute of Electronic Communication Sciences, vol. 16, no. 2, Apr. 2023, pp. 115-126.？
S. Yeo and D. Park, "Design of DNN-Based Injection Molded Product Defect Prediction System," The Journal of Korean Institute of Communications and Information Sciences, vol. 46, no. 10, Aug. 2021, pp. 1771-1777.？
H. Lee, "Nonlinear Noise Attenuator by Adaptive Wiener Filter with Neural Network," J. of the Korea Institute of Electronic Communication Sciences, vol. 18, no. 1, Feb. 2023, pp. 71-76.？
S. Cen and C. Lim, "Power Quality Disturbances Detection and Classification using Fast Fourier Transform and Deep Neural Network," J. of the Korea Institute of Electronic Communication Sciences, vol. 18, no. 1, Feb. 2023, pp. 115-126.？
S. Ahn, "Deep learning model and application history," J. of the Intell Inform Syst 2016, vol. 22, no. 2, May 2016, pp. 127-142.？
D. Kim, "Performance Sensitivity Analysis for the Calculation of the Turbine Inlet Temperature of a Reheat Gas Turbine," Master's. Thesis, Chunnam National University, 2009.？
S. Kim, "Review on the Development Trend of Hydrogen Gas Turbine Combustion Technology," J. of The Korean Society of Combustion, vol. 24, no. 4, Dec. 2019, pp. 1-10.

저자의 다른 논문 :

활용도 분석정보

상세보기

다운로드

내보내기

활용도 Top5 논문

해당 논문의 주제분야에서 활용도가 높은 상위 5개 콘텐츠를 보여줍니다.
더보기 버튼을 클릭하시면 더 많은 관련자료를 살펴볼 수 있습니다.

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