KR100378631B1 - 발전소용가이드시스템 - Google Patents

Abstract

모든 블록(25)이 적어도 하나의 기준값(F)을 참고로 제어되는, 다수의 블록(25)을 갖춘 발전소 제어 장치에서는, 실제의 스테이션 상태를 참고로 특히 유리한 기준값(F)을 정확하게 검출할 수 있다. 이를 위해 발전소용 가이드 시스템(1)은 유전적 알고리즘을 이용하여 각 블록(25)에 대한 기준값(F)을 공급하는 하나의 컴퓨터 유닛(2) 및 상기 유닛에 연결된 최적화 모듈을 포함한다. 최적화 모듈(6)은 다수의 신경 회로망(32)에 연결되며, 이 경우 각 블록(25)에는 하나의 신경 회로망(32)이 할당된다.

Description

발전소용 가이드 시스템{GUIDE SYSTEM FOR A POWER STATION}

모든 컴포넌트는 통상적으로, 다수의 블록을 갖는 발전소가 운전될 때 기준 값(n)을 근거로 제어된다. 기준값은, 장치에 관련된 동작 파라미터를 기초로 하고, 일반적으로 여러 가지 제약에 의존한다. 예를 들어 목표 부하값이 기준값으로서 각 블록에 공급됨으로써, 발전소가 다수의 블록에 의해 제어된다. 그 다음에 통상적으로, 각 블록에 공급되는 모든 목표 부하값의 총합이 공차 범위내에서 전체 목표 부하값과 동일한 제약을 충족해야 한다. 상기 전체 목표 부하값은 회로망 요구로서 사용자에 의해 미리 주어진다.

발전소를 특히 경제적으로, 또는 특히 효과적으로 운전시키기 위해서, 컴포넌트를 제어하기 위해 선택된 기준값(n)을 다수의 기준에 관하여 최적화하는 것이 요구될 수 있다. 예를 들어 타입 또는 작용에 있어 동일한 방식 또는 상이한 방식인, 2개 이상의 블록을 갖는 발전소를 특히 경제적으로 및 특히 높은 효율로 운전시킬 수 있기 위해서, 발전소로부터 사용자에게 전달되는 전체 출력이 부하 분배의 범위내에서 각 블록에 분배되어야 하며, 상기 부하 분배는 요구되는 연료 소비가 전체적으로 특히 낮고, 및/또는 가열 증기 또는 프로세스 증기가 특히 효과적으로분리되도록 이루어져야 한다. 이를 위해 각 블록에 대해 기준값으로서 정격 부하가 검출된다. 모든 블록은 그것에 대해 검출된 정격 부하를 참고로 제어된다.

블록을 제어하기 위한 상기 기준값은 통상적으로, 발전소 조작자에 의해 경험적으로 검출되고, 이로 인해, 조작자의 경험에 강하게 의존한다. 기준값을 검출하기 위한 종래의 자동화 시스템은, 높은 계산 복잡성으로 인해, 통상적으로 블록으로부터 송출되는 전력, 원거리 열 출력, 프로세스 증기-유동률, 및 일반적으로 연료 소비에 비례하는, 블록에 공급되는 화력 사이의 함수 관계의 선형화를 기초로 한다. 그러나 상기 방식의 시스템에서 진행되는 계산 방법은, 함수 관계의 상기 선형화 때문에 부정확하다. 또한 일반적으로, 기준값을 검출할 때, 예를 들어 열교환기의 고장과 같은 실제 장치 상태를 고려할 수 없다.

본 발명은 다수의 블록을 갖는 발전소용 가이드 시스템에 관한 것이다.

본 발명의 실시예는 도면을 참조하여 하기에 자세히 설명된다. 도면은 발전소용 가이드 시스템의 개략도이다.

본 발명의 목적은, 모든 블록에 대한, 특히 바람직한 기준값을 정확하게 검출되도록 구성된, 다수의 블록을 갖는, 발전소용 가이드 시스템을 제공하는 것이다.

상기 목적은 본 발명에 따라, 유전적 알고리즘을 이용해서 각 블록에 대한 기준값을 검출하는 하나의 컴퓨터 유닛, 및 상기 유닛 및 다수의 신경 회로망에 연결된 하나의 최적화 모듈을 포함하고, 각 컴포넌트에 하나의 신경 회로망이 할당됨으로써 달성된다.

유전적 알고리즘에 대해서는 간행물[J. Heistermann,, "Genetische Algorithmen", Teubner Verlag, Stuttgart, 1994]에 상세하게 기술되어 있다.

컴퓨터 유닛은 바람직하게, 프리세트 가능한 시간 간격 동안 각 블록에 대한 기준값으로서, 적용될 전체 정격 부하 중 전력량에 대한 목표값을 결정한다.

모든 블록에 대한 기준값을 특히 정화하고 저렴한 계산 비용으로 검출하기 위해서, 최적화 모듈은 바람직하게, 신경 회로망에 연결된 개략 최적화단에 부가하여 하나의 정밀 최적화단을 포함한다.

다른 바람직한 실시예에서, 정밀 최적화단은 분석용 프로세스 시뮬레이션을 수행하기 위해 설계된다. 이 경우 프로세스 시뮬레이션은 또한, 효율에 있어서 블록으로부터 송출되는 전력 및 공급되는 화력 사이의 비선형적 상관 관계를 고려할 수 있다.

기준값을 검출할 때 유전적 알고리즘을 특히 효과적으로 사용하기 위해, 바람직하게 유전적 알고리즘에 대한 스타트 값을 발생시키기 위한, 별도의 신경 회로망이 제공된다. 상기 신경회로망은 장치에 중요한 지식을 고려하여 유전적 알고리즘에 대한 입력값을 검출한다. 기준값의 선행 검출로부터 얻어진 결과는, 비교가능한 장치 상태에서 또는 실제의 장치 상태와 상이한 상태에서도 실제의 기준값을 검출하는데 사용될 수 있다. 따라서, 기준값 검출에 대한 계산 시간이 특히 짧게 유지됨으로써, 상기 방식의 발전소용 가이드 시스템은 매우 유용하다.

본 발명에 의해 얻어진 장점은 특히, 발전소 컴포넌트용 기준값을 검출하기 위해 유전적 알고리즘을 사용함으로써 높은 정확성에 도달할 수 있다는 점이다. 특히 유전적 알고리즘과 프로세스 시뮬레이션의 결합에 의해, 기준값이 매우 정확하게, 신뢰할만하게, 그리고 신속하게, 다시 말해서 저렴한 계산 비용으로 검출될수 있다. 이러한 구성에서, 최적화 모듈을 개략 및 정밀 최적화단으로 세분화하는 것은 매우 편리하다.

본 발명에 따른 가이드 시스템(1)은, 데이터 라인(4)을 통해 최적화 모듈(60의 인터페이스(5)에 연결된 하나의 컴퓨터 유닛(2)을 포함한다. 최적화 유닛(6)은 하나의 개략 최적화단(8), 및 라인(9)을 통해 상기 단에 연결된 정밀 최적화단(10)을 포함하고, 두 개의 단은 데이터 라인(12, 14)을 통해 인터페이스(5)에 연결된다.

컴퓨터 유닛(2)은 또한, 데이터 라인(20)을 통해 발전소의 블록(25)에 연결되며, 도면에서 블록은 간략히 3개만 도시되었다. 각각의 발전소 블록(25)은 하나의 데이터 라인(30)을 통해, 각 블록에 할당된 하나의 신경 회로망(32)에 연결되고, 신경 회로망(32)은 데이터 라인(34)을 통해 최적화 모듈(6)의 개략 최적화단(8)에 연결된다. 컴퓨터 유닛(2)은 또한, 데이터 라인(36)을 통해 별도의 신경 회로망(38)에 연결된다.

발전소가 운전될 때 블록(25)은, 목표 부하값 또는 정격 부하값이 기준값(F)으로서 데이터 라인(20)을 통해 가이드 시스템(1)의 각 블록(25)에 공급되어 제어된다. 그러나 그 대안으로서, 가이드 시스템(1)에 의해 검출된 기준값(F)이 발전소 조작자에게 먼저 전달되고, 그 다음에 조절값으로서 수동으로 블록(25)에 계속 전달될 수 있다. 이 경우 목표 부하값은, 그것의 총합이 사용자가 요구하는 전체 부하와 동일해야 되는 제약을 받는다. 블록의 목표 부하값 또는 정격 부하는 전력, 열 출력 및/또는 프로세스 증기일 수 있다. 블록(250은 발전소의 경제적인 운전을 위해, 전체 연료 소비가 최대로 작도록 제어된다.

각 블록(25)에 공급되는 기준값(F)은 가이드 시스템(1)에 의한 최적화를 통해 유전적 알고리즘을 이용해서 검출된다. 이 경우, 각 블록(25)의 스위칭 상태("ON" 또는 "OFF"를 시간 간격의 함수로서 나타내는 동작 플랜은 개체로서 해석된다. 예를 들어 하루라는 플랜 시간 간격은, 예컨대 시간(hour)과 같은 다수의 시간 간격으로 세분되며, 그 시간 동안 각 블록(25)의 정격 부하는 일정하다. 플랜은 컴퓨터 유닛(2)에서 매트릭스 형태로 분석되며, 매트릭스의 행은 각각 하나의 블록(25)에 할당되고, 매트릭스의 열은 각각 하나의 시간 간격에 할당된다.

각 블록(25)에 대한 ON/OFF 회로의 매트릭스는 플랜 개체의 유전적 코드로서 사용된다. 컴퓨터 유닛(2)은, 플랜 개체의 각 시간 간격 동안 모든 블록(25)의 스위칭 상태("ON" 또는 "OFF")를 인터페이스(5)를 통해 최적화 모듈(6)에 전달한다.

그 다음에 최적화 모듈(6)은, 미리 주어진 정격 부하가 스위칭 상태("ON")의 블록(25)에 분배되는지를 검출하며, 상기 분배시에는 최소의 전체 열 출력이 공급될 수 있다. 이를 위해, 먼저 개략 최적화단(8)에서 자체로 공지된 최적화 알고리즘을 기초로하여 개략의 최적화가 실행된다. 이 경우, 개략 최적화단(8)에 연결된 각 신경 회로망(32)은, 회로망에 할당된 블록(25)의 특성을 시뮬레이팅한다. 다층후방전달 인식(Backpropagation Perceptron)이 신경 아키텍처로서 기초가 된다. 회로망에 할당된 블록(25)의 실제 상태를 특성화하는 측정값(M)이 또한 데이터 라인(30)을 통해 각 신경 회로망(32)에 공급될 수 있다. 상기 신경 회로망(32)을 이용하여 이전 시뮬레이션의 결과도 고려될 수 있다.

상기 개략 최적화의 결과(GR)는 데이터 라인(9)을 통해 정밀 최적화된(10)에 전달된다. 상기 결과(GR)는 정밀 최적화단(10)내에서 분석 프로세스 시뮬레이션에 의해 정밀 최적화되며, 이 경우 특히 예를 들어 원거리 열 출력, 프로세스 증기-유동률 및 공급되는 화력과 같은, 관련 프로세스 파라미터 사이의 비선형적 상관 관계도 고려된다. 따라서 순시 최적화의 방식으로 얻어진 결과(FR)가 인터페이스(5)에 공급되고, 그곳으로부터 컴퓨터 유닛(2)에 전달된다.

플랜 개체의 적합성은, 플랜 개체의 각 시간 간격 동안 결과(FR)를 참고로 컴퓨터 유닛(2)내에서 평가되며, 이 때 특히 인접한 시간 간격 사이의 상관 관계도 고려된다. 이를 위해, 예를 들어 각 시간 간격 동안 모든 블록(25)에 공급되는 열출력이 합해진다. 예를 들면 한 블록의 정지 또는 시동을 위한 열 출력, 또는 그 밖의 경계 조건으로 인한 효율 손실을 위한 열 출력이 부가로 별도로 고려된다. 플랜의 모집단의 초기화시 및 재결합시키기 위한 개체를 선택할 때, 그리고 개체의 구세대를 신세대로 대체할 때, 유전적 알고리즘의 표준 방법이 사용된다. 유전적 알고리즘의 반복 단계의 순서는 화살표(GA)로 표시된다. 이 때는, 예를 들어 발전소로부터 송출되는 전체 전력, 즉 각 블록(25)으로부터 송출되는 전력의 총합과 같은 제약도 고려된다.

미리 주어질 수 있는, 발전소의 전체 출력용 블록(25)에 대한 기준값(F)의 검출 결과는 부가로 데이터 라인(36)을 통해 신경 회로망(38)에 전달되어 그곳에 저장된다. 특히 유리한 스타트 값(SW)을 발생시키기 위한 상기 정보는, 블록(25)에 대한 기준값(F)을 새로이 검출할 때 사용된다. 상기 방식으로 먼저 얻어진 결과를 이용할 수 있음으로써, 계산 시간이 절약된다.

각 블록(25)에 대한 기준값(F)은 또한, 가이드 시스템(1)내에서 다수의 제약들을 고려하여, 특히 저렴한 계산 비용으로 검출될 수 있다. 그럼으로써 비로소, 기준값(F)의 검출에 의해 짧은 시간내에 발전소의 실제 상태가 고려될 수 있다.

다수의 블록을 갖는, 본 발명에 따른 발전소용 가이드 시스템을 이용하여, 각 블록에 대한, 특히 유리한 기준값을 정확하게 검출할 수 있다.

Claims (5)

1. 다수의 발전소 블록(25)을 갖는 발전소용 가이드 시스템에 있어서,

   유전적 알고리즘을 이용하여 특정 발전소 블록 또는 개별 발전소 블록(25)을 위한 설정 부하값(F)을 검출하는 컴퓨터 유닛(2); 및 상기 컴퓨터 유닛(2)과 연결된 최적화 모듈(6)을 포함하며,

   동작 플랜의 형태로 된 하나의 유전적 코드가 상기 발전소 블록(25)의 기초가 되고, 상기 유전적 코드에 의해서 상기 발전소 블록(25)의 스위칭 상태는 개별적으로 할당된 시간 간격의 함수로서 고려되며,

   상기 최적화 모듈(6)은 다수의 신경회로망(32)과 연결되고, 제공될 전체적인 열 출력이 최소가 되도록 사전 설정된 정격 부하의 상기 발전소 블록(25)으로의 분배를 검출할 수 있으며,

   각각의 상기 발전소 블록(25)에는 각각 하나의 상기 신경회로망(32)이 할당되고, 상기 신경회로망은 상기 신경회로망에 할당된 발전소 블록(25)의 동작 특성을 합하는 발전소용 가이드 시스템.
2. 제 1항에 있어서, 상기 컴퓨터 유닛(2)은 프리세트 가능한 시간 간격 동안 상기 각 블록(25)에 대한 기준값(F)으로서, 전체 정격 부하 중 전력량에 대한 목표값을 결정하는 것을 특징으로 하는 가이드 시스템.
3. 제 1항 또는 제 2항에 있어서, 상기 최적화 모듈(6)이 상기 신경회로망(32)에 연결된 하나의 개략 최적화단(8) 및 하나의 정밀 최적화단(10)을 포함하는 것을 특징으로 하는 가이드 시스템.
4. 제 3항에 있어서, 상기 정밀 최적화단(10)은 분석 프로세스 시뮬레이션을 수행하기 위해 설계되는 것을 특징으로 하는 가이드 시스템.
5. 제 1항 또는 제 2항에 있어서, 상기 신경회로망(38)은 상기 유전적 알고리즘에 대한 스타트 값(SW)을 발생시키는 것을 특징으로 하는 가이드 시스템.

Images