[go: up one dir, main page]

KR102106827B1 - 보일러 연소의 최적화를 위한 시스템 및 방법 - Google Patents

보일러 연소의 최적화를 위한 시스템 및 방법 Download PDF

Info

Publication number
KR102106827B1
KR102106827B1 KR1020180152752A KR20180152752A KR102106827B1 KR 102106827 B1 KR102106827 B1 KR 102106827B1 KR 1020180152752 A KR1020180152752 A KR 1020180152752A KR 20180152752 A KR20180152752 A KR 20180152752A KR 102106827 B1 KR102106827 B1 KR 102106827B1
Authority
KR
South Korea
Prior art keywords
boiler
optimization
algorithm
combustion
unit
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
KR1020180152752A
Other languages
English (en)
Inventor
나상건
맹좌영
김현식
박지훈
Original Assignee
두산중공업 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 두산중공업 주식회사 filed Critical 두산중공업 주식회사
Priority to KR1020180152752A priority Critical patent/KR102106827B1/ko
Priority to US16/562,409 priority patent/US11232376B2/en
Priority to CN201910857796.5A priority patent/CN111260107B/zh
Priority to DE102019126310.7A priority patent/DE102019126310B4/de
Application granted granted Critical
Publication of KR102106827B1 publication Critical patent/KR102106827B1/ko
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F22—STEAM GENERATION
    • F22B—METHODS OF STEAM GENERATION; STEAM BOILERS
    • F22B35/00—Control systems for steam boilers
    • F22B35/18—Applications of computers to steam-boiler control
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B17/00—Systems involving the use of models or simulators of said systems
    • G05B17/02—Systems involving the use of models or simulators of said systems electric
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0633—Workflow analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Automation & Control Theory (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Thermal Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Chemical & Material Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Primary Health Care (AREA)
  • Mathematical Physics (AREA)
  • Educational Administration (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)

Abstract

본 발명은 발전소 내 보일러 장치가 최적화 된 조건으로 연소를 할 수 있도록 제어하는 시스템, 그리고 이러한 제어 시스템을 이용하여 보일러 연소를 최적화 하는 방법에 관한 것이다.

Description

보일러 연소의 최적화를 위한 시스템 및 방법{SYSTEM AND METHOD FOR OPTIMIZING BOILER COMBUSTION}
본 발명은 발전소 내 보일러 장치가 최적화 된 조건으로 연소를 할 수 있도록 제어하는 시스템, 그리고 이러한 제어 시스템을 이용하여 보일러 연소를 최적화 하는 방법에 관한 것이다.
일반적으로 화력 발전소는 그 내부에 보일러를 두어 석탄 등의 연료를 연소시킬 때에 발생되는 발열반응을 이용하여 물을 가열하고 이를 통해 터빈을 구동시키기 위한 증기를 생산한다. 보일러가 연소를 할 때에는 질소산화물, 이산화탄소와 같은 배출가스들이 발생되는데, 발전소 운영에 있어서 위와 같은 배출가스들을 관리하는 데에는 적지 않은 비용이 필요하기 때문에 최근에는 배출가스가 적게 발생되도록 연소 환경을 제어함과 동시에 보일러의 연소 효율을 높이기 위한 노력들이 지속적으로 이루어지고 있다.
한편, 종래 화력 발전소에서의 보일러 제어, 즉 연소 제어는 다년간의 경험을 가진 숙련된 전문가가 시운전 기간 동안의 성능시험 데이터를 참조하여 보일러의 연소 환경 변수들을 조정한 뒤 보일러 운전을 시작함으로써 이루어져 왔으며, 또한 보일러 운전이 시작된 이후에는 오프셋 값을 미세조정하는 방식으로 운영되어 왔다. 따라서 종래의 보일러 운전방식에 의할 때에는 보일러가 운전 중인 경우 최적의 연소상태로 제어를 수행하기가 쉽지 않았기 때문에, 통상적으로 최적제어구간보다는 보일러 장치의 안정성을 위한 안정적인 연소제어가 더 우선시 되어 왔다. 이러한 운영 방식에 의해 종래에는 최적의 보일러 연소 환경을 제대로 구현할 수 없었던 문제점이 있어 왔다.
이와 같은 문제점을 해결하기 위해 최근에는 보일러의 운전데이터를 실시간으로 취득하여 분석하고, 분석된 결과에 따라 보일러의 다양한 제어변수들을 자동으로 조정함으로써 보일러의 연소제어를 최적화하고자 하는 연구가 이루어지고 있다.
본 발명은 이와 같은 연구로부터 고안된 것으로, 발전소의 보일러의 연소효율을 극대화 시키면서도 배출가스를 저감할 수 있는 시스템, 그리고 이를 수행하는 방법에 대한 것이다.
등록특허공보 제10-1484496호 (2015.01.14.등록)
본 발명은 발전소 내 보일러를 제어하기 위한 시스템 및 그 방법에 관한 것으로, 특히 보일러의 연소 효율을 극대화 시킴과 동시에 산화질소 및 산화탄소를 포함한 배출가스의 발생을 최소화하는 것을 목적으로 한다.
또한 본 발명은 인공지능 알고리즘을 보일러 연소 제어에 활용함으로써 시스템이 자체적으로 학습 및 모델링을 통하여 보일러 연소에 가장 적합한 모델을 생성하도록 하며, 시스템은 이렇게 생성된 모델을 참조하여 보일러의 연소 환경을 제어하게 하는 것을 목적으로 한다.
또한 본 발명은 세트 포인트(set point), 즉 보일러의 제어 대상 별 최적의 제어값을 연산하는 과정에 있어서, 제어 대상이 많아 세트 포인트 산출에 많은 연산량이 필요하다 하더라도 이를 일정 개수의 그룹으로 나누어 연산을 수행토록 함으로써 연산에 소요되는 시간을 줄여 실시간 보일러 제어에 적합한 연산 방법을 제공하는 것을 목적으로 한다.
위와 같은 문제점을 해결하기 위하여, 본 발명에 따른 보일러 제어 시스템은보일러의 현재 운전 상태에 대한 정보들을 수집하고, 상기 보일러에 대한 연소 최적화를 수행할지 여부를 판단하는 작업관리부; 상기 보일러로부터 수집한 데이터들을 전처리하고, 전처리 된 데이터들을 모델링부 및 최적화 연산부에 제공하는 전처리부; 모델링부로부터 보일러 연소 모델을 수신하고, 상기 보일러 연소 모델을 활용하여 보일러 연소 최적화 연산을 수행하는 최적화 연산부; 상기 전처리부로부터 수신한 전처리 된 데이터들을 기초로 보일러 연소 모델을 생성하는 모델링부; 및 상기 최적화 연산부로부터 연산 결과에 따른 최적값을 수신하고, 상기 최적값을 보일러 제어 로직에 반영하여 보일러 운전을 제어하는 출력 제어부;를 포함한다.
또한, 상기 보일러 제어 시스템에 있어서, 상기 최적화 연산부는 상기 전처리부로부터 수신한 전처리 된 데이터들을 상기 보일러 연소 모델에 적용시키고, 상기 보일러 연소 모델을 반복적으로 시뮬레이션 한 결과를 연소 최적화 알고리즘에 적용시킴으로써 최적값을 산출하는 것을 특징으로 할 수 있다.
또한, 상기 보일러 제어 시스템에 있어서 상기 연소 최적화 알고리즘은 PID(Proportional-Integral-Deravative) 알고리즘, DOF(degree Of Freedom) 알고리즘, MPC(Model Predictive Control) 알고리즘, 어댑티브(adaptive) 알고리즘, 퍼지 알고리즘, H-infinity 알고리즘, LPV(Linear Parameter Varying) Model-based 알고리즘, GA(Genetic Algorithm) 중 어느 하나일 수 있다.
또한, 상기 보일러 제어 시스템에 있어서, 상기 최적화 연산부는 복수 개의 보일러 내 제어대상에 대한 최적값들을 산출하되, 상기 제어대상을 임의 개수의 제어대상이 포함된 단위로 나누어 각 단위 별로 최적값들을 산출하는 것을 특징으로 할 수 있으며, 예를 들어 상기 제어대상을 대단위, 중단위, 또는 소단위로 나누어 각 단위 별 최적값들을 산출하는 것을 특징으로 할 수 있다.
또한, 상기 보일러 제어 시스템에 있어서, 상기 최적화 연산부는 사용자로부터 수신한 목적에 따라 상기 연소 최적화 알고리즘을 적용하는 것을 특징으로 할 수 있다. 이 때 상기 최적화 연산부는 비용을 최우선으로 고려한 비용 최적화, 오염물질 저감을 최우선으로 고려한 오염물질 최적화, 보일러 기기보호를 최우선으로 고려한 기기보호 최적화 중 사용자가 선택한 목적을 수신할 수 있다.
또한, 상기 보일러 제어 시스템에 있어서, 상기 최적화 연산부는 보일러 연소 최적화 연산을 수행하기에 앞서, 복수 개의 알고리즘들 중 상기 연소 최적화 연산을 수행할 수 있는 알고리즘들을 복수 개 선별하고, 그 중 어느 하나의 알고리즘을 상기 연소 최적화 연산을 수행하기 위한 연소 최적화 알고리즘으로 선택할 수 있다. 이 때, 상기 최적화 연산부는 상기 선별된 복수 개의 알고리즘들에 대해 퍼포먼스 시뮬레이션을 수행하고, 상기 퍼포먼스 시뮬레이션 수행 결과 가장 높은 효율성을 나타낸 알고리즘을 연소 최적화 알고리즘으로 선택할 수 있다.
한편, 본 발명에 따른 또 다른 실시예인 보일러를 제어하는 방법은 보일러의 현재 운전 상태에 대한 정보들을 수집하고, 상기 보일러에 대한 연소 최적화를 수행할지 여부를 판단하는 단계; 상기 보일러로부터 수집한 데이터들을 전처리하는 단계; 상기 전처리 된 데이터들을 기초로 보일러 연소 모델을 생성하는 단계; 상기 보일러 연소 모델을 활용하여 연소 최적화 연산을 수행하고 최적값을 산출하는 단계; 상기 최적값을 보일러 제어 로직에 반영하여 보일러 운전을 제어하는 단계;를 포함할 수 있다.
또한, 상기 보일러를 제어하는 방법에 있어서 상기 최적값을 산출하는 단계는, 상기 전처리 된 데이터들을 상기 보일러 연소 모델에 적용시키고, 상기 보일러 연소 모델을 반복적으로 시뮬레이션 한 결과를 연소 최적화 알고리즘에 적용시킴으로써 최적값을 산출하는 것을 특징으로 할 수 있으며, 이 때 상기 연소 최적화 알고리즘은 PID(Proportional-Integral-Deravative) 알고리즘, DOF(degree Of Freedom) 알고리즘, MPC(Model Predictive Control) 알고리즘, 어댑티브(adaptive) 알고리즘, 퍼지 알고리즘, H-infinity 알고리즘, LPV(Linear Parameter Varying) Model-based 알고리즘, GA(Genetic Algorithm) 중 어느 하나일 수 있다.
또한, 상기 보일러를 제어하는 방법에 있어서 상기 최적값을 산출하는 단계는 복수 개의 보일러 내 제어대상들을 임의 개수의 제어대상이 포함된 단위로 나누어 각 단위 별로 최적값들을 산출하는 것을 특징으로 할 수 있으며, 이 때 상기 최적값을 산출하는 단계는, 상기 제어대상을 대단위, 중단위, 또는 소단위로 나누어 각 단위 별 최적값들을 순차적으로 산출하는 것일 수 있다.
또한, 상기 보일러를 제어하는 방법에 있어서 상기 최적값을 산출하는 단계는 사용자로부터 최적화 목적을 수신하고, 수신된 목적에 따라 연소 최적화 알고리즘을 적용하는 것을 특징으로 할 수 있으며, 이 때 상기 최적화 목적은 비용을 최우선으로 고려한 비용 최적화, 오염물질 저감을 최우선으로 고려한 오염물질 최적화, 보일러 기기보호를 최우선으로 고려한 기기보호 최적화를 포함할 수 있다.
또한, 상기 보일러를 제어하는 방법에 있어서, 상기 연소 최적화 연산을 수행하기에 앞서, 복수 개의 알고리즘들 중 상기 연소 최적화 연산을 수행할 수 있는 알고리즘들을 복수 개 선별하고, 그 중 어느 하나의 알고리즘을 상기 연소 최적화 연산을 수행하기 위한 연소 최적화 알고리즘으로 선택하는 단계를 더 포함할 수 있으며, 이 때 상기 연소 최적화 알고리즘을 선택하는 단계는 상기 선별된 복수 개의 알고리즘들에 대해 퍼포먼스 시뮬레이션을 수행하고, 상기 퍼포먼스 시뮬레이션 수행 결과 가장 높은 효율성을 나타낸 알고리즘을 연소 최적화 알고리즘으로 선택하는 단계를 포함할 수 있다.
본 발명에 따르면 발전소 내 보일러의 연소 효율을 높일 수 있음과 동시에 환경 오염을 일으키는 배출가스를 최소화 할 수 있는 효과가 있다. 또한, 배출가스 처리에 소모되는 비용을 상당 부분 줄일 수 있어 발전소 운영비를 크게 줄일 수 있는 효과도 있다.
또한 본 발명은 종래 숙련된 전문가에 의하여 보일러 연소환경을 조정하던 것에 비하여 더 나은 연소환경을 구현해 낼 수 있으며, 인공지능에 의해 학습된 결과물을 참조하게 되므로 비숙련 작업자도 어려움 없이 보일러를 최적화 된 상태로 조작할 수 있게 되는 효과가 있다.
또한 본 발명은 보일러와 같이 제어 대상이 매우 많은 경우에 있어서도 최적화 연산시 제어 대상을 그룹, 파트, 유닛 단위로 나누어 연산하게 함으로써 연산 시간을 줄이고, 이를 통해 보일러를 더 짧은 주기에 걸쳐 실시간에 가깝게 제어할 수 있게 하는 효과가 있다.
도 1은 화력 발전소의 개괄적인 구성을 도시한 것이다.
도 2는 본 발명에 따른 보일러 제어 시스템의 구성을 블록도로 도시한 것이다.
도 3은 제어 시스템 내 구성들 중 특히 최적화 연산부의 기능을 설명하기 위한 도면이다.
도 4는 최적화 연산부가 수행하는 대표적인 단계들을 순서에 따라 도시한 것이다.
도 5는 최적화 연산부가 수행하는 단계들 중 특히 알고리즘 선택 단계를 세부화 한 것이다.
도 6은 최적화 연산부가 수행하는 단계들 중 특히 최적화 연산 단계를 세부화 한 것이다.
도 7은 최적화 연산 단계에 대한 설명을 돕기 위하여 도시한 모식도이다.
본 발명의 목적과 기술적 구성 및 그에 따른 작용 효과에 관한 자세한 사항은 본 발명의 명세서에 첨부된 도면에 의거한 이하의 상세한 설명에 의해 보다 명확하게 이해될 것이다. 첨부된 도면을 참조하여 본 발명에 따른 실시예를 상세하게 설명한다.
본 명세서에서 개시되는 실시예들은 본 발명의 범위를 한정하는 것으로 해석되거나 이용되지 않아야 할 것이다. 이 분야의 통상의 기술자에게 본 명세서의 실시예를 포함한 설명은 다양한 응용을 갖는다는 것이 당연하다. 따라서, 본 발명의 상세한 설명에 기재된 임의의 실시예들은 본 발명을 보다 잘 설명하기 위한 예시적인 것이며 본 발명의 범위가 실시예들로 한정되는 것을 의도하지 않는다.
도면에 표시되고 아래에 설명되는 기능 블록들은 가능한 구현의 예들일 뿐이다. 다른 구현들에서는 상세한 설명의 사상 및 범위를 벗어나지 않는 범위에서 다른 기능 블록들이 사용될 수 있다. 또한, 본 발명의 하나 이상의 기능 블록이 개별 블록들로 표시되지만, 본 발명의 기능 블록들 중 하나 이상은 동일 기능을 실행하는 다양한 하드웨어 및 소프트웨어 구성들의 조합일 수 있다.
또한, 어떤 구성요소들을 포함한다는 표현은 “개방형”의 표현으로서 해당 구성요소들이 존재하는 것을 단순히 지칭할 뿐이며, 추가적인 구성요소들을 배제하는 것으로 이해되어서는 안 된다.
나아가 어떤 구성요소가 다른 구성요소에 “연결되어” 있다거나 “접속되어” 있다고 언급될 때에는, 그 다른 구성요소에 직접적으로 연결 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 한다.
이하에서는 도면들을 참조하여 본 발명이 제안하고자 하는 보일러 제어 시스템 및 그 방법에 대해 자세히 살펴보기로 한다.
먼저 도 1은 화력 발전소의 개괄적인 구성들을 도시한 것으로, 특히 본 발명에서의 제어 대상이 되는 보일러의 위치 및 역할에 대해 설명하기 위한 것이다. 화력 발전소는 기본적으로 석탄이나 석유에 의한 화력으로 증기를 발생시켜 증기 터빈을 돌리고 이를 통해 전기 에너지를 생산하게 되는데, 이 중에서 특히 보일러는 증기 터빈에 고온 고압의 증기를 공급하기 위해 연료를 태워 물을 끓이는 핵심적인 구성에 해당한다. 보일러의 주된 구성으로는 물과 증기를 담는 보일러 본체, 연료의 연소장치, 그리고 화로가 있으며, 이 중 연소장치, 화로 등은 제어 시스템에 의해 조정됨으로써 온도, 압력 등이 조절된다.
한편, 발전소 내에서 보일러 제어는 가장 핵심이 되는 것으로, 과거에는 보일러를 조작하는 것이 매우 복잡한 과정을 거쳐 이루어져 왔기 때문에 정상적인 운전을 위해서는 숙련된 전문가를 반드시 필요로 하였으나 최근에는 보일러 운전에 자동제어방식을 채택함으로써 일일이 사람의 손으로 조작하지 않아도 효율적으로 운전이 가능하도록 시스템이 구현되고 있다. 또한, 이렇게 자동제어방식을 채택하게 됨으로써 과거에는 불가능하였던 보일러의 실시간 제어 또한 가능하게 되었는데, 최근에는 보일러의 연소 효율을 높이기 위하여 짧은 주기마다 보일러의 현재 상태를 체크하고 현재 상태에 따른 각 제어 대상 별 제어를 함으로써 점진적으로 실시간에 가까운 제어를 구현하는 데에 많은 연구가 이루어지고 있다.
본 발명은 현재까지의 보일러 제어 시스템 및 방법에 (i) 인공지능을 활용한 보일러 연소 모델의 생성 및 갱신, 그리고 (ii) 현재 가동 중인 보일러의 상태를 참조하여 제어 대상 별로 최적의 세트 포인트(set point)를 찾는 최적화 연산 과정을 더함으로써 기존보다 더 연소 효율을 높임과 동시에 배출되는 가스량은 줄일 수 있는 보일러 제어 시스템 및 방법을 제안하고자 한다.
도 2는 본 발명에 따른 보일러 제어 시스템을 블록도로 나타낸 것이다. 도 2에 따르면, 보일러 제어 시스템은 크게 작업 관리부, 전처리부(20), 최적화 연산부(30), 모델링부(40), 및 출력 제어부(50)를 포함하며, 각 구성들에 대해서는 아래에서 자세히 설명하기로 한다. 참고로, 도 2의 보일러 제어 시스템은 발명의 이해를 돕기 위하여 수행하는 기능별 또는 단계별로 블록을 지정하여 구별하였으나, 위 보일러 제어 시스템은 연산을 위한 중앙처리유닛(CPU) 및 연산을 위한 프로그램과 데이터가 저장될 수 있는 메모리(Memory)를 갖춘 장치로 구현될 수 있으며, 상기 작업 관리부 내지 출력 제어부(50)의 구성들은 컴퓨터가 판독가능한 언어로 설계된 프로그램 상에서 구현되어 상기 중앙처리유닛(CPU)에 의해 실행될 수 있음을 이해해야 할 것이다. 나아가, 보일러 제어 시스템은 하드웨어(hardware) 또는 펌웨어(firmware), 소프트웨어, 또는 이들의 결합에 의해 구현될 수 있는데, 하드웨어를 이용하여 구현하는 경우에는 ASIC(application specific integrated circuit) 또는 DSP(digital signal processor), DSPD(digital signal processing device), PLD(programmable logic device), FPGA(field programmable gate array) 등으로, 펌웨어나 소프트웨어를 이용하여 구현하는 경우에는 위와 같은 기능 또는 동작들을 수행하는 모듈, 절차 또는 함수 등을 포함하도록 펌웨어나 소프트웨어로 구성될 수 있다.
다시 도 2를 참조하여 각 구성들에 대해 살펴보기로 한다.
먼저 작업관리부(10)(Task Manager)는 보일러의 현재 운전 상태를 파악하고 보일러 연소 최적화를 수행할 지 여부에 대해 판단한다. 구체적으로, 상기 작업관리부(10)는 현재 운전 중인 보일러의 운전 데이터 및 상태데이터(상태이진값)를 수집할 수 있으며, 이를 기반으로 보일러의 연소 최적화가 가능한지 여부, 즉, 보일러의 연소 최적화를 수행할 것인지 여부를 판단하게 된다. 보일러의 운전데이터는 현재 운전 중인 보일러 내에 설치된 각종 센서들로부터 수신된 측정값, 또는 당해 보일러 제어 시스템에 의해 모니터링이 가능한 제어값을 포함하며, 이러한 운전데이터의 예시로는 발전출력(MW), 지령치 및 순시치 등이 포함될 수 있다. 상태데이터는 보일러 출력의 변동, 연료 변동 여부, 각 부품에서의 온도 및 압력 등을 나타내는 값들을 포함한다.
상기 작업관리부(10)는 앞서 수집한 운전데이터 및 상태데이터를 기초로 연소 최적화가 필요한지 또는 가능한지에 대해 판단하게 되는데, 이러한 판단과정에는 보일러 시스템의 건전성(예: 하드웨어의 정상동작 여부, 시스템 자원현황, 정상 통신 가능 여부 등), 보일러 내 각 모듈 별 건전성 (소프트웨어의 정상동작 여부, 보일러 연소 모델의 존재 여부 등) 등이 더 고려된다. 예를 들어, 작업관리부(10)는 발전 출력이 급격하게 변하는 구간에서는 발전소가 안정화 되지 않은 것으로 판단할 수 있으며, 더 구체적으로 30분 동안 수십 메가와트의 발전 출력 변동이 기준값보다 크게 발생하는 경우, 예를 들어 발전 출력이 500MW일 때에 발전 출력 변동이 30분 동안 50MW 이상일 경우 작업관리부(10)는 이를 불안정 상태로 판단하여 최적화 진행을 하지 않도록 할 수 있다.
한편, 상기 연소 최적화가 필요한지 여부 또는 가능한지 여부에 대한 판단과정에는 크게 3가지의 분석법이 활용될 수 있는데, 여기에는 보일러 운전 데이터 기반의 분석법, 상태이진값 기반의 분석법, 그리고 사전에 기록 및 저장된 전문가의 지식 및 경험 기반의 분석법이 포함될 수 있다. 이들 분석법들은 상기 작업관리부(10)가 연소 최적화 수행여부를 판단함에 있어 어느 하나만 활용될 수 있거나 또는 둘 이상이 조합되어 활용될 수 있다. 참고로 사전에 기록 및 저장된 전문가의 지식 및 경험 기반의 분석법은 숙련된 전문가가 보일러 운전을 조작할 때 조작 당시의 상황 및 상황에 따른 전문가의 조작내용을 저장해 둔 것을 기반으로 하는 것을 의미하는데, 예를 들어 보일러 연소실 내 온도가 A값일 때 공급연료량을 B값으로 조작한 내용, 보일러 연소실 내 온도가 C값일 때 댐퍼 각도를 D값으로 조작한 내용 등이 저장된 것을 참조한 분석법을 의미한다.
다음으로 전처리부(20)(Data Pre-processing Unit)는 후술하게 될 모델링을 하기에 적합한 데이터들, 즉 모델링부(40)가 학습을 하기에 적합한 데이터만을 사전에 필터링하는 구성이다. 일반적으로 보일러로부터 수집될 수 있는 입력, 그리고 상기 입력에 따른 출력 데이터는 그 양이 방대한데, 이들 데이터들 중에는 상호 연관성이 떨어지거나 상황에 맞지 않는 오류값들이 혼합되어 있어 모델링을 할 때에 정확도를 떨어트리는 요인이 될 수 있다. 전처리부(20)는 이러한 불필요한 데이터들을 사전에 필터링 함으로써 향후 모델링부(40)에서의 모델 생성시 보다 정확도를 높이기 위해 필요한 구성이라 할 수 있다.
전처리부(20)는 크게 신호복원, 필터링, 아웃라이어 처리 기능을 수행하게 된다. 신호복원은 보일러부로부터 수집된 신호들에 일부 손실이 있는 경우 이를 복원하거나 보일러에 이상 또는 고장이 있는 경우에 해당 신호를 복원하는 기능, 필터링은 기반지식기반의 로직을 활용하여 상기 복원된 신호들 중 정상적인 데이터 범위를 벗어난 데이터들을 필터링하거나 신호의 노이즈를 제거하고, 나아가 모델링, 최적화 연산, 출력 제어에 사용될 데이터만을 추출하는 기능, 아웃라이어 처리는 데이터 기반의 로직을 활용하여 추세를 벗어난 데이터들을 처리하는 기능을 의미한다.
한편, 전처리부(20)는 설계자의 의도 또는 사용자의 필요에 따라 태그 클러스터링 기능 및 데이터 샘플링 기능을 더 수행할 수 있도록 구현될 수 있는데, 이 때 태그 클러스터링이란 보일러의 각 제어대상에 대응되는 태그들 중 필요 없는 태그정보는 삭제하고 관련성이 높은 태그정보만을 추출하여 하나의 데이터 집단을 구성하는 기능, 데이터 샘플링은 데이터의 패턴을 연산하고 샘플링 알고리즘에 따라 데이터를 샘플링 함으로써 모델링에 필요한 학습데이터를 출력으로 내는 것을 의미한다.
이상 살펴본 바와 같이 전처리부(20)는 보일러의 운전과 관련된 데이터들을 수집한 후 이를 향후 모델링에 활용하기에 적합한 형태로 가공하는 것을 의미한다.
다음으로 최적화 연산부(30)(Optimizer)는 후술하게 될 모델링부(40)에서 보일러 연소 모델이 생성되었음을 전제로, 상기 보일러 연소 모델을 이용하여 최적의 연소상태를 만드는 입력을 산출해 내는 구성이다. 최적화 연산부(30)는 크게 사용자로부터 목적 선택을 수신하는 기능, 모델링부(40)로부터 보일러 연소 모델을 수신하는 기능, 위 보일러 연소 모델을 사용하여 보일러 연소 최적화 연산을 하는 기능을 수행한다.
먼저 사용자로부터 목적 선택을 수신하는 기능과 관련하여, 사용자, 즉 보일러 제어 시스템을 조작하는 자는 연소 최적화를 실행시키기에 앞서 어떤 목적에 더 무게를 두어 연소 최적화를 실행시킬 것인지에 대한 선택을 할 수 있는데, 상기 최적화 연산부(30)는 사용자에게 복수의 목적을 선택할 수 있도록 인터페이스를 제공함으로써 사용자의 선택을 수신할 수 있다. 복수의 목적 중에는 예를 들어 비용(Cost)을 최우선으로 고려한 비용 최적화, 오염물질 저감을 최우선으로 고려한 오염물질 최적화, 그리고 기기보호를 최우선으로 고려한 기기보호 최적화가 포함될 수 있다. 다만, 이는 하나의 실시예에 불과한 것일 뿐 최적화의 대상에는 또 다른 목적을 고려한 다양한 것들이 포함될 수 있다. 최적화 연산부(30)는 사용자로부터 수신한 목적 선택에 따라 각각 다른 로직을 적용하여 최적화 연산을 수행하게 된다.
다음, 모델링부(40)로부터 보일러 연소 모델을 수신하는 기능과 관련하여, 최적화 연산부(30)는 최적화 연산을 수행하기 위해 반드시 보일러 연소 모델을 필요로 하는데, 이 때 보일러 연소 모델은 보일러의 연소를 모델을 의미하는 것으로 인공신경망을 포함한 수학적 모델의 조합으로 구성될 수 있고, 이는 모델링부(40)가 반복적인 학습을 통하여 생성한 것일 수 있다.
마지막으로, 보일러 연소 최적화 연산을 수행하는 기능과 관련하여, 최적화 연산부(30)는 앞선 사용자의 목적 선택, 그리고 앞서 수신한 보일러 연소 모델을 적용시켜 시뮬레이션을 실행함으로써 최적의 입력값을 최종 출력값으로 산출하게 되는데, 이 때 활용되는 알고리즘 또는 컨트롤러로는 PID(Proportional-Integral-Deravative) 알고리즘, DOF(degree Of Freedom) 알고리즘, MPC(Model Predictive Control) 알고리즘, 어댑티브(adaptive) 알고리즘, 퍼지 알고리즘, H-infinity 알고리즘, LPV(Linear Parameter Varying) Model-based 알고리즘, 입자군집최적화 알고리즘(Particle Swarm Optimization), 진화알고리즘 (Genetic Algorithm) 등이 포함될 수 있다.
이상과 같이 최적화 연산부(30)는 사용자에 의해 선택된 목적, 모델링부(40)로부터 수신한 보일러 연소 모델에 따라 최적화 연산을 수행함으로써 최종적으로 보일러 연소 제어에 필요한 최적의 입력값을 산출하게 된다.
다음으로 모델링부(40)는 궁극적으로 상기 최적화 연산부(30)에서 연산에 활용할 수 있는 보일러 연소 모델을 생성하는 것으로, 본 발명에 따른 모델링부(40)는 인공신경망을 활용하여 보일러 연소 모델을 생성하는 것을 하나의 특징으로 한다.
인공신경망이란 신경세포로 이루어진 뇌의 정보처리 구조를 수학적으로 모델링 함으로써 귀납적 학습능력을 모사한 데이터 처리 방법론의 하나로, 입력값과 출력값의 상관관계를 패턴화 하고, 도출된 패턴을 통해 새로운 입력값에 대한 출력값을 예측하는 것을 기본 목적으로 한다. 인공신경망은 신경세포의 역할을 수행하는 노드(node)의 병렬 연결 구조(층; layer)로 이루어지는데, 일반적으로는 입력층-은닉층-출력층 (Input layer-Hidden layer-Output layer)의 직렬 연결을 가지도록 구성되며, 은닉층을 복수 개 두어 복잡한 입출력의 상관관계를 처리할 수 있도록 구현될 수도 있다. 이러한 인공신경망을 활용하는 경우 물리적인 특성이나 관계를 명확히 알 수 없는 상황이라 하더라도 입력과 출력 만으로 상관관계의 학습이 가능하고, 다수의 출력값 예측, 비선형 거동에 대한 별도의 선형가정화 없이 입력과 출력의 상관관계를 도출할 수 있는 장점이 있다.
한편, 본 발명에 따른 모델링부(40)는 보일러 연소와 관련된 입력값 및 출력값을 전술한 전처리부(20)로부터 수신할 수 있으며, 입력데이터의 예로는 1차공기와 2차공기의 댐퍼 각도, 연소용 공기 노즐(OFA)의 댐퍼 각도, 급탄기의 급탄량, 외기 온도 등이 포함될 수 있고, 출력데이터의 예로는 보일러 출력, 보일러 내 연소가스의 온도 및 압력, 질소산화물, 일산화탄소, 연소가스 내 산소량, 재열기 스프레이 유량 등이 포함될 수 있다.
이상과 같이 모델링부(40)는 인공신경망을 이용하여 실제의 보일러의 운전 상태와 가까운 보일러 연소 모델을 생성하며, 이렇게 생성된 보일러 연소 모델은 최적화 연산부(30)에 제공된다.
다음으로, 출력 제어부(50)는 최종적으로 보일러의 연소 제어를 실행하는 구성으로, 크게 보일러 제어에 앞서 기존의 보일러 운전상태를 파악하는 기능, 그리고 앞서 최적화 연산부(30)에 의해 산출된 최적값을 기존 보일러 제어 로직에 연계시켜 상기 최적값을 반영하는 기능을 수행한다.
먼저 보일러의 운전상태를 파악하는 기능과 관련하여, 출력 제어부(50)는 보일러를 실제 제어하기에 앞서 현재의 보일러 상태가 어떤지를 파악할 필요가 있는데, 최적화 연산부(30)에 의해 최적값이 산출되었다 하더라도 이를 곧바로 보일러 운전 상태에 반영시키는 경우 보일러가 불안정한 상태에 놓이게 되거나 오류가 발생할 수 있기 때문에 현재의 보일러 상태를 먼저 파악한 후 상기 최적값을 적절하게 나누어 반영하기 위함이다.
한편, 출력 제어부(50)는 앞서 최적화 연산부(30)에 의해 산출된 최적값을 현재 운전 중인 보일러에 입력시킴으로써 실제 보일러 연소의 효율을 극대화 시키게 되는데, 이 때 출력 제어부(50)는 앞서 산출한 최적값을 다이나믹 바이어스 트랙킹(Dynamic Bias Tracking) 함으로써 실시간으로 기존의 보일러 연소로직에 반영할 수 있게 된다. 예를 들어, 상기 최적값이 보일러 연소실 내 온도값 T100이라 가정할 때에, 현재 보일러 보일러 연소실 내 온도가 T1이라면 출력 제어부(50)는 이를 T1으로부터 T100까지 상승시키는 제어를 수행하여야 하는데, 갑작스러운 온도 변경은 문제를 야기할 수 있기 때문에 이를 단계별로 제어할 필요성이 있다. 이 경우 출력 제어부(50)는 T100까지의 온도 변경을 복수 회의 단주기 별로 나누어 실행시킬 수 있는데, 예를 들어 출력 제어부(50)는 1단주기에서는 T1에서 T20까지, 2단주기에는 T20에서 T40까지, 3단주기에는 T40부터 T60까지, 4단주기에는 T60부터 T80까지, 마지막으로 5단주기에는 T80에서 T100까지 단계적으로 온도 상승을 제어할 수 있다. 위 주기는 상기 최적화 연산부(30)에 의해 최적값이 산출되는 주기에 비해 짧으며, 예를 들어 최적화 연산부(30)가 5분 주기로 최적값을 산출한다고 가정할 때 상기 출력 제어부(50)는 10초마다의 단주기마다 보일러 운전 제어를 실행할 수 있다. 이렇게 단주기마다 나누어 보일러 운전 제어를 실행하는 것을 본 상세한 설명에서는 다이나믹 바이어스 트랙킹이라 정의하며, 이는 보일러의 운전 상태를 실시간으로 파악함과 동시에 보일러의 운전에 급작스러운 변경 없이 안정적으로 최적값을 반영하기 위한 것임을 이해한다.
이상 도 2를 참조하여 본 발명에 따른 보일러 제어 시스템의 개별 구성들 및 개별 구성들의 보일러 제어 방법들에 대해 살펴보았다.
도 3은 위 구성들 중 특히 최적화 연산부(30)를 더 자세히 설명하기 위한 것으로, 도 3을 참조할 때에 최적화 연산부(30)는 내부적으로 보일러 연소 모델, 그리고 연소 최적화 알고리즘을 통해 최종적으로 최적값을 산출해 냄을 확인할 수 있다. 언급된 연소 최적화 알고리즘이란, 연소 최적화를 위한 절차, 방법, 명령어들의 집합을 의미하는 것으로 이해될 수 있으며, 연소 최적화 알고리즘은 또 다른 용어인 연소 최적화 기술, 연소 최적화 컨트롤(컨트롤러) 등에 의해 대체될 수 있다.
이 중 보일러 연소 모델은 앞서 설명한 모델링부(40)에 의해 생성된 것으로 이는 인공신경망을 통해 학습된 결과에 따른 것이며, 이에 대한 설명은 앞서에 하였으므로 자세한 설명을 생략하기로 한다.
한편, 본 상세한 설명에서 실시예로서 언급되는 연소 최적화 알고리즘은 여러 가지 종류의 것이 존재할 수 있겠으나, 본 상세한 설명에서는 일 실시예로 입자군집최적화 기술을 이용한 제어를 의미할 수 있다. 입자군집최적화 기술이란 군집 지능 기법(Swarm Intelligence Technique)으로 분류되는 것으로 물고기나 새떼와 같은 동물들의 사회적 행동양식으로부터 영감을 받아 개발된 확률적 전역 최적화 기법이다. 입자군집최적화 알고리즘은 입자(particle)라 불리는 다수의 개체들이 각 입자의 정보와 군집 전체의 정보를 기반으로 주어진 탐색 영역 내에서 최적의 해를 찾아가는 방식을 모사한 것인데, 이는 다른 휴리스틱 최적화 기법에 비해 사칙연산만으로 탐색이 가능하므로 구현이 쉽다는 장점이 있으며, 특히 기울기 정보를 사용하지 않으므로 미분이 불가능한 자연현상에 대해 분석을 하기가 용이하다는 장점이 있다. 다만, 후술하겠지만 연소 최적화 알고리즘은 비단 입자군집최적화 알고리즘에 한정되는 것은 아니며, 후술하게 될 알고리즘 선택(S30) 단계에서는 연소 최적화를 구현하기 위한 다양한 알고리즘들 중 어느 하나가 선택될 수 있음을 이해한다.
최적화 연산부(30)는 이와 같이 하나의 보일러 연소 모델이 존재함을 전제로, 상기 보일러 연소 모델에 복수의 제어 변수들을 입력시키고, 이들 제어 변수들을 하나의 입자로 보아 이것들이 입자군집최적화 알고리즘 또는 선택된 또 다른 알고리즘에 의해 최적의 값으로 수렴하게 되는 과정을 반복적으로 수행하는 것으로 이해될 수 있다.
도 4는 본 발명에 따른 최적화 연산부(30)가 수행하는 각 단계를 순서에 따라 도시한 것이다. 도 4에 따르면, 최적화 연산부(30)는 먼저 알고리즘(컨트롤러)를 선택하는 알고리즘 선택 단계(S30), 그리고 선택된 알고리즘에 따라 최적값을 연산하는 최적화 연산단계(S32)를 포함한다.
알고리즘 선택 단계(S30)에서, 최적화 연산부(30)는 최적화에 가장 효과적인 알고리즘 내지 컨트롤러를 선택하게 된다. 이 때 최적화 연산부(30)는 알고리즘 선택에 있어 필요한 정보들, 예를 들어 당해 보일러 제어 시스템의 다른 구성, 또는 보일러 내에 설치되어 있는 센서들 등으로부터 측정값(Measured data)을 수신할 수 있으며, 이 때 측정값은 현재 운전 중인 보일러에 대한 측정값, 그리고 과거 보일러의 운전 상태를 저장해 둔 측정값들이 포함될 수 있다. 또한, 상기 최적화 연산부(30)는 당해 보일러 제어 시스템의 다른 구성, 또는 보일러 제어 시스템 외부의 다른 구성으로부터 분석정보(Analysis Information)를 수신할 수 있으며, 이 때 분석정보에는 분석된 데이터의 패턴, 발전 출력, 발전 효율, 운전 상태에 대한 정보들이 포함될 수 있다. 나아가 상기 알고리즘 선택 단계(S30)에서는 모델링부(40)로부터 보일러 연소 모델에 대한 정보도 수신할 수 있다.
한편, 도 5를 참조할 때 알고리즘 선택 단계(S30)는 더 세부적으로 알고리즘 선별 단계(S301), 알고리즘 퍼포먼스 시뮬레이션 단계(S302)단계, 및 옵티멀 알고리즘 선택 단계(S303)을 포함한다.
먼저 알고리즘 선별 단계(S301)는 최적화 연산부(30)가 보일러 연소 최적화에 적합할 것으로 판단되는 알고리즘을 적어도 두 개 이상 선별하는 단계이다. 보일러 연소를 최적화 하기 위한 알고리즘들 또는 컨트롤러들에는 매우 다양한 것들이 존재할 수 있는데, 예를 들어 PID(Proportional-Integral-Derivative) 컨트롤러, DOF(Degree Of Freedom) 컨트롤러, MPC(Model Predictive Control), 어댑티브(Adaptive) 컨트롤러, 퍼지(Fuzzy) 컨트롤러, H-infinity 컨트롤러, LPV(Linear Parameter Varying) Model-based 컨트롤러 등이 포함될 수 있으며, 이에 더하여 GA(Genetic Algorithm) 기반의 컨트롤러들인 DGA(Distributed GA), iGA(Interactive GA), MOGA(Gas for Multi-Objective Optimization), Genetic Programming, PSO(Particle Swarm Optimization) 등이 더 포함될 수 있다. 위와 같이 다양한 알고리즘들 또는 컨트롤러들 중 최적화 연산부(30)는 측정값, 분석정보, 모델정보 중 적어도 어느 하나를 참조하여 보일러 연소 최적화를 연산하기에 가장 적합한 알고리즘을 적어도 두 개 이상 선별하게 된다. 이 때, 선별의 기준은 다양하게 설정될 수 있으며, 예를 들어 보일러 내 어떤 대상을 제어할 것인지, 측정값이 어떤 부품에 대한 것인지, 연소량이 어느 시간 내에 얼마나 변동하였는지, 모델링부(40)에서 수신된 보일러 연소 모델이 어느 것인지 등에 따라 알고리즘이 선별될 수 있다.
S301 단계에서 둘 이상의 알고리즘들이 선별된 후, 최적화 연산부(30)는 각 선별된 알고리즘 별로 퍼포먼스 시뮬레이션을 수행(S302)하며, 퍼포먼스 시뮬레이션 결과 가장 높은 효율성을 나타낸 알고리즘을 최적의 컨트롤러, 즉 최적화 연산을 위한 알고리즘 또는 컨트롤러로 선택하게 된다. (S303)
예를 들어, 최적화 연산부(30)는 PID 컨트롤러와 PSO를 최적화를 위한 컨트롤러로 선별할 수 있으며, 각 컨트롤러 별 퍼포먼스 시뮬레이션을 해 봄으로써 어느 컨트롤러가 보일러 연소 최적화 값을 찾는 데에 가장 적합한지를 판단하고, 그 결과에 따라 최종적으로 어느 하나의 컨트롤러를 선택할 수 있게 된다.
알고리즘 선택 단계(S30) 이후 수행되는 최적화 연산단계(S32)는 앞서 단계에서 최적화 연산을 위한 알고리즘이 결정이 되었음을 전제로, 최종적으로 보일러 연소의 최적화를 위한 값을 산출하는 단계이다. 설명의 이해를 돕기 위하여 본 상세한 설명에서는 입자군집최적화(PSO)가 최적화 연산을 위한 알고리즘으로 선택되었음을 전제로 설명하기로 한다.
한편, 도 6은 최적화 연산단계(S32)를 세분화 한 것인데, 이에 따르면 최적화 연산단계(S32)는 먼저 그룹 제어 알고리즘을 적용하는 단계(S321), 파트 제어 알고리즘을 적용하는 단계(S322), 그리고 유닛 제어 알고리즘을 적용하는 단계(S323)를 포함할 수 있다. 도 6에서 도시하고 있는 각 알고리즘은 하나의 보일러 내에 제어하여야 할 대상이 복수 개인 경우 개별 대상 별로 각각 최적화 연산을 수행하는 것이 어려운 문제점을 해결하기 위해 제안된 것으로, 예를 들어 보일러 내 제어 대상이 100개라 가정할 때 개별적으로 최적의 값, 즉 세트 포인트(set point)를 연산하기 위해서는 매우 많은 시간이 필요하기 때문에 보일러 운전을 실시간으로 제어할 수 없는 문제가 발생하게 되어 이를 극복하기 위해 제안된 것이다. 가령, 보일러 운전을 제어하는 제어주기가 5분인데 이 제어주기 내에 연산이 완료되지 않는 경우 실질적으로 다음 주기에 보일러를 제어할 최적값을 알 수 없으므로 당초 본 발명이 의도하고자 했던 연소 효율 극대화, 배기가스 배출 최소화 등의 목적이 달성될 수 없게 되므로 제어대상을 그룹(대단위), 파트(중단위), 유닛(소단위)으로 나누어 연산을 수행케 한 것이다.
도 7은 도 6에서 제안하고 있는 연산과정을 이해하기 쉽게 도시한 것으로, 이에 따르면 복수 개의 제어대상들을 처음에는 4개의 그룹으로 나누어 최적값을 산출하고, 이후에는 하나의 그룹당 5개의 파트로 나누어 총 20개에 대한 최적값을 산출하며, 마지막에는 하나의 파트당 5개의 유닛으로 나누어 총 100개에 대한 최적값을 산출하는 과정이 도시되어 있다. 복수 개의 제어대상들에는 예를 들어 보일러 내 곳곳에 설치되는 댐퍼들이 포함될 수 있다. 일반적으로 보일러 내에는 수십 개 단위의 댐퍼들이 설치될 수 있는데, 연소의 효율성을 높이기 위해서는 상기 댐퍼들을 개별적으로 제어하는 작업이 반드시 필요하다. 그러나 연산량의 급격한 증가 및 이에 따른 제어장치의 과중한 로드 걸림에 의해 실질적으로 하나하나 댐퍼에 대해 최적의 세트 포인트를 연산해 내기란 쉽지 않은 작업이었으며, 현재까지도 각 댐퍼 별 최적 제어는 해결해야 할 과제로 남겨져 있다. 도 6 및 도 7에서 제안하고 있는 연산과정은 바로 이렇게 보일러 내 설치된 복수 개의 제어대상들을 개별제어 하기 위해 연산의 효율성을 높인 것으로, 조건 또는 환경이 유사한 제어대상들을 하나의 그룹, 하나의 파트로 그룹화 하여 순차적으로 최적값을 찾는 과정을 제안한 것이다.예를 들어, 보일러 내 제1영역 내지 제4영역에 복수 개의 댐퍼들이 분산되어 구비된 경우, 상기 연산은 제1영역 내지 제4영역에 구비된 모든 댐퍼들에 대해 1차적으로 연산을 수행한 후, 상기 1차 연산에 의해 산출된 값을 기준으로 제1영역, 제2영역, 제3영역, 제4영역 각각에 구비된 댐퍼들에 대해 2차적으로 연산을 수행할 수 있으며, 2차 연산에 의해 산출된 값을 기준을 다시 제1영역 내 개별 댐퍼들, 제2영역 내 개별 댐퍼들, 제3영역 내 개별 댐퍼들, 제4영역 내 개별 댐퍼들에 대한 3차 연산을 수행할 수 있게 된다. 참고로 1차 연산에서 산출된 값은 모든 댐퍼들에 대한 평균 값이 산출될 수 있으며, 2차 연산에서 산출된 값은 각 영역에 구비된 댐퍼들에 대한 평균 값이 산출될 수 있는데, 이처럼 그룹화 하여 제어대상을 분별하고 연산을 한 결과값들은 다음의 소단위 연산을 수행할 때에 기준이 되는 값으로 활용된다.
이와 같이 대단위, 중단위, 소단위로 나누어 복수 제어대상들에 대한 연산을 수행하는 경우, 다수의 제어대상에 대해 빠른 연산을 수행할 수 있으며, 특히 본 발명에서와 같이 수 많은 제어대상들을 짧은 주기동안 반복적으로 제어하여야 할 필요가 있는 시스템에서는 위와 같은 연산 방법이 반드시 필요하다 할 것이다.
이상 보일러를 제어하기 위한 시스템 및 그 방법에 대해 살펴보았다. 본 발명은 상술한 특정의 실시예 및 응용예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 발명의 기술적 사상이나 전망으로부터 구별되어 이해되어서는 안 될 것이다.
10 작업관리부
20 전처리부
30 최적화 연산부
40 모델링부
50 출력 제어부

Claims (18)

  1. 보일러 제어 시스템에 있어서,
    보일러의 현재 운전 상태에 대한 정보들을 수집하고, 상기 보일러에 대한 연소 최적화를 수행할지 여부를 판단하는 작업관리부;
    상기 보일러로부터 수집한 데이터들을 전처리하고, 전처리 된 데이터들을 모델링부 및 최적화 연산부에 제공하는 전처리부;
    모델링부로부터 보일러 연소 모델을 수신하고, 상기 보일러 연소 모델을 활용하여 보일러 연소 최적화 연산을 수행하는 최적화 연산부;
    상기 전처리부로부터 수신한 전처리 된 데이터들을 기초로 보일러 연소 모델을 생성하는 모델링부; 및
    상기 최적화 연산부로부터 연산 결과에 따른 최적값을 수신하고, 상기 최적값을 보일러 제어 로직에 반영하여 보일러 운전을 제어하는 출력 제어부;
    를 포함하되,
    상기 최적화 연산부는 상기 전처리부로부터 수신한 전처리 된 데이터들을 상기 보일러 연소 모델에 적용시키고, 상기 보일러 연소 모델을 반복적으로 시뮬레이션 한 결과를 연소 최적화 알고리즘에 적용시킴으로써 최적값을 산출하고,
    상기 최적화 연산부는 복수 개의 보일러 내 제어대상에 대한 최적값들을 산출하되, 상기 제어대상을 대단위, 중단위, 및 소단위 - 상기 소단위의 그룹은 상기 중단위를 구성하고, 상기 중단위의 그룹은 상기 대단위를 구성함 - 로 나누어 각 단위 별 최적값들을 순차적으로 산출하는,
    보일러 제어 시스템.
  2. 삭제
  3. 제1항에 있어서,
    상기 연소 최적화 알고리즘은 PID(Proportional-Integral-Deravative) 알고리즘, DOF(degree Of Freedom) 알고리즘, MPC(Model Predictive Control) 알고리즘, 어댑티브(adaptive) 알고리즘, 퍼지 알고리즘, H-infinity 알고리즘, LPV(Linear Parameter Varying) Model-based 알고리즘, GA(Genetic Algorithm) 중 어느 하나인 것을 특징으로 하는,
    보일러 제어 시스템.
  4. 삭제
  5. 삭제
  6. 제1항에 있어서,
    상기 최적화 연산부는, 사용자로부터 수신한 목적에 따라 상기 연소 최적화 알고리즘을 적용하는 것을 특징으로 하는,
    보일러 제어 시스템.
  7. 제6항에 있어서,
    상기 최적화 연산부는, 비용을 최우선으로 고려한 비용 최적화, 오염물질 저감을 최우선으로 고려한 오염물질 최적화, 보일러 기기보호를 최우선으로 고려한 기기보호 최적화 중 사용자가 선택한 목적을 수신하는 것을 특징으로 하는,
    보일러 제어 시스템.
  8. 제1항에 있어서,
    상기 최적화 연산부는 보일러 연소 최적화 연산을 수행하기에 앞서,
    복수 개의 알고리즘들 중 상기 연소 최적화 연산을 수행할 수 있는 알고리즘들을 복수 개 선별하고, 그 중 어느 하나의 알고리즘을 상기 연소 최적화 연산을 수행하기 위한 연소 최적화 알고리즘으로 선택하는 것을 특징으로 하는,
    보일러 제어 시스템.
  9. 제8항에 있어서,
    상기 최적화 연산부는,
    상기 선별된 복수 개의 알고리즘들에 대해 퍼포먼스 시뮬레이션을 수행하고, 상기 퍼포먼스 시뮬레이션 수행 결과 가장 높은 효율성을 나타낸 알고리즘을 연소 최적화 알고리즘으로 선택하는 것을 특징으로 하는,
    보일러 제어 시스템.
  10. 보일러를 제어하는 방법에 있어서,
    보일러의 현재 운전 상태에 대한 정보들을 수집하고, 상기 보일러에 대한 연소 최적화를 수행할지 여부를 판단하는 단계;
    상기 보일러로부터 수집한 데이터들을 전처리하는 단계;
    상기 전처리 된 데이터들을 기초로 보일러 연소 모델을 생성하는 단계;
    상기 보일러 연소 모델을 활용하여 연소 최적화 연산을 수행하고 최적값을 산출하는 단계;
    상기 최적값을 보일러 제어 로직에 반영하여 보일러 운전을 제어하는 단계;
    를 포함하되,
    상기 최적값을 산출하는 단계는,
    상기 전처리 된 데이터들을 상기 보일러 연소 모델에 적용시키고, 상기 보일러 연소 모델을 반복적으로 시뮬레이션 한 결과를 연소 최적화 알고리즘에 적용시킴으로써 최적값을 산출하고,
    상기 최적값을 산출하는 단계는, 복수 개의 보일러 내 제어대상들을 임의 개수의 제어대상이 포함된 단위로 나누어 각 단위 별로 최적값들을 산출하되, 상기 제어대상을 대단위, 중단위, 및 소단위 - 상기 소단위의 그룹은 상기 중단위를 구성하고, 상기 중단위의 그룹은 상기 대단위를 구성함 - 로 나누어 각 단위 별 최적값들을 순차적으로 산출하는,
    보일러를 제어하는 방법.
  11. 삭제
  12. 제10항에 있어서,
    상기 연소 최적화 알고리즘은 PID(Proportional-Integral-Deravative) 알고리즘, DOF(degree Of Freedom) 알고리즘, MPC(Model Predictive Control) 알고리즘, 어댑티브(adaptive) 알고리즘, 퍼지 알고리즘, H-infinity 알고리즘, LPV(Linear Parameter Varying) Model-based 알고리즘, GA(Genetic Algorithm) 중 어느 하나인 것을 특징으로 하는,
    보일러를 제어하는 방법.
  13. 삭제
  14. 삭제
  15. 제10항에 있어서,
    상기 최적값을 산출하는 단계는,
    사용자로부터 최적화 목적을 수신하고, 수신된 목적에 따라 연소 최적화 알고리즘을 적용하는 것을 특징으로 하는,
    보일러를 제어하는 방법.
  16. 제15항에 있어서,
    상기 최적화 목적은, 비용을 최우선으로 고려한 비용 최적화, 오염물질 저감을 최우선으로 고려한 오염물질 최적화, 보일러 기기보호를 최우선으로 고려한 기기보호 최적화를 포함하는 것을 특징으로 하는,
    보일러를 제어하는 방법.
  17. 제10항에 있어서,
    상기 연소 최적화 연산을 수행하기에 앞서,
    복수 개의 알고리즘들 중 상기 연소 최적화 연산을 수행할 수 있는 알고리즘들을 복수 개 선별하고, 그 중 어느 하나의 알고리즘을 상기 연소 최적화 연산을 수행하기 위한 연소 최적화 알고리즘으로 선택하는 단계를 더 포함하는,
    보일러를 제어하는 방법.
  18. 제17항에 있어서,
    상기 연소 최적화 알고리즘을 선택하는 단계는,
    상기 선별된 복수 개의 알고리즘들에 대해 퍼포먼스 시뮬레이션을 수행하고, 상기 퍼포먼스 시뮬레이션 수행 결과 가장 높은 효율성을 나타낸 알고리즘을 연소 최적화 알고리즘으로 선택하는 단계를 포함하는,
    보일러를 제어하는 방법.
KR1020180152752A 2018-11-30 2018-11-30 보일러 연소의 최적화를 위한 시스템 및 방법 Active KR102106827B1 (ko)

Priority Applications (4)

Application Number Priority Date Filing Date Title
KR1020180152752A KR102106827B1 (ko) 2018-11-30 2018-11-30 보일러 연소의 최적화를 위한 시스템 및 방법
US16/562,409 US11232376B2 (en) 2018-11-30 2019-09-05 System and method for optimizing combustion of boiler
CN201910857796.5A CN111260107B (zh) 2018-11-30 2019-09-11 锅炉燃烧优化系统及方法
DE102019126310.7A DE102019126310B4 (de) 2018-11-30 2019-09-30 System und Verfahren zum Optimieren der Verbrennung eines Kessels

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180152752A KR102106827B1 (ko) 2018-11-30 2018-11-30 보일러 연소의 최적화를 위한 시스템 및 방법

Publications (1)

Publication Number Publication Date
KR102106827B1 true KR102106827B1 (ko) 2020-05-06

Family

ID=70681451

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180152752A Active KR102106827B1 (ko) 2018-11-30 2018-11-30 보일러 연소의 최적화를 위한 시스템 및 방법

Country Status (4)

Country Link
US (1) US11232376B2 (ko)
KR (1) KR102106827B1 (ko)
CN (1) CN111260107B (ko)
DE (1) DE102019126310B4 (ko)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113657683A (zh) * 2021-08-24 2021-11-16 湛江电力有限公司 一种燃煤电厂火电机组脱硝系统管理优化平台
KR102337026B1 (ko) * 2021-06-02 2021-12-08 주식회사 이엠코 화력발전소의 질소산화물 함유 배가스 처리장치 및 화력발전소의 질소산화물 함유 배가스 처리방법
KR102337021B1 (ko) * 2021-06-02 2021-12-08 주식회사 이엠코 화력발전소의 배가스 처리장치 및 화력발전소의 배가스 처리방법
CN114372093A (zh) * 2021-12-15 2022-04-19 南昌大学 一种变压器dga在线监测数据的处理方法
KR20220094069A (ko) 2020-12-28 2022-07-05 린나이코리아 주식회사 스마트앱을 이용한 스마트 보일러의 최적화 기능설정 시스템 및 그 방법
CN116007005A (zh) * 2022-12-09 2023-04-25 上海发电设备成套设计研究院有限责任公司 锅炉燃烧优化方法、装置、电子设备、存储介质及系统
CN119809130A (zh) * 2024-12-27 2025-04-11 建投国电准格尔旗能源有限公司 一种基于燃料指标差异的火电厂综合效益测算系统

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111881120B (zh) * 2020-06-16 2024-04-26 国能信控互联技术有限公司 一种锅炉智能运行优化方法
CN111765445B (zh) * 2020-07-01 2021-10-15 河北工业大学 一种锅炉在线燃烧优化控制方法、系统及计算机设备
CN114545866A (zh) * 2020-11-11 2022-05-27 台泥资讯股份有限公司 控制煤耗系统的方法
CN113177352A (zh) * 2021-04-07 2021-07-27 华南理工大学 一种基于数值模拟和人工智能的锅炉燃烧优化系统及方法
CN113112095A (zh) * 2021-05-11 2021-07-13 杭州英集动力科技有限公司 一种多模式多供热机组负荷实时优化调度方法及管理系统
CN113467392B (zh) * 2021-06-18 2024-03-26 中国大唐集团科学技术研究院有限公司中南电力试验研究院 一种燃煤锅炉开环燃烧控制优化方法
CN113962435B (zh) * 2021-09-14 2025-06-13 国能神福(石狮)发电有限公司 锅炉燃烧参数的判断方法及装置
CN113864812A (zh) * 2021-10-08 2021-12-31 大唐陕西发电有限公司 一种锅炉二次风门智能优化方法和控制系统
CN114647191B (zh) * 2022-03-28 2024-12-24 华北电力大学 一种基于锅炉热负荷均衡分配的制粉系统优化调度方法
CN114791102B (zh) * 2022-04-21 2023-09-22 中国矿业大学 一种基于动态运行数据分析的燃烧优化控制方法
CN115685898B (zh) * 2022-09-21 2024-11-01 华中科技大学 提升锅炉灵活性的输配储给煤方法、装置、设备及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009198136A (ja) * 2008-02-25 2009-09-03 Hitachi Ltd 石炭焚きボイラのガス濃度推定装置及びガス濃度推定方法
JP2013178045A (ja) * 2012-02-29 2013-09-09 Hitachi Ltd 石炭火力プラントの制御装置及び、石炭火力プラント
KR101484496B1 (ko) 2010-12-07 2015-01-20 알스톰 테크놀러지 리미티드 산소 연료 연소 파워 플랜트를 위한 최적화된 통합 제어
JP2016205678A (ja) * 2015-04-20 2016-12-08 三浦工業株式会社 ボイラシステム

Family Cites Families (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2687520B1 (fr) * 1992-02-14 1994-05-06 France Telecom Procede d'implantation de l'infrastructure d'un reseau cellulaire de communication.
US5740033A (en) 1992-10-13 1998-04-14 The Dow Chemical Company Model predictive controller
NO312567B2 (no) * 1999-05-27 2002-05-27 Halfwave As Fremgangsmate ved maling av materialtykkelsesfordeling
DE50212144D1 (de) 2001-03-02 2008-06-05 Powitec Intelligent Tech Gmbh Verfahren zur regelung eines thermodynamischen prozesses, insbesondere eines verbrennungsprozesses
KR100560114B1 (ko) 2003-10-27 2006-03-13 한국생산기술연구원 다단 공기 공급 연소시스템의 자동 제어 방법
KR100576763B1 (ko) 2004-08-10 2006-05-03 한국전력공사 보일러 성능감시 및 자동계산 방법과 그 장치
US7584024B2 (en) * 2005-02-08 2009-09-01 Pegasus Technologies, Inc. Method and apparatus for optimizing operation of a power generating plant using artificial intelligence techniques
US7599750B2 (en) * 2005-12-21 2009-10-06 Pegasus Technologies, Inc. Model based sequential optimization of a single or multiple power generating units
US7389151B2 (en) * 2006-03-06 2008-06-17 General Electric Company Systems and methods for multi-level optimizing control systems for boilers
US7756591B2 (en) * 2006-04-25 2010-07-13 Pegasus Technologies, Inc. System for optimizing oxygen in a boiler
US8135653B2 (en) * 2007-11-20 2012-03-13 Hitachi, Ltd. Power plant control device which uses a model, a learning signal, a correction signal, and a manipulation signal
CN101939591B (zh) * 2007-12-07 2012-10-10 Abb技术有限公司 粉煤燃烧蒸汽锅炉的完全燃烧优化系统和方法
US20100049561A1 (en) 2008-08-22 2010-02-25 Alstom Technology Ltd. Fluidized bed combustion optimization tool and method thereof
KR101041467B1 (ko) 2008-12-30 2011-06-16 두산중공업 주식회사 보일러 최적 연소조정 시스템
CN101498457B (zh) * 2009-03-02 2010-08-25 杭州电子科技大学 一种锅炉燃烧优化的方法
JP5006947B2 (ja) * 2010-01-14 2012-08-22 本田技研工業株式会社 プラントの制御装置
CN105444201B (zh) * 2014-09-26 2018-11-13 通用电气公司 燃烧优化的方法及其系统
US9898787B2 (en) * 2014-10-16 2018-02-20 Honeywell International Inc. Allocation of energy production changes to meet demand changes
KR20160104481A (ko) * 2015-02-26 2016-09-05 두산중공업 주식회사 보일러 연소 제어 시스템
CN104763999A (zh) * 2015-03-04 2015-07-08 内蒙古瑞特优化科技股份有限公司 电厂煤粉锅炉燃烧性能在线优化方法和系统
CN104776446B (zh) * 2015-04-14 2017-05-10 东南大学 一种锅炉燃烧优化控制方法
JP6522445B2 (ja) * 2015-06-30 2019-05-29 三菱日立パワーシステムズ株式会社 制御パラメータ最適化システム及びそれを備えた運転制御最適化装置
TWI705316B (zh) * 2018-04-27 2020-09-21 日商三菱日立電力系統股份有限公司 鍋爐之運轉支援裝置、鍋爐之運轉支援方法、及鍋爐之學習模型之作成方法
US11159022B2 (en) * 2018-08-28 2021-10-26 Johnson Controls Tyco IP Holdings LLP Building energy optimization system with a dynamically trained load prediction model
JP7325948B2 (ja) * 2018-11-21 2023-08-15 三菱重工業株式会社 微粉炭機の微粉炭乾燥システム及びその微粉炭乾燥方法並びに微粉炭乾燥プログラム、微粉炭機、ガス化複合発電設備

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009198136A (ja) * 2008-02-25 2009-09-03 Hitachi Ltd 石炭焚きボイラのガス濃度推定装置及びガス濃度推定方法
KR101484496B1 (ko) 2010-12-07 2015-01-20 알스톰 테크놀러지 리미티드 산소 연료 연소 파워 플랜트를 위한 최적화된 통합 제어
JP2013178045A (ja) * 2012-02-29 2013-09-09 Hitachi Ltd 石炭火力プラントの制御装置及び、石炭火力プラント
JP2016205678A (ja) * 2015-04-20 2016-12-08 三浦工業株式会社 ボイラシステム

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220094069A (ko) 2020-12-28 2022-07-05 린나이코리아 주식회사 스마트앱을 이용한 스마트 보일러의 최적화 기능설정 시스템 및 그 방법
KR102337026B1 (ko) * 2021-06-02 2021-12-08 주식회사 이엠코 화력발전소의 질소산화물 함유 배가스 처리장치 및 화력발전소의 질소산화물 함유 배가스 처리방법
KR102337021B1 (ko) * 2021-06-02 2021-12-08 주식회사 이엠코 화력발전소의 배가스 처리장치 및 화력발전소의 배가스 처리방법
CN113657683A (zh) * 2021-08-24 2021-11-16 湛江电力有限公司 一种燃煤电厂火电机组脱硝系统管理优化平台
CN114372093A (zh) * 2021-12-15 2022-04-19 南昌大学 一种变压器dga在线监测数据的处理方法
CN116007005A (zh) * 2022-12-09 2023-04-25 上海发电设备成套设计研究院有限责任公司 锅炉燃烧优化方法、装置、电子设备、存储介质及系统
CN119809130A (zh) * 2024-12-27 2025-04-11 建投国电准格尔旗能源有限公司 一种基于燃料指标差异的火电厂综合效益测算系统

Also Published As

Publication number Publication date
CN111260107A (zh) 2020-06-09
US20200175435A1 (en) 2020-06-04
US11232376B2 (en) 2022-01-25
DE102019126310B4 (de) 2023-05-17
CN111260107B (zh) 2024-03-05
DE102019126310A1 (de) 2020-06-04

Similar Documents

Publication Publication Date Title
KR102106827B1 (ko) 보일러 연소의 최적화를 위한 시스템 및 방법
KR102094288B1 (ko) 보일러의 연소 최적화 연산을 위한 시스템 및 방법
Zhan et al. Deepthermal: Combustion optimization for thermal power generating units using offline reinforcement learning
KR102108015B1 (ko) 보일러 운전을 제어하기 위한 시스템 및 방법
KR102291800B1 (ko) 보일러 연소 모델 도출 장치 및 방법
CN105320114B (zh) 基于数据挖掘的火力发电站锅炉燃烧调整模型获取方法
CN105020705A (zh) 循环流化床锅炉燃烧性能实时优化控制方法及系统
CN104763999A (zh) 电厂煤粉锅炉燃烧性能在线优化方法和系统
US11526687B2 (en) Apparatus for generating learning data for combustion optimization and method therefor
CN116085823A (zh) 锅炉燃烧控制方法及系统
US11761623B2 (en) Apparatus for combustion optimization and method therefor
US20080215165A1 (en) Control loop for regulating a combustion process
US11629856B2 (en) Apparatus for managing combustion optimization and method therefor
Kim et al. Strategy to coordinate actions through a plant parameter prediction model during startup operation of a nuclear power plant
Deshpande et al. Thermal power plant analysis using artificial neural network
CN119724398A (zh) 一种电厂烟气参数预测方法和装置
CN117991639B (zh) 基于机器学习的燃煤电厂多目标燃烧优化控制方法及装置
CN117869930B (zh) 用于燃煤锅炉宽负荷范围稳燃的多变量控制方法及装置
CN117704349A (zh) 燃煤电厂锅炉低负荷水动力自适应调控方法及装置
Chaibakhsh Modelling and long-term simulation of a heat recovery steam generator
Song et al. Optimization of temporal processes: a model predictive control approach
JP2025512395A (ja) 熱力学的発電の機械学習ベースの最適化
Savargave et al. Self-adaptive firefly algorithm with neural network for design modelling and optimization of boiler plants
CN120072112A (zh) 一种氮氧化物排放浓度动态预测方法、系统、介质和设备
Śladewski et al. Close loop optimisation of large CHP based on approximation model

Legal Events

Date Code Title Description
PA0109 Patent application

Patent event code: PA01091R01D

Comment text: Patent Application

Patent event date: 20181130

PA0201 Request for examination
PE0902 Notice of grounds for rejection

Comment text: Notification of reason for refusal

Patent event date: 20191011

Patent event code: PE09021S01D

E701 Decision to grant or registration of patent right
PE0701 Decision of registration

Patent event code: PE07011S01D

Comment text: Decision to Grant Registration

Patent event date: 20200423

GRNT Written decision to grant
PR0701 Registration of establishment

Comment text: Registration of Establishment

Patent event date: 20200427

Patent event code: PR07011E01D

PR1002 Payment of registration fee

Payment date: 20200428

End annual number: 3

Start annual number: 1

PG1601 Publication of registration
PR1001 Payment of annual fee

Payment date: 20230329

Start annual number: 4

End annual number: 4