DOI QR코드

DOI QR Code

신경망 알고리즘을 이용한 화력발전 보일러 시스템 시뮬레이터 개발

Development of Thermal Power Boiler System Simulator Using Neural Network Algorithm

  • Lee, Jung Hoon (GyeongSang National University ERI, Control & Instrument Engineering)
  • 투고 : 2020.07.10
  • 심사 : 2020.08.04
  • 발행 : 2020.09.30

초록

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.

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.

키워드

참고문헌

  1. 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. https://doi.org/10.1016/S0142-0615(99)00036-8
  2. AI Lab (2016), A Basic Introduction to Artificial Neural Network (ANN), Hanyang university
  3. 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.
  4. 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. https://doi.org/10.1016/j.enconman.2012.07.028
  5. 신용환, 이형란, 신휘범 (2010), "화력발전소 과열기 모델링 및 파라미터 추정", 전력전자학회 2010년도 전력전자학술대회 논문집, pp. 600-601.
  6. 임건표, 이흥호 (2012), "석탄화력발전소 보일러 연소용 공기 제어알고리즘의 개발", 대한전기공학회 논문지, 제 61권 4호, pp. 153-160.
  7. 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. https://doi.org/10.1016/j.conengprac.2013.01.007
  8. Andrea Vedaldi, Karel Lenc (2015), MatConvNet: Convolutional Neural Networks for MATLAB, Proceedings of ACM international conference on Multimedia, pp. 689-692.
  9. 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.