2. PMS의 주요 기능

1) Track Performance Changes(성능 변경 추적)

플랜트 측정 데이터는 First Principle Model, 열 균형 분석 및 고급 데이터 분석의 조합을 사용하여 지속적으로 평가되며, RTDB에 저장되고 그래픽 형태로 모니터링되고 있다.

2) Heat Balance Concept(열 평형 개념)
Heat balance는 장비 모델의 질량·에너지 보전 및 연소 모델링을 사용하여 보일러의 흐름과 열 전달을 결정한다. 또 보일러 효율과 각 과열기의 듀티를 결정하며, 정보를 측정된 데이터에 추가한다. 열 평형은 장비 효율과 열 소비율이 계산되는 시스템의 모든 온도와 흐름에 대한 결과를 보여준다.
상세 모델은 공기 흐름, 터빈 입구 온도, 1단계 노즐 지역 및 배기가스 조성과 같은 성능 매개변수를 결정한다.

3) Least-Squared Fitting(최소 제곱 피팅)
열수지 분석에서 가장 일반적인 문제는 플랜트 데이터에 측정 및 교정 오류가 포함되어 있다는 것이며, 데이터의 불일치를 감지 및 해결하고, 개별 측정보다 더 정확한 열 균형 출력을 생성할 수 있는 유연성을 가져야 한다.

4) Predict Expected Performance(예상 성능 예측)
성능은 예상 성능과 현재 성능을 비교하여 평가하며, 수정 곡선, 회귀 피팅의 상관관계 또는 고급 패턴 인식을 사용하여 예상 성능을 예측한다.

5) Multi-Variable Regression(다중 변수 회귀)
성능 매개변수가 여러 다른 변수에 종속되는 경우 상관관계를 활용하여 예상 값을 예측할 수 있다. 예를 들어, 부분 부하에서 가스터빈 동력은 공기 온도, 입구 압력, IGV 및 터빈 입구 온도의 함수일 수 있다. 열평형 결과를 입력으로 사용하여 상관성의 정확도를 향상할 수 있다.
하나의 변수(예 : 가스터빈 출력)가 여러 독립 변수의 함수일 때 상관관계가 잘 작동한다. 일반적으로 제어 설정과 유입 흐름 스트림의 속성에 따라 작동이 달라지는 장비의 출력에 대한 경우다. 예를 들면 응축기 압력, HRSG 증기 흐름, 증기 터빈 동력, 가스터빈 동력 및 열 소비율, 보일러 효율 및 압축기 효율 등이다.

회귀 분석은 상관성을 과거(훈련) 데이터를 사용하여 맞추며, 상관관계는 하나의 변수(Y)에 대한 값을 최대 5개의 독립 변수[X(i)]의 함수로 지정하는 공식이다. 상관관계가 설정되면 작동 조건이 변경됨에 따라 Y 변수의 예상 값을 예측하는 데 사용할 수 있다.
가스터빈 공급업체는 일반적으로 주변 조건 및 입구-출구 압력 손실이 변화함에 따라 가스터빈의 기저부하 전력 변화를 예측하는 수정 곡선을 제공한다. 곡선이 엔진의 성능과 일치하지 않거나 부분 부하 성능을 예측하려는 경우 상관관계를 생성하고, 엔진의 History Data로 상관성을 조정할 수 있다.
부분 부하는 입구 가이드 날개를 닫고 소성 온도를 낮추어 제어시스템에 의해 구현된다. 상관관계는 측정된 입구 가이드 날개 각도와 X 변수로 열평형에 의해 계산된 터빈 입구 온도를 사용한다.
위의 그림은 가이드 날개가 부분적으로 닫혀 있고, 터빈 입구 온도(TIT, Turbine Inlet Temperature)가 기저부하 TIT(1250C)보다 낮은 부분 부하에서 10일 동안의 측정된 전력과 예측된 전력을 보여주며, 상관관계는 0.5% 미만의 평균 오차로 측정된 전력을 예측한다.
상관관계는 보정 곡선을 사용할 수 없거나 장비의 일반적인 작동 범위를 포함하지 않을 때 유용하다. HRSG의 HP 증기 흐름은 입구 가스 흐름, 온도 및 조성의 함수이다. 공급업체는 이러한 변수에 대한 수정 곡선을 제공하지 않지만, 예상 증기 흐름을 정확하게 예측하는 상관관계를 쉽게 생성할 수 있다. HRSG로의 가스 흐름은 열 균형에 의해 계산되고, 가스터빈 배기가스 온도가 측정된다. 가스의 수분 함량이 달라질 것으로 예상되는 경우, 배기 가스의 수분을 상관관계의 추가 X 변수로 추가할 수 있다.
상관관계를 사용하여 다음에 대한 예상 값을 예측할 수 있다.
•Aux power
•Boiler efficiency
•Condenser pressure
•Fan power
•Feedwater heater TTD and DCA
•Gas turbine heat rate
•HRSG steam generation
•HRSG efficiency
•Plant heat rate
•Plant power
•Steam turbine efficiency
•Steam turbine discharge enthalpy
•Steam turbine power

6) Advanced Pattern Recognition(고급 패턴 인식)
발전소 성능 모니터링은 관찰된(측정된 값 또는 열평형에서 계산된 값) 동작과 예상 동작 간의 차이를 지속적으로 추적하며, 고급 패턴 인식을 사용하여 성능 매개변수의 예상 값을 예측한다.

종종 공장의 운영 변수는 인식 가능하고, 반복 가능한 방식(패턴)으로 변한다. APR(Advanced Pattern Recognition)은 과거(훈련) 데이터의 패턴을 식별하는 수학적 알고리즘이며, 개발 중인 문제에서 발생하는 플랜트 운영 데이터의 변경 사항을 감지하기 위하여 이러한 학습된 패턴을 사용한다.
APR은 프로세스를 예측하기 위한 기초로 수학적, 물리학 또는 First Principle Model을 사용할 필요가 없으며, 실제 프로세스 값과 모든 측정 불확실성 및 작동 편차를 포함하는 예상 성능 변숫값을 모델링하기 위해 경험적 방법을 사용할 수 있다. 이러한 경험적 방법은 모델이 데이터에서 직접 학습하고 추론하기 때문에 프로세스에 대한 제한된 지식이 필요하다. 결과적으로 APR은 작동 변경 및 주변 조건 변경과 같은 다양한 유형의 프로세스 변수 및 프로세스 변동에 적용될 수 있다. 일반적으로 RTDB의 기존 데이터는 주요 구성요소에 대한 주요 성능, 작동 또는 안정성 특성을 설명할 수 있는 관련 신호 간의 통계적 관계를 생성하는 데 사용된다. 이러한 관계 또는 예측 모델이 파생되면, 구성요소가 정상적으로 작동하는 것으로 알려진 동안 다양한 신호의 예측값을 정확하게 추정하는 데 사용할 수 있다.

그런 다음 “정상” 조건에서 예측된 신호는 실제 관측된 값과 차이를 비교하며, 이 차이가 통계적으로 벗어나기 시작하면 이상 징후를 나타낸다고 볼 수 있다.
APR과 열역학적 성능 모델을 결합하면 이상 현상을 더 빠르고 정확하게 감지할 수 있으며, 이상 징후의 근본 원인을 보다 쉽게 진단할 수 있다.
이상이 감지되면 근본적인 문제를 제대로 진단해야 해결할 수 있다. 문제 해결 지식 기반과 예측을 기반으로 한 이상 패턴의 자동 해석으로 관찰된 이상 발생 확률을 결정함으로써 가장 가능성 있는 원인을 진단할 수 있다.
APR은 과거 데이터에서 성능 패턴을 학습한다. 측정 데이터와 함께 열평형 결과를 제공하여 패턴을 인식하는 데 중요할 수 있는 세부 정보로 기록 데이터를 향상시킬 수 있다.
예를 들어 열평형 결과에는 가스터빈 공기 흐름, 터빈 입구 온도, 1단계 노즐 면적, 배기가스 흐름 및 구성, 증기터빈 배출 흐름 및 엔탈피, 급수 히터 증기 흐름, 응축기 듀티, 응축기 냉각수 흐름 등이 포함된다
이러한 열평형 결과를 APR에 입력하여 정확도를 개선하고, 잘못된 경보를 줄이며, 개발 문제의 조기 감지 능력을 향상시킬 수 있다.

sypark@sayplant.com