KR102116711B1 - 다중 예측 모델을 적용한 발전소 조기 경보 장치 및 방법 - Google Patents
다중 예측 모델을 적용한 발전소 조기 경보 장치 및 방법 Download PDFInfo
- Publication number
- KR102116711B1 KR102116711B1 KR1020180121645A KR20180121645A KR102116711B1 KR 102116711 B1 KR102116711 B1 KR 102116711B1 KR 1020180121645 A KR1020180121645 A KR 1020180121645A KR 20180121645 A KR20180121645 A KR 20180121645A KR 102116711 B1 KR102116711 B1 KR 102116711B1
- Authority
- KR
- South Korea
- Prior art keywords
- prediction
- prediction model
- power plant
- value
- early warning
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B29/00—Checking or monitoring of signalling or alarm systems; Prevention or correction of operating errors, e.g. preventing unauthorised operation
- G08B29/18—Prevention or correction of operating errors
- G08B29/183—Single detectors using dual technologies
-
- 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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- 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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
-
- 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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
-
- 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"
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
- H02P21/13—Observer control, e.g. using Luenberger observers or Kalman filters
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Automation & Control Theory (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Power Engineering (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Computer Security & Cryptography (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
본 발명은 다중 예측 모델을 적용한 발전소 조기 경보 장치 및 방법에 관한 것으로, 발전소의 기기들의 운전 상태에 관한 정보를 수신하여 예측값 및 상기 예측값에 대한 신뢰도를 출력하는 복수의 예측 모델; 복수의 상기 예측 모델에서 출력한 신뢰도를 정량화하고, 분석하여 복수의 상기 예측 모델의 순위를 결정하며, 최종 예측값을 계산하는 신뢰도 분석 모듈; 상기 최종 예측값을 실측값과 비교하여 잔차를 출력하는 비교 모듈; 및 상기 잔차를 분석하여 상기 발전소의 기기들의 운전 상태의 결함유무를 판단하는 결정 모듈;을 포함한다.
Description
본 발명은 다중 예측 모델을 적용한 발전소 조기 경보 장치 및 방법에 관한 것으로, 더욱 구체적으로는 예측 모델을 다중으로 적용함으로써 결함을 감지하고, 신뢰도를 증가시킬 수 있도록 하는 조기 경보 장치 및 방법에 관한 것이다.
조기 경보 장치는 기기의 고장을 사전에 예방하기 위하여 사용되는 시스템으로서 군사, 항공, 발전 분야에서 많이 도입하여 사용되고 있다.
조기 경보 장치의 원리는 과거의 정상운전 데이터를 이용하여 예측 모델이 운전 상태에 대한 예측값을 만들고 이 예측값을 실측값과 비교하여 잔차(residual)를 계산하여 그 잔차가 정상운전 범위를 벗어나면 경보가 발생되도록 하는 방법이다.
기기들의 운전상태에 대한 예측값을 계산하기 위해서는 여러 가지 수학적 방법들이 사용되는데 그 대표적인 방법이 통계적 방법을 이용한 커널회귀법, 가우시안 프로세스 회귀법, 신경망 방법 및 칼만 필터 등이 있다.
조기 경보 장치는 오경보가 발생할 확률을 최소화 시켜야만 실질적인 효과를 볼 수 있다. 그렇지 않으면, 운영자가 수많은 경보를 분석하는 동안 중요한 경보를 놓칠 수 있고, 운영자의 집중력을 저하시켜 실제 기기의 문제로 발생되는 경보를 찾아낼 수 없게 될 수도 있다.
종래에는 1개의 단일 예측 모델을 사용하였다. 이를 도1을 통해 설명하기로 한다.
도1은 종래에 단일 예측 모델을 적용하여 조기 경보 장치를 구성한 것을 개략적으로 나타낸 도면이다.
도1에 도시된 바와 같이, 측정된 신호는 단일 예측 모델로 전송되고, 단일 예측 모델에서는 예측값을 계산한다. 이러한 예측값은 비교 모듈로 전송되며, 비교 모듈은 예측값과 실측값을 비교하여 잔차를 출력하고, 최종적으로 출력된 잔차를 결정 모듈이 정상범위에 있는지 판단하여 결함유무를 판단하였다.
이 경우 감지된 결함에 대한 신뢰도가 낮고 예측 모델의 특성상 감지가 불가능한 결함이 존재하였고, 이에 따라 예측 모델의 신뢰도를 증가시키기 위해 예측 모델을 다중으로 적용하는 방법이 연구되고 있다.
본 발명은 상술한 바와 같은 종래 기술의 문제점을 해결하기 위한 것으로, 다중 예측 모델을 적용하여 조기 경보에 대한 신뢰도를 증가시키는 데 그 목적이 있다.
상기 목적을 달성하기 위한 본 발명에 따른 다중 예측 모델을 적용한 발전소 조기 경보 장치는 발전소의 기기들의 운전 상태에 관한 정보를 수신하여 예측값 및 상기 예측값에 대한 신뢰도를 출력하는 복수의 예측 모델이 구비된 다중 예측 모델; 상기 다중 예측 모델에서 출력한 신뢰도를 정량화하고, 분석하여 상기 다중 예측 모델에 구비된 상기 복수의 예측 모델들의 순위를 결정하며, 최종 예측값을 계산하는 신뢰도 분석 모듈; 상기 최종 예측값을 실측값과 비교하여 잔차를 출력하는 비교 모듈; 및 상기 잔차를 분석하여 상기 발전소의 기기들의 운전 상태의 결함유무를 판단하는 결정 모듈;을 포함할 수 있다.
여기서, 상기 신뢰도 분석 모듈은 상기 최종 예측값을 계산할 시 상기 순위가 가장 최상위인 예측 모델의 예측값을 사용할 수 있다.
또한, 상기 신뢰도 분석 모듈은 상기 최종 예측값을 계산할 시 상위 두 개의 예측값의 산술평균을 사용할 수 있다.
또, 상기 신뢰도 분석 모듈은 상기 최종 예측값을 계산할 시 상기 순위에 따라 가중치를 적용할 수 있다.
아울러, 상기 다중 예측 모델은 구비된 상기 복수의 예측 모델이 모두 동일한 알고리즘을 사용하되, 운전조건별로 적용할 수 있다.
또한, 상기 다중 예측 모델은 구비된 상기 복수의 예측 모델에 각각 상이한 알고리즘을 적용할 수 있다.
한편, 상기 목적을 달성하기 위한 본 발명에 따른 다중 예측 모델을 적용한 발전소 조기 경보 방법은 발전소의 기기들의 운전 상태에 관한 정보를 수신하여 복수의 예측 모델이 구비된 다중 예측 모델이 예측값 및 상기 예측값에 대한 신뢰도를 출력하는 단계; 신뢰도 분석 모듈이 상기 다중 예측 모델에서 출력한 신뢰도를 정량화하는 단계; 상기 신뢰도 분석 모듈이 상기 다중 예측 모델에 구비된 상기 복수의 상기 예측 모델의 순위를 결정하여 최종 예측값을 계산하는 단계; 비교 모듈이 상기 최종 예측값을 실측값과 비교하여 잔차를 출력하는 단계; 및 결정 모듈이 상기 잔차를 분석하여 상기 발전소의 기기들의 운전 상태의 결함유무를 판단하는 단계;를 포함할 수 있다.
본 발명에 따른 조기 경보 장치 및 방법은 다음과 같은 효과가 있다.
첫째, 단일 예측 모델에서 발생되는 취약점 극복이 가능하다. 본 발명에 따른 조기 경보 장치는 단일 예측 모델이 아닌 다중 예측 모델을 사용한다. 이에 따라, 각각의 예측 모델에서 갖는 결함에 의해 예측값이 실측값과 상이하게 발생할 수 있는 경우를 서로 보완할 수 있기 때문에 취약점 극복이 가능하다.
둘째, 신뢰도를 증가시킨다. 본 발명에서는 다중 예측 모델을 적용하여 발전소의 기기들의 운전 상태에 대해 조기 경보를 수행한다. 이에 따라, 단일 예측 모델보다 결함 감지에 대한 능력이 강화될 수 있고, 조기 경보에 대한 신뢰도를 증가시킬 수 있다.
도1은 종래에 단일 예측 모델을 적용하여 조기 경보 장치를 구성한 것을 개략적으로 나타낸 도면이다.
도2는 본 발명의 일실시예에 따른 다중 예측 모델을 적용한 발전소 조기 경보 장치의 블록도이다.
도3은 본 발명의 일실시예에 따른 다중 예측 모델을 적용한 발전소 조기 경보 장치의 구성들 간의 기능 수행을 개략적으로 나타낸 도면이다.
도4는 본 발명의 일실시예에 따른 다중 예측 모델을 적용한 발전소 조기 경보 방법의 순서도이다.
도2는 본 발명의 일실시예에 따른 다중 예측 모델을 적용한 발전소 조기 경보 장치의 블록도이다.
도3은 본 발명의 일실시예에 따른 다중 예측 모델을 적용한 발전소 조기 경보 장치의 구성들 간의 기능 수행을 개략적으로 나타낸 도면이다.
도4는 본 발명의 일실시예에 따른 다중 예측 모델을 적용한 발전소 조기 경보 방법의 순서도이다.
이하에서는 본 발명의 바람직한 실시예를 첨부된 도면을 참조하여 설명한다. 다만 발명의 요지와 무관한 일부 구성은 생략 또는 압축할 것이나, 생략된 구성이라고 하여 반드시 본 발명에서 필요가 없는 구성은 아니며, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 결합되어 사용될 수 있다.
도2는 본 발명의 일실시예에 따른 다중 예측 모델을 적용한 발전소 조기 경보 장치의 블록도이고, 도3은 본 발명의 일실시예에 따른 다중 예측 모델을 적용한 발전소 조기 경보 장치의 구성들 간의 기능 수행을 개략적으로 나타낸 도면이다.
도2 및 도3에 도시된 바와 같이, 본 발명의 일실시예에 따른 다중 예측 모델을 적용한 발전소 조기 경보 장치는 신호 측정부(100), 다중 예측 모델(200), 신뢰도 분석 모듈(300), 비교 모듈(400) 및 결정 모듈(500)을 포함할 수 있다.
신호 측정부(100)는 발전소의 기기들의 운전 상태에 관한 감시 신호를 수신하여 실측값을 산출하고, 이를 전송하는 구성이다. 이러한 발전소의 기기들의 운전 상태에 관한 감시 신호는 압력, 온도, 유량 데이터 등에 관한 것이다. 신호 측정부(100)는 발전소 기기들 또는 그 주위에 부착되어 기기들의 운전 상태를 측정하여 전송한다. 전송 간격은 사용자가 지정한 시간 간격으로 전송할 수 있다. 예를 들어, 1초 간격으로 전송할 수 있다.
다중 예측 모델(200)은 신호 측정부(100)에서 수신한 감시 신호를 수신하여 기기들의 운전 상태에 대한 예측값을 생성하는 구성이다. 이러한 다중 예측 모델(200)은 1개부터 n개까지 복수의 예측 모델이 사용될 수 있다.
즉, 제1예측모델(210), 제2예측모델(220), … , 제n예측모델은 서로 다른 알고리즘이 적용될 수 있고, 각 예측 모델은 현재 감시 신호의 예측값과 예측값에 대한 신뢰도를 각각 출력한다.
신뢰도 분석 모듈(300)은 각각의 예측 모델로부터 예측값에 대한 신뢰도를 수신하여 수신한 신뢰도를 정량화 하고 분석함으로써 예측 모델의 순위를 결정하는 구성이다.
비교 모듈(400)은 사용자의 설정에 따라 최종 예측값을 계산하고, 최종 예측값과 실측값을 비교하여 잔차를 출력하는 구성이다. 여기서, 최종 예측값은 가장 순위가 높은 예측 모델의 예측값을 사용할 수도 있고, 상위 2개의 예측값의 산술평균을 사용할 수도 있으며, 순위에 따른 가중평균을 사용할 수도 있다.
결정 모듈(500)은 비교 모듈(400)에서 출력된 잔차를 분석하여 발전소 기기들의 운전상태의 결함유무를 판단하는 구성이다.
이하에서는 도면을 참고하여 다중 예측 모델(200)을 적용한 발전소 조기 경보 방법을 설명하기로 한다.
도4는 본 발명의 일실시예에 따른 다중 예측 모델을 적용한 발전소 조기 경보 방법의 순서도이다.
도4에 도시된 바와 같이, 본 발명의 일실시예에 따른 다중 예측 모델을 적용한 발전소 조기 경보 방법은 최초에 발전소의 기기들의 운전 상태에 관한 정보를 수신하여 복수의 예측 모델이 예측값 및 예측값에 대한 신뢰도를 출력한다.<S40>
발전소의 기기들의 운전 상태에 관하여 신호 측정부(100)가 감시 신호를 수신한다. 수신된 감시 신호들은 아날로그 신호이므로 신호 측정부(100)가 데이터를 처리하여 아날로그-디지털 변환단계를 거침으로써, 디지털 신호로 변환될 수 있다. 이렇게 디지털 신호로 변환된 감시 신호들의 실측값을 신호 측정부(100)가 비교 모듈(400)로 전송할 수 있다.
또한, 복수의 예측 모델로 구성된 다중 예측 모델(200)은 신호 측정부(100)에서 측정한 발전소의 기기들 중에서 해당하는 기기의 예측값을 출력한다. 이러한 복수의 예측 모델은 사용하기에 따라 제1예측모델(210), 제2예측모델(220), … , 제n예측모델까지 사용될 수 있다.
제1예측모델(210), 제2예측모델(220), … , 제n예측모델은 서로 다른 알고리즘을 적용하여 기기의 예측값을 출력할 수 있다.
예를 들어, 제1예측모델(210)은 AAKR(Auto Associative Kernel Regression) 기법을 이용한 데이터 모델을 사용할 수 있고, 제2예측모델(220)은 칼만 필터(Kalman Filter)를 이용한 물리적 모델을 사용할 수 있다. 이에 따라, 제1예측모델(210)은 AAKR 기법을 이용하여 예측값을 출력할 수 있고, 제2예측모델(220)은 칼만 필터를 이용하여 예측값을 출력할 수 있다.
구체적으로, AAKR 기법은 과거 데이터를 학습하여 패턴 모델을 생성하고, 현재 실측값과 패턴 모델을 비교하여 유사성을 판단하며, 유사성을 기준으로 패턴 모델을 가중하여 예측값을 생성한다. 따라서 AAKR 기법은 학습된 패턴 모델 내에서 예측이 가능한 interpolation 형태의 예측 모델이며, 실측값이 학습된 패턴 모델 내에 존재할 경우에만 예측이 가능하다. 유사성 판단에서 실측값이 학습된 패턴 영역 내에 존재하는지 확인이 가능하고, 이 유사성들을 종합하여 예측값의 신뢰도를 계산해 낼 수 있다.
복수의 AAKR 기법이 적용된 예측 모델이 적용될 경우, 각각의 AAKR 모델은 예측값과 신뢰도를 출력할 수 있다. 여기서, 신뢰도는 실측값과 패턴 모델 사이의 유사성을 의미한다.
칼만 필터는 물리적 모델을 기반으로 한 통계적 모델로써, 예측값과 공분산(Covariance)이 출력될 수 있다. 이러한 칼만 필터는 학습되지 않은 영역에서도 예측이 가능하고, 공분산을 통해 예측값의 불확실성(신뢰도)를 판단할 수 있다.
예측값이 출력된 이후에는 제1예측모델(210), 제2예측모델(220), … , 제n예측모델에서 각각의 예측값에 대한 신뢰도를 출력할 수 있다. 이 때 신뢰도의 크기와 의미, 계산방법 등은 알고리즘별로 상이할 수 있다.
신뢰도는 제1예측모델(210), 제2예측모델(220), … , 제n예측모델에서 해당 기기에 대해 출력한 예측값이 얼마나 정확한지를 대략적으로 나타낸 지표이다.
또한, 제1예측모델(210), 제2예측모델(220), … , 제n예측모델은 모두 AAKR 기법 또는 모두 칼만 필터를 사용하는 것과 같이 제1예측모델(210), 제2예측모델(220), … , 제n예측모델이 모두 동일한 알고리즘을 사용할 수도 있다. 이렇게 동일한 알고리즘을 사용하더라도 기기의 운전조건 별로 복수의 예측 모델을 사용할 수 있다.
예를 들어, 해수온도 변화를 고려하여 계절별로 4개의 복수기 온도에 대한 예측 모델을 제1예측모델(210), 제2예측모델(220), 제3예측모델(미도시) 및 제4예측모델(미도시)로 구성하고, 이러한 제1예측모델(210), 제2예측모델(220), 제3예측모델(미도시) 및 제4예측모델(미도시)이 AAKR 기법만으로 적용되어 예측값을 출력하는 것이다.
여기서, 복수기는 수증기를 냉각시켜 물로 되돌리는 장치로써, 응축기의 일종이다.
해수는 발전소의 최종적인 열배출구(Ultimate Heat Sink)로써, 원자력발전소에서 발생한 거의 모든 열들은 해수로 배출됩니다. 따라서 해수의 온도가 변화하게 되면 발전소와 해수 간 열 교환과정이 변화하게 되고, 그 결과 거의 모든 설비의 운전패턴이 변하게 된다. 이러한 해수온도에 영향을 많이 받는 설비 중 하나가 복수기이다.
원자력 발전소에서는 조기 경보 시스템을 운영하면서 2016년 하절기에 해수의 이상 고온(평년 학습데이터 대비 2도의 온도 상승)으로 오경보가 대량으로 발생한 사례가 있다. 이에 따라, 기존 단일 예측모델에서는 변화된 해수온도에 대한 데이터를 추가로 학습하여 예측모델의 예측 범위는 넓게 하거나, 결정 모듈(500)의 허용치를 증가시키는 변화를 통해 경보 민감도는 낮추는 방식으로 대응하게 되었다.
그러나 이와 같은 방법은 조기 경보 장치의 전체적인 신뢰도와 감지능력을 감소시키게 하므로 바람직하지 못 하였다. 따라서 해수 온도별로 4개의 AAKR 기법을 기반으로 한 다중 예측 모델(200)을 적용하여 해수 온도에 따라 원자력 발전소 변수들의 운전패턴을 각각 학습한다.
즉, 봄에 대한 예측 모델, 여름에 대한 예측 모델, 가을에 대한 예측 모델 및 겨울에 대한 예측 모델을 생성한다. 이후 실측값이 입력되면, 어느 계절과 관련된 예측 모델과 가장 유사한지 판단하고, 가장 유사한 예측 모델의 예측값을 사용하는 것이다.
결과적으로, 예측범위가 협소하고 정밀한 예측 모델을 복수로 사용하여 예측하기 때문에 조기 경보 장치의 신뢰성을 기존보다 향상시킬 수 있는 효과가 있도록 하기 위함이다.
이와는 달리, AAKR 기법이 적용된 예측 모델 및 칼만 필터가 적용된 예측 모델을 혼용해서 사용할 수 있고, AAKR 기법이 적용된 예측 모델은 신뢰도로 유사성을 출력하고, 칼만 필터가 적용된 예측 모델은 공분산을 출력함으로써, 예측값과 신뢰도를 출력할 수 있다.
이후 신뢰도 분석 모듈(300)이 복수의 예측 모델에서 출력한 신뢰도를 정량화한다.<S41>
신뢰도 분석 모듈(300)은 제1예측모델(210) 및 제2예측모델(220)에서 예측값에 대한 신뢰도를 출력한 것을 정규분포 등을 이용함으로써, 각각의 신뢰도를 동일한 기준으로 비교할 수 있도록 정량화 할 수 있다.
다음으로, 신뢰도 분석 모듈(300)이 복수의 예측 모델의 순위를 결정하여 최종 예측값을 계산한다.<S42>
신뢰도 분석 모듈(300)은 제1예측모델(210), 제2예측모델(220), … , 제n예측모델까지에서 출력한 신뢰도를 기반으로 예측모델의 순위를 결정한다. 이는 정량화된 신뢰도의 값에 따라 차등을 적용하여 제1예측모델(210), 제2예측모델(220), … , 제n예측모델 중에서 해당 기기에 대해 가장 부합하는 예측값을 출력한 예측모델을 판별하기 위함이다.
복수의 예측 모델이 모두 AAKR 기법으로 적용된 다중 예측 모델(200)에서 유사성에는 신호의 크기나 변동폭 등의 영향이 포함되어 있기 때문에 예측 모델 사이에서 유사성에 대한 직접적인 비교는 불가능하다. 따라서 신뢰도 분석 모듈(300)이 유사성을 정향화시킨 뒤 비교 및 분석하여 예측모델의 순위를 정하게 된다.
이렇게 원자력 발전소의 운전 상태와 가장 유사한 데이터로 구성된 예측 모델을 적용함으로써, 예측값의 정확도를 높여 오경보를 예방할 수 있다. 그리고 기존단일 예측모델을 사용할 경우 환경의 변화에 따라 예측모델을 수정, 보완하는 작업이 필요한데, 복수의 예측모델을 적용함으로써 그 작업을 최소화할 수 있다.
또한, 복수의 예측 모델이 AAKR 기법과 칼만 필터가 적용된 다중 예측 모델(200)은 알고리즘 간 상이한 신뢰도를 상호비교가 가능하도록 정량화하고, 정량화된 신뢰도를 정렬하여 예측모델의 순위를 정하게 된다.
이렇게 상이한 알고리즘을 적용함으로써, 알고리즘의 취약점으로 인한 예측값의 부정확함을 예방할 수 있다.
이처럼 신뢰도에 따라 제1예측모델(210), 제2예측모델(220), … , 제n예측모델까지 중에서 예측 모델의 순위를 결정하면, 사용자의 설정에 따라 최종 예측값을 계산할 수 있다.
예를 들어, 순위가 가장 높은 예측 모델의 예측값을 사용하여 최종 예측값으로 결정할 수 있다.
또한, 상위 2개의 예측값의 산술평균을 사용하여 최종 예측값으로 결정할 수 있다. 즉, 제1예측모델(210), 제2예측모델(220), … , 제n예측모델 중에서 제1예측모델(210)의 예측값과 제2예측모델(220)의 예측값이 상위 및 차상위로 결정되었다면, 제1예측모델(210)의 예측값 및 제2예측모델(220)의 예측값을 산술평균으로 계산하여 도출된 값을 최종 예측값으로 사용할 수 있다.
아울러, 제1예측모델(210), 제2예측모델(220), … , 제n예측모델에서 결정된 순위에 따라 가중치를 적용한 예측값들의 평균을 최종 예측값으로 결정할 수 있다.
다음으로, 비교 모듈(400)이 최종 예측값을 실측값과 비교하여 잔차를 출력한다.<S43>
잔차는 해당 기기의 현재값과 예측값의 차를 이용하여 계산한다. 즉, |현재값-예측값|을 통해 잔차를 계산하여 출력할 수 있다.
결정 모듈(500)이 잔차를 분석하여 상기 발전소의 기기들의 운전 상태의 결함유무를 판단한다.<S44>
결정 모듈(500)은 비교 모듈(400)에서 출력한 잔차를 기반으로 해당 기기에 대한 감시 신호가 미리 설정된 정상 운전 범위에 포함되는지 판단한다.
여기서, 정상 운전 범위는 사용자가 설정하는 것에 따라 상이하게 결정될 수 있다. 따라서 잔차가 미리 설정된 정상 운전 범위를 벗어난 값이라면, 해당 기기에 대한 감시 신호는 해당 기기가 비정상 운전 상태에 있는 것으로 판단하여 조기 경보를 발생시키고, 잔차가 미리 설정된 정상 운전 범위를 벗어나지 않은 값이라면 경보를 발생시키지 않는다.
이 때 경보 발생을 위한 정상 운전 범위는 사용자가 조정할 수 있다.
예를 들어, 급수펌프의 정상 운전 범위는 45(최소) ~ 55(최대)이고, 최소값과 최대값의 편차는 10이 된다.
따라서 잔차가 정상 운전 범위의 [최대값 - 최소값] 편차(10)의 30%(ㅁ3) 초과 시 경보가 발생되도록 프로그래밍 된 경우, 입력된 실측값이 60이고 계산된 예측값이 52인 경우에는 잔차는 8이 되고 편차의 30%를 초과하여 경보가 발생하게 된다.
반대로 실측값이 43이고 예측값이 45라면 잔차가 2가 되어 경보가 발생하지 않게 된다.
경보가 발생하게 되면 결정 모듈(500)은 전체 발전소들을 모니터링하는 통합센터 장치(미도시)로 경보 현황 정보를 전송하여 사용자가 확인할 수 있도록 할 수 있다.
이처럼 본 발명에서는 다중 예측 모델(200)을 사용하여 기기의 감시 신호를 기반으로 다수의 예측값 및 신뢰도를 출력하고, 신뢰도에 따라 순위가 높은 예측값을 실측값과 비교하여 잔차를 출력함으로써, 출력된 잔차가 정상 운전 범위에 포함되는지 판단하여 조기 경보를 발생시킨다.
상기한 본 발명의 바람직한 실시예는 예시의 목적을 위해 개시된 것이고, 본 발명에 대해 통상의 지식을 가진 당업자라면, 본 발명의 사상과 범위 안에서 다양한 수정, 변경 및 부가가 가능할 것이며, 이러한 수정, 변경 및 부가는 본 발명의 특허청구 범위에 속하는 것으로 보아야 할 것이다.
100 : 신호 측정부
200 : 다중 예측 모델
210 : 제1예측모델
220 : 제2예측모델
300 : 신뢰도 분석 모듈
400 : 비교 모듈
500 : 결정 모듈
200 : 다중 예측 모델
210 : 제1예측모델
220 : 제2예측모델
300 : 신뢰도 분석 모듈
400 : 비교 모듈
500 : 결정 모듈
Claims (7)
- 다중 예측 모델을 적용한 발전소 조기 경보 장치에 있어서,
발전소의 기기들의 운전 상태에 관한 정보를 수신하여 예측값 및 상기 예측값에 대한 신뢰도를 출력하는 복수의 예측 모델이 구비된 다중 예측 모델;
상기 다중 예측 모델에서 출력한 신뢰도를 정량화하고, 분석하여 상기 다중 예측 모델에 구비된 상기 복수의 예측 모델들의 순위를 결정하며, 최종 예측값을 계산하는 신뢰도 분석 모듈;
상기 최종 예측값을 실측값과 비교하여 잔차를 출력하는 비교 모듈; 및
상기 잔차를 분석하여 상기 발전소의 기기들의 운전 상태의 결함유무를 판단하는 결정 모듈;을 포함하되,
상기 신뢰도 분석 모듈은 상기 최종 예측값을 계산할 시 상기 순위에 따라 가중치를 적용하는 다중 예측 모델을 적용한 발전소 조기 경보 장치.
- 제1항에 있어서,
상기 신뢰도 분석 모듈은 상기 최종 예측값을 계산할 시 상기 순위가 가장 최상위인 예측 모델의 예측값을 사용하는 다중 예측 모델을 적용한 발전소 조기 경보 장치.
- 제1항에 있어서,
상기 신뢰도 분석 모듈은 상기 최종 예측값을 계산할 시 상위 두 개의 예측값의 산술평균을 사용하는 다중 예측 모델을 적용한 발전소 조기 경보 장치.
- 삭제
- 제1항에 있어서,
상기 다중 예측 모델은 구비된 상기 복수의 예측 모델이 모두 동일한 알고리즘을 사용하되, 운전조건별로 상이하게 적용하는 다중 예측 모델을 적용한 발전소 조기 경보 장치.
- 제1항에 있어서,
상기 다중 예측 모델은 구비된 상기 복수의 예측 모델에 각각 상이한 알고리즘을 적용하는 다중 예측 모델을 적용한 발전소 조기 경보 장치.
- 다중 예측 모델을 적용한 발전소 조기 경보 방법에 있어서,
발전소의 기기들의 운전 상태에 관한 정보를 수신하여 복수의 예측 모델이 구비된 다중 예측 모델이 예측값 및 상기 예측값에 대한 신뢰도를 출력하는 단계;
신뢰도 분석 모듈이 상기 다중 예측 모델에서 출력한 신뢰도를 정량화하는 단계;
상기 신뢰도 분석 모듈이 상기 다중 예측 모델에 구비된 상기 복수의 상기 예측 모델의 순위를 결정하여 최종 예측값을 계산하는 단계;
비교 모듈이 상기 최종 예측값을 실측값과 비교하여 잔차를 출력하는 단계; 및
결정 모듈이 상기 잔차를 분석하여 상기 발전소의 기기들의 운전 상태의 결함유무를 판단하는 단계;를 포함하되,
상기 신뢰도 분석 모듈은 상기 최종 예측값을 계산할 시 상기 순위에 따라 가중치를 적용하는 다중 예측 모델을 적용한 발전소 조기 경보 방법.
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020180121645A KR102116711B1 (ko) | 2018-10-12 | 2018-10-12 | 다중 예측 모델을 적용한 발전소 조기 경보 장치 및 방법 |
EP19871073.3A EP3866132A4 (en) | 2018-10-12 | 2019-10-10 | Power plant early warning device and method employing multiple prediction model |
US17/279,118 US11960271B2 (en) | 2018-10-12 | 2019-10-10 | Power plant early warning device and method employing multiple prediction model |
PCT/KR2019/013272 WO2020076083A1 (ko) | 2018-10-12 | 2019-10-10 | 다중 예측 모델을 적용한 발전소 조기 경보 장치 및 방법 |
CN201980065897.7A CN112840385A (zh) | 2018-10-12 | 2019-10-10 | 采用多重预测模型的电厂预警装置和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020180121645A KR102116711B1 (ko) | 2018-10-12 | 2018-10-12 | 다중 예측 모델을 적용한 발전소 조기 경보 장치 및 방법 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20200041515A KR20200041515A (ko) | 2020-04-22 |
KR102116711B1 true KR102116711B1 (ko) | 2020-05-29 |
Family
ID=70164122
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020180121645A KR102116711B1 (ko) | 2018-10-12 | 2018-10-12 | 다중 예측 모델을 적용한 발전소 조기 경보 장치 및 방법 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11960271B2 (ko) |
EP (1) | EP3866132A4 (ko) |
KR (1) | KR102116711B1 (ko) |
CN (1) | CN112840385A (ko) |
WO (1) | WO2020076083A1 (ko) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20230056153A (ko) | 2021-10-20 | 2023-04-27 | 한국전력공사 | 위험 신호 기반 발전 설비 관리 시스템 및 방법 |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102340395B1 (ko) * | 2020-01-02 | 2021-12-15 | 두산중공업 주식회사 | 플랜트의 고장을 진단하기 위한 장치 및 이를 위한 방법 |
CN113096372B (zh) * | 2021-03-29 | 2022-07-05 | 岭澳核电有限公司 | 一种火灾探测***维修有效性评估方法及*** |
KR102533298B1 (ko) * | 2022-11-08 | 2023-05-17 | 네모시스 주식회사 | 시스템 가용도에 기반하여 고장진단모델을 평가하는 장치 및 방법 |
CN116541251B (zh) * | 2023-07-04 | 2023-10-20 | 天津通信广播集团有限公司 | 显示设备状态预警方法、装置、设备和计算机可读介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015172945A (ja) | 2009-08-28 | 2015-10-01 | 株式会社日立製作所 | 設備状態監視方法およびその装置 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000018145A (ja) | 1998-07-07 | 2000-01-18 | Hitachi Ltd | 水力発電所の調速機及びその運転方法 |
KR100522391B1 (ko) | 2003-06-20 | 2005-10-18 | 한국전기연구원 | 제어봉 구동장치 제어기기용 전력변환장치에서의사이리스터 고장검출방법 |
US7062370B2 (en) * | 2004-03-30 | 2006-06-13 | Honeywell International Inc. | Model-based detection, diagnosis of turbine engine faults |
JP2006135412A (ja) * | 2004-11-02 | 2006-05-25 | Tokyo Gas Co Ltd | 遠隔監視システム |
KR100603217B1 (ko) | 2004-11-19 | 2006-07-20 | 한국전기연구원 | 원자로의 제어봉 제어계통의 전력변환부의 고장 검출 장치및 그 방법 |
US7558771B2 (en) * | 2006-06-07 | 2009-07-07 | Gm Global Technology Operations, Inc. | System and method for selection of prediction tools |
CN105318905B (zh) * | 2014-12-30 | 2018-05-25 | 国家电网公司 | 一种火电厂热力***传感器故障诊断方法 |
KR101777195B1 (ko) * | 2015-08-19 | 2017-09-11 | 조선대학교산학협력단 | 태양광발전 고장진단 원격감시 모니터링 시스템을 갖는 태양광 발전장치용 접속반. |
KR101827108B1 (ko) * | 2016-05-04 | 2018-02-07 | 두산중공업 주식회사 | 플랜트 이상 감지 학습 시스템 및 방법 |
KR102005138B1 (ko) | 2016-08-29 | 2019-07-29 | 한국수력원자력 주식회사 | 기기 이상징후 사전감지 방법 및 시스템 |
CN107067092A (zh) * | 2016-11-25 | 2017-08-18 | 国网浙江省电力公司经济技术研究院 | 一种特高压输变电工程造价组合预测方法及预测装置 |
JP2018116545A (ja) * | 2017-01-19 | 2018-07-26 | オムロン株式会社 | 予測モデル作成装置、生産設備監視システム、及び生産設備監視方法 |
WO2018160177A1 (en) | 2017-03-01 | 2018-09-07 | Visa International Service Association | Predictive anomaly detection framework |
CN108492026B (zh) * | 2018-03-06 | 2021-05-11 | 宁波大学 | 一种基于集成正交成分最优化回归分析的软测量方法 |
-
2018
- 2018-10-12 KR KR1020180121645A patent/KR102116711B1/ko active IP Right Grant
-
2019
- 2019-10-10 EP EP19871073.3A patent/EP3866132A4/en active Pending
- 2019-10-10 WO PCT/KR2019/013272 patent/WO2020076083A1/ko unknown
- 2019-10-10 CN CN201980065897.7A patent/CN112840385A/zh active Pending
- 2019-10-10 US US17/279,118 patent/US11960271B2/en active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015172945A (ja) | 2009-08-28 | 2015-10-01 | 株式会社日立製作所 | 設備状態監視方法およびその装置 |
Non-Patent Citations (1)
Title |
---|
박재창 외 6인, 원전 PWR 증기발생기의 수위 측정센서 고장검출 및 진단 시스템 개발, 한국원자력연구소, 2004년 5월, 인터넷<URL: https://inis.iaea.org/collection/NCLCollectionStore/_Public/38/117/38117282.pdf>* |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20230056153A (ko) | 2021-10-20 | 2023-04-27 | 한국전력공사 | 위험 신호 기반 발전 설비 관리 시스템 및 방법 |
Also Published As
Publication number | Publication date |
---|---|
CN112840385A (zh) | 2021-05-25 |
WO2020076083A1 (ko) | 2020-04-16 |
KR20200041515A (ko) | 2020-04-22 |
EP3866132A1 (en) | 2021-08-18 |
US11960271B2 (en) | 2024-04-16 |
EP3866132A4 (en) | 2022-06-29 |
US20210397176A1 (en) | 2021-12-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102116711B1 (ko) | 다중 예측 모델을 적용한 발전소 조기 경보 장치 및 방법 | |
JP4528335B2 (ja) | センサの性能確認装置および方法 | |
EP0906593B1 (en) | Industrial process surveillance system | |
US7496798B2 (en) | Data-centric monitoring method | |
US8700550B1 (en) | Adaptive model training system and method | |
CN110909822B (zh) | 一种基于改进的高斯过程回归模型的卫星异常检测方法 | |
US20140365179A1 (en) | Method and Apparatus for Detecting and Identifying Faults in a Process | |
US11200790B2 (en) | Method for pre-detecting abnormality sign of nuclear power plant device including processor for determining device importance and warning validity, and system therefor | |
KR102005138B1 (ko) | 기기 이상징후 사전감지 방법 및 시스템 | |
KR20190025474A (ko) | 플랜트 데이터 예측 장치 및 방법 | |
KR101876185B1 (ko) | 조기경보시스템에서 외부 영향을 고려한 최신 데이터 학습 방법 및 그 시스템 | |
KR101468142B1 (ko) | 플랜트 건강상태 예측방법 및 이 방법을 수행하기 위한 프로그램이 저장된 컴퓨터 판독가능한 저장매체 | |
US6453279B1 (en) | Statistical trend generator for predictive instrument maintenance | |
Lee et al. | An enhanced prediction model for the on-line monitoring of the sensors using the Gaussian process regression | |
KR20180075889A (ko) | 원자력발전소의 빅데이터를 이용한 경보 발생 방법 | |
KR102257716B1 (ko) | 다중 예측 모델의 스위칭 기술을 이용한 발전소의 조기 경보 장치 및 방법 | |
CN111121943B (zh) | 零点故障检测方法、装置、计算机设备和可读存储介质 | |
KR102110319B1 (ko) | 학습 데이터 생성 시스템 | |
EP4068027B1 (en) | Health assessment of a mechanical system | |
KR102351538B1 (ko) | 패턴 학습 및 진단 알고리즘을 이용한 자동화 설비의 고장 예측 시스템 및 그 방법 | |
CN114611633A (zh) | 一种电磁阀的健康监测方法 | |
KR102248536B1 (ko) | 다중 예측 모델의 스위칭 기술을 이용한 발전소의 조기 경보 장치 및 방법 | |
KR102124779B1 (ko) | 다중 예측 모델을 이용한 발전소 기동 및 정지에 관한 조기 경보 장치 및 방법 | |
Tharrault et al. | WWTP diagnosis based on robust principal component analysis | |
KR101889969B1 (ko) | 수위 증가율 감시를 이용한 누설 조기 경보 시스템 및 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |