KR102176765B1

KR102176765B1 - 연소 최적화를 위한 학습 데이터를 생성하기 위한 장치 및 이를 위한 방법

Info

Publication number: KR102176765B1
Application number: KR1020180147791A
Authority: KR
Inventors: 김현식; 나상건; 박지훈
Original assignee: 두산중공업 주식회사
Priority date: 2018-11-26
Filing date: 2018-11-26
Publication date: 2020-11-10
Also published as: DE102019127133B4; US11526687B2; KR20200061931A; US20200167592A1; CN111222625A; CN111222625B; DE102019127133A1

Abstract

학습 데이터를 생성하기 위한 장치는 보일러 연소에 대해 현재 측정되는 실시간 데이터와, 상기 보일러 연소에 대해 과거 측정된 과거 데이터를 포함하는 원시 데이터를 수집하고, 수집된 원시 데이터에 대해 전처리를 수행하는 전처리부와, 상기 원시 데이터를 분석하여 상기 원시 데이터로부터 학습 데이터를 도출하는 분석부를 포함한다.

Description

연소 최적화를 위한 학습 데이터를 생성하기 위한 장치 및 이를 위한 방법{Apparatus for generating learning data for combustion optimization and method thereof}

본 발명은 학습 데이터 생성 기술에 관한 것으로, 보다 상세하게는, 연소 최적화를 위해 필요한 학습 데이터를 생성하기 위한 장치 및 이를 위한 방법에 관한 것이다.

석탄화력 발전소의 보일러의 경우, 석탄 연소 시 발생하는 발열 반응을 이용하여 물을 가열하고 발전에 필요한 증기를 생산한다. 이 때, 질소산화물과 같은 오염 배기가스가 발생하게 되는데, 발생량이 많을 경우에는 이를 관리하기 위해서는 처리비용이 증가하며, 불완전 연소일 경우는 연소효율이 감소되어 발전/운전 비용이 증가된다. 따라서, 연소 효율을 높이면서 배기 가스를 저감하기 위한 기술 개발이 필요하다. 이를 위하여, 연소 최적화를 수행하게 되며, 연소 최적화를 하기 위해서 학습에 필요한 데이터를 생성함에 있어 사용자들이 복수의 단계를 거쳐 데이터 처리를 진행해야 하는 불편함이 존재한다. 또한 숙달된 사용자가 아니고서는 데이터 생성하는데 어려움이 존재한다.

대한민국 등록특허 제1810968호 (2017.12.14.)

본 발명의 목적은 연소 최적화를 위해 필요한 학습 데이터를 생성하기 위한 장치 및 이를 위한 방법을 제공함에 있다.

본 발명의 실시예에 따른 학습 데이터를 생성하기 위한 장치는 보일러 연소에 대해 현재 측정되는 실시간 데이터와, 상기 보일러 연소에 대해 과거 측정된 과거 데이터를 포함하는 원시 데이터를 수집하고, 수집된 원시 데이터에 대해 전처리를 수행하는 전처리부와, 상기 원시 데이터를 분석하여 상기 원시 데이터로부터 학습 데이터를 도출하는 분석부를 포함한다.

상기 전처리부는 상기 원시 데이터 중 이상 신호가 있는 부분을 복원하는 복원부와, 기반지식 알고리즘을 통해 소정 조건에 따라 상기 원시 데이터를 필터링하는 필터링부; 및 상기 원시 데이터 중 극단치(Outlier)를 소거하는 소거부를 포함한다.

상기 분석부는 상기 원시 데이터의 태그들 간의 상관관계를 분석하여 학습에 필요한 태그들 간의 상관관계를 도출하여 상기 원시 데이터를 클러스터링하는 클러스터부와, 상기 태그들 간의 상관관계에 따라 클러스터링된 원시태그데이터로부터 학습 데이터를 추출하는 샘플링부를 포함한다.

상기 샘플링부는 L2Norm 기반으로 원시 데이터를 분석하여 상기 원시 데이터의 패턴을 도출하는 패턴분석부와, 상기 도출된 패턴을 기초로 샘플링 알고리즘에 기초로 상기 원시 데이터를 샘플링하여 학습 데이터를 도출하는 데이터샘플링부를 포함한다.

상기 원시 데이터는 입력 데이터와 상기 입력 데이터에 대응하는 출력 데이터를 포함한다.

상기 원시 데이터는 수집되는 시간에 따라 누적되고, 태그 별로 구분된다.

상기 학습 데이터는 신경망(NN: neural network) 모델을 학습시키기 위한 입력 데이터와, 상기 입력 데이터에 대응하는 목표 데이터를 포함한다.

본 발명의 실시예에 따른 학습 데이터를 생성하기 위한 장치는 보일러 연소에 대해 현재 측정되는 실시간 데이터를 수집하고, 수집된 실시간 데이터를 분석하여 연소 최적화 진행 여부 및 연소 모델 및 연소 제어기 튜닝 여부를 결정하는 관리계층부와, 상기 실시간 데이터 및 상기 보일러 연소에 대해 과거에 측정된 과거 데이터를 포함하는 원시 데이터로부터 학습 데이터를 도출하는 데이터계층부와, 상기 학습 데이터를 통해 연소 모델 및 연소 제어기를 생성하는 모델계층부와, 연소 모델 및 연소 제어기를 이용하여 연소 최적화를 위한 목표치를 산출하고, 산출된 목표치에 따른 제어 신호를 출력하는 최적계층부를 포함한다.

상기 데이터계층부는 보일러 연소에 대해 현재 측정되는 실시간 데이터와, 상기 보일러 연소에 대해 과거 측정된 과거 데이터를 포함하는 원시 데이터를 수집하고, 수집된 원시 데이터에 대해 전처리를 수행하는 전처리부와, 상기 원시 데이터를 분석하여 상기 원시 데이터로부터 학습 데이터를 도출하는 분석부를 포함한다.

상기 전처리부는 상기 원시 데이터 중 이상 신호가 있는 부분을 복원하는 복원부와, 기반지식 알고리즘을 통해 소정 조건에 따라 상기 원시 데이터를 필터링하는 필터링부와, 상기 원시 데이터 중 극단치(Outlier)를 소거하는 소거부를 포함한다.

학습 데이터를 생성하기 위한 방법은 전처리부가 보일러 연소에 대해 현재 측정되는 실시간 데이터와, 상기 보일러 연소에 대해 과거 측정된 과거 데이터를 포함하는 원시 데이터를 수집하는 단계와, 상기 전처리부가 상기 수집된 원시 데이터에 대해 전처리를 수행하는 단계와, 분석부가 상기 원시 데이터를 분석하여 상기 원시 데이터로부터 학습 데이터를 도출하는 단계를 포함한다.

상기 전처리를 수행하는 단계는 상기 전처리부의 복원부가 상기 원시 데이터 중 이상 신호가 있는 부분을 복원하는 단계와, 상기 전처리부의 필터링부가 기반지식 알고리즘을 통해 소정 조건에 따라 상기 원시 데이터를 필터링하는 단계와, 상기 전처리부의 소거부가 상기 원시 데이터 중 극단치(Outlier)를 소거하는 단계를 포함한다.

상기 학습 데이터를 도출하는 단계는 상기 분석부의 클러스터부가 상기 원시 데이터의 태그들 간의 상관관계를 분석하여 학습에 필요한 태그들 간의 상관관계를 도출하여 상기 원시 데이터를 클러스터링하는 단계와, 상기 분석부의 샘플링부가 상기 태그들 간의 상관관계에 따라 클러스터링된 원시 데이터로부터 학습 데이터를 추출하는 단계를 포함한다.

상기 상기 분석부의 샘플링부가 상기 태그들 간의 상관관계에 따라 클러스터링된 원시 데이터로부터 학습 데이터를 추출하는 단계는 상기 샘플링부의 패턴분석부가 L2Norm 기반으로 원시 데이터를 분석하여 상기 원시 데이터의 패턴을 도출하는 단계와, 상기 샘플링부의 데이터샘플링부가 상기 도출된 패턴을 기초로 샘플링 알고리즘에 기초로 상기 원시 데이터를 샘플링하여 학습 데이터를 추출하는 단계를 포함한다.

본 발명에 따르면, 연소 최적화를 위해 필요한 학습 데이터를 생성하여 제공함으로써, 편의성이 향상되며, 해당 학습 데이터를 이용하여 연소 최적화를 수행하는 경우, 고성능의 최적화 결과를 제공할 수 있다.

도 1은 본 발명의 실시예에 따른 연소 최적화를 위한 장치의 구성을 설명하기 위한 블록도이다.
도 2는 본 발명의 실시예에 따른 연소 최적화를 위한 방법을 설명하기 위한 흐름도이다.
도 3은 본 발명의 실시예에 따른 연소 최적화를 위한 학습 데이터를 생성하기 위한 장치의 구성을 설명하기 위한 블록도이다.
도 4는 본 발명의 실시예에 따른 연소 최적화를 위한 학습 데이터를 생성하기 위한 장치의 전처리부의 세부 구성을 설명하기 위한 블록도이다.
도 5는 본 발명의 실시예에 따른 연소 최적화를 위한 학습 데이터를 생성하기 위한 장치의 샘플링부의 세부 구성을 설명하기 위한 블록도이다.
도 6 내지 도 8은 본 발명의 실시예에 따른 연소 최적화를 위한 학습 데이터를 생성하기 위한 방법을 설명하기 위한 흐름도이다.
도 9는 본 발명의 실시예에 따른, 컴퓨팅 장치를 나타내는 도면이다.

본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예를 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

본 발명에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 발명에서, '포함하다' 또는 '가지다' 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

먼저, 본 발명의 실시예에 따른 연소 최적화를 위한 장치의 구성에 대해서 설명하기로 한다. 도 1은 본 발명의 실시예에 따른 연소 최적화를 위한 장치의 구성을 설명하기 위한 블록도이다.

도 1을 참조하면, 본 발명의 실시예에 따른 연소최적화장치(10)는 관리계층부(100), 데이터계층부(200), 모델계층부(300) 및 최적계층부(400)를 포함한다.

관리계층부(100)는 보일러 연소에 대해 현재 측정된 실시간 데이터를 수집하고, 수집된 실시간 데이터를 분석하여 연소 최적화, 연소 모델 및 연소 제어기를 관리하기 위한 것이다. 즉, 관리계층부(100)는 측정된 데이터를 분석하여 연소 최적화 진행 여부 및 연소 모델 및 연소 제어기 튜닝 여부를 관리한다. 이를 위하여, 관리계층부(100)는 최적화관리부(110) 및 튜닝관리부(120)를 포함한다.

최적화관리부(Combustion Management, 110)는 연소 최적화를 관리하기 위한 것이다. 보일러 시스템은 보일러(미도시)와, 보일러의 연소를 제어하는 연소 제어기(미도시)를 포함한다. 최적화관리부(110)는 보일러 시스템으로부터 실시간으로 측정되는 데이터인 실시간 데이터를 기초로 연소 최적화 수행 여부를 결정한다. 여기서, 실시간 데이터는 보일러의 운전 데이터 및 상태 이진값을 포함한다. 운전 데이터는 보일러에 대해 복수의 센서를 통해 측정한 값과, 보일러를 제어하기 위한 제어값을 포함한다. 상태 이진값은 보일러와 관련된 파라미터의 상태의 변화가 기 설정된 범위를 벗어나는지 여부를 나타내는 플래그값이다. 이때, 상태 이진값은 보일러의 출력 변동, 사용 연료량 변동, 연료 공급량 변동, 급수량 변동, 연소공기 공급량 변동, 석탄공급량 변동, 슈트 블로워 동작여부, 보일러 보호 로직 동작 여부 등을 상태의 변화 정도를 이진값으로 나타낸 데이터이다. 예컨대, 연소 공기 공급량이 현재값에서 소정 범위 이내에서 변동이 있는 경우, 연소 공기 공급량의 상태 이진값은 "0"을 유지하지만, 연소 공기 공급량이 현재값에서 소정 범위를 초과하여 변화할 경우, 상태 이진값은 "1"로 변화될 수 있다.

튜닝관리부(Auto-Tuning Management(Model/Controller), 120)는 연소 모델과 연소 제어기를 관리하기 위한 것이다. 튜닝관리부(120)는 실시간으로 측정된 실시간 데이터 및 연소 최적화 실시 여부를 기초로 연소 모델과 연소 제어기의 튜닝 여부를 결정한다. 여기서, 튜닝관리부(120)가 튜닝할 것으로 판단한 경우에만, 아래에서 설명될 모듈인 연소모델생성부(310) 및 연소제어기생성부(320)가 동작을 수행한다. 반면, 튜닝관리부(120)가 튜닝을 하지 않을 것으로 판단한 경우, 아래에서 설명될 모듈인 연소모델생성부(310) 및 연소제어기생성부(320)는 그 동작을 수행하지 않는다.

데이터계층부(200)는 연소 모델과 제어기 설계에 필요한 학습 데이터를 생성하기 위해 데이터를 전처리하고 선별하기 위한 것이다. 즉, 데이터계층부(200)는 상기 보일러 연소에 대해 현재 측정된 실시간 데이터와, 상기 보일러 연소에 대해 과거에 측정되어 저장된 과거 데이터로부터 연소 모델과 연소 제어기 설계에 필요한 학습 데이터를 추출한다. 이러한 데이터계층부(200)는 전처리부(210) 및 분석부(220)를 포함한다.

전처리부(Data Pre-Processing, 210)는 실시간 데이터 및 과거 데이터를 포함하는 데이터에 대해 전처리를 수행한다. 여기서, 전처리부(Data Pre-Processing, 210)는 신호 복원, 필터링 및 극단치(Outlier)처리 중 적어도 하나의 전처리를 수행한다. 여기서, 신호 복원은 누락된 데이터를 복원하는 것을 의미한다. 또한, 필터링은 기반 지식 기반 혹은 데이터 기반으로 조건에 맞는 데이터를 필터링하는 것을 의미한다. 극단치(Outlier)처리는 상한치를 초과하거나, 하한치에 미달하는 데이터를 소거하는 동작을 의미한다. 이러한 전처리를 통해 데이터 내의 노이즈를 제거하거나 연소 모델과 연소 제어기를 설계 혹은 튜닝함에 있어 악영향을 미칠 수 있는 데이터 등을 미리 제거할 수 있다.

분석부(Data Analysis, 220)는 전처리된 데이터를 분석하여 학습 데이터를 도출한다. 분석부(220)는 데이터의 태그를 기초로 데이터 간의 상관 관계를 분석한 후, 데이터를 클러스터링하고, 연소 모델 설계를 위한 상관관계 분석을 통해 모델 출력 데이터에 상관도가 소정 수치 이상인 입력 데이터를 선정한다. 이에 따라, 입력 데이터와 이에 대응하는 목표 데이터를 도출할 수 있다. 또한, 분석부(Data Analysis, 220)는 데이터의 패턴 분석을 통하여 연소 모델과 연소 제어기 설계에 필요한 정상 상태의 데이터를 선별하는 샘플링을 수행한다.

모델계층부(300)는 학습 데이터를 기초로 연소 모델 및 연소 제어기를 생성하기 위한 것이다. 이를 위하여, 모델계층부(300)는 연소모델생성부(310) 및 연소제어기생성부(320)를 포함한다.

연소모델생성부(Combustion Model Design Algorithm, 310)는 보일러 연소를 최적화 하기 위해 가장 중요한 요소 중 하나인, 연소 모델을 설계한다. 연소모델생성부(310)는 학습 데이터를 기초로 연소 모델을 생성한다. 즉, 연소모델생성부(310)는 연료투입량, 공기투입량, 공기 온도, 물 투입량, 공기 온도 등의 실시간 데이터 및 과거 데이터를 포함하는 입력 데이터를 기초로 연소의 중요 변수인 발전 출력, 증기와 배기가스의 온도를 포함한 연소 상태, 배기 가스 (일산화탄소, 질소산화물) 조성, 연소 후 잔여 산소량 등과 같은 요소를 예측한 예측 데이터를 출력하는 연소 모델을 구성한다.

본 발명의 실시예에 따른 연소 모델은 전달함수(Transfer Function) 모델과 상태공간(State Space) 모델을 포함하는 복수의 매개변수 모델(Parametric Model) 및 복수의 비매개변수 모델(Nonparametric model) 중 적어도 하나를 기초로 생성된다. 다음의 표 1은 본 발명의 실시예에 따른 매개변수 모델 모델 및 비매개변수 모델의 예를 나타낸다.

Parametric Model	Transfer Function	Equation Error	Auto-Regressive eXogeneous (ARX)
			Nonlinear Auto-Regressive eXogeneous (NARX)
			Finite Impulse Response (FIR)
			Auto-Regressive Moving Average eXogenious (ARMAX) : Pseudolinear Regression Model
			Auto-Regressive (AR)
			Auto-Regressive Moving Average (ARMA)
			Auto-Regressive Auto-Regressive eXogeneous (ARARX) : Generalized Least-Squares Model
			Auto-Regressive Auto-Regressive Moving Average eXogeneous (ARARMAX) : Extended Matrix Model
		Output Error	Output Error (OE)
			Box and Jenkins (BJ)
	State Space	Linear Time Invariant (LTI), Linear Time Variant (LTV)
		Linear Model, Nonlinear Model
		Continuous Time, Discrete Time, Delay Time
		Single Input Single Output (SISO), Multi Input Multi Output (MIMO)
		Stochastic Model, Deterministic Model
		Robust, Open Loop, Closed Loop
Non Parametric Model	Non Parametric (Data Set Type)
	Impulse Response
	Step Response
	Frequency Transfer Function
	Tree
	Neural Network (NN) : FF, FB, Radial Basis Function, Convolutional, Spiking, Deep NN (Deep Belief Network), Recurrent NN

또한, 연소 모델은 다음의 표 2에 게시된 최적화 알고리즘 중 적어도 하나를 이용하여 도출될 수 있다.

Parametric
Model

Prediction Error Method (PEM)
Maximum Likelihood Method (MLM)
Least-Squares Method (LSM)
-Batch Least-Squares Method
-Off-line Least-Squares Method
Extended Least-Squares Method (ELSM)
Generalized Least-Squares Method (GLSM)
Recursive Least-Squares Method (RLS)
Instrumental Variable Method (IVM)
Principle Component Analysis (PCA)
Dynamic Principle Component Analysis (DPCA)
Partial Least Squares (PLS)

SubSpace-based State Space Model
Identification (4SID) Method
(+ Singular Value Decomposition (SVD))
(+ QR Decomposition)
-N4SID Method
-Multivariable Output Error State sPace
(MOESP) Method
Canonical VariateAnalysis (CVA)
Singular Value Decomposition
Minimal Realization Method (MRM)

Non
Parametric
Model

Transient Response Method
Correlation Analysis
Frequency Response Method
Spectral Analysis Method
Empirical Transfer Function Estimate (ETFE) Method
Single/Multi-Layer Perceptron Learning, Back-Propagation, Gradient Descent
LayerwisePretraining: Auto-Encoder, BolzmannMachine

연소제어기생성부(Combustion Controller Design Algorithm, 320)는 학습 데이터를 기초로 보일러 연소를 최적화 하기 위해 가장 중요한 요소 중 하나인, 연소 제어기를 설계한다. 설계된 연소 제어기는 최적의 연소 제어를 위한 최적의 목표치를 만들어 낼 수 있도록 하는 역할을 수행한다. 이때, 최적의 목표치를 만들어내는데 연소 모델(Combustion Model)을 이용한다. 연소 제어기는 연소 모델을 통해 실시간 데이터 및 과거 데이터를 포함하는 입력 데이터를 기초로 예측 데이터를 도출하고, 도출된 예측 데이터를 참조로 최적의 목표치를 도출한다.

최적계층부(400)는 최적의 연소 모델 및 연소 제어기를 선택하고, 선택된 연소 모델 및 연소 제어기를 이용하여 연소 최적화를 위한 최적의 목표치를 산출하기 위한 것이다. 이를 위하여, 최적계층부(400)는 최적모델선정부(410) 및 최적화부(420)를 포함한다.

최적모델선정부(Optimal Model / Controller Selection, 410)는 실시간데이터에 대해서 분석한 결과를 바탕으로 기존에 만들어진 여러 개의 연소 모델과 연소 제어기 중에서 가장 최적인 연소 모델과 연소 제어기를 선정하는 역할을 한다.

최적모델선정부(410)는 실시간 데이터 및 과거 데이터에 대한 분석을 수행한다. 여기서, 분석은 1) 기반 지식 기반의 데이터 분석과 2) 데이터 기반의 분석을 포함한다. 데이터 분석 결과, 실시간 데이터의 패턴, 발전 출력 변화, 효율 상황, 운전 상황 등에 대한 정보가 도출될 수 있다. 최적모델선정부(410)는 전술한 데이터 분석 결과에 따라 도출된 정보를 기초로 연소 제어에 사용될 최적의 연소 모델을 선택한다. 그리고 최적모델선정부(410)는 데이터 분석 결과와 연소 모델을 이용하여 연소 최적화를 위한 최적의 연소 제어기를 선정한다.

최적화부(Combustion Optimization Algorithm, 420)는 실시간 데이터를 최적모델선정부(410)가 선정한 연소 모델과 제어기에 입력하여 연소 최적화를 위한 최적의 목표치를 계산한다. 그 후, 현재의 DCS에서의 목표치(Set Points)와 Manual Bias를 이용하여 최적의 제어 목표 값이나 관련 보조 값을 계산한다.

다음으로, 본 발명의 실시예에 따른 연소 최적화를 위한 방법에 대해서 설명하기로 한다. 도 2는 본 발명의 실시예에 따른 연소 최적화를 위한 방법을 설명하기 위한 흐름도이다.

도 2를 참조하면, S110 단계에서 관리계층부(100)의 최적화관리부(110)는 S110 단계에서 발전소의 보일러 연소에 대해 현재 측정되는 실시간 데이터를 수집한다. 이러한 실시간 데이터는 보일러의 운전 데이터 및 상태 이진값을 포함한다.

운전 데이터는 보일러에 대해 복수의 센서를 통해 측정한 값과, 보일러를 제어하기 위한 제어값을 포함한다. 상태 이진값은 보일러와 관련된 파라미터의 상태의 변화가 기 설정된 범위를 벗어나는지 여부를 나타내는 플래그값이다. 이때, 상태 이진값은 보일러의 출력 변동, 사용 연료량 변동, 연료 공급량 변동, 급수량 변동, 연소공기 공급량 변동, 석탄공급량 변동, 슈트 블로워 동작여부, 보일러 보호 로직 동작 여부 등을 상태의 변화 정도를 이진값으로 나타낸 데이터이다. 예컨대, 연소 공기 공급량이 현재값에서 소정 범위 이내에서 변동이 있는 경우, 연소 공기 공급량의 상태 이진값은 "0"을 유지하지만, 연소 공기 공급량이 현재값에서 소정 범위를 초과하여 변화할 경우, 상태 이진값은 "1"로 변화될 수 있다.

최적화관리부(110)는 앞서 수집된 데이터를 기초로 S120 단계에서 기 설정된 조건에 따라 최적화 진행 여부를 판단한다. 최적화관리부(110)는 이때, 운전 데이터기반의 분석, 상태 이진값 기반의 분석,

전문가의 지식과 경험을 반영한 분석을 통해 최적화 수행 여부를 결정할 수 있다. 예컨대, 전문가의 지식과 경험을 반영한 분석에 따르면, NOx, CO, Unit Load Demand 등과 같은 특정 운전 데이터의 범위 및 데이터들 간의 영향에 따른 값의 정상 여부에 따라 최적화 수행 여부를 결정할 수 있다. 특히, 최적화관리부(110)는 보일러의 최적화 제어 적용 가능 여부, 연소 최적화 수행 가능 여부를 도출하고, 이 두 값이 참일 때, 최적화 수행을 결정할 수 있다.

상기 S120 단계의 판단 결과, 최적화를 수행할 것으로 결정하면, 관리계층부(100)의 튜닝관리부(120)는 S130 단계에서 실시간 데이터, 연소 최적화 실시 여부 및 연소 모델과 연소 제어기의 튜닝을 위한 학습 수행 여부 중 적어도 하나를 기초로 연소 모델과 연소 제어기의 튜닝 여부를 판단한다.

먼저, 튜닝을 수행할 것으로 결정한 경우, 데이터계층부(200)는 S140 단계에서 현재 측정되는 실시간 데이터 및 과거에 측정된 과거 데이터를 전처리하고 선별하여 연소 모델과 연소 제어기 설계에 필요한 학습 데이터를 생성한다. 이러한 S140 단계에서 데이터계층부(200)의 전처리부(210)는 먼저, 현재 측정되는 실시간 데이터 및 과거에 측정된 과거 데이터에 대해 전처리를 수행한다. 이때, 전처리부(210)는 누락된 데이터를 복원하는 신호 복원, 기반 지식 기반 혹은 데이터 기반으로 기 설정된 조건을 만족하는 데이터를 필터링하는 필터링 및 상한치를 초과하거나, 하한치에 미달하는 데이터를 소거하는 극단치(Outlier)처리 중 적어도 하나를 전처리로 수행한다. 이에 따라, 태그 데이터 내의 노이즈를 제거하거나 연소 모델과 연소 제어기를 설계를 함에 있어 악영향을 미칠 수 있는 데이터 등을 미리 소거한다. 그리고 S140 단계에서 데이터계층부(200)의 분석부(220)는 데이터의 패턴 분석을 통하여 연소 모델 및 연소 제어기를 설계하기 위해 필요한 정상 상태의 중요 데이터만을 골라 내는 샘플링을 수행하고, 연소 모델 설계를 위해 상관관계 분석 등을 통하여 연소 모델 및 연소 제어기의 출력 변수에 상관도가 소정 수치 이상인 입력 변수를 선정한다. 즉, 분석부(220)는 이러한 샘플링 및 입력 변수 선정을 통해 학습 데이터를 생성한다.

다음으로, 모델계층부(300)의 연소모델생성부(310)는 S150 단계에서 학습 데이터를 기초로 연소 모델을 생성한다. 본 발명의 실시예에 따른 연소 모델은 표 1과 같은 전달함수(Transfer Function) 모델과 상태공간(State Space) 모델을 포함하는 매개변수 모델(Parametric Model) 및 비매개변수 모델(Nonparametric model) 중 적어도 하나를 기초로 생성될 수 있다. 연소모델생성부(310)는 표 1과 같은 매개변수 모델(Parametric Model) 및 비매개변수 모델(Nonparametric model) 중 적어도 하나에 학습 데이터를 적용하여 표 2와 같은 최적화 알고리즘 중 적어도 하나를 이용하여 연소 모델을 도출할 수 있다. 이러한 연소 모델은 연료투입량, 공기투입량, 공기 온도, 물 투입량, 공기 온도 등의 입력을 토대로 연소의 중요 변수인 발전 출력, 증기와 배기가스의 온도를 포함한 연소 상태, 배기 가스 (일산화탄소, 질소산화물) 조성, 연소 후 잔여 산소량 등과 같은 요소를 예측하기 위한 것이다.

다음으로, 모델계층부(300)의 연소제어기생성부(320)는 S160 단계에서학습 데이터를 기초로 연소 제어기를 도출한다. 설계된 연소 제어기는 최적의 연소 제어를 위한 목표치를 만들어 낼 수 있도록 하는 역할을 수행할 것이다. 최적의 목표치를 만들어내는데 연소 모델(Combustion Model)을 이용한다.

다음으로, 최적계층부(400)의 최적모델선정부(410)는 S170 단계에서 현재 측정되는 실시간 데이터에 대한 분석 결과를 기초로 앞서 생성된 복수의 연소 모델 및 연소 제어기 중에서 최적의 연소 모델과 연소 제어기를 선택한다.

S170 단계에서 먼저, 최적모델선정부(410)는 실시간 데이터를 분석하여 연소 모델을 선정한다. 여기서, 최적모델선정부(410)는 복수의 연소 모델 중 보일러 연소에 대해 현재 측정되는 실시간 데이터와, 연소 모델을 통해 추정되는 추정 데이터와의 차이, 예컨대, 잔차가 가장 작은 연소 모델을 선택한다. 그런 다음 최적모델선정부(410)는 선정된 연소 모델을 기초로 연소 제어기를 선정한다.

그리고 최적계층부(400)의 최적화부(420)는 S180 단계에서 현재 측정되는 실시간 데이터를 앞서 선택된 연소 모델과 연소 제어기에 입력하여 연소 최적화를 위한 최적의 목표치를 산출한다. 이때, 최적화부(420)는 제어 목표값 및 이와 관련된 보조값을 산출할 수 있다.

그러면, 보다 상세히, 본 발명의 실시예에 따른 연소 최적화를 위한 학습 데이터를 생성하기 위한 장치의 구성에 대해서 설명하기로 한다. 도 3은 본 발명의 실시예에 따른 연소 최적화를 위한 학습 데이터를 생성하기 위한 장치의 구성을 설명하기 위한 블록도이다. 도 4는 본 발명의 실시예에 따른 연소 최적화를 위한 학습 데이터를 생성하기 위한 장치의 전처리부의 세부 구성을 설명하기 위한 블록도이다. 그리고 도 5는 본 발명의 실시예에 따른 연소 최적화를 위한 학습 데이터를 생성하기 위한 장치의 샘플링부의 세부 구성을 설명하기 위한 블록도이다.

먼저, 도 3을 참조하면, 본 발명의 실시예에 따른 데이터계층부(200)는 원시 데이터(RD: Raw Data)를 수집하고, 이를 가공하여 학습 데이터(LD: Learning Data)를 도출한다.

원시 데이터(RD)는 보일러 연소에 대해 현재 측정된 실시간 데이터 및 보일러 연소에 대해 과거에 측정된 과거 데이터를 포함한다. 원시 데이터(RD)는 시스템에 대한 입력값과 이 입력값에 대응하는 출력값이 시간에 따라 누적되고, 태그 별로 구분되어 수집된다. 여기서, 태그는 데이터의 종류 혹은 속성을 나타낸다. 그리고 학습 데이터(LD)는 신경망(NN: neural network) 모델을 학습시키기 위한 입력값과, 입력값에 대응하는 목표값 쌍으로 도출된다. 입력값은 학습 시, 신경망(NN)에 입력되는 값이며, 목표값은 학습 시, 입력값에 대응하여 신경망(NN)의 출력값과 비교하기 위한 값이다.

데이터계층부(200)는 전처리부(210) 및 분석부(220)를 포함하며, 분석부(220)는 클러스터부(221) 및 샘플링부(223)를 포함한다.

전처리부(210)는 원시 데이터(RD)에 대한 전처리를 수행하기 위한 것이다. 도 4를 참조하면, 전처리부(210)는 복원부(211), 필터링부(213) 및 소거부(215)를 포함한다.

복원부(211)는 데이터 중 이상 신호가 있는 부분을 복원한다.

필터링부(213)는 기반지식 알고리즘을 통해 소정 조건에 따라 데이터를 필터링한다. 일례로, 소정 시간 동안 ULD 입력값의 변화를 관찰하여 소정 조건을 만족하여 해당 데이터를 저장할 수 있다. 다른 예로, ULD 입력값, NOx, CO 등의 수치가 소정 조건을 만족하는 경우, 해당 데이터를 저장하고, 만족하지 못하는 데이터를 삭제하거나, 그 값을 변경할 수 있다. 그리고 이상이 있는 데이터의 경우, 그 데이터를 제거할 수 있다.

소거부(215)는 극단치(Outlier)를 소거하기 위한 것이다. 즉, 소거부(215)는 태그 별로 데이터의 상한 및 하한 값을 설정하고, 상한값을 초과하거나, 하한값 미만인 데이터를 소거한다.

클러스터부(221)는 태그들 간의 상관관계를 분석하여 학습에 필요한 데이터를 클러스터링하고, 불필요한 태그를 제거하기 위한 것이다. 이러한 클러스터링을 통해 필요 없는 태그 정보를 없애고, 관련 있는 태그 정보를 기초로 데이터를 클러스터링하기 때문에 보다 효율적인 학습 데이터를 생성할 수 있다.

클러스터부(221)는 데이터의 태그들 간의 상관관계를 분석하여 상관 관계 정보를 기반으로 태그 별로 상관 관계가 소정 수치 이상인 태그들을 그룹화하고, 비슷한 패턴을 가진 태그들을 그룹화한 후, 입력값으로 사용될 에 대응하는 태그와 이에 대응하는 출력값에 해당하는 태그를 매핑한다.

도 5를 참조하면, 샘플링부(223)는 태그별로 그룹화된 데이터를 샘플링하여 학습 데이터를 도출한다. 이때, 샘플링부(223)는 패턴 분석 및 샘플링 알고리즘을 기초로 신경망(NN) 모델의 학습데이터를 생성한다. 이를 위하여, 샘플링부(223)는 패턴분석부(223a) 및 데이터샘플링부(223b)를 포함한다.

패턴분석부(223a)는 L2Norm 기반으로 데이터를 분석하여 데이터의 패턴을 도출한다. 그러면, 데이터샘플링부(223b)는 도출된 패턴을 기초로 샘플링 알고리즘에 통하여 데이터를 샘플링하여 학습 데이터(LD)를 생성한다. 이러한 학습 데이터(LD)는 신경망(NN: neural network) 모델을 학습시키기 위한 입력값과, 입력값에 대응하는 목표값 쌍으로 도출된다.

다음으로, 본 발명의 실시예에 따른 연소 최적화를 위한 학습 데이터를 생성하기 위한 방법에 대해서 설명하기로 한다. 도 6 내지 도 8은 본 발명의 실시예에 따른 연소 최적화를 위한 학습 데이터를 생성하기 위한 방법을 설명하기 위한 흐름도이다.

먼저, 도 6을 참조하면, 전처리부(210)는 S210 단계에서 원시 데이터(RD)에 대한 전처리를 수행한다. 여기서, 원시 데이터(RD)는 보일러 연소에 대해 현재 측정된 실시간 데이터 및 보일러 연소에 대해 과거에 측정된 과거 데이터를 포함한다. 원시 데이터(RD)는 시스템에 대한 입력값과 이 입력값에 대응하는 출력값이 시간에 따라 누적되고, 태그 별로 구분되어 수집된다. 여기서, 태그는 데이터의 종류 혹은 속성을 나타낸다. 이러한 S210 단계에 대해 도 7을 참조하여 보다 상세히 설명하면 다음과 같다.

도 7을 참조하면, 복원부(211)는 S310 단계에서 데이터 중 이상 신호가 있는 부분을 복원한다.

그리고 필터링부(213)는 S320 단계에서 기반지식 알고리즘을 통해 소정 조건에 따라 데이터를 필터링한다. 일례로, 소정 시간 동안 ULD 입력값의 변화를 관찰하여 소정 조건을 만족하여 해당 데이터를 저장할 수 있다. 다른 예로, ULD 입력값, NOx, CO 등의 수치가 소정 조건을 만족하는 경우, 해당 데이터를 저장하고, 만족하지 못하는 데이터를 삭제하거나, 그 값을 변경할 수 있다. 그리고 이상이 있는 데이터의 경우, 그 데이터를 제거할 수 있다.

또한, 소거부(215)는 S330 단계에서 극단치(Outlier)를 소거한다. 이때, 소거부(215)는 태그 별로 데이터의 상한 및 하한 값을 설정하고, 상한값을 초과하거나, 하한값 미만인 데이터를 소거한다.

다시, 도 6을 참조하면, 클러스터부(221)는 S220 단계에서 태그들 간의 상관관계를 분석하여 학습에 필요한 데이터를 클러스터링하고, 불필요한 태그를 제거한다. 이러한 클러스터링을 통해 필요 없는 태그 정보를 없애고, 관련 있는 태그 정보를 기초로 데이터를 클러스터링하기 때문에 보다 효율적인 학습 데이터를 생성할 수 있다. 이때, 클러스터부(221)는 데이터의 태그들 간의 상관관계를 분석하여 상관 관계 정보를 기반으로 태그 별로 상관 관계가 소정 수치 이상인 태그들을 그룹화하고, 비슷한 패턴을 가진 태그들을 그룹화한 후, 입력 데이터의 태그와 이에 대응하는 출력 데이터의 태그를 매핑한다.

다음으로, 샘플링부(223)는 S230 단계에서 태그별로 클러스터링된 데이터를 샘플링하여 학습 데이터를 도출한다. 이때, 샘플링부(223)는 패턴 분석 및 샘플링 알고리즘을 기초로 신경망(NN) 모델의 학습데이터를 생성한다. 이러한 S230 단계에 대해 도 8을 참조하여 보다 상세히 설명하면 다음과 같다.

도 8를 참조하면, 샘플링부(223)의 패턴분석부(223a)는 S410 단계에서 L2Norm 기반으로 데이터를 분석하여 데이터의 패턴을 도출한다.

그러면, 샘플링부(223)의 데이터샘플링부(223b)는 S420 단계에서 도출된 패턴을 기초로 샘플링 알고리즘에 통하여 데이터를 샘플링하여 학습 데이터(LD)를 생성한다. 이러한 학습 데이터(LD)는 신경망(NN: neural network) 모델을 학습시키기 위한 입력값과, 입력값에 대응하는 목표값 쌍으로 도출된다. 입력값은 학습 시, 신경망(NN)에 입력되는 값이며, 목표값은 학습 시, 입력값에 대응하여 신경망(NN)의 출력값과 비교하기 위한 값이다.

도 9는 본 발명의 실시예에 따른, 컴퓨팅 장치를 나타내는 도면이다. 도 9의 컴퓨팅 장치(TN100)는 본 명세서에서 기술된 장치(예, 학습 데이터를 생성하기 위한 장치, 연소최적화장치 등) 일 수 있다.

도 9의 실시예에서, 컴퓨팅 장치(TN100)는 적어도 하나의 프로세서(TN110), 송수신 장치(TN120), 및 메모리(TN130)를 포함할 수 있다. 또한, 컴퓨팅 장치(TN100)는 저장 장치(TN140), 입력 인터페이스 장치(TN150), 출력 인터페이스 장치(TN160) 등을 더 포함할 수 있다. 컴퓨팅 장치(TN100)에 포함된 구성 요소들은 버스(bus)(TN170)에 의해 연결되어 서로 통신을 수행할 수 있다.

프로세서(TN110)는 메모리(TN130) 및 저장 장치(TN140) 중에서 적어도 하나에 저장된 프로그램 명령(program command)을 실행할 수 있다. 프로세서(TN110)는 중앙 처리 장치(CPU: central processing unit), 그래픽 처리 장치(GPU: graphics processing unit), 또는 본 발명의 실시예에 따른 방법들이 수행되는 전용의 프로세서를 의미할 수 있다. 프로세서(TN110)는 본 발명의 실시예와 관련하여 기술된 절차, 기능, 및 방법 등을 구현하도록 구성될 수 있다. 프로세서(TN110)는 컴퓨팅 장치(TN100)의 각 구성 요소를 제어할 수 있다.

메모리(TN130) 및 저장 장치(TN140) 각각은 프로세서(TN110)의 동작과 관련된 다양한 정보를 저장할 수 있다. 메모리(TN130) 및 저장 장치(TN140) 각각은 휘발성 저장 매체 및 비휘발성 저장 매체 중에서 적어도 하나로 구성될 수 있다. 예를 들어, 메모리(TN130)는 읽기 전용 메모리(ROM: read only memory) 및 랜덤 액세스 메모리(RAM: random access memory) 중에서 적어도 하나로 구성될 수 있다.

송수신 장치(TN120)는 유선 신호 또는 무선 신호를 송신 또는 수신할 수 있다. 송수신 장치(TN120)는 네트워크에 연결되어 통신을 수행할 수 있다.

한편, 전술한 본 발명의 실시예에 따른 다양한 방법은 다양한 컴퓨터수단을 통하여 판독 가능한 프로그램 형태로 구현되어 컴퓨터로 판독 가능한 기록매체에 기록될 수 있다. 여기서, 기록매체는 프로그램 명령, 데이터 파일, 데이터구조 등을 단독으로 또는 조합하여 포함할 수 있다. 기록매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 예컨대 기록매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광 기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치를 포함한다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 와이어뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 와이어를 포함할 수 있다. 이러한 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

이상, 본 발명의 일 실시예에 대하여 설명하였으나, 해당 기술 분야에서 통상의 지식을 가진 자라면 특허청구범위에 기재된 본 발명의 사상으로부터 벗어나지 않는 범위 내에서, 구성 요소의 부가, 변경, 삭제 또는 추가 등에 의해 본 발명을 다양하게 수정 및 변경시킬 수 있을 것이며, 이 또한 본 발명의 권리범위 내에 포함된다고 할 것이다.

100: 관리계층부
110: 최적화관리부
120: 튜닝관리부
200: 데이터계층부
210: 전처리부
211: 복원부
213: 필터링부
215: 소거부
220: 분석부
221: 클러스터부
223: 샘플링부
223a: 패턴분석부
223b: 데이터샘플링부
300: 모델계층부
310: 연소모델생성부
320: 연소제어기생성부
400: 최적계층부
410: 최적모델선정부
420: 최적화부

Claims

보일러 연소에 대해 현재 측정되는 실시간 데이터와, 상기 보일러 연소에 대해 과거 측정된 과거 데이터를 포함하여 입력값에 대응하는 출력값이 시간에 따라 누적되고 데이터의 종류 혹은 속성을 나타내는 태그 별로 구분되는 원시 데이터를 수집하고, 수집된 원시 데이터에 대해 전처리를 수행하는 전처리부; 및
상기 원시 데이터를 분석하여 상기 원시 데이터로부터 학습 데이터를 도출하는 분석부;
상기 학습 데이터를 기초로 입력 데이터에 대응하는 발전 출력, 증기와 배기가스의 온도를 포함한 연소 상태, 배기 가스 조성 및 연소 후 잔여 산소량 중 적어도 하나를 포함하는 연소에 대한 변수를 예측한 예측 데이터를 출력하는 연소 모델을 생성하고, 상기 연소 모델을 통해 입력 데이터에 대응하여 최적의 연소 제어를 위한 목표치를 생성하기 위한 연소 제어기를 생성하는 모델계층부; 및
연소모델생성부가 생성한 복수의 연소 모델 중 보일러 연소에 대해 현재 측정되는 실시간 데이터와 연소 모델을 통해 추정되는 추정 데이터와의 차이가 가장 작은 연소 모델을 선정하고, 복수의 연소 제어기 중 상기 선정된 연소 모델에 부합하는 연소 제어기를 선정한 후, 상기 선정된 연소 모델 및 상기 선정된 연소 제어기를 이용하여 연소 최적화를 위한 목표치를 산출하고, 산출된 목표치에 따른 제어 신호를 출력하는 최적계층부;
를 포함하며,
상기 분석부는
상기 원시 데이터의 태그들 간의 상관관계를 분석하여 학습에 필요한 태그들 간의 상관관계를 도출하여 상기 원시 데이터를 클러스터링하는 클러스터부; 및
상기 태그들 간의 상관관계에 따라 클러스터링된 원시 데이터로부터 학습 데이터를 추출하는 샘플링부를 포함하는
학습 데이터를 생성하기 위한 장치.
제1항에 있어서,
상기 전처리부는
상기 원시 데이터 중 이상 신호가 있는 부분을 복원하는 복원부;
기반지식 알고리즘을 통해 소정 조건에 따라 상기 원시 데이터를 필터링하는 필터링부; 및
상기 원시 데이터 중 극단치(Outlier)를 소거하는 소거부를 포함하는
학습 데이터를 생성하기 위한 장치.
삭제
제1항에 있어서,
상기 샘플링부는
L2Norm 기반으로 원시 데이터를 분석하여 상기 원시 데이터의 패턴을 도출하는 패턴분석부; 및
상기 도출된 패턴을 기초로 샘플링 알고리즘에 기초로 상기 원시 데이터를 샘플링하여 학습 데이터를 도출하는 데이터샘플링부를 포함하는
학습 데이터를 생성하기 위한 장치.
제1항에 있어서,
상기 원시 데이터는
입력 데이터와 상기 입력 데이터에 대응하는 출력 데이터를 포함하는
학습 데이터를 생성하기 위한 장치.
제1항에 있어서,
상기 원시 데이터는
수집되는 시간에 따라 누적되고, 태그 별로 구분되는
학습 데이터를 생성하기 위한 장치.
제1항에 있어서,
상기 학습 데이터는
신경망(NN: neural network) 모델을 학습시키기 위한 입력 데이터와 상기 입력 데이터에 대응하는 목표 데이터를 포함하는
학습 데이터를 생성하기 위한 장치.
보일러 연소에 대해 현재 측정되는 실시간 데이터를 수집하고, 수집된 실시간 데이터를 분석하여 연소 최적화 진행 여부 및 연소 모델 및 연소 제어기 튜닝 여부를 결정하는 관리계층부;
상기 실시간 데이터 및 상기 보일러 연소에 대해 과거에 측정된 과거 데이터를 포함하는 원시 데이터로부터 학습 데이터를 도출하는 데이터계층부;
상기 학습 데이터를 기초로 입력 데이터에 대응하는 발전 출력, 증기와 배기가스의 온도를 포함한 연소 상태, 배기 가스 조성 및 연소 후 잔여 산소량 중 적어도 하나를 포함하는 연소에 대한 변수를 예측한 예측 데이터를 출력하는 연소 모델을 생성하고, 상기 연소 모델을 통해 입력 데이터에 대응하여 최적의 연소 제어를 위한 목표치를 생성하기 위한 연소 제어기를 생성하는 모델계층부; 및
연소모델생성부가 생성한 복수의 연소 모델 중 보일러 연소에 대해 현재 측정되는 실시간 데이터와 연소 모델을 통해 추정되는 추정 데이터와의 차이가 가장 작은 연소 모델을 선정하고, 복수의 연소 제어기 중 상기 선정된 연소 모델에 부합하는 연소 제어기를 선정한 후, 상기 선정된 연소 모델 및 상기 선정된 연소 제어기를 이용하여 연소 최적화를 위한 목표치를 산출하고, 산출된 목표치에 따른 제어 신호를 출력하는 최적계층부;
를 포함하며,
상기 데이터계층부는
보일러 연소에 대해 현재 측정되는 실시간 데이터와, 상기 보일러 연소에 대해 과거 측정된 과거 데이터를 포함하여 입력값에 대응하는 출력값이 시간에 따라 누적되고 데이터의 종류 혹은 속성을 나타내는 태그 별로 구분되는 원시 데이터를 수집하고, 수집된 원시 데이터에 대해 전처리를 수행하는 전처리부; 및
상기 원시 데이터를 분석하여 상기 원시 데이터로부터 학습 데이터를 도출하는 분석부를 포함하며,
상기 분석부는
상기 원시 데이터의 태그들 간의 상관관계를 분석하여 학습에 필요한 태그들 간의 상관관계를 도출하여 상기 원시 데이터를 클러스터링하는 클러스터부; 및
상기 태그들 간의 상관관계에 따라 클러스터링된 원시 데이터로부터 학습 데이터를 추출하는 샘플링부를 포함하는
학습 데이터를 생성하기 위한 장치.
삭제
제8항에 있어서,
상기 전처리부는
상기 원시 데이터 중 이상 신호가 있는 부분을 복원하는 복원부;
기반지식 알고리즘을 통해 소정 조건에 따라 상기 원시 데이터를 필터링하는 필터링부; 및
상기 원시 데이터 중 극단치(Outlier)를 소거하는 소거부를 포함하는
학습 데이터를 생성하기 위한 장치.
삭제
제8항에 있어서,
상기 샘플링부는
L2Norm 기반으로 원시 데이터를 분석하여 상기 원시 데이터의 패턴을 도출하는 패턴분석부; 및
상기 도출된 패턴을 기초로 샘플링 알고리즘에 기초로 상기 원시 데이터를 샘플링하여 학습 데이터를 도출하는 데이터샘플링부를 포함하는
학습 데이터를 생성하기 위한 장치.
제8항에 있어서,
상기 원시 데이터는
입력 데이터와 상기 입력 데이터에 대응하는 출력 데이터를 포함하는
학습 데이터를 생성하기 위한 장치.
제8항에 있어서,
상기 원시 데이터는
수집되는 시간에 따라 누적되고, 태그 별로 구분되는
학습 데이터를 생성하기 위한 장치.
제8항에 있어서,
상기 학습 데이터는
신경망(NN: neural network) 모델을 학습시키기 위한 입력 데이터와, 상기 입력 데이터에 대응하는 목표 데이터를 포함하는
학습 데이터를 생성하기 위한 장치.
컴퓨터로 구현된 학습 데이터를 생성하기 위한 장치에 의해 수행되는 학습 데이터를 생성하기 위한 방법에 있어서,
전처리부가 보일러 연소에 대해 현재 측정되는 실시간 데이터와, 상기 보일러 연소에 대해 과거 측정된 과거 데이터를 포함하여 입력값에 대응하는 출력값이 시간에 따라 누적되고 데이터의 종류 혹은 속성을 나타내는 태그 별로 구분되는 원시 데이터를 수집하는 단계;
상기 전처리부가 상기 수집된 원시 데이터에 대해 전처리를 수행하는 단계;
분석부가 상기 원시 데이터를 분석하여 상기 원시 데이터로부터 학습 데이터를 도출하는 단계;
모델계층부가 상기 학습 데이터를 기초로 입력 데이터에 대응하는 발전 출력, 증기와 배기가스의 온도를 포함한 연소 상태, 배기 가스 조성 및 연소 후 잔여 산소량 중 적어도 하나를 포함하는 연소에 대한 변수를 예측한 예측 데이터를 출력하는 연소 모델을 생성하고, 상기 연소 모델을 통해 입력 데이터에 대응하여 최적의 연소 제어를 위한 목표치를 생성하기 위한 연소 제어기를 생성하는 단계; 및
최적계층부가 연소모델생성부가 생성한 복수의 연소 모델 중 보일러 연소에 대해 현재 측정되는 실시간 데이터와 연소 모델을 통해 추정되는 추정 데이터와의 차이가 가장 작은 연소 모델을 선정하고, 복수의 연소 제어기 중 상기 선정된 연소 모델에 부합하는 연소 제어기를 선정한 후, 상기 선정된 연소 모델 및 상기 선정된 연소 제어기를 이용하여 연소 최적화를 위한 목표치를 산출하고, 산출된 목표치에 따른 제어 신호를 출력하는 단계;
를 포함하며,
상기 학습 데이터를 도출하는 단계는
상기 원시 데이터의 태그들 간의 상관관계를 분석하여 학습에 필요한 태그들 간의 상관관계를 도출하여 상기 원시 데이터를 클러스터링하는 단계; 및
상기 분석부의 샘플링부가 상기 태그들 간의 상관관계에 따라 클러스터링된 원시 데이터로부터 학습 데이터를 추출하는 단계를 포함하는
학습 데이터를 생성하기 위한 방법.
제16항에 있어서,
상기 전처리를 수행하는 단계는
상기 전처리부의 복원부가 상기 원시 데이터 중 이상 신호가 있는 부분을 복원하는 단계;
상기 전처리부의 필터링부가 기반지식 알고리즘을 통해 소정 조건에 따라 상기 원시 데이터를 필터링하는 단계; 및
상기 전처리부의 소거부가 상기 원시 데이터 중 극단치(Outlier)를 소거하는 단계를 포함하는
학습 데이터를 생성하기 위한 방법.
삭제
제16항에 있어서,
상기 분석부의 샘플링부가 상기 태그들 간의 상관관계에 따라 클러스터링된 원시 데이터로부터 학습 데이터를 추출하는 단계는
상기 샘플링부의 패턴분석부가 L2Norm 기반으로 원시 데이터를 분석하여 상기 원시 데이터의 패턴을 도출하는 단계; 및
상기 샘플링부의 데이터샘플링부가 상기 도출된 패턴을 기초로 샘플링 알고리즘에 기초로 상기 원시 데이터를 샘플링하여 학습 데이터를 추출하는 단계를 포함하는
학습 데이터를 생성하기 위한 방법.
제16항에 있어서,
상기 원시 데이터는
입력 데이터와 상기 입력 데이터에 대응하는 출력 데이터를 포함하는
학습 데이터를 생성하기 위한 방법.
제16항에 있어서,
상기 원시 데이터는
수집되는 시간에 따라 누적되고, 태그 별로 구분되는
학습 데이터를 생성하기 위한 방법.
제16항에 있어서,
상기 학습 데이터는
신경망(NN: neural network) 모델을 학습시키기 위한 입력 데이터와, 상기 입력 데이터에 대응하는 목표 데이터를 포함하는
학습 데이터를 생성하기 위한 방법.