| 1 |
1
터빈의 상태를 측정하여 운전 데이터를 생성하는 다수의 측정 단말기(110-1 내지 110-n); 및통신망(120)을 통해 다수의 상기 측정 단말기(110-1 내지 110-n)와 연결되며, 상기 운전 데이터를 이용하여 신경망 모델을 생성하고, 상기 신경망 모델에 상기 운전 데이터를 적용하여 상기 터빈의 공급 가능 용량을 예측하는 관리 서버(130);를 포함하는 것을 특징으로 하는 신경망을 이용한 터빈 공급 가능 용량 예측 시스템
|
| 2 |
2
제 1 항에 있어서,상기 운전 데이터는 상기 터빈의 출력을 포함하며, 작동 온도, 압력, 유량, 효율, 및 상기 터빈이 위치하는 장소의 기상 정보 중 적어도 하나를 포함하는 것을 특징으로 하는 신경망을 이용한 터빈 공급 가능 용량 예측 시스템
|
| 3 |
3
제 2 항에 있어서,상기 관리 서버(130)는, 상기 통신망(120)과 연결되어 다수의 상기 측정 단말기(110-1 내지 110-n)로부터 상기 운전 데이터를 수집하는 수집부(310);상기 운전 데이터 중 노이즈를 제거하는 필터링부(320); 및노이즈가 제거된 상기 운전 데이터를 신경망 모델에 적용하여 상기 공급 가능 용량을 예측하는 예측부(340);를 포함하는 것을 특징으로 하는 신경망을 이용한 터빈 공급 가능 용량 예측 시스템
|
| 4 |
4
제 3 항에 있어서,상기 공급 가능 용량은 상기 신경망 모델을 적용하여 산출되는 결과값에 미리 설정되는 안전 마진율을 고려하여 산출되는 것을 특징으로 하는 신경망을 이용한 터빈 공급 가능 용량 예측 시스템
|
| 5 |
5
제 3 항에 있어서,상기 신경망 모델은 1일 단위로 미리 설정되는 시간 기준의 전후 운전 데이터를 평균화하여 생성되는 것을 특징으로 하는 신경망을 이용한 터빈 공급 가능 용량 예측 시스템
|
| 6 |
6
제 5 항에 있어서,상기 전후 운전 데이터는 상기 신경망 모델의 학습을 위한 학습 데이터와 상기 신경망 모델의 시험을 위한 시험 데이터로 구분되는 것을 특징으로 하는 신경망을 이용한 터빈 공급 가능 용량 예측 시스템
|
| 7 |
7
제 6 항에 있어서,상기 학습 데이터는 상기 전후 운전 데이터의 70 ~ 90%이고, 상기 시험 데이터는 상기 전후 운전 데이터의 30 ~ 10%인 것을 특징으로 하는 신경망을 이용한 터빈 공급 가능 용량 예측 시스템
|
| 8 |
8
제 3 항에 있어서,상기 신경망 모델은 순환 신경망 모델인 GRU 모델 또는 LSTM(Long-Short Term Memory) 모델인 것을 특징으로 하는 신경망을 이용한 터빈 공급 가능 용량 예측 시스템
|
| 9 |
9
제 8 항에 있어서,상기 순환 신경망 모델의 현시점의 은닉상태는 수학식 (여기서, f, g는 함수이고, xt는 과거의 터빈 운전 조건이고, ht-1는 이전의 은닉상태이며, Wx, Wh, bh는 학습을 통해 정해지는 가중치값이다)으로 정의되는 것을 특징으로 하는 신경망을 이용한 터빈 공급 가능 용량 예측 시스템
|
| 10 |
10
제 9 항에 있어서, 상기 가중치값(Wx, Wh, bh) 또는 게이트값(Forget gate ft, Input gate it, Output gate ot, Update gate zt, Reset gate rt)은 업데이트되는 것을 특징으로 하는 신경망을 이용한 터빈 공급 가능 용량 예측 시스템
|
| 11 |
11
(a) 다수의 측정 단말기(110-1 내지 110-n)가 터빈의 상태를 측정하여 운전 데이터를 생성하는 단계; (b) 통신망(120)을 통해 다수의 상기 측정 단말기(110-1 내지 110-n)와 연결되는 관리 서버(130)가 상기 운전 데이터를 이용하여 신경망 모델을 생성하는 단계; 및(c) 상기 관리 서버(130)가 상기 신경망 모델에 상기 운전 데이터를 적용하여 상기 터빈의 공급 가능 용량을 예측하는 단계;를 포함하는 것을 특징으로 하는 신경망을 이용한 터빈 공급 가능 용량 예측 방법
|
| 12 |
12
제 11 항에 있어서,상기 운전 데이터는 상기 터빈의 출력을 포함하며, 작동 온도, 압력, 유량, 효율, 및 상기 터빈이 위치하는 장소의 기상 정보 중 적어도 하나를 포함하는 것을 특징으로 하는 신경망을 이용한 터빈 공급 가능 용량 예측 방법
|
| 13 |
13
재 12 항에 있어서,상기 (c) 단계는, 상기 통신망(120)과 연결되는 수집부(310)가 다수의 상기 측정 단말기(110-1 내지 110-n)로부터 상기 운전 데이터를 수집하는 단계;필터링부(320)가 상기 운전 데이터 중 노이즈를 제거하는 단계; 및예측부(340)가 노이즈가 제거된 상기 운전 데이터를 신경망 모델에 적용하여 상기 공급 가능 용량을 예측하는 단계;를 포함하는 것을 특징으로 하는 신경망을 이용한 터빈 공급 가능 용량 예측 방법
|
| 14 |
14
제 13 항에 있어서,상기 공급 가능 용량은 상기 신경망 모델을 적용하여 산출되는 결과값에 미리 설정되는 안전 마진율을 고려하여 산출되는 것을 특징으로 하는 신경망을 이용한 터빈 공급 가능 용량 예측 방법
|
| 15 |
15
제 13 항에 있어서,상기 신경망 모델은 1일 단위로 미리 설정되는 시간 기준의 전후 운전 데이터를 평균화하여 생성되는 것을 특징으로 하는 신경망을 이용한 터빈 공급 가능 용량 예측 방법
|
| 16 |
16
제 15 항에 있어서,상기 전후 운전 데이터는 상기 신경망 모델의 학습을 위한 학습 데이터와 상기 신경망 모델의 시험을 위한 시험 데이터로 구분되는 것을 특징으로 하는 신경망을 이용한 터빈 공급 가능 용량 예측 방법
|
| 17 |
17
제 16 항에 있어서,상기 학습 데이터는 상기 전후 운전 데이터의 70 ~ 90%이고, 상기 시험 데이터는 상기 전후 운전 데이터의 30 ~ 10%인 것을 특징으로 하는 신경망을 이용한 터빈 공급 가능 용량 예측 방법
|
| 18 |
18
제 13 항에 있어서,상기 신경망 모델은 순환 신경망 모델인 GRU 모델 또는 LSTM(Long-Short Term Memory) 모델인 것을 특징으로 하는 신경망을 이용한 터빈 공급 가능 용량 예측 방법
|
| 19 |
19
제 18 항에 있어서,상기 순환 신경망 모델의 현시점의 은닉상태는 수학식 (여기서, f, g는 함수이고, xt는 과거의 터빈 운전 조건이고, ht-1는 이전의 은닉상태이며, Wx, Wh, bh는 학습을 통해 정해지는 가중치값이다)으로 정의되는 것을 특징으로 하는 신경망을 이용한 터빈 공급 가능 용량 예측 방법
|
