This study proposes an improved signal correction strategy for accurate thermal power estimation in nuclear power plants. Generally ~2% thermal efficiency can be overestimated because of fouling phenomena in a feedwater flowmeter. In the proposed strategy the noises in feedwater flowrate signals are classified into three kinds according to their properties such as fouling degradations, statistical fluctuations, and rapid distortions. Each noise is removed by a multi-step de-noising technique that consists of signal preprocessing, signal aggregation, and signal estimation. Signal preprocessing is achieved for the removal of rapid distortions on the basis of low pass filtering using a wavelet analysis. In signal aggregation a principal component analysis is applied as a linear fitting method to cover statistical fluctuations in fouling phenomena. To estimate real signals from the signals including fouling degradations, an auto-associative neural network is used as another principal component analysis methodology to apply to a nonlinear system. Additionally thermal power deviation estimators are proposed to recognize the effects of deviations in each parameter for thermal power calculation. Because this estimator can provide error information according to the parameters, it may be useful for maintenance decision-making. The proposed methodologies were validated using the signals from a micro simulator and noise modeling. 2.3% root mean square (RMS) errors in noisy signals were reduced to 0.3% RMS errors after the multi-step de-noising technique. And calculation error, which is estimated by the thermal power deviation estimator and the results of the multi-step de-noising technique, is nearly approximated to the results by analytical calculation.
최근 원자력발전소에서 성능에 대한 관심이 증대되면서 성능 향상을 위한 많은 방법들이 제안되고 있다. 그 중 하나는 정밀 감시를 통한 원자력발전소의 성능 향상으로서 정밀 감시는 운전 및 성능 저하 진단을 위한 정확한 정보 제공의 역할을 한다. 이러한 정밀 감시의 하나로서 본 연구에서는 원자력발전소 2차측 주급수유량이 파울링 (Fouling) 현상으로 인해 실제보다 높은 값으로 측정되고 있는 것을 신경회로망 (Neural Network)과 주성분 분석법 (Principal Component Analysis)을 이용하여 보상하는 방법론과 신호 측정의 부정확함으로 인해 생기는 열출력 계산 편차의 영향을 예측하는 방법론을 제안하였다.
파울링 현상으로 생기는 잡음의 특징이 매우 느린 과정이라는 점에 착안하여 주급수유량 신호내의 잡음을 주파수 특성에 따라 세 가지로 나누었다. 세 가지의 잡음은 각 잡음을 가장 잘 제거할 수 있는 방법으로 구성된 다단계 잡음제거 기법 (Multi-step De-noising Technique)에 의해 처리된다. 가장 빠른 주파수 특성을 갖는 잡음은 wavelet 분석을 이용한 저주파 필터링 기법으로 제거된다. 파울링 현상의 특성으로 인하여 생기는 통계적인 불확실성은 주¡캬側L} 길기 때문에 저주파 필터링으로는 제거되지 않으므로 선형 주성분 분석법을 적용한다. 선형 주성분 분석법에서는 현재 신호와 지나간 일정 시간동안의 신호를 최대 분산을 갖는 선형식으로 유도한다. 여기서 유도된 선형식은 통계적 불확실성을 감안한 현재 신호에 대한 통계처리가 된다. 마지막으로 잔존하는 신호 표류 현상은 비선형 주성분 분석법으로 참값이 예측된다. 비선형 주성분 분석법이 해석적인 방법으로 적용되기 어려운 점을 감안하여 자동 연상 신경회로망 (Auto-Associative Neural Network)을 이용한다. 자동 연상 신경회로망의 예측 성능을 높이기 위하여 추이 신호에 적용 가능한 Latin hypercube sampling 방법과 강인 교육을 위한 훈련 신호의 재구성 방법이 부가적으로 제안되었다. 제안된 방법론은 시뮬레이터에서 얻은 신호와 잡음 모델링을 사용하여 검증되었다. 세 가지 잡음을 모두 고려하였을 때 2.43%의 Root Mean Square (RMS) 오차를 가진 신호는 다단계 잡음제거 기법을 사용하였을 경우 원래 신호와 0.3%의 RMS 오차를 갖는 신호로 보정되었다.
여러 신호에서 측정상의 오차가 발생하는 경우 열출력 계산 편차는 측정 오차의 함수로 나타내 질 수 있다. 이 때 측정 오차의 합성 효과로 말미암아 실제로는 각 계측기가 얼마나 심각한 측정 오차를 가지고 있는지 판단하기 어렵다. 이런 경우 열출력 계산과 관련한 변수들의 열출력에 대한 민감도 정보를 알고 있다면 변수의 오차가 얼마나 열출력 계산에 큰 영향을 미치는지를 파악할 수 있어 유지 및 보수에 적절한 판단 기준을 제공할 수 있다. 복잡한 비선형 시스템에 적용 가능하도록 신경망을 활용하여 민감도에 대한 식을 유도하였으며 이를 기반으로 열출력 편차 추정량을 제안하였다. 제안된 방법론도 역시 시뮬레이터에서 얻은 신호와 잡음 모델링을 사용하여 검증하였다. 다단계 잡음제거 기법의 결과와 열출력 편차 추정량을 사용하여 계산된 열출력 계산 오차는 분석적 방법에 의해 직접 계산한 오차와 거의 일치하였다. 또한 열출력 편차 추정량은 오차가 생긴 변수별로 열출력 계산 오차에 대한 영향력을 제시해 주었다.
제안된 두가지의 방법론은 모두 실시간으로 감시가 가능하며 차세대에 적용되는 주제어실이 컴퓨터 기반의 디지털 시스템인 점을 감안한다면 본 연구에서 제안한 열출력 예측 방법론은 쉽게 발전소 감시에 활용될 수 있을 것으로 생각된다.
