In recent year, the performance enhancement of turbine cycle in nuclear power plants is being highlighted because of worldwide deregulation environment. Especially the first target of operating plants became the reduction of operating cost to compete other power plants. It is known that overhaul interval is closely related to operating cost Author identified that the rapid and reliable performance tests, analysis, and diagnosis play an important role in the control of overhaul interval through field investigation. First the technical road map was proposed to clearly set up the objectives. The controversial issues were summarized into data gathering, analysis tool, and diagnosis method. Author proposed the integrated solution on the basis of intelligent data mining techniques. For the reliable data gathering, the state analyzer composed of statistical regression, wavelet analysis, and neural network was developed. The role of the state analyzer is to estimate unmeasured data and to increase the reliability of the collected data. For the advanced performance analysis, performance analysis toolbox was developed. The purpose of this tool makes analysis process easier and more accurate by providing three novel heat balance diagrams. This tool includes the state analyzer and turbine cycle simulation code. In diagnosis module, the probabilistic technique based on Bayesian network model and the deterministic technique based on algebraical model are provided together. It compromises the uncertainty in diagnosis process and the pin-point capability. All the modules were validated by simulated data as well as actual test data, and some modules are used as industrial applications.
We have a lot of thing to be improved in turbine cycle in order to increase plant availability. This study was accomplished to remind the concern about the importance of turbine cycle and to propose the solutions on the basis of academic as well as industrial needs.
오래전부터 보일러와 터빈사이클의 성능에 관심을 가져온 화력발전소뿐만 아니라, 최근에는 원자력발전소에서도 성능에 대한 관심이 급속히 증대되었다. 그 까닭은 규제완화 환경이 점차 확신되면서 타 발전원과의 가격경쟁에서 우월하여야만 실질적인 이익을 창출할 수 있기 때문이다.
통상 터빈사이클의 성능을 측정하는 잣대는 사이클 수준의 성능지표와 단위기기 수준의 성능지표를 계산함으로써 얻어진다. 성능지표를 얻고 이를 근거로 발전소의 상태를 판단하는 절차는 데이터 취득, 성능분석, 성능진단으로 나뉘어 진다. 본 논문에서는 각 단계별로 현재의 기술 수준에서 필요한 요소 기술을 분석하여 로드맵을 구성하였다. 이 로드맵을 통하여 전반적인 연구의 방향을 설정하였다.
데이터 취득에서는 현재 발전소에서 성능시험용 데이터를 취득할 수 있는 방법과 그들의 문제점을 기술하였다. 가장 시급한 문제로는 계측기의 추가 확보, 신뢰도 향상, 그리고 취득된 데이터의 검증이 지적되었다. 터빈사이클에서 취득된 데이터의 검증을 위해서는 경험모델(Empirical Model)이 유일한 방법이었으며, 수백개에 달하는 데이터를 강인성(Robustness)있게 검증하기 위해서 데이터 압축기술의 하나인 웨이브렛 패킷 분석(Wavelet Packet Analysis)과 신경회로망(Neural Network) 을 이용하였다. 검증된 데이터는 부족한 신호를 예측하는 상관식에 사용된다. 성능분석 단계에서는 현행 사용중인 성능시험코드의 문제점과 실제 계산 상의 어려움을 확인하였다. 현행 사용중인 성능시험코드를 보다 쉽게 적용할 수 있고, 성능지표의 분석을 발전소별 특성, 예컨대 계측기 설치 정보 등을 고려하여 수행할 수 있도록 성능분석 툴박스(Performance Analysis Toolbox)를 개발하였다. 이 툴박스는 임의의 터빈사이클을 모델링할 수 있으며, 모델링 과정에서 발전소별 특성을 입력할 수 있기 때문에 기존의 성능지표계산 과정에서 나타날 수 있는 문제를 해결할 수 있었다. 이 툴박스는 현재 상업화 진행중이다. 마지막으로 성능진단에서는 진단 과정에서 발생할 수 있는 불확실성을 감안하면서 발전소 현장에서 원하는 신뢰도 높은 진단모듈을 개발하는 방법론을 소개하였다. 본 연구에서는 확률론적 방법과 결정론적 방법을 동시에 사용하여 이를 해결할 수 있도록 하였다. 확률론적 방법에서는 터빈사이클의 주요 변수와 전기출력간의 거동을 분석하고, 이 상관식으로 예측된 출력증감에 대한 확신도를 베이지안 네트워크(Bayesian Network)로 구성된 진단용 지식베이스를 근간으로 추론하여 제공한다. 본 연구에서 제안된 확률론적 방법은 출력증감 계산기(Lost MW Calculator)라는 이름으로 발전소 현장에 설치될 예정이다. 결정론적 방법에서는 기기별 성능저하를 그 원인에 따라 자체 원인에 따른 저하(Intrinsic Degradation)와 외부 원인에 따른 저하(Unavoidable Degradation)로 구분하고, 기기간의 거동을 분석한 자료를 이용하여 자체 원인에 따른 저하와 외부 원인에 따른 저하를 대수적인 방법으로 분리하여 성능저하의 근본적인 원인을 제시한다.
본 연구에서 개발된 각 단계별 방법론은 원자력발전소의 터빈사이클뿐만 아니라, 화력발전소의 터빈사이클에도 동일한 개념으로 적용이 가능하도록 구성되어 있다.
