딥러닝 기법을 활용한 매립가스 발전소의 메탄가스 농도 및 전력생산량 예측 = Forecasting the methane gas concentration and generator capacity of LFG power plant using deep learning
본 연구에서는 매립가스 발전소 운영에 필요한 빅데이터・인공지능 모델 개발의 일환으로 매립장 매립가스 발전소를 대상으로 발전소 운영 데이터들을 검토하여 데이터들 간의 관계를 알아보고, 딥러닝(Deep Learning) 기법을 적용하여 이러한 관계를 학습・추정하는 인공지능 모델을 구축하는 것을 목표로 하여 시작되었다.
현재 매립가스 발전소 운영은 개개인의 운영방식에 따라 매립가스 발전소 전력 생산에 변화를 나타내고 있다. 매립가스 발전소 특성상 매립가스를 포집하는 포집공을 조절하여 메탄가스 농도와 발전소에 들어오는 유량을 조절하게 된다. 매립장에 설치된 포집공에서 매립가스를 강제적으로 포집하게 되면 산소가 유입되면서 메탄가스 농도저하가 발생하게 되어 포집공 밸브를 잠그게 되어 유량 확보가 어렵게 된다. 각각의 포집공에서 발생되는 메탄가스 농도가 저하되면 발전소로 들어오는 평균 메탄가스 농도도 저하되고 발전기 출력도 떨어져 전력 생산에 큰 영향이 있다.
본 연구에서는 이러한 문제점을 해결하고 향후 발전소 운영에 대한 개선 방안을 찾고자 포집공의 메탄가스 농도, 황화수소 농도 등의 자료를 이용하여 실제값의 변화를 파악하고 이를 학습・추정할 수 있는 인공지능의 딥러닝 모형을 개발하고자 하였고, 매립가스 발전소에서 전력을 생산하면서 기록된 메탄가스 사용유량, 일일 전력 생산량 등의 자료를 이용하여 전력생산량 예측을 위한 모형을 개발하고자 하였다. 포집공별 메탄가스 추정 모형은 약 95%의 정확도를 나타냈으며, 실제 평균 메탄농도 49.6%, 딥러닝을 이용한 추정 평균 메탄농도 49.7%로 0.1% 차이로 실제값과 거의 유사한 것으로 분석되어 향후 W시 매립가스 발전소 포집공 메탄가스 농도예측에 활용가치가 있을 것으로 분석되었다. 발전소 전력생산량 추정 모형은 약 95%의 정확도를 나타냈으며, 실제 발전소 평균 전력생산량 7,248kWh, 딥러닝을 이용한 추정 평균 전력생산량 7,179kWh로 0.1% 차이로 실제값과 거의 유사한 것으로 분석되어 향후 W시 매립가스 발전소 전력생산량 예측에 활용가치가 있을 것으로 분석되었다.
The main purpose of the study is to establish the Deep Learning process on the operational side of Landfill Gas Power Plant by collecting relevant raw data and carrying out required analysis process to incorporate the big data and artificial intelligent model and how it may be incorporated in the future.
In standard practice, the operation aspect of the LFG Plant defers from one another based on their individual operation and maintenance method selected. Further in relation to the LFG Plant, the collection pipe line would be control to extract the landfill gas from the site so to establish the methane gas concentration to assure the constant flow would be maintained. And during the collection of methane gas from the site, if and when oxygen is added to the methane gas, the concentration level shall be reduced, which in return would close the valve and required methane gas would not be collected to operate the LFG Plant effectively to generate the required power.
First, by applying the first order kinetic model, the estimation of the landfill gas at the W City landfill site has been carried out as well as the application of parameter in accordance with the waste characteristics, landfill method and temporal variation which maybe anticipated. Use of the first order kinetic model, the average landfill gas captured per minute was estimated and recorded at 4.75㎡, and the maximum generation capacity in the year 2017 was estimated at 17,520kWh.
From August to December 2017, the actual maximum power generation from the site was 11,218kWh, and the predicted value of landfill gas emission was 6,302kW. The first order kinetic model method is based on the estimation of the amount of landfill gas generation, and the actual operation of the power plant and the power generated from the power plant would depends on the methane gas fluctuation on the landfill gas, generator efficiency, temperature change, and it was judged that there was some differential due to those factors not reflected on the power generation production.
Second, using the deep learning the collection pipes efficiency and the power generation capability. The study carried out for the thesis is to provide solution for such a situation in mind where the operational methodology can be established to improve the collection pipes efficiency. The Big Data and Deep Learning process and incorporation of A.I model to be developed to utilize the relevant concentration level for methane gas and H2S and to monitor and register the changes so that it would learn the trend to establish the power generation capability by collected data and the flow, as well as establishing daily output (Power) to forecast the maximum output capacity. Through the study and collection of raw data, the model shows 95% accuracy rate in relation to the methane gas collection, and actual average methane concentration level of 49.6%. And the Deep Learning process estimation shows 49.7%, with 0.1% differential to the actual reading, and based on this finding the W City LFG Plant the model can be utilized. Through the study and collection of raw data, the model shows 95% accuracy rate in relation to the power generation capability, and actual average power generation capability 7,237kWh. And the Deep Learning process estimation shows 7,169kWh with 0.1% differential to the actual reading, and based on this finding the W City LFG Plant the model can be utilized.
The data used for the analysis is from January 2017 to December 2017. It is expected that the prediction capability shall be improved by utilizing the LSTM(Long Short Term Memory) and the RNN(Recurrent Neural Network) model.
서지정보 내보내기(Export)
닫기소장기관 정보
닫기권호소장정보
닫기오류접수
닫기오류 접수 확인
닫기음성서비스 신청
닫기음성서비스 신청 확인
닫기이용약관
닫기학술연구정보서비스 이용약관 (2017년 1월 1일 ~ 현재 적용)
학술연구정보서비스(이하 RISS)는 정보주체의 자유와 권리 보호를 위해 「개인정보 보호법」 및 관계 법령이 정한 바를 준수하여, 적법하게 개인정보를 처리하고 안전하게 관리하고 있습니다. 이에 「개인정보 보호법」 제30조에 따라 정보주체에게 개인정보 처리에 관한 절차 및 기준을 안내하고, 이와 관련한 고충을 신속하고 원활하게 처리할 수 있도록 하기 위하여 다음과 같이 개인정보 처리방침을 수립·공개합니다.
주요 개인정보 처리 표시(라벨링)
목 차
3년
또는 회원탈퇴시까지5년
(「전자상거래 등에서의 소비자보호에 관한3년
(「전자상거래 등에서의 소비자보호에 관한2년
이상(개인정보보호위원회 : 개인정보의 안전성 확보조치 기준)개인정보파일의 명칭 | 운영근거 / 처리목적 | 개인정보파일에 기록되는 개인정보의 항목 | 보유기간 | |
---|---|---|---|---|
학술연구정보서비스 이용자 가입정보 파일 | 한국교육학술정보원법 | 필수 | ID, 비밀번호, 성명, 생년월일, 신분(직업구분), 이메일, 소속분야, 웹진메일 수신동의 여부 | 3년 또는 탈퇴시 |
선택 | 소속기관명, 소속도서관명, 학과/부서명, 학번/직원번호, 휴대전화, 주소 |
구분 | 담당자 | 연락처 |
---|---|---|
KERIS 개인정보 보호책임자 | 정보보호본부 김태우 | - 이메일 : lsy@keris.or.kr - 전화번호 : 053-714-0439 - 팩스번호 : 053-714-0195 |
KERIS 개인정보 보호담당자 | 개인정보보호부 이상엽 | |
RISS 개인정보 보호책임자 | 대학학술본부 장금연 | - 이메일 : giltizen@keris.or.kr - 전화번호 : 053-714-0149 - 팩스번호 : 053-714-0194 |
RISS 개인정보 보호담당자 | 학술진흥부 길원진 |
자동로그아웃 안내
닫기인증오류 안내
닫기귀하께서는 휴면계정 전환 후 1년동안 회원정보 수집 및 이용에 대한
재동의를 하지 않으신 관계로 개인정보가 삭제되었습니다.
(참조 : RISS 이용약관 및 개인정보처리방침)
신규회원으로 가입하여 이용 부탁 드리며, 추가 문의는 고객센터로 연락 바랍니다.
- 기존 아이디 재사용 불가
휴면계정 안내
RISS는 [표준개인정보 보호지침]에 따라 2년을 주기로 개인정보 수집·이용에 관하여 (재)동의를 받고 있으며, (재)동의를 하지 않을 경우, 휴면계정으로 전환됩니다.
(※ 휴면계정은 원문이용 및 복사/대출 서비스를 이용할 수 없습니다.)
휴면계정으로 전환된 후 1년간 회원정보 수집·이용에 대한 재동의를 하지 않을 경우, RISS에서 자동탈퇴 및 개인정보가 삭제처리 됩니다.
고객센터 1599-3122
ARS번호+1번(회원가입 및 정보수정)