⚡ electrical engineering

A New Multi-Objective Optimization of Regenerative Clausius Rankine Cycle with Two Feedwater Heaters

본 논문은 소프트 액터-크리틱(soft actor-critic) 알고리즘을 사용하는 새로운 심층 강화 학습 프레임워크를 제안하여, 다양한 환경 및 운전 조건 전반에서 견고한 성능을 유지하면서 두 개의 급수 가열기를 갖춘 재생 랭킨 사이클을 자율적으로 최적화함으로써 높은 열효율과 엑서지 효율을 달성한다.

원저자: Amir Basiriparsa, MohammadJavad Faraji, Alireza Kokabi

게시일 2026-09-07

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Amir Basiriparsa, MohammadJavad Faraji, Alireza Kokabi

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

전기를 생산하기 위해 연료를 태우는 발전소들은 끊임없이 조용한 투쟁에 직면해 있습니다. 바로 열의 매 방울에서 최대한 많은 에너지를 짜내면서 낭비를 최소화하는 방법입니다. 이 투쟁의 중심에는 랭킨 사이클(Rankine cycle)이라 불리는 근본적인 기계가 있습니다. 이는 뜨거운 물을 증기로 바꾸고, 터빈을 돌려 전기를 생성한 다음, 다시 증기를 물로 식혀 과정을 반복하는 시스템입니다. 엔지니어들은 이 과정에 '급수 가열기(feedwater heaters)'를 추가함으로써 이 과정을 개선하기 위해 오랫동안 노력해 왔는데, 이들은 일종의 예열기 역할을 합니다. 차가운 물을 보일러로 바로 보내는 대신, 이 가열기들은 터빈에서 뽑아낸 증기를 사용하여 물을 먼저 데웁니다. 이 간단한 기술은 시스템에 가해지는 충격을 줄이고 연료를 절약합니다. 하지만 이 가열기들의 완벽한 설정값을 찾는 것은 매우 어렵습니다. 이 시스템은 외부 온도나 연료의 품질과 같이 변화하는 조건과 수많은 움직이는 부품들을 포함하고 있어, 최상의 결과를 얻기 위해 펌프의 압력을 정확히 어떻게 조절해야 할지 알기가 어렵습니다.

하메단 공과대학교(Hamedan University of Technology)의 연구진은 전통적이고 느린 계산 방식에 의존하는 대신, 컴퓨터가 스스로 최적의 설정을 학습하도록 가르침으로써 이 문제를 해결했습니다. 그들은 두 개의 예열기를 사용하는 특정 버전의 발전 사이클에 집중했습니다. 이 복잡한 퍼즐을 풀기 위해 그들은 심층 강화 학습(deep reinforcement learning)이라는 인공지능의 한 유형을 채택했습니다. 자전거 타는 법을 배우는 학생을 상상해 보십시오. 학생은 균형을 잡으려 노력하고, 넘어지고, 다시 조정하고, 다시 시도하며 완벽한 리듬을 찾을 때까지 반복합니다. 이 컴퓨터 프로그램도 이와 유사하게 작동합니다. 이 프로그램은 펌프의 다양한 압력 설정을 끊임없이 테스트하고, 그 결과를 관찰하며, 발전소가 얼마나 잘 수행했는지에 따라 점수를 받는 '에이전트(agent)' 역할을 합니다. 시간이 흐름에 따라 컴퓨터는 인간이 매 단계마다 무엇을 해야 할지 알려주지 않아도, 생산되는 전력량과 열 사용 효율을 극대화하는 결정을 내리는 법을 배웁니다.

연구진은 발전소의 상세한 디지털 모델을 구축하고 이를 학습 알고리즘에 연결했습니다. 연구진은 컴퓨터의 목표를 세 가지 특정 요소, 즉 총 일량(total work), 열효율(thermal efficiency, 열을 전기로 얼마나 잘 바꾸는지), 그리고 엑서지 효율(exergy efficiency, 가용 에너지를 낭비 없이 얼마나 잘 사용하는지)을 동시에 개선하는 것으로 설정했습니다. 컴퓨터는 외부 온도와 연료 조건이 무작위로 변하는 동안 다양한 펌프 압력의 조합을 테스트하며 수천 번의 시뮬레이션을 수행할 수 있었습니다. 알고리즘은 연속적인 변화를 처리하고 복잡한 가능성의 지형 속에서 최적의 경로를 찾는 데 특히 뛰어난 소프트 액터-크리틱(soft actor-critic) 방법을 사용했습니다. 컴퓨터는 환경이 변하더라도 발전소가 최고 성능 근처에서 계속 작동할 수 있도록 빠르게 적응하는 법을 배웠습니다.

학습이 완료된 후, 결과는 컴퓨터가 시스템을 운영하는 매우 효과적인 방법을 찾아냈음을 보여주었습니다. 최적의 시나리오에서 최적화된 발전소는 38.99%의 열효율과 82.35%의 엑서지 효율을 달 성했습니다. 또한 시스템을 통해 흐르는 물 1kg당 888.2kJ의 비일 출력(specific work output)을 생산했습니다. 이 수치들은 표준 운영보다 상당한 개선을 나타내며, 지능형 시스템이 인간 엔지니어가 놓칠 수 있는 펌프 압력의 최적점을 찾아낼 수 있음을 입증합니다. 시스템은 놀라울 정도로 안정적이었습니다. 연구진이 조건을 변경했을 때도 성능 변동 폭은 0.58% 미만이었습니다. 이러한 일관성은 이 방법이 단순히 컴퓨터 시뮬레이션뿐만 아니라, 다양한 계절과 지역의 실제 발전소에서도 신뢰성 있게 작동할 수 있음을 시사합니다.

또한 이 연구는 다양한 요인들이 발전소의 성능에 어떻게 영향을 미치는지 밝혀냈습니다. 예를 들어, 연구진은 외부 공기 온도가 높아짐에 따라 효율을 유지하기 위해 펌프의 최적 압력 설정이 약간 조정되어야 한다는 것을 발견했습니다. 마찬가지로 터빈과 펌프 자체의 효율도 중요한 역할을 했는데, 터빈의 효율이 높을수록 시스템은 훨씬 더 많은 전력을 생산할 수 있었습니다. 컴퓨터는 이러한 관계를 자동으로 탐색하여 현재 조건에 맞춰 첫 번째, 두 번째, 세 번째 펌프의 압력을 조절하는 법을 배웠습니다. 이러한 지능형 접근 방식을 사용함으로써, 연구진은 발전소가 이전에는 달성하기 어려웠던 수준의 정밀도와 적응력을 가지고 운영될 수 있음을 보여주었으며, 이는 더 효율적이고 지속 가능한 에너지 생산을 향한 유망한 길을 제시합니다.

기술 요약: 2개의 급수 가열기를 갖춘 재생 클라우지우스 랭킨 사이클의 새로운 다목적 최적화

문제 정의
본 논문은 2개의 급수 가열기를 갖춘 재생 클라우지우스 랭킨 사이클의 운전 성능을 최적화하는 과제를 다룹니다. 전통적인 열역학적 분석(제1법칙 및 제2법칙)은 이미 잘 확립되어 있으나, 저자들은 변화하는 환경 및 운전 조건 하에서 복잡하고 비선형적인 시스템을 처리할 수 있는 고급 자율 제어 전략의 필요성을 식별했습니다. 주요 목표는 비일 열일(specific work output), 열효율, 엑서지 효율을 동시에 극대화하는 것입니다. 본 연구는 플랜트 특유의 제약 조건에 따른 변동에 민감하게 반응하지 않고 이러한 목표를 달성하기 위해, 사이클 내 세 개 펌프의 토출 압력( $P_2$ , $P_4$ , $P_6$ )을 결정하는 데 초점을 맞춥니다.

방법론
본 연구는 심층 강화 학습(DRL), 구체적으로 소프트 액터-크리틱(Soft Actor-Critic, SAC) 알고리즘을 활용한 새로운 지능형 프레임워크를 제안합니다. 이 방법론은 다음과 같이 머신러닝과 열역학 모델링을 통합합니다:

열역학 모델링: EES(Engineering Equation Solver)를 사용하여 2개의 급수 가열기를 갖춘 재생 랭킨 사이클을 모델링했습니다. 시스템은 세 개의 펌프, 증기 발생기, 세 개의 터빈, 응축기 및 두 개의 급수 가열기를 포함하며, 작동 유체로 물을, 열원으로 산업용 가스(공기로 이상화됨)를 사용합니다. 분석에는 비일 순 일(specific net work), 열효율 및 엑서지 효율을 계산하기 위해 열역학 제1법칙과 제2법칙이 적용됩니다.
DRL 프레임워크 정식화: 최적화 문제는 마르코프 결정 과정(MDP)으로 정식화되었습니다.
- 환경: EES로 시뮬레이션된 랭킨 사이클.
- 상태 공간(State Space): 사이클 성능 지표(순 일, 열효율/엑서지 효율), 유량비, 구성 요소 효율 및 환경 변수(주변 온도 및 입구 온도)를 포함합니다.
- 행동 공간(Action Space): 세 개 펌프의 토출 압력( $P_2$ , $P_4$ , $P_6$ ).
- 보상 함수(Reward Function): 세 가지 목적 함수를 극대화하는 동시에 물리적 제약 조건(예: 효율이 100% 미만으로 유지되고 올바른 압력 구배를 유지하도록 함)을 강제하도록 설계된 패널티 함수입니다.
알고리즘 구현: 최대 엔트로피 강화 학습에 기반한 오프 폴리시(off-policy) 모델 프리 액터-크리틱 방법인 SAC 알고리즘이 Python으로 구현되었습니다. 이 에이전트는 EES 모델과 양방향으로 상호작용합니다. 에이전트는 엔트로피가 증강된 기대 수익을 극대화하는 확률적 정책을 학습하여 견고한 탐색과 다양한 조건에 대한 적응을 가능하게 합니다.
훈련 및 검증: 모델은 1,500 타임 스텝 동안 훈련됩니다. 수렴 여부는 누적 보상 궤적을 모니터링하여 확인합니다. 열역학 모델은 계산 정확도를 보장하기 위해 기존에 발표된 일반적인 랭킨 사이클(급수 가열기가 없는 경우) 데이터와 대조하여 검증되었습니다.

주요 결과
연구 결과는 사이클 최적화를 위한 SAC 기반 제어기의 효능을 보여주는 시뮬레이션 결과를 제시합니다:

최적화 성능: SAC 알고리즘은 다양한 확률적 및 결정론적 조건에서 최적의 운전점을 성공적으로 찾아냈습니다. 시스템은 확률적 조건 하에서 열효율 38.99%, 엑서지 효율 82.35%, 비일 888.2 kJ/kg의 최적화된 값을 달성했습니다.
견고성(Robustness): 본 프레임워크는 환경 온도, 입구 온도 및 구성 요소 효율의 변화에도 불구하고 대상 파라미터의 변동 폭이 0.58% 미만으로 유지되는 높은 견고성을 입증했습니다.
매개변수 민감도:
- 펌프 압력: 첫 번째 펌프의 토출 압력( $P_6$ )을 높이면 일반적으로 비일과 열효율이 모두 증가하는 반면, $P_2$ 와 $P_4$ 를 높이면 비일이 감소하는 경향을 보였습니다.
- 구성 요소 효율: 터빈 효율은 세 가지 목적 함수 모두와 강한 양의 상관관계를 보였습니다(예: 터빈 효율이 30% 증가하면 열효율은 약 10%, 엑서지 효율은 약 20% 증가함). 반대로, 펌프 효율의 증가는 열효율의 미세한 감소를 초래했으나 엑서지 효율은 증가시켰습니다.
- 환경 요인: 주변 온도가 높아지면 열효율은 약간 감소했으나 엑서지 효율은 증가했습니다.
속도: 훈련된 모델은 1초 미만 내에 최적의 운전점을 권고할 수 있어, 전통적인 최적화 알고리즘의 반복적인 과정을 제거합니다.

의의 및 주장
본 논문은 제안된 SAC 기반 프레임워크가 전통적인 제어 방식(PID 등)이나 표준 최적화 기술에 비해 열병합 발전소의 실시간 의사결정에 있어 우월한 접근 방식을 제공한다고 주장합니다. 주요 의의는 다음과 같은 시스템의 능력에 있습니다:

자율적 적응: 수동 개입 없이 다양한 지리적 위치, 장비 구성 및 계절적 조건에 걸쳐 일관되게 작동합니다.
복잡성 관리: 모델 프리 학습 방식을 통해 열역학 시스템 고유의 비선형성과 불확실성을 관리합니다.
동시 최적화: 여러 가지, 종종 상충하는 목적(일 출력, 열효율, 엑서지 효율) 사이의 균형을 효과적으로 맞추어 전역 최적해(global optima)를 찾습니다.

저자들은 본 연구가 지속 가능한 에너지 시스템에 AI 기반 최적화를 통합하기 위한 토대를 마련하였으며, 열효율 개선 및 열 발전의 운영 탄력성을 높이기 위한 지능형 제어 전략의 잠재력을 강조한다고 결론지었습니다. 본 연구는 향후 실험적 배포를 제안하는 것이 아니라, 현재의 시뮬레이션 결과를 DRL의 이 분야 적용 가능성에 대한 개념 증명(proof of concept)으로 제시합니다.

유사한 논문