발전용 가스터빈 복합발전 플랜트 운영 최적화 기술 개발
Abstract
In response to Korea’s national energy-transition policy and greenhouse-gas reduction targets, this study develops advanced operation-optimization technologies for gas-turbine combined-cycle power plants (CCGTs). Most domestic CCGTs rely heavily on foreign original equipment manufacturers (OEMs) for gas turbines and control systems, resulting in limited data accessibility, performance degradation, and increasing maintenance costs. To overcome these constraints, a standardized and OEM-independent operation-optimization framework was established, aiming to enhance plant efficiency, availability, and reliability while supporting autonomous operation capabilities.
(1) Operation management: Artificial-intelligence (AI)–based performance models were developed for performance-impact assessment, part-load performance prediction, power-generation forecasting, and compressor-performance optimization. These models demonstrated measurable improvements in plant efficiency and heat-rate reduction.
(2) Monitoring and diagnostics: A hybrid approach combining AI and eplainable AI (XAI) techniques was implemented to construct an intelligent anomaly-detection and prediction model that supports early fault identification and proactive maintenance.
(3) Operation-history management: A unified database and visualization system were designed to integrate equipment operational records and enable life-cycle performance tracking.
All developed solutions were implemented within a cloud-based intelligent big-data platform capable of real-time data acquisition, storage, and analysis. The platform provides an open architecture that integrates AI-driven optimization services and supports cross-plant scalability. The proposed technologies enable autonomous real-time monitoring, diagnosis, and optimization of domestic CCGTs, contributing to reduced O&M cost, improved asset protection, and lower power-generation cost.
Furthermore, standardization of AI- and data-driven diagnostic methodologies is expected to strengthen the global competitiveness of Korea’s gas-turbine and digital power-plant-operation technologies.
Keywords:
Combined-cycle power plant, Gas turbine, Operation optimization, Artificial intelligence, performance modeling, digital twin, data analytics키워드:
가스복합발전플랜트, 가스터빈, 운영최적화, 인공지능, 성능모델링, 디지털트윈, 데이터분석1. 서 론
본 연구는 에너지전환 정책과 온실가스 감축 기조에 대응하여, 국내 가스복합발전 플랜트의 운전 효율 극대화 및 발전 이용율 향상 등 운영 최적화 기술 확보를 목표로 수행중이다.
국내 복합화력 플랜트는 대부분 해외 제작사의 가스터빈 및 제어시스템에 의존하고 있으며, 이로 인해 설비 성능 저하, 유지보수비용 증가, 데이터 접근 제한 등의 문제가 발생하고 있다. 이에 특정 제작사(OEM)에 종속되지 않는 표준 가스복합발전 운영 최적화 솔루션을 개발하고, 실증 및 표준화를 통해 자립형 발전운영 기술 기반을 확립하고자 한다.
Fig. 1과 같이 첫째, 운영관리 분야에서는 실시간 운전데이터 기반의 가스복합발전 플랜트 성능 영향도 평가, 가스터빈 부분부하 성능예측, 가스복합발전 플랜트 발전량 예측, 가스터빈 압축기 성능 최적화 솔루션을 개발하였다.
Configuration of Gas Turbine Combined-Cycle Power Plant Operation Optimization Solutions
둘째, 감시진단 분야에서는 AI 모델 및 XAI(eXplainable AI)를 결합한 기법을 적용한 이상진단예측 모델을 개발하였다.
셋째, 이력관리 분야에서는 설비 운전이력 데이터베이스를 통합 관리할 수 있는 가스터빈 고온부품 이력관리 솔루션을 개발하였다. 개발된 솔루션은 지능형 발전 디지털 빅데이터 플랫폼 환경에서 통합 운영이 가능하다. 이 플랫폼은 발전소별 실시간 운전데이터를 수집⋅저장⋅분석할 수 있는 클라우드 기반 구조로, 솔루션 서비스 형태로 운영할 수 있도록 한다.
본 연구를 통해 개발된 운영 최적화 기술은 국내 가스복합발전 플랜트의 실시간 상태 감시, 진단, 예측, 평가 등 핵심 O&M 기능의 자립화를 실현하였으며, 나아가 발전설비 보호 및 운영비 절감, 전력원가 저감에 기여할 것으로 기대된다.
또한, 확보된 빅데이터, 열성능 모델링 및 인공지능 기반 감시⋅진단⋅예측 기법을 통해, 향후 국산 가스터빈 및 발전 운영 기술의 국제 경쟁력 강화와 디지털 발전운영 생태계 구축에 기여할 것으로 판단된다(1).
2. 가스복합발전 플랜트 성능 영향도 평가 솔루션 개발
국내 가스복합발전소는 수입 LNG(Liquefied Natural Gas)를 주요 연료로 사용함에 따라, 연료비가 전체 운영비에서 차지하는 비중이 매우 높다. 이에 따라 연료소비 효율 향상과 발전설비의 최적운전은 경제성과 직결되는 핵심 과제로 인식되고 있다. 본 연구에서는 가스복합발전소의 주요 설비 성능을 실시간으로 감시하고, 성능저하의 원인과 영향을 정량적으로 분석할 수 있는 플랜트 성능영향도 평가 솔루션을 개발하였다.
개발된 성능 영향도 평가 솔루션은 발전소의 실시간 운전데이터를 수집하여, 국제 표준규격에서 제시하는 열성능 해석 절차에 따라 각 주요 기기의 출력, 효율, 열교환량 등을 계산함으로써 설비의 현재 성능을 진단한다. 또한, 현재 운전조건에서의 기대성능(Expected Performance)과 비교하여 성능차이를 정량화하고, 그 원인요소별 기여도를 평가함으로써 설비효율 변화의 원인을 직관적으로 파악할 수 있도록 하였다.
이를 통해 발전운영자는 설비성능의 저하 경향을 조기에 인지하고, 적절한 정비 및 운전전략을 수립할 수 있다.
성능 영향도 평가 솔루션은 Fig. 2와 같이 총 4개의 주요 모듈로 구성된다.
Module Configuration Diagram of the Performance Impact Evaluation Solution
실시간 성능계산 모듈은 운전데이터를 입력으로 하여 열성능 물리모델(Thermal Performance Physical Model)을 기반으로 각 구성기기 및 전체 사이클의 현재 성능을 계산한다.
성능영향도 평가모듈은 계산된 성능저하량을 주요 인자별 (대기조건, 오염도, 기기효율 저하 등)로 분리하여 각 인자의 상대적 영향도를 산출한다.
Fig. 3과 같이 성능예측 모듈은 대기온도, 압력, 습도, 부하, 역률 등 외부 경계조건을 입력값으로 하여 다양한 시나리오에서의 플랜트 성능(출력 및 효율)을 예측한다. 이때 모델은 설계데이터 및 인수성능시험 데이터를 기반으로 튜닝된 Off-design 열성능모델을 활용한다.
Configuration of Performance Prediction through Performance Simulation
각 컴포넌트의 질량⋅에너지 보존식, 효율, 압력손실, HRSG 구간별 열교환 등으로 구성되는 Heat Balance 모델 구조이며, 이를 기반으로 실시간 운전데이터로부터 기기별 출력⋅효율⋅열교환량을 계산하고 기대성능 대비 편차를 평가한다. 공통으로 사용되는 질량수지식은 식 (1)과 같고, 에너지수지식은 식 (2)와 같다.
| (1) |
| (2) |
가스터빈 압축기에서의 등엔트로피 효율식은 식 (3)과 같다.
| (3) |
가스터빈 연소기에서의 에너지수지식은 식 (4)와 같다.
| (4) |
가스터빈 터빈의 등엔트로피 출구온도식은 식 (5)와 같다.
| (5) |
배열회수보일러 Pinch, Approach 식은 식 (6), 식 (7)과 같다.
| (6) |
| (7) |
증기터빈의 발전출력식은 식 (8)과 같다.
| (8) |
복수기 열량식은 식 (9)와 같다.
| (9) |
복합발전 플랜트 효율식은 식 (10)과 같다.
| (10) |
성능보고서 모듈은 주기별 성능계산 결과를 통계적으로 요약⋅시각화하여 장기적인 성능추세 분석 및 설계기준 대비 열화 정도를 평가할 수 있도록 구성하였다.
열성능 물리 모델의 Off-design Simulation 신뢰성을 검증하였다. 열병합 발전소의 3가지 운전모드(Mode I, III, V), 4가지 외기조건(-12 ℃, 5 ℃, 15 ℃, 32 ℃), 4단계 가스터빈 부하(100 %, 75 %, 50 %, 25 %), 5단계 열부하(100 %, 75 %, 50 %, 25 %, 10 %)를 조합한 총 39개 설계 케이스를 대상으로 하였다. 각 케이스의 경계조건과 부하조건을 입력값으로 Off-design Simulation을 수행하고, 발전출력, 발전효율, 열출력 등 3개 주요 성능지표를 비교하였다. 그 결과 Fig. 4와 같이 39개 케이스에 대한 모델의 평균 오차율은 0.113 %, 최대 오차율은 0.4 %로, 예측 정확도 99.6 %를 달성하였다(1). 본 솔루션은 Fig. 5와 같이 발전소 운전데이터를 기반으로 실시간 성능감시, 열성능 해석, 원인진단, 예측 및 보고 기능을 통합적으로 제공한다.
Prediction Accuracy Chart of Thermal Performance Models for Heat Balance Case
Graphic User Interface of the Performance Impact Evaluation Solution
3. 가스터빈 부분부하 성능예측 솔루션 개발
가스터빈 복합발전 플랜트는 외기조건과 부하에 따라 출력과 효율이 크게 변동하는 특성을 가진다. 실제 발전소의 운전은 대부분 정격출력보다 낮은 부분부하 구간에서 이루어지며, 이러한 운전 조건에서는 연료소비율 및 발전효율이 급격히 변화하게 된다. 특히 국내와 같이 LNG를 주 연료로 사용하는 복합발전소의 경우, 연료비가 전체 발전원가의 대부분을 차지하므로 부분부하 구간의 효율적 운전전략을 확립하는 것이 매우 중요하다. 따라서 부분부하 구간의 성능을 정밀하게 예측하고, 외기조건 변화에 따라 최적의 운전전략을 도출할 수 있는 물리기반 해석기술의 확보가 필요하다(2)(3).
본 연구에서는 Fig. 6과 같이 발전소의 과거 운전데이터와 설계 열평형도를 바탕으로 가스터빈의 설계점 해석(Design-point analysis)과 탈설계점 해석(Off-design analysis)을 수행하였다. 이를 통해 전 부하 및 부분부하 조건에서의 열역학적 성능을 예측할 수 있는 모델을 구축하였으며, 해석결과는 다양한 외기조건과 부하 시나리오에 대해 데이터베이스 형태로 저장하였다.
Conceptual Diagram of the Gas Turbine Part-Load Performance Prediction Logic
본 연구의 핵심은, 실운전 데이터에 기반하여 각 부하 조건에서의 성능변화를 모사하고, 이를 통해 실제 운전 시점의 기대성능을 실시간으로 예측할 수 있도록 하는 데 있다.
가스터빈 엔진의 탈설계 해석은 두 가지 목적을 가진다.
첫째, 발전시스템은 항상 정격출력으로 운전되지 않기 때문에 다양한 부분부하 운전 조건에서의 성능을 분석하여 효율이 가장 높은 운전방식을 결정할 필요가 있다. 부분부하 운전에서는 연료 소비를 줄이면서도 출력 저하를 최소화해야 하므로 각 부하조건별로 최적의 운전제어 조합을 찾는 것이 중요하다.
둘째, 가스터빈 시스템은 외부환경 변화에 따라 성능이 민감하게 반응하기 때문에, 외기온도⋅압력⋅습도와 같은 외기조건의 변화가 출력 및 효율에 미치는 영향을 정량적으로 분석해야 한다.
예를 들어, 외기온도가 상승하면 공기밀도가 감소하여 출력이 저하되고, 반대로 낮은 온도에서는 출력이 증가하나 연료소비율이 달라지는 현상이 발생한다. 이러한 외기조건 변화에 대한 성능변화를 예측하기 위해 탈설계 해석이 수행되었다.
본 연구에서 구축한 열역학 모델은 설계점 및 탈설계점 해석을 통해 외기조건 변화, 가스터빈 부하, 열부하 등의 시나리오를 체계적으로 반영하였다. 성능해석을 위해서는 압축기와 터빈의 정확한 성능맵(Performance Map)이 필요하므로, 유사 용량의 성능맵을 초기값으로 설정하고 발전소의 실제 운전데이터를 이용해 보정함으로써 현장 적합성을 확보하였다.
또한, Fig. 7과 같이 가스터빈의 부분부하 운전특성을 모사하기 위하여 IGV(Inlet Guide Vane)를 통한 공기유량 제어와 연료유량 조절에 따른 터빈입구온도 변화를 동시에 고려하였다. 이러한 제어로직을 바탕으로 다양한 외기조건과 부하조합별 해석을 수행하였으며, 각 조건에서의 효율과 연료소비율, 배기온도, 출력 등의 결과를 통합 데이터베이스로 구축하였다. 구축된 데이터베이스는 가스터빈의 On-line 운전데이터를 입력값으로 사용하여, Fig. 8과 같이 현재 운전 조건에서의 부분부하 기대성능을 실시간으로 예측할 수 있는 모델의 학습 기반으로 활용된다.
Simulation Results of the Gas Turbine Thermodynamic Model Based on Design Data
Graphic User Interface of the Gas Turbine Part-Load Performance Prediction Solution
즉, 실시간 데이터가 입력되면 모델은 해당 시점의 외기온도, 부하율, 연료유량 등을 기반으로 설계된 시뮬레이션 결과와 매칭하여 이상적인 성능값을 계산하고, 이를 통해 성능 편차(Degradation)를 판단할 수 있다.
이 기능은 단순한 성능예측을 넘어, 운전자가 효율이 가장 높은 운전모드를 선택하거나 외기조건 변화에 대응한 출력 보정 전략을 수립할 수 있도록 지원한다. 탈설계 해석 결과, 동일한 출력조건에서도 IGV 개도나 연료제어 방식에 따라 효율의 차이가 최대 2∼3%p 수준으로 발생함을 확인하였다. 또한 외기온도가 상승할수록 출력 저하율은 약 0.8∼1.0%/℃ 수준으로 나타났으며, 이는 계절별 운전전략 수립 시 중요한 기준값으로 활용될 수 있다.
이러한 결과는 실제 운전 데이터와의 비교를 통해 검증되었으며, 모델의 예측정확도는 95% 이상으로 확인되었다. 본 모델을 활용할 경우, 발전소 운전자는 부분부하 영역에서도 설계효율에 근접한 운전이 가능하며, 이를 통해 연료비 절감과 발전량 안정화를 동시에 달성할 수 있다.
4. 가스복합발전 플랜트 발전량 예측 솔루션 개발
전력시장에서는 발전사의 안정적인 계통운영과 효율 전력시장에서는 안정적인 계통운영과 효율적인 시장참여를 위해 각 발전기가 공급가능 용량을 사전에 입찰하도록 규정하고 있다. 발전사 입찰 담당자는 거래일의 설비 운전상태, 기상예보, 과거 운전 이력 등 다양한 요소를 고려하여 공급가능 용량을 산정하지만, Fig. 9와 같이 기상 정보의 불확실성이나 예기치 못한 설비상태 변화로 인해 예측값과 실제 발전량 간의 편차가 발생할 가능성이 상존한다. 이러한 오차는 전력 시장운영규칙상 허용오차를 초과할 경우 벌칙금이 부과되는 구조로 인해, 발전사에게 재정적 부담으로 작용하며 결과적으로 보수적인 입찰 전략을 취하게 되는 주요 원인이 되고 있다.
Power Generation Prediction Error Factors
가스터빈 복합발전소는 외기 조건, 계절 및 시간대별 부하 변동, 기동⋅정지 상태 등 운전 조건 변화에 따라 가스터빈의 출력이 민감하게 변동하는 특성을 가진다. 이에 따라 발전소 현장에서는 담당자의 경험적 판단에 의존하여 최대출력을 예측하고 입찰하는 경우가 많다. 그러나 이러한 보수적 입찰은 실제 발전 가능량보다 낮은 용량으로 시장에 참여하게 하여, 전력거래소 정산단가의 하락과 발전수익 저하를 초래한다.
이러한 문제를 해결하기 위하여, 본 연구에서는 발전소의 복합적인 설비 환경정보와 실시간 운전데이터를 기반으로 한 머신러닝(ML) 기반 발전량 예측 솔루션을 개발하였다. 본 솔루션은 주기적으로 수행되는 전부하(Full Load) 조건의 성능시험 데이터를 핵심 학습자료로 활용하였으며, 실제 최대발전량과 유의미한 상관관계를 갖는 주요 학습인자(Features)를 체계적으로 도출하였다. 또한 기상청 예보자료와 실시간 외기 조건 데이터를 통합하여 기온, 상대습도, 대기압 등 외기 요소의 영향을 정량적으로 반영하였다.
모델 설계 단계에서는 다중 회귀 기반 앙상블 학습 알고리즘을 적용하여, 과거 운전데이터의 패턴을 정교하게 학습하고 비선형적 관계를 반영할 수 있도록 구성하였다. 이러한 학습구조를 통해 본 모델은 기상 변화나 부하 변동에 따른 출력 변동 특성을 고정된 보정곡선 방식보다 정밀하게 예측할 수 있다. 앙상블 AI 예측모델의 성능은 기존 발전소에서 활용 중인 보정곡선 기반 예측 방법과 비교하여 정량적으로 평가하였다. 평가는 NRMSE(Normalized Root Mean Square Error)를 주요 성능지표로 사용하였으며, 실제 전력시장 입찰 시트 이력을 기반으로 총 143건의 사례를 분석하였다. 평가 결과, 본 연구에서 개발한 AI 기반 발전량 예측모델은 전체 기간 평균 NRMSE 1.33%를 기록하여, 기존 전력거래소 입찰 방식(NRMSE 2.82%)대비 각각 1.49%p의 향상된 예측 정확도를 달성하였다. 또한 Fig. 10과 같이 2017년부터 2023년까지 모든 연도에서 AI 모델은 기존 방식 대비 일관적으로 낮은 오차율을 보였다. 특히 2023년에는 양 방식 모두 외기 온도 및 기상 급변에 따른 변동성 증가로 인해 전년 대비 오차율이 다소 상승하였으나, 이러한 상황에서도 AI 모델은 기존 방식 대비 뚜렷한 정확도 우위를 유지하였다. 이는 제안된 AI 모델이 장기간에 걸쳐 안정적이고 우수한 예측 정확성을 지속적으로 확보하고 있음을 정량적으로 입증한 결과이다(4).
Power Generation Prediction Error Factors
Fig. 11의 발전량 예측 솔루션은 기존의 보정곡선 기반 경험적 예측방식을 대체할 수 있는 AI 예측 솔루션으로서, 발전소의 최대 가용 발전량을 보다 객관적이고 정밀하게 산정할 수 있도록 지원한다. 이를 통해 발전사의 전력시장 입찰 전략 고도화, 수익성 향상, 그리고 계통운영의 안정성 제고에 실질적으로 기여할 수 있다.
Graphic User Interface of the Power Generation Prediction Solution
5. 가스터빈 압축기 성능 최적화 솔루션 개발
가스터빈 압축기 성능 최적화 솔루션은 발전소 운전데이터와 AI 기술을 결합하여 압축기 및 필터의 성능 저하를 정량적으로 평가하고, 이를 기반으로 세정 및 필터 교체의 최적 시점을 제시하기 위한 목적으로 개발되었다. 본 솔루션은 가스터빈의 운전 효율 저하에 따른 경제적 손실을 최소화하고, 유지보수 시점을 과학적으로 결정함으로써 발전소 운영의 효율성과 경제성을 동시에 확보하는 것을 목표로 한다.
압축기 성능 최적화 솔루션은 크게 세 단계로 구성된다.
첫 번째는 운전데이터를 활용하여 압축기 및 필터의 성능 저하를 분석하는 데이터 분석 단계이다. 이 단계에서는 가스터빈 운전 중 실시간으로 계측되는 온도, 압력, 출력 등의 변수를 이용하여 압축기 효율 변화를 계산하고, 장기간 데이터의 추세를 통해 오염에 따른 성능저하를 평가한다. 두 번째 단계는 경제성 평가 단계로, 압축기 세정 및 필터 교체로 발생하는 직접비용과 세정 미실시로 인한 발전 손실 비용을 비교⋅분석하여 경제적 관점에서의 최적 시점을 도출한다. 세 번째 단계에서는 시간에 따른 성능저하율과 경제성 평가 결과를 결합하여 최적 세정 및 교체 시점을 예측하며, 이를 사용자가 직관적으로 판단할 수 있도록 시각화하여 제공한다. 또한, 시스템은 실시간 운전 상태를 모니터링하고 세정⋅교체 전후의 성능 변화를 자동으로 분석하여 보고서 형태로 출력하는 기능도 포함하고 있다.
압축기 성능 예측을 위해 본 연구에서는 AI 학습모델 구축을 위해 세정 직후 일정 기간(약 10일)의 운전데이터를 ‘청정상태’로 정의하고, 이를 기준으로 압축기 효율 특성을 학습시켰다.
운전데이터는 다양한 계측기에서 실시간으로 수집되지만, 계측오차나 비정상 운전, 센서 고장 등 불필요한 데이터가 포함될 수 있으므로, 학습 전에 이상치 제거와 필터링을 수행하였다. 입력변수(X)는 압축기 입⋅출구 온도 및 압력, 주변 온도 등 주요 운전인자를 포함하였으며, 출력변수(Y)는 수식을 이용해 계산된 압축기 효율로 정의하였다.
전체 데이터 중 70%를 학습용으로, 나머지 30%를 검증용으로 사용하여 모델을 훈련하고, Fig. 12와 같이 예측값과 실제값을 비교하여 성능을 평가하였다. 분석 결과, 대부분의 예측값이 실제 측정값 대비 ±2% 이내에 분포하였으며, 이는 AI 모델이 압축기 효율 예측에 매우 높은 정확도를 가지는 것으로 확인되었다.
Difference Between Predicted and Actual Efficiencies of the Gas Turbine Compressor Related to Water Washing
경제성 평가 기능은 압축기 세정 시점의 경제적 타당성을 정량적으로 분석하기 위해 도입되었다. 세정비용 손실은 세정 수행에 필요한 직접비용(세정비, 손실동력비, 순수비용)과 세정으로 인한 발전정지 손실비용으로 구성된다. 발전정지 손실비용은 정지시간, 평균 용량요금, 입찰용량 등을 이용하여 계산된다.
반면, 세정을 실시하지 않을 경우에는 압축기 성능저하로 인한 발전 손실이 누적되며, 두 비용곡선이 교차하는 시점을 경제적 세정 최적시점으로 정의하였다. 해당 기능은 시각적 인터페이스를 통해 발전정지 손실비용(청색선)과 성능저하 누적손실비용(적색선)의 교차점을 사용자에게 표시함으로써, 운전자는 직관적으로 세정시점을 판단할 수 있다(5).
본 연구에서는 가스복합발전소의 실제 운전데이터를 활용하여 개발된 알고리즘의 적용성과 신뢰성을 검증하였다. 세정 직후와 오염 누적 구간의 데이터를 비교 분석한 결과, 압축기 성능예측 오차율은 ±2% 이내로 나타났으며, 이는 예측 모델이 실제 운전상황에서도 높은 신뢰도로 작동함을 의미한다.
AI 모델에서 도출된 신뢰성 지표는 약 99.8%로 평가되었다.
향후 장기 데이터 축적과 알고리즘 보완을 통해 예측 안정성을 더욱 강화할 계획이다.
본 연구를 통해 개발된 가스터빈 압축기 성능 최적화 솔루션은 운전데이터 기반의 인공지능 예측 모델과 경제성 평가 모델을 결합함으로써, Fig. 13과 Fig. 14와 같이 압축기 세정 및 필터 교체 시점을 합리적이고 경제적으로 결정할 수 있는 기술적 기반을 마련하였다.
Graphic User Interface for Providing the Optimal Timing of Gas Turbine Compressor Water Washing
Graphic User Interface for Providing the Optimal Timing of Gas Turbine Compressor Filter Replacement
본 솔루션은 발전소의 유지보수 효율을 향상시키고 불필요한 정비비용을 절감하는 데 기여할 수 있으며, 향후 다양한 발전소 운전조건에 맞춘 알고리즘 고도화 및 실시간 연동을 통해 상용화 수준의 성능 최적화 솔루션으로 발전시킬 수 있을 것으로 기대된다.
6. 가스터빈 이상진단예측 솔루션 개발
가스터빈 운전 중 발생하는 연소계통 이상은 종종 불시정지로 이어져 발전소의 경제성과 신뢰성에 중대한 영향을 미친다. 이에 본 연구를 통해 불시정지 발생 이전 단계에서 연소이상 징후를 사전에 탐지할 수 있는 인공지능 기반 이상진단예측 솔루션을 개발하였다.
본 솔루션은 심층 컨벌루션 신경망(Deep Convolutional Neural Network, DCNN)을 기반으로 하며, 발전소 운전데이터 중 상관관계 분석을 통해 선별된 183개의 주요 Tag를 학습하여 정상 상태와 이상 상태를 구분하고, 고장 발생 가능성을 확률 형태로 제시한다. 기존에는 시계열 데이터 학습을 위해 주로 RNN(Recurrent Neural Network)이나 LSTM(Long Short-Term Memory)과 같은 순환형 신경망이 사용되어 왔으나, 이러한 구조는 가중치의 개수가 많고 기울기 소실(Gradient Vanishing) 문제로 인해 학습 효율이 낮다는 한계가 있었다. 반면 DCNN은 지역적 패턴을 효율적으로 추출하면서도 학습 안정성이 높아, 최근 다변량 시계열 데이터 기반의 설비 이상 진단 분야에서 활발히 활용되고 있다.
본 연구에서는 발전소 운전 데이터에 포함된 183개의 Tag에 대해 128×1 윈도우를 적용하여 시간축으로 한 칸씩 이동시키며 데이터를 구성하였고, 정상구간과 이상구간을 라벨링하여 지도학습을 수행하였다. 학습과정에서 손실함수로 softmax cross-entropy를 사용하였으며, 전결합층(Fully Connected Layer, FCL) 이후 softmax 활성함수를 적용하여 이상확률(probability)을 산출하였다. 이렇게 구성된 DCNN 모델은 실제 가스터빈 운전데이터를 기반으로 정상과 이상 상태를 효과적으로 분류할 수 있음을 확인하였다.
기존 DCNN 구조는 단일 크기의 필터를 사용하기 때문에 동일한 시간 범위의 특징만을 추출하는 한계가 있었다.
이를 보완하기 위해 본 연구에서는 Fig. 15와 같이 다양한 시간 스케일의 정보를 동시에 반영할 수 있는 다중스케일 심층컨벌루션 신경망(Multi-Scale Deep Convolutional Neural Network, MS-DCNN)을 새롭게 설계하였다.
Structure of the MS-DCNN Algorithm and Its Core Multi-Scale Block Architecture
MS-DCNN은 서로 다른 크기의 필터를 가진 컨벌루션 계층을 병렬로 구성한 다중크기 블록(Multi-Scale Block)을 직렬로 연결한 구조로 단기, 중기, 장기 길이의 필터를 갖는 세 개의 블록을 배치하였다. 이후 두 겹의 단일 컨벌루션 계층과 두 겹의 전결합층을 거쳐 정상⋅이상 여부를 예측하도록 구성하였다.
이 구조를 통해 모델은 서로 다른 시간 스케일의 패턴을 동시에 학습할 수 있었으며, 기존 DCNN 대비 이상탐지 민감도와 예측 신뢰도가 향상됨을 확인하였다(6)(7).
Fig. 16과 같이 주요 Feature에 대해 불시정지 직전 구간을 이상(1), 정상 구간을 0으로 설정하여 지도학습용 학습 데이터를 구성하였다. 불시정지 이후의 데이터는 제외하였으며, 불시정지 전 구간의 길이는 학습과 피드백을 반복하면서 최적화하였다. 이를 통해 학습된 모델은 실제 불시정지 발생 이전의 이상 징후를 효과적으로 탐지할 수 있는 수준의 예측 성능을 확보하였다. 설명가능인공지능 기반의 진단 구조를 도입하여 모델의 해석성을 강화하였다. 지도학습부에서는 DCNN 구조를 기반으로 LRP(Layer-wise Relevance Propagation) 기법을 적용하여 각 입력 Tag의 이상탐지 기여도를 시각화하였다.
Data Labeling for Anomaly Detection and Prediction Related to Gas Turbine Exhaust Temperature
결론적으로, 본 연구에서는 Fig 17과 같이 심층 컨벌루션 신경망 기반의 이상진단예측 알고리즘을 발전소 운전데이터에 적용하여, 불시정지 발생 이전의 연소이상 징후를 조기 탐지할 수 있는 솔루션을 개발하였다.
Graphic User Interface for Deriving Anomaly Contributing Factors Based on Anomaly Prediction Probability
또한 하이퍼파라미터 최적화, 다중스케일 구조 설계, XAI 기반 해석기법을 통합함으로써 모델의 예측정확도와 설명가능성을 동시에 향상시켰다.
7. 가스터빈 고온부품 이력관리 솔루션 개발
가스터빈의 고온부품은 가스복합발전플랜트의 신뢰성과 경제성에 직접적인 영향을 미치는 핵심 자산으로, 장기간 운전 중 반복적인 열⋅기계적 하중에 노출되어 주기적인 점검과 정비가 필수적이다. 그러나 대부분의 발전소에서는 운전이력, 재생정비이력, 고장 및 폐기이력, 보어스코프 점검결과, 유량시험 데이터 등 다양한 형태의 데이터를 수기(Excel)로 관리하고 있어, 이력 추적의 비효율성과 정보 단절 문제가 지속적으로 발생하고 있다.
본 연구에서는 Fig. 18과 같이 가스터빈 고온부품의 전주기(Life-Cycle) 정보를 통합적으로 관리할 수 있는 전주기 운영이력 통합관리 솔루션을 개발하였다. 본 솔루션은 운전현황, 재생정비관리, 통계관리의 세 가지 핵심 기능으로 구성되며, 발전소의 운전관리시스템 및 자산관리시스템과 DB Link를 통해 실시간으로 연동된다. 사용자는 각종 점검⋅정비결과보고서, 연소튜닝 및 동압센서 건전성 평가 결과 등 기존에 산재되어 있던 수기 데이터를 통합하여 관리할 수 있다. Fig. 19와 같이 통합관리를 통해 고온부품의 사용이력, 성능저하 추이, 정비주기 최적화 등과 같은 의사결정 지원을 가능하게 한다. 본 연구에서 개발한 고온부품 전주기 운영이력관리 솔루션은 데이터의 신뢰성과 추적성을 확보함과 동시에, 정비주기 최적화 및 부품 재사용성 분석의 기반을 마련하였다(8).
Configuration Diagram of the Gas Turbine High-Temperature Component Integrated History Management Solution
Graphic User Interface for Gas Turbine High-Temperature Component Integrated History Management Solution
8. 지능형 발전 빅데이터 플랫폼 기반 솔루션 운영
전력그룹사 공동으로 구축된 지능형 발전 빅데이터 플랫폼은 발전 5개사의 주요 플랜트 데이터를 통합 관리한다. 한국서부발전의 경우 김포열병합, 평택2복합, 군산복합 발전소 데이터가 플랫폼에 공유되어 있으며, 솔루션의 개발⋅검증단계에서 이들 데이터가 학습 및 검증에 활용되었다. 이를 통해 발전소 간 상호운영성 확보와 솔루션의 개발 및 검증결과가 입증되었다. 실증 단계에서는 실제 발전운영 부서뿐 아니라, 서부발전의 일반 직원들도 손쉽게 솔루션을 활용할 수 있도록 Fig 20과 같이 사내 업무시스템인 Weple과 연동이 가능하도록 구현되었다.
Graphic User Interface for the Intelligent Power Generation Big Data Platform
또한 Fig 21과 같이 플랫폼 앱 포털에서는 원하는 솔루션을 바로 실행하거나 다운로드할 수 있으며, 각 솔루션별 운영 매뉴얼을 통해 기능과 사용 절차를 확인할 수 있다(9). 이와 같은 시스템적 연동 구조는 발전소 운전 데이터를 기반으로 한 운영 최적화 솔루션이 실시간으로 현장운영에 접목될 수 있음을 보여주며, 실증적 유효성과 더불어 지능형 발전운영 플랫폼의 확장성 및 활용성을 입증하였다. 본 연구는 향후 타 발전사 및 국산 가스터빈 실증 플랜트로의 확산을 위한 기술적 기반을 마련하였다는 점에서 그 의의가 크다.
Graphic User Interface for the Intelligent Power Generation Big Data Platform Solution (App) Portal
9. 결 론
본 연구는 가스복합발전 플랜트의 실시간 상태감시⋅진단⋅예측⋅평가가 가능한 운영 최적화를 위해 “성능 영향도 평가, 부분부하 성능예측, 발전량 예측, 압축기 성능 최적화, 이상진단예측, 고온부품 이력관리 솔루션을 개발하고, 지능형 빅데이터 플랫폼과 통합⋅연계⋅배포했다는 점에서 실무적⋅학술적 의의가 크다.
무엇보다 전력그룹사에서 공동으로 구축한 지능형 발전 빅데이터 플랫폼과 현업 포털(Weple)까지 연계하여 현장 적용성을 입증했다는 점이 핵심 성과다.
정량적 성과는 다음과 같이 요약된다.
첫째, 열성능 물리모델의 Off-design 검증에서 39개 설계 케이스에 대해 평균 오차율 0.113%, 최대 0.4%로 예측 정확도 99.6%를 달성해, 실시간 성능진단과 원인 기여도 평가의 신뢰 기반을 확보했다.
둘째, 부분부하 해석은 IGV⋅연료 제어 로직을 반영한 설계/탈설계 통합 모델과 현장 데이터 보정으로 예측정확도 95% 이상을 확인했으며, 외기온도 상승 시 출력 저하율 0.8–1.0%/℃, 동일 출력에서도 제어전략에 따른 효율 차이 최대 2–3%p 등 운전 전략 수립에 즉시 활용 가능한 계량 기준을 제시했다.
셋째, 발전량 예측에서는 2017–2023년 143건 실증 평가 결과, AI 앙상블 모델의 평균 NRMSE가 1.33%로 기존 보정 곡선 기반(2.82%) 대비 1.49%p 개선되어 입찰 리스크(허용 오차 초과 벌점, 보수적 입찰로 인한 수익 저하)를 구조적으로 저감할 수 있음을 보였다.
넷째, 압축기 최적화는 AI 모델 기반 효율 예측 오차가 ±2% 이내로 수렴하고, 누적 손실(성능열화)과 정지⋅세정비용 교차점을 경제적 최적시점으로 도출함으로써 정비 의사결정을 정량화했다.
다섯째, 이상진단은 MS-DCNN과 XAI(LRP) 기반으로 다중 시간스케일 패턴을 포착해 조기 이상 징후의 검출 민감도⋅신뢰도를 향상시켰고, 태그별 기여도 가시화로 현장 설명 가능성을 충족했다.
여섯째, 고온부품 이력관리는 산재된 수기 데이터를 통합해 추적성⋅재현성을 확보, 정비주기 최적화와 재사용성 평가의 근거 데이터를 축적했다
본 연구는 “모델의 정확성–현장 적용성–플랫폼 확장성–표준화 가능성”을 동시에 충족하는 솔루션을 제시했다.
이는 실시간 상태 감시⋅진단⋅예측⋅평가 기술 자립화를 넘어, 입찰 전략 고도화⋅정비비 최적화⋅비계획정지 리스크 저감으로 이어지는 운영 KPI의 체계적 개선을 가능하게 한다.
나아가 지속적으로 축적되는 운전⋅정비⋅경제성 데이터와 솔루션 결과 데이터가 함께 활용되면서, 국산 가스터빈과 디지털 O&M 솔루션의 수출 경쟁력, 그리고 국내 전력산업의 데이터 기반 혁신을 가속할 것으로 판단된다.
Acknowledgments
이 논문은 2021년도 정부(산업통상자원부)의 재원으로 한국에너지기술평가원의 지원을 받아 수행된 연구임(20217010100020, 표준가스복합발전 플랜트 운영 최적화 기술개발).
This work was partly supported by Korea Institute of Energy Technology Evaluation and Planing(KETEP) grant funded by the Korea government(MOTIE) (20217010100020, Development of Intelligent O&M Technologies for Standard Combined Cycle Power Plant).
References
- Chang, S. Y., Kang, H. S., 2025, “Development of Intelligent O&M Technologies for Standard Combined Cycle Power Plant,” 20217010100020.
- Park, G. S., 2022, Patent No. 10-2022-0147713.
-
Kim, S. J., 2023, Generating a virtual physical model through measurement data and reverse engineering: Applying a performance prediction model for an industrial gas turbine during start-up., Applied Thermal Engineering 232 (2023) 120927.
[https://doi.org/10.1016/j.applthermaleng.2023.120927]
- Seo, J. S., 2025, “Development of an AI-Based Prediction Model for Generation Capacity in Combined Cycle Power Plants and Comparison with Power Exchange Bidding Results,” PHM Korea 2025.
- Kang, H. S., 2022, “Validation of Model based and Data driven solution for Gas turbine compressor performance optimization,” ACGT 2022.
- Park, G. S., 2024, “A Study on eXplainable AI-Based Diagnosis and Prediction of Combustion Instability in Gas Turbines,” PHM Korea 2024.
- Yoo, S. Y., Oh, K. Y., 2024, “Hybrid explainable anomaly detection framework of gas turbines for feature selection and fault localization,” World Conference on Nondestructive Testing (WCNDT) 2024
- Chang, S. Y., 2024, Patent No. 10-2024-0025360.
- Kang, H. S., 2024, “Demonstration of Optimization Solution for Operation of Combined Heat and Power Plant Based on Domestic Gas Turbine,” The KSFM Journal of Fluid Machinery 2024.