석탄 화력 발전소의 선택적 촉매 환원(selective catalytic reduction, SCR) 탈질 시스템에서 질소산화물(NO_x) 질량 농도 예측에 대한 높은 요구를 충족하기 위해, 높은 정확도와 낮은 지연 시간을 겸비한 소프트 센서 및 배포 방안을 설계하고 제안하였다. 660MW 석탄 발전소에서 11만 건 이상의 고차원 운전 데이터를 기반으로 통합 플랫폼에서 심층 학습(deep learning, DL)과 XGBoost(extreme gradient boosting) 두 가지 모델을 비교하였다. 시계열 교차 검증과 그리드 서치를 결합하여 모델 하이퍼파라미터를 최적화하고, 예측 정확도, 계산 효율성 및 해석 가능성 측면에서 종합 평가를 수행하였다. 이를 바탕으로 "에지-임베디드" 협업 배포 전략을 제안하여 DL 모델을 에지 서버에 배포해 고정밀 예측 결과를 얻고, XGBoost 모델은 분산 제어 시스템(distributed control system, DCS)에 임베딩하여 실시간성을 보장한다. 결과는 DL 모델이 동적 반응성과 예측 정확도에서 우수하며, 테스트 세트의 평균제곱근오차가 XGBoost 모델에 비해 약 10% 감소하고, 작동 조건이 급격히 변동해도 안정성을 유지함을 보여준다; 변수 중요도 분석 결과 연소 가스 내 산소 함량, 버너 벽면 온도 및 총 풍량이 NO_x 생성에 영향을 미치는 주요 요인임을 확인하였다. 제안된 협업 배포 아키텍처는 이론적으로 밀리초 단위 추론을 가능하게 하며, 오프라인 내결함성을 갖는다.

NO_x 질량 농도 예측;심층 학습;변수 중요도;에지 컴퓨팅;모델 배포