발전소 호기별 소내전력률 Benchmark를 통한
보조기기 효율편차 진단 및 개선 우선순위 도출

1. 발전량이 다른 발전호기의 보조전력을 kW만으로 비교할 수 있을까?

발전량이 큰 호기는 보조기기 전력도 커질 수 있으므로 절대 kW만으로 효율을 비교하면 잘못된 결론을 내릴 수 있다. 발전소에서는 발전량에 대한 보조전력의 비율을 이용해 운전성능을 정규화할 필요가 있다.

2. 7개 발전호기를 동일한 KPI로 비교했다

대형 부생가스 발전소의 7개 발전호기를 대상으로 Auxiliary Power Ratio와 급수·복수·해수펌프, FDF·IDF의 원단위·부하·제어상태를 비교했다. 호기별 소내전력률은 약 3.2~4.3% 범위였고 우수호기 대비 최대 약 34%의 성능편차가 확인되었다.

3. 핵심 정량값은 ‘현재상태’와 ‘목표’를 분리해서 읽는다

주요 보조기기 규모는 약 28 MW, 연간 전력비는 약 231억원으로 정리되었으며, 약 2%, 4.6억원/년은 실행 후 실적이 아니라 제안단계의 예상 절감목표다.

4. Auxiliary Power Ratio는 발전소 내부 효율을 보여주는 상위 KPI다

다만 계측경계에 따라 Gross/Net Generation과 Auxiliary Load의 포함범위가 달라질 수 있으므로 센터·호기 비교 전에 계산경계를 통일해야 한다.

5. Auxiliary Power는 Gross Output을 Net Output으로 바꾸는 내부 소비다

발전소가 생산한 Gross Electricity 중 Pump, Fan, Cooling, Fuel/Water Handling 등 보조설비가 소비한 전력을 제외해야 실제 계통에 보낼 수 있는 Net Electricity가 남는다. 따라서 Auxiliary Power가 증가하면 같은 연료투입에서도 Net Output이 줄어들고 Net Plant Efficiency가 악화될 수 있다.

미국 DOE/NETL의 발전소 성능평가에서도 Auxiliary Power 변화는 Net Output과 Net Heat Rate에 직접 반영되는 항목으로 다뤄진다.

6. 같은 Boiler·Turbine 효율이라도 소내전력이 높으면 Net Heat Rate가 나빠질 수 있다

Gross Generation이 같고 연료투입량도 같다고 가정하면 Auxiliary Power가 증가할수록 Net Generation이 감소한다. 분모인 Net kWh가 작아지므로 Net Heat Rate는 증가하고 Net Plant Efficiency는 낮아진다.

따라서 보조기기 개선은 단순 전기요금 절감이 아니라 발전소가 판매할 수 있는 Net Electricity를 늘리는 효율개선으로 해석할 수 있다.

7. Pump와 Fan의 Affinity Law는 VFD 최적화의 이론적 출발점이다

수요가 감소했을 때 Valve·Damper로 Flow를 제한하는 대신 회전수를 낮추면 이론적으로 동력이 크게 감소할 수 있다. 다만 실제 Plant에서는 Static Head, System Resistance, Pump/Fan Efficiency와 Minimum Flow 때문에 세제곱 관계를 절감률로 그대로 사용하지 않는다.

8. VFD와 Throttling의 차이는 ‘필요 없는 압력을 어디서 없애는가’다

Valve나 Damper Throttling은 Pump/Fan이 높은 Pressure를 만든 뒤 저항을 증가시켜 Flow를 줄이는 방식이다. VFD는 회전수를 낮춰 처음부터 필요한 Flow·Pressure에 가까운 운전점을 만든다.

따라서 Valve/Damper가 많이 닫혀 있고 Motor Speed가 높은 상태는 VFD Set Point와 System Pressure를 재검토할 신호가 될 수 있다.

9. 해외 실제사례 — ID Fan Damper Control을 VFD로 전환해 34%를 줄였다

미국 DOE가 공개한 Southeast Resource Recovery Facility 사례에서는 세 대의 Induced-draft Fan을 Inlet Damper 방식에서 VFD 방식으로 개선했다. 측정결과 연간 전력사용량은 약 10.728 GWh에서 7.067 GWh로 감소하여 약 34%가 줄었고, 연간 비용절감은 약 329,508달러로 보고되었다.

이는 CASE75의 실적이 아니라 Fan Flow Control에서 Throttling 대신 Speed Control을 적용한 해외 별도 실측사례다.

10. FDF·IDF Draft Control은 두 Fan의 전력만 최소화하는 문제가 아니다

FDF는 연소에 필요한 공기를 공급하고 IDF는 연소가스를 배출하면서 Furnace Pressure/Draft를 유지한다. 두 Fan의 Damper·IGV·Speed는 Boiler Load, Air/Fuel Ratio, Flue-gas Flow와 Furnace Pressure와 연결된다.

따라서 Fan Power를 줄이더라도 Combustion Stability, Furnace Pressure, O₂/CO, Emission과 Boiler Safety를 만족해야 한다.

11. Cross-limited Combustion과 Furnace Draft Loop를 침해하지 않는 범위에서 최적화한다

발전용 Boiler의 Air/Gas Path는 연료와 공기제어, Furnace Draft가 상호 연결되어 있으므로 Energy Optimizer가 기존 안전·연소제어를 우회해서는 안 된다. 상위 최적화는 기존 DCS Loop의 Set Point 또는 Bias를 허용범위 안에서 조정하고, Trip·Interlock와 Low-level PID는 독립적으로 유지하는 방식이 적절하다.

12. Condenser Vacuum은 Turbine Output과 Cooling-system Power 사이의 대표적인 Trade-off다

Condenser Pressure를 낮춰 Vacuum을 개선하면 Steam Turbine의 Expansion Range가 커져 발전출력을 높일 수 있다. 그러나 더 낮은 Condenser Pressure를 만들기 위해 Cooling-water Flow나 Cooling Tower/Fan 운전을 증가시키면 Pump/Fan Auxiliary Power가 커진다.

13. 따라서 해수펌프 최적점은 Minimum Pump kW가 아니다

해수펌프를 줄여 보조전력을 절감했더라도 Condenser Vacuum 악화로 Turbine Output이 더 크게 감소하면 Net Plant 성능은 나빠진다. 반대로 Pump를 과도하게 운전해 Vacuum을 조금 더 개선하는 것도 추가 발전량보다 Auxiliary Power 증가가 크다면 비경제적이다.

목표는 Incremental Turbine Gain − Incremental Cooling Auxiliary Power가 최대가 되는 지점이다.

14. 해외 연구에서도 Cooling Tower를 발전소 Heat Rate와 연결해 최적화한다

석탄화력발전소의 12-cell Induced-draft Cooling Tower를 대상으로 한 연구에서는 Machine-learning Model과 Particle Swarm Optimization을 이용해 Cell 운전을 실시간 최적화했다. Historical Data 기반 검증에서 Cooling Tower Energy를 연간 약 6.7% 줄일 가능성이 제시됐고, 연구는 이를 Load-following 발전소의 Heat Rate 개선과 연결했다.

이는 Simulation/Historical-data 기반 해외 연구결과이며 CASE75의 실적이 아니다.

15. 해외 발전소 Auxiliary Service 투자도 다목적 최적화 문제로 다뤄진다

실제 1,100 MW 석탄화력발전소의 Auxiliary Service를 대상으로 한 연구에서는 Pump와 Fan Drive 등을 대상으로 Energy Saving과 Investment/NPV를 함께 고려한 Multi-objective Optimization을 수행했다. 연구는 보조설비 효율개선이 발전소 전체효율과 운영비 측면에서 경제적으로 의미 있는 Retrofit 영역임을 보여준다.

16. 최근 기술은 ‘과거 최적점 검색’에서 부하조건별 최적 운전값 예측으로 발전한다

F-class CCGT 발전소의 2년 Historical Data를 사용한 연구에서는 Load Rate, Heating Output와 Ambient Temperature를 입력으로 Cooling Tower, HP/MP Feed Pump와 Condensate Pump의 최적 Electrical Current를 예측하는 Machine-learning Model을 구축했다. MLP가 비교모델 중 가장 높은 정확도를 보였고 평균오차는 약 1.82%로 보고됐다.

즉 Best Unit의 과거 평균을 따라가는 방식에서 현재 부하·환경조건에 맞는 Expected Optimal Auxiliary Setting을 예측하는 방향으로 발전하고 있다.

17. Model Predictive Control은 미래상태를 예측하면서 여러 제약을 동시에 다룬다

MPC는 현재값만 보고 제어하지 않고 Plant Dynamic Model을 이용해 일정 Prediction Horizon의 미래상태를 예측한 뒤, Load Tracking·Pressure·Fuel·Emission·Equipment Limit 같은 여러 목적과 제약을 만족하도록 Control Action을 반복 계산한다.

발전소처럼 변수 간 Coupling과 Time Delay가 큰 시스템에서는 Pump/Fan 하나의 Local Optimization보다 Plant-level Coordinated Control에 적합한 이유다.

18. AI/MPC의 최근 방향은 Safety-constrained Auxiliary Power Optimization이다

2026년 350 MW CHP 실제 운전데이터를 이용한 연구에서는 High-fidelity Surrogate Model과 Deep Reinforcement Learning을 결합하고, 모든 Action을 물리적으로 가능한 영역에 투영하는 Hard Safety Constraint를 적용했다. 연구는 Auxiliary Power Consumption Ratio를 평균 약 0.1980 percentage point 낮췄다고 보고했다.

개선폭이 숫자로는 작아 보여도 대형 발전소에서는 지속적인 Auxiliary Load이므로 경제적 의미가 커질 수 있다. 이 역시 CASE75 실적이 아니라 최신 기술동향이다.

19. AI가 발전소를 직접 탐색하게 하지 않고 Digital/Surrogate Plant에서 먼저 학습시킨다

실제 발전소는 Trial-and-error가 허용되지 않기 때문에 최근 연구는 Historical Data와 물리모델을 이용한 Surrogate/Digital Twin에서 후보 운전을 먼저 학습·검증한다. 이후 실제 제어에는 Pressure, Flow, Temperature, Vacuum, Emission, Ramp Rate와 Equipment Limit를 Hard Constraint로 둔다.

20. 상위 KPI 차이를 설비별 원단위로 분해한다

소내전력률이 높은 호기를 찾은 뒤 급수펌프·복수펌프·해수펌프·FDF·IDF 등 주요 보조기기로 내려가 어느 설비군이 차이를 만드는지 확인한다.

21. Best Unit은 절대적인 정답이 아니라 내부 Benchmark다

동일 또는 유사 발전부하에서 성능이 좋은 호기를 Best Unit으로 선정하면 현재 설비구성에서 현실적으로 달성 가능한 수준을 추정하는 데 도움이 된다. 그러나 설비용량·정비상태·기후·연료조건이 다르면 단순 복사가 아니라 조건보정이 필요하다.

22. 펌프는 유량과 양정을 함께 맞춘 뒤 비교한다

급수·복수·해수펌프의 kW만 비교하지 않고 동일한 요구유량과 시스템 양정에서 kW/Flow 또는 효율을 비교한다. Valve Throttling, By-pass, 과다 가동대수와 VFD Speed를 함께 확인한다.

23. FDF·IDF는 발전부하와 연소·Draft 조건을 함께 본다

Forced Draft Fan과 Induced Draft Fan의 전력은 Boiler Load, Air/Gas Flow, Damper/IGV Position과 Furnace Draft 등에 영향을 받는다. 따라서 Fan kW를 낮추는 것보다 필요한 연소·배기조건을 만족하면서 Fan System Power를 줄이는 것이 목표다.

24. 밸브·댐퍼에서 압력손실을 만들면서 VFD를 빠르게 돌리고 있지 않은지 본다

VFD 설비에서도 Valve나 Damper가 많이 닫힌 상태라면 불필요한 압력·풍압을 만들고 Throttling으로 버리고 있을 수 있다. Set Point와 VFD Speed, Valve/Damper Position을 동시에 Trend로 확인한다.

25. 가동대수는 발전부하와 연동해야 한다

낮은 발전부하에서 여러 Pump/Fan을 저부하로 병렬운전하면 개별 효율이 나빠질 수 있다. 반대로 설비를 너무 적게 운전하면 Reliability와 Process Margin이 부족해질 수 있으므로 N+1·정비조건과 Minimum Flow를 함께 고려한다.

26. 복수기·해수펌프에는 발전효율과 보조전력의 Trade-off가 있다

해수펌프 유량을 줄이면 Pump Power는 감소하지만 Condenser Vacuum이 악화되어 Turbine Output 또는 Heat Rate에 불리할 수 있다. 따라서 해수계통은 Pump kW 최소가 아니라 Net Plant Benefit으로 판단해야 한다.

27. 개선 우선순위는 절감잠재량만으로 정하지 않는다

28. 5단계 발전소 보조기기 진단·검증 절차

① 발전량·소내전력·설비전력을 같은 시간축으로 정렬 → ② 동일 발전부하에서 Auxiliary Power Ratio와 설비별 원단위 비교 → ③ Pump/Fan 가동대수·VFD·Valve/Damper·Set Point 비교 → ④ 발전량·진공도·공정제약을 유지하는 Best Unit Benchmark → ⑤ Adjusted Baseline과 Actual 비교 및 발전효율 확인

29. M&V에서는 발전량과 발전효율을 동시에 확인한다

보조전력이 줄었더라도 Gross Generation이나 Turbine/Boiler Efficiency가 나빠졌다면 실제 발전소 성능이 개선됐다고 보기 어렵다. 따라서 발전량·기후·운전조건을 조정한 Baseline과 Actual을 비교하고 Net Generation과 Heat Rate 계열 지표도 함께 확인한다.

30. 확대응용 — Static Benchmark에서 Dynamic Benchmark로

단순히 가장 좋은 호기의 평균값을 기준으로 삼는 대신 발전부하, 외기/해수조건과 운전모드별 Expected Auxiliary Power를 모델링하면 각 호기가 현재 조건에서 정상적으로 소비해야 할 전력을 예측할 수 있다.

31. AI 기반 Auxiliary Power Optimization으로 확장할 수 있다

Generation Load, Pump/Fan Status, Flow, Pressure, Vacuum, VFD Speed와 Valve/Damper Position을 이용해 가능한 운전조합별 Net Plant Performance를 예측하고, Reliability Constraint를 만족하는 최소 소내전력 조합을 탐색할 수 있다.

32. Evidence & Measurement Boundary

2%와 4.6억원/년은 제안단계의 예상 절감목표이며 실제 검증된 절감실적이 아니다.

Dynamic Benchmark, Expected Auxiliary Power Model과 AI Optimization은 실제 Benchmark 분석을 다른 발전소와 지속운영체계로 확대하기 위한 기술적 확장이다.

33. Review 상태

Status: APPROVED / FINAL-LOCK