KR102187793B1 - 예측 풍속을 이용한 가변속 풍력 터빈의 최대 풍력 에너지 추출 방법 - Google Patents

Abstract

본 발명은 예측 풍속을 이용한 새로운 비선형 예측 제어 기법을 기반으로 변속 풍력 터빈의 최대 풍력 에너지를 추출할 수 있도록 하는 예측 풍속을 이용한 가변속 풍력 터빈의 최대 풍력 에너지 추출 방법에 관한 것으로,
이는 가변속 풍력 터빈(VSWT)의 최대 풍력 에너지 추출(MWEE)을 비선형 최적화 문제로 분석 및 공식화하는 공식화 단계; 반복 최적화 접근법을 통해 발전기 토크 요구량을 최적화하는 최적화 단계; 동적 제약 구역 설정과 이웃 탐색 기법 적용을 통해 상기 반복 최적화 접근법의 계산 효율을 향상시키는 효율 향상 단계; 및 상기 최적화된 발전기 토크 요구량의 첫 번째 요소를 컨트롤러 출력으로써 획득 및 제공하는 출력 단계를 포함한다.

Description

예측 풍속을 이용한 가변속 풍력 터빈의 최대 풍력 에너지 추출 방법{Method for maximum wind energy extraction of variable speed wind turbines using previewed wind speed}

본 발명은 풍력 발전기의 최대 풍력 에너지 추출 방법에 관한 것으로, 특히 예측 풍속을 이용한 새로운 비선형 예측 제어 기법을 기반으로 변속 풍력 터빈의 최대 풍력 에너지를 추출할 수 있도록 하는 예측 풍속을 이용한 가변속 풍력 터빈의 최대 풍력 에너지 추출 방법에 관한 것이다.

다양한 재생 에너지 중에서, 특히 풍력 에너지가 급속하게 개발 및 설치되고 있다.

풍력 에너지의 경쟁력을 높이기 위한 풍력 터빈(WT)의 최적 솔루션이 지속적으로 제안되고 있으며, 제어 기술은 에너지 추출 및 구성 부하의 양 측면에서 WT의 성능에 직접 영향을 미치는 필수적인 역할을 한다.

근래의 일반적 대규모 풍력 터빈은 수평축(horizontal-axis)과 가변속(variable-speed)을 특징으로 한다.

가변속 풍력 터빈(VSWT: variable-speed wind turbines)의 경우, 최대 풍력 에너지 추출(MWEE)이 최대 출력 점(MPP : maximum power point), 즉 풍속에 의존하는 최적 로터 속도를 추적하여 구현된다. 그럼에도 불구하고, 블레이드 로터의 큰 관성과 높은 난류풍은 대규모 VSWT를 위한 MPP 추적의 실현을 방해한다.

MWEE를 위한 다수의 제어 알고리즘이 제시된 바 있으며, 이들은 크게 1) 팁 속도 비(TSR; the tip speed ratio) 알고리즘, 2) 파워 신호 피드백(PSF; power signal feedback), 3) 및 최적 토크(OT; optimal torque) 알고리즘의 세 가지로 분류될 수 있다.

안정적이고 강력한 성능으로 인해, PSF와 OT 알고리즘은 상용 VSWT에 광범위하게 적용되고 있으며, 피드-포워드 항을 추가하여 가속 또는 감속을 추가 보조할 수 있도록 한다. 그러나 이들 알고리즘은 바람 동역학을 고려하지 못해, TSR 알고리즘 보다 낮은 정확성을 가진다. TSR 알고리즘은 풍속 정보를 사용하지만 PSF와 OT 알고리즘은 나셀에 있는 공동 풍속계를 사용함으로써, 그 정확성이 떨어지는 문제를 가진다.

이러한 문제를 해결하기 위한 풍속 추정법이 제안된 바 있으나, 이는 터빈 자체를 변환기로 사용하여 추정 풍속을 구하므로, 상당히 제한된 효율만을 확보할 수 있다.

블레이드 로터의 큰 관성은 VSWT의 로터 속도를 풍속의 변화에 ????둔감하게 만들고, VSWT에 대한 저역 통과 필터를 특징으로 한다. 반면, 현재 예측 풍속을 이용하는 제어 동작은 MPP에서 로터 속도를 유지할 수 없다.

MWEE 향상을 위해, 광 검출 및 범위 측정과 예측 접근법과 같은 첨단 예측 기술이 최근 개발되고 있다. 이러한 기술은 미래의 풍력 정보가 ????제어 활용을 위해 준비되기 때문에, 로터 속도의 기준을 최적화하기 위해 예측 풍속을 신뢰할 수 있는 입력으로 사용하려는 시도가 여러 번 있어다.

한편, MPP를 추적하기 위해, 예측 풍속을 포함한 예측 제어를 사용하기 위한 노력이 일부 이루어졌다. 예측 제어의 대표로서, 모델 예측 제어(MPC)는 미래 풍향 정보의 예측을 통합하고 WT가 풍력에 어떻게 반응할 것인가를 모델링하는 능력으로 인기를 얻고 있다. 피치 시스템을 위한 MPC는 타워와 블레이드의 극한 및 피로 하중을 줄이는 이점을 가지고, 요 시스템을 위한 MPC는 파워 생산을 증가시키는 이점을 가진다.

그러나 발전기 토크 시스템을 위한 MPC는 MWEE 향상에 예상된 성능을 제공하지 못한다. 그 이유는 기존의 MPC는 다양한 바람에 의해 결정되는 동작점을 중심으로 선형화된 선형 모델을 사용하는데, 이는 짧은 예측 구간(prediction horizon)에 대해서만 유효하기 때문이다.

따라서, 이러한 방법으로 얻는 에너지 추출의 이점은 거의 없기 때문에, 다른 비선형 해법을 연구할 필요성이 발생하였다.

- Shu ZR, Li QS, He YC, Chan PW. Observations of offshore wind characteristics by doppler-lidar for wind energy applications. Appl Energy 2016;169 (1):150-63. - E. Simley, H. Fuerst, F. Haizmann et al., "Optimizing Lidars for Wind Turbine Control ApplicationsResults from the IEA Wind Task 32 Workshop," Remote Sensing, vol. 10, no. 6, Jun, 2018. - Wang J, Niu T, Lu H, Guo Z, Yang W, Du P. An analysis-forecast system for uncertainty modeling of wind speed: a case study of large-scale wind farms. Appl Energy 2018;211:492-512. - Zhou, Qingguo, Chen Wang, and Gaofeng Zhang. "Hybrid forecasting system based on an optimal model selection strategy for different wind speed forecasting problems."　Applied Energy　250 (2019): 1559-1580.

이에 상기와 같은 문제점을 해결하기 위한 것으로서, 본 발명은 예측 풍속을 이용한 새로운 비선형 예측 제어 기법을 기반으로 변속 풍력 터빈의 최대 풍력 에너지를 추출할 수 있도록 하는 예측 풍속을 이용한 가변속 풍력 터빈의 최대 풍력 에너지 추출 방법을 제공하고자 한다.

본 발명의 목적은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 본 발명이 속하는 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

상기 과제를 해결하기 위한 수단으로서, 본 발명의 일 실시 형태에 따르면, 가변속 풍력 터빈(VSWT)의 최대 풍력 에너지 추출(MWEE)을 비선형 최적화 문제로 분석 및 공식화하는 공식화 단계; 반복 최적화 접근법을 통해 발전기 토크 요구량을 최적화하는 최적화 단계; 동적 제약 구역 설정과 이웃 탐색 기법 적용을 통해 상기 반복 최적화 접근법의 계산 효율을 향상시키는 효율 향상 단계; 및 상기 최적화된 발전기 토크 요구량의 첫 번째 요소를 컨트롤러 출력으로써 획득 및 제공하는 출력 단계를 포함하는 예측 풍속을 이용한 가변속 풍력 터빈의 최대 풍력 에너지 추출 방법을 제공한다.

상기 공식화 단계는 가변속 풍력 터빈 모델의 파워 계수 산출 함수를 정의하는 단계; 가변속 풍력 터빈 모델의 장기 평가 기간 T을 n(n은 자연수)개의 단기 평가 기간으로 분할한 후, n개의 단기 평가 기간에 기반하여 풍력 에너지 추출 효율 함수와 평균 로터 속도 산출 함수를 재정의하는 단계; 및 가변속 풍력 터빈 모델의 발전기 토크를 비선형적으로 제약하는 단계를 포함하는 것을 특징으로 한다.

상기 최적화 단계는 상기 발전기 토크의 제약 범위를 m(m은 자연수)개 하위 범위로 세분화한 후, m개 하위 범위 각각에 대해 최적화 접근법을 반복적으로 적용하면서, 최적의 발전기 토크 요구량을 산출하는 것을 특징으로 한다.

상기 최적화 접근법은 n개의 예측 풍속 시퀸스를 획득하는 단계; 발전기 토크의 제어 주기(k=1,2,..., n)를 순차 선택하면서, n개의 발전기 토크 시퀀스를 산출하는 단계; n개의 예측 풍속 시퀸스와 발전기 토크 시퀀스, k+1 번째 제어 주기에서의 평균 로터 속도를 평균 로터 속도 산출 함수에 순차 적용하여, n개의 로터 속도 시퀀스를 예측하는 단계; 및 n개의 로터 속도 시퀀스와 n개의 예측 풍속 시퀸스를 풍력 에너지 추출 효율 함수에 순차 적용하여 n개의 발전기 토크 요구량을 획득 및 비교한 후, 가장 큰 값의 발전기 토크 요구량을 최적값으로 선택 및 업데이트하는 단계를 포함하는 것을 특징으로 한다.

상기 효율 향상 단계는 "표준" 최적 토크에 기반하여 발전기 토크 요구량의 최소치와 최대치를 제약하는 단계; 및상기 이웃 탐색 기법을 통해 상기 최적화 접근법의 복잡도를 mⁿ에서 m*m_p ^n-1(m_p< m)로 감소시키는 단계를 포함하는 것을 특징으로 한다.

상기 효율 향상 단계는 상기 m_p는 풍속 변화 정도와 계산 부하를 고려하여 결정 또는 가변될 수 있는 것을 특징으로 한다.

본 발명은 가변속 풍력 터빈의 최대 풍력 에너지 추출을 비선형 최적화 문제로 분석 및 공식화한 후, 반복 최적화 접근법을 통해 최적 토크 시퀀스를 산출하도록 한다. 그리고 최적 토크 시퀀스의 첫 번째 요소를 컨트롤러 출력으로 획득 및 활용하도록 함으로써, 대규모 가변속 풍력 터빈의 에너지 추출 효율을 극대화시켜 준다.

또한 동적 제약 영역 및 이웃 탐색 기술을 가지는 효율적인 검색 솔버를 이용하여 반복 최적화 접근법의 계산 부하를 최소화시킴으로써, 에너지 추출 효율을 위한 비용 및 처리 속도도 추가적으로 향상되도록 해준다.

도 1은 본 발명의 일 실시예에 따른 예측 풍속을 이용한 가변속 풍력 터빈의 최대 풍력 에너지 추출 방법을 설명하기 위한 도면이다.
도 2은 본 발명의 일 실시예 따른 공식화 단계를 설명하기 위한 도면이다.
도 3은 본 발명의 일 실시예에 따른 반복 최적화 단계를 설명하기 위한 도면이다.
도 4는 본 명세서에 개진된 하나 이상의 실시예가 구현될 수 있는 예시적인 컴퓨팅 환경을 도시하는 도면이다.

이하의 내용은 단지 본 발명의 원리를 예시한다. 그러므로 당업자는 비록 본 명세서에 명확히 설명되거나 도시되지 않았지만 본 발명의 원리를 구현하고 본 발명의 개념과 범위에 포함된 다양한 장치를 발명할 수 있는 것이다. 또한, 본 명세서에 열거된 모든 조건부 용어 및 실시예들은 원칙적으로, 본 발명의 개념이 이해되도록 하기 위한 목적으로만 명백히 의도되고, 이와 같이 특별히 열거된 실시예들 및 상태들에 제한적이지 않는 것으로 이해되어야 한다.

또한, 본 발명의 원리, 관점 및 실시예들 뿐만 아니라 특정 실시예를 열거하는 모든 상세한 설명은 이러한 사항의 구조적 및 기능적 균등물을 포함하도록 의도되는 것으로 이해되어야 한다. 또한 이러한 균등물들은 현재 공지된 균등물뿐만 아니라 장래에 개발될 균등물 즉 구조와 무관하게 동일한 기능을 수행하도록 발명된 모든 소자를 포함하는 것으로 이해되어야 한다.

따라서, 예를 들어, 본 명세서의 블럭도는 본 발명의 원리를 구체화하는 예시적인 회로의 개념적인 관점을 나타내는 것으로 이해되어야 한다. 이와 유사하게, 모든 흐름도, 상태 변환도, 의사 코드 등은 컴퓨터가 판독 가능한 매체에 실질적으로 나타낼 수 있고 컴퓨터 또는 프로세서가 명백히 도시되었는지 여부를 불문하고 컴퓨터 또는 프로세서에 의해 수행되는 다양한 프로세스를 나타내는 것으로 이해되어야 한다.

프로세서 또는 이와 유사한 개념으로 표시된 기능 블럭을 포함하는 도면에 도시된 다양한 소자의 기능은 전용 하드웨어뿐만 아니라 적절한 소프트웨어와 관련하여 소프트웨어를 실행할 능력을 가진 하드웨어의 사용으로 제공될 수 있다. 프로세서에 의해 제공될 때, 상기 기능은 단일 전용 프로세서, 단일 공유 프로세서 또는 복수의 개별적 프로세서에 의해 제공될 수 있고, 이들 중 일부는 공유될 수 있다.

또한 프로세서, 제어 또는 이와 유사한 개념으로 제시되는 용어의 명확한 사용은 소프트웨어를 실행할 능력을 가진 하드웨어를 배타적으로 인용하여 해석되어서는 아니되고, 제한 없이 디지털 신호 프로세서(DSP) 하드웨어, 소프트웨어를 저장하기 위한 롬(ROM), 램(RAM) 및 비 휘발성 메모리를 암시적으로 포함하는 것으로 이해되어야 한다. 주지관용의 다른 하드웨어도 포함될 수 있다.

본 명세서의 청구범위에서, 상세한 설명에 기재된 기능을 수행하기 위한 수단으로 표현된 구성요소는 예를 들어 상기 기능을 수행하는 회로 소자의 조합 또는 펌웨어/마이크로 코드 등을 포함하는 모든 형식의 소프트웨어를 포함하는 기능을 수행하는 모든 방법을 포함하는 것으로 의도되었으며, 상기 기능을 수행하도록 상기 소프트웨어를 실행하기 위한 적절한 회로와 결합된다. 이러한 청구범위에 의해 정의되는 본 발명은 다양하게 열거된 수단에 의해 제공되는 기능들이 결합되고 청구항이 요구하는 방식과 결합되기 때문에 상기 기능을 제공할 수 있는 어떠한 수단도 본 명세서로부터 파악되는 것과 균등한 것으로 이해되어야 한다.

상술한 목적, 특징 및 장점은 첨부된 도면과 관련한 다음의 상세한 설명을 통하여 보다 분명해질 것이며, 그에 따라 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명의 기술적 사상을 용이하게 실시할 수 있을 것이다. 또한, 본 발명을 설명함에 있어서 본 발명과 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에 그 상세한 설명을 생략하기로 한다.

도 1은 본 발명의 일 실시예에 따른 예측 풍속을 이용한 가변속 풍력 터빈의 최대 풍력 에너지 추출 방법을 설명하기 위한 도면이다.

도 1을 참고하면, 본 발명의 최대 풍력 에너지 추출 방법은 크게 가변속 풍력 터빈(VSWT)을 모델링하는 단계(S10), 상기 가변속 풍력 터빈(VSWT)의 최대 풍력 에너지 추출(MWEE)을 비선형 최적화 문제로 분석 및 공식화하는 공식화 단계(S20), 반복 최적화 접근법을 통해 최적 토크 시퀀스를 산출하는 최적화 단계(S30), 동적 제약 구역 설정과 이웃 탐색 기법 적용을 통해 계산 효율을 향상시키는 효율 향상 단계(S40), 및 상기 최적 발전기 토크 시퀀스의 첫 번째 요소를 컨트롤러 출력으로써 획득 및 출력하는 출력 단계(S50) 등을 포함한다.

본 발명은 MPP가 블레이드 로터의 느린 반응과 빠른 풍속 변화간의 모순으로 인해 MPP가 항상 유지될 수 없음을 고려하여, 짧은 순간의 최대 에너지를 추출하는 것 대신에 장기간에 걸쳐 더 많은 풍력 에너지를 추출할 수 있도록 한다.

그리고 MWEE를 여러 인접 제어 기간 내에 협력적인 방식으로 수행될 수 있는 특정 최적 문제로 공식화한 후, 이를 통해 미리 예측된 풍속을 입력으로 사용하는 비선형 MPC를 사용하여 최적 해를 구할 수 있도록 한다.

그리고 본 발명은 최적화 문제를 설정하기 위한 효율적인 검색 알고리즘을 제안하는 데, 이는 기 설정된 솔루션 세트에서 최적의 솔루션을 직접 검색하도록 함으로써, 계산 부하를 최소화할 수 있기 위함이다. 한편, 직관적이고 논리적인 설계 절차를 제안함으로써, 개념으로서 이해하기 쉽고 구현이 간단해지도록 한다.

이하, 각 단계에 대해 보다 상세히 설명하면 다음과 같다.

단계 S10 : 가변속 풍력 터빈(VSWT)을 모델링한다.

VSWT에 의해 추출된 공기 역학 P_a는 이하의 수학식1으로 표현될 수 있다.

[수학식 1]

이때, T_a 는 공기 역학 토크, ω_r는 로터 속도, ρ 는 공기 밀도, R 는 로터 반경, V은 풍속이다. C_p은 파워 계수이고, 팁 속도 비(TSR-λ=ω_rR/V) 및 피치 각 β의 비선형 함수이다.

VSWT의 MWEE는 정격 풍속 이하로 동작함에 의해 수행된다. 이 경우, 일반적으로 피치 각은 미세 위치에서 유지되고 피치 제어는 비활성화된다. 따라서, 파워 계수는 TSR에 의해서만 결정되며, 다음의 다항식으로 표현될 수 있다.

[수학식 2]

이때, p_d는 블레이드 공기 역학의 피팅 파라미터, d는 다항식의 차수이다.

구동열(drive train)의 2-질량 모델은 수학식 3으로 표현된다.

[수학식 3]

이때, γ 는 비틀림 각, ω_r 및 ω_g은 로터 및 발전기의 회전 속도이며, θ_r 및 θ_g는 로터 및 발전기의 회전각이며, s_dt 및 d_dt 는 구동렬의 강성 및 감쇠 계수이며, J_r 및 J_g는 로터 및 발전기의 관성 계수이고, T_g는 발전기 토크이고, N는 변속비이다.

ω_r = ω_g/N라고 가정하면, 수학식 3은 수학식 4로 단순화될 수 있다.

[수학식 4]

이때, J_R는 로터와 발전기의 결합 관성이다.

전기 발전기의 동역학은 수학식 5로 표현된다.

[수학식 5]

이때, τ_g는 전기 발전기의 시정수이고, T^* _g 는 발전기 토크 요구량이다.

단계 S20 : 비선형 최적화 문제로 분석 및 공식화하며, 도 2에서와 같이 MWEE 분석 단계(S21)와, MWEE 공식화 단계(S22)로 이루어진다.

단계 S21: VSWT의 MWEE 에 대해 분석한다.

VSWT의 경우, 장기 평가 기간 T 동안에 추출된 풍력 에너지는 수학식 6와 같이 표현 될 수 있다.

[수학식 6]

이때,

.

수학식 6에서, 풍속 V이 제어되지 않기 때문에, MWEE를 수행하는 것은 C_p(λ)를 최대화하는 것을 나타낸다. 그러나 대규모 VSWT가 MPP에서 작동하고 장기간 T 동안 최대 C_p ^max를 유지하는 것은 불가능하다. 이는 풍속이 난류이고 VSWT가 큰 관성을 가지기 때문이다. 따라서 가능한 만큼 최대 풍력 에너지를 추출하는 것이 실용적이다. 이를 위해, 장기 평가 기간 T를 n(n은 자연수) 개의 단기 평가 기간으로 나누고, 수학식 6을 수학식 7로 재구성하도록 한다.

[수학식 7]

이때, △t는 단기 평가 기간이고, V_k(k=1,2,...,n) 및 C_pk(k=1,2,...,n)는 예측 풍속의 평균값과 n개의 단기간 동안의 파워 효율이다.

수학식 7에 기초하여, n개의 단기간 동안 협력 방식으로 VSWT를 제어함으로써 MWEE가 실현 될 수 있음을 알 수 있다. 이는 이하의 단계 S22에서 설명하기로 한다.

단계 S22: 비선형 최적화 문제로 공식화한다.

정격 풍속을 작동시키는 VSWT의 경우 MWEE는 수학식 8과 같은 최적화 문제로 설명 될 수 있다.

[수학식 8]

이때, η = E/E^max는 에너지 추출 효율이고, E^max는 C_p(λ)= C_p ^max를 고려하여 추출된 풍력 에너지이다.

수학식7을 이용하여 수학식 8은 수학식 9로 재정의될 수 있다.

[수학식 9]

이때, ω_rk(k=1,2,...,n)는 △t에서의 평균 로터 속도이다. 수학식 1과 수학식 4를 사용하면, ω_rk 는 수학식 10과 같이 예측된다.

[수학식 10]

이때,

, T_gk는 k 번째 제어주기에서의 발전기 토크이다.

τ_{g ≫} △t인 경우, 발전기 동역학은 △t의 제어주기에서 무시될 수 있으며, 그 결과 수학식 5의 발전기 토크 T_g는 요구되는 T_g ^*와 동일해지고, 발전기 토크는 수학식 11에 의해 제한된다.

[수학식 11]

이때, T_g ^min 및 T_g ^max는 발전기 경계 조건(boundaries)의 하한과 상한이다.

이와 같이 MWEE는 수학식 2, 수학식 9 내지 11으로 공식화되며, 이는 제약 조건 하에서의 특정 비선형 최적화 문제임을 알 수 있다.

단계 S30 : 반복 최적화 접근법을 통해 최적 토크 시퀀스를 산출하는 최적화하며, 도 3에서와 같이 파라미터 초기화 단계(S31)와, 제약 범위 세분화 단계(S32) 및 반복 최적화 단계(S33)로 이루어진다.

앞서 설명된 수학식들에서 알 수 있듯이, 최적 함수는 비선형(터빈 특성 참고)과 다양한 변수(풍속 시퀀스 참조)를 가지며, 이의 해답은 발전기 토크 시퀀스이다. 따라서, 기존의 수치적 방법은 사용하기가 어렵고 유용하지 않을 수 있다. 따라서 반복 루틴 기반 최적화 방법을 도입하도록 한다.

단계 S31: 컨트롤러의 장기 평가 기간 T, 제어 기간 △t, 제어 파라미터 c₁, c₂, 제약 범위 세분화 개수 m, 이웃의 수 m_p와 같은 파라미터를 초기화한다.

단계 S32: 수학식 11의 제약 범위를 m(m은 자연수) 개의 하위 범위로 세분화하여, 수학식 12와 같이 T_gk에 대한 m 후보군을 가진 유한 집합을 정의한다.

[수학식 12]

단계 S33: 수학식12에서 T_gk 의 후보 집합을 정의한 후, T_gk 의 후보 집합 각각에 대한 반복 최적화 방법을 다음의 단계 S33-1 내지 단계 S33-6들을 통해 수행한다.

단계 S33-1 : n개의 예측 풍속 시퀀스 V₁|V₂|…|V_n를 획득한다.

단계 S33-2 : 발전기 토크의 제어 주기(n)를 순차 선택하면서 (T_gk(k=1,2,…,n)), n개의 발전기 토크 시퀀스 T_g1| T_g2|…| T_gn를 산출한다.

단계 S33-4 : V₁|V₂|…|V_n와 T_g1| T_g2|…| T_gn, 그리고 k+1 번째 제어 주기에서의 평균 로터 속도(ω_rk+1)를 수학식 10의 평균 로터 속도 산출 함수에 순차 적용하여, n개의 로터 속도 시퀀스 ω_r1| ω_r2|…| ω_rn를 예측한다.

단계 S33-5 : ω_r1| ω_r2|…| ω_rn와 V₁|V₂|…|V_n 를 수학식 9의 풍력 에너지 추출 효율 함수에 순차 적용하여, n개의 T^* _gk을 획득 및 비교한 후 가장 큰 값의 T^* _gk을 최적의 T^* _gk로 선택 및 업데이트한다.

단계 S33-6 : 모든 시퀀스가 평가될 때까지 단계 S32-1 내지 단계 S32-5를 반복 수행한다. 모든 시퀀스 평가가 완료되면, 마지막으로 설정된 T^* _gk를 최적의 솔루션으로 선택하여 출력한다.

단계 S40: 동적 제약 구역 설정과 이웃 탐색 기법 적용을 통해 계산 효율을 향상시킨다.

다만, 상기의 반복 최적화 방법은 mⁿ의 연산 복잡성을 가지며, 이는 제어 적용을 방해한다. 이에 본 발명에서는 동적 제약 영역 및 이웃 검색 기술을 포함하는 효율적인 검색 솔버(solver)를 추가적으로 제안한다.

수학식 12에서 발전기 토크 요구량을 제한하는 동적 영역은 다음과 같다.

[수학식 13]

이때,

는 최적 이득,

,

, ω_r0은 측정된 로터 속도, c₁및 c₂는 두 개의 상수, 그리고, T_g ^rated는 발전기 정격 토크이다.

참고사항 I: 동적 영역은 "표준" 최적 토크 T_g ^opt = gω_r ²에 기반하여 구성되며, 이는 MWEE을 달성하는 안정적인 솔루션으로 입증되었다. 동적 영역의 범위는 시행 착오를 거치면서 조정되는 두 개의 파라미터 c₁및 c₂로 조정 가능하다.

이웃 탐색 기법은 다음과 같이 기술된다 : m 후보 집합은 T_gk(k=1)에 대해 정의되고, T_gk의 m_p개의 이웃은 T_gk+1(k=1,...,n-1)에 대해 정의된다. 예를 들어, T_gk = T_g ^min이라고 가정하면, 후보 T_gk+1는 수학식14 주어진다.

[수학식 14]

이때, m_p < m는 이웃의 수이다.

참고사항 II : 풍속 시계열은 연속적이기 때문에 최적의 토크 시퀀스도 연속적이어야 한다. 이러한 추론에 의해 동기 부여된 이웃 검색 기술은 계산 복잡도를 mⁿ 에서 m*m_p ^n-1로 줄여준다.

참고사항 III: m_p의 설정은 예측 구간 동안의 풍속 변화 정도에 의존한다. 풍속 변화가 크면 큰 m_p를 설정하는 것이 좋으나, 이러한 경우 계산 부하가 증가하게 된다. 이에 m_p는 바람의 상황에서 제어 성능과 계산 부하의 양쪽 균형을 맞추어 신중하게 선택되어야 한다.

이에 본 발명은 컨트롤러의 T, △t, c₁, c₂, m, m_p와 같은 파라미터를 초기화하고, 예측 구간 n에서 예측 풍속을 평균화한 후, 수학식 12와 수학식 13을 통해 T_gk(k=1)를 정의되고, 수학식 12 내지 수학식 14를 통해 T_gk(k=2,..., n)를 정의한다. 즉, 해답 세트를 정의한다. 그리고 나서, 최적 반복 알고리즘을 통해 최적의 토크 시퀀스 T_gk ^*를 탐색하도록 한다.

단계 S50 : 최적 발전기 토크 시퀀스의 첫 번째 요소를 컨트롤러 출력으로써 획득 및 출력한다.

VSWT의 컨트롤러에서 제시된 알고리즘을 구현하여 MWEE를 달성하기 위해, MPC의 통상적 조작 또는 감속 구간 제어(receding horizon control)가 뒤따른다. 이에 본 발명에서는 단계 S30의 반복 최적화 접근법을 통해 발전기 토크의 최적 시퀀스 T_gk ^*를 검색한 후, 검색된 최적 시퀀스 T_gk ^*의 첫 번째 요소 T_gk ^*(k=1)를 컨트롤러 출력으로 선택 및 적용하도록 한다.

도 4는 본 명세서에 개진된 하나 이상의 실시예가 구현될 수 있는 예시적인 컴퓨팅 환경을 도시하는 도면으로, 상술한 하나 이상의 실시예를 구현하도록 구성된 컴퓨팅 디바이스(1100)를 포함하는 시스템(1000)의 예시를 도시한다. 예를 들어, 컴퓨팅 디바이스(1100)는 개인 컴퓨터, 서버 컴퓨터, 핸드헬드 또는 랩탑 디바이스, 모바일 디바이스(모바일폰, PDA, 미디어 플레이어 등), 멀티프로세서 시스템, 소비자 전자기기, 미니 컴퓨터, 메인프레임 컴퓨터, 임의의 전술된 시스템 또는 디바이스를 포함하는 분산 컴퓨팅 환경 등을 포함하지만, 이것으로 한정되는 것은 아니다.

컴퓨팅 디바이스(1100)는 적어도 하나의 프로세싱 유닛(1110) 및 메모리(1120)를 포함할 수 있다. 여기서, 프로세싱 유닛(1110)은 예를 들어 중앙처리장치(CPU), 그래픽처리장치(GPU), 마이크로프로세서, 주문형 반도체(Application Specific Integrated Circuit, ASIC), Field Programmable Gate Arrays(FPGA) 등을 포함할 수 있으며, 복수의 코어를 가질 수 있다. 메모리(1120)는 휘발성 메모리(예를 들어, RAM 등), 비휘발성 메모리(예를 들어, ROM, 플래시 메모리 등) 또는 이들의 조합일 수 있다.

또한, 컴퓨팅 디바이스(1100)는 추가적인 스토리지(1130)를 포함할 수 있다. 스토리지(1130)는 자기 스토리지, 광학 스토리지 등을 포함하지만 이것으로 한정되지 않는다. 스토리지(1130)에는 본 명세서에 개진된 하나 이상의 실시예를 구현하기 위한 컴퓨터 판독 가능한 명령이 저장될 수 있고, 운영 시스템, 애플리케이션 프로그램 등을 구현하기 위한 다른 컴퓨터 판독 가능한 명령도 저장될 수 있다. 스토리지(1130)에 저장된 컴퓨터 판독 가능한 명령은 프로세싱 유닛(1110)에 의해 실행되기 위해 메모리(1120)에 로딩될 수 있다.

또한, 컴퓨팅 디바이스(1100)는 입력 디바이스(들)(1140) 및 출력 디바이스(들)(1150)을 포함할 수 있다. 여기서, 입력 디바이스(들)(1140)은 예를 들어 키보드, 마우스, 펜, 음성 입력 디바이스, 터치 입력 디바이스, 적외선 카메라, 비디오 입력 디바이스 또는 임의의 다른 입력 디바이스 등을 포함할 수 있다. 또한, 출력 디바이스(들)(1150)은 예를 들어 하나 이상의 디스플레이, 스피커, 프린터 또는 임의의 다른 출력 디바이스 등을 포함할 수 있다. 또한, 컴퓨팅 디바이스(1100)는 다른 컴퓨팅 디바이스에 구비된 입력 디바이스 또는 출력 디바이스를 입력 디바이스(들)(1140) 또는 출력 디바이스(들)(1150)로서 사용할 수도 있다.

또한, 컴퓨팅 디바이스(1100)는 컴퓨팅 디바이스(1100)가 다른 디바이스(예를 들어, 컴퓨팅 디바이스(1300))와 통신할 수 있게 하는 통신접속(들)(1160)을 포함할 수 있다. 여기서, 통신 접속(들)(1160)은 모뎀, 네트워크 인터페이스 카드(NIC), 통합 네트워크 인터페이스, 무선 주파수 송신기/수신기, 적외선 포트, USB 접속 또는 컴퓨팅 디바이스(1100)를 다른 컴퓨팅 디바이스에 접속시키기 위한 다른 인터페이스를 포함할 수 있다. 또한, 통신 접속(들)(1160)은 유선 접속 또는 무선 접속을 포함할 수 있다.

상술한 컴퓨팅 디바이스(1100)의 각 구성요소는 버스 등의 다양한 상호접속(예를 들어, 주변 구성요소 상호접속(PCI), USB, 펌웨어(IEEE 1394), 광학적 버스 구조 등)에 의해 접속될 수도 있고, 네트워크(1200)에 의해 상호접속될 수도 있다.

본 명세서에서 사용되는 "구성요소", "모듈", "시스템", "인터페이스" 등과 같은 용어들은 일반적으로 하드웨어, 하드웨어와 소프트웨어의 조합, 소프트웨어, 또는 실행중인 소프트웨어인 컴퓨터 관련 엔티티를 지칭하는 것이다. 예를 들어, 구성요소는 프로세서 상에서 실행중인 프로세스, 프로세서, 객체, 실행 가능물(executable), 실행 스레드, 프로그램 및/또는 컴퓨터일 수 있지만, 이것으로 한정되는 것은 아니다. 예를 들어, 컨트롤러 상에서 구동중인 애플리케이션 및 컨트롤러 모두가 구성요소일 수 있다. 하나 이상의 구성요소는 프로세스 및/또는 실행의 스레드 내에 존재할 수 있으며, 구성요소는 하나의 컴퓨터 상에서 로컬화될 수 있고, 둘 이상의 컴퓨터 사이에서 분산될 수도 있다.

본 발명은 전술한 실시예 및 첨부된 도면에 의해 한정되는 것이 아니다. 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 있어, 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 본 발명에 따른 구성요소를 치환, 변형 및 변경할 수 있다는 것이 명백할 것이다.

Claims (6)

1. 가변속 풍력 터빈(VSWT)의 최대 풍력 에너지 추출(MWEE)을 비선형 최적화 문제로 분석 및 공식화하는 공식화 단계;
   반복 최적화 접근법을 통해 발전기 토크 요구량을 최적화하는 최적화 단계;
   동적 제약 구역 설정과 이웃 탐색 기법 적용을 통해 상기 반복 최적화 접근법의 계산 효율을 향상시키는 효율 향상 단계; 및
   상기 최적화된 발전기 토크 요구량의 첫 번째 요소를 컨트롤러 출력으로써 획득 및 제공하는 출력 단계를 포함하는 예측 풍속을 이용한 가변속 풍력 터빈의 최대 풍력 에너지 추출 방법.
2. 제1항에 있어서, 상기 공식화 단계는
   가변속 풍력 터빈 모델의 파워 계수 산출 함수를 정의하는 단계;
   가변속 풍력 터빈 모델의 장기 평가 기간 T을 n(n은 자연수)개의 단기 평가 기간으로 분할한 후, n개의 단기 평가 기간에 기반하여 풍력 에너지 추출 효율 함수와 평균 로터 속도 산출 함수를 재정의하는 단계; 및
   가변속 풍력 터빈 모델의 발전기 토크를 비선형적으로 제약하는 단계를 포함하는 것을 특징으로 하는 예측 풍속을 이용한 가변속 풍력 터빈의 최대 풍력 에너지 추출 방법.
3. 제2항에 있어서, 상기 최적화 단계는
   상기 발전기 토크의 제약 범위를 m(m은 자연수)개 하위 범위로 세분화한 후, m개 하위 범위 각각에 대해 최적화 접근법을 반복적으로 적용하면서, 최적의 발전기 토크 요구량을 산출하는 것을 특징으로 하는 예측 풍속을 이용한 가변속 풍력 터빈의 최대 풍력 에너지 추출 방법.
4. 제3항에 있어서, 상기 최적화 접근법은
   n개의 예측 풍속 시퀸스를 획득하는 단계;
   발전기 토크의 제어 주기(k=1,2,..., n)를 순차 선택하면서, n개의 발전기 토크 시퀀스를 산출하는 단계;
   n개의 예측 풍속 시퀸스와 발전기 토크 시퀀스, k+1 번째 제어 주기에서의 평균 로터 속도를 평균 로터 속도 산출 함수에 순차 적용하여, n개의 로터 속도 시퀀스를 예측하는 단계; 및
   n개의 로터 속도 시퀀스와 n개의 예측 풍속 시퀸스를 풍력 에너지 추출 효율 함수에 순차 적용하여 n개의 발전기 토크 요구량을 획득 및 비교한 후, 가장 큰 값의 발전기 토크 요구량을 최적값으로 선택 및 업데이트하는 단계를 포함하는 것을 특징으로 하는 예측 풍속을 이용한 가변속 풍력 터빈의 최대 풍력 에너지 추출 방법.
5. 제4항에 있어서, 상기 효율 향상 단계는
   "표준" 최적 토크에 기반하여 발전기 토크 요구량의 최소치와 최대치를 제약하는 단계; 및
   상기 이웃 탐색 기법을 통해 상기 최적화 접근법의 복잡도를 mⁿ에서 m*m_p ^n-1(m_p< m)로 감소시키는 단계를 포함하는 것을 특징으로 하는 예측 풍속을 이용한 가변속 풍력 터빈의 최대 풍력 에너지 추출 방법.
6. 제5항에 있어서, 상기 효율 향상 단계는
   상기 m_p는 풍속 변화 정도와 계산 부하를 고려하여 결정 또는 가변될 수 있는 것을 특징으로 하는 예측 풍속을 이용한 가변속 풍력 터빈의 최대 풍력 에너지 추출 방법.

Images