KR102309596B1 - 미래 풍황 예측을 통한 풍력발전 시스템 및 풍력발전기 제어방법 - Google Patents

미래 풍황 예측을 통한 풍력발전 시스템 및 풍력발전기 제어방법 Download PDF

Info

Publication number
KR102309596B1
KR102309596B1 KR1020200186619A KR20200186619A KR102309596B1 KR 102309596 B1 KR102309596 B1 KR 102309596B1 KR 1020200186619 A KR1020200186619 A KR 1020200186619A KR 20200186619 A KR20200186619 A KR 20200186619A KR 102309596 B1 KR102309596 B1 KR 102309596B1
Authority
KR
South Korea
Prior art keywords
wind
power generator
wind power
control
condition data
Prior art date
Application number
KR1020200186619A
Other languages
English (en)
Inventor
유동현
김태완
김세진
송정환
Original Assignee
포항공과대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 포항공과대학교 산학협력단 filed Critical 포항공과대학교 산학협력단
Priority to KR1020200186619A priority Critical patent/KR102309596B1/ko
Priority to US17/230,235 priority patent/US20220205425A1/en
Application granted granted Critical
Publication of KR102309596B1 publication Critical patent/KR102309596B1/ko

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D7/00—Controlling wind motors 
    • F03D7/02—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor
    • F03D7/04—Automatic control; Regulation
    • F03D7/042—Automatic control; Regulation by means of an electrical or electronic controller
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D7/00—Controlling wind motors 
    • F03D7/02—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor
    • F03D7/04—Automatic control; Regulation
    • F03D7/042—Automatic control; Regulation by means of an electrical or electronic controller
    • F03D7/043—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic
    • F03D7/046—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic with learning or adaptive control, e.g. self-tuning, fuzzy logic or neural network
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D7/00—Controlling wind motors 
    • F03D7/02—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor
    • F03D7/04—Automatic control; Regulation
    • F03D7/042—Automatic control; Regulation by means of an electrical or electronic controller
    • F03D7/043—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic
    • F03D7/045—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic with model-based controls
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
    • G05B19/0426—Programming the control sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D7/00—Controlling wind motors 
    • F03D7/02—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor
    • F03D7/028—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor controlling wind motor output power
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2260/00—Function
    • F05B2260/82—Forecasts
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2260/00—Function
    • F05B2260/82—Forecasts
    • F05B2260/821—Parameter estimation or prediction
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2270/00—Control
    • F05B2270/10—Purpose of the control system
    • F05B2270/101—Purpose of the control system to control rotational speed (n)
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2270/00—Control
    • F05B2270/10—Purpose of the control system
    • F05B2270/103—Purpose of the control system to affect the output of the engine
    • F05B2270/1033—Power (if explicitly mentioned)
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2270/00—Control
    • F05B2270/10—Purpose of the control system
    • F05B2270/20—Purpose of the control system to optimise the performance of a machine
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2270/00—Control
    • F05B2270/30—Control parameters, e.g. input parameters
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2270/00—Control
    • F05B2270/30—Control parameters, e.g. input parameters
    • F05B2270/32—Wind speeds
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2270/00—Control
    • F05B2270/40—Type of control system
    • F05B2270/404—Type of control system active, predictive, or anticipative
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2270/00—Control
    • F05B2270/70—Type of control algorithm
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2270/00—Control
    • F05B2270/70—Type of control algorithm
    • F05B2270/709—Type of control algorithm with neural networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/72—Wind turbines with rotation axis in wind direction
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Combustion & Propulsion (AREA)
  • Chemical & Material Sciences (AREA)
  • Sustainable Energy (AREA)
  • Sustainable Development (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Theoretical Computer Science (AREA)
  • Wind Motors (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)

Abstract

본 발명은, 풍력발전기, 풍력발전기를 기준위치로 하여 소정 거리 이격되어 구비되며, 시계열 풍황 데이터를 측정하는 복수의 풍황 측정 센서, 풍황 측정 센서로부터 측정된 시계열 풍황 데이터로부터 기준위치에서 미래의 예측 풍황 데이터를 생성하는 예측 풍황 데이터 생성부, 예측 풍황 데이터에 근거하여 풍력발전기의 발전효율을 증가시킬 수 있도록 풍력발전기에 적용되는 제어 알고리즘을 학습시켜 제어 변수를 생성하는 제어 알고리즘 학습부, 제어 변수에 따라 풍력발전기를 제어하는 제어부를 포함하는 미래 풍황 예측을 통한 풍력발전 시스템 및 풍력발전기 제어방법에 관한 것이다.
본 발명에 따라 풍력발전기와 인공지능 모델의 정보 교환을 통해 인공지능 모델이 풍력발전기의 발전량, 발전 효율, 제어 변수의 상태 등을 입력 정보로 받아들이기 때문에 전력 계수가 주어지지 않은 풍력발전기에 대해서도 인공지능 모델을 활용한 제어를 일반화하여 적용할 수 있다.

Description

미래 풍황 예측을 통한 풍력발전 시스템 및 풍력발전기 제어방법{WIND TURBINE SYSTEM USING WIND CONDITIONS PREDICTED BY ARTIFICIAL INTELLIGENCE FOR THE MAXIMUM POWER PRODUCTION AND CONTROL METHOD FOR THAT}
본 발명은 미래 풍황 예측을 통한 풍력발전 시스템 및 풍력발전기 제어방법에 관한 것이며, 보다 상세하게는 발전효율을 최대화하기 위한 미래 풍황 예측 인공지능 모델을 활용한 풍력발전기 제어 알고리즘에 관한 것이다.
풍력발전기는 공기의 운동에너지를 전기에너지로 변환하는 장치이다. 풍력발전기는 무한한 에너지인 풍력을 이용한다는 점에서 친환경 발전기의 하나로 널리 이용되고 있다.
종래의 풍력발전기의 제어 알고리즘은 이론적으로 모델링한 전력 계수 곡선과 현재 측정한 풍황 및 풍력발전기의 회전 속도를 사용한다. 이 경우, 이론적으로 풍력발전기의 효율을 극대화 시킬 수 있다고 알려져 있다. 하지만 제어 알고리즘이 모두 풍향 및 풍속이 크게 변하지 않는다고 가정하여 현재 측정된 유동 정보를 사용하기 때문에 이로 인해 이론적인 제어 효율과 실제 적용 시 측정된 제어 효율의 차이를 보인다. 국내외에서는 풍황의 불안정한 난류 효과로 인한 풍력발전기 제어 성능 감소 문제를 해결하고자 현재 측정된 풍황에 대해 피치/요/틸트 제어의 안정성을 높이는 방향의 연구가 진행되었다.
이러한 종래의 풍력발전기와 관련하여 대한민국 공개특허 제20170052339호가 개시되어 있다. 이러한 종래의 풍력발전기는 실시간 제어시 급격한 풍향의 변화 등에 빠르게 대응할 수 있도록 개발되어 왔다.
그러나, 이러한 종래기술은 현재 측정된 풍황 정보만을 사용하기 때문에 시간에 따라 불안정하게 변하는 풍황에 의한 발전 효율을 증가시키는 것에 한계가 있는 문제점이 있었다.
대한민국 공개특허 제20170052339호
본 발명은 전술한 종래의 풍력발전기 제어의 한계를 극복할 수 있도록 미래 풍황 예측을 기반으로 풍력발전기를 제어하여 발전 효율을 극대화할 수 있는 미래 풍황 예측을 통한 풍력발전 시스템 및 풍력발전기 제어방법을 제공하는 것에 목적이 있다.
상기 과제의 해결 수단으로서, 풍력발전기, 풍력발전기를 기준위치로 하여 소정 거리 이격되어 구비되며, 시계열 풍황 데이터를 측정하는 복수의 풍황 측정 센서, 풍황 측정 센서로부터 측정된 시계열 풍황 데이터로부터 기준위치에서 미래의 예측 풍황 데이터를 생성하는 예측 풍황 데이터 생성부, 예측 풍황 데이터에 근거하여 풍력발전기의 발전효율을 증가시킬 수 있도록 풍력발전기에 적용되는 제어 알고리즘을 학습시켜 제어 변수를 생성하는 제어 알고리즘 학습부, 제어 변수에 따라 풍력발전기를 제어하는 제어부를 포함하는 미래 풍황 예측을 통한 풍력발전 시스템이 제공될 수 있다.
한편, 예측 풍황 데이터 생성부는 생성적적대신경망(GANs, Generative Adversarial Networks)으로 학습하여 미래의 예측 풍황 데이터를 생성할 수 있다.
한편, 제어 알고리즘 학습부는, 풍력발전기의 현재 상태에 대한 데이터를 풍력발전기로부터 수신하며, 제어 변수의 변화에 따른 발전효율의 변화를 학습시킬 수 있다.
또한, 제어 알고리즘 학습부는, 손실 함수(Loss Function)의 형태로 발전량의 변화를 피드백하며, 손실 함수에 의한 결과 값이 가장 작아지는 방향으로 제어 변수를 설정할 수 있다.
이때, 제어 변수는, 풍력발전기의 블레이드의 피치(pitch) 및 회전속도, 타워의 요(yaw) 각도 및 틸트(tilt) 각도 중 적어도 하나를 포함할 수 있다.
또한, 제어 알고리즘 학습부는 인공지능을 심층 결정론적 정책 경사법(DDPG,Deep Deterministic Policy Gradient)으로 학습시킬 수 있다.
한편, 제어부는 풍력발전기에 구비된 센서로부터 현재 풍황을 측정하며, 예측 풍황데이터와 현재 풍황 값의 오차를 반영하여 풍력발전기를 제어할 수 있다.
추가로, 풍력발전기가 설치된 기준위치로부터 소정거리 내의 다 지점에서 시계열 풍황데이터를 측정하는 단계, 시계열 풍황데이터를 근거로 현재 시점 이후의 기준위치에서의 예측 풍황 데이터를 생성하는 단계, 예측 풍황 데이터에 근거하여 풍력발전기의 발전효율을 증가시킬 수 있도록 풍력발전기에 적용되는 제어 알고리즘을 학습시켜 제어 변수를 생성하는 단계 및 생성된 제어 변수를 근거로 풍력발전기를 제어하는 단계를 포함하는 미래 풍황 예측을 통한 풍력발전기 제어방법이 제공될 수 있다.
한편, 예측 풍황데이터는 생성적적대신경망(GANs, Generative Adversarial Networks)을 근거로 생성된 현재로부터 미래의 일정기간동안의 풍황에 대한 정보를 포함할 수 있다.
이때, 제어 알고리즘의 학습은, 풍력발전기의 현재 상태에 대한 데이터를 풍력발전기로부터 수신하며, 제어 변수의 변화에 따른 발전효율의 변화를 기반으로 수행될 수 있다.
한편, 제어 알고리즘의 학습은, 손실 함수(Loss Function)의 형태로 발전량의 변화를 피드백하며, 손실 함수에 의한 결과 값이 가장 작아지는 방향으로 제어 변수를 설정하도록 수행될 수 있다.
이때, 제어 변수는, 풍력발전기의 블레이드의 피치(pitch) 및 회전속도, 타워의 요(yaw) 각도 및 틸트(tilt) 각도 중 적어도 하나를 포함할 수 있다.
한편, 제어 알고리즘의 학습은 인공지능을 심층 결정론적 정책 경사법(DDPG,Deep Deterministic Policy Gradient)으로 학습시켜 수행될 수 있다.
한편, 풍력발전기를 제어하는 단계는 풍력발전기에 구비된 센서로부터 현재 풍황을 측정하며, 예측 풍황데이터와 현재 풍황 값의 오차를 반영하여 제어 변수를 갱신할 수 있다.
본 발명에 따른 미래 풍황 예측을 통한 풍력발전 시스템 및 미래 풍황 예측을 통한 풍력발전기 제어 방법은 예측 인공지능 모델을 활용하여 풍력발전기를 포함하는 지역에서의 시간 변화에 따른 풍황 데이터를 미리 얻을 수 있다. 풍황 예측 인공지능 모델은 해당 지역에서의 풍황을 지속적으로 학습하며, 따라서 높은 신뢰도를 가지는 풍황 데이터를 제공할 수 있다.
풍력발전기 제어를 위한 인공지능 모델을 활용하여 예측 풍황 조건에 대하여 풍력발전기의 효율을 최대화하는 제어 알고리즘을 도출할 수 있다. 현재 풍황 조건뿐만 아니라 미래 풍황 조건도 사용하기 때문에 시간 변화에 따른 안정적인 제어가 가능하며 예측 풍황 및 실제 풍황 오차에 대해서도 강건한 제어를 수행할 수 있다.
풍력발전기와 인공지능 모델의 정보 교환을 통해 인공지능 모델이 풍력발전기의 발전량, 발전 효율, 제어 변수의 상태 등을 입력 정보로 받아들이기 때문에 전력 계수가 주어지지 않은 풍력발전기에 대해서도 인공지능 모델을 활용한 제어를 일반화하여 적용할 수 있다.
도 1은 풍력발전기의 조절에 대한 개념도이다.
도 2는 본 발명에 따른 일 실시예인 미래 풍황 예측을 통한 풍력발전 시스템의 블록도이다.
도 3은 미래 풍황 예측 인공지능 모델의 개념도이다.
도 4는 제어 알고리즘 결정 인공지능 모델의 개념도이다.
도 5는 본 발명에 따른 일 실시예인 미래 풍황 예측을 통한 풍력발전기 제어방법의 순서이다.
이하, 본 발명의 실시 예에 따른 미래 풍황 예측을 통한 풍력발전 시스템 및 풍력발전기 제어방법에 대하여, 첨부된 도면을 참조하여 상세히 설명한다. 그리고 이하의 실시예의 설명에서 각각의 구성요소의 명칭은 당업계에서 다른 명칭으로 호칭될 수 있다. 그러나 이들의 기능적 유사성 및 동일성이 있다면 변형된 실시예를 채용하더라도 균등한 구성으로 볼 수 있다. 또한 각각의 구성요소에 부가된 부호는 설명의 편의를 위하여 기재된다. 그러나 이들 부호가 기재된 도면상의 도시 내용이 각각의 구성요소를 도면내의 범위로 한정하지 않는다. 마찬가지로 도면상의 구성을 일부 변형한 실시예가 채용되더라도 기능적 유사성 및 동일성이 있다면 균등한 구성으로 볼 수 있다. 또한 당해 기술 분야의 일반적인 기술자 수준에 비추어 보아, 당연히 포함되어야 할 구성요소로 인정되는 경우, 이에 대하여는 설명을 생략한다.
도 1은 풍력발전기의 조절에 대한 개념도이다.
도 1을 참조하면, 풍력발전기는 풍속 및 풍향에 맞추어 발전 효율을 극대화할 수 있도록 발전기의 각도조절(YAW, TILT) 및 블레이드의 각도(PITCH) 및 회전속도를 조절할 수 있도록 구성된다.
종래의 풍력발전기는 현재 측정된 풍황 정보를 이용하여 발전 효율을 조절하는 제어 알고리즘을 사용한다. 이 때 풍황이 시간에 따라 크게 변하지 않는다고 가정한 제어 알고리즘을 사용하기 때문에 실제 제어 적용 시 측정된 효율은 이론적인 효율 대비 낮은 값을 보인다. 높은 발전량을 얻을 수 있는 빠른 풍속의 바람 구간은 시간에 따른 풍황의 변화가 크기 때문에 실제 발전량과 이론적인 발전량의 차이는 더욱 크다. 또한, 풍속이 정격 풍속 대비 빠른 경우 정격 발전량을 유지하는 피치 제어 알고리즘을 사용하지만 급격히 변하는 풍속에 실시간으로 제어되기 어려워 풍력발전기의 구조적 안정성에 악영향을 미치는 문제점이 있다.
도 2는 본 발명에 따른 일 실시예인 미래 풍황 예측을 통한 풍력발전 시스템의 블록도이다.
도 2를 참조하면, 전술한 종래의 문제점을 해결할 수 있는 본 발명에 따른 일 실시예인 미래 풍황 예측을 통한 풍력발전 시스템은 풍력발전기(40), 풍황 측정 센서(10), 예측 풍황 데이터 생성부(20), 제어 알고리즘 학습부(30) 및 제어부(41)를 포함하여 구성될 수 있다.
풍력발전기(40)는 도 1에서 설명한 종래의 풍력발전기(40)로 구성될 수 있다. 풍력발전기(40)는 각도 조절 및 블레이드의 회전속도와 피치 각도가 조절될 수 있도록 구성될 수 있다. 또한 풍력발전기(40)는 기준위치에 설치되며, 기준위치의 바람 방향 및 바람 세기를 측정할 수 있는 내부 센서(43)를 포함하여 구성될 수 있다. 풍력발전기(40)는 후술할 제어부(41)를 포함할 수 있으며, 자세 조절 및 블레이드의 조절을 위한 구동부(42)가 구비될 수 있다. 한편 복수의 풍력발전기(40)가 시스템상에 구비된 경우 서로 다른 지점에 설치된 풍력발전기(40) 각각의 내부 센서(43)가 풍황 측정 센서(10)로서 기능할 수 있다. 다만, 이러한 풍력발전기(40)의 구성은 일반적으로 널리 쓰이는 전력 발전을 위한 제너레이터 및 풍력발전기(40)의 구성을 포함하여 구성될 수 있으므로 더 이상의 상세한 설명은 생략하도록 한다.
풍황 측정 센서(10)는 전술한 풍력발전기(40)가 위치한 지점을 기준위치로 하여 기준위치로부터 이격된 복수의 지점에 구비될 수 있다. 다수의 지점에서 현재의 풍황에 대한 데이터를 측정할 수 있다. 풍황 측정 센서(10)는 일예로서, 풍향풍속계, 피토튜브 등의 널리 풍향을 측정하기 위해 사용되는 구성으로 이루어질 수 있다.
예측 풍황 데이터 생성부(20)는 복수의 풍향 측정 센서(10)로부터 데이터를 수신하고 미래에 대한 예측 풍황 데이터를 생성할 수 있도록 구성된다. 이때 예측 풍황 데이터는 인공지능을 학습시켜 생성될 수 있다. 이에 대하여는 차후 도 3을 참조하여 상세히 설명하도록 한다.
제어 알고리즘 학습부(30)는 전술한 예측 풍황 데이터 생성부(20)로부터 생성된 예측 풍황 데이터를 기반으로 풍력발전기(40)의 제어 알고리즘을 생성할 수 있도록 구성된다. 제어 알고리즘 학습부(30)는 예측 풍황 데이터에 풍력발전기(40)의 전력 생산 효율을 극대화할 수 있는 방향으로 제어 알고리즘을 학습할 수 있다. 한편 이에 대하여는 차후 도 4를 참조하여 상세히 설명하도록 한다.
제어부(41)는 제어 알고리즘 학습부(30)가 학습한 이후 예측 풍황 데이터에 따라 새롭게 생성한 제어변수를 입력받고 풍력발전기(40)를 제어할 수 있도록 구성된다. 제어부(41)의 출력에 따라 일 예로서, 구동부(42)가 구동되어 풍력발생기의 자세(YAW, TILT)가 조절되거나, 블레이드의 각도 또는 회전속도가 조절될 수 있다.
이하에서는 도 3을 참조하여, 예측 풍황 데이터 생성부(20)에 대하여 상세히 설명하도록 한다.
도 3은 미래 풍황 예측 인공지능 모델의 개념도이다.
도 3을 참조하면, 예측 풍황 데이터 생성부(20)는 인공지능을 학습시켜 실시간으로 변하는 풍황을 근거로 미래의 풍황을 예측할 수 있도록 구성된다. 예측 풍황 데이터 생성부(20)는 일 예로 생성적적대신경망(GANs, Generative Adversarial Networks)을 이용하여 학습될 수 있다. 이때 복수의 지점에서 풍황 측정 센서(10)에 의해 측정된 시계열 풍황 데이터를 이용하여 바람이 가진 시공간적 특성을 학습할 수 있도록 하여 미래 풍황을 높은 정확도로 예측한다.
한편, 바람의 흐름을 나타내는 유체의 나비에-스톡크스 지배 방정식은 시간과 공간에 대한 함수이기 때문에, 풍황 예측의 정확도 향상을 위해 다 지점에서 측정된 시계열 풍황 데이터를 이용한다. 예측 풍황 데이터 생성부(20)에 구비된 인공지능 모델은 데이터를 원본 대비 작은 크기로 공간산 및 시간상으로 무수히 많이 추출한 뒤 사용하게 된다. 이를 통해 해당 풍황 데이터가 가지고 있는 공간 및 시간적 특성을 효과적으로 학습하고 데이터를 병렬화 하는 효과를 얻어 전산 비용 상 효율적으로 학습을 수행할 수 있게 된다.
예측 풍황 데이터를 이용하는 경우 급격한 풍황의 변화가 예측되는 경우 이에 대응하여 빠르게 대응이 이루어 질 수 있으나, 풍황이 급격하게 변할수록 예측 풍황 데이터의 신뢰도가 낮아진다. 즉, 이 경우 오차가 커지게 된다. 이때 오차를 포함하는 미래 예측값은 오차에 강건한 제어 모델을 생성함으로써 고효율을 유지할 수 있다. 다만, 강건한 제어 인공지능 모델을 생성하더라도 예측 풍황 데이터는 실제와 오차가 작을수록 바람직하다.
예측 풍황 데이터 생성부(20)는 이와 같이 인공지능을 이용하여 다수의 지점에서 측정된 과거와 현재 풍황 데이터를 근거로 신뢰도 높은 미래의 예측 풍황 데이터를 생성하고 제어 알고리즘 생성부로 전송하게 된다.
이하에서는 도 4를 참조하여 제어 알고리즘 학습부(30)에 대하여 설명하도록 한다.
도 4는 제어 알고리즘 결정 인공지능 모델의 개념도이다.
도 4를 참조하면, 제어 알고리즘 학습부(30)는 현재 상태(STATE)를 입력으로 하여 제어 값(ACTION)을 지정할 수 있도록 구성된다. 제어 알고리즘 학습부(30)는 풍력발전기(40)의 구조에 따라 전력 계수의 그래프 개형이 달라지기 때문에 입력으로 사용하는 상태가 달라져야 풍력발전기(40)의 최대 발전량을 얻는 제어 알고리즘을 학습할 수 있다.
일 예로, 풍력발전기(40)의 블레이드 피치 각도 및 회전 속도, 타워의 요 각도 및 틸트 각도, 현재 발전 효율을 상태(STATE)로 사용할 수 있으며, 이 때의 제어 값(ACTION)이 지정되면 제어 값에 따라 현재의 풍력발전기(40)의 상태가 다시 달라질 수 있다.
이때 제어 인공지능 학습부는 학습하여 생성한 제어 알고리즘이 예측 풍향 데이터를 근거로 풍력 발전기를 제어할 때 실제 발전량에 어떠한 변화를 일으키는지 정보를 수집할 수 있게 된다.
제어 알고리즘 학습부(30)는 손실함수(LOSS FUNCTION)의 형태로 제어 알고리즘에 따른 발전량의 변화를 피드백받을 수 있다. 제어 알고리즘 학습부(30)는 이러한 손실함수가 미래의 전체 기간 동안 가장 작아지는 방향으로 제어 알고리즘을 결정하게 된다.
일 예로서, 제어 알고리즘 학습부(30)는 전술한 바와 같이, 예측 풍황 데이터가 실제 풍황 데이터에 대한 오차를 포함하고 있어, 오차에 강건한 인공지능 모델을 이용하여 제어 알고리즘을 생성할 수 있다. 여기서 제어 알고리즘은 일 예로서, 강화 학습의 일환인 심층 결정론적 정책 경사법(DDPG, Deep Deterministic Policy Gradient)을 사용하여 제어 알고리즘을 생성할 수 있다. 제어 알고리즘이 생성되면, 예측 풍황 데이터를 근거로 현재 제어를 위한 제어 변수를 생성하고, 풍력발전기(40)에 전송할 수 있다. 풍력발전기(40)에서는 전송받은 제어 변수를 근거로 구동부(42)를 제어하여 전력효율을 극대화 할 수 있다. 이때 내부 센서(43)에 의해 기준위치, 즉 실제 풍력발전기(40)에서 풍황 데이터와의 오차를 반영하여 제어가 수행될 수 있다.
이하에서는 도 5를 참조하여 본 발명에 따른 다른 실시예인 미래 풍황 예측을 통한 풍력발전기 제어방법에 대하여 설명하도록 한다.
도 5는 본 발명에 따른 일 실시예인 미래 풍황 예측을 통한 풍력발전기 제어방법의 순서이다.
도 5를 참조하면, 본 발명에 따른 미래 풍황 예측을 통한 풍력발전기 제어방법은 다 지점에서 시계열 풍황데이터를 측정하는 단계(S100), 기준위치에서의 예측 풍황 데이터를 생성하는 단계(S200), 풍력발전기에 적용되는 제어 알고리즘을 학습시키켜 제어 변수를 생성하는 단계(S300) 및 풍력발전기를 제어하는 단계(S400)를 포함하여 구성될 수 있다.
다 지점에서 시계열 풍황데이터를 측정하는 단계(S100)는 풍력발전기가 설치된 기준위치로부터 소정거리 이격된 복수의 지점에서 과거와 현재의 시계열 풍황 데이터를 수집하는 단계에 해당한다.
기준위치에서의 예측 풍황 데이터를 생성하는 단계(S200)는 시계열 풍황 데이터를 근거로 현재 시점 이후의 기준위치에서 미래에 예측되는 풍황 데이터를 생성하는 단계에 해당한다. 본 단계(S200)는 도 3에서 설명한 인공지능을 학습시켜 수행될 수 있다. 일 예로서, 예측 풍황 데이터 생성부는 인공지능을 학습시켜 실시간으로 변하는 풍황을 근거로 미래의 풍황을 예측할 수 있도록 구성된다. 예측 풍황 데이터 생성부는 일 예로 생성적적대신경망(GANs, Generative Adversarial Networks)을 이용하여 학습될 수 있다. 이때 복수의 지점에서 풍황 센서에 의해 측정된 시계열 풍황 데이터를 이용하여 바람이 가진 시공간적 특성을 학습할 수 있도록 하여 미래 풍황을 높은 정확도로 예측할 수 있다.
풍력발전기에 적용되는 제어 알고리즘을 학습시켜 제어 변수를 생성하는 단계(S300)는 인공지능 모델은 현재 상태(STATE)를 전달받아 제어 값(ACTION)을 지정하게 되며, 풍력발전기의 구조에 따라 전력 계수의 그래프 개형이 달라지게 되므로, 입력으로 사용하는 상태를 변화시켜가면서 학습을 수행한다. 이때 입력으로 사용하는 상태는 예측 풍황 데이터로부터 획득한 데이터 및 이로 인한 풍력발전기의 상태가 될 수 있다. 이때 제어 값은 현재 상태를 바꾸게 되며, 예측 풍황 데이터를 이용하여 제어 알고리즘을 설계할 때 발전량에 어떤 변화를 일으키는지 실시간으로 정보를 수집하고 학습할 수 있다. 한편, 이러한 AI의 학습은 전술한 바와 같이 강화 학습의 일환인 심층 결정론적 정책 경사법(DDPG, Deep Deterministic Policy Gradient)이 사용될 수 있다.
학습에 의해 제어 알고리즘이 생성되면, 제어 알고리즘 및 예측 풍황데이터를 기반으로 제어 변수를 생성하게 된다. 생성된 제어 변수는 풍력발전기로 전송된다.
풍력발전기를 제어하는 단계(S400)는 전송받은 제어 변수를 기반으로 구동기를 조절하여 풍력발전기의 방향/자세 그리고 플레이드의 각도 및 회전 속도 중 적어도 하나를 조절하는 단계에 해당한다. 이때 풍력 발전기 내에 구비된 내부 센서에서 피드백된 신호를 기반으로 제어가 이루어질 수 있다. 이때 피드백 신호를 기반으로 제어 변수가 갱신되어 제어가 수행될 수 있다.
이상에서 설명한 바와 같이 본 발명에 따른 미래 풍황 예측을 통한 풍력발전 시스템 및 미래 풍황 예측을 통한 풍력발전기 제어 방법은 예측 인공지능 모델을 활용하여 풍력발전기를 포함하는 지역에서의 시간 변화에 따른 풍황 데이터를 미리 얻을 수 있다. 풍황 예측 인공지능 모델은 해당 지역에서의 풍황을 지속적으로 학습하며, 따라서 높은 신뢰도를 가지는 풍황 데이터를 제공할 수 있다.
풍력발전기 제어를 위한 인공지능 모델을 활용하여 예측 풍황 조건에 대하여 풍력발전기의 효율을 최대화하는 제어 알고리즘을 도출할 수 있다. 현재 풍황 조건뿐만 아니라 미래 풍황 조건도 사용하기 때문에 시간 변화에 따른 안정적인 제어가 가능하며 예측 풍황 및 실제 풍황 오차에 대해서도 강건한 제어를 수행할 수 있다.
풍력발전기와 인공지능 모델의 정보 교환을 통해 인공지능 모델이 풍력발전기의 발전량, 발전 효율, 제어 변수의 상태 등을 입력 정보로 받아들이기 때문에 전력 계수가 주어지지 않은 풍력발전기에 대해서도 인공지능 모델을 활용한 제어를 일반화하여 적용할 수 있다.
10: 풍황 센서
20: 예측 풍황 데이터 생성부
30: 제어 알고리즘 학습부
40: 풍력발전기
S100: 다 지점에서 시계열 풍황 데이터를 측정하는 단계
S200: 기준위치에서의 예측 풍황 데이터를 생성하는 단계
S300: 풍력발전기에 적용되는 제어 알고리즘을 학습시켜 제어 변수를 생성하는 단계
S400: 풍력발전기를 제어하는 단계

Claims (14)

  1. 풍력발전기;
    상기 풍력발전기를 기준위치로 하여 소정 거리 이격되어 구비되며, 시계열 풍황 데이터를 측정하는 복수의 풍황 측정 센서;
    상기 풍황 측정 센서로부터 측정된 시계열 풍황 데이터로부터 기준위치에서 미래의 예측 풍황 데이터를 생성하는 예측 풍황 데이터 생성부;
    상기 예측 풍황 데이터에 근거하여 상기 풍력발전기의 발전효율을 증가시킬 수 있도록 상기 풍력발전기에 적용되는 제어 알고리즘을 학습시켜 제어 변수를 생성하는 제어 알고리즘 학습부; 및
    상기 제어 변수에 따라 상기 풍력발전기를 제어하는 제어부를 포함하며,
    상기 제어 변수는,
    상기 풍력발전기의 블레이드의 피치(pitch) 및 회전속도, 타워의 요(yaw) 각도 및 틸트(tilt) 각도 중 적어도 하나를 포함하며,
    상기 제어 알고리즘 학습부는,
    손실 함수(Loss Function)의 형태로 발전량의 변화를 피드백하며,
    상기 손실 함수에 의한 결과값이 가장 작아지는 방향으로 상기 제어 변수를 설정하는 미래 풍황 예측을 통한 풍력발전 시스템.
  2. 제1 항에 있어서,
    상기 예측 풍황데이터 생성부는 생성적적대신경망(GANs, Generative Adversarial Networks)으로 학습하여 미래의 예측 풍황 데이터를 생성하는 미래 풍황 예측을 통한 풍력발전 시스템.
  3. 제2 항에 있어서,
    상기 제어 알고리즘 학습부는,
    상기 풍력발전기의 현재 상태에 대한 데이터를 상기 풍력발전기로부터 수신하며,
    상기 제어 변수의 변화에 따른 발전효율의 변화를 학습시키는 미래 풍황 예측을 통한 풍력발전 시스템.
  4. 삭제
  5. 삭제
  6. 제3 항에 있어서,
    상기 제어 알고리즘 학습부는 인공지능을 심층 결정론적 정책 경사법(DDPG,Deep Deterministic Policy Gradient)으로 학습시키는 미래 풍황 예측을 통한 풍력발전 시스템.
  7. 제1 항에 있어서,
    상기 제어부는 상기 풍력발전기에 구비된 센서로부터 현재 풍황을 측정하며,
    상기 예측 풍황 데이터와 상기 현재 풍황 값의 오차를 반영하여 상기 풍력발전기를 제어하는 미래 풍황 예측을 통한 풍력발전 시스템.
  8. 풍력발전기가 설치된 기준위치로부터 소정거리 내의 다 지점에서 시계열 풍황 데이터를 측정하는 단계;
    상기 시계열 풍황 데이터를 근거로 현재 시점 이후의 상기 기준위치에서의 예측 풍황 데이터를 생성하는 단계;
    상기 예측 풍황 데이터에 근거하여 상기 풍력발전기의 발전효율을 증가시킬 수 있도록 상기 풍력발전기에 적용되는 제어 알고리즘을 학습시켜 제어 변수를 생성하는 단계; 및
    상기 생성된 제어 변수를 근거로 상기 풍력발전기를 제어하는 단계를 포함하며,
    상기 제어 변수는,
    상기 풍력발전기의 블레이드의 피치(pitch) 및 회전속도, 타워의 요(yaw) 각도 및 틸트(tilt) 각도 중 적어도 하나를 포함하며,
    상기 제어 알고리즘의 학습은,
    손실 함수(Loss Function)의 형태로 발전량의 변화를 피드백하며,
    상기 손실 함수에 의한 결과값이 가장 작아지는 방향으로 상기 제어 변수를 설정하도록 수행되는 미래 풍황 예측을 통한 풍력발전기 제어방법.
  9. 제8 항에 있어서,
    상기 예측 풍황 데이터는 생성적적대신경망(GANs, Generative Adversarial Networks)을 근거로 생성된 현재로부터 미래의 일정기간동안의 풍황에 대한 정보를 포함하는 미래 풍황 예측을 통한 풍력발전기 제어방법.
  10. 제9 항에 있어서,
    상기 제어 알고리즘의 학습은,
    상기 풍력발전기의 현재 상태에 대한 데이터를 상기 풍력발전기로부터 수신하며,
    상기 제어 변수의 변화에 따른 발전효율의 변화를 기반으로 수행되는 미래 풍황 예측을 통한 풍력발전기 제어방법.
  11. 삭제
  12. 삭제
  13. 제10 항에 있어서,
    상기 제어 알고리즘의 학습은 인공지능을 심층 결정론적 정책 경사법(DDPG,Deep Deterministic Policy Gradient)으로 학습시켜 수행되는 미래 풍황 예측을 통한 풍력발전기 제어방법.
  14. 제8 항에 있어서,
    상기 풍력발전기를 제어하는 단계는 상기 풍력발전기에 구비된 센서로부터 현재 풍황을 측정하며,
    상기 예측 풍황 데이터와 상기 현재 풍황 값의 오차를 반영하여 상기 제어 변수를 갱신하는 미래 풍황 예측을 통한 풍력발전기 제어방법.

KR1020200186619A 2020-12-29 2020-12-29 미래 풍황 예측을 통한 풍력발전 시스템 및 풍력발전기 제어방법 KR102309596B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020200186619A KR102309596B1 (ko) 2020-12-29 2020-12-29 미래 풍황 예측을 통한 풍력발전 시스템 및 풍력발전기 제어방법
US17/230,235 US20220205425A1 (en) 2020-12-29 2021-04-14 Wind turbine system using predicted wind conditions and method of controlling wind turbine

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200186619A KR102309596B1 (ko) 2020-12-29 2020-12-29 미래 풍황 예측을 통한 풍력발전 시스템 및 풍력발전기 제어방법

Publications (1)

Publication Number Publication Date
KR102309596B1 true KR102309596B1 (ko) 2021-10-06

Family

ID=78077088

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200186619A KR102309596B1 (ko) 2020-12-29 2020-12-29 미래 풍황 예측을 통한 풍력발전 시스템 및 풍력발전기 제어방법

Country Status (2)

Country Link
US (1) US20220205425A1 (ko)
KR (1) KR102309596B1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230083860A (ko) * 2021-12-03 2023-06-12 전기은 인공지능을 통한 기후 예측에 기반한 발전기 제어시스템 및 방법
KR20240014649A (ko) * 2022-07-25 2024-02-02 전기은 인공지능 기반의 자동 제동장치를 구비한 풍력발전장치
KR20240039356A (ko) * 2022-09-19 2024-03-26 전기은 소형 풍력발전장치

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114362175B (zh) * 2022-03-10 2022-06-07 山东大学 基于深度确定性策略梯度算法的风电功率预测方法及系统
CN115330092B (zh) * 2022-10-13 2023-03-24 山东东盛澜渔业有限公司 基于人工智能的海洋牧场再生能源供能控制方法
WO2024133789A1 (en) * 2022-12-23 2024-06-27 Totalenergies Onetech A method for determining dynamic time series for each wind turbine of a wind farm
CN116146421B (zh) * 2023-03-08 2024-08-30 大唐凉山新能源有限公司 一种基于风机状态感知的智能控制方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000087841A (ja) * 1998-09-09 2000-03-28 Toshiba Corp 風力発電システム
JP2008064081A (ja) * 2006-09-08 2008-03-21 Yoshito Hirata 任意の観測地点数に対応した風況予測制御による地域型風力発電システム
JP2013222423A (ja) * 2012-04-19 2013-10-28 Hitachi Power Solutions Co Ltd 発電量予測方法及びそのシステム並びに風力発電設備の健康管理方法及びそのシステム
KR20170052339A (ko) 2015-11-04 2017-05-12 대우조선해양 주식회사 고풍속 고난류에서의 풍력발전기 피치제어 방법
KR102143757B1 (ko) * 2019-05-07 2020-08-12 오토시맨틱스 주식회사 딥러닝을 포함한 인공지능을 적용시킨 풍력 발전장치

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020029097A1 (en) * 2000-04-07 2002-03-07 Pionzio Dino J. Wind farm control system
AU2002339417B2 (en) * 2001-09-28 2006-02-23 Vestas Wind Systems A/S A method and a computer system for handling operational data of wind power plants
US6975925B1 (en) * 2002-03-19 2005-12-13 Windlynx Systems, B.V. Forecasting an energy output of a wind farm
US7523001B2 (en) * 2006-09-28 2009-04-21 General Electric Company Method and apparatus for operating wind turbine generators
US8178986B2 (en) * 2009-03-18 2012-05-15 General Electric Company Wind turbine operation system and method
US8620634B2 (en) * 2009-07-24 2013-12-31 Honeywell International Inc. Energy resource allocation including renewable energy sources
US8118536B2 (en) * 2009-10-30 2012-02-21 General Electric Company Method and system for operating a wind turbine
IT1399087B1 (it) * 2010-03-25 2013-04-05 En Eco Energy For Ecology S R L Ora En Eco S P A Metodo di controllo di aerogeneratori per la produzione di energia elettrica.
US8606418B1 (en) * 2011-03-18 2013-12-10 Rockwell Collins, Inc. Wind prediction for wind farms through the use of weather radar
US8185331B2 (en) * 2011-09-02 2012-05-22 Onsemble LLC Systems, methods and apparatus for indexing and predicting wind power output from virtual wind farms
TWI445276B (zh) * 2011-10-04 2014-07-11 Iner Aec Executive Yuan 一種整合自動電壓調整器之控制系統和方法
WO2014121794A1 (en) * 2013-02-07 2014-08-14 Vestas Wind Systems A/S Power plant & energy storage system for provision of grid ancillary services
PL3075982T3 (pl) * 2013-11-27 2020-05-18 Hitachi, Ltd. Turbina gazowa odpowiednia dla energii odnawialnej i sposób sterowania turbiną gazową
US10100813B2 (en) * 2014-11-24 2018-10-16 General Electric Company Systems and methods for optimizing operation of a wind farm
US10656306B2 (en) * 2016-05-19 2020-05-19 The Catholic University Of America System and methods for improving the accuracy of solar energy and wind energy forecasts for an electric utility grid
US10309372B2 (en) * 2017-05-25 2019-06-04 Hitachi, Ltd. Adaptive power generation management
US11335131B2 (en) * 2019-11-19 2022-05-17 International Business Machines Corporation Unmanned aerial vehicle maintenance and utility plan
US10691133B1 (en) * 2019-11-26 2020-06-23 Apex Artificial Intelligence Industries, Inc. Adaptive and interchangeable neural networks

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000087841A (ja) * 1998-09-09 2000-03-28 Toshiba Corp 風力発電システム
JP2008064081A (ja) * 2006-09-08 2008-03-21 Yoshito Hirata 任意の観測地点数に対応した風況予測制御による地域型風力発電システム
JP2013222423A (ja) * 2012-04-19 2013-10-28 Hitachi Power Solutions Co Ltd 発電量予測方法及びそのシステム並びに風力発電設備の健康管理方法及びそのシステム
KR20170052339A (ko) 2015-11-04 2017-05-12 대우조선해양 주식회사 고풍속 고난류에서의 풍력발전기 피치제어 방법
KR102143757B1 (ko) * 2019-05-07 2020-08-12 오토시맨틱스 주식회사 딥러닝을 포함한 인공지능을 적용시킨 풍력 발전장치

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230083860A (ko) * 2021-12-03 2023-06-12 전기은 인공지능을 통한 기후 예측에 기반한 발전기 제어시스템 및 방법
KR102577711B1 (ko) 2021-12-03 2023-09-11 전기은 인공지능을 통한 기후 예측에 기반한 발전기 제어시스템 및 방법
KR20240014649A (ko) * 2022-07-25 2024-02-02 전기은 인공지능 기반의 자동 제동장치를 구비한 풍력발전장치
KR102647427B1 (ko) 2022-07-25 2024-03-15 전기은 인공지능 기반의 자동 제동장치를 구비한 풍력발전장치
KR20240039356A (ko) * 2022-09-19 2024-03-26 전기은 소형 풍력발전장치
KR102654781B1 (ko) 2022-09-19 2024-04-03 전기은 소형 풍력발전장치

Also Published As

Publication number Publication date
US20220205425A1 (en) 2022-06-30

Similar Documents

Publication Publication Date Title
KR102309596B1 (ko) 미래 풍황 예측을 통한 풍력발전 시스템 및 풍력발전기 제어방법
US20220186709A1 (en) Reinforcement learning-based real time robust variable pitch control of wind turbine systems
US11340564B2 (en) Method and control device for controlling a technical system
US11585323B2 (en) Method and apparatus for cooperative controlling wind turbines of a wind farm
EP3274584B1 (en) Control of a multi-rotor wind turbine system using a central controller to calculate local control objectives
US8105029B2 (en) Method and apparatus for prediction-based wind turbine control
Li et al. Neuroadaptive variable speed control of wind turbine with wind speed estimation
EP1790851A2 (en) Windpark control system
EP3942177A1 (en) System and method for assessing and validating wind turbine and wind farm performance
EP4194684B1 (en) Load control method and apparatus for wind turbine generator system
Deng et al. An effective wind speed estimation based extended optimal torque control for maximum wind energy capture
EP3842635A1 (en) Operating a wind turbine with sensors implemented by a trained machine learning model
KR20100082800A (ko) 풍차의 동적 특성 감시 장치 및 그 방법
EP3741991A1 (en) Method for dynamic real-time optimization of the performance of a wind park and wind park
EP2541052B1 (en) Controlling a wind turbine using a neural network function
GB2525573A (en) Control of array of energy producing devices
CN116505556B (zh) 基于一次调频的风电场功率控制系统及方法
EP4187083A1 (en) A method for controlling a wind farm
Shuvo et al. DROP: deep reinforcement learning based optimal perturbation for MPPT in wind energy
EP3855018A1 (en) A method for computer-implemented monitoring of a wind turbine
Simani et al. Self--Tuning Control Techniques for Wind Turbine and Hydroelectric Plant Systems
CN114127412A (zh) 用于控制风电场的方法、风电场的控制模块和风电场
Palanimuthu et al. Increased power capture efficiency of large-scale wind turbines using model-free coordinated pitch, yaw, and torque control with wind direction estimation in diverse environmental conditions
Wu et al. Game Theoretic Wind Farm Control Based on Level-k Cognitive Modeling
CN113298317B (zh) 一种风力发电机组偏航控制方法

Legal Events

Date Code Title Description
AMND Amendment
E601 Decision to refuse application
X091 Application refused [patent]
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant