KR102373477B1 - 유효 전력 조절 하에서의 풍력 터빈의 피로하중 모델 구축 방법 - Google Patents

유효 전력 조절 하에서의 풍력 터빈의 피로하중 모델 구축 방법 Download PDF

Info

Publication number
KR102373477B1
KR102373477B1 KR1020200080305A KR20200080305A KR102373477B1 KR 102373477 B1 KR102373477 B1 KR 102373477B1 KR 1020200080305 A KR1020200080305 A KR 1020200080305A KR 20200080305 A KR20200080305 A KR 20200080305A KR 102373477 B1 KR102373477 B1 KR 102373477B1
Authority
KR
South Korea
Prior art keywords
del
active power
component
fatigue load
value
Prior art date
Application number
KR1020200080305A
Other languages
English (en)
Other versions
KR20220001857A (ko
Inventor
주영훈
Original Assignee
군산대학교산학협력단
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 군산대학교산학협력단 filed Critical 군산대학교산학협력단
Priority to KR1020200080305A priority Critical patent/KR102373477B1/ko
Publication of KR20220001857A publication Critical patent/KR20220001857A/ko
Application granted granted Critical
Publication of KR102373477B1 publication Critical patent/KR102373477B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • 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
    • F05B2260/83—Testing, e.g. methods, components or tools therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/06—Wind turbines or wind farms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/04—Ageing analysis or optimisation against ageing
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Mechanical Engineering (AREA)
  • Combustion & Propulsion (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Sustainable Energy (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Sustainable Development (AREA)
  • Wind Motors (AREA)

Abstract

본 발명은 유효 전력 조절 하에서의 풍력 터빈의 피로하중 모델 구축 방법.에 관한 것으로, 이는 컴포넌트, 축 방향, 및 유효 전력 조절 값을 가변하면서 몬테카를로 접근법에 기초한 부하 시뮬레이션을 수행하여, 다수의 컴포넌트 DEL(Damage Equivalent Load) 데이터 셋트를 획득하는 단계; 상기 컴포넌트 DEL 데이터 셋트 각각에 대한 데이터 분포 특성과 유효 전력 조절에 대한 민감도를 분석하고, 기 설정 조건을 만족시키는 DEL 데이터 셋트를 기반으로 적어도 하나의 모델링 대상 컴포넌트를 선택하는 단계; 및 단일값 처리 방법을 통해 상기 모델링 대상 컴포넌트의 유효 값을 추출한 후, APCE(Arbitrary Polynomial Chaos Expansion) 모델을 이용하여 상기 모델링 대상 컴포넌트 각각에 대한 피로 하중 모델을 확립하는 단계를 포함한다.

Description

유효 전력 조절 하에서의 풍력 터빈의 피로하중 모델 구축 방법{Method for building fatigue load models for wind turbine}
본 발명은 풍력 터빈이 산악 지형 풍력 발전소에 최적화된 풍력 터빈 피로 하중 모델을 구축하기 위한 유효 전력 조절 하에서의 풍력 터빈의 피로하중 모델 구축 방법에 관한 것이다.
풍력 발전이 빠르게 증가함에 따라 풍력 자원이 우수한 평평한 지형이 거의 모두 다 이용되었기 때문에, 산악 지형을 이용한 풍력 발전을 수행하고자 하는 수요가 발생하게 되었다. 지리적 위치 차이는 산악 지형의 풍력 터빈(WT)에 인가되는 풍력 조건이 매우 달라지며, 이는 가용 풍력의 큰 편차와 WT 간의 피로 분포를 초래한다.
한편, 풍력 발전소는 그리드 주파수 지원과 같은 보조 서비스를 제공해야 한다. 유효 전력 전달의 경우, 비례 분포 및 비례 적분과 같은 몇 가지 제어 전략을 쉽게 구현할 수 있다. 그러나 이러한 전략은 주로 WT가 경험하는 피로 하중을 고려하지 않고, 풍력 발전소의 전력 기준값 추적에 초점을 맞추고 있어, 산악 풍력 발전소에서의 강한 바람은 WT의 피로 수명을 크게 단축시킬 수 있게 된다.
이에 전력 추적을 달성하고 유효 전력 전달에 의한 WT 피로 하중을 최적화하기 위한 제어 전략이 널리 연구되어 왔다.
특히, 피로 하중을 측정하기 위해, 터빈이 경험한 모멘트의 평균 또는 분산을 사용하는 제어 전략이 제안되었으며, 이는 모멘트의 주파수 내용이 고정된 경우 피로 하중이 모멘텀 또는 모멘텀의 분산이 되도록 한다. 그러나 시계열의 모멘트는 불규칙하고 다중 고조파인 경우가 많으며 추가 난류의 영향으로 모멘트의 평균 또는 분산이 증가할 수 있다.
따라서 상기 전략에서 객관적 기능에 채택된 피로 하중의 표현은 한계가 있다. 피로 하중을 나타내는 공통성 방법을 찾기 위해서는, WT의 피로 하중에 대한 메커니즘 분석 및 모델 설정을 논의할 필요가 있다.
일반적으로 피로 하중 메커니즘에 관한 연구 분야에서 DEL(Damage Equivalent Load)을 이용하여 WT의 피로 하중을 평가하고 있는 데, DEL은 피로 하중의 모델링 마이너 룰(Miner's rule)을 사용하여 계산되며, S-N 곡선의 기울기로 지정된 재료 특성에 따라 달라진다.
WT의 DEL은 난류 강도, 평균 풍속 및 풍력 발전기 컨트롤러의 유효 전력 기준의 영향을 받는 반면, 다른 타입의 WT는 유사한 피로 인자를 가진다. DEL에 영향을 줄 수 있는 불확실성을 분석한 결과, 측정 불확실성이 전체 불확실성의 10-30 %에 기여한다는 것이 밝혀졌다. 그러나 DEL은 일반적으로 온라인 최적화에 직접 사용되는 것이 아니라 최적화 효과를 테스트하기 위해 사후 평가 인덱스로 사용되는 한계가 있으므로, 피로 하중을 모델링할 수 있어야 한다.
이에 DEL을 이용한 피로 하중 모델링 방법들이 제안되었으나, 이들은 DEL 데이터를 채택했지만, 정확한 피로 하중 모델링의 기초가 되는 DEL 데이터 특성에 대해서는 연구하지 못하는 한계를 가진다.
실제로 WT의 작동은 풍력 조건과 전력 생산에 의해 영향을 받으므로, WT는 교대로 하중을 받게 된다. 한편, 풍속 시계열은 무작위적이며, 하중-시간 이력 시뮬레이션 데이터에 의해 계산된 DEL 데이터는 분산 및 불확실성을 나타낼 수 있다.
더욱이, WT는 블레이드, 허브, 요 및 타워의 4개 주요 컴포넌트를 가지는, 이들의 구조와 소재 차이로 인해 WT의 유효 전력이 변화될 때에 상기 4개 컴포넌트 DEL의 변화 정도를 결정할 수 없으며, 변화 정도는 컴포넌트 피로 하중 분산에 대한 유효 전력 전달의 효과를 결정한다.
이에 상기와 같은 문제점을 해결하기 위한 것으로서, 본 발명은 풍력 터빈이 산악 지형에 설치된 대규모 풍력 발전소에 적용 가능한 유효 전력 조절 하에서의 풍력 터빈의 피로하중 모델 구축 방법을 제공하고자 한다.
또한 유효 전력 할당과 피로 하중 분포를 동시에 최적화하여 기초 풍력 발전 단지의 에너지 비용을 보다 효과적으로 절감할 수 있는 유효 전력 조절 하에서의 풍력 터빈의 피로하중 모델 구축 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 따른 블레이드, 허브, 타워, 요를 컴포넌트로 구비하는 풍력 터빈의 피로하중 모델 구축 방법은, 컴포넌트, 축 방향, 및 유효 전력 조절 값을 가변하면서 몬테카를로 접근법에 기초한 부하 시뮬레이션을 수행하여, 다수의 컴포넌트 DEL(Damage Equivalent Load) 데이터 셋트를 획득하는 단계; 상기 컴포넌트 DEL 데이터 셋트 각각에 대한 데이터 분포 특성과 유효 전력 조절에 대한 민감도를 분석하고, 기 설정 조건을 만족시키는 DEL 데이터 셋트를 기반으로 적어도 하나의 모델링 대상 컴포넌트를 선택하는 단계; 및 단일값 처리 방법을 통해 상기 모델링 대상 컴포넌트의 유효 값을 추출한 후, APCE(Arbitrary Polynomial Chaos Expansion) 모델을 이용하여 상기 모델링 대상 컴포넌트 각각에 대한 피로 하중 모델을 확립하는 단계를 포함한다.
상기 피로 하중 모델을 확립하는 단계는 "
Figure 112020067832619-pat00001
"의 식에 따라 피로 하중 모델을 생성하며, 상기 ψi(ξ)는 확률론적 다변량 직교 다항식, 상기 ci는 결정 계수, 상기 P set는 유효 전력 조절 값, 상기 V는 평균 풍속, 상기 m는 확장 항의 개수인 것을 특징으로 한다.
상기 피로 하중 모델을 확립하는 단계는 SVR(Support Vector Regression)을 이용하여 피로 하중 모델을 확립하는 기능을 더 포함하는 것을 특징으로 한다.
상기 피로 하중 모델을 확립하는 단계는 "
Figure 112020067832619-pat00002
"의 식에 따라 피로 하중 모델을 생성하며, 상기 βi 및 βi *는 라그랑주 승수, N은 훈련 데이터 세트의 샘플 개수, K(xi-x)는 비선형 관계 문제를 해결하기 위한 가우스 커널 함수, b는 기 설정된 상수인 것을 특징으로 한다.
상기 모델링 대상 컴포넌트를 선택하는 단계는 J-B(Jarque-Bera) 테스트를 통해 상기 DEL 데이터 셋트 각각의 데이터 분포 특성을 컴포넌트 및 축 방향 단위로 파악하는 단계; 단일값 처리 방법을 통해 최대 확률 분포를 가지는 DEL 값을 컴포넌트 및 축 방향 단위로 추출한 후, 유효 값으로 선택하는 단계; 유효 전력 조절 값을 조정하면서 상기 유효 값의 변화 패턴을 추적 분석하여. 유효 전력 조절에 대한 민감도를 컴포넌트 및 축 방향 단위로 분석하는 단계; 및 상기 데이터 분포 특성이 정규 분포 특성을 만족시키고, 상기 유효 전력 조절에 대한 민감도가 기 설정 값 이상인 컴포넌트 및 축 방향을 파악한 후, 상기 모델링 대상으로 선택하는 단계를 포함하는 것을 특징으로 한다.
상기 유효 값으로 선택하는 단계는 KDE(kernel density estimation) 방법에 기반하여 최대 확률 분포를 가지는 데이터를 추출하고, 유효 값으로 선택하는 것을 특징으로 한다.
상기 유효 전력 조절에 대한 민감도는 "
Figure 112020067832619-pat00003
"의 식에 따라 민감도를 산출하고, 상기 DELi는 i 번째 유효 전력 조절 값에 해당하는 DEL 데이터 유효 값 이고, 상기 DELo는 초기 유효 전력 조절 값에 해당하는 DEL 데이터 유효 값이고, 상기 ki는 초기 유효 전력 변화에 비례하는 i 번째 유효 전력의 백분율이고, 상기 n은 모델 구동 횟수인 것을 특징으로 한다.
본 발명의 풍력 터빈의 피로하중 모델 구축 방법은 난류 풍속으로 인한 WT 피로 하중의 임의성을 탐색한다. 몬테 카를로(Monte Carlo) 접근법을 통해 터빈 컴포넌트의 DEL 데이터 세트를 얻기 위한 부하 시뮬레이션을 수행하여, 데이터 세트의 왜도 계수 및 첨도 계수를 통계적으로 분석할 수 있으며, 그 결과 각 터빈 컴포넌의 DEL 확률 분포 특성을 도출할 수 있도록 한다.
그리고 DEL 데이터 세트 분포 특성 및 유효 전력 조절에 대한 민감도를 고려하여, 유효 전력 조절을 통해 최적화에 적합한 대상 컨포넌트를 결정함으로써, 풍력 발전 디스패치(dispatch)를 통한 피로 하중 최적화를 수행할 수 있도록 한다.
또한 APCE와 SVR 중 어느 하나를 통해 대상 컨포넌트에 대한 DEL 데이터 모델을 보다 정확하게 설정할 수 있도록 한다.
도 1 내지 도 3은 일반적인 풍력 발전 단지의 유효 전력 전달 및 컴포넌트 DEL 분배의 조정 최적화 방법을 나타낸 도면이다.
도 4는 본 발명의 일 실시예에 따른 유효 전력 조절 하에서의 대규모 풍력 터빈의 피로 하중에 대한 데이터 기반 모델링 방법을 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따른 DEL 데이터 세트를 나타낼 수 있는 유효 DEL 값 결정 단계의 유효 값 선택 원리를 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시예에 따른 APCE 모델을 이용한 대상 컴포넌트DEL 모델링 방법을 설명하기 위한 도면이다.
도 7은 본 발명의 일 실시예에 따른 SVR 모델을 이용한 대상 컴포넌트DEL 모델링 방법을 설명하기 위한 도면이다.
도 8은 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 블록을 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 아니 되고, 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 컴포넌트는 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 일반적인 풍력 발전 단지의 유효 전력 전달 및 컴포넌트 DEL 분배의 조정 최적화 방법을 나타낸 도면이다.
그리드 요구 사항과 풍력 측정값
Figure 112020067832619-pat00004
에 기반하여 풍력 발전기의 전력 기준값
Figure 112020067832619-pat00005
을 계산한다. 풍력 발전 단지의 구동 데이터(풍력 특성, 피치 각도, 전력 곡선 등)을 수집 및 이용하여 풍력 발전 단지의 i 번째 WT(WTi)에 대한 유효 전력 기준 신호를 중앙 계산하여 해당 WTi에 할당하여, 목표 값 추적을 수행한다.
TSR(tip speed ratio) 및 WTi의 피치 각도(β)의 유효 전력 조절 전략을 조정함으로써, 획득된 유효 전력 조절값이 목표 값에 도달하도록 한다.
한편, WT 컴포넌트의 피로 하중은 풍력 발전 설비 중앙 제어기에 의해 각 WT 유닛에 유효 전력을 할당함으로써 조정된다. 이를 위한 피로 하중은 DEL를 기반하여 추정되며, DEL은 평균풍속, 난류강도 및 유효 전력 조절의 3가지 요소에 의해 영향을 받는다.
이에 풍력 발전소의 유효 전력 전달을 통해 DEL을 최적화하기 위해서는 다음과 같은 문제를 해결해야 한다.
1. 컴포넌트 DEL 데이터 세트와 관련된 확률 밀도 분포.
DEL은 결정론적 하중의 결과일 뿐만 아니라 난류 풍속의 확률론적 특성이다. 도 2에서와 같이, 난류 풍속은 시계열에서 무작위적이며, 평균 풍속과 난류 강도로 대표되는 풍력 특성은 풍속의 무작위성을 특징짓는 데 사용될 수 있다. 그러나 평균 풍속 및 난류 강도의 조합을 하중 실험의 입력으로 이용하는 경우, DEL 데이터 세트는 분산도를 나타낼 수 있다.
2. 피로 최적화 효과 보장을 위한 유효 전력 전달에 대한 다양한 컴포넌트의 DEL 민감도.
도 3을 참고하면, WT는 4개의 주요 컴포넌트를 가지고 있으며, 각 컴포넌트의 하중은 세 가지 방향으로 평가되어야 함을 알 수 있다. 재료와 구조 차이로 인해, 유효 전력 전달은 이들 컴포넌트의 DEL에 다른 영향을 미친다. 영향 강도는 유효 전력 조절을 통한 DEL 최적화을 위한 대상 컴포넌트의 효과와 방향을 결정한다.
3. 민감한 컴포넌트의 DEL 데이터를 시계열 인자에 따라 결정함.
DEL 데이터는 랜덤성을 가지며 불연속적이다. 한편, WT의 난류 풍속 및 유효 전력 출력으로 표시되는 영향 인자는 연속적인 랜덤 변수이다. 따라서 이산 DEL 데이터 세트는 적절한 모델링 기법에 의해 매핑되어야 한다.
이에 본 발명에서는 데이터 기반 모델링 방법(data-driven modelling method)을 제안하고, 이를 통해 상기의 문제를 해결하고 유효 전력 전달에 기반한 WT 대상 컴포넌트 DEL 최적화의 최종 목표를 달성할 수 있도록 한다.
도 4는 본 발명의 일 실시예에 따른 유효 전력 조절 하에서의 대규모 풍력 터빈의 피로 하중에 대한 데이터 기반 모델링 방법을 설명하기 위한 도면이다.
도 4를 참고하면, 본 발명의 데이터 기반 모델링 방법은 크게 컴포넌트, 축 방향, 및 유효 전력 조절 값을 가변하면서 몬테카를로 접근법에 기초한 부하 시뮬레이션을 수행하여, 다수의 컴포넌트 DEL(Damage Equivalent Load) 데이터 세트를 획득하는 단계(S10), 상기 컴포넌트 DEL 데이터 세트 각각에 대한 데이터 분포 특성과 유효 전력 조절에 대한 민감도를 분석하고, 기 설정 조건을 만족시키는 DEL 데이터 세트를 기반으로 모델링 대상 컴포넌트를 선택하는 단계(S20), 및 단일값 처리 방법을 통해 상기 모델링 대상 컴포넌트의 유효 값을 추출한 후, APCE(Arbitrary Polynomial Chaos Expansion) 모델을 이용하여 피로 하중 모델을 확립하는 단계(S30) 등을 포함한다.
본 발명은 DEL에는 난류 풍속의 확률적 특성이 포함됨을 고려하여, 몬테카를로 방법을 이용하여 부하 시뮬레이션을 수행한다. 그리고 난류 강도와 평균 풍속이 동일한 난류에서 DEL 데이터의 분포는 분산을 나타냄을 고려하여, 단일 값 처리 방법을 통해 기 설정된 분포 특성을 갖는 DEL 데이터 세트를 선택한 후, 마지막으로 데이터 모델링 방법을 수행하여 DEL 데이터 모델을 확립하도록 한다.
몬테카를로 부하 시뮬레이션 단계(S10)
참고로, 풍력 발전 산업에서는 두 가지 유형의 WT 부하 시뮬레이션 소프트웨어가 널리 사용되고 있다. 하나는 NREL(National Renewable Energy Laboratory)에서 개발한 FAST 소프트웨어이고, 다른 하나는 GL Garrad Hassan이 개발한 블레이드 소프트웨어이다. 블레이드는 타이밍 시뮬레이션 데이터의 다른 컴포넌트의 DEL 데이터를 자동으로 계산하는 등 FAST보다 더 완벽한 기능을 가지고 있다. 또한 중국의 주요 WT 제조사가 제공하는 WT 모델은 블레이드 소프트웨어를 기반으로 구축되어 있다.
이에 본 발명의 부하 시뮬레이션은 블레이드 소프트웨어를 사용해 풍속 조건(평균 풍속, 난류 강도)과 유효 전력 조절값의 변화에 따른 WT의 DEL 데이터를 얻도록 한다.
몬테카를로 방법은 난수 사용에 기반한다. 몬테카를로 방법에 의해 처리되는 문제는 랜덤 프로세스의 동작과 결과에 직접 관련이 있는지 여부에 따라 확률론적 및 결정론적, 이 두 가지 유형으로 나뉜다.
본 발명에서는 몬테카를로 방법을 다음과 같이 이용하여, 피로하중 모델 구축에 필요한 DEL 데이터를 획득하도록 한다.
먼저, 10분 풍속 시퀀스의 k개 시계열 데이터를 랜덤 생성한 후, 이를 부하 시뮬레이션의 입력으로 사용하여, 4개 컴포넌트의 3축 방향에 대응하는 k개 데이터를 포함하는 12개 DEL 데이터 세트를 획득한다(S11).
12개 DEL 데이터 세트의 밀도 분포 특성 값이 기 설정된 정지 조건을 만족할 때의 각 데이터 세트의 밀도 분포를 반복적으로 획득한다. 기 설정된 정지 조건을 만족시키면, 부하 시뮬레이션을 중지하고, 그렇지 않으면 랜덤 풍속 시퀀스를 계속 생성하면서 시물레이션 실험을 계속 수행하도록 한다(S12).
몬테카를로 방법은 반복 횟수를 설정하여 반복하는 방법이기 때문에, 반복 횟수를 증가시켜 부하 시뮬레이션 실험에서 얻은 DEL 데이터 세트의 정확성을 향상시킬 수 있다.
대상 컴포넌트 선택 단계(S20)
본 발명의 대상 컴포넌트 선택 단계(S20)는 최적화에 적합한 컴포넌트를 선택하기 위한 것으로, 이는 다시 J-B(Jarque-Bera) 테스트를 통해 상기 DEL 데이터 셋트 각각의 데이터 분포 특성을 컴포넌트 및 축 방향 단위로 파악하는 단계(S21), 단일값 처리 방법을 통해 최대 확률 분포를 가지는 DEL 값을 컴포넌트 및 축 방향 단위로 추출한 후, 유효 값으로 선택하는 단계(S22), 유효 전력 조절 값을 조정하면서 상기 유효 값의 변화 패턴을 추적 분석하여. 유효 전력 조절에 대한 민감도를 컴포넌트 및 축 방향 단위로 분석하는 단계(S23) 및 상기 데이터 분포 특성이 정규 분포 특성을 만족시키고, 상기 유효 전력 조절에 대한 민감도가 기 설정 값 이상인 컴포넌트 및 축 방향을 파악한 후, 상기 모델링 대상으로 선택하는 단계(S24)를 포함한다.
DEL 데이터 세트의 분포 특성 설명 단계(S21)
터빈 컴포넌트의 DEL에 대한 유효 전력 전달의 영향을 확인하기 위해서, 전력 출력이 다른 4개의 주요 컴포넌트의 3축 방향을 고려하여 DEL 데이터 세트의 분포 특성을 결정해야 한다.
이를 위해, 동일한 유효 전력 조절 값하에서 복수의 부하 시뮬레이션 실험을 반복적으로 수행하여, 각 컴포넌트의 방향별 DEL 데이터 세트를 얻는다. 그런 다음, 유효 전력 조절 값을 조정하면서 부하 시뮬레이션 실험을 반복 수행하여, 다수의 유효 전력 조절 값에 대한 다중 DEL 데이터 세트를 얻는다. 마지막으로, DEL 데이터 세트 분포 변화가 불명확한 WT 컴포넌트는 유효 전력 조절에 기반하여 DEL에 최적화될 수 있다.
DEL 데이터 세트 분포의 대칭성 및 집중도가 불확실성 분석 요건을 충족하는지를 평가할 때, DEL 데이터 세트의 분포 법칙은 왜도 및 첨도 정도에 따라 설명될 수 있으며, 이때의 왜도 계수 및 첨도 계수는 수학식 1로 표현될 수 있다.
[수학식 1]
Figure 112020067832619-pat00006
이때, Csk는 왜도 계수, Csh는 첨도 계수, 샘플 시퀀스의 평균값은
Figure 112020067832619-pat00007
이고, 분산은
Figure 112020067832619-pat00008
이다.
JB(Jarque-Bera) 통계는 왜도와 첨도를 기반으로 DEL 데이터 세트의 분포 특성을 산출하는 것으로, 수학식 2로 정의될 수 있다.
[수학식 2]
Figure 112020067832619-pat00009
J-B 통계는 점근적으로 독립적인 두개의 표준 정규(nomal)의 제곱 합에 불과하기 때문에, 2개의 자유도를 가지는 점근적인 카이-제곱 분포이다.
절대 연속 분포 함수 F를 갖는 X1,…,Xk 독립적인 랜덤 변수가 되게 하고, "H0:F(x) = Φ((x-μ)/σ)에 따라 통계되며, 이는
Figure 112020067832619-pat00010
이면 레벨 α에서 H0는 거절되어야 한다는 것을 의미한다. 예를 들어, J-B 테스트의 신뢰 수준이 α = 0.1로 설정될 수 있으며, 0은
Figure 112020067832619-pat00011
를 나타내며, 데이터 분포 특성이 정규 분포 특성을 만족시키는 것을 의미하며, 1은
Figure 112020067832619-pat00012
를 나타내며, 데이터는 분포 특성이 정규 분포 특성을 만족시키지 못하는 것으로 간주된다. 계하고자 한다. 이는
Figure 112020067832619-pat00013
이면, α 레벨에서 거부되어야 함을 의미한다.
DEL 데이터 세트를 나타낼 수 있는 유효 DEL 값 결정 단계(S22)
DEL 값의 랜덤성과 다중 인자 커플링에 의한 불확실성을 고려하면,DEL 데이터 세트 확률 분포를 찾는 것이 DEL 데이터 세트의 유효 값을 찾는 데 도움이 됨을 알 수 있다. 본 발명은 DEL 데이터 세트의 주파수 분포 특성을 사전 획득할 수 없음을 고려하여, 비모수 커널 밀도 추정(KDE) 방법을 사용하여 분포 추정을 수행하도록 한다..KDE는 수학식 3으로 표현되며, 매우 유용한 방법이다.
[수학식 3]
Figure 112020067832619-pat00014
이때,
Figure 112020067832619-pat00015
는 WT 컴포넌트 DEL 값에서 파생되고, fh(x)는 커널 밀도 함수, K(ㅇ)는 커널 방정식, h는 파라미터 대역폭이다. 수학식3에서, 가우스 함수가 사용되며, 이는 커널 방정식 K(ㅇ)(
Figure 112020067832619-pat00016
)의 가장 일반적인 선택 방법 중 하나이다.
하중 실험은 입력 조합 하나에 의해 다수의 출력 DEL 값이 발생될 수 있다. 따라서, 본 발명은 단일값 처리 방법을 사용하여 입력 조합 하나에 대응되는 다수의 출력 DEL 값 중 최적값 하나를 선택한다.
입력 조합 하나에 의해, DELn=[ DELn1, DELn2, … , DELnk]와 같은 컴포넌트 DEL 데이터 세트를 얻을 수 있으며, 여기서 DELnk는 n번째 입력 조합 실험에서 얻은 DEL 데이터 세트의 k번째 값을 의미한다. 컴포넌트 DEL 데이터 세트 DELn의 경우, 수학식 3과 같이 KDE 방법으로 컴포넌트 DEL 데이터 세트의 확률 분포 법칙을 얻을 수 있으며, 최대 확률을 가진 컴포넌트 DEL 값은 분포 특징을 확인하여 획득가능하다. 그런 다음, 최대 확률을 가진 컴포넌트 DEL 값을 풍력 조건 및 유효 전력 조절에 대응하는 유효 DEL 값으로 선택한다.
[수학식 4]
Figure 112020067832619-pat00017
여기서, i=1,2,…,n;(1<m<k).
수학식 4는 컴포넌트 DEL 값 DELnm이 특정 풍속 조건(평균 풍속 vn, 난류 강도 TIn)과 특정 유효 전력 조절 값이 Psetn일 때, DEL 데이터 세트의 최대 확률을 가짐을 나타낸다.
예를 들어, 평균 풍속이 15[m/s], 난류 강도가 18%, 풍력 유효 전력 출력이 Pset= 1.0MV으로 설정된 경우, WT 블레이드 z 축 방향의 DEL 데이터 세트 (블레이드 (Mz))는 도 5와 같이 표현될 수 있다.
도 5를 참고하면, [2.4 × 104, 2.5 × 104] 구간에서 DEL 값 확률은 0.51일 때, 최대 확률을 가진 DEL의 유효 값은 24595.27가 됨을 알 수 있다.
유효 전력 조절에 기반한 컴포넌트 DEL 데이터 민감도 분석 단계(S23)
민감도 분석(SA)은 시스템이나 모델의 출력 응답이 다양한 입력 변화에 의해 영향을 받는 정도를 연구하는 분석 기법이다. 이는 입력 변화에 따른 영향 정도는 민감도 계수로 특징지을 수 있으며, 민감도 계수가 클수록 입력 변수가 출력에 미치는 영향이 커짐을 의미한다.
본 발명에서는 민감도 분석을 위해 모리스 선별 방법을 이용하도록 한다. 이는 유효 전력 조절 값 Pseti 중 하나를 선택하고, 다른 파라미터는 고정시킨다. 전력 값 Pseti는 유효 전력 전달의 범위 [Psetmin, Psetmax] 내에서 랜덤 변경되고, 해당 DEL 유효 값 DELi를 구하며, 민감도 계수 S를 계산하여 DEL에 대한 유효 전력 조절의 영향 정도를 결정한다.
[수학식 5]
Figure 112020067832619-pat00018
여기서, DELi는 i 번째 유효 전력 조절 값에 대응하는 유효 DEL 값이며, DEL0은 초기 유효 전력에 대응하는 유효 DEL 값이고, ki는 초기 유효 전력 변화에 비례하는 i번째 유효 전력 백분율이며, n은 구동 횟수의 모델이다.
모델링 대상 선택 단계(S24)
데이터 분포 특성이 정규 분포 특성을 만족시키며, 유효 전력 조절에 대한 민감도가 기 설정 값 이상인 DEL 데이터 세트를 선택하고, 선택된 DEL 데이터 세트에 대응되는 컴포넌트와 축방향을 상기 모델링 대상으로 선택하도록 한다.
예를 들어, 표 1과 같은 데이터 분포 특성과, 표 2와 같은 유효 전력 조절에 대한 민감도가 획득되면, 본 발명은 정규 분포 특성을 가지며, 민감도 계수(S)가 기 설정값 이상인 블레이드(My), 허브(My), 허브(Mz)를 모델링 대상으로 선택한다.
Figure 112020067832619-pat00019
Figure 112020067832619-pat00020
대상 컴포넌트에 대한 DEL 모델링 단계(S30)
본 발명의 대상 컴포넌트의 DEL 모델링 단계는 앞서 설명된 단일값 처리 방법을 통해 모델링 대상의 유효 값으로 선택하는 단계(S31), APCE(Arbitrary Polynomial Chaos Expansion) 모델을 통해 모델링 대상의 유효 값에 기반한 대상 컴포넌트 DEL 모델을 확립하는 단계(S32), 대상 컴포넌트 DEL 모델 확립 후, 동작 종료하는 단계(S33) 등을 포함할 수 있다.
참고로, 난류 풍속 및 유효 전력이 컴포넌트의 DEL 값에 결합된 다중 인자인 경우, 다중 인자 입력과 출력 관계는 비선형 관계를 갖는다. 명시적인 분석 표현이 없기 때문에 데이터 세트에 근거한 모델링 방법을 채용할 필요가 있다. 룩업 테이블 방식은 잠재적 방법 중 하나이지만, 저효율화를 초래하고 풍력 발전소 중앙 제어기의 하중 최적화를 위한 온라인 구현에 영향을 미치는 단점이 있다.
이에 본 발명에서는 APCE 모델을 이용하여 도 6과 같은 컴포넌트 DEL 모델을 확립함으로써, 대상 컴포넌트 DEL 데이터 모델의 어플리케이션 확장성과 신뢰성을 확보할 수 있도록 한다.
APCE(Arbitrary Polynomial Chaos Expansion)
확률 공간 (Ω, Λ, Γ)이 있는 p개의 확률적 다변량 직교 다항식 ψi(ξ)과 결정 계수 ci 의 선형 조합으로서, APCE는 확률 공간 (Ω, Λ, Γ)을 가지는 벡터 독립 확률론적 입력 변수 ξ= [P set , V]에 따라 확률론적 구성 요소 피로 하중 출력 (stochastic component fatigue load output) DEL(ξ)를 공식화한다. 여기서, P set 는 WT 유효 전력 설정 값, V는 평균 풍속이다.
[수학식 6]
Figure 112020067832619-pat00021
이때, APCE의 결정 계수 ci 는 직교 정규 속성을 이용하여 획득되고, 확장 항(expansion term)의 개수 m은 입력변수 n의 총 개수와 확장항 차수 p 의해 결정된다. 즉, m = (n+p)!/(n! p!)이다. ψ는 직교 다항식
Figure 112020067832619-pat00022
의 곱으로 계산된다.
[수학식 7]
Figure 112020067832619-pat00023
이때, 인덱스 α는 m×n 행렬로 볼 수 있으며, 이는 확장 항 i의 파라미터 수 j에 대한 상관 정도를 포함한다.
더하여, 본 발명은 APCE 모델 대신에 SVR(Support Vector Regression) 모델을 이용하여 도 8과 같은 대상 컴포넌트 DEL 모델을 확립할 수도 있도록 한다.
SVR(Support Vector Regression)
또한 본 발명은 SVR을 이용하여, 도 7과 같은 컴포넌트 DEL 모델을 생성하도록 한다(도 8에서, 청색 데이터 포인트는 부하 시뮬레이션을 통해 얻어진 DEL 값을, 적색 데이터 포인트는 DEL 데이터 세트의 유효 값을 나타낸다). 이는 SVR가 DEL 모델링에 대한 새롭고 유망한 접근법을 제안하기 때문이다.
모델링에 대한 SVR 원칙은 다음과 같다: N 요소의 데이터 세트 {(xi, DELi) i = 1,2,…, N}이 주어지면, N은 훈련 데이터 세트의 샘플 개수이고, xi는 2 차원 벡터의 i 번째 요소이고(xi = {Pset, V} ∈ R2), DELi ∈ R은 xi에 대응되는 실제 값이다.
특징 공간(feature space)은 최적화된 초평면(hyperplane)을 구성하며, 초평면은 입력(유효 전력 출력과 평균 풍속이 독립 변수임)과 출력(DEL 데이터 세트가 종속 변수임) 간의 비선형 관계를 나타낸다. 이는 SVR 함수로, 수학식 8 및 9로 표현된다.
[수학식 8]
Figure 112020067832619-pat00024
[수학식 9]
Figure 112020067832619-pat00025
여기서, f(x)는 예측 DEL 값을 나타내고, W는 2차 가중치, b는 조정 가능 인자, φ (x)는 xi를 2 차원 특징 공간에 매핑하는 맵 함수입니다. ε은 회귀 잔차 범위를 나타낸다.
이는 슬랙(slack) 변수 ξi 및 ξi *을 도입하여, 수학식 10 및 11의 최적화 문제로 변환될 수 있다.
[수학식 10]
Figure 112020067832619-pat00026
[수학식 11]
Figure 112020067832619-pat00027
여기서, C는 페널티 파라미터다.
라그랑주 승수 βi 및 βi *는 이차 프로그램을 해독하여 도입 및 획득된다. 마지막으로 컴포넌트 DEL의 SVR 모델은 수학식 12 및 13으로 표현된다.
[수학식 12]
Figure 112020067832619-pat00028
[수학식 13]
Figure 112020067832619-pat00029
여기서, K(xi-x)는 비선형 관계 문제를 해결하기 위한 가우스 커널 함수, σ는 샘플 데이터의 표준편차, b는 기 설정된 상수,
Figure 112020067832619-pat00030
는 유클리드 거리(Euclidean distance)를 나타낸다.
도 8은 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.
상술한 본 발명에 따른 방법은 컴퓨터에서 실행되기 위한 프로그램으로 제작되어 컴퓨터가 읽을 수 있는 기록 매체에 저장될 수 있으며, 컴퓨터가 읽을 수 있는 기록 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장장치 등이 있으며, 또한 캐리어 웨이브(예를 들어 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다.
컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다. 그리고, 상기 방법을 구현하기 위한 기능적인(function) 프로그램, 코드 및 코드 세그먼트들은 본 발명이 속하는 기술분야의 프로그래머들에 의해 용이하게 추론될 수 있다.
이상에서는 본 발명의 바람직한 실시예에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형 실시가 가능한 것은 물론이고, 이러한 변형 실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해되어서는 안될 것이다.

Claims (7)

  1. 블레이드, 허브, 타워, 요를 컴포넌트로 구비하는 풍력 터빈의 피로하중 모델 구축 방법에 있어서,
    컴포넌트, 축 방향, 및 유효 전력 조절 값을 가변하면서 몬테카를로 접근법에 기초한 부하 시뮬레이션을 수행하여, 다수의 컴포넌트 DEL(Damage Equivalent Load) 데이터 셋트를 획득하는 단계;
    상기 컴포넌트 DEL 데이터 셋트 각각에 대한 데이터 분포 특성과 유효 전력 조절에 대한 민감도를 분석하고, 기 설정 조건을 만족시키는 DEL 데이터 셋트를 기반으로 적어도 하나의 모델링 대상 컴포넌트를 선택하는 단계; 및
    단일값 처리 방법을 통해 상기 모델링 대상 컴포넌트의 유효 값을 추출한 후, APCE(Arbitrary Polynomial Chaos Expansion) 모델을 이용하여 상기 모델링 대상 컴포넌트 각각에 대한 피로 하중 모델을 확립하는 단계;를 포함하되,
    상기 피로 하중 모델을 확립하는 단계는
    SVR(Support Vector Regression)을 이용하여 피로 하중 모델을 확립하는 기능을 더 포함하는 것을 특징으로 하는 유효 전력 조절 하에서의 풍력 터빈의 피로하중 모델 구축 방법.
  2. 삭제
  3. 삭제
  4. 블레이드, 허브, 타워, 요를 컴포넌트로 구비하는 풍력 터빈의 피로하중 모델 구축 방법에 있어서,
    컴포넌트, 축 방향, 및 유효 전력 조절 값을 가변하면서 몬테카를로 접근법에 기초한 부하 시뮬레이션을 수행하여, 다수의 컴포넌트 DEL(Damage Equivalent Load) 데이터 셋트를 획득하는 단계;
    상기 컴포넌트 DEL 데이터 셋트 각각에 대한 데이터 분포 특성과 유효 전력 조절에 대한 민감도를 분석하고, 기 설정 조건을 만족시키는 DEL 데이터 셋트를 기반으로 적어도 하나의 모델링 대상 컴포넌트를 선택하는 단계; 및
    단일값 처리 방법을 통해 상기 모델링 대상 컴포넌트의 유효 값을 추출한 후, APCE(Arbitrary Polynomial Chaos Expansion) 모델을 이용하여 상기 모델링 대상 컴포넌트 각각에 대한 피로 하중 모델을 확립하는 단계;를 포함하되,
    상기 피로 하중 모델을 확립하는 단계는
    "
    Figure 112021124641050-pat00032
    "의 식에 따라 피로 하중 모델을 생성하며, 상기 βi 및 βi *는 라그랑주 승수, N은 훈련 데이터 세트의 샘플 개수, K(xi-x)는 비선형 관계 문제를 해결하기 위한 가우스 커널 함수, b는 기 설정된 상수인 것을 특징으로 하는 유효 전력 조절 하에서의 풍력 터빈의 피로하중 모델 구축 방법.
  5. 제1항에 있어서, 상기 모델링 대상 컴포넌트를 선택하는 단계는
    J-B(Jarque-Bera) 테스트를 통해 상기 DEL 데이터 셋트 각각의 데이터 분포 특성을 컴포넌트 및 축 방향 단위로 파악하는 단계;
    단일값 처리 방법을 통해 최대 확률 분포를 가지는 DEL 값을 컴포넌트 및 축 방향 단위로 추출한 후, 유효 값으로 선택하는 단계;
    유효 전력 조절 값을 조정하면서 상기 유효 값의 변화 패턴을 추적 분석하여. 유효 전력 조절에 대한 민감도를 컴포넌트 및 축 방향 단위로 분석하는 단계; 및
    상기 데이터 분포 특성이 정규 분포 특성을 만족시키고, 상기 유효 전력 조절에 대한 민감도가 기 설정 값 이상인 컴포넌트 및 축 방향을 파악한 후, 상기 모델링 대상으로 선택하는 단계를 포함하는 것을 특징으로 하는 유효 전력 조절 하에서의 풍력 터빈의 피로하중 모델 구축 방법.
  6. 제5항에 있어서, 상기 유효 값으로 선택하는 단계는
    KDE(kernel density estimation) 방법에 기반하여 최대 확률 분포를 가지는 데이터를 추출하고, 유효 값으로 선택하는 것을 특징으로 하는 유효 전력 조절 하에서의 풍력 터빈의 피로하중 모델 구축 방법.
  7. 제5항에 있어서, 상기 유효 전력 조절에 대한 민감도는
    "
    Figure 112020067832619-pat00033
    "의 식에 따라 민감도를 산출하고, 기 DELi는 i 번째 유효 전력 조절 값에 해당하는 DEL 데이터 유효 값이고, 상기 DELo는 초기 유효 전력 조절 값에 해당하는 DEL 데이터 유효 값이고, 상기 ki는 초기 유효 전력 변화에 비례하는 i 번째 유효 전력의 백분율이고, 상기 n은 모델 구동 횟수인 것을 특징으로 하는 유효 전력 조절 하에서의 풍력 터빈의 피로하중 모델 구축 방법.
KR1020200080305A 2020-06-30 2020-06-30 유효 전력 조절 하에서의 풍력 터빈의 피로하중 모델 구축 방법 KR102373477B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200080305A KR102373477B1 (ko) 2020-06-30 2020-06-30 유효 전력 조절 하에서의 풍력 터빈의 피로하중 모델 구축 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200080305A KR102373477B1 (ko) 2020-06-30 2020-06-30 유효 전력 조절 하에서의 풍력 터빈의 피로하중 모델 구축 방법

Publications (2)

Publication Number Publication Date
KR20220001857A KR20220001857A (ko) 2022-01-06
KR102373477B1 true KR102373477B1 (ko) 2022-03-11

Family

ID=79347901

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200080305A KR102373477B1 (ko) 2020-06-30 2020-06-30 유효 전력 조절 하에서의 풍력 터빈의 피로하중 모델 구축 방법

Country Status (1)

Country Link
KR (1) KR102373477B1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115358079B (zh) * 2022-08-23 2024-04-12 南方电网电力科技股份有限公司 风电场场站实时仿真模型的构建方法和阻抗特性评估方法
KR102594941B1 (ko) * 2023-05-24 2023-10-30 군산대학교산학협력단 풍력발전기용 복합재 블레이드 설계 운용 프로세스 교육 장치 및 방법

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101475486B1 (ko) 2013-11-22 2014-12-22 삼성중공업 주식회사 풍력 발전 단지의 제어 시스템
KR102109493B1 (ko) * 2019-04-10 2020-05-12 군산대학교산학협력단 풍력 터빈의 피로하중 모델 구축 방법

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108150360A (zh) * 2016-12-05 2018-06-12 北京金风科创风电设备有限公司 检测风电机组的等效载荷的方法和设备

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101475486B1 (ko) 2013-11-22 2014-12-22 삼성중공업 주식회사 풍력 발전 단지의 제어 시스템
KR102109493B1 (ko) * 2019-04-10 2020-05-12 군산대학교산학협력단 풍력 터빈의 피로하중 모델 구축 방법

Also Published As

Publication number Publication date
KR20220001857A (ko) 2022-01-06

Similar Documents

Publication Publication Date Title
US20210295100A1 (en) Data processing method and apparatus, electronic device, and storage medium
Yang Multiobjective firefly algorithm for continuous optimization
KR102109493B1 (ko) 풍력 터빈의 피로하중 모델 구축 방법
CN111441917B (zh) 基于扇区的风电机组的预定部件的载荷预估方法和装置
KR102373477B1 (ko) 유효 전력 조절 하에서의 풍력 터빈의 피로하중 모델 구축 방법
CN111427750B (zh) 一种计算机平台的gpu功耗估计方法、系统及介质
KR102406870B1 (ko) 유효 전력 조절 하에서의 풍력 터빈 피로 하중 모델 구축 방법
CN104899431A (zh) 基于蚁群和粒子群集成的lssvm脉动风速预测方法
Tumari et al. A modified grey wolf optimizer for improving wind plant energy production
Dimitrov et al. From wind to loads: wind turbine site-specific load estimation using databases with high-fidelity load simulations
Richmond et al. Evaluation of an offshore wind farm computational fluid dynamics model against operational site data
Järvenpää et al. A synthesis of green architectural tactics for ml-enabled systems
KR20220009682A (ko) 분산 기계 학습 방법 및 시스템
CN112052604B (zh) 风机等效疲劳载荷的预测方法、系统、设备及可读介质
Rojek Machine learning method for energy reduction by utilizing dynamic mixed precision on GPU‐based supercomputers
Bempedelis et al. Data-driven optimisation of wind farm layout and wake steering with large-eddy simulations
Zhang et al. Multi-fidelity surrogate model ensemble based on feasible intervals
Tong et al. Prognostics and Predictive Maintenance Optimization Based on Combination BP‐RBF‐GRNN Neural Network Model and Proportional Hazard Model
CN116911187A (zh) 一种风浪联合作用下的海上风力机疲劳损伤估计方法
CN109872086A (zh) 一种基于任务剖面的相控阵雷达资源调度方案评估系统
Deng et al. Second‐order quasi‐likelihood for spatial point processes
Singh et al. Probabilistic surrogate modeling of damage equivalent loads on onshore and offshore wind turbines using mixture density networks
Yan et al. A framework of data assimilation for wind flow fields by physics-informed neural networks
Shan et al. Software structure characteristic measurement method based on weighted network
Quick et al. Multifidelity Multiobjective Optimization for Wake Steering Strategies

Legal Events

Date Code Title Description
PA0109 Patent application

Patent event code: PA01091R01D

Comment text: Patent Application

Patent event date: 20200630

PA0201 Request for examination
PE0902 Notice of grounds for rejection

Comment text: Notification of reason for refusal

Patent event date: 20211026

Patent event code: PE09021S01D

PG1501 Laying open of application
E701 Decision to grant or registration of patent right
PE0701 Decision of registration

Patent event code: PE07011S01D

Comment text: Decision to Grant Registration

Patent event date: 20220304

GRNT Written decision to grant
PR0701 Registration of establishment

Comment text: Registration of Establishment

Patent event date: 20220307

Patent event code: PR07011E01D

PR1002 Payment of registration fee

Payment date: 20220308

End annual number: 3

Start annual number: 1

PG1601 Publication of registration