KR102577711B1 - 인공지능을 통한 기후 예측에 기반한 발전기 제어시스템 및 방법 - Google Patents
인공지능을 통한 기후 예측에 기반한 발전기 제어시스템 및 방법 Download PDFInfo
- Publication number
- KR102577711B1 KR102577711B1 KR1020210172248A KR20210172248A KR102577711B1 KR 102577711 B1 KR102577711 B1 KR 102577711B1 KR 1020210172248 A KR1020210172248 A KR 1020210172248A KR 20210172248 A KR20210172248 A KR 20210172248A KR 102577711 B1 KR102577711 B1 KR 102577711B1
- Authority
- KR
- South Korea
- Prior art keywords
- weather data
- wind
- generator
- artificial intelligence
- data
- Prior art date
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000010248 power generation Methods 0.000 claims abstract description 16
- 238000013480 data collection Methods 0.000 claims description 16
- 230000009469 supplementation Effects 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 239000013589 supplement Substances 0.000 claims description 6
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 claims 3
- 229910052709 silver Inorganic materials 0.000 claims 3
- 239000004332 silver Substances 0.000 claims 3
- 230000002457 bidirectional effect Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000001556 precipitation Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000000306 recurrent effect Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- CVOFKRWYWCSDMA-UHFFFAOYSA-N 2-chloro-n-(2,6-diethylphenyl)-n-(methoxymethyl)acetamide;2,6-dinitro-n,n-dipropyl-4-(trifluoromethyl)aniline Chemical compound CCC1=CC=CC(CC)=C1N(COC)C(=O)CCl.CCCN(CCC)C1=C([N+]([O-])=O)C=C(C(F)(F)F)C=C1[N+]([O-])=O CVOFKRWYWCSDMA-UHFFFAOYSA-N 0.000 description 1
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
- F03D7/0204—Controlling wind motors the wind motors having rotation axis substantially parallel to the air flow entering the rotor for orientation in relation to wind direction
-
- 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
- F03D7/022—Adjusting aerodynamic properties of the blades
- F03D7/0224—Adjusting blade pitch
-
- 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
- F05B2270/30—Control parameters, e.g. input parameters
- F05B2270/321—Wind directions
-
- 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
Abstract
실시예에 따른 인공지능을 통한 기후 예측에 기반한 발전기 제어시스템 및 방법은 중소형 풍력발전기 및 수력발전기를 기상환경에 따라 제어하여 풍력발전 및 수력발전의 효율을 높일 수 있게 하는 인공지능 모델을 제공한다. 실시예에 따른 인공지능을 통한 기후 예측에 기반한 발전기 제어시스템 및 방법은 풍력 발전기가 설치된 주변의 국지적 기상데이터를 통해 기후정보 예측을 보다 정확하게 수행할 수 있다. 또한, 정확히 예측된 기후 정보에 따라 풍력 발전기를 최적 제어하여, 풍력발전기의 효율 및 안정성을 향상시킬 수 있다.
Description
본 개시는 발전기 제어 시스템 및 방법에 관한 것으로 구체적으로, 풍력발전기 효율 향상 및 안정성을 위한 인공지능 기반 기후 예측 시스템 및 기후 예측 결과에 기반한 발전기 제어 시스템에 관한 것이다.
본 명세서에서 달리 표시되지 않는 한, 이 섹션에 설명되는 내용들은 이 출원의 청구항들에 대한 종래 기술이 아니며, 이 섹션에 포함된다고 하여 종래 기술이라고 인정되는 것은 아니다.
지난 20년 동안 화석연료에 의한 전기 가격의 변동성과 기후변화에 관련된 국제적 정책의 변화는 기술진보를 이끌고 설계 및 제어 분야에서 새로운 기술과 시스템을 개발하여, 이를 바탕으로 풍력에너지 산업이 크게 성장하였다. 풍력에너지 자원은 우선적인 대안으로 채택되어 세계적으로 가장 기대되는 자원이다. 특히, 에너지 생산, 설계 및 운영 최적화, 각각의 제어분야, 단독 장치 및 전력망 연결 분야의 새로운 구도를 포함한 풍력터빈과 풍력터빈의 제어기술이 각광받고 있다.
소형풍력터빈의 제어기술에 대한 연구 성과는 현재로서는 미미한 실정이고, 대부분 수직풍력터빈에 대한 공기역학적 연구와 새로운 설계 접근방법에 집중하고 있는 실정이다. 세계 103개 국가에서 가동하고 있는 풍력발전은 전 세계 전기 생산의 3.86%인 318.1GW를 생산하고 있고 향후 매년 증가할 전망이다. 지난 20년 동안 대형풍력터빈의 제어기술이 크게 발전하였고 향후 수십 년 동안 전력시장이 소단위 발전과 분산 에너지 자원으로의 전환에 따라 소형풍력터빈 시장이 더욱 성장할 전망이다. 이에 따라, 소형 풍력 터빈이 설치된 곳의 기후를 고려한 풍력 터빈 제어 기술이 등장하고 있다.
하지만, 종래에는 기상청에서 제공하는 광역적 영역에서의 기후 데이터를 통해 넓은 범위의 기후를 평균적으로 예측해왔기 때문에, 풍력발전기가 설치된 장소의 정확한 기후 정보를 파악할 수 없다. 이로 인해, 중소형 풍력발전기의 발전효율을 높이는데 큰 한계가 있다.
실시예에 따른 인공지능을 통한 기후 예측에 기반한 발전기 제어시스템 및 방법은 예측된 기후 정보에 따라 풍력 발전기를 제어하여, 풍력발전기의 효율 및 안정성을 향상시킨다. 이를 위해, 실시예에서는 현재의 온도, 습도, 풍향, 풍속 등 기상데이터를 이용하여 국소적인 영역에서 미래의 주로 풍향, 풍속, 강수확률, 강수량 등 기상 환경을 예측하는 RNN 기반의 딥러닝 모델을 제공한다.
실시예에서는 기상청 데이터의 광역적 기상 데이터와 풍력발전기에서 측정하는 국지적 기상 데이터를 통합하여 인공지능 입력 데이터를 생성하고, 누락된 기상청 데이터는 비선형보간(Non-linear interpolation)을 통하여 복원한다. 또한, 실시예에 따른 인공지능은 GRU(Gated Recurrent Unit) 기반 양방향 RNN(bidirectional RNN)을 이용한다. 실시예에서는 발전기가 설치된 위치주변의 풍향 및 풍속을 주기적으로 예측하여, 예측된 풍향과 풍속 데이터에 따라 발전기의 블레이드 회전 방향을 제어하여 피치(pitch) 및 요(Yaw) 컨트롤을 수행한다. 또한, 실시예에서는 풍력발전기에 부착된 소형센서를 통해 국지적 기상데이터를 측정 및 수집하여, 광역 기상데이터와 함께 국지적 기후 데이터를 추가적으로 신경망에 입력하여, 풍력 발전기가 설치된 주변의 국지적인 기후 데이터를 예측할 수 있도록 한다.
실시예에 따른 인공지능을 통한 기후 예측에 기반한 발전기 제어 시스템은 기상청 데이터인 광역 기상데이터와 풍력 발전기가 설치된 주변 지역의 국지적 기상데이터를 수집하는 기상데이터 수집모듈; 광역 기상 데이터 및 국지적 기상데이터의 누락여부를 파악하고, 누락된 광역 기상 데이터 및 국지적 기상데이터를 비선형보간을 통해 복원하여, 상기 광역 기상데이터와 국지적 기상데이터를 보완하는 기상데이터 보완모듈; 보완된 광역기상 데이터 및 국지적 기상데이터를 통합하여 인공지능 입력데이터로 변환하는 변환모듈; 입력데이터에 따라 풍력발전기가 위치한 지점의 풍향 및 풍속을 예측하는 예측 모듈; 및 예측된 풍력발전기가 위치한 지점의 풍향 및 풍속에 따라 풍력발전기를 제어하는 제어모듈; 을 포함한다.
다른 실시예에 따른 인공지능을 통한 기후 예측에 기반한 발전기 제어방법은 (A) 기상데이터 수집 모듈에서 기상청 데이터인 광역 기상데이터와 풍력 발전기가 설치된 주변 지역의 국지적 기상데이터를 수집하는 단계; (B) 기상데이터 보완 모듈에서 누락된 광역 기상 데이터 및 국지적 기상데이터는 비선형보간을 통하여 복원하여, 광역 기상데이터와 국지적 기상데이터를 보완하는 단계; (C) 변환 모듈에서 상기 보완된 광역기상 데이터 및 국지적 기상데이터를 통합하여 인공지능 입력데이터로 변환하는 단계; (D) 예측 모듈에서 상기 입력데이터에 따라 풍력발전기가 위치한 지점의 풍향 및 풍속을 예측하는 단계; 및 (E) 제어모듈에서 예측된 풍력발전기가 위치한 지점의 풍향 및 풍속에 따라 풍력발전기를 제어하는 단계; 를 포함한다.
실시예에 따른 인공지능을 통한 기후 예측에 기반한 발전기 제어시스템 및 방법은 중소형 풍력발전기 및 수력발전기를 기상환경에 따라 제어하여 풍력발전 및 수력발전의 효율을 높일 수 있게 하는 인공지능 모델을 제공한다.
실시예에 따른 인공지능을 통한 기후 예측에 기반한 발전기 제어시스템 및 방법은 풍력 발전기가 설치된 주변의 국지적 기상데이터를 통해 기후정보 예측을 보다 정확하게 수행할 수 있다. 또한, 정확히 예측된 기후 정보에 따라 풍력 발전기를 최적 제어하여, 풍력발전기의 효율 및 안정성을 향상시킬 수 있다.
본 발명의 효과는 상기한 효과로 한정되는 것은 아니며, 본 발명의 상세한 설명 또는 특허청구범위에 기재된 발명의 구성으로부터 추론 가능한 모든 효과를 포함하는 것으로 이해되어야 한다.
도 1은 실시예에 따른 인공지능을 통한 기후 예측에 기반한 발전기 제어시스템을 나타낸 도면
도 2는 실시예에 따른 인공지능을 통한 기후 예측에 기반한 발전기 제어 방법의 광역 기상데이터와 국지적 기상데이터의 데이터 수집 및 보완 과정을 나타낸 도면
도 3은 실시예에 따른 인공지능을 통한 기후 예측에 기반한 발전기 제어 방법의 풍력 발전기 제어 과정을 나타낸 도면
도 2는 실시예에 따른 인공지능을 통한 기후 예측에 기반한 발전기 제어 방법의 광역 기상데이터와 국지적 기상데이터의 데이터 수집 및 보완 과정을 나타낸 도면
도 3은 실시예에 따른 인공지능을 통한 기후 예측에 기반한 발전기 제어 방법의 풍력 발전기 제어 과정을 나타낸 도면
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시 예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시 예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 도면부호는 동일 구성 요소를 지칭한다.
본 발명의 실시 예들을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 그리고 후술되는 용어들은 본 발명의 실시 예에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
도 1은 실시예에 따른 인공지능을 통한 기후 예측에 기반한 발전기 제어시스템을 나타낸 도면이다.
도 1을 참조하면, 실시예에 따른 인공지능을 통한 기후 예측에 기반한 발전기 제어시스템은 기상데이터 수집모듈(100), 기상데이터 보완모듈(200), 변환모듈(300), 예측 모듈(400) 및 제어모듈(500)을 포함하여 구성될 수 있다. 본 명세서에서 사용되는 '모듈' 이라는 용어는 용어가 사용된 문맥에 따라서, 소프트웨어, 하드웨어 또는 그 조합을 포함할 수 있는 것으로 해석되어야 한다. 예를 들어, 소프트웨어는 기계어, 펌웨어(firmware), 임베디드코드(embedded code), 및 애플리케이션 소프트웨어일 수 있다. 또 다른 예로, 하드웨어는 회로, 프로세서, 컴퓨터, 집적 회로, 집적 회로 코어, 센서, 멤스(MEMS; Micro-Electro-Mechanical System), 수동 디바이스, 또는 그 조합일 수 있다.
기상데이터 수집모듈(100)은 기상청 데이터인 광역 기상데이터와 풍력 발전기가 설치된 주변 지역의 국지적 기상데이터를 풍력발전기를 통해 수집한다. 실시예에서 기상청 데이터인 광역 기상데이터는 온도, 습도, 기압, 풍향, 풍속 데이터를 포함하고, 국지적 기상데이터는 온도, 기압, 풍속 데이터를 포함할 수 있다. 실시예에서 국지적 기상데이터는 풍력발전기에 부착된 소형센서를 통해 측정 후 수집될 수 있다. 실시예에서는 대략 반경 50-100m 이내의 영역인 국지적 기후 데이터를 추가적으로 인공신경망에 입력하여, 풍력 발전기가 설치된 주변의 국지적인 기후 데이터를 예측할 수 있도록 한다. 실시예에서는 풍력발전기가 발전 중일 경우에는 순간 전력 발전량을 기반으로 풍속을 역추적하여 산출한 현재 풍속이 국지적 기상데이터에 포함될 수 있다.
기상데이터 보완모듈(200)은 광역 기상데이터와 국지적 기상데이터의 누락여부를 파악하고, 누락된 기상데이터를 복원한다. 실시예에서는 누락된 광역 기상 데이터 및 국지적 기상데이터를 비선형보간을 통해 복원하여 광역 기상데이터와 국지적 기상데이터를 보완할 수 있다. 실시예에 따른 기상데이터 보완모듈(200)은 풍향, 풍속 등 2차원 공간에서 누락된 데이터를 이중 이차곡선(bi-quadratic) 또는 이중 삼차곡선(bi-cubic) 등을 이용하여 비선형 보간 할 수 있다.
변환모듈(300)은 보완된 광역기상 데이터 및 국지적 기상데이터를 통합하여 인공지능 입력데이터 형식으로 변환한다. 실시예에서 변환모듈(300)은 라벨링 및 데이터 셋 구축 과정 등을 광역기상데이터와 국지적 기상데이터를 인공지능 입력 데이터 형식으로 변환할 수 있다. 또한, 실시예에서 변환모듈(300)은 광역기상데이터와 국지적 기상데이터를 통합하여 인공지능은 GRU(Gated Recurrent Unit) 기반 양방향 RNN(bidirectional RNN)의 입력데이터 형식으로 변환할 수 있다. 실시예에서 변환모듈(300)은 기상청 데이터인 광역적 기상 데이터와 풍력발전기에서 측정하는 국지적 기상 데이터를 통합하여 인공지능의 입력데이터로 변환함으로써, 풍력발전기가 설치된 지역의 보다 정확한 기후 예측이 가능하도록 한다. 실시예에서 입력데이터는 30분 단위의 온도, 습도, 풍향, 풍속, 강수량, 강수확률, 기압을 포함하는 기상청 데이터와 n분 단위로 발전기에서 측정되는 온도, 습도, 기압을 포함하는 국지적 기상데이터를 통해 생성될 수 있다. 실시예에서는 기상데이터 수집 간격의 최소단위는 1분으로 설정가능하고, 데이터 수집 및 업데이트 간격은 조정할 수 있다.
예측 모듈(400)은 GRU(Gated Recurrent Unit) 기반 양방향(bidirectional) RNN(Recurrent Neural Network) 인공지능을 통해, 입력데이터에 따라 풍력발전기가 위치한 지점의 풍향 및 풍속을 예측한다. 또한, 예측 모듈(400)은 풍력발전기가 발전 중인 경우, 순간 전력 발전량을 역추적하여 현재 풍속을 산출한다. 현재 풍속이 산출되는 경우, 국지적 기상데이터는 측정된 온도, 기압 및 산출된 현재 풍속 데이터를 포함할 수 있다. 실시예에서 출력 값인 풍향 및 풍속 예측값은 발전기가 존재하는 곳 주변의 풍향, 풍속의 예측 값으로, 5분 단위로 1시간까지 예측 가능하다.
제어모듈(500)은 예측된 풍력발전기가 위치한 지점의 풍향 및 풍속에 따라 풍력발전기를 제어한다. 실시예에서 제어모듈(500)은 예측된 풍속이 설정된 임계값을 초과하는 경우, 풍력발전기의 블레이드가 바람에 저항을 가장 적게 받도록 블레이드의 각도를 제어하여 회전시킴으로써, 발전기를 보호할 수 있다. 즉, 실시예에서는 예측된 풍속에 따라 블레이드의 각도를 제어하여 회전시키는 피치 컨트롤(pitch control)을 수행한다.
또한, 제어모듈(500)은 예측된 풍속이 설정된 임계값 미만인 경우, 예측된 풍향 정보를 이용하여 요 컨트롤(Yaw control)을 수행하고, 최대 풍력 발전 효율을 생성 가능하도록 한다.
이하에서는 인공지능을 통한 기후 예측에 기반한 발전기 제어 방법에 대해서 차례로 설명한다. 실시예에 따른 인공지능을 통한 기후 예측에 기반한 발전기 제어 방법의 작용(기능)은 발전기 제어 시스템의 기능과 본질적으로 같은 것이므로 도 1과 중복되는 설명은 생략하도록 한다.
도 2는 실시예에 따른 인공지능을 통한 기후 예측에 기반한 발전기 제어 방법의 광역 기상데이터와 국지적 기상데이터의 데이터 수집 및 보완 과정을 나타낸 도면이다.
도 2를 탐조하면, S10 단계에서 기상데이터 수집 모듈은 기상청 서버에서 온도, 습도, 기압, 풍향, 풍속을 포함하는 광역 데이터를 수집하고, S13 단계에서 누락데이터가 존재하는지 파악한다. 누락데이터가 존재하는 경우 S15 단계로 진입하여, 비선형보간법을 통해 광역 기상데이터를 보완한다. S17 단계에서 기상데이터 수집 모듈은 보완된 광역 기상데이터와 기상청 서버로부터 수집한 광역 기상데이터를 수집한다. S12 단계에서는 기상데이터 수집 모듈에서 온도, 기압을 포함하는 국지적 기상데이터를 수집한다. 이후 S14 단계에서 풍력발전기가 발전 중인지 파악하고, 발전 중인 경우, S16 단계로 진입하여 예측 모듈에서 발전량으로부터 현재 풍속을 역추적해 산출하도록 한다. S14 단계에서 국지적 기상데이터를 수집한 풍력 발전기가 발전 중이 아닌 경우, S26 단계로 진입하여 수집된 국지적 기상데이터 중 누락데이터가 존재하는지 파악한다. 누락데이터가 존재하는 경우, S28 단계로 진입하여 비선형 보간법을 통해 국지적 기상 데이터를 보완하고, S28 단계에서 보완된 국지적 기상데이터를 수집하도록 한다. S26 단계에서는 기상데이터 보완 모듈에서 누락데이터가 존재하지 않는 것으로 파악되면 S30 단계로 진입하여 기상데이터 수집 모듈에서 온도와 기압에 해당하는 국지적 기상데이터를 수집하도록 한다.
S16 단계에서는 예측 모듈에서 현재풍속을 산출하면, S18 단계에서는 기상데이터 수집 모듈에서 온도, 기압, 풍속을 국지적 기상데이터로 수집하고, S20 단계에서는 기상데이터 보완 모듈에서 누락데이터가 존재하는지 파악한다. 누락데이터가 존재하는 경우, S22 단계로 진입하여 기상데이터 보완 모듈에서 비선형 보간법을 통해 국지적 기상 데이터를 보완한다. S24 단계에서 기상데이터 수집 모듈은 국지적 기상데이터인 온도, 기압, 풍속 데이터를 수집한다.
S19 단계에서는 예측 모듈에서 S17 단계에서 수집된 광역 기상데이터와 S24 단계에서 풍력발전기가 발전 중 일 때 수집된 국지적 기상데이터인 온도, 기압, 풍속 데이터 및 S30 단계에서 풍력발전기가 발전 중 이지 않을 때 수집된 국지적 기상데이터인 온도와 기압 데이터를 통해 GRU 기반 양방향 RNN을 통한 인공지능을 이용하여 풍력발전기가 설치된 곳의 기후를 예측한다. S21 단계에서는 예측 결과 값인 예측 풍향 및 예측 풍속 데이터를 획득한다. 이후, 예측 풍향 및 예측 풍속 데이터를 통해 풍력 발전기를 제어하기 위해 S23 단계로 진입한다.
도 3은 실시예에 따른 인공지능을 통한 기후 예측에 기반한 발전기 제어 방법의 풍력 발전기 제어 과정을 나타낸 도면이다.
도 3을 참조하면, S23 단계에서는 제어모듈에서 예측된 풍속 값이 임계 풍속 이상인지 파악한다. 임계 풍속 이상인 경우 S33 단계로 진입하여 피치 컨트롤을 수행하고, 임계 풍속 미만인 경우, S25 단계로 진입한다. S25 단계에서는 제어모듈에서 피치 컨트롤 수행 중인지 파악하고, 피치 컨트롤 수행 중인 경우 S31 단계로 진입하여 피치 컨트롤을 해제한다. S25 단계에서 피치 컨트롤 수행 중이 아닌 경우, S27 단계로 진입하여 풍력발전기의 발전 효율이 최대인지 파악한다. 풍력 발전기의 발전 효율이 최대인 경우, S23 단계로 다시 진입하고, S27 단계에서 풍력발전기의 발전효율이 최대가 아닌 것으로 파악되면 S29 단계로 진입하여 요 컨트롤을 수행한다.
실시예에 따른 인공지능을 통한 기후 예측에 기반한 발전기 제어시스템 및 방법은 예측된 기후 정보에 따라 풍력 발전기를 제어하여, 풍력발전기의 효율 및 안정성을 향상시킨다. 이를 위해, 실시예에서는 현재의 온도, 습도, 풍향, 풍속 등 기상데이터를 이용하여 국소적인 영역에서 미래의 주로 풍향, 풍속, 강수확률, 강수량 등 기상 환경을 예측하는 RNN 기반의 딥러닝 모델을 제공한다.
실시예에서는 기상청 데이터의 광역적 기상 데이터와 풍력발전기에서 측정하는 국지적 기상 데이터를 통합하여 인공지능 입력 데이터를 생성하고, 누락된 기상청 데이터는 비선형보간(Non-linear interpolation)을 통하여 복원한다. 또한, 실시예에 따른 인공지능은 GRU(Gated Recurrent Unit) 기반 양방향 RNN(bidirectional RNN)을 이용한다. 실시예에서는 발전기가 설치된 위치주변의 풍향 및 풍속을 주기적으로 예측하여, 예측된 풍향과 풍속 데이터에 따라 발전기의 블레이드 회전 방향을 제어하여 피치(pitch) 및 요(Yaw) 컨트롤을 수행한다. 또한, 실시예에서는 풍력발전기에 부착된 소형센서를 통해 국지적 기상데이터를 측정 및 수집하여, 광역 기상데이터와 함께 국지적 기후 데이터를 추가적으로 신경망에 입력하여, 풍력 발전기가 설치된 주변의 국지적인 기후 데이터를 예측할 수 있도록 한다.
개시된 내용은 예시에 불과하며, 특허청구범위에서 청구하는 청구의 요지를 벗어나지 않고 당해 기술분야에서 통상의 지식을 가진 자에 의하여 다양하게 변경 실시될 수 있으므로, 개시된 내용의 보호범위는 상술한 특정의 실시예에 한정되지 않는다.
Claims (7)
- 인공지능을 통한 기후 예측에 기반한 발전기 제어시스템에 있어서,
기상청 데이터인 광역 기상데이터와 풍력 발전기가 설치된 주변 지역의 국지적 기상데이터를 수집하는 기상데이터 수집모듈;
광역 기상 데이터 및 국지적 기상데이터의 누락여부를 파악하고, 누락된 광역 기상 데이터 및 국지적 기상데이터를 비선형보간을 통해 복원하여, 상기 광역 기상데이터와 국지적 기상데이터를 보완하는 기상데이터 보완모듈;
상기 보완된 광역기상 데이터 및 국지적 기상데이터를 통합하여 인공지능 입력데이터 형식으로 변환하는 변환모듈;
상기 입력데이터에 따라 풍력발전기가 위치한 지점의 풍향 및 풍속을 예측하는 예측 모듈; 및
상기 예측된 풍력발전기가 위치한 지점의 풍향 및 풍속에 따라 풍력발전기를 제어하는 제어모듈; 을 포함하는 인공지능을 통한 기후 예측에 기반한 발전기 제어시스템.
- 제1항에 있어서, 상기 제어모듈; 은
예측된 풍속이 설정된 임계값을 초과하는 경우, 풍력발전기의 블레이드가 바람에 저항을 가장 적게 받도록 블레이드의 각도를 제어하여 회전시키는 피치 컨트롤(pitch control)을 수행하는 것을 특징으로 하는 인공지능을 통한 기후 예측에 기반한 발전기 제어시스템.
- 제1항에 있어서, 상기 제어모듈; 은
예측된 풍속이 설정된 임계값 미만인 경우, 예측된 풍향 정보를 이용하여 최대 풍력 발전 효율을 생산하도록 요 컨트롤(Yaw control)을 수행하는 것을 특징으로 하는 인공지능을 통한 기후 예측에 기반한 발전기 제어시스템.
- 제1항에 있어서, 상기 예측 모듈; 은
풍력발전기가 발전 중인 경우, 순간 전력 발전량을 통해 현재 풍속을 역산출하는 것을 특징으로 하는 인공지능을 통한 기후 예측에 기반한 발전기 제어시스템.
- 제1항에 있어서, 상기 국지적 기상데이터는
측정된 온도, 기압 및 산출된 현재 풍속 데이터를 포함하는 것을 특징으로 하는 인공지능을 통한 기후 예측에 기반한 발전기 제어시스템.
- 인공지능을 통한 기후 예측에 기반한 발전기 제어방법에 있어서,
(A) 기상데이터 수집 모듈에서 기상청 데이터인 광역 기상데이터와 풍력 발전기가 설치된 주변 지역의 국지적 기상데이터를 수집하는 단계;
(B) 기상데이터 보완 모듈에서 누락된 광역 기상 데이터 및 국지적 기상데이터는 비선형보간을 통하여 복원하여, 상기 광역 기상데이터와 국지적 기상데이터를 보완하는 단계;
(C) 변환 모듈에서 상기 보완된 광역기상 데이터 및 국지적 기상데이터를 통합하여 인공지능 입력데이터로 변환하는 단계;
(D) 예측 모듈에서 상기 입력데이터에 따라 풍력발전기가 위치한 지점의 풍향 및 풍속을 예측하는 단계; 및
(E) 제어모듈에서 상기 예측된 풍력발전기가 위치한 지점의 풍향 및 풍속에 따라 풍력발전기를 제어하는 단계; 를 포함하는 인공지능을 통한 기후 예측에 기반한 발전기 방법.
- 제6항에 있어서, 상기(D)의 단계; 는
풍력발전기가 발전 중인 경우, 순간 전력 발전량을 통해 현재 풍속을 역산출하는 것을 특징으로 하는 인공지능을 통한 기후 예측에 기반한 발전기 방법.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210172248A KR102577711B1 (ko) | 2021-12-03 | 2021-12-03 | 인공지능을 통한 기후 예측에 기반한 발전기 제어시스템 및 방법 |
| PCT/KR2022/010852 WO2023101131A1 (ko) | 2021-12-03 | 2022-07-25 | 인공지능을 통한 기후 예측에 기반한 발전기 제어시스템 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210172248A KR102577711B1 (ko) | 2021-12-03 | 2021-12-03 | 인공지능을 통한 기후 예측에 기반한 발전기 제어시스템 및 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20230083860A KR20230083860A (ko) | 2023-06-12 |
| KR102577711B1 true KR102577711B1 (ko) | 2023-09-11 |
Family
ID=86770244
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210172248A KR102577711B1 (ko) | 2021-12-03 | 2021-12-03 | 인공지능을 통한 기후 예측에 기반한 발전기 제어시스템 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102577711B1 (ko) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102221576B1 (ko) | 2019-12-05 | 2021-03-02 | 한국에너지기술연구원 | 풍력 발전기의 출력증가 및 하중감소를 위한 나셀 라이다를 이용한 풍력발전기 제어시스템 및 이를 이용한 풍력발전기 제어방법 |
| KR102309596B1 (ko) | 2020-12-29 | 2021-10-06 | 포항공과대학교 산학협력단 | 미래 풍황 예측을 통한 풍력발전 시스템 및 풍력발전기 제어방법 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101998553B1 (ko) | 2012-08-01 | 2019-07-10 | 한국전력공사 | 단기 풍속 예측을 통한 풍력 발전량 예측 방법과, 그 기능을 이용한 배전선로 전압 예측 방법 |
| KR20160127992A (ko) * | 2015-04-28 | 2016-11-07 | (주)지비엠 아이엔씨 | 기상 예측 모델을 이용한 풍력발전 시스템 및 방법 |
| KR101749427B1 (ko) | 2015-11-26 | 2017-07-03 | 제주대학교 산학협력단 | 다양한 특성을 갖는 인공 신경망에 기초한 풍속 예측 방법 및 그 방법을 이용한 장치 |
| KR102358798B1 (ko) * | 2017-10-19 | 2022-02-08 | 광주과학기술원 | 에너지 수요 예측 방법 및 그 시스템 |
-
2021
- 2021-12-03 KR KR1020210172248A patent/KR102577711B1/ko active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102221576B1 (ko) | 2019-12-05 | 2021-03-02 | 한국에너지기술연구원 | 풍력 발전기의 출력증가 및 하중감소를 위한 나셀 라이다를 이용한 풍력발전기 제어시스템 및 이를 이용한 풍력발전기 제어방법 |
| KR102309596B1 (ko) | 2020-12-29 | 2021-10-06 | 포항공과대학교 산학협력단 | 미래 풍황 예측을 통한 풍력발전 시스템 및 풍력발전기 제어방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20230083860A (ko) | 2023-06-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109154281B (zh) | 用于预测风场的功率输出的系统和方法 | |
| US10584680B2 (en) | Method for operating a wind turbine generator | |
| Li et al. | A physical approach of the short-term wind power prediction based on CFD pre-calculated flow fields | |
| EP3023636A1 (en) | Systems and methods for optimizing operation of a wind farm | |
| CN103389388B (zh) | 风电场风速预测方法及其装置和功率预测方法及其系统 | |
| CN103001249B (zh) | 基于bp神经网络的风电场短期功率预测方法 | |
| Anwar et al. | Assessment and mapping of solar energy potential using artificial neural network and GIS technology in the southern part of India | |
| CN102787976A (zh) | 用于风力涡轮机场的动态规则引擎的方法及系统 | |
| US10331089B2 (en) | Forecasting solar power generation using weather forecasts | |
| KR102577711B1 (ko) | 인공지능을 통한 기후 예측에 기반한 발전기 제어시스템 및 방법 | |
| DK3009670T3 (en) | Process for controlling the operation of a wind energy installation, including generating a 3D wind speed model, and wind energy installation | |
| Alam et al. | The Utilisation of Small Wind Turbines in Built-Up Areas: Prospects and Challenges | |
| Genton et al. | Blowing in the wind | |
| CN110608133B (zh) | 一种海上风力发电控制系统及方法 | |
| Mazumder et al. | Prospects of wind energy in Chittagong | |
| Serrano-Barreto et al. | Intelligent hybrid controllers for the blade angle of floating wind turbines | |
| Sharma et al. | Design and simulation of Darrieus (Eggbeater) type vertical axis wind turbine using open source software Q blade | |
| Chavan et al. | Application of wind rose for wind turbine installation | |
| Jagtap et al. | Smart monitoring and controlling of wind farms based on WSN | |
| Liu et al. | Stochastic Unit Commitment with High-Penetration Offshore Wind Power Generation in Typhoon Scenarios | |
| Gutiérrez et al. | Analysis of the optimal grid resolution for the forecasting of wind energy in different wind farms | |
| Shoguchkarov et al. | Study of the Operating Parameters of a Wind Power Plant with 0.75 MW Power under the Conditions of Tashkent Oblast | |
| Dallas et al. | Control-oriented modelling of wind direction variability | |
| Kim et al. | Fuzzy modeling and stability analysis of wind power system with doubly-fed induction generator | |
| Dallas et al. | Control-Oriented Modelling of Wind Direction Variability |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |