KR102627896B1 - 휴대용 수력 발전기의 설계방법 및 이를 수행하기 위한 설계 시스템 - Google Patents

휴대용 수력 발전기의 설계방법 및 이를 수행하기 위한 설계 시스템 Download PDF

Info

Publication number
KR102627896B1
KR102627896B1 KR1020210141286A KR20210141286A KR102627896B1 KR 102627896 B1 KR102627896 B1 KR 102627896B1 KR 1020210141286 A KR1020210141286 A KR 1020210141286A KR 20210141286 A KR20210141286 A KR 20210141286A KR 102627896 B1 KR102627896 B1 KR 102627896B1
Authority
KR
South Korea
Prior art keywords
design
runner
value
objective function
hydroelectric generator
Prior art date
Application number
KR1020210141286A
Other languages
English (en)
Other versions
KR20230057171A (ko
Inventor
김진혁
마상범
김성
Original Assignee
한국생산기술연구원
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 한국생산기술연구원 filed Critical 한국생산기술연구원
Priority to KR1020210141286A priority Critical patent/KR102627896B1/ko
Publication of KR20230057171A publication Critical patent/KR20230057171A/ko
Application granted granted Critical
Publication of KR102627896B1 publication Critical patent/KR102627896B1/ko

Links

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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • F03B—MACHINES OR ENGINES FOR LIQUIDS
    • F03B17/00—Other machines or engines
    • F03B17/06—Other machines or engines using liquid flow with predominantly kinetic energy conversion, e.g. of swinging-flap type, "run-of-river", "ultra-low head"
    • F03B17/061—Other machines or engines using liquid flow with predominantly kinetic energy conversion, e.g. of swinging-flap type, "run-of-river", "ultra-low head" with rotation axis substantially in flow 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
    • F03B—MACHINES OR ENGINES FOR LIQUIDS
    • F03B7/00—Water wheels
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • 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
    • Y02E10/20—Hydro energy

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Mechanical Engineering (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Combustion & Propulsion (AREA)
  • Chemical & Material Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Mathematics (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Power Engineering (AREA)
  • Control Of Water Turbines (AREA)
  • Other Liquid Machine Or Engine Such As Wave Power Use (AREA)

Abstract

본 발명의 일 실시 예는 휴대용 수력 발전기에 구비된 런너에 대한 최적 설계를 통해, 런너에서 최대출력이 형성되도록 하는 기술을 제공한다. 본 발명의 실시 예에 따른 고주속비용 휴대용 수력 발전기의 설계방법은, 수력에 의해 회전하는 블레이드를 복수 개 구비하는 런너에 대해서, 블레이드의 익형을 선정하고 목적함수를 설정하는 제1단계; 설정된 목적함수를 도출하기 위한 런너의 설계변수를 설정하는 제2단계; 설계변수의 범위 내에서의 설계변수 값으로 이루어진 복수의 실험점을 도출하는 제3단계; 도출된 각각의 실험점에 대한 수치해석을 통해 목적함수의 값을 계산하여 입력값을 생성하는 제4단계; 입력값에 대한 머신러닝을 통해 대리모델이 구축되는 제5단계; 및 구축된 대리모델에서 런너를 구비한 휴대용 수력 발전기의 최적화 설계안을 도출하는 제6단계를 포함한다.

Description

휴대용 수력 발전기의 설계방법 및 이를 수행하기 위한 설계 시스템 {A METHOD FOR DESIGNING A PORTABLE HYDROELECTRIC GENERATOR HAVING A HIGH TSR AND A DESIGN SYSTEM FOR PERFORMING THE SAME}
본 발명은 고주속비용 휴대용 수력 발전기의 설계방법 및 이를 수행하기 위한 설계 시스템에 관한 것으로, 더욱 상세하게는, 휴대용 수력 발전기의 런너에 대한 최적 설계를 통해, 런너에서 최대출력이 형성되도록 하는 기술에 관한 것이다.
수력 발전은 탄소 배출이 '0'으로, 탄소중립을 실현하기에 매우 적합한 발전 방식이며, 최근에는 낙차가 거의 없는 하천, 건물의 오수 등 미활용 에너지원을 활용한 소수력 발전에 대한 연구가 활발히 이루어지고 있다.
상기와 같이 낙차가 작은 위치에서 소형의 장치를 이용하여 수력 발전을 수행하기 위해서는, 물의 흐름이 런너(Runner)의 블레이드(Blade)에 비교적 높은 압력으로 집중되어야 하며, 이를 위해서는 런너의 최적 설계를 통해 블레이드를 구비한 런너에서 최대출력이 형성되도록 하는 방안이 필요하다.
대한민국 공개특허 제10-2021-0055183호(발명의 명칭: 휴대용 소수력 발전장치)에서는, 내부에 수용 공간이 형성되며, 외부에 대하여 밀폐되는 하우징부; 상기 하우징부 내에 마련되는 한 쌍의 발전 유닛; 상기 발전 유닛들에 회전력을 공급하며, 상기 수용 공간의 외부에 마련되는 블레이드부; 상기 블레이드부의 상기 회전력을 상기 발전 유닛으로 전달하기 위한 동력전달유닛; 및 상기 발전 유닛에서 생산된 전력이 저장되는 에너지 저장유닛;을 포함하는 휴대용 소수력 발전장치가 개시되어 있다.
대한민국 공개특허 제10-2021-0055183호
상기와 같은 문제점을 해결하기 위한 본 발명의 목적은, 휴대용 수력 발전기의 런너에 대한 최적 설계를 통해, 런너에서 최대출력이 형성되도록 하는 것이다.
본 발명이 이루고자 하는 기술적 과제는 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
상기와 같은 목적을 달성하기 위한 본 발명의 구성은, 수력에 의해 회전하는 블레이드를 복수 개 구비하는 런너에 대해서, 블레이드의 익형을 선정하고 목적함수를 설정하는 제1단계; 설정된 상기 목적함수를 도출하기 위한 런너의 설계변수를 설정하는 제2단계; 상기 설계변수의 범위 내에서의 상기 설계변수 값으로 이루어진 복수의 실험점을 도출하는 제3단계; 도출된 각각의 상기 실험점에 대한 수치해석을 통해 상기 목적함수의 값을 계산하여 입력값을 생성하는 제4단계; 상기 입력값에 대한 머신러닝을 통해 대리모델이 구축되는 제5단계; 및 구축된 상기 대리모델에서 상기 런너를 구비한 휴대용 수력 발전기의 최적화 설계안을 도출하는 제6단계를 포함한다.
본 발명의 실시 예에 있어서, 상기 제1단계에서, 상기 목적함수는, 상기 런너의 출력계수로써, 하기의 수학식에 의해 연산될 수 있다.
본 발명의 실시 예에 있어서, 상기 출력계수는, 소정의 주속비(Tip speed ratio, TSR)를 설정한 후 상기 목적함수로 설정될 수 있다.
본 발명의 실시 예에 있어서, 상기 설계변수는, 상기 블레이드의 표면에 대한 유체 유동 방향 각도로써 입구 각도; 및 상기 블레이드의 최대 두께 위치를 포함할 수 있다.
본 발명의 실시 예에 있어서, 상기 제3단계에서, 상기 실험점은 라틴 하이퍼 큐브 샘플링(Latin Hypercube Sampling)에 의해 도출될 수 있다.
본 발명의 실시 예에 있어서, 상기 제4단계에서, 상기 입력값은 상기 실험점을 이루는 상기 설계변수의 값 및 상기 설계변수의 값에 대한 수치해석을 통해 계산된 상기 목적함수의 값으로 이루어질 수 있다.
본 발명의 실시 예에 있어서, 상기 제5단계에서, 상기 대리모델은 RBNN(Radial basis neural network) 인공신경망으로 이루어질 수 있다.
본 발명의 실시 예에 있어서, 상기 제5단계는, 상기 입력값에 대한 머신러닝을 통해 상기 대리모델을 구축하기 위한 변수 값을 도출하는 제5a단계; 및 도출된 상기 변수 값을 이용하여 상기 대리모델을 구축하는 제5b단계를 포함할 수 있다.
본 발명의 실시 예에 있어서, 상기 제5a단계는, 상기 입력값을 K 개로 분리된 부분 집합으로 분할하는 제5a-1단계; 분할된 상기 부분 집합에서 상호 중복되지 않는 테스트 폴드를 선정하는 제5a-2단계; 각각의 상기 부분 집합에서 상기 테스트 폴드를 제외한 부분인 트레이닝 폴드만으로 머신러닝을 수행하여 상기 대리모델을 훈련시키는 제5a-3단계; 각각의 상기 부분 집합에 대하여 상기 트레이닝 폴드로 훈련된 대리모델의 예측값과 상기 테스트 폴드의 실제 값을 비교하여 상대오차를 도출하는 제5a-4단계; K 개의 상기 부분 집합에서 도출된 상기 상대 오차를 합산하여 상대오차합을 도출하는 제5a-5단계; 및 상기 상대오차합이 최소가 되는 상기 변수 값이 도출되도록 상기 제5a-1단계 내지 상기 제5a-5단계를 반복 수행하는 제5a-6단계를 포함할 수 있다.
본 발명의 실시 예에 있어서, 상기 제5a단계에서, 상기 변수 값은, 가중치(wi, wo), 뉴런의 수(n), 확산 상수(Spread constant, SC)가 포함될 수 있다.
본 발명의 실시 예에 있어서, 상기 제6단계는, 상기 대리모델에서 무작위로 선택된 설계변수 값을 유전자 알고리즘(Genetic algorithm)에 대입하여 목적함수값을 예측하는 제6a단계; 예측된 상기 목적함수값들의 상관관계를 고려한 파레토 최적해 면(Pareto-optimal front surface)을 도출하는 제6b단계; 및 도출된 상기 파레토 최적해 면에서 목적으로 하는 목적설계함수값에 대한 설계변수 값인 상기 최적화 설계안을 도출하는 제6c단계를 포함할 수 있다.
상기와 같은 목적을 달성하기 위한 본 발명의 구성은, 상기 목적함수, 상기 설계변수 및 각각의 상기 설계변수의 범위가 입력되는 입력부; 상기 입력부에 입력된 상기 설계변수의 범위 내에서 실험점을 도출하도록 마련된 설정부; 상기 설정부에서 도출된 상기 실험점에 대한 수치해석을 수행하여 상기 입력값을 생성하는 수치해석부; 상기 수치해석부에 생성된 상기 입력값에 대한 머신 러닝을 수행하여 상기 대리모델을 구축하도록 마련된 모델링부; 및 상기 모델링부로부터 상기 최적화 설계안을 도출하도록 마련된 설계부를 포함한다.
상기와 같은 구성에 따른 본 발명의 효과는, 최적화된 설계안에 따라 런너의 출력 효율이 증가하여 결과적으로, 이와 같은 런너가 설치된 휴대용 수력 발전기의 발전 성능이 현저히 향상될 수 있다는 것이다.
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 본 발명의 일 실시 예에 따른 런너의 사시도이다.
도 2는 본 발명의 일 실시 예에 따른 런너의 측면도이다.
도 3은 본 발명의 일 실시 예에 따른 블레이드의 익형 선정 관련 그래프이다.
도 4는 본 발명의 일 실시 예에 따른 본 발명의 일실시예에 따른 실험점에 대한 수치해석을 통해 목적함수의 값을 계산하여 생성된 입력값을 나타낸 표이다.
도 5는 본 발명의 일 실시 예에 따른 RBNN 대리모델을 나타낸 개략도이다.
도 6과 도 7은 본 발명의 일 실시 예에 따른 런너의 최적화 전 후에 대한 모식도이다.
도 8와 도 9는 본 발명의 일 실시 예에 따른 블레이드의 최적화 전 후의 익형에 대한 단면도다.
도 10은 본 발명의 일 실시 예에 따른 런너를 구비한 휴대용 수력 발전기의 출력에 대한 그래프이다.
도 11은 본 발명의 일 실시 예에 따른 런너의 출력계수에 대한 그래프이다.
이하에서는 첨부한 도면을 참조하여 본 발명을 설명하기로 한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며, 따라서 여기에서 설명하는 실시 예로 한정되는 것은 아니다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결(접속, 접촉, 결합)"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 부재를 사이에 두고 "간접적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 구비할 수 있다는 것을 의미한다.
본 명세서에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
이하 첨부된 도면을 참고하여 본 발명에 대하여 상세히 설명하기로 한다.
도 1은 본 발명의 일 실시 예에 따른 런너(10)의 사시도이고, 도 2는 본 발명의 일 실시 예에 따른 런너(10)의 측면도이다. 도 1과 도 2에서 보는 바와 같이, 런너(Runner)(10)는, 런너(10)의 중앙 부위에 위치하고 외형이 원통 형상으로 형성되는 허브(Hub)(12); 및 허브(12)의 둘레를 따라 배치되어 허브(12)와 결합하는 복수 개의 블레이드(blade)(11)를 구비할 수 있다.
본 발명의 설계방법에서는, 하나의 허브(12)에 3개의 블레이드(11)가 결합된 런너(10)를 이용하여 최적 설계를 수행하며, 이와 같은 최적 설계를 위한 본 발명의 설계방법은 하기와 같이 수행될 수 있으며, 이와 같은 본 발명의 설계방법은 본 발명의 설계 시스템에 의해 수행될 수 있다.
본 발명의 설계 시스템은, 목적함수, 설계변수 및 각각의 설계변수의 범위가 입력되는 입력부; 입력부에 입력된 설계변수의 범위 내에서 실험점을 도출하도록 마련된 설정부; 설정부에서 도출된 실험점에 대한 수치해석을 수행하여 입력값을 생성하는 수치해석부; 수치해석부에 생성된 입력값에 대한 머신 러닝을 수행하여 대리모델을 구축하도록 마련된 모델링부; 및 모델링부로부터 최적화 설계안을 도출하도록 마련된 설계부를 포함한다.
본 발명의 설계 시스템에 포함되는 각각의 구성은, 하기에 설명하는 본 발명의 설계방법의 각 단계에서 대응되는 기능을 수행할 수 있으며, 이와 같은 본 발명의 설계 시스템을 이용하여, 최종적으로 휴대용 수력 발전기에 설치되는 런너(10)의 최적화된 설계에 대한 정보를 도출할 수 있다.
이하, 본 발명의 설계방법에 대해서 설명하기로 한다.
먼저, 제1단계에서, 수력에 의해 회전하는 블레이드(11)를 복수 개 구비하는 런너(10)에 대해서, 블레이드(11)의 익형을 선정하고 목적함수를 설정할 수 있다.
도 3은 본 발명의 일 실시 예에 따른 블레이드(11)의 익형 선정 관련 그래프이다. 목적함수를 설정하기 전에 블레이드(11)의 익형(airfoil)을 선정할 수 있으며, 이를 위해 도 3의 그래프를 이용할 수 있다.
도 3의 그래프에서, 좌측 세로축은 효율(coefficient) 수치를 나타내고, 우측 세로축은 블레이드(11)의 양항비(CL/CD)를 나타내며, 가로축은 블레이드(11)의 받음각(Angle of Atack, AOA)를 나타낼 수 있다. 그리고, 원점 형상의 도트가 연결되어 형성되는 그래프는 양력계수(Lift coefficient)에 대한 것이고, 링 형상의 도트가 연결되어 형성되는 그래프는 항력계수(Drag coefficient)에 대한 것이며, 삼각형의 도트가 연결되어 형성되는 그래프는 양항비(CL/CD)에 대한 것이다.
블레이드(11)의 익형 선정 기준에 있어서, 상대적으로 양항비가 크고, 이와 같이 상대적으로 큰 양항비가 발생하는 받음각의 구간이 길게 형성되며, 급격한 실속이 발생하지 않는 조건에 적합한 익형이 블레이드(11)의 익형으로 선정될 수 있다. 그리고, 실속 이후의 성능 감소가 최소화되고 표면 거칠기 변화에 박리시점이 급변하지 않는 조건에 적합한 익형이 블레이드(11)의 익형으로 선정될 수 있다.
상기와 같은 조건을 고려하여, 블레이드(11)의 익형으로써 NREL S814의 익형을 선정할 수 있다. S814는 구조설계에 유리하며 비교적 안정적 추력성능확보가 가능한 익형(airfoil) 시리즈를 변화되는 천이구간에서 형성변화를 최소화하기 위한 조건에 적합할 수 있다.
제1단계에서, 목적함수는, 런너(10)의 출력계수로써, 하기의 [수학식 2]에 의해 연산될 수 있다. 그리고, 출력계수는, 소정의 주속비(Tip speed ratio, TSR)를 설정한 후 목적함수로 설정될 수 있다. 여기서, 주속비는 하기의 [수학식 1]에 의해 연산될 수 있다.
[수학식 1]
[수학식 2]
[수학식 1]과 [수학식 2]에 있어서, TSR은 주속비, Cp는 출력계수, r은 런너(10) 반지름, ω는 런너(10)의 회전속도, U는 런너(10)에 대한 유체의 유입 유속, τ는 런너(10)에 작용하는 토크, ρ는 런너(10)에 대한 유체의 밀도, A는 런너(10)에 대한 유체의 유동 단면적이다.
상기와 같은 제1단계 수행 후 제2단계에서, 설정된 목적함수를 도출하기 위한 런너(10)의 설계변수를 설정할 수 있다.
여기서, 설계변수는, 블레이드(11)의 표면에 대한 유체 유동 방향 각도로써 입구 각도; 및 블레이드(11)의 최대 두께 위치를 포함할 수 있다. 런너(10)의 수력학적 성능을 향상시키기 위하여, 블레이드(11)의 70% 스팬(span)과 팁(Tip) 스팬 각각에서의 입구 각도(β1_tip, β1_70)와 블레이드(11) 익형의 최대 두께 위치(σmax_tip, σmax_70)를 설계변수로 설정할 수 있다. 그리고, 주속비(TSR)가 5일 때의 출력계수(Cp)를 상기와 같은 목적함수로 설정할 수 있다.
본 발명의 실시 예에서는 상기와 같이 설정된 목적함수에 가장 큰 영향을 미치는 각각의 설계변수로 최적 설계하는 경우에 대해 설명하고 있으나, 설계변수는 상기와 같은 변수에 한정되는 것이 아니고, 다른 변수를 포함할 수도 있다.
설계변수의 최대값 및 최소값 범위는 런너(10)의 사이즈를 고려하여 기설정되는 값일 수 있으며, 초기 설정 대비 백분율 범위로 설정될 수 있으나, 반드시 이에 한정되는 것은 아니다. 각각의 설계변수의 최대 최소는 범위 내에 2차 함수의 변곡점이 포함되도록 설정될 수 있다.
상기와 같은 제2단계 수행 후 제3단계에서, 설계변수의 범위 내에서의 설계변수 값으로 이루어진 복수의 실험점을 도출할 수 있다. 여기서, 실험점은 라틴 하이퍼 큐브 샘플링(Latin Hypercube Sampling)에 의해 도출될 수 있다.
여기서, 각각의 상기 실험점은 상기 설계변수의 값으로 이루어진 것일 수 있으며, 본 발명의 실시예에서는 48개의 실험점을 라틴 하이퍼 큐브 샘플링 방법에 의해 도출하였으나, 상기 실험점의 개수가 이에 한정되는 것은 아니다.
상기와 같은 제3단계 수행 후 제4단계에서, 도출된 각각의 실험점에 대한 수치해석을 통해 목적함수의 값을 계산하여 입력값을 생성할 수 있다.
도 4는 본 발명의 일 실시 예에 따른 본 발명의 일실시예에 따른 실험점에 대한 수치해석을 통해 목적함수의 값을 계산하여 생성된 입력값을 나타낸 표이다.
제4단계에서는, 라틴 하이퍼 큐브 샘플링 방법에 의해 도출된 실험점들에 대한 수치해석을 수행하여 목적함수 값을 구함으로 입력값을 도출하도록 마련될 수 있다.
여기서, 도 4에서 보는 바와 같이, 입력값은 실험점을 이루는 설계변수의 값 및 설계변수의 값에 대한 수치해석을 통해 계산된 목적함수의 값으로 이루어질 수 있다.
상기와 같은 제4단계 수행 후 제5단계에서, 입력값에 대한 머신러닝을 통해 대리모델이 구축될 수 있다.
도 5는 본 발명의 일 실시 예에 따른 RBNN 대리모델을 나타낸 개략도이다. 제5단계에서, 대리모델은 RBNN(Radial basis neural network) 인공신경망으로 이루어질 수 있다.
RBNN(Radial basis neural network) 인공신경망 대리모델에 대해서 구체적으로 설명하면, RBNN(Radial basis neural network) 인공신경망은 인공 신경망 종류 중 하나로서, 입력값, 출력값 및 숨은층(Hidden layer)로 구성될 수 있다.
도 5에서 보는 바와 같이, RBNN 인공신경망의 예측 정확성은 숨은층에 의해 의존되며, 입력갑셍 의한 숨은층들은 하기의 [수학식 3]과 같이 방사형 기저 전달함수로 표현되는 뉴런들로 구성될 수 있다.
[수학식 3]
)
여기서, wi는 가중치를 의미하고, b는 바이어스이고, p는 입력벡터이다. 방사형 기저함수(radbas)는 하기의 [수학식 4]와 같다.
[수학식 4]
각 뉴런들은 출력 가중치가 결합되어 선형결합으로 출력되며, 하기의 [수학식 5]와 같이 나타낼 수 있다.
[수학식 5]
여기서, 는 가중치이고, 는 방사형 기저함수를 나타낸다.
이처럼 마련된 RBNN 인공신경망 대리모델을 이용할 경우, 출력값의 선형성으로 인해 계산 및 예측시간을 줄일 수 있다.
상기된 제5단계는, 먼저, 입력값에 대한 머신러닝을 통해 대리모델을 구축하기 위한 변수 값을 도출하는 제5a단계가 수행될 수 있다. 제5a단계에서, 변수 값은, 가중치(wi, wo), 뉴런의 수(n), 확산 상수(Spread constant, SC)가 포함될 수 있다.
제5a단계에서는, 먼저, 제5a단계는, 입력값을 K 개로 분리된 부분 집합으로 분할하는 제5a-1단계가 수행될 수 있다. 여기서, 입력값을 K개로 분리된 부분 집합으로 분할하도록 마련될 수 있다. 이 때, K개는 입력값의 개수와 동일하게 마련될 수 있다. 일 예로, 설계변수 값과 목적함수 값으로 이루어진 입력값이 48개인 경우, 부분 집합의 개수도 48개로 마련될 수 있다.
제5a-1단계가 수행된 후에는, 분할된 부분 집합에서 상호 중복되지 않는 테스트 폴드를 선정하는 제5a-2단계가 수행될 수 있다. 여기서, 각각의 부분 집합에서 상호 중복되지 않도록 테스트 폴드를 선정하도록 마련될 수 있다.
일 예로, 첫번째 부분 집합에서는 1번 입력값을 테스트 폴드로 선정하고, 두번째 부분 집합에서는 2번 입력값을 테스트 폴드로 선정하는 방식으로 이루어질 수 있다.
제5a-2단계가 수행된 후에는, 각각의 부분 집합에서 테스트 폴드를 제외한 부분인 트레이닝 폴드만으로 머신러닝을 수행하여 대리모델을 훈련시키는 제5a-3단계가 수행될 수 있다. 여기서, 각각의 부분 집합에서 트레이닝 폴드만으로 머신러닝을 수행하도록 마련될 수 있다.
일 예로, 첫번째 부분 집합에서 1번 입력값이 테스트 폴드인 경우, 나머지 입력값은 트레이닝 폴드가 된다. 그리고 이처럼 마련된 트레이닝 폴드만으로 머신 러닝을 수행하여 RBNN 인공신경망 대리모델을 훈련시킬 수 있다. 이때, 머신 러닝은 상기 변수인 가중치(wi, wo), 뉴런의 수(n), 확산 상수(Spread constant,SC) 등을 변화시켜가면서 이루어질 수 있다.
제5a-3단계가 수행된 후에는, 각각의 부분 집합에 대하여 트레이닝 폴드로 훈련된 대리모델의 예측값과 테스트 폴드의 실제 값을 비교하여 상대오차를 도출하는 제5a-4단계가 수행될 수 있다.
제5a-4단계에서는, 트레이닝 폴드로 훈련된 대리모델을 이용하여 테스트 폴드의 예측값을 계산하고, 테스프 폴드의 실제 값을 비교하여 상대 오차를 도출하도록 마련될 수 있다.
제5a-4단계가 수행된 후에는, K 개의 부분 집합에서 도출된 상대 오차를 합산하여 상대오차합을 도출하는 제5a-5단계가 수행될 수 있다. 여기서, 각각의 부분 집합에서 도출된 상대 오차들을 합하여 상대오차합을 도출하도록 마련될 수 있다.
제5a-5단계가 수행된 후에는, 상대오차합이 최소가 되는 변수 값이 도출되도록 제5a-1단계 내지 제5a-5단계를 반복 수행하는 제5a-6단계가 수행될 수 있다.
상기와 같은 제5a단계가 수행된 이후에는, 도출된 변수 값을 이용하여 대리모델을 구축하는 제5b단계가 수행될 수 있다. 여기서, 도출된 상기 변수 값들을 이용하여 상기 RBNN 인공신경망 대리모델을 구축하도록 마련될 수 있다.
상기와 같은 제5단계 수행 후 제6단계에서, 구축된 대리모델에서 런너(10)를 구비한 휴대용 수력 발전기의 최적화 설계안을 도출할 수 있다.
제6단계에서는, 먼저, 대리모델에서 무작위로 선택된 설계변수 값을 유전자 알고리즘(Genetic algorithm)에 대입하여 목적함수값을 예측하는 제6a단계가 수행될 수 있다. 여기서, 유전자 알고리즘은 자연에서 진화하는 방식을 모방하여 개발된 탐색 기법이다.
구체적으로, 제6a단계에서는, 먼저, 대리모델에서 무작위로 설계 변수를 선택하여 복수의 모집단을 선정할 수 있다. 그리고, 모집단들을 상기 유전자 알고리즘에 따라 선택, 돌연변이, 교차 연산을 수행하여 설계변수에 따른 예측 목적함수값이 실제 목적함수값과의 상대오차가 1x10-8 이하가 될 때까지 반복 수행이 이루어지도록 마련될 수 있다.
제6a단계가 수행된 후 예측된 목적함수값들의 상관관계를 고려한 파레토 최적해 면(Pareto-optimal front surface)을 도출하는 제6b단계가 수행될 수 있다. 여기서, 예측된 된 목적함수값들의 상관 관계를 고려하여 파레토 최적해를 이루는 라인 또는 면을 도출하도록 마련될 수 있다.
제6b단계가 수행된 후, 도출된 파레토 최적해 면에서 목적으로 하는 목적설계함수값에 대한 설계변수 값인 최적화 설계안을 도출하는 제6c단계가 수행될 수 있다. 여기서, 목적설계함수값을 갖도록 하는 설계변수를 상기 파레토 최적해 면에서 도출하여 최적화 설계안을 도출하도록 마련될 수 있다.
도 6과 도 7은 본 발명의 일 실시 예에 따른 런너(10)의 최적화 전 후에 대한 모식도이다. 구체적으로, 도 6의 (a)는 최적화 설계 전 런너(10)에 대한 설계안 모식도이고, 도 6의 (b)는 최적화 설계 전 블레이드(11) 각 부위의 익형에 대한 설계안 모식도이다. 그리고, 도 7의 (a)는 최적화 설계 후 런너(10)에 대한 설계안 모식도이고, 도 7의 (b)는 최적화 설계 후 블레이드(11) 각 부위의 익형에 대한 설계안 모식도이다. 도 6의 (b)와 도 7의 (b) 각각에서는, 블레이드(11)의 각 부위의 익형이 겹쳐져 도시되어 있다.
도 8와 도 9는 본 발명의 일 실시 예에 따른 블레이드(11)의 최적화 전 후의 익형에 대한 단면도다. 도 8의 (a)는 최적화 설계 전 블레이드(11)의 70% 스팬(span)에서의 익형을 나타내고, 도 8의 (b)는 최적화 설계 후 블레이드(11)의 70% 스팬에서의 익형을 나타낸다. 그리고, 도 9의 (a)는 최적화 설계 전 블레이드(11)의 팁(Tip)에서의 익형을 나타내고, 도 9의 (b)는 최적화 설계 후 블레이드(11)의 팁(Tip)에서의 익형을 나타낸다.
도 6 내지 도 9에서 보는 바와 같이, 최적화(Optimization) 설계안에 따라 런너(10)를 제작하는 경우, 블레이드(11)의 평균 두께가 감소함으로써, 블레이드(11)의 제조 비용이 감소하고 이와 같은 블레이드(11)를 구비한 런너(10)가 설치된 휴대용 수력 발전기의 중량이 감소되는 효과가 구현됨을 확인할 수 있다.
도 10은 본 발명의 일 실시 예에 따른 런너(10)를 구비한 휴대용 수력 발전기의 출력에 대한 그래프이고, 도 11은 본 발명의 일 실시 예에 따른 런너(10)의 출력계수에 대한 그래프이다. 도 10에서, 세로축은 휴대용 수력 발전기의 발전량(Power[W])을 나타내고 가로축은 런너(10)의 주속비(TSR)을 나타낸다. 그리고, 도 11에서, 세로축은 런너(10)의 출력계수(Cp)를 나타내고 가로축은 런너(10)의 주속비(TSR)을 나타낸다.
도 10과 도 11에서, 삼각형 도트가 연결된 그래프는 최적화 설계 전 런너(Reference)에 대한 것이고, 사각형 도트가 연결된 그래프는 최적화 설계 후 런너(Optimization)에 대한 것이다.
도 10과 도 11에서 보는 바와 같이, 주속비 3을 제외하고 전반적으로 발전 성능이 기준(Reference) 대비 향상된 것을 확인할 수 있으며, 목적함수인 주속비 5 및 주속비 6에서의 경우, 효율이 5%이상 향상됨을 확인할 수 있다.
그리고, 추가적으로, 실험을 통해 목적함수인 주속비 5인 경우, 최적화 설계된 본 발명의 런너(10)가 설치된 휴대용 수력 발전기의 배터리 완충 시간이 약 30% 단축됨을 확인할 수 있다.
상기와 같이, 본 발명의 설계방법을 이용하여 런너(10)를 제작하고 이를 휴대용 수력 발전기에 설치하는 경우, 최적화된 설계안에 따라 런너(10)의 출력 효율이 증가하여 결과적으로, 이와 같은 런너(10)가 설치된 휴대용 수력 발전기의 발전 성능이 현저히 향상될 수 있다.
그리고, 상기와 같이, 최적화된 설계안을 이용하는 경우 런너(10)의 부피가 감소할 수 있어, 휴대용 수력 발전기의 중량이 감소하는 효과도 구현될 수 있다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시 예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
10 : 런너
11 : 블레이드
12 : 허브

Claims (12)

  1. 수력에 의해 회전하는 블레이드를 복수 개 구비하는 런너에 대해서, 상기 블레이드의 익형을 선정하고 목적함수를 설정하는 제1단계;
    설정된 상기 목적함수를 도출하기 위한 상기 런너의 설계변수를 설정하는 제2단계;
    상기 설계변수의 범위 내에서의 설계변수 값으로 이루어진 복수의 실험점을 도출하는 제3단계;
    도출된 각각의 상기 실험점에 대한 수치해석을 통해 상기 목적함수의 값을 계산하여 입력값을 생성하는 제4단계;
    상기 입력값에 대한 머신러닝을 통해 RBNN(Radial basis neural network) 인공신경망으로 이루어지는 대리모델이 구축되는 제5단계; 및
    구축된 상기 대리모델에서 상기 런너를 구비한 휴대용 수력 발전기의 최적화 설계안을 도출하는 제6단계를 포함하고,
    상기 제5단계는, 상기 입력값에 대한 머신러닝을 통해 상기 대리모델을 구축하기 위한 변수값을 도출하는 제5a단계를 포함하며,
    상기 제5a단계에서, 상기 변수 값은, 가중치(wi, wo), 뉴런의 수(n), 확산 상수(Spread constant, SC)가 포함되는 것을 특징으로 하는 휴대용 수력 발전기의 설계방법.
  2. 청구항 1에 있어서,
    상기 제1단계에서, 상기 목적함수는, 상기 런너의 출력계수로써, 하기의 수학식에 의해 연산되는 것을 특징으로 하는 휴대용 수력 발전기의 설계방법.

    여기서, Cp는 출력계수, r은 런너 반지름, ω는 런너의 회전속도, U는 런너에 대한 유체의 유입 유속, τ는 런너에 작용하는 토크, ρ는 런너에 대한 유체의 밀도, A는 런너에 대한 유체의 유동 단면적이다.
  3. 청구항 2에 있어서,
    상기 출력계수는, 소정의 주속비(Tip speed ratio, TSR)를 설정한 후 상기 목적함수로 설정되는 것을 특징으로 하는 휴대용 수력 발전기의 설계방법.
  4. 청구항 1에 있어서,
    상기 설계변수는,
    상기 블레이드의 표면에 대한 유체 유동 방향 각도로써 입구 각도; 및
    상기 블레이드의 최대 두께 위치를 포함하는 것을 특징으로 하는 휴대용 수력 발전기의 설계방법.
  5. 청구항 1에 있어서,
    상기 제3단계에서, 상기 실험점은 라틴 하이퍼 큐브 샘플링(Latin Hypercube Sampling)에 의해 도출되는 것을 특징으로 하는 휴대용 수력 발전기의 설계방법.
  6. 청구항 1에 있어서,
    상기 제4단계에서, 상기 입력값은 상기 실험점을 이루는 상기 설계변수의 값 및 상기 설계변수의 값에 대한 수치해석을 통해 계산된 상기 목적함수의 값으로 이루어진 것을 특징으로 하는 휴대용 수력 발전기의 설계방법.
  7. 삭제
  8. 청구항 1에 있어서,
    상기 제5단계는,
    도출된 상기 변수 값을 이용하여 상기 대리모델을 구축하는 제5b단계를 더 포함하는 것을 특징으로 하는 휴대용 수력 발전기의 설계방법.
  9. 청구항 8에 있어서,
    상기 제5a단계는,
    상기 입력값을 K 개로 분리된 부분 집합으로 분할하는 제5a-1단계;
    분할된 상기 부분 집합에서 상호 중복되지 않는 테스트 폴드를 선정하는 제5a-2단계;
    각각의 상기 부분 집합에서 상기 테스트 폴드를 제외한 부분인 트레이닝 폴드만으로 머신러닝을 수행하여 상기 대리모델을 훈련시키는 제5a-3단계;
    각각의 상기 부분 집합에 대하여 상기 트레이닝 폴드로 훈련된 대리모델의 예측값과 상기 테스트 폴드의 실제 값을 비교하여 상대오차를 도출하는 제5a-4단계;
    K 개의 상기 부분 집합에서 도출된 상기 상대 오차를 합산하여 상대오차합을 도출하는 제5a-5단계; 및
    상기 상대오차합이 최소가 되는 상기 변수 값이 도출되도록 상기 제5a-1단계 내지 상기 제5a-5단계를 반복 수행하는 제5a-6단계를 포함하는 것을 특징으로 하는 휴대용 수력 발전기의 설계방법.
  10. 삭제
  11. 청구항 1에 있어서,
    상기 제6단계는,
    상기 대리모델에서 무작위로 선택된 설계변수 값을 유전자 알고리즘(Genetic algorithm)에 대입하여 목적함수값을 예측하는 제6a단계;
    예측된 상기 목적함수값들의 상관관계를 고려한 파레토 최적해 면(Pareto-optimal front surface)을 도출하는 제6b단계; 및
    도출된 상기 파레토 최적해 면에서 목적으로 하는 목적설계함수값에 대한 설계변수 값인 상기 최적화 설계안을 도출하는 제6c단계를 포함하는 것을 특징으로 하는 휴대용 수력 발전기의 설계방법.
  12. 청구항 1의 휴대용 수력 발전기의 설계방법을 수행하기 위한 설계 시스템에 있어서,
    상기 목적함수, 상기 설계변수 및 각각의 상기 설계변수의 범위가 입력되는 입력부;
    상기 입력부에 입력된 상기 설계변수의 범위 내에서 실험점을 도출하도록 마련된 설정부;
    상기 설정부에서 도출된 상기 실험점에 대한 수치해석을 수행하여 상기 입력값을 생성하는 수치해석부;
    상기 수치해석부에 생성된 상기 입력값에 대한 머신 러닝을 수행하여 상기 대리모델을 구축하도록 마련된 모델링부; 및
    상기 모델링부로부터 상기 최적화 설계안을 도출하도록 마련된 설계부를 포함하는 것을 특징으로 하는 설계 시스템.
KR1020210141286A 2021-10-21 2021-10-21 휴대용 수력 발전기의 설계방법 및 이를 수행하기 위한 설계 시스템 KR102627896B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210141286A KR102627896B1 (ko) 2021-10-21 2021-10-21 휴대용 수력 발전기의 설계방법 및 이를 수행하기 위한 설계 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210141286A KR102627896B1 (ko) 2021-10-21 2021-10-21 휴대용 수력 발전기의 설계방법 및 이를 수행하기 위한 설계 시스템

Publications (2)

Publication Number Publication Date
KR20230057171A KR20230057171A (ko) 2023-04-28
KR102627896B1 true KR102627896B1 (ko) 2024-01-23

Family

ID=86143375

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210141286A KR102627896B1 (ko) 2021-10-21 2021-10-21 휴대용 수력 발전기의 설계방법 및 이를 수행하기 위한 설계 시스템

Country Status (1)

Country Link
KR (1) KR102627896B1 (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101679188B1 (ko) * 2015-09-18 2016-11-25 한국생산기술연구원 단일 유로 펌프 임펠러의 고효율 최적화 설계방법 및 이에 의하여 설계된 고효율 단일 유로 펌프 임펠러

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101742171B1 (ko) * 2015-10-29 2017-06-15 한국생산기술연구원 고효율 엇회전 펌프 수차, 이의 최적화 설계방법 및 이를 포함하는 자가 발전 시스템
KR20210055183A (ko) 2019-11-07 2021-05-17 주식회사 스페이스디 휴대용 소수력 발전장치

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101679188B1 (ko) * 2015-09-18 2016-11-25 한국생산기술연구원 단일 유로 펌프 임펠러의 고효율 최적화 설계방법 및 이에 의하여 설계된 고효율 단일 유로 펌프 임펠러

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
서지혜 외 3명, 200kW 급 수평축 조류발전 터빈 블레이드 형상 최적설계. 한국해양공학회지 제29권 제5호, 2015년 10월, 366-372페이지*
이진학 외 4명, 수직축 조류 터빈 발전효율 평가를 위한 유동-터빈 연동 CFD 해석 (I), 한국해양공학회지 제27권 제3호, 2013년 6월, 67-72페이지*

Also Published As

Publication number Publication date
KR20230057171A (ko) 2023-04-28

Similar Documents

Publication Publication Date Title
Ferreira et al. Aerofoil optimization for vertical‐axis wind turbines
Petković et al. Adaptive neuro-fuzzy approach for wind turbine power coefficient estimation
Annoni et al. Evaluating wake models for wind farm control
Derakhshan et al. Numerical shape optimization of a wind turbine blades using artificial bee colony algorithm
Sale et al. Hydrodynamic optimization method and design code for stall-regulated hydrokinetic turbine rotors
Lee et al. Performance improvement of horizontal axis wind turbines by aerodynamic shape optimization including aeroealstic deformation
Grasso Hybrid optimization for wind turbine thick airfoils
CN102235325B (zh) 基于翼型集成和混合尾缘改型的风力机叶尖翼型设计方法
Rathod et al. On the application of machine learning in savonius wind turbine technology: an estimation of turbine performance using artificial neural network and genetic expression programming
Beşkirli et al. Optimal placement of wind turbines using novel binary invasive weed optimization
Song et al. Optimization design for tandem cascades of compressors based on adaptive particle swarm optimization
Ma et al. An innovative aerodynamic design methodology of wind turbine blade models for wind tunnel real-time hybrid tests based on genetic algorithm
CN113361047B (zh) 面向多层感知结构的叶轮高维优化及选型方法
KR102627896B1 (ko) 휴대용 수력 발전기의 설계방법 및 이를 수행하기 위한 설계 시스템
Xisto et al. Wind energy production using an optimized variable pitch vertical axis rotor
Khani et al. Performance evaluation of the savonius hydrokinetic turbine using soft computing techniques
Li et al. Optimal design of horizontal axis tidal current turbine blade
Zhang et al. A deep-water in-situ power generation system based on chain-driven hydrokinetic turbine
Alfayyadh et al. A new multi-objective evolutionary algorithm for optimizing the aerodynamic design of hawt rotor
Posteljnik et al. Multi-objective design optimization strategies for small-scale vertical-axis wind turbines
Réthoré et al. TOPFARM wind farm optimization tool
Bizzarrini et al. Numerical optimization for high efficiency, low noise airfoils
Chehouri Optimisation of wind turbine blade structures using a genetic algorithm
Guo et al. An aero-structure-acoustics evaluation framework of wind turbine blade cross-section based on Gradient Boosting regression tree
Huang et al. A novel parameter optimisation method of hydraulic turbine regulating system based on fuzzy differential evolution algorithm and fuzzy PID controller

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