KR102644417B1 - 해상 풍력발전 건전성 모니터링 시스템 및 이를 이용한 풍력발전 건전성 진단 방법 - Google Patents

해상 풍력발전 건전성 모니터링 시스템 및 이를 이용한 풍력발전 건전성 진단 방법 Download PDF

Info

Publication number
KR102644417B1
KR102644417B1 KR1020210149167A KR20210149167A KR102644417B1 KR 102644417 B1 KR102644417 B1 KR 102644417B1 KR 1020210149167 A KR1020210149167 A KR 1020210149167A KR 20210149167 A KR20210149167 A KR 20210149167A KR 102644417 B1 KR102644417 B1 KR 102644417B1
Authority
KR
South Korea
Prior art keywords
wind power
offshore wind
module
health monitoring
monitoring system
Prior art date
Application number
KR1020210149167A
Other languages
English (en)
Other versions
KR20230063762A (ko
Inventor
황성목
최정철
유철
이광세
강민상
강승진
Original Assignee
한국에너지기술연구원
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 한국에너지기술연구원 filed Critical 한국에너지기술연구원
Priority to KR1020210149167A priority Critical patent/KR102644417B1/ko
Publication of KR20230063762A publication Critical patent/KR20230063762A/ko
Application granted granted Critical
Publication of KR102644417B1 publication Critical patent/KR102644417B1/ko

Links

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
    • 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
    • F05B2260/80—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
    • F05B2270/00—Control
    • F05B2270/30—Control parameters, e.g. input parameters
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Wind Motors (AREA)

Abstract

본 발명의 일 실시예에 따른 해상 풍력발전 건전성 모니터링 시스템은 해상 풍력발전기의 건전성 모니터링 대상 구성요소에 설치되는 스마트 센서와 상기 스마트 센서로부터 측정 결과를 전송받아 처리하는 중앙서버를 포함한다. 이때, 상기 스마트 센서는, 설치된 대상 구성요소의 진동 또는 하중을 측정하는 센싱 모듈; 상기 센싱 모듈에서 측정한 Raw data를 수집하는 DAQ 모듈; 및 상기 DAQ 모듈에서 수집한 Raw data를 분석하여 측정 결과를 도출하는 엣지 컴퓨팅 모듈;을 포함하는 것을 특징으로 할 수 있다.

Description

해상 풍력발전 건전성 모니터링 시스템 및 이를 이용한 풍력발전 건전성 진단 방법{OFFSHORE WIND POWER GENERATION MONITORING SYSTEM AND OFFSHORE WIND POWER GENERATION DIAGNOSIS METHOD USING THE SAME}
본 발명은 해상 풍력발전 건전성 모니터링 시스템 및 이를 이용한 해상 풍력발전 건전성 진단 방법에 관한 것이다.
최근 온실가스에 의한 지구 온난화 문제, 탄소배출권 거래 활성화 등으로 인해 신재생 에너지에 대한 관심도가 높아지고 있다. 신재생 에너지 중 대표적인 발전방법인 풍력발전은 바람이 가진 운동에너지를 블레이드를 통해 기계적 에너지로 변환시키고, 변환된 기계적 에너지로부터 전기를 얻는 기술을 의미한다. 풍력발전은 초기에 육상 풍력발전을 위주로 기술이 개발되었다. 하지만 터빈의 대형화, 소음과 진동, 장소에 제한 등의 문제를 해결하기 위한 대안으로 해상 풍력발전에 대한 관심도가 높아지고 있다. 특히, 우리나라는 육상에 개활지가 적고, 넓은 바다를 가지고 있는 지형적 특징으로 인해 해상 풍력발전 기술이 더욱 중요해질 것으로 예상된다.
해상 풍력발전이기는 크게 2가지 부분으로 구분된다. 구체적으로 해상 풍력발전이기는 로터-나셀 어셈블리(rotor-nacelle assembly)로 구성되는 발전기 파트와 이와 같은 발전기 파트를 해상에 고정시키는 구조물 파트로 구성된다. 구조물 파트의 형태에 따라 고정식 해상 풍력과 부유식 해상 풍력으로 구분할 수 있다. 나아가 고정식 해상 풍력은 모노파일(monopile)식과 4-레그 재킷(4-legged jacket)식으로 구분되며, 부유식 해상 풍력은 텐션 레그 플랫폼(tension leg platform)식, 스파 부표(Spar buoy)식, 반잠수식(semi-submersible)식으로 구분된다. 이와 같은 해상 풍력발전기는 최초 설치 후 동작에 따라 결함부분이 발생되므로 적정한 동작을 위해서는 풍력발전의 건전성을 모니터링할 필요가 있다. 특히 해상 풍력의 경우 육상 풍력에 비해 파도나 해류 등의 영향으로 인해 발전기 파트뿐만 아니라 구조물 파트의 건전성도 함께 모니터링하는 것이 매우 중요하다. 이에 해상 풍력발전기에는 발전기 파트의 구성요소들뿐만 아니라 구조물 파트의 구성요소에도 진동 센서(accelerometer)나 하중 센서(strain gauge)를 부착하여 건전성을 모니터링 하고 있어, 보다 많은 측정이 이루어지고 있다.
그런데 종래의 해상 풍력발전기는 각 구성요소에 설치된 진동 센서나 하중센서에서 측정한 Raw data(일반적으로 시계열 데이터)를 중앙 서버로 전송한다. 예를 들어, 진동 센서에서 측정한 데이터는 초당 4 kHz 샘플링하여 10분 주기로 저장 및 전송하게 되는데, 각 채널 당 240만 샘플 처리가 필요하고, 수십 채널의 데이터를 동시에 전송할 필요가 있다. 즉, 종래의 해상 풍력발전기의 건전성 모니터링 시스템은 데이터 전송량이 과다하여 부하가 발생하는 문제가 있다.
또한, 중앙 서버에서 수신한 모든 Raw data를 처리하여 모니터링을 수행하였기 때문에 요구되는 컴퓨팅 파워가 매우 높으며, 알고리즘도 매우 복잡하다는 문제가 있다.
그리고 종래의 해상 풍력발전기는 센서, DAQ, 로컬 서버 사이에 유선 연결이 필요했다. 구조물 파트의 하단부터 발전기 파트의 상단까지 약 100 m정도의 케이블 연결 작업이 필요하고, 이에 따라 유지 보수가 어려워지는 문제가 있었다.
무엇보다 해상 풍력발전기는 파도나 해류 등의 불규칙적인 영향으로 인한 진동, 변형 등이 발생하기 때문에 수집한 Raw data를 분석한다고 하더라도 정확하게 이상 발생 여부를 감지하기 어렵다는 문제가 있다.
상술한 여러가지 문제를 해결할 수 있는 새로운 방안이 필요한 실정이다.
본 발명의 일 목적은 해상 풍력발전기에 설치된 센서(진동 센서또는 하중 센서)에서 측정되어 중앙서버로 전송되는 측정 데이터 양을 현저히 줄일 수 있으며, 무선 통신이 가능하여 배선을 간소화할 수 있는 해상 풍력발전 건전성 모니터링 시스템을 제공하는 것이다.
본 발명의 다른 목적은 파도나 해류 등의 불규칙적인 영향을 고려하여 보다 높은 신뢰성으로 해상 풍력발전기의 건전성을 모니터링 할 수 있는 해상 풍력발전 건전성 모니터링 시스템을 제공하는 것이다.
나아가 본 발명의 또 다른 목적은 제안하는 해상 풍력발전 건전성 모니터링 시스템과 딥러닝 모듈을 함께 이용함으로써 보다 빠르고 정확하게 해상 풍력발전기의 건전성을 모니터링할 수 있는 방법을 제공하는 것이다.
한편, 본 발명의 명시되지 않은 또 다른 목적들은 하기의 상세한 설명 및 그 효과로부터 용이하게 추론할 수 있는 범위 내에서 추가적으로 고려될 것이다.
이상에서 설명한 목적을 달성하기 위해 본 특허문서에서는 다음과 같은 실시예들을 제안한다.
본 발명의 일 실시예에 따른 해상 풍력발전 건전성 모니터링 시스템은 해상 풍력발전기의 건전성 모니터링 대상 구성요소에 설치되는 스마트 센서와 상기 스마트 센서로부터 측정 결과를 전송받아 처리하는 중앙서버를 포함한다. 이때, 상기 스마트 센서는, 설치된 대상 구성요소의 물리량을 측정하는 센싱 모듈; 상기 센싱 모듈에서 측정한 Raw data를 수집하는 DAQ 모듈; 및 상기 DAQ 모듈에서 수집한 Raw data를 분석하여 측정 결과를 도출하는 엣지 컴퓨팅 모듈;을 포함하는 것을 특징으로 할 수 있다.
일 실시예에 있어서, 상기 스마트 센서는 통신 모듈을 더 포함하고, 상기 통신 모듈은 상기 해상 풍력발전기에 설치되어 상기 중앙 서버와 통신하는 통신 유닛과 무선으로 연결되는 것을 특징으로 할 수 있다.
일 실시예에 있어서, 복수의 해상 풍력발전기가 거리, 조류, 해상풍력 발전기의 구조물 파트의 종류 및 크기 중 적어도 어느 하나를 기준으로 그룹화되고, 상기 중앙 서버는 동일한 그룹에 속하는 해상 풍력발전기로부터의 측정 결과를 비교하여 건전성 모니터링을 수행하는 것을 특징으로 할 수 있다.
본 발명의 다른 실시예에 따른 해상 풍력발전 건전성 모니터링 방법은 스마트 센서가 각각의 해상 풍력발전기로부터 측정결과를 수집하는 단계; 엣지 컴퓨팅 모듈이 측정결과와 기준값을 비교하여 건전성을 평가하는 1차 건전성 진단 단계; 및 중앙 서버가 동일한 그룹에 속하는 해상 풍력발전기들의 측정 결과를 비교하여 건전성을 평가하는 2차 건전성 진단 단계;를 포함하는 것을 특징으로 한다.
본 발명의 일 실시예에 따른 해상 풍력발전 건전성 모니터링 시스템은 해상 풍력발전기에 설치되는 센서(진동 센서, 하중 센서 및/또는 온도 센서)를 센싱 모듈뿐만 아니라, DAQ 모듈, 엣지 컴퓨팅 모듈 및 내부 통신 모듈을 구비한 스마트 센서를 이용함으로써 중앙서버로 전송되는 측정 데이터 양을 현저히 줄일 수 있으며, 무선 통신이 가능하여 해상 풍력발전기 내에 배선을 간소화하여 유지 · 보수가 용이하며, 나아가 중앙 서버에서 Raw data 처리에 요구되던 컴퓨팅 파워를 줄일 수 있는 효과가 있다. 특히, 중앙 서버의 컴퓨팅 파워는 현실적으로 제한되기데, 스마트 센서를 이용할 경우 확보한 여분의 컴퓨팅 파워를 확보하여 딥러닝 모듈에 분배할 수 있다는 장점이 있다.
또한, 본 발명의 일 실시예에 따른 해상 풍력발전 건전성 모니터링 시스템은 일정한 범위 내에 위치하는 해상 풍력발전기를 그룹화하고, 중앙 서버는 동일한 그룹에 속하는 해상 풍력발전기들의 측정결과를 비교함으로써 파도나 해류 등의 불규칙적인 요소에 의한 영향을 고려하여 높은 신뢰성으로 해상 풍력발전기의 건전성을 모니터링할 수 있다.
나아가 본 발명의 일 실시예에 따른 해상 풍력발전 건전성 모니터링 시스템은 딥러닝 모듈을 더 포함할 수 있으며, 딥러닝 모듈은 각각의 해상 풍력발전기의 통상 행위를 학습한다. 통상 행위를 학습한 딥러닝 모듈은 현재 수집중인 측정결과에서 통상 행위를 벗어나는 행위를 도출함으로써 각각의 해상 풍력발전기에서 발생한 이상을 감지할 수 있다.
한편, 본 발명의 다른 실시예에 따른 해상 풍력발전 건전성 모니터링 방법은 각 스마트센서에서 기준값과 측정결과를 대비하여 1차 건전성 평가를 수행하고, 중앙서버에서 동일한 그룹에 속하는 해상 풍력발전기들의 측정결과를 비교하여 파도나 해류 등의 불규칙적인 요소를 고려한 2차 건전성 평가를 수행함으로써, 건전성 모니터링 결과의 신뢰성을 현저히 향상시킬 수 있다.
나아가 본 발명의 다른 실시예에 따른 해상 풍력발전 건전성 모니터링 방법은 딥러닝 모듈이 회귀분석을 통해 운전데이터에 따른 특징값들을 추출하여 운전데이터를 고려하여 측정결과를 분석함으로써 보다 정확하게 건전성을 모니터링 할 수 있다. 또한, 딥러닝 모델이 각각의 풍력발전기의 통상행위를 학습하고, 분류분석을 통해 각각의 풍력발전기가 통상행위에서 벗어난 이상행위를 하는지 여부를 감지할 수 있다.
한편, 여기에서 명시적으로 언급되지 않은 효과라 하더라도, 본 발명의 기술적 특징에 의해 기대되는 이하의 명세서에서 기재된 효과 및 그 잠정적인 효과는 본 발명의 명세서에 기재된 것과 같이 취급됨을 첨언한다.
도 1은 본 발명의 일 실시예에 따른 해상 풍력발전 건전성 모니터링 시스템이 설치되는 해상 풍력발전기의 전체적 모식도이다.
도 2는 본 발명의 일 실시예에 따른 해상 풍력발전 건전성 모니터링 시스템의 개략적 구성도이다.
도 3은 본 발명의 일 실시예에 따른 해상 풍력발전 건전성 모니터링 시스템의 스마트 진동 센서에서 측정한 측정 데이터를 처리하는 것을 설명하기 위한 참고도이다.
도 4는 본 발명의 일 실시예에 따른 해상 풍력발전 건전성 모니터링 시스템의 스마트 하중 센서에서 측정한 측정 데이터를 처리하는 것을 설명하기 위한 참고도이다.
도 5는 본 발명의 다른 실시예에 따른 해상 풍력발전 건전성 모니터링 방법의 개략적 플로우 차트이다.
첨부된 도면은 본 발명의 기술사상에 대한 이해를 위하여 참조로서 예시된 것임을 밝히며, 그것에 의해 본 발명의 권리범위가 제한되지는 아니한다.
이하, 도면을 참조하여 본 발명의 다양한 실시예가 안내하는 본 발명의 구성과 그 구성으로부터 비롯되는 효과에 대해 살펴본다. 본 발명을 설명함에 있어서 관련된 공지기능에 대하여 이 분야의 기술자에게 자명한 사항으로서 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략한다.
본 문서에서 사용된 용어 "모듈"은 하드웨어, 소프트웨어 또는 펌웨어로 구현된 유닛을 포함할 수 있으며, 예를 들면, 로직, 논리 블록, 부품, 또는 회로 등의 용어와 상호 호환적으로 사용될 수 있다. 모듈은, 일체로 구성된 부품 또는 하나 또는 그 이상의 기능을 수행하는, 상기 부품의 최소 단위 또는 그 일부가 될 수 있다. 본 문서에서 "모듈"이나 "노드"는 CPU, AP 등과 같은 연산 장치를 이용하여 데이터를 이동, 저장, 변환 등의 작업을 수행하여 목적하는 기능을 달성한다. 예컨대 "모듈"이나 "노드"는 서버, PC, 태블릿 PC, 스마트폰 등과 같은 장치로 구현될 수 있다. 본 문서에서 사용된 용어 "컴퓨팅 파워"는 시간과 리소스에 견주어 컴퓨터 시스템이 수행하는 사용자에게 유용한 작업의 양 내지 이러한 작업을 수행하기 위한 컴퓨터의 성능을 의미한다. 또한, 본 문서에서 사용된 용어 "엣지 컴퓨팅"은 데이터의 연산, 알고리즘 계산, 처리 등의 동작이 중앙 서버가 아닌 말단 단말에서 이루어지는 것을 의미한다.
도 1은 본 발명의 일 실시예에 따른 해상 풍력발전 건전성 모니터링 시스템이 설치되는 해상 풍력발전기의 전체적 모식도이며, 도 2는 본 발명의 일 실시예에 따른 해상 풍력발전 건전성 모니터링 시스템의 개략적 구성도이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 해상 풍력발전 모니터링 시스템(100)은 복수의 해상 풍력발전기(1)가 거리, 조류, 구조물 파트의 종류, 해상 풍력발전기의 크기 등을 기준으로 그룹화 될 수 있다. 이와 같이 복수의 해상 풍력발전기(1)를 그룹화하는 것은 후술하는 바와 같이 파도, 해류 등의 불규칙적인 요소를 건전성 모니터링 결과에서 배제하기 위한 것인바, 복수의 해상 풍력발전기(1)를 그룹화하는 것은 이러한 목적을 기준으로 수행될 수 있다.
각각의 해상 풍력발전기(1)는 블레이드, 타워, 메인베어링, 증속기, 발전기 등의 구성요소로 구성되며, 이러한 구성요소들이 건전성 모니터링 대상 구성요소가 된다. 해상 풍력발전기(1)의 구성은 본 발명의 핵심적인 사항이 아니므로 설명을 생략하도록 한다. 해상 풍력발전기(1)의 구성으로 공지의 구성을 차용할 수 있다.
각각의 해상 풍력발전기(1)의 구성요소에는 스마트 센서(10)가 설치된다. 본 발명의 일 실시예에 따른 해상 풍력발전 모니터링 시스템에서 이용하는 스마트 센서(10)로는 스마트 진동 센서와 스마트 하중 센서가 있다.
본 발명의 스마트 센서(10)는 단순히 어떠한 정보를 측정하고, 수집하며, 수집한 측정값을 처리하고, 전송하는 기능을 수행한다. 이를 위해 본 발명의 스마트 센서(10)는 센싱 모듈(11), DAQ 모듈(12), 엣징 컴퓨팅 모듈(13) 및 통신 모듈(14)을 포함한다.
센싱 모듈(11)은 해상 풍력발전기(1)의 구성요소에 설치되어 물리량(가속도, 변위, 온도 등)에 관한 정보를 측정하는 역할을 한다. 센싱 모듈(11)은 진동 센서(accelerometer) 또는 하중 센서(strain gauge)를 이용할 수 있다. 또는, 센싱 모듈(11)로 온도 센서를 이용하는 것도 가능하다. 다만, 해상 풍력발전기(1)의 구성요소에 따라 설치되는 스마트 센서(10)가 구비하는 센싱 모듈(11)의 종류가 달라질 수 있다. 예를 들어, 블레이드에는 스마트 하중 센서가 설치되며, 타워에는 스마트 하중 센서 및/또는 스마트 진동 센서가 설치되며, 메인 베어링, 증속기, 발전기 등에는 스마트 진동 센서가 설치된다. 다만, 본 발명이 이에 제한되는 것은 아니며, 분석하고자 하는 물리량에 따라 센서의 종류가 달라질 수 있다. 예컨대, 센싱 모듈이 온도 센서가 스마트 온도 센서를 이용하는 것도 가능하다.
DAQ 모듈(12)은 센싱 모듈(11)에서 측정한 Raw data를 수집하는 역할을 한다.
엣지 컴퓨팅 모듈(13)은 수집한 Raw data를 알고리즘 등을 이용하여 측정 결과를 도출한다. 예를 들어, 블레이드에 설치된 스마트 하중 센서의 하중 센싱 모듈에서 측정한 하중 데이터(Raw data)를 해당 스마트 하중 센서에 포함된 엣지 컴퓨팅 모듈(13)이 처리하여 고유진동수, 응력 최대값, 등가하중 등의 측정 결과를 추출한다(도 3 참조). 타워에 설치된 스마트 하중 센서의 하중 센싱 모듈에서 측정한 하중 데이터(Raw data)를 해당 스마트 하중 센서에 포함된 엣지 컴퓨팅 모듈(13)이 처리하여 고유진동수, 응력 최대값, 등가하중 등의 측정 결과를 추출할 수 있으며, 타워에 설치된 스마트 진동 센서의 진동 센싱 모듈에서 측정한 진동 데이터(Raw data)를 해당 스마트 진동 센서에 포함된 엣지 컴퓨팅 모듈(13)이 처리하여 진동 RMS 등의 측정 결과를 추출할 수 있다(도 4 참조). 또한, 메인 베어링, 증속기, 발전기 등에 설치된 스마트 진동 센서의 진동 센싱 모듈에서 측정한 진동 데이터(Raw data)를 해당 스마트 진동 센서에 포함된 엣지 컴퓨팅 모듈(13)이 처리하여 진동 RMS, Crest factor, Kurtosis, Skewness 등의 측정 결과를 추출할 수 있다. 다만, 위의 내용은 예시로서 각 구성요소에는 스마트 진동 센서, 스마트 하중 센서, 및/또는 스마트 온도 센서가 설치될 수 있다. 한편, 이와 같이 측정 결과를 얻기 위해 엣지 컴퓨팅 모듈(13)이 이용하는 알고리즘 내지 데이터 처리 방법은 공지의 방법들을 이용할 수 있으며, 알고리즘 내지 데이터 처리 방법에 의해 본 발명이 제한되는 것은 아니다.
엣지 컴퓨팅 모듈(13)에서 추출한 측정 결과는 통신 모듈(14)를 통해 전송된다. 이때, 통신 모듈(14)은 WIFI와 같은 비교적 근거리 무선 통신 모듈(14)이며, 해상 풍력발전기(1)에 설치된 통신 유닛(20)을 통해 중앙 서버(30)로 전송된다. 스마트 센서(10)가 통신 모듈(14)을 이용하여 무선으로 통신 유닛(20)에 연결되므로 해상 풍력발전기(1) 내에 최대 100 m 가 넘는 배선을 생략할 수 있으며, 이에 따라 유지 · 보수가 간편해지는 장점이 있다.
통신 유닛(20)은 통신 모듈(14)에서 전송받은 측정 결과를 유선 또는 무선으로 중앙 서버(30)로 전송하는 역할을 한다. 통신 유닛(20)이 무선인 경우 통신사 통신망을 이용하는 것도 가능하며, 본 발명이 이에 제한되는 것은 아니다.
한편, 상술한 바와 같이 본 발명의 스마트 센서(10)는 Raw data 를 모두 중앙 서버(30)로 전송하는 것이 아니라 엣지 컴퓨팅 모듈(13)에서 추출한 측정 결과를 중앙 서버(30)로 전송하기 때문에 전송해야할 데이터 양이 현저하게 감소하게 되는 장점이 있다.
중앙 서버(30)는 정보처리 모듈(31), 저장 모듈(33), 통신 모듈(34) 및 입출력 모듈(35)를 포함한다. 나아가 중앙 서버(30)는 딥러닝 모듈(32)을 더 포함할 수 있다. 중앙 서버(30)는 클라우드(cloud) 컴퓨터 시스템으로 구성될 수 있다.
중앙 서버(30)로는 각각의 해상 풍력발전기(1)의 운전데이터와 스마트 센서(10)부터 전송받은 측정 결과가 통신 모듈(34)를 통해 수신된다.
운전데이터로는 풍속 (Wind speed), 출력(Power), 풍향(Wind dir.), 난류강도 (Turbulence Intensity), 회전속도 (RPM), 요각 오차 (Yaw misalignment : Yaw dir. - Wind dir.), 파도, 조류 등이 있으며, 측정결과로는 블레이드 평활방향(flapwise), 날방향(edgewise) 응력최대값, 등가하중 (DEL: Damage Equivalent Load) 및 고유진동수, 타워 등가하중 및 고유진동수, 하부 구조물 등가하중, 메인 베어링, 증속기, 발전기 등의 진동 RMS, Crest Factor, Kurtosis, Skewness 등이 있다.
전송받은 운전데이터와 측정 결과는 저장모듈(33)에 저장된다.
정보처리 모듈(31)은 통신 모듈(34)을 통해 전송받은 측정 결과를 이용하여 각각의 해상 풍력발전기(1)의 건전성을 모니터링 하게 된다. 정보처리 모듈(31)이 해상 풍력발전기(1)의 건전성을 모니터링 하는 방법은 후술하는 본 발명의 다른 실시예에 따른 해상 풍력 건전성 모니터링 방법에서 구체적으로 설명하도록 한다.
중앙 서버(30)는 입출력 모듈(35)를 통해 사용자가 명령을 입력하고, 결과를 출력할 수 있다.
도 5는 본 발명의 다른 실시예에 따른 해상 풍력발전 건전성 모니터링 방법의 개략적 플로우 차트이다.
도 5를 참조하면, 본 발명의 다른 실시예에 따른 해상풍력 발전 건전성 모니터링 방법(M100)은 건전성 측정 결과 수집 단계(S10), 1차 건전성 진단 단계(S20) 및 2차 건전성 진단 단계(S30)를 포함한다.
건전성 측정 결과 수집 단계(S10)는 상술한 본 발명의 일 실시예에 따른 해상 풍력발전 건전성 모니터링 시스템(100)에 의해 수행될 수 있다.
1차 건전성 진단 단계(S20)는 엣지 컴퓨팅 모듈에 의해 수행되며, 각각의 해상 풍력발전기에 기준값(재료의 한계 물성 등에 기초한 값)에 근접한 건전성 문제가 있는지 평가하는 단계이다. 1차 건전성 진단 단계(S20)는 스마트 센서의 엣지 컴퓨팅 모듈에서 수행되거나, 중앙 서버의 정보처리 모듈에서 수행될 수 있다. 예를 들어, 블레이드의 경우 고유진동수 기준값 비교 결과(이상 유무 혹은 기준 값 대비 비율 등), 응력 최대값과 재료 허용 하중 비교 결과(이상 유무 혹은 허용 하중 대비 비율 등), 등가하중 기준값 (DELref)과 현재 측정 등가하중과 비교 결과 (허용 한도내 여부) 등을 이용하여 건전성을 평가할 수 있다. 타워의 경우 고유진동수 기준 값 비교 결과 (이상 유무 혹은 기준 값 대비 비율 등), 응력 최대 값과 재료 허용 하중 비교 결과 (이상 유무 혹은 허용 하중 대비 비율 등), 진동 RMS 기준 값 비교 결과 (이상 유무 혹은 기준 값 대비 비율 등), 등가하중 기준값 (DELref)과 현재 측정 등가하중과 비교 결과 (허용 한도내 여부) 등을 이용하여 건전성을 평가할 수 있다. 메인 베어링, 증속기, 발전기 등의 경우 진동 RMS, Crest Factor, Kurtosis, Skewness 기준 값 비교 결과 (이상 유무 혹은 기준 값 대비 비율 등), 포락선 스팩트럼으로 확인한 베어링 결함주파수 비교, RMS 기준값 (RMSref)과 현재 측정 RMS와 비교 결과 (허용 한도내 여부) 등을 이용하여 건전성을 평가할 수 있다.
2차 건전성 진단 단계(S30)는 중앙 서버의 정보처리 모듈에 의해 수행되며, 동일한 그룹 내의 복수의 해상 풍력발전기들의 측정 결과를 비교하여 파도나 조류 등의 불규칙적인 요소의 영향을 고려하여 건정성을 평가한다. 즉, 동일한 그룹에 속하는 해상 풍력발전기들은 서로 유사한 환경(바람, 파도, 조류 등)에 노출되므로, 동일한 그룹 내에 속하는 해상 풍력발전기들의 측정 결과를 비교할 경우 환경의 영향을 최소화하여 건전성 모니터링을 수행하게 된다.
한편, 본 발명의 일 실시예에 따른 해상 풍력발전 건전성 모니터링 시스템의 중앙 서버가 딥러닝 모듈을 구비하고 있는 경우 보다 정확하게 건전성 모니터링을 수행할 수 있다. 이때, 딥러닝 모듈의 역할을 2가지 관점에서 살펴보도록 한다.
딥러닝 모듈은 저장모듈에 저장된 과거의 운전데이터와 측정결과를 학습하여 특징요소(feature)의 회귀분석 모델(Regression model)을 생성한다. 예를 들어, 딥러닝 모델은 운전데이터에 따른 등가하중 (DELref), RMSref 등의 특징값을 생성하게 된다. 이후 현재의 운전데이터와 측정결과를 송신 받은 경우 운전데이터를 고려하여 현재 운전데이터에 맞는 특징값과 현재 측정결과를 비교하여 건전성을 진단하게 된다. 예를 들어, abs(DEL - DELref) > threshold 인 경우 이상(abnormal)으로 판정하게 되는 것이다. 이때, 딥러닝 모듈로는 회귀분석 모델을 생성하는 것에 적합한 신경망을 이용할 수 있다.
다른 측면에서 딥러닝 모듈은 저장모듈에 저장된 각각의 해상 풍력발전기의 통상행위를 학습하게 된다. 동일한 그룹에 속하는 해상 풍력발전기는 유사한 환경에 있음은 별론, 상세한 환경에는 차이가 있을 수 밖에 없다. 딥러닝 모듈이 저장된 각각의 해상 풍력발전기의 통상행위를 학습하고, 분류분석을 통해 현재 측정되는 측정결과가 통상행위에 속하는지를 분석하게 된다. 예를 들어, 딥러닝 모듈은 각각의 해상 풍력발전기의 통상행위를 학습함으로써 파도의 측정 결과에 대한 영향을 알 수 있게 되며, 측정 결과의 형태가 파도에 의해서는 나올 수 없는 형태로 분류되는 경우 이상행위로 분류하게 된다. 이를 위해 딥러닝 모듈은 비지도학습기술에서 이용되는 팩터 중 하나인 LOF(Local Outlier Factor)를 이용할 수 있다. 본 발명에서 딥러닝 모듈은 LOF를 통해 주어진 데이터와 이웃한 데이터들이 근처의 밀집 데이터 영역으로부터 얼마나 떨어져 있는지는 판단함으로써 통생행위와 이상행위를 구별하게 된다. 이때, 딥러닝 모듈로는 분류 분석을 수행하는 것에 적합한 신경망을 이용할 수 있다.
상술한 바와 같은 해상 풍력 건전성 모니터링 방법은 컴퓨터에서 실행될 수 있는 실행가능한 알고리즘을 포함하는 프로그램(또는 어플리케이션)으로 구현될 수 있다. 상기 프로그램은 비일시적 판독 가능 매체(nontransitory computer readable medium)에 저장되어 제공될 수 있다. 여기서 비일시적 판독 가능 매체란 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 구체적으로는, 상술한 다양한 어플리케이션 또는 프로그램들은 CD, DVD, 하드 디스크, 블루레이 디스크, USB, 메모리카드, ROM등과 같은 비일시적 판독 가능 매체에 저장되어 제공될 수 있다
본 발명의 보호범위가 이상에서 명시적으로 설명한 실시예의 기재와 표현에 제한되는 것은 아니다. 또한, 본 발명이 속하는 기술분야에서 자명한 변경이나 치환으로 말미암아 본 발명이 보호범위가 제한될 수도 없음을 다시 한번 첨언한다.

Claims (6)

  1. 해상 풍력발전기의 건전성 모니터링 대상 구성요소에 설치되는 스마트 센서와 상기 스마트 센서로부터 측정 결과를 전송받아 처리하는 중앙서버를 포함하는 해상 풍력발전 건전성 모니터링 시스템으로서:
    상기 스마트 센서는,
    설치된 대상 구성요소의 물리량을 측정하는 센싱 모듈;
    상기 센싱 모듈에서 측정한 Raw data를 수집하는 DAQ 모듈; 및
    상기 DAQ 모듈에서 수집한 Raw data를 분석하여 측정 결과를 도출하는 엣지 컴퓨팅 모듈;을 포함하고,
    복수의 해상 풍력발전기가 거리, 조류, 해상풍력 발전기의 구조물 파트의 종류 및 크기 중 적어도 어느 하나를 기준으로 그룹화되고, 상기 중앙 서버는 동일한 그룹에 속하는 해상 풍력발전기로부터의 측정 결과를 비교하여 건전성 모니터링을 수행하며,
    복수의 해상 풍력발전기를 거리, 조류, 해상풍력 발전기의 구조물 파트의 종류 및 크기 중 적어도 어느 하나를 기준으로 그룹화함으로써 상기 중앙 서버가 동일한 그룹에 속하는 해상 풍력발전기가 파도 및 조류 중 적어도 어느 하나의 환경에 의한 영향을 고려하여 건전성 모니터링이 수행되는 것을 특징으로 하는,
    해상 풍력발전 건전성 모니터링 시스템.
  2. 제1항에 있어서,
    상기 스마트 센서는 통신 모듈을 더 포함하고, 상기 통신 모듈은 상기 해상 풍력발전기에 설치되어 상기 중앙 서버와 통신하는 통신 유닛과 무선으로 연결되는 것을 특징으로 하는,
    해상 풍력발전 건전성 모니터링 시스템.
  3. 제1항에 있어서,
    상기 스마트 센서는 스마트 진동 센서 또는 스마트 하중 센서인 것을 특징으로 하는,
    해상 풍력발전 건전성 모니터링 시스템.
  4. 제1항에 있어서,
    각각의 풍력발전기의 통상행위를 학습하고, 분류분석을 통해 각각의 풍력발전기가 통상행위에서 벗어난 이상행위를 하는지 여부를 감지하는 딥러닝 모듈을 더 포함하는 것을 특징으로 하는,
    해상 풍력발전 건전성 모니터링 시스템.
  5. 제4항에 있어서,
    상기 중앙서버는 클라우드 컴퓨터 시스템인 것을 특징으로 하는,
    해상 풍력발전 건전성 모니터링 시스템.
  6. 제1항 내지 제5항 중 적어도 어느 한 항의 해상 풍력발전 건전성 모니터링 시스템에 의해 수행되는 해상 풍력발전 건전성 모니터링 방법으로서:
    스마트 센서가 각각의 해상 풍력발전기로부터 측정결과를 수집하는 단계;
    엣지 컴퓨팅 모듈이 측정결과와 기준값을 비교하여 건전성을 평가하는 1차 건전성 진단 단계; 및
    중앙 서버가 동일한 그룹에 속하는 해상 풍력발전기들의 측정 결과를 비교하여 건전성을 평가하는 2차 건전성 진단 단계;를 포함하는 것을 특징으로 하는,
    해상 풍력발전 건전성 모니터링 시스템.
KR1020210149167A 2021-11-02 2021-11-02 해상 풍력발전 건전성 모니터링 시스템 및 이를 이용한 풍력발전 건전성 진단 방법 KR102644417B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210149167A KR102644417B1 (ko) 2021-11-02 2021-11-02 해상 풍력발전 건전성 모니터링 시스템 및 이를 이용한 풍력발전 건전성 진단 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210149167A KR102644417B1 (ko) 2021-11-02 2021-11-02 해상 풍력발전 건전성 모니터링 시스템 및 이를 이용한 풍력발전 건전성 진단 방법

Publications (2)

Publication Number Publication Date
KR20230063762A KR20230063762A (ko) 2023-05-09
KR102644417B1 true KR102644417B1 (ko) 2024-03-07

Family

ID=86408175

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210149167A KR102644417B1 (ko) 2021-11-02 2021-11-02 해상 풍력발전 건전성 모니터링 시스템 및 이를 이용한 풍력발전 건전성 진단 방법

Country Status (1)

Country Link
KR (1) KR102644417B1 (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018200043A (ja) * 2017-05-25 2018-12-20 株式会社日立製作所 適応発電管理
US20190170118A1 (en) * 2017-12-05 2019-06-06 WindWISDEM Corp. Cloud-based turbine control feedback loop

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120063634A (ko) * 2010-12-08 2012-06-18 한국기계연구원 기계시스템 상태감시장치 및 상태감시방법
KR20200063340A (ko) * 2018-11-22 2020-06-05 한국클라우드컴퓨팅연구조합 클라우드향 기계학습 기반의 품질 검사 방법 및 그 시스템

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018200043A (ja) * 2017-05-25 2018-12-20 株式会社日立製作所 適応発電管理
US20190170118A1 (en) * 2017-12-05 2019-06-06 WindWISDEM Corp. Cloud-based turbine control feedback loop

Also Published As

Publication number Publication date
KR20230063762A (ko) 2023-05-09

Similar Documents

Publication Publication Date Title
Liu et al. The structure healthy condition monitoring and fault diagnosis methods in wind turbines: A review
Yang et al. Wind turbine condition monitoring: technical and commercial challenges
Mérigaud et al. Condition-based maintenance methods for marine renewable energy
US7895018B2 (en) Event monitoring via combination of signals
US9086337B2 (en) Detecting a wake situation in a wind farm
CN105205569B (zh) 风机齿轮箱状态在线评估模型建立方法及在线评估方法
CN107797063A (zh) 基于scada的风电机组运行状态评估及故障诊断方法
US20140336833A1 (en) Wind Park With Real Time Wind Speed Measurements
CN110362045B (zh) 一种考虑海洋气象因素的海上双馈风电机组故障判别方法
KR101275702B1 (ko) 진동신호를 이용한 기어박스의 결함진단 및 결함검출방법 및 그 장치
CN103925155A (zh) 一种风电机组输出功率异常的自适应检测方法
Du et al. A SCADA data based anomaly detection method for wind turbines
Mohammadi et al. DeepWind: an accurate wind turbine condition monitoring framework via deep learning on embedded platforms
Sánchez et al. Wind Turbines Acoustic Inspections performed with UAV and sound frequency domain analysis
Wei et al. Site specific assessment of wind characteristics and determination of wind loads effects on wind turbine components and energy generation
Du et al. A SOM based Anomaly detection method for wind turbines health management through SCADA data
KR102644417B1 (ko) 해상 풍력발전 건전성 모니터링 시스템 및 이를 이용한 풍력발전 건전성 진단 방법
Amin et al. Condition Monitoring in a Wind Turbine Planetary Gearbox Using Sensor Fusion and Convolutional Neural Network
CN117093938A (zh) 一种基于深度学习的风机轴承的故障检测方法和系统
Si et al. A data-driven approach for fault detection of offshore wind turbines using random forests
Wait et al. Wind-induced instabilities and monitoring of wind turbine
CN110794683A (zh) 基于深度神经网络和峭度特征的风电齿轮箱状态评估方法
Hoxha et al. Supervised classification with SCADA data for condition monitoring of wind turbines
Zhang et al. Probability warning for wind turbine gearbox incipient faults based on SCADA data
Ashwini et al. Wireless sensor network for condition monitoring of remote wind mill

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