KR102647428B1 - 전력예측이 가능한 인공지능형 스마트 풍력 시스템 및 제어 방법 - Google Patents
전력예측이 가능한 인공지능형 스마트 풍력 시스템 및 제어 방법 Download PDFInfo
- Publication number
- KR102647428B1 KR102647428B1 KR1020220087962A KR20220087962A KR102647428B1 KR 102647428 B1 KR102647428 B1 KR 102647428B1 KR 1020220087962 A KR1020220087962 A KR 1020220087962A KR 20220087962 A KR20220087962 A KR 20220087962A KR 102647428 B1 KR102647428 B1 KR 102647428B1
- Authority
- KR
- South Korea
- Prior art keywords
- wind
- power
- power generation
- artificial intelligence
- wind power
- Prior art date
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000010248 power generation Methods 0.000 claims abstract description 78
- 238000012360 testing method Methods 0.000 claims abstract description 28
- 238000004519 manufacturing process Methods 0.000 claims abstract description 11
- 238000002474 experimental method Methods 0.000 claims abstract description 9
- 238000004458 analytical method Methods 0.000 claims abstract description 5
- 238000009434 installation Methods 0.000 claims abstract description 3
- 238000013528 artificial neural network Methods 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 16
- 230000000007 visual effect Effects 0.000 claims description 15
- 238000013480 data collection Methods 0.000 claims description 12
- 230000002457 bidirectional effect Effects 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 5
- 230000000306 recurrent effect Effects 0.000 claims description 5
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 claims 4
- 229910052709 silver Inorganic materials 0.000 claims 4
- 239000004332 silver Substances 0.000 claims 4
- 238000010586 diagram Methods 0.000 description 14
- 238000004088 simulation Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 7
- 238000001514 detection method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000001556 precipitation Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000009469 supplementation 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
- F03D7/04—Automatic control; Regulation
- F03D7/042—Automatic control; Regulation by means of an electrical or electronic controller
- F03D7/043—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic
- F03D7/046—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic with learning or adaptive control, e.g. self-tuning, fuzzy logic or neural network
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- 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
- F05B2260/84—Modelling or simulation
-
- 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
- F05B2270/303—Temperature
-
- 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
-
- 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
- F05B2270/324—Air pressure
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
- F05B2270/00—Control
- F05B2270/70—Type of control algorithm
- F05B2270/709—Type of control algorithm with neural networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Abstract
실시예에 따른 전력예측이 가능한 인공지능형 스마트 풍력 제어 방법은 (A) 풍력발전기가 설치된 분석지역에 설치된 풍력 발전기의 디지털 트윈을 구축하는 단계; (B) 구축된 디지털 트윈에서 풍력발전기의 평균 전력 생산량 추정 실험 시행하고 테스트 결과 데이터를 수집하는 단계; (C) 수집된 테스트 결과 데이터를 기반으로 풍력발전기 설치 지점(spot)의 기후 조건에 따른 발전량을 예측하는 단계; (D) 발전량 예측 결과와 실제 기후 조건에 따른 발전량을 파악하여, 발전량 예측 결과를 피드백 하는 단계; 및 (E) 예측된 기후조건에 따라 풍력 발전 제어를 수행하는 단계; 를 포함한다.
Description
본 개시는 전력예측이 가능한 인공지능형 스마트 풍력 시스템 및 제어 방법에 관한 것으로 구체적으로, 풍력발전기 부근의 국지적 기상을 인공지능기반으로 예측하여 풍력발전기를 제어하고, 디지털 트윈 상에서 발전 전력량 예측 시뮬레이션을 제공하는 시스템 및 방법에 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.
풍력발전은 바람의 힘을 이용해서 발전기를 돌려 전기 에너지를 생산하는 발전방법으로, 화력발전과 달리 온실가스를 내놓지도 고갈되지도 않을 뿐만 아니라 경제성도 좋기 때문에 청정 에너지로 널리 보급되고 있다. 앞으로도 에너지 고갈과 이상기후를 해결하는 대안적 에너지로 큰 역할을 할 것으로 전망된다.
소형 풍력발전기는 발전기당 생산 전력이 적기 때문에 많은 양의 풍력발전기를 설치해야 필요한 전력 수요를 만족시킬 수 있다. 다수의 풍력발전기는 유지 보수가 어렵기 때문에 제어 시스템을 통한 풍력발전기의 보호가 필수적이다. 또한, 중앙분리대 및 갓길에 설치한 소형 풍력발전기의 경우 관리 및 유지보수가 어려워 제어 시스템을 이용하여 선제적인 보호가 필수적이다.
풍력발전기 보호를 위해, 임계풍속 이상의 바람에 풍력발전기가 파손되지 않도록 하는 제어 시스템 구축을 위하여 풍력발전기가 설치된 장소에서의 정확한 풍속 예측이 가능한 시스템이 필요하다. 하지만, 실제 실험을 통하여 발전 전력량을 예측하기 어렵기 때문에 디지털 트윈을 구축하여 디지털 트윈 상에서 시뮬레이션을 통한 발전량 예측 기술에 대한 수요가 증가하고 있다.
실시예에 따른 전력예측이 가능한 인공지능형 스마트 풍력 시스템 및 제어 방법은 인공지능기반 기후 예측 시스템을 제공하기 위해, 기상 데이터셋을 구축하고, GRU 및 양방향 RNN 기반 기후 예측 모델을 구축한다.
또한, 실시예에서는 풍력발전기 제어 시스템 개발 및 구축하기 위해 풍력발전기 제어 시스템 및 풍력발전기 제어 시스템과 기후 예측 시스템 간의 연동기능을 제공한다.
실시예에서는 디지털 트윈 상에서의 발전량 예측 시뮬레이션을 제공하고, 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.
또한, 실시예에서는 풍력발전기의 평균 전력 생산량 추정 실험 시행을 통한 디지털 트윈 상에서의 전력량 예측 시뮬레이션을 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.
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 전력예측이 가능한 인공지능형 스마트 풍력 제어 방법은 (A) 풍력발전기가 설치된 분석지역에 설치된 풍력 발전기의 디지털 트윈을 구축하는 단계; (B) 구축된 디지털 트윈에서 풍력발전기의 평균 전력 생산량 추정 실험 시행하고 테스트 결과 데이터를 수집하는 단계; (C) 수집된 테스트 결과 데이터를 기반으로 풍력발전기 설치 지점(spot)의 기후 조건에 따른 발전량을 예측하는 단계; (D) 발전량 예측 결과와 실제 기후 조건에 따른 발전량을 파악하여, 발전량 예측 결과를 피드백 하는 단계; 및 (E) 예측된 기후조건에 따라 풍력 발전 제어를 수행하는 단계; 를 포함한다.
다른 실시예에 따른 전력예측이 가능한 인공지능형 스마트 풍력 시스템은 디지털 트윈에서 풍력발전기의 평균 전력 생산량 추정 테스트를 시행하고 테스트 결과 데이터를 수집하는 테스트 데이터 수집 모듈; 수집된 테스트 결과 데이터를 기반으로 기후 조건에 따른 발전량을 예측하고, 실제 기후조건에 따른 발전량 수치에 따라 발전량 예측 결과를 피드백 하는 발전량 산출 모듈; 예측된 기후조건과 발전량에 따라 풍력 발전기의 제어를 개별적으로 수행하는 제어모듈; 을 포함한다.
이상에서와 같은 전력예측이 가능한 인공지능형 스마트 풍력 시스템 및 제어 방법은 풍력 발전기가 설치된 주변의 국지적 기상데이터를 통해 기후정보 예측을 보다 정확하게 수행할 수 있도록 한다. 또한, 정확히 예측된 기후 정보에 따라 풍력 발전기를 최적 제어하여, 풍력발전기의 효율 및 안정성을 향상시킬 수 있다.
또한, 디지털 트윈상의 시뮬레이션에 따라 중소형 풍력발전기를 기상환경에 따라 보다 정확하게 제어할 수 있도록 하여, 풍력발전 효율을 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 전력예측이 가능한 인공지능형 스마트 풍력 시스템 구성을 나타낸 도면
도 2는 실시예에 따른 서버(200)의 데이터 처리 구성을 나타낸 도면
도 3은 실시예에 따른 전력예측이 가능한 인공지능형 스마트 풍력 시스템의 시뮬레이션 과정을 나타낸 도면
도 4는 실시예에 따른 전력예측이 가능한 인공지능형 스마트 풍력 시스템의 풍력 발전기 제어 흐름을 나타낸 도면
도 5는 실시예에 따른 전력예측이 가능한 인공지능형 스마트 풍력 시스템의 풍력 발전기 제어 과정을 나타낸 도면
도 6 및 도 7은 실시예에 따른 전력예측이 가능한 인공지능형 스마트 풍력 시스템의 기후 예측 데이터 산출 예를 나타낸 도면
도 8 내지 도 10은 실시예에 따른 기후 예측 데이터를 시각화한 디스플레이 화면을 나타낸 도면
도 2는 실시예에 따른 서버(200)의 데이터 처리 구성을 나타낸 도면
도 3은 실시예에 따른 전력예측이 가능한 인공지능형 스마트 풍력 시스템의 시뮬레이션 과정을 나타낸 도면
도 4는 실시예에 따른 전력예측이 가능한 인공지능형 스마트 풍력 시스템의 풍력 발전기 제어 흐름을 나타낸 도면
도 5는 실시예에 따른 전력예측이 가능한 인공지능형 스마트 풍력 시스템의 풍력 발전기 제어 과정을 나타낸 도면
도 6 및 도 7은 실시예에 따른 전력예측이 가능한 인공지능형 스마트 풍력 시스템의 기후 예측 데이터 산출 예를 나타낸 도면
도 8 내지 도 10은 실시예에 따른 기후 예측 데이터를 시각화한 디스플레이 화면을 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 전력예측이 가능한 인공지능형 스마트 풍력 시스템 구성을 나타낸 도면이다.
도 1을 참조하면, 실시예에 따른 인공지능형 스마트 풍력 시스템은 풍력발전기(100), 서버(200) 및 관리자 단말(300)을 포함하여 구성될 수 있다. 풍력발전기(100)는 설치된 국소 지역의 기상 데이터를 센싱하여 서버(200) 및 관리자 단말(300)로 전송하고, 서버(200) 또는 관리자 단말(300)로부터 수신한 제어 신호에 따라 피치 및 요 컨트롤이 수행될 수 있다. 실시예에서 기상데이터는 풍력 발전기가 설치된 지역의 온도, 습도, 풍향, 풍속, 일조량 등이 포함될 수 있다.
실시예에서 적어도 하나의 관리자 단말(300)은, 네트워크를 통하여 원격지의 서버나 단말에 접속할 수 있는 컴퓨터로 구현될 수 있다. 여기서, 컴퓨터는 예를 들어, 네비게이션, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(Desktop), 랩톱(Laptop) 등을 포함할 수 있다. 이때, 적어도 하나의 관리자 단말(300)은, 네트워크를 통해 원격지의 서버나 단말에 접속할 수 있는 단말로 구현될 수 있다. 적어도 하나의 관리자 단말(300)은, 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, 네비게이션, PCS(Personal Communication System), GSM(Global System for Mobile communications), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), Wibro(Wireless Broadband Internet) 단말, 스마트폰(smartphone), 스마트 패드(smartpad), 태블릿 PC(Tablet PC) 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치를 포함할 수 있다.
실시예에 따른 전력예측이 가능한 인공지능형 스마트 풍력 시스템은 인공지능기반 기후 예측 시스템을 제공하기 위해, 기상 데이터셋 구축하고, GRU(Gated Recurrent Unit) 및 양방향 RNN(Recurrent Neural Network) 기반 기후 예측 모델을 구축한다. 또한, 풍력발전기 제어 시스템 개발 및 구축하기 위해, 풍력발전기 제어 시스템 및 풍력발전기 제어 시스템과 기후 예측 시스템 간의 연동기능을 제공한다. 또한, 실시예에서는 디지털 트윈 상에서의 발전량 예측 시뮬레이션을 제공하고, 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.
또한, 실시예에서는 풍력발전기의 평균 전력 생산량 추정 실험 시행을 통한 디지털 트윈 상에서의 전력량 예측 시뮬레이션을 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 및 양방향 RNN 기반 기후 예측 모델을 이용할 수 있다. 실시예에서는 인공지능을 통해 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.
도 2는 실시예에 따른 서버(200)의 데이터 처리 구성을 나타낸 도면이다.
도 2를 참조하면, 실시예에 따른 서버(200)는 테스트 데이터 수집 모듈(210), 발전량 산출 모듈(220), 제어모듈(230) 및 디스플레이 모듈(240)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.
데이터 수집 모듈(210)은 디지털 트윈에서 풍력발전기의 평균 전력 생산량 추정 실험 시행하고 테스트 결과 데이터를 수집한다. 실시예에서 데이터 수집 모듈(210)은 풍력발전기가 위치한 지점의 풍향 및 풍속에 따라 풍력발전기를 제어 조건을 설정하고, 평균 전력 생산량 추정 실험 시행하고 테스트 결과 데이터를 수집한다.
발전량 산출 모듈(220)은 수집된 테스트 결과 데이터를 기반으로 기후 조건에 따른 발전량을 예측하고, 발전량 예측 결과와 실제 기후 조건에 따른 발전량 수치를 비교한다. 실시예에서는 산출된 실제 기후조건에 따른 발전량 수치에 따라 발전량 예측 결과를 피드백 하여 데이터가 누적될수록 더 정확한 발전량 예측을 가능하게 한다. 실시예에서 발전량 산출 모듈(220)은 기후 예측을 위해 풍력 발전기가 설치된 국소 지역 및 시간에 따른 온도, 기압, 풍속을 포함하는 기상 데이터셋을 구축하고, GRU 및 양방향 RNN 기반 기후 예측 모델을 구축한다. 또한, 실시예에서는 ANN(Artificial Neural Network), DNN(Deep Neural Network), 합성곱신경망(CNN, Convolution Neural Network), 순환신경망(RNN, Recurrent Neural Network)을 포함하는 딥러닝 방식 기반 기후예측 모델을 구축할 수 있다
실시예에서 발전량 산출 모듈(220)은 인공지능 머신러닝을 통한 수집된 테스트 결과 데이터 분석 및 누적 예측 데이터 분석 과정을 통해 기후 예측 및 발전량 예측을 수행할 수 있다. 실시예에서 발전량 산출 모듈(220)은 노이즈 대응 외 학습하지 못한 패턴 처리를 위해 학습 외 분포 데이터 탐지(out of distribution detection)과정을 수행한다. 학습 외 분포 데이터 탐지는 인공지능에 입력된 데이터가 학습된 확률분포 데이터 인지 아닌지 식별하는 것이다. 실시예에서는 학습 외 분포 데이터 탐지를 통해 인공 신경망이 판단하기 어려운 이미지를 걸러내거나 예외 처리하여 안정성과 신뢰성을 높일 수 있도록 한다. 실시예에서는 학습 외 분포 데이터 탐지를 위해서 딥러닝 판정에 대해 얼마나 확신(confidence)하는지를 나타내는 확률 값을 보정(calibration)하거나 학습 외 분포 데이터를 생성적 대립 신경망(GAN, Generative Adversarial Network)으로 생성하고 학습하여 탐지 정확도를 향상시킬 수 있도록 한다.
또한, 실시예에서는 예측 정확도를 유지하면서 모델의 크기를 줄이기 위해, 연산을 간소화하는 경량 딥러닝 기술을 이용하여 기후 및 발전량 예측을 최종 확정할 수 있도록 한다. 실시예에서는 이미지 인식을 위해 콘볼루션 신경망(CNN, Convolution Neural Network)에서 콘볼루션 필터를 변형하여 연산 차원을 축소(Reduction)하거나 큰 영향이 없는 신경망의 가중치(weight)를 삭제하는 가지치기, 가중치 값의 부동 소수점을 줄여 연산을 간소화하는 양자화 과정을 수행하여 데이터 경량화를 가능하도록 한다. 또한, 실시예에서는 미리 학습시킨 큰 신경망의 출력을 작은 신경망에서 모방 학습하도록 하여 연산을 간소화하며 정확도를 유지할 수 있도록 한다.
제어모듈(230)은 예측된 기후조건과 발전량에 따라 풍력 발전 제어를 개별적으로 수행한다. 실시예에서 제어모듈(230)은 예측된 풍속이 설정된 임계값을 초과하는 경우, 풍력발전기의 블레이드가 바람에 저항을 가장 적게 받도록 블레이드의 각도를 제어하여 회전시키는 피치 컨트롤(pitch control)을 수행한다. 또한, 예측된 풍속이 설정된 임계값 미만인 경우, 예측된 풍향 정보를 이용하여 최대 풍력 발전 효율을 생산하도록 요 컨트롤(Yaw control)을 수행하고,
풍력발전기가 발전 중인 경우, 순간 전력 발전량을 통해 현재 풍속을 역산출 할 수 있다.
디스플레이 모듈(240)은 온도, 기압, 풍속을 포함하는 기상 데이터 각각에 시각적 객체를 매칭하고, 매칭된 시각적 객체의 방향 및 크기를 수집된 기상 데이터의 스칼라량에 따라 조정하고, 수집된 기상데이터를 나타내는 시각적 객체 및 발전량을 실시간으로 디스플레이 한다.
도 3은 실시예에 따른 전력예측이 가능한 인공지능형 스마트 풍력 시스템의 시뮬레이션 과정을 나타낸 도면이다.
도 3을 참조하면, S100 단계에서는 풍력 발전기가 설치된 분석지역에 풍력 발전기의 디지털 트윈을 구축하고, 구축된 디지털 트윈에서 풍력발전기의 평균 전력 생산량 추정 실험 시행하고 테스트 결과 데이터를 수집한다.
S200 단계에서는 수집된 테스트 결과 데이터를 기반으로 기후 조건에 따른 발전량을 예측하고, 발전량 예측 결과와 실제 기후 조건에 따른 발전량 수치를 산출한다. 실시예에서는 S200 단계에서는 풍력발전기가 위치한 지점의 풍향 및 풍속에 따라 풍력발전기를 제어 조건을 설정할 수 있다. 실시예에서는 ANN(Artificial Neural Network), DNN(Deep Neural Network), 합성곱신경망(CNN, Convolution Neural Network), 순환신경망(RNN, Recurrent Neural Network)을 포함하는 딥러닝 방식 기반 기후예측 모델을 구축한다. 또한, 기후 예측을 위해 풍력 발전기가 설치된 국소 지역 및 시간에 따른 온도, 기압, 풍속을 포함하는 기상 데이터셋을 구축하고, GRU 및 양방향 RNN 기반 기후 예측 모델을 구축한다.
S300 단계에서는 발전량 예측 결과와 실제 기후 조건에 따른 발전량 수치를 산출 결과를 누적하여 발전량 예측 결과를 피드백 한다. S400 단계에서는 예측된 기후조건에 따라 풍력 발전기를 개별적으로 제어한다. 실시예에서는 예측된 풍속이 설정된 임계값을 초과하는 경우, 풍력발전기의 블레이드가 바람에 저항을 가장 적게 받도록 블레이드의 각도를 제어하여 회전시키는 피치 컨트롤(pitch control)을 수행한다. 또한, 예측된 풍속이 설정된 임계값 미만인 경우, 예측된 풍향 정보를 이용하여 최대 풍력 발전 효율을 생산하도록 요 컨트롤(Yaw control)을 수행할 수 있다. 실시예에서는 풍력발전기가 발전 중인 경우, 순간 전력 발전량을 통해 현재 풍속을 역산출 한다.
S500 단계에서는 온도, 기압, 풍속을 포함하는 기상 데이터 각각에 시각적 객체를 매칭하고, 매칭된 시각적 객체의 방향 및 크기를 수집된 기상 데이터의 스칼라량에 따라 조정하고, 수집된 기상데이터를 나타내는 시각적 객체 및 발전량을 실시간으로 디스플레이 한다.
도 4는 실시예에 따른 전력예측이 가능한 인공지능형 스마트 풍력 시스템의 풍력 발전기 제어 흐름을 나타낸 도면이다.
도 4를 참조하면, S10 단계에서 테스트 데이터 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 테스트 데이터 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 기상 데이터 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 발전량 산출 모듈에서 현재풍속을 산출하면, S18 단계에서
는 테스트 데이터 수집 모듈에서 온도, 기압, 풍속을 국지적 기상데이터로 수집하고, S20 단계에서는 발전량 산출 모듈에서 누락데이터가 존재하는지 파악한다. 누락데이터가 존재하는 경우, S22 단계로 진입하여 발전량 산출 모듈에서 비선형 보간법을 통해 국지적 기상 데이터를 보완한다. S24 단계에서 테스트 데이터 수집 모듈은 국지적 기상데이터인 온도, 기압, 풍속 데이터를 수집한다. S19 단계에서는 발전량 산출 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 및 양방향 RNN 기반 기후 예측 모델을 통한 인공지능을 이용하여 풍력발전기가 설치된 곳의 기후를 예측한다. S21 단계에서는 예측결과 값인 예측 풍향 및 예측 풍속 데이터를 획득한다. 이후, 예측 풍향 및 예측풍속 데이터를 통해 풍력 발전기를 제어하기 위해 S23 단계로 진입한다.
도 5는 실시예에 따른 전력예측이 가능한 인공지능형 스마트 풍력 시스템의 풍력 발전기 제어 과정을 나타낸 도면이다.
도 5를 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 풍력 발전기의 발전효율이 최대가 아닌 것으로 파악되면 S29 단계로 진입하여 요 컨트롤을 수행할 수 있다.
도 6 및 도 7은 실시예에 따른 전력예측이 가능한 인공지능형 스마트 풍력 시스템의 기후 예측 데이터 산출 예를 나타낸 도면이다.
도 6 및 도 7을 참조하면, 실시예에서는 풍력 발전기가 설치된 국소 지역(spot)의 풍량, 풍속, 온도, 발전량 등을 포함하는 월별 기후 예측 데이터와 발전량 데이터를 예측하여 도표로 시각화 하고, 그래프, 3차원 이미지 등으로 변환할 수 있다.
도 8 내지 도 10은 실시예에 따른 기후 예측 데이터를 시각화한 디스플레이 화면을 나타낸 도면이다.
도 8 및 도 9를 참조하면, 실시예에 따른 디스플레이모듈은 예측된 기후 데이터 각각을 화살표, 색, 입체도형 등의 시각적 객체 각각에 매칭하고, 기후 데이터의 변화를 매칭된 시각적 객체의 크기, 색, 모양을 변화시켜 디스플레이 할 수 있도록 한다. 도 8에 도시된 바와 같이, 실시예에 따른 인공지능기반 기후 예측 풍력 발전기 제어 시스템을 통해 기후 변화와 기후 변화 예측량을 시각적 객체로 보다 직관적으로 이해할 수 있다. 예컨대, 풍속은 화살표의 크기, 길이 등으로 표시되어 풍력발전기가 설치된 국소 영역의 풍속을 화살표 크기 및 색으로 파악할 수 있다. 또한 실시예에서는 도 10에 도시된 바와 같이, 풍력 발전기의 기간별 윈드 로즈(wind rose)를 시간에 따라 인식 가능하도록 시각화 하여 디스플레이 할 수 있다.
이상에서와 같은 전력예측이 가능한 인공지능형 스마트 풍력 시스템은 풍력 발전기가 설치된 주변의 국지적 기상데이터를 통해 기후정보 예측을 보다 정확하게 수행할 수 있도록 한다. 또한, 정확히 예측된 기후 정보에 따라 풍력 발전기를 최적 제어하여, 풍력발전기의 효율 및 안정성을 향상시킬 수 있다.
또한, 디지털 트윈상의 시뮬레이션에 따라 중소형 풍력발전기를 기상환경에 따라 보다 정확하게 제어할 수 있도록 하여, 풍력발전 효율을 향상시킬 수 있다.
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 (11)
- 전력예측이 가능한 인공지능형 스마트 풍력 제어 방법에 있어서,
(A) 풍력발전기가 설치된 분석지역에 설치된 풍력 발전기의 디지털 트윈을 구축하는 단계;
(B) 구축된 디지털 트윈에서 풍력발전기의 평균 전력 생산량 추정 실험 시행하고 테스트 결과 데이터를 수집하는 단계;
(C) 수집된 테스트 결과 데이터를 기반으로 풍력발전기 설치 지점(spot)의 기후 조건에 따른 발전량을 예측하는 단계;
(D) 발전량 예측 결과와 실제 기후 조건에 따른 발전량을 파악하여, 발전량 예측 결과를 피드백 하는 단계; 및
(E) 예측된 기후조건에 따라 풍력 발전 제어를 수행하는 단계; 를 포함하는 전력예측이 가능한 인공지능형 스마트 풍력 제어 방법.
- 제1항에 있어서, 상기 (C)의 단계; 는
풍력발전기가 위치한 지점(spot)의 풍향 및 풍속에 따라 풍력발전기 제어 조건을 설정하는 단계; 를 포함하는 것을 특징으로 하는 전력예측이 가능한 인공지능형 스마트 풍력 제어 방법.
- 제1항에 있어서, 상기 (B)의 단계; 는
(B-1) ANN(Artificial Neural Network), DNN(Deep Neural Network), 합성곱신경망(CNN, Convolution Neural Network), 순환신경망(RNN, Recurrent Neural Network)을 포함하는 딥러닝 방식 기반 기후예측 모델을 구축하는 단계; 를 포함하는 것을 특징으로 하는 전력예측이 가능한 인공지능형 스마트 풍력 제어 방법.
- 제3항에 있어서, 상기 (B-1)의 단계; 는
기후 예측을 위해 풍력 발전기가 설치된 국소 지역 및 시간에 따른 온도, 기압, 풍속을 포함하는 기상 데이터셋을 구축하고, GRU 및 양방향 RNN 기반 기후 예측 모델을 구축하는 단계; 를 포함하는 것을 특징으로 하는 전력예측이 가능한 인공지능형 스마트 풍력 제어 방법.
- 제1항에 있어서, 상기 (C)의 단계; 는
온도, 기압, 풍속을 포함하는 기상 데이터 각각에 시각적 객체를 매칭하고, 매칭된 시각적 객체의 방향 및 크기를 수집된 기상 데이터의 스칼라량에 따라 조정하는 단계; 및
수집된 기상데이터를 나타내는 시각적 객체 및 발전량을 실시간으로 디스플레이 하는 단계; 를 포함하는 것을 특징으로 하는 전력예측이 가능한 인공지능형 스마트 풍력 제어 방법.
- 제1항에 있어서, 상기 (E)의 단계; 는
예측된 풍속이 설정된 임계값을 초과하는 경우, 풍력발전기의 블레이드가 바람에 저항을 가장 적게 받도록 블레이드의 각도를 제어하여 회전시키는 피치 컨트롤(pitch control)을 수행하는 단계;
예측된 풍속이 설정된 임계값 미만인 경우, 예측된 풍향 정보를 이용하여 최대 풍력 발전 효율을 생산하도록 요 컨트롤(Yaw control)을 수행하는 단계; 및
풍력발전기가 발전 중인 경우, 순간 전력 발전량을 통해 현재 풍속을 역산출 하는 것을 특징으로 하는 전력예측이 가능한 인공지능형 스마트 풍력 제어 방법.
- 전력예측이 가능한 인공지능형 스마트 풍력 시스템에 있어서,
디지털 트윈에서 풍력발전기의 평균 전력 생산량 추정 테스트를 시행하고 테스트 결과 데이터를 수집하는 테스트 데이터 수집 모듈;
수집된 테스트 결과 데이터를 기반으로 기후 조건에 따른 발전량을 예측하고, 실제 기후조건에 따른 발전량 수치에 따라 발전량 예측 결과를 피드백 하는 발전량 산출 모듈;
예측된 기후조건과 발전량에 따라 풍력 발전기의 제어를 개별적으로 수행하는 제어모듈; 을 포함하는 전력예측이 가능한 인공지능형 스마트 풍력 시스템.
- 제7항에 있어서, 상기 테스트 데이터 수집 모듈; 은
풍력발전기가 위치한 지점의 풍향 및 풍속에 따라 풍력발전기를 제어 조건을 설정하고, 평균 전력 생산량 추정 테스트를 시행하고 테스트 결과 데이터를 수집하는 것을 특징으로 하는 전력예측이 가능한 인공지능형 스마트 풍력 시스템.
- 제7항에 있어서, 상기 발전량 산출 모듈; 은
기후 예측을 위해 풍력 발전기가 설치된 국소 지역 및 시간에 따른 온도, 기압, 풍속을 포함하는 기상 데이터셋을 구축하고, GRU 및 양방향 RNN 기반 기후 예측 모델을 구축하는 것을 특징으로 하는 전력예측이 가능한 인공지능형 스마트 풍력 시스템.
- 제7항에 있어서, 상기 전력예측이 가능한 인공지능형 스마트 풍력 시스템; 은
온도, 기압, 풍속을 포함하는 기상 데이터 각각에 시각적 객체를 매칭하고, 매칭된 시각적 객체의 방향 및 크기를 수집된 기상 데이터의 스칼라량에 따라 조정하고,
수집된 기상데이터를 나타내는 시각적 객체 및 발전량을 실시간으로 디스플레이 하는 디스플레이 모듈; 을 더 포함하는 것을 특징으로 하는 전력예측이 가능한 인공지능형 스마트 풍력 시스템.
- 제7항에 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 수행하고,
예측된 풍속이 설정된 임계값 미만인 경우, 예측된 풍향 정보를 이용하여 최대 풍력 발전 효율을 생산하도록 요 컨트롤(Yaw control)을 수행하고,
풍력발전기가 발전 중인 경우, 순간 전력 발전량을 통해 현재 풍속을 역산출 하는 것을 특징으로 하는 전력예측이 가능한 인공지능형 스마트 풍력 시스템.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220087962A KR102647428B1 (ko) | 2022-07-18 | 2022-07-18 | 전력예측이 가능한 인공지능형 스마트 풍력 시스템 및 제어 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 |
|---|---|---|---|
| KR1020220087962A KR102647428B1 (ko) | 2022-07-18 | 2022-07-18 | 전력예측이 가능한 인공지능형 스마트 풍력 시스템 및 제어 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20240010803A KR20240010803A (ko) | 2024-01-25 |
| KR102647428B1 true KR102647428B1 (ko) | 2024-03-14 |
Family
ID=89721850
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220087962A KR102647428B1 (ko) | 2021-12-03 | 2022-07-18 | 전력예측이 가능한 인공지능형 스마트 풍력 시스템 및 제어 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102647428B1 (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 |
| CN113236491A (zh) | 2021-05-27 | 2021-08-10 | 华北电力大学 | 一种风力发电数字孪生系统 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20160127992A (ko) * | 2015-04-28 | 2016-11-07 | (주)지비엠 아이엔씨 | 기상 예측 모델을 이용한 풍력발전 시스템 및 방법 |
| KR101844044B1 (ko) | 2017-09-19 | 2018-03-30 | (주)지비엠아이엔씨 | 기상 예측 모델을 이용한 풍력발전 시스템 및 방법 |
| KR102358798B1 (ko) * | 2017-10-19 | 2022-02-08 | 광주과학기술원 | 에너지 수요 예측 방법 및 그 시스템 |
| KR102143757B1 (ko) | 2019-05-07 | 2020-08-12 | 오토시맨틱스 주식회사 | 딥러닝을 포함한 인공지능을 적용시킨 풍력 발전장치 |
-
2022
- 2022-07-18 KR KR1020220087962A patent/KR102647428B1/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 |
| CN113236491A (zh) | 2021-05-27 | 2021-08-10 | 华北电力大学 | 一种风力发电数字孪生系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20240010803A (ko) | 2024-01-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10891481B2 (en) | Automated detection of features and/or parameters within an ocean environment using image data | |
| Truong et al. | An IoT environmental data collection system for fungal detection in crop fields | |
| Schlechtingen et al. | Using data-mining approaches for wind turbine power curve monitoring: A comparative study | |
| US11640208B2 (en) | Gesture feedback in distributed neural network system | |
| US20160215759A1 (en) | Methods and systems for wind plant power optimization | |
| US20140195159A1 (en) | Application of artificial intelligence techniques and statistical ensembling to forecast power output of a wind energy facility | |
| CN106951997A (zh) | 预测风机的故障的方法和设备 | |
| JP2017200360A (ja) | 太陽光発電量予測システム、太陽光発電量予測方法、プログラム | |
| CN109763944A (zh) | 一种海上风机叶片故障非接触式监测系统及监测方法 | |
| Pourhabib et al. | Short-term wind speed forecast using measurements from multiple turbines in a wind farm | |
| JP2005300176A (ja) | 移動携帯端末、通信ホスト装置及び気象予測システム | |
| TW201719545A (zh) | 發電系統效能估測方法 | |
| CN104217247B (zh) | 用于预测风场中的风机的输出功率的方法和装置 | |
| KR102647428B1 (ko) | 전력예측이 가능한 인공지능형 스마트 풍력 시스템 및 제어 방법 | |
| CN108510114A (zh) | 一种核电厂未来天气情景下核素所致公众剂量预测方法 | |
| CN109541725B (zh) | 一种基于gis的电网工程气象监测预警方法 | |
| CN107687994A (zh) | 空气检测系统及方法 | |
| Padilla et al. | Air quality prediction using recurrent air quality predictor with ensemble learning | |
| KR20220146158A (ko) | 일사량 예측 장치 및 그 방법 | |
| CN116744357A (zh) | 基站故障预测方法、装置、设备和介质 | |
| KR102426492B1 (ko) | 환기설비 연동 범용 제어 방법, 장치 및 프로그램 | |
| KR20230049198A (ko) | 기상 정보를 이용한 풍력발전기의 브레이드 제어장치 및 방법 | |
| Valsaraj et al. | Machine learning-based simplified methods using shorter wind measuring masts for the time ahead wind forecasting at higher altitude for wind energy applications | |
| CN112733728A (zh) | 一种能见度边缘计算方法、装置、电子设备及存储介质 | |
| Jaseena et al. | An improved multivariate weather prediction model using deep neural networks and particle swarm optimisation |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right |