KR20210006874A - 칼만필터 및 심층강화학습 기반의 풍력발전기 요 오정렬 제어 방법 - Google Patents
칼만필터 및 심층강화학습 기반의 풍력발전기 요 오정렬 제어 방법 Download PDFInfo
- Publication number
- KR20210006874A KR20210006874A KR1020200186882A KR20200186882A KR20210006874A KR 20210006874 A KR20210006874 A KR 20210006874A KR 1020200186882 A KR1020200186882 A KR 1020200186882A KR 20200186882 A KR20200186882 A KR 20200186882A KR 20210006874 A KR20210006874 A KR 20210006874A
- Authority
- KR
- South Korea
- Prior art keywords
- flow deflection
- deflection angle
- wind direction
- kalman filter
- actor
- Prior art date
Links
- 230000002787 reinforcement Effects 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000005259 measurement Methods 0.000 claims abstract description 62
- 238000012937 correction Methods 0.000 claims abstract description 31
- 238000013528 artificial neural network Methods 0.000 claims description 33
- 125000004122 cyclic group Chemical group 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 18
- 239000000872 buffer Substances 0.000 claims description 12
- 230000009699 differential effect Effects 0.000 claims description 2
- 238000012935 Averaging Methods 0.000 claims 2
- 230000005856 abnormality Effects 0.000 abstract description 15
- 230000009467 reduction Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 34
- 230000000694 effects Effects 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 7
- 230000009466 transformation Effects 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 239000012557 regeneration buffer Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
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
- F03D7/04—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
- F03D7/045—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic with model-based controls
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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
- F05B2270/326—Rotor angle
-
- 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
- F05B2270/329—Azimuth or yaw angle
-
- 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
- F05B2270/337—Electrical grid status parameters, e.g. voltage, frequency or power demand
-
- 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
- F05B2270/40—Type of control system
- F05B2270/404—Type of control system active, predictive, or anticipative
-
- 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
-
- 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
- F05B2270/80—Devices generating input signals, e.g. transducers, sensors, cameras or strain gauges
- F05B2270/802—Calibration thereof
-
- 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
-
- 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
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Fuzzy Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Wind Motors (AREA)
Abstract
칼만필터 및 심층강화학습 기반의 풍력발전기 요 오정렬 제어 방법이 개시된다. 본 발명의 요 오정렬 제어 방법은 풍력발전기 정상 운전 중, 일련의 실제 상대적 풍향 측정치에 칼만필터를 적용하여 비정상성의 조립 오차각을 계산하고, 액터-크리틱 유동편향각 예측 심층강화학습 모델을 통해 비정상성의 유동편향각을 계산하여 요 오정렬 추정 및 보정을 통해, 비정상성의 요 오정렬 보정을 전자동화하여 요 오정렬의 비정상성 대한 수동적 보정에 대한 운영비용 감소를 극대화한다.
Description
본 발명은 칼만필터 및 심층강화학습 기반의 요 오정렬(yaw misalignment) 보정값 예측 모델을 통해 풍력발전기(wind turbine)의 전력생산을 최대화하는 요 오정렬 제어 방법에 관한 것이다. 구체적으로는 칼만필터(Kalman filter) 및 순환신경망(recurrent neural network) 기반의 시퀀스(sequence) 유동편향각(flow deflection) 예측 모델을 통해 풍력발전기로부터 수신한 자유풍속(free stream wind speed) 및 로터 회전속도(rotor rotation speed)로부터 후방의 난류에 의해 생기는 유동편향각을 예측하는 방법, 풍력발전기 정상 운전(comissioning) 중 출력 전력(active power)을 보상값으로 풍력발전기의 전력생산을 극대화하는 액터-크리틱(actor-critic) 유동편향각 예측 심층강화학습(deep reinforcement learning) 모델을 자가학습(self-learning)하고, 이 모델로부터 예측한 유동편향각, 풍력발전기 운전 데이터로부터 얻은 상대적 풍향(relative wind direction) 및 칼만필터를 통해 계산한 조립 오차각(assembly angle)을 이용하여 요 오정렬을 추정하고 보정하는, 요 오정렬 제어 방법에 관한 것이다.
도 1과 같이 풍향과 마주하는 방향으로 로터가 회전하여 전력을 얻는 수평축 풍력발전기의 경우, 전력생산을 최대화시키기 위해 풍향과 마주하는 방향으로 나셀(nacelle)을 회전시켜야 한다. 풍향과 마주하는 방향으로 나셀을 회전시키기 위해 이러한 풍력발전기는 나셀을 회전시키는 요잉 시스템(yawing system), 나셀에 설치된 풍향계(wind vane)과 풍속계(anemometer)로 구성된 기상탑(meteorological mast), 요 오정렬을 계산하여 보정하기 위해 요잉시스템을 제어하는 요 제어기(yaw controller)를 가진다.
도 2와 같이 요 오정렬을 나셀 방향에 대한 상대적 풍향, 풍향계 또는 라이다(Lidar)의 조립 오차각, 로터 후방의 난류에 의해 생기는 유동편향각으로 정의할 수 있다. 여기서 상대적 풍향은 풍향계로부터 직접 측정할 수 있지만, 풍향계 조립 오차각은 풍력발전기 운전 전 측정하여 보정해주어야 하며, 유동편향각은 운전 중에 계산하여 보정해주어야 한다. 정밀하게 풍향계 조립 오차각 및 유동편향각을 계산하여 보정하기 위해 기존 방식에서는 자유풍향 및 자유풍속(free stream wind speed)을 정밀하게 측정하는 라이다를 지상에 설치하여 운전 전 조립 오차각을 측정하여 보정하고, 항시 나셀에 라이다를 설치하여 유동편향각이 없는 상대적 풍향을 측정하여 운전 중에 요 오정렬을 보정한다.
[1]과 [2]는 운전 전 나셀 또는 지상에 라이다를 설치하여 유동편향각에 영향을 주는 변수들과 상대적 풍향 변수 사이의 관계모델을 개발하여, 운전 중에 나셀 기반 라이다를 사용하지 않고 요 오정렬을 보정하여, 모든 풍력발전기에 나셀 기반 라이다를 설치하고 운영하는 비용을 줄일 수 있는 방법이다. [1]은 관계모델을 학습기반의 기계학습 모델을 이용하여 유동편향각이 보정된 상대적 풍향을 추정하여 요 오정렬을 보정하며, [2]는 통계적 분석 기반의 관계모델을 이용하여 유동편향각을 추정하고, 측정된 상대적 풍향에 대해 유동편향각을 보정하여 요 오정렬을 보정한다.
이러한 방법들은 조립 오차각과 유동편향각이 시간에 따른 정상성(stationarity)을 전제로하고 있다. 하지만, 실제 조립 오차각은 시간에 따라 변하며, 유동편향각에 영향을 주는 로터 회전속도 및 자유풍속과 유동편향각의 관계 특성도, 풍전발전단지 내의 다른 풍력발전기들에 의해 발생하는 후류 효과(wake effect)에 의해 시간에 따라 변하므로, 조립 오차각과 유동편향각 특성은 시간에 따라 변하는 비정상성(non-stationarity)을 갖는다.
이러한 이유로 기존의 [1]과 [2]와 같은 방법은 라이다를 항시 사용하지 않고도 기계학습 기반 요 오정렬 보정 모델 및 통계적 기반의 요 오정렬 보정 모델을 이용하여 정밀한 요 오정렬을 보정할 수 있지만, 조립 오차각 및 유동편향각의 비정상성에 의해 매번 조립 오차각을 다시 보정하고, 유동편향각 보정 관계모델을 다시 개발하여 적용해야하는 문제가 발생한다.
또한, [1]과 [2]의 방법은 유동편향각의 정상성을 전제로한 요 오정렬 보정 모델이기 때문에, 유동편향각의 비정상성에 영향을 주는 주요 원인인 후류 효과에 의한 요 오정렬 문제를 해결하지 못한다.
[2] Niko Mittelmeier and Martin Khun, Determination of optimal wind turbine alignment into the wind and detection of alignment changes with SCADA data, 2018.
수평축 풍력발전기의 요 오정렬의 구성 요소 중 조립 오차각 및 유동편향각은 비정상성 특성을 갖는다. 이러한 비정상성 특성을 전제로 하지 않고 요 오정렬 보정 모델을 개발 시, 주기적으로 풍력발전기단지 내의 풍력발전기들의 요 오정렬 보정 모델을 새로 개발하여 적용해야 하는 문제가 발생하며, 유동편향각의 비정상에 영향을 주는 후류 효과를 유효하게 보정하지 못하는 문제가 발생한다. 이러한 문제를 해결하기 위해서는 조립 오차각 및 유동편향각이 비정상성이라는 전제하에 요 오정렬 보정 모델을 개발해야 한다.
풍향계의 상대적 풍향 측정치에는 조립 오차각 및 유동편향각이 반영되어 있다. 상대적 풍향 측정치가 은닉 마르코프 모형(hidden Markov model)을 따른다는 전제 내에 일련의 상대적 풍향 측정치에 칼만필터를 적용하여 비정상성 특성의 조립 오차각 및 유동편향각을 계산할 수 있다. 유동편향각에 영향을 주는 주요 인자로는, 후류 효과에 영향을 받지 않을 경우 자유풍속과 로터 회전속도이다. 이러한 은닉 마르코프 모형 상에서 상대적 풍향 측정치를 이후부터 상대적 풍향 관측치(observed relative wind direction), 실제로 풍향계에서 측정되는 상대적 풍향은 이후부터 실제 상대적 풍향 측정치(really measured relative wind direction)라 한다.
여기서, 칼만필터를 통해, 일련의 실제 상대적 풍향 측정치로부터 계산한 현재 유동편향각을 목표특성(target feature)으로, 이전 유동편향각, 현재 자유풍속 및 로터 회전속도를 입력특성(input feature)으로 하는 순환신경망 시퀀스 모델 학습을 통해, 자유풍속 및 로터 회전속도와 유동편향각 사이의 비선형 관계 모델을 얻을 수 있다.
칼만필터와 순환신경망 기반의 시퀀스 유동편향각 예측 모델을 학습하기 위해서는, 일정기간 동안 풍력발전단지 내의 풍력발전기들의 정상 운전 시, 풍력발전기로부터 일정시간 동안에 대한 실제 상대적 풍향 측정치, 자유풍속, 출력 전력, 로터 회전속도 평균값, 측정 시각을 수신하여 저장하고, 시퀀스 유동편향각 예측 모델을 학습시키기 위한 원시 데이터를 생성한다.
각 풍력발전기별로 일련의 실제 상대적 풍향 측정치에 칼만필터를 적용하여 일련의 조립 오차각 및 유동편향각의 합값을 얻고, 다시 일련의 실제 상대적 풍향 측정치에 칼만필터를 적용하여 일련의 조립 오차각을 얻는다. 일련의 조립 오차각 과 유동편향각 합값에 일련의 조립 오차각을 빼주어 각 풍력발전기별로 일련의 유동편향각을 얻는다. 이전 유동편향각, 현재 자유풍속 및 로터 회전속도를 입력 특성으로, 현재 유동편향각을 목표 특성으로 하는 일정 시퀀스 수의 학습 데이터를 생성하고, 학습 데이터를 이용하여 순환신경망 기반 시퀀스 유동편향각 예측 모델을 학습시킨다.
순환신경망 기반 시퀀스 유동편향각 예측 모델은 이전 유동편향각과 현재 자유풍속 및 로터 회전속도, 현재 유동편향각 시퀀스 관계가 정상성을 갖는다는 전제하의 관계 모델이다. 따라서, 이러한 모델을 이용하여 유동편향각의 비정상성을 반영한 유동편향각 예측은 할 수 없다.
순환신경망 기반 시퀀스 유동편향각 예측 모델을 액터-크리틱 심층강화학습 모델에서 액터로 사용하고, 순환신경망 기반 자유풍속, 로터 회전속도 및 유동편향각과 차등행동값(differential action value)의 시퀀스 관계모델을 크리틱으로 사용하고, 출력 전력을 보상값으로 사용하는 액터-크리틱 유동편향각 예측 심층강화학습 모델을 통해, 풍력발전기 정상 운전 중 이전 유동편향각, 현재 자유풍속 및 로터 회전속도, 현재 유동편향각 시퀀스 관계의 비정상성을 반영하는 관계모델을 학습하여, 난류와 후류 효과에 의해 비정상성을 갖는 유동편향각을 더 정확하게 예측할 수 있다.
사전학습시킨(pre-trained) 순환신경망 기반 시퀀스 유동편향각 예측 모델의 가중치(weight) 데이터를, 액터-크리틱 유동편향각 예측 심층강화학습 모델의 액터 가중치 데이터로 로드(load)하여, 액터-크리틱 유동편향각 예측 심층강화학습 모델은 초기 강화학습 없이도 안정적으로 유동편향각을 예측하면서, 스스로 비정상성의 유동편향각 예측 모델을 학습하고, 비정상성의 유동편향각을 예측한다.
요 오정렬 값은 실제 상대적 풍향치에 액터-크리틱 유동편향각 예측 심층강화학습 모델이 예측한 유동편향각과 칼만필터로 얻은 조립 오차각를 더해서 추정한다. 추정한 요 오정렬 값을 이용해 요 오정렬을 보정한다.
풍력발전기의 요 오정렬 보정 시, 요 오정렬의 조립 오차각과 유동편향각의 비정상성 때문에, 일정한 주기로 조립 오차각을 보정하고, 유동편향각을 포함하는 요 오정렬 추정 관계모델을 재 분석하거나 학습시켜야 한다. 특히, 풍력발전단지 내의 다수 풍력발전기들의 조립 오차각과 유동편향각의 비정상성에 대한 주기적 보정은 막대한 비용이 발생한다. 하지만, 풍력발전기 정상 운전 중, 일련의 실제 상대적 풍향 측정치에 칼만필터를 적용하여 비정상성의 조립 오차각을 계산하고, 액터-크리틱 유동편향각 예측 심층강화학습 모델을 통해 비정상성의 유동편향각을 계산하여 실시간으로 요 오정렬 추정 및 보정할 수 있다. 즉, 비정상성의 요 오정렬 보정을 전자동화하여 요 오정렬의 비정상성에 대한 수동적 보정의 운영비용 감소를 극대화한다.
순환신경망 기반 시퀀스 유동편향각 예측 모델을 액터로 적용한 액터-크리틱 유동편향각 예측 심층강화학습 모델은, 풍력발전기 정상 운전 중, 출력 전력을 보상값으로 하여, 유동편향각 예측 모델을 스스로 자동학습하고 유동편향각을 예측한다. 실시간으로 변하는 난류 및 후류 효과에 영향을 받는 유동편향각 비정상성을 반영하는 요 오정렬 보정을 통해, 요 오정렬의 비정상성을 반영하지 못하는 보정방법보다 더 정확한 요 오정렬 보정을 할 수 있을 뿐만 아니라, 풍력발전단지 전력 생산을 감소시키는 주요 요인인 후류 효과를 보정하여, 풍력발전기 출력 전력 자체 및 풍력발전단지 전력 생산을 극대화한다.
도 1은 수평축 풍력발전기의 요 제어 시스템 구성요소에 대한 구성도이다.
도 2는 요 오정렬 구성요소 개략도이다.
도 3은 본 발명의 실시 예에 따른 칼만필터 및 심층강화학습 기반의 요 오정렬 제어 방법 순서도이다.
도 4는 상대적 풍향 관측치의 은닉 마르코프 모형 도식이다.
도 5는 본 발명의 실시 예에 따른 칼만필터를 이용하여 일련의 실제 상대적 풍향 측정치로부터 조립 오차각과 유동편향각의 합값 또는 조립 오차각을 계산하는 순서도이다.
도 6은 본 발명의 실시 예에 따른 칼만필터를 이용하여 유동편향각을 계산하는 순서도이다.
도 7은 본 발명의 실시 예에 따른 순환신경망 기반 시퀀스 유동편향각 예측 모델 도식이다.
도 8은 본 발명의 실시 예에 따른 자가학습 요 오정렬 제어 지능체의 구성도이다.
도 9는 본 발명의 실시 예에 따른 액터 모델의 도식이다.
도 2는 요 오정렬 구성요소 개략도이다.
도 3은 본 발명의 실시 예에 따른 칼만필터 및 심층강화학습 기반의 요 오정렬 제어 방법 순서도이다.
도 4는 상대적 풍향 관측치의 은닉 마르코프 모형 도식이다.
도 5는 본 발명의 실시 예에 따른 칼만필터를 이용하여 일련의 실제 상대적 풍향 측정치로부터 조립 오차각과 유동편향각의 합값 또는 조립 오차각을 계산하는 순서도이다.
도 6은 본 발명의 실시 예에 따른 칼만필터를 이용하여 유동편향각을 계산하는 순서도이다.
도 7은 본 발명의 실시 예에 따른 순환신경망 기반 시퀀스 유동편향각 예측 모델 도식이다.
도 8은 본 발명의 실시 예에 따른 자가학습 요 오정렬 제어 지능체의 구성도이다.
도 9는 본 발명의 실시 예에 따른 액터 모델의 도식이다.
아래 내용을 통해 첨부도면을 사용하여 구체적인 실시 예를 들어 본 발명을 설명한다.
본 발명은 수평축 풍력발전기의 요 오정렬 보정방법에 관한 것으로, 도 1과 같이 수평축 풍력발전기의 주요 구성요소로 블레이드(1), 로터(2), 나셀(3)로 구성되어 있으며, 수평축 풍력발전기는 풍향(7)이 나셀 방향(8)에 정렬되지 않을 경우 출력 전력 효율이 낮아지므로, 나셀 방향과 풍향의 실제 상대적 풍향() 만큼 나셀을 회전하여 나셀 방향을 풍향에 정렬시키는 요 동작(yaw controlling)을 통해 출력 전력 효율을 높여준다. 요 동작은 나셀에 설치된 기상탑(6)에서 상대적 풍향을 측정하고, 요 제어기(5)에서 측정된 실제 상대적 풍향 값을 이용하여 요 오정렬을 추정하고 요잉 시스템(4)을 제어하여 요 오정렬을 보정한다.
하지만, 도 2와 같이 실제 상대적 풍향()에 대해 풍향계에서 측정된 실제 상대적 풍향은 바람이 회전하는 블레이드를 통과하면서 생기는 유동편향각(), 풍향계의 조립 오차각()에 의해 왜곡되고 센서에 의한 측정 과정에서도 왜곡된다.
는 은닉 마르코프 모형 상에서 상대적 풍향 관측치, 는 센서의 변환함수이다. 따라서, 왜곡된 상대적 풍향 관측치()로부터 요 오정렬을 보정하려면 조립 오차각()과 유동편향각()을 계산하여 수학식 (2)와 같이 실제 상대적 풍향인 요 오정렬()을 추정해야 한다.
도 3과 같이 본 발명에서는 실제 상대적 풍향()인 요 오정렬()을 추정하여 보정 하기 위해 S1 단계에서 풍력발전단지 내의 각 풍력발전기별로 일련의 실제 상대적 풍향 측정치, 자유풍속, 출력 전력, 로터 회전속도, 측정 시각 값 등의 풍력발전기 정상 운전 시 운전 데이터를 수신 및 저장하고, S2 단계에서 풍력발전기 운전 데이터를 칼만필터 및 순환신경망 기반 시퀀스 유동편향각 예측 모델의 학습 데이터로 사용하여, 칼만필터를 통해 계산된 현재 유동편향각을 목표특성, 이전 유동편향각, 현재 자유풍속 및 로터 회전속도를 입력특성으로 하여, 순환신경망 기반 시퀀스 유동편향각 예측 모델을 생성 및 학습하고, 액터-크리틱 기반 유동편향각 예측 심층강화학습 모델의 액터 모델에 대한 사전학습된 가중치로 사용하기 위해, 학습한 순환신경망 기반 시퀀스 유동편향각 예측 모델 가중치 데이터를 저장한다.
칼만필터 및 액터-크리틱 기반 유동편향각 예측 심층강화학습을 통한 요 오정렬 방법은, 풍력발전기 운전 중에 풍력발전에 영향을 주는 요인의 특성 변화에 전력 생산을 최대화시키기 위한 요 오정렬 방법을 스스로 학습하고, 요 오정렬을 보정하는 지능적 자동화 방법이다. 이러한 방법이 구현된 시스템은 그림 8과 같이 컴퓨터에 지능 소프트웨어가 탑재된 자가학습 요 오정렬 제어 지능체(100)로, 풍력발전기 내에 제어 시스템과 연동하도록 설치된다.
S3 단계에서 자가학습 요 오정렬 제어 지능체(100)는, 풍력발전기에 설치된 후 최초 풍력발전기 운전 전, 액터-크리틱 기반 유동편향각 예측 심층강화학습 모듈(19)에 대해 사전학습된 순환신경망 기반 시퀀스 유동편향각 예측 모델 가중치 데이터(20)를 액터 가중치 데이터로 로드하여 초기화하고, 차후 풍력발전기 운전 전에는 운영자의 선택에 따라 사전학습된 순환신경망 기반 시퀀스 유동편향각 예측 모델 가중치 데이터(20)를 액터 가중치 데이터로 로드하여 초기화하거나, 풍력발전기 운전 중에 학습된 액터-크리틱 모델 가중치 데이터를 로드하여 초기화한다.
S4 단계에서 풍력발전기 운전 시작 후, 자가학습 요 오정렬 제어 지능체(100)는, 풍향계, 풍속계, 출력 전력 센서, 로터 회전속도 센서(16)로부터 상대적 풍향 측정치, 자유풍속, 출력 전력, 로터 회전속도 정보를 입력신호로 받아, 칼만필터 모듈(17) 상에서 일련의 상대적 풍향 측정치로부터 칼만필터를 통해 조립 오차각을 계산하고, 상대적 풍향 측정치, 자유풍속, 로터 회전속도, 출력 전력을 일정시간에 대해 평균값을 계산하고, 평균치의 자유풍속, 로터 회전속도, 출력 전력 값들을 경험재생버퍼(experience replay buffer, 18)로 보내어 저장하고, 상대적 풍향 측정치 평균값 및 조립 오차각 값들을 요 오정렬 계산 보정 모듈(22)에 보낸다. 액터-크리틱 기반 유동편향각 예측 심층강화학습 모듈(19)은 경험재생버퍼(18)로부터 이전 유동편향각, 현재 자유풍속, 로터 회전속도, 유동편향각, 다음 출력 전력 값들을 단위 경험치 특성으로 하여, 일련의 경험치 특성 시퀀스를 랜덤으로 샘플링하여 학습 데이터를 생성하고, 액터 및 크리틱 모델을 학습하여 각 액터 및 크리틱 모델의 학습된 가중치 데이터(21)를 저장하고, 학습 후 이전 유동편향각, 현재 자유풍속 및 로터 회전속도 값들의 일정기간 시퀀스 데이터를 이용하여 현재 유동편향각 값을 예측하고, 그 값을 경험재생버퍼(18)에 보내어 저장하고, 또한, 요 오정렬 계산 및 보정 모듈(22)에 보낸다.
S5 단계에서는 요 오정렬 보정 모듈(22)이 수신한 상대적 풍향 측정치 평균값, 조립 오차각, 현재 유동편향각 값들을 이용하여 요 오정렬 보정값을 계산하고, 요 오정렬 보정 정보를 출력신호로 요 제어기(23)에 보내어 요 오정렬을 실시간으로 보정한다.
다음은 칼만필터 및 순환신경망 기반 유동편향각 예측 모델을 학습하는 S1 및 S2 단계, 자가학습 요 오정렬 제어 지능체(100)를 통해 실시간 풍력발전기 상황에 따라 요 오정렬 보정 모델을 자가학습하고, 실시간으로 요 오정렬을 보정하는 S3, S4 및 S5 단계를 더욱 상세히 설명한다.
S1 단계에서 풍전발전단지 내 각 풍력발전기별로 일정 기간에 대해, 풍력발전기 정상 운전 중 일정시간() 동안의 실제 상대적 풍향 측정치(), 자유풍속(), 출력 전력(), 로터 회전속도() 평균값 및 측정 시각의, 일련의 값들을 획득하여 저장한다. 이후 동안의 평균값 및 분산값을 원시 평균값 및 분산값이라 한다. 여기서 는 단위 시간 의 0보다 큰 정수배()로 다음의 수학식을 만족한다.
여기서 은 자연수 집합이다. S2 단계에서 순환신경망 기반 시퀀스 유동편향각 예측 모델을 생성하고 학습하기 위해, 일련의 실제 상대적 풍향 측정치 원시 평균값() 시퀀스를, 조립 오차각 및 유동편향각 합값을 계산하기 위해서 동안 평균한 실제 상대적 풍향 측정치()를 계산하고, 조립 오차각을 계산하기 위해서 동안 평균한 실제 상대적 풍향 측정치()를 계산한다. 이후 동안의 평균값 및 분산값을 1차 평균값 및 분산값이라 하고, 동안의 평균값 및 분산값을 2차 평균값 및 분산값이라 한다. 일련의 실제 상대적 풍향 측정치 1차 평균값 및 2차 평균값에 대해 칼만 필터링을 통해 일련의 유동편향각을 계산한다. 여기서 및 는 의 0보다 큰 정수배로 다음의 수학식들을 만족한다.
도 4와 같이 일련의 상대적 풍향 관측치()를 은닉 마르코프 모형으로 정의할 수 있다. 이러한 은닉 마르코프 모형을 기반으로 칼만필터를 이용하여 조립 오차각과 유동편향각을 근사적으로 계산하기 위해서는, 우선 수학식 (3)과 같이 은닉 마르코프 모형 상에서 정의되는 현재 실제 상대적 풍향의 평균값 및 분산값이 각각 0 및 일정값에 근사되도록 동안의 실제 상대적 풍향 측정치 1차 평균값을 얻어, 칼만필터를 이용하여 현재 조립 오차각과 유동편향각 합값을 계산하고, 수학식 (4)와 같이 은닉 마르코프 모형 상에서 정의되는 현재 실제 상대적 풍향과 유동편향각 합값의 평균값 및 분산값이 각각 0 및 일정값에 근사되도록 동안의 실제 상대적 풍향 측정치 2차 평균값을 얻어, 칼만필터를 이용하여 현재 조립 오차각을 계산하고, 각각 계산된 조립 오차각과 유동편향각 합값에서 조립 오차각을 빼주어 유동편향각을 근사적으로 계산한다.
현재 상대적 풍향 관측치()는 이전 자유풍속(), 로터 회전속도(), 후류효과()의 외부 영향 및 이전 실제 상대적 풍향()의 은닉 마르코프 모형을 만족한다는 전제하에 수학식 (5)와 같이 정의한다.
현재 조립 오차각()은 기타 원인에 의해 랜덤하게 풍향계 축 방향이 급격히 바뀌거나 시간에 지남에 따라 서서히 바뀌는(aging) 비정상성을 갖으며, 은닉 마르코프 모형을 만족한다는 전제하에 수학식 (6)과 같이 정의한다.
는 조립 오차각의 현재 내부 변환함수로 단조함수(monotonic function) 구간이 시간에 따라 랜덤적으로 변하는 함수로 근사되며, 는 현재 외부에서 영향받는 조립 오차각 확률변수이며, 는 현재 조립 오차각의 노이즈로 평균값 0, 일정 분산값을 갖는 확률변수이다.
현재 유동편향각() 또한, 풍력발전단지 내의 다른 풍력발전기들의 후류 효과 및 기타 원인에 의한 난류(9)에 의해서 비정상성을 갖는다. 은닉 마르코프 모형을 만족한다는 전제하에 수학식 (7)과 같이 정의한다.
는 유동편향각의 현재 내부 변환함수로, 는 외부에서 영향받는 유동편향각에 대한 계수, 는 현재 외부에서 영향받는 유동편향각으로 현재 자유풍속(), 로터 회전 속도(), 후류 효과()의 함수, 는 현재 유동편향각의 노이즈로 평균값 0, 일정 분산값을 갖는 확률변수이다.
따라서, 센서로 측정되기 전의 현재 왜곡된 상대적 풍향(distorted relative wind direction, )은 식 (8)과 같이, 센서로 측정한 후의 상대적 풍향을 상대적 풍향 관측치로 식 (9)과 같이 정의한다.
위와 같이 상대적 풍향 관측치가 은닉 마르코프 모형을 만족한다는 전제하에 칼만필터를 이용하여 더 정확한 실제 상대적 풍향을 추정하기 위해서는, 수학식 (5), (6), (7)의 내부변환 함수, 외부 요인 함수 및 내부 노이즈, 또한 수학식 (9)의 센서 변환 함수 및 센서 노이즈가 정의되어 있어야 한다. 그러나 이러한 각각의 내부변환 함수, 외부 요인 함수 및 내부 노이즈, 센서 변환 함수 및 센서 노이즈를 정의하기가 매우 어렵다.
하지만, 각각의 내부변환 함수를 연속함수로서 1로 근사하고, 일련의 실제 상대적 풍향 측정치()를 이용하여 수학식 (5), (6), (7)의 각 변환을 만족하는 외부 요인 함수를 다음과 같이 근사하여 칼만필터 모델을 개발할 수 있다. 수학식 (10)과 같이 현재 외부 요인 함수()는 현재 조립 오차각 외부 요인 함수()와 현재 유동편향각 외부 요인 함수()의 합이며, 이러한 현재 외부 요인 함수()는 실제 상대적 풍향 측정치()의 시간 동안 근접 평균값()의 차이 값과 외부 요인 계수() 곱으로 근사하며, 외부 요인 계수()는 조립 오차각과 유동편향각 합값 계산을 위한 칼만필터(), 조립 오차각 계산을 위한 칼만필터()에 대해 각각의 최적값을 실험값으로 구하여 외부 요인 함수 계산에 적용한다.
각각의 내부 노이즈는 매우 작은 값으로 0에 가까운 값으로 근사한다. 센서 변환함수는 수학식 (11)과 같이 계수()를 갖는 선형함수로 정의하며, 계수()는 칼만필터 튜닝과정에서 최적화 값으로 얻는다. 내부 노이즈가 0에 가깝기 때문에, 센서 노이즈는 실제 상대적 풍향 측정치()의 근접 분산값의 평균값을 근사값으로 사용한다.
S11 단계에서 실제 상대적 풍향 측정치 원시 평균값 버퍼를 초기화한다. S12 단계에서 현재 실제 상대적 풍향 측정치 원시 평균값()을 획득하고 버퍼에 저장한다. S13 단계에서 획득한 실제 상대적 풍향 측정치 원시 평균값 샘플들의 총 누적시간이 또는 시간을 만족하는지를 확인하여, 만족하면 S14 단계를 실행하고, 만족하지 않으면 S12 단계를 실행한다. S14 단계에서 또는 동안에 대한 또는 샘플들에 대해 1차 또는 2차 평균값으로 현재 실제 상대적 풍향 측정치()를 계산하고 1차 또는 2차 분산값을 계산한다. S15 단계에서는 동안에 대한 일련의 1차 또는 2차 실제 상대적 풍향 측정치 평균값()에 대해 현재 근접 평균값()을 계산하여 저장한다. 수학식 (10)과 같이 현재 실제 상대적 풍향 측정치의 근접 평균값()과 이전 실제 상대적 풍향 측정치의 근접 평균값()의 차이 값으로 현재 외부 요인 함수()을 계산한다. S16 단계에서는 이전에 왜곡된 상대적 풍향 1차 또는 2차 평균값 및 현재 외부 요인 함수()을 이용하여 수학식 (12)과 같이 왜곡된 상대적 풍향 1차 또는 2차 평균값을 계산하고, 조립 오차각과 유동편향각의 내부 노이즈 합의 분산값이 0에 가까운 값으로 근사하여 수학식 (13)과 같이 중간 왜곡된 상대적 풍향 1차 또는 2차 분산값을 계산한다.
는 이전 왜곡된 상대적 풍향 1차 또는 2차 평균값, 는 중간 왜곡된 상대적 풍향 1차 또는 2차 평균값, 는 이전 왜곡된 상대적 풍향 1차 또는 2차 분산값, 는 중간 왜곡된 상대적 풍향 1차 또는 2차 분산값, 는 조립 오차각과 유동편향각의 내부 노이즈 합의 분산값으로, 조립 오차각과 유동편향각 합값 계산을 위한 칼만필터(), 조립 오차각 계산을 위한 칼만필터()에 대해 각각 칼만필터 튜닝으로 얻어낸다. 왜곡된 상대적 풍향 1차 또는 2차 평균값 및 분산값의 초기값은 각각 실제 상대적 풍향 측정치의 1차 또는 2차 평균값과 분산값을 이용한다.
S17 단계에서 현재 상대적 관측치 1차 또는 2차 평균값 및 분산값을 수학식 (14), (15)와 같이 계산한다.
S18 단계에서는 수학식 (13), (15)를 이용하여 수학식 (16)과 같이 현재 칼만이득을 계산한다.
S19 단계에서는 중간 왜곡된 상대적 풍향 1차 또는 2차 평균값(), 현재 실제 상대적 풍향 측정치의 1차 또는 2차 평균값(), 현재 칼만이득(), 현재 상대적 풍향 관측 1차 또는 2차 평균값()을 이용하여 수학식 (17)과 같이 현재 왜곡된 상대적 풍향 1차 또는 2차 평균값을, 현재 칼만이득()과 중간 왜곡된 상대적 풍향 1차 또는 2차 분산값()을 이용하여 수학식 (18)과 같이 현재 왜곡된 상대적 풍향 1차 또는 2차 분산값을 계산하여 저장한다.
S20 단계에서는 칼만필터링 지속 여부에 따라 칼만필터링을 중지하거나 지속한다.
이와 같이, 실제 상대적 풍향이 0에 근사되는 동안의 실제 상대적 풍향 측정치 1차 평균값을 이용하여 S11부터 S20까지의 단계를 거쳐 일련의 조립 오차각 및 유동편향각의 합값을 칼만필터를 통해 계산한다.
또한, 실제 상대적 풍향 및 유동편향각 모두 평균값이 0에 근사되는 동안의 실제 상대적 풍향 측정치 2차 평균값을 이용하여, S11부터 S20까지의 단계를 거쳐 조립 오차각만 칼만필터를 통해 계산한다.
칼만필터를 이용하여 유동편향각을 계산하는 과정을 요약하면, 도 6과 같이 S21 단계에서 일련의 실제 상대적 풍향 측정치 원시 평균값을 얻고, S22 단계에서 일련의 실제 상대적 풍향 측정치 1차 평균값을 얻고, S23 단계에서 칼만필터를 통해 조립 오차각과 유동편향각의 합값을 계산하고, S24 단계에서 일련의 실제 상대적 풍향 측정치 2차 평균값을 얻고, S25 단계에서 칼만필터를 통해 조립 오차각 값만 계산하고, 최종적으로 S26 단계에서는 S23 단계에서 얻은 조립 오차각과 유동편향각 합값에 S25 단계에서 얻은 조립 오차각 값을 빼주어 유동편향각을 계산한다. 여기서 에 현재 실제 상대적 풍향 측정치 원시 평균값()을 입력할 경우, 에는 간격으로 실제 상대적 풍향 측정치 원시 평균값을 입력하여, 주기로 현재 조립 오차각()과 유동편향각()을 계산한다.
도 7과 같이 현재 유동편향각()을 목표특성으로, 이전 유동편향각(), 동안에 대한 현재 자유풍속() 및 로터 회전속도() 2차 평균값을 입력특성으로 하여 순환신경망 기반의 시퀀스 유동편향각 예측모델을 생성하고, S26 단계에서 얻은 일련의 유동편향각 추정치와 풍력발전기 운전 데이터부터 얻은 일련의 자유풍속 및 로터 회전속도 2차 평균값을 학습데이터로 이용하여 순환신경망 기반 시퀀스 유동편향각 예측모델을 학습한다.
규칙기반 방법(rule-based method)인 칼만필터를 이용하여 유동편향각을 추정하고, 이러한 방법으로 추정한 일련의 유동편향각 값을 심층학습기반 방법인(deep learning based method)인 순환신경망 기반 시퀀스 유동편향각 예측모델의 목표특성 및 입력특성으로 하여, 규칙기반 방법보다 더 정확한 유동편향각 추정 비선형 관계모델을 얻게 된다.
순환신경망 기반 시퀀스 유동편향각 예측모델은 도 7과 같이 LSTM(Long Short-Term Memory) 또는 LSTM 변형을 순환신경망 단위 층(recurrent unit layer, 14)로 이용하고, 예측모델이 최적화되도록 층 깊이(layer depth)을 결정하여 모델을 생성한다. 수학식 (19)는 LSTM 또는 LSTM 변형을 순환신경망 단위 층으로하는 순환신경망 기반 시퀀스 유동편향각 예측모델 함수이다.
여기서 는 번째 배치(batch), 번째부터 번째까지 유동편향각 목표특성 벡터 시퀀스, 는 순환신경망 기반 유동편향각 예측 모델의 시퀀스 개수, 는 번째 배치, 번째부터 번째까지 입력특성 벡터 시퀀스로, 번째부터 번째까지 유동편향각, 번째부터 번째까지 자유풍속 및 로터 회전속도 2차 평균값을 포함하며, 는 번째 배치, 0 번째 시퀀스의 히든 내부특성 벡터(hidden internal state vector), 는 번째 배치, 0 번째 시퀀스의 셀 내부특성 벡터(cell internal state vector),는 각 함수의 가중치 파라미터 집합이다.
수학식 (19)의 각 함수의 파라미터를 학습데이터를 이용하여 학습하기 위해 손실함수(loss function)를 수학식 (20)과 같이 정의한다.
여기서 는 배치 개수, 는 번째 배치, 번째 시퀀스의 목표특성 실제 값(ground truth)이다. 수학식 (20)의 손실함수를 경사하강법(gradient descent)으로 최적화하여, 순환신경망 기반 시퀀스 유동편향각 예측모델의 최적화된 가중치 데이터를 얻는다.
최적화된 가중치 데이터는, 액터-크리틱 기반 유동편향각 예측 심층강화학습 모델의 액터 가중치 데이터로 사용하기 위해 저장한다.
S3 단계에서 자가학습 요 오정렬 제어 지능체(100)가 풍력발전기에 설치 후 최초 풍력발전기 운전 전, 액터-크리틱 기반 유동편향각 예측 심층강화학습 모듈(19)은 사전학습된 순환신경망 기반 시퀀스 유동편향각 예측 모델의 가중치 데이터(20, )를 액터 가중치 데이터()로 로드하여 초기화한다. 차후 풍력발전기 운전 전에는 운영자의 선택에 따라 사전학습된 를 액터로 로드하여 초기화하거나, 운전 중 학습되었던 액터 가중치 데이터() 및 크리틱 가중치 데이터()를 로드하여 초기화한다.
S4 단계에서 풍력발전기 운전 시작 후, 자가학습 요 오정렬 제어 지능체(100)는 풍향계, 풍속계, 출력 전력 센서, 로터 회전속도 센서들(16)로부터 동안의 평균값으로 현재 실제 상대적 풍향 측정치(), 자유풍속(), 출력 전력(), 로터 회전속도()의 원시 평균값을 입력받아, 칼만필터 모듈(17)에서 도 5의 순서도와 같이 조립 오차각 계산을 위한 칼만필터()에 대해, 에 현재 실제 상대적 풍향 측정치 원시 평균값()을 입력하여 주기로 현재 조립 오차각()을 계산하고, 이와 같은 주기로 현재 실제 상대적 풍향 측정치(), 자유풍속(), 로터 회전속도(), 출력 전력()의 2차 평균값들을 계산한다.
칼만필터 모듈(17)에서 계산한, 현재 자유풍속(), 로터 회전속도(), 출력 전력()의 2차 평균값들을 경험재생버퍼(18)에 보내어 저장하고, 현재 조립 오차각()과 실제 상대적 풍향 측정치 2차 평균값()을 요 오정렬 계산 보정 모듈(22)에 보낸다.
경험재생버퍼(18)는 자유풍속(), 로터 회전속도(), 유동편향각(), 출력 전력()을 단위 경험치 특성으로 하여, 개의 단위 경험치 특성들을 저장할 수 있는 원형 버퍼(circular buffer)이다.
초기화된 액터-크리틱 기반 유동편향각 예측 심층강화학습 모듈(19)은 현재 유동편향각() 예측을 위해, 경험재생버퍼(18)로부터 수학식 (21)과 같이 이전 유동편향각, 현재 자유풍속 및 로터 회전속도 2차 평균값을 현재 입력 단위 특성(input unit feature, )으로 정의하여, 수학식 (22)와 같이 개의 현재 입력 단위 특성을 포함하여 이전 입력 단위 특성의 시퀀스를 샘플링하여, 수학식 (23)과 같이 액터()를 통해 현재 유동편향각()을 예측하고, 그 값을 경험재생버퍼(18)에 보내어 저장하고, 요 오정렬 계산 및 보정 모듈(22)에 보낸다.
액터-크리틱 기반 유동편향각 예측 심층강화학습 모듈(19)은 주기에 맞추어 경험재생버퍼(18)로부터, 수학식 (24)와 같이 현재 강화학습 단위 특성(reinforcement unit feature) 시퀀스를 기반으로, 수학식 (25)와 같이 개의 현재 강화학습 단위 특성 시퀀스를 샘플링하여 배치-시퀀스() 학습 데이터를 얻는다.
도 9와 같이 크리틱 모델은 LSTM 또는 LSTM 변형을 순환신경망 단위 층(15) 순환신경망 모델로, 현재 자유풍속(), 로터 회전속도()를 포함하여 강화학습 모델의 현재 상태()로 정의하고, 현재 유동편향각()을 강화학습 모델의 현재 행동()로 정의하여, 개의 현재 상태를 포함하여 이전 상태의 상태 시퀀스()와 현재 행동()를 입력으로 받아, 현재 상태 시퀀스()를 순환신경망 모델의 입력 시퀀스로 하고, 현재 행동()을 순환신경망 출력 특성에 영향을 주는 인자로 하는 강화학습 모델의 행동 값 함수(action-value function)로 수학식 (26)과 같이 정의한다.
는 0 번째 시퀀스의 히든 내부특성 벡터, 는 0 번째 시퀀스의 셀 내부특성 벡터이다. 배치-시퀀스 학습데이터를 이용해 액터-크리틱 기반 유동편향각 예측 심층강화학습 모듈(19)의 액터 및 크리틱 모델 학습 시, 우선 배치 내 시퀀스 데이터 간의 독립성을 얻기 위해 배치-시퀀스 학습데이터를 랜덤하게 섞고(shuffling), 랜덤하게 섞인 셔플드(shuffled) 배치-시퀀스 학습데이터를 생성한다.
학습 시 샘플 효율(sample efficiency)를 높이기 위해 셔플드 배치-시퀀스 학습데이터를 미니 배치(mini-batch) 개수()를 배치 단위로 하여, 0 보다 큰 정수 스텝() 횟수로 반복학습(step based iteration training)하고, 이러한 스텝 기반 반복학습을 세대 개수()로 반복학습(epoch based iteration)한다. 세대 기반 반복학습 시 배치-시퀀스 학습데이터는 세대마다 다른 셔플드 배치-시퀀스 학습데이터를 얻어 학습한다.
셔플드 배치-시퀀스 학습데이터를 이용하여, 액터-크리틱 모델을 세대 기반 반복학습 내에 스텝 기반 반복학습 시, 셔플드 미니 배치-시퀀스를 샘플링하여 크리틱 및 액터 모델을 반복학습한다.
액터-크리틱 기반 유동편향각 예측 심층강화학습 모델은 실시간으로 풍력발전기 환경 관련 자유풍속, 로터 회전속도 상태 및 출력 전력을 보상값으로 입력받아, 실시간 풍력발전기 환경에 맞추어 최적 요 제어를 위해 유동편향각을 예측하는 모델로, 현재 리턴()은 차등리턴(differential return)으로 수학식 (27)과 같이 정의한다.
는 평균 보상값(average reward)이며, 현재 보상값()은 현재 출력전력 2차 평균값()이다. 현재 상태 시퀀스()와 현재 행동()에 대한 수학식 (27)의 차등리턴 기대값은 수학식 (26)의 행동 값 함수()이다.
여기서 크리틱 모델인 행동 값 함수()는 시간차(temporal difference) 학습 방법으로, 수학식 (29)와 같이 크리틱 모델 학습을 위한 셔플드 미니-배치 학습데이터를 이용하여 수학식 (30)과 같이 어드밴티지(advantage)를 정의하고, 수학식 (31)과 같이 어드밴티지 제곱의 기대값을 크리틱 모델의 손실함수로 정의하여 경사 하강법으로 학습한다.
는 셔플드 미니 배치-시퀀스의 인덱스이며, 수학식 (30)의 어드밴티지는 보상값 추정 오차로 평균 보상값()을 수학식 (32)와 같이 시간차 방법으로 반복 업데이트를 통해 근사한다.
또한, 액터 모델은 수학식 (33)과 같이 액터 모델 학습을 위한 셔플드 미니 배치-시퀀스 학습데이터를 이용해 근접 정책 최적화(proximal policy optimization) 방법으로, 수학식 (34)와 같이 기존 액터 모델()에 대한 현재 액터 모델()의 확률 비()를 이용하여, 수학식 (35)와 같이 확률 비와 어드밴티지()의 곱()에 대해, 어드밴티지()가 0보다 클 경우 확률 비()가 이상일 경우 액터 모델 손실함수가 일정값이 되도록, 어드밴티지()가 0보다 작을 경우 확률 비()가 이하일 경우 액터 모델 손실함수가 일정값이 되도록, 손실함수를 정의하여 경사 상승법(gradient ascent)으로 학습한다. 은 0 보다 크고 1 보다 작은 값이다.
액터-크리틱 유동편향각 예측 심층강화학습 모델의 액터 및 크리틱 모델 가중치 데이터는 액터-크리틱 모델 가중치 데이터(21)로 저장한다.
마지막으로, 요 오정렬 계산 및 보정 모듈(22)은 칼만필터 모듈(17)에서 얻은 현재 조립 오차각() 및 실제 상대적 풍향 측정치 2차 평균값(), 액터-크리틱 기반 유동편향각 예측 심층강화학습 모듈(19)에서 얻은 현재 유동편향각()을 이용하여 수학식 (36)과 같이 현재 요 오정렬()을 계산하고, 추정한 요 오정렬 값을 요 제어기(23)에 보내어 실시간 요 오정렬 제어를 실행한다.
1: 블레이드
2: 로터
3: 나셀
4: 요잉 시스템
5: 요 제어기
6: 기상탑
7: 풍향
8: 나셀 방향
9: 난류
10: North
11: 실제 풍향 방향
12: 나셀 방향
13: 요잉 시스템 축
14, 15: LSTM 또는 LSTM 변형의 순환신경망 단위 층
16: 풍향계, 풍속계, 출력 전력 센서, 로터 회전속도 센서
17: 칼만필터 모듈
18: 경험재생버퍼
19: 액터-크리틱 기반 유동편향각 예측 심층강화학습 모듈
20: 사전학습된 순환신경망 기반 시퀀스 유동편향각 예측 모델의 가중치 데이터
21: 액터 및 크리틱 모델의 학습된 가중치 데이터
22: 요 오정렬 계산 보정 모듈
23: 요 제어기
2: 로터
3: 나셀
4: 요잉 시스템
5: 요 제어기
6: 기상탑
7: 풍향
8: 나셀 방향
9: 난류
10: North
11: 실제 풍향 방향
12: 나셀 방향
13: 요잉 시스템 축
14, 15: LSTM 또는 LSTM 변형의 순환신경망 단위 층
16: 풍향계, 풍속계, 출력 전력 센서, 로터 회전속도 센서
17: 칼만필터 모듈
18: 경험재생버퍼
19: 액터-크리틱 기반 유동편향각 예측 심층강화학습 모듈
20: 사전학습된 순환신경망 기반 시퀀스 유동편향각 예측 모델의 가중치 데이터
21: 액터 및 크리틱 모델의 학습된 가중치 데이터
22: 요 오정렬 계산 보정 모듈
23: 요 제어기
Claims (5)
- 풍력발전단지 내의 풍력발전기별로 정상 운전시의 실제 상대적 풍향 측정치를 포함하는 운전 데이터를 수신하고, 유동편향각 예측 모델을 학습시키기 위한 원시 데이터를 생성하는 단계;
풍력발전기별로 실제 상대적 풍향 측정치에 칼만필터를 적용하여 조립오차각과 유동편향각을 얻는 단계;
이전 유동편향각, 현재 자유풍속 및 로터 회전속도를 입력 특성으로 하고, 현재 유동편향각을 목표 특성으로 하는 일정 시퀀스 수의 학습 데이터를 생성하고, 학습 데이터를 이용하여 순환신경망 기반 시퀀스 유동편향각 예측 모델을 학습시켜 가중치 데이터를 생성하는 단계;
순환신경망 기반 시퀀스 유동편향각 예측 모델을 액터-크리틱 심층강화학습 모델에서 액터로 사용하고, 순환신경망 기반 자유풍속, 로터 회전속도 및 유동편향각과 차등행동값(differential action value)의 시퀀스 관계모델을 크리틱으로 사용하고, 출력 전력을 보상값으로 사용하는 액터-크리틱 유동편향각 예측 심층강화학습 모델을 생성하는 단계;
사전학습시킨(pre-trained) 순환신경망 기반 시퀀스 유동편향각 예측 모델의 가중치(weight) 데이터를, 액터-크리틱 유동편향각 예측 심층강화학습 모델의 액터 가중치 데이터로 로드(load)하여 비정상성의 유동편향각을 예측하는 단계;
실제 상대적 풍향치에 액터-크리틱 유동편향각 예측 심층강화학습 모델이 예측한 유동편향각과 칼만필터로 얻은 조립 오차각를 더해서 요 오정렬 값을 추정하여 보정하는 단계를 포함하는 칼만필터 및 심층강화학습 기반의 풍력발전기 요 오정렬 제어 방법. - 제1항에 있어서, 상기 운전 데이터는
자유풍속, 출력 전력, 로터 회전속도, 및 측정 시각 값들을 더 포함하는 것을 특징으로 하는 칼만필터 및 심층강화학습 기반의 풍력발전기 요 오정렬 제어 방법. - 제1항에 있어서, 상기 유동편향각을 얻는 단계는
각 풍력발전기별로 일련의 실제 상대적 풍향 측정치에 칼만필터를 적용하여 일련의 조립 오차각 및 유동편향각의 합값을 얻는 단계;
일련의 실제 상대적 풍향 측정치에 칼만필터를 적용하여 일련의 조립 오차각을 얻는 단계; 및
일련의 조립 오차각과 유동편향각 합값에 일련의 조립 오차각을 빼주어 각 풍력발전기별로 일련의 유동편향각을 얻는 단계를 포함하는 칼만필터 및 심층강화학습 기반의 풍력발전기 요 오정렬 제어 방법. - 제3항에 있어서,
상기 일련의 조립 오차각 및 유동편향각의 합값을 얻는 단계는
제1차 평균값 시간에 대하여 일련의 실제 상대적 풍향 측정치를 평균한 1차 평균값을 산출하고, 산출된 1차 평균값에 대해 칼만필터를 적용하는 단계를 포함하고,
상기 일련의 조립 오차각을 얻는 단계는
제2차 평균값 시간에 대하여 일련의 실제 상대적 풍향 측정치를 평균한 2차 평균값을 산출하고, 산출된 2차 평균값에 대해 칼만필터를 적용하는 단계를 포함하는 칼만필터 및 심층강화학습 기반의 풍력발전기 요 오정렬 제어 방법. - 풍향계, 풍속계, 출력 전력 센서, 및 로터 회전속도 센서들로부터 상대적 풍향 측정치, 자유풍속, 출력 전력, 로터 회전속도 정보를 입력신호로 수신하는 단계;
상대적 풍향 측정치로부터 칼만필터를 통해 조립 오차각을 계산하는 단계;
상대적 풍향 측정치, 자유풍속, 로터 회전속도, 및 출력 전력 각각을 일정시간에 대해 평균값을 계산하고, 상대적 풍향 측정치 평균값, 자유풍속 평균값, 로터 회전속도 평균값, 및 출력 전력 평균값들을 경험재생버퍼(18)에 저장하는 단계; 및
액터-크리틱 기반 유동편향각 예측 심층강화학습 모듈(19)에서 상기 경험재생버퍼(18)에 저장된 이전 유동편향각, 현재 자유풍속, 로터 회전속도, 유동편향각, 및 다음 출력 전력 값들을 단위 경험치 특성으로 하여, 일련의 경험치 특성 시퀀스를 랜덤으로 샘플링하여 학습 데이터를 생성하고, 액터 및 크리틱 모델을 학습하여 액터 및 크리틱 모델의 학습된 가중치 데이터(21)로 저장하고, 학습 후 이전 유동편향각, 현재 자유풍속 및 로터 회전속도 값들의 일정기간 시퀀스 데이터를 이용하여 현재 유동편향각 값을 예측하는 단계; 및
요 오정렬 보정 모듈(22)에서 현재 상대적 풍향 측정치 평균값, 조립 오차각, 유동편향각 값들을 이용하여 요 오정렬 보정값을 계산하고, 요 오정렬 보정 정보를 요 제어기(23)에 전송하는 단계를 포함하며,
상기 요 오정렬 보정 정보를 이용하여 상기 요 제어기에 의해 요 오정렬이 실시간으로 보정되는 것을 특징으로 하는 풍력발전기 요 오정렬 제어 방법.
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200186882A KR20210006874A (ko) | 2020-12-30 | 2020-12-30 | 칼만필터 및 심층강화학습 기반의 풍력발전기 요 오정렬 제어 방법 |
US18/266,835 US20240052804A1 (en) | 2020-12-30 | 2021-12-29 | Kalman filter and deep reinforcement learning based wind turbine yaw misalignment control method |
PCT/KR2021/020228 WO2022146058A1 (en) | 2020-12-30 | 2021-12-29 | Kalman filter and deep reinforcement learning based wind turbine yaw misalignment control method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200186882A KR20210006874A (ko) | 2020-12-30 | 2020-12-30 | 칼만필터 및 심층강화학습 기반의 풍력발전기 요 오정렬 제어 방법 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20210006874A true KR20210006874A (ko) | 2021-01-19 |
Family
ID=74237261
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020200186882A KR20210006874A (ko) | 2020-12-30 | 2020-12-30 | 칼만필터 및 심층강화학습 기반의 풍력발전기 요 오정렬 제어 방법 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20240052804A1 (ko) |
KR (1) | KR20210006874A (ko) |
WO (1) | WO2022146058A1 (ko) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113883009A (zh) * | 2021-09-27 | 2022-01-04 | 太原重工股份有限公司 | 一种风力发电机组测风仪角度自优化方法 |
CN113931808A (zh) * | 2021-10-25 | 2022-01-14 | 中国华能集团清洁能源技术研究院有限公司 | 风电机组偏航误差的诊断方法及装置 |
KR102413415B1 (ko) | 2021-11-29 | 2022-06-27 | 홍석훈 | 태양광 발전량 데이터에 대한 시계열 모델의 결측치 보간 방법 |
KR102439311B1 (ko) * | 2021-05-10 | 2022-09-01 | 군산대학교산학협력단 | 희소화된 웨이크 방향 그래프를 이용한 풍력 발전 단지의 조정 최적화 방법 및 이를 수행하는 장치 |
JP2023500415A (ja) * | 2019-12-09 | 2023-01-05 | エンヴィジョン デジタル インターナショナル ピーティーイー.エルティーディー. | 風に対するヨーの異常を検出するための方法および装置、並びにそれらのデバイスおよび記憶媒体 |
EP4265905A1 (en) * | 2022-04-21 | 2023-10-25 | General Electric Renovables España S.L. | Systems and methods for controlling a wind turbine |
CN117192063A (zh) * | 2023-11-06 | 2023-12-08 | 山东大学 | 基于耦合卡尔曼滤波数据同化的水质预测方法及系统 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115977874B (zh) * | 2023-01-09 | 2024-03-19 | 中电投新疆能源化工集团木垒新能源有限公司 | 基于激光测风雷达的风电机组偏航自适应校准方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101800217B1 (ko) | 2017-01-06 | 2017-11-23 | 주식회사 로맥스인싸이트코리아 | 풍력발전기의 요 정렬오차 보정방법 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020067023A (ja) * | 2018-10-24 | 2020-04-30 | 株式会社日立製作所 | 風力発電システム |
CN110374804B (zh) * | 2019-07-03 | 2020-06-19 | 西安交通大学 | 一种基于深度确定性策略梯度补偿的变桨距控制方法 |
-
2020
- 2020-12-30 KR KR1020200186882A patent/KR20210006874A/ko active Search and Examination
-
2021
- 2021-12-29 US US18/266,835 patent/US20240052804A1/en active Pending
- 2021-12-29 WO PCT/KR2021/020228 patent/WO2022146058A1/en active Application Filing
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101800217B1 (ko) | 2017-01-06 | 2017-11-23 | 주식회사 로맥스인싸이트코리아 | 풍력발전기의 요 정렬오차 보정방법 |
Non-Patent Citations (1)
Title |
---|
[2] Niko Mittelmeier and Martin Khun, Determination of optimal wind turbine alignment into the wind and detection of alignment changes with SCADA data, 2018. |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2023500415A (ja) * | 2019-12-09 | 2023-01-05 | エンヴィジョン デジタル インターナショナル ピーティーイー.エルティーディー. | 風に対するヨーの異常を検出するための方法および装置、並びにそれらのデバイスおよび記憶媒体 |
KR102439311B1 (ko) * | 2021-05-10 | 2022-09-01 | 군산대학교산학협력단 | 희소화된 웨이크 방향 그래프를 이용한 풍력 발전 단지의 조정 최적화 방법 및 이를 수행하는 장치 |
CN113883009A (zh) * | 2021-09-27 | 2022-01-04 | 太原重工股份有限公司 | 一种风力发电机组测风仪角度自优化方法 |
CN113931808A (zh) * | 2021-10-25 | 2022-01-14 | 中国华能集团清洁能源技术研究院有限公司 | 风电机组偏航误差的诊断方法及装置 |
KR102413415B1 (ko) | 2021-11-29 | 2022-06-27 | 홍석훈 | 태양광 발전량 데이터에 대한 시계열 모델의 결측치 보간 방법 |
EP4265905A1 (en) * | 2022-04-21 | 2023-10-25 | General Electric Renovables España S.L. | Systems and methods for controlling a wind turbine |
CN117192063A (zh) * | 2023-11-06 | 2023-12-08 | 山东大学 | 基于耦合卡尔曼滤波数据同化的水质预测方法及系统 |
CN117192063B (zh) * | 2023-11-06 | 2024-03-15 | 山东大学 | 基于耦合卡尔曼滤波数据同化的水质预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
WO2022146058A1 (en) | 2022-07-07 |
WO2022146058A9 (en) | 2023-04-27 |
US20240052804A1 (en) | 2024-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR20210006874A (ko) | 칼만필터 및 심층강화학습 기반의 풍력발전기 요 오정렬 제어 방법 | |
CN110374804B (zh) | 一种基于深度确定性策略梯度补偿的变桨距控制方法 | |
KR20190122840A (ko) | 풍력 발전 단지의 가용 전력을 결정하기 위한 방법, 및 관련 풍력 발전 단지 | |
US11313351B2 (en) | Methods and systems of advanced yaw control of a wind turbine | |
Pérez-Pérez et al. | Fault diagnosis in wind turbines based on ANFIS and Takagi–Sugeno interval observers | |
US20220307468A1 (en) | Wind turbine yaw offset control based on reinforcement learning | |
Zhao et al. | Model-based fault diagnosis methods for systems with stochastic process–a survey | |
Li et al. | Signal frequency domain analysis and sensor fault diagnosis based on artificial intelligence | |
Gai et al. | Dynamic Event-Triggered Hᵢ/H∞ Optimization Approach to Fault Detection for Unmanned Aerial Vehicles | |
CN114329347A (zh) | 一种电能表计量误差预测方法、装置及存储介质 | |
Mehlan et al. | Rotor imbalance detection and diagnosis in floating wind turbines by means of drivetrain condition monitoring | |
CN115977874B (zh) | 基于激光测风雷达的风电机组偏航自适应校准方法及系统 | |
CN115167140B (zh) | 风力发电机组多目标随机模型预测控制策略方法及系统 | |
Wang et al. | Turbulence intensity identification and load reduction of wind turbine under extreme turbulence | |
Sales‐Setién et al. | Markovian jump system approach for the estimation and adaptive diagnosis of decreased power generation in wind farms | |
Li et al. | Wind forecasting-based model predictive control of generator, pitch, and yaw for output stabilisation–A 15-megawatt offshore | |
CN110677079B (zh) | 一种永磁同步电机速度控制模式扰动观测器 | |
CN114296343A (zh) | 一种基于深度强化学习的航空发动机压缩部件特性修正方法 | |
Stock et al. | Design and implementation of a wind farm controller using aerodynamics estimated from LIDAR scans of wind turbine blades | |
Wu et al. | Nacelle anemometer measurement‐based extremum‐seeking wind turbine region‐2 control for improved convergence in fluctuating wind | |
CN115903807B (zh) | 一种基于动态事件触发的动力定位船轨迹跟踪控制方法 | |
CN118148835A (zh) | 使用强化学习方法控制风电场的方法 | |
CN115952731B (zh) | 一种风力机叶片主动振动控制方法、装置及设备 | |
Liu et al. | Enabling self calibration for the wind turbine digital twin: a blending-function learning algorithm | |
CN115539303A (zh) | 风力发电机组的偏航控制方法及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
G15R | Request for early publication | ||
A201 | Request for examination |