WO2023101131A1

WO2023101131A1 - 인공지능을 통한 기후 예측에 기반한 발전기 제어시스템 및 방법

Info

Publication number: WO2023101131A1
Application number: PCT/KR2022/010852
Authority: WO
Inventors: 전기은
Original assignee: 전기은
Priority date: 2021-12-03
Filing date: 2022-07-25
Publication date: 2023-06-08

Abstract

실시예에 따른 인공지능을 통한 기후 예측에 기반한 발전기 제어시스템 및 방법은 중소형 풍력발전기 및 수력발전기를 기상환경에 따라 제어하여 풍력발전 및 수력발전의 효율을 높일 수 있게 하는 인공지능 모델을 제공한다. 실시예에 따른 인공지능을 통한 기후 예측에 기반한 발전기 제어시스템 및 방법은 풍력 발전기가 설치된 주변의 국지적 기상데이터를 통해 기후정보 예측을 보다 정확하게 수행할 수 있다. 또한, 정확히 예측된 기후 정보에 따라 풍력 발전기를 최적 제어하여, 풍력발전기의 효율 및 안정성을 향상시킬 수 있다.

Description

인공지능을 통한 기후 예측에 기반한 발전기 제어시스템 및 방법

본 개시는 발전기 제어 시스템 및 방법에 관한 것으로 구체적으로, 풍력발전기 효율 향상 및 안정성을 위한 인공지능 기반 기후 예측 시스템 및 기후 예측 결과에 기반한 발전기 제어 시스템에 관한 것이다.

본 명세서에서 달리 표시되지 않는 한, 이 섹션에 설명되는 내용들은 이 출원의 청구항들에 대한 종래 기술이 아니며, 이 섹션에 포함된다고 하여 종래 기술이라고 인정되는 것은 아니다.

지난 20년 동안 화석연료에 의한 전기 가격의 변동성과 기후변화에 관련된 국제적 정책의 변화는 기술진보를 이끌고 설계 및 제어 분야에서 새로운 기술과 시스템을 개발하여, 이를 바탕으로 풍력에너지 산업이 크게 성장하였다. 풍력에너지 자원은 우선적인 대안으로 채택되어 세계적으로 가장 기대되는 자원이다. 특히, 에너지 생산, 설계 및 운영 최적화, 각각의 제어분야, 단독 장치 및 전력망 연결 분야의 새로운 구도를 포함한 풍력터빈과 풍력터빈의 제어기술이 각광받고 있다.

소형풍력터빈의 제어기술에 대한 연구 성과는 현재로서는 미미한 실정이고, 대부분 수직풍력터빈에 대한 공기역학적 연구와 새로운 설계 접근방법에 집중하고 있는 실정이다. 세계 103개 국가에서 가동하고 있는 풍력발전은 전 세계 전기 생산의 3.86%인 318.1GW를 생산하고 있고 향후 매년 증가할 전망이다. 지난 20년 동안 대형풍력터빈의 제어기술이 크게 발전하였고 향후 수십 년 동안 전력시장이 소단위 발전과 분산 에너지 자원으로의 전환에 따라 소형풍력터빈 시장이 더욱 성장할 전망이다. 이에 따라, 소형 풍력 터빈이 설치된 곳의 기후를 고려한 풍력 터빈 제어 기술이 등장하고 있다.

하지만, 종래에는 기상청에서 제공하는 광역적 영역에서의 기후 데이터를 통해 넓은 범위의 기후를 평균적으로 예측해왔기 때문에, 풍력발전기가 설치된 장소의 정확한 기후 정보를 파악할 수 없다. 이로 인해, 중소형 풍력발전기의 발전효율을 높이는데 큰 한계가 있다.

실시예에 따른 인공지능을 통한 기후 예측에 기반한 발전기 제어시스템 및 방법은 예측된 기후 정보에 따라 풍력 발전기를 제어하여, 풍력발전기의 효율 및 안정성을 향상시킨다. 이를 위해, 실시예에서는 현재의 온도, 습도, 풍향, 풍속 등 기상데이터를 이용하여 국소적인 영역에서 미래의 주로 풍향, 풍속, 강수확률, 강수량 등 기상 환경을 예측하는 RNN 기반의 딥러닝 모델을 제공한다.

실시예에서는 기상청 데이터의 광역적 기상 데이터와 풍력발전기에서 측정하는 국지적 기상 데이터를 통합하여 인공지능 입력 데이터를 생성하고, 누락된 기상청 데이터는 비선형보간(Non-linear interpolation)을 통하여 복원한다. 또한, 실시예에 따른 인공지능은 GRU(Gated Recurrent Unit) 기반 양방향 RNN(bidirectional RNN)을 이용한다. 실시예에서는 발전기가 설치된 위치주변의 풍향 및 풍속을 주기적으로 예측하여, 예측된 풍향과 풍속 데이터에 따라 발전기의 블레이드 회전 방향을 제어하여 피치(pitch) 및 요(Yaw) 컨트롤을 수행한다. 또한, 실시예에서는 풍력발전기에 부착된 소형센서를 통해 국지적 기상데이터를 측정 및 수집하여, 광역 기상데이터와 함께 국지적 기후 데이터를 추가적으로 신경망에 입력하여, 풍력 발전기가 설치된 주변의 국지적인 기후 데이터를 예측할 수 있도록 한다.

또한, 실시예에서는 해수를 전해액으로 이용하여 알루미늄-공기 전지를 구현할 수 있는 인공지능 기반의 소형 핸디형 해수발전기를 제공하는 것을 그 목적으로 한다. 실시예에 따른 인공지능 기반의 소형 핸디형 해수발전기는 전기에너지가 저장된 배터리의 충전율에 따라 해수의 수위를 조절할 수 있는 인공지능 기반의 소형 핸디형 해수발전기를 제공하는 것을 그 목적으로 한다.

실시예에 따른 인공지능을 통한 기후 예측에 기반한 발전기 제어방법은 (A) 기상데이터 수집 모듈에서 기상청 데이터인 광역 기상데이터와 풍력 발전기가 설치된 주변 지역의 국지적 기상데이터를 수집하는 단계; (B) 기상데이터 보완 모듈에서 누락된 광역 기상 데이터 및 국지적 기상데이터는 비선형보간을 통하여 복원하여, 광역 기상데이터와 국지적 기상데이터를 보완하는 단계; (C) 변환 모듈에서 상기 보완된 광역기상 데이터 및 국지적 기상데이터를 통합하여 인공지능 입력데이터로 변환하는 단계; (D) 예측 모듈에서 상기 입력데이터에 따라 풍력발전기가 위치한 지점의 풍향 및 풍속을 예측하는 단계; 및 (E) 제어모듈에서 예측된 풍력발전기가 위치한 지점의 풍향 및 풍속에 따라 풍력발전기를 제어하는 단계; 를 포함한다.

실시예에 따른 인공지능을 통한 기후 예측에 기반한 발전기 제어시스템 및 방법은 중소형 풍력발전기 및 수력발전기를 기상환경에 따라 제어하여 풍력발전 및 수력발전의 효율을 높일 수 있게 하는 인공지능 모델을 제공한다.

실시예에 따른 인공지능을 통한 기후 예측에 기반한 발전기 제어시스템 및 방법은 풍력 발전기가 설치된 주변의 국지적 기상데이터를 통해 기후정보 예측을 보다 정확하게 수행할 수 있다. 또한, 정확히 예측된 기후 정보에 따라 풍력 발전기를 최적 제어하여, 풍력발전기의 효율 및 안정성을 향상시킬 수 있다.

실시예에 따른 인공지능 기반의 소형 핸디형 해수발전기는 해수를 전해액으로 이용하여 알루미늄-공기 전지를 구현하기 때문에, 별도의 비용 소모없이 전해액을 교체할 수 있다는 효과가 있다. 또한, 전기에너지가 저장된 배터리의 충전율에 따라 해수의 수위를 조절하기 때문에, 알루미늄 금속극의 표면에 축적되는 산화알루미늄의 영역을 최소화할 수 있다는 효과가 있다.

본 발명의 효과는 상기한 효과로 한정되는 것은 아니며, 본 발명의 상세한 설명 또는 특허청구범위에 기재된 발명의 구성으로부터 추론 가능한 모든 효과를 포함하는 것으로 이해되어야 한다.

도 1은 실시예에 따른 인공지능을 통한 기후 예측에 기반한 발전기 제어시스템을 나타낸 도면

도 2는 실시예에 따른 인공지능을 통한 기후 예측에 기반한 발전기 제어 방법의 광역 기상데이터와 국지적 기상데이터의 데이터 수집 및 보완 과정을 나타낸 도면

도 3은 실시예에 따른 인공지능을 통한 기후 예측에 기반한 발전기 제어 방법의 풍력 발전기 제어 과정을 나타낸 도면

도 4는 실시예에 따른 전력예측이 가능한 인공지능형 스마트 풍력 시스템 구성을 나타낸 도면

도 5는 실시예에 따른 서버(200)의 데이터 처리 구성을 나타낸 도면

도 6은 실시예에 따른 전력예측이 가능한 인공지능형 스마트 풍력 시스템의 시뮬레이션 과정을 나타낸 도면

도 7 및 도 8은 실시예에 따른 전력예측이 가능한 인공지능형 스마트 풍력 시스템의 기후 예측 데이터 산출 예를 나타낸 도면

도 9 내지 도 11은 실시예에 따른 기후 예측 데이터를 시각화한 디스플레이 화면을 나타낸 도면

도 12는 본 발명에 따른 해수발전기의 구성을 보여주는 도면

도 13는 내부공간에 해수의 수위가 제1 높이인 것을 보여주는 도면

도 14은 내부공간에 해수의 수위가 제2 높이인 것을 보여주는 도면

도 15는 본 발명에 따른 해수발전기가 결제서버를 더 포함하는 것을 보여주는 도면

실시예에 따른 인공지능을 통한 기후 예측에 기반한 발전기 제어 시스템은 기상청 데이터인 광역 기상데이터와 풍력 발전기가 설치된 주변 지역의 국지적 기상데이터를 수집하는 기상데이터 수집모듈; 광역 기상 데이터 및 국지적 기상데이터의 누락여부를 파악하고, 누락된 광역 기상 데이터 및 국지적 기상데이터를 비선형보간을 통해 복원하여, 상기 광역 기상데이터와 국지적 기상데이터를 보완하는 기상데이터 보완모듈; 보완된 광역기상 데이터 및 국지적 기상데이터를 통합하여 인공지능 입력데이터로 변환하는 변환모듈; 입력데이터에 따라 풍력발전기가 위치한 지점의 풍향 및 풍속을 예측하는 예측 모듈; 및 예측된 풍력발전기가 위치한 지점의 풍향 및 풍속에 따라 풍력발전기를 제어하는 제어모듈; 을 포함한다.

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시 예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시 예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 도면부호는 동일 구성 요소를 지칭한다.

본 발명의 실시 예들을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 그리고 후술되는 용어들은 본 발명의 실시 예에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.

도 1은 실시예에 따른 인공지능을 통한 기후 예측에 기반한 발전기 제어시스템을 나타낸 도면이다.

도 1을 참조하면, 실시예에 따른 인공지능을 통한 기후 예측에 기반한 발전기 제어시스템은 기상데이터 수집모듈(100), 기상데이터 보완모듈(200), 변환모듈(300), 예측 모듈(400) 및 제어모듈(500)을 포함하여 구성될 수 있다. 본 명세서에서 사용되는 '모듈' 이라는 용어는 용어가 사용된 문맥에 따라서, 소프트웨어, 하드웨어 또는 그 조합을 포함할 수 있는 것으로 해석되어야 한다. 예를 들어, 소프트웨어는 기계어, 펌웨어(firmware), 임베디드코드(embedded code), 및 애플리케이션 소프트웨어일 수 있다. 또 다른 예로, 하드웨어는 회로, 프로세서, 컴퓨터, 집적 회로, 집적 회로 코어, 센서, 멤스(MEMS; Micro-Electro-Mechanical System), 수동 디바이스, 또는 그 조합일 수 있다.

기상데이터 수집모듈(100)은 기상청 데이터인 광역 기상데이터와 풍력 발전기가 설치된 주변 지역의 국지적 기상데이터를 풍력발전기를 통해 수집한다. 실시예에서 기상청 데이터인 광역 기상데이터는 온도, 습도, 기압, 풍향, 풍속 데이터를 포함하고, 국지적 기상데이터는 온도, 기압, 풍속 데이터를 포함할 수 있다. 실시예에서 국지적 기상데이터는 풍력발전기에 부착된 소형센서를 통해 측정 후 수집될 수 있다. 실시예에서는 대략 반경 50-100m 이내의 영역인 국지적 기후 데이터를 추가적으로 인공신경망에 입력하여, 풍력 발전기가 설치된 주변의 국지적인 기후 데이터를 예측할 수 있도록 한다. 실시예에서는 풍력발전기가 발전 중일 경우에는 순간 전력 발전량을 기반으로 풍속을 역추적하여 산출한 현재 풍속이 국지적 기상데이터에 포함될 수 있다.

기상데이터 보완모듈(200)은 광역 기상데이터와 국지적 기상데이터의 누락여부를 파악하고, 누락된 기상데이터를 복원한다. 실시예에서는 누락된 광역 기상 데이터 및 국지적 기상데이터를 비선형보간을 통해 복원하여 광역 기상데이터와 국지적 기상데이터를 보완할 수 있다. 실시예에 따른 기상데이터 보완모듈(200)은 풍향, 풍속 등 2차원 공간에서 누락된 데이터를 이중 이차곡선(bi-quadratic) 또는 이중 삼차곡선(bi-cubic) 등을 이용하여 비선형 보간 할 수 있다.

변환모듈(300)은 보완된 광역기상 데이터 및 국지적 기상데이터를 통합하여 인공지능 입력데이터 형식으로 변환한다. 실시예에서 변환모듈(300)은 라벨링 및 데이터 셋 구축 과정 등을 광역기상데이터와 국지적 기상데이터를 인공지능 입력 데이터 형식으로 변환할 수 있다. 또한, 실시예에서 변환모듈(300)은 광역기상데이터와 국지적 기상데이터를 통합하여 인공지능은 GRU(Gated Recurrent Unit) 기반 양방향 RNN(bidirectional RNN)의 입력데이터 형식으로 변환할 수 있다. 실시예에서 변환모듈(300)은 기상청 데이터인 광역적 기상 데이터와 풍력발전기에서 측정하는 국지적 기상 데이터를 통합하여 인공지능의 입력데이터로 변환함으로써, 풍력발전기가 설치된 지역의 보다 정확한 기후 예측이 가능하도록 한다. 실시예에서 입력데이터는 30분 단위의 온도, 습도, 풍향, 풍속, 강수량, 강수확률, 기압을 포함하는 기상청 데이터와 n분 단위로 발전기에서 측정되는 온도, 습도, 기압을 포함하는 국지적 기상데이터를 통해 생성될 수 있다. 실시예에서는 기상데이터 수집 간격의 최소단위는 1분으로 설정가능하고, 데이터 수집 및 업데이트 간격은 조정할 수 있다.

예측 모듈(400)은 GRU(Gated Recurrent Unit) 기반 양방향(bidirectional) RNN(Recurrent Neural Network) 인공지능을 통해, 입력데이터에 따라 풍력발전기가 위치한 지점의 풍향 및 풍속을 예측한다. 또한, 예측 모듈(400)은 풍력발전기가 발전 중인 경우, 순간 전력 발전량을 역추적하여 현재 풍속을 산출한다. 현재 풍속이 산출되는 경우, 국지적 기상데이터는 측정된 온도, 기압 및 산출된 현재 풍속 데이터를 포함할 수 있다. 실시예에서 출력 값인 풍향 및 풍속 예측값은 발전기가 존재하는 곳 주변의 풍향, 풍속의 예측 값으로, 5분 단위로 1시간까지 예측 가능하다.

제어모듈(500)은 예측된 풍력발전기가 위치한 지점의 풍향 및 풍속에 따라 풍력발전기를 제어한다. 실시예에서 제어모듈(500)은 예측된 풍속이 설정된 임계값을 초과하는 경우, 풍력발전기의 블레이드가 바람에 저항을 가장 적게 받도록 블레이드의 각도를 제어하여 회전시킴으로써, 발전기를 보호할 수 있다. 즉, 실시예에서는 예측된 풍속에 따라 블레이드의 각도를 제어하여 회전시키는 피치 컨트롤(pitch control)을 수행한다.

또한, 제어모듈(500)은 예측된 풍속이 설정된 임계값 미만인 경우, 예측된 풍향 정보를 이용하여 요 컨트롤(Yaw control)을 수행하고, 최대 풍력 발전 효율을 생성 가능하도록 한다.

이하에서는 인공지능을 통한 기후 예측에 기반한 발전기 제어 방법에 대해서 차례로 설명한다. 실시예에 따른 인공지능을 통한 기후 예측에 기반한 발전기 제어 방법의 작용(기능)은 발전기 제어 시스템의 기능과 본질적으로 같은 것이므로 도 1과 중복되는 설명은 생략하도록 한다.

도 2는 실시예에 따른 인공지능을 통한 기후 예측에 기반한 발전기 제어 방법의 광역 기상데이터와 국지적 기상데이터의 데이터 수집 및 보완 과정을 나타낸 도면이다.

도 2를 탐조하면, S10 단계에서 기상데이터 수집 모듈은 기상청 서버에서 온도, 습도, 기압, 풍향, 풍속을 포함하는 광역 데이터를 수집하고, S13 단계에서 누락데이터가 존재하는지 파악한다. 누락데이터가 존재하는 경우 S15 단계로 진입하여, 비선형보간법을 통해 광역 기상데이터를 보완한다. S17 단계에서 기상데이터 수집 모듈은 보완된 광역 기상데이터와 기상청 서버로부터 수집한 광역 기상데이터를 수집한다. S12 단계에서는 기상데이터 수집 모듈에서 온도, 기압을 포함하는 국지적 기상데이터를 수집한다. 이후 S14 단계에서 풍력발전기가 발전 중인지 파악하고, 발전 중인 경우, S16 단계로 진입하여 예측 모듈에서 발전량으로부터 현재 풍속을 역추적해 산출하도록 한다. S14 단계에서 국지적 기상데이터를 수집한 풍력 발전기가 발전 중이 아닌 경우, S26 단계로 진입하여 수집된 국지적 기상데이터 중 누락데이터가 존재하는지 파악한다. 누락데이터가 존재하는 경우, S28 단계로 진입하여 비선형 보간법을 통해 국지적 기상 데이터를 보완하고, S28 단계에서 보완된 국지적 기상데이터를 수집하도록 한다. S26 단계에서는 기상데이터 보완 모듈에서 누락데이터가 존재하지 않는 것으로 파악되면 S30 단계로 진입하여 기상데이터 수집 모듈에서 온도와 기압에 해당하는 국지적 기상데이터를 수집하도록 한다.

S16 단계에서는 예측 모듈에서 현재풍속을 산출하면, S18 단계에서는 기상데이터 수집 모듈에서 온도, 기압, 풍속을 국지적 기상데이터로 수집하고, S20 단계에서는 기상데이터 보완 모듈에서 누락데이터가 존재하는지 파악한다. 누락데이터가 존재하는 경우, S22 단계로 진입하여 기상데이터 보완 모듈에서 비선형 보간법을 통해 국지적 기상 데이터를 보완한다. S24 단계에서 기상데이터 수집 모듈은 국지적 기상데이터인 온도, 기압, 풍속 데이터를 수집한다.

S19 단계에서는 예측 모듈에서 S17 단계에서 수집된 광역 기상데이터와 S24 단계에서 풍력발전기가 발전 중 일 때 수집된 국지적 기상데이터인 온도, 기압, 풍속 데이터 및 S30 단계에서 풍력발전기가 발전 중 이지 않을 때 수집된 국지적 기상데이터인 온도와 기압 데이터를 통해 GRU 기반 양방향 RNN을 통한 인공지능을 이용하여 풍력발전기가 설치된 곳의 기후를 예측한다. S21 단계에서는 예측 결과 값인 예측 풍향 및 예측 풍속 데이터를 획득한다. 이후, 예측 풍향 및 예측 풍속 데이터를 통해 풍력 발전기를 제어하기 위해 S23 단계로 진입한다.

도 3은 실시예에 따른 인공지능을 통한 기후 예측에 기반한 발전기 제어 방법의 풍력 발전기 제어 과정을 나타낸 도면이다.

도 3을 참조하면, S23 단계에서는 제어모듈에서 예측된 풍속 값이 임계 풍속 이상인지 파악한다. 임계 풍속 이상인 경우 S33 단계로 진입하여 피치 컨트롤을 수행하고, 임계 풍속 미만인 경우, S25 단계로 진입한다. S25 단계에서는 제어모듈에서 피치 컨트롤 수행 중인지 파악하고, 피치 컨트롤 수행 중인 경우 S31 단계로 진입하여 피치 컨트롤을 해제한다. S25 단계에서 피치 컨트롤 수행 중이 아닌 경우, S27 단계로 진입하여 풍력발전기의 발전 효율이 최대인지 파악한다. 풍력 발전기의 발전 효율이 최대인 경우, S23 단계로 다시 진입하고, S27 단계에서 풍력발전기의 발전효율이 최대가 아닌 것으로 파악되면 S29 단계로 진입하여 요 컨트롤을 수행한다.

도 4는 실시예에 따른 전력예측이 가능한 인공지능형 스마트 풍력 시스템 구성을 나타낸 도면이다.

도 4를 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, 데

스크톱(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 5는 실시예에 따른 서버(200)의 데이터 처리 구성을 나타낸 도면이다.

도 5를 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 6은 실시예에 따른 전력예측이 가능한 인공지능형 스마트 풍력 시스템의 시뮬레이션 과정을 나타낸 도면이다.

도 6을 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 7 및 도 8은 실시예에 따른 전력예측이 가능한 인공지능형 스마트 풍력 시스템의 기후 예측 데이터 산출 예를 나타낸 도면이다.

도 7 및 도 8을 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 9 내지 도 11은 실시예에 따른 기후 예측 데이터를 시각화한 디스플레이 화면을 나타낸 도면이다.

도 9 및 도 11을 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.

또한, 실시예에서는 인공지능 기반의 소형 핸디형 해수발전기(이하 '해수발전기' 라고 함)을 제공한다. 실시예에 따른 소형 핸디형 해수발전기는, 알루미늄-공기 전지를 통해 전기에너지를 생산한다. 특히, 해수발전기는, 해수를 전해액으로 이용하는 알루미늄-공기 전지를 통해 전기에너지를 생산한다.

또한, 본 발명에 따른, 해수발전기는 내부에 구비된 배터리의 충전율에 따라 해수의 수위를 조절함으로써, 알루미늄-공기 전지의 전기화학적 반응 시 발생하는 산화알루미늄을 최소화한다. 여기서 전기화학적 반응은 산화환원 반응을 의미한다.

이하, 도 12를 참조하여 실시예에 따른 해수발전기에 대해 보다 구체적으로 설명한다.

도 12는 본 발명에 따른 해수발전기의 구성을 보여주는 도면이다. 본 발명에 따른, 해수발전기(100)는 하우징(110), 밸브(120), 공기극(130), 알루미늄 금속극(140), 배터리(150), 제어부(160) 및 충전부(170)를 포함한다.

하우징(110)은 해수가 유입되는 유입구, 해수가 채워지는 내부공간, 해수가 배출되는 배출구를 구비한다. 하우징(110)의 내부공간에는 유입구를 통해 해수가 채워지게 되고, 내부공간에 배치된 공기극(130) 및 알루미늄 금속극(140)에서 산화환응 반응이 발생되게 한다. 이와 같이, 해수는 공기극(130) 및 알루미늄 금속극(140)의 산화환응 반응에 따른 전자가 이동되도록 전해액으로 역할을 하게 된다.

유입구는 하우징(110)의 상단에 형성될 수 있다. 배출구는 하우징(110)의 하단에 형성될 수 있다.

하우징(110)의 배출구에는 밸브(120)가 설치된다. 밸브(120)는 개폐동작에 따라 배출구로 배출되는 해수를 조절한다. 밸브(120)는 개폐율이 조절되고, 개폐율에 따라 해수가 배출되는 속도가 조절될 수 있다.

예컨대, 밸브(120)의 개폐율이 70%이면, 제1 속도로 해수가 배출되고, 밸브(120)의 개폐율이 100%이면 제2 속도로 해수가 배출될 수 있다. 여기서 제1 속도는 제2 속도보다 낮은 속도일 수 있다.

밸브(120)는 제어부(160)에 의해 제어될 수 있다. 이러한 실시예를 따르는 경우, 밸브(120)는 솔레노이드 밸브일 수 있다.

공기극(130)은 하우징(110)의 내부공간의 일측에 배치된다. 공기극(130)은 음극(cathode)로서, 환원반응이 발생된다. 공기극(130)은 탄소전극 등을 포함할 수 있다.

알루미늄 금속극(140)은 하우징(110)의 내부공간의 타측에 배치된다. 알루미늄 금속극(140)은 양극(anode)로서, 산화반응이 발생된다. 알루미늄 금속극(140)은 알루미늄, 알루미늄 합금 등을 포함할 수 있다.

이와 같이, 본 발명은 공기극(130) 및 알루미늄 금속극(140)을 구비함으로써, 전기에너지를 생산하는 알루미늄 공기전지를 구현한다. 본 발명에 따른 알루미늄 공기전지의 반응식은 아래와 같다.

알루미늄 금속극(140)에서 발생하는 양극산화반응:

Al + 4OH- -> Al(OH)3 + 3e- (-2.38VSHE)

공기극(130)에서 발생하는 음극환원반응:

O2 + 2H2O + 4e- -> 4OH- (0.4VSHE)

전체전지반응: 4Al + 3O2 + 6H2O -> 4Al(OH)3

수소생산반응: Al + 3H2O -> Al(OH)3 + 3/2H2

배터리(150)는 공기극(130)의 환원반응 및 알루미늄 금속극(140)의 산화반응을 통해 생산된 전기에너지를 저장한다.

제어부(160)는 배터리(150)의 충전율에 따라 밸브(120)를 제어하여 해수의 수위를 조절한다.

본 발명에 따른, 제어부(160)가 해수의 수위를 조절하는 이유는 아래와 같다.

해수가 공기극(130) 및 알루미늄 금속극(140)의 표면에 접촉하면서 산화환응 반응이 진행되게 되는데, 이러한 경우, 알루미늄 금속극(140)의 표면에 산화알루미늄이 축적된다.

도 13에 도시된 바와 같이, 해수의 수위가 제1 높이인 경우, 알루미늄 금속극(140)의 표면 전체에 산화알루미늄이 축적되는 반면에, 도 3에 도시된 바와 같이, 해수의 수위가 제2 높이인 경우, 알루미늄 금속극(140)의 표면 일부(해수와 접촉하는 영역)에 산화알루미늄이 축적된다. 산화알루미늄이 표면에 축적되는 영역이 넓을수록 전기에너지의 생산효율이 떨어지기 때문에, 이를 방지하기 위해, 본 발명에 따른, 제어부(160)는 배터리(150)의 충전율에 따라 해수의 수위를 조절한다. 또한, 산화알루미늄이 알루미늄 금속극(140)의 표면 전영역에 축적되는 것보다 알루미늄 금속극(140)의 말단영역에 축적되는 것이 제거에 용이하기 때문이다.

다만, 해수의 수위가 높을 수록, 전기에너지의 생산속도가 높아지는 반면에, 해수의 수위가 낮을수록 전기에너지의 생산속도가 낮아진다.

이에 따라, 본 발명에 따른 제어부(160)는 배터리(150)의 충전율이 미리 정해진 기준치 이하인 경우, 해수의 수위를 그대로 유지하고, 미리 정해진 기준치 이상이 되면, 해수의 수위를 조절하게 된다.

일 실시예에 있어서, 제어부(160)는 배터리(150)의 충전율이 미리 정해진 기준치 이상이 되면, 밸브(120)의 개폐율을 조절하여 해수가 미리 정해진 속도로 배출되게 할 수 있다.

예컨대, 본 발명에 따른, 제어부(160)는 배터리(150)의 충전율이 70%가 되면, 밸브(120)의 개폐율을 70%로 조절하여 해수가 미리 정해진 속도로 배출되게 할 수 있다. 여기서 개폐율은, 폐쇄된 것을 100%로, 개방된 것을 0%인 것으로 설명한다.

이러한 예를 따르는 경우, 알루미늄 금속극(140)에 접촉하는 해수의 수위가 점진적으로 낮아질 수 있다.

예컨대, 본 발명에 따른, 제어부(160)는 배터리(150)의 충전율이 70%되면, 개폐율을 점진적으로 낮추면서 해수가 배출되는 속도도 점진적으로 증가되도록 할 수 있다. 이러한 경우, 제어부(160)는 배터리(150)의 충전율이 70%이면 개폐율을 99%로, 충전율이 71%이면 개폐율을 98%로, 충전율이 72%이면 개폐율을 97%로 설정하면서 점진적으로 개폐율을 낮출 수 있다.

일 실시예에 있어서, 제어부(160)는 미리 학습된 인공지능 모델을 통해 밸브(120)의 개폐율을 조절하는 배터리(150)의 충전량을 산출할 수 있다. 여기서 인공지능 모델은 학습데이터를 이용하여 미리 정해진 알고리즘으로 학습될 수 있다. 이때, 학습데이터는, 미리 정해진 기간동안 수집된 데이터로서, 해수의 수위에 따른 배터리의 충전속도, 해수의 배출되는 속도에 따른 배터리의 충전속도, 주변 기상상태에 따른 배터리의 충전속도 등을 포함할 수 있다. 주변기상상태는, 온도, 습도 등을 포함할 수 있다.

주변기상상태가 학습데이터에 포함되는 이유는, 외부의 온도, 습도 등에 따라 공기극(130) 및 알루미늄 금속극(140)에서 산화환원반응 속도가 달라지기 때문이다. 이에 따라, 주변기상상태에 따라 배터리의 충전속도 또한 달라지게 된다.

여기서 알고리즘은, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semisupervised learning) 또는 강화 학습(reinforcement learning)을 포함할 수 있으나, 전술한 예에 한정되지 않는다.

인공지능 모델은, 복수의 인공 신경망 레이어들을 포함할 수 있다. 인공 신경망은, 심층 신경망(DNN: deepneural network), CNN(convolutional neural network), RNN(recurrent neural network), RBM(restrictedboltzmann machine), DBN(deep belief network), BRDNN(bidirectional recurrent deep neural network), 심층 Q-네트워크(deep Q-networks) 또는 상기 중 둘 이상의 조합 중 하나일 수 있으나, 전술한 예에 한정되지 않는다.

일 실시예에 있어서, 제어부(160)는, 밸브(120)의 개폐율을 조절하는 배터리(150)의 충전율에 대한 미리 정해진 기준치를 주변기상상태에 따라 변화시킬 수 있다. 여기서 주변기상상태는 온도, 습도 등을 포함할 수 있다.

예컨대, 제어부(160)는 제1 온도일 때, 배터리(150)의 충전율이 제1 기준치인 경우 밸브(120)의 개폐율을 조절하고, 제어부(160)는 제2 온도일 때, 배터리(150)의 충전율이 제2 기준치인 경우 밸브(120)의 개폐율을 조절할 수 있다.

일 실시예에 있어서, 제어부(160)는 온도가 낮을수록 미리 정해진 기준치를 높게 설정하고, 온도가 높을수록 미리 정해진 기준치를 낮게 설정할 수 있다.

이와 같이, 제어부(160)가 미리 정해진 기준치를 설정하는 이유는, 산화환원반응에 따른 깁스 에너지가 온도가 높을수록 낮아지므로, 온도가 높을수록 산화환원반응이 활발하게 일어나 배터리(150)의 충전속도가 높아지기 때문이다.

예컨대, 온도가 30도인 경우, 제어부(160)는 배터리(150)의 충전율에 대한 기준치를 69%로 설정할 수 있고, 온도가 29도인 경우, 제어부(160)는 배터리(150)의 충전율에 대한 기준치를 70%로 설정할 수 있다.

한편, 본 발명에 따른, 해수발전기(100)는 충전부(170)를 포함한다. 충전부(170)는 외부의 전자장치와 연결되고, 배터리(150)에 저장된 전기에너지를 공급하여 전자장치를 충전시킬 수 있다. 여기서, 전자장치는, 스마트 폰(smartphone), 태블릿 PC(tablet personal computer), 이동전화기(mobile phone), 화상전화기, 전자북 리더기(e-book reader), 데스크탑 PC(desktop personal computer), 랩탑 PC(laptop personal computer), 넷북 컴퓨터(netbook computer), PDA(personal digital assistant), PMP(portable multimedia player), MP3 플레이어, 모바일 의료기기, 전자 팔찌, 전자 목걸이, 전자 앱세서리(appcessory), 카메라(camera), 웨어러블 장치(wearable device), 전자 시계(electronic clock), 손목 시계(wrist watch), 가전 제품(home appliance)(예: 냉장고, 에어컨, 청소기, 오븐, 전자레인지, 세탁기, 공기 청정기 등), 인공 지능 로봇, TV, DVD(digital video disk) 플레이어, 오디오, 각종 의료기기(예: MRA(magnetic resonance angiography), MRI(magnetic resonance imaging), CT(computed tomography), 촬영기, 초음파기 등), 네비게이션(navigation) 장치, GPS 수신기(global positioning system receiver), EDR(event data recorder), FDR(flight data recorder), 셋톱 박스(set-top box), TV 박스, 전자 사전, 자동차 인포테인먼트(infotainment) 장치, 선박용 전자 장비(electronic equipment for ship, 예를 들면, 선박용 항법 장치, 자이로 콤파스 등), 항공 전자기기(avionics), 보안 기기, 전자 의복, 전자 키, 캠코더(camcorder), 게임 콘솔(game consoles), HMD(head-mounted display), 평판표시장치(flat panel display device), 전자 액자, 전자 앨범, 통신 기능을 포함한 가구(furniture) 또는 건물/구조물의 일부, 전자 보드(electronic board), 전자 사인 입력장치(electronic signature receiving device), 웨어러블 장치(Wearable device)또는 프로젝터(projector) 등의 다양한 장치들 중 하나 또는 그 이상의 조합일 수 있다. 본 발명의 다양한 실시예들에 따른 전자장치는 전술한 기기들에 한정되지 않음은 당업자에게 자명하다.

일 실시예에 있어서, 충전부(170)는 인증이 완료된 전자장치를 충전시킬 수 있다. 이러한 실시예를 따르는 경우, 제어부(160)는 전자장치의 인증을 수행할 수 있다. 이때, 제어부(160)는 충전부(170)와 전자장치간의 연결을 통해, 인증을 수행할 수도 있지만, 무선통신을 통해 인증을 수행할 수도 있다. 통신방식은 WIFI, BLUETOOTH, 3G, LTE, 5G, XBEE 등 다양한 방식으로 지원될 수 있다.

제어부(160)는 전자장치로 해수발전기(100)의 촬영요청 및 인증번호 입력요청을 포함하는 메시지를 전송할 수 있다. 제어부(160)는 전자장치가 해수발전기 이미지 및 인증번호를 전송하면, 이를 수신한다. 제어부(160)는 미리 저장되어 있는 해수발전기 기준 이미지와 해수발전기 이미지를 서로 비교하고, 미리 저장되어 있는 기준인증번호와 인증번호를 서로 비교한다. 제어부(160)는 해수발전기 이미지 및 인증번호 중 적어도 하나가 일치하면, 해당 전자장치를 인증할 수 있다. 이때, 제어부(160)가 적어도 하나가 일치하면 전자장치를 인증하는 이유는, 카메라를 구비하지 않는 전자장치도 인증을 할 수 있도록 하기 위함이다.

상술한 설명에서는 충전의 대상이 되는 전자장치가 인증을 수행하는 것으로 설명하였으나, 이는 하나의 실시예일 뿐, 충전의 대상이 되는 전자장치 외에 사용자가 소지한 별도의 전자장치로도 인증을 수행할 수 있을 것이다.

제어부(160)는 전자장치의 결제금액에 따라 해수의 수위를 조절할 수 있다. 이러한 실시예를 따르는 경우, 본 발명에 따른 해수발전기는 도 4에 도시된 바와 같이 결제서버(200)를 더 포함할 수 있다.

결제서버(200)는 전자장치와의 통신을 통해 전자장치로부터 결제금액 정보를 수신할 수 있다. 결제서버(200)는 외부은행서버와의 통신을 통해 해당 결제금액 정보에 따라 결제처리를 수행할 수 있다. 결제서버(200)는 결제금액 정보를 제어부(160)로 전달하고, 제어부(160)는 결제금액 정보에 포함된 결제금액에 따라 해수의 수위를 조절할 수 있다. 여기서 결제금액정보는, 결제금액, 결제자 정보, 결제방법 등을 포함할 수 있다.

제어부(160)가 전자장치의 결제금액에 따라 해수의 수위를 조절하는 이유는, 결제금액이 제1 금액인 경우, 고속으로 충전하기 위해 해수의 수위를 제1 높이로 설정하고, 결제금액이 제1 금액보다 작은 제2 금액인 경우, 저속으로 충전하기 위해 해수의 수위를 제2 높이로 설정하기 위함이다.

이에 따라, 제어부(160)는 전자장치의 결제금액이 고속충전 대상이면 해수의 수위를 고속 기준값으로 조절하고, 전자장치의 결제금액이 저속충전 대상이면 해수의 수위를 저속 기준값으로 조절할 수 있다.

제어부(160)는 해수의 수위가 고속 기준값이 되도록 밸브(120)를 개방하여 해수를 배출시키고, 제어부(160)는 해수의 수위가 저속 기준값이 되도록 밸브(120)를 개방하여 해수를 배출시킬 수 있다.

일 실시예에 있어서, 제어부(160)는 전자장치의 결제금액에 따라 충전시간을 조절할 수 있다. 예컨대, 결제금액이 제1 금액인 경우, 제어부(160)는 충전시간을 제1 시간으로 설정하고, 결제금액이 제1 금액보다 큰 제2 금액인 경우, 제어부(160)는 충전시간을 제1 시간보다 긴 제2 시간으로 설정할 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.

실시예에 따른 인공지능 기반의 소형 핸디형 해수발전기는 해수를 전해액으로 이용하여 알루미늄-공기 전지를 구현하기 때문에, 별도의 비용 소모없이 전해액을 교체할 수 있도록 한다. 또한, 전기에너지가 저장된 배터리의 충전율에 따라 해수의 수위를 조절하기 때문에, 알루미늄 금속극의 표면에 축적되는 산화알루미늄의 영역을 최소화할 수 있도록 한다.

Claims

인공지능을 통한 기후 예측에 기반한 발전기 제어시스템에 있어서,

기상청 데이터인 광역 기상데이터와 풍력 발전기가 설치된 주변 지역의 국지적 기상데이터를 수집하는 기상데이터 수집모듈;

광역 기상 데이터 및 국지적 기상데이터의 누락여부를 파악하고, 누락된 광역 기상 데이터 및 국지적 기상데이터를 비선형보간을 통해 복원하여, 상기 광역 기상데이터와 국지적 기상데이터를 보완하는 기상데이터 보완모듈;

상기 보완된 광역기상 데이터 및 국지적 기상데이터를 통합하여 인공지능 입력데이터 형식으로 변환하는 변환모듈;

상기 입력데이터에 따라 풍력발전기가 위치한 지점의 풍향 및 풍속을 예측하는 예측 모듈; 및

상기 예측된 풍력발전기가 위치한 지점의 풍향 및 풍속에 따라 풍력발전기를 제어하는 제어모듈; 을 포함하는 인공지능을 통한 기후 예측에 기반한 발전기 제어시스템.
제1항에 있어서, 상기 제어모듈; 은

예측된 풍속이 설정된 임계값을 초과하는 경우, 풍력발전기의 블레이드가 바람에 저항을 가장 적게 받도록 블레이드의 각도를 제어하여 회전시키는 피치 컨트롤(pitch control)을 수행하는 것을 특징으로 하는 인공지능을 통한 기후 예측에 기반한 발전기 제어시스템.
제1항에 있어서, 상기 제어모듈; 은

예측된 풍속이 설정된 임계값 미만인 경우, 예측된 풍향 정보를 이용하여 최대 풍력 발전 효율을 생산하도록 요 컨트롤(Yaw control)을 수행하는 것을 특징으로 하는 인공지능을 통한 기후 예측에 기반한 발전기 제어시스템.
제1항에 있어서, 상기 예측 모듈; 은

풍력발전기가 발전 중인 경우, 순간 전력 발전량을 통해 현재 풍속을 역산출하는 것을 특징으로 하는 인공지능을 통한 기후 예측에 기반한 발전기 제어시스템.
제1항에 있어서, 상기 국지적 기상데이터는

측정된 온도, 기압 및 산출된 현재 풍속 데이터를 포함하는 것을 특징으로 하는 인공지능을 통한 기후 예측에 기반한 발전기 제어시스템.
인공지능을 통한 기후 예측에 기반한 발전기 제어방법에 있어서,

(A) 기상데이터 수집 모듈에서 기상청 데이터인 광역 기상데이터와 풍력 발전기가 설치된 주변 지역의 국지적 기상데이터를 수집하는 단계;

(B) 기상데이터 보완 모듈에서 누락된 광역 기상 데이터 및 국지적 기상데이터는 비선형보간을 통하여 복원하여, 상기 광역 기상데이터와 국지적 기상데이터를 보완하는 단계;

(C) 변환 모듈에서 상기 보완된 광역기상 데이터 및 국지적 기상데이터를 통합하여 인공지능 입력데이터로 변환하는 단계;

(D) 예측 모듈에서 상기 입력데이터에 따라 풍력발전기가 위치한 지점의 풍향 및 풍속을 예측하는 단계; 및

(E) 제어모듈에서 상기 예측된 풍력발전기가 위치한 지점의 풍향 및 풍속에 따라 풍력발전기를 제어하는 단계; 를 포함하는 인공지능을 통한 기후 예측에 기반한 발전기 방법.
제6항에 있어서, 상기(D)의 단계; 는

풍력발전기가 발전 중인 경우, 순간 전력 발전량을 통해 현재 풍속을 역산출하는 것을 특징으로 하는 인공지능을 통한 기후 예측에 기반한 발전기 제어시스템.
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.
제8항에 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.
제8항에 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.
제10항에 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.
제8항에 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.
제8항에 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.
해수를 전해액으로 이용하고, 알루미늄-공기 전지를 통해 전기에너지를 생산하는 해수발전기에 있어서,

상기 해수가 유입되는 내부공간을 구비하고, 상기 내부공간에 유입된 해수가 배출되는 배출구가 형성되어 있는 하우징;

상기 배출구에 설치되고, 개폐동작에 따라 상기 배출구로 배출되는 해수를 조절하는 하는 밸브;

상기 내부공간의 일측에 배치되는 공기극;

상기 내부공간의 타측에 배치되는 알루미늄 금속극;

상기 공기극의 환원반응 및 상기 알루미늄 금속극의 산화반응을 통해 생산된 전기에너지를 저장하는 배터리; 및

상기 배터리의 충전율에 따라 상기 밸브를 제어하여 상기 해수의 수위를 조절하는 제어부를 포함하는 것을 특징으로 하는 해수발전기.
제14항에 있어서,

상기 제어부는,

상기 배터리의 충전율이 미리 정해진 기준치 이상이 되면, 상기 밸브의 개폐율을 조절하여 상기 해수가 미리 정해진 속도로 배출되게 하는 것을 특징으로 하는 해수발전기.
제14항에 있어서,

외부의 전자장치와 연결되고, 인증이 완료된 상기 전자장치로 상기 배터리에 저장된 전기에너지를 공급하여 상기 전자장치를 충전시키는 충전부를 더 포함하고,

상기 제어부는,

상기 전자장치의 결제금액에 따라 상기 해수의 수위를 조절하는 것을 특징으로 하는 해수발전기.
제16항에 있어서,

상기 전자장치가 저속충전 대상이면, 상기 내부공간의 해수의 수위가 미리 정해진 저속기준값이 되도록 상기 밸브를 개방하여 상기 해수를 배출시키는 것을 특징으로 하는 해수발전기.
제16항에 있어서,

상기 제어부는,

상기 전자장치로 해수발전기의 촬영요청 및 인증번호 입력요청을 포함하는 메시지를 전송하고,

상기 전자장치로부터 해수발전기 이미지 및 인증번호를 수신하면 미리 저장되어 있는 해수발전기 기준 이미지 및 기준인증번호와의 매칭여부를 판단하고, 판단결과 매칭되는 것으로 판단되면, 상기 충전부로 전자장치의 충전시키도록 제어하는 것을 특징으로 하는 해수발전기.