Optimal Intelligent Control for Wind Turbulence Rejection in WECS Using ANNs and Genetic Fuzzy Approach

핵심 요약: 기계를 망가뜨리지 않고 바람을 포착하기

풍력 터빈을 거대하고 첨단 기술이 집약된 돛단배라고 상상해 보세요. 이 배의 임무는 바람을 잡아 전기로 바꾸는 것입니다. 하지만 바람은 변덕스러운 선장과 같습니다. 때로는 부드럽게 불다가도, 때로는 격렬하게 돌풍을 일으키고, 때로는 갑자기 멈춰버리기도 합니다. 이러한 "난류(Turbulence)"는 마치 울퉁불퉁한 길에서 자전거를 타는 것과 같습니다. 균형을 제대로 잡지 못하면 넘어지거나 속도를 잃을 수 있습니다.

이 논문이 다루는 주요 문제는 바람이 요동칠 때도 풍력 터빈의 전력 출력을 어떻게 일정하고 안전하게 유지하느냐 하는 것입니다. 바람이 너무 세게 불면 터빈이 너무 빨리 회전하여 고장이 날 수 있습니다. 반대로 바람이 너무 약하면 수익을 내지 못합니다. 목표는 "엔진"이 완벽한 속도로 계속 돌아가도록 유지하는 것입니다.

해결책: "스마트 피치(Smart Pitch)" 시스템

이를 해결하기 위해 터빈에는 **피치 제어(Pitch Control)**라는 기능이 있습니다. 터빈의 날개(블레이드)를 배의 돛이라고 생각해 보세요.

• 바람이 너무 강할 때? 돛이 너무 많은 힘을 받지 않도록 바람의 방향에서 약간 비껴가게 돌립니다 (마치 돛을 "페더링(feathering)" 하는 것처럼).
• 바람이 너무 약할 때? 모든 미풍을 다 잡을 수 있도록 돛을 돌립니다.

이 논문은 컴퓨터가 바람의 기분 변화에 실시간으로 즉각 반응하여, 이 돛(피치 각도)을 정확히 얼마나 돌릴지 결정하는 방법을 가르치는 것에 관한 내용입니다.

테스트된 세 가지 "스마트 브레인(지능형 알고리즘)"

저자들은 어떤 지능형 알고리즘이 돛을 가장 잘 제어할 수 있는지 알아보기 위해 세 가지 유형의 "스마트 브레인"을 테스트했습니다.

1. 다층 퍼셉트론 (MLP) – "경험 많은 코치"

수천 번의 경기를 지켜본 코치를 상상해 보세요. 코치는 풍속과 현재 전력 출력을 살펴보고, 자신의 방대한 경험을 바탕으로 돛에 대한 완벽한 지시를 내립니다.

• 작동 방식: 이는 과거 데이터를 보고 학습하는 인공 신경망(ANN)의 한 종류입니다. "풍속"과 "최적의 돛 각도" 사이의 패턴을 찾아내려고 노력합니다.
• 결과: 매우 훌륭하게 수행했습니다. 관계를 잘 학습하여 전력을 안정적으로 유지했습니다.

2. 방사 기저 함수 (RBF) – "패턴 포착가"

이것은 또 다른 유형의 스마트 브레인으로, 작동 방식이 조금 다릅니다. 전체 역사를 보는 대신, 현재 상황이 자신이 기억하고 있는 특정 "중심점"들과 얼마나 가까운지에 집중합니다.

• 작작동 방식: 특정 레시피를 외우고 있는 요리사와 같습니다. 만약 바람이 "레시피 A와 약간 비슷하고", 동시에 "레시피 B와도 약간 비슷하다면", 그 두 레시피를 섞어서 지침을 만듭니다.
• 결과: 이 역시 잘 작동했지만, 논문에 따르면 바람이 매우 산만하고 예측 불가능할 때는 MLP보다 정밀도가 약간 떨어지는 것으로 나타났습니다.

3. 유전적 퍼지 시스템 (GFS) – "진화하는 규칙 제정자"

가장 창의적인 접근 방식입니다. 배를 조종하는 매뉴얼을 작성하려는 일련의 규칙 제정자들을 상상해 보세요.

• 과정:
  1. 무작위 시작: 처음에는 무작위적이고 엉뚱한 규칙들로 시작합니다 (예: "바람이 강하면 돛을 90도로 돌려라").
  2. 테스트: 시뮬레이션에서 이 규칙들을 시험합니다. 배를 흔들리게 만드는 등 실패한 규칙들은 탈락합니다.
  3. 진화: 가장 좋은 규칙들이 서로 "교배"하고 결합하여 더 나은 새로운 규칙을 만들어냅니다. 시간이 흐르면서 "나쁜" 규칙은 사라지고, "똑똑한" 규칙이 살아남습니다.
  4. 퍼지 로직(Fuzzy Logic): 단순히 "풍속이 10mph라면"이라고 말하는 대신, "바람이 중간 정도로 강하다면"과 같이 인간적인 언어를 사용합니다.
• 결과: 이 방법이 챔피언이었습니다. 이 방식은 다른 두 방식보다 난류를 더 잘 처리하여 전력 출력을 더 부드럽고 안정적으로 유지하는 규칙 세트를 만들어냈습니다.

경주 결과

저자들은 세 가지 시스템에 "폭풍"을 몰아붙이는 시뮬레이션을 실행했습니다. 결과는 다음과 같았습니다.

• 기존 방식 (표준 컨트롤러): 이들은 턱에 부딪힌 후에야 반응하는 운전자와 같습니다. 이들은 전력이 위아래로 심하게 요동치게 만들었으며, 이는 전력망에 좋지 않습니다.
• MLP 및 RBF: 이들은 턱을 미리 예상하는 숙련된 운전자와 같았습니다. 이들은 요동을 상당히 완화했습니다.
• 유전적 퍼지 시스템 (GFS): 이들은 포뮬러 원(F1) 드라이버였습니다. 단순히 요동을 줄이는 것을 넘어, 도로가 혼란스러워질 때도 차를 트랙 위에 완벽하게 유지했습니다. 논문은 이 방법이 "가장 낮은 오차"를 보였다고 주장하며, 이는 생산된 전기가 가장 일관되고 이상적인 목표치에 근접했음을 의미합니다.

결론

이 논문은 "경험 많은 코치(MLP)"도 매우 뛰어나지만, "진화하는 규칙 제정자(GFS)"가 이 작업에 가장 적합한 도구라고 결론짓습니다.

이 스마트한 유전 시스템을 사용함으로써 풍력 터빈은 다음과 같은 이점을 얻을 수 있습니다:

1. 돌풍 대응: 바람이 미친 듯이 불어도 기계가 흔들리거나 부서지지 않습니다.
2. 안정적인 전력 유지: 전력을 덜컥거리고 예측 불가능하게 보내는 대신, 전력망에 부드럽고 신뢰할 수 있는 전류를 보낼 수 있습니다.
3. 더 똑똑해짐: 단순히 반응하는 것이 아니라, 바람과 기계 사이의 완벽한 균형을 찾기 위해 배우고 진화합니다.

주의할 점 하나: 논문은 이 "스마트 브레인"이 결정을 내리기 위해 많은 과거 데이터를 기억해야 하므로 강력한 컴퓨터가 필요하다고 언급했습니다. 하지만 우리의 풍력 발전 단지를 더 안전하고 효율적으로 유지하는 데 있어, 이것은 승리할 수 있는 전략입니다.