인공지능 기반 풍동 난류 억제 최적 제어: ANN과 유전 퍼지 접근법

초록

본 논문은 풍력 발전 시스템(WECS)에서 풍속 난류를 억제하기 위해 다층 퍼셉트론(MLP)과 방사형 기저 함수(RBF) 인공신경망(ANN)을 이용한 모델링과, 유전 퍼지 시스템을 통한 교란 식별 기법을 제안한다. 피치 각 제어를 통해 출력 전력과 토크를 정격 범위 내로 유지함으로써 변속·변피치 풍력터빈의 효율과 내구성을 향상시킨다.

상세 분석

이 연구는 풍력 발전 시스템에서 가장 흔히 발생하는 풍속 난류 문제를 해결하고자 두 가지 인공지능 기반 접근법을 결합한 점이 특징이다. 첫 번째는 MLP와 RBF ANN을 활용한 비선형 풍속-피치-출력 관계 모델링이다. MLP는 깊은 은닉층을 통해 복잡한 비선형성을 포착하고, RBF는 지역적 근사에 강점이 있어 급격한 풍속 변동을 빠르게 추정한다는 장점이 있다. 두 모델을 병행 사용함으로써 전통적인 단일 ANN보다 일반화 능력과 학습 속도에서 상호 보완 효과를 기대할 수 있다.

두 번째는 유전 알고리즘(GA)과 퍼지 로직을 결합한 ‘유전 퍼지 시스템’이다. GA는 퍼지 규칙과 멤버십 함수의 최적 파라미터를 자동 탐색함으로써 인간 전문가의 주관적 설계 과정을 최소화한다. 퍼지 로직은 풍속 난류와 같은 불확실하고 잡음이 많은 입력을 처리하는 데 적합하며, 규칙 기반으로 피치 각을 실시간 조정한다. 이 시스템이 ‘교란 풍속 식별’에 적용된다는 점은 기존의 피드백 제어가 아닌 전방위 예측 기반 제어를 구현한다는 의미이다.

논문은 제안된 두 인공지능 모듈을 통합하여 피치 제어기에 적용하고, 시뮬레이션 혹은 실험 데이터를 통해 출력 전력과 토크의 변동을 정격 범위 내로 억제함을 보여준다. 특히, ‘출력 공기역학적 파워와 토크를 명목 범위에 유지’한다는 결과는 변속·변피치 풍력터빈이 고출력 구간에서도 구조적 피로를 감소시킬 수 있음을 시사한다.

하지만 몇 가지 한계점도 존재한다. 첫째, MLP와 RBF의 학습 데이터가 충분히 다양하고 장기간의 풍속 기록을 포함했는지 명시되지 않아 모델의 실제 현장 적용 가능성이 불투명하다. 둘째, 유전 퍼지 시스템의 규칙 수와 멤버십 함수 형태가 과도하게 복잡하면 실시간 계산 부하가 증가할 위험이 있다. 셋째, 제안된 방법이 기존 PID 기반 피치 제어나 모델 예측 제어(MPC)와 비교했을 때 성능 향상이 통계적으로 유의미한지에 대한 검증이 부족하다. 마지막으로, 풍력터빈의 기계적 비선형성(예: 베어링 마모, 블레이드 피로)까지 고려한 종합적인 시스템 안정성 분석이 부재하다.

전반적으로, 풍속 난류 억제를 위한 인공지능 기반 제어 프레임워크를 제시한 점은 학술적·산업적 가치가 크며, 특히 ANN과 유전 퍼지 시스템을 결합한 하이브리드 접근법은 향후 실시간 고성능 피치 제어에 대한 연구 방향을 제시한다. 향후 연구에서는 실제 풍력 발전소에서의 장기 운전 데이터를 활용한 검증, 계산 복잡도 최적화, 그리고 기존 제어 전략과의 정량적 비교가 필요하다.