가우시안 프로세스 잠재력 모델을 활용한 해상 풍력기 기초부 변형 가상 센싱

초록

본 연구는 가속도 측정만으로 해상 풍력기의 기초부(매드라인 이하) 변형을 추정하기 위해 Gaussian Process Latent Force Model(GPLFM)을 적용하고, 네덜란드 Westermeerwind Park에서 실제 운영 데이터를 이용해 모델의 정확성, 강인성 및 수치적 안정성을 검증한다.

상세 분석

본 논문은 기존의 결정론적 가상 센싱 방법과 베이지안 공동 입력‑상태 추정 기법의 한계를 상세히 분석하고, GPLFM이 이러한 문제를 어떻게 해결하는지를 기술한다. 먼저, 모드 전개(MD&E)와 같은 전통적 방법은 모델 파라미터의 정확한 보정에 크게 의존하며, 센서 노이즈와 모델 오차를 명시적으로 반영하지 못한다. 특히, 저주파 영역에서 적분 드리프트가 발생하고, 고주파 성분을 정확히 재현하지 못하는 단점이 있다. 반면, GDF·AKF·DKF 계열은 입력을 백색 잡음으로 가정하거나 공분산 행렬을 수동으로 튜닝해야 하는데, 이는 실제 풍력기의 주기적·비정상적 하중을 제대로 표현하지 못한다. GPLFM은 미지의 입력을 Gaussian Process로 모델링함으로써 커널 파라미터(진폭, 길이scale, 주기성 등)를 통해 입력의 스펙트럼 특성을 직접 제어한다. 이 커널 파라미터는 상태 차원에 비례하지 않는 소수의 하이퍼파라미터로 구성돼, 최대우도 추정이나 베이지안 추론을 통해 효율적으로 최적화된다. 또한, GP를 상태공간 형태로 변환해 Kalman 필터와 Rauch‑Tung‑Striebel 스무딩을 적용함으로써 실시간 및 오프라인 추정 모두에서 계산 복잡도를 선형으로 유지한다. 논문은 이러한 이론적 장점을 실제 풍력기 데이터에 적용해 검증한다. 실험에서는 가속도 센서 3대만 사용했으며, 토양‑기초 상호작용 모델의 불확실성을 인위적으로 증가시켜도 GPLFM은 입력을 ‘노이즈’가 아닌 구조화된 GP로 재구성해 추정 오차를 최소화한다. 결과적으로, 매드라인 이하 변형을 직접 측정한 데이터와 비교했을 때 평균 절대 오차가 5 % 이하로 유지되었으며, 기존 방법 대비 2배 이상의 신뢰구간 수축 효과를 보였다. 이러한 성과는 GPLFM이 입력‑출력 간의 물리적 연관성을 보존하면서도 데이터‑드리븐 유연성을 제공함을 입증한다.