한국에너지기술연구원 - 해상 풍력 발전을 위한 AI 기반 예측 정비 모델 개발 사례

KIER은 풍력 터빈의 예측 정비를 위해 터빈 블레이드 및 기타 핵심 부품의 굽힘 모멘트와 응력을 센서 데이터로부터 추정해야 했습니다. 일반적인 터빈은 대략 8,000개의 부품으로 구성되는데, 부품마다 센서를 새로 설치하자면 그 비용 부담이 엄청났을 것입니다. KIER의 엔지니어링 팀은 다양한 구동 시간에서 기존 센서로부터 수집되는 풍속, 터빈 회전 속도, 발전량 등의 데이터를 사용해야 했습니다. 이렇게 하기 위해서는 여러 터빈에 걸쳐 매일 1 GB의 속도로 수집되는 수천 개의 신호를 분석해야 합니다.

팀원들은 머신러닝 관련 경험이 많지 않은 상황에서 다양한 머신러닝 및 딥러닝 접근법을 신속히 평가하여 가용 데이터에 가장 알맞은 접근법을 식별해야 했습니다. 거기에 더해 촉박한 기한도 맞춰야 했는데, 터빈 운영을 모니터링하는 대시보드를 6개월 내에 만들어 내라는 과제가 주어진 것입니다.

KIER 팀은 MATLAB으로 이상값을 제거하고 평활화와 데이터 정리를 수행하여 센서 데이터를 전처리했는데, 예를 들면 터빈이 정지했을 때 구한 센서 측정값을 제거하는 식으로 진행했습니다.

팀원들은 Statistics and Machine Learning Toolbox™ 및 Curve Fitting Toolbox™를 사용하여 정규화된 선형 회귀, 다항식 곡선 피팅, 결정 트리에 기반한 알고리즘 등의 다양한 머신러닝 알고리즘을 구현했습니다. 이들은 각 알고리즘이 블레이드의 굽힘 모멘트, 축 경사 모멘트, 축 요 모멘트와 같은 핵심 터빈 부품의 부하값을 예측하는 능력을 평가했습니다. 그런 다음에는 Deep Learning Toolbox™를 사용하여 ANN(인공 신경망)을 구현 및 훈련하고 이를 동일한 방식으로 평가했습니다.

엔지니어링 팀은 MATLAB 앱 디자이너를 사용하여 알고리즘의 그래픽 인터페이스를 만들었습니다. 그리고 MATLAB Compiler™를 사용하여 이 인터페이스를 알고리즘과 함께 응용 프로그램으로 패키징했습니다. 이들은 터빈 운영을 모니터링하는 대시보드를 통해 KIER의 동료들과 응용 프로그램을 공유했습니다.

KIER은 누적 손상 모델을 사용하여 RUL(잔여 수명)을 계산하고 정비가 필요한 시기를 확인합니다. 그리고 MATLAB 기반 알고리즘을 제주도의 KIER 해상 풍력 설비 터빈의 건전성 관리 시스템에 설치할 계획입니다.

• 개발 시간 50% 단축: 최정철 연구원은 “Python 같은 오픈 소스 대안을 사용했다면 데이터 전처리, 견실한 진단 알고리즘 개발, 대시보드 개발에 시간이 더 들었을 겁니다. 우리는 MATLAB 덕분에 개발 시간이 대안에 비해 50% 이상 줄어든 것으로 추정하고 있습니다.”라고 말합니다.
• 90% 이상의 예측 정확도 달성: “MATLAB에서 개발한 모델은 6개 주요 부품에 걸쳐 90%가 넘는 예측 정확도를 보입니다.”라고 최 연구원은 말합니다. “이 정도의 정확도라면 고장을 미리 진단해서 터빈당 연간 수백만 달러를 절약하는 풍력 터빈 예측 정비 시스템을 개발할 수 있습니다.”
• 촉박한 기한 준수: 최정철 연구원은 “MATLAB 덕분에 다양한 파일 형식의 데이터를 대량으로 처리할 수 있었습니다. MATLAB을 사용한 결과 여러 신호의 상관관계를 분석하고, 데이터를 절감하고, 6개월이라는 촉박한 프로젝트 기한 내에 알고리즘 개발을 완료할 수 있었습니다.”라고 말합니다.