센서리스 실시간 축소 차수 모델 기반 적응형 최대 전력 추적 피치 제어기

본 논문은 풍력터빈(WT)의 피치 제어를 센서 없이 구현하고, 전력망 동적 영향을 정밀히 반영하기 위해 제안된 새로운 제어 구조와 모델링 기법을 상세히 기술한다. 서론에서는 풍력발전이 전력망에 차지하는 비중이 증가함에 따라, 풍속 센서 고장 시 발생할 수 있는 전력 추적 오류와 전력망 변동이 WT에 미치는 기계적·전기적 스트레스를 최소화할 필요성을 강조한다. 기존 연구들은 주로 고정된 PI 혹은 퍼지 기반 피치 제어에 의존했으며, 전력망을 저주파 등가 회로로만 단순화하는 한계가 있었다. 2절에서는 WT와 발전기 모델링을 제시한다. 풍력터빈은 2‑mass(기계·관성) 가변속 모델을 사용하고, 기계적 출력 전력 Pₘ은 공기밀도, 블레이드 면적, 풍속, 그리고 성능계수 Cₚ(λ,β)로 표현된다. Cₚ는 λ와 피치 각 β에 대한 비선형 함수로, 논문은 특정 풍력터빈에 대해 실험적으로 도출된 계수(c₁~c₆)를 제시한다. 발전기는 Type‑III DFIG을 채택하고, 전통적인 벡터 제어(그리드‑사이드·로터‑사이드 컨트롤러)로 구현한다. MPPT(최대 전력점 추적) 단계에서는 λ와 Cₚ를 1로 가정해, 기계적 전력을 ωᵣ³에 비례하도록 단순화한다. 3절은 전력망의 축소 차수 모델링을 다룬다. 연구 영역(Study Area)은 상세 EMT 모델로 유지하고, 외부 영역(External Area)은 저주파 동기화 모델(TSA)과 고주파 주파수 의존 네트워크 등가(FDNE)로 대체한다. FDNE는 전압·전류 경계 버스에 대한 이산 전달함수 I_b(k)=… 형태로 RLS 식별을 통해 실시간 파라미터(a_i,b_i)를 추정한다. 외부 영역의 발전기와 버스는 코히어런시 기반 관성 집합 및 Kron 축소를 통해 2×2 어드미턴스 행렬 Y_red으로 압축된다. 이렇게 얻어진 축소 모델은 원 시스템과 동일한 전압·전류 응답을 제공하면서 계산량을 크게 감소시킨다. 4절은 핵심 제어기 설계이다. 제어 입력은 실제 발전기 회전속도 ω_r와 FDROM이 제공하는 기준속도 ω_ref 사이의 오차 e(k)=ω_ref(k)−ω_r(k)이다. 이 오차를 프로세스 입력 u(k)로, 제어 신호(피치 각) 를 출력 y(k) 로 두고, RLS를 이용해 2차 전달함수 G(z)= (b₁z⁻¹+b₂z⁻²)/(1+a₁z⁻¹+a₂z⁻²) 를 실시간 추정한다. 추정된 a_i, b_i 를 기반으로 폐루프 극점을 α만큼 이동시켜(0≤α≤1) PID 이득 Kp, Ki, Kd 를 계산한다. 식(30)‑(38)에서 보듯, Kp, Ki, Kd는 s₀, s₁, s₂와 r₁(보조 파라미터)으로 표현되며, 이는 모두 실시간으로 업데이트된다. 따라서 풍속, 전력망 전압, 혹은 기계적 파라미터가 변해도 제어기가 자동으로 튜닝된다. 5절에서는 제안된 제어기를 RTDS(실시간 디지털 시뮬레이터) 환경에 구현한다. 테스트베드로는 Kundur 2구역 모델과 IEEE‑39버스 시스템을 사용했으며, 각 시스템에 200 MW 규모의 WT와 DFIG을 연결하였다. 시뮬레이션 시나리오는 (1) 고풍속(15 m/s)에서 급격한 피치 각 조정, (2) PCC 전압 강하 및 복구, (3) 아네모미터 고장 상황을 포함한다. 결과는 기존 고정 파라미터 PI 제어와 비교했을 때, 전압 변동 RMS가 35% 감소하고, 회전속도 진동이 30% 감소했으며, 피치 각 변화에 따른 기계적 스트레스 지표가 25% 감소함을 보여준다. 또한, RLS 식별 오차는 0.01 이하로 수렴하여 기준속도 추정 정확도가 충분히 높음을 확인했다. 6절은 결론으로, 제안된 센서리스 적응형 피치 제어기가 전력망 연계 풍력발전의 안정성을 크게 향상시키며, 센서 비용 절감과 유지보수 간소화 효과를 제공한다는 점을 강조한다. 향후 연구로는 FDNE 파라미터의 비정상 상황(예: 대규모 재생에너지 급증)에서의 재학습 전략, 그리고 다중 WT 군집에 대한 협조 제어 확장 등을 제시한다.