다중 로봇 지속적 커버리지 제어를 통한 태양열 발전소 일사량 예측 정확도 향상

태양열 발전소, 특히 파라볼릭 트러프 시스템에서는 열유체(HTF)의 흐름을 최적 제어하기 위해 공간적인 직접 정상 일사량(DNI) 예측이 필수적이다. 기존 연구에서는 크리깅을 이용해 제한된 고정 센서 데이터로 공간 예측을 수행했지만, 구름의 동적 변화를 실시간으로 반영하기엔 한계가 있다. 이에 저자들은 모바일 로봇 센서 네트워크(RSN)를 활용해 관측 위치를 동적으로 조정하고, 예측 모델 자체에도 로봇의 움직임을 반영하는 새로운 프레임워크를 제시한다. 먼저, 논문은 커널 기반 크리깅(KB‑Kriging) 모델을 소개한다. 이 모델은 과거 L 단계의 관측값 Y_t 와 해당 시공간 벡터 Z_t 를 이용해, 새로운 시점 t+1 에 대한 일사량을 가중 평균 형태로 예측한다. 핵심은 비선형 커널(가우시안 커널)과 가중치 λ 를 최적화하는데, 여기서 불일치 함수 J_φ(z_{q,t+1}, Z_t) 가 λ 의 최적값을 찾는 목적식으로 등장한다. 불일치 함수는 예측 지점의 특성이 현재 관측 집합과 얼마나 차이나는지를 정량화하며, 값이 클수록 해당 지점에 추가 관측이 필요함을 의미한다. 다음으로, 지속적 커버리지 제어 이론을 기반으로 중요도 함수 ϕ(q,t) 를 불일치 지도 J_φ 로 정의한다. 정보 지도 I(q,t) 는 로봇의 센싱 반경 r 내에서 측정 함수 M_i(s_i) 로 증가하고, 자연 감쇠 δ 로 감소한다. 목표는 I(q,t) 가 사전 정의된 목표 수준 I_ref 에 도달하도록 하면서, 불일치가 높은 영역에 더 많은 로봇이 머무르게 하는 것이다. 이를 위해 제어 입력 u_i(t) 를 (22) 식과 (23) 식을 조합한 형태로 설계했으며, 불일치가 없는 경우에는 로봇을 임의의 센싱 영역 내 점 ˆq_i 로 이동시키는 보조 제어를 적용한다. 수학적 분석에 따르면 충분히 큰 제어 이득 k 를 선택하면 목적 함수 H(t) 가 유계로 유지되어 시스템 안정성을 보장한다. 실험은 가상 일사량 필드를 설정하고, 4대의 TurtleBot3 로봇을 이용해 하드웨어‑인‑더‑루프(HIL) 환경을 구축했다. 세 가지 방법을 비교했는데, (A) 고정 센서 배치, (B) 기존 지속적 커버리지(ϕ=1), (C) 제안된 불일치 기반 지속적 커버리지이다. 각 방법은 동일한 시간 구간(1~100) 동안 1‑step‑ahead 예측을 수행했으며, RMSE 를 주요 성능 지표로 사용했다. 결과는 (C) 방법이 (A)와 (B)보다 평균 RMSE 를 각각 약 22%와 18% 감소시켰으며, 특히 구름 경계가 급격히 이동하는 시나리오에서 예측 오차가 크게 줄어든 것을 확인했다. 또한, 로봇들의 이동 경로를 시각화한 결과, 불일치 지도에 따라 로봇이 고불일치 구역을 집중적으로 탐색하는 패턴이 뚜렷하게 나타났다. 본 논문의 주요 기여는 다음과 같다. 1) KB‑Kriging에 불일치 함수를 도입해 예측 모델과 센서 배치 전략을 통합, 2) 불일치 기반 중요도 함수를 활용한 지속적 커버리지 제어법을 제시, 3) 실제 로봇 플랫폼을 이용한 실험을 통해 제안 방법의 실효성을 입증. 한계점으로는 현재 2차원 평면과 단일 시간 단계 예측에 국한된 점, λ 최적화의 계산 복잡도가 로봇·관측 수가 증가함에 따라 급증할 가능성, 그리고 중앙집중식 불일치 지도 계산으로 인한 통신 부하 등이 있다. 향후 연구에서는 분산형 λ 계산, 다중 시간 단계 예측, 3차원 플랜트 모델 적용 및 비정형 센서(예: 드론)와의 협업을 통해 시스템을 확장할 계획이다.