죄송합니다. 더 이상 지원되지 않는 웹 브라우저입니다.

AI 기법을 사용한 전기 기술

PDF 다운로드

자료제공/MathWorks 

전기 기술의 놀라운 혁신과 발전은 화석연료에서 청정 에너지로 에너지 전환을 가속화하고 모든 사물의 전동화를 가능케 하고 있다. 전력 밀도와 효율성의 획기적 발전, 신뢰성의 개선, 전기 구성요소의 크기와 비용의 감소로 인해 엔지니어들은 과거에는 얻을 수 없었던 수준의 설계 유연성을 만끽하고 있다.

그와 동시에 높아진 재생 에너지 채택, 에너지 인프라의 탈중앙화, 늘어나는 전동 수송수단 시스템 및 기후 변화로 인해 늘어난 정전 위협 등은 전기 시스템의 설계와 운영에서 해결해야 할 새로운 문제가 되고 있다.

엔지니어들은 이러한 문제에 대처할 수 있는 새로운 방법으로서 AI(인공 지능) 기법을 적용할 수 있다. 전기 기술의 개발과 운영에 AI를 통합하면 전기차의 모터 제어와 배터리 관리부터 전력망으로의 재생 에너지 통합에 이르는 다양한 응용 분야에서 신뢰성 및 효율성을 개선할 수 있다.

차수 축소 모델링

설계 탐색 같은 많은 연산이 소요되는 워크플로의 경우, AI를 사용하여 브러시리스 모터 등 원래의 물리 시스템의 고충실도 모델을 대체하는 ROM(차수 축소 모델)을 생성할 수 있다. 전력 시스템 장비 같은 일부 전기 구성요소는 전통적인 기법으로는 모델링하기 어려운 새롭고 독특한 특성이 있다. AI 기반 ROM을 사용하면 시뮬레이션 속도를 획기적으로 높이면서 이러한 구성요소 및 시스템의 필수적인 거동을 포착할 수 있다.

MATLAB® 및 Simulink®를 사용하면 Simscape™ 또는 타사 FEM/FEA 시뮬레이션으로 구축한 제1원리 및 물리 기반 모델로 AI 기반 차수 축소 모델을 훈련시키는 데 필요한 합성 데이터를 생성할 수 있다. Simscape를 통해 전기, 기계, 유압과 같은 도메인의 물리 시스템의 모델을 Simulink 내에서 만들 수 있다. Simscape Electrical™은 전자, 메카트로닉, 전기 전력 시스템의 모델링과 시뮬레이션을 위한 구성요소 라이브러리를 제공한다.

시뮬레이션 결과는 시스템의 물리적 상호작용을 포착한다. 이러한 결과를 사용하여 훈련시킨 AI 기반 ROM은 시스템 동역학도 반영하게 된다. ROM을 훈련시킨 후에 이를 시스템 수준 모델에 통합하고, 더욱 정확하지만 느린 물리적 모델의 대안으로 이 ROM을 시뮬레이션에서 사용할 수 있다. 

예를 들면, Simscape를 사용하면 모터와 모터 축 부하를 모델링하고 제1원리 및 물리 기반 모델로 시뮬레이션을 실행하여 합성 데이터를 생성할 수 있다. 훈련 데이터를 얻은 다음에는 MATLAB의 다양한 AI 알고리즘 중에서 선택하여 ROM을 훈련시킬 수 있다.

모델링 요구사항에 따라 전통적인 머신러닝 모델(서포트 벡터 머신, 회귀 트리 또는 얕은 신경망)과 딥러닝 모델(심층 신경망) 중에서 선택하여 정확도, 훈련 속도, 추론 속도, 설명 가능성 사이에서 적절한 균형을 찾을 수 있다.

훈련이 완료되면 훈련된 AI 모델을 MATLAB로부터 가져와서 Simulink에서 사용할 수 있다. AI 모델의 출력값을 물리 기반 시뮬레이션에서 생성된 테스트 데이터 또는 프로덕션에서 수집한 실제 데이터와 비교하여 AI 모델의 성능을 검증할 수 있다.

가상 센서 모델링

전기 기기 또는 전기 시스템에 대한 제어를 구현할 때 물리적 센서로는 관심 신호를 측정하기가 비실용적이거나 불가능할 수 있다. 이러한 경우에 AI 모델을 사용해 가상 센서를 생성하여 중요한 신호를 추정할 수 있다. 예를 들어 AI 기반 가상 센서를 사용하여 모터의 위치, 속도, 온도를 추정하여 모터 인코더나 온도 센서 같은 물리적 센서의 필요성을 없앨 수 있다.

MATLAB 및 Simulink를 사용하면 Simulink 모델 안에서 AI 알고리즘을 사용하여 전기 시스템의 중요한 조작 특성을 예측할 수 있다. 예를 들어, 배터리 시스템의 SoC(충전 상태) 및 SoH(성능 상태)를 추정할 수 있다. 배터리 SoC는 배터리 관리 시스템의 제어에 사용되는 중요한 정보이며, 신뢰성 있고 효율적인 배터리 시스템 구동을 위해 반드시 정확히 추정해야 한다.

EKF(확장 칼만 필터) 알고리즘 기반의 전통적인 방법들은 보통 정밀한 파라미터와 물리적 특성에 관한 지식을 요구한다. 반면에 신경망 사용과 같은 AI 방법은 상세한 물리적 특성에 대한 최소한의 지식만을 요하는 데이터 주도 방식이다. 뿐만 아니라 AI 기반 방식은 반복적인 자재 명세서 비용이 발생하지 않고 비침습적이며 정비가 불필요하다.

AI 기반 가상 센서 모델의 모델링과 검증을 완료하면 Embedded Coder®를 사용하여 AI 모델로부터 최적화된 프로덕션 준비 C/C++ 코드를 생성하고 알고리즘을 마이크로컨트롤러에 배포 (34:09)할 수 있다.

제어 전략

AI 기반 제어, 특히 RL(강화 학습) 기법을 사용하는 제어는 전통적인 방법들에 비해 상당한 장점이 있다. AI 기반 전략은 다음과 같은 이점이 있다.

• 복잡한 비선형 MIMO(다중 입출력) 시스템의 고성능 제어 보장

• 플랜트의 물리적 특성에 대한 사전 지식을 거의 요하지 않음

• 에너지 저장 시스템 제어 및 전력 시스템 제어 등 다른 복잡한 전기 시스템에 널리 적용

Simulink 및 Simscape에서 플랜트 동역학을 모델링하고 모델을 사용하여 강화 학습 에이전트를 훈련시킬 수 있다. 강화 학습 디자이너 앱과 Reinforcement Learning Toolbox™를 사용하면 직관적인 대화형 방식으로 에이전트 생성과 환경 설계를 시작할 수 있다. 에이전트 거동을 재정의하고 환경의 행동, 관측값, 보상 및 동역학을 지정하여 자신만의 사용자 지정 강화 학습 에이전트와 환경을 지정할 수도 있다.

예를 들어 MATLAB 및 Simulink를 사용하면 강화 학습 에이전트를 훈련시켜 PI 제어 대신에 강화 학습 제어를 사용함으로써 영구자석 동기모터의 자속기준제어를 구현 (6:12)할 수 있다. 선형 제어기는 선형 영역 밖에서는 양호한 추적 성능을 내지 못하는 경우가 많다. 이런 경우에 강화 학습은 양호한 비선형 제어 대안을 제공한다.

[그림 4] Simulink에서 영구자석 동기모터의 강화 학습 기반 자속기준제어를 생성하고 실시간 테스트를 위해 배포하기

AI를 사용한 운영

AI 방법은 다음을 가능하게 하여 전기 시스템 운영을 개선하고 있다.

• 신뢰성 있는 에너지 예측

• 전기 구성요소와 시스템의 예측 정비

[그림 5] EDP Renovaveis - 머신러닝을 사용한 풍력 에너지 예측 개선 사례

에너지 예측

AI 기반 에너지 예측은 전력 시스템 운영에서 불확실성을 절감하는 방법에 대한 귀중한 정보를 제공한다. AI 방법을 사용하여 전기 부하, 수요, 가격을 예측하고 전력 시스템 운영의 위험 분석 및 관리에 필요한 정보를 제공할 수 있다.

MATLAB 및 Simulink를 사용하면 AI 모델을 활용하여 물리 시스템 모델에 데이터 입력값을 제공하고 지능형 시스템 운영을 구현할 수 있다. 에너지 관리 시스템에서 에너지 예측은 시스템 운영을 최적화하는 데 중요한 전력 수요, 발전량, 전기 요금, 기상 상태(온도 및 습도 등) 등 기술경제적, 환경적 인자에 대한 신뢰성 있는 추정치를 제공하는 핵심적 역할을 한다.

MATLAB에서 에너지 예측을 수행하려면 다음 네 단계를 거친다. 에너지 또는 기상 데이터를 하나의 데이터 소스 또는 여러 데이터 소스의 조합에서 가져온다. MATLAB로 파일, 웹 및 데이터 웨어하우스에 저장된 에너지 데이터에 액세스하고 탐색하며 가져올 수 있다.

모델링 목적에 맞게 데이터를 정리되고 일관되며 가독성 있는 형식으로 만들기 위해 전처리한다. MATLAB에서는 복잡한 다변량 데이터셋을 정리, 탐색, 시각화 및 결합하기 위한 대화형 방식의 툴을 제공한다.

머신러닝 방법을 사용하여 MATLAB에서 예측 모델을 프로토타이핑, 테스트 및 정교화한다. 예를 들어 장기적 에너지 부하를 예측하기 위한 동적인 자체 조정 모델을 만들 수 있다. 엔터프라이즈 비즈니스 시스템 내에서 또는 대화형 방식 웹 응용 프로그램으로 에너지 예측 시스템을 통합, 실행 및 확장한다. Simulink에서 다음과 같은 작업을 수행할 수 있다.

• AI 기반 에너지 예측 모델을 에너지 관리 시스템에 통합하여 주거용 또는 상업용 건물의 스마트한 운영을 위한 주요 정보 제공

• 예측 알고리즘 및 에너지 관리 전략을 전기 시스템과 비교하여 검증

• HIL(Hardware-in-the-Loop) 시뮬레이션 실행

• 에너지 관리 시스템 모델에 대한 가독성 좋고 효율적인 C/C++ 코드를 Simulink에서 생성하여 임베디드 프로세서 등의 에지 기기 배포

[그림 6] 머신러닝을 사용하여 에너지 예측 시스템을 만들고 웹 응용 프로그램 형태로 배포

예측 정비

신뢰성을 보장하고 가동 중단 시간을 단축하기 위해 전력 시스템 조직에서는 AI 기반 예측 정비를 도입하고 있다. 예측 정비로 엔지니어는 전력망 및 지하 배전 케이블 시스템 등의 핵심 전기 구성요소와 시스템의 결함과 이상을 검출하고 분류하며, 고장을 진단하고 예측하며, RUL(잔여 수명)을 추정할 수 있다.

전기 시스템의 과거 센서 데이터를 사용하여 예측 정비 알고리즘을 훈련시키거나 Simulink와 Simscape를 사용하여 물리 기반 모델로부터 합성 데이터를 생성할 수 있다.

결함 시나리오가 흔치 않고 보통 장비 손상 또는 기타 재해성 결과와 관련되어 있기 때문에 결함 데이터를 획득하기란 어렵고, 따라서 예측 정비를 위한 AI 모델을 훈련시키는 데 결함 데이터는 특히 귀중하다. MATLAB 및 Simulink를 사용하여 시스템 모델에 결함을 주입하고 정상 상태와 결함 상태에서 모델로부터 데이터를 생성할 수 있다.

결함 데이터 또는 센서 데이터(또는 둘의 조합)을 통해 AI 알고리즘을 훈련시킨 후에 알고리즘으로부터 직접 C/C++ 코드를 생성하여 실시간 에지 처리에 활용하거나 클라우드의 엔터프라이즈 IT/OT 시스템에 통합하여 확장할 수 있다. 

leekh@seminet.co.kr
(끝)
<저작권자(c) 반도체네트워크, 무단 전재-재배포 금지>