KRW | USD

전력 관리 시스템의 인공 지능: 플랜 B란?

작성자: Steve Taranovich

Digi-Key 북미 편집자 제공

인공 지능(AI)은 풍력 발전용 터빈, 태양광 발전 시스템과 같은 전력 관리 응용 분야의 전력 제어 시스템 의사결정 과정에 활용되기 시작했습니다.

일부 설계자에게는 이 제어 방법이 만족스럽고 효과적일 수도 있지만, 핵심 응용 제품 설계자의 경우 설계 및 사용자의 안전을 AI에게 완전히 맡길 준비가 아직 되어 있지 않을 수 있습니다. 이러한 응용 제품의 경우 하나 이상의 중복성 및 안전 레벨이 필요합니다.

이 기사에서는 전력 관리 시스템에서 AI 사용을 보여주는 세 가지 예를 살펴봅니다. 그런 다음 AI 기능이 실패할 경우에 백업을 제공하는 세 가지 방법을 설명하고 Texas Instruments, Monnit Corporation, EPCIntersil의 솔루션을 사용하여 이 ‘플랜 B’ 대안을 구현하는 방법을 보여줍니다.

전력에서 AI 시스템의 역할

AI 사용은 90년대 말에 Texas Instruments 등에서 디지털 전력 IC로 전환하면서 시작되었습니다. 수년 전 설계자들이 전원 공급 장치 아키텍처에 DSP를 사용하기 시작하면서 디지털 전력 IC가 나타났다고 볼 수도 있습니다. 실제로 이것이 지금 말하는 디지털 전력의 시작이자 초기 형태 AI의 탄생입니다. 오늘날 많은 회로 설계자들이 전력 설계 아키텍처에서 IC에 통합된 PMBus와 함께 디지털 전력 IC 솔루션을 사용하는 것을 선호합니다. 한 가지 예로 Intersil의 ISL28023-25 정밀 디지털 전력 모니터가 있습니다.

전력 설계자들은 원래 디지털 전력을 설계에 사용하는 것을 꺼렸지만, 지금은 기꺼이 받아들이고 있습니다. AI는 급격하게 성장하고 있으며 전력 관리 부문에서 일부 초창기 AI는 APEC 2019에서 강조되었습니다. 하지만 AI는 완전히 새로운 기술이므로 전력 설계자는 개발 중인 전력 관리 시스템에 AI를 너무 빨리 도입하는 것을 경계해야 합니다. 전력 시스템에서 AI 사용은 피할 수 없는 현상이지만 전력 설계자로서 이에 대비하여 미리 준비를 해야 합니다. 어느 날 전원 공급 장치가 “Dave, 미안해요. 그렇게는 할 수 없어요.”라고 할 수도 있습니다. 이것이 바로 ‘플랜 B’가 필요한 이유입니다.

플랜 B 설계에서 설계자는 이중화를 고려해야 하며, AI 기능이 계획한 대로 작동하지 않을 때 핵심 시스템이 지속적으로 실행되도록 AI 기능을 인계받을 수 있는 확실한 대체 시스템을 설계하는 것이 좋습니다.

스마트 그리드 및 재생 에너지 시스템1에서의 AI

전문가 시스템, 퍼지 논리 및 인공 신경망(ANN) 사용은 스마트 그리드(SG) 및 재생 에너지 시스템(RES)을 이미 혁신 중인 AI로 가는 디딤돌 역할을 합니다. AI는 SG 및 RES의 성능과 적응성을 크게 개선할 수 있는 반면에 플랜 B가 필요한 핵심 시스템의 좋은 예이기도 합니다.

SG는 분산된 RES를 그리드 아키텍처에 적용하고 풍력, 광발전(PV) 및 기타 재생 가능 자원을 통해 전력 부문을 개선할 수 있는 고유한 기회를 제공합니다.

재생 가능 자원을 이용하려면 해당 자원의 작동이 원활하지 않을 때(예: 바람이 없는 날의 터빈, 야간의 PV) 전력을 공급하기 위해 배터리, 플라이 휠, 수소 등과 같은 대규모 에너지 저장 시스템이 필요합니다.

SG는 재생 가능 기술을 지원하므로, 배전 시스템의 지속적으로 변화하는 수요와 공급을 비롯한 다양한 변수가 작용하는 전통적인 전원만 사용하는 전력 그리드에 비해 독특합니다. SG는 전력 발생을 최적화하여 수요가 가장 높은 영역에 에너지를 공급하면서 수요가 낮은 영역의 효과적인 가동을 유지할 수 있도록 그리드 전반에서 스마트 계측기를 사용하여 이러한 변화를 해결합니다.

이는 복잡한 작업이며 AI를 사용하여 풍력 발전, 저장, 분배를 가장 효율적인 방법으로 최적화할 수 있습니다.

풍력 발전

풍력 발전 시스템에서 AI를 활용할 수 있는 주요 응용 분야 중 하나로 그림1에 표시된 최대 전력 지점 추적(MPPT) 기능이 있습니다1.

시스템 흐름과 AI 수행 위치를 보여주는 풍력 발전 시스템 구성도 이미지(확대하려면 클릭)그림 1: MPPT-1 및 MPPT-2의 AI 수행 위치와 시스템 흐름을 보여주는 풍력 발전 시스템 구성도. 이 시스템 아키텍처는 매입형 영구 자석(IPM) 동기식 발전기를 기반으로 합니다. (이미지 출처: IEEE 논문, “Artificial Intelligence Techniques in Smart Grid and Renewable Energy Systems—Some Example Applications”)

그림 1에는 두 개의 MPPT 컨트롤러(MPPT-1 및 MPPT-2)가 있습니다. 두 MPPT에서는 모두 Mamdani 유형 퍼지 추론 시스템(FIS)을 사용하여 제어 시스템을 구축합니다. Mamdani는 AI 시스템에 사용될 수 있는 많은 퍼지 논리 방법 중 하나입니다.

MPPT-1 내부에는 터빈의 공기역학 효율을 최적화하여 최대 전력을 결정하기 위해 터빈 속도를 조정하는 데 사용되는 퍼지 논리 컨트롤러(FLC)가 있습니다. 또한 MPPT-2에는 가벼운 부하로 최대 전력을 발생하기 위해 발전기 고정자 플럭스를 최적화하는 데 사용되는 FLC가 있습니다.

MPPT 기능은 ‘플랜 B’가 필요한 기능입니다.

플랜 B란?

분명히 말해서, AI를 사용하면 풍력 발전에 더 우수한 MPPT 솔루션을 얻을 수 있지만 현재 출시된 솔루션 중에는 더 뛰어난 제품이 많지 않습니다.

이 경우 두 MPPT 기능은 분명히 효율적인 기능이고 반드시 심각한 고장을 일으키는 것도 아니며, 에너지를 발생할 때 중요한 요소인 전력 변환 효율을 개선합니다.

플랜 B를 위한 논리적인 솔루션은 Texas Instruments의 SM3320-BATT-EV/NOPB-ND 배터리 충전기 전력 관리 평가 기판과 같은 상대적으로 전통적인 MPPT 솔루션을 시스템 시제품에 삽입하는 것입니다. 이 데모 기판에는 PV 시스템을 위한 프로그래밍 가능 MPPT 컨트롤러 IC인 SM72442MTE/NOPB가 포함되어 있습니다. 풍력 발전용 터빈 충전기를 통해 작동하도록 이 데모 기판을 약간 조정해야 합니다.

이 설계는 배터리에서 터빈의 전체 전력을 흡수할 수 있거나, 설계자가 병렬 부하를 배터리로 설정하여 배터리가 완전히 충전되었을 때 초과 전력을 덤핑하기 위해 배터리로 전환 가능하도록 지정한 경우에 작동합니다. 하지만 이는 AI가 고장난 경우에 대비한 폴백 솔루션일 뿐이며, 여전히 기본 솔루션은 AI입니다.

전기 항공기의 발전

전기 항공기의 발전 및 전력 제어는 까다로운 작업입니다4. 이 작업의 목표는 안정적인 전력을 발생하고 시스템을 통해 이미 순환된 전력을 재생하는 것입니다. 전력 시스템을 최적화하는 피드백 및 시스템이 필수이며 실시간으로 작동해야 합니다. 이를 위해 추가 처리 및 통신 시스템을 사용하고 더 많은 센서 및 액추에이터 시스템을 추가해야 합니다.

AI 발전기 제어 장치(GCU)를 통해 구동되는 동기식 발전기를 지능적으로 제어하여 그림 2와 같이 항공기에 대한 피드백 제어를 제공합니다.

전기 항공기 시스템 모델 구성도그림 2: 전기 항공기 시스템 모델은 전력 시스템에서 AI가 상주하는 위치와 전체 시스템 작동 방식을 보여줍니다. (이미지 출처: “AI-based Power Control of an All-Electric Aircraft”, IEEE)

AI를 추가하면 시스템에서 이전 전력 관리 결정을 파악하여 사용자의 요청에 실시간으로 대처할 수 있습니다.

AI GCU

항공기 전력은 일반적으로 기계 엔진 또는 스토리지 시스템(예: 배터리)에서 발생합니다. GCU는 전압 조정기, 여자기, 안정화 장치로 구성됩니다. 이 제어 시스템에 대한 피드백은 1차 분배 장치(PDU)에서 제공됩니다.

이 간단한 AI GCU 아키텍처에서 설계자는 GCU의 일부이고 GaN 전력 트랜지스터(예: EPC의 EPC2001C GaN FET)를 사용하여 설계된 전압 조정기를 사용하여 '플랜 B'를 매우 쉽게 채택할 수 있습니다. GaN 장치는 고속 스위칭 기능으로 인해 항공기 조정기(자동 전압 조정기: AVR)의 전력 구동기로 이상적입니다. 이 장치에서는 작은 자석을 사용하여 항공기 중량을 줄일 수 있습니다. 또한 GaN FET는 매우 효율적이며, 소형 방열판을 사용하거나 방열판을 전혀 사용하지 않으므로 시스템의 크기를 줄일 수 있습니다.

GCU 내부에서 발전기를 AC에서 DC로 전환하기 위해 설계자는 자기장 발생을 위한 고정 여자기(전압 인버터)를 추가해야 합니다. 고정 여자기는 항공기 시스템에 DC 전압을 공급하기 위해 사이리스터 브리지 정류기를 통해 AC 발전기 출력의 일부를 정류합니다. GCU의 안정화 장치 부분에서는 시스템의 안정성 향상을 측정합니다.

사물 인터넷(IoT)과 배터리 작동 원격 센서 간 통신3

사물 인터넷(IoT)은 주로 무선 인터페이스를 통해 모든 장치를 인터넷에 연결할 수 있습니다. AI를 사용하면 기계에서 사람을 더 잘 이해할 수 있도록 인지 통신을 통해 연결된 시스템의 복잡도를 줄일 수 있습니다.

일반 공장의 기계 및 프로세스에서 수천 개의 센서를 사용할 수 있습니다. 성공을 위해 시스템에서 실시간 의사결정을 위한 안정적인 통신과 짧은 대기 시간이 필요합니다. 이를 위해 감지 자원에 인텔리전스를 올바르게 내장해야 합니다.

설계자의 경우 IoT 노드에서 올바른 의사결정을 내릴 수 있도록 클라우드에서 네트워크 에지로 많은 인텔리전스를 이동해야 합니다. 머신 러닝(ML) 및 AI 기술을 사용하여 에지에서 실행 가능한 인텔리전스를 생성합니다(그림 3).

AI가 강화 학습(RL)을 수행하여 최적의 전송 주파수를 찾는 프로세스를 보여주는 구성도그림 3: AI가 강화 학습(RL)을 수행하여 최적의 전송 주파수와 최대 전력 레벨을 찾는 프로세스를 보여줍니다. 지능형 노드(a)와 AI를 적용한 지능형 노드의 상태, 작업, 보상(b)을 보여줍니다. (이미지 출처: “Intelligence at the Edge of Complex Networks: The Case of Cognitive Transmission Power Control”, IEEE)

그림 3에 따라 AI는 강화 학습(RL)을 사용하여 최대 무선 전력 레벨에서 최적의 전송 주파수를 찾고 네트워크 에지에서 무선 통신을 통해 패킷 충돌 및 대기 시간을 최소화하는 방법을 학습합니다. 이러한 방식으로 AI는 통신 대기 시간이 짧은 최적의 가용 무선 통신 채널을 결정하는 최적의 방법을 자체적으로 학습하여, 실시간 조치를 통해 최적의 변속 전력 제어(TPC)를 지원합니다.

여기서 Monnit Corp.의 MNK2-9-EG-PHL과 같은 원격 센서 모니터링 키트를 사용하여 플랜 B를 구현할 수 있습니다. 기술자가 현장을 방문하여 문제를 평가하고 결함 있는 부품, 모듈 또는 기판을 교체하여 전체 작업을 복원할 수 있을 때까지 시스템을 작동 상태로 유지하기 위해 필요에 따라 이 키트로 전환할 수 있습니다.

이 키트는 사고하거나 학습할 수는 없지만 시스템을 지속적으로 작동하여 데이터가 손실되지 않습니다. 시스템을 평가하고 오류를 격리한 이후에 데이터 전송 누락 없이 전체 기능을 복원할 수 있습니다.

결론

AI는 많은 응용 분야에서 전자 전력 설계 아키텍처를 개선하고, 인간보다 더 잘 학습하고 적응할 수 있습니다. 현재는 이 기술이 초기 상태에 있으므로, 특히 핵심 응용 분야에서는 ‘플랜 B’가 필요합니다.

위에서 설명한 바와 같이, 전력 설계자는 기본 시스템에서 문제가 감지될 경우에 투입할 병렬 시스템을 통해 설계에서 ‘플랜 B’를 구현할 수 있는 다양한 옵션이 있습니다. 벤더는 빠른 학습을 위한 평가 키트를 제공하고 있으며, 필요에 따라 AI 시스템의 특정 기능을 인계받을 수 있는 별도 설계를 생성할 수 있습니다.

참고 자료

  1. Artificial Intelligence Techniques in Smart Grid and Renewable Energy Systems— Some Example Applications, B.K. Bose, Life Fellow IEEE, IEEE 의사록 | Vol. 105, No. 11, November 2017
  2. MPPT Control Methods in Wind Energy Conversion Systems, Jogendra Singh Thongam, and Mohand Ouhrouche
  3. Intelligence at the Edge of Complex Networks: The Case of Cognitive Transmission Power Control, Pasquale Pace, Giancarlo Fortino, Yin Zhang, and Antonio Liotta, ARTIFICIAL INTELLIGENCE FOR COGNITIVE WIRELESS COMMUNICATIONS, IEEE Wireless Communications, June 2019
  4. AI-based Power Control of an All-Electric Aircraft, Brook W. Abegaz, IEEE 2019

면책 조항: 이 웹 사이트에서 여러 작성자 및/또는 포럼 참가자가 명시한 의견, 생각 및 견해는 Digi-Key Electronics의 의견, 생각 및 견해 또는 Digi-Key Electronics의 공식 정책과 관련이 없습니다.

작성자 정보

Steve Taranovich

Steve Taranovich는 전자 산업에서 47년의 경력을 보유한 프리랜서 기술 전문 작가입니다. 그는 뉴욕주 브루클린의 폴리텍 대학에서 MSEE를 받고 뉴욕주 브롱크스의 뉴욕 대학에서 BEEE를 취득했습니다. IEEE 롱아일랜드의 교육 활동 위원회에서 회장을 역임하기도 했습니다. 현재는 Eta Kappa Nu 및 IEEE 원로의 회원으로 활동 중입니다. 그의 전문 분야는 다양한 내장형 처리 교육을 통한 아날로그, RF, 전력 관리이며 이는 Burr-Brown 및 Texas Instruments에서 근무할 당시 아날로그 설계와 관련이 있습니다.

게시자 정보

Digi-Key 북미 편집자