AI 기반 풍력발전단지 자율 제어 및 지능형 운영 기술의 기술적 고도화와 실증 전략 연구

AI 기반 풍력단지 자율제어의 기술적 패러다임 변화와 산업적 배경

전 세계 에너지 시장은 탄소 중립 달성을 위해 화석 연료 중심의 발전 체계에서 재생에너지 중심의 분산형 전원 체계로 급격히 전환되고 있다.1 이러한 흐름 속에서 풍력 발전은 기술적 성숙도와 경제성을 바탕으로 핵심적인 에너지원으로 자리 잡았으나, 대규모 풍력단지의 확산과 함께 터빈 간의 복잡한 물리적 상호작용 및 전력 계통의 불안정성이라는 새로운 과제에 직면해 있다.3 기존의 풍력단지 운영 방식은 주로 스카다(SCADA) 시스템을 통한 개별 터빈 단위의 모니터링과 사전에 정의된 규칙 기반 제어(Rule-based Control)에 의존해 왔다.5 그러나 풍속과 풍향의 급격한 변동성, 그리고 전방 터빈에서 발생한 후류(Wake)가 후방 터빈의 출력 저하와 피로 하중 증가를 유발하는 비선형적 물리 현상은 단순한 규칙만으로는 최적화하기 어렵다.7

 

 

최근 인공지능(AI)과 디지털 트윈 기술의 비약적인 발전은 풍력단지 운영의 패러다임을 '수동적 감시'에서 '지능형 자율 제어'로 전환시키고 있다.5 이는 단지 내 모든 터빈이 하나의 유기체처럼 상호 통신하며 최적의 운전 상태를 결정하는 기술적 진화를 의미한다.7 특히 멀티에이전트 시스템(Multi-Agent System)과 심층 강화학습(Deep Reinforcement Learning)의 결합은 복잡한 물리 모델 없이도 실제 운영 데이터를 통해 단지 전체의 이익을 극대화하는 제어 전략을 도출할 수 있게 한다.11 대한민국 정부 또한 이러한 기술적 가치를 인식하여 '디지털 기반 재생에너지 운영 기술' 확보를 국가 에너지 기술 개발의 핵심 과제로 설정하였으며, 이는 에너지 주권 확보와 글로벌 기술 경쟁력 강화를 위한 필수적인 행보로 평가된다.5

 

풍력 자율 운영 수준(Level 0-4)의 정밀 분석 및 단계별 요구 사양

풍력발전단지의 지능형 제어는 자율성의 정도와 기술적 복잡성에 따라 단계별로 정의된다. 이러한 분류 체계는 기술 개발의 목표를 명확히 하고, 현재 시스템의 위치를 진단하는 중요한 척도가 된다.5 IEA Wind Task 37과 ORE Catapult 등 국제 기관은 자율 주행 자동차의 레벨 분류와 유사한 형태의 풍력 자율 운영 레벨을 제시하고 있다.5

 

풍력발전단지 자율 운영 레벨(Level) 분류 및 기술적 정의

자율 수준	명칭	핵심 특징 및 제어 로직	인간 개입 정도	기술적 기반
Level 0	Manual Operation	각 터빈이 독립적으로 운전되며, SCADA 시스템을 통해 운영자가 개별적으로 수동 설정을 수행함.	100%	기본 제어기 (PID)
Level 1	Supervisory Control	사전 정의된 알고리즘에 기반한 제어로, 풍속에 따른 출력 제한(Curtailment)이나 비상 정지 등이 자동 수행됨.	높음	Rule-based Control
Level 2	Adaptive Control	실시간 기상 및 운전 데이터를 학습하여 제어 파라미터를 환경 변화에 맞춰 능동적으로 조정함.	중간	Data-driven / ML
Level 3	Self-Optimizing	터빈 간 후류 영향을 인식하여 단지 전체의 출력을 최적화하는 협조 제어가 수행되며, 사람의 개입이 최소화됨.	낮음	MARL / MAS
Level 4	Full Autonomy	예측부터 제어, 고장 진단 및 복구까지 전 과정이 자동화되며 계통 요구 사항에 자율적으로 대응함.	최소	통합 AI 플랫폼

Source: IEA Wind Task 37, ORE Catapult Autonomous Offshore Wind O&M Roadmap (2023) 5

 

현재 대다수의 상업용 풍력단지는 Level 1에서 Level 2로 넘어가는 단계에 머물러 있다.5 Level 1 수준에서는 정해진 규칙에 따라 터빈이 작동하므로 예상치 못한 돌풍이나 복잡한 지형에 의한 난류 대응력이 떨어진다.3 반면 차세대 기술의 목표인 Level 3 단계는 '자기 최적화(Self-Optimizing)'를 핵심 가치로 한다.5 이 단계에서는 전방 터빈이 단순히 자신의 출력을 높이는 것에 그치지 않고, 후방 터빈의 가용 풍속을 높이기 위해 자신의 요(Yaw) 각도를 의도적으로 비껴가게 제어하는 등 높은 수준의 지능적 협조가 이루어진다.7 최종적인 Level 4는 인간의 상시 모니터링 없이도 수십 년간의 운영 수명 동안 시스템 스스로 건전성을 관리하고 전력 시장의 가격 변동에 맞춰 가장 경제적인 운전 모드를 선택하는 단계다.5

 

고충실도 유동장 모사 및 차원 축소 모델링(ROM) 기술의 고도화

AI 자율 제어 알고리즘이 실효성을 갖기 위해서는 실제 풍력단지 내부의 복잡한 공기역학적 현상을 정확하게 모사할 수 있는 물리 모델이 뒷받침되어야 한다. 특히 터빈 블레이드의 회전으로 인해 발생하는 후류는 하류 방향으로 전달되며 풍속을 감소시키고 난류 강도를 높이는데, 이는 단지 효율을 결정짓는 가장 중요한 요인이다.7

 

수치 해석 모델의 정밀도와 계산 효율성 간의 상충 관계

풍력단지의 바람장을 분석하는 모델은 크게 세 가지 수준으로 나뉜다. 첫째는 단순한 분석적 모델(Analytical Models)로, 젠슨(Jensen) 모델과 같이 수식 몇 개로 후류를 계산하여 속도가 매우 빠르지만 정밀도가 낮다.17 둘째는 CFD(Computational Fluid Dynamics) 모델로, 지배 방정식인 나비에-스토크스(Navier-Stokes) 방정식을 직접 풀어 매우 높은 정밀도를 보장하지만 계산 부하가 막대하여 실시간 제어에는 부적합하다.1 이를 해결하기 위한 제3의 대안이 바로 하이브리드 방식인 차원 축소 모델(Reduced Order Model, ROM)이다.5

 

차원 축소 모델링(ROM)의 핵심 메커니즘 및 속도 향상 효과

ROM 기술은 고차원의 물리 데이터에서 시스템의 지배적인 특징(Dominant Features)만을 추출하여 연산량을 획기적으로 줄이는 기법이다.21

 

1. POD (Proper Orthogonal Decomposition): 유동장의 에너지를 가장 많이 포함하는 직교 모드(Orthogonal Modes)를 추출한다. 이를 통해 수백만 개의 격자 데이터를 단 몇 개의 모드 계수로 표현할 수 있다.21
2. DMD (Dynamic Mode Decomposition): 시간적 진화 특성에 초점을 맞춰 유동의 주파수 성분별로 모드를 분해한다. 이는 후류의 요동(Meandering) 현상을 분석하는 데 탁월한 성능을 보인다.1
3. HOSVD (High Order Singular Value Decomposition): 다차원 텐서 데이터를 분해하여 풍속, 풍향, 기상 조건 등 여러 변수가 얽힌 바람장 시나리오를 효과적으로 압축한다.20

 

기술적 실증 결과에 따르면, ROM 기법을 적용할 경우 직접적인 CFD 계산 대비 예측 속도를 약 2,400배 이상 향상시킬 수 있으며, 평균 상대 오차를 2% 이내로 유지할 수 있음이 증명되었다.20 이러한 속도는 제어기가 수 초 내에 최적의 제어 변수를 산출해야 하는 실시간 자율 운영 환경에서 필수적인 요소다.20

 

멀티에이전트 강화학습(MARL) 기반 풍력단지 협조 제어 메커니즘

대규모 풍력단지에서 수십 대의 터빈을 중앙 집중식 서버 하나가 모두 통제하는 것은 통신 지연과 연산 복잡도 측면에서 '차원의 저주'에 직면하게 된다.7 이를 극복하기 위해 제안된 것이 멀티에이전트 시스템(MAS)이다. 이 체계에서는 각 터빈이 스스로 학습하고 판단하는 독립적인 에이전트가 되어 주변 터빈과 정보를 교환하며 협력한다.5

 

심층 강화학습(DRL)을 통한 능동적 후류 제어

강화학습 기반의 제어는 터빈이 환경(바람장)과 상호작용하며 얻는 보상(Reward)을 최대화하는 방향으로 정책을 업데이트한다.11

 

• 에이전트 정의: 단지 내 각 터빈을 에이전트로 설정하며, 관측값(Observation)으로는 지역적 풍속, 풍향, 나셀 위치, 출력 데이터 등을 사용한다.11
• 액션(Action) 수행: 각 에이전트는 요(Yaw) 각도 조절, 피치(Pitch) 각도 변경, 토크(Torque) 가감 등의 제어 동작을 수행한다.7
• 보상 설계: 단지 전체의 총 발전량을 높이는 것을 기본 보상으로 하되, 급격한 제어 동작으로 인한 구동기 마모나 블레이드의 피로 하중 증가를 방지하기 위해 벌점(Penalty) 항을 추가하여 다목적 최적화를 수행한다.4

 

특히 최근의 연구인 ICONIC 프로젝트 등에서는 단일 레이어가 아닌 멀티 레이어 구조의 DRL 프레임워크를 도입하여, 단지 레벨의 의사결정과 개별 터빈 레벨의 고속 제어를 분리하여 시스템의 안정성을 확보하고 있다.9 또한 Dec-POMDP(Decentralized Partially Observable Markov Decision Process) 프레임워크를 적용하여, 주변의 제한적인 정보만으로도 전체 시스템의 수렴성을 보장하는 알고리즘 고도화가 진행되고 있다.12

 

후류 조향(Wake Steering) 제어의 물리적 기대 효과

제어 항목	제어 전 (Greedy Control)	제어 후 (Active Wake Control)	기대 효과
요 각도 (Yaw Angle)	항상 바람 정면을 향함 (0도)	풍향과 의도적인 오차(Misalignment) 생성	후류 궤적을 후방 터빈 옆으로 편향시킴 7
발전량 편차	전방 터빈 최대, 후방 터빈 급감	전방 터빈 약간 감소, 후방 터빈 대폭 상승	전체 단지 효율 5~20% 향상 가능 7
피로 하중	후류 난류에 노출된 후방 터빈 부하 증가	깨끗한 바람 유입으로 후방 터빈 부하 감소	터빈 운영 수명 연장 및 O&M 비용 절감 11

Source: IFPEN Activity Report, TU Delft Wake Control Studies 7

 

라이다(Lidar) 센서 기술과 지능형 유입풍 인식 체계의 통합

전통적인 풍력 터빈 제어의 가장 큰 한계는 '사후 대응'이라는 점이다. 바람이 이미 로터를 통과한 후에야 풍속 변화를 감지하고 피치 각도를 조절하기 때문에 제어 지연이 발생하고 구조적 충격이 가해진다.29 이를 해결하기 위해 나셀 상단에 설치되어 전방의 바람을 미리 읽는 라이다 센서 기술이 자율 제어의 '눈' 역할을 수행하게 된다.30

 

라이다 기반 피드포워드(Feedforward) 제어의 원리

라이다 센서는 레이저 펄스를 전방으로 발사하여 대기 중 에어로졸에 의해 반사되는 도플러 효과를 측정한다.33 이를 통해 터빈에 바람이 도달하기 수 초 전(약 0.7D~2D 거리)의 풍속 정보를 획득하며, 제어기는 이 정보를 바탕으로 돌풍이 오기 직전에 미리 블레이드를 페더링(Feathering)하여 하중을 줄이고 회전 속도를 안정화한다.29

 

가상 라이다(Virtual Lidar)와 바람장 재구성(WFR) 기술

실제 현장 실증 전 알고리즘의 유효성을 검증하기 위해 LES 시뮬레이션 환경 내에 가상의 라이다 센서를 구현하는 '가상 라이다' 기술이 활용된다.34

 

1. 시선 속도(LoS) 변환: 라이다는 레이저 빔 방향의 속도만 측정하므로, 이를 터빈 제어에 필요한 3차원 벡터로 복원하는 알고리즘이 필수적이다.34
2. 데이터 보간 기법: Inverse Distance Weighting(IDW)이나 Kriging 기법을 사용하여 라이다가 측정하지 못한 빈 공간의 바람장을 추정한다.37
3. POD-LSQ 기법의 적용: 앞서 언급한 POD 모드와 라이다 실시간 측정값을 최소자승법(Least-Squares)으로 결합하면, 매우 적은 수의 측정 데이터만으로도 로터 전면의 전체 유동 구조를 39.4~45.5% 더 정확하게 재구성할 수 있다.37

 

다중 해상도 발전량 예측 및 전력계통 안정화 기여

풍력 발전의 보급 확대에 따라 전력 계통 운영자는 풍력단지가 마치 전통적인 화력 발전소처럼 '제어 가능하고 예측 가능한' 자원이 되기를 요구하고 있다.5 이를 위해서는 1분 및 15분 해상도의 초단기 발전량 예측 오차(nMAPE)를 8% 이내로 유지하는 기술적 성과가 뒷받침되어야 한다.5

 

예측 정확도(nMAPE 8%) 달성을 위한 최신 AI 기법 비교

예측 기법	주요 메커니즘	장점	한계점
LSTM (Long Short-Term Memory)	게이트 구조를 통해 시계열 데이터의 장기 의존성 학습	풍속의 시간적 변동 패턴 포착 능력이 우수함 25	훈련에 많은 시간이 소요되며 하이퍼파라미터에 민감함
CNN-GRU Hybrid	공간 특징 추출(CNN)과 순차적 정보 처리(GRU) 결합	단지 내 인접 터빈 간의 공간적 상관관계 학습 가능 41	모델 구조가 복잡하여 임베디드 적용 시 연산 부하 발생
WPD-LSTM	웨이블릿 패킷 분해를 통해 신호를 주파수별로 분석 후 학습	노이즈가 제거된 깨끗한 데이터 학습으로 정확도 77% 향상 42	실시간 분해 과정에서 지연 시간이 발생할 수 있음
Stacking Ensemble	여러 모델의 결과를 가중치 기반으로 결합	단일 모델의 편향을 제거하고 전반적인 견고성 확보 43	모델 크기가 비대해져 유지보수 비용이 증가함

Source: University of Glasgow PhD Thesis (2024), MDPI Energy Forecasting Review 42

 

전력 시장 유연 운전 및 계통 안정화 서비스

AI 자율 제어 플랫폼은 예측된 발전량을 바탕으로 전력 거래소의 지시(AGC)에 따라 실시간으로 출력을 조절한다.

 

• 유효 출력 제어(P-Control): 계통 주파수 하락 시 터빈의 회전 에너지를 일시적으로 활용하는 합성 관성(Synthetic Inertia)을 제공하거나, 급격한 출력 상승 시 램프 레이트(Ramp Rate)를 제한하여 계통 충격을 완화한다.5
• 무효 출력 제어(Q-Control): 연계점 전압 유지를 위해 인버터의 무효 전력 가용 범위를 최적으로 분배하여 전압 안정도에 기여한다.5
• 다중 해상도 예측의 활용: 15분 단위 예측은 전력 시장 입찰 및 배분 결정에 사용되며, 1분 단위 예측은 단지 내 에너지 저장 장치(ESS)와의 연계 운영을 통한 출력 평활화에 활용된다.3

 

시스템 엔지니어링 및 온톨로지 기반의 표준화 전략

풍력 터빈 제조사가 다양해지고 단지 규모가 커짐에 따라, 서로 다른 데이터 형식을 통합하고 협업 설계를 가능하게 하는 표준화 체계가 중요해졌다. IEA Wind Task 37은 이를 위해 '시스템 엔지니어링(Systems Engineering)' 방법론을 풍력 분야에 전면 도입하였다.14

 

WindIO 및 YAML 기반 온톨로지의 도입 가치

IEA Wind Task 37에서 개발한 WindIO는 풍력 터빈과 단지의 모든 기하학적, 물리적 특성을 표준화된 형식인 YAML로 정의하는 온톨로지(Ontology) 체계다.14

 

• 데이터 호환성: YAML 형식은 인간이 읽기 쉽고 기계가 처리하기 편리하여, NREL의 OpenFAST나 DTU의 HAWC2와 같은 서로 다른 해석 툴 사이에서 데이터 변환 없이 모델 정보를 공유할 수 있게 한다.14
• MDAO (Multidisciplinary Design, Analysis, and Optimization): 온톨로지를 기반으로 공기역학, 구조, 제어, 경제성 분석이 동시에 수행되는 통합 최적화 환경을 구축한다. 이는 터빈 설계를 변경할 때 제어 알고리즘의 변화까지 동시에 고려하는 '컨트롤 코디자인(Control Co-design, CCD)'을 가능하게 한다.50
• 레퍼런스 모델의 활용: 3.35MW 육상, 15MW 및 22MW 해상 레퍼런스 터빈 모델은 모든 연구자가 동일한 기준점에서 기술을 개발하고 벤치마킹할 수 있는 토대를 제공한다.48

 

국내외 풍력 기술 R&D 정책 기조 및 실증 과제 추진 전략

대한민국의 풍력 기술 개발 전략은 디지털 전환과 자율 운영 기술 확보를 통해 글로벌 선도국가로 도약하는 데 초점이 맞춰져 있다. 특히 한국에너지기술평가원(KETEP)의 '제2차 에너지기술개발 실행계획(2024~2028)'은 풍력 발전의 경제성 확보를 위한 지능형 관리 시스템 구축을 최우선 과제로 명시하고 있다.55

 

한국형 풍력 자율 운영 로드맵 및 지원 체계

정부는 2026년부터 본격적으로 'AI 기반 풍력단지 자율 제어 기술 개발 및 실증' 과제를 추진하며, 이를 위해 총 80억 원 이내의 정부 출연금을 투입할 계획이다.5

 

1. 기술적 목표: Level 2~3 수준의 자율 제어 플랫폼 구축, nMAPE 8% 이내 달성, 단지 이용률 향상.5
2. 실증 요건: 5기 이상 또는 20MW 이상의 실제 풍력단지에서 최소 12개월 이상의 연속 운전 실적 확보가 필수적이다.5
3. 추진 체계: 주관기관은 기업이 맡아 상용화 의지를 높이며, 수요기업(단지 운영사)의 참여를 필수화하여 연구 결과가 현장에 즉각 적용되도록 설계되었다.5

또한 산업통상자원부의 'AI + R&DI 추진전략'에 따라 2032년까지 산업부 신규 R&D 예산의 100%가 AI 융합 기술에 투입될 예정이므로, 본 제안 사업은 국가적 정책 방향과 완벽히 궤를 같이한다고 볼 수 있다.13

 

기술 개발 위험 극복 및 차별화 방안

자율 제어 기술의 성공적인 현장 적용을 위해서는 몇 가지 핵심적인 위험 요소를 극복해야 한다.5

 

• 신뢰성 및 안전성 확보: AI의 의사결정이 터빈의 물리적 한계를 벗어나지 않도록 '물리 정보 기반 신경망(PINNs)'이나 세이프티 가드 레일(Safety Guard-rails)을 제어 로직에 포함해야 한다.56
• 데이터 인프라 구축: 단지 내의 고속 데이터를 실시간으로 수집, 저장, 관리할 수 있는 클라우드-에지 통합 데이터 거버넌스 체계를 먼저 구축해야 한다.5
• 실증 데이터의 희소성: 다양한 풍황 조건을 짧은 기간 내에 모두 경험하기 어려우므로, 디지털 트윈과 Lab-scale 테스트(HIL)를 병행하여 알고리즘의 응답 특성을 사전에 충분히 검증해야 한다.5

 

결론 및 전략적 제언

본 보고서를 통해 분석한 AI 기반 풍력발전단지 자율 제어 기술은 에너지 전환 시대의 핵심적인 경쟁력이다. 기술적 수준은 이미 단순한 모니터링을 넘어 터빈 간의 유기적 협조가 가능한 Level 3 단계로 진입하고 있으며, 이를 위해 ROM 기반의 고속 예측 엔진과 MADRL 기반의 분산 제어 기술이 융합되고 있다.5

 

제안서 작성을 위한 전략적 제언은 다음과 같다. 첫째, IEA Wind Task 37의 국제 표준 온톨로지를 채택하여 기술의 확장성과 글로벌 호환성을 강조해야 한다.14 둘째, nMAPE 8% 이내 달성을 위해 단순 딥러닝이 아닌 기상학적 특성이 가미된 하이브리드 예측 모델을 제안해야 한다.5 셋째, 실증 단계에서 발생할 수 있는 데이터 누락이나 고장 상황에 대비한 Gappy-POD 등의 강건한 복원 기술을 확보해야 한다.23

 

마지막으로, 본 사업은 단순한 효율 향상을 넘어 전력 계통의 안정성에 기여하고 국내 풍력 산업의 디지털 생태계를 조성한다는 사회적·정책적 가치를 포함하고 있다.5 따라서 기술 개발의 성과가 중소기업 참여 확대와 지역 에너지 자립으로 이어질 수 있는 상생형 비즈니스 모델을 제안서에 포함하는 것이 바람직하다. 자율 제어라는 혁신적 수단을 통해 풍력 발전이 주력 전원으로서의 신뢰성을 확보할 때, 진정한 의미의 탄소 중립 전환이 완성될 것이다.

 

참고 자료

1. Full article: Dynamic mode decomposition of wind turbines wake: a path to data-driven reduced order modeling - Taylor & Francis, 1월 31, 2026에 액세스, https://www.tandfonline.com/doi/full/10.1080/14786451.2025.2607286
2. Global Offshore Wind Report 2025 - Tethys, 1월 31, 2026에 액세스, https://tethys.pnnl.gov/sites/default/files/publications/Williams-et-al-2025.pdf
3. Ultra-short-term wind power forecasting techniques: comparative analysis and future trends, 1월 31, 2026에 액세스, https://www.frontiersin.org/journals/energy-research/articles/10.3389/fenrg.2023.1345004/full
4. (PDF) A Survey of Artificial Intelligence Applications in Wind Energy Forecasting, 1월 31, 2026에 액세스, https://www.researchgate.net/publication/384021796_A_Survey_of_Artificial_Intelligence_Applications_in_Wind_Energy_Forecasting
5. aifarm.pdf
6. Data Mining Techniques for Very Short Term ... - ResearchGate, 1월 31, 2026에 액세스, https://www.researchgate.net/profile/Luis-Vargas-26/publication/241172665_Data_mining_techniques_for_very_short_term_prediction_of_wind_power/links/5543daf70cf24107d39637c8/Data-mining-techniques-for-very-short-term-prediction-of-wind-power.pdf
7. Multi-agent reinforcement learning for dynamic wind farm control | IFPEN, 1월 31, 2026에 액세스, https://www.ifpenergiesnouvelles.com/brief/multi-agent-reinforcement-learning-dynamic-wind-farm-control
8. Evaluating the Impact of COMA on Multi-Agent Active Wake Control in Wind Farms - TU Delft Repository, 1월 31, 2026에 액세스, https://repository.tudelft.nl/file/File_d24e13eb-c63a-4f29-878f-078d927269fd
9. D2.2 A multi-agent, multi-layer, robust DRL-based wind farm control ..., 1월 31, 2026에 액세스, https://zenodo.org/records/17847818
10. Recent Advances in Multi-Agent Reinforcement Learning for Intelligent Automation and Control of Water Environment Systems - MDPI, 1월 31, 2026에 액세스, https://www.mdpi.com/2075-1702/13/6/503
11. WFCRL: A Multi-Agent Reinforcement Learning Benchmark for Wind Farm Control - arXiv, 1월 31, 2026에 액세스, https://arxiv.org/html/2501.13592v1
12. Wind farm control with cooperative multi-agent reinforcement learning - OpenReview, 1월 31, 2026에 액세스, https://openreview.net/forum?id=NTEYBMmCVe
13. 2025년도 AI + R&DI 통합기술수요조사 2차 공고 - KIAT | HOME >, 1월 31, 2026에 액세스, https://www.kiat.or.kr/front/board/boardContentsView.do?board_id=90&MenuId=&contents_id=a8cfe04103f24c1eaebb4db5408a2cfc
14. Task 37 | IEA Wind TCP, 1월 31, 2026에 액세스, https://iea-wind.org/wp-content/uploads/2023/10/Task37_v3.pdf
15. Towards a Software-Defined Industrial IoT-Edge Network for Next-Generation Offshore Wind Farms - Utrecht University, 1월 31, 2026에 액세스, https://research-portal.uu.nl/ws/files/229784329/energies-17-02897.pdf
16. Application of Artificial Intelligence in Wind Power Systems - MDPI, 1월 31, 2026에 액세스, https://www.mdpi.com/2076-3417/15/5/2443
17. Overview of Data-Driven Models for Wind Turbine Wake Flows, 1월 31, 2026에 액세스, https://html.rhhz.net/jmsa/html/20250101.htm
18. Overview of Data-Driven Models for Wind Turbine Wake Flows, 1월 31, 2026에 액세스, https://dcwan.sjtu.edu.cn/userfiles/s11804-025-00683-8.pdf
19. Towards reduced order modelling for predicting the dynamics of coherent vorticity structures within wind turbine wakes - Royal Society Publishing, 1월 31, 2026에 액세스, https://royalsocietypublishing.org/rsta/article/375/2091/20160108/115252/Towards-reduced-order-modelling-for-predicting-the
20. Development of a fast numerical tool for wind flow predictions around offshore wind turbines, 1월 31, 2026에 액세스, https://www.emerald.com/ec/article/doi/10.1108/EC-09-2024-0889/1298297/Development-of-a-fast-numerical-tool-for-wind-flow
21. Predictive and stochastic reduced-order modeling of wind turbine wake dynamics - DTU Research Database, 1월 31, 2026에 액세스, https://orbit.dtu.dk/files/311171522/wes_7_2117_2022.pdf
22. Predictive and stochastic reduced-order modeling of wind turbine wake dynamics, 1월 31, 2026에 액세스, https://www.researchgate.net/publication/364768603_Predictive_and_stochastic_reduced-order_modeling_of_wind_turbine_wake_dynamics
23. Lower Order Description and Reconstruction of Sparse Scanning Lidar Measurements of Wind Turbine Inflow Using Proper Orthogonal Decomposition - MDPI, 1월 31, 2026에 액세스, https://www.mdpi.com/2072-4292/14/11/2681
24. Predictive and Stochastic Reduced Order Modelling of Wind Turbine Wake Dynamics - WES, 1월 31, 2026에 액세스, https://wes.copernicus.org/preprints/wes-2022-45/wes-2022-45-manuscript-version3.pdf
25. A Multi-Agent Reinforcement Learning Approach to Wind Farm Control Timothy Verstraeten - VUB AI-lab - Vrije Universiteit Brussel, 1월 31, 2026에 액세스, https://ai.vub.ac.be/wp-content/uploads/2021/03/PhD_dissertation_Timothy_Verstraeten.pdf
26. Multi-Agent AI System for Coordinated Dispatch of Renewable Energy and Storage in Islanded Microgrids - ResearchGate, 1월 31, 2026에 액세스, https://www.researchgate.net/publication/393662929_Multi-Agent_AI_System_for_Coordinated_Dispatch_of_Renewable_Energy_and_Storage_in_Islanded_Microgrids
27. Multi-agent Reinforcement Learning for Wind Farm Control - Dr. Sean Meyn, 1월 31, 2026에 액세스, https://faculty.eng.ufl.edu/meyn/c3/c3-8/multi-agent-reinforcement-learning-for-wind-farm-control/
28. Wind turbine load validation in wakes using wind field reconstruction techniques and nacelle lidar wind retrievals - WES, 1월 31, 2026에 액세스, https://wes.copernicus.org/articles/6/841/2021/wes-6-841-2021.pdf
29. LIDAR Wind Speed Measurements of Evolving Wind Fields - Publications, 1월 31, 2026에 액세스, https://docs.nrel.gov/docs/fy12osti/55516.pdf
30. Improved modeling of lidar wind preview for wind turbine control - OPUS, 1월 31, 2026에 액세스, https://elib.uni-stuttgart.de/items/8be79d8a-8912-4dec-be02-5aa138250c00
31. Wind measurements by LiDAR—how does it work? - Laser World of Photonics, 1월 31, 2026에 액세스, https://world-of-photonics.com/en/photonics-industry-portal/detail/wind-measurements-by-lidar.html
32. A spinner-integrated wind LiDAR for enhanced wind turbine control | Request PDF - ResearchGate, 1월 31, 2026에 액세스, https://www.researchgate.net/publication/232614346_A_spinner-integrated_wind_LiDAR_for_enhanced_wind_turbine_control
33. Wind measurement campaigns with lidar - DNV, 1월 31, 2026에 액세스, https://www.dnv.com/services/wind-measurement-campaigns-with-lidar/
34. Using a Virtual Lidar Approach to Assess the Accuracy of the Volumetric Reconstruction of a Wind Turbine Wake - MDPI, 1월 31, 2026에 액세스, https://www.mdpi.com/2072-4292/10/5/721
35. Probabilistic estimation of the Dynamic Wake Meandering model parameters using SpinnerLidar-derived wake characteristics - WES, 1월 31, 2026에 액세스, https://wes.copernicus.org/articles/6/1117/2021/wes-6-1117-2021-relations.html
36. Research on impact of range resolutions on wind detection performance using virtual lidar, 1월 31, 2026에 액세스, https://opg.optica.org/oe/fulltext.cfm?uri=oe-33-15-32386
37. Wind-field estimation for lidar-assisted control: A comparison of proper orthogonal decomposition and interpolation techniques - WES, 1월 31, 2026에 액세스, https://wes.copernicus.org/preprints/wes-2025-148/wes-2025-148.pdf
38. Wind-field estimation for lidar-assisted control: A comparison of proper orthogonal decomposition and interpolation techniques - WES, 1월 31, 2026에 액세스, https://wes.copernicus.org/preprints/wes-2025-148/
39. Evaluation of Photovoltaic Generation Forecasting Using Model Output Statistics and Machine Learning - ResearchGate, 1월 31, 2026에 액세스, https://www.researchgate.net/publication/399900763_Evaluation_of_Photovoltaic_Generation_Forecasting_Using_Model_Output_Statistics_and_Machine_Learning
40. Short-term wind power forecasting through stacked and bi directional LSTM techniques, 1월 31, 2026에 액세스, https://peerj.com/articles/cs-1949/
41. An overview of deterministic and probabilistic forecasting methods of ..., 1월 31, 2026에 액세스, https://pmc.ncbi.nlm.nih.gov/articles/PMC9823194/
42. Hanifi, Shahram (2024) Development and applications of AI for offshore wind power forecasting. PhD thesis. https://theses.gla.ac, 1월 31, 2026에 액세스, https://theses.gla.ac.uk/84539/1/2024HanifiPhD.pdf
43. Intelligent estimation of wind farm performance with direct and indirect 'point' forecasting approaches integrating several NWP models | Request PDF - ResearchGate, 1월 31, 2026에 액세스, https://www.researchgate.net/publication/365056261_Intelligent_estimation_of_wind_farm_performance_with_direct_and_indirect_'point'_forecasting_approaches_integrating_several_NWP_models
44. Research on a Multi-Agent Cooperative Control Method of a Distributed Energy Storage System - MDPI, 1월 31, 2026에 액세스, https://www.mdpi.com/2227-9717/11/4/1149
45. STATCOM과 조상설비를 이용한 풍력단지가 연계된 전력계통의 전압제어, 1월 31, 2026에 액세스, https://www.kais99.org/jkais/journal/Vol16No4/p48/6mfh/6mfh.pdf
46. Short-term active power forecasting for wind farms using artificial neural networks, 1월 31, 2026에 액세스, https://www.researchgate.net/publication/389867452_Short-term_active_power_forecasting_for_wind_farms_using_artificial_neural_networks
47. Task 37 | IEA Wind TCP, 1월 31, 2026에 액세스, https://iea-wind.org/wp-content/uploads/2022/12/IEA_Wind_TCP_AR2021_Task37.pdf
48. Task 37 - IEA Wind TCP, 1월 31, 2026에 액세스, https://iea-wind.org/task37/
49. IEA Wind Task 37: Systems Modeling Framework and Ontology for Wind Turbines and Plants - Publications, 1월 31, 2026에 액세스, https://docs.nrel.gov/docs/fy17osti/68864.pdf
50. Control Co-Design of Wind Turbines - OSTI.gov, 1월 31, 2026에 액세스, https://www.osti.gov/servlets/purl/2361050
51. (PDF) Floating wind turbine control optimization - ResearchGate, 1월 31, 2026에 액세스, https://www.researchgate.net/publication/361067517_Floating_wind_turbine_control_optimization
52. Control Co-Design Studies for a 22 Mw Semisubmersible Floating Wind Turbine Platform - Publications, 1월 31, 2026에 액세스, https://docs.nrel.gov/docs/fy24osti/88863.pdf
53. IEA Wind TCP Task 37: Systems Engineering in Wind Energy-WP2.1 Reference Wind Turbines - Welcome to DTU Research Database, 1월 31, 2026에 액세스, https://orbit.dtu.dk/en/publications/iea-wind-tcp-task-37-systems-engineering-in-wind-energy-wp21-refe
54. Final report - EUDP, 1월 31, 2026에 액세스, https://eudp.dk/files/media/document/64019-0588_Slutrapport%20IEA%20Vind%20Task%2037.pdf
55. 한국에너지기술평가원, 1월 31, 2026에 액세스, https://www.ketep.re.kr
56. Wind turbine dynamic wake flow estimation (DWFE) from sparse data via reduced-order modeling-based machine learning approach | Request PDF - ResearchGate, 1월 31, 2026에 액세스, https://www.researchgate.net/publication/384785707_Wind_turbine_dynamic_wake_flow_estimation_DWFE_from_sparse_data_via_reduced-order_modeling-based_machine_learning_approach
57. Meteomatics AI Method Enhances Solar and Wind Power Forecasts, Saving Operators and Traders Millions Each Year, 1월 31, 2026에 액세스, https://www.meteomatics.com/en/news/ai-for-solar-and-wind-power-forecasts/
58. 2025년도 정부R&D사업 부처합동 설명회 2일차 산업통상자원부 - YouTube, 1월 31, 2026에 액세스, https://www.youtube.com/watch?v=spkGsfrKalw