[22]2010-109(김상훈,정상용).hwp 149조명․전기설비학회논문지 제24권 제10호, 2010년 10월 Genetic Algorithm과 Expert System의 결합 알고리즘을 이용한 직구동형 풍력발전기 최적설계 (Optimal Design of Direct-Driven Wind Generator Using Genetic Algorithm Combined with Expert System) 김상훈 * ․정상용 ** (Shang-Hoon Kim․Sang-Yong Jung) Abstract In this paper, the optimal design of a wind generator, implemented with the hybridized GA(Genetic Algorithm) and ES(Expert System), has been performed to maximize the AEP(Annual Energy Production) over the whole wind speed characterized by the statistical model of wind speed distribution. In particular, to solve the problem of calculation iterate, ES finds the superior individual and apply to initial generation of GA and it makes reduction of search domain. Meanwhile, for effective searching in reduced search domain, it propose Intelligent GA algorithm. Also, it shows the results of optimized model 500[kW] wind generator using hybridized algorithm and benchmark result of compare with GA. Key Words：Direct-Driven Wind Generator, Optimization, GA(Genetic Algorithm), ES(Expert System), CBR(Case Based Reasoning), AEP(Annual Energy Production), Mutation Rate * 주저자：동아대학원 전기공학과 석사과정 ** 교신저자：동아대학교 전기공학과 조교수 Tel：051-200-6945, Fax：051-200-6947 E-mail：whiteland1@nate.com 접수일자：2010년 8월 26일 1차심사：2010년 8월 31일 심사완료：2010년 10월 1일 1. 서 론 최근 환경오염 및 지하자원의 고갈로 인해 에너지 잔량이 앞으로 얼마 남지 않은 추세로 자연환경에서 얻을수있는친환경에너지와대체에너지원을개발 하여신재생에너지가각광받고있는추세이다. 특히 풍력발전과 태양 발전의 경우 에너지원이 무한하고 영구적이며 환경오염을 유발시키지 않아 큰 관심을 받고 있는 추세이다. 풍력발전기는크게기어타입(Geared Type)과기어 리스타입(GearlessType)으로나눌수있다. 풍력발전 은발전을위한토크가터빈의크기에따라비례하게 되므로 효율적인 발전을 위해서는 저속의 고토크 발 전기사양을요구하게된다. 따라서이러한저속고토 크의 입력을 증속기를 통하여 적정크기의 발전기로 입력함으로서원하는출력을얻을수있다. 하지만증 속기의설치로인한발전기나셀의중량증가, 증속기 내부의기어에의한소음및진동발생,정기적인증속 Journal of the Korean Institute of IIIuminating and Electrical Installation Engineers (2010) 24(10)：149～156 24-10-22논문 DOI : 10.5207/JIEIE.2010.24.10.149 150 Genetic Algorithm과 Expert System의 결합 알고리즘을 이용한 직구동형 풍력발전기 최적설계 Journal of KIIEE, Vol.24, No.10, October 2010 기의 유지보수 등의 단점이 발생하게 된다[1]. 기어리스 타입의 직구동형 풍력발전기는 블레이드 와 발전기사이 증속기를 제거하고 동일 축으로 연결 하여 동기속도로 운전한다. 증속기를 제거함으로서 중량및노이즈, 유지보수비용이감소되며토크밀도 가매우높은장점이있다. 특히표면부착형영구자석 동기발전기(SPMSG)는 저속에서 높은 토크분포와 효율을 보이게 되는데 이는 저속으로 운전하는 직구 동형 풍력발전기의 특성에 매우 적합한 특성을 가진 다[2]. 한편근대의전기기기설계법을보게되면전문가의 경험이나 과거의 사례를 통하여 그 모델을 근본으로 하여 사용자의 요구사양에 맞추어 설계를 수행하는 것이보통이었다. 그러나최근의전기기기설계의경 향을 살펴보면 경험에 의존하던 설계를 최적화 기법 을 적용하여 개발하려는 추세이며 이를 위한 최적화 기법또한급진적으로발전하고관련논문도많이제 출되고 있다. 최적화 기법은 크게 확률론적 방법(Stochastic Method)과 결정론적 방법(Deterministic Method)로 나눌수 있다. 확률론적 방법은 여러 가지 경우에 대 해 확률적으로 탐색해가는 방법으로 모든 경우의 수 를고려한다는점에서그해의신뢰성이높은편이나, 그러한해를얻기위해서는매우많은지점에서의해 석을필요로하게되어최적화수행시간이매우오래 걸린다는 단점이 있다. 결정론적방법은어떠한지점에서주위를탐색하여 개선된값이있다면그방향을선택하여최적해탐색 지점을이동해가는방식으로최적화수행시간이매우 빠른장점이있다. 하지만전범위를탐색하기보다는 주변을탐색하는방법이므로국부해로수렴될가능성 이 높고 해의 신뢰성 또한 떨어지는 편이다. 본 논문에서는 연간 에너지 생산량을 최대화 하는 설계를 수행하기 위해 최적화 알고리즘과 유한요소 해석법을 연계하여 전 풍속영역에 대해 최적화를 수 행하였다. 한편신뢰성높은결과를얻기위해확률론 적방법인GA를사용하였다. 하지만앞서언급하였듯 이 확률론적 방법과 유한요소 해석법을 통해 신뢰도 높은최적화결과를얻기위해서는매우많은연산시 간을소요하게된다. 이를해결하기위해유전알고리 즘(GA)에 앞서 언급하였던 전문가의 경험이나 예전 사례를 기본으로 하여 변형설계를 수행하는 전문가 시스템(ES)을결합하여정확도를유지하면서빠른수 렴에도달하는혼합알고리즘을제시한다. 특히사례 기반의 전문가 시스템은 데이터베이스로부터 유사도 분석을 통하여 목적함수와 유사한 후보를 선출한 다 음이로부터GA의설계변수탐색범위를축소시켜최 적값을 빠르게 탐색하는 알고리즘을 개발하였다. 2. 풍력발전기의 특성 단위시간에대한공기의부피변화 ·와질 량변화 ··를 고려한 순수 풍력량 는 다음과 같다.         (1) 여기서  : 공기밀도[㎏/m3], A : 블레이드통과면적 [m 2 ] 풍력발전기로들어온에너지는터빈의요우, 피치제 어를통해최대효율을갖도록제어된입력이들어오 게된다. 풍력터빈의출력(Pi)은블레이드의피치컨 트롤을 거쳐 그림 1과 같이 주속비와 출력 계수 ()를각각고려한수식 (1)의풍력에너지(Pw)가 발전기입력(Ps)으로 전달되게 된다[3].     (2) 풍력 터빈에 의한 입력(Ps)은 발전기 입력 Pi와 같 으므로발전기출력은식 (3)과(4)로계산할수있다.    · (3)     (4) 여기서    : 주속 비, :터빈 속도[rad/s], R: 블레이드 직경, p: 극수, : 영구자속에 의한 상당 쇄교자속 151 김상훈․정상용 조명․전기설비학회논문지 제24권 제10호, 2010년 10월 이렇게계산된발전기입력전류를통하여원하는파 라미터들을 유한요소 해석을 통해 계산해 낸다. 그림 1. 풍력 터빈의 능력곡선 Fig. 1. Characteristic of Wind turbine 3. 풍속의 확률 분포에 따른 AEP 계산 풍력은발전기설치지점의지리적요건, 날씨, 계절, 주변요인에 의해 크게 변하게 되므로 실제로 풍력의 가변성을 예측하여 발전기의 출력을 계산하는 것은 매우어렵다. 개략적으로나마운전풍속영역을고려하 는방법으로세가지정도의방법이있다. Grauers[4] 는 정격풍속에서 발전기의 손실을 기준으로 각 풍속 에서의 손실 비례계수를 구할 때 풍속분포를 고려하 는 방법을 사용하고 있으나 계산법이 복잡하여 실용 적이지 못하다. Inoue[5]은 풍속 확률분포 함수로서 Weibull function을사용하고있으나, 이경우에는발 전기가 설치되는 지역의 풍속분포에 대한 자세한 데 이터(shape factor와 scale factor 등)가 필요로 하기 때문에 비교적 신뢰성이 높으나 적용범위가 매우 좁 은 편이다. 본 논문에서는 운전풍속영역을 고려하는 방법으로발전기가설치되는지역의평균풍속에대한 데이터만으로도적용이가능한Rayleigh함수를풍속 확률밀도 함수로 사용하여 풍력발전기의 연간에너지 생산량(Annual EnergyProduction, AEP)을산정하였 다. 풍속의 확률분포 식은 다음과 같다.                (5) : 지역내평균풍속, : 풍속v에따른풍속확 률 평균풍속에 따른 확률 분포는 그림 2와 같다. 그림 2. 풍속의 확률분포 Fig. 2. Destribution of wind speed 최적화목표는풍속의평균분포를통하여연간에 너지생산량의최대화를목적함수로두고최적설계를 하였다. 일년간특정풍속이부는유효시간H(v)는다 음과 같이 계산할 수 있다.  ··∆ (6) : 일년의총시간(약8760h), ∆ : 풍속한구간 의 크기 특정 풍속의 유효시간이 정해지면, 각 풍속별 전력 총량이계산되며, 궁극적으로연간운전시간을곱하 여다음과같은연간총에너지생산량을구하게된다.       [Wh] (7) 여기서  ×  4. GA와 ES를 결합한 최적화 알고리즘 4.1 유전알고리즘(Genetic Algorithm) 유전 알고리즘은 자연계의 생명체 중 환경에 잘 152 Genetic Algorithm과 Expert System의 결합 알고리즘을 이용한 직구동형 풍력발전기 최적설계 Journal of KIIEE, Vol.24, No.10, October 2010 적응한개체가좀더많은자손을남길수있다는자 연선택과정과자연계의생명체의설계도와같은유 전자의변화를통해서좋은방향으로발전해나간다 는 자연 진화의 과정을 모방하여 컴퓨터로 모의 수 행을 하는 최적화 알고리즘의 하나이다. 즉 실세계 의문제를풀기위해잠재적인해들을컴퓨터상에서 코딩된 개체로 나타내고, 여러 개의 개체들을 모아 개체군을 형성한 뒤, 세대를 거듭하면서 이들의 유 전 정보를 서로 교환하거나 새로운 유전 정보를 부 여하면서적자생존의법칙에따라모의진화를시킴 으로써, 주어진 문제에 대한 최적의 해를 찾는 계산 모델이다[6]. 이러한방법의장점은목적함수의미분과정이나특 별한수학적연산을필요로하지않는다는것이다. 또 한, 점에의한탐색이아니라개체들이모여이루는개 체군에 의한 병렬적인 탐색이라는 점에서 기존의 최 적화알고리즘과는차이가있다. 한세대의개체군에 속한개체들은진화를거듭하면서, 이전세대까지축 적된 정보를 서로 교환하고 새로운 영역으로의 탐색 을시도한다. 탐색의방향이나영역이초기값에의해 서 결정되지 않고 세대마다 확률적으로 결정되므로 지역최소점에빠질가능성이적어전역최적화가가 능한 알고리즘이다[7]. 4.2 전문가 시스템(Expert System) 전문가 시스템(ES)은 A.I의 한 종류로서 문제해결 에 있어서 전문가들이 작성해 놓은 지식이나 규칙을 적용하는 방법이다. 지식베이스에는 크게 사례 기반 과규칙기반두가지종류가있다. 규칙기반은과거 의 경험을 통하여 특정 상황에서 유의사항이나 절대 적진리등을규칙으로정하여 “만약..라면 ..하는” 방 법으로 해답에 접근해가는 방식이다. 또 한가지 사 례기반추론기법(CBR)은 한마디로 어떤 문제를 해결 하기 위해 과거에 사용했던 구체적인 경험을 바탕으 로 새로운 문제를 해결하는 방법이라고 할 수 있다. 사례기반추론을 이용한 방법은 규칙기반보다는 단순 하며, 특히문제영역이잘정형화되지않는분야에서 는 좋은 접근법이라 할 수 있다[8]. 그림 3. 사례기반 시스템의 개념도 Fig. 3. Conceptual Diagram of CBR 4.3 GA와 ES의 결합 알고리즘 GA는 세대기반의 확률론적 전역 탐색법으로서 일 반적으로최적화에사용되는수학적인미분계산이필 요하지 않아 활용 범위가 매우 광범위 하다. 그러나 이러한방대한활용성및전역탐색기법의단점이그 렇듯이 넓은 탐색범위를 조건에 맞춰 검색해야 하는 부담때문에소요시간이매우오래걸리는것이단점 이다. 여기에사례기반의엔진을결합하게되면과거 설계사례 및 경험에서 우수한 인자들을 선별하여 각 인자들의 변수범위를 분석하여 탐색범위를 제한하게 되고그범위내에서초기세대를생성하게되기때문 에초기세대의해석값이기존의탐색에의한초기세 대보다월등히뛰어난성능을보이게된다. 또한변이 율의범위또한크게범위를벗어나지않고최적화된 범위내에서탐색을수행하기때문에빠른속도로최 적값에수렴할수있을것이다. 그림4은결합알고리 즘의 개념을 나타내고 있다. 혼합알고리즘의최적화순서를살펴보게되면최초 로 사용자가 원하는 설계사양을 입력하게 되면 혼합 알고리즘은과거설계사례들과목표설계사양간의유 사도를분석을수행한다. 유사도분석을수행함에있 어 설계 사양과 값이 가까울수록 파라미터에 가중치 를 두어 차후 임의의 파라미터를 선출하여 설계변수 의범위지정시좀더높은확률로관여할수있도록 가중치설정한다. 유사도분석을통하여설계의기초 153 김상훈․정상용 조명․전기설비학회논문지 제24권 제10호, 2010년 10월 가 될 다수의 유사모델을 선출하여, 두 번째선별의 과정을 거쳐 사용자가 지정한 개수의 후보를 선출한 다. 선출된각후보들로부터설계변수와동일한파라 미터들을추출해낸다. 추출된파라미터들은이전단계 의가중치판단에의해값들의보정과정을통하여사 용자가원하는세부정밀도를만족하는변수범위를지 정하게된다. 또한보정된값을사용하여GA의초기 세대를생성한다. 검증을위해Test Function에적용 하여그생성된값의해석을수행한결과, 최적값에비 슷한 결과가 생성되었다. 그림 4. ES+GA의 개념도 Fig. 4. Conceptual Diagram of ES+GA 이와같이최적화된변수범위와초기세대를사용한 최적화과정은그수렴속도가매우빠를것이며성능 또한 기준 이상의 능력을 보여줄 수 있을 것이다. 4.4 지능형 유전알고리즘(Intelligent GA) 기존의GA는초기에설정한횟수만큼세대의재생 산과 계산을 반복하게 되므로 탐색범위가 좁아져 최 적값에빠르게수렴했다하더라도정해진계산횟수만 큼반복을해야알고리즘의수행을마치게된다. 특히 유한요소 해석법은 비용함수계산시간이 오래 걸리게 되므로 똑같은 파라미터의 반복된 계산은 결과에 영 향을 미치지 않을 뿐만 아니라 탐색시간도 늘어나게 되는단점이있다. 따라서본논문에서는재생산된개 체의 계산에 앞서 이전에 계산된 개체의 파라미터를 비교하여 똑같은 값을 가질 경우 비용함수 계산절차 를 생략하고 이전의 계산결과로 대체하는 방법을 적 용하였다. 그림5에는Intelligent GA의흐름도와개념 을 간략히 나타내었다. 그림 5. Intelligent GA의 Flow Chart Fig. 5. Flow Chart of Experted GA Intelligent GA의요는앞서언급했듯이ES에의한 탐색범위의축소및빠른수렴효과로인해파라미터 가 완전히 똑같은 개체가 생성될 확률이 매우 높다. 이렇게같은파라미터에따라자동설계되어있는모 델을해석수행하였을경우동일한결과값을나타내 게 될 것이다. 따라서이러한중복현상을방지하기위해재생산과 정후각개체의파라미터를모델링에적용하기전개 체의 염색체를 이전 계산한 염색체 데이터뱅크와 대 조하여같은염색체를가진개체를찾는다. 만약검색 결과같은개체가있는경우데이터뱅크에저장되어 있는결과값을복사하여그개체의연산을종료한다. 즉 불필요한 유한요소 계산을 건너뛰고 다음 개체의 계산을수행하게되는것이다. 반대로검색결과같은 염색체를 가진 개체가 없다면 모델링과 유한요소 해 석을 수행한다. 혼합알고리즘과Intelligent GA의성능을검증하기 위해기존의유전알고리즘과Intelligent GA알고리즘, 혼합알고리즘3가지경우에대하여단순함수의수행, 비교한 결과를 표 1에 나타내었다. 결과에따르면기존의GA의경우0.1012[min]의시 154 Genetic Algorithm과 Expert System의 결합 알고리즘을 이용한 직구동형 풍력발전기 최적설계 Journal of KIIEE, Vol.24, No.10, October 2010 간이 걸린 반면 같은 파라미터를 건너뛴 Intelligent GA의경우0.07154분이걸려약30[%]의개선효과를 나타내었다. 또한혼합알고리즘의경우기존GA에서 반복된 파라미터의 생성횟수가 5223회에 인 것에 반 해11920회의동일파라미터생성으로범위가좁아질 수록그 현상이증가하는 현상을 볼 수 있었다. 이로 인한최적화시간또한60[%] 이상개선된효과를얻 을 수 있었다. 표 1. 단순 함수(x2+y2=0)에 대한 GA와 Intellignet GA, ES+iGA의 결과 비교 Table 1. COMPARISON THE RESULT OF 3 METHODS(GA, iGA and ES+iGA) GA iGA ES+iGA Duplicated 5223 5223 11920 Time 0.1012[min] 0.07154 0.0452[min] 5. 최적화 알고리즘의 시험함수 적용 제시한 알고리즘과 일반적인 GA의 성능을 벤치마 크하기위해Branin함수와Shubert함수에적용하여 비교분석 하였다. 시뮬레이션을 수행한 컴퓨터 성능 (2.7[GHz], 3.25G Memory) 때문에 수렴속도가 매우 빨라비용함수계산시시간지연(0.1[μs])을주어결과 데이터 변화를 관찰할 수 있게 하였다. 그림 6. Branin 함수 Fig. 6. Branin Function 그림 7. Shubert 함수 Fig. 7. Shubert Function 표 2. Branin 함수에 대한 GA와 ES+iGA의 결과 비교 Table 2. COMPARISON RESULTS OF BRANIN FUNCTION OF GA AND ES+iGA GA ES+iGA Global Minimum Cost 0.39791 0.39789 Time 0.1052[min] 0.0411[min] 표 3. Shubert 함수에 대한 GA와 ES+iGA의 결과 비교 Table 3. COMPARISON RESULTS OF BRANIN FUNCTION OF GA AND ES+iGA GA ES+iGA Global Minimum Cost -180.1840 -186.7260 Time 0.1068[min] 0.0471[min] 위의결과에서나타내듯이두시험함수모두제안된 알고리즘의 경우가 더 높은 신뢰성과 빠른 수렴속도 를보임을알수있다. 특히다봉성함수인Shubert함 수의경우는알려진최적값에더가까운값을제시하 여 신뢰성 있는 결과를 제시하였다. 6. 풍력발전기 최적설계 제안한최적화알고리즘을통하여500[kW]급직구 동형풍력발전기의설계를수행하였다. 설계목표사 양은 다음과 같다 155 김상훈․정상용 조명․전기설비학회논문지 제24권 제10호, 2010년 10월 표 4. 풍력발전기 설계 사양 Table 4. SPECIFICATION OF WIND POWER GENERATOR 정격 출력(Ps) 500[kW] 풍속 사양 Cut-in 풍속 3.5[m/s] 정격 풍속 13.5[m/s] Cut-out 풍속 26[m/s] 발전기 형식 SPMSG 터빈 직경 39[m] 운전 속도 0～32[rpm] 블레이드 회전 면적 1207[m2] 제어방법 Pitch control 그림 8은 설계변수를 나타내고 있으며, 자극각도 (), 고정자치폭(), 회전자요크두께(), 고정자 슬롯높이() 등을 설계변수로 선정하였다. 그림 8. 표면부착형 영구자석 동기기 설계변수 Fig. 8. Design variable of SPMSG 표 5. 후보군의 설계치수 Table 5. Variables of candidates 용량 ([kW]) X1 X2 X3 X4 직경 ([m]) 극/슬롯 740 2.77 10.55 22.470 70.35 42 100/300 500(1) 2.027 8.940 21.098 63.775 39 100/300 500(2) 2.5 12.5 13 58 39 100/300 450 2.272 10.412 10.153 53.25 36 100/300 설계목표를ES에입력하여데이터베이스에서유사 도검색을통하여4개의 후보를선출하였다. 선정된 용량은 각각 740[kW](1개 후보), 500[kW](2개 후보), 450[kW](1개후보)를베이스로하여설계변수를추출, Intelligent GA에적용하였다. 각후보군에대한설계 변수를 표 5에 정리하였다. 그림 9에서 나타내듯이 최적화의 수렴과정을 살펴 보면 제안된 알고리즘의 경우 최적점에 매우 가까운 지점에서 시작되는 것을 알 수 있다. 그림 9. GA와 ES+GA의 수렴과정 Fig. 9. Convergence of GA and ES+iGA 표 6. 설계 결과 Table 6. RESULT OF OPTIMIZATION Symbol GA ES+GA Designed Model Generator 1233.0512[MWh] 1234.5222[MWh] Convergence Time 58.8152[H] (3528.91[min]) 46.793[H] (2807.57[min]) Parameter X1 2.0277 1.817 X2 8.9407 8.883 X3 21.098 16.428 X4 63.7750 65.132 설계파라미터의 변화추이를 살펴보면 자석의 높이 는동일하게가져간상태에서최적설계결과폭이줄 었기 때문에 자석량이 줄어들어 제작 비용이 감소하 게되었다. 또한D 2 L을고려하지않은상태에서AEP 의 최대화를 목적함수로 하였기 때문에 치높이에 의 한모터의직경이늘어나는양상을보였다. 또한회전 자 요크는 대폭 줄어드는 경향을 나타내었다. 설계 결과를 살펴보면 표 6에서 나타나듯이 GA에 비해혼합알고리즘이발전량은1.5[MWh] 정도상승 156 Genetic Algorithm과 Expert System의 결합 알고리즘을 이용한 직구동형 풍력발전기 최적설계 Journal of KIIEE, Vol.24, No.10, October 2010 하였고 수행시간은 20[%] 정도 감소하였다. 이는 곧 최대연간에너지생산량을위한ES를결합한GA기 반의 풍력발전기 최적설계는 빠른 수렴성과 개선된 결과를 나타내고 있음을 알 수 있다. 7. 결 론 본논문에서는풍력발전기의연간평균풍속을고려 하여 풍속별 확률분포를 사용하여 연간 에너지 생산 량을최대로하는유한요소해석을통한설계법을제 시하였다. 또한 막대한 시간이 걸리는 GA의 최적화 알고리즘과전문가시스템을결합하여신뢰성을유지 하면서 빠른 수렴을 해내는 새로운 알고리즘을 개발 하였다. 이상의방법을사용하여500[kW]급풍력발전 기의 연간 최대 에너지 생산모델을 목적함수로 하는 최적설계를 수행한 결과, 기존의 GA와 비교하여 20[%]정도개선된수렴속도를보여주었고, 목적함수 또한 1.5[MWh]정도 개선된 결과를 나타내었다. 본논문에서제안한혼합형알고리즘은수학적인정 보를요구하지 않기때문에의료, 항공, 화학, 신소재 등의 추상적인 학문분야에서도 널리 사용될 수 있을 것이라 확신한다. 향후 규칙기반 시스템을 적용하여 목표 사양에 부합될 뿐만 아니라 기본적인 요구사양 도 만족시키는 지식기반 최적화 알고리즘을 개발할 것이다. 본 연구는 교육과학기술부와 한국산업기술진흥원의 지역 혁신인력양성사업과 2009학년도 동의대학교 교내연구비에 의해 연구되었음(과제번호2009AA161). References [1] MADS를 이용한 직접구동형 풍력발전기 최적설계, 박지 성(Ji-Seong Park), 한국조명․전기설비학회, 조명․전기 설비학회논문지, 제23권 제12호 2009.12, pp. 48～ 57(10pages). [2] Yicheng Chen, Pragasen Pillay, Khan.A., “PM wind generator comparison of different topologies,” Proc. of 39th IAS Annual Meeting Conference, Vol. 3, No. 3-7, pp 1405-1412, October.2004. [3] J. F. Manwell, J. G. McGowan, A. L. Rogers, “Wind Energy Theory, Design and Application,” John Wiley & Sons, 1st Ed., 2002. [4] Anders Grauers, “Design of Direct-driven Permanent- magnet Generators for Wind Turbines,” Ph.D Thesis Chalmers University, October 1996. [5] Inoue, A., Hasan Ali Mohd., Takahashi, R., Murata, T., Tamura, J., Ichinose and M., Kazumasa Ide, “A Calculation Method of the Total Efficiency of Wind Generator,” Proc. of PEDS2005, Vol. 2, No. 28-01, pp. 1595-1600, Nov. 2005. [6] 유전알고리즘과 신경회로망을 이용한 선형유도전동기의 최적설계, 김창업(Chang-Eob Kim), 한국조명․전기설비학 회, 조명․전기설비학회논문지, 제17권 제5호 2003.9, pp. 29～35. [7] 문병로, “유전 알고리즘”, 2003. [8] 직류서보모터의 고효율 수요관리를 위한 전문가 시스템, 김광헌(金垙憲), 한국조명․전기설비학회, 조명․전기설 비, 제8권 제3호 1994.6, pp. 71～79(9pages). ◇ 저자소개 ◇──────────── 김상훈(金相勳) 1982년 6월 13일생. 2009년 동의대 전기 공학과 졸업. 2009년～현재 동아대학원 전기공학과 석사과정. 정상용(鄭相龍) 1973년 9월 20일생. 1997년 서울대 공대 전기공학부 졸업. 1999년 동 대학원 졸업 (석사). 2003년 동 대학원 졸업(박사). 2003～2006년 현대자동차 연구개발본부 선임연구원. 현재 동아대학교 전기공학과 조교수.