Development of reclosing algorithm in hybrid AC/DC distribution systems based on modular multilevel converter

국문 초록 (Abstract)

19세기 말 이래로 교류(AC) 송전은 전력계통의 기반을 형성해왔으며, 이는 교류와 직류(DC) 중 어떤 방식이 더 효율적이고 실용적인 전력 전송 수단인가에 대한 초기 논쟁 이후 정립된 것이다. 그러나 기후변화 대응을 위한 분산형 에너지 자원(DERs)의 확대, 전기차(EVs)의 급속한 보급, 그리고 인공지능(AI) 기술 발전에 따른 데이터 센터 수요의 증가로 인해, 전력계통 내에서 DC 전원과 DC 부하의 통합은 불가피한 발전 방향이 되었다. 이로써 전용 DC 배전망의 필요성이 대두되었으며, 기존의 AC 인프라에 DC 네트워크를 추가하는 AC/DC 하이브리드 전력계통이 현실적인 대안으로 부상하였다. 본 연구에서는 MATLAB/Simulink를 이용하여 Full-Bridge Modular Multilevel Converter (FB-MMC) 기반의 AC/DC 하이브리드 방사형 배전계통을 모델링하고, 기존 재폐로 기법의 한계점을 분석하였다. 분석 대상은 Pole-to-Ground (PTG) 고장, Pole-to-Pole (PTP) 고장, 그리고 intersystem 고장과 같은 영구고장이며, 해당 조건에서의 고장전류 파형을 검토하였다. 또한, 일시고장의 경우 기존 AC 재폐로 기법의 적용 가능성을 평가하였다. 이러한 분석을 바탕으로, 본 연구에서는 다층 퍼셉트론(MLP, Multi-Layer Perceptron)을 활용한 고장 분류 및 재폐로 알고리즘을 제안하였다. MLP는 전형적인 심층신경망(DNN) 구조인 전방향 신경망(FFDNN)의 한 형태로, 제안된 알고리즘은 일시고장과 영구고장 여부에 따라 재폐로 절차를 수행하도록 설계되었다. MATLAB/Simulink 기반의 시뮬레이션을 통해 제안된 재폐로 알고리즘의 동작을 검증하였으며, 일시고장이 90% 이상을 차지하는 기존 AC 배전계통 내 고장비율을 고려할 경우, 하이브리드 AC/DC 배전계통 내에서도 유사할 것으로 생각되며 해당 비율에 상응하는 만큼 전력계통의 신뢰성 향상에 기여할 수 있을 것으로 기대된다.

다국어 초록 (Multilingual Abstract)

Since the late 19th century, Alternating Current (AC) transmission has formed the foundation of power systems, following early debates on the most efficient and practical method of power delivery between AC and Direct Current (DC). However, the recent expansion of Distributed Energy Resources (DERs) to address climate change, the rapid adoption of Electric Vehicles (EVs), and the increase in data centers driven by the advancement of AI technologies have made the integration of DC sources and DC loads into power systems an inevitable development. As a result, the need for dedicated DC distribution systems has emerged, along with AC/DC hybrid power systems, which combine existing AC infrastructure with additional DC networks as a viable solution.
This study investigates the limitations of conventional reclosing schemes in an AC/DC hybrid radial distribution system constructed using a Full-Bridge Modular Multilevel Converter (FB-MMC) modeled in MATLAB/Simulink. The analysis considers permanent faults, including Pole-to-Ground (PTG) faults, Pole-to-Pole (PTP) faults and intersystem faults, and evaluates the corresponding fault current waveforms. For temporary faults, the applicability of conventional AC reclosing techniques is examined.
In particular, the study highlights that in the case of PTG and PTP faults, a rapid rise in fault current occurs due to the discharge of capacitors in the FB submodules. When traditional reclosing methods are applied under such conditions, fault current may reach its peak before trip of circuit breaker occurs, resulting in overcurrent stress on the IGBT switches in the MMC, which can lead to damage or destruction of device.
Based on these findings, this research develops classification and reclosing algorithm using Multi-Layer Perceptron(MLP) known as feed-forward deep neural network(FFDNN) which is typical model of DNN. Also, result of reclosing procedure is verified in MATLAB/Simulink simulation according to fault type such as temporary fault and permanent fault. This verification is expected to contribute to enhancing the reliability of the power system.

목차 (Table of Contents)

• Chapter 1. Introduction 1
• 1.1. Background of Research 1
• 1.2. Necessity of Research 5
• 1.3. Objective and Contribution of Research 6
• 1.4. Outline of Dissertation 7
• Chapter 2. Background about MMC Structure and Reclosing Schemes 9
• 2.1. Components and Structure of MMC 9
• 2.2. Conventional Reclosing Scheme in AC Distribution System 13
• 2.3. Reclosing Scheme in DC Distribution System 24
• Chapter 3. Proposed Reclosing Algorithm using Multi-Layer Perceptron Model 27
• 3.1. Multi-Layer Perceptron Model 27
• 3.2. Proposed Reclosing Algorithm 38
• Chapter 4. Modeling of Test System 40
• 4.1. Modeling of AC/DC Hybrid Distribution System and MMC 40
• 4.2. Modeling of DCCB Relay 43
• 4.3. Fault Current Waveform in Test System 46
• Chapter 5. Conditions and Results of Simulation 50
• 5.1. Conditions of Simulation 50
• 5.2. Results of Simulation 52
• 5.3. Discussions and Limitations 80
• Chapter 6. Conclusion 82
• References 84
• Korean Abstract 87