http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
분산전원용 스마트 인버터 테스트를 위한 PHILS 테스트 베드 운용
강모세(Moses Kang),윤기환(Gi Hwan Yoon),배국열(Kuk Yeol Bae),박화평(Hwa-Pyeong Park),송성윤(Sung Yoon Song),장재원(Jaewon Chang),박명우(Myeong Woo Park),백종복(Jongbok Baek) 전력전자학회 2021 전력전자학술대회 논문집 Vol.2021 No.7
분산전원의 수용률 증가로 인해 전력시스템의 신뢰성 및 안정도 감소에 대한 우려가 현실이 되고 있다. 이에 따라, 전 세계적으로 IEEE std 1547-2018, 스마트인버터와 같은 전력시스템과 분산전원 간의 상호 연결 및 상호 운용성에 대한 요구조건이 제시되고 있다. 본 논문에서는 분산전원용 스마트 인버터 테스트를 위한 PHILS 테스트 베드의 운용에 대해 소개한다. 스마트 인버터 기술의 테스트를 위하여 실시간 시뮬레이터와 Power Conversion System 에뮬레이터를 연동하고, 계통 시뮬레이터를 통해 전압, 주파수 변동 등의 사례를 생성한다. Sunspec 통신 프로토콜을 만족하는 Validation S/W와 실시간 시뮬레이터를 Modbus 통신으로 연결하여 IEEE 1547-2020에 명시된 테스트 절차를 해당 검증되는 알고리즘이 만족하는지 최종 확인한다.
전기요금 절감용 ESS를 활용한 Particle Swarm Optimization 기반 Peak Shaving 제어 방법
박명우(Myoung Woo Park),강모세(Moses Kang),윤용운(YongWoon Yun),홍선리(Seonri Hong),배국열(KUK YEOL BAE),백종복(Jongbok Baek) 한국전기전자학회 2021 전기전자학회논문지 Vol.25 No.2
본 논문에서는 전기요금 절감용 ESS를 활용한 Particle swarm optimization(PSO) 기반 Peak shaving 제어 방법을 제안한다. 제안한 방식은 실제 부하와 예상되는 부하의 소비를 비교하여 피크 절감을 위해 ESS의 추가 유효전력값을 계산하여 입력을 더한다. 또한 추가로 증가시킨 유효전력을 보상하기 위해, 유효전력을 할당하는 과정을 수행하며 유효전력 할당치가 피크 부하에 영향을 주지 않도록 유효전력 할당 지점에 예상되는 부하의 평균을 최소화하는 최적화 해를 PSO를 통해 찾는다. 제안한 방식의 성능 검증을 위해 실제 부하 데이터와 예측 알고리즘을 반영하여 예측 오차가 적은 경우와 큰 경우의 사례 연구를 수행하였다. 사례 연구 수행 결과 제안한 방식을 전기요금 절감을 위한 충ㆍ방전 제어 방식과 같이 수행한 경우 예측 오차가 큰 경우에도 성공적으로 피크 부하 절감을 수행하였으며, 17.8%의 피크 부하 절감 효과와 6.02%의 전기요금 절감 효과를 보였다. This paper proposes a particle swarm optimization (PSO)-based peak shaving scheme using energy storage system (ESS) for electricity tariff reduction. The proposed scheme compares the actual load with the estimated load consumption, calculates the additional output power that the ESS needs to discharge additionally to reduce peak load, and adds the input. In addition, in order to compensate for the additional power, the process of allocating power to the determined point is performed, and an optimization that minimizes the average of the load expected at the active power allocations using PSO so that the allocated value does not affect the peak load. To investigated the performance of the proposed scheme, case study of small and large load prediction errors was conducted by reflecting actual load data and load prediction algorithm. As a result, when the proposed scheme is performed with the ESS charge and discharge control to reduce electricity tariff, even when the load prediction error is large, the peak load is successfully reduced, and the peak load reduction effect of 17.8% and electricity tariff reduction effect of 6.02% is shown.
리튬 이온 배터리의 충전 상태 추정을 위한 LSTM 네트워크 학습 방법 비교
홍선리(Seon-Ri Hong),강모세(Moses Kang),김건우(Gun-Woo Kim),정학근(Hak-Geun Jeong),백종복(Jong-Bok Beak),김종훈(Jong-Hoon Kim) 한국전기전자학회 2019 전기전자학회논문지 Vol.23 No.4
안전하고 최적의 배터리 성능을 유지하기 위해 정확한 충전상태(SOC) 추정 기술이 필수적이다. 본 논문에서는 기존의 전류적산 방법이 가지고 있는 문제를 해결하기 위해 시간 종속성을 가지는 인공지능 기반의 LSTM을 이용한 SOC 추정 방법을 적용하였다. 훈련과 검증에 필요한 데이터는 전기적 실험을 통해 일정 크기로 방전된 전류, 전압, 온도를 수집하였고 학습을 위한 입력데이터의 질을 향상시키기 위해 데이터 전처리를 수행하였다. 또한, LSTM 모델의 구조 및 하이퍼파라미터 설정에 따른 학습 능력과 SOC 추정 성능을 비교하였다. 학습한 모델은 UDDS 프로파일을 통해 검증하였으며, RMSE 0.82%, MAX 2.54%의 추정 정확도를 달성하였다. To maintain the safe and optimal performance of batteries, accurate estimation of state of charge (SOC) is critical. In this paper, Long short-term memory network (LSTM) based on the artificial intelligence algorithm is applied to address the problem of the conventional coulomb-counting method. Different discharge cycles are concatenated to form the dataset for training and verification. In oder to improve the quality of input data for learning, preprocessing was performed. In addition, we compared learning ability and SOC estimation performance according to the structure of LSTM model and hyperparameter setup. The trained model was verified with a UDDS profile and achieved estimated accuracy of RMSE 0.82% and MAX 2.54%.