[논문]하이브리드 신재생에너지 시스템의 최적제어를 위한 퍼지 로직 제어기 설계

장성대; 지평식

doi:10.5370/kieep.2018.67.3.143

Abstract ▼ AI-Helper

In this paper, the optimal fuzzy logic controller(FLC) for a hybrid renewable energy system(HRES) is proposed. Generally, hybrid renewable energy systems can consist of wind power, solar power, fuel cells and storage devices. The proposed FLC can effectively control the entire HRES by determining th...

In this paper, the optimal fuzzy logic controller(FLC) for a hybrid renewable energy system(HRES) is proposed. Generally, hybrid renewable energy systems can consist of wind power, solar power, fuel cells and storage devices. The proposed FLC can effectively control the entire HRES by determining the output power of the fuel cell or the absorption power of the electrolyzer. In general, fuzzy logic controllers can be optimized by classical optimization algorithms such as genetic algorithms(GA) or particle swarm optimization(PSO). However, these FLC have a disadvantage in that their performance varies greatly depending on the control parameters of the optimization algorithms. Therefore, we propose a method to optimize the fuzzy logic controller using the teaching-learning based optimization(TLBO) algorithm which does not have the control parameters of the algorithm. The TLBO algorithm is an optimization algorithm that mimics the knowledge transfer mechanism in a class. To verify the performance of the proposed algorithm, we modeled the hybrid system using Matlab Tool and compare and analyze the performance with other classical optimization algorithms. The simulation results show that the proposed method shows better performance than the other methods.

주제어

표/그림 (10)

그림 그림 1 시스템 구성도 Fig. 1 System configuration
그림 그림 2 요구 부하 데이터 Fig. 2 Demand load data
표 표 1 신재생에너지 시스템의 유지보수 및 운영 비용 Table 1 Costs of maintenance and operation for renewable energy system.
그림 그림 3 입력 멤버쉽 함수 (𝜔=0.5) Fig. 3 Input membership function (𝜔=0.5)
그림 그림 4 출력 멤버쉽 함수 (𝜔=0.5) Fig. 4 Output membership function (𝜔=0.5)
표 표 2 시뮬레이션 결과 (𝜔 = 0.5) Table 2 Simulation results (𝜔 = 0.5)
그림 그림 5 반복횟수에 따른 목적함수 (𝜔=0.5) Fig. 5 Object function according to iteration (𝜔=0.5)
그림 그림 6 배터리의 SOC (𝜔=0.5) Fig. 6 Soc of battery (𝜔=0.5)
그림 그림 7 수소탱크의 레벨 (𝜔=0.5) Fig. 7 Level of hydrogen tank (𝜔=0.5)
그림 그림 8 하이브리드 시스템의 출력 및 요구부하 (𝜔=0.5) Fig. 8 Output and required load of hybrid renewable energy system (𝜔=0.5)

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 논문에서는 TLBO 기법을 이용한 하이브리드 시스템의 퍼지 로직제어기의 최적 설계 기법을 제안한다. 제안된 알고리즘의 성능을 검증하기 위하여 풍력 터빈, 광전지, 연료 전지 (FC), 배터리 및 Electrolyzer (Elec)로 구성된 하이브리드 시스템을 이용하였으며 목적함수로는 LPSP(loss of power supply probability)와 운영 및 유지관리비용 (operation and maintenance)을 이용하여 평가하였다.
본 논문에서는 하이브리드 시스템의 최적 제어를 위하여 TLBO알고리즘과 퍼지로직 제어기를 제안하였다. 그림 제안된 퍼지로직 제어기는 신재생에너지의 출력과 부하전력간의 전력균형을 목적함수를 최적화하면서 충족시킨다.
본 논문에서는 하이브리드 신재생에너지 시스템의 성능을 향상시키기 위해 TLBO를 이용한 최적화된 퍼지 로직 제어기를 제안한다. 제안된 퍼지 로직 제어기는 TLBO에 의해 초기 멤버쉽 함수들이 최적화된다.
본 논문에서는 하이브리드 신재생에너지 시스템의 최적제어를 위하여 TLBO를 이용한 최적 퍼지로직 제어기 설계를 제안하였다. 하이브리드 시스템의 목적함수로는 LPSP와 운영 및 유지보수비용을 동시에 만족하도록 설계하였으며 목적함수가 최적이 되도록 운전하기 위하여 위한 퍼지로직 제어기는 TLBO 알고리즘에 의해서 입력 멤버쉽 함수와 출력 멤버쉽 함수가 선택되도록 하였다.

가설 설정

본 논문에서는 하이브리드 시스템의 최적 제어를 위하여 TLBO알고리즘과 퍼지로직 제어기를 제안하였다. 그림 제안된 퍼지로직 제어기는 신재생에너지의 출력과 부하전력간의 전력균형을 목적함수를 최적화하면서 충족시킨다. 목적함수로는 운영 및 유지보수 비용과 LPSP (Loss of Power Supply Probability)을 이용하였으며 두 가지 요소를 동시에 충족시키기 위하여 식 (4)와 같은 목적함수를 사용하였다.
본 논문에서는 하이브리드 신재생에너지 시스템의 성능을 향상시키기 위해 TLBO를 이용한 최적화된 퍼지 로직 제어기를 제안한다. 제안된 퍼지 로직 제어기는 TLBO에 의해 초기 멤버쉽 함수들이 최적화된다. 제안된 시스템에서는 퍼지 로직 제어기에 의해 운영 및 유지 보수 (O&M)비용과 LPSP (Power Supply Probability)가 동시에 최적화 되도록 운영된다[15].

제안 방법

반대로 요구부하전력을 충족하고 잉여전력이 존재할 경우 전해조(Electrolyzer)를 통하여 수소를 생성하여 저장한다. 이 시스템의 제어는 전해조용 벅 컨버터와 연료전지용 부스터 컨버터의 출력을 교수학습 최적화 알고리즘으로 최적화된 퍼지 로직 제어기로서 전력흐름을 제어한다. 또한 컨버터의 동특성 모델은 전체 시스템의 동특성에 비해 매우 빠르기 때문에 무시하고 출력만을 제공하는 장치로서 간략화 하여 모델링 된다[8].
본 논문에서는 TLBO 기법을 이용한 하이브리드 시스템의 퍼지 로직제어기의 최적 설계 기법을 제안한다. 제안된 알고리즘의 성능을 검증하기 위하여 풍력 터빈, 광전지, 연료 전지 (FC), 배터리 및 Electrolyzer (Elec)로 구성된 하이브리드 시스템을 이용하였으며 목적함수로는 LPSP(loss of power supply probability)와 운영 및 유지관리비용 (operation and maintenance)을 이용하여 평가하였다. 실험결과 제안된 알고리즘이 기존의 일반적인 지능형 최적화 알고리즘에 비해 우수함을 확인하였다.
본 논문에서는 하이브리드 신재생에너지 시스템의 최적제어를 위하여 TLBO를 이용한 최적 퍼지로직 제어기 설계를 제안하였다. 하이브리드 시스템의 목적함수로는 LPSP와 운영 및 유지보수비용을 동시에 만족하도록 설계하였으며 목적함수가 최적이 되도록 운전하기 위하여 위한 퍼지로직 제어기는 TLBO 알고리즘에 의해서 입력 멤버쉽 함수와 출력 멤버쉽 함수가 선택되도록 하였다. 제안된 알고리즘의 성능 비교를 위하여 일반적으로 잘 알려진 유전자 알고리즘과 PSO와 비교하였으며 실험 결과 제안된 알고리즘이 다른 기법들에 비하여 우수한 성능을 보임을 확인하였다.

대상 데이터

그림 2에 나타낸 요구부하에 대한 시뮬레이션을 위하여 학생 수는 100명으로 선정하고 학습회수를 100으로 선정하였다. 표 2는 가중치 w=0.
2KW의 전력을 가지며 실제 건물에서의 소비부하전력을 사용하였다[16]. 또한 풍력 및 태양광 발전시스템을 위한 풍속, 기온 일사량 데이터는 2015년 11월 1일에서 7일 사이의 제주도 기상청 데이터를 사용하였다[17].
퍼지 로직 제어기의 입력으로는 그림 1에서 보는 바와 같이 배터리의 SOC, 수소탱크 레벨(Hydrogen Level) 및 DP(풍력 및 PV의 출력합과 부하전력 차)이며 출력은 DP의 부호((+) 잉여전력 발생, (-)부족전력 발생)에 따라 Boost 컨버터(연료전지)의 출력 또는 Buck 컨버터(전해조의 소비전력)의 출력이 된다. 배터리의 SOC와 HL을 위한 멤버쉽 함수는 Low, Medium, High의 세 가지를 사용하고 DP를 위한 멤버쉽 함수는 NB, NM, Z,PM, PB를 사용하였다. 퍼지제어기의 출력을 위한 멤버쉽 함수는 NB, NM, Z, PM, PB를 사용하였으며 제어규칙은 총 45개를 사용하였다[10, 11].
배터리의 SOC와 HL을 위한 멤버쉽 함수는 Low, Medium, High의 세 가지를 사용하고 DP를 위한 멤버쉽 함수는 NB, NM, Z,PM, PB를 사용하였다. 퍼지제어기의 출력을 위한 멤버쉽 함수는 NB, NM, Z, PM, PB를 사용하였으며 제어규칙은 총 45개를 사용하였다[10, 11].

성능/효과

그러나 이러한 알고리즘들 또한 퍼지제어기와 비슷하게 설계자가 정의해야 하는 변수들에 의해 성능에 차이가 있다는 단점들이 존재한다. 따라서 신재생에너지에 적용되는 퍼지제어기의 최적 설계를 위해서는 퍼지제어기는 물론 최적화 알고리즘들의 변수들까지 설계하여야 하는 복잡한 최적화 문제로 귀결된다.
2%로 제안된 알고리즘의 성능이 다른 방법들에 비하여 더 우수함 알 수 있다. 또한 TLBO알고리즘에 의한 최적화 기법에서는 유지 및 운영비용이 소요되는 연료전지 시스템을 다른 알고리즘들에 비하여 적게 하면서 LPSP는 동일한 성능이 되도록 퍼지 제어기의 멤버쉽 함수를 잘 최적화하였음을 알 수 있다.
제안된 알고리즘의 성능을 검증하기 위하여 풍력 터빈, 광전지, 연료 전지 (FC), 배터리 및 Electrolyzer (Elec)로 구성된 하이브리드 시스템을 이용하였으며 목적함수로는 LPSP(loss of power supply probability)와 운영 및 유지관리비용 (operation and maintenance)을 이용하여 평가하였다. 실험결과 제안된 알고리즘이 기존의 일반적인 지능형 최적화 알고리즘에 비해 우수함을 확인하였다.
그림 8에서 볼 수 있듯이 시스템의 출력이 요구부하를 잘 추종하고 있음을 볼 수 있다. 실험결과로부터 알 수 있는 바와 같이 TLBO 알고리즘은 다른 알고리즘들에 비해 하이브리드 시스템을 효과적으로 제어할 수 있는 최적의 퍼지 제어기의 파라미터를 선정하였음을 알 수 있다.
하이브리드 시스템의 목적함수로는 LPSP와 운영 및 유지보수비용을 동시에 만족하도록 설계하였으며 목적함수가 최적이 되도록 운전하기 위하여 위한 퍼지로직 제어기는 TLBO 알고리즘에 의해서 입력 멤버쉽 함수와 출력 멤버쉽 함수가 선택되도록 하였다. 제안된 알고리즘의 성능 비교를 위하여 일반적으로 잘 알려진 유전자 알고리즘과 PSO와 비교하였으며 실험 결과 제안된 알고리즘이 다른 기법들에 비하여 우수한 성능을 보임을 확인하였다.
표 2에서 알 수 있듯이 GA와 PSO알고리즘에 의한 퍼지로직 제어기의 성능은 초기 멤버쉽 함수를 사용했을 때에 비하여 약 1.93% 우수한 성능을 보였으며 제안된 TLBO알고리즘을 적용한 방법에서는 약 2.2%로 제안된 알고리즘의 성능이 다른 방법들에 비하여 더 우수함 알 수 있다. 또한 TLBO알고리즘에 의한 최적화 기법에서는 유지 및 운영비용이 소요되는 연료전지 시스템을 다른 알고리즘들에 비하여 적게 하면서 LPSP는 동일한 성능이 되도록 퍼지 제어기의 멤버쉽 함수를 잘 최적화하였음을 알 수 있다.

질의응답

핵심어	질문	논문에서 추출한 답변
	집단 기반의 최적화 알고리즘의 한계는 무엇인가?	지능형 최적화 기법 중 집단 기반의 최적화 알고리즘들은 대표적으로 유전자 알고리즘, 분자군집 최적화 알고리즘, 물순환 알고리즘 및 Cuckoo 탐색기법 등이 신재생에너지 시스템에 적용되어져 왔다[8-12]. 그러나 이러한 알고리즘들 또한 퍼지제어기와 비슷하게 설계자가 정의해야 하는 변수들에 의해 성능에 차이가 있다는 단점들이 존재한다. 따라서 신재생에너지에 적용되는 퍼지제어기의 최적 설계를 위해서는 퍼지제어기는 물론 최적화 알고리즘들의 변수들까지 설계하여야 하는 복잡한 최적화 문제로 귀결된다.
	신재생에너지의 종류는 무엇이 있는가?	이러한 에너지 문제의 해결을 위하여 신재생에너지에 대한 연구가 다양한 분야에서 많이 연구되어지고 있다. 신재생에너지는 대표적으로 풍력, 태양광 및 연료 전지 등이 있으며 저장장치로서 배터리, 슈퍼 캐패시터 등이 최근 각광을 받고 있다. 이러한 신재생에너지원을 이용하는 발전시스템은 독립적인 발전시스템과 기존의 전력망에 연계하여 에너지 유연성 및 비용 절감에 효과를 가져올 수 있으며 또한 에너지 신뢰도 면에서도 장점을 가진다.
	신재생에너지원을 이용하는 발전시스템의 장점은 무엇인가?	신재생에너지는 대표적으로 풍력, 태양광 및 연료 전지 등이 있으며 저장장치로서 배터리, 슈퍼 캐패시터 등이 최근 각광을 받고 있다. 이러한 신재생에너지원을 이용하는 발전시스템은 독립적인 발전시스템과 기존의 전력망에 연계하여 에너지 유연성 및 비용 절감에 효과를 가져올 수 있으며 또한 에너지 신뢰도 면에서도 장점을 가진다. 그러나 거의 대부분의 응용분야에서는 하나 이상의 신재생 에너지원과 저장장치를 적용한 하이브리드 시스템으로 구성되며 전력 공급의 안정성과 우수한 전력품질을 유지하기 위해서는 적절한 에너지관리시스템 및 전력제어기가 필수적이다[1-3].

참고문헌 (17)

Wang, C., Nehrir M. H., "Power management of a stand-alone wind/photovoltaic/fuel cell energy system," IEEE transactions on Energy conversion, vol. 23, pp. 957-967, 2008.

상세보기
Dufo-Lopez R., Bernal-Agustin J. L. "Multi-objective design of pv-wind-diesel-hydrogen-battery systems," Renewable energy, vol. 33, pp. 2559-2572, 2008.

상세보기
Bajpai, P., Dash V., "Hybrid renewable energy systems for power generation in stand-alone applications: A review," Renewable and Sustainable Energy Reviews, vol. 16, pp. 2926-2939, 2012.

상세보기
Ludwig, B., "On the sustainability of future energy systems," Energy conversion and management, vol. 38, pp. 1765-1775, 1997.

상세보기
Bilodeau, A., Agbossou K., "Control analysis of renewable energy system with hydrogen storage for residential applications," Journal of Power Sources, vol. 162, pp. 757-764, 2006.

상세보기
Thanaa, F., Eskander M. N., El-Hagry M. T., "Energy flow and management of a hybrid wind/pv/fuel cell generation system", Energy Conversion and Management, vol. 47, pp. 1264-1280. 2006.

상세보기
Miland H., Glockner R., Taylor P., Aaberg R. J., Hagen G., "Load control of a wind-hydrogen stand-alone power system," International Journal of Hydrogen Energy, vol. 31, pp. 1215-1235, 2006.

상세보기
Jahedi G., Ardehali M.. "Genetic algorithm-based fuzzy-pid control methodologies for enhancement of energy efficiency of a dynamic energy system," Energy Conversion and Management, vol. 52, pp. 725-732, 2011.

상세보기
Messai A., Mellit A., Guessoum A., Kalogirou S., "Maximum power point tracking using a ga optimized fuzzy logic controller and its fpga implementation," Solar energy, vol. 85, pp. 265-277. 2011,

상세보기
Safari S., Ardehali M., Sirizi M., "Particle swarm optimization based fuzzy logic controller for autonomous green power energy system with hydrogen storage," Energy Conversion and Management, vol. 65, pp. 41-49, 2013.

상세보기
Sarvi M., Avanaki I. N., "An optimized fuzzy logic controller by water cycle algorithm for power management of stand-alone hybrid green power generation," Energy Conversion and Management, vol. 106, pp. 118-126. 2015.

상세보기
Berrazouane S., Mohammedi K., "Parameter optimization via cuckoo optimization algorithm of fuzzy controller for energy management of a hybrid power system," Energy Conversion and Management, vol. 78, pp. 652-660, 2014.

상세보기
Rao R. V., Savsani V. J, Vakharia D., "Teaching-learning-based optimization : A novel method for constrained mechanical design optimization problems," Computer-Aided Design, vol. 43, pp. 303-315, 2011.

상세보기
Rao R. V., Savsani V. J., Vakharia, D., "Teaching-learning-based optimization : An optimization method for continuous non-linear large scale problems," Information Sciences, vol. 183, pp. 1-15, 2012.

상세보기
Hong Won-Pyo, and Jea-Hoon Cho, "Power Control of Stand-alone Microgrid with Smart Fuzzy Logic Controller using TLBO-CS Algorithm," KIIEE 2018 Annual Spring Conference, pp. 156-156, 2018.
https://openei.org/datasets/files/961/pub/
http://sts.kma.go.kr/jsp/home/contents/main/main.do

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

하이브리드 신재생에너지 시스템의 최적제어를 위한 퍼지 로직 제어기 설계
Design of Fuzzy Logic Controller for Optimal Control of Hybrid Renewable Energy System 원문보기

Abstract ▼ AI-Helper

주제어

표/그림 (10)

표/그림 (10)

AI 본문요약
AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

성능/효과

질의응답

참고문헌 (17)

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

원문 URL 링크

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

하이브리드 신재생에너지 시스템의 최적제어를 위한 퍼지 로직 제어기 설계 Design of Fuzzy Logic Controller for Optimal Control of Hybrid Renewable Energy System 원문보기

Abstract ▼ AI-Helper

주제어

표/그림 (10) 모든 표/그림 보기

표/그림 (10) 슬라이드로 보기

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

성능/효과

질의응답

참고문헌 (17)

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

원문 URL 링크

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

하이브리드 신재생에너지 시스템의 최적제어를 위한 퍼지 로직 제어기 설계
Design of Fuzzy Logic Controller for Optimal Control of Hybrid Renewable Energy System 원문보기

표/그림 (10)

표/그림 (10)

AI 본문요약
AI-Helper