[논문]FNN에 의한 태양광 발전의 MPPT 제어

정철호; 고재섭; 최정식; 전영선; 김도연; 정병진; 정동화

FNN에 의한 태양광 발전의 MPPT 제어
MPPT Control of Photovoltaic by FNN 원문보기

정철호 (순천대) , 고재섭 (순천대) , 최정식 (순천대) , 전영선 (순천대) , 김도연 (순천대) , 정병진 (순천대) , 정동화 (순천대)

The paper proposes a novel control algorithm for tracking maximum power of PV generation system. The maximum power of PV array is determinated by a insolation and temperature. Prior considered the term in PV generation system is how maximum power point is accurately tracked. The paper proposes a FNN(Fuzzy Neural-Network) control algorithm so as to accurately track those maximum power points. The proposed control algorithm comprises the antecedence part of fuzzy rule and clustering method, multi-layer neural network in the consequent part. FNN has the advantages which are depicted both high performance and robustness in Fuzzy control and high adaptive control in Neural Network. Specially, it can show the outstanding control performance for parameter variations appling to non-linear character of PV array. In paper, the tracking speed and the accuracy prove the validity through comparing a proposed algorithm with a conventional one.

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

문제 정의

정상상태에서 최대전력은 35W, 54W, 59W를 출력하고 있다. 본 논문에서는 이러한 최대전력점에서 동작하도록 하는 추적 성능을 퍼지제어와 FNN제어기를 속도와 안정화 시간을 고려하여 대해 비교하였다.
본 논문에서는 태양광 발전시스템의 MPPT 제어를 위하여 FNN 제어 알고리즘을 제시하였다. 제시한 FNN 제어는 퍼지제어와 신경회로망을 혼합한 알고리즘으로 구성된다.
본 논문에서는 태양전지 어레이의 파라미터인 온도와 일사량이 변화할 경우 최대전력점 추적 성능에 대해 퍼지제어와 제시한 FNN 제어를 비교하였다. 또한 실시간 제어를 통해 추적 속도 및 안정화 시간을 분석하였다.
그러므로 퍼지제어에 적응성을 혼합한 제어 기법은 시스템의 동작을 더욱 향상시킬 수 있다. 이러한 문제를 해결하기 위하여 본 논문에서는 퍼지제어과 신경회로망을 혼합한 FNN 제어 알고리즘을 제시한다. 제시한 알고리즘은 퍼지제어에서 나타나는 장점인 고성능 및 강인성 제어를 얻을 수 있으며 신경회로망에서 나타나는 장점인 고도의 적응제어의 능력을 얻을 수 있다.
제어기의 주목적은 태양 전지 어레이의 동작점을 V-I 하강 부분, 즉 최대 전력점에 가깝게 이동하기 위해서다. 제시한 알고리즘에 의한 설계에서 동작점의 이동은 승압 컨버터(Brost Converter)의 스위치 S1의 듀티비를 수정하여 얻을 수 있다.

가설 설정

이러한 문제점을 해결하기 위해 최근 퍼지제어를 이용한 MPPT 기술이 제시되고 있다.(3)-[6] 퍼지 추론의 장점은 불충분한 센서정보의 시스템을 다루기 위한 계산을 할 수 있게 한다. 하지만 퍼지기반 시스템은 일사량과 온도 등의 다양하게 변하는 파라미터들에 대한 적응 제어는 여전히 부족하다.
그리고와 C 는 각각, 와 4 층에서 각 신경세포의 전 입 력을 나타낸다. 마지막으로 학습과정 동안 진동을 방지하고 수렴속도를 개선하기 위하여 모멘텀 항에 의한 새로운 조절은 다음과 같이 가정한다.

제안 방법

제시한 FNN 제어를 비교하였다. 또한 실시간 제어를 통해 추적 속도 및 안정화 시간을 분석하였다. 본 논문에서 제시한 FNN 제어 알고리즘은 종래의 퍼지제어에 비해 추적속도가 매우 빠르며 안정화 시간도 짧게 나타남으로서 만족할만한 결과를 얻을 수 있었다.
제시한 알고리즘은 퍼지제어에서 나타나는 장점인 고성능 및 강인성 제어를 얻을 수 있으며 신경회로망에서 나타나는 장점인 고도의 적응제어의 능력을 얻을 수 있다. 본 제어 알고리즘은 비선형특성을 갖는 태양광 발전 시스템에 적용하여 성능을 분석하였으며, 종래의 MPPT 알고리즘과 추적속도 및 정확도를 비교한다. 또한 제시한 알고리즘의 우수한 성능을 통해 본 논문의 타당성을 입증한다.
FNN 제어 알고리즘을 제시하였다. 제시한 FNN 제어는 퍼지제어와 신경회로망을 혼합한 알고리즘으로 구성된다. 이러한 알고리즘은 태양전지 어레이의 비선형적 특성에 적용하여 파라미터 변동에 대한 우수한 제어 성능을 나타낼 수 있다.

이론/모형

구현을 나타낸다. 조건부의 멤버쉽 함수를 효과적으로 설계하기 위하여 NN 구조를 간단하게 하고 수렴속도를 개선하기 위하여 클러스트링(신usterinG 방법을 적용한다. 표 1은 이와 일치하는 퍼지 제어 룰의 집합을 나타낸다.

성능/효과

태양에너지는 태양전지 셀에서 태양의 빛을 전기적인 에너지로 변환하여 얻을 수 있다.[1] 태양전지 모듈이 아직까지는 고가이고 일사량, 소자온도 부하와 같은 외부환경 등에 따라 최대출력점 (Maximum Power Point) 이 변하는 특성을 가지고 있다. 또한 변환효율이 수 십 %정도 밖에 되지 않기 때문에 가능한 많은 에너지를 태양전지에서 얻을 수 있도록 해야 하며, 항상 최대 전력점에서 동작하도록 제어해야 할 필요가 있다.
본 논문에서 제시한 FNN 제어 알고리즘은 종래의 퍼지제어에 비해 추적속도가 매우 빠르며 안정화 시간도 짧게 나타남으로서 만족할만한 결과를 얻을 수 있었다. 따라서 본 논문에서 제시한 FNN 제어 알고리즘의 타당성을 입증할 수 있었다.
마찬가지로 제시한 FNN 제어기가 퍼지제어에 비해 최대전력 점에 빠르게 도달하며 안정화 시간이 훨씬 짧게 나타나고 있다. 따라서 본 논문에서 제시한 FNN 제어기가 종래의 퍼지제어에 비해 최대전력점 추적 성능이 우수함을 알 수 있다.
본 제어 알고리즘은 비선형특성을 갖는 태양광 발전 시스템에 적용하여 성능을 분석하였으며, 종래의 MPPT 알고리즘과 추적속도 및 정확도를 비교한다. 또한 제시한 알고리즘의 우수한 성능을 통해 본 논문의 타당성을 입증한다.
또한 실시간 제어를 통해 추적 속도 및 안정화 시간을 분석하였다. 본 논문에서 제시한 FNN 제어 알고리즘은 종래의 퍼지제어에 비해 추적속도가 매우 빠르며 안정화 시간도 짧게 나타남으로서 만족할만한 결과를 얻을 수 있었다. 따라서 본 논문에서 제시한 FNN 제어 알고리즘의 타당성을 입증할 수 있었다.
이러한 문제를 해결하기 위하여 본 논문에서는 퍼지제어과 신경회로망을 혼합한 FNN 제어 알고리즘을 제시한다. 제시한 알고리즘은 퍼지제어에서 나타나는 장점인 고성능 및 강인성 제어를 얻을 수 있으며 신경회로망에서 나타나는 장점인 고도의 적응제어의 능력을 얻을 수 있다. 본 제어 알고리즘은 비선형특성을 갖는 태양광 발전 시스템에 적용하여 성능을 분석하였으며, 종래의 MPPT 알고리즘과 추적속도 및 정확도를 비교한다.
이러한 알고리즘은 태양전지 어레이의 비선형적 특성에 적용하여 파라미터 변동에 대한 우수한 제어 성능을 나타낼 수 있다. 특히, 퍼지제어에서 나타나는 장점인 고성능 및 강인성 제어를 얻을 수 있었으며, 신경회로망에서 나타나는 장점인 고도의 적응제어의 능력을 나타낼 수 있었다.
5초 구간에서는 100Wm!, 외기온도 25℃ 일 경우의 조건에서 실험결과를 나타낸다. 퍼지제어는 각 조건의 경우 0.24초 0.6k초 1.05초에 최대전력점에 도달하였으나 논문에서 제시한 FNN 제어기는 각 조건에서 0.1 초, 0.5초, 1.02초에 최대전력 점에 도달하는 것을 알 수 있다.

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

FNN에 의한 태양광 발전의 MPPT 제어
MPPT Control of Photovoltaic by FNN 원문보기

Abstract ▼ AI-Helper

AI 본문요약
AI-Helper

문제 정의

가설 설정

제안 방법

이론/모형

성능/효과

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

FNN에 의한 태양광 발전의 MPPT 제어 MPPT Control of Photovoltaic by FNN 원문보기

Abstract ▼ AI-Helper

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

가설 설정

제안 방법

이론/모형

성능/효과

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

FNN에 의한 태양광 발전의 MPPT 제어
MPPT Control of Photovoltaic by FNN 원문보기

AI 본문요약
AI-Helper