KR101287319B1 - 신경회로망을 이용한 계통연계형 풍력발전시스템 및 그 시스템의 센서리스 최대 전력점 추종 제어방법 - Google Patents

신경회로망을 이용한 계통연계형 풍력발전시스템 및 그 시스템의 센서리스 최대 전력점 추종 제어방법 Download PDF

Info

Publication number
KR101287319B1
KR101287319B1 KR1020110135831A KR20110135831A KR101287319B1 KR 101287319 B1 KR101287319 B1 KR 101287319B1 KR 1020110135831 A KR1020110135831 A KR 1020110135831A KR 20110135831 A KR20110135831 A KR 20110135831A KR 101287319 B1 KR101287319 B1 KR 101287319B1
Authority
KR
South Korea
Prior art keywords
generator
output
fuzzy
fluctuation value
membership function
Prior art date
Application number
KR1020110135831A
Other languages
English (en)
Other versions
KR20130068560A (ko
Inventor
김병조
이교범
Original Assignee
주식회사 웰케이원
한국서부발전 주식회사
한국동서발전(주)
한국남동발전 주식회사
한국남부발전 주식회사
한국중부발전(주)
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 웰케이원, 한국서부발전 주식회사, 한국동서발전(주), 한국남동발전 주식회사, 한국남부발전 주식회사, 한국중부발전(주) filed Critical 주식회사 웰케이원
Priority to KR1020110135831A priority Critical patent/KR101287319B1/ko
Publication of KR20130068560A publication Critical patent/KR20130068560A/ko
Application granted granted Critical
Publication of KR101287319B1 publication Critical patent/KR101287319B1/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/02—Circuit arrangements for ac mains or ac distribution networks using a single network for simultaneous distribution of power at different frequencies; using a single network for simultaneous distribution of ac power and of dc power
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D7/00—Controlling wind motors 
    • F03D7/02—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor
    • F03D7/04—Automatic control; Regulation
    • F03D7/042—Automatic control; Regulation by means of an electrical or electronic controller
    • F03D7/043—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic
    • F03D7/046—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic with learning or adaptive control, e.g. self-tuning, fuzzy logic or neural network
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D7/00—Controlling wind motors 
    • F03D7/02—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor
    • F03D7/04—Automatic control; Regulation
    • F03D7/042—Automatic control; Regulation by means of an electrical or electronic controller
    • F03D7/048—Automatic control; Regulation by means of an electrical or electronic controller controlling wind farms
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/72—Wind turbines with rotation axis in wind direction
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/76—Power conversion electric or electronic aspects

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Power Engineering (AREA)
  • Control Of Eletrric Generators (AREA)

Abstract

신경회로망을 이용한 계통연계형 풍력발전시스템 및 그 시스템의 센서리스 최대 전력점 추종 제어방법이 개시된다. 본 발명의 실시예에 따르면, 풍속에 의해 회전하여 기계적 에너지를 발생하는 블레이드, 상기 발생된 기계적 에너지를 전기적 에너지로 변환하는 발전기, 상기 전기적 에너지를 정류하는 정류기, 상기 정류기의 출력전압을 승압하여 출력하는 승압형 컨버터, 상기 승압형 컨버터의 출력전압을 교류로 변환하여 계통(Grid)에 공급하는 인버터를 구비한 계통연계형 풍력발전시스템은, 풍속에 따라 가변되는 발전기의 출력전력 변동값 및 출력전압 변동값을 입력받아 신경회로망의 학습을 통해 출력전력 변동값의 퍼지 소속함수 폭 및 전압 변동값의 퍼지 소속함수 폭을 결정해서, 상기 발전기 출력전압 변동값 및 출력전력 변동값에 대한 퍼지제어를 수행하여, 상기 발전기 출력전력이 최대 전력점에 도달하도록 듀티비가 조절된 승압형 컨버터의 입력전압을 생성한 후 상기 승압형 컨버터에 인가하는 뉴로 퍼지 제어기를 포함한다.

Description

신경회로망을 이용한 계통연계형 풍력발전시스템 및 그 시스템의 센서리스 최대 전력점 추종 제어방법{GRID CONNECTED WIND POWER SYSTEM AND SENSORLESS MAXIMUM POWER POINT TRACKING CONTROL METHOD THEREOF USING NEURAL NETWORK}
본 발명은 신경회로망을 이용한 계통연계형 풍력발전시스템 및 그 시스템의 센서리스(sensorless) 최대 전력점 추종(Maximum power point tracking : MPPT) 제어방법에 관한 것으로, 더욱 자세하게는 신경회로망 학습 및 퍼지제어를 통해서 승압형 컨버터의 입력전압의 듀티비(duty ratio)를 조절하여 풍력발전시스템의 발생전력이 최대효율로 계통에 전달되도록 하는 기술에 관한 것이다.
최근 화석에너지의 고갈에 대한 대체에너지로 풍력 및 태양광 발전시스템이 각광을 받고 있다. 풍력발전시스템의 경우 풍속변화에 대응하여 최대 전력이 발생되도록 하는 MPPT 제어가 요구된다. 즉, 풍속 가변시 발전기 출력전력이 최대가 되게 하는 회전속도로 발전기를 동작시켜야 한다. 종래 풍속과 발전기의 회전속도 정보를 이용하여 MPPT 제어를 하는 방법은 단순하지만 고가의 장비를 필요로 하며 풍속 및 발전기의 회전속도 측정시 에러가 존재한다는 단점이 있다.
이러한 단점을 개선하기 위해서 풍속과 발전기의 회전속도 정보를 필요로 하지 않는 센서리스 MPPT 제어기술이 개시되고 있다. 센서리스 MPPT 제어는 발전기의 출력전력 및 출력전압의 관계를 비교하여 최대전력을 출력가능하게 할 수 있다. 센서리스 MPPT 제어 기법 중 P&O 알고리즘의 경우 추종속도가 느리고 정상상태인 최대 전력점 주위에서 발전기의 회전속도가 계속 진동하는 문제가 있다. 이는 결과적으로 단순 계통에 공급되는 전압의 품질을 저하시키는 문제점을 발생시킨다.
이 P&O 알고리즘의 문제점을 개선하기 위해서 퍼지 제어기를 적용할 수 있다. 그러나 퍼지 제어기는 퍼지추론 방법, 비퍼지화 방법에 따라 퍼지 제어기의 소속함수 폭이 퍼지 제어기의 응답 성능에 영향을 줄 수 있다.
본 발명과 관련된 선행문헌으로는 대한민국 공개특허 제10-2010-0064492호(공개일: 2010년 06월 15일)가 있다.
발전기의 출력전력 및 출력전압을 이용하여 신경회로망의 학습을 통해 퍼지 소속함수의 폭을 최적화해서 발전기의 최대 전력점을 추종하도록 승압형 컨버터의 입력전압의 듀티비를 조절하는, 신경회로망을 이용한 계통연계형 풍력발전시스템 및 그 시스템의 센서리스 최대 전력점 추종 제어방법이 제안된다.
본 발명의 일 양상에 따르면, 풍속에 의해 회전하여 기계적 에너지를 발생하는 블레이드, 상기 발생된 기계적 에너지를 전기적 에너지로 변환하는 발전기, 상기 전기적 에너지를 정류하는 정류기, 상기 정류기의 출력전압을 승압하여 출력하는 승압형 컨버터, 상기 승압형 컨버터의 출력전압을 교류로 변환하여 계통(Grid)에 공급하는 인버터를 구비한 계통연계형 풍력발전시스템은, 풍속에 따라 가변되는 발전기의 출력전력 변동값 및 출력전압 변동값을 입력받아 신경회로망의 학습을 통해 출력전력 변동값의 퍼지 소속함수 폭 및 전압 변동값의 퍼지 소속함수 폭을 결정해서, 상기 발전기 출력전압 변동값 및 출력전력 변동값에 대한 퍼지제어를 수행하여, 상기 발전기 출력전력이 최대 전력점에 도달하도록 듀티비가 조절된 승압형 컨버터의 입력전압을 생성한 후 상기 승압형 컨버터에 인가하는 뉴로 퍼지 제어기를 포함한다.
상기 뉴로 퍼지 제어기는, 풍속에 따라 가변되는 발전기의 출력전력 변동값 및 발전기의 출력전압 변동값을 입력받아 학습을 거쳐 출력전력 변동값의 퍼지 소속함수 폭 및 출력전압 변동값의 퍼지 소속함수 폭을 출력하는 신경회로망; 상기 발전기의 출력전력 변동값의 퍼지 소속함수 폭 및 발전기의 출력전압 변동값의 퍼지 소속함수 폭을 이용하여, 발전기의 출력전력 변동값에 대한 퍼지 소속함수의 폭 및 발전기의 출력전압 변동값에 대한 퍼지 소속함수의 폭을 조절해서, 퍼지화, 퍼지추론 및 비퍼지화과정을 수행해서 퍼지 전압값을 출력하는 퍼지 제어기; 및 상기 퍼지 전압값과 발전기의 출력전압을 가산하여, 상기 듀티비가 조절된 승압형 컨버터의 입력전압을 출력하는 가산기를 포함한다.
본 발명의 다른 양상에 따르면, 풍속에 의해 회전하여 기계적 에너지를 발생하는 블레이드, 상기 발생된 기계적 에너지를 전기적 에너지로 변환하는 발전기, 상기 전기적 에너지를 정류하는 정류기, 상기 정류기의 출력전압을 승압하여 출력하는 승압형 컨버터, 상기 승압형 컨버터의 출력전압을 교류로 변환하여 계통에 공급하는 인버터를 구비한 계통연계형 풍력발전시스템의 센서리스 최대 전력점 추종 제어방법은, 풍속에 따라 가변되는 발전기의 출력전력 변동값 및 발전기의 출력전압 변동값을 입력받아 신경회로망의 학습을 거쳐 출력전력 변동값의 퍼지 소속함수 폭 및 출력전압 변동값의 퍼지 소속함수 폭을 출력하는 단계; 상기 발전기의 출력전력 변동값의 퍼지 소속함수 폭 및 발전기의 출력전압 변동값의 퍼지 소속함수 폭을 이용하여, 상기 발전기의 출력전력 변동값에 대한 퍼지 소속함수의 폭 및 상기 발전기의 출력전압 변동값에 대한 퍼지 소속함수의 폭을 조절해서, 퍼지화, 퍼지추론 및 비퍼지화과정을 수행해서 퍼지 전압값을 출력하는 단계; 및 상기 퍼지 전압값과 발전기의 출력전압을 가산하여, 상기 발전기 출력전력이 최대 전력점에 도달하도록 듀티비가 조절된 승압형 컨버터의 입력전압을 출력해서 상기 승압형 컨버터로 인가하는 단계를 포함한다.
본 발명의 실시예에 따른 신경회로망을 이용한 계통연계형 풍력발전시스템 및 그 시스템의 센서리스 최대 전력점 추종 제어방법에 따르면, 풍속정보 및 발전기 속도정보가 아닌 발전기 출력전력 및 발전기 출력전압에 대하여 신경회로망 학습 및 퍼지제어를 통해서 발전기의 최대 전력점을 추종하도록 승압형 컨버터의 입력전압의 듀티비를 조절해서 풍력발전시스템의 발생전력이 최대효율로 계통에 전달될 수 있게 된다.
도 1은 본 발명의 실시예에 따른 신경회로망을 이용한 계통연계형 풍력발전시스템의 구성을 나타낸 도면이다.
도 2는 주속비에 따른 출력계수 변화를 나타낸 주속비와 출력계수의 특성 곡선을 나타낸다.
도 3은 발전기 회전속도에 따른 발전기 출력전력의 특성을 나타낸다.
도 4는 최대 전력점 추종 과정을 설명하기 위한 그래프이다.
도 5는 본 발명의 실시예에 따른 뉴로 퍼지 제어기의 구성을 나타낸 도면이다.
도 6은 본 발명의 실시예에 따른 신경회로망을 나타낸 도면이다.
도 7은 입력 소속함수를 예시한 도면이다.
도 8은 출력 소속함수를 예시한 도면이다.
도 9는 퍼치추론규칙의 테이블을 예시한 도면이다.
도 10은 풍속변화에 의해 변화하는 퍼지 소속함수의 폭을 예시한 도면이다.
도 11 내지 도 13은 MPPT 제어 시 기존 퍼지 제어기 입력부분의 소속함수폭을 변화시킬 때의 시뮬레이션 파형이다.
이하에서는 첨부한 도면을 참조하여 본 발명의 실시예를 상세히 설명한다. 본 발명의 실시예를 설명함에 있어 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 또한, 후술 되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
도 1은 본 발명의 실시예에 따른 신경회로망을 이용한 계통연계형 풍력발전시스템의 구성을 나타낸 도면이다.
도 1을 참고하면, 본 발명의 실시예에 따른 신경회로망을 이용한 계통연계형 풍력발전시스템은, 블레이드(1), 발전기(2), 정류기(3), 승압형 컨버터(4), 인버터(5) 및 뉴로 퍼지 제어기(6)를 포함한다. 이때 발전기(2)는 제어의 용이함과 고고효율, 고역률에 유리한 PMSG(Permanent Magnet Synchronous Generator)로 구현될 수 있다.
풍속에 의해 블레이드(1)가 회전하면서 기계적 에너지를 발생하고, 이렇게 발생된 기계적 에너지는 발전기(2)에서 전기적 에너지로 변환되어 정류기(3), 승압형 컨버터(4), 인버터(5)를 통해 계통(Grid)에 공급된다. 본 발명의 실시예에서는 최적의 출력을 내기 위해 승압형 컨버터(4)의 듀티비 제어를 수행한다.
또한 본 발명의 실시예에 따른 계통연계형 풍력발전시스템은 풍속에 의하여 발전기(2)에서 전력이 발생하면, 승압형 컨버터(4)와 인버터(5)는 발전기(2)에서 발생한 전력을 그대로 계통에 전달한다. 대신 전달하는 동안 승압형 컨버터(4)는 전압을 증폭시켜줄 뿐만 아니라 발전기(2)에서 최적의 전력을 출력할 수 있는 듀티비 제어를 수행하고 인버터(5)는 직류단이 승압형 컨버터의 듀티비에 의해 변화되더라도 안정적으로 역률을 1로 유지하며 계통으로 전력을 전달하는 역할을 수행한다.
뉴로 퍼지 제어기(6)는 풍속에 따라 가변되는 발전기(2)의 출력전력 변동값 및 출력전압 변동값을 입력받아 신경회로망 학습을 통해 결정된 출력전력 변동값에 대한 퍼지 소속함수 폭 및 출력전압 변동값에 대한 퍼지 소속함수 폭에 따라 발전기의 출력전압 변동값의 폭 및 출력전력 변동값의 폭을 조절하고 상기 폭이 조절된 발전기 출력전압 변동값 및 출력전력 변동값에 대하여 퍼지제어를 수행해서 발전기(2) 출력전력이 최대 전력점에 도달하기 위한 듀티비를 갖는 승압형 컨버터의 입력전압을 생성한다. 즉 승압형 컨버터는 뉴로 퍼지 제어기(6)에서 생성된 승압형 컨버터의 입력전압의 듀티비에 따라 스위칭 동작을 한다. 이에 따라 풍속에 따른 가변되는 발전기의 출력전력 변동값 및 출력전압 변동값에 대하여 발전기 출력전력이 최대 전력점에 도달되는 효과를 가져올 수 있다.
먼저 블레이드(1)의 특성에 대해서 살펴보기로 한다. 풍속
Figure 112011099979111-pat00001
의 바람이 불때 블레이드가 바람으로부터 받아들이는 에너지는 수학식 1에 의해서 구해질 수 있다.
Figure 112011099979111-pat00002
Figure 112011099979111-pat00003
는 풍속
Figure 112011099979111-pat00004
의 바람이 불때 블레이드가 바람으로부터 받아들이는 에너지,
Figure 112011099979111-pat00005
는 블레이드 단면적[m2],
Figure 112011099979111-pat00006
는 공기밀도로 약 1.25[
Figure 112011099979111-pat00007
],
Figure 112011099979111-pat00008
는 풍속[
Figure 112011099979111-pat00009
],
Figure 112011099979111-pat00010
는 출력계수이다. 출력계수는 풍속
Figure 112011099979111-pat00011
의 바람이 갖고 있는 에너지 중에서 블레이드가 받아들이는 에너지의 비율을 의미하며, 풍속에 대한 블레이드의 회전속도 비율인 주속비(TSP : Tip Speed Ratio)
Figure 112011099979111-pat00012
에 따라 변하며, 수학식 2와 같이 정의된다.
Figure 112011099979111-pat00013
이때
Figure 112011099979111-pat00014
은 블레이드의 반경[m]이고,
Figure 112011099979111-pat00015
는 블레이드의 회전속도이다.
도 2는 주속비에 따른 출력계수 변화를 나타낸 주속비와 출력계수의 특성 곡선을 나타낸다. 도 2를 참조하면, 블레이드가 회전을 개시하여, 주속비가 점점 커지면 블레이드의 출력계수, 즉 출력 효율이 증가하다가 어느 속도 이상으로 회전하게 되면 효율이 오히려 떨어진다는 것을 나타낸다. 이러한 출력계수는 블레이드의 설계에 따라 달라지며 Betz의 연구결과 및 Rankine-Froude 모델에 따르면 출력계수의 이론적 최대값은 0.59임이 알려져 있다.
일반적으로 풍력발전시스템으로부터 최대의 전력을 인출하기 위한 최대 전력점 추종 알고리즘을 구현하기 위해서는 기계적 발전 시스템(풍력터빈 및 발전기 포함)에서 가장 중요한 특성 중 하나인 토크 및 출력특성곡선에 대해서 살펴보기로 한다.
먼저 매 순간 일정 풍속에서 블레이드(1)가 바람으로부터 받아들일 수 있는 토크
Figure 112011099979111-pat00016
(이하 블레이드 토크라 함)는 수학식 3과 같이 표현된다.
Figure 112011099979111-pat00017
풍속
Figure 112011099979111-pat00018
의 바람으로부터 발전기의 터빈이 받아들인 토크
Figure 112011099979111-pat00019
는 블레이드 토크 및 발전기의 구동토크로 사용되며 수학식 4와 같다.
Figure 112011099979111-pat00020
이때,
Figure 112011099979111-pat00021
는 터빈의 관성모멘트이고,
Figure 112011099979111-pat00022
는 터빈에 연결된 발전기의 구동에 사용되는 토크(이하 발전기 토크라 함)이다.
만일 터빈과 발전기가 증속기를 거치지 않고 직결되었다면 발전기 샤프트의 회전속도(이하 발전기 회전속도라 함)
Figure 112011099979111-pat00023
은 블레이드의 회전속도
Figure 112011099979111-pat00024
와 같게 되며 따라서 발전기 토크
Figure 112011099979111-pat00025
는 수학식 5와 같이 표현된다.
Figure 112011099979111-pat00026
이때,
Figure 112011099979111-pat00027
는 발전기의 마찰계수이고,
Figure 112011099979111-pat00028
는 발전기의 관성모멘트이고,
Figure 112011099979111-pat00029
는 발전기의 부하단에서 인출되는 토크(이하 발전기 부하단 토크라 함)이다.
수학식 5를 수학식 4에 대입하여 정리하면 수학식 6과 같은 풍력터빈의 토크를 구할 수 있다.
Figure 112011099979111-pat00030
또한 블레이드의 출력은 수학식 6의 양변에
Figure 112011099979111-pat00031
을 곱하여 구할 수 있으며, 수학식 7과 같이 표현된다.
Figure 112011099979111-pat00032
따라서 수학식 7에 기초하여 블레이드 회전속도(즉 발전기 회전속도)에 따른 블레이드 출력전력(발전기 출력전력)의 특성은 도 3과 같이 나타낼 수 있게 된다.
승압형 컨버터(4)는 저전압을 승압하는 효과를 가지며, 기본적으로 1개의 스위칭 소자를 이용하여 구현할 수 있다. 이 승압형 컨버터(4)의 입력전압과 출력전압은 수학식 8에 의해서 표현된다.
Figure 112011099979111-pat00033
이때
Figure 112011099979111-pat00034
는 승압형 컨버터의 출력전압이고,
Figure 112011099979111-pat00035
는 승압형 컨버터의 입력전압이고, D는 일반적인 승압형 컨버터의 입력전압의 듀티비(duty ratio)를 나타낸다.
수학식 8을 승압형 컨버터의 입력전압의 듀티비에 대한 미분식으로 나타내면 수학식 9와 같이 나타낼 수 있다.
Figure 112011099979111-pat00036
발전기 회전속도와 발전기의 출력전압과의 관계가 도 3에 도시되어 있다.
도 3에서 발전기 최대 전력점에서 발전기 출력전력과 발전기 회전속도 간 관계식은 수학식 10으로 표현된다.
Figure 112011099979111-pat00037
MPPT 적용을 위해 정의된 수학식 10에 연쇄법칙을 적용하여 수학식 11 및 수학식 12를 유추할 수 있다.
Figure 112011099979111-pat00038
수학식 11은 발전기 최대 전력지점의 기울기가 0인 것을 나타낸다.
Figure 112011099979111-pat00039
Figure 112011099979111-pat00040
는 승압형 컨버터의 입력전압이다. 즉 정류기(3)에서 정류된 발전기(2)의 출력전압이다. 수학식 11에 수학식 9 및 수학식 12를 대입하여 정리하면 수학식 13의 관계식을 구할 수 있다.
Figure 112011099979111-pat00041
수학식 13을 살펴보면, 승압형 컨버터(4)의 입력전압의 듀티비에 의해 최대 전력점의 추종 제어가 가능하다는 것을 알 수 있다. 즉, 승압형 컨버터(4)의 입력전압의 듀티비를 조절해서 풍력발전시스템에 연결된 계통에 최대 전력을 전달할 수 있다는 것을 나타낸다.
이에 대해서 도 4를 참조하여 구체적으로 설명하기로 한다.
도 4는 최대 전력점 추종 과정을 설명하기 위한 그래프이다. 도 4를 참고하면, 발전기 출력전력이 증가하고 발전기 회전속도가 증가한다면 승압형 컨버터(4)의 입력전압의 듀티비를 감소시켜줌으로써 회전속도가 가속되어 발전기 전력이 최대 전력점에 도달할 수 있다. 반면 발전기 출력전력이 감소하고 발전기 회전속도가 증가하게 되는 경우 승압형컨버터의 입력전압의 듀티비를 감소시켜줌으로써 발전기 회전속도가 감소되어 발전기 출력전력이 최대 전력점에 도달할 수 있다.
도 5는 본 발명의 실시예에 따른 뉴로 퍼지 제어기의 구성을 나타낸 도면이다.
도 5를 참고하면, 뉴로 퍼지 제어기(6)는 풍속에 따라 가변되는 발전기(2)의 출력전력 변동값 및 출력전압 변동값을 입력받아 신경회로망 학습을 통해 결정된 출력전력 변동값에 대한 퍼지 소속함수 폭 및 출력전압 변동값에 대한 퍼지 소속함수 폭에 따라 발전기의 출력전압 변동 값 및 출력전력 변동 값의 폭을 조절하고 상기 폭이 조절된 발전기 출력전압 변동값 및 출력전력 변동값에 대해서 퍼지제어를 수행해서 발전기(2) 출력전력이 최대 전력점에 도달하도록 듀티비를 갖는 승압형 컨버터의 입력전압을 생성해서 승압형 컨버터(4)에 인가한다.
이러한 뉴로 퍼지 제어기(6)는 신경회로망(61), 퍼지 제어기(62) 및 가산기(63)를 포함한다.
신경회로망(61)은 풍속에 따라 가변되는 발전기(2)의 출력전력 변동값
Figure 112011099979111-pat00042
및 발전기(2)의 출력전압 변동값
Figure 112011099979111-pat00043
을 입력받아 학습을 거쳐 출력전력 변동값에 대한 퍼지 소속함수 폭
Figure 112011099979111-pat00044
및 출력전압 변동값에 대한 퍼지 소속함수 폭
Figure 112011099979111-pat00045
을 출력한다. 이때 발전기의 출력전력 변동값은 일정 시점(t1)에서 발전기의 출력전력과 일정 시점(t1)의 이전 시점(t1-1)에서 발전기의 출력전력의 차이를 나타내며, 발전기의 출력전압 변동값은 일정 시점(t1)에서 발전기의 출력전압과 일정 시점(t1)의 이전 시점(t1-1)에서 발전기의 출력전압의 차이를 나타낸다.
신경회로망(61)의 학습패턴은 입력패턴과 목적패턴으로 구성된다. 목적패턴은 신경회로망에 특정 입력을 인가했을 때 그 입력 값에 따라 출력되어야 하는 값을 의미한다. 즉 목적패턴과 최종 출력값을 비교하여 오차를 구하고 이를 기준으로 연결가중치의 조절량을 결정하게 된다. 이렇게 구해진 조절량만큼 가중치를 조절하고 처음부터 다시 동작시킨다. 이 과정을 반복하면 에러는 적정수준까지 떨어지게 되고 신경회로망(61)은 발전기의 출력전력 변동값에 대한 소속함수 폭 및 발전기의 출력전압 변동값에 대한 소속함수 폭을 결정하게 된다. 본 발명의 실시예에서는 목적패턴으로 절대 오차 시간 적분(ITAE)을 사용하며 수학식 14로 표현할 수 있다.
Figure 112011099979111-pat00046
즉 신경회로망(61)은 발전기(2)의 출력전력 변동값 및 발전기(2)의 출력전압 변동값에 따른 발전기의 출력전력 변동값에 대한 소속함수 폭 및 발전기의 출력전압 변동값에 대한 소속함수 폭의 최적 값을 찾아내기 위해 ITAE를 최소로 하는 값들을 학습데이터로 사용한다. 일 실시예에 따른 신경회로망(61)이 도 6에 도시되어 있다. 도 6을 참고하면, 신경회로망은(61)은 2개의 입력층 뉴런, 10개의 은닉층 뉴런, 2개의 출력층 뉴런으로 구성되어 있으며, 신경회로망(61)의 학습률은 0.05이고 오류역전파 알고리즘을 사용하였다.
퍼지 제어기(62)는 신경회로망(61)에 출력된 발전기의 출력전력 변동값에 대한 퍼지 소속함수 폭 및 발전기의 출력전압 변동값에 대한 퍼지 소속함수 폭을 이용하여, 발전기의 출력전력 변동값에 대한 소속함수 폭 및 발전기의 출력전압 변동값에 대한 소속함수 폭을 조절해서, 퍼지화, 퍼지추론 및 비퍼지화과정을 거쳐서 퍼지 전압값
Figure 112011099979111-pat00047
을 출력한다.
이때 퍼지화는 입력변수를 소속함수로 처리하는 과정이고 입력변수가 소속함수를 통해 관계되는 퍼지집합에 속하는 정도를 결정한다. 소속함수는 가우시안분포, 시그모이드곡선, 범종형, 삼각형 등의 임의의 형태일 수 있다. 어떠한 순간에 하나의 규칙이 만족 되도록 소속함수가 중복이 되도록 한다.
본 발명의 실시예에서는 소속함수를 삼각형으로 선택하였으며, 발전기 출력전력의 현재 값과 이전 값의 오차인 발전기 출력전력 변동값은 7개, 발전기 출력전압의 현재 값과 이전 값의 오차, 즉 승압형 컨버터의 입력전압의 현재 값과 이전 값의 오차인 발전기 출력전압 변동값은 5개, 퍼지 제어기의 출력인 퍼지 전압값은 7개의 퍼지집합을 갖도록 선정하였다. 이는 일 실시예에 불과하며 다른 실시예도 가능함은 당연하다.
이를 나타내는 도면이 도 7 및 도 8에 도시되어 있으며 도 7은 입력 소속함수를 나타내며 도 8은 출력 소속함수를 나타낸다.
퍼지추론은 퍼지논리 연산, 퍼지규칙, 회합과정을 포함한다. 추론시스템에서 입력변수는 퍼지연산자와 IF-THEN 규칙을 직접 퍼지관계에 변형하여 출력 퍼지를 구한다. 각 규칙에 대해 출력퍼지 집합은 하나의 집합으로 회합되고 입력퍼지 집합은 논리연산자 AND에 의해 퍼지 규칙과 관계를 맺는다. 두 입력 퍼지집합에 대한 연산은 퍼지관계의 교집합이므로 수학식 15와 같이 표현된다.
Figure 112011099979111-pat00048
교집합 연산
Figure 112011099979111-pat00049
은 최소치 연산
Figure 112011099979111-pat00050
에 의해 행하여진다. 도 7, 도 8에 따른 퍼치추론규칙의 테이블이 도 9에 예시되어 있으며, 도 3에 참조하여 도출되었다.
도 9를 참조하면 입력
Figure 112011099979111-pat00051
와
Figure 112011099979111-pat00052
에 대해 출력인
Figure 112011099979111-pat00053
는 35개의 규칙을 갖는다. 퍼지 제어기를 이용하기 위해선 비퍼지화의 과정이 필요하다. 퍼지추론에 의해 결정된
Figure 112011099979111-pat00054
의 비퍼지화란 퍼지값을 실제 수치로 바꿔주는 과정을 의미한다. 비퍼지화 방법은 수게노 제로-오더 방법을 사용할 수 있다.
뉴러 퍼지 제어기의 입력인 발전기의 출력전력과 출력전압이 풍속변화에 의해 변화하기 때문에 퍼지 소속함수의 폭도 변화되는데, 이에 대한 예시가 도 10에 도시되어 있다.
도 10을 참조하면, 도 10의 (a)는 종래 퍼지제어기의 소속함수 폭이고 도 10의 (b)는 풍속이 가변하는 경우의 소속함수 폭이고 도 10의 (c)는 발전기의 출력전력이 최대 전력점인 경우의 소속함수 폭을 나타낸다. 풍속이 가변되는 상황은 도 10의 (b)와 같이 소속함수의 폭이, 도 10의 (a)의 종래 퍼지 제어기의 소속함수의 폭보다 좁아지며 퍼지제어기가 (PB)와 (NB)의 영향을 많이 받게 된다. 입력 변화가 크게 되므로 작은 오차에도 민감하게 반응하여 최대 전력점에 빠르게 도달한다. 최대 전력점에서는 도 10의 (c)와 같이 소속함수의 폭이 넓게 되고 퍼지 제어기의 입력 변화가 작게 되므로 정상상태에서 진동이 줄어들게 된다.
다시 도 5에서, 가산기(63)는 퍼지 제어기(62)의 출력인 퍼지 전압값과 발전기의 출력전압을 가산하여, 상기 발전기 출력전력이 최대 전력점에 도달하도록 듀티비가 조절된 승압형 컨버터의 입력전압을 출력한다. 이렇게 출력된 승압형 컨버터의 입력전압의 듀티비에 따라 승압형 컨버터는 스위칭동작을 하여 입력전압 즉 정류기에서 정류된 발전기 출력전압을 승압하여 직류단을 거쳐 인버터로 인가한다.
본 발명의 실시예에 따른 신경회로망을 이용한 계통연계형 풍력발전시스템 및 그 시스템의 센서리스 최대 전력점 추종 제어방법을 검증하기 위해서 PSIM을 이용하여 시뮬레이션을 수행하였다. 승압형 컨버터의 인덕터는 6[mH]이며, 커패시터는 2200[uF]으로 사용하였고 풍속은 8[m/s]에서 11[m/s]로 가변하였다. 블레이드의 최적출력계수는 0.475, 최적주속비는 0.29531이다. 직류단 전압은 계통전압 첨두 값 311 [V]보다 약간 높은 350 [V]로 제어하였다. 도 11 및 도 12는 MPPT 제어 시 기존 퍼지 제어기 입력부분의 소속함수폭인
Figure 112011099979111-pat00055
를 변화시킬 때의 시뮬레이션 파형이다. 도 11은
Figure 112011099979111-pat00056
가 0.2일 때, 도 12는
Figure 112011099979111-pat00057
가 0.8일 경우이다. 도 11은 소속함수 폭인
Figure 112011099979111-pat00058
가 좁아서 변수 (PB)의 영향을 받아 퍼지 제어기의 큰 입력 변화량으로 인해 출력에 진동이 나타난다. 그러므로 주속비가 최적 주속비 주위에서 진동하게 되어 풍속 11 [m/s]의 정상상태인 (3～4초)의 구간에서 발전전력이 진동하게 된다. 도 12는
Figure 112011099979111-pat00059
가 넓으므로 상대적으로 변수 (PS)의 영향을 많이 받아 퍼지제어기의 입력 변화량이 작기 때문에 출력의 변화량이 작아져서 풍속 11 [m/s]의 정상상태에서 최적 주속비가 아닌 2.7정도에서 고정된다.
도 13은 학습에 의해 최적의 소속함수 폭으로 변환되기 때문에 풍속 변화중이나 정상상태에서 큰 진동 없이 최적 주속비가 유지되어 최대출력 1791 [W]가 출력되는 것을 확인할 수 있다.
이제까지 본 발명에 대하여 실시예들을 중심으로 살펴보았다. 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 실시예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 따라서 본 발명의 범위는 전술한 실시예에 한정되지 않고 특허청구범위에 기재된 내용 및 그와 동등한 범위 내에 있는 다양한 실시 형태가 포함되도록 해석되어야 할 것이다.

Claims (3)

  1. 풍속에 의해 회전하여 기계적 에너지를 발생하는 블레이드, 상기 발생된 기계적 에너지를 전기적 에너지로 변환하는 발전기, 상기 전기적 에너지를 정류하는 정류기, 상기 정류기의 출력전압을 승압하여 출력하는 승압형 컨버터, 상기 승압형 컨버터의 출력전압을 교류로 변환하여 계통(Grid)에 공급하는 인버터를 구비한 계통연계형 풍력발전시스템에 있어서,
    풍속에 따라 가변되는 발전기의 출력전력 변동값 및 출력전압 변동값을 입력받아 신경회로망의 학습을 통해 출력전력 변동값의 퍼지 소속함수 폭 및 전압 변동값의 퍼지 소속함수 폭을 결정해서, 상기 발전기 출력전압 변동값 및 출력전력 변동값에 대한 퍼지제어를 수행하여, 상기 발전기 출력전력이 최대 전력점에 도달하도록 듀티비가 조절된 승압형 컨버터의 입력전압을 출력하는 뉴로 퍼지 제어기를 포함하며,
    상기 뉴로 퍼지 제어기는, 풍속에 따라 가변되는 발전기의 출력전력 변동값 및 발전기의 출력전압 변동값을 입력받아 학습을 거쳐 출력전력 변동값의 퍼지 소속함수 폭 및 출력전압 변동값의 퍼지 소속함수 폭을 출력하는 신경회로망; 상기 발전기의 출력전력 변동값의 퍼지 소속함수 폭 및 발전기의 출력전압 변동값의 퍼지 소속함수 폭을 이용하여, 발전기의 출력전력 변동값에 대한 퍼지 소속함수의 폭 및 발전기의 출력전압 변동값에 대한 퍼지 소속함수의 폭을 조절해서, 퍼지화, 퍼지추론 및 비퍼지화과정을 수행해서 퍼지 전압값을 출력하는 퍼지 제어기; 및 상기 퍼지 전압값과 발전기의 출력전압을 가산하여, 상기 듀티비가 조절된 승압형 컨버터의 입력전압을 출력하는 가산기를 포함하는 것을 특징으로 하는 계통연계형 풍력발전시스템.
  2. 삭제
  3. 풍속에 의해 회전하여 기계적 에너지를 발생하는 블레이드, 상기 발생된 기계적 에너지를 전기적 에너지로 변환하는 발전기, 상기 전기적 에너지를 정류하는 정류기, 상기 정류기의 출력전압을 승압하여 출력하는 승압형 컨버터, 상기 승압형 컨버터의 출력전압을 교류로 변환하여 계통에 공급하는 인버터를 구비한 계통연계형 풍력발전시스템의 센서리스 최대 전력점 추종 제어방법에 있어서,
    풍속에 따라 가변되는 발전기의 출력전력 변동값 및 발전기의 출력전압 변동값을 입력받아 신경회로망의 학습을 거쳐 출력전력 변동값의 퍼지 소속함수 폭 및 출력전압 변동값의 퍼지 소속함수 폭을 출력하는 단계;
    상기 발전기의 출력전력 변동값의 퍼지 소속함수 폭 및 발전기의 출력전압 변동값의 퍼지 소속함수 폭을 이용하여, 상기 발전기의 출력전력 변동값에 대한 퍼지 소속함수의 폭 및 상기 발전기의 출력전압 변동값에 대한 퍼지 소속함수의 폭을 조절해서, 퍼지화, 퍼지추론 및 비퍼지화과정을 수행해서 퍼지 전압값을 출력하는 단계; 및
    상기 퍼지 전압값과 발전기의 출력전압을 가산하여, 상기 발전기 출력전력이 최대 전력점에 도달하도록 듀티비가 조절된 승압형 컨버터의 입력전압을 출력해서 상기 승압형 컨버터로 인가하는 단계를 포함하는 센서리스 최대 전력점 추종 제어방법.
KR1020110135831A 2011-12-15 2011-12-15 신경회로망을 이용한 계통연계형 풍력발전시스템 및 그 시스템의 센서리스 최대 전력점 추종 제어방법 KR101287319B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020110135831A KR101287319B1 (ko) 2011-12-15 2011-12-15 신경회로망을 이용한 계통연계형 풍력발전시스템 및 그 시스템의 센서리스 최대 전력점 추종 제어방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020110135831A KR101287319B1 (ko) 2011-12-15 2011-12-15 신경회로망을 이용한 계통연계형 풍력발전시스템 및 그 시스템의 센서리스 최대 전력점 추종 제어방법

Publications (2)

Publication Number Publication Date
KR20130068560A KR20130068560A (ko) 2013-06-26
KR101287319B1 true KR101287319B1 (ko) 2013-07-22

Family

ID=48864158

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020110135831A KR101287319B1 (ko) 2011-12-15 2011-12-15 신경회로망을 이용한 계통연계형 풍력발전시스템 및 그 시스템의 센서리스 최대 전력점 추종 제어방법

Country Status (1)

Country Link
KR (1) KR101287319B1 (ko)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104612898B (zh) * 2014-11-27 2017-09-08 江苏科技大学 一种风电变桨距多变量模糊神经网络pid控制方法
KR101842191B1 (ko) * 2017-10-26 2018-03-26 주식회사 텔다 전력계통 연계 및 계통 보호를 위한 전력변환시스템
CN110397554A (zh) * 2019-09-05 2019-11-01 国电联合动力技术有限公司 智能寻优的风电机组偏航控制方法、装置及风电机组
CN111963372A (zh) * 2020-09-01 2020-11-20 北京石油化工学院 一种风力发电机最佳转速跟踪控制方法
CN112343770A (zh) * 2020-11-17 2021-02-09 北京石油化工学院 一种基于观测器的风力发电机最佳转速有限时间跟踪控制方法
CN117117992A (zh) * 2023-10-25 2023-11-24 广州疆海科技有限公司 输出功率调节方法、装置、计算机设备和存储介质

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9847645B2 (en) 2015-02-03 2017-12-19 King Fahd University Of Petroleum And Minerals Neuro-fuzzy control system for grid-connected photovoltaic systems
CN105184416A (zh) * 2015-09-23 2015-12-23 上海大学 基于粒子群优化反向传播神经网络的脉动风速预测方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003009537A (ja) * 2001-06-27 2003-01-10 Hitachi Ltd 電力変換装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003009537A (ja) * 2001-06-27 2003-01-10 Hitachi Ltd 電力変換装置

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104612898B (zh) * 2014-11-27 2017-09-08 江苏科技大学 一种风电变桨距多变量模糊神经网络pid控制方法
KR101842191B1 (ko) * 2017-10-26 2018-03-26 주식회사 텔다 전력계통 연계 및 계통 보호를 위한 전력변환시스템
CN110397554A (zh) * 2019-09-05 2019-11-01 国电联合动力技术有限公司 智能寻优的风电机组偏航控制方法、装置及风电机组
CN111963372A (zh) * 2020-09-01 2020-11-20 北京石油化工学院 一种风力发电机最佳转速跟踪控制方法
CN111963372B (zh) * 2020-09-01 2021-12-17 北京石油化工学院 一种风力发电机最佳转速跟踪控制方法
CN112343770A (zh) * 2020-11-17 2021-02-09 北京石油化工学院 一种基于观测器的风力发电机最佳转速有限时间跟踪控制方法
CN112343770B (zh) * 2020-11-17 2021-09-24 北京石油化工学院 一种基于观测器的风力发电机最佳转速有限时间跟踪控制方法
CN117117992A (zh) * 2023-10-25 2023-11-24 广州疆海科技有限公司 输出功率调节方法、装置、计算机设备和存储介质
CN117117992B (zh) * 2023-10-25 2024-04-12 广州疆海科技有限公司 输出功率调节方法、装置、计算机设备和存储介质

Also Published As

Publication number Publication date
KR20130068560A (ko) 2013-06-26

Similar Documents

Publication Publication Date Title
KR101287319B1 (ko) 신경회로망을 이용한 계통연계형 풍력발전시스템 및 그 시스템의 센서리스 최대 전력점 추종 제어방법
Thongam et al. MPPT control methods in wind energy conversion systems
Chen et al. New overall power control strategy for variable-speed fixed-pitch wind turbines within the whole wind velocity range
Syahputra et al. Control of doubly-fed induction generator in distributed generation units using adaptive neuro-fuzzy approach
Tiwari et al. Comparative analysis of pitch angle controller strategies for PMSG based wind energy conversion system
Sachan et al. A review of MPPT algorithms employed in wind energy conversion systems
CN110417032A (zh) 一种双馈风机参与系统调频的多目标优化控制方法
CN103184972A (zh) 兆瓦级异步双馈风机转矩/桨距控制器参数自整定方法
Thongam et al. Neural network based wind speed sensorless MPPT controller for variable speed wind energy conversion systems
Benbouhenni Comparison study between FPWM and NSVM inverter in neuro-sliding mode control of reactive and active power control of a DFIG-based wind energy
Malmir et al. Controlling megawatt class WECS by ANFIS network trained with modified genetic algorithm
Hagh et al. Direct power control of DFIG based wind turbine based on wind speed estimation and particle swarm optimization
Heshmatian et al. Fuzzy logic based MPPT for a wind energy conversion system using sliding mode control
Manonmani et al. A review of maximum power extraction techniques for wind energy conversion systems
Soufyane et al. Fully robust sensorless control of direct-drive PMSG wind turbine feeding a water pumping system
Van et al. Ouput power smoothening of variable-speed wind turbine systems by pitch angle control
Saravanakumar et al. Design of complementary sliding mode control for variable speed wind turbine
Kasbi et al. A simple methodology for optimal fuzzy control of DFIG based wind turbine
Kayedpour et al. An adaptive operational strategy for enhanced provision of frequency containment reserve by Wind Turbines: Data-driven based power reserve adjustment
Vyas et al. An Intelligent Control Strategy for Power Quality Improvement of DFIG-Based Wind Energy Conversion System
Bayat et al. Wind energy conversion systems control using inverse neural model algorithm
Naba et al. Optimal control of variable-speed wind energy conversion system based on fuzzy model power curve
Narasimalu et al. Pitch angle control for horizontal axis wind turbine: A comparative study
JP5549147B2 (ja) スイッチング電源装置、発電機および電力供給装置
Manasa et al. A comparative study of maximum power tracking of turbines of wind energy conversion systems

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20160704

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20170809

Year of fee payment: 5

FPAY Annual fee payment

Payment date: 20180705

Year of fee payment: 6

FPAY Annual fee payment

Payment date: 20191219

Year of fee payment: 7