KR20210014958A - 전력시스템의 순부하 패턴 생성 장치 및 방법 - Google Patents
전력시스템의 순부하 패턴 생성 장치 및 방법 Download PDFInfo
- Publication number
- KR20210014958A KR20210014958A KR1020190093081A KR20190093081A KR20210014958A KR 20210014958 A KR20210014958 A KR 20210014958A KR 1020190093081 A KR1020190093081 A KR 1020190093081A KR 20190093081 A KR20190093081 A KR 20190093081A KR 20210014958 A KR20210014958 A KR 20210014958A
- Authority
- KR
- South Korea
- Prior art keywords
- pattern
- parameter
- load
- net load
- load pattern
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 76
- 230000006870 function Effects 0.000 claims abstract description 122
- 238000010248 power generation Methods 0.000 claims abstract description 52
- 230000004044 response Effects 0.000 claims abstract description 43
- 238000013480 data collection Methods 0.000 claims abstract description 9
- 238000005303 weighing Methods 0.000 claims description 23
- 239000002245 particle Substances 0.000 claims description 22
- 238000001514 detection method Methods 0.000 claims description 18
- 238000005259 measurement Methods 0.000 claims description 12
- 230000007423 decrease Effects 0.000 claims description 9
- 230000002194 synthesizing effect Effects 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 14
- 238000005457 optimization Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 7
- 230000002354 daily effect Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 229920001690 polydopamine Polymers 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 230000005428 wave function Effects 0.000 description 1
Images
Classifications
-
- H02J3/383—
-
- 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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- 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
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- 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
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
-
- 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
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Abstract
전력시스템의 순부하 패턴 생성 장치 및 방법이 개시된다. 본 발명의 전력시스템의 순부하 패턴 생성 장치는 전력설비로부터 계량데이터를 수집하는 계량데이터 수집부; 부하 패턴 모델, 태양광 발전 패턴 모델 및 수요반응 패턴 모델을 이용하여 순부하 패턴 모델을 생성하는 순부하 패턴 모델 생성부; 및 순부하 패턴 모델에 계량데이터를 토대로 설정된 파라미터를 랜덤하게 적용하여 목적함수를 반복 산출하고 산출된 목적함수 각각을 서로 비교하여 크기에 따라 목적함수 중 최적해를 검출하고, 검출된 최적해에 해당하는 파라미터를 최적 파라미터로 선정하는 최적 파라미터 검출부를 포함하는 것을 특징으로 한다.
Description
본 발명은 전력시스템의 순부하 패턴 생성 장치 및 방법에 관한 것으로써, 더욱 상세하게는 전력계통의 일반적인 부하와 태양광 분산전원이 섞여있는 순부하(Net Load)의 시간별 계량데이터로부터 순부하 패턴을 생성하고, 순부하 패턴 생성에 기여하는 요소 각각이 순부하 패턴에 기여하는 정도를 파라미터화하여 추정할 수 있도록 한 전력시스템의 순부하 패턴 생성 장치 및 방법에 관한 것이다.
현재 전력 부하 데이터는 매시간 또는 수 분 간격으로 계측하여 숫자값으로 저장된다.
실제 전력 시스템에서는 부하뿐만 아니라 태양광 분산전원과 같은 변동성 발전 자원을 포함하고 있어 원래의 부하를 추정하는 데 어려움이 있다.
분산전원 연계규정에서 정하는 용량, 예컨데 250kW이상에 대해서 전력품질 감시기기를 설치하도록 되어 있으나, 다수의 계량기를 설치하여 원격으로 모니터링 하는 것은 비용이 많이 소요될 뿐만 아니라 현실적으로 모든 태양광 발전기의 계량데이터를 취득하는 것에는 한계가 있다.
이에, 종래에는 기계적 학습방법(Machine Learning, ML)에 의한 부하패턴 학습 및 추정에 대한 방법이 주로 이용되고 있다.
그러나, 기계적 학습방법 중 하나인 퍼지 클러스터링(Fuzzy Clustering) 알고리즘은 부하 수준을 구분하는데 집중되어 있어서 분산전원이 기여하는 성분에 대해 마치 부하가 줄어든 것과 같은 오류가 발생될 수 있다.
또한, 다른 기계적 학습방법인 뉴럴 네트워크(Neural Network) 기반 알고리즘은 데이터가 충분히 주어진 경우에는 비교적 정교한 학습이 가능하나, 내부의 논리적 회로에 대해서는 일반화하여 설명하는 것이 쉽지 않은 실정이다.
본 발명의 배경기술은 대한민국 공개특허공보 10-2018-0053452호(2018.05.23)의 '에너지 수요 예측 방법, 분산 에너지 관리 방법 및 시스템'에 개시되어 있다.
본 발명은 전술한 문제점을 개선하기 위해 창안된 것으로서, 본 발명의 일 측면에 따른 목적은 전력계통의 일반적인 부하와 태양광 분산전원이 섞여있는 순부하(Net Load)의 시간별 계량데이터로부터 순부하 패턴을 검출하고, 순부하 패턴 생성에 기여하는 요소 각각이 순부하 패턴에 기여하는 정도를 파라미터화하여 추정할 수 있도록 한 전력시스템의 순부하 패턴 생성 장치 및 방법을 제공하는 데 있다.
본 발명의 일 측면에 따른 전력시스템의 순부하 패턴 생성 장치는 전력설비로부터 계량데이터를 수집하는 계량데이터 수집부; 부하 패턴 모델, 태양광 발전 패턴 모델 및 수요반응 패턴 모델을 이용하여 순부하 패턴 모델을 생성하는 순부하 패턴 모델 생성부; 및 상기 순부하 패턴 모델에 상기 계량데이터를 토대로 설정된 파라미터를 랜덤하게 적용하여 목적함수를 반복 산출하고 산출된 상기 목적함수 각각을 서로 비교하여 크기에 따라 상기 목적함수 중 최적해를 검출하고, 검출된 상기 최적해에 해당하는 파라미터를 최적 파라미터로 선정하는 최적 파라미터 검출부를 포함하는 것을 특징으로 한다.
본 발명의 상기 순부하 패턴 모델 생성부는 상기 부하 패턴 모델, 상기 태양광 발전 패턴 모델 및 상기 수요반응 패턴 모델을 합성하여 상기 순부하 패턴 모델을 생성하는 것을 특징으로 한다.
본 발명의 상기 부하 패턴 모델은 부하에 대한 정보가 없는 경우 및 온전한 부하의 값에 대해 과거 계측 값을 가지고 있어서 부하패턴을 추정할 수 있는 경우로 구분되어 생성되는 것을 특징으로 한다.
본 발명의 상기 부하 패턴 모델은 주간부하에 대해서는 상승시각부터 하강시각까지 최대 1의 부하율을 가지고, 상승시간과 하강시간 사이의 시간대 이 외 시간대에는 경부하율을 가지는 패턴으로 정의되는 것을 특징으로 한다.
본 발명의 상기 부하 패턴 모델은 온전한 부하의 값에 대해 과거 계측 값을 가지고 있어서 부하패턴을 추정할 수 있는 경우, 상기 계량데이터로부터 각 시간별 최대값을 계산하여 총부하를 산출한 후, 최대값을 기간 중의 최대 부하값으로 나누어 정규화시켜 부하패턴을 추출하는 것을 특징으로 한다.
본 발명의 상기 태양광 발전 패턴 모델은 발전시작시간과 발전종료시간 사이에서 사인함수를 평행이동 및 부호를 반전시킨 형태로 정의되는 것을 특징으로 한다.
본 발명의 상기 태양광 발전 패턴 모델은 발전시작시간과 발전종료시간 사이 이외의 시간대에서 발전에 기여하지 않는 부분을 0의 값으로 정의되는 것을 특징으로 한다.
본 발명의 상기 수요반응 패턴 모델은 수요반응이 일어난 시점부터 수요반응의 지속시간 동안에 음의 부하로 정의되는 것을 특징으로 한다.
본 발명의 상기 목적함수는 상기 파라미터 값을 반영하여 생성된 순부하패턴과 추정대상 순부하패턴 간의 편차 제곱인 것을 특징으로 한다.
본 발명의 상기 최적 파라미터 검출부는 상기 계량데이터를 토대로 파라미터를 설정하는 파라미터 설정부; 및 추정하고자 하는 순부하 전력패턴과 모델링된 함수에 의해 만들어진 순부하 전력패턴을 이용하여 상기 목적함수를 반복적으로 검출하고, 검출된 상기 목적함수를 서로 비교하여 비교 결과에 따라 상기 목적함수의 최소값을 갱신하고, 갱신된 상기 최소값의 파라미터를 최적 파라미터로 선정하는 최적 파라미터 선정부를 포함하는 것을 특징으로 한다.
본 발명의 상기 파라미터 설정부는 상기 파라미터 당 입자의 개수와 초기값 및 파라미터 값의 범위들을 정의하는 것을 특징으로 한다.
본 발명의 상기 최적 파라미터 선정부는 비선형 회귀 방정식을 이용하여 상기 목적함수를 산출하는 것을 특징으로 한다.
본 발명의 상기 최적 파라미터 선정부는 추정하고자 하는 순부하 전력패턴과 모델링된 함수에 의해 만들어진 순부하 전력패턴을 이용하여 상기 목적함수가 검출될 때마다, 상기 목적함수가 이전에 산출된 목적함수보다 감소하는지에 따라 최소값을 감소하는지에 따라 최소값을 갱신하되, 상기 목적함수의 최소값이 반복된 반복횟수에 따라 상기 목적함수의 최소값을 상기 최적해로 판정하여 상기 최적해에 해당하는 파라미터를 상기 최적 파라미터로 선정하는 것을 특징으로 한다.
본 발명은 상기 목적함수가 이전에 산출된 목적함수보다 감소하지 않으면, 상기 파라미터 설정부가 상기 파라미터를 조정하는 것을 특징으로 한다.
본 발명의 상기 최적 파라미터 선정부는 상기 목적함수의 최소값의 반복횟수가 기 설정된 설정횟수 이상이면, 상기 최적해에 해당하는 파라미터를 상기 최적 파라미터로 선정하는 것을 특징으로 한다.
본 발명의 상기 최적 파라미터 선정부는 상기 목적함수의 최소값의 반복횟수가 기 설정된 설정횟수 미만이면, 상기 파라미터 설정부가 상기 파라미터를 조정하는 것을 특징으로 한다.
본 발명의 일 측면에 따른 전력시스템의 순부하 패턴 생성 방법은 계량데이터 수집부가 전력설비로부터 계량데이터를 수집하는 단계; 순부하 패턴 모델 생성부가 부하 패턴 모델, 태양광 발전 패턴 모델 및 수요반응 패턴 모델을 이용하여 순부하 패턴 모델을 생성하는 단계; 및 최적 파라미터 검출부가 상기 순부하 패턴 모델에 상기 계량데이터를 토대로 설정된 파라미터를 랜덤하게 적용하여 목적함수를 반복 산출하고 산출된 상기 목적함수 각각을 서로 비교하여 크기에 따라 상기 목적함수 중 최적해를 검출하고, 검출된 상기 최적해에 해당하는 파라미터를 최적 파라미터로 선정하는 단계를 포함하는 것을 특징으로 한다.
본 발명의 상기 순부하 패턴 모델을 생성하는 단계에서, 상기 순부하 패턴 모델 생성부는 상기 부하 패턴 모델, 상기 태양광 발전 패턴 모델 및 상기 수요반응 패턴 모델을 합성하여 상기 순부하 패턴 모델을 생성하는 것을 특징으로 한다.
본 발명의 상기 부하 패턴 모델은 부하에 대한 정보가 없는 경우 및 온전한 부하의 값에 대해 과거 계측 값을 가지고 있어서 부하패턴을 추정할 수 있는 경우로 구분되어 생성되는 것을 특징으로 한다.
본 발명의 상기 부하 패턴 모델은 주간부하에 대해서는 상승시각부터 하강시각까지 최대 1의 부하율을 가지고, 상승시간과 하강시간 사이의 시간대 이 외 시간대에는 경부하율을 가지는 패턴으로 정의되는 것을 특징으로 한다.
본 발명의 상기 부하 패턴 모델은 온전한 부하의 값에 대해 과거 계측 값을 가지고 있어서 부하패턴을 추정할 수 있는 경우, 상기 계량데이터로부터 각 시간별 최대값을 계산하여 총부하를 산출한 후, 최대값을 기간 중의 최대 부하값으로 나누어 정규화시켜 부하패턴을 추출하는 것을 특징으로 한다.
본 발명의 상기 태양광 발전 패턴 모델은 발전시작시간과 발전종료시간 사이에서 사인함수를 평행이동 및 부호를 반전시킨 형태로 정의되는 것을 특징으로 한다.
본 발명의 상기 태양광 발전 패턴 모델은 발전시작시간과 발전종료시간 사이 이외의 시간대에서 발전에 기여하지 않는 부분을 0의 값으로 정의되는 것을 특징으로 한다.
본 발명의 상기 수요반응 패턴 모델은 수요반응이 일어난 시점부터 수요반응의 지속시간 동안에 음의 부하로 정의되는 것을 특징으로 한다.
본 발명의 상기 목적함수는 상기 파라미터 값을 반영하여 생성된 순부하패턴과 추정대상 순부하패턴 간의 편차 제곱인 것을 특징으로 한다.
본 발명의 상기 최적 파라미터로 선정하는 단계에서, 상기 최적 파라미터 검출부는 추정하고자 하는 순부하 전력패턴과 모델링된 함수에 의해 만들어진 순부하 전력패턴을 이용하여 상기 목적함수를 반복적으로 검출하고, 검출된 상기 목적함수를 서로 비교하여 비교 결과에 따라 상기 목적함수의 최소값을 갱신하고, 갱신된 상기 목적함수의 최소값의 파라미터를 최적 파라미터로 선정하는 것을 특징으로 한다.
본 발명의 상기 최적 파라미터로 선정하는 단계에서, 상기 최적 파라미터 검출부는 추정하고자 하는 순부하 전력패턴과 모델링된 함수에 의해 만들어진 순부하 전력패턴을 이용하여 상기 목적함수가 검출될 때마다, 상기 목적함수가 이전에 산출된 목적함수보다 감소하는지에 따라 최소값을 갱신하되, 상기 목적함수의 최소값이 반복된 반복횟수에 따라 상기 목적함수의 최소값을 상기 최적해로 판정하여 상기 최적해에 해당하는 파라미터를 상기 최적 파라미터로 선정하는 것을 특징으로 한다.
본 발명의 상기 최적 파라미터로 선정하는 단계에서, 상기 목적함수가 이전에 산출된 목적함수보다 감소하지 않으면, 파라미터 설정부가 상기 파라미터를 조정하는 것을 특징으로 한다.
본 발명의 상기 최적 파라미터로 선정하는 단계에서, 상기 최적 파라미터 검출부는 상기 목적함수의 최소값의 반복횟수가 기 설정된 설정횟수 이상이면, 상기 최적해에 해당하는 파라미터를 상기 최적 파라미터로 선정하는 것을 특징으로 한다.
본 발명의 상기 최적 파라미터로 선정하는 단계에서, 상기 최적 파라미터 검출부는 상기 목적함수의 최소값의 반복횟수가 기 설정된 설정횟수 미만이면, 파라미터 설정부가 상기 파라미터를 조정하는 것을 특징으로 한다.
본 발명의 일 측면에 따른 전력시스템의 순부하 패턴 생성 장치 및 방법은 전력계통의 일반적인 부하와 태양광 분산전원이 섞여있는 순부하(Net Load)의 시간별 계량데이터로부터 순부하 패턴을 검출하고, 순부하 패턴 생성에 기여하는 요소 각각이 순부하 패턴에 기여하는 정도를 파라미터화하여 추정할 수 있도록 한다.
본 발명의 다른 측면에 따른 전력시스템의 순부하 패턴 생성 장치 및 방법은 태양광 분산전원과 수요반응과 같이 변동성 자원을 포함하는 전력계통 순부하 패턴에 대해 부하추정이 어려워지는 한계점을 극복하고, 순부하 패턴을 각 요소별로 직관적인 모델로 단순화할 수 있다.
본 발명의 또 다른 측면에 따른 전력시스템의 순부하 패턴 생성 장치 및 방법은 순부하 패턴을 추정함에 있어서 계량데이터 외에 일사량이나 요소별 계량 데이터, 부하특성과 같은 세부정보가 불필요하고, 각 요소별로 파라미터의 입력 가능 범위를 산정하고 최적화 알고리즘(PSO)에 의해 다중 파라미터들을 동시에 최적화시킴으로써 연산 속도를 향상시킴과 동시에 수렴성을 확보할 수 있다.
본 발명의 또 다른 측면에 따른 전력시스템의 순부하 패턴 생성 장치 및 방법은 순부하 패턴의 파라미터 조정을 통해 모든 발전기나 부하에 대해 계측을 할 필요가 없이 계량기 설치 및 통신 인프라, 모니터링 시스템 운영에 대한 비용을 절감할 수 있도록 한다.
본 발명의 또 다른 측면에 따른 전력시스템의 순부하 패턴 생성 장치 및 방법은 몇 개의 순부하 패턴 샘플로부터 얻어진 파라미터의 변동 범위와 요소별 단순 모델을 이용하여 새로운 순부하 패턴을 무작위로 생성할 수 있으며, 변동성 자원들의 불확실성을 반영하여 전력계통의 수용성을 평가할 수 있다.
도 1 은 본 발명의 일 실시예에 따른 전력시스템의 순부하 패턴 생성 장치의 블럭 구성도이다.
도 2 는 본 발명의 일 실시예에 따른 배전계통 피더의 계측점 위치에 따른 순부하의 범위 예시도이다.
도 3 은 본 발명의 일 실시예에 따른 부하, 태양광, 수요반응 패턴의 단순 모델과 합성에 의한 순부하패턴 생성 개념도이다.
도 4 는 본 발명의 일 실시예에 따른 입자 군집 최적화 알고리즘을 이용한 2변수 함수의 최적 파라미터 탐색 개념도이다.
도 5 는 본 발명의 일 실시예에 따른 전력시스템의 순부하 패턴 생성 방법의 순서도이다.
도 6 은 본 발명의 일 실시예에 따른 샘플 피더의 순부하 전력패턴 (a) 시간대별 부하 (b) 일별 부하를 나타낸 도면이다.
도 7 은 본 발명의 일 실시예에 따른 순부하 추정 그래와 오차를 나타낸 도면이다.
도 8 은 본 발명의 일 실시예에따른 최적화 수렴 반복횟수를 나타낸 도면이다.
도 2 는 본 발명의 일 실시예에 따른 배전계통 피더의 계측점 위치에 따른 순부하의 범위 예시도이다.
도 3 은 본 발명의 일 실시예에 따른 부하, 태양광, 수요반응 패턴의 단순 모델과 합성에 의한 순부하패턴 생성 개념도이다.
도 4 는 본 발명의 일 실시예에 따른 입자 군집 최적화 알고리즘을 이용한 2변수 함수의 최적 파라미터 탐색 개념도이다.
도 5 는 본 발명의 일 실시예에 따른 전력시스템의 순부하 패턴 생성 방법의 순서도이다.
도 6 은 본 발명의 일 실시예에 따른 샘플 피더의 순부하 전력패턴 (a) 시간대별 부하 (b) 일별 부하를 나타낸 도면이다.
도 7 은 본 발명의 일 실시예에 따른 순부하 추정 그래와 오차를 나타낸 도면이다.
도 8 은 본 발명의 일 실시예에따른 최적화 수렴 반복횟수를 나타낸 도면이다.
이하에서는 본 발명의 일 실시예에 따른 전력시스템의 순부하 패턴 생성 장치 및 방법을 첨부된 도면들을 참조하여 상세하게 설명한다. 이러한 과정에서 도면에 도시된 선들의 두께나 구성요소의 크기 등은 설명의 명료성과 편의상 과장되게 도시되어 있을 수 있다. 또한 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서, 이는 이용자, 운용자의 의도 또는 관례에 따라 달라질 수 있다. 그러므로 이러한 용어들에 대한 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야할 것이다.
본 명세서에서 설명된 구현은, 예컨대, 방법 또는 프로세스, 장치, 소프트웨어 프로그램, 데이터 스트림 또는 신호로 구현될 수 있다. 단일 형태의 구현의 맥락에서만 논의(예컨대, 방법으로서만 논의)되었더라도, 논의된 특징의 구현은 또한 다른 형태(예컨대, 장치 또는 프로그램)로도 구현될 수 있다. 장치는 적절한 하드웨어, 소프트웨어 및 펌웨어 등으로 구현될 수 있다. 방법은, 예컨대, 컴퓨터, 마이크로프로세서, 집적 회로 또는 프로그래밍가능한 로직 디바이스 등을 포함하는 프로세싱 디바이스를 일반적으로 지칭하는 프로세서 등과 같은 장치에서 구현될 수 있다. 프로세서는 또한 최종-사용자 사이에 정보의 통신을 용이하게 하는 컴퓨터, 셀 폰, 휴대용/개인용 정보 단말기(personal digital assistant: "PDA") 및 다른 디바이스 등과 같은 통신 디바이스를 포함한다.
도 1 은 본 발명의 일 실시예에 따른 전력시스템의 순부하 패턴 생성 장치의 블럭 구성도이고, 도 2 는 본 발명의 일 실시예에 따른 배전계통 피더의 계측점 위치에 따른 순부하의 범위 예시도이며, 도 3 은 본 발명의 일 실시예에 따른 부하, 태양광, 수요반응 패턴의 단순 모델과 합성에 의한 순부하패턴 생성 개념도이며, 도 4 는 본 발명의 일 실시예에 따른 입자 군집 최적화 알고리즘을 이용한 2변수 함수의 최적 파라미터 탐색 개념도이다.
도 1 을 참조하면, 본 발명의 일 실시예에 따른 전력시스템의 순부하 패턴 생성 장치는 계량데이터 수집부(10), 순부하 패턴 모델 생성부(20) 및 최적 파라미터 검출부(30)를 포함한다.
계량데이터 수집부(10)는 각종 전력설비로부터 계량데이터를 수집한다.
계량데이터에는 전력설비의 식별정보, 각 전력설비의 부하값 및 전력 공급 시간 등이 포함될 수 있다. 그러나, 계량데이터는 상기한 전력설비의 식별정보, 각 전력설비의 부하값 및 전력 공급 시간에 특별히 한정되는 것은 아니다.
전력설비에는 변전소나 변압기, 모선, 선로 등이 포함될 수 있다. 그러나, 전력설비는 변전소나 변압기로 한정되는 것은 아니며, 상기한 계량데이터를 제공할 수 있는 것이라면 특별히 한정되는 것은 아니다.
순부하 패턴 모델 생성부(20)는 순부하 패턴을 추정하고 생성하기 위한 순부하 패턴 모델을 생성한다.
통상적으로, 전력패턴에는 시간의 흐름에 따른 전력수요의 일정성(constancy), 주기성(periodicity), 간헐적 변동성(intermittency), 성장률(growth rate)이 반영되어 있으며, 일반적으로 가장 평균에 가까운 부하가 대표 패턴으로 선정될 수 있다.
첫째로, 전력패턴의 일정성은 시간에 따라 거의 변하지 않는 기저 성분을 의미한다. 둘째로, 전력패턴의 주기성은 일정 주기로 패턴이 반복됨을 의미한다. 일일 전력패턴 안에서는 반복성이 쉽게 나타나지 않을 수도 있으나, 짧게는 일주일마다 길게는 계절별로 반복성이 나타날 수 있다. 셋째로, 전력패턴의 변동성은 앞서 언급한 일관성 및 반복성을 제외한 대부분의 성분을 들 수 있다. 특히, 갑작스런 이벤트에 의한 결과로 나타나게 되는 경우가 많다. 예를 들어 날씨가 내내 맑다가 갑자기 흐리게 되어 태양광 발전량이 줄어들거나, 연중 피크부하가 예상되어 급전 지시 및 수요반응이 일어나게 되는 경우에는 기존에 보이지 않던 패턴을 보일 수 있다. 마지막으로, 성장률은 일관성과 유사하지만 꾸준히 증가하거나 감소하는 경향을 나타내는 요소이다. 이는 단기간 부하패턴에는 잘 나타나지 않으나 수 년 단위로 분석을 할 경우에는 고려해야할 부분이기도 하다. 결론적으로, 일일 부하 패턴에 있어서는 매일 주기적으로 반복되는 패턴과 일시적으로 변동하는 요소를 위주로 고려할 필요가 있다.
도 2 를 참조하면, 실제 배전계통의 주변압기 또는 배전 피더(D/L) 인입단에서 계측하는 부하는 순부하로써, 부하뿐만 아니라 분산전원이 발전하여 공급한 전력을 포함하여 앞서 언급한 모든 패턴이 섞여 있는 형태가 된다.
즉, 전력시스템의 순부하는 도 2 에 도시된 바와 같이 부하와 분산전원을 포함하며, 계측점에서 기존 부하는 양의 부하값으로 나타나는 대신 분산전원의 발전 전력과 수요반응은 음의 부하값으로 반영되어 최종적으로 순부하 전력은 이들의 합으로써 계측이 된다.
일반적인 부하에 대한 조류는 변전소 주변압기 측에서 부하 말단 방향으로 흐르지만, 분산전원이 포함되는 경우에는 조류의 방향이 일시적으로 바뀔 가능성도 있다. 이를 변전소 주 변압기 측에서의 순부하로 본다면, 태양광 분산전원과 수요반응은 부하가 음의 부하 또는 부하가 줄어든 형태로 나타나게 된다.
각각의 패턴은 여러 가지 요인에 의해 무작위로 변동하는 특성이 있으나, 요소별로 발생하는 크기와 시간대가 일정 범위 안에서 변동하기 때문에 부하 및 발전량 추정에 이용될 수 있다.
이에, 순부하 패턴 모델 생성부(20)는 도 3 에 도시된 바와 같이 부하(Load, LD) 패턴 모델, 태양광(Photovoltaic, PV) 패턴 모델 및 수요반응(Demand Response, DR) 패턴 모델을 합성하여 순부하 패턴 모델을 생성한다. 순부하 패턴은 시간 파라미터 및 크기 파라미터에 따라 일일 24시간 전력값으로 각각 계산되어 이들의 합으로 생성될 수 있다. 이에 대해서는 후술한다.
한편, 전력계통 순부하(Net Load)는 실제 계측되는 부하로써 분산전원의 발전에 의해 부하가 줄어든 것처럼 나타난다. 총부하(Gross Load)는 분산전원을 제외한 부하를 의미하며, 태양광 분산전원의 발전량은 날씨에 따라 자주 변동하게 되므로 전력계통의 설비와 운영 계획은 총부하를 고려하여 계획되어야 한다.
수요반응은 발전기 운영 예비력이 부족할 때 전력계통운영자의 요청에 따라 일정시간 부하를 감축시키고 발전량에 해당하는 인센티브로 보상받는 제도이다.
부하 패턴 모델은 두 가지로 정의될 수 있으며, 첫째 부하에 대한 정보가 거의 없는 경우 수학식 1을 따라 생성되고, 온전한 부하(Gross Load)의 값에 대해 과거 계측 값을 가지고 있어서 부하패턴을 추정할 수 있는 경우 수학식 2에 따라 생성된다.
수학식 1은 2-step 부하모델로써 심야 부하와 주간 부하의 구분에 초점을 둔다. 부하 패턴함수 PLD(t)는 시간 t에 대한 함수이고, Ts,LD는 부하 상승시각 또는 심야 부하에서 주간 부하로 바뀌는 시각을 의미하고, Te,LD는 부하 감소시각 또는 주간 부하에서 심야 부하로 바뀌는 시각을 의미한다. 부하 패턴함수 PLD(t)는 부하패턴에서 주간부하를 100%로 가정하여 1의 값으로 정의되고, 심야 경부하에는 주간부하 대비 Poff-peak 만큼의 크기를 갖는 것으로 정의된다.
수학식 2는 이미 시간별로 수차례 계량된 계량데이터로부터 발전을 제외한 총 부하(Gross Load) 패턴을 추출하기 위한 방법이다. 상기한 바와 같이 수학식 2를 통해, 맑은 날과 흐린 날의 패턴이 골고루 섞여있는 데이터로부터 각 시간별 최대값이 계산됨으로써 총부하가 산출되고, 이를 다시 기간 중의 최대 부하값인 Pmeasure,MAX으로 나누어 정규화(normalization)시킴으로써 부하패턴이 추출된다.
즉, 부하 패턴 모델은 주간부하에 대해서는 상승시각부터 하강시각까지 최대 1의 부하율을 가지고, 상승시간과 하강시간 사이의 시간대 이 외 시간대에는 경부하율을 가지는 패턴으로 정의될 수 있다.
태양광 발전 패턴의 경우, 계통의 부하측면에서 볼 때 음의 부하일 수 있다. 태양광 발전의 출력전력은 태양광 설비의 용량과 광량에 의해 결정되는데, 매 시점에서 태양의 위치와 태양광 패널의 입사각에 의해 결정된다. 태양광 발전은 설비의 용량과는 별개로 날씨에 따라 발전 출력량이 변동할 수는 있으나, 맑은 날의 패턴을 기준으로 볼 때 정현파의 형태를 나타낸다. 또한, 일출시각과 일몰시각은 계절별로는 약간씩 변동하기는 하나, 인접한 날짜 간에 이들은 각각 거의 동일한 시간대에 있다는 점이다. 따라서, 해당 지역의 정확한 일출시각과 일몰시각을 알고 있다면, 태양광 패턴의 크기만을 고려함으로써 단순하게 모델링이 가능하다. 정확한 시각을 모르더라도 각각의 시간 파라미터에 대해 일정 범위 내에서 충분히 탐색이 가능하다.
태양광 발전 패턴 모델의 경우, 태양광 발전기 대부분이 초기투자비용이 저렴한 고정형으로 설치됨을 가정하여 아래의 수학식 3과 같이 태양광 패널이 이루는 입사각 θ에 대하여 삼각함수 형태로 나타낼 수 있다. 이때, 태양의 직사광선에 의한 에너지를 Esun이라고 하면, 패널에 입사되는 에너지 Eincident는 매 시간 태양의 위치에 따라 sinθ의 관계를 가지며, 태양광 발전 시스템 효율 EFF와 음영비 Fshade, 그리고 계절 상수 Fseason에 의해 발전량은 일정 비율로 감쇠되는 효과를 지닐 수 있다.
부하패턴과 마찬가지로 태양광 발전 패턴을 시간에 대한 함수로 나타내면 식(4)와 같다. 시간 t에 따른 태양광 패턴함수 PPV(t)는 발전시작(일출)시간 Ts,PV와 발전종료(일몰)시간 Te,PV 사이에서 사인함수를 평행이동 및 부호를 반전시킨 형태로써 정의된다. 그 외 시간대에서 발전이 기여하지 않는 부분은 0의 값으로 나타내었다. 즉, 태양광 발전 패턴 모델의 단순화된 패턴은 정현파 함수의 처음 반주기가 사용될 수 있으며, 시간 축 방향으로 일출시각(Ts,PV)만큼 평행 이동된다. 일출시각 이전과 일몰시간 이후에는 0 출력을 나타낸다. 이 때, 순부하 측면에서의 발전량은 음의 출력을 가지므로 부호를 반전시킴으로써 구할 수 있다.
수요반응은 발전기 발전전력을 증가시키는 것과 반대의 개념으로 일정 시간 동안 부하를 줄여서 예비력을 확보하는 방식이다. 그러므로 수요반응 모델 또한 앞서 언급한 태양광 발전 패턴 모델처럼 순부하에서는 음의 부하로써 고려될 수 있다. 통상 수요자원 거래시장에 참여시 피크감축 DR(Demand Response)의 지속시간은 2~4시간이므로 이를 단순화된 모델로 표현하면 아래의 수학식 5와 같다. 수요반응 패턴은 실제로는 부하가 전력망 운영 사업자의 지령을 받아 일시적으로 부하가 줄어드는 형태이나, 일시적으로 수요반응이 일어난 시점에 초점을 둔다면 태양광 발전이 기여하는 것과 마찬가지로 음의 부하로 고려될 수 있다.
시간 t에 따른 수요반응 패턴함수 PDR(t)는 수요반응이 일어난 시점 Ts,DR부터 수요반응의 지속시간 Td,DR 동안 -1의 크기를 가지며, 그 외 시간대에서는 0의 값을 갖는다.
최적 파라미터 검출부(30)는 순부하 패턴 모델 생성부(20)에 의해 생성된 순부하 패턴 모델에 상기한 계량데이터에 기반한 파라미터를 랜덤하게 입력하여 목적함수를 반복적으로 검출하고, 이러한 반복 과정에서 검출된 각 목적함수를 서로 비교하여 그 비교 결과에 따라 목적함수를 갱신하되, 그 오차가 최소값으로 설정횟수 이상 반복되면 해당 파라미터를 최적 파라미터로 선정한다.
최적 파라미터 검출부(30)는 파라미터 설정부(31) 및 최적 파라미터 선정부를 포함한다.
파라미터 설정부(31)는 전력패턴함수 각각에 대한 시간 파라미터와 크기 파라미터에 대해 초기값 군집(입자들의 집합)을 생성한다. 즉, 파라미터 설정부(31)는 파라미터 당 입자의 개수와 초기값, 파라미터 값의 범위들을 정의한다. 이때, 파라미터 설정부(31)는 i번째 파라미터 xi에 대하여 입력값의 범위 내에서 무작위 값들로 복수 개의 파라미터 값을 생성할 수 있다.
최적 파라미터 산출부(32)는 각각의 파라미터 값을 반영하여 생성된 순부하패턴과 추정대상 순부하패턴 간의 편차제곱, 즉 목적함수 계산한다.
순부하 패턴의 각 요소들을 추정하기 위한 다중 파라미터 최적화의 목적함수는 수학식 6과 같이 추정 대상 순부하 패턴과 상기한 바와 같이 생성된 순부하 패턴 간의 편차 제곱의 합을 최소화한 것으로 정의될 수 있다. 본 실시예에서는 n차 다항식이 아닌 앞서 설명한 부하 패턴과 태양광 패턴, 그리고 수학식 7과 같이 수요반응 패턴을 합성하여 비선형 회귀 방정식을 풀도록 한다.
추정하고자 하는 순부하 전력패턴을 Pnet,target으로 두고, 모델링된 함수에 의해 만들어진 순부하 전력패턴을 Pnet,estim이라고 한다면, 목적함수는 수학식 6과 같이 두 함수의 편차 제곱의 합으로 나타낼 수 있다.
생성된 순부하 전력패턴 Pnet,estim은 수학식 7에서와 같이 앞서 모델링된 패턴 함수들에 각각의 크기 계수를 곱하여 합한 것으로 나타낼 수 있다. 여기서, FLD는 부하 전력패턴의 크기 계수이고, FPV는 태양광 전력패턴의 크기 계수이며, FDR은 수요반응 전력패턴의 크기 계수이며, Pbase는 기준전력이다.
이어 최적 파라미터 산출부(32)는 현재 최적점에 가장 가까운 입자를 제외한 모든 입자에 대해 최적점의 방향으로 무작위 속도를 부여하여 입자를 이동시키며, 이 때 목적함수, 즉 편차 제곱의 값이 이전의 목적함수보다 감소하면 해당 파라미터를 다음 최적해로 갱신하고, 목적함수가 감소하지 않으면 현재의 최적해를 유지한다. 최적 파라미터 산출부(32)는 상기한 바와 같이 최적해를 갱신하는 과정을 반복하며, 이 과정에서 최적해가 설정횟수 이상 갱신되지 않으면 반복연산을 종료하고, 그 때의 파라미터를 최적 파라미터로 선정한다.
즉, 최적 파라미터 산출부(32)는 다수의 파라미터의 주어진 범위 내에서 최적해를 찾는 방법으로는 입자 군집 최적화(particle swarm optimization, PSO) 알고리즘을 적용하여 동시에 해를 찾을 수 있으며, 개별 파라미터를 이용한 연산은 아래의 수학식 8 내지 수학식 10에 의해 이루어진다. 이는 비선형 회귀분석에서 다수의 파라미터를 추정하기 위한 방법 중 하나이며, 동등 수준 이상의 성능을 가지는 다른 최적화 알고리즘으로 대체가 가능하다.
비선형 다항 회귀방정식으로부터 해를 구하기 위해서는 곡선접합을 가능하게 하는 적절한 해의 탐색 방법을 필요로 한다. 본 실시예에서는 비교적 구현이 쉬우면서도 다수의 파라미터 입력을 받을 수 있고, 동시에 비선형 최적화가 가능한 Global best PSO 방식을 채택하였다.
PSO는 도 4 에 도시된 바와 같이 다수의 입자를 사용하여 각각에 최적점 방향으로 향하는 무작위의 가속도를 부여하여 접근시키는 방식이다.
이에, 최적 파라미터 산출부(32)는 i번째 파라미터에 대해 k+1번째 반복에서 입자의 속도를 vi (k+1)로 하며, 이는 복수 개의 입자들 중 최적값 xi best와 현재 선택된 입자 xi k사이의 변위(직선거리의 크기와 방향)에 0부터 2사이의 무작위 값을 곱한 것으로 정의된다. 이 때, 해당 입자의 다음 위치 xi (k+1)는 현재 위치와 계산된 속도의 합으로 계산되며, 만약 반복과정에서 목적함수가 개선된 새로운 최적값이 나타나는 경우 해당 입자를 xi best로 갱신하여 반복한다.
앞서 수학식 1 내지 수학식 2, 수학식 4 내지 수학식 5, 수학식 7에서 언급한 크기 파라미터(FLD, Poff-peak, FPV, FDR)와 시간 파라미터(Ts,LD, Te,LD, Ts,PV, Te,PV, Ts,PV, Ts,DR, Td,DR)는 입력값 xi로 각각 대입될 수 있으며, 이 경우 수학식 6의 목적함수에 해당하는 오차제곱의 합은 f(xi)에 해당한다.
이하 본 발명의 일 실시예에 따른 전력시스템의 순부하 패턴 생성 방법을 도 5 를 참조하여 상세하게 설명한다.
도 5 는 본 발명의 일 실시예에 따른 전력시스템의 순부하 패턴 생성 방법의 순서도이다.
도 5 를 참조하면, 먼저 계량데이터 수집부(10)는 각종 전력설비로부터 계량데이터, 예를 들어 전력설비의 식별정보, 각 전력설비의 부하값 및 전력 공급 시간 등을 수집한다(S10).
이어, 순부하 패턴 모델 생성부(20)는 순부하 패턴을 추정 및 생성하기 위한 순부하 패턴 모델을 생성한다(S20).
이 경우, 순부하 패턴 모델 생성부(20)는 부하(Load, LD) 패턴 모델, 태양광(Photovoltaic, PV) 패턴 모델 및 수요반응(Demand Response, DR) 패턴 모델을 합성하여 순부하 패턴 모델을 생성한다.
이어, 파라미터 설정부(31)는 전력패턴 함수 각각에 대한 시간 파라미터와 크기 파라미터에 대해 초기값 군집(입자들의 집합)을 생성하는데, 이때, i번째 파라미터 xi에 대하여 입력값의 범위 내에서 무작위 값들로 복수 개 생성한다. 최적 파라미터 산출부(32)는 파라미터 설정부(31)에 의해 설정된 파라미터 중 적어도 하나를 상기한 순부하 패턴 모델에 적용하여 초기해를 생성한다(S20).
이어 최적 파라미터 산출부(32)는 상기한 바와 생성된 순부하 패턴 모델을 통해 모델링된 순부하 전력패턴과 추정하고자 하는 순부하 전력패턴을 이용하여 목적함수, 즉 두 함수의 편차 제곱의 합을 계산한다(S30).
여기서, 최적 파라미터 산출부(32)는 상기한 파라미터 설정부(31)에 의해 설정된 파라미터 중 적어도 하나를 랜덤하게 순부하 패턴 모델에 적용함으로써, 추정하고자 하는 순부하 전력패턴을 생성한다.
이어 최적 파라미터 산출부(32)는 현재 최적점에 가장 가까운 입자를 제외한 모든 입자에 대해 최적점의 방향으로 무작위 속도를 부여하여 입자를 이동시키는데, 이때 생성된 순부하 패턴 모델을 통해 모델링된 순부하 전력패턴과 추정하고자 하는 순부하 전력패턴을 이용하여 생성된 각 목적함수를 비교하여 목적함수가 감소하였으면 해당 목적함수(최소값)을 갱신한다.
이 경우, 최적 파라미터 산출부(32)는 목적함수 최소값이 갱신되지 않으면, 즉 목적함수가 감소하지 않았으면 파라미터 값을 조정하고(S70), 상기한 S40 단계를 반복 수행한다. 여기서, 수학식 1 내지 수학식 2, 수학식 4 내지 수학식 5, 수학식 7에서 언급한 크기 파라미터(FLD, Poff-peak, FPV, FDR)와 시간 파라미터(Ts,LD, Te,LD, Ts,PV, Te,PV, Ts,PV, Ts,DR, Td,DR)는 입력값 xi로 각각 대입될 수 있다.
반면에, 최적 파라미터 산출부(32)는 목적함수 최소값이 갱신되었으면 목적함수가 갱신된 반복횟수가 한계값 미만인지를 판단하고(S60), 판단 결과 목적함수가 갱신된 반복횟수가 한계값 미만이면 파라미터 값을 조정하고(S70), 상기한 S40 단계를 수행한다. 여기서, 수학식 1 내지 수학식 2, 수학식 4 내지 수학식 5, 수학식 7에서 언급한 크기 파라미터(FLD, Poff-peak, FPV, FDR)와 시간 파라미터(Ts,LD, Te,LD, Ts,PV, Te,PV, Ts,PV, Ts,DR, Td,DR)는 입력값 xi로 각각 대입될 수 있다.
한편, S60 단계에서 목적함수가 갱신된 반복횟수가 한계값 이상이면, 현재 목적함수를 최소값으로 설정하고, 해당 최소값의 파라미터를 최적 파라미터로 검출한다(S80). 즉, 최적 파라미터 산출부(32)는 상기한 바와 같이 최적해를 갱신하는 과정을 반복한다.
도 6 은 본 발명의 일 실시예에 따른 샘플 피더의 순부하 전력패턴 (a) 시간대별 부하 (b) 일별 부하를 나타낸 도면이고, 도 7 은 본 발명의 일 실시예에 따른 순부하 추정 그래와 오차를 나타낸 도면이며, 도 8 은 본 발명의 일 실시예에따른 최적화 수렴 반복횟수를 나타낸 도면이다.
비선형 회귀방식의 순부하패턴 추정 알고리즘의 수렴성을 테스트하기 위하여 배전계통의 샘플D/L을 선정하여 부하데이터를 취득하였다. 취득된 부하패턴의 일일 시간대별 부하와 일별 부하는 도 6 에 도시되었다.
해당 샘플D/L은 새벽시간과 늦은 오후 시간대에는 거의 일정한 패턴을 보이지만, 낮 시간대에는 태양광 분산전원의 영향으로 이미 상당부분 역조류가 나타나고 있다. 실제 배전계통에서는 100kW 이하 소규모의 태양광 발전기도 상당수 설치되고 있으므로, 모든 발전기에 대해 해당 날짜의 가동 여부를 확인하는 것은 현실적으로 불가능에 가깝다. 다만, 동일 배전선로에서 지역적으로 멀리 떨어져 있지 않으므로 날씨의 영향은 거의 동일하다고 가정하고 순부하를 추정한다.
일일 전력부하 패턴을 추정하기 위해 지역 일사량 데이터를 참고하여 일조시간이 충분했던 날짜 중 하루를 선정하여 모의하였다. 입력된 부하데이터는 시간간격이 10분 내외로 일정치 않은 실측값이므로 보간법을 이용한 보간 및 1시간 간격의 데이터로 재조정하였고, 입력 파라미터의 범위를 아래의 표 1 과 같이 정의하였다. 파라미터 중 크기에 관한 모든 계수들은 실수범위이며, 시간 파라미터는 파형에 영향을 미칠 수 있는 일출 시각(Ts,P V)과 일몰 시각(Te,PV)을 제외하고 정수범위로 계산한다. 비교적 단순한 부하패턴의 경우 수요반응과 같이 확실한 요소는 제외하고 산정이 가능하나, 본 실시예에서는 이러한 모델들을 얼마나 반영해야 하는지 모르는 상황에서 최적해의 수렴에 영향을 미칠 수 있는지 확인하고자 모든 모델을 포함하였다. 또한, 각 파라미터의 범위를 입자(particle) 수만큼으로 나누어 초기해를 생성하였다. 예를 들어, 부하 크기 계수(FLD)가 0부터 1까지 범위를 가지고, 입자가 100개이면 0.01 단위로 균일하게 입력 값을 생성한다. PSO 반복연산의 종료조건은 현재의 최소값이 30회 이상 갱신되지 않을 경우 해당 값을 최적해로 최종 판단한다.
제안한 PSO기반의 비선형 회귀 곡선접합을 통해 최종적으로 얻은 패턴과 실측된 순부하 패턴을 비교하는 그래프가 도 7 에 도시되었다.
목적함수의 평가지표로 삼았던 분산값은 약 6.79 부근에서 수렴하였으며, 도 8 에 도시된 바와 같이 약 10회 반복 이전에 거의 최적해에 도달하는 것으로 확인할 수 있다.
최적 파라미터 값으로 산정된 결과를 소수점 셋째 자리에서 반올림하여 표 2에 나타내었으며, 이들 각각에 기준용량을 곱하여 실제 순부하에 기여한 전력을 각각 산출할 수 있다.
표 2 를 참조하면, 부하는 거의 일정한 패턴을 나타내고, 크기는 피크시간대 약 5.4MW로 산정되었다. 태양광은 7시 7분경에 일출, 19시 33분경에 일몰의 패턴으로 크기는 약 8.7MWp이다. 수요반응은 무시할 정도로 작거나 없었던 것으로 판단할 수 있다.
이와 같이, 본 발명의 일 실시예에 따른 전력시스템의 순부하 패턴 생성 장치 및 방법은 전력계통의 일반적인 부하와 태양광 분산전원이 섞여있는 순부하(Net Load)의 시간별 계량데이터로부터 순부하 패턴을 검출하고, 순부하 패턴 생성에 기여하는 요소 각각이 순부하 패턴에 기여하는 정도를 파라미터화하여 추정할 수 있도록 한다.
또한, 본 발명의 일 실시예에 따른 전력시스템의 순부하 패턴 생성 장치 및 방법은 태양광 분산전원 및 수요반응과 같이 변동성 자원을 포함하는 전력계통 순부하 패턴에 대해 부하추정이 어려워지는 한계점을 극복하고, 순부하 패턴을 각 요소별로 직관적인 모델로 단순화할 수 있으며, 순부하 패턴을 추정함에 있어서 계량데이터 외에 일사량이나 요소별 계량 데이터 또는 부하특성과 같은 세부정보가 불필요하며, 각 요소별로 파라미터의 입력 가능 범위를 산정하고 최적화 알고리즘(PSO)에 의해 다중 파라미터들을 동시에 최적화시킴으로써 연산 속도를 향상시킴과 동시에 수렴성을 확보할 수 있다.
게다가, 본 발명의 일 실시예에 따른 전력시스템의 순부하 패턴 생성 장치 및 방법은 순부하 패턴의 파라미터 조정을 통해 모든 발전기나 부하에 대해 계측을 할 필요가 없이 계량기 설치 및 통신 인프라, 모니터링 시스템 운영에 대한 비용을 절감할 수 있도록 하며, 몇 개의 순부하 패턴 샘플로부터 얻어진 파라미터의 변동 범위와 요소별 단순 모델을 이용하여 새로운 순부하 패턴을 무작위로 생성할 수 있으며, 변동성 자원들의 불확실성을 반영하여 전력계통의 수용성을 평가할 수 있다.
본 발명은 도면에 도시된 실시예를 참고로 하여 설명되었으나, 이는 예시적인 것에 불과하며 당해 기술이 속하는 기술분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호범위는 아래의 특허청구범위에 의하여 정해져야할 것이다.
10: 계량데이터 수집부
20: 순부하 패턴 모델 생성부
30: 최적 파라미터 검출부
31: 파라미터 설정부
32: 최적 파라미터 선정부
20: 순부하 패턴 모델 생성부
30: 최적 파라미터 검출부
31: 파라미터 설정부
32: 최적 파라미터 선정부
Claims (30)
- 전력설비로부터 계량데이터를 수집하는 계량데이터 수집부;
부하 패턴 모델, 태양광 발전 패턴 모델 및 수요반응 패턴 모델을 이용하여 순부하 패턴 모델을 생성하는 순부하 패턴 모델 생성부; 및
상기 순부하 패턴 모델에 상기 계량데이터를 토대로 설정된 파라미터를 랜덤하게 적용하여 목적함수를 반복 산출하고 산출된 상기 목적함수 각각을 서로 비교하여 크기에 따라 상기 목적함수 중 최적해를 검출하고, 검출된 상기 최적해에 해당하는 파라미터를 최적 파라미터로 선정하는 최적 파라미터 검출부를 포함하는 전력시스템의 순부하 패턴 생성 장치. - 제 1 항에 있어서, 상기 순부하 패턴 모델 생성부는
상기 부하 패턴 모델, 상기 태양광 발전 패턴 모델 및 상기 수요반응 패턴 모델을 합성하여 상기 순부하 패턴 모델을 생성하는 것을 특징으로 하는 전력시스템의 순부하 패턴 생성 장치. - 제 1 항에 있어서, 상기 부하 패턴 모델은
부하에 대한 정보가 없는 경우 및 온전한 부하의 값에 대해 과거 계측 값을 가지고 있어서 부하패턴을 추정할 수 있는 경우로 구분되어 생성되는 것을 특징으로 하는 전력시스템의 순부하 패턴 생성 장치. - 제 1 항에 있어서, 상기 부하 패턴 모델은
주간부하에 대해서는 상승시각부터 하강시각까지 최대 1의 부하율을 가지고, 상승시간과 하강시간 사이의 시간대 이 외 시간대에는 경부하율을 가지는 패턴으로 정의되는 것을 특징으로 하는 전력시스템의 순부하 패턴 생성 장치. - 제 1 항에 있어서, 상기 부하 패턴 모델은
온전한 부하의 값에 대해 과거 계측 값을 가지고 있어서 부하패턴을 추정할 수 있는 경우, 상기 계량데이터로부터 각 시간별 최대값을 계산하여 총부하를 산출한 후, 최대값을 기간 중의 최대 부하값으로 나누어 정규화시켜 부하패턴을 추출하는 것을 특징으로 하는 전력시스템의 순부하 패턴 생성 장치. - 제 1 항에 있어서, 상기 태양광 발전 패턴 모델은
발전시작시간과 발전종료시간 사이에서 사인함수를 평행이동 및 부호를 반전시킨 형태로 정의되는 것을 특징으로 하는 전력시스템의 순부하 패턴 생성 장치. - 제 1 항에 있어서, 상기 태양광 발전 패턴 모델은
발전시작시간과 발전종료시간 사이 이외의 시간대에서 발전에 기여하지 않는 부분을 0의 값으로 정의되는 것을 특징으로 하는 전력시스템의 순부하 패턴 생성 장치. - 제 1 항에 있어서, 상기 수요반응 패턴 모델은
수요반응이 일어난 시점부터 수요반응의 지속시간 동안에 음의 부하로 정의되는 것을 특징으로 하는 전력시스템의 순부하 패턴 생성 장치. - 제 1 항에 있어서, 상기 목적함수는
상기 파라미터 값을 반영하여 생성된 순부하패턴과 추정대상 순부하패턴 간의 편차 제곱인 것을 특징으로 하는 전력시스템의 순부하 패턴 생성 장치. - 제 1 항에 있어서, 상기 최적 파라미터 검출부는
상기 계량데이터를 토대로 파라미터를 설정하는 파라미터 설정부; 및
추정하고자 하는 순부하 전력패턴과 모델링된 함수에 의해 만들어진 순부하 전력패턴을 이용하여 상기 목적함수를 반복적으로 검출하고, 검출된 상기 목적함수를 서로 비교하여 비교 결과에 따라 상기 목적함수의 최소값을 갱신하고, 갱신된 상기 최소값의 파라미터를 최적 파라미터로 선정하는 최적 파라미터 선정부를 포함하는 것을 특징으로 하는 전력시스템의 순부하 패턴 생성 장치. - 제 10 항에 있어서, 상기 파라미터 설정부는
상기 파라미터 당 입자의 개수와 초기값 및 파라미터 값의 범위들을 정의하는 것을 특징으로 하는 전력시스템의 순부하 패턴 생성 장치. - 제 10 항에 있어서, 상기 최적 파라미터 선정부는
비선형 회귀 방정식을 이용하여 상기 목적함수를 산출하는 것을 특징으로 하는 전력시스템의 순부하 패턴 생성 장치. - 제 10 항에 있어서, 상기 최적 파라미터 선정부는
추정하고자 하는 순부하 전력패턴과 모델링된 함수에 의해 만들어진 순부하 전력패턴을 이용하여 상기 목적함수가 검출될 때마다, 상기 목적함수가 이전에 산출된 목적함수보다 감소하는지에 따라 최소값을 감소하는지에 따라 최소값을 갱신하되, 상기 목적함수의 최소값이 반복된 반복횟수에 따라 상기 목적함수의 최소값을 상기 최적해로 판정하여 상기 최적해에 해당하는 파라미터를 상기 최적 파라미터로 선정하는 것을 특징으로 하는 전력시스템의 순부하 패턴 생성 장치. - 제 13 항에 있어서,
상기 목적함수가 이전에 산출된 목적함수보다 감소하지 않으면, 상기 파라미터 설정부가 상기 파라미터를 조정하는 것을 특징으로 하는 전력시스템의 순부하 패턴 생성 장치. - 제 13 항에 있어서, 상기 최적 파라미터 선정부는
상기 목적함수의 최소값의 반복횟수가 기 설정된 설정횟수 이상이면, 상기 최적해에 해당하는 파라미터를 상기 최적 파라미터로 선정하는 것을 특징으로 하는 전력시스템의 순부하 패턴 생성 장치. - 제 13 항에 있어서, 상기 최적 파라미터 선정부는
상기 목적함수의 최소값의 반복횟수가 기 설정된 설정횟수 미만이면, 상기 파라미터 설정부가 상기 파라미터를 조정하는 것을 특징으로 하는 전력시스템의 순부하 패턴 생성 장치. - 계량데이터 수집부가 전력설비로부터 계량데이터를 수집하는 단계;
순부하 패턴 모델 생성부가 부하 패턴 모델, 태양광 발전 패턴 모델 및 수요반응 패턴 모델을 이용하여 순부하 패턴 모델을 생성하는 단계; 및
최적 파라미터 검출부가 상기 순부하 패턴 모델에 상기 계량데이터를 토대로 설정된 파라미터를 랜덤하게 적용하여 목적함수를 반복 산출하고 산출된 상기 목적함수 각각을 서로 비교하여 크기에 따라 상기 목적함수 중 최적해를 검출하고, 검출된 상기 최적해에 해당하는 파라미터를 최적 파라미터로 선정하는 단계를 포함하는 전력시스템의 순부하 패턴 생성 방법. - 제 17 항에 있어서, 상기 순부하 패턴 모델을 생성하는 단계에서,
상기 순부하 패턴 모델 생성부는 상기 부하 패턴 모델, 상기 태양광 발전 패턴 모델 및 상기 수요반응 패턴 모델을 합성하여 상기 순부하 패턴 모델을 생성하는 것을 특징으로 하는 전력시스템의 순부하 패턴 생성 방법. - 제 17 항에 있어서, 상기 부하 패턴 모델은
부하에 대한 정보가 없는 경우 및 온전한 부하의 값에 대해 과거 계측 값을 가지고 있어서 부하패턴을 추정할 수 있는 경우로 구분되어 생성되는 것을 특징으로 하는 전력시스템의 순부하 패턴 생성 방법. - 제 17 항에 있어서, 상기 부하 패턴 모델은
주간부하에 대해서는 상승시각부터 하강시각까지 최대 1의 부하율을 가지고, 상승시간과 하강시간 사이의 시간대 이 외 시간대에는 경부하율을 가지는 패턴으로 정의되는 것을 특징으로 하는 전력시스템의 순부하 패턴 생성 방법. - 제 17 항에 있어서, 상기 부하 패턴 모델은
온전한 부하의 값에 대해 과거 계측 값을 가지고 있어서 부하패턴을 추정할 수 있는 경우, 상기 계량데이터로부터 각 시간별 최대값을 계산하여 총부하를 산출한 후, 최대값을 기간 중의 최대 부하값으로 나누어 정규화시켜 부하패턴을 추출하는 것을 특징으로 하는 전력시스템의 순부하 패턴 생성 방법. - 제 17 항에 있어서, 상기 태양광 발전 패턴 모델은
발전시작시간과 발전종료시간 사이에서 사인함수를 평행이동 및 부호를 반전시킨 형태로 정의되는 것을 특징으로 하는 전력시스템의 순부하 패턴 생성 방법. - 제 17 항에 있어서, 상기 태양광 발전 패턴 모델은
발전시작시간과 발전종료시간 사이 이외의 시간대에서 발전에 기여하지 않는 부분을 0의 값으로 정의되는 것을 특징으로 하는 전력시스템의 순부하 패턴 생성 방법. - 제 17 항에 있어서, 상기 수요반응 패턴 모델은
수요반응이 일어난 시점부터 수요반응의 지속시간 동안에 음의 부하로 정의되는 것을 특징으로 하는 전력시스템의 순부하 패턴 생성 방법. - 제 17 항에 있어서, 상기 목적함수는
상기 파라미터 값을 반영하여 생성된 순부하패턴과 추정대상 순부하패턴 간의 편차 제곱인 것을 특징으로 하는 전력시스템의 순부하 패턴 생성 방법. - 제 17 항에 있어서, 상기 최적 파라미터로 선정하는 단계에서,
상기 최적 파라미터 검출부는 추정하고자 하는 순부하 전력패턴과 모델링된 함수에 의해 만들어진 순부하 전력패턴을 이용하여 상기 목적함수를 반복적으로 검출하고, 검출된 상기 목적함수를 서로 비교하여 비교 결과에 따라 상기 목적함수의 최소값을 갱신하고, 갱신된 상기 목적함수의 최소값의 파라미터를 최적 파라미터로 선정하는 것을 특징으로 하는 전력시스템의 순부하 패턴 생성 방법. - 제 26 항에 있어서, 상기 최적 파라미터로 선정하는 단계에서,
상기 최적 파라미터 검출부는 추정하고자 하는 순부하 전력패턴과 모델링된 함수에 의해 만들어진 순부하 전력패턴을 이용하여 상기 목적함수가 검출될 때마다, 상기 목적함수가 이전에 산출된 목적함수보다 감소하는지에 따라 최소값을 갱신하되, 상기 목적함수의 최소값이 반복된 반복횟수에 따라 상기 목적함수의 최소값을 상기 최적해로 판정하여 상기 최적해에 해당하는 파라미터를 상기 최적 파라미터로 선정하는 것을 특징으로 하는 전력시스템의 순부하 패턴 생성 방법. - 제 27 항에 있어서, 상기 최적 파라미터로 선정하는 단계에서,
상기 목적함수가 이전에 산출된 목적함수보다 감소하지 않으면, 파라미터 설정부가 상기 파라미터를 조정하는 것을 특징으로 하는 전력시스템의 순부하 패턴 생성 방법. - 제 27 항에 있어서, 상기 최적 파라미터로 선정하는 단계에서,
상기 최적 파라미터 검출부는 상기 목적함수의 최소값의 반복횟수가 기 설정된 설정횟수 이상이면, 상기 최적해에 해당하는 파라미터를 상기 최적 파라미터로 선정하는 것을 특징으로 하는 전력시스템의 순부하 패턴 생성 방법. - 제 27 항에 있어서, 상기 최적 파라미터로 선정하는 단계에서,
상기 최적 파라미터 검출부는 상기 목적함수의 최소값의 반복횟수가 기 설정된 설정횟수 미만이면, 파라미터 설정부가 상기 파라미터를 조정하는 것을 특징으로 하는 전력시스템의 순부하 패턴 생성 방법.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020190093081A KR102597937B1 (ko) | 2019-07-31 | 2019-07-31 | 전력시스템의 순부하 패턴 생성 장치 및 방법 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020190093081A KR102597937B1 (ko) | 2019-07-31 | 2019-07-31 | 전력시스템의 순부하 패턴 생성 장치 및 방법 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20210014958A true KR20210014958A (ko) | 2021-02-10 |
KR102597937B1 KR102597937B1 (ko) | 2023-11-06 |
Family
ID=74561403
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020190093081A KR102597937B1 (ko) | 2019-07-31 | 2019-07-31 | 전력시스템의 순부하 패턴 생성 장치 및 방법 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102597937B1 (ko) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20220150778A (ko) | 2021-05-04 | 2022-11-11 | 한국전력공사 | 배전계획용 공간부하 예측 방법 및 장치 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100989441B1 (ko) * | 2010-02-23 | 2010-10-26 | 김영일 | 적응형 퍼지모델을 이용한 태양광 발전 제어 시스템 및 이를 이용한 최대전력 추정방법 |
KR101057663B1 (ko) * | 2009-06-12 | 2011-08-18 | 연세대학교 산학협력단 | 분산전원 최적위치 선정 방법 및 시스템, 분산전원 최적용량 선정 방법 및 시스템 |
KR101762357B1 (ko) * | 2015-11-27 | 2017-07-27 | 한전케이디엔주식회사 | 태양광 인버터 제어 장치 및 방법 |
KR101840264B1 (ko) * | 2016-09-19 | 2018-03-20 | 한양대학교 에리카산학협력단 | 스마트 그리드에서 전력 수요 관리를 위한 수요 공급 균형 방법 및 시스템 |
KR101932177B1 (ko) * | 2012-03-30 | 2019-03-20 | 삼성전자주식회사 | 전력 공급 제어 방법 및 장치 |
-
2019
- 2019-07-31 KR KR1020190093081A patent/KR102597937B1/ko active IP Right Grant
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101057663B1 (ko) * | 2009-06-12 | 2011-08-18 | 연세대학교 산학협력단 | 분산전원 최적위치 선정 방법 및 시스템, 분산전원 최적용량 선정 방법 및 시스템 |
KR100989441B1 (ko) * | 2010-02-23 | 2010-10-26 | 김영일 | 적응형 퍼지모델을 이용한 태양광 발전 제어 시스템 및 이를 이용한 최대전력 추정방법 |
KR101932177B1 (ko) * | 2012-03-30 | 2019-03-20 | 삼성전자주식회사 | 전력 공급 제어 방법 및 장치 |
KR101762357B1 (ko) * | 2015-11-27 | 2017-07-27 | 한전케이디엔주식회사 | 태양광 인버터 제어 장치 및 방법 |
KR101840264B1 (ko) * | 2016-09-19 | 2018-03-20 | 한양대학교 에리카산학협력단 | 스마트 그리드에서 전력 수요 관리를 위한 수요 공급 균형 방법 및 시스템 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20220150778A (ko) | 2021-05-04 | 2022-11-11 | 한국전력공사 | 배전계획용 공간부하 예측 방법 및 장치 |
Also Published As
Publication number | Publication date |
---|---|
KR102597937B1 (ko) | 2023-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mavromatidis et al. | Uncertainty and global sensitivity analysis for the optimal design of distributed energy systems | |
Shaker et al. | Estimating power generation of invisible solar sites using publicly available data | |
JP5911442B2 (ja) | 太陽光発電デバイスの出力を予測する方法およびコントローラ | |
Emmanuel et al. | A review of power system planning and operational models for flexibility assessment in high solar energy penetration scenarios | |
Ismail et al. | Characterization of PV panel and global optimization of its model parameters using genetic algorithm | |
Wu et al. | Integrating solar PV (photovoltaics) in utility system operations: Analytical framework and Arizona case study | |
Mellit et al. | Performance prediction of 20 kWp grid-connected photovoltaic plant at Trieste (Italy) using artificial neural network | |
Freeman et al. | Validation of multiple tools for flat plate photovoltaic modeling against measured data | |
Junior et al. | On the use of maximum likelihood and input data similarity to obtain prediction intervals for forecasts of photovoltaic power generation | |
CN110380444B (zh) | 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法 | |
Pierro et al. | Photovoltaic generation forecast for power transmission scheduling: A real case study | |
KR20200040448A (ko) | 태양광 에너지 발전량 예측 시뮬레이션 장치 및 방법 | |
Fahy et al. | Input data reduction for microgrid sizing and energy cost modeling: Representative days and demand charges | |
Shabani et al. | Influence of climatological data records on design of a standalone hybrid PV-hydroelectric power system | |
Iyengar et al. | SolarCast: a cloud-based black box solar predictor for smart homes | |
Dolara et al. | PV hourly day-ahead power forecasting in a micro grid context | |
Mughal et al. | Design and optimization of photovoltaic system with a week ahead power forecast using autoregressive artificial neural networks | |
Hummon et al. | Variability of photovoltaic power in the state of Gujarat using high resolution solar data | |
KR102597937B1 (ko) | 전력시스템의 순부하 패턴 생성 장치 및 방법 | |
Filipova-Petrakieva et al. | Short-Term Forecasting of Hourly Electricity Power Demand: Reggresion and Cluster Methods for Short-Term Prognosis | |
Gehbauer et al. | Photovoltaic and behind-the-meter battery storage: advanced smart inverter controls and field demonstration | |
Toledo et al. | Forecast of solar radiation with the application of neural networks in rural zones of Ecuador | |
CN116484998A (zh) | 基于气象相似日的分布式光伏电站功率预测方法及系统 | |
Kim | Solar energy generation forecasting and power output optimization of utility scale solar field | |
KR102488668B1 (ko) | 머신러닝을 이용한 태양광 발전 예측 시스템 및 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E902 | Notification of reason for refusal | ||
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |