KR20220157852A - 경제급전을 위한 발전량 결정 장치 및 방법 - Google Patents
경제급전을 위한 발전량 결정 장치 및 방법 Download PDFInfo
- Publication number
- KR20220157852A KR20220157852A KR1020210154111A KR20210154111A KR20220157852A KR 20220157852 A KR20220157852 A KR 20220157852A KR 1020210154111 A KR1020210154111 A KR 1020210154111A KR 20210154111 A KR20210154111 A KR 20210154111A KR 20220157852 A KR20220157852 A KR 20220157852A
- Authority
- KR
- South Korea
- Prior art keywords
- power generation
- amount
- time
- cost
- generation
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000010248 power generation Methods 0.000 claims abstract description 135
- 238000009826 distribution Methods 0.000 claims abstract description 31
- 230000005855 radiation Effects 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims abstract 2
- 238000004590 computer program Methods 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 13
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000013135 deep learning Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 4
- 239000002245 particle Substances 0.000 claims description 3
- 230000006403 short-term memory Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 description 18
- 238000012545 processing Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000001419 dependent effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000446 fuel Substances 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 239000002803 fossil fuel Substances 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- TVEXGJYMHHTVKP-UHFFFAOYSA-N 6-oxabicyclo[3.2.1]oct-3-en-7-one Chemical compound C1C2C(=O)OC1C=CC2 TVEXGJYMHHTVKP-UHFFFAOYSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000005262 decarbonization Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Power Engineering (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
일 실시예에 따른 경제급전을 위한 발전량 결정 장치가 수행하는 발전량 결정 방법은, 기상 데이터를 이용하여 예측한 일사량에 기초하여 태양광 발전기의 태양광 발전량을 추정하는 단계와, 상기 추정된 태양광 발전량과 실측된 태양광 발전량의 오차가 반영된 각 시간에 대한 확률분포 모델을 구성하는 단계와, 상기 각 시간에 대한 확률분포 모델을 통해, 상기 태양광 발전기의 예측 발전량을 평균으로 가지는 소정 개수의 태양광 발전 데이터를 생성하는 단계와, 상기 생성된 태양광 발전 데이터에 의해 생성된 소정 개수의 순 부하에 기초하여 각 시간에 대한 발전비용 기댓값을 산정하는 단계와, 상기 산정된 각 시간에 대한 발전비용 기댓값에 기초하여 비재생에너지 발전기의 발전량을 결정하는 단계를 포함한다.
Description
본 발명은 경제급전을 위한 발전량을 결정하는 장치와 이 장치가 발전량을 결정하는 방법에 관한 것이다.
재생에너지원의 꾸준한 가격 하락은 가격경쟁력을 갖춘 재생에너지원의 지속적인 연계량 증가와 단기적인 경제적 필요 그리고 중장기 지속 가능 개발목표를 함께 달성할 수 있도록 해주는 비용 효율적인 기후 탈 탄소 솔루션임을 확인할 수 있다. 또한, 전력계통 내 재생에너지원의 확대 및 도입은 화력발전 에너지 의존의 감소 및 발전비용 최소화 등의 긍정적인 효과를 보인다. 그러나 현 전력계통의 운영은 실시간으로 변화하는 전력수요의 변동성에 어떻게 전력공급량을 충족시킬 것인가에 초점이 맞춰져 있으며 비교적 비용함수 모델링이 쉬운 화력 발전소 등에만 행해지고 있다.
전원의 다양성은 계통의 최적 운영 문제 해법을 위한 수식의 정식화를 복잡하게 하며 주변 환경에 의해 간헐성을 가지는 재생에너지원은 정확한 발전량의 출력 모델링에 있어 어려움이 있다. 따라서 재생에너지원을 활용한 마이크로그리드의 보급 및 확대를 만족시키기 위해서는 계통의 운영/계획 수립을 위한 기본 기술로서 재생에너지원 출력에 대한 예측 기술 및 재생에너지원의 출력 변동성을 고려한 경제급전이 필요하다.
일 실시예에 따르면, 일사량에 기초하여 태양광 발전량을 추정한 후 이를 이용해 각 시간에 대한 확률분포 모델을 구성하고 이를 토대로 얻어진 순 부하에 기초하여 비재생에너지 발전기의 발전량을 결정하는 경제급전을 위한 발전량 결정 장치 및 방법을 제공한다.
본 발명의 해결하고자 하는 과제는 이상에서 언급한 것으로 제한되지 않으며, 언급되지 않은 또 다른 해결하고자 하는 과제는 아래의 기재로부터 본 발명이 속하는 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
제 1 관점에 따른 경제급전을 위한 발전량 결정 장치가 수행하는 발전량 결정 방법은, 기상 데이터를 이용하여 예측한 일사량에 기초하여 태양광 발전기의 태양광 발전량을 추정하는 단계와, 상기 추정된 태양광 발전량과 실측된 태양광 발전량의 오차가 반영된 각 시간에 대한 확률분포 모델을 구성하는 단계와, 상기 각 시간에 대한 확률분포 모델을 통해, 상기 태양광 발전기의 예측 발전량을 평균으로 가지는 소정 개수의 태양광 발전 데이터를 생성하는 단계와, 상기 생성된 태양광 발전 데이터에 의해 생성된 소정 개수의 순 부하에 기초하여 각 시간에 대한 발전비용 기댓값을 산정하는 단계와, 상기 산정된 각 시간에 대한 발전비용 기댓값에 기초하여 비재생에너지 발전기의 발전량을 결정하는 단계를 포함한다.
제 2 관점에 따른 발전량 결정 장치는, 기상 데이터를 입력 받는 입력부와, 상기 기상 데이터를 이용하여 경제급전을 위한 비재생에너지 발전기의 발전량을 결정하는 프로세서부를 포함하고, 상기 프로세서부는, 상기 기상 데이터를 이용하여 예측한 일사량에 기초하여 태양광 발전기의 태양광 발전량을 추정하며, 상기 추정된 태양광 발전량과 실측된 태양광 발전량의 오차가 반영된 각 시간에 대한 확률분포 모델을 구성하고, 상기 각 시간에 대한 확률분포 모델을 통해, 상기 태양광 발전기의 예측 발전량을 평균으로 가지는 소정 개수의 태양광 발전 데이터를 생성하며, 상기 생성된 태양광 발전 데이터에 의해 생성된 소정 개수의 순 부하에 기초하여 각 시간에 대한 발전비용 기댓값을 산정하고, 상기 산정된 각 시간에 대한 발전비용 기댓값에 기초하여 상기 비재생에너지 발전기의 발전량을 결정한다.
제 3 관점에 따른 컴퓨터 프로그램을 저장하고 있는 컴퓨터 판독 가능 기록매체는, 상기 컴퓨터 프로그램이, 프로세서에 의해 실행되면, 상기 경제급전을 위한 발전량 결정 장치가 수행하는 발전량 결정 방법을 상기 프로세서가 수행하도록 하기 위한 명령어를 포함한다.
제 4 관점에 따른 컴퓨터 판독 가능 기록매체에 저장되어 있는 컴퓨터 프로그램은, 상기 컴퓨터 프로그램이, 프로세서에 의해 실행되면, 상기 경제급전을 위한 발전량 결정 장치가 수행하는 발전량 결정 방법을 상기 프로세서가 수행하도록 하기 위한 명령어를 포함한다.
본 발명의 일 실시예에 의하면, 일사량에 기초하여 태양광 발전량을 추정한 후 이를 이용해 각 시간에 대한 확률분포 모델을 구성하고 이를 토대로 얻어진 순 부하에 기초하여 비재생에너지 발전기의 발전량을 결정한다. 이러한 본 발명은 재생에너지원의 간헐성 및 불확실성을 고려하기 때문에 경제급전 시 시간에 따른 예비력과 출력제한 비용의 기댓값이 산정된다. 또한 기존의 예비력과 출력제한 비용이 포함되지 않은 경제급전에 재생에너지원의 간헐성과 불확실성을 대입함으로써 각 시나리오의 기댓값 비교가 가능하다. 이를 통해 경제급전 시 기대수익의 산정이 가능하며 효율적인 경제급전을 가능한 효과가 있다.
도 1은 본 발명의 일 실시예에 따른 경제급전을 위한 발전량 결정 장치의 구성도이다.
도 2는 본 발명의 일 실시예에 따른 경제급전을 위한 발전량 결정 장치가 수행하는 발전량 결정 방법을 설명하기 위한 흐름도이다.
도 3은 본 발명의 일 실시예에 따른 경제급전의 효용성을 분석하기 위해 이용한 IEEE 13 모선 계통도이다.
도 4는 본 발명의 일 실시예에 따른 일사량 예측 결과를 나타낸 그래프이다.
도 5는 본 발명의 일 실시예에 따른 태양광 발전량 예측 결과를 나타낸 그래프이다.
도 2는 본 발명의 일 실시예에 따른 경제급전을 위한 발전량 결정 장치가 수행하는 발전량 결정 방법을 설명하기 위한 흐름도이다.
도 3은 본 발명의 일 실시예에 따른 경제급전의 효용성을 분석하기 위해 이용한 IEEE 13 모선 계통도이다.
도 4는 본 발명의 일 실시예에 따른 일사량 예측 결과를 나타낸 그래프이다.
도 5는 본 발명의 일 실시예에 따른 태양광 발전량 예측 결과를 나타낸 그래프이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 본 발명에 대해 구체적으로 설명하기로 한다.
본 발명에서 사용되는 용어는 본 발명에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 발명에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 발명의 전반에 걸친 내용을 토대로 정의되어야 한다.
명세서 전체에서 어떤 부분이 어떤 구성요소를 ‘포함’한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다.
또한, 명세서에서 사용되는 ‘부’라는 용어는 소프트웨어 또는 FPGA나 ASIC과 같은 하드웨어 구성요소를 의미하며, ‘부’는 어떤 역할들을 수행한다. 그렇지만 ‘부’는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. ‘부’는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 ‘부’는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 ‘부’들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 ‘부’들로 결합되거나 추가적인 구성요소들과 ‘부’들로 더 분리될 수 있다.
아래에서는 첨부한 도면을 참고하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략한다.
도 1은 본 발명의 일 실시예에 따른 경제급전을 위한 발전량 결정 장치의 구성도이다.
도 1을 참조하면, 일 실시예에 따른 경제급전을 위한 발전량 결정 장치(100)는 입력부(110) 및 프로세서부(120)를 포함한다.
입력부(110)는 기상 데이터를 입력 받고, 입력 받은 기상 데이터를 프로세서부(120)에 제공한다.
프로세서부(120)는 기상 데이터를 이용하여 경제급전을 위한 비재생에너지 발전기의 발전량을 결정한다. 이러한 프로세서부(120)는 기상 데이터를 이용하여 예측한 일사량에 기초하여 태양광 발전기의 태양광 발전량을 추정하며, 추정된 태양광 발전량과 실측된 태양광 발전량의 오차가 반영된 각 시간에 대한 확률분포 모델을 구성하고, 각 시간에 대한 확률분포 모델을 통해, 태양광 발전기의 예측 발전량을 평균으로 가지는 소정 개수의 태양광 발전 데이터를 생성하며, 생성된 태양광 발전 데이터에 의해 생성된 소정 개수의 순 부하에 기초하여 각 시간에 대한 발전비용 기댓값을 산정하고, 산정된 각 시간에 대한 발전비용 기댓값에 기초하여 비재생에너지 발전기의 발전량을 결정한다.
이러한 프로세서부(120)는 딥 러닝 기법 중 LSTM(long short term memory)을 이용하여 일사량을 예측할 수 있다.
그리고, 입력부(110)가 입력 받는 기상 데이터로는 기상관측 자료가 사용될 수 있고, 초기 독립변수는 온도, 풍향, 풍속, 강수량, 습도가 사용될 수 있다. 그리고, 이 기상 데이터는 데이터 전처리 과정을 거친 것일 수 있다. 이러한 데이터 전처리 과정에서, 결측치를 탐색하고 보상할 수 있다. 또한, 독립변수와 종속변수를 재구분하며 시간 현실 반영, 변수 간 스케일 조정을 진행할 수 있다. 이후 일사량의 추세와 계절성, 시간, 일, 주, 월, 연도 등의 데이터를 추가 독립변수로 생성한 후 다중공선성 제거를 위해 상관성이 높은 독립변수를 일부 제거할 수 있다.
프로세서부(120)는 확률분포 모델을 구성할 때에 추정된 태양광 발전량과 실측된 태양광 발전량의 오차를 통해 각 시간의 발전량에 대한 평균과 분산을 정의하고 이를 활용하여 확률분포 모델을 구성할 수 있다.
그리고, 프로세서부(120)는 발전비용 기댓값을 산정할 때에, 순 부하에 출력제한 비용과 예비력 비용을 추가해 발전비용 기댓값을 산정할 수 있다.
그리고, 프로세서부(120)는 발전비용 기댓값을 산정할 때에, 몬테카를로 시뮬레이션을 통해 발전비용 기댓값을 산정할 수 있다.
그리고, 프로세서부(120)는 비재생에너지 발전기의 발전량을 결정할 때에, PSO(particle swarm optimization) 알고리즘을 이용하여 발전량을 결정할 수 있다.
이와 같이 구성된 발전량 결정 장치(100)는 마이크로그리드 내에서 경제급전을 위한 비재생에너지 발전기(예컨대, 디젤 발전기 등)의 발전량을 결정할 수 있다.
이하, 도 1 및 도 2를 참조하여 본 발명의 일 실시예에 따른 발전량 결정 장치(100)가 마이크로그리드 내에서 경제급전을 위한 비재생에너지 발전기의 발전량을 결정하는 과정에 대해 자세히 살펴보기로 한다.
마이크로그리드란 제한된 지역 내에 재생에너지원과 부하가 통합적으로 관리되고 한 접속점에서 상용 전력망과 연결되는 소규모 전력망으로 연계 혹은 독립적으로 운전될 수 있는 전력계통을 의미한다. 마이크로그리드는 기존 중앙 집중형 제어 방식과 대규모 형태를 갖는 전력계통이 막대한 비용을 발생시키는 데 반해 계통 내 재생에너지원들의 발전량과 소비량을 예측하여 에너지를 생산하고 잉여 전력을 중앙 발전소로 역 판매가 가능해 효율적으로 에너지 소비를 증가시킬 수 있다. 이러한 마이크로그리드는 전력산업의 효율성을 높이고 에너지 사용절감 및 온실가스 배출을 효과적으로 감소시킬 수 있으며 분산형 전원의 발전량을 증가시킬 수 있다.
이러한 마이크로그리드는 재생에너지 발전기와 비재생에너지 발전기를 포함하여 구성할 수 있다. 예를 들어, 재생에너지 발전기는 태양광 발전기일 수 있고, 비재생에너지 발전기는 디젤 발전기일 수 있다.
디젤 발전기는 마이크로그리드 내의 태양광 발전기의 발전량으로 충족되지 않는 부하를 공급한다. 디젤 발전기의 모델링은 수학식 1과 같은 기존 화석연료 발전비용 모델을 사용할 수 있다.
[수학식 1]
[수학식 2]
[수학식 3]
여기서, 는 현 계통의 전체 부하이며 은 발전 시 계통에 발생하는 전체 송전손실을 의미한다. 본 논문에서는 손실이 발생하지 않는 이상적인 형태의 발전으로 가정하였으므로 주어진 시간대에서의 총 발전량은 총 부하량과 같아져 수급균형을 유지한다. 과 는 각각 발전기 의 최소 출력 및 최대 출력을 나타낸다.
태양광 발전기에 의해 생성되는 전력은 일사량에 크게 작용하며 그 외 모듈의 온도와 태양광 주변 온도 그리고 모듈 특성 등에 의해 변화한다. 해당 조건들을 고려하여 태양광 발전 모듈에 대한 출력함수를 정식화한 관계식은 수학식 4 내지 수학식 8과 같다.
[수학식 4]
[수학식 5]
[수학식 6]
[수학식 7]
[수학식 8]
여기서, 는 시간에서 셀의 온도 [°C]이며 는 주변온도 [°C] 와 는 각각 전압 [/°C]과 전류 [mA/°C]의 온도계수이다. 는 셀의 온도에 대한 온도 [°C]이고 는 충전율을 나타내며 와 는 각각 모듈의 단락전류 [A]와 개방전압 [V]을 의미한다. 와 는 각각 Maximum power point 전압과 전류를 나타내며 와 는 시간에서 태양광발전기의 출력과 일사량[W/]을 의미한다.
경제급전 방법은 전체 발전비용을 최소화하도록 각 발전기가 출력하는 유효전력을 결정하는 것이다. 일반적으로 재생에너지원, 디젤, 에너지저장장치(ESS, energy storage system)로 구성된 마이크로그리드의 경우 디젤 발전기가 주파수와 전압을 제어하는 역할을 하고, 에너지저장장치는 변동하는 전압 및 주파수를 보상하는 역할을 수행하는 것이 일반적이다. 이 경우, 디젤 발전기의 용량이 크고 상시 운전되어야 하기 때문에 연료소비가 많다.
본 발명의 일 실시예에 따른 경제급전 방법은 디젤 발전기의 연료소비를 최소화하기 위해, 태양광 발전기의 발전량 예측을 진행한 후 이를 토대로 태양광 발전기의 발전량을 상시 최대 출력으로 운전한다. 또한, 디젤 발전기의 입출력 특성을 고려하기 위해 밸브 포인트(valve point) 효과를 적용한 뒤 확률분포 모델을 통해 재생에너지원의 출력 불확실성을 고려한 경제급전을 수행한다.
본 발명의 일 실시예에 따른 경제급전을 위한 발전량 결정 장치(100)는 태양광 발전량을 예측하기 위해 일사량을 예측한 후 물리적 예측 모델에 적용한다. 예를 들어, 일사량 예측은 딥 러닝 기법을 이용할 수 있다. 예컨대, 딥 러닝 기법으로는 LSTM을 사용할 수 있다.
본 발명의 일 실시예에 따라 일사량 예측을 위한 기상 데이터로는 기상청에서 제공하는 2015~2020년의 종관기상관측 자료 및 방재기상관측 자료를 사용하였다. 입력한 데이터의 초기 독립변수는 온도, 풍향, 풍속, 강수량, 습도가 사용되었다.
본 발명의 일 실시예에 따른 일사량 예측 알고리즘에 따르면, 기상 데이터에 대한 데이터 전처리 과정을 통해 결측치를 탐색하고 보상한다. 또한, 독립변수와 종속변수를 재구분하며 시간 현실 반영, 변수 간 스케일 조정을 진행한다. 이후 일사량의 추세와 계절성, 시간, 일, 주, 월, 연도 등의 데이터를 추가 독립변수로 생성한 후 다중공선성 제거를 위해 상관성이 높은 독립변수를 제거한다. 이를 통해 과적합을 방지하고 최적의 입력변수가 선정될 수 있다. 예를 들어, 이러한 과정을 통해 14개의 독립변수를 선정할 수 있고, 2020년 1월 1일을 기준으로 트레이닝 세트(training set)와 테스트 세트(test set)를 분리할 수 있다.
이러한 데이터 전처리 과정을 거친 데이터가 입력부(110)를 통해 프로세서부(120)에 제공되면, 프로세서부(120)는 LSTM을 진행하여 일사량을 예측할 수 있다(S210). 일사량 예측 알고리즘에 따라 예측된 일사량의 성능 평가 방법으로 사용할 수 있는 MAE(mean absolute error)와 MSE(mean square error)의 관계식은 수학식 9와 수학식 10과 같다.
[수학식 9]
[수학식 10]
다음으로, 프로세서부(120)는 기상 데이터를 이용하여 예측한 일사량에 기초하여 태양광 발전기의 태양광 발전량을 추정하며(S220), 추정된 태양광 발전량과 실측된 태양광 발전량의 오차가 반영된 각 시간에 대한 확률분포 모델을 구성한다(S230). 여기서, 프로세서부(120)는 확률분포 모델을 구성할 때에 추정된 태양광 발전량과 실측된 태양광 발전량의 오차를 통해 각 시간의 발전량에 대한 평균과 분산을 정의하고 이를 활용하여 확률분포 모델을 구성할 수 있다.
그리고, 프로세서부(120)는 각 시간에 대한 확률분포 모델을 통해, 태양광 발전기의 예측 발전량을 평균으로 가지는 소정 개수(예컨대, 1,000개)의 태양광 발전 데이터를 생성하며(S240), 생성된 태양광 발전 데이터에 의해 생성된 소정 개수(예컨대, 1,000개)의 순 부하에 기초하여 각 시간에 대한 발전비용 기댓값을 산정할 수 있다. 여기서, 프로세서부(120)는 발전비용 기댓값을 산정할 때에, 순 부하에 출력제한 비용과 예비력 비용을 추가하고 몬테카를로 시뮬레이션을 통해 발전비용 기댓값을 산정할 수 있다. 순 부하란 마이크로그리드 내 태양광 발전량이 제외된 디젤 발전기의 필요 발전량을 의미한다(S250).
화석연료 발전비용 모델의 비용함수는 2차원 함수로 근사화하여 표현할 수 있다. 하지만, 디젤 발전기의 실제 출력 곡선은 터빈의 증기 흡입밸브가 열리기 시작할 때 발생하는 손실의 급작스러운 증가로 인해 매우 비 선형적이며 많은 지역 해를 가지며, 이를 밸브 포인트 효과라 한다. 이에, 본 발명의 일 실시예에서는 디젤 발전기의 실질적 제약인 밸브 포인트 효과를 고려하여 수학식 11과 같은 관계식을 이용한다.
[수학식 11]
다음으로, 프로세서부(120)는 단계 S250에서 산정된 각 시간에 대한 발전비용 기댓값에 기초하여 비재생에너지 발전기의 발전량을 결정한다. 이때, 프로세서부(120)는 PSO 알고리즘을 이용하여 발전량을 결정할 수 있다(S260).
지금까지 설명한 바와 같은 경제급전을 위한 발전량 결정 장치(100)가 수행하는 발전량 결정 방법에 따라 결정된 비재생에너지 발전기(예컨대, 디젤 발전기)의 발전량을 토대로 하여 마이크로그리드 내의 태양광 발전기와 디젤 발전기를 운용하면 경제급전이 이루어진다. PSO 알고리즘은 자연의 생명체들이 군집을 이루어 이동하거나 먹이를 찾을 때 보이는 특징을 관찰하여 군집 내의 객체들이 경험을 공유하며 최적 경로를 탐색하는 과정을 최적화 기법으로 모델링한 것이다. PSO 알고리즘은 다른 통계적 방법보다 안정적으로 수렴하는 특징을 지니며 경제급전을 위해 각 발전기의 비용함수를 목적함수로 사용한다. 밸브 포인트 효과와 같은 입출력 특성은 부하에 따른 비선형성과 불연속성으로 인해 경험적, 확률론적 탐색에 기반을 두고 있는 PSO 알고리즘을 활용해 경제급전을 수행한다.
도 3은 본 발명의 일 실시예에 따른 경제급전의 효용성을 분석하기 위해 이용한 IEEE 13 모선 계통도이고, 도 4는 본 발명의 일 실시예에 따른 일사량 예측 결과를 나타낸 그래프이며, 도 5는 본 발명의 일 실시예에 따른 태양광 발전량 예측 결과를 나타낸 그래프이다.
이하, 본 발명의 일 실시예에 따른 경제급전의 효용성 및 효과를 시뮬레이션을 통해 살펴본 결과에 대해 설명하기로 한다.
본 발명의 일 실시예에 따른 경제급전의 효용성을 분석하기 위해 두 가지의 시나리오를 수행한다. 시나리오 1은 확률론적 방법을 통해 태양광 발전의 간헐성 및 불확실성을 고려한 경제급전 방법이며 시나리오 2의 경우 태양광 발전의 간헐성 및 불확실성을 고려하지 않은 기존의 경제급전 방법이다. 시나리오 수행을 위해 도 3과 IEEE 13 모선 계통도의 632번 노드에 태양광 발전기 1400를 설치하였으며 디젤 발전기 4대의 데이터는 표 1과 같다.
No. | a | b | c | ||
561 | 7.92 | 0.00156 | 800 | 1700 | |
310 | 7.85 | 0.00194 | 600 | 1300 | |
78 | 7.97 | 0.00482 | 300 | 700 | |
280 | 7.78 | 0.00323 | 400 | 1000 |
여기서, a, b, c는 발전기 연료비 함수의 계수이다.
시나리오 1은 딥 러닝 기법 중 하나인 LSTM을 활용해 일사량을 예측하였으며 그 결과는 도 4와 같다.
도 4에 대한 MAE와 MSE는 각각 0.08과 0.02로 높은 예측성능을 가진다. 예측한 일사량을 물리적 모델에 적용하여 태양광의 발전량을 계산하였고 실측 데이터와 예측 데이터의 오차를 통해 Day-ahead 확률분포 모델을 구성하였으며 해당 결과는 도 5와 같다.
시간별 운영 발전비용의 기댓값을 확인하기 위해 확률분포 모델을 활용하였고 시간별 태양광 발전 데이터를 생성하였다. 생성된 데이터에 따라 순 부하가 결정되며 순 부하에 따라 디젤 발전기의 발전비용과 함께 출력제한 비용과 예비력 비용이 고려되었다. 출력제한 비용은 180 [원/kWh], 예비력 비용은 125.81 [원/kWh]로 산정되었다.
태양광 발전의 간헐성 및 불확실성을 고려한 발전비용 기댓값 산출을 위해 몬테카를로 시뮬레이션이 사용되었다. 몬테카를로 시뮬레이션을 통해 발전비용에 출력제한 비용과 예비력 비용이 산정되었으며 결과는 다음 표 2와 같다.
Time | [MW] | [MW] | [MW] | [MW] | Cost [천원] |
0 | 999.4 | 749.6 | 399.7 | 490.2 | 29,604.7 |
1 | 800 | 899.1 | 349.8 | 573.5 | 29,490.2 |
2 | 899.7 | 749.6 | 349.8 | 598.9 | 29,157 |
3 | 899.7 | 674.7 | 349.8 | 662.9 | 29,118 |
4 | 899.7 | 824.3 | 49.8 | 519.5 | 29,094.1 |
5 | 999.4 | 749.6 | 349.8 | 500.2 | 29,098.7 |
6 | 899.7 | 974.0 | 399.7 | 495.2 | 31,279 |
7 | 1498 | 899.1 | 300 | 558.7 | 37,788 |
8 | 1697 | 1273 | 549.3 | 940.4 | 55,374.8 |
9 | 1697 | 1273 | 549.3 | 954.3 | 60,545.5 |
10 | 1597 | 1273 | 599.1 | 696.3 | 58,635.1 |
11 | 1398 | 1198 | 399.7 | 862.8 | 55,731.2 |
12 | 999.4 | 824.3 | 349.8 | 590.6 | 39,536.6 |
13 | 1298 | 973.9 | 449.5 | 681.2 | 47,922 |
14 | 1498 | 1123 | 399.7 | 584.7 | 51,834.2 |
15 | 1099 | 1048 | 499.4 | 690.0 | 45,102.4 |
16 | 1298 | 899.1 | 300 | 609.7 | 41,864.9 |
17 | 899.7 | 749.5 | 399.7 | 502.3 | 32,465.7 |
18 | 800 | 899.1 | 300 | 504.3 | 31,231.1 |
19 | 800 | 899.2 | 399.7 | 409.5 | 28,109.4 |
20 | 899.7 | 600 | 349.8 | 477.7 | 25,851.6 |
21 | 899.7 | 674.8 | 300 | 455.2 | 25,877.7 |
22 | 800 | 600 | 349.8 | 577.5 | 25,894.9 |
23 | 899.7 | 674.7 | 349.7 | 400 | 25,737.6 |
시나리오 2는 디젤 발전기의 발전비용을 최소로 하면서 수급균형을 유지한다. 예측된 순 부하에 대한 최적의 디젤 발전기의 발전량을 구하기 위해 PSO 알고리즘을 이용하였으며 결과는 표 3과 같다.
Time | [MW] | [MW] | [MW] | [MW] | Cost [천원] |
0 | 899.7 | 749.5 | 399.7 | 590 | 29,659.5 |
1 | 800 | 973.9 | 349.8 | 498.7 | 29,492.3 |
2 | 999.8 | 824.6 | 300 | 474.9 | 29,129.6 |
3 | 999.4 | 674.7 | 349.8 | 563.2 | 29,044.9 |
4 | 899.7 | 749.5 | 349.8 | 594.3 | 29,080 |
5 | 899.7 | 899.1 | 300 | 500.2 | 29,113.7 |
6 | 1099 | 969.5 | 300 | 400 | 31,312.8 |
7 | 1198 | 973.9 | 399.7 | 683.4 | 37,532.3 |
8 | 1697 | 1273 | 599.1 | 890.3 | 54,608 |
9 | 1697 | 1273 | 549.3 | 950.1 | 54,698.9 |
10 | 1498. | 1273 | 549.3 | 838.1 | 50,143.8 |
11 | 1498 | 1198 | 449.5 | 709.6 | 45,803 |
12 | 1198 | 749.5 | 300 | 504.6 | 31,099.3 |
13 | 1398 | 973.9 | 399.7 | 627.9 | 39,565.6 |
14 | 1398 | 1123 | 349.8 | 731.9 | 42,349.7 |
15 | 1398 | 1048 | 399.7 | 488.4 | 38,669.5 |
16 | 1198 | 824.3 | 449.5 | 629.7 | 35,658.1 |
17 | 899.7 | 899.1 | 300 | 448.3 | 28,561.1 |
18 | 999.4 | 749.5 | 349.8 | 402.2 | 27,893.7 |
19 | 800 | 824.3 | 399.7 | 484.3 | 28,059.1 |
20 | 800.0 | 674.7 | 349.8 | 502.6 | 25,825.6 |
21 | 800 | 600 | 349.8 | 579.8 | 25,916.9 |
22 | 800 | 600 | 349.8 | 577.4 | 25,894.8 |
23 | 800 | 674.7 | 300 | 549.4 | 25,857.5 |
시나리오 1의 효용성을 검증하기 위해 시나리오 2에서 결정된 각 발전기의 발전량을 몬테카를로 시뮬레이션에 대입한다. 이를 통해 기존 경제급전 결과에 대한 확률론적 기댓값을 얻을 수 있다. 시나리오 1의 기댓값과의 비교를 통해 그 효용성을 검증할 수 있다. 시나리오 1과 2의 기댓값의 결과는 표 4와 같으며 태양광 발전기가 동작하는 9시에서 19시 사이의 기대수익을 산정하였다.
Time |
Scenario 1 Cost
[천원] |
Scenario 2 Cost
[천원] |
기대수익 비교
[천원] |
9 | 60,545.5 | 60,589.6 | 44.1 |
10 | 58,635.1 | 58,687.5 | 52.4 |
11 | 55,731.1 | 55,768.8 | 37.7 |
12 | 39,536.6 | 39,769.8 | 233.2 |
13 | 47,921.9 | 48,052.1 | 130.2 |
14 | 51,834.2 | 51,927.2 | 93 |
15 | 45,102.4 | 45,081.8 | -20.6 |
16 | 41,864.9 | 41,952.6 | 87.7 |
17 | 32,465.7 | 32,564.2 | 98.5 |
18 | 31,231.1 | 31,186.8 | -44.3 |
19 | 28,109.3 | 28,059.1 | -50.2 |
표 4의 결과를 통해 제안하는 경제급전 알고리즘을 사용할 경우 기존의 경제급전 방법보다 약 661.7 [천원/일]의 경제적 이익을 얻을 수 있는 것을 확인할 수 있다. 상기 서술한 시뮬레이션의 반복을 통해 1년 동안 얻을 수 있는 경제적 기대수익은 약 2억 3천만 원으로 산정되었다. 해당 결과는 선로 혹은 계통의 추가적인 설비의 설치·보강 없이 계통 운영 알고리즘을 통한 운영 효율성 증대로 인한 결과이기에 그 효용성이 크다고 할 수 있다.
본 발명의 일 실시예에 따르면, 태양광 발전 출력에 대한 예측 정확도를 높이기 위해 딥 러닝 기법 중 하나인 LSTM을 활용하였다. 경제급전 시 태양광 발전의 간헐성 및 불확실성을 고려하기 위해 확률론적 방법 중 하나인 몬테카를로 시뮬레이션과 확률분포 모델을 적용하였으며 제안하는 경제급전을 수행할 경우, 기존 경제급전 방법과 비교하여 일일 약 66만 원의 운영비용 차이가 발생하였다. 최종적으로 PSO 알고리즘을 통해 최적 발전량을 결정함으로써 기댓값에 따른 경제적 운영 이익을 실현할 수 있다.
한편, 전술한 일 실시예에 따른 경제급전을 위한 발전량 결정 장치가 수행하는 발전량 결정 방법에 포함된 각각의 단계는, 이러한 단계를 수행하도록 하기 위한 명령어를 포함하는 컴퓨터 프로그램을 기록하는 컴퓨터 판독 가능한 기록매체에서 구현될 수 있다.
본 발명에 첨부된 각 흐름도의 각 단계의 조합들은 컴퓨터 프로그램 인스트럭션들에 의해 수행될 수도 있다. 이들 컴퓨터 프로그램 인스트럭션들은 범용 컴퓨터, 특수용 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서에 탑재될 수 있으므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서를 통해 수행되는 그 인스트럭션들이 흐름도의 각 단계에서 설명된 기능들을 수행하는 수단을 생성하게 된다. 이들 컴퓨터 프로그램 인스트럭션들은 특정 방식으로 기능을 구현하기 위해 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 지향할 수 있는 컴퓨터 이용 가능 또는 컴퓨터 판독 가능 기록매체에 저장되는 것도 가능하므로, 그 컴퓨터 이용가능 또는 컴퓨터 판독 가능 기록매체에 저장된 인스트럭션들은 흐름도의 각 단계에서 설명된 기능을 수행하는 인스트럭션 수단을 내포하는 제조 품목을 생산하는 것도 가능하다. 컴퓨터 프로그램 인스트럭션들은 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에 탑재되는 것도 가능하므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에서 일련의 동작 단계들이 수행되어 컴퓨터로 실행되는 프로세스를 생성해서 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 수행하는 인스트럭션들은 흐름도의 각 단계에서 설명된 기능들을 실행하기 위한 단계들을 제공하는 것도 가능하다.
또한, 각 단계는 특정된 논리적 기능(들)을 실행하기 위한 하나 이상의 실행 가능한 인스트럭션들을 포함하는 모듈, 세그먼트 또는 코드의 일부를 나타낼 수 있다. 또, 몇 가지 대체 실시예들에서는 단계들에서 언급된 기능들이 순서를 벗어나서 발생하는 것도 가능함을 주목해야 한다. 예컨대, 잇달아 도시되어 있는 두 개의 단계들은 사실 실질적으로 동시에 수행되는 것도 가능하고 또는 그 단계들이 때때로 해당하는 기능에 따라 역순으로 수행되는 것도 가능하다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 품질에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 균등한 범위 내에 있는 모든 기술사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
100: 발전량 결정 장치
110: 입력부
120: 프로세서부
110: 입력부
120: 프로세서부
Claims (16)
- 경제급전을 위한 발전량 결정 장치가 수행하는 발전량 결정 방법으로서,
기상 데이터를 이용하여 예측한 일사량에 기초하여 태양광 발전기의 태양광 발전량을 추정하는 단계와,
상기 추정된 태양광 발전량과 실측된 태양광 발전량의 오차가 반영된 각 시간에 대한 확률분포 모델을 구성하는 단계와,
상기 각 시간에 대한 확률분포 모델을 통해, 상기 태양광 발전기의 예측 발전량을 평균으로 가지는 소정 개수의 태양광 발전 데이터를 생성하는 단계와,
상기 생성된 태양광 발전 데이터에 의해 생성된 소정 개수의 순 부하에 기초하여 각 시간에 대한 발전비용 기댓값을 산정하는 단계와,
상기 산정된 각 시간에 대한 발전비용 기댓값에 기초하여 비재생에너지 발전기의 발전량을 결정하는 단계를 포함하는
발전량 결정 방법. - 제 1 항에 있어서,
상기 태양광 발전량을 추정하는 단계에서, 딥 러닝 기법 중 LSTM(long short term memory)을 이용하여 상기 일사량을 예측하는
발전량 결정 방법. - 제 2 항에 있어서,
상기 태양광 발전량을 추정하는 단계에서 이용하는 상기 기상 데이터는 데이터 전처리 과정을 거친 것이고,
상기 데이터 전처리 과정에서, 초기 독립변수에 더하여 일사량의 추세와 계절성, 시간, 일, 주, 월, 연도 중 적어도 하나가 추가 독립변수로 생성되고, 상기 초기 독립변수와 상기 추가 독립변수 중 상관성에 따라 일부 독립변수가 제거된
발전량 결정 방법. - 제 1 항에 있어서,
상기 각 시간에 대한 확률분포 모델을 구성하는 단계는, 상기 오차를 통해 각 시간의 발전량에 대한 평균과 분산을 정의하고 이를 활용하여 상기 확률분포 모델을 구성하는
발전량 결정 방법. - 제 1 항에 있어서,
상기 발전비용 기댓값을 산정하는 단계는, 상기 순 부하에 출력제한 비용과 예비력 비용을 추가해 상기 발전비용 기댓값을 산정하는
발전량 결정 방법. - 제 1 항에 있어서,
상기 발전비용 기댓값을 산정하는 단계는, 몬테카를로 시뮬레이션을 통해 상기 발전비용 기댓값을 산정하는
발전량 결정 방법. - 제 1 항에 있어서,
상기 발전량을 결정하는 단계는, PSO(particle swarm optimization) 알고리즘을 이용하여 상기 발전량을 결정하는
발전량 결정 방법. - 기상 데이터를 입력 받는 입력부와,
상기 기상 데이터를 이용하여 경제급전을 위한 비재생에너지 발전기의 발전량을 결정하는 프로세서부를 포함하고,
상기 프로세서부는,
상기 기상 데이터를 이용하여 예측한 일사량에 기초하여 태양광 발전기의 태양광 발전량을 추정하며, 상기 추정된 태양광 발전량과 실측된 태양광 발전량의 오차가 반영된 각 시간에 대한 확률분포 모델을 구성하고, 상기 각 시간에 대한 확률분포 모델을 통해, 상기 태양광 발전기의 예측 발전량을 평균으로 가지는 소정 개수의 태양광 발전 데이터를 생성하며, 상기 생성된 태양광 발전 데이터에 의해 생성된 소정 개수의 순 부하에 기초하여 각 시간에 대한 발전비용 기댓값을 산정하고, 상기 산정된 각 시간에 대한 발전비용 기댓값에 기초하여 상기 비재생에너지 발전기의 발전량을 결정하는
발전량 결정 장치. - 제 8 항에 있어서,
상기 프로세서부는, 딥 러닝 기법 중 LSTM을 이용하여 상기 일사량을 예측하는
발전량 결정 장치. - 제 9 항에 있어서,
상기 입력 받는 기상 데이터는 데이터 전처리 과정을 거친 것이고,
상기 데이터 전처리 과정에서, 초기 독립변수에 더하여 일사량의 추세와 계절성, 시간, 일, 주, 월, 연도 중 적어도 하나가 추가 독립변수로 생성되고, 상기 초기 독립변수와 상기 추가 독립변수 중 상관성에 따라 일부 독립변수가 제거된
발전량 결정 장치. - 제 8 항에 있어서,
상기 프로세서부는, 상기 오차를 통해 각 시간의 발전량에 대한 평균과 분산을 정의하고 이를 활용하여 상기 확률분포 모델을 구성하는
발전량 결정 장치. - 제 8 항에 있어서,
상기 프로세서부는, 상기 순 부하에 출력제한 비용과 예비력 비용을 추가해 상기 발전비용 기댓값을 산정하는
발전량 결정 장치. - 제 8 항에 있어서,
상기 프로세서부는, 몬테카를로 시뮬레이션을 통해 상기 발전비용 기댓값을 산정하는
발전량 결정 장치. - 제 8 항에 있어서,
상기 프로세서부는, PSO(particle swarm optimization) 알고리즘을 이용하여 상기 발전량을 결정하는
발전량 결정 장치. - 컴퓨터 프로그램을 저장하고 있는 컴퓨터 판독 가능 기록매체로서,
상기 컴퓨터 프로그램은, 프로세서에 의해 실행되면,
기상 데이터를 이용하여 예측한 일사량에 기초하여 태양광 발전기의 태양광 발전량을 추정하는 단계와, 상기 추정된 태양광 발전량과 실측된 태양광 발전량의 오차가 반영된 각 시간에 대한 확률분포 모델을 구성하는 단계와, 상기 각 시간에 대한 확률분포 모델을 통해, 상기 태양광 발전기의 예측 발전량을 평균으로 가지는 소정 개수의 태양광 발전 데이터를 생성하는 단계와, 상기 생성된 태양광 발전 데이터에 의해 생성된 소정 개수의 순 부하에 기초하여 각 시간에 대한 발전비용 기댓값을 산정하는 단계와, 상기 산정된 각 시간에 대한 발전비용 기댓값에 기초하여 비재생에너지 발전기의 발전량을 결정하는 단계를 포함하는 방법을 상기 프로세서가 수행하도록 하기 위한 명령어를 포함하는, 컴퓨터 판독 가능한 기록매체. - 컴퓨터 판독 가능 기록매체에 저장되어 있는 컴퓨터 프로그램으로서,
상기 컴퓨터 프로그램은, 프로세서에 의해 실행되면,
기상 데이터를 이용하여 예측한 일사량에 기초하여 태양광 발전기의 태양광 발전량을 추정하는 단계와, 상기 추정된 태양광 발전량과 실측된 태양광 발전량의 오차가 반영된 각 시간에 대한 확률분포 모델을 구성하는 단계와, 상기 시간에 대한 확률분포 모델을 통해, 상기 태양광 발전기의 예측 발전량을 평균으로 가지는 소정 개수의 태양광 발전 데이터를 생성하는 단계와, 상기 생성된 태양광 발전 데이터에 의해 생성된 소정 개수의 순 부하에 기초하여 각 시간에 대한 발전비용 기댓값을 산정하는 단계와, 상기 산정된 각 시간에 대한 발전비용 기댓값에 기초하여 비재생에너지 발전기의 발전량을 결정하는 단계를 포함하는 방법을 상기 프로세서가 수행하도록 하기 위한 명령어를 포함하는, 컴퓨터 프로그램.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020210065325 | 2021-05-21 | ||
KR20210065325 | 2021-05-21 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20220157852A true KR20220157852A (ko) | 2022-11-29 |
KR102591679B1 KR102591679B1 (ko) | 2023-10-19 |
Family
ID=84234892
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020210154111A KR102591679B1 (ko) | 2021-05-21 | 2021-11-10 | 경제급전을 위한 발전량 결정 장치 및 방법 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102591679B1 (ko) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140018497A (ko) * | 2012-08-01 | 2014-02-13 | 한국전력공사 | 단기 풍속 예측을 통한 풍력 발전량 예측 방법과, 그 기능을 이용한 배전선로 전압 예측 방법 |
KR20150080300A (ko) * | 2013-12-31 | 2015-07-09 | 한국전기연구원 | 신재생 에너지 발전의 확률적인 발전량 표현을 이용한 시뮬레이션 장치 및 그 시뮬레이션 방법 |
JP2018014775A (ja) * | 2016-07-19 | 2018-01-25 | 住友電気工業株式会社 | 統括制御装置、統括制御システム、統括制御方法および統括制御プログラム |
JP2018018329A (ja) * | 2016-07-28 | 2018-02-01 | 富士通株式会社 | 電力量予測プログラム、電力量予測装置および電力量予測方法 |
KR20210047627A (ko) | 2019-10-22 | 2021-04-30 | 한국전력공사 | 태양광 발전량 예측 장치 및 방법 |
-
2021
- 2021-11-10 KR KR1020210154111A patent/KR102591679B1/ko active IP Right Grant
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140018497A (ko) * | 2012-08-01 | 2014-02-13 | 한국전력공사 | 단기 풍속 예측을 통한 풍력 발전량 예측 방법과, 그 기능을 이용한 배전선로 전압 예측 방법 |
KR20150080300A (ko) * | 2013-12-31 | 2015-07-09 | 한국전기연구원 | 신재생 에너지 발전의 확률적인 발전량 표현을 이용한 시뮬레이션 장치 및 그 시뮬레이션 방법 |
JP2018014775A (ja) * | 2016-07-19 | 2018-01-25 | 住友電気工業株式会社 | 統括制御装置、統括制御システム、統括制御方法および統括制御プログラム |
JP2018018329A (ja) * | 2016-07-28 | 2018-02-01 | 富士通株式会社 | 電力量予測プログラム、電力量予測装置および電力量予測方法 |
KR20210047627A (ko) | 2019-10-22 | 2021-04-30 | 한국전력공사 | 태양광 발전량 예측 장치 및 방법 |
Also Published As
Publication number | Publication date |
---|---|
KR102591679B1 (ko) | 2023-10-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zubo et al. | Operation and planning of distribution networks with integration of renewable distributed generators considering uncertainties: A review | |
Luo et al. | Optimal scheduling of a renewable based microgrid considering photovoltaic system and battery energy storage under uncertainty | |
Bukar et al. | Optimal sizing of an autonomous photovoltaic/wind/battery/diesel generator microgrid using grasshopper optimization algorithm | |
Liang et al. | Probability-driven transmission expansion planning with high-penetration renewable power generation: A case study in northwestern China | |
Dent et al. | Simplified methods for renewable generation capacity credit calculation: A critical review | |
Das et al. | Fixed head short-term hydrothermal scheduling in presence of solar and wind power | |
Firouzi et al. | Reliability evaluation of a composite power system in the presence of renewable generations | |
Rodríguez et al. | Very short-term temperature forecaster using MLP and N-nearest stations for calculating key control parameters in solar photovoltaic generation | |
Arabali et al. | Optimum sizing and siting of renewable-energy-based DG units in distribution systems | |
Amusat et al. | On the design of complex energy systems: Accounting for renewables variability in systems sizing | |
Lin et al. | Improved approximate dynamic programming for real-time economic dispatch of integrated microgrids | |
Askari et al. | Modeling optimal long-term investment strategies of hybrid wind-thermal companies in restructured power market | |
Huang et al. | Adaptive static equivalences for active distribution networks with massive renewable energy integration: a distributed deep reinforcement learning approach | |
Vahid et al. | Optimal, reliable and economic designing of renewable energy photovoltaic/wind system considering different storage technology using intelligent improved salp swarm optimisation algorithm, commercial application for Iran country | |
Thaler et al. | Hybrid model predictive control of renewable microgrids and seasonal hydrogen storage | |
Zhang et al. | Physical-model-free intelligent energy management for a grid-connected hybrid wind-microturbine-PV-EV energy system via deep reinforcement learning approach | |
Souabi et al. | Data-driven prediction models of photovoltaic energy for smart grid applications | |
Abidi et al. | Optimal coordinated planning of water-energy system-based MILP algorithm of a multi-pump PV water station by deeming power commitment | |
Wu et al. | Optimal scenario generation algorithm for multi-objective optimization operation of active distribution network | |
Shen et al. | Economic, environmental, and reliability assessment of distribution network with liquid carbon-based energy storage using multi-objective group teaching optimization algorithm | |
KR102591679B1 (ko) | 경제급전을 위한 발전량 결정 장치 및 방법 | |
Deng et al. | A Survey of the Researches on Grid-Connected Solar Power Generation Systems and Power Forecasting Methods Based on Ground-Based Cloud Atlas | |
Ghaedi et al. | Spinning reserve scheduling in power systems containing wind and solar generations | |
Cai et al. | Day-Ahead Forecast of Carbon Emission Factor Based on Long and Short-Term Memory Networks | |
Cangul et al. | Financially optimal solar power sizing and positioning in a power grid |
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 |