power system & smart energy network laboratory

Copyright © by Sekyung Han All rights reserved.

경북대학교 전력계통 및 스마트 에너지네트워크 연구실(Power System & Smart Energy Network Laboratory)

소개자료

연구실 소개

PSSENLPower System & Smart Energy Network Lab.

Power System & Smart Energy Network Laboratory

Power System & Smart Energy Network Laboratory (PSSENL)

https://powerlab.knu.ac.kr/

https://powerlab.knu.ac.kr/


연구실 소개

본 연구실은 브레인코리아사업(BK21+)에 지정된 경북대학교 전기공학과의 전력

계통 선도 연구실로 전력계통 및 스마트 그리드에 관한 다양한 연구를 진행하고 있

습니다.

현재 10여명에 이르는 풀타임 석박사 인력 및 학부 연구생들과 최적화 기술을 활

용한 전력계통 운용 기술, 배터리 시스템의 운용 및 설계에 관한 기술, 건물 에너지

관리 시스템 설계 기술, 그리고 전기자동차 및 분산 에너지자원의 통합 제어와 관

련된 연구를 진행 중입니다.

연구실 학생들은 졸업 후 한국전력, 대기업 연구소, 대학 교원 등 다양한 진로로 커

리어를 개척할 수 있습니다.


연구 내용

Power System

OperationReliability EMS

Freq./Voltage

Control

25kWh ESS Management

for Residential Apartment

FRFR/

System Frequency

as Reliability metric

Unit-commitment

With system security

Consideration

Security

Adeq

uacy

Smart Grid Station

Energy management system

Building Energy

Management System


Market Design/

Analysis

V2G Control/

Aggregation


연구 내용

1. 계통 신뢰도 모델 설계 및 해석

전력의 공급신뢰도를 높이기 위해 전력계통의 사고에 대한 안정적 운용방법확보

2. Vehicle-to-Grid (V2G)

전기자동차의 배터리를 통합하고 전력 시장에 참여시키는 신 기술인 V2G 분야에 있어 세계적인 선

두주자로 손꼽히고 있음. 본 연구실의 관련 논문은 연 평균 100회 이상 피인용 되고 있음.

3. 스마트그리드 및 마이크로그리드

최근 화두가 되고 있는 에너지저장장치, 분산 전원, 신재생 에너지 등에 ICT를 접목하고 효율적이고

안정적으로 전력 계통을 운용하기 위한 기반기술 연구

4. 배터리 평가 기술

ESS 나 전기자동차의 배터리의 수명열화를 정량적으로 평가하기 위한 장치, 알고리즘 개발 수행

5. 에너지관리시스템 (EMS)

건물, 캠퍼스 등의 효율적인 에너지 사용을 위해 에너지저장장치, 발전기, 제어가능부하 등의 최적

운전을 가능케 하는 에너지관리시스템 연구

6. 전력계통 제어 기술

전력 계통을 안정적으로 운영하기 위하여, 다양한 분산 자원과 기존 발전기들을 효율적으로 관리하

여 주파수 및 전압을 제어하는 통합제어 기술 연구


구성원

KofiAfrifaAgyeman

박사과정관심분야 : 확률 적인 피크 부하 예측, 최적BEMS 모델 구축, 주파수조정용 V2G 최적 제어, V2G시장

AmoasiKwesiAcquah

박사과정관심분야 : 확률 피크 부하 예측, BESS 최적 스케쥴 모델링, 전력계통Machine Learning 해법, 스마트 그리드, 전력계통신뢰도 공학

KodairaDaisuke

박사과정관심분야 : 에너지 관리 시스템(ESS), BESS 최적화, 임베디드 시스템, 에너지하베스트

박진경

박사과정관심분야 : BESS의 최적스케쥴과 용량 산정, 최적 전압/무효전력 협조제어

손영익

석사과정관심분야 : 스마트그리드스테이션 구축, BMS최적화 스케쥴링, 데이터 마이닝 기법을 활용한 전력 수요 예측

[email protected] [email protected] [email protected] [email protected] [email protected]

조현덕

석사과정관심분야 : 시계열분석을이용한 PV발전량 예측및 갱신, V2G시장, 에너지시장 변화에 따른 신뢰도 지수 개발

[email protected]

최정현

석사과정관심분야 : 배터리 열화추정 알고리즘 및 장치개발, 변전소 자동화, BMS 최적화 모델링, 스마트그리드 스테이션

[email protected]

윤광수

학부연구생관심분야 : 배터리 열화추정 알고리즘 및 장치개발, 변전소 자동화, BMS 최적화 모델링

[email protected]

박정주

학부연구생관심분야 : 배터리 열화추정 알고리즘 및 장치개발, 변전소 자동화, BMS 최적화 모델링

[email protected]

유병구

학부연구생관심분야 : 확률적인 피크 부하 예측, 최적BEMS 모델 구축, 주파수조정용 V2G 최적제어, V2G시장

[email protected]


수행과제

• BK21 플러스 : 미래 전기에너지 융합기술 인력양성 사업팀- 한국연구재단 BK21 플러스, 2016~2020

• 주파수변동 모델에 기반한 전력계통 신뢰도 지수 개발 및 응용- Korea Electric Power Corporation(KEPCO), 2015~2017

• 362kV급 개폐제어형 다빈도 차단기의 전자계 및 개폐 제어 해석 모델 개발- Korea Electric Power Corporation(KEPCO), 2015~2018

• 2030 변전운용분야 중장기 발전전략 로드맵 수립 연구- Korea Electric Power Corporation(KEPCO), 2015~2017

• 집합주택 공동시설 전력요금 절감을 위한 맞춤형 중규모급 BESS개발- 산업통상부 지역주력산업, 2015~2017

• 한전 KDN 건물의 스마트에너지 관리 시스템- Gyeyoung Information & Communication Co.Ltd

• 계통 연계형 분산 ESS의 통합 운영 로직 및 플랫폼 기술 개발- 미래창조과학부 신진연구 과제, 2014~2016

• Vehicle-to-Grid 제어 알고리즘 개발- SK Innovation, 2010~2011

전기요금 절감을 위한 수용가 BESS의 최적용량 산정(연구)

박사과정박진경



전기요금 절감을 위한 최적 BESS 용량 산정

전기요금 최대 절감을 위한 수용가 BESS의 최적용량 산정 제시

용량의 과대 또는 과소 산정은 투자비용 대비 효율을 낮게 만들 우려가 있음

이를 위해 절감된 전기요금과 투자비용 및 금융비용을 이용하여 Optimal Size 도출

계시별 요금제(Time of Use) 를 충분히 활용할 수 있는 충·방전 제어 알고리즘

설치 전후의 총 운용비용 비교

M

0.7M

0.8M

10800

10900

11000

11100

11200

11300

11400

11500

11600

11700

12 14 16 18 20 22 24 26 28 30 32 34

(천원

)

정격용량(kWh)

BESS 설치 전 전기요금 BESS 설치 후 총 운영비용 (M)BESS 설치 후 총 운영비용 (0.8M) BESS 설치 후 총 운영비용 (0.7M)

PCS 평균수명(a) : 10년, Battery 평균수명(b) : 10년

BESS의 가격이 70%하락시, BESS의 수명기간 동안 최대의 수익률의 얻을 수 있음.


𝐌𝐢𝐧

𝐣=𝟏

𝑼

[

𝐢=𝟏

𝟐𝟒

(𝐏𝐂 𝐢𝐣 𝐏𝐋 𝐢𝐣 + 𝐏𝐁 𝐢𝐣 × 𝒌𝐣)] + 𝐁𝐏𝐂𝐣 𝐏𝐜𝐨𝐧𝐭, 𝐣] + [𝐌 + σ𝐱=𝟏

𝐧 𝐌− 𝐱 − 𝟏 𝐦 𝐫

𝐧]

비용함수설계

𝐌 = BESS 투자비용

𝐦 = BESS 로 인한 전기요금 절감액

n = [𝐌+ σ𝐱=𝟏

𝐧 𝐌− 𝐱−𝟏 𝐦 𝐫

𝐦] 투자회수기간

r = 투자비용 이자율

𝐏𝐂 𝐢𝐣: 전력사용요금단가

𝐏𝐁 𝐢𝐣: 제어부하전력

𝐁𝐏𝐂𝐣: 계약요금단가

𝐏𝐋 𝐢𝐣: 비제어부하 전력

𝒌𝐣: j번째 패턴 일수

𝐏𝐜𝐨𝐧𝐭, 𝐣: 계약용량

𝑼 : 연간 부하 패턴 수

전력량 요금 기본요금 금융비용


비용 분석

12

-12000

-10000

-8000

-6000

-4000

-2000

0

2000

4000

0 1 2 3 4 5 6 7 8 9 10

(천원

)

년(Year)

G1(n) (PCS 7 / Battery 10)G2(n) (PCS 10 / Battery 10)

정격용량 28kWhPCS 7 / Battery 10

(0.7M)

PCS 10 / Battery 10

(0.7M)

ROI (투자 회수 기간) 8.5 (Year) 7.9(Year)

ROI (Return Of Investment)

0

1000

2000

3000

4000

5000

6000

7000

8000

9000

10000

11000

PCS 7Y / Battery 10Y PCS 10Y / Battery 10Y

(천원

)

BESS의총 투자비용 ROI 후 순수익

BESS의 가격이 70%수준까지 하락 시, 수명기간 동안의 총 수익률은 투자금액의 각 20%와 30%


향후 연구 방향

다양한 금융 비용에 대한 모델링

최대부하관리에 따른 절감 비용 모델 개발

+ 최적의 BESS 용량=

최대부하관리 모델 다양한 금융비용 계산

A Frequency Based Short-term Reliability Index Considering Feedback Control Constraints and

Renewable Energy Source Incorporation(한전기초연구과제)

박사과정Kofi Agyeman


석사과정조현덕


Power System Reliability

System Reliability

System Reliability can be defined as a measure of the ability of the p

ower system to deliver electricity to all points of utilization within acc

epted standards and in the amount desired, for the period of time, unde

r the operating conditions intended.

Generationmodel

Loadmodel

Risk of Generation < Load

?

Reliability IndicesLoad profileGeneration profile


Frequency Based Reliability Estimation

Statistical Frequency Estimation Method

Monte Carlo Simulation

Statistical Analysis

Load Model

DER Model

Gen. Model

ESS Model

DER Control

Model

Weather

Model

ESS Control

Model

Frequency

Controller Output

Frequency Reliability Distribution Function

Process


Frequency Reliability Estimation

Frequency Reliability Distribution Function

• The goal of this research is to describe stat

istical representation of frequency for a sp

ecific short time period in the near future

and to utilize it for the reliability criteria

• we estimate a histogram of the frequency

deviation called frequency reliability distri

bution function (FRDF), as shown in this

Figure

• FRDF describes the degree of frequency d

eviation from its nominal value within a d

esignated time period.



Applications

Analysis of RPS effect

Analysis of ESS & V2G effect

Assessment on appropriate reserve under high penetration of

Renewable power

DR Effect analysis

Incorporation with operation planning (UC, ED, …)



Simulation Model

Generator

ESS

Wind

2430MW is set as

base demand load.

16 connected gener

ators



Lengthy Simulation Time: Half an hour for the given case

Grid

configuration

Spinning reserve

Battery capacity

Wind conditions

Frequency

estimation

Histogram

Frequency data of 300

seconds

Criteria

±0.1 (Probability: > 97%)

Grid Reliability decider

Is

Loop < 5000

?


Case study

Frequency distribution of the grid with 0MW BESS and 150MW wind power


Case study

100 500kW-wind turbines with average wind speed 5.7m/sP

rob

. o

f F

req

uen

cy D

evia

tio

n u

nd

er ±𝟎.𝟏𝑯𝒛

Spinning Reserve Ratio

Development of peak demand control algorithm for ESSand economic profitability analysis tool

박사과정Moses Amoasi Acquah



Outline

Objective

– To design a real time predictive variable peak demand control algorithm for energy storage systems

– Analytic load profile and Optimal ESS advisory tool: Web service

Methodology

– Define a suitable peak demand criterion range and ESS range, based on User’s contract size.

– Analytically find optimal peak criterion and optimal ESS that achieves best cost reduction.

Relevance

– We could achieve an optimal cost reduction by taking advantage of the trade off between reducing peak demand and increasing ESS size and how it affects cost.

Goal

– Develop a web service that provide on demand analysis into Consumption economics and also provide advisory on the choice of optimal ESS and peak criterion based on User’s past load profile

Future

– Stochastic peak demand prediction model for cost reduction

– Real time variable peak demand control algorithm


Deahan peak control algorithm

Fig 1. Peak Demand Violation


Variable Peak Demand Deterministic Process

Fig 2. Optimal peak demand flow


Peak Demand Control Algorithm

Fig 3. Peak control algorithm flow


Results

Fig 4. Cost graph: Monthly Summary


Web Service : Analysis Tool

Input Parameters

– Load profile

– Contract size

– Peak criterion range

– ESS size

– ESS cost/kWh

Output

– Daily, monthly & yearly economics and cost reduction

– Analysis on optimal peak criterion

– Analysis on ideal ESS size

– Graph: Economic relationship original, ESS & PLC


Web Service Features : Input portal

Fig 5. Input parameters


Fig 6. Demand analysis

Web Service Results : Based on peak management


Fig 7. Cost analysis



Fig 8. Optimal peak criterion


박사과정Kodaira Daisuke


Estimation of Network Topology and Impedancefor Cooperated Voltage Control

in Low Voltage Distribution Network

Power System & Smart Energy Network Laboratory 35

Index

1. Background

2. Topology estimation

3. Impedance estimation

4. Cooperated Voltage regulation


Background

• BackgroundThe high penetration of plug-in electric vehicles (PEVs) and renewable energies

such as photovoltaic (PV) generations on power networks benefits both grid operators and consumers. Especially, in low voltage distribution network, coordinated operations regarding PEVs, PVs and electric storages can contribute to have renewable energies stable from the various view point such as voltage, frequency, system stability.

• ProblemsIn the almost all previous researches which mentioned to control of PEVs, PVs

and storage, they assumed the model network whose topology, impedance and parameters of generators are known. However, in actual power system it takes a huge cost to grasp these configurations. If you would like to know the information, so far, there is no way but to measure directly/manually and update the information continuously.

• Objective1. Identification of network topology2. Estimation of impedance3. Cooperated voltage regulation based on topology and impedance


Challenging Issues

• Need to identify

– Electrical topology

– Impedance in between the nodes

• Constraints

– Ad-hoc installation after construction

(No direct measurement is allowed)

– Node aggregation under same transformer

– Should be seamless without human intervention

– No phasor level synchronization

4


Topology estimation; Problem

Actual Topology

Topology from the view of Node2

For example, if each node control its load and PV by itself, Node2 cannot to operate its resources with considering the others'operation because Node2 doesn‘t know whether other nodes exist or not.

NODE 1NODE 2NODE 3

50m50m

20m 20m 20mService wire

Distribution line

NODE 1NODE 2NODE 3

Distribution line? ?

In the low distribution network, three households, Node1,2 and 3, own PV.


Controlled load at NODE 1

NODE 1NODE 2NODE 3

50m50m

20m 20m 20m

Pole-transformer

Service wire

Distribution line

NODE 3

NODE 2NODE 1

Topology estimation; Solution & Result

Node1 makes the specific load pattern. The current which contains specific frequency is filtered at each Node. All nodes share the information of filtered current and identify the relative position.


Impedance estimation; Problem & Constraint

We built the method which estimate impedance without information of phase difference

𝑉𝐵 , 𝐼𝐵 , 𝑃𝐵

𝑉𝐴 , 𝐼𝐴 , 𝑃𝐴

𝑉𝐶 , 𝐼𝐶 , PC

User A

User B

User C

𝑍𝐴𝐵?

Smart Meter（Meter metrology + communication

module） Measured values are shared

𝑉𝐴 , 𝐼𝐴 , 𝑃𝐴

𝑉𝐵 , 𝐼𝐵 , 𝑃𝐵

𝑉𝐶 , 𝐼𝐶 , 𝑃𝐶

𝑉𝐴 ∶ 50~60𝐻𝑧

Frequency = 1/50 =0.02[sec]

Required sampling rate= 0.02/100 = 0.0002[sec]

Measuring the values including the phase difference between several points needs sophisticated GPS system

Voltage

Time

40

Constraint:


Impedance estimation; Solution & Result

41

=

T Node indicatesa household

T-node 1T-node 5 T-node 4 T-node 3T-node 6

Po

le-tran

s

T-node 2

ZT2 ZT1ZT3ZT4ZT5

Z𝑐𝑜𝑚𝑏 ZJ12ZJ23ZJ34ZJ45

𝑆𝑇6 𝑆𝑇5 𝑆𝑇4 𝑆𝑇3 𝑆𝑇2 𝑆𝑇1

𝑉𝑇6, 𝐼𝑇6 𝑉𝑇5, 𝐼𝑇5 𝑉𝑇4, 𝐼𝑇4 𝑉𝑇3, 𝐼𝑇3 𝑉𝑇2, 𝐼𝑇2 𝑉𝑇1, 𝐼𝑇1

Actual Impedance (Ω)Estimated Impedance

(Ω)Error(%)

ZT1 0.0436 + 0.00206i 0.0440 + 0.0012i 0.84

ZT2 0.0436 + 0.00206i 0.0440 + 0.0012i 0.84

ZT3 0.0436 + 0.00206i 0.0440 + 0.0012i 0.84

ZT4 0.0436 + 0.00206i 0.0440 + 0.0012i 0.84

ZT5 0.0436 + 0.00206i 0.0436 + 0.0023i 0.03

ZJ12 0.0512 + 0.02670i 0.0511 + 0.0270i 0.09

ZJ23 0.0512 + 0.02670i 0.0511 + 0.0269i 0.01

ZJ34 0.0512 + 0.02670i 0.0513 + 0.0264i 0.09

ZJ45 0.0512 + 0.02670i 0.0512 + 0.0269i 0.16

Zcomb0.0948 + 0.02876i 0.0935 + 0.0302i 0.82

• Known parameters𝐼𝑇(𝑖) : magnitude of AC current

𝑉𝑇(𝑖) : magnitude of AC voltage

𝑆𝑇(𝑖) : Active + Reactive power

• Objective parameters𝑍𝑐𝑜𝑚𝑏 , 𝑍𝑇(𝑖) : Line impedance

Objective parameters are given as solutions of the Non-liner equationsf(𝑍𝑐𝑜𝑚𝑏, 𝑍𝑇(𝑖)) = 0


Cooperated Voltage regulation; Problem

1 2 3 4 5

10 9 8 7 6

1 10

Vo

lta

ge

House #

Upper voltage limit

Lower voltage limit

Fixed Voltage

SGPCS SGPCS

SGPCS SGPCSAutomatic

Communication

HV line LV line

When many PVs connected to a low voltage feeder, a feeder voltage rises by reverse

power flow. Now, to regulate the exceed voltage, each node should reduce active po

wer even though the amount of generation become small.

Now….

Each Power Conditioning Syst

em(PCS) individually regulate t

he active power to decrease the

voltage.

Out method:

We defined “Standardized Gri

d-connected Power conditionin

g System (SGPCS) “ which co

mmunicates each other and sha

re the information of voltage, c

urrent. SGPCS regulate voltage

with cooperating each other.


Cooperated Voltage regulation; Solution

= T-node 1T-node 5 T-node 4 T-node 3T-node 6

Po

le-tran

s

T-node 2

ZT2 ZT1ZT3ZT4ZT5

Z𝑐𝑜𝑚𝑏 ZJ12ZJ23ZJ34ZJ45

EV

PV

Topology Identification Impedance estimation

Control the voltage on each user for efficient PVs operation

How do we arrange the amount of generations among various users? Objective Function:

Maximize

𝑖=1

𝑛

𝑃𝑖 (𝑛: 𝑡ℎ𝑒 𝑛𝑢𝑚𝑏𝑒𝑟 𝑜𝑓 𝑢𝑠𝑒𝑟𝑠 𝑤ℎ𝑜 ℎ𝑎𝑣𝑒 𝑃𝑉𝑠)

Constraint Function: 𝑉𝑙𝑜𝑤𝑒𝑟_𝑙𝑖𝑚𝑖𝑡 < 𝑉𝑖 < 𝑉𝑢𝑝𝑝𝑒𝑟_𝑙𝑖𝑚𝑖𝑡


Cooperated Voltage regulation; Result

Total generation losses of CVR is 26% compared with IVR

We simulated the two situations: Each PV generates, with the other PVs not exceeding the voltage limit

-> Cooperated Voltage Regulation Each PV generates, with only itself not exceeding the voltage limit

-> Individual Voltage Regulation

25kWh급 집합주택용 ESS개발(대구지역주력산업)


석사과정손영익



Project definition

일본 등 선진국에서는 재난대비 및 전기요금 절감을 목적으로 한 가정용 BESS 보급 활발

집합주택 내에 여러 개의 소형 BESS 시스템 적용하는 방식이 제안됨

본 과제의 필요성

국내 주거형태는 아파트나 연립빌라 형태로 공용시설(지하주차장, 복지시설) 비율이 갈수록 높

아지고 있음

공용시설은 계시별 요금제와 피크부하에 연동된 요금제 적용으로 일반 상업용 건물과 동일한 형

태로 BESS 및 자동화된 에너지관리 시스템을 통한 전기요금 절감 효과를 기대할 수 있음

기존 시스템의 문제점

국내에서는 가정용 전기요금 체계가 누진세를 기반으로 하여 BESS 효율이 떨어짐

공용부 에너지 관리를 위해서는 가정용보다는 크고 일반 대규모 건물 보다는 작은 중간 규모

(25kWh 급)의 전용 BESS가 필요함

하지만 서로 개별적 동작으로 인한 낮은 효율과 상호 간섭 등 전기안전 및 구성이 복잡한 단점 존재


BESS Framework

BESS Process for Apartment Common Facilities


BESS Framework

BESS Modules for Apartment Common Facilities


Building Energy Management System (BEMS)

Generation resource monitoring

And control

Energy usage management

•Equipment operation at optimal energy performanc

e level

•Intelligence in handling energy usage optimization

Demand response participation

EV and other resources demand response

participation

Computer Based Systems

•Manage and control total energy usage

•Considerable benefits

Real-time load monitoring

Energy usage monitoring at real-time

Features


Building Energy Management System (BEMS)

Operational Logic

Data integrity

verification

2

Specification of sch

eduling period

6Data measurement an

d records update

5

Control measure respo

nse to operator

4

Start

scheduling

1

Energy usage Optimiz

ation through cost mi

nimization

3

System

monitor

0

한국전력 Smart Grid Station(SGS)화 사업(한전전력연구원)





Smart Grid Station(SGS)

Smart Grid Station of KEPCO

An integrated regional-based control center for best-managing independent energy systems converged withinformation and communication technologies.

The project is a hybrid power conversion system (PCS) and energy management system (EMS) in order to efficiently integrate systems and manage energy consumption in buildings.

The project widely embraces diverse areas of smart grids

and renewable energy encompassing:HVAC

PV

Wind power

ESS

Electric Vehicle

Definition



System Framework

HVAC

Management

system

Load

Management

system

Control

system

SGS -BAS

Controllable load

Uncontrollable load

Remote controllers

EMS

Sensors

HVAC algorithm



System Overview



Operations

EMS1

Hybrid PCS2

Integrates various independent

systems: DER, ESS, HVAC

Monitors Smart Grid Station

system components.

Billing

Demand forecast

charging/discharging algorith

m of ESS

Optimizes energy usage, peak

load, and cooling/heating statu

s automatically

Integrates the inverter that controls

DER sources and the power convers

ion system, which controls charging

/discharging status of ESS.

Controls the Smart Grid Station syst

em components.

데이터 마이닝 기법을 활용한 건물 전력 수요 예측(자체연구/한전 SGS과제/지역주력산업과제)




전력 수요 예측의 필요성

전력 수요는 연평균 5%정도로 증가해 왔고 더 증가할 추세임

수용가(수요측)의 대응 방안으로 전력 수요에 대한 연구가 활발히 진행 중에 있음

전력 수요 예측의 필요성

에너지 저장 장치(ESS)의 보급 확대

수요-반응 시장 참여(DR-MARKET)

전력 수요의 증가

환경 및 지역적 제약으로 인해 공급 설비의 추가적 확보가 어려움

BEMS 및 BAS를 이용한 건물 에너지 관리의 최적화

상기 사항들의 최적 운용을 위해서는 정확한 건물의 전력 수요 예측이 가장 중요한 포인트임


실제 데이터 (제주도 수요가 데이터)

전력 수요 예측 방법 - 패턴 분석

0

50

100

150

200

250

300

15

145

315

445

615

745

915

1045

1215

1345

1515

1645

1815

1945

2115

2245

monday

tuesday

wednesday

thursday

friday

saturday

sunday0

50

100

150

200

250

300

15

145

315

445

615

745

915

1045

1215

1345

1515

1645

1815

1945

2115

2245

monday

tuesday

wednesday

thursday

friday

saturday

sunday

0

50

100

150

200

250

300

15

145

315

445

615

745

915

1045

1215

1345

1515

1645

1815

1945

2115

2245

monday

tuesday

wednesday

thursday

friday

saturday

sunday 0

50

100

150

200

250

300

15

145

315

445

615

745

915

1045

1215

1345

1515

1645

1815

1945

2115

2245

monday

tuesday

wednesday

thursday

friday

saturday

sunday

spring summer

fall winter


패턴 기반 수요 예측 모델

과거 데이터

분석패턴 분석

- K-means- K-NN- Support

VectorMachine

- Density

예측 값 분류전력 예측 및

검증

- Bayesian classification

- 신경망 분석- FUZZY 이론


시계열 분석 기반 수요예측모델

시계열 기반

(ARMA)Trend, Cycle, Seasonality, 등 현재 경향성 적용 가능


하이브리드 방식 수요예측모델

시계열 예측치(T)

패턴기반 예측치(P)

최종예측치=𝛼𝑇 + 𝛽𝑃

(𝛼 + 𝛽 = 1.0)

예측 오차를최소화하도록 𝛼, 𝛽

계수 정정

정정된 계수 반영

실용 PV 발전량 예측 및 시계열 분석을 통한 예측 오차 최소화(한전SGS과제/지역주력산업과제)

석사과정조현덕



WindGuru Web을 이용한 실용 PV 발전량 예측 모델

- 출력을제어하기가불가능한분산전원은전력계통의안정한운전을방해하는요소. 하

지만출력을예측할수있다면제어가가능해짐.

- 그중하나인태양광발전(PV)의출력을 한달간의누적데이터(해당지역의일기예보,

PV발전량)만을이용하여PV발전량을예측할수있다면태양광발전이포함된Smart

Grid Station 보급에 크게기여할것으로봄.

특징

• 센서사용을최소화하였기때문에별도의비용이발생하지않음.

• 별도의커스터마이징(Customizing)작업없이도입가능하므로보급이편리.

• 모델갱신을Receding Horizon 형태로자동수행함으로써환경의변화를반영.

• 시계열예측기법을사용하여예측치와관측치의오차를실시간으로최소화하므로

높은신뢰도를가짐.


일차적 예측 모델의 결과

0

5

10

15

20

25

30

Genera

tion(k

Wh)

Time

Model Value

Actual Value

0

5

10

15

20

25

Genera

tion(k

Wh)

Time

Model Value

Actual Value

kWh

50kWh

100kWh

150kWh

200kWh

250kWh

1 2 3 4 5 6 7 8 9 10 11 12 13

GEN

ERATIO

N

DAY

발전량 예측 과 실제 발전량 비교실제 예측 오차


에러를 반영하여 예측 수정

0 20 40 60 80 100 120 140 160 180 2000

5

10

15

20

25

30

35

Prediction VS Real in 2nd Test

Genera

tion(k

Wh)

Prediction

Real

0 20 40 60 80 100 120 140 160 180 200-15

-10

-5

0

5

10

15

1일차 2일차 3일차 4일차 5일차 6일차 7일차 8일차 9일차 10일차 11일차 12일차

error

• 일기예보에서알수없는발전량변화에대한대응가능

• 다양한시계열분석을이용하여오차최소화

• 높은정확도를가지기때문에대규모태양광단지에서출력제어시유리


에러추이를 고려한 동적 발전량 예측 모델

일기예보(from Windguru)

바람, 돌풍, 온도, 구름(상,중,하층),예상강수량

PV발전량(from KNU)

▪ 발전량

일기예보

Hourly interpolation

1시간단위 PV발전량 1시간단위

시계열 분석을 통한에러 최소화

에러를 반영하여예측 발전량 수정

발전량 예측

3시간단위 1시간단위

전압이탈을 고려한 리튬이차전지 최적전류제어모델(2014년 한전기초연구과제)

석사과정최정현



ESS 최적제어를 위한 충방전 패턴의 필요성

계시별 요금제 실시피크부하배분으로

이익 발생(정출력 제어 기반)

정출력(Power) 제어 시SOC에 따라 내부저항에

의한 전압이탈

배터리 수명 문제 발생

전압을 고려한 전류기반제어 모델링 필요

충전 시

방전 시

𝑉 𝑆𝑂𝐶(𝑡) = 𝑂𝐶𝑉 𝑠𝑜𝑐 + 𝐼 × 𝑅(𝑠𝑜𝑐)

충전 시 전류 I (+)의 값 ⇒ 𝑉 𝑆𝑂𝐶(𝑡) > 𝑂𝐶𝑉 𝑠𝑜𝑐방전 시 전류 I (-)의 값 ⇒ 𝑉 𝑆𝑂𝐶(𝑡) < 𝑂𝐶𝑉 𝑠𝑜𝑐


전압제어를 고려한 전류제어를 변수로 한 모델링

기존의 출력(Power)과

SOC의 선형적 모델링

𝑆𝑂𝐶 𝑡 + ∆𝑡 = 𝑆𝑂𝐶 𝑡 + 𝜇 × 𝜎 × 𝑃 × ∆𝑡

- 일반적인 전지 운용 시스템의 경우 SOC와

출력 관계를 다음의 선형모델로 모델링

𝑆𝑂𝐶 𝑡 + ∆𝑡 = 𝑆𝑂𝐶 𝑡 + 𝜇 × 𝛽 × 𝐼 × ∆𝑡

= 𝑆𝑂𝐶 𝑡 + 𝜇 × 𝛽 ×𝑃

𝑉(𝑆𝑂𝐶 𝑡 )× ∆𝑡

- SOC는 출력값이 아닌 전류량에 대한 누적치

- 셀의 전압제어를 고려해야 하는 경우 출력이

아닌 전류 값을 제어 변수 잡아야 함

𝑉 𝑆𝑂𝐶(𝑡) = 𝑂𝐶𝑉 𝑠𝑜𝑐 + 𝐼 × 𝑅(𝑠𝑜𝑐)

Power가 아닌 SOC와

전류의 비선형적 모델링

𝜇=충방전 효율

𝜎=정격용량(kWh) 역수

𝜇=충방전 효율

𝛽=전지 용량(Ah) 역수


최적 충방전 제어에 따른 실제 셀 전압 평가

PSO 예측결과와 실측 데이터 오차값은 평균 1.52%한 구간에서 7.58%의 높은 오차값 확인

3.000

3.200

3.400

3.600

3.800

4.000

4.200

4.400

0 5 10 15 20 25

경북대 PSO 예측 전압 실제 Cell 전압

더 낮은 오차값과 높은 신뢰성 확보를 위해더욱 정교한 모델 개발

차후연구


부록 : SOC별 OCV, DC-IR 측정을 위한 HPPC법 활용

- 10초 Pulse 방전전류, 40초 휴지, 10초 방전의 75% 전류 인가

- 방전 및 충전 동안의 전압변화로 저항 계산

HPPC를 통해 획득한 SOC별 OCV및 DC-IR

시스템 레벨 모델링을 이용한 SOH 추정 알고리즘

석사과정최정현


학부연구생윤광수박정주


새로운 열화 모델링의 필요성 대두

기존의배터리열화모델인전기적모델, 전기화학적모델은셀의열화에대한어느정도의추정이가능하지만오차를동반함

본연구에서는해당패턴에의한셀의열화와열화비용을측정하는구체적인지표를제시

Electrical Model

Electrochemical Model


Electrical Model

• 초기 배터리 용량 감소 & 배터리 열화에 의한 배터리 내부 저항 증가• 온도, SOC(State of Charge) 범위, 충방전 전류의 주파수와 배터리 크기를 이용한 추정

전기적 등가 모델을 이용한 SOC 추정

동일배터리라도 IR 값이온도에따라바뀌어 SOH추정의정확도가떨어짐


Electrochemical Model

Schematic of the Doyle-Fuller-Newman Model

• 내부에서 발생하는 화학적 작용의 세부적 구성을 기반으로 함• 결과적으로 매우 정확성 높게 배터리 모델링 가능하나 매우 수학적 복잡성을 가

짐

전기화학적 모델링

전기화학적모델링의경우열화적특징보다는전기화학적거동에초점이맞춰짐


기존의 모델링의 한계

• 사용프로파일변경시수명시험의반복필요 어플리케이션별로막대한시험비용소요

• 표준화된사이클수명시험방법의부재로인한개발비증가및일관된고객대응불가

• 반복적인샘플프로파일및가속시험에의한평가 실제사용여건을반영한정교한사이클수명평가논란

• 100% 시험적인방법에만의존 열화모델이별도존재하지않으므로, 열화로인한실시간SOH평가로직 등적용

곤란

시스템 레벨 모델링을 이용한 SOH 추정 알고리즘 필요


열화 밀도 함수

C-rate , 온도, SOC를 추정한 표준 실험 데이터를 통해 배터리 열화를 예측하는 방법

Temperature

ACC

C-rate

C-rate, 온도, SOC를 고려하여 열화 밀도 함수 추정‘표준 시험’을 통해 모든 패턴에 대한 SOH 추정이 가능하다

100%

100%-D

W(s)

실험을 통한 W(p), W(t) 추정 DOD-ACC 통해 간접적으로 W(s) 추정


본 연구의 최종목표

• 배터리의 사이클 수명시험을 개별 타깃 어플리케이션 별로 직접 수행하지 않도록표준화된 시험 방법 및 모델을 제안

• 타깃 어플리케이션의 사용 패턴 분석과 표준 수명 시험 데이터로부터 배터리 열화를 정량화된 지표로 제시

• 특정 어플리케이션에 대해 배터리의 열화 감가상각을 반영하여 구체 적인 수익성평가를 수행

표준화

C-rate

온도

SOC

한전 변전운영분야 중장기 발전전략 로드맵(한국전력 송변전운영처 과제)

박진경 조현덕 최정현윤광수 박정주



한전 변전운영분야 중장기 발전전략 로드맵

선진 해외사례 분석을 통한변전운영분야 중장기 발전전략 및 청사진 제시본 연구실은 변전자동화와 고장관리를 담당

변전운영분야 중장기 발전전략 부재분장업무에 대한 단기 계획수립으로 중장기적인 사업계획 부재중장기 전력 미 수립으로 운영사업 추진에 정책 일관성 부족


디지털 변전화의 필요성과 연구방향

아날로그 변전소의 문제점

- 전력 수요의 증대와 함께 전력계통이 복잡화, 다양화, 대용량화 되어 기존 계통운영 설비

로는 변전소의 보호, 제어, 감시부분에서 문제점 발생

- 현재 SCADA나 EMS 급전제어는 안정화 수준 하지만 전력계통의 노드인 변전소는 여전히

재래식 방식을 취함

- 따라서 계통의 상태를 정확히 감지하여 대처하는 신뢰성 문제에 있어서 한계점

디지털 변전소

- 기존의 Hard wire와 보호계전기에서 광케이블과 제어, 보호, 통신을 하나의 Platform 에

서 전담하는 IED(Intelligent Electronic Device)를 중심으로 디지털 제어시스템 변환

- SAS(Substation Automation System)개념이 정리되어 IEC61850규격화 달성

해외 사례 분석을 통한디지털 변전 자동화에 대한 기술발전 계획 제안

연구방향


기설 변전소와 디지털 변전소

Real-Time Recognition Non-IntrusiveElectrical Appliance Monitoring System

박진경 Kofi Agyeman 손영익



Introduction

Problem definition

There is a growing concern as energy resour

ces are limited and it is predicted that global

energy demand will double by the end of 20

30[2] with negative implications on the envi

ronment

Energy conservation is a challenging issue

due to exponentially increasing energy de

mands.

As the demand for energy rises, as a result

of proliferation of electronic and electrical

appliances, whiles maintaining constant or

reducing energy generation, there is the nee

d to optimize energy usage.


Introduction

Energy monitoring

Alternatively, a significant approach to reduce energy was

tage, can be achieved through fine-grained monitoring of

energy consumption and creating awareness of efficient en

ergy use [3][4].

Related research [5] indicates that proper load monitoring

of electrical appliance could reduce consumption by 5% to

15%.

Residential appliances and equipment account for 30% o

f all energy consumption in Organization for Economic

Co-operation and Development (OECD) countries [6].

The International Energy Association also predicts that e

lectricity usage for residential appliances would grow by

12% between 2000 and 2010, eventually reaching 25% by

2020[7].

The essence of these figures, highlight the importance of e

nergy management of building in order to improve envir

onmental intendancy


Device indentification

Framework


Data acquisition

Bus framework


Data acquisition

Circuit design


Data acquisition

Recognition Energy Monitor


Device identification: Disaggregation

Our approach

Each household appliance has a unique load profile

similar to a human’s fingerprint.

Our algorithms uses these fingerprints to disaggregate

smart meter data.


Device identification: Disaggregation

Multiple Conditional Factorial HMM - MCFHMM


Case study

Result


Recognition Energy Monitor

User interface

power system & smart energy network laboratory

Documents