신경망 모델과 전원 임피던스 제어를 활용한 도시철도 최대전력 예측 및 최적화에 관한 연구 :A Study on Peak Power Forecasting and Optimization in Urban Railway System Using Neural Network Model and Source Impedance Control

김한수

추천

검색

자료유형: 학위논문

저자정보: 김한수 (인하대학교, 인하대학교 대학원)

지도교수: 권오규

발행연도: 2015

저작권: 인하대학교 논문은 저작권에 의해 보호받습니다.

이용수3

이 논문의 연구 히스토리 (2)

2015

신경망 모델과 전원 임피던스 제어를 활용한 도시철도 최대전력 예측 및 최적화에 관한 연구

김한수 일반 2015.01 학위논문

2014

전원 임피던스 제어를 통한 도시철도 최대전력 최적화

김한수 , 권오규 전기학회논문지 2014.06 학술저널

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

본 논문에서는 DC 정류기를 가진 도시철도에 대한 최대전력 예측 및 제어에 관한 새로운 방법을 제시한다. 2011년 국내 대정전 사태 이후 정부와 한전은 최대수요전력에 대한 관리를 강화하였으며, 요금기반 수요반응 정책으로 수요자 측의 적극적 참여를 유도하고 있다. 이러한 결과는 도시철도 영업비용의 5% 정도를 차지하는 전기요금을 크게 상승하는 결과를 초래하였다. 국내 대부분의 도시철도는 다이오드 정류방식을 활용하여 직류전원을 전동차에 공급한다. 변전소는 병렬급전 방식으로 전동차에 전력을 공급하기 때문에 수전전압 변화에 공급전력이 크게 변동하는 특징이 있다. 이러한 시스템 특성은 부하 예측을 어렵게 하고, 변전소의 전력공급 불균형을 초래하며, 최대수요전력을 상승시키는 문제점이 있다. 따라서 효율적인 최대전력 관리를 위해서는 정확한 부하예측 방법이 선행되어야 하며, 수전전압 변화에 대처 가능한 최대전력 제어방법이 제시되어야 하지만 관련 연구는 미비한 실정이다.
본 논문에서는 도시철도 부하의 비선형적 특성 및 변전소간의 상관관계를 고려한 새로운 예측방법을 제시한다. 예측은 부하의 유사성을 이용하며, 유사성 판별을 위해 주변변전소의 전력패턴을 포함시킴으로써 예측 능력이 향상됨을 보인다. 예측치 보정은 유사부하 판별을 위해 사용된 전력패턴의 오차와 출력의 오차를 이용하며, 피드포워드 신경망(feedforward neural network) 모델로 구성한다.
수전전압 변동으로 인한 변전소 공급 불균형 문제를 시뮬레이션을 통해 보이며, 이러한 문제의 대안으로 전원 임피던스 제어를 제안한다. 전원 임피던스 제어는 변전소에 설치되어 있는 예비 정류기 자원을 활용함으로써 구현할 수 있다. 본 연구에서는 전원 임피던스 제어를 위한 문제정의를 밝히며, 제시된 비선형 최적화 문제의 해를 구하기 위해 유전자 알고리즘(genetic algorithm)을 사용한다. 최적 해를 구하는 연산과정을 줄이기 위해 정류기를 가진 도시철도 최대수요전력에 대한 산출 근사모델을 제시한다. 근사모델은 단수 가상부하와 다수 가상부하로 나누어 설명한다. 시뮬레이션 결과를 통해 본 논문에서 제안하는 방법이 최대수요전력을 상당히 줄일 수 있음을 보인다.

This thesis presents a novel method for the peak demand power forecasting and control on the urban railway substation with a DC rectifier. As a result of the domestic power blackout in 2011, the government and Korea Power Corporation reinforced the management of the peak power and induced the active participation of a demand side by using the price-based demand response. The results led to a significantly increasing electricity bill, which accounts for about 5% of the urban railway operation costs. Most of the domestic urban railways supplies the power to train using the diode rectifier type. This type has the characteristics that the input voltage changes result in a large variation of the power supply due to the parallel feed from the substation. This feature makes it very difficult to forecast the load and results in an unbalanced power supply to the substation thereby raising the peak power demand. Therefore, an accurate forecasting method should be prerequisite to the efficient peak management, and power control methods are to be proposed to cope with input voltage changes, but the related research is incomplete in the urban railway system.
This thesis proposes a new forecasting method which consider the correlation of substations and the non-linear characteristics of the urban railway load. The forecasting utilizes the similarity of the load and exhibits improved ability to predict by the including load patterns of neighbor substations for determining similarity. The forecasting is compensated by the difference between the output and the input pattern used for the determination of the load similarity, and consists of a feedforward neural network model.
The substation supply imbalance problem due to changes in the input voltage can be shown via some simulations, and the source impedance control is proposed as an alternative to this problem. The source impedance control can be realized by utilizing the spare rectifiers that are installed on the substation. This study presents the problem definition for the source impedance control and the genetic algorithm is employed to solve the nonlinear optimization problem. This thesis presents a model for calculating the approximate peak demand on urban rail with rectifiers to reduce the computation process to obtain the optimal solution. The approximated model is described separately into the single virtual load and the multiple virtual load. Simulation results show that peak demand power can significantly be reduced using the method proposed in this thesis.

#도시철도 #최대전력 #임피던스 제어 #최적화

제1장 서론 1
1.1 연구배경 1
1.2 연구목적 및 내용 2
1.3 논문의 구성 5
제2장 도시철도 변전소 최대수요전력 예측 6
2.1 도시철도 부하특성 6
2.1.1 변전소 부하특성 6
2.1.2 부하와 온도특성 13
2.1.3 부하와 변전소 수전전압 특성 13
2.1.4 부하와 기타변수에 대한 관계 18
2.2 도시철도 부하 예측모델 20
2.2.1 부하 유사성을 활용한 예측모델 20
2.2.2 유사부하 특성 23
2.2.3 변전소 가중치 결정 25
2.2.4 예측치 보정 26
2.3 실험 조건 및 결과 28
2.3.1 실험 조건 및 성능지표 28
2.3.2 유사부하 선택결과 29
2.3.3 실험 결과 30
2.4 결론 및 고찰 34
제3장 도시철도 변전소 최대수요전력 근사모델 35
3.1 도시철도 급전시스템 조류해석 35
3.1.1 등가회로 구성 35
3.1.2 컨덕턴스 메트릭스 반복법 37
3.1.3 전류벡터 반복법 38
3.2 최대수요전력 산출 근사모델 42
3.2.1 최대수요전력 계산 42
3.2.2 최대수요전력 산출 근사모델 44
3.2.3 단수 가상부하 45
3.2.4 다수 가상부하 47
3.3 적용실험 및 평가 50
3.4 결론 및 고찰 58
제4장 도시철도 변전소 전원임피던스 제어 59
4.1 도시철도 변전소 급전시스템 59
4.2 전원 임피던스 제어 61
4.3 최대전력 최적화 64
4.3.1 문제정의 64
4.3.2 최적화 적용을 위한 근사모델 66
4.4 시뮬레이션 결과 66
4.4.1 수전전압 영향 시뮬레이션 66
4.4.2 수전전압 영향 시뮬레이션 결과 67
4.4.3 전원임피던스 제어 시뮬레이션 개요 71
4.4.4 유전자 알고리즘 사용 73
4.4.5 시뮬레이션 결과 75
4.5 결론 및 고찰 84
제5장 결 론 85
5.1 연구 결과 85
5.2 향후 과제 86
참고문헌 87
감사의 글 92

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (2)

초록· 키워드

목차

최근 본 자료

댓글(0)