1. 서론

최근 급격한 기후변화와 에너지 소비의 증가로 에너지 공급의 불균형이 계속적으로 증가하고 있다. 이러한 에너지 문제의 해결을 위하여 신재생에너지에 대한 연구가 다양한 분야에서 많이 연구되어지고 있다. 신재생에너지는 대표적으로 풍력, 태양광 및 연료 전지 등이 있으며 저장장치로서 배터리, 슈퍼 캐패시터 등이 최근 각광을 받고 있다. 이러한 신재생에너지원을 이용하는 발전시스템은 독립적인 발전시스템과 기존의 전력망에 연계하여 에너지 유연성 및 비용 절감에 효과를 가져 올 수 있으며 또한 에너지 신뢰도면에서도 장점을 가진다. 그러나 거의 대부분의 응용분야에서는 하나 이상의 신재생에너지원과 저장장치를 적용한 하이브리드 시스템으로 구성되며 전력 공급의 안정성과 우수한 전력품질을 유지하기 위해서는 적절한 에너지관리시스템 및 전력 제어기가 필수적이다^(1-3).

최근에는 하이브리드 신재생에너지 시스템의 에너지관리 및 제어를 위하여 퍼지 로직 및 신경망과 같은 소프트 컴퓨팅 기술들이 많이 적용되어지고 있다. Ludwig 등은 환경 측면을 고려한 다양한 에너지 전환 기술을 평가하기 위한 새로운 퍼지 기반 방법을 사용했으며 재생 에너지가 지속 가능성을 위해 활용되어야한다고 결론지었다⁽⁴⁾. Bilodeau 등은 수소저장 장치를 포함하는 독립형 하이브리드 시스템의 퍼지 제어기를 제안했으며 신재생에너지의 잉여 전력을 이용하는 전기분해 시스템 모델을 제안하였다⁽⁵⁾. Thanaa 등은 PV 및 풍력 에너지에 대한 최대 전력을 얻기 위해 퍼지 논리 제어를 사용하였으며 부하전력에 대한 초과분을 이용하여 수소를 발생시켜 연료전지를 구동하는데 사용하였다⁽⁶⁾. Miland 등은 풍력-수소 독립형 전력 시스템에서 퍼지 논리 제어기를 사용했으며 잉여 전력의 사용은 연료전지를 위한 수소탱크와 에너지저장장치로 저장하도록 하였다⁽⁷⁾. 그러나 일반적인 퍼지제이기의 경우 경험이나 실험적으로 선택하여야 하는 요소들(멤버쉽 함수 타입 및 범위 등)이 많고 그에 따른 성능차이도 크다는 단점이 있어 지능형 최적화 기법을 이용한 퍼지제어기의 최적 설계 연구들도 다양하게 이루어지고 있다^(8-12).

지능형 최적화 기법 중 집단 기반의 최적화 알고리즘들은 대표적으로 유전자 알고리즘, 분자군집 최적화 알고리즘, 물 순환 알고리즘 및 Cuckoo 탐색기법 등이 신재생에너지 시스템에 적용되어져 왔다^(8-12). 그러나 이러한 알고리즘들 또한 퍼지제어기와 비슷하게 설계자가 정의해야하는 변수들에 의해 성능에 차이가 있다는 단점들이 존재한다. 따라서 신재생에너지에 적용되는 퍼지제어기의 최적설계를 위해서는 퍼지제어기는 물론 최적화 알고리즘들의 변수들까지 설계하여야하는 복잡한 최적화 문제로 귀결된다.

한편 참고문헌 [⁽¹³⁾, ⁽¹⁴⁾]에서는 최적화 알고리즘의 설계 변수에 자유로운 교수-학습 기반 최적화 알고리즘인 TLBO(Teaching-learning-based optimization)을 제안하였다. TLBO는 수업 또는 학교생활에서 발생할 될 수 있는 두 가지의 지식전달 매커니즘을 모방한 최적화 알고리즘으로서 설계 변수인 집단의 크기와 반복횟수를 제외하면 설계자가 선정해야하는 변수가 없다는 장점이 있어 다양한 최적화 문제에 많이 적용되어지고 있다⁽¹⁵⁾.

본 논문에서는 TLBO 기법을 이용한 하이브리드 시스템의 퍼지 로직제어기의 최적 설계 기법을 제안한다. 제안된 알고리즘의 성능을 검증하기 위하여 풍력 터빈, 광전지, 연료 전지 (FC), 배터리 및 Electrolyzer (Elec)로 구성된 하이브리드 시스템을 이용하였으며 목적함수로는 LPSP(loss of power supply probability)와 운영 및 유지관리비용 (operation and maintenance)을 이용하여 평가하였다. 실험결과 제안된 알고리즘이 기존의 일반적인 지능형 최적화 알고리즘에 비해 우수함을 확인하였다.

2. 최적화된 퍼지 로직 제어기 설계

3. 모의시험 및 결과

본 논문에서는 하이브리드 시스템의 최적 제어를 위하여 TLBO알고리즘과 퍼지로직 제어기를 제안하였다. 그림 제안된 퍼지로직 제어기는 신재생에너지의 출력과 부하전력간의 전력균형을 목적함수를 최적화 하면서 충족시킨다. 목적함수로는 운영 및 유지보수 비용과 LPSP (Loss of Power Supply Probability)을 이용하였으며 두 가지 요소를 동시에 충족시키기 위하여 식(4)와 같은 목적함수를 사용하였다.

여기서 ω는 가중치로서 0∼0.9사이로 선정할 수 있으며 C_OM은 운영 및 유지보수 비용을 나타낸다. 표 1은 개별요소들의 유지보수 및 운영비용을 나타내며 C_OM은 아래의 식으로 계산된다.

여기서 P_maxi는 최대 전력, P_geni는 생산된 전력, C_fi는 보수비용, C_vi는 운영 및 유지비용을 나타낸다.

그림. 2는 요구부하 데이터 곡선을 나타낸다. 부하는 7일간의 시간 단위 데이터로(168시간) 최대 약 9.2KW와 최소 0.2KW의 전력을 가지며 실제 건물에서의 소비부하전력을 사용하였다⁽¹⁶⁾. 또한 풍력 및 태양광 발전시스템을 위한 풍속, 기온 일사량 데이터는 2015년 11월 1일에서 7일 사이의 제주도 기상청 데이터를 사용하였다⁽¹⁷⁾.

그림. 2에 나타낸 요구부하에 대한 시뮬레이션을 위하여 학생수는 100명으로 선정하고 학습회수를 100으로 선정하였다. 표 2는 가중치 ω=0.5에 따른 시험결과를 보여준다. 표 2의 첫 번째 열은 각각의 최적화 기법들을 나타냈다. 여기서 “Un-optimized” 방법은 최적화 하지 않고 초기 멤버쉽 함수만을 사용하였을 때 결과를 의미한다. GA_FLC, PSO_FLC 및 TLBO_FLC는 퍼지 제어기를 GA, PSO 및 TLBO로 각각 최적화 한 결과를 나타낸다. 또한, 표 2에서 두 번째 열은 운영 및 유지 보수 값을 표시하고 세 번째 열은 LPSP 값을 나타낸다. 네 번째 열은 식(4)의 목적함수 결과 값을 나타낸다. 다섯 번째와 여섯 번째 열은 각각 Electrolyzer와 FC에서 사용된 전력량을 나타낸다.

표 2에서 알 수 있듯이 GA와 PSO알고리즘에 의한 퍼지 로직 제어기의 성능은 초기 멤버쉽 함수를 사용했을 때에 비하여 약 1.93% 우수한 성능을 보였으며 제안된 TLBO알고리즘을 적용한 방법에서는 약 2.2%로 제안된 알고리즘의 성능이 다른 방법들에 비하여 더 우수함 알 수 있다. 또한 TLBO알고리즘에 의한 최적화 기법에서는 유지 및 운영비용이 소요되는 연료전지 시스템을 다른 알고리즘들에 비하여 적게 하면서 LPSP는 동일한 성능이 되도록 퍼지 제어기의 멤버쉽 함수를 잘 최적화하였음을 알 수 있다.

그림. 3과 그림. 4는 일 때의 각각의 멤버쉽 함수를 나타내며 실선은 초기 멤버쉽값을 나타내고, 점선은 TLBO에 의한 최적화된 멤버쉽 함수를 나타낸다. 그림. 3에서 배터리의 SOC를 위한 멤버쉽의 경우 초기 멤버쉽 함수에 비해 크게 변화없이 선정되었고 탱크레벨(TP)의 경우는 Medium 부분이 가장 많은 변화를 보였다. 또한 DP의 경우 NB 멤버쉽 함수가 가장 큰 변화를 보였으며 출력 멤버쉽 함수는 NM 멤버쉽 함수가 변화가 가장 크게 변화하였다.

그림. 5는 반복횟수(학습회수)에 대한 목적함수의 값을 나타냈다. 그림. 5에서 알 수 있듯이 TLBO 알고리즘을 이용한 기법이 다른 기법들에 비해 우수한 성능을 보였으며 약 7번째 반복에서 최적해에 수렴하였다.

그림. 6은 각각의 알고리즘에 대한 배터리의 SOC의 변화를 나타내며 그림. 7은 각각의 알고리즘에 대한 수소탱크 레벨 변화를 나타냈다. 그림. 6과 그림. 7에서 알 수 있듯이 TLBO 알고리즘이 다른 알고리즘에 비해 SOC와 수소탱크레벨을 높게 유지하는 것을 볼 수 있다. 그림. 8은 하이브리드 시스템의 출력 및 요구부하 곡선을 나타냈다. 그림. 8에서 볼 수 있듯이 시스템의 출력이 요구부하를 잘 추종하고 있음을 볼 수 있다. 실험결과로부터 알 수 있는 바와 같이 TLBO 알고리즘은 다른 알고리즘들에 비해 하이브리드 시스템을 효과적으로 제어할 수 있는 최적의 퍼지 제어기의 파라미터를 선정하였음을 알 수 있다.

4. 결 론

본 논문에서는 하이브리드 신재생에너지 시스템의 최적 제어를 위하여 TLBO를 이용한 최적 퍼지로직 제어기 설계를 제안하였다. 하이브리드 시스템의 목적함수로는 LPSP와 운영 및 유지보수비용을 동시에 만족하도록 설계하였으며 목적함수가 최적이 되도록 운전하기 위하여 위한 퍼지로직 제어기는 TLBO 알고리즘에 의해서 입력 멤버쉽 함수와 출력 멤버쉽 함수가 선택되도록 하였다. 제안된 알고리즘의 성능 비교를 위하여 일반적으로 잘 알려진 유전자 알고리즘과 PSO와 비교하였으며 실험 결과 제안된 알고리즘이 다른 기법들에 비하여 우수한 성능을 보임을 확인하였다.