전효찬
(Hyo-Chan Jun)
1
이현재
(Hyun-Jae Lee)
1
손진근
(Jin-Geun Shon)
†iD
-
(Dept. of Electrical and Electronic Engineering, Gachon University, Korea)
Copyright © The Korean Institute of Electrical Engineers(KIEE)
Key words
DPP, Experts inference method, MPPT, P&O algorithm, Solar panel
1. 서 론
최근까지 에너지 생산업을 포함한 다양한 산업들이 효율 중심적으로 발전해옴에 따라 근래에 환경적인 요인에서 많은 문제들을 야기시키고 있다. 경제적,
사회적, 보건적으로 발생하는 환경오염의 문제들은 현 사회에서 풀어야할 문제들 중 높은 우선순위를 차지하고 있다. 이에 에너지를 생산함으로써 발생하는
환경오염의 요인을 줄이고자 신,재생 에너지에 대한 관심이 높아지고 있으며 정부에서도 환경오염에 대한 문제를 면밀하게 파악함에 따라 ‘재생 에너지 3020
정책’을 발표함으로써 재생 에너지에 대한 관심을 지속적으로 주도하고 있다(1).
사용가능한 재생 에너지들 중 태양광 발전의 비중이 가장 크게 성장할 것이라고 예상하는 상황에서 태양광 발전의 변환 효율, 제어 효율을 높이는 다양한
연구가 진행되고 있다.
태양광 패널을 제어하기 위하여 연구 초기에는 여러 태양광 패널을 직, 병렬로 연결하여 하나의 전력변환장치로 제어하는 중앙집중방식이 제시되었다. 하지만
신뢰성이 약하다는 단점이 존재하였고 이를 개선하기 위해 멀티 스트링 방식을 거쳐 모듈집적방식의 전력변환방식이 제시되었다(2). 태양광 패널마다 직렬로 전력변환장치를 장착하여 제어하는 모듈집적방식은 생산 전력의 전부가 전력변환장치의 효율에 영향을 받는다는 단점이 있다. 이에
따라 최근에는 태양광 패널들이 구성하고 있는 메인 회로에서 태양광 패널과 1:1 대응하여 병렬로 부착하여 제어하는 차동전력조절 방식(differential
power processing : DPP)이 제시되었다(3).
이러한 전력변환장치를 사용하여 효율적으로 태양광 패널을 제어하기 위해서는 최대전력점추적 (MPPT : maximum power point tracking)
제어를 실시해야 한다. 태양광 패널의 전력, 전압, 전류의 관계에서 발생하는 비선형적인 특성은 일반적인 선형 제어가 불가능하며 이러한 상황에서 언제나
태양광 패널이 최대 전력을 생산할 수 있도록 추적하는 알고리즘이 필요한 것이다.
MPPT 제어를 위해 기본적으로 사용되는 P&O 알고리즘은 전압을 주기적으로 변화시키고 전압변화량과 전력변화량을 비교함으로써 최대전력점을 찾는다.
하지만 설정한 전압 및 시간 변화율의 크기에 따라 MPP 추적시간과 시스템 안정도가 크게 달라진다(4). 비슷하게 증분 컨덕턴스를 이용한 MPPT 방법이 제시되었으나 고성능의 CPU를 필요로 한다. Constant Voltage 기법으로써 태양광 패널이
보유하고 있는 일반적인 전압 MPP 지점을 고정적으로 사용하는 방법이 제시되기도 하였으나 일사량의 변동, 온도의 변화에 따라 전압 MPP 지점을 정확하게
찾지 못하여 전력 생산량의 효율을 저하시키게 된다(5). 전압 센서만을 이용하여 MPPT를 수행하는 factional open circuit 방식과 전류 센서만으로 MPPT를 수행하는 기법이 제안되기도
했지만 이 또한 온도변화와 환경변화에 취약하여 정확한 MPP를 추적하는데에는 어려움이 있다. 최근에는 전문가의 지식을 바탕으로 어떠한 결론을 유추하는
전문가 추론 기법을 사용한 MPPT 기법이 제시되었다(6). 이는 비교하는 대상과 MPPT 방식이 P&O 알고리즘과 비슷하지만 전압 변화량이 능동적으로 변화함에 따라 P&O 알고리즘의 단점을 개선할 수 있다.
본 논문은 태양광 발전의 효율적인 전력 생산을 위해 DPP 전력변환구조에서 전문가 추론 기법을 이용한 MPPT를 적용한다. DPP 구조에서 전문가
추론 기법을 이용한 MPPT가 가능하다는 것을 시뮬레이션을 통해 검증하였으며 기본적으로 사용되는 P&O 알고리즘이 사용되었을 때의 결과와 비교하여
전문가 추론 기법의 MPPT의 성능이 우수하다는 것을 검증하였다.
2. DPP 구조에 적용된 기본적인 P&O 알고리즘
2.1 기본적인 DPP 시스템의 구성
기본적인 차동전력조절 방식(power differential processing : DPP)은 태양광 패널들이 직렬로 구성되어 있는 string 회로와
병렬 구조로 태양광 패널과 1:1 대응하여 DC/DC 컨버터가 부착된 구조로 이루어져있다.
그림. 1. 기본적인 DPP 시스템의 구조
Fig. 1. A structure of basical DPP system
그림 1은 태양광 패널에 사용된 일반적인 DPP 시스템의 구조를 간략하게 보여준다. 태양광 패널이 생산한 전력은 크게 두가지의 회로로 DC_LINK에 전달된다.
태양광 패널이 생산한 대부분의 전력은 string current가 흐르는 string 회로로 흐른다. 하지만 일사량과 온도 변화에 의해 전력량이 태양광
패널들마다 다르다면 각 노드마다의 전류의 흐름을 일정하게 맞추기 위하여 설정된 차이만큼의 전류를 DPP 회로로 흐르게 한다. 이는 태양광 패널 사이에서
발생하는 전압, 전류의 차이에서 발생하는 손실을 줄일 수 있으며 MPPT를 위해 사용되는 전력량이 최소화되어 전력 생산의 효율을 극대화 시킬 수 있다.
2.2 P&O 기법을 이용한 MPPT
태양광 패널을 효율적으로 사용하기 위하여 기본적으로 최대전력점 추적(maximum power point tracking : MPPT)의 제어가 필요하다.
태양광 패널은 온도, 일사량에 따라 전압과 전류 사이의 변화가 비선형적으로 나타나는데 이러한 특성은 최대전력 생산점을 찾는데에 어려움을 야기시킨다.
그림. 2. MPPT를 위한 태양광 패널의 $P-V$ 곡선
Fig. 2. The solar panel $P-V$ curve for MPPT
그림 2는 태양광 패널의 $P-V$ 특성 곡선을 나타낸다. 전압이 높아질수록 전력이 높아지는 구간과 낮아지는 구간이 존재하는 것을 볼 수 있다. 이 중 최대
전력점 $P_{mpp}$를 찾기 위하여 전압을 주기적으로 변화시키고 전압변화량과 전력변화량을 비교함으로써 최대전력점을 찾는다. 여기서 $P_{mpp}$는
오직 하나이며 MPPT를 수행함에 있어 빠르게 $P_{mpp}$에 도달하고 정상상태에서 안정적인 MPPT의 수행이 태양광 패널의 전력 생산의 효율을
높일 수 있다.
3. 전문가 추론 기법을 이용한 MPPT의 적용과 검증
3.1 P&O 알고리즘을 이용한 MPPT의 한계점
앞 절에서의 설명과 같이 P&O 알고리즘은 전압의 변화량 $\Delta V$와 변화의 주기에 따라 정상상태 도달시간과 리플의 폭이 결정된다. 이는
곧 적절하지 않은 $\Delta V$와 주기에 의해 전력 생산 효율에 악영향을 미칠 수 있다.
그림 3은 MPPT 주기가 1 [s]일 때의 전압 그래프를 보여준다. 여기서 그림 3(a)는 $\Delta V$가 1 [V]일 때를 보여주는데 $V_{mpp}$가 10 [V] 일 경우, 10 [s]에서 $V_{mpp}$를 도달한 모습을
볼 수 있다. 10 [s] 이후에서는 지속적으로 1 [V]의 리플 폭을 갖는 파형을 볼 수 있으며 MPPT를 위해 지속적으로 전압에 변동을 주는 것을
확인할 수 있다.
그림 3(b)는 $\Delta V$가 2 [V]일 때의 전압 그래프를 보여준다. $V_{mpp}$가 10 [V] 일 경우 5 [s]만에 $V_{mpp}$에 도달하는
모습을 볼 수 있지만 5[s] 이후에는 2 [V]의 리플 폭을 갖는 결과를 볼 수 있다. 즉, $\Delta V$가 높을 경우에 $V_{mpp}$에
도달하는 시간이 빨라지지만 전압 리플의 폭이 그만큼 높아져 정상상태일 때의 전력 생산의 효율이 저하될 수 있다.
따라서 본 논문은 DPP 구조에서 전문가 추론 기법을 적용한 MPPT를 실시한다. 전문가 추론 기법의 MPPT를 적용하면 $\Delta V$를 능동적으로
변화시키는 효과를 얻을 수 있다. 과도상태에서는 $\Delta V$의 크기를 최대로 하여 $V_{mpp}$에 빠르게 도달할 수 있으며 정상상태에서는
$\Delta V$를 최소로하여 낮은 리플의 폭을 갖는 전력 품질 효과를 얻을 수 있다.
그림. 3. 전압변화량의 따른 MPPT의 전압추종
Fig. 3. Voltage tracking of MPPT with the variable $\Delta V$
3.2 MPPT를 위한 전문가 추론 기법의 설계
이러한 MPPT에 사용된 전문가 추론 기법의 구조는 그림 4에서 보여준다. 전문가 추론 기법은 크게 퍼지화(Fuzzification), 룰 베이스(Rule-base), 추론(Inference), 역퍼지화(Defuzzification)로
총 4단계로 구성된다.
그림. 4. MPPT를 위한 전문가 추론 기법의 구조
Fig. 4. A structure of experts inference method for MPPT
과거의 전압과 전력, 현재의 전압과 전력을 비교하기 위하여 $\Delta V$와 $\Delta P$를 입력으로 하며 전문가 추론의 결과로 $\Delta
V$의 크기를 능동적으로 조절하게 된다.
전문가 추론 기법을 이용하여 MPPT를 위해 멤버쉽 함수를 설정하여야 하는데 간단한 구성만으로 MPPT를 수행하기에 충분하다. 이에 그림 5는 MPPT를 위해 생성된 멤버쉽 함수의 모습을 보여준다. 그림 5(a)는 입력되어진 $\Delta P$에 대한 멤버쉽 함수이며 –5 [W]에서 +5 [W]의 범위 중 Low와 High라는 두 개의 언어변수값을 이용하여
구성하였다. 그림 5(b)는 입력되어진 $\Delta V$에 대한 멤버쉽 함수이며 –1 [V]에서 +1 [V]의 범위 중 Low와 High라는 두 개의 언어변수값을 이용하여
구성하였다. 그림 5(c)는 추론의 과정을 거진 데이터를 이용하여 $\Delta V$의 값으로 다시 변환하기 위한 멤버쉽 함수이다. –10에서 +10의 범위 중 Low와 High라는
두 개의 언어변수값을 이용하여 구성하였으며 실질적으로 $\Delta V$의 변화량은 x축의 범위인 –10[V]에서 +10[V]의 범위가 축소된 –3.4[V]에서
+3.4[V]의 범위로 제어할 수 있게 된다.
그림. 5. MPPT를 위한 멤버쉽 함수
Fig. 5. Membership Functions for MPPT
표 1. MPPT를 위한 룰 베이스 테이블
Table 1. A rule base table for MPPT
|
Rule base
|
$\Delta V$
|
|
Low
|
High
|
|
$\Delta P$
|
Low
|
Low ($R_{1}$)
|
Low ($R_{2}$)
|
|
High
|
High ($R_{3}$)
|
High ($R_{4}$)
|
표 1은 MPPT를 위한 룰 베이스 테이블을 보여준다. $\Delta V$와 $\Delta P$ 중에서 $\Delta P$의 입력값에 비중을 두어 추론할
수 있도록 설계하였으며 4개의 룰 베이스 설정만으로 MPPT가 가능하다.
이러한 전문가 추론 기법의 MPPT는 DPP 구조에서 사용되는 DC/DC 컨버터마다 개별적으로 수행된다. 오직 해당하는 태양광 패널의 전압, 전류만을
사용하기 때문에 병렬로 구성된 DC/DC 컨버터라도 개별적인 MPPT를 정상적으로 수행할 수 있게 된다.
3.3 모의실험을 위한 설정
본 논문은 전문가 추론 기법을 적용한 MPPT의 효과를 검증하기 위하여 기존의 P&O 기법을 적용한 MPPT의 수행 결과와 동시에 비교･분석한다.
시뮬레이션을 수행하기 위하여 사용된 태양광 DPP 시스템의 회로도는 그림 6과 같다.
그림. 6. 시뮬레이션을 위한 PSIM 회로도
Fig. 6. A PSIM schematic for simulation
그림 6은 태양광 발전 시스템에서 DPP 구조를 적용한 시뮬레이션 회로도이다. string으로 흐르는 전력을 제어할 수 있는 컨버터는 boost 컨버터로
구성하였으며 DPP로 흐르는 전력을 제어할 수 있는 컨버터는 플라이백 컨버터로 구성하였다. 기존의 P&O 알고리즘과 전문가 추론 기법을 적용한 MPPT의
효과를 비교･분석하기 위하여 아래의 표 2와 같이 설정하여 시뮬레이션을 진행하였다.
표 2. 비교･분석을 위한 동일 설정표
Table 2. Configuration table for comparison and analysis
|
|
unit
|
PV1
|
PV2
|
|
irradiance
|
[$W/m^{2}$]
|
1000
|
500
|
|
temperature
|
[°C]
|
25
|
25
|
|
$P_{mpp}$
|
[W]
|
20
|
9.49
|
|
$I_{mpp}$
|
[A]
|
1.16
|
0.58
|
|
$V_{mpp}$
|
[V]
|
17.02
|
16.4
|
3.4 모의실험을 통한 전문가 추론 기법의 MPPT 검증
표 3은 P&O 알고리즘과 전문가 추론 기법을 비교･분석하기 위하여 각각 다른 설정을 표시한 표이다. 두 기법 모두 $\Delta V$가 변화하는 시간은
동일하게 1 [s]로 두었으며 오직 $\Delta V$의 변화량의 차이만을 이용하여 전문가 추론 기법의 MPPT 속도, 안정성의 우월성을 검증하였다.
그림 7은 PV1과 PV2의 전압을 동시에 보여주며 그림 8은 PV1과 PV2의 전류를 동시에 보여주는 그래프이다. 기존의 P&O 기법으로 MPPT를 시행하였을 경우, PV1이 $V_{mpp}$과 $I_{mpp}$에
도달하는 시간은 3.31 [s]로 측정되었다. 반면에 전문가 추론 기법을 사용하였을 경우, PV1이 $V_{mpp}$과 $I_{mpp}$에 도달하는
시간은 1.91 [s]로 1.4 [s]초 빠르게 MPP에 도달한 모습을 볼 수 있다. 또한, 기존의 P&O 기법으로 MPPT를 시행하였을 때 PV2가
$V_{mpp}$과 $I_{mpp}$에 도달하는 시간은 3.23 [s]로 측정되었으며 제안하는 전문가 추론을 사용하였을 때 PV2가 $V_{mpp}$과
$I_{mpp}$에 도달하는 시간은 3.31 [s]로 0.08 [s]초 빠르게 MPP에 도달한 모습을 볼 수 있다.
표 3. 두 MPPT 방법에 따른 설정표
Table 3. Setting table according to two MPPT method
|
|
unit
|
P&O method
|
experts inference method
|
|
change cycle
|
[s]
|
1
|
1
|
|
$\triangle V$
|
[V]
|
0.5
|
variable
|
그림. 7. PV1과 PV2의 전압 그래프
Fig. 7. Voltage graphs of PV1 and PV2
그림. 8. PV1과 PV2에서 전류변동 파형의 비교
Fig. 8. Comparison waveform with the variable current for PV1 and PV2
그림. 9. PV1과 PV2에서 $\Delta V$의 변동 파형의 비교
Fig. 9. Comparison waveform with the variable $\Delta V$ for PV1 and PV2
그림 9는 전압 변화량 $\Delta V$의 그래프를 나타낸다. 기존의 P&O 기법을 사용하였을 때, PV1의 $\Delta V$는 고정적으로 0.5 [V]인
반면에 전문가 추론 기법을 사용하였을 때의 최대 $\Delta V$는 1.21 [V]로써 최대 0.71 [V]만큼 높게 과도상태를 지나게 된다. 또한,
PV2의 $\Delta V$는 전문가 추론 기법을 사용하였을 때의 최대 $\Delta V$는 0.68 [V]로써 최대 0.18 [V]만큼 높은 수준으로
$V_{mpp}$에 도달한다. 전문가 추론 기법이 $\Delta V$의 폭을 능동적으로 확대시킴으로써 $V_{mpp}$에 도달하는 속도를 높이게 된
것이다.
또한, 정상상태에서 기존의 P&O 기법을 사용하였을 때 PV1과 PV2의 $\Delta V$는 0.5 [V]로써 리플의 폭이 일정한 것을 볼 수 있다.
반면에 전문가 추론 기법을 사용하였을 때 PV1과 PV2의 $\Delta V$는 거의 0 [V]으로써 전압 변화에서 발생하는 리플이 최소화된 모습을
볼 수 있다. 이러한 결과는 곧 태양광 패널이 생산하는 전력 효율에 영향을 미친다.
그림. 10. 과도 상태에서 총 전력 생산에 대한 파형 비교
Fig. 10. Comparison waveform with total power at transient state
그림 10은 PV1과 PV2의 전력을 합산하였을 때의 전력을 나타낸 그래프이다. 기존의 P&O 기법에 비해 제안하는 전문가 추론 기법이 $P_{mpp}$에
도달하는 시간 또한 빨라진 것을 볼 수 있으며 높은 $\Delta V$의 변화량에 의해 과도상태에서 생산하는 전력이 월등히 높은 것을 볼 수 있다.
그림. 11. 정상상태에서 총 전력 생산에 대한 파형 비교
Fig. 11. Comparison waveform with total power at steady state
그림 11은 정상상태에 도달하였을 때의 전력 그래프를 보여준다. $\Delta V$가 거의 0 [V]에 다다른 전문가 추론 기법의 MPPT는 기존의 P&O
기법이 생산하는 전력보다 높은 것을 볼 수 있으며 안정적인 파형으로 인해 지속적으로 동일한 전력을 생산할 수 있게 된다. 이러한 결과는 곧 총 전력생산량에
영향을 미치게 된다.
그림. 12. 5[s] 동안의 총 누적 전력 생산량의 파형 비교
Fig. 12. Comparison waveform with Cumulative power production amount during 5[s]
그림 12는 5 [s]동안 생산된 총 전력을 합산한 결과를 보여주는 모습이다. 기존의 P&O 기법으로 5 [s]동안 생산한 전력은 102.68 [W]에 비해
제안하는 전문가 추론 기법으로 생산한 전력은 117.64 [W]로 나타난다. 전문가 추론 기법이 14.96 [W]의 전력을 더 많이 생산하게 된 것이다.
표 4. 비교를 위한 결과 분석표
Table 4. Result analysis table for comparison
|
|
maximum $\Delta V$
|
PV1 MPP arrival time
|
PV2 MPP arrival time
|
total power production
|
|
conventional
MPPT (a)
|
0.5 [V]
|
3.31 [s]
|
3.23 [s]
|
102.68 [W]
|
|
proposed
MPPT (b)
|
1.21 [V]
|
1.91 [s]
|
3.11 [s]
|
117.64 [W]
|
|
difference (b-a)
|
0.71 [V]
|
-1.4 [s]
|
-0.12 [s]
|
14.96 [W]
|
표 4는 그림 7부터 그림 12까지의 데이터를 요약한 결과를 보여준다. 전문가 추론 기법을 사용할 경우 최대 $\Delta V$가 0.71 [V] 높게 사용될 수 있다는 것을 보여준다.
이에 따라 PV1의 MPP 도달 시간이 0.14 [s] 빨라지고 PV2의 MPP 도달 시간은 0.12 [s] 빨라졌다. 이러한 결과는 태양광 패널이
생하는 전력량에 영향을 미치며 14.96 [W]의 전력 생산을 증가시켰다.
4. 결 론
본 논문은 태양광 DPP 시스템에서 전문가 추론 기법의 MPPT를 이용하여 전력 생산 효율 개선한다. 기존에 사용되고 있는 P&O 기법에서 발생하는
고정된 $\Delta V$의 한계점을 극복하기 위해 전문가 추론 기법을 이용하였으며 시뮬레이션을 통하여 이에 대한 효과를 검증하였다. 전문가 추론
기법을 적용하였을 때 $\Delta V$가 0.71 [V] 높아짐에 따라 기존의 P&O 기법보다 MPP 도달 시간이 최대 1.4 [s] 빨라졌으며
전력 생산량이 14.96 [W] 높아진 결과를 나타내었다. 능동적인 전압 변화에 의해 MPP 도달 시간에서 발생하는 손실을 최소화한 결과이며 정상상태일
때의 리플을 최소로 줄여 태양광 패널의 전력 생산 효율을 증대시켰다. 이러한 전문가 추론 기법을 태양광 발전 시스템을 포함하여 비선형 제어가 필요한
부분에 적용한다면 전력 생산 효율을 높일 수 있다고 판단된다.
Acknowledgements
This work was supported by the Korea Institute of Energy Technology Evaluation and
Planning(KETEP) and the Ministry of Trade, Industry & Energy(MOTIE) of the Republic
of Korea (No. 20194030202290).
References
Jordan Dickson Andrew, Burton Sarah, Shepertycky Michael, Liu Yan-Fei, Li Qingguo,
March 2016, Digitally Controlled Energy Harvesting Power Management System, IEEE Journal
of Emerging and Selected Topics in Power Electronics, Vol. 4, No. 1
Uno Masatoshi, Kukita Akio, November 2017, PWM Converter Inte- grating Switched Capacitor
Converter and Series-Resonant Voltage Multiplier as Equalizers for Photovoltaic Modules
and Series-Connected Energy Storage Cells or Exploration Rovers, IEEE Transactions
on Power Electronics, Vol. 32, No. 11
Katherine A. Kim, Pradeep S. Shenoy, Philip T. Krein, Fellow, April 2015, Converter
Rating Analysis for Photovoltaic Dif- ferential Power Processing Systems, IEEE Transactions
on Power Electronics, Vol. 30, No. 4
Kolesnik Sergei, Kuperman Alon, March 2016, On the Equivalence of Major Variable-Step-Size
MPPT Algorithms, IEEE Journal of Photovoltaics, Vol. 6, No. 2
Aureliano Gomes de Brito Moacyr, Galotto Luigi, Jr., Poltronieri Sampaio Leonardo,
de Azevedo e Melo Guilherme, Carlos Alberto Canesin , March 2013, Evaluation of the
Main MPPT Techniques for Photovoltaic Applications, IEEE Transactions on Industrial
Electronics, Vol. 60, No. 3
Al Nabulsi Ahmad, Dhaouadi Rached, August 2012, Efficiency Opti- mization of a DSP-Based
Standalone PV System Using Fuzzy Logic and Dual-MPPT Control, IEEE Transactions on
Industrial Informatics, Vol. 8, No. 3
저자소개
He received his B.S., M.S. and Ph. D, degrees in the Department of Electrical Engineering
from Soongsil University in 1990, 1992 and 1997.
He was Chief Researcher in Electro-Mechanical Research Institute, Hyundai Heavy
Industries Co., Ltd., Gyeonggi-do, Korea, during 1992-1995.
He was a Postdoctoral Researcher in the Department of Electrical and Electronic
Engineering, Kago- shima University, from 2002 to 2003.
He was also a Visiting Scholar in the Power Electronics Laboratory, Michigan State
University, from 2009 to 2010. He is currently a Professor at the school of Electrical
Engineering, Gachon University, Korea.
His research interests are the power conversion, control and diagnosis of power
utility.
E-mail : shon@gachon.ac.kr