이 논문은 재생에너지 기반 마이크로그리드(μG)를 위한 조정된 동적 전력 관리 시스템(PMS)을 제안한다. 조정 제어 프레임워크는 두 부분으로 구성되며, 하나는 중앙집중형이고 다른 하나는 로컬 계층이다. 중앙집중형 계층은 μG 내 서로 다른 구성요소들에 대해 응답 시간, 전력 출력에 대한 물리적 제약, 에너지 저장 장치의 충전 상태를 고려하여 전력을 최적으로 배분한다. 로컬 계층은 각 전력원에 탑재된 전용 전력 변환기의 제어를 담당한다. 두 계층 모두를 제어하기 위해 모델 예측 제어 기법을 사용한다. 제안된 PMS의 기능은 다양한 운전 조건에서 하드웨어-인-더-루프 실험을 통해 검증되었다. 그 결과, 제안된 방법을 적용한 μG의 동적 성능이 기존 방법에 비해 더 효과적인 것으로 나타났다.

이 논문은 재생에너지 기반 마이크로그리드(μG)를 위한 조정된 동적 전력 관리 시스템(PMS)을 제안한다. 조정 제어 프레임워크는 두 부분으로 구성되며, 하나는 중앙집중형이고 다른 하나는 로컬 계층이다. 중앙집중형 계층은 μG 내 서로 다른 구성요소들에 대해 응답 시간, 전력 출력에 대한 물리적 제약, 에너지 저장 장치의 충전 상태를 고려하여 전력을 최적으로 배분한다. 로컬 계층은 각 전력원에 탑재된 전용 전력 변환기의 제어를 담당한다. 두 계층 모두를 제어하기 위해 모델 예측 제어 기법을 사용한다. 제안된 PMS의 기능은 다양한 운전 조건에서 하드웨어-인-더-루프 실험을 통해 검증되었다. 그 결과, 제안된 방법을 적용한 μG의 동적 성능이 기존 방법에 비해 더 효과적인 것으로 나타났다.

본 논문은 전력-가스 부문이 결합된 마이크로그리드에서 재생에너지 연계 수용력 및 경제적 운영을 향상시키기 위한 2단계 에너지 관리 시스템을 제안한다. 본 방법은 재생에너지 자원, 전해조(에렉트롤라이저), 에너지 저장 시스템의 무효전력 보상 능력을 고려하여 마스터-슬레이브 기반의 min-max 최적화 문제로 정식화되었다. 2단계 구조를 통해 무효전력 관리가 통합되는 동시에 유효전력의 전력 균형을 보장하였다. 제안 방법의 유효성을 검증하기 위해 IEEE-33 버스 시스템에서, 유효전력 균형만을 고려하는 벤치마크 시스템과 비교하였다. 제안 방법은 평균 최소 전압을 0.015 p.u. 향상시켰고, 전압 편차 프로파일을 46.92% 향상시켰다. 또한 본 방법은 계통으로부터의 전력 구매를 감소시켜 일일 운영비를 최대 211,703 KRW 절감하였다. 이러한 결과는 제안 방법이 전력-가스 부문 결합 마이크로그리드의 안정적이고 경제적인 운영을 가능하게 함을 보여준다.

본 연구는 개별 급속 충전소에서 전기자동차(EV) 충전 수요를 예측하기 위해, 장단기 기억장치(LSTM)를 결합한 사전 활성화 잔차 신경망(ResNet)을 제안한다. 급속 충전소는 EV 사용자에게 편의성을 제공하지만, 급속 충전소의 이용은 전력 시스템의 안정성과 품질을 위협할 수도 있다. 따라서 전력 시스템 운영을 위해 개별 급속 충전소의 충전 수요를 정확하게 예측하는 것이 중요하다. 제안된 모델은 두 가지 딥러닝 모델인 ResNet과 LSTM을 포함한다. ResNet은 급속 충전 패턴 예측에 필요한 특성 추출을 수행하는 데 사용된다. LSTM은 순차 입력을 기반으로 급속 충전 수요를 예측한다. 제안된 모델은 소실 기울기(gradient vanishing) 없이 우수한 예측 성능을 보장한다. 또한 사전 활성화된 ResNet의 구조는 평균제곱오차(MSE) 손실 함수에 근거한 최적의 매개변수 업데이트를 가능하게 한다. 제안된 모델은 대한민국 제주도에 있는 EV 급속 충전소의 실제 데이터를 사용하여 평가하였다. 제안된 모델의 최대 예측 성능은 정규화된 root MSE에서 8.04%, 평균절대오차(MAE)에서 4.71 kW로 달성되었다.

본 논문은 재생에너지 침투율이 높은 전력계통에서 다중단자 DC(MTDC) 시스템의 최적 설치 위치와 용량을 결정하기 위한 방법을 제안한다. MTDC에 대해 마스터-슬레이브 구조를 사용하여 DC 전압 및 전력 제어를 모델링한다. 전압 편차 프로파일 지수(VDPI), 선로 유효전력 손실 지수(LPLI), 용량 패널티 지수(CPI)를 이용하여 다목적 최적화 문제를 다룬다. 최적화는 인공벌 군집(ABC) 알고리즘을 통해 해결한다. 본 방법은 IEEE-30 버스 테스트 계통에서 검증되었다. 그 결과, 18 MW MTDC 시스템이 최적으로 나타났으며, 버스 30에서 DC 전압 제어 컨버터를, 버스 11과 26에서 전력 제어 컨버터를 각각 배치하는 것이었다. MTDC를 통합한 이후 VDPI는 26.7% 개선되었고, LPLI는 19.0% 감소하였다. 또한 최소 전압은 0.983 p.u.에서 0.997 p.u.로 증가하였다. 이는 MTDC의 설치 위치와 용량이 계통의 안정성과 효율성에 미치는 영향을 보여준다.