Abstract
The maximum demand controller is an electrical equipment installed at the consumer side of power system
for monitoring the electrical energy consumed during every integrating period and preventing the target
maximum demand (MD) being exceeded by disconnecting sheddable loads. By avoiding the peak loads and
spreading the energy requirement the controller contributes to maximizing the utility factor of the generator
systems. It results in not only saving the energy but also reducing the budget for constructing the natural base
facilities by keeping thc number of generating plants ~ninimumT. he conventional MD controllers often bring
about the large number of control actions during the every inteyating period and/or undesirable loaddisconnecting
operations during the beginning stage of the integrating period. These make the users aviod the
MD controllers. In this paper. fuzzy control technique is used to get around the disadvantages of the
conventional MD control system. The proposed MD controller consists of the predictor module and the fuzzy
MD control module. The proposed forecasting method uses the SOFM neural network model, differently from
time series analysis, and thus it has inherent advantages of neural network such as parallel processing,
generalization and robustness. The MD fuzzy controller determines the sensitivity of control action based on
the time closed to the end of the integrating period and the urgency of the load interrupting action along the
predicted demand reaching the target. The experimental results show that the proposed method has more
accurate forecastinglcontrol performance than the previous methods.
최대수요전력 예측과 제어의 목적은 공장 또는 빌딩등의 전력수용가의 입장에서 수시로 변동하는 부하의추이를 파악 예측하여 에너지 합리화 경제성 증대 산업기기의 보호 수용가의 비용절감과 더불어 크게는 국가적인 전력시스템안정화를 가져가기 위함에 있다. 최대수요전력 예측/제어를 위한 기존의 방법들은 수용가 특성이나 계절별 요일별 차이를 고려하지 않고 고정된 알고리즘에 의해 예측값이 결정되므로 환경변화에 적극적인 대응능력이 부족한 단점이있다. 이와같은 문제점의 해결을 위해 본 논문에서는 현재 많은 연구가 되고 있는 SOFM 신경망을 이용한 예측 방법과 예측치의 보정방법으로 퍼지제어길르 추가한 형태의 최대수요전력예측 제어기를 제안한다, 예측방법의 경우 유동적이며 적은 구간을 통하여 순시부하처럼 변동이 많은 데이터에 대하여 예측시간을 단축함과 동시에 오차를 줄여나갈수 있다. 또한 2단계의 학습을 통하여 SOFMd의 출력값이 패턴이 아닌 예측치가 될 수 있도록 변형하였으며 패턴자체의 변화에 대응하여 패턴오차를 이용하여재학습을 하도록 하여 불안정한 전력에 대하여 보완한다. 그리고 예측후반부에 퍼지제어기를 연결하여 예측의 신뢰성을 높이는 안정된 예측구조를 가지고 있다. 실험결과 시계열 예측방법인 지수평활법보다 제안된 예측/제어 방법이 우수함을 확인하였다.
