KR101364495B1 - 전력사용량 예측기술을 활용한 전력 관리 시스템 및 그 방법 - Google Patents

전력사용량 예측기술을 활용한 전력 관리 시스템 및 그 방법

Info

Publication number
KR101364495B1
KR101364495B1 KR1020120146138A KR20120146138A KR101364495B1 KR 101364495 B1 KR101364495 B1 KR 101364495B1 KR 1020120146138 A KR1020120146138 A KR 1020120146138A KR 20120146138 A KR20120146138 A KR 20120146138A KR 101364495 B1 KR101364495 B1 KR 101364495B1
Authority
KR
South Korea
Prior art keywords
power
power consumption
module
correlation
data
Prior art date
Application number
KR1020120146138A
Other languages
English (en)
Inventor
김상균
부창진
김성엽
김호찬
김정혁
김용식
Original Assignee
주식회사정도엔지니어링
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사정도엔지니어링 filed Critical 주식회사정도엔지니어링
Priority to KR1020120146138A priority Critical patent/KR101364495B1/ko
Application granted granted Critical
Publication of KR101364495B1 publication Critical patent/KR101364495B1/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J9/00—Circuit arrangements for emergency or stand-by power supply, e.g. for emergency lighting
    • H02J9/04—Circuit arrangements for emergency or stand-by power supply, e.g. for emergency lighting in which the distribution system is disconnected from the normal source and connected to a standby source
    • H02J9/06—Circuit arrangements for emergency or stand-by power supply, e.g. for emergency lighting in which the distribution system is disconnected from the normal source and connected to a standby source with automatic change-over, e.g. UPS systems
    • H02J9/062—Circuit arrangements for emergency or stand-by power supply, e.g. for emergency lighting in which the distribution system is disconnected from the normal source and connected to a standby source with automatic change-over, e.g. UPS systems for AC powered loads
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B70/00—Technologies for an efficient end-user side electric power management and consumption
    • Y02B70/30—Systems integrating technologies related to power network operation and communication or information technologies for improving the carbon footprint of the management of residential or tertiary loads, i.e. smart grids as climate change mitigation technology in the buildings sector, including also the last stages of power distribution and the control, monitoring or operating management systems at local level
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
    • Y04S20/20—End-user application control systems

Landscapes

  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

본 발명은 실외 환경에 대한 최대온도, 최소온도, 습도, 풍속, 일사량 중에서 일부 또는 이들의 조합을 포함하는 데이터를 획득하는 외부환경 분류기모듈; 기존의 전력사용량에 대한 데이터를 저장하는 전력사용량 DB; 상기 외부환경 분류기모듈의 데이터와 상기 전력사용량 DB의 데이터간에 상관관계를 분석하는 상관관계 계산모듈; 및 상기 상관관계 계산모듈로부터 분석된 상관관계로부터 전력사용량을 예측하도록 하는 전력사용량 예측모듈을 포함하는 전력사용량 예측기술을 활용한 전력 관리 시스템 및 그 방법에 관한 것이다.
본 발명에 의하면, 실외 환경 요소를 고려한 사용 패턴과 노이즈에 대한 요소를 추가한 분석을 실시할 수 있도록 함으로써 신뢰성 높은 전력사용량을 예측할 수 있어 여름철과 겨울철 전력피크를 줄이고, 좀 더 효율적으로 에너지를 사용하고 절약할 수 있는 제어가 가능하도록 한다.

Description

전력사용량 예측기술을 활용한 전력 관리 시스템 및 그 방법{Power management system using power consumption forecasting technology and method thereof}
본 발명은 전력사용량 예측기술을 활용한 전력 관리 시스템 및 그 방법에 관한 것으로서, 보다 상세하게는 전력 설비의 실외 환경 요소를 바탕으로 전력사용량 예측을 수행하도록 하는 전력사용량 예측기술을 활용한 전력 관리 시스템 및 그 방법에 관한 것이다.
산업 발전에 따른 전력 수요가 해마다 증가하고 있음에 따라 자원의 낭비를 최소화하고, 전력 수요의 정확도를 향상시킴으로서 전력설비의 최적 투자와 효율적인 운용이 필요하게 되었다.
이러한 필요성에 의해 전력설비의 전력을 관리하기 위해서, 효율적인 부하 사용이 필수적인 요소로 작용한다. 전력설비가 설치된 위치 및 기후변화 등의 외부적 환경변화에 따라, 전원 사용량이 변동할 수 있다는 점을 감안할 때, 전력설비 내부와 외부 환경정보 및 부하 용량정보를 이용하여, 전력을 관리하고자 하는 방안의 필요성이 대두되고 있다.
또한 기존의 전력 관리 시스템의 경우, 최대부하시간대의 사용을 최소화하는 것이 피크전력과 사용요금 측면에서 가장 이상적이나, 이러한 시스템의 경우 상용전력을 제한하기 때문에 수용가 측면에서 불편함을 감소해야 하는 문제점이 있다.
상기한 바와 같은 종래의 문제점을 해결하기 위하여, 본 발명은 실외 환경 요소를 고려한 사용 패턴과 노이즈에 대한 요소를 추가한 분석을 실시할 수 있도록 함으로써 신뢰성 높은 전력사용량을 예측할 수 있어 여름철과 겨울철 전력피크를 줄이고, 좀 더 효율적으로 에너지를 사용하고 절약할 수 있는 제어가 가능하도록 하는데 목적이 있다.
상기한 바와 같은 과제를 해결하기 위하여, 본 발명의 일 측면에 따르면, 전력 관리 시스템에 있어서, 실외 환경에 대한 최대온도, 최소온도, 습도, 풍속, 일사량 중에서 일부 또는 이들의 조합을 포함하는 데이터를 획득하는 외부환경 분류기모듈; 기존의 전력사용량에 대한 데이터를 저장하는 전력사용량 DB; 상기 외부환경 분류기모듈의 데이터와 상기 전력사용량 DB의 데이터간에 상관관계를 분석하는 상관관계 계산모듈; 상기 상관관계 계산모듈로부터 분석된 상관관계로부터 전력사용량을 예측하도록 하는 전력사용량 예측모듈; 상기 전력사용량 예측모듈로부터 예측한 전력사용량을 기준으로 전력사용 초과를 검출하는 전력사용 초과검출기; 및 상기 전력사용 초과검출기에 의해 검출된 결과로부터 보조전력 투입을 결정하는 보조전력 투입결정모듈을 포함하는 전력사용량 예측기술을 활용한 전력 관리 시스템이 제공된다.
온라인 학습을 통해 상기 보조전력 투입결정모듈에 의한 보조전력 투입의 결정에 가중치를 부여하는 온라인 학습모듈을 더 포함할 수 있다.
상기 보조전력 투입결정모듈에 의해 투입이 결정되는 보조전력을 제공하는 배터리; 상기 배터리의 직류전원을 교류전원으로 변환하는 인버터; 상기 배터리를 충전하기 위한 충전기; 상기 충전기에 의한 상기 배터리의 충전시, 시간대별 요금의 제약을 고려하여 충전되도록 제어하는 시간대별 제약모듈; 및 상기 충전기에 의한 상기 배터리의 충전시, 전력량 초과 사용을 고려하여 충전되도록 제어하는 전력량초과사용 계산모듈을 더 포함할 수 있다.
본 발명의 다른 측면에 따르면, 전력 관리 방법에 있어서, 실외 환경에 대한 최대온도, 최소온도, 습도, 풍속, 일사량 중에서 일부 또는 이들의 조합을 포함하는 데이터를 획득하는 단계; 상기 데이터를 사용하여 기존의 전력사용량에 대한 상관관계를 분석하는 단계; 상기 상관관계의 분석 결과를 통해서 전력사용량을 예측하는 단계; 및 상기 전력사용량의 예측을 기준으로 보조 전력의 투입을 결정하는 단계를 포함하고, 상기 상관관계를 분석하는 단계는 상기 상관관계의 분석을 통해서 가장 연관관계가 있는 실외 환경의 요소에 대해 가중치를 부여하고, 이를 유사패턴의 전력사용량 예측시 보조수단으로 활용하도록 하는 전력사용량 예측기술을 활용한 전력 관리 방법이 제공된다.
상기 상관관계를 분석하는 단계는 유사패턴의 확보가 어려울 경우, 우선순위를 통해 예측 데이터를 선택하도록 할 수 있다.
본 발명에 따른 전력사용량 예측기술을 활용한 전력 관리 시스템 및 그 방법에 의하면, 실외 환경 요소를 고려한 사용 패턴과 노이즈에 대한 요소를 추가한 분석을 실시할 수 있도록 함으로써 신뢰성 높은 전력사용량을 예측할 수 있어 여름철과 겨울철 전력피크를 줄이고, 좀 더 효율적으로 에너지를 사용하고 절약할 수 있는 제어가 가능하도록 한다.
도 1은 본 발명의 일 실시예에 따른 전력사용량 예측기술을 활용한 전력 관리 시스템을 개략적으로 도시한 구성도이고,
도 2는 발 발명의 일 실시예에 따른 전력사용량 예측기술을 활용한 전력 관리 시스템을 구체적으로 도시한 구성도이고,
도 3은 전력사용량과 외부환경데이터를 도시한 도면이고,
도 4는 예측 부하사용량을 산출하는 과정을 나타낸 구성도이고,
도 5는 피크전력 저감방법을 도시한 도면이고,
도 6은 신경회로망 모델을 도시한 흐름도이고,
도 7 및 도 8은 시뮬레이션에 사용된 오피스건물의 여름철 사용량과 겨울철 부하사용량을 각각 나타낸 도면이고,
도 9는 신경망 알고리즘 이용한 전력부하 예측을 위해 과거의 전력사용량 데이터 입력과 기후변화 요소를 포함한 NET 설계를 나타낸 도면이고,
도 10 및 도 11은 여름철인 2010년 8월에 최대 피크를 나타낸 일주일에 대한 실제 사용량과 과거 전력사용량 입력요소를 사용한 모델과 기후요소를 입력요소로 추가한 예측 모델을 나타낸 도면이고,
도 12 및 도 13은 겨울철인 2010년 12월6일부터 2011년 1월3일까지 최대 피크를 나타낸 일주일의 실제 사용량과 예측 모델을 나타낸 도면이고,
도 14 및 도 15는 동일한 조건에서 Levenberg Marquardt 방법과 일반적으로 가장 많이 사용하는 역전파(Back propagation) 방법을 사용하여 여름철과 겨울철 부하사용에 대한 예측을 수행한 결과를 나타낸 도면이다.
본 발명은 다양한 변경에 의해 여러 가지의 실시예를 가질 수 있으므로, 특정 실시예들을 도면에 예시하여 상세히 설명하고자 한다. 이러한 특정한 실시예가 본 발명을 한정하는 것이 아니고, 본 발명의 기술 사상에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
이하에서는 첨부된 도면을 참조하여 본 발명에 따른 실시예를 상세히 설명하기로 하며, 도면 부호에 관계없이 동일하거나 대응하는 구성요소에 대해서는 동일한 참조 번호를 부여하고, 이에 대하여 중복되는 설명을 생략하기로 한다.
도 1은 본 발명의 일 실시예에 따른 전력사용량 예측기술을 활용한 전력 관리 시스템를 개략적으로 도시한 구성도이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 전력사용량 예측기술을 활용한 전력 관리 시스템은 외부환경 분류기모듈로부터 데이터를 전달받아 기존의 전력사용량과의 상관관계를 상관관계 계산모듈에 의해 분석하도록 하고, 상관관계 계산모듈에 의해 분석된 결과에 따라 보조 전력 등의 투입에 대한 우선순위를 우선순위 결정모듈에 의해 결정하도록 한다.
도 2를 참조하여 보다 구체적으로 설명하면, 본 발명의 일 실시예에 따른 전력사용량 예측기술을 활용한 전력 관리 시스템(10)은 실외 환경에 대한 최대온도, 최소온도, 습도, 풍속, 일사량 중에서 일부 또는 이들의 조합을 포함하는 데이터를 획득하는 외부환경 분류기모듈(11)과, 기존의 전력사용량에 대한 데이터를 저장하는 전력사용량 DB(12)와, 외부환경 분류기모듈(11)의 데이터와 전력사용량 DB(12)의 데이터간에 상관관계를 분석하는 상관관계 계산모듈(13)과, 상관관계 계산모듈(13)로부터 분석된 상관관계로부터 전력사용량을 예측하도록 하는 전력사용량 예측모듈(14)을 포함할 수 있다. 여기서, 전력사용량 DB(12)에 대한 수요량은 수요량 입력모듈(15)에 의해 이루어질 수 있다. 기존의 전력사용량과 실외 환경의 데이터 일례를 도 3에 나타내었으며, 이에 대해서는 후술하기로 한다.
본 발명의 일 실시예에 따른 전력사용량 예측기술을 활용한 전력 관리 시스템(10)에서, 전력사용량 예측모듈(14)로부터 예측한 전력사용량을 기준으로 전력사용 초과를 검출하는 전력사용 초과검출기(16)와, 전력사용 초과검출기(16)에 의해 검출된 결과로부터 보조전력 투입을 결정하는 보조전력 투입결정모듈(17)을 더 포함할 수 있다. 또한, 온라인(On-line) 학습을 통해 보조전력 투입결정모듈(17)에 의한 보조전력 투입의 결정에 가중치를 부여하기 위하여 온라인 학습모듈(18)이 마련될 수 있다.
본 발명의 일 실시예에 따른 전력사용량 예측기술을 활용한 전력 관리 시스템(10)은 보조전력 투입결정모듈(17)에 의해 투입이 결정되는 보조전력을 제공하는 배터리(19)가 마련될 수 있고, 배터리(19)의 직류전원을 교류전원으로 인버터(20)에 의해 변환하여 부하(2)에 제공할 수 있다. 이때, 부하(2)에는 평상시에 상용전원(1)이 공급될 수 있다. 또한 배터리(20)를 충전하기 위한 충전기(21)가 마련되는데, 충전기(21)에 의한 배터리(20)의 충전시, 시간대별 제약모듈(23)에 의해 시간대별 요금의 제약을 고려하여 충전되도록 제어할 수 있다. 또한 충전기(21)에 의한 배터리(20)의 충전시, 전력량초과사용 계산모듈(23)에 의해 전력량 초과 사용을 고려하여 충전되도록 제어할 수 있다.
본 발명의 다른 실시예에 따른 전력사용량 예측기술을 활용한 전력 관리 방법은 실외 환경에 대한 최대온도, 최소온도, 습도, 풍속, 일사량 중에서 일부 또는 이들의 조합을 포함하는 데이터를 외부환경 분류기모듈(11)에 의해 획득하는 단계와, 상기한 데이터를 사용하여 전력사용량 DB(12)의 기존 전력사용량에 대한 상관관계를 상관관계 계산모듈(13)에 의해 분석하는 단계와, 상기한 상관관계의 분석 결과를 통해서 전력사용량 예측모듈(14)에 의해 전력사용량을 예측하는 단계와, 상기한 전력사용량의 예측을 기준으로 보조전력 투입결정모듈(17)에 의해 보조 전력의 투입을 결정하는 단계를 포함할 수 있다.
전력사용량 예측모듈(14)에 의한 전력사용량(부하)을 예측하는 단계는 도 4에 나타내었으며, 이에 대해서는 후술하기로 한다.
상관관계를 분석하는 단계는 상관관계의 분석을 통해서 가장 연관관계가 있는 최대온도, 최소온도, 습도, 풍속, 일사량 등의 실외환경 요소에 대해 가중치를 부여하고, 이를 유사패턴의 전력사용량 예측시 보조수단으로 활용하도록 할 수 있다. 또한 상관관계를 분석하는 단계는 유사패턴의 확보가 어려울 경우, 우선순위를 통해 예측 데이터를 선택하도록 할 수 있다.
본 발명에 따른 전력사용량 예측기술을 활용한 전력 관리 방법에서 시간대별 사용요금(Time of use, 이하, "TOU"라 함)의 경우, 도 5에 도시된 바와 같이, 시간대별 및 계절에 따라 요금에 따라 경부하 시간대 또는 중부하 시간대에 충전을 통한 최대시간대 사용량을 확보하도록 할 수 있는데, 이때 대부분의 TOU 요금제 사용 건물의 경우, 거주자 사용시간이 09시에서 18시이며 겨울인 경우 09시의 난방전력사용이 높고, 여름철인 경우 외부환경에 따라 그 사용시간대가 좀 더 늦추어질 수 있다. 도 5에서, S1은 여름철 경부하시간대이고, S2는 여름철 중부하시간대이고, S3는 여름철 최대부하시간대이고, W1~W3은 겨울철에 대한 요금제이다.
이와 같은 본 발명에 따른 전력사용량 예측기술을 활용한 전력 관리 방법을 보다 상세히 설명하면 다음과 같다.
일반적으로 하루 시간단위의 부하예측 요소는 사용 규모나 패턴에 따라 가정용, 상업용, 산업용으로 구분될 수 있으며, 온도, 습도, 풍속 등의 날씨 상태요소, 최근 사용한 부하 패턴, 시간적 특성, 일주일 단위, 계절적 부하사용, 특정행사에 대한 이벤트, 완만한 부하사용과 급속한 전력 사용 등의 부하분포, 수요측 관리 계획 등에 의해 모델링이 달라질 수 있다.
예측된 부하를 이용하여 전력 사용을 관리할 수 있는 시스템을 설계하기 위해서는 실제 사용되는 패턴과 같은 모델이 필요하기 때문에 보다 많은 요소를 고려해야 한다.
전력부하에 대한 수학적인 표현은 아래의 수학식 1에 의해 나타낼 수 있으며, 시간, 날씨, 사용자 패턴 등의 다양한 요소로 나타낼 수 있다.
[수학식 1]
Figure 112012104149512-pat00001
여기서
Figure 112012104149512-pat00002
은 예측부하의 전체합계이고, Ln은 부하의 정상부하이고, Lw는 부하의 기후감도이고, Ls는 사용부하 패턴 변화중 발생하는 특이한 이벤트 요소이고, Lr은 불규칙한 노이즈 부분으로 나타낼 수 있다.
부하예측을 위한 알고리즘으로 유사일(Similar day)접근법, 회귀모델(Regression model), 시계열(Time series), 신경회로망(Neural network), 전문가 시스템(Expert system), 퍼지로직(Fuzzy logic), 확률(Stochastic)시계열 모델 등이 사용되고 있다. 이러한 방법들은 수학적 분석을 가능하게 하며 정량적과 정성적 방법으로 나타낼 수 있다. 먼저 정적인 방법을 사용하는 부하예측 알고리즘 회귀방법을 사용하여 부하에 대한 수학적 모델을 나타내면 아래의 수학식 2와 같다
[수학식 2]
Figure 112012104149512-pat00003
여기서
Figure 112012104149512-pat00004
는 시간 t에서 정상 또는 표준 부하이고, ai는 추정된 변화 계수이며, xi(t)는 날씨 등의 독립적인 영향 인자를 나타내고, ε(t)는 화이트노이즈 요소이고, N은 관측의 수를 나타내며, 일반적으로 24 시간 또는 168 시간으로 선정한다.
다른 부하예측을 위한 방법 중의 한가지인 시계열 방법은 자기상관(Autocorrelation), 경향(Trend) 또는 계절적 변동 등의 구조를 가진 데이터를 추정하는 방법이며, 아래의 수학식 3과 같다.
[수학식 3]
Figure 112012104149512-pat00005
여기서
Figure 112012104149512-pat00006
는 표준 부하값, S(t)는 계절유형, 그리고 R(t)는 비정규 또는 랜덤 요소이다.
부하를 예측하는 방법 중 가장 간단한 방법은 하루의 시간대로 나타내는 방법이다. 예측모델은 현재 주(Present week) 부하를 예측하기 위해 전주(Previous week)의 사용된 부하패턴을 사용하게 되며, 아래의 수학식 4와 같다.
[수학식 4]
Figure 112012104149512-pat00007
여기서
Figure 112012104149512-pat00008
는 시간 t에서 부하를 나타내는데, 이 부하는 명시적 시간 함수 fi(t)의 합을 고려하여야 하며 일반적으로 24시간 또는 168시간의 주기를 가지며, 변화계수, ε(t)는 에러형태를 나타낸다.
인간 두뇌는 수많은 뉴런(Neuron)들이 서로 거미줄처럼 연결되어 있는 구조를 이루고 있다고 알려져 있다. 뉴로 컴퓨터의 정보 저장에 있어서 특정한 응용 목적에 따라 뉴런간의 연결강도(Connection weight)를 변화시키는 과정을 학숩(Learning)이라 한다. 뉴로컴퓨터의 학습에 있어서 어떤 신경망 모델 또는 어떤 학습방법을 선택하느냐에 따라 학습 시간이 빨라지기도 하고 느려지기도 하며, 심지어는 영원히 학습이 되지 않을 수 도 있다는 사실을 염두해 두어야 한다. 신경망은 NET안에서 발생하는 일들을 정확하게 수식적으로 표현하기 힘든 블랙박스로 간주하고 있다. 이는 신경망 자체가 구조적으로 볼 때 매우 복잡하기 때문이기도 하다. 뉴런의 수가 몇 백 개씩 되면 그에 상응하는 가중치의 수는 더 많아지게 된다. 각 가중치 값은 뉴런 사이의 연결의 의미를 갖고 있으므로 많은 가중치 값을 해석한다는 것은 매우 어려운 일이다. 신경망 모델은 앞서 언급한 도 4에서와 같이 나타낼 수 있다.
예측된 출력
Figure 112012104149512-pat00009
는 아래의 수학식 5로 나타낼 수 있다.
[수학식 5]
Figure 112012104149512-pat00010
여기서 ωi는 오차를 최소화할 때까지 지속적으로 갱신되는 가중치이고, xi 는 입력, b는 뉴론이 활성화되기 위한 최소한계치를 나타내는 바이어스이다.
기후의 상태와 부하사용량은 밀접한 관계에 있으므로 각각의 기후 상태와 사용부하와 상관관계는 아래의 수학식 6을 통해 확인할 수 있다.
[수학식 6]
Figure 112012104149512-pat00011
기후와의 상관관계를 확인한 후 부하변화와 온도, 습도, 풍속에 대한 기후변화요소의 변수를 아래의 수학식 7 내지 수학식 10과 같이 나타내내었다.
[수학식 7]
Figure 112012104149512-pat00012
[수학식 8]
Figure 112012104149512-pat00013
[수학식 9]
Figure 112012104149512-pat00014
[수학식 10]
Figure 112012104149512-pat00015
여기서 L(t)는 시간 t에서 부하사용량이며, L(t-1)은 이전 시간에서 부하 사용량을 나타내며, 온도, 습도, 풍속의 경우도 부하사용량과 같은 형태의 시간을 나타낸다. 예측된 출력
Figure 112012104149512-pat00016
는 아래의 수학식 11과 같이 나타낼 수 있다.
[수학식 11]
Figure 112012104149512-pat00017
여기서 L(t-1)과 L(t-2)는 이전의 2시간을 나타내고 L(t-168)과 L(t-169)는 이전의 주에 대한 과거 부하 사용량을 나타낸다.
본 발명에서 언급한 신경회로망 학습은 수렴속도가 매우 뛰어난 Conjugate Gradient나 Newton 알고리즘의 변형인 Levenberg Marquardt 방법을 사용한다. 도 6에 나타내었으며, 절차는 네트워크 구조를 설계하고 파라미터를 선정하여 학습을 진행한 후 오차를 계산하여 목표에 도달했을 때 종료한다.
컴퓨터 시뮬레이션은 지상 11층, 지하 4층의 상업용 빌딩으로 계약전력은 1000[kw], 일반(을)고압A(선택1)를 선택하고 있는 상업용 오피스빌딩의 부하사용량에 대하여 적용하였다. 신경망 모델 적용을 위해 외부의 기후 상태 요소 중 온도, 습도, 풍속 데이터와 부하사용량의 상관관계를 해석한 후 냉방부하의 사용량이 최대인 여름철과 난방부하 사용량이 최대인 겨울철에 대한 부하예측에 대한 결과를 확인하였다. 또한 컴퓨터 시뮬레이션은 전력사용량만을 사용한 모델과 기후변화요소의 데이터를 추가로 사용한 모델에 대해 각각 시뮬레이션하여 그 결과 값을 비교 하였다.
시뮬레이션에 사용된 오피스건물의 여름철 사용량와 겨울철 부하사용량은 도 7 및 도 8과 같다. 여름철 부하사용량은 최대사용량 340.35[kW], 최소사용량 50.18[kW], 평균 150.6[kW]이고, 겨울철 부하사용량은 최대사용량 239.19[kW], 최소사용량 42.54[kW], 평균 106.23[kW]이다. 상대적으로 여름철 전력부하 사용량이 높게 나타나고 있는 것은 겨울철의 경우 보일러를 사용하여 난방을 이용하기 때문이다.
전력사용량 패턴은 월요일부터 금요일까지 일정한 패턴의 전력사용량을 나타내고 있었으며, 토요일과 일요일에는 상대적으로 사용량이 적게 나타나고 있다. 다만 토요일인 경우 행사 등으로 인해 주말마다 전력사용량이 조금씩 다르게 나타나고 있으며 8월 15일인 경우 광복절로 공휴일이나 일요일과 겹쳐 고려할 대상에 포함하지 않았다. 전력사용량의 최대 피크는 주로 월요일 9시에서 10시 사이에 나타나고 있으며, 온도가 올라가면 전력사용량도 증가하나 습도인 경우 반대로 떨어지는 패턴을 보여주고 있으며, 풍속인 경우 외부의 풍속변화가 내부의 실내온도변화에 미치는 영향이 없음을 알 수 있다.
앞서 언급한 도 3의 좌측 3개 그래프는 2010년 7월 26일부터 2010년 8월 23일까지의 여름철 전력사용량과 온도, 습도, 풍속데이터이다. 또한 도 3의 우측 3개 그래프와 아래의 표 1은 외부의 기후변화는 전력부하 사용에 영향을 나타낸 것으로 온도와 풍속의 경우 정으로 나타나고, 습도의 경우 음으로 나타난다. 상대적으로 여름철의 경우가 기후상태와 전력사용량의 영향이 크게 나타나는 것을 확인할 수 있다.
[표 1]
Figure 112012104149512-pat00018
신경망 알고리즘 이용한 전력부하 예측을 위해 과거의 전력사용량 데이터 입력과 기후변화 요소를 포함한 도 9와 같은 NET 설계를 하였다. 입력에 1∼4는 전력부하 사용량이며, 5는 온도, 6은 습도, 7은 풍속 입력으로 사용되며, 10개의 은닉층과 1개의 출력층으로 설계하였다.
도 10 및 도 11은 여름철인 2010년 8월에 최대 피크를 나타낸 일주일에 대한 실제 사용량과 과거 전력사용량 입력요소를 사용한 모델과 기후요소를 입력요소로 추가한 예측 모델을 나타내었다. 기후변화 요소를 고려하지 않은 출력에서는 전력 피크에 대한 출력값의 오차가 나타나고 있으나, 기후변화 요소를 추가한 예측모델에서는 피크 전력값에 근접함을 알 수 있다. 토요일과 일요일 사용량에 오차가 나타났으나, 날씨 변수를 추가한 모델에서 그 오차가 작게 나타남을 알 수 있다.
도 12 및 도 13은 겨울철인 2010년 12월6일부터 2011년 1월3일까지 최대 피크를 나타낸 일주일의 실제 사용량과 예측 모델을 나타내었다. 기후변화 요소를 고려하지 않은 출력에서는 전반적으로 오차를 보였으나, 기후 변화요소의 변수를 추가한 모델에서는 거의 일치하게 나타났다. 그리고 겨울철인 경우 온도를 제외한 습도, 풍속과의 연관성이 여름철과 비교해 외부요인의 영향이 없음을 알 수 있다.
도 14 및 도 15는 동일한 조건에서 Levenberg Marquardt 방법과 일반적으로 가장 많이 사용하는 역전파(Back propagation) 방법을 사용하여 여름철과 겨울철 부하사용에 대한 예측을 수행한 결과이다. 실제 전력사용량 예측에 있어 피크전력 사용에 대한 예측이 역전파 알고리즘에 비해 Levenberg Marquardt 방법을 사용하였을 때 최대값에 근사한 결과를 나타내고 있음을 확인할 수 있다.
이와 같이, 본 발명에 따르면, 향후 빌딩내부의 변수인 실내 온도, 습도 등의 요소를 고려한 사용 패턴과 노이즈에 대한 요소를 추가한 분석을 실시하게 됨으로써 신뢰성 높은 전력사용량(부하사용)을 예측할 수 있어 여름철과 겨울철 전력피크를 줄이고, 좀 더 효율적으로 에너지를 사용하고 절약할 수 있는 제어가 가능하며, 이로 인해 전력사용량 예측을 정확하게 수행하도록 하며, 사용전력의 제한을 최소화하여 수용가의 불편을 해소하도록 한다.
이와 같이 첨부된 도면을 참조하여 본 발명을 설명하였으나, 본 발명의 기술 사상을 벗어나지 않는 범위 내에서 다양한 변형이 이루어질 수 있다. 따라서, 본 발명의 범위는 상기한 실시예에 국한되어 정해져서는 안되며, 특허청구범위뿐만 아니라 이러한 특허청구범위와 균등한 것들에 의해 정해져야 한다.
1 : 상용전원 2 : 부하
11 : 외부환경 분류기모듈 12 : 전력사용량 DB
13 : 상관관계 계산모듈 14 : 전력사용량 예측모듈
15 : 수요량 입력모듈 16 : 전력사용 초과검출기
17 : 보조전력 투입결정모듈 18 : 온라인 학습모듈
19 : 배터리 20 : 인버터
21 : 충전기 22 : 시간대별 제약모듈
23 : 전력량초과사용 계산모듈

Claims (5)

  1. 전력 관리 시스템에 있어서,
    실외 환경에 대한 최대온도, 최소온도, 습도, 풍속, 일사량 중에서 일부 또는 이들의 조합을 포함하는 데이터를 획득하는 외부환경 분류기모듈;
    기존의 전력사용량에 대한 데이터를 저장하는 전력사용량 DB;
    상기 외부환경 분류기모듈의 데이터와 상기 전력사용량 DB의 데이터간에 상관관계를 분석하는 상관관계 계산모듈;
    상기 상관관계 계산모듈로부터 분석된 상관관계로부터 전력사용량을 예측하도록 하는 전력사용량 예측모듈;
    상기 전력사용량 예측모듈로부터 예측한 전력사용량을 기준으로 전력사용 초과를 검출하는 전력사용 초과검출기; 및
    상기 전력사용 초과검출기에 의해 검출된 결과로부터 보조전력 투입을 결정하는 보조전력 투입결정모듈을 포함하는 것을 특징으로 하는 전력사용량 예측기술을 활용한 전력 관리 시스템.
  2. 제 1 항에 있어서, 온라인 학습을 통해 상기 보조전력 투입결정모듈에 의한 보조전력 투입의 결정에 가중치를 부여하는 온라인 학습모듈을 더 포함하는 것을 특징으로 하는 전력사용량 예측기술을 활용한 전력 관리 시스템.
  3. 제 1 항에 있어서, 상기 보조전력 투입결정모듈에 의해 투입이 결정되는 보조전력을 제공하는 배터리;
    상기 배터리의 직류전원을 교류전원으로 변환하는 인버터;
    상기 배터리를 충전하기 위한 충전기;
    상기 충전기에 의한 상기 배터리의 충전시, 시간대별 요금의 제약을 고려하여 충전되도록 제어하는 시간대별 제약모듈; 및
    상기 충전기에 의한 상기 배터리의 충전시, 전력량 초과 사용을 고려하여 충전되도록 제어하는 전력량초과사용 계산모듈을 더 포함하는 것을 특징으로 하는 전력사용량 예측기술을 활용한 전력 관리 시스템.
  4. 전력 관리 방법에 있어서,
    실외 환경에 대한 최대온도, 최소온도, 습도, 풍속, 일사량 중에서 일부 또는 이들의 조합을 포함하는 데이터를 획득하는 단계;
    상기 데이터를 사용하여 기존의 전력사용량에 대한 상관관계를 분석하는 단계;
    상기 상관관계의 분석 결과를 통해서 전력사용량을 예측하는 단계; 및
    상기 전력사용량의 예측을 기준으로 보조 전력의 투입을 결정하는 단계를 포함하고,
    상기 상관관계를 분석하는 단계는,
    상기 상관관계의 분석을 통해서 가장 연관관계가 있는 실외 환경의 요소에 대해 가중치를 부여하고, 이를 유사패턴의 전력사용량 예측시 보조수단으로 활용하도록 하고,
    상기 상관관계를 분석하는 단계는,
    유사패턴의 확보가 어려울 경우, 우선순위를 통해 예측 데이터를 선택하도록 하는 것을 특징으로 하는 전력사용량 예측기술을 활용한 전력 관리 방법.
  5. 삭제
KR1020120146138A 2012-12-14 2012-12-14 전력사용량 예측기술을 활용한 전력 관리 시스템 및 그 방법 KR101364495B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020120146138A KR101364495B1 (ko) 2012-12-14 2012-12-14 전력사용량 예측기술을 활용한 전력 관리 시스템 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020120146138A KR101364495B1 (ko) 2012-12-14 2012-12-14 전력사용량 예측기술을 활용한 전력 관리 시스템 및 그 방법

Publications (1)

Publication Number Publication Date
KR101364495B1 true KR101364495B1 (ko) 2014-02-20

Family

ID=50271353

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020120146138A KR101364495B1 (ko) 2012-12-14 2012-12-14 전력사용량 예측기술을 활용한 전력 관리 시스템 및 그 방법

Country Status (1)

Country Link
KR (1) KR101364495B1 (ko)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105303250A (zh) * 2015-09-23 2016-02-03 国家电网公司 一种基于最优权系数的风电功率组合预测方法
KR20170106686A (ko) 2016-03-14 2017-09-22 삼성에스디에스 주식회사 가정의 에너지 사용량 예측 방법 및 장치
KR101836439B1 (ko) * 2017-09-01 2018-03-09 주식회사 텔다 전력 수용가에 설치된 ess의 충방전 알고리즘 예측 시스템
KR20190088083A (ko) * 2017-12-18 2019-07-26 두산중공업 주식회사 전력 사용량 예측 시스템 및 방법
KR102036243B1 (ko) * 2018-07-17 2019-10-24 숭실대학교산학협력단 전력 사용량 예측 장치 및 방법
WO2019216449A1 (ko) * 2018-05-09 2019-11-14 주식회사 알고리고 전력수요 데이터와 이종데이터의 시공간적 융합을 통한 시계열 인공신경망 전기차 전력수요예측 방법 및 장치

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110130210A (ko) * 2010-05-27 2011-12-05 이상영 복합형 태양발전 컨트롤러
KR20120034708A (ko) * 2012-03-23 2012-04-12 (주)유케이비 전력저장 축전시스템
KR101203842B1 (ko) * 2010-12-28 2012-11-21 엘지전자 주식회사 에너지 관리장치의 제어방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110130210A (ko) * 2010-05-27 2011-12-05 이상영 복합형 태양발전 컨트롤러
KR101203842B1 (ko) * 2010-12-28 2012-11-21 엘지전자 주식회사 에너지 관리장치의 제어방법
KR20120034708A (ko) * 2012-03-23 2012-04-12 (주)유케이비 전력저장 축전시스템

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105303250A (zh) * 2015-09-23 2016-02-03 国家电网公司 一种基于最优权系数的风电功率组合预测方法
KR20170106686A (ko) 2016-03-14 2017-09-22 삼성에스디에스 주식회사 가정의 에너지 사용량 예측 방법 및 장치
KR101836439B1 (ko) * 2017-09-01 2018-03-09 주식회사 텔다 전력 수용가에 설치된 ess의 충방전 알고리즘 예측 시스템
KR20190088083A (ko) * 2017-12-18 2019-07-26 두산중공업 주식회사 전력 사용량 예측 시스템 및 방법
KR102089772B1 (ko) * 2017-12-18 2020-03-17 두산중공업 주식회사 전력 사용량 예측 시스템 및 방법
US11092628B2 (en) 2017-12-18 2021-08-17 Doosan Heavy Industries & Construction Co., Ltd. Power usage prediction system and method
WO2019216449A1 (ko) * 2018-05-09 2019-11-14 주식회사 알고리고 전력수요 데이터와 이종데이터의 시공간적 융합을 통한 시계열 인공신경망 전기차 전력수요예측 방법 및 장치
KR102036243B1 (ko) * 2018-07-17 2019-10-24 숭실대학교산학협력단 전력 사용량 예측 장치 및 방법

Similar Documents

Publication Publication Date Title
Wei et al. Prediction of occupancy level and energy consumption in office building using blind system identification and neural networks
Lissa et al. Deep reinforcement learning for home energy management system control
KR101364495B1 (ko) 전력사용량 예측기술을 활용한 전력 관리 시스템 및 그 방법
Mohan et al. An efficient two stage stochastic optimal energy and reserve management in a microgrid
Huang et al. Mixed deep reinforcement learning considering discrete-continuous hybrid action space for smart home energy management
Vijayalakshmi et al. Prediction of virtual energy storage capacity of the air-conditioner using a stochastic gradient descent based artificial neural network
Cárdenas et al. Load forecasting framework of electricity consumptions for an Intelligent Energy Management System in the user-side
Sala-Cardoso et al. Activity-aware HVAC power demand forecasting
JP2020501491A (ja) 動的エネルギーストレージシステム制御のためのシステムおよび方法
Zheng et al. Spatial granularity analysis on electricity consumption prediction using LSTM recurrent neural network
Kodaira et al. Optimal energy storage system operation for peak reduction in a distribution network using a prediction interval
Mai et al. Electric load forecasting for large office building based on radial basis function neural network
Zelazo et al. An energy management system for off-grid power systems
Lee et al. Artificial intelligence implementation framework development for building energy saving
Azeem et al. Integration of renewable distributed generation with storage and demand side load management in rural islanded microgrid
Jang et al. Optimal HVAC system operation using online learning of interconnected neural networks
Tao et al. A data-driven management strategy of electric vehicles and thermostatically controlled loads based on modified generative adversarial network
Blonsky et al. Home energy management under realistic and uncertain conditions: A comparison of heuristic, deterministic, and stochastic control methods
Abbas et al. An improved optimal forecasting algorithm for comprehensive electric vehicle charging allocation
US11436691B2 (en) Systems and methods of managing energy cost of a building
Kim et al. Application of intelligent load control to manage building loads to support rapid growth of distributed renewable generation
KR20210133066A (ko) 건물 내 에너지 최적 제어 장치 및 방법
Langner et al. Model predictive control of distributed energy resources in residential buildings considering forecast uncertainties
Paridari et al. A plug-and-play home energy management algorithm using optimization and machine learning techniques
Li et al. A sustainable and user-behavior-aware cyber-physical system for home energy management

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20170102

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20180122

Year of fee payment: 5

FPAY Annual fee payment

Payment date: 20181212

Year of fee payment: 6

FPAY Annual fee payment

Payment date: 20200128

Year of fee payment: 7