KR102020007B1 - 강화학습 기반의 에너지 사용량 가상데이터 생성시스템 - Google Patents
강화학습 기반의 에너지 사용량 가상데이터 생성시스템 Download PDFInfo
- Publication number
- KR102020007B1 KR102020007B1 KR1020170172599A KR20170172599A KR102020007B1 KR 102020007 B1 KR102020007 B1 KR 102020007B1 KR 1020170172599 A KR1020170172599 A KR 1020170172599A KR 20170172599 A KR20170172599 A KR 20170172599A KR 102020007 B1 KR102020007 B1 KR 102020007B1
- Authority
- KR
- South Korea
- Prior art keywords
- data
- model
- energy
- unit
- verification
- Prior art date
Links
- 238000012360 testing method Methods 0.000 claims abstract description 61
- 238000012795 verification Methods 0.000 claims abstract description 43
- 230000002787 reinforcement Effects 0.000 claims abstract description 38
- 238000012790 confirmation Methods 0.000 claims abstract description 16
- 238000005265 energy consumption Methods 0.000 claims description 16
- 238000007726 management method Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 11
- 238000013500 data storage Methods 0.000 claims description 10
- 238000000034 method Methods 0.000 claims description 6
- 238000013499 data model Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 230000003014 reinforcing effect Effects 0.000 claims 1
- 238000012549 training Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 4
- 238000010438 heat treatment Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000012038 vulnerability analysis Methods 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Physiology (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명의 강화학습 기반의 에너지 사용량 가상데이터 생성시스템은, 외부로부터 실제 수집된 에너지 사용량 데이터 및 에너지 사용패턴 데이터를 입력 받고, 강화학습 기반의 보상 값 조정을 통해 제1 모델을 생성하며, 생성된 제1 모델에 대한 시험 및 검증을 통해 획득된 검증확정 모델을 이용하여 스마트시티 에너지관리시스템(Smart City Energy Management System)을 시험하기 위한 테스트용 가상데이터를 생성하는 비즈니스 로직부를 제공함에 기술적 특징이 있다.
Description
본 발명은 강화학습 기반의 에너지 사용량 가상데이터 생성시스템에 관한 것으로, 더욱 상세하게는 외부로부터 실제 수집된 에너지 사용량 데이터 및 에너지 사용패턴 데이터를 입력 받고, 강화학습 기반의 보상 값 조정을 통해 제1 모델을 생성하며, 생성된 제1 모델에 대한 시험 및 검증을 통해 획득된 검증확정 모델을 이용하여 스마트시티 에너지관리시스템(Smart City Energy Management System)을 시험하기 위한 테스트용 가상데이터를 생성하는 비즈니스 로직부를 제공하는, 강화학습 기반의 에너지 사용량 가상데이터 생성시스템에 관한 것이다.
최근 스마트 미터기를 통한 도시 에너지 사용량 계량에는 AMR(Auto Meter Reading)/AMI(Advanced Metering Infrastructure) 기술이 적용되어 검침주기(이를테면, 1시간, 15분, 5분 등)에 따라 시스템에서 자동으로 원격 검침하여 데이터를 서버로 수집하고 있다.
산업통상 자원부 조사(2016.2 발표)에 따르면 전력/수도/난방에는 스마트 미터기가 보급되어 활용하고 있고, 전력의 경우는 계획에 따라 순차적으로 확대 보급예정이나 가스의 경우 자동검침이 전무한 상태이다.
스마트 계량기가 보급되지 않은 에너지 사용 고객에 대해서는 검침원에 의한 월 1회 수기검침을 하고 있다.
또한, 도시에 공급되고 소비되는 에너지 사용량에 대한 데이터가 한곳으로 통합되어 관리되지 않고 있어, 스마트 시티 에너지관리시스템(Smart City Energy Management System)이 활용하기에 어려움이 있다.
그런데, 에너지별(전력/수도/난방/가스) 공급기관은 월 사용량을 공공데이터 포탈을 통해 데이터를 공개하고 있고, 국토부에서도 건물에너지 효율평가를 위해 수집한 월 에너지 사용량을 국가건물통합 관리시스템을 통해 데이터를 공개하고 있어 에너지관리시스템에 완벽하게 부합되지 않더라도 활용이 가능하다.
하지만, 종래기술은 테스트용 가상데이터를 생성하고, 생성된 테스트용 가상데이터를 이용하여 스마트 시티 에너지관리시스템(Smart City Energy Management System)의 에너지 사용현황 모니터링, 수요예측, 에너지 효율 등의 각종 기능을 테스트할 수 있도록 해주는 기술을 제공하지 못하는 문제점이 있었다.
본 발명이 해결하고자 하는 기술적 과제는, 외부로부터 실제 수집된 에너지 사용량 데이터 및 에너지 사용패턴 데이터를 입력 받고, 강화학습 기반의 보상 값 조정을 통해 제1 모델을 생성하며, 생성된 제1 모델에 대한 시험 및 검증을 통해 획득된 검증확정 모델을 이용하여 스마트시티 에너지관리시스템(Smart City Energy Management System)을 시험하기 위한 테스트용 가상데이터를 생성하는 비즈니스 로직부를 제공하는, 강화학습 기반의 에너지 사용량 가상데이터 생성시스템을 제공하는데 있다.
상기 기술적 과제를 이루기 위한 본 발명에 따른 강화학습 기반의 에너지 사용량 가상데이터 생성시스템은, 외부로부터 실제 수집된 에너지 사용량 데이터 및 에너지 사용패턴 데이터를 입력 받고, 강화학습 기반의 보상 값 조정을 통해 제1 모델을 생성하며, 생성된 제1 모델에 대한 시험 및 검증을 통해 획득된 검증확정 모델을 이용하여 스마트시티 에너지관리시스템(Smart City Energy Management System)을 시험하기 위한 테스트용 가상데이터를 생성하는 비즈니스 로직부를 제공한다.
본 발명은 에너지 월 사용량과 에너지 사용패턴 통계 데이터를 이용하여 가상 데이터를 생성하기 위한 함수를 생성하지 않고, 강화학습 인공지능 알고리즘만으로 에너지 사용패턴과 유사한 데이터 생성 모델을 통해 월(12개월), 일(월별 달력일수), 시간(24시간) 별 사용량에 대한 테스트용 가상데이터를 자동으로 생성할 수 있는 기술적 효과가 있다.
또한 본 발명은 스마트 미터기의 실제 계량데이터가 없는 경우라도, 에너지 월사용 데이터를 토대로 일별, 요일별, 계절별 사용 패턴을 적용하여 시간, 일, 월 별 사용량에 대한 테스트용 가상데이터의 생성이 가능하기 때문에, 사전에 스마트시티 에너지관리시스템(Smart City EMS)의 기능을 충분히 테스트 할 수 있는 기술적 효과가 있다.
도 1은 본 발명에 따른 에너지 사용량 가상데이터 생성시스템과 스마트시티 에너지관리시스템 간의 관계를 개략적으로 나타낸 것이다.
도 2는 본 발명에 따른 에너지 사용량 가상데이터 생성시스템의 주요 구성을 나타낸 것이다.
도 3은 본 발명에 따른 비즈니스 로직부에서 테스트용 가상데이터를 생성하는 프로세스를 나타낸 것이다.
도 4는 본 발명에 따른 실시예로, 에너지사용량 데이터 및 에너지 사용패턴 데이터를 이용하여 테스트용 가상데이터를 생성할 때 각각의 데이터들의 상태를 나타낸 것이다.
도 2는 본 발명에 따른 에너지 사용량 가상데이터 생성시스템의 주요 구성을 나타낸 것이다.
도 3은 본 발명에 따른 비즈니스 로직부에서 테스트용 가상데이터를 생성하는 프로세스를 나타낸 것이다.
도 4는 본 발명에 따른 실시예로, 에너지사용량 데이터 및 에너지 사용패턴 데이터를 이용하여 테스트용 가상데이터를 생성할 때 각각의 데이터들의 상태를 나타낸 것이다.
이하에서는 본 발명의 구체적인 실시예를 도면을 참조하여 상세히 설명하도록 한다.
도 1은 본 발명에 따른 에너지 사용량 가상데이터 생성시스템과 스마트시티 에너지관리시스템 간의 관계를 개략적으로 나타낸 것이다.
도 1을 참조하면, 본 발명에 따른 에너지 사용량 가상데이터 생성시스템(100)은 에너지 월 사용량과 에너지 사용패턴 통계 데이터를 이용하여 가상 데이터를 생성하기 위한 함수를 생성하지 않고, 강화학습 인공지능 알고리즘만으로 에너지 사용패턴과 유사한 데이터 생성 모델을 통해 테스트용 가상데이터(t10)를 생성하고, 이를 이용하여 스마트시티 에너지관리시스템(Smart City Energy Management System, 200)의 에너지 사용현황 모니터링, 수요예측, 에너지 효율 등의 기능을 테스트할 수 있도록 해준다.
스마트시티 에너지관리시스템(200)은 도시에서 소비되는 에너지원별(이를테면, 전력, 수도, 가스, 난방 등) 사용량을 계측한 데이터를 중앙서버에서 수집하여 분석 및 가공한 후 에너지 소비패턴 및 통계, 수요량 예측, 에너지 사용 취약점 분석, 에너지 수급계획 등 필요에 따라 다양한 용도로 사용할 수 있도록 해준다.
또한 스마트시티 에너지관리시스템(200)은 ICT 기술을 이용하여 에너지의 생산/공급 시스템을 모니터링 및 제어함으로써, 도시에서 소비되는 에너지의 효율적 사용과 운영을 목적으로 하고 있기 때문에, 에너지 소비현황에 대한 실시간 데이터가 필요하고, 에너지 공급기관별로 흩어져 있는 데이터 통합이 필요하다.
본 발명은, 상기 스마트시티 에너지관리시스템(Smart City EMS, 200)의 특성을 고려하여, 실제 에너지 사용량 데이터를 사용하지 않고, 에너지 사용량 가상데이터 생성시스템(100)을 통해 생성된 테스트용 가상데이터(t10)를 사용하여 스마트시티 에너지관리시스템(Smart City EMS, 200)의 에너지 사용현황 모니터링, 수요예측, 에너지 효율 등의 각종 기능을 테스트하는 기술을 제공하는데, 상기 테스트용 가상데이터(t10)의 생성 방법 등에 대한 상세한 설명은 이하 도 2 ~ 도 4에서 후술한다.
도 2는 본 발명에 따른 에너지 사용량 가상데이터 생성시스템의 주요 구성을 나타낸 것이고, 도 3은 본 발명에 따른 비즈니스 로직부에서 테스트용 가상데이터를 생성하는 프로세스를 나타낸 것이며, 도 4는 본 발명에 따른 실시예로, 에너지사용량 데이터 및 에너지 사용패턴 데이터를 이용하여 테스트용 가상데이터를 생성할 때 각각의 데이터들의 상태를 나타낸 것이다.
도 2를 참조하면, 본 발명에 따른 에너지 사용량 가상데이터 생성시스템(100)은 사용자 인터페이스부(110), 비즈니스 로직부(120) 및 데이터 저장부(130)를 포함한다.
이하 도 2 ~ 도 4를 참조하여, 본 발명에 따른 에너지 사용량 가상데이터 생성시스템(100)의 주요 구성 및 각각의 기능에 대해 상세히 설명한다.
우선, 사용자 인터페이스부(110)는 강화학습 실행 UI부(111), 생성모델 확인 UI부(112) 및 가상데이터 실행 UI부(113)를 포함한다.
여기서 강화학습 실행 UI부(111)는 비즈니스 로직부(120)의 강화학습 실행부(121)가 수행되도록 각종 실행 명령을 전달한다.
생성모델 확인 UI부(112)는 비즈니스 로직부(120)의 생성모델 시험 및 검증부(122)가 수행되도록 각종 실행 명령을 전달하며, 상기 생성모델 시험 및 검증부(122)의 유사성 검증 시 사용자 인터페이스 기반의 화면을 제공한다.
가상데이터 실행 UI부(113)는 비즈니스 로직부(120)의 가상데이터 생성부(123)가 수행되도록 각종 실행 명령을 전달하며, 상기 가상데이터 생성부(123)의 테스트용 가상데이터(t10) 생성을 위한 생성 시나리오(시간, 일, 월) 및 테스용 데이터 생성기간의 입력 값을 제공한다.
다음으로, 비즈니스 로직부(120)는 강화학습 실행부(121), 생성모델 시험 및 검증부(122) 및 가상데이터 생성부(123)를 포함한다.
도 2 및 도 3을 참조하면, 우선, 강화학습 실행부(121)는 데이터 저장부(130)의 에너지 사용량 DB부(131a)에서 제공하는 제1 입력값(a1) 및 데이터 저장부(130)의 에너지 사용패턴 DB부(131b)에서 제공하는 제2 입력값(a2)을 입력 받아, 강화학습 기반의 보상값 조정을 통해 월(12개월), 일(월별 달력일수), 시간(24시간) 별 사용량 데이터 모델을 생성한다.
이를 부연설명하면, 일반적으로 강화학습은 학습 데이터 없이 주어진 문제를 해결하기 위해 에이전트(agent)의 행동에 대해 기대되는 미래 보상의 합을 최대로 하는 정책 함수(policy function)를 찾는 알고리즘으로, 주어진 상태에서 어떤 행동을 하고 환경을 알려주어 상태와 보상(reward)을 받아 문제의 해답을 자동으로 찾아가도록 하는 기계학습 방법이다.
본 발명의 경우, 강화학습의 알고리즘으로 외부 시스템인 인공지능 오픈 플랫폼 텐서플로의 알고리즘 인 DQN(DEEP Q-NETWORK)를 사용하였지만, 기타 DBN(Deep Belief Network) 등을 사용할 수도 있다.
이 경우 생성모델 시험 및 검증부(122)의 보상 값(reward) 조정모델을 이용하여 생성모델 결과에 대한 보상 값(reward)을 조정 값으로 하여, 강화학습 실행부(121)의 리워드 입력값(r1)으로(기본 값으로 0.9 사용) 만족하는 조정이 이루어 질때 까지 피드 백 되어 입력 된다.
상기 제1 입력값(a1)은 데이터 저장부(130)의 에너지 사용량 DB부(131a)에서 제공하는 실제 에너지 사용량(에너지 사용량 데이터(d10))으로(도 3 참조), 이를테면, 에너지원별 요일별(평일, 휴일), 계절별, 시간대별, 월별 사용량 통계치 등을 이용할 수 있다. (도 4 참조)
상기 제2 입력값(a2)은 데이터 저장부(130)의 에너지 사용패턴 DB부(131b)에서 제공하는 실제 에너지 사용패턴(에너지 사용패턴 데이터(d20))으로(도 3 참조), 이를테면, 에너지원별 요일별(평일, 휴일), 계절별, 시간대별, 월별 사용패턴 등을 이용할 수 있다. (도 4 참조)
다음으로, 생성모델 시험 및 검증부(122)는 상기 강화학습 실행부(121)를 통해 생성된 사용량 데이터 모델과, 상기 에너지 사용량 DB부(131a)에서 제공하는 제1 입력값(a1) 및 상기 에너지 사용패턴 DB부(131b)에서 제공하는 제2 입력값(a2)을 입력 받은 후, 강화학습 결과 모델을 이용한 에너지 사용 데이터 그래프와 입력받은 실제 에너지 사용 통계 패턴 간의 상호 유사성 검증을 하고(도 4 참조), 검증을 통한 유사도가 일정 기준치(이를테면, 95% 이상)에 도달하는 경우, 검증확정 모델을 생성한다.
이를 부연설명하면, 생성모델 시험 및 검증부(122)는 강화학습에서 생성된 모델을 이용하여 시나리오 별(이를테면, 시간, 일, 월 등) 검증조건에 대해 에너지 사용량 계측 값을 토대로 테스트용 데이터를 생성하고, 생성모델 확인 UI부(112)의 화면에서 상기 테스트용 데이터와 실제 에너지 사용통계 패턴과 대비하여 상호 유사성을 검증하며, 유사도가 일정 기준치(이를테면, 95% 이상)에 도달하는 경우, 검증확정 모델을 생성한 후 데이터 저장부(130)의 검증확정 모델 저장부(135)에 저장한다.
다음으로, 가상데이터 생성부(123)는 상기 생성모델 시험 및 검증부(122)를 통해 획득된 검증확정 모델이 제공하는 모델 입력값(m1)(이를테면, 에너지별 월 모델 사용량)을 입력 받아, 생성하고자 하는 기간별(시간/일/월) 에너지 사용량에 대한 테스트용 가상데이터(t10)를 최종적으로 생성한다.
이를 부연설명하면, 가상데이터 생성부(123)는 상기 가상데이터 실행 UI부(113)로부터 생성 시나리오(시간, 일, 월) 및 테스트용 데이터 생성기간을 입력 받고, 생성되는 테스트용 가상데이터(t10)의 정확성을 위해 에너지 사용량 DB부(131a)에서 제공하는 제1 입력값(a1)(이를테면, 실제 에너지 월 사용량)을 입력 받은 후, 생성 기간 내에 속한 시스템 달력정보와 강화학습을 통해 생성된 사용패턴 요인(시간, 월, 요일, 계절) 데이터 생성모델을 이용하여 테스트용 가상데이터(t10)를 최종 생성하고, 생성된 테스트용 가상데이터(t10)는 데이터 저장부(130)의 가상데이터 저장부(137)에 저장된다.
마지막으로, 데이터 자장부(130)는 실제 에너지데이터 DB부(131), 검증확정 모델 저장부(135) 및 가상데이터 저장부(137)를 포함한다.
실제 에너지데이터 DB부(131)는 에너지 사용량 DB부(131a) 및 에너지 사용패턴 DB부(131b)를 포함한다.
에너지 사용량 DB부(131a)는 국토부 및 에너지 공급기관에서 공개하는 에너지별(전력/수도/난방/가스) 사용량을 수집하여 실제 에너지 사용량인 에너지 사용량 데이터(d10)를 내부에 저장하며, 강화학습 실행부(121), 생성모델 시험 및 검증부(122) 및 가상데이터 생성부(123)의 실행 시 각각의 제1 입력값(a1)으로 사용된다.
에너지 사용패턴 DB부(131b)는 에너지관리공단 및 에너지 공급기관에서 발표하는 에너지 사용패턴을 수집하여 실제 에너지 사용패턴(이를테면, 에너지원별 요일별(평일, 휴일), 계절별, 시간대별, 월별 사용패턴 등)인 에너지 사용패턴 데이터(d20)를 내부에 저장하며, 강화학습 실행부(121)와 생성모델 시험 및 검증부(122) 실행 시 각각의 제2 입력값(a2)으로 사용된다.
검증확정 모델 저장부(135)는 상기 생성모델 시험 및 검증부(122)를 통해 획득된 검증확정 모델을 내부에 저장하며, 가상데이터 생성부(123)의 실행 시 모델 입력 값(m1)으로 사용된다.
가상데이터 저장부(137)는 상기 가상데이터 생성부(123)를 통해 획득된 테스트용 가상데이터(t10)를 내부에 저장하며, 이는 스마트시티 에너지관리시스템(Smart City EMS, 200)의 에너지 사용현황 모니터링, 수요예측, 에너지 효율 등 각종 기능을 시험(test)할 때 사용된다.
이상에서는 본 발명에 대한 기술사상을 첨부 도면과 함께 서술하였지만 이는 본 발명의 바람직한 실시 예를 예시적으로 설명한 것이지 본 발명을 한정하는 것은 아니다. 또한 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 누구나 본 발명의 기술적 사상의 범주를 이탈하지 않는 범위 내에서 다양한 변형 및 모방이 가능함은 명백한 사실이다.
100 : 에너지 사용량 가상데이터 생성시스템
110 : 사용자 인터페이스부
111 : 강화학습 실행 UI부 112 : 생성모델 확인 UI부
113 : 가상데이터 실행 UI부
120 : 비즈니스 로직부
121 : 강화학습 실행부 122 : 생성모델 시험 및 검증부
123 : 가상데이터 생성부
130 : 데이터 저장부
131 : 실제 에너지데이터 DB부
131a : 에너지 사용량 DB부 131b : 에너지 사용패턴 DB부
135 : 검증확정 모델 저장부
137 : 가상데이터 저장부
200 : 스마트시티 에너지관리시스템(Smart City Energy Management System)
110 : 사용자 인터페이스부
111 : 강화학습 실행 UI부 112 : 생성모델 확인 UI부
113 : 가상데이터 실행 UI부
120 : 비즈니스 로직부
121 : 강화학습 실행부 122 : 생성모델 시험 및 검증부
123 : 가상데이터 생성부
130 : 데이터 저장부
131 : 실제 에너지데이터 DB부
131a : 에너지 사용량 DB부 131b : 에너지 사용패턴 DB부
135 : 검증확정 모델 저장부
137 : 가상데이터 저장부
200 : 스마트시티 에너지관리시스템(Smart City Energy Management System)
Claims (6)
- 에너지 월 사용량과 에너지 사용패턴 통계 데이터를 이용하여 가상 데이터를 생성하기 위한 함수를 생성하지 않고, 강화학습 인공지능 알고리즘만으로 에너지 사용패턴과 유사한 데이터 생성 모델을 통해 테스트용 가상데이터를 생성하고, 이를 이용하여 스마트시티 에너지관리시스템의 에너지 사용현황 모니터링, 수요예측, 에너지 효율의 기능을 테스트하는 것으로, 강화학습 기반의 보상 값 조정을 통해 제1 모델을 생성하며, 생성된 제1 모델에 대한 시험 및 검증을 통해 획득된 검증확정 모델을 이용하여 스마트시티 에너지관리시스템을 시험하기 위한 테스트용 가상데이터를 생성하는 비즈니스 로직부를 제공하는 것을 특징으로 하며;
비즈니스 로직부는, 에너지 사용량 데이터 및 에너지 사용패턴 데이터를 입력 받아, 강화학습 기반의 보상 값 조정을 통해 제1 모델을 생성하는 것으로, 데이터 저장부의 에너지 사용량 DB부에서 제공하는 제1 입력값 및 데이터 저장부의 에너지 사용패턴 DB부에서 제공하는 제2 입력값을 입력 받아, 강화학습 기반의 보상값 조정을 통해 월, 일, 시간 별 사용량 데이터 모델을 생성하고, 학습 데이터 없이 주어진 문제를 해결하기 위해 에이전트의 행동에 대해 기대되는 미래 보상의 합을 최대로 하는 정책 함수를 찾는 알고리즘으로, 주어진 상태에서 어떤 행동을 하고 환경을 알려주어 상태와 보상을 받아 문제의 해답을 자동으로 찾아가도록 하는 기계학습 방법을 사용하고, 강화학습의 알고리즘으로 외부 시스템인 인공지능 오픈 플랫폼 텐서플로의 알고리즘 인 DQN 알고리즘을 사용하는 강화학습 실행부; 제1 모델을 이용한 에너지 사용 데이터 그래프와 입력 받은 에너지 사용패턴 데이터의 패턴 간의 상호 유사성 검증을 하고, 검증을 통한 유사도가 일정 기준치에 도달 시 검증확정 모델을 생성하는 것으로, 강화학습 실행부를 통해 생성된 사용량 데이터 모델과, 에너지 사용량 DB부에서 제공하는 제1 입력값 및 에너지 사용패턴 DB부에서 제공하는 제2 입력값을 입력 받은 후, 강화학습 결과 모델을 이용한 에너지 사용 데이터 그래프와 입력받은 실제 에너지 사용 통계 패턴 간의 상호 유사성 검증을 하고, 검증을 통한 유사도가 일정 기준치에 도달하는 경우 검증확정 모델을 생성하고, 강화학습에서 생성된 모델을 이용하여 시나리오 별 검증조건에 대해 에너지 사용량 계측 값을 토대로 테스트용 데이터를 생성하고, 생성모델 확인 UI부의 화면에서 테스트용 데이터와 실제 에너지 사용통계 패턴과 대비하여 상호 유사성을 검증하며, 유사도가 일정 기준치에 도달하는 경우, 검증확정 모델을 생성한 후 데이터 저장부의 검증확정 모델 저장부에 저장하는 생성모델 시험 및 검증부; 및 검증확정 모델이 제공하는 모델 입력 값을 입력받고, 생성하고자 하는 기간별 에너지 사용량에 대한 테스트용 가상데이터를 최종 생성하는 것으로, 생성모델 시험 및 검증부를 통해 획득된 검증확정 모델이 제공하는 모델 입력값을 입력 받아, 생성하고자 하는 기간별 에너지 사용량에 대한 테스트용 가상데이터를 최종적으로 생성하는 가상데이터 생성부를 포함하고;
강화학습 실행부는 생성모델 시험 및 검증부의 보상 값 조정모델을 이용하여 생성모델 결과에 대한 보상 값을 조정 값으로 하여, 강화학습 실행부의 리워드 입력값으로 만족하는 조정이 이루어 질때 까지 피드 백 되어 입력 되는 것을 특징으로 한 강화학습 기반의 에너지 사용량 가상데이터 생성시스템. - 삭제
- 삭제
- 제1항에 있어서, 상기 에너지 사용량 데이터는, 에너지원별 월별 사용량을 포함하는 것을 특징으로 하는 강화학습 기반의 에너지 사용량 가상데이터 생성시스템.
- 제1항에 있어서, 상기 에너지 사용패턴 데이터는, 에너지원별 요일별(평일, 휴일), 계절별, 시간대별 및 월별 사용패턴 데이터를 포함하는 것을 특징으로 하는 강화학습 기반의 에너지 사용량 가상데이터 생성시스템.
- 제1항에 있어서, 상기 가상데이터 생성부는, 상기 테스트용 가상데이터의 생성을 위해, 실행을 명령하는 가상데이터 실행 UI부로부터 생성 시나리오(시간, 일, 월) 및 테스트용 데이터 생성기간을 입력 받고, 상기 테스트용 가상데이터의 정확성을 위해 상기 에너지 사용량 데이터를 입력받는 것을 특징으로 하는 강화학습 기반의 에너지 사용량 가상데이터 생성시스템.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020170172599A KR102020007B1 (ko) | 2017-12-14 | 2017-12-14 | 강화학습 기반의 에너지 사용량 가상데이터 생성시스템 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020170172599A KR102020007B1 (ko) | 2017-12-14 | 2017-12-14 | 강화학습 기반의 에너지 사용량 가상데이터 생성시스템 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20190071503A KR20190071503A (ko) | 2019-06-24 |
KR102020007B1 true KR102020007B1 (ko) | 2019-09-09 |
Family
ID=67056283
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020170172599A KR102020007B1 (ko) | 2017-12-14 | 2017-12-14 | 강화학습 기반의 에너지 사용량 가상데이터 생성시스템 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102020007B1 (ko) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102199819B1 (ko) * | 2019-12-31 | 2021-01-08 | 한국기술교육대학교 산학협력단 | 지능형 시스템 개발을 위한 자율 가상 커미셔닝 기반의 인공지능 적응화 플랫폼, 시스템 및 방법 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102253509B1 (ko) * | 2019-06-26 | 2021-05-17 | 경희대학교 산학협력단 | 지하역사 내 환기 시스템 및 그 제어 방법 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101225125B1 (ko) | 2012-08-29 | 2013-01-22 | (주) 퓨처파워텍 | 전기품질 감시분석을 통한 사고예측 진단기능이 있는 원격자동제어시스템 및 그 제어방법 |
KR20150026230A (ko) * | 2013-09-02 | 2015-03-11 | 최장식 | Bim 데이터를 이용한 셀프 러닝 건물 에너지 관리 시스템 |
KR20170031985A (ko) * | 2015-09-14 | 2017-03-22 | 현대건설주식회사 | 공기조화시스템의 고장 검출 및 진단 방법 |
KR101881887B1 (ko) * | 2015-10-27 | 2018-07-25 | 부산대학교 산학협력단 | 딥러닝을 이용한 소비전력 기반 가전기기 분류 장치 및 방법 |
-
2017
- 2017-12-14 KR KR1020170172599A patent/KR102020007B1/ko active IP Right Grant
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102199819B1 (ko) * | 2019-12-31 | 2021-01-08 | 한국기술교육대학교 산학협력단 | 지능형 시스템 개발을 위한 자율 가상 커미셔닝 기반의 인공지능 적응화 플랫폼, 시스템 및 방법 |
Also Published As
Publication number | Publication date |
---|---|
KR20190071503A (ko) | 2019-06-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lu et al. | Fundamentals and business model for resource aggregator of demand response in electricity markets | |
Alemu et al. | Decision support system for optimizing reservoir operations using ensemble streamflow predictions | |
US9727828B2 (en) | Method for evaluating operational and financial performance for dispatchers using after the fact analysis | |
Atakan et al. | A state transition MIP formulation for the unit commitment problem | |
Carmona et al. | The valuation of clean spread options: linking electricity, emissions and fuels | |
CN102576451A (zh) | 建筑能源消耗分析系统 | |
Alan et al. | A field study of human-agent interaction for electricity tariff switching | |
KR102020007B1 (ko) | 강화학습 기반의 에너지 사용량 가상데이터 생성시스템 | |
KR102105192B1 (ko) | 모델링을 이용한 가상발전소 운영시스템 및 방법 | |
Fischer et al. | Environmental and technology policy options in the electricity sector: Interactions and outcomes | |
Harou et al. | Smart metering, water pricing and social media to stimulate residential water efficiency: Opportunities for the smarth2o project | |
Guo et al. | The adoption of new smart-grid technologies: incentives, outcomes, and opportunities | |
Pozo | Linear battery models for power systems analysis | |
Ngar‐yin Mah et al. | Policy learning and central–local relations: A case study of the pricing policies for wind energy in China (from 1994 to 2009) | |
Klise et al. | PV Reliability Operations and Maintenance (PVROM) Database Initiative: 2014 Project Report | |
García-Franco et al. | Rational and efficient energy use programs in Non-Interconnected Zones in Colombia: a system dynamics analysis | |
Klaiber et al. | A contribution to the load forecast of price elastic consumption behaviour | |
Chen et al. | Carbon-Aware Optimal Power Flow | |
KR20230121449A (ko) | Re100 달성을 위한 신재생 에너지원 자동 매칭 인공지능 시스템 및 이의 동작 방법 | |
Rendon-Cardona et al. | An Intraday Market Design for Colombia’s Energy Transition | |
Efkarpidis et al. | Technoeconomic Review of Smart Metering Applications | |
Stepančič et al. | Prosumer flexibility management in smart grids | |
Sauba et al. | Novel energy modelling and forecasting tools for smart energy networks | |
Chen et al. | Towards improving operation economics: A bilevel mip-based closed-loop predict-and-optimize framework for prescribing unit commitment | |
Böhmer et al. | Application and testing of business processes in the energy domain |
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 |