KR102137751B1 - 머신러닝 알고리즘 기반의 에너지 에이전트를 활용한 전력거래시스템 및 방법 - Google Patents

머신러닝 알고리즘 기반의 에너지 에이전트를 활용한 전력거래시스템 및 방법 Download PDF

Info

Publication number
KR102137751B1
KR102137751B1 KR1020200006091A KR20200006091A KR102137751B1 KR 102137751 B1 KR102137751 B1 KR 102137751B1 KR 1020200006091 A KR1020200006091 A KR 1020200006091A KR 20200006091 A KR20200006091 A KR 20200006091A KR 102137751 B1 KR102137751 B1 KR 102137751B1
Authority
KR
South Korea
Prior art keywords
power
cost function
power generation
equation
energy
Prior art date
Application number
KR1020200006091A
Other languages
English (en)
Inventor
김수정
Original Assignee
주식회사 텔다
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 주식회사 텔다 filed Critical 주식회사 텔다
Priority to KR1020200006091A priority Critical patent/KR102137751B1/ko
Application granted granted Critical
Publication of KR102137751B1 publication Critical patent/KR102137751B1/ko

Links

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
    • G06N20/00—Machine learning
    • 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
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • 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
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • 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
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
    • 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
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
    • Y04S10/54—
    • 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
    • Y04S40/00—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them
    • Y04S40/20—Information technology specific aspects, e.g. CAD, simulation, modelling, system security
    • Y04S40/22—
    • 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
    • Y04S50/00—Market activities related to the operation of systems integrating technologies related to power network operation or related to communication or information technologies
    • Y04S50/16—Energy services, e.g. dispersed generation or demand or load or energy savings aggregation

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Artificial Intelligence (AREA)
  • Primary Health Care (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

본 발명의 일 실시예에 따른 머신러닝 알고리즘 기반의 에너지 에이전트를 활용한 전력거래시스템은 에너지 저장 시스템(Energy Storage System) 및/또는 재생에너지시스템(Renewable Energy System)의 전력발전량 및 상기 전력발전량의 수요부하 전력량의 실측값을 계측하는 적어도 하나 이상의 스마트미터; 상기 전력발전량 및 수요부하 전력량과 관련된 관계데이터를 수집하는 정보수집부; 및 상기 적어도 하나 이상의 스마트미터에서 계측한 실측값 및 상기 관계데이터를 기울기 하강(Gradient Descent) 머신러닝 알고리즘에 적용시켜 상기 전력 발전량과 상기 수요부하 전력량 각각의 예측치를 학습데이터를 기반으로 학습하여 분석하고, 분석결과를 기초로 수요부하 전력 예상치에 따른 상기 에너지 저장 시스템의 충방전 스케줄 및/또는 상기 재생에너지시스템의 전력발전 스케줄을 산출하고, 산출된 충방전 스케줄 및/또는 전력발전 스케줄에 따라 시간대별 전력 잉여분과 부족분을 분석하여 전력 부족분에 대한 전력거래를 수행하는 인공지능 전력거래 에이전트부를 포함한다.

Description

머신러닝 알고리즘 기반의 에너지 에이전트를 활용한 전력거래시스템 및 방법{Peer to Peer Energy Trading Method and System by using Machine learning Algorithm built-in Energy Agent}
본 발명은 신 재생에너지 발전원과 에너지 저장장치가 결합한 소규모 분산 전원들의 발전 및 수요부하 실시간 데이터를 머신러닝 알고리즘이 내장된 인공지능 전력거래 에이전트에서 분석 학습하고 예측하여 추출된 정보를 바탕으로 분산 전원들 간에 전력 거래를 할 수 있는 머신러닝 알고리즘 기반의 에너지 에이전트를 활용한 전력거래시스템 및 방법에 관한 것이다.
신재생에너지 및 에너지 저장 장치 관련 전력 기술 발전으로 인하여 세계적으로 에너지, 전력 체계는 점차 분산화되어 가고 있다. 전력 시장 구조적인 측면에서 살펴보자면 이미 선직국에서는 중앙 집중화된 전력 시장의 규제를 완화하여 개방된 시장(deregulated electricity market)으로 변화하고 있다.
많은 선진국들이 전력 도매 시장 구조(Electricity Wholesale Market)를 도입하여 하루 전 시장(Day a head market)과 실시간 시장(Realtime market)을 통해 전력 발전원들과 전력 수요자들 간의 전력을 거래할 수 있게 하여 전력시장의 효율성을 도모하였다.
하지만 전력시장은 전력의 물리적 특성을 고려하여 완전경쟁시장(Competitive Market)체계로 전환하기는 어려우며 아직까지는 시장참여자가 제한적이기 때문에 시장의 비효율적인 문제가 발생할 소지가 있다.
이에 소비자와 공급자가 양방향으로 정보를 커뮤니케이션 하는 차세대 지능형 전력망인 스마트 그리드(Smart Grid)와 지역형 소규모 그리드망인 마이크로 그리드(Micro Grid)를 도입하며 시장에 다양화된 신재생에너지 분산 자원(Renewable Distributed Energy Resource) 포함하여서 공급자의 독점을 방지하고 수요자에게는 머신러닝, 블록체인 등의 신기술을 접목하여 전력에 대한 수요를 탄력적(Demand Elastic)으로 변화하는 노력을 통해 시장을 더욱 경쟁적이고 효율적으로 운영할 수 있는 체계와 시스템 대한 심도 있는 연구가 필요하다.
등록특허공보 제10-1079929호(2011.10.28.)
따라서, 본 발명이 해결하고자 하는 과제는 종래의 문제점을 해결할 수 있는 머신러닝 알고리즘 기반의 에너지 에이전트를 활용한 전력거래시스템 및 방법에 관한 것이다.
상기 과제를 해결하기 위한 본 발명의 일 실시예에 따른 머신러닝 알고리즘 기반의 에너지 에이전트를 활용한 전력거래시스템은 에너지 저장 시스템(Energy Storage System) 또는 재생에너지시스템(Renewable Energy System)의 전력발전량 및 상기 전력발전량의 수요부하 전력량의 실측값을 계측하는 적어도 하나 이상의 스마트미터; 상기 전력발전량 및 수요부하 전력량과 관련된 관계데이터를 수집하여 영향계수로 가공하는 정보수집부; 및 상기 적어도 하나 이상의 스마트미터에서 계측한 실측값 및 상기 관계데이터를 기울기 하강(Gradient Descent) 머신러닝 알고리즘에 적용시켜 상기 전력 발전량과 상기 수요부하 전력량 각각의 예측치를 학습데이터를 기반으로 학습하여 분석하고, 분석결과를 기초로 수요부하 전력 예상치에 따른 상기 에너지 저장 시스템의 충방전 스케줄 또는 상기 재생에너지시스템의 전력발전 스케줄을 산출하고, 산출된 충방전 스케줄 또는 전력발전 스케줄에 따라 시간대별 전력 잉여분과 부족분을 분석하여 전력 부족분에 대한 전력거래를 수행하는 인공지능 전력거래 에이전트부를 포함하고, 상기 인공지능 전력거래 에이전트부는 하기의 식 1 내지 식 2를 이용하여 전력 발전량 예측치 및 학습율을 상기 실측값, 상기 관계데이터, 비용함수값 및 상기 비용함수값의 편미분값을 기초로 학습 및 추정하고, 하기의 식 3을 이용하여 기존 영향계수를 반복 업데이트하고, 하기의 식 4를 이용하여 이전 비용함수와 업데이트된 영향계수를 통해 산출된 업데이트된 비용함수 간의 크기에 따라 임의 특정 지정값을 적용시켜 상기 이전 비용함수보다 상기 산출된 업데이트 된 비용함수가 크면 학습율을
Figure 112020037972880-pat00107
로 나누어서 학습율을 낮춰주고 상기 이전 비용함수 보다 상기 산출된 업데이트 된 비용함수가 작으면
Figure 112020037972880-pat00108
로 곱해주어 올려주는 것을 반복하여 적정수준의 학습율을 찾도록 학습하는 과정을 수행하는 것을 특징으로 한다.
[식 1]
Figure 112020037972880-pat00109

여기서,
Figure 112020037972880-pat00110
는 전력발전량 예측치이고,
Figure 112020037972880-pat00111
는 상수,
Figure 112020037972880-pat00112
는 전력발전량의 영향계수이다.
[식 2]
Figure 112020037972880-pat00113

여기서, J(
Figure 112020037972880-pat00114
)는 비용함수(cost function), m은 영향계수이고,
Figure 112020037972880-pat00115
는 전력발전량 실측값이다.
[식 3]
Figure 112020037972880-pat00116

여기서,
Figure 112020037972880-pat00117
는 기존 영향계수이고,
Figure 112020037972880-pat00118
는
Figure 112020037972880-pat00119
의 편미분값이고,
Figure 112020037972880-pat00120
는
Figure 112020037972880-pat00121
의 편미분값이고,
Figure 112020037972880-pat00122
는 학습률(상수)이다.
[식 4]
Figure 112020037972880-pat00123
상기 과제를 해결하기 위한 본 발명의 일 실시예에 따른 머신러닝 알고리즘 기반의 에너지 에이전트를 활용한 전력거래방법은 에너지 저장 시스템(Energy Storage System) 또는 재생에너지시스템(Renewable Energy System)의 전력발전량 및 상기 전력발전량의 수요부하 전력량의 실측값을 적어도 하나 이상의 스마트미터에서 계측하는 단계; 상기 전력발전량 및 수요부하 전력량과 관련된 관계데이터를 수집하는 정보수집부에서 수집하는 단계; 및 상기 적어도 하나 이상의 스마트미터에서 계측한 실측값 및 상기 관계데이터를 기울기 하강(Gradient Descent) 머신러닝 알고리즘에 적용시켜 상기 전력 발전량과 상기 수요부하 전력량 각각의 예측치를 학습데이터를 기반으로 학습하여 분석하고, 분석결과를 기초로 수요부하 전력 예상치에 따른 상기 에너지 저장 시스템의 충방전 스케줄 또는 상기 재생에너지시스템의 전력발전 스케줄을 산출하고, 산출된 충방전 스케줄 또는 전력발전 스케줄에 따라 시간대별 전력 잉여분과 부족분을 분석하여 전력 부족분에 대한 전력거래를 인공지능 전력거래 에이전트부에서 수행하는 단계를 포함하고, 상기 인공지능 전력거래 에이전트부에서 수행하는 단계는 하기의 식 1 내지 식 2를 이용하여 전력 발전량 예측치 및 학습율을 상기 실측값, 상기 관계데이터, 비용함수값 및 상기 비용함수값의 편미분값을 기초로 학습 및 추정하고, 하기의 식 3을 이용하여 기존 영향계수를 반복 업데이트하고, 하기의 식 4를 이용하여 이전 비용함수와 업데이트된 영향계수를 통해 산출된 업데이트된 비용함수 간의 크기에 따라 임의 특정 지정값을 적용시켜 상기 이전 비용함수보다 상기 산출된 업데이트 된 비용함수가 크면 학습율을
Figure 112020037972880-pat00124
로 나누어서 학습율을 낮춰주고 상기 이전 비용함수 보다 상기 산출된 업데이트 된 비용함수가 작으면
Figure 112020037972880-pat00125
로 곱해주어 올려주는 것을 반복하여 적정수준의 학습율을 찾도록 학습하는 과정을 수행하는 것을 특징으로 한다.
[식 1]
Figure 112020037972880-pat00126

여기서,
Figure 112020037972880-pat00127
는 전력발전량 예측치이고,
Figure 112020037972880-pat00128
는 상수,
Figure 112020037972880-pat00129
는 전력발전량의 영향계수이다.
[식 2]
Figure 112020037972880-pat00130

여기서, J(
Figure 112020037972880-pat00131
)는 비용함수(cost function), m은 영향계수이고,
Figure 112020037972880-pat00132
는 전력발전량 실측값이다.
[식 3]
Figure 112020037972880-pat00133

여기서,
Figure 112020037972880-pat00134
는 기존 영향계수이고,
Figure 112020037972880-pat00135
는
Figure 112020037972880-pat00136
의 편미분값이고,
Figure 112020037972880-pat00137
는
Figure 112020037972880-pat00138
의 편미분값이고,
Figure 112020037972880-pat00139
는 학습률(상수)이다.
[식 4]
Figure 112020037972880-pat00140
본 발명의 일 실시예에 따르면, 머신러닝 기울기 하강(Gradient Descent) 알고리즘이 내장된 에이전트를 소규모 분산 자원에 도입함으로써 보다 많은 신재생에너지 발전원과 에너지 저장 장치와 같은 소규모 전력 사업자이 소형 디바이스에 탑재된 분석 알고리즘을 쉽게 사용할 수 있게 하여 전력 발전원과 전력 수요를 효율적이고 효과적으로 관리할 수 있게 하며 적절한 부하와 피크 조절 및 전력 분배로 인하여 수요절감이 가능하게 하며 경제성을 향상시킬 수 있다. 또한, 정확하고 신뢰 있는 전력 공급과 수요의 예측으로 소규모 사업자로 하여금 마이크로 그리드 상 혹은 전력 도매시장에서 전력거래를 용이하게 하여 송전선로(Transmission Line)의 이용률을 향상시킬 수 있어 국가적으로 전력 투자 비용을 절감하며 전체적인 전력 그리드의 안정화에 기여할 수 있다.
도 1은 본 발명의 일 실시예에 따른 머신러닝 알고리즘 기반의 에너지 에이전트를 활용한 전력거래시스템의 네트워크 구성도이다.
도 2는 도 1에 도시된 인공지능 전력거래 에이전트부의 세부 구성도이다.
도 3은 본 발명의 일 실시예에 따른 머신러닝 알고리즘 기반의 에너지 에이전트를 활용한 전력거래방법을 설명한 흐름도이다.
도 4는 도 3에 도시된 머신러닝학습부에 지원하는 기울기 하강(Gradient Descent) 알고리즘의 실행과정을 설명한 흐름도이다.
다양한 실시예들 및/또는 양상들이 이제 도면들을 참조하여 개시된다. 하기 설명에서는 설명을 목적으로, 하나 이상의 양상들의 전반적 이해를 돕기 위해 다수의 구체적인 세부사항들이 개시된다. 그러나, 이러한 양상(들)은 이러한 구체적인 세부사항들 없이도 실행될 수 있다는 점 또한 본 발명의 기술 분야에서 통상의 지식을 가진 자에게 인식될 수 있을 것이다. 이후의 기재 및 첨부된 도면들은 하나 이상의 양상들의 특정한 예시적인 양상들을 상세하게 기술한다. 하지만, 이러한 양상들은 예시적인 것이고 다양한 양상들의 원리들에서의 다양한 방법들 중 일부가 이용될 수 있으며, 기술되는 설명들은 그러한 양상들 및 그들의 균등물들을 모두 포함하고자 하는 의도이다.
또한, 다양한 양상들 및 특징들이 다수의 디바이스들, 컴포넌트들 및/또는 모듈들 등을 포함할 수 있는 시스템에 의하여 제시될 것이다. 다양한 시스템들이, 추가적인 장치들, 컴포넌트들 및/또는 모듈들 등을 포함할 수 있다는 점 그리고/또는 도면들과 관련하여 논의된 장치들, 컴포넌트들, 모듈들 등 전부를 포함하지 않을 수도 있다는 점 또한 이해되고 인식되어야 한다.
본 명세서에서 사용되는 "실시예", "예", "양상", "예시" 등은 기술되는 임의의 양상 또는 설계가 다른 양상 또는 설계들보다 양호하다거나, 이점이 있는 것으로 해석되지 않을 수도 있다. 아래에서 사용되는 용어들 '컴포넌트', '모듈', '시스템', '인터페이스' 등은 일반적으로 컴퓨터 관련 엔티티(computer-related entity)를 의미하며, 예를 들어, 하드웨어, 하드웨어와 소프트웨어의 조합, 소프트웨어를 의미할 수 있다.
더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.
또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하지만, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다. 더불어, 본 명세서에서 사용되는 용어 "클라이언트", "유저" 및 "사용자"는 종종 상호교환가능하게 사용될 수 있다. 더불어, 본 명세서에서 사용되는 용어 "컴포넌트" 및 "엘리먼트" 또한 종종 상호교환가능하게 사용될 수 있다.
이하, 첨부된 도면을 기초로 본 발명의 일 실시예에 따른 머신러닝 알고리즘 기반의 에너지 에이전트를 활용한 전력거래시스템 및 방법을 보다 상세하게 설명하도록 한다.
도 1은 본 발명의 일 실시예에 따른 머신러닝 알고리즘 기반의 에너지 에이전트를 활용한 전력거래시스템의 네트워크 구성도이다.
도 2는 도 1에 도시된 인공지능 전력거래 에이전트부의 세부 구성도이다.
도 1에 도시된 바와 같이, 본 발명의 일 실시예에 따른 머신러닝 알고리즘 기반의 에너지 에이전트를 활용한 전력거래시스템(100)은 스마트 미터부(110), 정보수집부(120) 및 인공지능 전력거래 에이전트부(130)를 포함한다.
상기 스마트미터(110)는 에너지 저장 시스템(Energy Storage System) 및/또는 재생에너지시스템(Renewable Energy System)의 전력발전량 및 상기 전력발전량의 수요부하 전력량을 계측하기 위하여 적어도 하나 이상이 구비된다.
상기 스마트 미터는 CPU와 메모리를 포함하는 다양한 종류의 마이크로 콘트롤러, 마이크로 콘트롤러가 포함된 모듈이나 회로, 아두이노, 라즈베리파이, 윈도우/리눅스/아이오에스/안드로이드 기반 모듈이나 제어 장치, 각종 RTOS(Real Time Operating System)가 포함된 모듈이나 제어 장치, 미니 PC, PC, 노트북, 타블렛, 서버, 클라우드 장치를 포함하는 다양한 종류의 하드웨어 장치와 그에 구현된 소프트웨어로 구현될 수 있으며, 이들 중 하나 혹은 복수가 연동하는 방식으로도 구현될 수 있다.
상기 정보수집부(120)는 상기 전력발전량 및 수요부하 전력량의 관계데이터를 수집한다.
여기서, 관계데이터는 각 에너지 저장 시스템(Energy Storage System) 및/또는 재생에너지시스템(Renewable Energy System)의 운용주기정보(충전운용, 방전운용, 발전운용)를 포함하는 특성정보 및 가용전력용량, 방전심도, 배터리 전력량 중 적어도 하나를 포함하는 상태정보일 수 있다.
또한, 관계데이터는 최대방전가능량, 최대충전가능량, 열화상태정보, 정격출력, 정격용량, 운전 가용량, 충방전 효율, 사이클 수명사양, 전력품질정보 중 적어도 하나 이상을 포함하는 정보이고, 상기 전력품질정보는 전압, 전류, 전력을 포함하는 계측정보, 고조파(Harmonoc), THD(Total Harmonic Distortion) 및 TDD(Total Demand Distortion)를 포함한다.
또한, 관계데이터는 전일 발전량, 전일 수요부하량, 일사량, 기온 등을 포함할 수 있다.
상기 인공지능 전력거래 에이전트부(130)는 상기 적어도 하나 이상의 스마트미터에서 계측한 계측정보 및 상기 관계데이터를 기울기 하강(Gradient Descent) 머신러닝 알고리즘에 적용시켜 상기 전력 발전량과 상기 수요부하 전력량을 분석한 후, 분석결과를 기초로 수요부하 전력 예상치에 따른 상기 에너지 저장 시스템의 충방전 스케줄 및/또는 상기 재생에너지시스템의 전력발전 스케줄을 산출하고, 산출된 충방전 스케줄 및/또는 전력발전 스케줄에 따라 시간대별 전력 잉여분과 부족분을 분석하여 전력 부족분에 대한 전력거래를 수행한다.
보다 구체적으로, 상기 인공지능 전력거래 에이전트부(130)는 머신러닝 학습부(131), 스케줄 생성부(132), P2P 전력거래부(133)를 포함한다.
상기 머신러닝 학습부(131)는 상기 적어도 하나 이상의 스마트미터에서 계측한 계측정보 및 상기 절력 발전량 및 수요 부하전력의 관계데이터를 영향계수로 가공한 후, 기울기 하강(Gradient Descent) 머신러닝 알고리즘에 적용시켜 상기 전력 발전량과 상기 수요부하 전력량을 분석하고, 분석된 분석결과를 기초로 전력 발전량 예측치 및 수요부하 전력 예상치를 학습 및 산출한다.
보다 구체적으로 머신러닝 학습부(131)는 하기의 식 1 내지 식 2를 이용하여 전력 발전량 예측치 및 학습율을 상기 전력 발전량의 실측값과 영향계수, 비용함수값 및 상기 비용함수값의 편미분값을 기초로 학습 및 추정한다.
[식 1]
Figure 112020005228485-pat00001
여기서,
Figure 112020005228485-pat00002
는 전력발전량 예측치이고,
Figure 112020005228485-pat00003
는 상수,
Figure 112020005228485-pat00004
는 전력발전량의 영향계수이다.
[식 2]
Figure 112020005228485-pat00005
여기서, J(
Figure 112020005228485-pat00006
)는 비용함수(cost function), m은 영향계수이고,
Figure 112020005228485-pat00007
는 전력발전량 실측값이다.
상기 머신러닝학습부(131)는 하기의 식 3을 이용하여 기존 영향계수를 반복적(iteration)으로 업데이트한다.
[식 3]
Figure 112020005228485-pat00008
여기서,
Figure 112020005228485-pat00009
는 기존 영향계수이고,
Figure 112020005228485-pat00010
는
Figure 112020005228485-pat00011
의 편미분값이고,
Figure 112020005228485-pat00012
는
Figure 112020005228485-pat00013
의 편미분값이고,
Figure 112020005228485-pat00014
는 학습률(상수)이다.
또한, 상기 머신러닝 학습부(131)는 식 4와 같이, 이전 비용함수와 업데이트된 영향계수를 통해 산출된 업데이트된 비용함수 간의 크기에 따라 임의 특정 지정값을 적용시켜 상기 이전 비용함수보다 상기 산출된 업데이트 된 비용함수가 크면 학습율을
Figure 112020005228485-pat00015
로 나누어서 학습율을 낮춰주고 상기 이전 비용함수 보다 상기 산출된 업데이트 된 비용함수가 작으면
Figure 112020005228485-pat00016
로 곱해주어 올려주는 것을 반복하여 적정수준의 학습율을 찾도록 학습하는 과정을 수행한다.
[식 4]
Figure 112020005228485-pat00017
상기 머신러닝 학습부(131)는 하기의 식 5 내지 식 6을 이용하여 전력 수요부하 예측치 및 학습율을 상기 실측값과 상기 관계데이터, 비용함수값 및 상기 비용함수값의 편미분값을 기초로 학습 및 추정할 수 있다.
[식 5]
Figure 112020005228485-pat00018
여기서,
Figure 112020005228485-pat00019
는 전력 수요부하 예측치이고,
Figure 112020005228485-pat00020
는 상수,
Figure 112020005228485-pat00021
는 전력 수요부하의 영향계수이다.
[식 6]
Figure 112020005228485-pat00022
여기서, J(
Figure 112020005228485-pat00023
)는 비용함수(cost function), m은 영향계수의 갯수,
Figure 112020005228485-pat00024
는 전력 수요부하의 실측값이다.
또한, 하기의 식 7을 이용하여 기존 영향계수를 반복 업데이트한다.
[식 7]
Figure 112020005228485-pat00025
여기서,
Figure 112020005228485-pat00026
는 기존 영향계수이고,
Figure 112020005228485-pat00027
는
Figure 112020005228485-pat00028
의 편미분값이고,
Figure 112020005228485-pat00029
는
Figure 112020005228485-pat00030
의 편미분값이고,
Figure 112020005228485-pat00031
는 학습률(상수)이다.
또한, 하기의 식 8과 같이, 이전 비용함수와 업데이트된 영향계수를 통해 산출된 업데이트된 비용함수 간의 크기에 따라 임의 특정 지정값을 적용시켜 상기 이전 비용함수보다 상기 산출된 업데이트된 비용함수가 크면 학습율을
Figure 112020005228485-pat00032
로 나누어서 학습율을 낮춰주고 상기 이전 비용함수 보다 상기 산출된 업데이트 된 비용함수가 작으면
Figure 112020005228485-pat00033
로 곱해주어 올려주는 것을 반복하여 적정수준의 학습율을 찾도록 학습하는 과정을 수행한다.
[식 8]
Figure 112020005228485-pat00034
다음으로, 스케줄 생성부(132)는 머신러닝학습부(131)에 학습되어 예측된 에너지 저장 시스템(Energy Storage System) 및/또는 재생에너지시스템(Renewable Energy System)의 전력 발전량 예측치와 수요부하 예측치 간의 차에 해당하는 충방전 스케줄을 생성하고, 생성된 충방전 스케줄을 시뮬레이션하여 시간대별 전력 잉여분/부족분을 분석한다.
다음으로, P2P 전력거래부(133)는 전력 거래시장 또는 마이크로그리드와 블록체인으로 P2P 거래 내역을 블록으로 저장하거나 스마트 계약을 통해서 자동적으로 계약을 수행하고, 이러한 거래에 따른 정산을 수행하는 블록체인 기반 P2P 전력거래 기능을 수행한다.
이를 위해, 블록체인 기반 P2P 전력 거래용 프로그램(혹은 하드웨어)이 설치되어 동작할 수 있으며 블록체인에 따른 공유원장을 저장할 저장부가 구성될 수 있다. 이러한 블록체인 기반 P2P 전력 거래용 프로그램(혹은 하드웨어)은 거래에 따른 에너지 토큰(해당 블록 체인에서 거래에 사용하는 다양한 종류의 화페를 통칭)을 전자 지갑을 기반으로 관리한다.
또한 P2P 전력거래부(133)는 기 설정된 발전 수요 분석 알고리즘에 따라 자동으로 전력 거래를 수행하고, 설정된 시간(예를 들어 15분) 마다 상기 수행된 전력 거래를 확인하여 합산하여 블록 체인으로 저장하고, 블록체인으로 저장된 전력 거래를 에너지 토큰으로 정산하며, 해당 에너지 토큰을 블록체인의 전자 지갑에 입출금하고, 에너지 토큰을 블록체인 암호화폐 거래소에서 거래하거나 암호화폐 가맹점을 통해 현금화하거나 소비할 수 있다.
이러한 블록체인 기반 P2P 전력 거래를 통해서 중앙 관리 기관이 없더라도 거래 내역을 투명하고 안전하며 공개적으로 관리할 수 있다
도 3은 본 발명의 일 실시예에 따른 머신러닝 알고리즘 기반의 에너지 에이전트를 활용한 전력거래방법을 설명한 흐름도이고, 도 4는 도 3에 도시된 머신러닝학습부에 지원하는 기울기 하강(Gradient Descent) 알고리즘의 실행과정을 설명한 흐름도이다.
도 3 및 도 4를 참조, 본 발명의 일 실시예에 따른 머신러닝 알고리즘 기반의 에너지 에이전트를 활용한 전력거래방법(S700)은 스마트 미터(110)에서 에너지 저장 시스템(Energy Storage System) 및/또는 재생에너지시스템(Renewable Energy System)의 전력발전량 및 상기 전력발전량의 수요부하 전력량의 실측값을 계측(S710)한다.
이후, 정보수집부(120)에서 상기 전력발전량 및 수요부하 전력량과 관련된 관계데이터를 수집한 후, 수집된 관계데이터를 영향계수로 가공처리(S720)한다.
이후, 인공지능 전력거래 에이전트부(130)에서 상기 적어도 하나 이상의 스마트미터에서 계측한 실측값 및 상기 관계데이터를 기울기 하강(Gradient Descent) 머신러닝 알고리즘에 적용시켜 상기 전력 발전량과 상기 수요부하 전력량 각각의 예측치를 학습데이터를 기반으로 학습하여 분석하고, 분석결과를 기초로 수요부하 전력 예상치에 따른 상기 에너지 저장 시스템의 충방전 스케줄 및/또는 상기 재생에너지시스템의 전력발전 스케줄을 산출하고, 산출된 충방전 스케줄 및/또는 전력발전 스케줄에 따라 시간대별 전력 잉여분과 부족분을 분석하여 전력 부족분에 대한 전력거래를 수행(S730)한다.
보다 구체적으로, 도 4를 참조, 상기 S730 과정은 하기의 식 1 내지 식 2를 이용하여 전력 발전량 예측치 및 학습율을 상기 실측값과 상기 관계데이터, 비용함수값 및 상기 비용함수값의 편미분값을 기초로 학습 및 추정하는 과정을 포함한다.
[식 1]
Figure 112020005228485-pat00035
여기서,
Figure 112020005228485-pat00036
는 전력발전량 예측치이고,
Figure 112020005228485-pat00037
는 상수,
Figure 112020005228485-pat00038
는 전력발전량의 영향계수이다.
[식 2]
Figure 112020005228485-pat00039
여기서, J(
Figure 112020005228485-pat00040
)는 비용함수(cost function), m은 영향계수이고,
Figure 112020005228485-pat00041
는 전력발전량 실측값이다.
또한, 상기 S730 과정은 하기의 식 3을 이용하여 기존 영향계수를 반복적(iteration)으로 업데이트한다.
[식 3]
Figure 112020005228485-pat00042
여기서,
Figure 112020005228485-pat00043
는 기존 영향계수이고,
Figure 112020005228485-pat00044
는
Figure 112020005228485-pat00045
의 편미분값이고,
Figure 112020005228485-pat00046
는
Figure 112020005228485-pat00047
의 편미분값이고,
Figure 112020005228485-pat00048
는 학습률(상수)이다.
또한, 상기 S730 과정은 식 4와 같이, 이전 비용함수와 업데이트된 영향계수를 통해 산출된 업데이트된 비용함수 간의 크기에 따라 임의 특정 지정값을 적용시켜 상기 이전 비용함수보다 상기 산출된 업데이트 된 비용함수가 크면 학습율을
Figure 112020005228485-pat00049
로 나누어서 학습율을 낮춰주고 상기 이전 비용함수 보다 상기 산출된 업데이트 된 비용함수가 작으면
Figure 112020005228485-pat00050
로 곱해주어 올려주는 것을 반복하여 적정수준의 학습율을 찾도록 학습하는 과정을 포함한다.
[식 4]
Figure 112020005228485-pat00051
상기 S730 과정은 하기의 식 5 내지 식 6을 이용하여 전력 수요부하 예측치 및 학습율을 상기 실측값과 상기 관계데이터, 비용함수값 및 상기 비용함수값의 편미분값을 기초로 학습 및 추정하는 과정을 포함한다.
[식 5]
Figure 112020005228485-pat00052
여기서,
Figure 112020005228485-pat00053
는 전력 수요부하 예측치이고,
Figure 112020005228485-pat00054
는 상수,
Figure 112020005228485-pat00055
는 전력 수요부하의 영향계수이다.
[식 6]
Figure 112020005228485-pat00056
여기서, J(
Figure 112020005228485-pat00057
)는 비용함수(cost function), m은 영향계수의 갯수,
Figure 112020005228485-pat00058
는 전력 수요부하의 실측값이다.
또한, 상기 S730 과정은 하기의 식 7을 이용하여 기존 영향계수를 반복 업데이트한다.
[식 7]
Figure 112020005228485-pat00059
여기서,
Figure 112020005228485-pat00060
는 기존 영향계수이고,
Figure 112020005228485-pat00061
는
Figure 112020005228485-pat00062
의 편미분값이고,
Figure 112020005228485-pat00063
는
Figure 112020005228485-pat00064
의 편미분값이고,
Figure 112020005228485-pat00065
는 학습률(상수)이다.
또한, 상기 S730 과정은 하기의 식 8과 같이, 이전 비용함수와 업데이트된 영향계수를 통해 산출된 업데이트된 비용함수 간의 크기에 따라 임의 특정 지정값을 적용시켜 상기 이전 비용함수보다 상기 산출된 업데이트된 비용함수가 크면 학습율을
Figure 112020005228485-pat00066
로 나누어서 학습율을 낮춰주고 상기 이전 비용함수 보다 상기 산출된 업데이트 된 비용함수가 작으면
Figure 112020005228485-pat00067
로 곱해주어 올려주는 것을 반복하여 적정수준의 학습율을 찾도록 학습하는 과정을 수행한다.
[식 8]
Figure 112020005228485-pat00068
또한, 상기 S730 과정은 스케줄 생성부(132)를 통해 머신러닝학습부(131)에 학습되어 예측된 에너지 저장 시스템(Energy Storage System) 및/또는 재생에너지시스템(Renewable Energy System)의 전력 발전량 예측치와 수요부하 예측치 간의 차에 해당하는 충방전 스케줄을 생성하고, 생성된 충방전 스케줄을 시뮬레이션하여 시간대별 전력 잉여분/부족분을 분석하는 과정을 포함할 수 있다.
또한, 상기 S730 과정은 P2P 전력거래부(133)를 통해 전력 거래시장 또는 마이크로그리드와 블록체인으로 P2P 거래 내역을 블록으로 저장하거나 스마트 계약을 통해서 자동적으로 계약을 수행하고, 이러한 거래에 따른 정산을 수행하는 블록체인 기반 P2P 전력거래 기능을 수행하는 과정을 포함할 수 있다.
상기 P2P 전력거래부(133)는 블록체인 기반 P2P 전력 거래용 프로그램(혹은 하드웨어)이 설치되어 동작할 수 있으며 블록체인에 따른 공유원장을 저장할 저장부가 구성될 수 있다. 이러한 블록체인 기반 P2P 전력 거래용 프로그램(혹은 하드웨어)은 거래에 따른 에너지 토큰(해당 블록 체인에서 거래에 사용하는 다양한 종류의 화페를 통칭)을 전자 지갑을 기반으로 관리한다.
또한 P2P 전력거래부(133)는 기 설정된 발전 수요 분석 알고리즘에 따라 자동으로 전력 거래를 수행하고, 설정된 시간(예를 들어 15분) 마다 상기 수행된 전력 거래를 확인하여 합산하여 블록 체인으로 저장하고, 블록체인으로 저장된 전력 거래를 에너지 토큰으로 정산하며, 해당 에너지 토큰을 블록체인의 전자 지갑에 입출금하고, 에너지 토큰을 블록체인 암호화폐 거래소에서 거래하거나 암호화폐 가맹점을 통해 현금화하거나 소비할 수 있다.
이러한 블록체인 기반 P2P 전력 거래를 통해서 중앙 관리 기관이 없더라도 거래 내역을 투명하고 안전하며 공개적으로 관리 수 있다
본 발명의 일 실시예에 따르면, 머신러닝 기울기 하강(Gradient Descent) 알고리즘이 내장된 에이전트를 소규모 분산 자원에 도입함으로써 보다 많은 신재생에너지 발전원과 에너지 저장 장치와 같은 소규모 전력 사업자이 소형 디바이스에 탑재된 분석 알고리즘을 쉽게 사용할 수 있게 하여 전력 발전원과 전력 수요를 효율적이고 효과적으로 관리할 수 있게 하며 적절한 부하와 피크 조절 및 전력 분배로 인하여 수요절감이 가능하게 하며 경제성을 향상시킬 수 있다. 또한, 정확하고 신뢰 있는 전력 공급과 수요의 예측으로 소규모 사업자로 하여금 마이크로 그리드 상 혹은 전력 도매시장에서 전력거래를 용이하게 하여 송전선로(Transmission Line)의 이용률을 향상시킬 수 있어 국가적으로 전력 투자 비용을 절감하며 전체적인 전력 그리드의 안정화에 기여할 수 있다.
본 발명의 일 실시예에서, 설명한 기능들은 하드웨어, 소프트웨어, 펌웨어, 또는 이들의 임의의 조합으로 구현될 수 있다. 소프트웨어로 구현된다면, 이 기능들은 컴퓨터 판독 가능 매체 상에 하나 이상의 명령 또는 코드로서 저장 또는 전송될 수 있다. 컴퓨터 판독 가능 매체는 한 장소에서 다른 장소로 컴퓨터 프로그램의 전달을 용이하게 하는 임의의 매체를 포함하는 통신 매체 및 컴퓨터 저장 매체를 모두 포함한다. 저장 매체는 컴퓨터에 의해 액세스 가능한 임의의 이용 가능한 매체일 수 있다. 한정이 아닌 예시로, 이러한 컴퓨터 판독가능 매체는 RAM, ROM, EEPROM, CD-ROM이나 다른 광 디스크 저장소, 자기 디스크 저장소 또는 다른 자기 저장디바이스, 또는 명령이나 데이터 구조의 형태로 원하는 프로그램코드를 전달 또는 저장하는데 사용될 수 있으며 컴퓨터에 의해 액세스 가능한 임의의 다른 매체를 포함할 수 있다. 또한, 임의의 접속이 컴퓨터 판독 가능 매체로 적절히 지칭된다. 예를 들어, 소프트웨어가 동축 케이블, 광섬유 케이블, 꼬임 쌍선, 디지털 가입자 회선(DSL), 또는 적외선, 라디오 및 초고주파와 같은 무선 기술을 이용하여 웹사이트, 서버 또는 다른 원격 소스로부터 전송된다면, 동축 케이블, 광섬유 케이블, 꼬임 쌍선, DSL, 또는 적외선, 라디오 및 초고주파와 같은 무선기술들이 매체의 정의에 포함된다. 여기서 사용된 것과 같은 디스크(disk 및 disc)는 콤팩트 디스크(CD), 레이저 디스크, 광 디스크, 디지털 다목적 디스크(DVD), 플로피디스크 및 블루레이 디스크를 포함하며, 디스크(disk)들은 보통 데이터를 자기적으로 재생하는 반면, 디스크(disc)들은 데이터를 레이저에 의해 광학적으로 재생한다. 상기의 조합들 또한 컴퓨터 판독 가능 매체의 범위 내에 포함되어야 한다.
일 실시예가 프로그램 코드나 코드 세그먼트들로 구현될 때, 코드 세그먼트는 프로시저, 함수, 서브프로그램, 프로그램, 루틴, 서브루틴, 모듈, 소프트웨어 패키지, 클래스, 또는 명령들, 데이터 구조들, 또는 프로그램 명령문들의 임의의 조합을 나타낼 수 있는 것으로 인식해야 한다. 코드 세그먼트는 정보, 데이터, 인수(argument), 파라미터 또는 메모리 콘텐츠를 전달 및/또는 수신함으로써 다른 코드 세그먼트 또는 하드웨어 회로에 연결될 수 있다. 정보, 인수, 파라미터, 데이터 등은 메모리 공유, 메시지 전달, 토큰 전달, 네트워크 송신 등을 포함하는 임의의 적당한 수단을 이용하여 전달, 발송 또는 전송될 수 있다. 추가로, 어떤 측면들에서 방법 또는 알고리즘의 단계들 및/또는 동작들은 컴퓨터 프로그램 물건으로 통합될 수 있는 기계 판독 가능 매체 및/또는 컴퓨터 판독 가능 매체 상에 코드들 및/또는 명령들 중 하나 또는 이들의 임의의 조합이나 세트로서 상주할 수 있다.
여기서 설명한 기술들은 여기서 설명한 기능들을 수행하는 모듈들(예를 들어, 프로시저, 함수 등)로 구현될 수 있다. 소프트웨어 코드들은 메모리 유닛들에 저장될 수 있으며 프로세서들에 의해 실행될 수 있다. 메모리 유닛은 프로세서 내에 구현될 수도 있고 프로세서 외부에 구현될 수 있으며, 이 경우 메모리 유닛은 공지된 바와 같이 다양한 수단에 의해 프로세서에 통신 가능하게 연결될 수 있다.
하드웨어 구현에서, 처리 유닛들은 하나 이상의 주문형 집적 회로(ASIC), 디지털 신호 프로세서(DSP), 디지털 신호 처리 디바이스(DSPD), 프로그래밍 가능 로직 디바이스(PLD), 현장 프로그래밍 가능 게이트 어레이(FPGA), 프로세서, 제어기, 마이크로컨트롤러, 마이크로프로세서, 여기서 설명한 기능들을 수행하도록 설계된 다른 전자 유닛들, 또는 이들의 조합 내에 구현될 수 있다.
더욱이, 본 출원에서 사용된 바와 같이, "컴포넌트", "모듈", "시스템" 등의 용어는 이에 한정되는 것은 아니지만, 하드웨어, 펌웨어, 하드웨어와 소프트웨어의 조합, 소프트웨어 또는 실행중인 소프트웨어와 같은 컴퓨터 관련 엔티티를 포함하는 것이다. 예를 들어, 컴포넌트는 이에 한정되는 것은 아니지만, 프로세서상에서 실행하는 프로세스, 프로세서, 객체, 실행 가능한 실행 스레드, 프로그램 및/또는 컴퓨터일 수도 있다. 예시로, 연산 디바이스 상에서 구동하는 애플리케이션과 연산 디바이스 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트가 프로세스 및/또는 실행 스레드 내에 상주할 수 있으며, 컴포넌트가 하나의 컴퓨터에 집중될 수도 있고 그리고/또는 2개 이상의 컴퓨터 사이에 분산될 수도 있다. 또한, 이들 컴포넌트는 각종 데이터 구조를 저장한 각종 컴퓨터 판독 가능 매체로부터 실행될 수 있다. 컴포넌트들은 하나 이상의 데이터 패킷(예를 들어, 로컬 시스템, 분산 시스템의 다른 컴포넌트와 그리고/또는 신호에 의해 다른 시스템들과 인터넷과 같은 네트워크를 거쳐 상호 작용하는 어떤 컴포넌트로부터의 데이터)을 갖는 신호에 따르는 등 로컬 및/또는 원격 프로세스에 의해 통신할 수 있다.
본 발명은 전술한 실시예 및 첨부된 도면에 의해 한정되는 것이 아니다. 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 있어, 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 본 발명에 다른 구성요소를 치환, 변형 및 변경할 수 있다는 것이 명백할 것이다.
100: 머신러닝 알고리즘 기반의 에너지 에이전트를 활용한 전력거래시스템
110: 스마트미터
120: 정보수집부
130: 인공지능 전력거래 에이전트부
131: 머신러닝 학습부
132: 스케줄 생성부
133: P2P 전력거래부

Claims (10)

  1. 에너지 저장 시스템(Energy Storage System) 또는 재생에너지시스템(Renewable Energy System)의 전력발전량 및 상기 전력발전량의 수요부하 전력량의 실측값을 계측하는 적어도 하나 이상의 스마트미터;
    상기 전력발전량 및 수요부하 전력량과 관련된 관계데이터를 수집하여 영향계수로 가공하는 정보수집부; 및
    상기 적어도 하나 이상의 스마트미터에서 계측한 실측값 및 상기 관계데이터를 기울기 하강(Gradient Descent) 머신러닝 알고리즘에 적용시켜 상기 전력 발전량과 상기 수요부하 전력량 각각의 예측치를 학습데이터를 기반으로 학습하여 분석하고, 분석결과를 기초로 수요부하 전력 예상치에 따른 상기 에너지 저장 시스템의 충방전 스케줄 또는 상기 재생에너지시스템의 전력발전 스케줄을 산출하고, 산출된 충방전 스케줄 또는 전력발전 스케줄에 따라 시간대별 전력 잉여분과 부족분을 분석하여 전력 부족분에 대한 전력거래를 수행하는 인공지능 전력거래 에이전트부를 포함하고,
    상기 인공지능 전력거래 에이전트부는
    하기의 식 1 내지 식 2를 이용하여 전력 발전량 예측치 및 학습율을 상기 실측값, 상기 관계데이터, 비용함수값 및 상기 비용함수값의 편미분값을 기초로 학습 및 추정하고, 하기의 식 3을 이용하여 기존 영향계수를 반복 업데이트하고, 하기의 식 4를 이용하여 이전 비용함수와 업데이트된 영향계수를 통해 산출된 업데이트된 비용함수 간의 크기에 따라 임의 특정 지정값을 적용시켜 상기 이전 비용함수보다 상기 산출된 업데이트 된 비용함수가 크면 학습율을
    Figure 112020037972880-pat00141
    로 나누어서 학습율을 낮춰주고 상기 이전 비용함수 보다 상기 산출된 업데이트 된 비용함수가 작으면
    Figure 112020037972880-pat00142
    로 곱해주어 올려주는 것을 반복하여 적정수준의 학습율을 찾도록 학습하는 과정을 수행하는 것을 특징으로 하는 머신러닝 알고리즘 기반의 에너지 에이전트를 활용한 전력거래시스템.
    [식 1]
    Figure 112020037972880-pat00069

    여기서,
    Figure 112020037972880-pat00070
    는 전력발전량 예측치이고,
    Figure 112020037972880-pat00071
    는 상수,
    Figure 112020037972880-pat00072
    는 전력발전량의 영향계수이다.
    [식 2]
    Figure 112020037972880-pat00073

    여기서, J(
    Figure 112020037972880-pat00074
    )는 비용함수(cost function), m은 영향계수이고,
    Figure 112020037972880-pat00075
    는 전력발전량 실측값이다.
    [식 3]
    Figure 112020037972880-pat00076

    여기서,
    Figure 112020037972880-pat00077
    는 기존 영향계수이고,
    Figure 112020037972880-pat00078
    는
    Figure 112020037972880-pat00079
    의 편미분값이고,
    Figure 112020037972880-pat00080
    는
    Figure 112020037972880-pat00081
    의 편미분값이고,
    Figure 112020037972880-pat00082
    는 학습률(상수)이다.
    [식 4]
    Figure 112020037972880-pat00085
  2. 삭제
  3. 삭제
  4. 삭제
  5. 제1항에 있어서,
    상기 인공지능 전력거래 에이전트부는
    하기의 식 5 내지 식 6을 이용하여 전력 수요부하 예측치 및 학습율을 상기 실측값과 상기 관계데이터, 비용함수값 및 상기 비용함수값의 편미분값을 기초로 학습 및 추정하는 것을 특징으로 하는 머신러닝 알고리즘 기반의 에너지 에이전트를 활용한 전력거래시스템.
    [식 5]
    Figure 112020005228485-pat00086

    여기서,
    Figure 112020005228485-pat00087
    는 전력 수요부하 예측치이고,
    Figure 112020005228485-pat00088
    는 상수,
    Figure 112020005228485-pat00089
    는 전력 수요부하의 영향계수이다.
    [식 6]
    Figure 112020005228485-pat00090

    여기서, J(
    Figure 112020005228485-pat00091
    )는 비용함수(cost function), m은 영향계수의 갯수,
    Figure 112020005228485-pat00092
    는 전력 수요부하의 실측값이다.
  6. 제5항에 있어서,
    상기 인공지능 전력거래 에이전트부는
    하기의 식 7을 이용하여 기존 영향계수를 반복 업데이트하는 것을 특징으로 하는 머신러닝 알고리즘 기반의 에너지 에이전트를 활용한 전력거래시스템.
    [식 7]
    Figure 112020005228485-pat00093

    여기서,
    Figure 112020005228485-pat00094
    는 기존 영향계수이고,
    Figure 112020005228485-pat00095
    는
    Figure 112020005228485-pat00096
    의 편미분값이고,
    Figure 112020005228485-pat00097
    는
    Figure 112020005228485-pat00098
    의 편미분값이고,
    Figure 112020005228485-pat00099
    는 학습률(상수)이다.
  7. 제6항에 있어서,
    상기 인공지능 전력거래 에이전트부는
    하기의 식 8과 같이, 이전 비용함수와 업데이트된 영향계수를 통해 산출된 업데이트된 비용함수 간의 크기에 따라 임의 특정 지정값을 적용시켜 상기 이전 비용함수보다 상기 산출된 업데이트된 비용함수가 크면 학습율을
    Figure 112020005228485-pat00100
    로 나누어서 학습율을 낮춰주고 상기 이전 비용함수 보다 상기 산출된 업데이트 된 비용함수가 작으면
    Figure 112020005228485-pat00101
    로 곱해주어 올려주는 것을 반복하여 적정수준의 학습율을 찾도록 학습하는 과정을 수행하는 머신러닝 알고리즘 기반의 에너지 에이전트를 활용한 전력거래시스템.
    [식 8]
    Figure 112020005228485-pat00102
    .
  8. 제1항에 있어서,
    상기 인공지능 전력거래 에이전트부는
    기 설정된 발전 수요 분석 알고리즘에 따라 산출된 충방전 스케줄 또는 전력발전 스케줄에 따라 시간대별 전력 잉여분과 부족분을 분석하여 전력 부족분에 대한 전력거래를 기 설정된 시간마다 수행하고, 상기 수행된 전력 거래를 확인 후 합산하여 블록체인으로 저장하는 머신러닝 알고리즘 기반의 에너지 에이전트를 활용한 전력거래시스템.
  9. 제8항에 있어서,
    상기 인공지능 전력거래 에이전트부는
    상기 전력거래를 에너지 토큰으로 정산하며, 해당 에너지 토큰을 블록체인 암호화폐 지갑에 입출금하는 머신러닝 알고리즘 기반의 에너지 에이전트를 활용한 전력거래시스템.
  10. 에너지 저장 시스템(Energy Storage System) 또는 재생에너지시스템(Renewable Energy System)의 전력발전량 및 상기 전력발전량의 수요부하 전력량의 실측값을 적어도 하나 이상의 스마트미터에서 계측하는 단계;
    상기 전력발전량 및 수요부하 전력량과 관련된 관계데이터를 수집하는 정보수집부에서 수집하는 단계; 및
    상기 적어도 하나 이상의 스마트미터에서 계측한 실측값 및 상기 관계데이터를 기울기 하강(Gradient Descent) 머신러닝 알고리즘에 적용시켜 상기 전력 발전량과 상기 수요부하 전력량 각각의 예측치를 학습데이터를 기반으로 학습하여 분석하고, 분석결과를 기초로 수요부하 전력 예상치에 따른 상기 에너지 저장 시스템의 충방전 스케줄 또는 상기 재생에너지시스템의 전력발전 스케줄을 산출하고, 산출된 충방전 스케줄 또는 전력발전 스케줄에 따라 시간대별 전력 잉여분과 부족분을 분석하여 전력 부족분에 대한 전력거래를 인공지능 전력거래 에이전트부에서 수행하는 단계를 포함하고,
    상기 인공지능 전력거래 에이전트부에서 수행하는 단계는
    하기의 식 1 내지 식 2를 이용하여 전력 발전량 예측치 및 학습율을 상기 실측값, 상기 관계데이터, 비용함수값 및 상기 비용함수값의 편미분값을 기초로 학습 및 추정하고, 하기의 식 3을 이용하여 기존 영향계수를 반복 업데이트하고, 하기의 식 4를 이용하여 이전 비용함수와 업데이트된 영향계수를 통해 산출된 업데이트된 비용함수 간의 크기에 따라 임의 특정 지정값을 적용시켜 상기 이전 비용함수보다 상기 산출된 업데이트 된 비용함수가 크면 학습율을
    Figure 112020037972880-pat00143
    로 나누어서 학습율을 낮춰주고 상기 이전 비용함수 보다 상기 산출된 업데이트 된 비용함수가 작으면
    Figure 112020037972880-pat00144
    로 곱해주어 올려주는 것을 반복하여 적정수준의 학습율을 찾도록 학습하는 과정을 수행하는 머신러닝 알고리즘 기반의 에너지 에이전트를 활용한 전력거래방법.
    [식 1]
    Figure 112020037972880-pat00145

    여기서,
    Figure 112020037972880-pat00146
    는 전력발전량 예측치이고,
    Figure 112020037972880-pat00147
    는 상수,
    Figure 112020037972880-pat00148
    는 전력발전량의 영향계수이다.
    [식 2]
    Figure 112020037972880-pat00149

    여기서, J(
    Figure 112020037972880-pat00150
    )는 비용함수(cost function), m은 영향계수이고,
    Figure 112020037972880-pat00151
    는 전력발전량 실측값이다.
    [식 3]
    Figure 112020037972880-pat00152

    여기서,
    Figure 112020037972880-pat00153
    는 기존 영향계수이고,
    Figure 112020037972880-pat00154
    는
    Figure 112020037972880-pat00155
    의 편미분값이고,
    Figure 112020037972880-pat00156
    는
    Figure 112020037972880-pat00157
    의 편미분값이고,
    Figure 112020037972880-pat00158
    는 학습률(상수)이다.
    [식 4]
    Figure 112020037972880-pat00159
KR1020200006091A 2020-01-16 2020-01-16 머신러닝 알고리즘 기반의 에너지 에이전트를 활용한 전력거래시스템 및 방법 KR102137751B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200006091A KR102137751B1 (ko) 2020-01-16 2020-01-16 머신러닝 알고리즘 기반의 에너지 에이전트를 활용한 전력거래시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200006091A KR102137751B1 (ko) 2020-01-16 2020-01-16 머신러닝 알고리즘 기반의 에너지 에이전트를 활용한 전력거래시스템 및 방법

Publications (1)

Publication Number Publication Date
KR102137751B1 true KR102137751B1 (ko) 2020-07-27

Family

ID=71894086

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200006091A KR102137751B1 (ko) 2020-01-16 2020-01-16 머신러닝 알고리즘 기반의 에너지 에이전트를 활용한 전력거래시스템 및 방법

Country Status (1)

Country Link
KR (1) KR102137751B1 (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112561591A (zh) * 2020-12-21 2021-03-26 国网电子商务有限公司 一种能源电子账单智能结算方法及装置
CN112874369A (zh) * 2021-01-12 2021-06-01 上海追日电气有限公司 一种充电管理系统的充电与供能优化方法及装置
KR20230137578A (ko) 2022-03-22 2023-10-05 서강대학교산학협력단 블록체인을 기반으로 한 잉여 에너지 거래 시스템 및 잉여 에너지 거래 방법
KR102615485B1 (ko) * 2022-07-06 2023-12-19 재단법인 녹색에너지연구원 디지털트윈 기반 마이크로그리드 운영 방법

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101079929B1 (ko) 2010-07-02 2011-11-04 엘에스산전 주식회사 전기 기기의 에너지 관리 시스템, 전기 기기의 에너지 관리 장치, 전기 기기의 에너지 관리 방법
KR20170087313A (ko) * 2016-01-20 2017-07-28 주식회사 케이티 사용자 불편과 에너지 비용을 최소화하는 에너지 운용 장치 및 에너지 운용 방법
KR101836439B1 (ko) * 2017-09-01 2018-03-09 주식회사 텔다 전력 수용가에 설치된 ess의 충방전 알고리즘 예측 시스템
KR101942543B1 (ko) * 2018-08-07 2019-01-28 주식회사 텔다 블록체인 기술을 활용한 에너지 저장 장치 기반 분산 자원의 p2p 전력 거래 시스템 및 그 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101079929B1 (ko) 2010-07-02 2011-11-04 엘에스산전 주식회사 전기 기기의 에너지 관리 시스템, 전기 기기의 에너지 관리 장치, 전기 기기의 에너지 관리 방법
KR20170087313A (ko) * 2016-01-20 2017-07-28 주식회사 케이티 사용자 불편과 에너지 비용을 최소화하는 에너지 운용 장치 및 에너지 운용 방법
KR101836439B1 (ko) * 2017-09-01 2018-03-09 주식회사 텔다 전력 수용가에 설치된 ess의 충방전 알고리즘 예측 시스템
KR101942543B1 (ko) * 2018-08-07 2019-01-28 주식회사 텔다 블록체인 기술을 활용한 에너지 저장 장치 기반 분산 자원의 p2p 전력 거래 시스템 및 그 방법

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112561591A (zh) * 2020-12-21 2021-03-26 国网电子商务有限公司 一种能源电子账单智能结算方法及装置
CN112874369A (zh) * 2021-01-12 2021-06-01 上海追日电气有限公司 一种充电管理系统的充电与供能优化方法及装置
CN112874369B (zh) * 2021-01-12 2022-08-05 上海追日电气有限公司 一种充电管理系统的充电与供能优化方法及装置
KR20230137578A (ko) 2022-03-22 2023-10-05 서강대학교산학협력단 블록체인을 기반으로 한 잉여 에너지 거래 시스템 및 잉여 에너지 거래 방법
KR102615485B1 (ko) * 2022-07-06 2023-12-19 재단법인 녹색에너지연구원 디지털트윈 기반 마이크로그리드 운영 방법
WO2024010131A1 (ko) * 2022-07-06 2024-01-11 재단법인 녹색에너지연구원 디지털트윈 기반 마이크로그리드 운영 방법

Similar Documents

Publication Publication Date Title
KR102137751B1 (ko) 머신러닝 알고리즘 기반의 에너지 에이전트를 활용한 전력거래시스템 및 방법
Guo et al. Integrated planning of internet data centers and battery energy storage systems in smart grids
JP6254288B2 (ja) ネットワークアクセス可能なサービスユニットのための顧客選択可能な電力源選択肢
US10855077B2 (en) System and method for utility management
Huang et al. Optimal power procurement and demand response with quality-of-usage guarantees
Saxena et al. A permissioned blockchain system to reduce peak demand in residential communities via energy trading: A real-world case study
KR20200141905A (ko) 전력 소비량 예측 및 전력 공급 방법 및 장치
Martínez et al. Optimal sizing method of vanadium redox flow battery to provide load frequency control in power systems with intermittent renewable generation
KR20190132187A (ko) 복합적 dr 자원을 고려한 인센티브 기반 수요응답 방법 및 시스템
Lopez et al. Peer-to-peer energy trading for photo-voltaic prosumers
Qiu et al. Multi‐objective transmission expansion planning in a smart grid using a decomposition‐based evolutionary algorithm
Song et al. Dynamic thermal line rating model of conductor based on prediction of meteorological parameters
Hu et al. Power system reliability assessment with quantification of demand response uncertainty based on advanced sigmoid cloud model
Kazhamiaka et al. Comparison of different approaches for solar PV and storage sizing
KR20200079832A (ko) 전력 수급 환경에 따른 전력 사업자의 초기 ess 및 pv 투자 대비 수익 분석을 위한 전력 수급 관리 및 용량 결정 시스템
JP7214283B1 (ja) ニューラルネットワーク基盤の負荷推定モデルを含む積算電力装置で負荷を推定する方法及びこれを利用した積算電力装置
Prasanna et al. Multi objective optimal allocation of a distributed generation unit in distribution network using PSO
Mussi et al. A Reinforcement Learning controller optimizing costs and battery State of Health in smart grids
Sepulveda Rangel et al. Mixed‐integer stochastic evaluation of battery energy storage system integration strategies in distribution systems
Challen et al. Experimental testing of a real aggregator system performing rigorous optimal control of electrical and thermal storage
Yue et al. A power system harmonic problem based on the BP neural network learning algorithm
Basmadjian et al. Hidden storage in data centers: Gaining flexibility through cooling systems
Jindal et al. Internet of Energy for Smart Cities: Machine Learning Models and Techniques
Ashabi et al. Techno-economic analysis of integrating battery energy storage systems in industrial buildings
Naz et al. Game-Theoretical Energy Management for Residential User and Micro Grid for Optimum Sizing of Photo Voltaic Battery Systems and Energy Prices

Legal Events

Date Code Title Description
GRNT Written decision to grant