KR102196178B1

KR102196178B1 - 마이크로그리드의 운전 예비력 제어 장치 및 방법

Info

Publication number: KR102196178B1
Application number: KR1020200071746A
Authority: KR
Inventors: 정일엽; 부바하우
Original assignee: 국민대학교산학협력단
Priority date: 2020-06-12
Filing date: 2020-06-12
Publication date: 2020-12-29

Abstract

본 발명은 기상 예측을 기반으로 하여 신재생에너지 전원의 출력 변동성을 대비하여 마이크로그리드의 운전 예비력을 효과적으로 제어하는 장치 및 방법에 관한 것이다. 본 실시 예에 따른 마이크로그리드의 운전 예비력 제어 방법은 신재생에너지 발전기 그룹이 배치된 지역의 기상 특성을 예측하여 기상예측 정보를 생성하는 단계와, 기상예측 정보에 기초하여 신재생에너지 발전기 그룹의 출력을 예측하는 단계와, 신재생에너지 발전기 그룹의 출력 예측에 따라 신재생에너지 발전기 그룹에 대한 운전 예비력 비율을 결정하는 단계와, 운전 예비력 비율 및 신재생에너지 발전기 그룹의 출력에 기초하여 디젤 발전기 그룹의 동작을 제어하는 단계를 포함할 수 있다. 본 실시 예에 따르면, 신재생에너지 전원을 이용하는 마이크로그리드의 독립 운전 시에 신재생에너지 전원의 출력변동에 대비하여 전력계통을 안정화시킬 수 있다.

Description

마이크로그리드의 운전 예비력 제어 장치 및 방법{APPARATUS AND METHOD FOR CONTROLLING SPINNING RESERVE IN MICROGRID}

본 발명은 기상 예측을 기반으로 하여 신재생에너지 전원의 출력 변동성을 대비할 수 있도록 마이크로그리드의 운전 예비력을 효과적으로 제어하는 장치 및 방법에 관한 것이다.

도서지역, 격오지 등에 설치하는 전력계통은 육지계통과 분리되어 마이크로그리드의 형태로 설치되는 경우가 많기 때문에 지역 내의 전력부하 공급을 마이크로그리드 내의 발전설비로 공급해야 한다. 만약, 부하가 급격히 증가하는 경우에 운전 중인 발전기의 용량이 충분하지 않으면 추가로 발전기를 기동시켜야 하는데, 일반적으로 많이 사용하는 디젤 발전기 기동에는 시간 지연이 발생하므로 최악의 경우 전력수급의 균형이 깨질 수 있다.

전력수급의 균형이 깨지면 주파수가 급락하게 되고, 주파수 보호계전기의 동작점까지 하락하게 되면, 운전 중인 발전기가 탈락하게 되어 마이크로그리드는 정전상태가 되고, 심각한 경우 전력설비의 영구적 고장을 유발할 수 있다. 따라서 일반적으로 마이크로그리드의 운영은 전력 부하의 크기를 예측하여 충분한 용량의 발전기를 운전상태로 유지한다. 이를 계통운영의 관점에서 운전 예비력(spinning reserve)이라고 칭한다.

최근 도서지역 및 격오지 마이크로그리드의 발전 연료비를 절감하여 에너지 공급비용을 낮추고자 태양광발전 및 풍력발전과 같은 신재생에너지의 이용이 증가하고 있다. 이들 신재생에너지 발전원은 설치가 복잡하지만 안정적으로 운전이 된다면 발전 연료를 크게 절감할 수 있으며, 특히 도서지역과 같은 경우 연료의 운송과 저장 등에서 오는 비용 절감효과가 매우 크다.

그러나, 신재생에너지 전원은 기상과 환경에 따라서 출력이 상시적으로 변동하는 특성을 가진다. 만약 신재생에너지 전원의 출력에 불확실성이 커지면, 필요 이상으로 디젤 발전기를 기동하여 운전 예비력을 확보해야 하므로 연료 소비가 증가되고, 디젤 발전기의 수명이 단축되는 문제점이 있다.

전술한 배경기술은 발명자가 본 발명의 도출을 위해 보유하고 있었거나, 본 발명의 도출 과정에서 습득한 기술 정보로서, 반드시 본 발명의 출원 전에 일반 공중에게 공개된 공지기술이라 할 수는 없다.

일본 공개특허공보 제2014-204466호(2014.10.27.)

본 발명의 일 과제는, 운전 예비력 확보를 위해 필요 이상으로 디젤 발전기를 가동하여 연료 소비를 증가시키고 수명이 단축되었던 종래 기술의 문제점을 해결하는데 있다.

본 발명의 일 과제는, 기상조건에 따라 신재생에너지 전원의 출력에 대한 운전 예비력을 차등 적용하여 전력계통을 안정화시키는데 있다.

본 발명의 일 과제는, 기상 예측을 통하여 신재생에너지 발전출력의 변동 범위를 예측하여 디젤 발전기를 이용한 운전 예비력을 효과적으로 관리하는데 있다.

본 발명의 일 과제는, 운전 예비력 확보를 위해 필요 이상으로 디젤 발전기를 가동하여 연료 소비를 증가시키고 수명이 단축되었던 종래 기술의 문제점을 최적의 자원을 사용하면서 해결하는 것이다.

본 발명이 해결하고자 하는 과제는 이상에서 언급한 과제에 한정되지 않으며, 언급되지 않은 본 발명의 다른 과제 및 장점들은 하기의 설명에 의해서 이해될 수 있고, 본 발명의 실시 예에 의해보다 분명하게 이해될 것이다. 또한, 본 발명이 해결하고자 하는 과제 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 알 수 있을 것이다.

본 발명의 일 실시 예에 따른 마이크로그리드의 운전 예비력 제어 방법은, 신재생에너지 발전기 그룹, 디젤 발전기 그룹 및 에너지 저장장치 그룹을 포함하는 마이크로그리드의 운전 예비력을 제어하는 방법으로서, 신재생에너지 발전기 그룹이 배치된 지역의 기상 특성을 예측하여 기상예측 정보를 생성하는 단계와, 기상예측 정보에 기초하여 신재생에너지 발전기 그룹의 출력을 예측하는 단계와, 신재생에너지 발전기 그룹의 출력 예측에 따라 신재생에너지 발전기 그룹에 대한 운전 예비력 비율을 결정하는 단계와, 운전 예비력 비율 및 신재생에너지 발전기 그룹의 출력에 기초하여 디젤 발전기 그룹의 동작을 제어하는 단계를 포함할 수 있다.

본 발명의 일 실시 예에 따른 마이크로그리드의 운전 예비력 제어 장치는, 신재생에너지 발전기 그룹, 디젤 발전기 그룹 및 에너지 저장장치 그룹을 포함하는 마이크로그리드의 운전 예비력을 제어하는 장치로서, 신재생에너지 발전기 그룹이 배치된 지역의 기상 특성을 예측하여 기상예측 정보를 생성하는 제1 예측부와, 기상예측 정보에 기초하여 신재생에너지 발전기 그룹의 출력을 예측하는 제2 예측부와, 신재생에너지 발전기 그룹의 출력 예측에 따라 신재생에너지 발전기 그룹에 대한 운전 예비력 비율을 결정하는 결정부와, 운전 예비력 비율 및 신재생에너지 발전기 그룹의 출력에 기초하여 디젤 발전기 그룹의 동작을 제어하는 제어부를 포함할 수 있다.

이 외에도, 본 발명을 구현하기 위한 다른 방법, 다른 시스템 및 상기 방법을 실행하기 위한 컴퓨터 프로그램이 저장된 컴퓨터로 판독 가능한 기록매체가 더 제공될 수 있다.

전술한 것 외의 다른 측면, 특징, 이점이 이하의 도면, 특허청구범위 및 발명의 상세한 설명으로부터 명확해질 것이다.

본 발명에 의하면, 태양광 및 풍력 등 신재생에너지 전원을 이용하는 마이크로그리드의 독립 운전 시에 신재생에너지 전원의 출력변동에 대비하여 전력계통을 안정화시킬 수 있다.

또한, 전력계통을 안정화시키기 위해 디젤 발전기 또는 에너지저장장치를 이용하되, 연료비용 및 에너지비용 등을 고려하여 경제적으로 운전 예비력을 유지할 수 있다.

또한, 디젤 발전기의 저부하 동작을 최소화 하여 디젤 발전기의 수명을 연장할 수 있다.

또한, 전력계통 안정화를 통해 신재생에너지 전원의 출력을 최대로 활용할 수 있어 신재생에너지 이용 비율을 높일 수 있다.

또한, 신재생에너지 전원의 경제성을 개선하여 신재생에너지 이용 활성화에 이바지할 수 있다.

또한, 도서지역, 격오지 등 미전화 지역의 전화사업에 활용하여 사업비를 절감하고 지역주민들의 생활 수준을 개선할 수 있다.

본 발명의 효과는 이상에서 언급된 것들에 한정되지 않으며, 언급되지 아니한 다른 효과들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

도 1은 본 실시 예에 따른 마이크로그리드의 운전 예비력 제어 환경의 예시도 이다.
도 2는 본 실시 예에 따른 마이크로그리드에서 태양광 발전기의 출력변동에 따른 주파수 제어를 통하여 전력수급을 안정화시키는 예시도이다.
도 3은 본 실시 예에 따른 기상상황에 대응하는 태양광 발전기의 출력 변화를 도시한 도면이다.
도 4는 본 실시 예에 따른 디젤 발전기의 연료 및 효율 곡선을 도시한 도면이다.
도 5는 본 실시 예에 따른 마이크로그리드의 운전 예비력 제어 장치의 구성을 개략적으로 설명하기 위하여 도시한 블록도이다.
도 6은 본 실시 예에 따른 기상 특성 예측 및 신재생에너지 출력 예측을 위한 심층신경망 모델을 설명하는 도면이다.
도 7은 본 실시 예에 따른 마이크로그리드의 운전 예비력 제어 방법을 설명하기 위한 흐름도이다.

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 설명되는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 아래에서 제시되는 실시 예들로 한정되는 것이 아니라, 서로 다른 다양한 형태로 구현될 수 있고, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 아래에 제시되는 실시 예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.

본 출원에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다. 제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.

이하, 본 발명에 따른 실시 예들을 첨부된 도면을 참조하여 상세히 설명하기로 하며, 첨부 도면을 참조하여 설명함에 있어, 동일하거나 대응하는 구성 요소는 동일한 도면번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.

도 1은 본 실시 예에 따른 마이크로그리드의 운전 예비력 제어 환경의 예시도이다. 도 1을 참조하면, 운전 예비력 제어 환경은 마이크로그리드(100), 운전 예비력 제어 장치(200), 외부 장치(300) 및 네트워크(400)를 포함할 수 있다.

마이크로그리드(100)는 신재생에너지 발전기 그룹(110), 디젤 발전기 그룹(120) 및 에너지 저장장치 그룹(130) 등 독립적인 분산전원을 구비할 수 있다. 본 실시 예에서 사용되는 신재생에너지 발전기 그룹(110)은 신재생에너지 발전기(110)와 유사한 의미로 해석되거나 신재생에너지 발전기(110)를 포함하는 것으로 해석될 수 있다. 또한, 디젤 발전기 그룹(120: 120-1, 120-2 등)은 디젤 발전기(120)와 유사한 의미로 해석되거나 디젤 발전기(120)를 포함하는 것으로 해석될 수 있다. 더 나아가 에너지 저장장치 그룹(130: 130-1, 130-2 등)은 에너지 저장장치(120)와 유사한 의미로 해석되거나 에너지 저장장치(120)를 포함하는 것으로 해석될 수 있다.

마이크로그리드(100)는 필요에 따라서 전력계통에 연계되기도 하고, 독립적으로 운전하기도 하는 독자적인 전력망을 의미할 수 있다. 마이크로그리드(100)는 발전 규모가 작게는 수십 kW에서 크게는 수십 MW에 이를 수 있다. 본 실시 예에서는 마이크로그리드(100)의 운전 모드 가운데 독립 운전에 집중할 수 있는데, 대규모 전력망과 분리되어 운전되기 때문에 마이크로그리드(100) 내의 전력 공급과 전력 수요를 매 순간 일치하도록 발전기를 운전해야 한다. 마이크로그리드(100) 내의 발전기는 분산 전원(distributed generation) 또는 분산 에너지 자원(distributed energy resource) 등으로 불릴 수 있다.

신재생에너지 발전기 그룹(110)은 자연 동력원으로부터 전력을 발생하는 장치로서, 기상 상태에 따라 발전량에 영향을 받는 태양광(photovoltaic) 발전기 그룹(111) 및 풍력 발전기 그룹(112), 수력발전기(미도시) 등을 포함할 수 있다. 본 실시 예에서 태양광 발전기 그룹(111)은 기상 상태 중 일사량, 운량 및 온도 정보 등에 따라 발전량이 좌우되고, 풍력 발전기 그룹(112)는 기상 상태 중 풍속에 따라 발전량이 좌우될 수 있다. 태양광 발전기 그룹(111)은 하나 이상의 태양광 발전기를 포함할 수 있고, 풍력 발전기 그룹(112)은 하나 이상의 풍력 발전기를 포함할 수 있다. 본 실시 예에서 사용되는 태양광 발전기 그룹(111)은 태양광 발전기(111)와 유사한 의미로 해석되거나 태양광 발전기(111)를 포함하는 것으로 해석될 수 있다. 또한 풍력 발전기 그룹(112)은 풍력 발전기(112)와 유사한 의미로 해석되거나 풍력 발전기(112)를 포함하는 것으로 해석될 수 있다.

디젤 발전기 그룹(120) 내의 디?? 발전기(120-1, 120-2 등)는 여자기(미도시)와 조속기(미도시)와, 동기기(미도시)를 운전하는 내연기관으로 구성되고, 경유를 연료로 사용하여 디젤엔진을 구동함으로써 원하는 순간에 발전을 할 수 있다는 장점이 있다. 디젤자동차를 주변에서 쉽게 볼 수 있는 것과 마찬가지로 디젤 발전기(120-1, 120-2 등)도 동일한 기술을 이용하므로 운전이 단순하고 신뢰성이 높은 발전 방식이라 할 수 있다. 디젤 발전기(120-1, 120-2 등)는 신재생에너지 발전기 그룹 (110)의 출력이 비정상적이거나, 에너지 저장장치 그룹(130)의 잔존용량이 기준값 이하로 내려갈 때 발전원으로서 사용될 수 있다. 디젤 발전기 그룹 (120) 중 하나 이상의 디젤 발전기(120-1, 120-2 등)는 운전 예비력 제어 장치(200)에 의해 동작 여부 및/또는 출력이 조정될 수 있다.

에너지 저장장치(energy storage system) 그룹(130) 내의 에너지 저장장치(130-1, 130-2 등)는 마이크로그리드(100) 중 오프그리드 타입(Off-grid Type)에서 주전원으로 이용되는 장비로서, 배터리(미도시)에 분산형 전원의 잉여 전력을 저장하였다가 계통의 피크부하 발생시 사용되어 공급전력과 수요전력의 균형을 유지할 수 있다. 에너지 저장장치(130-1, 130-2 등)는 배터리 관리 시스템(battery management system, 미도시)을 구비하여 잔존용량을 관리하고, PCS(power conversion system, 미도시)를 구비하여 출력을 조정할 수 있다. 에너지 저장장치 그룹(130)은 운전 예비력 제어 장치(200)에 의해 동작 여부 및/또는 출력이 조정될 수 있다.

운전 예비력 제어 장치(200)는 마이크로그리드(100)에 연결되어 마이크로그리드(100)의 전력 공급을 제어할 수 있다. 운전 예비력 제어 장치(200)는 신재생에너지 발전기 그룹(110), 디젤 발전기 그룹(120) 및 에너지 저장장치 그룹(130)의 전력량을 파악하고 제어할 수 있다. 본 실시 예에서 운전 예비력 제어 장치(200)는 기상환경에 따라 신재생에너지 발전기 그룹(110)의 출력 변동의 크기를 예측하여 디젤 발전기 그룹(120) 및/또는 에너지 저장장치 그룹(130)을 이용한 운전 예비력을 제어할 수 있다.

운전 예비력 제어 장치(200)는 신재생에너지 발전기 그룹(110)이 배치된 지역의 기상 특성을 예측하여 기상예측 정보를 생성할 수 있다. 여기서, 신재생에너지 발전기 그룹(110)이 배치된 지역이란 기상예측이 이루어지는 지역 단위 중 신재생에너지 발전기들이 설치된 지역이 될 수 있으며, 시, 군, 구, 동 등의 기상예측이 이루어지는 행적적 단위 또는 지리적 특성에 따라 나뉘어진 지역적 단위일 수 있다. 예를 들어, 이러한 기상예측 정보는 운전 예비력 제어 장치(200)에 포함된 제1 예측부(도 5의 230)에 의해 생성될 수 있다.

운전 예비력 제어 장치(200)는 기상예측 정보에 기초하여 신재생에너지 발전기 그룹(110)의 출력을 예측할 수 있다.

운전 예비력 제어 장치(200)는 신재생에너지 발전기 그룹(110)이 배치된 지역의 기상 특성을 예측하고, 기상예측 정보에 기초하여 신재생에너지 발전기 그룹(110)의 출력을 예측하기 위해, 인공 지능 기술이 적용된 신경망 모델을 저장하거나 포함할 수 있다. 예를 들어, 인공 지능 기술이 적용된 신경망 모델은 순환 신경망(recurrent neural network), 합성곱 신경망, 적대적 생성 신경망, 또는 다른 타입의 머신 러닝 모델들과 같은 다양한 학습 모델들일 수 있다.

일 실시 예에서 신재생에너지 발전기 그룹(110)이 배치된 지역의 기상 특성을 예측하는 신경망 모델은 기상예측 심층신경망 모델을 포함할 수 있으며, 현재 및 과거의 기상 정보를 이용하여 다음 시간대의 기상 특성 정보를 예측하도록 미리 훈련된 학습 모델일 수 있다.

다른 실시 예에서, 신재생에너지 발전기 그룹(110)의 제1 예측부(도 5의 230)는 기상 정보를 제공하는 기상청 등의 서버에 접속하여 기상예측 정보를 취득해 올 수 있고, 기상청 등의 서버에서 획득된 기상 정보를 기초로 예측 모델을 운영하여 자체적으로 기상예측 정보를 생성할 수도 있다.

또한 신재생에너지 발전기 그룹(110)의 출력을 예측하는 신경망 모델은, 제1 심층신경망 모델 내지 제3 심층신경망 모델 중 하나 이상을 포함할 수 있으며, 기상예측 심층신경망 모델을 통한 기상 특성의 예측 결과와 기상조건에 따라 신재생에너지 발전기 그룹 (110)의 출력을 예측하도록 미리 훈련된 제1 심층신경망 모델 내지 제3 심층신경망 모델 중 하나 이상을 이용하여 시간대별 신재생에너지 발전기 그룹 (110)의 출력을 예측할 수 있다.

제1 심층신경망 모델 내지 제3 심층신경망 모델 각각은 서로 다른 기상 특성에서 획득된 훈련 데이터를 이용하여 지도학습 방식으로 훈련된 모델일 수 있다. 여기서, 훈련을 위해 사용되는 훈련 데이터는 각각의 기상 조건 하에 수집된 시간별 기상 데이터(예를 들어, 온도, 풍량, 일사량, 습도 등) 및 해당 시간별 신재생에너지 발전기의 출력량을 포함할 수 있다. 제1 심층신경망 모델은 맑은 날에 수집된 훈련 데이터를 통해 훈련되고, 제2 심층신경망 모델은 부분적으로 흐린 날에 수집된 훈련 데이터를 통해 훈련되고, 제3 심층신경망 모델은 흐린 날에 수집된 훈련 데이터를 통해 훈련될 수 있다.

기상 조건에 따라 다른 심층신경망 모델을 사용하는 것은 전체적인 기상 조건에 따라 신재생에너지 발전기의 출력에 영향을 미치는 기상 특성의 변동 경향이 다르기 때문이다.

본 실시 예에서, 훈련 방식은 순환 신경망 모델, 적대적 생성 신경망 모델 또는 강화학습 등을 이용해 이루어질 수 있다. 본 실시 예에서 기상예측 심층신경망 모델 및 제1 심층신경망 모델 내지 제3 심층신경망 모델 중 하나 이상은 운전 예비력 제어 장치(200)에 저장되는 대신 외부 장치(300)에 저장되고, 웹 서비스의 형태로 운전 예비력 제어 장치(200)에 필요한 기능을 제공할 수도 있다.

운전 예비력 제어 장치(200)는 신재생에너지 발전기 그룹(110)의 출력 예측에 따라 신재생에너지 발전기 그룹(110)에 대한 운전 예비력 비율을 결정할 수 있다. 운전 예비력 제어 장치(200)는 운전 예비력 비율 및 신재생에너지 발전기 그룹(110)의 출력에 기초하여 디젤 발전기 그룹(120)의 동작을 제어할 수 있다.

선택적 실시 예로 운전 예비력 제어 장치(200)는 에너지 저장장치 그룹(120)에 저장된 전력량을 판정하고, 운전 예비력 비율과, 신재생에너지 발전기 그룹(110)의 출력과 에너지 저장장치 그룹(120)에 저장된 전력량에 기초하여 디젤 발전기 그룹(120)의 동작을 제어할 수 있다. 이하 운전 예비력 제어 장치(200)의 상세한 설명은 도 5를 참조하기로 한다.

외부 장치(300)는 운전 예비력 제어 장치(200) 대신에 기상예측 심층신경망 모델 및 제1 심층신경망 모델 내지 제3 심층신경망 모델 중 하나 이상을 저장하는 연산 시스템이거나, 운전 예비력 제어 장치(200)가 필요로 하는 일련의 데이터를 제공하는 데이터 처리 시스템을 포함할 수 있다. 외부 장치(300)가 데이터 처리 시스템으로 동작하는 경우, 예를 들어 기상청 서버일 수 있으며, 기상청 서버는 운전 예비력 제어 장치(200)의 요청에 따라 기상 정보를 운전 예비력 제어 장치(200)로 제공할 수 있다.

네트워크(400)는 운전 예비력 제어 장치(200)와 외부 장치(300)를 연결하는 역할을 수행할 수 있다. 이러한 네트워크(400)는 예컨대 LANs(local area networks), WANs(wide area networks), MANs(metropolitan area networks), ISDNs(integrated service digital networks) 등의 유선 네트워크나, 무선 LANs, CDMA, 블루투스, 위성 통신 등의 무선 네트워크를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다. 또한 네트워크(400)는 근거리 통신 및/또는 원거리 통신을 이용하여 정보를 송수신할 수 있다. 여기서 근거리 통신은 블루투스(bluetooth), RFID(radio frequency identification), 적외선 통신(IrDA, infrared data association), UWB(ultra-wideband), ZigBee, Wi-Fi (wireless fidelity) 기술을 포함할 수 있고, 원거리 통신은 CDMA(code division multiple access), FDMA(frequency division multiple access), TDMA(time division multiple access), OFDMA(orthogonal frequency division multiple access), SC-FDMA(single carrier frequency division multiple access) 기술을 포함할 수 있다.

네트워크(400)는 허브, 브리지, 라우터, 스위치 및 게이트웨이와 같은 네트워크 요소들의 연결을 포함할 수 있다. 네트워크(400)는 인터넷과 같은 공용 네트워크 및 안전한 기업 사설 네트워크와 같은 사설 네트워크를 비롯한 하나 이상의 연결된 네트워크들, 예컨대 다중 네트워크 환경을 포함할 수 있다. 네트워크(400)에의 액세스는 하나 이상의 유선 또는 무선 액세스 네트워크들을 통해 제공될 수 있다. 더 나아가 네트워크(400)는 사물 등 분산된 구성 요소들 간에 정보를 주고 받아 처리하는 IoT(Internet of Things, 사물인터넷) 망 및/또는 5G 통신을 지원할 수 있다.

이하, 본 실시 예에서는 설명의 편의 상 신재생에너지 발전기 그룹(110)을 태양광 발전기 그룹(111)으로 대체하여 설명하기로 한다. 최근에는 태양광 패널의 단가가 내려가면서 태양광을 이용한 발전이 많이 사용되고 있다. 제3 세계 격/오지와 같은 경우 태양광 패널을 설치하면 디젤 발전기 그룹(120)의 연료비를 절감할 수 있으므로 초기 설치 투자비는 높지만 운영비가 저렴한 장점이 있다. 따라서, 대상 지역의 경제적 자립과 지속 가능성을 중시한다면 태양광 발전이 매우 좋은 선택이 될 수 있다.

도 2는 본 실시 예에 따른 마이크로그리드(100)에서 태양광 발전기 그룹(111)의 출력변동에 따른 주파수 제어를 통하여 전력수급을 안정화시키는 예시도이다. 태양광 발전기 그룹(111) 내의 태양광 발전기는 일사량에 따라서 출력에 심한 변동이 발생할 수 있다.

기상 조건이 맑은 경우(sunny)에는 태양광 발전기 그룹(111)의 출력이 증가하고 이에 따라 디젤 발전기 그룹(120)의 발전량은 감소시킬 수 있다. 반면에, 기상 조건이 흐린 경우(cloudy)에는 태양광 발전기 그룹(111)의 출력이 감소하고 이에 따라 디젤 발전기 그룹(120)의 발전량을 증가시킬 수 있다.

한편, 기상 조건의 변화는 정확한 예측이 불가능하고, 전체적으로 맑은 날씨에도 구름의 변화에 따라 태양광 발전기의 발전량이 일시적으로 감소하는 경우가 발생할 수 있다.

따라서, 실제 부하에 대한 전력 공급을 태양광 발전기 그룹(111)에만 의존하는 경우, 갑작스러운 기상 조건 변화에 의해 전력 공급에 문제가 발생할 수 있으며, 이러한 경우 신속하게 대응할 수 있도록 운전 예비력을 발생시킬 수 있는 디젤 발전기 그룹(120)의 동작을 준비시킬 필요가 있다.

즉, 디젤 발전기 그룹(120)에 의한 운전 예비력 또는 운전 예비력의 비율은 태양광 발전기 그룹(111)에 의해 생성되는 하루 동안의 전체 발전량보다 태양광 발전기 그룹(111)에 의한 발전량의 변동 정도에 따라 결정될 필요가 있다.

한편, 태양광 발전기 그룹(111)의 출력 변동은 맑은 날보다 흐린 날에 더욱 심하게 나타날 수 있다. 태양광 발전기 그룹(111)의 출력 변동은 곧 마이크로그리드(100) 내의 전력수급에 불안전성을 가져오므로 이러한 변동성을 보상하기 위하여 디젤 발전기 그룹(120) 및/또는 에너지 저장장치 그룹(130)의 출력이 필요하다. 특히 전력수급의 불균형은 전력계통 내의 주파수 변동을 일으키므로 주파수의 안정적인 제어가 불가능하다면 전력계내의 주파수 보호계전기(미도시)의 동작으로 발전기를 차단하게 되어 전력계통의 운영은 불안정하게 되며 결과적으로는 정전상태가 될 수 있다.

태양광 발전기(111) 그룹의 출력 변동량의 범위가 작으면, 디젤 발전기 그룹(120)의 출력을 정격보다 조금 낮게 유지하거나, 작은 용량의 에너지 저장장치 그룹(130)을 이용함으로써 출력 전력을 언제든지 증가시킬 수 있는 상태로 운전하면 된다. 이와 같은 여유 전력용량을 예비력(operation reserve)이라고 부르며, 예비력은 빠른 응답 특정을 요구하는 운전 예비력과, 수십분 내의 응답을 요구하는 대기/대체 예비력으로 구분할 수 있다. 태양광 발전기 그룹(111)과 같이 빠르게 변동하는 출력 전력을 보상하기 위해서는 순시적인 보상이 필요하며, 이는 운전 예비력의 유지로 실현할 수 있다. 운전 예비력을 유지하기 위해서는 디젤 발전기 그룹(120)의 추가적인 운전 또는 저효율 운전, 추가적인 에너지 저장장치 그룹(130) 설치를 수반하므로 비용이 추가로 발생할 수 있다.

도 3은 본 실시 예에 따른 기상상황에 대응하는 태양광 발전기 그룹(111)의 출력 변화를 도시한 도면이다. 도 3을 참조하면, 맑은 날(sunny day), 부분적으로 흐린 날(일부 구름이 있는 날, partly cloudy day) 및 흐린 날(cloudy day)의 태양광 발전기의 출력 전력 곡선을 도시하고 있다. 맑은 날의 경우 비교적 깨끗한 포물선 모양의 곡선을 가지지만, 구름이 낄수록 출력에 변화가 발생하고 있음을 도시하고 있다. 특히 흐린 날을 보면 태양광 발전기의 출력이 거의 60&-80%까지 변동하는 것을 볼 수 있다.

마이크로그리드(100)의 예비력 운영에서 일반적으로 사용하는 방법은 태양광 발전기 그룹(111)의 출력 전력에 대한 80%를 운전 예비력으로 확보하는 것이다. 예를 들어, 태양광 발전기 그룹(111)의 출력 전력이 현재 100kW라면 80Kw의 운전 예비력을 확보해야 함을 의미할 수 있다. 이는 디젤 발전기 그룹(120) 내의 디젤 발전기(120-1, 120-2 등)를 추가적으로 운영하되, 80kW의 용량을 언제든지 공급할 수 있도록 저출력으로 운전하여 저효율로 동작해야 함을 의미할 수 있다. 이와 같이 고정된 비율로 운전 예비력을 확보해야 하는 경우 다음과 같은 단점이 발생할 수 있다.

도 4는 본 실시 예에 따른 디젤 발전기의 연료 및 효율 곡선을 도시한 도면이다. 디젤 발전기 그룹(120) 내의 디젤 발전기(120-1, 120-2 등)가 운전 예비력을 제공하는 경우, 태양광 발전기 그룹(111)의 운전 시간이 길어지면 더 많은 디젤 발전기(120-1, 120-2 등)를 운영해야 한다. 이로 인해 디젤 발전기(120-1, 120-2 등)는 저부하 조건에서 동작하게 되며, 이는 도 4와 같이 디젤 발전기(120-1, 120-2 등)가 낮은 효율과 높은 연료 소비율로 동작함을 알 수 있다. 이로 인해 시스템 운영 비용이 증가될 수 있다.

또한 디젤 발전기 그룹(120) 내의 디젤 발전기(120-1, 120-2 등)에는 최소 부하 요구 사항이 존재한다. 즉, 디젤 발전기(120-1, 120-2 등)는 정격의 특정 비율(일반적으로 약 20%-30%) 이상 발전해야 한다. 디젤 발전기(120-1, 120-2 등)가 최소 부하 조건 미만으로 동작하면, 전력 손실, 성능 저하 및 엔진 작동 불량 등이 발생하여 유지보수 비용이 증가하고, 디젤 발전기(120-1, 120-2 등)의 수명이 단축될 수 있다. 따라서 디젤 발전기(120-1, 120-2 등)의 최소 부하 요구 조건을 맞추기 위하여 오히려 태양광 발전기 그룹(111)의 출력을 제한해야 하는 경우도 발생할 수 있다.

예를 들어, 운전 예비력의 비율이 80%로 고정된 경우, 태양광 발전기 그룹(111)의 출력 전력이 100kw라면 디젤 발전기 그룹(120)은 80kw의 운전예비력을 생성할 수 있도록 디젤 발전기 그룹(120) 내의 디젤 발전기(120-1, 120-2 등)들을 가동시키고 있어야 한다.

각각의 디젤 발전기(120-1, 120-2 등)가 발전할 수 있는 전력량이 70kw이고, 최소 부하 조건이 20kw라면, 80kw의 운전 예비력을 생성할 수 있도록 2대의 디젤 발전기(예를 들어, 120-1, 120-2)가 동작되고 있을 필요가 있다.

2대의 디젤 발전기(예를 들어, 120-1, 120-2)는 태양광 발전기 그룹(111)의 출력 전력이 100kw로 유지되는 경우, 전력 수요의 부하에 따라 출력 발전량이 달라질 수 있으나, 전력 수요의 부하가 100kw 이하로 태양광 발전기 그룹(111)의 출력 전력이 전력 수요의 부하를 모두 충족시키는 경우에도 최저 동작 조건으로 동작(각각의 디젤 발전기마다 20kw의 발전)하고 있어야 하며, 이에 따라 적어도 40kw의 전력이 낭비될 수 있고, 경우에 따라서는 태양광 발전기 그??(111)의 출력을 제한해야 할 수도 있다. 여기서, 최저 동작 조건이란 디젤 발전기(120-1, 120-2 등)가 불량 작동하거나 손상되지 않도록 하는 최소 부하 조건에 따라 작동하기 위한 디젤 발전기(120-1, 120-2 등)의 동작 조건을 의미할 수 있다.

위와 같이 운전 예비력의 비율을 고정하는 경우와 비교하여, 본 실시 예와 같이 운전 예비력의 비율을 신재생에너지 발전기 그룹(110)의 출력 변동의 크기에 따라 차등적으로 결정하는 경우 상술된 문제점이 해결될 수 있다.

예를 들어, 태양광 발전기 그룹(111)의 출력이 5~20% 이내로 변동할 것으로 예상되는 기상 조건(제1 조건)이라면 디젤 발전기(120-1, 120-2 등)에 의한 운전 예비력을 30%로 운영하고, 태양광 발전기 그룹(111)의 출력이 50~80% 이내로 변동할 것으로 예상되는 기상 조건(제2 조건)이라면 디젤 발전기(120-1, 120-2 등)에 의한 운전 예비력을 80%로 운영한다면, 제1 조건의 경우 태양광 발전기 그룹(111)의 출력이 100kw인 경우 최대 발전량이 70kw이고 최소 부하 조건이 20kw인 1대의 디젤 발전기(예를 들어 120-1)만 운전 예비력을 위해 동작하면 된다.

본 실시 예는 운전 예비력 제어 장치(200)가 일기 예보 및 기상 조건을 예측하여 태양광 발전기 그룹(111)의 출력 변동에 대한 범위를 예측하고, 그 범위에 맞게 운전 예비력을 운영하도록 하는 것이다. 즉, 태양광 발전기 그룹(111)의 출력에 대한 운전 예비력의 비율을 항상 동일하게 유지하는 것이 아니라, 예측한 기상 조건에 따라 적응적으로 제어한다고 할 수 있다.

세 가지 다른 기상 조건(맑은 날, 흐린 날, 부분적으로 흐린 날)에서 태양광 발전기 그룹(111)의 출력 전력의 차이는 도 3에 도시된 바와 같이 분명하다. 맑은 날과 부분적으로 흐린 날의 태양광 발전기 그룹(111)의 출력 변동량(ramp rate)은, 흐린 날의 태양광 발전기 그룹(111)의 출력 변동량보다 훨씬 작다. 결과적으로 맑은 날과 부분적으로 흐린 날의 마이크로그리드(100) 내의 운전 예비력 요구 사항은 흐린 날보다 작게 유지하여 경제성을 개선할 수 있다.

기상 조건에 따라 적절한 태양광 발전기 그룹(111)의 출력에 대한 운전 예비력을 차등하여 적용함으로써 디젤 발전기 그룹(120)은 고부하 조건에서 운전할 수 있으며, 이는 고효율의 연료소비가 가능함을 의미하며, 태양광 발전기 그룹(111)의 출력도 인위적으로 줄일 필요 없이 최대화 할 수 있다.

도 5는 본 실시 예에 따른 마이크로그리드의 운전 예비력 제어 장치의 구성을 개략적으로 설명하기 위하여 도시한 블록도이다. 이하의 설명에서 도 1 내지 도 4에 대한 설명과 중복되는 부분은 그 설명을 생략하기로 한다.

도 5를 참조하면, 운전 예비력 제어 장치(200)는 인공지능을 기반으로 기상을 예측하고, 예측된 해당일 기상의 특징에 따라 태양광 발전기 그룹(111)의 출력 변동 크기를 예측하며, 그에 적절한 마이크로그리드(100)의 운전 예비력 수준을 정할 수 있다. 특히 기상은 하루 중에도 맑음, 흐림, 우천 등 시시각각 바뀔 수 있으므로 기상 예측과 신재생에너지 출력의 예측은 예를 들어, 1시간 단위로 수행할 수 있다. 예를 들어, 도 3으로부터 부분적으로 흐린 날의 태양광 생성 그래프는 오전 6시부터 12시까지의 기간을 맑음으로 간주할 수 있고, 나머지는 부분적으로 흐린 날씨로 분류할 수 있다.

본 실시 예에서 운전 예비력 제어 장치(200)는 통신부(210), 수집부(220), 제1 예측부(230), 제2 예측부(240), 결정부(250), 제어부(260) 및 메모리(270)를 포함할 수 있다. 본 실시 예에서, "부"는 프로세서 또는 회로와 같은 하드웨어 구성(hardware component), 및/또는 프로세서와 같은 하드웨어 구성에 의해 실행되는 소프트웨어 구성(software component)일 수 있다. 이하, 신재생에너지 발전기 그룹(110)을 태양광 발전기 그룹(111)으로 대체하여 설명하기로 한다.

통신부(210)는 네트워크(400)와 연동하여 마이크로그리드(100) 및/또는 운전 예비력 제어 장치(200)와 외부 장치(300) 간의 송수신 신호를 패킷 데이터 형태로 제공하는 데 필요한 통신 인터페이스를 제공할 수 있다. 또한 통신부(210)는 운전 예비력 제어 장치(200)로부터 소정의 정보 요청 신호를 마이크로그리드(100) 및/또는 외부 장치(300)로 전송하고, 마이크로그리드(100) 및/또는 외부 장치(300)가 처리한 응답 데이터를 수신하여, 운전 예비력 제어 장치(200)로 전송할 수 있다. 또한 통신부(210)는 다른 네트워크 장치와 유무선 연결을 통해 제어 신호 또는 데이터 신호와 같은 신호를 송수신하기 위해 필요한 하드웨어 및 소프트웨어를 포함하는 장치일 수 있다.

또한, 통신부(210)는 각종 사물 지능 통신(IoT(internet of things), IoE(internet of everything), IoST(internet of small things) 등)을 지원할 수 있으며, M2M(machine to machine) 통신, V2X(vehicle to everything communication) 통신, D2D(device to device) 통신 등을 지원할 수 있다.

수집부(220)는 통신부(210)를 통하여 외부 장치(300)가 기상청 서버인 경우, 외부 장치(300)로부터 현재 및 과거의 기상 정보를 수집할 수 있다. 또한 수집부(220)는 통신부(210)를 통하여 외부 장치(300)가 연산 시스템인 경우, 외부 장치(300)로부터 기상예측 심층신경망 모델 및 제1 심층신경망 모델 내지 제3 심층신경망 모델 중 하나 이상을 수집할 수 있다. 수집부(220)는 마이크로그리드(100)에 포함된 신재생에너지 측정 센서(미도시)로부터 일사량 정보 또는 풍속 정보 등을 포함하는 신재생에너지 측정값을 수집할 수 있다. 수집부(220)는 마이크로그리드(100)에 포함된 환경 센서(미도시)로부터 마이크로그리드(100) 주변의 기온, 습도, 구름양 등의 환경 정보를 수집할 수 있다. 수집부(220)는 마이크로그리드(100)로부터 과거 신재생에너지 데이터 예를 들어, 과거 일사량 데이터 또는 과거 풍속 데이터를 수집할 수 있다. 본 실시 예에서 과거 신재생에너지 데이터는 메모리(270)에 저장되어 있을 수 있다.

제1 예측부(230)는 태양광 발전기 그룹(111)이 배치된 지역의 기상 특성을 예측하여 기상예측 정보를 생성할 수 있다. 제1 예측부(230)는 현재 및 과거의 기상 정보를 이용하여 다음 시간대의 기상 특성을 예측하도록 미리 훈련된 기상예측 심층신경망 모델을 이용하여 시간대별 기상 특성을 예측할 수 있다. 여기서 기상예측 심층신경망 모델은 태양광 발전기 그룹(111)의 출력 변동에 주는 영향을 기준으로 기상 특성을 분류하여 출력하도록 설계될 수 있다.

본 실시 예에서, 기상예측 심층신경망 모델의 출력값은, 적어도, 태양광 발전기 그룹(111)의 출력 변동의 크기가 제1 기준값 미만이 되도록 하는 제1 기상 조건 및, 태양광 발전기 그룹(111)의 출력 변동의 크기가 제1 기준값 이상이 되도록 하는 제2 기상 조건을 포함할 수 있다.

여기서, 태양광 발전기 그룹(111)의 출력 변동의 크기는 일 실시 예로, 기설정된 표준 그래프(예를 들어, 맑은날 태양광 발전기의 출력 전력량 그래프)에서, 기설정된 시간 당 출력 전령량의 기울기 변화 속도를 포함할 수 있다. 표준 그래프에서 기설정된 시간 당 출력 전령량의 기울기 변화 속도가 0인 지점의 개수가 기준값 미만이면 제1 기상 조건(예를 들어, 맑음)일 수 있고, 기설정된 시간 당 출력 전령량의 기울기 변화 속도가 0인 지점의 개수가 기준값 이상이면 제2 기상 조건(예를 들어, 흐림)일 수 있다. 여기서 기준값은 누적된 이력을 통해서 관리자에 의해 설정될 수 있으며, 임의의 수식에 의해서 산출될 수도 있다.

선택적 실시 예로, 기상예측 심층신경망 모델의 출력값은, 적어도, 태양광 발전기 그룹(111)의 출력 변동의 크기가 제1 레벨 이내가 되도록 하는 제1 기상 조건(예를 들어, 맑음), 태양광 발전기 그룹(111)의 출력 변동의 크기가 제1 레벨 이상 제2 레벨 미만이 되도록 하는 제2 기상 조건(예를 들어, 부분적 흐림) 및 태양광 발전기 그룹(111)의 출력 변동의 크기가 제2 레벨 이상이 되도록 하는 제3 기상 조건(예를 들어, 흐림)을 포함할 수 있다. 여기서 제1 레벨 내지 제3 레벨은 상술한 기준값과 유사하게 설명될 수 있다.

제2 예측부(240)는 제1 예측부(230)가 생성한 기상예측 정보에 기초하여 태양광 발전기 그룹(111)의 출력을 예측할 수 있다. 제2 예측부(240)는 기상예측 심층신경망 모델을 통한 기상 특성의 예측 결과가 제1 기상 조건인 경우, 제1 심층신경망 모델을 이용하고, 기상 특성의 예측 결과가 제2 기상 조건인 경우, 제2 심층신경망 모델을 이용하여 태양광 발전기의 출력을 예측할 수 있다. 여기서 제1 심층신경망 모델 및 제2 심층신경망 모델은 기상 특성에 따라 태양광 발전기의 출력을 예측하도록 훈련된 모델로서, 제1 심층신경망 모델 및 제2 심층신경망 모델 각각은 서로 다른 기상 특성에서 획득된 훈련 데이터를 이용하여 훈련될 수 있다.

선택적 실시 예로, 제2 예측부(240)는 기상예측 심층신경망 모델을 통한 기상 특성의 예측 결과가 제1 기상 조건인 경우 제1 심층신경망 모델을 이용하고, 기상 특성의 예측 결과가 제2 기상 조건인 경우 제2 심층신경망 모델을 이용하고, 기상 특성의 예측 결과가 제3 기상 조건인 경우 제3 심층신경망 모델을 이용하여 태양광 발전기의 출력을 예측할 수 있다. 여기서, 제1 심층신경망 모델 내지 제3 심층신경망 모델은 기상 특성에 따라 태양광 발전기의 출력을 예측하도록 훈련된 모델로서, 제1 심층신경망 모델 내지 제3 심층신경망 모델 각각은 서로 다른 기상 특성에서 획득된 훈련 데이터를 이용하여 훈련될 수 있다.

본 실시 예에서 제2 예측부(240)에 의한 태양광 발전기 그룹(111)의 출력 예측은 시간 단위로 수행하되, 마이크로그리드(100) 내의 운전 예비력을 미리 확보할 수 있도록 1시간 이후의 출력까지 예측할 수 있다.

결정부(250)는 태양광 발전기 그룹(111)의 출력 예측에 따라 태양광 발전기 그룹(111)에 대한 운전 예비력 비율을 결정할 수 있다. 결정부(250)는 태양광 발전기 그룹(111)의 출력 예측 결과를 이용하여 시간대별 태양광 발전기 그룹(111)의 출력 변동의 크기를 예측하고, 출력 변동의 크기에 대한 예측 결과에 따라 디젤 발전기 그룹(120)이 준비하는 운전 예비력의 비율을 차등적으로 결정할 수 있다.

결정부(250)는 태양광 발전기 그룹(111)의 출력 변동의 크기가 제1 기준값 미만인 경우 운전 예비력을 제1 비율로 결정하고, 출력 변동의 크기가 제1 기준값 이상인 경우 운전 예비력을 제2 비율로 결정할 수 있다. 결정부(250)는 태양광 발전기 그룹(111)의 출력 변동의 크기가 제1 기준값 이상인 것에 따라 적어도 하나의 디젤 발전기(120-1, 120-2 등)가 공급하는 운전 예비력의 비율을 제1 비율보다 더 큰 제2 비율로 결정할 수 있다.

선택적 실시 예로, 결정부(250)는 태양광 발전기 그룹(111)의 출력 변동의 크기가 제1 레벨 이내인 경우 운전 예비력을 제1 비율로 결정하고, 출력 변동의 크기가 제1 레벨 이상 제2 레벨 미만인 경우 운전 예비력을 제2 비율로 결정하고, 출력 변동의 크기가 제2 레벨 이상인 경우 운전 예비력을 제3 비율로 결정할 수 있다. 여기서, 제2 비율은 제1 보다 더 클 수 있고, 제3 비율은 제2 비율보다 더 클 수 있다.

여기서, 신재생에너지 발전기 그룹(110)의 출력 변동의 크기는 임의로 정해진 단위 시간(예를 들어, 1시간)당 최대 출력과 최소 출력 차이의 값(kw) 또는 최대 출력 대비 최소 출력의 비율(%), 또는 출력량 그래프의 기울기의 최대값 등 다양한 기준으로 계산될 수 있으며, 이에 따라 제1 레벨, 제2 레벨 및 제3 레벨이 정해질 수 있다.

예를 들어, 흐린 기상 조건에서 태양광 발전기 그룹(111)의 출력 변동의 크기(태양광 출력 변동폭 및 변동 비율(ramp rate))가 가장 크고, 맑은 기상 조건에서 태양광 발전기 그룹(111)의 출력 변동의 크기는 상대적으로 작다. 결과적으로, 흐린 기상 시간 대에 대한 운전 예비력을 높은 수준으로 유지해야 하고, 맑은 기상 시간 대에 대해서는 비교적 적은 수준의 운전 예비력을 유지하여 디젤 발전기 그룹(120)을 경제적으로 운전할 수 있다. 다음 시간 대의 기상 조건이 성공적으로 예측되면, 해당 시간 대에 해당하는 태양광 작동 예비 레벨이 선택되고, 제어부(260)는 마이크로그리드(100)에 제어 신호를 전송할 수 있다.

제어부(260)는 운전 예비력 제어 장치(200) 전체의 동작을 제어할 수 있다. 제어부(260)는 마이크로그리드(100)의 전력 공급을 제어할 수 있다. 제어부(260)는 신재생에너지 발전기 그룹(110), 디젤 발전기 그룹(120) 및 에너지 저장장치 그룹(130)의 출력을 파악하고 제어할 수 있다.

여기서, 제어부(260)는 프로세서(processor)와 같이 데이터를 처리할 수 있는 모든 종류의 장치를 포함할 수 있다. 여기서, '프로세서(processor)'는, 예를 들어 프로그램 내에 포함된 코드 또는 명령으로 표현된 기능을 수행하기 위해 물리적으로 구조화된 회로를 갖는, 하드웨어에 내장된 데이터 처리 장치를 의미할 수 있다. 이와 같이 하드웨어에 내장된 데이터 처리 장치의 일 예로써, 마이크로프로세서(microprocessor), 중앙처리장치(central processing unit: CPU), 프로세서 코어(processor core), 멀티프로세서(multiprocessor), ASIC(application-specific integrated circuit), FPGA(field programmable gate array) 등의 처리 장치를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.

본 실시 예에서 제어부(260)는 결정된 운전 예비력 비율 및 태양광 발전기 그룹(111)의 출력에 기초하여 디젤 발전기 그룹(120)의 동작을 제어할 수 있다. 여기서 디젤 발전기 그룹(120)의 동작을 제어한다 함은, 디젤 발전기 그룹(120)내의 복수의 디젤 발전기(120-1, 120-2 등) 중 동작시킬 발전기의 개수를 결정하고, 결정된 발전기를 최저 동작 조건에 따라 운영하는 것을 포함할 수 있다. 또한 발전기를 최저 동작 조건에 따라 운영한다 함은, 발전기를 동작 예비 상태로 운영하는 것을 포함할 수 있으며, 발전기를 동작 예비 상태로 운영해야, 원하는 순간에 바로 발전할 할 수 있다.

제어부(260)는 결정된 운전 예비력 비율을 바탕으로 디젤 발전기 그룹(120)에 제어 명령을 전송하고, 디젤 발전기 그룹(120)으로부타 제어 결과를 피드백 받아 제어 오차를 줄일 수 있다. 특히 에너지 저장장치 그룹(130)내에 복수의 디젤 발전기(120-1, 120-2 등)가 설치되어 있는 경우, 디젤 발전기(120-1, 120-2 등)의 부하율에 따른 연료비 효율을 고려하여 경제성을 최대화할 수 있는 급전(power dispatch) 전략 예를 들어, 몇 대의 디젤 발전기(120-1, 120-2 등)를 동작 예비 상태로 동작시킬지를 도출할 수 있다. 제어부(260)는 급전 전략 도출 시에 디젤 발전기(120-1, 120-2 등)의 연료비, 디젤 발전기(120-1, 120-2 등)의 기동 비용, 디젤 발전기(120-1, 120-2 등)의 수명 등을 고려할 수 있다.

선택적 실시 예로, 제어부(260)는 에너지 저장장치 그룹(130)에 저장된 전력량을 판정하고, 운전 예비력 비율, 태양광 발전기 그룹(111)의 출력 및 전력량에 기초하여 복수의 디젤 발전기(120-1, 120-2 등) 중 동작시킬 디젤 발전기의 개수를 결정할 수 있다.

예를 들어, 에너지 저장장치 그룹(130)에 저장된 전력량이 일정 크기(마이크로그리드의 평소 수요 전력량에 따라 24시간 이상 사용될 수 있는 전력량) 이상이라면, 그렇지 않은 경우보다 디젤 발전기(120-1, 120-2 등)에 의한 운전 예비력의 비율을 더 낮출 수 있다.

메모리(270)는 운전 예비력 제어 장치(200)의 동작에 필요한 각종 데이터를 저장할 수 있다. 본 실시 예에서 메모리(270)는 제어부(260) 내부에 구비되거나, 제어부(260) 외부에 구비될 수 있다.

여기서, 메모리(270)는 자기 저장 매체(magnetic storage media) 또는 플래시 저장 매체(flash storage media)를 포함할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다. 이러한 메모리(270)는 내장 메모리 및/또는 외장 메모리를 포함할 수 있으며, DRAM, SRAM, 또는 SDRAM 등과 같은 휘발성 메모리, OTPROM(one time programmable ROM), PROM, EPROM, EEPROM, mask ROM, flash ROM, NAND 플래시 메모리, 또는 NOR 플래시 메모리 등과 같은 비휘발성 메모리, SSD. CF(compact flash) 카드, SD 카드, Micro-SD 카드, Mini-SD 카드, Xd 카드, 또는 메모리 스틱(memory stick) 등과 같은 플래시 드라이브, 또는 HDD와 같은 저장 장치를 포함할 수 있다.

도 6은 본 실시 예에 따른 기상 특성 예측 및 신재생에너지 출력 예측을 위한 심층신경망 모델을 설명하는 도면이다. 이하의 설명에서 도 1 내지 도 5에 대한 설명과 중복되는 부분은 그 설명을 생략하기로 한다.

도 6을 참조하면, 운전 예비력 제어 장치(200)는 현재 및 과거의 기상 정보를 이용하여 다음 시간대의 기상 특성 정보를 예측하도록 미리 훈련된 기상예측 심층신경망 모델을 이용하여 시간대별 기상 특성을 예측할 수 있다. 여기서 기상예측 심층신경망 모델은 모델은 신재생에너지 발전기 그룹(110)의 출력 변동에 주는 영향을 기준으로 기상 특성을 분류하여 출력하도록 설계될 수 있다.

예를 들어, 신재생에너지 발전기 그룹(110)이 태양광 발전기(111)로만 이루어져 있다면, 기상 특성을 분류하는 기준은 일사량 또는 구름량이 될 것이고, 신재생에너지 발전기 그룹(110)이 풍력 발전기(112)로만 이루어졌다면, 기상 특성을 분류하는 기준은 풍속이 될 것이다.

또한 운전 예비력 제어 장치(200)는 신재생에너지 발전기 그룹(110)의 출력을 예측하는 신경망 모델로서, 제1 심층신경망 모델 내지 제3 심층신경망 모델 중 하나 이상을 포함할 수 있다. 운전 예비력 제어 장치(200)는 기상예측 심층신경망 모델을 통한 기상 특성의 예측 결과와 기상조건에 따라 신재생에너지 발전기 그룹 (110)의 출력을 예측하도록 미리 훈련된 제1 심층신경망 모델 내지 제3 심층신경망 모델 중 하나 이상을 이용하여 시간대별 신재생에너지 발전기 그룹(110)의 출력을 예측할 수 있다.

도 7은 본 실시 예에 따른 마이크로그리드의 운전 예비력 제어 방법을 설명하기 위한 흐름도이다. 이하의 설명에서 도 1 내지 도 6에 대한 설명과 중복되는 부분은 그 설명을 생략하기로 한다.

도 7을 참조하면, S710단계에서, 운전 예비력 제어 장치(200)는 신재생에너지 발전기 그룹(110)이 배치된 지역의 기상 특성을 예측하여 기상예측 정보를 생성한다.

운전 예비력 제어 장치(200)는 현재 및 과거의 기상 정보를 이용하여 다음 시간대의 기상 특성을 예측하도록 미리 훈련된 기상예측 심층신경망 모델을 이용하여 시간대별 기상 특성을 예측할 수 있다. 기상예측 심층신경망 모델은 신재생에너지 발전기 그룹(110)의 출력 변동에 주는 영향을 기준으로 기상 특성을 분류하여 출력하도록 설계될 수 있다. 여기서 기상예측 심층신경망 모델의 출력값은, 적어도, 신재생에너지 발전기 그룹(110)의 출력 변동의 크기가 제1 기준값 미만이 되도록 하는 제1 기상 조건, 및 신재생에너지 발전기 그룹(110)의 출력 변동의 크기가 제1 기준값 이상이 되도록 하는 제2 기상 조건을 포함할 수 있다. 또한, 기상예측 심층신경망 모델의 출력값은, 적어도, 신재생에너지 발전기 그룹(110)의 출력 변동의 크기가 제1 레벨 이내가 되도록 하는 제1 기상 조건, 신재생에너지 발전기 그룹(110)의 출력 변동의 크기가 제1 레벨 이상 제2 레벨 미만이 되도록 하는 제2 기상 조건, 및 신재생에너지 발전기 그룹(110)의 출력 변동의 크기가 제2 레벨 이상이 되도록 하는 제3 기상 조건을 포함할 수 있다.

S720단계에서, 운전 예비력 제어 장치(200)는 기상예측 정보에 기초하여 신재생에너지 발전기 그룹(110)의 출력을 예측한다.

운전 예비력 제어 장치(200)는 기상예측 심층신경망 모델을 통한 기상 특성의 예측 결과가 제1 기상 조건인 경우, 제1 심층신경망 모델을 이용하고, 기상 특성의 예측 결과가 제2 기상 조건인 경우, 제2 심층신경망 모델을 이용하여 신재생에너지 발전기의 출력을 예측할 수 잇다. 여기서 제1 심층신경망 모델 및 제2 심층신경망 모델은 기상 특성에 따라 신재생에너지 발전기의 출력을 예측하도록 훈련된 모델로서, 제1 심층신경망 모델 및 제2 심층신경망 모델 각각은 서로 다른 기상 특성에서 획득된 훈련 데이터를 이용하여 훈련될 수 있다. 또한, 운전 예비력 제어 장치(200)는 기상예측 심층신경망 모델을 통한 기상 특성의 예측 결과가 제1 기상 조건인 경우 제1 심층신경망 모델을 이용하고, 기상 특성의 예측 결과가 제2 기상 조건인 경우 제2 심층신경망 모델을 이용하고, 기상 특성의 예측 결과가 제3 기상 조건인 경우 제3 심층신경망 모델을 이용하여 신재생에너지 발전기의 출력을 예측할 수 있다. 여기서, 제1 심층신경망 모델 내지 제3 심층신경망 모델은 기상 특성에 따라 신재생에너지 발전기의 출력을 예측하도록 훈련된 모델로서, 제1 심층신경망 모델 내지 제3 심층신경망 모델 각각은 서로 다른 기상 특성에서 획득된 훈련 데이터를 이용하여 훈련될 수 있다.

S730단계에서, 운전 예비력 제어 장치(200)는 신재생에너지 발전기 그룹(110)의 출력 예측에 따라 신재생에너지 발전기 그룹(110)에 대한 운전 예비력 비율을 결정한다.

운전 예비력 제어 장치(200)는 신재생에너지 발전기 그룹(110)의 출력 변동의 크기를 예측하고, 출력 변동의 크기에 대한 예측 결과에 따라 디젤 발전기 그룹(120)이 준비하는 운전 예비력의 비율을 차등적으로 결정할 수 있다. 운전 예비력 제어 장치(200)는 운전 예비력의 비율을 차등적으로 결정 시에 신재생에너지 발전기 그룹(110)의 출력 변동의 크기가 제1 기준값 미만인 경우 운전 예비력을 제1 비율로 결정하고, 출력 변동의 크기가 제1 기준값 이상인 경우 운전 예비력을 제2 비율로 결정할 수 있다. 또한, 운전 예비력 제어 장치(200)는 운전 예비력의 비율을 차등적으로 결정 시에, 신재생에너지 발전기 그룹(110)의 출력 변동의 크기가 제1 레벨 이내인 경우 운전 예비력을 제1 비율로 결정하고, 출력 변동의 크기가 제1 레벨 이상 제2 레벨 미만인 경우 운전 예비력을 제2 비율로 결정하고, 출력 변동의 크기가 제2 레벨 이상인 경우 운전 예비력을 제3 비율로 결정할 수 있다.

S740단계에서, 운전 예비력 제어 장치(200)는 운전 예비력 비율 및 신재생에너지 발전기 그룹(110)의 출력에 기초하여 디젤 발전기 그룹(120)의 동작을 제어한다.

운전 예비력 제어 장치(200)는 운전 예비력 비율 및 신재생에너지 발전기 그룹(110)의 출력에 기초하여 디젤 발전기 그룹(120) 내의 복수의 디젤 발전기(120-1, 120-2 등) 중 동작시킬 발전기의 개수를 결정하고, 동작시키기로 결정된 발전기를 최저 동작 조건(동작 예비 상태)에 따라 운영할 수 있다.

선택적 실시 예로, 운전 예비력 제어 장치(200)는 에너지 저장장치 그룹(130)에 저장된 전력량을 판정고, 운전 예비력 비율, 신재생에너지 발전기 그룹(110)의 출력 및 전력량에 기초하여 디젤 발전기 그룹(120) 내의 복수의 디젤 발전기(120-1, 120-2 등) 중 동작시킬 발전기의 개수를 결정할 수 있다.

본 실시 예에서, 운전 예비력 제어 장치(200)는 기상을 예측하고 예측한 해당 일의 기상 특징에 따라 신재생에너지 발전기의 출력을 예측하기 위해, 5G 통신 환경에서 인공지능(artificial intelligence, AI) 알고리즘 및/또는 기계학습(machine learning) 알고리즘을 실행할 수 있다.

여기서 인공 지능(artificial intelligence, AI)은, 인간의 지능으로 할 수 있는 사고, 학습, 자기계발 등을 컴퓨터가 할 수 있도록 하는 방법을 연구하는 컴퓨터 공학 및 정보기술의 한 분야로, 컴퓨터가 인간의 지능적인 행동을 모방할 수 있도록 하는 것을 의미할 수 있다.

또한, 인공지능은 그 자체로 존재하는 것이 아니라, 컴퓨터 과학의 다른 분야와 직간접으로 많은 관련을 맺고 있다. 특히 현대에는 정보기술의 여러 분야에서 인공지능적 요소를 도입하여, 그 분야의 문제 풀이에 활용하려는 시도가 매우 활발하게 이루어지고 있다.

머신 러닝(machine learning)은 인공지능의 한 분야로, 컴퓨터에 명시적인 프로그램 없이 배울 수 있는 능력을 부여하는 연구 분야를 포함할 수 있다. 구체적으로 머신 러닝은, 경험적 데이터를 기반으로 학습을 하고 예측을 수행하고 스스로의 성능을 향상시키는 시스템과 이를 위한 알고리즘을 연구하고 구축하는 기술이라 할 수 있다. 머신 러닝의 알고리즘들은 엄격하게 정해진 정적인 프로그램 명령들을 수행하는 것이라기보다, 입력 데이터를 기반으로 예측이나 결정을 이끌어내기 위해 특정한 모델을 구축하는 방식을 취할 수 있다.

이러한 인공신경망의 머신 러닝 방법으로는 자율학습(unsupervised learning)과 지도학습(supervised learning)이 모두 사용될 수 있다.

또한, 머신 러닝의 일종인 딥러닝(deep learning) 기술은 데이터를 기반으로 다단계로 깊은 수준까지 내려가 학습할 수 있다. 딥러닝은 단계를 높여갈수록 복수의 데이터들로부터 핵심적인 데이터를 추출하는 머신 러닝 알고리즘의 집합을 나타낼 수 있다.

딥러닝 구조는 인공신경망(ANN)을 포함할 수 있으며, 예를 들어 딥러닝 구조는 CNN(convolutional neural network), RNN(recurrent neural network), DBN(deep belief network) 등 심층신경망(DNN)으로 구성될 수 있다. 본 실시 예에 따른 딥러닝 구조는 공지된 다양한 구조를 이용할 수 있다. 예를 들어, 본 실시 예에 따른 딥러닝 구조는 CNN, RNN, DBN 등을 포함할 수 있다. RNN은, 자연어 처리 등에 많이 이용되고 있으며, 시간의 흐름에 따라 변하는 시계열 데이터(time-series data) 처리에 효과적인 구조로 매 순간마다 레이어를 쌓아 올려 인공신경망 구조를 구성할 수 있다. DBN은 딥러닝 기법인 RBM(restricted boltzman machine)을 다층으로 쌓아 구성되는 딥러닝 구조를 포함할 수 있다. RBM 학습을 반복하여, 일정 수의 레이어가 되면 해당 개수의 레이어를 가지는 DBN을 구성할 수 있다. CNN은 사람이 물체를 인식할 때 물체의 기본적인 특징들을 추출한 다음 뇌 속에서 복잡한 계산을 거쳐 그 결과를 기반으로 물체를 인식한다는 가정을 기반으로 만들어진 사람의 뇌 기능을 모사한 모델을 포함할 수 있다.

한편, 인공신경망의 학습은 주어진 입력에 대하여 원하는 출력이 나오도록 노드간 연결선의 웨이트(weight)를 조정(필요한 경우 바이어스(bias) 값도 조정)함으로써 이루어질 수 있다. 또한, 인공신경망은 학습에 의해 웨이트(weight) 값을 지속적으로 업데이트시킬 수 있다. 또한, 인공신경망의 학습에는 역전파(back propagation) 등의 방법이 사용될 수 있다.

본 발명의 실시 예에서 용어 '머신 러닝'은 용어 '기계 학습'과 혼용되어 사용될 수 있다.

기계 학습에서 데이터를 어떻게 분류할 것인가를 놓고, 많은 기계 학습 알고리즘이 개발되었고, 의사결정나무(decision tree)나 베이지안 망(bayesian network), 서포트벡터머신(support vector machine, SVM), 그리고 인공 신경망(artificial neural network, ANN) 등을 대표적으로 포함할 수 있다.

의사결정나무는 의사결정규칙(decision rule)을 나무구조로 도표화하여 분류와 예측을 수행하는 판단방법을 포함할 수 있다. 베이지안 망은 다수의 변수들 사이의 확률적 관계(조건부독립성: conditional independence)를 그래프 구조로 표현하는 모델을 포함할 수 있다. 베이지안 망은 비지도 학습(unsupervised learning)을 통한 데이터마이닝(data mining)에 적합할 수 있다. 서포트벡터머신은 패턴인식과 자료분석을 위한 지도 학습(supervised learning)의 모델이며, 주로 분류와 회귀분석을 위해 사용될 수 있다.

인공신경망은 생물학적 뉴런의 동작원리와 뉴런간의 연결 관계를 모델링한 것으로 노드(node) 또는 처리 요소(processing element)라고 하는 다수의 뉴런들이 레이어(layer) 구조의 형태로 연결된 정보처리 시스템을 나타낼 수 있다.

인공 신경망은 기계 학습에서 사용되는 모델로써, 기계학습과 인지과학에서 생물학의 신경망(동물의 중추신경계 중 특히 뇌)에서 영감을 얻은 통계학적 학습 알고리즘을 포함할 수 있다.

구체적으로 인공신경망은 시냅스(synapse)의 결합으로 네트워크를 형성한 인공 뉴런(노드)이 학습을 통해 시냅스의 결합 세기를 변화시켜, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다.

용어 인공신경망은 용어 뉴럴 네트워크(Neural Network)와 혼용되어 사용될 수 있다.

인공신경망은 복수의 레이어(layer)를 포함할 수 있고, 레이어들 각각은 복수의 뉴런(neuron)을 포함할 수 있다. 또한 인공신경망은 뉴런과 뉴런을 연결하는 시냅스를 포함할 수 있다.

인공 신경망은 일반적으로 다음의 세가지 인자, 즉 (1) 다른 레이어의 뉴런들 사이의 연결 패턴 (2) 연결의 가중치를 갱신하는 학습 과정 (3) 이전 레이어로부터 수신되는 입력에 대한 가중 합으로부터 출력값을 생성하는 활성화 함수에 의해 정의될 수 있다.

인공 신경망은, DNN(deep neural network), RNN(recurrent neural network), BRDNN(bidirectional recurrent deep neural network), MLP(multilayer perceptron), CNN(convolutional neural network)와 같은 방식의 네트워크 모델들을 포함할 수 있으나, 이에 한정되지 않는다.

본 실시 예에서 용어 '레이어'는 용어 '계층'과 혼용되어 사용될 수 있다.

인공신경망은 계층 수에 따라 단층 신경망(single-layer neural networks)과 다층 신경망(multi-layer neural networks)으로 구분할 수 있다.

일반적인 단층 신경망은, 입력층과 출력층으로 구성될 수 있다. 또한 일반적인 다층 신경망은 입력층(input layer)과 하나 이상의 은닉층(hidden layer), 출력층(output layer)으로 구성될 수 있다.

입력층은 외부의 자료들을 받아들이는 층으로서, 입력층의 뉴런 수는 입력되는 변수의 수와 동일하며, 은닉층은 입력층과 출력층 사이에 위치하며 입력층으로부터 신호를 받아 특성을 추출하여 출력층으로 전달할 수 있다. 출력층은 은닉층으로부터 신호를 받고, 수신한 신호에 기반한 출력 값을 출력할 수 있다. 뉴런간의 입력신호는 각각의 연결강도(가중치)와 곱해진 후 합산되며 이 합이 뉴런의 임계치보다 크면 뉴런이 활성화되어 활성화 함수를 통하여 획득한 출력값을 출력할 수 있다.

한편 입력층과 출력 층 사이에 복수의 은닉층을 포함하는 심층 신경망은, 기계 학습 기술의 한 종류인 딥 러닝을 구현하는 대표적인 인공 신경망일 수 있다.

한편 용어 '딥 러닝'은 용어 '심층 학습'과 혼용되어 사용될 수 있다.

인공 신경망은 훈련 데이터(training data)를 이용하여 학습(training)될 수 있다. 여기서 학습이란, 입력 데이터를 분류(classification)하거나 회귀분석(regression)하거나 군집화(clustering)하는 등의 목적을 달성하기 위하여, 학습 데이터를 이용하여 인공 신경망의 파라미터(parameter)를 결정하는 과정을 의미할 수 있다. 인공 신경망의 파라미터의 대표적인 예시로써, 시냅스에 부여되는 가중치(weight)나 뉴런에 적용되는 편향(bias)을 들 수 있다.

훈련 데이터에 의하여 학습된 인공 신경망은, 입력 데이터를 입력 데이터가 가지는 패턴에 따라 분류하거나 군집화 할 수 있다. 한편 훈련 데이터를 이용하여 학습된 인공 신경망을, 본 실시 예에서는 학습 모델(a trained model)이라 명칭 할 수 있다.

다음은 인공 신경망의 학습 방식에 대하여 설명한다. 인공 신경망의 학습 방식은 크게, 지도 학습, 비 지도 학습, 준 지도 학습(semi-supervised learning), 강화 학습(reinforcement learning)으로 분류될 수 있다.

지도 학습은 훈련 데이터로부터 하나의 함수를 유추해내기 위한 기계 학습의 한 방법일 수 있다. 그리고 이렇게 유추되는 함수 중, 연속 적인 값을 출력하는 것을 회귀분석(Regression)이라 하고, 입력 벡터의 클래스(class)를 예측하여 출력하는 것을 분류(Classification)라고 할 수 있다.

지도 학습에서는, 훈련 데이터에 대한 레이블(label)이 주어진 상태에서 인공 신경망을 학습시킬 수 있다. 여기서 레이블이란, 훈련 데이터가 인공 신경망에 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과 값)을 의미할 수 있다.

본 실시 예에서는 훈련 데이터가 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과값)을 레이블 또는 레이블링 데이터(labeling data)이라 명칭 할 수 있다.

또한 본 실시 예에서는, 인공 신경망의 학습을 위하여 훈련 데이터에 레이블을 설정하는 것을, 훈련 데이터에 레이블링 데이터를 레이블링(labeling) 한다고 명칭 할 수 있다. 이 경우 훈련 데이터와 훈련 데이터에 대응하는 레이블)은 하나의 트레이닝 셋(training set)을 구성하고, 인공 신경망에는 트레이닝 셋의 형태로 입력될 수 있다.

한편 훈련 데이터는 복수의 특징(feature)을 나타내고, 훈련 데이터에 레이블이 레이블링 된다는 것은 훈련 데이터가 나타내는 특징에 레이블이 달린다는 것을 의미할 수 있다. 이 경우 훈련 데이터는 입력 객체의 특징을 벡터 형태로 나타낼 수 있다.

인공 신경망은 훈련 데이터와 레이블링 데이터를 이용하여, 훈련 데이터와 레이블링 데이터의 연관 관계에 대한 함수를 유추할 수 있다. 그리고, 인공 신경망에서 유추된 함수에 대한 평가를 통해 인공 신경망의 파라미터가 결정(최적화)될 수 있다.

비 지도 학습은 기계 학습의 일종으로, 훈련 데이터에 대한 레이블이 주어지지 않을 수 있다. 구체적으로, 비 지도 학습은, 훈련 데이터 및 훈련 데이터에 대응하는 레이블의 연관 관계 보다는, 훈련 데이터 자체에서 패턴을 찾아 분류하도록 인공 신경망을 학습시키는 학습 방법일 수 있다. 비 지도 학습의 예로는, 군집화 또는 독립 성분 분석(independent component analysis)을 들 수 있다.

본 실시 예에서 용어 '군집화'는 용어 '클러스터링'과 혼용되어 사용될 수 있다.

비지도 학습을 이용하는 인공 신경망의 일례로 생성적 적대 신경망(generative adversarial network, GAN), 오토 인코더(autoencoder, AE)를 들 수 있다.

생성적 적대 신경망이란, 생성기(generator)와 판별기(discriminator), 두 개의 서로 다른 인공지능이 경쟁하며 성능을 개선하는 머신 러닝 방법일 수 있다. 이 경우 생성기는 새로운 데이터를 창조하는 모형으로, 원본 데이터를 기반으로 새로운 데이터를 생성할 수 있다. 또한 판별기는 데이터의 패턴을 인식하는 모형으로, 입력된 데이터가 원본 데이터인지 또는 생성기에서 생성한 새로운 데이터인지 여부를 감별하는 역할을 수행할 수 있다. 그리고 생성기는 판별기를 속이지 못한 데이터를 입력 받아 학습하며, 판별기는 생성기로부터 속은 데이터를 입력 받아 학습할 수 있다. 이에 따라 생성기는 판별기를 최대한 잘 속이도록 진화할 수 있고, 판별기는 원본 데이터와 생성기에 의해 생성된 데이터를 잘 구분하도록 진화할 수 있다.

오토 인코더는 입력 자체를 출력으로 재현하는 것을 목표로 하는 신경망일 수 있다. 오토 인코더는 입력층, 적어도 하나의 은닉층 및 출력층을 포함할 수 있다. 이 경우 은닉 계층의 노드 수가 입력 계층의 노드 수보다 적으므로 데이터의 차원이 줄어들게 되며, 이에 따라 압축 또는 인코딩이 수행될 수 있다. 또한 은닉 계층에서 출력한 데이터는 출력 계층으로 들어갈 수 있다. 이 경우 출력 계층의 노드 수는 은닉 계층의 노드 수보다 많으므로, 데이터의 차원이 늘어나게 되며, 이에 따라 압축 해제 또는 디코딩이 수행될 수 있다.

한편 오토 인코더는 학습을 통해 뉴런의 연결 강도를 조절함으로써 입력 데이터가 은닉층 데이터로 표현될 수 있다. 은닉층에서는 입력층보다 적은 수의 뉴런으로 정보를 표현하는데 입력 데이터를 출력으로 재현할 수 있다는 것은, 은닉층이 입력 데이터로부터 숨은 패턴을 발견하여 표현했다는 것을 의미할 수 있다.

준 지도 학습은 기계 학습의 일종으로, 레이블이 주어진 훈련 데이터와 레이블이 주어지지 않은 훈련 데이터를 모두 사용하는 학습 방법을 의미할 수 있다. 준 지도 학습의 기법 중 하나로, 레이블이 주어지지 않은 훈련 데이터의 레이블을 추론한 후 추론된 라벨을 이용하여 학습을 수행하는 기법이 있으며, 이러한 기법은 레이블링에 소요되는 비용이 큰 경우에 유용하게 사용될 수 있다.

강화 학습은, 에이전트(agent)가 매 순간 어떤 행동을 해야 좋을지 분석할 수 있는 환경이 주어진다면, 데이터 없이 경험으로 가장 좋을 길을 찾을 수 있다는 이론을 포함할 수 있다. 강화 학습은 주로 마르코프 결정 과정(markov decision process, MDP)에 의하여 수행될 수 있다.

마르코프 결정 과정을 설명하면, 첫 번째로 에이전트가 다음 행동을 하기 위해 필요한 정보들이 구성된 환경이 주어지며, 두 번째로 그 환경에서 에이전트가 어떻게 행동할지 정의하고, 세 번째로 에이전트가 무엇을 잘하면 보상(reward)을 주고 무엇을 못하면 벌점(penalty)을 줄지 정의하며, 네 번째로 미래의 보상이 최고점에 이를 때까지 반복 경험하여 최적의 정책(policy)을 도출할 수 있다.

인공 신경망은 모델의 구성, 활성 함수(activation function), 손실 함수(loss function) 또는 비용 함수(cost function), 학습 알고리즘, 최적화 알고리즘 등에 의해 그 구조가 특정되며, 학습 전에 하이퍼파라미터(hyperparameter)가 미리 설정되고, 이후에 학습을 통해 모델 파라미터(model parameter)가 설정되어 내용이 특정될 수 있다.

예컨대, 인공 신경망의 구조를 결정하는 요소에는 은닉층의 개수, 각 은닉층에 포함된 은닉 노드의 개수, 입력 특징 벡터(input feature vector), 대상 특징 벡터(target feature vector) 등이 포함될 수 있다.

하이퍼파라미터는 모델 파라미터의 초기값 등과 같이 학습을 위하여 초기에 설정하여야 하는 여러 파라미터들을 포함할 수 있다. 그리고, 모델 파라미터는 학습을 통하여 결정하고자 하는 여러 파라미터들을 포함할 수 있다.

예컨대, 하이퍼파라미터에는 노드 간 가중치 초기값, 노드 간 편향 초기값, 미니 배치(mini-batch) 크기, 학습 반복 횟수, 학습률(learning rate) 등이 포함될 수 있다. 그리고, 모델 파라미터에는 노드 간 가중치, 노드 간 편향 등이 포함될 수 있다.

인공 신경망의 학습 속도와 정확도는 인공 신경망의 구조와 학습 최적화 알고리즘의 종류뿐만 아니라, 하이퍼파라미터에 크게 좌우되는 특징을 포함할 수 있다. 따라서, 좋은 학습 모델을 획득하기 위하여는 적당한 인공 신경망의 구조와 학습 알고리즘을 결정하는 것뿐만 아니라, 적당한 하이퍼파라미터를 설정하는 것이 중요할 수 있다.

통상적으로 하이퍼파라미터는 실험적으로 다양한 값으로 설정해가며 인공 신경망을 학습시켜보고, 학습 결과 안정적인 학습 속도와 정확도를 제공하는 최적의 값으로 설정할 수 있다. 위와 같은 방식들을 이용하면 피가열체의 상태에 대한 추정이 더욱 정교해질 수 있다.

이상 설명된 본 발명에 따른 실시 예는 컴퓨터 상에서 다양한 구성요소를 통하여 실행될 수 있는 컴퓨터 프로그램의 형태로 구현될 수 있으며, 이와 같은 컴퓨터 프로그램은 컴퓨터로 판독 가능한 매체에 기록될 수 있다. 이때, 매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등과 같은, 프로그램 명령어를 저장하고 실행하도록 특별히 구성된 하드웨어 장치를 포함할 수 있다.

한편, 상기 컴퓨터 프로그램은 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 프로그램의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함될 수 있다.

본 발명의 명세서(특히 특허청구범위에서)에서 "상기"의 용어 및 이와 유사한 지시 용어의 사용은 단수 및 복수 모두에 해당하는 것일 수 있다. 또한, 본 발명에서 범위(range)를 기재한 경우 상기 범위에 속하는 개별적인 값을 적용한 발명을 포함하는 것으로서(이에 반하는 기재가 없다면), 발명의 상세한 설명에 상기 범위를 구성하는 각 개별적인 값을 기재한 것과 같다.

본 발명에 따른 방법을 구성하는 단계들에 대하여 명백하게 순서를 기재하거나 반하는 기재가 없다면, 상기 단계들은 적당한 순서로 행해질 수 있다. 반드시 상기 단계들의 기재 순서에 따라 본 발명이 한정되는 것은 아니다. 본 발명에서 모든 예들 또는 예시적인 용어(예들 들어, 등등)의 사용은 단순히 본 발명을 상세히 설명하기 위한 것으로서 특허청구범위에 의해 한정되지 않는 이상 상기 예들 또는 예시적인 용어로 인해 본 발명의 범위가 한정되는 것은 아니다. 또한, 당업자는 다양한 수정, 조합 및 변경이 부가된 특허청구범위 또는 그 균등물의 범주 내에서 설계 조건 및 팩터에 따라 구성될 수 있음을 알 수 있다.

따라서, 본 발명의 사상은 상기 설명된 실시 예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 또는 이로부터 등가적으로 변경된 모든 범위는 본 발명의 사상의 범주에 속한다고 할 것이다.

100: 마이크로그리드
200: 운전 예비력 제어 장치
300: 외부 장치
400: 네트워크

Claims

신재생에너지 발전기 그룹, 디젤 발전기 그룹 및 에너지 저장장치 그룹을 포함하는 마이크로그리드의 운전 예비력을 제어하는 방법으로서,
상기 신재생에너지 발전기 그룹이 배치된 지역의 기상 특성을 예측하여 기상예측 정보를 생성하는 단계;
상기 기상예측 정보에 기초하여 상기 신재생에너지 발전기 그룹의 출력을 예측하는 단계;
상기 신재생에너지 발전기 그룹의 출력에 대한 예측 결과를 이용하여 시간대별 신재생에너지 발전기 그룹의 출력 변동 폭과 변동 비율을 포함하는 출력 변동의 크기를 예측하는 단계;
상기 출력 변동의 크기에 대한 예측 결과에 따라 상기 신재생에너지 발전기 그룹에 대해 상기 디젤 발전기 그룹이 준비하는 여유 전력용량으로서 운전 예비력의 비율을 차등적으로 결정하는 단계; 및
상기 운전 예비력 비율 및 상기 신재생에너지 발전기 그룹의 출력에 기초하여 상기 디젤 발전기 그룹의 동작을 제어하는 단계를 포함하고,
상기 신재생에너지 발전기 그룹의 출력 변동의 크기는,
시간당 최대 출력과 최소 출력의 차이값(kw), 또는 최대 출력 대비 최소 출력의 비율(%), 또는 출력량 그래프 기울기의 최대값을 이용하여 계산 가능한,
마이크로그리드의 운전 예비력 제어 방법.
제 1 항에 있어서,
상기 기상예측 정보를 생성하는 단계는,
현재 및 과거의 기상 정보를 이용하여 다음 시간대의 기상 특성을 예측하도록 미리 훈련된 기상예측 심층신경망 모델을 이용하여 시간대별 기상 특성을 예측하는 단계를 포함하고,
상기 기상예측 심층신경망 모델은 상기 신재생에너지 발전기 그룹의 출력 변동에 주는 영향을 기준으로 기상 특성을 분류하여 출력하도록 설계되는,
마이크로그리드의 운전 예비력 제어 방법.
제 2 항에 있어서,
상기 기상예측 심층신경망 모델의 출력값은, 적어도,
상기 신재생에너지 발전기 그룹의 출력 변동의 크기가 제1 기준값 미만이 되도록 하는 제1 기상 조건, 및
상기 신재생에너지 발전기 그룹의 출력 변동의 크기가 제1 기준값 이상이 되도록 하는 제2 기상 조건을 포함하는,
마이크로그리드의 운전 예비력 제어 방법.
제 3 항에 있어서,
상기 신재생에너지 발전기 그룹의 출력을 예측하는 단계는,
상기 기상예측 심층신경망 모델을 통한 기상 특성의 예측 결과가 제1 기상 조건인 경우, 제1 심층신경망 모델을 이용하고, 기상 특성의 예측 결과가 제2 기상 조건인 경우, 제2 심층신경망 모델을 이용하여 신재생에너지 발전기 그룹의 출력을 예측하는 단계를 포함하며,
상기 제1 심층신경망 모델 및 상기 제2 심층신경망 모델은 기상 특성에 따라 신재생에너지 발전기의 출력을 예측하도록 훈련된 모델로서, 상기 제1 심층신경망 모델 및 상기 제2 심층신경망 모델 각각은 서로 다른 기상 특성에서 획득된 훈련 데이터를 이용하여 훈련된,
마이크로그리드의 운전 예비력 제어 방법.
삭제
제 1 항에 있어서,
상기 운전 예비력의 비율을 차등적으로 결정하는 단계는,
상기 신재생에너지 발전기 그룹의 출력 변동의 크기가 제1 기준값 미만인 경우 운전 예비력을 제1 비율로 결정하고, 상기 출력 변동의 크기가 제1 기준값 이상인 경우 운전 예비력을 제2 비율로 결정하는 단계를 포함하는,
마이크로그리드의 운전 예비력 제어 방법.
제 1 항에 있어서,
상기 디젤 발전기 그룹은 복수의 디젤 발전기를 포함하고,
상기 디젤 발전기 그룹의 동작을 제어하는 단계는,
상기 운전 예비력 비율 및 상기 신재생에너지 발전기 그룹의 출력에 기초하여 상기 복수의 디젤 발전기 중 동작시킬 발전기의 개수를 결정하는 단계를 포함하는,
마이크로그리드의 운전 예비력 제어 방법.
제 7 항에 있어서,
상기 디젤 발전기 그룹의 동작을 제어하는 단계는,
상기 발전기의 개수를 결정하는 단계에서 동작시키기로 결정된 발전기를 최저 동작 조건에 따라 운영하는 단계를 더 포함하는,
마이크로그리드의 운전 예비력 제어 방법.
제 1 항에 있어서,
상기 디젤 발전기 그룹은 복수의 디젤 발전기를 포함하고,
상기 디젤 발전기 그룹의 동작을 제어하는 단계는,
상기 에너지 저장장치 그룹에 저장된 전력량을 판정하는 단계;
상기 운전 예비력 비율, 상기 신재생에너지 발전기 그룹의 출력 및 상기 전력량에 기초하여 상기 복수의 디젤 발전기 중 동작시킬 발전기의 개수를 결정하는 단계를 포함하는,
마이크로그리드의 운전 예비력 제어 방법.
컴퓨터를 이용하여 제 1 항 내지 제 4 항 및 제 6 항 내지 제 9 항의 방법 중 어느 한 항의 방법을 실행시키기 위한 컴퓨터 프로그램이 저장된 컴퓨터로 판독 가능한 기록매체.
신재생에너지 발전기 그룹, 디젤 발전기 그룹 및 에너지 저장장치 그룹을 포함하는 마이크로그리드의 운전 예비력을 제어하는 장치로서,
상기 신재생에너지 발전기 그룹이 배치된 지역의 기상 특성을 예측하여 기상예측 정보를 생성하는 제1 예측부;
상기 기상예측 정보에 기초하여 상기 신재생에너지 발전기 그룹의 출력을 예측하는 제2 예측부;
신재생에너지 발전기 그룹의 출력에 대한 예측 결과를 이용하여 시간대별 신재생에너지 발전기 그룹의 출력 변동 폭과 변동 비율을 포함하는 출력 변동의 크기를 예측하고, 상기 출력 변동의 크기에 대한 예측 결과에 따라 상기 신재생에너지 발전기 그룹에 대해 상기 디젤 발전기 그룹이 준비하는 여유 전력용량으로서 운전 예비력의 비율을 차등적으로 결정하는 결정부; 및
상기 운전 예비력 비율 및 상기 신재생에너지 발전기 그룹의 출력에 기초하여 상기 디젤 발전기 그룹의 동작을 제어하는 제어부를 포함하고,
상기 신재생에너지 발전기 그룹의 출력 변동의 크기는,
시간당 최대 출력과 최소 출력의 차이값(kw), 또는 최대 출력 대비 최소 출력의 비율(%), 또는 출력량 그래프 기울기의 최대값을 이용하여 계산 가능한,
마이크로그리드의 운전 예비력 제어 장치.
제 11 항에 있어서,
상기 제1 예측부는,
현재 및 과거의 기상 정보를 이용하여 다음 시간대의 기상 특성을 예측하도록 미리 훈련된 기상예측 심층신경망 모델을 이용하여 시간대별 기상 특성을 예측하고,
상기 기상예측 심층신경망 모델은 상기 신재생에너지 발전기 그룹의 출력 변동에 주는 영향을 기준으로 기상 특성을 분류하여 출력하도록 설계되는,
마이크로그리드의 운전 예비력 제어 장치.
제 12 항에 있어서,
상기 기상예측 심층신경망 모델의 출력값은, 적어도,
상기 신재생에너지 발전기 그룹의 출력 변동의 크기가 제1 기준값 미만이 되도록 하는 제1 기상 조건, 및
상기 신재생에너지 발전기 그룹의 출력 변동의 크기가 제1 기준값 이상이 되도록 하는 제2 기상 조건을 포함하는,
마이크로그리드의 운전 예비력 제어 장치.
제 13 항에 있어서,
상기 제2 예측부는,
상기 기상예측 심층신경망 모델을 통한 기상 특성의 예측 결과가 제1 기상 조건인 경우, 제1 심층신경망 모델을 이용하고, 기상 특성의 예측 결과가 제2 기상 조건인 경우, 제2 심층신경망 모델을 이용하여 신재생에너지 발전기 그룹의 출력을 예측하고,
상기 제1 심층신경망 모델 및 상기 제2 심층신경망 모델은 기상 특성에 따라 신재생에너지 발전기의 출력을 예측하도록 훈련된 모델로서, 상기 제1 심층신경망 모델 및 상기 제2 심층신경망 모델 각각은 서로 다른 기상 특성에서 획득된 훈련 데이터를 이용하여 훈련된,
마이크로그리드의 운전 예비력 제어 장치.
삭제
제 11 항에 있어서,
상기 결정부는,
상기 신재생에너지 발전기 그룹의 출력 변동의 크기가 제1 기준값 미만인 경우 운전 예비력을 제1 비율로 결정하고, 상기 출력 변동의 크기가 제1 기준값 이상인 경우 운전 예비력을 제2 비율로 결정하도록 구성되는,
마이크로그리드의 운전 예비력 제어 장치.
제 11 항에 있어서,
상기 디젤 발전기 그룹은 복수의 디젤 발전기를 포함하고,
상기 제어부는,
상기 운전 예비력 비율 및 상기 신재생에너지 발전기 그룹의 출력에 기초하여 상기 복수의 디젤 발전기 중 동작시킬 발전기의 개수를 결정하도록 구성되는,
마이크로그리드의 운전 예비력 제어 장치.
제 17 항에 있어서,
상기 제어부는,
상기 발전기의 개수를 결정 시에 동작시키기로 결정된 발전기를 최저 동작 조건에 따라 운영하도록 구성되는,
마이크로그리드의 운전 예비력 제어 장치.
제 11 항에 있어서,
상기 디젤 발전기 그룹은 복수의 디젤 발전기를 포함하고,
상기 제어부는,
상기 에너지 저장장치 그룹에 저장된 전력량을 판정하고, 상기 운전 예비력 비율, 상기 신재생에너지 발전기 그룹의 출력 및 상기 전력량에 기초하여 상기 복수의 디젤 발전기 중 동작시킬 발전기의 개수를 결정하도록 구성되는,
마이크로그리드의 운전 예비력 제어 장치.