KR102266494B1

KR102266494B1 - 수요반응을 위한 딥러닝 기반 고객 분류 장치 및 방법

Info

Publication number: KR102266494B1
Application number: KR1020200177055A
Authority: KR
Inventors: 손성용; 박건준
Original assignee: 가천대학교 산학협력단
Priority date: 2020-12-17
Filing date: 2020-12-17
Publication date: 2021-06-17

Abstract

본 발명은 수요반응을 위한 딥러닝 기반 고객 분류 장치에 관한 것으로, 참여고객의 부하 이력 정보와 PV, EV, ESS를 포함하는 분산자원의 이력 정보 및 기상정보 데이터를 입력받는 데이터 입력부; 상기 데이터 입력부에서 입력된 정보로부터 운영 환경 설정에서 운영 지역 및 기간을 포함하여 운영 분석에 필요한 환경을 설정하는 운영 환경 설정부; 상기 운영 환경 설정부에서 설정된 환경에 따라 참여 고객의 부하에 대해 일일 사용량, 일일 사용량 변동계수, 패턴 변동계수를 계산하여 특성화를 지표화하는 고객 부하 특성화부; 상기 고객 부하 특성화부에서 계산된 특성화 지표와 고객 부하 패턴을 이용하여 입력벡터를 구성하고 군집화를 수행하여 고객 부하를 그룹화하는 고객 부하 그룹부; 상기 고객 부하 그룹부에서 계산된 각 군집에 속한 고객 부하에 대해 그룹별 수요반응 잠재량을 추정하는 수요반응 잠재량 추정부; 입력벡터와 군집화부에서 계산된 그룹을 라벨링하여 입출력 데이터를 구성하는 입출력 데이터 구성부; 상기 입출력 데이터 구성부에서 구성된 입출력 데이터를 이용하여 딥러닝 모델을 설계하고 학습을 통해 모델을 구축하는 모델 구축부; 상기 모델 구축부에서 구축된 딥러닝 모델을 이용하여 고객을 분류하는 고객 분류부; 상기 고객 분류부에서 분류된 참여고객에 대해 참여고객 스스로 전기 소비 패턴을 변경할 수 있도록 추천하는 고객 추천부를 포함하는 것을 특징으로 한다.

Description

수요반응을 위한 딥러닝 기반 고객 분류 장치 및 방법{System and Method of Deep Learning-based Customer Classification for Demand Respond}

본 발명은 수요반응을 위한 딥러닝 기반 고객 분류 장치 및 방법에 관한 것으로, 더욱 상세하게는, 부하 특성에 기반을 두어 부하를 분류하여 수요반응 잠재량을 추정하고 딥러닝을 통해 그룹별 고객 부하 특성을 학습하여 고객을 분류하는 것으로서, 수요반응을 위한 딥러닝 기반 고객 분류 장치 및 방법에 관한 것이다.

수요반응자원(수요반응)은 전기사용자의 소비 패턴을 변화시켜 수요를 감축하거나 지연시킬 수 있는 자원이다. 수요반응자원 참여고객은 수요관리사업자를 통하여 수요자원시장에 참여가 가능하며, 수요관리사업자는 참여고객을 모집하고 수요반응자원을 구성 및 운영을 해야 한다. 그러나, 참여 고객의 수요 패턴은 PV, ESS 등 분산자원을 포함한 전기소비자의 생활패턴에 따른 소비 패턴이 다양하기 때문에, 수요자원을 안정적으로 운영하기 위해서는 수요반응 잠재량 추정이 필요하다. 또한, 새로운 고객이 참여할 경우 새로운 참여고객에 대한 정보가 없으므로 수요반응 잠재량 추정 및 수요반응의 어려움이 있어, 기존 참여고객 뿐만 아니라 새로운 고객이 참여할 경우 이에 따른 효과적인 운영 방법이 필요하다.

[선행기술문헌]

대한민국 특허등록번호 제10-1012863호(2011년01월27일 등록)(발명의 명칭: 고객기준부하 산출을 위한 부하 예측 비교 분석 시스템)

본 발명의 목적은 상기와 같은 문제점을 해결하기 위하여, 수요관리사업자 입장에서 분산자원 보유 및 생활패턴에 따른 다양한 패턴을 가지는 수요자원들을 효율적으로 운영할 수 있도록 하는 수요반응을 위한 딥러닝 기반 고객 분류 장치 및 방법을 제공함에 있다.

상기한 바와 같은 목적을 달성하기 위한 본 발명의 바람직한 실시예에 따르면, 수요반응을 위한 딥러닝 기반 고객 분류 장치는 참여고객의 부하 이력 정보와 PV, EV, ESS를 포함하는 분산자원의 이력 정보 및 기상정보 데이터를 입력받는 데이터 입력부; 상기 데이터 입력부에서 입력된 정보로부터 운영 환경 설정에서 운영 지역 및 기간을 포함하여 운영 분석에 필요한 환경을 설정하는 운영 환경 설정부; 상기 운영 환경 설정부에서 설정된 환경에 따라 참여 고객의 부하에 대해 일일 사용량, 일일 사용량 변동계수, 패턴 변동계수를 계산하여 특성화를 지표화하는 고객 부하 특성화부; 상기 고객 부하 특성화부에서 계산된 특성화 지표와 고객 부하 패턴을 이용하여 입력벡터를 구성하고 군집화를 수행하여 고객 부하를 그룹화하는 고객 부하 그룹부; 상기 고객 부하 그룹부에서 계산된 각 군집에 속한 고객 부하에 대해 그룹별 수요반응 잠재량을 추정하는 수요반응 잠재량 추정부; 상기 고객 부하 그룹부내 입력벡터 구성부에서 구성된 입력벡터와 군집화부에서 계산된 그룹을 라벨링하여 입출력 데이터를 구성하는 입출력 데이터 구성부; 상기 입출력 데이터 구성부에서 구성된 입출력 데이터를 이용하여 딥러닝 모델을 설계하고 학습을 통해 모델을 구축하는 모델 구축부; 상기 모델 구축부에서 구축된 딥러닝 모델을 이용하여 고객을 분류하는 고객 분류부; 상기 고객 분류부에서 분류된 참여고객에 대해 참여고객 스스로 전기 소비 패턴을 변경할 수 있도록 추천하는 고객 추천부를 포함한다.

또한, 상기 데이터 입력부는 참여고객의 부하 이력 정보와 PV, EV, ESS를 포함하는 분산자원의 이력 정보 및 기상정보 데이터를 입력받으며, 참여고객의 인구통계 정보 및 부하 이력 정보, PV, EV, ESS를 포함하는 분산자원의 보유 유무 및 설비 정보, 운영 정보를 포함하는 이력 정보, 그리고 기온, 일사량, 운량, 풍향, 풍력 정보를 포함하는 기상 정보의 이력 정보를 포함하는 이력 정보 데이터베이스와 장기, 중기, 단기 예측을 통한 부하 예측 정보, 분산자원 예측 정보 및 기상 예측 정보를 포함하는 예측 정보 데이터베이스로부터 데이터를 입력받는 것을 특징으로 한다.

또한, 상기 운영 환경 설정부는 상기 데이터 입력부에서 입력된 정보로부터 운영 환경 설정에서 운영 지역 및 기간을 포함하여 운영 분석에 필요한 환경을 설정하되, 참여고객 및 분산자원의 선택, 분산자원의 설치 지역, 분산자원의 이력 정보, 선택된 지역의 기상정보 및 운영 기간과 날짜 및 시간을 설정할 수 있는 것을 특징으로 한다.

또한, 상기 고객 부하 특성화부는 상기 운영 환경 설정부에서 설정된 환경에 따라 참여 고객의 부하에 대해 일일 사용량 계산부, 일일 사용량 변동계수 계산부, 패턴 변동계수 계산부를 통해 일일 사용량, 일일 사용량 변동계수, 패턴 변동계수를 계산하여 특성화를 지표화하는 것을 특징으로 한다.

또한,

일일 사용량(Uj)은 전기 소비가 많은지 적은 지를 측정하는 지표이고, 해당 기간 동안에서 하루에 소비하는 사용량의 평균을 측정하며, 수학식 1과 같이 계산할 수 있고,

[수학식 1]

(여기서, Pjd는 j(j=1,2,....,N)번째 고객이 d(d=1,2,...,D)날에 t(t=1,2,....,T)시간에서 소비하는 부하량);

일일 사용량 변동계수(

)는 일일 사용량이 얼마나 변동하는 지를 측정하는 지표이고, 해당 기간 동안에서 일일 사용량의 변동성을 측정하며, 수학식 2와 같이 계산할 수 있고,

[수학식 2]

(여기서,

는 j번째 고객의 일일 사용량의 표준편차)와 같이 계산할 수 있으며;

패턴의 변동계수(

) 시간대별 부하 패턴이 얼마나 변동하는 지를 측정하는 지표이고, 해당 기간 동안에 하루 24시간의 소비량의 변동성을 측정하며, 수학식 3과 같이 계산할 수 있는 것을 특징으로 한다.

[수학식 3]

(여기서,

와

는 각각 번째 고객의 시간대별 평균 소비량 및 표준편차).

또한, 상기 고객 부하 그룹부는 상기 고객 부하 특성화부에서 계산된 특성화 지표와 고객 부하 패턴을 이용하여 입력벡터 구성부를 통해 입력벡터를 구성하고 군집화부를 통해 군집화를 수행하여 고객 부하를 그룹화하되, 입력벡터는 해당 기간 동안의 고객 부하에 대해 프로파일을 구성하고, 상기 고객 부하 특성화부에서 계산된 특성화 지표를 상기 프로파일에 추가하여 구성할 수 있으며, 군집화부에서는 상기 입력 벡터를 이용하여 군집화 알고리즘을 이용하여 고객을 군집별로 분류하는 것을 특징으로 한다.

또한, 상기 수요반응 잠재량 추정부는 상기 고객 부하 그룹부에서 계산된 각 군집에 속한 고객 부하에 대해 그룹별 수요반응 잠재량을 추정하되, 상기 그룹화된 고객 부하에 대해 시간대별 전기 소비 패턴들에 대해 사분범위로 잠재량을 계산할 수 있는 것을 특징으로 한다.

또한, 상기 수요반응 잠재량 추정부는 상기 그룹화된 고객 부하에 대해 간혹 발생할 수 있는 극단적인 최대/최소 소비량에 인한 잠재량을 과대하게 추정하는 문제를 해결하기 위해 정규분포, 백분위수의 방법을 통해 극단적이고 이상적인 소비량(이상치)을 제거하여 수요반응 잠재량을 계산할 수 있는 것을 특징으로 한다.

또한, 정규분포를 이용한 최소 소비량 이상치 제거는 해당 기간 동안에 일일 시간대별 소비량에 대해 정규분포를 이용하여

(여기서 m:평균, σ: 표준편차, α:임의의 상수)구간을 벗어나는 값을 이상치로 판단하여 제거하여 수요반응 잠재량을 계산할 수 있으며, 백분위수를 이용한 최소 소비량 이상치 제거는 해당 기간 동안에 일일 시간대별 소비량에 대해 α백분위수(여기서, α:임의의 상수)를 이용하여 백분위수 보다 작은 값을 이상치로 판단하여 제거하여 수요반응 잠재량을 계산할 수 있는 것을 특징으로 한다.

또한, 상기 수요반응 잠재량 추정부는 시간대별 수요반응 잠재량 확률 분포 및 누적 확률 분포를 추정하며, 각각 해당 시간에서 전기 소비량의 잠재량을 계산하여 분포를 추정하며, 해당 시간에서의 시간대별 확률 분포를 누적하여 누적 확률 분포를 추정하는 것을 특징으로 한다.

또한, 상기 입출력 데이터 구성부는 상기 고객 부하 그룹부내 입력벡터 구성부에서 구성된 입력벡터와 군집화부에서 계산된 그룹을 라벨링하여 입출력 데이터를 구성하며, 입력 데이터는 상기 고객 부하 그룹부내 입력벡터 구성부에서 구성된 입력벡터인 시간대별 프로파일 및 특성화 지표로 입력벡터를 구성하여 입력 데이터를 구성하고, 출력 데이터는 상기 고객 부하 그룹부내 군집화부에서 계산된 각 입력데이터에 따른 그룹 결과를 숫자로 변환하여 구성하는 것을 특징으로 한다.

또한, 상기 모델 구축부는 상기 입출력 데이터 구성부에서 구성된 입출력 데이터를 이용하여 딥러닝 모델을 설계하고 학습을 통해 모델을 구축하되, 입력 데이터를 정규화하고 입출력 데이터를 학습용, 검증용, 테스트용으로 분할하며, 딥러닝 모델 구조를 선정하고, 이에 따른 은닉층의 개수 및 각 층의 뉴런 개수, 활성함수, 드롭아웁, 가중치 초기화, 학습률, 학습 횟수, 목적함수, 배치 크기의 하이퍼파라미터를 선정하며, 딥러닝 모델을 학습하고 모델을 평가하여 모델을 구축하는 것을 특징으로 한다.

또한, 상기 고객 분류부는 상기 모델 구축부에서 구축된 딥러닝 모델을 이용하여 고객을 분류하며, 더욱 상세하게 실시 예를 들어 설명하면, 기존 및 신규 참여고객의 전기 소비 데이터를 이용하여 프로파일을 생성하고, 특성화 지표를 계산하여 입력 데이터를 구성하고, 상기 입력 데이터를 구축된 딥러닝 모델에 입력으로 주어 결과를 출력하고, 출력된 결과로부터 해당 참여고객을 하나의 그룹으로 할당하여 분류하는 것을 포함하는 것을 특징으로 한다.

또한, 상기 고객 추천부는 상기 고객 분류부에서 분류된 참여고객에 대해 참여고객 스스로 전기 소비 패턴을 변경할 수 있도록 추천하며, 참여고객의 전기 소비 데이터로부터 특성화 정보, 시간대별 프로파일 정보, 그룹 정보, 수요반응 잠재량 및 확률 분포 정보를 제공함으로써 참여고객 스스로 전기소비패턴을 이해함으로써 전기 소비 패턴을 변경할 수 있도록 추천하는 것을 특징으로 한다.

본 발명의 다른 측면에 따르면, 데이터 입력부를 통해 참여고객의 부하 이력 정보와 PV, EV, ESS를 포함하는 분산자원의 이력 정보 및 기상정보 데이터를 입력받는 제1 단계;

운영 환경 설정부를 통해 상기 데이터 입력부에서 입력된 정보로부터 운영 환경 설정에서 운영 지역 및 기간을 포함하여 운영 분석에 필요한 환경을 설정하는 제2 단계;

고객 부하 특성화부를 통해 상기 운영 환경 설정부에서 설정된 환경에 따라 참여 고객의 부하에 대해 일일 사용량, 일일 사용량 변동계수, 패턴 변동계수를 계산하여 특성화를 지표화하는 제3 단계;

고객 부하 그룹부를 통해 상기 고객 부하 특성화부에서 계산된 특성화 지표와 고객 부하 패턴을 이용하여 입력벡터를 구성하고 군집화를 수행하여 고객 부하를 그룹화하는 제4 단계;

수요반응 잠재량 추정부를 통해 상기 고객 부하 그룹부에서 계산된 각 군집에 속한 고객 부하에 대해 그룹별 수요반응 잠재량을 추정하며. 시간대별 수요반응 잠재량 확률 분포 및 누적 확률 분포를 추정하는 제 5 단계,

입출력 데이터 구성부를 통해 상기 고객 부하 그룹부내 입력벡터 구성부에서 구성된 입력벡터와 군집화부에서 계산된 그룹을 라벨링하여 입출력 데이터를 구성하는 제 6 단계,

모델 구축부를 통해 상기 입출력 데이터 구성부에서 구성된 입출력 데이터를 이용하여 딥러닝 모델을 설계하고 학습을 통해 모델을 구축하는 제 7 단계,

고객 분류부를 통해 상기 모델 구축부에서 구축된 딥러닝 모델을 이용하여 고객을 분류하는 제 8 단계,

고객 추천부를 통해 상기 고객 분류부에서 분류된 참여고객에 대해 참여고객 스스로 전기 소비 패턴을 변경할 수 있도록 추천하는 제 9 단계를 포함하는 수요반응을 위한 딥러닝 기반 고객 분류 방법이 제공된다.

본 발명에 따른 수요반응을 위한 딥러닝 기반 고객 분류 장치 및 방법에 따르면, 참여고객의 부하 특성화에 따른 군집화된 수요반응 잠재량을 통해 수요관리사업자는 수요자원시장에서의 운영 효율성을 증대시킬 수 있다. 또한, 새로운 참여고객에 대한 딥러닝 기반 분류를 통한 고객 특성화를 통해 새로이 확보된 수요반응 잠재량의 불확실성과 변동성을 줄일 수 있는 운영이 가능하다. 한편, 수요관리사업자는 고객 분류를 통해 전기소비 특성에 관한 정보를 참여고객에게 제공함으로써 참여고객이 자신의 전기소비 특성을 이해함으로써 수요반응에 능동적으로 반응할 수 있도록 장려할 수 있다. 아울러, 분산자원이 확산됨에 따라 순부하의 변동성이 증가하므로 기존 참여고객 및 새로운 참여고객의 군집화된 수요반응 잠재량을 계통운영자에게 제공함으로써 계통운영자는 수요반응 잠재량을 유연성 자원으로 활용함으로써 효과적인 배전망 운영이 가능하다.

도 1은 본 발명의 일 실시예에 따른 수요반응을 위한 딥러닝 기반 고객 분류 장치의 개략적인 블록구성도이다.
도 2는 도 1에 도시된 고객 부하 그룹부에서 고객 부하 프로파일에 대해 4개의 그룹으로 그룹화된 예를 도시한 것이다.
도 3은 도 1에 도시된 고객 부하 그룹부에서 고객 부하 특성화부에서 측정된 특성화 지표에 대해 4개의 그룹으로 그룹화된 예를 도시한 것이다.
도 4는 도 1에 도시된 수요반응 잠재량 추정부에서 그룹화된 고객 부하에 대해 수요반응 잠재량을 추정한 예를 도시한 것이다.
도 5는 도 1에 도시된 수요반응 잠재량 추정부에서 그룹화된 고객 부하에 대해 최대부하시간에서의 수요반응 잠재량 확률 분포 및 누적 확률 분포를 추정한 예를 도시한 것이다.
도 6은 도 1에 도시된 모델 구축부에서 딥러닝 모델 구조에 대한 예를 도시한 것이다.
도 7은 도 1에 도시된 모델 구축부에서 딥러닝 모델 학습 과정에 대한 예를 도시한 것이다.
도 8은 도 1에 도시된 모델 구축부에서 학습데이터, 검증데이터, 테스트데이터에 대한 딥러닝 모델의 분류 성능의 예를 도시한 것이다.
도 9는 본 발명의 일 실시예에 따른 수요반응을 위한 딥러닝 기반 고객 분류 장치를 통한 방법을 나타낸 순서도이다.

본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시 예들을 도면에 예시하고 상세하게 설명하고자 한다.

그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

본 출원에서 사용한 용어는 단지 특정한 실시예를 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.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가진 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

이하, 첨부한 도면을 참고하여 본 발명의 실시 예들에 대해 상세히 설명한다.

도 1에 도시된 바와 같이, 부하 특성 분류에 기반한 수요반응 잠재량 추정 장치(100)는

참여고객의 부하 이력 정보와 PV, EV, ESS와 같은 분산자원의 이력 정보 및 기상정보 등 데이터를 입력받는 데이터 입력부(10); 상기 데이터 입력부(10)에서 입력된 정보로부터 운영 환경 설정에서 운영 지역 및 기영 환경 설정부(20)에서 설정된 환경에 따라 고개 부하를 특성화하는 고객 부하 특성화부(30); 상기 고객 부하 특성화부(30)에서 특성화된 부하에 대해 그룹화하는 고객 부하 그룹부(40); 상기 고개 부하 그룹부(40)에서 그룹화된 부하에 대해 수요반응 잠재량을 추정하는 수요반응 잠재량 추정부(50); 상기 고객 부하 그룹부내 입력벡터 구성부에서 구성된 입력벡터와 군집화부에서 계산된 그룹을 라벨링하여 입출력 데이터를 구성하는 입출력 데이터 구성부(60); 상기 입출력 데이터 구성부에서 구성된 입출력 데이터를 이용하여 딥러닝 모델을 설계하고 학습을 통해 모델을 구축하는 모델 구축부(70); 상기 모델 구축부에서 구축된 딥러닝 모델을 이용하여 고객을 분류하는 고객 분류부(80); 상기 고객 분류부에서 분류된 참여고객에 대해 참여고객 스스로 전기 소비 패턴을 변경할 수 있도록 추천하는 고객 추천부(90)를 포함한다.

데이터 입력부(10)는 참여고객의 부하 이력 정보와 PV, EV, ESS와 같은 분산자원의 이력 정보 및 기상정보 등 데이터를 입력받는다. 더욱 상세하게 실시 예를 들어 설명하면, 참여고객의 인구통계 정보 및 부하 이력 정보, PV, EV, ESS와 같은 분산자원의 보유 유무 및 설비 정보, 운영 정보 등을 포함하는 이력 정보, 그리고 기온, 일사량, 운량, 풍향, 풍력 정보를 포함하는 기상 정보 등과 같이 이력 정보를 포함하는 이력 정보 데이터베이스와 장기, 중기, 단기 예측을 통한 부하 예측 정보, 분산자원 예측 정보 및 기상 예측 정보 등을 포함하는 예측 정보 데이터베이스로부터 데이터를 입력받는다.

운영 환경 설정부(20)는 상기 데이터 입력부(10)에서 입력된 정보로부터 운영 환경 설정에서 운영 지역 및 기간 등 운영 분석에 필요한 환경을 설정한다. 더욱 상세하게 실시 예를 들어 설명하면, 참여고객 및 분산자원의 선택, 분산자원의 설치 지역, 분산자원의 이력 정보, 선택된 지역의 기상정보 및 운영 기간과 날짜 및 시간 등을 설정할 수 있다.

고객 부하 특성화부(30)는 상기 운영 환경 설정부(20)에서 설정된 환경에 따라 참여 고객의 부하에 대해 일일 사용량 계산부(32), 일일 사용량 변동계수 계산부(34), 패턴 변동계수 계산부(36)를 통해 일일 사용량, 일일 사용량 변동계수, 패턴 변동계수를 계산하여 특성화를 지표화한다. 더욱 상세하게 실시 예를 들어 설명하면, 일일 사용량은 전기 소비가 많은지 적은 지를 측정하는 지표이다. 일일 사용량(Uj)은 해당 기간 동안에서 하루에 소비하는 사용량의 평균을 측정하며, 아래 수학식 1과 같이 계산할 수 있다.

여기서, Pjd는 j(j=1,2,....,N)번째 고객이 d(d=1,2,....,D)일 날에 t(t=1,2,....,T)시간에서 소비하는 부하량이다.

일일 사용량 변동계수(

)는 일일 사용량이 얼마나 변동하는 지를 측정하는 지표이다. 일일 사용량 변동계수는 해당 기간 동안에서 일일 사용량의 변동성을 측정하며, 수학식 2와 같이 계산할 수 있다.

여기서,

는 j번째 고객의 일일 사용량의 표준편차이다.

패턴 변동계수는 시간대별 부하 패턴이 얼마나 변동하는 지를 측정하는 지표이다. 패턴의 변동계수(

)는 해당 기간 동안에서 하루 24시간의 소비량의 변동성을 측정하며, 수학식 3과 같이 계산할 수 있다.

여기서,

와

는 각각 j번째 고객의 시간대별 평균 소비량 및 표준편차이다.

도 2는 도 1에 도시된 고객 부하 그룹부에서 고객 부하 프로파일에 대해 4개의 그룹으로 그룹화된 예를 도시한 것이다. 여기서, 얇은 실선은 고객별 프로파일이고, 굵은 검은 실선은 그룹별 프로파일이다. 도 3은 도 1에 도시된 고객 부하 그룹부에서 고객 부하 특성화부에서 측정된 특성화 지표에 대해 4개의 그룹으로 그룹화된 예를 도시한 것이다.

고객 부하 그룹부(40)는 상기 고객 부하 특성화부(30)에서 계산된 특성화 지표와 고객 부하 패턴을 이용하여 입력벡터 구성부(42)를 통해 입력벡터를 구성하고 군집화부(44)를 통해 군집화를 수행하여 고객 부하를 그룹화한다. 더욱 상세하게 실시 예를 들어 설명하면, 입력벡터는 해당 기간 동안의 고객 부하에 대해 프로파일을 구성하고, 상기 고객 부하 특성화부(30)에서 계산된 특성화 지표를 상기 프로파일에 추가하여 구성할 수 있다. 군집화는 상기 입력 벡터를 이용하여 군집화 알고리즘을 이용하여 고객을 군집별로 분류한다.

도 4는 도 1에 도시된 수요반응 잠재량 추정부에서 그룹화된 고객 부하에 대해 수요반응 잠재량을 추정한 예를 도시한 것이다. 여기서, 파란색 실선과 붉은색 실선은 각각 증가 및 감소 가능한 잠재량을 보여준다.

수요반응 잠재량 추정부(50)는 상기 고객 부하 그룹부(40)에서 계산된 각 군집에 속한 고객 부하에 대해 그룹별 수요반응 잠재량을 추정한다. 더욱 상세하게 실시 예를 들어 설명하면, 상기 그룹화된 고객 부하에 대해 시간대별 전기 소비 패턴들에 대해 사분범위로 잠재량을 계산할 수 있다.

상기 그룹화된 고객 부하에 대해 간혹 발생할 수 있는 극단적인 최대/최소 소비량에 인한 잠재량을 과대하게 추정하는 문제를 해결하기 위해 정규분포, 백분위수등의 방법을 통해 극단적이고 이상적인 소비량(이상치)을 제거하여 수요반응 잠재량을 계산할 수 있다. 더욱 상세하게 실시 예를 들어 설명하면, 정규분포를 이용한 최소 소비량 이상치 제거는 해당 기간 동안에 일일 시간대별 소비량에 대해 정규분포를 이용하여

(여기서 m:평균, σ: 표준편차, α:임의의 상수) 구간을 벗어나는 값을 이상치로 판단하여 제거하여 수요반응 잠재량을 계산할 수 있으며, 백분위수를 이용한 최소 소비량 이상치 제거는 해당 기간 동안에 일일 시간대별 소비량에 대해 α백분위수(여기서, α:임의의 상수)를 이용하여 백분위수 보다 작은 값을 이상치로 판단하여 제거하여 수요반응 잠재량을 계산할 수 있다.

도 5는 도 1에 도시된 수요반응 잠재량 추정부에서 그룹화된 고객 부하에 대해 최대부하시간에서의 수요반응 잠재량 확률 분포 및 누적 확률 분포를 추정한 예를 도시한 것이다.

수요반응 잠재량 추정부(50)는 시간대별 수요반응 잠재량 확률 분포 및 누적 확률 분포를 추정한다. 더욱 상세하게 실시 예를 들어 설명하면, 각각 해당 시간에서 전기 소비량의 잠재량을 계산하여 분포를 추정하며, 해당 시간에서의 시간대별 확률 분포를 누적하여 누적 확률 분포를 추정한다.

도 5에서 나타낸 것과 같이, 최대부하시간에서의 수요반응 잠재량이 0.3Wh일 때 대략 7.6%의 확률을 가지며, 누적 확률은 그룹별로 각각 대략 73%, 42%, 88%, 54%이다.

입출력 데이터 구성부(60)는 상기 고객 부하 그룹부내 입력벡터 구성부(42)에서 구성된 입력벡터와 군집화부(44)에서 계산된 그룹을 라벨링하여 입출력 데이터를 구성한다. 더욱 상세하게 실시 예를 들어 설명하면, 입력 데이터는 상기 고객 부하 그룹부내 입력벡터 구성부에서 구성된 입력벡터인 시간대별 프로파일 및 특성화 지표로 입력벡터를 구성하여 입력 데이터를 구성하고, 출력 데이터는 상기 고객 부하 그룹부내 군집화부에서 계산된 각 입력데이터에 따른 그룹 결과를 숫자로 변환하여 구성한다. 예를 들어, 첫 번째 입력 데이터가 첫 번째 그룹인 경우 이에 해당하는 출력 데이터는 1로, 두 번째 입력 데이터가 세 번째 그룹인 경우 이에 해당하는 출력 데이터는 3으로 할당한다. 같은 방법으로 전체 데이터에 대해 적용하여 출력 데이터를 구성한다.

도 6은 도 1에 도시된 모델 구축부에서 딥러닝 모델 구조에 대한 예를 도시한 것이며, 도 7은 도 1에 도시된 모델 구축부에서 딥러닝 모델 학습 과정에 대한 예를 도시한 것이고, 도 8은 도 1에 도시된 모델 구축부에서 학습데이터, 검증데이터, 테스트데이터에 대한 딥러닝 모델의 분류 성능의 예를 도시한 것이다.

모델 구축부(70)는 상기 입출력 데이터 구성부(60)에서 구성된 입출력 데이터를 이용하여 딥러닝 모델을 설계하고 학습을 통해 모델을 구축한다. 더욱 상세하게 실시 예를 들어 설명하면, 입력 데이터를 정규화하고 입출력 데이터를 학습용, 검증용, 테스트용으로 분할하며, 딥러닝 모델 구조를 선정하고, 이에 따른 은닉층의 개수 및 각 층의 뉴런 개수, 활성함수, 드롭아웁, 가중치 초기화, 학습률, 학습 횟수, 목적함수, 배치 크기 등 하이퍼파라미터를 선정하며, 딥러닝 모델을 학습하고 모델을 평가하여 모델을 구축한다. 도 6에서 나타낸 것과 같이 모델 구조는 27-64-64-4이고, 총 학습파라미터는 6,212개이며, 도 7에서 나타낸 것과 같이 학습 횟수는 500회이고, 200회 이후부터 학습 곡선이 수렴해가는 것을 보여주며, 도 8에서 나타낸 것과 같이 학습데이터, 검증데이터, 테스트데이터에 대해 각각 99.2%, 97.8%, 98.2% 정확도 성능을 보여준다.

고객 분류부(80)는 상기 모델 구축부(70)에서 구축된 딥러닝 모델을 이용하여 고객을 분류한다. 더욱 상세하게 실시 예를 들어 설명하면, 기존 및 신규 참여고객의 전기 소비 데이터를 이용하여 프로파일을 생성하고, 특성화 지표를 계산하여 입력 데이터를 구성하고, 상기 입력 데이터를 구축된 딥러닝 모델에 입력으로 주어 결과를 출력하고, 출력된 결과로부터 해당 참여고객을 하나의 그룹으로 할당하여 분류한다.

고객 추천부(90)는 상기 고객 분류부(80)에서 분류된 참여고객에 대해 참여고객 스스로 전기 소비 패턴을 변경할 수 있도록 추천한다. 더욱 상세하게 실시 예를 들어 설명하면, 참여고객의 전기 소비 데이터로부터 특성화 정보, 시간대별 프로파일 정보, 그룹 정보, 수요반응 잠재량 및 확률 분포 정보를 제공함으로써 참여고객 스스로 전기 소비 패턴을 이해함으로써 전기소비 패턴을 변경할 수 있도록 추천한다.

도 9는 본 발명의 일 실시예에 따른 수요반응을 위한 딥러닝 기반 고객 분류 장치를 통한 방법을 나타낸 순서도이다.

도 9에 도시된 바와 같이, 데이터 입력 단계(S2)는 참여고객의 부하 이력 정보와 PV, EV, ESS와 같은 분산자원의 이력 정보 및 기상정보 등 데이터를 입력받는다.

운영 환경 설정 단계(S4)는 상기 데이터 입력부에서 입력된 정보로부터 운영 환경 설정에서 운영 지역 및 기간 등 운영 분석에 필요한 환경을 설정한다.

고객 부하 특성화 단계(S6)는 상기 운영 환경 설정부에서 설정된 환경에 따라 참여 고객의 부하에 대해 일일 사용량, 일일 사용량 변동계수, 패턴 변동계수를 계산하여 특성화를 지표화한다.

고객 부하 그룹 단계(S8)는 상기 고객 부하 특성화부에서 계산된 특성화 지표와 고객 부하 패턴을 이용하여 입력벡터를 구성하고 군집화를 수행하여 고객 부하를 그룹화한다.

수요반응 잠재량 추정 단계(S10)는 상기 고객 부하 그룹부에서 계산된 각 군집에 속한 고객 부하에 대해 그룹별 수요반응 잠재량을 추정하며. 시간대별 수요반응 잠재량 확률 분포 및 누적 확률 분포를 추정한다.

입출력 데이터 구성 단계(S12)는 상기 고객 부하 그룹부내 입력벡터 구성부에서 구성된 입력벡터와 군집화부에서 계산된 그룹을 라벨링하여 입출력 데이터를 구성한다.

모델 구축 단계(S14)는 상기 입출력 데이터 구성부에서 구성된 입출력 데이터를 이용하여 딥러닝 모델을 설계하고 학습을 통해 모델을 구축한다.

고객 분류 단계(S16)는 상기 모델 구축부에서 구축된 딥러닝 모델을 이용하여 고객을 분류한다.

고객 추천 단계(S18)는 상기 고객 분류부에서 분류된 참여고객에 대해 참여고객 스스로 전기 소비 패턴을 변경할 수 있도록 추천한다.

이상 설명한 바와 같이, 본 발명의 부하 특성 분류에 기반한 수요반응 잠재량 추정 장치 및 방법에 따르면, 참여고객의 부하 특성화에 따른 군집화된 수요반응 잠재량을 통해 수요관리사업자는 수요자원시장에서의 운영 효율성을 증대시킬 수 있다.

아울러, 분산자원이 확산됨에 따라 순부하의 변동성이 증가하므로 군집화된 수요반응 잠재량을 계통운영자에게 제공함으로써 계통운영자는 수요반응 잠재량을 유연성 자원으로 활용함으로써 효과적인 배전망 운영이 가능하다.

이상에서와 같이 도면과 명세서에서 최적의 실시예가 개시되었다. 여기서 특정한 용어들이 사용되었으나, 이는 단지 본 발명을 설명하기 위한 목적에서 사용된 것이지 의미 한정이나 청구범위에 기재된 본 발명의 범위를 제한하기 위하여 사용된 것은 아니다. 그러므로, 본 기술 분야의 통상의 지식을 가진자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호범위는 첨부된 청구범위의 기술적 사상에 의해 정해져야 할 것이다.

10: 데이터 입력부
20: 운영 환경 설정부
30: 고객 부하 특성화부
40: 고객 부하 그룹부
50: 수요반응 잠재량 추정부
60: 입출력 데이터 구성부
70: 모델 구축부
80: 고객 분류부
90: 고객 추천부

Claims

참여고객의 부하 이력 정보와 PV, EV, ESS를 포함하는 분산자원의 이력 정보 및 기상정보 데이터를 입력받는 데이터 입력부;
상기 데이터 입력부에서 입력된 정보로부터 운영 환경 설정에서 운영 지역 및 기간을 포함하여 운영 분석에 필요한 환경을 설정하는 운영 환경 설정부;
상기 운영 환경 설정부에서 설정된 환경에 따라 참여 고객의 부하에 대해 일일 사용량, 일일 사용량 변동계수, 패턴 변동계수를 계산하여 특성화를 지표화하는 고객 부하 특성화부;
상기 고객 부하 특성화부에서 계산된 특성화 지표와 고객 부하 패턴을 이용하여 입력벡터를 구성하고 군집화를 수행하여 고객 부하를 그룹화하는 고객 부하 그룹부;
상기 고객 부하 그룹부에서 계산된 각 군집에 속한 고객 부하에 대해 그룹별 수요반응 잠재량을 추정하는 수요반응 잠재량 추정부;
상기 고객 부하 그룹부내 입력벡터 구성부에서 구성된 입력벡터와 군집화부에서 계산된 그룹을 라벨링하여 입출력 데이터를 구성하는 입출력 데이터 구성부;
상기 입출력 데이터 구성부에서 구성된 입출력 데이터를 이용하여 딥러닝 모델을 설계하고 학습을 통해 모델을 구축하는 모델 구축부;
상기 모델 구축부에서 구축된 딥러닝 모델을 이용하여 고객을 분류하는 고객 분류부;
상기 고객 분류부에서 분류된 참여고객에 대해 참여고객 스스로 전기 소비 패턴을 변경할 수 있도록 추천하는 고객 추천부를 포함하는 것을 특징으로 하는 수요반응을 위한 딥러닝 기반 고객 분류 장치.
제 1항에 있어서, 상기 데이터 입력부는 참여고객의 부하 이력 정보와 PV, EV, ESS를 포함하는 분산자원의 이력 정보 및 기상정보 데이터를 입력받으며, 참여고객의 인구통계 정보 및 부하 이력 정보, PV, EV, ESS를 포함하는 분산자원의 보유 유무 및 설비 정보, 운영 정보를 포함하는 이력 정보, 그리고 기온, 일사량, 운량, 풍향, 풍력 정보를 포함하는 기상 정보의 이력 정보를 포함하는 이력 정보 데이터베이스와 장기, 중기, 단기 예측을 통한 부하 예측 정보, 분산자원 예측 정보 및 기상 예측 정보를 포함하는 예측 정보 데이터베이스로부터 데이터를 입력받는 것을 특징으로 하는 수요반응을 위한 딥러닝 기반 고객 분류 장치.
제 1항에 있어서, 상기 운영 환경 설정부는 상기 데이터 입력부에서 입력된 정보로부터 운영 환경 설정에서 운영 지역 및 기간을 포함하여 운영 분석에 필요한 환경을 설정하되, 참여고객 및 분산자원의 선택, 분산자원의 설치 지역, 분산자원의 이력 정보, 선택된 지역의 기상정보 및 운영 기간과 날짜 및 시간을 설정할 수 있는 것을 특징으로 하는 수요반응을 위한 딥러닝 기반 고객 분류 장치.
제 1항에 있어서, 상기 고객 부하 특성화부는 상기 운영 환경 설정부에서 설정된 환경에 따라 참여 고객의 부하에 대해 일일 사용량 계산부, 일일 사용량 변동계수 계산부, 패턴 변동계수 계산부를 통해 일일 사용량, 일일 사용량 변동계수, 패턴 변동계수를 계산하여 특성화를 지표화하는 것을 특징으로 하는 수요반응을 위한 딥러닝 기반 고객 분류 장치.
제 4항에 있어서,
일일 사용량(Uj)은 전기 소비가 많은지 적은 지를 측정하는 지표이고, 해당 기간 동안에서 하루에 소비하는 사용량의 평균을 측정하며, 수학식 1과 같이 계산할 수 있고,
[수학식 1]

(여기서, Pjd는 j(j=1,2,....,N)번째 고객이 d(d=1,2,...,D)날에 t(t=1,2,....,T)시간에서 소비하는 부하량);
일일 사용량 변동계수(
)는 일일 사용량이 얼마나 변동하는 지를 측정하는 지표이고, 해당 기간 동안에서 일일 사용량의 변동성을 측정하며, 수학식 2와 같이 계산할 수 있고,
[수학식 2]

(여기서,
는 j번째 고객의 일일 사용량의 표준편차)와 같이 계산할 수 있으며;
패턴의 변동계수(
) 시간대별 부하 패턴이 얼마나 변동하는 지를 측정하는 지표이고, 해당 기간 동안에 하루 24시간의 소비량의 변동성을 측정하며, 수학식 3과 같이 계산할 수 있는 것을 특징으로 하는 수요반응을 위한 딥러닝 기반 고객 분류 장치.
[수학식 3]

(여기서,
와
는 각각 번째 고객의 시간대별 평균 소비량 및 표준편차).
제 1항에 있어서, 상기 고객 부하 그룹부는 상기 고객 부하 특성화부에서 계산된 특성화 지표와 고객 부하 패턴을 이용하여 입력벡터 구성부를 통해 입력벡터를 구성하고 군집화부를 통해 군집화를 수행하여 고객 부하를 그룹화하되, 입력벡터는 해당 기간 동안의 고객 부하에 대해 프로파일을 구성하고, 상기 고객 부하 특성화부에서 계산된 특성화 지표를 상기 프로파일에 추가하여 구성할 수 있으며, 군집화부에서는 상기 입력 벡터를 이용하여 군집화 알고리즘을 이용하여 고객을 군집별로 분류하는 것을 특징으로 하는 수요반응을 위한 딥러닝 기반 고객 분류 장치.
제 1항에 있어서, 상기 수요반응 잠재량 추정부는 상기 고객 부하 그룹부에서 계산된 각 군집에 속한 고객 부하에 대해 그룹별 수요반응 잠재량을 추정하되, 상기 그룹화된 고객 부하에 대해 시간대별 전기 소비 패턴들에 대해 사분범위로 잠재량을 계산할 수 있는 것을 특징으로 하는 수요반응을 위한 딥러닝 기반 고객 분류 장치.
제 7항에 있어서, 상기 수요반응 잠재량 추정부는 상기 그룹화된 고객 부하에 대해 간혹 발생할 수 있는 극단적인 최대/최소 소비량에 인한 잠재량을 과대하게 추정하는 문제를 해결하기 위해 정규분포, 백분위수의 방법을 통해 극단적이고 이상적인 소비량(이상치)을 제거하여 수요반응 잠재량을 계산할 수 있는 것을 특징으로 하는 수요반응을 위한 딥러닝 기반 고객 분류 장치.
제 8항에 있어서, 정규분포를 이용한 최소 소비량 이상치 제거는 해당 기간 동안에 일일 시간대별 소비량에 대해 정규분포를 이용하여
(여기서 m:평균, σ: 표준편차, α:임의의 상수)구간을 벗어나는 값을 이상치로 판단하여 제거하여 수요반응 잠재량을 계산할 수 있으며, 백분위수를 이용한 최소 소비량 이상치 제거는 해당 기간 동안에 일일 시간대별 소비량에 대해 α백분위수(여기서, α:임의의 상수)를 이용하여 백분위수 보다 작은 값을 이상치로 판단하여 제거하여 수요반응 잠재량을 계산할 수 있는 것을 특징으로 하는 수요반응을 위한 딥러닝 기반 고객 분류 장치.
제 1항에 있어서, 상기 수요반응 잠재량 추정부는 시간대별 수요반응 잠재량 확률 분포 및 누적 확률 분포를 추정하며, 각각 해당 시간에서 전기 소비량의 잠재량을 계산하여 분포를 추정하며, 해당 시간에서의 시간대별 확률 분포를 누적하여 누적 확률 분포를 추정하는 것을 특징으로 하는 수요반응을 위한 딥러닝 기반 고객 분류 장치.
제 1항에 있어서, 상기 입출력 데이터 구성부는 상기 고객 부하 그룹부내 입력벡터 구성부에서 구성된 입력벡터와 군집화부에서 계산된 그룹을 라벨링하여 입출력 데이터를 구성하며, 입력 데이터는 상기 고객 부하 그룹부내 입력벡터 구성부에서 구성된 입력벡터인 시간대별 프로파일 및 특성화 지표로 입력벡터를 구성하여 입력 데이터를 구성하고, 출력 데이터는 상기 고객 부하 그룹부내 군집화부에서 계산된 각 입력데이터에 따른 그룹 결과를 숫자로 변환하여 구성하는 것을 특징으로 하는 수요반응을 위한 딥러닝 기반 고객 분류 장치.
제 1항에 있어서, 상기 모델 구축부는 상기 입출력 데이터 구성부에서 구성된 입출력 데이터를 이용하여 딥러닝 모델을 설계하고 학습을 통해 모델을 구축하되, 입력 데이터를 정규화하고 입출력 데이터를 학습용, 검증용, 테스트용으로 분할하며, 딥러닝 모델 구조를 선정하고, 이에 따른 은닉층의 개수 및 각 층의 뉴런 개수, 활성함수, 드롭아웁, 가중치 초기화, 학습률, 학습 횟수, 목적함수, 배치 크기의 하이퍼파라미터를 선정하며, 딥러닝 모델을 학습하고 모델을 평가하여 모델을 구축하는 것을 특징으로 하는 수요반응을 위한 딥러닝 기반 고객 분류 장치.
제 1항에 있어서, 상기 고객 분류부는 상기 모델 구축부에서 구축된 딥러닝 모델을 이용하여 고객을 분류하며, 더욱 상세하게 실시 예를 들어 설명하면, 기존 및 신규 참여고객의 전기 소비 데이터를 이용하여 프로파일을 생성하고, 특성화 지표를 계산하여 입력 데이터를 구성하고, 상기 입력 데이터를 구축된 딥러닝 모델에 입력으로 주어 결과를 출력하고, 출력된 결과로부터 해당 참여고객을 하나의 그룹으로 할당하여 분류하는 것을 포함하는 것을 특징으로 하는 수요반응을 위한 딥러닝 기반 고객 분류 장치.
제 1항에 있어서, 상기 고객 추천부는 상기 고객 분류부에서 분류된 참여고객에 대해 참여고객 스스로 전기 소비 패턴을 변경할 수 있도록 추천하며, 참여고객의 전기 소비 데이터로부터 특성화 정보, 시간대별 프로파일 정보, 그룹 정보, 수요반응 잠재량 및 확률 분포 정보를 제공함으로써 참여고객 스스로 전기소비패턴을 이해함으로써 전기 소비 패턴을 변경할 수 있도록 추천하는 것을 특징으로 하는 수요반응을 위한 딥러닝 기반 고객 분류 장치.
데이터 입력부를 통해 참여고객의 부하 이력 정보와 PV, EV, ESS를 포함하는분산자원의 이력 정보 및 기상정보 데이터를 입력받는 제1 단계;
운영 환경 설정부를 통해 상기 데이터 입력부에서 입력된 정보로부터 운영 환경 설정에서 운영 지역 및 기간을 포함하여 운영 분석에 필요한 환경을 설정하는 제2 단계;
고객 부하 특성화부를 통해 상기 운영 환경 설정부에서 설정된 환경에 따라 참여 고객의 부하에 대해 일일 사용량, 일일 사용량 변동계수, 패턴 변동계수를 계산하여 특성화를 지표화하는 제3 단계;
고객 부하 그룹부를 통해 상기 고객 부하 특성화부에서 계산된 특성화 지표와 고객 부하 패턴을 이용하여 입력벡터를 구성하고 군집화를 수행하여 고객 부하를 그룹화하는 제4 단계;
수요반응 잠재량 추정부를 통해 상기 고객 부하 그룹부에서 계산된 각 군집에 속한 고객 부하에 대해 그룹별 수요반응 잠재량을 추정하며. 시간대별 수요반응 잠재량 확률 분포 및 누적 확률 분포를 추정하는 제 5 단계,
입출력 데이터 구성부를 통해 상기 고객 부하 그룹부내 입력벡터 구성부에서 구성된 입력벡터와 군집화부에서 계산된 그룹을 라벨링하여 입출력 데이터를 구성하는 제 6 단계,
모델 구축부를 통해 상기 입출력 데이터 구성부에서 구성된 입출력 데이터를 이용하여 딥러닝 모델을 설계하고 학습을 통해 모델을 구축하는 제 7 단계,
고객 분류부를 통해 상기 모델 구축부에서 구축된 딥러닝 모델을 이용하여 고객을 분류하는 제 8 단계,
고객 추천부를 통해 상기 고객 분류부에서 분류된 참여고객에 대해 참여고객 스스로 전기 소비 패턴을 변경할 수 있도록 추천하는 제 9 단계를 포함하는 수요반응을 위한 딥러닝 기반 고객 분류 방법.