KR102383012B1 - 시간별 추세 예측 및 계절별 추세 예측을 동시에 수행하여 신재생에너지 발전기의 발전량을 보다 정확히 예측하는 단말기 및 그것의 제어 방법 - Google Patents

Abstract

본 발명은 신재생에너지를 포함한 다양한 발전기의 발전량을 미리 예측할 수 있는 단말기 및 그것의 제어방법에 관한 것이다. 상기 제어방법은 소정 시각 t을 기준으로 발전기에서 단위시간 동안 생성된 발전량 X_t을 구하는 단계, 시간별 추세를 학습하는 제1 인공지능에 상기 발전량 X_t을 입력하는 단계, 상기 발전량 X_t이 입력된 상기 제1 인공지능을 이용하여, 예측 시각 t+1을 기준으로 상기 발전기에서 상기 단위시간 동안 생성될 것으로 예측되는 제1 발전량 ph(t)을 산출하는 단계, 계절별 추세를 학습하는 제2 인공지능을 이용하여, 상기 예측 시각 t+1을 기준으로 상기 발전기에서 상기 단위시간 동안 생성될 것으로 예측되는 제2 발전량 pd(t)을 산출하며, 상기 제2 인공지능에는 상기 예측 시각 t+1으로부터 24시간 전에 상기 발전기에서 생성된 과거 발전량이 입력된 것을 특징으로 하는 단계 및 상기 제1 발전량 ph(t) 및 상기 제2 발전량 pd(t)을 이용하여 상기 예측 시각 t+1에 생성될 것으로 예측되는 예측 발전량 Y_t+1을 생성하는 단계를 포함한다.

Description

시간별 추세 예측 및 계절별 추세 예측을 동시에 수행하여 신재생에너지 발전기의 발전량을 보다 정확히 예측하는 단말기 및 그것의 제어 방법{TERMINAL AND CONTORL METHOD THEREOF FOR MORE ACCURATELY PREDICTING THE AMOUNT OF POWER GENERATION OF RENEWABLE ENERGY GENERATOR BY SIMULTANEOUSLY PERFORMING HOURLY TREND PREDICTION AND SEAONAL TREND PREDICTION}

본 발명은 원자력, 화력, 신재생에너지를 포함한 다양한 발전기에 유무선으로 연결되어 상기 발전기의 발전량을 미리 예측할 수 있는 단말기 및 그것의 제어방법에 관한 것이다.

최근에 신재생에너지를 이용한 발전량 비율이 증가하고 있으며, 이에 따라 제어할 수 없는 발전량의 비율 또한 증가하고 있다. 이러한 상황에서 전력계통의 안정성과 신뢰도를 향상시키기 위해서는, 신재생에너지를 정확하게 예측할 필요가 있다.

신재생 에너지 예측을 위한 모델 연구는 꾸준히 있어왔다. 전통적인 통계적 기반 추론 기법에서 최근 주목을 받은 인공지능 기법까지 다양한 모델이 존재한다. 하지만, 대부분의 모델이 단기간 예측에 초점이 맞춰져 있으며, 장기간으로 갈수록 정확도가 급격하게 감소하는 문제점이 있다. 이로 인하여, 발전 운용 계획을 수립하는 것이 어렵다.

예측 정확도가 떨어지는 가장 큰 이유는 예보 데이터의 불확실성에 있다. 나아가, 기상청의 관측소와 발전소의 위치 차에서 발생하는 오차로 인해 불확실성이 더 커지는 문제가 있다.

본 발명은 전술한 문제 및 다른 문제를 해결하는 것을 목적으로 한다.

본 발명의 일 목적은 발전기의 발전량을 보다 정확히 예측하는 단말기 및 그것의 제어 방법, 그것을 포함하는 발전 시스템을 제공하는 것이다.

상기와 같은 과제를 실현하기 위한 본 발명의 일 실시 예는 통신부 그리고 프로세서를 포함하는 단말기에서 상기 프로세서에 의하여 수행되는 제어 방법이다.

상기 제어 방법은, 소정 시각 t을 기준으로 발전기에서 단위시간 동안 생성된 발전량 X_t을 구하는 단계; 시간별 추세를 학습하는 제1 인공지능에 상기 발전량 X_t을 입력하는 단계; 상기 발전량 X_t이 입력된 상기 제1 인공지능을 이용하여, 예측 시각 t+1을 기준으로 상기 발전기에서 상기 단위시간 동안 생성될 것으로 예측되는 제1 발전량 ph(t)을 산출하는 단계; 계절별 추세를 학습하는 제2 인공지능을 이용하여, 상기 예측 시각 t+1을 기준으로 상기 발전기에서 상기 단위시간 동안 생성될 것으로 예측되는 제2 발전량 pd(t)을 산출하며, 상기 제2 인공지능에는 상기 예측 시각 t+1으로부터 24시간 전에 상기 발전기에서 생성된 과거 발전량이 입력된 것을 특징으로 하는 단계; 및 상기 제1 발전량 ph(t) 및 상기 제2 발전량 pd(t)을 이용하여 상기 예측 시각 t+1에 생성될 것으로 예측되는 예측 발전량 Y_t+1을 생성하는 단계를 포함한다.

일 실시 예에 따르면, 상기 예측 시각 t+1이 도래하는 것에 응답하여 상기 예측 시각 t+1을 기준으로 상기 발전기에서 상기 단위시간 동안 생성된 발전량 X_t+1을 구하는 단계; 및 상기 발전량 X_t+1 및 상기 예측 발전량 Y_t+1을 이용하여 소정 기능을 실행하는 단계를 더 포함할 수 있다.

일 실시 예에 따르면, 상기 소정 기능을 실행하는 단계는, 상기 발전량 X_t+1 및 상기 예측 발전량 Y_t+1의 예측오차를 산출하는 단계; 및 상기 예측오차에 근거하여 상기 발전기에 대한 정상신호 및 이상신호 중 적어도 하나를 상기 통신부를 통해 출력하는 단계를 포함할 수 있다.

일 실시 예에 따르면, 상기 예측오차를 이용하여 상기 발전기의 고장원인을 진단하는 단계를 더 포함하며, 상기 이상신호에는 상기 발전기의 고장원인에 관한 정보가 포함될 수 있다.

일 실시 예에 따르면, 상기 제1 인공지능에 상기 발전량 X_t을 입력하는 단계는, 상기 발전량 X_t을 입력 공간의 공간 패턴을 학습하는 공간 풀러(spatial pooler)에 입력하여 상기 발전량 X_t에 대한 표상 α(X_t)을 생성하며, 상기 표상 α(X_t)은 이진벡터 행렬로 표현되는 희소 분포 표상인 것을 특징으로 하는 단계; 및 공간 패턴간의 시간에 따른 전환을 학습하는 시간 메모리(temporal memory)에 상기 표상 α(X_t)을 입력하여 상기 소정 시각 t에 상기 예측 시각 t+1의 표상을 예측한 예측 표상 π(X_t)을 생성하는 단계를 포함할 수 있다.

일 실시 예에 따르면, 상기 제1 발전량 ph(t)을 산출하는 단계는, 상기 예측 표상 π(X_t)과 상기 발전량 X_t과의 상관관계를 가중치 행렬(weight matrix)을 이용하여 학습하는 단계; 및 상기 가중치 행렬에 상기 예측 표상 π(X_t)을 입력하여 상기 제1 발전량 ph(t)을 산출하는 단계를 포함할 수 있다.

일 실시 예에 따르면, 상기 상관관계에 상기 예측 표상 π(X_t)을 입력하여 상기 소정 시각 t로부터 n 스텝 앞선 미래 시각의 예측 발전량 Y_t+n-1을 산출하며, 상기 n은 자연수인 것을 특징으로 하는 단계를 더 포함할 수 있다.

일 실시 예에 따르면, 상기 표상 α(X_t)과 이전 시간 t-1에 상기 소정 시간 t의 표상을 예측한 예측 표상 π(X_t-1)을 비교하는 하기의 수학식에 근거하여 상기 발전기의 상태를 진단하는 상태 신호 S_t를 출력하는 단계를 포함할 수 있다.

일 실시 예에 따르면, 상기 발전량 X_t을 구하는 단계는, 상기 소정 시각 t을 기준으로 상기 발전기에서 상기 단위시간 동안 생성된 발전량으로 십진수로 표현된 제1 데이터를 구하는 단계; 및 상기 제1 데이터를 소정 크기의 이진 벡터로 표현되는 제2 데이터로 전환해 상기 발전량 X_t으로 결정하는 단계를 포함할 수 있다.

일 실시 예에 따르면, 상기 예측 발전량 Y_t+1은 하기의 수학식에 의하여 생성될 수 있다.

일 실시 예에 따르면, 상기 제1 인공지능은 한 시간보다 작거나 같은 시간단위로 발전량 데이터를 입력받고, 상기 제2 인공지능은 24시간 또는 그 배수의 시간단위로 발전량 데이터를 입력받을 수 있다.

또한, 본 발명의 일 실시 예에 따르면 제어 방법은, 소정 시간 t에 발전기에서 생산된 발전량 X_t을 입력 공간의 공간 패턴을 학습하는 제1 공간 풀러에 입력하여 상기 발전량 X_t에 대한 표상 α(X_t)을 생성하며, 상기 표상 α(X_t)은 벡터 행렬로 표현되는 희소 분포 표상인 것을 특징으로 하는 단계; 공간 패턴간의 시간에 따른 전환을 학습하는 제1 시간 메모리에 상기 표상 α(X_t)을 입력하여 상기 소정 시각 t에 예측 시각 t+1의 표상을 예측한 예측 표상 π(X_t)을 생성하는 단계; 및 상기 예측 표상 π(X_t)을 이용하여 상기 예측 시각 t+1에 생성될 것으로 예측되는 예측 발전량 Y_t+1을 생성하는 단계를 포함한다.

또한, 본 발명은 상술한 제어 방법을 수행하는 단말기 및 상기 단말기를 포함하는 발전 시스템을 포함한다.

본 발명에 따르면, 시간별 추세를 예측하는 인공지능을 이용한 한 시간 전 예측과 계절성 추세를 예측하는 인공지능을 이용한 하루 전 예측이 하이브리드 되면서, 발전량 예측의 정확도가 보다 향상된다.

아울러, 신재생에너지 발전 시스템에서 생성되는 발전량만을 가지고도 미래에 생성될 발전량을 예측할 수 있기 때문에, 기상정보 등을 입력받지 않아도 되어 예측 서비스의 비용을 절감시킬 수 있다. 아울러,

예측 발전량 기반 신재생에너지 발전 시스템의 이상을 감지하고 상태를 진단하기 때문에, 신재생에너지 발전 시스템의 내구성과 신뢰성을 향상시킬 수 있다.

도 1은 본 발명의 일 실시 예에 따른 단말기를 나타내는 블록도이다.
도 2는 도 1의 단말기에 의해 수행되는 제어 방법을 설명하기 위한 흐름도이다.
도 3a은 하이브리드 예측 모델의 동작 방식을 설명하기 위한 개념도이고, 도 3b는 제2 인공지능의 구성을 설명하기 위한 개념도이다.
도 4는 도 1의 단말기에 의해 수행되는 이상 진단 방법을 설명하기 위한 흐름도이다.
도 5는 도 4의 이상 진단 방법을 도식화한 블록도이다.
도 6은 본 발명의 일 실시 예에 따라 신호의 노이즈를 제거하는 방법을 설명하기 위한 흐름도이다.
도 7은 도 1의 프로세서에 의해 구현되는 제1 인공지능을 나타내는 블록도이다.
도 8은 도 1의 프로세서에 의해 구현되는 순방향신경망을 나타내는 개념도이다.
도 9는 제1 인공지능을 확장한 예를 설명하기 위한 블록도이다.

이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시 예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시 예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.

단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.

본 출원에서, "포함한다" 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.

본 문서에서 사용된 용어 "모듈"은 하드웨어, 소프트웨어 또는 펌웨어로 구성된 유닛을 포함하며, 예를 들면, 로직, 논리 블록, 부품, 또는 회로 등의 용어와 상호 호환적으로 사용될 수 있다. 모듈은, 일체로 구성된 부품 또는 하나 또는 그 이상의 기능을 수행하는 최소 단위 또는 그 일부가 될 수 있다. 예를 들면, 모듈은 ASIC(application-specific integrated circuit)으로 구성될 수 있다.

본 발명은 원자력, 화력, 신재생에너지를 포함한 다양한 발전기의 발전량을 미리 예측할 수 있는 단말기 및 그것의 제어방법에 관한 것이다.

본 발명에 따른 단말기는 예측 발전량과 실제 발전량을 비교해 발전기와 관련된 다양한 기능을 실행할 수 있다. 예를 들어, 예측 발전량과 실제 발전량이 일치하는 경우 발전기가 정상적으로 동작하는 것으로 정상 신호를 출력하지만, 불일치하는 경우 발전기에 이상이 발생한 것으로 이상 신호를 출력할 수 있다. 예측 발전량과 실제 발전량의 추세를 비교 분석함으로써 이상(Anomaly)을 감지하고, 그 이상의 원인을 진단할 수 있다.

이하에서는 설명의 편의를 위하여 태양광 발전기의 발전량을 예측하는 일 예를 설명하나, 본 발명에 따른 단말기 및 그것의 제어방법은 태양광 발전기뿐만 아니라 원자력, 화력, 신재생에너지, 풍력, 수력, 조력, 지열 등 다양한 에너지원을 이용한 발전기에 적용되어 그 발전량을 예측할 수 있다.

일 예로, 본 발명은 태양광 발전량 예측 및 플랜트 이상감지에 관한 것으로서, 더욱 상세하게는, 발전량 데이터를 인코딩하여, 이를 비지도학습 알고리즘이 적용된 인공지능을 이용 실시간으로 학습, 예측 및 이상감지를 수행하는 단말기의 제어 방법을 제공한다. 발전량 데이터에는 계절성 정보와 기상 정보가 선택적으로 추가될 수 있다. 아울러 단말기는 태양광 발전 시스템의 디바이스 단에 물리적으로 연결된 Edge 장치인 것을 특징으로 한다.

본 발명에 따른 단말기는 변동성이 큰 태양광 발전 시스템의 발전량을 예측하고 및 예측 발전량을 이용하여 이상 감지를 수행할 수 있다. 태양광 발전 시스템에서 On-Edge 머신러닝을 구현하기 위하여, 사전 트레이닝이 필요없는 비지도학습(Unpservised Learning) 방식 머신러닝 모델을 이용한다. 네트워크를 통한 데이터 전송없이 발전량을 예측하고 플랜트의 이상을 실시간으로 감지할 수 있다. 비지도학습 방식의 채택으로 발전량 데이터가 없는 신규 플랜트에도 사전학습 과정없이 바로 적용이 가능하다.

본 발명에서 제안한 태양광 발전량 예측 모델은 장기적 관점에서 계절에 따른 태양광 발전량 변화의 경향성 뿐만 아니라 단기적 관점에서 하루 동안의 태양광 발전량 간의 복잡한 시계열 패턴을 모두 이해할 수 있도록 설계되었다.

본 발명에서는, 발전량 기반의 예측의 경우, 발전량을 측정 해상도 단위로 버킷화(bucketization) 한 후 이를 이진 부호화로 패턴화 한다. 또한, 예측 정도 향상을 위해서 발전량 정보에 더하여 계절성 정보(time-of-day, month) 및 기상정보(기온, 강수, 습도, 운량, etc.)도 발전량 데이터 인코딩과 같은 방법으로 이진 패턴화 하여 학습 및 예측에 사용할 수 있다.

본 발명의 일 특징은 발전량 값의 버킷화를 통해서 십진수(decimal) 시계열 신호를 연속적인 이진 벡터(binary vector)의 패턴으로 변형한 후, 머신러닝 모델은 이 패턴의 시간에 따른 변화를 학습하는 것이다. 학습된 머신러닝 모델도 이진 부호화 된 패턴 형태로 예측을 수행하며, 예측된 이진부호 패턴으로부터 십진수 기반의 발전량을 도출하기 위해서 본 발명에서는 입력 발전량과 머신러닝 모델 출력 간의 상관 관계를 실시간으로 학습하는 순방향 신경망(Feedfoward Net)을 부수적으로 이용할 수 있다.

본 발명의 비지도학습 예측 모델은, 기본적으로 기본 발전량 측정 샘플링 주기 단위의 예측을 수행하는 one step ahead 예측기능을 기본으로 하며, n step ahead 예측에 해당하는 하루 전 예측의 경우는 24 개의 한 시간 단위 one step ahead 모델을 시간대별로 병렬로 활용한다. 여기서 one step은 분 단위, 시간 단위로 다양하게 변형될 수 있으나, 설명의 편의를 위하여 1시간 단위인 것을 예로 들어 설명한다.

본 발명에서는 태양광 발전량의 한 시간 전 예측 정도 향상을 위하여 한 시간 전 예측 값을 계절성 추세를 반영하는 하루 전 예측 값을 이용, 보정하는 하이브리드 방식을 제안한다. 제안된 하이브리드 방식은 하루 시간대별 추세에 계절적 변동요인을 복합적으로 반영한 향상된 예측 결과를 보여준다.

도 1은 본 발명의 일 실시 예에 따른 단말기(100)를 나타내는 블록도이다.

단말기는 이동 가능 여부에 따라 이동 단말기(mobile/portable terminal) 및 고정 단말기(stationary terminal)으로 나뉠 수 있다. 다시 이동 단말기는 사용자의 직접 휴대 가능 여부에 따라 휴대(형) 단말기(handheld terminal) 및 거치형 단말기(vehicle mounted terminal)로 나뉠 수 있다.

본 명세서에서 설명되는 단말기에는 휴대폰, 스마트 폰(smart phone), 노트북 컴퓨터(laptop computer), 디지털방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 슬 레이트 PC(slate PC), 태블릿 PC(tablet PC), 울트라북(ultrabook), 웨어러블 디바이스(wearable device, 예를 들어, 워치형 단말기 (smartwatch), 글래스형 단말기 (smart glass), HMD(head mounted display) 등이 포함될 수 있다.

본 명세서에 기재된 실시 예에 따른 구성은 디지털 TV, 데스크탑 컴퓨터, 디지털 사이니지, 서버 등과 같은 고정 단말기에도 적용될 수 있다.

아울러, 단말기(100)는 별도 장치로 이루어지거나 신재생에너지 발전 시스템에 구비된 시스템 제어기의 일 구성요소일 수 있다.

도 1을 참조하면, 단말기(100)는 통신부(110) 및 프로세서(130)를 포함한다. 도 3a에 도시된 구성요소들은 단말기(100)를 구현하는데 있어서 필수적인 것은 아니어서, 본 명세서 상에서 설명되는 단말기(100)는 위에서 열거된 구성요소들 보다 많거나, 또는 적은 구성요소들을 가질 수 있다.

통신부(110)는 신재생에너지 발전 시스템에 포함된 하나 또는 그 이상의 구성요소들과 통신을 수행한다. 일 예로, 마이크로폰, 유량계, 진동계, 전력계, 압력계(P), 온도계(T) 및 전류계(I) 등 다양한 센서로부터 각각에서 측정된 센싱 신호를 수신할 수 있다. 아울러 인버터로부터 전력 신호를 수신할 수도 있다.

통신부(110)는 단말기(100)를 하나 이상의 네트워크에 연결하는 하나 이상의 모듈을 포함할 수 있다. 단말기(100)는 통신부(110)를 통해 관리 서버와 통신을 수행한다.

출력부는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시키기 위한 것으로, 디스플레이부, 음향 출력부, 햅팁 모듈, 광 출력부 중 적어도 하나를 포함할 수 있다. 디스플레이부는 터치 센서 와 상호 레이어 구조를 이루거나 일체형으로 형성됨으로써, 터치 스크린을 구현할 수 있다. 이러한 터치 스크린은, 단말기(100)와 사용자 사이의 입력 인터페이스를 제공하는 사용자 입력부로써 기능함과 동시에, 단말기(100)와 사용자 사이의 출력 인터페이스를 제공할 수 있다.

메모리는 단말기(100)의 다양한 기능을 지원하는 데이터를 저장한다. 메모리는 단말기(100)에서 구동되는 다수의 응용 프로그램(application program 또는 애플리케이션(application)), 단말기(100)의 동작을 위한 데이터들, 명령어들을 저장할 수 있다. 이러한 응용 프로그램 중 적어도 일부는, 무선 통신을 통해 외부 서버로부터 다운로드 될 수 있다. 또한 이러한 응용 프로그램 중 적어도 일부는, 단말기(100)의 기본적인 기능을 위하여 출고 당시부터 단말기(100)상에 존재할 수 있다.

프로세서(130)는 상기 응용 프로그램과 관련된 동작 외에도, 통상적으로 단말기(100)의 전반적인 동작을 제어한다. 프로세서(130)는 위에서 살펴본 구성요소들을 통해 입력 또는 출력되는 신호, 데이터, 정보 등을 처리하 거나 메모리에 저장된 응용 프로그램을 구동함으로써, 사용자에게 적절한 정보 또는 기능을 제공 또는 처리할 수 있다.

또한, 프로세서(130)는 메모리에 저장된 응용 프로그램을 구동하기 위하여, 신재생에너지 발전 시스템의 구성요소들 중 적어도 일부를 제어하거나 구성요소들 중 적어도 둘 이상을 서로 조합하여 동작시킬 수 있다.

전원 공급부는 프로세서(130)의 제어 하에서, 외부의 전원, 내부의 전원을 인가받아 단말기(100)에 포함된 각 구성요소들에 전원을 공급한다. 이러한 전원 공급부는 배터리를 포함할 수 있으며, 상기 배터리는 내장형 배터리 또는 교체가능한 형태의 배터리가 될 수 있다.

상술한 각 구성요소들 중 적어도 일부는, 이하에서 설명되는 다양한 실시 예들에 따른 단말기(100)의 동작, 제어, 또는 제어 방법을 구현하기 위하여 서로 협력하여 동작할 수 있다. 또한, 상기 단말기의 동작, 제어, 또는 제어 방법은 메모리에 저장된 적어도 하나의 응용 프로그램의 구동에 의하여 단말기 상에서 구현될 수 있다.

이하에서는, 위에서 살펴본 단말기(100)를 통하여 구현되는 다양한 실시 예들을 살펴본다.

단말기(100)는 신재생에너지 발전 시스템에서 출력되는 다양한 신호들을 이용하여 시스템의 이상을 감지할 수 있다. 이하에서 기재된 시계열 신호는 전압 신호, 전류 신호, 온도 신호, 전력 신호, 센서로부터 센싱된 센싱 신호 중 적어도 하나를 포함한다. 상기 센싱 신호는 상기 통신부를 통해 수신되어 이상 감지 방법에 적용될 수 있다.

인간의 경우 시계열 신호의 변화들을 시-그래프(Time Domain Graph)를 이용하여 쉽게 판별 수 있다. 문제는 시계열 신호의 이상을 기계가 자동으로 이상신호 발생 시점을 판별할 수 있는 방법이 필요하다. 이미 많은 머신러닝 알고리즘이 시계열 신호의 이상 신호(Time Series Anonly Dection) 분야에 적용되어 실제 활용이 되고 있다. 그러나 대부분의 알고리즘은 실제 판별에 투입되기 전 Off-line 학습을 위해서 많은 양의 사전 라벨링된 학습용 데이터를 필요로 한다.

신재생에너지 발전 시스템의 경우 기존의 시계열 이상 신호 감지 방법들을 적용하기 어렵다. 신재생에너지 보급이 아직 초기 단계로, 그 설치 기반이 많지 않아 학습용 데이터가 충분하지 않다는 점이 신재생에너지 산업에 머신러닝을 적용하는데 있어 가장 현실적인 어려움이다.

신재생에너지 발전 시스템의 경우 정상상태로 복구 불가한 상태(Irreversible)로 전이되기 전 실시간으로 이상 징후를 감지하고 후속조치를 취해야 한다. 여기에 더하여 머신러닝을 도입함에 있어 추가적으로 비용이 크게 증가한다면 현실성이 없다. 결론적으로, 신재생에너지 산업의 전반적인 현실을 고려할 때, 기존 머신러닝 방법의 적용은 불가한 상황이다.

사전 학습용 데이터와 데이터 라벨링 없이, 신재생에너지 발전 시스템에 적용가능한 실시간 비지도 학습기반 이상 징후 감지 방법(Unsupvised Real-time Anomaly Detection)을 개발하였다. 구체적으로, HTM(Hierarchial Temporal Memory) 이라는 기존의 ANN(Artifical Neural Network)과는 이론적 기반이 다른 방법을 신재생에너지 발전 시스템의 이상 징후 감지에 적용하였다.

계층형 시간적 메모리(Hierarchical Temporal Memory, HTM)는 인간의 생물학적 뉴런을 기반으로 하는 셀(Cell) 연결을 기본 구성으로 한다. 이 때 뇌의 신피질에서 뉴런 구조를 기반으로, 계층형 시간적 메모리의 셀 구조가 모델링된다. 계층형 시간적 메모리에 따르면, 데이터 패턴들이 시간을 기반으로 학습되며, 학습된 데이터 패턴들로부터 미래의 데이터 패턴이 예측된다. 이 때 데이터 패턴들이 셀 구조를 기반으로 학습되며, 미래의 데이터 패턴이 셀 구조를 기반으로 예측될 수 있다.

HTM은 오늘날의 다른 인공지능 알고리즘과 달리 일련의 데이터를 직접 받아들이면서 훈련된다. HTM의 실제 능력은 HTM이 어떠한 입력을 학습했는지에 따라 결정된다. 이런 HTM을 일종의 신경망으로 생각할 수도 있지만, 세부적인 면을 고려하면 HTM은 전혀 새로운 형태의 신경망이다.

이름에서 알 수 있듯이, HTM은 기본적으로 기억장치를 바탕으로 한다. HTM은 시간에 따라 변화하는 수많은 데이터를 학습하며, 수많은 패턴들과 연속적인 시퀀스(Sequence)를 저장한다. 데이터를 저장하고 접근하는 방식은 기존의 프로그램들이 사용하는 것과 논리적으로 차이가 있다. 기존의 컴퓨터 기억장치는 수평적인 구조를 가지며, 그 안에 시간이라는 개념을 가지고 있지 않다. HTM의 기억장치는 계층적인 구조를 가지고 있으며, 내재적으로 시간에 기초하고 있다. 정보는 언제나 널리 퍼져있는 형태, 즉 희소 분포 표상(Sparse Distributed Representation, SDR) 형태로 저장된다.

신재생에너지 발전 시스템의 시계열 신호(Time series of 전압, 전류, 온도, 전력 등)에서 탐지되는 이상 징후를 감지하기 위해서 앞서 언급된 HTM을 활용한다.

다만, HTM은 인공지능의 일 예에 해당하며, HTM은 합성곱 신경망 (Convoulutional Neural Network, CNN), 순환 신경망(Recurrent Neural Network, RNN), 생성 대립 신경망(Generative Adversarial Network, GAN), 강화학습(Reinforcement Learning, RL), 장단기 메모리(Long Short Term Memory, LSTM)와 같은 다양한 딥러닝 방법으로 대체될 수 있다. 예를 들어, 후술할 제1 인공지능 및/또는 제2 인공지능은 상술한 딥러닝 방법 중 적어도 하나가 될 수 있다.

도 2는 도 1의 단말기에 의해 수행되는 제어 방법을 설명하기 위한 흐름도이고, 도 3a은 하이브리드 예측 모델의 동작 방식을 설명하기 위한 개념도이다.

태양광 발전량 예측은 태양광 발전 시스템의 안정적인 작동을 위한 조정 계획, 설비 규격 결정 및 효율적인 생산 계획 일정을 수립하기 위해 필수적인 요소이다. 태양광 발전 시스템에서 생산된 발전량은 기상 조건 및 시스템 작동 능력과 저장 용량에 따라 크게 달라진다. 이러한 이유로 인해 발전소 운영자는 발전소의 전반적인 운영 계획을 수립하는데 많은 어려움이 있다.

또한, 운영자의 이익을 극대화하기 위해서도 태양광 발전량 예측은 매우 중요하다. 운영자의 이익은 태양광 발전량을 정확히 예측하는 능력에 따라 크게 달라진다. 재생에너지 거래시장의 도입으로 하루 중 시간에 따라 태양광 발전 가격이 입찰되는 시장이 규모가 커짐에 따라 시간대별 태양광 발전량 예측은 더욱더 필요한 요소로 고려되어지고 있다. 게다가 역동적으로 변화하는 최근 기후 특성으로 인해 태양광 발전량 예측은 안정적 전력 계통량 확보와 합리적인 전력 생산 계획을 통해 전력사용 안정화에도 도움을 줄 수 있다.

탄소 저감의 목적으로 변동성이 큰 태양광 발전의 계통 점유율이 증가하면 할 수록 태양광 발전량 예측의 중요도도 증가할 수밖에 없다.

일반적으로, 전력 계통의 운영을 위해서는 하루 전 예측(또는 24시간 전 예측) 및 1 시간 전 예측이 모두 필요하다. 이는 예측 오차를 줄이면서 실시간 제어를 가능하게 하기 위함이다. 그러나 종래기술에 의하면 하루 전 예측과 한 시간 전 예측을 한 모델에서 동시에 수행할 수 없는 문제가 있다.

또한, 머신러닝을 이용한 예측 기술의 경우 발전량 예측을 위해서는 장기간에 걸친 누적된 발전량 데이터가 있어야 하나, 신규 발전 시스템의 경우 장기간에 걸친 발전량 누적 데이터가 없기 때문에 머신러닝을 이용한 발전량 예측을 수행할 수 없는 문제점이 있다.

먼저, 상술한 문제점들을 해결하기 위한 것으로, 프로세서(130)는 발전량 X_t를 획득한다(S210).

보다 구체적으로, 프로세서(130)는 소정 시각 t을 기준으로 발전기에서 단위시간 동안 생성된 발전량 X_t을 구한다.

여기서 '구한다고' 라고 하는 것은 통신부(110)를 통해 발전량 X_t을 외부기기로부터 수신하거나 수신된 다양한 정보를 이용하여 발전량 X_t을 산출하는 것일 수 있다. 예를 들어, 통신부(110)를 통해 소정 시각 t의 전압 신호와 전류 신호를 수신한 경우, 프로세서(130)는 전압 신호와 전류 신호의 곱을 통해 소정 시간 t의 발전량을 산출할 수 있다.

발전량을 산출함에 있어 기준이 되는 단위시간은 실시 예에 따라 다양하게 변형될 수 있다. 예를 들어, 단위시간은 1분, 5분, 1시간 등과 같이 설치 환경에 따라 가변될 수 있다.

프로세서(130)는 인코더를 이용하여 발전량 X_t를 인공지능에 최적화된 데이터 형태로 인코딩 할 수 있다.

인코딩의 일 예로 버킷화가 있다.

본 발명에 따른 제어 방법의 특징 중 하나는, 머신러닝 모델이 발전량 값의 버킷화를 통해서 십진수(decimal) 시계열 신호를 연속적인 이진 벡터의 패턴으로 변형한 후, 패턴의 시간에 따른 변화를 학습한다는 것이다. 다시 말해, 제1 인공지능 및/또는 제2 인공지능은 십진수 형태의 시계열 데이터에 대한 버킷화(bucketization)를 통하여 십진수 데이터를 이진 벡터로 변환하여 패턴화 한다. 그리고 이진 부호화 된 패턴 형태로 예측을 수행한다.

발전량 예측은 이진 부호 패턴으로 출력되는데 이를 다시 십진수 기반으로 도출하기 위해서 프로세서(130)는 입력 발전량과 인공지능 출력 간의 상관 관계를 실시간으로 학습하는 순방향 신경망(Feedfoward Net)을 부수적으로 이용할 수 있다.

버킷화는 uniform scalar quantizaton이라고 호칭될 수 있고, 프로세서(130)에 구비된 인코더에 의하여 수행될 수 있다.

프로세서(130)는 소정 시각 t을 기준으로 발전기에서 단위시간 동안 생성된 발전량으로 십진수로 표현된 제1 데이터를 구하고, 제1 데이터를 소정 크기의 이진 벡터로 표현되는 제2 데이터로 전환해 발전량 X_t으로 결정할 수 있다.

십진수로 표현된 시계열 데이터를 '제1 데이터'로 정의한다. 버킷화에 의하여 변환된 소정 크기의 이진 벡터는 '제2 데이터'로 정의한다. 제2 데이터의 소정 크기를 조절함으로써 데이터의 희소성을 변경시킬 수 있다.

예를 들어, 1 내지 10을 데이터 범위(data range)라고 하고, 십진수를 5 개의 버킷(bucket)을 이용 인코딩 할 수 있다. 5개의 버킷은 제1 버킷(1 <= bucket1 < 2), 제2 버킷(2 <= bucket2 < 4), 제3 버킷(4 <= bucket3 < 6), 제4 버킷( 6 <= bucket4 < 8), 제5 버킷(8 <= bucket5 <= 10)으로 구성된다. 제2 데이터의 소정 크기를 1x5라고 가정하면, 십진수 3은 제2 버킷에 해당하고, 이를 이진 벡터화 하면 [0 1 0 0 0]으로 표현될 수 있다.

인코딩을 하는 다른 일 예로, 프로세스(130)는 발전량 X_t을 발전량 변화량으로 인코딩 해 출력할 수 있다. 예를 들어, t-1 의 발전량이 P_t-1이고, t의 발전량이 P_t 인 경우에서 인코더가 발전량을 그대로 인코딩하는 경우에는 X_t는 P_t로 설정될 수 있다. 다른 예를 들어, 발전량을 발전량 변화량으로 인코딩하는 경우에는, X_t는 P_t-P_t-1로 설정될 수 있다. 다시 말해, 본 발명에 따른 인공지능은 발전량 그 자체를 학습하거나 발전량 대신 발전량 변화량을 학습할 수 있다. HTM에서는 발전량 변화량을 학습하는 경우에 발전량을 학습하는 것보다 예측오차율이 낮아진다.

프로세서(130)는 발전량을 인코딩 해 발전량을 예측하는 제1 솔루션과 발전량 변화량을 인코딩 해 발전량을 예측하는 제2 솔루션을 동시에 실행하고, 예측오차율이 적은 솔루션을 선택적으로 이용할 수도 있다.

다음으로, 프로세서(130)는 시간별 추세를 학습하는 제1 인공지능에 발전량 X_t를 입력한다(S230).

본 발명에서는 인공지능으로 HTM을 이용한다. HTM은 이상 감지(Anomaly Detection)와 예측(Prediction) 그리고 분류(Classification)를 동시에 수행할 수 있다.

프로세서(130)는 상기 발전량 X_t을 입력 공간의 공간 패턴을 학습하는 공간 풀러(spatial pooler)에 입력하여 상기 발전량 X_t에 대한 표상 α(X_t)을 생성할 수 있다. 상기 표상 α(X_t)은 이진벡터 행렬로 표현되는 희소 분포 표상이다.

프로세서(130)는 공간 패턴 간의 시간에 따른 전환을 학습하는 시간 메모리(temporal memory)에 상기 표상 α(X_t)을 입력하여 상기 소정 시각 t에 상기 예측 시각 t+1의 표상을 예측한 예측 표상 π(X_t)을 생성한다.

공간 풀러와 시간 메모리는 시계열적으로 입력되는 표상과 예측 표상을 각각 지속적으로 학습하게 된다.

제1 인공지능은 시간별 추세를 학습한다. 여기서, 시간별 추세는 t-1 시각의 발전량 X_t-1 과 t 시각의 발전량 X_t간의 변화량을 의미한다. 예를 들어, 단위시간이 5분인 경우, 13시 35분의 발전량이 13시 40분에 어떻게 변화하였는지를 학습하게 되고, 각 시각을 기준으로 5분 단위의 발전량 변화량이 공간 풀러와 시간 메모리에 학습된다.

다음으로, 프로세서(130)는 제1 인공지능을 이용하여 제1 발전량을 산출한다(S250).

프로세서(130)는 상기 발전량 Xt이 입력된 상기 제1 인공지능을 이용하여, 예측 시각 t+1을 기준으로 상기 발전기에서 상기 단위시간 동안 생성될 것으로 예측되는 제1 발전량 ph(t)을 산출한다. 예를 들어, 단위시간이 5분이고, 현재시각이 13시 40분인 경우, 13시 40분의 발전량 Xt이 제1 인공지능에 입력된 상태에서 상기 제1 인공지능을 이용하여 13시 45분을 기준으로 5분 동안 생성될 것으로 예측되는 발전량이 예측된다.

프로세서(130)는 예측 표상 π(X_t)과 발전량 X_t과의 상관관계를 가중치 행렬(weight matrix)을 이용하여 학습한다. 프로세서(130)는 공장에서 출시되어 동작하기 시작함과 동시에 입력되는 시계열 데이터를 이용하여 계속해서 가중치 행렬을 업데이트 한다. 그리고 가중치 행렬에 예측 표상 π(X_t)을 입력하여 제1 발전량 ph(t)을 산출한다.

발전량 시계열 데이터, X1, X2, X3, ... , Xk를 실시간으로 인코더와 공간 풀러를 이용하여 표상(또는, 이진 희소분포표상 패턴)으로 패턴화한다. 시간 메모리는 표상을 연속적으로 학습해 예측 표상을 만들어 낸다.

시간 메모리가 학습하고 예측한 예측 표상을 time = k의 예측 발전량으로 변환하기 위해서는 도 7에 도시된 SDR(Sparse Distributed Representaion) classifier 가 이용될 수 있다. 여기서 SDR Classifier는 프로세서(130)에 의해 구현되는 것으로 순방향신경망의 일종이다.

SDR classifier는 매 time = k에서, 시간 메모리의 활성 패턴과, 버킷화된 발전량 bucket(Xk)와의 상관관계(association)를 실시간을 학습한다.

학습된 SDR classifier는 내부 가중치 행렬(weight matrix)를 이용하여 time = k-1에서 다음 time = k 스텝의 예측 표상인 π(X_k-1)를 입력으로, time = k의 발전량을 예측한다.

희소분포표상 형태의 예측 발전량을 십진수 형태로 변환하기 위해서, 본 발명에서는 하나의 입력 레이어(Input layer)와 하나의 출력 레이어(Output layer) 로 구성된 도 8의 순방향신경망을 사용할 수 있다. 순방향신경망을 이용하여 time step 에서의 발전량 Xk의 버킷화 값, bucket(Xk) 와 시간 메모리의 예측 표상(또는, Active Temporal Pattern)을 이용, 매 time step 마다 입력 레이어와 출력 레이어를 연결한 가중치 행렬을 업데이트 한다.

이렇게 학습된 SDR classifier에 time = k-1 에서의 time = k의 발전량을 예측하는 예측 표상 π(X_k-1)을 입력으로 bucket 인덱스를 구하고, bucket 인텍스를 십진수 형태의 발전량 값으로 디코딩 하면 one-step ahead 발전량 예측값을 구할 수 있다.

수학식으로는 아래와 같이 표현할 수 있다.

한편, 서술된 SDR classifier의 기능을 이용하면, one step ahead 모델을 n step ahead 예측 모델로의 확장하는 것이 가능하다. 구체적으로, 프로세서(130)는 가중치 행렬에 예측 표상 π(X_t)을 입력하여 소정 시각 t로부터 n 스텝 앞선 미래 시각의 예측 발전량 Y_t+n-1을 산출할 수도 있다.

One step ahead prediction에서, 상기 기술된 SDR Classifier 가 time = k 에서 시간 메모리의 예측 표상 π(X_t)인 TM_Active_Pattern(k)와 버킷화된 발전량 bucket(Xk)와의 상관관계를 학습하였다면, SDR Classfier 내부에 TM_Active_Pattern(k), k 히스토리를 저장하는 간단한 ring buffer를 생성하고, 각 버퍼 인덱스 마다 별도의 SDR Classifier를 생성해서, n step ahead 예측을 위한 n 개의 SDR Classifier 를 매 time step 마다 다음과 같이 학습시킨다.

이렇게 학습된 n 개의 SDR Classifier는 time = k 입력에 대한, time = k+1, k+2, ..., k+n 에서 시간 메모리의 예측 표상 π(X_t)과 상관관계를 학습한 상태로, 이들 SDR classifier 에 time = k-1 에서time = k 의 예측 표상인, π(X_k-1) 을 입력으로 주면, 다음과 같이 n step ahead 발전량 예측이 가능하다.

...

다음으로, 프로세서(130)는 계절별 추세를 학습하는 제2 인공지능을 이용하여 제2 발전량을 산출한다(S270).

프로세서(130)는 계절별 추세를 학습하는 제2 인공지능을 이용하여, 예측 시각 t+1을 기준으로 발전기에서 단위시간 동안 생성될 것으로 예측되는 제2 발전량 pd(t)을 산출한다. 이때, 제2 인공지능에는 예측 시각 t+1으로부터 24시간 전에 발전기에서 생성된 과거 발전량이 입력된다.

태양광 발전의 경우, 도 3a에 도시된 바와 같이, 일몰시간 및 일조량이 적은 시간대는 인버터 제어의 영향으로 발전량이 0으로, 발전량이 0 이 아닌 구간은 시간(Hour) 축을 기준으로 일조량이 가장 많은 시간 대를 peak 로 종 모양의 형태를 보여준다. 이와 달리, 특정 시간대별 일별 변화량의 경우는 일(Day) 축을 기준으로 계절성 추세를 반영한다.

하루 전 예측의 경우는 시간대 별 계절성 추세를 반영하는 반면, 한 시간 전 예측의 경우는 종 모양의 시간대별 추세를 반영한다. 예를 들어, 하루 전 예측은 2021년 9월 29일 15:35의 발전량을 하루 전인 2021년 9월 28일 15:35에 확보한 데이터에 의하여 수행된다. 이와 달리 1시간 전 예측은 2021년 9월 29일 15:35의 발전량을 1시간 전인 2021년 9월 28일 14:35에 확보한 데이터에 의하여 수행된다.

하루 전 예측은 계절성 추세를 반영하는 제2 인공지능에 의하여 이루어지고, 1시간 전 예측은 시간별 추세를 반영하는 제1 인공지능에 의하여 이루어진다. 이러한 특징을 반영하기 위하여, 제1 인공지능은 한 시간보다 작거나 같은 시간단위로 발전량 데이터를 입력받고, 제2 인공지능은 24시간 또는 그 배수의 시간단위로 발전량 데이터를 입력받는다.

예를 들어, 제2 인공지능은 2021년 9월 29일 15:35의 발전량을 하루 전인 2021년 9월 28일 15:35에 확보한 데이터에 의하여 수행한다. 이와 달리 제1 인공지능은 2021년 9월 29일 15:35의 발전량을 1시간 전인 2021년 9월 28일 14:35에 확보한 데이터에 의하여 수행한다.

이러한 하루 전 예측이 가능하도록, 도 3b에 도시된 바와 같이, 제2 인공지능은 시간별로 24시간 전 데이터를 입력받아 학습하는 24개의 HTM을 포함할 수 있다. 예를 들어, 00:00 시간대의 계절성 추세를 학습하는 제1 HTM, 01:00 시간대의 계절성 추세를 학습하는 제2 HTM, ... , 23:00 시간대의 계절성 추세를 학습하는 제24 HTM이 제2 인공지능에 포함될 수 있다. 예측하는 시간대에 따라 제2 인공지능이 선택하는 HTM은 가변된다.

제2 인공지능에 포함된 HTM은 제1 인공지능에서 설명한 방식으로 표상 및 예측 표상을 만들어내고, 그 예측 표상을 고유의 가중치 행렬에 입력하여 제2 발전량 pd(t)을 산출한다.

예를 들어, 2021년 9월 29일 01:00에 제1 인공지능은 2021년 9월 29일 02:00의 발전량을 예측한 제1 발전량을 산출한다. 이때 제1 인공지능은 2021년 9월 29일 00:00의 발전량 및 01:00의 발전량을 학습한 상태이다.

2021년 9월 29일 01:00에 제2 인공지능은 2021년 9월 29일 02:00의 발전량을 예측한 제2 발전량을 산출하는데, 02:00 시간대의 계절성 추세를 학습하는 제2 HTM을 이용한다. 즉, 2021년 9월 27일 02:00의 발전량 및 2021년 9월 28일 02:00의 발전량이 입력된 제2 HTM을 이용하여 2021년 9월 29일 02:00의 발전량을 예측한 제2 발전량을 산출한다.

다음으로, 프로세서(130)는 제1 발전량 및 제2 발전량을 이용하여 예측 발전량을 생성한다(S290).

프로세서(130)는 제1 발전량 ph(t) 및 제2 발전량 pd(t)을 이용하여 예측 시각 t+1에 생성될 것으로 예측되는 예측 발전량 Y_t+1을 생성한다.

예측 발전량 Y_t+1은 하기의 수학식에 의하여 생성될 수 있다.

계절성 추세 대비 시간대별 추세의 영향 정도를 반영하는 α 는 일반적으로 0.5 에서 1 사이 값을 지정한다.

프로세서(130)는 단말기(100)가 설치된 위치의 위도 및 경도 중 적어도 하나에 근거하여 α 를 가변시킬 수 있다.

아울러, 프로세서(130)는 발전량을 예측하는 현재 날짜에 기반하여 α 를 가변시킬 수 있다. 예를 들어, 계절성 추세가 강하게 나타나는 4월보다 시간별 추세가 강하게 나타나는 10월에 α 가 높게 설정될 수 있다.

시간대 별 계절성 추세를 반영하는 하루 전 예측 결과와 하루 중 시간대 별 추세를 반영하는 예측 결과를 혼합하여, 예측 발전량의 예측률을 향상시킬 수 있다. HTM의 경우 한 시간 전 예측에는 시지연(delay)이 발생하는데 하루 전 예측과 혼합되면서 시지연을 보정하는 효과가 발생한다.

하이브리드 방식의 경우, 한 시간 전 예측 대비 약 19~37% 정도의 우수한 RMSE(Root Mean Square Error) 수치를 보여주었다.

프로세서(130)는 예측 시각 t+1이 도래하는 것에 응답하여 예측 시각 t+1을 기준으로 발전기에서 단위시간 동안 생성된 발전량 X_t+1을 구한다. 그리고, 발전량 X_t+1 및 예측 발전량 Y_t+1을 이용하여 소정 기능을 실행할 수 있다.

소정 기능은 신재생에너지 발전 시스템의 이상을 감지하고, 상태를 진단하는 것일 수 있다.

예측의 정확도가 높다면 그 예측치를 이상 및 고장 진단의 레퍼런스로 활용할 수 있다. 예측 발전량과 실제 발전량의 차이인 Residual 값을 산출하여 태양광 발전장비의 다양한 이상유무 진단을 할 수 있다. 출력에 응답하는 PID 방식이 아닌 예측에 기반한 MPC 방식의 제어가 가능하기 때문에, 신재생에너지 발전 시스템의 performance ratio를 향상시킬 수 있다.

일 예로, 프로세서(130)는 발전량 X_t+1 및 상기 예측 발전량 Y_t+1의 예측오차를 산출하고, 예측오차에 근거하여 발전기에 대한 정상신호 및 이상신호 중 적어도 하나를 통신부(110)를 통해 출력할 수 있다.

이상신호는 예측오차가 기준보다 큰 경우에 출력된다.

상기 기준은 발전량 X_t+1을 측정한 날짜에 따라 가변될 수 있다. 예를 들어, 비나 눈이 평균보다 많이 내린 날짜에 설정된 제1 기준은 평균이거나 평균보다 적게 내린 날짜에 설정된 제2 기준보다 크다. 이는 예측되지 않은 기상 이변으로 예측오차가 커질 수 있는 환경을 반영한 것이다.

프로세서(130)는 인코딩 되는 기상정보에 기반하여 이상신호를 출력하는 기준을 다르게 설정할 수 있다. 다시 말해, 기상정보에 따라 기준이 달라질 수 있다.

프로세서(130)는 제1 인공지능 및/또는 제2 인공지능에서 생성된 예측 표상, 그리고 발전량 X_t+1 과 예측 발전량 Y_t+1 사이의 예측오차를 이용하여 발전기의 고장원인을 진단할 수도 있다. 이경우, 이상신호에는 발전기의 고장원인에 관한 정보가 포함될 수 있다.

이상을 감지하고 상태를 진단하는 방법에 대하여 이하 도 4 및 도 5를 참조하여 구체적으로 설명한다.

도 4는 도 3a의 이상 진단 장치에 의해 수행되는 이상 진단 방법을 설명하기 위한 흐름도이고, 도 5는 도 4의 이상 진단 방법을 도식화한 블록도이다.

프로세서(130)는 통신부(110)를 통해 소정 시간 t에 신재생에너지 발전 시스템에서 측정된 시계열 신호 X_t를 상기 통신부를 통해 수신한다(S410). 또는, 센서로부터 수신된 정보를 이용하여 X_t를 생성할 수도 있다.

상기 시계열 신호는 신재생에너지 발전 시스템에 배치된 하나 또는 그 이상의 센서에서 측정된 것이다.

다음으로, 프로세서(130)는 입력 공간의 공간 패턴을 학습하는 공간 풀러(Spatial Pooler)를 이용하여 상기 시계열 신호 X_t에 대한 표상 α(X_t)을 생성할 수 있다(S430).

상기 표상 α(X_t)은 행렬 벡터로 표현되고 공간적으로 유사한 패턴들이 하나의 공통된 표상으로 합쳐진 희소 분포 표상이다.

통신부(110)를 통해 수신된 시계열 신호는 소정 크기의 비트들로 표현되고, 엔코더(Encorder)에 의하여 시계열 신호는 비트들을 희소하게 분포하는 형태로 변화된 희소 분포 표상으로 변환된다. 예를 들어, 입력 값 중에 40%가 활성 상태였다면, 새로운 희소 분포 표상은 단지 2%만 활성화된 상태를 가질 수 있다. 여기서 활성상태는 1이고 비활성상태는 0으로 정의될 수 있다.

공간 풀러(Spatial Pooler)의 가장 근본적인 기능은 어떤 영역의 입력을 희소한 패턴으로 변환시키는 것이다. 공간 풀러는 입력 값의 소집합으로부터 각 칼럼들에 연결관계를 형성하고, 각 칼럼에 어느 정도의 입력을 할당할지, 그리고 활성화된 칼럼들을 억제시켜 희소분포를 만든다. 이는, 공간적으로 유사한(또는, 활성화된 비트의 대부분을 공유하는) 패턴들이 하나의 공통된 표상으로 모이는 것(또는, 서로 뭉치는 것)을 의미한다.

다음으로, 프로세서(130)는 공간 패턴들의 시간에 따른 전환을 학습하는 시간 메모리에 상기 표상 α(X_t)을 입력하여 이전 시간 t-1에 상기 소정 시간 t의 표상을 예측한 예측 표상 π(X_t-1)을 생성한다(S450).

시간 메모리(Sequency Memory 또는 Temporal Memory)는 시간 풀러(Temporal Pooler)로 호칭될 수 있다.

시간 메모리는 시퀀스를 배우고 예측을 만들어낸다. 기본적인 개념은, 하나의 셀이 활성화되면, 바로 이전에 활성상태에 있던 다른 셀들과 연결을 형성한다. 이렇게 하면, 셀들은 자신의 주변 연결을 둘러봄으로써 자신이 언제 활성화될 것인지를 예측할 수 있다. 모든 셀들이 이와 같이 행동하면, 그들은 집단적으로 시퀀스를 저장하고 불러내며, 다음에 무슨 일이 일어날지를 예측할 수 있다. 패턴들의 시퀀스를 따로 저장하는 중심 저장소같은 것은 없다. 정보는 널리 퍼져 저장되기 때문에, 시스템은 노이즈와 오류에 더 견고하게 대응할 수 있다.

상기 시간 메모리는 서로 다른 시간에 대응하는 복수의 표상들을 표현하는 n개의 레이어들로 구성될 수 있다. 여기서, 상기 n은 1이 아닌 자연수이다.

프로세서(130)는 프로세서의 성능에 근거하여 상기 n을 변경할 수 있다. 보다 구체적으로, 상기 프로세서(130)는 자신의 성능을 실시간을 진단하고, 진단된 성능에 근거하여 상기 n을 변경할 수 있다. 상기 프로세서의 성능은 총 프로세서의 이용률, 사용 중인 실제 메모리 등 다양한 기준에 의하여 진단될 수 있다.

다음으로, 프로세서(130)는 상기 표상 α(X_t)과 상기 예측 표상 π(X_t-1)을 비교하여 신재생에너지 발전 시스템의 상태를 나타내는 이상 감지 신호 S_t를 출력한다(S470).

상기 이상 감지 신호 St는 하기 수학식 1로 산출될 수 있다. 구체적으로, 상기 표상 α(X_t)과 상기 예측 표상 π(X_t-1)을 벡터 내적한 후 상기 표상의 절대 값으로 나눈 값을 자연수 1에 빼 버림으로써, 상기 이상 감지 신호 St를 생성할 수 있다.

상기 이상 감지 신호 S_t는, 상기 표상 α(X_t)과 상기 예측 표상 π(X_t-1)이 동일할수록 0에 가까워지고, 동일하지 않을수록 1에 가까워진다. 상기 프로세서(130)는 상기 이상 감지 신호 S_t를 이용해 이상 감지 여부 및 이상 수준을 판단할 수 있다.

과거에 미래를 예측한 값과 현재 값이 일치하는지 여부에 따라 이상 여부가 결정되는데, 과거에 미래를 예측한 값은 실시간으로 수신되는 값들에 의해 계속해서 학습되는 것에 기술적 의의가 있다.

시계열 신호의 이상(Anomaly)은 크게 공간 이상(Spatial Anomaly) 및 시간 이상(Temporal Anomaly)로 분류할 수 있다. 신재생에너지를 대상으로 공간 이상과 시간 이상의 개념을 쉽게 설명하자면 다음의 예로 설명이 가능하다.

신재생에너지의 전압은 전력부하에 따라 변동한다. 따라서 전력사용량의 변화에 따라 신재생에너지 발전 시스템의 전기적 부하가 변동되면서 이는 전압의 변화로 나타난다. 가장 단순한 가정용 신재생에너지 발전 시스템의 경우, time of day, week days, weekends, Seasons에 따라 일정한 패턴을 보이는 것이 일반적이다. 만약, 어떤 특정 시점에서 전력부하가 기존의 패턴을 크게 벗어난다면, 즉 특정시점의 전압이 표준편차를 크게 벗어난 경우, 이는 공간 이상에 해당한다. 시점이 아니고 어느 기간동안 전압의 패턴이 다른 기간 동안의 패턴과 크게 차이가 난다면 이는 시간 이상에 해당된다. 즉, 공간 이상과 시간 이상을 동시에 고려한다면, 일정 기간동안 반복되는 전압의 변화까지를 고려하여 전압 변화의 이상 징후를 감지할 수 있게 되는 것이다.

실제 시계열 신호의 이상 감지를 위하여 HTM은 공간 이상 감지를 담당하는 공간 풀러(Spatial Pooler)와 시간 이상 감지를 담당하는 시간 메모리(Sequence Memory)로 도 5와 같이 구성된다.

프로세서(130)는 공간적 패턴이라 불리는 입력 비트 중에 함께 일어나는 조합을 찾는다. 그리고, 공간적 패턴들이 시간에 따라 어떻게 변화하는지를 살피는데, 이를 시간적 패턴 혹은 시퀀스라고 부른다. 공간 풀러는 공간적 패턴을 통해 공간 이상을 감지하고, 시간 메모리는 시간적 패턴을 통해 시간 이상을 감지한다.

공간 풀러는 입력 비트와 칼럼들 간의 피드포워드 연결을 학습한다. 이와 달리, 시간 풀러는 같은 영역에 속한 셀들 간의 연결을 학습한다.

프로세서(130)는 소정 시점에서의 이상 여부를 판단하도록 이루어진 공간 패턴 신경망과 상기 표상 α(X_t)을 이용하여 특정 시점에서의 이상 여부를 안내하는 공간 이상 신호를 출력할 수 있다. 아울러, 소정 시간 범위에서의 이상 여부를 판단하도록 이루어진 시간 패턴 신경망과 상기 예측 표상 π(X_t-1)을 이용하여 소정 시간 범위에서의 이상 여부를 안내하는 시간 이상 신호를 출력할 수 있다.

도 6은 본 발명의 일 실시 예에 따라 신재생에너지 발전 시스템에서 측정된 시계열 신호의 노이즈를 제거하는 방법을 설명하기 위한 흐름도이다.

프로세서(130)는 시계열 신호 X_t를 분해해 상기 시계열 신호 X_t의 노이즈를 제거할 수 있으며, 노이즈가 제거된 시계열 신호에 의하여 상기 표상 α(X_t)이 생성될 수 있다.

구체적으로, 프로세서(130)는 상기 시계열 신호 Xt를 복수의 IMF(Intrinsic Mode Function)로 분해할 수 있다(S610).

적응 모드 분해 방법(Adaptive Mode Decomposition Methods)을 통해 얻어진 각각의 모드 신호(IMF)들은 임의 복잡한 신호를 시간-주파수 영역(Time-frequency Domain)에서 신호의 근본적인 물리적 성질을 나타내 주는 풍부한 특성 정보를 제공하여 신호처리 분석에 있어 뛰어난 적응성과 높은 확장성을 가지고 있다.

예를 들어, 적응 모드 분해 방법에는. 1998 년 NASA 과학자인 Huang에 의하여 제안된 EMD(Empirical Mode Decomposition)을 시작으로, 2006년 Feldman 등이 제안한 HVD(Hilbert Vibration Decomposition), 2013년 Gilles 등이 제안한 기존 Wavelet transform의 단점을 개선한 EWT(Empirical Wavelet Transform), 그리고 EMD의 수학적 증명이 부족한 부분을 개선한 2014년 Zosso 등이 제안한 VMD(Variational Mode Decomposition) 등의 방법들이 존재한다.

다음으로, 프로세서(130)는 상기 복수의 IMF를 이용하여 순시 주파수(Instantaneous Frequency)와 순시 에너지(Instantaneous Energy)를 추출할 수 있다(S630).

프로세서(130)는 상기 복수의 IMF에 HHT(Hibert-Huang Transform)를 적용해 순시 주파수(Instantaneous Frequency)와 순시 에너지(Instantaneous Energy)를 추출할 수 있다.

IMF 로부터 힐베르트-황 변환 (Hilbert-Huang Transform) 절차는 다음 단계로 구성된다. 먼저, 힐베르트 변환을 통해 해석적 신호를 계산한다. 계산된 신호를 순시 진폭 및 순시 위상으로 표현한다. 순시 진폭을 제곱함으로써 순시 에너지를 추출하고, 순시 위상을 미분함으로써 순시 주파수를 추출한다.

다음으로, 프로세서(130)는 상기 순시 주파수와 상기 순시 에너지를 이용하여 상기 시계열 신호 Xt의 노이즈를 제거할 수 있다(S650).

프로세서(130)는 순시 주파수와 순시 에너지를 이용하여 상기 복수의 IMF를 노이즈에 해당하는 제1그룹과 노이즈에 해당하지 않는 제2그룹으로 분류할 수 있다. 상기 제1그룹에 포함된 신호들만 하나로 통합함으로써, 노이즈를 제거한 신호를 획득할 수 있다.

다시 말해, 프로세서(130)는 순시 주파수와 순시 에너지를 이용하여 상기 복수의 IMF 중 노이즈에 해당하는 적어도 하나의 IMF를 선택할 수 있다. 선택되지 않은 IMF를 다시 하나의 신호로 통합함으로써, 노이즈가 제거된 신호를 만들어낼 수 있다.

노이즈가 제거된 신호에 의하여 표상이 만들어지기 때문에, 보다 정확한 이상 진단이 이루어질 수 있다.

지금까지 전술한 본 발명은 이상 진단 장치가 포함된 신재생에너지 발전 시스템으로 확장될 수 있다.

아울러, 단말기 및 그것의 제어 방법은 시계열 신호를 생성하는 다양한 발전 시스템에 적용될 수 있다. 태양광, 태양열, 지열, 풍력, 조력, 소수력, 바이오매스 등 신재생에너지 발전 시스템뿐만 아니라, 석유, 석탄, 원자력 천연가스 등을 활용하는 기존의 발전 시스템에도 적용될 수 있다. 일 예로, 이상 진단 장치는 태양광 발전 시스템에 연결되어 태양광 발전 시스템에서 측정된 시계열 신호를 수신하고, 그 시계열 신호를 이용하여 태양광 발전 시스템의 상태를 진단하는 상태 신호를 출력할 수 있다.

본 발명은 인코더에 의하여 이진 부호 패턴 형태로 인코딩된 입력 데이터는 입력 공간의 공간 패턴을 학습하는 공간 풀러에 입력되며, 공간 풀러는 입력 데이터를 희소분포표상(Sparse Distributed Representation, SDR) 형태로 변환 출력한다. 공간 풀러에서 출력되는 데이터를 '표상'이라고 호칭한다. 공간 풀러로부터의 SDR 형태의 출력은 공간 패턴 간의 시간에 따른 전환을 학습하는 시간 메모리에 전송된다. 시간 메모리의 출력은 '예측 표상'으로 호칭되며, 서로 다른 유형의 이상 탐지 알고리즘 또는 분류 알고리즘에서 패턴을 탐지하고 예측하는 데 사용될 수 있다.

예측(prediction)과 이상 감지(anomaly detection) 기능을 실시간으로 한 모델에서 수행할 수 있어, 기본적인 발전량 예측 기능에 겸하여 태양광 패널의 오물, 새 배설물, 눈 등으로 인한 훼손과 발전 시스템 전체 수명기간 동안 발생할 수 있는 다양한 장애에 대한 즉각적인 감지와 대처를 가능케 하는 순간 이상감지 기능의 지원으로 발전 시스템 운전기간 중 발전소 운전 효율의 향상을 꾀할 수 있다.

도 9는 제1 인공지능을 확장한 예를 설명하기 위한 블록도이다.

대상 시스템의 입력 패턴과 출력 패턴의 비선형적(Non-linear) 상관 관계를 학습하는 HTM의 경우, 기본적으로 발전량 시계열 신호만을 사용하여 n step ahead 발전량 예측이 가능하다. 예측의 마지막 단계인 순방향신경망 기반의 SDR Classifier 가 HTM이 예측한 이진 패턴의 확률적 분포에 기초하여 가장 확률이 높은 입력데이터 버킷을 선택하므로, 확률기반의 선택에 보다 높은 신뢰성을 확보하기 위해서는 발전량 데이터에 영향을 주는 추가적인 정보를 발전량 데이터에 같이 인코딩하여 학습 및 예측에 사용 예측 정도를 향상시킬 수 있다.

프로세서(130)는 발전량 데이터에 계절성 정보(time-of-day, month)를 같이 인코딩하여 사용할 수 있다. 추가적인 예측 정도 향상을 위해서 계절성 정보 인코딩과 같은 방식으로 기상정보(기온, 강수, 습도, 운량, etc.)를 추가적으로 인코딩하여 실시간 모델 학습에 사용할 수도 있다. 발전량 데이터에 기상정보를 추가하는 것은 선택적이다.

기상정보 등을 이용하는 경우, 제1 인공지능은 복수의 공간 풀러와 하나의 시간 메모리를 포함할 수 있다. 예를 들어, 제1 인공지능은 발전량에 대하여 입력 공간의 공간 패턴을 학습하는 발전량 공간 풀러, 기상정보에 대하여 입력 공간의 공간 패턴을 학습하는 기상정보 공간 풀러 및 계정성 정보에 대하여 입력 공간의 공간 패턴을 학습하는 계절성 정보 공간 풀러 중 적어도 하나를 포함할 수 있다.

발전량 정보는 발전량 인코더에 의하여 제1 이진 벡터로 변환되고, 제1 이진 벡터는 발전량 공간 풀러에 의하여 희소분포표상인 제1 표상으로 변환된다.

계절성 정보는 계절성 정보 인코더에 의하여 제2 이진 벡터로 변환되고, 제2 이진 벡터는 계절성 정보 공간 풀러에 의하여 희소분포표상인 제2 표상으로 변환된다.

기상정보는 기상정보 인코더에 의하여 제3 이진 벡터로 변환되고, 제3 이진 벡터는 기상정보 공간 풀러에 의하여 희소분포표상인 제3 표상으로 변환된다.

제1 표상 내지 제3 표상은 하나의 표상으로 합쳐지고, 합쳐진 표상이 시간 메모리에 입력된다. 시간 메모리는 합쳐진 표상 간의 시간에 따른 전환을 학습하게 되고, 보다 다양한 정보를 포함하는 예측 표상을 출력한다.

이러한 방법을 통해 제1 인공지능은 발전량 뿐만 아니라 기상정보 등 다양한 정보를 포함한 표상을 만들어내고, 이를 통해 발전량 예측의 정확성을 보다 향상시킬 수 있다.

본 발에 따른 제어 방법은 태양광 발전 시스템의 디바이스 단에 연결된 단말기에 의하여 수행되며, 이러한 제어 방법을 'On-Edge 발전량 예측 방법'으로 호칭한다. On-Edge 발전량 예측 방법은 클라우드로 전송되는 데이터 량을 줄이고, 민감한 데이터의 외부 유출 가능성을 줄임과 동시에 클라우드 호스팅 비용을 절감할 수 있는 장점이 있다.

전술한 본 발명은, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드(또는, 애플리케이션이나 소프트웨어)로서 구현하는 것이 가능하다. 상술한 이상 진단 장치의 이상 진단 방법은 메모리 등에 저장된 코드에 의하여 실현될 수 있다.

컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있으며, 또한 캐리어 웨이브(예를 들어, 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다. 또한, 상기 컴퓨터는 프로세서를 포함할 수도 있다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다.

Claims (13)

1. 통신부 그리고 프로세서를 포함하는 단말기에서 상기 프로세서에 의하여 수행되는 제어 방법으로서,
   소정 시각 t을 기준으로 발전기에서 단위시간 동안 생성된 발전량 X_t을 구하는 단계;
   시간별 추세를 학습하는 제1 인공지능에 상기 발전량 X_t을 입력하는 단계;
   상기 발전량 X_t이 입력된 상기 제1 인공지능을 이용하여, 예측 시각 t+1을 기준으로 상기 발전기에서 상기 단위시간 동안 생성될 것으로 예측되는 제1 발전량 ph(t)을 산출하는 단계;
   계절별 추세를 학습하는 제2 인공지능을 이용하여, 상기 예측 시각 t+1을 기준으로 상기 발전기에서 상기 단위시간 동안 생성될 것으로 예측되는 제2 발전량 pd(t)을 산출하며, 상기 제2 인공지능에는 상기 예측 시각 t+1으로부터 24시간 전에 상기 발전기에서 생성된 과거 발전량이 입력된 것을 특징으로 하는 단계; 및
   상기 제1 발전량 ph(t) 및 상기 제2 발전량 pd(t)을 이용하여 상기 예측 시각 t+1에 생성될 것으로 예측되는 예측 발전량 Y_t+1을 생성하는 단계를 포함하며,
   상기 발전기에서 생성된 발전량은 24시간 이하의 범위 내에서 시각을 변수로 하는 제1축, 365일 이하의 범위 내에서 날짜를 변수로 하는 제2축, 발전량을 변수로 하는 제3축으로 표현되고, 상기 제1축 내지 상기 제3축은 상호 직교하며,
   상기 제1 인공지능은 상기 제1축 상에서의 발전량 변화로 정의되는 상기 시간별 추세를 학습하고,
   상기 제2 인공지능은 상기 제2축 상에서의 발전량 변화로 정의되는 상기 계절별 추세를 학습하며,
   상기 예측 발전량 Y_t+1은 하기의 수학식에 의하여 생성되는 것을 특징으로 하는 단말기의 제어 방법.
   

   
2. 제1항에 있어서,
   상기 예측 시각 t+1이 도래하는 것에 응답하여 상기 예측 시각 t+1을 기준으로 상기 발전기에서 상기 단위시간 동안 생성된 발전량 X_t+1을 구하는 단계; 및
   상기 발전량 X_t+1 및 상기 예측 발전량 Y_t+1을 이용하여 소정 기능을 실행하는 단계를 포함하는 것을 특징으로 하는 단말기의 제어 방법.
3. 제2항에 있어서,
   상기 소정 기능을 실행하는 단계는,
   상기 발전량 X_t+1 및 상기 예측 발전량 Y_t+1의 예측오차를 산출하는 단계; 및
   상기 예측오차에 근거하여 상기 발전기에 대한 정상신호 및 이상신호 중 적어도 하나를 상기 통신부를 통해 출력하는 단계를 포함하는 것을 특징으로 하는 단말기의 제어 방법.
4. 제3항에 있어서,
   상기 예측오차를 이용하여 상기 발전기의 고장원인을 진단하는 단계를 더 포함하며,
   상기 이상신호에는 상기 발전기의 고장원인에 관한 정보가 포함되는 것을 특징으로 하는 단말기의 제어 방법.
5. 제1항에 있어서,
   상기 제1 인공지능에 상기 발전량 X_t을 입력하는 단계는,
   상기 발전량 X_t을 입력 공간의 공간 패턴을 학습하는 공간 풀러(spatial pooler)에 입력하여 상기 발전량 X_t에 대한 표상 α(X_t)을 생성하며, 상기 표상 α(X_t)은 이진벡터 행렬로 표현되는 희소 분포 표상인 것을 특징으로 하는 단계; 및
   공간 패턴간의 시간에 따른 전환을 학습하는 시간 메모리(temporal memory)에 상기 표상 α(X_t)을 입력하여 상기 소정 시각 t에 상기 예측 시각 t+1의 표상을 예측한 예측 표상 π(X_t)을 생성하는 단계를 포함하는 것을 특징으로 하는 단말기의 제어 방법.
6. 제5항에 있어서,
   상기 제1 발전량 ph(t)을 산출하는 단계는,
   상기 예측 표상 π(X_t)과 상기 발전량 X_t과의 상관관계를 가중치 행렬(weight matrix)을 이용하여 학습하는 단계; 및
   상기 가중치 행렬에 상기 예측 표상 π(X_t)을 입력하여 상기 제1 발전량 ph(t)을 산출하는 단계를 포함하는 것을 특징으로 하는 단말기의 제어 방법.
7. 제6항에 있어서,
   상기 상관관계에 상기 예측 표상 π(X_t)을 입력하여 상기 소정 시각 t로부터 n 스텝 앞선 미래 시각의 예측 발전량 Y_t+n-1을 산출하며, 상기 n은 자연수인 것을 특징으로 하는 단계를 더 포함하는 단말기의 제어 방법.
8. 제5항에 있어서,
   상기 표상 α(X_t)과 이전 시간 t-1에 상기 소정 시각 t의 표상을 예측한 예측 표상 π(X_t-1)을 비교하는 하기의 수학식에 근거하여 상기 발전기의 상태를 진단하는 상태 신호 S_t를 출력하는 단계를 포함하는 것을 특징으로 하는 단말기의 제어 방법.
   

   
9. 제1항에 있어서,
   상기 발전량 X_t을 구하는 단계는,
   상기 소정 시각 t을 기준으로 상기 발전기에서 상기 단위시간 동안 생성된 발전량으로 십진수로 표현된 제1 데이터를 구하는 단계; 및
   상기 제1 데이터를 소정 크기의 이진 벡터로 표현되는 제2 데이터로 전환해 상기 발전량 X_t으로 결정하는 단계를 포함하는 것을 특징으로 하는 단말기의 제어 방법.
10. 삭제
11. 제1항에 있어서,
    상기 제1 인공지능은 한 시간보다 작거나 같은 시간단위로 발전량 데이터를 입력받고,
    상기 제2 인공지능은 24시간 또는 그 배수의 시간단위로 발전량 데이터를 입력받는 것을 특징으로 하는 단말기의 제어 방법.
12. 제1항의 제어 방법을 수행하는 단말기.
13. 제12항의 단말기를 포함하는 발전 시스템.

Images