KR102407764B1 - 그리드 내의 차폐된 시스템을 위한 계층적 암시적 제어기 - Google Patents
그리드 내의 차폐된 시스템을 위한 계층적 암시적 제어기 Download PDFInfo
- Publication number
- KR102407764B1 KR102407764B1 KR1020197022067A KR20197022067A KR102407764B1 KR 102407764 B1 KR102407764 B1 KR 102407764B1 KR 1020197022067 A KR1020197022067 A KR 1020197022067A KR 20197022067 A KR20197022067 A KR 20197022067A KR 102407764 B1 KR102407764 B1 KR 102407764B1
- Authority
- KR
- South Korea
- Prior art keywords
- controller
- external
- grid
- constraints
- retrofit
- Prior art date
Links
- 238000000034 method Methods 0.000 claims abstract description 56
- 238000010438 heat treatment Methods 0.000 claims abstract description 33
- 238000001816 cooling Methods 0.000 claims abstract description 25
- 238000012546 transfer Methods 0.000 claims abstract description 5
- 238000009826 distribution Methods 0.000 claims description 62
- 230000006870 function Effects 0.000 claims description 50
- 230000004044 response Effects 0.000 claims description 45
- 230000005611 electricity Effects 0.000 claims description 26
- 238000005316 response function Methods 0.000 claims description 24
- 230000009467 reduction Effects 0.000 claims description 20
- 230000006399 behavior Effects 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 15
- 238000005259 measurement Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 10
- 230000000116 mitigating effect Effects 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 5
- 238000010521 absorption reaction Methods 0.000 claims description 3
- 230000000087 stabilizing effect Effects 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 241000196324 Embryophyta Species 0.000 description 34
- 239000003795 chemical substances by application Substances 0.000 description 29
- 238000005457 optimization Methods 0.000 description 27
- 238000006243 chemical reaction Methods 0.000 description 20
- 230000004913 activation Effects 0.000 description 19
- 238000001994 activation Methods 0.000 description 19
- 238000004422 calculation algorithm Methods 0.000 description 19
- 238000012545 processing Methods 0.000 description 16
- 238000009472 formulation Methods 0.000 description 13
- 239000000203 mixture Substances 0.000 description 13
- 230000001276 controlling effect Effects 0.000 description 11
- 239000008188 pellet Substances 0.000 description 11
- 238000012360 testing method Methods 0.000 description 11
- 238000005265 energy consumption Methods 0.000 description 10
- 238000007726 management method Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 238000010801 machine learning Methods 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 8
- 230000003993 interaction Effects 0.000 description 8
- 238000002474 experimental method Methods 0.000 description 7
- 230000007246 mechanism Effects 0.000 description 7
- 238000004088 simulation Methods 0.000 description 7
- 238000004146 energy storage Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000009434 installation Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 230000004931 aggregating effect Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 239000002803 fossil fuel Substances 0.000 description 4
- 238000009420 retrofitting Methods 0.000 description 4
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 3
- 229910052802 copper Inorganic materials 0.000 description 3
- 239000010949 copper Substances 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 239000002023 wood Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 238000009418 renovation Methods 0.000 description 2
- 229920006395 saturated elastomer Polymers 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 101100294331 Drosophila melanogaster nod gene Proteins 0.000 description 1
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 208000025174 PANDAS Diseases 0.000 description 1
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 1
- 240000000220 Panda oleosa Species 0.000 description 1
- 235000016496 Panda oleosa Nutrition 0.000 description 1
- 244000290333 Vanilla fragrans Species 0.000 description 1
- 235000009499 Vanilla fragrans Nutrition 0.000 description 1
- 235000012036 Vanilla tahitensis Nutrition 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 229910003460 diamond Inorganic materials 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 238000012261 overproduction Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008929 regeneration Effects 0.000 description 1
- 238000011069 regeneration method Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B15/00—Systems controlled by a computer
- G05B15/02—Systems controlled by a computer electric
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- H02J13/0006—
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/001—Methods to deal with contingencies, e.g. abnormalities, faults or failures
- H02J3/0012—Contingency detection
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
- H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/26—Pc applications
- G05B2219/2639—Energy management, use maximum of cheap power, keep peak load low
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00004—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by the power network being locally controlled
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
- H02J2310/10—The network having a local or delimited stationary reach
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
- H02J2310/10—The network having a local or delimited stationary reach
- H02J2310/12—The local stationary network supplying a household or a building
- H02J2310/16—The load or loads being an Information and Communication Technology [ICT] facility
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B70/00—Technologies for an efficient end-user side electric power management and consumption
- Y02B70/30—Systems integrating technologies related to power network operation and communication or information technologies for improving the carbon footprint of the management of residential or tertiary loads, i.e. smart grids as climate change mitigation technology in the buildings sector, including also the last stages of power distribution and the control, monitoring or operating management systems at local level
- Y02B70/3225—Demand response systems, e.g. load shedding, peak shaving
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02B90/20—Smart grids as enabling technology in buildings sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P80/00—Climate change mitigation technologies for sector-wide applications
- Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
- Y04S20/20—End-user application control systems
- Y04S20/222—Demand response systems, e.g. load shedding, peak shaving
Abstract
시스템의 제어기가 알려져 있지 않을 때 또는 시스템의 전달 함수가 알려져 있지 않을 때, 시스템들, 예컨대, 시스템들의 난방 및/또는 냉방 및 시스템들의 클러스터들을 적어도 부분적으로 스티어링하기 위한 시스템 또는 방법이 설명된다. 시스템 또는 시스템들의 클러스터에 에너지를 제공하고 바람직하게는 용량 문제들과 같은 공통 제약조건들을 관리하기 위한 에너지 흐름, 예컨대, 난방/냉방/전기 에너지의 스티어링이 설명된다.
Description
본 발명은, 예를 들어, 시스템의 제어기가 알려져 있지 않을 때 또는 시스템의 전달 함수가 알려져 있지 않을 때, 시스템들, 예컨대, 시스템들의 난방 및/또는 냉방 및 시스템들의 클러스터들을 적어도 부분적으로 스티어링하기 위한 시스템 또는 방법에 관한 것이다. 본 발명은 또한, 시스템 또는 시스템들의 클러스터에 에너지를 제공하기 위해 그리고 바람직하게는 용량 문제들과 같은 공통 제약조건들을 관리하기 위해, 에너지 흐름, 예컨대, 난방/냉방/전기 에너지의 스티어링에 관한 것이다.
난방 시스템들이 분산 제어 전략들, 예를 들어:
전력 공급 네트워크 제어 시스템 및 방법, 특허 출원 번호 EP3000161. 발명가들: De Ridder F., Claessens B., De Breucker S. De Ridder F., Claessens B., Vanhoudt D., De Breucker S., Bellemans T., Six D. and Van Bael J. "On a fair distribution of consumer's flexibility between market parties with conflicting interests", International Transactions on Electrical Energy Systems, DOI: 10.1002/etep.2188, 2016;
D'hulst R., De Ridder F., Claessens B., Knapen L., Janssens, D. 2015. "Decentralized coordinated charging of electric vehicles considering locational and temporal flexibility." International Transactions on Electrical Energy Systems, 25(10), 2562-2575. De Ridder F., Reinhilde D'Hulst, Luk Knapen, Davy Janssens. "Electric Vehicles in the Smart Grid, Chapter in Data Science and Simulation in Transportation Research." Editors: Janssens D., Yasar A., Knapen L., IGI Global, 2013;
De Ridder F., Reinhilde D'Hulst, Luk Knapen, Davy Janssens. "Applying an Activity Based Model to Explore the Potential of Electrical Vehicles in the Smart Grid", Procedia of Computer Science, 19, 847 - 853, 2013]로 제어될 수 있음이 알려져 있다.
내부 제어 시스템이 액세스하지 못하도록 차폐되어 있거나 숨겨져 있기 때문에, 실제로 많은 시스템들이 스티어링될 수 없다. 건물 관리 시스템들(BMS)에서 또는, 많은 재료 흐름들이 최적화되어 있는, 많은 산업 플랜트들에서 이러한 경우가 종종 있다. 시스템의 내부 관리가 차폐되어 있기 때문에 또는 내부 관리 시스템이 너무 복잡하기 때문에 또는 시스템이 수동으로 제어되기 때문에, 많은 시스템들 및 시스템들의 클러스터가 스티어링될 수 없다. 이러한 내부 관리 시스템들이 중요한데, 그 이유는 이들이, 공급 보장과 같은, 내부 제약조건들, 편의 제약조건들, 최소/최대 온도들, 파이프에서의 누출을 나타낼 수 있는 압력 저하들이 검출되면 펌프들이 작동하지 않는 것과 같은, 안전 대책들을 감시하기 때문이다.
디바이스들의 클러스터의 제어를 위한 알려진 제어 스킴들은 기본 시스템(underlying system)에 대한 명시적 지식에 기반한다. 자가 학습 모델 프리 머신 러닝(self-learning model-free machine learning) 기술들이 사용되더라도, 이들은 일부 제어 파라미터들만을 스티어링할 수 있다. 실제로, 클러스터 제어 스킴들은 몇 가지 이유들로 구현하기 어렵다:
- (예컨대, 내부 제어기가 민간 회사에 의해 소유되고 운영되기 때문에) 내부 제어기에 액세스할 수 없는 경우가 종종 있다.
- 시스템이 변하면, 제어기들이 변경되어야만 하고, 이는 시간이 걸리는 작업이다.
- 구성이 변하면, 예컨대, 디바이스들이 추가되거나 제거되면, 제어기가 변경되어야 할 것이고, 이는 시간이 걸리는 작업이다.
- 많은 안전 대책들은 실제 시스템을 제어하는 것에 대한 방해를 복잡하게 한다.
예를 들어, 지금까지는, 외부 제어 컴포넌트가 BMS의 거동에 영향을 미칠 수 있는 하나의 방식은 서모스탯 설정들을 오버라이드하는 것이다. 일부 특수한 경우들에서, BMS 제공업체는 그러한 목적들을 위한 임의적 보조(하위 우선순위) 제어기 입력 커넥터를 제공할 수 있으며, 이는 벤더 록인(vendor lock-in)에 이르게 하고, BMS 제공업체에 대한 상세한 지식 및 그의 허가를 요구하며, 유지보수 비용을 포함한, 비용이 많이 드는 협력 및 자문을 벤더에 의해 제공받을 것을 종종 요구한다. 서모스탯 설정들과 같은, 설정들을 오버라이드하는 것은 위험한 상황들, 예컨대, 과열에 이르게 할 수 있다.
주택들 내부의 열 상태를 측정하고 BMS를 그에 따라 스티어링하는 것이 제안되었다. 그렇지만, 많은 응용들에서, 이것은 어렵다. 그에 부가하여, 히트 펌프들과 같은, 많은 디바이스들은, 단지 부분적으로 제어될 수 있는, 그 자신의 내부 관리 시스템을 갖는다. 종종 안티-펜들(anti-pendle) 시간 제약조건들이 유효하며, 예컨대, 히트 펌프가 스위치 오프되면, 히트 펌프는 20분 동안 오프인 채로 있을 것이다. 그러한 (알려지지 않은) 제약조건들을 고려하기가 어렵다.
분산 에너지 자원(distributed energy resource)(DER)의 대규모 통합은 에너지 시스템들의 지형(landscape)을 바꾸고 있다. 그것은 전체 에너지 공급 체인에서 전력 시스템들의 변동성과 불확실성을 증가시켰다. 분배 레벨에서, 과다/과소 전압(over/under voltage) 다음으로 네트워크 자산 혼잡과 같은 사건들은 분배 시스템 운영자들(distribution system operators)(DSO들)이 매일 처리해야 하는 새로운 일상이 되고 있다.
증가하는 불확실성과 부상하는 문제(들)를 다루기 위한 하나의 해결책은 시스템의 유연성을 증가시키는 것이다. 이것은 수요 반응(demand response)(DR) 프로그램들을 구현함으로써 저전압 그리드들에서의 네트워크 운영 한계치 위반을 해결하기 위해 최종 사용자들의 보다 많은 관여를 가능하게 함으로써 행해질 수 있다. DR 프로그램들의 성공을 보장하기 위해, DSO는 보다 적극적으로 되도록 그리고 DR 자원들(즉, 분산된 유연한 부하 및 에너지 자원(DER들)) 사이에서 조정 역할을 하도록 요구받는다. 그렇게 하기 위해, DSO는 모든 그리드 존(grid zone)으로부터 확보해야 하는 최소 양의 유연성을 결정할 수 있어야 한다. 예비 에너지 흐름들을 최소화하고 하루전(day ahead) 에너지 시장에서 순 이익을 최대화하기 위해 프로슈머들을 집계하는 중앙집중식 수요 반응 프로그램을 제공하는 것이 알려져 있다. 로컬 에너지 교환을 통해 네트워크 혼잡 완화를 추구하는 협력 기반 알고리즘이 알려져 있다. 네트워크 혼잡들을 해결하기 위해 로컬 에너지 저장 시스템들이 통합될 수 있다. 기존의 하루전(Day-ahead) 시장 및 당일(Intra-day) 시장과 동기하여 운영되는 경쟁 시장 청산 플랫폼(competitive market clearing platform)이 제안되었다. 실시간 균형에 초점을 맞추는 거래를 위한 실시간 로컬 시장이 알려져 있다.
클러스터들은 분산 제어 알고리즘들에 의해 제어될 수 있다. 큰 단점은 클러스터 내의 모든 개별 디바이스에 대해 별개의 제어 유닛이 개발될 필요가 있다는 것이다. IT 관점에서, 개별 디바이스들은 에이전트에 의해 제어될 수 있다. 큰 단점은 에이전트가 모든 디바이스에 대해 명시적으로 작성될(written) 필요가 있다는 것이다. 제어 관점에서, 전체 클러스터에 대한 제어기가 개발될 수 있지만, 이것은 큰 과제이다. 모든 경우들에서, 설계가 스케일링가능하지는 않으며, 즉 시스템에서의 모든 변화는 제어 스킴에서의 새로운 적응들 및 개발들을 요구한다. 그에 부가하여, 제어 시스템은 모든 디바이스에 액세스할 수 있어야 한다. 이것은 종종 허용되지 않는다.
많은 건물들은 액세스될 수 없는 BMS 시스템들을 갖거나, 히트 펌프들은 (안전 및 다른 이유들로), 액세스될 수 없는 내부 제어기를 갖는다.
본 발명의 실시예들은, 시스템의 제어기가 알려져 있지 않을 때 또는 시스템의 전달 함수가 알려져 있지 않을 때와 같이, 시스템들, 예컨대, 디바이스들, 건물들 등의 난방 및/또는 냉방, 및 그러한 디바이스들 및 건물들 등의 클러스터들을 적어도 부분적으로 스티어링하기 위한 방법을 제공한다. 본 발명의 실시예들은, 시스템 또는 시스템들의 클러스터에 에너지를 제공하기 위해 그리고 바람직하게는 용량 문제들과 같은 공통 제약조건들을 관리하기 위해, 에너지 흐름, 예컨대, 난방/냉방/전기 에너지의 스티어링에 가능하게 해준다. 본 발명의 실시예들은, 예를 들어, 다른 제어기들에 의해 사용되는 (그리고 액세스가능한) 외부 센서들 또는 데이터 흐름들을 사용한다.
본 발명의 실시예들은, 예컨대, 고온 또는 저온 열 에너지를 소비하고 전기 분배 그리드 - 전기 분배 그리드는 제약조건들 및 타깃 목적들을 가짐 - 에 의해 공급되는 전력을 소비하거나 생성하기 위한 디바이스들을 갖는 시스템, 고온 또는 저온 열 에너지의 사용을 제어하고 내부 제어기에 대한 입력으로서 파라미터들을 수신하기 위한 내부 제어기를 가지는 적어도 하나의 디바이스를 개장하고 제어하는 데 적당한 외부 제어기를 제공하며 여기서 적어도 하나의 파라미터는 개장된 외부 제어기에 의해 액세스가능하며, 개장된 외부 제어기는 전기 분배 그리드의 제약조건들 및 타깃 목적들을 적어도 부분적으로 충족시키도록 적어도 하나의 디바이스 또는 고온 또는 저온 열 에너지를 소비하는 디바이스들을 갖는 시스템의 거동을 변경하기 위해 적어도 하나의 파라미터를 조작하고 조작된 파라미터를 내부 제어기에 공급하도록 적합화되어 있다.
개장 외부 제어기는 독립형 디바이스일 수 있거나 다른 전자 컴포넌트에 내장될 수 있다. 개장 제어기는 (비일시적 컴퓨터 판독가능 매체, RAM 및/또는 ROM과 같은) 메모리, 운영 체제, 임의로 OLED 디스플레이와 같은 고정 포맷 디스플레이와 같은 디스플레이, 키보드와 같은 데이터 입력 디바이스들, "마우스"와 같은 포인터 디바이스, 네트워크에 접속하기 위해 다른 디바이스들, 네트워크 카드들 및 접속부들과 통신하기 위한 직렬 또는 병렬 포트들을 가질 수 있다.
예를 들어, 개장 제어기가 전기 분배 그리드의 제약조건들 및 타깃 목적들을 고려하면서 적어도 하나의 파라미터를 조작하도록 동작할 수 있도록, 개장 외부 제어기의 메모리는 전기 분배 그리드의 제약조건들 및 타깃 목적들을 저장하는 데 사용될 수 있다. 통신을 위한 직렬 또는 병렬 포트들은, 그리드의 제약조건들 및 타깃 목적들을 획득하고 다운로드하기 위해, 전기 분배 그리드의, 예컨대, DSO의 제어기와 접속하는 데 사용될 수 있다. 개장 외부 제어기는 하나 이상의 전기 분배 그리드의 제약조건들 및 타깃 목적들을 합의하기 위해 전기 분배 그리드들의 하나 이상의 DSO와 협상하도록 적합화될 수 있다.
본 발명의 실시예들에서, 조작된 파라미터는 액세스가능한 외부 데이터 흐름(예컨대, 채널) 또는 외부 센서 출력일 수 있고, 그의 조작은 내부 제어기에 의해 이루어지는 결정에 영향을 미치며, 그로써 내부 제어기를 스티어링한다. 부가의, 예컨대, 개장 외부 제어기는, 예컨대, 내부 제어기를 제압(overruling)함이 없이 외부 목적들 및 제약조건들을 충족시키며, 그로써 피제어 시스템의 내부 제약조건들이 또한 충족될 수 있도록 보장하도록 내부 제어기 동작을 변경하거나 스티어링하기 위해 이전에 학습된 반응 함수에 따라 하나 이상의 외부 센서 측정치 또는 출력 및/또는 하나 이상의 외부 데이터 채널을 조작하며, 예컨대, 오버라이트하거나 제압한다.
외부 센서 측정치 또는 출력 및/또는 하나 이상의 외부 데이터 채널은 개장 제어기에 알려져 있으며, 즉 개장 제어기는 외부 센서 측정치들 또는 출력들 및/또는 하나 이상의 외부 데이터 채널을 수신하도록 적합화되어 있다. 개장 제어기의 응답은 내부 제어기를 제압함이 없이 외부 목적들 및 제약조건들을 충족시키며, 그로써 피제어 시스템의 내부 제약조건들이 또한 충족될 수 있도록 보장하도록 내부 제어기 동작을 변경하거나 스티어링하기 위해 이전에 학습된 반응 함수에 따라 결정될 수 있다.
개장 외부 제어기의 메모리는 어느 파라미터가 조작되어야 하는지를 저장할 수 있고 어느 액세스가능한 외부 데이터 흐름(예컨대, 채널) 또는 외부 센서 출력이 조작되어야 하는지를 저장할 수 있다. 개장 외부 제어기는 내부 제어기 동작을 변경하거나 스티어링하기 위한 반응 함수를 학습하도록 적합화될 수 있거나 개장 외부 제어기의 메모리는 내부 제어기 동작을 변경하거나 스티어링하기 위한 하나 이상의 반응 함수를 저장할 수 있다.
그에 따라, 본 발명의 실시예들은 고온 또는 저온 열 에너지를 소비하고 전기 분배 그리드 - 전기 분배 그리드는 제약조건들 및 타깃 목적들을 가짐 - 에 의해 공급되는 전력을 소비하거나 생성하기 위한 하나 이상의 디바이스를 갖는 시스템, 고온 또는 저온 열 에너지의 사용을 제어하고 내부 제어기에 대한 입력으로서 파라미터들을 수신하기 위한 내부 제어기를 가지는 적어도 하나의 디바이스를 제어하기 위한 외부 제어기를 제공할 수 있으며 여기서 적어도 하나의 파라미터는 외부 제어기에 의해 액세스가능하며, 외부 제어기는 전기 분배 그리드의 제약조건들 및 타깃 목적들을 적어도 부분적으로 충족시키도록 적어도 하나의 디바이스의 거동을 변경하기 위해 적어도 하나의 파라미터를 조작하고 조작된 파라미터를 내부 제어기에 공급하도록 적합화되어 있으며, 여기서 조작되는 적어도 하나의 파라미터는 액세스가능한 외부 데이터 흐름 또는 외부 센서 출력이며, 그로써 조작은 내부 제어기에 의해 이루어지는 결정에 영향을 미치고, 그로써 내부 제어기를 스티어링한다. 외부 제어기는 개장 외부 제어기일 수 있다.
그러므로, 부가의 외부 제어기는 제어기를 제압함이 없이 외부 목적들 및 제약조건들을 충족시키며, 그로써 피제어 시스템의 내부 제약조건들이 또한 충족되도록 보장하도록 내부 제어기 동작을 변경하거나 스티어링하기 위해 이전에 학습된 반응 함수에 따라 외부 센서 측정치들 및/또는 외부 데이터 채널들을 조작하고 그리고/또는 오버라이트하며 그리고/또는 제압할 수 있다.
외부 목적들은 그리드 제어 시스템으로부터 개장된 외부 제어기로 전달되는 제약조건들 및 목적들을 포함할 수 있다. 외부 제어기는 시스템이 외부 변수들/파라미터들의 변화들에 어떻게 반응하는지를 학습하기 위한 수단을 포함할 수 있으며 임의의 주어진 상황에서 시스템이 어떻게 반응하거나 응답할지를 알려주는 반응 함수들을 구성하기 위한 수단을 포함할 수 있다. 외부 제어기는 외부 목적들 및 제약조건들을 충족시키기 위해 외부 변수들/파라미터들을 조작함으로써 내부 제어기에 적용될 최적의 암시적 제어 신호들을 추정하기 위해 그러한 반응 함수를 사용할 수 있다.
내부 제어기는 고온 또는 저온 열 에너지의 사용을 제어하고 따라서 고온 또는 저온 열 에너지를 소비하는 디바이스들의 시스템을 제어할 수 있다.
본 발명의 실시예들은 BMS의 제어기와 같은 내부 제어기를 방해하지 않는다. 그 대신에 외부 온도와 같은 센서 값들만을 가로챈다. 그렇게 함으로써, 전체 시스템의 효율이 개선될 수 있지만, 개별 BMS 시스템들은 내부 온도들이 미리 정의된 범위들 내에 유지되도록 동일한 보증을 여전히 제공한다. 내부 온도 센서들 또는 제어기 설정점들을 오버라이트하는 것은 건물이 너무 추워지거나 너무 따뜻해지는 상황들을 결과할 수 있다. 내부 열 센서가 조작되거나, 경보들이 취소되거나 서모스탯들이 오버라이드되면, 시스템은 내부 버퍼 제어기에 대해 의도된 것보다 더 높은 온도들로 가열될 수 있다. 이것은 안전 위험들(히터가 비등(boiling)하기 시작할 수 있는 것, 화재가 시작되는 것, 사람들의 화상 등)을 야기할 수 있다.
본 발명의 실시예들은, 서드파티들에 의해 직접 제어되거나 개별 유닛들/건물들/디바이스들에 적용될 수 있는, 전기 및/또는 난방 또는 냉방 네트워크들 내의 시스템들을 제어할 수 있다. 시스템의 제어기에 대한 액세스가 요구되지 않는데, 그 이유는 그의 거동이 일부 액세스가능한 외부 파라미터들을 통해 영향을 받기 때문이다. 이것은 시스템에 의해 제공될 수 있는 알려지지 않은 내재적인 내부 유연성을 활용하는 간단하지만 효율적인 방식을 제공한다. 그러한 액세스가능하고 제어가능한 파라미터들의 예들은 건물 관리 시스템들에서 종종 사용되는 외부 온도 또는 산업 플랜트들의 생산량을 제어하는 데 사용되는 전기의 가용성 또는 난방 또는 냉방 네트워크들에서의 온도 및/또는 유량, 전기 분배 네트워크들에서의 전압, 주파수, 전류 등이다.
본 발명의 실시예들은 보다 큰 클러스터에 통합될 수 있는 시스템을 제어할 수 있다. 그러한 시스템은 자신이 보다 큰 클러스터의 목적들 및 제약조건들에 도달하는 것을 지원하고 돕도록 스티어링될 수 있다. 손실의 최소화, 비용의 최소화, 그리드의 용량의 제한들, 전기 그리드들에서의 전압, 주파수 및 전류 안정화, 산업 플랜트들 사이의 재료 흐름들과 같은 보다 큰 클러스터의 제약조건들과 같은 보다 큰 클러스터의 목적들이 달성될 수 있다. 본 발명의 실시예들은 계층적 구조를 갖는 제어 시스템을 제공할 수 있다.
본 발명의 실시예들은 액세스가능한 외부 센서들 및/또는 내부 차폐된 제어기에 의해 사용되는 데이터를 포함하는 시스템을 포함한다. 이것은 액세스가능한 외부 센서들의 출력들 및/또는 데이터의 조작 그리고 따라서 차폐된 내부 제어기의 제어를 가능하게 해줄 수 있다.
본 발명의 실시예들은 시스템이 외부 파라미터들에 어떻게 반응하는지를 학습하고 시스템을 스티어링하기 위해 이러한 파라미터들 중 일부를 조작하는 시스템을 제어하기 위한 시스템 및 방법을 제공한다. 본 발명의 실시예들은 시스템이, 전기 및/또는 난방 네트워크를 안정화시키는 것과 같은, 다른 제어 문제들을 처리하도록 제어될 수 있게 해준다.
본 발명의 실시예들은 시스템의 성능 특성들을 수정하는 데 사용되는 외부적으로 적용된 디바이스를 제공한다. 디바이스는 시스템의 성능 특성들에 영향을 미치고 그들을 수정하기 위해 개장될 수 있다.
본 발명의 실시예들은 다음과 같은 광범위한 제품들에 적용될 수 있는 시스템 및 방법을 또한 제공한다:
- 난방 및/또는 냉방 네트워크 내의 시스템들을 위한 스티어링 메커니즘
- 제한된 용량을 갖는 분배 그리드 내의 시스템들을 위한 스티어링 메커니즘
- 전기 그리드 내의 애그리게이터(aggregator) 및/또는 균형 책임자(balance responsible party)에 접속된 시스템들을 위한 스티어링 메커니즘.
- 대규모 공장들/회사들의 전력 스케줄링을 위한 스티어링 메커니즘.
본 발명의 실시예들은 내부 제어기들을 부분적으로 인계받을 수 있는 방법을 제공한다. 이는 내부 제어기에 의해 사용되는 액세스가능한 외부 파라미터들을 조작하는 것, 예컨대, 제압하는 것에 의해 이것을 행한다. 예를 들어, 이는 내부 제어기가 이러한 외부 제어가능 파라미터들의 변화들에 어떻게 반응하는지를 먼저 학습할 수 있고 다음에 내부 제어기가 일부 글로벌 목적들 및 제약조건들에 따라 반응하도록 이러한 파라미터들을 조작하고, 즉 변경할 수 있다. 그렇지만, 이는 내부 제어기의 외부 파라미터들만을 변경한다. 내부 제어기에 의해 취해지는 안전 대책들이 결코 제압되지 않는다.
본 발명의 실시예들은 액세스가능한 외부 데이터 흐름(예컨대, 채널) 또는 외부 센서 출력일 수 있는 파라미터를 조작하는 방법을 제공하며, 그의 조작은 내부 제어기에 의해 이루어지는 결정에 영향을 미치며, 그로써 내부 제어기를 스티어링한다. 예컨대, 내부 제어기를 제압함이 없이 외부 목적들 및 제약조건들을 충족시키며, 그로써 피제어 시스템의 내부 제약조건들이 또한 충족될 수 있도록 보장하도록 내부 제어기 동작을 변경하거나 스티어링하기 위해 이전에 학습된 반응 함수에 따라 하나 이상의 외부 센서 측정치 또는 출력 및/또는 하나 이상의 외부 데이터 채널이 조작되며, 예컨대, 오버라이트되거나 제압된다.
본 발명의 실시예들은 고온 또는 저온 열 에너지를 소비하고 전기 분배 그리드 - 전기 분배 그리드는 제약조건들 및 타깃 목적들을 가짐 - 에 의해 공급되는 전력을 소비하거나 생성하기 위한 디바이스들을 갖는 시스템, 고온 또는 저온 열 에너지의 사용을 제어하고 내부 제어기에 대한 입력으로서 파라미터들을 수신하기 위한 내부 제어기를 가지는 적어도 하나의 디바이스를 제어하기 위한 방법을 제공할 수 있으며 여기서 적어도 하나의 파라미터는 개장 외부 제어기에 알려져 있고 그에 의해 액세스가능하며, 개장 외부 제어기는 전기 분배 그리드의 제약조건들 및 타깃 목적들을 적어도 부분적으로 충족시키도록 적어도 하나의 디바이스의 거동을 변경하기 위해 적어도 하나의 파라미터를 조작하고 조작된 파라미터를 내부 제어기에 공급하도록 적합화되어 있으며, 여기서 조작되는 적어도 하나의 파라미터는 액세스가능한 외부 데이터 흐름 또는 외부 센서 출력이며, 그로써 조작은 내부 제어기에 의해 이루어지는 결정에 영향을 미치고, 그로써 내부 제어기를 스티어링한다.
그러므로, 이 방법은 내부 제어기를 제압함이 없이 외부 목적들 및 제약조건들을 충족시키며, 그로써 피제어 시스템의 내부 제약조건들이 또한 충족되도록 보장하도록 내부 제어기 동작을 변경하거나 스티어링하도록 적합화된 신호들을 내부 제어기에 제공하기 위해 이전에 학습된 반응 함수에 따라 외부 센서 측정치들 및/또는 외부 데이터 채널들을 조작하고 그리고/또는 오버라이트하며 그리고/또는 제압한다.
외부 센서 측정치 또는 출력 및/또는 하나 이상의 외부 데이터 채널은 개장 제어기에 알려져 있으며, 즉 개장 제어기는 외부 센서 측정치들 또는 출력들 및/또는 하나 이상의 외부 데이터 채널을 수신하도록 적합화되어 있다. 이 방법은 내부 제어기를 제압함이 없이 외부 목적들 및 제약조건들을 충족시킴으로써 피제어 시스템의 내부 제약조건들이 또한 충족될 수 있도록 보장하도록 내부 제어기의 동작을 변경하기 위한 신호들을 내부 제어기에게 송신하도록 적합화된 개장 제어기에 의해 내부 제어기 동작을 변경하거나 스티어링하기 위해 이전에 학습된 반응 함수에 따라 개장 제어기의 응답이 결정되는 것을 포함한다.
이 방법은 액세스가능한 외부 파라미터가 외부 온도일 것인 열 네트워크들에서 적용될 수 있지만; 이 방법은 에너지의 생산 부족 또는 과잉 생산, 주파수 변동들, 전압 변동들, 전류 또는 전력 변동들 또는 심지어 에너지 가격의 변동들과 같은 전기 그리드에서의 불안정성들에 반응하는, 산업 단지들, 공장들 등과 같은 시스템들에 또한 적용될 수 있다.
실험적 증거는 외부 파라미터들을 인계받는 것이 가능하다는 것, 대부분의 시스템들이 이러한 외부 파라미터들에 반응한다는 것 및 응답 거동이 학습될 수 있고 일부 공통 목적들에 따라 시스템을 스티어링하는 데 사용될 수 있다는 것을 보여준다.
시간에 따라 변하는 것으로 보이는 응답 시스템의 경우, 칼만(Kalman) 필터와 같은 필터링이 드리프트들(drifts)을 트래킹하는 데 사용될 수 있다. 다른 온라인 학습 툴들이 역시 적용될 수 있다.
본 발명의 실시예들은 전기 그리드의 제약조건들 및 타깃들이 개장 외부 제어기에게 동적으로 전송될 수 있게 해준다. 이것을 수행하기 위해, 분배 시스템이 본 발명의 실시예들에서 시뮬레이트될 수 있다. 그리드 제어는 플래너(Planner), 트래커(Tracker), 예측자(Forecaster) 및 건물 에이전트들(Building Agents)에 의해 수행될 수 있다. 그러한 실시예들의 목표는, 로컬 그리드 문제들로 인한, 로컬 RES 축소(local RES curtailment)을 최소화하는 것이다. 이러한 그리드 문제들을 식별하기 위해, DSO 에이전트가, 예를 들어, 부하 흐름 계산에 기반하여 구현될 수 있다. 이러한 에이전트는 플렉스 활성화(flex activation)가 필요한지를 결정할 수 있고, 바람직하게는, 플렉스 활성화가 부가의 그리드 제약조건 위반들을 야기하지 않도록 보장한다. 분배 그리드는 로컬 그리드 존 클러스터들로 분할될 수 있으며 이러한 클러스터들은 DCM에 의해 제어된다.
본 발명의 실시예들은 로컬 그리드 문제들, RES 축소 및 부하 흐름 계산을 고려하는 최적화 계획들을 가능하게 해준다. 이것은 분산 자원들이 로컬 자원들을 사용하여 전반적 시스템 불균형들을 억제할 수 있게 해준다.
외부 개장 제어기의 본 발명의 실시예들 중 임의의 것은 소프트웨어, 즉 하나 이상의 컴퓨터 프로그램으로 프로그래밍된 각자의 기능들을 수행하도록 적합화된 하나 이상의 마이크로프로세서, 프로세서, 마이크로컨트롤러, 또는 중앙 프로세싱 유닛(CPU) 및/또는 그래픽 프로세싱 유닛(GPU)을 포함하는 프로세싱 능력을 갖는 디지털 디바이스에 의해 구현될 수 있다. 소프트웨어는 마이크로프로세서들, 프로세서들, 마이크로컨트롤러들, 또는 중앙 프로세싱 유닛들(CPU) 및/또는 그래픽 프로세싱 유닛들(GPU) 중 임의의 것 상에서 실행되도록 컴파일될 수 있다.
도 1은 본 발명의 일 실시예에 따른 제어 시스템을 도시하고 있다.
도 2는 본 발명의 일 실시예에 따른 계층적 제어 시스템을 도시하고 있다.
도 3은 본 발명의 일 실시예에 따른 방법 흐름을 도시하고 있다.
도 4는 본 발명의 일 실시예에 따른 제어 시스템을 도시하고 있다.
도 5는 본 발명의 추가의 실시예에 따른 DCM 플랫폼 설계를 도시하고 있다.
도 6은 본 발명의 추가의 실시예에 따른 UC1에 대한 UML 상호작용 스킴을 도시하고 있다.
도 7은 9-버스 테스트 그리드 예를 도시하고 있다. 아래쪽 화살표들은 부하를 나타낸다. 한쪽으로 경사진(lopsided) 라인들과 교차하는 아래쪽 화살표들은 유연한 부하들을 나타낸다. DER 표기법을 갖는 다이아몬드 블록들은 축소가능한 분산 에너지 자원들을 나타낸다.
도 8은 모든 접속된 건물들의 상세들을 갖는 9-버스 테스트 그리드 예를 도시하고 있다.
도 9는 베이스라인 및 유연성을 도시하고 있다.
도 10은 3개의 그룹에 대한 DSO로부터의 플렉스 요청을 도시하고 있다.
도 11은 각각의 클러스터에 대한 플래너 최적화 출력을 도시하고 있다.
도 12는 각각의 클러스터에 대한 트래커 출력을 도시하고 있다.
도 13은 ADMM 스킴의 수렴의 예시를 도시하고 있다(y 축은 로그 스케일로 되어 있음).
도 14는 유연성의 전(초기) 및 후(최종) 분리(disaggregation) 이전의, 버스 9 상의 개별 건물 응답들을 도시하고 있다.
도 15는 상이한 시간 스텝들에서의 RES 전력 축소를 도시하고 있다.
도 16은 RES 에너지 축소를 도시하고 있다.
도 17은 RES 전력 생산량을 도시하고 있다.
도 18은 총 RES 에너지 생산량을 도시하고 있다.
도 2는 본 발명의 일 실시예에 따른 계층적 제어 시스템을 도시하고 있다.
도 3은 본 발명의 일 실시예에 따른 방법 흐름을 도시하고 있다.
도 4는 본 발명의 일 실시예에 따른 제어 시스템을 도시하고 있다.
도 5는 본 발명의 추가의 실시예에 따른 DCM 플랫폼 설계를 도시하고 있다.
도 6은 본 발명의 추가의 실시예에 따른 UC1에 대한 UML 상호작용 스킴을 도시하고 있다.
도 7은 9-버스 테스트 그리드 예를 도시하고 있다. 아래쪽 화살표들은 부하를 나타낸다. 한쪽으로 경사진(lopsided) 라인들과 교차하는 아래쪽 화살표들은 유연한 부하들을 나타낸다. DER 표기법을 갖는 다이아몬드 블록들은 축소가능한 분산 에너지 자원들을 나타낸다.
도 8은 모든 접속된 건물들의 상세들을 갖는 9-버스 테스트 그리드 예를 도시하고 있다.
도 9는 베이스라인 및 유연성을 도시하고 있다.
도 10은 3개의 그룹에 대한 DSO로부터의 플렉스 요청을 도시하고 있다.
도 11은 각각의 클러스터에 대한 플래너 최적화 출력을 도시하고 있다.
도 12는 각각의 클러스터에 대한 트래커 출력을 도시하고 있다.
도 13은 ADMM 스킴의 수렴의 예시를 도시하고 있다(y 축은 로그 스케일로 되어 있음).
도 14는 유연성의 전(초기) 및 후(최종) 분리(disaggregation) 이전의, 버스 9 상의 개별 건물 응답들을 도시하고 있다.
도 15는 상이한 시간 스텝들에서의 RES 전력 축소를 도시하고 있다.
도 16은 RES 에너지 축소를 도시하고 있다.
도 17은 RES 전력 생산량을 도시하고 있다.
도 18은 총 RES 에너지 생산량을 도시하고 있다.
표들의 리스트
표 1: 심벌 리스트
표 2: 심벌 리스트
표 3: 가상 그리드(Fictive Grid) 예에 대한 파라미터들. r, x 및 b는 모든 접속의 직렬 저항, 인덕턴스 및 션트 서셉턴스(shunt susceptance)이다.
표 4: 유연성 및 유효 및 무효 전력 및 상한선(Upper Band) 및 하한선(Lower Band). 유효 전력은 MW 단위로 되어 있고 무효 전력은 MVAr 단위로 되어 있다.
표 5: 시뮬레이션에 사용된 파라미터들.
표 6: 제어가능한 건물들 각각에 대한 MAPE의 개요.
정의들
- 암시적 제어 신호: 본 발명의 실시예들에 따라 내부 제어기에 의해 사용되고 외부 제어기에 의해 조작될 수 있는 파라미터들의 세트
- BMS: 건물 관리 시스템
- 내부 제어기: 실제 로컬 시스템을 스티어링하는 컴퓨터 프로그램 또는 디바이스. 예들은 건물 내의 BMS 또는 산업 플랜트를 스티어링하는 운영 제어 센터이다.
- 외부 제어기: 전기 그리드 또는 난방 그리드에서의 용량 문제들과 같은, 공통 제약조건들의 세트를 충족시키기 위해 내부 제어기를 스티어링하는 데 사용되는 컴퓨터 프로그램 또는 디바이스.
- 시스템: 내부 제어기를 갖는 디바이스 또는 디바이스들의 클러스터.
- 외부 변수들: 외부 온도, 시간, 요일(day in the week), 연중 일(day in the year), 경제 활동, 주가, 에너지 가격, 그리드의 안정성 등과 같은, 내부 제어기에 영향을 미치는, 시스템 외부의 액세스가능한 데이터.
- 고정된 외부 변수들: 조작되지 않는, 예컨대, 조작될 수 없는 외부 변수들.
- 제어가능한 또는 액세스가능한 외부 변수들: 에너지 가격, 외부 온도와 같은, 외부 제어기에 의해 조작될 수 있는 외부 변수들.
- "개장(Retrofitting)" 또는 "개장(retrofit)"은 구식 시스템들(older systems), 즉 레거시 디바이스들을 포함하는 시스템들에 새로운 기술 또는 특징들을 추가하는 것을 지칭한다. 레거시 디바이스는 그의 설치 날짜에 의해 또는 다른 기록들로부터 식별될 수 있다. 개장된 디바이스는 그의 설치 날짜에 의해 또는 다른 기록들로부터 식별될 수 있다.
- "로컬 보안 특징들"은 보안 기반 설정점들, 퓨즈들과 같은 보안 차단기들(security cut-outs), 서모스탯들의 작동, 경보 울리기 등과 같은 레거시 저장 용기(legacy storage vessel)의 레거시 보안 특징들을 지칭한다.
예시적인 실시예들의 상세한 설명
본 발명은 특정의 실시예들과 관련하여 그리고 일정 도면들을 참조하여 설명될 것이지만, 본 발명이 이들에 의해 제한되지 않고 청구항들에 의해서만 제한된다. 설명된 도면들은 단지 개략적이며 비제한적이다. 도면들에서, 요소들 중 일부의 크기는 과장되고 예시 목적들을 위해 축척대로 그려져 있지 않을 수 있다. 치수 및 상대 치수는 본 발명의 실제 구현들(actual reduction to practice)에 대응하지 않는다.
게다가, 설명에서 그리고 청구항들에서의 용어들 제1, 제2, 제3 및 이와 유사한 것은 유사한 요소들을 구별하는 데 사용되며 반드시 순차적 또는 연대적 순서를 설명하기 위한 것은 아니다. 그렇게 사용되는 용어들이 적절한 상황들 하에서 상호교환가능하다는 것 및 본 명세서에 설명된 발명의 실시예들이 본 명세서에 설명되거나 예시된 것들 이외의 시퀀스들로 동작할 수 있음이 이해되어야 한다.
청구항들에서 사용되는 용어 "포함하는(comprising)"이 그 이후 열거된 수단으로 제한되는 것으로 해석되어서는 안되고; 다른 요소들 또는 단계들을 배제하지 않는다는 것을 알아야 한다. 따라서 이는 지칭된 바와 같은 언급된 특징들, 정수들, 단계들 또는 컴포넌트들의 존재를 명시하는 것으로서 해석되어야 하지만, 하나 이상의 다른 특징, 정수, 단계 또는 컴포넌트, 또는 이들의 그룹의 존재 또는 추가를 배제하지 않는다. 따라서, "수단 A 및 수단 B를 포함하는 디바이스"라는 표현의 범위는 컴포넌트 A 및 컴포넌트 B만으로 이루어진 디바이스들로 제한되어서는 안된다. 이는 본 발명과 관련하여, 디바이스의 유일한 관련 컴포넌트들이 A와 B라는 것을 의미한다.
실시예 1: 열 시스템들
본 실시예는 건물 또는 건물들의 그룹에 난방 또는 냉방을 제공하는 난방 또는 냉방 네트워크들에 관한 것이다. 이러한 건물들 각각 또는 건물들의 그룹은 그 자신의 사설 BMS에 의해 제어된다. 이 BMS는 건물 내부의 온도들이 잘 정의된 범위들에 유지되고, 히트 펌프들이 잘 작동하도록, 회수 온도(return temperature)가 최적화되며, 파이프들에서의 압력이 모니터링되며 압력 저하가 누출을 나타내면 물이 순환되지 않도록 보장한다. 많은 경우들에서, 건물의 전력 소비량 및/또는 난방 또는 냉방의 사용량의 직접 스티어링이 가능하지 않도록, 서드파티들에 의한 BMS 시스템 자체에 대한 액세스가 없다. 건물들의 난방 및/또는 냉방의 많은 경우들에서, BMS에 의해 사용되는 외부 파라미터들 중 하나는 외부 온도이다. 예를 들어, 난방 네트워크의 경우, 외부 온도가 떨어지면, 건물들은 보다 많은 열을 소비할 것이고 반대의 경우도 마찬가지이다. 다른 경우들에서, 건물의 열 소비량을 제어하기 위해 BMS에 의해 실내 온도 측정치들이 사용된다.
이 실시예는 외부 액세스가능 제어 파라미터들 - 그의 일 예가 외부 온도임 - 에 대한 조작된 또는 대체 외부 값들을 사용한다. 이 파라미터는 BMS 시스템을 스티어링하기 위해 조작된다. 예를 들어, 조작된 온도가 실제 온도보다 낮으면, 건물은 처음에 보다 많은 에너지를 소비할 수 있지만, 내부 온도가 상승하고 있다는 피드백을 내부 센서들로부터 수신하며, 따라서 잠시 후에 시스템은 예측된 것보다 적은 전력을 소비할 수 있다. 시스템의 반응이 특성화될 수 있다면, 조작된 외부 온도들을 제공함으로써 시스템이 스티어링될 수 있다.
난방 네트워크에 열기/냉기(heat/cold)를 제공하는 난방 또는 냉방 디바이스가 제한된 용량을 갖거나, 열 에너지를 전달하는 네트워크 파이프들이 제한된 용량을 갖거나, 수요가 임계치를 초과할 때 제2 난방/냉방 설비가 스위치 온될 필요가 있거나, 또는 전기 시장에서 자신의 전력을 판매/구매하는 CHP/히트 펌프에 의해 열이 제공된다. 이 CHP/히트 펌프는 하루전 시장에서 어떤 포지션을 취할 것이고 약속된 전력을 생산/소비할 필요가 있거나; 건물들의 클러스터들의 경우, 일부는 열기/냉기를 소비하고 다른 것은 과도한 열기/냉기를 생산하거나(예컨대, 데이터 센터들, 산업 회사들, 냉방 시설들을 갖는 슈퍼마켓들); 또는 열 에너지 스토리지들이 난방/냉방 네트워크에 제공된다.
모든 이러한 경우들에서, 용량이 보다 잘 사용되도록, 보다 고가의 디바이스들이 보다 덜 사용되거나 CHP/히트 펌프의 전력이 최적화되도록, 열기/냉기의 소비자들 및 생산자들의 클러스터들이 보다 잘 균형되도록, 재생 에너지 소스들이 가능한 한 많이 사용되도록, 건물들 또는 열 에너지 저장 유닛들을 스티어링하는 것이 요망된다.
도 1은, 예컨대, 건물(8)의 난방 및 냉방 디바이스들(6)을 제어하는 BMS(4)를 도시하고 있다. 이러한 난방 및 냉방 디바이스들(6)은 난방 및/또는 전기 분배 그리드(12)에 접속된다. 이 실시예들에서, 이 그리드의 제어기(14)는 BMS(4)와 직접 통신할 수 없다(그러나, 본 발명이 그것으로 제한되지 않는다). 예를 들어, 본 발명의 실시예들은 외부 온도 센서(5)의 출력 신호를 오버라이트하고 외부 온도의 조작된 값들을 BMS(4)에 제공하는 개장된 시스템을 제공한다. 이것은 외부 개장된 제어기(16)가 BMS(4)를 스티어링하여 그의 소비를 그리드 제어기(14)의 목적들 및 제약조건들과 일치하게 하거나 보다 가깝게 일치하게 할 수 있게 해준다. 외부 개장된 제어기(16)는 독립형 디바이스일 수 있거나 다른 전자 컴포넌트에 내장될 수 있다. 개장 제어기(16)는 (비일시적 컴퓨터 판독가능 매체, RAM 및/또는 ROM과 같은) 메모리, 운영 체제, 임의로 OLED 디스플레이와 같은 고정 포맷 디스플레이와 같은 디스플레이, 키보드와 같은 데이터 입력 디바이스들, "마우스"와 같은 포인터 디바이스, 네트워크에 접속하기 위해 다른 디바이스들, 네트워크 카드들 및 접속부들과 통신하기 위한 직렬 또는 병렬 포트들을 가질 수 있다.
예를 들어, 개장 제어기가 전기 분배 그리드의 제약조건들 및 타깃 목적들을 고려하면서 적어도 하나의 파라미터를 조작하도록 동작할 수 있도록, 개장 외부 제어기(16)의 메모리는 전기 분배 그리드의 제약조건들 및 타깃 목적들을 저장하는 데 사용될 수 있다. 조작된 파라미터는 외부 액세스가능한 데이터 흐름(예컨대, 채널)의 출력 신호 또는 외부 센서 출력일 수 있고, 그의 조작은 내부 제어기에 의해 이루어지는 결정에 영향을 미치며, 그로써 내부 제어기를 스티어링한다. 부가의, 예컨대, 개장 외부 제어기는, 예컨대, 내부 제어기를 제압함이 없이 외부 목적들 및 제약조건들을 충족시키며, 그로써 피제어 시스템의 내부 제약조건들이 또한 충족될 수 있도록 보장하도록 내부 제어기 동작을 변경하거나 스티어링하기 위해 이전에 학습된 반응 함수에 따라 외부 액세스가능 데이터 흐름(예컨대, 채널)의 하나 이상의 출력 신호, 외부 센서 측정치 또는 출력 및/또는 하나 이상의 외부 데이터 채널을 조작하며, 예컨대, 오버라이트하거나 제압한다. 예를 들어, 외부 온도 센서(5)로부터의 출력이 조작될 수 있고 외부 온도의 조작된 값들이 BMS(4)에 제공될 수 있다.
다른 실시예들에서, 통신을 위한 직렬 또는 병렬 포트들은, 그리드의 제약조건들 및 타깃 목적들을 획득하고 다운로드하기 위해, 전기 분배 그리드의, 예컨대, DSO의 제어기와 접속하는 데 사용될 수 있다. 개장 외부 제어기(16)는 하나 이상의 전기 분배 그리드의 제약조건들 및 타깃 목적들을 합의하기 위해 전기 분배 그리드들의 하나 이상의 DSO와 협상하도록 적합화될 수 있다.
실시예 2: 산업 플랜트들
많은 산업 플랜트들이 상품 및 사람들의 흐름들을 스티어링하기 위해 조직화된다. 이러한 최적화는 종종 복잡하며 관리 팀에 의해 그리고/또는 컴퓨터에 의해 수행된다. 그러한 복잡한 프로세스들을 스티어링하기 위한 입력들 중 하나는 전기의 가용성 및 전기 그리드의 구성이다. 재생 에너지 소스들의 보다 많은 보급(penetration)으로 인해, 전기의 가용성이 장래에 보다 불안정(volatile)하게 될 것으로 예상된다. 그 결과, 산업 플랜트들은 그들의 의사결정 프로세스들에서 전기 가격을 고려할 뿐만 아니라 전기의 가용성도 고려할 것이다. 산업 플랜트, 분배 그리드 및 전송 그리드(transmission grid) 운영자가 전기 에너지 사용을 보다 주의 깊게 제어하는 것이 보다 유익하게 될 것이다.
부하 동기화는 분배 그리드에 해를 미칠 수 있다. 많은 유연한 싱크들이 동일한 그리드에 접속될 때, 이들 전부는 자신들의 소비를 최대화하려고 노력할 것이다. 대부분의 그리드들은 이것에 대처할 수 없는데, 그 이유는 피크 소비량이 시간상 확산된다고 가정되기 때문이다.
일 양태에서, 본 발명의 실시예들은 (가능한 한) 그리드 제약조건들이 위반되지 않도록 보장하기 위해 에너지 시장에서의 에너지 가용성을 최적화할 수 있다.
각각의 개별 산업 플랜트가 모든 가능한 전기 가용성 및 전기 가격 프로파일에 어떻게 반응할 것인가를 조사하는 것은 어려운 일이다. 그럼에도 불구하고, 운영자는 공통 제약조건들을 충족시키기 위해 에너지 시장에 접근하고 그리고/또는 에너지 소비량을 스티어링할 필요가 있을 것이다. 산업 플랜트 및 그의 관리의 결정들의 전체 프로세스는 모델링하기 어렵다. 본 발명의 실시예들은 그러한 산업 플랜트의 반응을 예측하기 위해 반응 함수들을 사용한다.
실시예 3: 산업 현장들에서의 재귀적 및 계층적 응용들
본 발명의 실시예들은 필요하다면 개별 디바이스들의 레벨에 이르기까지 산업 플랜트들 및 그들의 서브-유닛들에 재귀적으로 적용될 수 있다. 본 발명의 실시예들은 또한 (예컨대, 동일한 영역 내의) 다수의 산업 현장들이 계층적 방식으로 함께 최적화되게 할 수 있다 - 도 2 참조. 도 2의 실시예는 3개의 제어기 레벨: 제어기 레벨 1, 제어기 레벨 2 및 제어기 레벨 3을 갖는 산업 현장/현장들의 접속(10)을 도시하고 있다. 이들은 개장된 제어기 레벨들일 수 있다. 시스템들(21, 22, 31, 32)과 같은, 각각의 시스템은 외부 온도 센서의 값과 같은 조작될 수 있는 액세스가능 외부 변수(23, 24, 33, 34)를 갖는다. 각각의 개장된 제어기 레벨 1, 2는 본 발명의 일 실시예에 따라, 외부 온도 센서의 값과 같은 조작될 수 있는 액세스가능한 외부 변수(13, 25)를 또한 갖는다. 따라서 제어기 레벨 1에 있는 개장 제어기는 제어기 레벨 2에 있는 추가의 제어기를 제어하기 위해 외부 온도 센서의 값과 같은 액세스가능한 외부 변수(13)의 값을 조작할 수 있다. 제어기 레벨 2에 있는 추가의 제어기는 개장된 제어기일 수 있고, 이 개장된 제어기는 차례로 시스템들(21 및 22)의 액세스가능한 외부 변수들(23, 24)을, 제각기, 조작함으로써 시스템들(21 및 22)을 제어할 수 있다. 제어기 레벨 2에 있는 이 제어기는 외부 온도 센서의 값과 같은 외부 액세스가능 변수(25)를 조작함으로써 제어기 레벨 3에 있는 제어기를 또한 제어할 수 있다. 제어기 레벨 3에 있는 추가의 제어기는 개장된 제어기일 수 있고, 이 개장된 제어기는 차례로 시스템들(31 및 32)의 액세스가능한 외부 변수들(33, 34)을, 제각기, 조작함으로써 시스템들(31 및 32)을 제어할 수 있다. 개장된 제어기들의 그러한 계층적 배열은 몇 개의 레벨의 추상화를 가능하게 해주며, 각각의 레벨 1, 2, 3에서의 자원들의 계획 수립(planning)이 다른 하위 레벨들과 독립적으로 행해질 수 있다. 각각의 레벨에 관련된 유일한 인자들은 조작에 의해 제어될 수 있는 하위 레벨 제어기들 및 시스템들을 제어하기 위한 액세스가능한 외부 변수들이다. 각각의 액세스가능한 외부 변수(13, 23, 24, 25, 33, 34)의 조작된 조정들은 변수들에서의 이러한 변화들에 대한 하위 레벨 제어기들 또는 시스템들로부터의 응답들을 결과할 것이다. 이러한 응답들은 따라서 개장된 제어기들이 자신의 성능을 최적화할 수 있게 해주기 위해 개장된 제어기들에 공급될 수 있는 피드백이다. 이것은 복잡한 상호작용들을 갖는 계층적 시스템을 효율적인 방식으로 스티어링할 수 있게 해준다. 이것의 일 예는 도 2에 도시된 바와 같은 산업들의 클러스터이다. 각각의 산업 부지 또는 단지는 내부 제어 유닛들을 갖는 몇 개의 시스템을 핸들링하고, 예컨대, 제어기 레벨 1에 있는 산업 시스템들 및 제어기들의 애그리게이터는 동시에 충족시킬 몇 개의 레벨의 제약조건들을 갖는 산업 현장/현장들의 접속(10) 전체에 대해 이용가능한 전기 또는 난방 또는 냉방 에너지를 만드는 것과 같은 글로벌 작업들을 수행할 수 있다.
본 발명의 실시예들은 자체 내부 제어기를 갖는 내부 제어 시스템을 갖거나 가질 수 있는 도 2의 시스템에 적용될 수 있다. 본 발명의 실시예들에 따르면, 내부 제어 시스템들은 외부로부터 직접 영향을 받을 필요가 없으며 그 대신에 액세스가능한 외부 데이터 경로들 또는 센서 출력들의 조작에 의해 영향을 받는다. 도 2의 시스템은, 분배 그리드와 같은, 다른 외부 시스템에 접속될 수 있고, 그 외부 시스템은, 비용 최소화와 같은, 일정 목적들, 및, 제한된 용량과 같은, 일정 제약조건들을 가질 것이다. 본 발명의 장점은 단지 로컬 시스템들 이상의 것에 관련된 적어도 부분적으로 새로운 목적들을 충족시킬 수 있는 개장된 제어 시스템이 제공된다는 것이다. 이것은, 예컨대, 재생 에너지 소스들의 사용에 의해 도입되는, 새로운 목적들에 대한 시스템들의 적응을 가능하게 해준다.
본 발명의 실시예들은 내부 제어기들을 제압함이 없이 이러한 외부 목적들 및 제약조건들에 따라 내부 시스템들의 스티어링을 가능하게 해준다. 이것은 시스템이 외부 목적들 및 제약조건들에 따라 스티어링되면서, 공급 보장과 같은, 내부 제약조건들이 충족되도록 보장하거나 보증할 수 있다.
본 발명의 실시예들은 실제 제어 파라미터들에 대한 어떠한 지식 또는 표현도 필요로 하지 않으며, 따라서 외부로부터 액세스가능하지 않은 시스템들에 적용될 수 있다. 일부 제어 변수들을 스티어링하기 보다는, 본 발명의 실시예들은 도 1의 BMS(4)의 또는 도 2의 시스템들(21, 22, 31, 32) 각각의 내부 제어기가 자신의 결정의 기반이 되는 액세스가능한 데이터의 일부를 조작한다.
본 발명의 실시예들의 장점들은 다음과 같은 것들 중 임의의 것, 일부 또는 전부일 수 있다:
- 본 발명의 실시예들은 보다 광범위한 제어기들에 적용될 수 있다;
- 본 발명의 실시예들은 계층적 제어기에서 사용될 수 있다(도 2 참조). 내부 제어기 자체는 암시적 제어기일 수 있다.
- 본 발명의 실시예들은 제어될 시스템들에 관한 보다 적은 데이터 및 지식을 필요로 한다
- 본 발명의 실시예들은 모든 내부 안전 대책들이 이행되도록 여전히 보장할 수 있다.
- 본 발명의 실시예들은 기존의 암시적 제어기들에 애드온된다(add on). 따라서 프로세스 운영자는 기존의 제어기를 교체할 필요가 없을 것이다.
- 본 발명의 실시예들은 벤더 록인을 피하고, 제어 시스템 벤더 또는 제조공장의 협력이 요구되지 않는다
- 본 발명의 실시예들은 기존의 제어기들의 교체/펌웨어 업데이트들에 강건하다
- 본 발명의 실시예들은 기존의 설비에 덜 침습적이고(intrusive), 제어 하드웨어에 대한 액세스가 필요하지 않다
- 본 발명의 실시예들은 다수의 경쟁하는 벤더들로부터의 제어 하드웨어의 비침습적 통합을 가능하게 해준다.
- 본 발명의 실시예들은 시스템들 또는 시스템들의 클러스터들을 스티어링하기 위한 수단을 제공하며, 여기서 이러한 시스템(들)의 내부 제어 메커니즘들에 대한 액세스가 없다.
- 본 발명의 실시예들은 시간상 진화하고, 복잡한 컴퓨터 프로그램들, 인간 간섭들 등과 같은, 복잡한 프로세스들에 의해 제어되며, 전세계적인 개방 제어 표준화 노력을 요구함이 없이 경쟁하는 제공업체들로부터의 하드웨어/소프트웨어에 의해 제어되는 시스템을 스티어링할 수 있다.
본 발명의 실시예들은 내부 제어기의 일부 외부 센서들이 교체되거나, 적어도 그러한 센서들의 측정 값이 오버라이트될 것을 요구할 수 있다.
머신 러닝 방법들과 같은 방법들이 다양한 (타입들의) 잠재적으로 액세스가능한 센서들 중 어느 것이 교체 및 조작을 위해 선택되어야 하는지, 예컨대, 조작이 최적화 목적에 영향을 미칠 가장 흥미로운 가능성을 나타내는 것을 찾는 데 적용될 수 있다.
둘째, 제어되는 시스템의 응답들을 학습하기 위해 머신 러닝 방법들이 적용될 수 있다.
셋째, 이러한 응답들은 암시적 제어기에 내장될 수 있다.
본 발명의 실시예들은 외부 센서 측정들을 제압한다. 본 발명의 실시예들은 시스템의 내부 제어기가 자신의 제어 기능을 계속할 수 있게 해준다. 본 발명의 실시예들은 기존의 제어기를 다른 특징들 그러나 동일한 안전 표준들을 갖는 제어기로 교체하기 보다는 내부 제어의 기초가 되는 일부 외부 데이터를 조작한다. 본 발명의 실시예들은, 안전 대책들은 물론 공급 보장을 위태롭게 하지 않으면서, 원하는 방향으로 제어기를 스티어링한다. 본 발명의 실시예들은, 에너지의 가용성, 외부 온도, 열 네트워크에서의 온도 및 유량, 전기 그리드의 상태(전압, 주파수, 전류 등)와 같은, 적어도 하나의 외부 파라미터에 자신의 액션의 기반을 두는 내부 제어기로 가장 잘 작동한다. 따라서 센서 또는 데이터 흐름이 가로채기되고, 이 정보가 조작되며 이것은 내부 제어기에 의해 이루어지는 결정에 영향을 미친다. 이러한 조작에 대한 시스템의 응답이 학습되고, 이로부터 본 발명의 실시예들은 시스템이 일련의 조작된 데이터에 의해 어떻게 스티어링될 수 있는지를 계산할 수 있다.
본 발명의 실시예들은 반응 함수, 예를 들어, 파라미터들에서 선형이고 조작된 파라미터들에서 선형인 선형 반응 함수를 사용할 수 있다. 이것은 본 발명의 실시예들이 그러한 반응 함수를 외부 제어기에서 아핀 함수(affine function)로서 사용할 수 있게 해준다. 외부 목적들 및 제약조건들에 대한 수치 안정적 솔루션(numerical robust solution)이 계산될 수 있도록 이 속성이 유용하다. 그렇지만, 시스템 파라미터들에서도 볼록이고 제어 파라미터들에서도 볼록인 볼록 함수들 또는 시스템 파라미터들 및/또는 제어 파라미터들과 비선형 관계들을 가지는 비선형 함수들과 같은, 비선형인 반응 함수들이 또한 사용될 수 있다. 이들이 사용되면, 제어기가 최적으로 기능한다고 더 이상 보장할 수 없다(수학적 의미에서: 수렴이 보다 느리거나 부재할 수 있으며, 탐색 알고리즘들에서 로컬 최소치(local minima)가 발생할 수 있고, 기타임).
본 발명의 실시예들은 다음 시간 기간, 예컨대, 24 시간에 대한 네트워크의 에너지 소비량 - 즉, 기준 소비량 - 을 추정하기 위해 예측자(forecaster)를 제공한다.
제어 목적들(피크 쉐이빙(peak shaving)/전기 시장 상호작용/셀 밸런싱(cell balancing))를 제공하는 플래너는, 이 예측(forecast) 및 건물의 반응 함수들을 고려하여, 달성될 수 있는 최적의 클러스터 소비 프로파일을 결정할 수 있다.
최적의 소비 프로파일을 추종/트래킹하는 데 필요한 개별 제어 신호들을 사용하는 디스패처-트래커(Dispatcher-Tracker)가 제공된다.
플래너 및 트래커의 추가 실시예들은 아래에서 주어지며 도 5 내지 도 18을 참조하여 설명된다.
컴퓨터 및 일부 하드웨어와 같은 디지털 프로세싱 디바이스는 센서들 또는 다른 데이터 채널들의 출력들을 조작하는 데 사용될 수 있다. 데이터 흐름들을 대체하기 위해 컴퓨터 및 일부 하드웨어가 사용될 수 있다. 컴퓨터 및 일부 하드웨어와 같은 디지털 프로세싱 디바이스가 실내 작성된 예측자(indoor written forecaster)를 제공하는 데 사용될 수 있거나, 외부 예측들이 사용될 수 있다. 시스템을 원하는 방향으로 스티어링하기 위해 일부 외부 변수들이 조작된다. 본 발명의 실시예들은 시스템, 예컨대, 제어 가능한 건물들로부터 이들이 조작된 온도들에 어떻게 응답하는지를 학습한다.
즉 응답들에 의한, 시스템의 반응이 컴퓨터에 의해 학습되고 시스템의 응답이 자체 목적들을 위해 사용될 수 있는 외부 제어에 통합된다. 이러한 반응 함수들은 그 건물들을 제어하고 피크 수요를 피하는 데 사용된다.
본 발명의 일 실시예는 방법(100)(도 3 참조)이다:
1. 하나 이상의 액세스가능한 센서 또는 데이터 채널로부터의 외부 신호들이 오버라이트될 수 있도록 이러한 센서들 또는 데이터 채널들이 식별된다(단계(102)). 내부 제어기는, 날씨 데이터, 예보들, 외부 온도들, 에너지 가용성과 같은, 일부 외부 데이터에 종종 의존한다. 이러한 내부 시스템들은, 진입될 수 없는, 자체 제어 시스템을 갖는다. 그러나 이러한 외부 데이터는 내부 제어기에 의해 이루어지는 결정에 영향을 미친다. 이러한 외부 데이터 흐름들 및/또는 센서들을 제압함으로써, 내부 제어기가 스티어링된다.
2. 시스템이 이러한 외부 파라미터들의 변화들에 어떻게 반응하는지가 학습된다(단계(104)). 이 부분은, 시스템의 동적 응답을 특징들의 변화들에 관련시키는, 예를 들어, 머신 러닝 기술들에 기반한다. 이러한 특징들은 조작된 데이터를 포함한다. 반응 함수가 복소(complex), 시변(time varying) 등일 가능성이 매우 높다.
3. 이 반응 함수는 외부 목적들 및 제약조건들에 따라 시스템을 스티어링하는 데 사용된다(단계(106)). 이것은 그리드 내의 내부 시스템들을 스티어링할 수 있는 외부 개장된 제어기들이 구성될 수 있게 해준다. 내부 제어기들을 스티어링하는 것이 볼록 최적화(convex optimization), 다중 슈팅(multiple shooting) 등과 같은 최적화 방법들에 의해 행해질 수 있다.
독립형 디바이스일 수 있거나 다른 전자 컴포넌트에 내장될 수 있는 외부 개장된 제어기가 사용될 수 있다. 개장 제어기는 (비일시적 컴퓨터 판독가능 매체, RAM 및/또는 ROM과 같은) 메모리, 운영 체제, 임의로 OLED 디스플레이와 같은 고정 포맷 디스플레이와 같은 디스플레이, 키보드와 같은 데이터 입력 디바이스들, "마우스"와 같은 포인터 디바이스, 네트워크에 접속하기 위해 다른 디바이스들, 네트워크 카드들 및 접속부들과 통신하기 위한 직렬 또는 병렬 포트들을 가질 수 있다.
예를 들어, 개장 제어기가 전기 분배 그리드의 제약조건들 및 타깃 목적들을 고려하면서 적어도 하나의 파라미터를 조작하도록 동작할 수 있도록, 개장 외부 제어기의 메모리는 전기 분배 그리드의 제약조건들 및 타깃 목적들을 저장하는 데 사용될 수 있다. 조작된 파라미터는 외부 액세스가능한 데이터 흐름(예컨대, 채널)의 출력 신호 또는 외부 센서 출력일 수 있고, 그의 조작은 내부 제어기에 의해 이루어지는 결정에 영향을 미치며, 그로써 내부 제어기를 스티어링한다. 부가의, 예컨대, 개장 외부 제어기는, 예컨대, 내부 제어기를 제압함이 없이 외부 목적들 및 제약조건들을 충족시키며, 그로써 피제어 시스템의 내부 제약조건들이 또한 충족될 수 있도록 보장하도록 내부 제어기 동작을 변경하거나 스티어링하기 위해 이전에 학습된 반응 함수에 따라 외부 액세스가능 데이터 흐름(예컨대, 채널)의 하나 이상의 출력 신호, 외부 센서 측정치 또는 출력 및/또는 하나 이상의 외부 데이터 채널을 조작하며, 예컨대, 오버라이트하거나 제압한다.
예를 들어, 외부 온도 센서(5)로부터의 출력이 조작될 수 있고 외부 온도의 조작된 값들이 BMS(4)에 제공될 수 있다. 본 발명의 실시예들에 따른 개장을 위한 외부 제어기는 보다 간단한 선형 응답 모델들보다 더 복잡한 머신 러닝 기술들을 사용함으로써 개선될 수 있다. 보다 복잡한 머신 러닝 기술들은, 강화 학습(reinforcement learning), 바닐라 신경 네트워크들(vanilla neural networks), 컨볼루션 신경 네트워크들(convolutional neural networks), LSTM들, 결정 트리들 등과 같은, 머신 러닝 모델들을 포함한, 볼록 또는 비선형 모델들일 수 있다.
본 발명의 실시예들은 로컬 시스템의 제어를 인계받을 필요가 없기 때문에 다른 기술들과 상이하다. 그 대신에 이들은 기존의 제어기들에 대한 애드온(add-on)이다.
본 발명의 실시예들은 시스템의 응답을 학습한다. 따라서 시스템 또는 그의 거동이 시간상 변하더라도, 이것이 트래킹될 수 있다.
본 발명의 실시예들은 스케일링가능하고 구성가능하다. 자신의 내부 제어기를 갖는 내부 시스템은, 자체 로컬 목적들 및 제약조건들을 갖는 몇 개의 디바이스들을 스티어링하는, 다른 암시적 제어기일 수 있다.
본 발명의 실시예들은 난방 또는 냉방 네트워크 내의 디바이스들을 스티어링하는 데 적용될 수 있다.
본 발명의 실시예들은 전기 분배 네트워크 내의 디바이스들을 스티어링하는 데 적용될 수 있다.
본 발명의 실시예들은 BRP의 포트폴리오 내의 디바이스들을 스티어링하는 데 적용될 수 있다.
본 발명의 실시예들은 다음 중 하나, 일부 또는 전부를 스티어링 시스템에 제공한다:
본 발명의 실시예들이 사용될 수 있는 시스템은 디바이스 또는 디바이스들의 세트 및 내부 제어기로 이루어져 있거나 이들을 포함한다. 내부 제어기의 제어 부분들(controlling parts)에 대한 액세스가 없다고 가정한다. 디바이스 또는 디바이스들의 세트는 전력을 제공하는 전기 및/또는 열 그리드에 접속된다. 내부 제어기는, 예를 들어, 다음의 것에 기반하여 디바이스들을 스티어링한다
(i) 고정된 외부 파라미터들의 세트;
(ii) 조작된 파라미터들의 세트. 내부 제어기는 제어가능한 외부 파라미터들을 고정된 외부 파라미터들과 구별하지 않으며 보통은 구별할 수 없다.
본 발명의 일 실시예는 다음과 같이 설명될 수 있다. 디바이스(들)가 전기 및/또는 열 네트워크에 접속되고 에너지를 소비하며 그리고/또는 에너지를 분배한다. 이 네트워크는, 최대 전력, 소비량과 생산량 간의 평형 등과 같은, 일련의 제약조건들을 받는다. 그리드 제어 시스템은 이러한 제약조건들이 충족되도록 보장하거나 보장하는 것을 목표로 한다. 열 네트워크에서, 그리드 제어 시스템은 열 생산량을 단순히 스티어링할 수 있고; 전기 그리드에서, 그리드를 안정적으로 유지하기 위해 큰 일련의 예비 용량, 에너지 시장 메커니즘들, 부하 흐름 계산들이 수행된다. 디바이스의 내부 제어기는 그리드 제어기의 상태를 거의 인식하지 못하며, 설비의 안전, 편의 설정들을 충족시키는 것 등과 같은, 내부 제약조건들을 충족시키는 것만을 목표로 하고 있다. 외부 제어기, 예컨대, 본 발명의 실시예들 중 임의의 것에 따른 개장된 제어기의 목표는 그리드 제어 시스템을 내부 제어기에 링크시키는 것이다. 내부 제어기가 직접 인터페이스를 갖지 않기 때문에, 이것이 어렵지만 불가능하지는 않다. 본 발명의 실시예들에서, 내부 제어기를 스티어링하기 위해 하나의 액세스가능한 외부 변수 또는 외부 변수들 중 일부가 조작될 수 있다. 이것이 바로 외부 제어기의 역할이다. 하나의 액세스가능한 외부 변수 또는 일부 외부 변수들을 조작함으로써, 외부 제어기는 그리드에서의 상황들에 보다 잘 반응하도록 시스템을 (부분적으로) 스티어링할 수 있다.
본 발명의 일 실시예는 도 4에 개략적으로 도시된 바와 같이 내부 제어기(27)를 포함한 제어 시스템을 갖는 시스템(22)에 관한 것이다. 제어 시스템 및 내부 제어기(27)는 서드파티들에 의해 직접 액세스되거나, 적합화되거나 또는 조정될 수 없다. 시스템(22)의 내부 제어기(27)는 서드파티들에 의해 액세스가능하지도 않고 조정가능하지도 않은 외부 파라미터들(29)의 값들을 수신한다. 본 발명의 실시예들의 수정들에서, 내부 제어기 시스템(22)은, 열 및/또는 전기 분배 그리드(11)와 같은, 다른 시스템에 접속되고, 이 그리드(11)는, 비용 최소화와 같은, 일정 목적들, 및, 제한된 용량과 같은, 일정 제약조건들을 갖는다. 본 발명의 이러한 실시예는 내부 제어기 또는 내부 제어기들(27)을 제압하지 않으면서 이러한 외부 목적들 및 제약조건들에 적어도 부분적으로 따라 시스템(22)의 스티어링을 가능하게 해준다. 이것은 시스템(22)이 외부 목적들 및 제약조건들에 따라 스티어링되면서, 공급 보장과 같은, 내부 제약조건들이 충족되도록 보장된다는 것을 의미한다.
외부 제어기(16)는 외부 온도와 같은 제어가능하고 액세스가능한 외부 파라미터들(24)의 값들을 조작하고 이러한 조작된 값들을 암시적 제어 신호를 통해 내부 제어기(27)에 전달한다. 내부 제어기는 조작되지 않은 고정된 외부 파라미터들(29)을 또한 수신할 수 있다. 내부 제어기는 내부 제어 신호들을 통해 시스템(22)의 디바이스들(28)을 제어한다. 디바이스들(28)에 대한 전기 및/또는 난방 또는 냉방 전력은 보다 큰 그리드 시스템(11)의 일부일 수 있는 전기 및/또는 열 그리드(12)에 의해 제공된다. 그리드 시스템(11)은 개장된 외부 제어기(16)와 통신하는 그리드 제어 시스템(14)을 갖는다. 따라서 그리드(11)의 상태 및 그리드 제어기(14)의 제약조건들 및 목적들은 외부 제어기(16)에 알려져 있다.
그리드 제어기 시스템(14)의 요구들에 따라 시스템(22)을 스티어링하기 위해, 외부 제어기(16)는 바람직하게는 제어가능한 외부 변수들(24)이 조작될 때 시스템(22)이 어떻게 반응할지를 예측하기 위한 툴들을 갖는다. 따라서 외부 제어기(16)는 시스템이 외부 변수들(24)의 변화들에 어떻게 반응할 것인지를 학습할 필요가 있다. 이러한 학습은 2개의 페이즈(phase)로 이루어져 있다. 제1 페이즈에서, 그것은 시스템(22)과 대화(dialogue)할 것이고 가능한 한 많은 정보를 검색하기 위해 어떤 외부 파라미터들을 선택할지를 학습할 것이다. 제2 페이즈에서, 그것은, 임의의 주어진 상황에서 시스템(22)이 어떻게 반응하거나 응답할지를 알려주는, 반응 함수를 구성할 것이다.
반응 함수는 에너지 소비량을 일련의 특징들의 함수로서 예측하는 함수이다. 이러한 특징들은, 어쩌면 일부 부가 변수들 및 조작된 외부 변수들(24)과 함께, 외부 변수들(이들 중 적어도 일부)을 포함한다. 외부 제어기(16)는, 시스템(22)의 내부 제어기(27)에 적용될 수 있는, 최적의 암시적 제어 신호들을 추정하기 위해 반응 함수를 사용할 수 있다.
반응 함수는 식별된 파라미터 추정 및 모델 선택으로 구성될 수 있다. 시스템(22)과의 대화가 최적화될 수 있다. 시변 응답도 역시 핸들링될 수 있도록, 반응 함수가 일반화될 수 있다.
외부 개장된 제어기(16)는 독립형 디바이스일 수 있거나 다른 전자 컴포넌트에 내장될 수 있다. 개장 제어기(16)는 (비일시적 컴퓨터 판독가능 매체, RAM 및/또는 ROM과 같은) 메모리, 운영 체제, 임의로 OLED 디스플레이와 같은 고정 포맷 디스플레이와 같은 디스플레이, 키보드와 같은 데이터 입력 디바이스들, "마우스"와 같은 포인터 디바이스, 네트워크에 접속하기 위해 다른 디바이스들, 네트워크 카드들 및 접속부들과 통신하기 위한 직렬 또는 병렬 포트들을 가질 수 있다.
예를 들어, 개장 제어기가 전기 분배 그리드의 제약조건들 및 타깃 목적들을 고려하면서 적어도 하나의 파라미터를 조작하도록 동작할 수 있도록, 개장 외부 제어기(16)의 메모리는 전기 분배 그리드의 제약조건들 및 타깃 목적들을 저장하는 데 사용될 수 있다. 조작된 파라미터는 외부 액세스가능한 데이터 흐름(예컨대, 채널)의 출력 신호 또는 외부 센서 출력일 수 있고, 그의 조작은 내부 제어기에 의해 이루어지는 결정에 영향을 미치며, 그로써 내부 제어기를 스티어링한다. 부가의, 예컨대, 개장 외부 제어기는, 예컨대, 내부 제어기를 제압함이 없이 외부 목적들 및 제약조건들을 충족시키며, 그로써 피제어 시스템의 내부 제약조건들이 또한 충족될 수 있도록 보장하도록 내부 제어기 동작을 변경하거나 스티어링하기 위해 이전에 학습된 반응 함수에 따라 외부 액세스가능 데이터 흐름(예컨대, 채널)의 하나 이상의 출력 신호, 외부 센서 측정치 또는 출력 및/또는 하나 이상의 외부 데이터 채널을 조작하며, 예컨대, 오버라이트하거나 제압한다. 예를 들어, 외부 온도 센서(5)로부터의 출력이 조작될 수 있고 외부 온도의 조작된 값들이 BMS(4)에 제공될 수 있다.
반응 함수의 특징들
반응 함수의 목표는 일부 알려진 변수들 - 이 변수들은 특징들이라고 불릴 것임 - 에 기초하여, 에너지 소비량, 예컨대, 전기 및/또는 난방/냉방 에너지 소비량을 예측하는 것이다. 예측 자체가 출력이라고 불린다. 특징들의 서브세트는 외부 제어기(16)에 의해 내부 제어기(27)에 제공되는 암시적 제어 신호들이다.
특징 벡터의 가능한 내용은 다음과 같다(비-제한적이고 비-전면적인 리스트):
- 요일
- 연중 일 및 공휴일
- 하루 중 시간
- 경제 활동
- 주식 시세
- 상품 가격
- 일기 예보
- 에너지 소비량 예측
- 에너지 시세
- 에너지 시장 예측.
- ...
- 최근에 사용된 암시적 제어 신호
- 암시적 제어 신호
특징 벡터(feature vector)는 f 라고 불리고 출력은 y라고 불린다.
반응 함수
반응 함수는 특징들과 출력 간의 수학적 관계이다. 가장 명백한 관계는 선형 관계이며, 이에 의해 출력은 모든 특징들의 간단한 선형 결합(및 임의로 상수)이다. 선형 관계의 주요 장점은 파라미터들의 추정이, 솔루션을 체크하는 데 사용될 수 있는, 많은 알려진 속성들을 갖는 안정적 프로세스라는 것이다. 게다가, 간단한 비선형성들이 특징 테이블(feature table)에 선형 관계들로서 인코딩될 수 있다.
반응 함수의 성질은 비선형일 수 있으며, 예컨대, 시스템이 포화되면 이러할 수 있다. 예를 들어, 공장은 전기 가용성의 50% 저하에 의해 야기된, 전기 가용성의 증가에 반응할 수 있다. 예를 들어, 공장은 그의 디바이스들 전부를 스위치 온할 수 있다. 가용성의 추가적 저하가 있으면, 예컨대, 또 한번의 50%의 추가적 저하가 있으면, 어떠한 부가 반응도 없을 것인데, 그 이유는 모든 디바이스들이 이미 스위치 온되었기 때문이다. 그러한 포화된 응답은 선형 응답으로 모델링하기 어렵다. 머신 러닝 커뮤니티에서, 이러한 상황을 다루기 위해 서포트 벡터 머신들, 신경 네트워크들, 로지스틱 회귀(logistic regression) 등과 같은, 광범위한 솔루션들이 제안되었다.
반응 함수는 다음과 같이 작성될 수 있으며
[수학식 1]
여기서 H는 특징들 f의 함수 (1xM 벡터)이고 y는 장래에서의 에너지 소비량을 갖는 벡터(Nx1)이다. 이것은 선형 경우에
[수학식 2]
로 단순화된다(θ는 MxN 행렬임).
이 응답은 2가지 제약조건이 있다.
1. 시불변성(Time invariance)
시간 t + n에서의 소비량에 대한 시간 t에서의 (예컨대, 외부 제어기(16)로부터 내부 제어기(27)로의) 암시적 제어 신호의 영향은 시간 t + n + m에서의 소비량에 대한 시간 t + m에서의 그의 영향과 동일해야만 하며, 여기서 n 및 m 둘 다는 양수들이다.
2. 반인과성(Anti-causality)
실제로는 시간 t에서의 암시적 제어 액션이 시간 t - n에서의 소비량에 영향을 미치는 것이 가능하지 않으며 여기서 n은 양수이다.
파라미터들의 추정
특징들의 시계열 및 출력의 시계열이 사용가능하다고 가정된다. 이들은, 암시적 제어 신호들을 적용하고 시스템의 실제 응답들을 측정함으로써, 수집될 수 있다. 파라미터들의 추정은 사용되는 방법에 의존한다. 대부분의 머신 러닝 기술들에 대해, 파라미터 추정 방법들이 이용가능하다. 선형 경우에 대해, θ 행렬을 식별하는 데 최소 제곱 추정량(least square estimator)이 사용될 수 있다.
[수학식 3]
단,
이러한 방정식들은 공개적으로 이용가능한 소프트웨어로 쉽게 해가 구해질 수 있으며, 예를 들어, [Michael Grant and Stephen Boyd. CVX: Matlab software for disciplined convex programming, version 2.0 beta. http://cvxr.com/cvx, September 2013; Michael Grant and Stephen Boyd. Graph implementations for nonsmooth convex programs, Recent Advances in Learning and Control (a tribute to M. Vidyasagar), V. Blondel, S. Boyd, and H. Kimura, editors, pages 95-110, Lecture Notes in Control and Information Sciences, Springer, 2008. http://stanford.edu/~boyd/graph_dcp.html]을 참고한다.
모델의 식별
"모델의 식별"이란, 특징들의 세트에서, 어느 특징들이 관련성이 있고 어느 것들이 그렇지 않은지를 식별해주는 규칙들이 제공됨을 의미한다. 가능한 한 많은 특징들을 사용하는 것이 항상 좋은 생각인 것은 아닌데, 그 이유는 일부 특징들이 예측을 개선시키기 않기 때문이다. 그렇지만, 이러한 특징들과 연관된 파라미터들은 얼마간의 불확실성을 가지며 이러한 불확실성은 예측의 정밀도를 저하시킬 것이다. 그 때문에, 이러한 특징들을 배제하는 것이 보다 좋다. 유의미한 특징들을 식별해주기 위한 일부 규칙들이 있다.
어느 특징들이 예측을 개선시키는지 그리고 어느 특징들이 유의미하지 않은지를 식별하기 위한 하나의 방식은, 예를 들어, AIC [Akaike, Hirotugu. "A new look at the statistical model identification." IEEE transactions on automatic control 19.6 (1974): 716-723.], BIC [Schwarz, Gideon. "Estimating the dimension of a model." The annals of statistics 6.2 (1978): 461-464.] , MDL [Rissanen, Jorma. "Modeling by shortest data description." Automatica 14.5 (1978): 465-471.] 등과 같은, 정보 기준들의 사용이다. 이들은, 잔존 비용 함수(residual cost function)(C), 관찰들의 횟수(Nobs) 및 자유 파라미터들의 개수(Npar - Ncon)에만 기초하여, 정밀도와 정확도 사이의 잘 균형된 트레이드오프를 제안할 수 있다.
[수학식 4]
실제로, 모든 가능한 특징들의 세트에 대한 파라미터들을 최적화하고 가장 낮은 기준들을 갖는 그 세트를 선택한다. 부가적으로, 다른 특징 선택 기준들이 사용될 수 있고, 가장 간단한 것은 고도로 상관된 2개의 특징을 포함하지 않는 것인데, 그 이유는 이들이 동일한 기본 정보를 제공할 가능성이 많기 때문이다.
시스템과의 대화
실제 응용들에서, 이 방법은 개장된 제어기(16)가 단일 특징을 조작하고 시스템으로부터 응답을 수신하는 것으로 시작될 수 있다. 둘 다에 기초하여, 반응 함수의 구성이 개시될 수 있다. 다음 반복에서, 새로운 특징들이 제공/조작되고 새로운 응답이 수신된다. 시스템이 잘 설명될 때까지 이 절차가 반복될 수 있다. 시스템과의 이러한 대화가 최적화될 수 있으며; 예컨대, 정확한 응답 모델들에 보다 빨리 이르게 하는 암시적 제어 신호들이 식별될 수 있다. 시스템의 응답을 가능한 한 신속하고 정확하며 정밀하게 학습하는 것이 중요할 수 있다. 임의의 다른 대화들이 보다 느리게 학습될 것임이 증명될 수 있다.
공식적으로, 피셔(Fisher) 정보 행렬을 최대화하는 암시적 제어 신호들이 발견될 수 있으며, [Fedorov, Valerii Vadimovich. Theory of optimal experiments. Elsevier, 1972.]를 참고한다. 피셔 정보 행렬은 수학식 5에 의해 주어지며
[수학식 5]
여기서 Σ는 출력의 공분산 행렬이다. 출력 상에서의 측정 불확도(measurement uncertainty)가 독립적으로 동일하게 분포된 잡음(independently identically distributed noise)이라고 가정하면, 이 공분산 행렬은 대각 행렬이며, 상수 대각선(constant diagonal)
[수학식 6]
을 갖는다.
목표는 이 FIM을 최대화하는 것이며,
[수학식 7]
상수는 드롭되는데, 그 이유는 그것이 최대화에 영향을 미치지 않기 때문이다. 이는, cvx와 같은, 상업적으로 이용가능한 솔버들(solvers)에 의해 해결될 수 있는 볼록 문제와 같이 제기될 수 있으며, [Michael Grant and Stephen Boyd. CVX: Matlab software for disciplined convex programming, version 2.0 beta. http://cvxr.com/cvx, September 2013; Michael Grant and Stephen Boyd. Graph implementations for nonsmooth convex programs, Recent Advances in Learning and Control (a tribute to M. Vidyasagar), V. Blondel, S. Boyd, and H. Kimura, editors, pages 95-110, Lecture Notes in Control and Information Sciences, Springer, 2008. http://stanford.edu/~boyd/graph_dcp.html]을 참고한다. 암시적 제어 신호 u가 제약조건일 가능성이 가장 높다. 이러한 제약조건들은 쉽게 통합될 수 있다.
시변 시스템들/칼만 필터
특징들과 출력 간의 관계는 시간상 천천히 변할 수 있다. 이것은 모델에서 명시적으로 고려될 필요는 없지만 필터링에 의해 처리될 수 있다. 이것을 처리하는 하나의 방식은, 변하는 파라미터들을 트래킹할, 예컨대, 칼만 필터를 구현하는 것이다.
선형 모델에 대한 칼만 업데이트 스킴은 다음과 같다.
[수학식 8]
[수학식 9]
[수학식 10]
여기서 K는 칼만 이득이고, 
는 응답 모델의 파라미터들의 공분산 행렬이며, 
는 신비 프로세스 잡음(mystic process noise)이고, 
는 업데이트된 파라미터들이며, 
는 업데이트된 파라미터 공분산 행렬이다.
제어 문제/솔루션
외부 제어기(16)는 그리드 목적들 및 제약조건들이 충족될 수 있도록 시스템(22)을 스티어링하기 위해 반응 함수를 사용할 수 있다. 아래에서 설명될 것인 바와 같이 많은 목적 함수들이 가능하다.
일반적으로, 목적 함수는 전기 및 난방 에너지 소비량들 E 및 Q의 함수로 표현될 수 있다
[수학식 11]
유일한 관심사가 에너지 소비량을 어떤 한도 내로 유지하는 것이면,
[수학식 12]
열이 펠릿 설비와 같은 보다 저렴한 설비(또는 재생 에너지 소스를 설비) 및 보다 고가의 (예컨대, 화석 연료) 오일 설비에 의해 제공되어야 하는 경우,
[수학식 13]
여기서 
은 펠릿 설비의 에너지 가격이고, 
는 펠릿 설비(또는 재생 에너지 소스)의 최대 에너지 생산량이며 
은 (화석 연료) 오일 설비의 에너지 가격이다. max 연산자는 이것이 포지티브일 때마다 
을 반환하고 그렇지 않으면 0을 반환한다.
에너지 소비량이 하루전 시장에서 매입되고 시스템이 그의 불균형 포지션에 책임이 있는 경우
[수학식 14]
여기서 
은 하루전 시장에서 매입된 에너지이고, 
은 하루전 시장에서의 에너지 가격이며 
와 
는 제각기 네거티브 및 포지티브 불균형 가격이다. min 연산자는 이것이 네거티브일 때마다 
를 반환하고 그렇지 않으면 0을 반환하며 max 연산자는 이것이 포지티브일 때마다 
를 반환하고 그렇지 않으면 0을 반환한다.
수학적으로 수식화될 수 있는 임의의 목적은 목적 함수로서 작성될 수 있고 사용될 수 있다.
외부 제어기의 전반적인 목표는 다음과 같은 문제를 해결하는 것이다.
[수학식 15]
단,
여기서 FE는 사용되지만 조작되지 않는 특징들이고 uE는 조작될 수 있는 특징들이다.
아래 첨자 E는 이들이 전기 에너지를 스티어링하는 데 사용됨을 표기하며, 아래 첨자 Q는 열 에너지를 표기한다.
심벌 아래의 바(bar)는 하한을 의미하고 심벌 위의 바는 그의 상한을 의미한다.
결과들
예: 열 네트워크
이 시스템은 열 네트워크에 접속된 약 175개의 건물을 갖는다. 그 중 10개는 스티어링될 수 있고, 나머지 건물들은 에너지를 소비하기만 할 수 있다. 그렇지만, 이러한 10개의 건물이 네트워크의 연간 열 소비량의 약 절반을 나타낸다. 열은 2개의 설비에 의해 제공된다. 제1 설비는 2.7 MW를 제공할 수 있는 목재 칩 보일러 설비(또는 재생 에너지 소스들을 사용하는 것)이다. 이것이 모든 건물들을 난방하기에 충분하지 않다면, 오일 기반(또는 다른 화석 연료) 설비가 추가의 3MW를 제공할 수 있다. 건물들 중 임의의 것을 직접 스티어링하는 것은 가능하지 않지만, 건물들이 조작된 외부 온도들에 어떻게 반응하는지를 학습하고 건물들을 스티어링하기 위해 이러한 액세스가능한 센서들을 사용하는 것은 가능하다. 제어 메커니즘이 난방 비용을 최소화하기 위해 사용되었을 수 있지만, 오일 기반 설비의 사용을 피하기 위해서만 사용된다. 이러한 방식으로, CO2 배출량이 절감된다. 제어 알고리즘은 표 5에 주어진 바와 같은 파라미터 설정을 사용함으로써 튜닝되었다. 목재 칩 보일러 설비의 비용이 0으로 설정됨에 유의해야 한다. 이러한 선택의 결과는 목재 칩 보일러 설비에 의해 얼마나 많은 열이 제공되는지가 목적 함수에 중요하지 않다는 것이다.
트레이닝
제어가능한 건물들의 데이터는 3개의 부분: 트레이닝 세트, 유효성 검사 세트 및 테스트 세트로 분할될 수 있는 데이터 세트들이다. 트레이닝 세트는 테스트 세트에 대해 응답 모델들을 매칭시키는 데 사용된다. 유효성 검사 세트는 응답 모델들의 품질을 체크하는 데 사용되었고 테스트 세트는 열 네트워크를 스티어링하는 데 사용된다.
예측의 품질이 시간상 감소되지 않는다는 것을 알 수 있다. 표 6은 모든 제어가능한 건물들에 대한 최대 24 시간 전 S의 MAPE(Mean Average Prediction Error)의 개요를 제공한다. 이러한 MAPE들은 10%와 30% 사이에서 변하고 이는 타당하게 양호하며, 따라서 본 발명의 실시예들에 따른 방법은 조작된 외부 온도에 대한 건물의 응답을 타당한 정도로 식별할 수 있다. 이러한 반응 함수는 일부 공통 제약조건들 및 목적 함수들에 따라 건물들의 클러스터를 스티어링하는 데 사용될 수 있다.
외부 제어기(16)
본 발명의 실시예들의 따른 외부 제어기는 공통 제약조건들 및 공통 목적들이 충족될 수 있도록 시스템을 스티어링하기 위해 반응 함수들을 사용할 수 있다.
외부 제어기의 목표는, 예를 들어, 화석 연료, 예컨대, 오일 기반 설비의 사용을 최소화하고 가능한 한 많은 열을 펠릿 기반과 같은 재생 에너지 설비에 제공하는 것일 수 있다. 이 실험에서, 펠릿 설비 단독으로 모든 필요한 열을 제공할 수 없는 상황을 유발하기 위해 열 수요가 70%만큼 증가된다.
여기서 사용되는 특징들은 과거의 조작된 온도들, 현재 및 장래의 조작된 온도들, 건물의 과거 열 소비량, 예측된 외부 온도, 하루 중 시간, 및 요일과 연중 일이다.
[수학식 16]
[수학식 17]
단,
[수학식 18]
[수학식 19]
[수학식 20]
[수학식 21]
여기서
[수학식 22]
는, 수학식 23에서 최소화되는, 목적 함수이다.
[수학식 23]
[수학식 24]
에서의 마지막 항은 패널티 항(penalty term)이며, 이는, 이것이 비용을 낮추지 않는 경우에, 조작된 온도를 실제 외부 온도에 가깝게 유지한다. α는 작은 숫자이고 
는 외부 온도이다.
이러한 최소화는 다음과 같은 제약조건들을 받는다:
- 
(수학식 18)
반응 함수의 특징들;
- 
(수학식 19)
선형 응답 모델
- 
(수학식 20)
열 소비량에 대한 한계치들
- 
(수학식 21)
조작된 온도에 대한 한계치들
이 실험에서, 건물들은 잘 반응하였고 소비량이 피크에 도달한 순간들 동안 예측된 것보다 적은 에너지를 소비하였다. 제어가 피크 소비량보다 얼마간의 시간 이전에 조작된 온도들이 실제 외부 온도보다 낮은 것에 의해 영향을 받았다. 이것은 펠릿(예컨대, 재생 에너지 소스) 설비에 의해 커버된 이전의 열 소비량의 증가를 야기하여, 피크 부하를 예상하여 온도가 증가하는 것을 결과하였다. 이것은 건물이, 본 발명 없었다면, 펠릿(예컨대, 재생 에너지 소스) 설비의 용량을 초과했을 피크 부하 동안 보다 적은 에너지를 소비할 수 있게 하였다. 최대 피크 부하(full peak load)까지의 운전에 대해 펠릿(예컨대, 재생 에너지 소스) 설비를 보다 집중적으로 사용함으로써, 피크 부하 동안의 실제 소비량이 감소되었다. 따라서 외부 제어기는 시스템의 다이내믹스(dynamics)를 사용하고 사전에 예상할 수 있다.
제어가능한 및 제어불가능한 건물들을 포함한, 클러스터의 열 소비량이 개선되었다. 개장된 외부 제어기의 동작은 열이 펠릿(예컨대, 재생 에너지 소스) 설비에 의해서만 제공되는 것을 결과하였고, 오일 기반 설비의 소비량은 제어되지 않는 상황에서보다 상당히 더 낮았다. 따라서 외부 제어기는 열 소비량이 최대 용량보다 약간 더 높은 시스템의 다이내믹스를 사용할 수 있지만, 외부 제어기는 펠릿(예컨대, 재생 에너지 소스) 설비만으로 열을 제공할 수 있다.
소비량의 피크가 다가오면, 외부 제어기는 보다 낮은 외부 온도들을 내부 제어기들에 전달함으로써 열 소비량을 증가시킨다. 제어가능한 건물들은 피크 이전의 시간들에서 실제 온도들보다 낮은 조작된 온도를 수신한다. 모든 건물들이 동일한 방식으로 반응한 것은 아니며, 일부 건물들은 보다 빠른 다이내믹스를 갖는 반면 다른 건물들은 마지막 시간에만 반응하기 시작하였다. 외부 제어기는 또한 시스템의 운영 비용을 낮출 수 있었다.
온라인 학습
본 발명의 실시예들에서, 모델 파라미터들은 배치로(on a batch) 트레이닝될 수 있다. 트레이닝을 위한 데이터의 선택에 따라, 모델 파라미터들의 값들이 크게 변할 수 있다. 이것은 파라미터 값들이 시간상 일정하지 않음을 의미한다. 예를 들어, 일부 파라미터들이 비가 오는 날과 비교하여 맑은 날 동안 상이한 값들을 갖는 것 또는 겨울 파라미터들이 여름 파라미터들과 상이한 것 등이 가능할 수 있다. 본 발명의 실시예들은 모델이 어떻게 진화할 것인지를 다루고 있다. 상수 파라미터들을 개선시키기 위해, 필터 또는 필터들이 사용될 수 있다. 느린 파라미터 변동들을 고려하기 위한 하나의 강력한 방식은 칼만 필터에 의한 것이다. 입자 필터들, 앙상블 칼만 필터들, 확장 칼만 필터들 등과 같은, 많은 다른 필터들이 문헌에서 이용가능하다.
표준 칼만 필터와 함께 사용하기 위해, 다음과 같은 것이 가정된다
>> 모델이 파라미터들에서 선형임(이는 올바름) 및
>> 외란들이 정규 분포되어 있음, 이는 올바르지 않음. 온수 수요는 열 수요에서의 큰 피크들을 야기한다.
데이터는 트레이닝 세트, 유효성 검사 세트 및 테스트 세트로 분할되었다. 이 실험의 경우, 테스트 세트가 사용된다.
실험에서의 일부 건물들에 대해, 칼만 필터가 사용될 때 예측 에러들이 크게 감소되었다. 예측하기가 거의 불가능한 온수 소비량 피크들에 대해서도, 칼만 필터는 개선을 제공하였다.
전체 실험에 걸쳐 평균된 예측 에러들은 일반적으로 평균 20 내지 50% 개선된다. 조작된 온도의 일정 선택들은 모델 파라미터들을 추정/업데이트하는 데 보다 유익하고 보다 도움이 될 수 있다. 피셔 정보 행렬의 대각합(trace)을 최대화하는 것은, 건물이 펠릿들로만 난방될 때, 조작된 온도들의 제곱을 최대화하는 것을 결과할 수 있다.
외부 개장 제어기의 본 발명의 일 실시예는 소프트웨어, 즉 하나 이상의 컴퓨터 프로그램으로 프로그래밍된 각자의 기능들을 수행하도록 적합화된 하나 이상의 마이크로프로세서, 프로세서, 마이크로컨트롤러, 또는 중앙 프로세싱 유닛(CPU) 및/또는 그래픽 프로세싱 유닛(GPU)을 포함하는 프로세싱 능력을 갖는 디지털 디바이스에 의해 구현될 수 있다. 소프트웨어는 마이크로프로세서들, 프로세서들, 마이크로컨트롤러들, 또는 중앙 프로세싱 유닛들(CPU) 및/또는 그래픽 프로세싱 유닛들(GPU) 중 임의의 것 상에서 실행되도록 컴파일될 수 있다.
이러한 디바이스(예컨대, 개장 제어기(16))는 독립형 디바이스일 수 있거나 다른 전자 컴포넌트에 내장될 수 있다. 이 디바이스(예컨대, 개장 제어기(16))는 (비일시적 컴퓨터 판독가능 매체, RAM 및/또는 ROM과 같은) 메모리, 운영 체제, 임의로 OLED 디스플레이와 같은 고정 포맷 디스플레이와 같은 디스플레이, 키보드와 같은 데이터 입력 디바이스들, "마우스"와 같은 포인터 디바이스, 네트워크에 접속하기 위해 다른 디바이스들, 네트워크 카드들 및 접속부들과 통신하기 위한 직렬 또는 병렬 포트들을 가질 수 있다.
소프트웨어는, 소프트웨어가 각자의 디바이스 또는 디바이스들, 예컨대, 제어기(16) 또는 네트워크 디바이스 - 서버는 그의 일 예임 - 와 같은 임의의 다른 디바이스 상에 로딩되고 마이크로프로세서들, ASIC들, FPGA들 등과 같은 하나 이상의 프로세싱 엔진 상에서 실행될 때, 예컨대, 개장 외부 제어기(16)에 의해, 시스템의 제어를 위한 하기의 기능들을 수행하도록 적합화된 컴퓨터 프로그램 제품으로 구체화될 수 있다. 본 발명의 실시예들에 따른 방법들은 하나 이상의 열 에너지 저장 용기를 갖는 시스템 및 열 에너지 저장 용기들에 전력을 공급하기 위한 전기 분배 시스템에 적용될 수 있다.
소프트웨어는, 소프트웨어가 각자의 디바이스 또는 디바이스들, 예컨대, 제어기(16) 또는 다른 디바이스 상에 로딩되고 마이크로프로세서들, ASIC들, FPGA들 등과 같은 하나 이상의 프로세싱 엔진 상에서 실행될 때, 그러한 온도 및 에너지 제어 시스템들 또는 방법들에 대한 하기의 기능들을 수행하도록 적합화된 컴퓨터 프로그램 제품으로 구체화될 수 있다:
외부 개장 제어기에 의해 액세스가능한 적어도 하나의 파라미터를 조작하는 것, 전기 분배 그리드의 제약조건들 및 타깃 목적들을 적어도 부분적으로 충족시키도록 적어도 하나의 디바이스의 거동을 변경하기 위해 제어될 적어도 하나의 디바이스의 내부 제어기에 조작된 파라미터를 공급하는 것.
소프트웨어는, 소프트웨어가 각자의 디바이스 또는 디바이스들, 예컨대, 제어기(16) 또는 다른 디바이스 상에 로딩되고 마이크로프로세서들, ASIC들, FPGA들 등과 같은 하나 이상의 프로세싱 엔진 상에서 실행될 때, 그러한 온도 및 에너지 제어 시스템들 또는 방법들에 대한 하기의 기능들을 수행하도록 적합화된 컴퓨터 프로그램 제품으로 구체화될 수 있다:
조작된 파라미터에 대한 적어도 하나의 디바이스의 응답들을 학습하는 것,
적어도 하나의 파라미터의 드리프트를 트래킹하기 위한 필터링.
소프트웨어는, 소프트웨어가 각자의 디바이스 또는 디바이스들, 예컨대, 제어기(16) 또는 다른 디바이스 상에 로딩되고 마이크로프로세서들, ASIC들, FPGA들 등과 같은 하나 이상의 프로세싱 엔진 상에서 실행될 때, 그러한 온도 및 에너지 제어 시스템들 또는 방법들에 대한 하기의 기능들을 수행하도록 적합화된 컴퓨터 프로그램 제품으로 구체화될 수 있다:
개장 외부 제어기가:
보안 기반 설정점들을 변경하지 않거나, 보안 차단기들 또는 퓨즈들을 오버라이드하지 않거나 경보들을 억제하지 않거나, 적어도 하나의 디바이스의 서모스탯들을 오버라이드하지 않거나, 또는
로컬 보안 특징들을 오버라이드하지 않는 것,
개장 외부 제어기가 외부 온도, 전기의 가용성, 난방 또는 냉방 네트워크들에서의 온도 및/또는 유량, 전기 분배 네트워크들에서의 전압, 주파수, 전류 중에서 선택되는 적어도 하나의 파라미터에 액세스할 수 있는 것.
앞서 언급된 소프트웨어 중 임의의 것은 광학 디스크(CD-ROM, DVD-ROM), 자기 테이프, 플래시 드라이브와 같은 솔리드 스테이트 메모리, 컴퓨터 하드 드라이브와 같은 자기 디스크 또는 이와 유사한 것과 같은 비일시적 신호 저장 수단 상에 저장될 수 있다.
DSO로부터 외부 제어기로의 입력들
본 발명의 추가의 실시예들에서, DSO 플랫폼은 물론 부하 흐름 계산들을 통합하는 방법이 설명된다. (이전에 언급된) 플래너 및 트래커의 특정의 수학적 구현이 개시된다. DCM(Dynamic Coalition Manager) 플랫폼이 또한 개시되며, 그로써 DCM과 DSO 플랫폼 둘 다는 동작하여 축소를 감소시킬 수 있는 통합 소프트웨어 모듈들을 갖는 파일들을 통해 커플링된다. 상세하게는 본 발명의 특정의 실시예는 유연성의 증가로 축소의 감소를 제공하고 에너지 생산량의 대응하는 증가가 있을 수 있다.
앞서 설명된 본 발명의 실시예들은 외부 (개장) 제어기의 메모리에 저장되는 그리드의 그리드 제약조건들 및 타깃 목적들을 포함한다. 본 발명의 추가의 실시예들은 그리드 제약조건들 및 타깃 목적들의 동적 변경들에 반응하는 외부 제어기를 제공할 수 있다. 예를 들어, 본 발명의 실시예들은 그리드 보안 방식의 로컬 분배 그리드 레벨 RES 축소 완화, 로컬 그리드 제약조건들 내의 분배 그리드 접속 유연성을 사용하는 시스템 RES 축소 완화(= 과도한 RES 흡수 최대화), 및 로컬 그리드 제약조건들 내의 분배 그리드 접속 유연성을 사용하는 균형 서비스들을 위한 최적화 알고리즘들을 포함하는 DCM(Dynamic Coalition Manager) 플랫폼을 사용할 수 있다. 이러한 알고리즘들은 NODA 클라우드 플랫폼 솔루션에 통합될 수 있으며, DSO, BRP 및 건물 에이전트들을 향한 표준 기반 인터페이스로 확장된다.
본 발명의 실시예들은 UC1(로컬 RES 축소 완화)는 물론 다른 사용 사례들에 필요한 DCM 플래너 및 트래커 에이전트들에서의 알고리즘들의 구현을 포함한다. 목적은 로컬 건물들의 전력-열(Power-to-Heat) 플렉스 활성화들에 의해 로컬 RES의 축소를 제한하는 DCM 플랫폼에 대한 하루전 및/또는 당일 최적화 알고리즘을 수반한다. 그리드 최적화는 그리드 전체의 이익을 위해 로컬 동작을 변경하는 데 앞서 설명된 외부 개장 제어기를 사용한다.
예를 들어, DCM은, 하기의 정보에 기초하여, 건물들의 세트의 유연성을 제어할 수 있다:
수신된 정보에 기초하여, 이 알고리즘들은 건물들 각각에 대해 하루전 또는 당일 요청된 부하 프로파일을 계산할 것이다. 이 부하 프로파일은 앞서 설명된 외부 개장 제어기에 전달될 수 있다.
그렇지 않았으면 그리드 제약들이 위반될 것이기 때문에 로컬 축소를 피하기 위해 플렉스 활성화들이 필요할지를 결정하기 위해 그리고 플렉스 활성화들 자체가 로컬 그리드 제약조건 위반을 야기하지 않도록 하기 위해, 부하 흐름 계산들이 DSO에 의해 수행된다. DSO는 플렉스 요청을 계산할 것이고, 분배된 재생 에너지 자원들의 축소를 제한하기 위해 건물들에 의해 제공되는 유연성의 활성화를 요청하기 위해 DCM과 상호작용한다.
DSO는 다음과 같은 정보에 기초하여 플렉스 요청을 계산한다:
플렉스 요청 계산은 플렉스 밴드(flex band)(허용된 플렉스 활성화들에 대한 한계치들) 또는 플렉스 활성화 프로파일을 결과한다. 후자의 경우에, DSO는 이용가능한 유연성 및 비용의 정보에 기초하여 자신의 관점에서 최적의 플렉스 활성화 계획을 결정할 것이다.
DCM 플랫폼은 다음과 같은 역할을 할 것이다
그리드 존 클러스터링
본 발명의 실시예들은 DSO에 대한 최적의 유연성 디스패치 문제를 해결하는 최적화 프레임워크를 제공한다. 프레임워크는 DSO가 확보할 필요가 있는 유연성의 분량 및 가격을 결정한다.
주된 목표는 DSO가 하루전에 그리고/또는 당일에 계획된 사전대응적 방식으로 소비자들의 소비 패턴을 코디네이트할 수 있게 해주는 것이다. DSO가 시간 단위당 활용할 필요한 정확한 유연성의 양을 결정하는 데 성공하는 것은 부하 및 DER 생산 예측들의 정확성에 의해 크게 영향을 받는다. 문제는 그러한 예측들이 원하는 정확도로 수행되기 어렵다는 것인데, 그 이유는 모든 가구에 대한 부하 프로파일이 다른 가구와 대폭 상이하고 특정 패턴을 거의 따르지 않기 때문이다. 따라서, 하루전 범위에서(in day-ahead horizon) 건물들의 부하 프로파일을 예측하는 것은 에러가 있을 수 있다. 그러한 상황들 하에서, DSO는 편차들을 보상하기 위한 대안의 유연성 자원을 찾아야 한다.
앞서 언급된 문제에 대한 하나의 해결책은 연구 중인 분배 그리드를 다수의 그리드 존들로 변환(reduce)하는 것이다. 주된 이유들은 다음과 같다
(i) 네트워크에서의 운영 한계치들의 위반은 대체로 그리드에서의 특정 지점들(소위 약한 네트워크 지점들)에서 발생한다. 따라서, 약한 지점들이 일단 식별되면, 무사고(incident free) 건물들(이들에 접속된 버스들 및 가구들)의 모든 그룹을 하나의 클러스터로 집계하고 그 문제의 크기를 동작 한계치들의 위반이 발생할 가능성이 가장 많은 약한 지점 스폿들(weak point spots)에 접속되는 다수의 무사고(즉, 동판) 그리드 존 클러스터들로 변환한다.
(ii) 개별 건물의 프로파일과 달리, 몇 개의 가구의 집계된 프로파일을 보다 높은 정확도로 예측하는 것이 가능하다.
(iii) 모든 그리드 존 클러스터가 다수의 유연한 건물 유닛들을 포함하는 동판으로서 간주되기 때문에, 하나의 유닛이 스케줄 계획에 충실할 수 없다면, 클러스터가 DSO에 전달하는 총 유연성이 동일하게 유지되도록, 자신의 책임을 다하지 못하는 건물 유닛들을 보상하기 위해 클러스터 내의 다른 유닛들이 새로운 변경을 채택할 여지가 여전히 있다. 이것은 유닛들이 DR 프로그램의 이용률을 최대화할 기회를 창출하고 이와 동시에 DSO에 대한 문제를 단순화하는데, 그 이유는 그렇게 많은 경우들에서 편차들이 DSO의 직접적인 개입 없이 고려되기 때문이다.
(iv) 많은 경우들에서, 그리드 파라미터들이 항상 알려져 있는 것은 아니거나 요구된 정밀도로 이용가능한 것은 아니다. 그리드의 큰 부분들이 하나의 그리드 존 클러스터로 변환되면, 클러스터에 속하는 부분들에 대한 그리드 파라미터들의 정확한 값이 요구되지 않는다.
이러한 이유들 전부로 인해, 건물들이 몇 개의 그리드 존으로 그룹화될 수 있고, 이러한 그리드 존 클러스터들이 개별 건물들 대신에 제어될 수 있다. 따라서, 본 발명의 실시예들 중 임의의 것에서의 외부 개장 제어기(16)는 단지 하나의 건물이 아니라 건물들의 클러스터를 제어하도록 적합화될 수 있다. 실제로 이 문제를 해결하기 위해, 선험적 LFC가 수행될 수 있다. 어떠한 문제들도 발생하지 않는 그리드의 그 부분들이 클러스터링된다. 정의로서, 최대 용량의 90%가 사용될 수 있다. 그리드의 한 영역에서 이 임계치가 결코 초과되지 않으면, 이 영역은 그리드 존 클러스터로서 클러스터링된다.
유연성 추정
최적 유연성 디스패치 계산들
최적 전력 흐름 문제(Optimal Power Flow problem)(OPF) 및 최적 유연성 디스패치와 같은 그의 파생물들은 전력 흐름들, 생성 유닛들 및 소비자 디바이스들의 물리학을 고려하는 것을 수반하고 다중 기간(multi-period)이고 보안 제약된다(security constrained).
유연성의 적용으로 인해, 솔버는 타당한 시간 내에 솔루션을 전달할 것으로 예상된다. 이러한 타입들의 문제들은 스위칭 액션들, 그리드 구성들 및 문제의 수식화에 혼합 정수 변수들을 도입하는 것을 필요하게 만드는 다른 특징들을 포함할 수 있다. 최근에, 에너지 저장 디바이스들의 출현은 상보성 조건들의 도입을 가져왔다. 이러한 양태들 전부는 전력 흐름 관련 문제들이 일반적으로 해결하기 어려운 비-볼록, 비선형, 복소값 문제들이다.
이러한 문제들의 경우, 솔루션의 정확도와 시뮬레이션 시간 간에 균형을 맞추고 절충해야 한다. 즉, 로컬 최적성(local optimality)으로 또는 서서히 글로벌 최적성(global optimality)으로 간에 비-볼록 문제를 신속하게 해결하는 것을 결정해야 한다. 그러한 문제들을 다루기 쉽도록 하기 위해, 문제를 단순화하기 위한 수학적 접근법들이 제안된다. 최적 전력 문제들의 선형 근사화 및 볼록-완화(convex-relaxation)는 최종 솔루션에서 정확도의 약간의 손상을 유입시키는 대가로 계산 효율을 개선시키기 위해 전력 흐름 관련 문제를 볼록으로 만드는 데 문헌에서 사용되는 2개의 접근법이다. 본 발명의 실시예들에서, AC 전력 흐름 수식화의 2차 원추 완화된 수식화(second-order cone relaxed formation)는 최적 유연성 디스패치 문제를 볼록으로 만드는 데 사용된다.
최적 유연성 디스패치 문제의 수식화
모든 동작 시간 인스턴스에서의 모든 노드의 모든 생성 유닛 또는 모든 유연한 부하에 의해 제공되는 노드 전압, 유효 및 무효 전력을 최적화 변수들의 세트로서 간주한다. 후속하여, 모든 브랜치 상의 유효 및 무효 전력 흐름을 종속 최적화 변수들로서 정의한다.
이하에서, 최적 유연성 디스패치 문제의 2가지 대안적 수식화가 제시된다.
OFD의 전체 AC 수식화
모든 버스에 대해, 모든 유연한 발전기
및 유연한 부하(
)의 실제 유연성, 모든 발전기
및 부하(
)의 무효 유연성은 물론 복소 전압을 결정 변수들(
)로서 정의한다. 전체 AC 기반 OFD 문제는 다음과 같은 형태를 취한다:
[수학식 22]
단,
[수학식 13]
[수학식 24]
[수학식 25]
[수학식 26]
[수학식 27]
[수학식 28]
[수학식 29]
[수학식 30]
[수학식 31]
[수학식 32]
[수학식 33]
[수학식 34]
((운영 비용 및/또는 부하 손실 비용과 같은) 수학식 22에서 주어진 목적 함수에 다른 요소들이 또한 포함될 수 있음에 유의해야 한다. 모델의 출력은 유연성 양, 모든 유연한 유닛들(즉, 제어가능한 공급 및 수요 디바이스들)의 새로운 동작 설정점들, 모든 라인들 상의 전력 흐름 및 버스 전압들을 포함한다.)
이하의 것을 고려하면:
[수학식 35]
[수학식 36]
[수학식 37]
[수학식 38]
여기서
목적 함수(수학식 22)는 모든 클러스터들 전체 동작 시간에서 DER들의 집계된 축소를 최소화하려고 모색한다. 제약조건들 수학식 23 및 수학식 24는 모든 클러스터를 분배 그리드에 접속시키는 버스의 전압 각도 및 크기를 정의한다. 수학식 25 및 수학식 26은 모든 클러스터에서의 제어가능한 디바이스들의 유효 및 무효 전력 생산량 또는 소비량을, 베이스 부하와 활성화된 유연성의 합으로서, 정의한다. 제약조건들 수학식 27 및 수학식 28은 모든 클러스터의 모든 제어가능한 유닛의 유효 유연성 및 전력에 대한 하한 및 상한이다. 제약조건들 수학식 29 및 수학식 30은 무효 유연성 및 전력에 대한 유사한 한계치들을 부과한다. 수학식 31 내지 수학식 34는 브랜치들에 대한 키르히호프(Kirchhoff)의 전압 법칙을 표현한다. 제약조건들 수학식 35 및 수학식 36은 각각의 브랜치의 양쪽 방향들에서의 유효 및 무효 전력 흐름 제약조건들에 대응한다. 마지막으로, 실제 및 무효 전력 균형은 제약조건들 수학식 37 및 수학식 38에서 시행된다. 최적화 문제 수학식 22 내지 수학식 38은 ofd.jl에서 모델링되며 Julia 언어로 코딩되고 ATOM에서 구현된다. 이것은 일반적으로 비선형 및 비-볼록 최적화 문제이다. 따라서, 앞서 보여진 바와 같은 문제의 수식화는 계산 강도로 인해 대규모 다중 기간 문제들에 대해 특히 덜 양호하다. 그럼에도 불구하고, 이러한 함수들은 (이들을 닫힌 형태로 도출할 수는 없더라도) 정의될 수 있는데, 그 이유는, 해결되면, 다음 섹션에서 보여지는 바와 같이 문제에 대한 정확한 솔루션을 반환할 것이기 때문이다. 수학식 22 내지 수학식 38에 정의된 문제들을 다루기 쉽게 만드는 하나의 방식은 (Low S., 2014), (L. Gan, 2015)에서 논의되고 다음 서브섹션에서 도출되는 바와 같이 AC 전력 흐름의 볼록 완화된 수식화를 사용하는 것이다.
OFD의 2차 원추 완화된 수식화
최적 전력 흐름(OPF) 문제의 2개의 주요 볼록-완화된 수식화가 있다: BIM(bus injected model) 및 BFM(branch flow model). 2개의 수식화는 일정 가정들 하에서 동등한 것으로 보여진다(D'hulst F. G., 2017). 이하에서, OFD 문제의 SOC 완화된 수식화를 제시한다.
이전의 경우와 유사하게, 우리는 모든 유연한 발전기 
및 유연한 부하 
의 유효 유연성은 물론 모든 유연한 발전기 
및 유연한 부하 
의 무효 유연성을 결정 변수들로서 각각의 버스 제곱된(bus squared) 전압 크기 
와 연관시켰다.
최적 유연성 디스패치 문제의 2차 원추 수식화는 (Papavasiliou, 2017)에 제시된 연구에서 영감을 받았고 다음과 같은 형태를 취한다.
단,
[수학식 39]
[수학식 40]
[수학식 41]
[수학식 42]
[수학식 43]
여기서
[수학식 44]
[수학식 45]
[수학식 46]
[수학식 47]
OFD 문제의 SOCP 수식화에서, 복소 전압 변수들이 버스 전압들의 외적들(cross-products) 
[22]에 의해 대체된다. 수학식 40 내지 수학식 42는, 제각기, 제곱된 전압 크기 및 버스 쌍(bus-paired) 전압 곱들의 하한 및 상한을 정의한다.
DCM 컴포넌트들의 설계
도 5는 본 발명의 실시예들에 따른 DCM의 기본 구조를 도시하고 있다. DCM의 주요 컴포넌트들은 플래너, 트래커 및 예측자이다. DCM은 업데이트된 GRID 제약조건들 및/또는 그리드 타깃 목적들을, 예컨대, DSO를 통해 외부 (개장) 제어기(16)에 제공할 수 있다.
DCM(들)은 플래너를 먼저 그리고 이어서 상이한 클러스터들 또는 그리드 존들에 대한 트래커 인스턴스들을 호출할 것이다.
컴포넌트들 각각은 이하의 서브섹션들에서 보다 상세히 설명된다.
플래너
플래너는 DCM의 제어 영역의 일부인 클러스터들(또는 건물들)에 대한 사전 계획(전형적으로 하루전)을 제공한다. 이 계획은 클러스터 또는 클러스터들의 전체 에너지 소비량을 포함한다. 플래너는 개별 건물들에 대해 계획할 필요가 없다. 플래너는 사용 사례에 따라 일정 목적들을 갖는다. 클러스터의 집계된 유연성의 예측들 및 베이스 부하 예측들, 및 사용 사례 제약조건들 및 목적에 기초하여, 플래너는 (하루전) 계획을 수립하기 위해 최적화 문제를 해결한다.
이 계획을 수립하기 위해 그리고 사용 사례(도 6)를 위해 마련된 상호작용들에 따라, 플래너는 다음과 같은 상호작용들을 가질 것으로 예상된다:
당일 또는 실시간 플렉스 활성화가 구현되면 보다 많은 적합화들이 필요할 수 있다. 클러스터들 간에 임의의 상호의존성들이 있는 경우, 플래너가 그들을 관리할 것으로 예상된다.
UC1에 대한 플래너 셋업
플래너는 UC1(사용 사례 1)에 대해 다음과 같은 기능을 갖는다
초기화:
동작들:
플래너는 총 에너지 비용을 최소화한다. 이것은, 예를 들어, 하루전 시장에서의 전기 가격 및 (가용성 및 DSO 제약조건들에 따른) 유연성을 활성화시키는 가장 최적의 방식을 포함한다.
최소화 목적
[수학식 48]
플래너가 에너지 시장에서 그리드 존 전체에 대한 에너지 포지션을 취하면, α는 1이고, 그렇지 않으면 α는 0이다. 상기 최적화 문제는 다음과 같은 제약조건들이 있다:
[수학식 49]
DSO 제약조건(활성화가 DSO로부터의 요청과 부합하도록 하기 위해)
[수학식 50]
트래커
트래커는 플래너로부터 플렉스 계획을 취하고 이것을 모든 기본 vDER들 간에 디스패치하기 위해 그룹 레벨에서 작동한다. 계획이 플래너에서 일단 생성되면, 트래커는 이것을 수신하고 vDER들과의 반복 프로세스를 트리거한다. 트래커는 ADMM(alternating direction method of multipliers)이라고 불리는 분산 최적화 문제를 통해 vDER들과의 협상을 시작하며, (Boyd, Parikh, Chu, Peleato, & Eckstein, 2010)을 참고한다. 트래커에 의해 해결된 최적화 문제는 아래에 요약되어 있다.
이 접근법에서, 트래커는 하기의 최적화 문제를 해결한다:
- 목적
- 단,
이것은 하기의 업데이트 스킴(vDER들에서의 전력 프로파일 업데이트 및 트래커에서의 가격 업데이트들)을 사용하여 해결된다:
트래커로부터 에이전트로 전달될 벡터들: 
(한 번), 
, 
반복들은 수렴될 때까지 또는 최대 한계치가 히트될 때까지 계속된다.
예측자
건물 에이전트
건물 열 모델들에 기초한 예측. 예측은 명시된 목적(예컨대, EE, 동적 가격 책정, 자체 소비량, ...)에 기초하여 이루어질 수 있다. 동적 가격 정책에 기초하여 예측이 이루어지는 특별한 경우가 ADMM에 대해 사용된다.
UC1에 대한 UML 스킴들
이 섹션은 UC1에 대한 UML 스키마 및 일부 설명들을 제공한다. 도 6에서 UML 다이어그램으로 묘사된, 프로세스 단계들을 상술한다. 프리-프로세싱 단계들
1. 건물 에이전트들은 다가오는 시간/일에 대한 자신의 전력 프로파일을 예측하고 자신의 유연성을 추정한다. 유연성은 부등식 제약조건으로서 저장된다.
2. 예측들 및 플렉스 추정치가 예측자에게 보고된다.
3. 플래너는 DSO로부터 그룹화(그리드 존별) 정보를 수신한다.
4. 플래너는 이러한 그룹화를 예측자에게 보고한다.
5. 예측자는 각각의 DER에 대한 비-제어가능한 부하들을 예측한다.
6. 예측자는 각각의 그룹에 대한 제어가능한 전력 및 유연성의 예측들을 집계한다. 임의로, 예측자는 각각의 클러스터에 대한 소비량 프로파일들 및 클러스터들/건물들 간의 상관을 모니터링하는 것으로부터 학습된 불확도 관련 정보를 적용한다.
7. 예측자는 그룹화된 예측들 및 유연성을 플래너에게 보고한다.
8. 플래너는 그룹화된 예측을 DSO에게 보고한다.
9. 재생 소스는 자신의 계획된 생산량을 DSO에게 보고한다.
10. DSO는 (DCM에 속하지 않는) 비-제어가능한 DER의 소비량을 예측한다
11. DSO는 축소가 필요할 것인지를 체크하기 위해 유연성 디스패치 계산을 수행하고, 그렇다면, DCM에 대한 플렉스 요청을 수식화한다(문제가 해결되고, 활성화 자체에 의해 어떠한 새로운 문제도 야기되지 않도록 얼마만큼의 유연성이 언제 그리고 어디서 필요하고 허용되는지)
12. '확인(ok)' 또는 '대기(wait)'가 재생 소스에게 보고된다.
하루전 및/또는 당일 플렉스 활성화 계획 계산
1. 플래너는, DSO로부터의 플렉스 요청을 고려하여, 각각의 그룹에 대한 계획(예측)을 구성한다.
2. 이러한 그룹별 계획은 트래커에게 보고된다.
3. 트래커는 에너지 가격 프로파일을 그룹에 속하는 모든 건물들에게 보고한다. 이 가격은, 그 그룹에 필요한 유연성 및 그 유연성의 값에 따라, 그룹마다 다를 수 있다.
4. 모든 건물 에이전트는 수신된 가격 프로파일에 응답하여 자신의 최적 전력 소비량을 계산한다.
5. 건물 에이전트는 자신의 계획된 전력 프로파일을 트래커에게 보고한다.
6. 트래커는 각각의 그룹의 전체 소비량을 계획된 소비량과 비교하고 양측을 일치시키기 위해 에너지 가격을 적합화시킨다.
7. 그룹별 확정된 가격 프로파일이 모든 건물들에 보고된다.
8. 그룹별 확정된 전력 프로파일이 플래너에게 보고된다. (플렉스 제공)
9. 플래너는 계획된 전력 소비량을 DSO에게 보고한다. (플렉스 제공)
10. DSO는 플렉스 순서(flex order)를 DCM에 확인해준다.
11. 어쩌면, DSO는 잔여 축소 요청을 재생 소스에게 보고한다.
실시간 플렉스 활성화 트래킹
1. 모든 건물 에이전트는 자신의 실제 소비량을 트래커에게 지속적으로 보고한다.
2. 트래커는 각각의 그룹에 대한 소비량을 집계하고 이를 계획된 소비량과 비교한다. 편차는 가격 적합화에서 변환된다.
3. 건물 에이전트들이 관찰된 편차를 보상하는 방식으로 자신의 계획을 변경하도록 업데이트된 가격 프로파일이 건물 에이전트들에게 보고된다.
4. 임의의 잔여 편차는 DSO에 의해 관찰되고 해결될 그리드 문제를 결과할 수 있다.
5. 모니터링된 프로파일들은 예측들의 신뢰성을 학습하는 데 사용되기 위해 예측자에게 송신된다.
DCM 소프트웨어
DSO 및 DCM 알고리즘들을 위한 소프트웨어는 파이썬(Python)으로 구현되었다. 사용 중인 인터프리터 버전은 2.7이다. 소프트웨어는 모듈화되고 다양한 DCM 컴포넌트들과 모듈들 간에 일대일 대응관계가 있다. 그에 부가하여, 모든 요구된 데이터를 데이터베이스로부터 판독하기 위한 하나의 모듈, 및 데이터베이스의 상이한 컴포넌트들을 스케줄링하기 위한 다른 모듈이 있다. 모듈들은 아래에서 열거된다:
-planner.py: 플래너의 기능을 구현한다. 플래너의 목적 및 제약조건들은 볼록 최적화 문제의 프레임워크에 적합하다. 이것을 해결하기 위해, cvxpy 최적화 패키지가 플래너에서 사용된다. 플래너는 모든 관련성 있는 사용 사례 정보 - 베이스라인 예측, 유연성 예측, DSO 플렉스 밴드 - 를 갖는 판다스 데이터 프레임(pandas data frame)을 입력으로서 취한다. 목적과 제약조건들은 이어서 볼록 최적화 문제 셋업으로 프레임화되며(framed) 솔루션은 또다시 데이터 프레임으로서 반환된다.
-tracker.py: 트래커의 기능을 구현한다. 이는 플래너의 출력을 입력으로서 수신하고 ADMM 분산 최적화 알고리즘을 구현한다. 이것은, 건물 에이전트들의 집계가 플래너의 출력과 부합할 때까지, 건물 에이전트들로부터의 응답들의 집계, 그림자 가격들의 업데이트 및 이러한 가격들의 브로드캐스팅을 기본적으로 수반한다.
-building_agent.py: 건물 에이전트는 WP2로 개발될 수 있다. 제1 WP3 시뮬레이션들의 목적을 위해, 우리는 정의된 포맷들로 정보를 제공하는 단순화된 에이전트들을 재사용하고 있다. 이러한 단순화된 건물 에이전트는, 옥외 온도, 과거 열 부하들 등과 같은 특징들에 기초하여 트레이닝된, 건물의 선형 모델과 함께 작동한다. 열 부하는 건물이 전기 저항기에 의해 가열된 것처럼 전기 부하에 직접 영향을 미치는 것으로 가정된다. 건물 에이전트는 ADMM 방법론에 따라 로컬 최적화(역시 볼록)를 수행한다.
- Controller.py: 이 모듈은, 날씨 및 가격 예측 정보, 건물들의 모델 파라미터들, DSO 한도들 등과 같은, 개발된 WP3 알고리즘들을 테스트하는 데 필요한 모든 정보를 포함하는 데이터베이스와의 인터페이스이다.
- main.py: 이는 관여된 다양한 모듈들, 즉 먼저 제어기, 이어서 플래너, 트래커의 오케스트레이션/스케줄링을 행하고, 이어서 결과들을 플롯하는 등을 한다.
- vito_config_controller.yml: 다양한 구성 파라미터들을 갖는 입력 파일. 예를 들어, 플래너에 대한 알파, 클러스터 내의 건물들의 리스트, 페치될 데이터에 대한 날짜 범위들, 트래커에 대한 파라미터 로(rho), 예측 수평선(forecast horizon)과 같은 최적화 파라미터들
- config.py: vito_config_controller.yml에 포함된 정보를 파싱한다.
비록 필요한 WP3 알고리즘들의 개발 및 테스트가 설명되고 플래너와 DSO가 json 포맷들(프로그래밍 언어들에 걸쳐 이해되는 중첩 사전 구조들(nested dictionary structures))의 파일들을 통해 통신하지만, 본 발명이 이에 한정되지 않는다. 플래너는, 그리드에 의해 필요하게 되는 필요한 정보와 함께, (예컨대, 시간 스텝마다 하나씩) json 파일들을 생성하고, DSO 측에서 실행되는 알고리즘은 이러한 json 파일들을 하나씩 프로세싱하여, 차례로 결과들을 대응하는 출력 json 파일들(플래너가 이어서 이들을 해석함)에 저장한다. 이러한 파일 기반 상호작용은 DSO 및 DCM 플랫폼 및 관련 에이전트 개발의 일부로서 다중 에이전트 통신 프레임워크로 대체될 수 있다.
시뮬레이션 셋업 및 결과들
이하의 섹션은 시뮬레이션 셋업 및 개발된 알고리즘들의 테스트에 대한 결과들을 설명한다.
그리드 모델로서, 8개의 브랜치, 5개의 DER, 유연성을 갖지 않는 경우로부터 29 kWh의 최대 부하 유연성을 갖는 경우에 이르는 몇 개의 시나리오에 대한 3개의 유연한 부하를 갖는 9-버스 가상 방사상 시스템(9-bus fictive radial system). 도 7은 그리드를 나타내고 표 3 및 표 4는, 제각기, 그리드 및 발전기들의 파라미터들을 제공한다.
버스 5, 버스 6 및 버스 9 상의 유연한 부하들이 확장될 때, 상세한 그리드는 도 8과 같이 보인다.
도 8에 도시된 셋업에서, 각각의 클러스터에(버스 5, 버스 6 및 버스 9 상에) 6개의 주택이 있다. 이러한 시뮬레이션들의 목표는 본 발명의 실시예들이 작동한다는 것, 및 상이한 알고리즘들이 요구된 기능을 협업적으로 제공한다는 것을 예시하는 것이다. 알고리즘들을 테스트하는 목적을 위해, 실제 데이터와 모델의 부재 시에 하기의 일시적인 단순화들 및 회피책들이 사용되었다.
각각의 클러스터에 대한 집계된 베이스라인 및 유연성 한도들이 도 9에 도시된 바와 같이 셋업되었다.
이 입력에 기초하여, OPF 알고리즘이 수행된다. DSO로부터의 응답은 도 10에 주어져 있다.
DSO가 최적 유연성 디스패치 알고리즘을 완료할 때, 플렉스 요청이 플래너에게 송신된다. 장래에 대해 예견되는 바와 같이, 이 플렉스 요청은 혼잡이 예견되지 않는 "용인가능한 영역 "으로 이루어져 있다. 플래너는 그러면 이 영역 내의 곡선들에 대해 자유롭게 입찰한다. 현재, 이러한 한도들은 DSO에 의해 주어지지 않는다. 시뮬레이션 및 플래너 알고리즘을 설명하는 목적을 위해, 플래너가 계속하여 최적화를 수행하도록, 우리는 상하 1% 한도를 가정한다. 옵션들에서, 이러한 밴드들은 DSO에 의해 제공될 수 있다.
3개의 그룹(플렉스 부하 5, 플렉스 부하 6 및 플렉스 부하 9) 각각에 대해, 각각의 클러스터에 대한 출력이 도 11에 도시되어 있다. 각각의 경우에, 플래너가 주어진 한도들 내에서 DSO의 요청을 충족시킬 수 있음을 알 수 있다.
모든 건물들로부터의 모든 응답들의 총합이 계획을 가능한 한 가깝게 충족시키도록, 트래커는 플래너 출력을 수신하고 DER 에이전트들과 협상한다. 이것은 앞서 설명된 바와 같이 외부 (개장) 제어기들(16)과 통신하는 것을 수반할 수 있다. 외부 (개장) 제어기들(16)은 건물 또는 건물들의 클러스터의 에너지 사용을 수정하기 위해 액세스가능한 외부 센서 출력 또는 액세스가능한 외부 데이터 채널을 조작할 수 있다. 이것은 바람직하게는 반복 프로세스이며, (수렴 이후의) 그러한 최종 반복의 출력은 도 12에 도시되어 있다. 여기서 다시 말하지만, 트래커가 모든 그룹들에 대한 계획을 따를 수 있음을 알 수 있다. 각각의 경우에, 반복 횟수는 80회 미만이다. 수렴 기준은 하루 종일에 대한 총 절대 편차가 10kW를 초과하지 않도록 설정된다. 도 13에서, 트래커-에이전트 상호작용의 수렴은 로그 스케일로 예시되어 있다. 3가지 경우들 전부에서 수렴이 빠르며(그러나 클러스터마다 달라짐) 또한 수렴을 향한 에러에서 진동들이 보이지 않는다는 것을 알 수 있다.
이 프로세스에서, 각각의 건물은 트래커에 응답했으며, 따라서 원래 계획되었던 베이스라인 곡선으로부터 벗어났다(환언하면, 유연성을 활성화시키는 것에 동참함). 외부 (개장) 제어기들(16)이 건물 또는 건물들의 클러스터의 에너지 사용을 수정하기 위해 액세스가능한 외부 센서 출력 또는 액세스가능한 외부 데이터 채널을 조작함으로써 베이스 라인으로부터의 이러한 발산이 달성될 수 있다. 버스 9에 대한 협상 프로세스 전후의 소비량 프로파일들이 도 13에 도시되어 있다. 관찰된 바와 같이, 상이한 건물들은 트래커에 의해 가격에 대해 상이하게 반응하고, 일부 건물들은 다른 건물들보다 보다 많은 유연성을 활성화시켰다. 이것은 개별 건물들에 배정된 외부 (개장) 제어기(16)에 의해 달성될 수 있다. 적은 수의 건물들 또는 그 건물들에 대한 외부 (개장) 제어기들(16)은 소비량의 감소에 의해 응답했지만, 글로벌 목적은 소비량을 증가시키는 것이다. 그렇지만, 대체로 건물들의 최종 집계된 소비량은 플래너에 의해 송신된 요청에 수렴한다.
로컬 축소 분석
건물들의 그룹들에서 DCM-DSO 상호작용 및 유연성 활성화의 가능한 영향을 평가하기 위해, 다음과 같은 실험이 셋업되었다. 유연한 부하에 의해 제공되는 유연성의 양은 상하 방향 둘 다에서, 0으로부터 시작하여 시간 스텝당 5kW의 증분으로, 변화된다(모든 클러스터들에 대해 총 15kW). DSO는 이러한 경우들 각각에서 최적 유연성 디스패치를 수행하고 모든 재생 에너지 소스들 사이의 총 축소가 측정된다. 이것은 재생 에너지 소스들 각각의 계획된 생산량을 가산하고 이를 총 가용 용량으로부터 감산함으로써 행해진다. 전력 및 에너지 면에서의 다양한 재생 에너지 자원들의 총 축소는 DCM으로부터 제공되는 다양한 레벨들의 유연성에 대해, 제각기, 도 15 및 도 16에 도시되어 있다. 제공된 유연성의 레벨이 증가함에 따라, 축소가 점진적으로 감소한다는 것이 양쪽 도면들에서 관찰될 수 있다. 대응하는 생산량들이 도 17 및 도 18에 예시되어 있다. 여기서 다시 말하지만, 이전의 관찰과 부합하게, 제공된 유연성의 증가에 따라 재생 에너지 소스로부터의 생산량이 증가하는 것을 알 수 있다. 외부 (개장) 제어기들(16)이 개별 건물들 또는 건물들의 클러스터들에 배정될 때 추가의 개선들이 달성될 수 있고, 이들이 달성할 수 있는 유연성이 건물 또는 건물들의 클러스터의 에너지 사용량을 수정하기 위해 액세스가능한 외부 센서 출력 또는 액세스가능한 외부 데이터 채널을 조작함으로써 고려된다. 작은 조작, 예컨대, 체감 외부 온도(apparent outside temperature)를 1°C만큼 낮추는 것은 하나의 건물에 거의 영향을 미치지 않지만 수백만 개의 건물에 대한 그러한 변화의 집계는 에너지 사용량의 상당한 변화를 추가할 수 있다.
추가의 참고문헌들
Boyd , S., Parikh, N., Chu, E., Peleato, B., & Eckstein, J. (2010). Distributed Optimization and Statistical Learning via the Alternating Direction Method of Multipliers. Foundation and Trends in Machine Learning, 3.
C. Coffrin, H. L. (2016). The qc relaxation: A theoretical and computational study on optimal power flow. IEEE Transactions on Power Systems, 3008-3018.
Cesa-Bianchi, N., & Lugosi, G. (2006). Prediction, Learning, and Games. Cambridge University Press.
Coffrin, C. H. (2015). DistFlow extensions for AC transmission systems. arXiv preprint arXiv:1506.04773.
Convex relaxation of optimal power flow: A tutorial. (2013). Bulk Power System Dynamics and Control-IX Optimization, Security and Control of the Emerging Power Grid (IREP), (pp. 1-15).
D. Menniti, A. P. (2014). A local market model involving prosumers taking into account distribution network congestions. International Review of Electrical Engineering (IREE), 976-985.
D. T. Nguyen, M. N. (2011). Pool-based demand response exchange concept and modeling. IEEE Transactions on Power Systems, 1677-1685.
D'hulst, F. G. (2017). Optimal power flow formulations: Trade-offs in tractability, accuracy & numerical aspects. VITO.
D'hulst, R., & Geth, F. (2016). Optimal power flow formulations and relaxations for a generalized line model including switches and transformers. VITO.
G. Brusco, A. B. (2014). Energy management system for an energy district with demand response availability,. IEEE Transactions on Smart Grid, 2385-2393.
G. Le Ray, E. M. (2016). Evaluating price-based demand response in practice-with application to the ecogrid eu experiment. IEEE Transactions on Smart Grid.
L. Gan, N. L. (2015). Exact convex relaxation of optimal power flow in radial networks. IEEE Transactions on Automatic Control, 72-87.
Lago, J., De Ridder, F., Vrancx, P., & De Schutter, B. (2017). Forecasting day-ahead electricity prices in Europe: the importance of considering market integration. Applied Energy (Under review).
Lago, J., De Ridder, F., Vrancx, P., & De Schutter, B. (2017). Forecasting spot electricity prices: deep learning approaches and empirical comparison of traditional algorithms. Applied Energy (Under review).
Low, L. G. (2014). Convex relaxations and linear approximation for optimal power flow in multiphase radial networks,. Power Systems Computation Conference (PSCC),, (pp. 1-9).
Low, S. (2014). Convex relaxation of optimal power flow part I: Formulations and equivalence. IEEE Transactions on Control of Network Systems, 15-27.
M. Marzband, A. S.-A.-G. (2013). Experimental evaluation of a real time energy management system for stand-alone microgrids in day-ahead markets. Applied Energy, 365-376.
Madlener, C. R. (2013). An auction design for local reserve energy markets. Decision Support Systems, 168-179.
Nemirovski, A. B.-T. (2001). On polyhedral approximations of the second-order cone. Mathematics of Operations Research, 193-205.
P. G. Da Silva, D. I. (2014). The impact of smart grid prosumer grouping on forecasting accuracy and its benefits for local electricity. IEEE Transactions on Smart Grid, 402-410.
P. Pinson, L. M. (2017). Towards fully renewable energy systems: Experience and trends in Denmark. CSEE Journal of Power and Energy Systems, 26-35.
Papavasiliou, A. (2017). Analysis of distribution locational marginal prices. IEEE Transactions on Smart Grid.
S. Kim, M. K. (2003). Second order cone programming relaxation of a positive semidefinite constraint. Optimization Methods and Software, 535-541.
Wu, M. E. (1989). Network reconfiguration in distribution systems for loss reduction and load balancing. IEEE Transactions on Power delivery, 1401-1407.
Zimmerman, R. D. (2010). Matpower 4.0 b4 user's manual. Power System Engineering Research Center.
Claims (20)
- 고온 또는 저온 열 에너지를 소비하고 전기 분배 그리드 - 상기 전기 분배 그리드는 제약조건들 및 타깃 목적들을 가지며, 상기 제약조건들 및 타깃 목적들은 개장 외부 제어기(retrofit external controller)에 알려져 있음 - 에 의해 공급되는 전력을 소비하거나 생성하기 위한 디바이스들을 제어하기 위한 개장 외부 제어기로서,
적어도 하나의 디바이스는 상기 고온 또는 저온 열 에너지의 사용을 제어하고 내부 제어기에 대한 입력으로서 파라미터들을 수신하기 위한 상기 내부 제어기를 갖고,
적어도 하나의 파라미터는 상기 개장 외부 제어기에 의해 액세스가능하며, 상기 개장 외부 제어기는 상기 전기 분배 그리드의 상기 제약조건들 및 타깃 목적들을 적어도 부분적으로 충족시키도록 상기 적어도 하나의 디바이스의 거동을 변경하기 위해 상기 적어도 하나의 파라미터를 조작하고 상기 조작된 파라미터를 상기 내부 제어기에 공급하도록 적합화되어(adapted) 있으며, 상기 적어도 하나의 조작된 파라미터는 액세스가능한 외부 데이터 흐름, 액세스가능한 외부 채널, 또는 액세스가능한 외부 센서 출력 - 이들의 조작은 상기 내부 제어기를 스티어링함 - 인, 개장 외부 제어기. - 제1항에 있어서, 상기 내부 제어기를 제압함이 없이 외부 목적들 및 제약조건들을 충족시키며, 그로써 피제어 시스템의 내부 제약조건들이 또한 충족될 수 있도록 보장하도록 상기 내부 제어기 동작을 변경하거나 스티어링하기 위해 이전에 학습된 반응 함수에 따라 외부 센서 측정치들 또는 출력들 및/또는 하나 이상의 외부 데이터 채널을 조작하도록 적합화되는, 개장 외부 제어기.
- 제1항 또는 제2항에 있어서, 상기 전기 분배 그리드의 상기 제약조건들 및 타깃 목적들은 손실들의 최소화, 상기 그리드의 용량의 제한들, 전압, 주파수 및 전류 안정화 중 임의의 것을 포함하는, 개장 외부 제어기.
- 제3항에 있어서, 동적으로 업데이트되는 상기 전기 분배 그리드의 상기 제약조건들 및 타깃 목적들을 수신하도록 적합화되는, 개장 외부 제어기.
- 제4항에 있어서, 상기 업데이트된 제약조건들 및 타깃 목적들은 그리드 보안 방식의 로컬 분배 그리드 레벨 재생 에너지 소스(Renewable Energy Source, RES) 축소 완화, 시스템 RES 축소 완화, 로컬 그리드 제약조건들 내의 분배 그리드 접속 유연성을 사용하는 과도한 RES 흡수 최대화, 또는 상기 로컬 그리드 제약조건들 내의 분배 그리드 접속 유연성을 사용하는 균형 서비스들을 위한 것인, 개장 외부 제어기.
- 제2항에 있어서, 상기 조작된 파라미터에 대한 상기 적어도 하나의 디바이스의 응답들을 학습하기 위한 수단을 추가로 포함하는, 개장 외부 제어기.
- 제1항 또는 제2항에 있어서, 상기 내부 제어기의 전달 함수는 상기 개장 외부 제어기에 알려져 있지 않은, 개장 외부 제어기.
- 제1항 또는 제2항에 있어서, 상기 개장 외부 제어기가 보안 기반 설정점들(security based set-points)을 변경하지 않거나, 보안 차단기들(security cut-outs) 또는 퓨즈들을 오버라이드하지 않거나 경보들을 억제하지 않거나, 상기 적어도 하나의 디바이스의 서모스탯들을 오버라이드하지 않거나, 또는 로컬 보안 특징들을 오버라이드하지 않도록 적합화되는, 개장 외부 제어기.
- 제1항 또는 제2항에 있어서, 상기 내부 제어기는 건물 관리 시스템의 일부인, 개장 외부 제어기.
- 제1항 또는 제2항에 있어서, 상기 개장 외부 제어기에 의해 액세스가능한 상기 적어도 하나의 파라미터는 외부 온도, 전기의 가용성, 난방 또는 냉방 네트워크들에서의 온도 및/또는 유량(flow rate), 전기 분배 네트워크들에서의 전압, 주파수 및 전류들 중 적어도 하나로부터 선택되는, 개장 외부 제어기.
- 제1항 또는 제2항에 있어서, 상기 적어도 하나의 파라미터의 드리프트를 트래킹하기 위해 필터링하기 위한 수단을 추가로 포함하는, 개장 외부 제어기.
- 고온 또는 저온 열 에너지를 소비하고 전기 분배 그리드 - 상기 전기 분배 그리드는 제약조건들 및 타깃 목적들을 가짐 - 에 의해 공급되는 전력을 소비하거나 생성하기 위한 디바이스들을 제어하기 위한 방법으로서 - 적어도 하나의 디바이스는 상기 고온 또는 저온 열 에너지의 사용을 제어하고 내부 제어기에 대한 입력으로서 파라미터들을 수신하기 위한 상기 내부 제어기를 가짐 -,
외부 제어기를 개장하는 단계
를 포함하고, 적어도 하나의 파라미터는 상기 외부 제어기에 의해 액세스가능하며, 상기 개장된 외부 제어기는 상기 전기 분배 그리드의 상기 제약조건들 및 타깃 목적들을 적어도 부분적으로 충족시키도록 상기 적어도 하나의 디바이스의 거동을 변경하기 위해 상기 적어도 하나의 파라미터를 조작하고 상기 조작된 파라미터를 상기 내부 제어기에 공급하며,
상기 적어도 하나의 조작된 파라미터는 액세스가능한 외부 데이터 흐름, 액세스가능한 외부 채널, 또는 액세스가능한 외부 센서 출력 - 이들의 조작은 상기 내부 제어기를 스티어링함 - 인, 방법. - 제12항에 있어서, 상기 전기 분배 그리드의 상기 제약조건들 및 타깃 목적들은 손실들의 최소화, 상기 그리드의 용량의 제한들, 전압, 주파수 및 전류 안정화 중 임의의 것을 포함하는, 방법.
- 제13항에 있어서, 상기 전기 분배 그리드의 상기 제약조건들 및 타깃 목적들은 동적으로 업데이트되는, 방법.
- 제14항에 있어서, 상기 업데이트된 제약조건들 및 타깃 목적들은 그리드 보안 방식의 로컬 분배 그리드 레벨 재생 에너지 소스(Renewable Energy Source, RES) 축소 완화, 시스템 RES 축소 완화, 로컬 그리드 제약조건들 내의 분배 그리드 접속 유연성을 사용하는 과도한 RES 흡수 최대화, 또는 상기 로컬 그리드 제약조건들 내의 분배 그리드 접속 유연성을 사용하는 균형 서비스들을 위한 것인, 방법.
- 제12항 내지 제15항 중 어느 한 항에 있어서, 상기 외부 제어기가 상기 조작된 파라미터에 대한 상기 적어도 하나의 디바이스의 응답들을 학습하는 단계를 추가로 포함하는, 방법.
- 제12항 내지 제15항 중 어느 한 항에 있어서, 상기 적어도 하나의 파라미터의 드리프트를 트래킹하기 위해 필터링하는 단계를 추가로 포함하는, 방법.
- 적어도 제1 및 제2 제어기 레벨을 갖는 계층적 구조 및 제1항 또는 제2항에 따른 적어도 개장 외부 제어기를 가지는 산업 현장(industrial site)으로서, 상기 개장 외부 제어기는 외부 파라미터에 대한 액세스를 가지며, 상기 외부 파라미터를 조작하고 제어 신호를 상기 계층적 구조의 하위 제어기 레벨에 있는 추가의 제어기에 공급하도록 적합화되는, 산업 현장.
- 프로세서 상에서 실행될 때 제12항 내지 제15항 중 어느 한 항의 방법을 실행하는, 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
- 삭제
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020227019173A KR102511879B1 (ko) | 2016-12-27 | 2017-12-27 | 그리드 내의 차폐된 시스템을 위한 계층적 암시적 제어기 |
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| EP16207020.5A EP3343717A1 (en) | 2016-12-27 | 2016-12-27 | Hierarchical implicit controller for shielded system in a grid |
| EP16207020.5 | 2016-12-27 | ||
| PCT/EP2017/084667 WO2018122273A1 (en) | 2016-12-27 | 2017-12-27 | Hierarchical implicit controller for shielded system in a grid |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020227019173A Division KR102511879B1 (ko) | 2016-12-27 | 2017-12-27 | 그리드 내의 차폐된 시스템을 위한 계층적 암시적 제어기 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20190102237A KR20190102237A (ko) | 2019-09-03 |
| KR102407764B1 true KR102407764B1 (ko) | 2022-06-13 |
Family
ID=57714455
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020197022067A KR102407764B1 (ko) | 2016-12-27 | 2017-12-27 | 그리드 내의 차폐된 시스템을 위한 계층적 암시적 제어기 |
| KR1020227019173A KR102511879B1 (ko) | 2016-12-27 | 2017-12-27 | 그리드 내의 차폐된 시스템을 위한 계층적 암시적 제어기 |
Family Applications After (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020227019173A KR102511879B1 (ko) | 2016-12-27 | 2017-12-27 | 그리드 내의 차폐된 시스템을 위한 계층적 암시적 제어기 |
Country Status (9)
| Country | Link |
|---|---|
| US (1) | US10983484B2 (ko) |
| EP (2) | EP3343717A1 (ko) |
| KR (2) | KR102407764B1 (ko) |
| CN (2) | CN116316657A (ko) |
| DK (1) | DK3516750T3 (ko) |
| PL (1) | PL3516750T3 (ko) |
| RU (1) | RU2747281C2 (ko) |
| UA (1) | UA127389C2 (ko) |
| WO (1) | WO2018122273A1 (ko) |
Families Citing this family (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3505833A1 (en) * | 2017-12-27 | 2019-07-03 | Brunnshög Energi AB | Method for improved utilization of energy grids |
| EP3726307A1 (en) * | 2019-04-17 | 2020-10-21 | Carrier Corporation | Method for controlling building power consumption |
| EP3731172A1 (en) * | 2019-04-26 | 2020-10-28 | Carrier Corporation | System and method for district energy management |
| CN110212538B (zh) * | 2019-05-10 | 2022-11-18 | 广西电网有限责任公司电力科学研究院 | 一种求解主动配电网区间潮流的二阶锥规划方法 |
| US11099537B2 (en) | 2019-06-28 | 2021-08-24 | Utilidata, Inc. | Utility grid control using a dynamic power flow model |
| CN110912137B (zh) * | 2019-10-25 | 2023-05-23 | 国网天津市电力公司电力科学研究院 | 一种计及交流潮流的柔性配电网运行域模型构建方法 |
| KR102309554B1 (ko) * | 2019-11-26 | 2021-10-05 | 광운대학교 산학협력단 | 심층 순환신경망 기반 에너지 사용 예측과 부하 제어 장치 및 방법 |
| FI128897B2 (fi) | 2020-01-27 | 2024-02-13 | Planora Oy | Menetelmä lämmönjakelun säätämiseen jakeluverkossa |
| CN111275271B (zh) * | 2020-03-10 | 2022-09-20 | 清华大学 | 一种冷-热-电综合能源系统潮流优化方法 |
| CN111638028B (zh) * | 2020-05-20 | 2022-05-10 | 国网河北省电力有限公司电力科学研究院 | 一种基于振动特征的高压并联电抗器机械状态评估方法 |
| EP3989156A1 (en) | 2020-10-22 | 2022-04-27 | Vito NV | A system and method for managing different applications using cloud services |
| US11575263B2 (en) * | 2021-03-12 | 2023-02-07 | Utilidata, Inc. | Optimal power flow control via dynamic power flow modeling |
| CN113300386B (zh) * | 2021-05-24 | 2022-07-22 | 云南电网有限责任公司 | 一种基于交替方向乘子法的频率控制器设计方法及系统 |
| CN113255134B (zh) * | 2021-05-27 | 2022-06-03 | 中国工程物理研究院总体工程研究所 | 基于匹配追踪的硅泡沫材料物理化学松弛自适应分离方法 |
| CN113807022B (zh) * | 2021-09-29 | 2023-09-01 | 重庆邮电大学 | 基于鸽群算法和bp费用预测网络的有功调度求解方法 |
| EP4227744A1 (en) * | 2022-02-14 | 2023-08-16 | ABB Schweiz AG | Control arrangement, method, and computer program for controlling an electronic device, control platform comprising the control arrangement, method for training a machine learning model, and computer-readable medium |
| EP4322076A1 (en) * | 2022-08-11 | 2024-02-14 | Vito NV | A method and system for characterizing thermal energy distribution in thermal energy exchange systems |
| CN116523279B (zh) * | 2023-07-05 | 2023-09-22 | 国网湖北省电力有限公司经济技术研究院 | 一种计及调频需求的灵活性资源配置方案的确定方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB2472385A (en) | 2009-07-31 | 2011-02-09 | Demand Logic Ltd | Controlling power demand using a building management system |
| US20120296479A1 (en) | 2011-05-16 | 2012-11-22 | Jessica Millar | Electrical thermal storage with edge-of-network tailored energy delivery systems and methods |
| WO2014186845A1 (en) | 2013-05-22 | 2014-11-27 | Vito Nv | Power supply network control system and method |
Family Cites Families (34)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4971136A (en) | 1989-11-28 | 1990-11-20 | Electric Power Research Institute | Dual fuel heat pump controller |
| CA2432440C (en) * | 2001-01-12 | 2007-03-27 | Novar Controls Corporation | Small building automation control system |
| US7797080B2 (en) * | 2004-06-14 | 2010-09-14 | Ogd V-Hvac Inc. | Opto-programmed HVAC controller |
| RU2282229C1 (ru) * | 2004-12-31 | 2006-08-20 | Закрытое акционерное общество "ПРО-САМ" | Распределенная интегрированная многофункциональная система контроля и управления комплексом зданий |
| US7274975B2 (en) * | 2005-06-06 | 2007-09-25 | Gridpoint, Inc. | Optimized energy management system |
| US7567844B2 (en) * | 2006-03-17 | 2009-07-28 | Honeywell International Inc. | Building management system |
| US9002761B2 (en) | 2008-10-08 | 2015-04-07 | Rey Montalvo | Method and system for automatically adapting end user power usage |
| US8805597B2 (en) * | 2009-02-10 | 2014-08-12 | Steffes Corporation | Electrical appliance energy consumption control |
| US8478452B2 (en) * | 2010-04-06 | 2013-07-02 | Battelle Memorial Institute | Grid regulation services for energy storage devices based on grid frequency |
| EP2593844A4 (en) | 2010-07-16 | 2017-05-31 | The Trustees of Columbia University in the City of New York | Machine learning for power grids |
| WO2012038194A1 (en) | 2010-08-26 | 2012-03-29 | Terafero Bvba | Intelligent electronic interface for a thermal energy storage module, and methods for stored thermal energy and thermal energy storage capacity trading |
| US20130289784A1 (en) | 2010-11-22 | 2013-10-31 | Timothy Patrick Cooper | Electricity Supply Management Systems and Hot Water Storage Systems |
| SE535445C2 (sv) | 2010-11-30 | 2012-08-14 | Ekofektiv Ab | Förfarande för att reglera effektuttaget i ett fjärrvärmenät. |
| GB2479060B (en) * | 2011-03-24 | 2012-05-02 | Reactive Technologies Ltd | Energy consumption management |
| EP2695272A1 (en) * | 2011-04-04 | 2014-02-12 | Koninklijke Philips N.V. | Controlling device and method for controlling power consumption in a system of power consuming devices |
| EP2573474B1 (en) | 2011-09-22 | 2019-05-15 | Panasonic Intellectual Property Management Co., Ltd. | Heat management algorithm for optimized CHP operation |
| SE536178C2 (sv) | 2011-11-11 | 2013-06-11 | Atc Ind Group Ab | System för klimatstyrning |
| GB2499190B (en) | 2012-02-01 | 2015-11-04 | Alastair Gordon Laurence Hunter | A system for automatic energy allocation in communal heating systems |
| DE102012003227A1 (de) | 2012-02-20 | 2013-08-22 | Sma Solar Technology Ag | System zur bereitstellung von wärme und betriebsverfahren für ein solches system |
| EP2645532A1 (en) | 2012-03-28 | 2013-10-02 | Terafero bvba | An intelligent electronic control and communications interface module for a thermal or electrical energy storage module grid, and methods for stored thermal or electrical energy and thermal or electrical energy storage capacity trading. |
| US10169832B2 (en) | 2013-05-08 | 2019-01-01 | Instant Access Networks, Llc | Method and instrumentation for sustainable energy load flow management system performing as resilient adaptive microgrid system |
| ITTV20120208A1 (it) | 2012-11-07 | 2014-05-08 | Regal Grid Srl | "sistema e dispositivo di architettura e gestione per micro - reti con generazione, accumulo e consumo di energia" |
| CN103023018B (zh) | 2012-11-22 | 2015-02-04 | 上海电机学院 | 电力系统多目标最优潮流实现方法及装置 |
| US9762060B2 (en) | 2012-12-31 | 2017-09-12 | Battelle Memorial Institute | Distributed hierarchical control architecture for integrating smart grid assets during normal and disrupted operations |
| JP6532453B2 (ja) * | 2013-03-15 | 2019-06-19 | ペースコントロールズ・エルエルシーＰａｃｅｃｏｎｔｒｏｌｓ Ｌｌｃ | Ｈｖａｃ＆ｒシステムの自動制御用の電子コントローラデバイス並びにそれを使用するｈｖａｃ＆ｒシステム及び方法 |
| US9477240B2 (en) | 2013-04-29 | 2016-10-25 | Eaton Corporation | Centralized controller for intelligent control of thermostatically controlled devices |
| US20150066228A1 (en) * | 2013-07-26 | 2015-03-05 | Peaknrg | Building Management and Appliance Control System |
| CN104008432A (zh) | 2014-06-03 | 2014-08-27 | 华北电力大学 | 基于emd-kelm-ekf的微网短期负荷预测方法 |
| CN104022503B (zh) | 2014-06-18 | 2017-01-04 | 中国科学院自动化研究所 | 一种带有储能设备的智能微电网电能优化控制方法 |
| CN104218683B (zh) | 2014-10-11 | 2016-03-23 | 重庆邮电大学 | 一种闭环自学习需求响应系统及方法 |
| US9989266B2 (en) | 2014-12-22 | 2018-06-05 | Battelle Memorial Institute | Automatic set point detection for water heaters operating in a demand response |
| SE538564C2 (en) | 2014-12-23 | 2016-09-20 | Scypho Sweden Ab | Indoor Climate Control System |
| RU162791U8 (ru) * | 2015-08-03 | 2017-03-09 | Общество с ограниченной ответственностью "К-СОФТ" (ООО "К-СОФТ") | Модульный энергосберегающий блок управления системой промышленного электрообогрева с возможностью технического учёта электроэнергии |
| CN105207267B (zh) * | 2015-10-29 | 2017-03-22 | 南阳理工学院 | 一种微网能量管理系统 |
-
2016
- 2016-12-27 EP EP16207020.5A patent/EP3343717A1/en not_active Withdrawn
-
2017
- 2017-12-27 UA UAA201907048A patent/UA127389C2/uk unknown
- 2017-12-27 PL PL17832507T patent/PL3516750T3/pl unknown
- 2017-12-27 US US16/464,796 patent/US10983484B2/en active Active
- 2017-12-27 CN CN202310304081.3A patent/CN116316657A/zh active Pending
- 2017-12-27 KR KR1020197022067A patent/KR102407764B1/ko active IP Right Grant
- 2017-12-27 CN CN201780081261.2A patent/CN110178280B/zh active Active
- 2017-12-27 EP EP17832507.2A patent/EP3516750B1/en active Active
- 2017-12-27 WO PCT/EP2017/084667 patent/WO2018122273A1/en unknown
- 2017-12-27 DK DK17832507.2T patent/DK3516750T3/da active
- 2017-12-27 RU RU2019120563A patent/RU2747281C2/ru active
- 2017-12-27 KR KR1020227019173A patent/KR102511879B1/ko active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB2472385A (en) | 2009-07-31 | 2011-02-09 | Demand Logic Ltd | Controlling power demand using a building management system |
| US20120296479A1 (en) | 2011-05-16 | 2012-11-22 | Jessica Millar | Electrical thermal storage with edge-of-network tailored energy delivery systems and methods |
| WO2014186845A1 (en) | 2013-05-22 | 2014-11-27 | Vito Nv | Power supply network control system and method |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2018122273A1 (en) | 2018-07-05 |
| PL3516750T3 (pl) | 2022-01-17 |
| EP3343717A1 (en) | 2018-07-04 |
| CN110178280A (zh) | 2019-08-27 |
| UA127389C2 (uk) | 2023-08-09 |
| CN110178280B (zh) | 2023-12-05 |
| KR102511879B1 (ko) | 2023-03-17 |
| US10983484B2 (en) | 2021-04-20 |
| KR20190102237A (ko) | 2019-09-03 |
| DK3516750T3 (da) | 2021-07-26 |
| RU2019120563A3 (ko) | 2021-03-19 |
| KR20220084184A (ko) | 2022-06-21 |
| RU2747281C2 (ru) | 2021-05-04 |
| EP3516750A1 (en) | 2019-07-31 |
| US20190324411A1 (en) | 2019-10-24 |
| RU2019120563A (ru) | 2021-01-29 |
| CN116316657A (zh) | 2023-06-23 |
| EP3516750B1 (en) | 2021-06-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102407764B1 (ko) | 그리드 내의 차폐된 시스템을 위한 계층적 암시적 제어기 | |
| Vázquez-Canteli et al. | Reinforcement learning for demand response: A review of algorithms and modeling techniques | |
| Golpîra et al. | A multi-objective risk-based robust optimization approach to energy management in smart residential buildings under combined demand and supply uncertainty | |
| Liu et al. | Transactive energy: A review of state of the art and implementation | |
| Moser et al. | A MILP-based modular energy management system for urban multi-energy systems: Performance and sensitivity analysis | |
| US20200076192A1 (en) | Distributed hierarchical control architecture for integrating smart grid assets during normal and disrupted operations | |
| Ruelens et al. | Demand response of a heterogeneous cluster of electric water heaters using batch reinforcement learning | |
| Kong et al. | Optimal operation strategy for interconnected microgrids in market environment considering uncertainty | |
| Losi et al. | Integration of demand response into the electricity chain: challenges, opportunities, and Smart Grid solutions | |
| Huang et al. | A hybrid algorithm for mixed integer nonlinear programming in residential energy management | |
| EP2806520A1 (en) | Power supply network control system and method | |
| Zhu et al. | Optimal energy management for grid-connected microgrids via expected-scenario-oriented robust optimization | |
| Lampropoulos et al. | Hierarchical predictive control scheme for distributed energy storage integrated with residential demand and photovoltaic generation | |
| Hassan et al. | A hierarchical approach to multienergy demand response: From electricity to multienergy applications | |
| Bartolucci et al. | Hybrid renewable energy systems: Influence of short term forecasting on model predictive control performance | |
| Stluka et al. | Architectures and algorithms for building automation—An industry view | |
| Aziz et al. | Emerging trends and approaches for designing net-zero low-carbon integrated energy networks: A review of current practices | |
| Dong et al. | An adaptive decentralized regulation strategy for the cluster with massive inverter air conditionings | |
| Oprea | Informatics solutions for electricity consumption optimization | |
| Zhou et al. | Optimization of building demand flexibility using reinforcement learning and rule-based expert systems | |
| EP4049204A1 (en) | System for configuring demand response for energy grid assets | |
| Lefort | A smart grid ready building energy management system based on a hierarchical model predictive control. | |
| Halvgaard et al. | Decentralized large-scale power balancing | |
| Moradzadeh | Optimal distribution reconfiguration and demand management within practical operational constraints | |
| Islam et al. | A Review on Demand Side Management and Case Study Using Optimization Tool |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| A107 | Divisional application of patent | ||
| GRNT | Written decision to grant |