KR102428448B1 - 인공지능 기반 전기 사용 시설의 계약 전력 최적화 방법 - Google Patents

Abstract

일실시예에 따른 장치는 전기를 사용하는 제1 기업의 제1 기업 단말로부터 계약 전력 최적화 요청을 수신하고, 계약 전력 최적화 요청에 응답하여, 제1 기업의 기업명, 업종, 주소, 사업자등록번호, 법인등록번호, 전화번호 및 이메일을 포함하는 기업 정보를 제1 기업 단말로부터 획득하고, 제1 기업의 사용 전력량을 미리 정의된 구간으로 분류한 전력 사용 정보를 획득하고, 전력 사용 정보로부터 현재 시점을 기준으로 최근 12개월 동안의 월별 최대 수요 전력량들을 획득하고, 전력 사용 정보로부터 현재 시점을 기준으로 최근 12개월 동안의 월별 최대부하 전력량들을 획득하고, 전력 사용 정보로부터 현재 시점을 기준으로 최근 12개월 동안의 월별 중부하 전력량들을 획득하고, 전력 사용 정보로부터 현재 시점을 기준으로 최근 12개월 동안의 월별 경부하 전력량들을 획득하고, 기업 정보, 월별 최대 수요 전력량들, 월별 최대부하 전력량들, 월별 중부하 전력량들 및 월별 경부하 전력량들에 기초하여, 제1 기업의 최적 계약 전력을 인공지능모델을 통해 예측할 수 있다.

Description

인공지능 기반 전기 사용 시설의 계약 전력 최적화 방법{METHODS FOR OPTIMIZING CONTRACT POWER IN ELECTRICITY-USING FACILITIES BASED ON ARTIFICIAL INTELLIGENCE}

아래 실시예들은 인공지능을 기반으로 전기 사용 시설의 계약 전력을 최적화하는 기술에 관한 것이다.

현재, 우리나라는 한국전력공사(한전, KEPCO: Korea Electric Power Corporation)가 전력의 수요를 관리하고, 전력을 판매 및 공급하는 역할을 맡고 있다.

일반용·산업용·교육용 등의 전기요금체계를 이용하는 업종에서는 사용자에 따라 최대수요 및 전력량의 편차가 심해 사용자와 한국전력공사가 계약 전력이라는 전력사용량을 정해 계약한 수용전력 사전계약을 맺는 방식으로 전기 요금을 납부해오고 있다.

하지만, 계약전력에 대한 이해가 부족한 데다, 복잡한 전기요금체계도 익숙하지 않아 대다수의 사용자는 실제 최대수요 및 사용량에 대한 정확한 예측 없이 건물 규모, 수량 등을 감안해 대략적으로 계약전력을 산정받아 전기요금을 실제 사용량에 비해 터무니없이 많은 요금을 납부해 오고 있었던 것으로 확인됐다.

따라서, 실제 사용자가 사용하는 전기 사용량에 따라 계약 전력을 최적화할 수 있는 기술에 대한 개발이 요구되고 있다.

대한민국 공개특허 제 10-2016-0043240(2016.04.21 공개) 대한민국 등록특허 제 10-2330847(2021.11.23 공고) 대한민국 공개특허 제 10-2010-0037430호(2010.04.09 공개) 대한민국 공개특허 제 10-2020-0142752호(2020.12.23 공개)

실시예들은 인공지능을 기반으로 전기 사용 시설의 계약 전력을 최적화 서비스를 제공하고자 한다.

실시예들은 인공신경망의 학습을 통해 기업의 전기 사용량을 분석하여, 최대 수요 전력량을 예측하고자 한다.

실시예들은 최적 계약 전력에 대응하는 전기 요금제를 추출하여, 기업의 최적 전기 요금을 산출하고자 한다.

일실시예에 따르면, 장치에 의해 수행되는 방법에 있어서, 전기를 사용하는 제1 기업의 제1 기업 단말로부터 계약 전력 최적화 요청을 수신하는 단계; 상기 계약 전력 최적화 요청에 응답하여, 상기 제1 기업의 기업명, 업종, 주소, 사업자등록번호, 법인등록번호, 전화번호 및 이메일을 포함하는 기업 정보를 상기 제1 기업 단말로부터 획득하는 단계; 상기 제1 기업의 사용 전력량을 미리 정의된 구간으로 분류한 전력 사용 정보를 획득하는 단계; 상기 전력 사용 정보로부터 현재 시점을 기준으로 최근 12개월 동안의 월별 최대 수요 전력량들을 획득하는 단계; 상기 전력 사용 정보로부터 현재 시점을 기준으로 최근 12개월 동안의 월별 최대부하 전력량들을 획득하는 단계; 상기 전력 사용 정보로부터 현재 시점을 기준으로 최근 12개월 동안의 월별 중부하 전력량들을 획득하는 단계; 상기 전력 사용 정보로부터 현재 시점을 기준으로 최근 12개월 동안의 월별 경부하 전력량들을 획득하는 단계; 및 상기 기업 정보, 상기 월별 최대 수요 전력량들, 상기 월별 최대부하 전력량들, 상기 월별 중부하 전력량들 및 상기 월별 경부하 전력량들에 기초하여, 상기 제1 기업의 최적 계약 전력을 인공지능모델을 통해 예측하는 단계를 포함할 수 있다.

상기 인공지능모델은 제1 인공신경망 및 제2 인공신경망을 포함하고, 상기 인공지능모델을 통해 예측하는 단계는 현재 시점을 기준으로 최근의 미리 정의된 기간인 제1 기간 동안의 제1 최대 수요 전력량들, 제1 최대부하 전력량들, 제1 중부하 전력량들 및 제1 경부하 전력량들을 획득하는 단계; 상기 기업 정보, 상기 제1 최대 수요 전력량들, 상기 제1 최대부하 전력량들, 상기 제1 중부하 전력량들 및 상기 제1 경부하 전력량들을 상기 제1 인공신경망에 적용하여, 상기 최대 수요 전력량들에 대응하는 최대 수요 가중치, 상기 최대부하 전력량들에 대응하는 최대부하 가중치, 상기 중부하 전력량들에 대응하는 중부하 가중치 및 상기 경부하 전력량들에 대응하는 경부하 가중치를 생성하는 단계; 및 상기 최대 수요 가중치, 상기 최대부하 가중치, 상기 중부하 가중치 및 상기 경부하 가중치가 각각 적용된 예측 최대 수요 전력량들, 예측 최대부하 전력량들, 예측 중부하 전력량들 및 예측 경부하 전력량들 및 상기 기업 정보를 상기 제2 인공신경망에 적용하여, 상기 제1 기업의 최적 계약 전력을 예측하는 단계를 포함할 수 있다.

상기 제1 출력 신호를 생성하는 단계는 상기 기업 정보, 상기 제1 최대 수요 전력량들, 상기 제1 최대부하 전력량들, 상기 제1 중부하 전력량들 및 상기 제1 경부하 전력량들에 기초하여 제1 입력 신호를 생성하는 단계; 상기 제1 입력 신호를 상기 제1 인공신경망-상기 제1 인공신경망은 트레이닝 기업 정보들, 트레이닝 제1 최대 수요 전력량들, 트레이닝 제1 최대부하 전력량들, 트레이닝 제1 중부하 전력량들, 트레이닝 제1 경부하 전력량들, 제1 출력 신호들 및 트레이닝 최대 수요 가중치들, 트레이닝 최대부하 가중치들, 트레이닝 중부하 가중치들 및 트레이닝 경부하 가중치들에 기초하여 미리 학습됨-에 적용하여 총 합이 1로 표현되는 실수 값들을 포함하는 제1 출력 신호를 생성하는 단계; 및 상기 제1 출력 신호에 기초하여 상기 최대 수요 가중치, 상기 최대부하 가중치, 상기 중부하 가중치 및 상기 경부하 가중치-상기 최대 수요 가중치, 상기 최대부하 가중치, 상기 중부하 가중치 및 상기 경부하 가중치 순으로 가중치가 높게 설정됨-를 생성하는 단계를 포함할 수 있다.

상기 트레이닝 최대 수요 가중치들, 상기 트레이닝 최대부하 가중치들, 상기 트레이닝 중부하 가중치들 및 상기 트레이닝 경부하 가중치들은 상기 트레이닝 제1 최대 수요 전력량들, 상기 트레이닝 제1 최대부하 전력량들, 상기 트레이닝 제1 중부하 전력량들 및 상기 트레이닝 제1 경부하 전력량들에 각각 대응하는 가중치들이고, 상기 제1 출력 신호들은 상기 트레이닝 제1 최대 수요 전력량들, 상기 트레이닝 제1 최대부하 전력량들, 상기 트레이닝 제1 중부하 전력량들 및 상기 트레이닝 제1 경부하 전력량들이 상기 제1 인공신경망에 적용되어 생성된 출력 신호들이며, 상기 제1 인공신경망은 제1 출력 신호들 및 상기 트레이닝 최대 수요 가중치들, 상기 트레이닝 최대부하 가중치들, 상기 트레이닝 중부하 가중치들 및 상기 트레이닝 경부하 가중치들의 차이들에 기초하여 트레이닝 에러들을 최소화하여 학습될 수 있다.

상기 제1 기업의 최적 계약 전력을 예측하는 단계는 상기 최대 수요 가중치, 상기 최대부하 가중치, 상기 중부하 가중치 및 상기 경부하 가중치가 각각 적용된 예측 최대 수요 전력량들, 예측 최대부하 전력량들, 예측 중부하 전력량들 및 예측 경부하 전력량들 및 상기 기업 정보에 기초하여 제2 입력 신호를 생성하는 단계; 상기 제2 입력 신호를 상기 제2 인공신경망에 적용하여, 미리 정의된 범위의 정수들에 각각 대응하는 값들을 포함하는 제2 출력 신호를 생성하는 단계; 상기 제2 출력 신호에 기초하여 상기 제1 기업의 상기 전력 사용 정보를 기준으로 한 제1 기업의 최대 수요 전력량을 도출하는 단계; 및 상기 도출된 최대 수요 전력량을 상기 제1 기업의 최적 계약 전력으로 예측하는 단계를 포함할 수 있다.

상기 장치에 의해 수행되는 방법에 있어서, 상기 제1 기업의 기존에 설정된 기존 계약 전력에 대한 기존 계약 전력 정보를 획득하는 단계; 상기 기존 계약 전력 정보로부터 상기 기존 계약 전력에서 상기 제1 기업의 최적 계약 전력을 차감하여 계약 전력 차이값을 산출하는 단계; 상기 계약 전력 차이값과 미리 설정된 제1 기준 차이값을 비교하는 단계; 상기 계약 전력 차이값이 상기 제1 기준 차이값보다 큰 경우, 상기 제1 기업의 계약 전력의 변경에 대한 계약 전력 변경 안내 메시지를 상기 제1 기업 단말로 전송하는 단계; 상기 계약 전력 차이값이 상기 제1 기준 차이값보다 작은 경우, 상기 계약 전력 차이값과 미리 설정된 제2 기준 차이값을 비교하는 단계; 상기 계약 전력 차이값이 상기 제2 기준 차이값보다 큰 경우, 상기 제1 기업의 계약 전력의 변경 시 이점을 설명하는 계약 전력 이점 설명 메시지를 상기 제1 기업 단말로 전송하는 단계; 및 상기 계약 전력 차이값이 상기 제2 기준 차이값보다 작은 경우, 전기 요금을 절감할 수 있는 제도 및 방법에 대해 안내하는 전기 요금 절감 안내 메시지를 상기 제1 기업 단말로 전송하는 단계를 더 포함할 수 있다.

상기 장치에 의해 수행되는 방법에 있어서, 상기 계약 전력 변경 안내 메시지를 상기 제1 기업 단말로 전송하는 단계; 상기 제1 기업 단말로부터 계약 전력 변경 안내 메시지에 대한 응답으로 상기 최적 계약 전력으로 계약 전력을 변경하는 것에 대한 승인 메시지를 수신하는 단계; 전력 공급 회사로부터 전기 요금제에 대한 전기 요금표 정보를 획득하는 단계; 상기 전기 요금표 정보로부터 상기 제1 기업의 최적 계약 전력 및 상기 기업 정보에 대응하는 최적 전기 요금제를 추출하는 단계; 및 상기 제1 기업에 대해 최적 전기 요금제의 변경에 대한 전기 요금제 변경 안내 메시지를 상기 제1 기업 단말로 전송하는 단계를 더 포함할 수 있다.

상기 장치에 의해 수행되는 방법에 있어서, 상기 최적 전기 요금제로부티 기본 요금 정보를 획득하는 단계; 상기 현재 시점에 해당하는 월이 어느 계절-상기 계절은 여름(6~8월), 봄/가을(3~5월/9~10월) 및 겨울(11월~2월)에 해당함-에 속하는지 여부를 판단하여 계절 요금 정보를 획득하는 단계; 상기 계절 요금 정보로부터 최대부하 시간대에 따른 최대부하 요금 정보 및 상기 최대부하 시간대에 소비한 최대부하 전력량 정보를 획득하는 단계; 상기 최대부하 요금 정보 및 상기 최대부하 전력량 정보로부터 최대부하 전기 요금을 산출하는 단계; 상기 계절 요금 정보로부터 중부하 시간대에 따른 중부하 요금 정보 및 상기 중부하 시간대에 소비한 중부하 전력량 정보를 획득하는 단계; 상기 중부하 요금 정보 및 상기 중부하 전력량 정보로부터 중부하 전기 요금을 산출하는 단계; 상기 계절 요금 정보로부터 경부하 시간대에 따른 경부하 요금 정보 및 상기 경부하 시간대에 소비한 경부하 전력량 정보를 획득하는 단계; 상기 경부하 요금 정보 및 상기 경부하 전력량 정보로부터 경부하 전기 요금을 산출하는 단계; 및 상기 기본 요금 정보, 상기 최대부하 전기 요금, 상기 중부하 전기 요금 및 상기 경부하 전기 요금을 합산하여 상기 제1 기업의 최적 전기 요금을 산출하는 단계를 더 포함할 수 있다.

상기 장치에 의해 수행되는 방법에 있어서, 상기 제1 기업에 근무하는 복수의 직원을 그룹화하여, 팀 프로젝트를 수행하기 위한 팀으로 각각 분류하는 단계; 제1 팀으로 분류된 직원 각각에게 역할을 부여하는 단계; 상기 제1 팀에서 상기 팀 프로젝트를 수행하는 도중, 문제 상황이 발생한 경우, 문제 상황에 따라 선택된 반응 정보를 직원 별로 획득하는 단계; 및 상기 제1 팀에서 수행중인 상기 팀 프로젝트가 종료되면, 문제 상황 별로 획득된 반응 정보에 기초하여, 각 직원에게 부여된 역할의 업무를 상황 별로 잘 처리하였는지 평가하는 단계를 더 포함할 수 있다.

상기 평가하는 단계는 상기 제1 팀에서 수행중인 상기 팀 프로젝트가 종료되면, 상기 팀 프로젝트를 수행하는 도중 대화창에 입력된 제1 팀의 대화 정보를 획득하는 단계; 상기 제1 팀의 대화 정보에서 제1 직원에 의해 입력된 제1 직원의 대화 정보를 추출하는 단계; 상기 제1 직원의 대화 정보에 기초하여, 상기 제1 직원의 대화에서 능동적인 의미를 가지는 단어를 구분한 후, 문제 상황 발생으로부터 기준 시간 이내에 상기 제1 직원의 대화에서 능동적인 의미를 가지는 단어가 존재하는지 여부를 확인하여, 상기 제1 직원의 대화에서 능동적인 의미를 가지는 단어가 상기 기준 시간 이내에 등장한 문제 상황의 수를 제1 횟수로 산출하는 단계; 상기 제1 직원의 대화 정보에 기초하여, 상기 제1 직원의 대화에서 수동적인 의미를 가지는 단어를 구분한 후, 문제 상황 발생으로부터 상기 기준 시간 이내에 상기 제1 직원의 대화에서 수동적인 의미를 가지는 단어가 존재하는지 여부를 확인하여, 상기 제1 직원의 대화에서 수동적인 의미를 가지는 단어가 상기 기준 시간 이내에 등장한 문제 상황의 수를 제2 횟수로 산출하는 단계; 상기 제1 직원의 대화 정보에 기초하여, 상기 제1 직원의 대화에서 문제 상황을 해결하는데 있어 중요한 의미를 가지는 단어를 구분한 후, 문제 상황 발생으로부터 상기 기준 시간 이내에 상기 제1 직원의 대화에서 중요한 의미를 가지는 단어가 존재하는지 여부를 확인하여, 상기 제1 직원의 대화에서 중요한 의미를 가지는 단어가 상기 기준 시간 이내에 등장한 문제 상황의 수를 제3 횟수로 산출하는 단계; 및 상기 제1 횟수를 통해 상기 제1 직원의 리더십을 평가하고, 상기 제2 횟수를 통해 상기 제1 직원의 팔로우십을 평가하고, 상기 제3 횟수를 통해 상기 제1 직원의 위기대처능력을 평가하는 단계를 더 포함할 수 있다.

상기 장치에 의해 수행되는 방법에 있어서, 제1 시점에 상기 제1 기업 단말의 카메라를 이용하여 상기 제1 기업의 전력 측정기에 대한 촬영이 수행되면, 상기 제1 시점에 상기 제1 기업의 전력 측정기를 촬영하여 생성된 제1 이미지를 획득하는 단계; 상기 제1 이미지를 인코딩 하여 제3 입력 신호를 생성하는 단계; 상기 제1 입력 신호를 제3 인공신경망에 입력하고, 상기 제3 인공신경망의 입력에 대한 결과에 기초하여, 제3 출력 신호를 획득하는 단계; 상기 제3 출력 신호를 기초로, 상기 제1 시점에 보관되어 있는 상기 전력기기의 종류 및 상기 사용 전력량을 분석하는 단계; 상기 제1 시점으로부터 미리 설정된 제1 기준 기간이 지난 후인 제2 시점에 상기 제1 기업 단말의 카메라를 이용하여 상기 제1 기업의 전력 측정기에 대한 촬영이 수행되면, 상기 제2 시점에 상기 제1 기업의 전력 측정기를 촬영하여 생성된 제2 이미지를 획득하는 단계; 상기 제2 이미지를 인코딩 하여 제4 입력 신호를 생성하는 단계; 상기 제4 입력 신호를 상기 제3 인공신경망에 입력하고, 상기 제3 인공신경망의 입력에 대한 결과에 기초하여, 제4 출력 신호를 획득하는 단계; 상기 제4 출력 신호를 기초로, 상기 제2 시점에 보관되어 있는 상기 전력기기의 종류 및 상기 사용 전력량을 분석하는 단계; 상기 제1 시점에 사용된 상기 전력기기의 종류 및 상기 사용 전력량과 상기 제2 시점에 사용된 상기 전력기기의 종류 및 상기 사용 전력량을 비교하여, 상기 제1 시점과 상기 제2 시점 간에 전력량 차이가 있는지 여부를 확인하는 단계; 상기 제1 시점에 사용된 사용 전력량이 제1 전력량이고, 상기 제2 시점에 사용된 사용 전력량이 제1 전력량이 제2 전력량인 경우, 상기 제1 전력량 및 상기 제2 전력량이 상이한 것으로 확인되어, 상기 제1 시점과 상기 제2 시점 간에 상기 제1 기업의 사용 전력량이 차이가 있는 것으로 확인되면, 상기 제1 전력량에서 상기 제2 전력량을 차감하여, 상기 제1 기업의 소비 전력량을 산출하는 단계; 상기 제1 기업의 소비 전력량이 0보다 큰 것으로 확인되면, 상기 제1 기준 기간 동안 발급된 상기 제1 기업의 전력 비용 청구서를 획득하는 단계; 상기 제1 기업의 전력 비용 청구서를 기초로, 상기 제1 기준 기간 동안 사용된 전력기기의 종류 및 청구 전력량을 분석하는 단계; 상기 제1 기준 기간 동안 상기 제1 기업의 전력기기가 사용된 것으로 확인되면, 상기 제1 기준 기간 동안 판매된 상기 제1 기업의 청구 전력량을 확인하는 단계; 및 상기 제1 기업의 소비 전력량과 상기 제1 기업의 청구 전력량이 일치하지 않는 것으로 확인되면, 상기 제1 기업의 소비 전력량에 문제가 있는 것으로 판단하여, 상기 제1 기업의 소비 전력량 확인 알림 메시지를 상기 제1 기업 단말로 전송하는 단계를 더 포함할 수 있다.

일실시예에 따른 장치는 하드웨어와 결합되어 상술한 방법들 중 어느 하나의 항의 방법을 실행시키기 위하여 매체에 저장된 컴퓨터 프로그램에 의해 제어될 수 있다.

실시예들은 인공지능을 기반으로 전기 사용 시설의 계약 전력을 최적화 서비스를 제공할 수 있다.

실시예들은 인공신경망의 학습을 통해 기업의 전기 사용량을 분석하여, 최대 수요 전력량을 예측할 수 있다.

실시예들은 최적 계약 전력에 대응하는 전기 요금제를 추출하여, 기업의 최적 전기 요금을 산출할 수 있다.

도 1은 일실시예에 따른 시스템의 구성을 설명하기 위한 도면이다.
도 2는 일실시예에 따른 인공지능 기반의 전기 사용 시설의 계약 전력 최적화를 제공하는 과정을 설명하기 위한 순서도이다.
도 3은 일실시예에 따른 인공지능모델을 통해 최적 계약 전력을 예측하는 과정을 설명하기 위한 도면이다.
도 4는 일실시예에 따른 제1 인공신경망을 설명하기 위한 도면이다.
도 5는 일실시예에 따른 제1 인공신경망의 학습을 설명하기 위한 도면이다.
도 6은 일실시예에 따른 제2 인공신경망을 설명하기 위한 도면이다.
도 7은 일실시예에 따른 계약 전력 변경 안내 메시지를 전송하는 과정을 설명하기 위한 순서도이다.
도 8은 일실시예에 따른 제1 기업의 전기 요금제 변경 안내 메시지를 전송하는 과정을 설명하기 위한 순서도이다.
도 9는 일실시예에 따른 최적 전기 요금을 산출하는 과정을 설명하기 위한 순서도이다.
도 10은 일실시예에 따른 제1 기업의 소비 전력량을 관리하는 과정을 설명하기 위한 순서도이다.
도 11은 일실시예에 따른 제3 인공신경망을 설명하기 위한 도면이다.
도 12는 일실시예에 따른 전력 비용 청구서를 통해 제1 기업의 소비 전력량을 확인하는 과정을 설명하기 위한 순서도이다.
도 13은 일실시예에 따른 장치의 구성의 예시도이다.

이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.

실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.

제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.

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

실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안 된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

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

또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.

실시예들은 퍼스널 컴퓨터, 랩톱 컴퓨터, 태블릿 컴퓨터, 스마트 폰, 텔레비전, 스마트 가전 기기, 지능형 자동차, 키오스크, 웨어러블 장치 등 다양한 형태의 제품으로 구현될 수 있다.

인공지능(Artificial Intelligence, AI) 시스템은 인간 수준의 지능을 구현하는 컴퓨터 시스템이며, 기존 규칙(Rule) 기반의 스마트 시스템과 달리 기계가 스스로 학습하고 판단하는 시스템이다. 인공지능 시스템은 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 규칙 기반의 스마트 시스템은 점차 심층 학습(Deep Learning) 기반 인공지능 시스템으로 대체되고 있다.

인공지능 기술은 기계 학습 및 기계 학습을 활용한 요소기술들로 구성된다. 기계 학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소기술은 심층 학습 등의 기계 학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야로 구성된다.

인공지능 기술이 응용되는 다양한 분야는 다음과 같다. 언어적 이해는 인간의 언어/문자를 인식하고 응용/처리하는 기술로서, 자연어 처리, 기계 번역, 대화시스템, 질의 응답, 음성 인식/합성 등을 포함한다. 시각적 이해는 사물을 인간의 시각처럼 인식하여 처리하는 기술로서, 객체 인식, 객체 추적, 영상 검색, 사람 인식, 장면 이해, 공간 이해, 영상 개선 등을 포함한다. 추론 예측은 정보를 판단하여 논리적으로 추론하고 예측하는 기술로서, 지식/확률 기반 추론, 최적화 예측, 선호 기반 계획, 추천 등을 포함한다. 지식 표현은 인간의 경험정보를 지식데이터로 자동화 처리하는 기술로서, 지식 구축(데이터 생성/분류), 지식 관리(데이터 활용) 등을 포함한다. 동작 제어는 차량의 자율 주행, 로봇의 움직임을 제어하는 기술로서, 움직임 제어(항법, 충돌, 주행), 조작 제어(행동 제어) 등을 포함한다.

일반적으로 기계 학습 알고리즘을 실생활에 적용하기 위해서는 기계 학습의 기본 방법론의 특성상 Trial and Error 방식으로 학습을 수행하게 된다. 특히, 심층 학습의 경우 수십만 번의 반복 실행을 필요로 한다. 이를 실제 물리적인 외부 환경에서 실행하기는 불가능하여 대신 실제 물리적인 외부 환경을 컴퓨터상에서 가상으로 구현하여 시뮬레이션을 통해 학습을 수행한다.

도 1은 일실시예에 따른 시스템의 구성을 설명하기 위한 도면이다.

도 1을 참조하면, 일실시예에 따른 시스템은 통신망을 통해 서로 통신 가능한 복수의 기업 단말(10) 및 장치(30)를 포함할 수 있다.

먼저, 통신망은 유선 및 무선 등과 같이 그 통신 양태를 가리지 않고 구성될 수 있으며, 서버와 서버 간의 통신과 서버와 단말 간의 통신이 수행되도록 다양한 형태로 구현될 수 있다.

복수의 기업 단말(10)은 전기를 사용하는 기업의 관계자가 사용하는 단말기로, 제1 기업이 사용하는 제1 기업 단말(11), 제2 기업이 사용하는 제2 기업 단말(12), 제3 기업이 사용하는 제3 기업 단말(13) 등을 포함할 수 있다.

복수의 기업 단말(10) 각각은 데스크탑 컴퓨터, 노트북, 태블릿, 스마트폰 등일 수 있다. 예를 들어, 도 1에 도시된 바와 같이, 제1 기업 단말(11), 제2 기업 단말(12), 제3 기업 단말(13) 등은 스마트폰일 수 있으며, 실시예에 따라 달리 채용될 수도 있다.

복수의 기업 단말(10) 각각은 통상의 컴퓨터가 가지는 연산 기능, 저장/참조 기능, 입출력 기능 및 제어 기능을 전부 또는 일부 수행하도록 구성될 수 있다. 복수의 기업 단말(10)은 장치(30)와 유무선으로 통신하도록 구성될 수 있다.

복수의 기업 단말(10) 각각은 장치(30)를 이용하여 서비스를 제공하는 자 내지 단체가 운영하는 웹 페이지에 접속되거나, 장치(30)를 이용하여 서비스를 제공하는 자 내지 단체가 개발·배포한 애플리케이션이 설치될 수 있다. 복수의 기업 단말(10) 각각은 웹 페이지 또는 애플리케이션을 통해 장치(30)와 연동될 수 있다.

복수의 기업 단말(10) 각각은 장치(30)에서 제공하는 웹 페이지, 애플리케이션을 등을 통해 장치(30)에 접속할 수 있다.

이하에서는 설명의 편의상, 제1 기업 단말(11)의 동작을 위주로 설명하지만, 제2 기업 단말(12) 등의 다른 기업 단말에서 제1 기업 단말(11)의 동작을 대신 수행할 수 있는 것은 물론이다.

일실시예에 따르면, 장치(30)는 인공지능을 기반으로 사용 시설의 계약 전력 최적화 서비스를 제공할 수 있다.

여기서, 계약 전력은 전기를 사용하는 기업의 전기사용설비를 전력으로 환산한 값으로써 전기사용신청 시 전기공급사업자(이하 한전)에 납부하는 고객부담공사비 중에서 기본시설부담금을 산정하는 기준이 될 뿐 아니라 전기요금의 기본요금 계산 시에도 기준이 되는 값을 의미할 수 있다.

장치(30)는 장치(30)를 이용하여 서비스를 제공하는 자 내지 단체가 보유한 자체 서버일수도 있고, 클라우드 서버일 수도 있고, 분산된 노드(node)들의 p2p(peer-to-peer) 집합일 수도 있다. 장치(30)는 통상의 컴퓨터가 가지는 연산 기능, 저장/참조 기능, 입출력 기능 및 제어 기능을 전부 또는 일부 수행하도록 구성될 수 있다.

장치(30)는 복수의 기업 단말(10)과 유무선으로 통신하도록 구성될 수 있으며, 복수의 기업 단말(10) 각각의 동작을 제어하고, 복수의 기업 단말(10) 각각의 화면에 어느 정보를 표시할 것인지에 대해 제어할 수 있다.

한편, 설명의 편의를 위해 도 1에서는 복수의 기업 단말(10) 중 제1 기업 단말(11), 제2 기업 단말(12) 및 제3 기업 단말(13)만을 도시하였으나, 단말들의 수는 실시예에 따라 얼마든지 달라질 수 있다. 장치(30)의 처리 용량이 허용하는 한, 단말들의 수는 특별한 제한이 없다.

일실시예에 따르면, 장치(30) 내에는 데이터베이스가 구비될 수 있으며, 이에 한정되지 않고, 장치(30)와 별도로 데이터베이스가 구성될 수 있다. 장치(30)는 기계 학습 알고리즘의 수행을 위한 다수의 인공신경망을 포함할 수 있다.

도 2는 일실시예에 따른 인공지능 기반의 전기 사용 시설의 계약 전력 최적화를 제공하는 과정을 설명하기 위한 순서도이다.

도 2를 참조하면, 먼저 S201 단계에서, 장치(30)는 전기를 사용하는 제1 기업의 제1 기업 단말(11)로부터 계약 전력 최적화 요청을 수신할 수 있다. 이때, 제1 기업 단말(11)은 계약 전력 최적화를 요청하고자 하는 제1 기업의 관계자가 사용하는 단말을 의미할 수 있다.

일실시예에 따르면, 계약 전력은 전기요금의 기본요금 계산 시 기준이 되는 값으로 계약 전력 최적화 요청을 통해 제1 기업의 기존 계약 전력을 최적 계약 전력으로 변경함으로써, 제1 기업은 전기 사용 요금을 절감할 수 있는 효과를 얻을 수 있다.

S202 단계에서, 장치(30)는 계약 전력 최적화 요청에 응답하여, 제1 기업의 기업 정보를 제1 기업 단말(11)로부터 획득할 수 있다.

이때, 기업 정보는 제1 기업의 기업명, 업종, 주소, 사업자등록번호, 법인등록번호, 전화번호 및 이메일 중 적어도 하나를 포함할 수 있다.

S203 단계에서, 장치(30)는 제1 기업의 사용 전력량을 미리 정의된 구간으로 분류한 전력 사용 정보를 획득할 수 있다. 예를 들어, 미리 정의된 구간은 월, 분기, 연도 등에 따라 다양하게 설정될 수 있다.

예를 들어, 장치(30)는 제1 기업의 사용 전력량을 월에 따라 최근 3개월 동안 제1 기업이 사용한 전력량에 대한 전력 사용 정보를 수집할 수 있다.

S204 단계에서, 장치(30)는 전력 사용 정보로부터 현재 시점을 기준으로 최근 12개월 동안의 월별 최대 수요 전력량들을 획득할 수 있다.

이때, 최대 수요 전력량은 제1 기업이 실제 전기를 사용하면서 계량된 수요 전력 중 가장 큰 값을 의미할 수 있다. 일실시예에 따르면, 장치(30)는 현재 시점을 기준으로 최근 12개월 동안 월별로 계량된 수요 전력 중 가장 큰 값들에 대한 월별 최대 수요 전력량들을 획득할 수 있다.

S205 단계에서, 장치(30)는 전력 사용 정보로부터 현재 시점을 기준으로 최근 12개월 동안의 월별 최대부하 전력량들을 획득할 수 있다.

이때, 최대부하 전력량은 제1 기업이 전력 수요가 가장 높은 시간대인 최대부하 시간대에 전기를 사용하면서 계량된 전력량을 의미할 수 있다. 예를 들어, 최대부하 시간대는 여름철(6월~8월) 및 봄 및 가을철(3월~5월, 9월~10월)에는 오전 10시부터 오후 12시 및 오후 1시부터 오후 5시, 겨울철(11월~2월)에는 오전 10시부터 오후 12시, 오후 5시부터 오후 8시 및 오후 10시부터 오후 11시의 시간대를 의미할 수 있다. 최대부하 시간대는 실시예에 따라 상이하게 설정될 수 있다.

S206 단계에서, 장치(30)는 전력 사용 정보로부터 현재 시점을 기준으로 최근 12개월 동안의 월별 중부하 전력량들을 획득할 수 있다.

이때, 중부하 전력량은 제1 기업이 중부하 시간대에 전기를 사용하면서 계량된 전력량을 의미할 수 있다. 예를 들어, 중부하 시간대는 여름철(6월~8월) 및 봄 및 가을철(3월~5월, 9월~10월)에는 오전 9시부터 오전 10시, 오후 12시부터 오후 1시 및 오후 5시부터 오후 11시, 겨울철(11월~2월)에는 오전 9시부터 오전 10시, 오후 12시부터 오후 5시 및 오후 8시부터 오후 10시의 시간대를 의미할 수 있다. 중부하 시간대는 실시예에 따라 상이하게 설정될 수 있다.

S207 단계에서, 장치(30)는 전력 사용 정보로부터 현재 시점을 기준으로 최근 12개월 동안의 월별 경부하 전력량들을 획득할 수 있다.

이때, 경부하 전력량은 제1 기업이 전력 수요가 가장 낮은 시간대인 경부하 시간대에 전기를 사용하면서 계량된 전력량을 의미할 수 있다. 여름철(6월~8월) 및 봄 및 가을철(3월~5월, 9월~10월)에는 오전 10시부터 오후 12시 및 오후 1시부터 오후 5시, 겨울철(11월~2월)에는 오전 10시부터 오후 12시, 오후 5시부터 오후 8시 및 오후 10시부터 오후 11시의 시간대를 의미할 수 있다. 경부하 시간대는 실시예에 따라 상이하게 설정될 수 있다.

S208 단계에서, 장치(30)는 제1 기업의 최적 계약 전력을 인공지능모델을 통해 예측할 수 있다.

구체적으로, 장치(30)는 기업 정보, 월별 최대 수요 전력량들, 월별 최대부하 전력량들, 월별 중부하 전력량들 및 월별 경부하 전력량들에 기초하여, 제1 기업의 최적 계약 전력을 인공지능모델을 통해 예측할 수 있다.

도 3은 일실시예에 따른 인공지능모델을 통해 최적 계약 전력을 예측하는 과정을 설명하기 위한 도면이다.

도 3을 참조하면, 장치(30)는 현재 시점을 기준으로 최근의 미리 정의된 기간인 제1 기간 동안의 제1 최대 수요 전력량들, 제1 최대부하 전력량들, 제1 중부하 전력량들 및 제1 경부하 전력량들을 획득할 수 있다. 여기서, 제1 기간은 실시예에 따라 상이하게 설정될 수 있다.

일실시예에 따르면, 장치(30)는 제1 기업의 최적 계약 전력을 인공지능모델을 통해 예측할 수 있다. 여기서, 인공지능모델은 제1 인공신경망(100) 및 제2 인공신경망(200)을 포함할 수 있다. 하지만, 실시예에 따라 상이하게 설정될 수 있다.

장치(30)는 기업 정보, 제1 최대 수요 전력량들, 제1 최대부하 전력량들, 제1 중부하 전력량들 및 제1 경부하 전력량들에 기초하여 제1 입력 신호를 생성할 수 있다.

장치(30)는 생성된 제1 입력 신호를 제1 인공신경망(100)을 통해 제1 기업의 최대 수요 가중치, 최대부하 가중치, 중부하 가중치 및 경부하 가중치를 생성할 수 있다. 제1 인공신경망(100)의 학습하는 과정과 관련된 자세한 설명은 도 5를 참고하여 후술하기로 한다.

구체적으로, 장치(30)는 기업 정보, 제1 최대 수요 전력량들, 제1 최대부하 전력량들, 제1 중부하 전력량들 및 제1 경부하 전력량들을 제1 인공신경망(100)에 적용하여 제1 기업의 최대 수요 가중치, 최대부하 가중치, 중부하 가중치 및 경부하 가중치를 생성할 수 있다. 이때, 최대 수요 가중치, 최대부하 가중치, 중부하 가중치 및 경부하 가중치는 총 합이 1로 표현되는 실수 값들일 수 있다.

장치(30)는 최대 수요 가중치, 최대부하 가중치, 중부하 가중치 및 경부하 가중치가 각각 적용된 예측 최대 수요 전력량들, 예측 최대부하 전력량들, 예측 중부하 전력량들 및 예측 경부하 전력량들 및 기업 정보를 제2 인공신경망(200)에 적용하여 제1 기업의 최적 계약 전력을 예측할 수 있다.

도 4는 일실시예에 따른 제1 인공신경망(100)을 설명하기 위한 도면이다.

도 4에 도시한 바와 같이, 장치(30)는 제1 기간 동안의 제1 최대 수요 전력량들, 제1 최대부하 전력량들, 제1 중부하 전력량들, 제1 경부하 전력량들 및 기업 정보를 획득할 수 있다.

장치(30)는 제1 최대 수요 전력량들, 제1 최대부하 전력량들, 제1 중부하 전력량들, 제1 경부하 전력량들 및 기업 정보에 기초하여 제1 입력 신호를 생성할 수 있다.

장치(30)는 생성된 제1 입력 신호를 제1 인공신경망(100)에 적용하여, 제1 출력 신호를 생성할 수 있다. 장치(30)는 생성된 제1 입력 신호에 기초하여 최대 수요 전력량들에 대응하는 최대 수요 가중치, 최대부하 전력량들에 대응하는 최대부하 가중치, 중부하 전력량들에 대응하는 중부하 가중치 및 경부하 전력량들에 대응하는 경부하 가중치를 생성할 수 있다. 제1 인공신경망(100)의 학습하는 과정과 관련된 자세한 설명은 도 5를 참조하여 후술하기로 한다.

이때, 제1 출력 신호는 총 합이 1로 표현되는 실수 값들을 포함할 수 있다. 일실시예에 따르면, 최대 수요 가중치, 최대부하 가중치, 중부하 가중치 및 경부하 가중치 순으로 가중치가 높게 설정될 수 있다.

도 5는 일실시예에 따른 제1 인공신경망(100)의 학습을 설명하기 위한 도면이다.

도 5에 도시한 바와 같이, 장치(30)는 제1 기업에 대한 최대 수요 가중치, 최대부하 가중치, 중부하 가중치 및 경부하 가중치의 추출을 위하여 제1 인공신경망(100)을 학습시킬 수 있다.

제1 인공신경망(100)은 트레이닝 샘플들이 입력되는 제1 입력 레이어(110)와 트레이닝 출력들을 출력하는 제1 출력 레이어(120)를 포함하고, 트레이닝 출력들과 레이블들 사이의 차이에 기초하여 학습될 수 있다. 여기서, 레이블들은 기업 정보들, 제1 최대 수요 전력량들, 제1 최대부하 전력량들, 제1 중부하 전력량들 및 제1 경부하 전력량들에 기초하여 정의될 수 있다. 제1 인공신경망(100)은 복수의 노드들의 그룹으로 연결되어 있고, 연결된 노드들 사이의 가중치들과 노드들을 활성화시키는 활성화 함수에 의해 정의된다.

장치(30)는 GD(Gradient Decent) 기법 또는 SGD(Stochastic Gradient Descent) 기법을 이용하여 제1 인공신경망(100)을 학습시킬 수 있다. 장치(30)는 제1 인공신경망(100)의 출력들 및 레이블들 의해 설계된 손실 함수(Loss Function)를 이용할 수 있다.

장치(30)는 미리 정의된 손실 함수를 이용하여 트레이닝 에러를 계산할 수 있다. 손실 함수는 레이블, 출력 및 파라미터를 입력 변수로 미리 정의될 수 있고, 여기서 파라미터는 제1 인공신경망(100) 내 가중치들에 의해 설정될 수 있다. 예를 들어, 손실 함수는 MSE(Mean Square Error) 형태, 엔트로피(entropy) 형태 등으로 설계될 수 있는데, 손실 함수가 설계되는 실시예에는 다양한 기법 또는 방식이 채용될 수 있다.

장치(30)는 역전파(Backpropagation) 기법을 이용하여 트레이닝 에러에 영향을 주는 가중치들을 찾아낼 수 있다. 여기서, 가중치들은 제1 인공신경망(100) 내 노드들 사이의 관계들이다. 장치(30)는 역전파 기법을 통해 찾아낸 가중치들을 최적화시키기 위해 레이블들 및 출력들을 이용한 SGD 기법을 이용할 수 있다. 예를 들어, 장치(30)는 레이블들, 출력들 및 가중치들에 기초하여 정의된 손실 함수의 가중치들을 SGD 기법을 이용하여 갱신할 수 있다.

일실시예에 따르면, 장치(30)는 트레이닝 기업 정보들, 트레이닝 제1 최대 수요 전력량들, 트레이닝 제1 최대부하 전력량들, 트레이닝 제1 중부하 전력량들 및 트레이닝 제1 경부하 전력량들에 기초하여 제1 트레이닝 입력 신호들을 생성할 수 있다. 장치(30)는 제1 트레이닝 입력 신호들로부터 제1 출력 신호들을 생성할 수 있다.

일실시예에 따르면, 제1 인공신경망(100)은 트레이닝 기업 정보들, 트레이닝 제1 최대 수요 전력량들, 트레이닝 제1 최대부하 전력량들, 트레이닝 제1 중부하 전력량들, 트레이닝 제1 경부하 전력량들, 제1 출력 신호들, 트레이닝 최대 수요 가중치들, 트레이닝 최대부하 가중치들, 트레이닝 중부하 가중치들 및 트레이닝 경부하 가중치들에 기초하여 미리 학습될 수 있다. 제1 인공신경망(100)은 제1 출력 신호들 및 트레이닝 최대 수요 가중치들, 트레이닝 최대부하 가중치들, 트레이닝 중부하 가중치들 및 트레이닝 경부하 가중치들의 차이들에 기초하여 생성된 트레이닝 에러들을 최소화하여 학습될 수 있다.

도 6은 일실시예에 따른 제2 인공신경망(200)을 설명하기 위한 도면이다.

도 6에 도시된 바와 같이, 장치(30)는 최대 수요 가중치, 최대부하 가중치, 중부하 가중치 및 경부하 가중치가 각각 적용된 예측 최대 수요 전력량들, 예측 최대부하 전력량들, 예측 중부하 전력량들, 예측 경부하 전력량들 및 기업 정보를 획득할 수 있다.

장치(30)는 예측 최대 수요 전력량들, 예측 최대부하 전력량들, 예측 중부하 전력량들, 예측 경부하 전력량들 및 기업 정보에 기초하여 제2 입력 신호를 생성할 수 있다.

장치(30)는 생성된 제2 입력 신호를 제2 인공신경망(200)에 적용하여 제2 출력 신호를 생성할 수 있다.

장치(30)는 제2 출력 신호에 기초하여, 제1 기업의 전력 사용 정보를 기준으로 제1 기업의 최대 수요 전력량을 도출하고, 최대 수요 전력량을 제1 기업의 최적 계약 전력으로 예측할 수 있다. 이때, 제2 출력 신호는 미리 정의된 범위의 정수에 대응하는 값일 수 있다. 범위는 실시예에 따라 상이하게 설정될 수 있다.

예를 들어, 제1 기업의 최대 수요 전력량이 290kW인 경우, 장치(30)는 290kW를 제1 기업의 최적 계약 전력으로 예측할 수 있다.

도 7은 일실시예에 따른 계약 전력 변경 안내 메시지를 전송하는 과정을 설명하기 위한 순서도이다.

도 7을 참조하면, 먼저 S701 단계에서, 장치(30)는 제1 기업의 기존에 설정된 기존 계약 전력에 대한 기존 계약 전력 정보를 획득할 수 있다.

이때, 기존 계약 정보는 제1 기업이 기존에 가입한 전기 요금제의 종류, 계약 전력, 기본 요금, 요금적용전력, 역률, 최대 수요 전력 및 전력량 요금 등에 대한 정보를 포함할 수 있지만, 이에 한정되지 않고, 전기 요금제에 관련된 정보를 더 포함할 수 있다. 이때, 전기 요금제의 종류는, 예를 들어, 저압, 고압, 일반용, 주택용, 산업용, 교육용, 심야전력용 등을 포함할 수 있다.

S702 단계에서, 장치(30)는 기존 계약 전력 정보로부터 기존 계약 전력에서 최적 계약 전력을 차감하여 계약 전력 차이값을 산출할 수 있다.

예를 들어, 기존 계약 전력이 300kW이고, 최적 계약 전력이 250kW인 경우, 장치(30)는 기존 계약 전력에서 최적 계약 전력을 차감하여 계약 전력 차이값을 50kW으로 산출할 수 있다.

S703 단계에서, 장치(30)는 계약 전력 차이값과 미리 설정된 제1 기준 차이값을 비교할 수 있다. 이때, 제1 기준 차이값은 실시예에 따라 상이하게 설정될 수 있다.

S704 단계에서, 장치(30)는 계약 전력 차이값이 제1 기준 차이값보다 큰 경우, 제1 기업의 계약 전력의 변경에 대한 계약 전력 변경 안내 메시지를 제1 기업 단말(11)로 전송할 수 있다.

S705 단계에서, 장치(30)는 계약 전력 차이값이 제1 기준 차이값보다 작은 경우, 계약 전력 차이값과 미리 설정된 제2 기준 차이값을 비교할 수 있다. 이때, 제2 기준 차이값은 실시예에 따라 상이하게 설정될 수 있다.

S706 단계에서, 장치(30)는 계약 전력 차이값이 제2 기준 차이값보다 큰 경우, 제1 기업의 계약 전력의 변경 시 이점을 설명하는 계약 전력 이점 설명 메시지를 제1 기업 단말(11)로 전송할 수 있다.

예를 들어, 계약 전력 이점 설명 메시지는 제1 기업이 최적 계약 전력으로 계약 전력을 변경할 경우, 계약 전력 변경 전과 변경 후에 대한 전기 요금의 절감액에 대한 내용을 포함할 수 있다.

구체적으로, 장치(30)는 계약 전력 차이값이 제1 기준 차이값보다 작으면서, 제2 기준 차이값보다 큰 경우, 계약 전력 이점 설명 메시지를 제1 기업 단말(11)로 전송할 수 있다.

S707 단계에서, 장치(30)는 계약 전력 차이값이 제2 기준 차이값보다 작은 경우, 전기 요금을 절감할 수 있는 제도 및 방법에 대해 안내하는 전기 요금 절감 안내 메시지를 제1 기업 단말(11)로 전송할 수 있다.

예를 들어, 전기 요금 절가 안내 메시지는 신재생에너지 발전으로 생산된 전기를 자가소비하는 발전설비용량 10kW 이하의 산업용 및 일반용 고객에 대한 요금을 절감해주는 신재생에너지 제도, 전기자동차 충전설비(이륜차 제외) 및 전기차 충전서비스 제공한 사업자에 대한 요금을 절감해주는 전기자동차 충전전력 제도, 도축허가를 받은 사업장에 대한 요금을 절감해주는 도축장 제도 및 에너지저장장치를 설치하여 한전으로부터 전력을 공급받는 대상자에 대한 요금을 절감해주는 에너지저장장치 충전전력 제도 등을 포함할 수 있다.

구체적으로, 장치(30)는 계약 전력 차이값이 제1 기준 차이값보다 작으면서, 제2 기준 차이값보다 작은 경우, 제1 기업의 계약 전력을 변경하는 것에 대한 이점이 미미한 것으로 판단하여, 제1 기업의 계약 전력을 변경하지 않고, 전기 요금을 절감에 대한 전기 요금 절가 안내 메시지를 제1 기업 단말(11)로 전송할 수 있다.

도 8은 일실시예에 따른 제1 기업의 전기 요금제 변경 안내 메시지를 전송하는 과정을 설명하기 위한 순서도이다.

도 8을 참조하면, 먼저 S801 단계에서, 장치(30)는 계약 전력 변경 안내 메시지를 제1 기업 단말(11)로 전송할 수 있다.

S802 단계에서, 장치(30)는 제1 기업 단말(11)로부터 계약 전력 변경 안내 메시지에 대한 응답으로 최적 계약 전력으로 계약 전력을 변경하는 것에 대한 승인 메시지를 수신할 수 있다.

S803 단계에서, 장치(30)는 전력 공급 회사로부터 전기 요금제에 대한 전기 요금표 정보를 획득할 수 있다.

여기서, 전력 공급 회사는 전력의 수요를 관리하고, 전력을 판매 및 공급하는 기관으로, 한국에서는 한국전력공사(한전, KEPCO: Korea Electric Power Corporation)를 의미할 수 있다. 장치(30)는 전력 공급 회사로부터 전기 요금제에 대한 전기 요금표 정보를 획득하고, 전기 요금표 정보를 장치(30)의 데이터베이스에 저장할 수 있다.

S804 단계에서, 장치(30)는 전기 요금표 정보로부터 제1 기업의 최적 계약 전력 및 기업 정보에 대응하는 최적 전기 요금제를 추출할 수 있다.

장치(30)의 데이터베이스에는 최적 전기 요금제 추출 시 필요한 전기 요금 구조, 업종, 계약 전력, 저압/고압, 기본요금(원/kW), 전력량 요금(원/kWh), 계절, 부하 시간대에 따라 분류된 전기 요금제에 대한 정보가 미리 저장될 수 있다. 장치(30)는 데이터베이스에 전기 요금제에 대한 정보를 미리 저장하고, 데이터베이스로부터 제1 기업의 최적 계약 전력 및 기업 정보에 대응하는 최적 전기 요금제를 추출할 수 있다.

S805 단계에서, 장치(30)는 제1 기업에 대해 최적 전기 요금제의 변경에 대한 전기 요금제 변경 안내 메시지를 제1 기업 단말(11)로 전송할 수 있다.

도 9는 일실시예에 따른 최적 전기 요금을 산출하는 과정을 설명하기 위한 순서도이다.

도 9를 참조하면, 먼저 S901 단계에서, 장치(30)는 최적 전기 요금제로부티 기본 요금 정보를 획득할 수 있다.

여기서, 기본 요금은 변전소, 송·배전선로 등 전기를 공급하기 위한 설비를 구축하고 유지 및 보수하는 데 쓰이는 비용을 반영한 요금으로서, 제1 기업에 대해 전기를 공급하기 위해 전력 공급 회사가 갖추어야 할 설비 용량에 따라 기본요금에 차등이 생성될 수 있다.

S902 단계에서, 장치(30)는 현재 시점에 해당하는 월이 어느 계절에 속하는지 여부를 판단하여 계절 요금 정보를 획득할 수 있다.

예를 들어, 계절은 여름은 6~8월, 봄과 가을은 3~5월과 9~10월 및 겨울은 11월~2월으로 설정될 수 있으나, 실시예에 따라 상이하게 설정될 수 있다.

장치(30)의 데이터베이스에는 계절에 따라 분류된 전기 요금제에 대한 정보가 미리 저장될 수 있다. 장치(30)는 데이터베이스에 전기 요금제에 대한 정보를 미리 저장하고, 데이터베이스로부터 현재 시점에 속하는 계절에 대응하는 계절 요금 정보를 추출할 수 있다.

예를 들어, 현재 시점이 7월인 경우, 장치(30)는 여름에 대응하는 여름철 계절 요금 정보를 추출할 수 있다.

S903 단계에서, 장치(30)는 계절 요금 정보로부터 최대부하 시간대에 따른 최대부하 요금 정보 및 최대부하 시간대에 소비한 최대부하 전력량 정보를 획득할 수 있다.

장치(30)의 데이터베이스에는 부하 시간대에 따라 분류된 전기 요금제에 대한 정보가 미리 저장될 수 있다. 장치(30)는 데이터베이스에 부하 시간대에 따라 분류된 전기 요금제에 대한 정보를 미리 저장하고, 데이터베이스로부터 최대부하 시간대에 대응하는 최대부하 요금 정보를 추출할 수 있다.

S904 단계에서, 장치(30)는 최대부하 요금 정보 및 최대부하 전력량 정보로부터 최대부하 전기 요금을 산출할 수 있다.

일실시예에 따르면, 장치(30)는 최대부하 요금과 최대부하 전력량을 곱하여 최대부하 전기 요금을 산출할 수 있다. 예를 들어, 현재 시점이 7월인 경우, 장치는 데이터베이스로부터 여름에 대응하는 여름철 계절 요금을 추출할 수 있고, 여름철 계절 요금에 설정된 최대부하 요금 정보를 획득할 수 있다.

예를 들어, 여름철 최대부하 요금이 118(원/kWh)이고, 최대부하 전력량이 18000(kwh)인 경우, 장치(30)는 최대부하 전기 요금을 2,124,000원으로 산출할 수 있다.

S905 단계에서, 장치(30)는 계절 요금 정보로부터 중부하 시간대에 따른 중부하 요금 정보 및 중부하 시간대에 소비한 중부하 전력량 정보를 획득할 수 있다.

장치(30)의 데이터베이스에는 부하 시간대에 따라 분류된 전기 요금제에 대한 정보가 미리 저장될 수 있다. 장치(30)는 데이터베이스에 부하 시간대에 따라 분류된 전기 요금제에 대한 정보를 미리 저장하고, 데이터베이스로부터 중부하 시간대에 대응하는 중부하 요금 정보를 추출할 수 있다.

S906 단계에서, 장치(30)는 중부하 요금 정보 및 중부하 전력량 정보로부터 중부하 전기 요금을 산출할 수 있다.

일실시예에 따르면, 장치(30)는 중부하 요금과 중부하 전력량을 곱하여 중부하 전기 요금을 산출할 수 있다. 예를 들어, 현재 시점이 7월인 경우, 장치는 데이터베이스로부터 여름에 대응하는 여름철 계절 요금을 추출할 수 있고, 여름철 계절 요금에 설정된 중부하 요금 정보를 획득할 수 있다.

예를 들어, 여름철 중부하 요금이 85(원/kWh)이고, 중부하 전력량이 15000(kwh)인 경우, 장치(30)는 중부하 전기 요금을 1,275,000원으로 산출할 수 있다.

S907 단계에서, 장치(30)는 계절 요금 정보로부터 경부하 시간대에 따른 경부하 요금 정보 및 경부하 시간대에 소비한 경부하 전력량 정보를 획득할 수 있다.

장치(30)의 데이터베이스에는 부하 시간대에 따라 분류된 전기 요금제에 대한 정보가 미리 저장될 수 있다. 장치(30)는 데이터베이스에 부하 시간대에 따라 분류된 전기 요금제에 대한 정보를 미리 저장하고, 데이터베이스로부터 경부하 시간대에 대응하는 경부하 요금 정보를 추출할 수 있다.

S908 단계에서, 장치(30)는 경부하 요금 정보 및 경부하 전력량 정보로부터 경부하 전기 요금을 산출할 수 있다.

일실시예에 따르면, 장치(30)는 경부하 요금과 경부하 전력량을 곱하여 경부하 전기 요금을 산출할 수 있다. 예를 들어, 현재 시점이 7월인 경우, 장치는 데이터베이스로부터 여름에 대응하는 여름철 계절 요금을 추출할 수 있고, 여름철 계절 요금에 설정된 경부하 요금 정보를 획득할 수 있다.

예를 들어, 여름철 경부하 요금이 55(원/kWh)이고, 경부하 전력량이 10000(kwh)인 경우, 장치(30)는 경부하 전기 요금을 550,000원으로 산출할 수 있다.

S909 단계에서, 장치(30)는 기본 요금 정보, 최대부하 전기 요금, 중부하 전기 요금 및 경부하 전기 요금을 합산하여 제1 기업의 최적 전기 요금을 산출할 수 있다.

예를 들어, 제1 기업의 기본 요금이 6,000(원/kW), 최대부하 전기 요금이 2,124,000원, 중부하 전기 요금이 1,275,000원, 경부하 전기 요금이 550,000원인 경우, 장치(30)는 제1 기업의 최적 전기 요금을 3,955,000원으로 산출할 수 있다.

도 10은 일실시예에 따른 제1 기업의 소비 전력량을 관리하는 과정을 설명하기 위한 순서도이다.

도 10을 참조하면, 먼저, S1001 단계에서, 장치(30)는 제1 시점에 제1 기업의 전력 측정기를 촬영하여 생성된 제1 이미지를 획득할 수 있다. 구체적으로, 제1 기업에는 전력을 측정하기 위한 전력 측정기가 구비되어 있을 수 있다. 제1 기업 단말(11)은 제1 시점에 제1 기업 단말(11)에 구비된 카메라를 이용하여 전력 측정기에 대한 촬영을 수행하여, 제1 이미지를 생성할 수 있다. 장치(30)는 제1 시점에 제1 기업의 전력 측정기를 촬영하여 제1 이미지가 생성되면, 제1 기업 단말(11)로부터 제1 이미지를 획득할 수 있다.

일실시예에 따르면, 제1 기업 단말(11)에 포함되어 있는 카메라는 영상 촬영을 위한 Full HD(High Definition) 화질의 카메라 장비로서, 30내지 60프레임을 기준으로 하는 촬영 장비일 수 있다. 카메라는 노출, 셔터스피드, 감도를 자동으로 조절할 수 있으며, 제1 기업 단말(11)을 사용하는 관계자의 편의에 따라 수동 조절이 가능할 수 있다.

S1002 단계에서, 장치(30)는 제1 이미지를 인코딩 하여 제3 입력 신호를 생성할 수 있다.

구체적으로, 장치(30)는 제1 이미지의 픽셀을 색 정보로 인코딩 하여 제3 입력 신호를 생성할 수 있다. 색 정보는 RGB 색상 정보, 명도 정보, 채도 정보를 포함할 수 있으나, 이에 국한하지 않는다. 장치(30)는 색 정보를 수치화된 값으로 환산할 수 있으며, 이 값을 포함한 데이터 시트 형태로 이미지를 인코딩할 수 있다.

S1003 단계에서, 장치(30)는 제3 입력 신호를 제3 인공신경망(300)에 입력할 수 있다.

일실시예에 따르면, 제3 인공신경망(300)은 컨볼루션 신경망으로 구현되어, 컨볼루션 신경망은 특징 추출 신경망과 분류 신경망으로 구성되어 있으며, 특징 추출 신경망은 입력 신호를 컨볼루션 계층과 풀링 계층을 차례로 쌓아 진행한다. 컨볼루션 계층은 컨볼루션 연산, 컨볼루션 필터 및 활성함수를 포함하고 있다. 컨볼루션 필터의 계산은 대상 입력의 행렬 크기에 따라 조절되나 일반적으로 9X9 행렬을 사용한다. 활성 함수는 일반적으로 ReLU 함수, 시그모이드 함수, 및 tanh 함수 등을 사용하나 이에 한정하지 않는다. 풀링 계층은 입력의 행렬 크기를 줄이는 역할을 하는 계층으로, 특정 영역의 픽셀을 묶어 대표값을 추출하는 방식을 사용한다. 풀링 계층의 연산에는 일반적으로 평균값이나 최대값을 많이 사용하나 이에 한정하지 않는다. 해당 연산은 정방 행렬을 사용하여 진행되는데, 일반적으로 9X9 행렬을 사용한다. 컨볼루션 계층과 풀링 계층은 해당 입력이 차이를 유지한 상태에서 충분히 작아질 때까지 번갈아 반복 진행된다.

일실시예에 따르면, 분류 신경망은 은닉층과 출력층을 가지고 있다. 인공지능 기반의 전기 사용 시설의 계약 전력 최적화를 위한 컨볼루션 신경망에서는 일반적으로 은닉층이 3개 이상 존재하며, 각 은닉층의 노드는 100개로 지정하나 경우에 따라 그 이상으로 정할 수 있다. 은닉층의 활성함수는 ReLU 함수, 시그모이드 함수 및 tanh 함수 등을 사용하나 이에 한정하지 않는다. 컨볼루션 신경망의 출력층 노드는 총 50개로 할 수 있다. 컨볼루션 신경망에 대한 자세한 설명은 도 11을 참조하여 후술한다.

S1004 단계에서, 장치(30)는 컨볼루션 신경망인 제3 인공신경망(300)의 입력의 대한 결과에 기초하여, 제3 인공신경망(300)의 출력값인 제3 출력 신호를 획득할 수 있다.

일실시예에 따르면, 컨볼루션 신경망의 50개 출력층 노드는 상위 25개의 출력층 노드와 하위 25개의 출력층 노드를 포함할 수 있다. 컨볼루션 신경망의 50개 출력층 노드 중 상위 25개의 출력층 노드는 전력기기의 종류를 지시할 수 있다. 하위 25개의 노드는 상위 25개의 노드에 대응하는 사용 전력량을 지시할 수 있다. 컨볼루션 신경망의 출력에 관한 자세한 설명은 도 11을 참조하여 후술한다.

S1005 단계에서, 장치(30)는 제3 출력 신호를 기초로, 제1 시점에 보관되어 있는 전력기기의 종류 및 사용 전력량을 분석할 수 있다. 즉, 장치(30)는 제1 시점에 제1 기업에 보관되어 있는 전력기기의 종류가 어느 것인지 분석하고, 전력기기의 종류 별로 전력 사용량이 얼만큼인지 분석할 수 있다.

S1006 단계에서, 장치(30)는 제2 시점에 제1 기업의 전력 측정기를 촬영하여 생성된 제2 이미지를 획득할 수 있다. 여기서, 제2 시점은 제1 시점으로부터 제1 기준 기간이 지난 후의 시점을 의미하고, 제1 기준 기간은 실시예에 따라 상이하게 설정될 수 있다. 예를 들어, 제1 시점이 13시인데, 제1 기준 기간이 5시간으로 설정되어 있는 경우, 제2 시점은 18시일 수 있다.

구체적으로, 제1 기업 단말(11)은 제2 시점에 제1 기업 단말(11)에 구비된 카메라를 이용하여 제1 기업의 전력 측정기에 대한 촬영을 수행하여 제2 이미지를 생성할 수 있다. 장치(30)는 제2 시점에 제1 기업의 전력기기를 촬영하여 제2 이미지가 생성되면, 제1 기업 단말(11)로부터 제2 이미지를 획득할 수 있다.

S1007 단계에서, 장치(30)는 제2 이미지를 인코딩하여 제4 입력 신호를 생성할 수 있다.

S1008 단계에서, 장치(30)는 제4 입력 신호를 제3 인공신경망(300)에 입력할 수 있다.

S1009 단계에서, 장치(30)는 제3 인공신경망(300)의 입력에 대한 결과에 기초하여, 제3 인공신경망(300)의 출력값인 제4 출력 신호를 획득할 수 있다.

S1010 단계에서, 장치(30)는 제4 출력 신호를 기초로, 제2 시점에 보관되어 있는 전력기기의 종류 및 사용 전력량을 분석할 수 있다. 즉, 장치(30)는 제2 시점에 보관되어 있는 전력기기의 종류가 어느 것인지 분석하고, 전력기기의 종류 별로 전력 사용량이 얼만큼 인지 분석할 수 있다.

S1011 단계에서, 장치(30)는 제1 시점에 보관되어 있는 전력기기의 종류 및 사용 전력량과 제2 시점에 보관되어 있는 전력기기의 종류 및 사용 전력량을 비교하여, 제1 시점과 제2 시점 간에 사용 전력량 차이가 있는지 여부를 확인할 수 있다.

예를 들어, 제1 시점에 제1 전력기기가 4kWh, 제2 전력기기가 5kWh 사용된 것으로 확인되고, 제2 시점에 제1 전력기기가 5kWh, 제2 전력기기가 5kWh 사용된 것으로 확인되면, 장치(30)는 제1 시점과 제2 시점 간에 제1 전력기기의 사용 전력량의 차이가 있는 것으로 확인할 수 있다.

S1011 단계에서, 제1 시점과 제2 시점 간에 사용 전력량 차이가 있는 것으로 확인되면, S1012 단계에서, 장치(30)는 제1 전력량에서 제2 전력량을 차감하여, 제1 기업의 소비 전력량을 산출할 수 있다.

도 11은 일실시예에 따른 제3 인공신경망(300)을 설명하기 위한 도면이다.

일실시예에 따르면, 장치(30)는 제1 기업 단말(11)의 카메라를 통한 촬영으로 생성된 이미지를 인코딩 하여 제3 입력 신호를 생성할 수 있으며, 제3 인공신경망(300)은 제3 입력 신호를 입력으로 하고, 전력기기의 종류(302) 및 사용 전력량(303)을 출력으로 할 수 있다.

일실시예에 따른 인코딩은 이미지의 픽셀 별 색 정보를 수치화된 데이터 시트 형태로 저장하는 방식으로 이뤄질 수 있는데, 색 정보는 하나의 픽셀이 가지고 있는 RGB 색상, 명도 정보, 채도 정보를 포함할 수 있으나, 이에 국한하지 않는다.

일실시예에 따르면, 제3 인공신경망(300)은 컨볼루션 신경망으로 구현되어, 제3 인공신경망(300)은 특징 추출 신경망(310)과 분류 신경망(320)으로 구성될 수 있으며, 특징 추출 신경망(310)은 전력기기를 찍은 이미지에서 전력기기와 배경을 분리하는 작업을 수행할 수 있으며, 분류 신경망(320)은 그로부터 전력기기를 종류별로 분류하고, 전력기기의 종류별로 각각의 사용 전력량을 파악하는 작업을 수행하도록 할 수 있다. 특징 추출 신경망(310)이 전력기기와 배경과 구분하는 방법은, 이미지를 인코딩한 제3 입력 신호의 데이터 시트로부터 색 정보의 각 값들의 변화가 한 픽셀을 포함하는 8개의 픽셀 중 6개 이상에서 30% 이상의 변화가 생긴 것으로 감지되는 픽셀들의 묶음을 전력기기와 배경의 경계로 삼을 수 있으나, 이에 국한하지 않는다.

일실시예에 따르면, 특징 추출 신경망(310)은 입력 신호를 컨볼루션 계층과 풀링 계층을 차례로 쌓아 진행한다. 컨볼루션 계층은 컨볼루션 연산, 컨볼루션 필터 및 활성함수를 포함하고 있다. 컨볼루션 필터의 계산은 대상 입력의 행렬 크기에 따라 조절되나 일반적으로 9X9 행렬을 사용한다. 활성 함수는 일반적으로 ReLU 함수, 시그모이드 함수, 및 tanh 함수 등을 사용하나 이에 한정하지 않는다. 풀링 계층은 입력의 행렬 크기를 줄이는 역할을 하는 계층으로, 특정 영역의 픽셀을 묶어 대표값을 추출하는 방식을 사용한다. 풀링 계층의 연산에는 일반적으로 평균값이나 최대값을 많이 사용하나 이에 한정하지 않는다. 해당 연산은 정방 행렬을 사용하여 진행되는데, 일반적으로 9X9 행렬을 사용한다. 컨볼루션 계층과 풀링 계층은 해당 입력이 차이를 유지한 상태에서 충분히 작아질 때까지 번갈아 반복 진행된다.

일실시예에 따른 분류 신경망(320)은 특징 추출 신경망(310)을 통해 배경으로부터 구분된 전력기기를 그 형태 및 연속성에 따라 종류를 구분하고, 사용 전력량(303)을 종류별로 파악할 수 있다. 전력기기의 비교를 위해 데이터베이스에 저장된 정보들을 활용할 수 있다. 분류 신경망(320)은 전력기기의 종류(302)를 파악하는 작업을 우선으로 하며, 파악된 전력기기의 형태 및 크기에 따라 사용 전력량(303) 파악을 용이하도록 할 수 있다.

일실시예에 따르면, 분류 신경망(320)은 은닉층과 출력층을 가지고 있다. 장치(30) 내의 제3 인공신경망(300)에서는 일반적으로 은닉층이 5개 이상 존재하며, 각 은닉층의 노드는 80개로 지정하나 경우에 따라 그 이상으로 정할 수 있다. 은닉층의 활성함수는 ReLU 함수, 시그모이드 함수 및 tanh 함수 등을 사용하나 이에 한정하지 않는다. 제3 인공신경망(300)의 출력층 노드는 총 50개로 할 수 있다.

일실시예에 따른 제3 인공신경망(300)의 출력은 출력층의 50개 노드 중 상위 25개의 노드는 전력기기의 종류(302)를 지시할 수 있고, 하위 25개의 노드는 상위 노드에 각각 대응하는 사용 전력량(303)을 지시할 수 있다. 상위 25개의 노드와 하위 25개의 노드를 대응시키는 방식은 상위 n 번째 노드와 하위 n 번째 노드를 대응시키는 방식으로, 전체에서 n 번째 노드가 전체에서 25+n번째 노드에 대응하는 방식으로 진행될 수 있다. 예를 들어, 1번째 노드는 26번째 노드에 대응하며, 2번째 노드는 27번째 노드에, 10번째 노드는 35번째 노드에, 25번 재 노드는 50번째 노드에 대응하는 방식으로 진행될 수 있다. 전력기기의 종류(302)는 전력기기에 대응하는 코드 정보로 출력될 수 있으나, 이에 국한하지 않는다. 제3 인공신경망(300)의 50개의 출력층 노드 중 출력값이 없는 출력층 노드는 숫자 ‘0’을 그 출력값으로 출력할 수 있다. 상위 25개의 노드 중에 이 숫자 ‘0’이 포함되는 노드들은 해당하는 전력기기가 없는 것으로 간주될 수 있다. 만약 분류된 전력기기의 종류가 25개 이상일 경우, 남은 전력기기는 미리 생성한 출력값이 모두 처리된 후 이어서 자동으로 처리될 수 있다.

일실시예에 따르면, 제3 인공신경망(300)은 사용자가 제3 인공신경망(300)에 따른 전력기기 파악의 문제점 발견 시 사용자에 의해 입력된 수정 정답에 의해 생성되는 제3 학습 신호를 전달받아 학습할 수 있다. 제3 인공신경망(300)에 따른 전력기기 파악의 문제점은 전력기기의 종류(302) 및 사용 전력량(303)에 문제가 있는 경우를 의미할 수 있다.

일실시예에 따른 제3 학습 신호는 정답과 출력값의 오차를 바탕으로 만들어지며, 경우에 따라 델타를 이용하는 SGD나 배치 방식 혹은 역전파 알고리즘을 따르는 방식을 사용할 수 있다. 본 제3 학습 신호에 의해 제3 인공신경망(300)은 기존의 가중치를 수정해 학습을 수행하며, 경우에 따라 모멘텀을 사용할 수 있다. 오차의 계산에는 비용함수가 사용될 수 있는데, 비용함수로 Cross entropy 함수를 사용할 수 있다.

도 12는 일실시예에 따른 전력 비용 청구서를 통해 제1 기업의 소비 전력량을 확인하는 과정을 설명하기 위한 순서도이다.

도 12를 참조하면, 먼저, S1201 단계에서, 장치(30)는 제1 기업의 소비 전력량이 산출되어, 제1 기업의 소비 전력량이 0보다 큰 것으로 확인되면, 제1 기준 기간 동안 발급된 전력 비용 청구서를 획득할 수 있다. 여기서, 제1 기준 기간은 제1 시점부터 제2 시점까지의 기간을 의미할 수 있다.

예를 들어, 제1 시점이 1월 10일이고, 제2 시점이 1월 20일인 경우, 장치(30)는 1월 10일부터 1월 20일까지 발급된 전력 비용 청구서를 획득할 수 있다.

일실시예에 따르면 제1 기업에 설치된 단말을 통해 전력 비용 청구서가 발급될 수 있으며, 장치(30)는 발급된 전력 비용 청구서를 획득할 수 있다. 이때, 장치(30)는 전력 비용 청구서의 발급 시간, 전력 비용 청구서를 통해 청구된 전력기기의 종류 및 청구 전력량에 대한 정보를 획득할 수 있다.

S1202 단계에서, 장치(30)는 제1 기준 기간 동안 발급된 전력 비용 청구서를 기초로, 제1 기준 기간 동안 청구된 전력기기의 종류 및 청구 전력량을 분석할 수 있다.

예를 들어, 제1 기준 기간이 1월 한달 동안이고, 1월 13일에 청구된 전력 비용 청구서에는 제1 전력기기가 1kWh, 제2 전력기기가 2 kWh 청구되어 있고, 1월 16일에 청구된 전력 비용 청구서에는 제2 전력기기가 1 kWh, 제3 전력기기가 2 kWh 청구되어 있는 경우, 장치(30)는 제1 기준 기간 동안에 제1 전력기기가 1 kWh, 제2 전력기기가 3 kWh, 제3 전력기기가 2 kWh 청구된 것으로, 청구된 전력기기의 종류 및 청구 전력량을 분석할 수 있다.

S1203 단계에서, 장치(30)는 제1 기준 기간 동안 청구된 전력기기의 종류 및 청구 전력량에 대한 분석 결과에서, 제1 전력기기의 청구 전력량을 확인할 수 있다. 즉, 장치(30)는 제1 기준 기간 동안 제1 전력기기가 청구된 것으로 확인되면, 제1 기준 기간 동안 청구된 제1 전력기기의 청구 전력량을 확인할 수 있다.

S1204 단계에서, 장치(30)는 제1 기업의 소비 전력량과 제1 전력기기의 청구 전력량이 일치하는지 여부를 확인할 수 있다.

S1204 단계에서 제1 기업의 소비 전력량과 제1 전력기기의 청구 전력량이 일치하는 것으로 확인되면, S1205 단계에서, 장치(30)는 제1 기업의 소비 전력량에 문제가 없는 것으로 판단할 수 있다.

S1204 단계에서 제1 기업의 소비 전력량과 제1 전력기기의 청구 전력량이 일치하지 않는 것으로 확인되면, S1206 단계에서, 장치(30)는 제1 기업의 소비 전력량에 문제가 있는 것으로 판단할 수 있다.

S1207 단계에서, 장치(30)는 제1 전력기기에 대한 소비 전력량 확인 알림 메시지를 제1 기업 단말(11)로 전송할 수 있다. 여기서, 제1 전력기기에 대한 소비 전력량 확인 알림 메시지는 제1 전력기기의 청구 전력량과 소비 전력량이 상이하여, 소비 전력량에 대한 확인이 필요한 것을 알려주는 알림 메시지이다.

한편, 장치(30)는 제1 기업에 근무하는 복수의 직원을 그룹화하여, 팀 프로젝트를 수행하기 위한 팀으로 각각 분류할 수 있다.

구체적으로, 장치(30)는 팀 프로젝트를 수행하기 위한 대기 공간에 접속한 직원 계정을 확인하여, 대기 공간에 접속한 복수의 직원을 그룹화할 수 있다. 이때, 장치(30)는 직원의 기본 정보를 이용하여, 복수의 직원을 그룹화할 수 있다. 여기서, 직원의 기본 정보는 부서명, 직급, 나이, 근무 지역, 팀 프로젝트 수행 경력 등에 대한 정보를 포함할 수 있다.

예를 들어, 장치(30)는 대기 공간에 접속한 상태인 직원들 각각의 나이를 확인한 후, 비슷한 나이를 가지는 직원들을 구분하여 그룹으로 지정할 수 있다. 또한, 장치(30)는 대기 공간에 접속한 상태인 직원들 각각의 근무 지역을 확인한 후, 동일한 지역에서 근무하는 직원들을 구분하여 그룹으로 지정할 수 있다. 또한, 장치(30)는 대기 공간에 접속한 상태인 직원들 각각의 팀 프로젝트 수행 경력을 확인한 후, 경력이 비슷한 직원들을 구분하여 그룹으로 지정할 수 있다. 이외에도, 다양한 조건을 통해 대기 공간에 접속한 복수의 직원을 구분하여, 복수의 직원을 그룹화할 수 있다.

장치(30)는 복수의 직원을 그룹화하여 복수의 직원을 각 그룹으로 지정하면, 각 그룹을 팀 프로젝트를 수행하기 위한 팀으로 각각 설정하여, 복수의 직원을 팀 프로젝트를 수행하기 위한 팀으로 각각 분류할 수 있다.

예를 들어, 팀 프로젝트를 수행하기 위한 대기 공간에 접속한 직원 계정으로 제1 직원, 제2 직원, 제3 직원 및 제4 직원이 확인된 경우, 장치(30)는 제1 직원 및 제2 직원을 하나의 그룹으로 지정하고, 제3 직원 및 제4 직원을 하나의 그룹으로 지정한 후, 제1 직원 및 제2 직원을 포함하는 그룹을 제1 팀으로 분류하고, 제3 직원 및 제4 직원을 포함하는 그룹을 제2 팀으로 분류할 수 있다.

이후, 장치(30)는 팀으로 분류된 직원 각각에게 역할을 부여할 수 있다. 이때, 장치(30)는 직원의 팀 프로젝트 수행 경력, 선호 업무 등을 고려하여, 직원 각각에게 역할을 부여할 수 있다.

예를 들어, 팀 프로젝트가 팀 단합을 도모하기 위해 목적지까지 도달해야 하는 항해 업무이고, 제1 직원, 제2 직원, 제3 직원, 제4 직원, 제5 직원 및 제6 직원이 제1 팀으로 분류된 경우, 장치(30)는 제1 직원을 선장으로 지정하여 제1 직원에게 선장 역할을 부여하고, 제2 직원을 항해사로 지정하여 제2 직원에게 항해사 역할을 부여하고, 제3 직원을 통신사로 지정하여 제3 직원에게 통신사 역할을 부여하고, 제4 직원을 조타수로 지정하여 제4 직원에게 조타수 역할을 부여하고, 제5 직원을 갑판장으로 지정하여 제5 직원에게 갑판장 역할을 부여하고, 제6 직원을 주방장으로 지정하여 제6 직원에게 주방장 역할을 부여할 수 있다.

이후, 팀 프로젝트를 수행하고자 하는 팀의 팀원들은 팀 프로젝트 수행을 준비할 수 있다. 이를 위해, 장치(30)는 팀 프로젝트 수행 준비를 위한 가상 공간을 제공할 수 있다.

예를 들어, 팀 프로젝트가 항해 업무이고, 제1 팀이 항해 업무를 수행하고자 하는 경우, 장치(30)는 항해를 시작하기 전에 항해에 필요한 물품을 구입할 수 있는 가상 공간을 제공할 수 있다. 이때, 가상 공간에는 물, 식량, 수리키트, 구명의, 음파탐지기 등의 물품을 판매하는 상점이 마을에 배치되어 있어, 팀 프로젝트를 수행하고자 하는 팀의 팀원들은 자신에게 부여된 역할에 따라 상점에서 물품을 구입하여, 팀 프로젝트 수행을 준비할 수 있다.

이후, 장치(30)는 팀 프로젝트 수행 준비가 완료되었는지 여부를 확인할 수 있다. 이때, 장치(30)는 팀 프로젝트를 수행하고자 하는 팀에 소속된 팀원들이 모두 팀 프로젝트 수행 준비를 완료한 경우, 팀 프로젝트 수행 준비가 완료된 것으로 확인할 수 있다.

팀 프로젝트 수행 준비가 완료되지 않은 것으로 확인되면, 팀 프로젝트를 수행하고자 하는 팀의 팀원들은 팀 프로젝트 수행을 계속 준비할 수 있다.

팀 프로젝트 수행 준비가 완료된 것으로 확인되면, 팀 프로젝트를 수행하고자 하는 팀의 팀원들은 팀 프로젝트를 수행할 수 있다. 이를 위해, 장치(30)는 팀 프로젝트 수행을 위한 가상 공간을 제공할 수 있다.

예를 들어, 팀 프로젝트가 항해 업무이고, 제1 팀의 팀원들이 모두 항해 업무에 대한 준비가 완료된 경우, 장치(30)는 가상 공간 내에서 제1 팀의 항해선을 항해시켜 항해 게임이 실행되도록 처리할 수 있다.

이후, 장치(30)는 제1 팀에서 팀 프로젝트를 수행하는 도중, 문제 상황이 발생하였는지 여부를 확인할 수 있다.

예를 들어, 팀 프로젝트가 항해 업무이고, 제1 팀의 항해선이 항해하는 도중, 폭풍, 해일 등으로 문제 상황이 발생하였는지 여부를 확인할 수 있다.

문제 상황이 발생한 것으로 확인되면, 장치(30)는 문제 상황에 따라 선택된 반응 정보를 직원 별로 획득할 수 있다. 여기서, 반응 정보는 문제 상황에 대응하여 직원에 의해 선택된 반응을 나타내는 정보이다.

예를 들어, 팀 프로젝트가 항해 업무이고, 제1 팀의 항해선이 항해하는 도중, 폭풍으로 인해 침몰 위험에 대한 문제 상황이 발생한 경우, 장치(30)는 제1 팀의 팀원 각각으로부터 선택된 반응 정보를 획득할 수 있다. 이때, 장치(30)는 제1 팀의 팀원들 각각에게 부여된 역할을 구분하여, 직원 별로 반응 정보를 획득할 수 있다.

예를 들어, 장치(30)는 제1 직원의 역할이 선장이고 침몰 위험 시 선장 역할을 수행하는 제1 직원의 반응으로 다른 팀원들에게 위험 상황을 경고한 경우, 제1 직원의 반응을 제1 직원의 반응 정보로 획득하고, 제2 직원의 역할이 항해사이고 침몰 위험 시 항해사 역할을 수행하는 제2 직원의 반응으로 항해선의 항로를 변경한 경우, 제2 직원의 반응을 제2 직원의 반응 정보로 획득할 수 있다.

이후, 장치(30)는 제1 팀에서 수행하는 팀 프로젝트가 종료되었는지 여부를 확인할 수 있다.

일실시예에 따르면, 팀 프로젝트는 끝까지 전부 수행하면 종료될 수 있으며, 팀 프로젝트를 수행하는 도중 더 이상 진행할 수 없는 상태로 변경되면 종료될 수 있다. 예를 들어, 팀 프로젝트가 항해 업무인 경우, 항해를 통해 목적지까지 도착하면 항해 업무가 종료될 수 있고, 항해를 하는 도중 항해선이 침몰하여 더 이상 항해를 할 수 없는 상태가 되어 버리면 항해 업무가 종료될 수 있다.

팀 프로젝트가 종료되지 않은 것으로 확인되면, 팀 프로젝트를 수행하고자 하는 팀의 팀원들은 팀 프로젝트를 계속 수행할 수 있다.

팀 프로젝트가 종료된 것으로 확인되면, 장치(30)는 문제 상황 별로 획득된 반응 정보에 기초하여, 각 직원에게 부여된 역할의 업무를 상황 별로 잘 수행하였는지 평가할 수 있다.

예를 들어, 제1 팀에서 항해 업무에 대한 팀 프로젝트를 수행하였으며, 제1 직원이 제1 팀에서 선장 역할이고, 제2 직원이 제1 팀에서 항해사 역할인 경우, 장치(30)는 제1 팀에서 팀 프로젝트를 수행하는 도중 제1 문제 상황이 발생한 경우, 제1 문제 상황을 해결하기 위해 선장 역할을 수행하는 제1 직원의 반응으로 생성된 제1-1 반응 정보를 획득하고, 제1 문제 상황을 해결하기 위해 항해사 역할을 수행하는 제2 직원의 반응으로 생성된 제1-2 반응 정보를 획득할 수 있다. 이후, 장치(30)는 제1 팀에서 팀 프로젝트를 수행하는 도중 제2 문제 상황이 발생한 경우, 제2 문제 상황을 해결하기 위해 선장 역할을 수행하는 제1 직원의 반응으로 생성된 제2-1 반응 정보를 획득하고, 제2 문제 상황을 해결하기 위해 항해사 역할을 수행하는 제2 직원의 반응으로 생성된 제2-2 반응 정보를 획득할 수 있다.

이후, 장치(30)는 제1 팀에서 수행중인 팀 프로젝트가 종료되면, 제1-1 반응 정보 및 제2-1 반응 정보에 기초하여, 선장 역할을 수행하는 제1 직원의 업무를 상황 별로 잘 수행하였는지 평가할 수 있으며, 제1-2 반응 정보 및 제2-2 반응 정보에 기초하여, 항해사 역할을 수행하는 제2직원의 업무를 상황 별로 잘 수행하였는지 평가할 수 있다.

장치(30)나 각 직원에게 부여된 역할의 업무를 상황 별로 잘 처리하였는지 평가할 때, 역할의 종류에 따라 미리 설정된 정량 지표를 기준으로, 얼마나 빨리 정확하게 반응하였는지에 따라, 정량 평가를 수행할 수 있다.

각 직원에게 부여된 역할의 업무를 상황 별로 잘 처리하였는지 평가하는 구체적인 설명은 다음과 같다.

먼저, 장치(30)는 제1 팀에서 수행중인 팀 프로젝트가 종료되면, 팀 프로젝트를 수행하는 도중 대화창에 입력된 제1 팀의 대화 정보를 획득할 수 있다. 이를 위해, 팀 프로젝트를 수행하는 도중 팀원들이 의견을 교환할 수 있도록 대화창이 제공될 수 있다.

이후, 장치(30)는 제1 팀의 대화 정보에서 제1 직원에 의해 입력된 제1 직원의 대화 정보를 추출할 수 있다.

예를 들어, 제1 직원 및 제2 직원이 제1 팀인 경우, 제1 팀의 대화 정보에는 제1 직원이 입력한 대화와 제2 직원이 입력한 대화가 포함되어 있으며, 장치(30)는 제1 팀의 대화 정보에서 제1 직원이 입력한 대화만 선별하여, 제1 직원의 대화 정보를 추출할 수 있다.

이후, 장치(30)는 제1 직원의 대화 정보에 기초하여, 제1 직원의 대화에서 능동적인 의미를 가지는 단어를 구분할 수 있다.

예를 들어, 제1 직원의 대화에서 “항로를 우측으로 변경하자”가 있는 것으로 확인되는 경우, 장치(30)는 제1 직원의 대화에서 “항로를”, “우측으로”, “변경하자”로 각각의 단어를 분류할 수 있으며, 분류된 단어 중 “변경하자”를 능동적인 의미를 가지는 단어로 구분할 수 있다.

이후, 장치(30)는 문제 상황 발생으로부터 기준 시간 이내에 제1 직원의 대화에서 능동적인 의미를 가지는 단어가 존재하는지 여부를 확인할 수 있다. 여기서, 기준 시간은 실시예에 따라 상이하게 설정될 수 있다.

예를 들어, 기준 시간이 10초로 설정되어 있는 경우, 장치(30)는 제1 문제 상황이 발생한 이후 10초 이내에, 제1 직원의 대화에서 능동적인 의미를 가지는 단어가 있는지 여부를 확인하고, 제2 문제 상황이 발생한 이후 10초 이내에, 제1 직원의 대화에서 능동적인 의미를 가지는 단어가 있는지 여부를 확인할 수 있다.

이후, 장치(30)는 제1 직원의 대화에서 능동적인 의미를 가지는 단어가 기준 시간 이내에 등장한 문제 상황의 수를 제1 횟수로 산출할 수 있다.

예를 들어, 팀 프로젝트를 수행하는 도중 제1 문제 상황, 제2 문제 상황, 제3 문제 상황이 발생하였는데, 장치(30)는 제1 문제 상황이 발생한 이후 기준 시간 이내에 제1 직원의 대화에서 능동적인 의미를 가지는 단어가 존재하는 것으로 확인하고, 제2 문제 상황이 발생한 이후 기준 시간 이내에 제1 직원의 대화에서 능동적인 의미를 가지는 단어가 존재하는 것으로 확인되고, 제3 문제 상황이 발생한 이후 기준 시간 이내에 제1 직원의 대화에서 능동적인 의미를 가지는 단어가 존재하지 않는 것으로 확인되면, 제1 문제 상황 및 제2 문제 상황에서만 능동적인 의미를 가지는 단어가 기준 시간 이내에 등장하였으므로, 제1 횟수를 2회로 산출할 수 있다.

한편, 장치(30)는 제1 직원의 대화 정보에 기초하여, 제1 직원의 대화에서 수동적인 의미를 가지는 단어를 구분할 수 있다.

예를 들어, 제1 직원의 대화에서 “그래 그러자”가 있는 것으로 확인되는 경우, 장치(30)는 제1 직원의 대화에서 “그래”, “그러자”로 각각의 단어를 분류할 수 있으며, 분류된 단어 중 “그러자”를 수동적인 의미를 가지는 단어로 구분할 수 있다.

이후, 장치(30)는 문제 상황 발생으로부터 기준 시간 이내에 제1 직원의 대화에서 수동적인 의미를 가지는 단어가 존재하는지 여부를 확인할 수 있다.

예를 들어, 기준 시간이 10초로 설정되어 있는 경우, 장치(30)는 제1 문제 상황이 발생한 이후 10초 이내에, 제1 직원의 대화에서 수동적인 의미를 가지는 단어가 있는지 여부를 확인하고, 제2 문제 상황이 발생한 이후 10초 이내에, 제1 직원의 대화에서 수동적인 의미를 가지는 단어가 있는지 여부를 확인할 수 있다.

이후, 장치(30)는 제1 직원의 대화에서 수동적인 의미를 가지는 단어가 기준 시간 이내에 등장한 문제 상황의 수를 제2 횟수로 산출할 수 있다.

예를 들어, 팀 프로젝트를 수행하는 도중 제1 문제 상황, 제2 문제 상황, 제3 문제 상황이 발생하였는데, 장치(30)는 제1 문제 상황이 발생한 이후 기준 시간 이내에 제1 직원의 대화에서 수동적인 의미를 가지는 단어가 존재하는 것으로 확인하고, 제2 문제 상황이 발생한 이후 기준 시간 이내에 제1 직원의 대화에서 수동적인 의미를 가지는 단어가 존재하는 것으로 확인되고, 제3 문제 상황이 발생한 이후 기준 시간 이내에 제1 직원의 대화에서 수동적인 의미를 가지는 단어가 존재하는 것으로 확인되면, 제1 문제 상황, 제2 문제 상황 및 제3 문제 상황에서 수동적인 의미를 가지는 단어가 기준 시간 이내에 등장하였으므로, 제2 횟수를 3회로 산출할 수 있다.

한편, 장치(30)는 제1 직원의 대화 정보에 기초하여, 제1 직원의 대화에서 문제 상황을 해결하는데 있어 중요한 의미를 가지는 단어를 구분할 수 있다. 여기서, 문제 상황을 해결하는데 있어 중요한 의미를 가지는 단어는 문제 상황 별로 상이하게 설정될 수 있다.

예를 들어, 제1 직원의 대화에서 “항로를 우측으로 변경하자”가 있는 것으로 확인되는 경우, 장치(30)는 제1 직원의 대화에서 “항로를”, “우측으로”, “변경하자”로 각각의 단어를 분류할 수 있으며, 분류된 단어 중 “우측으로”를 중요한 의미를 가지는 단어로 구분할 수 있다.

이후, 장치(30)는 문제 상황 발생으로부터 기준 시간 이내에 제1 직원의 대화에서 중요한 의미를 가지는 단어가 존재하는지 여부를 확인할 수 있다.

예를 들어, 기준 시간이 10초로 설정되어 있는 경우, 장치(30)는 제1 문제 상황이 발생한 이후 10초 이내에, 제1 직원의 대화에서 제1 문제 상황에 중요한 의미를 가지는 단어가 있는지 여부를 확인하고, 제2 문제 상황이 발생한 이후 10초 이내에, 제1 직원의 대화에서 제2 문제 상황에 중요한 의미를 가지는 단어가 있는지 여부를 확인할 수 있다.

이후, 장치(30)는 제1 직원의 대화에서 중요한 의미를 가지는 단어가 기준 시간 이내에 등장한 문제 상황의 수를 제3 횟수로 산출할 수 있다.

예를 들어, 팀 프로젝트를 수행하는 도중 제1 문제 상황, 제2 문제 상황, 제3 문제 상황이 발생하였는데, 장치(30)는 제1 문제 상황이 발생한 이후 기준 시간 이내에 제1 직원의 대화에서 제1 문제 상황에 중요한 의미를 가지는 단어가 존재하는 것으로 확인하고, 제2 문제 상황이 발생한 이후 기준 시간 이내에 제1 직원의 대화에서 제2 문제 상황에 중요한 의미를 가지는 단어가 존재하지 않는 것으로 확인되고, 제3 문제 상황이 발생한 이후 기준 시간 이내에 제1 직원의 대화에서 제3 문제 상황에 중요한 의미를 가지는 단어가 존재하지 않는 것으로 확인되면, 제1 문제 상황에서만 중요한 의미를 가지는 단어가 기준 시간 이내에 등장하였으므로, 제3 횟수를 1회로 산출할 수 있다.

장치(30)는 제1 횟수, 제2 횟수 및 제3 횟수가 각각 산출되면, 제1 횟수를 통해 제1 직원의 리더십을 평가하고, 제2 횟수를 통해 제1 직원의 팔로우십을 평가하고, 제3 횟수를 통해 제1 직원의 위기대처능력을 평가할 수 있다.

예를 들어, 팀 프로젝트를 수행하는데 있어 총 10번의 문제 상황이 발생한 경우, 장치(30)는 제1 횟수가 8회로 확인되면, 제1 직원의 리더십을 80점으로 평가하고, 제2 횟수가 6회로 확인되면, 제1 직원의 팔로우십을 60점으로 평가하고, 제3 횟수가 4회로 확인되면, 제1 직원의 위기대처능력을 40점으로 평가할 수 있다.

이를 통해, 장치(30)는 직원의 대화에서 자연어 처리를 통해, 리더십, 팔로우십, 위기대처능력에 대한 정성 평가를 수행하고, 항목 별로 수치화하여 시각화된 평가 결과를 직원들에게 제공할 수 있다.

도 13은 일실시예에 따른 장치의 구성의 예시도이다.

일실시예에 따른 장치(30)는 프로세서(31) 및 메모리(32)를 포함한다. 일실시예에 따른 장치(401)는 상술한 서버 또는 단말일 수 있다. 프로세서는 도 1 내지 도 12를 통하여 전술한 적어도 하나의 장치들을 포함하거나, 도 1 내지 도 12를 통하여 전술한 적어도 하나의 방법을 수행할 수 있다. 메모리(32)는 상술한 방법과 관련된 정보를 저장하거나 상술한 방법이 구현된 프로그램을 저장할 수 있다. 메모리(32)는 휘발성 메모리 또는 비휘발성 메모리일 수 있다.

프로세서(31)는 프로그램을 실행하고, 장치(30)를 제어할 수 있다. 프로세서(31)에 의하여 실행되는 프로그램의 코드는 메모리(32)에 저장될 수 있다. 장치(30)는 입출력 장치(도면 미 표시)를 통하여 외부 장치(예를 들어, 퍼스널 컴퓨터 또는 네트워크)에 연결되고, 데이터를 교환할 수 있다.

이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.

이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.

그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.

Claims (3)

1. 장치에 의해 수행되는 방법에 있어서,
   전기를 사용하는 제1 기업의 제1 기업 단말로부터 계약 전력 최적화 요청을 수신하는 단계;
   상기 계약 전력 최적화 요청에 응답하여, 상기 제1 기업의 기업명, 업종, 주소, 사업자등록번호, 법인등록번호, 전화번호 및 이메일을 포함하는 기업 정보를 상기 제1 기업 단말로부터 획득하는 단계;
   상기 제1 기업의 사용 전력량을 미리 정의된 구간으로 분류한 전력 사용 정보를 획득하는 단계;
   상기 전력 사용 정보로부터 현재 시점을 기준으로 최근 12개월 동안의 월별 최대 수요 전력량들을 획득하는 단계;
   상기 전력 사용 정보로부터 현재 시점을 기준으로 최근 12개월 동안의 월별 최대부하 전력량들을 획득하는 단계;
   상기 전력 사용 정보로부터 현재 시점을 기준으로 최근 12개월 동안의 월별 중부하 전력량들을 획득하는 단계;
   상기 전력 사용 정보로부터 현재 시점을 기준으로 최근 12개월 동안의 월별 경부하 전력량들을 획득하는 단계; 및
   상기 기업 정보, 상기 월별 최대 수요 전력량들, 상기 월별 최대부하 전력량들, 상기 월별 중부하 전력량들 및 상기 월별 경부하 전력량들에 기초하여, 상기 제1 기업의 최적 계약 전력을 인공지능모델을 통해 예측하는 단계
   를 포함하고,
   상기 인공지능모델은 제1 인공신경망 및 제2 인공신경망을 포함하고,
   상기 인공지능모델을 통해 예측하는 단계는
   현재 시점을 기준으로 최근의 미리 정의된 기간인 제1 기간 동안의 제1 최대 수요 전력량들, 제1 최대부하 전력량들, 제1 중부하 전력량들 및 제1 경부하 전력량들을 획득하는 단계;
   상기 기업 정보, 상기 제1 최대 수요 전력량들, 상기 제1 최대부하 전력량들, 상기 제1 중부하 전력량들 및 상기 제1 경부하 전력량들을 상기 제1 인공신경망에 적용하여, 상기 최대 수요 전력량들에 대응하는 최대 수요 가중치, 상기 최대부하 전력량들에 대응하는 최대부하 가중치, 상기 중부하 전력량들에 대응하는 중부하 가중치 및 상기 경부하 전력량들에 대응하는 경부하 가중치를 생성하는 단계; 및
   상기 최대 수요 가중치, 상기 최대부하 가중치, 상기 중부하 가중치 및 상기 경부하 가중치가 각각 적용된 예측 최대 수요 전력량들, 예측 최대부하 전력량들, 예측 중부하 전력량들 및 예측 경부하 전력량들 및 상기 기업 정보를 상기 제2 인공신경망에 적용하여, 상기 제1 기업의 최적 계약 전력을 예측하는 단계
   를 포함하고,
   상기 제1 출력 신호를 생성하는 단계는
   상기 기업 정보, 상기 제1 최대 수요 전력량들, 상기 제1 최대부하 전력량들, 상기 제1 중부하 전력량들 및 상기 제1 경부하 전력량들에 기초하여 제1 입력 신호를 생성하는 단계;
   상기 제1 입력 신호를 상기 제1 인공신경망-상기 제1 인공신경망은 트레이닝 기업 정보들, 트레이닝 제1 최대 수요 전력량들, 트레이닝 제1 최대부하 전력량들, 트레이닝 제1 중부하 전력량들, 트레이닝 제1 경부하 전력량들, 제1 출력 신호들 및 트레이닝 최대 수요 가중치들, 트레이닝 최대부하 가중치들, 트레이닝 중부하 가중치들 및 트레이닝 경부하 가중치들에 기초하여 미리 학습됨-에 적용하여 총 합이 1로 표현되는 실수 값들을 포함하는 제1 출력 신호를 생성하는 단계; 및
   상기 제1 출력 신호에 기초하여 상기 최대 수요 가중치, 상기 최대부하 가중치, 상기 중부하 가중치 및 상기 경부하 가중치-상기 최대 수요 가중치, 상기 최대부하 가중치, 상기 중부하 가중치 및 상기 경부하 가중치 순으로 가중치가 높게 설정됨-를 생성하는 단계
   를 포함하고,
   상기 트레이닝 최대 수요 가중치들, 상기 트레이닝 최대부하 가중치들, 상기 트레이닝 중부하 가중치들 및 상기 트레이닝 경부하 가중치들은 상기 트레이닝 제1 최대 수요 전력량들, 상기 트레이닝 제1 최대부하 전력량들, 상기 트레이닝 제1 중부하 전력량들 및 상기 트레이닝 제1 경부하 전력량들에 각각 대응하는 가중치들이고,
   상기 제1 출력 신호들은 상기 트레이닝 제1 최대 수요 전력량들, 상기 트레이닝 제1 최대부하 전력량들, 상기 트레이닝 제1 중부하 전력량들 및 상기 트레이닝 제1 경부하 전력량들이 상기 제1 인공신경망에 적용되어 생성된 출력 신호들이며,
   상기 제1 인공신경망은 제1 출력 신호들 및 상기 트레이닝 최대 수요 가중치들, 상기 트레이닝 최대부하 가중치들, 상기 트레이닝 중부하 가중치들 및 상기 트레이닝 경부하 가중치들의 차이들에 기초하여 트레이닝 에러들을 최소화하여 학습된,
   인공지능 기반 전기 사용 시설의 계약 전력 최적화 방법.
2. 삭제
3. 삭제

Images