KR102562761B1

KR102562761B1 - Method for intelligent day-ahead energy sharing scheduling of the P2P prosumer community in smart grid

Info

Publication number: KR102562761B1
Application number: KR1020190152771A
Authority: KR
Inventors: 홍충선; 조우루야오; 김기태
Original assignee: 경희대학교 산학협력단
Priority date: 2019-11-25
Filing date: 2019-11-25
Publication date: 2023-08-01
Also published as: KR20210063989A

Abstract

프로슈머 커뮤니티는 에너지를 소비할 뿐만 아니라 태양 에너지와 같은 에너지를 생성할 수 있는 프로슈머에 의해 형성된다. 그러나, 에너지 소비와 생성의 불균형으로 인해 재생 불가능한 수많은 에너지가 여전히 활용되고 있다. 따라서, 스마트 그리드에서 P2P 프로슈머 커뮤니티의 지능형 사전 에너지 공유 스케줄링 방법이 제안되는데, 이는 지능형 에너지 예측 단계와 능동적 에너지 스케줄링 최적화 단계를 포함하는 2단계 방법이다. Prosumer communities are formed by prosumers who can not only consume energy but also generate energy such as solar energy. However, many non-renewable energies are still utilized due to the imbalance between energy consumption and generation. Therefore, an intelligent pre-energy sharing scheduling method of P2P prosumer community in smart grid is proposed, which is a two-step method including an intelligent energy prediction step and an active energy scheduling optimization step.

Description

Method for intelligent day-ahead energy sharing scheduling of the P2P prosumer community in smart grid}

스마트 그리드, 스마트 시티, 사이버 물리 시스템(CPS), 개인 간 통신(P2P) 네트워크Smart grids, smart cities, cyber-physical systems (CPS), and peer-to-peer (P2P) networks

스마트 그리드의 발전으로 프로슈머 커뮤니티가 큰 관심을 끌고 있다. 예를 들어, 태양 에너지는 에너지 효율을 향상하고 세계 에너지 부족 문제에 대처하기 위한 첨단 기술인 개인 간 통신(P2P) 에너지 공유로 알려진 옥상 태양 전지판을 설치하여 에너지를 소비할 수 있을 뿐만 아니라, 필요한 이웃에게 잉여 에너지를 판매할 수 있는 프로슈머 커뮤니티를 만들어냈다. 그러나, 태양 에너지 발전은 에너지 생성과 수요 사이의 불일치 문제를 일으키는 태양 강도에 의존한다. 즉, 태양광 발전량으로는 에너지 소비량을 충족시킬 수 없다. 이러한 문제를 해결하기 위해 프로슈머 커뮤니티 내 각 가구에 배터리가 도입된다. 따라서 P2P 에너지 공유 또는 수신 프로세스뿐만 아니라, 배터리 충전이나 방전 프로세스를 통해 에너지를 스케줄링할 필요가 있다. Advances in smart grids are attracting great interest from the prosumer community. Solar energy, for example, is known as peer-to-peer communication (P2P) energy sharing, which is an advanced technology to improve energy efficiency and combat the global energy shortage problem, installing rooftop solar panels can not only consume energy, but also provide neighbors in need. It has created a prosumer community that can sell surplus energy. However, solar power generation is dependent on solar intensity which creates a mismatch problem between energy generation and demand. In other words, solar power generation cannot satisfy the energy consumption. To solve this problem, batteries are introduced in each household in the prosumer community. Therefore, there is a need to schedule energy through a battery charging or discharging process, as well as a P2P energy sharing or receiving process.

스마트 그리드의 개발로, 프로슈머는 스마트 그리드에서 매우 인기가 많아졌고, 학계와 업계 모두에서 많은 관심을 받고 있다. 그런데도, 프로슈머에 의해 형성된 커뮤니티의 에너지 생성과 에너지 수요 간 불균형으로 인해 일정 기간 재생이 안 되는 많은 에너지가 여전히 사용되고 있다. 따라서 배터리 저장 시스템을 고려하여 P2P 프로슈머 커뮤니티에서 재생 불가능한 에너지의 사용을 최소화할 필요가 있고, 그것이 타당하다. With the development of the smart grid, prosumers have become very popular in the smart grid and are receiving a lot of attention from both academia and industry. Nevertheless, due to the imbalance between energy generation and energy demand in the community formed by prosumers, a lot of energy that cannot be recycled for a certain period of time is still being used. Therefore, it is necessary to minimize the use of non-renewable energy in the P2P prosumer community by considering the battery storage system, and it is reasonable.

P2P 프로슈머 커뮤니티를 위한. 재생이 안 되는 에너지의 사전 사용량 최소화라는 목적을 달성하기 위해, 에너지 소비 예측, 배터리 충전/방전, 에너지 공유 스케줄링 등이 종합적으로 고려된다. 상세한 시스템 모델은 도 1에 나와 있다. 그러나, 에너지 소비의 역사에 걸친 예측할 수 없는 성격과 강력한 관계로 인해, 에너지 수요를 정확하게 예측하기 위한 엄청난 도전이 야기된다. [1] 모든 가구에서 에너지 공유 및 배터리 스케줄링의 또 다른 큰 어려움은 배터리 충전/배출 및 에너지 공유의 최적 가치를 아는 것이다.For the P2P prosumer community. To achieve the goal of minimizing the use of non-renewable energy in advance, energy consumption forecasting, battery charging/discharging, energy sharing scheduling, etc. are comprehensively considered. A detailed system model is shown in FIG. 1 . However, the unpredictable nature and strong relationship across the history of energy consumption creates a formidable challenge to accurately forecast energy demand. [1] Another big challenge in energy sharing and battery scheduling in every household is knowing the optimal value of battery charge/discharge and energy share.

이러한 과제를 해결하기 위해, 우리는 다음 날의 에너지 수요를 예측할 뿐만 아니라, 프로슈머 커뮤니티 내 가구당 배터리 충전 또는 방전 및 에너지 공유를 최적화하는 방법에 초점을 맞춘다. 그러나 일일 예측 및 배터리 충전 또는 방전 및 에너지 공유 스케줄링 단계를 포함하는 공식화된 문제를 직접 해결하기는 어렵다. 따라서, 우리는 공식화된 문제를 2단계로 분해한다. 도 2에 나타난 바와 같이, 하나는 사전 예측 단계이고 다른 하나는 최적화 단계이다. To address these challenges, we focus on how to not only predict the next day's energy demand, but also optimize battery charging or discharging and energy sharing per household within the prosumer community. However, it is difficult to directly solve a formulated problem involving daily forecasting and battery charging or discharging and energy sharing scheduling steps. Thus, we decompose the formulated problem into two steps. As shown in Fig. 2, one is a pre-prediction step and the other is an optimization step.

RNN의 일종의 최적화 된 버전인 장단기 기억 네트워크(LSTM)는 시퀀스 기반 모델을 통해 시계열 문제를 해결할 수 있다. [2] [3] LSTM을 이용하여, 기울기 소실이나 폭주 문제로 인해 RNN으로 장거리 종속성을 학습하는 것의 어려움을 해결할 수 있다. 따라서 첫 번째 단계에서는 LSTM을 기반으로 하는 지능형 에너지 예측 모델이 제안된다. Long short-term memory networks (LSTMs), a kind of optimized version of RNNs, can solve time-series problems through sequence-based models. [2] [3] Using LSTM, it is possible to solve the difficulty of learning long-range dependencies with RNNs due to the vanishing gradient or congestion problem. Therefore, in the first step, an intelligent energy prediction model based on LSTM is proposed.

두 번째 단계에서는 입자 군집 최적화(PSO)에 기반한 방법이 제안된다. PSO는 최고 성능 입자(종합적 최상)와 위치(개별적 최상)를 얻는 모집단 기반 기법이다 [4]. 우리는 PSO를 사용하여, 배터리 충전 또는 방전의 최상의 상태 및 재생이 안 되는 에너지 사용을 최소화하기 위해 태양광 발전과 에너지 수요 사이의 균형에 도움이 되는 에너지 공유의 최적량을 얻는다.In the second step, a method based on particle swarm optimization (PSO) is proposed. PSO is a population-based technique to obtain the best performing particles (global best) and position (individual best) [4]. We use the PSO to get the optimal amount of energy sharing to help balance solar power and energy demand to minimize the best state of battery charging or discharging and the use of non-renewable energy.

두 번째 단계에서는 입자 군집 최적화(PSO)에 기반한 방법이 제안된다. PSO는 입자가 해공간 주위를 날아다닐 수 있도록 하여 최고 성능 입자(종합적 최상)와 위치(개별적 최상)를 얻는 모집단 기반 기법이다 [4]. 우리는 PSO를 사용하여, 배터리 충전 또는 방전의 최상의 상태 및 재생이 안 되는 에너지 사용을 최소화하기 위해 태양광 발전과 에너지 수요 사이의 균형에 도움이 되는 에너지 공유의 최적량을 얻는다.In the second step, a method based on particle swarm optimization (PSO) is proposed. PSO is a population-based technique that allows particles to fly around sea space to obtain the best-performing particles (global best) and positions (individual best) [4]. We use the PSO to get the optimal amount of energy sharing to help balance solar power and energy demand to minimize the best state of battery charging or discharging and the use of non-renewable energy.

이 특허의 목표는 충전, 방전을 포함한 배터리 저장 시스템과 프로슈머 간의 에너지 공유를 고려하여 개인 간 통신(P2P) 프로슈머 커뮤니티의 사전에 재생이 안 되는 에너지 사용량을 최소화하는 것이다.The goal of this patent is to minimize the use of non-renewable energy in advance by the peer-to-peer (P2P) prosumer community by considering energy sharing between prosumers and the battery storage system, including charging and discharging.

배터리 충전 또는 방전 및 에너지 공유 스케줄링의 에너지 소비 예측과 최적화에 초점을 맞춘 스마트 그리드의 P2P 프로슈머 커뮤니티를 위한 2단계 방법에 따른 사전 에너지 공유 스케줄링. 상세 청구항들은 다음과 같이 요약된다.Pre-energy-sharing scheduling according to a two-step method for peer-to-peer prosumer communities in smart grids, focusing on energy consumption prediction and optimization of battery charging or discharging and energy-sharing scheduling. The detailed claims are summarized as follows.

1. 다음을 포함하는 지능형 에너지 예측 모델: 1. An intelligent energy forecasting model that includes:

다음 단계의 입력으로 사용될 다음 날의 에너지 소비를 예측하기 위해 제안된 사전 예측 모델Proposed predictive model to predict next day's energy consumption to be used as input for next step

2. 이 모델의 예측 단계는 다음을 포함한다. 2. The prediction phase of this model includes:

가. 원본 데이터를 행렬 형식(203)으로 전처리한다.go. The original data is pre-processed in matrix form (203).

나. 최소-최대 정규화 방법(204)을 사용하여 전처리 된 데이터를 [0,1] 범위로 스케일링한다.me. We scale the preprocessed data to the [0,1] range using the min-max normalization method (204).

다. 데이터를 훈련 데이터 세트(207)와 테스트 데이터 세트(206)로 나눈다.all. The data is divided into a training data set (207) and a test data set (206).

라. 분할된 데이터 세트를 기반으로 다음 날 에너지 수요를 예측하는 솔루션으로서 LSTM이 채택된다. (208, 209)la. LSTM is adopted as a solution to predict the next day's energy demand based on a segmented data set. (208, 209)

마. 예측 데이터를 실제 예측 데이터(210)로 다시 스케일링한다.mind. Scale the prediction data back to the actual prediction data (210).

3. 다음을 구성하는 사전 에너지 스케줄링 최적화: 3. Proactive energy scheduling optimization comprising:

에너지 공유, 배터리 충전 및 방전 스케줄링을 위한 군집 지능 기반 방법 이웃 간 에너지 공유량과 배터리 충전 및 방전을 최적으로 확보해, 재생이 안 되는 에너지 사용량을 최소화하는 것을 목표로 한다.A swarm intelligence-based method for energy sharing and battery charging and discharging scheduling aims to minimize non-renewable energy consumption by ensuring optimal energy sharing and battery charging and discharging between neighbors.

4. 군집 지능의 세부 프로세스는 다음을 포함한다. 4. The detailed process of swarm intelligence includes:

가. 지능형 에너지 예측 모델에서 얻은 예측 사전 에너지 수요의 입력 go. Input of the predicted prior energy demand obtained from the intelligent energy forecasting model

나. 태양 에너지 생성 데이터 세트(212), 최대 반복 횟수(213), 입자 수(213), 인버터 효율(213), PSO 계수(213), 최소 및 최대 배터리 용량(214), 충전 및 방전 효율(214)me. Solar Generation Dataset (212), Maximum Iterations (213), Particle Count (213), Inverter Efficiency (213), PSO Factor (213), Minimum and Maximum Battery Capacity (214), Charge and Discharge Efficiency (214)

다. 사전 에너지 공유, 배터리 충전 및 방전을 최적화하도록 군집 지능을 적용하여 재생이 안 되는 에너지 사용을 최소화all. Minimize non-renewable energy use by applying swarm intelligence to optimize proactive energy sharing and battery charging and discharging

i. 입자 당 최초 개별적 최상과 모든 입자의 종합적 최상의 획득(213)i. Obtaining the first individual best per particle and the overall best of all particles (213)

ii.반복 수행ii. Repetition

1) 최대 반복(213)까지 각 반복의 속도와 위치를 모두 업데이트한다.1) Update both the velocity and position of each iteration up to the maximum iteration (213).

2) 최종 반복 후, 종합적 최상(215)은 재생이 안되는 사전 에너지(216)의 최소 사용을 달성하는 솔루션이 될 것이다.2) After the final iteration, the overall best (215) will be the solution that achieves the minimum use of non-renewable pre-energy (216).

이러한 2단계 방법을 통해 스마트 그리드의 전체 P2P 프로슈머 커뮤니티의 재생이 안되는 사전 에너지 사용량을 최소화 할 수 있다.Through this two-step method, it is possible to minimize the non-renewable energy consumption of the entire P2P prosumer community of the smart grid.

다음 날을 위한 프로슈머 간 에너지 공유량, 배터리 충전 및 방전의 스케줄링을 통해 스마트 그리드에서 P2P 프로슈머 커뮤니티의 재생이 안되는 사전 에너지 사용을 최소화한다.By scheduling energy sharing between prosumers for the next day and battery charging and discharging, the P2P prosumer community's non-renewable pre-energy use is minimized on the smart grid.

상용화의 경우, 제안된 사전 에너지 공유 스케줄링은 재생이 안 되는 에너지의 사전 사용량을 최소화 할 수 있도록 재생 가능한 에너지의 생성이 다음 날 정해진 순간에 에너지 수요의 요구 사항을 충족시킬 수 있도록 보장하는 미래의 스마트 그리드에 적용될 수 있다. 또한, 재생 가능한 에너지를 사용하면 탄소 집약적 자원(예: 화석 연료)의 사용을 피함으로써 배출량을 줄일 수 있음으로 기후 변화에 대한 사업 비용을 줄일 수 있다. In the case of commercialization, the proposed proactive energy sharing scheduling will minimize the proactive use of non-renewable energy so as to ensure that the generation of renewable energy can meet the requirements of energy demand at a fixed moment in the next day. Can be applied to the grid. In addition, the use of renewable energy can reduce the cost of doing business on climate change by reducing emissions by avoiding the use of carbon-intensive resources (eg fossil fuels).

도1은 태양광 발전, 배터리, 부하를 고려한 다세대가 포함된 P2P 프로슈머 커뮤니티의 시스템 모델을 보여주고, 또한 모든 가구의 배터리에 저장된 태양광 발전과 에너지가 전체 프로슈머 커뮤니티를 충족시킬 수 없을 때, 재생이 안 되는 에너지를 공급할 책임이 있는 전원공급기를 보여준다.
이 모델에서는 스마트 미터의 역할이 에너지 소비량을 기록하는 데 사용될 뿐만 아니라 전원공급기에 정보를 제공하는 데도 사용된다. 게다가, 스마트 미터는 홈 에너지 관리 시스템(HMS)과 통신 할 수 있다. 또한, 모든 기기는 유선 또는 무선 연결(예: 전력선 통신(Power Line Communication), 지그비(Zigbee))을 통해 HMS와 연결되는 것으로 가정한다. 그뿐만 아니라, 이 커뮤니티에서 태양 에너지는 재생 가능한 에너지로 간주하며, 발전량이 에너지 소비량을 초과할 때 배터리는 에너지 저장소로 간주한다. 특히, 이 시스템 모델의 HMS는 태양 전지판 발전이나 배터리의 DC 에너지를 각 가구에서 효율적으로 사용할 수 있는 에너지인 AC로 변환하는 데 사용되는 DC/AC 인버터가 이미 내장된 것으로 가정한다.
도 2는 에너지 예측 단계와 최적화 단계를 포함하는 제안된 2단계 방법을 보여준다.
사전 에너지 스케줄링 최적화 단계가 재생이 안 되는 사전 에너지 사용량을 최소화하는 목적을 달성하도록 배터리 충전, 방전 및 에너지 공유량을 최적화하기 위해 입자 군집 최적화에 기반을 둔 군집 지능을 사용하는 프로세스지만, 지능형 에너지 예측 단계는 다음 날의 에너지 수요를 예측하도록 전처리, 데이터 정규화, 교육 및 테스트 프로세스를 포함하는 LSTM을 사용하는 프로세스에 초점을 맞춘다.Figure 1 shows a system model of a P2P prosumer community including multiple households considering solar power generation, battery, and load, and also when the solar power generation and energy stored in the battery of all households cannot satisfy the entire prosumer community, shows the power supply responsible for supplying this undesirable energy.
In this model, the smart meter's role is not only used to record energy consumption, but also to provide information to the power supply. Moreover, the smart meter can communicate with the Home Energy Management System (HMS). In addition, it is assumed that all devices are connected to the HMS through wired or wireless connections (eg, power line communication, Zigbee). In addition, solar energy is considered renewable energy in this community, and batteries are considered energy storage when generation exceeds energy consumption. In particular, the HMS in this system model assumes that a DC/AC inverter is already built-in, which is used to convert DC energy from solar panel power generation or batteries to AC, energy that can be efficiently used by each household.
Figure 2 shows the proposed two-step method including an energy estimation step and an optimization step.
While the pre-energy scheduling optimization step is a process that uses swarm intelligence based on particle swarm optimization to optimize battery charging, discharging and energy sharing to achieve the goal of minimizing non-renewable pre-energy usage, intelligent energy prediction The steps focus on the process of using LSTM to predict the next day's energy demand, including preprocessing, data normalization, training and testing processes.

상술한 P2P 프로슈머 커뮤니티의 경우, 우리는 에너지 수요 예측 프로세스, 배터리 충전, 방전 및 에너지 공유 스케줄링 프로세스를 고려한다. 그러나 이러한 프로세스에는 다음과 같은 몇 가지 난제가 있다.For the aforementioned P2P prosumer community, we consider the energy demand forecasting process, battery charging, discharging and energy sharing scheduling process. However, this process has several challenges:

에너지 수요 예측 프로세스의 경우, 에너지 소비의 역사에 걸친 예측할 수 없는 성격과 강력한 관계로 인해, 에너지 수요를 정확하게 예측하기 어렵다. For the energy demand forecasting process, it is difficult to accurately forecast energy demand due to its unpredictable nature and strong relationship across the history of energy consumption.

배터리 충전, 방전 및 에너지 공유 스케줄링 프로세스의 경우, 배터리로 충전되거나 배터리에서 방전되는 최적의 에너지양을 파악하고 각 가구의 에너지 공유도 파악해야 하는 문제For the battery charging, discharging and energy sharing scheduling process, the challenge of figuring out the optimal amount of energy to be charged to or discharged from the battery, as well as energy sharing for each household

따라서 우리는 재생이 안 되는 사전 에너지 사용량 최소화 문제를 2단계 문제로 분해한다. 첫 번째는 지능형 에너지 예측 단계이고, 두 번째는 도 2와 같이 사전 에너지 스케줄링 최적화 단계이다. 상세 그림은 제5절에 나와 있다. Therefore, we decompose the non-renewable energy consumption minimization problem into a two-step problem. The first is an intelligent energy prediction step, and the second is a preliminary energy scheduling optimization step as shown in FIG. 2 . Detailed pictures are given in Section 5.

우리의 기여는 다음과 같이 요약된다.Our contributions are summarized as follows.

사전 에너지 스케줄링 문제를 공식화하고, 스마트 그리드에서 P2P 프로슈머 커뮤니티의 재생이 안 되는 에너지 사용량을 최소화하는 것이 목적이다. 우리가 총 태양광 발전량과 에너지 수요 간 불균형을 개선 할 수 있도록 가구당 배터리로 충전 또는 방전되는 에너지양과 다른 가구에 대한 에너지 공유량을 스케줄링하는 경우. 그러나 공식화된 문제에는 사전 예측과 배터리 충전 또는 방전, 공유 스케줄링 단계가 포함되어 있어서 이러한 문제를 직접 해결하기는 어렵다.It aims to formulate an advance energy scheduling problem and minimize the non-renewable energy usage of the P2P prosumer community in the smart grid. Scheduling how much energy is charged or discharged by the battery per household and how much energy is shared with other households so that we can improve the imbalance between total solar power generation and energy demand. However, it is difficult to solve these problems directly because the formulated problems include advance prediction, battery charging or discharging, and shared scheduling steps.

우리는 공식화된 문제를 해결하기 위해 문제를 2단계로 분해한다. 하나는 사전 예측 단계이고 다른 하나는 최적화 단계이다. 첫 번째 단계에서는 장단기 기억(LSTM)을 기반으로 하는 지능형 에너지 예측 모델이 제안된다. 두 번째 단계에서는 재생이 안 되는 에너지의 최소화 문제를 해결하도록 최적의 배터리 충전량과 방전량 및 최적의 에너지 공유량을 얻기 위해 입자 군집 최적화에 기반한 방법이 제안된다.We decompose the problem into two steps to solve the formulated problem. One is the pre-prediction step and the other is the optimization step. In the first step, an intelligent energy prediction model based on long short-term memory (LSTM) is proposed. In the second step, to solve the non-renewable energy minimization problem, a method based on particle swarm optimization is proposed to obtain optimal battery charge and discharge and optimal energy sharing.

ii.반복 수행ii. Repetition

도1은 태양광 발전, 배터리, 부하를 고려한 다세대가 포함된 P2P 프로슈머 커뮤니티의 시스템 모델을 보여주고, 또한 모든 가구의 배터리에 저장된 태양광 발전과 에너지가 전체 프로슈머 커뮤니티를 충족시킬 수 없을 때, 재생이 안 되는 에너지를 공급할 책임이 있는 전원공급기를 보여준다. Figure 1 shows a system model of a P2P prosumer community including multiple households considering solar power generation, battery, and load, and also when the solar power generation and energy stored in the battery of all households cannot satisfy the entire prosumer community, shows the power supply responsible for supplying this undesirable energy.

이 모델에서는 스마트 미터의 역할이 에너지 소비량을 기록하는 데 사용될 뿐만 아니라 전원공급기에 정보를 제공하는 데도 사용된다. 게다가, 스마트 미터는 홈 에너지 관리 시스템(HMS)과 통신 할 수 있다. 또한, 모든 기기는 유선 또는 무선 연결(예: 전력선 통신(Power Line Communication), 지그비(Zigbee))을 통해 HMS와 연결되는 것으로 가정한다. 그뿐만 아니라, 이 커뮤니티에서 태양 에너지는 재생 가능한 에너지로 간주하며, 발전량이 에너지 소비량을 초과할 때 배터리는 에너지 저장소로 간주한다. 특히, 이 시스템 모델의 HMS는 태양 전지판 발전이나 배터리의 DC 에너지를 각 가구에서 효율적으로 사용할 수 있는 에너지인 AC로 변환하는 데 사용되는 DC/AC 인버터가 이미 내장된 것으로 가정한다. In this model, the smart meter's role is not only used to record energy consumption, but also to provide information to the power supply. Moreover, the smart meter can communicate with the Home Energy Management System (HMS). In addition, it is assumed that all devices are connected to the HMS through wired or wireless connections (eg, power line communication, Zigbee). In addition, solar energy is considered renewable energy in this community, and batteries are considered energy storage when generation exceeds energy consumption. In particular, the HMS in this system model assumes that a DC/AC inverter is already built-in, which is used to convert DC energy from solar panel power generation or batteries to AC, energy that can be efficiently used by each household.

101: 전원공급기 - 전원공급기는 모든 가구의 배터리에 저장된 태양광 발전과 에너지가 전체 프로슈머 커뮤니티를 충족시킬 수 없을 때, 재생이 안 되는 에너지를 공급할 책임이 있다.101: Power Supply - The power supply is responsible for supplying non-renewable energy when solar power and energy stored in the batteries of every household cannot satisfy the entire prosumer community.

102: 가구 - 가구는 커뮤니티 내 프로슈머를 나타낸다.102: Household - A household represents a prosumer within a community.

103: 스마트 미터 - 스마트 미터는 에너지 소비량을 기록하고 전원 공급기에 정보를 제공하며 홈 에너지 관리 시스템(HMS)과 통신하는 데 사용된다.103: Smart meters - Smart meters are used to record energy consumption, provide information to the power supply, and communicate with the home energy management system (HMS).

104: 태양 전지판 - 태양 전지판은 태양 에너지를 생성하는 데 사용된다.104: Solar Panels - Solar panels are used to generate solar energy.

105: 부하 - 부하는 각 가구의 모든 기기를 나타낸다.105: Loads - Loads represent all appliances in each household.

106: 홈 에너지 관리 시스템(HMS) - 가구별 HMS는 스마트 미터와 연결하여 모든 기기가 연결할 수 있는 유무선 네트워크를 제공한다. 106: Home Energy Management System (HMS) - Each household's HMS connects with a smart meter to provide a wired and wireless network that all devices can connect to.

107: 배터리 - 각 가구의 배터리는 에너지 생성에서 과도한 에너지를 저장하는 역할을 한다.107: Batteries - Batteries in each household serve to store excess energy from energy generation.

108: 무선 네트워크 - HMS에 내장된 무선 네트워크는 기기를 HMS에 연결하는 데 사용된다.108: Wireless network - The wireless network built into the HMS is used to connect devices to the HMS.

109: 무선 네트워크 - HMS에 내장된 무선 네트워크는 기기를 HMS에 연결하는 데 사용된다.109: Wireless network - The wireless network built into the HMS is used to connect devices to the HMS.

도 2는 에너지 예측 단계와 최적화 단계를 포함하는 제안된 2단계 방법을 보여준다. Figure 2 shows the proposed two-step method including an energy estimation step and an optimization step.

사전 에너지 스케줄링 최적화 단계가 재생이 안 되는 사전 에너지 사용량을 최소화하는 목적을 달성하도록 배터리 충전, 방전 및 에너지 공유량을 최적화하기 위해 입자 군집 최적화에 기반을 둔 군집 지능을 사용하는 프로세스지만, 지능형 에너지 예측 단계는 다음 날의 에너지 수요를 예측하도록 전처리, 데이터 정규화, 교육 및 테스트 프로세스를 포함하는 LSTM을 사용하는 프로세스에 초점을 맞춘다.While the pre-energy scheduling optimization step is a process that uses swarm intelligence based on particle swarm optimization to optimize battery charging, discharging and energy sharing to achieve the goal of minimizing non-renewable pre-energy usage, intelligent energy prediction The steps focus on the process of using LSTM to predict the next day's energy demand, including preprocessing, data normalization, training and testing processes.

201: 예측 단계 - 제안된 방법의 첫 번째 단계를 나타낸다.201: Prediction step - indicates the first step of the proposed method.

202: 원본 데이터 - 원본 데이터는 각 기기 유형의 에너지 수요 데이터이다. 202: Original data - The original data is energy demand data for each type of appliance.

203: 전처리 - 원본 데이터를 행렬 형식으로 전처리한다.203: Preprocessing - The original data is preprocessed in matrix form.

204: 데이터 정규화 - 최소-최대 정규화 방법으로 전처리 된 데이터를 [0,1] 범위로 스케일링한다.204: Data normalization - Scale the preprocessed data to the [0,1] range using the min-max normalization method.

205: 데이터 - 총 데이터는 훈련 데이터 세트와 테스트 데이터 세트로 구성된다.205: Data - The total data consists of a training data set and a test data set.

206: 테스트 데이터 세트 - 데이터는 모델 테스트 단계에 사용된다.206: Test Data Set - The data is used for the model testing step.

207: 훈련 데이터 세트 - 데이터는 모드 훈련 단계에 사용된다.207: Training data set - data used for mode training phase.

208: 다변량 LSTM 모델 - 이것은 다중 입력으로 훈련 데이터 세트를 훈련하기 위해 생성된 모델이다.208: Multivariate LSTM model - This is a model created to train a training data set with multiple inputs.

209: 훈련된 모델 - 이 모델은 훈련 데이터 세트로 훈련한 다음, 테스트 데이터 세트를 사용하여 이 훈련된 모델로 다음 날의 에너지 수요를 예측한 모델이다.209: Trained model - This is a model that was trained with the training data set and then used the test data set to predict the next day's energy demand with this trained model.

210: 사전 에너지 수요 예측 결과 - 예측 데이터를 실제 예측 데이터로 다시 스케일링한다.210: Pre-energy demand forecast result - re-scale the forecast data to actual forecast data.

211: 최적화 단계 - 제안된 방법의 두 번째 단계를 나타낸다.211: Optimization step - represents the second step of the proposed method.

212: 태양광 발전 데이터 세트 - 이것은 재생 가능한 에너지로 사용되는 주거 수준별 태양광 발전 데이터 세트이다. 212: Solar Power Data Set - This is a photovoltaic power data set by residential level used for renewable energy.

213: 군집 지능 - 이 부분은 PSO 방법에 따른 최적화 프로세스를 나타낸다.213: Swarm Intelligence - This part represents the optimization process according to the PSO method.

214: 배터리 정보 - 이 부분은 현재와 최대 용량, 배터리의 최소 상태를 포함하는 배터리의 매개 변수를 나타낸다.214: Battery Info - This section shows battery parameters, including current and maximum capacity, and minimum state of the battery.

215: 배터리 충전, 방전 및 에너지 공유의 최적 가치 - 최적화 후에는 최적의 사전 에너지 공유, 배터리 충전 및 방전을 얻게 된다.215: Optimal value of battery charging, discharging and energy sharing - After optimization, we get the optimal prior energy sharing, battery charging and discharging.

216: 재생이 안 되는 에너지의 사전 사용 최소화 - 최적의 가치를 얻은 후, 이 프로세스에서 재생이 안 되는 에너지의 사전 사용량이 최소화될 것이다.216: Minimize upfront use of non-renewable energy - After obtaining the optimum value, the upfront use of non-renewable energy in this process will be minimized.

101: 전원공급기 - 전원공급기는 모든 가구의 배터리에 저장된 태양광 발전과 에너지가 전체 프로슈머 커뮤니티를 충족시킬 수 없을 때, 재생이 안 되는 에너지를 공급할 책임이 있다.
102: 가구 - 가구는 커뮤니티 내 프로슈머를 나타낸다.
103: 스마트 미터 - 스마트 미터는 에너지 소비량을 기록하고 전원 공급기에 정보를 제공하며 홈 에너지 관리 시스템(HMS)과 통신하는 데 사용된다.
104: 태양 전지판 - 태양 전지판은 태양 에너지를 생성하는 데 사용된다.
105: 부하 - 부하는 각 가구의 모든 기기를 나타낸다.
106: 홈 에너지 관리 시스템(HMS) - 가구별 HMS는 스마트 미터와 연결하여 모든 기기가 연결할 수 있는 유무선 네트워크를 제공한다.
107: 배터리 - 각 가구의 배터리는 에너지 생성에서 과도한 에너지를 저장하는 역할을 한다.
108: 무선 네트워크 - HMS에 내장된 무선 네트워크는 기기를 HMS에 연결하는 데 사용된다.
109: 무선 네트워크 - HMS에 내장된 무선 네트워크는 기기를 HMS에 연결하는 데 사용된다.
201: 예측 단계 - 제안된 방법의 첫 번째 단계를 나타낸다.
202: 원본 데이터 - 원본 데이터는 각 기기 유형의 에너지 수요 데이터이다.
203: 전처리 - 원본 데이터를 행렬 형식으로 전처리한다.
204: 데이터 정규화 - 최소-최대 정규화 방법으로 전처리 된 데이터를 [0,1] 범위로 스케일링한다.
205: 데이터 - 총 데이터는 훈련 데이터 세트와 테스트 데이터 세트로 구성된다.
206: 테스트 데이터 세트 - 데이터는 모델 테스트 단계에 사용된다.
207: 훈련 데이터 세트 - 데이터는 모드 훈련 단계에 사용된다.
208: 다변량 LSTM 모델 - 이것은 다중 입력으로 훈련 데이터 세트를 훈련하기 위해 생성된 모델이다.
209: 훈련된 모델 - 이 모델은 훈련 데이터 세트로 훈련한 다음, 테스트 데이터 세트를 사용하여 이 훈련된 모델로 다음 날의 에너지 수요를 예측한 모델이다.
210: 사전 에너지 수요 예측 결과 - 예측 데이터를 실제 예측 데이터로 다시 스케일링한다.
211: 최적화 단계 - 제안된 방법의 두 번째 단계를 나타낸다.
212: 태양광 발전 데이터 세트 - 이것은 재생 가능한 에너지로 사용되는 주거 수준별 태양광 발전 데이터 세트이다.
213: 군집 지능 - 이 부분은 PSO 방법에 따른 최적화 프로세스를 나타낸다.
214: 배터리 정보 - 이 부분은 현재와 최대 용량, 배터리의 최소 상태를 포함하는 배터리의 매개 변수를 나타낸다.
215: 배터리 충전, 방전 및 에너지 공유의 최적 가치 - 최적화 후에는 최적의 사전 에너지 공유, 배터리 충전 및 방전을 얻게 된다.
216: 재생이 안 되는 에너지의 사전 사용 최소화 - 최적의 가치를 얻은 후, 이 프로세스에서 재생이 안 되는 에너지의 사전 사용량이 최소화될 것이다.101: Power Supply - The power supply is responsible for supplying non-renewable energy when solar power and energy stored in the batteries of every household cannot satisfy the entire prosumer community.
102: Household - A household represents a prosumer within a community.
103: Smart meters - Smart meters are used to record energy consumption, provide information to the power supply, and communicate with the home energy management system (HMS).
104: Solar Panels - Solar panels are used to generate solar energy.
105: Loads - Loads represent all appliances in each household.
106: Home Energy Management System (HMS) - Each household's HMS connects with a smart meter to provide a wired and wireless network that all devices can connect to.
107: Batteries - Batteries in each household serve to store excess energy from energy generation.
108: Wireless network - The wireless network built into the HMS is used to connect devices to the HMS.
109: Wireless network - The wireless network built into the HMS is used to connect devices to the HMS.
201: Prediction step - indicates the first step of the proposed method.
202: Original data - The original data is energy demand data for each type of appliance.
203: Preprocessing - The original data is preprocessed in matrix form.
204: Data normalization - Scale the preprocessed data to the [0,1] range using the min-max normalization method.
205: Data - The total data consists of a training data set and a test data set.
206: Test Data Set - The data is used for the model testing step.
207: Training data set - data used for mode training step.
208: Multivariate LSTM model - This is a model created to train a training data set with multiple inputs.
209: Trained model - This is a model that was trained with the training data set and then used the test data set to predict the next day's energy demand with this trained model.
210: Pre-energy demand forecast result - re-scale the forecast data to actual forecast data.
211: Optimization step - indicates the second step of the proposed method.
212: Solar Power Data Set - This is a photovoltaic power data set by residential level used for renewable energy.
213: Swarm Intelligence - This part represents the optimization process according to the PSO method.
214: Battery Info - This section shows battery parameters, including current and maximum capacity, and minimum state of the battery.
215: Optimal value of battery charging, discharging and energy sharing - After optimization, we get the optimal prior energy sharing, battery charging and discharging.
216: Minimize upfront use of non-renewable energy - After obtaining the optimum value, the upfront use of non-renewable energy in this process will be minimized.

Claims

In the advance energy sharing scheduling method performed by the P2P prosumer community system,
obtaining original data including energy demand data for each type of device in the community system;
obtaining prediction data from an intelligent energy prediction model that is learned based on the original data and outputs energy demand prediction data; and
Obtaining preliminary energy minimum use information from the prediction data by applying a swarm intelligence model that performs a particle cluster optimization algorithm and outputs prior energy minimum use information that cannot be reproduced, to the obtained prediction data; Including,
The method,
rescaling the prediction data obtained from the intelligent energy prediction model into actual prediction data;
Acquiring a solar energy generation data set related to photovoltaic power generation data for each residential level in the community system used as renewable energy;
obtaining particle swarm optimization variables including a maximum number of iterations, a number of particles, an inverter efficiency, and a PSO coefficient for the swarm intelligence model to perform a particle swarm optimization algorithm;
obtaining battery parameters including minimum and maximum battery capacities and charging and discharging efficiencies of the battery; and
acquiring the minimum usage information of the preliminary energy from the swarm intelligence model by inputting the rescaled actual prediction data, the solar energy generation data set, the particle swarm optimization variable, and the battery variable into the swarm intelligence model; Further comprising a method.

The method of claim 1, wherein the method
pre-processing the obtained original data in a matrix form;
scaling the original data preprocessed in matrix form to a predetermined range by minimum and maximum normalization;
dividing the scaled original data into a training data set and a test data set; and
training the intelligent energy prediction model based on the training data set; Further comprising a method.

3. The method of claim 2, wherein the method
verifying the intelligent energy prediction model based on the test data set; Further comprising a method.

delete

The method of claim 1, wherein the swarm intelligence model
obtaining an initial individual best value per particle and an overall best value of all particles by performing the cluster optimization algorithm;
repeating the process of obtaining the first individual best value per particle and the overall best value of all the particles;
Updating both the rate and position of iterations up to the maximum number of iterations within the particle swarm optimization variable;
Characterized in that, after final iteration, outputting the comprehensive best value as the minimum use information of the preliminary energy that cannot be reproduced.

In a P2P prosumer community system that performs a preliminary energy sharing scheduling method,
households constituting the community system;
a power supply that supplies energy when solar power generation and energy stored in batteries of all households in the community system cannot meet the usage of households constituting the entire community system;
a smart meter that records energy consumption and provides information to the power supply;
solar panels installed on the furniture;
loads corresponding to all devices in the household;
a home energy management system that is connected to the smart meter and provides a wired or wireless network so that all devices in the household can be connected; and
a battery located in the furniture to store excess energy; Including,
The system,
Acquiring original data including energy demand data for each type of device in the community system;
Obtaining prediction data from an intelligent energy prediction model that outputs energy demand prediction data that is learned based on the original data;
To the obtained prediction data, obtain minimum use information of prior energy from the prediction data by applying a swarm intelligence model that performs a particle crowd optimization algorithm and outputs information of minimum use of prior energy that cannot be reproduced,
The system,
Rescaling the prediction data obtained from the intelligent energy prediction model to actual prediction data;
Obtaining a solar energy generation data set related to photovoltaic power generation data for each residential level in the community system used as renewable energy;
Acquiring particle swarm optimization variables including a maximum iteration number, particle number, inverter efficiency, and PSO coefficient for the swarm intelligence model to perform a particle swarm optimization algorithm;
obtaining battery parameters including minimum and maximum battery capacities, charge and discharge efficiencies of the battery; and
A system for acquiring the minimum use information of the prior energy from the swarm intelligence model by inputting the rescaled actual predicted data, the solar energy generation data set, the particle swarm optimization variable, and the battery variable into the swarm intelligence model. .

delete

9. The method of claim 8, wherein the system
Preprocessing the obtained original data in matrix form,
Scaling the original data preprocessed in matrix form to a predetermined range by minimum and maximum normalization;
Dividing the scaled original data into a training data set and a test data set;
and trains the intelligent energy prediction model based on the training data set.