KR102577405B1 - 머신러닝 기반 충전소 알림 정보 제공 방법 및 이를 위한 연료 공급망 관리 시스템 - Google Patents
머신러닝 기반 충전소 알림 정보 제공 방법 및 이를 위한 연료 공급망 관리 시스템 Download PDFInfo
- Publication number
- KR102577405B1 KR102577405B1 KR1020220118756A KR20220118756A KR102577405B1 KR 102577405 B1 KR102577405 B1 KR 102577405B1 KR 1020220118756 A KR1020220118756 A KR 1020220118756A KR 20220118756 A KR20220118756 A KR 20220118756A KR 102577405 B1 KR102577405 B1 KR 102577405B1
- Authority
- KR
- South Korea
- Prior art keywords
- charging station
- type
- machine learning
- notification information
- information
- Prior art date
Links
- 239000000446 fuel Substances 0.000 title claims abstract description 131
- 238000010801 machine learning Methods 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013068 supply chain management Methods 0.000 claims abstract description 67
- 238000007726 management method Methods 0.000 claims description 52
- 239000001257 hydrogen Substances 0.000 claims description 37
- 229910052739 hydrogen Inorganic materials 0.000 claims description 37
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims description 36
- 238000012544 monitoring process Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 6
- 238000013480 data collection Methods 0.000 claims description 4
- 238000007477 logistic regression Methods 0.000 claims description 3
- 230000019771 cognition Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000003949 liquefied natural gas Substances 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000003442 weekly effect Effects 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 150000002431 hydrogen Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Classifications
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17C—VESSELS FOR CONTAINING OR STORING COMPRESSED, LIQUEFIED OR SOLIDIFIED GASES; FIXED-CAPACITY GAS-HOLDERS; FILLING VESSELS WITH, OR DISCHARGING FROM VESSELS, COMPRESSED, LIQUEFIED, OR SOLIDIFIED GASES
- F17C2221/00—Handled fluid, in particular type of fluid
- F17C2221/01—Pure fluids
- F17C2221/012—Hydrogen
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17C—VESSELS FOR CONTAINING OR STORING COMPRESSED, LIQUEFIED OR SOLIDIFIED GASES; FIXED-CAPACITY GAS-HOLDERS; FILLING VESSELS WITH, OR DISCHARGING FROM VESSELS, COMPRESSED, LIQUEFIED, OR SOLIDIFIED GASES
- F17C2270/00—Applications
- F17C2270/01—Applications for fluid transport or storage
- F17C2270/0134—Applications for fluid transport or storage placed above the ground
- F17C2270/0139—Fuel stations
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02T90/10—Technologies relating to charging of electric vehicles
- Y02T90/12—Electric charging stations
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Mathematical Physics (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Water Supply & Treatment (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 명세서는 머신러닝 기반 충전소 알림 정보 제공 방법 및 이를 위한 연료 공급망 관리 시스템에 대한 것이다.
이에 따른 알림 정보 제공 방법은, 센서 데이터가 수집 가능한 제 1 타입 충전소의 센서 데이터에 대응하는 제 1 타입 데이터, 및 센서 데이터 수집이 불가능한 제 2 타입 충전소의 출고 데이터에 대응하는 제 2 타입 데이터를 각각 획득하고; 상기 제 1 타입 데이터 및 상기 제 2 타입 데이터 각각에 기반하여 시계열 데이터용 제 1 타입 머신러닝 모델 및 분류 기반 제 2 타입 머신러닝 모델을 각각 생성하며; 상기 제 1 타입 머신러닝 모델 및 상기 제 2 타입 머신러닝 모델의 예측치에 기반하여, 상기 제 1 타입 충전소 및 상기 제 2 타입 충전소 중 하나 이상에 알림 정보를 제공하는 것을 포함할 수 있다.
이에 따른 알림 정보 제공 방법은, 센서 데이터가 수집 가능한 제 1 타입 충전소의 센서 데이터에 대응하는 제 1 타입 데이터, 및 센서 데이터 수집이 불가능한 제 2 타입 충전소의 출고 데이터에 대응하는 제 2 타입 데이터를 각각 획득하고; 상기 제 1 타입 데이터 및 상기 제 2 타입 데이터 각각에 기반하여 시계열 데이터용 제 1 타입 머신러닝 모델 및 분류 기반 제 2 타입 머신러닝 모델을 각각 생성하며; 상기 제 1 타입 머신러닝 모델 및 상기 제 2 타입 머신러닝 모델의 예측치에 기반하여, 상기 제 1 타입 충전소 및 상기 제 2 타입 충전소 중 하나 이상에 알림 정보를 제공하는 것을 포함할 수 있다.
Description
본 문서는 머신러닝 기반 충전소 알림 정보 제공 방법 및 이를 위한 연료 공급망 관리 시스템에 대한 것으로서, 머신러닝/딥러닝 기반으로 수요를 예측하여 충전소에 미리 알림 정보를 제공하고, 이에 기반한 연료 공급망 관리 시스템을 제공하는 것에 대한 것이다.
최근 환경 보호의 중요성이 강조되면서 기존에 사용하던 화석 연료에 대한 규제가 강화되는 한편, 태양광, 풍력, 수력, 연료 전지 등 신재생 에너지에 관한 사업이 점진적으로 증가하고 있다. 그 중에서도 특히 자동차 산업의 경우에는 기존의 내연 기관을 대신하여 전기차와 수소차가 각광받고 있다.
이러한 수소 연료의 경우, 기존의 액화 천연 가스(LNG)와 같이 운송 탱크에 저장한 상태에서 충전소의 저장 공간으로 공급하는 것이 아니라 수소를 저장 및 운송하기 위한 튜브 트레일러(튜브 트레일러) 자체를 교체하는 방식을 활용하고 있다. 이처럼, 최적의 시기에 충전소의 튜브 트레일러를 교체하기 위해서는 사전에 수소가 완충된 튜브 트레일러가 필요하다.
그러나, 현재 운영하는 튜브 트레일러의 수, 출하 센터의 설비가 유한하기 때문에 미리 수소를 완충하여 재고로 보유해 놓고 필요 시마다 바로 공급하는 일반적인 물류 프로세스는 적용하기가 어렵다. 또한, 수소의 공급망 관리(SCM) 내 각 프로세스 영역별 시스템이 상이하고, 정보의 인터페이스(I/F)가 제대로 되지 않아 원활한 수소 공급 체계가 구비되기에는 한계가 있다. 뿐만 아니라, 수소 충전소의 소비량, 잔량, 수요 예측, 튜브 트레일러 교체 시기, 차량 배차 현황 등 운영 전반에 대한 모니터링 어려워, 운송 사고 등 이슈 발생시 즉시 파악이 어려운 문제점도 있다.
한편, 최근 인공지능 기술이 발달하면서 다양한 머신러닝/딥러닝 모델이 개발되고, 다양한 분야에 적용되고 있다. 다만, 머신러닝/딥러닝 모델을 상술한 연료 공급망 관리 시스템에 적용하기 위해서는 연료 공급망의 특정을 고려하여야 하며, 이에 대한 선행 연구가 부재하다.
상술한 바와 같은 문제를 해결하기 위해 본 발명의 일 측면에서는 연료 공급망 관리 시스템의 특징에 맞는 머신러닝 모델을 구현하여, 이에 기반한 충전소 알림 정보 제공 방법 및 이를 위한 연료 공급망 관리 시스템을 제공하고자 한다.
구체적으로, 각 충전소의 타입에 따라 서로 다른 머신러닝/딥러닝 모델을 적용하여, 수요/잔량 예측의 정확도를 높인 시스템을 제공하고자 한다.
또한, 수소 공급망의 전체 영역을 모니터링하고, 최적의 로직 적용을 통한 최적화 시스템을 구현함으로써 충전소의 소비량, 공급 주기, 잔량, 예측 수요 등을 실시간으로 모니터링할 수 있고, 운송 정보의 접근이 용이하여 안정적인 운영 및 수급 관리가 가능하며, 각 충전소의 소비량, 예측 수요, 튜브 트레일러의 운영 현황 등의 정보에 기반하여 효율적인 충전 및 배차 업무를 수행할 수 있는 연료 공급망 관리 시스템 및 그에 관한 방법을 제공하고자 한다.
본 발명에서 해결하고자 하는 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
상술한 바와 같은 과제를 해결하기 위한 본 발명의 일 측면에서는, 센서 데이터가 수집 가능한 제 1 타입 충전소의 센서 데이터에 대응하는 제 1 타입 데이터, 및 센서 데이터 수집이 불가능한 제 2 타입 충전소의 출고 데이터에 대응하는 제 2 타입 데이터를 각각 획득하고; 상기 제 1 타입 데이터 및 상기 제 2 타입 데이터 각각에 기반하여 시계열 데이터용 제 1 타입 머신러닝 모델 및 분류 기반 제 2 타입 머신러닝 모델을 각각 생성하며; 상기 제 1 타입 머신러닝 모델 및 상기 제 2 타입 머신러닝 모델의 예측치에 기반하여, 상기 제 1 타입 충전소 및 상기 제 2 타입 충전소 중 하나 이상에 알림 정보를 제공하는 것을 포함하는, 머신러닝 기반 충전소 알림 정보 제공 방법을 제공하고자 한다.
상기 알림 정보를 제공하는 것은, 상기 예측치에 기반하여 대응하는 충전소의 예상 주문을 생성하고; 상기 대응하는 충전소에 상기 알림 정보를 제공하는 것을 포함할 수 있다.
상기 대응하는 충전소로부터 실주문을 수신하는 것을 추가적으로 포함할 수 있으며, 이 경우, 상기 제 1 타입 머신러닝 모델 및 상기 제 2 타입 머신러닝 모델 중 하나 이상은 상기 예상 주문과 상기 실주문의 비교를 통해 학습될 수 있다.
상기 학습에 있어서, 상기 실 주문에 대응하는 상기 예상 주문이 없는 제 1 사례가 상기 예상 주문에 대응하는 상기 실 주문이 없는 제 2 사례에 비해 높은 가중치를 부여하도록 설정될 수 있다.
상기 알림 정보는, 충전소 식별 정보 및 연료 주문이 필요한 예상 시점 정보를 포함할 수 있다.
상기 제 1 타입 머신러닝 모델은 ARIMA (Autoregressive Integrated Moving Average) 모델을 포함할 수 있으며, 상기 제 1 타입 데이터의 MAE (Mean Absolute Error)에 기반하여 상기 ARIMA 모델의 성능을 평가할 수 있다.
상기 제 2 타입 머신러닝 모델은, 로지스틱 회귀 모델(Logistic Regression Model), KNN (K-Nearest Neighbor) 모델, 스토캐스틱 기울기 하강 분류기 (Stochastic Gradient Descent Classifier) 중 하나 이상을 포함할 수 있다.
상기 제 1 타입 데이터는 시간에 따라 수치의 크기 변화를 가지는 데이터이며, 상기 제 2 타입 데이터는 시간에 따라 0 또는 1을 나타내는 데이터일 수 있다.
상기 제 1 타입 충전소 및 상기 제 2 타입 충전소는 수소 연료 충전소이며, 상기 알림 정보는 상기 수소 연료 충전소의 수소 튜브 트레일러 충전 효율을 고려하여 제공될 수 있다.
상기 알림 정보는 대응하는 충전소의 운영 정보를 추가적으로 고려하여 제공될 수 있다.
상기 제 1 타입 머신러닝 모델 및 상기 제 2 타입 머신러닝 모델의 생성은, 연료 공급망 관리 시스템의 충전소 관리부에 의해 수행될 수 있다.
한편, 상술한 바와 같은 과제를 해결하기 위한 본 발명의 다른 일 측면에서는, 충전소의 운영 정보와 출하 센터의 운영 정보를 획득하는 정보 획득부; 상기 충전소의 운영 정보에 기초하여 상기 충전소에 대한 모니터링을 수행하고, 상기 충전소가 제공하는 연료에 관한 수요를 상기 충전소가 센서 데이터 수집이 가능한 제 1 타입 충전소인지, 센서 데이터 수집이 불가능한 제 2 타입 충전소인지를 구분하여 예측하는 충전소 관리부; 및 상기 충전소의 운영 정보, 상기 출하 센터의 운영 정보 및 상기 충전소의 수요 예측 정보 중 적어도 하나에 기초하여, 상기 충전소와 상기 출하 센터 간의 연료 공급망을 관리하는 출하 관리부를 포함하는, 연료 공급망 관리 시스템을 제안한다.
상기 충전소 관리부는, 상기 제 1 타입 충전소의 센서 데이터에 대응하는 제 1 타입 데이터, 및 상기 제 2 타입 충전소의 출고 데이터에 대응하는 제 2 타입 데이터를 각각 획득하도록 구성되는 통신 모듈; 및 상기 제 1 타입 데이터 및 상기 제 2 타입 데이터 각각에 기반하여 시계열 데이터용 제 1 타입 머신러닝 모델 및 분류 기반 제 2 타입 머신러닝 모델을 각각 생성하고, 상기 제 1 타입 머신러닝 모델 및 상기 제 2 타입 머신러닝 모델의 예측치를 출력하는 프로세서를 포함할 수 있으며, 상기 프로세서는 상기 예측치에 기반하여, 상기 제 1 타입 충전소 및 상기 제 2 타입 충전소 중 하나 이상에 상기 통신 모듈을 통해 알림 정보를 제공하도록 구성될 수 있다.
상기 프로세서는, 상기 제 1 타입 머신러닝 모델 및 상기 제 2 타입 머신러닝 모델 중 하나 이상을 상기 알림 정보에 대응하는 예상 주문과 상기 충전소로부터 수신된 실주문의 비교하여 평가하도록 구성될 수 있다.
상기 제 1 타입 충전소 및 상기 제 2 타입 충전소는 수소 연료 충전소이며, 상기 프로세서는 상기 수소 연료 충전소의 수소 튜브 트레일러 충전 효율을 고려하여 상기 알림 정보를 제공하도록 구성될 수 있다.
상기 프로세서는, 상기 정보 획득부로부터 상기 수소 연료 충전소의 운영 정보를 수신하여, 상기 수소 연료 충전소의 운영 정보를 추가적으로 고려하여, 상기 알림 정보를 제공하도록 구성될 수 있다.
상술한 바와 같은 본 발명의 실시예들에 따르면, 각 충전소의 타입에 따라 서로 다른 머신러닝 모델을 구현하여, 수요/잔량 예측의 정확도를 높여, 충전소에 정확도 높은 알림 정보를 제공할 수 있다.
또한, 각 모델의 학습에 있어서도 튜브 트레일러 공급망의 특성에 고려한 가충치를 부여하여 모델의 정확도를 향상시킬 수 있다.
아울러, 본 발명의 실시예들을 활용하여, 수소 공급망의 전체 영역을 모니터링하고, 최적의 로직 적용을 통한 최적화 시스템을 구현함으로써 충전소의 소비량, 공급 주기, 잔량, 예측 수요 등을 실시간으로 모니터링할 수 있고, 운송 정보의 접근이 용이하여 안정적인 운영 및 수급 관리가 가능하며, 각 충전소의 소비량, 예측 수요, 튜브 트레일러의 운영 현황 등의 정보에 기반하여 효율적인 충전 및 배차 업무를 수행할 수 있다.
본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 문서에 개시된 일 실시예에 따른 연료 공급망 관리 시스템이 충전소 및 출하 센터와 동작하는 것을 설명하기 위한 도면이다.
도 2는 본 문서에 개시된 일 실시예에 따른 연료 공급망 관리 시스템의 구성을 나타내는 블록도이다.
도 3은 본 문서에 개시된 일 실시예에 따른 연료 공급망 관리 시스템의 동작 프로세스를 설명하기 위한 도면이다.
도 4는 본 문서에 개시된 일 실시예에 따른 머신러닝 기반 충전소 알림 정보 제공 방법의 개념을 설명하기 위한 순서도이다.
도 5는 도 4의 실시예에 따른 알림 정보 제공 방식에서 구분하는 충전소 타입 및 데이터 타입을 구체적으로 설명하기 위한 도면이다.
도 6은 본 문서에 개시된 일 실시예에 따른 머신러닝 기반 충전소 알림 정보 제공 방법에서 모델의 학습 방법을 설명하기 위한 순서도이다.
도 7은 본 문서에 개시된 일 실시예에 따라 머신러닝 모델들의 학습 과정을 설명하기 위한 도면이다.
도 8은 본 문서에 개시된 일 실시예에 따른 알림 정보의 구성을 설명하기 위한 도면이다.
도 2는 본 문서에 개시된 일 실시예에 따른 연료 공급망 관리 시스템의 구성을 나타내는 블록도이다.
도 3은 본 문서에 개시된 일 실시예에 따른 연료 공급망 관리 시스템의 동작 프로세스를 설명하기 위한 도면이다.
도 4는 본 문서에 개시된 일 실시예에 따른 머신러닝 기반 충전소 알림 정보 제공 방법의 개념을 설명하기 위한 순서도이다.
도 5는 도 4의 실시예에 따른 알림 정보 제공 방식에서 구분하는 충전소 타입 및 데이터 타입을 구체적으로 설명하기 위한 도면이다.
도 6은 본 문서에 개시된 일 실시예에 따른 머신러닝 기반 충전소 알림 정보 제공 방법에서 모델의 학습 방법을 설명하기 위한 순서도이다.
도 7은 본 문서에 개시된 일 실시예에 따라 머신러닝 모델들의 학습 과정을 설명하기 위한 도면이다.
도 8은 본 문서에 개시된 일 실시예에 따른 알림 정보의 구성을 설명하기 위한 도면이다.
이하에서는 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
이하의 설명에 있어서, “인공지능”은 “머신러닝” 및 “딥러닝”을 포함하는 광의의 개념으로, “머신러닝”은 “딥러닝”을 포함하는 광의의 개념으로 사용된다. “머신러닝”은 특정 규칙과 논리에 따라 방대한 데이터를 분석한 뒤 이를 기반하여 예측치를 제공하는 방식을, “딥러닝”은 머신러닝의 일종으로 기계가 스스로 데이터를 분석/학습하고 특징을 추출하여 학습/예측을 수행하는 개념을 가정한다. 즉, 머신러닝 중 기계가 스스로 특징을 추출하는 방식을 딥러닝으로 볼 수 있다.
도 1은 본 문서에 개시된 일 실시예에 따른 연료 공급망 관리 시스템이 충전소 및 출하 센터와 동작하는 것을 설명하기 위한 도면이다.
도 1을 참조하면, 본 문서에 개시된 일 실시예에 따른 연료 공급망 관리 시스템(100)은 각지에 위치한 충전소(200) 및 출하 센터(300)와 통신할 수 있다. 이 때, 연료 공급망 관리 시스템(100)은 충전소(200) 및 출하 센터(300)와 네트워크를 통해 직접 통신하거나, 또는 중개 서버(미도시)를 통해 통신할 수 있다.
본 문서에 개시된 일 실시예에 따른 연료 공급망 관리 시스템(100)은 충전소(200)와 출하 센터(300)로부터 각종 데이터를 수집하고, 수집된 데이터에 기반하여 운영 알고리즘을 통해 전체적인 모니터링 및 관리 업무를 수행할 수 있다.
연료 공급망 관리 시스템(100)은 충전소(200)의 연료 소비 패턴에 기반하여 연료에 관한 수요를 예측하고 자동 주문을 수행할 수 있다. 또한, 이러한 충전소(200)의 수요 예측 데이터에 기반하여 출하 센터(300)의 충전 스케줄링을 생성하여 일/시간대별 필요 출하량(예를 들면, 출하가 필요한 튜브 트레일러 수)을 산출할 수 있다.
이처럼, 연료 공급망 관리 시스템(100)은 연료 교체가 필요한 충전소(200)를 선정하고, 해당 충전소(200)에 대한 교체 필요 시간 및 위치 데이터 등과 출하 센터(300)의 튜브 트레일러 완충 및 대기 상태, 수량, 출하 가능 시간 및 위치 데이터 등에 기반하여 충전소(200)와 출하 센터(300) 사이의 최적의 매칭 및 배차 스케줄을 생성할 수 있다.
또한, 연료 공급망 관리 시스템(100)은 튜브 트레일러의 운영 및 재고 관리 업무를 수행할 수 있다. 예를 들어, 연료 공급망 관리 시스템(100)은 튜브 트레일러의 상태(예를 들면, 충전, 대기, 이동중), 위치(차량, 충전소(200), 출하 센터(300) 등) 별로 재고 관리를 수행하고, 공(空) 튜브 트레일러를 출하 센터(300)로 배정하거나 튜브 트레일러의 키(key) 값을 관리하는 등의 업무를 수행할 수 있다.
구체적으로, 연료 공급망 관리 시스템(100)은 출하 센터(300)의 튜브 트레일러 충전 현황, 충전소(200) 별 연료 소비량, 잔량, 예측 소비량, 주문 현황, 운송 차량의 배차 현황, 차량 위치, 튜브 트레일러의 재고, 위치, 상태 등 현황에 관한 모니터링을 수행할 수 있다. 또한, 연료 공급망 관리 시스템(100)은 충전소(200)의 정보, 출하 센터(300)의 정보, 운송 차량 및 운전자 정보 등의 기본 정보 관리를 수행할 수 있다.
그리고, 연료 공급망 관리 시스템(100)은 출하 센터(300)의 튜브 트레일러의 충전 스케줄링, 튜브 트레일러 재고 관리(완충, 충전중, 대기중), 튜브 트레일러 입/출고 관리와 같은 출하 센터(300) 관리를 수행할 수 있다.
또한, 연료 공급망 관리 시스템(100)은 운송 차량의 배차 스케줄링 및 라우팅(Routing)(예를 들면, 권역 내 충전소(200) 및 출하 센터(300)의 위치, 튜브 트레일러의 완충시간, 충전소(200) 교체 시간 고려한 차량과 튜브 트레일러 간 매칭 및 배차), 실시간 차량 및 튜브 트레일러의 위치 추적, 튜브 트레일러의 회수 관리 등의 운송 관리 기능을 수행할 수 있다.
그리고, 연료 공급망 관리 시스템(100)은 충전소(200)의 잔량, 소비량, 교체시점을 고려한 자동 주문, 자동 주문의 규칙 관리, 오더 상태 관리와 충전소(200)의 소비 패턴 기반의 수요 예측, 튜브 트레일러의 입출고 및 교체 이력 관리(즉, 완충 튜브 트레일러와 공 튜브 트레일러 간 교체) 등 충전소(200)의 오더 및 전반적인 관리 기능을 수행할 수 있다.
또한, 연료 공급망 관리 시스템(100)은 충전소(200)의 주문 유형 집계와 정산(예를 들어, 운송, 유통, 운송/유통), 매출 정산 관리, 정산 전송 및 매출 거래 명세서 발행, 매입 정산 전송, 매입 거래 명세서 발행 등의 정산 관리 업무도 수행할 수 있다.
한편, 연료 공급망 관리 시스템(100)은 운송 차량 위치 및 상태(예를 들면, 주행중, 대기), 튜브 트레일러의 위치 및 상태(예를 들면, 충전중, 이동중), 실시간 교통 정보, 차량의 평균 이동 시간 및 배차 정보 등에 기반하여, 충전소(200)와 출하 센터(300)간 최적의 매칭 및 배차 스케줄을 생성함으로써, 충전소(200)의 위치, 차량 위치 및 출하 센터(300)의 위치 등에 관한 정보 연계를 통해 권역별 셔틀형 운송 스케줄링을 수행할 수 있다.
또한, 연료 공급망 관리 시스템(100)은 GPS를 연동하여 실시간으로 운송 차량 및 튜브 트레일러의 위치를 추적하고, 종합적인 관제 모니터링을 수행할 수 있다.
충전소(200)는 연료 수요에 관한 각종 데이터를 연료 공급망 관리 시스템(100)[0045] 에 전송할 수 있다. 예를 들면, 충전소(200)는 일/주/월별 연료 사용량 (또는 판매량), 실시간 튜브 트레일러 내 연료 잔량, 운영 시간(예를 들면, 피크 타임, 차량 대기 시간 등), 튜브 트레일러의 교체 이력(주기, 월 횟수 등), 충전소(200) 별 위치 정보 등의 데이터를 연료 공급망 관리 시스템(100)으로 전송할 수 있다.
이처럼, 충전소(200)에서 수신한 데이터에 기반하여 연료 공급망 관리 시스템(100)은 소비 패턴 기반의 수요 예측(또는 교체 시기 예측), 연료의 잔량/리드 타임/교체 시점에 따른 자동 주문, 운송 차량의 배차 현황 및 실시간 차량 위치 정보 및 예상 도착 시간 정보 등의 모니터링 및 관리 기능을 수행할 수 있다.
출하 센터(300)는 연료의 출하 현황에 관한 각종 데이터를 연료 공급망 관리 시스템(100)에 전송할 수 있다. 예를 들면, 출하 센터(300)는 일/주/월별 출하량 (또는 공급량), 튜브 트레일러의 운용 정보(충전중, 대기중), 튜브 트레일러의 충전 시간, 충전소(200) 별 공급 주기 및 출하 센터(300) 별 위치 정보 등을 연료 공급망 관리 시스템(100)으로 전송할 수 있다.
이처럼, 출하 센터(300)에서 수신한 데이터에 기반하여 연료 공급망 관리 시스템(100)은 출하 센터(300)에 구비된 튜브 트레일러의 충전 현황 모니터링, 충전소(200) 별 공급량 및 공급 시기 예측, 예측 정보 기반의 충전 운영 스케줄링(예를 들면, 일/시간대별 충전 및 출하 필요 튜브 트레일러 정보) 및 실 운송량 기준 정산 데이터 생성 등의 기능을 수행할 수 있다.
도 2는 본 문서에 개시된 일 실시예에 따른 연료 공급망 관리 시스템의 구성을 나타내는 블록도이다.
도 2를 참조하면, 본 문서에 개시된 일 실시예에 따른 연료 공급망 관리 시스템(100)은 정보 획득부(110), 충전소 관리부(120) 및 출하 관리부(130)를 포함할 수 있다.
정보 획득부(110)는 충전소(200)의 운영 정보와 출하 센터(300)의 운영 정보를 획득할 수 있다. 예를 들어, 충전소(200)의 운영 정보는 연료의 기간별 사용량, 연료의 잔량, 연료의 교체 이력, 충전소(200)의 운영 시간 및 위치 정보 등을 포함할 수 있다. 또한, 출하 센터(300)의 운영 정보는 출하 센터(300)의 기간별 공급량, 연료의 운송 수단에 관한 운영 정보, 충전소 별 공급 주기 및 출하 센터(300)의 위치 정보 등을 포함할 수 있다. 예를 들어, 연료는 기체, 액체 및 LOHC(Liquid organic hydrogen carriers) 등의 형태를 갖는 수소를 포함할 수 있다.
충전소 관리부(120)는 충전소(200)의 운영 정보에 기초하여 충전소에 대한 모니터링을 수행하고, 충전소(200)가 제공하는 연료에 관한 수요를 예측할 수 있다. 구체적으로, 충전소 관리부(120)는 충전소(200)의 연료에 관한 소비 패턴에 기반하여 충전소(200)의 연료에 관한 수요를 예측할 수 있다. 또한, 충전소 관리부(120)는 연료를 운송하는 운송 수단의 배차 현황, 운송 수단의 실시간 위치 및 운송 수단의 예상 도착 시간에 관한 정보 등을 충전소(200)에 제공할 수 있다.
충전소 관리부(120)는 충전소(200)의 연료에 관한 수요 예측 정보에 기반하여 연료의 운송에 관한 주문 정보를 자동으로 생성할 수 있다. 즉, 본 문서에 개시된 일 실시예에 따른 연료 공급망 관리 시스템(100)은 충전소 관리부(120)가 충전소(200)의 연료 사용량, 잔량 등에 기반하여 산출한 수요 예측 정보에 따라 교체 시기와 수량을 추정하고, 충전소(200)의 운영자가 직접 주문을 하지 않더라도 자동으로 주문을 수행할 수 있다.
출하 관리부(130)는 충전소(200)의 운영 정보, 출하 센터(300)의 운영 정보 및 충전소(200)의 수요 예측 정보 중 적어도 하나에 기초하여, 충전소(200)와 출하 센터(300) 간의 연료 공급망을 관리할 수 있다. 예를 들면, 출하 관리부(130)는 충전소(200)의 운영 정보, 출하 센터(300)의 운영 정보 및 충전소(200)의 수요 예측 정보에 기초하여, 충전소(200) 각각에 대하여 연료를 운송할 수 있는 출하 센터(300)를 할당할 수 있다.
또한, 출하 관리부(130)는 연료의 운송에 관한 스케줄을 생성할 수 있다. 이 때, 연료의 운송에 관한 스케줄은 연료를 운송하는 운송 수단의 배정 및 배차 스케줄에 관한 정보를 포함할 수 있다. 예를 들어, 출하 관리부(130)는 출하 센터(300)의 연료의 공급량, 출하 센터(300)에 구비된 충전 노즐의 수, 충전 노즐의 압력, 연료 운송 수단의 수 및 운송 수단의 용량에 관한 정보와 충전소(200)의 운영 시간, 출하 센터(300)와의 거리 및 출하 센터까지의 평균 이동 시간에 관한 정보 등에 기반하여, 연료의 운송 스케줄을 생성할 수 있다.
그리고, 출하 관리부(130)는 출하 센터(300)에 마련된 연료의 운송 수단에 관한 충전 스케줄 정보를 생성할 수 있다. 따라서, 출하 센터(300)의 관리자가 충전 스케줄 정보에 따라 운송 수단(예를 들면, 튜브 트레일러)의 충전을 수행하도록 할 수 있다.
출하 관리부(130)는 충전소(200) 별로 연료의 소비량, 잔량, 수요 예측량 및 교체 시점 등에 관한 정보를 출하 센터(300)로 제공할 수 있다. 또한, 출하 관리부(130)는 실시간 교통 정보에 기반하여 산출된 운송 수단의 이동 경로에 관한 정보를 출하 센터(300)에 제공할 수 있다. 그리고, 출하 관리부(130)는 출하 센터(300)에 마련된 연료의 운송 수단의 충전 상태에 관한 모니터링을 수행할 수 있다.
한편, 출하 관리부(130)는 연료의 실제 운송 정보에 기반하여 연료의 운송에 관한 정산 정보를 생성할 수 있다. 예를 들어, 출하 관리부(130)는 연료의 공급량, 운송 수단 이용료 등을 포함하고 해당 운송 건에 대한 정산 정보를 생성할 수 있다.
이와 같이, 본 문서에 개시된 일 실시예에 따른 연료 공급망 관리 시스템(100)은 수소 공급망의 전체 영역을 모니터링하고, 최적의 로직 적용을 통한 최적화 시스템을 구현함으로써 충전소(200)의 소비량, 공급 주기, 잔량, 예측 수요 등을 실시간으로 모니터링할 수 있고, 운송 정보의 접근이 용이하여 안정적인 운영 및 수급 관리가 가능하며, 각 충전소(200)의 소비량, 예측 수요, 튜브 트레일러의 운영 현황 등의 정보에 기반하여 효율적인 충전 및 배차 업무를 수행할 수 있다.
도 3은 본 문서에 개시된 일 실시예에 따른 연료 공급망 관리 시스템의 동작 프로세스를 설명하기 위한 도면이다.
도 3을 참조하면, 본 문서에 개시된 일 실시예에 따른 연료 공급망 관리 시스템(100)은 각 지역에 마련된 충전소(200)로부터 충전소(200)의 운영 정보에 관한 데이터를 수집하여 충전소(200)의 모니터링을 수행할 수 있다(S101). 특히, 연료 공급망 관리 시스템(100)은 충전소(200)의 운영 정보에 기반하여 충전소(200) 별로 수요 예측 관리를 수행할 수 있다(S102).
또한, 연료 공급망 관리 시스템(100)은 충전소(200) 별 연료 소비량, 잔량, 예측 수요 등에 기반하여 충전소(200)의 운영자가 직접 주문하지 않더라도 자동으로 주문을 수행할 수 있다(S103). 그리고, 연료 공급망 관리 시스템(100)은 충전소(200)의 위치, 출하 센터(300)의 위치, 튜브 트레일러 및 운송 차량의 위치 정보와 충전소(200)의 예측 수요 및 출하 센터(300)의 충전 현황 등에 기반하여 각 충전소 (200) 별로 최적의 출하 센터(300)를 할당할 수 있다(S104).
이처럼, 본 문서에 개시된 일 실시예에 따른 연료 공급망 관리 시스템(100)은 이상에서 설명한 단계 S101 내지 S104를 통해 충전소(200)에 대한 오더 관리 기능(M1)을 수행할 수 있다.
또한, 연료 공급망 관리 시스템(100)은 할당된 출하 센터(300)에 충전소(200)로의 운송 지시를 전송할 수 있다(S105). 그리고, 연료 공급망 관리 시스템(100)은 각각의 운송 차량과 튜브 트레일러의 위치 및 충전 현황 등을 고려하여 차량 및 튜브 트레일러를 배정 및 배차할 수 있다(S106). 그리고, 연료 공급망 관리 시스템(100)은 운송 차량 및 튜브 트레일러에 대한 입문 관리 업무를 수행할 수 있다(S107).
이처럼, 본 문서에 개시된 일 실시예에 따른 연료 공급망 관리 시스템(100)은 이상에서 설명한 단계 S105 내지 S106을 통해 충전소(200)에 대한 운송 수단에 관한 배정 및 배차 관리 기능(M2)을 수행할 수 있다.
한편, 연료 공급망 관리 시스템(100)의 출하 센터(300)로부터 운영 정보를 수집하여 출하 센터(300)의 충전 스케줄링을 수행할 수 있다(S108). 즉, 연료 공급망 관리 시스템(100)은 출하 센터(300)에 마련된 튜브 트레일러 각각에 대한 충전 현황(예를 들면, 완충, 충전중, 미충전)을 모니터링하여 각 튜브 트레일러에 대한 충전 스케줄을 생성할 수 있다(M3).
다음으로, 연료 공급망 관리 시스템(100)은 충전이 되어 있지 않은 공(empty) 튜브 트레일러를 할당하여 충전 지시를 전송하고(S109), 모든 튜브 트레일러에 대해 완충되도록 할 수 있다(S110). 이처럼, 연료 공급망 관리 시스템(100)은 각 튜브 트레일러의 충전 현황(완충/충전중/미충전)에 기반하여 출하 센터(300)에 마련된 튜브 트레일러의 상태에 따라 재고를 관리할 수 있다(S111). 또한, 연료 공급망 관리 시스템(100)에서 튜브 트레일러에 대한 출하 지시를 전송하면(S112), 출하 센터(300)에서는 완충된 튜브 트레일러를 할당할 수 있다.
그리고, 출하 센터(300)에서는 할당된 튜브 트레일러를 운송 차량에 상차(접합)하고(S114), 출하 준비가 완료되면 출하를 확정할 수 있다(S115). 이처럼, 연료 공급망 관리 시스템(100)은 출하가 확정되면, 해당 연료의 유통 건에 대한 정산을 수행할 수 있다(S116).
한편, 연료 공급망 관리 시스템(100)은 출하가 확정되고, 운송 차량과 튜브 트레일러가 출하 센터(300)에서 출발하여 충전소(200)까지 도착하였는지 관리를 수행할 수 있다(S117). 예를 들어, 연료 공급망 관리 시스템(100)은 운송 차량 및 튜브 트레일러에 대한 실시간 위치를 파악하여 충전소(200)와 출하 센터(300)에 실시간 위치나 예상 도착 시간 등의 정보를 제공할 수 있다. 그리고, 충전소(200)에 운송 차량과 튜브 트레일러가 도착하면 해당 튜브 트레일러로 교체를 한 후 사용된 튜브 트레일러는 회수할 수 있다(S118). 그리고, 연료 공급망 관리 시스템(100)에서는 튜브 트레일러의 교체 및 회수가 완료되면 해당 운송 건에 대한 정산을 수행할 수 있다(S119).
또한, 연료 공급망 관리 시스템(100)은 회수한 튜브 트레일러를 입고하기 위한 출하 센터(300)를 할당한 후(S120), 해당 튜브 트레일러의 대기 장소에서 대기하도록 한 후, 입하 준비가 완료되면 입하 지시를 전송할 수 있다(S121). 이처럼, 연료 공급망 관리 시스템(100)은 회수된 튜브 트레일러를 출하 센터(300)에 다시 입고한 후 충전 스케줄링을 하여 다시 충전되도록 관리할 수 있다.
도 4는 본 문서에 개시된 일 실시예에 따른 머신러닝 기반 충전소 알림 정보 제공 방법의 개념을 설명하기 위한 순서도이다.
도 4의 알림 정보 제공 방법은 도 3과 관련하여 상술한 실시예의 수요예측관리(S102)의 일환으로 수행될 수 있다.
구체적으로, 본 실시예에서는 충전소의 타입을 구분하여, 해당 충전소가 센서 데이터를 수집할 수 있는 충전소(이하 '제 1 타입 충전소'라 한다)인지, 센서 데이터 수집이 불가능한 충전소(이하 '제 2 타입 충전소'라 한다)인지를 구분하는 것을 제안한다(S410). 만일, 해당 충전소가 제 1 타입 충전소로 판단되는 경우(Y), 해당 제 1 타입 충전소의 센서 데이터에 대응하는 데이터 (이하 '제 1 타입 데이터'라 한다)을 수집하고, 해당 충전소가 제 2 타입 충전소로 판단되는 경우(N), 해당 제 2 타입 충전소의 출고 데이터에 대응하는 데이터 (이하 '제 2 타입 데이터'라 한다)를 획득한다.
획득된 제 1 타입 데이터는 후술할 바와 같이 시간에 따라 수치의 크기 변화를 가지는 데이터인 점에 착안하여, 이에 기반한 시계열 데이터용 머신러닝 모델(이하 '제 1 타입 머신러닝 모델'이라 한다)를 생성할 수 있다(S420). 이러한 제 1 타입 머신러닝 모델은 ARIMA (Autoregressive Integrated Moving Average) 모델이 이용될 수 있으나, 시계열 데이터용 머신러닝 모델인 경우, 구체적인 모델은 이에 한정될 필요는 없다.
한편, 획득된 제 2 타입 데이터는 후술할 바와 같이 시간에 따라 0 또는 1을 나타내는 데이터인 점을 착안하여, 이에 기반한 분류(classification) 기반 머신러닝 모델(이하 '제 2 타입 머신러닝 모델')을 생성하는 것을 제안한다(S430). 제 2 타입 머신러닝 모델은, 로지스틱 회귀 모델(Logistic Regression Model), KNN (K-Nearest Neighbor) 모델, 스토캐스틱 기울기 하강 분류기 (Stochastic Gradient Descent Classifier) 중 하나 이상을 포함할 수 있다.
한편, 도 4의 실시예에서는, 상술한 제 1 타입 머신러닝 모델 및 제 2 타입 머신러닝 모델의 예측치에 기반하여, 대응 충전소에 알림 정보 제공여부를 판정하고(S440), 해당 판단 결과 알림 정보를 충전소에 전송할 수 있다.
여기서, '알림 정보'는 충전소 식별 정보, 연료 주문이 필요한 예상 시점 정보 등을 포함할 수 있으며, 도 3과 관련하여 상술한 시스템에서 각 충전소들(200)의 정보뿐만 아니라, 출하센터(300)의 정보까지 고려하여 알림 정보 제공 여부를 판단할 수 있다.
도 5는 도 4의 실시예에 따른 알림 정보 제공 방식에서 구분하는 충전소 타입 및 데이터 타입을 구체적으로 설명하기 위한 도면이다.
구체적으로, 도 5의 (A)는 센서 데이터가 획득 가능한 제 1 타입 충전소로부터 획득되는 제 1 타입 데이터를 나타내며, 가로축은 시간, 세로 축은 시간에 따른 잔여 압력 수치를 나타낸다. 도 5의 (A)에서 볼 수 있는 바와 같이 제 1 타입 데이터는 시간에 따라 수치의 변화를 가지는 데이터이며, 이와 같은 타입의 데이터에 따른 수요 예측은 시계열 데이터 판단에 최적화된 ARIMA 계열을 사용하는 것을 제안한다.
제 1 타입 데이터는 수치형 데이터이기 때문에 MAE (Mean Absolute Error)를 이용하여 모델을 평가하고, 이에 따라 이에 따라 수요 예측 모델을 결정하는 것이 바람직하다.
예를 들어, ACF, PACF에 따라 ARIMA의 차수를 지정하고, MAE의 비교를 통해 ARIMA(1,0,0)을 사용할 것인지, ARIMA(1,1,0)을 사용할 것인지를 결정할 수 있다.
한편, 도 5의 (B)는 센서 데이터가 획득 불가능한 제 2 타입 충전소의 제 2 타입 데이터를 나타내며, 가로축은 동일하게 시간을, 세로축은 이에 따른 출고량 데이터를 나타낸다. 이와 같은 출고량 데이터는 시간에 따라 0 또는 1을 나타내기 때문에, 이러한 데이터에 최적화된 분류 기반 모델을 사용하는 것을 제안한다.
도 6은 본 문서에 개시된 일 실시예에 따른 머신러닝 기반 충전소 알림 정보 제공 방법에서 모델의 학습 방법을 설명하기 위한 순서도이다.
도 6의 순서도는 도 4에 따른 단계들의 수행에 따라 알림 정보 제공이 이루어지는지 판단된 결과(A: 수요 예측)에 대한 후속 동작으로도 볼 수 있다.
구체적으로, 해당 충전소에 알림 정보를 제공하는 것은, 예측치에 기반하여 대응하는 충전소의 예상 주문(가 주문)을 생성하고(S620), 대응하는 충전소에 상기 알림 정보를 제공하는 것을 포함할 수 있다.
한편, 이러한 알림 정보에 기반하여 해당 충전소는 실제 주문을 연료 공급망 관리 시스템(100)에 송부할 수 있다(S640). 다만, 해당 충전소는 상술한 알림 정보에 기반하여 반드시 실제 주문을 수행하지는 않을 수 있으며, 본 실시예에서는 이러한 예상 주문과 실 주문의 비교(S640)를 통해 상술한 제 1/제 2 타입 머신러닝 모델을 학습/최적화시키는 것을 제안한다.
도 7은 본 문서에 개시된 일 실시예에 따라 머신러닝 모델들의 학습 과정을 설명하기 위한 도면이다.
도 7에서 좌측의 "분류 결과"는 머신러닝 모델을 활용하여 알림 정보를 제공하였는지의 구분을 나타내며, '참(True)'은 알림 정보를 제공하고, 가 주문을 생성한 경우를, '거짓(False)'은 알림 정보를 제공하지 않고, 이에 따라 가 주문을 생성하지 않은 경우를 나타낸다.
도 7에서 상단의 "실제 정답"은 해당 충전소에서 실제 주문을 수신하였는지 여부를 나타내며, '참'은 실 주문을 수신하는 경우를, '거짓'은 실 주문을 수신하지 않은 경우를 나타낸다.
이러한 조합에 따라, 도 7의 표에 나타낸 바와 같이 4가지 조합 결과가 도출될 수 있다.
가 주문이 생성되고, 이에 기반하여 실제 주문이 수신된 경우(True Positive)과 가 주문이 생성되지 않고, 이에 따라 실제 주문도 없는 경우(True Negative)는 수요 예측을 위한 머신러닝 모델이 적절하게 동작한 경우를 나타내며, 이러한 결과도 학습 데이터로 활용될 수 있다.
아울러, 가 주문이 생성되었으나, 이에 기반하여 실제 주문이 수신되지 않은 경우 (710; False Positive), 및 가 주문이 생성되지 않았으나, 실제 주문이 수신되는 경우 (720; False Negative)는 수요 예측을 위한 머신러닝 모델이 적절하게 동작하지 못한 경우를 나타내며, 이러한 결과는 학습을 통해 모델의 최적화를 수행할 필요가 있다.
본 실시예에서는, 실 주문에 대응하는 예상 주문이 없는 False Negative의 사례(720)가 예상 주문에 대응하는 실 주문이 없는 False Positive의 사례(710)보다 더 높은 가중치를 부여하는 것을 제안한다. 본 실시예는 충전소의 수요를 미리 예측하여 연료, 구체적으로 수소 튜브 트레일러의 주문을 미리 예측하고, 이를 준비하기 위한 시스템이기 때문에, False Negative의 사례(720)가 협업에서 더 문제되는 점을 반영할 것을 제안한다. 즉, 본 실시예에서는 상술한 False Negative의 사례(720)가 최대한 발생하지 않도록 설정하는 것을 제안한다.
도 8은 본 문서에 개시된 일 실시예에 따른 알림 정보의 구성을 설명하기 위한 도면이다.
본 실시예에서 알림 정보는 충전소의 전산 시스템에 제공되는 알림톡(810)의 형태를 가질 수 있다. 알림톡(810)의 내용은 충전소 식별 정보(예를 들어, 국회 충전소), 연료 주문이 필요한 예상 시점 정보(예를 들어, 2022.07.20 11:01), 주문이 필요한 예상 수량 (예를 들어, 수소 튜브 트레일러 1대)를 포함할 수 있으나, 충전소의 실 주문을 보조하는 정보를 포함하는 한 이에 제안되어 해석될 필요는 없다.
한편, 상술한 실시예들에 따른 머신러닝 모델(들)의 생성 및 관리는 도 2에서 상술한 연료 공급망 관리 시스템(100)의 충전소 관리부(120)에 의해 수행될 수 있다. 충전소 관리부(120)는 도 8에 도시된 바와 같이 충전소 관리 전산망용 인터페이스(820)를 이용할 수 있다. 이러한 인터페이스(820)는 각 충전소별 예상 주문(일자, 수량) 정보, 알림톡 발송 정보, 실 주문 수신 정보 등을 표기하고, 관리할 수 있는 수단으로 이용될 수 있다.
충전소가 수소 연료 충전소로 한정하는 경우, 알림톡 발송 여부에 대한 판단은 수소 연료 충전소의 수소 튜브 트레일러 충전 효율을 고려하여 제공될 수 있다, 예를 들어, 수소 튜브 트레일러의 압력이 일정 수준 이하인 경우, 충전 효율이 떨어질 수 있으며, 본 시스템은 이러한 충전 효율까지 고려하여 알림톡 발송 여부를 판단할 수도 있다.
또한, 알림톡 발송 여부에 대한 판단은 대응하는 충전소의 운영 정보를 추가적으로 고려하여 제공될 수 있다. 이는 해당 충전소의 운영 시간, 피크 수요 시간, 휴일 정보 등을 고려하여 미리 수소 튜브 트레일러의 주문이 필요할지 여부를 판단하도록 설정될 수 있다.
상술한 바와 같이 개시된 본 발명의 바람직한 실시예들에 대한 상세한 설명은 당업자가 본 발명을 구현하고 실시할 수 있도록 제공되었다. 상기에서는 본 발명의 바람직한 실시예들을 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 본 발명의 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다. 예를 들어, 당업자는 상술한 실시예들에 기재된 각 구성을 서로 조합하는 방식으로 이용할 수 있다.
따라서, 본 발명은 여기에 나타난 실시예들에 제한되려는 것이 아니라, 여기서 개시된 원리들 및 신규한 특징들과 일치하는 최광의 범위를 부여하려는 것이다.
상술한 바와 같은 실시예들에 따른 충전소 알림 정보 제공 방법은 연료 공급망을 운용하는 시스템에서 효율적으로 수요를 예측하여 운영할 수 있도록 활용될 수 있으며, 수소 튜브 트레일러의 제공뿐만 아니라 다양한 연료 공급망에 적용될 수 있다.
Claims (16)
- 통신 모듈 및 프로세서를 포함하는 충전소 관리부를 통해 머신러닝 기반 충전소 알림 정보를 제공하는 방법에 있어서,
상기 통신 모듈을 통해, 센서 데이터가 수집 가능한 제 1 타입 충전소의 센서 데이터에 대응하는 제 1 타입 데이터, 및 센서 데이터 수집이 불가능한 제 2 타입 충전소의 출고 데이터에 대응하는 제 2 타입 데이터를 각각 획득하고;
상기 제 1 타입 데이터 및 상기 제 2 타입 데이터 각각에 기반하여 상기 프로세서는 시계열 데이터용 제 1 타입 머신러닝 모델 및 분류 기반 제 2 타입 머신러닝 모델을 각각 생성하며;
상기 제 1 타입 머신러닝 모델 및 상기 제 2 타입 머신러닝 모델의 예측치에 기반하여, 상기 프로세서는 상기 제 1 타입 충전소 및 상기 제 2 타입 충전소 중 하나 이상에 알림 정보를 제공하는 것을 포함하는, 머신러닝 기반 충전소 알림 정보 제공 방법. - 제 1 항에 있어서,
상기 알림 정보를 제공하는 것은,
상기 예측치에 기반하여 대응하는 충전소의 예상 주문을 생성하고;
상기 대응하는 충전소에 상기 알림 정보를 제공하는 것을 포함하는, 머신러닝 기반 충전소 알림 정보 제공 방법. - 제 2 항에 있어서,
상기 대응하는 충전소로부터 실주문을 수신하는 것을 추가적으로 포함하며,
상기 제 1 타입 머신러닝 모델 및 상기 제 2 타입 머신러닝 모델 중 하나 이상은 상기 예상 주문과 상기 실주문의 비교를 통해 학습되는, 머신러닝 기반 충전소 알림 정보 제공 방법. - 제 3 항에 있어서,
상기 학습에 있어서,
상기 실 주문에 대응하는 상기 예상 주문이 없는 제 1 사례가 상기 예상 주문에 대응하는 상기 실 주문이 없는 제 2 사례에 비해 높은 가중치를 부여하는, 머신러닝 기반 충전소 알림 정보 제공 방법. - 제 1 항에 있어서,
상기 알림 정보는,
충전소 식별 정보 및 연료 주문이 필요한 예상 시점 정보를 포함하는, 머신러닝 기반 충전소 알림 정보 제공 방법. - 제 1 항에 있어서,
상기 제 1 타입 머신러닝 모델은 ARIMA (Autoregressive Integrated Moving Average) 모델을 포함하며,
상기 제 1 타입 데이터의 MAE (Mean Absolute Error)에 기반하여 상기 ARIMA 모델의 성능을 평가하는, 머신러닝 기반 충전소 알림 정보 제공 방법. - 제 1 항에 있어서,
상기 제 2 타입 머신러닝 모델은,
로지스틱 회귀 모델(Logistic Regression Model), KNN (K-Nearest Neighbor) 모델, 스토캐스틱 기울기 하강 분류기 (Stochastic Gradient Descent Classifier) 중 하나 이상을 포함하는, 머신러닝 기반 충전소 알림 정보 제공 방법. - 제 1 항에 있어서,
상기 제 1 타입 데이터는 시간에 따라 수치의 크기 변화를 가지는 데이터이며,
상기 제 2 타입 데이터는 시간에 따라 0 또는 1을 나타내는 데이터인, 머신러닝 기반 충전소 알림 정보 제공 방법. - 제 1 항에 있어서,
상기 제 1 타입 충전소 및 상기 제 2 타입 충전소는 수소 연료 충전소이며,
상기 알림 정보는 상기 수소 연료 충전소의 수소 튜브 트레일러 충전 효율을 고려하여 제공되는, 머신러닝 기반 충전소 알림 정보 제공 방법. - 제 9 항에 있어서,
상기 알림 정보는 대응하는 충전소의 운영 정보를 추가적으로 고려하여 제공되는, 머신러닝 기반 충전소 알림 정보 제공 방법. - 제 1 항에 있어서,
상기 제 1 타입 머신러닝 모델 및 상기 제 2 타입 머신러닝 모델의 생성은, 연료 공급망 관리 시스템의 충전소 관리부에 의해 수행되는, 머신러닝 기반 충전소 알림 정보 제공 방법. - 충전소의 운영 정보와 출하 센터의 운영 정보를 획득하는 정보 획득부;
상기 충전소의 운영 정보에 기초하여 상기 충전소에 대한 모니터링을 수행하고, 상기 충전소가 제공하는 연료에 관한 수요를 상기 충전소가 센서 데이터 수집이 가능한 제 1 타입 충전소인지, 센서 데이터 수집이 불가능한 제 2 타입 충전소인지를 구분하여 예측하는 충전소 관리부; 및
상기 충전소의 운영 정보, 상기 출하 센터의 운영 정보 및 상기 충전소의 수요 예측 정보 중 적어도 하나에 기초하여, 상기 충전소와 상기 출하 센터 간의 연료 공급망을 관리하는 출하 관리부를 포함하는, 연료 공급망 관리 시스템. - 제 12 항에 있어서,
상기 충전소 관리부는,
상기 제 1 타입 충전소의 센서 데이터에 대응하는 제 1 타입 데이터, 및 상기 제 2 타입 충전소의 출고 데이터에 대응하는 제 2 타입 데이터를 각각 획득하도록 구성되는 통신 모듈; 및
상기 제 1 타입 데이터 및 상기 제 2 타입 데이터 각각에 기반하여 시계열 데이터용 제 1 타입 머신러닝 모델 및 분류 기반 제 2 타입 머신러닝 모델을 각각 생성하고, 상기 제 1 타입 머신러닝 모델 및 상기 제 2 타입 머신러닝 모델의 예측치를 출력하는 프로세서를 포함하며,
상기 프로세서는 상기 예측치에 기반하여, 상기 제 1 타입 충전소 및 상기 제 2 타입 충전소 중 하나 이상에 상기 통신 모듈을 통해 알림 정보를 제공하도록 구성되는, 연료 공급망 관리 시스템. - 제 13 항에 있어서,
상기 프로세서는,
상기 제 1 타입 머신러닝 모델 및 상기 제 2 타입 머신러닝 모델 중 하나 이상을 상기 알림 정보에 대응하는 예상 주문과 상기 충전소로부터 수신된 실주문의 비교하여 평가하도록 구성되는, 연료 공급망 관리 시스템. - 제 13 항에 있어서,
상기 제 1 타입 충전소 및 상기 제 2 타입 충전소는 수소 연료 충전소이며,
상기 프로세서는 상기 수소 연료 충전소의 수소 튜브 트레일러 충전 효율을 고려하여 상기 알림 정보를 제공하도록 구성되는, 연료 공급망 관리 시스템. - 제 15 항에 있어서,
상기 프로세서는,
상기 정보 획득부로부터 상기 수소 연료 충전소의 운영 정보를 수신하여, 상기 수소 연료 충전소의 운영 정보를 추가적으로 고려하여, 상기 알림 정보를 제공하도록 구성되는, 연료 공급망 관리 시스템.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220118756A KR102577405B1 (ko) | 2022-09-20 | 2022-09-20 | 머신러닝 기반 충전소 알림 정보 제공 방법 및 이를 위한 연료 공급망 관리 시스템 |
| KR1020230090387A KR20240040019A (ko) | 2022-09-20 | 2023-07-12 | 머신러닝 기반 충전소 알림 정보 제공 방법 및 이를 위한 연료 공급망 관리 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220118756A KR102577405B1 (ko) | 2022-09-20 | 2022-09-20 | 머신러닝 기반 충전소 알림 정보 제공 방법 및 이를 위한 연료 공급망 관리 시스템 |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230090387A Division KR20240040019A (ko) | 2022-09-20 | 2023-07-12 | 머신러닝 기반 충전소 알림 정보 제공 방법 및 이를 위한 연료 공급망 관리 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102577405B1 true KR102577405B1 (ko) | 2023-09-12 |
Family
ID=88019643
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220118756A KR102577405B1 (ko) | 2022-09-20 | 2022-09-20 | 머신러닝 기반 충전소 알림 정보 제공 방법 및 이를 위한 연료 공급망 관리 시스템 |
| KR1020230090387A KR20240040019A (ko) | 2022-09-20 | 2023-07-12 | 머신러닝 기반 충전소 알림 정보 제공 방법 및 이를 위한 연료 공급망 관리 시스템 |
Family Applications After (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230090387A KR20240040019A (ko) | 2022-09-20 | 2023-07-12 | 머신러닝 기반 충전소 알림 정보 제공 방법 및 이를 위한 연료 공급망 관리 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (2) | KR102577405B1 (ko) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20140053510A (ko) * | 2012-10-26 | 2014-05-08 | 롯데정보통신 주식회사 | 수소 운송 관제 시스템 및 이를 이용한 수소 운송 관제 방법 |
| JP2017009069A (ja) * | 2015-06-24 | 2017-01-12 | Ｊｘエネルギー株式会社 | 水素ステーションの集中管理システム、及び、水素製造出荷システム |
| KR20180053452A (ko) * | 2016-11-11 | 2018-05-23 | 한국에너지기술연구원 | 에너지 수요 예측 방법, 분산 에너지 관리 방법 및 시스템 |
| KR102387420B1 (ko) * | 2020-09-04 | 2022-04-18 | 현대글로비스 주식회사 | 수소 공급망 관리의 최적화 플랫폼 및 그 방법 |
| KR102405924B1 (ko) * | 2021-10-27 | 2022-06-07 | (주)유앤피플 | IoT 시계열 터널 데이터 및 데이터 증강 그리고 딥러닝 등을 활용한 위험 알람 시스템 및 방법 |
| KR102406394B1 (ko) * | 2021-09-01 | 2022-06-08 | 에스케이시그넷 주식회사 | 빅데이터 기반의 중앙 관제 충전 시스템, 방법 및 장치 |
| KR20220121074A (ko) * | 2021-02-24 | 2022-08-31 | 주식회사 그로비 | 머신 러닝에 기반하는 수요 예측 시스템 및 수요 예측 방법 |
-
2022
- 2022-09-20 KR KR1020220118756A patent/KR102577405B1/ko active IP Right Grant
-
2023
- 2023-07-12 KR KR1020230090387A patent/KR20240040019A/ko unknown
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20140053510A (ko) * | 2012-10-26 | 2014-05-08 | 롯데정보통신 주식회사 | 수소 운송 관제 시스템 및 이를 이용한 수소 운송 관제 방법 |
| JP2017009069A (ja) * | 2015-06-24 | 2017-01-12 | Ｊｘエネルギー株式会社 | 水素ステーションの集中管理システム、及び、水素製造出荷システム |
| KR20180053452A (ko) * | 2016-11-11 | 2018-05-23 | 한국에너지기술연구원 | 에너지 수요 예측 방법, 분산 에너지 관리 방법 및 시스템 |
| KR102387420B1 (ko) * | 2020-09-04 | 2022-04-18 | 현대글로비스 주식회사 | 수소 공급망 관리의 최적화 플랫폼 및 그 방법 |
| KR20220121074A (ko) * | 2021-02-24 | 2022-08-31 | 주식회사 그로비 | 머신 러닝에 기반하는 수요 예측 시스템 및 수요 예측 방법 |
| KR102406394B1 (ko) * | 2021-09-01 | 2022-06-08 | 에스케이시그넷 주식회사 | 빅데이터 기반의 중앙 관제 충전 시스템, 방법 및 장치 |
| KR102405924B1 (ko) * | 2021-10-27 | 2022-06-07 | (주)유앤피플 | IoT 시계열 터널 데이터 및 데이터 증강 그리고 딥러닝 등을 활용한 위험 알람 시스템 및 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20240040019A (ko) | 2024-03-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Abdullah et al. | Reinforcement learning based EV charging management systems–a review | |
| US20210110323A1 (en) | Optimizing charging, fueling, and parking overheads of fleet vehicles in a maas architecture | |
| Aloui et al. | An integrated optimization approach using a collaborative strategy for sustainable cities freight transportation: A Case study | |
| Nielsen et al. | Optimizing supply chain waste management through the use of RFID technology | |
| KR20120100601A (ko) | 스마트 물류네트워크의 최적화시스템 | |
| CN114626790A (zh) | 一种基于物联网的城市绿色配送交易系统 | |
| CN111539676A (zh) | 一种适用于跨境电子商务的网络实体物流系统 | |
| CN110598904B (zh) | 市场环境下考虑可再生能源消纳的车网能量交互优化方法 | |
| Saukenova et al. | Optimization of schedules for early garbage collection and disposal in the megapolis | |
| Yin | Multiobjective optimization for vehicle routing optimization problem in low-carbon intelligent transportation | |
| Basso et al. | An optimization approach and a heuristic procedure to schedule battery charging processes for stackers of palletized cargo | |
| Li | Distributed Multi-level Inventory Algorithms for Automotive Maintenance Spare Parts Based on Centralized Control Model. | |
| Yao et al. | Online distributed routing problem of electric vehicles | |
| Sheng et al. | Emission-concerned coordinated dispatching of electrified autonomous mobility-on-demand system and power system incorporating heterogeneous spatiotemporal scales | |
| Lee et al. | Cloud-based cyber-physical logistics system with nested MAX-MIN ant algorithm for e-commerce logistics | |
| Sharif et al. | Smart EV Charging with Context-Awareness: Enhancing Resource Utilization via Deep Reinforcement Learning | |
| KR102577405B1 (ko) | 머신러닝 기반 충전소 알림 정보 제공 방법 및 이를 위한 연료 공급망 관리 시스템 | |
| KR102387420B1 (ko) | 수소 공급망 관리의 최적화 플랫폼 및 그 방법 | |
| Sharif et al. | Context Aware-Resource Optimality in Electric Vehicle Smart2Charge Application. A Deep Reinforcement Learning Base Approach | |
| US20230078287A1 (en) | Hydrogen supply network management optimization platform and method therefor | |
| He | Research on optimization of supermarket chain distribution routes under O2O model | |
| CN111626666A (zh) | 一种分布式堆场模式 | |
| Wang et al. | Recourse strategy for the routing problem of mobile parcel lockers with time windows under uncertain demands | |
| US20240028992A1 (en) | Planning device | |
| CN117350827B (zh) | 一种基于动态需求匹配的流动叉车租赁管理方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |