KR102589383B1 - Apparatus for estimating power supply of microgrid and method thereof - Google Patents
Apparatus for estimating power supply of microgrid and method thereof Download PDFInfo
- Publication number
- KR102589383B1 KR102589383B1 KR1020190028406A KR20190028406A KR102589383B1 KR 102589383 B1 KR102589383 B1 KR 102589383B1 KR 1020190028406 A KR1020190028406 A KR 1020190028406A KR 20190028406 A KR20190028406 A KR 20190028406A KR 102589383 B1 KR102589383 B1 KR 102589383B1
- Authority
- KR
- South Korea
- Prior art keywords
- power supply
- demand
- operation server
- integrated operation
- participating
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000008859 change Effects 0.000 claims abstract description 43
- 238000010248 power generation Methods 0.000 claims abstract description 23
- 238000012935 Averaging Methods 0.000 claims description 6
- 230000005611 electricity Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 230000008520 organization Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 229920001690 polydopamine Polymers 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- H02J3/382—
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- 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
- G06N3/096—Transfer learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/12—Monitoring or controlling equipment for energy generation units, e.g. distributed energy generation [DER] or load-side generation
- Y04S10/123—Monitoring or controlling equipment for energy generation units, e.g. distributed energy generation [DER] or load-side generation the energy generation units being or involving renewable energy sources
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S50/00—Market activities related to the operation of systems integrating technologies related to power network operation or related to communication or information technologies
- Y04S50/16—Energy services, e.g. dispersed generation or demand or load or energy savings aggregation
Abstract
본 발명은 마이크로그리드의 전력 수급 예측 장치 및 그 방법이 개시된다. 본 발명의 마이크로그리드의 전력 수급 예측 장치는, 마이크로그리드에 참여한 각 발전설비의 전력 수급 예측 모델을 탑재하여 전력 수급을 예측하고, 주기적으로 예측 모델의 가중치와 가중치 변화값을 통합운영서버로 전송하며, 통합운영서버에서 업데이트된 학습 파라미터를 수신 받아 재학습을 진행하는 다수의 참여기관 서버; 및 다수의 참여기관 서버에 탑재된 각 발전설비의 전력 수급 예측 모델을 탑재하고, 주기적으로 다수의 참여기관 서버로부터 예측 모델의 가중치와 가중치 변화값을 수신 받아 전역 최적 모델을 재학습하여 전력 수급을 예측하며, 업데이트된 학습 파라미터를 다수의 참여기관 서버로 전송하는 통합운영서버;를 포함하는 것을 특징으로 한다. The present invention discloses a microgrid power supply and demand prediction device and method. The microgrid power supply and demand prediction device of the present invention is equipped with a power supply and demand prediction model for each power generation facility participating in the microgrid to predict power supply and demand, and periodically transmits the weights and weight change values of the prediction model to the integrated operation server. , multiple participating institution servers that receive updated learning parameters from the integrated operation server and perform re-learning; and a power supply and demand prediction model for each power generation facility mounted on the servers of multiple participating organizations, and periodically receive the weights and weight change values of the prediction model from the servers of multiple participating organizations to relearn the global optimal model to ensure power supply and demand. It is characterized by including an integrated operation server that predicts and transmits updated learning parameters to multiple participating institution servers.
Description
본 발명은 마이크로그리드의 전력 수급 예측 장치 및 그 방법에 관한 것으로서, 보다 상세하게는 마이크로그리드에 참여하는 기업 간 데이터를 공유하지 않고 전역 최적 모델(Global Optimal Model)을 주기적으로 재학습하여 전력 수급을 예측하는 마이크로그리드의 전력 수급 예측 장치 및 그 방법에 관한 것이다. The present invention relates to a device and method for predicting power supply and demand in a microgrid. More specifically, the present invention relates to a power supply and demand prediction device and method for predicting power supply and demand in a microgrid by periodically relearning the Global Optimal Model without sharing data between companies participating in the microgrid. It relates to a device and method for predicting power supply and demand of a microgrid.
일반적으로, 분산형 에너지 자원의 증가로 인해 국가의 전력망 보안 및 분산형 에너지 자원에 대한 신뢰도가 큰 이슈가 되고 있는 가운데, 아직까지 국내에서의 마이크로그리드 실증단지 구축은 분산형 에너지 자원의 성능 검증으로 인해 제한적인 상황이다. In general, while the security of the national power grid and the reliability of distributed energy resources are becoming major issues due to the increase in distributed energy resources, the construction of a microgrid demonstration complex in Korea has not yet been conducted to verify the performance of distributed energy resources. Due to this, the situation is limited.
또한, 지금까지의 국내외 연구동향을 살펴보았을 때, 신재생 에너지 기반 분산전원, 에너지 저장 장치 및 전기자동차 충전 인프라, 수요 반응, 멀티 에이전트 시스템 등의 단일 마이크로그리드 운영 방안에 관한 연구만이 중점적으로 이루어지고 있다. 이와 달리, 다수의 마이크로그리드가 연계된 경우 광역 전력계통의 안정성 및 경제성 분석에 대한 연구는 아직 미흡한 상태이다.In addition, when looking at domestic and international research trends so far, only research has been focused on single microgrid operation methods such as distributed power based on new and renewable energy, energy storage devices and electric vehicle charging infrastructure, demand response, and multi-agent systems. I'm losing. In contrast, research on the stability and economic feasibility analysis of wide-area power systems when multiple microgrids are connected is still insufficient.
아울러, 대용량의 신재생 에너지와 에너지 저장 장치 및 전기 자동차와 같은 분산형 에너지 자원들의 보급과 다양한 지능형 부하의 개발에 따라 새롭게 변화하게 될 전력 시스템의 운영과 변화에 대한 분석 및 제어기술 개발이 요구되고 있는 실정이다.In addition, the development of analysis and control technology for the operation and change of the power system, which will be newly changed in accordance with the spread of distributed energy resources such as large-capacity new renewable energy, energy storage devices, and electric vehicles, and the development of various intelligent loads, is required. There is a situation.
이와 더불어, 급증하는 수요에 맞추어 발전계획 및 송배전 설비 구축이 이루어져야 하지만, 국내의 환경적 요인 및 인적 요인에 의하여 특고전압 송전망 구축이 어려운 실정이다. 이와 같은 문제를 해결하기 위하여, 다양한 분산형 에너지 자원 및 스마트 그리드 기술을 통한 새로운 전력 시스템 구축을 목표로 연구가 진행되고 있다. In addition, power generation plans and transmission and distribution facilities must be established to meet the rapidly increasing demand, but it is difficult to build a special high-voltage transmission network due to domestic environmental and human factors. To solve this problem, research is being conducted with the goal of building a new power system through various distributed energy resources and smart grid technology.
마이크로그리드는 타 네트워크에서의 에너지 공급 및 독립 운전을 통해 보다 유연한 계통 운영이 가능하여, 기존의 중앙 집중형 송배선 시스템에서 탈피한 분산형 시스템으로 각광받고 있다. 이에 따른 마이크로그리드 기술 개발의 수요 급증으로, 다중 마이크로그리드 간의 경제성 및 안정성을 고려한 최적 운용 및 제어에 대한 기술 개발이 진행되고 있다. Microgrid is attracting attention as a distributed system that breaks away from the existing centralized transmission and distribution system by enabling more flexible system operation through energy supply from other networks and independent operation. Due to the rapid increase in demand for microgrid technology development, the development of technology for optimal operation and control considering the economic efficiency and stability of multiple microgrids is underway.
본 발명의 배경기술은 대한민국 등록특허공보 제10-1678857호(2016.11.23. 공고, 마이크로그리드의 실시간 전력 수급, 전력 수급 예측 및 전력 공유 제어 장치)에 개시되어 있다. The background technology of the present invention is disclosed in Republic of Korea Patent Publication No. 10-1678857 (2016.11.23 notice, real-time power supply and demand, power supply and demand prediction, and power sharing control device for microgrid).
이와 같이 마이크로그리드 및 다중 마이크로그리드는 지리적으로 인접한 대상으로 구성되며, 학교, 유치원, 공단 등 다양한 기관으로 구성된다. 또한, 최근에는 다른 전력 사용 패턴을 가지는 이종 참여기관으로 구성하여 마이크로그리드의 효율성을 높이는 추세이다. In this way, microgrids and multiple microgrids are composed of geographically adjacent objects and various institutions such as schools, kindergartens, and industrial complexes. Additionally, there is a recent trend to increase the efficiency of microgrids by organizing them with heterogeneous participating organizations with different power usage patterns.
따라서 독립 운전 중인 마이크로그리드는 각 마이크로그리드의 부족 또는 여유 전력량을 산출하고 이에 기초하여 주변 마이크로그리드와 전력을 공유하며, 마이크로그리드의 부하량 및 발전 용량의 차이에 기초하여 전력 수급을 제어하고 있다. Therefore, a microgrid in independent operation calculates the shortage or surplus power amount of each microgrid, shares power with surrounding microgrids based on this, and controls power supply and demand based on differences in load and power generation capacity of the microgrid.
종래 수요량 및 발전량 예측 알고리즘은 기상(풍속, 풍향, 기온, 습도, 기압) 데이터를 기반으로 한 기상 물리 모델과 통계모델, 발전량 산정 모듈 등을 활용하고 있다. Conventional demand and power generation prediction algorithms utilize meteorological physical models, statistical models, and power generation calculation modules based on meteorological (wind speed, wind direction, temperature, humidity, and barometric pressure) data.
그러나 이와 같은 방식은 기상 데이터 기반 예측 모델의 근본적 한계, 각 설비의 데이터를 반영하지 않은 문제 등으로 인하여 예측 정확도가 낮은 문제점이 있다. 또한 수집된 기상 데이터가 부정확하거나 기상 데이터를 단기간으로 수집하는 체계가 구축되어 있지 않은 경우 이와 같은 예측모델을 적용하기에는 부적합 부분이 있다. However, this method has the problem of low prediction accuracy due to the fundamental limitations of the weather data-based prediction model and the problem of not reflecting the data of each facility. Additionally, if the collected weather data is inaccurate or a system for collecting weather data in a short period of time has not been established, there are inadequacies in applying such a forecast model.
따라서 기상 데이터뿐만 아니라, 각 설비의 데이터를 반영한 예측 모델이 필요할 뿐만 아니라, 동 기종의 설비라도 전력 생산량에 미묘한 차이가 있으며, 설비 배치에 따라서도 데이터가 달라지기 때문에 설비의 과거 센싱 데이터와 과거 수요량 및 발전량 데이터를 활용한 예측 모델 개발이 필요하다. Therefore, not only is a forecast model that reflects not only weather data but also data from each facility necessary, there are subtle differences in power production even for the same type of facility, and the data varies depending on facility placement, so the facility's past sensing data and past demand volume are needed. It is necessary to develop a prediction model using power generation data.
또한, 기온, 과거 부하 데이터를 기반으로 단기전력 부하 및 분산 발전량 예측을 통하여 수집된 전력데이터에 대한 일별, 월별, 계절별 패턴 분석, 과부하 예상, 전압강하, 손실예상, 전압/역률의 예측이 가능하며, 이와 같은 전력 예측은 부하/발전 스케줄링, 실시간 최적 제어, Peak/에너지 관리, 계통 안정성 계획 등 최적화 계획에 활용된다. 이를 하여 전력 수급 안정 제어 서비스, 가능용량 및 경제성 판단 서비스 등의 보조 서비스 제공도 가능하다. In addition, it is possible to predict short-term power load and distributed power generation based on temperature and past load data, analyze daily, monthly, and seasonal patterns for the collected power data, predict overload, voltage drop, loss prediction, and predict voltage/power factor. , Such power prediction is used for optimization planning such as load/generation scheduling, real-time optimal control, peak/energy management, and grid stability planning. In this way, it is possible to provide auxiliary services such as power supply and demand stabilization control service, available capacity and economic feasibility judgment service.
한편, 설비 센싱 데이터와 과거 수요량 및 발전량 시계열 데이터를 학습한 딥러닝 모델을 활용할 필요성이 있으며, 최근 LSTM(long short-term memory), CNN(Convolutional Neural Networks) 등의 딥러닝 모델을 활용하여 전기 소비량 및 발전량을 예측하는 모델이 높은 정확도를 보이고 있다. Meanwhile, there is a need to utilize deep learning models that learn facility sensing data and past demand and power generation time series data. Recently, deep learning models such as LSTM (long short-term memory) and CNN (Convolutional Neural Networks) have been used to measure electricity consumption. The model predicting power generation is showing high accuracy.
이러한 마이크로그리드의 예측 모델의 경우, 최신 데이터를 활용하여 모델을 추가학습(Fine tuning)하지 않기 때문에 시간이 지남에 따라 예측 모델의 정확도가 떨어진다. 따라서 주기적으로 예측 모델을 학습시켜 예측 정확도를 향상시켜야 한다. In the case of these microgrid prediction models, the accuracy of the prediction model decreases over time because the model is not further learned (fine tuned) using the latest data. Therefore, prediction accuracy must be improved by periodically training the prediction model.
이와 같은 마이크로그리드의 예측 모델은 참여기관별 데이터 공유를 전제로 모든 참여기관의 데이터를 활용해야 하지만, 빅 데이터의 중요성이 대두되고 데이터의 자산화가 이루어짐에 따라 개별 기업은 자사의 데이터를 타 기업 및 기관과 공유를 하지 않고 있으며, 데이터를 공유하더라도 원천 데이터(Raw Data)의 공개를 꺼려하고 있다. 또한 데이터 자산화와 데이터 보안 문제로 인하여 타 기업 간 데이터를 공유하지 않기 때문에, 이종 기업으로 구성된 마이크로그리드 환경에서 데이터 공유를 전제로 하는 마이크로그리드의 예측 모델은 실제 적용 가능성이 낮은 문제점이 있다. Such microgrid prediction models must utilize data from all participating organizations on the premise of data sharing for each participating organization. However, as the importance of big data emerges and data becomes an asset, individual companies can share their data with other companies and organizations. They do not share data with others, and even if they do share data, they are reluctant to disclose the raw data. In addition, because data is not shared between other companies due to data assetization and data security issues, the microgrid prediction model premised on data sharing in a microgrid environment composed of heterogeneous companies has a problem of low practical applicability.
또한, 종래의 마이크로그리드 구조는 클라이언트-서버 구조로써, 각 마이크로그리드 참여 기관은 데이터를 통합운영센터(Total Operating Center, TOC)로 모두 전송하고 통합운영센터에서 모델을 개발하여 배포하는 형식이기 때문에 이러한 마이크로그리드 구조에서 주기적으로 예측 모델을 재학습하기 위해서는 각 마이크로 그리드 참여기관의 데이터를 전송받아야 한다. 그러나 각 참여기관은 데이터 보안을 문제로 공유하기를 꺼려하고 있어, 기존 마이크로그리드 구조에서는 딥러닝 기반의 예측모델 활용한 데이터 공유 절차가 매우 복잡하고 길어져 많은 인적, 시간적 자원이 소모되는 문제점이 있다. In addition, the conventional microgrid structure is a client-server structure, in which each microgrid participating organization transmits all data to the Total Operating Center (TOC), and the integrated operation center develops and distributes the model. In order to periodically retrain the prediction model in the microgrid structure, data from each microgrid participating organization must be transmitted. However, each participating organization is reluctant to share data due to security issues, so in the existing microgrid structure, the data sharing process using deep learning-based prediction models is very complicated and lengthy, consuming a lot of human and time resources.
한편, 모든 데이터를 통합운영센터(Total Operating Center, TOC)로 전송함에 따라 네트워크 비용 및 I/O 비용이 발생한다. 즉, 분산처리 환경에서 병목현상(Bottleneck)은 데이터를 전송하는 시간인 네트워크 비용과 하나의 서버가 데이터를 전송받고 저장하는 I/O 비용에서 발생하기 때문에, 마이크로그리드 내 참여기관이 많아질수록 네트워크 비용 및 I/O 비용이 커져 비효율성이 증가하는 문제점이 있다. Meanwhile, network costs and I/O costs are incurred as all data is transmitted to the Total Operating Center (TOC). In other words, in a distributed processing environment, the bottleneck occurs in the network cost, which is the time to transmit data, and the I/O cost, in which one server receives and stores data. As the number of participating organizations in the microgrid increases, the network cost increases. There is a problem that inefficiency increases as costs and I/O costs increase.
그리고 통합운영센터(Total Operating Center, TOC)에 처리 범위 이상의 데이터가 들어온다면 서버 과부하 문제가 발생할 수 있으며, 이에 따른 통합운영센터(Total Operating Center, TOC)의 설비 증축에 따른 비용이 추가적으로 발생하는 문제점이 있다. Additionally, if data exceeding the processing range enters the Total Operating Center (TOC), a server overload problem may occur, resulting in additional costs incurred due to facility expansion of the Total Operating Center (TOC). There is.
본 발명은 상기와 같은 문제점들을 개선하기 위하여 안출된 것으로, 일 측면에 따른 본 발명의 목적은 마이크로그리드에 참여하는 기업 간 데이터를 공유하지 않고 예측 모델의 가중치 및 가중치 변화값만을 공유함으로써, 데이터 병렬 기반 분산 학습 모델인 전역 최적 모델(Global Optimal Model)을 주기적으로 재학습하여 단일 기기의 학습 정확도를 높여 전력 수급을 예측하며, 데이터 공유 시 오토인코더 모델을 통해 데이터 보안성을 강화하고 민감 정보를 보호할 수 있도록 하는 마이크로그리드의 전력 수급 예측 장치 및 그 방법을 제공하는 것이다. The present invention was created to improve the problems described above, and the purpose of the present invention according to one aspect is to achieve data parallelism by sharing only the weights and weight change values of the prediction model without sharing data between companies participating in the microgrid. By periodically relearning the Global Optimal Model, a distributed learning model, it predicts power supply and demand by increasing the learning accuracy of a single device. When sharing data, data security is strengthened and sensitive information is protected through an autoencoder model. The purpose is to provide a microgrid power supply and demand prediction device and method that enable this.
본 발명의 일 측면에 따른 마이크로그리드의 전력 수급 예측 장치는, 마이크로그리드에 참여한 각 발전설비의 전력 수급 예측 모델을 탑재하여 전력 수급을 예측하고, 주기적으로 예측 모델의 가중치와 가중치 변화값을 통합운영서버로 전송하며, 통합운영서버에서 업데이트된 학습 파라미터를 수신 받아 재학습을 진행하는 다수의 참여기관 서버; 및 다수의 참여기관 서버에 탑재된 각 발전설비의 전력 수급 예측 모델을 탑재하고, 주기적으로 다수의 참여기관 서버로부터 예측 모델의 가중치와 가중치 변화값을 수신 받아 전역 최적 모델을 재학습하여 전력 수급을 예측하며, 업데이트된 학습 파라미터를 다수의 참여기관 서버로 전송하는 통합운영서버;를 포함하는 것을 특징으로 한다. A microgrid power supply and demand prediction device according to one aspect of the present invention predicts power supply and demand by installing a power supply and demand prediction model for each power generation facility participating in the microgrid, and periodically integrates and operates the weights and weight change values of the prediction model. Multiple participating institution servers that transmit to the server, receive updated learning parameters from the integrated operation server, and perform re-learning; and a power supply and demand prediction model for each power generation facility mounted on the servers of multiple participating organizations, and periodically receive the weights and weight change values of the prediction model from the servers of multiple participating organizations to relearn the global optimal model to ensure power supply and demand. It is characterized by including an integrated operation server that predicts and transmits updated learning parameters to multiple participating institution servers.
본 발명에서 통합운영서버는, 전송된 예측 모델의 가중치와 가중치 변화값을 평균하여 이전 학습 파라미터에 합산하여 학습 파라미터를 업데이트하는 것을 특징으로 한다. In the present invention, the integrated operation server is characterized by updating the learning parameters by averaging the weights and weight change values of the transmitted prediction model and adding them to the previous learning parameters.
본 발명에서 다수의 참여기관 서버는 가중치와 가중치 변화값을 오토인코더를 통해 압축한 잠재변수 데이터를 통합운영서버로 전송하고, 통합운영서버는 오토인코더를 통해 잠재변수 데이터로부터 가중치와 가중치 변화값을 복원하는 것을 특징으로 한다. In the present invention, the servers of multiple participating organizations transmit latent variable data compressed with weights and weight change values through an autoencoder to the integrated operation server, and the integrated operation server extracts the weights and weight change values from the latent variable data through the autoencoder. It is characterized by restoration.
본 발명에서 다수의 참여기관 서버와 통합운영서버는, 매 에포크(Epoch)마다 예측 모델을 재학습하는 것을 특징으로 한다. In the present invention, the multiple participating institution servers and the integrated operation server are characterized by relearning the prediction model every epoch.
본 발명에서 통합운영서버는, 실시간 예측 모델의 경우 다수의 참여기관 서버의 학습 결과를 반영하지 않고 비동기식 모델 생성법으로 전력 수급을 예측하는 것을 특징으로 한다. In the present invention, the integrated operation server is characterized by predicting power supply and demand using an asynchronous model generation method without reflecting the learning results of multiple participating agency servers in the case of a real-time prediction model.
본 발명의 일 측면에 따른 마이크로그리드의 전력 수급 예측 방법은, 다수의 참여기관 서버가 각각 마이크로그리드에 참여한 각 발전설비의 전력 수급 예측 모델을 기반으로 전력 수급을 예측하는 단계; 다수의 참여기관 서버가 주기적으로 예측 모델의 가중치와 가중치 변화값을 통합운영서버로 전송하는 단계; 통합운영서버가 주기적으로 다수의 참여기관 서버로부터 예측 모델의 가중치와 가중치 변화값을 수신 받는 단계; 통합운영서버가 다수의 참여기관 서버에 탑재된 각 발전설비의 전력 수급 예측 모델에 수신된 가중치와 가중치 변화값을 적용하여 전역 최적 모델을 재학습하는 단계; 통합운영서버가 전역 최적 모델을 기반으로 마이크로그리드의 전력 수급을 예측하는 단계; 통합운영서버가 전역 최적 모델을 재학습하면서 업데이트된 학습 파라미터를 다수의 참여기관 서버로 전송하는 단계; 및 다수의 참여기관 서버가 통합운영서버로부터 전송된 학습 파라미터를 수신 받아 재학습하는 단계를 포함하는 것을 특징으로 한다. A method for predicting power supply and demand in a microgrid according to an aspect of the present invention includes the steps of a server of a plurality of participating organizations predicting power supply and demand based on a power supply and demand prediction model of each power generation facility participating in the microgrid; A step where multiple participating agency servers periodically transmit the weights and weight change values of the prediction model to the integrated operation server; A step where the integrated operation server periodically receives the weights and weight change values of the prediction model from the servers of multiple participating organizations; A step where the integrated operation server retrains the global optimal model by applying the received weights and weight change values to the power supply and demand prediction model of each power generation facility mounted on the servers of multiple participating organizations; A step where the integrated operation server predicts the power supply and demand of the microgrid based on a global optimal model; A step where the integrated operation server re-learns the global optimal model and transmits the updated learning parameters to multiple participating institution servers; And characterized in that it includes a step of receiving and re-learning learning parameters transmitted from the integrated operation server by a plurality of participating institution servers.
본 발명에서 학습 파라미터는, 통합운영서버가 공유된 예측 모델의 가중치와 가중치 변화값을 평균하여 이전 학습 파라미터에 합산하여 학습 파라미터를 업데이트하는 것을 특징으로 한다. In the present invention, the learning parameters are characterized in that the integrated operation server updates the learning parameters by averaging the weights and weight changes of the shared prediction model and adding them to the previous learning parameters.
본 발명에서 가중치와 가중치 변화값을 통합운영서버로 전송하는 단계는, 다수의 참여기관 서버가 오토인코더의 인코더로 압축된 잠재변수 데이터를 전송하는 것을 특징으로 한다. In the present invention, the step of transmitting the weight and the weight change value to the integrated operation server is characterized in that the servers of multiple participating organizations transmit compressed latent variable data to the encoder of the autoencoder.
본 발명에서 다수의 참여기관 서버로부터 예측 모델의 가중치와 가중치 변화값을 수신 받는 단계는, 통합운영서버가 다수의 참여기관 서버에서 전송한 잠재변수 데이터를 수신하여, 오토인코더의 디코더를 사용하여 잠재변수 데이터로부터 가중치와 가중치 변화값을 복원하는 것을 특징으로 한다. In the present invention, the step of receiving the weights and weight change values of the prediction model from the servers of multiple participating organizations involves the integrated operation server receiving latent variable data transmitted from the servers of multiple participating organizations and using the decoder of the autoencoder to determine the potential variables. It is characterized by restoring weights and weight change values from variable data.
본 발명에서 가중치와 가중치 변화값을 통합운영서버로 전송하는 단계는, 다수의 참여기관 서버가 매 에포크(Epoch)마다 학습된 예측 모델의 가중치와 가중치 변화값을 전송하는 것을 특징으로 한다. In the present invention, the step of transmitting the weights and weight change values to the integrated operation server is characterized in that the servers of multiple participating institutions transmit the weights and weight change values of the learned prediction model every epoch.
본 발명의 일 측면에 따른 마이크로그리드의 전력 수급 예측 장치 및 그 방법은 마이크로그리드에 참여하는 기업 간 데이터를 공유하지 않고 예측 모델의 가중치 및 가중치 변화값만을 공유함으로써, 데이터 병렬 기반 분산 학습 모델인 전역 최적 모델(Global Optimal Model)을 주기적으로 재학습하여 단일 기기의 학습 정확도를 높여 전력 수급을 예측할 수 있으며, 데이터 공유 시 오토인코더 모델을 통해 데이터 보안성을 강화하고 민감 정보를 보호할 수 있을 뿐만 아니라 데이터 전송량을 줄여 데이터 공유에 따른 네트워크 비용을 절감할 수 있고 데이터 전송 및 공유 속도를 향상시킬 수 있다. The microgrid power supply and demand prediction device and method according to one aspect of the present invention do not share data between companies participating in the microgrid, but only share the weights and weight change values of the prediction model, thereby forming a global data parallel-based distributed learning model. By periodically relearning the optimal model (Global Optimal Model), you can predict power supply and demand by increasing the learning accuracy of a single device. When sharing data, you can strengthen data security and protect sensitive information through an autoencoder model. By reducing the amount of data transmission, network costs due to data sharing can be reduced and data transmission and sharing speed can be improved.
도 1은 본 발명의 일 실시예에 따른 마이크로그리드의 전력 수급 예측 장치를 나타낸 블록 구성도이다.
도 2는 본 발명의 일 실시예에 따른 마이크로그리드의 전력 수급 예측 장치에 적용되는 오토인코더를 나타낸 구성도이다.
도 3은 본 발명의 일 실시예에 따른 마이크로그리드의 전력 수급 예측 방법을 설명하기 위한 흐름도이다. Figure 1 is a block diagram showing a microgrid power supply and demand prediction device according to an embodiment of the present invention.
Figure 2 is a configuration diagram showing an autoencoder applied to a microgrid power supply and demand prediction device according to an embodiment of the present invention.
Figure 3 is a flowchart illustrating a method for predicting power supply and demand of a microgrid according to an embodiment of the present invention.
이하, 첨부된 도면들을 참조하여 본 발명에 따른 마이크로그리드의 전력 수급 예측 장치 및 그 방법을 설명한다. 이 과정에서 도면에 도시된 선들의 두께나 구성요소의 크기 등은 설명의 명료성과 편의상 과장되게 도시되어 있을 수 있다. 또한, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례에 따라 달라질 수 있다. 그러므로 이러한 용어들에 대한 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.Hereinafter, an apparatus and method for predicting power supply and demand of a microgrid according to the present invention will be described with reference to the attached drawings. In this process, the thickness of lines or sizes of components shown in the drawing may be exaggerated for clarity and convenience of explanation. In addition, the terms described below are terms defined in consideration of functions in the present invention, and may vary depending on the intention or custom of the user or operator. Therefore, definitions of these terms should be made based on the content throughout this specification.
도 1은 본 발명의 일 실시예에 따른 마이크로그리드의 전력 수급 예측 장치를 나타낸 블록 구성도이고, 도 2는 본 발명의 일 실시예에 따른 마이크로그리드의 전력 수급 예측 장치에 적용되는 오토인코더를 나타낸 구성도이다. Figure 1 is a block diagram showing a device for predicting power supply and demand of a microgrid according to an embodiment of the present invention, and Figure 2 is a block diagram showing an autoencoder applied to the device for predicting power supply and demand of a microgrid according to an embodiment of the present invention. This is the configuration diagram.
도 1에 도시된 바와 같이 본 발명의 일 실시예에 따른 마이크로그리드의 전력 수급 예측 장치는, 제1 내지 제n 참여기관 서버(10_1~10_n)와 통합운영서버(20)를 포함할 수 있다. As shown in Figure 1, the microgrid power supply and demand prediction device according to an embodiment of the present invention may include first to nth participating agency servers (10_1 to 10_n) and an integrated operation server (20).
제1 내지 제n 참여기관 서버(10_1~10_n)는 마이크로그리드에 참여한 각 발전설비의 전력 수급 예측 모델(Mi)을 탑재하여 각 로데이터(Raw Data)(D1~Dn)를 기반으로 전력 수급을 예측한다. 그리고 주기적으로 매 애포크(Epoch)마다 예측 모델을 학습한 후 학습한 예측 모델의 가중치와 가중치 변화값(P1~Pn)을 통합운영서버(20)로 전송한다. The first to nth participating agency servers (10_1 to 10_n) are equipped with the power supply and demand prediction model (Mi) of each power generation facility participating in the microgrid to monitor power supply and demand based on each raw data (D1 to Dn). predict Then, after periodically learning the prediction model every epoch, the weights and weight change values (P1 to Pn) of the learned prediction model are transmitted to the
여기서, 제1 내지 제n 참여기관 서버(10_1~10_n)는 예측 모델의 가중치와 가중치 변화값을 통합운영서버(20)로 전송할 때 오토인코더(Autoencoder)(30)를 통해 데이터를 전송할 수 있다. Here, the first to nth participating agency servers (10_1 to 10_n) may transmit data through the autoencoder (30) when transmitting the weight of the prediction model and the weight change value to the integrated operation server (20).
오토인코더(30)는 도 2에 도시된 바와 같이 딥 네트워크 기반의 비지도 학습 모델(Unsupervised Model)로서, 뉴럴 네트워크는 앞에 인코더(Encoder)(32)를 붙이고, 뒤에 디코더(Decoder)(34)를 뒤집어 붙여놓은 형태를 갖는다. As shown in FIG. 2, the
따라서 오토인코더(30)는 인코더(32)를 통해서 입력 데이터를 압축하여 입력 데이터에 대한 특징(Feature)을 추출하고, 이 결과를 가지고 디코더(34)를 통해 원본 데이터를 복원한다. 오토인코더(30)는 이 과정에서 입력값과 출력값이 최대한 같아지도록 학습함으로써 특징(Feature)을 잘 추출할 수 있도록 한다. Therefore, the
제1 내지 제n 참여기관 서버(10_1~10_n)는 가중치와 가중치 변화값을 통합운영서버(20)로 전송할 때 오토인코더(30)의 인코더(32)로 압축된 잠재변수(Latent Variables) 데이터를 전송할 수 있다. The first to nth participating agency servers (10_1 to 10_n) transmit latent variable data compressed by the
또한 제1 내지 제n 참여기관 서버(10_1~10_n)는 데이터 병렬 기반 분산 학습에 의한 전역 최적 모델(Global Optimal Model)에서 업데이트된 학습 파라미터(Mi+1)를 통합운영서버(20)로부터 수신 받아, 모델 업데이트된 학습 파라미터에 따라 재학습을 진행하여 분산 학습 과정에서 국부 최적(Local Optimum)에 빠지는 것을 방지할 수 있다. In addition, the first to nth participating agency servers (10_1 to 10_n) receive the updated learning parameters (Mi+1) from the global optimal model through data parallel-based distributed learning from the integrated operation server (20). , the model can be re-trained according to the updated learning parameters to prevent falling into local optimum during the distributed learning process.
통합운영서버(20)는 제1 내지 제n 참여기관 서버(10_1~10_n)에 탑재된 각 발전설비의 전력 수급 예측 모델을 탑재하여 전역 최적 모델을 생성하고, 주기적으로 매 에포크(Epoch)마다 제1 내지 제n 참여기관 서버(10_1~10_n)로부터 예측 모델의 가중치와 가중치 변화값(P1~Pn)을 수신 받아 전역 최적 모델을 재학습하여 전력 수급을 예측하며, 업데이트된 학습 파라미터를 제1 내지 제n 참여기관 서버(10_1~10_n)로 전송하여 학습 모델을 재학습할 수 있도록 한다. The
여기서, 통합운영서버(20)는 전송된 예측 모델의 가중치와 가중치 변화값(P1~Pn)을 평균하여 이전 학습 파라미터에 합산하여 학습 파라미터(Mi+1)를 업데이트할 수 있다. Here, the
한편, 통합운영서버(20)는 5분 단위 등 단기간 분산 발전 및 부하 실시간 예측 모델의 경우 제1 내지 제n 참여기관 서버(10_1~10_n)의 학습 결과를 반영하지 않고 학습시간이 빠른 비동기식 모델 생성법으로 전력 수급을 예측할 수 있다. Meanwhile, the
또한, 통합운영서버(20)는 예측 모델의 가중치와 가중치 변화값을 오토인코더(30)를 통해 인코딩한 잠재변수 데이터를 제1 내지 제n 참여기관 서버(10_1~10_n)로부터 수신하여, 이를 오토인코더(30)의 디코더(34)를 사용하여 가중치와 가중치 변화값으로 복원할 수 있다. In addition, the
상술한 바와 같이, 본 발명의 실시예에 의한 마이크로그리드의 전력 수급 예측 장치에 따르면, 마이크로그리드에 참여하는 기업 간 데이터를 공유하지 않고 예측 모델의 가중치 및 가중치 변화값만을 공유함으로써, 데이터 병렬 기반 분산 학습 모델인 전역 최적 모델(Global Optimal Model)을 주기적으로 재학습하여 단일 기기의 학습 정확도를 높여 전력 수급을 예측할 수 있으며, 데이터 공유 시 오토인코더 모델을 통해 데이터 보안성을 강화하고 민감 정보를 보호할 수 있을 뿐만 아니라 데이터 전송량을 줄여 데이터 공유에 따른 네트워크 비용을 절감할 수 있고 데이터 전송 및 공유 속도를 향상시킬 수 있다. As described above, according to the microgrid power supply and demand prediction device according to the embodiment of the present invention, data parallelism-based distributed distribution is achieved by sharing only the weights and weight change values of the prediction model without sharing data between companies participating in the microgrid. By periodically relearning the Global Optimal Model, a learning model, you can predict power supply and demand by increasing the learning accuracy of a single device. When sharing data, you can strengthen data security and protect sensitive information through an autoencoder model. In addition, by reducing the amount of data transmission, network costs due to data sharing can be reduced and data transmission and sharing speed can be improved.
도 3은 본 발명의 일 실시예에 따른 마이크로그리드의 전력 수급 예측 방법을 설명하기 위한 흐름도이다. Figure 3 is a flowchart illustrating a method for predicting power supply and demand of a microgrid according to an embodiment of the present invention.
도 3에 도시된 바와 같이 본 발명의 일 실시예에 따른 마이크로그리드의 전력 수급 예측 방법에서는, 먼저 마이크로그리드에 참여한 발전설비의 전력 수급 예측 모델을 탑재한 다수의 참여기관 서버(10)가 각각 독립적으로 전력 수급을 예측하기 위한 로데이터(Raw Data)를 입력받는다(S10). As shown in FIG. 3, in the microgrid power supply and demand prediction method according to an embodiment of the present invention, first, a plurality of participating
S10 단계에서 로데이터를 입력받은 다수의 참여기관 서버(10)는 각각 탑재된 전력 수급 예측모델을 기반으로 전력 수급을 예측한다(S20). The multiple participating
S20 단계에서 다수의 참여기관 서버(10)가 독립적으로 예측 모델을 기반으로 전력 수급을 예측한 후 예측 모델의 가중치와 가중치 변화값을 오토인코더(30)의 인코더(32)를 통해 인코딩한다(S30). In step S20, multiple participating
S30 단계에서 예측 모델의 가중치와 가중치 변화값을 오토인코더(30)의 인코더(32)로 압축한 잠재변수(Latent Variables) 데이터를 다수의 참여기관 서버(10)가 주기적으로 매 에포크(Epoch)마다 통합운영서버(20)로 전송한다(S40). In step S30, the latent variable data compressed by the
S40 단계에서 다수의 참여기관 서버(10)로부터 전송된 잠재변수 데이터를 수신한 후 통합운영서버(20)는 오토인코더(30)의 디코더(34)를 통해 잠재변수 데이터로부터 가중치와 가중치 변화값을 복원한다(S50). After receiving the latent variable data transmitted from the multiple participating
S50 단계에서 통합운영서버(20)는 마이크로그리드에 참여한 다수의 참여기관 서버(10)로부터 각 예측 모델의 학습결과에 따른 가중치와 가중치 변화값을 입력받아, 데이터 병렬 기반 분산 학습에 의한 전역 최적 모델(Global Optimal Model)을 재학습시켜 예측 모델을 업데이트한다(S60). In step S50, the
여기서, 통합운영서버(20)는 다수의 참여기관 서버(10)에 탑재된 각 발전설비의 전력 수급 예측 모델을 탑재하고 있어 독립적으로 참여기관 서버(10)에서 학습한 학습 결과에 의한 가중치와 가중치 변화값을 적용하여 예측 모델을 업데이트함으로써, 예측 모델에 대해 더 높은 예측 정확도를 높일 수 있다. Here, the
S60 단계에서 전역 최적 모델을 재학습시킨 후 통합운영서버(20)는 업데이트된 전역 최적 모델을 기반으로 마이크로그리드의 전력 수급을 예측한다(S70). After retraining the global optimal model in step S60, the
S70 단계에서 마이크로그리드의 전력 수급을 예측한 후 통합운영서버(20)는 업데이트된 학습 파라미터를 다수의 참여기관 서버(10)로 전송한다(S80). After predicting the power supply and demand of the microgrid in step S70, the
여기서 학습 파라미터는 통합운영서버(20)가 공유된 예측 모델의 가중치와 가중치 변화값을 평균하여 이전 학습 파라미터에 합산하여 학습 파라미터를 업데이트할 수 있다. Here, the
S80 단계에서 통합운영서버(20)로부터 전송된 학습 파라미터를 수신한 다수의 참여기관 서버(10)는 학습 파라미터를 각각의 예측 모델에 적용하여 재학습하여 예측 모델을 업데이트한다(S90). The plurality of participating
상술한 바와 같이, 본 발명의 실시예에 의한 마이크로그리드의 전력 수급 예측 방법에 따르면, 마이크로그리드에 참여하는 기업 간 데이터를 공유하지 않고 예측 모델의 가중치 및 가중치 변화값 만을 공유함으로써, 데이터 병렬 기반 분산 학습 모델인 전역 최적 모델(Global Optimal Model)을 주기적으로 재학습하여 단일 기기의 학습 정확도를 높여 전력 수급을 예측할 수 있으며, 데이터 공유 시 오토인코더 모델을 통해 데이터 보안성을 강화하고 민감 정보를 보호할 수 있을 뿐만 아니라 데이터 전송량을 줄여 데이터 공유에 따른 네트워크 비용을 절감할 수 있고 데이터 전송 및 공유 속도를 향상시킬 수 있다. As described above, according to the method for predicting power supply and demand of a microgrid according to an embodiment of the present invention, data parallelism-based distributed distribution is achieved by sharing only the weights and weight change values of the prediction model without sharing data between companies participating in the microgrid. By periodically relearning the Global Optimal Model, a learning model, you can predict power supply and demand by increasing the learning accuracy of a single device. When sharing data, you can strengthen data security and protect sensitive information through an autoencoder model. In addition, by reducing the amount of data transmission, network costs due to data sharing can be reduced and data transmission and sharing speed can be improved.
본 명세서에서 설명된 구현은, 예컨대, 방법 또는 프로세스, 장치, 소프트웨어 프로그램, 데이터 스트림 또는 신호로 구현될 수 있다. 단일 형태의 구현의 맥락에서만 논의(예컨대, 방법으로서만 논의)되었더라도, 논의된 특징의 구현은 또한 다른 형태(예컨대, 장치 또는 프로그램)로도 구현될 수 있다. 장치는 적절한 하드웨어, 소프트웨어 및 펌웨어 등으로 구현될 수 있다. 방법은, 예컨대, 컴퓨터, 마이크로프로세서, 집적 회로 또는 프로그래밍 가능한 로직 디바이스 등을 포함하는 프로세싱 디바이스를 일반적으로 지칭하는 프로세서 등과 같은 장치에서 구현될 수 있다. 프로세서는 또한 최종-사용자 사이에 정보의 통신을 용이하게 하는 컴퓨터, 셀 폰, 휴대용/개인용 정보 단말기(personal digital assistant: "PDA") 및 다른 디바이스 등과 같은 통신 디바이스를 포함한다.Implementations described herein may be implemented, for example, as a method or process, device, software program, data stream, or signal. Although discussed only in the context of a single form of implementation (eg, only as a method), implementations of the features discussed may also be implemented in other forms (eg, devices or programs). The device may be implemented with appropriate hardware, software, firmware, etc. The method may be implemented in a device such as a processor, which generally refers to a processing device that includes a computer, microprocessor, integrated circuit, or programmable logic device. Processors also include communication devices such as computers, cell phones, portable/personal digital assistants (“PDAs”) and other devices that facilitate communication of information between end-users.
본 발명은 도면에 도시된 실시예를 참고로 하여 설명되었으나, 이는 예시적인 것에 불과하며, 당해 기술이 속하는 분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. The present invention has been described with reference to the embodiments shown in the drawings, but these are merely exemplary, and those skilled in the art will recognize that various modifications and other equivalent embodiments are possible therefrom. You will understand.
따라서 본 발명의 진정한 기술적 보호범위는 아래의 청구범위에 의해서 정하여져야 할 것이다.Therefore, the true technical protection scope of the present invention should be determined by the claims below.
10 : 참여기관 서버
20 : 통합운영서버
30 : 오토인코더
32 : 인코더
34 : 디코더10: Participating institution server
20: Integrated operation server
30: Autoencoder
32: encoder
34: decoder
Claims (10)
상기 다수의 참여기관 서버에 탑재된 각 발전설비의 전력 수급 예측 모델을 탑재하고, 주기적으로 상기 다수의 참여기관 서버로부터 예측 모델의 가중치와 가중치 변화값을 수신 받아 전역 최적 모델을 재학습하여 전력 수급을 예측하며, 업데이트된 학습 파라미터를 상기 다수의 참여기관 서버로 전송하는 통합운영서버;를 포함하되,
상기 통합운영서버는, 전송된 예측 모델의 가중치와 가중치 변화값을 평균하여 이전 학습 파라미터에 합산하여 학습 파라미터를 업데이트하는 것을 특징으로 하는 마이크로그리드의 전력 수급 예측 장치.
It predicts power supply and demand by installing a power supply and demand prediction model for each power generation facility participating in the microgrid, periodically transmits the weights and weight changes of the prediction model to the integrated operation server, and receives updated learning parameters from the integrated operation server. Servers from multiple participating institutions that receive and re-learn; and
The power supply and demand prediction model for each power generation facility is installed on the servers of the multiple participating organizations, and the weights and weight change values of the prediction model are periodically received from the servers of the multiple participating organizations to relearn the global optimal model to supply and demand power. An integrated operation server that predicts and transmits updated learning parameters to the multiple participating institution servers,
The integrated operation server is a microgrid power supply and demand prediction device characterized in that it updates the learning parameters by averaging the weights and weight changes of the transmitted prediction model and adding them to the previous learning parameters.
The method of claim 1, wherein the plurality of participating agency servers transmit latent variable data compressed with weights and weight change values through an autoencoder to the integrated operation server, and the integrated operation server transmits the latent variable data through the autoencoder. A microgrid power supply and demand prediction device characterized by restoring weights and weight change values from.
The device for predicting power supply and demand in a microgrid according to claim 1, wherein the plurality of participating agency servers and the integrated operation server relearn the prediction model every epoch.
The power supply and demand prediction device of a microgrid according to claim 1, wherein the integrated operation server predicts power supply and demand using an asynchronous model generation method without reflecting the learning results of the multiple participating agency servers in the case of a real-time prediction model. .
상기 다수의 참여기관 서버가 주기적으로 예측 모델의 가중치와 가중치 변화값을 통합운영서버로 전송하는 단계;
상기 통합운영서버가 주기적으로 상기 다수의 참여기관 서버로부터 예측 모델의 상기 가중치와 가중치 변화값을 수신 받는 단계;
상기 통합운영서버가 상기 다수의 참여기관 서버에 탑재된 각 발전설비의 전력 수급 예측 모델에 수신된 상기 가중치와 가중치 변화값을 적용하여 전역 최적 모델을 재학습하는 단계;
상기 통합운영서버가 전역 최적 모델을 기반으로 마이크로그리드의 전력 수급을 예측하는 단계;
상기 통합운영서버가 전역 최적 모델을 재학습하면서 업데이트된 학습 파라미터를 상기 다수의 참여기관 서버로 전송하는 단계; 및
상기 다수의 참여기관 서버가 상기 통합운영서버로부터 전송된 학습 파라미터를 수신 받아 재학습하는 단계;를 포함하되,
상기 학습 파라미터는, 상기 통합운영서버가 공유된 예측 모델의 상기 가중치와 가중치 변화값을 평균하여 이전 학습 파라미터에 합산하여 상기 학습 파라미터를 업데이트하는 것을 특징으로 하는 마이크로그리드의 전력 수급 예측 방법.
A step where multiple participating agency servers predict power supply and demand based on a power supply and demand prediction model for each power generation facility participating in the microgrid;
The plurality of participating institution servers periodically transmitting the weights and weight change values of the prediction model to the integrated operation server;
The integrated operation server periodically receiving the weights and weight change values of the prediction model from the plurality of participating agency servers;
The integrated operation server re-learning a global optimal model by applying the received weights and weight change values to the power supply and demand prediction model of each power generation facility mounted on the plurality of participating agency servers;
Predicting, by the integrated operation server, power supply and demand of the microgrid based on a global optimal model;
transmitting updated learning parameters to the plurality of participating institution servers while the integrated operation server re-learns the global optimal model; and
Including a step of the plurality of participating institution servers receiving and re-learning learning parameters transmitted from the integrated operation server,
The learning parameter is a method for predicting power supply and demand in a microgrid, wherein the integrated operation server updates the learning parameter by averaging the weight and weight change value of the shared prediction model and adding it to the previous learning parameter.
The microgrid method of claim 6, wherein the step of transmitting the weight and the weight change value to the integrated operation server involves transmitting compressed latent variable data from the plurality of participating agency servers to an encoder of an autoencoder. How to predict electricity supply and demand.
The method of claim 8, wherein the step of receiving the weights and weight change values of the prediction model from the plurality of participating institution servers comprises: the integrated operation server receiving the latent variable data transmitted from the plurality of participating institution servers, A method for predicting power supply and demand in a microgrid, characterized in that the weights and weight change values are restored from the latent variable data using the decoder of the autoencoder.
Priority Applications (6)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190028406A KR102589383B1 (en) | 2019-03-12 | 2019-03-12 | Apparatus for estimating power supply of microgrid and method thereof |
| KR1020230135034A KR20230145308A (en) | 2019-03-12 | 2023-10-11 | Apparatus for estimating power supply of microgrid |
| KR1020230135033A KR20230145307A (en) | 2019-03-12 | 2023-10-11 | Apparatus for estimating power supply of microgrid |
| KR1020230135032A KR20230145306A (en) | 2019-03-12 | 2023-10-11 | Apparatus for estimating power supply of microgrid |
| KR1020230135031A KR20230145305A (en) | 2019-03-12 | 2023-10-11 | Apparatus for estimating power supply of microgrid |
| KR1020230135030A KR20230145304A (en) | 2019-03-12 | 2023-10-11 | Apparatus for estimating power supply of microgrid |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190028406A KR102589383B1 (en) | 2019-03-12 | 2019-03-12 | Apparatus for estimating power supply of microgrid and method thereof |
Related Child Applications (5)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230135030A Division KR20230145304A (en) | 2019-03-12 | 2023-10-11 | Apparatus for estimating power supply of microgrid |
| KR1020230135034A Division KR20230145308A (en) | 2019-03-12 | 2023-10-11 | Apparatus for estimating power supply of microgrid |
| KR1020230135033A Division KR20230145307A (en) | 2019-03-12 | 2023-10-11 | Apparatus for estimating power supply of microgrid |
| KR1020230135031A Division KR20230145305A (en) | 2019-03-12 | 2023-10-11 | Apparatus for estimating power supply of microgrid |
| KR1020230135032A Division KR20230145306A (en) | 2019-03-12 | 2023-10-11 | Apparatus for estimating power supply of microgrid |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20200109196A KR20200109196A (en) | 2020-09-22 |
| KR102589383B1 true KR102589383B1 (en) | 2023-10-17 |
Family
ID=72706824
Family Applications (6)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190028406A KR102589383B1 (en) | 2019-03-12 | 2019-03-12 | Apparatus for estimating power supply of microgrid and method thereof |
| KR1020230135032A KR20230145306A (en) | 2019-03-12 | 2023-10-11 | Apparatus for estimating power supply of microgrid |
| KR1020230135031A KR20230145305A (en) | 2019-03-12 | 2023-10-11 | Apparatus for estimating power supply of microgrid |
| KR1020230135033A KR20230145307A (en) | 2019-03-12 | 2023-10-11 | Apparatus for estimating power supply of microgrid |
| KR1020230135030A KR20230145304A (en) | 2019-03-12 | 2023-10-11 | Apparatus for estimating power supply of microgrid |
| KR1020230135034A KR20230145308A (en) | 2019-03-12 | 2023-10-11 | Apparatus for estimating power supply of microgrid |
Family Applications After (5)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230135032A KR20230145306A (en) | 2019-03-12 | 2023-10-11 | Apparatus for estimating power supply of microgrid |
| KR1020230135031A KR20230145305A (en) | 2019-03-12 | 2023-10-11 | Apparatus for estimating power supply of microgrid |
| KR1020230135033A KR20230145307A (en) | 2019-03-12 | 2023-10-11 | Apparatus for estimating power supply of microgrid |
| KR1020230135030A KR20230145304A (en) | 2019-03-12 | 2023-10-11 | Apparatus for estimating power supply of microgrid |
| KR1020230135034A KR20230145308A (en) | 2019-03-12 | 2023-10-11 | Apparatus for estimating power supply of microgrid |
Country Status (1)
| Country | Link |
|---|---|
| KR (6) | KR102589383B1 (en) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102410052B1 (en) * | 2021-02-17 | 2022-06-16 | 주식회사 인코어드피앤피 | Apparatus and method for managing cloud-based microgrid distributed power supply |
| KR102570617B1 (en) | 2022-09-23 | 2023-08-23 | 전남대학교산학협력단 | System, method and program for transacting power forecasting ai model based on blockchain |
| CN117114056B (en) * | 2023-10-25 | 2024-01-09 | 城云科技（中国）有限公司 | Power load prediction model, construction method and device thereof and application |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110082597A1 (en) * | 2009-10-01 | 2011-04-07 | Edsa Micro Corporation | Microgrid model based automated real time simulation for market based electric power system optimization |
| KR101875329B1 (en) | 2017-06-12 | 2018-07-05 | 한국과학기술원 | Forecasting apparatus and method for power consumption |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7821156B2 (en) * | 2008-02-07 | 2010-10-26 | International Business Machines Corporation | System and methods for scheduling power usage |
| US9513648B2 (en) * | 2012-07-31 | 2016-12-06 | Causam Energy, Inc. | System, method, and apparatus for electric power grid and network management of grid elements |
| KR101762061B1 (en) * | 2015-12-31 | 2017-07-27 | 주식회사 포스코아이씨티 | System and method for predicting energy consumption based on cloud |
-
2019
- 2019-03-12 KR KR1020190028406A patent/KR102589383B1/en active IP Right Grant
-
2023
- 2023-10-11 KR KR1020230135032A patent/KR20230145306A/en not_active Application Discontinuation
- 2023-10-11 KR KR1020230135031A patent/KR20230145305A/en not_active Application Discontinuation
- 2023-10-11 KR KR1020230135033A patent/KR20230145307A/en not_active Application Discontinuation
- 2023-10-11 KR KR1020230135030A patent/KR20230145304A/en not_active Application Discontinuation
- 2023-10-11 KR KR1020230135034A patent/KR20230145308A/en not_active Application Discontinuation
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110082597A1 (en) * | 2009-10-01 | 2011-04-07 | Edsa Micro Corporation | Microgrid model based automated real time simulation for market based electric power system optimization |
| KR101875329B1 (en) | 2017-06-12 | 2018-07-05 | 한국과학기술원 | Forecasting apparatus and method for power consumption |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20200109196A (en) | 2020-09-22 |
| KR20230145305A (en) | 2023-10-17 |
| KR20230145308A (en) | 2023-10-17 |
| KR20230145307A (en) | 2023-10-17 |
| KR20230145304A (en) | 2023-10-17 |
| KR20230145306A (en) | 2023-10-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10261536B2 (en) | Systems and methods for optimizing microgrid power generation and management with predictive modeling | |
| US10734811B2 (en) | System and method for optimal control of energy storage system | |
| KR20230145304A (en) | Apparatus for estimating power supply of microgrid | |
| US9979198B2 (en) | Systems and methods for microgrid power generation and management | |
| Hussain et al. | Impact of uncertainties on resilient operation of microgrids: A data-driven approach | |
| Pinson et al. | Dynamic sizing of energy storage for hedging wind power forecast uncertainty | |
| Cao et al. | Model-free voltage control of active distribution system with PVs using surrogate model-based deep reinforcement learning | |
| Capizzi et al. | Advanced and adaptive dispatch for smart grids by means of predictive models | |
| Zhao et al. | Resilient unit commitment for day-ahead market considering probabilistic impacts of hurricanes | |
| Hossain et al. | Smart grid | |
| CN113807589B (en) | Rolling optimization method and device for energy storage of operators based on model prediction | |
| KR102173207B1 (en) | Building energy management system with distributed energy resources of scheduling and real time control | |
| CN102460886B (en) | Method of controlling network computing cluster providing it-services | |
| Qiu et al. | Ensemble learning for power systems TTC prediction with wind farms | |
| Zhang et al. | Reactive load prediction based on a long short-term memory neural network | |
| CN205622328U (en) | Join in marriage power system fault online intelligent diagnostic system | |
| Zhu et al. | Energy optimal dispatch of the data center microgrid based on stochastic model predictive control | |
| CN112801374B (en) | Model training method, power load prediction method, device and equipment | |
| CN116914747B (en) | Power consumer side load prediction method and system | |
| Lee et al. | Virtual storage-based DSM with error-driven prediction modulation for microgrids | |
| Qian et al. | An Edge Intelligence-Based Framework for Online Scheduling of Soft Open Points With Energy Storage | |
| Sahoo et al. | DC-Microgrid Price Prediction using Long Short Term Memory with Double Activation Function | |
| Onaolapo | Reliability study under the smart grid paradigm using computational intelligent techniques and renewable energy sources. | |
| Simões et al. | Advances in information technology for Smart Grids | |
| Wang et al. | Research on intelligent dispatching strategy of power grid using multi‐agent and knowledge discovery algorithm |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| A107 | Divisional application of patent | ||
| GRNT | Written decision to grant |