KR102650627B1 - 강화 학습을 이용한 분산 발전소의 발전량 예측 방법 - Google Patents

강화 학습을 이용한 분산 발전소의 발전량 예측 방법 Download PDF

Info

Publication number
KR102650627B1
KR102650627B1 KR1020230107068A KR20230107068A KR102650627B1 KR 102650627 B1 KR102650627 B1 KR 102650627B1 KR 1020230107068 A KR1020230107068 A KR 1020230107068A KR 20230107068 A KR20230107068 A KR 20230107068A KR 102650627 B1 KR102650627 B1 KR 102650627B1
Authority
KR
South Korea
Prior art keywords
new
reinforcement learning
power generation
environmental variables
cluster
Prior art date
Application number
KR1020230107068A
Other languages
English (en)
Inventor
임정민
Original Assignee
렉스이노베이션 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 렉스이노베이션 주식회사 filed Critical 렉스이노베이션 주식회사
Priority to KR1020230107068A priority Critical patent/KR102650627B1/ko
Application granted granted Critical
Publication of KR102650627B1 publication Critical patent/KR102650627B1/ko

Links

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
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • 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
    • G06N3/088—Non-supervised learning, e.g. competitive 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
    • G06N3/092—Reinforcement 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—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
    • 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
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Power Engineering (AREA)
  • Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 신경망 모델을 통해 다수의 분산 발전소의 발전량을 예측할 때, 신규 발전소로부터 수집되는 환경변수에 기초하여 신경망 모델의 추가 강화 학습 여부를 결정하는 방법에 관한 것이다. 본 발명의 일 실시예에 따른 강화 학습을 이용한 분산 발전소의 발전량 예측 방법은, 신경망 모델을 이용하여 분산 설치된 각 발전소의 발전량을 예측하는 방법에 있어서, 상기 각 발전소로부터 누적 수집된 환경변수를 클러스터링하여 복수의 기준 클러스터를 생성하는 단계, 신규 발전소로부터 신규 환경변수를 수집하고, 상기 신규 환경변수를 클러스터링하여 신규 클러스터를 생성하는 단계 및 상기 복수의 기준 클러스터와 상기 신규 클러스터 간의 유사도에 기초하여 상기 신규 환경변수를 상기 신경망 모델의 강화 학습에 추가 이용하는 단계를 포함하는 것을 특징으로 한다.

Description

강화 학습을 이용한 분산 발전소의 발전량 예측 방법{POWER GENERATION PREDICTION METHOD FOR DISTRIBUTED POWER PLANT USING REINFORCEMENT LEARNING}
본 발명은 지속적으로 강화 학습되는 신경망 모델을 통해 다수의 분산 발전소의 발전량을 예측하는 방법에 관한 것이다.
분산 발전소는 풍력 발전, 태양광 발전, 소수력 발전 등과 같은 서로 다른 지역에 분산 설치된 소규모 신재생에너지 발전 시설을 의미하며, 일반적으로는 전력 수요 지역 인근에 설치되어 전력을 공급하는 역할을 수행한다.
이러한 분산 발전소를 경제적으로 통합 관리하기 위해서는 각 발전소의 발전량을 정확하게 예측해야 하고, 최근에는 발전량 예측 정확도 향상을 위해 인공지능 모델이 이용되고 있는 추세이다.
그러나 한 번 학습된 인공지능 모델은 일정한 경향성을 갖는 데이터에 대해 높은 성능을 보장하는데, 분산 발전소는 서로 다른 환경에 개별 설치되므로 기존 데이터에 의해 학습된 인공지능 모델이 새롭게 설치된 분산 발전소의 발전량 예측에 활용되기 어렵다는 한계가 있다.
대한민국 공개특허공보 제10-2023-0075266호
본 발명은 신경망 모델을 통해 다수의 분산 발전소의 발전량을 예측할 때, 신규 발전소로부터 수집되는 환경변수에 기초하여 신경망 모델의 추가 강화 학습 여부를 결정하는 것을 목적으로 한다.
본 발명의 목적들은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있고, 본 발명의 실시예에 의해 보다 분명하게 이해될 것이다. 또한, 본 발명의 목적 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 쉽게 알 수 있을 것이다.
전술한 목적을 달성하기 위한 본 발명의 일 실시예에 따른 강화 학습을 이용한 분산 발전소의 발전량 예측 방법은, 신경망 모델을 이용하여 분산 설치된 각 발전소의 발전량을 예측하는 방법에 있어서, 상기 각 발전소로부터 누적 수집된 환경변수를 클러스터링하여 복수의 기준 클러스터를 생성하는 단계, 신규 발전소로부터 신규 환경변수를 수집하고, 상기 신규 환경변수를 클러스터링하여 신규 클러스터를 생성하는 단계 및 상기 복수의 기준 클러스터와 상기 신규 클러스터 간의 유사도에 기초하여 상기 신규 환경변수를 상기 신경망 모델의 강화 학습에 추가 이용하는 단계를 포함하는 것을 특징으로 한다.
본 발명은 신경망 모델을 통해 다수의 분산 발전소의 발전량을 예측할 때, 신규 발전소로부터 수집되는 환경변수에 기초하여 신경망 모델의 추가 학습 여부를 결정함으로써, 다수 발전소를 통합 관리함에 있어 관리 대상 발전소가 추가 인입될 때마다 매번 많은 시간과 리소스를 들여 신경망 모델을 학습시킬 필요가 없다는 장점이 있다.
상술한 효과와 더불어 본 발명의 구체적인 효과는 이하 발명을 실시하기 위한 구체적인 사항을 설명하면서 함께 기술한다.
도 1은 본 발명의 일 실시예에 따른 분산 발전소의 발전량 예측 시스템을 도시한 도면.
도 2는 본 발명의 일 실시예에 따른 강화 학습을 이용한 분산 발전소의 발전량 예측 방법을 도시한 순서도.
도 3은 본 발명의 신경망 모델의 강화 학습 과정을 설명하기 위한 도면.
도 4는 기존 발전소에서 누적 수집된 환경변수가 클러스터링된 모습을 도시한 도면.
도 5 및 도 6은 신규 발전소에서 수집된 신규 환경변수가 클러스터링된 모습을 각각 도시한 도면.
전술한 목적, 특징 및 장점은 첨부된 도면을 참조하여 상세하게 후술되며, 이에 따라 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명의 기술적 사상을 용이하게 실시할 수 있을 것이다. 본 발명을 설명함에 있어서 본 발명과 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 상세한 설명을 생략한다. 이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시예를 상세히 설명하기로 한다. 도면에서 동일한 참조부호는 동일 또는 유사한 구성요소를 가리키는 것으로 사용된다.
본 명세서에서 제1, 제2 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것으로, 특별히 반대되는 기재가 없는 한, 제1 구성요소는 제2 구성요소일 수도 있음은 물론이다.
또한, 본 명세서에서 "상부 (또는 하부)" 또는 구성요소의 "상 (또는 하)"에 임의의 구성이 배치된다는 것은, 임의의 구성이 상기 구성요소의 상면 (또는 하면)에 접하여 배치되는 것뿐만 아니라, 상기 구성요소와 상기 구성요소 상에 (또는 하에) 배치된 임의의 구성 사이에 다른 구성이 개재될 수 있음을 의미할 수 있다.
또한, 본 명세서에서 어떤 구성요소가 다른 구성요소에 "연결", "결합" 또는 "접속"된다고 기재된 경우, 상기 구성요소들은 서로 직접적으로 연결되거나 또는 접속될 수 있지만, 각 구성요소 사이에 다른 구성요소가 "개재"되거나, 각 구성요소가 다른 구성요소를 통해 "연결", "결합" 또는 "접속"될 수도 있는 것으로 이해되어야 할 것이다.
또한, 본 명세서에서 사용되는 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "구성된다" 또는 "포함한다" 등의 용어는 명세서 상에 기재된 여러 구성 요소들, 또는 여러 단계들을 반드시 모두 포함하는 것으로 해석되지 않아야 하며, 그 중 일부 구성 요소들 또는 일부 단계들은 포함되지 않을 수도 있고, 또는 추가적인 구성 요소 또는 단계들을 더 포함할 수 있는 것으로 해석되어야 한다.
또한, 본 명세서에서, "A 및/또는 B" 라고 할 때, 이는 특별한 반대되는 기재가 없는 한, A, B 또는 A 및 B를 의미하며, "C 내지 D" 라고 할 때, 이는 특별한 반대되는 기재가 없는 한, C 이상이고 D 이하인 것을 의미한다
본 발명은 신경망 모델을 통해 다수의 분산 발전소의 발전량을 예측할 때, 신규 발전소로부터 수집되는 환경변수에 기초하여 신경망 모델의 강화 학습(reinforcement learning) 여부를 결정하는 방법에 관한 것이다. 이하, 도 1 내지 도 6을 참조하여 본 발명의 일 실시예에 따른 강화 학습을 이용한 분산 발전소의 발전량 예측 방법(이하, 발전량 예측 방법)을 구체적으로 설명하도록 한다.
도 1은 본 발명의 일 실시예에 따른 분산 발전소의 발전량 예측 시스템을 도시한 도면이고, 도 2는 본 발명의 일 실시예에 따른 강화 학습을 이용한 분산 발전소의 발전량 예측 방법을 도시한 순서도이다.
도 3은 본 발명의 신경망 모델의 강화 학습 과정을 설명하기 위한 도면이다.
도 4는 기존 발전소에서 누적 수집된 환경변수가 클러스터링된 모습을 도시한 도면이고, 도 5 및 도 6은 신규 발전소에서 수집된 신규 환경변수가 클러스터링된 모습을 각각 도시한 도면이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 분산 발전소의 발전량 예측 시스템(1)은 서버(10), 외부서버(30) 및 분산 설치된 다수의 발전소(20)를 포함할 수 있다. 다만, 도 1에 도시된 발전량 예측 시스템(1)을 일 실시예에 따른 것이고, 시스템(1)을 이루는 구성요소들이 도 1에 도시된 실시예에 한정되는 것은 아니며, 필요에 따라 일부 구성요소가 부가, 변경 또는 삭제될 수 있다.
발전소(20)는 화석 연료를 이용한 발전소 또는 태양광, 풍력, 조력, 소수력 등의 (신)재생 에너지원을 이용한 발전소와 같이 전력을 발생시킬 수 있는 임의의 설비를 포함할 수 있다. 다만, 후술되는 환경변수 간의 비교가 유의성을 갖도록 하기 위해 각 발전소(20)는 동일한 타입의 발전소, 예컨대 태양광 발전소일 수 있다. 한편, 도 1에 도시된 다수의 발전소(20)는 설명의 편의를 위해 복수의 기존 발전소(21)와 어느 하나의 신규 발전소(22)로 분리 설명될 수 있다.
서버(10)는 본 발명의 발전량 예측 방법을 수행하는 주체로서, 후술되는 동작을 수행하기 위해 서버(10)는 ASICs(application specific integrated circuits), DSPs(digital signal processors), DSPDs(digital signal processing devices), PLDs(programmable logic devices), FPGAs(field programmable gate arrays), 프로세서(processor), 마이크로프로세서(microprocessor), 제어기(controller), 마이크로 컨트롤러(micro-controller) 중 적어도 하나의 물리적인 요소를 포함할 수 있다.
한편, 본 명세서에서 기재되는 외부서버(30)는 서버(10)의 동작에 기초가 되는 정보를 제공하는 주체로서, 제공 정보에 대응하는 서로 다른 서버를 포함하는 개념일 수 있다. 즉, 외부서버(30)는 하나의 서버를 의미하는 것이 아니고 제공 정보에 따라 복수의 서버를 통칭하는 개념일 수 있다.
도 2를 참조하면, 본 발명의 일 실시예에 따른 발전량 예측 방법은 각 발전소로부터 누적 수집된 환경변수에 대한 기준 클러스터를 생성하는 단계(S10), 신규 발전소로부터 수집된 신규 환경변수에 대한 신규 클러스터를 생성하는 단계(S20) 및 기준 클러스터와 신규 클러스터 간의 유사도에 기초하여 신규 환경변수를 발전량 예측 태스크를 수행하는 신경망 모델의 강화 학습에 추가 이용하는 단계(S30)를 포함할 수 있다.
다만, 도 2에 도시된 발전량 예측 방법은 일 실시예에 따른 것이고, 발명을 이루는 각 단계들이 도 2에 도시된 실시예에 한정되는 것은 아니며, 필요에 따라 일부 단계들이 부가, 변경 또는 삭제될 수 있다.
도 2에 도시된 각 단계들을 설명하기에 앞서, 서버(10)가 신경망 모델을 이용하여 분산 설치된 각 발전소(20)의 발전량을 예측하는 방법에 대해 설명하도록 한다.
본 발명의 신경망 모델(100)은 환경변수에 기초하여 발전량을 예측하는 태스크(task)를 수행할 수 있고, 이를 위해 서버(10)에 의해 강화 학습될 수 있다. 이러한 신경망 모델(100)은 가치 기반(value based) 또는 정책 기반(policy based) 강화 학습에 사용되는 다양한 모델로 구현될 수 있다.
도 3을 예로 들어 설명하면, 강화 학습은 환경(environment), 에이전트(agent), 상태(state), 행동(action) 및 보상(reward)을 정의함에 따라 구현될 수 있다. 여기서 환경은 학습을 진행하는 공간이나 배경을 의미할 수 있고, 에이전트는 환경과 상호작용하여 행동을 취하는 주체일 수 있다. 상태는 환경 내에서 주어진 에이전트의 상황을 의미할 수 있고, 행동은 주어진 환경에서 에이전트가 행하는 결정을 의미할 수 있다. 보상은 현재 환경에서 에이전트의 행동에 따른 보상을 의미하며, 강화 학습은 에이전트가 보상이 최대가 되도록 행동하게 하는 알고리즘일 수 있다.
이러한 구조에서 본 발명의 신경망 모델(100)은 에이전트로 기능할 수 있고, 서버(10)는 상태 값(St)와 보상 값(Rt)를 신경망 모델(100)에 제공하고, 신경망 모델(100)이 자신의 행동(At)에 따른 보상 값(Rt)을 최대화하도록 알고리즘을 설정할 수 있다. 강화 학습의 구현 방식은 당해 기술분야에서 이미 알려져 있으므로, 더 이상의 자세한 설명은 생략하도록 한다.
다시 도 3을 참조하면, 신경망 모델(100)이 발전량 예측 태스크를 수행하도록 하기 위해, 서버(10)는 강화 학습 단계에서 기존 발전소(21)에서 누적 수집된 날짜별 환경변수를 상태 값(St)으로 설정할 수 있다. 신경망 모델(100)은 미리 설정된 범위 내에서 날짜별 예상 발전량을 행동 값(At)으로 출력할 수 있는데, 이 때, 서버(10)는 신경망 모델(100)에서 출력된 예상 발전량과 날짜별 실제 발전량의 차이에 반비례하는 보상 값(Rt)을 설정할 수 있다.
이러한 강화 학습은 과거 각 날짜별로 수행될 수 있으며, 학습의 반복에 따라 신경망 모델(100)은 보상 값(Rt)이 최대가 되도록, 즉 예상 발전량과 실제 발전량의 차이가 최소가 되도록 예상 발전량을 선택할 수 있다.
서버(10)는 이와 같이 학습된 신경망 모델(100)을 모든 분산 발전소(20)에 적용하여 발전량을 예측할 수 있다. 예를 들어, 미래의 타겟 날짜에 대한 발전소 A의 발전량 예측을 위해, 서버(10)는 먼저 외부서버(30)로부터 발전소 A가 설치된 위치에서 타겟 날짜에 대한 예측 환경변수를 수집할 수 있다. 예컨대, 발전소 A가 태양광 발전소인 경우 서버는 기상청이 관리하는 외부서버(30)로부터 발전소 A가 설치된 위치에서 예보된 일조시간, 기온, 운량, 습도, 강수량 등의 환경변수를 수집할 수 있다.
이어서, 서버(10)는 수집된 환경변수를 신경망 모델(100)에 입력할 수 있다. 전술한 강화 학습에 의해 신경망 모델(100)은 환경변수에 대응하는 예상 발전량을 선택하도록 학습된 상태이므로, 학습에 이용되지 않았던 타겟 날짜의 예측 환경변수를 입력받아 타겟 날짜의 예상 발전량을 출력할 수 있다.
이러한 방식으로 서버(10)는 단일의 신경망 모델(100)을 모든 분산 발전소의 발전량 예측에 적용할 수 있다.
한편, 본 발명에서 환경변수는 발전량에 영향을 미칠 수 있는 임의의 환경적 요소를 포함할 수 있고, 전술한 일조 시간, 기온, 운량, 습도, 강수량 외에도 발전소의 발전 방식에 따라 다양한 환경적인 인자를 포함할 수 있다.
발전량 예측에 신경망 모델(100)을 이용하는 경우 강화 학습을 위해 많은 환경변수와 이를 처리하기 위한 리소스가 필요한데, 다수의 발전소(20)를 관제하는 서버(10)에서는 신규 발전소(22)가 인입될 때마다 신규 발전소(22)에서 수집된 환경변수를 추가 활용하여 매번 재학습을 진행하는 것이 현실적으로 어렵다는 한계가 있다.
본 발명은 이러한 문제의식 하에서 고안된 것으로, 신규 발전소(22)에서 수집되는 환경변수에 따라 학습을 추가 진행할지 여부를 결정하는 것을 특징으로 한다. 이하 도 2에 도시된 각 단계를 구체적으로 설명하도록 한다.
서버(10)는 각 발전소(20)로부터 누적 수집된 환경변수를 클러스터링하여 복수의 기준 클러스터를 생성할 수 있다(S10). 앞서 설명한 것과 같이 환경변수는 발전량에 영향을 미칠 수 있는 환경적 요소를 포함하며, 이러한 환경변수는 각 발전소(20)에 구비된 복수의 환경센서에서 취득될 수 있다.
서버(10)는 환경센서로부터 직접 환경변수를 수집할 수도 있고, 각 발전소(20)의 자원을 관리하는 EMS(Energy Management System) 등의 시스템을 통해 환경변수를 수집할 수 있다. 이러한 수집 동작은 시간에 따라 연속적으로 수행될 수 있고, 서버(10)는 수집된 환경변수를 데이터베이스에 누적 저장할 수 있다. 이와 같이 누적 저장된 환경변수는 앞서 설명한 신경망 모델(100)의 학습에 활용될 수 있다.
이어서, 서버(10)는 누적 수집 및 저장된 환경변수 각각을 유사도에 따라 클러스터링하여 복수의 기준 클러스터를 생성할 수 있다.
도 4를 참조하면, 서버(10)는 개별 환경변수들의 상호 유사도를 산출할 수 있고, 유사도에 기초하여 각 환경변수들을 클러스터링할 수 있다. 각 발전소(20)는 서로 다른 위치에 설치될 수 있으므로, 각 발전소(20)에서 수집되는 환경변수는 지리적 특성에 기초한 경향성을 가질 수 있다.
예컨대, 도 4에 도시된 것과 같이 제1 발전소(20)에서 수집된 환경변수는 상호 유사성이 높은 제1 클러스터(Cref1)를 형성할 수 있고, 제2 발전소(20)에서 수집된 환경변수도 상호 유사성이 높은 제2 클러스터(Cref2)를 형성할 수 있으며, 제3 발전소(20)에서 수집된 환경변수 역시 상호 유사성이 높은 제3 클러스터(Cref3)를 형성할 수 있다.
다시 도 1을 참조하면, 서버(10)가 다수의 기존 발전소(21)를 관리하고 있을 때, 발전소(20)의 신규 설치 또는 기존에 관리되지 않았던 발전소(20)의 인입 등으로 인해 서버(10)가 신규 발전소(22)를 추가 관리해야 하는 상황이 발생할 수 있다.
이 때, 서버(10)는 신규 발전소(22)로부터 신규 환경변수를 수집하고, 신규 환경변수를 클러스터링하여 신규 클러스터를 생성할 수 있다(S20). 서버(10)는 데이터베이스에 기 등록되지 않은 신규 발전소(22)가 관리 대상으로 인입되면 신규 발전소(22)에 구비된 복수의 환경센서로부터 신규 환경변수를 수집할 수 있다. 신규 환경변수의 수집 기간은 사용자에 의해 설정될 수 있으며, 예컨대 1개월로 설정될 수 있다.
이 때, 수집되는 신규 환경변수는 앞서 기존 발전소(21)로부터 누적 수집된 환경변수와 동일한 종류일 수 있다. 예를 들어, 기존 발전소(21)로부터 누적 수집된 환경변수가 일조시간, 기온, 운량, 습도, 강수량인 경우, 신규 발전소(22)로부터 수집된 신규 환경변수 역시 일조시간, 기온, 운량, 습도, 강수량일 수 있다.
도 5를 참조하면, 신규 발전소(22)에서 수집된 환경변수는 신규 발전소(22)가 설치된 지리적 특성에 따라 경향성을 가질 수 있고, 기존 발전소(21)로부터 수집된 환경변수와는 다른 신규 클러스터(Cnew)를 형성할 수 있다.
서버(10)는 앞서 생성된 기준 클러스터(Cref)와 신규 클러스터(Cnew)를 비교하여 신경망 모델(100)의 추가 학습 여부를 결정할 수 있다. 구체적으로, 서버(10)는 앞서 생성된 기준 클러스터(Cref)와 신규 클러스터(Cnew) 간의 유사도에 기초하여 신규 환경변수를 신경망 모델(100)의 강화 학습에 추가 이용할 수 있다(S30).
도 5에 도시된 예시와 같이, 신규 클러스터(Cnew)는 기준 클러스터(Cref)와 다른 위치에 생성될 수 있다. 서버(10)는 각각의 기준 클러스터(Cref)와 신규 클러스터(Cnew) 간의 유사도를 산출할 수 있다.
일 실시예에서, 서버(10)는 복수의 기준 클러스터(Cref)의 각 대표값과 신규 클러스터(Cnew)의 대표값 간의 거리를 산출할 수 있고, 산출된 거리에 반비례하는 유사도를 결정할 수 있다.
구체적으로, 서버(10)는 각각의 기준 클러스터(Cref)에 포함된 환경변수의 평균값(mean) 또는 중앙값(median)을 각 기준 클러스터(Cref)의 대표값으로 설정할 수 있고, 신규 클러스터(Cnew)에 포함된 환경변수의 평균값 또는 중앙값을 신규 클러스터(Cnew)의 대표값으로 설정할 수 있다. 이어서, 서버(10)는 각 기준 클러스터(Cref)의 대표값들과 신규 클러스터(Cnew)의 대표값 간의 거리를 각각 산출하고, 이에 반비례하는 유사도를 결정할 수 있다.
또한, 일 실시예에서, 서버(10)는 복수의 기준 클러스터(Cref)에 포함된 환경변수 중 각 기준 클러스터(Cref)의 중심에 가장 가까운 대표값들과, 신규 클러스터(Cnew)에 포함된 환경변수 중 신규 클러스터(Cnew)의 중심에 가장 가까운 대표값 간의 거리를 산출할 수 있고, 산출된 거리에 반비례하는 유사도를 결정할 수 있다.
구체적으로, 도 5에 도시된 것과 같이 각각의 클러스터는 원 또는 타원으로 구획될 수 있다. 서버(10)는 각 클러스터의 중심을 식별할 수 있고, 각 클러스터에 속한 환경변수 중에서 중심에 가장 가까운 환경변수를 대표값으로 설정할 수 있다. 한편, 클러스터가 원이나 타원이 아닌 경우, 서버(10)는 클러스터가 형성하는 영역의 무게중심을 클러스터의 중심으로 식별할 수 있다. 이어서, 서버(10)는 각 기준 클러스터(Cref)의 대표값들과 신규 클러스터(Cnew)의 대표값 간의 거리를 각각 산출하고, 이에 반비례하는 유사도를 결정할 수 있다.
또한, 일 실시예에서, 서버(10)는 복수의 기준 클러스터(Cref)에 포함된 환경변수 중 각 기준 클러스터(Cref)의 평균값에 가장 가까운 대표값들과, 신규 클러스터(Cnew)에 포함된 환경변수 중 신규 클러스터(Cnew)의 평균값에 가장 가까운 대표값 간의 거리를 각각 산출할 수 있다.
구체적으로, 서버(10)는 각 클러스터에 포함된 환경변수들의 평균값을 산출할 수 있고, 각 클러스터에 속한 환경변수 중에서 평균값에 가장 가까운 어느 한 환경변수를 대표값으로 설정할 수 있다. 이어서, 서버(10)는 각 기준 클러스터(Cref)의 대표값들과 신규 클러스터(Cnew)의 대표값 간의 거리를 각각 산출하고, 이에 반비례하는 유사도를 결정할 수 있다.
또한, 일 실시예에서, 서버(10)는 복수의 기준 클러스터(Cref)에 대한 신규 클러스터(Cnew)의 실루엣 값(Silhouette value)을 산출하거나, 복수의 기준 클러스터(Cref)와 신규 클러스터(Cnew)를 대상으로 실루엣 계수(coefficient)를 산출할 수 있고, 산출된 실루엣 값 또는 계수에 비례하는 유사도를 결정할 수 있다.
구체적으로, 기준 클러스터(Cref)를 CJ로 표현하고, 신규 클러스터(Cnew)를 CI로 표현할 때, 서버(10)는 아래 [수학식 1]에 따라 복수의 기준 클러스터(Cref)에 대한 신규 클러스터(Cnew)의 실루엣 값을 산출할 수 있다.
[수학식 1]
,
,
(s(i)는 실루엣 값, i는 신규 클러스터(Cnew)에 포함된 환경변수, j는 기준 클러스터(Cref)에 포함된 환경변수, d(i,j)는 i와 j 간의 거리)
서버(10)는 신규 클러스터(Cnew) 내 모든 환경변수에 대해 각각 실루엣 값을 산출할 수 있고, 이들의 평균값에 비례하는 유사도를 결정할 수 있다.
나아가, 서버(10)는 같은 방법으로 신규 클러스터(Cnew)뿐 아니라 기준 클러스터(Cref) 내 모든 환경변수에 대해 각각 실루엣 값을 산출하고, 각 클러스터의 평균 실루엣 값에 기초하여 실루엣 계수를 아래 [수학식 2]와 같이 산출할 수 있다.
[수학식 2]
(K는 클러스터의 총 수, 는 k번째 클러스터의 평균 실루엣 값)
서버(10)는 실루엣 계수에 비례하는 유사도를 결정할 수 있다.
서버(10)는 앞서 설명한 방법에 따라 산출된 유사도가 기준값 미만이면 신규 환경변수를 신경망 모델(100)의 강화 학습에 추가 이용할 수 있다. 즉, 신규 발전소(22)에서 수집된 환경변수가 기존 발전소(21)로부터 수집된 환경변수와 유사하지 않을수록, 신규 발전소(22)에 대한 신경망 모델(100)의 발전량 예측 동작은 정확도가 떨어질 수 있다. 반면에 기존 발전소(21)로부터 수집된 환경변수가 기존 발전소(21)로부터 수집된 환경변수와 유사하다면, 별도 학습 없이도 신규 발전소(22)에 대한 신경망 모델(100)의 발전량 예측 정확도가 높을 수 있다.
이를 고려하여, 서버(10)는 유사도가 기준값보다 낮으면 신경망 모델(100)을 신규 환경변수를 이용해 신경망 모델(100)을 추가 강화 학습시키고, 반대로 유사도가 기준값보다 높으면 기존의 신경망 모델(100)을 신규 발전소(22)에 대한 발전량 예측 동작에 그대로 활용할 수 있다.
한편, 앞서 유사도 산출 예시들 중에서 기준 클러스터(Cref)의 대표값들과 신규 클러스터(Cnew)의 대표값의 거리에 기초하여 유사도를 산출한 경우, 유사도는 복수로 산출될 수 있고 이 경우 서버(10)는 복수의 유사도 전부가 기준값보다 낮으면 신경망 모델(100)을 추가 강화 학습시키고, 복수의 유사도 중 어느 하나라도 기준값보다 높으면 기존의 신경망 모델(100)을 신규 발전소(22)에 대한 발전량 예측 동작에 그대로 활용할 수 있다.
다시 도 5를 참조하면, 신규 클러스터(Cnew)가 기준 클러스터(Cref)와 완전히 다른 위치에 형성된 경우, 유사도는 기준값보다 낮게 산출될 수 있다. 이 때, 서버(10)는 신규 클러스터(Cnew)에 포함된 신규 환경변수들을 이용하여 신경망 모델(100)을 추가 강화 학습시킬 수 있다.
반면에 도 6을 참조하면, 신규 클러스터(Cnew)가 기준 클러스터(Cref)와 매우 인접한 위치에 형성된 경우, 유사도는 기준값보다 높게 산출될 수 있다. 이 때, 서버(10)는 신경망 모델(100)을 추가 학습시키지 않고, 분산 발전소(20) 각각에 대해 기존의 신경망 모델(100)에 의한 발전량 예측 동작을 수행할 수 있다.
한편, 신경망 모델(100)의 추가 학습 여부는 신속하게 결정되어야 하므로 앞서 설명한 것과 같이 서버(10)는 신규 발전소(22)로부터 짧은 기간 동안만 환경변수를 수집할 수 있다. 다만, 시간이 흐름에 따라 신규 발전소(22)가 처한 환경이 달라질 수 있고, 환경변수 역시 상이해질 수 있다.
이를 고려하여 서버(10)는 앞서 산출된 유사도가 기준값을 초과하여 신경망 모델(100)의 추가 학습이 필요 없다고 판단한 경우에도, 미리 설정된 기간이 지나면 신규 발전소(22)로부터 신규 환경변수를 다시 수집할 수 있다.
신규 환경변수를 재수집한 뒤 서버(10)는 단계(S20) 및 단계(S30) 동작을 반복하여 신경망 모델(100)의 추가 강화 학습 여부를 지속적으로 판단할 수 있다.
전술한 바와 같이, 본 발명은 신경망 모델(100)을 통해 다수의 분산 발전소(20)의 발전량을 예측할 때, 신규 발전소(22)로부터 수집되는 환경변수에 기초하여 신경망 모델(100)의 추가 학습 여부를 결정함으로써, 다수 발전소(20)를 통합 관리함에 있어 관리 대상 발전소(20)가 추가 인입될 때마다 매번 많은 시간과 리소스를 들여 신경망 모델(100)을 학습시킬 필요가 없다는 장점이 있다.
이상과 같이 본 발명에 대해서 예시한 도면을 참조로 하여 설명하였으나, 본 명세서에 개시된 실시 예와 도면에 의해 본 발명이 한정되는 것은 아니며, 본 발명의 기술사상의 범위 내에서 통상의 기술자에 의해 다양한 변형이 이루어질 수 있음은 자명하다. 아울러 앞서 본 발명의 실시 예를 설명하면서 본 발명의 구성에 따른 작용 효과를 명시적으로 기재하여 설명하지 않았을 지라도, 해당 구성에 의해 예측 가능한 효과 또한 인정되어야 함은 당연하다.

Claims (11)

  1. 신경망 모델을 이용하여 분산 설치된 각 발전소의 발전량을 예측하는 방법에 있어서,
    상기 각 발전소로부터 누적 수집된 환경변수를 클러스터링하여 복수의 기준 클러스터를 생성하는 단계;
    신규 발전소로부터 신규 환경변수를 수집하고, 상기 신규 환경변수를 클러스터링하여 신규 클러스터를 생성하는 단계; 및
    상기 복수의 기준 클러스터와 상기 신규 클러스터 간의 유사도가 기준값 미만이면 상기 신규 환경변수를 상기 신경망 모델의 강화 학습에 추가 이용하고, 상기 유사도가 상기 기준값을 초과하면 미리 설정된 기간 이후 상기 신규 발전소로부터 신규 환경변수를 재수집하는 단계를 포함하는
    강화 학습을 이용한 분산 발전소의 발전량 예측 방법.
  2. 제1항에 있어서,
    상기 신경망 모델은
    날짜별 환경변수를 상태(state) 값으로, 날짜별 예상 발전량을 행동(action) 값으로 사용하고, 날짜별 실제 발전량과 상기 예상 발전량 간의 차이에 반비례하는 보상(reward) 값에 의해 강화 학습되는
    강화 학습을 이용한 분산 발전소의 발전량 예측 방법.
  3. 제1항에 있어서,
    상기 기준 클러스터를 생성하는 단계는
    상기 각 발전소에 구비된 복수의 환경센서로부터 상기 환경변수를 누적 수집하는 단계와,
    상기 누적 수집된 환경변수 각각을 유사도에 따라 클러스터링하여 복수의 기준 클러스터를 생성하는 단계를 포함하는
    강화 학습을 이용한 분산 발전소의 발전량 예측 방법.
  4. 제1항에 있어서,
    상기 신규 환경변수를 수집하는 단계는
    데이터베이스에 기 등록되지 않은 신규 발전소에 구비된 복수의 환경센서로부터 상기 누적 수집된 환경변수와 동일한 종류의 신규 환경변수를 수집하는 단계를 포함하는
    강화 학습을 이용한 분산 발전소의 발전량 예측 방법.
  5. 제1항에 있어서,
    상기 신규 환경변수를 강화 학습에 추가 이용하는 단계는
    상기 복수의 기준 클러스터의 각 대표값과 상기 신규 클러스터의 대표값 간의 거리를 각각 산출하는 단계를 포함하는
    강화 학습을 이용한 분산 발전소의 발전량 예측 방법.
  6. 제1항에 있어서,
    상기 신규 환경변수를 강화 학습에 추가 이용하는 단계는
    상기 복수의 기준 클러스터에 포함된 환경변수 중 각 기준 클러스터의 중심에 가장 가까운 대표값들과, 상기 신규 클러스터에 포함된 환경변수 중 신규 클러스터의 중심에 가장 가까운 대표값 간의 거리를 각각 산출하는 단계를 포함하는
    강화 학습을 이용한 분산 발전소의 발전량 예측 방법.
  7. 제1항에 있어서,
    상기 신규 환경변수를 강화 학습에 추가 이용하는 단계는
    상기 복수의 기준 클러스터에 포함된 환경변수 중 각 기준 클러스터의 평균값에 가장 가까운 대표값들과, 상기 신규 클러스터에 포함된 환경변수 중 신규 클러스터의 평균값에 가장 가까운 대표값 간의 거리를 각각 산출하는 단계를 포함하는
    강화 학습을 이용한 분산 발전소의 발전량 예측 방법.
  8. 제1항에 있어서,
    상기 신규 환경변수를 강화 학습에 추가 이용하는 단계는
    상기 복수의 기준 클러스터와 상기 신규 클러스터를 대상으로 실루엣 계수(Silhouette coefficient)를 산출하는 단계를 포함하는
    강화 학습을 이용한 분산 발전소의 발전량 예측 방법.
  9. 제1항에 있어서,
    상기 신규 환경변수를 강화 학습에 추가 이용하는 단계는
    상기 복수의 기준 클러스터에 대한 상기 신규 클러스터의 실루엣 값(Silhouette value)을 산출하는 단계를 포함하는
    강화 학습을 이용한 분산 발전소의 발전량 예측 방법.
  10. 삭제
  11. 삭제
KR1020230107068A 2023-08-16 2023-08-16 강화 학습을 이용한 분산 발전소의 발전량 예측 방법 KR102650627B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020230107068A KR102650627B1 (ko) 2023-08-16 2023-08-16 강화 학습을 이용한 분산 발전소의 발전량 예측 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020230107068A KR102650627B1 (ko) 2023-08-16 2023-08-16 강화 학습을 이용한 분산 발전소의 발전량 예측 방법

Publications (1)

Publication Number Publication Date
KR102650627B1 true KR102650627B1 (ko) 2024-03-25

Family

ID=90473567

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020230107068A KR102650627B1 (ko) 2023-08-16 2023-08-16 강화 학습을 이용한 분산 발전소의 발전량 예측 방법

Country Status (1)

Country Link
KR (1) KR102650627B1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210066642A (ko) * 2019-11-28 2021-06-07 주식회사 인포마인드 빅데이터 기반 태양광 발전 예측을 통한 컨설팅 시스템
KR20210147366A (ko) * 2020-05-28 2021-12-07 숭실대학교산학협력단 강화학습 기반의 유사일을 사용한 태양광 발전량 예측 시스템 및 방법
KR20230011196A (ko) * 2021-07-13 2023-01-20 주식회사 디로그 인공지능 기반의 신재생 에너지 관리 장치 및 방법
KR102497676B1 (ko) * 2022-07-19 2023-02-08 (주) 탐진씨앤에스 인공지능 기반의 태양광 모니터링 시스템
KR20230075266A (ko) 2021-11-22 2023-05-31 광주과학기술원 강화학습 기반의 분산전원 고장 감지 장치 및 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210066642A (ko) * 2019-11-28 2021-06-07 주식회사 인포마인드 빅데이터 기반 태양광 발전 예측을 통한 컨설팅 시스템
KR20210147366A (ko) * 2020-05-28 2021-12-07 숭실대학교산학협력단 강화학습 기반의 유사일을 사용한 태양광 발전량 예측 시스템 및 방법
KR20230011196A (ko) * 2021-07-13 2023-01-20 주식회사 디로그 인공지능 기반의 신재생 에너지 관리 장치 및 방법
KR20230075266A (ko) 2021-11-22 2023-05-31 광주과학기술원 강화학습 기반의 분산전원 고장 감지 장치 및 방법
KR102497676B1 (ko) * 2022-07-19 2023-02-08 (주) 탐진씨앤에스 인공지능 기반의 태양광 모니터링 시스템

Similar Documents

Publication Publication Date Title
Wang et al. LASSO and LSTM integrated temporal model for short-term solar intensity forecasting
Tang et al. Solar power generation forecasting with a LASSO-based approach
Rahmani et al. Hybrid technique of ant colony and particle swarm optimization for short term wind energy forecasting
CN113128793A (zh) 一种基于多源数据融合的光伏功率组合预测方法及系统
Semero et al. A PSO-ANFIS based hybrid approach for short term PV power prediction in microgrids
CN103093288B (zh) 基于气象信息的分区电网母线负荷预测系统
CN109543901A (zh) 基于信息融合卷积神经网络模型的短期电力负荷预测方法
CN110110912B (zh) 一种光伏功率多模型区间预测方法
Dou et al. Hybrid model for renewable energy and loads prediction based on data mining and variational mode decomposition
CN109670627A (zh) 用于对能量存储系统自动云控制的方法
Gani et al. A combined method to estimate wind speed distribution based on integrating the support vector machine with firefly algorithm
CN103268366A (zh) 一种适用于分散式风电场的组合风电功率预测方法
CN103699944A (zh) 一种多预测模式的风电光伏发电功率预测系统
CN104036328A (zh) 自适应风电功率预测系统及预测方法
CN113554466A (zh) 一种短期用电量预测模型构建方法、预测方法和装置
Liu et al. An optimized short-term wind power interval prediction method considering NWP accuracy
Karthik et al. OELF: short term load forecasting for an optimal electrical load forecasting using hybrid whale optimization based convolutional neural network
Ghassemi et al. Optimal surrogate and neural network modeling for day-ahead forecasting of the hourly energy consumption of university buildings
Marinšek et al. Demystifying the use of ERA5‐land and machine learning for wind power forecasting
Ávila et al. Fuzzy demand forecasting in a predictive control strategy for a renewable-energy based microgrid
Semero et al. A GA-PSO hybrid algorithm based neural network modeling technique for short-term wind power forecasting
KR102650627B1 (ko) 강화 학습을 이용한 분산 발전소의 발전량 예측 방법
Augustyn et al. A review of methods applied for wind power generation forecasting
Zi-hao et al. A thermal energy usage prediction method for electric thermal storage heaters based on deep learning
Clare et al. Bayesian neural networks for the probabilistic forecasting of wind direction and speed using ocean data

Legal Events

Date Code Title Description
GRNT Written decision to grant