KR20140075614A - 지능형 에너지 소비 지침 생성 방법 - Google Patents

Abstract

지능형 에너지 소비 지침 생성 방법은, (a) 건물 에너지 소비지침 생성장치에 포함된 입력부가, 건물설비에 관한 현재 전력 소비량 이후의 미래 특정일의 예측 전력 소비량, 건물설비의 미래 특정일의 목표 전력량, 및 미래 특정일의 시간별 전기 요금을 수신하는 단계와, (b) 건물 에너지 소비지침 생성장치의 소비량 최소화 모드부가, 상기 수신된 예측 전력 소비량이 기준 피크 전력량을 초과할 때, 기준 피크 전력량을 초과하는 예측 전력 소비량을 건물설비가 목표 전력량으로 사용하도록 하는 제1 사용지침을 생성하는 단계를 포함한다. 상기 기준 피크 전력량은, 미래 특정일 이전의 특정 기간 동안의 건물설비에서의 일별 전력 소비량 데이터에 대하여 전력비용 기반 및 전력량 기반의 절감 요소를 반영하여 건물설비에서의 전력 사용량 절감 곡선을 산출하고, 전력 사용량 절감 곡선에 대하여 기본요금 절감 요소, 발전비용 요소, 및 전력요금 절감요소를 반영하여 상기 건물설비에서의 총 에너지 비용 곡선을 산출하고 상기 총 에너지 비용 곡선을 이용하는 것에 의해 결정된다.

Description

지능형 에너지 소비 지침 생성 방법 {Method for making smart energy consumption indicator}

본 발명은 건물 에너지 관리 기술에 관한 것으로서, 보다 상세하게는, 지능형 에너지 소비 지침 생성 방법에 관한 것이다.

최근 이슈화 되고 있는 스마트 그리드(Smart Grid) 환경 하에서의 실시간 요금(RTP)요금 제도, 시간대별 미리 정해진 요금을 부과하는 제도(TOU), 또는 전력 요금 급등 시 일정 횟수 및 일정시간 동안 피크요금을 부과하는 제도(CPP) 등 많은 요금 제도가 검토되고 있다.

이는 일차적으로, 알고 있는 에너지 소비의 절감 목적이 있으며, 이차적으로는, 에너지 소비를 통제 가능한 범위 내에서 관리하고(피크전력관리), 이에 따라 저렴한 생산 원가(원자력 또는 석탄화력 등) 및 그린에너지(태양광 또는 풍력 또는 연료전지 등) 발전에 의한 잉여전력을 통제 가능한 수준으로 제어할 수 있도록 하는데 목적이 있다.

한국전력공사는 실시간 요금제 이전에 단기적으로 계약전력요금제(균등계약 전력요금제)를 시행하고 있으며 이를 통해 전기 요금을 부과한다. 계약전력 요금제의 요금부과 기준에 있어서, 월 전기요금=기본요금+사용요금으로 된다.

기본요금의 부과 기준은 시간대별 연간 최대 전력 사용량을 기준으로 계약 종별로 기준단가를 곱하여 이를 연간 기준요금으로 정한다. 즉, 연간 최대전력 사용량(피크 전력 사용량)을 낮추는 것이 기본요금을 줄이는 관건이 된다. 사용요금은 한국전력공사에서 정책적으로 에너지 소비가 높은 구간(시간 구간)에 높은 요금을 부과하고 있는데, 각 구간별 전력 요금에 사용요금(사용시간)을 곱한 값으로 부과된다. 따라서 전기에너지 비용을 낮추는 방법은 기본요금과 사용요금을 모두 낮추도록 하는 것이 중요하다.

상기 기본요금을 감소시키기 위해 기본요금의 산정 기준이 되는 연간 최대전력 사용량(피크 전력 사용량)을 낮추는 방법에는 한계가 있을 수 있다.

앞으로의 에너지 정책은 에너지 소비의 억제와 함께 예측과 통제가 가능하도록 부하 변동의 안정성을 요구하는 일정부하 유지 조건부로 에너지 단가를 저렴하게 계약하는 균등 부하 계약전력(즉, 일정 범위 이상과 이하를 벗어나지 않는 안정적인 에너지 소비 계약)을 통한 에너지 공급에 저렴한 에너지 발전원을 통하여 안정적으로 공급하고, 계획되지 않은 피크 전력으로 인한 경유 또는 LNG 등의 고 원가의 발전원을 억제할 수 있도록 하는 방향으로 갈 수 있다.

이는 기존의 실시간 전력 요금제(RTP)와 피크제어 요금제 등과는 차별되고, 발전 원가를 낮출 수 있으며 및 안정적인 전력수급을 위한 전력 요금 제도가 될 것이다.

본 발명이 해결하고자 하는 기술적 과제(목적)는, 계약전력요금제 하에서 건물의 에너지 소비 비용 절감을 위해 사용되는, 에너지 사용 시간 이동의 제어를 위한, 지능형 에너지 소비 지침 생성 방법, 또는 건물의 소비 에너지 비용 절감을 위한 건물 설비의 분산 제어 장치, 및 건물 설비의 분산 제어 장치를 이용한 건물 설비의 분산 제어 방법을 제공하는 것이다.

상기 기술적 과제를 달성하기 위하여, 본 발명의 실시예에 따른 건물 설비의 분산 제어 장치는, 과거의 온도에 따른 전력량 데이터, 과거의 습도에 따른 전력량 데이터, 과거의 요일에 따른 전력량 데이터, 과거의 계절에 따른 전력량 데이터, 및 미래의 특정일의 예측된 온도, 예측된 습도, 요일, 및 계절을 근거로 하여 미래의 특정일에 사용되는 건물 설비의 하루 동안의 시간에 따른 에너지 소비량을 예측하는 수요 예측부; 상기 수요 예측부의 예측 결과에 대해 실시간 전력 요금, 상기 건물 설비의 출력 가능한 용량, 및 상기 건물설비의 최고 효율을 반영하여 분산제어(time shift control)(일일 전력 소비량, 및 전력요금 예측을 근거로 하여 전기 요금이 가장 쌀 때 전기 에너지를 저장하고 전기요금이 가장 비쌀 때 상기 저장된 에너지를 이용하여 건물 설비를 최적의 효율로 사용하도록 하는 제어)를 위한 상기 미래의 특정일에 사용되는 건물 설비의 하루 동안의 시간에 따른 에너지 사용 지침 데이터를 생성하는 지침부; 및 일정시간 단위로(예를 들어 15분마다) 상기 지침부에 의해 생성된 상기 에너지 사용 지침 데이터를 근거로 하여 건물 설비의 온/오프 동작을 제어하는 제어부(또는 추종 제어부(estimation unit))를 포함할 수 있다. 상기 추종 제어부(estimation unit)는 건물이 가지고 있는 최대의 저장 가능한 에너지를 미리 계산하여 저장할 수 있다.

상기 기술적 과제를 달성하기 위하여, 본 발명의 실시예에 따른 건물 설비의 분산 제어 장치를 이용한 건물 설비의 분산 제어 방법은, (a) 상기 분산 제어 장치에 포함된 수요 예측부가 과거의 온도에 따른 전력량 데이터, 과거의 습도에 따른 전력량 데이터, 과거의 요일에 따른 전력량 데이터, 과거의 계절에 따른 전력량 데이터, 및 미래의 특정일의 예측된 온도, 예측된 습도, 요일, 및 계절을 근거로 하여 미래의 특정일에 사용되는 건물 설비의 하루 동안의 시간에 따른 에너지 소비량을 예측하는 단계; 상기 분산 제어 장치의 지침부가 상기 수요 예측부의 예측 결과에 대해 실시간 전력 요금, 상기 건물 설비의 출력 가능한 용량, 및 상기 건물설비의 최고 효율을 반영하여 분산제어(time shift control)를 위한 상기 미래의 특정일에 사용되는 건물 설비의 하루 동안의 시간에 따른 에너지 사용 지침 데이터를 생성하는 단계; 및 상기 분산 제어 장치의 제어부가 일정시간 단위로(예를 들어 15분마다) 상기 지침부에 의해 생성된 상기 에너지 사용 지침 데이터를 근거로 하여 건물 설비의 온/오프 동작을 제어하는 단계를 포함할 수 있다. 상기 제어부는 건물이 가지고 있는 최대의 저장 가능한 에너지를 미리 계산하여 저장할 수 있다.

본 발명에 따른 지능형 에너지 소비 지침 생성 방법, 건물 설비의 분산 제어 장치, 및 건물 설비의 분산 제어 장치를 이용한 건물 설비의 분산 제어 방법은, 건물의 에너지 사용 시간 이동을 통해 균등 계약 전력 에너지 요금제도하에서의 건물 에너지 사용량 및 건물 에너지 비용(전력 요금)을 절감하도록 할 수 있으며, 건물 에너지를 최적화할 수 있다.

앞으로의 에너지 정책은 에너지 소비의 억제와 함께 예측과 통제가 가능하도록 부하 변동의 안정성을 요구하는 일정부하 유지 조건부로 에너지 단가를 저렴하게 계약하는 균등 부하 계약전력(즉, 일정 범위 이상과 이하를 벗어나지 않는 안정적인 에너지 소비 계약)을 통한 에너지 공급에 저렴한 에너지 발전원을 통하여 안정적으로 공급하고, 계획되지 않은 피크 전력으로 인한 경유 또는 LNG 등의 고 원가의 발전원을 억제할 수 있도록 하는 방향으로 갈 수 있다.

이는 기존의 실시간 전력 요금제(RTP)와 피크제어 요금제 등과는 차별되고, 발전 원가를 낮출 수 있으며 및 안정적인 전력수급을 위한 전력 요금 제도가 될 것이다.

본 발명의 상세한 설명에서 사용되는 도면을 보다 충분히 이해하기 위하여, 각 도면의 간단한 설명이 제공된다.
도 1은 본 발명의 실시예에 따른 건물 설비의 분산 제어 장치(100)를 설명하는 블락 다이어그램(block diagram)이다.
도 2는 본 발명의 실시예에 따른 건물 설비의 분산 제어 장치를 이용한 건물 설비의 분산 제어 방법(200)을 설명하는 흐름도(flow chart)이다.
도 3은 도 1의 건물 설비의 전력 사용지침 생성장치(100) 또는 도 2의 전력 사용지침 제공방법(200)이 제공하는 출력 결과를 나타내는 그래프(graph)이다.
도 4는 도 1에 도시된 건물 설비의 분산 제어 장치(100)의 매트랩(matlab)의 구성을 나타내는 도면이다.
도 5는 도 1의 장치(100)에 의해 생성되는 에너지 사용 지침 데이터를 이용한 건물 설비의 분산 제어(time shift)를 설명하는 그래프(graph)이다.
도 6은 도 5를 참조하여 설명된 분산 제어, 및 균등 제어의 시뮬레이션(simulation) 결과의 일예를 나타내는 도면이다.
도 7은 도 5를 참조하여 설명된 분산 제어, 및 균등 제어의 시뮬레이션(simulation) 결과의 다른 예를 나타내는 도면이다.
도 8은 도 1의 장치(100)에 의해 생성되는 에너지 사용 지침 데이터를 이용한 건물 설비의 분산제어의 시뮬레이션 결과의 예를 나타내는 도면이다.
도 9는 본 발명의 다른 실시예에 따른 건물설비의 전력 사용지침 생성장치(300)를 설명하는 블락 다이어그램(block diagram)이다.
도 10은 도 9에 대응하는 기능 블록도이다.
도 11은 도 9의 지침부(340)의 다른 실시예를 설명하는 도면이다.
도 12는 도 9의 지침부(340)의 출력값을 이용하는 SR-Index 제어방법의 실시예를 설명하는 도면이다.
도 13은 본 발명의 다른 실시예에 따른 지능형 에너지 소비 예측 방법을 설명하기 위한 도면이다.
도 14는 도 11의 소비량 최소화 모드부(최대 전력 수요량 최소화 calculation)에 의해 생성된 사용지침에 따른 건물 설비인 축전지의 최적 방전 방법의 실시예를 설명하는 도면(그래프(graph))이다.
도 15는 도 14에서 설명된 축전지를 포함하는 주변 등가 회로를 나타내는 도면(회로도)이다.
도 16은 도 11에 도시된 요금 최소화 모드부(mode 0)에 의한 건물설비의 제어순서 결정방법의 실시예를 설명하는 도면(time chart)이다.
도 17은 도 11에 도시된 소비량 최소화 모드부(mode 1)에 의한 건물설비의 제어순서 결정방법의 실시예를 설명하는 도면(time chart)이다.
도 18은 도 11에 도시된 요금 최소화 모드부(mode 0)에 의한 건물설비의 제어순서 결정방법의 다른 실시예를 설명하는 도면(time chart)이다.
도 19는 도 11에 도시된 소비량 최소화 모드부(mode 1)에 의한 건물설비의 제어순서 결정방법의 다른 실시예를 설명하는 도면(time chart)이다.

본 발명, 및 본 발명의 실시에 의하여 달성되는 목적을 충분히 이해하기 위해서는, 본 발명의 실시예를 예시하는 첨부 도면 및 첨부 도면에 기재된 내용이 참조되어야 한다.

이하, 첨부한 도면을 참조하여 본 발명의 실시예를 설명하는 것에 의해, 본 발명을 상세히 설명한다. 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다. 각 도면에 제시된 동일한 참조 부호는 동일한 구성 요소를 나타낼 수 있다.

본 명세서에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 이 명세서에서, “포함하다” 또는 “가지다” 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

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

본 발명은 스마트 그리드(Smart Grid) 환경 하에서의 원가연동 실시간 요금제도에 따라 소비자가 접하게 되는 에너지 소비의 패러다임의 변화를 통하여 기존의 건물 에너지 절감의 솔루션이 아닌 건물 에너지 비용 절감을 위한 솔루션에 대한 에너지 활용 기술과 이를 구현하는 방법을 제공할 수 있다. 부연하여 설명하면, 본 발명은 균등 계약 전력 에너지 요금제도(Smart Grid energy contract price policy) 하에서의 건물 에너지 사용량 및 건물 에너지 비용(전력 요금)을 절감하도록 할 수 있는 SRMT(Smart Regulation Management Theory, 지능 제어 관리 이론) 알고리즘과 이를 이용한 제어 방법을 제공할 수 있다.

계약전력요금제(균등계약 전력요금제)의 기본요금을 감소시키기 위해 기본요금의 산정 기준이 되는 연간 최대전력 사용량(피크 전력 사용량)을 낮추는 방법에는 한계가 있을 수 있다. 따라서 본 발명은 상기 사용요금을 감소시키기 위해 사용요금의 산정 기준이 되는 에너지 소비가 높아 전기요금이 높은 시간 구간을 피해 전력요금이 낮은 시간에 건물 설비가 전력을 사용하도록 제어할 수 있다. 즉, 본 발명은 건물의 에너지 사용을 전기요금이 저렴한 구간에 전기 에너지를 많이 사용(예를 들어 저장)하고, 전기요금(전력요금)이 비싼 시간에 에너지를 적게 사용하도록 유도할 수 있다.

이를 위해, 본 발명은, 미래의 특정일에 사용되는 건물의 에너지에 대한 예측(prediction)(수요예측)을 수행하고, 상기 예측된 건물 에너지를 기준으로 에너지 자원의 최적제어를 통해 만들어 낼 수 있는 최적의 에너지 사용을 위한 지침(indication)을 제공한다. 상기 최적제어는, 예를 들어, 균등제어, 피크제어, 분산 제어(time shift), 패턴(Pattern) 제어, SR(smart regulation)-index, energy diamond, 또는 BAS(building automation system) 설비 최적제어를 포함할 수 있고, 상기 균등제어 등을 통해 건물 에너지 또는 건물 에너지 비용이 절감될 수 있다. 또한 본 발명은, 상기 최적의 에너지 사용을 위한 지침인 이상적인 지침을 기준으로 일정시간 단위로 현재 사용에너지의 상태를 반영하여 최적의 상태로 회귀 보정 제어하도록 하는 추종제어를 통하여 건물 에너지의 사용량을 제어할 수 있다.

상기 SRMT(Smart Regulation Management Theory)는 지능제어 알고리즘으로서, 균등제어, TIME shift, Pattern 제어, SR-index, 에너지 경영(KPI)과, BEMS(HVAC 최적제어)기술 등을 제어하는 지침일 수 있고, 미래의 특정일에 사용되는 건물의 에너지에 대한 예측을 하는 Prediction(수요예측)과, Prediction을 기준으로 에너지 자원을 최적으로 사용할 때 만들어 낼 수 있는 에너지 사용을 위한 Indication(지침)과, 실제 모든 에너지 자원을 지능제어 Indication을 Estimate(추종)하도록 하는 제어를 포함할 수 있다.

상기 균등제어(피크억제)는 년간 최대 피크전력을 낮춰 기본요금을 억제하는(KW당 7460원)제어 알고리즘으로서, 년 중 1~3회 나타나는 최대 전력사용량을 계산하여 허용 가능한 최적 점을 찾고, 이를 제어함으로써 기본요금 단가를 낮추는 제어일 수 있다.

상기 Time-Shift(분산제어)는 시간대별 차등(3.5배) 요금에 따라 일일 중 비싼 요금대의 에너지 사용을 가장 저렴한 시간대로 이동하여 전력 요금을 절감하는 알고리즘으로서, 일일 소비량 및 전력요금 예측을 근거로 에너지를 저장하고, 가장 비쌀 때 최적의 효율로 사용하는 방법일 수 있다. 부연하여 설명하면, 분산 제어는 비싼 요금 대에 발생 가능한 예상 불가능한 잠재부하를 미리 사용함으로써 에너지 요금을 절감할 수 있다.

상기 Pattern(행위기반제어)는 입주자의 행위 패턴과 요일, 계절, 또는 기상을 분석하여 입주자에게는 불편이 없이 불필요한 에너지 소비를 찾아내어 쾌적 제어하는 기술(알고리즘)로서, 조명, 정수기, 사무기기, 또는 비데 등 입주자가 없을 시 불필요하게 되는 관련 기기의 상관 패턴에 맞도록 지능제어를 시행할 수 있다.

상기 SR-Index는 SRMT를 통해 System을 Control하기 위한 Programming indicator(알고리즘)로서, 과거 전력사용량 및 기상과 기상예보, 현재 온도, 습도, 입주자, 또는 특정일자 등의 정보를 회귀분석을 통하여 해당일의 전력 수요예측을 구하고, 지난 1년간의 전력데이터를 분석하여 SR-Index(Level) ± 1~4의 9단계를 구할 수 있다.

상기 Energy Diamond는 개별 건물별 또는 지역별 건물 군에서 보유하고 있는 에너지 소비 내역의 일일 및 월별 에너지 소비량을 하나의 화면으로 확인하도록 하는 Main Display 방법(알고리즘)으로서, 에너지 사용량을 막대 길이에 비례하여 표시할 수 있다.

본 발명은 이상적인 전력 사용 지침(Indication)에 따라 예측된, 또는 지정된 상대적으로 높은 전력비용시간에 소비될 가능성이 있는 에너지(비싼 요금 대에 발생 가능한 예상 불가능한 부하)를 미리 또는 나중에 소비하도록 하는 분산 제어(TIME shift) 제어를 위한 장치 및 방법을 제공할 수 있다.

본 발명의 실시예로는, 예를 들어, 빌딩의 고가수조(상수도 또는 하수도, 또는 오수 처리 등에 사용되는 설비)를 수위에 관계없이 저렴한 구간에 동작하도록 제어하는 방법, 냉방기 또는 난방기를 전기요금이 저렴한 구간에 미리 동작하도록 제어하는 방법, 빙축열을 이용하는 제어방법, 또는 축전지를 이용하는 제어 방법이 있을 수 있다. 상기 실시예를 달성하기 위해, 본 발명은 건물이 가지고 있는 최대의 저장 가능한 에너지를 미리 계산하여 최적의 에너지 절감이 가능하도록 하는 기술을 제공할 수 있다.

도 1은 본 발명의 실시예에 따른 건물 설비의 분산 제어 장치(100)를 설명하는 블락 다이어그램(block diagram)이다.

도 1을 참조하면, 건물 설비의 분산 제어 장치(100)는, 수요 예측부(prediction unit, Predictor)(105), 지침부(indication unit, Indicator)(110), 및 제어부(Estimator)(115)를 포함한다.

수요 예측부(또는 전력 수요 예측부)(105)는 과거(예를 들어 전년(과거) 1년간)의 온도에 따른 전력량 데이터(전력사용량 데이터), 과거(예를 들어 전년 1년간)의 습도에 따른 전력량 데이터, 과거(예를 들어 전년 1년간)의 요일(예를 들어, 주말(휴일) 또는 선거일과 같은 특수일)에 따른 전력량 데이터, 과거(예를 들어 전년 1년간)의 계절에 따른 전력량 데이터, 및 미래의 특정일의 예측된 온도(예를 들어 건물 외부 온도), 예측된 습도(예를 들어 건물 외부 습도), 요일, 및 계절을 근거로 하여 미래의 특정일에 사용되는 건물(빌딩) 설비의 하루 동안의 시간에 따른 에너지 소비량을 예측할 수 있다. 부연하여 설명하면, 수요 예측부(105)는 미래의 특정일 이전의 온도에 따른 건물 설비의 전력량 데이터, 상기 미래의 특정일 이전의 습도에 따른 건물 설비의 전력량 데이터, 상기 미래의 특정일 이전의 요일에 따른 건물 설비의 전력량 데이터, 상기 미래의 특정일 이전의 계절에 따른 건물 설비의 전력량 데이터, 상기 미래의 특정일에 예측된 온도 및 습도(온도 및 습도 정보), 및 상기 미래의 특정일에 해당되는 요일 및 계절(요일 및 계절 정보)을 근거로 하여, 상기 미래의 특정일에 사용되는 건물 설비의 하루 동안의 시간에 따른 에너지 소비량을 예측할 수 있다. 미래의 특정일의 예측된 온도 및 예측된 습도는 기상청의 기상 데이터베이스 서버로부터 분산 제어 장치(100)(또는 수요 예측부(105))에 통신망을 통해 제공될 수 있다. 전년 1년간의 온도에 따른 전력량 데이터 또는 전년 1년간의 습도에 따른 전력량 데이터를 이용하여 미래의 특정일에 사용되는 건물 설비의 시간에 따른 에너지 소비량을 예측할 때, least square support vector machine(최소 자승법)과 같은 회귀방법(회귀분석)과 differential evolution algorithm(DEA, 차분 진화 알고리즘)과 같은 최적화 방법(optimization method)이 사용될 수 있다.

상기 최소 자승법 및 차분 진화 알고리즘을 이용하는 수요 예측부(105)의 작용(기능) 또는 동작방법의 예를 설명하면 다음과 같다.

과거(예를 들어, 과거 1년 이전)의 하루 동안의 전력량 데이터들 각각에, 건물 설비의 에너지 수요를 예측하는 미래의 특정일의 예측 온도와 상기 과거 1년 이전의 전력량 데이터들 각각에 해당하는 온도를 포함하는 함수값을 곱(승산)한 후, 상기 승산된 전력량 데이터들의 평균 값을 구하여 미래 특정일의 하루 동안의 건물 전력량 데이터가 예측될 수 있다. 미래 특정일의 하루 동안의 건물 전력량 데이터를 미래 특정일의 예측 온도로 나눈 값은 해당 건물의 온도가 1(℃) 변화할 때의 전력량을 지시(indication)할 수 있다. 예를 들어, 과거의 하루 동안의 전력량 데이터들이 제1 내지 제3 전력량 데이터로 3개 존재하다고 가정한다. 제1 전력량 데이터에 상기 함수값의 예인 25(℃)/30(℃)를 곱한 값과, 제2 전력량 데이터에 상기 함수값의 예인 26(℃)/30(℃)를 곱한 값과, 제3 전력량 데이터에 상기 함수값의 예인 32(℃)/30(℃)를 곱한 값을 평균하여 미래 특정일에 사용되는 하루 동안의 건물 전력량 데이터가 예측될 수 있다. 상기 25(℃), 26(℃), 및 32(℃)는 각각 과거의 특정일의 온도이고, 30(℃)은 미래 특정일의 예측 온도이다.

한편, 상기 최소 자승법 및 차분 진화 알고리즘을 이용하여 습도를 고려(반영)한 미래의 특정일의 하루 동안의 전력량 데이터를 계산하는 수요 예측부(105)의 작용은, 전술한 온도를 고려(반영)한 미래 특정일의 하루 동안의 전력량 데이터를 계산하는 수요 예측부(105)의 작용의 예와 유사하므로, 그것에 대한 설명은 전술한 온도를 고려한 미래 특정일의 하루 동안의 전력량 데이터를 계산하는 수요 예측부(105)의 작용의 예에 대한 설명이 참조될 수 있다.

본 발명의 다른 실시예에 있어서, 전년 1년간의 온도에 따른 전력량 데이터 또는 전년 1년간의 습도에 따른 전력량 데이터를 이용하여 미래의 특정일에 사용되는 건물 설비의 시간에 따른 에너지 소비량을 예측할 때, Electricity Consumption Predictor인 Model Predictive Control Method, Optimization Pointing Method인 Golden Section Search Method, 또는 Probability Modeling of the Non-Gaussian in the noise과 같은 알고리즘이 사용될 수 있다.

지침부(110)는 수요 예측부(105)의 예측 결과에 대해 실시간 전력요금, 건물설비의 출력 가능 용량, 및 상기 건물설비의 최고 효율을 반영하여 상기 미래의 특정일에 건물설비의 에너지 소비 비용 절감을 위해 사용될 수 있는 건물 설비의 하루 동안의 시간에 따른 최적의 에너지 사용 지침 데이터를 생성할 수 있다. 상기 에너지 사용 지침은 건물 설비를 제어하기 위한 제어부(115)에 제공될 수 있고, 분산제어(time shift control)(일일 전력 소비량, 및 전력요금 예측을 근거로 하여 전기 요금이 가장 쌀 때 전기 에너지를 저장하고 전기요금이 가장 비쌀 때 건물 설비를 최적의 효율로 사용하도록 하는 제어)를 위한 기준 지침으로 사용될 수 있다. 건물설비의 최고 효율은 예를 들어 설명하면 다음과 같다. 건물의 빙축열 설비의 경우, 3(℃)의 온도에서 최고의 출력 효율을 발생할 수 있고, 건물의 축전지 설비의 경우, 방전시간을 최적의 방전시간(예를 들어 3 시간)으로 길게 하는 경우 축전지의 충전 에너지가 최고 비율(예를 들어 60(%))로 방전될 수 있다.

제어부(115)는 추종 제어부(estimation unit)로 언급될 수 있고, 일정시간 단위로(예를 들어 실시간 전기 요금의 부과 단위 시간인 15분마다) 지침부에 의해 생성된 에너지 사용 지침 데이터를 근거로 하여 건물 설비들 각각의 온(on) 동작 및 오프(off) 동작을 제어할 수 있다. 즉, 본 발명은 과거(예를 들어 전년 1년간)의 전력량과 환경요소(온도, 습도, 요일, 또는 계절)를 근거로 하여 건물의 에너지 소비량을 예측하고, 상기 예측된 에너지 소비량을 실시간 전기 요금 등을 고려하여 변경된 에너지 사용 지침 데이터를 제공하고, 건물 설비가 상기 제공된 사용 지침 데이터를 추종(tracking)하여 일정시간(예를 들어 15분)마다 에너지를 소비하는 방법을 제공할 수 있다.

전술한 바와 같이, 본 발명은, 미래의 특정일에 사용되는 건물의 에너지에 대한 예측(prediction)(수요예측)을 수행하고, 상기 예측된 건물 에너지를 기준으로 에너지 자원의 최적제어를 통해 만들어 낼 수 있는 최적의 에너지 사용을 위한 지침(indication)을 제공한다. 상기 최적제어는, 예를 들어, 분산 제어(time shift)를 포함할 수 있고, 상기 분산 제어를 통해 건물 에너지 또는 건물 에너지 비용이 절감될 수 있다. 또한 본 발명은, 상기 최적의 에너지 사용을 위한 지침인 이상적인 지침을 기준으로 일정시간 단위로 현재 사용에너지의 상태를 반영하여 최적의 상태로 회귀 보정 제어하도록 하는 추종제어를 통하여 건물 에너지의 사용량을 제어할 수 있다.

도 2는 본 발명의 실시예에 따른 건물 설비의 분산 제어 장치를 이용한 건물 설비의 분산 제어 방법(200)을 설명하는 흐름도(flow chart)이다. 분산 제어 방법(200)은 도 1의 건물 설비의 분산 제어 장치(100)에 적용될 수 있다.

도 2 및 도 1을 참조하면, 수요 예측 단계(205)에서 분산 제어 장치(100)에 포함된 수요 예측부(105)가 과거의 온도에 따른 전력량 데이터, 과거의 습도에 따른 전력량 데이터, 과거의 요일에 따른 전력량 데이터, 과거의 계절에 따른 전력량 데이터, 및 미래의 특정일의 예측된 온도, 예측된 습도, 요일, 및 계절을 근거로 하여 미래의 특정일에 사용되는 건물 설비의 하루 동안의 시간에 따른 에너지 소비량을 예측할 수 있다. 부연하여 설명하면, 수요 예측부(105)는 미래의 특정일 이전의 온도에 따른 건물 설비의 전력량 데이터, 상기 미래의 특정일 이전의 습도에 따른 건물 설비의 전력량 데이터, 상기 미래의 특정일 이전의 요일에 따른 건물 설비의 전력량 데이터, 상기 미래의 특정일 이전의 계절에 따른 건물 설비의 전력량 데이터, 상기 미래의 특정일에 예측된 온도 및 습도(온도 및 습도 정보), 및 상기 미래의 특정일에 해당되는 요일 및 계절(요일 및 계절 정보)을 근거로 하여, 상기 미래의 특정일에 사용되는 건물 설비의 하루 동안의 시간에 따른 에너지 소비량을 예측할 수 있다.

지침 생성 단계(210)에 따르면, 분산 제어 장치(100)의 지침부(110)가 수요 예측부(105)의 예측 결과에 대해 실시간 전력요금, 상기 건물설비의 출력 가능 용량, 및 상기 건물설비의 최고 효율을 반영하여 분산제어(time shift control)를 위한 상기 미래의 특정일에 건물설비의 에너지 소비 비용 절감을 위해 사용될 수 있는 건물 설비의 하루 동안의 시간에 따른 에너지 사용 지침 데이터를 생성할 수 있다.

ON/OFF 제어 단계(215)에 따르면, 분산 제어 장치(100)의 제어부(115)가 일정시간 단위로(예를 들어 15분마다) 지침부(110)에 의해 생성된 에너지 사용 지침 데이터를 근거로 하여 건물 설비의 온 동작 및 오프 동작을 제어할 수 있다. 제어부(115)는 건물이 가지고 있는 최대의 저장 가능한 에너지를 미리 계산하여 저장할 수 있다.

도 3은 도 1의 건물 설비의 전력 사용지침 생성장치(100) 또는 도 2의 전력 사용지침 제공방법(200)이 제공하는 출력 결과를 나타내는 그래프(graph)이다.

도 3에서 Estimate는 미래 특정일에 사용되는 건물 설비의 하루 동안의 시간에 따른 예측 전력량 데이터를 지시(indication)하고, indicator는 예측 전력량 데이터에 근거한 에너지 사용 지침 데이터를 지시하고, Tracking은 에너지 사용 지침 데이터에 따른 추종 제어 값을 지시한다. 도 3에서 Tracking은 막대형 그래프의 형태로 표시될 수 있고, 그래프의 가로축에 시간에 따른 실시간 전력요금 구간(low price, high price)이 예로서 도시되어 있다.

도 4는 도 1에 도시된 건물 설비의 분산 제어 장치(100)의 매트랩(matlab)의 구성을 나타내는 도면이다.

도 4를 참조하면, estimator는 도 1에 도시된 수요 예측부(105) 및 지침부(110)에 대응(해당)한다. estimator 내의 LS-SVR는 최소 자승법의 기능 블락(block)을 의미할 수 있고, DEA#1, Dynamic Model, 및 DEA#2는 차분 진화 알고리즘의 기능 블락을 의미할 수 있다.

estimator내의 Weight W는 건물 설비의 출력 가능 용량, 또는 최고 효율을 지시할 수 있다. estimator내의 Bias B는 과거의 요일에 따른 전력량 데이터, 또는 과거의 계절에 따른 전력량 데이터를 의미할 수 있다. Output(출력)인 SR-Index Reference는 건물 설비의 분산 제어 장치(100)의 출력을 지시할 수 있다.

도 5는 도 1의 장치(100)에 의해 생성되는 에너지 사용 지침 데이터를 이용한 건물 설비의 분산 제어(time shift)를 설명하는 그래프(graph)이다.

도 5에 도시된 바와 같이, 분산 제어는 시간대별 차등(3.5배) 요금에 따라 일일 비싼 요금대의 에너지 사용을 가장 저렴한 때로 이동하는 비용절감을 위한 제어 방법일 수 있다. 도 5에서 가로축은 하루 동안의 시간이고, 세로축은 전력(전력량)일 수 있다.

분산제어의 제어 방법은 일일 전력 소비량 및 전력요금 예측(예를 들어 도 1의 장치(100)에 의해 생성되는 에너지 사용 지침 데이터)을 근거로 에너지를 저장하고, 가장 비쌀 때 상기 저장된 에너지를 최적의 효율로 사용하는 방법을 의미할 수 있다. 분산제어의 제어 방법에 의해 비싼 요금 대(시간대)에 발생 가능한 예상 불가능한 잠재부하를 미리 사용함으로써 에너지 사용요금을 절감할 수 있다. 분산제어의 솔루션은, Load Sharing, Optimum nonlinear Discharging, 또는 Programing Logic Control(PLC)일 수 있고, 분산제어의 대상설비는 건물에 설치되는 빙축열 또는 축전지 등일 수 있다.

분산 제어에 대해 부연하여 설명하면 다음과 같다. 계약전력 요금제의 기본요금과 사용요금을 낮추기 위해, 균등 제어는 기본요금의 기준이 되는 피크전력을 낮추기 위해, 연간 최대 전력을 분석하여 최고로 낮출 수 있는 전력량을 산출하며, 이를 통해 최대 피크전력을 억제하도록 할 수 있다. 분산제어는 전력사용요금을 낮추기 위해, 전력요금이 보다 낮은 시간에 전력을 사용하도록 유도할 수 있다.

분산제어는 SR-Index와 연동될 수 있다. SR(smart regulation)-Index 방법의 일예는 한국특허출원번호 10-2011-0095135에 개시(disclosure)되어 있다.

SR-index에 의해 결정되는 Level 2 이상을 벗어나거나, Level 3의 Threshold에 도달되지 않는 경우 균등제어 모드인 “0” 단계(정상운전)를 구현하게 된다. 이 때, 도 1을 참조하여 설명된 분산 제어를 포함하는 SRMS(Smart Regulation Management system)의 Indicator는 가격 종속적으로 결정될 수 있다. 다만, Predictor와 Indicator의 차이를 전력량으로 환산하여 실시하는 것은 전술한 균등제어와 동일할 수 있다. Predictor와 Indicator의 차이를 전력량으로 환산하여 실시하는 것은 Energy Recharge Potential(예를 들어, 빙축열 또는 정류기)에 적절한 비율로 분배하고 분배된 값을 기준으로 Recharge를 추종제어 하도록 시행할 수 있다. 즉, 정류기 출력전압을 조절하여 방전 전류 값을 조정할 수 있고, 빙축열 또는 냉방기 밸브값을 조절하여 빙축열 출력 값을 조정할 수 있다.

도 6은 도 5를 참조하여 설명된 분산 제어, 및 균등 제어의 시뮬레이션(simulation) 결과의 일예를 나타내는 도면이다.

상기 분산 제어 또는 균등 제어에 적용되는 계약전력 요금제의 전기 요금산출방법의 일예는 다음과 같다. 월 전기요금=기본요금+사용요금=[(을)종 7430*(년중 최대피크]]+시간대별 사용요금이다. 피크 억제 제어(균등 제어)에 적용되는 것은 년 중 최대피크에 기준 단가를 곱한 값이 매월 기본요금이다. 예를 들어, 용산 KT T 사옥의 경우‘11년 피크 1437kw ⇒ 1238kw 이면 10676천원⇒9198천원으로 매월 1,478천원 절감되고, 년간 절감액이 약 17,743천원으로 총액 2.9%가 감소될 수 있다. 분산제어를 통해 16,575천원으로 총액 2.7%가 절감될 수 있다.

균등제어(피크제어) 및 분산제어를 통해 총 절감 5.6%= 31,151천원 (총 전기요금 615,741천원)이 될 수 있다.

도 7은 도 5를 참조하여 설명된 분산 제어, 및 균등 제어의 시뮬레이션(simulation) 결과의 다른 예를 나타내는 도면이다.

상기 균등제어(또는 피크제어)(Peak Control)는 년 중 최고 전력량을 낮춘 만큼(KW*7430원) 1년간 기본요금을 인하하는 제어방법일 수 있다. 분산 제어는 요금이 비싼 시간대의 소비를 싼 시간대로 유도하는 제어방법일 수 있다.

도 1을 참조하여 설명된 본 발명은 다음과 같은 KT-BEMS(케이티-건물 에너지 관리 시스템)의 구성에 적용될 수 있다. 상기 건물 에너지 관리 시스템은 전력량 감축을 통한 요금절감과 소비패턴제어(Peak control 또는 Time Shift)를 통한 요금절감을 수행하는 지능형 전사 에너지통합관리시스템일 수 있다.

상기 건물 에너지 관리 시스템은 스마트에너지 관리시스템(SEMS)으로서, 사용 에너지를 예측(Prediction), 지침(Indication), 및 추종(Estimation 또는 tracking)하도록 하는 에너지 균등제어 알고리즘을 만들고, 이 정책의 통제를 받는 인덱스(SR-Index)와, 에너지 경영(KPI)을 통해 건물의 에너지 비용을 지능적으로 절감하는 통합관리시스템일 수 있다. 에너지 경영(KPI)을 통해 건물의 에너지 비용을 지능적으로 절감하는 통합관리시스템의 일예는 한국특허출원번호 10-2011-0112984에 개시되어 있다.

상기 건물 에너지 관리 시스템은 KT 전사에너지를 통합 관리하는 통계 분석 및 광역관리 플랫폼일 수 있고, 전력에너지 관리시스템 EEMS(기존 N/W 에너지관리시스템 ELITE) 및 KT건물 에너지 관리시스템(BAS)의 정보를 바탕으로 KT 전사 에너지를 통계분석을 통한 에너지 절감의 최적제어 정책을 결정하고 정보를 제공하는 최상위 플랫폼일 수 있다.

상기 건물 에너지 관리 시스템은, 전술한 SRMT(Smart Regulation Management Theory), 균등제어(피크억제), Time-Shift(분산제어), Pattern(행위기반제어), SR-Index, 및 Energy Diamond와 같은 6개의 알고리즘 방법을 포함할 수 있다.

도 8은 도 1의 장치(100)에 의해 생성되는 에너지 사용 지침 데이터를 이용한 건물 설비의 분산제어의 시뮬레이션 결과의 예를 나타내는 도면이다. 도 8은 분산제어의 성능(performance)의 파형(wave form)을 나타낼 수 있다.

도 8에 도시된 분산제어는 시간대별 차등(163.2원⇒45.5원: 3.5배) 요금에 따라 비싼 요금대의 에너지 사용을 가장 저렴한 때로 사용시간을 이동하는 제어일 수 있고, 분산제어의 솔루션은, Load Sharing, Optimum nonlinear Discharging, 또는 Programing Logic Control(PLC)일 수 있고, 분산제어의 대상설비는, 저수조, 정화조, 하/중수, 히트펌프, 정류기, 축전지, 빙축열, 냉방기, 또는 축열조 등일 수 있다.

전술한 균등제어는 연간 최대 피크전력을 낮춰 기본요금을 억제하는(KW당 7460원)제어일 수 있다. 균등 제어의 제어방법은, 년 중 1~3회 나타나는 최대 전력사용량을 계산하여 허용 가능한 최적 점을 찾고, 이를 제어함으로써 기본요금 단가를 낮추는 제어를 의미할 수 있다. 균등 제어의 솔루션은, 예를 들어, linear Control, Load Sharing, 또는 Golden Section Search Method일 수 있고, 균등 제어의 대상설비는, 건물에 설치되는 축전지, 발전기, 빙축열, 또는 축열조 등일 수 있다.

균등 제어에 대해 부연하여 설명하면 다음과 같다. 계약전력 요금제의 기본요금을 낮추기 위해, 균등 제어는 기본요금의 기준이 되는 피크전력을 낮추기 위해, 연간 최대 전력을 분석하여 최고로 낮출 수 있는 전력량을 산출하며, 이를 통해 최대 피크전력을 억제하도록 할 수 있다.

균등제어는 전술한 SR-Index와 연동될 수 있다. Golden Pointing Algorithm으로 결정되는 Level 3의 Threshold(감소모드)를 통과하면 모드는 균등제어 모드인 “1” 단계를 구현하게 된다. 이 때, Predictor와 Indicator의 차이를 전력량으로 환산하고 이를 Energy Recharge Potential(예를 들어, 빙축열 또는 정류기)에 적절한 비율로 분배하고 분배된 값을 기준으로 Recharge를 추종제어 하도록 시행할 수 있다. 즉, 정류기 출력전압을 조절하여 방전 전류 값을 조정할 수 있고, 빙축열 또는 냉방기 밸브값을 조절하여 빙축열 출력 값을 조정할 수 있다.

SRMT를 통한 SR-index와 연동하는 상기 분산제어 또는 균등제어의 범위를 벗어나는 경우의 제어방법을 설명하면 다음과 같다.

SR-index의 Zero Base Reference는 Indicate와 Estimated의 차를 이용한다. SR-index의 Level ± 1은 Energy Recharge(재충전) Potential로 Wide가 결정된다. SR-index의 Level ± 2는 Energy Saving Capable Potential for the pleasantness로 Wide가 결정되며 SR-index의 Level ± 1의 Threshold를 통과하면 Level ± 2가 stinger(유지)될 수 있다. SR-index의 Level 4(발전기 가동)는 별도의 Golden Pointing Algorithm로 결정된다. SR-index의 Level 3은 Energy Saving Capable Potential for the inconvenient level로 Wide가 결정된다. 단, Level 3은 Level 4의 Work-in Time를 위한 준비 단계이며 소비자는 inconvenience(불편)를 호소할 수 있기 때문에 장시간 지속되면 안 된다.

도 9는 본 발명의 다른 실시예에 따른 건물 설비의 전력 사용지침 생성장치(300)를 설명하는 블락 다이어그램(block diagram)이다.

도 9를 참조하면, 건물 설비의 전력사용지침 생성장치(300)는 도 1에 도시된 건물 설비의 전력사용지침 생성장치(100)를 보다 구체화한 실시예일 수 있다. 건물 설비의 전력사용지침 생성장치(300)는 서버(server)로 구현될 수 있다.

건물 설비의 전력사용지침 생성장치(300)는, 계약전력요금제가 적용되는 건물 설비에 대한 전력사용지침 생성장치로서, 입력부(305), 수요 예측부(310), 및 지침부(340)를 포함한다. 상기 계약전력요금은 기본요금과 사용요금의 합으로 계산될 수 있고, 기본요금은 연중 15분 동안의 최대 전력 사용량인 피크 전력(KW)과 계약 종별 기준단가를 곱한 값에 계약전력에 따른 요금을 더한 값(예, 계약전력+연중 최대피크*7790원)으로 구할 수 있고, 사용요금은 시간당 전력(KW)(또는 시간당 전력사용량)*해당 시간대 단가(원/KW)로 구할 수 있다.

입력부(305)는, 전력사용지침 생성장치(300)의 사용자 또는 다른 장치(서버)를 통해, 수요 예측부(310) 및 지침부(340)에 사용되는 과거 전력 소비량 및 실시간 전력요금 등의 정보를 입력받을 수 있다.

수요 예측부(310)는, 건물 설비의 현재 전력 소비량 이전의 과거 전력 소비량들과, 상기 건물 설비 외부의 현재 온도 이전의 과거 온도에 대해 최소 자승법(least square support vector machine) 및 차분 진화 알고리즘(differential evolution algorithm)을 적용하여 현재 전력 소비량 이후(직후)의 미래 특정일에 사용되는 건물 설비의 하루 동안의 시간에 따른 최종 예측 전력 소비량을 출력할 수 있다(구할 수 있다).

본 발명의 다른 실시예에 있어서, 수요 예측부(310)는, 서포트 벡터 머신부(support vector machine unit, 315), 다이내믹 모델부(dynamic model unit, 320), 합산부(325), 서포트 벡터 머신 업데이트부(support vector machine update unit, 330), 및 모델 업데이트부(335)를 포함한다.

서포트 벡터 머신부(315)는, 상기 과거 전력 소비량들에 대해 상기 최소 자승법을 적용하여 상기 미래 특정일의 예측 전력 소비량과, 미래 특정일 1주일 전의 예측 전력 소비량을 생성할 수 있다.

모델 업데이트부(335)는, 미래 특정일 1주일 전의 실제 전력 소비량과, 상기 미래 특정일 1주일 전의 예측 전력 소비량과의 차이값을 측정하고, 상기 측정된 차이값과, 미래 특정일 1주일 전과 2주일 전 사이에 포함된 7일간의 건물 외부 온도 평균과 미래 특정일 1주일 이전의 건물 외부 온도와의 차이(예를 들어 차이의 절대값)를 곱한 값을 최소화시키는 다이내믹 모델(dynamic model)(다이내믹 모델값)을 생성할 수 있다.

다이내믹 모델부(320)는, 상기 미래 특정일 이전(직전) 7일간의 온도 평균과 상기 미래 특정일의 예측온도 사이의 차이값을 상기 다이내믹 모델에 적용하여(예를 들어, 다이내믹 모델값을 상기 차이값으로 나누어(제산하여)) 미래 특정일의 온도에 따른 전력 소비량 변화량을 출력할 수 있다.

합산부(325)는, 서포트 벡터 머신부(315)에 의해 생성된 예측 전력 소비량과, 다이내믹 모델부(320)로부터 출력되는 전력 소비량 변화량을 합산하여 상기 최종 예측 전력 소비량을 출력할 수 있다(구할 수 있다).

서포트 벡터 머신 업데이트부(330)는, 합산부(325)로부터 출력되는 최종 예측 전력 소비량과, 건물 설비의 현재 전력 소비량 사이의 오차값을 계산하고, 상기 오차값을 최소화시키고 서포트 벡터 머신부(315)에 의해 사용되는 튜닝 파라미터를 업데이트시킬 수 있다.

지침부(340)는, 수요 예측부(310)(또는 합산부(325))로부터 출력되는 최종 예측 전력 소비량, 실시간 전력요금, 및 상기 건물설비의 축적 전기 에너지에 근거하여 상기 미래 특정일에 사용되는 건물 설비의 하루 동안의 시간에 따른 에너지 사용 지침 데이터를 생성할 수 있다. 상기 실시간 전기 요금(실시간 전력요금)의 부과 단위 시간는 15분일 수 있다.

지침부(340)는, 평균 연산부(345), 승산부(350), 및 합산부(355)를 포함한다. 평균 연산부(345)는 수요 예측부(310)(또는 합산부(325))로부터 출력되는 최종 예측 전력 소비량을 24 시간으로 나누어(제산하여) 최종 예측 전력(시간에 따른 최종 예측 전력)을 구할 수 있다.

승산부(350)는, 상기 최종 예측 전력과, 실시간 전력 요금과, 상기 실시간 전력 요금에 대한 가중치를 승산하여 출력할 수 있다.

합산부(355)는, 승산부(350)의 출력값과, 건물 설비의 축적 전기 에너지를 이용하여 낮출 수 있는 피크 전력량을 나타내는 바이어스 값(편차값)을 합산하여 상기 에너지 사용 지침 데이터를 출력할 수 있다.

상기 에너지 사용 지침 데이터에 의해 수행되는 건물설비의 분산 제어는, 상기 실시간 전력요금이 가장 비싼 구간에서 건물설비(예, 축전지 또는 빙축열 설비(빙축기))에 저장된 전기 에너지를 방전시키고, 상기 방전된 에너지는 수요 예측부(310)(또는 합산부(325))로부터 출력되는 최종 예측 전력 소비량과 기준 피크 전력량 사이에 해당하는 건물 설비의 소비 에너지(소비 예측 에너지)와 동일할 수 있다.

상기 기준 피크 전력량(후술하는 level 4에 해당하는 전력)은, 상기 미래 특정일 이전의 특정 기간 동안의 상기 건물 설비에 사용되는 피크 전력 감소에 따른 기본요금 절감곡선(기본요금 절감 값)을 산출하고, 미래 특정일 이전의 특정 기간 동안의 피크 전력 감소에 따른 사용 요금 절감 값을 산출하고, 미래 특정일 이전의 특정 기간 동안의 피크 전력 감소를 위해 동작하는 건물에 포함된 발전기에 의해 발생하는 발전 비용 값을 산출하고, 상기 기본요금 절감 값, 상기 사용 요금 절감 값, 및 상기 발전 비용 값의 합(합산)으로부터 건물 에너지 비용 값을 산출하고, 상기 건물 에너지 비용 값의 최소값을 산출하는 것에 의해 결정될 수 있다. 상기 기준 피크 전력량은 지침부(340)에 의해 계산될 수 있다.

본 발명의 다른 실시예에 있어서, 상기 실시간 전력요금이 가장 비싼 구간에서 전기 에너지를 방전시키는 건물 설비는 축전지이며 상기 축전지가 상기 실시간 전력요금이 가장 저렴한 구간에서 충전되도록 상기 축전지의 전압을 제어하는 정류기의 전압이, 예를 들어, 0으로 조정될 수 있다.

도 10은 도 9에 대응하는 기능 블록도이다. 즉, 도 9는 도 4에 대응하는 도면일 수 있다.

도 10 및 도 9를 참조하면, Estimator(추정기)는 도 9의 수요 예측부(310) 및 지침부(340)를 포함할 수 있다. Estimator에 포함된 LS-SVR은 도 9의 서포트 벡터 머신부(315)에 대응(해당)하는 Least-square Support Vector Machine으로서, 회귀 분석을 통한 예측을 수행하는 구성요소이다. c 및 sigma는 회귀 분석 기법인 LS-SVR의 튜닝 파라미터(Tuning parameter)이다. E_k(또는 E(t-w(k)))는 LS-SVR에 입력되는 과거 데이터(historical Data)로서, 현재를 기점으로 동일 요일의 과거 k번째 이전 주의 전력 소비량(전력 사용량)일 수 있다.

LS-SVR는 과거 전력 소비량(E_k)을 이용하여 미래 전력소비량(EP(t), EP(t-w(1))를 예측할 수 있다. EP(t)는 현재 해당 요일의 LS-SVR을 통해 예측된 전력 소비량이고, EP(t-w(k))는 현재를 기점으로 동일 요일의 과거 k번째 이전 주의 LS-SVR을 통해 예측된 전력 소비량일 수 있다.

LS-SVR는 과거 데이터(E_k)를 이용하여 각각의 요일 별 특성을 고려한 개별적 모델로 구성함으로써, 1주 단위의 요일 별 데이터를 이용하여 회귀분석(regression)할 수 있다. 기본적으로 지난 4주간의 동일 요일 별 데이터를 사용하도록 구성할 수 있으며, 시뮬레이션 결과 Training Data(학습 데이터)의 기간이 그 이상으로 늘어나게 되면, 더 안 좋은 Performance(성능)를 나타낼 수 있으므로 4주로 구성할 수도 있다.

LS-SVR는 E(t-w(5)), E(t-w(4)), E(t-w(3)), 및 E(t-w(2))의 전력소비량 데이터를 이용하여, EP(t-w(1))인 지난주 전력 소비량을 예측할 수 있다. EP(t-w(1))는 다음 단계의 도 9에 도시된 모델 업데이트부(335)에 대응하는 Model Updater에서 사용된다. 또한 LS-SVR는 E(t-w(4)), E(t-w(3)), E(t-w(2)), 및 E(t-w(1))의 전력소비량 데이터를 이용하여, EP(t)인 미래의 특정일(Target Day(목표일)) 전력 소비량을 예측할 수 있다. EP(t)는 온도변화에 최적화된 모델(Model)인 Estimator에 포함된 다이내믹 모델(Dynamic Model)과 종합하여 사용될 수 있다.

상기 LS-SVR(최소 자승법)에 대하여 설명하면 다음과 같다.

support vector machine(SVM)는 신경망을 학습시키는 더 나은 알고리즘으로서, 이진 분류 문제에서 두 클래스를 분류하는 아래의 [수학식 1]을 만족하는 초평면(Hyper plane 또는 maximum-margin hyperplane 또는 최적의 분리 경계면 또는 결정경계(decision boundary))을 찾는 알고리즘이다. 초평면의 제약조건(constraint)은 아래의 [수학식 2]와 같다.

[수학식 1]

[수학식 2]

[수학식 2]에서 선형함수(선형 판별함수)인 y = <w, x> + b = f(x)일 수 있다.

[수학식 1]은 다음의 [수학식 3]과 같은 최적분리면(Optimal Separating Hyper plane) 문제 또는 다음의 [수학식 4]와 같은 벌점항을 가지는 목적함수의 최적화 문제로 표현할 수 있다.

[수학식 3]

[수학식 4]

[수학식 4]에서 C는 훈련오류와 벌점간의 상대적 크기를 조절하는 벌점항 모수 또는 비용계수(cost coefficient)이고,

는 슬랙(slack) 변수이다.

[수학식 4]는 Support Vector Machine Regression(SVR)의 경우, 아래의 [수학식 5]로 표현될 수 있다.

[수학식 5]

[수학식 5]에서

는 슬랙(slack) 변수이고, [수학식 5]는 [수학식 3]의 최적화 문제를 풀기 위하여 오차(슬랙(slack) 변수)를 포함하는 식으로서 SVR에서의 최적화 문제에 대한 라그랑제(Lagrange) 함수로 언급될 수 있다.

입력공간(input space)의 비선형 학습 데이터(training data)들은 Kernel 함수에 의한 사상(커널 함수에 의한 고차원의 공간으로의 사상)으로 특징공간(feature space)(고차원 공간)에서 선형의 최적 분리 면을 찾을 수 있다. 이를 함수근사에 응용한 것이 SVM for Regression(회귀)이며 SVR이라고 지칭할 수 있다. 부연하여 설명하면, [수학식 5]와 같은 선형 SVR를 비선형 함수로 확장하기 위하여 커널 함수(Kernel function)를 이용한다. 또한 [수학식 5]와 같은 최적화 문제는 쌍대 문제(dual problem)(쌍대 목적함수)로 바꾸어 고려할 경우 간단히 풀릴 수 있다. [수학식 5]를 쌍대 문제로 설정하면 다음의 [수학식 6]과 같다.

[수학식 6]

[수학식 6]은 Kernel Function이 적용된 라그랑지(Lagrange) 함수의 Dual Problem로 언급될 수 있고, [수학식 6]에서 k(x_i, x_j)는 커널 함수를 지시한다. 상기 커널함수는, 예를 들어, Polynomial Kernel function(

), Gauss Kernel Function(RBF Kernel Function)(

), 또는 Sigmoid kernel function(

)일 수 있다. [수학식 6]을 만족하는 초평면을 구하는 식인 f(x)가 LS-SVR의 출력값(예측값)일 수 있고, x가 과거 전력 소비량 데이터일 수 있고, 상기 f(x)의 상수항 b 값은 Karush-Kuhn-Tucker 경계 조건들을 이용하여 결정될 수 있다. 상기 초평면은 고차원의 공간에서 최대 마진(maximum margin)을 갖는 선형 분리 초평면(linear separating hyperplane)을 의미할 수 있다.

전력소비량은 기온(온도)의 변화와 밀접한 관계를 가지고 있다. 그러나 LS-SVR만을 가지고는 급격한 온도변화로 인해 발생하는 전력 소비량의 변화는 예측할 수 없기 때문에, 온도의 변화에 따른 전력소비량과의 관계를 찾아내고 이를 접목시키는 것이 다이내믹 모델(Dynamic Model)로 표시된 다이내믹 모델부(320)와 DEA#2로 표시된 모델 업데이부(335)에서 이루어진다.

먼저, 온도와 전력소비량과의 관계를 수학적 기법을 이용해, 도 9의 다이내믹 모델부(320)의 dynamic model(Dynamics)을 갖는 1차 모델(Model)의 형태로 구현할 수 있다. 여기에서 실제 환경적 요인(온도)은 상황에 따라 전력소비량에 미치는 영향력이 변화하므로, 이에 모델(Model)의 동특성이 계속해서 변화하게 되는 가변적인 형태를 가지게 된다. 이러한 점을 해결하기 위하여 도 9의 모델 업데이트부(335)인 모델 업데이터(Model Updater)를 통하여 고정적 모델(Model)이 아닌, 가변적인 모델(Model)을 구현한다.

LS-SVR에서 예측한 지난주 전력 소비량(EP(t-w(1)))과 실제 지난주 전력 소비량(실제 데이터인 E(t-w(1))) 사이의 오차(error)를 최소화하도록 만들어 주는 모델(Model)을 구현하여, 이를 금번 예측량에 반영될 수 있도록 적용한다. 이 오차를 최소화하도록 하기 위하여 Optimization Algorithm(최적화 알고리즘)인 DEA(Differential Evolution Algorithm) 방법을 이용하여 모델(Model)의 파라미터(Parameter)들을 최적화하도록 한다. Estimator내의 DEA는 Differential Evolution Algorithm으로 최적화 문제를 풀어주는 구성요소이다. T_k는 다이내믹 모델(dynamic model) 또는 모델 업데이터(model updater)에 입력되는 과거 건물 외부의 온도(외기 온도)로서, 현재를 기점으로 동일 요일의 과거 k번째 이전 주의 온도일 수 있다. 상기 T_k는 현재 또는 미래 특정일의 건물 외부의 온도(미래 특정일의 온도 예보 정보)를 포함할 수 있다.

DEA(차분 진화 알고리즘)를 이용한 모델(Model)의 최적화 절차를 설명하면 다음과 같다.

첫 번째, 다른 날들에 비해 급격하게 발생되는 온도변화를 구하기 위하여, 이전 7일간의 온도 평균과 Target Day(목표일 또는 미래 특정일)의 온도 분포사이의 차이를 구하여 온도변화(temperature variation)를 구한다.

두 번째, 동일한 이유로, 지난주 동일 요일로부터, 이전 7일간의 온도 평균과, 지난주 동일 요일(Target Day - 7일)의 온도 분포사이의 차이를 구하여 온도변화를 구한다.

세 번째, LS-SVR로 예측한 지난주 전력 소비량과 실제 지난주 전력 소비량과의 차이를 에러(Error)로 측정하여, 상기 측정된 에러(Error)와 상기 두 번째에서 구한 온도 변화량을 곱한 결과를 최소화하도록 하는, 1차 모델(Model)에서 a, b 파라미터(parameter)를 찾는다.

네 번째, 상기 구현된 1차 모델(Model)을 상기 첫 번째 절차에서 구한 온도변화를 이용하여 지난주, 최적화된 Model을 목표일(target Day)의 온도변화에 적용한다.

다섯 번째, LS-SVR을 통하여 예측된 전력 소비 예측량(EP(t))과, 상기 구성된 1차 모델과 온도변화 사이의 관계를 종합하여 예측(Prediction) SVR과 모델(Model)이 합산된 결과인 최종 예측 전력 소비량(O_E_P)을 구한다.

다이내믹 모델(dynamic model)의 최적화 절차를 부연하여 설명하면 다음과 같다.

목표일(Target Day) 1주일 전의 실제 전력량 데이터와, LS-SVR을 이용하여 예측한(-5주부터 -2주까지의 데이터를 바탕으로) 예측 전력량 사이의 차이(error)를 이용하여 다이내믹 모델(Dynamic Model)을 구할 수 있다. 다이내믹 모델(Dynamic Model)은 b/(as+1)의 형태로 구하여 질 수 있으며, 여기에서의 a 및 b 각각은 tau(시정수)와, Gain(이득)을 말한다. 즉, b 및 a 각각은 외부 온도와 전력 소비량 간의 전달 함수의 이득(Gain), 및 Dynamics(동태 모델, 동역학 모델)를 결정하는 파라미터(Parameter)일 수 있다.

다이내믹 모델(Dynamic Model)은 온도가 1℃ 변했을 경우 전력 소비량이 얼마나 변하게 되는가를 나타내며, 이는 다음의 [수학식 7]과 같이 구하여 진다. 다이내믹 모델(Dynamic Model)는 기준일(목표일)의 온도변화가 다른 날들에 비하여 급격하게 변화하는 정도에 대한 척도(factor)인 온도변화를 포함할 수 있다.

[수학식 7]

에러(Error) = (전력소비량 - 예측 전력소비량) × 미래 특정일 이전 7일에서의 온도변화량 = 미래 특정일에서의 온도변화 × 다이내믹 모델(Dynamic Model)

예측된 값과 실제 전력소비량 사이의 에러(Error)는 온도 변화(0시부터 24시 사이의 온도변화) 때문에 생긴 것이라고 가정하고, 위 수식에서 에러(Error)를 최소화하는 다이내믹 모델(Dynamic Model)을 구하게 된다.

다시 말해, 에러(Error)를 최소화하는 최적화 문제를 풀게 되는 데, 최적화 DEA(차분 진화 알고리즘)를 이용하여 Solution(해)을 구하며, 다이내믹 모델(Dynamic Model)의 파라미터(Parameter) a, b를 구하게 된다.

이렇게 구해진 다이내믹 모델(Dynamic model)은 목표일(Target Day)에 사용되며, 목표일(Target Day)의 시간 단위 온도 예보와 다이내믹 모델(Dynamic model)을 이용하여(?) 온도변화에 따른 전력소비량 변화량을 얻게 되고, SVR을 이용하여 구한 전력소비량(EP(t))과 더해져, LS-SVR로 구현된 전력소비량과 온도변화에 따른 모델(Model)이 합쳐진 값의 그래프가 얻어질 수 있다. 부연하여 설명하면, 다이내믹 모델(dynamic model)은 온도변화와 전력 소비량 사이의 관계를 이용하여 모델을 예측하는 모델 예측 제어(model predictive control)이다. 그리고 업데이터(updater)를 이용하여 에러(error)를 최소화시키는 파라미터를 적용하여 다이내믹 모델(dynamic model)를 최적화시킬 수 있다.

estimator의 출력(output)인 O_E_P는 현재 해당 요일의 LS-SVR과 온도변화에 따른 다이내믹 모델(Dynamic Model)을 종합하여 예측된 최종 예측 전력 소비량이고, 도 9의 지침부(340)에 해당하는 Indicator의 입력(Input)으로 사용될 수 있다. 도 10의 우측 상부에는 O_E_P의 그래프의 예가 도시되어 있다.

전술한 DEA(차분 진화 알고리즘)에 대하여 부연하여 설명하면 다음과 같다.

DEA는 최적화(Optimization) 기법의 하나로서, 원하는 목적에 부합하도록 주요 파라미터(parameter)들을 최적화하는 최적제어 알고리즘(algorithm)이다. DEA는 최적화(Optimization) 기법 중 가장 널리 쓰이는 GA(genetic algorithm)와 달리 개체들을 이진수로 인코딩하는 과정이 없고 모집단을 이루는 개체들을 벡터들로 표현하여 이들의 산술적 연산을 통해 새로운 개체들을 생성한다. 즉, DEA는 GA보다 쉽게 구현이 가능하며 적은 수의 제어인자로 최적화 과정을 조절할 수 있다.

도 9의 서포트 벡터 머신 업데이트부(330)인 LS-SVR updater는 LS-SVR을 이용하여 예측(prediction)함에 있어서 가장 중요한 파라미터(parameter)인 C 및 Sigma(σ)를 최적화하여 최고의 성능을 보이는 예측(prediction) 값이 되도록 업데이트(update)하는 구성요소(part)이다. 상기 C 및 σ는 SVM 파라미터로서, C는 비용 계수이고, σ는, SVM를 학습시키는 데 필요한 커널함수인 가우시안 방사기저함수(radial basis function)(RBF 커널 함수)에서 RBF 함수의 대역폭(bandwidth)(또는 kernel parameter)일 수 있다.

LS-SVR Updater의 동작은 매 시간, 현재 전력 소비량이 계측된 후 이뤄지며 최적화에 사용된 알고리즘은 DEA(Differential Evolution Algorithm)이다. LS-SVR Updater에 입력(input)되는 E_T는 현재 해당 요일의 전력 소비량이다.

매 시간마다 현재 전력 소비량이 계측되면 이미 예측된 전력 소비량과의 비교를 통해 오차를 계산하고 이를 통해 나온 RMS(root mean square) error 값을 최소화 하도록 C, Sigma의 파라미터 튜닝(parameter tuning)을 한다. 상기 RMS 에러값(RMSE)은 아래와 같은 수학식으로 계산된다.

파라미터 튜닝(parameter tuning)이 이뤄지면 현재 시간까지 계측된 전력 소비량과 가장 유사한 예측(prediction) 값이 새로 산출이 되고 이는 이후 시간의 예측(prediction)에 있어서 좀 더 목표일(target day)의 전력 소비량과 가까운 모습을 띄게 된다.

부연하여 설명하면, LS-SVR Updater를 이용하여, 오차(Error)를 최소화시키는 파라미터(Parameter)를 추출하여 사용한다. 즉, 본 발명에서는 LS-SVR로 구현된 전력소비량과, 온도변화에 따른 모델과, 실제 전력소비 데이터와의 오차(Error)를 최소화하도록 LS-SVR의 파라미터(Parameter)인 σ, C를 최적화하여 적용할 수 있다.

도 9의 지침부(340)에 대응하는 indicator에 포함된 기능 블락(구성요소)을 도 10을 참조하여 설명하면 다음과 같다.

가중치(Weight) W는 SR-Index Reference의 조율을 위한 사용자 튜닝 파라미터(사용자 정의 tuning parameter)로서, SR-Index의 Reference에 실시간 가격 경향 및 상태를 반영하기 위한 가중치 파라미터(Parameter)이다. Weight(W)의 값(Value)는 SR-Index의 Reference에 반영되는 값으로 KPI(Key Performance Indicator, 에너지 주요성과 지표) 등 지표 관리(Management) 등의 변수로 활용될 수 있다.

바이어스(Bias) B는 SR-Index Reference의 조율을 위한 사용자 튜닝 파라미터(Tuning Parameter)로서, 실시간 가격(price, 실시간 전력요금)이 고려된 결과에 바이어스(Bias)를 적용해 줌으로써, SR-Index Reference의 전체적인 레벨(Level)을 조율하는 파라미터(Parameter)이다. Estimator를 적용할 대상의 “가용 가능한 축적된 에너지(Energy) 량”과 이를 이용해 낮출 수 있는 “피크(Peak) 전력의 총량”을 고려하여 바이어스(Bias) 값을 조정(Tuning)할 수 있다. Bias(B)는 각 국사(지역국)마다 “가용 가능한 축적된 에너지 량(빙축열, 축전지 등)”의 값을 가지고 피크(Peak) 전력을 낮추어 최적화를 위한 변수로 활용될 수 있다.

즉, 가중치(W) 및 바이어스(B)는 Estimator의 조정(tuning) 파라미터(parameter)들로서, SR-Index Reference 결과값을 조정(tuning)할 수 있다. Weight(W) 및 Bias(B)는 국사마다 다르며 최적화를 위한 기초 데이터를 최기(최적기)에 조정(tuning)하여 정하고 KPI 지표 등에 따라 값(value)을 조정하여 사용할 수 있다. 상기 조정 파라미터(Tuning Parameter) W, B는 앞으로 도출될 Indicator (기대 소비 전력 곡선)를 통해 자동으로 변경되도록 설계할 수 있다.

결론적으로, 지침부(340)에 의해 출력되는 값(O_SRIR)은 다음과 같은 수식으로 표현될 수 있다.

W(가중치)×(실시간가격)*(1/24)*(1일 최종 예측전력 소비량)+B(바이어스)

상기 O_SRIR는 현재(또는 미래 특정일의) SR-Index의 Reference, 즉 SR-Index의 정상 상태 레벨(level)을 지시하고, 상기 레벨의 단위는 예를 들어 KW또는 KWh일 수 있다. 도 10의 우측 하부에는 O_SRIR의 그래프의 예(분산제어를 위한 레벨)가 도시되어 있다.

전술한 본 발명은 스마트 에너지 관리 시스템(SEMS: Smart Energy Management System)에 적용될 수 있다. SEMS는 LS-SVR을 포함하는 알고리즘을 통해 에너지의 사용 정보를 예측하고 최적사용을 위한 지침을 마련하고 제어명령을 만드는 중앙 관리 시스템이다.

SEMS에 연동되는 통신용 전력에너지 관리 시스템(EEMS: Electric Energy Management System)은 수, 배전, 변전시스템 등과 안정된 전원의 공급을 요하는 통신용 수,배전 및 전원공급 설비를 관리하는 시스템이고, SEMS에 연동되는 건물에너지 관리시스템(BAS: Building Automation System)은 HVAC(냉난방 공조 설비) 등 기존 건물설비 관리 시스템의 지능화한 시스템이다.

스마트 에너지 관리 시스템(SEMS)은, 과거 전력사용량 및 기상예보, 현재 온도, 및 특정일자 등의 정보로 회귀분석을 통해 해당일의 전력 수요예측을 수행하고, 지난 1년간의 전력데이터를 분석하여 SR-Index(Level) ± 1~4의 9단계를 결정할 수 있다. 스마트 에너지 관리 시스템(SEMS)은, SR-Index(Index(지수 또는 레벨), Step, Predictor, Indicator)를 EEMS 및 BAS로 통보하고, EEMS 및 BAS는 SR-Index에 따라 최적화 제어를 수행할 수 있다.

도 11은 도 9의 지침부(340)의 다른 실시예를 설명하는 도면이다.

도 11을 참조하면, 입력(input) 정보인 O_E_P는 도 10의 Estimator를 통해 도출한 목표일(Target Day)의 예측 전력 수요량(소비량)(O_E_P)이고 단위는 15분 단위의 KWh일 수 있다.

입력정보인 Object_E는 목표 전력량(사용 전력량)으로서 빌딩(건물) 내 충전 설비를 통해 축적 가능한 전력량 이하 값으로 설정되고 단위는 KWh일 수 있다. 입력 정보인 Accuracy는 관리 시스템을 통한 설비 제어 시 전력량 정밀도이다.

입력정보인 p_price는 목표일(Target Day)의 시간별 전기요금으로서, 목표일(Target Day)의 15분 간격 시간별 전력요금(실시간 전력요금)이고 단위는 (원)일 수 있다.

입력정보인 모드(mode) 정보는 최적 모드(mode) 결정 정보로서 목표일(Target Day)의 전력 수요 예측 값(O_E_P)이 SR-Index의 Level 4를 초과하면 mode 1(최대 전력 수요량 최소화 mode)이고, 넘지 않으면 mode 0(전력량 요금 최소화 Mode)이다.

입력정보인 버프(Buf) 정보는 사용 전력량(Object_E) 대비 저장량 비율(%)로, 저장효율 등을 반영하고, 상황의 불확실성 또는 예상치 못한 순간적인 사용으로 인해 발생할 수 있는 손실량에 대비하기 위한 버퍼(Buffer) 정보일 수 있다.

출력부를 통한 출력(output) 정보인 Indicator_out은 목표일에서 00시~24시의 최적 전력 수요량으로, 동시에 해당 일의 SR-Index로 활용되며, 이 결과는 매일 00시에 도출될 수 있다.

지침부(340)에 해당하는 indicator에 포함된 최대 전력 수요량 최소화 계산부(calculation)(410)는, 입력부(405)를 통해 입력된 O_E_P, Object_E, Accuracy, 및 p_price 정보를 수신(분석)하여 목표일의 전력 수요 예측값이 SR-index의 레벨(level) 4를 초과하면 건물 설비의 최대 전력이 SR-index의 level 4이하로 되도록 하는 건물 설비들의 사용 지침(사용 패턴)을 생성할 수 있다. 즉, 최대 전력 수요량 최소화 계산부는 최대 피크 억제를 목표로 하는 최대 전력 수요량 최소화 Mode 1을 위한 사용 지침(Indicator)을 생성할 수 있다.

지침부(340)에 해당하는 indicator에 포함된 전력량 요금 최소화 계산부(415)는, 입력된 O_E_P, Object_E, Accuracy, 및 p_price 정보를 수신하여 목표일의 전력 수요 예측값이 SR-index의 레벨(level) 4 미만(이하)이면 건물 설비의 전력 요금이 최소가 되도록 하는 건물 설비들의 사용 지침을 생성할 수 있다. 즉, 전력량 요금 최소화 계산부는 비싼 구간에 저장된 에너지를 사용하는 전력량 요금 최소화 Mode 0을 위한 사용지침(Indicator)을 생성할 수 있다.

상기 모드(mode) 정보에 의해, 상기 최대 전력 수요량 최소화 계산부의 출력값 및 상기 전력량 요금 최소화 계산부의 출력값 중 어느 하나가 선택되어 출력 정보인 Indicator_out으로 출력될 수 있다.

지침부(340)에 해당하는 indicator에 포함된 전력 저장 효율 최대화 계산부(calculation)(420)는, 입력된 O_E_P, Object_E, Accuracy, 및 p_price 정보를 수신하여 전력 저장 설비의 저장 효율(충전 효율)을 최대화 할 수 있는 조건(예, 온도)을 계산하여 출력할 수 있다. 상기 출력값은 목표 전력량 대비 저장율 비율과 함께 출력 정보인 Indicator_out으로 출력될 수 있다.

도 11을 참조하여 본 발명의 실시예에 따른 지능형 에너지 소비 지침 생성 방법을 설명하면 다음과 같다.

지능형 에너지 소비 지침 생성 방법은 건물 에너지 소비지침 생성장치(indicator)(400)에 적용되고, 건물 에너지 소비지침 생성장치(indicator)(400)는, 입력부(405), 소비량 최소화 모드부(mode unit)(최대 전력 수요량 최소화 calculation)(410), 요금 최소화 모드부(전력량 요금 최소화 calculation)(415), 전력 저장 효율 최대화 계산부(420), 선택부, 및 출력부(MUX)를 포함할 수 있다.

지능형 에너지 소비 지침 생성 방법은 도 10의 Estimator에 포함된 수요 예측부(310) 또는 도 13을 참조하여 설명하는 지능형 에너지 소비 예측 방법을 통해 도출된 해당 빌딩의 목표일(Target Day, 미래 특정일)의 전력 예측 수요량을 이용해 목표일(Target Day)의 최적 전력 수요 곡선을 도출할 수 있다. 결과 도출을 위해 해당 빌딩의 에너지 저장 및 소비 관련 정보(Information)가 고려되어 신뢰성 높은 결과가 확보될 수 있다. 지능형 에너지 소비 지침 생성 방법(Indicator)를 통해 도출된 최적 전력 수요 곡선은 목표일(Target Day)에 SR-Index의 정상 운전 Range의 Center 값, 즉 Reference로 활용될 수 있다. Indicator는 매일 00시에 당일의 최적 전력 수요 곡선을 도출하며, 이는 해당 일의 SR-Index의 Reference로 활용될 수 있다.

건물 에너지 소비지침 생성장치(indicator)에 포함된 입력부(MUX)(405)가, 건물설비에 관한 현재 전력 소비량 이후의 미래 특정일의 예측 전력 소비량(O_E_P), 건물설비의 미래 특정일의 목표 전력량(Object_E), 및 미래 특정일의 시간별 전기 요금(실시간 전력요금)(p_price)을 수신할 수 있다.

건물 에너지 소비지침 생성장치(indicator)의 소비량 최소화 모드부(최대 전력 수요량 최소화 calculation으로서, mode=1)(410)는, 상기 수신된 예측 전력 소비량(O_E_P)이 기준 피크 전력량을 초과할 때, 도 14에 도시된 바와 같이, 상기 기준 피크 전력량을 초과하는 예측 전력 소비량을 상기 건물설비(예, 축전지, 빙축열 설비, 저수조 설비)가 목표 전력량(Object_E)으로 사용하도록 하는 제1 사용지침을 생성할 수 있다.

상기 기준 피크 전력량은, 상기 미래 특정일 이전의 특정 기간 동안의 상기 건물설비에서의 일별 전력 소비량 데이터에 대하여 전력비용 기반 및 전력량 기반의 절감 요소를 반영하여 상기 건물설비에서의 전력 사용량 절감 곡선(전력 사용량 절감 값)을 산출하고, 상기 전력 사용량 절감 곡선에 대하여 기본요금 절감 요소, 발전비용 요소, 및 전력요금 절감요소(사용요금 절감요소)를 반영하여 상기 건물설비에서의 총 에너지 비용 곡선을 산출하고 상기 총 에너지 비용 곡선을 이용하는 것에 의해 결정될 수 있다. 상기 전력비용 기반의 절감 요소는 도 10의 우측 하부에 도시된 분산 제어(indicate) 등에 의한 전력비용의 절감을 의미할 수 있고, 상기 전력량 기반의 절감 요소는 행위기반 스케줄링 제어 또는 상, 중, 하 저수조 패턴 스케줄링 제어와 같은 패턴 제어 등에 의한 전력량의 절감을 의미할 수 있다.

상기 총 에너지 비용 곡선을 이용하여 기준 피크 전력을 결정하는 방법은, 상기 전력 사용량 절감 곡선을 이용하여(전력 사용량 절감 곡선에 나타나는 일별 전력 사용량, 또는 피크 전력량을 이용하여) 상기 건물설비에서의 기본 요금 절감 곡선을 산출하고, 상기 기본 요금 절감 곡선을 이용하여 기본 요금 절감을 위해 동작하는 발전기의 일별 발전량에 따라 결정되는 건물설비에서의 발전 비용 곡선을 산출하고, 상기 발전 비용 곡선을 이용하여 상기 일별 전력 사용량 및 상기 일별 발전량에 따라 결정되는 상기 건물설비에서의 사용 요금 절감 곡선을 산출하고, 상기 기본 요금 절감 곡선, 발전 비용 곡선, 및 사용 요금 절감 곡선을 이용하여(예, 상기 기본 요금 절감 곡선, 발전 비용 곡선, 및 사용 요금 절감 곡선의 합으로부터) 상기 미래 특정일에서의 기준 피크 전력량을 결정하는 방법일 수 있다. 상기 발전 비용은 발전기의 동작 시간에 따른 유류 소모량 및 유류 단가에 따라 결정되는 비용을 의미할 수 있다.

상기 기본 요금 절감 곡선, 발전 비용 곡선, 및 사용 요금 절감 곡선을 이용하여 상기 미래 특정일에서의 기준 피크 전력량을 결정하는 방법은, 상기 기본 요금 감소 곡선, 발전 비용 곡선, 및 사용 요금 절감 곡선을 이용하여 건물설비에서의 총 에너지 비용 곡선을 산출하고, 상기 총 에너지 비용 곡선 상의 최소 에너지 비용에 대응하는 전력값을 상기 기준 피크 전력량으로 결정하는 방법일 수 있다.

상기 기본 요금 절감 곡선은 상기 특정 기간 동안의 일별 전력 사용량의 감소에 따른 기본 요금 변화량에 대한 곡선일 수 있고, 상기 발전 비용 곡선은 상기 특정 기간 동안의 일별 발전량에 따른 발전기 유류비 변화량에 대한 곡선(특정 기간 동안의 일별 전력 사용량의 감소에 따른 발전기의 비용 변화량에 대한 곡선)일 수 있고, 상기 사용 요금 절감 곡선은 상기 특정 기간 동안의 일별 발전비용 변화량에 따른 사용 요금 변화량에 대한 곡선(특정기간 동안의 일별 전력 사용량에 대응되는 사용요금과 발전비용의 차이값을 이용하여 특정기간 동안의 일별 전력 사용량에 따른 사용 요금 변화량에 대한 곡선)일 수 있다. 상기 특정 기간은 상기 미래 특정일을 기준으로 1년 이전일 수 있다.

본 발명의 다른 실시에 있어서, 상기 기준 피크 전력량은 건물 설비에서의 당일 피크 전력 결정 방법(또는 Golden Pointing Algorithm)에 의해, 결정될 수 있다. 상기 당일 피크 전력 결정 방법은, 당일(미래 특정일)을 기준으로 미리 결정된 기간(예, 당일을 기준으로 1년 전의 일로부터 당일 전의 기간) 동안의 피크 전력 감소에 따른 기본 요금 절감 곡선(기본요금 절감값)을 산출하고, 상기 미리 결정된 기간 동안의 피크 전력 감소에 따른 사용 요금 절감 곡선(상기 미리 결정된 기간 동안의 피크 전력 감소에 따라 절감된 전력량에 의한 사용 요금 감소분으로 도출된 사용 요금 절감 곡선)을 산출하고, 상기 미리 결정된 기간 동안의 피크 전력 감소를 위해 동작하는 상기 건물에 구비된 적어도 하나 이상의 발전기에 의해 발생하는 발전 비용 곡선을 산출하고, 상기 기본 요금 절감 곡선, 상기 사용 요금 절감 곡선, 및 상기 발전 비용 곡선의 합으로부터 건물 에너지 비용 곡선을 산출하고, 상기 건물 에너지 비용 곡선의 최소값에 대응하는 전력값을 상기 당일 피크 전력으로 결정할 수 있다. 상기 당일 피크 전력이 레벨 4에 해당하는 전력일 수 있다.

상기 제1 사용지침은, 상기 시간별 전기 요금이 비싼 구간(또는 가장 비싼 구간)에 사용되는 상기 예측 전력 소비량을 상기 건물설비가 상기 시간별 전기 요금이 저렴한 구간(또는 가장 저렴한 구간)에 상기 목표 전력량을 사용하도록 할 수 있다. 상기 건물설비는 축전지, 빙축열 설비, 또는 저수조 설비 등을 포함할 수 있다.

상기 건물 에너지 소비지침 생성장치의 요금 최소화 모드부(전력량 요금 최소화 calculation으로서, mode=0)(415)는, 상기 수신된 예측 전력 소비량(O_E_P)이 상기 기준 피크 전력량 이하일 때, 상기 시간별 전기 요금이 비싼 구간(또는 가장 비싼 구간)에 사용되는 상기 예측 전력 소비량을, 상기 건물설비가 상기 시간별 전기 요금이 저렴한 구간(또는 가장 저렴한 구간)에 목표 전력량(Object_E)을 사용하도록 하는 제2 사용지침을 생성할 수 있다. 상기 건물설비는 축전지, 빙축열 설비, 또는 저수조 설비 등을 포함할 수 있다.

상기 제1 사용지침 또는 상기 제2 사용지침에서 상기 건물설비는 최고 효율로 사용될 수 있다. 상기 건물설비의 최고 효율은, 상기 건물설비가 빙축열 설비인 경우 특정온도에서의 최고의 출력 효율이고, 상기 건물설비가 축전지인 경우 특정 방전시간으로 방전했을 때의 최고 효율일 수 있다. 상기 축전지 및 빙축열 설비의 최고효율지점(최적점)은 실험적으로 산출될 수 있다.

상기 제1 사용지침 또는 상기 제2 사용지침은 상기 건물설비의 소비 에너지가 절감될 수 있도록 상기 건물설비에 포함된 냉난방 공조 설비(HVAC)를 상기 시간별 전기 요금이 저렴한 구간(또는 가장 저렴한 구간)에 동작하도록 하는 지침을 포함할 수 있다. 상기 건물설비는, 냉난방 공조 설비 이외에, 공조기, 환기설비, 조명설비, 비데, 또는 온수기를 포함할 수도 있다. 상기 제1 사용지침 또는 상기 제2 사용지침은 상기 건물설비에 포함된 환풍기 및 냉방기 등의 시간에 따른 동작 스케줄(schedule)을 포함할 수 있다. 부연하여 설명하면, 상기 제1 사용지침 또는 상기 제2 사용지침은 상기 건물설비의 소비 에너지가 절감될 수 있도록 상기 건물설비에 포함된 냉난방 공조 설비 등을 상기 시간별 전기 요금이 저렴한 구간에 미리 동작하도록 하는 지침을 포함할 수 있다.

상기 제1 사용지침 또는 상기 제2 사용지침에서 상기 시간별 전기 요금이 비싼 구간(또는 가장 비싼 구간)에서 전기 에너지를 방전시키는 건물 설비는 축전지이며 상기 축전지가 상기 시간별 전기 요금이 저렴한 구간(또는 가장 저렴한 구간)에서 충전되도록 상기 축전지의 전압을 제어하는 정류기의 전압이 조정될 수 있다.

도 12는 도 9의 지침부(340)의 출력값을 이용하는 SR-Index 제어방법의 실시예를 설명하는 도면이다.

도 12를 참조하면, 도 12의 좌측 도면에 도시된 바와 같이, 미래 특정일의 전력 소비량을 예측한 결과 건물설비에 대한 분산 제어가 필요한 경우(예를 들어, 건물설비의 예측 전력 소비량이 레벨(level) 4 이하이고 건물 설비의 전력 요금을 최소로 할 필요가 있는 경우)로 사용지침이 정해진 경우, 건물 설비의 전력 사용지침 생성장치(300)에 포함된 indicator는 상기 사용지침에 따라 건물 설비의 SR-Index 제어대상에 대해 SR-Index 제어를 수행할 수 있다.

상기 레벨 4는, 건물 설비에서의 당일 피크 전력 결정 방법(또는 Golden Pointing Algorithm)에 의해, 결정될 수 있다. 상기 당일 피크 전력 결정 방법은, 당일(미래 특정일)을 기준으로 미리 결정된 기간(예, 당일을 기준으로 1년 전의 특정일로부터 당일 전의 기간) 동안의 피크 전력 감소에 따른 기본 요금 절감 곡선(기본요금 절감값)을 산출하고, 상기 미리 결정된 기간 동안의 피크 전력 감소에 따른 사용 요금 절감 곡선을 산출하고, 상기 미리 결정된 기간 동안의 피크 전력 감소를 위해 동작하는 상기 건물에 구비된 적어도 하나 이상의 발전기에 의해 발생하는 발전 비용 곡선을 산출하고, 상기 기본 요금 절감 곡선, 상기 사용 요금 절감 곡선, 및 상기 발전 비용 곡선의 합으로부터 건물 에너지 비용 곡선을 산출하고, 상기 건물 에너지 비용 곡선의 최소값에 대응하는 전력값을 상기 당일 피크 전력으로 결정할 수 있다. 상기 당일 피크 전력이 레벨 4에 해당하는 전력일 수 있다.

도 13은 본 발명의 다른 실시예에 따른 지능형 에너지 소비 예측 방법을 설명하기 위한 도면이다.

도 13을 참조하면, 빌딩의 전력 사용 관리 및 분배 효율성 극대화를 위한 건물 에너지 소비 예측 장치(500)는, 최소 자승 서포트 벡터 머신부(LS-SVR Part)(502) 및 보상부(Compensator Part)(504)를 포함한다. 상기 지능형 에너지 소비 예측 방법은 상기 건물 에너지 소비 예측 장치에 적용될 수 있고, 도 9 및 도 10을 참조하여 설명한 수요 예측부(310)의 동작(작용 또는 구성)과 유사한 동작을 수행할 수 있다.

최소 자승 서포트 벡터 머신부(LS-SVR Part)(502)는 건물 에너지 소비 예측 장치의 1차 예측 모델을 구하는 데 사용될 수 있고, 과거의 전력사용량과 최근의 전력 사용량을 이용해 전력 사용량에 대한 1차 예측 모델을 도출하는 기능을 수행할 수 있다. 지능형 에너지 소비 예측 방법에 있어서 LS-SVR 예측 모델 구성의 오차의 정도를 나타내는 중요한 영향을 주는 페널티(Penalty) 상수 감마(

)와 Kernel 함수로 사용된 Gaussian Function의 Width Parameter인 σ의 조정(tuning) 절차가 필요할 수 있다. 상기 감마(

)는 전술한 비용계수(C)의 1/2일 수 있다.

상기 파라미터 조정(tuning) 절차에 유전 알고리즘(GA), DEA, IA(Immune algorithm), PSO(Particle swarm optimization), 유전기법(차분진화 알고리즘의 일종)일 수 있는 실수코딩유전 및 황금분할탐색 알고리즘(GSS-RCGA, 또는 황금분할탐색 및 실수코딩유전 알고리즘), 또는 유전기법(차분진화 알고리즘의 일종)일 수 있는 다중 황금분할탐색 알고리즘(Multi-GSS) 등과 같은 최적화 방법이 적용될 수 있다. 상기 유전 알고리즘은 초기 모집단을 생성하고, 목적함수에 따른 적합도를 평가하고, 적합도가 높은(우성) 개체를 선택(selection)하고 Crossover와 Mutation 과정을 통해 새로운 개체를 생성하는 기법일 수 있다.

상기 GSS-RCGA는 잡종 교배가 동종 교배 보다 교배 개체군들 간에 자연 도태에서 유리한다는 유전학적 사실을 근거로 하여 RCGA(Real-coded genetic algorithm)와 GSS(Golden Section Search)의 융합을 통해 구현할 수 있고, GSS-RCGA 절차는 RCGA와, Crossover, Mutation, 및 적합도 평가 방식이 다른 기법일 수 있다. GSS-RCGA는 데이터의 수렴률 및 수렴속도가 4가지 광역 최적화 기법(Multi-GSS, GSS-RCGA, RCGA, DEA) 중 Multi-GSS 다음으로 우수할 수 있다.

상기 Multi-GSS는 GSS 방법의 탐색 차원을 확장시킨 방법으로서, GSS 방법을 2차원 이상의 탐색공간에서 사용하는 기법이고, 다중적 GSS를 활용한 Multi-GSS를 통해 다수의 Local optimum이 존재하는 2차원 탐색 공간에서의 Global optimum이 찾도록 구현될 수 있다. Multi-GSS에서, 한 세대(Generation)을 진행함에 있어 3번의 GSS를 거치게 되는데, 각 GSS의 종료 세대(Generation) 수는 설정된 개체(Individual) 수 N의 1/3을 가질 수 있다. Multi-GSS는 데이터의 수렴률 및 수렴속도가 4가지 광역 최적화 기법(Multi-GSS, GSS-RCGA, RCGA, DEA) 중 가장 우수할 수 있다. 실제 목표일(Target day)의 전력 수요량과 예측 모델간의 RMSE(표준편차: Root Mean Square Error)가 낮은 순서로 나열하면, GSS-RCGA → Multi-GSS → RCGA → DEA일 수 있다.

GSS(Golden Section Search, 황금분할탐색 알고리즘)를 이용한 두 가지 광역 최적화 방법은 다음과 같다. 첫 번째 방법인 GSS-RCGA는 GSS와 RCGA(Real-coded genetic algorithm)의 Hybrid(혼합) 방법이고, 두 번째 방법인 Multi-GSS는 기존 1차원 탐색 공간에서 Single 변수 탐색을 위한 GSS 방법의 다중적 구성을 통해 광역적 탐색 기법으로 확장시킨 방법일 수 있다. 상기 GSS-RCGA는 J. S. Kim, J. H. Jeon, and H. Heo, Hybrid DSO-GA-based sensorless optimal control strategy for wind turbine generators, Journal of Mechanical Science and Technology 27 (2) (2013) 549-556이 참조될 수도 있다.

상기 두 방법은 모두 최적지점 탐색을 위한 미분 정보 및 미분 절차를 이용하지 않아 연산의 복잡성 및 연산 Load 축소, 대상 시스템의 엄밀한 모델링 과정 축소의 장점을 가질 수 있고, 탐색 메커니즘 개선을 통해 기존 방법 대비 연산 속도 및 해의 Quality가 우수한 장점을 가질 수 있다.

최소 자승 서포트 벡터 머신부(LS-SVR Part)(502)는 제1 최소 자승 서포트 벡터 머신부(LS-SVR)(505), 제2 최소 자승 서포트 벡터 머신부(LS-SVR)(510), 제1 골든 섹션부(Dual Golden section)(515), 제2 골든 섹션부(Dual Golden section)(520), 및 실시간 업데이트부(Real-time updater)(525)를 포함할 수 있다.

제1 최소 자승 서포트 벡터 머신부(least square support vector machine)(505)는, 건물 설비의 과거 전력 소비량(예, E_1, E_2, E_3, E_4)에 대해 최소 자승 서포트 벡터 머신 회귀 알고리즘(LS-SVR)을 이용(적용)하여 상기 건물 설비의 현재 예측 전력 소비량을 생성할 수 있다. 상기 E_1, E_2, E_3, 및 E_4 각각은, 현재를 기준으로 5일 전 전력 소비량 데이터, 4일전 전력 소비량 데이터, 3일 전 전력 소비량 데이터, 및 2일전 전력 소비량 데이터일 수 있다. 본 발명의 다른 실시예에 있어서, 상기 과거 전력 소비량은, 상기 미래의 특정일 이전의 1년간의 데이터일 수 있다.

제2 최소 자승 서포트 벡터 머신부(least square support vector machine)(510)는, 실시간 업데이트부를 통해 전달된 상기 생성된 현재 예측 전력 소비량과 상기 건물 설비의 현재 전력 소비량(E_T)에 대해 최소 자승 서포트 벡터 머신 회귀 알고리즘(LS-SVR)을 이용하여 상기 건물 설비의 현재 전력 소비량 이후(직후)의 미래 특정일의 예측 전력 소비량(미래 특정일에 사용되는, 건물 설비의 하루 동안의 시간에 따른 예측 전력 소비량 또는 시간별 전력 소비 패턴(pattern), O_E_P_NO_Temp)을 생성할 수 있다. 상기 E_T는 목표일(target day)의 전력 소비량 데이터일 수 있다.

제1 골든 섹션부(515)는, 상기 생성된 현재 예측 전력 소비량과, 상기 현재 전력 소비량 1일전의 과거 전력 소비량(E_5)에 대해 실수코딩유전 및 황금분할탐색 알고리즘(GSS-RCGA) 또는 다중 황금분할탐색 알고리즘(Multi-GSS)을 이용(적용)하여 제1 최소 자승 서포트 벡터 머신부의 LS-SVR에서 사용되는 튜닝 파라미터(C, sigma)를 업데이트할 수 있다. 상기 튜닝 파라미터는 현재 예측 전력 소비량(또는 현재 전력 소비량 1일전의 과거 예측 전력 소비량)과, 현재 전력 소비량 1일전의 과거 전력 소비량(E_5) 사이의 오차값을 계산하고, 상기 오차값을 최소화시킬 수 있다.

제2 골든 섹션부(520)는, 상기 생성된 미래 특정일의 예측 전력 소비량과, 실시간 업데이트부를 통해 전달된 상기 현재 전력 소비량(E_T)에 대해 실수코딩유전 및 황금분할탐색 알고리즘(GSS-RCGA) 또는 다중 황금분할탐색 알고리즘(Multi-GSS)을 이용하여 제2 최소 자승 서포트 벡터 머신부의 LS-SVR에서 사용되는 튜닝 파라미터(C, sigma)를 업데이트시킬 수 있다. 상기 튜닝 파라미터는 현재 예측 전력 소비량과, 현재 전력 소비량(E_T) 사이의 오차값을 계산하고, 상기 오차값을 최소화시킬 수 있다.

보상부(504)는, 상기 건물 설비의 과거 전력 소비량과, 상기 건물 설비 외부의 현재 온도 이전의 과거 온도에 대해 최소 자승 서포트 벡터 머신 회귀 알고리즘(LS-SVR) 및 차분 진화 알고리즘(DEA)을 적용하여 미래 특정일의 온도에 따른 예측 전력 소비량 변화량(미래의 특정일에 사용되는 건물 설비의 하루 동안의 시간 및 온도에 따른 예측 전력 소비량 변화량)을 생성할 수 있다. 또한 보상부는, 상기 제2 최소 자승 서포트 벡터 머신부에 의해 생성된 미래 특정일의 예측 전력 소비량에 상기 생성된 예측 전력 소비량 변화량을 반영하여(예를 들어, 합산하여) 상기 건물 설비의 최종 예측 전력 소비량(O_E_P)을 출력(생성)할 수 있다.

상기 보상부에 포함된 모델 업데이트부는, 상기 미래 특정일 1주일 전의 실제 전력 소비량과, 미래 특정일 1주일 전의 예측 전력 소비량과의 차이값을 측정하고, 상기 측정된 차이값과, 미래 특정일 1주일 전과 2주일 전 사이에 포함된 7일간의 건물 외부 온도 평균과 미래 특정일 1주일 이전의 건물 외부 온도와의 차이를 곱한 값을 최소화시키는 다이내믹 모델(dynamic model)을 생성할 수 있다. 상기 보상부에 포함된 다이내믹 모델부는, 미래 특정일 이전 7일간의 온도 평균과 미래 특정일의 예측온도 사이의 차이값을 상기 다이내믹 모델에 적용하여 미래 특정일의 온도에 따른 전력 소비량 변화량을 출력(생성)할 수 있다. 보상부(504)에 입력되는 T_1 내지 T_5 각각은 현재를 기준으로 5일 전 건물 외부 온도, 4일전 건물 외부 온도, 3일 전 건물 외부 온도, 2일전 건물 외부 온도, 및 1일전 건물 외부 온도일 수 있다.

전술한 보상부에 대한 동작(작용 또는 구성)은 도 9 및 도 10을 참조하여 설명된 Estimator의 동작과 유사하므로, 전술한 보상부에 대한 동작(기능)에 관한 설명은 Estimator의 동작 설명이 참조될 수 있다.

본 발명의 다른 실시예에 있어서, 상기 보상부는, 상기 미래의 특정일 이전의 온도에 따른 건물 설비의 전력 소비량 또는 미래의 특정일 이전의 습도에 따른 건물 설비의 전력 소비량에 대해 최소 자승 서포트 벡터 머신 회귀 알고리즘(LS-SVR) 및 차분 진화 알고리즘(DEA)을 이용하여 미래 특정일의 온도에 따른 예측 전력 소비량 변화량을 생성할 수 있다. 또한 보상부는, 상기 제2 최소 자승 서포트 벡터 머신부에 의해 생성된 미래 특정일의 예측 전력 소비량에 상기 생성된 예측 전력 소비량 변화량을 반영하여(예를 들어, 합산하여) 상기 건물 설비의 최종 예측 전력 소비량(O_E_P)을 출력(생성)할 수 있다.

상기 LS-SVR 및 차분 진화 알고리즘에 의해, 상기 미래의 특정일 이전의 온도에 따른 건물 설비의 전력량 데이터를 이용하여 미래 특정일의 온도에 따른 예측 전력 소비량 변화량을 생성하는 방법은, 미래의 특정일 이전의 하루 동안의 전력량 데이터들 각각에, 미래의 특정일에 대한 예측된 온도와 미래의 특정일 이전의 전력량 데이터들 각각에 해당하는 온도를 포함하는 함수값을 승산한 후 상기 승산된 전력량 데이터들의 평균 값을 구하여 상기 온도에 따른 예측 전력 소비량 변화량을 생성하는 방법일 수 있다.

전술한 보상부에 대한 동작(작용 또는 구성)은 도 1, 도 2, 및 도 4를 참조하여 설명된 Estimator의 동작과 유사하므로, 전술한 보상부에 대한 동작(기능)에 관한 설명은 Estimator의 동작 설명이 참조될 수 있다.

전술한 최소 자승 서포트 벡터 머신(LS-SVR 또는 LS-SVM)에 대해 설명하면 다음과 같다. LS-SVM은 비선형 함수를 대표할 수 있는 라인 함수를 만들기 위해 활용될 수 있다.

LS-SVM은 입력 데이터(Input data)와 출력 데이터(Output data) 간의 정확한 상호 관계를 나타내는 비선형 함수를 추정하기 위해 아래의 [수학식 1-1]과 같은 수식을 이용하여 모델링할 수 있다. 상기 수식은, 가중치벡터, 기저함수, 및 바이어스(Bias)의 관계로 표현될 수 있다.

[수학식 1-1]

LS-SVM은 훈련 데이터 셋(Training data set)이 주어졌을 때 [수학식 1-1]을 정확히 추정해내는 데 있다. 따라서 [수학식 1-1]을 기저함수를 이용한 표현으로 수식을 바꾸면, 출력 데이터(Output data)는 아래의 [수학식 1-2]로 정의될 수 있다.

[수학식 1-2]

정규화된 최소 제곱법의 손실 함수는 w, b, e_i를 통한 최소화 문제로 구성되며 아래의 [수학식 1-3]과 같다.

[수학식 1-3]

[수학식 1-3]의 조건식 부분을 통해서 LS-SVM은 기존 SVM과 달리 SVM의 부등식 구속조건을 등식 조건으로 대체하여 사용한다는 것을 알 수 있다.

[수학식 1-3]의 감마(

)는 0 보다 큰 페널티(penalty) 상수 또는 정규화 상수로서, bias-variance trade-off(학습 오차)를 제어하기 위해 사용된다.

[수학식 1-3]과 같이 조건이 있는 최소화 문제를 풀기 위하여, [수학식 1-3]에 Lagrange multiplier를 적용해 제약 조건이 있는 최소화 문제를 효율적으로 해결하여 식으로 표현하면 [수학식 1-4]와 같다.

[수학식 1-4]

[수학식 1-4]에서,

은 Lagrange multiplier이다. Karush-Kuhn-Tucker(KKT) 조건에 의해, [수학식 1-4]가 최적이 되기 위한 First-order 조건은 아래의 [수학식 1-5]와 같다.

[수학식 1-5]

도 14는 도 11의 소비량 최소화 모드부(최대 전력 수요량 최소화 calculation)에 의해 생성된 사용지침에 따른 건물 설비인 축전지의 최적 방전 방법의 실시예를 설명하는 도면(그래프(graph))이다.

도 14를 참조하여 축전지의 최적 방전량 제어 및 충전 대기 제어 방법의 예가 설명된다. 상기 축전지(도 15의 V_B)는 피크 제어 또는 분산 제어(Time Shift)를 위한 건물 설비에 포함된 ESS(energy storage system)인 배터리(battery)로서, 도 15에 도시된 바와 같이, 정류기(V_R)의 제어에 의해, 외부 전력계통의 교류(AC) 전력이 변환된 직류(DC) 전력을 충전(저장)할 수 있다. 상기 충전된 전력은 건물 설비인 조명 설비와 같은 부하(Load)(R)에 제공될 수 있다.

건물설비(예, 빙축열 설비)에 대한 상기 분산(Time Shift) 제어는 다음날 소비량을 예측하여 최대 및 중 부하를 경 부하로 부하 분산하여 총 에너지량은 변함없이 전력요금만을 낮추어 국가 예비율을 높이는 기술로서, 빙축열과 냉방기의 에너지를 피크와 전력비용에 적합하게 조절하여 분산제어할 수 있고, 에너지 사용설비 중, 사용시간대의 인위적 이동이 가능한 설비를 대상으로 요금단가가 저렴한 시간대로 이용시간을 이동하여 전체적인 전기요금을 절감하기 위해 저수조 및 상, 하수도의 펌프를 요금이 저렴한 시간에 미리 기동하여 사용할 수 있도록 한다.

도 14에서 ①로 지시(indication)된 실시간 전력요금이 가장 비싼 구간(비싼 구간(High Price))에 가용한 축전지 방전량을 모두 사용 가능하도록 방전하는 방법은 아래의 수학식과 같다.

상기 수학식에서 Vb, i_b는 축전지 전압 및 전류이고, 상기 수학식의 좌측 항은 시간대별 계약전력요금제에서 총 방전 용량이고, 상기 수학식의 우측 항에는 축전지의 방전시간이 곱해질 수 있다.

도 14에서 ②로 지시된 구간에 있어서, 최고(최대)의 피크 전력을 억제하기 위해 최적화 솔루션(Gold Pointing Method)을 이용한 최적 포인트 산출방법을 통해 연중 피크 전력(상기 레벨 4)을 설정하고 일정하게 피크 전력을 제어하는 방법은 다음의 수학식과 같다.

상기 수학식의 우측 항에는 축전지의 방전시간이 곱해질 수 있다.

상기 축전지의 최적 방전량 제어 방법인 피크 제어(mode 1)는, 도 9 및 도 11을 참조하여 설명한 바와 같이, 상기 도 14에서 ①로 지시된 구간에서 계산된 방전량과 ②로 지시된 구간에서 계산된 전력량이 동일해지도록 하는 제어일 수 있다.

도 14에서 ③으로 지시된 구간에서 방전된 축전지(충전기)가 지속적인 충전을 하고자 하는 욕구가 있음에도 실시간 전력 요금이 저렴한 구간(low price)(가장 저렴한 구간)에 충전하도록 억제시키고 충전을 대기하도록 하는 방법을 설명하면 다음과 같다.

도 15 및 도 14를 참조하면, 상부 노드(node)에서 키르히호프 법칙에 의해 I₁ + I₂ - I₃ = 0 의 등식이 성립한다. 따라서 축전지 전류(I₂)는 0이므로 상기 등식은 I₁ = I₃이 된다.

따라서 정류기 전압(정류기 출력 전압)(V_R)을 지속적으로 제어하면 I₁ = I₃이 되고 축전지 출력 전류(I₂)가 0이 될 수 있다.

만일 기존의 피크억제 방식으로 축전지를 방전 후 즉시 충전한다면, 동일 조건하에서 피크억제를 통한 이득은 있을 수 있으나, 전력요금 손실은 불가피할 수 있다.

한편, 상기 도 14에서 ①로 지시된 구간에서 최적의 방전을 시행하고도 남은 전력이 있는 경우, 중간부하(실시간 전력요금이 중간인 시간 구간에서의 부하)에 사용하는 방법은 아래의 수학식과 같다.

도 16은 도 11에 도시된 요금 최소화 모드부(mode 0)에 의한 건물설비의 제어순서 결정방법의 실시예를 설명하는 도면(time chart)이다.

도 16을 참조하면, 각 단계 별 기동/정지 시간(Start/Stop Time), 신호(Signal), 방전/충전의 합(Discharge/Charge Summation)은 요금 최소화 모드부(Algorism 또는 algorithm)가 제공할 수 있다. 운용자는 요금 최소화 모드부에 대상 설비 총량을 입력할 수 있다. 예를 들어, 정류기(축전지), 또는 빙축열 설비의 총량이 입력될 수 있다.

방전 지침(discharge Indicate)일 때 지정된 설비만이 가동되며, 요금 최소화 모드부(Algorism)의 합계(Summation) 지침을 따라야 한다.

대기 지침(stand by Indicate)에서는 설비 별로 최적 동작(Optimal Operation)(예, 사무기기 대기전력 절감 타임제어)을 수행할 수 있다. 즉, 지침(indicator)의 정의가 추종될 수 있다.

충전 지침(charge Indicate)에 따라 지정된 설비에서 방전(Discharge)된 양만큼 자동 충전(Charge)될 수 있다. 충전 합(Charge Summation)을 기준으로 최적효율 기반 균등 충전이 실시될 수 있다.

분산 제어 및 패턴 제어(Time Shift-Patten Control SET, 분산 제어 및 패턴 제어 지침)는 ①, ②, ...으로서, 대기 신호(Stand by Signal)를 기준으로 도 16의 시간표에서 순차 제어(Sequence Control on the Time Table)(예, 냉방기 순차제어와 같은 행위기반 스케줄링 제어)할 수 있다. 즉, 방전 지침(Discharge Indicate) 구간에서 발생될 수 있는 요소를 미리 설정할 수 있다. 단, 설정구간이 중복되지 않도록, 분산 제어 및 패턴 제어의 총량이 배분될 수 있다. 배치기준은 역산 순으로 엔탈피, 잠열, 빈도(사용빈도) 등을 고려하여 최적 설정할 수 있다. 상기 엔탈피, 잠열, 빈도는, 예를 들어, 건물설비에 포함된 공조기 등에 사용될 수 있다. 부연하여 설명하면, 분산 제어 및 패턴 제어(load shift 제어 스케줄)는, 최대부하 시간 이전에 주로 이용하는 고가수조 저장, 업무 시간 이전의 사전 냉/난방 등과 같이 부하의 집중을 분산하기 위하여 운용 시간대를 분산하도록 할 수 있다.

패턴 제어(Patten SET Control로서, 예를 들어, 냉방기 순차제어와 같은 행위기반 스케줄링 제어, 또는 상, 중, 하 저수조 패턴 스케줄링 제어)는 ①, ②, ... 으로서, 패턴제어(PS)는 도 16의 시간표에서 순차 제어(Sequence Control on the Time Table)할 수 있다. 즉, 방전 지침(Discharge Indicate) 구간에서 발생될 수 있는 요소를 미리 설정할 수 있다. 단, 설정구간이 중복되지 않도록, 패턴 제어의 총량이 배분될 수 있다. 배치기준은 역산 순으로 엔탈피, 잠열, 빈도(사용빈도) 등을 고려하여 최적 설정할 수 있다. 상기 엔탈피, 잠열, 빈도는, 예를 들어, 건물설비에 포함된 공조기 등에 사용될 수 있다. 부연하여 설명하면, 패턴 제어(load shift 제어 스케줄)는, 최대부하 시간을 피하여 고가수조 저장, 냉/난방을 할 수 있도록 운용 시간대를 분산하도록 할 수 있다.

도 17은 도 11에 도시된 소비량 최소화 모드부(mode 1)에 의한 건물설비의 제어순서 결정방법의 실시예를 설명하는 도면(time chart)이다.

도 17을 참조하면, 각 단계 별 기동/정지 시간(Start/Stop Time), 신호(Signal), 방전/충전의 합(Discharge/Charge Summation)은 소비량 최소화 모드부(Algorism)가 제공할 수 있다. 운용자는 소비량 최소화 모드부에 대상 설비 총량을 입력할 수 있다. 예를 들어, 정류기(축전지), 또는 빙축열 설비의 총량이 입력될 수 있다.

수시로 변동되는 방전 지침(Discharge Indicate)을 추종하기 위해, 소비량 최소화 모드부(Algorism)에서의 합(Summation)에 따른 지침(Indicate)에 따라 건물 설비가 지능 제어될 수 있다. 방출량이 총량을 기준으로 지능제어 됨으로써, Mode 1에서는 건물설비를 개별 제어하면 안 될 수 있다.

대기 지침(stand by Indicate)에서는 설비 별로 최적 동작(Optimal Operation)(예, 사무기기 대기전력 절감 타임제어)을 수행할 수 있다.

충전 지침(charge Indicate)에 따라 지정된 설비에서 방전(Discharge)된 양만큼 자동 충전(Charge)될 수 있다. 충전 합(Charge Summation)을 기준으로 최적효율 기반 균등 충전이 실시될 수 있다.

분산 제어 및 패턴 제어(Time Shift-Patten Control SET)는 ①, ②, ...으로서, 대기 신호(Stand by Signal)를 기준으로 도 17의 시간표에서 순차 제어(Sequence Control on the Time Table)(예, 냉방기 순차제어와 같은 행위기반 스케줄링 제어)할 수 있다. 즉, 방전 지침(Discharge Indicate) 구간에서 발생될 수 있는 요소를 미리 설정할 수 있다. 단, 설정구간이 중복되지 않도록, 분산 제어 및 패턴 제어의 총량이 배분될 수 있다. 배치기준은 역산 순으로 엔탈피, 잠열, 빈도(사용빈도) 등을 고려하여 최적 설정할 수 있다. 상기 엔탈피, 잠열, 빈도는, 예를 들어, 건물설비에 포함된 공조기 등에 사용될 수 있다. 부연하여 설명하면, 분산 제어 및 패턴 제어(load shift 제어 스케줄)는, 최대부하 시간 이전에 주로 이용하는 고가수조 저장, 업무 시간 이전의 사전 냉/난방 등과 같이 부하의 집중을 분산하기 위하여 운용 시간대를 분산하도록 할 수 있다.

패턴 제어(Patten SET Control로서, 예를 들어, 냉방기 순차제어와 같은 행위기반 스케줄링 제어, 또는 상, 중, 하 저수조 패턴 스케줄링 제어)는 ①, ②, ... 으로서, 패턴제어(PS)는 도 17의 시간표에서 순차 제어(Sequence Control on the Time Table)할 수 있다. 즉, 방전 지침(Discharge Indicate) 구간에서 발생될 수 있는 요소를 미리 설정할 수 있다. 단, 설정구간이 중복되지 않도록, 패턴 제어의 총량이 배분될 수 있다. 배치기준은 역산 순으로 엔탈피, 잠열, 빈도(사용빈도) 등을 고려하여 최적 설정할 수 있다. 상기 엔탈피, 잠열, 빈도는, 예를 들어, 건물설비에 포함된 공조기 등에 사용될 수 있다. 부연하여 설명하면, 패턴 제어(load shift 제어 스케줄)는, 최대부하 시간을 피하여 고가수조 저장, 냉/난방을 할 수 있도록 운용 시간대를 분산하도록 할 수 있다.

도 18은 도 11에 도시된 요금 최소화 모드부(mode 0)에 의한 건물설비의 제어순서 결정방법의 다른 실시예를 설명하는 도면(time chart)이다. 즉, 도 18은 Mode 0에서의 분산제어 지침(Time Shift) 또는 피크제어 지침(Peak Shift)으로서, 축전지(정류기)의 운전 방식 또는 빙축열 설비의 운전 방식을 나타낼 수 있다.

도 18을 참조하면, ①로 지시(indication)되고 시간별 전기 요금(실시간 전력요금)이 저렴한 시간 구간(또는 시간별 전기요금이 가장 저렴한 시간 구간)에서 정류기에 의해 충전 및 방전이 제어될 수 있는 축전지가 충전될 수 있다. ②로 지시되고 시간별 전기 요금이 중간가격인 시간 구간에서 축전지가 충전 대기(동작 중단)될 수 있다.

③으로 지시되고 시간별 전기 요금이 비싼 시간 구간(또는 시간별 전기요금이 가장 비싼 시간 구간)에서 축전지가 방전될 수 있다. ④로 지시되고 시간별 전기 요금이 중간가격인 시간 구간에서 축전지가 충전 대기될 수 있다.

⑤로 지시되고 시간별 전기 요금이 비싼 시간 구간에서 축전지가 방전될 수 있다. ⑥으로 지시되고 시간별 전기 요금이 중간가격인 시간 구간에서 축전지가 충전 대기될 수 있다.

⑦로 지시되고 시간별 전기 요금이 저렴한 시간 구간에서 축전지가 충전될 수 있다. 상기 축전지의 방전은 용량에 따라 제어될 수 있다.

도 19는 도 11에 도시된 소비량 최소화 모드부(mode 1)에 의한 건물설비의 제어순서 결정방법의 다른 실시예를 설명하는 도면(time chart)이다. 즉, 도 19는 Mode 1에서의 피크제어 지침(Peak Cut)으로서, 축전지(정류기)의 운전 방식 또는 빙축열 설비의 운전 방식을 나타낼 수 있다.

도 19를 참조하면, ①로 지시되고 시간별 전기 요금(실시간 전력요금)이 저렴한 시간 구간(또는 시간별 전기요금이 가장 저렴한 시간 구간)에서 정류기에 의해 충전 및 방전이 제어될 수 있는 축전지가 충전될 수 있다.

②로 지시되고 시간별 전기 요금이 중간가격인 시간 구간에서 축전지가 충전 대기(동작 중단)될 수 있다.

③으로 지시되고 시간별 전기 요금이 비싼 시간 구간(또는 시간별 전기요금이 가장 비싼 시간 구간)에서 축전지가 방전될 수 있다. 즉, 상기 소비량 최소화 모드부에 의해 목표 전력량이 기준 피크 전력량(level 4)이 되도록 축전지가 방전될 수 있다.

④로 지시되고 시간별 전기 요금이 중간가격인 시간 구간에서 축전지가 충전 대기될 수 있다. ⑤로 지시되고 시간별 전기 요금이 비싼 시간 구간에서 축전지가 방전될 수 있다. 즉, 상기 소비량 최소화 모드부에 의해 목표 전력량이 기준 피크 전력량(level 4)이 되도록 축전지가 방전될 수 있다.

⑥으로 지시되고 시간별 전기 요금이 중간가격인 시간 구간에서 축전지가 충전 대기될 수 있다. ⑦로 지시되고 시간별 전기 요금이 중간가격인 시간 구간에서 축전지가 충전될 수 있다.

⑧로 지시되고 시간별 전기 요금이 중간가격인 시간 구간에서 축전지가 충전 대기될 수 있다. ⑨로 지시되고 시간별 전기 요금이 중간가격인 시간 구간에서 축전지가 방전될 수 있다. 즉, 상기 소비량 최소화 모드부에 의해 목표 전력량이 기준 피크 전력량(level 4)이 되도록 축전지가 방전될 수 있다.

⑩으로 지시되고 시간별 전기 요금이 저렴한 시간 구간에서 축전지가 충전 대기될 수 있다. 상기 축전지의 방전은 상기 기준 피크 전력량이 초과되지 않도록 0.1V(volt)씩 다운(down)하여 제어될 수 있다.

본 실시예에서 사용되는 구성요소 또는 '~부'는 메모리 상의 소정 영역에서 수행되는 태스크, 클래스, 서브 루틴, 프로세스, 오브젝트, 실행 쓰레드, 프로그램과 같은 소프트웨어(software)나, FPGA(fieldprogrammable gate array)나 ASIC(application-specific integrated circuit)과 같은 하드웨어(hardware)로 구현될 수 있으며, 또한 상기 소프트웨어 및 하드웨어의 조합으로 이루어질 수도 있다. 상기 구성요소 또는 '~부'는 컴퓨터로 판독 가능한 저장 매체에 포함되어 있을 수도 있고, 복수의 컴퓨터에 그 일부가 분산되어 분포될 수도 있다.

이상에서와 같이, 도면과 명세서에서 실시예가 개시되었다. 여기서, 특정한 용어들이 사용되었으나, 이는 단지 본 발명을 설명하기 위한 목적에서 사용된 것이며 의미 한정이나 특허청구범위에 기재된 본 발명의 범위를 제한하기 위하여 사용된 것은 아니다. 그러므로 이 기술분야의 통상의 지식을 가진 자는 본 발명으로부터 다양한 변형 및 균등한 실시예가 가능하다는 점을 이해할 수 있을 것이다. 따라서 이 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의해 정해져야 할 것이다.

105: 수요 예측부
110: 지침부
115: 제어부
205: 수요 예측 단계
210: 지침 생성 단계
215: ON/OFF 제어 단계
310: 수요 예측부
315: 서포트 벡터 머신부
320: 다이내믹 모델부
325: 합산부
330: 서포트 벡터 머신 업데이트부
335: 모델 업데이트부
340: 지침부
345: 평균 연산부
350: 승산부
355: 합산부

Claims (7)

1. 지능형 에너지 소비 지침 생성 방법에 있어서,
   (a) 건물 에너지 소비지침 생성장치에 포함된 입력부가, 건물설비에 관한 현재 전력 소비량 이후의 미래 특정일의 예측 전력 소비량, 상기 건물설비의 미래 특정일의 목표 전력량, 및 상기 미래 특정일의 시간별 전기 요금을 수신하는 단계; 및
   (b) 상기 건물 에너지 소비지침 생성장치의 소비량 최소화 모드부가, 상기 수신된 예측 전력 소비량이 기준 피크 전력량을 초과할 때, 상기 기준 피크 전력량을 초과하는 예측 전력 소비량을 상기 건물설비가 상기 목표 전력량으로 사용하도록 하는 제1 사용지침을 생성하는 단계를 포함하며,
   상기 기준 피크 전력량은,
   상기 미래 특정일 이전의 특정 기간 동안의 상기 건물설비에서의 일별 전력 소비량 데이터에 대하여 전력비용 기반 및 전력량 기반의 절감 요소를 반영하여 상기 건물설비에서의 전력 사용량 절감 곡선을 산출하고, 상기 전력 사용량 절감 곡선에 대하여 기본요금 절감 요소, 발전비용 요소, 및 전력요금 절감요소를 반영하여 상기 건물설비에서의 총 에너지 비용 곡선을 산출하고 상기 총 에너지 비용 곡선을 이용하는 것에 의해 결정되는 지능형 에너지 소비 지침 생성 방법.
2. 제1항에 있어서, 상기 제1 사용지침은,
   상기 시간별 전기 요금이 비싼 구간에 사용되는 상기 예측 전력 소비량을 상기 건물설비가 상기 시간별 전기 요금이 저렴한 구간에 상기 목표 전력량을 사용하도록 하는 지능형 에너지 소비 지침 생성 방법.
3. 제1항에 있어서, 상기 지능형 에너지 소비 지침 생성 방법은,
   (c) 상기 건물 에너지 소비지침 생성장치의 요금 최소화 모드부가, 상기 수신된 예측 전력 소비량이 상기 기준 피크 전력량 이하일 때, 상기 시간별 전기 요금이 비싼 구간에 사용되는 상기 예측 전력 소비량을, 상기 건물설비가 상기 시간별 전기 요금이 저렴한 구간에 상기 목표 전력량을 사용하도록 하는 제2 사용지침을 생성하는 단계를 더 포함하는 지능형 에너지 소비 지침 생성 방법.
4. 제3항에 있어서,
   상기 건물설비는 축전지, 빙축열 설비, 또는 저수조 설비를 포함하는 지능형 에너지 소비 지침 생성 방법.
5. 제3항에 있어서,
   상기 제1 사용지침 또는 상기 제2 사용지침에서 상기 건물설비는 최고 효율로 사용되며,
   상기 건물설비의 최고 효율은, 상기 건물설비가 빙축열 설비인 경우 특정온도에서의 최고의 출력 효율이고, 상기 건물설비가 축전지인 경우 특정 방전시간으로 방전했을 때의 최고 효율인 지능형 에너지 소비 지침 생성 방법.
6. 제3항에 있어서,
   상기 제1 사용지침 또는 상기 제2 사용지침은 상기 건물설비의 소비 에너지가 절감될 수 있도록 상기 건물설비에 포함된 냉난방 공조 설비를 상기 시간별 전기 요금이 저렴한 구간에 동작하도록 하는 지침을 포함하는 지능형 에너지 소비 지침 생성 방법.
7. 제3항에 있어서,
   상기 제1 사용지침 또는 상기 제2 사용지침에서 상기 시간별 전기 요금이 비싼 구간에서 전기 에너지를 방전시키는 건물 설비는 축전지이며 상기 축전지가 상기 시간별 전기 요금이 저렴한 구간에서 충전되도록 상기 축전지의 전압을 제어하는 정류기의 전압이 조정되는 지능형 에너지 소비 지침 생성 방법.

Images