KR20180044700A - 고객 맞춤형 수요 반응 프로그램을 운영하는 수요 반응 운영 시스템 및 그 방법 - Google Patents
고객 맞춤형 수요 반응 프로그램을 운영하는 수요 반응 운영 시스템 및 그 방법 Download PDFInfo
- Publication number
- KR20180044700A KR20180044700A KR1020160138524A KR20160138524A KR20180044700A KR 20180044700 A KR20180044700 A KR 20180044700A KR 1020160138524 A KR1020160138524 A KR 1020160138524A KR 20160138524 A KR20160138524 A KR 20160138524A KR 20180044700 A KR20180044700 A KR 20180044700A
- Authority
- KR
- South Korea
- Prior art keywords
- customer
- event
- demand
- demand response
- participating
- Prior art date
Links
- 230000004044 response Effects 0.000 title claims abstract description 126
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000009467 reduction Effects 0.000 claims description 145
- 238000006243 chemical reaction Methods 0.000 claims description 53
- 238000011156 evaluation Methods 0.000 claims description 36
- 238000007726 management method Methods 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 19
- 238000004458 analytical method Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000010248 power generation Methods 0.000 claims description 15
- 238000011017 operating method Methods 0.000 claims description 2
- 230000005611 electricity Effects 0.000 abstract description 22
- 238000010586 diagram Methods 0.000 description 20
- 238000004422 calculation algorithm Methods 0.000 description 19
- 238000009826 distribution Methods 0.000 description 15
- 238000012790 confirmation Methods 0.000 description 13
- 230000009471 action Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 230000003542 behavioural effect Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 230000001965 increasing effect Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000007621 cluster analysis Methods 0.000 description 3
- 238000009792 diffusion process Methods 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000008450 motivation Effects 0.000 description 3
- 238000005303 weighing Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 230000001939 inductive effect Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 230000007115 recruitment Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000005728 strengthening Methods 0.000 description 2
- 230000002747 voluntary effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- IQLZWWDXNXZGPK-UHFFFAOYSA-N methylsulfonyloxymethyl methanesulfonate Chemical compound CS(=O)(=O)OCOS(C)(=O)=O IQLZWWDXNXZGPK-UHFFFAOYSA-N 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000000491 multivariate analysis Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- VEMKTZHHVJILDY-UHFFFAOYSA-N resmethrin Chemical compound CC1(C)C(C=C(C)C)C1C(=O)OCC1=COC(CC=2C=CC=CC=2)=C1 VEMKTZHHVJILDY-UHFFFAOYSA-N 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
-
- 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
- G06Q30/00—Commerce
- G06Q30/04—Billing or invoicing
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Finance (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Accounting & Taxation (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Educational Administration (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명은 고객 맞춤형 수요 반응 프로그램을 운영하는 수요 반응 운영 시스템 및 그 방법에 관한 것으로, 본 발명의 일실시예에 따른 고객 맞춤형 수요 반응 프로그램을 운영하는 수요 반응 운영 시스템은, 지역 및 시간별 수요반응(Demand Response, DR) 목표량을 계산하는 수요예측부; 상기 수요반응 목표량과 '이벤트 통지대상 고객의 수요반응 잠재량의 합산량'을 비교함에 따라, 수요반응 이벤트의 참여대상 고객을 선별하는 DR 참여고객 관리부; 상기 수요반응 목표량과 '참여대상 고객의 수요반응 잠재량의 합산량'을 비교함에 따라, 상기 참여대상 고객 중 수요반응 이벤트에 참여하는 참여고객을 선별하여 수요반응 이벤트를 생성하는 DR 이벤트 생성부; 및 상기 참여고객의 수요반응 이벤트 진행사항을 분석하는 DR 이벤트 시행부;를 포함한다.
Description
본 발명은 고객 맞춤형 수요 반응 프로그램을 운영하는 수요 반응 운영 시스템 및 그 방법에 관한 것으로, 구체적으로는 개별 고객의 수요 반응 특성을 바탕으로 고객을 세분화하여 참여 대상 고객을 선정하여 수요 반응 이벤트를 시행함으로써, 수요 감축량에 대한 예측과 수요 감축의 지속성을 확보하는 고객 맞춤형 수요 반응 프로그램을 운영하기 위한, 고객 맞춤형 수요 반응 프로그램을 운영하는 수요 반응 운영 시스템 및 그 방법에 관한 것이다.
미국 연방 에너지 위원회(Federal Energy Regulatory Commission)에서는 '수요반응(Demand Response, 이하 "DR"이라 함)'에 대해, 인센티브(incentive) 또는 가격에 의해 고객의 전기 사용 행위를 의도적으로 변화시키는 것으로 정의하였다.
이러한 DR 프로그램은 피크 부하 감축을 통한 전력공급의 신뢰성 확보와 함께, 고객의 효율적인 전기사용 사용 도모, 신재생에너지 및 분산전원의 보급 확대에 대한 전력시스템의 수용성 향상, 도매 전력시장의 거래가격 안정화 등과 같은 다양한 편익을 기대할 수 있기 때문에 미국 등 북미 지역을 중심으로 발달하고 있다. 특히, 스마트그리드 기술의 보급과 더불어 유럽, 일본 등에서도 DR 프로그램의 보급을 활발히 추진하고 있다.
DR 프로그램은 시행 목적에 따라 신뢰성 DR, 경제성 DR 등으로 구분되며, 수행 주체에 따라 유틸리티(utility), DR 사업자(Aggregator), 판매사업자(Retail) 등으로 구분할 수 있다.
DR 프로그램은 세부적으로 다양한 형태로 진행될 수 있지만, 대부분은 도 1과 같이 '고객모집→DR 이벤트 시행→이벤트 시행결과 평가→정산(인센티브, 요금 부과 등)' 등의 과정으로 이루어지고 있다. 도 1은 DR 프로그램 운영 절차를 나타낸 도면이다.
DR 프로그램 운영시에, 가정용, 소규모 상가 고객들은 수요 감축 불이행에 따른 페널티를 부과할 수 없기 때문에, 참여 여부를 예측하거나 수요 감축량을 정확히 추정하는데 어려움이 있다.
최근에는 고객들의 참여 여부를 예측하거나 수요 감축량을 추정하기 위해, 행동과학을 기반으로 하는 DR 프로그램에 대한 연구가 진행되고 있다. 또한, 미국의 글로벌 기업들은 이웃 간 전기사용량 비교 정보 제공, 전기 요금 시뮬레이션 정보 제공 등을 포함하는 DR 프로그램 운영 시스템(Demand Response Management System, 이하 "DRMS"라 함)의 개발이 시도되고 있다. 아울러, 효과적인 DR 프로그램을 운영하기 위하여, 실제 상황을 모사한 100명~20,000명 규모의 DR 실증 프로그램이 미국을 중심으로 100여 차례 수행되어 왔다. 이들 실증 프로그램을 통해 가격 시그널의 고객 수요 변화 효과 여부, 요금제도 설계(TOU, CPP, PTR, RTP 등)에 따른 차이, 산업용/상업용/가정용 고객에 따른 차이, 온도변화에 따른 차이, DR 프로그램 보급 기술(프로그램 서모스탯, 가정용 에너지 표시장치 등)의 효과, 고객에 대한 사전 교육 프로그램의 효과, 고객 피드백 효과 등에 대한 연구가 진행되어 왔다.
한편, 하절기 또는 동절기 최대 피크 전력수요를 낮추기 위해 시행되는 DR 이벤트는 전국 단위의 수요예측에 기반을 두어 시행 여부를 판단하는 형태로 진행된다. DRMS도 대부분 이러한 형태의 업무를 지원하도록 설계된다.
하지만, 최근에는 분산전원, ESS(energy storage system), EV(electric vehicle) 등의 보급 확산 정책에 힘입어 주택이나 상가 빌딩 등에서 태양광 패널, ESS 설치가 증가하고 있다. 이로 인해, 변전소 이하의 계통망 즉, 배전 단위에서의 전력 공급과 소비의 불확실성은 현재보다 현저하게 복잡하게 나타난다. 예를 들어, 배전 계통의 불확실성은 전국 단위의 전력 공급에 여유가 있더라도 특정 지역에 전력 공급이 부족한 상태로 나타나는 전력수급의 지역 불균형 현상을 초래할 가능성이 있다.
이와 같이, DR 프로그램 또는 DRMS에서는 특정 지역 단위로 DR 이벤트를 시행하는 것이 필요하지만, 현행 대부분의 DR 프로그램 또는 DRMS에서는 DR 이벤트를 시간별로 차별화하지 않을 뿐 아니라 전국 단위로 동일하게 시행하는 형태로 운영하고 있는 실정이다.
이처럼 DR 프로그램 또는 DRMS에서는 개별 고객의 DR 특성을 고려한 시스템이 필요하지만, 통상의 DR 프로그램 또는 DRMS에서는 참여 고객을 가정용, 상업용, 산업용 등으로 분류하는 수준으로 운영되며, 개별고객들의 DR 특성을 구분하거나, 이를 바탕으로 고객을 세분화하는 클러스터링 통계기법의 활용에 대해 잘 이루어지지 않고 있다.
미국을 중심으로 시행된 DR 실증 프로그램 결과 분석에서는, 가정용 고객을 가족 수, 아파트 등의 주거형태, 소득 등의 인구통계학적 변수, 프로그램 서모스탯, 가정용 에너지 표시장치(in-home display) 등 장치의 보유 여부 등을 구분하여 분석하는 사례들이 있으나, 이들 변수들을 DR 특성으로 체계화하여 DR 프로그램 및 DRMS에 활용한 사례는 없는 상황이다.
상업용 및 산업용 고객의 경우에는 대기업/중소기업의 기업 규모, 업종 및 생산품 분류 코드, 업종의 에너지 다소비 여부, 자가발전설비 보유 여부, 프로그램 서모스탯 보유 여부 등의 변수를 활용하여 고객을 세분화하는 방법이 사용된다. 이러한 구분은 개별 고객의 DR 특성을 기준으로 한 것이 아니라, 통상적인 산업분류나 규모 등의 외형적 변수를 기준으로 구분한 것이어서 실제 DR 특성과 상관성이 낮다.
이와 함께 DR 프로그램에서의 고객 분류에는 고객의 과거 전기사용데이터를 바탕으로 시간별 평균사용량을 추출하여 전기사용 프로파일을 구성하여 활용하는 방법이 사용된다. 이는 고객의 시간별 사용량을 정규화(normalization)하거나 일일 평균 사용량, 피크시간대 사용량, 오프피크 시간대 사용량 등을 추출하고, 여기에 클러스터링 통계 기법을 적용하여 고객을 몇 개의 그룹으로 세분화하고, 이들 고객의 기준부하를 추정하는 등으로 활용된다. 이러한 방식은 유사한 전기사용 프로파일을 가진 고객들 사이에 실제 DR 프로그램에서의 DR 형태에 차이가 있을 뿐 아니라, 업종 등으로 세분화된 고객 집단 내에서도 DR 특성에 큰 차이가 존재하기 때문에 실효성이 높지 않다. 이러한 구분은 여러 DR 실증 연구사례에서 자주 관찰되는 수요 감출량의 특정 고객 편중 현상, 즉 일부 고객이 프로그램 전체 수요변화량의 과반수를 차지하는 현상(예를 들어, DR 프로그램 참여고객의 20%가 전체 수요변화량의 80%를 점유하는 반면, 20%의 고객은 전혀 수요변화가 없는 경우)을 반영하지 못하게 되어 효과적인 DR 프로그램 운영에 도움이 되지 못한다.
전술한 바와 같이 DR 프로그램은 요금이나 인센티브 형태로 수요 감축 시그널을 제공하여 고객의 자발적인 참여에 의한 수요 감축을 간접적으로 유도하는 프로그램을 특징으로 한다. 하지만, 대규모 공장, 대형 건물 등을 제외한 가정이나 소규모 상가, 공장 등의 고객들은 수요 감축에 따른 인센티브가 크지 않아 DR 이벤트에 자발적으로 참여하기 어렵다. 더욱이, 이들 고객들은 고객 반발 등으로 수요 감축 불이행에 따른 페널티를 부과하기도 곤란하다.
이를 위해, 행동과학을 접목한 DR 프로그램 운영 방법이 제안된 바 있다. 즉, 이러한 방식에는 이웃 간 전기사용량 비교나 전기요금 시뮬레이션 정보 등을 제공하는 방법, 동일 커뮤니티에 있는 다른 고객들의 수요 감축 통계 데이터를 제공하여 가정용 소비자의 참여 유도를 촉진하는 방법 등이 있다. 이러한 방식은 소비자가 준거집단과의 비교에서 더 강한 동기를 부여받는다는 행동과학의 연구결과를 기초로 하여, 동일한 커뮤니티에 거주하는 이웃 주민들이 성향이 서로 비슷하여 동질감을 높다는 점에 착안을 한 것이다. 하지만, 가정용 고객은 같은 주거단지에서도 가족 구성, 소득, 직업 등에 따라 같은 지역에서도 주거 패턴과 그에 따른 에너지 사용패턴이 매우 상이하기 때문에 실효성에 한계가 있다.
따라서, 종래에는 신재생 분산전원, ESS, EV 등의 보급이 활성화된 환경에서 전국 단위의 수급 균형보다는 배전계통이 주로 담당하는 특정 지역 단위의 수급 균형이 중요하게 고려되어야 하므로, 특정 지역 단위로 DR 이벤트를 시행하여 DR 프로그램을 효과적으로 운영할 수 있는 방안이 제시될 필요가 있다.
아울러, 종래에는 작은 인센티브나 요금 혜택으로 고객의 DR 참여를 효과적으로 이끌어 내기 위해, 개별 고객의 DR 특성을 패턴화하고 이를 바탕으로 고객을 세분화하며 DR 프로그램 참여 대상 고객을 선정하는 방식을 통해, 개별 고객의 DR 특성을 고려하고 고객 참여를 유도할 수 있는 정밀한 DR 프로그램 또는 DRMS가 제안될 필요가 있다.
본 발명의 목적은 개별 고객의 수요 반응 특성을 바탕으로 고객을 세분화하여 참여 대상 고객을 선정함으로써, 수요 감축량에 대한 예측과 수요 감축의 지속성을 확보하는 고객 맞춤형 수요 반응 프로그램을 운영하기 위한, 고객 맞춤형 수요 반응 프로그램을 운영하는 수요 반응 운영 시스템 및 그 방법을 제공하는데 있다.
또한, 본 발명의 목적은 특정 지역의 전력 수요 예측과 해당 지역의 분산전원 발전량 예측 등을 종합하여 수요 반응 이벤트가 필요한 시간과 감축목표량을 개별 시간별로 다르게 설정하여 수요 반응 이벤트를 생성하여 제공하는데 있다.
또한, 본 발명의 목적은 개별고객의 부하특성, 수요 반응 특성과 수요 반응 프로그램 참여 이력 등이 통합된 클러스터링 통계 처리 기법과 기계학습(machine learning)을 적용하여 수요 반응 프로그램에 최적화한 고객 클러스터링 기법을 구현하는데 있다.
또한, 본 발명의 목적은 수요 반응 참여 대상고객의 우선순위에 따라 특정시간에 수요 반응 이벤트 참여 여부를 선별적으로 해당 고객에게 질의하고, 고객으로부터 참여 여부를 수신하여 수요 반응 이벤트 참여고객 리스트를 업데이트하는데 있다.
본 발명의 일실시예에 따른 고객 맞춤형 수요 반응 프로그램을 운영하는 수요 반응 운영 시스템은, 지역 및 시간별 수요반응(Demand Response, DR) 목표량을 계산하는 수요예측부; 상기 수요반응 목표량과 '이벤트 통지대상 고객의 수요반응 잠재량의 합산량'을 비교함에 따라, 수요반응 이벤트의 참여대상 고객을 선별하는 DR 참여고객 관리부; 상기 수요반응 목표량과 '참여대상 고객의 수요반응 잠재량의 합산량'을 비교함에 따라, 상기 참여대상 고객 중 수요반응 이벤트에 참여하는 참여고객을 선별하여 수요반응 이벤트를 생성하는 DR 이벤트 생성부; 및 상기 참여고객의 수요반응 이벤트 진행사항을 분석하는 DR 이벤트 시행부;를 포함한다.
상기 참여고객의 실제 사용량과 기준부하를 이용하여 수요반응량을 산정하고, 상기 수요반응량을 이용하여 수요반응 프로그램의 감축량을 평가하는 DR 감축량 평가부;를 더 포함한다.
상기 감축량 평가와 '요금 및 인센티브 산정기준'을 이용하여 상기 참여고객의 수요반응 이벤트 참여에 대해 정산하는 DR 참여고객 정산부;를 더 포함한다.
상기 참여고객의 수요반응 이벤트 참여에 대한 정산 결과를 상기 참여고객에게 통지하는 DR 이벤트 참여 결과 통지부;를 더 포함한다.
상기 수요예측부는, 지역 전력 총 수요량과 전국 전력 총 수요량을 이용하여 수요반응 이벤트가 필요한지를 예측하는 것을 특징으로 한다.
상기 지역 전력 총 수요량은, 지역별 고객 부하 프로파일, 지역별 기상데이터를 통해 확인되는 '지역 및 시간별 전력 수요량'과, 지역별 기상 데이터, 기상-신재생 발전량 상관 모형, 지역 신재생 발전 운영 정보를 통해 확인되는 '지역 및 시간별 분산전원 발전량'을 이용하여 예측되는 것을 특징으로 한다.
상기 전국 전력 총 수요량은, 외부로부터 전국 단위의 수요 예측 정보를 수신하여 확인되는 것을 특징으로 한다.
상기 DR 참여고객 관리부는, 상기 이벤트 통지대상 고객의 '시간별 수요반응 감축량'과 '수요반응 목표달성확률'에 대한 정보를 저장 및 관리하는 DR 참여고객 DB; 및 상기 이벤트 통지대상 고객의 '시간별 수요반응 감축량'과 '수요반응 목표달성확률'을 이용하여 수요반응 잠재량을 평가하고, 수요반응 잠재량 크기에 따라 고객 랭킹을 결정하여 참여대상 고객을 선별하는 참여 고객 선정부;를 포함한다.
상기 참여 고객 선정부는, 상기 참여대상 고객의 근무 또는 주거 상태에 따라, 해당 참여대상 고객이 수요반응 이벤트 통지 대상에서 제외되는 것을 특징으로 한다.
상기 DR 참여고객 관리부는, 상기 참여고객의 클러스터 부하패턴을 고객 클러스터링 통계처리 로직을 이용하여 분석하여 클러스터 부하패턴 정보와 수요반응 참여고객 클러스터 매칭 테이블을 생성하는 클러스터링 로직부; 및 상기 참여고객의 클러스터 부하패턴 정보를 라이브러리 형태로 형성하여 저장하는 클러스터 부하패턴 DB;를 포함한다.
상기 클러스터링 로직부는, 고객 클러스터링 통계처리 로직을 통해 '데이터 취득 및 오류 처리 단계(Data gathering and processing)', '클러스터 전처리 단계(Pre-clustering)', '클러스터링 단계(Clustering)', '클러스터링 후처리 단계(Post-clustering)'를 순차적으로 진행하는 것을 특징으로 한다.
상기 DR 참여고객 관리부는, 상기 DR 이벤트 생성부 및 상기 DR 감축량 평가부와 연동하여 정보를 주고받는 인터페이스 환경을 제공하는 인터페이스부;를 포함한다.
상기 DR 이벤트 생성부는, 상기 참여대상 고객 중 수요반응 이벤트에 참여를 동의하는 고객을 확인하여 상기 참여고객으로 선별하는 것을 특징으로 한다.
상기 DR 이벤트 시행부는, 상기 참여고객의 수요반응 이벤트 진행사항과 상기 참여고객과 동질 집단인 클러스터의 수요 반응 이벤트 진행사항에 대한 분석을 진행하고, 상기 분석결과를 매칭하는 것을 특징으로 한다.
상기 DR 이벤트 시행부는, 상기 참여고객의 수요 감축 실적, 상기 클러스터의 고객들의 수요 감축 통계 및 순위 정보를 상기 참여고객에게 제공하는 것을 특징으로 한다.
상기 DR 감축량 평가부는, 상기 DR 참여고객 관리부로부터 '참여고객의 계량데이터'와 '참여고객 클러스터 정보'를 전달받아 기준부하 추정산식 풀의 추정산식을 이용하여 상기 기준부하를 계산하는 고객 기준부하 추정부;를 포함한다.
상기 기준부하는, 개별고객 기준부하, 고객 클러스터 기준부하, 이벤트 참여고객 전체집단 기준부하가 포함되는 것을 특징으로 한다.
상기 DR 참여고객 정산부는, 상기 참여고객의 시간별 인센티브 금액, 시간별 목표달성 인센티브 금액, 시간별 사용량 요금을 이용하여 수요반응 참여 지급 금액을 산정하는 것을 특징으로 한다.
본 발명의 일실시예에 따른 고객 맞춤형 수요 반응 프로그램을 운영하는 수요 반응 운영 방법은, 지역 및 시간별 수요반응(Demand Response, DR) 목표량을 계산하는 단계; 상기 수요반응 목표량과 '이벤트 통지대상 고객의 수요반응 잠재량의 합산량'을 비교함에 따라, 수요반응 이벤트의 참여대상 고객을 선별하는 단계; 상기 수요반응 목표량과 '참여대상 고객의 수요반응 잠재량의 합산량'을 비교함에 따라, 상기 참여대상 고객 중 수요반응 이벤트에 참여하는 참여고객을 선별하여 수요반응 이벤트를 생성하는 단계; 및 상기 참여고객의 수요반응 이벤트 진행사항을 분석하는 단계;를 포함한다.
상기 참여고객의 실제 사용량과 기준부하를 이용하여 수요반응량을 산정하고, 상기 수요반응량을 이용하여 수요반응 프로그램의 감축량을 평가하는 단계;를 더 포함한다.
상기 감축량 평가와 '요금 및 인센티브 산정기준'을 이용하여 상기 참여고객의 수요반응 이벤트 참여에 대해 정산하는 단계;를 더 포함한다.
상기 참여고객의 수요반응 이벤트 참여에 대한 정산 결과를 상기 참여고객에게 통지하는 단계;를 더 포함한다.
본 발명은 전국 단위의 수요 반응 이벤트를 생성하고 모든 참여고객에게 동일한 수요 감축 시간대를 설정하여 운영하는 대신에, 특정 지역의 전력 수요 예측과 해당 지역의 분산전원 발전량 예측 등을 종합하여 수요 반응 이벤트가 필요한 시간과 감축목표량을 개별 시간별로 다르게 설정하여 수요 반응 이벤트를 생성함으로써, 분산전원, ESS, EV 등의 보급 확산이 진행된 시점에서 수요 반응 프로그램을 수급 균형에 효과적인 수단으로 활용할 수 있다.
또한, 본 발명은 개별고객의 부하특성, 수요 반응 특성과 수요 반응 프로그램 참여 이력 등이 통합된 클러스터링 통계 처리 기법과 기계학습(machine learning)을 적용하여 수요 반응 프로그램에 최적화한 고객 클러스터링 기법을 구현하여, 개별고객의 특정 시간 및 기온 조건의 수요 감축 잠재량을 예측하여 수요 반응 참여 대상고객의 우선순위를 도출할 수 있다.
또한, 본 발명은 수요 반응 참여 대상고객의 우선순위에 따라 특정시간에 수요 반응 이벤트 참여 여부를 선별적으로 해당 고객에게 질의하고, 고객으로부터 참여 여부를 수신하여 수요 반응 이벤트 참여고객 리스트를 업데이트함으로써, 수요 반응 프로그램의 비용 효과성을 높일 수 있을 뿐만 아니라, 시간별 수요 감축량 예측의 정확성을 높일 수 있다.
또한, 본 발명은 고객에게 수요 반응 이벤트 참여 여부를 질의하기 전에, 해당 고객의 부하패턴과 직전의 전기사용량 정보를 종합하여 가정용 고객의 재택 여부와 업무용 고객의 정상근무 여부를 판단함으로써, 고객이 수요 반응 행위를 할 수 없거나, 아무런 행위 없이도 인센티브나 정산금을 수령하는 등의 무임승차(free rider)가 발생하는 것을 방지할 수 있다.
또한, 본 발명은 문자메시지(SMS), 이메일 등을 통해 수요 반응 이벤트가 있음을 고객에게 알려주는 단순 통지 기능을 이용하지 않고, 수요 반응 이벤트에 대한 고객의 참여 여부를 직접 질의하면서 고객 스스로 수요 감축 목표량을 설정하는 환경을 제공할 수 있다.
또한, 본 발명은 수요 감축량에 해당하는 요금절감 또는 인센티브 등을 단순하게 제공하는 것이 아니라, 수요 감축량에 대한 인센티브와 수요 감축 목표 달성에 대한 인센티브로 세분화하여 제공함으로써, 수요 감축을 위한 고객들의 적극적인 수요 반응 행위를 유도할 수 있다.
또한, 본 발명은 수요 반응 이벤트 중간 시점에서 수요 감축량 정보와 감축목표 달성 가능성에 대한 추정결과를 제공하여 고객의 관심을 제고함과 동시에, 유사 클러스터 고객들의 감축량 통계 정보와 해당 고객의 순위 정보를 동시에 제공함으로써 고객들의 경쟁심을 유발하고, 수요 감축을 위한 팁 정보를 제공하여 고객들이 수요 감축에 적극적인 활동을 유도할 수 있다.
또한, 본 발명은 수요 감축량과 정산금액 등의 단편적인 정보를 제공하지 않고, 유사 클러스터 고객들의 감축량 및 감축목표 달성에 관한 통계정보와 해당 고객의 순위 정보를 제공함으로써 고객들이 다른 고객들에 비하여 수요 감축을 어느 정도로 달성하였는지 파악할 수 있게 한다.
또한, 본 발명은 해당 고객과 유사 클러스터 고객들의 수요 반응 프로그램 참여 이력에 대한 통계 정보와 순위 향상 팁 정보를 제공함으로써 고객 스스로가 수요 반응 성과 향상을 위한 개선 방향을 찾을 수 있도록 지원할 수 있다.
또한, 본 발명은 수요 반응 이벤트 참여에 대한 해당 고객의 만족도, 다음 수요 반응 이벤트에 대한 참여 의향 정보를 취득하여 고객 정보에 업데이트함으로써, 수요 반응 프로그램 운영의 개선을 도모할 수 있다.
도 1은 DR 프로그램 운영 절차를 나타낸 도면이다.
도 2는 본 발명의 일실시예에 따른 DRMS 네트워크에 대한 구성도,
도 3은 본 발명의 일실시예에 따른 DRMS에 대한 구성도,
도 4는 상기 도 3의 수요예측부에서 동작 순서에 대한 순서도,
도 5는 상기 도 3의 DR 이벤트 생성부에서 동작 순서에 대한 순서도,
도 6은 DR 이벤트 생성부가 전송하는 DR 이벤트 참여 확인 메시지 내용을 나타낸 도면,
도 7은 상기 도 3의 DR 참여고객 관리부의 세부 구성에 대한 도면,
도 8a 및 도 8b는 주택용 고객의 일일 전기사용량 분포 예시를 나타낸 도면,
도 9는 주택용 고객의 클러스터 부하패턴 정보를 나타낸 도면,
도 10은 산업용 및 상업용 고객들의 업종에 따른 피크 전력사용량 분포를 나타낸 도면,
도 11a 내지 도 11c는 각 업종의 클러스터 부하패턴을 나타낸 도면,
도 12는 상기 도 3의 참여고객 선정부의 참여 고객 선정 알고리즘을 나타낸 도면,
도 13은 상기 도 3의 DR 이벤트 시행부에서 동작 순서에 대한 순서도,
도 14는 DR 이벤트 시행부의 DR 이벤트의 진행사항 분석에 대한 순서도,
도 15는 DR 이벤트 시행부가 전송하는 DR 이벤트 전행사항 분석 메시지 내용을 나타낸 도면,
도 16은 상기 도 3의 DR 감축량 평가부에서 동작 순서에 대한 도면,
도 17은 DR 감축량 평가부에 포함된 고객 기준 부하 추정부의 동작 순서에 대한 도면,
도 18은 상기 도 3의 DR 참여고객 정산부에서 동작 순서에 대한 도면
도 19는 상기 도 3의 DR 이벤트 참여결과 통지부가 전송하는 DR 이벤트 참여 결과 메시지 내용을 나타낸 도면이다.
도 2는 본 발명의 일실시예에 따른 DRMS 네트워크에 대한 구성도,
도 3은 본 발명의 일실시예에 따른 DRMS에 대한 구성도,
도 4는 상기 도 3의 수요예측부에서 동작 순서에 대한 순서도,
도 5는 상기 도 3의 DR 이벤트 생성부에서 동작 순서에 대한 순서도,
도 6은 DR 이벤트 생성부가 전송하는 DR 이벤트 참여 확인 메시지 내용을 나타낸 도면,
도 7은 상기 도 3의 DR 참여고객 관리부의 세부 구성에 대한 도면,
도 8a 및 도 8b는 주택용 고객의 일일 전기사용량 분포 예시를 나타낸 도면,
도 9는 주택용 고객의 클러스터 부하패턴 정보를 나타낸 도면,
도 10은 산업용 및 상업용 고객들의 업종에 따른 피크 전력사용량 분포를 나타낸 도면,
도 11a 내지 도 11c는 각 업종의 클러스터 부하패턴을 나타낸 도면,
도 12는 상기 도 3의 참여고객 선정부의 참여 고객 선정 알고리즘을 나타낸 도면,
도 13은 상기 도 3의 DR 이벤트 시행부에서 동작 순서에 대한 순서도,
도 14는 DR 이벤트 시행부의 DR 이벤트의 진행사항 분석에 대한 순서도,
도 15는 DR 이벤트 시행부가 전송하는 DR 이벤트 전행사항 분석 메시지 내용을 나타낸 도면,
도 16은 상기 도 3의 DR 감축량 평가부에서 동작 순서에 대한 도면,
도 17은 DR 감축량 평가부에 포함된 고객 기준 부하 추정부의 동작 순서에 대한 도면,
도 18은 상기 도 3의 DR 참여고객 정산부에서 동작 순서에 대한 도면
도 19는 상기 도 3의 DR 이벤트 참여결과 통지부가 전송하는 DR 이벤트 참여 결과 메시지 내용을 나타낸 도면이다.
본 발명을 충분히 이해하기 위해서 본 발명의 바람직한 실시예를 첨부 도면을 참조하여 설명한다. 본 발명의 실시예는 여러 가지 형태로 변형될 수 있으며, 본 발명의 범위가 아래에서 상세히 설명하는 실시예로 한정되는 것으로 해석되어서는 안 된다. 본 실시예는 당업계에서 평균적인 지식을 가진 자에게 본 발명을 보다 완전하게 설명하기 위해서 제공 되어지는 것이다. 따라서 도면에서의 요소의 형상 등은 보다 명확한 설명을 강조하기 위해서 과장되어 표현될 수 있다. 각 도면에서 동일한 부재는 동일한 참조부호로 도시한 경우가 있음을 유의하여야 한다. 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 공지 기능 및 구성에 대한 상세한 기술은 생략된다.
도 2는 본 발명의 일실시예에 따른 DRMS 네트워크에 대한 구성도이다.
도 2에 도시된 바와 같이, 본 발명의 일실시예에 따른 DRMS 네트워크는 DRMS(Demand Response Management System, 1), 유틸리티(utility, 2)를 포함한다. DRMS(1)는 DR 운영에 필요한 기능 즉, 참여고객 모집, DR 이벤트 시행, 수요감축 평가 및 정산 등과 같은 DR 프로그램 운영과 관련된 일상적인 업무처리를 지원한다. 여기서, DR 프로그램은 직접부하제어(Direct Load Control), 강제부하차단(Interruptible Load Shedding) 등과 같이 유틸리티(2)가 직접 제어하는 수요 관리 프로그램과 달리, 소비자에게 요금이나 인센티브 형태로 수요 감축 시그널을 제공하여 고객의 자발적인 참여에 의한 수요 감축을 간접적으로 유도하는 프로그램을 의미한다.
DRMS(1)는 DR 프로그램의 운영과 관련된 모든 업무를 처리할 수 있는 플랫폼으로 AMI(Advanced Metering Infrastructure)를 기반으로 하여, 전력회사 내의 관리시스템인 유틸리티(2)에 포함된 CIS(Customer Information System), MDMS(Meter Data Management System), DMS(Distribution Management System), EMS(Energy Management System), SCADA(Supervisory Control And Data Acquisition), 기타 시스템(Geographic Information System, GIS) 등과 연동한다.
또한, DRMS(1)는 EMS와의 연계, VPP(Virtual Power Plant) 자원화, DR 학습기능, DR 최적화, Open ADR(Automatic Demand Response) 연동을 통한 스마트 기능을 제공할 수 있다.
이하, DRMS(1)가 DR 프로그램을 운영하는 방식에 대해 설명한다.
먼저, DRMS(1)는 전국 단위의 DR 이벤트를 생성하고 모든 참여고객에게 동일한 수요 감축 시간대를 설정하여 운영하는 대신에, 특정 지역의 전력 수요 예측과 해당 지역의 분산전원 발전량 예측 등을 종합하여 DR 이벤트가 필요한 시간과 감축목표량을 개별 시간별로 다르게 설정하여 DR 이벤트를 생성한다. 즉, DRMS(1)는 분산전원, ESS, EV 등의 보급 확산이 진행된 시점에서 DR 프로그램을 수급 균형에 효과적인 수단으로 활용할 수 있다.
또한, DRMS(1)는 개별고객의 부하특성, DR 특성과 DR 프로그램 참여 이력 등이 통합된 클러스터링 통계 처리 기법과 기계학습(machine learning)을 적용하여 DR 프로그램에 최적화한 고객 클러스터링 기법을 구현한다. 이를 토대로, DRMS(1)는 개별고객의 특정 시간 및 기온 조건의 수요 감축 잠재량을 예측하여 DR 참여 대상고객의 우선순위를 도출한다. 이후, DRMS(1)는 DR 참여 대상고객의 우선순위에 따라 특정시간에 DR 이벤트 참여 여부를 선별적으로 해당 고객에게 질의하고, 고객으로부터 참여 여부를 수신하여 DR 이벤트 참여고객 리스트를 업데이트한다. 이를 통해, DRMS(1)는 DR 이벤트 참여고객에 대해 가정용, 상업용, 산업용 등의 광범위한 분류 기준을 적용하거나, 세분화된 분류 기준으로 DR과 상관없는 통계정보(즉, 업종, 가구 수, 소득수준 등)을 이용하거나, 이웃 주민과의 비교 등을 이용하여 개별고객의 DR 특성과 관련이 적은 DR 참여고객을 분류하지 않기 때문에, DR 프로그램의 비용 효과성을 높일 수 있을 뿐만 아니라, 시간별 수요 감축량 예측의 정확성을 높일 수 있다.
또한, DRMS(1)는 고객에게 DR 이벤트 참여 여부를 질의하기 전에, 해당 고객의 부하패턴과 직전의 전기사용량 정보를 종합하여 가정용 고객의 재택 여부와 업무용 고객의 정상근무 여부를 판단한다. 이를 통해, DRMS(1)는 고객이 DR 행위를 할 수 없거나, 아무런 행위 없이도 인센티브나 정산금을 수령하는 등의 무임승차(free rider)가 발생하는 것을 방지할 수 있다.
또한, DRMS(1)는 문자메시지(SMS), 이메일 등을 통해 DR 이벤트가 있음을 고객에게 알려주는 단순 통지 기능을 이용하지 않고, DR 이벤트에 대한 고객의 참여 여부를 직접 질의하면서 고객 스스로 수요 감축 목표량을 설정하는 환경을 제공한다. 여기서, DRMS(1)는 고객 스스로가 수요 감축 목표량을 설정할 수 있도록, 행동과학의 동기 강화 메커니즘을 이용하여 해당 고객의 DR 이벤트 참여 이력, 유사 클러스터 고객들의 DR 이벤트 참여 이력, 고객의 순위에 대한 통계 정보를 고객에게 제공한다.
또한, DRMS(1)는 수요 감축량에 해당하는 요금절감 또는 인센티브 등을 단순하게 제공하는 것이 아니라, 수요 감축량에 대한 인센티브와 수요 감축 목표 달성에 대한 인센티브로 세분화하여 제공한다. 즉, DRMS(1)는 수요 감축을 위한 고객들의 적극적인 DR 행위를 유도할 수 있다.
또한, DRMS(1)는 DR 이벤트 중간 시점에서 수요 감축량 정보와 감축목표 달성 가능성에 대한 추정결과를 제공하여 고객의 관심을 제고함과 동시에, 유사 클러스터 고객들의 감축량 통계 정보와 해당 고객의 순위 정보를 동시에 제공한다. 이처럼 DRMS(1)는 DR 이벤트를 통지한 뒤 참여 고객에게 중간결과를 알려주기 때문에, 고객들의 경쟁심을 유발하고, 수요 감축을 위한 팁 정보를 제공하여 고객들이 수요 감축에 적극적인 활동을 유도할 수 있다.
또한, DRMS(1)는 수요 감축량과 정산금액 등의 단편적인 정보를 제공하지 않고, 유사 클러스터 고객들의 감축량 및 감축목표 달성에 관한 통계정보와 해당 고객의 순위 정보를 제공한다. 이를 통해, DRMS(1)는 고객들이 다른 고객들에 비하여 수요 감축을 어느 정도로 달성하였는지 파악할 수 있게 한다. 그리고, DRMS(1)는 해당 고객과 유사 클러스터 고객들의 DR 프로그램 참여 이력에 대한 통계 정보와 순위 향상 팁 정보를 제공한다. 이를 통해, DRMS(1)는 고객 스스로가 DR 성과 향상을 위한 개선 방향을 찾을 수 있도록 지원한다. 그리고, DRMS(1)는 DR 이벤트 참여에 대한 해당 고객의 만족도, 다음 DR 이벤트에 대한 참여 의향 정보를 취득하여 고객 정보에 업데이트한다. 이를 통해, DRMS(1)는 DR 프로그램 운영의 개선을 도모할 수 있다.
도 3은 본 발명의 일실시예에 따른 DRMS에 대한 구성도이다.
도 3에 도시된 바와 같이, 본 발명의 일실시예에 따른 DRMS(1)는, 수요예측부(10), DR 이벤트 생성부(20), DR 참여고객 관리부(30), DR 이벤트 시행부(40), DR 감축량 평가부(50), DR 참여고객 정산부(60), DR 이벤트 참여결과 통지부(70)를 포함한다.
수요예측부(10)는 특정 지역의 전력수요 예측정보, 전국 단위의 전력수요 예측정보, 해당 지역의 분산전원 발전량 예측 정보를 종합하여 해당 지역의 시간별 전력 수요량(즉 시간별 DR 목표량)를 예측한다.
DR 이벤트 생성부(20)는 수요예측부(10)에 의해 생성된 시간별 전력 수요량을 달성하기 위해 시간별 DR 이벤트에 참여할 고객을 선정한 후, 선정된 고객들의 참여 여부를 확인하여 시간별 DR 이벤트를 생성한다.
DR 이벤트 시행부(40)는 DR 이벤트 참여고객에게 이벤트 시작을 통지하고, DR 이벤트 진행사항을 분석하여 고객에게 알려주며, DR 이벤트를 종료한다.
DR 감축량 평가부(50)는 고객 기준부하와 계량데이터를 종합하여 각 고객별, 클러스터별 수요반응량을 산정하여 DR 이벤트의 목표달성 여부를 평가한다.
DR 참여고객 관리부(30)는 DR 프로그램에 참여하는 고객정보와 참여이력, 클러스터 정보를 관리하고, DR 이벤트에 참여할 고객을 선정한다.
DR 참여고객 정산부(60)는 각 고객의 수요 감축량 평가결과를 바탕으로 해당 고객의 인센티브 총액을 산정하고, 유틸리티 또는 DR 사업자의 요금 또는 정산금 부과시스템에 그 결과를 통지한다.
DR 이벤트 참여결과 통지부(70)는 DR 이벤트 참여 결과를 통계 처리하고, 정산금 평가결과와 고객 만족도 등을 피드백받는다.
이하, 도 4 내지 도 19를 참조하여 DRMS(1)의 각 구성요소에 대해 구체적으로 설명하기로 한다.
먼저, 도 4를 참조하여 수요예측부(10)에 대해 설명한다. 도 4는 상기 도 3의 수요예측부에서 동작 순서에 대한 순서도이다.
수요예측부(10)는 '지역 및 시간별 총 전력 수요량'(이하 "지역 총 전력 수요량"이라 함)을 예측하여 DR 이벤트가 필요한지를 판단하고, DR 이벤트를 통해 감축하려는 '지역 및 시간별 DR 목표량'(이하 "DR 목표량"이라 함)을 계산한다. 이후, 수요예측부(10)는 DR 목표량을 DR 이벤트 생성부(20)로 전달한다.
도 4를 참조하여 설명하면, 수요예측부(10)는 지역별 고객 부하 프로파일(11a)과 지역별 기상데이터(11b)를 이용해 전력수요와 기상정보 간의 상관관계 모델을 적용하여 '지역 및 시간별 전력 수요량'을 예측한다(S11). 여기서, 지역별 기상데이터(11b)는 기상청 등의 외부로부터 제공되는 지역별 시간단위 기상예측 데이터(11b-1)에 해당한다.
또한, 수요예측부(10)는 지역 신재생 발전 운영정보(12a), 기상-신재생 발전량 상관 모형(12b), 지역별 기상데이터(11b)를 이용하여 '지역 및 시간별 분산전원 발전량'을 예측한다(S12). 여기서, 지역 신재생 발전 운영정보(12a)는 해당 지역에 설치된 신재생 분산전원 발전설비 설치정보와 운전이력 등이 포함된 정보를 나타낸다. 기상-신재생 발전량 상관 모형(12b)은 기상 조건(기온, 습도, 운량 등)에 따른 신재생 발전설비 출력간 상관관계 모형을 나타낸 것이다.
그런 다음, 수요예측부(10)는 '지역 및 시간별 전력 수요량'과 '지역 및 시간별 분산전원 발전량'을 이용하여 지역 전력 총 수요량을 예측한다(S13).
수요예측부(10)는 '지역 전력 총 수요량'이 '지역 적정 공급용량'을 초과하는 경우(S14), DR 목표량을 계산하여 DR 이벤트 생성부(20)로 전달한다(S15). 여기서, 지역 적정 공급용량은 해당 지역의 배전설비 등이 감당할 수 있는 공급용량을 의미한다.
수요예측부(10)는 '지역 전력 총 수요량'이 '지역 적정 공급용량'을 초과하지 않는 경우(S14), '지역 전력 총 수요량'이 전국 단위의 시간별 전력 총 수요량(즉, 전국 전력 총 수요량)에 대해서도 초과하는지를 확인해야 한다. 즉, 수요예측부(10)는 '지역 전력 총 수요량'이 '지역 적정 공급용량'을 초과하지 않고(S14), '전국 전력 총 수요량'이 '전국 적정 공급용량'을 초과하는 경우(S16), DR 목표량을 계산하여 DR 이벤트 생성부(20)로 전달한다(S15). 여기서, '전국 전력 총 수요량'은 외부로부터 전국 단위의 수요 예측 정보(16a)를 수신하여 확인할 수 있다.
아울러, 수요예측부(10)는 '전국 전력 총 수요량'이 '전국 적정 공급용량'을 초과하지 않는 경우(S16), DR 이벤트를 실시하지 않는다(S17).
이와 같이, 수요예측부(10)는 분산전원, ESS(energy storage system) 등이 포함된 특정 지역의 전력 수요를 시간단위로 예측하여 DR 이벤트의 시행여부를 판단한다.
다음으로, 도 5를 참조하여 DR 이벤트 생성부(20)에 대해 설명한다. 도 5는 상기 도 3의 DR 이벤트 생성부에서 동작 순서에 대한 순서도이다.
DR 이벤트 생성부(20)는 DR 목표량을 달성하기 위해 DR 이벤트의 대상 고객을 선정하여 DR 이벤트를 참여할지에 대해서 문의한다. 이후, DR 이벤트 생성부(20)는 DR 이벤트 참여여부에 대한 대상 고객 의견을 전달받아 '시간별 DR 참여고객 리스트'를 생성하여 DR 이벤트 시행부(40)로 전달한다.
도 5를 참조하여 설명하면, DR 이벤트 생성부(20)는 수요예측부(10)에 의해 생성된 시간별 DR 목표량을 DR 참여고객 관리부(30)로 전송한다(S21).
DR 참여고객 관리부(30)는 후술할 참여고객 선정부(34)(도 7 및 도 12 참조)을 통해 DR 이벤트의 참여대상 고객을 선정한 후, 'DR 이벤트의 참여 여부를 문의(통지)하는 대상 고객 리스트'(즉, 참여대상 고객리스트)를 생성하여 DR 이벤트 생성부(20)로 전송한다(S22). 즉, DR 이벤트 생성부(20)는 참여대상 고객리스트를 DR 참여고객 관리부(30)로부터 수신한다(S22).
DR 이벤트 생성부(20)는 참여대상 고객리스트에 기재된 해당 고객들에게 'DR 이벤트 참여 여부를 확인하는 메시지'(즉, DR 이벤트 참여 확인 메시지)(후술할 도 6 참고)를 전송한다(S23). 여기서, DR 이벤트 참여 확인 메시지는 스마트폰용 애플리케이션을 통한 푸시형 메시지 전송 방식, 이동통신망을 통한 문자메시지(SMS) 전송 방식 등으로 전송된다.
DR 이벤트 생성부(20)는 참여대상 고객들로부터 DR 이벤트 참여에 대해 동의하는 메시지를 수신하면(S24), 해당 고객들의 수요반응 잠재량 정보를 합산하여 시간별 DR 추정량을 도출한다(S25).
DR 이벤트 생성부(20)는 DR 추정량이 DR 목표량을 만족하는지를 판단한다(S26). 여기서, DR 이벤트 생성부(20)는 DR 추정량이 DR 목표량을 초과하는 경우에(S26), 'DR 이벤트의 참여를 동의한 고객 리스트'(즉, 참여 고객리스트)를 생성하여 DR 이벤트 시행부(40)로 전송한다. 이때, DR 이벤트 생성부(20)는 참여 고객리스트를 생성하면서 DR 이벤트를 생성한다.
반면에, DR 이벤트 생성부(20)는 DR 추정량이 DR 목표량을 초과하지 않는 경우에(S26), 참여대상 고객리스트로부터 하위 랭킹 고객을 추출한다(S28). 그리고, DR 이벤트 생성부(20)는 DR 추정량이 DR 목표량을 초과할 때까지 참여대상 고객들에게 DR 이벤트 참여 확인 메시지를 전송하고 수신하는 일련의 과정들(즉, S23 단계 내지 S26 단계)을 반복적으로 수행한다.
한편, DR 이벤트 생성부(20)는 DR 이벤트 참여 확인 메시지에 대한 고객들의 반응(동의 또는 거절)에 대한 참여 이력 정보(즉, DR 이벤트 참여이력 정보)를 DR 참여고객 관리부(30)로 전송한다.
이하, 도 6을 참조하여 DR 이벤트 참여 확인 메시지에 대해 설명한다. 도 6은 DR 이벤트 생성부가 전송하는 DR 이벤트 참여 확인 메시지 내용을 나타낸 도면이다.
DR 이벤트 생성부(20)는 DR 이벤트 참여 확인 메시지를 통해 DR 참여고객 관리부(30)로부터 전달된 참여대상 고객리스트 상의 해당 고객에게 DR 이벤트 시행을 통지하고, 참여 여부에 대해 동의를 받는다.
DR 이벤트 참여 확인 메시지에는 고객정보(21), 고객별 DR 요청시간(22), DR 요청시간 기준부하(23), DR 이벤트 참여이력(24), 클러스터 참여 정보(25), DR 목표 설정(26), DR 목표달성에 따른 예상 인센티브 정보(27), DR 목표달성을 위한 DR 행위 팁 정보(28), DR 이벤트 참여 동의 문의(29) 등이 포함된다. 여기서, 클러스터 참여 정보(25)에는 고객과 동일 클러스트의 DR 이벤트 참여 이력, 고객과 동일 클러스트의 DR 이벤트 참여 통계 정보를 포함한다.
구체적으로, 고객정보(21)에는 고객명, 업종, 주소지, 적용 요금제, 계약 전력 등의 정보가 포함될 수 있다. 여기서, 적용 요금제는 계시별 요금제(Time-Of-Use, TOU), 선택형 피크 요금제(Critical Peak Pricing, CPP), 피크리베이트 요금제(Peak Time Rebate, PTR), 실시간 요금제(Real Time Pricing, RTP) 중 어느 하나를 나타낼 수 있다.
고객별 DR 요청시간(22)는 'xx년 a월 b일 00:00~24:00 (24시간)'과 같이 나타낼 수 있다.
DR 요청시간 기준부하(23)에는 기준부하 프로파일, 요청시간 동안의 총 사용량, 시간당 평균 사용량 등이 포함될 수 있다.
DR 이벤트 참여이력(24)에는 총 감축량, 최근 감축량, 성공 확률, 인센티브 수령액 등이 포함될 수 있다.
클러스터 참여 정보(25)에서 '고객과 동일 클러스터의 DR 이벤트 참여 이력'에는 동일 클러스터 고객들의 평균 감축량, 평균 성공확률 등이 포함될 수 있고, '고객과 동일 클러스터의 DR 이벤트 참여 이력'에는 동일 클러스터 고객 중 상위 30% 고객들의 평균 감축량 및 평균 성공확률, 해당 고객의 감축량 랭킹 순위(%), 상위 30% 고객들의 수요반응 성공 팁 정보가 포함될 수 있다.
DR 목표 설정(26)에는 감축량 목표 범위(kwh, 기준부하 대비 감축량 %) 선택지에서 고객이 선택할 수 있는 문항이 제공될 수 있다.
DR 목표달성에 따른 예상 인센티브 정보(27)에는 고객이 선택한 목표량에 따른 감축량 인센티브와 목표달성 인센티브의 합산 금액을 계산하고 표시하여 나타낼 수 있다.
DR 목표달성을 위한 DR 행위 팁 정보(28)는 에어컨, 냉장고 등 에너지 소비기긱의 감축 잠재량 및 설정 변경에 따른 목표 달성 시뮬레이션을 나타낼 수 있다.
DR 이벤트 참여 동의 문의(29)는 DR 이벤트 참여 의사를 문의한다. 예를 들어, '00년 A월 B일 00:00 - 24:00(24시간) 동안 XXkWh 감축 DR 이벤트에 참여하시겠습니까?'와 같은 문구가 메시지에 포함될 수 있다.
이와 같이, DR 이벤트 참여 확인 메시지에는 DR 이벤트 참여에 대한 의사결정에 필요한 정보가 포함되어 있고, DR 이벤트 참여에 대한 동의를 받는 형태로 구성된다.
고객이 DR 이벤트 참여에 동의하는 경우에는 해당 고객의 DR 목표 설정 정보와 DR 이벤트 참여에 동의하였음을 나타내는 정보가 DRMS(1)로 전송되어 시간별 DR 추정량 합산 및 DR 이벤트 참여 이력 업데이트에 반영된다. 또한, 고객이 참여에 동의하지 않을 경우에는 DR 이벤트 참여 이력 업데이트에 반영된다.
DR 이벤트 참여 확인 메시지는 모든 참여대상 고객들에게 동일한 메시지가 전송되지 않고, 고객별로 수요반응 활동이 가장 활발한 시간 정보를 바탕으로 DR 요청시간을 달리하여 전송된다. DR 이벤트 참여 확인 메시지에는 해당 고객의 DR 이벤트 참여 이력과 유사 클러스터 고객의 DR 이벤트 참여 이력 정보가 동시에 제공되어 이벤트 참여에 대한 동기 유발이 촉진된다.
또한, DR 이벤트 참여 확인 메시지에는 행동과학의 목표설정 이론에 따라 해당 고객이 DR 목표를 스스로 설정하는 항목이 구비됨으로써, 고객들이 적극적으로 DR 행위를 전개할 수 있도록 유도함과 동시에, 목표설정 정보를 활용하여 DRMS(1)가 해당 지역의 시간별 수요 감축량을 보다 정확하게 예측 가능하게 한다.
다음으로, 도 7을 참조하여 DR 참여고객 관리부(30)에 대해 설명한다. 도 7은 상기 도 3의 DR 참여고객 관리부의 세부 구성에 대한 도면이다.
DR 참여고객 관리부(30)는 DR 참여 등록 고객 DB(31), 클러스터 부하패턴 DB(32), 클러스터링 로직부(33), 참여고객 선정부(34), 인터페이스부(35)를 포함한다.
먼저, DR 참여고객 DB(31)는 DR 프로그램의 참여 고객과 관련된 정보들을 저장 및 관리한다. 즉, DR 참여고객 DB(31)는 DR 프로그램을 참여하는 고객 정보(31a), 참여고객 계량데이터(31b), DR 참여고객 클러스터 정보(31c), DR 이벤트 참여이력 정보(31d), DR 이벤트 피드백 정보(31e), DR 보급기술 보유현황 정보(31f)를 포함한다.
구체적으로, 고객 정보(31a)는 DR 프로그램을 참여하는 고객의 기본 정보로서, 예를 들어, 고객명, 업종, 주소지, 적용 요금제, 계약 전력 등을 포함한다.
참여고객 계량데이터(31b)는 참여고객의 DR 요청 시간, DR 요청 시간의 기준 부하(예를 들어, 기준 부하 프로파일, 요청시간동안의 총 사용량, 시간당 평균 사용량 등)를 포함한다.
DR 참여고객 클러스터 정보(31c)는 동일 클러스터 고객 중 상위 30% 고객들의 평균 감축량 및 평균 성공확률 정보, 해당 참여고객의 감축량 순위(%), 상위 30% 고객들의 DR 성공팁 정보(예를 들어, 에어컨, 냉장고 등 에너지 소비기기의 감축 잠재량 및 설정 변경에 따른 목표 달성 시뮬레이션 등)를 포함할 수 있다.
DR 이벤트 참여이력 정보(31d)는 총 감축량, 최근 감축량, 목표달성률, 인센티브 수령액(예를 들어, 고객이 선택한 목표량에 따른 감축량 인센티브, 목표 달성 인센티브), DR 목표 설정 정보(예를 들어, 기준 부하 대비 감축량을 나타내는 감축량 목표 범위(%)) 등과 관련된 정보를 포함한다. 즉, DR 이벤트 참여이력 정보(31d)는 해당 고객의 DR 이벤트 참여 수요감축 이력, DR 이벤트 참여 목표달성 이력 등을 포함한다.
DR 이벤트 피드백 정보(31e)는 참석고객의 만족도, 참여의향 등에 대한 피드백 정보를 포함한다.
DR 보급기술 보유현황 정보(31f)는 참석고객의 보급기술(예를 들어, 태양광, ESS, IHD, 프로그램 써모스탯 등) 관련 정보를 포함한다.
다음으로, 클러스터 부하패턴 DB(32)는 DR 프로그램의 참여고객들의 클러스터 부하패턴 정보를 저장한다. 참여고객들의 클러스터 부하패턴 정보는 후술할 클러스터링 로직부(33)에 의해 생성된다. 클러스터 부하패턴 정보는 주택용, 상업용, 산업용 등으로 구분될 수 있다. 이에 따라, 클러스터 부하패턴 DB(32)는 주택용, 상업용 및 산업용 고객별로 클러스터 부하패턴 정보를 라이브러(library) 형태로 형성하여 저장 및 관리한다. 즉, 클러스터 부하패턴 DB(32)는 주택용 고객 부하패턴 라이브러리(32a), 상업용 고객 부하패턴 라이브러리(32b), 산업용 고객 부하패턴 라이브러리(32c)를 포함한다.
이하, 도 8a 및 도 8b, 도 9 내지 도 11을 참고하여 플러스터 부하패턴 정보에 대해 설명한다. 도 8a 및 도 8b는 주택용 고객의 일일 전기사용량 분포 예시를 나타낸 도면이고, 도 9는 주택용 고객의 클러스터 부하패턴 정보를 나타낸 도면이다. 도 10은 산업용 및 상업용 고객들의 업종에 따른 피크 전력사용량 분포를 나타낸 도면이고, 도 11a 내지 도 11c는 각 업종의 클러스터 부하패턴을 나타낸 도면이다.
주택용 고객의 일일 전기사용량 분포는 대체로 롱테일 형태의 분포로 나타나며(도 8a 참고), 주택용 고객의 일일 전기사용량 로그 분포는 정규 분포의 형태로 나타난다(도 8b 참고). 도 9는 계층화(hierarchical) K-means 클러스터링 통계기법을 통해 분류한 주택용 고객의 클러스터 부하패턴에 대한 일례를 나타낸다. 도 9를 참조하면, 각각의 일일 전기사용량은 정규화(normalization)하면, 일일 사용량에 대한 클러스터가 구분된다. 한편, 상업용과 산업용 고객들은 주택용 고객들과 달리 업종이나 기업 규모 등에 따라 부하패턴이 상이하게 나타난다(도 10, 도 11a 내지 도 11c 참고).
클러스터링 로직부(33)는 DR 프로그램의 참여고객들의 부하패턴을 고객 클러스터링 통계처리 로직을 이용하여 분석하고, 그 결과(즉, 클러스터 부하패턴 정보)를 클러스터 부하패턴 DB(32)에 저장한다.
아울러, 클러스터링 로직부(33)는 고객 클러스터링 통계처리 로직에 따라 DR 참여고객 클러스터 매칭 테이블을 생성한다. 클러스터링 로직부(33)는 DR 참여고객 클러스터 매칭 테이블을 DR 참여고객 DB(31)와 공유한다.
여기서, 고객 클러스터링 통계처리 로직은 AMI 등의 고객 계량 데이터를 클러스터링 통계기법을 적용하여 클러스터를 도출하고, 도출된 클러스터 구분이 통계적으로 유의한 것인지를 판단한다. 고객 클러스터링 통계처리 로직은 '데이터 취득 및 오류 처리 단계(Data gathering and processing)', '클러스터 전처리 단계(Pre-clustering)', '클러스터링 단계(Clustering)', '클러스터링 후처리 단계(Post-clustering)'로 구분되며, 이들 각 단계는 순차적으로 진행된다.
구체적으로, '데이터 취득 및 오류 처리 단계'는 AMI를 통해 취득된 계량 데이터에 오류가 있는 구간을 확인하여 통계처리 대상에서 제외한다. '클러스터 전처리 단계'는 부하패턴의 특징을 나타내는 구분변수를 추려내고, 대상 고객집단과 구분 변수간의 매트릭스를 구성한다. '클러스터링 단계'는 통계처리 알고리즘을 적용하여 각 클러스터의 중심점(centroid)를 정의하고, 클러스터 유의성 지수(cluster validity indicator)를 계산하여, 구분된 클러스터가 통계적으로 유의한지를 확인한다. 통계적으로 유의한 것을 확인되면, 다음 단계인 '클러스터링 후처리 단계'는 도출된 클러스터의 특징을 분석하고, 각 클러스터를 규정하는 부하패턴을 도출한다.
여기서, 계량 데이터 분석에 사용되는 클러스터링 통계처리 알고리즘은 K-평균값 알고리즘(K-Means, KM), 퍼지 로직(Fuzzy Logic, FL) 등일 수 있다. 이외에도 부하패턴 분석 클러스터링 통계처리 알고리즘에는 예를 들어, 적응형 벡터 양자화(Adaptive vector quantization, AVQ) 알고리즘, 레니 엔트로피(Renyi Entropy) 알고리즘, 폴로 더 리더(Follow The Leader, FTL) 알고리즘, 퍼지 및 아리마(Fuzzy and ARIMA) 알고리즘, 퍼지 K 평균값(Fuzzy k-means, FKM) 알고리즘, 계층형 클러스터링(Hierarchical clustering, HC) 알고리즘, 반복 개선 클러스터링(Iterative refinement clustering, IRC) 알고리즘, 최소-최대 뉴로 퍼지(Min-Max Neuro-Fuzzy, MMNF) 알고리즘, 다변량 분산분석(Multivariate Analysis of Variance, MANOVA) 알고리즘, 확률 신경 회로망(Probabilistic Neural Network, PNN) 알고리즘, 자기 조직화 맵(Self Organizing Map, SOM) 알고리즘, 지지도 벡터 클러스터링(Support Vector Clustering, SVC) 알고리즘, 가중치 증거 누적 클러스터링(Weighted evidence accumulation clustering, WEACS) 알고리즘 등일 수 있다.
참여고객 선정부(34)는 해당 지역의 DR 목표량을 달성하기 위해 DR 참여고객 DB(31)로부터 추출된 이벤트 통지대상 고객의 시간별 DR 잠재량을 평가하고, DR 잠재량 크기에 따라 고객 순위를 부여하여 참여대상 고객을 선별하고, 이를 토대로 참여대상 고객리스트를 생성한다. 즉, 참여고객 선정부(34)는 해당 지역 고객의 DR 이벤트 참여이력을 바탕으로 각 시간별 DR 잠재량이 높은 이벤트 통지대상 고객을 선별하여 우선순위를 정한다.
이하, 도 12를 참고하여 참여고객 선정부(34)이 수행하는 참여 고객 선정 알고리즘에 대하여 설명한다. 도 12는 상기 도 3의 참여고객 선정부의 참여 고객 선정 알고리즘을 나타낸 도면이다.
고객의 시간별 DR 잠재량은 하기 [수학식 1]과 같이 나타낼 수 있다.
즉, 시간별 DR 잠재량은 해당 고객의 '시간별 DR 감축량'과 'DR 목표달성확률'을 곱하여 산출된다. 여기서, 참여고객 선정부(34)는 DR 참여고객 DB(31)의 DR 이벤트 참여이력 정보(31d)를 통해 '시간별 DR 감축량'과 'DR 목표달성확률'을 확인할 수 있다.
참여고객 선정부(34)는 상기 [수학식 1]을 통해 해당 고객의 시간별 DR 잠재량을 평가할 수 있다(S34-1). 그리고, 참여고객 선정부(34)는 시간별 DR 잠재량을 이용하여 고객들의 랭킹을 결정한다(S34-2). 구체적으로, 시간별 DR 잠재량이 높은 고객들은 상위 랭킹으로 정의된다. 또한, DR 잠재량이 동일한 고객들은 직전 DR 이벤트 참여 결과 통지에서 다음 DR 이벤트 참여를 동의한 고객, 직전 DR 이벤트에 참여하지 않은 고객, 직전 DR 이벤트 참여 결과 통지에서 다음 DR 이벤트 참여를 동의하지 않은 고객의 순서로 정렬된다.
아울러, 참여고객 선정부(34)는 DR 이벤트를 참석할 수 없는 고객들을 확인한다(S34-3, S34-4). 즉, 참여고객 선정부(34)는 상업용 및 산업용 대상 고객의 경우에 '정상 근무'인지에 대한 고객 근무 상태를 확인하고, 주택용 고객의 경우에 '재실'인지에 대한 고객 주거 상태를 확인하여 이에 해당하지 않는 고객들을 통지 대상에서 제외한다. 이를 통해, 참여고객 선정부(34)는 DR 이벤트에 참여할 수 없는 고객들에 대한 불필요한 통지를 최소화할 수 있도록 한다.
이 경우에, 참여고객 선정부(34)는 AMI, 스마트 미터 등을 통해 확인된 'DR 이벤트 직전의 실시간 전기사용량'과 후술할 고객 기준부하 추정부(51)에 의해 추정된 '전기사용량'을 비교하여 그 차이가 미리 설정한 범위를 벗어나면 해당 고객이 정상 근무 또는 재택이 아닌 것으로 판단한다. 그리고 이들 고객들은 고객 랭킹에서 제외된다.
참여고객 선정부(34)는 참여대상 고객리스트를 생성하여 DR 이벤트 생성부(20)로 전달한다(S34-5 내지 S34-8). 즉, 참여고객 선정부(34)는 '이벤트 통지대상 고객'에 대해 랭킹별로 DR 잠재량을 합산하고(S34-5, S34-6), 합산량이 DR 목표량을 만족하는 순위까지의 '참여대상 고객'을 추출하여 참여대상 고객리스트를 생성한다(S34-7, S34-8). 이때, 참여고객 선정부(34)는 합산량이 DR 목표량을 만족할 때까지 하위 랭킹의 고객으로 합산 대상을 확대한다.
인터페이스부(35)는 DRMS(1) 내 다른 구성과의 연동을 위한 인터페이스 환경을 제공한다. 즉, 인터페이스부(35)는 유틸리티(2), DR 이벤트 생성부(20), DR 감축량 평가부(50)와 연동하여 정보를 주고받는 인터페이스 환경을 제공한다.
다음으로, 도 13 내지 도 15를 참조하여 DR 이벤트 시행부(40)에 대해 설명한다. 도 13은 상기 도 3의 DR 이벤트 시행부에서 동작 순서에 대한 순서도이고, 도 14는 DR 이벤트 시행부의 DR 이벤트의 진행사항 분석에 대한 순서도이고, 도 15는 DR 이벤트 시행부가 전송하는 DR 이벤트 전행사항 분석 메시지 내용을 나타낸 도면이다.
도 13을 참조하여 설명하면, DR 이벤트 시행부(40)는 시간별 DR 이벤트 참여고객에게 DR 이벤트를 통지하고, DR 이벤트 기간의 참여고객 계량정보를 취득하여 진행사항 분석 결과를 참여고객에게 통지하고, DR 이벤트를 종료한다.
구체적으로, DR 이벤트 시행부(40)는 DR 이벤트 생성부(20)로부터 수신된 참여 고객리스트를 이용하여 참석고객에게 DR 이벤트의 시작을 통지한다(S41,S42). 이후, DR 이벤트 시행부(40)는 시간별 DR 이벤트를 시작하면(S43), AMI 또는 스마트미터를 통해 참여고객의 실시간 계량정보를 취득하여 고객별 DR 진행사항을 분석하고, DR 진행사항의 분석결과를 해당 고객들에게 통지한다(S44 내지 S46). 이때, DR 이벤트 시행부(40)는 기 설정된 주기에 따라 S44 단계 내지 S46 단계를 반복 수행한다. 이와 같이, DR 이벤트 시행부(40)는 종래의 DR 프로그램 또는 DRMS와 달리, DR 진행사항의 분석정보를 참여고객들에게 제공함으로써 고객들이 중간사항을 파악할 수 있게 하고, 이를 통해 보다 적극적인 DR 행위를 유도할 수 있다. 이후, DR 이벤트 시행부(40)는 기 설정된 바에 따라 DR 이벤트를 종료한다(S47). 또한, DR 이벤트 시행부(40)는 참여고객들의 DR 진행사항의 분석정보를 DR 감축량 평가부(50)로 전달한다.
한편, 도 14 및 도 15를 참조하여, DR 이벤트 시행부(40)에 의한 DR 이벤트의 진행사항 분석 과정에 대해 상세히 설명한다.
DR 이벤트 시행부(40)는 '개별고객의 진행사항'과 '클러스터의 진행사항'에 대한 분석을 동시에 진행하고, 해당 고객의 DR 이벤트 진행 결과와 동질 집단의 DR 이벤트 진행 결과를 비교하여 그 순위 정보를 도출할 수 있다.
구체적으로, DR 이벤트 시행부(40)는 참여고객의 실시간 계량 정보를 취득하고, 이를 통해 개별 고객 분석 및 클러스터 분석을 수행한다(S44). 즉, DR 이벤트 시행부(40)는 개별 고객 분석을 진행하는 경우에, 개별 고객의 감축량과 감축률을 계산하고(S45-1,S45-2), 목표달성 추세선을 계산하여 현 상태로 DR 목표달성이 가능한지를 추정하는 분석결과를 도출한다(S45-3,S45-4). 또한, DR 이벤트 시행부(40)는 클러스터 분석을 진행하는 경우에, 클러스터에 속한 고객들의 감축량과 감축률을 계산하고(S45-5,S45-6), 통계처리를 통해 클러스터 고객들의 감축량 분포와 빈도값에 대한 분석결과를 도출한다(S45-7). 이후, DR 이벤트 시행부(40)는 개별 고객 분석을 통해 확인된 개별고객의 감축량 정보와 클러스터 분석을 통해 확인된 감축량 분포와 빈도값을 매칭하여 해당 고객의 수요량 감축 순위(%)를 도출한다(S45-8,S45-9).
그리고, DR 이벤트 시행부(40)는 DR 이벤트의 진행사항 분석결과를 토대로 DR 이벤트의 진행사항에 대한 내용이 포함된 메시지 화면을 작성하여 DR 이벤트 참여고객에게 통지한다(S46). 이와 같이, DR 이벤트 시행부(40)는 행동과학의 원리를 이용하여 DR 이벤트 기간 중에 해당 고객의 수요 감축 실적과 유사 클러스터 고객의 수요 감축 통계 및 순위 정보를 실시간으로 제공할 수 있다. 해당 고객은 수요 감축 참여 동기가 강화되어 수요 감축 목표를 달성할 수 있게 된다.
도 15를 참조하면, DR 이벤트 진행사항 분석 메시지는 고객 정보(41), 고객별 DR 요청 시간(42), DR 요청 시간 기준부하(43), DR 이벤트 동안 전기사용량(44), DR 이벤트 진행사항 분석 정보(45), 동일 클러스터의 DR 이벤트 진행사항(46), DR 목표달성을 위한 DR 행위 팁 정보(47) 등을 포함할 수 있다.
구체적으로, 고객정보(41)에는 고객명, 업종, 주소지, 적용 요금제, 계약 전력 등의 정보가 포함될 수 있다. 여기서, 적용 요금제는 계시별 요금제(Time-Of-Use, TOU), 선택형 피크 요금제(Critical Peak Pricing, CPP), 피크리베이트 요금제(Peak Time Rebate, PTR), 실시간 요금제(Real Time Pricing, RTP) 중 어느 하나를 나타낼 수 있다.
고객별 DR 요청시간(42)는 'xx년 a월 b일 00:00~24:00 (24시간)'과 같이 나타낼 수 있다.
DR 요청시간 기준부하(43)에는 기준부하 프로파일, 요청시간 동안의 총 사용량, 시간당 평균 사용량 등이 포함될 수 있다.
DR 이벤트 동안 전기사용량(44)에는 고객의 이벤트 기간 총 사용량, 시간별 평균 사용량이 포함될 수 있다.
DR 이벤트 진행사항 분석 정보(45)에는 총 감축량, 감축량 추이, 목표달성 가능성 등이 포함될 수 있다.
동일 클러스터의 DR 이벤트 진행사항(46)에는 동일 클러스터 고객들의 평균 감축량, 해당 고객의 감축량 랭킹 순위(%)가 포함될 수 있다.
DR 목표달성을 위한 DR 행위 팁 정보(47)에는 에어컨, 냉장고 등 에너지 소비기기의 감축 잠재량 및 설정 변경에 따른 예상 감축량 정보가 포함될 수 있다.
다음으로, 도 16을 참조하여 DR 감축량 평가부(50)에 대해 설명한다. 도 16은 상기 도 3의 DR 감축량 평가부에서 동작 순서에 대한 도면이고, 도 17은 DR 감축량 평가부에 포함된 고객 기준 부하 추정부의 동작 순서에 대한 도면이다.
DR 감축량 평가부(50)는 고객 기준부하와 실제 사용량을 비교하여 수요반응량을 산정하고, 해당 DR 프로그램이 감축 목표를 달성하였는지를 평가한다.
도 16을 참조하여 설명하면, DR 감축량 평가부(50)는 고객 기준부하와 실제 사용량을 비교하여 수요반응량을 산정한다(S51). 여기서, 고객 기준부하는 고객 기준부하 추정부(51)에 의해 추정된 결과이고, 실제 사용량은 DR 참여고객 DB(31)의 참여고객 계량데이터(31b)로부터 얻을 수 있다.
DR 감축량 평가부(50)는 수요반응량을 토대로 DR 이벤트에 참여한 고객들의 총 수요반응량과 시간별 수요반응량, 각 고객 클러스터의 수요반응량과 시간별 수요반응량, 개별고객의 수요반응량을 계산한다(S52).
DR 감축량 평가부(50)는 S52 단계에서 계산된 결과를 DR 목표량과 비교함으로써, 총 DR 목표량을 만족하는지, 클러스터 DR 목표량을 만족하는지, 개별고객 DR 목표량을 만족하는지를 판단한다(S53 내지 S55). 이때, DR 감축량 평가부(50)는 총 DR 목표량을 만족하는지를 판단한 후(S53), DR 이벤트 결과를 DR 참여고객 관리부(30)로 전송한다(S56). 또한, DR 감축량 평가부(50)는 클러스터 DR 목표량을 만족하는지를 판단한 후(S54), 클러스터 DR 결과를 해당 클러스터의 DR 이력정보로 업데이트되어 DR 참여고객 관리부(30)로 전송한다(S57,S58). 또한, DR 감축량 평가부(50)는 개별고객 DR 목표량을 만족하는지를 판단한 후(S55), 개별고객 DR 결과를 개별고객의 DR 이력정보로 업데이트되어 DR 참여고객 관리부(30)와 DR 참여고객 정산부(60)로 전송한다(S59).
여기서는 도 17을 참조하여 고객 기준부하 추정부(51)에 대해 상세히 설명한다.
고객 기준부하 추정부(51)는 개별고객, 클러스터, DR 이벤트 전체 참여고객의 기준부하를 추정한다.
구체적으로, 고객 기준부하 추정부(51)는 DR 참여고객 관리부(30)로부터 '참여고객의 계량데이터'와 '참여고객 클러스터 정보'를 입력받아, 기준부하 추정산식 풀(pool)의 추정산식을 이용하여 기준부하를 계산한다(S51-1,S51-2). 이때, 고객 기준부하 추정부(51)는 개별고객 기준부하, 고객 클러스터 기준부하, 이벤트 참여고객 전체집단 기준부하의 형태로 각각 도출한 후, DR 감축량 평가부(50)로 전송한다(S51-3).
여기서, 기준부하 추정산식 풀을 통해 결정되는 추정산식은 고객 클러스터의 DR 특성에 따라 운영자에 의해 선택되어 적용될 수 있다. 고객별로 부하 특성과 DR 특성에 따라 기준부하 추정의 정확성 및 신뢰도가 상이하다. 따라서, 기준부하 추정부(51)는 기준부하 추정산식 풀에서 적합한 추정산식을 선택하여 적용한다.
아울러, 기준부하 추정산식 풀에는 특정 기간 동안의 평균치(average), 중간값(middle), 가중 평균(weighted average), 날씨 보정(weather-matching), 일일 보정(daily adjustment), 선형회귀(regression), 회귀보정(regression adjustment) 등과 같이 다양한 방식의 추정산식이 포함되어 있다.
구체적으로, 기준부하 추정산식 풀은 하기 [표 1]과 같이 추정산식이 정의되어 있다. [표 1]은 특정 기간 동안의 평균치(average)를 이용하는 추정산식을 나타낸다. [표 2]는 중간값(middle)을 이용하는 추정산식을 나타낸다. [표 3]은 가중 평균(weighted average)을 이용하는 추정산식을 나타낸다. [표 4]는 날씨 보정(weather-matching)을 이용하는 추정산식을 나타낸다. [표 5]는 일일 보정(daily adjustment)을 이용하는 추정산식을 나타낸다. [표 6]은 선형회귀(regression)를 이용하는 추정산식을 나타낸다. [표 7]은 회귀보정(regression adjustment)을 이용하는 추정산식을 나타낸다.
| Baseline Window |
Calculation Type | Description |
| 3/3 | Average | 3 of last 3 eligible days |
| 2/3 | Average | Average the top 2 of the last 3 eligible days |
| 4/5 | Average | Average top 4 of the last 5 eligible days |
| 3/5 | Average | Average the top 3 of the last 5 eligible days |
| 5/5 | Average | Average top 5 of the last 5 eligible days |
| 3/10 | Average | Average top 3 of the last 10 eligible days |
| 5/10 | Average | Average top 5 of the last 10 eligible days |
| 10/10 | Average | Average 10 of the last 10 eligible days |
| 3/20 | Average | Average top 3 of the last 20 eligible days |
| 5/20 | Average | Average top 5 of the last 20 eligible days |
| 10/20 | Average | Average top 10 of the last 20 eligible day |
| Baseline Window |
Calculation Type | Description |
| 4/6 | Middle | Excluding highest, lowest consumption days |
| 6/10 | Middle | Excluding highest, lowest consumption 2 days |
| 8/10 | Middle | Excluding highest, lowest consumption days |
| Baseline Window |
Calculation Type | Description |
| 3/3 | Weighted Average | weight days 50%, 30% and 20% respectively; more recent days receive higher weight |
| 3/5 | Weighted Average | Use top 3 of the last 5 eligible days; weight days 50%, 30% and 20% respectively; more recent days receive higher weight |
| 3/5 | Weighted Average | Average 3 of last 5 eligible days and adjust upward by 5% for all customers |
| Baseline Window |
Calculation Type | Description |
| 3 | Weather-matching | Average 3 days with similar weather during the last three months |
| 4 | Weather-matching | Average 4 days with similar weather during the last three months |
| 5 | Weather-matching | Average 5 days with similar weather during the last three months |
| 3/14 with THI |
Weather-matching | Average top 3 of last 14 eligible days (including weekends); discard days that don’t have similar weather based on temperature-humidity index (THI) |
| season | Weather-matching | Assign days with high temperatures exceeding 80°F to 1 of 3 bins based on maximum temperature; baseline equals the average peak-period load on non-event days that have maximum temperature values for the relevant bin corresponding to the event day |
| season | Weather-matching | Assign days with high temperatures exceeding 80°F to 1 of 3 bins based on CDD iii for the day; baseline equals the average peak-period load on non-event days that have CDD values for the relevant bin corresponding to the event day |
| season | Weather-matching | Assign days with high temperatures exceeding 80°F to 1 of 3 bins based on the total CDH iii for the day; baseline equals the average peak-period load on non-event days that have CDH values for the relevant bin corresponding to the event day |
| Baseline Window |
Calculation Type | Description |
| Day | Daily Adjustment | 0.9*baseline + 0.1*meter |
| Day | Daily Adjustment | PBL + [load (pre-event hours) - PBL(pre-event hours)] for First 3 of previous 4 hours |
| Day | Daily Adjustment | PBL + [load(pre-event hours) - PBL(pre-event hours)] |
| Day | Daily Adjustment | PBL * [load(pre-event hours) / PBL(pre-event hours)] for first 2 of previous 3 hours --Only on days above 85 degrees, difference greater than 5% |
| Day | Daily Adjustment | PBL * [load(pre-event hours) /PBL(pre-event hours)] for first 2 of previous 4 hours -- limited between 80 and 120% |
| Day | Daily Adjustment | PBL * [load(pre-event hours) /PBL(pre-event hours)] for first 3 of previous 4 hours -- limited between 80 and 120% |
| Day | Daily Adjustment | PBL * [load(pre-event hours) /reg(pre-event hours)] for first 2 of previous 3 hours |
| Day | Daily Adjustment | 0.9*baseline + 0.1*meter |
| Baseline Window |
Calculation Type | Description |
| month/ season |
Regression | Regress energy use during event window on weather and day of week |
| year | Regression | Previous year 365+ |
| 20 | Regression | Previous 20 like days |
| Baseline Window |
Calculation Type | Description |
| NA | Regression Adjustment | PBL + [reg(event period temp) - reg(PBL period temp)] |
| NA | Regression Adjustment | PBL * [reg(event) / reg(PBL)] Linear regression on THI, (8 AM to 8 PM), non-holiday, weekday hourly loads for season |
다음으로, 도 18을 참조하여 DR 참여고객 정산부(60)에 대해 설명한다. 도 18은 상기 도 3의 DR 참여고객 정산부에서 동작 순서에 대한 도면이다.
DR 참여고객 정산부(60)는 DR 감축량 평가부(50)로부터 전달된 감축량 평가결과를 바탕으로 해당 고객의 인센티브 금액을 산정하여 그 결과를 참여고객에게 통지하고, 정산금지급 및 요금부과 시스템에 결과를 전송하여 DR 이벤트 참여에 대한 인센티브를 참여고객에게 지급한다.
구체적으로, DR 참여고객 정산부(60)는 DR 감축량 평가부(50)로부터 '감축량 평가 결과' 즉, 개별고객 수요반응량, 개별고객 DR 목표달성 이력 업데이트 정보를 전달받는다(S61). 또한, DR 참여고객 정산부(60)는 '요금정보 및 인센티브 산정 기준'을 확인한다(S62). 여기서, '요금정보 및 인센티브 산정기준'에는 해당 고객의 요금정보(S62-1), 시간별 감축량 인센티브 기준금액(S62-2), 목표달성 인센티브 기준금액(S62-3)이 포함된다.
이후, DR 참여고객 정산부(60)는 '감축량 평가 결과'와 '요금정보 및 인센티브 산정기준'을 이용하여 인센티브 금액을 산정한다(S63). 즉, DR 참여고객 정산부(60)는 개별고객 시간별 인센티브 금액(S63-1), 개별고객 시간별 목표달성 인센티브 금액(S63-2), 개별고객 시간별 사용량 요금(S63-3)을 이용하여 최종적인 개별고객 DR 참여 지급금액(S63-4)을 산정한다.
이후, DR 참여고객 정산부(60)는 참여고객 전체 및 고객 클러스터 지급 금액에 대한 통계처리를 진행하고, DR 참여 고객 정산 결과를 DR 이벤트 참여결과 통지부(70)로 전송한다(S64).
다음으로, 도 19를 참조하여 DR 이벤트 참여결과 통지부(70)에 대해 설명한다. 도 19는 상기 도 3의 DR 이벤트 참여결과 통지부가 전송하는 DR 이벤트 참여 결과 메시지 내용을 나타낸 도면이다.
DR 이벤트 참여결과 통지부(70)는 DR 참여고객 정산부(60)로부터 전달된 DR 참여 고객 정산 결과를 수신하고, 이를 메시지 형태로 가공하여 해당 고객에게 전송한다. 또한, DR 이벤트 참여결과 통지부(70)는 해당 고객에게 다음 DR 이벤트에 대한 참여 여부에 대해 응답받아 DR 참여고객 관리부(3)로 전송한다.
이와 같이, DR 이벤트 참여 결과 메시지에는 고객정보(71), 고객별 DR 요청시간(72), DR 요청시간 기준부하(73), 실제 전기사용량(74), DR 감축 목표 달성여부(75), 개별고객 인센티브 지급금액(76), 고객 클러스터 관련 정보(77), DR 이벤트 참여결과 이력(78), DR 이벤트 참여에 대한 만족도 조사(79) 등이 포함된다. 여기서, 고객 클러스터 관련 정보(77)에는 고객 클러스터의 참여결과, 고객 클러스터에서 개별고객 DR 참여결과 랭킹, DR 참여결과 순위 향상 팁정보를 포함한다.
구체적으로, 고객정보(71)에는 고객명, 업종, 주소지, 적용 요금제, 계약 전력 등의 정보가 포함될 수 있다. 여기서, 적용 요금제는 계시별 요금제(Time-Of-Use, TOU), 선택형 피크 요금제(Critical Peak Pricing, CPP), 피크리베이트 요금제(Peak Time Rebate, PTR), 실시간 요금제(Real Time Pricing, RTP) 중 어느 하나를 나타낼 수 있다.
고객별 DR 요청시간(72)는 'xx년 a월 b일 00:00~24:00 (24시간)'과 같이 나타낼 수 있다.
DR 요청시간 기준부하(73)에는 기준부하 프로파일, 요청시간 동안의 총 사용량, 시간당 평균 사용량 등이 포함될 수 있다.
실제 전기사용량(74)에는 고객의 이벤트기간 총 사용량, 시간별 평균 사용량 등이 포함될 수 있다.
DR 감축 목표 달성여부(75)에는 목표달성 성공 또는 실패를 확인하는 정보가 포함될 수 있다.
개별고객 인센티브 지급금액(76)은 감축량 인센티브와 목표달성 인센티브의 합산 금액으로 결정된다.
고객 클러스터 관련 정보(77)에서 '고객 클러스터의 참여결과'에는 총 감축량, 고객 평균 감축량, 평균 감축 목표 달성률이 포함될 수 있고, '고객 클러스터에서 개별고객 DR 참여결과 랭킹'에는 개별고객의 감축량, 상위 순위(%)를 기준으로 감축률 랭킹이 포함될 수 있고, 'DR 참여결과 순위 향상 팁정보'에는 클러스터 고객 중 DR 감축량 상위 30% 고객들의 DR 행위에 대한 팁 정보가 포함될 수 있다.
DR 이벤트 참여결과 이력(78)에는 개별고객 및 클러스터 고객의 시계열에 따른 감축량 및 감축률 변화를 나타내는 정보가 포함될 수 있다.
DR 이벤트 참여에 대한 만족도 조사(79)에는 DR 이벤트 참여 만족도를 문의하고, 다음 DR 이벤트 참여 의사를 확인한다. 예를 들어, '고객님은 수요반응 이벤트에 참여하여 이벤트 시간 동안 OOKwh를 감축하여 XX원의 이벤트를 지급받으셨습니다. 금번 수요반응 이벤트 참여에 만족하십니까?', '다음 수요반응 이벤트에도 참여하실 의향이 있으십니까?'와 같은 문구가 메시지에 포함될 수 있다.
전술한 바와 같이, DR 이벤트 참여 결과 메시지에는 고객 클러스터 관련 정보(77), DR 이벤트 참여결과 이력(78) 등이 포함되어 있기 때문에, 고객들은 DR 이벤트 참여에 대한 객관적인 평가와 분석을 할 수 있다.
또한, DR 이벤트 참여 결과 메시지에는 클러스터 고객 중에 DR 감축량 상위 고객들의 DR 행위에 관한 정보가 포함되어 있기 때문에, 고객들은 다음 DR 이벤트에서 수요감축 성과를 높이기 위한 방법을 스스로 결정할 수 있다.
또한, DR 이벤트 참여 결과 메시지에는 DR 이벤트 종료 직후에 DR 이벤트에 대한 만족도 평가가 포함되어 있다. 즉, 고객들은 DR 프로그램에 대한 평가를 시즌 종료 후에 참여고객의 기억에 의존하여 응답하는 것이 아니라, DR 이벤트 종료 직후에 곧바로 시행하므로 신뢰성 있는 평가를 시행할 수 있다.
또한, DR 이벤트 참여 결과 메시지에는 해당 고객에게 다음 DR 이벤트에 대한 참여 여부에 대한 질의내용이 포함되기 때문에, 다음 DR 이벤트의 참여고객 선정 과정은 더욱 정확하게 시행될 수 있다.
한편, DR 프로그램은 분산전원, EV 확산 등에 대한 계통의 수용성 확보에 이용됨으로써, 계통 수용성 확보를 위한 설비 투자를 줄일 수 있다. 이러한 DR 프로그램은 고객과의 소통을 강화하여 고객 만족도 및 충성도를 높일 수 있는 수단으로써 판매시장 개방 등 향후 리스크에 대한 대응에도 유용하게 활용될 수 있다.
DR 프로그램은 계통 운영에 효과적으로 활용하기 위해, 수요 감축량에 대한 정확한 예측과 수요 감축의 지속성을 유지하는 것이 중요하다. 본 발명의 DR 프로그램은 고객 클러스터링, 참여고객 사전 및 사후 피드백, 참여고객 랭킹 등을 통해 DR 이벤트의 시행 횟수가 증가하여 데이터가 누적됨에 따라 수요 감축량 예측의 정확성과 수요 감축 지속성이 개선시킬 수 있다.
이상에서 설명된 본 발명의 실시예는 예시적인 것에 불과하며, 본 발명이 속한 기술분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 잘 알 수 있을 것이다. 그럼으로 본 발명은 상기의 상세한 설명에서 언급되는 형태로만 한정되는 것은 아님을 잘 이해할 수 있을 것이다. 따라서 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의해 정해져야 할 것이다. 또한, 본 발명은 첨부된 청구범위에 의해 정의되는 본 발명의 정신과 그 범위 내에 있는 모든 변형물과 균등물 및 대체물을 포함하는 것으로 이해되어야 한다.
10 : 수요예측부
20 : DR 이벤트 생성부
30 : DR 참여고객 관리부 31 : DR 참여 등록 고객 DB
32 : 클러스터 부하패턴 DB 33 : 클러스터링 로직부
34 : 참여고객 선정부 35 : 인터페이스부
40 : DR 이벤트 시행부 50 : DR 감축량 평가부
51 : 고객 기준부하 추정부 60 : DR 참여고객 정산부
70 : DR 이벤트 참여결과 통지부
30 : DR 참여고객 관리부 31 : DR 참여 등록 고객 DB
32 : 클러스터 부하패턴 DB 33 : 클러스터링 로직부
34 : 참여고객 선정부 35 : 인터페이스부
40 : DR 이벤트 시행부 50 : DR 감축량 평가부
51 : 고객 기준부하 추정부 60 : DR 참여고객 정산부
70 : DR 이벤트 참여결과 통지부
Claims (22)
- 지역 및 시간별 수요반응(Demand Response, DR) 목표량을 계산하는 수요예측부;
상기 수요반응 목표량과 '이벤트 통지대상 고객의 수요반응 잠재량의 합산량'을 비교함에 따라, 수요반응 이벤트의 참여대상 고객을 선별하는 DR 참여고객 관리부;
상기 수요반응 목표량과 '참여대상 고객의 수요반응 잠재량의 합산량'을 비교함에 따라, 상기 참여대상 고객 중 수요반응 이벤트에 참여하는 참여고객을 선별하여 수요반응 이벤트를 생성하는 DR 이벤트 생성부; 및
상기 참여고객의 수요반응 이벤트 진행사항을 분석하는 DR 이벤트 시행부;
를 포함하는 고객 맞춤형 수요 반응 프로그램을 운영하는 수요 반응 운영 시스템.
- 제 1 항에 있어서,
상기 참여고객의 실제 사용량과 기준부하를 이용하여 수요반응량을 산정하고, 상기 수요반응량을 이용하여 수요반응 프로그램의 감축량을 평가하는 DR 감축량 평가부;
를 더 포함하는 고객 맞춤형 수요 반응 프로그램을 운영하는 수요 반응 운영 시스템.
- 제 2 항에 있어서,
상기 감축량 평가와 '요금 및 인센티브 산정기준'을 이용하여 상기 참여고객의 수요반응 이벤트 참여에 대해 정산하는 DR 참여고객 정산부;
를 더 포함하는 고객 맞춤형 수요 반응 프로그램을 운영하는 수요 반응 운영 시스템.
- 제 3 항에 있어서,
상기 참여고객의 수요반응 이벤트 참여에 대한 정산 결과를 상기 참여고객에게 통지하는 DR 이벤트 참여 결과 통지부;
를 더 포함하는 고객 맞춤형 수요 반응 프로그램을 운영하는 수요 반응 운영 시스템.
- 제 1 항에 있어서
상기 수요예측부는,
지역 전력 총 수요량과 전국 전력 총 수요량을 이용하여 수요반응 이벤트가 필요한지를 예측하는 것을 특징으로 하는 고객 맞춤형 수요 반응 프로그램을 운영하는 수요 반응 운영 시스템.
- 제 5 항에 있어서,
상기 지역 전력 총 수요량은, 지역별 고객 부하 프로파일, 지역별 기상데이터를 통해 확인되는 '지역 및 시간별 전력 수요량'과, 지역별 기상 데이터, 기상-신재생 발전량 상관 모형, 지역 신재생 발전 운영 정보를 통해 확인되는 '지역 및 시간별 분산전원 발전량'을 이용하여 예측되는 것을 특징으로 하는 고객 맞춤형 수요 반응 프로그램을 운영하는 수요 반응 운영 시스템.
- 제 5 항에 있어서,
상기 전국 전력 총 수요량은, 외부로부터 전국 단위의 수요 예측 정보를 수신하여 확인되는 것을 특징으로 하는 고객 맞춤형 수요 반응 프로그램을 운영하는 수요 반응 운영 시스템.
- 제 1 항에 있어서,
상기 DR 참여고객 관리부는,
상기 이벤트 통지대상 고객의 '시간별 수요반응 감축량'과 '수요반응 목표달성확률'에 대한 정보를 저장 및 관리하는 DR 참여고객 DB; 및
상기 이벤트 통지대상 고객의 '시간별 수요반응 감축량'과 '수요반응 목표달성확률'을 이용하여 수요반응 잠재량을 평가하고, 수요반응 잠재량 크기에 따라 고객 랭킹을 결정하여 참여대상 고객을 선별하는 참여 고객 선정부;
를 포함하는 고객 맞춤형 수요 반응 프로그램을 운영하는 수요 반응 운영 시스템.
- 제 8 항에 있어서,
상기 참여 고객 선정부는,
상기 참여대상 고객의 근무 또는 주거 상태에 따라, 해당 참여대상 고객이 수요반응 이벤트 통지 대상에서 제외되는 것을 특징으로 하는 고객 맞춤형 수요 반응 프로그램을 운영하는 수요 반응 운영 시스템.
- 제 1 항에 있어서,
상기 DR 참여고객 관리부는,
상기 참여고객의 클러스터 부하패턴을 고객 클러스터링 통계처리 로직을 이용하여 분석하여 클러스터 부하패턴 정보와 수요반응 참여고객 클러스터 매칭 테이블을 생성하는 클러스터링 로직부; 및
상기 참여고객의 클러스터 부하패턴 정보를 라이브러리 형태로 형성하여 저장하는 클러스터 부하패턴 DB;
를 포함하는 고객 맞춤형 수요 반응 프로그램을 운영하는 수요 반응 운영 시스템.
- 제 10 항에 있어서,
상기 클러스터링 로직부는,
고객 클러스터링 통계처리 로직을 통해 '데이터 취득 및 오류 처리 단계(Data gathering and processing)', '클러스터 전처리 단계(Pre-clustering)', '클러스터링 단계(Clustering)', '클러스터링 후처리 단계(Post-clustering)'를 순차적으로 진행하는 것을 특징으로 하는 고객 맞춤형 수요 반응 프로그램을 운영하는 수요 반응 운영 시스템.
- 제 2 항에 있어서,
상기 DR 참여고객 관리부는,
상기 DR 이벤트 생성부 및 상기 DR 감축량 평가부와 연동하여 정보를 주고받는 인터페이스 환경을 제공하는 인터페이스부;를 포함하는 고객 맞춤형 수요 반응 프로그램을 운영하는 수요 반응 운영 시스템.
- 제 10 항에 있어서,
상기 DR 이벤트 생성부는,
상기 참여대상 고객 중 수요반응 이벤트에 참여를 동의하는 고객을 확인하여 상기 참여고객으로 선별하는 것을 특징으로 하는 고객 맞춤형 수요 반응 프로그램을 운영하는 수요 반응 운영 시스템.
- 제 1 항에 있어서,
상기 DR 이벤트 시행부는,
상기 참여고객의 수요반응 이벤트 진행사항과 상기 참여고객과 동질 집단인 클러스터의 수요 반응 이벤트 진행사항에 대한 분석을 진행하고, 상기 분석결과를 매칭하는 것을 특징으로 하는 고객 맞춤형 수요 반응 프로그램을 운영하는 수요 반응 운영 시스템.
- 제 14 항에 있어서,
상기 DR 이벤트 시행부는,
상기 참여고객의 수요 감축 실적, 상기 클러스터의 고객들의 수요 감축 통계 및 순위 정보를 상기 참여고객에게 제공하는 것을 특징으로 하는 고객 맞춤형 수요 반응 프로그램을 운영하는 수요 반응 운영 시스템.
- 제 2 항에 있어서,
상기 DR 감축량 평가부는,
상기 DR 참여고객 관리부로부터 '참여고객의 계량데이터'와 '참여고객 클러스터 정보'를 전달받아 기준부하 추정산식 풀의 추정산식을 이용하여 상기 기준부하를 계산하는 고객 기준부하 추정부;를 포함하는 고객 맞춤형 수요 반응 프로그램을 운영하는 수요 반응 운영 시스템.
- 제 16 항에 있어서,
상기 기준부하는, 개별고객 기준부하, 고객 클러스터 기준부하, 이벤트 참여고객 전체집단 기준부하가 포함되는 것을 특징으로 하는 고객 맞춤형 수요 반응 프로그램을 운영하는 수요 반응 운영 시스템.
- 제 3 항에 있어서,
상기 DR 참여고객 정산부는,
상기 참여고객의 시간별 인센티브 금액, 시간별 목표달성 인센티브 금액, 시간별 사용량 요금을 이용하여 수요반응 참여 지급 금액을 산정하는 것을 특징으로 하는 고객 맞춤형 수요 반응 프로그램을 운영하는 수요 반응 운영 시스템.
- 지역 및 시간별 수요반응(Demand Response, DR) 목표량을 계산하는 단계;
상기 수요반응 목표량과 '이벤트 통지대상 고객의 수요반응 잠재량의 합산량'을 비교함에 따라, 수요반응 이벤트의 참여대상 고객을 선별하는 단계;
상기 수요반응 목표량과 '참여대상 고객의 수요반응 잠재량의 합산량'을 비교함에 따라, 상기 참여대상 고객 중 수요반응 이벤트에 참여하는 참여고객을 선별하여 수요반응 이벤트를 생성하는 단계; 및
상기 참여고객의 수요반응 이벤트 진행사항을 분석하는 단계;
를 포함하는 고객 맞춤형 수요 반응 프로그램을 운영하는 수요 반응 운영 방법
- 제 19 항에 있어서,
상기 참여고객의 실제 사용량과 기준부하를 이용하여 수요반응량을 산정하고, 상기 수요반응량을 이용하여 수요반응 프로그램의 감축량을 평가하는 단계;를 더 포함하는 고객 맞춤형 수요 반응 프로그램을 운영하는 수요 반응 운영 방법.
- 제 20 항에 있어서,
상기 감축량 평가와 '요금 및 인센티브 산정기준'을 이용하여 상기 참여고객의 수요반응 이벤트 참여에 대해 정산하는 단계;를 더 포함하는 고객 맞춤형 수요 반응 프로그램을 운영하는 수요 반응 운영 방법.
- 제 21 항에 있어서,
상기 참여고객의 수요반응 이벤트 참여에 대한 정산 결과를 상기 참여고객에게 통지하는 단계;를 더 포함하는 고객 맞춤형 수요 반응 프로그램을 운영하는 수요 반응 운영 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020160138524A KR20180044700A (ko) | 2016-10-24 | 2016-10-24 | 고객 맞춤형 수요 반응 프로그램을 운영하는 수요 반응 운영 시스템 및 그 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020160138524A KR20180044700A (ko) | 2016-10-24 | 2016-10-24 | 고객 맞춤형 수요 반응 프로그램을 운영하는 수요 반응 운영 시스템 및 그 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20180044700A true KR20180044700A (ko) | 2018-05-03 |
Family
ID=62244827
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020160138524A KR20180044700A (ko) | 2016-10-24 | 2016-10-24 | 고객 맞춤형 수요 반응 프로그램을 운영하는 수요 반응 운영 시스템 및 그 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20180044700A (ko) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102164212B1 (ko) * | 2020-03-20 | 2020-10-12 | 주식회사 시너지 | Ess 충방전 스케쥴 관리장치 |
| KR20210026320A (ko) * | 2019-08-29 | 2021-03-10 | 주식회사 케이티 | 수요 반응(dr)에 대한 가이드 정보를 제공하는 서버, 방법 및 컴퓨터 프로그램 |
| WO2021187673A1 (ko) * | 2020-03-16 | 2021-09-23 | 주식회사 아이온커뮤니케이션즈 | 전력 수요공급 관리 장치 및 그 방법 |
| KR20220005358A (ko) * | 2020-07-06 | 2022-01-13 | 주식회사 아이온커뮤니케이션즈 | 드라이브 스루 매장의 v1g 서비스 시스템, 관리 서버 및 방법 |
| KR20220112902A (ko) * | 2021-02-04 | 2022-08-12 | 박근식 | 사용자기반의 ai에너지 절감 및 수요예측시스템 |
-
2016
- 2016-10-24 KR KR1020160138524A patent/KR20180044700A/ko unknown
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210026320A (ko) * | 2019-08-29 | 2021-03-10 | 주식회사 케이티 | 수요 반응(dr)에 대한 가이드 정보를 제공하는 서버, 방법 및 컴퓨터 프로그램 |
| WO2021187673A1 (ko) * | 2020-03-16 | 2021-09-23 | 주식회사 아이온커뮤니케이션즈 | 전력 수요공급 관리 장치 및 그 방법 |
| KR20210116192A (ko) * | 2020-03-16 | 2021-09-27 | 주식회사 아이온커뮤니케이션즈 | 전력 수요공급 관리 장치 및 그 방법 |
| KR102164212B1 (ko) * | 2020-03-20 | 2020-10-12 | 주식회사 시너지 | Ess 충방전 스케쥴 관리장치 |
| WO2021187739A1 (ko) * | 2020-03-20 | 2021-09-23 | 주식회사 시너지 | Ess 충방전 스케쥴 관리장치 |
| CN113950784A (zh) * | 2020-03-20 | 2022-01-18 | 协同株式会社 | 储能装置充放电进程管理装置 |
| KR20220005358A (ko) * | 2020-07-06 | 2022-01-13 | 주식회사 아이온커뮤니케이션즈 | 드라이브 스루 매장의 v1g 서비스 시스템, 관리 서버 및 방법 |
| KR20220112902A (ko) * | 2021-02-04 | 2022-08-12 | 박근식 | 사용자기반의 ai에너지 절감 및 수요예측시스템 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Smart households’ aggregated capacity forecasting for load aggregators under incentive-based demand response programs | |
| Asadinejad et al. | Evaluation of residential customer elasticity for incentive based demand response programs | |
| Celik et al. | Electric energy management in residential areas through coordination of multiple smart homes | |
| Yang et al. | Decision-making for electricity retailers: A brief survey | |
| Aman et al. | Prediction models for dynamic demand response: Requirements, challenges, and insights | |
| Oprea et al. | Flattening the electricity consumption peak and reducing the electricity payment for residential consumers in the context of smart grid by means of shifting optimization algorithm | |
| US11429075B2 (en) | System, apparatus and method for energy management, for usage by consumers of energy from electric utility service providers, and monitoring and management of same | |
| Mathieu | Modeling, analysis, and control of demand response resources | |
| KR20180044700A (ko) | 고객 맞춤형 수요 반응 프로그램을 운영하는 수요 반응 운영 시스템 및 그 방법 | |
| Fan et al. | Customer directrix load-based large-scale demand response for integrating renewable energy sources | |
| Salah et al. | Morphological analysis of energy services: Paving the way to quality differentiation in the power sector | |
| Yang et al. | Quantifying the benefits to consumers for demand response with a statistical elasticity model | |
| Aman et al. | Empirical comparison of prediction methods for electricity consumption forecasting | |
| Cruz et al. | Behavioural patterns in aggregated demand response developments for communities targeting renewables | |
| Scheller et al. | Provoking residential demand response through variable electricity tariffs-a model-based assessment for municipal energy utilities | |
| Sianaki et al. | A multi-agent intelligent decision making support system for home energy management in smart grid: A fuzzy TOPSIS approach | |
| KR20240025574A (ko) | 지능형 수요 반응 입찰 관리 시스템 및 그 방법 | |
| Xiang et al. | Smart Households' Available Aggregated Capacity Day-ahead Forecast Model for Load Aggregators under Incentive-based Demand Response Program | |
| Siano et al. | A novel method for evaluating the impact of residential demand response in a real time distribution energy market | |
| Kromer et al. | Optimizing DER Dispatch in a Renewables Dominant Distribution Network Using a Virtual Power Plant | |
| Xiang et al. | Day-ahead probabilistic forecasting of smart households’ demand response capacity under incentive-based demand response program | |
| Rasheed et al. | Artificial intelligence-enabled probabilistic load demand scheduling with dynamic pricing involving renewable resource | |
| Chellamani et al. | Supervised electricity tariff prediction using random forest validated through user comfort and constraint for a home energy management scheme | |
| Arlt | Flexible load for renewable energy:: economic approaches to integrate flexible demand in power systems | |
| Razzak et al. | Leveraging Deep Q-Learning to maximize consumer quality of experience in smart grid |