KR20190023952A - 에너지 하베스팅 기반의 에너지 관리 장치 - Google Patents

에너지 하베스팅 기반의 에너지 관리 장치 Download PDF

Info

Publication number
KR20190023952A
KR20190023952A KR1020170110408A KR20170110408A KR20190023952A KR 20190023952 A KR20190023952 A KR 20190023952A KR 1020170110408 A KR1020170110408 A KR 1020170110408A KR 20170110408 A KR20170110408 A KR 20170110408A KR 20190023952 A KR20190023952 A KR 20190023952A
Authority
KR
South Korea
Prior art keywords
energy
detection sensor
sensor
management device
mode
Prior art date
Application number
KR1020170110408A
Other languages
English (en)
Other versions
KR102457190B1 (ko
Inventor
박성모
최병건
Original Assignee
한국전자통신연구원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국전자통신연구원 filed Critical 한국전자통신연구원
Priority to KR1020170110408A priority Critical patent/KR102457190B1/ko
Publication of KR20190023952A publication Critical patent/KR20190023952A/ko
Application granted granted Critical
Publication of KR102457190B1 publication Critical patent/KR102457190B1/ko

Links

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J1/00—Circuit arrangements for dc mains or dc distribution networks
    • H02J1/10—Parallel operation of dc sources
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Power Engineering (AREA)
  • Biophysics (AREA)
  • Tourism & Hospitality (AREA)
  • Primary Health Care (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Water Supply & Treatment (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Strategic Management (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Public Health (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

본 발명은 에너지 하베스팅 기반의 에너지 관리 장치에 관한 것이다. 본 발명에 따른 에너지 관리 장치는 에너지 입력부, 에너지 저장부, 및 딥 러닝 데이터 처리기를 포함한다. 에너지 입력부는 복수의 에너지 소스들로부터 생성되는 에너지 중 입력 받을 에너지를 선택한다. 에너지 저장부는 선택된 에너지를 저장한다. 딥 러닝 데이터 처리기는 검출 센서로부터 입력 받은 센서 데이터에 기반하여 복수의 에너지 소스들 각각의 에너지 생성 효율을 예측한다. 에너지 입력부는 예측된 에너지 생성 효율에 기초하여 입력 받을 에너지를 선택한다. 본 발명에 따르면, 주변 환경에 따라 적응적으로 에너지가 관리되므로, 반영구적으로 동작하는 사물 인터넷 시스템이 구현될 수 있다.

Description

에너지 하베스팅 기반의 에너지 관리 장치{ENERGY HARVESTING BASED ENERGY MANAGEMENT DEVICE}
본 발명은 에너지 하베스팅에 관한 것으로, 좀 더 구체적으로 에너지 하베스팅 기반의 에너지 관리 장치에 관한 것이다.
에너지 하베스팅(Energy harvesting)은 주위의 태양 에너지, 풍력 에너지, 진동 에너지, 또는 열 에너지 등을 수집하여 사용 가능한 전기 에너지를 획득하는 것을 의미한다. 에너지 하베스팅은 자연에서 지속적으로 전기 에너지를 획득할 수 있으므로, 친환경 에너지 활용 기술로 각광받고 있다. 특히, 교량, 터널, 지하시설, 또는 심해와 같이 배터리의 교체가 어려운 곳에 설치된 전자 장치는 에너지 하베스팅을 이용하여 에너지를 공급받을 수 있다.
다양한 에너지들을 수집하기 위하여, 에너지 하베스팅 시스템은 복수의 에너지 공급 장치들을 포함할 수 있다. 에너지 하베스팅 기반의 에너지 관리 장치는 복수의 에너지 공급 장치들로부터 에너지를 공급받을 수 있다. 복수의 에너지 공급 장치들 각각이 에너지를 공급하는 효율은 시간의 흐름 또는 공간의 변화에 따라 계속적으로 변화할 수 있다. 또한, 에너지 관리 장치를 포함하는 전자 시스템이 에너지를 소비하는 양은 시간의 흐름 또는 공간의 변화에 따라 계속적으로 변화할 수 있다.
에너지 하베스팅이 원활하지 않은 결과, 전자 시스템에 저장된 에너지의 양보다 전자 시스템이 에너지를 소비하는 양이 많은 경우, 시스템이 정상적으로 구동되기 어렵다. 또한, 사용자가 접근하기 어려운 곳에 설치된 전자 시스템의 경우, 비정상적인 시스템의 동작에 대처하기 어렵다. 따라서, 에너지 하베스팅을 지속적이고 자동적으로 관리할 수 있는 에너지 관리 장치에 대한 요구가 제기되고 있다.
본 발명의 목적은 주변 환경에 따라 적응적으로 에너지 하베스팅 및 시스템의 동작을 관리하는 에너지 관리 장치를 제공하는데 있다.
본 발명의 실시예에 따른 에너지 하베스팅 기반 에너지 관리 장치는 에너지 입력부, 에너지 저장부, 및 딥 러닝 데이터 처리기를 포함한다. 에너지 입력부는 복수의 에너지 소스들로부터 생성되는 에너지 중 입력 받을 에너지를 선택한다. 에너지 저장부는 선택된 에너지를 저장한다.
딥 러닝 데이터 처리기는 검출 센서로부터 입력 받은 센서 데이터에 기반하여 복수의 에너지 소스들 각각의 에너지 생성 효율을 예측한다. 에너지 입력부는 예측된 에너지 생성 효율에 기초하여 입력 받을 에너지를 선택한다.
본 발명의 실시예에 따른 에너지 하베스팅 기반의 에너지 관리 장치는 센서 데이터를 분석 및 학습하여 사물 인터넷 시스템의 동작을 적응적으로 관리하고, 에너지 하베스팅을 위한 에너지원을 적응적으로 선택할 수 있다. 따라서, 본 발명에 따른 에너지 관리 장치를 이용하여, 반영구적인 사물 인터넷 시스템이 구현될 수 있다.
도 1은 본 발명의 실시예에 따른 사물 인터넷 시스템의 블록도이다.
도 2는 도 1의 에너지 소스를 구체화한 블록도이다.
도 3은 도 1의 에너지 관리 장치를 구체화한 블록도이다.
도 4는 본 발명의 실시예에 따른 사물 인터넷 시스템에서의 에너지를 관리하는 방법의 순서도이다.
도 5는 도 4의 동작 모드를 결정하는 단계를 구체화하는 순서도이다.
아래에서는, 본 발명의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있을 정도로, 본 발명의 실시 예들이 명확하고 상세하게 기재된다.
도 1은 본 발명의 실시예에 따른 에너지 관리 장치가 적용된 사물 인터넷 시스템의 블록도이다. 도 1을 참조하면, 사물 인터넷 시스템(100)은 에너지 소스(110), 에너지 관리 장치(120), 및 검출 센서(130)를 포함한다. 에너지 소스(110), 에너지 관리 장치(120), 및 검출 센서(130)는 설명의 편의상 구별되는 구성 요소로 도시되었으나, 이에 제한되지 않고 하나의 구성 요소로 구현될 수 있다. 예를 들어, 검출 센서(130)는 에너지 관리 장치(120)와 함께 하나의 칩으로 구현될 수 있다.
에너지 소스(110)는 자연에 존재하는 다양한 에너지들을 수집할 수 있다. 에너지 소스(110)는 불규칙한 전기 에너지 또는 신재생 에너지를 생성할 수 있다. 이러한 에너지는 온도, 정전기, 운동 에너지, 광, 전자파, 또는 중력 등 다양한 요인들에 의하여 생성될 수 있다. 다양한 에너지들을 수집하기 위하여, 에너지 소스(110)는 복수의 에너지 공급 장치들을 포함할 수 있다. 복수의 에너지 공급 장치들에 대한 구체적인 예시는 도 2에서 후술된다.
에너지 관리 장치(120)는 에너지 소스(110)로부터 에너지를 입력 받을 수 있다. 에너지 관리 장치(120)는 에너지 소스(110)로부터 제공되는 다양한 에너지들 중 입력 받을 에너지를 선택할 수 있다. 에너지 관리 장치(120)는 에너지 소스(110)에 포함된 복수의 에너지 공급 장치들 각각의 에너지 생성 효율을 고려하여 입력 받을 에너지를 선택할 수 있다. 에너지 관리 장치(120)는 시간의 흐름 또는 공간의 변화와 같은 요인들을 고려하여 복수의 에너지 공급 장치들 각각의 에너지 생성 효율을 판단할 수 있다.
에너지 관리 장치(120)는 딥 러닝 알고리즘에 근거한 지속적인 학습을 통하여, 복수의 에너지 공급 장치들 각각의 효율을 예측할 수 있다. 이를 위하여, 에너지 관리 장치(120)는 검출 센서(130)로부터 수신한 센서 데이터를 분석할 수 있다. 예를 들어, 에너지 관리 장치(120)는 센서 데이터의 분석 및 학습 결과, 저녁 시간에 태양광을 이용한 에너지 공급 장치의 효율이 낮다는 것을 판단할 수 있다. 이 경우, 에너지 관리 장치(120)는 저녁 시간에 태양광을 이용한 에너지 공급 장치로부터 에너지를 입력 받지 않을 수 있다. 나아가, 에너지 관리 장치(120)는 태양광을 이용한 에너지 공급 장치의 구동을 중단할 수 있다.
에너지 관리 장치(120)는 검출 센서(130)로부터 센서 데이터를 수신한다. 에너지 관리 장치(120)는 수신한 센서 데이터를 외부 전자 장치에 유선 또는 무선으로 제공할 수 있다. 에너지 관리 장치(120)는 센서 데이터를 분석하여, 센서 데이터를 수신하는 시간 등을 학습할 수 있다. 에너지 관리 장치(120)는 검출 센서(130)로부터 센서 데이터가 수신되는 시간을 측정할 수 있다. 에너지 관리 장치(120)는 센서 데이터를 수신하지 않는 시간에 사물 인터넷 시스템(100)의 구동을 중단할 수 있다. 에너지 관리 장치(120)는 분석 및 학습된 센서 데이터에 근거하여 에너지 관리 장치(120) 및 검출 센서(130)의 온-오프 동작을 결정할 수 있다. 따라서, 사물 인터넷 시스템(100)의 에너지 소모가 최소화될 수 있다.
검출 센서(130)는 센서 데이터를 생성한다. 검출 센서(130)는 주위 환경의 다양한 요소들을 센싱할 수 있다. 예를 들어, 이러한 요소들은 온도, 광, 압력, 진동, 방사선, 산소 농도 등을 포함할 수 있다. 검출 센서(130)는 온도 센서, 광 센서, 압력 센서, 진동 센서, 방사선 검출 센서, 또는 산소 농도 검출 센서 등을 포함할 수 있다. 상술한 실시예에 제한되지 않고, 검출 센서(130)는 검출이 요구되는 다양한 요소들을 센싱하기 위한 센서를 포함할 수 있다.
검출 센서(130)는 센서 데이터를 에너지 관리 장치(120)에 제공한다. 에너지 관리 장치(120)에 제공된 센서 데이터는 외부 전자 장치로 전송될 수 있다. 외부 전자 장치를 이용하여, 사용자는 검출 센서(130) 주위의 환경을 파악할 수 있다. 검출 센서(130)는 교량, 터널, 지하시설, 또는 심해와 같이 사용자가 접근하기 어려운 장소에 설치될 수 있다. 검출 센서(130)는 사물 인터넷 시스템(100)의 에너지 하베스팅을 최적화하는데 이용될 수 있다. 동시에, 검출 센서(130)는 특정 장소의 정보를 용이하게 사용자에게 제공하는데 이용될 수 있다.
검출 센서(130)는 구동시 에너지 소스(110)에 의하여 생성된 에너지를 공급받을 수 있다. 에너지 관리 장치(120)는 에너지 소스(110)로부터 공급된 에너지를 저장하고, 검출 센서(130)는 에너지 관리 장치(120)에 저장된 에너지를 이용하여 구동될 수 있다. 검출 센서(130)는 에너지 관리 장치(120)의 제어 하에 에너지를 공급받아 구동될 수 있다. 이러한 에너지 관리 장치(120)는 센서 데이터의 분석을 통하여 검출 센서(130)의 동작 시간을 판단할 수 있다. 검출 센서(130)의 동작 시간에 따라 에너지 관리 장치(120)는 에너지를 검출 센서(130)에 공급할 수 있다.
도 2는 도 1의 에너지 소스를 구체화한 블록도이다. 도 2를 참조하면, 에너지 소스(110)는 베타 전지(111), 태양 전지(112), 압전 에너지 공급 장치(113), 및 RF 전원 공급 장치(114)를 포함한다. 다만, 도 2의 에너지 소스(110)에 포함된 구성들은 하나의 예시적인 실시예로 이해될 것이다. 즉, 사물 인터넷 시스템(100)이 설치된 장소에 따라, 에너지 소스(110)에 포함된 에너지 소스들의 종류는 해당 장소에서 수집되기 용이한 에너지원을 고려하여 결정될 수 있다.
베타 전지(111)는 베타 전지 에너지(BE)를 생성한다. 베타 전지(111)는 에너지 관리 장치(120)에 베타 전지 에너지(BE)를 제공할 수 있다. 베타 전지(111)는 방사성 동위 원소의 핵분열을 통하여 방출된 베타선 에너지를 이용한다. 방사성 동위 원소의 붕괴에 따라, 베타선을 포함하는 방사선이 수년 내지 수백년 동안 방출될 수 있다. 베타 전지(111)는 배타선 에너지에 의하여 전자-정공쌍을 생성시키는 반도체 소자를 포함할 수 있다. 베타선을 흡수하여 생성된 전자-정공쌍에 의하여 전류가 발생될 수 있다. 생성된 전류를 이용하여 베타 전지(111)는 전기 에너지인 베타 전지 에너지(BE)를 생성할 수 있다.
태양 전지(112)는 태양 전지 에너지(SE)를 생성한다. 태양 전지(112)는 에너지 관리 장치(120)에 태양 전지 에너지(SE)를 제공할 수 있다. 태양 전지(112)는 태양 등에 의한 광 에너지를 전기 에너지로 변환하기 위한 솔라 셀을 포함할 수 있다. 솔라 셀은 광 에너지에 의하여 전자-정공쌍을 생성시킬 수 있다. 전자-정공쌍에 의하여 생성된 전류를 이용하여 태양 전지(112)는 전기 에너지인 태양 전지 에너지(SE)를 생성할 수 있다.
압전 에너지 공급 장치(113)는 압전 에너지(PE)를 생성한다. 압전 에너지 공급 장치(113)는 에너지 관리 장치(120)에 압전 에너지(PE)를 제공할 수 있다. 압전 에너지 공급 장치(113)는 압력 등에 의한 기계적인 에너지를 전기 에너지로 변환하기 위한 압전 소자를 포함할 수 있다. 압전 소자는 기계적인 에너지에 의한 비틀림 또는 일그러짐 등에 의하여 전압을 발생시킬 수 있다. 발생된 전압을 이용하여 압전 에너지 공급 장치(113)는 전기 에너지인 압전 에너지(PE)를 생성할 수 있다.
RF 전원 공급 장치(114)는 고주파 에너지(RE)를 생성한다. RF 전원 공급 장치(114)는 에너지 관리 장치(120)에 고주파 에너지(RE)를 제공할 수 있다. RF 전원 공급 장치(114)는 주변 환경의 전자기파를 수집할 수 있다. RF 전원 공급 장치(114)는 수집된 전자기파를 전기 에너지로 변환할 수 있다. RF 전원 공급 장치(114)는 변환된 전기 에너지인 고주파 에너지(RE)를 생성할 수 있다.
도 3은 도 1의 에너지 관리 장치(120)를 구체화한 블록도이다. 도 3을 참조하면, 에너지 관리 장치(200)는 에너지 입력부(210), 에너지 변환기(220), 에너지 저장부(230), 센서 인터페이스(240), 딥 러닝 데이터 처리기(250), 인터페이스(260), 및 컨트롤러(270)를 포함한다. 도 3의 에너지 관리 장치(200)에 포함된 구성들은 하나의 예시적인 실시예로 이해될 것이다. 즉, 본 발명의 에너지 관리 장치(200)의 기능을 수행하기 위한 구성은 도 3에 제한되지 않는다. 설명의 편이상, 도 1의 도면 부호를 참조하여 도 3의 구성 요소들이 설명된다.
에너지 입력부(210)는 에너지 소스(110)로부터 생성된 에너지를 입력 받는다. 예를 들어, 에너지 소스(110)가 도 2의 구성들을 포함하는 경우, 에너지 입력부(210)는 베타 전지 에너지(BE), 태양 전지 에너지(SE), 압전 에너지(PE), 또는 고주파 에너지(RE)를 입력 받을 수 있다. 에너지 입력부(210)는 복수의 에너지 소스들로부터 생성되는 에너지 중 입력 받을 에너지를 선택할 수 있다.
에너지 입력부(210)는 충전 모드에 따라 결정된 에너지를 입력 받을 수 있다. 예를 들어, 에너지 입력부(210)는 딥 러닝 데이터 처리기(250)로부터 생성된 충전 모드 신호에 근거하여 태양 전지 에너지(SE)를 입력 받아 에너지 변환기(220)에 출력할 수 있다. 또한, 에너지 입력부(210)는 저녁 시간에 생성된 새로운 충전 모드 신호에 근거하여 베타 전지 에너지(BE), 압전 에너지(PE), 또는 고주파 에너지(RE)를 입력 받아 에너지 변환기(220)에 출력할 수 있다. 즉, 센서 데이터의 학습 결과, 충전 모드 신호는 해당 시점에서 최적화된 에너지를 선택하도록 생성될 수 있다. 에너지 입력부(210)는 선택된 에너지를 에너지 변환기(220)에 출력할 수 있다.
에너지 변환기(220)는 에너지 입력부(210)에서 선택된 에너지를 입력 받는다. 에너지 변환기(220)는 입력된 에너지를 에너지 저장부(230)에 저장하기 최적화된 전기 에너지 형태로 변환할 수 있다. 에너지 변환기(220)는 에너지 저장부(230)의 충전을 위한 정격 전압 또는 정격 전류를 갖도록, 입력된 에너지를 변환할 수 있다. 예를 들어, 에너지 변환기(220)는 입력된 에너지를 정격 전압을 갖도록 승압 또는 강압할 수 있다. 에너지 변환기(220)는 변환된 에너지를 에너지 저장부(230)에 제공한다.
에너지 저장부(230)는 에너지 변환기(220)로부터 변환된 에너지를 입력 받는다. 에너지 저장부(230)는 충전 모드 신호에 따라 선택된 에너지를 저장할 수 있다. 에너지 저장부(230)는 에너지를 저장하기 위한 충전 소자 또는 저장 소자를 포함할 수 있다. 에너지 저장부(230)에 저장된 에너지는 에너지 관리 장치(200) 및 검출 센서(130)에 공급될 수 있다. 사물 인터넷 시스템(100)은 에너지 저장부(230)에 저장된 에너지에 의하여 구동될 수 있다. 에너지 저장부(230)는 딥 러닝 데이터 처리기(250)로부터 생성된 시스템 동작 모드 신호에 근거하여 저장된 에너지를 에너지 관리 장치(200)의 다른 구성 요소들 및 검출 센서(130)에 제공할 수 있다.
센서 인터페이스(240)는 검출 센서(130)로부터 센서 데이터(SD)를 수신한다. 센서 인터페이스(240)는 센서 데이터(SD)를 딥 러닝 데이터 처리기(250)에 제공한다. 센서 인터페이스(240)는 딥 러닝 데이터 처리기(250)로부터 생성된 시스템 동작 모드 신호에 근거하여 생성된 검출 센서 제어 신호를 검출 센서(130)에 제공할 수 있다. 검출 센서 제어 신호에 따라, 검출 센서(130)는 온 또는 오프될 수 있다. 센서 인터페이스(240)는 에너지 저장부(230)에 저장된 에너지를 검출 센서(130)에 제공할 수 있다. 시스템 동작 모드 신호에 근거하여 에너지 저장부(230)는 저장된 에너지를 센서 인터페이스(240)에 제공할 수 있다.
딥 러닝 데이터 처리기(250)는 학습 회로(252) 및 모드 선택 회로(254)를 포함할 수 있다. 학습 회로(252)는 센서 인터페이스(240)로부터 센서 데이터(SD)를 수신할 수 있다. 학습 회로(252)는 시간의 흐름에 따라 지속적으로 제공되는 센서 데이터(SD)를 분석할 수 있다. 학습 회로(252)는 센서 데이터(SD)를 분석하여 패턴 데이터를 생성할 수 있다. 패턴 데이터는 시간에 따른 사물 인터넷 시스템(100)의 에너지 소모를 나타낼 수 있다.
학습 회로(252)는 센서 데이터(SD)를 분석하여 센서 데이터(SD)의 변화 추이를 학습할 수 있다. 학습 회로(252)는 센서 데이터(SD)의 변화 추이를 패턴화할 수 있다. 학습 회로(252)는 패턴화된 변화 추이에 따라, 검출 센서(130)의 구동이 요구되는 시간을 판단할 수 있다. 이러한 시간은 일 단위, 월 단위, 또는 년 단위로 판단될 수 있다. 학습 회로(252)는 검출 센서(130)를 구동하는 시간을 결정하는 패턴 데이터를 생성할 수 있다. 학습 회로(252)는 패턴 데이터를 기반으로 검출 센서(130)가 동작하는 시간을 예측할 수 있다. 학습 회로(252)는 예측된 시간에 따라 사물 인터넷 시스템(100)이 소모하는 에너지를 예측할 수 있다.
학습 회로(252)는 센서 데이터(SD)를 분석하여, 사물 인터넷 시스템(100)이 설치된 장소 주변의 환경을 계속적으로 분석하여 패턴 데이터를 생성할 수 있다. 학습 회로(252)는 주변 환경의 분석 결과, 특정 시간에 에너지 생성 효율이 가장 높은 에너지 소스를 예측할 수 있다. 학습 회로(252)는 딥 러닝 기반의 알고리즘을 구현하기 위한 전용 회로로 구현될 수 있다. 또는, 학습 회로(252)는 소프트 웨어 또는 펌 웨어로 구현되어, 센서 데이터(SD)의 패턴을 분석 및 학습할 수 있다. 예를 들어, 학습 회로(252)는 인공 신경망을 기반으로 구현될 수 있다.
모드 선택 회로(254)는 패턴 데이터에 근거하여 시스템 동작 모드를 결정할 수 있다. 시스템 동작 모드는 시스템 온 모드 및 시스템 오프 모드로 구분될 수 있다. 시스템 온 모드에서, 검출 센서(130)는 센서 데이터(SD)를 생성할 수 있고, 에너지 관리 장치(200)는 센서 데이터(SD)를 수신하여 외부 전자 장치에 제공할 수 있다. 시스템 오프 모드에서, 검출 센서(130)는 센서 데이터(SD)를 생성하지 않고, 에너지 관리 장치(200)는 센서 데이터(SD)를 외부 전자 장치에 제공하지 않을 수 있다. 모드 선택 회로(254)는 시스템 온 모드 또는 시스템 오프 모드를 결정하는 시스템 동작 모드 신호를 생성할 수 있다.
모드 선택 회로(254)는 패턴 데이터에 의하여 예측된 사물 인터넷 시스템(100)의 에너지 소모량에 따라 충전 모드를 결정할 수 있다. 충전 모드에서, 에너지 저장부(230)는 에너지 소스(110)로부터 제공된 에너지를 저장할 수 있다. 충전 모드는 에너지 관리 장치(200)에 입력되는 에너지를 선택하는 복수의 모드들로 구분될 수 있다. 예를 들어, 충전 모드는 태양 전지 선택 모드, 베타 전지 선택 모드, 압전 에너지 공급 장치 선택 모드, 및 RF 전원 공급 장치 선택 모드로 구분될 수 있다. 모드 선택 회로(254)는 에너지를 선택하고, 선택된 에너지를 저장하기 위한 충전 모드 신호를 생성할 수 있다.
모드 선택 회로(254)는 패턴 데이터에 따라 최적화된 시스템 동작 모드 신호 또는 충전 모드 신호를 생성한다. 예를 들어, 센서 데이터(SD)가 요구되는 시간에 시스템 온 모드로 동작하기 위한 시스템 동작 모드 신호가 생성될 수 있다. 사물 인터넷 시스템(100)의 예측되는 에너지 소모량이 저장된 에너지보다 큰 경우, 충전 모드 신호가 생성될 수 있다. 또한, 학습 회로(252)의 분석 결과, 태양 전지의 에너지 생성 효율이 다른 에너지 소스들에 비하여 큰 시간인 경우, 태양 전지 선택 모드로 동작하기 위한 충전 모드 신호가 생성될 수 있다. 모드 선택 회로(254)는 시스템 동작 모드 또는 충전 모드를 판단하기 위한 전용 회로로 구현될 수 있다. 또는, 모드 선택 회로(254)는 소프트 웨어 또는 펌 웨어로 구현될 수 있다.
인터페이스(260)는 센서 인터페이스(240) 또는 딥 러닝 데이터 처리기(250)로부터 센서 데이터(SD)를 수신한다. 인터페이스(260)는 센서 데이터(SD)를 외부 전자 장치에 제공한다. 즉, 인터페이스(260)는 외부 전자 장치와 상호 작용할 수 있다. 인터페이스(260)는 외부 전자 장치와 유선 또는 무선으로 데이터 통신을 수행할 수 있다. 인터페이스(260)는 외부 전자 장치와 계속적으로 데이터 통신을 수행함으로써 사물 인터넷(Internet of Things)이 구현될 수 있다. 인터페이스(260)는 외부 전자 장치에 센서 데이터(SD)를 제공함으로써, 검출 센서(130)의 주변 환경 정보를 지속적으로 제공할 수 있다.
컨트롤러(270)는 에너지 관리 장치(200)의 구성 요소들의 동작을 제어한다. 컨트롤러(270)는 에너지 관리 장치(200)의 중앙 제어 장치의 기능을 수행할 수 있다. 컨트롤러(270)는 사물 인터넷 시스템(100)을 구현하기 위하여 요구되는 제어 동작 및 연산 동작을 수행할 수 있다. 컨트롤러(270)의 제어 하에, 에너지 입력부(210)는 복수의 에너지 소스들로부터 생성되는 에너지 중 선택된 에너지를 입력 받아 에너지 변환기(220)에 출력할 수 있다. 컨트롤러(270)의 제어 하에, 에너지 저장부(230)는 선택된 에너지를 저장하고, 저장된 에너지를 다른 구성 요소들에 전달할 수 있다. 컨트롤러(270)의 제어 하에, 센서 인터페이스(240)는 검출 센서(130)와 데이터를 주고 받을 수 있다. 컨트롤러(270)의 제어 하에, 인터페이스(260)는 외부 전자 장치와 데이터를 주고 받을 수 있다.
컨트롤러(270)의 제어 하에, 딥 러닝 데이터 처리기(250)는 센서 데이터(SD)를 분석 및 학습할 수 있고, 패턴 데이터를 생성하여, 사물 인터넷 시스템(100)의 에너지 소모량 및 구동 시간을 예측할 수 있다. 또한, 컨트롤러(270)의 제어 하에, 딥 러닝 데이터 처리기(250)는 시스템 동작 모드 신호 및 충전 모드 신호를 생성할 수 있다. 컨트롤러(270)는 딥 러닝 데이터 처리기(250)로부터 시스템 동작 모드 신호 및 충전 모드 신호를 수신할 수 있다.
시스템 온 모드에서의 시스템 동작 모드 신호에 따라, 컨트롤러(270)는 센서 데이터(SD)를 외부 전자 장치에 제공할 수 있다. 시스템 오프 모드에서의 시스템 동작 모드 신호에 따라, 컨트롤러(270)는 센서 데이터(SD)를 외부 전자 장치에 제공하지 않을 수 있다. 컨트롤러(270)는 시스템 동작 모드 신호에 근거하여 검출 센서 제어 신호를 생성할 수 있다. 시스템 온 모드에서의 검출 센서 제어 신호에 따라, 검출 센서(130)는 센서 데이터(SD)를 에너지 관리 장치(200)에 제공할 수 있다. 시스템 오프 모드에서의 검출 센서 제어 신호에 따라, 검출 센서(130)는 센서 데이터(SD)를 에너지 관리 장치(200)에 제공하지 않을 수 있다.
충전 모드 신호에 따라, 컨트롤러(270)는 에너지 저장부(230)가 에너지를 저장하도록 제어할 수 있다. 컨트롤러(270)는 충전 모드 신호에 근거하여 에너지 선택 신호를 생성할 수 있다. 컨트롤러(270)는 에너지 선택 신호를 에너지 입력부(210)에 제공할 수 있다. 에너지 입력부(210)는 에너지 선택 신호에 근거하여 복수의 에너지 소스들로부터 생성된 에너지 중 선택된 에너지를 에너지 변환기(220)에 제공할 수 있다.
도 4는 본 발명의 실시예에 따른 사물 인터넷 시스템에서의 에너지를 관리하는 방법의 순서도이다. 도 4에 따른 사물 인터넷 시스템에서의 에너지를 관리하는 방법은 도 1의 사물 인터넷 시스템(100)에서 수행될 수 있다. 또한, 도 4의 각 단계들은 도 3의 에너지 관리 장치(200)에서 수행될 수 있다. 설명의 편이상, 사물 인터넷 시스템을 구동하는 방법은 도 1 및 도 3의 도면 부호를 참조하여 설명된다. S110 단계가 진행되기 전에, 에너지 관리 장치(120, 200)의 동작 모드는 초기화될 수 있다. 예를 들어, 에너지 관리 장치(120, 200)는 시스템 온 모드로 초기화될 수 있다.
S110 단계에서, 에너지 관리 장치(120, 200)는 센서 데이터(SD)를 수신한다. 검출 센서(130)는 주위 환경에 대한 다양한 요소들을 센싱하여 센서 데이터(SD)를 생성한다. 센서 데이터(SD)는 에너지 관리 장치(200)에 포함된 센서 인터페이스(240)를 통하여 딥 러닝 데이터 처리기(250)에 제공될 수 있다.
S120 단계에서, 에너지 관리 장치(120, 200)는 센서 데이터(SD)를 분석한다. 딥 러닝 데이터 처리기(250)는 센서 데이터(SD)의 변화 추이를 딥 러닝 알고리즘을 이용하여 패턴화할 수 있다. 딥 러닝 데이터 처리기(250)는 센서 데이터(SD)를 분석 및 학습하여, 검출 센서(130)의 구동이 요구되는 시간을 예측할 수 있다. 딥 러닝 데이터 처리기(250)는 센서 데이터(SD)를 분석 및 학습하여, 사물 인터넷 시스템(100)이 소모하는 에너지량을 예측할 수 있다.
S130 단계에서, 에너지 관리 장치(120, 200)는 동작 모드를 결정한다. 에너지 관리 장치(120, 200)는 시스템 동작 모드를 결정할 수 있다. 딥 러닝 데이터 처리기(250)는 검출 센서(130)의 구동이 요구되는 시간을 예측하여, 시스템 동작 모드를 결정할 수 있다. 검출 센서(130)의 구동이 요구되거나 외부 전자 장치로 센서 데이터(SD)의 전달이 요구되는 시간에, 시스템 동작 모드는 시스템 온 모드로 결정될 수 있다. 검출 센서(130)의 구동이 요구되지 않거나 외부 전자 장치로 센서 데이터(SD)의 전달이 요구되지 않는 시간에, 시스템 동작 모드는 시스템 오프 모드로 결정될 수 있다. 딥 러닝 데이터 처리기(250)는 결정된 시스템 동작 모드에 근거하여 시스템 동작 모드 신호를 생성한다.
에너지 관리 장치(120, 200)는 충전 모드를 결정할 수 있다. 딥 러닝 데이터 처리기(250)는 사물 인터넷 시스템(100)의 에너지 소모량을 예측하여, 충전 모드를 결정할 수 있다. 딥 러닝 데이터 처리기(250)는 에너지 저장부(230)가 완전 충전되지 않은 경우, 에너지 저장부(230)에 추가적인 에너지를 저장하기 위하여 충전 모드를 결정할 수 있다. 딥 러닝 데이터 처리기(250)는 충전 시점에서, 복수의 에너지 소스들에 대한 에너지 생성 효율을 판단할 수 있다. 에너지 관리 장치(120, 200)는 센서 데이터(SD)에서 검출된 주위 환경의 요소들을 학습하여, 가장 높은 에너지 생성 효율을 갖는 에너지 소스로부터 에너지를 입력 받을 수 있다. 딥 러닝 데이터 처리기(250)는 결정된 충전 모드에 근거하여 충전 모드 신호를 생성한다.
S140 단계에서, 에너지 관리 장치(120, 200)는 최적화된다. 시스템 온 모드에서, 에너지 관리 장치(120, 200)는 센서 데이터(SD)를 검출 센서(130)로부터 수신할 수 있다. 시스템 온 모드에서, 에너지 관리 장치(120, 200)는 센서 데이터(SD)를 외부 전자 장치에 제공할 수 있다. 만약, 시스템 온 모드에서 에너지 저장부(230)의 추가적인 충전이 요구되는 경우, 충전 모드에 의하여, 선택된 에너지가 에너지 저장부(230)에 저장될 수 있다. 시스템 오프 모드에서, 에너지 관리 장치(120, 200)는 검출 센서(130)가 구동되지 않도록 검출 센서 제어 신호를 생성할 수 있다. 즉, 에너지 관리 장치(120, 200)는 검출 센서(130)에 의하여 센싱된 주위 환경의 요소들을 학습하여 최적화된 에너지 소스를 선택할 수 있다. 또한, 사물 인터넷 시스템(100)의 구동 시간을 최적화하여, 에너지 소모를 최소화할 수 있다.
도 5는 도 4의 동작 모드를 결정하는 단계를 구체화하는 순서도이다. 도 5에 따른 동작 모드를 결정하는 단계는 도 1 또는 도 3의 에너지 관리 장치(120, 200)에서 수행될 수 있다. 설명의 편이상, 동작 모드를 결정하는 단계는 도 1 및 도 3의 도면 부호를 참조하여 설명된다.
S131 단계에서, 딥 러닝 데이터 처리기(250)는 패턴 데이터를 생성한다. 딥 러닝 데이터 처리기(250)는 센서 데이터(SD)의 변화 추이를 학습한다. 딥 러닝 데이터 처리기(250)는 센서 데이터(SD)의 변화 추이를 패턴화하여 패턴 데이터를 생성할 수 있다. 패턴 데이터는 시간에 따른 에너지 관리 장치(120, 200) 및 검출 센서(130)의 에너지 소모량에 대한 정보를 포함할 수 있다. 또한, 패턴 데이터는 시간에 따라 검출 센서(130)가 센싱한 주위 환경의 상태에 대한 정보 및 주위 환경의 상태 변화에 대한 정보를 포함할 수 있다. 주위 환경의 상태에 대한 정보 또는 주위 환경의 상태 변화에 대한 정보는 검출 센서(130)의 종류에 의존한다. 예를 들어, 검출 센서(130)의 종류에 따라, 주위 환경의 온도, 조도, 기계적인 운동 상태, 또는 공기의 성분 등이 딥 러닝 데이터 처리기(250)에 제공될 수 있고, 패턴화될 수 있다.
S132 단계에서, 에너지 관리 장치(120, 200)는 시스템 동작 모드를 설정한다. 에너지 관리 장치(120, 200)는 패턴 데이터에 근거하여 시스템 동작 모드를 설정할 수 있다. 시스템 동작 모드는 시스템 온 모드와 시스템 오프 모드로 구분될 수 있다. 예를 들어, 딥 러닝 데이터 처리기(250)는 패턴 데이터에 근거하여 검출 센서(130)의 동작 주기를 판단할 수 있다. 딥 러닝 데이터 처리기(250)는 검출 센서(130)의 동작이 요구될 때, 시스템 온 모드로 동작하기 위한 시스템 동작 모드 신호를 생성할 수 있다. 딥 러닝 데이터 처리기(250)는 검출 센서(130)의 동작이 요구되지 않을 때, 시스템 오프 모드로 동작하기 위한 시스템 동작 모드 신호를 생성할 수 있다.
시스템 온 모드로 설정될 때, 검출 센서(130)는 센서 데이터(SD)를 생성하고, 에너지 관리 장치(120, 200)는 센서 데이터(SD)를 외부 전자 장치로 제공할 수 있다. 또한, 딥 러닝 데이터 처리기(250)는 센서 데이터(SD)를 분석 및 학습할 수 있다. 시스템 오프 모드로 설정될 때, 검출 센서(130)는 주위 환경의 요소들을 센싱하지 않을 수 있다. 사물 인터넷 시스템(100)은 다시 시스템 온 모드로 설정될 때까지, 센서 데이터(SD)를 생성하여 외부 전자 장치에 제공하지 않을 수 있다. 에너지 관리 장치(120, 200)는 딥 러닝 기반으로 주위 환경을 분석, 학습, 및 예측하여, 사물 인터넷 시스템(100)의 구동을 제어하므로, 에너지 소모가 저감될 수 있다.
S133 단계에서, 에너지 관리 장치(120, 200)는 충전 모드를 설정한다. 에너지 관리 장치(120, 200)는 패턴 데이터에 근거하여 충전 모드를 설정할 수 있다. 예를 들어, 딥 러닝 데이터 처리기(250)는 패턴 데이터에 포함된 에너지 소모량에 대한 정보 또는 에너지 저장부(230)의 에너지 충전 정도에 근거하여 충전 모드를 설정할 수 있다. 충전 모드에서, 에너지 저장부(230)는 에너지 소스(110)로부터 입력 받은 에너지를 저장한다.
딥 러닝 데이터 처리기(250)는 패턴 데이터에 근거하여 충전 모드 신호를 생성할 수 있다. 충전 모드 신호에 근거하여, 에너지 관리 장치(120, 200)는 에너지 소스(110)에 포함된 복수의 에너지 소스들에서 생성된 에너지들 중 에너지 저장부(230)에 저장될 에너지를 선택할 수 있다. 충전 모드는 에너지 저장부(230)에 저장될 에너지를 선택하는 복수의 모드들로 구분될 수 있다. 딥 러닝 데이터 처리기(250)는 패턴 데이터에 포함된 주위 환경의 상태에 대한 정보를 통하여, 에너지 생성 효율 또는 에너지 전달 효율이 가장 우수한 에너지 소스를 판단할 수 있다. 예를 들어, 딥 러닝 데이터 처리기(250)는 패턴 데이터에 포함된 주위 환경의 온도 정보 또는 조도 정보를 통하여 낮 시간이 지속될 것을 예측할 수 있다. 이 경우, 딥 러닝 데이터 처리기(250)는 태양 전지에서 생성된 태양 전지 에너지를 에너지 저장부(230)에 저장될 에너지로 선택하도록 충전 모드 신호를 생성할 수 있다.
에너지 관리 장치(120, 200)는 검출 센서(130)로부터 센싱된 주위 환경을 딥 러닝 기반으로 분석, 학습, 및 예측할 수 있다. 분석, 학습, 및 예측된 센서 데이터(SD)를 이용하여, 에너지 관리 장치(120, 200)가 입력 받을 최적화된 에너지를 선택할 수 있으므로, 주위 환경에 적응적으로 에너지 하베스팅의 효율을 극대화할 수 있다. 따라서, 주위 환경과 무관하게 반영구적인 사물 인터넷 시스템(100)이 구현될 수 있다. 아울러, 에너지 관리 장치(120, 200) 검출 센서(130)의 동작 주기도 고려하여, 사물 인터넷 시스템(100)의 온-오프 동작을 제어할 수 있으므로, 사물 인터넷 시스템(100) 자체가 소모하는 에너지의 소모도 최소화할 수 있다.
위에서 설명한 내용은 본 발명을 실시하기 위한 구체적인 예들이다. 본 발명에는 위에서 설명한 실시 예들뿐만 아니라, 단순하게 설계 변경하거나 용이하게 변경할 수 있는 실시 예들도 포함될 것이다. 또한, 본 발명에는 상술한 실시 예들을 이용하여 앞으로 용이하게 변형하여 실시할 수 있는 기술들도 포함될 것이다.
100: 사물 인터넷 시스템 110: 에너지 소스
120, 200: 에너지 관리 장치 130: 검출 센서
210: 에너지 입력부 220: 에너지 변환기
230: 에너지 저장부 240: 센서 인터페이스
250: 딥 러닝 데이터 처리기 260: 인터페이스
270: 컨트롤러

Claims (1)

  1. 에너지 하베스팅 기반의 에너지 관리 장치에 있어서,
    복수의 에너지 소스들로부터 생성되는 에너지들 중 입력 받을 에너지를 선택하는 에너지 입력부;
    상기 선택된 에너지를 저장하는 에너지 저장부; 및
    검출 센서로부터 입력 받은 센서 데이터에 기반하여 상기 복수의 에너지 소스들 각각의 에너지 생성 효율을 예측하는 딥 러닝 데이터 처리기를 포함하되,
    상기 에너지 입력부는 상기 예측된 에너지 생성 효율에 기초하여 상기 입력 받을 에너지를 선택하는 에너지 관리 장치.
KR1020170110408A 2017-08-30 2017-08-30 에너지 하베스팅 기반의 에너지 관리 장치 KR102457190B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170110408A KR102457190B1 (ko) 2017-08-30 2017-08-30 에너지 하베스팅 기반의 에너지 관리 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170110408A KR102457190B1 (ko) 2017-08-30 2017-08-30 에너지 하베스팅 기반의 에너지 관리 장치

Publications (2)

Publication Number Publication Date
KR20190023952A true KR20190023952A (ko) 2019-03-08
KR102457190B1 KR102457190B1 (ko) 2022-10-21

Family

ID=65801240

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170110408A KR102457190B1 (ko) 2017-08-30 2017-08-30 에너지 하베스팅 기반의 에너지 관리 장치

Country Status (1)

Country Link
KR (1) KR102457190B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210132473A (ko) * 2020-04-27 2021-11-04 에스큐아이소프트(주) 지능형 운용 모드 설정 기능을 갖춘 데이터 수집 및 처리용 엣지 디바이스
KR20230038935A (ko) * 2021-09-13 2023-03-21 한국공학대학교산학협력단 뉴럴 네트워크 기반 에너지 하베스팅 방법 및 시스템

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140023125A (ko) * 2012-08-17 2014-02-26 엘지전자 주식회사 에너지 저장장치, 전력 관리 장치, 이동 단말기 및 그 동작방법
KR20160063750A (ko) * 2014-11-27 2016-06-07 삼성전자주식회사 다중 에너지 자원을 이용한 충전 방법 및 장치
KR20170007625A (ko) * 2015-07-10 2017-01-19 주식회사 대류 마이크로그리드 태양광 하베스팅 기반의 에너지 효율화를 위한 에너지 통합 관리 시스템

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140023125A (ko) * 2012-08-17 2014-02-26 엘지전자 주식회사 에너지 저장장치, 전력 관리 장치, 이동 단말기 및 그 동작방법
KR20160063750A (ko) * 2014-11-27 2016-06-07 삼성전자주식회사 다중 에너지 자원을 이용한 충전 방법 및 장치
KR20170007625A (ko) * 2015-07-10 2017-01-19 주식회사 대류 마이크로그리드 태양광 하베스팅 기반의 에너지 효율화를 위한 에너지 통합 관리 시스템

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210132473A (ko) * 2020-04-27 2021-11-04 에스큐아이소프트(주) 지능형 운용 모드 설정 기능을 갖춘 데이터 수집 및 처리용 엣지 디바이스
KR20230038935A (ko) * 2021-09-13 2023-03-21 한국공학대학교산학협력단 뉴럴 네트워크 기반 에너지 하베스팅 방법 및 시스템

Also Published As

Publication number Publication date
KR102457190B1 (ko) 2022-10-21

Similar Documents

Publication Publication Date Title
JP5481080B2 (ja) 電力融通システム
KR101298500B1 (ko) 마이크로그리드 시뮬레이션 장치 및 전력 관리 시스템
US10123390B2 (en) Energy management control for solar-powered lighting devices
CA3064446C (en) Maximum power point tracking hybrid control of an energy storage system
KR20120056748A (ko) 마이크로그리드 운영 시스템 및 방법
KR20160001249A (ko) 태양광 발전과 에너지 저장 시스템을 이용한 홈 에너지 관리 시스템
KR20180070077A (ko) 다중센서기반의 ess용 태양광 충전컨트롤러의 최대전력점추종 연동 제어 모니터링 시스템
JP7033750B2 (ja) 電力管理システム
JP2017011804A (ja) 電力管理装置、装置システム、電力管理方法、およびプログラム
KR20190023952A (ko) 에너지 하베스팅 기반의 에너지 관리 장치
JP2013165533A (ja) 太陽光発電システム及びそのユーザーインターフェイス装置
JP2012080622A (ja) センサノード電力予測制御装置、センサノード電力予測制御方法及びプログラム
KR20210026665A (ko) 서버
JP5057287B2 (ja) 通信システム、同通信システムで使用するセンタ装置及び端末装置
KR102467537B1 (ko) 인공지능 기반 지하수 순환 및 양수전력 최적관리 시스템 및 방법
CN106786789A (zh) 微网发电量实时控制系统及方法
KR102029030B1 (ko) 장주기 및 단주기 특성을 모두 고려하는 전력저장시스템 운전 제어 장치 및 방법
JP4784869B2 (ja) 通信システム、同通信システムを構成する各端末装置間の接続経路設定方法、及び同通信システムに用いる端末装置
KR20200017585A (ko) 주택용 태양광발전 홈 에너지저장 관리시스템
JP2016135094A (ja) 太陽光発電装置
CN211981832U (zh) 一种光功率预测用环境监测装置
CN116454983B (zh) 一种风光储联合最优控制管理方法、系统及设备
CN117691685B (zh) 一种光伏逆变器智能调控系统
KR102482156B1 (ko) 독립형 태양광 조명시스템 및 이의 제어 방법
Botma et al. Solar home energy management system

Legal Events

Date Code Title Description
A201 Request for examination
AMND Amendment
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
X091 Application refused [patent]
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant