KR20190036488A - 스마트 그리드에서 산업 부하 관리를 위한 실시간 결정 방법 및 시스템 - Google Patents

Abstract

진화하는 산업 부하 관리가 수요 반응(DR) 프로그램에 미칠 잠재적 영향은 널리 인정되었다. 본 발명은 계속하여 변화하는 실시간 가격(RTP: Real-Time Price)에 직면한 산업 생산 프로세스의 부하 관리를 위한 실시간 의사 결정 모델을 제안한다. 제조 프로세스의 연속 작업 간의 고유한 종속성으로 인해 의사 결정 모델은 장래의 부하 관리를 고려해야 한다. 문제는 미래의 실시간 가격을 미리 알 수 없다는 불확실성에 있다. 이를 고려하여 미래의 가격 불확실성을 처리하기 위해 강인한 최적화가 채택되었으므로 제안된 모델은 향후 시간 슬롯에서 부하 스케줄링을 고려하면서 현재의 시간 슬롯에 대해 실시간 가격을 수신할 때 산업 부하 제어에 대해 적시의 결정을 내릴 수 있다. 본 발명은 강철 분말 제조 공정에서 수행되었다. 시뮬레이션 결과는 다양한 관점에서 제안된 실시간 의사 결정 접근법의 유효성을 확인했다.

Description

스마트 그리드에서 산업 부하 관리를 위한 실시간 결정 방법 및 시스템{Real-time decision method and system for industrial load management in a smart grid}

본 발명은 스마트 그리드에서 산업 부하 관리를 위한 실시간 결정 방법 및 시스템에 관한 것이다.

전기 수요가 계속 증가하면 전력망에 막대한 부담이 발생한다. 전통적인 해결책은 연료 및 탄소 배출 비용이 점차 증가하는 문제를 겪으면서 수요와 공급을 일치시키기 위한 차세대 역량을 구축하는 것이다. 스마트 그리드(Smart Grid)가 출현하면서 수요 측면에서 유연한 부하를 조정함으로써 수요 - 공급 불일치에 신속하게 대응할 수 있는 능력으로 인해 수요 반응(DR)이 그리드 효율과 신뢰성을 개선하는데 적극적으로 기여하기 시작했다. 산업 DR 관리는 전력 집약적인 산업 프로세스와 관련이 있으며, 전력 집약적인 산업 프로세스에 대해 잠재적인 영향을 미친다는 것이 널리 인정되었다.

산업 제조 프로세스의 에너지 관리를 위해 설계된 효과적인 DR 메커니즘은 여전히 거의 없다. 종래 하루 전(day-ahead) 결정 모델에 대해 연구가 있었다. 즉, 다음 날 전기 가격(사용 시간 가격) 또는 하루 전 실시간 가격이 산업 시설에 활용될 수 있다고 가정하여, 하루 비용을 최소화함으로써 다음날의 최적 에너지 소비 스케줄링이 사전 정의될 수 있다. 최근 이산 제조 프로세스의 에너지 관리를 위해 인센티브 기반 실시간 수요 입찰 전략이 제안되었으나, 산업 시설에 인센티브가 발행되는 기간은 사전에 공지되는 것으로 가정되었다. 이산 제조 프로세스에서의 인센티브 기반 실시간 수요 입찰 방식은 어느 정도까지, 여전히 확정적(deterministic)이고 동적 스마트 그리드 환경의 하에서 불확실성을 수용할 수 없다. 전반적으로 상술한 확정적 모델은 실시간 단계에서 발생할 수 있는 예상치 못한 일에 직면하게 된다.

또한, 전기 산업의 규제 완화와 함께 전력이 다른 시간에 다양한 곳으로부터 그리드로 주입될 수 있고, 전기 시장의 수요 측 자원의 개입은 수요 공급 간의 실시간 불균형을 더욱 악화시킨다. 이 모든 요소들이 하루 전 가격 예측의 부정확성을 야기한다. 즉, 하루 전 가격(DA-RTP)은 끊임없이 변하는 도매 전기가격의 실시간 상황을 따라잡을 수 없다. 이러한 상황에서, 동적 실시간 가격(RTP)의 휘발성 또는 불확실성을 수용할 수 있는 혁신적 DR 메커니즘을 고안해야 한다.

몇 가지 휴대용 실시간 DR 에너지 관리 방식이 제안되었다. 이 방식은 수신한 실시간 가격에 대해 응답하는 것으로서 부하를 제어하기 위한 거주 사용자의 적시의 결정을 도와줄 수 있다. 미래 가격의 불확실성을 고려하지 않고 현재시간 간격에서 장비의 동시적 부하 제어에 초점을 맞춘 DR 방식은 산업 시설에 직접 적용할 수는 없다. 제조 프로세스는 일반적으로 다른 연속적 태스크(task)들로 구성되어 있으며, 그 태스크들은 본래 함께 동작하고 독립적으로 취급될 수 없기 때문에, 산업 제조 프로세스의 부하 관리 문제를 모델링(modeling)할 때 확장된 스케줄링 구간(예를 들어, 하루)이 필요하다.

종래 연구는 1일의 시간 구간을 공식화함으로써 현재시간 슬롯 (RTP와 함께 제공될 때)에 대한 실시간 에너지 관리 결정을 내릴 뿐만 아니라 미래 가격 불확실성을 고려하는 다양한 애플리케이션에 대한 DR 접근법을 제안했다. 크게 가격 불확실성을 다루기 위해 시나리오 기반 확률적 프로그래밍 모델과 강인한 최적화의 두 가지 효과적인 접근법이 적용되었다. 전자의 접근 방식을 사용하면 여러 시나리오를 생성해야 한다. 그런 다음 시나리오에 종속된 동작 결정은 각 시나리오의 전기 가격 불확실성에 따라 유도된다. 이것은 시나리오를 생성하기 위해 확률 분포를 사용할 필요가 있는데, 불확실한 데이터(예를 들어, 미래 가격)에 대한 확률 분포를 맞추는 것이 복잡하다. 더욱이, 불확실한 데이터를 기술하는데 필요한 시나리오의 수는 대개 상당히 많아서, 특히 응용 프로그램이 복잡할 때 심각한 계산 부담을 초래하고 다루기 어려워진다.

대안으로, 가격 불확실성을 모델링하기 위해 강인한 최적화가 채택되었다. 강인한 최적화는 불확실한 매개 변수로 최적화 문제를 해결하는 데 유용한 도구인데, 여기서 불확실성 집합(예를 들어 간격)이 쉽게 생성될 수 있는 불확실한 매개 변수의 가변성을 설명하기 위해 사용된다. 불확실성 집합을 이용하여, 강인한 최적화는 이 집합 내의 불확실한 매개 변수의 모든 실현에 대해 실현 가능성을 보장하며 확률적 프로그래밍 모델에 비해 계산 부담이 더 가볍게 된다.

그러나 이와 같은 기존 연구는 모두 가정용 부하 제어 또는 그리드 수준의 수요 반응 동작을 위해 설계되었다. 순간적으로 변화하는 전기 가격에 대해 산업 생산 공정에서 실시간 에너지 소비를 관리하는 방법을 다룬 종래 연구는 없었다.

미국공개특허 2015/0206083

본 발명은 RTP(Real-Time Price)의 동적 특성을 고려하여 현재시간 슬롯에 대해 RTP를 수신하고 미래의 가격 불확실성을 처리하기 위한 강인한 최적화를 채택할 때마다 산업 제조 프로세스에 대해 적시의(timely) 부하 제어 결정을 내리는 문제를 해결하기 위한 것이다.

이를 위하여, 본 발명에 따른 산업 부하 관리를 실시간 결정하기 위한 방법은 산업 시설의 에너지 관리 장치가 산업 부하 관리를 실시간 결정하기 위한 방법으로서, 전력을 공급하는 그리드로부터 일정한 시간 간격마다 전기 가격을 수신하는 단계와, 현재 시간 간격(t)의 전기 가격 및 현재 시간 간격에서 상기 그리드로부터 공급되는 전기량, 현재 시간 간격 이후 미래 시간 간격의 예측 전기 가격의 최소값 및 미래 시간 간격별 상기 그리드로부터 공급되는 전기량, 미래 시간 간격의 예측 전기 가격의 편차 영향의 정도를 반영한 강인성 레벨에 근거한 목적함수를 생성하는 단계와, 상기 생성한 목적함수의 값이 최소화되도록 상기 산업 시설의 제조 공정에 배치된 동작 선택(ST) 태스크 및 동작 조절(CRT) 태스크의 에너지 수요를 조정하는 단계를 포함한다.

또한, 본 발명에 따른 산업 부하 관리를 실시간 결정하기 위한 에너지 관리 장치는 전력을 공급하는 그리드로부터 일정한 시간 간격마다 전기 가격을 수신하여, 현재 시간 간격(t)의 전기 가격 및 현재 시간 간격에서 상기 그리드로부터 공급되는 전기량, 현재 시간 간격 이후 미래 시간 간격의 예측 전기 가격의 최소값 및 미래 시간 간격별 상기 그리드로부터 공급되는 전기량, 미래 시간 간격의 예측 전기 가격의 편차 영향의 정도를 반영한 강인성 레벨에 근거한 목적함수를 생성하고, 상기 생성한 목적함수의 값이 최소화되도록 산업 시설의 제조 공정에 배치된 동작 선택 태스크(ST) 및 동작 조절 태스크(CRT)의 에너지 수요를 조정하는 것을 특징으로 한다.

또한, 본 발명에 따른 산업 부하 관리를 실시간 결정하기 위한 에너지 관리 시스템은 동작 필수(NS) 태스크, 동작 선택(ST) 태스크 및 동작 조절(CRT) 태스크로 구성된 제조 공정을 가진 산업 시설과, 전력을 공급하는 그리드로부터 일정한 시간 간격마다 전기 가격을 수신하여, 현재 시간 간격(t)의 전기비용, 현재 시간 간격 이후 모든 미래 시간 간격의 예측 전기비용 및 미래 시간 간격의 예측 전기 가격의 편차 영향의 정도를 반영한 강인성 레벨을 변수로 하는 목적함수를 생성하고, 상기 생성한 목적함수의 값이 최소화되도록 상기 산업 시설의 제조 공정의 동작 선택(ST) 태스크 및 동작 조절(CRT) 태스크의 에너지 수요를 조정하는 에너지 관리 장치를 포함한다.

또한, 본 발명에 따른 산업 부하 관리를 실시한 결정하기 위한 저장매체에 기록된 프로그램은 산업 시설의 제조 공정에서 산업 부하 관리를 실시간 결정하기 위한 저장 매체에 기록된 프로그램으로서, 전력을 공급하는 그리드로부터 일정한 시간 간격마다 전기 가격이 수신될 때, 현재 시간 간격(t)의 전기 가격 및 현재 시간 간격에서 제조 공정의 전기 수요, 현재 시간 간격 이후 미래 시간 간격에 대한 예측 전기 가격의 범위 및 미래 시간 간격별 제조 공정의 전기 수요, 미래 시간 간격의 예측 전기 가격의 편차 영향의 정도를 반영한 강인성 레벨을 변수로 하는 목적함수를 생성하는 단계와, 상기 생성한 목적함수의 값이 최소화되도록 제조 공정의 동작 선택(ST) 태스크 및 동작 조절(CRT) 태스크의 에너지 수요를 조정하는 단계를 실행하는 것을 특징으로 한다.

상술한 바와 같이, 본 발명은 미래의 가격 불확실성을 처리하기 위해 강인한 최적화(robust optimization)가 채택되었으므로, 본 발명에 따른 실시간 결정 모델은 향후 시간 슬롯에서 부하 스케줄링을 고려하면서 현재의 시간 슬롯에 대해 실시간 가격을 수신할 때 산업 부하 제어에 대해 적시의 결정을 내릴 수 있는 효과가 있다.

도 1은 태스크 간의 저장장소를 나타낸 것이다.
도 2는 강철분말의 제조공정을 나타낸 것이다.
도 3은 각 시간 슬롯에서 태양광 패널에 의해 생성되는 전기량을 나타낸 것이다.
도 4는 날짜별 실제 최적 비율(AOP)와 추정 기준 파라미터(RP)를 나타낸 것이다.
도 5는 케이스 1(No DR)에서 모든 태스크의 총 전기수요를 나타낸 것이다.
도 6은 케이스 2(강인한 최적화가 있는 DR)에서 모든 태스크의 총 전기수요를 나타낸 것이다.
도 7은 냉수 및 질소 저장 변화를 나타낸 것이다.
도 8은 4개의 케이스에 대한 전기 수요를 비교한 것이다.
도 9는 산업 시설의 부하 구성을 나타낸 것이다.
도 10은 4개의 케이스에 대한 일일 비용을 비교한 것이다.
도 11은 본 발명에 따른 산업 부하 관리를 실시간 결정하기 위한 에너지 관리 시스템의 구성을 나타낸 것이다.

이하, 첨부된 도면을 참조하여 본 발명에 따른 실시 예를 상세하게 설명한다. 본 발명의 구성 및 그에 따른 작용 효과는 이하의 상세한 설명을 통해 명확히 이해될 것이다.

본 발명의 상세한 설명에 앞서, 공지된 구성에 대해서는 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 구체적인 설명은 생략하기로 함에 유의한다.

먼저, 본 발명의 주요 내용은 다음과 같다.

- 적시에 산업 제조 공정의 에너지 소비를 관리하기 위한 실시간 DR 결정 체계(framework)를 제안한다.

- 현재 및 미래의 시간 슬롯을 함께 연결하여 확장된 스케줄링 구간을 형성하며, 여기서 미래의 가격 불확실성을 모델링하기 위해 강인한 최적화가 채택된다.

- 일일 전기 비용을 낮추기 위해 튜닝 매개 변수(Reference Percentage(RP)라고 함)를 추정하여 강인성 수준을 지정하는 시스템 설계자를 지원하는 방법을 제안한다.

- 전체 철강 분말 제조 공정이 사례 연구로 채택되었다. 시뮬레이션 결과는 다양한 관점에서 제안된 실시간 결정 접근법의 유효성을 확인하였다.

본 발명은 산업 부하 스케줄링의 문제 공식화, 강인한 최적화 기반의 실시간 의사 결정 모델, 강철 분말 제조 공정의 사례 연구의 순으로 설명한다.

본 발명은 실시간 가격(RTP) 기반 DR 프로그램에 참가하는 산업 시설을 위한 실시간 결정 모델을 제공한다. 시설의 에너지 관리 센터(EMC)는 도래할 시간 간격 수 분 전에 전력 공급자로부터 실시간 가격을 수신한 후 그 수신한 실시간 가격에 따라 산업 제조 프로세스의 에너지 소비를 관리한다. 그러한 활동은 새로운 가격이 에너지 관리 센터에 제공될 때마다 반복된다. 이하, 프로세스 모델링, 다양한 동작 제약조건, 목적함수 등을 포함하여 결정 모델의 수학적 공식화에 대해 구체적으로 설명한다.

문제 공식화

1. 산업 부하 모델링

a) 다른 태스크의 동작 제약조건

산업 부하는 다른 연속적인 태스크들의 복합체로 간주할 수 있다. 각 태스크 k에 대해, I_k,t는 시간 간격(slot) t 동안 동작 상태를 나타내며 이진 변수로 정의한다. 태스크 k가 동작하면 I_k,t=1, 동작하지 않으면 I_k,t=0이다. 특정 동작 조건에 따라, 태스크는 3개 타입으로 분류된다.

1) 동작 필수(non-shiftable: NS) 태스크는 동작을 시작하면, 계속해서 동작해야 한다. 즉, I_k,t는 언제나 "1"이다.

2) 동작 선택(shiftable: ST) 태스크는 "on"과 "off" 즉, "1"과 "0"의 2개의 동작 상태를 가진다.

3) 동작 조절(controllable: CRT) 태스크는 사전 정의된 집합 M_k 동안 다른 동작 레벨로 동작할 수 있다. y_m,k,t를 이진 변수로서 표시하며, 시간 간격 t에서 태스크 k의 동작 레벨 m의 상태를 나타낸다. 하나의 시간 간격에서 태스크는 하나의 동작 레벨(m∈M_k)로만 실행될 수 있으며 수학식 1과 같이 나타낼 수 있다.

b) 재료 저장 제약조건

모든 두 연속적인 태스크 간에, 저장 공간이 있다고 가정한다. 저장공간을 s로 표시한다. 시간 간격 t에서 저장공간 s의 재료 저장 S_s,t는 수학식 2와 같다.

여기서, P _s는 저장 공간 s를 위해 생산하는 태스크 집합을 나타내고, C _s는 저장 공간 s로부터 소비하는 태스크 집합을 나타낸다. P_s,k,t는 시간 간격 t에서 태스크 k에 의해 생산되는 저장공간 s의 생산량이고, C_{s,k ',t}는 시간 간격 t에서 태스크 k'에 의해 소비되는 저장공간 s의 소비량으로 수학식 3과 수학식 4와 같다.

여기서, P_m,k,t는 동작 레벨 m에서 태스크 k의 생산율을 나타내고, C_m',k',t는 동작 레벨 m'에서 태스크 k'의 소비율을 나타낸다.

도 1은 태스크 k가 s에 대해 재료를 생산하고 태스크 k'가 s에 대해 재료를 소비하는 저장공간 s를 도시한 것이다. 어느 시간 간격에서, 프로세싱 기계의 동작을 만족시키기 위해, 때때로 재료 흐름의 최소량을 유지하는 것이 필요하다. 또한, 저장된 재료는 최대 용량 한계를 초과할 수 없다. 따라서, S_s,t는 다음의 수학식 5로 제한되어야 한다.

c) 최종 생산물 제약조건

산업적 응용을 위해, 스케줄링 구간이 종료될 때 보통 최종 생산물의 최소량을 유지하는 것이 필요하다. 최종 출력 요구량을 Θ으로 표기하며, 다음 수학식 6의 조건을 만족해야 한다.

여기서, F는 최종 제품을 생산하는 태스크 집합을 나타낸다. 태스크 k가 CRT가 아닌 경우, 수학식 6의 y_m,k,t는 I_k,t로 대체된다.

d) 프로세스의 전기 수요

어느 태스크 k를 위해 시간 간격 t 동안의 전기 수요를 e_k,t라고 표기하면, e_k를 a)의 태스크 분류에 따라 태스크 k의 전력 소비율이라고 한다. 그러면, 각 태스크 유형의 전기 수요는 다음과 같이 모델화된다.

동작 필수(NS) 태스크는 수학식 7과 같다.

동작 선택(ST) 태스크는 수학식 8과 같다.

동작 조정(CRT) 태스크는 수학식 1에서 결정된 이진 변수에 따라 그 전기 수요가 수학식 9와 같이 모델화된다.

여기서, e_m,k는 동작 레벨 m에서 태스크 k의 전력 소비율을 나타낸다.

따라서, 한 시간 간격 동안 전체 전기 수요(E_t)는 각 태스크 k의 수요를 모두 합산하여 구할 수 있다.

2. ESS 모델링

에너지 저장 시스템(ESS)은 전기 부족시간 동안 시설에 에너지를 공급함으로써 그리드 부하를 완화할 목적으로 산업 시설에 존재한다. 시간 간격 t 동안 ESS 상태는 수학식 11을 사용하여 모델화된다. 수학식 11은 이전 시간 간격의 상태로부터 계산되며 또한 ESS의 충전 또는 방전량을 고려한다.

수학식 11은 다음의 수학식으로 표현되는 제약조건을 가진다.

여기서, 어느 시간 간격에서도 ESS 상태(E_t ^ESS)는 수학식 12의 제약조건과 같이 용량(^-E^ESS) 내에 있어야 한다. 제약조건(수학식 13, 14)은 가능한 충전 또는 방전량(E_ch,t ^ESS 또는 E_dis,t ^ESS)이 단위시간(1 슬롯) 동안 충전율 또는 방전율(E_ch ^rate 또는 E_dis ^ESS)을 초과해서는 안 된다는 것을 나타낸다. y_t ^ESS는 충전과 방전 모드 간의 전환을 제어하는 이진 변수이다. 수학식 15는 방전 전기를 2개로 분류하는데, E_use,t ^ESS는 산업 부하를 충족시키기 위해 사용되는 부분을 나타내고, E_sold,t ^ESS는 나머지 부분으로 수익을 위해 그리드에 재판매된 것이다. η_ch와 η_dis는 충전 및 방전 효율이다.

3. DER 모델링

산업 시설은 또한 분산 에너지 자원(DER)을 보유하고 있는 것으로 가정한다. 본 발명에서는 태양 에너지가 그 예가 될 수 있다. 생산된 에너지(E_pro,t ^DER)는 2개로 분리되는데, 산업 부하를 충족시키기 위한 것(E_use,t ^DER)과 그리드에 재판매하기 위한 것(E_sold,t ^DER)이며, 이는 수학식 16과 같이 모델화된다.

4. 전력 균형

시간 간격(슬롯) t 동안, 산업 제조 프로세스의 전기 수요량(E_t)와 ESS의 충전 요구량(E_ch,t ^ESS)은 그리드(E_t ^grid)에 의해 공급되거나 ESS(E_use,t ^ESS) 및 DER(E_use,t ^DER)에서 제공된 결합 에너지에 의해 공급된다.

5. 최대 수요 제약조건

최대 수요(peak demand)는 산업 부하 스케줄링을 설계할 때 중요한 인자로 고려된다. 왜냐하면, 많은 산업 시설이 최대 전기 수요 제한을 따라야 하기 때문이다. 따라서, 그리드로부터 유인된 전기(E_t ^grid)는 최대 제한(L₁)을 초과할 수 없다.

6. 그리드로 유입되는 전체 전력

그리드로 재판매될 수 있는 총 전력은 두 자원(ESS 및 DER)으로부터 나온다.

7. 전력 거래 제약조건

수학식 18의 최대 수요 제약조건을 넘어, 1 슬롯 동안 그리드로부터 들어온 전력 또는 그리드로 들어간 전력은 서로 배타적이다. 이는 수학식 20 및 수학식 21을 사용하여 제한될 수 있다.

여기서, y_t ^grid는 2개의 옵션 간 전환 제어에 사용되는 이진 변수("0" 또는 "1")이고, L₂는 그리드에 재판매될 수 있는 최대 전기량을 나타낸다.

8. 목적함수

전체 시간 구간(현재 슬롯 (t)와 미래 슬롯 (t+1, ..., T)로 분리)에서 총 전기 소비 비용을 최소화하는 것이 목적이며, 총 비용은 현재 슬롯의 비용(슬롯 t에서 RTP π_t)과 미래 슬롯의 총 비용(미래 가격을 π_τ, ∀τ∈[t+1, T]로 가정)이다. 스케줄링 구간의 나머지 T-t 슬롯을 고려하는 이유는 적응성(adaptability)을 유지하기 위한 것이다. 왜냐하면, 제조 프로세스의 연속하는 태스크는 상호 의존적이고 독립적으로 취급될 수 없기 때문이다. 확장된 스케줄링 구간을 사용하면, 제안된 모델은 실행 불가능하고 구현하기 어려운 솔루션을 회피할 수 있다.

현재 슬롯 t를 예로 들면, 가격 π_t으로 그리드로부터 에너지를 구입한 비용(E_t ^grid)과 가격 π_sell으로 그리드로 에너지를 판매한 수익(E_sold,t) 간의 차로 비용을 계산한다. ε₁·E_sold,t ^DER와 ε₂·E_sold,t ^ESS는 다른 에너지 자원에 부과되는 인공적 패널티로 정의된다. 여기서 ε₁와 ε₂는 총 비용에 영향이 없도록 하기 위해 충분히 적은 양(예를 들어, e^-7 또는 2e^-7)의 값으로 가정한다. 두 개의 패널티 항을 추가함으로써, 다른 자원에 대한 에너지 판매 우선순위가 구별될 수 있다. 즉, ε 값이 작을수록 에너지 관리 센서(EMC)가 다른 자원을 고려하기 전에 그 자원으로부터 모든 가능한 에너지를 우선적으로 판매하게 된다. 본 발명은 ε₁ < ε₂라고 가정한다. 왜냐하면, DER의 에너지 비용이 일반적으로 ESS보다 작다고 간주되기 때문이다.

강인한 최적화 방법론

1. 강인한 최적화 모델

수학식 22의 목적함수가 공식적으로 정의된 것이 아님에 유의한다. 왜냐하면, 미래 전기료(π_τ)는 미지의 값이기 때문이다. 본 발명은 미래 가격의 불확실성을 관리하기 위해 강인한 최적화를 채택한다. 강인한 최적화의 핵심 개념은 정확한 π_τ값 없이 수학식 22의 전체 비용을 최소화하는 것이다. 일반성을 잃지 않으면서, 미래 가격의 불확실성을 모델화하기 위해 가격 구간을 채택한다. 가격 구간은 [π_τ ^mim, π_τ ^max]로 표시되며, π_τ ^mim와 π_τ ^max는 가격 구간의 하한과 상한으로, π_τ은 미래 시간 슬롯 동안 변한다. 가격 구간은 가입된 전력 공급자에 의해 제공되거나, 가격 예측 모델(예를 들어, 시간 직렬 모델 및 신경망)을 사용하여 얻을 수 있다. 본 발명은 산업 제조 프로세스의 부하 관리를 위한 실시간 결정에 있어 강인한 최적화의 채택 가능성을 탐색하는데 집중한다. 가격 예측은 현재 기술로부터 채택할 수 있어서 본 발명의 범위에서 벗어난다.

가격 구간이 제공되면, 수학식 22의 강인한 대응관계가 수학식 23과 같이 공식화된다.

수학식 23에서, Γ는 미래 가격의 불확실성에 관하여 해답의 강인성 레벨을 제어하는 시스템 설계자에 의해 특정되는 매개 변수이다. Γ 값은 0에서 T-t(미래 슬롯의 최댓값)까지 조정될 수 있다. 특정 Γ 값에 대해, 그것은 허용 가능한 가격 편차의 최대 수를 나타낸다. 특히, Γ =0은 목적함수에서 가격 편차의 영향을 완전히 무시하는 가장 최적의 경우를 나타낸다. 반면에 Γ =T-t는 가장 보수적인 경우를 나타내며, 이것은 모든 미래 시간 슬롯에서 가격 편차(또는 불확실성)의 동시적 영향을 고려한다.

수학식 23의 내부 최대화를 보면, T ₀은 미래 시간 슬롯의 집합이다. 즉, T ₀ ⊆ [t+1,T]이다. 여기서, T ₀의 구성요소의 개수는 Γ 미만이어야 한다. 이것은 허용 가능한 가격 편차의 최대 수가 Γ이라는 것을 의미한다. 내부 최대화는 불확실한 가격의 최악 상태의 시뮬레이션을 시도한다. 즉, 전체 비용에 최대 영향을 끼치는(전체 비용에 최대 증가를 일으키는) 가격 불확실성의 최악의 상태를 구하려고 한다. 그러면 수학식 23의 외부 최소화는 모든 경우에 대해 최적화된 해를 구하는 것을 목적으로 한다. 그러한 해는 각 간격 [π_τ ^mim, π_τ ^max]에서 변하도록 허용된 가격 개수가 Γ까지라는 의미에서 강인하다.

수학식 23의 문제는 최소 최대 문제이며, 일반적으로 이런 문제를 푸는 것이 어렵다는 것을 알아야 한다. 쌍대성 차이(duality gap) 이론에 따르면, 이러한 최소 최대 문제는 다음의 수학식 24와 같이 단일 수준의 최적화 문제로 변환될 수 있다.

수학식 24는 상기 수학식 1 내지 21로 표현된 제약조건과 하기 수학식 26 내지 30으로 표현된 제약조건을 따른다.

변수 λ와 ξ_τ는 가격 한계를 고려할 때 사용되는 초기 문제(수학식 22)의 이중 변수이다. η_τ는 균등한 일차식을 얻기 위해 사용되는 보조 변수이다. 수학식 24에서, Γ는 0부터 모든 미지 가격의 개수까지 어떤 실수를 가질 수 있고, Γ의 값이 클수록 고비용일 때 강인성 레벨이 커진다.

제약조건(수학식 1-21 및 26-30)을 포함하는 수학식 24의 목적함수는 상용화된 소프트웨어 패키지를 이용해 효율적으로 풀 수 있는 MILP(Mixed-Integer Linear Programming) 최적화 문제를 공식화한다. 각 슬롯 t마다 문제를 풀어 현재 및 나머지 슬롯에 대해 에너지 소비 결정뿐만 아니라 y_t ^ESS와 y_t ^grid같은 전환 제어 변수에 대한 결정을 획득하게 된다. 그러나, 현재 슬롯에 대한 결정만 실행되며, 이것은 산업시설에 현재 슬롯의 최적 에너지 관리 지침을 제공할 수 있다.

수학식 24로부터 Γ 값에 따라 매일의 비용이 달라짐을 알 수 있다. 매일의 전기 비용을 낮추려고 강인성 레벨을 특정하는데 시스템 설계자에게 도움을 줄 수 있는 방법을 제안한다.

2. 강인성 레벨 특정 방법

이상적으로, 수학식 24에서 강인성 레벨 Γ는 예를 들어, 비율(percentage)에 T-t를 곱하여 0에서 미지 가격의 최대 개수 사이의 실수를 가질 수 있다. 매일의 기준에 근거해 조정 파라미터 RP를 추정하여 Γ를 특정할 때 최저 수준으로 매일의 비용을 제어한다는 의미로 시스템 설계자에게 도움을 줄 수 있는 방법을 제안한다. 그러면 Γ는 RP에 T-t를 곱하여 수학식 31과 같이 결정될 수 있다.

추정 방법을 상세히 설명하기 전에 구별 가능한 파라미터 즉, 실제 최적 비율(Actual Optimal Percentage: AOP)을 소개한다. 특정된 강인성 레벨은 실제 최적 비율로 최소의 일일 비용을 발생시킬 수 있다. 실제로, AOP는 미리 알 수 없지만 역방향으로 획득될 수 있다. 즉, 다양한 백분율이 하루의 끝에서 열거될 수 있다. 열거된 각 백분율에 대해 일일 비용을 역으로 계산할 수 있고 그러면 최소의 일일 비용을 발생시키는 백분율이 AOP로 간주된다. AOP는 계속 변하는 전기가격과 전기 수요에 의존하기 때문에 매일 차별화된다. 이러한 점에서, 지수 평활 모델을 사용하여 RP 및 AOP의 과거 데이터를 기반으로 현재 날짜 d의 RP를 수학식 32와 같이 추정한다.

여기서, RP_d-1과 AOP_d-1은 각각 전날(d-1)의 RP와 실제 최적 비율을 의미하고, RP_d는 현재 날짜 d의 RP이다. β(0 < β <1)는 지수 평활 모델의 평활 인자로서 시스템 설계자에 의해 지정된다.

수학식 32에 의하면, RP_d는 매일의 기준에 근거해 추정될 수 있고, 그러면 스케줄 구간이 진행될 때 각 슬롯 t의 시작에서 강인성 레벨 Γ를 특정하는데 사용된다.

사례 연구

1. 사례의 구성

RTP에 응답하는 본 발명에 따른 강인성 최적화 기반 방법의 유효성을 검증하기 위해, 복수의 태스크로 구성된 강철분말 제조 공정을 채택하여 도 2와 같은 사례 연구를 수행한다. 각 태스크의 기능 및 특성에 따라 3개 유형으로 분류되어 2개의 NS 태스크(용광로, 마무리-환원로), 4개의 ST 태스크(분무, 탈수, 건조, 자기 분리), 5개의 CRT 태스크(분쇄, 분류, 혼합, 수냉, 질소발생)가 있다. 마지막 2개의 CRT 태스크는 분무, 탈수, 건조 및 마무리-환원로의 태스크를 위한 냉수 및 질소를 제공한다. 용광로는 복수의 생산라인으로 동시에 액상 철을 공급하기 위해 사용되는 에너지 집약적 강철 더미이다. 단일 생산라인을 모델링하는데 초점을 맞추었기 때문에 용광로의 에너지 소비는 본 사례 연구에서 제외된다.

표 1 또는 표 2는 도 2에 도시된 것처럼 3개 유형의 파라미터를 나열하고 있다. 표 1의 모든 태스크의 최소 저장 요건은 이 제조 공정에서 0으로 설정된다. 왜냐하면 이전 태스크에 의해 생산된 재료가 사용 불가하면 이후 태스크가 작업을 중단하기 때문이다. ESS의 파라미터는 표 3에 나타나 있다. 간단히 하기 위해, 본 사례의 DER은 태양광 패널로 가정한다. 각 시간 슬롯에서 생산된 전기량은 도 3에 도시되어 있다. 도 3은 태양 방사 조도가 최대인 정오에 전기 생산율이 가장 높고 야간에 전기가 생상되지 않는다는 상식을 기반으로 도시되었다. 실제로 태양 에너지의 확률적 특성은 일기예보 정보에 근거한 정교한 방법을 사용하여 예측할 수 있다.

최종 생산 요건 Θ은 90톤으로 하였다. 그리드로부터 공급되는 전기 최대량 L₁은 500kWh, 그리드로 판매되는 전기 최대량 L₂은 100kWh로 하였다. 실제로 이러한 값들은 응용별로 다르며 산업시설 설계자 또는 전력 공급 측에 의해 설정되어야 한다.

전체 시간 구간은 하루의 24시간을 나타내는 24개의 시간 슬롯으로 나눈다. 시간 구간은 00;00에서 시작되며 시뮬레이션은 수시로 진행되었다. 각 슬롯에서 RTP는 미리(예를 들어, 5분 전) 수신된다고 가정하여, Gurobi 소프트웨어를 이용해 본 발명에 따른 강인한 최적화 문제(수학식 24-30)를 풀었다.

단일 슬롯 최적화 문제를 푸드는데 드는 연산 시간은 1초였다. 이러한 짧은 시간은 산업 제조 공정에서 실시간 DR 관리를 배치하기 위한 요건을 충분히 만족시킬 수 있다. 문제 해결자(Gurobi)의 출력은 각 태스크의 동작 상태 또는 레벨, ESS의 전기 수요, 산업시설과 그리드 간의 에너지 거래를 포함한다.

시뮬레이션은 2015년 7월 1일부터 8월 11일까지 유틸리티 회사의 RTP에 근거해 수행하였다. 첫째 날에, RP_d-1는 50%로 가정했다. 다음 날에 RP_d는 수학식 32를 이용하여 추정했다. 여기서 β는 0.5로 설정하여 RP_d-1와 AOP_d-1에 대해 차별이 없게 하였다.

도 4는 날자별 AOP와 추정 RP를 나타낸 것이다. RP가 AOP와 상당히 유사한 경향을 보이고 있음을 알 수 있다. 이것은 RP를 추정하는 방법이 효과적이라는 것을 입증한다.

표 4는 8월 11일의 RTP를 나타낸다. 여기서 두번 째 열은 실제 가격이고, 세번 째와 네번 째는 그에 대응하는 가격 범위로서 실제 가격의 %(예를 들어, 1±α)로 공식화되었다. 시뮬레이션에서, α는 20%로 설정했다.

다음 부분에서 대표 날짜(8월 11일)에 대한 시뮬레이션 결과를 분석한다. 잉여 전기를 그리드에 판매하는 가격은 각 RTP보다 10% 저렴한 것으로 가정했다.

2. 실시간 수요반응이 있는 경우와 없는 경우의 결과

본 발명에 따른 모델의 성능을 입증하기 위해, 실시간 DR이 없는 기준을 만들었고 여기서 고정된 평탄 가격(fixed flat price)이 모델에 적용되었다. 즉, 수학식 22의 목적 함수는 각 슬롯의 비용을 통합하여 단순히 일일 비용(E_t ^grid·π_flat)을 최소화한다. 이것을 케이스 1(No DR)로 한다.

기준과 비교하여, 강인한 최적화를 사용한 실시간 결정 모델의 정제된 성능을 조사한다. 이것을 케이스 2(강인한 최적화가 적용된 DR)로 한다. 여기서 '정제된'은 모델이 제조 공정 자체의 에너지 수요만을 고려했고 ESS와 DER은 고려하지 않았음을 의미한다.

도 5 및 도 6은 각각 케이스 1과 케이스 2에서 모든 태스크의 총 전기 수요를 나타낸 것이다. 명확하게 고정 평탄 가격(이 값은 표 4의 평균 RTP을 가진다)이 적용되었을 때, 산업 시설은 에너지 수요를 줄이거나 이동시키기 위한 아무런 인센티브를 받지 못하지만, 단순히 시작 슬롯에서 전기 수요를 스케줄링하여 가능한 일찍 일일 생산량 목표(수학식 6 참조)를 완료한다. 이와 비교하면, 케이스 2에서 강인한 최적화 기반 실시간 결정 모델이 사용되었을 때 전기 수요는 적절히 스케줄링 되었다. 특별히, CRT 및 ST의 대부분의 전기 수요는 피크가 아닌 슬롯으로 스케줄링되었다. 따라서 NS 태스크만 동작할 필요가 있고 다른 두 유형의 태스크는 모두 중단되었기 때문에, 피크 슬롯에서 상당히 낮은 레벨로 전체 수요가 유지되었다. 이것은 본 발명에 따른 모델이 RTP에 적절히 반응할 수 있다는 것을 확인한다.

제조 공정에 대한 통찰력을 얻기 위해, 시간 경과에 따라 생산 절차를 설명하기 위해 CRT (Water Cooling and Nitrogen Generating) 태스크 2 가지를 선택했다. 도 7은 냉수 및 질소의 축적 및 소모 공정을 도시한다. RTP가 낮을 때 각각의 저장소가 지속적으로 증가하는 것을 볼 수 있습니다. 이러한 스태킹(stacking) 프로세스는 주요 전력 수요가 저비용 기간 동안 계획되었기 때문에 도 6의 최적 부하 스케줄링 결과와 상관 관계가 있다. 특히, 질소 저장은 슬롯 11에서 약간 증가했다는 것을 발견했다. 그 이유는 RTP가 슬롯 10에 비해 갑자기 감소했기 때문이다. 따라서, 질소 저장의 이러한 약간의 증가는 본 발명의 강인한 최적화 모델이 효과적인 방법으로 RTP의 순간 변화에 대응할 수 있다는 것을 입증한다.

3. ESS 및 DER을 고려한 결과

여기서는 ESS와 DER의 효과가 고려되었다. 이에 따라 케이스 3(강인한 최적화 및 ESS가 있는 DR) 및 케이스 4(강인한 최적화 및 ESS 및 DER이 있는 DR)의 두 가지 케이스가 추가로 지정되었다. 도 8은 네 가지 케이스에 대한 수요(그리드에서 구입)를 비교한 것이다. ESS는 RTP가 낮을 때 에너지를 저장하기 때문에(피크가 아닌 시간대에 더 많은 수요가 발생함), 케이스 1과 2에 비해 케이스 3에서 피크 시간에서 오프 피크 시간으로 더 많은 수요가 이동했고 RTP가 극도로 높았을 때 시스템 요구 사항에 전력을 공급한다는 것을 알 수 있다. ESS의 도움으로 산업 설비의 최대 수요는 그리드 부담을 현저히 해소할 수 있다고 여겨지는 매우 낮은 수준 (예: 슬롯 12, 14, 15 및 16)으로 유지되었다. 케이스 4의 모델에서도 DER을 고려할 때, 슬롯 12, 14, 15 및 16에서 피크 시간 동안의 수요가 더 감소하거나 심지어 0이 되었다. 도 8에서 음의 값으로 나타낸 것처럼 슬롯 12 및 15에서는 잉여 전기가 그리드로 다시 판매되어 수익이 발생하였다.

또한, 산업 설비의 총 부하를 여러 부분으로 분해하여 케이스 4를 광범위하게 분석했다. 도 9에서 볼 수 있듯이, 빨간색과 녹색 막대는 그리드에서 구매되어 제조 공정에 사용되고 ESS를 충전하는 전기를 나타낸다. 자주색 막대는 ESS에서 방출되는 전기를 나타내고, 파란색 막대는 DER에 의해 생성된 에너지가 시설에서 어떻게 분배되었는지를 보여준다. 분명히, 그리드로부터 끌어온 전기는 RTP에 대한 응답으로 적절하게 제어되었다. 즉, 전력의 대부분(적색과 녹색 막대)이 오프 피크 기간에 그리드에서 구매되었으며, 시스템 요구 사항이 DER 및 ESS에 저장된 에너지에 의해 충족되었기 때문에 피크 기간 동안 그리드로부터 적은 양만 필요했다. DER (도 3 참조)에 의해 생성된 에너지는 시스템 요구 사항을 충족시키거나 슬롯 12 및 15에서 그리드에 판매하여 이익을 얻는데 충분히 사용되었다. 또한, 그리드로 판매되는 전기는 DER로부터만 나오고 ESS는 아니다. 왜냐하면 다른 자원의 에너지 판매 우선 순위가 수학식 22의 목적 함수에 의해 구별되기 때문이다.

4. 비용 결과 비교

도 10은 2015 년 8 월 11 일 4개 케이스의 일일 전기 비용을 보여준다. DR이 적용되지 않은 케이스 1에 비해 케이스 2(본 발명의 DR 모델이 배치된 경우)의 일일 비용은 13.5% 감소했다. 이는 산업 시설이 RTP 기반 DR 프로그램에 참여하는 핵심 동기로 작용할 수 있다. 또한, 케이스 3과 4에서 ESS와 DER이 추가될 때 비용이 9 %와 10 % 더 감소되어 산업 설비가 ESS와 DER을 추가하여 얻을 수 있는 추가 이점을 보여준다.

도 11은 본 발명에 따른 산업 부하 관리를 실시간 결정하기 위한 에너지 관리 시스템의 구성을 나타낸 것이다.

도 11를 참조하면, 본 발명에 따른 에너지 관리 시스템은 전력을 공급하는 그리드(10), 산업 부하 관리를 실시간 결정하는 에너지 관리 장치(20), 제조 공정을 가진 산업 시설(30) 등을 포함한다.

그리드(10)는 일정한 시간 간격(예를 들어, 1시간 단위)으로 전기 가격을 통지하고 전력을 공급한다.

산업 시설(30)은 제조 공정 내에 동작 필수(NS) 태스크, 동작 선택(ST) 태스크 및 동작 조절(CRT) 태스크를 배치하고 있다.

에너지 관리 장치(20)에는 본 발명에 따른 강인한 최적화 모델이 적용된 프로그램이 설치되어 있다.

에너지 관리 장치(20)는 그리드(10)로부터 일정한 시간 간격마다 전기 가격을 수신하면, 수학식 1 내지 21로 표현된 제약조건과 수학식 26 내지 30으로 표현된 제약조건에 따르는 수학식 24의 목적함수를 생성한다.

에너지 관리 장치(20)는 현재 시간 간격(t)의 전기 가격 및 현재 시간 간격에서 그리드(10)로부터 공급되는 전기량, 현재 시간 간격 이후 미래 시간 간격의 예측 전기 가격의 최소값 및 미래 시간 간격별 그리드(10)로부터 공급되는 전기량, 미래 시간 간격의 예측 전기 가격의 편차 영향의 정도를 반영한 강인성 레벨(Γ)에 근거한 목적함수를 생성한다.

즉, 목적함수는 현재 시간 간격(t)의 전기비용, 현재 시간 간격 이후 모든 미래 시간 간격의 예측 전기비용 및 미래 시간 간격의 예측 전기 가격의 편차 영향의 정도를 반영한 강인성 레벨을 변수로 가진다.

이때, 에너지 관리 장치(20)는 산업 시설(30)의 에너지 저장 장치에 저장된 전기를 그리드(10)에 판매하는 경우 발생하는 수익을 변수로 추가할 수 있다.

그리고 목적함수의 변수인 강인성 레벨의 값은 0에서 미래 시간 간격의 최대 개수 사이에 존재하는 실수로서, 미래 시간 간격의 최대 개수의 값(T-t)에 매일 추정되는 조정 파라미터(RP)를 곱하여 구할 수 있다.

또한, 매일 추정되는 조정 파라미터(RP)는 전날의 조정 파라미터와 전날의 실제 최적 비율(AOP)에 근거하여 구하며, 실제 최적 비율(AOP)은 하루의 마지막 간격의 끝에서 열거된 복수의 백분율(%)에 대해 계산한 산업 시설(30)의 일일 비용들 중에 최소값에 해당하는 백분율이 된다.

이러한 목적함수를 생성하면, 에너지 관리 장치(200는 목적함수의 값이 최소화되도록 산업 시설(30)의 제조 공정에 배치된 동작 선택(ST) 태스크 및 동작 조절(CRT) 태스크의 에너지 수요를 조정한다.

이와 같이 에너지 관리 장치(20)는 시간 간격마다 강인한 최적화를 적용하면서 전체 비용이 최소화되도록 산업 시설(30)의 태스크의 동작을 제어한다.

이상의 설명은 본 발명을 예시적으로 설명한 것에 불과하며, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 본 발명의 기술적 사상에서 벗어나지 않는 범위에서 다양한 변형이 가능할 것이다.

따라서 본 발명의 명세서에 개시된 실시 예들은 본 발명을 한정하는 것이 아니다. 본 발명의 범위는 아래의 특허청구범위에 의해 해석되어야 하며, 그와 균등한 범위 내에 있는 모든 기술도 본 발명의 범위에 포함되는 것으로 해석해야 할 것이다.

10: 그리드 20: 에너지 관리 장치
30: 산업 시설

Claims (22)

1. 산업 시설의 에너지 관리 장치가 산업 부하 관리를 실시간 결정하기 위한 방법에 있어서,
   전력을 공급하는 그리드로부터 일정한 시간 간격마다 전기 가격을 수신하는 단계와,
   현재 시간 간격(t)의 전기 가격 및 현재 시간 간격에서 상기 그리드로부터 공급되는 전기량, 현재 시간 간격 이후 미래 시간 간격의 예측 전기 가격의 최소값 및 미래 시간 간격별 상기 그리드로부터 공급되는 전기량, 미래 시간 간격의 예측 전기 가격의 편차 영향의 정도를 반영한 강인성 레벨에 근거한 목적함수를 생성하는 단계와,
   상기 생성한 목적함수의 값이 최소화되도록 상기 산업 시설의 제조 공정에 배치된 동작 선택(ST) 태스크 및 동작 조절(CRT) 태스크의 에너지 수요를 조정하는 단계를 포함하는 산업 부하 관리를 실시간 결정하기 위한 방법.
2. 제1항에 있어서,
   상기 목적함수를 생성할 때 에너지 저장 장치에 저장된 전기를 상기 그리드에 판매하는 경우 발생하는 수익을 변수로 추가하는 것을 특징으로 하는 산업 부하 관리를 실시간 결정하기 위한 방법.
3. 제1항에 있어서,
   상기 강인성 레벨의 값은 0에서 미래 시간 간격의 최대 개수 사이에 존재하는 실수인 것을 특징으로 하는 산업 부하 관리를 실시간 결정하기 위한 방법.
4. 제3항에 있어서,
   상기 강인성 레벨의 값은 미래 시간 간격의 최대 개수의 값(T-t)에 매일 추정되는 조정 파라미터(RP)를 곱하여 계산하는 것을 특징으로 하는 산업 부하 관리를 실시간 결정하기 위한 방법.
5. 제4항에 있어서,
   상기 매일 추정되는 조정 파라미터는 전날의 조정 파라미터와 전날의 실제 최적 비율(AOP)에 근거하여 계산하는 것을 특징으로 하는 산업 부하 관리를 실시간 결정하기 위한 방법.
6. 제5항에 있어서,
   상기 실제 최적 비율(AOP)은 하루의 마지막 간격의 끝에서 열거된 복수의 백분율(%)에 대해 계산한 산업 시설의 일일 비용들 중에 최소값에 해당하는 백분율인 것을 특징으로 하는 산업 부하 관리를 실시간 결정하기 위한 방법.
7. 전력을 공급하는 그리드로부터 일정한 시간 간격마다 전기 가격을 수신하여, 현재 시간 간격(t)의 전기 가격 및 현재 시간 간격에서 상기 그리드로부터 공급되는 전기량, 현재 시간 간격 이후 미래 시간 간격의 예측 전기 가격의 최소값 및 미래 시간 간격별 상기 그리드로부터 공급되는 전기량, 미래 시간 간격의 예측 전기 가격의 편차 영향의 정도를 반영한 강인성 레벨에 근거한 목적함수를 생성하고, 상기 생성한 목적함수의 값이 최소화되도록 산업 시설의 제조 공정에 배치된 동작 선택 태스크(ST) 및 동작 조절 태스크(CRT)의 에너지 수요를 조정하는 것을 특징으로 하는 산업 부하 관리를 실시간 결정하기 위한 에너지 관리 장치.
8. 제7항에 있어서,
   상기 목적함수를 생성할 때 에너지 저장 장치에 저장된 전기를 상기 그리드에 판매하는 경우 발생하는 수익을 변수로 추가하는 것을 특징으로 하는 산업 부하 관리를 실시간 결정하기 위한 에너지 관리 장치.
9. 제7항에 있어서,
   상기 강인성 레벨의 값은 0에서 미래 시간 간격의 최대 개수 사이에 존재하는 실수인 것을 특징으로 하는 산업 부하 관리를 실시간 결정하기 위한 에너지 관리 장치.
10. 제9항에 있어서,
    상기 강인성 레벨의 값은 미래 시간 간격의 최대 개수의 값(T-t)에 매일 추정되는 조정 파라미터(RP)를 곱하여 계산하는 것을 특징으로 하는 산업 부하 관리를 실시간 결정하기 위한 에너지 관리 장치.
11. 제9항에 있어서,
    상기 매일 추정되는 조정 파라미터는 전날의 조정 파라미터와 전날의 실제 최적 비율(AOP)에 근거하여 계산하는 것을 특징으로 하는 산업 부하 관리를 실시간 결정하기 위한 에너지 관리 장치.
12. 제11항에 있어서,
    상기 실제 최적 비율(AOP)은 하루의 마지막 간격의 끝에서 열거된 복수의 백분율(%)에 대해 계산한 산업 시설의 일일 비용들 중에 최소값에 해당하는 백분율인 것을 특징으로 하는 산업 부하 관리를 실시간 결정하기 위한 에너지 관리 장치.
13. 동작 필수(NS) 태스크, 동작 선택(ST) 태스크 및 동작 조절(CRT) 태스크로 구성된 제조 공정을 가진 산업 시설과,
    전력을 공급하는 그리드로부터 일정한 시간 간격마다 전기 가격을 수신하여, 현재 시간 간격(t)의 전기비용, 현재 시간 간격 이후 모든 미래 시간 간격의 예측 전기비용 및 미래 시간 간격의 예측 전기 가격의 편차 영향의 정도를 반영한 강인성 레벨을 변수로 하는 목적함수를 생성하고, 상기 생성한 목적함수의 값이 최소화되도록 상기 산업 시설의 제조 공정의 동작 선택(ST) 태스크 및 동작 조절(CRT) 태스크의 에너지 수요를 조정하는 에너지 관리 장치를 포함하는 산업 부하 관리를 실시간 결정하기 위한 에너지 관리 시스템.
14. 제13항에 있어서,
    상기 동작 필수 태스크는 모든 시간 간격에서 항상 동작하는 부하이고, 상기 동작 선택 태스크는 특정 시간 간격에서 동작하거나 동작하지 않는 부하이고, 상기 동작 조절 태스크는 시간 간격마다 다른 동작 레벨로 동작할 수 있는 부하인 것을 특징으로 하는 산업 부하 관리를 실시간 결정하기 위한 에너지 관리 시스템.
15. 제13항에 있어서,
    상기 현재 시간 간격의 전기비용은 현재 시간 간격의 전기 가격과 제조 공정의 모든 태스크의 전기 수요를 곱하여 구한 값인 것을 특징으로 하는 산업 부하 관리를 실시간 결정하기 위한 에너지 관리 시스템.
16. 제13항에 있어서,
    상기 현재 시간 간격 이후 모든 미래 시간 간격의 예측 전기비용은 예측 전기 가격의 최소값과 미래 시간 간격별 제조 공정의 모든 태스크의 예측 전기 수요를 곱하여 구한 값의 총합인 것을 특징으로 하는 산업 부하 관리를 실시간 결정하기 위한 에너지 관리 시스템.
17. 제13항에 있어서,
    상기 산업 시설은 전기를 저장하는 에너지 저장 장치를 더 포함하여,
    상기 에너지 관리 장치는 상기 에너지 저장 장치에 저장된 전기를 상기 그리드에 판매하는 경우 발생하는 수익을 상기 목적함수의 변수로 추가하는 것을 특징으로 하는 산업 부하 관리를 실시간 결정하기 위한 에너지 관리 시스템.
18. 제13항에 있어서,
    상기 강인성 레벨의 값이 작을수록 상기 목적함수에서 가격 편차의 영향이 적게 평가되고, 그 값이 클수록 상기 목적함수에서 가격 편차의 영향이 크게 평가되는 것을 특징으로 하는 산업 부하 관리를 실시간 결정하기 위한 에너지 관리 시스템.
19. 산업 시설의 제조 공정에서 산업 부하 관리를 실시간 결정하기 위한 저장 매체에 기록된 프로그램으로서,
    전력을 공급하는 그리드로부터 일정한 시간 간격마다 전기 가격이 수신될 때, 현재 시간 간격(t)의 전기 가격 및 현재 시간 간격에서 제조 공정의 전기 수요, 현재 시간 간격 이후 미래 시간 간격에 대한 예측 전기 가격의 범위 및 미래 시간 간격별 제조 공정의 전기 수요, 미래 시간 간격의 예측 전기 가격의 편차 영향의 정도를 반영한 강인성 레벨을 변수로 하는 목적함수를 생성하는 단계와,
    상기 생성한 목적함수의 값이 최소화되도록 제조 공정의 동작 선택(ST) 태스크 및 동작 조절(CRT) 태스크의 에너지 수요를 조정하는 단계를 실행하는 것을 특징으로 하는 저장 매체에 기록된 프로그램.
20. 제19항에 있어서,
    상기 현재 시간 간격(t)의 전기 가격과 현재 시간 간격에서 제조 공정의 전기 수요를 곱하여 현재 시간 간격의 전기비용을 산출하고, 현재 시간 간격 이후 미래 시간 간격에 대한 예측 전기 가격 범위의 최소값과 미래 시간 간격별 제조 공정의 예측 전기 수요를 곱한 값의 총합인 총 예측 전기비용을 산출하여, 현재 시간 간격의 전기비용과 총 예측 전기비용과 강인성 레벨을 더하여 목적함수를 생성하는 것을 특징으로 하는 저장 매체에 기록된 프로그램.
21. 제20항에 있어서,
    상기 산업 시설의 에너지 저장 장치에 저장된 전기를 상기 그리드에 판매하는 경우 발생하는 수익을 변수로 추가하여 목적함수를 생성하는 것을 특징으로 하는 저장 매체에 기록된 프로그램.
22. 제21항에 있어서,
    상기 수익은 현재 시간 간격에서 발생하는 현재 수익과 미래 시간 간격별로 발생하는 예측 수익을 모두 더한 총 예측 수익을 포함하여,
    상기 현재 시간 간격의 전기비용에서 상기 현재 수익을 감산하고 상기 총 예측 전기비용에서 상기 총 예측 수익을 감산함으로써, 상기 수익을 변수로 추가하는 것을 특징으로 하는 저장 매체에 기록된 프로그램.

Images