KR20190095586A - 스마트 전력 수요 관리 시스템 - Google Patents

스마트 전력 수요 관리 시스템 Download PDF

Info

Publication number
KR20190095586A
KR20190095586A KR1020180008085A KR20180008085A KR20190095586A KR 20190095586 A KR20190095586 A KR 20190095586A KR 1020180008085 A KR1020180008085 A KR 1020180008085A KR 20180008085 A KR20180008085 A KR 20180008085A KR 20190095586 A KR20190095586 A KR 20190095586A
Authority
KR
South Korea
Prior art keywords
data
prediction
value
climate
demand management
Prior art date
Application number
KR1020180008085A
Other languages
English (en)
Other versions
KR102063999B1 (ko
Inventor
장병훈
Original Assignee
한국전력정보(주)
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 한국전력정보(주) filed Critical 한국전력정보(주)
Priority to KR1020180008085A priority Critical patent/KR102063999B1/ko
Publication of KR20190095586A publication Critical patent/KR20190095586A/ko
Application granted granted Critical
Publication of KR102063999B1 publication Critical patent/KR102063999B1/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
    • 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"
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S50/00—Market activities related to the operation of systems integrating technologies related to power network operation or related to communication or information technologies
    • Y04S50/10—Energy trading, including energy flowing from end-user application to grid

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

본 발명은 스마트 전력 수요 관리 시스템을 개시한다. 본 발명에 따른 스마트 전력 수요 관리 시스템은, 실시간으로 전력 데이터 및 기후 데이터를 수신하는 통신부, 수신된 전력 데이터 및 기후 데이터를 저장하는 저장부, 수신된 전력 데이터 및 기 저장된 전력 데이터를 이용하여 대수적 예측 알고리즘에 의해서 제1 예측값 집합을 산출하는 제1 예측부, 기후 데이터를 분석하여 기후 변화값이 기준치 이상일 경우에 기후 변화 패턴에 이상 징후가 있음을 판정하는 기후 변화 감지부, 기후 변화 감지부에 의해서 기후 변화 패턴의 이상 징후가 있음이 판정되면, 전력 데이터와 기후 데이터를 이용하여 제1 예측값 집합을 갱신하는 제2 예측값 집합을 산출하는 제2 예측부 및 제1 예측값 집합 또는 제2 예측값 집합에 기초하여 참여 고객 단말로 전력 수요 관련 정보를 전달하는 알림부를 포함한다.

Description

스마트 전력 수요 관리 시스템{SMART POWER DEMAND MANAGEMENT SYSTEM}
본 발명은 스마트 전력 수요 관리 시스템에 관한 것으로서, 보다 상세하게는 전력 시장 정보 및 기상 정보를 이용하여 전략 입찰 용량 및 가격을 예측할 수 있는 스마트 전력 수요 관리 시스템에 관한 것이다.
최근 에너지 분야의 글로벌 트렌드는 탄소 배출 규제, 신재생 에너지의 도입, 에너지 절감 추진 등에 중점을 이루고 있다. 이를 추진하기 위해서 정부 정책은 수요관리 시장 참여, REC(Renewable Energy Certificate) 거래 시장 운영, ESS(Energy Storage System) 설치 지원 제도 등을 시행하고 있다. 이에 따라 전력 거래 시장이 향후 급격하게 확대될 것으로 예상되고 있다.
수요관리 시장이 본격화 되면서 전력 거래를 위한 전력 거래 플랫폼이 개발되어 사용되고 있다. 수요자원사업자를 위한 플랫폼은 주요 기능으로서, OpenADR 기반, 자동화된 KPX 이벤트 메시지 수신 및 응답 기능, 수요관리자원 등록시 등록 가능 여부를 판단하기 위한 RRMSE 자동 계산 기능, 관리자에 의한 자원 참여 고객 등록·수정·삭제 기능, CBL 산정 기능, 이력 관리 기능, 데이터 엑셀 변환 및 다운로드 기능, 게이트 웨이 원격 관리 기능, 급전 지시시 사이렌 경보 기능, 참여 고객별 전용 대시 보드 지원 기능, 신뢰성 및 경제성 DR의 실적금 및 위약금별 자동 계산 및 보정 기능, 신뢰성 DR 및 경제성 DR 각각의 감축시 감축 현황 그래프 구현 기능, 및 스마트폰용 대시보드 제공 등 다양한 기능을 제공하고 있다.
그러나, 종래의 전력 거래 플랫폼은 수요관리 시장의 기본 기능만이 구현되어 있어서, 시장예측에 대한 정보를 고객에게 제공하지 못하고 있다. 그로 인하여, 고객은 신뢰성 DR(실시간 급전 지시에 따른 수요 반응 자원 거래)의 경우, 전력 거래소로부터 불시에 전달되는 수요관리 감축 지시 이행을 위해 1시간 전에 전달된 지정 시간에 계약된 전력 사용량을 감축하여야 한다. 또한, 경제성 DR(가격 결정 발전 계획에 따른 수요 반응 자원 거래)의 경우, 다음날의 전력 거래 입찰 시장에 대한 입찰 용량과 가격에 대한 사전 정보를 알기 어렵다는 문제점이 지적되고 있다.
따라서, 고객에게 전력 입찰 용량과 가격 예측 정보를 제공할 수 있는 새로운 개념의 스마트 전력 수요 관리 시스템 개발에 대한 필요성이 요구되고 있다.
선행문헌 1 : 공개특허 제10-2013-0045006호(2013년 05월 03일) 선행문헌 2 : 공개특허 제10-2014-0075617호(2014년 06월 19일) 선행문헌 3 : 공개특허 제10-2017-0007071호(2017년 01월 18일) 선행문헌 4 : 등록특허 제10-1724686호(2017년 04월 03일)
상술한 필요성에 의해서 안출된 본 발명은 과거 전력 정보 및 기상 정보를 활용하여 전력 입찰 용량 및 예상 가격을 산정하여 전력 거래 입찰 시장에 참여하는 고객에게 제공하거나 신뢰성 DR의 발령 여부에 대한 예측 정보를 제공할 수 있는 스마트 전력 수요 관리 시스템을 제공하는 것을 목적으로 한다.
상기 목적을 달성하기 위해서 본 발명의 일 실시 예에 따른 스마트 전력 수요 관리 시스템은, 실시간으로 전력 데이터 및 기후 데이터를 수신하는 통신부, 수신된 상기 전력 데이터 및 기후 데이터를 저장하는 저장부, 상기 수신된 전력 데이터 및 기 저장된 전력 데이터를 이용하여 대수적 예측 알고리즘에 의해서 제1 예측값 집합을 산출하는 제1 예측부, 상기 기후 데이터를 분석하여 기후 변화값이 기준치 이상일 경우에 기후 변화 패턴에 이상 징후가 있음을 판정하는 기후 변화 감지부, 상기 기후 변화 감지부에 의해서 기후 변화 패턴의 이상 징후가 있음이 판정되면, 상기 전력 데이터와 기후 데이터를 이용하여 상기 제1 예측값 집합을 갱신하는 제2 예측값 집합을 산출하는 제2 예측부 및 상기 제1 예측값 집합 또는 상기 제2 예측값 집합에 기초하여 참여 고객 단말로 전력 수요 관련 정보를 전달하는 알림부를 포함한다.
이 경우에, 상기 제1 예측부는, 특정 미래 시점(k)의 전력 부하(Pk)를 예측하기 위하여, 상기 특정 미래 시점(k) 이전에 실측된 제1 데이터 세트(Pk-2n ,Pk-(2n-1) ,Pk-(2n-2) , ... ,Pk-1)를 행켈 행렬(Hankel Matrix)로 모델링하고, 입증된 제2 데이터 세트(Pk-(2n+1) ,Pk-2n , ... ,Pk-(n+2))를 상기 모델링된 행켈 행렬의 최상위 행에 추가하여 수정된 행켈 행렬을 생성한 뒤, 상기 수정된 행켈 행렬을 이용하여 Pk를 예측한다.
이 경우에, 상기 제1 예측부는, 상기 행켈 행렬의 최상위 행에 적어도 하나 이상의 데이터 세트를 추가하여 상기 수정된 행켈 행렬이 M×N 행렬이 되도록 모델링하고, 여기서, 측정 횟수 M은 시스템 매개 변수의 개수 N보다 크다.
한편, 상기 제2 예측부는, 상기 기후 변화 감지부에 의해서 감지된 기후 변화 패턴이 이상 징후일 경우에, 상기 기후 변화 감지부에서 분석한 상기 기후 변화값과 상기 제1 예측부에서 예측한 상기 제1 예측값 집합으로 구성된 훈련 데이터 세트를 이용하여 서포트 벡터 머신 알고리즘에 의해서 상기 제1 예측값 집합을 상기 제2 예측값 집합으로 갱신한다.
이 경우에, 상기 제1 예측값 집합은 특정 시간(N) 동안의 예측 부하값을 나타내는 집합 P1, P2, P3, Pi , ..., PN 으로 구성되고, 상기 기후 변화값은 최대 온도 변화값(△Tmax), 온도 변화 평균값(△Tave) 및 습도 변화 평균값(△Have)으로 구성되며, 다음의 수학식에 의해서 상기 제1 예측값 집합을 상기 제2 예측값 집합으로 갱신한다.
Figure pat00001
(여기서, P0 는 1시간 동안의 초기 예측 P1 과 같고, Pmax는 제1 예측값의 결과에 기초한 피크 부하이며, △PSVR는 훈련된 제2 예측부의 피크 부하 조정값이고, Pi,new 는 제2 예측부에 의해서 i시간에 업데이트된 예측값)
이 경우에, 상기 훈련된 제2 예측부는, 훈력 데이터 집합 X와 Y를 입력받고, 상기 집합 X는 상기 최대 온도 변화값(△Tmax), 상기 온도 변화 평균값(△Tave), 상기 습도 변화 평균값(△Have)으로 구성된 벡터이고, 상기 집합 Y는 상기 제1 예측값 세트와 실제 피크 부하값 사이의 불일치 값들이 정규화된 값이다.
이 경우에, 상기 훈련된 제2 예측부는, 상기 집합 X 중 상기 최대 온도 변화값(△Tmax)과 상기 온도 변화 평균값(△Tave)이 양의 값이고, 상기 집합 Y 중 양의 값을 갖는 한쌍의 상기 집합 X의 요소 X1과 상기 집합 Y의 요소 Y1을 실행 가능한 데이터로 이용한다.
한편, 상기 알림부는, 상기 전력 수요 관련 정보로서, 신뢰성 DR 발령 예측 정보, 전력 입찰 용량 정보 또는 입찰 예상 가격 정보 등을 상기 참여 고객 단말로 전송한다.
본 발명의 다양한 실시 예에 따르면, 전력 정보 및 기상 정보를 이용하여 전력 입찰 용량 및 가격을 예측함으로써, 전력 시장에 참여하는 사용자가 적정 수준의 전력 용량을 생산, 보유하여 합리적인 가격으로 입찰할 수 있어서 전력 시장에서 공급 과잉으로 인한 가격 하락 또는 공급 부족으로 인한 가격 상승의 문제점을 줄여줄 수 있다.
또한, 불시에 지시되는 전력 수요 감축 지시에 대한 예측을 통해서 시장 참여자가 신뢰성 DR에 대비할 시간을 제공함으로써 시장 참여자의 편의성을 도모할 수 있다.
도 1은 본 발명의 일 실시 예에 따른 전력 수요 관리 플랫폼을 설명하기 위한 도면,
도 2는 본 발명의 일 실시 예에 따른 스마트 전력 수요 관리 시스템을 설명하기 위한 블럭도,
도 3은 대수적 예측을 이용한 최대 피크 전력의 예측값과 실제값 사이의 차이를 설명하기 위한 도면,
도 4는 도 2에 도시된 스마트 전력 수요 관리 시스템의 예측 알고리즘을 구체적으로 설명하는 예시적인 도면,
도 5는 도 2에 도시된 제2 예측부를 구현하기 위한 서포트 벡터 회귀의 훈련 프로세스를 설명하기 위한 플로우챠트,
도 6은 본 발명의 일 실시 예에 따른 신뢰성 DR을 예보하는 프로세스를 설명하기 위한 타이밍도, 그리고,
도 7은 본 발명의 일 실시 예에 따른 경제성 DR을 예보하는 프로세스를 설명하기 위한 타이밍도.
본 발명을 실시하기 위한 바람직한 실시 예를 이하에서 도면과 함께 설명한다. 이러한 실시예는 본 발명을 위해하기 위한 일 예를 설명하는 것일 뿐이며, 본 발명의 기술적 사상의 범위 내에서 자유로운 변형 실시예가 도출될 수도 있다. 먼저 본 발명의 일 실시 예에 따른 스마트 전력 수요 관리 시스템의 구조를 이하에서 설명한다.
1. 스마트 전력 수요 관리 시스템
도 1은 본 발명의 일 실시 예에 따른 전력 수요 관리 플랫폼을 설명하기 위한 도면이다. 도 1을 참고하면, 전력 수요 관리 플랫폼은 스마트 전력 수요 관리 시스템(100), 수요자 단말(200), 전력거래소 서버(300) 및 전력 사용량 실시간 수집 모듈(400)을 포함한다. 이외에도 데이터를 저장하거나 독출할 수 있는 클라우드 서버(S) 및 스마트 전력 수요 관린 시스템(100)과 수용자 단말(200)을 연결하는 네트워크(N)를 포함할 수 있다.
본 발명의 일 실시 예에 따른 스마트 전력 수요 관리 시스템(100)은 전력 수요 예측, 가격 결정 발전 계획 정보, 전력 시장 가격 예측 정보, 전력 구입비 예측 정보, 신뢰도 수요 관리, 경제성 수요 관리, 평가 분석, 실시간 정보 서비스 등의 전력 수요 관리에 관한 다양한 기능을 수행할 수 있다.
스마트 전력 수요 관리 시스템(100)은 수요자 단말(200) 및 전력거래소(300)를 상호 연결하는 중계 역할을 담당하고, 수요자 단말(200)과는 공중망(Public Network)를 통해서 통신할 수 있다.
스마트 전력 수요 관리 시스템(100)은 네트워크(N)을 통해서 수요 관리 시행 정보를 SMS 안내 메시지 형태로 수요자 단말(200)로 전송할 수 있다. 또는 스마트 전력 수요 관리 시스템(100)은 신뢰성 DR 등의 결과 분석 정보 및 관련 인센티브 지급을 네트워크(N)를 통해서 수요자 단말(200)로 전송할 수 있다.
수요자 단말(200)은 스마트 전력 수요 관리 시스템(100)의 관리에 따라 수요 관리 정보 서비스를 실시간으로 제공할 수 있다. 또한 수요자 단말(200)은 수요 절감 시행 정보, 전력 사용량 실시간 수집 모듈(400)로 수요 절감 시행 정보 또는 전력 사용량 실시간 정보를 제공할 수 있다.
전력 거래소(300)는 스마트 전력 수요 관리 시스템(100)과 연계하여 수요 관리 시행에 관한 전반적인 정보를 제공할 수 있다. 예컨대, 전력 거래소(300)는 급전 지시가 필요한 상황이 발생하면, 신뢰성 DR을 발령하여 스마트 전력 수요 관리 시스템(100)에 전송할 수 있다. 또는 전력 거래소(300)는 신뢰성 DR에 응답하여 수요 절감을 실시한 수요자를 평가하여 인센티브를 스마트 전력 수요 관리 시스템(100)에 전달할 수 있다.
수요 절감 시행 정보, 전력 사용량 실시간 수집 모듈(400)은 수요자 단말(200)로부터 실시간으로 수요 절감 시행 정보, 전력 사용량 실시간 정보를 수집할 수 있다. 수집 모듈(400)은 수집된 정보를 웹 클라우드 서버(S)에 실시간 또는 이시간으로 정보 자동 갱신을 할 수 있다.
웹 클라우드 서버(S)는 자동 갱신되는 수요 절감 시행 정보, 전력 사용량 실시간 정보를 스마트 전력 수요 관리 시스템(100)과 데이터 연계를 통하여 실시간 확인 및 데이터 쓰기/읽기가 가능한 서비스를 제공한다.
도 2는 본 발명의 일 실시 예에 따른 스마트 전력 수요 관리 시스템을 설명하기 위한 블럭도이다. 도 2를 참고하면, 스마트 전력 수요 관리 시스템(100)은 통신부(110), 저장부(120), 제1 예측부(130), 기후 변화 감지부(140), 제2 예측부(150) 및 알림부(160)를 포함한다.
통신부(110)는 웹 클라우드 서버(S)로부터 실시간 정보를 수신할 수 있다. 또는 통신부(110)는 네트워크(N)를 통해서 수요자 단말(200)로부터 수요자 전력 정보를 수신할 수 있다. 또한 통신부(110)는 전력 거래소(300)로부터 실시간으로 전력 시장 정볼르 수신할 수 있다. 또한, 통신부(110)는 기상청 서버, 인터넷 포털 서비스 제공자, 또는 기타 기상 관련 웹 서버로부터 실시간 기상 정보를 수신할 수 있다.
저장부(120)는 수신된 실시간 전력 시장 정보 및 기상 정보를 데이터베이스에 저장할 수 있다. 저장부(120)는 기 저장된 전력 시자 정보 및 기상 정보를 일정 기간 동안 저장할 수 있다. 저장부(120)는 전력 시장 정보 및 기상 정보를 데이터 분석을 할 수 있는 형태로 저장할 수 있다.
제1 예측부(130)는 실시간 전력 시장 정보 및 기 저장된 전력 시장 정보에 기초하여 대수적 예측 알고리즘(Algebraic Prediction Algorithm)에 따라 제1 예측값 집합을 예측할 수 있다. 예컨대, 제1 예측부(130)는 과거 전력 피크 부하 데이터와 실시간 전력 피크 부하 데이터를 이용하여 특정 미래 시점의 전력 피크 부하 데이터를 예측할 수 있다.
제1 예측부(130)는 대수적 예측 알고리즘(AP Algorithm)을 이용하여 시계열 데이터에 대한 특정 미래 시점의 정보를 예측할 수 있다. 이에 대한 자세한 설명은 이하 별도의 도면을 참고하여 설명한다.
기후 변화 감지부(140)는 실시간으로 수신되는 기후 정보를 분석하여 기후 변화의 패턴에 이상 징후가 있는지 여부를 감지한다. 기후 변화 감지부(140)는 기후 변화 패턴이 이상 징후라고 판단할 경우에, 기후 변화값을 추출하여 이를 저장부(120)에 저장한다.
기후 변화 감지부(140)는 당일의 최대 온도, 최저 온도, 평균 온도, 최대 습도, 최저 습도 및 평균 습도로 구성된 당일 기상 정보 집합과 전일의 최대 온도, 최저 온도, 평균 온도, 최대 습도, 최저 습도, 평균 습도로 구성된 전일 기상 정보 집합을 상호 비교하여 변화폭이 기준치보다 큰 경우에 기후 변화 패턴을 이상 징후로 감지할 수 있다. 예컨대, 기후 변화 감지부(140)는 당일의 최대 온도(Tmax1)가 전일의 최대 온도(Tmax2)보다 기준치(예를 들어 5℃) 이상 차이가 발생하면 기후 변화 패턴에 이상 징후가 발생한 것으로 판정할 수 있다. 그 밖에도 최저 온도, 평균 온도, 최대 습도, 최저 습도, 평균 습도에 대해서도 급작스러운 변화가 감지되면 각각의 기준치와 비교하여 이상 징후 여부를 판정하게 된다.
제2 예측부(150)는 기후 변화 감지부(140)에 의해서 기후 변화의 이상 징후가 감지되면, 제1 예측부(130)에 의해서 예측된 제1 예측값 집합을 제2 예측값 집합으로 갱신할 수 있다. 제2 예측부(150)는 서포트 벡터 회귀(Support Vector Regression) 알고리즘에 따라 제1 예측값 집합을 제2 예측값 집합으로 갱신할 수 있다. 서포트 벡터 회귀(SVR) 알고리즘에 대해서는 이하에서 별도의 도면과 함께 설명한다.
알림부(160)는 제1 예측부(130) 및 제2 예측부(150)에 의해서 예측된 제1 예측값 집합 또는 제2 예측값 집합에 기초하여 전력 수요에 관한 정보를 생성하고, 생성된 전력 수요에 관한 정보를 수요자 단말(200) 또는 전력 거래소(300)에 전달한다. 예컨대, 알림부(160)는 제1 예측값 집합 또는 제2 예측값 집합에 기초하여 신뢰성 DR이 발행될 것으로 예측되면, 신뢰성 DR 발령 예측 정보를 생성하여 사용자 단말(200)에 전달한다. 또한, 알림부(160)는 제1 예측값 집합 또는 제2 예측값 집합에 기초하여 경제서 DR을 위한 입찰 전력량 및 가격을 예측하면, 경제성 DR 정보를 생성하여 사용자 단말(200)에 전달한다.
2. 대수적 예측 알고리즘(Algebraic Prediction Algorithm)
도 3은 대수적 예측을 이용한 피크 전력의 예측값과 실제값 사이의 차이를 설명하기 위한 도면이다. 도 3을 참고하면, 이하 설명하는 대수적 예측 알고리즘에 기초한 피크 전력값의 예측값과 실제값은 일치하기도 하고 차이가 발생하기도 한다.
본 발명의 일 실시 예에 따른 대수적 예측 알고리즘을 이용하면 피크 전력에 대한 과거의 데이터를 입력값으로 하여 이를 행켈 행렬로 모델링한 뒤, 행켈 행렬의 n행에 검증된 데이터를 추가하여 행켈 행렬을 수정함으로써, 실질적인 대수적 예측 모델을 구축할 수 있다.
이는 스켈레톤 대수 계열의 식별에 기반을 두고 있는 단기간 시계열 예측을 위한 기술이다. 즉 프로세스의 공학적 모델에서 수학적 문제를 구축하고 미래에 이 모델을 투영하는 것을 목표로 한다. 이러한 대수적 예측 알고리즘 행켈 행렬(Hankel Matrix)의 계급(Rank)에 기초하여 대수적 시퀀스의 골격을 식별한다.
행켄 행렬은 허먼 행켈의 이름을 따서 명명된 것으로서, 기본 상태 공간 모델의 실현이 요구될 때 출력 데이터의 시퀀스가 주어지면, 시스템 식별에 널리 사용된다.
시퀀스의 행켈 순위 개념은 수치 시퀀스 식별을 위해 제안된다. 그러나 시퀀스의 행켈 서열은 시스템의 상태 공간 실현과는 독립적인 개념이다. 행켈 계급은 근본적인 동적 시스템의 분석 모델을 근사하지 않고 서열의 원소들 간의 대수 관계를 설명한다. 또한, 이러한 대수 관계는 다음의 수학식 1과 같이 행켈 행렬 구성 및 공식에 의해서 설명될 수 있다.
Figure pat00002
상기 수학식 1에서 표현 된 바와 같이 2n요소를 가진 주어진 수의 관측치에 대해, 과거 행동을 미래로 추정하는 과정의 모형을 표현할 수 있다.
상기 수학식 1에서 Pk-1은 현시점의 관측값이다. 시퀀스가 대수 진행이고 그것의 행켈 순위가 n과 같다고 가정하면, 시퀀스 Pk의 다음 요소를 다음의 수학식 2와 같이 행켈 행렬의 형태로 결정할 수 있다.
Figure pat00003
상기 수학식 2에서 유일한 미지수는 Pk 이고 또는 행켈 행렬의 행렬식(determinant)을 0으로 간주하는 행렬식을 다음 수학식 3과 같이 Pk를 풀기위한 선형 대수 방정식 세트로 표현할 수 있다.
Figure pat00004
Figure pat00005
상기 수학식 3은 산술 진행 및 기하학적 진행과 같은 대수 진행에 대한 일반적인 수식이다. 하지만 이러한 수학식 3은 실제 시스템에서 기존의 방해 및 잡음으로 인해 실생활 시계열에 적용되기가 쉽지 않다.
이를 해결하기 위하여, 행켈 계급의 개념을 사용하여 더 실제적인 예측 모델을 생성해야 한다. 상기 수학식 3은 시계열의 보다 정확한 미래 값을 예측하기 위하여 스켈레톤 대수 서열의 더 나은 표현을 식별하기 위해 개선된다. 수학식 3은 다음 수학식 5와 같이 수정될 수 있다.
Figure pat00006
상기 수학식 4는 여전히 Pk 를 풀기 위해서 유효한 수식이다. 예측의 정확도를 높이기 위해 더 많은 정보를 얻을 수 있도록 수학식 3으로 표현된 행렬 위에 추가 행을 추가한다. 수학식 5는 다음 수학식 6과 같이 단순하게 표현될 수 있다.
Figure pat00007
측정 횟수(m)는 시스템 매개 변수 수(n)를 초과하는 것이 중요하다. 즉, m>n이어야 한다. 따라서, 추정 과정에서 측정 오차를 걸러내고 좋은 품질 추정치를 얻을 수 있다. 선형 최소 오차 제곱 추정의 방법에서, 목적은 오차 또는 잔차의 제곱의 합을 최소화하는 것이다. 의사역행렬을 얻는 관습적 프로세스를 사용하여 다음과 같은 수학식 7을 얻을 수 있다.
Figure pat00008
여기서 [PTP]-1PT는 P의 왼쪽 의사 역행렬(pseudo-inverse)이고, ^a는 a의 최적 또는 가장 작은 최소 제곱 추정치이다. P 행렬 구현은 전날의 일련의 시간별 데이터를 사용하여 행켈 행렬을 작성하는 것과 매우 유사합니다.
그러나 제안된 방법론을 최대화하는 데 가장 중요한 부분은 제안된 예측 전략의 구현을 위한 획기적인 것으로 입증된 행 벡터의 최적 값을 파악하는 것이다. 선형 최소 오차 제곱 추정 방법은 일련의 측정 값의 평균값을 찾는다. 측정 값 세트가 가우시안 에러 분포를 가질 때, 일반적으로 테네시 값은 최상의 추정값으로 받아들여진다. 또한 불량 데이터의 존재로 인해 불리한 영향을 받을 수 있다. 그러므로 제공된 데이터를 기반으로 최상의 예상치를 설정하려면 가능한 한 많은 기록 데이터를 확보해야한다.
따라서 데이터 준비 및 전처리 과정에서 관련없는 데이터를 무시할 수도 있다. 본 발명의 일 실시 예에 따르면, 바람직하게는 10일 내지 40일의 과거 데이터 집합을 사용하여 테스트하여 사용되는 데이터의 적절한 양을 결정할 수 있다.
도 3에 도시된 기후 변화 이벤트 발생 포인트에서 대수적 예측 알고리즘에 의해서 예측된 제1 예측값 집합에 대한 갱신이 필요해진다. 이러한 제1 예측부(130)에 의해서 예측된 제1 예측값 집합에 대한 갱신은 서포트 벡터 회귀 알고리즘을 이용하여 기후 정보와 전력 시장 정보를 이용한 서포트 벡터 회귀 모델을 훈련시킨 훈련 모델에 의해서 제1 예측값 집합을 제2 예측값 집합으로 갱신할 수 있다.
3. 하이브리드 방식의 예측 알고리즘
도 4는 도 2에 도시된 스마트 전력 수요 관리 시스템의 예측 알고리즘을 구체적으로 설명하는 예시적인 도면이다. 도 4를 참고하면, 제1 예측부(130)는 대수적 예측 알고리즘에 의해서 과거 전력 피크 정보 및 실시간 전력 피크 정보에 기초하여 특정 시점의 전력 피크값을 포함하는 제1 예측값 집합을 생성한다. 기후 변화 감지부(140)는 실시간 수집된 기후 정보를 이용하여 당일 기후 정보와 전일 기후 정보 사이에 큰 변화가 없으면, 제1 예측값 집합을 알림부(160)에 전달한다. 만약, 당일 기후 정보와 전일 기후 정보 사이에 큰 변화가 감지되면, 제1 예측값 집합과 감지된 기후 변화값을 제2 예측부(150)에 전달한다. 제2 예측부(150)는 이하에서 설명하는 훈련된 SVR 모듈에 의해서 제1 예측값 집합과 기후 변화값을 이용하여 제1 예측값 집합을 제2 예측값 집합으로 갱신한다. 제2 예측부(150)는 제2 예측값 집합을 알림부(160)로 전달한다.
4. 서포트 벡터 회귀(Support Vector Regression ; SVR) 모델 훈련
도 5는 도 2에 도시된 제2 예측부를 구현하기 위한 서포트 벡터 회귀의 훈련 프로세스를 설명하기 위한 플로우챠트이다. 도 5를 참고하면, 훈련된 SVR 모듈을 설정하기 위해서는 제1 예측값 집합을 생성하는 과정(S501 내지 S503)과 기후 변화 감지 과정(S504 내지 S506)과, 제1 예측값 집합과 기후 변화값을 이용하여 데이터를 필터링한 뒤, 선별된 데이터를 가지고 데이터 훈련을 통하여 훈련된 SVR 모듈을 설정한다.
이때, 서포트 벡터 회귀 (SVR)는 수치 예측을 위한 알고리즘인 SVM (Support Vector Machine)의 확장이다. SVM 알고리즘은 분류 작업에 적용 할 수 있는 첨단 방식의 기계 학습 알고리즘이다. SVM 방식은 훈련 데이터를 사용하여 최적화 방법을 적용하여 두 클래스 사이의 최대 마진 하이퍼 평면을 찾는 방식이다. 의사 결정 경계는 지원 벡터라고 하는 교육 데이터의 하위 집합으로 정의된다. 커널 함수를 사용하여 계산 복잡도를 낮게 유지하면서 비선형 결정 경계를 형성할 수 있다.
또한 SVR은 몇 가지 지원 벡터로 표현할 수 있는 의사 결정 경계를 생성하며 커널 함수와 함께 사용하여 복잡한 비선형 결정 경계를 생성 할 수 있다. 선형 회귀(Linear Regression)와 마찬가지로 SVR은 교육 데이터에 가장 적합한 함수를 찾으려고 시도한다. 선형 회귀(LR)와는 달리 SVR은 오류를 무시하고, 사용자가 지정한 매개 변수를 사용하여 회귀 선 주위에 튜브를 정의한다. 오류가 무시되고 오류의 최소화뿐만 아니라 선의 평탄도를 극대화하려고 시도한다.
시계열 예측을 위한 SVR은 다음의 수학식 8처럼 표현될 수 있다. 주어진 훈련 데이터는 (x1, y1), (x2, y2), . . . , (xn, yn)이다. 여기서 x는 입력 벡터이고 y는 x의 관련 출력값이다.
Figure pat00009
여기서 xi는 고차원 공간에 매핑되고 ζi는 ε- 감응 튜브에 종속되는 상위 트레이닝 오차 (ξ * i는 더 낮음)이다. |yi - (wTφ (xi) + b ) | ≤ ε이다. 회귀 품질을 제어하는 매개 변수는 오차 c의 코스트, 튜브 ε의 넓이 및 매핑 함수 φ이다.
상기 수학식 8의 제약은 대부분의 데이터 xi를 튜브 |yi - (wTφ (xi) + b ) | ≤ ε에 포함시키고 싶다는 것을 암시한다. 만약 xi가 이 튜브 안에 없다면 오차 ζi 또는 ξ*i가 있어 목적 함수에서 최소화한다. 전통적인 최소 자승 회귀에 대해 ε은 항상 0이고 데이터는 고차원 공간으로 매핑되지 않는다. 그러나 SVR은 회귀 문제에 대해보다 일반적이며 유연한 처리 방법이다.
SVR의 주요 매개 변수는 ε과 C이다. 상술한 바와 같이, ε은 회귀 함수를 중심으로 오차가 없는 튜브를 정의하므로 함수가 훈련 데이터에 얼마나 잘 맞는지를 제어한다. 매개 변수 C는 훈련 오차와 모형 복잡성 간의 균형을 제어한다. 더 작은 C는 훈련 오차의 수를 증가시킨다. 더 큰 C는 훈련 에러에 대한 패널티를 증가시키고 강한 마진의 SVM과 유사한 행동이 발생한다.
SVR 공식의 원리는 SVM과 비슷한 관점에서 이루어지며 일단 훈련되면 SVR은 다음의 수학식 9를 이용하여 예측을 생성한다.
Figure pat00010
본 발명에서 SVR을 구현하기 위해, 입력 학습 데이터 xi와 yi는 각각 기후 관련 파라미터와 부하 편차를 나타낸다. 입력 데이터 쌍의 훈련이 준비되면 훈련된 SVR 모듈을 사용하여 입력 xn가 주어진 yn 값을 근사화할 수 있다.
본 발명의 일 실시 예에 따르면, 시계열 모델에 기후가 입력되지 않으면 일반적으로 예측 능력이 제한될 수 있다. 즉, 온도와 습도와 같은 기후 변수의 영향은 중요하다. 신경망 접근법에서 네트워크 가중치를 추정하기 위해 부하 및 온도 판독 값의 적절한 과거 패턴을 식별하기 위해 최소 거리 측정이 사용될 수 있다. 이는 날씨 패턴의 급격한 변화의 문제를 극복하기 위한 것이다. 비슷한 방법으로 부하, 온도 및 습도의 역사적 패턴이 SVR 모듈 교육의 기초로 확인된다. 전날과 현재의 주간 날씨 조건 사이의 현저한 변화가 발견될 때, 대수적 예측 알고리즘을 사용한 제1 예측값 집합의 증가된 오차가 관찰된다.
본 발명의 일 실시 예에서 대수적 예측 알고리즘은 행켈 행렬의 개념을 이용하고, 입력 데이터는 예측 대상 연도의 전년도 전력 데이터를 사용할 수 있다. 다른 예측 모델과 비교하여 대수적 예측 알고기즘의 성능을 표시하기 위해 AR, ARMA 및 SVR 방법도 구현될 수 있다. 따라서 대수적 예측 알고리즘의 성능은 히스토리 데이터의 입력 증가와 수정된 행켈 행렬의 행 벡터의 값을 변화시킴으로서 확인될 수 있다.
또한, 기상 조건의 중대한 변화가 발견되는 날의 각 예측 모델의 성과를 평가하기 위해 반복적인 1 단계 전방 예측이 구현될 수 있다. 과거 전력 데이터를 이용하여 대수적 예측 알고리즘으로 제1 예측값 집합을 예측하더라도 기후 변화를 감안하지 않으면 제1 예측값 집합에 오차가 발생될 수 있음을 이해할 수 있다.
그러므로, SVR 모듈을 트레이닝함으로써, 제1 예측값 집합을 제2 예측값 집합으로 갱신하여 제1 예측값 집합의 오차를 줄여줄 수 있다. 이하에서는 SVR 모듈을 트레이닝하는 프로세스에 대해서 설명한다.
도 5를 참고하면, 훈련된 SVR 모듈을 구축하는 프로세스는 보다 안정적인 보상 모듈을 구축하기 위해 상당한 양의 과거 데이터를 준비하는 것으로 시작된다. 일단 훈련된 SVR 모듈이 구축되면, 대수적 예측 방법의 예비 피크로드 출력은 기상 조건의 중요한 변화가 일어난 날에 쉽게 조정될 수 있다.
SVR 훈련 절차는 SVR 모듈 설정부터 시작하여 다음과 같이 요약될 수 있다. 제1단계로서 지난 2 ~ 3 년 동안의 부하, 온도 및 습도의 시간별 기록 데이터를 수집한다. 제2단계로서 수집된 과거 데이터에 대해 여름 또는 겨울에 AP 시뮬레이션을 수행한다. 제33단계로서 시뮬레이션 결과에 따라 실제 피크로드와 예측 피크로드 간의 불일치가 중요한 날을 식별한다. 제4단계로서, 현재 날짜와 이전 날짜 사이의 날씨 매개 변수(즉, ΔTMAX, ΔTAVE 및 ΔHAVE)의 해당 상당한 편차를 가진 것들을 필터링하여 수집된 데이터를 확인한다. 제5단계로서 SVR와 입력 훈련 집합 X로서 ΔTMAX, ΔTAVE 및 ΔHAVE와 출력 훈련 집합 Y로서 피크 부하 불일치의 정규화된 값(제1 예측값 집합)을 이용하여 필터링된 데이터를 훈련한다. 적합한 커널 기능뿐만 아니라 ε 및 C를 위한 최적 매개변수 설정을 식별한다. 제6단계로서 훈련된 SVR 모듈을 저장한다.
훈련된 SVR 모듈은 제1 예측값 집합(피크 부하)을 보상하기 위해서 준비되면 실시간 조작을 위해 다음 절차가 수행된다.
조정 제1 단계에서 피크 부하 조건을 결정하기 위해 대수적 예측 알고리즘에 의해서 14 시간 예측을 실행한다.
조정 제2 단계에서 가장 최근의 일기 예보가 전일 기상 조건과 큰 차이가 있는지 확인한다.
조정 제3 단계에서 현저한 차이가 발견되면 제4 단계로 진행한다. 발견되지 않으면, 초기 대수적 예측 알고리즘 결과를 최종 피크로드 예측으로 사용한다.
조정 제4 단계에서 입력 변수로서 현재 ΔTMAX, ΔTAVE 및 ΔHAVE와 훈련된 SVR 모듈을 사용하여 피크 부하의 해당 증가 또는 감소를 예측한다.
조정 제5 단계에서, 다음 N 시간 동안 예측 부하를 나타내는 집합 P1, P2, .... Pi, ..... ,PN로 주어진 피크 부하 보정에 대해 다음의 수학식 10에 의해서 AP 결과를 갱신한다.
Figure pat00011
여기서, P0 는 1시간 동안의 초기 예측 P1 과 같고, Pmax는 제1 예측값의 결과에 기초한 피크 부하이며, △PSVR는 훈련된 제2 예측부의 피크 부하 조정값이고, Pi,new 는 제2 예측부에 의해서 i시간에 업데이트된 예측값이다.
조정 제6 단계에서, 업데이트된 피크 부하 조건으로 새로운 시간대 예측 집합을 저장한다. 실제 실행을 위해서, 이용가능한 유일한 데이터는 전년도에 기록된 수요량입니다. 그래서 여름 계절을 위해 빌트될 수 있는 훈련된 SVR 모듈은 3 개월의 여름 데이터, 즉 7 월, 8 월 및 9 월 데이터를 기반으로 한다. 커널 함수로서 SVR 훈련을 위한 최적의 설정은 매개 변수 값이 ε = 0.001, C= 10의 매개 변수 값과 방사형 기저 함수 (radial basis function, RBF)이다.
SVR 빌딩을 위해 사용되는 입력 훈련 집합 X 및 Y을 위해서, X는 ΔTMAX, ΔTAVE 및 ΔHAVE의 세 가지 구성 요소가 있는 벡터이며 Y는 모든 Y들 (피크 부하 불일치)의 세트에서 정규화된 값이다. 여름철의 기온 상승은 최대 부하 수요에서 양의 증가를 의미하기 때문에 ΔTMAX, ΔTAVE가 양의 Y값과 함께 양의 값을 가질 때 한 쌍의 X와 Y의 값은 실행 가능한 데이터로 간주될 수 있다.
대수적 예측 알고리즘의 결과 보정에 대한 시간별 온도 및 습도 데이터를 고려하는 것이 더 합리적이지만, SVR 보상 모듈에 최대값과 평균값만 입력하여 실제 구현을 훨씬 쉽게 수행하고 설정할 수 있다.
5. 신뢰성 DR 발령 프로세스
도 6은 본 발명의 일 실시 예에 따른 신뢰성 DR을 예보하는 프로세스를 설명하기 위한 타이밍도이다. 도 6을 참고하면, 수요관리사업자는 스마트 전력 수요 관리 시스템(100)을 이용하여 전려거래소(300)로부터 전력 시장 정보를 수신한다(S601). 스마트 전력 수요 관리 시스템(100)은 참여 고객(200)으로부터 수요자 정보를 수신한다(S602). 스마트 전력 수요 관리 시스템(100)은 외부로부터 기상 정보를 수신한다(S603). 스마트 전력 수요 관리 시스템(100)은 상술한 대수적 예측 알고리즘과 훈련된 SVR 모듈에 의해서 혼합된 방식으로 신뢰성 DR 예측 여부를 판단한다(S604). 스마트 전력 수요 관리 시스템(100)은 기 정해진 시간 내에 신뢰성 DR이 발령될 것으로 예측되면, 신뢰성 DR 발령 예보를 참여 고객 단말(200)로 전달한다. 참여 고객(200)은 전력 감축 지시에 대비한 준비를 한다(S606). 전력거래소(300)는 수요관리사업자(100)에게 수요 감축 이벤트 발령을 한다(S607). 수요관리 수요관리사업자(100)는 참여 고객(200)에게 수요감축 이벤트를 알린다(S608). 참여 고객(200)은 정해진 시간(지시를 받고 1시간 후까지)에 전력 감축을 시행한다(S609). 참여 고객(200)은 검침 데이터를 수요관리사업자(100)에게 전달한다(S610). 수요관리사업자(100)는 검침 데이터를 전력거래소(300)에 알린다(S611). 전력거래소(300)는 검침 데이터에 기초하여 신뢰성 DR 결과를 계산한다(S612). 전력거래소(300)는 정산금을 수요관리사업자(100)에게 지급한다. 수요관리사업자(100)는 정산금을 참여고객(200)에게 분배한다(S614).
상술한 바와 같이 본 발명의 일 실시 예에 따르면, 신뢰성 DR이 전력거래소(300)에 의해서 발령되기 전에 스마트 전력 수요 관리 시스템(100)은 신뢰성 DR 발령 여부에 대해 예측하여 예보를 참여 고객(200)에게 전달함으로써, 참여 고객(200)은 전력 감축 준비를 보다 원활하게 할 수 있게 된다.
6. 경제성 DR 발령 프로세스
도 7은 본 발명의 일 실시 예에 따른 경제성 DR을 예보하는 프로세스를 설명하기 위한 타이밍도이다. 도 7을 참고하면, 수요관리사업자(100)는 스마트 전력 수요 관리 시스템(100)을 이용하여 전려거래소(300)로부터 전력 시장 정보를 수신한다(S701). 스마트 전력 수요 관리 시스템(100)은 참여 고객(200)으로부터 수요자 정보를 수신한다(S702). 스마트 전력 수요 관리 시스템(100)은 외부로부터 기상 정보를 수신한다(S703). 스마트 전력 수요 관리 시스템(100)은 상술한 대수적 예측 알고리즘과 훈련된 SVR 모듈에 의해서 예측된 제1 예측값 집합 또는 제2 예측값 집합을 이용하여 입찰 용량, 예상 가격을 예측한다(S704). 수요관리사업자(100)는 입찰 용량과 예측 가격을 참여 고객(200)에게 제공한다(S705). 참여 고객(200)은 입찰 여부를 판단한다(S706). 참여 고객(200)은 입찰 용량 및 예상 가격 조건이 수용할만한 경우에 전력 공급 계약 입찰을 수요관리사업자(100)에게 제안한다(S707). 수요관리사업자(100)는 전력공급계약 입찰 정보를 제공한다(S708). 전력거래소(300)는 가격 조건에 부합하는 참여 고객(200)을 선정하여 전력 공급 계약 결정을 수요관리사업자(100)에 통보한다(S709). 수요관리사업자(100)는 전력 공급 계약 결정을 통보한다(S710). 참여 고객(200)은 전력 공급 계약 조건에 따라 전력을 공급한다(S711).
상술한 바와 같이 본 발명의 일 실시 예에 따르면, 경제성 DR을 위한 입찰 용량 및 예상 가격을 예측하여 수요관리사업자(100)가 참여 고객(200)에게 제공함으로써, 참여 고객(200)은 전력 공급 계약 입찰에 참여하기 위한 중요한 요소인 입찰 용량 및 예상 가격을 사전에 확인할 수 있으므로, 보다 유리한 조건에서 입찰에 참여할 수 있는 효과가 발휘된다.
한편, 본 발명의 실시 예를 구성하는 모든 구성 요소들이 하나로 결합하거나 결합하여 동작하는 것으로 설명되었다고 해서, 본 발명이 반드시 이러한 실시 예에 한정되는 것은 아니다. 즉, 본 발명의 목적 범위 안에서라면, 그 모든 구성 요소들이 하나 이상으로 선택적으로 결합하여 동작할 수도 있다. 또한, 그 모든 구성요소들이 각각 하나의 독립적인 하드웨어로 구현될 수 있지만, 각 구성 요소들의 그 일부 또는 전부가 선택적으로 조합되어 하나 또는 복수 개의 하드웨어에서 조합된 일부 또는 전부의 기능을 수행하는 프로그램 모듈을 갖는 컴퓨터 프로그램으로서 구현될 수도 있다. 그 컴퓨터 프로그램을 구성하는 코드들 및 코드 세그먼트들은 본 발명의 기술 분야의 당업자에 의해 용이하게 추론될 수 있을 것이다. 이러한 컴퓨터 프로그램은 컴퓨터가 읽을 수 있는 비일시적 저장매체(non-transitory computer readable media)에 저장되어 컴퓨터에 의하여 읽혀지고 실행됨으로써, 본 발명의 실시 예를 구현할 수 있다.
여기서 비일시적 판독 가능 기록매체란, 레지스터, 캐시(cache), 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라, 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 구체적으로, 상술한 프로그램들은 CD, DVD, 하드 디스크, 블루레이 디스크, USB, 메모리 카드, ROM 등과 같은 비일시적 판독가능 기록매체에 저장되어 제공될 수 있다.
이상에서는 본 발명의 바람직한 실시 예에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시 예에 한정되지 아니하며, 청구범위에 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해되어서는 안 될 것이다.
100 : 스마트 전력 수요 관리 시스템 110 : 통신부
120 : 저장부 130 : 제1 예측부
140 : 기후 변화 감지부 150 : 제2 예측부
160 : 알림부 200 : 수용자 단말
300 : 전력거래소 서버 400 : 전력 사용량 실시간 수집 모듈

Claims (8)

  1. 스마트 전력 수요 관리 시스템에 있어서,
    실시간으로 전력 데이터 및 기후 데이터를 수신하는 통신부;
    수신된 상기 전력 데이터 및 기후 데이터를 저장하는 저장부;
    상기 수신된 전력 데이터 및 기 저장된 전력 데이터를 이용하여 대수적 예측 알고리즘에 의해서 제1 예측값 집합을 산출하는 제1 예측부;
    상기 기후 데이터를 분석하여 기후 변화값이 기준치 이상일 경우에 기후 변화 패턴에 이상 징후가 있음을 판정하는 기후 변화 감지부;
    상기 기후 변화 감지부에 의해서 기후 변화 패턴의 이상 징후가 있음이 판정되면, 상기 전력 데이터와 기후 데이터를 이용하여 상기 제1 예측값 집합을 갱신하는 제2 예측값 집합을 산출하는 제2 예측부; 및
    상기 제1 예측값 집합 또는 상기 제2 예측값 집합에 기초하여 참여 고객 단말로 전력 수요 관련 정보를 전달하는 알림부를 포함하는 스마트 전력 수요 관리 시스템.
  2. 제1 항에 있어서,
    상기 제1 예측부는, 특정 미래 시점(k)의 전력 부하(Pk)를 예측하기 위하여, 상기 특정 미래 시점(k) 이전에 실측된 제1 데이터 세트(Pk-2n ,Pk-(2n-1) ,Pk-(2n-2) , ... ,Pk-1)를 행켈 행렬(Hankel Matrix)로 모델링하고, 입증된 제2 데이터 세트(Pk-(2n+1) ,Pk-2n , ... ,Pk-(n+2))를 상기 모델링된 행켈 행렬의 최상위 행에 추가하여 수정된 행켈 행렬을 생성한 뒤, 상기 수정된 행켈 행렬을 이용하여 Pk를 예측하는 것을 특징으로 하는 스마트 전력 수요 관리 시스템.
  3. 제2 항에 있어서,
    상기 제1 예측부는, 상기 행켈 행렬의 최상위 행에 적어도 하나 이상의 데이터 세트를 추가하여 상기 수정된 행켈 행렬이 M×N 행렬이 되도록 모델링하고, 여기서, 측정 횟수 M은 시스템 매개 변수의 개수 N보다 큰 것을 특징으로 하는 스마트 전력 수요 관리 시스템.
  4. 제1 항에 있어서,
    상기 제2 예측부는, 상기 기후 변화 감지부에 의해서 감지된 기후 변화 패턴이 이상 징후일 경우에, 상기 기후 변화 감지부에서 분석한 상기 기후 변화값과 상기 제1 예측부에서 예측한 상기 제1 예측값 집합으로 구성된 훈련 데이터 세트를 이용하여 서포트 벡터 머신 알고리즘에 의해서 상기 제1 예측값 집합을 상기 제2 예측값 집합으로 갱신하는 것을 특징으로 하는 스마트 전력 수요 관리 시스템.
  5. 제4 항에 있어서,
    상기 제1 예측값 집합은 특정 시간(N) 동안의 예측 부하값을 나타내는 집합 P1, P2, P3, Pi , ..., PN 으로 구성되고,
    상기 기후 변화값은 최대 온도 변화값(△Tmax), 온도 변화 평균값(△Tave) 및 습도 변화 평균값(△Have)으로 구성되며,
    다음의 수학식에 의해서 상기 제1 예측값 집합을 상기 제2 예측값 집합으로 갱신하는 것을 특징으로 하는 스마트 전력 수요 관리 시스템.
    Figure pat00012

    (여기서, P0 는 1시간 동안의 초기 예측 P1 과 같고, Pmax는 제1 예측값의 결과에 기초한 피크 부하이며, △PSVR는 훈련된 제2 예측부의 피크 부하 조정값이고, Pi,new 는 제2 예측부에 의해서 i시간에 업데이트된 예측값)
  6. 제5 항에 있어서,
    상기 훈련된 제2 예측부는, 훈력 데이터 집합 X와 Y를 입력받고, 상기 집합 X는 상기 최대 온도 변화값(△Tmax), 상기 온도 변화 평균값(△Tave), 상기 습도 변화 평균값(△Have)으로 구성된 벡터이고, 상기 집합 Y는 상기 제1 예측값 세트와 실제 피크 부하값 사이의 불일치 값들이 정규화된 값인 것을 특징으로 하는 스마트 전력 수요 관리 시스템.
  7. 제6 항에 있어서,
    상기 훈련된 제2 예측부는, 상기 집합 X 중 상기 최대 온도 변화값(△Tmax)과 상기 온도 변화 평균값(△Tave)이 양의 값이고, 상기 집합 Y 중 양의 값을 갖는 한쌍의 상기 집합 X의 요소 X1과 상기 집합 Y의 요소 Y1을 실행 가능한 데이터로 이용하는 것을 특징으로 하는 스마트 전력 수요 관리 시스템.
  8. 제1 항에 있어서,
    상기 알림부는, 상기 전력 수요 관련 정보로서, 신뢰성 DR 발령 예측 정보, 전력 입찰 용량 정보 또는 입찰 예상 가격 정보 등을 상기 참여 고객 단말로 전송하는 것을 특징으로 하는 스마트 전력 수요 관리 시스템.
KR1020180008085A 2018-01-23 2018-01-23 스마트 전력 수요 관리 시스템 KR102063999B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180008085A KR102063999B1 (ko) 2018-01-23 2018-01-23 스마트 전력 수요 관리 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180008085A KR102063999B1 (ko) 2018-01-23 2018-01-23 스마트 전력 수요 관리 시스템

Publications (2)

Publication Number Publication Date
KR20190095586A true KR20190095586A (ko) 2019-08-16
KR102063999B1 KR102063999B1 (ko) 2020-02-11

Family

ID=67806808

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180008085A KR102063999B1 (ko) 2018-01-23 2018-01-23 스마트 전력 수요 관리 시스템

Country Status (1)

Country Link
KR (1) KR102063999B1 (ko)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112365280A (zh) * 2020-10-20 2021-02-12 国网冀北电力有限公司计量中心 电力需求的预测方法及装置
KR102233202B1 (ko) * 2020-08-28 2021-03-29 주식회사 아이디알서비스 웹 기반 Fast DR 관리시스템
KR20220069233A (ko) * 2020-11-20 2022-05-27 주식회사 에니트 머신러닝을 이용한 에너지 부하예측 시스템 기반 전력거래 시스템
KR20220075526A (ko) * 2020-11-30 2022-06-08 한국전자기술연구원 에너지 절감 냉난방 자동제어를 위한 빅데이터 기반 도시 건물 내 사용자 점유시간 예측시스템 및 방법
KR20220088534A (ko) * 2020-12-18 2022-06-28 한국전자기술연구원 클러스터링 기법을 이용한 마이크로그리드 내 수용가 전력수요 예측장치 및 방법
KR20220117336A (ko) * 2019-12-31 2022-08-23 엔비전 디지털 인터내셔널 피티이 리미티드 소비 전력을 예측하기 위한 방법 및 장치, 디바이스 및 판독 가능한 저장 매체
CN116822888A (zh) * 2023-07-04 2023-09-29 上海宏灿信息科技股份有限公司 一种基于大数据技术实现的智能调度指挥平台

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130045006A (ko) 2011-10-25 2013-05-03 한국전력공사 사전 전력수요예측에 의한 전력수요관리 방법 및 시스템
KR20140075617A (ko) 2012-12-10 2014-06-19 주식회사 케이티 지능형 에너지 소비 예측 방법
KR20160053129A (ko) * 2014-10-31 2016-05-13 한국에너지기술연구원 에너지 관리 시스템 및 그 방법
KR20170007071A (ko) 2015-07-08 2017-01-18 주식회사 케이티 신뢰성 dr 발령의 예측 방법, 서버 및 컴퓨터 프로그램
KR101724686B1 (ko) 2015-11-27 2017-04-07 한전케이디엔주식회사 참여고객별로 수요반응 이벤트를 처리하는 수요반응자원 관리시스템 및 이를 이용한 참여고객별 수요반응 이벤트 처리방법
JP2017169289A (ja) * 2016-03-14 2017-09-21 株式会社リコー 電力予測システム、電力予測方法及びプログラム
JP2017182698A (ja) * 2016-03-31 2017-10-05 株式会社東芝 電力需給管理支援システム、電力需給管理支援方法および電力需給管理支援プログラム

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130045006A (ko) 2011-10-25 2013-05-03 한국전력공사 사전 전력수요예측에 의한 전력수요관리 방법 및 시스템
KR20140075617A (ko) 2012-12-10 2014-06-19 주식회사 케이티 지능형 에너지 소비 예측 방법
KR20160053129A (ko) * 2014-10-31 2016-05-13 한국에너지기술연구원 에너지 관리 시스템 및 그 방법
KR20170007071A (ko) 2015-07-08 2017-01-18 주식회사 케이티 신뢰성 dr 발령의 예측 방법, 서버 및 컴퓨터 프로그램
KR101724686B1 (ko) 2015-11-27 2017-04-07 한전케이디엔주식회사 참여고객별로 수요반응 이벤트를 처리하는 수요반응자원 관리시스템 및 이를 이용한 참여고객별 수요반응 이벤트 처리방법
JP2017169289A (ja) * 2016-03-14 2017-09-21 株式会社リコー 電力予測システム、電力予測方法及びプログラム
JP2017182698A (ja) * 2016-03-31 2017-10-05 株式会社東芝 電力需給管理支援システム、電力需給管理支援方法および電力需給管理支援プログラム

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220117336A (ko) * 2019-12-31 2022-08-23 엔비전 디지털 인터내셔널 피티이 리미티드 소비 전력을 예측하기 위한 방법 및 장치, 디바이스 및 판독 가능한 저장 매체
KR102233202B1 (ko) * 2020-08-28 2021-03-29 주식회사 아이디알서비스 웹 기반 Fast DR 관리시스템
CN112365280A (zh) * 2020-10-20 2021-02-12 国网冀北电力有限公司计量中心 电力需求的预测方法及装置
CN112365280B (zh) * 2020-10-20 2024-04-19 国网冀北电力有限公司计量中心 电力需求的预测方法及装置
KR20220069233A (ko) * 2020-11-20 2022-05-27 주식회사 에니트 머신러닝을 이용한 에너지 부하예측 시스템 기반 전력거래 시스템
KR20220075526A (ko) * 2020-11-30 2022-06-08 한국전자기술연구원 에너지 절감 냉난방 자동제어를 위한 빅데이터 기반 도시 건물 내 사용자 점유시간 예측시스템 및 방법
KR20220088534A (ko) * 2020-12-18 2022-06-28 한국전자기술연구원 클러스터링 기법을 이용한 마이크로그리드 내 수용가 전력수요 예측장치 및 방법
CN116822888A (zh) * 2023-07-04 2023-09-29 上海宏灿信息科技股份有限公司 一种基于大数据技术实现的智能调度指挥平台
CN116822888B (zh) * 2023-07-04 2024-03-15 上海宏灿信息科技股份有限公司 一种基于大数据技术实现的智能调度指挥平台

Also Published As

Publication number Publication date
KR102063999B1 (ko) 2020-02-11

Similar Documents

Publication Publication Date Title
KR102063999B1 (ko) 스마트 전력 수요 관리 시스템
US11816744B2 (en) System, method, and apparatus for settlement for participation in an electric power grid
Jenkins et al. Improved regulatory approaches for the remuneration of electricity distribution utilities with high penetrations of distributed energy resources
JP6671344B2 (ja) 電力消費の最適化のためのスマートシステムの動作方法及び装置
JP5743881B2 (ja) 電力管理システム、電力管理方法、需要家端末及び電力管理装置
US20150186827A1 (en) Data-driven targeting of energy programs using time-series data
KR102133034B1 (ko) 실시간 수집된 수요자 부하 정보를 이용하는 스마트 전력 수요 관리 시스템
Nepal et al. Incentive regulation and utility benchmarking for electricity network security
KR102103412B1 (ko) 소규모 분산 전력 자원 통합 관리 시스템
Efkarpidis et al. Smart Metering Applications
Hassi et al. A compound real option approach for determining the optimal investment path for RPV-storage systems
Golmohamadi et al. Application of robust optimization approach to determine optimal retail electricity price in presence of intermittent and conventional distributed generation considering demand response
Jenkins et al. The remuneration challenge: new solutions for the regulation of electricity distribution utilities under high penetrations of distributed energy resources and smart grid technologies
JP2016213987A (ja) 電力小売料金メニュー策定装置
Jean‐Paul et al. A generalized economic model for optimally selecting forecasted load profiles for measuring demand response in residential energy management system
Beraldi et al. A Learning Powered Bi-Level Approach for Dynamic Electricity Pricing
Bokhoree et al. Forecasting Demand for Electricity in Mauritius using Support Vector Machines for Sustainable Energy Planning
Townsley et al. IEEE Transactions on Power Apparatus and Systemns, Vol. PAS-104, No. 8, August 1985

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant