KR20200109196A

KR20200109196A - 마이크로그리드의 전력 수급 예측 장치 및 그 방법

Info

Publication number: KR20200109196A
Application number: KR1020190028406A
Authority: KR
Inventors: 장광선; 김준성; 최승환
Original assignee: 한국전력공사
Priority date: 2019-03-12
Filing date: 2019-03-12
Publication date: 2020-09-22
Also published as: KR20230145305A; KR20230145304A; KR20230145307A; KR20230145306A; KR102589383B1; KR20230145308A

Abstract

본 발명은 마이크로그리드의 전력 수급 예측 장치 및 그 방법이 개시된다. 본 발명의 마이크로그리드의 전력 수급 예측 장치는, 마이크로그리드에 참여한 각 발전설비의 전력 수급 예측 모델을 탑재하여 전력 수급을 예측하고, 주기적으로 예측 모델의 가중치와 가중치 변화값을 통합운영서버로 전송하며, 통합운영서버에서 업데이트된 학습 파라미터를 수신 받아 재학습을 진행하는 다수의 참여기관 서버; 및 다수의 참여기관 서버에 탑재된 각 발전설비의 전력 수급 예측 모델을 탑재하고, 주기적으로 다수의 참여기관 서버로부터 예측 모델의 가중치와 가중치 변화값을 수신 받아 전역 최적 모델을 재학습하여 전력 수급을 예측하며, 업데이트된 학습 파라미터를 다수의 참여기관 서버로 전송하는 통합운영서버;를 포함하는 것을 특징으로 한다.

Description

마이크로그리드의 전력 수급 예측 장치 및 그 방법{APPARATUS FOR ESTIMATING POWER SUPPLY OF MICROGRID AND METHOD THEREOF}

본 발명은 마이크로그리드의 전력 수급 예측 장치 및 그 방법에 관한 것으로서, 보다 상세하게는 마이크로그리드에 참여하는 기업 간 데이터를 공유하지 않고 전역 최적 모델(Global Optimal Model)을 주기적으로 재학습하여 전력 수급을 예측하는 마이크로그리드의 전력 수급 예측 장치 및 그 방법에 관한 것이다.

일반적으로, 분산형 에너지 자원의 증가로 인해 국가의 전력망 보안 및 분산형 에너지 자원에 대한 신뢰도가 큰 이슈가 되고 있는 가운데, 아직까지 국내에서의 마이크로그리드 실증단지 구축은 분산형 에너지 자원의 성능 검증으로 인해 제한적인 상황이다.

또한, 지금까지의 국내외 연구동향을 살펴보았을 때, 신재생 에너지 기반 분산전원, 에너지 저장 장치 및 전기자동차 충전 인프라, 수요 반응, 멀티 에이전트 시스템 등의 단일 마이크로그리드 운영 방안에 관한 연구만이 중점적으로 이루어지고 있다. 이와 달리, 다수의 마이크로그리드가 연계된 경우 광역 전력계통의 안정성 및 경제성 분석에 대한 연구는 아직 미흡한 상태이다.

아울러, 대용량의 신재생 에너지와 에너지 저장 장치 및 전기 자동차와 같은 분산형 에너지 자원들의 보급과 다양한 지능형 부하의 개발에 따라 새롭게 변화하게 될 전력 시스템의 운영과 변화에 대한 분석 및 제어기술 개발이 요구되고 있는 실정이다.

이와 더불어, 급증하는 수요에 맞추어 발전계획 및 송배전 설비 구축이 이루어져야 하지만, 국내의 환경적 요인 및 인적 요인에 의하여 특고전압 송전망 구축이 어려운 실정이다. 이와 같은 문제를 해결하기 위하여, 다양한 분산형 에너지 자원 및 스마트 그리드 기술을 통한 새로운 전력 시스템 구축을 목표로 연구가 진행되고 있다.

마이크로그리드는 타 네트워크에서의 에너지 공급 및 독립 운전을 통해 보다 유연한 계통 운영이 가능하여, 기존의 중앙 집중형 송배선 시스템에서 탈피한 분산형 시스템으로 각광받고 있다. 이에 따른 마이크로그리드 기술 개발의 수요 급증으로, 다중 마이크로그리드 간의 경제성 및 안정성을 고려한 최적 운용 및 제어에 대한 기술 개발이 진행되고 있다.

본 발명의 배경기술은 대한민국 등록특허공보 제10-1678857호(2016.11.23. 공고, 마이크로그리드의 실시간 전력 수급, 전력 수급 예측 및 전력 공유 제어 장치)에 개시되어 있다.

이와 같이 마이크로그리드 및 다중 마이크로그리드는 지리적으로 인접한 대상으로 구성되며, 학교, 유치원, 공단 등 다양한 기관으로 구성된다. 또한, 최근에는 다른 전력 사용 패턴을 가지는 이종 참여기관으로 구성하여 마이크로그리드의 효율성을 높이는 추세이다.

따라서 독립 운전 중인 마이크로그리드는 각 마이크로그리드의 부족 또는 여유 전력량을 산출하고 이에 기초하여 주변 마이크로그리드와 전력을 공유하며, 마이크로그리드의 부하량 및 발전 용량의 차이에 기초하여 전력 수급을 제어하고 있다.

종래 수요량 및 발전량 예측 알고리즘은 기상(풍속, 풍향, 기온, 습도, 기압) 데이터를 기반으로 한 기상 물리 모델과 통계모델, 발전량 산정 모듈 등을 활용하고 있다.

그러나 이와 같은 방식은 기상 데이터 기반 예측 모델의 근본적 한계, 각 설비의 데이터를 반영하지 않은 문제 등으로 인하여 예측 정확도가 낮은 문제점이 있다. 또한 수집된 기상 데이터가 부정확하거나 기상 데이터를 단기간으로 수집하는 체계가 구축되어 있지 않은 경우 이와 같은 예측모델을 적용하기에는 부적합 부분이 있다.

따라서 기상 데이터뿐만 아니라, 각 설비의 데이터를 반영한 예측 모델이 필요할 뿐만 아니라, 동 기종의 설비라도 전력 생산량에 미묘한 차이가 있으며, 설비 배치에 따라서도 데이터가 달라지기 때문에 설비의 과거 센싱 데이터와 과거 수요량 및 발전량 데이터를 활용한 예측 모델 개발이 필요하다.

또한, 기온, 과거 부하 데이터를 기반으로 단기전력 부하 및 분산 발전량 예측을 통하여 수집된 전력데이터에 대한 일별, 월별, 계절별 패턴 분석, 과부하 예상, 전압강하, 손실예상, 전압/역률의 예측이 가능하며, 이와 같은 전력 예측은 부하/발전 스케줄링, 실시간 최적 제어, Peak/에너지 관리, 계통 안정성 계획 등 최적화 계획에 활용된다. 이를 하여 전력 수급 안정 제어 서비스, 가능용량 및 경제성 판단 서비스 등의 보조 서비스 제공도 가능하다.

한편, 설비 센싱 데이터와 과거 수요량 및 발전량 시계열 데이터를 학습한 딥러닝 모델을 활용할 필요성이 있으며, 최근 LSTM(long short-term memory), CNN(Convolutional Neural Networks) 등의 딥러닝 모델을 활용하여 전기 소비량 및 발전량을 예측하는 모델이 높은 정확도를 보이고 있다.

이러한 마이크로그리드의 예측 모델의 경우, 최신 데이터를 활용하여 모델을 추가학습(Fine tuning)하지 않기 때문에 시간이 지남에 따라 예측 모델의 정확도가 떨어진다. 따라서 주기적으로 예측 모델을 학습시켜 예측 정확도를 향상시켜야 한다.

이와 같은 마이크로그리드의 예측 모델은 참여기관별 데이터 공유를 전제로 모든 참여기관의 데이터를 활용해야 하지만, 빅 데이터의 중요성이 대두되고 데이터의 자산화가 이루어짐에 따라 개별 기업은 자사의 데이터를 타 기업 및 기관과 공유를 하지 않고 있으며, 데이터를 공유하더라도 원천 데이터(Raw Data)의 공개를 꺼려하고 있다. 또한 데이터 자산화와 데이터 보안 문제로 인하여 타 기업 간 데이터를 공유하지 않기 때문에, 이종 기업으로 구성된 마이크로그리드 환경에서 데이터 공유를 전제로 하는 마이크로그리드의 예측 모델은 실제 적용 가능성이 낮은 문제점이 있다.

또한, 종래의 마이크로그리드 구조는 클라이언트-서버 구조로써, 각 마이크로그리드 참여 기관은 데이터를 통합운영센터(Total Operating Center, TOC)로 모두 전송하고 통합운영센터에서 모델을 개발하여 배포하는 형식이기 때문에 이러한 마이크로그리드 구조에서 주기적으로 예측 모델을 재학습하기 위해서는 각 마이크로 그리드 참여기관의 데이터를 전송받아야 한다. 그러나 각 참여기관은 데이터 보안을 문제로 공유하기를 꺼려하고 있어, 기존 마이크로그리드 구조에서는 딥러닝 기반의 예측모델 활용한 데이터 공유 절차가 매우 복잡하고 길어져 많은 인적, 시간적 자원이 소모되는 문제점이 있다.

한편, 모든 데이터를 통합운영센터(Total Operating Center, TOC)로 전송함에 따라 네트워크 비용 및 I/O 비용이 발생한다. 즉, 분산처리 환경에서 병목현상(Bottleneck)은 데이터를 전송하는 시간인 네트워크 비용과 하나의 서버가 데이터를 전송받고 저장하는 I/O 비용에서 발생하기 때문에, 마이크로그리드 내 참여기관이 많아질수록 네트워크 비용 및 I/O 비용이 커져 비효율성이 증가하는 문제점이 있다.

그리고 통합운영센터(Total Operating Center, TOC)에 처리 범위 이상의 데이터가 들어온다면 서버 과부하 문제가 발생할 수 있으며, 이에 따른 통합운영센터(Total Operating Center, TOC)의 설비 증축에 따른 비용이 추가적으로 발생하는 문제점이 있다.

본 발명은 상기와 같은 문제점들을 개선하기 위하여 안출된 것으로, 일 측면에 따른 본 발명의 목적은 마이크로그리드에 참여하는 기업 간 데이터를 공유하지 않고 예측 모델의 가중치 및 가중치 변화값만을 공유함으로써, 데이터 병렬 기반 분산 학습 모델인 전역 최적 모델(Global Optimal Model)을 주기적으로 재학습하여 단일 기기의 학습 정확도를 높여 전력 수급을 예측하며, 데이터 공유 시 오토인코더 모델을 통해 데이터 보안성을 강화하고 민감 정보를 보호할 수 있도록 하는 마이크로그리드의 전력 수급 예측 장치 및 그 방법을 제공하는 것이다.

본 발명의 일 측면에 따른 마이크로그리드의 전력 수급 예측 장치는, 마이크로그리드에 참여한 각 발전설비의 전력 수급 예측 모델을 탑재하여 전력 수급을 예측하고, 주기적으로 예측 모델의 가중치와 가중치 변화값을 통합운영서버로 전송하며, 통합운영서버에서 업데이트된 학습 파라미터를 수신 받아 재학습을 진행하는 다수의 참여기관 서버; 및 다수의 참여기관 서버에 탑재된 각 발전설비의 전력 수급 예측 모델을 탑재하고, 주기적으로 다수의 참여기관 서버로부터 예측 모델의 가중치와 가중치 변화값을 수신 받아 전역 최적 모델을 재학습하여 전력 수급을 예측하며, 업데이트된 학습 파라미터를 다수의 참여기관 서버로 전송하는 통합운영서버;를 포함하는 것을 특징으로 한다.

본 발명에서 통합운영서버는, 전송된 예측 모델의 가중치와 가중치 변화값을 평균하여 이전 학습 파라미터에 합산하여 학습 파라미터를 업데이트하는 것을 특징으로 한다.

본 발명에서 다수의 참여기관 서버는 가중치와 가중치 변화값을 오토인코더를 통해 압축한 잠재변수 데이터를 통합운영서버로 전송하고, 통합운영서버는 오토인코더를 통해 잠재변수 데이터로부터 가중치와 가중치 변화값을 복원하는 것을 특징으로 한다.

본 발명에서 다수의 참여기관 서버와 통합운영서버는, 매 에포크(Epoch)마다 예측 모델을 재학습하는 것을 특징으로 한다.

본 발명에서 통합운영서버는, 실시간 예측 모델의 경우 다수의 참여기관 서버의 학습 결과를 반영하지 않고 비동기식 모델 생성법으로 전력 수급을 예측하는 것을 특징으로 한다.

본 발명의 일 측면에 따른 마이크로그리드의 전력 수급 예측 방법은, 다수의 참여기관 서버가 각각 마이크로그리드에 참여한 각 발전설비의 전력 수급 예측 모델을 기반으로 전력 수급을 예측하는 단계; 다수의 참여기관 서버가 주기적으로 예측 모델의 가중치와 가중치 변화값을 통합운영서버로 전송하는 단계; 통합운영서버가 주기적으로 다수의 참여기관 서버로부터 예측 모델의 가중치와 가중치 변화값을 수신 받는 단계; 통합운영서버가 다수의 참여기관 서버에 탑재된 각 발전설비의 전력 수급 예측 모델에 수신된 가중치와 가중치 변화값을 적용하여 전역 최적 모델을 재학습하는 단계; 통합운영서버가 전역 최적 모델을 기반으로 마이크로그리드의 전력 수급을 예측하는 단계; 통합운영서버가 전역 최적 모델을 재학습하면서 업데이트된 학습 파라미터를 다수의 참여기관 서버로 전송하는 단계; 및 다수의 참여기관 서버가 통합운영서버로부터 전송된 학습 파라미터를 수신 받아 재학습하는 단계를 포함하는 것을 특징으로 한다.

본 발명에서 학습 파라미터는, 통합운영서버가 공유된 예측 모델의 가중치와 가중치 변화값을 평균하여 이전 학습 파라미터에 합산하여 학습 파라미터를 업데이트하는 것을 특징으로 한다.

본 발명에서 가중치와 가중치 변화값을 통합운영서버로 전송하는 단계는, 다수의 참여기관 서버가 오토인코더의 인코더로 압축된 잠재변수 데이터를 전송하는 것을 특징으로 한다.

본 발명에서 다수의 참여기관 서버로부터 예측 모델의 가중치와 가중치 변화값을 수신 받는 단계는, 통합운영서버가 다수의 참여기관 서버에서 전송한 잠재변수 데이터를 수신하여, 오토인코더의 디코더를 사용하여 잠재변수 데이터로부터 가중치와 가중치 변화값을 복원하는 것을 특징으로 한다.

본 발명에서 가중치와 가중치 변화값을 통합운영서버로 전송하는 단계는, 다수의 참여기관 서버가 매 에포크(Epoch)마다 학습된 예측 모델의 가중치와 가중치 변화값을 전송하는 것을 특징으로 한다.

본 발명의 일 측면에 따른 마이크로그리드의 전력 수급 예측 장치 및 그 방법은 마이크로그리드에 참여하는 기업 간 데이터를 공유하지 않고 예측 모델의 가중치 및 가중치 변화값만을 공유함으로써, 데이터 병렬 기반 분산 학습 모델인 전역 최적 모델(Global Optimal Model)을 주기적으로 재학습하여 단일 기기의 학습 정확도를 높여 전력 수급을 예측할 수 있으며, 데이터 공유 시 오토인코더 모델을 통해 데이터 보안성을 강화하고 민감 정보를 보호할 수 있을 뿐만 아니라 데이터 전송량을 줄여 데이터 공유에 따른 네트워크 비용을 절감할 수 있고 데이터 전송 및 공유 속도를 향상시킬 수 있다.

도 1은 본 발명의 일 실시예에 따른 마이크로그리드의 전력 수급 예측 장치를 나타낸 블록 구성도이다.
도 2는 본 발명의 일 실시예에 따른 마이크로그리드의 전력 수급 예측 장치에 적용되는 오토인코더를 나타낸 구성도이다.
도 3은 본 발명의 일 실시예에 따른 마이크로그리드의 전력 수급 예측 방법을 설명하기 위한 흐름도이다.

이하, 첨부된 도면들을 참조하여 본 발명에 따른 마이크로그리드의 전력 수급 예측 장치 및 그 방법을 설명한다. 이 과정에서 도면에 도시된 선들의 두께나 구성요소의 크기 등은 설명의 명료성과 편의상 과장되게 도시되어 있을 수 있다. 또한, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례에 따라 달라질 수 있다. 그러므로 이러한 용어들에 대한 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.

도 1은 본 발명의 일 실시예에 따른 마이크로그리드의 전력 수급 예측 장치를 나타낸 블록 구성도이고, 도 2는 본 발명의 일 실시예에 따른 마이크로그리드의 전력 수급 예측 장치에 적용되는 오토인코더를 나타낸 구성도이다.

도 1에 도시된 바와 같이 본 발명의 일 실시예에 따른 마이크로그리드의 전력 수급 예측 장치는, 제1 내지 제n 참여기관 서버(10_1~10_n)와 통합운영서버(20)를 포함할 수 있다.

제1 내지 제n 참여기관 서버(10_1~10_n)는 마이크로그리드에 참여한 각 발전설비의 전력 수급 예측 모델(Mi)을 탑재하여 각 로데이터(Raw Data)(D1~Dn)를 기반으로 전력 수급을 예측한다. 그리고 주기적으로 매 애포크(Epoch)마다 예측 모델을 학습한 후 학습한 예측 모델의 가중치와 가중치 변화값(P1~Pn)을 통합운영서버(20)로 전송한다.

여기서, 제1 내지 제n 참여기관 서버(10_1~10_n)는 예측 모델의 가중치와 가중치 변화값을 통합운영서버(20)로 전송할 때 오토인코더(Autoencoder)(30)를 통해 데이터를 전송할 수 있다.

오토인코더(30)는 도 2에 도시된 바와 같이 딥 네트워크 기반의 비지도 학습 모델(Unsupervised Model)로서, 뉴럴 네트워크는 앞에 인코더(Encoder)(32)를 붙이고, 뒤에 디코더(Decoder)(34)를 뒤집어 붙여놓은 형태를 갖는다.

따라서 오토인코더(30)는 인코더(32)를 통해서 입력 데이터를 압축하여 입력 데이터에 대한 특징(Feature)을 추출하고, 이 결과를 가지고 디코더(34)를 통해 원본 데이터를 복원한다. 오토인코더(30)는 이 과정에서 입력값과 출력값이 최대한 같아지도록 학습함으로써 특징(Feature)을 잘 추출할 수 있도록 한다.

제1 내지 제n 참여기관 서버(10_1~10_n)는 가중치와 가중치 변화값을 통합운영서버(20)로 전송할 때 오토인코더(30)의 인코더(32)로 압축된 잠재변수(Latent Variables) 데이터를 전송할 수 있다.

또한 제1 내지 제n 참여기관 서버(10_1~10_n)는 데이터 병렬 기반 분산 학습에 의한 전역 최적 모델(Global Optimal Model)에서 업데이트된 학습 파라미터(Mi+1)를 통합운영서버(20)로부터 수신 받아, 모델 업데이트된 학습 파라미터에 따라 재학습을 진행하여 분산 학습 과정에서 국부 최적(Local Optimum)에 빠지는 것을 방지할 수 있다.

통합운영서버(20)는 제1 내지 제n 참여기관 서버(10_1~10_n)에 탑재된 각 발전설비의 전력 수급 예측 모델을 탑재하여 전역 최적 모델을 생성하고, 주기적으로 매 에포크(Epoch)마다 제1 내지 제n 참여기관 서버(10_1~10_n)로부터 예측 모델의 가중치와 가중치 변화값(P1~Pn)을 수신 받아 전역 최적 모델을 재학습하여 전력 수급을 예측하며, 업데이트된 학습 파라미터를 제1 내지 제n 참여기관 서버(10_1~10_n)로 전송하여 학습 모델을 재학습할 수 있도록 한다.

여기서, 통합운영서버(20)는 전송된 예측 모델의 가중치와 가중치 변화값(P1~Pn)을 평균하여 이전 학습 파라미터에 합산하여 학습 파라미터(Mi+1)를 업데이트할 수 있다.

한편, 통합운영서버(20)는 5분 단위 등 단기간 분산 발전 및 부하 실시간 예측 모델의 경우 제1 내지 제n 참여기관 서버(10_1~10_n)의 학습 결과를 반영하지 않고 학습시간이 빠른 비동기식 모델 생성법으로 전력 수급을 예측할 수 있다.

또한, 통합운영서버(20)는 예측 모델의 가중치와 가중치 변화값을 오토인코더(30)를 통해 인코딩한 잠재변수 데이터를 제1 내지 제n 참여기관 서버(10_1~10_n)로부터 수신하여, 이를 오토인코더(30)의 디코더(34)를 사용하여 가중치와 가중치 변화값으로 복원할 수 있다.

상술한 바와 같이, 본 발명의 실시예에 의한 마이크로그리드의 전력 수급 예측 장치에 따르면, 마이크로그리드에 참여하는 기업 간 데이터를 공유하지 않고 예측 모델의 가중치 및 가중치 변화값만을 공유함으로써, 데이터 병렬 기반 분산 학습 모델인 전역 최적 모델(Global Optimal Model)을 주기적으로 재학습하여 단일 기기의 학습 정확도를 높여 전력 수급을 예측할 수 있으며, 데이터 공유 시 오토인코더 모델을 통해 데이터 보안성을 강화하고 민감 정보를 보호할 수 있을 뿐만 아니라 데이터 전송량을 줄여 데이터 공유에 따른 네트워크 비용을 절감할 수 있고 데이터 전송 및 공유 속도를 향상시킬 수 있다.

도 3은 본 발명의 일 실시예에 따른 마이크로그리드의 전력 수급 예측 방법을 설명하기 위한 흐름도이다.

도 3에 도시된 바와 같이 본 발명의 일 실시예에 따른 마이크로그리드의 전력 수급 예측 방법에서는, 먼저 마이크로그리드에 참여한 발전설비의 전력 수급 예측 모델을 탑재한 다수의 참여기관 서버(10)가 각각 독립적으로 전력 수급을 예측하기 위한 로데이터(Raw Data)를 입력받는다(S10).

S10 단계에서 로데이터를 입력받은 다수의 참여기관 서버(10)는 각각 탑재된 전력 수급 예측모델을 기반으로 전력 수급을 예측한다(S20).

S20 단계에서 다수의 참여기관 서버(10)가 독립적으로 예측 모델을 기반으로 전력 수급을 예측한 후 예측 모델의 가중치와 가중치 변화값을 오토인코더(30)의 인코더(32)를 통해 인코딩한다(S30).

S30 단계에서 예측 모델의 가중치와 가중치 변화값을 오토인코더(30)의 인코더(32)로 압축한 잠재변수(Latent Variables) 데이터를 다수의 참여기관 서버(10)가 주기적으로 매 에포크(Epoch)마다 통합운영서버(20)로 전송한다(S40).

S40 단계에서 다수의 참여기관 서버(10)로부터 전송된 잠재변수 데이터를 수신한 후 통합운영서버(20)는 오토인코더(30)의 디코더(34)를 통해 잠재변수 데이터로부터 가중치와 가중치 변화값을 복원한다(S50).

S50 단계에서 통합운영서버(20)는 마이크로그리드에 참여한 다수의 참여기관 서버(10)로부터 각 예측 모델의 학습결과에 따른 가중치와 가중치 변화값을 입력받아, 데이터 병렬 기반 분산 학습에 의한 전역 최적 모델(Global Optimal Model)을 재학습시켜 예측 모델을 업데이트한다(S60).

여기서, 통합운영서버(20)는 다수의 참여기관 서버(10)에 탑재된 각 발전설비의 전력 수급 예측 모델을 탑재하고 있어 독립적으로 참여기관 서버(10)에서 학습한 학습 결과에 의한 가중치와 가중치 변화값을 적용하여 예측 모델을 업데이트함으로써, 예측 모델에 대해 더 높은 예측 정확도를 높일 수 있다.

S60 단계에서 전역 최적 모델을 재학습시킨 후 통합운영서버(20)는 업데이트된 전역 최적 모델을 기반으로 마이크로그리드의 전력 수급을 예측한다(S70).

S70 단계에서 마이크로그리드의 전력 수급을 예측한 후 통합운영서버(20)는 업데이트된 학습 파라미터를 다수의 참여기관 서버(10)로 전송한다(S80).

여기서 학습 파라미터는 통합운영서버(20)가 공유된 예측 모델의 가중치와 가중치 변화값을 평균하여 이전 학습 파라미터에 합산하여 학습 파라미터를 업데이트할 수 있다.

S80 단계에서 통합운영서버(20)로부터 전송된 학습 파라미터를 수신한 다수의 참여기관 서버(10)는 학습 파라미터를 각각의 예측 모델에 적용하여 재학습하여 예측 모델을 업데이트한다(S90).

상술한 바와 같이, 본 발명의 실시예에 의한 마이크로그리드의 전력 수급 예측 방법에 따르면, 마이크로그리드에 참여하는 기업 간 데이터를 공유하지 않고 예측 모델의 가중치 및 가중치 변화값 만을 공유함으로써, 데이터 병렬 기반 분산 학습 모델인 전역 최적 모델(Global Optimal Model)을 주기적으로 재학습하여 단일 기기의 학습 정확도를 높여 전력 수급을 예측할 수 있으며, 데이터 공유 시 오토인코더 모델을 통해 데이터 보안성을 강화하고 민감 정보를 보호할 수 있을 뿐만 아니라 데이터 전송량을 줄여 데이터 공유에 따른 네트워크 비용을 절감할 수 있고 데이터 전송 및 공유 속도를 향상시킬 수 있다.

본 명세서에서 설명된 구현은, 예컨대, 방법 또는 프로세스, 장치, 소프트웨어 프로그램, 데이터 스트림 또는 신호로 구현될 수 있다. 단일 형태의 구현의 맥락에서만 논의(예컨대, 방법으로서만 논의)되었더라도, 논의된 특징의 구현은 또한 다른 형태(예컨대, 장치 또는 프로그램)로도 구현될 수 있다. 장치는 적절한 하드웨어, 소프트웨어 및 펌웨어 등으로 구현될 수 있다. 방법은, 예컨대, 컴퓨터, 마이크로프로세서, 집적 회로 또는 프로그래밍 가능한 로직 디바이스 등을 포함하는 프로세싱 디바이스를 일반적으로 지칭하는 프로세서 등과 같은 장치에서 구현될 수 있다. 프로세서는 또한 최종-사용자 사이에 정보의 통신을 용이하게 하는 컴퓨터, 셀 폰, 휴대용/개인용 정보 단말기(personal digital assistant: "PDA") 및 다른 디바이스 등과 같은 통신 디바이스를 포함한다.

본 발명은 도면에 도시된 실시예를 참고로 하여 설명되었으나, 이는 예시적인 것에 불과하며, 당해 기술이 속하는 분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다.

따라서 본 발명의 진정한 기술적 보호범위는 아래의 청구범위에 의해서 정하여져야 할 것이다.

10 : 참여기관 서버
20 : 통합운영서버
30 : 오토인코더
32 : 인코더
34 : 디코더

Claims

마이크로그리드에 참여한 각 발전설비의 전력 수급 예측 모델을 탑재하여 전력 수급을 예측하고, 주기적으로 예측 모델의 가중치와 가중치 변화값을 통합운영서버로 전송하며, 상기 통합운영서버에서 업데이트된 학습 파라미터를 수신 받아 재학습을 진행하는 다수의 참여기관 서버; 및
상기 다수의 참여기관 서버에 탑재된 각 발전설비의 전력 수급 예측 모델을 탑재하고, 주기적으로 상기 다수의 참여기관 서버로부터 예측 모델의 가중치와 가중치 변화값을 수신 받아 전역 최적 모델을 재학습하여 전력 수급을 예측하며, 업데이트된 학습 파라미터를 상기 다수의 참여기관 서버로 전송하는 통합운영서버;를 포함하는 것을 특징으로 하는 마이크로그리드의 전력 수급 예측 장치.
제 1항에 있어서, 상기 통합운영서버는, 전송된 예측 모델의 가중치와 가중치 변화값을 평균하여 이전 학습 파라미터에 합산하여 학습 파라미터를 업데이트하는 것을 특징으로 하는 마이크로그리드의 전력 수급 예측 장치.
제 1항에 있어서, 상기 다수의 참여기관 서버는 가중치와 가중치 변화값을 오토인코더를 통해 압축한 잠재변수 데이터를 상기 통합운영서버로 전송하고, 상기 통합운영서버는 상기 오토인코더를 통해 잠재변수 데이터로부터 가중치와 가중치 변화값을 복원하는 것을 특징으로 하는 마이크로그리드의 전력 수급 예측 장치.
제 1항에 있어서, 상기 다수의 참여기관 서버와 상기 통합운영서버는, 매 에포크(Epoch)마다 예측 모델을 재학습하는 것을 특징으로 하는 마이크로그리드의 전력 수급 예측 장치.
제 1항에 있어서, 상기 통합운영서버는, 실시간 예측 모델의 경우 상기 다수의 참여기관 서버의 학습 결과를 반영하지 않고 비동기식 모델 생성법으로 전력 수급을 예측하는 것을 특징으로 하는 마이크로그리드의 전력 수급 예측 장치.
다수의 참여기관 서버가 각각 마이크로그리드에 참여한 각 발전설비의 전력 수급 예측 모델을 기반으로 전력 수급을 예측하는 단계;
상기 다수의 참여기관 서버가 주기적으로 예측 모델의 가중치와 가중치 변화값을 통합운영서버로 전송하는 단계;
상기 통합운영서버가 주기적으로 상기 다수의 참여기관 서버로부터 예측 모델의 상기 가중치와 가중치 변화값을 수신 받는 단계;
상기 통합운영서버가 상기 다수의 참여기관 서버에 탑재된 각 발전설비의 전력 수급 예측 모델에 수신된 상기 가중치와 가중치 변화값을 적용하여 전역 최적 모델을 재학습하는 단계;
상기 통합운영서버가 전역 최적 모델을 기반으로 마이크로그리드의 전력 수급을 예측하는 단계;
상기 통합운영서버가 전역 최적 모델을 재학습하면서 업데이트된 학습 파라미터를 상기 다수의 참여기관 서버로 전송하는 단계; 및
상기 다수의 참여기관 서버가 상기 통합운영서버로부터 전송된 학습 파라미터를 수신 받아 재학습하는 단계를 포함하는 것을 특징으로 하는 마이크로그리드의 전력 수급 예측 방법.
제 6항에 있어서, 상기 학습 파라미터는, 상기 통합운영서버가 공유된 예측 모델의 상기 가중치와 가중치 변화값을 평균하여 이전 학습 파라미터에 합산하여 상기 학습 파라미터를 업데이트하는 것을 특징으로 하는 마이크로그리드의 전력 수급 예측 방법.
제 6항에 있어서, 상기 가중치와 가중치 변화값을 상기 통합운영서버로 전송하는 단계는, 상기 다수의 참여기관 서버가 오토인코더의 인코더로 압축된 잠재변수 데이터를 전송하는 것을 특징으로 하는 마이크로그리드의 전력 수급 예측 방법.
제 8항에 있어서, 상기 다수의 참여기관 서버로부터 예측 모델의 상기 가중치와 가중치 변화값을 수신 받는 단계는, 상기 통합운영서버가 상기 다수의 참여기관 서버에서 전송한 상기 잠재변수 데이터를 수신하여, 상기 오토인코더의 디코더를 사용하여 상기 잠재변수 데이터로부터 상기 가중치와 가중치 변화값을 복원하는 것을 특징으로 하는 마이크로그리드의 전력 수급 예측 방법.
제 6항에 있어서, 상기 가중치와 가중치 변화값을 통합운영서버로 전송하는 단계는, 상기 다수의 참여기관 서버가 매 에포크(Epoch)마다 학습된 예측 모델의 상기 가중치와 가중치 변화값을 전송하는 것을 특징으로 하는 마이크로그리드의 전력 수급 예측 방법.