KR20210063989A - 스마트 그리드에서 p2p 프로슈머 커뮤니티의 지능형 사전 에너지 공유 스케줄링 방법 - Google Patents

Abstract

프로슈머 커뮤니티는 에너지를 소비할 뿐만 아니라 태양 에너지와 같은 에너지를 생성할 수 있는 프로슈머에 의해 형성된다. 그러나, 에너지 소비와 생성의 불균형으로 인해 재생 불가능한 수많은 에너지가 여전히 활용되고 있다. 따라서, 스마트 그리드에서 P2P 프로슈머 커뮤니티의 지능형 사전 에너지 공유 스케줄링 방법이 제안되는데, 이는 지능형 에너지 예측 단계와 능동적 에너지 스케줄링 최적화 단계를 포함하는 2단계 방법이다.

Description

스마트 그리드에서 P2P 프로슈머 커뮤니티의 지능형 사전 에너지 공유 스케줄링 방법{Method for intelligent day-ahead energy sharing scheduling of the P2P prosumer community in smart grid}

스마트 그리드, 스마트 시티, 사이버 물리 시스템(CPS), 개인 간 통신(P2P) 네트워크

스마트 그리드의 발전으로 프로슈머 커뮤니티가 큰 관심을 끌고 있다. 예를 들어, 태양 에너지는 에너지 효율을 향상하고 세계 에너지 부족 문제에 대처하기 위한 첨단 기술인 개인 간 통신(P2P) 에너지 공유로 알려진 옥상 태양 전지판을 설치하여 에너지를 소비할 수 있을 뿐만 아니라, 필요한 이웃에게 잉여 에너지를 판매할 수 있는 프로슈머 커뮤니티를 만들어냈다. 그러나, 태양 에너지 발전은 에너지 생성과 수요 사이의 불일치 문제를 일으키는 태양 강도에 의존한다. 즉, 태양광 발전량으로는 에너지 소비량을 충족시킬 수 없다. 이러한 문제를 해결하기 위해 프로슈머 커뮤니티 내 각 가구에 배터리가 도입된다. 따라서 P2P 에너지 공유 또는 수신 프로세스뿐만 아니라, 배터리 충전이나 방전 프로세스를 통해 에너지를 스케줄링할 필요가 있다.

스마트 그리드의 개발로, 프로슈머는 스마트 그리드에서 매우 인기가 많아졌고, 학계와 업계 모두에서 많은 관심을 받고 있다. 그런데도, 프로슈머에 의해 형성된 커뮤니티의 에너지 생성과 에너지 수요 간 불균형으로 인해 일정 기간 재생이 안 되는 많은 에너지가 여전히 사용되고 있다. 따라서 배터리 저장 시스템을 고려하여 P2P 프로슈머 커뮤니티에서 재생 불가능한 에너지의 사용을 최소화할 필요가 있고, 그것이 타당하다.

P2P 프로슈머 커뮤니티를 위한. 재생이 안 되는 에너지의 사전 사용량 최소화라는 목적을 달성하기 위해, 에너지 소비 예측, 배터리 충전/방전, 에너지 공유 스케줄링 등이 종합적으로 고려된다. 상세한 시스템 모델은 도 1에 나와 있다. 그러나, 에너지 소비의 역사에 걸친 예측할 수 없는 성격과 강력한 관계로 인해, 에너지 수요를 정확하게 예측하기 위한 엄청난 도전이 야기된다. [1] 모든 가구에서 에너지 공유 및 배터리 스케줄링의 또 다른 큰 어려움은 배터리 충전/배출 및 에너지 공유의 최적 가치를 아는 것이다.

이러한 과제를 해결하기 위해, 우리는 다음 날의 에너지 수요를 예측할 뿐만 아니라, 프로슈머 커뮤니티 내 가구당 배터리 충전 또는 방전 및 에너지 공유를 최적화하는 방법에 초점을 맞춘다. 그러나 일일 예측 및 배터리 충전 또는 방전 및 에너지 공유 스케줄링 단계를 포함하는 공식화된 문제를 직접 해결하기는 어렵다. 따라서, 우리는 공식화된 문제를 2단계로 분해한다. 도 2에 나타난 바와 같이, 하나는 사전 예측 단계이고 다른 하나는 최적화 단계이다.

RNN의 일종의 최적화 된 버전인 장단기 기억 네트워크(LSTM)는 시퀀스 기반 모델을 통해 시계열 문제를 해결할 수 있다. [2] [3] LSTM을 이용하여, 기울기 소실이나 폭주 문제로 인해 RNN으로 장거리 종속성을 학습하는 것의 어려움을 해결할 수 있다. 따라서 첫 번째 단계에서는 LSTM을 기반으로 하는 지능형 에너지 예측 모델이 제안된다.

두 번째 단계에서는 입자 군집 최적화(PSO)에 기반한 방법이 제안된다. PSO는 최고 성능 입자(종합적 최상)와 위치(개별적 최상)를 얻는 모집단 기반 기법이다 [4]. 우리는 PSO를 사용하여, 배터리 충전 또는 방전의 최상의 상태 및 재생이 안 되는 에너지 사용을 최소화하기 위해 태양광 발전과 에너지 수요 사이의 균형에 도움이 되는 에너지 공유의 최적량을 얻는다.

이러한 과제를 해결하기 위해, 우리는 다음 날의 에너지 수요를 예측할 뿐만 아니라, 프로슈머 커뮤니티 내 가구당 배터리 충전 또는 방전 및 에너지 공유를 최적화하는 방법에 초점을 맞춘다. 그러나 일일 예측 및 배터리 충전 또는 방전 및 에너지 공유 스케줄링 단계를 포함하는 공식화된 문제를 직접 해결하기는 어렵다. 따라서, 우리는 공식화된 문제를 2단계로 분해한다. 도 2에 나타난 바와 같이, 하나는 사전 예측 단계이고 다른 하나는 최적화 단계이다.

RNN의 일종의 최적화 된 버전인 장단기 기억 네트워크(LSTM)는 시퀀스 기반 모델을 통해 시계열 문제를 해결할 수 있다. [2] [3] LSTM을 이용하여, 기울기 소실이나 폭주 문제로 인해 RNN으로 장거리 종속성을 학습하는 것의 어려움을 해결할 수 있다. 따라서 첫 번째 단계에서는 LSTM을 기반으로 하는 지능형 에너지 예측 모델이 제안된다.

두 번째 단계에서는 입자 군집 최적화(PSO)에 기반한 방법이 제안된다. PSO는 입자가 해공간 주위를 날아다닐 수 있도록 하여 최고 성능 입자(종합적 최상)와 위치(개별적 최상)를 얻는 모집단 기반 기법이다 [4]. 우리는 PSO를 사용하여, 배터리 충전 또는 방전의 최상의 상태 및 재생이 안 되는 에너지 사용을 최소화하기 위해 태양광 발전과 에너지 수요 사이의 균형에 도움이 되는 에너지 공유의 최적량을 얻는다.

이 특허의 목표는 충전, 방전을 포함한 배터리 저장 시스템과 프로슈머 간의 에너지 공유를 고려하여 개인 간 통신(P2P) 프로슈머 커뮤니티의 사전에 재생이 안 되는 에너지 사용량을 최소화하는 것이다.

스마트 그리드의 개발로, 프로슈머는 스마트 그리드에서 매우 인기가 많아졌고, 학계와 업계 모두에서 많은 관심을 받고 있다. 그런데도, 프로슈머에 의해 형성된 커뮤니티의 에너지 생성과 에너지 수요 간 불균형으로 인해 일정 기간 재생이 안 되는 많은 에너지가 여전히 사용되고 있다. 따라서 배터리 저장 시스템을 고려하여 P2P 프로슈머 커뮤니티에서 재생 불가능한 에너지의 사용을 최소화할 필요가 있고, 그것이 타당하다.

배터리 충전 또는 방전 및 에너지 공유 스케줄링의 에너지 소비 예측과 최적화에 초점을 맞춘 스마트 그리드의 P2P 프로슈머 커뮤니티를 위한 2단계 방법에 따른 사전 에너지 공유 스케줄링. 상세 청구항들은 다음과 같이 요약된다.

1. 다음을 포함하는 지능형 에너지 예측 모델:

다음 단계의 입력으로 사용될 다음 날의 에너지 소비를 예측하기 위해 제안된 사전 예측 모델

2. 이 모델의 예측 단계는 다음을 포함한다.

가. 원본 데이터를 행렬 형식(203)으로 전처리한다.

나. 최소-최대 정규화 방법(204)을 사용하여 전처리 된 데이터를 [0,1] 범위로 스케일링한다.

다. 데이터를 훈련 데이터 세트(207)와 테스트 데이터 세트(206)로 나눈다.

라. 분할된 데이터 세트를 기반으로 다음 날 에너지 수요를 예측하는 솔루션으로서 LSTM이 채택된다. (208, 209)

마. 예측 데이터를 실제 예측 데이터(210)로 다시 스케일링한다.

3. 다음을 구성하는 사전 에너지 스케줄링 최적화:

에너지 공유, 배터리 충전 및 방전 스케줄링을 위한 군집 지능 기반 방법 이웃 간 에너지 공유량과 배터리 충전 및 방전을 최적으로 확보해, 재생이 안 되는 에너지 사용량을 최소화하는 것을 목표로 한다.

4. 군집 지능의 세부 프로세스는 다음을 포함한다.

가. 지능형 에너지 예측 모델에서 얻은 예측 사전 에너지 수요의 입력

나. 태양 에너지 생성 데이터 세트(212), 최대 반복 횟수(213), 입자 수(213), 인버터 효율(213), PSO 계수(213), 최소 및 최대 배터리 용량(214), 충전 및 방전 효율(214)

다. 사전 에너지 공유, 배터리 충전 및 방전을 최적화하도록 군집 지능을 적용하여 재생이 안 되는 에너지 사용을 최소화

i. 입자 당 최초 개별적 최상과 모든 입자의 종합적 최상의 획득(213)

ii.반복 수행

1) 최대 반복(213)까지 각 반복의 속도와 위치를 모두 업데이트한다.

2) 최종 반복 후, 종합적 최상(215)은 재생이 안되는 사전 에너지(216)의 최소 사용을 달성하는 솔루션이 될 것이다.

이러한 2단계 방법을 통해 스마트 그리드의 전체 P2P 프로슈머 커뮤니티의 재생이 안되는 사전 에너지 사용량을 최소화 할 수 있다.

다음 날을 위한 프로슈머 간 에너지 공유량, 배터리 충전 및 방전의 스케줄링을 통해 스마트 그리드에서 P2P 프로슈머 커뮤니티의 재생이 안되는 사전 에너지 사용을 최소화한다.

상용화의 경우, 제안된 사전 에너지 공유 스케줄링은 재생이 안 되는 에너지의 사전 사용량을 최소화 할 수 있도록 재생 가능한 에너지의 생성이 다음 날 정해진 순간에 에너지 수요의 요구 사항을 충족시킬 수 있도록 보장하는 미래의 스마트 그리드에 적용될 수 있다. 또한, 재생 가능한 에너지를 사용하면 탄소 집약적 자원(예: 화석 연료)의 사용을 피함으로써 배출량을 줄일 수 있음으로 기후 변화에 대한 사업 비용을 줄일 수 있다.

도1은 태양광 발전, 배터리, 부하를 고려한 다세대가 포함된 P2P 프로슈머 커뮤니티의 시스템 모델을 보여주고, 또한 모든 가구의 배터리에 저장된 태양광 발전과 에너지가 전체 프로슈머 커뮤니티를 충족시킬 수 없을 때, 재생이 안 되는 에너지를 공급할 책임이 있는 전원공급기를 보여준다.
이 모델에서는 스마트 미터의 역할이 에너지 소비량을 기록하는 데 사용될 뿐만 아니라 전원공급기에 정보를 제공하는 데도 사용된다. 게다가, 스마트 미터는 홈 에너지 관리 시스템(HMS)과 통신 할 수 있다. 또한, 모든 기기는 유선 또는 무선 연결(예: 전력선 통신(Power Line Communication), 지그비(Zigbee))을 통해 HMS와 연결되는 것으로 가정한다. 그뿐만 아니라, 이 커뮤니티에서 태양 에너지는 재생 가능한 에너지로 간주하며, 발전량이 에너지 소비량을 초과할 때 배터리는 에너지 저장소로 간주한다. 특히, 이 시스템 모델의 HMS는 태양 전지판 발전이나 배터리의 DC 에너지를 각 가구에서 효율적으로 사용할 수 있는 에너지인 AC로 변환하는 데 사용되는 DC/AC 인버터가 이미 내장된 것으로 가정한다.
도 2는 에너지 예측 단계와 최적화 단계를 포함하는 제안된 2단계 방법을 보여준다.
사전 에너지 스케줄링 최적화 단계가 재생이 안 되는 사전 에너지 사용량을 최소화하는 목적을 달성하도록 배터리 충전, 방전 및 에너지 공유량을 최적화하기 위해 입자 군집 최적화에 기반을 둔 군집 지능을 사용하는 프로세스지만, 지능형 에너지 예측 단계는 다음 날의 에너지 수요를 예측하도록 전처리, 데이터 정규화, 교육 및 테스트 프로세스를 포함하는 LSTM을 사용하는 프로세스에 초점을 맞춘다.

스마트 그리드의 개발로, 프로슈머는 스마트 그리드에서 매우 인기가 많아졌고, 학계와 업계 모두에서 많은 관심을 받고 있다. 그런데도, 프로슈머에 의해 형성된 커뮤니티의 에너지 생성과 에너지 수요 간 불균형으로 인해 일정 기간 재생이 안 되는 많은 에너지가 여전히 사용되고 있다. 따라서 배터리 저장 시스템을 고려하여 P2P 프로슈머 커뮤니티에서 재생 불가능한 에너지의 사용을 최소화할 필요가 있고, 그것이 타당하다.

스마트 그리드의 발전으로 프로슈머 커뮤니티가 큰 관심을 끌고 있다. 예를 들어, 태양 에너지는 에너지 효율을 향상하고 세계 에너지 부족 문제에 대처하기 위한 첨단 기술인 개인 간 통신(P2P) 에너지 공유로 알려진 옥상 태양 전지판을 설치하여 에너지를 소비할 수 있을 뿐만 아니라, 필요한 이웃에게 잉여 에너지를 판매할 수 있는 프로슈머 커뮤니티를 만들어냈다. 그러나, 태양 에너지 발전은 에너지 생성과 수요 사이의 불일치 문제를 일으키는 태양 강도에 의존한다. 즉, 태양광 발전량으로는 에너지 소비량을 충족시킬 수 없다. 이러한 문제를 해결하기 위해 프로슈머 커뮤니티 내 각 가구에 배터리가 도입된다. 따라서 P2P 에너지 공유 또는 수신 프로세스뿐만 아니라, 배터리 충전이나 방전 프로세스를 통해 에너지를 스케줄링할 필요가 있다.

P2P 프로슈머 커뮤니티를 위한. 재생이 안 되는 에너지의 사전 사용량 최소화라는 목적을 달성하기 위해, 에너지 소비 예측, 배터리 충전/방전, 에너지 공유 스케줄링 등이 종합적으로 고려된다. 상세한 시스템 모델은 도 1에 나와 있다. 그러나, 에너지 소비의 역사에 걸친 예측할 수 없는 성격과 강력한 관계로 인해, 에너지 수요를 정확하게 예측하기 위한 엄청난 도전이 야기된다. [1] 모든 가구에서 에너지 공유 및 배터리 스케줄링의 또 다른 큰 어려움은 배터리 충전/배출 및 에너지 공유의 최적 가치를 아는 것이다.

이러한 과제를 해결하기 위해, 우리는 다음 날의 에너지 수요를 예측할 뿐만 아니라, 프로슈머 커뮤니티 내 가구당 배터리 충전 또는 방전 및 에너지 공유를 최적화하는 방법에 초점을 맞춘다. 그러나 일일 예측 및 배터리 충전 또는 방전 및 에너지 공유 스케줄링 단계를 포함하는 공식화된 문제를 직접 해결하기는 어렵다. 따라서, 우리는 공식화된 문제를 2단계로 분해한다. 도 2에 나타난 바와 같이, 하나는 사전 예측 단계이고 다른 하나는 최적화 단계이다.

RNN의 일종의 최적화 된 버전인 장단기 기억 네트워크(LSTM)는 시퀀스 기반 모델을 통해 시계열 문제를 해결할 수 있다. [2] [3] LSTM을 이용하여, 기울기 소실이나 폭주 문제로 인해 RNN으로 장거리 종속성을 학습하는 것의 어려움을 해결할 수 있다. 따라서 첫 번째 단계에서는 LSTM을 기반으로 하는 지능형 에너지 예측 모델이 제안된다.

두 번째 단계에서는 입자 군집 최적화(PSO)에 기반한 방법이 제안된다. PSO는 입자가 해공간 주위를 날아다닐 수 있도록 하여 최고 성능 입자(종합적 최상)와 위치(개별적 최상)를 얻는 모집단 기반 기법이다 [4]. 우리는 PSO를 사용하여, 배터리 충전 또는 방전의 최상의 상태 및 재생이 안 되는 에너지 사용을 최소화하기 위해 태양광 발전과 에너지 수요 사이의 균형에 도움이 되는 에너지 공유의 최적량을 얻는다.

상술한 P2P 프로슈머 커뮤니티의 경우, 우리는 에너지 수요 예측 프로세스, 배터리 충전, 방전 및 에너지 공유 스케줄링 프로세스를 고려한다. 그러나 이러한 프로세스에는 다음과 같은 몇 가지 난제가 있다.

에너지 수요 예측 프로세스의 경우, 에너지 소비의 역사에 걸친 예측할 수 없는 성격과 강력한 관계로 인해, 에너지 수요를 정확하게 예측하기 어렵다.

배터리 충전, 방전 및 에너지 공유 스케줄링 프로세스의 경우, 배터리로 충전되거나 배터리에서 방전되는 최적의 에너지양을 파악하고 각 가구의 에너지 공유도 파악해야 하는 문제

따라서 우리는 재생이 안 되는 사전 에너지 사용량 최소화 문제를 2단계 문제로 분해한다. 첫 번째는 지능형 에너지 예측 단계이고, 두 번째는 도 2와 같이 사전 에너지 스케줄링 최적화 단계이다. 상세 그림은 제5절에 나와 있다.

우리의 기여는 다음과 같이 요약된다.

사전 에너지 스케줄링 문제를 공식화하고, 스마트 그리드에서 P2P 프로슈머 커뮤니티의 재생이 안 되는 에너지 사용량을 최소화하는 것이 목적이다. 우리가 총 태양광 발전량과 에너지 수요 간 불균형을 개선 할 수 있도록 가구당 배터리로 충전 또는 방전되는 에너지양과 다른 가구에 대한 에너지 공유량을 스케줄링하는 경우. 그러나 공식화된 문제에는 사전 예측과 배터리 충전 또는 방전, 공유 스케줄링 단계가 포함되어 있어서 이러한 문제를 직접 해결하기는 어렵다.

우리는 공식화된 문제를 해결하기 위해 문제를 2단계로 분해한다. 하나는 사전 예측 단계이고 다른 하나는 최적화 단계이다. 첫 번째 단계에서는 장단기 기억(LSTM)을 기반으로 하는 지능형 에너지 예측 모델이 제안된다. 두 번째 단계에서는 재생이 안 되는 에너지의 최소화 문제를 해결하도록 최적의 배터리 충전량과 방전량 및 최적의 에너지 공유량을 얻기 위해 입자 군집 최적화에 기반한 방법이 제안된다.

상용화의 경우, 제안된 사전 에너지 공유 스케줄링은 재생이 안 되는 에너지의 사전 사용량을 최소화 할 수 있도록 재생 가능한 에너지의 생성이 다음 날 정해진 순간에 에너지 수요의 요구 사항을 충족시킬 수 있도록 보장하는 미래의 스마트 그리드에 적용될 수 있다. 또한, 재생 가능한 에너지를 사용하면 탄소 집약적 자원(예: 화석 연료)의 사용을 피함으로써 배출량을 줄일 수 있음으로 기후 변화에 대한 사업 비용을 줄일 수 있다.

배터리 충전 또는 방전 및 에너지 공유 스케줄링의 에너지 소비 예측과 최적화에 초점을 맞춘 스마트 그리드의 P2P 프로슈머 커뮤니티를 위한 2단계 방법에 따른 사전 에너지 공유 스케줄링. 상세 청구항들은 다음과 같이 요약된다.

1. 다음을 포함하는 지능형 에너지 예측 모델:

다음 단계의 입력으로 사용될 다음 날의 에너지 소비를 예측하기 위해 제안된 사전 예측 모델

2. 이 모델의 예측 단계는 다음을 포함한다.

가. 원본 데이터를 행렬 형식(203)으로 전처리한다.

나. 최소-최대 정규화 방법(204)을 사용하여 전처리 된 데이터를 [0,1] 범위로 스케일링한다.

다. 데이터를 훈련 데이터 세트(207)와 테스트 데이터 세트(206)로 나눈다.

라. 분할된 데이터 세트를 기반으로 다음 날 에너지 수요를 예측하는 솔루션으로서 LSTM이 채택된다. (208, 209)

마. 예측 데이터를 실제 예측 데이터(210)로 다시 스케일링한다.

3. 다음을 구성하는 사전 에너지 스케줄링 최적화:

에너지 공유, 배터리 충전 및 방전 스케줄링을 위한 군집 지능 기반 방법 이웃 간 에너지 공유량과 배터리 충전 및 방전을 최적으로 확보해, 재생이 안 되는 에너지 사용량을 최소화하는 것을 목표로 한다.

4. 군집 지능의 세부 프로세스는 다음을 포함한다.

가. 지능형 에너지 예측 모델에서 얻은 예측 사전 에너지 수요의 입력

나. 태양 에너지 생성 데이터 세트(212), 최대 반복 횟수(213), 입자 수(213), 인버터 효율(213), PSO 계수(213), 최소 및 최대 배터리 용량(214), 충전 및 방전 효율(214)

다. 사전 에너지 공유, 배터리 충전 및 방전을 최적화하도록 군집 지능을 적용하여 재생이 안 되는 에너지 사용을 최소화

i. 입자 당 최초 개별적 최상과 모든 입자의 종합적 최상의 획득(213)

ii.반복 수행

1) 최대 반복(213)까지 각 반복의 속도와 위치를 모두 업데이트한다.

2) 최종 반복 후, 종합적 최상(215)은 재생이 안되는 사전 에너지(216)의 최소 사용을 달성하는 솔루션이 될 것이다.

이러한 2단계 방법을 통해 스마트 그리드의 전체 P2P 프로슈머 커뮤니티의 재생이 안되는 사전 에너지 사용량을 최소화 할 수 있다.

도1은 태양광 발전, 배터리, 부하를 고려한 다세대가 포함된 P2P 프로슈머 커뮤니티의 시스템 모델을 보여주고, 또한 모든 가구의 배터리에 저장된 태양광 발전과 에너지가 전체 프로슈머 커뮤니티를 충족시킬 수 없을 때, 재생이 안 되는 에너지를 공급할 책임이 있는 전원공급기를 보여준다.

이 모델에서는 스마트 미터의 역할이 에너지 소비량을 기록하는 데 사용될 뿐만 아니라 전원공급기에 정보를 제공하는 데도 사용된다. 게다가, 스마트 미터는 홈 에너지 관리 시스템(HMS)과 통신 할 수 있다. 또한, 모든 기기는 유선 또는 무선 연결(예: 전력선 통신(Power Line Communication), 지그비(Zigbee))을 통해 HMS와 연결되는 것으로 가정한다. 그뿐만 아니라, 이 커뮤니티에서 태양 에너지는 재생 가능한 에너지로 간주하며, 발전량이 에너지 소비량을 초과할 때 배터리는 에너지 저장소로 간주한다. 특히, 이 시스템 모델의 HMS는 태양 전지판 발전이나 배터리의 DC 에너지를 각 가구에서 효율적으로 사용할 수 있는 에너지인 AC로 변환하는 데 사용되는 DC/AC 인버터가 이미 내장된 것으로 가정한다.

101: 전원공급기 - 전원공급기는 모든 가구의 배터리에 저장된 태양광 발전과 에너지가 전체 프로슈머 커뮤니티를 충족시킬 수 없을 때, 재생이 안 되는 에너지를 공급할 책임이 있다.

102: 가구 - 가구는 커뮤니티 내 프로슈머를 나타낸다.

103: 스마트 미터 - 스마트 미터는 에너지 소비량을 기록하고 전원 공급기에 정보를 제공하며 홈 에너지 관리 시스템(HMS)과 통신하는 데 사용된다.

104: 태양 전지판 - 태양 전지판은 태양 에너지를 생성하는 데 사용된다.

105: 부하 - 부하는 각 가구의 모든 기기를 나타낸다.

106: 홈 에너지 관리 시스템(HMS) - 가구별 HMS는 스마트 미터와 연결하여 모든 기기가 연결할 수 있는 유무선 네트워크를 제공한다.

107: 배터리 - 각 가구의 배터리는 에너지 생성에서 과도한 에너지를 저장하는 역할을 한다.

108: 무선 네트워크 - HMS에 내장된 무선 네트워크는 기기를 HMS에 연결하는 데 사용된다.

109: 무선 네트워크 - HMS에 내장된 무선 네트워크는 기기를 HMS에 연결하는 데 사용된다.

도 2는 에너지 예측 단계와 최적화 단계를 포함하는 제안된 2단계 방법을 보여준다.

사전 에너지 스케줄링 최적화 단계가 재생이 안 되는 사전 에너지 사용량을 최소화하는 목적을 달성하도록 배터리 충전, 방전 및 에너지 공유량을 최적화하기 위해 입자 군집 최적화에 기반을 둔 군집 지능을 사용하는 프로세스지만, 지능형 에너지 예측 단계는 다음 날의 에너지 수요를 예측하도록 전처리, 데이터 정규화, 교육 및 테스트 프로세스를 포함하는 LSTM을 사용하는 프로세스에 초점을 맞춘다.

201: 예측 단계 - 제안된 방법의 첫 번째 단계를 나타낸다.

202: 원본 데이터 - 원본 데이터는 각 기기 유형의 에너지 수요 데이터이다.

203: 전처리 - 원본 데이터를 행렬 형식으로 전처리한다.

204: 데이터 정규화 - 최소-최대 정규화 방법으로 전처리 된 데이터를 [0,1] 범위로 스케일링한다.

205: 데이터 - 총 데이터는 훈련 데이터 세트와 테스트 데이터 세트로 구성된다.

206: 테스트 데이터 세트 - 데이터는 모델 테스트 단계에 사용된다.

207: 훈련 데이터 세트 - 데이터는 모드 훈련 단계에 사용된다.

208: 다변량 LSTM 모델 - 이것은 다중 입력으로 훈련 데이터 세트를 훈련하기 위해 생성된 모델이다.

209: 훈련된 모델 - 이 모델은 훈련 데이터 세트로 훈련한 다음, 테스트 데이터 세트를 사용하여 이 훈련된 모델로 다음 날의 에너지 수요를 예측한 모델이다.

210: 사전 에너지 수요 예측 결과 - 예측 데이터를 실제 예측 데이터로 다시 스케일링한다.

211: 최적화 단계 - 제안된 방법의 두 번째 단계를 나타낸다.

212: 태양광 발전 데이터 세트 - 이것은 재생 가능한 에너지로 사용되는 주거 수준별 태양광 발전 데이터 세트이다.

213: 군집 지능 - 이 부분은 PSO 방법에 따른 최적화 프로세스를 나타낸다.

214: 배터리 정보 - 이 부분은 현재와 최대 용량, 배터리의 최소 상태를 포함하는 배터리의 매개 변수를 나타낸다.

215: 배터리 충전, 방전 및 에너지 공유의 최적 가치 - 최적화 후에는 최적의 사전 에너지 공유, 배터리 충전 및 방전을 얻게 된다.

216: 재생이 안 되는 에너지의 사전 사용 최소화 - 최적의 가치를 얻은 후, 이 프로세스에서 재생이 안 되는 에너지의 사전 사용량이 최소화될 것이다.

101: 전원공급기 - 전원공급기는 모든 가구의 배터리에 저장된 태양광 발전과 에너지가 전체 프로슈머 커뮤니티를 충족시킬 수 없을 때, 재생이 안 되는 에너지를 공급할 책임이 있다.
102: 가구 - 가구는 커뮤니티 내 프로슈머를 나타낸다.
103: 스마트 미터 - 스마트 미터는 에너지 소비량을 기록하고 전원 공급기에 정보를 제공하며 홈 에너지 관리 시스템(HMS)과 통신하는 데 사용된다.
104: 태양 전지판 - 태양 전지판은 태양 에너지를 생성하는 데 사용된다.
105: 부하 - 부하는 각 가구의 모든 기기를 나타낸다.
106: 홈 에너지 관리 시스템(HMS) - 가구별 HMS는 스마트 미터와 연결하여 모든 기기가 연결할 수 있는 유무선 네트워크를 제공한다.
107: 배터리 - 각 가구의 배터리는 에너지 생성에서 과도한 에너지를 저장하는 역할을 한다.
108: 무선 네트워크 - HMS에 내장된 무선 네트워크는 기기를 HMS에 연결하는 데 사용된다.
109: 무선 네트워크 - HMS에 내장된 무선 네트워크는 기기를 HMS에 연결하는 데 사용된다.
201: 예측 단계 - 제안된 방법의 첫 번째 단계를 나타낸다.
202: 원본 데이터 - 원본 데이터는 각 기기 유형의 에너지 수요 데이터이다.
203: 전처리 - 원본 데이터를 행렬 형식으로 전처리한다.
204: 데이터 정규화 - 최소-최대 정규화 방법으로 전처리 된 데이터를 [0,1] 범위로 스케일링한다.
205: 데이터 - 총 데이터는 훈련 데이터 세트와 테스트 데이터 세트로 구성된다.
206: 테스트 데이터 세트 - 데이터는 모델 테스트 단계에 사용된다.
207: 훈련 데이터 세트 - 데이터는 모드 훈련 단계에 사용된다.
208: 다변량 LSTM 모델 - 이것은 다중 입력으로 훈련 데이터 세트를 훈련하기 위해 생성된 모델이다.
209: 훈련된 모델 - 이 모델은 훈련 데이터 세트로 훈련한 다음, 테스트 데이터 세트를 사용하여 이 훈련된 모델로 다음 날의 에너지 수요를 예측한 모델이다.
210: 사전 에너지 수요 예측 결과 - 예측 데이터를 실제 예측 데이터로 다시 스케일링한다.
211: 최적화 단계 - 제안된 방법의 두 번째 단계를 나타낸다.
212: 태양광 발전 데이터 세트 - 이것은 재생 가능한 에너지로 사용되는 주거 수준별 태양광 발전 데이터 세트이다.
213: 군집 지능 - 이 부분은 PSO 방법에 따른 최적화 프로세스를 나타낸다.
214: 배터리 정보 - 이 부분은 현재와 최대 용량, 배터리의 최소 상태를 포함하는 배터리의 매개 변수를 나타낸다.
215: 배터리 충전, 방전 및 에너지 공유의 최적 가치 - 최적화 후에는 최적의 사전 에너지 공유, 배터리 충전 및 방전을 얻게 된다.
216: 재생이 안 되는 에너지의 사전 사용 최소화 - 최적의 가치를 얻은 후, 이 프로세스에서 재생이 안 되는 에너지의 사전 사용량이 최소화될 것이다.

Claims (10)

1. P2P 프로슈머 커뮤니티 시스템이 수행하는 사전 에너지 공유 스케쥴링 방법에 있어서,
   상기 커뮤니티 시스템 내 각 기기들의 유형별 에너지 수요 데이터를 포함하는 원본 데이터를 획득하는 단계;
   상기 원본 데이터에 기초하여 학습되는, 에너지 수요 예측 데이터를 출력하는 지능형 에너지 예측 모델로부터 예측 데이터를 획득하는 단계; 및
   상기 획득된 예측 데이터에, 입자 군집 최적화 알고리즘을 수행하고, 재생이 안되는 사전 에너지의 최소 사용 정보를 출력하는 군집 지능 모델을 적용함으로써, 상기 예측 데이터로부터 사전 에너지의 최소 사용 정보를 획득하는 단계; 를 포함하는, 방법.
2. 제1항에 있어서, 상기 방법은
   상기 획득된 원본 데이터를 행렬 형식으로 전처리 하는 단계;
   상기 행렬 형식으로 전처리된 원본 데이터를 최소 최대 정규화함으로써 소정의 범위로 스케일링하는 단계;
   상기 스케일링된 원본 데이터를 훈련 데이터 세트 및 테스트 데이터 세트로 분할하는 단계; 및
   상기 훈련 데이터 세트에 기초하여 상기 지능형 에너지 예측 모델을 학습시키는 단계; 를 더 포함하는, 방법.
3. 제2항에 있어서, 상기 방법은
   상기 학습된 지능형 에너지 예측 모델을 상기 테스트 데이터 세트에 기초하여 검증하는 단계; 를 더 포함하고,
   상기 예측 데이터를 획득하는 단계는
   상기 검증된 지능형 에너지 예측 모델로부터 수요 예측 데이터를 획득하는 단계; 를 더 포함하는, 방법.
4. 제3항에 있어서, 상기 방법은
   상기 검증된 지능형 에너지 예측 모델로부터 획득된 수요 예측 데이터를 실제 예측 데이터로 재 스케일링하는 단계; 및
   상기 재 스케일링된 실제 예측 데이터에 상기 군집 지능 모델을 적용함으로써, 상기 사전 에너지의 최소 사용 정보를 획득하는 단계; 를 포함하는, 방법.
5. 제3항에 있어서, 상기 사전 에너지의 최소 사용 정보를 획득하는 단계는
   상기 재 스케일링된 실제 예측 데이터를 획득하는 단계;
   상기 재 스케일링된 실제 예측 데이터를 상기 군집 지능 모델에 입력함으로써, 상기 군집 지능 모델로부터 상기 사전 에너지의 최소 사용 정보를 획득하는 단계; 를 포함하는, 방법.
6. 제5항에 있어서, 상기 사전 에너지의 최소 사용 정보를 획득하는 단계는
   재생 가능한 에너지로 사용되는 상기 커뮤니티 시스템 내 주거 수준 별 태양광 발전 데이터에 관한 태양 에너지 생성 데이터 세트를 획득하는 단계;
   상기 군집 지능 모델이 입자 군집 최적화 알고리즘을 수행하기 위한, 최대 반복 횟수, 입자 수, 인버터 효율 또는 PSO 계수 중 적어도 하나를 포함하는 입자 군집 최적화 변수를 획득하는 단계;
   최소 및 최대 배터리 용량 또는 상기 배터리의 충전 및 방전 효율 중 적어도 하나를 포함하는 배터리 변수를 획득하는 단계;
   상기 실제 예측 데이터외에, 상기 태양 에너지 생성 데이터 세트, 상기 입자 군집 최적화 변수 및 상기 배터리 변수를 상기 군집 지능 모델에 더 입력함으로써, 상기 군집 지능 모델로부터 상기 사전 에너지의 최소 사용 정보를 획득하는 단계; 를 포함하는, 방법.
7. 제6항에 있어서, 상기 군집 지능 모델은
   상기 군집 최적화 알고리즘을 수행함으로써 입자당 최초 개별적 최상값 및 모든 입자의 종합적 최상값을 획득하고,
   상기 입자당 최초 개별적 최상값 및 상기 모든 입자의 종합적 최상값을 획득하는 과정을 반복 수행하며,
   상기 입자 군집 최적화 변수 내의 최대 반복 횟수까지 반복의 속도와 위치를 모두 업데이트하고,
   최종 반복 후, 종합적 최상 값을 재생이 불가능한 상기 사전 에너지의 최소 사용 정보로 출력하는 것을 특징으로 하는, 방법.
8. 사전 에너지 공유 스케쥴링 방법을 수행하는 P2P 프로슈머 커뮤니티 시스템에 있어서,
   상기 커뮤니티 시스템을 구성하는 가구;
   상기 커뮤니티 시스템 내 모든 가구의 배터리에 저장된 태양광 발전과 에너지가 전체 커뮤니티 시스템을 구성하는 가구의 사용량을 충족시킬 수 없을 때 에너지를 공급하는 전원 공급기;
   에너지 소비량을 기록하고, 상기 전원 공급기에 정보를 제공하는 스마트 미터;
   상기 가구에 설치되는 태양 전지판;
   상기 가구 내 모든 기기에 대응되는 부하;
   상기 스마트 미터와 연결되고, 상기 가구 내 모든 기기가 연결될 수 있도록 유선 또는 무선 네트워크를 제공하는 홈 에너지 관리 시스템; 및
   상기 가구에 위치하여 과도한 에너지를 저장하는 배터리; 를 포함하는, 시스템.
9. 제8항에 있어서, 상기 시스템은
   상기 커뮤니티 시스템 내 각 기기들의 유형별 에너지 수요 데이터를 포함하는 원본 데이터를 획득하고,
   상기 원본 데이터에 기초하여 학습되는, 에너지 수요 예측 데이터를 출력하는 지능형 에너지 예측 모델로부터 예측 데이터를 획득하며,
   상기 획득된 예측 데이터에, 입자 군집 최적화 알고리즘을 수행하고, 재생이 안되는 사전 에너지의 최소 사용 정보를 출력하는 군집 지능 모델을 적용함으로써, 상기 예측 데이터로부터 사전 에너지의 최소 사용 정보를 획득하는, 시스템.
10. 제9항에 있어서, 상기 시스템은
    상기 획득된 원본 데이터를 행렬 형식으로 전처리 하고,
    상기 행렬 형식으로 전처리된 원본 데이터를 최소 최대 정규화함으로써 소정의 범위로 스케일링하고,
    상기 스케일링된 원본 데이터를 훈련 데이터 세트 및 테스트 데이터 세트로 분할하고,
    상기 훈련 데이터 세트에 기초하여 상기 지능형 에너지 예측 모델을 학습시키는, 시스템.

Images