KR20210069455A

KR20210069455A - 클러스터링 기반 예측적 ess 충방전 운용 시스템 및 방법

Info

Publication number: KR20210069455A
Application number: KR1020190159291A
Authority: KR
Inventors: 임성빈; 함일한; 지승배
Original assignee: 주식회사 에이치에너지
Priority date: 2019-12-03
Filing date: 2019-12-03
Publication date: 2021-06-11
Also published as: KR102305777B1

Abstract

본 발명은 전전력 수요 데이터를 제공하는 전력 정보 공급 장치; 전력 수요 데이터를 클러스터링하여 예측하고자 하는 예측 시점 이전의 특정 시간대 내에서 생성된 하나의 예상 클러스터(Cluster) 및 예상 클러스터에 포함된 복수의 요소들의 평균 또는 중간값을 산출하여 최종 클러스터를 포함하는 클러스터링 데이터를 생성하고, 클러스터링 데이터를 기반으로 예측 전력 사용량을 산출하는 분석서버; 및 예측 전력 사용량에 기초하여 최적 ESS 충방전 전략을 생성하며, 최적 ESS 충방전 전략에 기초하여 ESS 시스템을 제어하는 제어기를 포함하고, 예상 클러스터는 특정 시간대의 과거 데이터를 비지도 학습하여 구성되며, 최종 클러스터 중 특정 시간대에서 실제 전력 수요 패턴과 가장 가까운 패턴을 갖는 클러스터를 예측 시점 이후의 예측 데이터로서 사용할 대표 클러스터인 것으로 결정하도록 구성된 클러스터링 기반 예측적 ESS 충방전 운용 시스템이다.

Description

클러스터링 기반 예측적 ESS 충방전 운용 시스템 및 방법{A SYSTEM AND METHOD FOR PREDICTIVELY CHARGING AND DISCHARGING ESS BASED IN CLUSTERING}

본 발명은 클러스터링 기반 예측적 ESS 충방전 운용 시스템에 관한 것으로서, 보다 상세하게는 전력 사용 패턴을 분석하여 클러스터링 기법을 이용하여 최적의 운전 제어 시점 및 충방전량을 예측함으로써 신뢰도 높은 예측이 가능한, 클러스터링 기반 예측적 ESS 충방전 운용 시스템에 관한 것이다.

종래의 수요 예측 시스템은 빌딩, 건물, 공장 등의 수용가의 효율적인 수요관리를 위해 에너지 저장 장치(ESS, Energy Storage System)를 이용하여 피크절감과 차익거래 운전을 수행함에 따라 전력 요금을 절감하였다.

수용가의 전력 요금은 시간대별 차등 요금제에 기본요금 제도를 도입하여 산정된다. 피크절감과 차익거래 기능은 ESS의 일정한 배터리 용량 내에서 유기적으로 동작되어야 한다.

그러나, 종래의 ESS 제어는 단순하게 시간을 지정하여 최대 부하 시점에는 방전하고 경부하 시점에는 충전하는 충방전 전략을 사용하기 때문에, 일정 시간동안 충방전이 무리하게 수행되거나 오랫동안 지속되어 배터리 수명에 악영향을 주는 문제점이 있었다.

또한, 원하는 시점에 원하는 출력을 발생시켜 충방전을 최적화시킬 수 없는 한계점이 있었다.

현재까지 다양한 수요전력 예측 방법이 제시되어 왔지만 주로 과거의 데이터를 이용하여 현재의 수요전력을 예측하는 방법을 사용하였기 때문에 비정상 상황(갑작스러운 피크 발생 상황)에 대한 정확한 판단이 어렵다는 문제점이 있다.

본 발명이 해결하고자 하는 과제는 클러스터링 방법에 의한 클러스터를 이용하여 예측 시점 이후의 패턴을 생성하고 예측 시점의 전력 수요에 맞게 보정함으로써 피크 상황을 보다 정확하게 예측할 수 있는 클러스터링 기반 예측적 ESS 충방전 운용 시스템을 제공하는 것이다.

본 발명이 해결하고자 하는 과제는 전력 제어 시 클러스터링 기법을 이용하여 ESS의 운전 제어 시점 및 충방전량을 보다 정확하게 예측함으로써 전기 사용량에 따른 사용자의 손실을 최소화하고 수익을 극대화할 수 있도록 클러스터링 기반 예측적 ESS 충방전 운용 시스템을 제공하는 것이다.

본 발명이 해결하고자 하는 또 다른 과제는 주기적으로 전력 수요를 예측하여 ESS의 최적 운전 전략을 수행함으로써 수요 예측의 정확도를 향상시키고 에너지 효율을 극대화할 수 있는 클러스터링 기반 예측적 ESS 충방전 운용 시스템을 제공하는 것이다.

전술한 바와 같은 과제를 해결하기 위하여 본 발명의 일 실시예에 따른 클러스터링 기반 예측적 ESS 충방전 운용 시스템은, 전력 수요 데이터를 제공하는 전력 정보 공급 장치; 전력 수요 데이터를 클러스터링하여 예측하고자 하는 예측 시점 이전의 특정 시간대 내에서 생성된 하나의 예상 클러스터(Cluster) 및 예상 클러스터에 포함된 복수의 요소들의 평균 또는 중간값을 산출하여 최종 클러스터를 포함하는 클러스터링 데이터를 생성하고, 클러스터링 데이터를 기반으로 예측 전력 사용량을 산출하는 분석서버; 및 예측 전력 사용량에 기초하여 최적 ESS 충방전 전략을 생성하며, 최적 ESS 충방전 전략에 기초하여 ESS 시스템을 제어하는 제어기를 포함하고, 예상 클러스터는 특정 시간대의 과거 데이터를 비지도 학습하여 구성되며, 최종 클러스터 중 특정 시간대에서 실제 전력 수요 패턴과 가장 가까운 패턴을 갖는 클러스터를 예측 시점 이후의 예측 데이터로서 사용할 대표 클러스터인 것으로 결정할 수 있다.

또한, 분석서버는 전력 정보 공급 장치로부터 전력수요 데이터를 주기적으로 수신하는 수신 모듈; 수신한 전력수요 데이터를 클러스터링하여 하나의 예상 클러스터를 생성하고, 예상 클러스터로부터 최종 클러스터 및 대표 클러스터를 생성하는 클러스터링 모듈; 및 대표 클러스터를 기초로 예측 전력 사용량 데이터를 산출하여 최적 운전 조건을 산출하는 예측 데이터 생성 모듈;을 포함할 수 있다.

또한, 하나의 예상 클러스터는 패턴으로 구성되며, 실제 전력 수요에 따라 예상 클러스터에 포함된 복수의 요소는 실제 전력 수요에 따라 상이한 전력 수요를 가질 수 있다.

또한, 분석서버는, 최종 클러스터가 예측 시점에서 실제 전력 수요와 상이한 전력 수요를 갖는 경우, 오차가 있다고 판단하여 데이터 보정을 수행하는 클러스터링 데이터 보정 모듈;을 더 포함할 수 있다.

또한, 전력 정보 공급 장치 및 분석서버와 연결되며, 전력 사용량 정보 및 예측 데이터를 라우팅하는 이더넷 스위치를 더 포함할 수 있다.

또한, 최적 ESS 충방전 전략은 ESS의 충전 또는 방전 여부, 충방전 주기 및 충방전 전력 제어량, 최적 운전 시점을 포함할 수 있다.

또한, 예측 데이터 생성 모듈은 선형계획법을 이용하여 목적 함수의 최소값을 연산하여 충방전 전략을 생성하고, 목적 함수는 하기 수학식 1에 의해 연산될 수 있다. (수학식 1)

(여기서, Λ는 예측 시간 사이의 길이(Λ=N/24), ω는 일간 기본요금 단가, u는 일간 예측 시간 사이의 최대전력수요량(kWh)을 나타내고,

는 실제 사용된 전력 사용량 요금을 나타냄)

또한, 목적 함수는 하기 수학식 2에 따라 연산되는 조건을 만족할 수 있다. (수학식 2)

(여기서,

는 계약용량(kW), u bar(

)는 당월 이전까지 기본요금적용전력량(kWh),

는 예측 시간 사이의 최대충방전 전력량(kWh),

는 일간 예측 시간 사이의 최대전력수요량(kWh)을 나타냄)

또한, 목적 함수는 하기 수학식 3에 따라 연산되는 조건을 만족할 수 있다. (수학식 3)

(여기서,

는 예측 시간 i의 예측 또는 실측 전력사용량, d_i는 예측 시간 i의 방전량(kWh), c_i는 예측 시간 i의 충전량(kWh), u는 일간 예측 시간 사이의 최대전력수요량(kWh)을 나타냄)

또한, 목적 함수는 하기 수학식 4에 따라 연산되는 조건을 만족할 수 있다. (수학식 4)

(여기서,

는 방전효율,

는 충전효율을 나타냄)

또한, 목적 함수는 하기 수학식 5에 따라 연산되는 조건을 만족할 수 있다. (수학식 5)

(여기서,

는 예측 시간 사이의 최대 충방전 전력량(kWh)을 나타냄)

전술한 바와 같은 과제를 해결하기 위하여 본 발명의 또 다른 실시예에 따른 클러스터링 기반 예측적 ESS 충방전 운용 방법은, 수신 모듈에 의해 전력 정보 공급 장치로부터 전력수요 데이터를 주기적으로 수신하는 단계; 전력수요 데이터를 클러스터링하여 하나의 예상 클러스터(Cluster)를 생성하고, 전력 수요를 예측하고자 하는 예측 시점 직전의 특정 시간대에서 예상 클러스터에 포함된 복수의 요소에 기초하여 생성한 최종 클러스터 및 최종 클러스터 중 특정 시간대에서의 실제 전력 수요 패턴과 근거리에 위치한 대표 클러스터를 포함하는 클러스터링 데이터를 생성하는 단계; 대표 클러스터를 기초로 최적 운전 조건을 산출하는 단계; 및 산출된 최적 운전 조건을 기초로 ESS의 충방전을 제어하는 단계를 포함할 수 있다.

또한, 예측 시점에서 최종 클러스터의 전력 수요와 실제 전력 수요 사이의 오차가 있다고 판단되는 경우 오차를 보정하는 단계;를 더 포함할 수 있다.

또한, 예상 클러스터 및 최종 클러스터는 패턴일 뿐, 예측하고자 하는 예측 시점에 따라 전력 수요가 상이해질 수 있다.

기타 실시예의 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.

본 발명은 클러스터링 방법에 의한 클러스터를 이용하여 예측 시점 이후의 패턴을 생성하고 예측 시점의 전력 수요에 맞게 보정함으로써 피크 상황을 보다 정확하게 예측할 수 있다.

또한, 본 발명은 전력 제어 시 클러스터링 방법에 따라 ESS의 최적 운전 시점을 주기적으로 예측함으로써 예측 정확도를 향상시켜 전기 사용량에 따른 사용자의 이익을 창출할 수 있다.

또한, 본 발명은 주기적으로 전력 수요를 예측하여 ESS의 최적 운전 전략을 수행함으로써 에너지 절감 효과를 극대화할 수 있다.

본 발명에 따른 효과는 이상에서 예시된 내용에 의해 제한되지 않으며, 더욱 다양한 효과들이 본 명세서 내에 포함되어 있다.

도 1은 본 발명의 일 실시예에 따른 클러스터링 기반 ESS 예측적 충방전 운용 시스템의 개략도이다.
도 2는 본 발명의 일 실시예에 따른 분석서버를 나타낸 블럭도이다.
도 3은 본 발명의 일 실시예에 따른 클러스터링 기반 ESS 예측적 충방전 운용 방법의 전체 프로세스를 설명하기 위한 순서도이다.
도 4는 본 발명의 일 실시예에 따른 클러스터링 방법을 설명하기 위한 순서도이다.
도 5는 본 발명의 일 실시예에 따른 클러스터링 방법에 따른 수요 예측을 설명하기 위한 그래프이다.
도 6은 도 5의 A영역에 대한 확대도이다.
도 7은 본 발명의 일 실시예에 따른 클러스터링 데이터 보정에 따른 결과를 나타낸 예시도이다.
도 8은 본 발명의 일 실시예에 따른 클러스터 기반 수요예측을 이용한 최적 충방전 전략을 설명하기 위한 그래프이다.
도 9는 종래 기술에 따른 수요 예측과 본 발명의 일 실시예에 따른 수요 예측을 비교하여 설명하기 위한 그래프이다.

이하의 내용은 단지 발명의 원리를 예시한다. 그러므로 당업자는 비록 본 명세서에 명확히 설명되거나 도시되지 않았지만 발명의 원리를 구현하고 발명의 개념과 범위에 포함된 다양한 장치를 발명할 수 있는 것이다. 또한, 본 명세서에 열거된 모든 조건부 용어 및 실시예들은 원칙적으로, 발명의 개념이 이해되도록 하기 위한 목적으로만 명백히 의도되고, 이와 같이 특별히 열거된 실시예들 및 상태들에 제한적이지 않는 것으로 이해되어야 한다.

또한, 이하의 설명에서 제1, 제2 등과 같은 서수식 표현은 서로 동등하고 독립된 객체를 설명하기 위한 것이며, 그 순서에 주(main)/부(sub) 또는 주(master)/종(slave)의 의미는 없는 것으로 이해되어야 한다.

상술한 목적, 특징 및 장점은 첨부된 도면과 관련한 다음의 상세한 설명을 통하여 보다 분명해질 것이며, 그에 따라 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 발명의 기술적 사상을 용이하게 실시할 수 있을 것이다.

본 발명의 여러 실시예들의 각각 특징들이 부분적으로 또는 전체적으로 서로 결합 또는 조합 가능하며, 당업자가 충분히 이해할 수 있듯이 기술적으로 다양한 연동 및 구동이 가능하며, 각 실시예들이 서로에 대하여 독립적으로 실시 가능할 수도 있고 연관 관계로 함께 실시 가능할 수도 있다.

이하, 첨부된 도면을 참조하여 본 발명의 다양한 실시예들을 상세히 설명한다.

이하에서는 도 1을 참조하여 클러스터링 기반 예측적 ESS 충방전 운용 시스템에 대해 상세히 설명하기로 한다.

도 1은 본 발명의 일 실시예에 따른 클러스터링 기반 예측적 ESS 충방전 운용 시스템의 구성도이다.

도 1을 참조하면, 클러스터링 기반 예측적 ESS 충방전 운용 시스템(1000)은 전력 정보 공급 장치(200), 분석서버(100), 제어기(300), 이더넷 스위치(500) 및 ESS(400)를 포함한다.

클러스터링 기반 예측적 ESS 충방전 운용 시스템(1000)은 클러스터링 기법을 사용하여 전력 수요를 예측할 수 있다. 또한, 예측적 ESS 충방전 운용 시스템(1000)은 ESS(400, Energy Storage System)의 배터리 충방전, 전력 제어에 대한 최적 운전 전략을 수립하고 전력을 제어할 수 있다. 예컨대, 최적 운전 전략은 충전/방전 여부, 충방전 주기 및 충방전량을 포함할 수 있다.

전력 정보 공급 장치(200)는 주기적으로 전력량을 측정하고 측정한 전력량을 수집하여 제어기(300)로 공급하는 장치이다. 예를 들면, 전력 정보 공급 장치(200)는 전력량을 측정하는 전력수요 계량기(210) 및 측정된 전력량을 기초로 전력수요를 분석서버(100)로 전송하는 전력수요 수집기(220)를 포함한다. 전력수요 계량기(210)는 건물 단위에서는 각 전력 요금의 주체인 수용가 별로 복수개가 존재할 수 있기 별도의 전력수요 수집기(220)가 필요할 수 있다.

분석서버(100)는 특정 시간대(이하, “참조 구간”이라고도 함)의 실제 전력 수요를 참조하여 주기적으로 클러스터링(Clustering)을 수행하는 구성이다. 여기서, 특정 시간대란 예측하고자 하는 시점 바로 직전의 일정 시간으로, 즉, 과거 n일 전에서부터 오늘까지를 의미할 수 있다. 이에 따라, 특정 시간대의 실제 전력 수요에 기초하여 클러스터링을 수행할 수 있다. 구체적으로, 분석서버(100)는 주기적으로 클러스터링함에 따라 다음 예측 시간대, 즉, 예측하고자 하는 시점과 가까운 시점(기 설정된 단위 시간)의 전력 수요를 정확도 높게 예측할 수 있다. 클러스터링과 관련된 구체적인 설명은 후술하기로 한다. 본 명세서에서 특정 시간대는 대략 3시간 내지 4시간 정도인 것으로 가정하였으나, 이에 제한되는 것은 아니다.

분석서버(100)의 클러스터링 결과, 분석서버(100)는 로컬(Local) 시스템 내에서 예측 전력 사용량 데이터를 이용하여 분석을 수행하는 것을 특징으로 한다. 다만, 이에 제한되는 것은 아니며, 예컨대, 예측 전력 사용량 데이터를 무선 네트워크를 통해 제어기(300)로 전송할 수도 있다.

제어기(300)는 분석서버(100)로부터 수신한 예측 전력 사용량 데이터에 기초하여 최적 운전 전략을 수립한다. 구체적으로, 제어기(300)는 예측 전력 사용량 데이터의 전력 수요, 배터리의 충전 잔량, 배터리의 충방전 효율 또는 계통의 전력, 전압, 전류 등에 따라 최적 운전 전략을 수립하고, PCS(410, Power Conditioning System)를 제어할 수 있다. 또한, 제어기(300)는 시리얼(RS485)을 통해 전력 정보 공급 장치(200)와 통신하거나, 실시예에 따라서는 시리얼(RS485)과 이더넷(Ethernet)에 선택적으로 연결될 수 있다. 또한, 제어기(300)는 배터리(430), BMS(420) 및 PCS(410)를 포함하는 ESS(400)와 연결될 수 있다. 여기서, ESS(400)는 다수의 배터리(430)를 포함할 수 있으며, BMS(420)는 각각의 배터리(430)를 관리하고, PCS(410)는 배터리(430)에 DC전력을 AC전력 또는 DC전력으로 변환하여 방전과 충전하기 위한 구성으로서, ESS(400)를 직접적으로 제어한다.

제어기(300)는 로컬에서 보다 효율적으로 PCS(410) 및 BMS(420)를 제어하기 위한 장치이다. 예컨대, 제어기(300)가 없다면, 분석서버(100)와 PCS(410), BMS(420) 및 전력 수요 계량기(210)가 직접적으로 인터넷을 통해 연결되어야 한다. 이 경우, 각 노드들 간의 통신량이 절대적으로 증가하며, 수많은 장치들과 직접 연결된 분석서버(100)의 부하가 크게 증가되어 비용이 크게 증가하고 유지보수가 어렵게 된다. 또한, 이러한 부하의 증가로 인하여 적시에 적절한 배터리의 제어가 이루어지지 못할 가능성이 높다.

본 발명에 따른 예측적 ESS 충방전 운용 시스템은 제어기(300)를 구비함으로써 이러한 분석서버(100)의 부하를 절감시킴과 동시에 배터리의 적시 제어가 가능하게 된다. 또한, 본 발명은 제어기(300)에서 수집된 빅데이터를 자원이 풍부한 분석서버(100)를 통해 분석하게 하여 분석의 정확성과 효율성을 극대화하도록 구현되었다.

이더넷 스위치(500)는 전력 정보 공급 장치(200)와 제어기(300) 사이의 연결을 온/오프 하는 구성으로서 PCS(410)를 통해 계통의 전력, 전압, 전류 등 상태를 주기적으로 수집하고, BMS(420, Battery Management System)를 통해 배터리(430)의 충전잔량(SoC, State Of Charge)을 주기적으로 수집한다.

이하에서는 도 2 내지 도 7을 참조하여 분석서버(100)에 대하여 상세히 설명하기로 한다.

도 2는 본 발명의 일 실시예에 따른 분석서버를 나타낸 블럭도이다. 도 3은 본 발명의 일 실시예에 따른 클러스터링 기반 ESS 예측적 충방전 운용 방법의 전체 프로세스를 설명하기 위한 순서도이다. 도 4는 본 발명의 일 실시예에 따른 클러스터링 방법을 설명하기 위한 순서도이다. 도 5는 본 발명의 일 실시예에 따른 클러스터링 방법에 따른 수요 예측을 설명하기 위한 그래프이다. 도 6은 도 5의 A영역에 대한 확대도이다. 도 7은 본 발명의 일 실시예에 따른 클러스터링 데이터 보정에 따른 결과를 나타낸 예시도이다.

도 2를 참조하면, 분석서버는 수신 모듈(110), 클러스터링 모듈(120), 클러스터링 데이터 보정 모듈(130), 예측 데이터 생성 모듈(140) 및 제어 모듈(150)을 포함한다.

분석서버는 로컬 내에서 전력 정보 공급 장치(200)와 연결될 수 있다. 다만, 실시예에 따라서는 LoRA 망을 통해 전력 정보 공급 장치(200)와 통신하고 LTE 망을 통해 제어기(300)와 통신할 수도 있다.

이에 따라, 분석서버(100)의 수신 모듈(110)은 전력 정보 공급 장치(200)로부터 전력수요 데이터를 주기적으로(이하, “단위 시간”이라고도 함) 수신할 수 있다(S100).

이어서, 분석서버(100)의 클러스터링 모듈(120)은 전력수요 데이터를 클러스터링하여 클러스터링 데이터를 생성할 수 있다(S200). 클러스터링 모듈(120)은 수신 모듈(110)로부터 수신한 전력수요 데이터를 클러스터링 기법에 기초하여 클러스터링 데이터를 생성하는 모듈이다. 여기서, 클러스터링 데이터는 후술할 복수의 클러스터 중에서 특정 시간대의 패턴과 유사한 패턴을 갖는 예상 클러스터 및 상기 예상 클러스터를 후술되는 변환 방법에 의해 변환하여 생성되는 최종 클러스터를 의미하는 것이다. 각각의 클러스터와 관련해서는 추후 설명하기로 한다.

구체적으로, 클러스터링 모듈(120)은 n년전부터 오늘까지의 데이터(이하, “과거 데이터”라고도 함)를 비지도 학습(Unsupervised Learning)하여 복수의 클러스터(Cluster)를 구성한다(S210). 예컨대, 과거 데이터는 예측하고자 하는 시점을 기준으로 3년 내지 4년전부터 오늘까지의 데이터일 수 있으나, 이에 제한되는 것은 아니다.

이어서, 특정 시간대(참조 구간)에 기초하여 하나의 예상 클러스터 및 최종 클러스터를 결정한다(S220). 이때, 예상 클러스터는 패턴에 의해 구성되기 때문에, 예상 클러스터의 실제 전력 수요(사용량)는 상황에 따라 달라질 수 있다. 다시 말해, 예상 클러스터 내에는 복수개의 요소(일간 수요 데이터: Y', Z')가 포함될 수 있다.

따라서, 예상 클러스터 내에 포함된 복수개의 요소(Y', Z', 혹은 “과거 데이터”라고도 함)들의 평균(방법 1) 또는 중간값(방법 2) 등을 이용해서 예측함으로써, 도 5에 도시된 바와 같이, 최종 클러스터를 구성할 수 있다. 예컨대, 도 5에 도시된 바와 같이, 예측하고자 하는 시점 바로 직전의 특정 시간대에는 실제 전력 수요를 나타낸 제1 패턴(X), 제1 최종 클러스터인 제2 패턴(Y) 및 제2 최종 클러스터인 제3 패턴(Z)이 포함될 수 있다.

한편, 예상 클러스터를 기초로 예측한 최종 클러스터(Y, Z) 역시 패턴으로 구성되기 때문에, 생성된 최종 클러스터(Y, Z)의 실제 전력 수요(사용량)는 상황에 따라 달라질 수 있다. 다시 말해, 도 5에 도시된 바와 같이, 참조 구간의 끝 지점(예측하고자 하는 시점)에서 제1 패턴(X)과 제2 패턴(Y)/제3 패턴(Z) 사이에 오차가 발생할 수 있다. 이와 관련한 내용은 추후 설명하기로 한다.

이어서, 예측 데이터 생성 모듈은 결정된 최종 클러스터들(Y, Z) 중 참조 구간에서 제1 패턴(X)과 가장 가까운 패턴을 갖는 것을 예측 시점 이후에 예측 데이터로 사용할 대표 클러스터로 결정한다(S230). 즉, 도 5에 도시된 바와 같이, 참조 구간에서 제1 패턴(X)과 가장 가까운 패턴을 갖는 패턴 Y'가 갖는 과거 수요 데이터를 갖는 클러스터를 대표 클러스터로 결정할 수 있다.

본 발명에서는 예측 데이터를 이용하여 최적 충방전 조건을 산출할 수 있다. 이와 관련된 구체적인 설명은 도 8 내지 도 9를 참조하여 후술하기로 한다.

이어서, 클러스터링 데이터 보정 모듈(130)을 이용하여 생성된 최종 클러스터의 전력 수요와 실제 전력 수요 사이의 오차를 보정한다(S240). 여기서, 클러스터링 데이터 보정 모듈(130)은 오차 유무를 판단하고 보정을 수행하는 구성이다.

구체적으로 클러스터링 데이터 보정 모듈(130)은 예측하고자 하는 시점에서 최종 클러스터의 실제 전력 수요가 실제 전력 사용량과 상이할 경우에 오차가 있다고 판단하고, 데이터 보정을 수행한다. 도 5 및 도 6에 도시된 바와 같이, 최종 클러스터들인 제2 패턴(Y)과 제3 패턴(Z)은 예측하고자 하는 시점에 전력 수요가 대략 80정도인 P지점을 지나는 것을 알 수 있다. 그러나, 실제 전력 수요는 예측하고자 하는 시점에 전력 수요가 대략 120정도인 P'지점을 지나는 것을 알 수 있다.

이에, 클러스터링 데이터 보정 모듈(130)은 최종 클러스터들의 전력 수요와 실제 전력 수요가 상이한 것으로 판단하고, 예측하고자 하는 시점에서의 실제 전력 수요에 맞춰 최종 클러스터들의 전력 수요를 이동시킨다. 예컨대, 도 6에 도시된 바와 같이, 제2 패턴(Y)과 제3 패턴(Z)이 예측하고자 하는 시점에 P지점이 아닌 P'지점을 지나도록 데이터를 보정함으로써, 도 7에 도시된 바와 같이, 최종 클러스터들의 전력 수요를 실제 전력 수요와 일치시킬 수 있다.

한편, 클러스터링 데이터 보정 모듈(130)은 최종 클러스터들과 실제 전력 수요 간에 약간의 오차가 있어도 데이터 보정을 수행하지만, 오차가 없다고 판단된 경우에는 구성이 생략될 수도 있다.

제어 모듈(150)은 수신 모듈(110), 클러스터링 모듈(120), 클러스터링 데이터 보정 모듈(130) 및 예측 데이터 생성 모듈(140)을 제어하는 구성이다. 또한, 제어 모듈(150)은 제어기(300)와의 연결이 끊어졌을 경우 데이터들을 임시 저장하는 역할을 수행할 수도 있다. 또한, 로컬 자원이 부족하여 일시적으로 이용이 불가능할 경우에는 원격 분석서버에서 클러스터링을 수행할 수도 있다.

이하에서는, 도 8을 참조하여 클러스터링 기반 수요예측을 이용한 최적 충방전 전략에 대하여 상세히 설명하기로 한다.

도 8은 본 발명의 일 실시예에 따른 클러스터 기반 수요예측을 이용한 최적 충방전 전략을 설명하기 위한 그래프이다.

분석서버(100)의 예측 데이터 생성 모듈(140)은 결정된 예측 데이터를 기초로 최적 운전 조건을 산출할 수 있다(S300). 여기서, 최적 운전 조건은 전력량 요금의 최소화를 위하여 전력량 요금이 최대부하 예측 시간대인 부하를 경부하 예측 시간대로 이동시키기 위한 조건이다.

한편, 예측의 주기는 너무 짧으면 PCS(410)가 정상적으로 충방전을 할 수 없고 배터리(430)도 너무 짧은 기간 동안에서 신뢰할 만한 SoC 변화를 측정할 수 없다. 또한, 예측의 주기가 너무 길면 예측 정확도가 떨어져 최적 운전이 실패할 수 있다. 따라서, 분석서버(100)는 ESS(400)의 효율적 운용을 위한 최적화를 위해 선형계획법을 사용할 수 있다. 이와 관련된 구체적인 설명은 후술하기로 한다.

이어서, 산출된 최적 운전 조건을 기초로 ESS의 충방전을 제어한다(S400).

도 8을 참조하면, 동일한 날에 대하여 예측 시간만을 변화시켜 예측 시간 이후의 전력 수요를 예측하는 것을 특징으로 한다. 본 발명에서는 예측의 변화를 나타내기 위해 예측 시간이 5시, 8시, 9시, 12시, 16시, 19시인 것으로 설명하였으나, 예측 시간은 최대 1분 주기를 갖는 것을 특징으로 한다.

도 8을 참조하면, 예측 시간을 기준으로 예측 시간 직전에는 실제 전력 수요를 나타낸 그래프와 충방전 결과 최종 전력 수요를 나타낸 그래프만 존재하게 되며, 예측 시간 이후로는 충방전 결과 최종 전력 수요에 기초하여 예측된 예측 전력 수요를 나타낸 그래프와 예측된 최종 전력 수요 그래프가 생성되는 것을 알 수 있다. 여기서, 예측된 최종 전력 수요(predicted net usage)는 예측 전력 수요(predicted usage)에서 예측 전력 수요(predicted usage)를 기반으로 수립된 최적 충방전량(ci, di)을 뺀 값으로서, 실제 전력 수요(original usage)는 예측 전력 수요(predicted usage)와 비교하기 위한 것이다.

구체적으로, 예측 시간이 5시인 경우에는 패턴이 비슷해서 예측이 어긋나 엉뚱한 충방전 계획이 세워질 수 있다. 다시 말해, 새벽에는 패턴이 비슷하기 때문에 오후 일과 시간에서의 예측이 많이 벗어날 수 있지만, 새벽에는 단순히 충전만 수행하기 때문에 예측이 틀려도 문제가 없다.

예측 시간이 8시인 경우에는 실제 전력 수요(original usage)와 예측 전력 수요(predicted usage) 사이에 차이가 존재한다. 이때, 예측된 최종 전력 수요는 피크가 절감되어 실제 전력 수요와 비슷한 패턴을 갖게 되는 것을 알 수 있다.

예측 시간이 9시인 경우에는 피크 절감이 필요한 시간대이며, 9시 이후에 발생하는 예측 전력 수요(predicted usage)는 실제 전력 수요(original usage)와 거의 유사한 형태가 되고, 오후 수요 예측이 달라지더라도 오전에 예측된 전력 수요는 피크 컷(peak cut)을 수행할 수 있다.

예측 시간이 12시, 16시인 경우에는 실제 전력 수요(original usage)와 예측 전력 수요(predicted usage)가 다소 차이가 있으나, 피크 발생이 거의 없기 때문에 최대부하 방전의 패턴을 가져갈 수 있다. 여기서, 최대부하 방전의 패턴은 전기 요금이 비싼 최대부하 시간대인 14시~17시 사이에 전량 방전하는 것을 의미한다.

예측 시간이 19시인 경우에는 일과가 끝난 후 19시 최종 충방전(수요)과 완벽 예측 시의 최적 운전과 약간의 차이를 보이지만 유사하게 충방전을 수행하면서 오전 피크 컷을 수행할 수 있다.

따라서, 예측 데이터 생성 모듈(140)은 전력 수요 예측과 함께, 선형계획법(Linear Programming Under Uncertainty)을 이용하여 목적 함수의 최소값을 연산하여 충방전 전략을 수립할 수 있다. 선형계획법을 이용한 최적 충방전 전략은 예측 주기에 따라 피크를 조절하기 위해 사용하는 방법으로서, 선형계획법을 통해 언제 얼마만큼의 전력량(kWh)을 충방전 할지를 결정하고 이를 기초로 최적 운전 명령을 수행할 수 있다.

구체적으로, 선형계획법은 목적 함수가 최소가 되는 결정변수를 찾아 메모리에 업데이트 한다.

목적 함수(O 함수)는 아래와 수학식 1과 같이 연산된다.

(수학식 1)

Λ는 예측 시간 사이의 길이를 의미하며(Λ=N/24), ω는 일간 기본요금 단가를 의미하며, u는 결정 변수로서, 일간 예측 시간 사이의 최대전력수요량(kWh)을 의미한다. 이에,

는 예측 기본 요금을 의미하는 것으로 볼 수 있다. 여기서,

및

도 결정 변수로서

는 예측 시간 i의 계통으로 방전된 전력량을 의미하고,

는 예측 시간 i의 충전에 사용된 전력량을 의미한다.

또한,

는 예측 시간 i의 사용량 요금 단가를 의미하며,

는 예측 시간 i의 예측 또는 실측 전력사용량을 의미한다. 이에,

는 실제 사용된 전력사용량 요금을 의미하는 것으로 볼 수 있다.

따라서, 목적 함수는 예측 시간에 들어가는 요금을 나타내는 변수로, 여기에 사용량 요금, 실측 전력 사용량, 방전량 및 충전량에 기초하여 목적 함수가 출력된다.

이에, 목적 함수가 최소가 되는 결정변수를 찾으면서 아래와 같은 네가지 조건들을 모두 만족해야 요금을 최소화할 수 있다.

네가지 조건은 각각 아래와 같은 수식으로 구하게 된다.

(수학식 2)

여기서,

는 계약용량(kW)을 의미하며,

는 당월 이전까지 기본요금적용한 전력량(kWh)을 의미하며,

는 예측 시간 사이의 최대충방전 전력량(kWh)을 의미하며,

는 일간 예측 시간 사이의 최대전력수요량(kWh)을 의미하는 결정변수이다.

앞서, 수학식 2는 목적 함수를 최소화하는 결정변수를 찾기 위한 첫번째 조건을 구하는 수식으로서, 기본 요금 절감 효과가 없으면 피크절감을 수행하지 않는다.

(수학식 3)

여기서,

는 예측 시간 i의 예측 또는 실측 전력사용량을 의미하며,

는 예측 시간 i의 방전량(kWh)을 의미하며,

는 예측 시간 i의 충전량(kWh)을 의미하며,

는 일간 예측 시간 사이의 최대전력수요량(kWh)을 의미한다.

(수학식 4)

여기서,

는 방전효율을 의미하고,

는 충전효율을 의미한다.

(수학식 5)

여기서,

는 예측 시간 사이의 최대 충방전 전력량(kWh)을 의미한다.

수학식 3은 피크 절감 및 역류 방지를 위한 조건을 의미한다. 다시 말해, 순수요가 특정한 값을 넘지 못하도록 하여 피크 절감을 수행하면서 과방전을 통한 전력의 역류를 방지하는 것을 의미한다.

한편, 제어기(300)는 BMS(420)를 통해 배터리의 충전잔량(SoC)을 주기적으로 수집한다. 다만, 배터리의 충방전 효율은 BMS(420)가 계산하여 주는 정보가 정확하지 않을 수 있기 때문에 제어기(300)는 원하는 충방전 명령을 정상적으로 수행하기 위해 충전잔량(SoC)을 실시간으로 모니터링하면서 PCS(410)의 충방전 전력(kW)을 지속적으로 조절한다.

또한, 제어기(300)는 충방전 명령이 내려질 때까지 충방전 실행은 PID(Proportional Integral Derivative) 제어기와 같은 피드백 기법을 적용하여 PCS(410) 충방전 전력을 제어할 수 있다.

이하에서는, 도 9를 참조하여 비교예(종래기술)와 본 발명의 일 실시예에 따른 예측 방법을 비교하여 설명하기로 한다.

도 9는 종래 기술에 따른 수요 예측과 본 발명의 일 실시예에 따른 수요 예측을 비교하여 설명하기 위한 그래프이다. 도 9에 도시된 그래프는 도 8에 도시된 그래프와 비교했을 때, LSTM 기반의 예측 방법으로 생성된 그래프만 상이할 뿐 나머지 내용은 동일하므로 중복 설명은 생략하기로 한다.

도 9를 참조하면, 도 7에서 상술한 바와 5시, 8시, 9시, 12시, 16시, 19시에 예측을 한다고 가정했을 때, LSTM은 예측 시간 이후의 시간대에서 실제 전력 수요의 피크에 근접하지 못하는 것을 알 수 있다.

구체적으로, LSTM은 과거의 평균적인 패턴을 기반으로 예측되며, 예측 데이터의 전체적인 오차를 줄이려고 하기 때문에 가까운 미래를 예측하는 데에 한계가 있으며, 비정상 상황(갑작스러운 피크 발생 상황)에 대한 판단이 어렵다.

다시 말해, LSTM은 특정 시간대의 데이터를 가지고 특정 시간대 다음 시간대의 수요를 예측하지만 최대 수요 이상을 예측할 수 없기 때문에 피크 값 예측으로는 부적절하다.

따라서, 본 발명의 일 실시예에 따른 수요 전력 예측 방법은 갑작스러운 피크 및 이상 상황 감지를 위해 클러스터를 이용함으로써 예측하고자 하는 시간(시점) 이후의 패턴을 찾아내고 해당 이후 패턴을 현재 측정 수요로 이동해서 향후 피크 상황을 좀 더 정확하게 판단할 수 있는 효과가 있다.

또한, 본 발명의 일 실시예에 따른 수요 전력 예측 방법은 전력 제어 시 클러스터링 기법을 이용하여 ESS의 운전 제어 시점 및 충방전량을 보다 정확하게 예측함으로써 전기 사용량에 따른 사용자의 손실을 최소화하여 수익을 창출할 수 있는 효과가 있다.

또한, 주기적으로 전력 수요를 예측하여 ESS의 최적 운전 전략을 수행함으로써 수요 예측의 정확도를 향상시키고 에너지 효율을 극대화할 수 있다.

이상 첨부된 도면을 참조하여 본 발명의 실시예들을 더욱 상세하게 설명하였으나, 본 발명은 반드시 이러한 실시예로 국한되는 것은 아니고, 본 발명의 기술사상을 벗어나지 않는 범위 내에서 다양하게 변형 실시될 수 있다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

100: 분석서버 110: 수신 모듈
120: 클러스터링 모듈 130: 클러스터링 데이터 보정 모듈
140: 예측 데이터 생성 모듈 150: 제어 모듈
200: 전력 정보 공급 장치 210: 전력수요 계량기
220: 전력수요 수집기 300: 제어기
400: ESS 410: PCS
420: BMS 430: 배터리
500: 이더넷 스위치

Claims

전력 수요 데이터를 제공하는 전력 정보 공급 장치;
상기 전력 수요 데이터를 클러스터링하여 예측하고자 하는 예측 시점 이전의 특정 시간대 내에서 생성된 하나의 예상 클러스터(Cluster) 및 상기 예상 클러스터에 포함된 복수의 요소들의 평균 또는 중간값을 산출하여 최종 클러스터를 포함하는 클러스터링 데이터를 생성하고, 상기 클러스터링 데이터를 기반으로 예측 전력 사용량을 산출하는 분석서버; 및
상기 예측 전력 사용량에 기초하여 최적 ESS 충방전 전략을 생성하며, 상기 최적 ESS 충방전 전략에 기초하여 ESS 시스템을 제어하는 제어기를 포함하고,
상기 예상 클러스터는 상기 특정 시간대의 과거 데이터를 비지도 학습하여 구성되며, 상기 최종 클러스터 중 상기 특정 시간대에서 실제 전력 수요 패턴과 가장 가까운 패턴을 갖는 클러스터를 상기 예측 시점 이후의 예측 데이터로서 사용할 대표 클러스터인 것으로 결정하는, 클러스터링 기반 예측적 ESS 충방전 운용 시스템.
제1항에 있어서,
상기 분석서버는,
상기 전력 정보 공급 장치로부터 전력수요 데이터를 주기적으로 수신하는 수신 모듈;
수신한 상기 전력수요 데이터를 클러스터링하여 하나의 상기 예상 클러스터를 생성하고, 상기 예상 클러스터로부터 상기 최종 클러스터를 생성하는 클러스터링 모듈; 및
상기 대표 클러스터를 기초로 예측 전력 사용량 데이터를 산출하여 최적 운전 조건을 산출하는 예측 데이터 생성 모듈;을 포함하는, 클러스터링 기반 예측적 ESS 충방전 운용 시스템.
제1항에 있어서,
상기 하나의 예상 클러스터는 패턴으로 구성되며, 상기 실제 전력 수요에 따라 상기 예상 클러스터에 포함된 복수의 요소는 상기 실제 전력 수요에 따라 상이한 전력 수요를 갖는, 수요 클러스터링 기반 예측적 ESS 충방전 운용 시스템.
제1항에 있어서,
상기 분석서버는,
상기 최종 클러스터가 상기 예측 시점에서 상기 실제 전력 수요와 상이한 전력 수요를 갖는 경우, 오차가 있다고 판단하여 데이터 보정을 수행하는 클러스터링 데이터 보정 모듈;을 더 포함하는, 클러스터링 기반 예측적 ESS 충방전 운용 시스템.
제1항에 있어서,
상기 전력 정보 공급 장치 및 상기 분석서버와 연결되며, 상기 전력 사용량 정보 및 상기 예측 데이터를 라우팅하는 이더넷 스위치를 더 포함하는, 클러스터링 기반 예측적 ESS 충방전 운용 시스템.
제1항에 있어서,
상기 최적 ESS 충방전 전략은 ESS의 충전 또는 방전 여부, 충방전 주기 및 충방전 전력 제어량, 최적 운전 시점을 포함하는, 클러스터링 기반 예측적 ESS 충방전 운용 시스템.
제2항에 있어서,
상기 예측 데이터 생성 모듈은 선형계획법을 이용하여 목적 함수의 최소값을 연산하여 충방전 전략을 생성하고,
상기 목적 함수는 하기 수학식 1에 의해 연산되는, 클러스터링 기반 예측적 ESS 충방전 운용 시스템.
(수학식 1)

(여기서, Λ는 예측 시간 사이의 길이(Λ=N/24), ω는 일간 기본요금 단가, u는 일간 예측 시간 사이의 최대전력수요량(kWh)을 나타내고,
는 실제 사용된 전력 사용량 요금을 나타냄)
제7항에 있어서,
상기 목적 함수는 하기 수학식 2에 따라 연산되는 조건을 만족하는, 클러스터링 기반 예측적 ESS 충방전 운용 시스템.
(수학식 2)

(여기서,
는 계약용량(kW), u bar(
)는 당월 이전까지 기본요금적용전력량(kWh),
는 예측 시간 사이의 최대충방전 전력량(kWh),
는 일간 예측 시간 사이의 최대전력수요량(kWh)을 나타냄)
제7항에 있어서,
상기 목적 함수는 하기 수학식 3에 따라 연산되는 조건을 만족하는, 클러스터링 기반 예측적 ESS 충방전 운용 시스템.
(수학식 3)

(여기서,
는 예측 시간 i의 예측 또는 실측 전력사용량, d_i는 예측 시간 i의 방전량(kWh), c_i는 예측 시간 i의 충전량(kWh), u는 일간 예측 시간 사이의 최대전력수요량(kWh)을 나타냄)
제7항에 있어서,
상기 목적 함수는 하기 수학식 4에 따라 연산되는 조건을 만족하는, 클러스터링 기반 예측적 ESS 충방전 운용 시스템.
(수학식 4)

(여기서,
는 방전효율,
는 충전효율을 나타냄)
제7항에 있어서,
상기 목적 함수는 하기 수학식 5에 따라 연산되는 조건을 만족하는, 클러스터링 기반 예측적 ESS 충방전 운용 시스템.
(수학식 5)

(여기서,
는 예측 시간 사이의 최대 충방전 전력량(kWh)을 나타냄)
수신 모듈에 의해 전력 정보 공급 장치로부터 전력수요 데이터를 주기적으로 수신하는 단계;
상기 전력수요 데이터를 클러스터링(Clustering)하여 하나의 예상 클러스터(Cluster)를 생성하고, 전력 수요를 예측하고자 하는 예측 시점 직전의 특정 시간대에서 상기 예상 클러스터에 포함된 복수의 요소에 기초하여 생성한 최종 클러스터 및 상기 최종 클러스터 중 상기 특정 시간대에서의 실제 전력 수요 패턴과 근거리에 위치한 대표 클러스터를 포함하는 클러스터링 데이터를 생성하는 단계;
상기 대표 클러스터를 기초로 최적 운전 조건을 산출하는 단계; 및
산출된 상기 최적 운전 조건을 기초로 ESS의 충방전을 제어하는 단계를 포함하는, 클러스터링 기반 예측적 ESS 충방전 운용 방법.
제12항에 있어서,
상기 예측 시점에서 상기 최종 클러스터의 전력 수요와 상기 실제 전력 수요 사이의 오차가 있다고 판단되는 경우 오차를 보정하는 단계;를 더 포함하는, 클러스터링 기반 예측적 ESS 충방전 운용 방법.
제12항에 있어서,
상기 예상 클러스터 및 상기 최종 클러스터는 패턴일 뿐, 상기 예측하고자 하는 예측 시점에 따라 전력 수요가 상이해지는, 클러스터링 기반 예측적 ESS 충방전 운용 방법.