KR20210076781A - 로라 통신 기반의 태양광 발전 계측 및 관리를 위한 장치 및 이를 위한 방법 - Google Patents

Abstract

본 발명의 실시예에 따른 EMS 장치는 로라 통신을 통해 계측기가 계측한 에너지와 관련된 정보를 수신하여 인공신경망을 통해 정보를 분석한 후, 분석 결과에 따라 ESS를 관리한다. 이러한 관리는 공조, 충전, 방전, 밸런싱(cell balancing), 경보, 비상정지 등을 포함한다.

Description

로라 통신 기반의 태양광 발전 계측 및 관리를 위한 장치 및 이를 위한 방법{Apparatus for measuring and managing photovoltaic power generation based on LoRa communication and method therefor}

본 발명은 태양광 발전 관리 기술에 관한 것으로, 보다 상세하게는, 로라(LoRa: Long Range) 통신 기반의 태양광 발전 계측 및 관리를 위한 장치 및 이를 위한 방법에 관한 것이다.

에너지 저장은 장치 혹은 물리적 매체를 이용하여 에너지를 저장하는 것을 말한다. 이에 쓰이는 장치를 축압기라고 하고, 더 넓은 범위의 시스템 전체를 에너지 저장 시스템(ESS: Energy Storage System)이라고 한다. 일반 가정에서 사용하는 건전지나 전자제품에 사용하는 소형 배터리도 전기에너지를 다른 에너지 형태로 변환하여 저장할 수 있지만 이런 소규모 전력저장장치를 ESS라고 말하지는 않고, 일반적으로 수 kWh 이상의 전력을 저장하는 단독 시스템을 ESS라고 한다. ESS는 전력계통에서 발전, 송배전, 수용가에 설치되어 운영이 가능하며, 주파수 조정(Frequency Regulation), 신재생발전기 출력 안정화, 첨두부하 저감(Peak Shaving), 부하평준화(Load Leveling), 비상전원 등의 기능으로 사용된다. ESS는 전기에너지를 적게 사용할 때 저장하고 필요할 때 공급함으로써 에너지 이용효율 향상, 신재생에너지 활용도 제고 및 전력공급시스템 안정화에 기여할 수 있다. 이러한 ESS를 관리하기 위하여 EMS를 구비할 수 있다. EMS는 에너지효율 향상 목표를 설정하고 이를 달성하기 위해 관리체제를 일정한 절차 및 기법에 따라 체계적이고 지속적으로 추진하는 전사적 에너지관리 시스템을 말한다.

한국공개특허 제10-2016-0133341호 2016년 11월 22일 공개 (명칭: ESS기능 마이크로 냉난방공조시스템)

본 발명의 목적은 로라 통신을 통해 태양광발전 시스템의 전류, 전압 및 온도의 측정값을 수신하여 수신된 측정값을 인공신경망을 이용하여 분석하고, 그 분석 결과에 따라 에너지저장장치를 비롯한 태양광발전 시스템을 관리하는 로라 통신 기반의 태양광 발전 계측 및 관리를 위한 장치 및 이를 위한 방법을 제공함에 있다.

상술한 바와 같은 목적을 달성하기 위한 본 발명의 바람직한 실시예에 따른 태양광발전기가 생산한 전력을 저장하는 에너지저장장치와, 상기 태양광발전기 및 상기 에너지저장장치 중 적어도 하나로부터 전력을 공급받는 부하를 포함하는 시스템에서 로라(LoRa: Long Range) 통신 기반의 태양광 발전 계측 및 관리를 위한 장치는 복수의 계측기로부터 상기 에너지저장장치, 상기 태양광발전기 및 상기 부하에 대한 전력, 전류 및 온도를 측정한 측정값 및 측정한 시간을 로라 통신을 통해 수신하며, 기상정보서버로부터 일기에 대한 정보를 수신하는 통신부와, 상기 측정값을 기초로 복수의 전력소비벡터, 복수의 전력생산벡터 및 복수의 온도벡터를 생성하고, 상기 측정한 시간을 기초로 시간벡터를 생성하며, 상기 일기에 대한 정보를 기초로 일기벡터를 생성하는 전처리부와, 시간벡터, 일기벡터, 복수의 전력소비벡터, 복수의 전력생산벡터 및 복수의 온도벡터가 입력되면, 상기 에너지저장장치가 실행할 수 있는 태스크를 확률로 나타내는 출력값을 출력하는 인공신경망과, 상기 시간벡터, 상기 일기벡터, 상기 복수의 전력소비벡터, 상기 복수의 전력생산벡터 및 상기 복수의 온도벡터를 상기 인공신경망에 입력한 후, 상기 인공신경망이 상기 출력값을 출력하면, 상기 출력값에 따라 상기 에너지저장장치가 실행할 태스크를 결정하는 처리부와, 상기 에너지저장장치가 상기 결정된 태스크를 실행하도록 제어 명령을 생성하여 상기 통신부를 통해 상기 에너지저장장치로 전송하는 관리부를 포함한다.

상기 인공신경망은 측정 기간과 상기 측정 기간 이후의 기간인 예측 기간을 나타내는 상기 시간벡터를 입력받는 시간입력층과, 상기 측정 기간 동안의 측정된 일기 및 상기 예측 기간 동안에 예보된 일기를 나타내는 상기 일기벡터를 입력받는 일기입력층과, 상기 측정 기간 동안 측정된 상기 부하의 전력소비량을 나타내는 상기 복수의 전력소비벡터가 측정된 순서대로 입력되면, 상기 복수의 전력소비벡터에 대해 가중치가 적용되는 연산을 통해 상기 예측 기간 동안의 전력소비량을 예측하여 예측소비전력벡터를 출력하는 전력소비패턴망과, 상기 측정 기간 동안 측정된 상기 태양광발전기의 전력생산량을 나타내는 상기 복수의 전력생산벡터가 측정된 순서대로 입력되면, 상기 복수의 전력생산벡터에 대해 가중치가 적용되는 연산을 통해 상기 예측 기간 동안의 전력생산량을 예측하여 예측전력생산벡터를 출력하는 전력생산패턴망과, 상기 측정 기간 동안 측정된 상기 에너지저장장치의 온도를 나타내는 상기 복수의 온도벡터가 측정된 순서대로 입력되면, 상기 복수의 온도벡터에 대해 가중치가 적용되는 연산을 통해 상기 예측 기간 동안의 온도를 예측하여 예측온도벡터를 출력하는 온도변화패턴망과, 상기 시간벡터, 상기 일기벡터, 상기 예측소비전력벡터, 상기 예측전력생산벡터 및 상기 예측온도벡터에 대해 가중치가 적용되는 연산을 통해 산출된 상기 출력값을 출력층으로 출력하는 예측연산망과, 상기 출력값을 출력하는 상기 출력층을 포함한다.

상기 인공신경망은 제1 학습 기간과 상기 제1 학습 기간 이후의 기간인 제2 학습 기간을 나타내는 시간벡터를 입력받는 시간입력층과, 상기 제1 학습 기간 동안의 측정된 일기 및 상기 제2 학습 기간 동안에 측정된 일기를 나타내는 상기 일기벡터를 입력받는 일기입력층과, 상기 제1 학습 기간 동안 측정된 상기 부하의 전력소비량을 나타내는 상기 복수의 전력소비벡터가 측정된 순서대로 입력되면, 상기 복수의 전력소비벡터에 대해 가중치가 적용되는 연산을 통해 상기 제2 학습 기간 동안의 전력소비량을 예측하여 예측소비전력벡터를 출력하는 전력소비패턴망과, 상기 제1 학습 기간 동안 측정된 상기 태양광발전기의 전력생산량을 나타내는 상기 복수의 전력생산벡터가 측정된 순서대로 입력되면, 상기 복수의 전력생산벡터에 대해 가중치가 적용되는 연산을 통해 상기 제2 학습 기간 동안의 전력생산량을 예측하여 예측전력생산벡터를 출력하는 전력생산패턴망과, 상기 제1 학습 기간 동안 측정된 상기 에너지저장장치의 온도를 나타내는 상기 복수의 온도벡터가 측정된 순서대로 입력되면, 상기 복수의 온도벡터에 대해 가중치가 적용되는 연산을 통해 상기 제2 학습 기간 동안의 온도를 예측하여 예측온도벡터를 출력하는 온도변화패턴망과, 상기 시간벡터, 상기 일기벡터, 상기 예측소비전력벡터, 상기 예측전력생산벡터 및 상기 예측온도벡터에 대해 가중치가 적용되는 연산을 통해 산출된 상기 출력값을 출력층으로 출력하는 예측연산망과, 상기 출력값을 출력하는 상기 출력층을 포함하며, 상기 장치는 상기 제2 학습 기간 동안에 상기 에너지저장장치가 실행한 태스크를 목표값으로 설정하고, 상기 출력값과 상기 목표값의 차이가 최소가 되도록 역전파(Back Propagation)를 통해 상기 가중치를 산출하는 학습부를 더 포함한다.

상기 전력소비패턴망, 상기 전력생산패턴망 및 상기 온도변화패턴망 각각은 복수의 스테이지로 이루어진 복수의 은닉셀을 포함하며, 상기 복수의 은닉셀 각각은 입력값과 이전 스테이지의 은닉셀이 산출한 이전 스테이지의 은닉 상태값을 입력 받고, 상기 입력값과 상기 이전 스테이지의 은닉 상태값에 대해 가중치가 적용되는 연산을 통해 현재 스테이지의 은닉 상태값과 중간출력값을 도출하며, 상기 복수의 은닉셀의 마지막 은닉셀의 중간출력값은 상기 예측소비전력벡터, 상기 예측전력생산벡터 및 상기 예측온도벡터 중 어느 하나인 것을 특징으로 한다.

상기 장치는 상기 에너지저장장치로부터 출력되어 상기 부하에 입력되는 전력 및 전류를 측정한 측정값을 벡터 공간에 임베딩(embedding)하여 전력소비벡터를 생성하고, 상기 태양광발전기로부터 출력되어 상기 에너지저장장치로 입력되는 전력 및 전류를 측정한 측정값을 벡터 공간에 임베딩하여 전력생산벡터를 소비벡터를 생성하며, 상기 에너지저장장치의 소정 단위 기간 동안의 온도의 변화를 벡터 공간에 임베딩하여 온도벡터를 생성하고, 시간을 계정, 일, 시간에 따라 구분하는 원핫인코딩(one-hot encoding)을 통해 시간벡터를 생성하며, 일기를 날씨 및 온도를 구분하는 원핫인코딩을 통해 일기벡터를 생성하는 전처리부를 더 포함한다.

상술한 바와 같은 목적을 달성하기 위한 본 발명의 바람직한 실시예에 따른 태양광발전기가 생산한 전력을 저장하는 에너지저장장치와, 상기 태양광발전기 및 상기 에너지저장장치 중 적어도 하나로부터 전력을 공급받는 부하를 포함하는 시스템에서 로라 통신 기반의 태양광 발전 계측 및 관리를 위한 방법은 인공신경망의 시간입력층이 제1 학습 기간과 상기 제1 학습 기간 이후의 기간인 제2 학습 기간을 나타내는 시간벡터를 입력받는 단계와, 인공신경망의 일기입력층이 상기 제1 학습 기간 동안의 측정된 일기 및 상기 제2 학습 기간 동안에 측정된 일기를 나타내는 상기 일기벡터를 입력받는 단계와, 인공신경망의 전력소비패턴망이 상기 제1 학습 기간 동안 측정된 상기 부하의 전력소비량을 나타내는 상기 복수의 전력소비벡터가 측정된 순서대로 입력되면, 상기 복수의 전력소비벡터에 대해 가중치가 적용되는 연산을 통해 상기 제2 학습 기간 동안의 전력소비량을 예측하여 예측소비전력벡터를 출력하는 단계와, 인공신경망의 전력생산패턴망이 상기 제1 학습 기간 동안 측정된 상기 태양광발전기의 전력생산량을 나타내는 상기 복수의 전력생산벡터가 측정된 순서대로 입력되면, 상기 복수의 전력생산벡터에 대해 가중치가 적용되는 연산을 통해 상기 제2 학습 기간 동안의 전력생산량을 예측하여 예측전력생산벡터를 출력하는 단계와, 인공신경망의 온도변화패턴망이 상기 제1 학습 기간 동안 측정된 상기 에너지저장장치의 온도를 나타내는 상기 복수의 온도벡터가 측정된 순서대로 입력되면, 상기 복수의 온도벡터에 대해 가중치가 적용되는 연산을 통해 상기 제2 학습 기간 동안의 온도를 예측하여 예측온도벡터를 출력하는 단계와, 인공신경망의 예측연산망이 상기 시간벡터, 상기 일기벡터, 상기 예측소비전력벡터, 상기 예측전력생산벡터 및 상기 예측온도벡터에 대해 가중치가 적용되는 연산을 통해 산출된 상기 출력값을 출력하는 단계와, 인공신경망의 출력층이 상기 출력값을 입력받아 출력하는 단계와, 학습부가 상기 제2 학습 기간 동안에 상기 에너지저장장치가 실행한 태스크에 따라 목표값을 설정하고, 상기 출력값과 상기 목표값의 차이가 최소가 되도록 역전파(Back Propagation)를 통해 상기 가중치를 산출하여 상기 인공신경망을 학습시키는 단계를 포함한다.

상기 학습시키는 단계 후, 상기 시간입력층이 측정 기간과 상기 측정 기간 이후의 기간인 예측 기간을 나타내는 상기 시간벡터를 입력받는 단계와, 상기 일기입력층이 상기 측정 기간 동안의 측정된 일기 및 상기 예측 기간 동안에 예보된 일기를 나타내는 상기 일기벡터를 입력받는 단계와, 상기 전력소비패턴망이 상기 측정 기간 동안 측정된 상기 부하의 전력소비량을 나타내는 상기 복수의 전력소비벡터가 측정된 순서대로 입력되면, 상기 복수의 전력소비벡터에 대해 가중치가 적용되는 연산을 통해 상기 예측 기간 동안의 전력소비량을 예측하여 예측소비전력벡터를 출력하는 단계와, 상기 전력생산패턴망이 상기 측정 기간 동안 측정된 상기 태양광발전기의 전력생산량을 나타내는 상기 복수의 전력생산벡터가 측정된 순서대로 입력되면, 상기 복수의 전력생산벡터에 대해 가중치가 적용되는 연산을 통해 상기 예측 기간 동안의 전력생산량을 예측하여 예측전력생산벡터를 출력하는 단계와, 온도변화패턴망이 상기 측정 기간 동안 측정된 상기 에너지저장장치의 온도를 나타내는 상기 복수의 온도벡터가 측정된 순서대로 입력되면, 상기 복수의 온도벡터에 대해 가중치가 적용되는 연산을 통해 상기 예측 기간 동안의 온도를 예측하여 예측온도벡터를 출력하는 단계와, 상기 예측연산망이 상기 시간벡터, 상기 일기벡터, 상기 예측소비전력벡터, 상기 예측전력생산벡터 및 상기 예측온도벡터에 대해 가중치가 적용되는 연산을 통해 산출된 상기 출력값을 상기 출력층을 통해 출력하는 단계와, 처리부가 상기 출력값에 따라 상기 예측 기간 동안 상기 에너지저장장치가 실행해야하는 태스크를 결정하는 단계와, 관리부가 상기 에너지저장장치가 상기 결정된 동작을 실행하도록 제어 명령을 생성하여 전송하는 단계를 포함한다.

본 발명에 따르면, 태양광발전 시스템의 전류, 전압 및 온도를 측정한 측정값을 로라 통신을 통해 수신하고, 수신된 측정값을 분석하여 전력 생산량, 전력 소비량 및 온도의 변화를 예측하고, 이를 기초로 에너지저장장치의 태스크를 비롯한 태양광발전 시스템을 관리할 수 있다. 이에 따라, 전체 태양광 발전 시스템을 효율적으로 운영할 수 있다.

도 1은 본 발명의 실시예에 따른 태양광발전 시스템의 구성을 설명하기 위한 도면이다.
도 2는 본 발명의 실시예에 따른 에너지저장장치의 에너지 저장 형식을 설명하기 위한 도면이다.
도 3은 본 발명의 실시예에 따른 배터리컨테이너의 구성을 설명하기 위한 도면이다.
도 4는 본 발명의 실시예에 따른 계측기의 개략적인 구성을 설명하기 위한 블록도이다.
도 5는 본 발명의 실시예에 따른 에너지관리장치의 구성을 설명하기 위한 블록도이다.
도 6 내지 도 13은 본 발명의 실시예에 따른 인공신경망(120)의 구성을 설명하기 위한 도면이다.
도 14는 본 발명의 제1 실시예에 따른 인공신경망을 학습시키는 방법을 설명하기 위한 흐름도이다.
도 15는 본 발명의 실시예에 따른 에너지관리장치의 인공신경망을 이용한 에너지저장장치를 관리하기 위한 방법을 설명하기 위한 흐름도이다.
도 16은 본 발명의 실시예에 따른 에너지관리장치의 인공신경망을 이용한 에너지저장장치를 관리하기 위한 방법을 설명하기 위한 그래프이다.
도 17는 본 발명의 제2 실시예에 따른 인공신경망을 학습시키는 방법을 설명하기 위한 흐름도이다.
도 18은 본 발명의 실시예에 따른 에너지관리장치의 태양광발전 시스템을 관리하는 방법을 설명하기 위한 흐름도이다.
도 19는 본 발명의 실시예에 따른 에너지관리장치의 태양광발전 시스템을 관리하는 방법을 설명하기 위한 그래프이다.

본 발명의 상세한 설명에 앞서, 이하에서 설명되는 본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니 되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념으로 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다. 따라서 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 가장 바람직한 실시예에 불과할 뿐, 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형 예들이 있을 수 있음을 이해하여야 한다.

이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예들을 상세히 설명한다. 이때, 첨부된 도면에서 동일한 구성 요소는 가능한 동일한 부호로 나타내고 있음을 유의해야 한다. 또한, 본 발명의 요지를 흐리게 할 수 있는 공지 기능 및 구성에 대한 상세한 설명은 생략할 것이다. 마찬가지의 이유로 첨부 도면에 있어서 일부 구성요소는 과장되거나 생략되거나 또는 개략적으로 도시되었으며, 각 구성요소의 크기는 실제 크기를 전적으로 반영하는 것이 아니다.

먼저, 본 발명의 실시예에 따른 태양광발전 시스템에 대해서 설명하기로 한다. 도 1은 본 발명의 실시예에 따른 태양광발전 시스템의 구성을 설명하기 위한 도면이다.

도 1을 참조하면, 본 발명의 실시예에 따른 태양광발전 시스템은 에너지관리장치(EMS: Energy Management System, 100), 태양광발전기(200), 에너지저장장치(ESS: Energy Storage System, 300) 및 부하(400)를 포함한다. 특히, 태양광발전 시스템은 복수의 계측기(10: 10a, 10b, 10c, 10d, 10e) 및 복수의 전력변환기(PCS: Power Conditioning System 혹은 DC/DC converter, 20: 20a, 20b, 20c)를 더 포함한다. 더욱이, 태양광발전 시스템은 기상정보서버(500)를 더 포함한다. 기상정보서버(500)는 기상청의 기상분석시스템(Forecaster's Analysis System) 등을 통해 예측한 날씨 및 온도를 포함하는 일기 및 기상청이 계측한 날씨 및 온도를 포함하는 일기에 대한 정보를 제공하는 서버이다.

태양광발전기(200)는 광기전 효과(photovoltaic effect)를 이용하여, 태양으로부터 오는 빛을 전기 에너지로 바꾸어 전력을 생산한다. 태양광발전기(200)는 기본적으로, 생산된 전력, 즉, 발전 전력을 부하(400)에 제공한다. 하지만, 이러한 태양광발전기(200)의 전력 생산량은 일기에 따라 편차가 심하며 조절할 수 있는 것이 아니다. 따라서 태양광발전기(200)는 부하(400)의 용량에 비해 과잉 생산된 전력을 에너지저장장치(300)에 제공하여 저장할 수 있다.

에너지저장장치(300)는 태양광발전기(200)의 발전 전력을 저장하기 위한 것이다. 특히, 에너지저장장치(300)는 발전기(10)가 부하(30)의 용량에 비해 전력을 과잉 생산한 경우, 그 과잉 생산된 발전 전력을 저장할 수 있다. 또한, 에너지저장장치(300)는 부하(400)의 전력이 요구될 때 저장된 전력을 부하(400)에 제공한다.

전력변환기(20)는 출력측 장치의 동작 가능한 전압 범위에 맞춰 입력 전압을 강압 혹은 승압시켜 출력 전압을 생성하여 출력한다. 예컨대, 태양광발전기(200)가 생산한 전력이 입력되는 경우, 에너지저장장치(300) 혹은 부하(400)의 동작 가능한 전압 범위에 맞춰 그 전력의 전압을 강압하여 출력한다.

복수의 계측기(10)는 복수의 전력변환기(20), 태양광발전기(200) 및 에너지저장장치(300)에 연결되어 태양광발전기(200)로부터 출력되는 전압, 전류, 에너지저장장치(300)에 입력 혹은 출력되는 전압, 전류, 에너지저장장치(300)의 온도, 부하(400)에 입력되는 전압, 전류, 전력변환기(20)가 변환한 전압, 전류 등을 측정한다. 그리고 계측기(10)는 측정된 전압, 전류 및 온도를 에너지관리장치(100)로 로라(RoLA) 통신을 통해 전송한다.

에너지관리장치(100)는 본 발명의 실시예에 따른 태양광발전 시스템 전반을 제어하기 위한 것이다. 특히, 에너지관리장치(100)는 로라 통신을 통해 계측기(10)가 계측한 에너지와 관련된 정보를 수신하고, 기상정보서버(500)로부터 기상 정보를 수신하여 인공신경망을 통해 수신된 정보를 분석한 후, 분석 결과에 따라 에너지저장장치(300)를 관리할 수 있다. 이러한 관리는 공조, 충전, 방전, 밸런싱(cell balancing), 경보, 비상정지 등을 포함한다. 또한, 에너지관리장치(100)는 태양광발전기(200)에 문제가 발생한 경우, 관리자에게 경보를 제공하거나, 태양광발전기(200)를 비상 정지시킬 수 있다.

다음으로, 본 발명의 실시예에 따른 에너지저장장치(ESS: Energy Storage System, 300)의 에너지 저장 형식에 대해서 설명하기로 한다. 도 2는 본 발명의 실시예에 따른 에너지저장장치의 에너지 저장 형식을 설명하기 위한 도면이다.

다음으로, 본 발명의 실시예에 따른 에너지저장장치(ESS: Energy Storage System, 300)의 구성에 대해서 설명하기로 한다. 도 2는 본 발명의 실시예에 따른 에너지저장장치의 구성을 설명하기 위한 도면이다. 도 3은 본 발명의 실시예에 따른 배터리컨테이너의 구성을 설명하기 위한 도면이다.

도 2를 참조하면, 본 발명의 실시예에 따른 에너지저장장치(300)는 배터리컨테이너(310), 공조기(320), 통신기(330) 및 제어기(340)를 포함한다. 이러한 배터리컨테이너(310), 공조기(320), 통신기(330) 및 제어기(340)는 외함(301) 내에 설치되어 외함(301)에 의해 물리적으로 보호될 수 있다.

배터리컨테이너(310)는 실제로 에너지를 저장하기 위한 복수의 단위 저장 장치로 이루어진다. 본 발명의 실시예에서 최소의 단위 저장 장치는 배터리 셀이다. 배터리 셀은 이차전지이며, 니켈-카드뮴 전지(NiCd), 니켈수소축전지(NiMH), 리튬이온전지(Li-ion), 리튬이온폴리머전지(Li-ion polymer) 등을 예시할 수 있다. 도시된 바와 같이, 복수의 배터리 셀이 하나의 배터리모듈을 형성한다. 또한, 복수의 배터리모듈은 하나의 배터리 랙을 형성한다. 그리고 복수의 배터리 랙은 하나의 배터리 컨테이너를 이룬다. 배터리 랙은 일반적으로, 복수의 배터리 모듈이 적층된 타워형이다. 하지만, 본 발명을 이에 한정하는 것은 아니며, 복수의 배터리 모듈을 포함하는 형식이면 그 형태의 무관하다. 배터리컨테이너(310)는 외함(10) 내에서 공조기(320) 및 제어기(340)와 격벽(PW)을 통해 분리된 제1 공간(A1)에 설치된다.

공조기(320)는 외함(10) 내에서 배터리컨테이너(310)와 격벽(PW)을 통해 분리된 제2 공간(A2)에 설치된다. 공조기(320)는 배터리컨테이너(310)가 설치된 제1 공간(A1)의 공기 조화를 수행한다. 즉, 공조기(30)는 배터리컨테이너(310)가 설치된 제1 공간(A1)에 연결된 관 등을 통해 공조를 위한 공기, 즉, 냉기, 온기 및 습기 및 건기 중 적어도 하나의 속성을 가지는 공기를 공급할 수 있다.

통신기(330)는 로라 통신을 통해 에너지관리장치(100)와 통신을 위한 것이다. 이러한 통신기(330)는 송신되는 신호의 주파수를 상승 변환 및 증폭하는 RF(Radio Frequency) 송신기(Tx) 및 수신되는 신호를 저잡음 증폭하고 주파수를 하강 변환하는 RF 수신기(Rx)를 포함할 수 있다. 그리고 통신기(330)는 송신되는 신호를 변조하고, 수신되는 신호를 복조하는 모뎀(Modem)을 포함할 수 있다.

제어기(340)는 에너지저장장치(300)의 전반적인 동작 및 기능을 제어하기 위한 것이다 특히, 제어기(340)는 에너지저장장치(300), 즉, 배터리컨테이너(310)의 충전 및 방전을 제어하고, 공조기(320)의 공조 기능을 제어할 수 있다. 특히, 제어기(340)는 통신기(330)를 통해 에너지관리장치(100)로부터 충전, 방전, 셀 밸런싱 및 공조(냉각) 등의 지령을 수신하면, 에너지저장장치(300)의 충전, 방전 및 셀 밸런싱을 수행하거나, 공조기(320)를 제어하여 공조(냉각)를 수행하도록 제어한다. 이러한 제어기(340)는 중앙처리장치(CPU: Central Processing Unit), 마이크로제어기(MCU: Micro Controller Unit), 디지털신호처리기(DSP: Digital Signal Processor) 등이 될 수 있다.

다음으로, 본 발명의 실시예에 따른 계측기(10)의 구성에 대해서 설명하기로 한다. 도 4는 본 발명의 실시예에 따른 계측기의 개략적인 구성을 설명하기 위한 블록도이다. 도 4를 참조하면, 본 발명의 실시예에 따른 계측기(10)는 전압센서(11), 전류센서(12), 복수의 온도센서(13), 컨버터(Analog-to Digital Converter, 14), 신호처리부(15) 및 로라통신부(16)를 포함한다.

전압센서(11)는 연결된 설비 혹은 장치(20, 200, 300)의 출력 혹은 입력 전압을 측정하기 위한 센서이며, 전류센서(12)는 연결된 설비 혹은 장치(20, 200, 300)의 입력 혹은 출력 전류를 측정하기 위한 센서이다. 온도센서(13)는 선택적인 구성으로 연결된 설비 혹은 장치(20, 200, 300)의 온도를 측정하기 위한 센서이다. 특히, 제4 계측기(10d)의 복수의 온도센서(13)는 에너지저장장치(300)의 복수의 위치에 분산되어 설치되어 설치된 복수의 위치 각각의 온도를 개별적으로 측정할 수 있다. 또한, 제1 계측기(10a)의 복수의 온도센서(13)는 태양광발전기(200)의 복수의 위치에 분산되어 설치되어 설치된 복수의 위치 각각의 온도를 개별적으로 측정할 수 있다.

컨버터(14)는 아날로그 신호인 전압센서(11), 전류센서(12) 및 온도센서(13)가 측정한 전압, 전류, 온도의 측정값을 디지털 신호로 변환한 후, 신호처리부(15)에 제공한다.

신호처리부(15)는 디지털 신호로 변환된 전압, 전류, 온도의 측정값에 측정 대상을 다른 장치와 구분하여 식별할 수 있는 식별자, 즉, 전력변환기(20), 태양광발전기(200), 에너지저장장치(300) 등의 측정 대상에 대한 식별자와, 전압, 전류, 온도를 측정한 측정 시간을 부여한다. 특히, 전력변환기(20)의 경우, 다른 전력변환기(20)와 구분되는 위치를 알 수 있는 식별자가 부여된다. 신호처리부(15)는 전송 오류 등에 따른 재전송을 고려하여 측정 대상 및 측정 시간을 포함하는 전압, 전류, 온도의 측정값을 일시 저장할 수 있는 소정 용량의 메모리를 포함할 수 있다. 신호처리부(15)는 측정 대상 및 측정 시간을 포함하는 전압, 전류, 온도의 측정값을 로라통신부(16)를 통해 에너지관리장치(100)로 전송한다.

로라통신부(16)는 로라 통신을 통해 에너지관리장치(100)와 통신을 위한 것이다. 이러한 로라통신부(16)는 송신되는 신호의 주파수를 상승 변환 및 증폭하는 RF(Radio Frequency) 송신기(Tx) 및 수신되는 신호를 저잡음 증폭하고 주파수를 하강 변환하는 RF 수신기(Rx)를 포함할 수 있다. 그리고 로라통신부(16)는 송신되는 신호를 변조하고, 수신되는 신호를 복조하는 모뎀(Modem)을 포함할 수 있다.

다음으로, 본 발명의 실시예에 따른 에너지관리장치(100)의 구성에 대해서 설명하기로 한다. 도 5는 본 발명의 실시예에 따른 에너지관리장치의 구성을 설명하기 위한 블록도이다. 도 5를 참조하면, 본 발명의 실시예에 따른 에너지관리장치(100)는 통신부(110), 인공신경망(120), 입력부(130), 표시부(140), 저장부(150) 및 제어부(160)를 포함한다.

통신부(110)는 계측기(10), 에너지저장장치(300) 및 기상정보서버(500)와 통신을 위한 것이다. 통신부(110)는 계측기(10) 및 에너지저장장치(300)와 로라 통신을 통해 필요한 정보를 포함하는 데이터를 교환하기 위한 통신을 수행한다. 또한, 통신부(110)는 기상정보서버(500)와 IP 통신 프로토콜에 따른 통신을 수행할 수 있다. 통신부(110)는 계측기(10)로부터 계측기(10)가 측정한 전압, 전류 및 온도의 측정값 및 측정 시간을 수신할 수 있다. 또한, 통신부(110)는 기상정보서버(500)로부터 기상 정보를 수신할 수 있다. 통신부(110)는 전압, 전류 및 온도의 측정값 및 측정 시간, 그리고 기상 정보를 제어부(130)로 전달한다. 또한, 통신부(110)는 제어부(130)로부터 사용자장치(10) 또는 이동관리기(200)로 전송하기 위한 데이터를 전달 받으면, 전달 받은 데이터를 패킷으로 구성하여 전송한다. 예컨대, 통신부(110)는 에너지저장장치(300)로 제어 명령을 전송할 수 있다. 이러한 제어 명령은 에너지저장장치(300)로 하여금 공조, 공조, 충전, 방전, 밸런싱(cell balancing), 경보, 비상정지 등을 실행하도록 하기 위한 것이다.

인공신경망(120)은 시간벡터, 일기벡터, 복수의 전력소비벡터, 복수의 전력생산벡터 및 복수의 온도벡터를 입력받고, 이러한 입력값에 대한 연산을 통해 출력값을 출력한다. 일 실시예에 따르면, 인공신경망(120)은 에너지저장장치(300)가 실행해야하는 동작을 예측할 수 있다. 다른 실시예에 따르면, 인공신경망(120)은 에너지저장장치의 온도를 예측할 수 있다.

입력부(130)는 에너지관리장치(100)를 제어하기 위한 에너지관리장치(100)의 관리자인 사용자의 키 조작을 입력받고 입력 신호를 생성하여 제어부(160)에 전달한다. 입력부(130)는 에너지관리장치(100)를 제어하기 위한 각 종 키들을 포함할 수 있다. 입력부(130)는 표시부(140)이 터치스크린으로 이루어진 경우, 각 종 키들의 기능이 표시부(140)에서 이루어질 수 있으며, 터치스크린만으로 모든 기능을 수행할 수 있는 경우, 입력부(130)는 생략될 수도 있다.

표시부(140)는 에너지관리장치(100)의 메뉴, 입력된 데이터, 기능 설정 정보 및 기타 다양한 정보를 사용자에게 시각적으로 제공한다. 표시부(140)는 에너지관리장치(100)의 부팅 화면, 대기 화면, 메뉴 화면, 등의 화면을 출력하는 기능을 수행한다. 특히, 표시부(140)는 본 발명의 실시예에 따른 전력, 전압 및 온도 등을 예측하여 그래프로 나타내는 예측 영상을 화면으로 출력하는 기능을 수행한다. 이러한 표시부(140)는 액정표시장치(LCD, Liquid Crystal Display), 유기 발광 다이오드(OLED, Organic Light Emitting Diodes), 능동형 유기 발광 다이오드(AMOLED, Active Matrix Organic Light Emitting Diodes) 등으로 형성될 수 있다. 한편, 표시부(140)는 터치스크린으로 구현될 수 있다. 이러한 경우, 표시부(140)는 터치센서를 포함한다. 터치센서는 사용자의 터치 입력을 감지한다. 터치센서는 정전용량 방식(capacitive overlay), 압력식, 저항막 방식(resistive overlay), 적외선 감지 방식(infrared beam) 등의 터치 감지 센서로 구성되거나, 압력 감지 센서(pressure sensor)로 구성될 수도 있다. 상기 센서들 이외에도 물체의 접촉 또는 압력을 감지할 수 있는 모든 종류의 센서 기기가 본 발명의 터치센서로 이용될 수 있다. 터치센서는 사용자의 터치 입력을 감지하고, 감지 신호를 발생시켜 제어부(160)로 전송한다. 특히, 표시부(140)가 터치스크린으로 이루어진 경우, 입력부(130) 기능의 일부 또는 전부는 표시부(140)를 통해 이루어질 수 있다.

저장부(150)는 에너지관리장치(100)의 동작에 필요한 프로그램 및 데이터를 저장하는 역할을 수행한다. 특히, 저장부(150)는 에너지관리장치(100)의 운영에 따라 발생하는 데이터, 즉, 예컨대, 측정된 일기 및 예보된 일기, 전력, 전압, 온도의 측정값 및 측정시간, 시간벡터, 일기벡터, 전력소비벡터, 전력생산벡터, 온도벡터, 그리고, 예측된 전압, 전류 및 온도 등을 저장할 수 있다. 저장부(150)에 저장되는 각 종 데이터는 사용자의 조작에 따라, 삭제, 변경, 추가될 수 있다.

제어부(160)는 에너지관리장치(100)의 전반적인 동작 및 에너지관리장치(100)의 내부 블록들 간 신호 흐름을 제어하고, 데이터를 처리하는 데이터 처리 기능을 수행할 수 있다. 또한, 제어부(160)는 기본적으로, 에너지관리장치(100)의 각 종 기능을 제어하는 역할을 수행한다. 제어부(160)는 중앙처리장치(CPU: Central Processing Unit), 디지털신호처리기(DSP: Digital Signal Processor) 등을 예시할 수 있다. 이러한 제어부(160)는 전처리부(161), 학습부(163), 처리부(165) 및 관리부(167)를 포함한다. 이러한 전처리부(161), 학습부(163), 처리부(165) 및 관리부(167)를 포함하는 제어부(160)의 동작에 대해서는 아래에서 더 상세하게 설명될 것이다.

다음으로, 본 발명의 실시예에 따른 인공신경망에 대해서 보다 상세하게 설명하기로 한다. 도 6 내지 도 13은 본 발명의 실시예에 따른 인공신경망(120)의 구성을 설명하기 위한 도면이다.

먼저, 도 6을 참조하면, 본 발명의 실시예에 따른 인공신경망(120)은 시간입력층(TIL), 일기입력층(WIL), 전력소비패턴망(PCN), 전력생산패턴망(PGN), 온도변화패턴망(TEN), 예측연산망(PCL) 및 출력층(OL)을 포함한다.

도 7을 참조하면, 시간입력층(TIL)은 인공신경망(120)이 입력 받는 데이터들이 생성된 시간인 측정 기간(T1)과, 측정 기간 이후에 인공신경망(120)이 예측해야할 기간을 나타내는 예측 기간(T2)을 나타내는 복수의 시간벡터를 입력받기 위한 것이다. 시간입력층(TIL)은 측정 기간(T1) 및 예측 기간(T2)을 포함하는 복수의 시간, 즉, 제1 시간 내지 제n 시간 각각을 시간벡터로 입력받을 수 있다. 제어부(160)의 전처리부(161)는 통신부(110)를 통해 복수의 계측기(10)로부터 전류, 전압 및 온도의 측정값과 함께 측정 시간을 수신한다. 그러면, 전처리부(161)는 해당 측정 시간으로부터 시간벡터를 생성한다. 이때, 전처리부(161)는 시간, 즉, 측정 시간을 계절, 일 및 시간에 따라 구분하는 원핫인코딩(one-hot encoding)을 통해 시간벡터를 생성한다. 도 7에 도시된 8차원의 시간벡터 [0 1 0 1 0 0 1 0]은 계절이 여름이고, 휴일이며, 12시~18시 사이의 시간을 나타낸다. 시간입력층(TIL)의 복수의 시간벡터는 예측연산망(PCL)에 입력된다.

도 8을 참조하면, 일기입력층(WIL)은 측정 기간(T1) 동안 관측된 일기 및 예측 기간(T2)에 대해 예보된 일기를 나타내는 일기벡터를 입력받기 위한 것이다. 일기입력층(WIL)은 측정 기간(T1) 및 예측 기간(T2)을 포함하는 기간 동안의 관측되거나, 예보된 일기를 나타내는 복수의 일기, 즉, 제1 일기 내지 제n 일기 각각을 일기벡터로 입력받을 수 있다. 제어부(160)의 전처리부(161)는 통신부(110)를 통해 기상정보서버(500)로부터 측정 기간(T1) 및 예측 기간(T2)을 포함하는 기간 동안의 관측되거나, 예보된 일기를 수신할 수 있다. 그러면, 전처리부(161)는 시간벡터에 대응하는 일기를 추출하고, 추출된 일기를 시간벡터에 대응하는 일기벡터를 생성한다. 이때, 전처리부(161)는 일기를 날씨 및 온도(최저 기온/최고 기온)에 따라 구분하는 원핫인코딩(one-hot encoding)을 통해 일기벡터를 생성한다. 예컨대, 전처리부(161)는 맑은 날씨에, 최저 기온이 ??1도이고, 최고 기온이 10도이면, 도 8에 도시된 바와 같은 8차원의 일기벡터 [0 0 0 1 1 1 0 0]으로 원핫인코딩할 수 있다. 이러한 일기입력층(WIL)의 복수의 일기벡터는 예측연산망(PCL)에 입력된다.

도 9를 참조하면, 전력소비패턴망(PCN), 전력생산패턴망(PGN) 및 온도변화패턴망(TEN)은 그 자체로 하나의 인공신경망 알고리즘이 될 수 있다. 전력소비패턴망(PCN), 전력생산패턴망(PGN) 및 온도변화패턴망(TEN)은 RNN(Recurrent Neural Network), LTSM(Long Short-Term Memory models), GRU(Gated recurrent unit) 등을 예시할 수 있다.

전력소비패턴망(PCN), 전력생산패턴망(PGN) 및 온도변화패턴망(TEN)은 공히 입력계층, 은닉계층 및 출력계층을 포함하며, 다른 부분과 용어가 혼용되지 않도록 전력소비패턴망(PCN), 전력생산패턴망(PGN) 및 온도변화패턴망(TEN)의 입력계층, 은닉계층 및 출력계층을 각각 순환입력층(RIN), 순환은닉층(RHL) 및 순환출력층(ROL)이라고 칭하기로 한다.

또한, 순환입력층(RIN), 순환은닉층(RHL) 및 순환출력층(ROL)은 공히 복수의 스테이지로 이루어지며, 도 9에는 4개의 스테이지(S1, S2, S3, S4)로 이루어지는 것으로 설명하지만 본 발명을 이에 한정하는 것은 아니며, 스테이지의 수는 버퍼로 사용 가능한 메모리의 용량을 포함하는 하드웨어의 규격 및 예측하고자하는 측정 기간 혹은 예측 기간의 시간벡터의 수에 따라 달라질 수 있다.

도 9에 도시된 바와 같이, 순환입력층(RIN)은 복수의 입력셀(IC)을 포함하며, 순환은닉층(RHL)은 복수의 은닉셀(HC)을 포함하며, 순환출력층(ROL)은 복수의 출력셀(OC)을 포함한다. 그리고 스테이지 별로 하나의 입력셀(IC), 은닉셀(HC) 및 출력셀(OC)이 배치된다.

순환입력층(RIL)의 복수의 입력셀(IC) 각각에는 전력소비벡터, 전력생산벡터 및 온도벡터 등의 벡터가 입력된다. 이때, 전력소비벡터, 전력생산벡터 및 온도벡터 등의 벡터는 측정된 순서에 따라 입력된다. 여기서, 전력소비벡터, 전력생산벡터 및 온도벡터 등의 벡터를 생성하는 방법에 대해서 설명한다.

도 1, 도 5 및 도 9를 참조하면, 제어부(160)의 전처리부(161)는 통신부(110)를 통해 복수의 계측기(10)로부터 측정 대상 및 측정 시간을 포함하는 전압, 전류, 온도의 측정값을 수신하고, 측정 대상에 따라 측정값을 분류하여 전력소비벡터, 전력생산벡터 및 온도벡터를 생성한다. 특히, 전처리부(161)는 측정 시간 별로 그 순서에 따라 시계열적으로 구분하여 전력소비벡터, 전력생산벡터 및 온도벡터를 생성한다.

전력소비벡터는 에너지저장장치(300)로부터 출력되어 부하(400)에 입력되는 전력 및 전류를 측정한 측정값이 소정의 벡터 공간에 임베딩(embedding)되어 생성된다. 이를 위하여, 전처리부(161)는 측정 대상을 통해 에너지저장장치(300)로부터 출력되거나, 부하(400)에 입력되는 전력 및 전류의 측정값을 추출하고, 추출된 측정값으로부터 측정 시간에 따라 순차로 시간벡터를 생성한다. 즉, 도 1을 참조하면, 전처리부(161)는 제4 계측기(14)로부터 수신된 에너지저장장치(300)에서 출력되는 전류, 전압(ci1, cv1)과, 제3 계측기(13)로부터 수신된 제2 전력변환기(22)에서 출력되는 전류, 전압(ci2, cv2)과, 제5 계측기(15)로부터 수신된 제3 전력변환기(23)에 입력되는 전류, 전압(ci3, cv3)과 제3 전력변환기(23)로부터 출력되는 전류, 전압(ci4, cv4)을 검출하고, 검출된 전류, 전압의 측정값을 소정의 벡터 공간에 임베딩(embedding)하여 [ci1, cv1, ci2, cv2, ci3, cv3, ci4, cv4]와 같이 8차원의 벡터인 전력소비벡터를 생성할 수 있다.

전력생산벡터는 태양광발전기(200)로부터 출력되어 에너지저장장치(300)에 입력되는 전력 및 전류를 측정한 측정값이 소정의 벡터 공간에 임베딩되어 생성된다. 이를 위하여, 전처리부(161)는 측정 대상을 통해 태양광발전기(200)로부터 출력되거나, 에너지저장장치(300)에 입력되는 전력 및 전류의 측정값을 추출하고, 추출된 측정값으로부터 측정 시간에 따라 순차로 시간벡터를 생성한다. 즉, 도 1을 참조하면, 전처리부(161)는 측정 대상을 통해 제1 계측기(11)로부터 수신된 태양광발전기(200)에서 출력되는 전류, 전압(gi1, gv1), 제2 계측기(12)로부터 수신된 제1 전력변환기(21)에서 출력되는 전류, 전압(gi2, gv2), 제3 계측기(13)로부터 수신된 제2 전력변환기(22)에 입력되는 전류, 전압(gi3, gv3) 및 제4 계측기(14)로부터 수신된 에너지저장장치(300)에 입력되는 전류, 전압(gi4, gv4)을 검출하고, 검출된 전류, 전압의 측정값을 소정의 벡터 공간에 임베딩(embedding)하여 [gi1, gv1, gi2, gv2, gi3, gv3, gi4, gv4]와 같이 8차원의 벡터인 전력생산벡터를 생성할 수 있다.

온도벡터는 에너지저장장치(300)의 복수의 위치의 온도가 벡터 공간에 임베딩되어 생성된다. 이를 위하여, 전처리부(161)는 측정 대상을 통해 에너지저장장치(300)의 복수의 위치의 온도를 측정한 측정값을 추출하고, 추출된 측정값으로부터 측정 시간에 따라 순차로 시간벡터를 생성한다. 즉, 도 1을 참조하면, 전처리부(161)는 측정 대상을 통해 제4 계측기(11)로부터 수신된 에너지저장장치(300)의 복수의 위치의 온도에 대한 측정값을 검출한다. 이 실시예에서 제4 계측기(10d)는 4개의 온도센서(13)를 가지며, 에너지저장장치(300)의 4곳의 위치에 분산되어 설치되어 설치된 4곳의 위치 각각의 온도를 개별적으로 측정하여 전송하였다고 가정한다. 이에 따라, 전처리부(161)는 에너지저장장치(300) 내의 4곳의 온도 측정값(te1, te2, te3, te4)을 검출한 후, 검출된 4개의 온도의 측정값(te1, te2, te3, te4)으로부터 최대값(teh), 최소값(tel), 평균값(tea) 및 정규분포(ted)를 산출하고, 측정값(te1, te2, te3, te4)과, 최대값(teh), 최소값(tel), 평균값(tea) 및 정규분포(ted)를 소정의 벡터 공간에 임베딩(embedding)하여 [te1, te2, te3, te4, teh, tel, tea, ted]와 같이 8차원의 벡터인 온도벡터를 생성할 수 있다.

전술한 바와 같이 생성된 전력소비벡터, 전력생산벡터 및 온도벡터는 순환입력층(RIL)의 복수의 입력셀(IC)에 입력되면, 복수의 입력셀(IC)은 입력된 전력소비벡터, 전력생산벡터 및 온도벡터를 순한은닉층(RHL)의 복수의 은닉셀(HC) 각각에 입력한다.

도 10을 참조하면, 은닉셀(HC)은 가중치(Weight, Wx, Wh, Wy)가 적용되는 하나 이상의 연산으로 이루어진다. 여기서, 연산은 활성화함수(Activation Function)를 적용한 연산을 의미한다. 활성화함수는 시그모이드(Sigmoid), 하이퍼볼릭탄젠트(tanh: Hyperbolic tangent), ELU(Exponential Linear Unit), ReLU(Rectified Linear Unit), Leakly ReLU, Maxout, Minout, Softmax 등을 예시할 수 있다. 또한, 하나의 은닉셀(HC)에서 가중치는 입력값 Xt에 적용되는 입력 가중치 Wx, 이전 스테이지의 상태값 Ht-1에 대해 적용되는 상태 가중치 Wh 및 출력값 Yt에 대해 적용되는 출력 가중치 Wy를 포함한다.

예컨대, 은닉셀에 적용되는 가중치가 적용되는 연산은 다음의 수학식 1을 예시할 수 있다.

여기서, tanh 함수, ReLU 함수는 다른 활성화함수로 변경될 수 있다.

도 10 및 수학식 1을 참조하면, 복수의 은닉셀(HC) 각각은 이전 스테이지의 은닉셀(HC)이 연산한 이전 스테이지의 상태값과 자신의 스테이지의 입력값을 통해 가중치가 적용되는 연산을 수행하여 출력값을 산출한다. 한편, 첫 번째 은닉셀(HC)의 경우, 최초 입력 X1에서 이전 스테이지의 상태값은 존재하지 않지만, 입력 벡터열의 길이가 은닉셀(HC)의 길이 4를 초과하는 경우, 예컨대, 입력 벡터열의 길이가 5이면, 5번째 벡터의 입력값 X5는 첫 번째 은닉셀(HC)에 입력되며, 이때, 4번째 은닉셀이 연산한 상태값이 첫 번째 은닉셀(HC)에 제공될 수 있다.

정리하면, 전력소비패턴망(PCN), 전력생산패턴망(PGN), 온도변화패턴망(TEN) 각각에 전력소비벡터, 전력생산벡터 및 온도벡터가 입력되면, 가중치가 적용되는 연산을 통해 출력값을 출력한다. 각각에 대해 설명하면 다음과 같다.

전력소비패턴망(PCN)은 측정 기간 동안 측정된 부하(400)의 전력소비량을 나타내는 복수의 전력소비벡터가 측정된 순서대로 입력되면(예컨대, 길이 4의 전력소비벡터 X1, X2, X3, X4를 포함하는 벡터열이 X1, X2, X3, X4 순서로 입력되면), 복수의 전력소비벡터에 대해 가중치(예컨대, Wx, Wh, Wy)가 적용되는 연산(예컨대, tahh, ReLU)을 통해 상기 예측 기간 동안의 전력소비량을 예측하여 예측소비전력벡터(예컨대, Y1, Y2, Y3, Y4 중 Y4)를 출력한다. 이때, 다른 출력(Y1, Y2, Y3)은 사용하지 않을 수 있다.

전력생산패턴망(PGN)은 측정 기간 동안 측정된 태양광발전기(200)의 전력생산량을 나타내는 복수의 전력생산벡터가 측정된 순서대로 입력되면(예컨대, 길이 4의 전력생산벡터 X1, X2, X3, X4를 포함하는 벡터열이 X1, X2, X3, X4 순서로 입력되면), 복수의 전력생산벡터에 대해 가중치(예컨대, Wx, Wh, Wy)가 적용되는 연산(예컨대, tahh, ReLU)을 통해 예측 기간 동안의 전력생산량을 예측하여 예측전력생산벡터(예컨대, Y1, Y2, Y3, Y4 중 Y4)를 출력한다. 이때, 다른 출력(Y1, Y2, Y3)은 사용하지 않을 수 있다.

온도변화패턴망(TEN)은 측정 기간 동안 측정된 에너지저장장치(300)의 온도를 나타내는 복수의 온도벡터가 측정된 순서대로 입력되면(예컨대, 길이 4의 온도벡터 X1, X2, X3, X4를 포함하는 벡터열이 X1, X2, X3, X4 순서로 입력되면), 복수의 온도벡터에 대해 가중치(예컨대, Wx, Wh, Wy)가 적용되는 연산(예컨대, tahh, ReLU)을 통해 예측 기간 동안의 온도를 예측하여 예측온도벡터(예컨대, Y1, Y2, Y3, Y4 중 Y4)를 출력한다. 이때, 다른 출력(Y1, Y2, Y3)은 사용하지 않을 수 있다.

전력소비패턴망(PCN), 전력생산패턴망(PGN), 온도변화패턴망(TEN) 각각의 순환출력층(ROL)은 복수의 출력셀(OC) 중 마지막 출력셀(OC)이 전력소비패턴망(PCN), 전력생산패턴망(PGN), 온도변화패턴망(TEN) 각각의 최종 출력인 예측소비전력벡터, 예측전력생산벡터 및 예측온도벡터를 출력한다. 출력된 예측소비전력벡터, 예측전력생산벡터 및 예측온도벡터는 예측연산망(PCL)에 입력된다.

도 11을 참조하면, 예측연산망(PCL)은 가중치가 적용되는 복수의 연산을 포함하는 복수의 계층을 포함한다. 여기서, 가중치가 적용되는 복수의 연산을 포함하는 복수의 계층은 컨볼루션(Convolution) 연산을 수행하는 컨볼루션계층(CL: Convolution Layer), 다운샘플링(Down Sampling) 연산을 수행하는 풀링계층(PL: Pooling Layer), 소프트맥스(Soft-max) 연산을 수행하는 완전연결층(FL: Fully Connected Layer)을 포함한다. 컨볼루션 및 다운샘플링 연산 각각은 소정의 행렬로 이루어진 커널을 이용하며, 이러한 커널을 이루는 행렬의 원소의 값들이 가중치(w)가 된다. 또한, 소프트맥스 연산 또한 가중치(w)를 적용하여 수행된다. 예측연산망(PCL)은 시간벡터, 일기벡터, 예측소비전력벡터, 예측전력생산벡터 및 예측온도벡터가 입력되면, 가중치가 적용되는 복수의 연산, 즉, 컨벌루션, 다운샘플링 및 소프트맥스 연산을 통해 산출된 출력값을 출력층(OL)으로 출력한다.

다음으로, 도 12를 참조하여 본 발명의 제1 실시예를 설명한다. 본 발명의 제1 실시예에 따르면, 인공신경망(120)은 시간벡터, 일기벡터, 복수의 전력소비벡터, 복수의 전력생산벡터 및 복수의 온도벡터가 입력되면, 에너지저장장치(300)의 예측 시간의 예측된 온도를 나타내는 출력값을 각 온도에 대한 확률로 출력한다. 이때, 인공신경망(120)의 예측연산망(PCL)은 시간벡터, 일기벡터, 예측소비전력벡터, 예측전력생산벡터 및 예측온도벡터에 대해 가중치가 적용되는 연산을 통해 예측 기간 동안의 일기, 전력생산량, 전력소비량과 상관되어 예측된 온도를 나타내는 출력값을 출력한다.

제1 실시예에 따른, 출력계층(OL)은 완전연결층(FL)의 출력값을 저장한다. 출력계층(OL)은 복수의 출력 노드(O1 내지 O6)를 포함하며, 복수의 출력 노드(O1 내지 O6) 각각은 서로 다른 온도 범위에 대응한다. 그리고 복수의 출력 노드(O1 내지 O6) 각각의 값은 해당 노드의 온도가 예측 시간의 에너지저장장치(300)의 온도일 확률을 나타낸다. 예를 들면, 제1 내지 제6 출력 노드(O1 내지 O6)는 영하 11도 이하, 영하 10도에서 영하 1도, 0도에서 9도, 10도에서 19도, 20도에서 29도, 30도 이상의 온도에 대응한다고 가정한다. 이때, 완전연결층(FL)의 연산 결과에 따른 제1 내지 제6 출력 노드(O1 내지 O6)의 값이 0.01, 0.01, 0.13, 0.66, 0.17, 0.02가 될 수 있다. 이는 예측 시간의 에너지저장장치(300)의 온도가 영하 11도 이하일 확률이 1%, 영하 10도에서 영하 1도일 확률이 1%, 0도에서 9도일 확률이 13%, 10도에서 19도일 확률이 66%, 20도에서 29도일 확률이 17%, 30도 이상일 확률이 2%임을 나타낸다. 이에 따라, 에너지관리장치(100) 제어부(160)의 처리부(165)는 확률이 66%로 가장 높은 10도~19도를 예측 기간 동안의 에너지저장장치(300)의 온도로 예측할 수 있다. 이와 같이, 처리부(165)는 시간벡터, 일기벡터, 복수의 전력소비벡터, 복수의 전력생산벡터 및 복수의 온도벡터를 인공신경망(120)에 입력하고, 인공신경망(120)의 출력층(OL)을 통해 온도(범위) 별 확률인 출력값이 출력되면, 출력값에 따라 예측 기간 동안의 에너지저장장치(300)의 온도를 추정할 수 있다.

이어서, 도 13을 참조하여 본 발명의 제2 실시예를 설명한다. 본 발명의 제2 실시예에 따르면, 인공신경망(120)은 시간벡터, 일기벡터, 복수의 전력소비벡터, 복수의 전력생산벡터 및 복수의 온도벡터가 입력되면, 에너지저장장치(300)가 실행해야하는 동작을 확률로 나타내는 출력값을 출력한다. 이때, 인공신경망(120)의 예측연산망(PCL)은 시간벡터, 일기벡터, 예측소비전력벡터, 예측전력생산벡터 및 예측온도벡터에 대해 가중치가 적용되는 연산을 통해 예측 기간 동안의 일기, 전력생산량, 전력소비량, 온도와 상관되어 에너지저장장치(300)가 실행할 수 있는 태스크를 확률로 나타내는 출력값을 출력한다.

제2 실시예에 따르면, 출력층(OL)은 완전연결층(FL)의 출력값을 저장하며, 제2 실시예에 따른, 출력층(OL)은 복수의 출력 노드(O1 내지 O5)를 포함하며, 복수의 출력 노드(O1 내지 O5) 각각은 서로 다른 태스크에 대응한다. 그리고 복수의 출력 노드(O1 내지 O5) 각각의 값은 측정 기간 이후로부터 예측 기간의 전력소비량, 전력생산량 및 온도의 변화를 고려하여 현재 에너지저장장치(300)가 실행할 수 있거나, 실행해야 하는 태스크를 확률로 나타낸다. 예를 들면, 제1 내지 제5 출력 노드(O1 내지 O5) 각각에 대응하는 태스크는 충전, 방전, 셀밸런싱, 대기 및 비상정지라고 가정한다. 이때, 완전연결층(FL)의 연산 결과에 따른 제1 내지 제5 출력 노드(O1 내지 O5)의 값이 0.01, 0.00, 0.33, 0.66, 0.00가 될 수 있다. 이는 향후 전력소비량, 전력생산량 및 온도를 고려하였을 때, 현재 에너지저장장치(300)가 실행할 수 있거나, 실행해야 하는 태스크가 충전이 1%, 방전이 0%, 셀밸런싱이 37%, 대기가 62% 그리고 비상정지가 0%임을 나타낸다. 이에 따라, 에너지관리장치(100) 제어부(160)의 처리부(165)는 확률이 62%로 가장 높은 대기 태스크를 에너지저장장치(300)가 수행해야할 태스크로 선택할 수 있다. 이와 같이, 처리부(165)는 시간벡터, 일기벡터, 복수의 전력소비벡터, 복수의 전력생산벡터 및 복수의 온도벡터를 인공신경망(120)에 입력하고, 인공신경망(120)의 출력층(OL)을 통해 태스크 별 확률인 출력값이 출력되면, 출력값에 따라 에너지저장장치(300)의 태스크를 결정할 수 있다.

다음으로, 본 발명의 제1 실시예에 따른 에너지저장장치(300)를 관리하는 방법에 대해서 설명하기로 한다. 제1 실시예에 따라 에너지저장장치(300)의 온도를 예측하기 위해 인공신경망(120)을 학습시켜야 한다. 이에 따라, 본 발명의 제1 실시예에 따른 인공신경망(120)을 학습시키는 방법에 대해서 설명하기로 한다. 도 14는 본 발명의 제1 실시예에 따른 인공신경망을 학습시키는 방법을 설명하기 위한 흐름도이다.

도 14를 참조하면, 전처리부(161)는 S110 단계에서 학습 데이터를 마련한다. 학습 데이터는 과거의 데이터를 이용할 수 있다. 과거의 기간 중 제1 학습 기간과 제1 학습 기간 이후의 기간인 제2 학습 기간을 이용하여 학습 데이터를 마련한다고 가정하면, 전처리부(161)는 제1 학습 기간과 제2 학습 기간의 시간벡터, 일기벡터, 복수의 전력소비벡터, 복수의 전력생산벡터 및 복수의 온도벡터를 학습 데이터로 마련한다. 보다 자세히, 시간벡터는 제1 학습 기간과 제2 학습 기간을 나타낸다. 일기벡터는 제1 학습 기간 동안의 측정된 일기 및 제2 학습 기간 동안에 측정된 일기를 나타낸다. 복수의 전력소비벡터는 제1 학습 기간 동안 시계열로 측정된 전력소비량을 나타낸다. 복수의 전력생산벡터 제1 학습 기간 동안 시계열로 측정된 전력생산량을 나타낸다. 복수의 온도벡터는 제1 학습 기간 동안 측정된 에너지저장장치의 온도를 나타낸다.

학습부(163)는 S120 단계에서 학습 데이터인 시간벡터, 일기벡터, 복수의 전력소비벡터, 복수의 전력생산벡터 및 복수의 온도벡터를 인공신경망(120)에 입력한다. 이에 따라, 인공신경망(120)의 시간입력층(TIL)이 제1 학습 기간과 제2 학습 기간을 나타내는 시간벡터를 입력받고, 일기입력층(WIL)이 제1 학습 기간 동안의 측정된 일기 및 제2 학습 기간 동안에 측정된 일기를 나타내는 일기벡터를 입력받고, 전력소비패턴망(PCN)이 제1 학습 기간 동안 측정된 전력소비량을 나타내는 복수의 전력소비벡터를 측정된 순서대로 입력받고, 전력생산패턴망(PGN)이 제1 학습 기간 동안 측정된 전력생산량을 나타내는 복수의 전력생산벡터를 측정된 순서대로 입력받고, 온도변화패턴망(TEN)이 제1 학습 기간 동안 측정된 에너지저장장치(300)의 온도를 나타내는 복수의 온도벡터를 측정된 순서대로 입력받는다.

그러면, S130 단계에서 전력소비패턴망(PCN)이 복수의 전력생산벡터에 대해 가중치가 적용되는 연산을 통해 제2 학습 기간 동안의 전력생산량을 예측하여 예측전력생산벡터를 출력하고, 전력생산패턴망(PGN)이 복수의 전력소비벡터에 대해 가중치가 적용되는 연산을 통해 제2 학습 기간 동안의 전력소비량을 예측하여 예측소비전력벡터를 출력하고, 온도변화패턴망(TEN)이 복수의 온도벡터에 대해 가중치가 적용되는 연산을 통해 제2 학습 기간 동안의 온도를 예측하여 예측온도벡터를 출력한다.

그런 다음, 인공신경망(120)의 예측연산망(PCL)이 S140 단계에서 시간벡터, 일기벡터, 예측소비전력벡터, 예측전력생산벡터 및 예측온도벡터를 입력 받고, 입력된 시간벡터, 일기벡터, 예측소비전력벡터, 예측전력생산벡터 및 예측온도벡터에 대해 가중치가 적용되는 연산을 통해 출력값을 산출하고, 산출된 출력값을 출력한다.

그러면, 학습부(163)는 S150 단계에서 제2 학습 기간 동안에 측정된 에너지저장장치(300)의 온도를 목표값으로 설정하고, 출력값과 목표값의 차이가 최소가 되도록 역전파(Back Propagation)를 통해 인공신경망(120)의 가중치를 산출하여 인공신경망을 학습시킨다.

다음으로, 학습부(163)는 S160 단계에서 출력값과 목표값의 차이가 기 설정된 범위 이내인지 여부를 판단하여 학습 종료 여부를 결정한다. S160 단계의 판단 결과, 출력값과 목표값의 차이가 기 설정된 범위 이내가 아니면, S110 단계로 진행하여 전술한 S110 단계 내지 S150 단계를 반복한다. 이때, 학습부(163)는 다른 학습 데이터, 즉, 앞서 학습된 제1 학습 기간 및 제2 학습 기간과 다른 제1 학습 기간 및 제2 학습 기간을 가지는 시간벡터, 일기벡터, 복수의 전력소비벡터, 복수의 전력생산벡터 및 복수의 온도벡터를 이용하여 출력값과 목표값의 차이가 기 설정된 범위 이내가 될 때까지 전술한 S110 단계 내지 S150 단계를 반복할 수 있다. 반면, S160 단계의 판단 결과, 출력값과 목표값의 차이가 기 설정된 범위 이내이면, 학습을 종료한다.

그러면, 전술한 바와 같이 학습이 완료된 인공신경망 알고리즘 모델, 즉, 가중치가 결정된 인공신경망(200)을 이용하여 온도를 예측하여 에너지저장장치(300)를 관리하는 방법에 대해서 설명하기로 한다. 도 15는 본 발명의 실시예에 따른 에너지관리장치의 인공신경망을 이용한 에너지저장장치를 관리하기 위한 방법을 설명하기 위한 흐름도이다. 도 16은 본 발명의 실시예에 따른 에너지관리장치의 인공신경망을 이용한 에너지저장장치를 관리하기 위한 방법을 설명하기 위한 그래프이다.

도 15를 참조하면, 에너지관리장치(100) 제어부(160)의 전처리부(161)는 S210 단계에서 통신부(110)를 통해 기상정보서버(10)에 접속하여 기상정보서버(10)로부터 예측한 날씨 및 온도를 포함하는 일기 및 기상청이 계측한 날씨 및 온도를 포함하는 일기에 대한 정보를 포함하는 기상 정보를 수집할 수 있다.

한편, S220 단계에서 복수의 계측기(10: 10a, 10b, 10c, 10d, 10e) 각각은 자신이 장착된 장치, 즉, 복수의 전력변환기(20: 20a, 20b, 20c), 태양광발전기(200) 및 에너지저장장치(300)의 전압, 전력 및 온도를 측정한다. 그런 다음, 복수의 계측기(10: 10a, 10b, 10c, 10d, 10e) 각각은 S230 단계에서 전압, 전력 및 온도를 측정한 측정값, 측정 대상 및 측정 시간을 포함하는 측정 정보를 로라 통신을 통해 에너지관리장치(100)로 전송한다. 이에 따라, 에너지관리장치(100) 제어부(160)의 전처리부(161)는 통신부(110)를 통해 측정값, 측정 대상 및 측정 시간을 포함하는 측정 정보를 수신할 수 있다.

전술한 바와 같이, 예측한 날씨 및 온도를 포함하는 일기 및 기상청이 계측한 날씨 및 온도를 포함하는 일기에 대한 정보를 포함하는 기상 정보와, 측정값, 측정 대상 및 측정 시간을 포함하는 측정 정보를 수신하면, 전처리부(161)는 S240 단계에서 기상 정보 및 측정 정보로부터 분석 데이터를 마련하는 전처리를 수행한다. 분석 데이터는 분석 대상이 되는 측정값을 측정한 측정 기간과 측정 기간 이후이며 에너지저장장치(300)의 온도를 예측하고자 하는 기간인 예측 기간의 시간벡터 및 일기벡터와, 측정 기간의 복수의 전력소비벡터, 복수의 전력생산벡터 및 복수의 온도벡터를 포함한다. 보다 자세히, 시간벡터는 측정 기간 및 예측 기간을 나타낸다. 일기벡터는 측정 기간 동안 관측된 일기 및 예측 기간에 대해 예보된 일기를 나타낸다. 복수의 전력소비벡터는 측정 기간 동안 시계열로 측정된 전력소비량을 나타낸다. 복수의 전력생산벡터는 측정 기간 동안 시계열로 측정된 전력생산량을 나타낸다. 복수의 온도벡터는 측정 기간 동안 측정된 에너지저장장치의 온도를 나타낸다.

이어서, 처리부(165)는 S250 단계에서 학습 데이터인 시간벡터, 일기벡터, 복수의 전력소비벡터, 복수의 전력생산벡터 및 복수의 온도벡터를 인공신경망(120)에 입력한다. 이에 따라, 인공신경망(120)의 시간입력층(TIL)이 측정 기간 및 예측 기간을 나타내는 시간벡터를 입력받고, 일기입력층(WIL)이 측정 기간 동안 관측된 일기 및 예측 기간에 대해 예보된 일기를 나타내는 일기벡터를 입력받고, 전력소비패턴망(PCN)이 측정 기간 동안 측정된 전력소비량을 나타내는 복수의 전력소비벡터를 측정된 순서대로 입력받고, 전력생산패턴망(PGN)이 측정 기간 동안 측정된 전력생산량을 나타내는 복수의 전력생산벡터를 측정된 순서대로 입력받고, 온도변화패턴망(TEN)이 측정 기간 동안 측정된 에너지저장장치(300)의 온도를 나타내는 복수의 온도벡터를 측정된 순서대로 입력받는다.

그러면, S260 단계에서 전력소비패턴망(PCN)이 복수의 전력생산벡터에 대해 가중치가 적용되는 연산을 통해 예측 기간 동안의 전력생산량을 예측하여 예측전력생산벡터를 출력하고, 전력생산패턴망(PGN)이 복수의 전력소비벡터에 대해 가중치가 적용되는 연산을 통해 예측 기간 동안의 전력소비량을 예측하여 예측소비전력벡터를 출력하고, 온도변화패턴망(TEN)이 복수의 온도벡터에 대해 가중치가 적용되는 연산을 통해 예측 기간 동안의 온도를 예측하여 예측온도벡터를 출력한다.

그런 다음, 인공신경망(120)의 예측연산망(PCL)이 S270 단계에서 시간벡터, 일기벡터, 예측소비전력벡터, 예측전력생산벡터 및 예측온도벡터를 입력 받고, 입력된 시간벡터, 일기벡터, 예측소비전력벡터, 예측전력생산벡터 및 예측온도벡터에 대해 가중치가 적용되는 연산을 통해 출력값을 산출하여 출력층(OL)을 통해 출력한다. 여기서, 출력값은 동시간대의 예측 기간 동안의 예보된 일기, 예측된 전력생산량, 예측된 전력소비량과 상관되어 에너지저장장치(300)의 예측된 온도를 나타낸다. 즉, 본 발명의 실시에에 따른 인공신경망(120)은 전력소비패턴망(PCN) 및 전력생산패턴망(PGN)을 통해 전력 생산의 패턴 및 전력 소비의 패턴을 익히고 해당 기간의 전력생산량 및 전력소비량을 예측하고, 온도변화패턴망(TEN)을 통해 온도변화의 패턴을 익히고 1차로 해당 기간의 에너지저장장치(300)의 온도를 예측한다. 그리고 인공신경망(120)은 예측연산망(PCL)의 컨벌루션계층(CL)에서 시간벡터, 일기벡터, 예측소비전력벡터, 예측전력생산벡터 및 예측온도벡터를 통해 동일한 차원에서 상관을 가지도록 컨벌루션 연산을 수행함으로써 예측온도벡터를 통해 1차로 예측된 예측 온도에서 예측된 전력 생산량 및 전력 소비량에 따른 영향을 고려하여 최종적으로 출력값이 산출된다.

이와 같이, 인공신경망(120)이 출력값을 출력하면, 처리부(165)는 S280 단계에서 출력값에 따라 예측 기간 동안의 에너지저장장치(300)의 예측 온도를 도출한다. 예컨대, 도 12를 참조하면, 제1 내지 제6 출력 노드(O1 내지 O6)는 영하 11도 이하, 영하 10도에서 영하 1도, 0도에서 9도, 10도에서 19도, 20도에서 29도, 30도 이상의 온도에 대응한다고 가정한다. 이때, 제1 내지 제6 출력 노드(O1 내지 O6)로 출력된 출력값이 (0.01, 0.01, 0.02, 0.05, 0.12, 0.79)라고 가정한다. 이는 예측 시간의 에너지저장장치(300)의 온도가 영하 11도 이하일 확률이 1%, 영하 10도에서 영하 1도일 확률이 1%, 0도에서 9도일 확률이 2%, 10도에서 19도일 확률이 5%, 20도에서 29도일 확률이 12%, 30도 이상일 확률이 79%임을 나타낸다. 이에 따라, 에너지관리장치(100) 제어부(160)의 처리부(165)는 확률이 79%로 가장 높은 30도 이상을 예측 기간 동안의 에너지저장장치(300)의 온도로 예측할 수 있다.

에너지관리장치(100)는 예측된 온도에 따라 에너지저장장치(300)를 관리한다. 따라서 관리부(167)는 S290 단계에서 예측된 온도가 기 설정된 임계치 이상인지 여부를 판별한다.

S290 단계의 판단 결과, 임계치 미만인 경우, 공조가 필요하지 않은 것으로 판단하고, 전술한 S210 단계 내지 S280 단계를 반복한다. 반면, S290 단계의 판단 결과, 임계치 이상인 경우, 관리부(167)는 에너지저장장치(300)의 온도가 예측된 온도에 도달하지 않도록 S300 단계에서 통신부(110)를 통해 에너지저장장치(300)가 냉각을 수행하도록 제어 명령을 전송한다.

예컨대, 도 16에 도시된 바와 같이, 본 발명의 실시예에 따라 예측 기간에 에너지저장장치(300)의 온도가 임계 온도 이상으로 올라갈 것으로 예측된 경우, 관리부(167)는 통신부(110)를 통해 에너지저장장치(300)가 냉각을 수행하도록 제어 명령을 전송한다. 그러면, 에너지저장장치(300)는 시간 t1에서 제어 명령을 수신하고, 시간 t2에서 냉각을 실행할 수 있다. 반면, 종래의 기술에 따르면, 에너지저장장치(300)의 온도가 실제로 임계 온도 이상이 된 경우에만 공조를 수행하기 때문에 시간 t3에서 에너지저장장치(300)의 온도가 실제로 임계 온도 이상임을 감지하고, 시간 t4에서 일반 공조에 따른 냉각이 수행된다. 이러한 종래의 기술의 경우, 이미 온도가 높아진 상태에서 공조를 수행하기 때문에 낮은 온도에서 미래 예측하여 냉각을 수행하는 본 발명의 실시예 보다 통상적으로 2배 이상의 냉각 시간 및 에너지가 소모된다. 따라서 본 발명과 같이 예측에 의해 냉각 공조를 미리 수행하는 경우, 에너지를 절약할 수 있다.

다음으로, 본 발명의 제2 실시예에 따른 로라 통신에 기반의 태양광 발전 계측 및 관리를 위한 방법에 대해서 설명하기로 한다. 제2 실시예에 따른 관리를 위해서는 인공신경망(120)을 학습시켜야 한다. 이에 따라, 본 발명의 제2 실시예에 따른 인공신경망(120)을 학습시키는 방법에 대해서 설명하기로 한다. 도 17는 본 발명의 제2 실시예에 따른 인공신경망을 학습시키는 방법을 설명하기 위한 흐름도이다.

도 17을 참조하면, 전처리부(161)는 S310 단계에서 학습 데이터를 마련한다. 학습 데이터는 과거의 데이터를 이용할 수 있다. 과거의 기간 중 제1 학습 기간과 제1 학습 기간 이후의 기간인 제2 학습 기간을 이용하여 학습 데이터를 마련한다고 가정하면, 전처리부(161)는 제1 학습 기간과 제2 학습 기간의 시간벡터 및 일기벡터, 제1 학습 기간의 복수의 전력소비벡터, 복수의 전력생산벡터 및 복수의 온도벡터를 학습 데이터로 마련한다. 보다 자세히, 시간벡터는 제1 학습 기간과 제2 학습 기간을 나타낸다. 일기벡터는 제1 학습 기간 동안의 측정된 일기 및 제2 학습 기간 동안에 측정된 일기를 나타낸다. 복수의 전력소비벡터는 제1 학습 기간 동안 시계열로 측정된 전력소비량을 나타낸다. 복수의 전력생산벡터 제1 학습 기간 동안 시계열로 측정된 전력생산량을 나타낸다. 복수의 온도벡터는 제1 학습 기간 동안 측정된 에너지저장장치의 온도를 나타낸다.

학습부(163)는 S320 단계에서 학습 데이터인 시간벡터, 일기벡터, 복수의 전력소비벡터, 복수의 전력생산벡터 및 복수의 온도벡터를 인공신경망(120)에 입력한다. 이에 따라, 인공신경망(120)의 시간입력층(TIL)이 제1 학습 기간과 제2 학습 기간을 나타내는 시간벡터를 입력받고, 일기입력층(WIL)이 제1 학습 기간 동안의 측정된 일기 및 제2 학습 기간 동안에 측정된 일기를 나타내는 일기벡터를 입력받고, 전력소비패턴망(PCN)이 제1 학습 기간 동안 측정된 전력소비량을 나타내는 복수의 전력소비벡터를 측정된 순서대로 입력받고, 전력생산패턴망(PGN)이 제1 학습 기간 동안 측정된 전력생산량을 나타내는 복수의 전력생산벡터를 측정된 순서대로 입력받고, 온도변화패턴망(TEN)이 제1 학습 기간 동안 측정된 에너지저장장치(300)의 온도를 나타내는 복수의 온도벡터를 측정된 순서대로 입력받는다.

그러면, S330 단계에서 전력소비패턴망(PCN)이 복수의 전력생산벡터에 대해 가중치가 적용되는 연산을 통해 제2 학습 기간 동안의 전력생산량을 예측하여 예측전력생산벡터를 출력하고, 전력생산패턴망(PGN)이 복수의 전력소비벡터에 대해 가중치가 적용되는 연산을 통해 제2 학습 기간 동안의 전력소비량을 예측하여 예측소비전력벡터를 출력하고, 온도변화패턴망(TEN)이 복수의 온도벡터에 대해 가중치가 적용되는 연산을 통해 제2 학습 기간 동안의 온도를 예측하여 예측온도벡터를 출력한다.

그런 다음, 인공신경망(120)의 예측연산망(PCL)이 S340 단계에서 시간벡터, 일기벡터, 예측소비전력벡터, 예측전력생산벡터 및 예측온도벡터를 입력 받고, 입력된 시간벡터, 일기벡터, 예측소비전력벡터, 예측전력생산벡터 및 예측온도벡터에 대해 가중치가 적용되는 연산을 통해 출력값을 산출하고, 출력층(OL)을 통해 산출된 출력값을 출력한다. 여기서, 출력값은 복수의 태스크 각각에 대응하는 확률이다.

그러면, 학습부(163)는 S350 단계에서 제2 학습 기간 동안에 실행된 에너지저장장치(300)의 태스크를 목표값으로 설정한 후, 출력값과 목표값의 차이가 최소가 되도록 역전파(Back Propagation)를 통해 인공신경망(120)의 가중치를 산출하여 인공신경망을 학습시킨다. S350 단계에 대해 구체적인 예를 들어 설명하면 다음과 같다. 예컨대, 제1 내지 제5 출력 노드(O1 내지 O5) 각각에 대응하는 태스크는 충전, 방전, 셀밸런싱, 대기 모드 및 비상정지라고 가정한다. 또한, 제2 학습 기간 동안에 실행된 에너지저장장치(300)의 태스크가 방전이라고 가정한다. 그러면, 학습부(163)는 [O1+O3+O4+O5 ≤ 0.40], [O2 ?? 0.59]와 같이 제2 학습 기간 동안에 실행된 태스크 방전에 대응하는 확률이 60% 이상이면서 나머지 태스크 충전, 셀밸런싱, 대기 모드 및 비상정지에 대응하는 확률의 합이 40% 이하가 되도록 목표값을 설정할 수 있다. 또한, 앞서 S340 단계의 제1 내지 제5 출력 노드(O1 내지 O5)의 값인 출력값이 0.04, 0.33, 0.27, 0.25, 0.11이라고 가정한다. 그러면, 학습부(163)는 출력값 (0.04, 0.33, 0.27, 0.25, 0.11)과 목표값 ([O1+O3+O4+O5 ≤ 0.40], [O2 ?? 0.59])의 차이가 최소가 되도록 역전파(Back Propagation)를 통해 인공신경망(120)의 가중치를 산출할 수 있다.

다음으로, 학습부(163)는 S360 단계에서 출력값과 목표값의 차이가 기 설정된 범위 이내인지 여부를 판단하여 학습 종료 여부를 결정한다. S360 단계의 판단 결과, 출력값과 목표값의 차이가 기 설정된 범위 이내가 아니면, S310 단계로 진행하여 전술한 S310 단계 내지 S350 단계를 반복한다. 이때, 학습부(163)는 다른 학습 데이터, 즉, 앞서 학습된 제1 학습 기간 및 제2 학습 기간을 포함하는 학습 기간과 상이한 학습 기간의 시간벡터, 일기벡터, 복수의 전력소비벡터, 복수의 전력생산벡터 및 복수의 온도벡터를 이용하여 출력값과 목표값의 차이가 기 설정된 범위 이내가 될 때까지 전술한 S310 단계 내지 S350 단계를 반복할 수 있다. 반면, S360 단계의 판단 결과, 출력값과 목표값의 차이가 기 설정된 범위 이내이면, 학습을 종료한다.

그러면, 전술한 바와 같이 학습이 완료된 인공신경망 알고리즘 모델, 즉, 가중치가 결정된 인공신경망(200)을 이용하여 에너지저장장치(300)를 비롯한 태양광발전 시스템을 관리하는 방법에 대해서 설명하기로 한다. 도 18은 본 발명의 실시예에 따른 에너지관리장치의 태양광발전 시스템을 관리하는 방법을 설명하기 위한 흐름도이다. 도 19는 본 발명의 실시예에 따른 에너지관리장치의 태양광발전 시스템을 관리하는 방법을 설명하기 위한 그래프이다.

도 18을 참조하면, 에너지관리장치(100) 제어부(160)의 전처리부(161)는 S410 단계에서 통신부(110)를 통해 기상정보서버(10)에 접속하여 기상정보서버(10)로부터 예측한 날씨 및 온도를 포함하는 일기 및 기상청이 계측한 날씨 및 온도를 포함하는 일기에 대한 정보를 포함하는 기상 정보를 수집한다.

한편, 복수의 계측기(10: 10a, 10b, 10c, 10d, 10e) 각각은 S420 단계에서 자신이 장착된 장치, 즉, 복수의 전력변환기(20: 20a, 20b, 20c), 태양광발전기(200) 및 에너지저장장치(300)의 전압, 전력 및 온도를 측정한다. 그런 다음, 복수의 계측기(10: 10a, 10b, 10c, 10d, 10e) 각각은 S430 단계에서 전압, 전력 및 온도를 측정한 측정값, 측정 대상 및 측정 시간을 포함하는 측정 정보를 로라 통신을 통해 에너지관리장치(100)로 전송한다. 이에 따라, 에너지관리장치(100) 제어부(160)의 전처리부(161)는 통신부(110)를 통해 측정값, 측정 대상 및 측정 시간을 포함하는 측정 정보를 수신할 수 있다.

전술한 바와 같이, 전처리부(161)는 예측한 날씨 및 온도를 포함하는 일기 및 기상청이 계측한 날씨 및 온도를 포함하는 일기에 대한 정보를 포함하는 기상 정보와, 측정값, 측정 대상 및 측정 시간을 포함하는 측정 정보를 수신할 수 있다. 그러면, 전처리부(161)는 S440 단계에서 기상 정보 및 측정 정보로부터 분석 데이터를 마련하는 전처리를 수행한다. 분석 데이터는 분석 대상이 되는 측정값을 측정한 측정 기간과 측정 기간 이후이며 에너지저장장치(300)의 온도를 예측하고자 하는 기간인 예측 기간의 시간벡터 및 일기벡터와, 측정 기간의 복수의 전력소비벡터, 복수의 전력생산벡터 및 복수의 온도벡터를 포함한다. 보다 자세히, 시간벡터는 측정 기간 및 예측 기간을 나타낸다. 일기벡터는 측정 기간 동안 관측된 일기 및 예측 기간에 대해 예보된 일기를 나타낸다. 복수의 전력소비벡터는 측정 기간 동안 시계열로 측정된 전력소비량을 나타낸다. 복수의 전력생산벡터는 측정 기간 동안 시계열로 측정된 전력생산량을 나타낸다. 복수의 온도벡터는 측정 기간 동안 측정된 에너지저장장치의 온도를 나타낸다.

이어서, 처리부(165)는 S450 단계에서 분석 데이터인 시간벡터, 일기벡터, 복수의 전력소비벡터, 복수의 전력생산벡터 및 복수의 온도벡터를 인공신경망(120)에 입력한다. 이에 따라, 인공신경망(120)의 시간입력층(TIL)이 측정 기간 및 예측 기간을 나타내는 시간벡터를 입력받고, 일기입력층(WIL)이 측정 기간 동안 관측된 일기 및 예측 기간에 대해 예보된 일기를 나타내는 일기벡터를 입력받고, 전력소비패턴망(PCN)이 측정 기간 동안 측정된 전력소비량을 나타내는 복수의 전력소비벡터를 측정된 순서대로 입력받고, 전력생산패턴망(PGN)이 측정 기간 동안 측정된 전력생산량을 나타내는 복수의 전력생산벡터를 측정된 순서대로 입력받고, 온도변화패턴망(TEN)이 측정 기간 동안 측정된 에너지저장장치(300)의 온도를 나타내는 복수의 온도벡터를 측정된 순서대로 입력받는다.

그러면, S460 단계에서 전력소비패턴망(PCN)이 복수의 전력생산벡터에 대해 가중치가 적용되는 연산을 통해 예측 기간 동안의 전력생산량을 예측하여 예측전력생산벡터를 출력하고, 전력생산패턴망(PGN)이 복수의 전력소비벡터에 대해 가중치가 적용되는 연산을 통해 예측 기간 동안의 전력소비량을 예측하여 예측소비전력벡터를 출력하고, 온도변화패턴망(TEN)이 복수의 온도벡터에 대해 가중치가 적용되는 연산을 통해 예측 기간 동안의 온도를 예측하여 예측온도벡터를 출력한다.

그런 다음, 인공신경망(120)의 예측연산망(PCL)이 S470 단계에서 시간벡터, 일기벡터, 예측소비전력벡터, 예측전력생산벡터 및 예측온도벡터를 입력 받고, 입력된 시간벡터, 일기벡터, 예측소비전력벡터, 예측전력생산벡터 및 예측온도벡터에 대해 가중치가 적용되는 연산을 통해 출력값을 산출하여 출력층(OL)을 통해 출력한다. 여기서, 출력값은 측정 기간 이후로부터 예측 기간의 전력소비량, 전력생산량 및 온도 변화를 고려하여 현재 에너지저장장치(300)가 실행할 수 있거나, 실행해야 하는 태스크를 확률로 나타낸다. 즉, 본 발명의 실시에에 따른 인공신경망(120)은 측정 기간의 분석 데이터를 통해 전력소비패턴망(PCN), 전력생산패턴망(PGN) 및 온도변화패턴망(TEN)을 통해 연산을 반복(iteration)함에 따라 전력 생산의 패턴, 전력 소비의 패턴 및 온도 변화의 패턴의 특징을 추출하고 추출된 패턴에 해당 예측 기간의 전력 생산량, 전력 소비량 및 온도의 변화를 1차로 예측한다. 그리고 인공신경망(120)은 예측연산망(PCL)의 컨벌루션계층(CL)에서 시간벡터, 일기벡터, 예측소비전력벡터, 예측전력생산벡터 및 예측온도벡터를 통해 동일한 차원에서 상관을 가지도록 컨벌루션 연산을 수행함으로써 측정 기간 이후로부터 1차로 예측된 예측 기간의 전력소비량, 전력생산량 및 온도의 변화를 고려하여 최종적으로 에너지관리장치(100)가 "현재" 실행해야 하는 혹은 실행 가능한 태스크를 나타내는 출력값을 산출한다.

이와 같이, 인공신경망(120)이 출력값을 출력하면, 처리부(165)는 S480 단계에서 출력값에 따라 에너지저장장치(300)가 실행해야 하는 동작을 결정한다. 예컨대, 도 13을 참조하면, 예를 들면, 출력층(OL)은 제1 내지 제5 출력 노드(O1 내지 O5)를 포함하며, 제1 내지 제5 출력 노드(O1 내지 O5) 각각에 대응하는 태스크는 충전, 방전, 셀밸런싱, 대기 및 비상정지라고 가정한다. 이때, 제1 내지 제5 출력 노드(O1 내지 O5)의 출력값이 0.09, 0.75, 0.09, 0.06, 0.01이 될 수 있다. 이는 향후 전력소비량, 전력생산량 및 온도의 변화를 고려하였을 때, 현재 에너지저장장치(300)가 실행할 수 있거나, 실행해야 하는 태스크가 충전이 9%, 방전이 75%, 셀밸런싱이 9%, 대기가 6% 그리고 비상정지가 1%임을 나타낸다. 이에 따라, 에너지관리장치(100) 제어부(160)의 처리부(165)는 확률이 75%로 가장 높은 태스크인 방전을 에너지저장장치(300)가 수행해야할 태스크로 결정할 수 있다.

에너지관리장치(100)는 처리부(165)가 결정한 태스크를 에너지저장장치(300)가 실행하도록 관리한다. 따라서 관리부(167)는 S290 단계에서 에너지저장장치(300)가 처리부(165)가 결정한 태스크(예컨대, 방전)를 실행하도록 하는 제어 명령을 생성한 후, S300 단계에서 통신부(110)를 통해 에너지저장장치(300)로 해당 제어 명령을 전송한다.

예컨대, 도 19에 도시된 바와 같이, 출력값 도출 시점을 기준으로 전력 생산량은 감소 추세이고, 전력 소비량은 증가 추세이다. 하지만, 예측 기간을 고려하면, 실제 예측 기간의 전력 생산은 증가하고, 전력 소비는 감소하며, 온도의 변화는 적정 수준을 유지하고 있다. 따라서 본 발명의 실시예에 따른 인공신경망(120)은 예측 기간의 전력소비량, 전력생산량 및 온도의 변화를 에측하고, 이를 고려하여 최종적으로 에너지관리장치(100)가 "현재" 실행해야 하는 혹은 실행 가능한 태스크를 "방전"으로 결정할 수 있다. 따라서 향후 전력 생산량이 증가하고, 전력 소비량이 줄어들는 경우에도 에너지저장장치(300)는 생산된 전력을 저장할 수 있는 충분한 용량을 확보할 수 있다.

한편, 전술한 본 발명의 실시예에 따른 방법은 다양한 컴퓨터수단을 통하여 판독 가능한 프로그램 형태로 구현되어 컴퓨터로 판독 가능한 기록매체에 기록될 수 있다. 여기서, 기록매체는 프로그램 명령, 데이터 파일, 데이터구조 등을 단독으로 또는 조합하여 포함할 수 있다. 기록매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 예컨대 기록매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광 기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media) 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치를 포함한다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 와이어뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 와이어를 포함할 수 있다. 이러한 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

이상 본 발명을 몇 가지 바람직한 실시예를 사용하여 설명하였으나, 이들 실시예는 예시적인 것이며 한정적인 것이 아니다. 이와 같이, 본 발명이 속하는 기술분야에서 통상의 지식을 지닌 자라면 본 발명의 사상과 첨부된 특허청구범위에 제시된 권리범위에서 벗어나지 않으면서 균등론에 따라 다양한 변화와 수정을 가할 수 있음을 이해할 것이다.

10: 계측기
20: 전력변환기
100: 에너지관리장치
200: 태양광발전기
300: 에너지저장장치
400: 부하
500: 기상정보서버

Claims (7)

1. 태양광발전기가 생산한 전력을 저장하는 에너지저장장치와, 상기 태양광발전기 및 상기 에너지저장장치 중 적어도 하나로부터 전력을 공급받는 부하를 포함하는 시스템에서 로라(LoRa: Long Range) 통신 기반의 태양광 발전 계측 및 관리를 위한 장치에 있어서,
   복수의 계측기로부터 상기 에너지저장장치, 상기 태양광발전기 및 상기 부하에 대한 전력, 전류 및 온도를 측정한 측정값 및 측정한 시간을 로라 통신을 통해 수신하며, 기상정보서버로부터 일기에 대한 정보를 수신하는 통신부;
   상기 측정값을 기초로 복수의 전력소비벡터, 복수의 전력생산벡터 및 복수의 온도벡터를 생성하고, 상기 측정한 시간을 기초로 시간벡터를 생성하며, 상기 일기에 대한 정보를 기초로 일기벡터를 생성하는 전처리부;
   시간벡터, 일기벡터, 복수의 전력소비벡터, 복수의 전력생산벡터 및 복수의 온도벡터가 입력되면, 상기 에너지저장장치가 실행할 수 있는 태스크를 확률로 나타내는 출력값을 출력하는 인공신경망;
   상기 시간벡터, 상기 일기벡터, 상기 복수의 전력소비벡터, 상기 복수의 전력생산벡터 및 상기 복수의 온도벡터를 상기 인공신경망에 입력한 후, 상기 인공신경망이 상기 출력값을 출력하면, 상기 출력값에 따라 상기 에너지저장장치가 실행할 태스크를 결정하는 처리부; 및
   상기 에너지저장장치가 상기 결정된 태스크를 실행하도록 제어 명령을 생성하여 상기 통신부를 통해 상기 에너지저장장치로 전송하는 관리부;를 포함하는 것을 특징으로 하는
   로라 통신 기반의 태양광 발전 계측 및 관리를 위한 장치.
2. 제1항에 있어서,
   상기 인공신경망은
   측정 기간과 상기 측정 기간 이후의 기간인 예측 기간을 나타내는 상기 시간벡터를 입력받는 시간입력층;
   상기 측정 기간 동안의 측정된 일기 및 상기 예측 기간 동안에 예보된 일기를 나타내는 상기 일기벡터를 입력받는 일기입력층;
   상기 측정 기간 동안 측정된 상기 부하의 전력소비량을 나타내는 상기 복수의 전력소비벡터가 측정된 순서대로 입력되면, 상기 복수의 전력소비벡터에 대해 가중치가 적용되는 연산을 통해 상기 예측 기간 동안의 전력소비량을 예측하여 예측소비전력벡터를 출력하는 전력소비패턴망;
   상기 측정 기간 동안 측정된 상기 태양광발전기의 전력생산량을 나타내는 상기 복수의 전력생산벡터가 측정된 순서대로 입력되면, 상기 복수의 전력생산벡터에 대해 가중치가 적용되는 연산을 통해 상기 예측 기간 동안의 전력생산량을 예측하여 예측전력생산벡터를 출력하는 전력생산패턴망; 및
   상기 측정 기간 동안 측정된 상기 에너지저장장치의 온도를 나타내는 상기 복수의 온도벡터가 측정된 순서대로 입력되면, 상기 복수의 온도벡터에 대해 가중치가 적용되는 연산을 통해 상기 예측 기간 동안의 온도를 예측하여 예측온도벡터를 출력하는 온도변화패턴망; 및
   상기 시간벡터, 상기 일기벡터, 상기 예측소비전력벡터, 상기 예측전력생산벡터 및 상기 예측온도벡터에 대해 가중치가 적용되는 연산을 통해 산출된 상기 출력값을 출력층으로 출력하는 예측연산망; 및
   상기 출력값을 출력하는 상기 출력층;을 포함하는
   로라 통신 기반의 태양광 발전 계측 및 관리를 위한 장치.
3. 제1항에 있어서,
   상기 인공신경망은
   제1 학습 기간과 상기 제1 학습 기간 이후의 기간인 제2 학습 기간을 나타내는 시간벡터를 입력받는 시간입력층;
   상기 제1 학습 기간 동안의 측정된 일기 및 상기 제2 학습 기간 동안에 측정된 일기를 나타내는 상기 일기벡터를 입력받는 일기입력층;
   상기 제1 학습 기간 동안 측정된 상기 부하의 전력소비량을 나타내는 상기 복수의 전력소비벡터가 측정된 순서대로 입력되면, 상기 복수의 전력소비벡터에 대해 가중치가 적용되는 연산을 통해 상기 제2 학습 기간 동안의 전력소비량을 예측하여 예측소비전력벡터를 출력하는 전력소비패턴망;
   상기 제1 학습 기간 동안 측정된 상기 태양광발전기의 전력생산량을 나타내는 상기 복수의 전력생산벡터가 측정된 순서대로 입력되면, 상기 복수의 전력생산벡터에 대해 가중치가 적용되는 연산을 통해 상기 제2 학습 기간 동안의 전력생산량을 예측하여 예측전력생산벡터를 출력하는 전력생산패턴망; 및
   상기 제1 학습 기간 동안 측정된 상기 에너지저장장치의 온도를 나타내는 상기 복수의 온도벡터가 측정된 순서대로 입력되면, 상기 복수의 온도벡터에 대해 가중치가 적용되는 연산을 통해 상기 제2 학습 기간 동안의 온도를 예측하여 예측온도벡터를 출력하는 온도변화패턴망; 및
   상기 시간벡터, 상기 일기벡터, 상기 예측소비전력벡터, 상기 예측전력생산벡터 및 상기 예측온도벡터에 대해 가중치가 적용되는 연산을 통해 산출된 상기 출력값을 출력층으로 출력하는 예측연산망; 및
   상기 출력값을 출력하는 상기 출력층을 포함하며, 상기 장치는 상기 제2 학습 기간 동안에 상기 에너지저장장치가 실행한 태스크를 목표값으로 설정하고, 상기 출력값과 상기 목표값의 차이가 최소가 되도록 역전파(Back Propagation)를 통해 상기 가중치를 산출하는 학습부;를 더 포함하는 것을 특징으로 하는
   로라 통신 기반의 태양광 발전 계측 및 관리를 위한 장치.
4. 제2항에 있어서,
   상기 전력소비패턴망, 상기 전력생산패턴망 및 상기 온도변화패턴망 각각은
   복수의 스테이지로 이루어진 복수의 은닉셀을 포함하며,
   상기 복수의 은닉셀 각각은
   입력값과 이전 스테이지의 은닉셀이 산출한 이전 스테이지의 은닉 상태값을 입력 받고,
   상기 입력값과 상기 이전 스테이지의 은닉 상태값에 대해 가중치가 적용되는 연산을 통해 현재 스테이지의 은닉 상태값과 중간출력값을 도출하며,
   상기 복수의 은닉셀의 마지막 은닉셀의 중간출력값은
   상기 예측소비전력벡터, 상기 예측전력생산벡터 및 상기 예측온도벡터 중 어느 하나인 것을 특징으로 하는
   로라 통신 기반의 태양광 발전 계측 및 관리를 위한 장치.
5. 제1항에 있어서,
   상기 에너지저장장치로부터 출력되어 상기 부하에 입력되는 전력 및 전류를 측정한 측정값을 벡터 공간에 임베딩(embedding)하여 전력소비벡터를 생성하고,
   상기 태양광발전기로부터 출력되어 상기 에너지저장장치로 입력되는 전력 및 전류를 측정한 측정값을 벡터 공간에 임베딩하여 전력생산벡터를 소비벡터를 생성하며,
   상기 에너지저장장치의 소정 단위 기간 동안의 온도의 변화를 벡터 공간에 임베딩하여 온도벡터를 생성하고,
   시간을 계정, 일, 시간에 따라 구분하는 원핫인코딩(one-hot encoding)을 통해 시간벡터를 생성하며,
   일기를 날씨 및 온도를 구분하는 원핫인코딩을 통해 일기벡터를 생성하는 전처리부;를 더 포함하는 것을 특징으로 하는
   로라 통신 기반의 태양광 발전 계측 및 관리를 위한 장치.
6. 태양광발전기가 생산한 전력을 저장하는 에너지저장장치와, 상기 태양광발전기 및 상기 에너지저장장치 중 적어도 하나로부터 전력을 공급받는 부하를 포함하는 시스템에서 로라 통신 기반의 태양광 발전 계측 및 관리를 위한 방법에 있어서,
   인공신경망의 시간입력층이 제1 학습 기간과 상기 제1 학습 기간 이후의 기간인 제2 학습 기간을 나타내는 시간벡터를 입력받는 단계;
   인공신경망의 일기입력층이 상기 제1 학습 기간 동안의 측정된 일기 및 상기 제2 학습 기간 동안에 측정된 일기를 나타내는 상기 일기벡터를 입력받는 단계;
   인공신경망의 전력소비패턴망이 상기 제1 학습 기간 동안 측정된 상기 부하의 전력소비량을 나타내는 상기 복수의 전력소비벡터가 측정된 순서대로 입력되면, 상기 복수의 전력소비벡터에 대해 가중치가 적용되는 연산을 통해 상기 제2 학습 기간 동안의 전력소비량을 예측하여 예측소비전력벡터를 출력하는 단계;
   인공신경망의 전력생산패턴망이 상기 제1 학습 기간 동안 측정된 상기 태양광발전기의 전력생산량을 나타내는 상기 복수의 전력생산벡터가 측정된 순서대로 입력되면, 상기 복수의 전력생산벡터에 대해 가중치가 적용되는 연산을 통해 상기 제2 학습 기간 동안의 전력생산량을 예측하여 예측전력생산벡터를 출력하는 단계;
   인공신경망의 온도변화패턴망이 상기 제1 학습 기간 동안 측정된 상기 에너지저장장치의 온도를 나타내는 상기 복수의 온도벡터가 측정된 순서대로 입력되면, 상기 복수의 온도벡터에 대해 가중치가 적용되는 연산을 통해 상기 제2 학습 기간 동안의 온도를 예측하여 예측온도벡터를 출력하는 단계;
   인공신경망의 예측연산망이 상기 시간벡터, 상기 일기벡터, 상기 예측소비전력벡터, 상기 예측전력생산벡터 및 상기 예측온도벡터에 대해 가중치가 적용되는 연산을 통해 산출된 상기 출력값을 출력하는 단계; 및
   인공신경망의 출력층이 상기 출력값을 입력받아 출력하는 단계; 및
   학습부가 상기 제2 학습 기간 동안에 상기 에너지저장장치가 실행한 태스크에 따라 목표값을 설정하고, 상기 출력값과 상기 목표값의 차이가 최소가 되도록 역전파(Back Propagation)를 통해 상기 가중치를 산출하여 상기 인공신경망을 학습시키는 단계;를 포함하는 것을 특징으로 하는
   로라 통신 기반의 태양광 발전 계측 및 관리를 위한 방법.
7. 제6항에 있어서,
   상기 학습시키는 단계 후,
   상기 시간입력층이 측정 기간과 상기 측정 기간 이후의 기간인 예측 기간을 나타내는 상기 시간벡터를 입력받는 단계;
   상기 일기입력층이 상기 측정 기간 동안의 측정된 일기 및 상기 예측 기간 동안에 예보된 일기를 나타내는 상기 일기벡터를 입력받는 단계;
   상기 전력소비패턴망이 상기 측정 기간 동안 측정된 상기 부하의 전력소비량을 나타내는 상기 복수의 전력소비벡터가 측정된 순서대로 입력되면, 상기 복수의 전력소비벡터에 대해 가중치가 적용되는 연산을 통해 상기 예측 기간 동안의 전력소비량을 예측하여 예측소비전력벡터를 출력하는 단계;
   상기 전력생산패턴망이 상기 측정 기간 동안 측정된 상기 태양광발전기의 전력생산량을 나타내는 상기 복수의 전력생산벡터가 측정된 순서대로 입력되면, 상기 복수의 전력생산벡터에 대해 가중치가 적용되는 연산을 통해 상기 예측 기간 동안의 전력생산량을 예측하여 예측전력생산벡터를 출력하는 단계;
   온도변화패턴망이 상기 측정 기간 동안 측정된 상기 에너지저장장치의 온도를 나타내는 상기 복수의 온도벡터가 측정된 순서대로 입력되면, 상기 복수의 온도벡터에 대해 가중치가 적용되는 연산을 통해 상기 예측 기간 동안의 온도를 예측하여 예측온도벡터를 출력하는 단계;
   상기 예측연산망이 상기 시간벡터, 상기 일기벡터, 상기 예측소비전력벡터, 상기 예측전력생산벡터 및 상기 예측온도벡터에 대해 가중치가 적용되는 연산을 통해 산출된 상기 출력값을 상기 출력층을 통해 출력하는 단계;
   처리부가 상기 출력값에 따라 상기 예측 기간 동안 상기 에너지저장장치가 실행해야하는 태스크를 결정하는 단계; 및
   관리부가 상기 에너지저장장치가 상기 결정된 동작을 실행하도록 제어 명령을 생성하여 전송하는 단계;를 포함하는 것을 특징으로 하는
   로라 통신 기반의 태양광 발전 계측 및 관리를 위한 방법.

Images