KR20220099817A - Apparatus and method for scheduling battery using demand forecasting based on AI - Google Patents

Apparatus and method for scheduling battery using demand forecasting based on AI Download PDF

Info

Publication number
KR20220099817A
KR20220099817A KR1020210002146A KR20210002146A KR20220099817A KR 20220099817 A KR20220099817 A KR 20220099817A KR 1020210002146 A KR1020210002146 A KR 1020210002146A KR 20210002146 A KR20210002146 A KR 20210002146A KR 20220099817 A KR20220099817 A KR 20220099817A
Authority
KR
South Korea
Prior art keywords
scheduling
time period
demand
charging
time
Prior art date
Application number
KR1020210002146A
Other languages
Korean (ko)
Other versions
KR102502724B1 (en
Inventor
신용준
김선혁
Original Assignee
연세대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 연세대학교 산학협력단 filed Critical 연세대학교 산학협력단
Priority to KR1020210002146A priority Critical patent/KR102502724B1/en
Publication of KR20220099817A publication Critical patent/KR20220099817A/en
Application granted granted Critical
Publication of KR102502724B1 publication Critical patent/KR102502724B1/en

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
    • H02J2310/50—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads
    • H02J2310/56—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads characterised by the condition upon which the selective controlling is based
    • H02J2310/62—The condition being non-electrical, e.g. temperature
    • H02J2310/64—The condition being economic, e.g. tariff based load management

Abstract

According to the preferred embodiment of the present invention, provided are an apparatus and method for scheduling a battery using demand forecasting based on AI, which perform optimal charging and discharging scheduling on an electric vehicle (EV) or an energy storage system (ESS), based on a time-specific prediction demand obtained by using a long short-term memory (LSTM) -based demand forecasting model, so that optimized energy scheduling is determined for each time period, to reduce economic costs and improve the safety of a system load.

Description

인공지능 기반 수요 예측을 이용한 배터리 스케줄링 장치 및 방법{Apparatus and method for scheduling battery using demand forecasting based on AI}Apparatus and method for scheduling battery using demand forecasting based on AI

본 발명은 인공지능 기반 수요 예측을 이용한 배터리 스케줄링 장치 및 방법에 관한 것으로서, 더욱 상세하게는 전기 자동차(Electric Vehicle, EV) 또는 에너지 저장 시스템(Energy Storage System, ESS)의 충방전 스케줄링을 수행하는, 장치 및 방법에 관한 것이다.The present invention relates to a battery scheduling apparatus and method using artificial intelligence-based demand prediction, and more particularly, to perform charging/discharging scheduling of an electric vehicle (EV) or an energy storage system (ESS), It relates to an apparatus and method.

에너지 저장 시스템(Energy Storage System, ESS)을 활용한 에너지 스케줄링은 부족한 수요에 대해서는 추가적으로 공급하고, 공급이 과도한 경우에는 남는 에너지를 에너지 저장 시스템(ESS)에 저장하여 수요와 공급을 조정하는 것을 말한다.Energy scheduling using an energy storage system (ESS) refers to adjusting supply and demand by additionally supplying insufficient demand and storing excess energy in an energy storage system (ESS) when supply is excessive.

에너지 저장 시스템(ESS) 및 전기 자동차(Electric Vehicle, EV)에 포함된 다수의 배터리를 스케줄링하여 전력 부하를 효율적으로 관리 할 수 있고, 에너지 스케줄링 방법은 수요와 공급에 따라 유동적으로 변동될 수 있다.A plurality of batteries included in an energy storage system (ESS) and an electric vehicle (EV) can be scheduled to efficiently manage a power load, and an energy scheduling method can be flexibly changed according to supply and demand.

전력망(Grid) 및 전기 자동차(EV) 부하의 특성은 각 시간대 별로 모니터링될 수 있고, 각 부하의 특성은 시간에 따라 달라지며, 사용에 따른 요금 부과도 시간에 기반한 요금제에 따라 달라질 수 있고, 각 시간대에 적합한 충전/방전 레벨에 따라 적정한 에너지량을 충전/방전하여야 한다.The characteristics of the grid and electric vehicle (EV) loads can be monitored for each time period, and the characteristics of each load vary over time, and the charging according to usage can also vary depending on the time-based rate plan, and each An appropriate amount of energy should be charged/discharged according to the appropriate charge/discharge level at the time of day.

스케줄링은 수요와 공급을 고려하면서 경제적 비용을 최대한 절감하여야 하며, 종래의 스케줄링 방법에서는 각 시간대별로 변화하는 에너지 비용을 고려하지 못하기 때문에 경제적 효과를 얻기 어렵고, 에너지 스케줄링을 위해서는 사전에 전력망(Grid) 혹은 전기 자동차(EV)의 에너지 수요를 각 시간대별로 예측하여야 하는 문제가 있다.Scheduling should reduce economic costs as much as possible while considering supply and demand, and it is difficult to obtain economic effects because the conventional scheduling method does not take into account the energy cost that changes at each time period. Alternatively, there is a problem in that the energy demand of an electric vehicle (EV) must be predicted for each time period.

전기 자동차(EV)에서 스케줄링을 위해서는 기존의 시간 단위 스케줄링이 아닌 분 단위 스케줄링 및 예측 기술이 필요하고, 이에 정확한 수요 예측에 기반하여 각 시간대별 필요한 수요/공급에 따라 적합한 스케줄링이 제시되어야 한다.Scheduling in electric vehicles (EV) requires minute-by-minute scheduling and forecasting technology instead of conventional hour-based scheduling, and accordingly, based on accurate demand forecasting, appropriate scheduling needs to be presented according to the demand/supply required for each time zone.

본 발명이 이루고자 하는 목적은, 장단기 메모리(long short-term memory, LSTM) 기반 수요 예측 모델을 이용하여 획득한 시간대별 예측 수요를 기반으로, 전기 자동차(Electric Vehicle, EV) 또는 에너지 저장 시스템(Energy Storage System, ESS)의 최적의 충방전 스케줄링을 수행하는, 인공지능 기반 수요 예측을 이용한 배터리 스케줄링 장치 및 방법을 제공하는 데 있다.An object of the present invention is to achieve an electric vehicle (EV) or an energy storage system (Energy) based on a time-based forecasted demand obtained using a long short-term memory (LSTM)-based demand forecasting model. An object of the present invention is to provide a battery scheduling apparatus and method using artificial intelligence-based demand prediction, which performs optimal charge/discharge scheduling of a storage system (ESS).

본 발명의 명시되지 않은 또 다른 목적들은 하기의 상세한 설명 및 그 효과로부터 용이하게 추론할 수 있는 범위 내에서 추가적으로 고려될 수 있다.Other objects not specified in the present invention may be additionally considered within the scope that can be easily inferred from the following detailed description and effects thereof.

상기의 목적을 달성하기 위한 본 발명의 바람직한 실시예에 따른 인공지능 기반 수요 예측을 이용한 배터리 스케줄링 장치는, 학습 데이터를 토대로 학습된 장단기 메모리(long short-term memory, LSTM) 기반 수요 예측 모델을 이용하여 스케줄링 대상의 시간대별 예측 수요를 획득하는 수요 예측부; 상기 수요 예측부를 통해 획득된 상기 시간대별 예측 수요를 기반으로 상기 스케줄링 대상의 충전 스케줄링과 방전 스케줄링에 이용되는 시간 윈도우(Time Window, TW)를 결정하는 결정부; 및 워터-필링(Water-Filling) 알고리즘 및 상자 채우기 문제(Bin Packing Problem)를 이용하여, 상기 수요 예측부를 통해 획득된 상기 시간대별 예측 수요 및 미리 설정된 시간대별 요금과 공급량 정보를 기반으로, 상기 결정부를 통해 결정된 상기 시간 윈도우에 따른 시간 단위로 상기 스케줄링 대상의 충전 스케줄과 방전 스케줄을 획득하는 스케줄링부;를 포함한다.A battery scheduling apparatus using artificial intelligence-based demand prediction according to a preferred embodiment of the present invention for achieving the above object uses a long short-term memory (LSTM)-based demand prediction model learned based on learning data a demand forecasting unit to obtain a predicted demand for each time period of a scheduling target; a determination unit determining a time window (TW) used for charging scheduling and discharging scheduling of the scheduling target based on the time-specific predicted demand obtained through the demand prediction unit; and using a Water-Filling algorithm and a Bin Packing Problem, based on the predicted demand for each time period obtained through the demand forecasting unit, and preset time-specific rate and supply information, the determination is made and a scheduling unit for acquiring the charging schedule and the discharging schedule of the scheduling target in units of time according to the time window determined through the unit.

여기서, 상기 스케줄링부는, 상기 워터-필링 알고리즘을 이용하여 상기 시간 윈도우에 따른 시간대별로 최대 충전 용량과 최대 방전 용량을 획득하고, 상기 상자 채우기 문제를 이용하여 상기 시간대별 예측 수요, 상기 시간대별 요금과 공급량 정보 및 상기 시간대별 최대 충전 용량과 최대 방전 용량을 기반으로 상기 시간 윈도우에 따른 시간 단위로 상기 스케줄링 대상의 상기 충전 스케줄과 상기 방전 스케줄을 획득할 수 있다.Here, the scheduling unit obtains the maximum charge capacity and the maximum discharge capacity for each time zone according to the time window by using the water-filling algorithm, and uses the box filling problem to determine the predicted demand for each time period, the rate for each time period, and The charging schedule and the discharging schedule of the scheduling target may be acquired in units of time according to the time window based on the supply amount information and the maximum charging capacity and the maximum discharging capacity for each time period.

여기서, 상기 스케줄링부는, 상기 시간대별 예측 수요를 기반으로 충전 레벨을 획득하고, 상기 충전 레벨, 상기 시간대별 요금과 공급량 정보 및 상기 시간대별 최대 충전 용량을 기반으로 상기 스케줄링 대상의 상기 충전 스케줄을 획득하며, 상기 충전 레벨을 역변환하여 방전 레벨을 획득하고, 상기 방전 레벨, 상기 시간대별 요금과 공급량 정보 및 상기 시간대별 최대 방전 용량을 기반으로 상기 스케줄링 대상의 상기 방전 스케줄을 획득할 수 있다.Here, the scheduling unit obtains a charging level based on the predicted demand for each time period, and obtains the charging schedule of the scheduling target based on the charging level, the rate and supply amount information for each time period, and the maximum charging capacity for each time period and obtains a discharge level by inversely converting the charge level, and obtains the discharge schedule of the scheduling target based on the discharge level, the rate and supply amount information for each time period, and the maximum discharge capacity for each time period.

여기서, 상기 학습 데이터는, 전기 자동차의 운행 데이터 또는 전력망의 AMI(Advanced Metering Infrastructure) 데이터일 수 있다.Here, the learning data may be driving data of an electric vehicle or AMI (Advanced Metering Infrastructure) data of a power grid.

상기의 목적을 달성하기 위한 본 발명의 바람직한 실시예에 따른 인공지능 기반 수요 예측을 이용한 배터리 스케줄링 방법은, 학습 데이터를 토대로 학습된 장단기 메모리(long short-term memory, LSTM) 기반 수요 예측 모델을 이용하여 스케줄링 대상의 시간대별 예측 수요를 획득하는 단계; 상기 시간대별 예측 수요를 기반으로 상기 스케줄링 대상의 충전 스케줄링과 방전 스케줄링에 이용되는 시간 윈도우(Time Window, TW)를 결정하는 단계; 및 워터-필링(Water-Filling) 알고리즘 및 상자 채우기 문제(Bin Packing Problem)를 이용하여, 상기 시간대별 예측 수요 및 미리 설정된 시간대별 요금과 공급량 정보를 기반으로, 상기 시간 윈도우에 따른 시간 단위로 상기 스케줄링 대상의 충전 스케줄과 방전 스케줄을 획득하는 단계;를 포함한다.A battery scheduling method using artificial intelligence-based demand prediction according to a preferred embodiment of the present invention for achieving the above object uses a long short-term memory (LSTM)-based demand prediction model learned based on learning data to obtain a forecast demand for each time period of a scheduling target; determining a time window (TW) used for charging scheduling and discharging scheduling of the scheduling target based on the predicted demand for each time period; and using a Water-Filling algorithm and a Bin Packing Problem, based on the predicted demand for each time period and preset time-specific rate and supply information, in units of time according to the time window and acquiring a charging schedule and a discharging schedule of a scheduling target.

본 발명의 바람직한 실시예에 따른 인공지능 기반 수요 예측을 이용한 배터리 스케줄링 장치 및 방법에 의하면, 장단기 메모리(long short-term memory, LSTM) 기반 수요 예측 모델을 이용하여 획득한 시간대별 예측 수요를 기반으로, 전기 자동차(Electric Vehicle, EV) 또는 에너지 저장 시스템(Energy Storage System, ESS)의 최적의 충방전 스케줄링을 수행함으로써, 각 시간대별로 최적화된 에너지 스케줄링을 결정하여 경제적 비용의 절감 및 시스템 부하의 안전성을 향상시킬 수 있다.According to the battery scheduling apparatus and method using artificial intelligence-based demand forecasting according to a preferred embodiment of the present invention, based on the forecasted demand for each time period obtained using a long short-term memory (LSTM)-based demand forecasting model, , by performing optimal charging/discharging scheduling of electric vehicles (EVs) or energy storage systems (ESSs), the optimal energy scheduling for each time period is determined to reduce economic costs and improve system load safety. can be improved

본 발명의 효과들은 이상에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.Effects of the present invention are not limited to the effects mentioned above, and other effects not mentioned will be clearly understood by those skilled in the art from the following description.

도 1은 본 발명의 바람직한 실시예에 따른 인공지능 기반 수요 예측을 이용한 배터리 스케줄링 장치를 설명하기 위한 블록도이다.
도 2는 본 발명의 바람직한 실시예에 따른 장단기 메모리(long short-term memory, LSTM)를 설명하기 위한 도면이다.
도 3은 본 발명의 바람직한 실시예에 따른 충전 레벨과 방전 레벨의 획득 과정을 설명하기 위한 도면이다.
도 4는 본 발명의 바람직한 실시예에 따른 최대 충전 용량과 최대 방전 용량의 획득 과정을 설명하기 위한 도면이다.
도 5는 본 발명의 바람직한 실시예에 따른 충전 스케줄과 방전 스케줄의 획득 과정을 설명하기 위한 도면으로, 시간대별 가중치 획득 과정을 나타낸다.
도 6은 본 발명의 바람직한 실시예에 따른 충전 스케줄과 방전 스케줄의 획득 과정을 설명하기 위한 도면으로, 상자 채우기 문제(Bin Packing Problem)를 이용한 충전 스케줄과 방전 스케줄의 최적화 과정을 나타낸다.
도 7은 본 발명의 바람직한 실시예에 따른 스케줄링 대상의 충전 스케줄과 방전 스케줄의 일례를 설명하기 위한 도면으로, 도 7의 (a)는 시간 윈도우(Time Window, TW)가 5분인 경우를 나타내고, 도 7의 (b)는 시간 윈도우(TW)가 45분인 경우를 나타내며, 도 7의 (c)는 시간 윈도우(TW)가 60분인 경우를 나타내고, 도 7의 (d)는 시간 윈도우(TW)가 180분인 경우를 나타낸다.
도 8은 본 발명의 바람직한 실시예에 따른 시간 윈도우(TW)에 따른 충전 스케줄과 방전 스케줄의 최적화 결과 및 비용을 설명하기 위한 도면이다.
도 9는 본 발명의 바람직한 실시예에 따른 인공지능 기반 수요 예측을 이용한 배터리 스케줄링 방법을 설명하기 위한 흐름도이다.1 is a block diagram illustrating a battery scheduling apparatus using artificial intelligence-based demand prediction according to a preferred embodiment of the present invention.
2 is a diagram for explaining a long short-term memory (LSTM) according to a preferred embodiment of the present invention.
3 is a view for explaining a process of obtaining a charge level and a discharge level according to a preferred embodiment of the present invention.
4 is a view for explaining a process of obtaining a maximum charge capacity and a maximum discharge capacity according to a preferred embodiment of the present invention.
5 is a diagram for explaining a process of acquiring a charging schedule and a discharging schedule according to a preferred embodiment of the present invention, and shows a process of acquiring a weight for each time period.
6 is a diagram for explaining a process of obtaining a charging schedule and a discharging schedule according to a preferred embodiment of the present invention, and shows an optimization process of a charging schedule and a discharging schedule using a bin packing problem.
7 is a diagram for explaining an example of a charging schedule and a discharging schedule of a scheduling target according to a preferred embodiment of the present invention. FIG. 7(b) shows a case where the time window TW is 45 minutes, FIG. 7(c) shows a case where the time window TW is 60 minutes, and FIG. 7(d) shows a time window TW. is 180 minutes.
8 is a view for explaining the optimization result and cost of a charging schedule and a discharging schedule according to a time window (TW) according to a preferred embodiment of the present invention.
9 is a flowchart illustrating a battery scheduling method using artificial intelligence-based demand prediction according to a preferred embodiment of the present invention.

이하, 첨부된 도면을 참조하여 본 발명의 실시 예를 상세히 설명한다. 본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 게시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 게시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.Hereinafter, embodiments of the present invention will be described in detail with reference to the accompanying drawings. Advantages and features of the present invention, and a method of achieving them will become apparent with reference to the embodiments described below in detail in conjunction with the accompanying drawings. However, the present invention is not limited to the embodiments published below, but may be implemented in various different forms, and only these embodiments make the publication of the present invention complete, and common knowledge in the art to which the present invention pertains It is provided to fully inform those who have the scope of the invention, and the present invention is only defined by the scope of the claims. Like reference numerals refer to like elements throughout.

다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.Unless otherwise defined, all terms (including technical and scientific terms) used herein may be used with the meaning commonly understood by those of ordinary skill in the art to which the present invention belongs. In addition, terms defined in a commonly used dictionary are not to be interpreted ideally or excessively unless clearly defined in particular.

본 명세서에서 "제1", "제2" 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하기 위한 것으로, 이들 용어들에 의해 권리범위가 한정되어서는 아니 된다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다.In the present specification, terms such as “first” and “second” are for distinguishing one component from other components, and the scope of rights should not be limited by these terms. For example, a first component may be termed a second component, and similarly, a second component may also be termed a first component.

본 명세서에서 각 단계들에 있어 식별부호(예를 들어, a, b, c 등)는 설명의 편의를 위하여 사용되는 것으로 식별부호는 각 단계들의 순서를 설명하는 것이 아니며, 각 단계들은 문맥상 명백하게 특정 순서를 기재하지 않는 이상 명기된 순서와 다르게 일어날 수 있다. 즉, 각 단계들은 명기된 순서와 동일하게 일어날 수도 있고 실질적으로 동시에 수행될 수도 있으며 반대의 순서대로 수행될 수도 있다.In the present specification, identification symbols (eg, a, b, c, etc.) in each step are used for convenience of description, and identification symbols do not describe the order of each step, and each step is clearly Unless a specific order is specified, the order may differ from the specified order. That is, each step may occur in the same order as specified, may be performed substantially simultaneously, or may be performed in the reverse order.

본 명세서에서, "가진다", "가질 수 있다", "포함한다" 또는 "포함할 수 있다"등의 표현은 해당 특징(예: 수치, 기능, 동작, 또는 부품 등의 구성요소)의 존재를 가리키며, 추가적인 특징의 존재를 배제하지 않는다.In this specification, expressions such as “have”, “may have”, “include” or “may include” indicate the presence of a corresponding feature (eg, a numerical value, function, operation, or component such as a part). and does not exclude the presence of additional features.

또한, 본 명세서에 기재된 '~부'라는 용어는 소프트웨어 또는 FPGA(field-programmable gate array) 또는 ASIC과 같은 하드웨어 구성요소를 의미하며, '~부'는 어떤 역할들을 수행한다. 그렇지만 '~부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '~부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 '~부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로코드, 회로, 데이터 구조들 및 변수들을 포함한다. 구성요소들과 '~부'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '~부'들로 결합되거나 추가적인 구성요소들과 '~부'들로 더 분리될 수 있다.In addition, the term '~ unit' as used herein means software or a hardware component such as a field-programmable gate array (FPGA) or ASIC, and '~ unit' performs certain roles. However, '-part' is not limited to software or hardware. '~unit' may be configured to reside on an addressable storage medium or may be configured to refresh one or more processors. Thus, as an example, '~' denotes components such as software components, object-oriented software components, class components, and task components, and processes, functions, properties, and procedures. , subroutines, segments of program code, drivers, firmware, microcode, circuitry, data structures and variables. The functions provided in the components and '~ units' may be combined into a smaller number of components and '~ units' or further separated into additional components and '~ units'.

이하에서 첨부한 도면을 참조하여 본 발명에 따른 인공지능 기반 수요 예측을 이용한 배터리 스케줄링 장치 및 방법의 바람직한 실시예에 대해 상세하게 설명한다.Hereinafter, a preferred embodiment of a battery scheduling apparatus and method using artificial intelligence-based demand prediction according to the present invention will be described in detail with reference to the accompanying drawings.

먼저, 도 1 내지 도 6을 참조하여 본 발명의 바람직한 실시예에 따른 인공지능 기반 수요 예측을 이용한 배터리 스케줄링 장치에 대하여 설명한다.First, a battery scheduling apparatus using artificial intelligence-based demand prediction according to a preferred embodiment of the present invention will be described with reference to FIGS. 1 to 6 .

도 1은 본 발명의 바람직한 실시예에 따른 인공지능 기반 수요 예측을 이용한 배터리 스케줄링 장치를 설명하기 위한 블록도이고, 도 2는 본 발명의 바람직한 실시예에 따른 장단기 메모리(long short-term memory, LSTM)를 설명하기 위한 도면이며, 도 3은 본 발명의 바람직한 실시예에 따른 충전 레벨과 방전 레벨의 획득 과정을 설명하기 위한 도면이고, 도 4는 본 발명의 바람직한 실시예에 따른 최대 충전 용량과 최대 방전 용량의 획득 과정을 설명하기 위한 도면이며, 도 5는 본 발명의 바람직한 실시예에 따른 충전 스케줄과 방전 스케줄의 획득 과정을 설명하기 위한 도면으로, 시간대별 가중치 획득 과정을 나타내고, 도 6은 본 발명의 바람직한 실시예에 따른 충전 스케줄과 방전 스케줄의 획득 과정을 설명하기 위한 도면으로, 상자 채우기 문제(Bin Packing Problem)를 이용한 충전 스케줄과 방전 스케줄의 최적화 과정을 나타낸다.1 is a block diagram illustrating a battery scheduling apparatus using artificial intelligence-based demand prediction according to a preferred embodiment of the present invention, and FIG. 2 is a long short-term memory (LSTM) according to a preferred embodiment of the present invention. ), and FIG. 3 is a view for explaining a process of obtaining a charging level and a discharging level according to a preferred embodiment of the present invention, and FIG. 4 is a maximum charging capacity and maximum according to a preferred embodiment of the present invention. It is a view for explaining a process of acquiring a discharge capacity, and FIG. 5 is a view for explaining a process of acquiring a charging schedule and a discharging schedule according to a preferred embodiment of the present invention. As a diagram for explaining a process of acquiring a charging schedule and a discharging schedule according to a preferred embodiment of the present invention, a process of optimizing the charging schedule and the discharging schedule using the bin packing problem is shown.

도 1을 참조하면, 본 발명의 바람직한 실시예에 따른 인공지능 기반 수요 예측을 이용한 배터리 스케줄링 장치(이하 '배터리 스케줄링 장치'라 한다)(100)는 장단기 메모리(long short-term memory, LSTM) 기반 수요 예측 모델을 이용하여 획득한 시간대별 예측 수요를 기반으로, 전기 자동차(Electric Vehicle, EV) 또는 에너지 저장 시스템(Energy Storage System, ESS)의 최적의 충방전 스케줄링을 수행한다.Referring to FIG. 1 , a battery scheduling device (hereinafter referred to as a 'battery scheduling device') 100 using artificial intelligence-based demand prediction according to a preferred embodiment of the present invention 100 is a long short-term memory (LSTM) based Based on the predicted demand for each time period obtained using the demand prediction model, the optimal charging/discharging scheduling of an electric vehicle (EV) or an energy storage system (ESS) is performed.

이를 위해, 배터리 스케줄링 장치(100)는 수요 예측부(110), 결정부(130) 및 스케줄링부(150)를 포함할 수 있다.To this end, the battery scheduling apparatus 100 may include a demand predictor 110 , a determiner 130 , and a scheduling unit 150 .

수요 예측부(110)는 학습 데이터를 토대로 학습된 장단기 메모리(long short-term memory, LSTM) 기반 수요 예측 모델을 이용하여 스케줄링 대상의 시간대별 예측 수요를 획득한다.The demand prediction unit 110 acquires the predicted demand for each time period of the scheduling target by using a long short-term memory (LSTM)-based demand prediction model learned based on the training data.

여기서, 스케줄링 대상은 전기 자동차(Electric Vehicle, EV) 또는 에너지 저장 시스템(Energy Storage System, ESS) 등을 말한다.Here, the scheduling target refers to an electric vehicle (EV) or an energy storage system (ESS).

그리고, 학습 데이터는 전기 자동차(EV)의 운행 데이터 또는 전력망(Grid)의 AMI(Advanced Metering Infrastructure) 데이터일 수 있다.In addition, the learning data may be driving data of an electric vehicle (EV) or AMI (Advanced Metering Infrastructure) data of a grid.

즉, 수요 예측부(110)는 도 2에 도시된 바와 같은 장단기 메모리(LSTM)를 통해 스케줄링 대상의 미래에 대한 시간대별 예측 수요를 획득할 수 있다. 도 2를 참조하면, 장단기 메모리(LSTM)는 은닉 층의 메모리 셀에 입력 게이트, 망각 게이트 및 출력 게이트를 추가하여, 불필요한 기억을 지우고, 기억해야 할 데이터 값을 기억함으로써, 장기 의존성 문제를 해결한 인공지능 및 심층 신경만 기반 모델을 말한다. xt는 입력 값으로서, 전기 자동차(EV) 또는 전력망(Grid)의 수요 데이터를 나타낸다.That is, the demand forecasting unit 110 may acquire the predicted demand for each time period for the future of the scheduling target through the long and short-term memory (LSTM) as shown in FIG. 2 . 2, the long-term memory (LSTM) solves the long-term dependency problem by adding an input gate, a forget gate, and an output gate to the memory cell of the hidden layer, erasing unnecessary memory, and storing data values to be stored. It refers to a model based only on artificial intelligence and deep neural networks. x t is an input value and represents demand data of an electric vehicle (EV) or a power grid (Grid).

결정부(130)는 수요 예측부(110)를 통해 획득된 시간대별 예측 수요를 기반으로 스케줄링 대상의 충전 스케줄링과 방전 스케줄링에 이용되는 시간 윈도우(Time Window, TW)를 결정한다.The determination unit 130 determines a time window (Time Window, TW) used for charging scheduling and discharging scheduling of a scheduling target based on the predicted demand for each time period obtained through the demand prediction unit 110 .

즉, 결정부(130)는 스케줄링 대상의 미래에 대한 시간대별 예측 수요를 기반으로 스케줄링 대상에 적합한 시간 윈도우(TW)를 결정할 수 있다.That is, the determiner 130 may determine a time window TW suitable for the scheduling target based on the predicted demand for each time period for the future of the scheduling target.

여기서, 시간 윈도우(TW)는 전력망(Grid)의 AMI의 샘플링 속도와 에너지 저장 시스템(ESS)의 출력 지속 최대 시간(같은 출력으로 지속 가능한 최대 시간)을 고려하여 결정될 수 있다. 예컨대, 전력망(Grid)의 AMI 샘플링 속도가 5분 단위인 경우, 시간 윈도우(TW)의 최소값은 5분이고, 시간 윈도우(TW)의 최대값은 에너지 저장 시스템(ESS)의 출력 지속 최대 시간일 수 있다. 즉, 시간 윈도우(TW)는 5분 ~ ESS의 출력 지속 최대 시간 사이의 값으로 결정될 수 있다.Here, the time window TW may be determined in consideration of the sampling rate of the AMI of the grid and the maximum duration of output of the energy storage system (ESS) (the maximum duration that can be sustained with the same output). For example, if the AMI sampling rate of the grid is 5 minutes, the minimum value of the time window TW is 5 minutes, and the maximum value of the time window TW is the maximum output duration of the energy storage system (ESS). have. That is, the time window TW may be determined as a value between 5 minutes and the maximum output duration time of the ESS.

스케줄링부(150)는 워터-필링(Water-Filling) 알고리즘 및 상자 채우기 문제(Bin Packing Problem)를 이용하여, 수요 예측부(110)를 통해 획득된 시간대별 예측 수요 및 미리 설정된 시간대별 요금과 공급량 정보를 기반으로, 결정부(130)를 통해 결정된 시간 윈도우(TW)에 따른 시간 단위로 스케줄링 대상의 충전 스케줄과 방전 스케줄을 획득한다.The scheduling unit 150 uses a water-filling algorithm and a bin packing problem, and the predicted demand for each time period obtained through the demand forecasting unit 110 and a preset time-based rate and supply amount Based on the information, a charging schedule and a discharging schedule of a scheduling target are acquired in units of time according to the time window TW determined through the determiner 130 .

예컨대, 도 3에 도시된 바와 같이, 시간대별 예측 수요 및 시간대별 요금과 공급량 정보를 토대로, 충전 레벨(C-Level)과 방전 레벨(D-Level)이 획득되고, 이때, 최대 충전 용량(WC)과 최대 방전 용량(WD)이 획득될 수 있다. 저부하(Off-Peak)에는 전력 가격이 낮기 때문에 주로 충전 스케줄링을 고려하고, 고부하(On-Peak)에서는 방전을 통해 전기 요금(Cost)을 최대한 감축하는 방향으로 스케줄링될 수 있다.For example, as shown in FIG. 3 , a charge level (C-Level) and a discharge level (D-Level) are obtained based on the predicted demand for each time period and the rate and supply amount information for each time period, and in this case, the maximum charge capacity (W C ) and the maximum discharge capacity (W D ) can be obtained. At low load (Off-Peak), charging scheduling is mainly considered because the price of electricity is low, and at high load (On-Peak), schedule can be scheduled in the direction of maximally reducing electricity cost through discharging.

즉, 스케줄링부(150)는 워터-필링(Water-Filling) 알고리즘을 이용하여 시간 윈도우(TW)에 따른 시간대별로 최대 충전 용량(WC)과 최대 방전 용량(WD)을 획득할 수 있다.That is, the scheduling unit 150 may obtain the maximum charging capacity W C and the maximum discharging capacity W D for each time period according to the time window TW by using a water-filling algorithm.

예컨대, 도 4에 도시된 바와 같이, 워터-필링(Water-Filling) 알고리즘을 기반으로 시간 윈도우(TW)에 따른 시간 단위로 최대 충전 용량(WC) 또는 최대 방전 용량(WD)을 획득할 수 있다. 워터-필링(Water-Filling) 알고리즘은 각 시간대에 어느 정도 용량을 배치하는 것이 전체 시간대에서 가장 최적화된 에너지 레벨인지를 결정하고, 이후 설명하는 상자 채우기 문제(Bin Packing Problem)를 이용하여 각 시간대별 충전 용량과 방전 용량을 최적화하게 된다.For example, as shown in Figure 4, based on the water-filling (Water-Filling) algorithm to obtain the maximum charge capacity (W C ) or maximum discharge capacity (W D ) in units of time according to the time window (TW). can The Water-Filling algorithm determines how much capacity to place in each time period is the most optimal energy level for the entire time period, and uses the bin packing problem to be described later for each time period. The charging and discharging capacity will be optimized.

그리고, 스케줄링부(150)는 상자 채우기 문제(Bin Packing Problem)를 이용하여 시간대별 예측 수요, 시간대별 요금과 공급량 정보 및 시간대별 최대 충전 용량(WC)과 최대 방전 용량(WD)을 기반으로 시간 윈도우(TW)에 따른 시간 단위로 스케줄링 대상의 충전 스케줄과 방전 스케줄을 획득할 수 있다.And, the scheduling unit 150 is based on the predicted demand by time period, the rate and supply information for each time period, and the maximum charging capacity (W C ) and the maximum discharge capacity (W D ) by time using the bin packing problem. Thus, it is possible to obtain the charging schedule and the discharging schedule of the scheduling target in units of time according to the time window TW.

예컨대, 도 5에 도시된 바와 같이, 각 시간대에 공급되는 에너지(αi)는 두 가지 도메인으로 결정될 수 있다. 즉, αi는 함수 Wk=(αi, M, tk)에 따라 결정되고, y축 도메인은 1/Φ(tk)이고, x축 도메인은 M-demand(tk)이다. 여기서, Φ(tk)는 각 시간대별 요금을 나타낸다. M은 최대 충전 용량(WC) 또는 최대 방전 용량(WD)을 나타낸다. 이와 같이, 요금과 충전 가능 용량을 동시에 고려하여 각 시간대별 최적화된 충전 용량을 결정하여 배치할 수 있다.For example, as shown in FIG. 5 , the energy α i supplied at each time period may be determined in two domains. That is, α i is determined according to the function W k =(α i , M, t k ), the y-axis domain is 1/Φ(t k ), and the x-axis domain is M-demand(t k ). Here, Φ(t k ) represents the rate for each time period. M represents the maximum charge capacity (W C ) or the maximum discharge capacity (W D ). In this way, it is possible to determine and arrange an optimized charging capacity for each time period in consideration of the charge and the chargeable capacity at the same time.

보다 자세히 설명하면, 스케줄링부(150)는 시간대별 예측 수요를 기반으로 충전 레벨(C-Level)을 획득할 수 있다. 그리고, 스케줄링부(150)는 충전 레벨(C-Level), 시간대별 요금과 공급량 정보 및 시간대별 최대 충전 용량(WC)을 기반으로 스케줄링 대상의 충전 스케줄을 획득할 수 있다. 그리고, 스케줄링부(150)는 충전 레벨(C-Level)을 역변환하여 방전 레벨(D-Level)을 획득할 수 있다. 그리고, 스케줄링부(150)는 방전 레벨(D-Level), 시간대별 요금과 공급량 정보 및 시간대별 최대 방전 용량(WD)을 기반으로 스케줄링 대상의 방전 스케줄을 획득할 수 있다.In more detail, the scheduling unit 150 may acquire the charging level (C-Level) based on the predicted demand for each time period. In addition, the scheduling unit 150 may acquire a charging schedule of a scheduling target based on the charging level (C-Level), rate and supply information for each time period, and the maximum charging capacity (W C ) for each time period. In addition, the scheduling unit 150 may inversely transform the charging level (C-Level) to obtain the discharge level (D-Level). In addition, the scheduling unit 150 may acquire a discharge schedule of a scheduling target based on the discharge level (D-Level), information on the rate and supply amount for each time period, and the maximum discharge capacity (W D ) for each time period.

즉, 경제적으로 적합한 최대 충전량을 결정하기 위한 충전 레벨(C-Level)은 도 4에 도시된 바와 같이 설치된 에너지 저장 시스템(ESS)의 총 용량과 전기 요금제를 고려하여 결정된다. 에너지 저장 시스템(ESS)을 저부하 요금 구간(Off-Peak)에서 100% 충전할 때 가장 저렴하게 충전 가능하도록 충전 레벨(C-Level)이 결정될 수 있다. 충전 레벨(C-Level)을 결정하기 위해서는 각 시간 대에서의 최대 충전 용량(Wc)의 결정이 선행되어야 한다.That is, the charging level (C-Level) for determining the economically suitable maximum charging amount is determined in consideration of the total capacity of the installed energy storage system (ESS) and the electricity rate plan as shown in FIG. 4 . When the energy storage system (ESS) is charged 100% in the low-load charge period (Off-Peak), the charging level (C-Level) may be determined so that it can be charged at the lowest cost. In order to determine the charging level (C-Level), the determination of the maximum charging capacity (Wc) in each time zone should be preceded.

Figure pat00001
Figure pat00001

여기서, S는 시간 윈도우(TW)에 따른 하루의 스케줄링 횟수를 나타낸다. Ct는 각 시간 단위에 할당된 충전 용량을 나타낸다.

Figure pat00002
는 해당 충전 용량 사용시 부과되는 전기 요금을 나타낸다.Here, S represents the number of scheduling times per day according to the time window TW. C t represents the charging capacity allocated to each unit of time.
Figure pat00002
indicates the electricity bill charged when using the corresponding charging capacity.

워터-필링 알고리즘은 최대 충전 용량(WC)를 최대화하면서 동시에 워터-필링 알고리즘을 통해 스케줄링되는 충전 용량의 총합(

Figure pat00003
)은 에너지 저장 시스템(ESS)의 설치 용량과 같거나 그 이하이여야 한다. 이때, 결정된 각 시간대별 최대 충전 용량(WC)을 배치하는 경우(도 4의 하늘색 영역), 도 4에 도시된 바와 같이 충전 레벨(C-Level)이 결정될 수 있다.The water-filling algorithm maximizes the maximum charge capacity (W C ), while at the same time the sum of the charge capacities scheduled through the water-filling algorithm (
Figure pat00003
) must be equal to or less than the installed capacity of the energy storage system (ESS). In this case, when the determined maximum charging capacity (W C ) for each time period is arranged (the light blue region of FIG. 4 ), the charging level (C-Level) may be determined as shown in FIG. 4 .

위와 마찬가지로 방전 레벨(D-Level)의 경우에도 유사한 방법으로 워터-필링 알고리즘을 통하여 방전 스케줄링이 결정된다.As above, in the case of the discharge level (D-Level), discharge scheduling is determined through a water-filling algorithm in a similar manner.

Figure pat00004
Figure pat00004

여기서, Dt는 각 시간 단위에 할당된 방전 용량을 나타낸다.

Figure pat00005
는 해당 방전 용량 사용시 부과되는 전기 요금을 나타낸다.Here, D t represents the discharge capacity allocated to each time unit.
Figure pat00005
indicates the electricity charge charged when using the corresponding discharge capacity.

방전 스케줄링의 경우에는 방전 용량의 총합(

Figure pat00006
)은 충전 용량의 총합 (
Figure pat00007
)과 같거나 그 이하이여야 한다. 마찬가지로 각 시간대 별로 최대 방전 용량(WD)을 과부하 구간(On-Peak)에 배치하는 경우(도 4의 노란색 영역), 도 4에 도시된 바와 같이 방전(D-Level)이 결정될 수 있다.In the case of discharge scheduling, the sum of discharge capacities (
Figure pat00006
) is the sum of the charge capacities (
Figure pat00007
) must be equal to or less than Similarly, when the maximum discharge capacity (W D ) for each time period is arranged in the overload section (On-Peak) (yellow area in FIG. 4 ), the discharge (D-Level) may be determined as shown in FIG. 4 .

충전 레벨(C-Level), 최대 충전 용량(WC), 방전 레벨(D-Level), 최대 방전 용량(WD)는 해당 전력망(grid), 전기 요금, 에너지 저장 시스템(ESS)을 고려하였을 때, 권장되는 최대 조건 및 한계치를 나타낸다.The charge level (C-Level), the maximum charge capacity (W C ), the discharge level (D-Level), and the maximum discharge capacity (W D ) would have taken into account the grid, electricity rate, and energy storage system (ESS). In this case, the recommended maximum conditions and limits are indicated.

각 시간대별로 최적화된 용량을 배치하기 위해서는 상자 채우기 문제(Bin Packing Problem)을 통하여 최적화하여야 한다. 충방전 용량으로 결정된 αi는 어느 시간대에 충전/방전 되느냐에 따라 경제적 비용과 전력망의 부하도가 달라지게 된다. 도 5에 도시된 바와 같이 경제적 비용을 고려할 수 있는 y축 도메인(1/Φ(tk))과 전력망의 부하도를 고려할 수 있는 x축 도메인(M-demand(tk))을 동시에 최소화하는 시간대에 해당 용량을 배치하도록 한다. 이때, 배치되는 충방전 용량은 워터-필링 알고리즘에 의해 결정된 최대 충전/방전 레벨 조건을 넘지 않는 시간대에 배치하도록 한다. 최적화된 배치가 잘 될수록 최적화 점수(Balance Index)가 높게 나타나게 된다.In order to arrange the optimized capacity for each time period, it is necessary to optimize it through the bin packing problem. α i , which is determined by the charge/discharge capacity, depends on the time period for charging/discharging, and the economic cost and the load on the power grid vary. As shown in Figure 5, the y-axis domain (1/Φ (t k )) that can consider economic costs and the x-axis domain (M-demand (t k )) that can consider the load of the power grid are simultaneously minimized. Be sure to place the capacity in time. In this case, the arranged charge/discharge capacity is arranged in a time period that does not exceed the maximum charge/discharge level condition determined by the water-filling algorithm. The better the optimized placement, the higher the balance index.

그러면, 도 7 및 도 8을 참조하여 본 발명의 바람직한 실시예에 따른 인공지능 기반 수요 예측을 이용한 배터리 스케줄링 동작의 성능에 대하여 설명한다.Then, the performance of the battery scheduling operation using artificial intelligence-based demand prediction according to a preferred embodiment of the present invention will be described with reference to FIGS. 7 and 8 .

도 7은 본 발명의 바람직한 실시예에 따른 스케줄링 대상의 충전 스케줄과 방전 스케줄의 일례를 설명하기 위한 도면으로, 도 7의 (a)는 시간 윈도우(Time Window, TW)가 5분인 경우를 나타내고, 도 7의 (b)는 시간 윈도우(TW)가 45분인 경우를 나타내며, 도 7의 (c)는 시간 윈도우(TW)가 60분인 경우를 나타내고, 도 7의 (d)는 시간 윈도우(TW)가 180분인 경우를 나타낸다.7 is a diagram for explaining an example of a charging schedule and a discharging schedule of a scheduling target according to a preferred embodiment of the present invention. FIG. 7(b) shows a case where the time window TW is 45 minutes, FIG. 7(c) shows a case where the time window TW is 60 minutes, and FIG. 7(d) shows a time window TW. is 180 minutes.

도 7을 참조하면, 각 시간대별로 최적화된 용량을 공급하기 때문에 경제적 비용을 감소시킬 수 있고, 부하의 안정성을 높일 수 있다. 또한, 시간 윈도우(TW)에 따라 유동적으로 스케줄링이 가능함으로 규모가 큰 전력망(Grid)뿐만 아니라 작은 에너지 단위인 전기 자동차(EV)에도 적용이 가능하다.Referring to FIG. 7 , since the optimized capacity is supplied for each time period, economic costs may be reduced and load stability may be increased. In addition, flexible scheduling is possible according to the time window (TW), so it can be applied not only to a large-scale grid, but also to an electric vehicle (EV), which is a small energy unit.

도 8은 본 발명의 바람직한 실시예에 따른 시간 윈도우(TW)에 따른 충전 스케줄과 방전 스케줄의 최적화 결과 및 비용을 설명하기 위한 도면이다.8 is a view for explaining the optimization result and cost of a charging schedule and a discharging schedule according to a time window (TW) according to a preferred embodiment of the present invention.

도 8을 참조하면, 각 시간 윈도우(TW)에 따른 최적화 점수(Balance Index) 및 하루 전기 요금(Daily Cost)을 비교한 결과, 5분/10분/15분/20분/30분/60분 단위의 스케줄에서 경제적 비용은 동일하나, 최적화 점수는 60분 단위의 스케줄링에서 가장 효과적인 결과를 나타내는 것을 확인할 수 있다.Referring to FIG. 8 , as a result of comparing the balance index and the daily cost for each time window (TW), 5 minutes/10 minutes/15 minutes/20 minutes/30 minutes/60 minutes Although the economic cost is the same in the unit schedule, it can be seen that the optimization score shows the most effective result in the 60-minute scheduling.

그러면, 도 9를 참조하여 본 발명의 바람직한 실시예에 따른 인공지능 기반 수요 예측을 이용한 배터리 스케줄링 방법에 대하여 설명한다.Next, a battery scheduling method using artificial intelligence-based demand prediction according to a preferred embodiment of the present invention will be described with reference to FIG. 9 .

도 9는 본 발명의 바람직한 실시예에 따른 인공지능 기반 수요 예측을 이용한 배터리 스케줄링 방법을 설명하기 위한 흐름도이다.9 is a flowchart illustrating a battery scheduling method using artificial intelligence-based demand prediction according to a preferred embodiment of the present invention.

도 9를 참조하면, 배터리 스케줄링 장치(100)는 장단기 메모리(LSTM) 기반 수요 예측 모델을 이용하여 스케줄링 대상의 시간대별 예측 수요를 획득한다(S110).Referring to FIG. 9 , the battery scheduling apparatus 100 obtains a predicted demand for each time period of a scheduling target by using a long-term memory (LSTM)-based demand prediction model ( S110 ).

그러면, 배터리 스케줄링 장치(100)는 시간대별 예측 수요를 기반으로 스케줄링 대상의 충전 스케줄링과 방전 스케줄링에 이용되는 시간 윈도우(TW)를 결정한다(S130).Then, the battery scheduling apparatus 100 determines a time window TW used for charging scheduling and discharging scheduling of a scheduling target based on the predicted demand for each time period ( S130 ).

그런 다음, 배터리 스케줄링 장치(100)는 워터-필링(Water-Filling) 알고리즘 및 상자 채우기 문제(Bin Packing Problem)를 이용하여, 시간대별 예측 수요 및 미리 설정된 시간대별 요금과 공급량 정보를 기반으로, 시간 윈도우에 따른 시간 단위로 스케줄링 대상의 충전 스케줄과 방전 스케줄을 획득한다(S150).Then, the battery scheduling apparatus 100 uses a water-filling algorithm and a bin packing problem, based on the predicted demand for each time period and the preset time-specific rate and supply information, A charging schedule and a discharging schedule of a scheduling target are acquired in units of time according to the window (S150).

즉, 배터리 스케줄링 장치(100)는 워터-필링(Water-Filling) 알고리즘을 이용하여 시간 윈도우(TW)에 따른 시간대별로 최대 충전 용량(WC)과 최대 방전 용량(WD)을 획득하고, 상자 채우기 문제(Bin Packing Problem)를 이용하여 시간대별 예측 수요, 시간대별 요금과 공급량 정보 및 시간대별 최대 충전 용량(WC)과 최대 방전 용량(WD)을 기반으로 시간 윈도우(TW)에 따른 시간 단위로 스케줄링 대상의 충전 스케줄과 방전 스케줄을 획득할 수 있다.That is, the battery scheduling apparatus 100 obtains the maximum charge capacity (W C ) and the maximum discharge capacity (W D ) for each time period according to the time window (TW) using a water-filling algorithm, and the box Time according to the time window (TW) based on the hourly forecast demand, hourly rate and supply information, and hourly maximum charging capacity (W C ) and maximum discharge capacity (W D ) using the bin packing problem A charging schedule and a discharging schedule of a scheduling target may be acquired in units.

보다 자세히 설명하면, 배터리 스케줄링 장치(100)는 시간대별 예측 수요를 기반으로 충전 레벨(C-Level)을 획득하고, 충전 레벨(C-Level), 시간대별 요금과 공급량 정보 및 시간대별 최대 충전 용량(WC)을 기반으로 스케줄링 대상의 충전 스케줄을 획득하며, 충전 레벨(C-Level)을 역변환하여 방전 레벨(D-Level)을 획득하고, 방전 레벨(D-Level), 시간대별 요금과 공급량 정보 및 시간대별 최대 방전 용량(WD)을 기반으로 스케줄링 대상의 방전 스케줄을 획득할 수 있다.In more detail, the battery scheduling apparatus 100 acquires a charge level (C-Level) based on the predicted demand for each time period, and obtains the charge level (C-Level), rate and supply information for each time period, and the maximum charging capacity for each time period. Acquires the charging schedule of the scheduling target based on (W C ), inversely transforms the charging level (C-Level) to obtain the discharge level (D-Level), A discharge schedule of a scheduling target may be obtained based on the information and the maximum discharge capacity (W D ) for each time period.

이상에서 설명한 본 발명의 실시예를 구성하는 모든 구성요소들이 하나로 결합하거나 결합하여 동작하는 것으로 기재되어 있다고 해서, 본 발명이 반드시 이러한 실시예에 한정되는 것은 아니다. 즉, 본 발명의 목적 범위 안에서라면, 그 모든 구성요소들이 하나 이상으로 선택적으로 결합하여 동작할 수도 있다. 또한, 그 모든 구성요소들이 각각 하나의 독립적인 하드웨어로 구현될 수 있지만, 각 구성요소들의 그 일부 또는 전부가 선택적으로 조합되어 하나 또는 복수개의 하드웨어에서 조합된 일부 또는 전부의 기능을 수행하는 프로그램 모듈을 갖는 컴퓨터 프로그램으로서 구현될 수도 있다. 또한, 이와 같은 컴퓨터 프로그램은 USB 메모리, CD 디스크, 플래쉬 메모리 등과 같은 컴퓨터가 읽을 수 있는 기록 매체(Computer Readable Media)에 저장되어 컴퓨터에 의하여 읽혀지고 실행됨으로써, 본 발명의 실시예를 구현할 수 있다. 컴퓨터 프로그램의 기록 매체로서는 자기기록매체, 광 기록매체 등이 포함될 수 있다.Even though all the components constituting the embodiment of the present invention described above are described as being combined or operated in combination, the present invention is not necessarily limited to this embodiment. That is, within the scope of the object of the present invention, all of the components may operate by selectively combining one or more. In addition, all of the components may be implemented as one independent hardware, but some or all of the components are selectively combined to perform some or all functions of the combined components in one or a plurality of hardware program modules It may be implemented as a computer program having In addition, such a computer program is stored in a computer readable media such as a USB memory, a CD disk, a flash memory, etc., read and executed by a computer, thereby implementing an embodiment of the present invention. The computer program recording medium may include a magnetic recording medium, an optical recording medium, and the like.

이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위 내에서 다양한 수정, 변경 및 치환이 가능할 것이다. 따라서, 본 발명에 개시된 실시예 및 첨부된 도면들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예 및 첨부된 도면에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 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.The above description is merely illustrative of the technical idea of the present invention, and various modifications, changes and substitutions are possible within the scope that does not depart from the essential characteristics of the present invention by those of ordinary skill in the art to which the present invention pertains. will be. Accordingly, the embodiments disclosed in the present invention and the accompanying drawings are for explaining, not limiting, the technical spirit of the present invention, and the scope of the technical spirit of the present invention is not limited by these embodiments and the accompanying drawings. . The protection scope of the present invention should be construed by the following claims, and all technical ideas within the equivalent range should be construed as being included in the scope of the present invention.

100 : 배터리 스케줄링 장치,
110 : 수요 예측부,
130 : 결정부,
150 : 스케줄링부100: battery scheduling device;
110: demand forecasting unit,
130: decision unit;
150: scheduling unit

Claims (5)

학습 데이터를 토대로 학습된 장단기 메모리(long short-term memory, LSTM) 기반 수요 예측 모델을 이용하여 스케줄링 대상의 시간대별 예측 수요를 획득하는 수요 예측부;
상기 수요 예측부를 통해 획득된 상기 시간대별 예측 수요를 기반으로 상기 스케줄링 대상의 충전 스케줄링과 방전 스케줄링에 이용되는 시간 윈도우(Time Window, TW)를 결정하는 결정부; 및
워터-필링(Water-Filling) 알고리즘 및 상자 채우기 문제(Bin Packing Problem)를 이용하여, 상기 수요 예측부를 통해 획득된 상기 시간대별 예측 수요 및 미리 설정된 시간대별 요금과 공급량 정보를 기반으로, 상기 결정부를 통해 결정된 상기 시간 윈도우에 따른 시간 단위로 상기 스케줄링 대상의 충전 스케줄과 방전 스케줄을 획득하는 스케줄링부;
를 포함하는 인공지능 기반 수요 예측을 이용한 배터리 스케줄링 장치.a demand forecasting unit configured to obtain a forecast demand for each time period of a scheduling target by using a long short-term memory (LSTM)-based demand forecasting model learned based on the training data;
a determination unit determining a time window (TW) used for charging scheduling and discharging scheduling of the scheduling target based on the time-specific predicted demand obtained through the demand prediction unit; and
Using a water-filling algorithm and a bin packing problem, based on the forecast demand for each time period obtained through the demand forecasting unit, and preset time-specific rate and supply information, the determination unit a scheduling unit configured to obtain a charging schedule and a discharging schedule of the scheduling target in units of time according to the time window determined through;
Battery scheduling device using artificial intelligence-based demand forecasting, including. 제1항에서,
상기 스케줄링부는,
상기 워터-필링 알고리즘을 이용하여 상기 시간 윈도우에 따른 시간대별로 최대 충전 용량과 최대 방전 용량을 획득하고, 상기 상자 채우기 문제를 이용하여 상기 시간대별 예측 수요, 상기 시간대별 요금과 공급량 정보 및 상기 시간대별 최대 충전 용량과 최대 방전 용량을 기반으로 상기 시간 윈도우에 따른 시간 단위로 상기 스케줄링 대상의 상기 충전 스케줄과 상기 방전 스케줄을 획득하는,
인공지능 기반 수요 예측을 이용한 배터리 스케줄링 장치.In claim 1,
The scheduling unit,
The water-filling algorithm is used to obtain the maximum charging capacity and the maximum discharging capacity for each time period according to the time window, and using the box filling problem, the predicted demand for each time period, the rate and supply amount information for each time period, and the time period acquiring the charging schedule and the discharging schedule of the scheduling target in units of time according to the time window based on the maximum charging capacity and the maximum discharging capacity,
Battery scheduling device using artificial intelligence-based demand forecasting. 제2항에서,
상기 스케줄링부는,
상기 시간대별 예측 수요를 기반으로 충전 레벨을 획득하고, 상기 충전 레벨, 상기 시간대별 요금과 공급량 정보 및 상기 시간대별 최대 충전 용량을 기반으로 상기 스케줄링 대상의 상기 충전 스케줄을 획득하며, 상기 충전 레벨을 역변환하여 방전 레벨을 획득하고, 상기 방전 레벨, 상기 시간대별 요금과 공급량 정보 및 상기 시간대별 최대 방전 용량을 기반으로 상기 스케줄링 대상의 상기 방전 스케줄을 획득하는,
인공지능 기반 수요 예측을 이용한 배터리 스케줄링 장치.In claim 2,
The scheduling unit,
acquiring a charging level based on the predicted demand for each time period, acquiring the charging schedule of the scheduling target based on the charging level, the rate and supply amount information for each time period, and the maximum charging capacity for each time period, and determining the charging level obtaining a discharge level by inverse transformation, and obtaining the discharge schedule of the scheduling target based on the discharge level, the rate and supply amount information for each time period, and the maximum discharge capacity for each time period,
Battery scheduling device using artificial intelligence-based demand forecasting. 제1항에서,
상기 학습 데이터는,
전기 자동차의 운행 데이터 또는 전력망의 AMI(Advanced Metering Infrastructure) 데이터인,
인공지능 기반 수요 예측을 이용한 배터리 스케줄링 장치.In claim 1,
The learning data is
Driving data of electric vehicles or AMI (Advanced Metering Infrastructure) data of power grids,
Battery scheduling device using artificial intelligence-based demand forecasting. 학습 데이터를 토대로 학습된 장단기 메모리(long short-term memory, LSTM) 기반 수요 예측 모델을 이용하여 스케줄링 대상의 시간대별 예측 수요를 획득하는 단계;
상기 시간대별 예측 수요를 기반으로 상기 스케줄링 대상의 충전 스케줄링과 방전 스케줄링에 이용되는 시간 윈도우(Time Window, TW)를 결정하는 단계; 및
워터-필링(Water-Filling) 알고리즘 및 상자 채우기 문제(Bin Packing Problem)를 이용하여, 상기 시간대별 예측 수요 및 미리 설정된 시간대별 요금과 공급량 정보를 기반으로, 상기 시간 윈도우에 따른 시간 단위로 상기 스케줄링 대상의 충전 스케줄과 방전 스케줄을 획득하는 단계;
를 포함하는 인공지능 기반 수요 예측을 이용한 배터리 스케줄링 방법.
obtaining a predicted demand for each time period of a scheduling target using a long short-term memory (LSTM)-based demand prediction model learned based on the training data;
determining a time window (TW) used for charging scheduling and discharging scheduling of the scheduling target based on the predicted demand for each time period; and
Using a water-filling algorithm and a bin packing problem, the scheduling is performed in units of time according to the time window based on the predicted demand for each time period and preset hourly rate and supply information obtaining a charging schedule and a discharging schedule of the subject;
A battery scheduling method using artificial intelligence-based demand forecasting, including
KR1020210002146A 2021-01-07 2021-01-07 Apparatus and method for scheduling battery using demand forecasting based on AI KR102502724B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210002146A KR102502724B1 (en) 2021-01-07 2021-01-07 Apparatus and method for scheduling battery using demand forecasting based on AI

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210002146A KR102502724B1 (en) 2021-01-07 2021-01-07 Apparatus and method for scheduling battery using demand forecasting based on AI

Publications (2)

Publication Number Publication Date
KR20220099817A true KR20220099817A (en) 2022-07-14
KR102502724B1 KR102502724B1 (en) 2023-02-21

Family

ID=82407190

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210002146A KR102502724B1 (en) 2021-01-07 2021-01-07 Apparatus and method for scheduling battery using demand forecasting based on AI

Country Status (1)

Country Link
KR (1) KR102502724B1 (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116706963A (en) * 2023-05-07 2023-09-05 国网湖北省电力有限公司营销服务中心(计量中心) Large-scale electric vehicle V2G scheduling method based on regional power load prediction

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100040275A (en) * 2007-05-09 2010-04-19 그리드포인트,인코포레이티드 Method and system for scheduling the discharge of distributed power storage devices and for levelizing dispatch participation
KR20200084454A (en) * 2018-12-27 2020-07-13 주식회사 에이치에너지 A Device and Method for Predictively Operating An ESS Charging Based On Artificial Intelligence
KR102187327B1 (en) * 2020-05-21 2020-12-04 에스텍아이앤씨(주) Dynamic management and control system for a building electric demand based on automated machine learning scheme
KR20200141905A (en) * 2019-06-10 2020-12-21 숭실대학교산학협력단 Method and apparatus for predicting power consumption and supplying power

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100040275A (en) * 2007-05-09 2010-04-19 그리드포인트,인코포레이티드 Method and system for scheduling the discharge of distributed power storage devices and for levelizing dispatch participation
KR20200084454A (en) * 2018-12-27 2020-07-13 주식회사 에이치에너지 A Device and Method for Predictively Operating An ESS Charging Based On Artificial Intelligence
KR20200141905A (en) * 2019-06-10 2020-12-21 숭실대학교산학협력단 Method and apparatus for predicting power consumption and supplying power
KR102187327B1 (en) * 2020-05-21 2020-12-04 에스텍아이앤씨(주) Dynamic management and control system for a building electric demand based on automated machine learning scheme

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116706963A (en) * 2023-05-07 2023-09-05 国网湖北省电力有限公司营销服务中心(计量中心) Large-scale electric vehicle V2G scheduling method based on regional power load prediction
CN116706963B (en) * 2023-05-07 2024-04-12 国网湖北省电力有限公司营销服务中心(计量中心) Large-scale electric vehicle V2G scheduling method based on regional power load prediction

Also Published As

Publication number Publication date
KR102502724B1 (en) 2023-02-21

Similar Documents

Publication Publication Date Title
Xiong et al. Vehicle grid integration for demand response with mixture user model and decentralized optimization
US8571720B2 (en) Supply-demand balance controller
Dusparic et al. Multi-agent residential demand response based on load forecasting
CN105684257A (en) Microgrid energy management system and method for controlling operation of a microgrid
US11196284B2 (en) Energy storage system and controlling method thereof
EP3007299B1 (en) Demand adjustment plan generation apparatus, method, and program
US20160190822A1 (en) Microgrid energy management system and power storage method for energy storage system
KR20190007328A (en) Method and system for management charge and discharge of electric energy by prediction photovoltaic power generation and load
JP2018068076A (en) Storage battery control system and power supply system
Li et al. Online battery protective energy management for energy-transportation nexus
CN108988337B (en) Design method of energy storage device of micro-grid system and micro-grid system
KR20190068358A (en) Systems and methods for charge and discharge of electric vehicles
KR20220099817A (en) Apparatus and method for scheduling battery using demand forecasting based on AI
WO2023226368A1 (en) Electric vehicle cluster charging/discharging control method and system, and related equipment
Desdouits et al. Multisource elevator energy optimization and control
Carvalho et al. An adaptive multi-agent-based approach to smart grids control and optimization
JP2022550507A (en) Method for stabilizing electrical energy grids
CN117578602A (en) Power grid peak shaving method and device based on virtual power plant and peak shaving equipment
KR20190098724A (en) System for controlling energy storage system by regional group and method for managing energy using the same
KR102556093B1 (en) Reward generation method to reduce peak load of electric power and action control apparatus performing the same method
KR101581684B1 (en) Apparatus and method for charge and discharge scheduling using Depth of Discharge control in energy storage device
KR102136195B1 (en) Prediction system and method for efficiently supplying power to a plurality of customers and selling the remaining power
KR102010147B1 (en) Scheduling Method and System for Load Tracking by Flexible Time Scaling and Multi Leveling in Micro Grid for Small/Medium Buildings
CN114683908A (en) Battery replacement capability evaluation method and system for battery replacement station, electronic device and medium
Misra et al. Smart Battery Management Scheme for V2G Based EV Smart Charger–A Better approach of Allocation of EV Based Distributed Generation

Legal Events

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