KR20230024206A - 예측 전력 피크 가이드라인을 이용한 전력 관리 장치 및 방법 - Google Patents

예측 전력 피크 가이드라인을 이용한 전력 관리 장치 및 방법 Download PDF

Info

Publication number
KR20230024206A
KR20230024206A KR1020220094620A KR20220094620A KR20230024206A KR 20230024206 A KR20230024206 A KR 20230024206A KR 1020220094620 A KR1020220094620 A KR 1020220094620A KR 20220094620 A KR20220094620 A KR 20220094620A KR 20230024206 A KR20230024206 A KR 20230024206A
Authority
KR
South Korea
Prior art keywords
power
predicted
usage data
upper limit
time
Prior art date
Application number
KR1020220094620A
Other languages
English (en)
Other versions
KR102545304B1 (ko
Inventor
이원우
오형안
Original Assignee
주식회사 플럭시티
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 주식회사 플럭시티 filed Critical 주식회사 플럭시티
Priority to PCT/KR2022/011933 priority Critical patent/WO2023018226A1/ko
Publication of KR20230024206A publication Critical patent/KR20230024206A/ko
Priority to KR1020230076435A priority patent/KR20230092852A/ko
Application granted granted Critical
Publication of KR102545304B1 publication Critical patent/KR102545304B1/ko

Links

Images

Classifications

    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R22/00—Arrangements for measuring time integral of electric power or current, e.g. electricity meters
    • G01R22/06—Arrangements for measuring time integral of electric power or current, e.g. electricity meters by electronic methods
    • G01R22/061—Details of electronic electricity meters
    • G01R22/063—Details of electronic electricity meters related to remote communication
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
    • G06Q30/0217—Discounts or incentives, e.g. coupons or rebates involving input on products or services in exchange for incentives or rewards
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • 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
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
    • Y04S20/30—Smart metering, e.g. specially adapted for remote reading
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S40/00—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them
    • Y04S40/20—Information technology specific aspects, e.g. CAD, simulation, modelling, system security
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S50/00—Market activities related to the operation of systems integrating technologies related to power network operation or related to communication or information technologies
    • Y04S50/16—Energy services, e.g. dispersed generation or demand or load or energy savings aggregation

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • General Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Power Engineering (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Emergency Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 전기 요금을 절감할 수 있는 예측 전력 피크 가이드라인을 이용한 전력 관리 장치 및 방법에 관한 것이다. 본 실시 예에 따른 예측 전력 피크 가이드라인을 이용한 전력 관리 방법은, 전력 관리 장치의 프로세서에 의해 수행되는 전력 관리 방법으로서, 전력 수요 주체에 구비된 IoT 센서로부터 수집한 센서 데이터를 이용하여 시계열 전력 사용량 데이터를 생성하는 단계와, 시계열 전력 사용량 데이터를 계수가 피팅된 푸리에 급수에 적용하여 미래의 예측 전력 사용량 데이터를 생성하는 단계와, 예측 전력 사용량 데이터를 입력으로 하여 예측 전력 상한값을 결정하는 전력 상한값 예측 모델을 이용하여 예측 전력 사용량 데이터로부터 예측 전력 상한값을 결정하고 예측 전력 피크 가이드라인을 생성하는 단계와, 시계열 전력 사용량 데이터로부터 예측 전력 피크 가이드라인까지의 거리를 기반으로 하여 전기 요금이 초과되는 알람을 발생하는 단계를 포함할 수 있다.

Description

예측 전력 피크 가이드라인을 이용한 전력 관리 장치 및 방법{APPARATUS AND METHOD MANAGING POWER BASED ON PREDICTING POWER PEAK GUIDELINE}
본 발명은 전기 요금을 절감할 수 있는 예측 전력 피크 가이드라인을 이용한 전력 관리 장치 및 방법에 관한 것이다.
최근 전력 관리의 주체가 공급 위주에서 수요 중심으로 변화하면서 소비 부분 전력 관리의 중요성이 대두되고 있다. 전력 수요 관리는 마이크로그리드와 같은 큰 규모의 지역적 부하에서부터 건물단위, 심지어 한 수용가 단위까지 다양한 규모의 부하를 주체로 한다. 전력 수요를 관리하는데 가장 기본이 되는 연구는 바로　전력　소비 패턴을 이해하고,　전력　소모량을　예측하는 것이다. 미래의　전력　사용량을　예측하는 연구는 이전부터 다양한 방법으로 시행되고 있다. 국내의 선행 연구들을 살펴보면 대체로 기상정보를 활용하여 전력 사용량을 예측하고 있다. 그러나 기온 데이터 추이의 주기는　전력 사용량 추이의 주기와 상이한데, 두 데이터의 주기를 반영하지 않고　전력 사용량을 예측하므로, 정확한　전력 사용량을 예측하는데 어려움이 있다.
전술한 배경기술은 발명자가 본 발명의 도출을 위해 보유하고 있었거나, 본 발명의 도출 과정에서 습득한 기술 정보로서, 반드시 본 발명의 출원 전에 일반 공중에게 공개된 공지기술이라 할 수는 없다.
국내 등록특허공보 제10-1355978호(2014.01.21)
본 발명의 일 과제는, 전력 수요 주체에 대한 예측 전력 사용량 및 예측 전력 피크 가이드라인을 생성 및 제공하여 전력 수요 주체의 전기 요금을 절감시킬 수 있는 전력 관리 장치 및 방법을 제공하는데 있다.
본 발명의 일 과제는, 전력 수요 주체에 대한 예측 전력 사용량 및 예측 전력 피크 가이드라인을 생성 및 제공하여 전력 수요 주체의 전기 요금 예산 책정에 도움을 줄 수 있는 전력 관리 장치 및 방법을 제공하는데 있다.
본 발명의 일 과제는, 전력 수요 주체에 대한 예측 전력 사용량 및 예측 전력 피크 가이드라인을 생성 및 제공하여 전력 수요 주체로의 전력 공급 스케줄링에 도움을 줄 수 있는 전력 관리 장치 및 방법을 제공하는데 있다.
본 발명이 해결하고자 하는 과제는 이상에서 언급한 과제에 한정되지 않으며, 언급되지 않은 본 발명의 다른 과제 및 장점들은 하기의 설명에 의해서 이해될 수 있고, 본 발명의 실시 예에 의해보다 분명하게 이해될 것이다. 또한, 본 발명이 해결하고자 하는 과제 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 알 수 있을 것이다.
본 실시 예에 따른 예측 전력 피크 가이드라인을 이용한 전력 관리 방법은, 전력 관리 장치의 프로세서에 의해 수행되는 전력 관리 방법으로서, 전력 수요 주체에 구비된 IoT 센서로부터 수집한 센서 데이터를 이용하여 시계열 전력 사용량 데이터를 생성하는 단계와, 시계열 전력 사용량 데이터를 계수가 피팅된 푸리에 급수에 적용하여 미래의 예측 전력 사용량 데이터를 생성하는 단계와, 예측 전력 사용량 데이터를 입력으로 하여 예측 전력 상한값을 결정하는 전력 상한값 예측 모델을 이용하여 예측 전력 사용량 데이터로부터 예측 전력 상한값을 결정하고 예측 전력 피크 가이드라인을 생성하는 단계와, 시계열 전력 사용량 데이터로부터 예측 전력 피크 가이드라인까지의 거리를 기반으로 하여 전기 요금이 초과되는 알람을 발생하는 단계를 포함할 수 있다.
본 실시 예에 따른 예측 전력 피크 가이드라인을 이용한 전력 관리 장치는, 전력 관리 장치로서, 프로세서 및 프로세서와 동작 가능하게 연결되고 프로세서에서 수행되는 적어도 하나의 코드를 저장하는 메모리를 포함하고, 메모리는 프로세서를 통해 실행될 때, 프로세서가 전력 수요 주체에 구비된 IoT 센서로부터 수집한 센서 데이터를 이용하여 시계열 전력 사용량 데이터를 생성하고, 시계열 전력 사용량 데이터를 계수가 피팅된 푸리에 급수에 적용하여 미래의 예측 전력 사용량 데이터를 생성하고, 예측 전력 사용량 데이터를 입력으로 하여 예측 전력 상한값을 결정하는 전력 상한값 예측 모델을 이용하여 예측 전력 사용량 데이터로부터 예측 전력 상한값을 결정하고 예측 전력 피크 가이드라인을 생성하며, 시계열 전력 사용량 데이터로부터 예측 전력 피크 가이드라인까지의 거리를 기반으로 하여 전기 요금이 초과되는 알람을 발생하도록 야기하는 코드를 저장할 수 있다.
이 외에도, 본 발명을 구현하기 위한 다른 방법, 다른 시스템 및 상기 방법을 실행하기 위한 컴퓨터 프로그램이 저장된 컴퓨터로 판독 가능한 기록매체가 더 제공될 수 있다.
전술한 것 외의 다른 측면, 특징, 이점이 이하의 도면, 특허청구범위 및 발명의 상세한 설명으로부터 명확해질 것이다.
본 발명에 의하면, 전력 수요 주체에 대한 예측 전력 사용량 및 예측 전력 피크 가이드라인을 생성 및 제공하여 전력 수요 주체의 전기 요금을 절감시킬 수 있는 전력 관리 장치 및 방법을 제공할 수 있다.
또한, 전력 수요 주체에 대한 예측 전력 사용량 및 예측 전력 피크 가이드라인을 생성 및 제공하여 전력 수요 주체의 전기 요금 예산 책정에 도움을 줄 수 있는 전력 관리 장치 및 방법을 제공할 수 있다.
또한, 전력 수요 주체에 대한 예측 전력 사용량 및 예측 전력 피크 가이드라인을 생성 및 제공하여 전력 수요 주체로의 전력 공급 스케줄링에 도움을 줄 수 있는 전력 관리 장치 및 방법을 제공할 수 있다.
본 발명의 효과는 이상에서 언급된 것들에 한정되지 않으며, 언급되지 아니한 다른 효과들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 실시 예에 따른 전력 관리 환경의 예시도이다.
도 2는 본 실시 예에 따른 전력 관리 장치의 구성을 개략적으로 설명하기 위하여 도시한 블록도이다.
도 3은 도 2의 전력 관리 장치 중 전력 관리부의 구성을 개략적으로 설명하기 위하여 도시한 블록도이다.
도 4는 본 실시 예에 따른 IoT 센서로부터 수집한 데이터를 이용하여 생성한 분당 전력 데이터를 설명하는 도면이다.
도 5는 본 실시 예에 따른 피팅된 푸리에 급수의 계수를 보이는 도면이다.
도 6은 본 실시 예에 따른 평균 전력 사용량을 계수가 피팅된 푸리에 급수에 적용하여 생성한 예측 평균 전력 사용량 데이터를 가시화한 그래프이다.
도 7은 본 실시 예에 따른 강화학습 기반의 예측 전력 피크 가이드라인의 결정을 설명하는 도면이다.
도 8은 본 실시 예에 따른 예측 전력 피크 가이드라인을 가시화한 그래프이다.
도 9 및 도 10은 본 실시 예에 따른 전력 관리를 위한 알람 발생의 예시도이다.
도 11은 다른 실시 예에 따른 전력 관리 장치의 구성을 개략적으로 설명하기 위하여 도시한 블록도이다.
도 12는 본 실시 예에 따른 전력 관리 방법을 설명하기 위한 흐름도이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 설명되는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 아래에서 제시되는 실시 예들로 한정되는 것이 아니라, 서로 다른 다양한 형태로 구현될 수 있고, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 아래에 제시되는 실시 예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
본 출원에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다. 제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
또한, 본 출원서에서, "부"는 프로세서 또는 회로와 같은 하드웨어 구성(hardware component), 및/또는 프로세서와 같은 하드웨어 구성에 의해 실행되는 소프트웨어 구성(software component)일 수 있다.
이하, 본 발명에 따른 실시 예들을 첨부된 도면을 참조하여 상세히 설명하기로 하며, 첨부 도면을 참조하여 설명함에 있어, 동일하거나 대응하는 구성 요소는 동일한 도면번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
도 1은 본 실시 예에 따른 전력 관리 환경의 예시도이다. 도 1을 참조하면 전력 관리 환경(1)은, 전력 관리 장치(100), 전력 수요 주체(200), IoT 센서(300), 사용자 단말기(400) 및 네트워크(500)를 포함할 수 있다.
전력 관리 장치(100)는 전력 수요 주체(200)에 구비된 IoT 센서(300)로부터 수집한 센서 데이터를 이용하여 시계열 전력 사용량 데이터를 생성할 수 있다. 본 실시 예에서 시계열 전력 사용량 데이터는, 기설정된 분류 기준에 따라 분류된 센싱 데이터로부터 센싱 시간에 대응하는 전력 사용량 데이터를 포함할 수 있다. 또한 시계열 전력 사용량 데이터는 제1 주기 동안의 시계열 전력 사용량 데이터를 포함할 수 있다.
전력 관리 장치(100)는 시계열 전력 사용량 데이터를 계수가 피팅된 푸리에 급수에 적용하여 미래의 예측 전력 사용량 데이터를 생성할 수 있다. 여기서 시계열 전력 사용량 데이터는 제1 주기를 가지며, 제1 주기는 기설정된 시간을 갖는 T개의 제1 타임 스텝으로 구성될 수 있다. 구체적으로 기설정된 시간은 24시간을 포함할 수 있고, 제1 타임 스텝은 1분을 포함할 수 있으며, T는 1440개를 포함할 수 있다. 본 실시 예에서 전력 관리 장치(100)는 예측 전력 사용량 데이터를 생성하기 이전에, 예측 전력 사용량 데이터로부터 주기 함수로서의 푸리에 급수를 산출하고, 푸리에 급수의 계수를 피팅할 수 있다. 전력 관리 장치(100)는 주기를 갖는 시계열 전력 사용량 데이터로부터 푸리에 급수를 산출하고, 푸리에 급수의 계수를 피팅할 수 있다.
전력 관리 장치(100)는 예측 전력 사용량 데이터를 입력으로 하여 예측 전력 상한값을 결정하는 전력 상한값 예측 모델을 이용하여, 푸리에 급수의 연산을 통해 예측 전력 사용량 데이터로부터 예측 전력 상한값을 결정하고 예측 전력 피크 가이드라인을 생성할 수 있다. 여기서 전력 상한값 예측 모델에 입력되는 예측 전력 사용량 데이터는 기설정된 시간을 갖는 L개의 제2 타임 스텝으로 구성된 제1 주기의 데이터일 수 있다. 구체적으로 기설정된 시간은 24시간을 포함할 수 있고, 제2 타임 스텝은 15분을 포함할 수 있으며, L은 96개를 포함할 수 있다.
본 실시 예에서, 전력 상한값 예측 모델은 L개의 제2 타임 스텝으로 구성된 예측 전력 사용량 데이터를 입력으로 하여 전력 상한값을 출력하는 인공지능 모델을 포함할 수 있으며, 전력 관리 장치(100)는 전력 상한값 예측 모델의 생성을 위해 인공지능 모델을 훈련시킬 수 있다.
전력 관리 장치(100)는 지도학습, 비지도학습 또는 강화학습을 이용하여 인공지능 모델을 훈련시켜 전력 상한값 예측 모델을 생성하여 저장할 수 있다. 일 실시 예로, 전력 관리 장치(100)는 강화학습을 이용하여 인공지능 모델을 훈련시켜 전력 상한값 예측 모델을 생성하여 저장할 수 있는데, 강화 학습은, 에이전트(agent)가 매 순간 어떤 행동을 해야 좋을지 분석할 수 있는 환경이 주어진다면, 데이터 없이 경험으로 가장 좋을 길을 찾을 수 있다는 이론을 포함할 수 있다. 강화 학습은 주로 마르코프 결정 과정(markov decision process, MDP)에 의하여 수행될 수 있다.
마르코프 결정 과정을 설명하면, 첫 번째로 에이전트가 다음 행동을 하기 위해 필요한 정보들이 구성된 환경이 주어지며, 두 번째로 그 환경에서 에이전트가 어떻게 행동할지 정의하고, 세 번째로 에이전트가 무엇을 잘하면 보상(reward)을 주고 무엇을 못하면 벌점(penalty)을 줄지 정의하며, 네 번째로 미래의 보상이 최고점에 이를 때까지 반복 경험하여 최적의 정책(policy)을 도출할 수 있다.
전력 관리 장치(100)는 제1 주기 동안 제2 타임 스텝마다 전력 상한값 예측 모델을 통해 출력되는 L개의 예측 전력 상한값에 대한 평균값을 제1 주기 동안의 예측 전력 피크 가이드라인으로 결정할 수 있다.
전력 관리 장치(100)는 예측 전력 피크 가이드라인이 결정되면, 입력되는 현재의 시계열 전력 사용량 데이터로부터 예측 전력 피크 가이드라인까지의 거리를 기반으로 하여 전기 요금이 초과되는 알람을 발생시킬 수 있다. 전력 관리 장치(100)는 입력되는 현재의 시계열 전력 사용량 데이터 및 예측 전력 피크 가이드라인으로부터 산출한 유클리디안 거리(Euclidean distance)가 기설정된 임계값 미만임에 따라 전기 요금이 초과될 수 있는 예측 시간대를 포함하는 알람을 발생하고, 이 알람을 사용자 단말기(400)에 전송할 수 있다. 알람을 수신한 사용자 단말기(400)는 전력 수요 주체(200)의 전력이 절감될 수 있도록, 전력 수요 주체(200)의 불필요한 전력을 차단 관리할 수 있다.
본 실시 예에서, 전력 관리 장치(100)는 서버 형태로 독립적으로 존재하거나, 전력 관리 장치(100)가 제공하는 기능을 어플리케이션 형태로 구현하여 사용자 단말기(400)에 탑재할 수 있다.
또한, 전력 관리 장치(100)는 각종 인공지능 알고리즘을 적용하는데 필요한 데이터를 제공하는 데이터베이스 서버일 수 있다.
여기서 인공 지능(artificial intelligence, AI)은, 인간의 지능으로 할 수 있는 사고, 학습, 자기계발 등을 컴퓨터가 할 수 있도록 하는 방법을 연구하는 컴퓨터 공학 및 정보기술의 한 분야로, 컴퓨터가 인간의 지능적인 행동을 모방할 수 있도록 하는 것을 의미할 수 있다.
또한, 인공지능은 그 자체로 존재하는 것이 아니라, 컴퓨터 과학의 다른 분야와 직간접으로 많은 관련을 맺고 있다. 특히 현대에는 정보기술의 여러 분야에서 인공지능적 요소를 도입하여, 그 분야의 문제 풀이에 활용하려는 시도가 매우 활발하게 이루어지고 있다.
머신 러닝(machine learning)은 인공지능의 한 분야로, 컴퓨터에 명시적인 프로그램 없이 배울 수 있는 능력을 부여하는 연구 분야를 포함할 수 있다. 구체적으로 머신 러닝은, 경험적 데이터를 기반으로 학습을 하고 예측을 수행하고 스스로의 성능을 향상시키는 시스템과 이를 위한 알고리즘을 연구하고 구축하는 기술이라 할 수 있다. 머신 러닝의 알고리즘들은 엄격하게 정해진 정적인 프로그램 명령들을 수행하는 것이라기보다, 입력 데이터를 기반으로 예측이나 결정을 이끌어내기 위해 특정한 모델을 구축하는 방식을 취할 수 있다.
전력 수요 주체(200)는 전력을 소모하는 부하로서, 큰 규모의 지역적 부하에서부터 건물 단위, 수용가 단위까지 다양한 규모의 부하를 포함할 수 있다. 본 실시 예에서 전력 수요 주체(200)는 건물(bilding) 또는 공장을 포함할 수 있으며, 건물 내부에는 다양한 방법으로 전력을 소모하는 기계(예를 들어, 공장 설비, 에어컨 등)들이 구비되어 있다.
IoT 센서(300)는 사물인터넷 환경에 적용되는 센서로서, 전력 수요 주체(200)에 구비되어 전력 수요 주체(200)가 소비하는 전력 데이터를 센싱하여 전력 관리 장치(100)로 전송할 수 있다. 이러한 IoT 센서(300)는 전류 센서, 전력 센서, 진동 센서, 조도 센서, 온도 센서, 근접도 센서 등을 포함할 수 있다.
사용자 단말기(400)는 전력 수요 주체(200)의 전력을 관리하는 사용자 또는 관리자가 구비하는 단말기로서, 전력 관리 장치(100)가 제공하는 전력 관리 어플리케이션 및/또는 전력 관리 사이트에 접속하여 전력 관리 서비스를 받을 수 있다.
이러한 사용자 단말기(400)는 컴퓨팅 장치(미도시)의 기능을 수행할 수 있는 통신 단말기를 포함할 수 있으며, 사용자가 조작하는 데스크 탑 컴퓨터(401), 스마트폰(402) 노트북(403) 이외에, 태블릿 PC, 스마트 TV, 휴대폰, PDA(personal digital assistant), 미디어 플레이어, 마이크로 서버, GPS(global positioning system) 장치, 전자책 단말기, 디지털방송용 단말기, 네비게이션, 키오스크, MP3 플레이어, 디지털 카메라, 가전기기 및 기타 모바일 또는 비모바일 컴퓨팅 장치일 수 있으나, 이에 제한되지 않는다. 또한, 사용자 단말기(400)는 통신 기능 및 데이터 프로세싱 기능을 구비한 시계, 안경, 헤어 밴드 및 반지 등의 웨어러블 단말기 일 수 있다. 이러한 사용자 단말기(400)는 상술한 내용에 제한되지 아니하며, 웹 브라우징이 가능한 단말기는 제한 없이 차용될 수 있다.
네트워크(500)는 전력 관리 장치(100), IoT 센서(300) 및 사용자 단말기(400)를 연결하는 역할을 수행할 수 있다. 이러한 네트워크(500)는 예컨대 LAN(local area network), WAN(wide area network), MAN(metropolitan area network), ISDN(integrated service digital network) 등의 유선 네트워크나, WLAN(wireless LAN), CDMA(code-division multiple access), 위성 통신 등의 무선 네트워크를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다. 또한 네트워크(500)는 근거리 통신 및/또는 원거리 통신을 이용하여 정보를 송수신할 수 있다. 여기서, 근거리 통신은 Bluetooth, RFID(radio frequency identification), IrDA(infrared data association), UWB(ultra-wideband), ZigBee, Wi-Fi 기술을 포함할 수 있고, 원거리 통신은 CDMA(code-division multiple access), FDMA(frequency-division multiple access), TDMA(time-division multiple access), OFDMA(orthogonal frequency-division multiple access), SC-FDMA(single carrier frequency-division multiple access) 기술을 포함할 수 있다.
네트워크(500)는 허브, 브리지, 라우터, 스위치와 같은 네트워크 요소들의 연결을 포함할 수 있다. 네트워크(500)는 인터넷과 같은 공용 네트워크 및 안전한 기업 사설 네트워크와 같은 사설 네트워크를 비롯한 하나 이상의 연결된 네트워크들, 예컨대 다중 네트워크 환경을 포함할 수 있다. 네트워크(500)에의 액세스는 하나 이상의 유선 또는 무선 액세스 네트워크들을 통해 제공될 수 있다.
네트워크(500)는 허브, 브리지, 라우터, 스위치와 같은 네트워크 요소들의 연결을 포함할 수 있다. 네트워크(500)는 인터넷과 같은 공용 네트워크 및 안전한 기업 사설 네트워크와 같은 사설 네트워크를 비롯한 하나 이상의 연결된 네트워크들, 예컨대 다중 네트워크 환경을 포함할 수 있다. 네트워크(500)에의 액세스는 하나 이상의 유선 또는 무선 액세스 네트워크들을 통해 제공될 수 있다.
더 나아가 네트워크(500)는 CAN(controller area network) 통신, V2I(vehicle to infrastructure, 차량 대 도로 인프라) 통신, V2X(vehicle to everything) 통신, 웨이브(wireless access in vehicular environment) 통신 기술과, 사물 등 분산된 구성 요소들 간에 정보를 주고받아 처리하는 IoT(Internet of Things, 사물인터넷) 망 및/또는 5G 통신을 지원할 수 있다. 여기서, NB(narrowband)-IoT는 LTE(Long-Term Evolution) 주파수를 이용한 저전력/광역 사물인터넷 기술 중 하나로, 저용량 데이터를 간헐적으로 전송하는 추적, 센싱, 검침 등에 활용할 수 있다.
도 2는 본 실시 예에 따른 전력 관리 장치의 구성을 개략적으로 설명하기 위하여 도시한 블록도이다. 이하의 설명에서 도 1에 대한 설명과 중복되는 부분은 그 설명을 생략하기로 한다. 도 2를 참조하면, 전력 관리 장치(100)는 통신부(110), 저장 매체(120), 프로그램 저장부(130), 데이터베이스(140), 전력 관리부(150) 및 제어부(160)를 포함할 수 있다.
통신부(110)는 네트워크(500)와 연동하여 전력 관리 장치(100), IoT 센서(300) 및 사용자 단말기(400) 간의 송수신 신호를 패킷 데이터 형태로 제공하는 데 필요한 통신 인터페이스를 제공할 수 있다. 나아가, 통신부(110)는 사용자 단말기(400)로부터 소정의 정보 요청 신호를 수신하는 역할을 할 수 있고 전력 관리부(150)가 처리한 정보를 사용자 단말기(400)로 전송하는 역할을 수행할 수 있다. 여기서, 통신망이라 함은, 전력 관리 장치(100)와, IoT 센서(300)와, 사용자 단말기(400)를 연결하는 역할을 수행하는 매개체로써, 사용자 단말기(400)가 전력 관리 장치(100)에 접속한 후 정보를 송수신할 수 있도록 접속 경로를 제공하는 경로를 포함할 수 있다. 또한 통신부(110)는 다른 네트워크 장치와 유무선 연결을 통해 제어 신호 또는 데이터 신호와 같은 신호를 송수신하기 위해 필요한 하드웨어 및 소프트웨어를 포함하는 장치일 수 있다.
저장 매체(120)는 제어부(160)가 처리하는 데이터를 일시적 또는 영구적으로 저장하는 기능을 수행한다. 여기서, 저장 매체(120)는 자기 저장 매체(magnetic storage media) 또는 플래시 저장 매체(flash storage media)를 포함할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다. 이러한 저장 매체(120)는 내장 메모리 및/또는 외장 메모리를 포함할 수 있으며, DRAM, SRAM, 또는 SDRAM 등과 같은 휘발성 메모리, OTPROM(one time programmable ROM), PROM, EPROM, EEPROM, mask ROM, flash ROM, NAND 플래시 메모리, 또는 NOR 플래시 메모리 등과 같은 비휘발성 메모리, SSD. CF(compact flash) 카드, SD 카드, Micro-SD 카드, Mini-SD 카드, Xd 카드, 또는 메모리 스틱(memory stick) 등과 같은 플래시 드라이브, 또는 HDD와 같은 저장 장치를 포함할 수 있다.
프로그램 저장부(130)는 전력 수요 주체(200)에 구비된 IoT 센서(300)로부터 수집한 센싱 데이터를 이용하여 시계열 전력 사용량 데이터를 생성하는 작업, 시계열 전력 사용량 데이터를 계수가 피팅된 푸리에 급수에 적용하여 미래의 예측 전력 사용량 데이터를 생성하는 작업, 예측 전력 사용량 데이터를 생성하기 이전에 예측 전력 사용량 데이터로부터 주기 함수로서의 푸리에 급수를 산출하고 푸리에 급수의 계수를 피팅하는 작업, 전력 상한값 예측 모델을 통해 예측 전력 사용량 데이터로부터 예측 전력 상한값을 결정하고 예측 전력 피크 가이드라인을 생성하는 작업, 예측 전력 상한값을 결정하기 이전에, 전력 상한값 예측 모델을 생성하여 저장하는 작업, 입력되는 현재 시계열 전력 사용량 데이터로부터 예측 전력 피크 가이드라인까지의 거리를 기반으로 하여 전기 요금이 초과되는 알람을 발생하는 작업 등을 수행하는 제어 소프트웨어를 탑재하고 있다.
데이터베이스(140)는 전력 수요 주체(200)에 대한 전력 관리를 위한 다양한 정보를 저장하는 관리 데이터베이스를 포함할 수 있다. 예를 들어, 관리 데이터베이스에는 전력 수요 주체(200)에 구비된 IoT 센서(300)에 대한 사양정보, 전력 수요 주체(200)에 대한 3D 맵정보, 전력 수요 주체(200)에 설치된 전력을 소비하는 기계의 종류에 대한 정보 등이 저장될 수 있다.
또한 관리 데이터베이스에는 예측 전력 사용량 데이터를 생성하기 위한 푸리에 급수와, 예측 전력 상한값을 결정하기 위한 전력 상한값 예측 모델이 저장될 수 있다.
또한 데이터베이스(140)는 전력 수요 주체(200)에 대한 전력 관리 서비스를 제공받을 사용자(또는 관리자)의 정보를 저장하는 유저 데이터베이스를 포함할 수 있다. 여기서, 사용자의 정보는 사용자의 이름, 소속, 인적 사항, 성별, 나이, 연락처, 이메일, 주소, 이미지 등 사용자에 대한 기본적인 정보와, 아이디(ID) (또는 이메일) 및 패스워드(password) 등 사용자의 인증(로그인)에 대한 정보, 접속 국가, 접속 위치, 접속에 이용한 장치에 대한 정보, 접속된 네트워크 환경 등 접속과 관련된 정보 등을 포함할 수 있다.
또한 유저 데이터베이스에는 사용자의 고유정보와, 전력 관리 어플리케이션 또는 전력 관리 사이트에 접속한 사용자가 제공받은 정보 및/또는 카테고리 이력, 사용자가 설정한 환경 설정 정보, 사용자가 이용한 자원 사용량 정보, 사용자의 자원 사용량에 대응한 과금 및 결제 정보가 저장될 수 있다.
전력 관리부(150)는 전력 수요 주체(200)에 구비된 IoT 센서(300)로부터 수집한 센싱 데이터를 이용하여 시계열 전력 사용량 데이터를 생성할 수 있다. 전력 관리부(150)는 시계열 전력 사용량 데이터를 계수가 피팅된 푸리에 급수에 적용하여 미래의 예측 전력 사용량 데이터를 생성할 수 있다. 전력 관리부(150)는 예측 전력 사용량 데이터를 생성하기 이전에 예측 전력 사용량 데이터로부터 주기 함수로서의 푸리에 급수를 산출하고, 푸리에 급수의 계수를 피팅 할 수 있다. 전력 관리부(150)는 예측 전력 사용량 데이터를 전력 상한값 예측 모델에 입력하여 예측 전력 상한값을 결정하고 예측 전력 피크 가이드라인을 생성할 수 있다. 전력 관리부(150)는 예측 전력 상한값을 결정하기 이전에, 전력 상한값 예측 모델을 생성하여 저장할 수 있다. 전력 관리부(150)는 입력되는 현재 시계열 전력 사용량 데이터로부터 예측 전력 피크 가이드라인까지의 거리를 기반으로 하여 전기 요금이 초과되는 알람을 발생할 수 있다.
제어부(160)는 일종의 중앙처리장치로서 프로그램 저장부(130)에 탑재된 제어 소프트웨어를 구동하여 전력 관리 장치(100) 전체의 동작을 제어할 수 있다. 제어부(160)는 프로세서(processor)와 같이 데이터를 처리할 수 있는 모든 종류의 장치를 포함할 수 있다. 여기서, '프로세서(processor)'는, 예를 들어 프로그램 내에 포함된 코드 또는 명령어로 표현된 기능을 수행하기 위해 물리적으로 구조화된 회로를 갖는, 하드웨어에 내장된 데이터 처리 장치를 의미할 수 있다. 이와 같이 하드웨어에 내장된 데이터 처리 장치의 일 예로써, 마이크로프로세서(microprocessor), 중앙처리장치(central processing unit: CPU), 프로세서 코어(processor core), 멀티프로세서(multiprocessor), ASIC(application-specific integrated circuit), FPGA(field programmable gate array) 등의 처리 장치를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.
도 3은 도 2의 전력 관리 장치 중 전력 관리부의 구성을 개략적으로 설명하기 위하여 도시한 블록도이고, 도 4는 본 실시 예에 따른 IoT 센서로부터 수집한 데이터를 이용하여 생성한 분당 전력 데이터를 설명하는 도면이고, 도 5는 본 실시 예에 따른 피팅된 푸리에 급수의 계수를 보이는 도면이고, 도 6은 본 실시 예에 따른 평균 전력 사용량을 계수가 피팅된 푸리에 급수에 적용하여 생성한 예측 평균 전력 사용량 데이터를 가시화한 그래프이고, 도 7은 본 실시 예에 따른 강화학습 기반의 예측 전력 피크 가이드라인의 결정을 설명하는 도면이고, 도 8은 본 실시 예에 따른 예측 전력 피크 가이드라인을 가시화한 그래프이고, 도 9 및 도 10은 본 실시 예에 따른 전력 관리를 위한 알람 발생의 예시도이다. 이하의 설명에서 도 1 및 도 2에 대한 설명과 중복되는 부분은 그 설명을 생략하기로 한다.
도 3 내지 도 10을 참조하면, 전력 관리부(150)는 수집부(151), 제1 처리부(152), 제2 처리부(153) 및 제3 처리부(154)를 포함할 수 있다.
수집부(151)는 전력 수요 주체(200)에 구비된 IoT 센서(300)로부터 수집한 센싱 데이터를 이용하여 시계열 전력 사용량 데이터를 생성할 수 있다. 본 실시 예에서, 수집부(151)는 IoT 센서(300)로부터 수집한 센싱 데이터를 기설정된 분류 기준을 적용하여 분류하고, 분류 기준에 따라 분류된 센싱 데이터로부터 센싱 시간에 대응하는 전력 사용량 데이터를 포함하는 시계열 데이터를 생성할 수 있다.
여기서 분류 기준은 제1 분류 기준 내지 제4 분류 기준을 포함할 수 있다. 제1 분류 기준은 센싱 데이터를 주간에 비해 전력 사용량이 적은 심야 시간대(예를 들어, 22시부터 08시까지)로 분류하는 기준을 포함할 수 있다. 심야 전력은 주간에 비해 사용량이 적은 심야시간대의 기저부하를 담당하는 원자력 발전 및 화력 발전 등의 발전력에 주로 사용하며, 주간에 사용하는 전력을 야간에 이동시키는 부화 평준화 정책(peak shift)에 부합될 수 있다.
제2 분류 기준은 센싱 데이터를 전력 사용량이 많은 하계(예를 들어, 6월부터 8월까지)로 분류하는 하는 기준을 포함할 수 있다. 이상 고온, 발전소 정지 사고 등으로 하계 전력 수급에 대한 우려가 고조되고 있음에 따라, 제2 분류 기준을 통하여 전력 예비율의 위험 단계별 단위 공장 가동 중단 프로그램 또는 자가 발전 사용 계획 등을 수립할 수 있다.
제3 분류 기준은 센싱 데이터를 전력 사용량이 하계보다 적은 동계(예를 들어, 12월부터 2월까지)로 분류하는 기준을 포함할 수 있다. 제3 분류 기준을 통하여 추운 날씨에 의한 난방 및 전력 수요 주체(200) 가동률을 위해 필요한 전력 수급 계획을 수립할 수 있다.
제4 분류 기준은 센싱 데이터를 시간에 따라 분(minute)별, 시간(hour)별, 요일(day)별, 주(week)별, 달(month)별 및 년(year)별로 분류하는 기준을 포함할 수 있다. 특이한 영향을 미치지 않는 전력 수준을 따로 분류해서 전력 수급 계획을 수립할 수 있다.
도 4는 수집부(151)가 IoT 센서(300)로부터 수집한 센싱 데이터에 제1 분류 기준을 적용하여 생성한 시계열 전력 사용량 데이터를 도시하고 있다. 구체적으로, 도 4에 도시된 시계열 전력 사용량 데이터는 과거부터 현재까지 IoT 센서(300)로부터 수집한 센싱 데이터 중 심야 시간대의 전력 사용량 데이터를 제1 타임 스텝 단위로 생성한 예를 도시하고 있다.
제1 처리부(152)는 수집부(151)에서 생성된 시계열 전력 사용량 데이터를 계수가 피팅된 푸리에 급수에 적용하여 미래의 예측 전력 사용량 데이터를 생성할 수 있다.
제1 처리부(152)는 미래의 예측 전력 사용량 데이터를 생성하기 이전에, 예측 전력 사용량 데이터로부터 주기 함수로서의 푸리에 급수를 산출하고, 푸리에 급수의 계수를 피팅 할 수 있다. 푸리에 급수의 계수를 피팅하기 위해 제1 처리부(152)는 기설정된 시간을 갖는 T개의 제1 타임 스텝으로 구성되는 제1 주기 동안의 이전 시계열 전력 사용량 데이터군에 대한 평균 전력 사용량 데이터를 산출할 수 있다. 예를 들어, 과거(예를 들어, 1980년 1월 1일) 제1 주기(0시부터 24시까지) 동안의 제1 타임 스텝 단위의 시계열 전력 사용량 데이터부터 현재(예를 들어, 2022년 7월 17일) 제1 주기 동안의 제1 타임 스텝 단위의 시계열 전력 사용량 데이터까지의 평균 전력 사용량 데이터를 산출할 수 있다. 평균 전력 사용량 데이터는 제1 주기 동안의 제1 타임 스텝 단위의 평균 시계열 전력 사용량일 수 있다. 예를 들어, 본 실시 예에서 2022년 7월 18일 제1 주기 동안의 제1 타임 스텝 단위의 평균 전력 사용량 데이터를 예측하기 위해, 과거(1980년 1월 1일)부터 이전(2022년 7월 17일)까지 제1 주기 동안의 제1 타임 스텝 단위의 전력 사용량 데이터로부터 산출한 평균 전력 사용량 데이터를 이용할 수 있다.
제1 처리부(152)는 평균 전력 사용량 데이터를 비선형 최소 자승법(non-linear least squre)을 기반으로 커브 피팅(curve fitting)하여 하기 수학식 1에 표현된 푸리에 급수에 적용하여 푸리에 급수의 계수를 피팅할 수 있다.
Figure pat00001
여기서,
Figure pat00002
는 미래의 평균 예측 전력 사용량 데이터를 나타내고,
Figure pat00003
,
Figure pat00004
및
Figure pat00005
은 이전 전력 사용량 데이터군의 평균값을 이용하여 피팅된 계수를 나타내고,
Figure pat00006
는 고정되어 있고,
Figure pat00007
는 시간(예를 들어, 제1 타임 스텝)을 나타낼 수 있다.
도 5에는 평균 전력 사용량 데이터를 비선형 최소 자승법(non-linear least squre)을 기반으로 커브 피팅(curve fitting)하여 산출한 17개의 푸리에 급수의 계수를 도시하고 있다.
제1 처리부(152)는 계수(
Figure pat00008
,
Figure pat00009
및
Figure pat00010
)가 피팅된 푸리에 급수에, 예측할 미래의 시간 데이터(
Figure pat00011
: 제1 주기를 갖는 T개의 제1 타임 스텝)를 입력하여 다음(미래) 제1 주기의 T개의 제1 타임 스텝에 대한 제1 예측 평균 전력 사용량 데이터를 생성할 수 있다.
도 6은 도 4에 도시된 시계열 전력 사용량 데이터로부터 산출한 평균 전력 사용량을 평균 전력 사용량을, 계수가 피팅된 푸리에 급수에 적용하여 생성한 제1 예측 평균 전력 사용량 데이터를 가시화한 그래프로서, 가로축은 시간을 나타내고 세로축은 전력량을 나타내고 있다. 도 6으로부터 610은 제1 분류 기준으로 분류한 시계열 전력 사용량 데이터에 대한 평균 전력 사용량 데이터를 가시화한 그래프이고, 620은 피팅된 계수를 이용하여 산출한 예측 평균 전력 사용량 데이터를 가시화한 그래프를 나타내고 있다.
제2 처리부(153)는 제1 처리부(152)가 생성한 제1 예측 평균 전력 사용량 데이터를 전력 상한값 예측 모델에 입력하여 예측 전력 상한값을 결정하고 예측 전력 피크 가이드라인을 생성할 수 있다.
제2 처리부(153)는 전력 상한값 예측 모델을 이용하여 예측 전력 상한값을 결정하기 이전에, 전력 상한값 예측 모델을 생성할 수 있다.
제2 처리부(153)는 전력 상한값 예측 모델 생성 시에, 제1 처리부(152)에서 출력되는 제1 예측 평균 전력 사용량 데이터로부터 제2 예측 평균 전력 사용량 데이터를 산출할 수 있다. 여기서, 제1 예측 평균 전력 사용량 데이터는 계수가 피팅된 푸리에 급수에 예측할 미래의 시간 데이터(
Figure pat00012
: 제1 주기를 갖는 T개의 제1 타임 스텝)를 입력하여 산출될 수 있다. 여기서 제1 예측 평균 전력 사용량 데이터의 개수는 1440개일 수 있다. 또한 제2 예측 평균 전력 사용량 데이터는, 제1 예측 평균 전력 사용량 데이터를 제1 주기를 같는 L개의 제2 타임 스텝으로 분류하고, 제2 타입스텝에 포함되는 제1 예측 평균 전력 사용량 데이터의 평균값으로 산출될 수 있다. 여기서 제2 예측 평균 전력 사용량 데이터의 개수는 96개 일 수 있다.
제2 처리부(153) 강화학습 기반의 신경망 모델의 훈련을 통하여 제2 예측 평균 전력 사용량으로부터 예측 전력 상한값을 결정하는 전력 상한값 예측 모델을 생성할 수 있다.
도 7a는 에이전트(agent) 및 환경(evnvironment)을 포함하는 강화학습 기반의 신경망 모델을 도시하고 있고, 도 7b는 에이전트(agent)가 예측 전력 상한값을 결정하는 행동(action) 및 보상(reward)을 상세하게 설명하기 위한 예시도이다.
도 7a로부터 에이전트(agent)에는 복수개의 전력 상한값이 기설정되어 있을 수 있다. 복수개의 전력 상한값은 전년도 전력 피크 가이드라인(도 8의 730)에 설정된 전력값보다 낮은 전력값으로 복수개 설정될 수 있다. 예를 들어 복수개의 전력 상한값은 1000kw(제1 전력 상한값)부터 10000kw(제10 전력 상한값)까지 1000kw 단위로 10개의 전력 상한값이 설정될 수 있다.
에이전트(agent)는 제2 예측 평균 전력 사용량 데이터가 입력되는 주어진 상태(state: st)에 대하여, 제2 예측 평균 전력 사용량 데이터 및 복수개의 전력 상한값 대한 전력 차이를 기반으로 하여 복수개의 전력 상한값 중 어느 한 전력 상한값을 예측 전력 상한값으로 결정하는 행동(action)을 수행할 수 있다.
여기서 전력 차이는 도 7b에 도시된 바와 같은 면적의 차이를 포함할 수 있다. 도 7b로부터 A는 에이전트(agent)에 입력으로 주어지는 상태(state)로서, 제2 예측 평균 전력 사용량 데이터일 수 있다. 여기서, 제2 예측 평균 전력 사용량 데이터는 제2 타임 스텝 동안의 제1 예측 평균 전력 사용량 데이터에 대한 평균값일 수 있다. 또한 도 7b로부터 B는 에이전트(agent)에 설정된 복수개의 전력 상한값에 대한 면적일 수 있으며, 제1 전력 상한값에 대한 제1 면적(B1) 내지 제10 전력 상한값에 대한 제10 면적(B10)을 포함할 수 있다.
에이전트(agent)는 제2 예측 평균 전력 사용량 데이터의 면적(A) 및 복수개의 전력 상한값의 면적(B: B1-B10)에 대한 면적의 차이를 산출하고, 면적의 차이가 가장 작은 어느 한 전력 상한값을 예측 전력 상한값으로 결정하는 행동(action)을 수행할 수 있다.
본 실시예에서 신경망 모델은 에이전트(agent)가 결정한 예측 전력 상한값에 대응하는 면적의 차이를 보상(reward) 받도록 훈련될 수 있다.
본 실시 예에서 신경망 모델은 에이전트(agent)의 주어진 상태(sate) 및 행동(action)을 입력받아 보상(reward) 및 다음 상태(state: st+1)를 반환하는 환경(evnvironment)에서, 에이전트(agent)가 최대 보상(reward)을 받도록 주어진 상태에서 행동(action)을 수행하고 예측 전력 상한값의 결정 성능을 업데이트하도록 구성될 수 있다.
본 실시 예에서 강화학습 기반의 신경망은 DQN(deep Q-nekwork) 또는 Q-Learning인 강화학습 기반의 신경망을 이용할 수 있다.
예측 전력 상한값을 결정하기 위한 강화학습의 실습에서 사용하는 환경은 OpenAI Gym의 gym 패키지 환경을 이용할 수 있다. OpenAI Gym은 강화학습을 도와주고, 좀 더 일반적인 상황에서 강화학습을 할 수 있게 해주는 라이브러리이다. 이밖에 TensorFlow와 같은 예측 전력 상한값 결정을 위한 인공신경망 기반 강화학습에 적합한 다른 라이브러리들이 사용될 수 있다.
제2 처리부(153)는 이러한 신경망 모델의 훈련을 통하여 제2 예측 평균 전력 사용량 데이터로부터 예측 전력 상한값을 결정하는 전력 상한값 예측 모델을 생성하여 저장할 수 있다.
이로부터 전력 상한값 예측 모델에 예측 전력 사용량 데이터가 입력되면 대응하는 예측 전력 상한값이 출력될 수 있다. 제2 처리부(153) 제1 주기 동안 제2 타임 스텝마다 전력 상한값 예측 모델을 통해 출력되는 L개의 예측 전력 상한값에 대한 평균값을 제1 주기 동안의 예측 전력 피크 가이드라인으로 생성할 수 있다.
도 8은 본 실시 예에 따른 예측 전력 피크 가이드라인을 가시화한 그래프이다. 도 8을 참조하면, 810은 제1 분류 기준으로 분류한 시계열 전력 사용량 데이터에 대한 평균 전력 사용량 데이터를 가시화한 그래프이고, 820은 피팅된 계수를 이용하여 산출한 예측 평균 전력 사용량 데이터를 가시화한 그래프를 나타내고 있고, 830은 전년도 전력 피크 가이드라인을 가시화한 그래프를 나타내고 있고, 840은 820의 예측 평균 전력 사용량 데이터를 이용하여 생성한 예측 전력 피크 가이드라인을 가시화한 그래프이다. 본 실시 예에서 840의 예측 전력 피크 가이드라인은 830의 전년도 전력 피크 가이드라인보다 더 작게 결정될 수 있다.
제3 처리부(154)는 전력 피크 가이드라인이 결정되면, 입력되는 현재의 시계열 전력 사용량 데이터로부터 예측 전력 피크 가이드라인까지의 거리를 기반으로 하여 전기 요금이 초과되는 알람을 발생시킬 수 있다. 제3 처리부(154)는 현재의 시계열 전력 사용량 데이터로 및 예측 전력 피크 가이드라인으로부터 산출한 유클리디안 거리(Euclidean distance)가 기설정된 임계값 미만임에 따라 전기 요금이 초과될 수 있는 예측 시간대를 포함하는 알람을 발생하고, 이 알람을 사용자 단말기(400)에 전송할 수 있다. 여기서 유클리디안 거리는 두 점(시계열 전력 사용량 데이터 및 예측 전력 피크 가이드라인의 전력값)사이의 상대적 거리차를 산출하는 척도로서, 유클리디안 거리가 가까울수록 시계열 전력 사용량 데이터가 예측 전력 피크 가이드라인과 가까이 있음을 알 수 있다.
도 9 및 도 10은 본 실시 예에 따른 전력 관리를 위한 알람 발생의 예시도이다. 도 9를 참조하면, 제3 처리부(154)는 입력되는 현재의 시계열 전력 사용량 데이터 및 예측 전력 피크 가이드라인으로부터 산출한 유클리디안 거리(Euclidean distance)가 기설정된 임계값 미만임에 따라, 전력 수요 주체(200)가 포함되는 3D 맵 상에 전기 요금이 초과될 수 있는 예측 시간대를 포함하는 텍스트 정보가 포함된 팝업 창과 알람을 발생하여 사용자 단말기(400)로 출력한 예를 도시하고 있다.
도 10을 참조하면, 제3 처리부(154)는 입력되는 현재의 시계열 전력 사용량 데이터 및 예측 전력 피크 가이드라인으로부터 산출한 유클리디안 거리(Euclidean distance)가 기설정된 임계값 미만임에 따라, 전력 수요 주체(200)가 포함되는 3D 맵 상에, 알람이 발생할 전력 수요 주체(200)를 특정색(예를 들어, 붉은색)으로 표시하여 점등하는 그래픽과 알람을 발생하여 사용자 단말기(400)로 출력한 예를 도시하고 있다.
알람을 수신한 사용자 단말기(400)는 전력 수요 주체(200)의 전력이 절감될 수 있도록, 전력 수요 주체(200)의 불필요한 전력 또는 차단 가능한 전력을 차단하여 알람 발생을 해제함으로써 전기 요금이 절감될 수 있도록 관리할 수 있다.
도 11은 다른 실시 예에 따른 데이터 분류 장치의 구성을 개략적으로 설명하기 위하여 도시한 블록도이다. 이하의 설명에서 도 1 내지 도 11에 대한 설명과 중복되는 부분은 그 설명을 생략하기로 한다. 도 12를 참조하면, 다른 실시 예에 따른 전력 관리 장치(100)는 프로세서(170)와 메모리(180)를 포함할 수 있다.
본 실시 예에서, 프로세서(170)는 도 2 및 도 3에 개시된 통신부(110), 저장 매체(120), 프로그램 저장부(130), 데이터베이스(140), 전력 관리부(150) 및 제어부(160)가 수행하는 기능을 처리할 수 있다.
이러한 프로세서(170)는 전력 관리 장치(100) 전체의 동작을 제어할 수 있다. 여기서, '프로세서(processor)'는, 예를 들어 프로그램 내에 포함된 코드 또는 명령어로 표현된 기능을 수행하기 위해 물리적으로 구조화된 회로를 갖는, 하드웨어에 내장된 데이터 처리 장치를 의미할 수 있다. 이와 같이 하드웨어에 내장된 데이터 처리 장치의 일 예로써, 마이크로프로세서, 중앙처리장치, 프로세서 코어, 멀티프로세서, ASIC, FPGA 등의 처리 장치를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.
메모리(180)는 프로세서(170)와 동작 가능하게 연결되고, 프로세서(170)에서 수행되는 동작과 연관하여 적어도 하나의 코드를 저장할 수 있다.
또한, 메모리(180)는 프로세서(170)가 처리하는 데이터를 일시적 또는 영구적으로 저장하는 기능을 수행할 수 있으며, 데이터베이스(140)로 구축된 데이터를 포함할 수 있다. 여기서, 메모리(180)는 자기 저장 매체 또는 플래시 저장 매체를 포함할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다. 이러한 메모리(180)는 내장 메모리 및/또는 외장 메모리를 포함할 수 있으며, DRAM, SRAM, 또는 SDRAM 등과 같은 휘발성 메모리, OTPROM, PROM, EPROM, EEPROM, mask ROM, flash ROM, NAND 플래시 메모리, 또는 NOR 플래시 메모리 등과 같은 비휘발성 메모리, SSD, CF 카드, SD 카드, Micro-SD 카드, Mini-SD 카드, xD 카드, 또는 메모리 스틱 등과 같은 플래시 드라이브, 또는 HDD와 같은 저장 장치를 포함할 수 있다
도 12는 본 실시 예에 따른 전력 관리 방법을 설명하기 위한 흐름도이다. 이하의 설명에서 도 1 내지 도 11에 대한 설명과 중복되는 부분은 그 설명을 생략하기로 한다. 본 실시 예에 따른 전력 관리 방법 방법은 전력 관리 장치(100)가 주변 구성 요소들의 도움을 받아 프로세서(170)에서 수행한다고 가정하고 설명하기로 한다.
도 12를 참조하면, S1210단계에서, 프로세서(170) 전력 수요 주체(200)에 구비된 IoT 센서(300)로부터 수집한 센서 데이터를 이용하여 시계열 전력 사용량 데이터를 생성할 수 있다. 본 실시 예에서 프로세서(170)는 IoT 센서(300)로부터 수집한 센싱 데이터를 기설정된 분류 기준을 적용하여 분류하고, 분류 기준에 따라 분류된 센싱 데이터로부터 센싱 시간에 대응하는 전력 사용량 데이터를 포함하는 시계열 전력 사용량 데이터를 생성할 수 있다. 여기서, 분류 기준은 센싱 데이터를 주간에 비해 전력 사용량이 적은 심야 시간대로 분류하는 제1 분류 기준과, 센싱 데이터를 전력 사용량이 많은 하계로 분류하는 제2 분류 기준과, 센싱 데이터를 전력 사용량이 하계보다 적은 동계로 분류하는 제3 분류 기준과, 센싱 데이터를 시간에 따라 분(minute)별, 시간(hour)별, 요일(day)별, 주(week)별, 달(month)별 및 년(year)별로 분류하는 제4 분류 기준을 포함할 수 있다.
S1220단계에서, 프로세서(170)는 시계열 전력 사용량 데이터를 계수가 피팅된 푸리에 급수에 적용하여 미래의 예측 전력 사용량 데이터를 생성할 수 있다. 여기서, 프로세서(170)는 예측 전력 사용량 데이터를 생성하기 이전에, 예측 전력 사용량 데이터로부터 주기 함수로서의 푸리에 급수를 산출하고, 푸리에 급수의 계수를 피팅할 수 있다. 프로세서(170)는 푸리에 급수의 계수를 피팅 시에, 기설정된 시간을 갖는 T개의 제1 타임 스텝으로 구성되는 제1 주기 동안의 이전 전력 사용량 데이터군에 대한 평균 전력 사용량 데이터를 산출할 수 있다. 프로세서(170)는 평균 전력 사용량을 비선형 최소 자승법(non-linear least squre)을 기반으로 커브 피팅(curve fitting)하여 푸리에 급수의 계수를 피팅할 수 있다. 따라서, 프로세서(170)는 다음 제1 주기 동안의 T개의 제1 타임 스텝 각각을 계수가 피팅된 푸리에 급수에 적용하여 다음 제1 주기 동안의 T개의 제1 타임 스텝 각각에 대응하는 제1 예측 평균 전력 사용량 데이터를 생성할 수 있다.
S1230단계에서, 프로세서(170)는 예측 전력 사용량 데이터를 입력으로 하여 예측 전력 상한값을 결정하는 전력 상한값 예측 모델을 이용하여 예측 전력 사용량 데이터로부터 예측 전력 상한값을 결정하고 예측 전력 피크 가이드라인을 생성할 수 있다. 본 실시 예에서 프로세서(170)는 예측 전력 상한값을 결정하기 이전에, 전력 상한값 예측 모델을 생성할 수 있다. 프로세서(170)는 전력 상한값 예측 모델을 생성 시에, 제1 타임 스텝보다 더 긴 시간을 갖는 L개의 제2 타임 스텝으로 구성되는 제1 주기 동안의 제1 예측 평균 전력 사용량 데이터에 대한 평균으로서의 제2 예측 평균 전력 사용량 데이터를 산출할 수 있다. 프로세서(170)는 복수개의 전력 상한값이 기설정된 에이전트(agent)가 제2 예측 평균 전력 사용량 데이터가 입력되는 주어진 상태(state)에 대하여, 제2 예측 평균 전력 사용량 데이터 및 복수개의 전력 상한값 대한 전력 차이를 기반으로 하여 복수개의 전력 상한값 중 어느 한 전력 상한값을 예측 전력 상한값로 결정하는 행동(action)을 수행하고, 에이전트가 결정한 예측 전력 상한값에 대응하는 전력 차이를 보상(reward) 받도록 신경망 모델을 훈련시킬 수 있다. 본 실시 예에서, 신경망 모델은, 에이전트의 주어진 상태 및 행동을 입력받아 보상 및 다음 상태(state)를 반환하는 환경(evnvironment)에서, 에이전트는 최대 보상을 받도록 주어진 상태에서 행동을 수행하고 예측 전력 상한값의 결정 성능을 업데이트하도록 구성된 강화학습 기반의 신경망 모델일 수 있다. 또한 강화학습 기반의 신경망은 DQN(deep Q-network)인 강화학습 기반의 신경망을 이용할 수 있다. 프로세서(170)는 신경망 모델의 훈련을 통하여 제2 예측 평균 전력 사용량 데이터로부터 예측 전력 상한값을 결정하는 전력 상한값 예측 모델을 생성하여 저장할 수 있다. 이후, 프로세서(170)는 제1 주기 동안 제2 타임 스텝마다 전력 상한값 예측 모델을 통해 출력되는 L개의 예측 전력 상한값에 대한 평균값을 제1 주기 동안의 예측 전력 피크 가이드라인으로 생성할 수 있다.
S1240단계에서, 프로세서(170)는 시계열 전력 사용량 데이터로부터 예측 전력 피크 가이드라인까지의 거리를 기반으로 하여 전기 요금이 초과되는 알람을 발생할 수 있다. 프로세서(170)는 입력되는 현재의 시계열 전력 사용량 데이터 및 예측 전력 피크 가이드라인으로부터 산출한 유클리디안 거리(Euclidean distance)가 기설정된 임계값 미만임에 따라 전기 요금이 초과될 수 있는 예측 시간대를 포함하는 알람을 발생하고, 이 알람을 사용자 단말기(400)에 전송할 수 있다. 알람을 수신한 사용자 단말기(400)는 전력 수요 주체(200)의 전력이 절감될 수 있도록, 전력 수요 주체(200)의 불필요한 전력을 차단 관리할 수 있다.
이상 설명된 본 발명에 따른 실시 예는 컴퓨터 상에서 다양한 구성요소를 통하여 실행될 수 있는 컴퓨터 프로그램의 형태로 구현될 수 있으며, 이와 같은 컴퓨터 프로그램은 컴퓨터로 판독 가능한 매체에 기록될 수 있다. 이때, 매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등과 같은, 프로그램 명령어를 저장하고 실행하도록 특별히 구성된 하드웨어 장치를 포함할 수 있다.
한편, 상기 컴퓨터 프로그램은 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 프로그램의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함될 수 있다.
본 발명의 명세서(특히 특허청구범위에서)에서 "상기"의 용어 및 이와 유사한 지시 용어의 사용은 단수 및 복수 모두에 해당하는 것일 수 있다. 또한, 본 발명에서 범위(range)를 기재한 경우 상기 범위에 속하는 개별적인 값을 적용한 발명을 포함하는 것으로서(이에 반하는 기재가 없다면), 발명의 상세한 설명에 상기 범위를 구성하는 각 개별적인 값을 기재한 것과 같다.
본 발명에 따른 방법을 구성하는 단계들에 대하여 명백하게 순서를 기재하거나 반하는 기재가 없다면, 상기 단계들은 적당한 순서로 행해질 수 있다. 반드시 상기 단계들의 기재 순서에 따라 본 발명이 한정되는 것은 아니다. 본 발명에서 모든 예들 또는 예시적인 용어(예들 들어, 등등)의 사용은 단순히 본 발명을 상세히 설명하기 위한 것으로서 특허청구범위에 의해 한정되지 않는 이상 상기 예들 또는 예시적인 용어로 인해 본 발명의 범위가 한정되는 것은 아니다. 또한, 당업자는 다양한 수정, 조합 및 변경이 부가된 특허청구범위 또는 그 균등물의 범주 내에서 설계 조건 및 팩터에 따라 구성될 수 있음을 알 수 있다.
따라서, 본 발명의 사상은 상기 설명된 실시 예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 또는 이로부터 등가적으로 변경된 모든 범위는 본 발명의 사상의 범주에 속한다고 할 것이다.
100: 전력 관리 장치
200: 수요주체
300: IoT 센서
400: 사용자 단말기

Claims (8)

  1. 전력 관리 장치의 프로세서에 의해 수행되는 전력 관리 방법으로서,
    전력 수요 주체에 구비된 IoT 센서로부터 수집한 센서 데이터를 이용하여 시계열 전력 사용량 데이터를 생성하는 단계;
    상기 시계열 전력 사용량 데이터를 계수가 피팅된 푸리에 급수에 적용하여 미래의 예측 전력 사용량 데이터를 생성하는 단계;
    예측 전력 사용량 데이터를 입력으로 하여 예측 전력 상한값을 결정하는 전력 상한값 예측 모델을 이용하여 상기 예측 전력 사용량 데이터로부터 예측 전력 상한값을 결정하고 예측 전력 피크 가이드라인을 생성하는 단계; 및
    상기 시계열 전력 사용량 데이터로부터 상기 예측 전력 피크 가이드라인까지의 거리를 기반으로 하여 전기 요금이 초과되는 알람을 발생하는 단계를 포함하는,
    예측 전력 피크 가이드라인을 이용한 전력 관리 방법.
  2. 제 1 항에 있어서,
    상기 시계열 전력 사용량 데이터를 생성하는 단계는,
    상기 IoT 센서로부터 수집한 센싱 데이터를 기설정된 분류 기준을 적용하여 분류하는 단계; 및
    상기 분류 기준에 따라 분류된 센싱 데이터로부터 센싱 시간에 대응하는 전력 사용량 데이터를 포함하는 시계열 전력 사용량 데이터를 생성하는 단계를 포함하고,
    상기 분류 기준은,
    상기 센싱 데이터를 주간에 비해 전력 사용량이 적은 심야 시간대로 분류하는 제1 분류 기준과, 상기 센싱 데이터를 전력 사용량이 많은 하계로 분류하는 제2 분류 기준과, 상기 센싱 데이터를 전력 사용량이 상기 하계보다 적은 동계로 분류하는 제3 분류 기준과, 상기 센싱 데이터를 시간에 따라 분(minute)별, 시간(hour)별, 요일(day)별, 주(week)별, 달(month)별 및 년(year)별로 분류하는 제4 분류 기준을 포함하는,
    예측 전력 피크 가이드라인을 이용한 전력 관리 방법.
  3. 제 2 항에 있어서,
    상기 예측 전력 사용량 데이터를 생성하는 단계 이전에, 상기 예측 전력 사용량 데이터로부터 주기 함수로서의 푸리에 급수를 산출하고, 상기 푸리에 급수의 계수를 피팅하는 단계를 더 포함하고,
    상기 푸리에 급수의 계수를 피팅하는 단계는,
    기설정된 시간을 갖는 T개의 제1 타임 스텝으로 구성되는 제1 주기 동안의 이전 전력 사용량 데이터군에 대한 평균 전력 사용량 데이터를 산출하는 단계; 및
    상기 평균 전력 사용량을 비선형 최소 자승법(non-linear least squre)을 기반으로 커브 피팅(curve fitting)하여 상기 푸리에 급수의 계수를 피팅하는 단계를 더 포함하고,
    상기 예측 전력 사용량 데이터를 생성하는 단계는,
    다음 제1 주기 동안의 상기 T개의 제1 타임 스텝 각각을 상기 계수가 피팅된 푸리에 급수에 적용하여 상기 다음 제1 주기 동안의 상기 T개의 제1 타임 스텝 각각에 대응하는 제1 예측 평균 전력 사용량 데이터를 생성하는 단계를 포함하는,
    전력 피크 가이드라인을 이용한 전력 관리 방법.
  4. 제 3 항에 있어서,
    상기 예측 전력 상한값을 결정하기 이전에, 상기 전력 상한값 예측 모델을 생성하는 단계를 더 포함하고,
    상기 전력 상한값 예측 모델을 생성하는 단계는,
    상기 제1 타임 스텝보다 더 긴 시간을 갖는 L개의 제2 타임 스텝으로 구성되는 제1 주기 동안의 상기 제1 예측 평균 전력 사용량 데이터에 대한 평균으로서의 제2 예측 평균 전력 사용량 데이터를 산출하는 단계;
    복수개의 전력 상한값이 기설정된 에이전트(agent)가 상기 제2 예측 평균 전력 사용량 데이터가 입력되는 주어진 상태(state)에 대하여, 상기 제2 예측 평균 전력 사용량 데이터 및 상기 복수개의 전력 상한값 대한 전력 차이를 기반으로 하여 상기 복수개의 전력 상한값 중 어느 한 전력 상한값을 예측 전력 상한값로 결정하는 행동(action)을 수행하고, 상기 에이전트가 결정한 예측 전력 상한값에 대응하는 전력 차이를 보상(reward) 받도록 신경망 모델을 훈련시키는 단계; 및
    상기 신경망 모델의 훈련을 통하여 상기 제2 예측 평균 전력 사용량 데이터로부터 예측 전력 상한값을 결정하는 전력 상한값 예측 모델을 생성하여 저장하는 단계를 포함하고,
    상기 신경망 모델은,
    상기 에이전트의 상기 주어진 상태 및 상기 행동을 입력받아 상기 보상 및 다음 상태(state)를 반환하는 환경(evnvironment)에서, 상기 에이전트는 최대 보상을 받도록 상기 주어진 상태에서 행동을 수행하고 예측 전력 상한값의 결정 성능을 업데이트하도록 구성된 강화학습 기반의 신경망 모델인,
    예측 전력 피크 가이드라인을 이용한 전력 관리 방법.
  5. 제 4 항에 있어서,
    상기 강화학습 기반의 신경망은 DQN(deep Q-network)인 강화학습 기반의 신경망을 이용하는,
    예측 전력 피크 가이드라인을 이용한 전력 관리 방법.
  6. 제 4 항에 있어서,
    상기 예측 전력 피크 가이드라인을 생성하는 단계는,
    상기 제1 주기 동안 상기 제2 타임 스텝마다 상기 전력 상한값 예측 모델을 통해 출력되는 L개의 예측 전력 상한값에 대한 평균값을 상기 제1 주기 동안의 예측 전력 피크 가이드라인으로 생성하는 단계를 포함하는,
    예측 전력 피크 가이드라인을 이용한 전력 관리 방법.
  7. 컴퓨터를 이용하여 제 1 항 내지 제 6 항의 방법 중 어느 한 항의 방법을 실행시키기 위한 컴퓨터 프로그램이 저장된 컴퓨터로 판독 가능한 기록매체.
  8. 전력 관리 장치로서,
    프로세서; 및
    상기 프로세서와 동작 가능하게 연결되고 상기 프로세서에서 수행되는 적어도 하나의 코드를 저장하는 메모리를 포함하고,
    상기 메모리는 상기 프로세서를 통해 실행될 때, 상기 프로세서가 전력 수요 주체에 구비된 IoT 센서로부터 수집한 센서 데이터를 이용하여 시계열 전력 사용량 데이터를 생성하고,
    상기 시계열 전력 사용량 데이터를 계수가 피팅된 푸리에 급수에 적용하여 미래의 예측 전력 사용량 데이터를 생성하고,
    예측 전력 사용량 데이터를 입력으로 하여 예측 전력 상한값을 결정하는 전력 상한값 예측 모델을 이용하여 상기 예측 전력 사용량 데이터로부터 예측 전력 상한값을 결정하고 예측 전력 피크 가이드라인을 생성하며,
    상기 시계열 전력 사용량 데이터로부터 상기 예측 전력 피크 가이드라인까지의 거리를 기반으로 하여 전기 요금이 초과되는 알람을 발생하도록 야기하는 코드를 저장하는,
    예측 전력 피크 가이드라인을 이용한 전력 관리 장치.
KR1020220094620A 2021-08-10 2022-07-29 예측 전력 피크 가이드라인을 이용한 전력 관리 장치 및 방법 KR102545304B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
PCT/KR2022/011933 WO2023018226A1 (ko) 2021-08-10 2022-08-10 예측 전력 피크 가이드라인을 이용한 전력 관리 장치 및 방법
KR1020230076435A KR20230092852A (ko) 2021-08-10 2023-06-14 예측 전력 피크 가이드라인을 이용한 전력 관리 장치 및 방법

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR20210105478 2021-08-10
KR1020210105478 2021-08-10

Related Child Applications (1)

Application Number Title Priority Date Filing Date
KR1020230076435A Division KR20230092852A (ko) 2021-08-10 2023-06-14 예측 전력 피크 가이드라인을 이용한 전력 관리 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20230024206A true KR20230024206A (ko) 2023-02-20
KR102545304B1 KR102545304B1 (ko) 2023-06-21

Family

ID=85329108

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220094620A KR102545304B1 (ko) 2021-08-10 2022-07-29 예측 전력 피크 가이드라인을 이용한 전력 관리 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102545304B1 (ko)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20030003233A (ko) * 2000-03-10 2003-01-09 가부시키가이샤마크테크 전기요금 관리장치 및 그 기록 매체
KR101355978B1 (ko) 2012-09-20 2014-02-03 전자부품연구원 전력 관리 시스템 및 전력 사용량 예측 방법
KR20160047990A (ko) * 2014-10-23 2016-05-03 김태영 전기요금 절감 시스템 및 그 방법
KR101941003B1 (ko) * 2017-10-19 2019-04-12 광주과학기술원 전력 수요 예측 방법 및 그 시스템
KR20200128232A (ko) * 2019-04-19 2020-11-12 한국전력공사 전력 수요 예측 장치 및 그 방법
KR20210131160A (ko) * 2020-04-23 2021-11-02 한국전력공사 딥러닝 모델 기반의 전력 수요 예측 장치 및 방법

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20030003233A (ko) * 2000-03-10 2003-01-09 가부시키가이샤마크테크 전기요금 관리장치 및 그 기록 매체
KR101355978B1 (ko) 2012-09-20 2014-02-03 전자부품연구원 전력 관리 시스템 및 전력 사용량 예측 방법
KR20160047990A (ko) * 2014-10-23 2016-05-03 김태영 전기요금 절감 시스템 및 그 방법
KR101941003B1 (ko) * 2017-10-19 2019-04-12 광주과학기술원 전력 수요 예측 방법 및 그 시스템
KR20200128232A (ko) * 2019-04-19 2020-11-12 한국전력공사 전력 수요 예측 장치 및 그 방법
KR20210131160A (ko) * 2020-04-23 2021-11-02 한국전력공사 딥러닝 모델 기반의 전력 수요 예측 장치 및 방법

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
푸리에 변환기반., 안유선외 3인, Korean Journal of Air-Conditioning and Refrigeration Engineering Vol. 32, No. 8(2020), pp.386-397* *

Also Published As

Publication number Publication date
KR102545304B1 (ko) 2023-06-21

Similar Documents

Publication Publication Date Title
He et al. Short-term power load probability density forecasting method using kernel-based support vector quantile regression and Copula theory
Banik et al. Uncertain wind power forecasting using LSTM‐based prediction interval
EP3471029A1 (en) Method for automatic cloud control of energy storage systems
KR20140043184A (ko) 에너지 소비량 예측 장치 및 방법
Wu et al. An explainable framework for load forecasting of a regional integrated energy system based on coupled features and multi-task learning
Chakraborty et al. Generation of accurate weather files using a hybrid machine learning methodology for design and analysis of sustainable and resilient buildings
CN109741626A (zh) 停车场停车情况预测方法、调度方法和系统
JP2019060514A (ja) 空調制御装置、空調制御方法、およびプログラム
KR20230092852A (ko) 예측 전력 피크 가이드라인을 이용한 전력 관리 장치 및 방법
Wang et al. A survey on distributed optimisation approaches and applications in smart grids
Poolla et al. Designing near-optimal policies for energy management in a stochastic environment
Brahimi et al. Modelling on car-sharing serial prediction based on machine learning and deep learning
US20230298060A1 (en) Methods, systems, and computer readable media for model-free privacy preserving thermal load management
Khan et al. Comparison of electric vehicle load forecasting across different spatial levels with incorporated uncertainty estimation
Olaru et al. Electricity production and consumption modeling through fuzzy logic
Wei et al. Model-based and data-driven approaches for building automation and control
Teixeira et al. Metamodel-based metaheuristics in optimal responsive adaptation and recovery of traffic networks
KR102133034B1 (ko) 실시간 수집된 수요자 부하 정보를 이용하는 스마트 전력 수요 관리 시스템
Xu et al. PSARE: A RL-Based Online Participant Selection Scheme Incorporating Area Coverage Ratio and Degree in Mobile Crowdsensing
Song et al. Dynamic thermal line rating model of conductor based on prediction of meteorological parameters
KR102545304B1 (ko) 예측 전력 피크 가이드라인을 이용한 전력 관리 장치 및 방법
US20150097531A1 (en) System and method for controlling networked, grid-level energy storage devices
Afshin et al. On efficient tuning of ls-svm hyper-parameters in short-term load forecasting: A comparative study
Hayajneh et al. Intelligent Solar Forecasts: Modern Machine Learning Models & TinyML Role for Improved Solar Energy Yield Predictions
Li et al. A Short‐Term Traffic Flow Reliability Prediction Method considering Traffic Safety

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
A107 Divisional application of patent
GRNT Written decision to grant