KR20230125561A - 나노그리드에서의 최적 에너지 운영 방법 및 시스템 - Google Patents

나노그리드에서의 최적 에너지 운영 방법 및 시스템 Download PDF

Info

Publication number
KR20230125561A
KR20230125561A KR1020220022291A KR20220022291A KR20230125561A KR 20230125561 A KR20230125561 A KR 20230125561A KR 1020220022291 A KR1020220022291 A KR 1020220022291A KR 20220022291 A KR20220022291 A KR 20220022291A KR 20230125561 A KR20230125561 A KR 20230125561A
Authority
KR
South Korea
Prior art keywords
energy
task
optimal
nanogrid
consumption
Prior art date
Application number
KR1020220022291A
Other languages
English (en)
Inventor
김도현
Original Assignee
제주대학교 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 제주대학교 산학협력단 filed Critical 제주대학교 산학협력단
Priority to KR1020220022291A priority Critical patent/KR20230125561A/ko
Publication of KR20230125561A publication Critical patent/KR20230125561A/ko

Links

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
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y10/00—Economic sectors
    • G16Y10/35—Utilities, e.g. electricity, gas or water
    • 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
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • 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]
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • 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
    • Y04S10/12—Monitoring or controlling equipment for energy generation units, e.g. distributed energy generation [DER] or load-side generation
    • Y04S10/123—Monitoring or controlling equipment for energy generation units, e.g. distributed energy generation [DER] or load-side generation the energy generation units being or involving renewable energy sources
    • 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
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Power Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Educational Administration (AREA)
  • Accounting & Taxation (AREA)
  • Computing Systems (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

본 발명은 소규모 집이나 빌딩, 공장 등에서 자체적으로 에너지 공급과 수요를 맞추어 에너지 자급자족을 지원하기 위해 재생 가능 에너지 자원과 재생 불가능 에너지 자원의 구성 요소를 연결하여 에너지 생산과 소비를 효과적으로 유지하도록 하는 지능형의 나노그리드에서 최적 에너지 운영 방법 및 시스템에 관한 것으로, 본 발명에 따른 나노그리드에서 최적 에너지 운영 방법은 예측 최적화부가 에너지 생산 및 소비 예측 알고리즘을 이용해 부하 수요, 에너지 소비, 태양광 발전 및 에너지 비용을 예측하고 최적화하는 예측 최적화 단계; 에너지 부하 밸런싱부가 상기 부하 수요, 상기 에너지 소비, 상기 태양광 발전 및 상기 에너지 비용에 관련되는 부하로 구성되는 에너지 부하와, 생성 에너지 간의 밸런싱을 실행하는 에너지 부하 밸런싱 단계; 및 최적 에너지 공급 장치의 작업 스케줄링부가 상기 부하 수요, 상기 에너지 소비, 상기 태양광 발전 및 상기 에너지 비용에 관련된 IoT 자원에 해당하는 가상 객체를 스케줄링 된 작업에 할당하는 최적 에너지 공급 장치의 작업 스케줄링 단계;를 포함하여 구성된다.

Description

나노그리드에서의 최적 에너지 운영 방법 및 시스템{OPTIMAL ENERGY OPERATION METHOD AND SYSTEM BASED ON PREDICTIVE OPTIMIZATION AND LOAD BALANCING IN NANOGRID}
본 발명은 나노그리드에서 최적 에너지 운영 방법 및 시스템에 관한 것으로, 소규모 집이나 빌딩, 공장 등에서 자체적으로 에너지 공급과 수요를 맞추어 에너지 자급자족을 지원하기 위해 재생 가능 에너지 자원과 재생 불가능 에너지 자원의 구성 요소를 연결하여 에너지 생산과 소비를 효과적으로 유지하도록 하는 지능형의 나노그리드에서 최적 에너지 운영 방법 및 시스템에 관한 것이다.
사물인터넷(IoT)은 현 시대의 가장 핵심적인 기술로서 물리적 계(系)와 디지털 계를 통합하는 스마트 세계의 개념을 도입함으로써 인류의 다양한 삶에 엄청난 변화를 가져왔다. 이는 인터넷을 사용하는 네트워크의 다른 장치와 통신하거나 데이터를 교환하기 위해 센서, 소프트웨어 또는 기타 기술이 내장된 여러 물리적 장치를 포함하는 네트워크의 연결을 용이하게 한다. 수많은 물리적 개체를 통합하고 여기에 센서를 통합하면 모든 장치에 디지털 지능이 추가되어 실시간 데이터를 처리하기 위해 사람이 개입하는 것을 완화할 수 있다. IoT에 대한 최근 분석에 따르면 IoT 연결 장치의 수는 2030년까지 254억 개를 초과할 것이며, 이 중 60%가 미션 크리티컬(mission-critical) 애플리케이션(통신 시스템, 재난 통신망, 항공 관제시스템, 데이터베이스 시스템 등)에 속할 것으로 예측되고 있다.
최근 미션 크리티컬 애플리케이션이 IoT 기술을 채택하여 중요한 관리 프로세스를 스마트하게 관리하고 있다. 무선 센서 네트워크(WSN) 및 실시간 IoT 프레임워크의 발전으로 미션 크리티컬 애플리케이션 설계자에게 실행 가능성(feasibility)이 제공되었으며, 이러한 미션 크리티컬 시스템은 스마트 내비게이션 시스템, 스마트 헬스케어 시스템 및 전력 시스템에 널리 구현된다. 그러나 이러한 응용 프로그램의 중요한 특성은 네트워크의 불가피한 지연으로 인해 전체 시스템 성능에 부정적인 영향을 미치고 응용 프로그램의 중요한 구성 요소의 원활한 실행을 방해하기 때문에 몇 가지 장애에 직면하게 된다. 이러한 애플리케이션의 실시간 관리에서 발생하는 오류는 전체 작업 흐름을 방해할 수 있으며, 그로 인해 소속 엔터티들이 위태로워질 수 있다. 게다가, 하나의 중요한 구성 요소에 장애가 발생하면 상호 작용하는 여러 프로세스의 작업 흐름이 중단될 수 있다. 예를 들어, 전력 시스템의 실시간 전력 공급 능력 부족으로 소비자의 신뢰성과 전력 회사의 명성을 잃을 수 있다.
또한 기존의 미션 크리티컬 애플리케이션은 기계 간 통신 전략을 채택한다. 끊임없는 네트워크 지연으로 인해 애플리케이션 계층 프로토콜(예: HTTP)이 수행하는 통신은 신뢰할 수 없었다. 따라서 그동안 IoT 애플리케이션의 원격 관리는 적절한 성공을 달성할 수 없었다. 미션 크리티컬 IoT 애플리케이션은 프로세스의 성공적인 원격 운영을 위해 보장되어야 하는 신뢰성, 확장성, 실시간 응답성, 이질성 및 확장성과 같은 여러 필수 측면에 대한 고려를 요구하므로, 응용 프로그램의 중요한 설계 단계가 지능적으로 조정되면 상기 측면을 달성할 수 있고, 따라서 설계 단계에서 중요한 요소를 통합하는 것이 중요하다. IoT 응용 프로그램에 이러한 특성을 추가하기 위해 DIY(Do-it-Yourself) 메커니즘이 제안되고, 또한, 언급된 요소를 통합하기 위해 모델 구동 시스템이 권장되고 있다.
최근에는 조정(orchestration)이 관심을 끌고 있다. 조정은 IoT 지원 시스템 구성 요소의 자동 구성, 관리 및 조직화를 제공하는 프로세스이다. 즉, 프레임워크의 한 요소에서 다른 측면으로 프로세스의 자율적인 흐름을 조정(orchestration)이라고 한다. 현재 조정 개념은 전체 실행 프로세스를 가상화된 방식으로 효율적으로 관리하기 위해 미션 크리티컬 애플리케이션의 아키텍처와 혼합되어 있다. 따라서 조정은 의료분야에서 스마트 그리드 에너지 분야에 이르는 프레임워크의 확장성, 유연성 및 견고성을 향상시키는 데 도움이 된다.
그러나 다른 영역, 특히 의료 부문과 달리 스마트 그리드 기반 시스템은 확장성 및 유연성 측면에서 자율 에너지 운영의 잠재력을 완전히 활용하기 위해 조정해야 한다. 종래 기술에서는 서비스 수준(service-level) 조정을 도입했지만 작업 수준(task level)에서 조정을 구현하는 데 중점을 두고 있지 않다. 그러므로 상기 측면의 맥락에서 성능을 향상시키는 데 중점을 둔 최적의 조정이 매우 중요하다.
현재 대부분의 중앙 발전기는 전기를 생산하기 위해 기존의 에너지 수단에 의존하며, 이러한 자원에는 석유, 천연 가스, 석탄 및 원자력 에너지가 포함되고(화석 연료 기반 솔루션), 세계 에너지의 약 80%를 생성하는 데 기여하고 있다. 이러한 재생 불가능한 에너지 자원은 연간 약 308억 톤의 CO2를 환경으로 오염시켜 환경 오염의 주요 위협이 되고 있다. 반면에 태양열, 풍력 및 열수와 같은 천연 자원은 환경에 해를 끼치지 않으면서 계속 증가하는 전력 요구 사항을 충족할 수 있는 큰 잠재력을 가지고 있으나 이러한 재생 에너지 자원은 자연 기상 확률에 대한 의존도가 높기 때문에 적절한 양의 에너지를 생산하지 못하는 경우가 많다. 이러한 상황에서 이상적인 솔루션은 재생 가능 에너지 자원과 재생 불가능 에너지 자원을 모두 통합하여 집합적 용량으로 구성되며, 이를 하이브리드 재생 가능 에너지 자원(hybrid renewable energy source: HRES)이라고 한다.
지난 몇 년 이래로 분산 발전(distributed generation: DG)은 그리드 확장성의 필요성을 완화할 수 있는 능력 때문에 주목받았다. DG는 현장 에너지를 생성할 수 있는 최상의 소스 중 하나로 간주되지만, 설치 비용 및 즉각적인 전력 공급과 같은 문제가 있다. 이러한 문제를 극복하기 위해 마이크로그리드 또는 나노그리드 형태의 제어 시스템이 도입되었다. 이러한 시스템은 제한된 지리적 영역의 에너지 수요를 충족시키기 위해 전기를 생성하기에 충분한 용량을 보유하며 나노그리드는 단일 건물에 대해 전기를 생산하는 DG의 필수적인 측면으로 간주된다. 즉, 격리되거나 게이트웨이를 통해 주 전력망에 연결되어 제한된 지리적 영역에 서비스를 제공할 수 있는 제한된 전력 공급 시스템인 셈이다. 최근에는 신뢰성을 높이고 전원 공급 장치의 손실을 최소화하기 위해 나노그리드용 태양광의 크기를 결정하기 위한 분석 방법으로 다양한 나노그리드 구조 기반의 최적화 솔루션이 제시되었다. 또한 DG 유닛과 배터리의 최적 크기를 위한 비용을 줄이기 위해 혼합 정수 선형 계획법(MILP: mixed integer linear programming)이 제안되었다. 태양광 에너지(Photovoltaic solar energy: PV)는 광전 효과 기술을 사용하여 태양광을 전기로 변환한다. 최근 PV 시스템은 최소 투자 비용, 건물(예: 옥상)에 통합 가능한 통합 및 효율적인 성능을 가지고 있어 에너지를 생성하는 데 사용되고 있다. PV를 에너지 저장 장치와 함께 연료 기반 소스와 통합하면 하이브리드 재생 에너지 시스템(HRES)이 형성되며, 이는 에너지 비용 및 이산화탄소 배출 감소와 관련된 원하는 결과를 달성하는 데 매우 유용한 것으로 확인되었으나, 나노그리드 기반 시설을 위해서 재생 가능 및 재생 불가능 에너지 자원의 집합적 잠재력을 활용하려는 시도는 거의 없었다.
본 발명은 전술한 문제를 해결하기 위해 안출된 것으로서, 본 발명에 따르면 소규모의 집이나 빌딩 또는 공장 등에서 자체적으로 에너지 공급과 수요를 맞추어 에너지 자급자족시에, 나노그리드에서 에너지 생산과 소비의 전송을 효과적으로 유지하기 위해 나노그리드 비용 최적화에 중점을 두고 HERS(Hybrid Renewable Energy Sources)를 활용하는 나노그리드 에너지 관리 모델을 확장한 나노그리드 에너지 관리 방법 및 시스템을 제시하고, 재생 가능 에너지 자원의 사용 및 재생 불가능 에너지 자원의 사용을 최소화하여 나노 그리드 기반 시설에 대한 에너지 요구 사항을 충족시키고자 한다.
또한, 본 발명에 따르면 재귀적 입자 군집 최적화(Recursive Particle Swarm Optimization: rPSO)를 사용하여 목적 함수를 구현하여 나노 그리드의 운영 비용을 크게 줄이고, 작업 조정을 통해 전체 에너지 관리 프로세스를 구현하며, 작업 잉여 시간과 유휴 시간을 통합하여 작업 실행 순서를 최적으로 결정하는 새로운 지능형 에너지 공급 장치의 작업 스케줄링 메커니즘을 제공하고자 한다.
또한, 본 발명에 따르면 미션 크리티컬 애플리케이션에 해당하는 나노 그리드 기반 전력 시스템에 대한 최적의 조정 메커니즘을 제시하고, 나노 그리드 하우스에서 모니터링 및 제어 및 에너지 관리를 위한 새롭고 확장 가능한 운영 계획을 제공하며, 제안된 아키텍처를 통해 최적의 작업 생성 메커니즘과 새로운 스케줄링 알고리즘을 활용하여 작업 할당 및 배포 프로세스를 실행하고 알고리즘을 통해 매개변수를 최적으로 조정하여, 나노 그리드에서 에너지 운영 최적화 및 최적의 작업 생성, 입자 군집 최적화(PSO)를 사용하여 구현된 에너지 공급 장치의 작업 스케줄링 최적화를 위한 목적 함수를 제안하고자 한다.
전술한 나노그리드에서 에너지 생산과 소비를 효과적으로 유지하고 문제를 해결하기 위한 본 발명의 일실시예에 따른 나노그리드에서 최적 에너지 운영 방법은, 예측 최적화부가 에너지 생산 및 소비 예측 알고리즘을 이용해 부하 수요, 에너지 소비, 태양광 발전 및 에너지 비용을 예측하는 예측 최적화 단계; 에너지 부하 밸런싱부가 상기 부하 수요, 상기 에너지 소비, 상기 태양광 발전 및 상기 에너지 비용에 관련되는 부하로 구성되는 에너지 부하와, 생성 에너지 간의 밸런싱을 실행하는 에너지 부하 밸런싱 단계; 및 최적 에너지 공급 장치의 작업 스케줄링부가 상기 부하 수요, 상기 에너지 소비, 상기 태양광 발전 및 상기 에너지 비용에 관련된 IoT 자원에 해당하는 가상 객체를 스케줄링 된 작업에 할당하는 최적 에너지 공급 장치의 작업 스케줄링 단계;를 포함하여 구성된다.
본 발명의 다른 일실시예에 따르면, 상기 예측 최적화 단계는 상기 예측 최적화부가 훈련 및 테스트 세트를 이용해 상기 BT-LSTM을 훈련하고, 상기 훈련된 BT-LSTM을 이용해 부하 수요, 에너지 소비, PV 발전 및 에너지 비용을 예측할 수 있다.
본 발명의 다른 일실시예에 따르면, 상기 예측 최적화 단계는 상기 예측 최적화부가 입자 군집 최적화(Particle Swarm Optimization, PSO)를 통해 상기 예측을 최적화하는 단계;를 더 포함할 수 있다.
본 발명의 다른 일실시예에 따르면, 상기 최적 에너지 공급 장치의 작업 스케줄링 단계는 상기 최적 에너지 공급 장치의 작업 스케줄링부가, 작업(task)를 생성하는 작업 생성 단계; IoT 자원에 해당하는 가상 객체를 생성하는 에너지 관련 장치의 가상 객체 생성 단계; 상기 생성된 작업을 상기 가상 객체에 매핑하는 작업 매핑 단계; 상기 가상 객체가 매칭된 작업을 타임라인에 따라 스케줄링 하는 에너지 공급 장치의 작업 스케줄링 단계; 및 상기 IoT 자원에 상기 스케줄링 된 작업을 할당하는 작업 할당 단계;를 포함하여 구성될 수 있다.
본 발명의 다른 일실시예에 따르면, 상기 IoT 자원은 풍력 터빈, 태양광 패널, 에너지 저장 시스템 또는 디젤 발전기로 구성될 수 있다.
본 발명의 일실시예에 따른 나노그리드에서 최적 에너지 운영 시스템은, 에너지 생산 및 소비 예측 알고리즘을 이용해 부하 수요, 에너지 소비, 태양광 발전 및 에너지 비용을 예측하는 예측 최적화부; 상기 부하 수요, 상기 에너지 소비, 상기 태양광 발전 및 상기 에너지 비용에 관련되는 부하로 구성되는 에너지 부하와, 생성 에너지 간의 밸런싱을 실행하는 에너지 부하 밸런싱부; 및 상기 부하 수요, 상기 에너지 소비, 상기 태양광 발전 및 상기 에너지 비용에 관련된 IoT 자원에 해당하는 가상 객체를 스케줄링 된 작업에 할당하는 최적 에너지 공급 장치의 작업 스케줄링부;를 포함하여 구성된다.
본 발명의 다른 일실시예에 따르면, 상기 예측 최적화부는 훈련 및 테스트 세트를 이용해 상기 BT-LSTM을 훈련하고, 상기 훈련된 BT-LSTM을 이용해 부하 수요, 에너지 소비, PV 발전 및 에너지 비용을 예측할 수 있다.
본 발명의 다른 일실시예에 따르면, 상기 예측 최적화부는 입자 군집 최적화(Particle Swarm Optimization, PSO)를 통해 상기 예측을 최적화할 수 있다.
본 발명의 다른 일실시예에 따르면, 상기 최적 에너지 공급 장치의 작업 스케줄링부는 작업(task)를 생성하고, IoT 자원에 해당하는 가상 객체를 생성하고, 상기 생성된 작업을 상기 가상 객체에 매핑하고, 상기 가상 객체가 매칭된 작업을 타임라인에 따라 스케줄링 하고, 상기 IoT 자원에 상기 스케줄링 된 작업을 할당할 수 있다.
본 발명의 다른 일실시예에 따르면, 상기 IoT 자원은 풍력 터빈, 태양광 패널, 에너지 저장 시스템 또는 디젤 발전기로 구성될 수 있다.
본 발명에 따르면 소규모 집, 빌딩 또는 공장에서 자체적으로 에너지 공급과 수요를 맞추어 에너지 자급자족시에, 나노그리드에서 에너지 생산과 소비 전송을 효과적으로 유지하기 위해 입자 군집 최적화(PSO)를 사용하여 최적의 솔루션을 제공하는 새로운 나노그리드 에너지 관리 시스템(Nanogrid energy management system: NEMS) 및 방법을 제공한다.
본 발명에 따른 새로운 목적 함수는 최적화를 위해 설계되었으며, 이는 재생 가능 에너지 자원(즉, PV)의 사용을 극대화할 뿐만 아니라 전체 나노그리드 구조를 최적으로 실행하기 위한 에너지 관리 계획에 대한 전략을 제공하고, 제안된 목적 함수는 재귀적 입자 군집 최적화(Recursive Particle Swarm Optimization: rPSO)라고 하는 PSO의 변형을 사용하여 구현되며, 시스템의 성능을 유전 알고리즘(Genetic Algorithm), BAT 및 AMPL를 사용해 평가하여, rPSO는 설치, 유지 보수 및 운영 비용을 최소화할 수 있다.
보다 구체적으로, 본 발명에 따르면 실시간 에너지 관련 장치 감시 및 제어 작업 조정을 사용하여 나노 그리드에 대한 에너지 관리 프레임워크를 구현한다. 또한, 제안된 조정 기술에 통합된 새로운 타임스탬프 기반 에너지 공급 장치의 작업 스케줄링 알고리즘을 제시한다. 스케줄링 기법은 작업 잉여 시간을 고려하여 스케줄링 메커니즘을 향상시키고 실시간 에너지 관련 장치 감시 및 제어 작업 조정 아키텍처에 통합된 목적 함수를 사용하여 최적화한다. 또한, 태양광 및 풍력 터빈과 같은 재생 가능한 소스의 사용을 극대화하는 데 초점을 맞춘 목적 기능의 도움으로 나노 그리드의 주요 에너지 운영을 최적화한다. 또한, 종래 기술의 작업 조정이 해당 가상 개체에 수동으로 매핑되므로 높은 시간 복잡성으로 인해 결과가 저하되는 문제를 해결하기 위하여 NLP 기반 의미 관련성 측정을 사용하여 작업을 가상 개체에 자동으로 매핑하는 자동화된 매핑 메커니즘을 도입한다.
이를 통해, 본 발명에 따르면 작업 조정의 중요한 단계 중 하나는 작업 할당 및 할당 프로세스 최적화하며, 작업 유휴 시간을 최소화하고 응답 시간을 가속화하는 스케줄링 전략을 통해, 비용을 대폭 절감할 수 있는 효율적인 에너지 관리 방법 및 시스템을 제공할 수 있다.
도 1은 본 발명의 일실시예에 따른 나노그리드에서 최적 에너지 운영 방법 및 시스템을 설명하기 위한 도면이다.
도 2 내지 도 35는 본 발명의 일실시예에 따른 나노그리드에서 최적 에너지 운영 방법 및 시스템을 보다 상세하게 설명하기 위한 도면이다.
본 발명은 나노그리드에서 에너지 생산과 소비 장비간 전송을 효과적으로 유지 관리하기 위해 다양한 변환을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
다만, 실시형태를 설명함에 있어서, 관련된 공지 기능 혹은 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그에 대한 상세한 설명은 생략한다. 또한, 도면에서의 각 구성요소들의 크기는 설명을 위하여 과장될 수 있으며, 실제로 적용되는 크기를 의미하는 것은 아니다.
또한, 명세서 전체에서, 일 구성요소가 다른 구성요소와 "연결된다" 거나 "접속된다" 등으로 언급된 때에는, 상기 일 구성요소가 상기 다른 구성요소와 직접 연결되거나 또는 직접 접속될 수도 있지만, 특별히 반대되는 기재가 존재하지 않는 이상, 중간에 또 다른 구성요소를 매개하여 연결되거나 또는 접속될 수도 있다고 이해되어야 할 것이다. 또한, 명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
1. 에너지 운영 방법 및 시스템
하향식 접근 방식은 정보 보급을 위해 최상위에서 최하위 수준의 계층 구조를 따름으로써 상향식 접근 방식과 정반대로 작동한다. 상향식 접근 방식과 달리 하향식 접근 방식은 IoT 영역에서 광범위하게 탐구되지 않았다. 종래 기술에 따른 스마트 그리드를 위한 하향식 계층 구조에서는 IoT 모델의 각 계층에 적합한 기술이 제공되나 각 계층에서 구현할 기술을 제안하는 데에만 초점을 맞추므로 IoT 설계자에게 중요한 역할을 제공하지 못하였다.
스마트 그리드 에너지 공급과 같은 실시간 IoT 시스템은 최적의 에너지 운영, 예측 최적화, 에너지 로드 밸런싱 및 최적의 에너지 관련 장치 감시 및 제어 작업 조정 측면에서 필요하다. DE(마이크로그리드 또는 나노그리드)에 대한 작업은 설계자와 소비자 모두에게 최적의 솔루션을 제공하기 위해 구현되어야 한다.
따라서, 본 발명에서는 설계자의 관점에서 하향식 계층 모델을 사용하고 나노 그리드 아키텍처의 본질적인 측면을 고려하여 소비자의 요구를 충족시킨다. 조정은 설계 측면에서 SOA 기반 IoT 애플리케이션에서 중요한 개념으로 간주된다. 조정은 집중되는 서비스와 관련된 프로세스를 자동화한다.
본 발명에 따르면 소규모 집이나 빌딩, 공장에서 자체적으로 에너지 공급과 수요를 맞추어 에너지 자급자족시에, 나노그리드에서 에너지 생산과 소비를 효과적으로 유지하기 위해 나노그리드 비용 최적화에 중점을 두고 HERS(Hybrid Renewable Energy Sources)를 활용하는 나노그리드 에너지 관리 모델을 확장한 나노그리드 에너지 관리 방법 및 시스템을 제시하고, 재생 가능 에너지 자원의 사용 및 재생 불가능 에너지 자원의 사용을 최소화하여 나노 그리드 기반 시설에 대한 에너지 요구 사항을 충족시키고자 한다.
1.1 나노그리드에서 최적의 에너지 운영을 위한 시스템 아키텍처 및 설계
본 발명에 따르면, 이벤트 기반 작업과 정기 작업의 두 가지 주요 유형으로 나누어진 입력 작업을 고려한다. 이벤트 기반 작업은 긴급 이벤트 기반 작업(urgent event driven tasks: UET) 및 일반 이벤트 기반 작업(normal event driven tasks: NET)의 두 가지 하위 유형으로 더 나뉜다. 또한 정기 작업은 우선 순위 정기 작업(priority periodic tasks: PPT)과 일반 정기 작업(normal periodic tasks: NPT)의 두 가지 주요 유형으로 더 나뉜다. 이벤트 기반 작업은 긴급 트리거 및 일회성 작업일 수 있으므로 높은 우선 순위가 지정된다. UET가 높은 우선 순위로 간주되고, NET이 그 다음이며, 다음 순위로 PPT, 그 다음 순위로 NPT이다. 이러한 우선순위는 고정적이지 않으며 제안된 알고리즘은 스케줄링 시나리오에 따라 작업 우선순위를 정의하고 변경할 수 있는 유연한 옵션을 허용한다. FEF 알고리즘의 주요 초점은 우선 순위에 따라 작업 기한을 맞추는 것이다. 동시에 무료 리소스를 올바르게 활용하여 기아 상태인 작업(starving tasks)을 저장한다. 기아 상태인 작업(starving tasks)은 시스템 우선 순위, 부하 또는 예기치 않은 이벤트로 인해 장기간 대기 상태에 있는 모든 작업으로 정의할 수 있다. FEF(fair emergency first) 알고리즘은 먼저 스케줄러는 도착 시간을 기반으로 시스템에 도착하는 작업을 추출한다. 현재 작업이 UET인 경우 즉시 실행된다. 작업이 NET인 경우 UM(urgency measure)을 확인하여 우선 순위가 낮은 기아 작업에 기계 슬롯을 사용할 수 있는지 여부를 확인한다. 그렇지 않은 경우 현재 작업이 실행되고 그렇지 않으면 부족한 작업에 슬롯이 제공된다. 다음으로 PPT가 확인되는데, 여기서 FM(Failure Measure)은 PPT가 대기할 수 있는 지와 굶주린 낮은 우선순위 작업에 슬롯을 할당할 수 있는지 여부를 확인한다.
1.2 나노그리드에서 최적의 에너지 운영 방법 및 시스템
이후부터는 도 1을 참조하여 나노그리드에서 최적의 에너지 운영 방법 및 시스템을 설명하기로 한다.
프로슈머(Prosumer)는 잉여 에너지를 P2P 네트워크에서 연결된 다른 엔터티(entity)와 거래하는 엔터티를 말하며, 컨슈머(Consumer)는 프로슈머 또는 전력망(utility grid)에서 에너지를 구매하는 것에 관련된 엔티티를 말하며, 에너지 운영(에너지 운영 관리)은 로드 밸런서 알고리즘(Load balancer algorithm), 잉여 에너지 계산(Surplus energy computation), 에너지 비용 최적화(Energy cost optimization)를 말한다.
기존의 P2P와 달리, 부하 수요 및 태양광 발전 생산의 미래 추세를 기반으로 한 전력 거래는 부하 수요 및 태양광 발전 생산의 순간적인 변동만을 기반으로 하는 P2P 전력 거래보다 비용적으로 효율적일 수 있다.
본 발명에 따른 나노그리드에서 최적 에너지 운영 방법은 나노그리드에서 최적 에너지 운영 시스템에 의해 제공되는 것으로서, 상기 나노그리드에서 최적 에너지 운영 시스템은 예측 최적화부, 에너지 부하 밸런싱부 및 최적 에너지 공급 장치의 작업 스케줄링부를 포함하여 구성된다. 또한, 상기 나노그리드에서 최적 에너지 운영 방법은 최적 에너지 운영을 위한 예측 최적화(Predictive Optimization for Optimal 에너지 운영 관리) 단계, 최적 에너지 부하 밸런싱(Optimal Energy Load Balancing) 단계 및 최적 에너지 공급 장치의 작업 스케줄링(Optimal Task Scheduling) 단계를 포함하여 구성된다.
상기 최적 에너지 운영을 위한 예측 최적화 단계에서는 예측 최적화부가 에너지 생산 및 소비 예측 알고리즘을 이용해 부하 수요, 에너지 소비, 태양광 발전 및 에너지 비용을 예측한다.
보다 구체적으로, 상기 예측 최적화 단계는 상기 예측 최적화부가 훈련 및 테스트 세트를 이용해 상기 BT-LSTM을 훈련하고, 상기 훈련된 BT-LSTM을 이용해 부하 수요, 에너지 소비, 태양광 발전 및 에너지 비용을 예측할 수 있으며, 상기 예측 최적화부가 입자 군집 최적화(Particle Swarm Optimization, PSO)를 통해 상기 예측을 최적화하도록 구성될 수 있다.
또한, 상기 최적 에너지 부하 밸런싱 단계에서는 에너지 부하 밸런싱부가 상기 부하 수요, 상기 에너지 소비, 상기 태양광 발전 및 상기 에너지 비용에 관련되는 부하로 구성되는 에너지 부하와, 생성 에너지 간의 밸런싱을 실행한다.
또한, 상기 최적 에너지 공급 장치의 작업 스케줄링부가 상기 부하 수요, 상기 에너지 소비, 상기 태양광 발전 및 상기 에너지 비용에 관련된 IoT 자원에 해당하는 가상 객체를 스케줄링 된 작업에 할당한다.
보다 상세하게 설명하면, 상기 최적 에너지 공급 장치의 작업 스케줄링 단계에서는, 상기 최적 에너지 공급 장치의 작업 스케줄링부가, 작업(task)를 생성하는 작업 생성 단계; IoT 자원에 해당하는 가상 객체를 생성하는 에너지 관련 장치의 가상 객체 생성 단계; 상기 생성된 작업을 상기 가상 객체에 매핑하는 작업 매핑 단계; 상기 가상 객체가 매칭된 작업을 타임라인에 따라 스케줄링 하는 에너지 공급 장치의 작업 스케줄링 단계; 및 상기 IoT 자원에 상기 스케줄링 된 작업을 할당하는 작업 할당 단계;를 포함하여 구성될 수 있다. 이때, 상기 IoT 자원은 풍력 터빈, 태양광 패널, 에너지 저장 시스템 또는 디젤 발전기로 구성될 수 있다.
I. 에너지 운영 관리-I의 메인 인터페이스
이후부터는 도 2를 참조하여 설명하기로 한다.
NEMS의 초점은 나노그리드 비용을 줄이고 재생 가능한 에너지원의 억제를 최소화하는 것이다. NEMS는 가전제품 부하 데이터, 날씨 데이터, 태양광 발전(PV), 풍력 터빈(WT), 디젤 발전기(DG) 및 에너지 저장 시스템(ESS) 데이터를 입력으로 사용한다. 매개변수는 기기 부하, 재생 및 비재생 에너지 자원에서 필요한 데이터를 사용하여 나노그리드 설치, 운영 및 유지보수 비용을 줄이는 데 중점을 둔 목적 함수에 부여된다. 목적 함수는 입자 군집 최적화(Particle Swarm Optimization, PSO)를 사용하여 구현된다. 목적 함수에 의해 생성된 값은 재생 에너지 자원의 억제를 최소화하기 위해 NEMS에 대한 입력으로 사용된다. NEMS는 배터리 충전 상태(SoC)를 고려하여 그 값이 디젤 발전, 태양광 발전(PV), 풍력 터빈(WT)의 사용량을 일정 수준으로 최소화하거나 최대화하는 임계값 역할을 한다. 본 발명에서는 작업 조정을 사용하여 전체 관리 프로세스를 구현한다.
이를 통해 본 발명에 의하면 소규모 집이나 빌딩 등에서 자체적으로 에너지 공급과 수요를 맞추어 에너지 자급자족을 지원하기 위해 재생 가능 에너지 자원과 재생 불가능 에너지 자원의 구성 요소를 연결하여 에너지 생산과 소비를 효과적으로 유지할 수 있다.
II. 에너지 운영 관리-II의 메인 인터페이스
이후부터는 도 3을 참조하여 설명하기로 한다.
본 발명에 따른 아키텍처는 작업 조정 프레임워크를 사용하여 나노 그리드 에너지 자원 관리를 구현하는 6계층의 상하단 접근 방식을 따른다. 본 발명에서는 소비자가 최적의 비용 효율적인 방식으로 즉각적인 전력을 필요로 하는 스마트 그리드 기반 미션 크리티컬 애플리케이션의 시나리오를 고려한다. 실시간 미션 크리티컬 시스템, 즉 마이크로그리드 전력 시스템에 의존하는 병원이나 나노그리드 기반 전력 시스템에 의존하는 소규모 의료 센터가 필요한 절차를 수행하는 경우에 즉각적인 대응이 필요한 시나리오를 필요로 한다. 이러한 상황에서 작업 기한을 놓치면 심각한 결과를 초래할 수 있으므로 즉각적인 전원 공급 프로세스가 손상되어서는 안 된다.
본 발명에서는 작업 잉여 시간을 활용하고 목적 함수를 사용하여 최적화하는 향상된 최적 에너지 공급 장치의 작업 스케줄링 알고리즘을 제시하며, 에너지 작업의 최상의 실행 순서를 결정하는 결정 요소로 통합한다.
본 발명에 따른 스케줄링 방법의 목적은 작업의 기한을 놓칠 가능성을 최소화하는 것이다. 작업 조정의 일반적인 흐름은 (1) 작업 생성, (2) 장치 가상화, (3) 작업 매핑, (4) 작업 예약, (5) 작업 할당 및 (6) 작업 배포 단계에 걸쳐 있다. 먼저, 작업 생성은 서비스 설명을 분석하고 자연어 처리(NLP) 방법을 사용하여 여러 작업으로 분해한다. 둘째, 디바이스 가상화 단계는 물리적 IoT 자원을 복제하여 가상 객체(virtual object: VO)를 생성한다. 자원은 나노그리드 기반의 스마트 에너지 관리 시스템을 고려할 때 태양광 발전(PV), 풍력 터빈(WT), 디젤 발전기(DG) 및 에너지 저장 시스템(ESS)이다.
III. 예측적 최적화를 기반으로 한 최적의 에너지 운영 방법
이후부터는 도 4를 참조하여 설명하기로 한다.
다음으로, 생성된 작업은 작업과 가상 객체(virtual object: VO) 간의 관계를 결정하기 위해 part-of-speech(PoS)를 고려하여 제안된 NLP 기반 교차 매핑을 사용하여 해당 가상 객체(VO)에 매핑된다. 일반적 작업 조정 모델은 작업 매핑을 위해 수동 끌어서 놓기 방법을 채택하고 있으나 자율 매핑을 사용하여 이러한 수동 작업을 줄일 수 있다. 네 번째 단계는 본 발명의 핵심 모듈인 스케줄링 기술로서, 매핑 프로세스가 수행된 작업(T), 가상 객체(VO) 및 타임스탬프(t)를 포함하는 작업 튜플을 처리하여 제안된 모델을 사용하여 작업 실행 순서를 결정한다. 마지막으로 작업 할당 단계에서는 해당 센서에 작업을 할당하고 마지막에는 대상 물리적 장치에 작업을 배포한다.
IV. 에너지 부하 밸런싱(Energy Load Balancing) 기반 최적의 에너지 운용 방법
이후부터는 도 5를 참조하여 설명하기로 한다.
본 발명에 따른 나노그리드 에너지 관리 시스템(NEMS)의 알고리즘은 알고리즘 1에 설명되어 있다. 상기 NEMS는 부하 값, 저장 용량, 일사량, mo 및 m1을 입력으로 사용한다. 시작 시에는 충전 상태(SoC)와 디젤 발전기(DG)가 각각 0.5와 25로 초기화된다. 그 후, 에너지 저장의 출력은 필요한 부하에서 태양광, 디젤 발전기의 출력을 차감하여 모든 데이터 인스턴스에 대해 계산한다. 그런 다음 얻은 에너지 저장 값을 나누어 SoC 값을 계산한다. SoC가 0.9 이상이면 저장용량이 과충전된 것으로 간주하여 디젤발전기의 최소출력을 20으로 줄이고 억제횟수를 1단위로 감소시킨다. SoC가 0.8~0.9 또는 m1~0.8이면 배터리가 충분히 충전된 것으로 간주하고 디젤 발전기(DG)는 20으로 유지된다. SoC가 m0~m1 사이이면 배터리가 충전되지 않고 디젤 발전기의 전원이 필요한다. SoC가 0.1 미만이면 배터리가 방전되고 디젤 발전기의 전력이 30으로 증가한다. 조건 중 어느 것도 충족되지 않으면 알고리즘은 억제 에너지를 반환한다. 한편, SoC는 1 이상 또는 0보다 작은 경우 예외로 간주한다.
또한, 도 6을 참조하여 설명하기로 한다.
예를 들어 "getsolar" 및 "reportsolar" 작업은 태양광을 나타내는 가상 객체(VO)에 매핑된다. 이러한 쌍은 집합적으로 특정 프로세스의 출력을 분석하기 위한 정보를 보유하는 URI(Uniform Resource Identifier)를 형성한다. URI는 또한 물리적 IoT 리소스에 액세스하는 데 활용된다. TMC(Task Mapping Controller)는 제안된 NLP 기반 매핑 절차를 호출하여 작업 목록과 물리적 자원을 연결한다. TMC는 매핑된 작업을 그래픽으로 나타내고 추가 처리를 위해 매핑 구성을 저장하는 데에도 사용된다. 작업 매핑에는 (1) 작업 ID, (2) 가상 개체 ID, (3) 특정 쌍이 형성되는 시간 범위의 매개변수가 있다.
V. 에너지 관련 장치 감시 및 제어 작업 조정을 사용한 최적의 에너지 공급 장치의 작업 스케줄링 시나리오
이후부터는 도 7을 참조하여 본 발명에 따른 나노그리드 에너지 관리 시스템(NEMS)을 설명하기로 한다. NEMS의 초점은 나노그리드 비용을 줄이고 재생 가능한 에너지원의 억제를 최소화한다. NEMS는 가전제품 부하 데이터, 날씨 데이터, 태양광 발전(PV), 풍력 터빈(WT), 디젤 발전기(DG) 및 에너지 저장 시스템(ESS) 데이터를 입력으로 사용한다. 매개변수는 기기 부하, 재생 및 비재생 에너지 자원에서 필요한 데이터를 사용하여 나노그리드 설치, 운영 및 유지보수 비용을 줄이는 데 중점을 둔 목적 함수에 부여된다. 목적 함수는 PSO를 사용하여 구현된다. 목적 함수에 의해 생성된 값은 재생 에너지 자원의 억제를 최소화하기 위해 NEMS에 대한 입력으로 사용된다. NEMS는 배터리 충전 상태(SoC)를 고려하여 그 값이 디젤, 태양광 발전(PV), 풍력 터빈(WT)의 사용량을 일정 수준으로 최소화하거나 최대화하는 임계값 역할을 한다. 본 발명에서는 작업 조정을 사용하여 전체 관리 프로세스를 구현한다.
a. 작업(Task) 생성
작업(작업) 생성은 에너지 관리에 대한 현재 요구 사항을 지정하는 선택한 단어를 포함하는 설명을 사용하여 서비스 제목 및 설명을 제공하는 측면에서 사용자에게 실행 가능성을 제공한다. 모듈은 제공된 설명의 명시적 및 암시적 의미를 모두 확인할 수 있도록 서비스 분석기에 포함된 신경-언어프로그래밍(Neuro-Linguistic Programming, NLP) 기술의 도움으로 서비스를 분석하고 추가 마이크로서비스(즉, 작업)로 분해하는 일을 담당한다. NLP 기반 메커니즘은 정보 검색 시스템의 최대 정확도를 보장하기 위해 텍스트를 처리해야 하는 텍스트 마이닝에 널리 사용된다. 관련 NLP 기술에는 토큰화, part of speech(PoS) 태깅, 텍스트 유사성, 의미론적 유사성 등이 포함된다.
도 8을 참조하면, 작업(task)는 (1) 주기적인 작업과, (2) 설명의 주요 동사가 뒤에 오는 부사를 사용하는 이벤트 기반 작업의 두 가지 범주로 분리된다. 예를 들어, 위의 절차를 사용하여, 태양광 받기 풍력, ESS 및 디젤 받기. reportSolar, reportWind, reportESS 및 reportDiesel과 같은 IoT 서버를 사용하여 감지 장치에서 물리적 장치로 감지 데이터를 전송하는 데 사용되는 작업(작업)가 자동으로 생성된다.
b. 에너지 관련 장치의 가상 객체 생성 방법
도 9를 참조하면, 에너지 관련 장치의 가상 객체 생성 모듈은 태양광 발전(PV), 풍력 터빈(WT), 디젤 발전기(DG) 및 에너지 저장 시스템(ESS)과 같은 IoT 자원을 복제하여 가상 객체를 생성한다. VRM(Virtual Resource Manager)은 이러한 객체를 생성하고 가상 객체에 CURD 작업을 적용하기 위한 인터페이스를 규정한다. 생성된 가상 객체(VO)는 IoT 가상화 환경에 따른 모든 물리적 자원의 특성과 추가 특성을 보유한다. 가상 객체(VO)는 각각의 물리적 자원과 위치 및 URI를 포함한 기타 관련 정보에 따른 기능을 가지고 있다. VRM은 또한 가상 객체의 그래픽 표현을 보여준다. 작성된 가상 오브젝트는 가상 오브젝트 저장소에 저장된다.
c. 작업 매핑 방법
조정 프로세스의 세 번째 단계는 생성된 작업을 해당 가상 개체에 매핑하는 것이다. 예를 들어, "getSolar" 작업은 "태양광(PV)" 장치에 의해 실행되어야 하므로, 제안된 아키텍처에서 작업은 장치를 나타내는 가상 객체에 매핑된다. 생성된 작업은 작업 저장소에서 추출되고 가상 개체는 VO 저장소에서 추출된다. 기존의 조정 기반 기술에서는 작업을 해당 가상 개체에 매핑하기 위해 수동 드래그 앤 드롭 절차를 채택하나, 수동 작업은 조정 프레임워크에서 통합된다.
도 10을 참조하면, 본 발명에서는 수동 매핑의 필요성을 완화하는 신경-언어프로그래밍(Neuro-Linguistic Programming, NLP) 기반 자동 작업 매핑을 제공한다. 이때, 생성된 작업과 에너지 관련 장치의 가상 객체 간의 유사도를 계산하는 코사인 유사도 측정 및 문자열 일치 접근 방식을 적용할 수 있다. 유사도가 70%를 초과하면 작업이 가상 개체에 속하는 것이 보장된다. 작업은 둘 이상의 가상 개체에 매핑될 수 있다. 예를 들어 "getsolar" 및 "reportsolar" 작업은 태양광을 나타내는 가상 객체에 매핑된다. 이러한 쌍은 집합적으로 특정 프로세스의 출력을 분석하기 위한 정보를 보유하는 URI(Uniform Resource Identifier)를 형성한다. URI는 또한 물리적 IoT 리소스에 액세스하는 데 활용된다. TMC(Task Mapping Controller)는 제안된 NLP 기반 매핑 절차를 호출하여 작업 목록과 물리적 자원을 연결한다. TMC는 매핑된 작업을 그래픽으로 나타내고 추가 처리를 위해 매핑 구성을 저장하는 데에도 사용된다. 작업 매핑에는 (1) 작업 ID, (2) 에너지 관련 장치의 가상 객체 ID, (3) 특정 쌍이 형성되는 시간 범위, 등의 매개변수가 있다.
d. 에너지 공급 장치의 작업 스케줄링 방법
일반적으로 스케줄링 알고리즘은 미션 크리티컬 시스템에서 발생하는 실시간 문제를 해결하는데 적합하지 않다. 이러한 시스템에서 작업에는 일반적으로 절대적/동적(absolute/dynamic) 데드라인이 있다. 예를 들어, 실시간 시스템은 이벤트 기반 작업, 주기적 작업 또는 이 둘의 조합으로 구성될 수 있다. 주기적 작업에는 규칙적인 도착 시간이 있고 이벤트 기반 작업에는 불규칙한 도착 시간이 있다. 실시간 에너지 공급 장치의 작업 스케줄링의 목적은 작업의 최상의 실행 순서를 결정하는 것이다. 도 11을 참조하면 스케줄링은 작업의 평균 대기 및 응답 시간을 최소화하면서 처리량과 공정성을 최대화하는 것을 주로 목표로 하는 스케줄러라는 모듈에 의해 수행된다. 스케줄러를 구현할 때 이러한 모든 요구 사항을 한 번에 보장하기가 어렵다. 실시간 시스템이 복잡한 경우 작업이 데드라인 전에 완료되어야 하므로 작업의 데드라인이 가장 중요한 요소 중 하나가 된다.
e. 작업 할당 방법
작업 배치(deployment)는 에너지 거래의 작업 조정의 마지막 단계이다. 도 12에서는 해당 가상 개체에 작업을 배포하는 데 사용되는 제안 모델의 인터페이스를 보여주고 있다. 가상 객체의 형태로 표현된 4개의 물리적 장치가 있다. 물리적 장치에는 1) 풍력 터빈 2) 태양광 패널 3) 에너지 저장 시스템 및 4) 디젤 발전기가 포함된다. 4개의 작업(예: getPV, solartoEnergy, getESS 및 getDG)이 4개의 물리적 장치에 배포되는 예가 표시된다. 마지막에는 해당 장치에 작업이 배치된다.
1.1.2 상태도(State Diagram)
도 13을 참조하면, 할당(allocation)을 위해 가상 개체 및 작업의 저장소(repository)와 일정 정보를 사용할 수 있다. 유사한 매퍼 저장소(mapper repository)는 물리적 센서 또는 액추에이터에 배포해야 하는 작업을 제공하는 데도 도움이 된다. 매퍼 저장소에는 권장 작업과 해당 물리적 센서 및 액추에이터에 대한 정보가 있다. 이렇게 하면 매번 이 정보를 계산하는 시간을 절약할 수 있다.
1.1.3 시퀀스 다이어그램
지능형 작업 조정(Intelligent Task Orchestration) 기반의 에너지 자원 관리(Energy Resource Management)를 제시하는 일반적인 프레임워크는 도 14에서와 같이 설계된다. 본 발명 모델에 따르면 5개의 계층으로 구성되어 있다. (1) 문제, (2) 솔루션, (3) 작업 조정, (4) 할당 및 배포, (5) IoT 장치 및 네트워크 계층의, 5개의 계층으로 구성되고, 모델은 사용자 인터페이스, 작업 목록, 작업 관리자, 작업 조정자를 포함한다. 데이터 저장소(repository)는 생성된 작업, 가상 기능, 매핑 및 리소스 정보에 대한 정보를 저장하는 데 사용된다. 사용자는 문제 설명을 입력하는 인터페이스를 통해 제안된 프레임워크와 상호 작용한다. 마지막으로 작업 매퍼는 생성된 작업을 해당 가상 개체에 매핑한다. 하나의 작업은 하나 이상의 가상 오브젝트에 매핑 될 수 있다. 매핑 작업은 매퍼 저장소에 저장된다. 작업 할당자 모듈은 매퍼 저장소에서 쌍을 가져오고 레지스트리 정보를 사용하여 쌍이 물리적 리소스에 배포될 수 있도록 한다.
1.1.4 협업 다이어그램
도 15의 협업 다이어그램은 제안된 최적의 스케줄링 프로세스를 실행하기 위해 협업을 수행하는 모든 관련 에이전트를 보여주고 있다. 메타 휴리스틱 접근 방식(PSO, ACO, GA)을 사용하여 목적 함수를 기반으로 최적 모델의 최적화를 개발하여 최적의 하이퍼 매개변수 집합을 결정하기 위해 학습 모델의 여러 매개변수를 최적화하고 조정한다.
본 발명에 따른 방법은 성능을 향상시키고 모델을 일반화하며 최적의 하이퍼미터 집합을 생성한다. 원하는 솔루션이 특정 시나리오에 완벽하게 맞도록 일부 목표 출력을 늘리거나 줄이기 위해 최적화가 수행된다. 메타 휴리스틱 기반 알고리즘을 사용하여 최적화를 적용하여 에너지 비용, 에너지 부하 및 ESS 용량을 줄이는 것을 목표로 한다. 이러한 값은 나노그리드 에너지가 안정화되고 연결된 나노그리드 간에 피어 투 피어 방식으로 거래되도록 최적화된다. 제안된 목적 함수는 입자 군집 최적화(PSO)를 사용하여 구현된다. PSO는 입자의 수, 차원, 속도, 퍼블릭 베스트(public best), 글로벌 베스트(global best) 등의 단계를 구현한다.
1.2 구현 및 테스트
본 발명에 따르면 비용 최적화 기반 연구를 기반으로 마이크로그리드 네트워크 형태의 에너지 공유를 위해 함께 연결된 여러 나노그리드에 대한 P2P 에너지 거래를 분석한다. 본 발명의 주요 목적은 광전지와 같은 재생 가능한 소스에 의존하는 네트워크의 비용 최적화 문제를 해결하는 것이다.
본 발명에 따르면 DSM 시스템과 나노그리드 간의 P2P 에너지 거래를 조정하기 위해 ECO-Trade(Energy Cost Optimization via Trade) 알고리즘을 제공할 수 있다. 또한 가정 주변기기 간의 공정한 비용 분배를 보장하기 위해 파레토 최적화(Pareto optimality)를 도입했다.
1.2.1 구현 환경
본 발명에 따라 설계된 모델은, 도 16에서와 같이 최적화 모델로서 입자 군집 최적화(Particle Swarm Optimization, PSO), 예측 모델로서 양방향 장기 단기 기억(Bi-Directional Long short-term memory), 기계 학습(Machine Learning) 수단으로 Accord.Net, IDE로서 비주얼 스튜디오, 프로그래밍 언어로서 C#, 어플리케이션 유형으로서 윈도우(Window Form)을 사용하였다.
2. 최적의 에너지 운영을 위한 예측 최적화
본 발명은 양방향 LSTM(long short-term memory) 모델을 사용하여 에너지 부하, 에너지 소비, 태양광 발전 및 에너지 비용을 예측한다. 에너지 데이터는 미래 에너지 수요와 관련된 애플리케이션에서 유용할 데이터의 유용한 시계열 기반 숨겨진 패턴을 나타내기 위해 분석된다. LSTM은 타임스탬프 기반 정보를 저장하기 위해 특정 메모리 셀을 보유하므로 LSTM에 기존 RNN보다 추가 기능을 제공한다. 기존 발명의 과잉은 최대 복지로 이어지는 조기 예측의 관점에서 에너지 응용 분야에서 예측 모델의 중요성을 입증하였다. 예를 들어, 제안된 발명의 맥락에서 향후 부하 요구 사항 및 태양광 발전(PV) 전력 생산에 기반한 P2P 에너지 거래는 보다 비용 효율적인 P2P 전력 거래를 초래할 수 있다는 가정 하에 수행된다.
a. 에너지 예측 최적화 제안
먼저 에너지 생산 및 소비 예측 알고리즘의 기본 구조를 설명하기로 한다. LSTM과 달리 BD-LSTM은 한 모델이 입력 패턴을 학습하고 나중에 패턴의 반대를 학습하는 두 가지 모델을 학습한다. 하기의 수학식들은 전통적인 LSTM 모델을 나타낸다. 순방향으로 레이어 l 및 시간 k에서 셀의 다층 LSTM 모델은 수학식 1 내지 6을 사용하여 실행된다. 하기의 수학식은 LSTM의 일부인 게이트를 나타낸다.
b. 나노그리드 에너지 예측 최적화(설계)
또한 BD-LSTM에서 사용하는 매개변수 공유 방식은 기존 CNN 및 DNN보다 메모리를 덜 사용한다. 따라서 본 발명에서는 부하 수요와 에너지 소비, 태양령 발전(PV) 및 에너지 비용을 예측하기 위한 예측 모델로 BD-LSTM을 사용한다. 모델은 6개의 숨겨진 레이어로 구성된다. BD-LSTM 모델에서 입력 레이어에 대한 매개변수와 숨겨진 레이어 수를 결정하기 위해 시행착오 기법을 사용한다. 예측 모델에 전달할 입력 및 출력의 수는 RMSE(제곱 평균 제곱근)를 평가하여 결정된다.
2.2.1 예측 최적화를 위한 의사 코드(Pseudo Code)
BD-LSTM 모델의 입력 계층은 부하의 입력을 L(ki) ~ L(k)로 취하고 출력은 L(k+i)로 반환되며, 여기서 i=1, 2…, m이다. RMSE 척도는 제안하는 BD-LSTM 모델에서 성능 평가 척도로 고려된다. RMSE는 다음과 같이 계산된다. t 값은 1에서 k 사이 일때, A는 실제 예측 값을 나타내고 P는 시간 간격 t에서 동일한 예측 값을 나타낸다.
[수학식 1]
[수학식 2]
[수학식 3]
[수학식 4]
[수학식 5]
[수학식 6]
상기 수학식 1 내지 6에서, Xl은 레이어 셀(l-1) 중 중량 MATRICS를 나타내고, Yl은 레이어(l)의 연속 셀 간의 가중치 행렬을 나타내고, Cl은 각 층의 바이어스 벡터이다. 가중치 행렬과 셀의 바이어스 값은 네트워크 내의 숨겨진 뉴런 및 무게의 수를 줄이기 위해 시퀀스의 길이로 브로드캐스트(broadcast)된다. 상기 식의 "*"기호는 원소 와이즈 곱을 나타낸다.
[수학식 7]
상기 수학식에서 l=0 은 입력 레이어를 나타낸다. LSTM에 비해 BD-LSTM은 양방향으로 정보를 처리하여 전체 시퀀스에서 요소 간의 연관을 해석할 수 있다.
[수학식 8]
BD-LSTM은 2개의 개별 LSTM 레이어를 활용하여 정보를 순방향 및 역방향으로 탐색한다. 순방향에 대한 은닉 상태는 수학식 6을 사용하여 계산된다. 마찬가지로, 아래 그림과 같이 역방향 은닉 상태를 계산하고 역방향으로 횡단하는 동일한 공식이 사용된다.
[표 1]
[수학식 9]
다음 제약 조건은 에너지 거래에 대한 개별 소비자에 대한 간격 및 전력의 총 부하 b/w 관계를 나타낸다.
[수학식 10]
이때,
[수학식 11]
다음은 임계값보다 크지 않은 간격 종료 시 m번째 소비자의 최종 에너지를 나타낸다.
[수학식 12]
다음 제약 조건은 소비자에 대한 전력 흐름의 하한 및 상한을 지정한다.
[수학식 13]
2.2.2 예측 최적화를 위한 순서
이후부터는 도 18을 참조하여 예측 모듈을 구현하기 위해 제안된 세부적인 방법을 설명하기로 한다. 모듈은 나노 격자에 대한 새로운 최적 에너지 거래 수단을 제시하고 있다. 모듈은 LSTM 기반 모델을 사용하여 구현되었다. 제안된 기술은 나노 그리드에 대한 새로운 최적의 에너지 거래 메커니즘을 제시한다. 최적화 모듈, 예측 모듈은 지식 추론에 대한 예측 값을 예측한다. 입력 매개 변수는 타임 스탬프, 에너지 비용, 에너지 부하 및 ESS 용량을 포함한다. LSTM 모델 예측 에너지 비용, 부하 용량 ESS 결과 예측에 적용된다. 원시 데이터는 타임 스탬프, 에너지 비용, 에너지 부하 및 ESS 용량을 포함한다. 데이터는 누락된 값을 처리하고 정규화를 수행하는 전처리 모듈로 전달된다. 데이터는 10 배 교차 검증을 통해 교육 및 테스트 모듈로 분할된다.
2.2.3 예측 최적화 모듈의 성능 분석
도 19 및 도 20에 도시된 그래프에서 알 수 있듯이 피크 수요는 4.43배이며 일반적인 가정의 평균 소비량보다 높다. 피크부하는 수요에 따라 전력이 지속적으로 필요한 기간이다. 본 발명에 따르면 예측을 위한 시뮬레이터 1과 시뮬레이터 2를 설계하고 최적화 모듈을 위한 예측 학습을 제공한다. 본 발명에서는 시스템의 인터페이스에 대한 세부사항을 제시한다. 인터페이스는 C#을 사용하여 설계되었다. 입력 데이터를 가져와 처리하고 결과를 표시하기 위해 다양한 형태로 설계되었다.
값은 미리 채워진 값으로서, 나노그리드의 비즈니스 요구 사항에 대한 아이디어를 제공한다. 이러한 초기 구성은 요구 사항에 따라 수정될 수 있다. 구성 형식은 나노그리드의 맥락에서 최적의 값을 유지하는 자리 표시자로 간주될 수 있다. 이 구성 형태는 최적 값에 대한 자리 표시자 역할도 할 수 있다. 따라서 옵티마이저가 실행될 때 최적의 값이 나노그리드의 적절한 작동을 위한 초기 값을 대체할 수 있다.
3. 나노그리드에서 최적의 에너지 운영을 위한 에너지 로드 밸런싱
시뮬레이션의 시간 범위는 1주일이며, 기본 데이터의 시간 분해능은 30분이다. 10개 NG의 부하 프로파일은 주거 커뮤니티에서 수집된 10가구의 현실적인 스마트 미터 데이터이다. 예를 들어, ESS에서 얻은 충전 상태(SoC)는 부하 수요를 충족하고 동시에 최대 에너지를 활용하기 위해 사용할 물리적 장치를 결정한다. NG가 지리적 거리에서 서로 가깝다는 사실을 고려할 때 10개의 NG의 태양광 발전(PV)은 동일한 데이터를 사용하며 이는 실제 옥상 태양광 발전(PV) 시스템에서도 수집된다.
도 21은 에너지 부하 분산 알고리즘을 도시하고 있다.
3.1 성능 분석
시스템의 성능은 다양한 경우로 평가된다. 도 22는 모든 가능한 조건에서 시스템 성능을 보여준다. 처음에 태양광 발전(PV)은 태양 복사 조도가 500W/m2인 MPPT 모드에서 작동한다. 부하 저항은 3.8Ω이므로 약 700W의 부하 수요가 발생한다. 도시된 바와 같이 DC 링크는 50V로 안정화된다. 이 조도에서 태양광 발전(PV)은 775W의 전력을 생성하므로 배터리가 충전되고 FC 전력은 Nil이다.
도 23을 참조하면 제안된 에너지 공유 방법의 효율성을 평가하기 위해 10개의 자율 NG를 포함하는 NGC를 대상으로 선택하였다. 시뮬레이션의 시간 범위는 1주일이며, 기본 데이터의 시간 분해능은 30분이다. 10개의 NG의 부하 프로파일은 중국 베이징의 주거 커뮤니티에서 수집된 10가구의 현실적인 스마트 미터 데이터이다. 예를 들어, ESS에서 얻은 충전 상태(SoC)는 부하 수요를 충족하고 동시에 최대 에너지를 활용하기 위해 사용할 물리적 장치를 결정한다. NG가 지리적 거리에서 서로 가깝다는 사실을 고려할 때 10개의 NG의 PV 발전은 동일한 데이터를 사용하며 이 데이터도 실제 옥상 태양광 발전(PV) 시스템에서 수집한다.
4. 나노그리드 에너지 관련 장치 감시 및 제어 작업 조정을 위한 최적의 스케줄링
본 발명은 미션 크리티컬 애플리케이션(mission-critical applications)에 해당하는 나노 그리드 기반 전력 시스템에 대한 최적의 조정 메커니즘을 제시한다. 본 발명의 주요 목적은 나노 그리드 하우스에서 모니터링 및 제어 및 에너지 관리를 위한 새롭고 확장 가능한 운영 계획을 제공하는 것이다. 제안된 아키텍처는 최적의 작업 생성 메커니즘과 새로운 스케줄링 알고리즘을 활용하여 작업 할당 및 배포 프로세스를 실행한다. 알고리즘은 또한 매개변수를 최적으로 조정한다. 본 발명에서는, 1) 나노 그리드에서 에너지 운영 최적화, 2) 최적의 작업 생성, 3) 입자 군집 최적화(PSO)를 사용하여 구현된 에너지 공급 장치의 작업 스케줄링 최적화를 위한 세 가지 목적 함수를 제안한다.
4.1 최적의 에너지 공급 장치의 작업 스케줄링을 위한 방법
응용 프로그램 아키텍처의 단계를 설계하는 동안 확장성 및 컨텍스트 인식 문제를 고려한다. 작업 조정(task orchestration)의 중요한 단계 중 하나는 작업 할당 및 할당 프로세스 최적화이다. 도 24와 같이 작업 유휴 시간을 최소화하고 응답 시간을 가속화하는 제안된 스케줄링 전략을 포함한다.
4.2 최적의 에너지 공급 장치의 작업 스케줄링 메커니즘(설계)
앞서 설명한 바와 같이 본 발명은 입자 군집 최적화(Particle Swarm Optimization, PSO)를 활용하여 목표를 달성하는 다단계 다중 목표 최적화에 중점을 두고 있다. 도 25를 참조하면 최적화는 조정(orchestration) 계층의 각 수준에서 구현되며, 한 레이어 서버에서 다음 레이어에 대한 입력으로 생성된 최적의 결과는 제안된 모델의 성능을 크게 향상시킨다. 요약하자면, 본 발명의 주요 목적은 다음과 같다.
- 실시간 에너지 관련 장치 감시 및 제어 작업 조정을 사용하여 나노 그리드에 대한 에너지 관리 프레임워크를 구현한다.
- 제안된 조정 기술에 통합된 새로운 타임스탬프 기반 에너지 공급 장치의 작업 스케줄링 알고리즘을 제시한다. 스케줄링 기법은 작업 잉여 시간을 고려하여 스케줄링 메커니즘을 향상시키고, 실시간 에너지 관련 장치 감시 및 제어 작업 조정 아키텍처에 통합된 목적 함수를 사용하여 최적화한다.
- 태양광 및 풍력 터빈과 같은 재생 가능한 소스의 사용을 극대화하는 데 초점을 맞춘 목적 기능의 도움으로 나노 그리드의 주요 에너지 운영을 최적화한다.
일반적으로 현재의 작업 조정은 작업을 해당 가상 개체에 수동으로 매핑하므로 높은 시간 복잡성으로 인해 결과가 저하된다. 본 발명에서는 이 문제를 해결하기 위해 제안된 NLP 기반 의미 관련성 측정을 사용하여 작업을 가상 개체에 자동으로 매핑하는 자동화된 매핑 메커니즘을 사용한다.
4.2.1 에너지 부하 분산을 위한 의사 코드(Pseudo Code)
일반적으로 스마트 그리드 기반 시스템은 1)주기 작업과, 2) 이벤트 구동 작업의 두 가지 유형을 포함한다. 두 작업의 특성을 고려하여 제안된 알고리즘은, (1) 정기 작업 우선 순위가 주기적 작업 (PPT), 간단한 정기 작업 (SPT)과, (2) 이벤트 중심의 작업 프롬프트 이벤트 구동 형 작업 및 간단한 이벤트 중심 작업(SET)의, 두 가지 유형으로 구분된다. 비효율적인 작업 관리와 실시간 전력 수요 충족 실패는 전체 스마트 그리드 시스템에 피해를 줄 수 있다. 따라서 실제 요구 사항에 따라 작업을 최적으로 예약하면 성능이 크게 향상될 수 있다. 이와 관련하여 하드 및 소프트 작업을 효과적이고 동적으로 스케줄링하기 위해 PSO 기반의 최적 스케줄링 메커니즘을 제공한다.
표 2는 본 발명에 따른 방정식 제안 목적 함수에서 사용되는 표기법을 되풀이되었다.
[표 2]
다음 수학식들은 작업의 완료 시간을 계산하는데 사용된다. 여기서 i는 작업의 수를 결정하고, k는 선점형 스케줄링 모드에서 완료될 때까지 작업이 차지하는 시간 슬롯의 수를 나타내고, i는 작업이 수행한 최종 시간 슬롯이다. 먼저, 작업 완료 시간은 수학식 14를 사용하여 계산된다.
[수학식 14]
하기의 수학식 15는 지속 시간에서 최악의 경우 완료 시간을 차감하여 작업의 잉여 시간을 계산한다.
[수학식 15]
하기의 수학식 16은 작업 잉여 시간을 최소화하는 데 중점을 둔 목적 함수이다.
[수학식 16]
설명한 바와 같이 작업 잉여 시간은 특정 작업이 기다릴 수 있는 시간 슬롯을 나타낸다. 목적 함수는 작업 잉여 시간을 최소화하는 데 중점을 둔다. 잉여 시간을 최소화하는 것이 현재 상황에 따른 완벽한 작업 수행 순서를 결정하는 데 영향을 미칠 수 있다는 가정 하에 수행된다. 예를 들어, t1 및 t2가 각각 4 및 10의 잉여 시간을 갖는 두 개의 후보 작업인 시나리오를 고려하기로 한다. 이제 t1이 실행 기회를 얻었고, t2의 잉여 시간 내에 작업이 도착하지 않고, t2가 6 후에 실행 기회를 얻으면, 리소스는 이 기간 동안 유휴 상태로 유지된다. 이와 관련하여 작업 잉여 시간을 최소화하면 유휴 작업이 적은 효과적인 에너지 공급 장치의 작업 스케줄링으로 이어질 수 있다. 그러나 여기서 한 가지를 고려해야 한다. t2의 최적화된 잉여 시간은 t1보다 작아서는 안 된다. 따라서 대기 큐에 있는 두 후보 작업의 잉여 시간에 대해 다음과 같은 제약 조건을 부과한다.
- 두 후보 작업 중, 잉여 시간이 가장 적은 작업의 min(Tspt)은 잉여 시간은, 최대 잉여시간의 작업의 min(Tspt) 보다 작거나 같아야 한다.
-
-
긴급대책과 고장대책의 개념은 가정에 따라 사용한다. 먼저 긴급성 척도는 다음의 수학식 17을 사용하여 계산된다.
[수학식 17]
여기서 작업의 유휴 시간은 다음 수학식 18을 사용하여 계산된다.
[수학식 18]
유사하게, 다음 알고리즘은 현재 우선순위 작업을 실행할지 여부를 결정하기 위한 실패 측정의 계산 흐름을 보여준다. FM의 목적은 우선 순위가 낮은 기아 작업을 실행해도 우선 순위가 높은 주기적 작업의 실행에 지장을 주지 않는지 여부를 분석하는 것이다.
또한, 여유 시간의 도움으로 현재 정기 작업의 안전한 실행도 보장된다. 여유 시간은 아래의 수학식 19를 사용하여 계산된다.
[수학식 19]
여기서, TExecutionTimei는 다음의 수학식 20을 통해 계산된다.
[수학식 20]
또한, 주어진 주기적인 작업마다 작업 여유를 결정하여 작업의 안전한 실행을 보장한다. 여유 시간은 작업 마감 시간과 작업 실행 시간의 차이로 계산할 수 있다. 작업 실행에 대한 결정은 이진 값, 즉 0 또는 1의 형태로 이루어진다. 예를 들어, 주기적 작업의 여유 시간이 0보다 큰 값을 가져오면 FM에 값 1이 할당되고 그렇지 않으면 0이 할당된다. 작업은 도 25의 순서도와 같이 작업 ID, 작업 이름, 생성 시간, 도착 시간, 기한, 실행 시간, 우선 순위, 기한 및 단계와 같은 특정 매개변수를 보유한다. 제안된 스케줄링 알고리즘의 첫 번째 단계에서, 작업은 도착 시간에 따라 준비 대기열에서 추출된다. 도착한 작업이 PEDT(Prompt Event-Driven Task)인 경우 지정된 시간 간격 내에 지연 없이 실행된다. 다음으로, 하나는 단순 이벤트 구동 작업(SET)이고 다른 하나는 주기적 우선 순위 작업(PPT)인 두 개의 후보 작업이 있는 경우 알고리즘은 두 작업의 잉여 시간을 계산하고 잉여 값이 다음의 최적화 모듈로 전달된다. 입자 군집 최적화(PSO)를 사용하여 구현된 제안된 목적 함수를 사용하여 최소화한다. SET의 최소화된 잉여 시간이 PPT의 최소화된 잉여 시간보다 작으면 SET가 실행되고 SET의 잉여 시간이 PPT의 잉여 시간보다 크면 PPT가 실행된다. 그러나 두 작업이 동일한 잉여 시간 값을 포함하는 경우, 긴급성 척도는 수학식 17을 사용하여 계산된다. 긴급성 척도는 SET 및 PPT 중에서 선택할 작업을 결정한다. 긴급 조치의 결과가 0이면 가장 가까운 기한을 가진 PPT가 실행되고, 그렇지 않으면 가장 가까운 기한이 있는 SET가 실행된다. 두 개의 후보 작업이 PPT와 기아 상태인 작업(starving tasks: ST)이면 작업 선택을 위해 두 작업의 최적화된 잉여 시간을 얻는다. 주기적 작업이 ST보다 최적의 잉여 시간이 적다고 가정한다. 이 경우 주기적 작업을 수행하고, 크면 PT를 수행하고, 두 작업의 잉여 시간이 같으면 장애 조치를 선택하여 작업 선택을 결정한다. 실패 측정은 실행에 가장 적합한 작업을 선택하기 위해 두 후보 작업의 작업 기록 및 프로필 로그 정보를 활용한다. 제안된 스케줄링 메커니즘은 물리적 IoT 리소스를 가장 좋은 방식으로 소비하는 스케줄링된 작업의 업데이트된 순서를 생성한다. 스케줄링 프로세스는 작업 매핑 모듈에서 활용하는 작업 우선순위와 실행 시간이라는 두 가지 추가 매개변수를 생성한다. 마지막으로, 작업 스케줄러 관리자(TSM)는 작업 매핑 저장소에서 일정 작업을 유지 관리한다. 예약된 작업은 <Tid, VOid, RSchedTime, TPriority>를 포함하는 튜플에 저장된다.
도 26 및 도 27은 본 발명에 따른 하이브리드 최적 시간 제약 스케줄일 알고리즘을 도시하고 있다.
다음 함수 " Pick_Task "는 대기열에 있는 두 개의 후보 작업에서 실행할 작업을 결정한다. 첫째, 두 개의 작업을 입력으로 사용하고 지속 시간에서 최악의 완료 시간을 빼서 잉여 시간을 계산한다. 다음으로 목적 함수를 구현하여 두 작업의 잉여 시간을 최소화한다. 첫째, 알고리즘은 두 작업의 최적화된 잉여 시간(즉, T1 및 T2)을 비교한다. T1의 잉여 시간이 T2의 잉여 시간보다 작으면 T1이 실행을 위해 선택된다. T1의 잉여 시간이 T2의 잉여 시간보다 크면 T2가 실행되도록 선택된다.
4.2.3 에너지 부하 분산을 위한 순서도
잉여 척도를 활용하는 주요 목적은 두 후보 작업 중에서 선택하는 최적의 의사 결정 정책을 갖는 것이다. 그러나 때때로 잉여 시간을 작업 선택 지표로 고려하는 것에 대해 우유부단해지는 상황이 발생한다. 예를 들어, 두 작업의 최적화된 잉여 가치가 동일한 최적화된 값으로 이어지는 시나리오를 고려하기로 한다. 도 28에 도시된 바와 같이 이러한 시나리오에서 위에서 언급한 상황에서 작업을 선택하기 위해 긴급 및 실패 조치를 선택한다. 긴급성 측정은 단순 이벤트 기반 작업과 주기적인 우선 순위 작업 간의 작업을 결정하는 데 사용된다. 단순 주기 작업과 고갈 작업 사이에서 작업을 선택하는 데 실패 측정이 활용된다.
4.2.4 성능 분석
먼저, 도 29를 참조하여 일정 흐름을 자세히 살펴보기로 한다. 매핑 정보는 매핑 저장소에서 작업 및 가상 객체(VO) 프로필을 찾는 데 사용된다. (getSolar)의 작업 프로필을 얻기 위해 작업 ID 1이 추적되는 것을 확인할 수 있다. 작업의 우선 순위는 1이고 도착은 2이다. 튜플(1, 3, 매핑된 시간)을 포함하는 정보는 제안된 스케줄링 기술로 전달된다. 제안된 스케줄링 기법은 이 정보를 활용하여 도 29에서와 같이 작업 실행 순서를 결정한다.
다음은 응답 시간, 지연 시간, 처리량, 왕복 시간(RTT) 분석과 관련하여 제안된 최적의 스케줄링 기법에 대한 세부 정보이다. 먼저 잉여시간을 최적화한 결과를 살펴보기로 한다. 앞서 설명한 바와 같이 이 발명은 자원이 유휴 상태인 것을 피하기 위해 작업 잉여 시간을 최소화하는 데 중점을 둔다. 도 30은 작업 잉여 시간의 최적화 결과를 보여주고 있다. 도 30에서와 같이 제안된 목적 함수의 초점은 작업 잉여 시간의 비용을 최소화하는 데 있으므로 각 수준에서 비용이 감소한다. 본 발명에서는 50개의 입자와 20개의 반복을 고려하였다. 잉여 시간의 초기 값은 2이지만 PSO는 입자를 최적의 방향으로 안내하여 최상의 솔루션을 찾는다. 초기에 PSO는 초기 반복에서 최상의 솔루션을 신속하게 찾는다. 그러나 최적의 솔루션에 도달하는 동안 성능이 저하된다. 왕복 시간 분석(RTT)은 제안된 모델이 에너지 작업 생성을 시작하여 물리적 IoT 장치에 배포하는 데 소요되는 시간을 결정한다. 성능은 최소, 평균 및 최대 RTT(왕복 시간) 분석으로 평가된다.
앞서 설명한 바와 같이 스마트 기드 기반 시스템의 특성을 고려하여 작업은 이벤트 기반 작업과 주기적 작업으로 나눌 수 있다. 주기적 작업의 경우 RTT의 최소 보고 값은 6ms(requestWindData), RTT의 평균 값은 10ms(getSolarData), 최대 RTT 값은 도 31과 같이 18.5ms(requestESSData)이다
도 32는 두 번째 평가 척도의 처리량을 도시하고 있다. x축은 스마트 홈의 수를 나타내고 y축은 1초 내에 실행된 의료 작업 수를 나타내는 처리량 분석을 나타낸다. 따라서 x축은 ms 단위의 처리량 값을 나타내고 y축은 가정의 수(no.)를 나타낸다. 앞서 설명한 바와 같이 총 24가구를 고려하고, 도 32에서와 같이 처리량 분석은 도 32에서와 같이, (1) 8가구, (2) 16가구, 3) 24가구의 세 그룹으로 주택수를 나누어 결정한다. 처리량 분석은 해당 범주에 따른 처리량의 최소값, 평균값 및 최대값을 나타낸다. 최소, 평균 및 최대 처리량 값은 16가구의 경우 18~28, 16가구의 경우 32~57, 24가구의 경우 43~67이다.
스마트 홈의 수가 8에서 24로 증가함에 따라 처리량 값이 증가하는 것을 확인할 수 있다. 도 33은 작업 대기 시간 측면에서 결과를 구상하고 있다. RTT 및 처리량과 마찬가지로 대기 시간도 최대값, 보통값, 최대값으로 분석된다. 본 발명에서는 작업 대기 시간을 측정하기 위해 세 가지 다른 스마트 홈의 데이터에 집중했다. 최소 대기 시간 값은 4.28ms, 보통은 15.49ms, 최대 대기 시간은 37.52ms이다. 대기 시간 값은 주택 수가 증가함에 따라 증가한다. 예를 들어 평균 대기 시간의 중간 값은 8에서 24 하우스에서 각각 8.4ms에서 17ms에 도달했다. 분석 결과 스마트 홈의 수가 증가할 때 모델이 이상적으로 수행됨을 보여 제안 모델이 스마트 홈의 에너지 관리 시스템을 강력하고 지능적으로 만들기 위해 채택될 수 있음을 검증하였다.
제안된 모델을 평가하기 위해 사용된 네 번째 평가 척도는 응답 시간(RT)이다. RT는 특정 프로세스가 시작 시간부터 완료 시간까지 소비한 총 시간(종종 경과 시간이라고 함)을 지정하는 데 도움이 된다. 여기에서 RT 분석을 작업 범주, 즉 이벤트 중심 및 주기 작업과 관련하여 도시하였다. 이 분석은 평균 응답 시간 측면에서 실행된 에너지 작업을 평가하기 위해 제공된다. 이벤트 기반 작업의 평균 응답 시간 값은 20~79ms 사이에서 변동한다. 주기적 작업의 평균 응답 시간은 도 34에서와 같이 50ms에서 140ms까지 다양 한다. 도 34에서 알 수 있듯이 이벤트 기반 작업의 평균 응답 시간은 주기적인 작업의 우선 순위가 높기 때문에 주기적인 에너지 작업보다 낮다. 에너지 작업을 감지하는 것과 비교된다.
제안된 모델의 효율성을 더 잘 보여주기 위해 제안된 최적 스케줄링 알고리즘과 라운드 로빈(RR) 및 공정한 긴급 우선(FEF)과 같은 최신 알고리즘을 다음과 같이 비교하였다. 도 35에서와 같이 비교는 작업 드롭률과 기아 비율 측면에서 도시되고 있다. 제안된 최적 스케줄링 모델의 작업 기아와 탈락/실패율은 각각 12%와 19%이다. 반대로, RR에 의해 생성되는 작업 기아는 28%이고 작업 실패율은 37%이다. FEF는 34%의 작업 실패율과 24%의 작업 기아율을 나타낸다. 따라서 제안된 모델은 작업 고갈과 실패율을 크게 줄여 제안된 스마트 그리드 기반 스케줄링 메커니즘의 성능을 향상시킨다.
이와 같이, 본 발명에 의하면 소규모 집이나 빌딩, 공장 등에서 자체적으로 에너지 공급과 수요를 맞추어 에너지 자급자족을 지원하기 위해 재생 가능 에너지 자원과 재생 불가능 에너지 자원의 구성 요소를 연결하여 에너지 생산 및 소비 장비간 전송을 효과적으로 유지할 수 있다.
전술한 바와 같은 본 발명의 상세한 설명에서는 구체적인 실시예에 관해 설명하였다. 그러나 본 발명의 범주에서 벗어나지 않는 한도 내에서는 여러 가지 변형이 가능하다. 본 발명의 기술적 사상은 본 발명의 전술한 실시예에 국한되어 정해져서는 안 되며, 청구범위뿐만 아니라 이 청구범위와 균등한 것들에 의해 정해져야 한다.

Claims (10)

  1. 나노그리드에서 에너지 생산과 소비를 유지 관리하기 위해 예측 최적화부가 에너지 생산 및 소비 예측 알고리즘을 이용해 부하 수요, 에너지 소비, 태양광 발전 및 에너지 비용을 예측하는 예측 최적화 단계;
    에너지 부하 밸런싱부가 상기 부하 수요, 상기 에너지 소비, 상기 태양광 발전 및 상기 에너지 비용에 관련되는 부하로 구성되는 에너지 부하와, 생성 에너지 간의 밸런싱을 실행하는 에너지 부하 밸런싱 단계; 및
    최적 에너지 공급 장치의 작업 스케줄링부가 상기 부하 수요, 상기 에너지 소비, 상기 태양광 발전 및 상기 에너지 비용에 관련된 IoT 자원에 해당하는 가상 객체를 스케줄링 된 작업에 할당하는 최적 에너지 공급 장치의 작업 스케줄링 단계;
    를 포함하는 나노그리드에서 최적 에너지 운영 방법.
  2. 청구항 1에 있어서,
    상기 예측 최적화 단계는,
    상기 예측 최적화부가 훈련 및 테스트 세트를 이용해 상기 BT-LSTM을 훈련하고, 상기 훈련된 BT-LSTM을 이용해 부하 수요, 에너지 소비, PV 발전 및 에너지 비용을 예측하는, 나노그리드에서 최적 에너지 운영 방법.
  3. 청구항 1에 있어서,
    상기 예측 최적화 단계는,
    상기 예측 최적화부가 입자 군집 최적화(Particle Swarm Optimization, PSO)를 통해 상기 예측을 최적화하는 단계;
    를 더 포함하는 나노그리드에서 최적 에너지 운영 방법.
  4. 청구항 1에 있어서,
    상기 최적 에너지 공급 장치의 작업 스케줄링 단계는,
    상기 최적 에너지 공급 장치의 작업 스케줄링부가,
    작업(task)를 생성하는 작업 생성 단계;
    IoT 자원에 해당하는 가상 객체를 생성하는 에너지 관련 장치의 가상 객체 생성 단계;
    상기 생성된 작업을 상기 가상 객체에 매핑하는 작업 매핑 단계;
    상기 가상 객체가 매칭된 작업을 타임라인에 따라 스케줄링 하는 에너지 공급 장치의 작업 스케줄링 단계; 및
    상기 IoT 자원에 상기 스케줄링 된 작업을 할당하는 작업 할당 단계;
    를 포함하는 나노그리드에서 최적 에너지 운영 방법.
  5. 청구항 1에 있어서,
    상기 IoT 자원은,
    풍력 터빈, 태양광 패널, 에너지 저장 시스템 또는 디젤 발전기로 구성되는, 나노그리드에서 최적 에너지 운영 방법.
  6. 에너지 생산 및 소비 예측 알고리즘을 이용해 부하 수요, 에너지 소비, 태양광 발전 및 에너지 비용을 예측하는 예측 최적화부;
    상기 부하 수요, 상기 에너지 소비, 상기 태양광 발전 및 상기 에너지 비용에 관련되는 부하로 구성되는 에너지 부하와, 생성 에너지 간의 밸런싱을 실행하는 에너지 부하 밸런싱부; 및
    상기 부하 수요, 상기 에너지 소비, 상기 태양광 발전 및 상기 에너지 비용에 관련된 IoT 자원에 해당하는 가상 객체를 스케줄링 된 작업에 할당하는 최적 에너지 공급 장치의 작업 스케줄링부;
    를 포함하는 나노그리드에서 최적 에너지 운영 시스템.
  7. 청구항 6에 있어서,
    상기 예측 최적화부는,
    훈련 및 테스트 세트를 이용해 상기 BT-LSTM을 훈련하고, 상기 훈련된 BT-LSTM을 이용해 부하 수요, 에너지 소비, PV 발전 및 에너지 비용을 예측하는, 나노그리드에서 최적 에너지 운영 시스템.
  8. 청구항 6에 있어서,
    상기 예측 최적화부는,
    입자 군집 최적화(Particle Swarm Optimization, PSO)를 통해 상기 예측을 최적화하는, 나노그리드에서 최적 에너지 운영 시스템.
  9. 청구항 6에 있어서,
    상기 최적 에너지 공급 장치의 작업 스케줄링부는,
    작업(task)를 생성하고, IoT 자원에 해당하는 가상 객체를 생성하고, 상기 생성된 작업을 상기 가상 객체에 매핑하고, 상기 가상 객체가 매칭된 작업을 타임라인에 따라 스케줄링 하고, 상기 IoT 자원에 상기 스케줄링 된 작업을 할당하는, 나노그리드에서 최적 에너지 운영 시스템.
  10. 청구항 6에 있어서,
    상기 IoT 자원은,
    풍력 터빈, 태양광 패널, 에너지 저장 시스템 또는 디젤 발전기로 구성되는, 나노그리드에서 최적 에너지 운영 시스템.
KR1020220022291A 2022-02-21 2022-02-21 나노그리드에서의 최적 에너지 운영 방법 및 시스템 KR20230125561A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220022291A KR20230125561A (ko) 2022-02-21 2022-02-21 나노그리드에서의 최적 에너지 운영 방법 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220022291A KR20230125561A (ko) 2022-02-21 2022-02-21 나노그리드에서의 최적 에너지 운영 방법 및 시스템

Publications (1)

Publication Number Publication Date
KR20230125561A true KR20230125561A (ko) 2023-08-29

Family

ID=87802642

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220022291A KR20230125561A (ko) 2022-02-21 2022-02-21 나노그리드에서의 최적 에너지 운영 방법 및 시스템

Country Status (1)

Country Link
KR (1) KR20230125561A (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117578465A (zh) * 2024-01-16 2024-02-20 山东建筑大学 一种多尺度可解释的微电网电力负荷预测方法及系统
CN118036828A (zh) * 2024-03-29 2024-05-14 淮阴工学院 一种利用分布式能源的充电站系统、供能策略及选址方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117578465A (zh) * 2024-01-16 2024-02-20 山东建筑大学 一种多尺度可解释的微电网电力负荷预测方法及系统
CN117578465B (zh) * 2024-01-16 2024-04-12 山东建筑大学 一种多尺度可解释的微电网电力负荷预测方法及系统
CN118036828A (zh) * 2024-03-29 2024-05-14 淮阴工学院 一种利用分布式能源的充电站系统、供能策略及选址方法

Similar Documents

Publication Publication Date Title
Wang et al. Energy management solutions in the Internet of Things applications: Technical analysis and new research directions
Pierson et al. Datazero: Datacenter with zero emission and robust management using renewable energy
US9300137B2 (en) Dynamic distributed power grid control system
US8825218B2 (en) Dynamic distributed power grid control system
US20120029720A1 (en) Dynamic distributed power grid control system
KR20230125561A (ko) 나노그리드에서의 최적 에너지 운영 방법 및 시스템
Pandey et al. Applications of artificial intelligence in power system operation, control and planning: a review
Qayyum et al. IoT-Orchestration based nanogrid energy management system and optimal time-aware scheduling for efficient energy usage in nanogrid
Nwauka et al. Virtual power plant basic requirements for integration of distributed energy resources, driven by industry 4.0
Venkataswamy et al. Rare: Renewable energy aware resource management in datacenters
Stoyanova et al. Distributed model predictive control strategies for coordination of electro‐thermal devices in a cooperative energy management concept
Patel et al. Modeling the Green Cloud Continuum: integrating energy considerations into Cloud–Edge models
Petri et al. Ensemble-based network edge processing
Caux et al. Smart datacenter electrical load model for renewable sources management
Qayyum et al. Energy Trading Framework Based on IoT and Digital Twin for Nanogrid Environment
Javed et al. Fog paradigm for local energy management systems
Mehenni et al. An optimal big data processing for smart grid based on hybrid MDM/R architecture to strengthening RE integration and EE in datacenter
Benhaddou Living building: A building block of smart cities
Wasa et al. Game theoretic receding horizon cooperative network formation for distributed microgrids: Variability reduction of photovoltaics
Abras et al. MAS architecture for energy management: Developing smart networks with JADE platform
Sinkovics et al. Co‐simulation framework for calculating balancing energy needs of a microgrid with renewable energy penetration
Yuan Energy and performance-optimized scheduling of tasks in distributed cloud and edge computing systems
Wang et al. Research on intelligent dispatching strategy of power grid using multi‐agent and knowledge discovery algorithm
Lee et al. Monitoring-based prediction and electric vehicle charging in smart grid cities
Aversa et al. Smart Communities of Intelligent Software Agents for Collaborating and Semantically Interoperable Micro-Grids