KR20240028033A - 기계 학습을 이용한 충전기의 계약 전력 산정 시스템 및 방법 - Google Patents

기계 학습을 이용한 충전기의 계약 전력 산정 시스템 및 방법 Download PDF

Info

Publication number
KR20240028033A
KR20240028033A KR1020220106041A KR20220106041A KR20240028033A KR 20240028033 A KR20240028033 A KR 20240028033A KR 1020220106041 A KR1020220106041 A KR 1020220106041A KR 20220106041 A KR20220106041 A KR 20220106041A KR 20240028033 A KR20240028033 A KR 20240028033A
Authority
KR
South Korea
Prior art keywords
charger
contract power
machine learning
power value
contract
Prior art date
Application number
KR1020220106041A
Other languages
English (en)
Inventor
김정인
차민수
고주원
류정수
Original Assignee
한국전력공사
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 한국전력공사 filed Critical 한국전력공사
Priority to KR1020220106041A priority Critical patent/KR20240028033A/ko
Publication of KR20240028033A publication Critical patent/KR20240028033A/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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • 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
    • H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
    • H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
    • H02J3/144—Demand-response operation of the power transmission or distribution network
    • 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
    • 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)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Water Supply & Treatment (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Power Engineering (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

전기차 충전기의 계약전력을 기계 학습을 통해 최적으로 산정하여 효율적이고 경제적인 전기차 충전소 인프라를 구축할 수 있도록 하는 계약 전력 산정 시스템이 개시된다. 상기 계약 전력 산정 시스템은, 전력량 관련 데이터를 수집하는 수집부, 상기 수집된 전력량 관련 데이터에 대해 기계 학습을 이용하여 충전기의 예상 계약 전력값을 산출하는 연산부, 상기 예상 계약 전력값과 상기 충전기가 공급해야 하는 기본 전력값을 비교하는 비교부, 및 상기 비교 결과에 따라 상기 충전기의 최종 계약 전력값을 산정하는 산출부를 포함하는 것을 특징으로 한다.

Description

기계 학습을 이용한 충전기의 계약 전력 산정 시스템 및 방법{System and Method for calculating contracted power of charger using machine learning}
본 발명은 전기차용 충전기의 계약 전력 산정 기술에 관한 것으로서, 더 상세하게는 기계 학습을 이용한 스마트 전기차 충전기 최적의 계약전력을 산정하는 알고리즘을 구현하는 시스템 및 방법에 대한 것이다.
2020년 코로나로 전 세계적으로 자동차 수요가 급락하는 상황 속에서도 글로벌 전기 자동차 수요는 전년 대비 7% 증가했으며, 2021년 전년 대비 16.4% 상승이 예측된다.
따라서, 전기차 운영에 필수적인 전기차 충전기의 효율적인 운영은 향후 전기차 시장 증가에 따른 전기차 충전 인프라를 구축하는 매우 중요한 과제 중 하나이다.
현재 일괄적으로 적용중인 전기차 충전기 계약 전력으로는 기존 아파트 등(다중 이용 시설)에 2022년 아파트 충전기 설치 의무비율(2%)을 달성하기에는 여유 전력이 부족하고 변압기 증설해야 한다는 문제점이 발생한다. 부연하면, 현재 아파트 주차면수 대비 전기차 충전소 주차면수 대비 전기차 충전기 설치 비율은 평균 1.3%이다.
『2022년 전기차 충전 인프라 산업전략 콘퍼런스』에 따르면 현재 아파트 완속 충전기 계약전력(7kW)의 경우 충전기당(7kW) 한달 충전 가능용량은 약 5,040kWh이나 실사용량은 월평균 약 211kW로 계약전력에 비해 너무 적은 전력이 사용되는 것으로 나타났다.
자료에 따르면 아파트 전기차 충전기 사용량의 78%는 18시에서 05시 사이에 발생하며 평균적으로 이틀에 한 벌꼴로 충전되며 월평균 하루 1시간 충전하는 것으로 조사됐다.
전기차 충전 인프라 구축에 있어서 전기차 충전소의 계약전력과 실사용 전력량의 과다한 차이는 해결해야 할 과제이다.
1. 대한민국 등록특허번호 제10-1595236호(등록일자: 2016년02월12일)
본 발명은 위 배경기술에 따른 문제점을 해소하기 위해 제안된 것으로서, 전기차 충전기의 계약전력을 기계 학습을 통해 최적으로 산정하여 효율적이고 경제적인 전기차 충전소 인프라를 구축할 수 있도록 하는 계약 전력 산정 시스템 및 방법을 제공하는데 그 목적이 있다.
또한, 본 발명은 기존의 방대한 데이터를 활용하여 계약전력을 산정 후 실제 충전기가 제공 가능한 계약전력을 비교하여 가장 효율적인 최적의 전기차 충전 계약전력을 산정할 수 있는 계약 전력 산정 시스템 및 방법을 제공하는데 다른 목적이 있다.
본 발명은 위에서 제시된 과제를 달성하기 위해, 전기차 충전기의 계약전력을 기계 학습을 통해 최적으로 산정하여 효율적이고 경제적인 전기차 충전소 인프라를 구축할 수 있도록 하는 계약 전력 산정 시스템을 제공한다.
상기 계약 전력 산정 시스템은,
전력량 관련 데이터를 수집하는 수집부;
상기 수집된 전력량 관련 데이터에 대해 기계 학습을 이용하여 충전기의 예상 계약 전력값을 산출하는 연산부;
상기 예상 계약 전력값과 상기 충전기가 공급해야 하는 기본 전력값을 비교하는 비교부; 및
상기 비교 결과에 따라 상기 충전기의 최종 계약 전력값을 산정하는 산출부;를 포함하는 것을 특징으로 한다.
또한, 상기 연산부는 상기 충전기의 개소별 실제 사용 전력량 및 실제 적용 계약 전력량에 가감계수를 적용하고, 상기 기계 학습으로 오차율을 계산하여 상기 예상 계약 전력값을 산출하는 것을 특징으로 한다.
또한, 상기 가감계수는 지역별 전기차 증가에 따른 계수인 것을 특징으로 한다.
또한, 상기 예상 계약 전력값은 상기 실제 적용 계약 전력량에 상기 오차율을 곱하여 산출되는 것을 특징으로 한다.
또한, 상기 오차율은 상기 실제 적용 계약 전략량으로 상기 개소별 실제 사용 전력량을 나눈 값인 것을 특징으로 한다.
또한, 상기 비교부는 상기 기본 전력값과 상기 예상 계약 전력값을 비교하고, 상기 기계 학습을 통해 보정 계수를 산출하는 것을 특징으로 한다.
또한, 상기 보정 계수는 상기 예상 계약 전력값으로 상기 기본 전력값을 나눈 값인 것을 특징으로 한다.
또한, 상기 최종 계약 전력값은 상기 예상 계약 전력값과 상기 보정 계수를 곱하여 산출되는 것을 특징으로 한다.
다른 한편으로, 본 발명의 다른 일실시예는, (a) 수집부가 전력량 관련 데이터를 수집하는 단계; (b) 연산부가 상기 수집된 전력량 관련 데이터에 대해 기계 학습을 이용하여 충전기의 예상 계약 전력값을 산출하는 단계; (c) 비교부가 상기 예상 계약 전력값과 상기 충전기가 공급해야 하는 기본 전력값을 비교하는 단계; 및 (d) 산출부가 상기 비교 결과에 따라 상기 충전기의 최종 계약 전력값을 산정하는 단계;를 포함하는 것을 특징으로 하는 기계 학습을 이용한 충전기의 계약 전력 산정 방법을 제공한다.
본 발명에 따르면, 전기차 충전기의 계약전력을 기계 학습을 통해 최적으로 산정하여 효율적이고 경제적인 전기차 충전소 인프라를 구축할 수 있다.
또한, 본 발명의 다른 효과로서는 전기차 충전 인프라 구축에 선진국 수준의 운영 시스템 기술을 개발할 수 있다는 점을 들 수 있다.
또한, 본 발명의 또 다른 효과로서는 빅데이터의 지속적인 성장 및 우리나라의 독자적 계통 운영 시스템을 개발할 수 있다는 점을 들 수 있다.
또한, 본 발명의 또 다른 효과로서는 데이터에 기반한 효율적이고 경제적인 미래형 전기차 충전 시스템을 구축할 수 있다는 점을 들 수 있다.
도 1은 본 발명의 일실시예에 따른 계약 전력 산정 시스템의 구성 블럭도이다.
도 2는 본 발명의 일실시예에 따른 계약 전력 산정 과정을 보여주는 흐름도이다.
도 3은 본 발명의 일실시예에 따른 최적의 계약 전력 산정 과정을 보여주는 흐름도이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는바, 특정 실시예들을 도면에 예시하고 상세한 설명에 구체적으로 설명하고자 한다. 그러나 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용한다.
제 1, 제 2등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제 1 구성요소는 제 2 구성요소로 명명될 수 있고, 유사하게 제 2 구성요소도 제 1 구성요소로 명명될 수 있다. "및/또는" 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미가 있다.
일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미가 있는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않아야 한다.
이하 첨부된 도면을 참조하여 본 발명의 일실시예에 따른 기계 학습을 이용한 충전기의 계약 전력 산정 시스템 및 방법을 상세하게 설명하기로 한다.
도 1은 본 발명의 일실시예에 따른 계약 전력 산정 시스템(100)의 구성 블럭도이다. 도 1을 참조하면, 전력량 관련 데이터를 수집하는 수집부(110), 전력량 관련 데이터를 저장하는 저장소(120), 수집된 전력량 관련 데이터에 대해 기계 학습을 이용하여 예상 계약 전력값을 산출하는 연산부(130), 예상 계약 전력값과 충전기가 공급해야 하는 기본 전력값을 비교하는 비교부(140), 비교 결과에 따라 충전기의 최종 계약 전력값을 산정하는 산출부(160), 최종 계약 전력값을 출력하는 표시부(170) 등을 포함하여 구성될 수 있다.
수집부(110)는 전력량과 관련되는 빅데이터를 수집하는 기능을 수행한다. 빅데이터(즉 전력량과 관련되는 데이터)로는 충전기의 개소별 실제 사용 전력량, 적용된 계약 전력량 등을 들 수 있다. 수집부(110)는 통신망에 연결되어 빅데이터를 수집할 수도 있고, 사용자가 직접 입력함으로써 수집될 수도 있다.
통신망은 복수의 단말 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조를 의미하는 것으로, 공중교환 전화망(PSTN), 공중교환 데이터망(PSDN), 종합정보통신망(ISDN: Integrated Services Digital Networks), 광대역 종합 정보 통신망(BISDN: Broadband ISDN), 근거리 통신망(LAN: Local Area Network), 대도시 지역망(MAN: Metropolitan Area Network), 광역 통신망(WLAN: Wide LAN) 등이 될 수 있다.
그러나, 본 발명은 이에 한정되지는 않으며, 무선 통신망인 CDMA(Code Division Multiple Access), WCDMA(Wideband Code Division Multiple Access), Wibro(Wireless Broadband), WiFi(Wireless Fidelity),DLNA(Digital Living Network Alliance), Zigbee, Z-wave, HSDPA(High Speed Downlink Packet Access) 망, 블루투쓰(bluetooth),RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), 초광대역 무선기술(Ultra-wide Band), Wireless USB(Wireless Universal Serial Bus), NFC(Near Field Communication) 네트워크, 위성 방송 네트워크, 아날로그 방송 네트워크, DMB(Digital Multimedia Broadcasting) 네트워크 등이 될 수 있다. 또는, 이들 유선 통신망 및 무선 통신망의 조합일 수 있다.
이를 수집부(110)는 통신 모뎀, 마이크로프로세서, 메모리, 연결 포트 등을 포함하여 구성될 수 있다. 연결 포트는 메모리 스틱을 연결하는 포트로서, USB (Universal Serial Bus) 포트 등이 될 수 있다.
저장소(120)는 수집부(110)를 통해 획득된 빅데이터를 데이터베이스화하여 저장하는 기능을 수행한다. 이를 위해 저장소(120)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD(Secure Digital) 또는 XD(eXtreme Digital) 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read Only Memory), PROM(Programmable Read Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.
또한, 인터넷(internet)상에서 저장 기능을 수행하는 웹 스토리지(web storage), 클라우드 서버와 관련되어 동작할 수도 있다. 물론, 저장소(120)는 별도의 데이터베이스 서버로 구성될 수도 있다.
연산부(130)는 빅데이터(Big Data)를 바탕으로 기계 학습 알고리즘(딥러닝, 데이터 마이닝 등)을 적용하여 전기차 충전기의 예상 계약 전력값을 산정한다.
비교부(140)는 예상 계약 전력값과 충전기가 공급해야 하는 기본 전력값을 비교하는 기능을 수행한다. 부연하면, 연산부(130)의 출력을 바탕으로 기본적으로 충전기(또는 전기차 충전소)가 공급해야 할 기본 전력을 비교하고, 기계 학습을 통해 보정 계수를 산출함을 목적으로 한다. 일반적으로, 계약전력(기본 전력값)이 100이라고 해도 실제 사용 전력은 수용률 적용시 100을 다 사용하지 않는다. 따라서, 계약 전력은 최대값이 될 수 있다.
보정부(150)는 비교부(140)의 비교 결과에 따라 예상 계약 전력값과 실제 전력값에 차이가 발생하면 보정을 수행한다. 도 1에서는 이해의 편의를 위해 보정부(150)와 비교부(140)를 별도로 도시하였으나, 보정부(150)를 비교부(140)에 병합하여 구성할 수도 있다.
산출부(160)는 비교 결과에 따라 상기 충전기의 최종 계약 전력값을 산정하는 기능을 수행한다. 물론, 보정부(150)에 의해 보정이 있으면, 보정을 적용하여 산출한다.
표시부(170)는 최종 계약 전력값을 표시하는 기능을 수행한다. 물론, 설정 화면, 입력 화면, 처리 정보 등을 출력하는 기능을 수행한다. 이를 위해, 표시부(170)는 LCD(Liquid Crystal Display), LED(Light Emitting Diode) 디스플레이, PDP(Plasma Display Panel), OLED(Organic LED) 디스플레이, 터치 스크린, CRT(Cathode Ray Tube), 플렉시블 디스플레이, 마이크로 LED, 미니 LED 등이 될 수 있다. 터치 스크린의 경우, 표시 수단뿐만 아니라 입력 수단으로도 사용될 수 있다.
도 1에 도시된, 연산부(130), 비교부(140), 보정부(150), 산출부(160) 등은 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 소프트웨어 및/또는 하드웨어로 구현될 수 있다.
하드웨어 구현에 있어, 상술한 기능을 수행하기 위해 디자인된 ASIC(application specific integrated circuit), DSP(digital signal processing), PLD(programmable logic device), FPGA(field programmable gate array), 프로세서, 마이크로프로세서, 다른 전자 유닛 또는 이들의 조합으로 구현될 수 있다.
소프트웨어 구현에 있어, 소프트웨어 구성 컴포넌트(요소), 객체 지향 소프트웨어 구성 컴포넌트, 클래스 구성 컴포넌트 및 작업 구성 컴포넌트, 프로세스, 기능, 속성, 절차, 서브 루틴, 프로그램 코드의 세그먼트, 드라이버, 펌웨어, 마이크로 코드, 데이터, 데이터베이스, 데이터 구조, 테이블, 배열 및 변수를 포함할 수 있다. 소프트웨어, 데이터 등은 메모리에 저장될 수 있고, 프로세서에 의해 실행된다. 메모리나 프로세서는 당업자에게 잘 알려진 다양한 수단을 채용할 수 있다.
도 2는 본 발명의 일실시예에 따른 계약 전력 산정 과정을 보여주는 흐름도이다. 특히, 도 2는 연산부(130)에 수행되는 과정을 보여주는 흐름도이다. 도 2를 참조하면, 실제 사용 전력량을 획득하여 이 실제 사용 전력량에 가감계수를 적용한다(S210,S211). 이와 동시에, 실제 적용 계약 전력량을 획득하여 실제 적용 계약 전력량에 가감계수를 적용한다(단계 S220,S221). 실제 사용 전력량, 실제 적용 계약 전력량을 포함하는 빅데이터와 반영되어야할 가감계수를 보면 다음과 같다.
적용·출력 가능한 Big Data 반영되어야 할 가감계수
1 ① 개소별 실제 사용 전력량 지역별[(대도시:1.2, 중소도시:1.0, 시골:0.8)]
지역별 전기차 증가에 따른 가감계수(0.8 / 1.0 / 1.2)
2 ② 적용된 계약전력량
3 ③ 데이터 비교로 오차율 계산 오차율 계산[① / ②=오차율]
4 ④ 예상 계약전력값 산출 예상 계약 전력값 = 계약 전력량 × 오차율
지역별 전기차 증가에 따른 가감계수는 대도시: 1.2, 중소도시: 1.0, 시골: 0.8이다. 물론, 충전기가 설치되면 지역 정보, 충전기에 대한 장치 정보를 획득할 수 있으며, 이들 정보 또한 빅데이터로 구성된다.
또한, 오차율 = 개소별 실제 사용 전력량/실제 적용 계약 전력량이다.
이후, 기계 학습을 진행한다(단계 S240). 부연하면, 실제 사용 전력량(개소별 실제 사용된 충전소 전력량)에 가감계수(지역별 전기차 증가에 따른 계수) 적용 후 실제 계약 전력량(한전과 계약 중인 전기차 충전소 계약전력)을 비교하고, 기계 학습을 통하여 오차율을 계산한다(단계 S240). 기계 학습은 딥러닝, 데이터 마이닝 등이 사용될 수 있다. 부연하면, 최대한 계약 전력량과 실제 사용전력이 비슷하게 산출되게 기계적 학습을 시행한다.
이 경우, 딥러닝은 신경망을 이용하는 구조로서, 경망은 입력층과 출력층 사이에 여러층의 은닉층이 있는 구조로 되어 있다. 이는 인간이 데이터 처리에 대한 절차나 규칙을 제시해주지 않아도 기계가 스스로 데이터를 통해 처리규칙을 학습하여 처리하는 방식이다. 신경망은 DNN(Deep Neural Network), CNN(Convolution Neural Network), RNN(Recurrent Neural Network)이 사용될 수 있다.
이후, 산출된 오차율을 적용하여 예상 계약 전력값을 산정한다(단계 S250,S260). 부연하면, 실제 계약 전력량(한전과 계약 중인 전기차 충전소 계약전력)에 오차율을 적용하여 예상 계약 전력값을 산출한다.
도 3은 본 발명의 일실시예에 따른 최적의 계약 전력 산정 과정을 보여주는 흐름도이다. 특히, 도 3은 비교부(140)와 산출부(160)를 통한 최적의 계약 전력을산정하고 기계 학습으로 보정 계수를 산출하는 알고리즘을 나타낸다.
도 3을 참조하면, 비교부(140)는 충전기의 기본 전력값을 산출한다(단계 S310). 부연설명하면, 기본 전력값은 고속 충전기와 완속 충전기로 구별될 수 있으며, 고속 충전기의 경우 기본 전력값은 시간당 60~70kWh이고, 완속 충전기의 경우, 시간당 7~10kWh이다.
이와 동시에 연산부(130)에서 산출되는 예상 계약 전력값을 획득한다(단계 S320).
이후, 비교부(140)는 기계 학습을 통해 보정 계수를 계산한다(단계 S340). 부연하면, 현재 개발된 전기차의 배터리 용량은 60∼70kW로 배터리 용량의 약 80%가 1시간에 급속 충전되며, 약 20%가 완속 충전되어 대략 2시간에 완충이 가능하다. 부연하면, 기계 학습을 이용하여 실제 사용 전력과 계약 전력, 지역별…계절별 등을 통해 보정계수를 산출한다.
따라서, 고속충전기의 기본 계약 전력값은 시간당 60∼70kWh 공급 가능해야 하며 기본 전력값과 연산부(130)의 예상 계약 전력값을 비교하여 보정 계수를 산출할 수 있다. 이를 이해하기 쉽게 표로 나타내면 다음과 같다.
적용·출력 가능한 Big Data 세 부 내 용
1 ① 기본 전력값(디폴트: 고속충전기) 고속 충전기(시간당 60~70kWh)
완속 충전기(시간당 7~10kWh)
2 ② 연산부의 출력값 예상 계약 전력값
3 ③ 보정 계수 계산 보정 계수 계산[① / ②=보정 계수]
4 ④ 산출부의 최종 계약 전력값 산출 최종 계약 전력값 = 예상 계약 전력값 × 보정 계수
여기서, 보정 계수 = 기본 전력값/예상 계약 전력값이다.
보정 계수가 산출되면, 산출부(160)는 예상 계약 전력값과 보정 계수를 곱하여 최종 계약 전력값을 산출한다(단계 S360).
또한, 여기에 개시된 실시형태들과 관련하여 설명된 방법 또는 알고리즘의 단계들은, 마이크로프로세서, 프로세서, CPU(Central Processing Unit) 등과 같은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 (명령) 코드, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다.
상기 매체에 기록되는 프로그램 (명령) 코드는 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프 등과 같은 자기 매체(magnetic media), CD-ROM, DVD, 블루레이 등과 같은 광기록 매체(optical media) 및 롬(ROM: Read Only Memory), 램(RAM: Random Access Memory), 플래시 메모리 등과 같은 프로그램 (명령) 코드를 저장하고 수행하도록 특별히 구성된 반도체 기억 소자가 포함될 수 있다.
여기서, 프로그램 (명령) 코드의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
100: 계약 전력 산정 시스템
110: 수집부
120: 저장소
130: 연산부
140: 비교부
150: 보정부
160: 산출부
170: 표시부

Claims (16)

  1. 전력량 관련 데이터를 수집하는 수집부(110);
    상기 수집된 전력량 관련 데이터에 대해 기계 학습을 이용하여 충전기의 예상 계약 전력값을 산출하는 연산부(130);
    상기 예상 계약 전력값과 상기 충전기가 공급해야 하는 기본 전력값을 비교하는 비교부(140); 및
    상기 비교 결과에 따라 상기 충전기의 최종 계약 전력값을 산정하는 산출부(160);
    를 포함하는 것을 특징으로 하는 기계 학습을 이용한 충전기의 계약 전력 산정 시스템.
  2. 제 1 항에 있어서,
    상기 연산부(130)는 상기 충전기의 개소별 실제 사용 전력량 및 실제 적용 계약 전력량에 가감계수를 적용하고, 상기 기계 학습으로 오차율을 계산하여 상기 예상 계약 전력값을 산출하는 것을 특징으로 하는 기계 학습을 이용한 충전기의 계약 전력 산정 시스템.
  3. 제 2 항에 있어서,
    상기 가감계수는 지역별 전기차 증가에 따른 계수인 것을 특징으로 하는 기계 학습을 이용한 충전기의 계약 전력 산정 시스템.
  4. 제 2 항에 있어서,
    상기 예상 계약 전력값은 상기 실제 적용 계약 전력량에 상기 오차율을 곱하여 산출되는 것을 특징으로 하는 기계 학습을 이용한 충전기의 계약 전력 산정 시스템.
  5. 제 2 항에 있어서,
    상기 오차율은 상기 실제 적용 계약 전략량으로 상기 개소별 실제 사용 전력량을 나눈 값인 것을 특징으로 하는 기계 학습을 이용한 충전기의 계약 전력 산정 시스템.
  6. 제 1 항에 있어서,
    상기 비교부(140)는 상기 기본 전력값과 상기 예상 계약 전력값을 비교하고, 상기 기계 학습을 통해 보정 계수를 산출하는 것을 특징으로 하는 기계 학습을 이용한 충전기의 계약 전력 산정 시스템.
  7. 제 6 항에 있어서,
    상기 보정 계수는 상기 예상 계약 전력값으로 상기 기본 전력값을 나눈 값인 것을 특징으로 하는 기계 학습을 이용한 충전기의 계약 전력 산정 시스템.
  8. 제 6 항에 있어서,
    상기 최종 계약 전력값은 상기 예상 계약 전력값과 상기 보정 계수를 곱하여 산출되는 것을 특징으로 하는 기계 학습을 이용한 충전기의 계약 전력 산정 시스템.
  9. (a) 수집부(110)가 전력량 관련 데이터를 수집하는 단계;
    (b) 연산부(130)가 상기 수집된 전력량 관련 데이터에 대해 기계 학습을 이용하여 충전기의 예상 계약 전력값을 산출하는 단계;
    (c) 비교부(140)가 상기 예상 계약 전력값과 상기 충전기가 공급해야 하는 기본 전력값을 비교하는 단계; 및
    (d) 산출부(160)가 상기 비교 결과에 따라 상기 충전기의 최종 계약 전력값을 산정하는 단계;
    를 포함하는 것을 특징으로 하는 기계 학습을 이용한 충전기의 계약 전력 산정 방법.
  10. 제 9 항에 있어서,
    상기 연산부(130)는 상기 충전기의 개소별 실제 사용 전력량 및 실제 적용 계약 전력량에 가감계수를 적용하고, 상기 기계 학습으로 오차율을 계산하여 상기 예상 계약 전력값을 산출하는 것을 특징으로 하는 기계 학습을 이용한 충전기의 계약 전력 산정 방법.
  11. 제 10 항에 있어서,
    상기 가감계수는 지역별 전기차 증가에 따른 계수인 것을 특징으로 하는 기계 학습을 이용한 충전기의 계약 전력 산정 방법.
  12. 제 10 항에 있어서,
    상기 예상 계약 전력값은 상기 실제 적용 계약 전력량에 상기 오차율을 곱하여 산출되는 것을 특징으로 하는 기계 학습을 이용한 충전기의 계약 전력 산정 방법.
  13. 제 10 항에 있어서,
    상기 오차율은 상기 실제 적용 계약 전략량으로 상기 개소별 실제 사용 전력량을 나눈 값인 것을 특징으로 하는 기계 학습을 이용한 충전기의 계약 전력 산정 방법.
  14. 제 9 항에 있어서,
    상기 비교부(140)는 상기 기본 전력값과 상기 예상 계약 전력값을 비교하고, 상기 기계 학습을 통해 보정 계수를 산출하는 것을 특징으로 하는 기계 학습을 이용한 충전기의 계약 전력 산정 방법.
  15. 제 14 항에 있어서,
    상기 보정 계수는 상기 예상 계약 전력값으로 상기 기본 전력값을 나눈 값인 것을 특징으로 하는 기계 학습을 이용한 충전기의 계약 전력 산정 방법.
  16. 제 14 항에 있어서,
    상기 최종 계약 전력값은 상기 예상 계약 전력값과 상기 보정 계수를 곱하여 산출되는 것을 특징으로 하는 기계 학습을 이용한 충전기의 계약 전력 산정 방법.

KR1020220106041A 2022-08-24 2022-08-24 기계 학습을 이용한 충전기의 계약 전력 산정 시스템 및 방법 KR20240028033A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220106041A KR20240028033A (ko) 2022-08-24 2022-08-24 기계 학습을 이용한 충전기의 계약 전력 산정 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220106041A KR20240028033A (ko) 2022-08-24 2022-08-24 기계 학습을 이용한 충전기의 계약 전력 산정 시스템 및 방법

Publications (1)

Publication Number Publication Date
KR20240028033A true KR20240028033A (ko) 2024-03-05

Family

ID=90298257

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220106041A KR20240028033A (ko) 2022-08-24 2022-08-24 기계 학습을 이용한 충전기의 계약 전력 산정 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR20240028033A (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101595236B1 (ko) 2013-11-04 2016-02-18 주식회사 티앤엠테크 계약 전력 추천 장치 및 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101595236B1 (ko) 2013-11-04 2016-02-18 주식회사 티앤엠테크 계약 전력 추천 장치 및 방법

Similar Documents

Publication Publication Date Title
Salameh et al. Optimal selection and management of hybrid renewable energy System: Neom city as a case study
Figgener et al. The development of stationary battery storage systems in Germany–A market review
Endo et al. Simulation of design and operation of hydrogen energy utilization system for a zero emission building
Shaner et al. Geophysical constraints on the reliability of solar and wind power in the United States
Sreeraj et al. Design of isolated renewable hybrid power systems
Rezaie et al. Renewable energy options for buildings: Case studies
Branker et al. A review of solar photovoltaic levelized cost of electricity
Hanson et al. Partial-shading assessment of photovoltaic installations via module-level monitoring
Rizwan et al. Fuzzy logic based modeling and estimation of global solar energy using meteorological parameters
Dashtdar et al. Design of optimal energy management system in a residential microgrid based on smart control
Lee et al. Cost versus reliability sizing strategy for isolated photovoltaic micro-grids in the developing world
Luthander et al. Photovoltaics and opportunistic electric vehicle charging in the power system–a case study on a Swedish distribution grid
Al-Buraiki et al. Technoeconomic analysis and optimization of hybrid solar/wind/battery systems for a standalone house integrated with electric vehicle in Saudi Arabia
Pandžić Optimal battery energy storage investment in buildings
Khare et al. Optimal sizing of a grid integrated solar photovoltaic system
Zhang et al. Operational optimization for microgrid of buildings with distributed solar power and battery
JP5801980B2 (ja) 試算装置及び試算方法
Arab et al. Motor-pump system modelization
EP3270349A1 (en) Storage battery operation plan creating device, storage battery operation plan creating method, and permanent recording medium
Angelim et al. Probabilistic assessment of voltage quality on solar-powered electric vehicle charging station
Khan et al. Roof integrated photovoltaic for electric vehicle charging towards net zero residential buildings in Australia
Bhoi et al. Optimal scheduling of battery storage with grid tied PV systems for trade-off between consumer energy cost and storage health
Ivanova et al. Techno‐economic feasibility of a photovoltaic‐equipped plug‐in electric vehicle public parking lot with coordinated charging
Danish et al. An open-door immature policy for rural electrification: a case study of Afghanistan
Guo et al. Stochastic optimization for economic operation of plug-in electric vehicle charging stations at a municipal parking deck integrated with on-site renewable energy generation