머신러닝기반 확률론적 실시간 건물에너지 수요예측 및 BESS충방전 기법 Stochastic Real-time Demand Prediction for Building and Charging and Discharging Technique of ESS Based on Machine-Learning원문보기
현재까지 피크완화 및 에너지 절감을 위해 한국전력공사 120여개 사옥에 K-BEMS (KEPCO Building Energy Management System)가 운영 중이다. 이 시스템은 PV, PCS, BESS, EMS 등으로 구성되어 있으며 건물에너지 수요예측을 기반으로 BESS, PV 등을 활용하여 에너지 관리를 도모하고 있다. 이 시스템은 단기 과거데이터에 신경망기법을 단순 적용하여 수요를 예측함에 따라 예측 정확도가 높지 않고 운영자 수작업을 통한 BESS 충방전으로 피크 저감이 곤란하며 운영 경제성 제고가 어려운 실정이다. 이러한 문제를 해결하기 위해 전력연구원에서는 2016년부터 3년간 연구과제를 수행하였는데 이를 통해 에러를 최소화하며 높은 신뢰도를 가지는 실시간 수요예측기법과 이에 기반한 BESS충방전 최적화 자동화 기술 개발, 성능을 검증하였기에 이를 본 논문에서 소개하고자 한다.
현재까지 피크완화 및 에너지 절감을 위해 한국전력공사 120여개 사옥에 K-BEMS (KEPCO Building Energy Management System)가 운영 중이다. 이 시스템은 PV, PCS, BESS, EMS 등으로 구성되어 있으며 건물에너지 수요예측을 기반으로 BESS, PV 등을 활용하여 에너지 관리를 도모하고 있다. 이 시스템은 단기 과거데이터에 신경망기법을 단순 적용하여 수요를 예측함에 따라 예측 정확도가 높지 않고 운영자 수작업을 통한 BESS 충방전으로 피크 저감이 곤란하며 운영 경제성 제고가 어려운 실정이다. 이러한 문제를 해결하기 위해 전력연구원에서는 2016년부터 3년간 연구과제를 수행하였는데 이를 통해 에러를 최소화하며 높은 신뢰도를 가지는 실시간 수요예측기법과 이에 기반한 BESS충방전 최적화 자동화 기술 개발, 성능을 검증하였기에 이를 본 논문에서 소개하고자 한다.
K-BEMS System was introduced to reduce peak load and to save total energy of the 120 buildings that KEPCO headquarter and branch offices use. K-BEMS system is composed of PV, battery, and hybrid PCS. In this system, ESS, PV, lighting is used to save building energy based on demand prediction. Curren...
K-BEMS System was introduced to reduce peak load and to save total energy of the 120 buildings that KEPCO headquarter and branch offices use. K-BEMS system is composed of PV, battery, and hybrid PCS. In this system, ESS, PV, lighting is used to save building energy based on demand prediction. Currently, neural network technique for short past data is applied to demand prediction, and fixed scheduling method by operator for ESS charging/discharging is used. To enhance this system, KEPCO research institute has carried out this K-BEMS research project for 3 years since January 2016. As the result of this project, we developed new real-time highly reliable building demand prediction technique with error free and optimized automatic ESS charging/discharging technique. Through several field test, we can certify the developed algorithm performance successfully. So we will describe the details in this paper.
K-BEMS System was introduced to reduce peak load and to save total energy of the 120 buildings that KEPCO headquarter and branch offices use. K-BEMS system is composed of PV, battery, and hybrid PCS. In this system, ESS, PV, lighting is used to save building energy based on demand prediction. Currently, neural network technique for short past data is applied to demand prediction, and fixed scheduling method by operator for ESS charging/discharging is used. To enhance this system, KEPCO research institute has carried out this K-BEMS research project for 3 years since January 2016. As the result of this project, we developed new real-time highly reliable building demand prediction technique with error free and optimized automatic ESS charging/discharging technique. Through several field test, we can certify the developed algorithm performance successfully. So we will describe the details in this paper.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
지금까지 KEPCO 사옥의 120여곳에 구축 운영 중인 K-BEMS 주장치 성능향상을 위해 머신러닝 기반 실시간 수요예측과 수요예측 기반 BESS 충방전 최적화 방법에 대하여 기술하였다. 수요예측은 매 15분 단위, 실시간으로 수행되며 확률론적 예측과 오류최소화, 차원감소 등의 다양한 기법을 적용하여 예측 신뢰도를 크게 향상하였다.
제안 방법
수요예측은 현재 시간 이후 24 시간에 걸쳐 15분 간격으로 이루어진다. 과거 관측 데이터와 예측 데이터를 사용하여 예측의 오차 확률을 계산하고, 최종적으로 Fig.9와 같이 매 15분 단위의 확률론적 예측을 수행한다.
이런 문제를 해결하기 위해 지속적이고 유동적인 수요 예측과 최적화를 시행하여 BESS 등 기기 제어성능을 극대화한다. 또한 매 15분마다 확률론적 기반의 수요예측과 최적화를 수행한다. 매 간격마다 바로 앞의 데이터와 신경망 알고리즘을 통해 15분 앞의 수요를 예측한다.
수요예측치와 요금제 등을 기반으로 BESS 등 제어기기의 최적스케줄 생성을 수행한다. 또한, 정교한 수요예측을 위하여 K-BEMS구축 사이트별 데이터 분석을 통해, 날씨, 요일 등 적절 매개 변수를 탐색한다. 최적화는 부하 이동을 통한 에너지 요금 절감과 피크부하 억제를 통한 기본요금 절감을 동시에 수행할 수 있도록 설계한다.
최적화가 수행되기 전에 이전 섹션에서 설명한 것처럼 계산 속도를 높이기 위해 데이터의 차원을 줄여야 한다. 부하 시나리오 도출을 위해 BESS 제어 시퀀스를 생성하여 확률적 최적화의 목적 함수를 설정한다. 목적 함수에 제약 조건으로 설정된 조건에 기반하여 #Latex구현필요이다.
과거 데이터 분석을 통해 직관적으로 나뉘는 패턴을 분석하고, K-means 방법을 활용하여 실제 패턴을 데이터 마이닝 기법을 활용하여 분석한다. 분석된 패턴의 경우, 실제 예측을 실시할 때, 분류에 어려움이 있기 때문에 Bayesian classification을 활용하여 매칭 시키고, 기법을 사용한 예측과 앙상블 형태로 최종 예측을 실시한 후, 실제 데이터와의 검증을 통해 성능 검사를 실시한다.
최종 알고리즘은 Matlap Runtime 라이브러리를 통해서 Matlap 함수형태로 구현한다. 수요예측 알고리즘을 이용해 엑셀 파일 형태의 입력 데이터를 읽고 엑셀 파일 형태의 출력 데이터를 내놓는다. Matlap Runtime 은 Matlap을 설치하지 않은 상태에서 컴파일된 Matlap 응용프로그램 또는 구성요소를 실행하도록 지원하는 독립형 공유 라이브러리 세트이다.
예측은 매 15분 마다 수행되며, 예측 데이터가 사용 가능한 즉시 최적화가 수행된다. 수요예측치와 요금제 등을 기반으로 BESS 등 제어기기의 최적스케줄 생성을 수행한다. 또한, 정교한 수요예측을 위하여 K-BEMS구축 사이트별 데이터 분석을 통해, 날씨, 요일 등 적절 매개 변수를 탐색한다.
시뮬레이션에 사용 된 국내 실제 사이트 데이터의 FFNN (Feed Forward Neural Network)을 기반으로 단기 예측을 수행하였는데 PSO (Particle Swarm Optimization) 최적화 툴을 사용하여 확률론 적 최적화를 수행하였다. 최적화 알고리즘을 만족시키기 위해 예측 된 부하 분산을 기반으로 시나리오를 선택한 데이터 분석을 진행했으며 시간을 줄이는 확률론 적 최적화의 정확성을 보장하는 제안 된 알고리즘 TPA를 사용하여 각 시나리오에서 데이터의 차원 감소를 수행하였다.
최적화는 부하 이동을 통한 에너지 요금 절감과 피크부하 억제를 통한 기본요금 절감을 동시에 수행할 수 있도록 설계한다. 실시간 최적화를 위해 주어진 계산 시간 안에서 계산 단위를 동적으로 조절하는 시나리오 축약 기법을 Fig. 13과 같이 개발, 적용했다.
1과 같이 구성되어 있다. 이 시스템은 주장치 PC를 중심으로 배터리, 태양광이 PCS와 연계되고, 건물내 전력 계량장치와 연계되어 건물소비전력을 측정한다. 본 시스템의 주요 문제점은 적잖은 수요예측 오류와 운영자의 판단에 의해 설정되는 고정식 BESS스케쥴링 방식에 있다.
이 방식의 문제점은 다양한 데이터(기상 등)의 반영이 곤란하고, 실시간 변화 대응, 발생 오차의 보정이 이루어지 않으며 예측계산결과를 이해하는 데 어려움이 있다는 점이다. 이러한 문제점을 해소하기 위해 과거데이터(기상정보, I-Smart Data 등)의 패턴분석, 시계열 분석을 거쳐 앙상블모델을 만들고 여기서 발생하는 오차를 보정하여 확률론적으로 수요를 예측하는 방식을 채택한다. 이 방식은 수요예측 신뢰도 향상은 물론 실시간 처리가 가능하므로 당일 실시간으로 변화하는 환경 대응력 강화로 예측 신뢰도를 더욱 제고할 수 있다.
확률론적 수요예측은 먼 미래일수록 예측 신뢰구간이 넓어지게 된다. 이런 문제를 해결하기 위해 지속적이고 유동적인 수요 예측과 최적화를 시행하여 BESS 등 기기 제어성능을 극대화한다. 또한 매 15분마다 확률론적 기반의 수요예측과 최적화를 수행한다.
이와 같은 방식을 이용하여 패턴 분류를 시즌, 주중·주말, 요일별 등, 수치적으로 접근하여 수행한다.
이와 같이 앞에서의 스케줄을 바탕으로 피크 요금제, TOU 요금제에 대한 평가를 실시한 후 이 둘을 합친 전체요금에 대한 평가를 통해 금액 최소가 되는 스케줄을 선택하여 자동으로 BESS 충방전을 수행하게 된다. 전체 동적 최적제어 구조는 Fig.
시뮬레이션에 사용 된 국내 실제 사이트 데이터의 FFNN (Feed Forward Neural Network)을 기반으로 단기 예측을 수행하였는데 PSO (Particle Swarm Optimization) 최적화 툴을 사용하여 확률론 적 최적화를 수행하였다. 최적화 알고리즘을 만족시키기 위해 예측 된 부하 분산을 기반으로 시나리오를 선택한 데이터 분석을 진행했으며 시간을 줄이는 확률론 적 최적화의 정확성을 보장하는 제안 된 알고리즘 TPA를 사용하여 각 시나리오에서 데이터의 차원 감소를 수행하였다.
또한, 정교한 수요예측을 위하여 K-BEMS구축 사이트별 데이터 분석을 통해, 날씨, 요일 등 적절 매개 변수를 탐색한다. 최적화는 부하 이동을 통한 에너지 요금 절감과 피크부하 억제를 통한 기본요금 절감을 동시에 수행할 수 있도록 설계한다. 실시간 최적화를 위해 주어진 계산 시간 안에서 계산 단위를 동적으로 조절하는 시나리오 축약 기법을 Fig.
이론/모형
과거 데이터 분석을 통해 직관적으로 나뉘는 패턴을 분석하고, K-means 방법을 활용하여 실제 패턴을 데이터 마이닝 기법을 활용하여 분석한다. 분석된 패턴의 경우, 실제 예측을 실시할 때, 분류에 어려움이 있기 때문에 Bayesian classification을 활용하여 매칭 시키고, 기법을 사용한 예측과 앙상블 형태로 최종 예측을 실시한 후, 실제 데이터와의 검증을 통해 성능 검사를 실시한다.
Adaptive Piecewise Constant Approximation (APCA)는 각각의 시계열을 가변 길이의 일정한 값 세그먼트 세트로 근사하여 개별 재구성 오류가 최소화 된다. 그러나 본 연구에서는 이 방식 보다 적합성이 우수한 TOU 기반 Piecewise Approximation (구분 적 근사치, TPA)이라는 새로운 차원 감소 기법을 사용한다.
시계열 분석으로 ARIMA (Auto Regressive Integrated Moving Average) 모델을 사용한다. 시계열을 다루고자 할 때 모형식별, 식별된 모형의 추정 및 진단, 예측 단계로 프로세스를 진행하는데 인간 뇌 구조의 생물학적인 활동을 모방하는 신경망 또는 인공신경망을 사용한다.
K-means 기법을 사용하여 군집화하고 예측 데이터를 선정할 때 Fig, 4처럼 예측한 클러스터가 1, 2, 3, 4일 때, 각각의 예측치를 어디에 적용해야 하는지에 관한 문제가 존재한다. 이러한 문제를 해결하기 위한 방법으로 Bayesian classification을 사용한다. 이 베이시안 분류에서 주어진 분류정보들을 확률적으로 표현하면 P(h|d)= P(d|h)×P(d)/(d)와 같은데 여기서 P(h)는 사전확률, P(d)는 경계확률, P(d|h)는 h가 참이 되는 조건부 확률, P(h|d)는 사후확률이다 [10].
최종 알고리즘은 Matlap Runtime 라이브러리를 통해서 Matlap 함수형태로 구현한다. 수요예측 알고리즘을 이용해 엑셀 파일 형태의 입력 데이터를 읽고 엑셀 파일 형태의 출력 데이터를 내놓는다.
성능/효과
지금까지 KEPCO 사옥의 120여곳에 구축 운영 중인 K-BEMS 주장치 성능향상을 위해 머신러닝 기반 실시간 수요예측과 수요예측 기반 BESS 충방전 최적화 방법에 대하여 기술하였다. 수요예측은 매 15분 단위, 실시간으로 수행되며 확률론적 예측과 오류최소화, 차원감소 등의 다양한 기법을 적용하여 예측 신뢰도를 크게 향상하였다. 이와 같은 예측기법으로 당일 15분 단위 최대피크 예측이 가능하므로 BESS나 부하감축방법을 통한 매우 효율적인 수요억제, 부하 평준화, 기본요금 절감이 가능함을 확인하였다.
이와 같은 예측기법으로 당일 15분 단위 최대피크 예측이 가능하므로 BESS나 부하감축방법을 통한 매우 효율적인 수요억제, 부하 평준화, 기본요금 절감이 가능함을 확인하였다. 아울러 실시간 수요예측을 바탕으로 BESS의 충방전을 최적화하여 건물 에너지설비의 더욱 효과적 활용이 가능하게 되었으며 이렇게 개선된 프로세스를 자동화, 현장 실증을 함으로써 확실한 사업화 기반을 확보 할 수 있게 되었다. 현재 구축 운영 중인 K-BEMS와의 연계 실증을 위해 gridOS라는 연계시스템을 추가로 개발하였는데, 이를 적용하여 개발 성과물의 확대적용 시 엔지니어링 작업 부담을 크게 완화하였다.
수요예측은 매 15분 단위, 실시간으로 수행되며 확률론적 예측과 오류최소화, 차원감소 등의 다양한 기법을 적용하여 예측 신뢰도를 크게 향상하였다. 이와 같은 예측기법으로 당일 15분 단위 최대피크 예측이 가능하므로 BESS나 부하감축방법을 통한 매우 효율적인 수요억제, 부하 평준화, 기본요금 절감이 가능함을 확인하였다. 아울러 실시간 수요예측을 바탕으로 BESS의 충방전을 최적화하여 건물 에너지설비의 더욱 효과적 활용이 가능하게 되었으며 이렇게 개선된 프로세스를 자동화, 현장 실증을 함으로써 확실한 사업화 기반을 확보 할 수 있게 되었다.
아울러 실시간 수요예측을 바탕으로 BESS의 충방전을 최적화하여 건물 에너지설비의 더욱 효과적 활용이 가능하게 되었으며 이렇게 개선된 프로세스를 자동화, 현장 실증을 함으로써 확실한 사업화 기반을 확보 할 수 있게 되었다. 현재 구축 운영 중인 K-BEMS와의 연계 실증을 위해 gridOS라는 연계시스템을 추가로 개발하였는데, 이를 적용하여 개발 성과물의 확대적용 시 엔지니어링 작업 부담을 크게 완화하였다.
질의응답
핵심어
질문
논문에서 추출한 답변
현재 K-BEMS 수요예측방식의 구조는?
본 시스템의 주요 문제점은 적잖은 수요예측 오류와 운영자의 판단에의해 설정되는 고정식 BESS스케쥴링 방식에 있다. 현재 K-BEMS 수요예측방식은 과거데이터를 기반으로 생성된 신경망을 통해 신경망 훈련으로 예측값을 생성하는 구조로 되어있다. 이 방식의 문제점은 다양한 데이터(기상 등)의 반영이곤란하고, 실시간 변화 대응, 발생 오차의 보정이 이루어지지 않으며 예측계산결과를 이해하는 데 어려움이 있다는 점이다.
K-BEMS는 무엇과 연계되며 무엇을 측정하는가?
1과 같이 구성되어 있다. 이 시스템은 주장치 PC를 중심으로 배터리, 태양광이 PCS와 연계되고, 건물내 전력계량장치와 연계되어 건물소비전력을 측정한다. 본 시스템의 주요 문제점은 적잖은 수요예측 오류와 운영자의 판단에의해 설정되는 고정식 BESS스케쥴링 방식에 있다.
정량적 예측기법은 무엇으로 구분되는가?
보통 과거 운전데이터가 부족 할 경우는 정성적예측이 적용되며 과거 데이터가 충분할 때는 정량적(계량적) 예측기법을 적용할 수 있다. 정량적 예측기법은 통상 시계열예측기법(Time Series Forecast Method)와 인과형 예측기법(Associative Forecast Method)로 구분할 수 있다. 본 연구에서는 시계열예측기법이 적용되며 Fig.
참고문헌 (12)
기초전력연구원 전력중앙교육센터, "스마트그리드를 위한 전력저장기술", 2010.8.
Editor-in-chief-Santamouris, "Advances in building Energy Research," p1-28, 2007.
Kim bong suk, "전력산업 응용분야별 배터리의 경제성분석", pp. 8, 2011.10.25.
Jeremy Every, Li Li, David G. Dorrell, "Optimal Selection of small scale hybrid PV battery systems to maximize economic benefit based on Tempral Load data."
수요관리실, "한국전력공사 전력수요관리 이론과 실무", 2002.11 p223-227.
Shawn Fitzpatrick, P.F, Matt Murry, "Community Storage Report," Advanced Energy, January 14, pp. 6, 2011.
한국전력공사 전력연구원, "전력회사의 합리적인 수요관리 시행방안연구", pp. 215-271, 2010.4.
에너지관리공단, "DSM 프로그램별 M&V 및 경제성평가(최종보고서)", pp. 315-328, 2000.12.
E. Zhou, T. Logenthiran, W. L. Woo, "Integration of a PV-Battery Hybrid System with the Main Power Grid."
Kajl. S., Roberge M.A., LAMARCHE L. et al., "Evaluation of building Energy consumtion based on fuzzy logic and neural networks," 1997.
KARATASOU S., SANTAMOURIS M., "Artificial neural networks in energy applications in buildings," International Journal of Low Carbon Tech, vol. 1. Pp. 201-216, 2006.
Crawley D.B., hand J.W., Kummert M.et al., "Contrasting the capabilities of building energy performance simulation programs," Building and Environment, vol. 4.3, no. 4, pp.661-673.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.