๊น์์ผ
(Young-Il Kim)
1
์ต์ฑ๋ง
(Sung-Man Choi)
2
๋ฐฑ๋ฏผ๊ท
(Min-Kyu Baek)
2
์ ๋ณต๋
(Bok-Deok Shin)
โ
-
(Researcher, Gridwiz Inc.)
-
(Associate Research Engineer, Gridwiz Inc.)
Copyright ยฉ The Korean Institute of Illuminating and Electrical Engineers(KIIEE)
Key words
Clustering, Energy Storage System, Load Pattern, Pattern Classification Labeling, Peak Shaving, Scheduling
1. ์ ๋ก
์ต๊ทผ ์ ๋ ฅ์ฐ์
์์ ํ์์ ๋ฐ ๋ฏธ์ธ๋จผ์ง, ์ด์๊ธฐํ ๋ฑ์ ์ด์๋ค์ด ๋๋๋๋ฉด์ DR(Demand Response), ์ ์ฌ์์๋์ง, ESS(Energy Storage
System), EMS (Energy Management System)์ ๊ฐ์ ์ฒญ์ ์๋์ง ๋ฐ ์๋์ง ํจ์จํ์ ์ค์์ฑ์ด ๋๋ ์ด ๋์์ง๊ณ ์๋ค[1-2]. DR์ ์ ์ ์ฉ๋ ์ฐ์ , ์๋์ง์ ์ฅ์ฅ์น ์ต์ ์ด์ ๊ณํ, ์ ์ฌ์์๋์ง ๋ฐ์ ๋ ์์ธก๊ณผ ๊ฐ์ ์๋์ง ์๋ฃจ์
๊ด๋ จ ์ฐ๊ตฌ๊ฐ ํ๋ฐํ ์งํ๋๊ณ ์์ผ๋ฉฐ[3-5], ์ด ์ค์์ ๋ถํ๋ ์์ธก์ ์๋์ง ํจ์จํ์ ์ค์ํ ๋ถ๋ถ์ด๋ค. ํนํ ๊ณต์ฅ ๋ถํ์ฉ ์๋์ง์ ์ฅ์ฅ์น์ ๊ฒฝ์ฐ ๋ถํ ํจํด์ ์์ธก ๊ฒฐ๊ณผ์ ๋ฐ๋ผ ์ถฉ/๋ฐฉ์ ์์ ์ด
๋ณ๋ํ๊ธฐ ๋๋ฌธ์ ์์ธก์ ์ ํ๋๋ ์๋์ง์ ์ฅ์ฅ์น ์ต์ ์ด์ ์๊ณ ๋ฆฌ์ฆ์ ์ต์ ํ์ ์ง์ ์ ์ธ ๊ด๋ จ์ด ์๋ค. ๋ถํ ํจํด์ ์ผ๋ฐ์ ์ธ ์์ธก ๊ธฐ๋ฒ์ ์ ํํ๊ท ๋ถ์๋ฒ,
์ง์ํํํ๋ฒ, ์๊ณ์ด ๋ถ์๋ฒ ๋ฑ์ ์ฃผ๋ก ์ฌ์ฉํ๋ค[6-7]. ์ต๊ทผ์๋ ๋์งํธ ๋ฐ์ดํฐ(ํ์ต ๋ฐ์ดํฐ)์ ์ฆ๊ฐ์ ๊ธฐ๊ณํ์ต ๊ธฐ์ ์ด ๋ฐ์ ํจ์ ๋ฐ๋ผ ๋จธ์ ๋ฌ๋, ์ธ๊ณต์ ๊ฒฝ๋ง ๋ฑ์ ๊ธฐ๋ฐ์ผ๋ก ํ ๋ถํ ํจํด ์์ธก ๊ธฐ๋ฒ์ด ํ๋ฐํ
์ฐ๊ตฌ๋๊ณ ์๋ค[8-9].
๊ธฐ๊ณ ํ์ต์ ํตํด ๋ถํ ํจํด์ ์์ธก ์ ๋ขฐ๋์ ์ ํ๋๋ฅผ ๊ฐ์ ํ๊ธฐ ์ํด์ ํ์ต ์ ๋ถํ ํจํด์ ๋ถ๋ฅํ์ฌ ๋ผ๋ฒจ๋งํ๋ ๊ณผ์ ์ด ํ์ํ๋ค. ํนํ ๋ณต์กํ๊ณ ๋ถ๊ท์นํ
๋ถํ ํจํด์ ๊ฒฝ์ฐ ์ผ์ ๊ธฐ์ค์ผ๋ก ๋ผ๋ฒจ๋งํ์ฌ ํ์ตํ ๊ฒฝ์ฐ ๊ฒฐ๊ณผ๊ฐ์ด ํฅ์๋๋ค. ์ฆ ํ์ต ์ ํจํด ๋ถ๋ฅ ๋ผ๋ฒจ๋ง์ ์ธ๊ณต์ง๋ฅ(AI)์ด ํ์ต ๋ฐ์ดํฐ์ ๋๋ฌด ์ง๋์น๊ฒ
๋ง์ถ์ด ์ผ๋ฐํ ์ฑ๋ฅ์ด ๋จ์ด์ง๋ ๊ณผ์ ํฉ(Over Fitting)๊ณผ ์ ์ ์์ค์ ํ์ต์ ํ์ง ๋ชปํ์ฌ ์ค์ ์์ธก ์ฑ๋ฅ์ด ๋จ์ด์ง๋ ๊ณผ์์ ํฉ(Under Fitting)
์ฆ์์ ๋ฐฉ์งํ๋ฉฐ, ๋ถํ ํจํด ์์ธก ๊ฒฐ๊ณผ์ ๋ํ ์ค์ฐจ์จ์ ๊ฐ์ ํ์ฌ ์์ธก์ ๋ํ ์ ํ๋๋ฅผ ํฅ์์ํฌ ์ ์๋ค.
๋ฐ์ดํฐ ๊ตฐ์ง ์๊ณ ๋ฆฌ์ฆ ์ค ๋ํ์ ์ธ ์๊ณ ๋ฆฌ์ฆ์ผ๋ก K-means ์๊ณ ๋ฆฌ์ฆ์ด ์๋ค[10]. K-means ์๊ณ ๋ฆฌ์ฆ์ ์ด์ฉํ ๋ฐ์ดํฐ ๊ตฐ์ง์ ๋์ฉ๋ ๋ฐ์ดํฐ์ ์ฌ์ ์ ๋ณด ์์ด ์๋ฏธ ์๋ ๊ตฌ์กฐ๋ฅผ ์ฐพ์๋ด๊ธฐ ์ ํฉํ๋ฉฐ, ๋ฐ์ดํฐ๋ฅผ ํํ์ ๋ง๊ฒ๋ง ๋ณํํ๋ค๋ฉด
๋ค์ํ ํํ์ ๋ฐ์ดํฐ์ ์ ์ฉ ๊ฐ๋ฅํ๋ค๋ ์ฅ์ ์ด ์๋ค. ํ์ง๋ง ๋จ์ ์ผ๋ก ์ด๊ธฐ ๊ตฐ์ง ์์ ๋ํด ์ฌ์ฉ์๊ฐ ๋ณ์๋ฅผ ์ค์ ํ์ฌ์ผ ํ๋ฉฐ, ์ค์ ๊ฐ์ด ์ ํฉํ์ง ์์
๊ฒฝ์ฐ ์ ํํ ๋ถ๋ฅ๋ฅผ ํ์ง ๋ชปํ๊ณ , ๋
ธ์ด์ฆ๋ ์์๋ผ์ด์ด๊ฐ ์กด์ฌํ์ฌ ๋ถ์ ๋ฐ์ดํฐ์ ์ ์ฌ์ฑ์ด ์์ดํ ๊ฒฝ์ฐ ํด๋น ๊ฐ์ ๋ฏผ๊ฐํ๊ฒ ๋ฐ์ํ์ฌ ๋ถ๋ฅ ๊ฒฐ๊ณผ์ ์ํฅ์
์ฃผ๊ฒ ๋๋ค. ์๋์ง์ ์ฅ์ฅ์น์ ์ด์ ๊ณํ์ ์ฐ์ ํ๊ธฐ ์ํ ๋ชฉ์ ์ผ๋ก ๋จธ์ ๋ฌ๋ ๋ถํ ์์ธก์ ์ฌ์ฉํ๊ธฐ ์ํด์๋ ์๋์ง์ ์ฅ์ฅ์น์ ์ถฉ/๋ฐฉ์ ์์ ๊ฒฐ์ ์ด ๊ฐ์ฅ
์ค์ํ๋ค. K-means ์๊ณ ๋ฆฌ์ฆ์ ๊ฒฝ์ฐ ๋ถํ๋์ ์ฆ๊ฐ๊ฐ์ ํจํด์ด ์๋ ๋ถํ๋์ ๋ถํฌ๋ก ๋ถ๋ฅํ์ฌ ํด๋น ๊ฒฐ๊ณผ๋ก ๋ง๋ค์ด์ง๋ ํ์ต ๋ฐ์ดํฐ์ ํฐ ์ค์ฐจ๊ฐ ๋ฐ์๋
์ ์๋ค.
๋ณธ ์ฐ๊ตฌ์์๋ ๋ถํ ์์ธก AI๋ฅผ ํ์ต์ํค๊ธฐ ์ํด ์๋์ง์ ์ฅ์ฅ์น ์ถฉ/๋ฐฉ์ ๊ณํ ์ฐ์ ์ ์ ํฉํ๋๋ก ๊ฐ์ ๋ ํจํด ๋ถ๋ฅ ๋ผ๋ฒจ๋ง ์๊ณ ๋ฆฌ์ฆ(PCL; Pattern
Classification Labeling Algorithm)์ ์ ์ํ๋ค. ๋ณธ ์ฐ๊ตฌ์์ ์ ์ํ PCL ์๊ณ ๋ฆฌ์ฆ์ ๋ถํ์ ๋ณ์๋ฅผ ๊ธฐ์ค์ผ๋ก ๋ถ๋ฅํ๊ธฐ ๋๋ฌธ์
์๋์ง์ ์ฅ์ฅ์น ์ถฉ/๋ฐฉ์ ์์ ์ ๊ฒฐ์ ํ๋ AI์ ํ์ต ๋ฐ์ดํฐ๋ก ์ ํฉํ๋ค.
2์ฅ์์๋ ์ ์ํ ๋ชจ์ง๋จ PCL ์๊ณ ๋ฆฌ์ฆ์ ๋ํด ์ค๋ช
ํ๊ณ , 3์ฅ์์๋ k-means ์๊ณ ๋ฆฌ์ฆ๊ณผ ์ ์ํ ์๊ณ ๋ฆฌ์ฆ์ ๋ถ๋ฅ ๊ฒฐ๊ณผ(์ฌ๋ก ์ฐ๊ตฌ)๋ฅผ ๋น๊ตํ๋ค.
2. ํจํด ๋ถ๋ฅ ๋ผ๋ฒจ๋ง(PCL) ์๊ณ ๋ฆฌ์ฆ
2.1 PCL ์๊ณ ๋ฆฌ์ฆ ๊ตฌ์ฑ
Fig. 1. The composition of the PCL algorithm
๋ณธ ์ฐ๊ตฌ์์ ์ ์ํ๋ PCL ์๊ณ ๋ฆฌ์ฆ์ ๋ถํ ๋ณํ๋ ๋ฐ์ดํฐ๋ฅผ ๊ธฐ๋ฐ์ผ๋ก ํ ์๊ณ ๋ฆฌ์ฆ์ผ๋ก ๋ถํ ํจํด์ ๋จ์ํํ์ฌ ๋ถ๋ฅํ๋ค. ๊ทธ๋ฆผ 1๊ณผ ๊ฐ์ด PCL ์๊ณ ๋ฆฌ์ฆ์ ๋ฐ์ดํฐ ๋ถ๋ฅ, ๋ฐ์ดํฐ ํต๊ณ, ํจํด ์ถ๋ ฅ์ผ๋ก ๊ตฌ์ฑ๋๋ค. ๋ฐ์ดํฐ ๋ถ๋ฅ ๊ณผ์ ์์๋ ๊ธฐ๋ณธ ๋ฐ์ดํฐ์ธ ๋ถํ ๋ฐ์ดํฐ๋ฅผ ๋ถํ ๋ณํ๋ ๋ฐ์ดํฐ๋ก
๋ณํํ๊ณ , ๋ณํ๋ ๋ถํ ๋ณํ๋ ๋ฐ์ดํฐ์ ํจํด์ ๋จ์ํํ๋ค. ๋ฐ์ดํฐ ํต๊ณ ๊ณผ์ ์์๋ ์ผ์๋ณ๋ก ๋จ์ํํ ํจํด์ ๋์ผํ ํจํด ๋ณ๋ก ๋ถ๋ฅํ๊ณ , ๋ถ๋ฅ๋ ๊ฐ
๋ฐ์ดํฐ ์
(Class) ๋ณ ์ค์ฐจ์จ์ ๊ณ์ฐํ๋ค. ์ค์ฐจ์จ์ด ๋ชฉํ์น์ ๋ง์กฑํ์ง ๋ชปํ ๊ฒฝ์ฐ, ํจํด ๋จ์ํ ๊ธฐ์ค๊ฐ์ ์ฌ์ฐ์ ํ์ฌ ๋ฐ์ดํฐ ๋ถ๋ฅ ๊ณผ์ ์ ๋จ์ํ๋ถํฐ
๋ค์ ์ํํ๋ค. ๊ฐ Class์ ์ค์ฐจ์จ์ด ๋ชฉํ์น๋ฅผ ๋ง์กฑํ ๊ฒฝ์ฐ, ํด๋น Class์ ์ฐ์ ํ๊ท ๊ฐ์ ๋ํ ํจํด์ผ๋ก ํ๋จํ๊ณ ์ถ๋ ฅํ๋ค.
2.2 PCL ์๊ณ ๋ฆฌ์ฆ์ ๋ฐ์ดํฐ ๋ถ๋ฅ ๊ณผ์
PCL ์๊ณ ๋ฆฌ์ฆ์ ๋ฐ์ดํฐ ๋ถ๋ฅ ๊ณผ์ ์ ์งํํ๊ธฐ ์ํด ์ฌ์
์ฅ์ ๋ถํ ๋ฐ์ดํฐ๋ฅผ ์๊ฐ๋๋ณ๋ก ๋๋์ด ๋ถ๋ฅํ๋ ์์
์ด ์ ํ๋์ด์ผ ํ๋ฉฐ, ์ถ๊ฐ์ ์ผ๋ก ์๊ฐ๋๋ณ
๋ถํ ๋ณํ๋์ ์ฐ์ ํด์ผํ๋ค. ์ดํ ์ผ๋ณ ๋ถํ ๋ฐ์ดํฐ์ ํจํด๋ณ ๊ตฌ๋ถ์ ์ํด ์์ ๋ถํ ๋ฐ์ดํฐ๋ฅผ $-2\alpha\sim 2\alpha$์ ์ ์๋ก ๋จ์ํํ๋ค.
์ฌ๊ธฐ์ $\alpha$๋ ํจํด ๋จ์ํ ๊ธฐ์ค๊ฐ์ธ $Step_{\alpha}$์ ๋จ๊ณ์ด๋ค. ํด๋น 24์๊ฐ ๋ถํ๋ฅผ ์๊ฐ๋ณ ์ ์๋ก ๋จ์ํํ๊ธฐ ์ํด์๋ ๊ทธ๋ฆผ 2์ ๊ฐ์ด ์์ ๋ฐ์ดํฐ๋ฅผ ์ฆ๊ฐ์ ๋ํ ๋ณํ๋ ๋ฐ์ดํฐ ($\Delta Load_{t,\:n}$)๋ก ๋ณํํ ๋ค ๋ณํ๋์ ๋ฐ๋ฅธ ์ ์๊ฐ ($Code_{t,\:n}$)์ผ๋ก
์นํํ๋ค. ์ฌ๊ธฐ์ $t$๋ ์๊ฐ, $n$์ ๋ ์ง๋ฅผ ์๋ฏธํ๋ค.
Fig. 2. Daily load(top) and load variation(bottom)
$\Delta Load_{t,\:n}$๋ก๋ถํฐ ๋จ์ํ๋ ์ ์๊ฐ $Code_{t,\:n}$๋ฅผ ์ฐ์ถํ๊ธฐ ์ํด์๋ ๋ณํ๋์ ๋ํด $2\alpha$๊ฐ์ ๋ฑ๋ถ์ผ๋ก
๋๋์ด ์ฃผ์ด์ผ ํ๋ค. ์ด ๋ ๋จ์ํ ๊ธฐ์ค๊ฐ $Step_{\alpha}$์ ์ (1)๊ณผ ๊ฐ์ด ๊ตฌํ ์ ์๋ค. $Step_{\alpha}$์ $2\alpha$๊ฐ ๋ฑ๋ถํ ๋ ๋ฑ๋ถ๊ฐ์ ํฌ๊ธฐ๋ฅผ ์๋ฏธํ๋ค.
์ ์๋ก ๋จ์ํ๋ ํจํด $Code_{t,\:n}$๋ ์ (2)์ ๊ฐ์ด ๋ถํ ๋ณํ๋์ด $Step_{\alpha}$๋ฅผ ์ด๊ณผํ ๋ ๊ฐ์ด ์๋ก ์ฐ์ ๋๋ค. $C_{t,\:n}$์ ์ (3)๊ณผ ๊ฐ์ด ๋ถํ ๋ณํ๋๊ณผ $Step_{\alpha}$์ ๋๋์ด ๋ด๋ฆผํ ๊ฐ์ด๋ค. ๋ชจ๋ ๋ ์ง $n$์ ๋ํด $Code_{t,\:n}$๋ฅผ ๊ตฌํ ํ ๊ฐ์ 24์๊ฐ์
๋ํ $Code_{t,\:n}$๋ฅผ ๊ฐ์ง ํจํด์ ์ทจํฉํ๋ฉด ๊ทธ๋ฆผ 3๊ณผ ๊ฐ์ด ๋ถ๋ฅํ ์ ์๋ค.
Fig. 3. Classified daily loads(top) and simplified load pattern(bottom)
2.3 PCL ์๊ณ ๋ฆฌ์ฆ์ ๋ฐ์ดํฐ ํต๊ณ ๊ณผ์
PCL ์๊ณ ๋ฆฌ์ฆ์ ๋ฐ์ดํฐ ํต๊ณ ๊ณผ์ ์์๋ ๋จ์ํ ๋ถ๋ฅ๋ ํจํด์ ๊ฒ์ฆํ์ฌ, ๋ํ ํจํด์ ์ฐ์ถํ๋ค. ๋ถ๋ฅํ ํจํด์ด ์ผ๋ง๋ ์ ์ฌํ ํจํด๋ค๋ก ๊ตฐ์งํ์๋์ง
์ ์ฌ๋๋ฅผ ํ๋จํ๊ธฐ ์ํด, ๊ตฐ์งํ ํจํด์ ํ๊ท ๊ฐ๊ณผ ๊ฐ๋ณ ํจํด์ ์ค์ฐจ์จ์ ๊ณ์ฐํ๋ค. ์ค์ฐจ์จ์ ์ (4)์ ๊ฐ์ด ํ๊ท ์ ๋๋น์จ์ค์ฐจ(MAPE; Mean Absolute Percentage Error) ๊ณ์ฐ ๋ฐฉ์์ ์ฌ์ฉํ์ฌ ๊ณ์ฐํ๋ค.
์ (5)์์ $X_{t}$๋ $\Delta Load_{t,\:n}$์ ์๊ฐ๋๋ณ ํ๊ท ๊ฐ์ ์๋ฏธํ๊ณ $N$์ ๋ฐ์ดํฐ ์(๋ ์ง ์)๋ฅผ ์๋ฏธํ๋ค. ๊ฒ์ฆ ๊ธฐ์ค๊ฐ์
50%๋ก ๊ฐ์ ํ์์ผ๋ฉฐ, $MAPE_{error}$๊ฐ 50%๋ณด๋ค ํฌ๋ฉด ๋์ผํ ํจํด์ผ๋ก ๊ตฐ์ง์ด ๋์ง ์์ ๊ฒ์ผ๋ก ํ๋จํ๊ณ , ๋ฐ์ดํฐ ๋ถ๋ฅ ๊ณผ์ ์ $Step_{\alpha}$์
$\alpha$์ 1์ฉ ์ฆ๊ฐ์์ผ ํจํด ๋ถ๋ฅ ๊ณผ์ ์ ๋ฐ๋ณตํ๋ค. ๋ฐ๋์ ๊ฒฝ์ฐ, ๋ถ๋ฅ๊ฐ ์๋ ๊ฒ์ผ๋ก ํ๋จํ์ฌ ๊ฐ ๋ถ๋ฅ๋ณ ํ๊ท ๊ฐ์ ๋ํ ํจํด์ผ๋ก ์ถ๋ ฅํ๋ค.
3. ์ฌ๋ก ์ฐ๊ตฌ
3.1 ๊ณต์ฅ ๋ถํ ํจํด ๋ถ๋ฅ
PCL ์๊ณ ๋ฆฌ์ฆ์ ๋ํ ๊ฒฐ๊ณผ๋ฅผ ๋ถ์ํ๊ธฐ ์ํด ๋ํ์ ์ธ ๋ฐ์ดํฐ ๊ตฐ์ง ๋ฐฉ๋ฒ ์ค ํ๋๋ก ๋ง์ด ์ฌ์ฉ๋๋ K-means ์๊ณ ๋ฆฌ์ฆ๊ณผ ๋น๊ตํ์๋ค. ์์ ๋ฐ์ดํฐ๋
A์ฌ ๊ฐ์ค๊ณต์ฅ์ 2018๋
6์์์ 9์๊น์ง 4๊ฐ์ ๊ฐ ๋ถํ๋ ๋ฐ์ดํฐ๋ฅผ ์ฌ์ฉํ์ฌ ์งํํ์์ผ๋ฉฐ, ํด๋น ๊ณต์ฅ์ ๋ถํ๋ ๋ฐ์ดํฐ๋ ๊ทธ๋ฆผ 4์ ํ 1๊ณผ ๊ฐ๋ค.
Fig. 4. Daily load of the plant
Table 1. Load data of the plant
๊ตฌ๋ถ
|
๋ถํ๋(kWh)
|
์๊ฐ๋น ์ต๋ ๋ถํ๋
|
36,404.98
|
์๊ฐ๋น ์ต์ ๋ถํ๋
|
17,612.32
|
์ผํ๊ท ๋ถํ๋
|
734,391.94
|
์๊ฐ๋น ์ต๋ ๋ถํ์ฆ๊ฐ๋
|
4,185.70
|
์๊ฐ๋น ์ต๋ ๋ถํ๊ฐ์๋
|
4,064.19
|
PCL ์๊ณ ๋ฆฌ์ฆ์ผ๋ก ํจํด ๋ถ๋ฅํ๊ธฐ ์ํด ๊ฐ์ค๊ณต์ฅ์ ๋ถํ๋ ๋ฐ์ดํฐ๋ฅผ ๋ถํ ๋ณํ๋ ๋ฐ์ดํฐ๋ก ๋ณํํ ๊ทธ๋ํ๋ ๊ทธ๋ฆผ 5์ ๊ฐ๋ค. ๋ถํ ๋ณํ๋ ๋ฐ์ดํฐ๋ก๋ถํฐ ๋ถํ์ ์ฆ๊ฐ๊ฐ์๋ฅผ ํ๋จํ๊ณ $Code_{t,\:n}$์ ๊ณ์ฐํ๊ธฐ ์ํด $Step_{n}$์ ์ฐ์ ํด์ผ ํ๋ค. ๋ฎ์
$Step$์ผ๋ก ํจํด ๋ถ๋ฅํ ๊ฒฝ์ฐ ํจํด์ ์ ํ๋๊ฐ ๋ฎ์์ง๋ฉฐ, ๋์ $Step$์ผ๋ก ํจํด ๋ถ๋ฅํ ๊ฒฝ์ฐ ๊ฐ์ ํจํด์ผ๋ก ๋ถ๋ฅ๋๋ ๋ฐ์ดํฐ๊ฐ ์ ์ด์ง๋ฏ๋ก ์ ์ ํ
$Step$ ์ ์ฉ์ด ํ์ํ๋ค.
$Step_{n}$์ $n$์ 1โผ3์ผ๋ก ์ฆ๊ฐ์ํค๋ฉด์ ๋ฑ๋ถ ๊ฐ์ ํฌ๊ธฐ๋ฅผ ๊ณ์ฐํ ๊ฒฐ๊ณผ๋ ํ 2์ ๊ฐ์ผ๋ฉฐ, ๊ทธ๋ฆผ 6~8์ ๊ณต์ฅ ๋ถํ ๋ณํ๋๊ณผ $Step_{n}$์ ๋น๊ตํ ๊ทธ๋ํ์ด๋ค.
Table 2. Judgment standard by step
๊ตฌ๋ถ
|
ํ๋จ ๊ธฐ์ค ๋ถํ๋ณํ๋(kwh)
|
$Step_{1}$
|
4,124.95
|
$Step_{2}$
|
2,062.47
|
$Step_{3}$
|
1,031.24
|
Fig. 5. Daily load variation of the plant
Fig. 6. Comparison of load variation with $Step_{1}$
Fig. 7. Comparison of load variation with $Step_{2}$
Fig. 8. Comparison of load variation with $Step_{3}$
๊ทธ๋ฆผ 6์ Min/Max์ ์ ๊ณต์ฅ ๋ถํ ๋ณํ๋ ๋ฐ์ดํฐ์ ์๊ฐ๋น ์ต๋ ๋ถํ ์ฆ๊ฐ๋๊ณผ ์ต๋ ๋ถํ ๊ฐ์๋์ ๋ํ๋ธ ์ ์ด๋ค. ๊ทธ๋ํ์ Min/Max์ ์ฌ์ด๋ฅผ 2๋ฑ๋ถํ์ฌ
ํ๋จํ๊ณ ์ํ๋ ์๊ฐ๋์ ๋ถํ ๋ณํ๋์ด ๊ทธ๋ํ์ C=1์ ํฌ๊ธฐ๋ณด๋ค ํฌ๊ฒ ์ฆ๊ฐํ ๊ฒฝ์ฐ ํด๋น ์๊ฐ๋์ $C$ ๊ฐ์ 1๊ณผ 2 ์ฌ์ด์์ ๊ฒฐ์ ๋๋ฉฐ, ๋ฐ๋๋ก ๋
์ ์ ๊ฐ๊ฒฉ๋ณด๋ค ํฌ๊ฒ ๊ฐ์ํ ๊ฒฝ์ฐ ํด๋น ์๊ฐ๋ $C$ ๊ฐ์ โ1๊ณผ โ2์ฌ์ด์์ ๊ฒฐ์ ๋๋ค. ์ด๋ฅผ ์ ์ธํ ๊ฒฝ์ฐ์ $C$ ๊ฐ์ 0์ด๋ค. $Step_{2}$๋
๊ทธ๋ฆผ 7๊ณผ ๊ฐ์ด Min/Max์ ์ฌ์ด๋ฅผ 4๋ฑ๋ถํ์ฌ ๋ถํ ๋ณํ๋์ ๋ฐ๋ผ $C$๊ฐ -4์ 4์ฌ์ด์์ ์ ํด์ง๋ค. ์ด๋ ๊ฒ ๋ถ๋ฅ๋ $C$์ ๊ฐ์ ๋ฐ๋ผ $Code$๊ฐ
๊ฒฐ์ ๋๋ฉฐ, ์ด๋ฅผ ํตํด ์ผ๋ณ ํจํด์ ๋จ์ํํ์ฌ ๋ถ๋ฅํ๋ค.
3.2 PCL ์๊ณ ๋ฆฌ์ฆ ๋ถ๋ฅ ๊ฒฐ๊ณผ
PCL ์๊ณ ๋ฆฌ์ฆ์ ๋ถํ ์ฆ๊ฐ๊ฐ์๋ฅผ ํ๋จํ๋ ๊ธฐ์ค์ $Step_{2}$๋ก ๊ฐ์ ํ์ฌ ํจํด์ ๋ถ๋ฅํ ๊ฒฐ๊ณผ๋ ๊ทธ๋ฆผ 9~12์ ๊ฐ์ด 4๊ฐ์ง ๋ถํ ํจํด๊ณผ ๊ฐ๋ค.
k-means ์๊ณ ๋ฆฌ์ฆ๊ณผ PCL ์๊ณ ๋ฆฌ์ฆ์ ๊ฐ์ฅ ํฐ ์ฐจ์ด์ ์ ๊ทธ๋ฆผ 9์์ ํ์ธํ ์ ์๋ค. PCL ์๊ณ ๋ฆฌ์ฆ์ ๊ฒฝ์ฐ ์ ๊ตฌ๊ฐ์ $Code_{t,\:n}$๊ฐ์ด ๋ชจ๋ 0์ผ๋ก ํํ๋์ด ํ๋๋ก ๋ถ๋ฅํ์์ผ๋ฉฐ K-means๋ ์ค์ฌ๊ฐ์
๊ธฐ์ค์ผ๋ก ํ๋ฏ๋ก ์๋ก ๋ค๋ฅด๊ฒ ๋ถ๋ฅํ๋ค. ๋ถํ ๊ตฐ์ง ๊ฒฐ๊ณผ๋ก ์๋์ง์ ์ฅ์ฅ์น ์ถฉ๋ฐฉ์ ๊ณํ์ ์ํํ๋ค๋ ๊ด์ ์ ๋ณด์์ ๋ PCL ์๊ณ ๋ฆฌ์ฆ์ ๋ถ๋ฅ ๊ฒฐ๊ณผ๊ฐ ๋
ํ๋นํ ๋ถ๋ฅ๋ผ๋ ๊ฒ์ ํ์ธํ ์ ์๋ค. ๊ทธ๋ฆผ 10~12๋ ๋ชจ๋ ๋น์ทํ ํจํด์ด ๋ถ๋ฅ๋ ๊ฒ์ ํ์ธํ ์ ์๋ค.
Fig. 9. Pattern 1 classified by PCL algorithm
Fig. 10. Pattern 2 classified by PCL algorithm
Fig. 11. Pattern 3 classified by PCL algorithm
Fig. 12. Pattern 4 classified by PCL algorithm
๋ถํ ๋ณํ๋์ ๋ํ MAPE ์ค์ฐจ์จ๋ ํ 3๊ณผ ๊ฐ์ด ์ฝ 32.2%โผ44.2%๋ก ๊ฐ ํจํด์ ์ค์ฐจ์จ ์ฐจ์ด ๋ํ ์ผ์ ํ๊ฒ ๋ํ๋ฌ๋ค. PCL ์๊ณ ๋ฆฌ์ฆ์ ๊ฒฝ์ฐ ๋ถํ ๋ณํ๋์ ๊ธฐ์ค์ผ๋ก ๊ตฐ์ง์ ๋ถ๋ฅํ๊ธฐ
๋๋ฌธ์ ๊ทธ๋ฆผ 9๊ณผ ๊ฐ์ด ๋ถํ๋์ ํฌ๊ธฐ๊ฐ ๋ค๋ฅด๋๋ผ๋ ๋์ผํ ํจํด์ผ๋ก ๋ถ๋ฅํ์์ผ๋ฉฐ, ์ค์ฐจ์จ์ด ํฌ๊ฒ ์ฐจ์ด ๋์ง ์๋ ์ ์ ์๋์ง์ ์ฅ์ฅ์น์ ์ด์ ๊ฒฐ์ ๊ณํ์ ํฐ ๊ฐ์ ์
๊ฐ์ง๋ค.
Table 3. Error rate of patterns classified by PCL algorithm
PCL ์๊ณ ๋ฆฌ์ฆ ํจํด
|
์ค์ฐจ์จ(%)
|
1
|
32.2
|
2
|
35.0
|
3
|
33.5
|
4
|
44.2
|
3.3 K-means ์๊ณ ๋ฆฌ์ฆ ๋ถ๋ฅ ๊ฒฐ๊ณผ
K-means ์๊ณ ๋ฆฌ์ฆ์ k๊ฐ์ ์ง์ ํด์ฃผ์ด์ผ ํ๋ค๋ ํน์ง์ด ์์ผ๋ฉฐ, ๋ณธ ์ฐ๊ตฌ์์๋ PCL ์๊ณ ๋ฆฌ์ฆ๊ณผ์ ๋น๊ต๋ฅผ ์ํด k ๊ฐ์ 4๋ก ์ง์ ํ์ฌ ๊ทธ๋ฆผ 13~16๊ณผ ๊ฐ์ด ๋ถ๋ฅํ์๋ค. K-means ์๊ณ ๋ฆฌ์ฆ์ ๋ถ๋ฅ ๊ฒฐ๊ณผ๋ ๊ทธ๋ฆผ 14์์ ๋ถํ๋์ด ๊ตฐ์ง์์ ์ผ์ ์์ค์ด์ ๋ฒ์ด๋๋ ๋ฐ์ดํฐ๋ค์ด ์๋น์ ์กด์ฌํ๋ค. ์ฆ K-means ์๊ณ ๋ฆฌ์ฆ์ ๊ฒฝ์ฐ ๋ถํ๋์ ํฌ๊ธฐ๊ฐ ๋น์ทํ์ง๋ง ๋์ผํ์ง ์๋
ํจํด์ ํฌํจํ์ฌ PCL ์๊ณ ๋ฆฌ์ฆ์ ๋นํด ์๋์ง์ ์ฅ์ฅ์น ์ค์ผ์ค ์ฐ์ ์ ์ค์ฐจ ๋ฐ์ ๊ฐ๋ฅ์ฑ์ด ๋๋ค. K-means ์๊ณ ๋ฆฌ์ฆ์ MAPE ์ค์ฐจ์จ์ ํ 4์ ๊ฐ๋ค.
Fig. 13. Pattern 1 classified by K-means algorithm
Fig. 14. Pattern 2 classified by K-means algorithm
Fig. 15. Pattern 3 classified by K-means algorithm
Fig. 16. Pattern 4 classified by K-means algorithm
Table 4. Error rate of patterns classified by K-means algorithm
K-means ์๊ณ ๋ฆฌ์ฆ ํจํด
|
์ค์ฐจ์จ(%)
|
1
|
32.1
|
2
|
56.0
|
3
|
22.8
|
4
|
56.1
|
3.4 ์๊ณ ๋ฆฌ์ฆ ๋น๊ต
๋ถํ๋์ ์ฆ๊ฐ๊ฐ์ ํจํด์ ์๋์ง์ ์ฅ์ฅ์น์ ์ต์ ์ ์ค์ผ์ค ์ฐ์ ์ ์์ด ๋งค์ฐ ์ค์ํ ์์์ด๋ค. ๋ณธ ์ ์์๋ PCL ์๊ณ ๋ฆฌ์ฆ๊ณผ K-means ์๊ณ ๋ฆฌ์ฆ์
ํจํด๋ณ ์๊ฐ๋ ๋ถํ๋ ๋ณ์๊ฒฐ๊ณผ์ ๋ํด ๋ถ์ํ๋ค.
๊ทธ๋ฆผ 17์ PCL ์๊ณ ๋ฆฌ์ฆ์ผ๋ก ๋ถ๋ฅ๋ ํจํด๋ณ ๋ถํ ๋ณํ๋ ๊ทธ๋ํ์ด๋ค. ์ฌ๊ธฐ์ x์ถ 1์นธ์ 1์๊ฐ์ ์๋ฏธํ๋ค. ๋ฐ๋ผ์ PCL ์๊ณ ๋ฆฌ์ฆ์ ๋ถํ ๋ณํ๋์ ๊ธฐ๋ฐ์ผ๋ก
ํจํด์ ๋ถ๋ฅํ๊ธฐ ๋๋ฌธ์ ๋ถ๋ฅ๋ ํจํด์ ๋ถํ ๋ณํ๋์ด ํจํด๋ณ๋ก ํด๋น์๊ฐ๋์์ ์ผ์ ํ ๊ฐ์ ๊ฐ์ง๋ค. PCL ์๊ณ ๋ฆฌ์ฆ์ ์ผ์ ํ ๋ณํ๋์ ๊ฐ์ง ํจํด์ผ๋ก ๋ถ๋ฅํ์ฌ
๋ผ๋ฒจ๋ง์ ํ๊ณ ๋ถ๋ฅ ์ค์ฐจ ์ญ์ ํธ์ฐจ๊ฐ ์ ์ผ๋ฏ๋ก ๋จธ์ ๋ฌ๋ ์์ธก ์ ์๋์ง์ ์ฅ์ฅ์น์ ์ถฉ๋ฐฉ์ ๊ณํ์ ๊ฒฐ์ ํจ์ ์์ด ์ข ๋ ์ ์ฉํ ๊ฒฐ๊ณผ๋ฅผ ๋ณด์ผ ์ ์๋ค.
Fig. 17. Load variation of patterns classified by PCL algorithm
๊ทธ๋ฆผ 18์ K-means ์๊ณ ๋ฆฌ์ฆ์ผ๋ก ๋ถ๋ฅ๋ ํจํด๋ณ ๋ถํ ๋ณํ๋ ๊ทธ๋ํ์ด๋ค. K-means ์๊ณ ๋ฆฌ์ฆ์ ์๊ฐ๋๋ณ ๋ถํ๋ ๋ฐ์ดํฐ ๊ฐ์ ๊ฑฐ๋ฆฌ๋ฅผ ๊ธฐ๋ฐ์ผ๋ก ๊ตฐ์ง์
๋ถ๋ฅํ๊ธฐ ๋๋ฌธ์ ๊ทธ๋ฆผ 18 (b)์ ๊ฐ์ด ๊ฐ์ ์๊ฐ๋์ ๋ถํ ๋ณํ๋์ด ํฌ๊ฒ ์ฐจ์ด๋๋ ๋ฐ์ดํฐ๋ค์ด ํ๋๋ก ๋ถ๋ฅ๋๋ ๊ฒฝ์ฐ๊ฐ ๋ฐ์ํ๋ค. ์ด๋ฌํ ๋ฐ์ดํฐ ๋ถ๋ฅ๋ฅผ ํตํด ๋ถํ๋์ ์์ธกํ๊ฒ ๋ ๊ฒฝ์ฐ
ํฌ๊ฒ ์ฐจ์ด๋๋ ๋ช๋ช ๋ฐ์ดํฐ๋ค์ ์๋์ง์ ์ฅ์ฅ์น์ ์ต์ ์ถฉ๋ฐฉ์ ๊ณํ์ ๊ฒฐ์ ํจ์ ์์ด ์ค์ฐจ๋ฅผ ๋ฐ์์ํฌ ์ฌ์ง๊ฐ ํฌ๋ค.
PCL ์๊ณ ๋ฆฌ์ฆ๊ณผ K-means ์๊ณ ๋ฆฌ์ฆ ๊ฒฐ๊ณผ์ ๋ํ ๋ถํ ๋ณํ๋ ์ค์ฐจ์จ ๋น๊ต ์ ํ 5์ ๊ฐ์ด ์ต์ ์ค์ฐจ์จ์ ์ ์ธํ๊ณ ๋ชจ๋ PCL ์๊ณ ๋ฆฌ์ฆ์ ์ค์ฐจ์จ์ด ๋ฎ๊ฒ ๋ํ๋ฌ๋ค. ์ ์ฒด ๋๋น ๊ฐ ํจํด ๋ฐ์ดํฐ์ ๋น์จ์ ๊ณ ๋ คํ์ฌ ์ค์ฐจ์จ์ ํ๊ท ์ ์ฐ์ ํ
๊ฐ์ค ํ๊ท ์ค์ฐจ์จ์ ๊ฒฝ์ฐ PCL ์๊ณ ๋ฆฌ์ฆ์ด K-means ์๊ณ ๋ฆฌ์ฆ์ ๊ฒฐ๊ณผ๋ณด๋ค 12.2% ๋ฎ์๋ค.
Fig. 18. Load variation of patterns classified by K-means algorithm
Table 5. Error rate of load variation by algorithm
|
PCL ์๊ณ ๋ฆฌ์ฆ
|
K-means ์๊ณ ๋ฆฌ์ฆ
|
๋ถํ ๋ณํ๋
์ต์ ์ค์ฐจ์จ(%)
|
32.2
|
20.5
|
๋ถํ ๋ณํ๋
์ต๋ ์ค์ฐจ์จ(%)
|
44.2
|
54.0
|
๋ถํ ๋ณํ๋
ํ๊ท ์ค์ฐจ์จ(%)
|
36.2
|
37.7
|
๋ถํ ๋ณํ๋
๊ฐ์คํ๊ท ์ค์ฐจ์จ(%)
|
34.3
|
46.5
|
์๋์ง์ ์ฅ์ฅ์น์ ํผํฌ์ ๊ฐ์ ์ํ ์ค์ผ์ค ์ฐ์ ์ ๋ถํ ๋ณํ๋์ ๋ฏผ๊ฐํ๊ฒ ๋ฐ์ํ๋ค. ์ฆ ๋ถํ๋ณํ๋ ์ค์ฐจ์จ์ด ๋์ผ๋ฉด ์๋์ง์ ์ฅ์ฅ์น ์ต์ ์ ์ค์ผ์ค ์ฐ์ ์
์์ด ์ค์ฐจ ๋ฐ์ ๊ฐ๋ฅ์ฑ์ด ๋์์ง๋ค. ๋ณธ ์ฐ๊ตฌ์์๋ ๋ถํ ๋ณํ๋์ ์ค์ฐจ์จ์ ๋น๊ตํจ์ผ๋ก์ PCL ์๊ณ ๋ฆฌ์ฆ์ด K-means ์๊ณ ๋ฆฌ์ฆ์ ๋นํด ์๋์ง์ ์ฅ์ฅ์น
์ต์ ์ ์ค์ผ์ค ์ฐ์ ์ ์์ด ์ค์ฐจ ๋ฐ์ ๊ฐ๋ฅ์ฑ์ด ๋ฎ์ ํจํด ๋ถ๋ฅ ์๊ณ ๋ฆฌ์ฆ์์ ํ์ธํ์๋ค.
4. ๊ฒฐ ๋ก
์๋์ง์ ์ฅ์ฅ์น๋ ๋ถํ๋ ์์ธก์ ๊ธฐ๋ฐ์ ๋์ด ์ค์ผ์ค์ด ์ฐ์ ๋๋ค. ๊ทธ๋ฌ๋ฏ๋ก ์๋์ง์ ์ฅ์ฅ์น์ ์ต์ ์ด์์ ์์ด ์ ํํ ๋ถํ๋ ์์ธก์ ๋งค์ฐ ์ค์ํ ์ฌํญ์ด๋ค.
๋ํ ์๋์ง์ ์ฅ์ฅ์น์ ์ค์ผ์ค ์ฐ์ ํจ์ ์์ด ๋ถํ์ ์ฆ๊ฐ๊ฐ์ ํจํด์ด ์ค์ํ๊ธฐ ๋๋ฌธ์ ํด๋น ์ฌํญ์ ๊ณ ๋ คํ ํจํด ๋ถ๋ฅ ์๊ณ ๋ฆฌ์ฆ์ด ํ์ํ๋ค.
๋ณธ ์ฐ๊ตฌ๋ AI ํ์ต ๊ธฐ๋ฐ์ ๋ถํ๋ ์์ธก ๊ธฐ๋ฒ์ ์ฌ์ฉํ๊ธฐ์ ์์, ๋ถํ์ ์ฆ๊ฐ๊ฐ์๋ฅผ ๊ธฐ๋ฐ์ผ๋ก ํจํด์ ๊ตฐ์งํ๋ ์๊ณ ๋ฆฌ์ฆ์ ๋ํด ์ ์ํ๋ค. ์ ์ํ ์๊ณ ๋ฆฌ์ฆ์
๋ํ์ ์ธ ๊ตฐ์ง ๋ฐฉ๋ฒ์ธ K-means ์๊ณ ๋ฆฌ์ฆ๊ณผ ๋น๊ตํ์์ผ๋ฉฐ, PCL์๊ณ ๋ฆฌ์ฆ์ ๋ถํ ๋ณํ๋ ๊ฐ์คํ๊ท ์ค์ฐจ์จ์ด K-means ์๊ณ ๋ฆฌ์ฆ๋ณด๋ค 12.2% ๋ฎ์
๊ฒ์ผ๋ก ๋ํ๋ฌ๋ค.
PCL ์๊ณ ๋ฆฌ์ฆ์ ๋ฐ์ดํฐ ๋ถ๋ฅ ๊ณผ์ ์ ๋ถํ ๋ณํ๋ ๋ฐ์ดํฐ๋ฅผ ์ฐ์ถํ์ฌ ์ฝ๋ํ ๊ณผ์ ์ด ์งํ๋๋ฉฐ, ์ฝ๋ํ ๊ณผ์ ์์ ๋ถํ ๋ณํ๋ ๋ฐ์ดํฐ์ ๋จ์ํ ๊ธฐ์ค๊ฐ์
์ค์ ํ๊ฒ ๋๋ค. ํด๋น ๊ธฐ์ค๊ฐ์ ๋ฐ๋ผ ํจํด์ ๋ถ๋ฅ๊ฐ ์์ดํ๊ฒ ๋์ถ๋ ์ ์์ด ํฅํ ์ฐ๊ตฌ์์ ๋ณด๋ค ์ ์ ํ ๊ธฐ์ค๊ฐ ์ฐ์ ์ ๋ํด ๊ณ ๋ คํ์ฌ ๋ฐ์ํ๋ค๋ฉด ๋ณด๋ค
๊ฐ์ ๋ ๋ถ๋ฅ๊ฒฐ๊ณผ๋ฅผ ์ป์ ์ ์์ ๊ฒ์ผ๋ก ๊ธฐ๋๋๋ค.
Acknowledgements
๋ณธ ์ฐ๊ตฌ๋ ๊ตญํ ๊ตํต๋ถ/๊ตญํ ๊ตํต๊ณผํ๊ธฐ์ ์งํฅ์์ ์ง์์ผ๋ก ์ํ๋์์(๊ณผ์ ๋ฒํธ 19AUDP-B119346-04).
References
Min D. K., Ryu J. H., Choi D. G., 2019, Evaluating the Effects of Koreaโs Nuclear
& Coal Phase-out and Renewable Energy Shift on the Power System Reliability, Korea
Energy Economic Review, Vol. 17, No. 1, pp. 1-35
Bae Y. H., 2018, Experiences and Prospects of New and Renewable Energy in Korea, KSCE
magazine, Vol. 66, No. 3, pp. 18-21
Lee K. J., Park J. M., Park J. A., 2019, Implementation of an Adaptive EMS System
Based on Solar Power Generation and Power Demand Pattern, JKIIT, Vol. 17, No. 1, pp.
53-62
Han S. K., Kim E. J., 2019, A Study on the Impact Analysis of Power Demand for ESS
and SmartGrid, Trans. Korean. Inst. Elect. Eng., Vol. 68p, No. 2, pp. 100-105
Yu S. J., Lee A. G., Beak J. S., Cha D. J., Kim J. C., 2018, "Study on ESS Operation
Plan for Energy Reduction in Industrial Customer, Trans. Korean. Inst. Elect. Eng,
Vol. 67, No. 9, pp. 1152-1158
Oh B. C., Kim S. Y., 2019, "Development of SVR based Short-term Load Forecasting Algorithm,
Trans. Korean. Inst. Elect. Eng, Vol. 68p, No. 2, pp. 95-99
Lee J. H., Oh S. J., Yoon Y. C., Ahn Y. H., Kim J. S., et al. , 2019, Analysis of
Time Series to Support Decision Making on V2G Using Energy Consumption Data, JKDISS,
Vol. 30, No. 2, pp. 401-414
Lee D. G., Kim S. H., Jung H. C., Sun Y. G., Sim I. S., et al. , 2019, Power Consumption
Prediction Scheme Based on Deep Learning for Powerline Communication Systems, Journal
of IKEEE, Vol. 22, No. 3, pp. 822-828
Ahn J. Y., Park S. M., Kim C. B., 2019, A Study on Neural Network Model for Winter
Electric Power Demand Prediction, JKIIT, Vol. 15, No. 9, pp. 1-9
Yoon T. S., Shim K. S., 2012, K-means Clustering for Handling High-dimensional Large
Data, KIISE Trans. Computing Practices, Vol. 18, No. 1, pp. 55-59
Biography
Young-Il kim received B.S., M.S degrees in Energy IT from Gachon university, Seongnam,
Korea, in 2016, 2018. he is working a researcher in Gridwiz Inc.
His research interests are electric power economy, Renewable Energy and ESS.
Sung-Man Choi received B.S, M.S. degrees in Electrical Engineering from Changwon National
University, Changwon, Korea in 2013, 2015, respectively.
At present, he is working as a direction in Gridwiz Inc.
His interests are power conditioning system and microgrids.
Min-Kyu Baek received the B.S., M.S., and Ph.D. degrees from the Konkuk University,
Seoul, South Korea all in electrical engineering.
He is currently a associate research engineer in Gridwiz Inc.
His current research interests include operating algorithm of the battery energy storage
system and artificial intelligence.
Bok-Deok Shin received B.S., M.S., and Ph.D. degrees in Computer Engineering from
Kyungnam University, Changwon, Korea in 1997, 2001, and 2005, respectively.
At present, he is working as a direction in Gridwiz Inc.
His interests are power system and microgrids.