전력 설비의 안전성을 유지하고, 효율적인 에너지 사용으로 비용으로 절감하기 위해 마이크로그리드 운영의 필요성이 증가하고 있다. 여기서, 마이크로그리드의 에너지관리시스템에서 에너지 소스(전력 사용량, 가스 등)를 정확하게 예측할 수 없을 때, 관리자는 최적의 이익을 기대하기 어려울 뿐만 아니라 에너지 부족 혹은 낭비로 인해 손실을 끼칠 수 있다.

정확한 에너지 사용량 예측을 위해, 통계적 접근과 기계학습 기법을 이용하여 예측 모델을 구성하였으나, 통계적 접근은 외부 요인들을 효과적으로 고려하기 어려우며, 기계학습은 Day-Ahead Point Forecast를 수행하므로, 실시간 수요관리에 적합하지 못한 한계를 보였다. 그리하여, 다양한 시나리오들을 고려할 수 있는 확률론적 예측에 관한 중요성이 증대되고 있다.

본 연구실에서는 최적의 마이크로그리드 운영을 위한 딥러닝 기반의 확률론적 에너지 사용량 예측 모델을 개발한다. LSTM의 Seq2Seq 기법을 이용하여 1시간(24 시점), 하루 단위(7 시점)의 다중 단기 에너지 사용량 예측 모델을 개발하며, Sliding Window with CNN 기반의 다중 초단기 에너지 사용량 예측 및 이를 활용한 피크 에너지 사용량 예측을 수행한다.

또한, 현재 마이크로그리드 또는 스마트 그리드의 가상 시뮬레이션이 부족하여, 이들의 설치로 인한 경제적 이득 발생 여부를 파악하기 어려운 문제가 존재한다. 이를 위해, 효율적인 태양광 발전시스템을 위한 지역별 일사량 예측 모델과 이를 통한 태양광 발전시스템 시뮬레이션을 개발하며, 이와 함께 천연가스를 활용한 열병합 발전시스템 시뮬레이션도 개발한다.  

그림 1 개방형 에너지 클라우드 플랫픔을 위한 연구개발 추진체계

●1단계

- 5대 에너지(전력, 난방, 온수, 가스, 수도 등) 빅 데이터와 기상 정보(기온, 습도, 풍속 등), Social 정보(지역, 업종 등)들을 수집하여 데이터 통합과 이상치 검출 및 결측치 보안 등과 같은 데이터 정제 과정을 수행한다.

- 정제된 데이터를 토대로 시계열 특징 추출, 체감온도 및 불쾌지수 검출, 최대-최소 정규화 등과 같은 데이터 정규화 과정을 통해 효과적인 딥러닝 학습을 위한 데이터 셋을 구성하고, 최적화 알고리즘을 통해 예측 대상 및 용도에 적합한 최적의 딥러닝 기반 예측 모델의 초매개변수를 검출한다.

- 또한, 지역/용도에 적합한 입력 변수 선정 방안과 이를 이용한 DNN/RNN/CNN 기반의 확률론적 예측 모델을 개발하며, 태양광 발전시스템 시뮬레이션 구축에 적용하기 위해, 기상청에서는 예측값을 제공하지 않은 일사량에 관한 예측 모델도 함께 개발한다. 

그림 2 1단계 연구개발 추진체계

●2단계

- 딥러닝 기반의 CCHP와 PV 에너지의 전환율 예측 모델을 개발하고 1단계에서 개발한 예측 모델의 예측값을 함께 고려하여 태양광 및 열병합 발전시스템을 위한 시뮬레이션을 구축한다.

- 지역/용도별로 상이한 에너지 요금 정보를 모두 수집 및 분석하여, 지역/용도별로 적합한 최적의 CCHP/PV 경제성 분석 프로그램을 개발한다.

- 에너지 사용량 예측 모델의 예측값과 CCHP/PV의 경제성 분석 프로그램의 산출값을 복합적으로 고려하여 수요 예측 기반의 재생 가능한 에너지 운영 스케줄링 기법을 개발한다.

- 앞서 기술한 예측 모델과 경제성 분석 프로그램, 에너지 발전/수요 예측값 등을 모두 에너지 클라우드 플랫폼에 탑재하여, 마이크로그리드의 가상 시뮬레이션이 가능한 시스템을 구축한다.

그림 3 2단계 연구개발 추진체계