KR102414192B1 - 로라 통신 기반의 태양광 발전에 대한 센서 데이터를 관리하기 위한 장치 및 이를 위한 방법 - Google Patents

Abstract

태양광 발전 시스템에서 로라 통신을 수행하는 복수의 센서장치를 관리하기 위한 장치가 제공된다. 상기 장치는 센서장치로부터 센서 데이터를 포함하는 리포트 메시지를 수신하면, 상기 리포트 메시지를 수신한 리포트 프레임 및 서브 리포트 프레임과, 상기 센서장치가 속한 마이크로그리드에 할당된 리포트 프레임 및 상기 센서장치에 할당된 서브 리포트 프레임이 동일한지 여부를 확인하고, 상기 확인 결과, 상기 리포트 메시지를 수신한 리포트 프레임 및 서브 리포트 프레임과, 상기 센서장치가 속한 마이크로그리드에 할당된 리포트 프레임 및 상기 센서장치에 할당된 서브 리포트 프레임이 동일하면, 검증모델을 통해 상기 센서장치의 센서 데이터와 동일한 리포트 프레임 내에서 수신된 다른 센서 데이터를 비교하여 상기 센서 데이터의 무결성을 검증한다.

Description

로라 통신 기반의 태양광 발전에 대한 센서 데이터를 관리하기 위한 장치 및 이를 위한 방법{Apparatus and method for managing sensing data for photovoltaic power generation based on LoRa communication}

본 발명은 로라 통신 기반의 태양광 발전 관리 기술에 관한 것으로, 보다 상세하게는, 로라(LoRa: Long Range) 통신을 수행하는 센서장치를 이용하여 전송되는 태양광 발전에 대한 센서 데이터를 관리하기 위한 장치 및 이를 위한 방법에 관한 것이다.

에너지 저장은 장치 혹은 물리적 매체를 이용하여 에너지를 저장하는 것을 말한다. 이에 쓰이는 장치를 축압기라고 하고, 더 넓은 범위의 시스템 전체를 에너지 저장 시스템(ESS: Energy Storage System)이라고 한다. 일반 가정에서 사용하는 건전지나 전자제품에 사용하는 소형 배터리도 전기에너지를 다른 에너지 형태로 변환하여 저장할 수 있지만 이런 소규모 전력저장장치를 ESS라고 말하지는 않고, 일반적으로 수 kWh 이상의 전력을 저장하는 단독 시스템을 ESS라고 한다. ESS는 전력계통에서 발전, 송배전, 수용가에 설치되어 운영이 가능하며, 주파수 조정(Frequency Regulation), 신재생발전기 출력 안정화, 첨두부하 저감(Peak Shaving), 부하평준화(Load Leveling), 비상전원 등의 기능으로 사용된다. ESS는 전기에너지를 적게 사용할 때 저장하고 필요할 때 공급함으로써 에너지 이용효율 향상, 신재생에너지 활용도 제고 및 전력공급시스템 안정화에 기여할 수 있다. 이러한 ESS를 관리하기 위하여 EMS를 구비할 수 있다. EMS는 에너지효율 향상 목표를 설정하고 이를 달성하기 위해 관리체제를 일정한 절차 및 기법에 따라 체계적이고 지속적으로 추진하는 전사적 에너지관리 시스템을 말한다.

한국공개특허 제10-2016-0133341호 2016년 11월 22일 공개 (명칭: ESS기능 마이크로 냉난방공조시스템)

본 발명의 목적은 로라 통신을 수행하는 센서장치를 이용한 태양광 발전에 대한 센서 데이터를 관리하기 위한 장치 및 이를 위한 방법을 제공함에 있다.

상술한 바와 같은 목적을 달성하기 위한 본 발명의 바람직한 실시예에 따른 태양광 발전 시스템에서 로라 통신을 수행하는 복수의 센서장치를 관리하기 위한 장치는 복수의 마이크로그리드에 속한 복수의 센서장치와 통신을 위한 통신부와, 상기 통신부를 통해 상기 센서장치로부터 센서 데이터를 포함하는 리포트 메시지를 수신하면, 상기 리포트 메시지를 수신한 리포트 프레임 및 서브 리포트 프레임과, 상기 센서장치가 속한 마이크로그리드에 할당된 리포트 프레임 및 상기 센서장치에 할당된 서브 리포트 프레임이 동일한지 여부를 확인하고, 상기 확인 결과, 상기 리포트 메시지를 수신한 리포트 프레임 및 서브 리포트 프레임과, 상기 센서장치가 속한 마이크로그리드에 할당된 리포트 프레임 및 상기 센서장치에 할당된 서브 리포트 프레임이 동일하면, 검증모델을 통해 상기 센서장치의 센서 데이터와 동일한 리포트 프레임 내에서 수신된 다른 센서 데이터를 비교하여 상기 센서 데이터의 무결성을 검증하는 검증부를 포함한다.

상기 장치는 복수의 마이크로그리드 각각에 대해 소정 주기로 반복되는 리포트 프레임을 할당하고, 상기 통신부를 통해 상기 복수의 마이크로그리드 중 어느 하나에 속한 어느 하나의 센서장치로부터 등록을 요청하는 등록요청메시지를 수신하면, 상기 센서장치에 대해 해당 마이크로그리드에 할당된 리포트 프레임 내에서 어느 하나의 서브 리포트 프레임을 할당하고, 상기 통신부를 통해 상기 할당된 서브 리포트 프레임을 나타내는 지시자와 함께 등록응답 메시지를 상기 센서장치로 전송하는 등록부를 더 포함한다.

상기 검증모델은 검증 대상 센서장치의 센서 데이터와, 검증 대상 센서장치의 센서 데이터와 동일한 리포트 프레임으로 수신된 다른 센서장치의 센서 데이터 각각으로부터 생성된 복수의 센서데이터벡터를 포함하는 입력벡터가 입력되면, 상기 입력벡터에 대해 복수의 계층 간 학습된 가중치가 적용되는 복수의 연산을 통해 검증 대상 센서 데이터가 무결성 인증에 성공할 확률과 실패할 확률을 나타내는 출력값을 산출하는 것을 특징으로 한다.

센서데이터벡터는 센서장치가 속한 마이크로그리드에 할당된 리포트 프레임을 나타내는 프레임벡터, 센서장치에 할당된 서브 리포트 프레임을 나타내는 서브프레임벡터, 센서장치가 전력, 전류 및 온도를 측정한 시간을 나타내는 시간벡터 및 센서장치가 전력, 전류 및 온도를 측정한 측정값을 나타내는 측정벡터를 포함하는 것을 특징으로 한다.

상기 장치는 학습용 입력벡터를 마련하고, 손실함수

에서 상기

을 0으로 설정한 후, 학습용 입력벡터에 대한 상기 검증모델의 출력값과 분류 레이블의 차이인 분류 손실이 최소가 되도록 상기 검증모델의 가중치를 수정하는 분류 손실 최적화를 수행하고, 상기 손실함수에서 상기

을 0.5로 설정한 후, 학습용 입력벡터에 대한 상기 검증모델의 출력값과 분류 레이블의 차이인 분류 손실과 상기 검증모델의 완전연결층의 연산노드값인 은닉벡터와 은닉 레이블과의 차이인 은닉 손실을 포함하는 복합 손실이 최소가 되도록 상기 검증모델의 가중치를 수정하는 복합 손실 최적화를 수행하는 학습부를 더 포함한다.

여기서, 상기 Eintergrity는 손실함수이고, 상기 oi는 상기 검증모델의 출력층의 출력값이고, 상기 zi는 상기 출력값에 대응하는 분류 레이블이고, 상기 eij는 상기 검증모델의 완전연결층의 연산노드값인 상기 은닉벡터이고, 상기 hij는 상기 은닉벡터에 대응하는 은닉 레이블이고, 상기 i는 상기 검증모델의 출력층의 출력노드에 대응하는 인덱스이고, 상기 j는 상기 검증모델의 완전연결층의 연산노드에 대응하는 인덱스이고, 상기

는 하이퍼파라미터인 것을 특징으로 한다.

상술한 바와 같은 목적을 달성하기 위한 본 발명의 바람직한 실시예에 따른 로라 통신을 수행하는 센서장치를 이용하여 태양광 발전에 대한 센서 데이터를 관리하기 위한 방법은 통신부가 센서장치로부터 센서 데이터를 포함하는 리포트 메시지를 수신하는 단계와, 검증부가 상기 리포트 메시지를 수신한 리포트 프레임 및 서브 리포트 프레임과 상기 센서장치가 속한 마이크로그리드에 할당된 리포트 프레임 및 상기 센서장치에 할당된 서브 리포트 프레임이 동일한지 여부에 따라 상기 센서 데이터의 무결성을 1차로 인증하는 단계와, 상기 검증부가 상기 1차 인증에 성공하면, 검증모델을 통해 상기 센서장치의 센서 데이터와 상기 할당된 리포트 프레임으로 수신된 다른 센서장치의 센서 데이터를 비교하여 상기 센서 데이터의 무결성에 대한 2차 인증을 수행하는 단계를 포함한다.

상기 방법은 상기 센서장치로부터 센서 데이터를 포함하는 리포트 메시지를 수신하는 단계 전, 등록부가 복수의 마이크로그리드 각각에 대해 소정 주기로 반복되는 리포트 프레임을 할당하는 단계와, 상기 등록부가 상기 복수의 마이크로그리드 중 어느 하나에 속한 어느 하나의 센서장치로부터 등록을 요청하는 등록요청메시지를 수신하면, 상기 센서장치에 대해 해당 마이크로그리드에 할당된 리포트 프레임 내에서 어느 하나의 서브 리포트 프레임을 할당하는 단계와, 상기 등록부가 상기 할당된 서브 리포트 프레임을 나타내는 지시자와 함께 등록응답 메시지를 상기 센서장치로 전송하는 단계를 더 포함한다.

상기 2차 인증을 수행하는 단계는 상기 검증모델이 검증 대상 센서장치의 센서 데이터와, 검증 대상 센서장치의 센서 데이터와 동일한 리포트 프레임으로 수신된 다른 센서장치의 센서 데이터 각각으로부터 생성된 복수의 센서데이터벡터를 포함하는 입력벡터를 입력받는 단계와, 상기 검증모델이 상기 입력벡터에 대해 복수의 계층 간 학습된 가중치가 적용되는 복수의 연산을 통해 검증 대상 센서 데이터가 무결성 인증에 성공할 확률과 실패할 확률을 나타내는 출력값을 산출하는 단계를 포함한다.

센서데이터벡터는 센서장치가 속한 마이크로그리드에 할당된 리포트 프레임을 나타내는 프레임벡터, 센서장치에 할당된 서브 리포트 프레임을 나타내는 서브프레임벡터, 센서장치가 전력, 전류 및 온도를 측정한 시간을 나타내는 시간벡터 및 센서장치가 전력, 전류 및 온도를 측정한 측정값을 나타내는 측정벡터를 포함한다.

상기 방법은 상기 리포트 메시지를 수신하는 단계 전, 학습부가 학습용 입력벡터를 마련하는 단계와, 상기 학습부가 손실함수

에서 상기

을 0으로 설정한 후, 학습용 입력벡터에 대한 상기 검증모델의 출력값과 분류 레이블의 차이인 분류 손실이 최소가 되도록 상기 검증모델의 가중치를 수정하는 분류 손실 최적화를 수행하는 단계와, 상기 학습부가 상기 손실함수에서 상기

을 0.5로 설정한 후, 학습용 입력벡터에 대한 상기 검증모델의 출력값과 분류 레이블의 차이인 분류 손실과 상기 검증모델의 완전연결층의 연산노드값인 은닉벡터와 은닉 레이블과의 차이인 은닉 손실을 포함하는 복합 손실이 최소가 되도록 상기 검증모델의 가중치를 수정하는 복합 손실 최적화를 수행하는 단계를 더 포함한다.

여기서, 상기 Eintergrity는 손실함수이고, 상기 oi는 상기 검증모델의 출력층의 출력값이고, 상기 zi는 상기 출력값에 대응하는 분류 레이블이고, 상기 eij는 상기 검증모델의 완전연결층의 연산노드값인 상기 은닉벡터이고, 상기 hij는 상기 은닉벡터에 대응하는 은닉 레이블이고, 상기 i는 상기 검증모델의 출력층의 출력노드에 대응하는 인덱스이고, 상기 j는 상기 검증모델의 완전연결층의 연산노드에 대응하는 인덱스이고, 상기

는 하이퍼파라미터인 것을 특징으로 한다.

상술한 바와 같은 목적을 달성하기 위한 본 발명의 바람직한 실시예에 따른 태양광발전기가 생산한 전력을 저장하는 에너지저장장치와, 상기 태양광발전기 및 상기 에너지저장장치 중 적어도 하나로부터 전력을 공급받는 로컬 부하를 포함하는 마이크로그리드에서 로라(LoRa: Long Range) 통신 기반의 센서장치를 이용한 태양광 발전에 대한 수요 예측을 위한 장치는 복수의 센서장치로부터 로라 통신을 통해 에너지저장장치, 태양광발전기 및 로컬 부하에 대한 전력, 전류 및 온도를 측정한 측정값 및 측정시간을 포함하는 복수의 센서 데이터를 지속적으로 수신하고, 기상정보서버로부터 지속적으로 수신되는 복수의 센서 데이터 각각의 측정시간의 일기에 대한 일기 정보 및 지속적으로 입력되는 복수의 센서 데이터 각각의 측정시간으로부터 기 설정된 시간 후의 예측된 일기인 일기 예측 정보를 수신하는 통신부와, 각각이 상기 측정값 및 측정시간과, 일기 정보를 기초로 생성된 상기 태양광발전기가 생산한 전력을 나타내는 전력생산벡터, 상기 에너지저장장치가 저장하는 전력을 나타내는 전력저장벡터, 상기 로컬 부하가 소비하는 전력을 나타내는 전력소비벡터, 상기 측정시간을 나타내는 시간벡터 및 상기 측정시간의 일기 정보를 나타내는 일기벡터를 포함하면서 시간 순으로 정렬된 복수의 상태벡터를 생성하고, 상기 복수의 상태벡터 중 시간 상 첫 번째 순번의 상태벡터의 시간벡터가 나타내는 시간으로부터 기 설정된 시간 후의 예측된 일기를 나타내는 예측일기벡터를 생성하고, 상기 복수의 상태벡터 및 예측일기벡터에 대해 예측모델의 복수의 계층의 학습된 가중치가 적용되는 복수의 연산을 통해 복수의 상태벡터 중 시간 상 첫 번째 순번의 상태벡터의 시간벡터가 나타내는 시간으로부터 기 설정된 시간 후의 상기 태양광발전기의 발전량, 상기 에너지저장장치의 저장량 및 상기 로컬 부하의 수요량의 예측값을 산출하는 예측부를 포함한다.

상기 장치는 상기 예측부가 복수의 마이크로그리드 각각의 상기 발전량, 상기 저장량 및 상기 수요량의 예측값을 산출하면, 상기 복수의 마이크로그리드 각각의 상기 발전량, 상기 저장량 및 상기 수요량에 따라 상기 복수의 마이크로그리드 각각의 전력량의 여분 또는 부족분을 도출하고, 상기 통신부를 통해 해당하는 마이크로그리드의 에너지저장장치로 상기 도출된 전력량의 여분 또는 부족분에 따라 전력량의 여분을 공급하거나, 전력량의 부족분을 수급하도록 제어하는 제어 메시지를 전송하는 관리부를 더 포함한다.

상기 예측모델은 시간 순서로 정렬된 복수의 상태벡터에 대해 복수의 스테이지의 복수의 계층의 학습된 가중치가 적용되는 복수의 연산을 통해 시간의 흐름 및 일기의 변화에 따른 마이크로그리드의 태양광발전기의 발전량, 에너지저장장치의 저장량 및 로컬 부하의 수요량에 대한 상관 특징을 나타내는 상태특징벡터를 산출하는 상태전달망과, 상기 예측일기벡터 및 상기 상태전달망이 산출한 상태특징벡터를 포함하는 상태입력벡터를 입력받고, 입력된 상태입력벡터에 대해 복수의 계층의 학습된 가중치가 적용되는 복수의 연산을 통해 복수의 상태벡터 중 시간 상 첫 번째 순번의 상태벡터의 시간벡터가 나타내는 시간으로부터 기 설정된 시간 후의 태양광발전기의 발전량, 에너지저장장치의 저장량 및 로컬 부하의 수요량의 예측값을 산출하는 예측망을 포함한다.

상기 장치는 시간 순으로 정렬된 복수의 상태벡터 및 예측일기벡터를 포함하는 학습 데이터로 마련하고, 학습 데이터의 복수의 상태벡터 중 첫 번째 순번의 상태벡터의 시간벡터가 나타내는 시간으로부터 기 설정된 시간 후의 태양광발전기의 발전량, 에너지저장장치의 저장량 및 로컬 부하의 수요량을 예측 레이블로 설정하고, 학습 데이터를 예측모델에 입력하고, 예측모델의 상태전달망이 복수의 상태벡터에 대해 복수의 스테이지의 복수의 계층의 학습되지 않은 가중치가 적용되는 복수의 연산을 통해 상태특징벡터를 산출하고, 예측모델의 예측망이 상기 상태특징벡터 및 상기 예측일기벡터를 포함하는 상태입력벡터를 입력받고, 입력된 상태입력벡터에 대해 복수의 계층의 학습되지 않은 가중치가 적용되는 복수의 연산을 통해 상기 학습 데이터의 복수의 상태벡터 중 첫 번째 순번의 상태벡터의 시간벡터가 나타내는 시간으로부터 기 설정된 시간 후의 태양광발전기의 발전량, 에너지저장장치의 저장량 및 로컬 부하의 수요량에 대한 예측값인 출력값을 산출하면, 상기 예측 레이블과 출력층의 출력값의 차이를 나타내는 손실함수의 예측 손실이 최소가 되도록 예측모델의 가중치를 수정하는 예측 손실 최적화를 수행하는 학습부를 더 포함한다.

상기 학습부는 수학식

를 이용하여 예측 레이블과 상기 출력값의 차이인 예측 손실이 최소가 되도록 예측모델의 가중치를 수정하며, 상기 Eforecast는 손실함수이고, 상기 R은 상기 출력값이고, 상기 L은 상기 예측 레이블이고, 상기 i는 출력노드의 인덱스인 것을 특징으로 한다.

상술한 바와 같은 목적을 달성하기 위한 본 발명의 바람직한 실시예에 따른 태양광발전기가 생산한 전력을 저장하는 에너지저장장치와, 상기 태양광발전기 및 상기 에너지저장장치 중 적어도 하나로부터 전력을 공급받는 로컬 부하를 포함하는 마이크로그리드에서 로라(LoRa: Long Range) 통신 기반의 센서장치를 이용한 태양광 발전에 대한 수요 예측을 위한 방법은 통신부가 복수의 센서장치로부터 로라 통신을 통해 에너지저장장치, 태양광발전기 및 로컬 부하에 대한 전력, 전류 및 온도를 측정한 측정값 및 측정시간을 포함하는 복수의 센서 데이터를 지속적으로 수신하는 단계와, 상기 통신부가 기상정보서버로부터 지속적으로 수신되는 복수의 센서 데이터 각각의 측정시간의 일기에 대한 일기 정보 및 지속적으로 입력되는 복수의 센서 데이터 각각의 측정시간으로부터 기 설정된 시간 후의 예측된 일기인 일기 예측 정보를 수신하는 단계와, 예측부가 각각이 상기 측정값 및 측정시간과, 일기 정보를 기초로 생성된 상기 태양광발전기가 생산한 전력을 나타내는 전력생산벡터, 상기 에너지저장장치가 저장하는 전력을 나타내는 전력저장벡터, 상기 로컬 부하가 소비하는 전력을 나타내는 전력소비벡터, 상기 측정시간을 나타내는 시간벡터 및 상기 측정시간의 일기 정보를 나타내는 일기벡터를 포함하면서 시간 순으로 정렬된 복수의 상태벡터를 생성하는 단계와, 상기 예측부가 상기 복수의 상태벡터 중 시간 상 첫 번째 순번의 상태벡터의 시간벡터가 나타내는 시간으로부터 기 설정된 시간 후의 예측된 일기를 나타내는 예측일기벡터를 생성하는 단계와, 상기 예측부가 상기 복수의 상태벡터 및 예측일기벡터에 대해 예측모델의 복수의 계층의 학습된 가중치가 적용되는 복수의 연산을 통해 복수의 상태벡터 중 시간 상 첫 번째 순번의 상태벡터의 시간벡터가 나타내는 시간으로부터 기 설정된 시간 후의 상기 태양광발전기의 발전량, 상기 에너지저장장치의 저장량 및 상기 로컬 부하의 수요량의 예측값을 산출하는 단계를 포함한다.

상기 방법은 상기 예측값을 산출하는 단계 후, 상기 예측부가 복수의 마이크로그리드 각각의 상기 발전량, 상기 저장량 및 상기 수요량의 예측값을 산출하면, 관리부가 상기 복수의 마이크로그리드 각각의 상기 발전량, 상기 저장량 및 상기 수요량에 따라 상기 복수의 마이크로그리드 각각의 전력량의 여분 또는 부족분을 도출하는 단계와, 상기 관리부가 상기 통신부를 통해 해당하는 마이크로그리드의 에너지저장장치로 상기 도출된 전력량의 여분 또는 부족분에 따라 전력량의 여분을 공급하거나, 전력량의 부족분을 수급하도록 제어하는 제어 메시지를 전송하는 단계를 더 포함한다.

상기 예측값을 산출하는 단계는 상기 예측모델의 상태전달망이 시간 순서로 정렬된 복수의 상태벡터에 대해 복수의 스테이지의 복수의 계층의 학습된 가중치가 적용되는 복수의 연산을 통해 시간의 흐름 및 일기의 변화에 따른 마이크로그리드의 태양광발전기의 발전량, 에너지저장장치의 저장량 및 로컬 부하의 수요량에 대한 상관 특징을 나타내는 상태특징벡터를 산출하는 단계와, 상기 예측모델의 예측망이 상기 예측일기벡터 및 상기 상태전달망이 산출한 상태특징벡터를 포함하는 상태입력벡터를 입력받고, 입력된 상태입력벡터에 대해 복수의 계층의 학습된 가중치가 적용되는 복수의 연산을 통해 복수의 상태벡터 중 시간 상 첫 번째 순번의 상태벡터의 시간벡터가 나타내는 시간으로부터 기 설정된 시간 후의 태양광발전기의 발전량, 에너지저장장치의 저장량 및 로컬 부하의 수요량의 예측값을 산출하는 단계를 포함한다.

상기 방법은 상기 복수의 센서 데이터를 지속적으로 수신하는 단계 전, 학습부가 시간 순으로 정렬된 복수의 상태벡터 및 예측일기벡터를 포함하는 학습 데이터로 마련하는 단계와, 상기 학습부가 학습 데이터의 복수의 상태벡터 중 첫 번째 순번의 상태벡터의 시간벡터가 나타내는 시간으로부터 기 설정된 시간 후의 태양광발전기의 발전량, 에너지저장장치의 저장량 및 로컬 부하의 수요량을 예측 레이블로 설정하는 단계와, 상기 학습부가 학습 데이터를 예측모델에 입력하는 단계와, 예측모델의 상태전달망이 복수의 상태벡터에 대해 복수의 스테이지의 복수의 계층의 학습되지 않은 가중치가 적용되는 복수의 연산을 통해 상태특징벡터를 산출하는 단계와, 예측모델의 예측망이 상기 상태특징벡터 및 상기 예측일기벡터를 포함하는 상태입력벡터를 입력받고, 입력된 상태입력벡터에 대해 복수의 계층의 학습되지 않은 가중치가 적용되는 복수의 연산을 통해 상기 학습 데이터의 복수의 상태벡터 중 첫 번째 순번의 상태벡터의 시간벡터가 나타내는 시간으로부터 기 설정된 시간 후의 태양광발전기의 발전량, 에너지저장장치의 저장량 및 로컬 부하의 수요량에 대한 예측값인 출력값을 산출하는 단계와 상기 학습부가 상기 예측 레이블과 상기 출력값의 차이를 나타내는 손실함수의 예측 손실이 최소가 되도록 예측모델의 가중치를 수정하는 예측 손실 최적화를 수행하는 단계를 더 포함한다.

상기 예측 손실 최적화를 수행하는 단계는 상기 학습부가 수학식

를 이용하여 예측 레이블과 상기 출력값의 차이인 예측 손실이 최소가 되도록 예측모델의 가중치를 수정하며, 상기 Eforecast는 손실함수이고, 상기 R은 상기 출력값이고, 상기 L은 상기 예측 레이블이고, 상기 i는 출력노드의 인덱스인 것을 특징으로 한다.

본 발명에 따르면, 로라 통신을 통해 센서장치가 전송하는 태양광 발전에 대한 센서 데이터를 효율적으로 관리할 수 있다.

본 발명에 따르면, 로라 통신을 통해 센서장치가 전송하는 태양광 발전에 대한 센서 데이터를 기초로 수요를 예측할 수 있어, 태양광 발전에 따른 에너지를 효율적으로 분배하여 관리할 수 있다.

도 1은 본 발명의 실시예에 따른 태양광발전 기반의 복수의 마이크로그리드를 포함하는 전력시스템의 구성을 설명하기 위한 도면이다.
도 2는 본 발명의 실시예에 따른 태양광발전 기반의 마이크로그리드의 구성을 설명하기 위한 도면이다.
도 3은 본 발명의 실시예에 따른 에너지저장장치의 구성을 설명하기 위한 도면이다.
도 4는 본 발명의 실시예에 따른 배터리컨테이너의 구성을 설명하기 위한 도면이다.
도 5는 본 발명의 실시예에 따른 센서장치의 구성을 설명하기 위한 블록도이다.
도 6은 본 발명의 실시예에 따른 에너지관리장치의 구성을 설명하기 위한 블록도이다.
도 7은 본 발명의 실시예에 따른 에너지관리서버 제어부의 세부적인 구성을 설명하기 위한 블록도이다.
도 8은 본 발명의 실시예에 따른 마이크로그리드 및 센서장치에 할당되는 리포트 프레임 및 서브 리포트 프레임을 설명하기 위한 도면이다.
도 9는 본 발명의 실시예에 따른 센서 데이터의 무결성을 검증하기 위한 검증모델을 설명하기 위한 도면이다.
도 10은 본 발명의 실시예에 따른 센서 데이터의 무결성을 검증하기 위한 검증모델의 완전연결층 및 출력층을 설명하기 위한 도면이다.
도 11은 본 발명의 실시예에 따른 로컬 부하의 수요 예측을 위한 예측모델을 설명하기 위한 도면이다.
도 12는 본 발명의 실시예에 따른 로컬 부하의 수요 예측을 위한 예측모델의 상태전달망을 설명하기 위한 도면이다.
도 13은 본 발명의 실시예에 따른 로컬 부하의 수요 예측을 위한 예측모델의 상태전달망의 연산을 설명하기 위한 도면이다.
도 14는 본 발명의 실시예에 따른 로컬 부하의 수요 예측을 위한 예측모델의 예측망을 설명하기 위한 도면이다.
도 15는 본 발명의 실시예에 따른 검증모델(VM)을 학습시키는 방법을 설명하기 위한 흐름도이다.
도 16은 본 발명의 실시예에 따른 검증모델(VM)을 학습시키는 방법을 설명하기 위한 벡터공간의 예이다.
도 17은 본 발명의 실시예에 따른 예측모델(FCM)을 학습시키는 방법을 설명하기 위한 흐름도이다.
도 18은 본 발명의 실시예에 따른 로라 통신을 통해 수신되는 태양광 발전에 대한 센서 데이터를 관리하는 방법을 설명하기 위한 흐름도이다.
도 19는 로라 통신을 수행하는 센서장치를 이용한 태양광 발전에 대한 수요 예측을 위한 방법을 설명하기 위한 흐름도이다.
도 20은 로라 통신을 수행하는 센서장치를 이용한 태양광 발전에 대한 수요 관리를 위한 방법을 설명하기 위한 흐름도이다.

본 발명의 상세한 설명에 앞서, 이하에서 설명되는 본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니 되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념으로 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다. 따라서 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 가장 바람직한 실시예에 불과할 뿐, 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형 예들이 있을 수 있음을 이해하여야 한다.

이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예들을 상세히 설명한다. 이때, 첨부된 도면에서 동일한 구성 요소는 가능한 동일한 부호로 나타내고 있음을 유의해야 한다. 또한, 본 발명의 요지를 흐리게 할 수 있는 공지 기능 및 구성에 대한 상세한 설명은 생략할 것이다. 마찬가지의 이유로 첨부 도면에 있어서 일부 구성요소는 과장되거나 생략되거나 또는 개략적으로 도시되었으며, 각 구성요소의 크기는 실제 크기를 전적으로 반영하는 것이 아니다.

먼저, 본 발명의 실시예에 따른 태양광발전 기반의 복수의 마이크로그리드를 포함하는 전력시스템에 대해서 설명하기로 한다. 도 1은 본 발명의 실시예에 따른 태양광발전 기반의 복수의 마이크로그리드를 포함하는 전력시스템의 구성을 설명하기 위한 도면이다. 도 2는 본 발명의 실시예에 따른 태양광발전 기반의 마이크로그리드의 구성을 설명하기 위한 도면이다.

도 1을 참조하면, 본 발명의 실시예에 따른 전력시스템은 복수의 마이크로그리드(MG: micro-grid, MG1, MG2, ..., MGn) 및 복수의 마이크로그리드(MG: MG1, MG2, ..., MGn)를 관리하는 에너지관리서버(EMS: Energy Management System, 100)를 포함한다. 더욱이, 본 발명의 전력시스템은 기상정보서버(500)를 더 포함한다. 기상정보서버(500)는 기상청의 기상분석시스템(Forecaster's Analysis System) 등을 통해 예측한 날씨 및 온도를 포함하는 일기 및 기상청이 계측한 날씨 및 온도를 포함하는 일기에 대한 정보를 제공하는 서버이다.

도 2를 참조하면, 복수의 마이크로그리드(MG: MG1, MG2, ..., MGn) 각각은 태양광발전기(200), 에너지저장장치(ESS: Energy Storage System, 300) 및 로컬 부하(400)를 포함한다. 특히, 복수의 마이크로그리드(MG: MG1, MG2, ..., MGn) 각각은 복수의 계측기(10: 10a, 10b, 10c, 10d, 10e) 및 복수의 전력변환기(PCS: Power Conditioning System 혹은 DC/DC converter, 20: 20a, 20b, 20c)를 더 포함한다.

태양광발전기(200)는 광기전 효과(photovoltaic effect)를 이용하여, 태양으로부터 오는 빛을 전기 에너지로 바꾸어 전력을 생산한다. 태양광발전기(200)는 기본적으로, 생산된 전력, 즉, 발전 전력을 부하(400)에 제공한다. 하지만, 이러한 태양광발전기(200)의 전력 생산량은 일기에 따라 편차가 심하며 조절할 수 있는 것이 아니다. 따라서 태양광발전기(200)는 로컬 부하(400)의 용량에 비해 과잉 생산된 전력을 에너지저장장치(300)에 제공하여 저장할 수 있다.

에너지저장장치(300)는 태양광발전기(200)의 발전 전력을 저장하기 위한 것이다. 특히, 에너지저장장치(300)는 발전기(10)가 로컬 부하(30)의 용량에 비해 전력을 과잉 생산한 경우, 그 과잉 생산된 발전 전력을 저장할 수 있다. 또한, 에너지저장장치(300)는 로컬 부하(400)의 전력이 요구될 때 저장된 전력을 부하(400)에 제공한다.

전력변환기(20)는 출력측 장치의 동작 가능한 전압 범위에 맞춰 입력 전압을 강압 혹은 승압시켜 출력 전압을 생성하여 출력한다. 예컨대, 태양광발전기(200)가 생산한 전력이 입력되는 경우, 에너지저장장치(300) 혹은 로컬 부하(400)의 동작 가능한 전압 범위에 맞춰 그 전력의 전압을 강압하여 출력한다.

복수의 센서장치(10)는 복수의 전력변환기(20), 태양광발전기(200) 및 에너지저장장치(300)에 연결되어 태양광발전기(200)로부터 출력되는 전압, 전류, 에너지저장장치(300)에 입력 혹은 출력되는 전압, 전류, 에너지저장장치(300)의 온도, 부하(400)에 입력되는 전압, 전류, 전력변환기(20)가 변환한 전압, 전류 등을 측정한다. 그리고 센서장치(10)는 측정된 전압, 전류 및 온도를 에너지관리서버(100)로 로라(RoLA) 통신을 통해 전송할 수 있다.

에너지관리서버(100)는 본 발명의 실시예에 따른 전력시스템, 즉, 태양광발전을 기반으로 하는 복수의 마이크로그리드(MG)를 관리하기 위한 것이다. 특히, 에너지관리서버(100)는 로라 통신을 통해 센서장치(10)가 계측한 에너지와 관련된 정보를 수신하고, 기상정보서버(500)로부터 기상 관련 정보를 수신하여 딥러닝 모델을 통해 수신된 정보를 분석한 후, 분석 결과에 따라 복수의 마이크로그리드(MG) 간 수요를 조절할 수 있다.

다음으로, 본 발명의 실시예에 따른 에너지저장장치(ESS: Energy Storage System, 300)의 구성에 대해서 설명하기로 한다. 도 3은 본 발명의 실시예에 따른 에너지저장장치의 구성을 설명하기 위한 도면이다. 도 4는 본 발명의 실시예에 따른 배터리컨테이너의 구성을 설명하기 위한 도면이다.

도 3을 참조하면, 본 발명의 실시예에 따른 에너지저장장치(300)는 배터리컨테이너(310), 공조기(320), 통신기(330) 및 제어기(340)를 포함한다. 이러한 배터리컨테이너(310), 공조기(320), 통신기(330) 및 제어기(340)는 외함(301) 내에 설치되어 외함(301)에 의해 물리적으로 보호될 수 있다.

도 4를 참조하면, 배터리컨테이너(310)는 실제로 에너지를 저장하기 위한 복수의 단위 저장 장치로 이루어진다. 본 발명의 실시예에서 최소의 단위 저장 장치는 배터리 셀이다. 배터리 셀은 이차전지이며, 니켈-카드뮴 전지(NiCd), 니켈수소축전지(NiMH), 리튬이온전지(Li-ion), 리튬이온폴리머전지(Li-ion polymer) 등을 예시할 수 있다. 도시된 바와 같이, 복수의 배터리 셀이 하나의 배터리모듈을 형성한다. 또한, 복수의 배터리모듈은 하나의 배터리 랙을 형성한다. 그리고 복수의 배터리 랙은 하나의 배터리 컨테이너를 이룬다. 배터리 랙은 일반적으로, 복수의 배터리 모듈이 적층된 타워형이다. 하지만, 본 발명을 이에 한정하는 것은 아니며, 복수의 배터리 모듈을 포함하는 형식이면 그 형태의 무관하다. 배터리컨테이너(310)는 외함(10) 내에서 공조기(320) 및 제어기(340)와 격벽(PW)을 통해 분리된 제1 공간(A1)에 설치된다.

다시 도 3을 참조하면, 공조기(320)는 외함(10) 내에서 배터리컨테이너(310)와 격벽(PW)을 통해 분리된 제2 공간(A2)에 설치된다. 공조기(320)는 배터리컨테이너(310)가 설치된 제1 공간(A1)의 공기 조화를 수행한다. 즉, 공조기(30)는 배터리컨테이너(310)가 설치된 제1 공간(A1)에 연결된 관 등을 통해 공조를 위한 공기, 즉, 냉기, 온기 및 습기 및 건기 중 적어도 하나의 속성을 가지는 공기를 공급할 수 있다.

통신기(330)는 로라(LoRa) 통신을 통해 에너지관리서버(100)와 통신을 위한 것이다. 이러한 통신기(330)는 송신되는 신호의 주파수를 상승 변환 및 증폭하는 RF(Radio Frequency) 송신기(Tx) 및 수신되는 신호를 저잡음 증폭하고 주파수를 하강 변환하는 RF 수신기(Rx)를 포함할 수 있다. 그리고 통신기(330)는 송신되는 신호를 변조하고, 수신되는 신호를 복조하는 모뎀(Modem)을 포함할 수 있다.

제어기(340)는 에너지저장장치(300)의 전반적인 동작 및 기능을 제어하기 위한 것이다 특히, 제어기(340)는 에너지저장장치(300), 즉, 배터리컨테이너(310)의 충전 및 방전을 제어하고, 공조기(320)의 공조 기능을 제어할 수 있다. 제어기(340)는 통신기(330)를 통해 에너지관리서버(100)로부터 충전, 방전, 셀 밸런싱 및 공조(냉각) 등의 지령을 수신하면, 에너지저장장치(300)의 충전, 방전 및 셀 밸런싱을 수행하거나, 공조기(320)를 제어하여 공조(냉각)를 수행하도록 제어한다. 특히, 제어기(340)는 통신기(330)를 통해 에너지관리서버(100)로부터 전력량의 여분 또는 부족분에 따라 전력량의 여분을 공급하고, 전력량의 부족분을 수급하도록 제어하는 제어 메시지를 수신하면, 제어 메시지에 따라 전력량의 여분을 공급하거나, 전력량의 부족분을 수급하도록 배터리컨테이너(310)가 충전 혹은 방전하도록 제어한다. 이러한 제어기(340)는 중앙처리장치(CPU: Central Processing Unit), 마이크로제어기(MCU: Micro Controller Unit), 디지털신호처리기(DSP: Digital Signal Processor) 등이 될 수 있다.

다음으로, 본 발명의 실시예에 따른 센서장치(10)의 구성에 대해서 설명하기로 한다. 도 5는 본 발명의 실시예에 따른 센서장치의 구성을 설명하기 위한 블록도이다. 도 5를 참조하면, 본 발명의 실시예에 따른 센서장치(10)는 전압센서(11), 전류센서(12), 복수의 온도센서(13), 컨버터(Analog-to Digital Converter, 14), 신호처리부(15) 및 로라통신부(16)를 포함한다.

전압센서(11)는 연결된 설비 혹은 장치(20, 200, 300)의 출력 혹은 입력 전압을 측정하기 위한 센서이며, 전류센서(12)는 연결된 설비 혹은 장치(20, 200, 300)의 입력 혹은 출력 전류를 측정하기 위한 센서이다. 온도센서(13)는 선택적인 구성으로 연결된 설비 혹은 장치(20, 200, 300)의 온도를 측정하기 위한 센서이다. 특히, 제4 계측기(10d)의 복수의 온도센서(13)는 에너지저장장치(300)의 복수의 위치에 분산되어 설치되어 설치된 복수의 위치 각각의 온도를 개별적으로 측정할 수 있다. 또한, 제1 계측기(10a)의 복수의 온도센서(13)는 태양광발전기(200)의 복수의 위치에 분산되어 설치되어 설치된 복수의 위치 각각의 온도를 개별적으로 측정할 수 있다.

컨버터(14)는 아날로그 신호인 전압센서(11), 전류센서(12) 및 온도센서(13)가 측정한 전압, 전류, 온도의 측정값을 디지털 신호로 변환한 후, 신호처리부(15)에 제공한다.

로라통신부(16)는 로라 통신(RoLa)을 통해 에너지관리서버(100)와 통신을 위한 것이다. 이러한 로라통신부(16)는 송신되는 신호의 주파수를 상승 변환 및 증폭하는 RF(Radio Frequency) 송신기(Tx) 및 수신되는 신호를 저잡음 증폭하고 주파수를 하강 변환하는 RF 수신기(Rx)를 포함할 수 있다. 그리고 로라통신부(16)는 송신되는 신호를 변조하고, 수신되는 신호를 복조하는 모뎀(Modem)을 포함할 수 있다.

신호처리부(15)는 디지털 신호로 변환된 전압, 전류, 온도의 측정값에 측정 대상을 다른 장치와 구분하여 식별할 수 있는 식별자, 즉, 전력변환기(20), 태양광발전기(200), 에너지저장장치(300) 등의 측정 대상에 대한 식별자와, 전압, 전류, 온도를 측정한 측정 시간을 부여한다. 특히, 전력변환기(20)의 경우, 다른 전력변환기(20)와 구분되는 위치를 알 수 있는 식별자가 부여된다. 신호처리부(15)는 전송 오류 등에 따른 재전송을 고려하여 측정 대상 및 측정 시간을 포함하는 전압, 전류, 온도의 측정값을 일시 저장할 수 있는 소정 용량의 메모리를 포함할 수 있다. 신호처리부(15)는 측정 대상 및 측정 시간을 포함하는 전압, 전류, 온도의 측정값을 포함하는 센서 데이터를 로라통신부(16)를 통해 에너지관리서버(100)로 전송한다.

한편, 에너지관리서버(100)는 복수의 마이크로그리드 각각에 서로 다른 리포트 프레임을 할당하며, 해당 마이크로그리드에 속한 복수의 센서장치(10) 각각에 해당 마이크로그리드에 할당된 리포트 프레임 내에서 서로 다른 서브 리포트 프레임을 할당한다. 이에 따라, 신호처리부(15)는 로라통신부(16)를 통해 전술한 센서 데이터를 전송할 때, 할당된 리포트 프레임 및 서브 리포트 프레임을 통해 에너지관리서버(100)로 전송한다.

다음으로, 본 발명의 실시예에 따른 에너지관리서버(100)의 구성에 대해서 설명하기로 한다. 도 6은 본 발명의 실시예에 따른 에너지관리장치의 구성을 설명하기 위한 블록도이다. 도 6을 참조하면, 본 발명의 실시예에 따른 에너지관리서버(100)는 통신부(110), 저장부(120) 및 제어부(130)를 포함한다.

통신부(110)는 센서장치(10), 에너지저장장치(300) 및 기상정보서버(500)와 통신을 위한 것이다. 통신부(110)는 센서장치(10) 및 에너지저장장치(300)와 로라 통신을 통해 필요한 정보를 포함하는 데이터를 교환하기 위한 통신을 수행한다. 또한, 통신부(110)는 기상정보서버(500)와 IP 통신 프로토콜에 따른 통신을 수행할 수 있다. 통신부(110)는 센서장치(10)로부터 센서장치(10)가 측정한 전압, 전류 및 온도의 측정값 및 측정 시간을 수신할 수 있다. 또한, 통신부(110)는 기상정보서버(500)로부터 기상 정보를 수신할 수 있다. 통신부(110)는 전압, 전류 및 온도의 측정값 및 측정 시간, 그리고 일기 및 일기 예보 등의 기상 정보를 제어부(130)로 전달한다. 또한, 통신부(110)는 제어부(130)로부터 데이터를 전달 받으면, 전달 받은 데이터를 패킷으로 구성하여 전송한다. 예컨대, 통신부(110)는 에너지저장장치(300)로 제어 명령을 전송할 수 있다. 이러한 제어 명령은 에너지저장장치(300)로 하여금 공조, 공조, 충전, 방전, 밸런싱(cell balancing), 경보, 비상정지 등을 실행하도록 하기 위한 것이다. 특히, 제어 명령은 여분의 전력 혹은 부족분의 전력을 방전 혹은 충전하도록 하는 것일 수 있다.

저장부(120)는 에너지관리서버(100)의 동작에 필요한 프로그램 및 데이터를 저장하는 역할을 수행한다. 특히, 저장부(120)는 에너지관리서버(100)의 운영에 따라 발생하는 데이터, 즉, 예컨대, 측정된 일기 및 예보된 일기, 전력, 전압, 온도의 측정값 및 측정시간, 시간벡터, 일기벡터, 전력소비벡터, 전력생산벡터, 온도벡터, 그리고, 예측된 전압, 전류 및 온도 등을 저장할 수 있다. 저장부(120)에 저장되는 각 종 데이터는 사용자의 조작에 따라, 삭제, 변경, 추가될 수 있다.

제어부(130)는 에너지관리서버(100)의 전반적인 동작 및 에너지관리서버(100)의 내부 블록들 간 신호 흐름을 제어하고, 데이터를 처리하는 데이터 처리 기능을 수행할 수 있다. 또한, 제어부(130)는 기본적으로, 에너지관리서버(100)의 각 종 기능을 제어하는 역할을 수행한다. 제어부(130)는 중앙처리장치(CPU: Central Processing Unit), 디지털신호처리기(DSP: Digital Signal Processor) 등을 예시할 수 있다.

그러면, 이러한 에너지관리서버(100)의 제어부(130)의 세부적인 구성에 대해 보다 상세하게 설명하기로 한다. 도 7은 본 발명의 실시예에 따른 에너지관리서버 제어부의 세부적인 구성을 설명하기 위한 블록도이다. 도 8은 본 발명의 실시예에 따른 마이크로그리드 및 센서장치에 할당되는 리포트 프레임 및 서브 리포트 프레임을 설명하기 위한 도면이다. 도 9는 본 발명의 실시예에 따른 센서 데이터의 무결성을 검증하기 위한 검증모델을 설명하기 위한 도면이다. 도 10은 본 발명의 실시예에 따른 센서 데이터의 무결성을 검증하기 위한 검증모델의 완전연결층 및 출력층을 설명하기 위한 도면이다. 도 11은 본 발명의 실시예에 따른 로컬 부하의 수요 예측을 위한 예측모델을 설명하기 위한 도면이다. 도 12는 본 발명의 실시예에 따른 로컬 부하의 수요 예측을 위한 예측모델의 상태전달망을 설명하기 위한 도면이다. 도 13은 본 발명의 실시예에 따른 로컬 부하의 수요 예측을 위한 예측모델의 상태전달망의 연산을 설명하기 위한 도면이다. 그리고 도 14는 본 발명의 실시예에 따른 로컬 부하의 수요 예측을 위한 예측모델의 예측망을 설명하기 위한 도면이다.

먼저, 도 7을 참조하면, 제어부(130)는 등록부(131), 검증부(132), 예측부(133), 학습부(134) 및 관리부(135)를 포함한다.

등록부(131)는 복수의 마이크로그리드 각각에 대해 리포트 프레임(P)을 할당하고, 복수의 마이크로그리드(MG) 각각에 속한 복수의 센서장치(10) 각각에 대해 서브 리포트 프레임(S)을 할당하기 위한 것이다. 보다 구체적으로 설명하면, 등록부(131)는 먼저, 복수의 마이크로그리드(MG: MG1, MG2, ..., MGn) 각각에 대해 소정 주기로 반복되는 리포트 프레임(P1, P2, ..., Pn)을 할당한다. 이러한 상태에서, 등록부(131)는 통신부(110)를 통해 복수의 마이크로그리드(MG: MG1, MG2, ..., MGn) 중 어느 하나에 속한 어느 하나의 센서장치(10)로부터 등록을 요청하는 등록요청메시지를 수신할 수 있다. 그러면, 등록부(131)는 도 8에 도시된 바와 같이, 센서장치(10)에 대해 복수의 마이크로그리드(MG: MG1, MG2, ..., MGn) 중 해당 마이크로그리드(MG)에 할당된 리포트 프레임(예컨대, P3) 내에서 어느 하나의 서브 리포트 프레임(S1, S2, S3, S4, S5 중 하나)을 할당한다. 그런 다음, 등록부(131)는 통신부(110)를 통해 할당된 서브 리포트 프레임을 나타내는 지시자와 함께 등록응답 메시지를 해당하는 센서장치(10)로 전송할 수 있다.

검증부(132)는 센서장치(10)의 센서 데이터의 무결성에 대한 검사를 수행하기 위한 것이다. 보다 구체적으로 설명하면, 검증부(132)는 통신부(110)를 통해 센서장치(10)로부터 센서 데이터를 포함하는 리포트 메시지를 수신하면, 리포트 메시지를 수신한 리포트 프레임(P) 및 서브 리포트 프레임(S)과, 센서장치(10)가 속한 마이크로그리드(MG)에 할당된 리포트 프레임(P) 및 센서장치(10)에 할당된 서브 리포트 프레임(S)이 동일한지 여부를 확인한다. 이러한 확인에 따라 리포트 메시지를 수신한 리포트 프레임(P) 및 서브 리포트 프레임(S)과, 센서장치(10)가 속한 마이크로그리드(MG)에 할당된 리포트 프레임(P) 및 센서장치(10)에 할당된 서브 리포트 프레임(S)이 동일하면, 검증부(132)는 센서장치(10)의 센서 데이터와 동일한 리포트 프레임으로 수신된 다른 센서장치의 센서 데이터를 비교하여 수신된 센서 데이터의 무결성을 검증한다. 이때, 검증부(132)는 검증모델(VM)을 통해 센서 데이터의 무결성을 검증한다. 이러한 검증모델(VM)은 딥러닝에 의해 학습이 이루어지는 심층신경망(DNN: Deep Neural Network) 모델이다. 심층신경망(DNN: Deep Neural Network) 모델은 대표적으로 CNN(Convolutional Neural Network)을 예시할 수 있다.

우선, 검증부(132)는 검증 대상 센서장치(10)의 센서 데이터와, 검증 대상 센서장치(10)의 센서 데이터와 동일한 리포트 프레임으로 수신된 다른 센서장치(10)의 센서 데이터 각각으로부터 소정의 특징을 검출하여 센서데이터벡터를 생성한다. 여기서, 센서데이터벡터는 센서장치(10)가 속한 마이크로그리드에 할당된 리포트 프레임을 나타내는 프레임벡터, 센서장치(10)에 할당된 서브 리포트 프레임을 나타내는 서브프레임벡터, 센서장치(10)가 전력, 전류 및 온도를 측정한 시간을 나타내는 시간벡터 및 센서장치(10)가 전력, 전류 및 온도를 측정한 측정값을 나타내는 측정벡터를 포함한다.

일례로, 도 2 및 도 8을 참조하면, 제3 마이크로그리드(MG3)는 제1 내지 제5 센서장치(10a, 10b, 10c, 10d, 10e)를 포함하며, 검증 대상은 제4 센서장치(10d)라고 가정한다. 또한, 제3 마이크로그리드(MG3)에 제3 리포트프레임(P3)이 할당되었다고 가정한다. 또한, 검증 대상인 제4 센서장치(10d)는 제3 서브 리포트 프레임(S3)이 할당되었다고 가정한다. 검증부(132)는 검증 대상인 제4 센서장치(10d)의 센서 데이터와, 검증 대상인 제4 센서장치(10d)의 센서 데이터와 동일한 리포트 프레임인 제3 리포트프레임(P3)으로 수신된 제1, 제2, 제3 및 제5 센서장치(10a, 10b, 10c, 10e)의 센서 데이터 각각으로부터 소정의 특징을 검출하여 센서데이터벡터를 생성한다. 결국, 검증부(132)는 제3 리포트프레임(P3)을 통해 수신된 제1 내지 제5 센서장치(10a, 10b, 10c, 10d, 10e)의 센서 데이터 각각으로부터 센서데이터벡터, 즉, 제1 내지 제5 센서데이터벡터(SV1, SV2, SV3, SV4, SV5)를 도출한다. 그런 다음, 제1 내지 제5 센서데이터벡터를 연결하여 입력벡터(IV)를 생성한다.

동일한 마이크로그리드 내의 복수의 센서장치(10a, 10b, 10c, 10d, 10e)가 동일한 리포트 프레임 내에서 전송한 센서 데이터의 측정 시간 및 측정값은 상호간에 연결된 태양광발전기(200), 에너지저장장치(300) 및 로컬 부하(400)로부터 측정된 것이기 때문에 매우 높은 상관도를 가진다. 따라서 본 발명에 따르면, 학습부(134)는 센서 데이터 간의 상관도를 검증모델(VM)에 학습시키고, 검증부(132)는 학습된 검증모델(VM)을 통해 해당 센서 데이터의 무결성을 검증한다.

도 9 및 도 10을 참조하면, 검증모델(VM)은 순차로 입력층(verification input layer: VIL), 컨벌루션층(verification convolution layer: VCL), 풀링층(verification pooling layer: VPL), 완전연결층(verification fully-connected layer: VFL) 및 출력층(verification output layer: VOL)을 포함한다. 여기서, 컨볼루션층(VCL), 풀링층(VPL) 및 완전연결층(VFL) 각각은 2 이상이 될 수도 있다. 컨볼루션층(VCL) 및 풀링층(VPL)은 적어도 하나의 특징맵(FM: Feature Map)으로 구성된다. 특징맵(FM)은 이전 계층의 연산 결과에 대해 가중치 및 임계치를 적용한 값을 입력받고, 입력받은 값에 대한 연산을 수행한 결과로 도출된다. 이러한 가중치는 소정 크기의 가중치 행렬인 필터 혹은 커널(W)을 통해 적용된다. 본 발명의 실시예에서 컨볼루션층(VCL)의 컨벌루션 연산은 제1 필터(W1)가 사용되며, 풀링층(VPL)의 풀링 연산은 제2 필터(W2)가 사용된다.

입력층(VIL)에 입력벡터(IV=[SV1, SV2, SV3, SV4, SV5])가 입력되면, 컨볼루션층(VCL)은 입력층(VIL)의 입력벡터(IV)에 대해 제1 필터(W1)를 이용한 컨벌루션(convolution) 연산 및 활성화함수에 의한 연산을 수행하여 적어도 하나의 제1 특징맵(FM1)을 도출한다. 이어서, 풀링층(VPL)은 컨볼루션층(VCL)의 적어도 하나의 제1 특징맵(FM1)에 대해 제2 필터(W2)를 이용한 풀링(pooling 또는 sub-sampling) 연산을 수행하여 적어도 하나의 제2 특징맵(FM2)을 도출한다.

완결연결층(VFL)은 복수의 연산노드(E1 내지 En)로 이루어진다. 완결연결층(VFL)의 복수의 연산노드(E1 내지 En)는 풀링층(VPL)의 적어도 하나의 제2 특징맵(FM2)에 대해 활성화함수에 의한 연산을 통해 복수의 연산노드값 E[e1, e2, e3, ..., en]을 산출한다. 이러한 복수의 연산노드값 E[e1, e2, e3, ..., en]를 은닉벡터라고 칭한다.

출력층(VOL)은 2개의 출력노드(O1, O2)를 포함한다. 도 10을 참조하면, 완전연결층(VFL)의 복수의 연산노드(E1 내지 En) 각각은 가중치(W: weight)를 가지는 채널(점선으로 표시)로 출력층(OL)의 출력노드(O1, O2)와 연결된다. 다른 말로, 복수의 연산노드(E1 내지 En)의 복수의 연산노드값(e1, e2, e3, ..., en)은 가중치가 적용되어 출력노드(O1, O2)에 각각 입력된다. 이에 따라, 출력층(VOL)의 출력노드(O1, O2)는 가중치가 적용된 복수의 연산노드값(e1, e2, e3, ..., en)에 대해 활성화함수에 의한 연산을 통해 입력층(VIL)으로 입력된 입력벡터에 대응하는 검증 대상인 센서 데이터가 무결성검증에 성공할 확률 및 실패할 확률을 산출한다.

출력층(VOL)의 2개의 출력노드(O1, O2) 각각은 무결성 검증 결과, 성공(success) 및 실패(failure)에 대응한다. 즉, 제1 출력노드(O1)는 성공(success)에 대응하며, 제2 출력노드(O2)는 실패(failure)에 대응한다. 이에 따라, 제1 출력노드(O1)의 출력값은 입력층(VIL)으로 입력된 입력벡터의 검증 대상 센서 데이터가 무결성 검증에 대해 성공할 확률이고, 제2 출력노드(O2)의 출력값은 입력층(VIL)으로 입력된 입력벡터의 검증 대상 센서 데이터가 무결성 검증에 대해 실패할 확률을 나타낸다. 예컨대, 출력노드(O1, O1) 각각은 복수의 연산노드값(e1, e2, e3, ..., en) 각각에 가중치 w=[w1, w2, … , wn]를 적용한 후, 그 결과에 활성화함수 F를 취하여 출력값을 산출한다. 예컨대, 제1 및 제2 출력노드(O1, O2) 각각의 출력값이 각각 0.086, 0.914이면, 검증 대상 센서 데이터가 무결성 검증에 성공할 확률이 9%이고, 검증 대상 센서 데이터가 무결성 검증에 실패할 확률이 91%임을 나타낸다. 출력층(VOL)의 제1 및 제2 출력노드(O1, O2)의 출력값은 검증모델(VM)의 출력값이 된다. 검증모델(VM)이 확률(0.086, 0.914)을 출력하면, 검증부(132)는 이러한 확률(0.086, 0.914)에 따라 검증 대상 센서 데이터가 무결성 검증에 실패한 것으로 판단할 수 있다.

전술한 컨벌루션층(CL), 완결연결층(FL) 및 출력층(OL)에서 사용되는 활성화함수는 시그모이드(Sigmoid), 하이퍼볼릭탄젠트(tanh: Hyperbolic tangent), ELU(Exponential Linear Unit), ReLU(Rectified Linear Unit), Leakly ReLU, Maxout, Minout, Softmax 등을 예시할 수 있다. 컨벌루션층(CL), 완결연결층(FL) 및 출력층(OL)에 이러한 활성화함수 중 어느 하나를 선택하여 적용할 수 있다.

다시, 도 7을 참조하면, 예측부(133)는 현 시점으로부터 기 설정된 시간 후의 마이크로그리드(MG)의 태양광발전기(200)의 발전량, 에너지저장장치(300)의 저장량 및 로컬 부하(400)의 수요량을 예측하기 위한 것이다. 이를 위하여, 예측부(133)는 예측모델(FCM: Forecast Model)을 이용한다. 이러한 예측모델(FCM)을 이용한 예측부(133)의 예측 방법에 대해 보다 구체적으로 설명하면 다음과 같다.

예측부(133)는 검증부(132)의 센서 데이터에 대한 무결성 검증에 성공하면, 검증부(132)로부터 센서 데이터를 입력받는다. 즉, 예측부(133)는 로라 통신을 통해 복수의 센서장치로부터 에너지저장장치(300), 태양광발전기(200) 및 로컬 부하(400)에 대한 전력, 전류 및 온도를 측정한 측정값 및 측정시간을 포함하는 센서 데이터를 수신할 수 있다. 또한, 예측부(133)는 기상정보서버(500)로부터 통신부(110)를 통해 센서 데이터의 측정시간의 일기에 대한 일기 정보 및 현재 시점으로부터 기 설정된 시간 후인 예측하고자 하는 시간의 일기를 예측한 일기 예측 정보를 수신한다.

그런 다음, 예측부(133)는 센서 데이터 및 일기 정보로부터 전력생산벡터, 전력저장벡터, 전력소비벡터, 시간벡터 및 일기벡터를 포함하는 상태벡터를 생성하고, 일기 예측 정보로부터 예측일기벡터를 생성한다. 전력생산벡터는 태양광발전기(200)의 측정된 전력, 전류 및 온도를 나타내고, 전력저장벡터는 에너지저장장치(300)의 측정된 전력, 전류 및 온도를 나타내며, 전력소비벡터는 로컬 부하(400)의 측정된 전력, 전류 및 온도를 나타낸다. 시간벡터는 센서장치(10)가 전력, 전류 및 온도를 측정한 측정시간을 나타낸다. 일기벡터를 센서장치(10)가 전력, 전류 및 온도를 측정한 측정시간에 관측된 일기를 나타낸다. 그리고 예측일기벡터는 현재 시점으로부터 기 설정된 시간 후인 예측하고자 하는 시간의 예측된 일기를 나타낸다.

한편, 도 11을 참조하면, 예측모델(FCM)은 2개의 서브 네트워크(STN, EN)를 포함하며, 이는 상태전달망(STN) 및 예측망(FCN)을 포함한다.

상태전달망(STN)은 상태벡터를 입력받고, 상태벡터로부터 시간의 흐름 및 일기의 변화에 따른 해당 마이크로그리드의 태양광발전기(200)의 발전량, 에너지저장장치(300)의 저장량 및 로컬 부하의 수요량(400)에 대한 상관 특징을 나타내는 상태특징벡터를 도출한다.

예측망(FCN)은 예측일기벡터 및 상태특징벡터를 입력받고, 기 설정된 시간 후의 마이크로그리드의 태양광발전기의 발전량, 에너지저장장치의 저장량 및 상기 로컬 부하의 수요량을 예측한 예측결과벡터를 산출한다.

상태전달망(STN)은 RNN(Recurrent Neural Network), LTSM(Long Short-Term Memory) 등의 순환 신경망이 될 수 있다. 상태전달망(STN)은 입력층(RIL: Recurrent Input Layer), 은닉층(RHL: Recurrent Hidden Layer) 및 출력층(ROL: Recurrent Outpu Layer)을 포함한다. 이러한 상태전달망(STN)의 입력층(RIL), 은닉층(RHL) 및 출력층(ROL)은 복수의 스테이지(St)로 구분될 수 있다. 도 12에 도시된 바와 같이, 본 발명의 실시예에서 상태전달망(STN)은 4개의 스테이지(S1 내지 S4)로 이루어진 것을 가정한다.

입력층(IL)은 스테이지(stage)의 수(예컨대, 4)에 해당하는 복수의 입력셀(IC1, IC2, IC3, IC4)을 포함한다. 복수의 입력셀(IC1, IC2, IC3, IC4) 각각은 스테이지 별로 예측부(133)에 의해 시간 순서에 따라 생성된 복수의 상태벡터(X1, X2, X3, X4)를 입력 받는다.

은닉층(HL)은 스테이지(stage)의 수에 해당하는 복수의 은닉셀(HC1, HC2, HC3, HC4)을 포함한다. 복수의 은닉셀(HC1, HC2, HC3, HC4) 각각은 이전 스테이지의 가중치가 적용되는 상태값과 현 스테이지의 가중치가 적용되는 입력값에 대해 연산을 수행하여 현 스테이지에 대응하는 상태값을 산출한다.

출력층(ROL)은 스테이지(stage)의 수에 해당하는 복수의 출력셀(OC1, OC2, OC3, OC4)을 포함할 수 있지만, 마지막 스테이지(S4)의 하나의 출력셀(OC4)만을 포함할 수도 있다. 출력층(ROL)은 은닉층(RHL)으로부터 가중치가 적용되는 상태값을 입력받고, 연산을 수행하여 출력값, 즉, 상태특징벡터를 산출한다.

도 13을 참조하여 보다 상세하게 설명하면, t번째 스테이지(St)의 은닉셀(HCt)은 t번째 스테이지(St)의 입력셀(ICt)로부터 입력 가중치 Wx가 적용된 입력값 Xt을 입력받고, 이전 스테이지, 즉, t-1 번째 스테이지(St-1)의 은닉셀(HCt-1)로부터 상태가중치 Wht-1이 적용된 이전 스테이지의 상태값 Ht-1을 입력받고, 임계치 b를 적용하여 입력 가중치 Wx가 적용된 입력값 Xt과, 상태가중치 Wht-1이 적용된 이전 스테이지의 상태값 Ht-1에 대해 연산을 수행하여 현 스테이지의 상태값 Ht를 산출한다. 현 스테이지의 은닉셀(HCt)은 상태가중치 Wht를 적용하여 현 스테이지의 상태값 Ht를 다음 스테이지(St+1)로 전달할 수 있다. 또한, 현 스테이지의 은닉셀(HCt)은 출력가중치 Wyt를 적용하여 현 스테이지의 상태값 Ht를 현 스테이지의 출력셀(OCt)로 전달할 수 있다. 그러면, 현 스테이지의 출력셀(OCt)은 출력가중치 Wyt가 적용된 현 스테이지의 상태값 Ht에 대해 연산을 수행하여 현 스테이지의 출력값 Yt를 산출한다.

상태전달망(STN)에서 연산은 활성화함수(Activation Function)를 적용한 연산을 의미한다. 활성화함수는 시그모이드(Sigmoid), 하이퍼볼릭탄젠트(tanh: Hyperbolic tangent), ELU(Exponential Linear Unit), ReLU(Rectified Linear Unit), Leakly ReLU, Maxout, Minout, Softmax 등을 예시할 수 있다.

도 14를 참조하면, 예측망(FCN)은 순차로 입력층(forecast input layer: FIL), 컨벌루션층(forecast convolution layer: FCL), 풀링층(forecast pooling layer: FPL), 완전연결층(forecast fully-connected layer: FFL) 및 출력층(forecast output layer: FOL)을 포함한다. 여기서, 컨볼루션층(FCL), 풀링층(FPL) 및 완전연결층(FFL) 각각은 2 이상이 될 수도 있다. 컨볼루션층(FCL) 및 풀링층(FPL)은 적어도 하나의 특징맵(FM: Feature Map)으로 구성된다. 특징맵(FM)은 이전 계층의 연산 결과에 대해 가중치 및 임계치를 적용한 값을 입력받고, 입력받은 값에 대한 연산을 수행한 결과로 도출된다. 이러한 가중치는 소정 크기의 가중치 행렬인 필터 혹은 커널(W)을 통해 적용된다. 본 발명의 실시예에서 컨볼루션층(FCL)의 컨벌루션 연산은 제1 필터(W1)가 사용되며, 풀링층(FPL)의 풀링 연산은 제2 필터(W2)가 사용된다.

입력층(FIL)에 예측일기벡터 및 상태특징벡터를 포함하는 상태입력벡터(SIV)가 입력되면, 컨볼루션층(FCL)은 입력층(FIL)의 상태입력벡터(SIV)에 대해 제1 필터(W1)를 이용한 컨벌루션(convolution) 연산 및 활성화함수에 의한 연산을 수행하여 적어도 하나의 제1 특징맵(FM1)을 도출한다. 이어서, 풀링층(FPL)은 컨볼루션층(FCL)의 적어도 하나의 제1 특징맵(FM1)에 대해 제2 필터(W2)를 이용한 풀링(pooling 또는 sub-sampling) 연산을 수행하여 적어도 하나의 제2 특징맵(FM2)을 도출한다.

완결연결층(FFL)은 복수의 연산노드(D1 내지 Dn)로 이루어진다. 완결연결층(FFL)의 복수의 연산노드(D1 내지 Dn)는 풀링층(FPL)의 적어도 하나의 제2 특징맵(FM2)에 대해 활성화함수에 의한 연산을 통해 복수의 연산값을 산출한다.

출력층(FOL)은 3개의 출력노드(O1, O2, O3)를 포함한다. 완전연결층(FFL)의 복수의 연산노드(D1 내지 Dn) 각각은 가중치(W: weight)를 가지는 채널(점선으로 표시)로 출력층(OL)의 출력노드(O1, O2, O3)와 연결된다. 다른 말로, 복수의 연산노드(D1 내지 Dn)의 복수의 연산노드값(d1, d2, d3, ..., dn)은 가중치가 적용되어 출력노드(O1, O2, O3)에 각각 입력된다. 이에 따라, 출력층(FOL)의 출력노드(O1, O2, O3)는 가중치가 적용된 복수의 연산노드값(d1, d2, d3, ..., dn)에 대해 활성화함수에 의한 연산을 통해 입력층(FIL)으로 입력된 상태입력벡터에 대응하여 기 설정된 시간 후의 해당 마이크로그리드(MG)의 태양광발전기(200)의 발전량, 에너지저장장치(300)의 저장량 및 로컬 부하(400)의 수요량을 예측하는 출력값을 산출한다. 출력층(FOL)의 3개의 출력노드(O1, O2, O3) 각각은 기 설정된 시간 후의 해당 마이크로그리드(MG)의 태양광발전기(200)의 발전량, 에너지저장장치(300)의 저장량 및 로컬 부하(400)의 수요량에 대응한다. 즉, 제1 출력노드(O1)의 출력값은 예측된 태양광발전기(200)의 발전량이고, 제2 출력노드(O2)의 출력값은 예측된 에너지저장장치(300)의 저장량이며, 제3 출력노드(O3)의 출력값은 예측된 로컬 부하(400)의 수요량이다.

예컨대, 출력노드(O1, O2, O3) 각각은 복수의 연산노드값(e1, e2, e3, ..., en) 각각에 가중치 w=[w1, w2, … , wn]를 적용한 후, 그 결과에 활성화함수 F를 취하여 출력값을 산출한다. 전술한 컨벌루션층(CL), 완결연결층(FL) 및 출력층(OL)에서 사용되는 활성화함수는 시그모이드(Sigmoid), 하이퍼볼릭탄젠트(tanh: Hyperbolic tangent), ELU(Exponential Linear Unit), ReLU(Rectified Linear Unit), Leakly ReLU, Maxout, Minout, Softmax 등을 예시할 수 있다. 컨벌루션층(CL), 완결연결층(FL) 및 출력층(OL)에 이러한 활성화함수 중 어느 하나를 선택하여 적용할 수 있다.

다시, 도 7을 참조하면, 관리부(135)는 예측부(133)가 예측모델(FCM)을 통해 예측한 해당 마이크로그리드(MG)의 태양광발전기(200)의 발전량, 에너지저장장치(300)의 저장량 및 로컬 부하(400)의 수요량에 따라 복수의 마이크로그리드 각각의 기 설정된 시간 후의 전력량의 여분 또는 부족분을 도출한다. 이에 따라, 관리부(135)는 해당하는 에너지저장장치(300)로 도출된 전력량의 여분 또는 부족분에 따라 전력량의 여분을 공급하고, 전력량의 부족분을 수급하도록 제어하는 제어 메시지를 전송한다.

다음으로, 본 발명의 실시예에 따른 검증모델(VM)을 학습시키는 방법에 대해서 설명하기로 한다. 도 15는 본 발명의 실시예에 따른 검증모델(VM)을 학습시키는 방법을 설명하기 위한 흐름도이다. 도 16은 본 발명의 실시예에 따른 검증모델(VM)을 학습시키는 방법을 설명하기 위한 벡터공간의 예이다.

도 15를 참조하면, 학습부(134)는 S110 단계에서 학습 데이터, 예컨대, 제1 내지 제5 센서데이터벡터(SV1, SV2, SV3, SV4, SV5)를 연결한 학습용 입력벡터(IV=[SV1, SV2, SV3, SV4, SV5])를 마련한다. 학습용 입력벡터는 제1 내지 제5 센서데이터벡터(SV1, SV2, SV3, SV4, SV5)의 기초가 되는 센서 데이터 모두가 동일한 마이크로그리드 내의 복수의 센서장치(10a, 10b, 10c, 10d, 10e)가 동일한 리포트 프레임 내에서 전송한 센서 데이터인지 여부가 알려진 데이터이다.

이와 같은, 학습용 입력벡터(IV)가 마련되면, 학습부(134)는 다음의 수학식 1과 같은 손실함수를 이용하여 학습을 수행한다.

수학식 1에서 Eintergrity는 무결성을 판별하기 위한 손실함수를 나타낸다. oi는 검증모델(VM)의 출력층(VOL)의 출력값이고, zi는 검증모델(VM)의 출력층(VOL)의 출력값에 대응하는 분류 레이블이다. eij는 검증모델(VM)의 완전연결층(VFL)의 연산노드값이고, hij는 완전연결층(VFL)의 연산값에 대응하는 은닉 레이블이다. i는 출력층의 출력노드(O1, O2)에 대응하는 인덱스이고(1, 2), j는 완전연결층(VFL)의 연산노드(E1~En)에 대응하는 인덱스이다(1~n). 그리고

는 하이퍼파라미터를 나타낸다.

학습부(134)는 S120 단계에서 분류 손실 최적화를 위한 설정을 수행한다. 이때, 학습부(134)는 하이퍼파라미터 및 분류 레이블을 설정한다. 이러한 S320 단계에서 학습부(134)는 하이퍼파라미터

는 0으로 설정한다. 이에 따라, 분류 손실을 최적화하는 학습에서 수학식 1의 손실함수는 다음의 수학식 2와 같다.

또한, S120 단계에서 학습부(134)는 분류 레이블을 설정한다. 센서 데이터 모두가 동일한 마이크로그리드 내의 복수의 센서장치(10a, 10b, 10c, 10d, 10e)가 동일한 리포트 프레임 내에서 전송한 센서 데이터인 경우, 제1 출력노드(O1) 성공(success) 및 제2 출력노드(O2) 실패(failure)에 대응하여 분류 레이블 [1, 0]을 부여한다. 반면, 센서 데이터 모두가 동일한 마이크로그리드 내의 복수의 센서장치(10a, 10b, 10c, 10d, 10e)가 동일한 리포트 프레임 내에서 전송한 센서 데이터가 아닌 경우, 제1 출력노드(O1) 성공(success) 및 제2 출력노드(O2) 실패(failure)에 대응하여 분류 레이블 [0, 1]을 부여한다.

전술한 바와 같이 하이퍼파라미터 및 분류 레이블이 설정되면, 학습부(134)는 S130 단계에서 분류 손실을 최적화하는 학습을 수행한다. 이때, 학습부(134)는 검증모델(VM)에 학습용 입력벡터를 입력한다. 그러면, 검증모델(VM)은 학습용 입력벡터에 대해 복수의 계층 간 가중치가 적용되는 복수의 연산을 통해 출력값을 산출한다. 그러면, 학습부(134)는 하이퍼파라미터가 0으로 설정된 수학식 2와 같은 손실함수를 이용하여 앞서 설정된 분류 레이블과 출력층(VOL)의 출력값의 차이를 나타내는 수학식 2의 손실함수의 분류 손실이 최소가 되도록 검증모델(VM)의 파라미터를 수정하는 분류 손실 최적화를 수행한다.

이러한 분류 손실 최적화는 복수의 서로 다른 학습용 입력벡터를 이용하여 반복하여 수행되며, 이러한 반복은 평가 지표를 통해 원하는 정확도에 도달할 때까지 이루어질 수 있다.

전술한 바와 같은 분류 손실 최적화에 따른 학습이 완료되면, 학습부(134)는 S140 단계에서 검증모델(VM)의 분류 대상 클래스 별로 은닉벡터 중 대표벡터를 선택한다. 대표벡터를 선택하는 방법은 다음과 같다.

앞서(S130) 사용된 학습용 입력벡터를 분류 손실 최적화가 이루어진 검증모델(VM)에 다시 입력하여 검증모델(VM)의 완전연결층(VFL)의 연산노드값인 은닉벡터를 도출한다. 즉, 은닉벡터는 E[e1, e2, e3, …, en]이다. 학습부(134)는 복수의 은닉벡터를 소정의 벡터공간에 임베딩한다. 도 16 (A)에 소정의 벡터공간에 복수의 은닉벡터가 임베딩된 예를 도시하였다. 기본적으로, 분류 손실 최적화에 의해 벡터공간 상에서 분류선(DLINE)에 의해 복수의 은닉벡터 각 클래스별로 어느 정도의 구분이 이루어진다. 여기서, 분류 대상인 클래스는 무결성검증 결과가 성공(success)인 클래스1(CLASS1) 및 무결성검증결과가 실패(failure)인 클래스2(CLASS2)를 포함한다.

즉, 도 13의 (A)에서 클래스1(CLASS1)은 무결성검증 결과가 성공(success)인 것을 나타내며, 클래스2(CLASS2)는 무결성검증결과가 실패(failure)인 것을 나타낸다. 학습부(134)는 이러한 벡터 공간에 임베딩된 복수의 은닉벡터 중 각 클래스 별로 대표벡터를 선정할 수 있다. 대표벡터는 13의 (A)에 도시된 바와 같이, 동일한 클래스 내의 은닉벡터 중 중간값을 선정하는 것이 바람직하다.

다음으로, 학습부(134)는 S150 단계에서 복합 손실 최적화를 위한 설정을 수행한다. 이때, 학습부(134)는 하이퍼파라미터, 분류 레이블 및 은닉 레이블을 설정한다. 이러한 S150 단계에서 학습부(134)는 하이퍼파라미터

는 0.5로 설정한다. 이에 따라, 분류 손실을 최적화하는 학습에서 수학식 1의 손실함수는 다음의 수학식 3과 같다.

또한, S350 단계에서 학습부(134)는 분류 레이블 및 은닉 레이블을 설정한다. 분류 레이블의 설정은, S120 단계와 동일하게 센서 데이터 모두가 동일한 마이크로그리드 내의 복수의 센서장치(10a, 10b, 10c, 10d, 10e)가 동일한 리포트 프레임 내에서 전송한 센서 데이터인 경우, 제1 출력노드(O1) 성공(success) 및 제2 출력노드(O2) 실패(failure)에 대응하여 분류 레이블 [1, 0]을 부여한다. 반면, 센서 데이터 모두가 동일한 마이크로그리드 내의 복수의 센서장치(10a, 10b, 10c, 10d, 10e)가 동일한 리포트 프레임 내에서 전송한 센서 데이터가 아닌 경우, 제1 출력노드(O1) 성공(success) 및 제2 출력노드(O2) 실패(failure)에 대응하여 분류 레이블 [0, 1]을 부여한다. 은닉 레이블의 설정은, 앞서(S140) 선정한 대표벡터를 이용한다. 이에 따라, 각 클래스별로 대표벡터가 은닉 레이블로 설정된다.

전술한 바와 같이 하이퍼파라미터, 분류 레이블 및 은닉 레이블이 설정되면, 전술한 바와 같이 파라미터가 설정되면, 학습부(134)는 S160 단계에서 복합 손실을 최적화하는 학습을 수행한다. 이때, 학습부(134)는 검증모델(VM)에 학습용 입력벡터를 입력한다.

그러면, 검증모델(VM)은 학습용 입력벡터에 대해 복수의 계층 간 가중치가 적용되는 복수의 연산을 통해 은닉벡터 및 출력값을 산출한다. 그러면, 학습부(134)는 하이퍼파라미터가 0.5로 설정된 수학식 3과 같은 손실함수를 이용하여 수학식 3의 손실함수의 복합 손실이 최소가 되도록 정규 모델의 파라미터를 수정하는 복합 손실 최적화를 수행한다. 이러한 복합 손실은 분류 레이블과 출력층의 출력값의 차이를 나타내는 분류 손실 및 은닉 벡터와 대표 벡터와의 차이를 나타내는 은닉 손실을 포함한다. 이러한 복합 손실 최적화는 복수의 서로 다른 학습용 초음파 영상을 이용하여 반복하여 수행되며, 이러한 반복은 평가 지표를 통해 원하는 정확도에 도달할 때까지 이루어질 수 있다.

이러한 복합 손실에 의한 학습이 완료되면, 벡터 공간 상의 복수의 은닉벡터는 도 13의 (B)와 같이 분류될 수 있다. 즉, 복수의 은닉벡터는 벡터 공간 상에서 대표 벡터를 향하여 이동된다. 이에 따라, 클래스 별 구분이 보다 명확해짐을 알 수 있다. 즉, 복합 손실에 의한 학습에 의해 검증모델(VM)의 분류 성능이 향상될 수 있다.

다음으로, 본 발명의 실시예에 따른 예측모델(FCM)을 학습시키는 방법에 대해서 설명하기로 한다. 도 17은 본 발명의 실시예에 따른 예측모델(FCM)을 학습시키는 방법을 설명하기 위한 흐름도이다.

도 17을 참조하면, 학습부(134)는 S210 단계에서 시간 순으로 정렬된 복수의 상태벡터 및 예측일기벡터를 학습 데이터로 마련한다. 여기서, 학습 데이터는 복수의 상태벡터 중 시간 상 첫 번째 순번의 상태벡터의 시간벡터가 나타내는 시간으로부터 기 설정된 시간 후의 태양광발전기(200)의 발전량, 에너지저장장치(300)의 저장량 및 로컬 부하(400)의 수요량이 알려진 데이터이다. 학습용 복수의 상태벡터는 시간 순서에 따라 정렬되며, 그 수는 상태전달망(STN)의 스테이지의 길이와 같다. 예컨대, 도 12와 같은 상태전달망(STN)의 경우, 학습용으로 시간 순서대로 정렬된 4개의 상태벡터가 마련된다. 마련된 각각의 상태벡터는 센서 데이터 및 일기 정보로부터 생성된 전력생산벡터, 전력저장벡터, 전력소비벡터, 시간벡터 및 일기벡터를 포함한다. 또한, 학습용으로 마련된 예측일기벡터는 복수의 상태벡터 중 첫 번째 순번의 상태벡터의 시간벡터가 나타내는 시간으로부터 기 설정된 시간 후의 일기로부터 생성된다. 여기서, 학습용으로 마련된 예측일기벡터의 경우, 학습 시점 보다 지난 시점의 일기를 그대로 사용함을 유의하여야 한다. 즉, 학습 시점이 T라면, 예측일기벡터의 시점은 T-t1이고, 첫 번째 순번의 상태벡터의 시점은 T-t1-t2(T, t1, t2는 모두 양수)이다.

다음으로, 학습부(134)는 S220 단계에서 학습 데이터에 대해 예측 레이블을 설정한다. 설정되는 예측 레이블은 학습 데이터의 복수의 상태벡터 중 첫 번째 순번의 상태벡터의 시간벡터가 나타내는 시간으로부터 기 설정된 시간 후의 태양광발전기(200)의 발전량, 에너지저장장치(300)의 저장량 및 로컬 부하(400)의 수요량이다.

다음으로, 학습부(134)는 S230 단계에서 학습 데이터, 즉, 시간 순서로 정렬된 복수의 상태벡터와 예측일기벡터를 예측모델(FCM)에 입력한다. 그러면, 예측모델(FCM)은 S240 단계에서 입력된 시간 순서로 정렬된 복수의 상태벡터와 예측일기벡터에 대해 예측모델(FCM)의 복수의 계층의 학습되지 않은 가중치가 적용되는 복수의 연산을 통해 태양광발전기(200)의 발전량, 에너지저장장치(300)의 저장량 및 로컬 부하(400)의 수요량의 예측값을 나타내는 출력값을 산출한다. 보다 구체적으로 설명하면, 예측모델(FCM)의 상태전달망(STN)은 학습 데이터 중 시간 순서로 정렬된 복수의 상태벡터에 대해 복수의 스테이지(예컨대, S1~S4)의 복수의 계층(RIL, RHL, ROL)의 학습되지 않은 가중치가 적용되는 복수의 연산을 통해 상태특징벡터를 산출하고, 예측모델(FCM)의 예측망(FCN)은 상태전달망(STN)이 산출한 상태특징벡터 및 학습용 예측일기벡터를 포함하는 상태입력벡터를 입력받고, 입력된 상태입력벡터에 대해 복수의 계층(FIL, FCL, FPL, FFL, FOL)의 학습되지 않은 가중치가 적용되는 복수의 연산을 통해 출력값을 산출한다. 여기서, 출력값은 학습 데이터의 복수의 상태벡터 중 첫 번째 순번의 상태벡터의 시간벡터가 나타내는 시간으로부터 기 설정된 시간 후의 태양광발전기(200)의 발전량, 에너지저장장치(300)의 저장량 및 로컬 부하(400)의 수요량의 예측값이다.

다음으로, 학습부(134)는 S250 단계에서 다음의 수학식 4와 같은 손실함수를 이용하여 앞서 설정된 예측 레이블과 출력층의 출력값의 차이인 예측 손실이 최소가 되도록 예측모델(FCM)의 가중치를 수정하는 예측 손실 최적화를 수행한다.

수학식 4에서 Eforecast는 수요 예측에 대한 손실함수를 나타낸다. R은 출력층(FOL)의 출력값이고, L은 출력층(FOL)의 출력값에 대응하는 예측 레이블이다. i는 출력층(FOL)의 출력노드에 대응하는 인덱스이다. 손실함수 Eforecast의 첫 번째 텀(term)은 L1-norm 손실이며, 두 번째 텀은 SSIM(Structural Similarity Index)을 나타낸다. 예측모델(FCM)의 입력 및 출력은 시간 순서를 가지며, 2차원의 위치 정보를 가지기 때문에 SSIM을 통해 순서 및 위치의 왜곡을 보정할 수 있다.

즉, 학습부(134)는 앞서 설정된 예측 레이블과 출력층의 출력값의 차이를 나타내는 수학식 4의 손실함수의 예측 손실이 최소가 되도록 예측모델(FCM)의 가중치를 수정하는 예측 손실 최적화를 수행한다.

전술한 S210 단계 내지 S250 단계의 예측 손실 최적화는 복수의 서로 다른 학습용의 복수의 상태벡터 및 예측일기벡터를 이용하여 반복하여 수행되며, 이러한 반복은 평가 지표를 통해 원하는 정확도에 도달할 때까지 이루어질 수 있다.

전술한 바와 같이 학습이 완료된 후, 본 발명의 실시예에 따른 로라 통신을 통해 수신되는 태양광 발전에 대한 센서 데이터를 인증하는 방법에 대해서 설명하기로 한다. 도 18은 본 발명의 실시예에 따른 로라 통신을 통해 수신되는 태양광 발전에 대한 센서 데이터를 관리하는 방법을 설명하기 위한 흐름도이다.

도 18을 참조하면, 에너지관리장치(100)의 등록부(131)는 S310 단계에서 복수의 마이크로그리드(MG: MG1, MG2, ..., MGn) 각각에 대해 소정 주기로 반복되는 리포트 프레임(P1, P2, ..., Pn)을 할당한 상태이다. 이러한 상태에서, 등록부(131)는 S320 단계에서 통신부(110)를 통해 복수의 마이크로그리드(MG: MG1, MG2, ..., MGn) 중 어느 하나에 속한 어느 하나의 센서장치(10)로부터 등록을 요청하는 등록요청메시지를 수신할 수 있다. 그러면, 등록부(131)는 도 8에 도시된 바와 같이, 센서장치(10)에 대해 복수의 마이크로그리드(MG: MG1, MG2, ..., MGn) 중 해당 마이크로그리드(MG)에 할당된 리포트 프레임(예컨대, P3) 내에서 어느 하나의 서브 리포트 프레임(S1, S2, S3, S4, S5 중 하나)을 할당한다. 그런 다음, 등록부(131)는 통신부(110)를 통해 할당된 서브 리포트 프레임을 나타내는 지시자와 함께 등록응답 메시지를 해당하는 센서장치(10)로 전송할 수 있다.

전술한 등록이 완료된 후, 센서장치(10)는 S350 단계에서 태양광발전기(200), 에너지저장장치(300) 및 로컬 부하(400)에 대한 전력, 전류 및 온도 등을 측정하여 센서 데이터를 생성하고, 로라 통신을 통해 센서 데이터를 전송할 수 있다.

그러면, 검증부(132)는 S360 단계에서 통신부(110)를 통해 센서장치(10)로부터 센서 데이터를 포함하는 리포트 메시지를 수신하면, S370 단계에서 센서 데이터의 무결성을 1차로 인증한다. 즉, 검증부(132)는 리포트 메시지를 수신한 리포트 프레임(P) 및 서브 리포트 프레임(S)과, 센서장치(10)가 속한 마이크로그리드(MG)에 할당된 리포트 프레임(P) 및 센서장치(10)에 할당된 서브 리포트 프레임(S)이 동일한지 여부를 확인한다. 이러한 확인에 따라 리포트 메시지를 수신한 리포트 프레임(P) 및 서브 리포트 프레임(S)과, 센서장치(10)가 속한 마이크로그리드(MG)에 할당된 리포트 프레임(P) 및 센서장치(10)에 할당된 서브 리포트 프레임(S)이 동일하면, 1차 인증을 완료한다.

1차 인증이 성공되면, 검증부(132)는 S380 단계에서 2차 인증을 수행한다. 2차 인증 시, 검증부(132)는 센서장치(10)의 센서 데이터와 동일한 리포트 프레임으로 수신된 다른 센서장치의 센서 데이터를 비교하여 수신된 센서 데이터의 무결성을 인증한다. 이때, 검증부(132)는 검증모델(VM)을 통해 센서 데이터의 무결성을 검증한다. 이러한 S380 단계에 대해 보다 상세하게 설명하면 다음과 같다.

우선, 검증부(132)는 검증 대상 센서장치(10)의 센서 데이터와, 검증 대상 센서장치(10)의 센서 데이터와 동일한 리포트 프레임으로 수신된 다른 센서장치(10)의 센서 데이터 각각으로부터 소정의 특징을 검출하여 복수의 센서데이터벡터를 생성한다. 여기서, 센서데이터벡터는 센서장치(10)가 속한 마이크로그리드에 할당된 리포트 프레임을 나타내는 프레임벡터, 센서장치(10)에 할당된 서브 리포트 프레임을 나타내는 서브프레임벡터, 센서장치(10)가 전력, 전류 및 온도를 측정한 시간을 나타내는 시간벡터 및 센서장치(10)가 전력, 전류 및 온도를 측정한 측정값을 나타내는 측정벡터를 포함한다. 일례로, 도 2 및 도 8을 참조하면, 제3 마이크로그리드(MG3)는 제1 내지 제5 센서장치(10a, 10b, 10c, 10d, 10e)를 포함하며, 검증 대상은 제4 센서장치(10d)라고 가정한다. 또한, 제3 마이크로그리드(MG3)에 제3 리포트프레임(P3)이 할당되었다고 가정한다. 또한, 검증 대상인 제4 센서장치(10d)는 제3 서브 리포트 프레임(S3)이 할당되었다고 가정한다. 검증부(132)는 검증 대상인 제4 센서장치(10d)의 센서 데이터와, 검증 대상인 제4 센서장치(10d)의 센서 데이터와 동일한 리포트 프레임인 제3 리포트프레임(P3)으로 수신된 제1, 제2, 제3 및 제5 센서장치(10a, 10b, 10c, 10e)의 센서 데이터 각각으로부터 소정의 특징을 검출하여 센서데이터벡터를 생성한다. 결국, 검증부(132)는 제3 리포트프레임(P3)을 통해 수신된 제1 내지 제5 센서장치(10a, 10b, 10c, 10d, 10e)의 센서 데이터 각각으로부터 센서데이터벡터, 즉, 제1 내지 제5 센서데이터벡터(SV1, SV2, SV3, SV4, SV5)를 도출한다. 그런 다음, 제1 내지 제5 센서데이터벡터를 연결하여 입력벡터(IV)를 생성한다.

검증부(132)는 검증모델(VM)에 입력벡터(예컨대, IV=[SV1, SV2, SV3, SV4, SV5])를 입력한다. 그러면, 검증모델(VM)은 입력벡터에 대해 복수의 계층(VIL, VCL, VPL, VFL, VOL) 간 학습된 가중치가 적용되는 복수의 연산을 통해 출력값을 산출한다. 예컨대, 검증모델(VM) 출력층(VOL)의 제1 및 제2 출력노드(O1, O2)의 각각의 출력값이 각각 0.864, 0.136이면, 검증 대상 센서 데이터가 무결성 인증에 성공할 확률이 86%이고, 검증 대상 센서 데이터가 무결성 검증에 실패할 확률이 14%임을 나타낸다. 검증모델(VM)이 확률(0.086, 0.914)을 출력하면, 검증부(132)는 이러한 확률(0.086, 0.914)에 따라 인증 대상 센서 데이터가 무결성 검증에 성공한 것으로 판단할 수 있다.

만약, 2차 인증에 성공하면, 검증부(132)는 S390 단계에서 해당 데이터를 저장하고, 필요한 경우, 예측부(133)에 제공한다. 반면, 2차 인증에 실패하면, 검증부(132)는 인증 실패를 리턴한다.

한편, 본 발명은 인증된 센서 데이터를 통해 기 설정된 시간 후의 수요를 예측할 수 있다. 이러한 방법에 대해서 설명하기로 한다. 도 19는 로라 통신을 수행하는 센서장치를 이용한 태양광 발전에 대한 수요 예측을 위한 방법을 설명하기 위한 흐름도이다.

도 19를 참조하면, 에너지관리서버(100)의 예측부(133)는 S410 단계에서 검증부(132)로부터 복수의 마이크로그리드(MG) 별로 구분하여 무결성이 인증된 복수의 센서 데이터를 지속적으로 입력받는다. 다른 말로, 예측부(133)는 로라 통신을 통해 통신부(110)가 복수의 센서장치(10)로부터 수신한 복수의 센서 데이터를 지속적으로 입력받을 수 있다. 이러한 센서 데이터는 에너지저장장치(300), 태양광발전기(200) 및 로컬 부하(400)에 대한 전력, 전류 및 온도를 측정한 측정값 및 측정시간을 포함한다.

또한, 예측부(133)는 S420 단계에서 기상정보서버(500)로부터 통신부(110)를 통해 지속적으로 입력되는 복수의 센서 데이터 각각의 측정시간의 일기에 대한 일기 정보 및 지속적으로 입력되는 복수의 센서 데이터 각각의 측정시간으로부터 기 설정된 시간 후의 예측된 일기인 일기 예측 정보를 수신한다.

그런 다음, 예측부(133)는 S430 단계에서 복수의 센서 데이터 및 일기 정보로부터 시간 순으로 정렬된 복수의 상태벡터를 생성하고, 생성된 복수의 상태벡터 중 시간 상 첫 번째 순번의 상태벡터의 시간벡터가 나타내는 시간으로부터 기 설정된 시간 후의 예측된 일기인 일기 예측 정보로부터 예측일기벡터를 생성한다. 복수의 상태벡터 각각은 전력생산벡터, 전력저장벡터, 전력소비벡터, 시간벡터 및 일기벡터를 포함한다. 여기서, 전력생산벡터는 태양광발전기(200)의 측정된 전력, 전류 및 온도를 나타내고, 전력저장벡터는 에너지저장장치(300)의 측정된 전력, 전류 및 온도를 나타내며, 전력소비벡터는 로컬 부하(400)의 측정된 전력, 전류 및 온도를 나타낸다. 시간벡터는 센서장치(10)가 전력, 전류 및 온도를 측정한 측정시간을 나타낸다. 일기벡터를 센서장치(10)가 전력, 전류 및 온도를 측정한 측정시간에 관측된 일기를 나타낸다. 그리고 예측일기벡터는 생성된 복수의 상태벡터 중 시간 상 첫 번째 순번의 상태벡터의 시간벡터가 나타내는 시간으로부터 기 설정된 시간 후의 예측된 일기를 나타낸다.

다음으로, 예측부(133)는 S440 단계에서 시간 순으로 정렬된 복수의 상태벡터 및 예측일기벡터를 예측모델(FCM)에 입력한다. 그러면, 예측모델(FCM)은 S450 단계에서 입력된 시간 순으로 정렬된 복수의 상태벡터와 예측일기벡터에 대해 예측모델(FCM)의 복수의 서브넷(STN, FCN) 및 복수의 계층(RIL, RHL, ROL 및 FIL, FCL, FPL, FFL, FOL)의 학습된 가중치가 적용되는 복수의 연산을 통해 복수의 상태벡터 중 시간 상 첫 번째 순번의 상태벡터의 시간벡터가 나타내는 시간으로부터 기 설정된 시간 후의 태양광발전기(200)의 발전량, 에너지저장장치(300)의 저장량 및 로컬 부하(400)의 수요량의 예측값을 나타내는 출력값을 산출한다. S450 단계에 대해 보다 구체적으로 설명하면, 다음과 같다.

예측모델(FCM)의 상태전달망(STN)은 시간 순서로 정렬된 복수의 상태벡터에 대해 복수의 스테이지(예컨대, S1~S4)의 복수의 계층(RIL, RHL, ROL)의 학습된 가중치가 적용되는 복수의 연산을 통해 상태특징벡터를 산출한다. 상태특징벡터는 시간의 흐름 및 일기의 변화에 따른 해당 마이크로그리드의 태양광발전기(200)의 발전량, 에너지저장장치(300)의 저장량 및 로컬 부하의 수요량(400)에 대한 상관 특징을 나타낸다. 이어서, 예측모델(FCM)의 예측망(FCN)은 상태전달망(STN)이 산출한 상태특징벡터 및 예측일기벡터를 포함하는 상태입력벡터를 입력받고, 입력된 상태입력벡터에 대해 복수의 계층(FIL, FCL, FPL, FFL, FOL)의 학습된 가중치가 적용되는 복수의 연산을 통해 출력값을 산출한다. 여기서, 출력값은 복수의 상태벡터 중 시간 상 첫 번째 순번의 상태벡터의 시간벡터가 나타내는 시간으로부터 기 설정된 시간 후의 태양광발전기(200)의 발전량, 에너지저장장치(300)의 저장량 및 로컬 부하(400)의 수요량의 예측값을 나타낸다.

한편, 본 발명은 예측값을 기초로 수요 관리를 수행할 수 있다. 이러한 방법에 대해서 설명하기로 한다. 도 20은 로라 통신을 수행하는 센서장치를 이용한 태양광 발전에 대한 수요 관리를 위한 방법을 설명하기 위한 흐름도이다.

도 20을 참조하면, 복수의 마이크로그리드(MG) 별로 전술한 S410 단계 내지 S450 단계를 수행하면, 복수의 마이크로그리드(MG) 각각의 기 설정된 시간 후의 태양광발전기(200)의 발전량, 에너지저장장치(300)의 저장량 및 로컬 부하(400)의 수요량의 예측값을 얻을 수 있다. 그러면, 관리부(135)는 S510 단계에서 예측부(133)가 예측모델(FCM)을 통해 예측한 복수의 마이크로그리드(MG)의 태양광발전기(200)의 발전량, 에너지저장장치(300)의 저장량 및 로컬 부하(400)의 수요량에 따라 복수의 마이크로그리드(MG) 각각의 기 설정된 시간 후의 전력량의 여분 또는 부족분을 도출한다. 즉, 관리부(135)는 예측된 발전량 및 저장량에서 예측된 수요량을 차감하여 여분 혹은 부족분을 도출한다.

이에 따라, 관리부(135)는 S520 단계에서 통신부(110)를 통해 해당하는 마이크로그리드(MG)의 에너지저장장치(300)로 도출된 전력량의 여분 또는 부족분에 따라 전력량의 여분을 공급하고, 전력량의 부족분을 수급하도록 제어하는 제어 메시지를 전송한다. 이러한 관리부(135)의 제어 메시지에 따라 예측된 수요량 보다 예측된 발전량 및 저장량이 많아 여분이 있는 마이크로그리드(MG)의 에너지저장장치(300)가 예측된 수요량 보다 예측된 발전량 및 저장량이 작아 부족분이 있는 마이크로그리드(MG)의 에너지저장장치(300)로 전력을 제공한다. 특히, 관리부(135)의 제어 메시지에 따라 여분이 있는 마이크로그리드(MG)의 에너지저장장치(300)는 여분 내에서 부족분이 있는 마이크로그리드(MG)의 부족분이 단계적으로 보충되도록 공급되는 전력량을 분할하여 현 시점으로부터 예측된 시점까지 소정 주기로 해당 마이크로그리드(MG)의 에너지저장장치(300)에 제공한다.

한편, 전술한 본 발명의 실시예에 따른 방법은 다양한 컴퓨터수단을 통하여 판독 가능한 프로그램 형태로 구현되어 컴퓨터로 판독 가능한 기록매체에 기록될 수 있다. 여기서, 기록매체는 프로그램 명령, 데이터 파일, 데이터구조 등을 단독으로 또는 조합하여 포함할 수 있다. 기록매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 예컨대 기록매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광 기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media) 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치를 포함한다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 와이어뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 와이어를 포함할 수 있다. 이러한 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

이상 본 발명을 몇 가지 바람직한 실시예를 사용하여 설명하였으나, 이들 실시예는 예시적인 것이며 한정적인 것이 아니다. 이와 같이, 본 발명이 속하는 기술분야에서 통상의 지식을 지닌 자라면 본 발명의 사상과 첨부된 특허청구범위에 제시된 권리범위에서 벗어나지 않으면서 균등론에 따라 다양한 변화와 수정을 가할 수 있음을 이해할 것이다.

10: 계측기
20: 전력변환기
100: 에너지관리장치
200: 태양광발전기
300: 에너지저장장치
400: 부하
500: 기상정보서버

Claims (10)

1. 로라 통신 기반의 태양광 발전에 대한 센서 데이터를 관리하기 위한 장치에 있어서,
   복수의 마이크로그리드에 속한 복수의 센서장치와 통신을 위한 통신부;
   상기 통신부를 통해 상기 센서장치로부터 센서 데이터를 포함하는 리포트 메시지를 수신하면,
   상기 리포트 메시지를 수신한 리포트 프레임 및 서브 리포트 프레임과,
   상기 센서장치가 속한 마이크로그리드에 할당된 리포트 프레임 및 상기 센서장치에 할당된 서브 리포트 프레임이 동일한지 여부를 확인하고,
   상기 확인 결과, 상기 리포트 메시지를 수신한 리포트 프레임 및 서브 리포트 프레임과, 상기 센서장치가 속한 마이크로그리드에 할당된 리포트 프레임 및 상기 센서장치에 할당된 서브 리포트 프레임이 동일하면,
   검증모델을 통해 상기 센서장치의 센서 데이터와 동일한 리포트 프레임 내에서 수신된 다른 센서 데이터를 비교하여 상기 센서 데이터의 무결성을 검증하는 검증부;
   를 포함하는 것을 특징으로 하는
   센서 데이터를 관리하기 위한 장치.
2. 제1항에 있어서,
   상기 장치는
   복수의 마이크로그리드 각각에 대해 소정 주기로 반복되는 리포트 프레임을 할당하고,
   상기 통신부를 통해 상기 복수의 마이크로그리드 중 어느 하나에 속한 어느 하나의 센서장치로부터 등록을 요청하는 등록요청메시지를 수신하면, 상기 센서장치에 대해 해당 마이크로그리드에 할당된 리포트 프레임 내에서 어느 하나의 서브 리포트 프레임을 할당하고,
   상기 통신부를 통해 상기 할당된 서브 리포트 프레임을 나타내는 지시자와 함께 등록응답 메시지를 상기 센서장치로 전송하는
   등록부;
   를 더 포함하는 것을 특징으로 하는
   센서 데이터를 관리하기 위한 장치.
3. 제1항에 있어서,
   상기 검증모델은
   검증 대상 센서장치의 센서 데이터와, 검증 대상 센서장치의 센서 데이터와 동일한 리포트 프레임으로 수신된 다른 센서장치의 센서 데이터 각각으로부터 생성된 복수의 센서데이터벡터를 포함하는 입력벡터가 입력되면,
   상기 입력벡터에 대해 복수의 계층 간 학습된 가중치가 적용되는 복수의 연산을 통해 검증 대상 센서 데이터가 무결성 인증에 성공할 확률과 실패할 확률을 나타내는 출력값을 산출하는 것을 특징으로 하는
   센서 데이터를 관리하기 위한 장치.
4. 제3항에 있어서,
   센서데이터벡터는
   센서장치가 속한 마이크로그리드에 할당된 리포트 프레임을 나타내는 프레임벡터,
   센서장치에 할당된 서브 리포트 프레임을 나타내는 서브프레임벡터,
   센서장치가 전력, 전류 및 온도를 측정한 시간을 나타내는 시간벡터 및
   센서장치가 전력, 전류 및 온도를 측정한 측정값을 나타내는 측정벡터를 포함하는 것을 특징으로 하는
   센서 데이터를 관리하기 위한 장치.
5. 제1항에 있어서,
   상기 장치는
   학습용 입력벡터를 마련하고,
   손실함수
   

   

   
   에서
   상기

   

   을 0으로 설정한 후, 학습용 입력벡터에 대한 상기 검증모델의 출력값과 분류 레이블의 차이인 분류 손실이 최소가 되도록 상기 검증모델의 가중치를 수정하는 분류 손실 최적화를 수행하고,
   상기 손실함수에서 상기

   

   을 0.5로 설정한 후, 학습용 입력벡터에 대한 상기 검증모델의 출력값과 분류 레이블의 차이인 분류 손실과 상기 검증모델의 완전연결층의 연산노드값인 은닉벡터와 은닉 레이블과의 차이인 은닉 손실을 포함하는 복합 손실이 최소가 되도록 상기 검증모델의 가중치를 수정하는 복합 손실 최적화를 수행하는 학습부;
   를 더 포함하며,
   상기 Eintergrity는 손실함수이고,
   상기 oi는 상기 검증모델의 출력층의 출력값이고,
   상기 zi는 상기 출력값에 대응하는 분류 레이블이고,
   상기 eij는 상기 검증모델의 완전연결층의 연산노드값인 상기 은닉벡터이고,
   상기 hij는 상기 은닉벡터에 대응하는 은닉 레이블이고,
   상기 i는 상기 검증모델의 출력층의 출력노드에 대응하는 인덱스이고,
   상기 j는 상기 검증모델의 완전연결층의 연산노드에 대응하는 인덱스이고,
   상기

   

   는 하이퍼파라미터인 것을 특징으로 하는
   센서 데이터를 관리하기 위한 장치.
6. 로라 통신 기반의 태양광 발전에 대한 센서 데이터를 관리하기 위한 방법에 있어서,
   통신부가 센서장치로부터 센서 데이터를 포함하는 리포트 메시지를 수신하는 단계;
   검증부가 상기 리포트 메시지를 수신한 리포트 프레임 및 서브 리포트 프레임과 상기 센서장치가 속한 마이크로그리드에 할당된 리포트 프레임 및 상기 센서장치에 할당된 서브 리포트 프레임이 동일한지 여부에 따라 상기 센서 데이터의 무결성을 1차로 인증하는 단계; 및
   상기 검증부가 상기 1차 인증에 성공하면, 검증모델을 통해 상기 센서장치의 센서 데이터와 상기 할당된 리포트 프레임으로 수신된 다른 센서장치의 센서 데이터를 비교하여 상기 센서 데이터의 무결성에 대한 2차 인증을 수행하는 단계;
   를 포함하는 것을 특징으로 하는
   센서 데이터를 관리하기 위한 방법.
7. 제6항에 있어서,
   상기 센서장치로부터 센서 데이터를 포함하는 리포트 메시지를 수신하는 단계 전,
   등록부가 복수의 마이크로그리드 각각에 대해 소정 주기로 반복되는 리포트 프레임을 할당하는 단계;
   상기 등록부가 상기 복수의 마이크로그리드 중 어느 하나에 속한 어느 하나의 센서장치로부터 등록을 요청하는 등록요청메시지를 수신하면, 상기 센서장치에 대해 해당 마이크로그리드에 할당된 리포트 프레임 내에서 어느 하나의 서브 리포트 프레임을 할당하는 단계; 및
   상기 등록부가 상기 할당된 서브 리포트 프레임을 나타내는 지시자와 함께 등록응답 메시지를 상기 센서장치로 전송하는 단계;
   를 더 포함하는 것을 특징으로 하는
   센서 데이터를 관리하기 위한 방법.
8. 제6항에 있어서,
   상기 2차 인증을 수행하는 단계는
   상기 검증모델이 검증 대상 센서장치의 센서 데이터와, 검증 대상 센서장치의 센서 데이터와 동일한 리포트 프레임으로 수신된 다른 센서장치의 센서 데이터 각각으로부터 생성된 복수의 센서데이터벡터를 포함하는 입력벡터를 입력받는 단계; 및
   상기 검증모델이 상기 입력벡터에 대해 복수의 계층 간 학습된 가중치가 적용되는 복수의 연산을 통해 검증 대상 센서 데이터가 무결성 인증에 성공할 확률과 실패할 확률을 나타내는 출력값을 산출하는 단계;
   를 포함하는 것을 특징으로 하는
   센서 데이터를 관리하기 위한 방법.
9. 제8항에 있어서,
   센서데이터벡터는
   센서장치가 속한 마이크로그리드에 할당된 리포트 프레임을 나타내는 프레임벡터,
   센서장치에 할당된 서브 리포트 프레임을 나타내는 서브프레임벡터,
   센서장치가 전력, 전류 및 온도를 측정한 시간을 나타내는 시간벡터 및
   센서장치가 전력, 전류 및 온도를 측정한 측정값을 나타내는 측정벡터를 포함하는 것을 특징으로 하는
   센서 데이터를 관리하기 위한 방법.
10. 제6항에 있어서,
    상기 리포트 메시지를 수신하는 단계 전,
    학습부가 학습용 입력벡터를 마련하는 단계;
    상기 학습부가 손실함수
    

    

    
    에서
    상기

    

    을 0으로 설정한 후, 학습용 입력벡터에 대한 상기 검증모델의 출력값과 분류 레이블의 차이인 분류 손실이 최소가 되도록 상기 검증모델의 가중치를 수정하는 분류 손실 최적화를 수행하는 단계; 및
    상기 학습부가 상기 손실함수에서 상기

    

    을 0.5로 설정한 후, 학습용 입력벡터에 대한 상기 검증모델의 출력값과 분류 레이블의 차이인 분류 손실과 상기 검증모델의 완전연결층의 연산노드값인 은닉벡터와 은닉 레이블과의 차이인 은닉 손실을 포함하는 복합 손실이 최소가 되도록 상기 검증모델의 가중치를 수정하는 복합 손실 최적화를 수행하는 단계;
    를 더 포함하며,
    상기 Eintergrity는 손실함수이고,
    상기 oi는 상기 검증모델의 출력층의 출력값이고,
    상기 zi는 상기 출력값에 대응하는 분류 레이블이고,
    상기 eij는 상기 검증모델의 완전연결층의 연산노드값인 상기 은닉벡터이고,
    상기 hij는 상기 은닉벡터에 대응하는 은닉 레이블이고,
    상기 i는 상기 검증모델의 출력층의 출력노드에 대응하는 인덱스이고,
    상기 j는 상기 검증모델의 완전연결층의 연산노드에 대응하는 인덱스이고,
    상기

    

    는 하이퍼파라미터인 것을 특징으로 하는
    센서 데이터를 관리하기 위한 방법.

Images