KR102862348B1

KR102862348B1 - Apparatus and method of forecasting state of charge in battery energy storage systems

Info

Publication number: KR102862348B1
Application number: KR1020230030999A
Authority: KR
Inventors: 최용훈; 아르디안샤 무사 에펜디; 임솔
Original assignee: 전남대학교산학협력단
Priority date: 2023-03-09
Filing date: 2023-03-09
Publication date: 2025-09-18
Anticipated expiration: 2043-03-09
Also published as: KR20240137794A

Abstract

배터리 에너지 저장 시스템의 충전 상태 예측 장치 및 방법이 개시된다. 본 개시에 일 측면에 따른 배터리 에너지 저장 시스템의 충전 상태 예측 장치는, 메모리; 및 상기 메모리와 데이터를 주고받는 프로세서를 포함하되, 상기 프로세서는, 주파수 조정 서비스에서 동작하는 배터리 에너지 저장 시스템으로부터 데이터를 수신하고, 수신한 데이터를 전처리한 후, 훈련 데이터, 밸리데이션 데이터 및 테스트 데이터로 데이터를 스플리트하고, 상기 스플리트 된 각 데이터에 기초하여 상기 배터리 에너지 저장 시스템의 충전 상태 예측 결과 데이터를 생성할 수 있다.A device and method for predicting a state of charge of a battery energy storage system are disclosed. According to one aspect of the present disclosure, a device for predicting a state of charge of a battery energy storage system comprises: a memory; and a processor for exchanging data with the memory, wherein the processor receives data from a battery energy storage system operating in a frequency regulation service, preprocesses the received data, splits the data into training data, validation data, and test data, and generates state of charge prediction result data of the battery energy storage system based on each of the split data.

Description

{APPARATUS AND METHOD OF FORECASTING STATE OF CHARGE IN BATTERY ENERGY STORAGE SYSTEMS}

본 개시는 충전 상태 예측 장치 및 방법에 관한 것이다. 보다 상세하게는, 전력망의 주파수 조정 서비스를 위해 사용되는 배터리 에너지 저장 시스템의 충전 상태 예측 장치 및 방법에 관한 것이다.The present disclosure relates to a device and method for predicting a state of charge. More specifically, the present disclosure relates to a device and method for predicting a state of charge of a battery energy storage system used for frequency regulation services of a power grid.

배터리 에너지 저장 시스템(BESS, battery energy storage systems)은 응답 시간이 빠르고 램핑 능력이 높아 스마트 그리드 주파수 조정 서비스에 적합하다.Battery energy storage systems (BESS) are suitable for smart grid frequency regulation services due to their fast response time and high ramping capacity.

그러나 어떤 시점에서도 문제없이 요구되는 규제 용량을 제공하는 것은 주기적으로 배터리 에너지 저장 시스템(BESS) 충전 상태(SOC, state of charge) 개발에 구속될 수 있다.However, providing the required regulatory capacity without any issues at any point may be bound to the development of the battery energy storage system (BESS) state of charge (SOC) periodically.

또한, 충전 상태(SOC) 변동을 미리 알면 배터리 에너지 저장 시스템(BESS) 생산업체가 충전 상태(SOC)를 원하는 수준으로 유지하는 데 도움이 된다.Additionally, knowing the state of charge (SOC) fluctuations in advance helps battery energy storage system (BESS) manufacturers maintain the SOC at the desired level.

배터리 에너지 저장 시스템(BESS) 충전 상태(SOC)는 규정 신호를 따르는 동안 불일치 페널티를 피하기 위해 허용 가능한 작동 영역에서 유지될 수 있다. 따라서, 최대 서비스 보상도 달성할 수 있다.The state of charge (SOC) of a battery energy storage system (BESS) can be maintained within an acceptable operating range while complying with regulatory signals to avoid mismatch penalties. Consequently, maximum service compensation can also be achieved.

그러나 주파수 조정 서비스에서 배터리 에너지 저장 시스템(BESS)의 충전 상태(SOC)를 예측하는 것은 어려운 문제인바, 그에 대한 해결책이 요구된다.However, predicting the state of charge (SOC) of battery energy storage systems (BESS) in frequency regulation services is a difficult problem, and a solution is required.

(특허 제0001호) 한국 등록특허공보 제10-1303164호 (2013.08.28.)(Patent No. 0001) Korean Patent Publication No. 10-1303164 (August 28, 2013)

본 개시에 개시된 실시예는 전력망의 주파수 조정 서비스를 위해 사용되는 배터리 에너지 저장 장치(BESS)의 충전 상태(SoC)를 예측하기 위한 방법을 제시하는 것이다.The embodiments disclosed in the present disclosure present a method for predicting the state of charge (SoC) of a battery energy storage system (BESS) used for frequency regulation services of a power grid.

본 개시에 개시된 실시예는 서비스 요청에 즉각적으로 대응하기 위해 15분 ~ 1시간 사이의 다양한 시간 간격을 적용하기 위한 다단계 조건 그리고 정확한 예측을 위해 다변량 조건을 고려하였으며 이를 Seq2Seq 회귀학습과 접목시켜 예측 모델을 제시하는 것이다.The embodiment disclosed in this disclosure considers multi-stage conditions for applying various time intervals between 15 minutes and 1 hour to respond immediately to a service request and multivariate conditions for accurate prediction, and presents a prediction model by combining this with Seq2Seq regression learning.

본 개시가 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.The problems to be solved by the present disclosure are not limited to the problems mentioned above, and other problems not mentioned will be clearly understood by those skilled in the art from the description below.

상술한 기술적 과제를 달성하기 위한 본 개시에 일 측면에 따른 배터리 에너지 저장 시스템의 충전 상태 예측 장치는, 메모리; 및 상기 메모리와 데이터를 주고받는 프로세서를 포함하되, 상기 프로세서는, 주파수 조정 서비스에서 동작하는 배터리 에너지 저장 시스템으로부터 데이터를 수신하고, 수신한 데이터를 전처리한 후, 훈련 데이터, 밸리데이션 데이터 및 테스트 데이터로 데이터를 스플리트하고, 상기 스플리트 된 각 데이터에 기초하여 상기 배터리 에너지 저장 시스템의 충전 상태 예측 결과 데이터를 생성할 수 있다.In order to achieve the above-described technical task, a device for predicting a state of charge of a battery energy storage system according to one aspect of the present disclosure comprises: a memory; and a processor for exchanging data with the memory, wherein the processor receives data from a battery energy storage system operating in a frequency regulation service, preprocesses the received data, splits the data into training data, validation data, and test data, and generates state of charge prediction result data of the battery energy storage system based on each of the split data.

또한, 상기 프로세서는, 시퀀스투시퀀스 회귀 학습(Seq2Seq regression learning) 기반의 프레임워크에 기초하여 상기 충전 상태 예측 결과 데이터를 생성할 수 있다.Additionally, the processor can generate the charging state prediction result data based on a framework based on sequence-to-sequence regression learning.

또한, 입력 시퀀스를 읽고 인코딩하는 인코더와, 예측 범위의 출력 시퀀스에서 각 요소를 예측하는 디코더를 더 포함할 수 있다.Additionally, it may further include an encoder that reads and encodes an input sequence, and a decoder that predicts each element in an output sequence of a prediction range.

또한, 상기 각 인코더와 디코더는, 복수의 LSTM 메모리 셀을 이용할 수 있다.Additionally, each of the above encoders and decoders can utilize multiple LSTM memory cells.

또한, 상기 프로세서는, 상기 시퀀스투시퀀스 회귀 학습(Seq2Seq regression learning) 기반의 프레임워크에서, 스플리트된 훈련 데이터를 이용하여 예측 모델을 디벨럽할 수 있다.Additionally, the processor can develop a prediction model using split training data in a framework based on sequence-to-sequence regression learning.

또한, 상기 프로세서는, 상기 디벨럽된 결과와 상기 스플리트된 밸리데이션 데이터를 이용하여 상기 예측 모델을 최적화할 수 있다.Additionally, the processor can optimize the prediction model using the developed result and the split validation data.

또한, 상기 프로세서는, 상기 최적화를 위한 파라미터로, 최적화 알고리즘은 MSE를 사용하고, 테스트 평가 메트릭은 MAE와 RMSE를 사용할 수 있다.In addition, the above processor may use MSE as an optimization algorithm and MAE and RMSE as test evaluation metrics as parameters for the above optimization.

또한, 상기 프로세서는, 상기 최적화된 결과와 상기 스플리트된 테스트 데이터를 이용하여 상기 예측 모델을 평가하여, 상기 배터리 에너지 저장 시스템의 충전 상태 예측 결과 데이터를 생성할 수 있다.Additionally, the processor can evaluate the prediction model using the optimized result and the split test data to generate state of charge prediction result data of the battery energy storage system.

또한, 상기 프로세서는, 상기 주파수 조정 서비스에서 동작하는 배터리 에너지 저장 시스템의 충전 상태 예측을 위하여 복수의 데이터셋을 이용할 수 있다.Additionally, the processor can use multiple datasets to predict the state of charge of a battery energy storage system operating in the frequency regulation service.

또한, 상기 프로세서는, 상기 주파수 조정 서비스에서 동작하는 배터리 에너지 저장 시스템의 충전 상태 예측을 위해 이용하는 복수의 데이터셋을 전처리할 수 있다.Additionally, the processor can preprocess a plurality of datasets used to predict a state of charge of a battery energy storage system operating in the frequency regulation service.

본 개시에 다른 측면에 따른 전자 장치에 의해 수행되는, 배터리 에너지 저장 시스템의 충전 상태 예측 방법은, 주파수 조정 서비스에서 동작하는 배터리 에너지 저장 시스템으로부터 데이터를 수신하는 단계; 수신한 데이터를 전처리하는 단계; 훈련 데이터, 밸리데이션 데이터 및 테스트 데이터로 데이터를 스플리트하는 단계; 및 상기 스플리트 된 각 데이터에 기초하여 상기 배터리 에너지 저장 시스템의 충전 상태 예측 결과 데이터를 생성하는 단계를 포함할 수 있다.A method for predicting a state of charge of a battery energy storage system, performed by an electronic device according to another aspect of the present disclosure, may include the steps of: receiving data from a battery energy storage system operating in a frequency regulation service; preprocessing the received data; splitting the data into training data, validation data, and test data; and generating result data for predicting a state of charge of the battery energy storage system based on each of the split data.

또한, 상기 충전 상태 예측 결과 데이터는, 시퀀스투시퀀스 회귀 학습(Seq2Seq regression learning) 기반의 프레임워크에 기초하여 생성될 수 있다.Additionally, the above charging state prediction result data can be generated based on a framework based on sequence-to-sequence regression learning.

또한, 입력 시퀀스를 읽고 인코딩하는 단계; 및 예측 범위의 출력 시퀀스에서 각 요소를 예측하는 디코딩하는 단계를 더 포함할 수 있다.Additionally, the method may further include a step of reading and encoding an input sequence; and a step of decoding to predict each element in an output sequence of the prediction range.

또한, 상기 인코딩 단계와 디코딩 단계에는, 각각 복수의 LSTM 메모리 셀이 이용될 수 있다.Additionally, multiple LSTM memory cells may be used in each of the encoding and decoding steps.

또한, 상기 시퀀스투시퀀스 회귀 학습(Seq2Seq regression learning) 기반의 프레임워크에서, 스플리트된 훈련 데이터를 이용하여 예측 모델을 디벨럽하는 단계를 더 포함할 수 있다.Additionally, in the framework based on the above sequence-to-sequence regression learning, a step of developing a prediction model using split training data may be further included.

또한, 상기 디벨럽된 결과와 상기 스플리트된 밸리데이션 데이터를 이용하여 상기 예측 모델을 최적화하는 단계를 더 포함할 수 있다.Additionally, the method may further include a step of optimizing the prediction model using the developed results and the split validation data.

또한, 상기 최적화를 위한 파라미터로, 최적화 알고리즘으로 MSE가 사용되고, 테스트 평가 메트릭으로 MAE와 RMSE가 사용될 수 있다.Additionally, as parameters for the above optimization, MSE can be used as an optimization algorithm, and MAE and RMSE can be used as test evaluation metrics.

또한, 상기 최적화된 결과와 상기 스플리트된 테스트 데이터를 이용하여 상기 예측 모델을 평가하여, 상기 배터리 에너지 저장 시스템의 충전 상태 예측 결과 데이터를 생성될 수 있다.In addition, by evaluating the prediction model using the optimized result and the split test data, the state of charge prediction result data of the battery energy storage system can be generated.

또한, 상기 주파수 조정 서비스에서 동작하는 배터리 에너지 저장 시스템의 충전 상태 예측을 위하여 복수의 데이터셋이 이용될 수 있다.Additionally, multiple datasets can be used to predict the state of charge of a battery energy storage system operating in the frequency regulation service.

또한, 상기 주파수 조정 서비스에서 동작하는 배터리 에너지 저장 시스템의 충전 상태 예측을 위해 이용하는 복수의 데이터셋을 전처리하는 단계를 더 포함할 수 있다.Additionally, the method may further include a step of preprocessing a plurality of datasets used to predict a state of charge of a battery energy storage system operating in the frequency regulation service.

본 개시의 전술한 과제 해결 수단에 의하면, 주파수 조정 서비스에서 동작하는 배터리 에너지 저장 시스템의 충전 상태를 보다 정확하게 예측하는 효과를 제공한다.According to the above-described problem solving means of the present disclosure, it provides the effect of more accurately predicting the state of charge of a battery energy storage system operating in a frequency regulation service.

본 개시의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.The effects of the present disclosure are not limited to the effects mentioned above, and other effects not mentioned will be clearly understood by those skilled in the art from the description below.

도 1은 본 개시의 일실시예에 따른 전력망의 주파수 조정 서비스를 위해 사용되는 배터리 에너지 저장 시스템의 충전 상태 예측 신호 처리 시스템의 구성 블록도이다.
도 2는 본 개시의 일실시예에 따른 스마트그리드 주파수 조정 서비스를 설명하기 위해 도시한 도면이다.
도 3은 본 개시의 일실시예에 따른 BESS SOC의 다변량 및 다단계 예측 문제를 처리하기 위해 인코더-디코더 하위 모델로 구성된 seq2seq 회귀 학습 아키텍처를 설명하기 위해 도시한 도면이다.
도 4는 본 개시의 일실시예에 따른 주파수 조정 서비스에서 운영되는 BESS에 대해 제안된 SOC 예측 프레임워크를 설명하기 위해 도시한 도면이다.
도 5는 본 개시의 일실시예에 관련하여 북유럽 및 중부 유럽 전력 시장의 각 데이터 세트에서 SOC 및 주파수 규제 프로필을 설명하기 위해 도시한 도면이다.
도 6은 본 개시의 일실시예에 ㅍ 북유럽 데이터 세트의 2015년 3월 7일 빈도 측정 예를 설명하기 위해 도시한 도면이다.
도 7은 본 개시의 일실시예에 관련하여 북유럽 데이터 세트에서 2015년 3월 7일 BESS SOC 충전/방전 변동의 예를 설명하기 위해 도시한 도면이다.
도 8은 본 개시의 일실시예에 따른 다중 목표 그리드 서비스에서 다양한 SOC 변화를 나타내기 위한 의무 프로필을 기반으로 한 BESS 분류를 설명하기 위해 도시한 도면이다.
도 9는 본 개시의 일실시예에 따른 SOC 변동에 따른 시장 및 주파수 측정 데이터의 각 기능의 상관 값을 설명하기 위해 도시한 도면이다.
도 10은 본 개시의 일실시예에 따른 인공적으로 생성된 주파수 측정 데이터와 SOC 변화 간의 상관 관계를 설명하기 위해 도시한 도면이다.
도 11은 본 개시의 일실시예에 따른 SOC 변동과 기타 사용 가능한 기능 간의 정규화된 상호 정보 점수를 설명하기 위해 도시한 도면이다.
도 12는 본 개시의 일실시예에 따른 LSTM 셀을 사용한 SOC 예측 모델을 설명하기 위해 도시한 도면이다.
도 13은 본 개시의 일실시예에 따른 Bi-LSTM 셀을 이용한 SOC 예측 모델의 최적화 결과를 설명하기 위해 도시한 도면이다.
도 14는 본 개시의 일실시예에 따른 기존 ML 기반 회귀 알고리즘을 재실행한 SOC 예측 결과를 설명하기 위해 도시한 도면이다.
도 15는 본 개시의 일실시예에 관련하여 각각 북유럽과 중부 유럽의 두 가지 데이터 세트에서 Bi-LSTM 셀을 사용한 DT 회귀 대 Seq2Seq 회귀의 성능 평가를 설명하기 위해 도시한 도면이다.
도 16은 본 개시의 일실시예에 관련하여 BESS SOC 테스트 세트의 15분 시간 척도에서 제안된 기술과 DT 기술의 성능 결과를 설명하기 위해 도시한 도면이다.
도 17은 본 개시의 일실시예에 관련하여 Bi-LSTM을 사용한 SOC 예측 결과와 룩백 기간 설정 횟수가 다른 Bi-GRU 셀의 확장된 성능 비교를 설명하기 위해 도시한 도면이다.
도 18은 본 개시의 일실시예에 관련하여 Bi-LSTM 및 Bi-GRU 모델에 대한 통계적 테스트 결과를 설명하기 위해 도시한 도면이다.FIG. 1 is a block diagram of a configuration of a signal processing system for predicting a state of charge of a battery energy storage system used for a frequency regulation service of a power grid according to an embodiment of the present disclosure.
FIG. 2 is a diagram illustrating a smart grid frequency adjustment service according to an embodiment of the present disclosure.
FIG. 3 is a diagram illustrating a seq2seq regression learning architecture composed of encoder-decoder sub-models for handling multivariate and multi-step prediction problems of BESS SOC according to an embodiment of the present disclosure.
FIG. 4 is a diagram illustrating a proposed SOC prediction framework for a BESS operated in a frequency regulation service according to an embodiment of the present disclosure.
FIG. 5 is a diagram illustrating SOC and frequency regulation profiles in each data set of the Northern European and Central European power markets in relation to one embodiment of the present disclosure.
FIG. 6 is a diagram illustrating an example of a frequency measurement of the ㅍ Northern European data set on March 7, 2015, according to an embodiment of the present disclosure.
FIG. 7 is a diagram illustrating an example of BESS SOC charge/discharge fluctuations on March 7, 2015 in a Nordic data set in relation to one embodiment of the present disclosure.
FIG. 8 is a diagram illustrating BESS classification based on a duty profile for indicating various SOC changes in a multi-target grid service according to an embodiment of the present disclosure.
FIG. 9 is a diagram illustrating correlation values of each function of market and frequency measurement data according to SOC fluctuations according to one embodiment of the present disclosure.
FIG. 10 is a diagram illustrating a correlation between artificially generated frequency measurement data and SOC change according to one embodiment of the present disclosure.
FIG. 11 is a diagram illustrating a normalized mutual information score between SOC fluctuations and other available functions according to one embodiment of the present disclosure.
FIG. 12 is a diagram illustrating a SOC prediction model using an LSTM cell according to an embodiment of the present disclosure.
FIG. 13 is a diagram illustrating an optimization result of a SOC prediction model using a Bi-LSTM cell according to an embodiment of the present disclosure.
FIG. 14 is a diagram illustrating the SOC prediction results obtained by re-executing an existing ML-based regression algorithm according to an embodiment of the present disclosure.
FIG. 15 is a diagram illustrating a performance evaluation of DT regression versus Seq2Seq regression using Bi-LSTM cells on two datasets from Northern Europe and Central Europe, respectively, in relation to one embodiment of the present disclosure.
FIG. 16 is a diagram illustrating performance results of the proposed technique and the DT technique on a 15-minute time scale of a BESS SOC test set in relation to one embodiment of the present disclosure.
FIG. 17 is a diagram illustrating an extended performance comparison of a SOC prediction result using Bi-LSTM and a Bi-GRU cell with a different number of lookback periods in relation to an embodiment of the present disclosure.
FIG. 18 is a diagram illustrating statistical test results for Bi-LSTM and Bi-GRU models in relation to one embodiment of the present disclosure.

본 개시 전체에 걸쳐 동일 참조 부호는 동일 구성요소를 지칭한다. 본 개시가 실시예들의 모든 요소들을 설명하는 것은 아니며, 본 개시가 속하는 기술분야에서 일반적인 내용 또는 실시예들 간에 중복되는 내용은 생략한다. 명세서에서 사용되는 ‘부, 모듈, 부재, 블록’이라는 용어는 소프트웨어 또는 하드웨어로 구현될 수 있으며, 실시예들에 따라 복수의 '부, 모듈, 부재, 블록'이 하나의 구성요소로 구현되거나, 하나의 '부, 모듈, 부재, 블록'이 복수의 구성요소들을 포함하는 것도 가능하다. Throughout this disclosure, the same reference numerals denote the same components. This disclosure does not describe all elements of the embodiments, and any content that is common in the technical field to which this disclosure pertains or that overlaps between embodiments is omitted. The terms “part, module, element, block” used in the specification may be implemented in software or hardware, and depending on the embodiments, multiple “parts, modules, elements, blocks” may be implemented as a single component, or a single “part, module, element, block” may include multiple components.

명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 직접적으로 연결되어 있는 경우뿐 아니라, 간접적으로 연결되어 있는 경우를 포함하고, 간접적인 연결은 무선 통신망을 통해 연결되는 것을 포함한다.Throughout the specification, when a part is said to be "connected" to another part, this includes not only direct connection but also indirect connection, and indirect connection includes connection via a wireless communication network.

또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.Additionally, when a part is said to "include" a component, this does not mean that it excludes other components, but rather that it may include other components, unless otherwise specifically stated.

제1, 제2 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하기 위해 사용되는 것으로, 구성요소가 전술된 용어들에 의해 제한되는 것은 아니다. The terms first, second, etc. are used to distinguish one component from another, and the components are not limited by the aforementioned terms.

단수의 표현은 문맥상 명백하게 예외가 있지 않는 한, 복수의 표현을 포함한다.Singular expressions include plural expressions unless the context clearly indicates otherwise.

각 단계들에 있어 식별부호는 설명의 편의를 위하여 사용되는 것으로 식별부호는 각 단계들의 순서를 설명하는 것이 아니며, 각 단계들은 문맥상 명백하게 특정 순서를 기재하지 않는 이상 명기된 순서와 다르게 실시될 수 있다. The identification codes for each step are used for convenience of explanation and do not describe the order of each step. Each step may be performed in a different order than specified unless the context clearly indicates a specific order.

이하 첨부된 도면들을 참고하여 본 개시의 작용 원리 및 실시예들에 대해 설명한다.The operating principle and embodiments of the present disclosure are described below with reference to the attached drawings.

본 명세서에서 '본 개시에 따른 장치'는 연산처리를 수행하여 사용자에게 결과를 제공할 수 있는 다양한 장치들이 모두 포함된다. 예를 들어, 본 개시에 따른 장치는, 컴퓨터, 서버 장치 및 휴대용 단말기를 모두 포함하거나, 또는 어느 하나의 형태가 될 수 있다.As used herein, the term "device according to the present disclosure" encompasses a variety of devices capable of performing computational processing and providing results to a user. For example, the device according to the present disclosure may include a computer, a server device, and a portable terminal, or may be any one of them.

여기에서, 상기 컴퓨터는 예를 들어, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(desktop), 랩톱(laptop), 태블릿 PC, 슬레이트 PC 등을 포함할 수 있다.Here, the computer may include, for example, a notebook, desktop, laptop, tablet PC, slate PC, etc. equipped with a web browser.

상기 서버 장치는 외부 장치와 통신을 수행하여 정보를 처리하는 서버로써, 애플리케이션 서버, 컴퓨팅 서버, 데이터베이스 서버, 파일 서버, 게임 서버, 메일 서버, 프록시 서버 및 웹 서버 등을 포함할 수 있다.The above server device is a server that processes information by communicating with an external device, and may include an application server, a computing server, a database server, a file server, a game server, a mail server, a proxy server, and a web server.

상기 휴대용 단말기는 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, PCS(Personal Communication System), GSM(Global System for Mobile communications), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), WiBro(Wireless Broadband Internet) 단말, 스마트 폰(Smart Phone) 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치와 시계, 반지, 팔찌, 발찌, 목걸이, 안경, 콘택트 렌즈, 또는 머리 착용형 장치(head-mounted-device(HMD) 등과 같은 웨어러블 장치를 포함할 수 있다.The above portable terminal may include, for example, a wireless communication device that ensures portability and mobility, and may include all kinds of handheld-based wireless communication devices such as a PCS (Personal Communication System), GSM (Global System for Mobile communications), PDC (Personal Digital Cellular), PHS (Personal Handyphone System), PDA (Personal Digital Assistant), IMT (International Mobile Telecommunication)-2000, CDMA (Code Division Multiple Access)-2000, W-CDMA (W-Code Division Multiple Access), WiBro (Wireless Broadband Internet) terminal, a smart phone, and a wearable device such as a watch, a ring, a bracelet, an anklet, a necklace, glasses, contact lenses, or a head-mounted device (HMD).

도 1은 본 개시의 일실시예에 따른 전력망의 주파수 조정 서비스를 위해 사용되는 배터리 에너지 저장 시스템(BESS, battery energy storage systems)의 충전 상태(SoC, state of charge) 예측 신호 처리 시스템(1)의 구성 블록도이다.FIG. 1 is a block diagram of a state of charge (SoC) prediction signal processing system (1) of a battery energy storage system (BESS) used for a frequency regulation service of a power grid according to one embodiment of the present disclosure.

본 개시의 일실시예에 따르면, 배터리 에너지 저장 시스템(BESS, battery energy storage systems)의 충전 상태(SoC, state of charge) 예측 신호 처리 시스템(1)은, 크게 단말 (10), 서버(20) 및 배터리 에너지 저장 시스템(BESS)(30)을 포함하여 구성될 수 있다.According to one embodiment of the present disclosure, a state of charge (SoC) prediction signal processing system (1) of a battery energy storage system (BESS) can be largely configured to include a terminal (10), a server (20), and a battery energy storage system (BESS) (30).

다만, 본 개시는 이에 한정되는 것은 아니며, 적어도 하나 이상의 다른 구성이 더 포함되어 배터리 에너지 저장 시스템(BESS)(30)의 충전 상태(SoC, state of charge) 예측 신호 처리 시스템(1)을 구성할 수도 있다.However, the present disclosure is not limited thereto, and at least one other configuration may be further included to configure a state of charge (SoC) prediction signal processing system (1) of a battery energy storage system (BESS) (30).

단말(10)은 배터리 에너지 저장 시스템(BESS)(30)의 충전 상태(SoC, state of charge) 예측 신호 처리를 요청하거나 상기 요청에 따른 결과를 출력할 수 있다.The terminal (10) can request processing of a state of charge (SoC) prediction signal of a battery energy storage system (BESS) (30) or output a result according to the request.

서버(20)는 단말(10)의 요청 등에 따라 배터리 에너지 저장 시스템(BESS)(30)으로부터 Historical data를 수집하여, 주파수 조정 서비스에서 동작하는 배터리 에너지 저장 시스템(BESS)(30)의 충전 상태(SoC, state of charge) 예측에 관한 처리를 수행할 수 있다.The server (20) can collect historical data from a battery energy storage system (BESS) (30) according to a request from a terminal (10), etc., and perform processing related to predicting the state of charge (SoC) of the battery energy storage system (BESS) (30) operating in a frequency regulation service.

도 1을 참조하면, 서버(20)는 프로세서(21)와 메모리(22)를 포함하여 구성될 수 있다. 프로세서(21)는 서버(20)의 전반적인 동작을 제어할 수 있으며, 서버(20)로 입력되거나 서버(20)를 통해 출력되는 다양한 데이터를 처리할 수 있다. 메모리(22)는 서버(20)로 입력되는 데이터를 일시 저장할 수 있으며, 프로세서(21)에 의해 처리된 데이터를 일시 저장할 수 있다.Referring to FIG. 1, the server (20) may be configured to include a processor (21) and a memory (22). The processor (21) may control the overall operation of the server (20) and may process various data input to or output from the server (20). The memory (22) may temporarily store data input to the server (20) and may temporarily store data processed by the processor (21).

이하, 서버(20)의 프로세서(21)에서 주파수 조정 서비스에서 동작하는 배터리 에너지 저장 시스템(BESS)(30)의 충전 상태(SoC, state of charge) 예측을 위하여 이용하는 다양한 알고리즘 또는 알고리즘에 대해 기술한다. Hereinafter, various algorithms or algorithms used to predict the state of charge (SoC) of a battery energy storage system (BESS) (30) operating in a frequency regulation service in a processor (21) of a server (20) are described.

한편, 서버(20)는 도 1에 도시된 구성요소 즉, 단말(10)과 배터리 에너지 저장 시스템(BESS)(30)와 데이터 커뮤니케이션을 위하여 통신부(미도시)를 더 포함할 수 있다.Meanwhile, the server (20) may further include a communication unit (not shown) for data communication with the components shown in FIG. 1, i.e., the terminal (10) and the battery energy storage system (BESS) (30).

통신부는 외부 장치와 통신을 가능하게 하는 하나 이상의 구성 요소를 포함할 수 있으며, 예를 들어, 무선통신 모듈, 근거리 통신 모듈, 위치정보 모듈 중 적어도 하나를 포함할 수 있다.The communication unit may include one or more components that enable communication with an external device, and may include, for example, at least one of a wireless communication module, a short-range communication module, and a location information module.

무선통신 모듈은 와이파이(Wifi) 모듈, 와이브로(Wireless broadband) 모듈 외에도, GSM(global System for Mobile Communication), CDMA(Code Division Multiple Access), WCDMA(Wideband Code Division Multiple Access), UMTS(universal mobile telecommunications system), TDMA(Time Division Multiple Access), LTE(Long Term Evolution), 4G, 5G, 6G 등 다양한 무선통신 방식을 지원하는 무선 통신 모듈을 포함할 수 있다.The wireless communication module may include a wireless communication module that supports various wireless communication methods such as a WiFi module, a Wireless Broadband module, GSM (global System for Mobile Communication), CDMA (Code Division Multiple Access), WCDMA (Wideband Code Division Multiple Access), UMTS (universal mobile telecommunications system), TDMA (Time Division Multiple Access), LTE (Long Term Evolution), 4G, 5G, and 6G.

무선통신 모듈은 신호를 송신하는 안테나 및 송신기(Transmitter)를 포함하는 무선통신 인터페이스를 포함할 수 있다. 또한, 무선통신 모듈은 프로세서(21)의 제어에 따라 무선통신 인터페이스를 통해 프로세서(21)로부터 출력된 디지털 제어 신호를 아날로그 형태의 무선 신호로 변조하는 신호 변환 모듈을 더 포함할 수 있다.The wireless communication module may include a wireless communication interface including an antenna and a transmitter for transmitting signals. In addition, the wireless communication module may further include a signal conversion module that modulates a digital control signal output from the processor (21) through the wireless communication interface into an analog wireless signal under the control of the processor (21).

무선통신 모듈은 신호를 수신하는 안테나 및 수신기(Receiver)를 포함하는 무선 통신 인터페이스를 포함할 수 있다. 또한, 무선통신 모듈은 무선통신 인터페이스를 통하여 수신한 아날로그 형태의 무선신호를 디지털 제어 신호로 복조하기 위한 신호 변환 모듈을 더 포함할 수 있다.The wireless communication module may include a wireless communication interface including an antenna and a receiver for receiving signals. Furthermore, the wireless communication module may further include a signal conversion module for demodulating an analog wireless signal received through the wireless communication interface into a digital control signal.

근거리통신 모듈은 근거리 통신(Short range communication)을 위한 것으로서, 블루투스(Bluetooth™), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), UWB(Ultra Wideband), ZigBee, NFC(Near Field Communication), Wi-Fi(Wireless-Fidelity), Wi-Fi Direct, Wireless USB(Wireless Universal Serial Bus) 기술 중 적어도 하나를 이용하여, 근거리 통신을 지원할 수 있다.The short-range communication module is for short-range communication, and can support short-range communication using at least one of Bluetooth™, RFID (Radio Frequency Identification), Infrared Data Association (IrDA), UWB (Ultra Wideband), ZigBee, NFC (Near Field Communication), Wi-Fi (Wireless-Fidelity), Wi-Fi Direct, and Wireless USB (Wireless Universal Serial Bus) technologies.

한편, 도 1에서 도시된 각각의 구성요소는 소프트웨어 및/또는 FPGA(Field Programmable Gate Array) 및 주문형 반도체(ASIC, Application Specific Integrated Circuit)와 같은 하드웨어 구성요소를 의미한다. Meanwhile, each component illustrated in FIG. 1 refers to software and/or hardware components such as FPGA (Field Programmable Gate Array) and ASIC (Application Specific Integrated Circuit).

본 개시에서 기술하는 예측 방법과 관련하여, 배터리 에너지 저장 시스템(BESS)(30)의 충전 상태(SOC)의 발전을 주기적으로 결정하는 여러 종속 변수를 처리할 수 있어야 한다.In connection with the prediction method described in the present disclosure, it should be possible to handle multiple dependent variables that periodically determine the development of the state of charge (SOC) of a battery energy storage system (BESS) (30).

또한, 일회성 다단계 충전 상태(SOC) 예측 모델을 개발할 수 있어야 한다.Additionally, it should be possible to develop a one-time multi-step state of charge (SOC) prediction model.

본 개시에서는 상기한 문제를 해결하기 위해 순차적으로 상호 의존적인 데이터를 처리하는 것으로 입증된 시퀀스-투-시퀀스(seq2seq) 회귀 학습 아키텍처(regression learning architecture)가 제안된 예측 프레임워크(forecasting framework)에 이용할 수 있다. 다만, 본 개시가 이에 한정되는 것은 아니다.In order to address the aforementioned issues, the present disclosure proposes a forecasting framework utilizing a sequence-to-sequence (seq2seq) regression learning architecture proven to process interdependent data sequentially. However, the present disclosure is not limited thereto.

LSTM(Long Short-Term Memory), GRU(Gated Recurrent Unit), 양방향(bi)-LSTM, bi-GRU 등 심층 회귀 학습에 사용되는 다양한 최신 메모리 셀을 활용하고 평가할 수 있는데, 후술하는 바와 같이 평가 결과 개발된 모델이 기존의 기계 학습 기반 예측 방법보다 우수한 것을 알 수 있다.It is possible to utilize and evaluate various state-of-the-art memory cells used in deep regression learning, such as LSTM (Long Short-Term Memory), GRU (Gated Recurrent Unit), bidirectional (bi)-LSTM, and bi-GRU. As described below, the evaluation results show that the developed model is superior to existing machine learning-based prediction methods.

Bi-GRU 셀은 평균 제곱근 오차(RMSE) 및 평균 절대 오차(MAE) 평가 메트릭에서 최고의 성능을 제공할 수 있다.Bi-GRU cells can provide the best performance in root mean square error (RMSE) and mean absolute error (MAE) evaluation metrics.

도 2는 본 개시의 일실시예에 따른 스마트그리드 주파수 조정 서비스를 설명하기 위해 도시한 도면이다.FIG. 2 is a diagram illustrating a smart grid frequency adjustment service according to an embodiment of the present disclosure.

최근 몇 년 동안 스마트 그리드 기술의 엄청난 발전으로 인해 재생 가능 전력 시스템에서 주파수의 안정성을 처리하는 데 사용되는 장비의 변화가 촉발되었다.The tremendous advancements in smart grid technology in recent years have prompted changes in the equipment used to handle frequency stability in renewable power systems.

보다 유연한 주파수 조정 서비스를 제공할 수 있는 가장 유망한 요소 중 하나는 배터리 에너지 저장 시스템(BESS)(30)이다.One of the most promising elements that can provide more flexible frequency regulation services is the battery energy storage system (BESS) (30).

배터리 에너지 저장 시스템(BESS)(30)는 응답 시간이 빠르기 때문에 주파수 조정 서비스에 적합한 옵션일 수 있다. 또한, 분당 메가와트 단위의 지속적인 전력 변화율은 램핑 기능에서 기존 발전소를 능가할 수 있다.Battery energy storage systems (BESS) (30) may be a suitable option for frequency regulation services due to their fast response times. Furthermore, their continuous power rate of megawatts per minute can outperform conventional power plants in ramping capabilities.

그 결과, 주파수 규제 서비스 시장에서 배터리 에너지 저장 시스템(BESS)(30)의 점유율이 많은 국가에서 빠르게 증가하고 있다.As a result, the share of battery energy storage systems (BESS) (30) in the frequency regulation service market is rapidly increasing in many countries.

미국에서 주파수 조정 리소스로서의 배터리 에너지 저장 시스템(BESS)(30) 용량은 PJM(Pennsylvania-New Jersey-Maryland) 독립 시스템 운영업체(ISO) 단독으로 0에서 280MW 이상으로 증가했다. 한국에서는 주파수 조정 서비스를 위한 배터리 에너지 저장 시스템(BESS)(30)가 모든 지방에 위치하고 있으며 총 발전 용량은 약 376MW이다. 배터리 에너지 저장 시스템(BESS)(30)는 또한 유럽, 중동 및 아프리카(EMEA) 지역의 FTM(front-of-the-meter) 그리드 서비스에서 점차 중요한 역할을 수행하고 있으며, 구현된 주요 사용 사례는 주파수 규제 서비스이다.In the United States, the capacity of battery energy storage systems (BESS) (30) as a frequency regulation resource has grown from 0 to over 280 MW, driven solely by the Pennsylvania-New Jersey-Maryland (PJM) Independent System Operator (ISO). In South Korea, BESS (30) for frequency regulation services are located in all provinces, with a total generation capacity of approximately 376 MW. BESS (30) are also playing an increasingly important role in front-of-the-meter (FTM) grid services in the Europe, Middle East, and Africa (EMEA) region, with frequency regulation services being the primary use case implemented.

주파수 조정 서비스 시스템에서 ISO는 배터리 에너지 저장 시스템(BESS)(30) 생산자가 제공하는 전력 용량을 보유하며 그리드 주파수의 균형을 관리하기 위해 언제든지 자동으로 활성화될 수 있다.In a frequency regulation service system, the ISO holds power capacity provided by a battery energy storage system (BESS) (30) producer and can be automatically activated at any time to manage the balance of grid frequency.

도 2에서 도시된 바와 같이 배터리 에너지 저장 시스템(BESS)(30)는 그리드 오류 발생 시 주파수 드리프트를 중지하는 FCR(Frequency Containment Reserve) 또는 주파수를 공칭 값으로 되돌리는 FRR(Frequency Restoration Reserve)로 사용할 수 있다(예를 들어, 한국은 60Hz).As illustrated in FIG. 2, a battery energy storage system (BESS) (30) can be used as a frequency containment reserve (FCR) to stop frequency drift when a grid error occurs or a frequency restoration reserve (FRR) to return the frequency to a nominal value (e.g., 60 Hz in Korea).

두 경우 모두 한국전력거래소(KPX)와 같은 ISO는 동적 주파수 규제 신호를 게시하여 배터리 에너지 저장 시스템(BESS)(30) 생산업체에 따르도록 요청할 수 있다. 성과급 기반 주파수 조절 서비스에서 보상은 주파수 조절 용량과 조절 신호를 따르는 정확도에 따라 달라질 수 있다. 예를 들어, 독일에서는 15분 기준이 배터리 에너지 저장 시스템(BESS)(30) 생산자에게 문제없이 어느 시점에서든 최소 15분 동안 필요한 용량을 제공해야 한다고 부과했다.In both cases, an ISO, such as the Korea Power Exchange (KPX), can issue dynamic frequency regulation signals, requiring battery energy storage system (BESS) (30) manufacturers to comply. In performance-based frequency regulation services, compensation may vary depending on frequency regulation capacity and the accuracy with which the regulation signals are followed. For example, in Germany, a 15-minute criterion has been established, requiring BESS (30) manufacturers to provide the required capacity for at least 15 minutes at any given point without issue.

배터리 에너지 저장 시스템(BESS)(30) 충전 상태(SOC)는 불일치를 피하기 위해 허용 가능한 작동 영역에서 유지되어야 한다. The state of charge (SOC) of a battery energy storage system (BESS) (30) must be maintained within an acceptable operating range to avoid mismatch.

충전 상태(SOC)는 배터리 에너지 저장 시스템(BESS)(30)의 용량 대비 백분율 포인트(0% = empty, 100% = full)의 충전 수준이다. 배터리 에너지 저장 시스템(BESS)(30)는 충전 상태(SOC)의 25%에서 75% 사이의 일정 수준에서 자유롭게 운영될 수 있다.The state of charge (SOC) is the charge level in percentage points (0% = empty, 100% = full) relative to the capacity of a battery energy storage system (BESS) (30). The battery energy storage system (BESS) (30) can be operated freely at a certain level between 25% and 75% of the state of charge (SOC).

배터리 에너지 저장 시스템(BESS)(30) 생산자 입장에서 주파수 조정 서비스를 제공하는 배터리 에너지 저장 시스템(BESS)(30) 전력 입출력 응답은 서비스 기간 내 배터리 에너지 저장 시스템(BESS)(30) 충전 상태(SOC) 변화량으로 표현될 수 있다.From the perspective of a battery energy storage system (BESS) (30) producer, the power input/output response of a battery energy storage system (BESS) (30) that provides frequency regulation service can be expressed as the change in the state of charge (SOC) of the battery energy storage system (BESS) (30) during the service period.

음의 주파수 편차는 배터리 에너지 저장 시스템(BESS)(30) 방전으로 이어질 수 있는 반면, 양의 주파수 편차는 배터리 에너지 저장 시스템(BESS)(30) 충전을 유발할 수 있다.A negative frequency deviation can lead to battery energy storage system (BESS) (30) discharging, while a positive frequency deviation can cause battery energy storage system (BESS) (30) charging.

충전 상태(SOC) 변화를 미리 알면 배터리 에너지 저장 시스템(BESS)(30) 생산자가 충전 상태(SOC)를 원하는 수준으로 유지하고 불일치 페널티를 피하는 데 도움이 될 수 있다.Knowing the state of charge (SOC) changes in advance can help battery energy storage system (BESS) (30) manufacturers maintain the state of charge (SOC) at a desired level and avoid mismatch penalties.

가용 데이터가 풍부한 머신러닝(ML) 기반 접근 방식은 충전 상태(SOC) 예측 문제에서 새롭게 주목받고 있으나, 주파수 조정 서비스에서 배터리 에너지 저장 시스템(BESS)(30)의 경우 충전 상태(SOC)를 예측하는 것은 용이하지 않다.Machine learning (ML)-based approaches with abundant available data are receiving renewed attention in the problem of state of charge (SOC) prediction, but it is not easy to predict the state of charge (SOC) of a battery energy storage system (BESS) (30) in frequency regulation services.

예측 방법은 배터리 에너지 저장 시스템(BESS)(30) 충전 상태(SOC) 개발을 주기적으로 결정하는 여러 종속 변수를 처리해야 한다.The prediction method must handle multiple dependent variables that periodically determine the state of charge (SOC) development of a battery energy storage system (BESS) (30).

관련하여, 배터리 에너지 저장 시스템(BESS)(30)으로부터 수집된 Historical data 중 주파수 데이터의 시간별 평균과 수정된 특성을 고려하여 주파수 조정 서비스에서 동작하는 배터리 에너지 저장 시스템(BESS)(30)에 대한 충전 상태(SOC) 예측 모델을 개발했다.In relation to this, a state of charge (SOC) prediction model for a battery energy storage system (BESS) (30) operating in a frequency regulation service was developed by considering the hourly average and modified characteristics of frequency data among historical data collected from the battery energy storage system (BESS) (30).

의사 결정 트리 기반 회귀 방법(DT(Decision-Tree), RF(Random-Forest) 및 LightGBM(Light Gradient Boosting Machine))에서 데이터 기반에 이르기까지 여러 기존 및 최신 ML 기술 심층 회귀 학습 접근법(CNN(Convolutional Network Network) 및 RNN(Recurrent Neural Network))이 분석되었다.Several existing and emerging ML techniques, ranging from decision tree-based regression methods (Decision Tree (DT), Random Forest (RF), and Light Gradient Boosting Machine (LightGBM)) to data-driven deep regression learning approaches (Convolutional Neural Network (CNN) and Recurrent Neural Network (RNN)) were analyzed.

그러나 분석은 기존 알고리즘이 다단계 충전 상태(SOC) 예측 문제를 처리할 때 제대로 수행할 수 없음을 보여주었다.However, the analysis showed that existing algorithms cannot perform well when handling multi-stage state of charge (SOC) prediction problems.

다단계 전방 예측은 정의된 수평선의 일련의 값을 일회성 방식으로 예측하는 작업이다.Multi-step forward forecasting is the task of predicting a series of values along a defined horizon in a one-time manner.

과거 충전 상태(SOC) 데이터가 주어지면 예측 모델은 시계열 데이터의 입력, 입력-출력 및 출력 간의 종속성을 학습하여 미래 충전 상태(SOC) 값의 벡터를 예측한다.Given past state of charge (SOC) data, the predictive model learns the dependencies between input, input-output, and output of the time series data to predict a vector of future state of charge (SOC) values.

따라서, 순차적으로 상호 의존적인 데이터를 예측하기 위한 강력한 솔루션을 제공할 수 있는 예측 방법이 필수적일 수 있다.Therefore, a prediction method that can provide a robust solution for predicting sequentially interdependent data may be essential.

본 개시는 딥 회귀 학습에서 sequence-to-sequence(seq2seq) 모델을 활용하는 것을 일 실시예로 한다. 다만, 이에 한정되는 것은 아니다.The present disclosure is directed to, but is not limited to, utilizing a sequence-to-sequence (seq2seq) model in deep regression learning.

seq2seq 모델은 다양한 사례에 대한 다변량 및 다단계 예측을 위한 강력한 솔루션이다.The seq2seq model is a powerful solution for multivariate and multi-level prediction for a variety of cases.

그러나 최적의 솔루션을 찾기 위해서는 메모리 셀 선택 및 시간 단계 구성에 대한 자세한 분석이 필요하다.However, finding the optimal solution requires a detailed analysis of memory cell selection and time step configuration.

이 경우, LSTM(Long Short-Term Memory)의 구현과 최신 변종 셀, 즉 GRU(gated Recurrent Unit), 양방향(bi)-충전 상태(SOC) 예측 프레임워크의 LSTM 및 bi-GRU이 참고될 수 있다.In this case, implementations of Long Short-Term Memory (LSTM) and the latest variants of cells, namely, gated recurrent units (GRUs), LSTMs and bi-GRUs in the bidirectional (bi)-state-of-charge (SOC) prediction framework can be referenced.

구체적으로 본 개시와 관련하여, 다음 내용이 참조될 수 있다.Specifically, in connection with the present disclosure, the following may be referred to:

충전 상태(SOC) 예측을 다변량 및 다단계 시계열 예측 문제로 처리할 수 있다. seq2seq 심층 회귀 학습 아키텍처는 강력한 예측 모델을 개발하는 데 활용될 수 있다. LSTM, bi-LSTM, GRU, Bi-GRU 등 4개의 최신 메모리 셀 구현을 분석하고 비교하여 문제를 해결하기 위한 최상의 솔루션을 개시한다.State of Charge (SOC) prediction can be treated as a multivariate and multi-step time series prediction problem. The seq2seq deep regression learning architecture can be utilized to develop a powerful prediction model. We analyze and compare four state-of-the-art memory cell implementations—LSTM, bi-LSTM, GRU, and Bi-GRU—to reveal the best solution to solve the problem.

공개적으로 사용할 수 있는 두 개의 실제 데이터 세트를 사용할 수 있다. 제안된 충전 상태(SOC) 예측 프레임워크에 대한 최상의 다변량 입력을 찾기 위해 탐색적 데이터 분석(EDA)이 수행될 수 있다.Two publicly available real-world datasets are available. Exploratory data analysis (EDA) can be performed to find the best multivariate inputs for the proposed state of charge (SOC) prediction framework.

그런 다음 두 개의 서로 다른 기능 세트가 생성될 수 있다. 첫째, Pearson 상관관계 분석을 기반으로 2-features 입력을 선택했고, 두 번째로 NMI(Normalized Mutual Information) 점수가 높은(0.5 이상) 6-features 입력을 선택할 수 있다.Then, two different feature sets can be generated. First, a 2-feature input can be selected based on Pearson correlation analysis, and second, a 6-feature input with a high Normalized Mutual Information (NMI) score (greater than 0.5) can be selected.

본 명세서에서는 종래 솔루션과 함께 개발된 예측 모델에 대한 종합적인 평가를 수행할 수 있다.This specification provides a comprehensive evaluation of the predictive model developed together with existing solutions.

평균제곱오차(MSE)는 훈련 및 검증 단계에서 모델 최적화 매개변수로 사용될 수 있다.Mean squared error (MSE) can be used as a model optimization parameter in the training and validation stages.

테스트 사례에서 RMSE(Root Mean Square Error) 및 MAE(Mean Absolute Error)는 성능 평가 메트릭으로 구현될 수 있다.In test cases, Root Mean Square Error (RMSE) and Mean Absolute Error (MAE) can be implemented as performance evaluation metrics.

제안된 메모리 셀들 간의 성능 오차에 유의미한 차이가 있는지 확인하기 위해 통계적 테스트 방법을 수행할 수 있다.Statistical testing methods can be performed to determine whether there are significant differences in performance errors between the proposed memory cells.

이 개시의 나머지 부분은 다음과 같이 구성되어 있다.The remainder of this disclosure is structured as follows:

다음 절에서는 성과급 기반 주파수 규제 서비스에서 배터리 에너지 저장 시스템(BESS)(30) 참여 시스템 모델과 문제 공식에 대해 설명할 수 있다.The following sections describe the system model and problem formulation for battery energy storage systems (BESS) (30) participating in performance-based frequency regulation services.

도 2와 관련하여 공개 배터리 에너지 저장 시스템(BESS)(30) 충전 상태(SOC) 데이터 세트에 대한 EDA를 제공하고 데이터 세트와 관련된 다변량 및 다단계 예측 문제에 대해 자세히 설명하면, 다음과 같다.In relation to FIG. 2, an EDA for a public battery energy storage system (BESS) (30) state of charge (SOC) data set is provided, and a multivariate and multi-step prediction problem related to the data set is described in detail as follows.

본 개시에 적용된 seq2seq 학습 아키텍처의 일반 원칙과 예측 모델을 개발하고 최적화하는 방법은 도 3 이하에 나와 있다.The general principles of the seq2seq learning architecture applied in the present disclosure and the method for developing and optimizing a prediction model are shown in FIG. 3 and below.

다음으로, 평가 결과를 제공하고 마지막으로 seq2seq 학습 기반 다변량 및 다단계 배터리 에너지 저장 시스템(BESS)(30) 충전 상태(SOC) 예측 문제에 대한 연구를 마무리한다.Next, we provide evaluation results and finally conclude our study on the seq2seq learning-based multivariate and multi-stage battery energy storage system (BESS) (30) state of charge (SOC) prediction problem.

성과급제 주파수 규제 서비스의 배터리 에너지 저장 시스템(BESS)(30)과 관련하여, 이상적으로 그리드 주파수는 상호 연결된 그리드의 모든 곳에서 동일하다(예: 한국의 60Hz).In relation to battery energy storage systems (BESS) (30) of performance-based frequency regulation services, ideally the grid frequency is the same everywhere in the interconnected grid (e.g., 60 Hz in Korea).

그러나 발전과 수요 불일치가 발생하면 그리드 주파수가 공칭 값에서 멀어질 수 있다.However, if a mismatch between generation and demand occurs, the grid frequency may deviate from the nominal value.

또한, 급전 가능한 화석 연료 기반 발전소를 간헐적 재생 가능 발전으로 점진적으로 교체하여 저탄소 공약을 이행하려면 전력 시스템 운영의 안정성을 보장하기 위해 더 많은 유연성이 필요하다. 배터리 에너지 저장 시스템(BESS)(30)는 빠른 응답시간에 높은 순시유효전력을 제공할 수 있다. 따라서, 배터리 에너지 저장 시스템(BESS)(30)는 주파수 안정성 문제를 처리하기 위해 스마트 그리드 시스템에서 장치 중 하나일 수 있다. 주파수 조정 서비스는 일반적으로 여러 수준, 즉 1차, 2차 및 3차 주파수 제어에서 구현될 수 있다. 기술적 능력으로 인해 배터리 에너지 저장 시스템(BESS)(30)는 일반적으로 주파수 드리프트를 중지하기 위한 1차 또는 주파수를 공칭 값으로 되돌리기 위한 2차 주파수 제어로 사용될 수 있다. Furthermore, to meet low-carbon commitments by gradually replacing dispatchable fossil fuel-based power plants with intermittent renewable power, greater flexibility is needed to ensure the stability of power system operation. Battery energy storage systems (BESS) (30) can provide high instantaneous active power with fast response times. Therefore, BESS (30) can be one of the devices in a smart grid system to address frequency stability issues. Frequency regulation services can typically be implemented at multiple levels, namely primary, secondary, and tertiary frequency control. Due to their technical capabilities, BESS (30) can typically be used as primary frequency control to prevent frequency drift or as secondary frequency control to return the frequency to its nominal value.

본 개시에서는, 다른 서비스보다 더 높은 시장 배당금을 제공하는 기본 주파수 제어의 배터리 에너지 저장 시스템(BESS)(30) 애플리케이션에 중점을 둔다. 다만, 이에 한정되는 것은 아니다.In this disclosure, we focus on, but are not limited to, battery energy storage system (BESS) (30) applications for basic frequency control that provide higher market dividends than other services.

기본 주파수 제어가 활성화되어 전력 시스템의 주파수 안정성을 보장하고 에너지 생산과 수요 사이의 오프셋을 보상할 수 있다.Basic frequency control is activated to ensure frequency stability of the power system and compensate for offsets between energy production and demand.

빠르게 작동하는 자동 리소스는 주파수 편차 Δ(ft)에 응답하여 임계값 내에서 주파수를 유지하는 데 사용될 수 있다.A fast-acting automatic resource can be used to maintain the frequency within a threshold in response to the frequency deviation Δ(ft).

편차는 다음과 같이 표현될 수 있다.The deviation can be expressed as follows:

여기서, fn은 공칭 시스템 주파수이고, f(t)는 시간 t에서 측정된 주파수이다.Here, fn is the nominal system frequency and f(t) is the frequency measured at time t.

배터리 에너지 저장 시스템(BESS)(30)의 비용 개발에 대한 가격이 계속 하락하고 시스템 유연성에 대한 필요성이 증가함에 따라, 전력 시스템 운영자는 주파수 규제 서비스에서 배터리 에너지 저장 시스템(BESS)(30) 배치를 향상시키기 위한 정책 개발이 모색될 수 있다. As the cost of developing battery energy storage systems (BESS) (30) continues to decline and the need for system flexibility increases, power system operators may seek to develop policies to enhance the deployment of battery energy storage systems (BESS) (30) in frequency regulation services.

주파수 규제 서비스에서 배터리 에너지 저장 시스템(BESS)(30)의 최적 참여 전략을 결정하기 위해 많은 서비스 최적화 모델이 존재하나, 대부분의 개발된 참여 전략은 배터리 에너지 저장 시스템(BESS)(30) 운영 비용과 편익 사이의 균형을 찾기 위해 다양한 의사 결정 활동에 구속될 수 있다. 배터리 에너지 저장 시스템(BESS)(30) 생산자는 가능한 보상과 운영 비용 사이의 가중치 요소를 주기적으로 평가해야 한다.Although many service optimization models exist to determine the optimal participation strategy for battery energy storage systems (BESS) (30) in frequency regulation services, most developed participation strategies may be bound by various decision-making activities to find a balance between the operating costs and benefits of the battery energy storage system (BESS) (30). Battery energy storage system (BESS) (30) manufacturers must periodically evaluate the weighting factors between possible compensation and operating costs.

배터리 에너지 저장 시스템(BESS)(30)의 경제적 파견 및 단위 투입을 최적화하기 위한 가장 중요한 가중치 중 하나는 배터리 에너지 저장 시스템(BESS)(30) 충전 상태(SOC)이다.One of the most important weights for optimizing the economic dispatch and unit deployment of a battery energy storage system (BESS) (30) is the state of charge (SOC) of the battery energy storage system (BESS) (30).

다음 목적 함수에 설명된 대로 수신된 이점을 최대화하려면 정확하게 예측해야 한다.To maximize the benefit received, as described in the following objective function, accurate predictions are required.

여기서, C ≥ 0은 주파수 조절 용량 입찰, t = (1, 2, 3, ..., T)는 작동 시간 간격이고, r은 정규화된 동적 주파수 조절 신호(T 벡터에 의한 1)를 나타낼 수 있다.Here, C ≥ 0 is the frequency regulation capacity bid, t = (1, 2, 3, ..., T) is the operating time interval, and r can represent the normalized dynamic frequency regulation signal (1 by T vector).

충전/방전 전력 용량은 b(t)(충전의 경우 양수)로 나타낼 수 있다.The charge/discharge power capacity can be expressed as b(t) (positive for charging).

함수 f[b(t), SoC(t)]는 배터리 에너지 저장 시스템(BESS)(30) 작동 비용을 나타낼 수 있다.The function f[b(t), SoC(t)] can represent the operating cost of a battery energy storage system (BESS) (30).

λc는 주파수 규제용량 소산가격, λp는 응답의 상대오차에 따른 규제지급금, λbes는 충방전의 배터리 에너지 저장 시스템(BESS)(30) 셀 운영비용 가격을 나타낼 수 있다.λc can represent the frequency regulation capacity dissipation price, λp can represent the regulation payment according to the relative error of the response, and λbes can represent the operating cost price of the battery energy storage system (BESS) (30) cell for charging and discharging.

응답은 동적 조절 신호에 따라 매 순간 t에서 배터리 에너지 저장 시스템(BESS)(30) 전력 출력 PFC로 표현될 수 있다.The response can be expressed as a power output PFC of a battery energy storage system (BESS) (30) at each instant t according to a dynamic control signal.

음수 주파수 편차는 배터리 에너지 저장 시스템(BESS)(30) 방전으로 이어지고 양수 주파수 편차는 배터리 에너지 저장 시스템(BESS)(30) 충전을 유발할 수 있다.A negative frequency deviation can lead to a discharge of the battery energy storage system (BESS) (30), and a positive frequency deviation can lead to a charge of the battery energy storage system (BESS) (30).

주파수 조절 기간 내 배터리 에너지 저장 시스템(BESS)(30) 충전 상태(SOC)의 변화는 백분율로 정의할 수 있으며 다음 수학식 4 내지 7과 같이 정의될 수 있다.The change in the state of charge (SOC) of a battery energy storage system (BESS) (30) during a frequency regulation period can be defined as a percentage and can be defined as in the following mathematical equations 4 to 7.

여기서, η는 배터리 에너지 저장 시스템(BESS)(30) 효율이고 Enom은 배터리 에너지 저장 시스템(BESS)(30)의 공칭 에너지 용량을 나타낼 수 있다.Here, η represents the efficiency of the battery energy storage system (BESS) (30) and Enom represents the nominal energy capacity of the battery energy storage system (BESS) (30).

본 개시에서 배터리 에너지 저장 시스템(BESS)(30) 전력 대 에너지 비율은 FCR에 대한 가장 일반적인 비율 중 하나이므로 1로 가정할 수 있다.In this disclosure, the power-to-energy ratio of the battery energy storage system (BESS) (30) can be assumed to be 1, as it is one of the most common ratios for FCR.

방전 및 충전 배터리 에너지 저장 시스템(BESS)(30) 효율성은 98.5%로 설정되었으며 모든 새로운 측정에 대한 평균 배터리 응답을 시뮬레이션하기 위해 저하가 없는 것으로 간주될 수 있다.The discharge and charge battery energy storage system (BESS) (30) efficiency was set to 98.5% and can be considered as no degradation to simulate the average battery response for all new measurements.

따라서 배터리 에너지 저장 시스템(BESS)(30) 전원 출력 PF C(t)와 충방전 전원 용량 b(t)는 같은 값이 될 수 있다.Therefore, the power output PF C(t) and the charge/discharge power capacity b(t) of the battery energy storage system (BESS) (30) can be the same value.

다변량 및 다단계 예측 문제로서의 배터리 에너지 저장 시스템(BESS)(30) 충전 상태(SOC)에 관하여, 기술한다.Regarding the state of charge (SOC) of a battery energy storage system (BESS) (30) as a multivariate and multi-stage prediction problem, this paper describes it.

최적의 배터리 에너지 저장 시스템(BESS)(30) 생산자의 주파수 조정 서비스 참여는 0% = 비어 있고 100% = 최대일 때 주기적으로 배터리 에너지 저장 시스템(BESS)(30) 충전 상태(SOC)의 개발을 미리 결정하는 결합된 자원과 해당 확률적 프로세스의 직렬 상관관계에 따라 달라질 수 있다.The optimal Battery Energy Storage System (BESS) (30) producer's participation in frequency regulation services may depend on the serial correlation of the combined resources and the corresponding stochastic processes that periodically predetermine the development of the Battery Energy Storage System (BESS) (30) state of charge (SOC) when 0% = empty and 100% = full.

각 시간 t = (1, 2, 3, ..., T )에서 배터리 에너지 저장 시스템(BESS)(30) 충전 상태(SOC) 예측 문제는 다변수 입력을 사용하는 회귀 문제로 처리할 수 있다.The problem of predicting the state of charge (SOC) of a battery energy storage system (BESS) (30) at each time t = (1, 2, 3, ..., T ) can be treated as a regression problem using multivariable inputs.

전술한 바와 같이, 충전 상태(SOC) 예측 모델의 다변량 입력으로 에너지 시장 특성, 주파수 조절 신호 특성 및 배터리 에너지 저장 시스템(BESS)(30) 상태 특성과 같은 다양한 특성을 사용할 수 있다.As described above, various characteristics such as energy market characteristics, frequency regulation signal characteristics, and battery energy storage system (BESS) (30) status characteristics can be used as multivariate inputs of the state of charge (SOC) prediction model.

에너지 시장 기능에는 재생 에너지 발전 소스 프로필, 자동 활성화 예비 구성 및 규제 볼륨이 포함될 수 있다.Energy market features may include renewable energy generation source profiles, automatic activation reserve configurations, and regulated volumes.

주파수 규제 신호 기능은 규제 서비스 운영 영역의 주파수 측정에서 검색할 수 있다.The frequency regulation signal function can be retrieved from frequency measurements in the regulated service operation area.

합계 또는 평균값에서 일일 단일 표준 편차 위 또는 아래의 빈도 값의 수를 포함할 수 있다.It may include the number of frequency values that are one standard deviation above or below the daily sum or mean.

배터리 에너지 저장 시스템(BESS)(30) 상태 특성은 충방전 과정의 전력 입/출력 값을 원래 형태로 포함하거나 변이 이동 및 미분 과정으로 수정한 값을 포함할 수 있다.The state characteristics of a battery energy storage system (BESS) (30) may include the power input/output values of the charging/discharging process in their original form or may include values modified through variation movement and differentiation processes.

다변량 예측 문제로서, 일부 입력이 주어진 충전 상태(SOC)의 수치적 출력을 예측하기 위해 예측 모델을 개발할 수 있다.As a multivariate prediction problem, a prediction model can be developed to predict the numerical output of the state of charge (SOC) given some inputs.

x = {x1, x2, ..., xn}을 입력 변수 집합으로 하고 y = {y1, y2, . . . , ym}은 일련의 출력 변수이므로 다음 수학식 8과 같이 여러 입력에 따라 충전 상태(SOC)가 어떻게 변경되는지 추적할 수 있다.Since x = {x1, x2, ..., xn} is a set of input variables and y = {y1, y2, . . . , ym} is a series of output variables, it is possible to track how the state of charge (SOC) changes depending on multiple inputs, as in the following mathematical expression 8.

여기서, β0, β1, β2, ..., βm은 회귀 계수이고, εm은 예측 오차 항을 나타낼 수 있다.Here, β0, β1, β2, ..., βm are regression coefficients, and εm can represent the prediction error term.

가장 적합한 것을 찾고 예측 오류를 최소화하기 위해, 데이터 기반 ML 기반 접근 방식을 사용하여 여러 기술이 개발되었으나, 최상의 모델은 예측 오류가 가장 낮은 모델로 정의될 수 있다.To find the best fit and minimize prediction error, several techniques have been developed using data-driven ML-based approaches, but the best model can be defined as the one with the lowest prediction error.

회귀 분석 문제에서 모델 예측 오류를 측정하기 위해 널리 사용되는 표준 손실 함수 중 하나는 MSE일 수 있다.One of the standard loss functions widely used to measure model prediction error in regression analysis problems may be MSE.

이는 예측 대상의 알려진 관측 값과 모델에 의한 예측 값 간의 평균 차이에 해당하며, 다음 수학식 9와 같이 표시될 수 있다.This corresponds to the average difference between the known observed value of the prediction target and the predicted value by the model, and can be expressed as in the following mathematical expression 9.

여기서, yi 및 는 대상 변수의 관측값 및 예측값을 나타낼 수 있다.Here, yi and can represent the observed and predicted values of the target variable.

RNN은 회귀 작업 문제를 해결한 오랜 역사를 가진 일종의 신경망 알고리즘을 나타낼 수 있다. RNN은 현재 시간 단계와 여러 이전 시간 단계의 숨겨진 계층을 연결하여 시간 정보를 순서대로 예약할 수 있다. 그러나 RNN은 시퀀스가 충분히 길면 이전 단계에서 이후 단계로 정보를 전달하는 데 어려움을 겪을 수 있는 단기 메모리 문제가 있다.RNNs represent a type of neural network algorithm with a long history of solving regression tasks. RNNs can sequentially store temporal information by connecting the current time step with the hidden layers of multiple previous time steps. However, RNNs suffer from a short-term memory problem, which can make it difficult to pass information from previous steps to subsequent steps when the sequence is sufficiently long.

그런 다음 이 문제를 해결하기 위한 솔루션으로 LSTM 셀이 생성될 수 있다.Then, LSTM cells can be created as a solution to solve this problem.

이전 시간 단계에서 출력의 반복 연결을 활용하는 것 외에도 LSTM에는 입력 시퀀스에 대한 상태를 누적하는 로컬 변수처럼 작동하는 게이트라는 내부 메커니즘이 있다.In addition to leveraging recurrent connections from the output in previous time steps, LSTMs have an internal mechanism called gates that act like local variables that accumulate state over the input sequence.

GRU라고 불리는 차세대 셀이 개발되었다. LSTM처럼 작동하지만 텐서 연산이 적을 수 있다.A next-generation cell called a GRU has been developed. It operates like an LSTM but may require fewer tensor operations.

LSTM/GRU는 다변량 회귀 문제를 해결하는 데 최소한 두 가지 이점을 제공할 수 있다. 첫째, 평면 구조로 제시된 여러 병렬 입력 시퀀스를 기본적으로 지원할 수 있다. 둘째, LSTM/GRU는 입력 데이터를 수많은 출력을 나타내는 가변 길이 벡터에 직접 매핑할 수 있다.LSTM/GRUs can offer at least two advantages for solving multivariate regression problems. First, they can natively support multiple parallel input sequences presented in a flat structure. Second, LSTM/GRUs can directly map input data to variable-length vectors representing numerous outputs.

본 개시에서는, LSTM/GRU는 광전지(PV) 에너지 시스템의 성능을 설계, 크기 조정 및 분석하는 데 도움이 될 수 있는 일사량 예측에 사용 및 비교 이용할 수 있다.In this disclosure, LSTM/GRU can be used and compared for irradiance prediction, which can help in designing, sizing, and analyzing the performance of photovoltaic (PV) energy systems.

전술한 바와 같이, 배터리 에너지 저장 시스템(BESS)(30) 충전 상태(SOC)는 문제없이 필요한 주파수 조정 용량을 제공하기 위해 일정 수준(대부분의 경우 15분 및 1시간 단계)으로 유지되어야 한다.As mentioned above, the battery energy storage system (BESS) (30) state of charge (SOC) must be maintained at a certain level (in most cases in 15-minute and 1-hour steps) to provide the required frequency regulation capacity without any issues.

이 경우 예측 모델이 과거 시계열 데이터 [x1, ..., xt], 여기서 H > 1 예측 범위는 주기적으로 수행되어야 한다.In this case, the prediction model should be performed periodically over the past time series data [x1, ..., xt], where H > 1.

다단계 예측 문제에 대해 몇 가지 방법이 개발되었으며, 여기서 세 가지 주요 전략은 직접 다단계 예측 전략, 재귀적 다단계 예측 전략, 및 다중 출력 예측 전략을 포함할 수 있다. 예를 들어, 가장 가까운 이웃, DT 및 RF와 같은 다단계 예측 작업을 위한 직접 전략을 구현하기 위해 다양한 머신러닝(ML) 모델이 사용될 수 있다.Several methods have been developed for multi-step prediction problems, with three main strategies including direct multi-step prediction, recursive multi-step prediction, and multi-output prediction. For example, various machine learning (ML) models can be used to implement direct strategies for multi-step prediction tasks, such as nearest neighbor, DT, and RF.

직접적인 방법에는 각 예측 시간 단계에 대한 별도의 모델 개발이 포함될 수 있다. 각 시간 단계에 대해 하나의 모델을 사용하면 특히 예측할 시간 단계 수가 증가함에 따라 계산 문제가 추가될 수 있다.A direct approach might involve developing a separate model for each forecast time step. Using a single model for each time step can increase computational complexity, especially as the number of forecast time steps increases.

반면, 재귀 전략은 ARIMA(Auto-Regressive Integrated Moving Average) 및 기본 RNN 학습 아키텍처에서 일반적으로 사용되는 단일 모델을 여러 번 포함할 수 있다.On the other hand, recursive strategies can involve multiple iterations of a single model, which is commonly used in Auto-Regressive Integrated Moving Average (ARIMA) and basic RNN learning architectures.

이 경우 이전 시간 단계에 대한 예측을 반복적으로 사용하여 다음 시간 단계를 예측할 수 있다. 그러나 장기적인 예측이 위태로워지고 확률적 설정이 가정될 때 상기 모델링 접근 방식은 미래 값 사이의 확률적 종속성의 존재를 무시될 수도 있다.In this case, predictions for previous time steps can be repeatedly used to predict the next time step. However, when long-term predictions are at risk and a probabilistic setting is assumed, this modeling approach may ignore the existence of probabilistic dependencies between future values.

따라서, 예측 오류가 누적되어 예측 시간 범위가 증가함에 따라 성능이 빠르게 저하될 수 있다.Therefore, prediction errors can accumulate and performance can degrade rapidly as the prediction time horizon increases.

다중 출력 전략은 전체 예측 시퀀스를 원샷 방식으로 예측할 수 있는 모델 개발을 포함할 수 있다.A multi-output strategy may involve developing a model that can predict the entire prediction sequence in a one-shot manner.

여기서, t ∈ {n, ..., N - H}, 는 입력 벡터값 함수, 는 잡음 벡터를 나타낼 수 있다.Here, t ∈ {n, ..., N - H}, is an input vector value function, can represent a noise vector.

따라서, 예측 값은 더 이상 스칼라 양이 아니라 시계열의 미래 값 벡터를나타낼 수 있다.Therefore, the predicted value is no longer a scalar quantity, but can represent a vector of future values of the time series.

다중 출력 모델은 입력 간, 입력-출력 간 및 출력 간의 종속성 구조를 학습해야 하므로 보다 복잡한 예측 접근 방식일 수 있다.Multi-output models can be a more complex prediction approach because they must learn dependency structures between inputs, between inputs and outputs, and between outputs.

도 3은 본 개시의 일실시예에 따른 배터리 에너지 저장 시스템(BESS)(30) 충전 상태(SOC)의 다변량 및 다단계 예측 문제를 처리하기 위해 인코더-디코더 하위 모델로 구성된 seq2seq 회귀 학습 아키텍처를 설명하기 위해 도시한 도면이다.FIG. 3 is a diagram illustrating a seq2seq regression learning architecture composed of encoder-decoder sub-models for handling a multivariate and multi-step prediction problem of a state of charge (SOC) of a battery energy storage system (BESS) (30) according to an embodiment of the present disclosure.

도 4는 본 개시의 일실시예에 따른 주파수 조정 서비스에서 운영되는 배터리 에너지 저장 시스템(BESS)(30)에 대해 제안된 충전 상태(SOC) 예측 프레임워크를 설명하기 위해 도시한 도면이다.FIG. 4 is a diagram illustrating a proposed state of charge (SOC) prediction framework for a battery energy storage system (BESS) (30) operated in a frequency regulation service according to an embodiment of the present disclosure.

도 5는 본 개시의 일실시예에 관련하여 북유럽 및 중부 유럽 전력 시장의 각 데이터 세트에서 충전 상태(SOC) 및 주파수 규제 프로필을 설명하기 위해 도시한 도면이다.FIG. 5 is a diagram illustrating a state of charge (SOC) and frequency regulation profile in each data set of the Northern European and Central European power markets in relation to one embodiment of the present disclosure.

도 6은 본 개시의 일실시예에 ㅍ 북유럽 데이터 세트의 2015년 3월 7일 빈도 측정 예를 설명하기 위해 도시한 도면이다.FIG. 6 is a diagram illustrating an example of a frequency measurement of the ㅍ Northern European data set on March 7, 2015, according to an embodiment of the present disclosure.

도 7은 본 개시의 일실시예에 관련하여 북유럽 데이터 세트에서 2015년 3월 7일 배터리 에너지 저장 시스템(BESS)(30) 충전 상태(SOC) 충전/방전 변동의 예를 설명하기 위해 도시한 도면이다.FIG. 7 is a diagram illustrating an example of charge/discharge fluctuations of a battery energy storage system (BESS) (30) state of charge (SOC) in a Nordic data set on March 7, 2015, in relation to an embodiment of the present disclosure.

도 8은 본 개시의 일실시예에 따른 다중 목표 그리드 서비스에서 다양한 SOC 변화를 나타내기 위한 의무 프로필을 기반으로 한 배터리 에너지 저장 시스템(BESS)(30) 분류를 설명하기 위해 도시한 도면이다.FIG. 8 is a diagram illustrating classification of a battery energy storage system (BESS) (30) based on a duty profile for indicating various SOC changes in a multi-target grid service according to an embodiment of the present disclosure.

도 9는 본 개시의 일실시예에 따른 충전 상태(SOC) 변동에 따른 시장 및 주파수 측정 데이터의 각 기능의 상관 값을 설명하기 위해 도시한 도면이다.FIG. 9 is a diagram illustrating correlation values of each function of market and frequency measurement data according to state of charge (SOC) fluctuations according to one embodiment of the present disclosure.

도 10은 본 개시의 일실시예에 따른 인공적으로 생성된 주파수 측정 데이터와 충전 상태(SOC) 변화 간의 상관 관계를 설명하기 위해 도시한 도면이다.FIG. 10 is a diagram illustrating a correlation between artificially generated frequency measurement data and a change in state of charge (SOC) according to one embodiment of the present disclosure.

도 11은 본 개시의 일실시예에 따른 SOC 변동과 기타 사용 가능한 기능 간의 정규화된 상호 정보 점수를 설명하기 위해 도시한 도면이다.FIG. 11 is a diagram illustrating a normalized mutual information score between SOC fluctuations and other available functions according to one embodiment of the present disclosure.

예측 솔루션으로서의 Seq2Seq 회귀 학습에 관해 기술한다.We describe Seq2Seq regression learning as a predictive solution.

본 개시는 배터리 에너지 저장 시스템(BESS)(30) 충전 상태(SOC)의 다변량 및 다단계 예측을 다루기 위해 seq2seq 회귀 학습 아키텍처를 채택할 수 있다. 순차적으로 종속된 데이터를 작업, 학습 및 예측하기 위해 개발된 RNN 아키텍처의 변형일 수 있다.The present disclosure may adopt a seq2seq regression learning architecture to handle multivariate and multi-level prediction of the state of charge (SOC) of a battery energy storage system (BESS) (30). This may be a variant of a recurrent neural network (RNN) architecture developed to process, learn, and predict sequentially dependent data.

도 3과 같이 입력 시퀀스를 읽고 인코딩하는 인코더와 예측 범위의 출력 시퀀스에서 각 요소를 예측하는 디코더로 구성될 수 있다.As shown in Fig. 3, it can be composed of an encoder that reads and encodes an input sequence and a decoder that predicts each element in the output sequence of the prediction range.

LSTM, GRU, bi-LSTM 및 bi-GRU와 같은 여러 메모리 셀을 사용하여 이전 시간 단계에서 이후 시간 단계로 순서대로 인코더-디코더 모두에서 충분히 긴 정보를 전달하는 문제를 해결할 수 있다.The problem of passing sufficiently long information from both encoder and decoder sequentially from previous time steps to subsequent time steps can be solved by using multiple memory cells such as LSTM, GRU, bi-LSTM, and bi-GRU.

상기 모델은 예를 들어, 다음과 같은 몇 가지 이점을 제공할 수 있다. 지연 관찰 없이 시퀀스 데이터를 입력으로 자동으로 특징을 학습할 수 있다. 다변량 입력을 위한 다중 병렬 입력 시퀀스를 지원할 수 있다. 입력 데이터를 여러 출력 시간 단계를 나타내는 가변 길이 벡터에 직접 매핑할 수 있다. 출력 벡터 시퀀스를 원샷 방식으로 생성할 수 있다.The above model can offer several advantages, including the following: It can automatically learn features from sequence data input without delay observation; it can support multiple parallel input sequences for multivariate inputs; it can directly map input data to variable-length vectors representing multiple output time steps; and it can generate output vector sequences in a one-shot manner.

도 4는 제안된 seq2seq 회귀 학습 아키텍처를 사용한 배터리 에너지 저장 시스템(BESS)(30) 충전 상태(SOC) 예측 프로세스의 흐름도일 도시할 수 있다.FIG. 4 may be a flowchart illustrating a process for predicting a state of charge (SOC) of a battery energy storage system (BESS) (30) using the proposed seq2seq regression learning architecture.

이러한 프로세스의 복잡성은 이하에서 보다 상세하게 설명한다.The complexity of this process is explained in more detail below.

충전 상태(SOC) 예측을 위한 실제 데이터 세트에 관해 기술한다. 본 개시에서 개시하는 학습 구조로부터 좋은 예측 모델을 만들기 위해서는 실제 환경에서 충전 상태(SOC)의 발달을 주기적으로 결정하는 해당 다중 종속 변수의 확률적 과정을 고려한 대표 데이터가 필요할 수 있다.A real-world data set for state of charge (SOC) prediction is described. To develop a good prediction model from the learning structure disclosed in this disclosure, representative data that considers the stochastic processes of the multiple dependent variables that periodically determine the evolution of the state of charge (SOC) in a real-world environment may be required.

따라서, 주파수 조정 서비스에서 동작하는 배터리 에너지 저장 시스템(BESS)(30)의 실세계 충전 상태(SOC) 데이터셋 2개를 사용할 수 있다. 하나는 북유럽(핀란드)에서 수집하고, 다른 하나는 중부 유럽(프랑스) 전력 시장에서 수입한 것을 나타낼 수 있다. 다만, 이에 한정되는 것은 아니다.Therefore, two real-world state-of-charge (SOC) datasets of battery energy storage systems (BESS) (30) operating in frequency regulation services are available. One dataset may be collected in Northern Europe (Finland), and the other may be imported from the Central European (France) power market, although this is not limited thereto.

두 데이터 세트에서 배터리 충전 상태(SOC) 데이터는 간단한 배터리 에너지 저장 시스템(BESS)(30) 모델을 기반으로 시뮬레이션된 것일 수 있다. 예를 들어, 2015년부터 2018년까지 4년 동안의 실제 주파수 측정은 배터리 에너지 저장 시스템(BESS)(30) 충전 및 방전 상태에서 충전 상태(SOC) 변화의 백분율 값을 생성하기 위한 배터리 에너지 저장 시스템(BESS)(30) 모델의 입력으로 사용되었다.In both datasets, the battery state of charge (SOC) data may be simulated based on a simple battery energy storage system (BESS) (30) model. For example, actual frequency measurements over a four-year period from 2015 to 2018 were used as input to a battery energy storage system (BESS) (30) model to generate percentage values of the state of charge (SOC) change during the charging and discharging states of the BESS (30).

두 데이터 세트의 충전 상태(SOC) 및 주파수 조절 프로필 요약은 도 5에 도시되었다.A summary of the state of charge (SOC) and frequency regulation profiles of the two data sets is shown in Fig. 5.

배터리 에너지 저장 시스템(BESS)(30) 전체 활성화 시간이 1초 미만으로 설정되어 있다는 가정이 기반일 수 있다.It may be based on the assumption that the total activation time of the battery energy storage system (BESS) (30) is set to less than 1 second.

북유럽 데이터 세트의 경우 전체 활성화 주파수 편차(FAFD) ±100mHz 및 불감대역(DB) ±50mHz, 중부 유럽 데이터 세트의 경우 FAFD ±200mHz 및 DB ±10mHz에 응답하기 위한 것일 수 있다.For the Nordic data set, this may be to respond to a full activation frequency deviation (FAFD) of ±100 mHz and a dead band (DB) of ±50 mHz, and for the Central European data set, to a FAFD of ±200 mHz and a DB of ±10 mHz.

그리드 주파수는 공칭 시스템 주파수로부터의 주파수 편차에 대응하여 DB 한계 내에서 유지되어야 할 수 있다.The grid frequency may need to be maintained within DB limits to accommodate frequency deviations from the nominal system frequency.

배터리 에너지 저장 시스템(BESS)(30)는 안정성을 보장하기 위해 주파수 규제에서 최초로 활성화된 리조트 중 하나가 될 것으로 예상된다.Battery energy storage systems (BESS) (30) are expected to be one of the first resorts activated in frequency regulation to ensure stability.

이는 강하 곡선 신호에 따른 배터리 에너지 저장 시스템(BESS)(30) 전력 출력 응답으로 표현될 수 있다.This can be expressed as a power output response of a battery energy storage system (BESS) (30) according to a sag curve signal.

음수 주파수 편차는 배터리 에너지 저장 시스템(BESS)(30) 방전으로 이어지고, 양수 편차는 배터리 에너지 저장 시스템(BESS)(30) 충전을 유발할 수 있다.A negative frequency deviation can lead to a discharge of the battery energy storage system (BESS) (30), and a positive deviation can lead to a charge of the battery energy storage system (BESS) (30).

배터리 에너지 저장 시스템(BESS)(30) 충전 상태(SOC) 변동은 백분율로 표시될 수 있다(충전의 경우 양수, 방전의 경우 음수). The state of charge (SOC) change of a battery energy storage system (BESS) (30) can be expressed as a percentage (positive for charging, negative for discharging).

처음에 시뮬레이션 결과는 1초 해상도의 배터리 에너지 저장 시스템(BESS)(30) 충전 상태(SOC) 변동 데이터로 구성된 시계열이고, 그런 다음 15분 시간 간격으로 다시 샘플링되었으며, 충전 상태(SOC) 예측 모델을 개발하기 위해 북유럽 데이터 세트의 15분 시간 척도에서 140,041개의 샘플을 가져와 2015-2016년 데이터의 경우 69,968개의 샘플과 2017-2018년의 경우 70,073개의 샘플로 나누었다. 이후, 다음 15분 데이터는 1시간 단위의 35,064개 샘플을 생성하는 시간별 분해능으로 변환될 수 있으며, 15분 및 1시간 시간 척도 충전 상태(SOC) 데이터는 현재 조달 관행 및 가능한 향후 개발과 함께 다목적 그리드 서비스에서 배터리 에너지 저장 시스템(BESS)(30) 운영을 고려하여 선택될 수 있다.Initially, the simulation results are a time series of battery energy storage system (BESS) (30) state of charge (SOC) variation data at 1-second resolution, which is then resampled at 15-minute intervals, and 140,041 samples at 15-minute time scale from the Nordic dataset are taken, divided into 69,968 samples for 2015-2016 data and 70,073 samples for 2017-2018, to develop a state of charge (SOC) prediction model. Subsequently, the subsequent 15-minute data can be converted to hourly resolution, generating 35,064 samples at 1-hour intervals. The 15-minute and 1-hour time scale SOC data can be selected considering the operation of battery energy storage system (BESS) (30) in multi-purpose grid services, along with current procurement practices and possible future developments.

주파수 측정의 예와 배터리 에너지 저장 시스템(BESS)(30) 작동일의 충전 상태(SOC) 변동 백분율 값이 도 5와 6에 도시되었다.Examples of frequency measurements and percentage values of state of charge (SOC) fluctuations during the operation of a battery energy storage system (BESS) (30) are shown in Figures 5 and 6.

다목적 그리드 서비스의 경우 도 8에 도시된 바와 같이, 의무(주파수 및 강도) 프로필을 기반으로 4개의 충전 상태(SOC) 변형 범주로 서로 다른 서비스를 분류할 수 있다.For multi-purpose grid services, different services can be classified into four state of charge (SOC) variant categories based on their duty (frequency and intensity) profiles, as illustrated in Fig. 8.

시장, 빈도 및 배터리 에너지 저장 시스템(BESS)(30) 상태와 같은 여러 기능 세트를 데이터 세트에서 사용할 수 있다.Several feature sets are available in the dataset, such as market, frequency and battery energy storage system (BESS) (30) status.

마켓 특징(market features)은 오픈 데이터(open data)로부터 초기에 복구(retrieved)될 수 있다.Market features can be initially retrieved from open data.

여기에는 해당 지역의 풍력 발전(wind), 시간당 자동 활성화 예비(up-aar, dn-aar) 및 규제 볼륨(up-reg, dn-reg)의 시간당 합계가 포함될 수 있다.This may include the hourly total of wind power generation (wind), hourly automatic activation reserve (up-aar, dn-aar) and regulated volume (up-reg, dn-reg) in the area.

주파수(freq) 조절 관련 특징은 주파수 측정에서 검색되었다.Features related to frequency (freq) control were retrieved from frequency measurements.

여기에는, 빈도가 일일 단일(1s-up, 2s-up) 또는 표준 편차 값의 두 배(1s-dn, 2s-dn) 위 또는 아래인 초 수의 시간당 합계가 각각 포함되었다.These included the hourly sum of the number of seconds above or below a single daily (1s-up, 2s-up) or double the standard deviation value (1s-dn, 2s-dn), respectively.

또한, 양수(sm-up) 또는 음수(sm-dn) 편차와 관련된 이러한 특징의 수단도 산출할 수 있다.Additionally, the means of these features can also be derived in relation to positive (sm-up) or negative (sm-dn) deviations.

배터리 에너지 저장 시스템(BESS)(30) 상태 데이터는 1, 24, 48 단계로 이동(sh-1, sh-24, sh-48)하고 차이(df-1, df-24, df-48)를 적용하여 수정된 충전 상태(SOC)일 수 있다. 이 시간 단계에서 가장 높은 상관 관계 때문에 조사되었다.The battery energy storage system (BESS) (30) status data can be modified by moving to steps 1, 24, and 48 (sh-1, sh-24, sh-48) and applying the difference (df-1, df-24, df-48). This was investigated because of the highest correlation at this time step.

다음으로, 데이터 전처리에 관해 기술한다.Next, we describe data preprocessing.

탐색적 데이터 분석(EDA)을 수행하여 데이터 세트를 전처리하고 충전 상태(SOC) 예측 입력에 대한 중요한 기능을 선택할 수 있다.Exploratory data analysis (EDA) can be performed to preprocess the dataset and select important features for state of charge (SOC) prediction input.

도 9의 히트맵에서 배터리 에너지 저장 시스템(BESS)(30) 충전 상태(SOC) 변동이 주파수 측정 기능의 평균과 높은 상관관계가 있음을 알 수 있다.It can be seen from the heat map of Fig. 9 that the state of charge (SOC) fluctuation of the battery energy storage system (BESS) (30) is highly correlated with the average of the frequency measurement function.

주파수 측정의 Pearson 상관관계는 충전 상태(SOC) 변동 데이터와 92%를 도출할 수 있다.The Pearson correlation of frequency measurements with state of charge (SOC) variation data can be derived at 92%.

또한, 도 10는 인위적으로 생성된 주파수 데이터 특징이 60%에서 80%까지 변하는 충전 상태(SOC)와 상관관계가 있음을 나타낼 수 있다.Additionally, Fig. 10 can show that the artificially generated frequency data features are correlated with the state of charge (SOC) varying from 60% to 80%.

따라서 충전 상태(SOC) 예측 모델의 불확실성을 줄이기 위해서는 주파수 측정과 그 변형된 특징이 반드시 고려해야 할 필수 요소라고 할 수 있다.Therefore, frequency measurement and its modified characteristics are essential factors that must be considered to reduce the uncertainty of the state of charge (SOC) prediction model.

확실히 상관관계 분석 결과를 확인하기 위해 상호 정보(MI) 점수 방식을 사용할 수 있다. 상호 정보(MI)는 다음 수학식 11과 같이 나타낼 수 있다.To confirm the results of the correlation analysis, the mutual information (MI) score method can be used. MI can be expressed as follows:

여기서, xi는 각 입력 기능 x의 샘플 수이고 yj는 목표 출력 y의 샘플 수를 나타낼 수 있다.Here, xi represents the number of samples of each input feature x, and yj represents the number of samples of the target output y.

또한, 그들 사이의 정규화된 상호 정보(NMI)는 다음 수학식 12와 같이 정의할 수 있다.Additionally, the normalized mutual information (NMI) between them can be defined as in the following mathematical expression (12).

여기서, H(x) 및 H(y)는 각각 각 입력 기능 및 대상 출력에 대한 불확실성의 양을 나타낼 수 있다.Here, H(x) and H(y) can represent the amount of uncertainty for each input function and target output, respectively.

NMI 점수 범위는 0에서 1까지일 수 있다(0 = 상호 정보 없음, 1 = 완벽한 상관관계). 높은 NMI 점수는 대상과 입력 기능 간의 강한 의존성을 나타낼 수 있다.The NMI score can range from 0 to 1 (0 = no mutual information, 1 = perfect correlation). A high NMI score may indicate a strong dependence between the target and input features.

도 11은 충전 상태(SOC) 변동과 사용 가능한 기능 간의 NMI 점수를 나타낼 수 있다.Figure 11 can represent the NMI score between state of charge (SOC) fluctuations and available functions.

정확한 충전 상태(SOC) 예측을 위해서는 주파수 측정과 수정된 특성이 필수적임을 확인할 수 있다.It can be seen that frequency measurement and modified characteristics are essential for accurate state of charge (SOC) prediction.

실험에서는 타임스탬프를 시계열 인덱스로 설정될 수 있다.In experiments, timestamps can be set as time series indexes.

배터리 에너지 저장 시스템(BESS)(30) 충전 상태(SOC) 변동의 백분율 값과 해당 주파수 측정 기능이 입력 데이터에 사용될 수 있다.The percentage value of the state of charge (SOC) variation of a battery energy storage system (BESS) (30) and the corresponding frequency measurement function can be used as input data.

다음 데이터 세트는 훈련 및 테스트 세트에 대해 70% 및 30%의 비율로 구분될 수 있다.The following dataset can be split into training and test sets with a ratio of 70% and 30%.

또한, 학습 세트의 25%는 모델 개발 중 하이퍼 매개변수 검증에 사용될 수 있다.Additionally, 25% of the training set can be used for hyperparameter validation during model development.

또한, 0에서 1까지 범위의 MinMax 스케일링이 데이터 세트를 정규화하는 데 사용될 수 있다.Additionally, MinMax scaling from 0 to 1 can be used to normalize the data set.

한편, 다음 누락된 값은 선형 보간으로 대체될 수 있다.Meanwhile, the following missing values can be replaced by linear interpolation.

다음으로, 예측 모델 개발에 관해 기술한다.Next, we describe the development of a predictive model.

도 12에서는 충전 상태(SOC) 예측 모델의 일 예가 개시되었다.In Fig. 12, an example of a state of charge (SOC) prediction model is disclosed.

N은 X 입력의 과거 데이터 샘플(룩백 기간) 수이고 M은 Y 출력의 예측 범위 수를 나타낼 수 있다. f는 입력 기능의 수를 나타낼 수 있다. 이 경우 두 가지 다른 기능 세트가 충전 상태(SOC) 예측 입력으로 생성될 수 있다.N can represent the number of past data samples (lookback periods) of the X input, and M can represent the number of prediction horizons of the Y output. f can represent the number of input features. In this case, two different sets of features can be generated as inputs for state of charge (SOC) prediction.

먼저, Pearson 상관 분석을 기반으로 2-features 입력을 선택할 수 있다. 6가지 기능 입력은 NMI 점수가 높을 수 있다(0.5 이상). 예측 결과 충전 상태(SOC)는 1차원 형식일 수 있다.First, two-feature inputs can be selected based on Pearson correlation analysis. Six feature inputs can have high NMI scores (0.5 or higher). The predicted state of charge (SOC) can be in a one-dimensional format.

LSTM 및 변형 셀에서 개발된 모델의 입력은 3차원(3D) 배열로 변환되어야 할 수 있다. 첫 번째 차원은 샘플 데이터 포인트의 수를 나타낼 수 있다. 두 번째 차원은 룩백 기간의 시간 단계를 나타낼 수 있고, 세 번째 차원은 기능 수를 나타낼 수 있다. 되돌아보기 기간은 후속 시간 단계를 예측하는 데 사용되는 과거 데이터의 양을 정의할 수 있다. 예를 들어, 룩백 기간 수에 대해 48개의 데이터 포인트를 설정하면 15분 척도 데이터 세트에 대한 이전 12시간 기간을 나타낼 수 있다. 출력은 전체 예측 범위의 다음 15분에 대한 충전 상태(SOC) 값의 벡터일 수 있다.The inputs of models developed in LSTM and transformation cells may need to be converted into a three-dimensional (3D) array. The first dimension may represent the number of sample data points. The second dimension may represent the time steps of the lookback period, and the third dimension may represent the number of features. The lookback period may define the amount of past data used to predict subsequent time steps. For example, setting the number of lookback periods to 48 data points may represent the previous 12-hour period for a 15-minute data set. The output may be a vector of state-of-charge (SOC) values for the next 15 minutes of the entire prediction range.

또한, 개발된 모델을 튜닝하기 위해 Adam 옵티마이저를 사용하고 과적합을 피하기 위해 드롭아웃 정규화를 사용할 수 있다.Additionally, the Adam optimizer can be used to tune the developed model and dropout regularization can be used to avoid overfitting.

다음 예측 결과를 출력하는 데 시간 분산 밀집 계층이라고 하는 완전 연결 계층이 사용될 수 있다. 예측 모델의 구현은 파이썬(Python) 3.7.6 환경에서 백엔드로 텐서플로우(Tensorflow) 2.1.0과 함께 케라스(Keras) 2.3.1 딥 러닝 API(Application Programming Interface)를 사용할 수 있다. 다만, 이에 한정되는 것은 아니다.A fully connected layer, called a time-distributed dense layer, can be used to output the following prediction results. The prediction model can be implemented using the Keras 2.3.1 deep learning API (Application Programming Interface) with TensorFlow 2.1.0 as the backend in a Python 3.7.6 environment, but is not limited thereto.

다음으로, 예측 모델 최적화에 관해 기술한다.Next, we describe the optimization of the prediction model.

예측 분석 문제의 유형은 사용되는 손실 함수의 종류에 제약을 부과할 수 있다. 회귀 유형 문제에 대한 표준 손실 함수 중 하나는 전술한 MSE일 수 있다. 시계열 예측은 회귀 유형 문제의 일부이므로 MSE 손실 함수는 Adam 최적화 알고리즘에 의해 최소화된 네트워크를 평가하는 데 사용될 수 있다.The type of predictive analytics problem may impose constraints on the type of loss function used. One standard loss function for regression-type problems is the MSE described above. Since time series forecasting is a regression-type problem, the MSE loss function can be used to evaluate the network minimized by the Adam optimization algorithm.

또한, 네트워크는 훈련 및 검증 데이터 세트에 대해 여러 시대에 걸쳐 훈련될 수 있다. 다음 각 시대는 배치라는 입력-출력 패턴 쌍 그룹으로 분할될 수 있다. 배치 크기는 8의 배수여야 하며 성능 관찰을 기반으로 미세 조정을 수행할 수 있다. 따라서 배치 크기를 8, 16, 32로 설정할 수 있다. 다만, 이에 한정되는 것은 아니다.Additionally, the network can be trained over multiple epochs on the training and validation data sets. Each subsequent epoch can be divided into groups of input-output pattern pairs, called batches. The batch size must be a multiple of 8, and fine-tuning can be performed based on performance observations. Therefore, batch sizes can be set to 8, 16, or 32, but are not limited thereto.

도 13는 표 1의 구성된 매개변수를 기반으로 한 모델 최적화 결과의 예를 나타낼 수 있다.Figure 13 can show an example of a model optimization result based on the configured parameters of Table 1.

최적의 epoch 수는 약 10으로 훈련 및 검증 손실이 모두 감소하고 있음을 나타낼 수 있다. 다만, 이에 한정되는 것은 아니다.The optimal number of epochs is approximately 10, which indicates that both training and validation losses are decreasing, but this is not limited to this.

테스트 정확도를 높이기 위해 각 레이어에 dropout regularization을 적용했기 때문에 트레이닝 로스(training loss)가 밸리데이션 로스(validation loss)보다 약간 높을 수 있다. 정규화는 검증 단계가 아닌 훈련 단계에서만 적용되기 때문이다.The training loss may be slightly higher than the validation loss because dropout regularization is applied to each layer to improve test accuracy. This is because regularization is applied only during the training phase, not the validation phase.

도 12는 본 개시의 일실시예에 따른 LSTM 셀을 사용한 SOC 예측 모델을 설명하기 위해 도시한 도면이다.FIG. 12 is a diagram illustrating a SOC prediction model using an LSTM cell according to an embodiment of the present disclosure.

도 13은 본 개시의 일실시예에 따른 Bi-LSTM 셀을 이용한 SOC 예측 모델의 최적화 결과를 설명하기 위해 도시한 도면이다.FIG. 13 is a diagram illustrating an optimization result of a SOC prediction model using a Bi-LSTM cell according to an embodiment of the present disclosure.

도 14는 본 개시의 일실시예에 따른 기존 ML 기반 회귀 알고리즘을 재실행한 SOC 예측 결과를 설명하기 위해 도시한 도면이다.FIG. 14 is a diagram illustrating the SOC prediction results obtained by re-executing an existing ML-based regression algorithm according to an embodiment of the present disclosure.

도 15는 본 개시의 일실시예에 관련하여 각각 북유럽과 중부 유럽의 두 가지 데이터 세트에서 Bi-LSTM 셀을 사용한 DT 회귀 대 Seq2Seq 회귀의 성능 평가를 설명하기 위해 도시한 도면이다.FIG. 15 is a diagram illustrating a performance evaluation of DT regression versus Seq2Seq regression using Bi-LSTM cells on two datasets from Northern Europe and Central Europe, respectively, in relation to one embodiment of the present disclosure.

도 16은 본 개시의 일실시예에 관련하여 BESS SOC 테스트 세트의 15분 시간 척도에서 제안된 기술과 DT 기술의 성능 결과를 설명하기 위해 도시한 도면이다.FIG. 16 is a diagram illustrating performance results of the proposed technique and the DT technique on a 15-minute time scale of a BESS SOC test set in relation to one embodiment of the present disclosure.

도 17은 본 개시의 일실시예에 관련하여 Bi-LSTM을 사용한 SOC 예측 결과와 룩백 기간 설정 횟수가 다른 Bi-GRU 셀의 확장된 성능 비교를 설명하기 위해 도시한 도면이다.FIG. 17 is a diagram illustrating an extended performance comparison of a SOC prediction result using Bi-LSTM and a Bi-GRU cell with a different number of lookback periods in relation to an embodiment of the present disclosure.

도 18은 본 개시의 일실시예에 관련하여 Bi-LSTM 및 Bi-GRU 모델에 대한 통계적 테스트 결과를 설명하기 위해 도시한 도면이다.FIG. 18 is a diagram illustrating statistical test results for Bi-LSTM and Bi-GRU models in relation to one embodiment of the present disclosure.

먼저, 수치적 평가에 관한 것으로, 성능 테스트를 위한 평가 지표에 관해 기술하면, 다음과 같다.First, regarding numerical evaluation, the evaluation indicators for performance testing are described as follows.

예측 오차 εt는 실제 관찰과 때때로 충전 상태(SOC) 값의 예측 사이의 편차에 의해 추정될 수 있다.The prediction error εt can be estimated by the deviation between the actual observation and sometimes the predicted state of charge (SOC) value.

오류 평가 메트릭에 널리 사용되는 MAE(Mean Absolute Error) 및 RMSE(Root Mean Squared Error)를 사용하여 통계를 정량화할 수 있다.Statistics can be quantified using Mean Absolute Error (MAE) and Root Mean Squared Error (RMSE), which are widely used error evaluation metrics.

테스트 데이터를 기반으로 한 성능 비교에 관해 기술하면, 다음과 같다.The performance comparison based on test data is as follows.

기존 머신러닝(ML) 기반 회귀 방법과 개발한 충전 상태(SOC) 예측 모델의 성능을 분석하고 비교할 수 있다.The performance of the developed state of charge (SOC) prediction model can be analyzed and compared with the existing machine learning (ML)-based regression method.

기존 알고리즘에는 DT, RF, LightGBM, CNN 및 RNN이 포함될 수 있다. CNN 및 RNN 딥 러닝 모델용 케라스(Keras) 2.3.1 API, DT 및 RF 회귀 모델용 Scikit-learn 라이브러리, LightGBM 모델용 라이브러리를 사용하여 기존 머신러닝(ML) 방법을 다시 구현할 수 있다.Existing algorithms can include DT, RF, LightGBM, CNN, and RNN. You can reimplement existing machine learning (ML) methods using the Keras 2.3.1 API for CNN and RNN deep learning models, the Scikit-learn library for DT and RF regression models, and the library for LightGBM models.

도 14에서는 첫 번째 실험 결과가 개시되었다. 모든 기존 알고리즘이 다변량 및 다단계 충전 상태(SOC) 예측을 정확하게 수행할 수 있는 것은 아님을 나타낼 수 있다.Figure 14 presents the first experimental results, demonstrating that not all existing algorithms can accurately perform multivariate and multi-stage state of charge (SOC) prediction.

다음으로, 북유럽과 중부 유럽의 두 데이터 세트에서 충전 상태(SOC) 변화를 예측하기 위해 제안한 방법과 기존 알고리즘(예: DT)의 성능을 비교할 수 있다.Next, we compare the performance of our proposed method with existing algorithms (e.g., DT) for predicting state of charge (SOC) changes in two datasets from Northern and Central Europe.

도 15에서 배터리 에너지 저장 시스템(BESS)(30)가 두 가지 다른 주파수 조절 프로필에 참여하더라도 제안된 방법이 일반적으로 충전 상태(SOC) 변화를 예측하는 데 더 나은 결과를 제공한다는 것을 알 수 있다(예를 들어, 도 5 참조).It can be seen from Fig. 15 that the proposed method generally provides better results in predicting state of charge (SOC) changes even when the battery energy storage system (BESS) (30) participates in two different frequency regulation profiles (see, e.g., Fig. 5).

도 16은 Bi-GRU 셀을 사용한 seq2seq 회귀 학습 기반 아키텍처가 최상의 솔루션임을 설명하기 위해 도시한 도면이다.Figure 16 is a diagram illustrating that a seq2seq regression learning-based architecture using Bi-GRU cells is the best solution.

그것은 예측 범위의 충전 상태(SOC) 변동을 정확하게 예측할 수 있으며 배터리 에너지 저장 시스템(BESS)(30) 충전 상태(SOC)의 다변량 및 다단계 예측에서 다른 방법을 능가하는 것을 알 수 있다.It can accurately predict the state of charge (SOC) variation in the prediction range and is found to outperform other methods in multivariate and multi-stage prediction of the state of charge (SOC) of a battery energy storage system (BESS) (30).

다만, 정량적 평가 지표를 통해 재확인할 필요가 있다.However, it is necessary to reconfirm this through quantitative evaluation indicators.

또한, MAE 및 RMSE 성능 메트릭을 사용한 평가에 따른 모든 예측 모델의 성능 비교는 표 2를 참고할 수 있다.Additionally, a performance comparison of all prediction models based on evaluation using MAE and RMSE performance metrics can be found in Table 2.

이는 Bi-GRU 및 Bi-LSTM 셀을 사용한 seq2seq 회귀가 15분 및 1시간 전 시간 척도에서 최소 MSE 및 RMSE 점수를 달성함으로써 배터리 에너지 저장 시스템(BESS)(30) 충전 상태(SOC)의 변화를 예측하는 데 가장 적합한 모델이 될 수 있음을 알 수 있다. 또한, 15분 스케일 데이터 세트를 사용한 예측 성능은 1시간 스케일 데이터 세트와 비교할 때 더 좋은 것을 알 수 있다. 15분 기준이 배터리 에너지 저장 시스템(BESS)(30) 생산자에게 부과된 것으로 본 개시에서는 배터리 에너지 저장 시스템(BESS)(30) 생산자가 주파수 규제 서비스에 참여하는 데 문제없이 어느 시점에서든 최소 15분 동안 필요한 용량을 제공해야 한다고 예상할 수 있다.This shows that seq2seq regression using Bi-GRU and Bi-LSTM cells can be the most suitable model for predicting the change of the state of charge (SOC) of a battery energy storage system (BESS) (30) by achieving the minimum MSE and RMSE scores at the 15-minute and 1-hour time scales. In addition, the prediction performance using the 15-minute scale data set is found to be better than that using the 1-hour scale data set. Since the 15-minute criterion is imposed on the battery energy storage system (BESS) (30) producer, it can be expected in the present disclosure that the battery energy storage system (BESS) (30) producer should provide the required capacity for at least 15 minutes at any point in time without any problem in participating in the frequency regulation service.

다음으로, 평가 결과의 통계적 검정에 관해 기술하면, 다음과 같다.Next, the statistical testing of the evaluation results is described as follows.

Seq2seq 회귀 기반 다변량 및 다단계 충전 상태(SOC) 예측의 성능을 Bi-LSTM 및 Bi-GRU 셀과 포괄적으로 비교하여 수치 평가를 확장할 수 있다.The numerical evaluation can be extended by comprehensively comparing the performance of multivariate and multi-level state of charge (SOC) prediction based on Seq2Seq regression with Bi-LSTM and Bi-GRU cells.

성능 비교 연구를 채택하는 경우, 룩백 기간 또는 과거 데이터를 비교 요인으로 활용할 수 있다.When adopting a performance comparison study, a lookback period or past data can be used as a comparison factor.

성능 비교 결과는 도 17에 개시되었다. 대부분의 경우 룩백의 길이가 72일 때 가장 좋은 성능을 낼 수 있음을 알 수 있다. 또한, Bi-GRU 모델은 룩백 횟수가 증가할 때 보다 안정적인 성능을 제공할 수 있다. 결과를 검증하기 위해 다음과 같은통계 테스트도 수행할 수 있다.The performance comparison results are shown in Figure 17. In most cases, the best performance is achieved when the lookback length is 72. Furthermore, the Bi-GRU model can provide more stable performance as the lookback count increases. The following statistical tests can also be performed to verify the results.

Bi-LSTM 셀과 Bi-GRU 셀을 사용한 충전 상태(SOC) 예측 결과의 오차 값에 유의미한 차이가 있는가에 대한 문제에 관하여, 다음 절차가 수행될 수 있다. 이때, 충전 상태(SOC) 예측 결과에 대한 데이터는, 시퀀스투시퀀스 회귀 학습(Seq2Seq regression learning) 프레임워크에 의해 생성된 데이터일 수 있다.Regarding the question of whether there is a significant difference in the error values of the state of charge (SOC) prediction results using Bi-LSTM cells and Bi-GRU cells, the following procedure can be performed. In this case, the data for the state of charge (SOC) prediction results may be data generated by a sequence-to-sequence regression learning framework.

1. 본 개시에서는 가설 HO: No different/Identical 및 H1:을 개발할 수 있다.1. In this disclosure, hypotheses HO: No different/Identical and H1: can be developed.

2. 쌍체 데이터를 비교하여 가설을 테스트하는 비모수적 방법인 쌍체 표본 Wilcoxon 검정 방법을 사용할 수 있다.2. You can use the paired sample Wilcoxon test, a nonparametric method for testing hypotheses by comparing paired data.

3. 알파 위험의 퍼센트를 5%로 설정하고, 총 대응 샘플에 대한 알파 위험의 임계값은 52로 설정할 수 있다.3. The percentage of alpha risk can be set to 5%, and the threshold of alpha risk for the total matched sample can be set to 52.

도 18에 도시된 바와 같이, 테스트의 V = 0 및 p-값 = 9.489e-05는 임계값 및 알파 위험 퍼센트보다 훨씬 작은 것을 알 수 있다.As shown in Figure 18, the test's V = 0 and p-value = 9.489e-05 are much smaller than the critical value and alpha risk percentage.

따라서 Bi-GRU 셀을 이용한 충전 상태(SOC) 예측 결과의 오차 값이 Bi-LSTM의 경우와 크게 다르다는 결론을 내릴 수 있다. 이때, 충전 상태(SOC) 예측 결과에 대한 데이터는, 시퀀스투시퀀스 회귀 학습(Seq2Seq regression learning) 프레임워크에 의해 생성된 데이터일 수 있다.Therefore, we can conclude that the error values for the State of Charge (SOC) prediction results using Bi-GRU cells differ significantly from those for Bi-LSTM. In this case, the data for the State of Charge (SOC) prediction results may be generated by a sequence-to-sequence regression learning framework.

따라서, HO는 거부될 수 있다.Therefore, HO can be rejected.

따라서, Bi-GRU 셀을 사용한 seq2seq 회귀 학습이 다변량 및 다단계 배터리 에너지 저장 시스템(BESS)(30) 충전 상태(SOC) 예측 문제에서 Bi-LSTM 셀보다 더 나은 성능을 제공함을 확인할 수 있다.Therefore, we can confirm that seq2seq regression learning using Bi-GRU cells provides better performance than Bi-LSTM cells in the multivariate and multi-stage battery energy storage system (BESS) (30) state of charge (SOC) prediction problem.

이상 상술한 바와 같이, 본 개시는 LSTM과 그 변종 셀을 사용하여 seq2seq 회귀 학습 아키텍처를 기반으로 한 다변량 및 다단계 충전 상태(SOC) 예측 방법에 관해 개시한다.As described above, the present disclosure discloses a multivariate and multi-level state of charge (SOC) prediction method based on a seq2seq regression learning architecture using LSTM and its variant cells.

또한, 실제 2개의 배터리 에너지 저장 시스템(BESS)(30) 충전 상태(SOC) 데이터 세트에 대해 기존 ML 기반 회귀 알고리즘과의 성능 비교도 수행할 수 있다.Additionally, a performance comparison with existing ML-based regression algorithms can also be performed on two actual battery energy storage system (BESS) (30) state of charge (SOC) data sets.

평가 결과 개발된 모델이 평가 시간 척도 모두에서 기존 방법보다 우수한 것을 알 수 있다.The evaluation results show that the developed model is superior to existing methods in all evaluation time scales.

Bi-GRU 셀 모델을 사용하여 제안된 학습 아키텍처는 MAE 및 RMSE 평가 메트릭을 기반으로 최고의 성능을 도출할 수 있다.The proposed learning architecture using the Bi-GRU cell model can achieve the best performance based on the MAE and RMSE evaluation metrics.

그런 다음 통계 분석 테스트를 통해 이를 확인할 수 있다.This can then be verified through statistical analysis tests.

한편, 개시된 실시예들은 컴퓨터에 의해 실행 가능한 명령어를 저장하는 기록매체의 형태로 구현될 수 있다. 명령어는 프로그램 코드의 형태로 저장될 수 있으며, 프로세서에 의해 실행되었을 때, 프로그램 모듈을 생성하여 개시된 실시예들의 동작을 수행할 수 있다. 기록매체는 컴퓨터로 읽을 수 있는 기록매체로 구현될 수 있다.Meanwhile, the disclosed embodiments may be implemented in the form of a recording medium storing computer-executable instructions. The instructions may be stored in the form of program code, and when executed by a processor, may generate program modules to perform the operations of the disclosed embodiments. The recording medium may be implemented as a computer-readable recording medium.

컴퓨터가 읽을 수 있는 기록매체로는 컴퓨터에 의하여 해독될 수 있는 명령어가 저장된 모든 종류의 기록 매체를 포함한다. 예를 들어, ROM(Read Only Memory), RAM(Random Access Memory), 자기 테이프, 자기 디스크, 플래쉬 메모리, 광 데이터 저장장치 등이 있을 수 있다. Computer-readable storage media include all types of storage media that store instructions that can be deciphered by a computer. Examples include read-only memory (ROM), random access memory (RAM), magnetic tape, magnetic disks, flash memory, and optical data storage devices.

이상에서와 같이 첨부된 도면을 참조하여 개시된 실시예들을 설명하였다. 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자는 본 개시의 기술적 사상이나 필수적인 특징을 변경하지 않고도, 개시된 실시예들과 다른 형태로 본 개시가 실시될 수 있음을 이해할 것이다. 개시된 실시예들은 예시적인 것이며, 한정적으로 해석되어서는 안 된다.The disclosed embodiments have been described with reference to the attached drawings as described above. Those skilled in the art will understand that the present disclosure can be implemented in forms other than the disclosed embodiments without altering the technical spirit or essential features of the present disclosure. The disclosed embodiments are illustrative and should not be construed as limiting.

10 : 단말 20 : 서버
30 : 배터리 에너지 저장 시스템(BESS)10: Terminal 20: Server
30: Battery Energy Storage System (BESS)

Claims

memory; and
Including a processor that exchanges data with the above memory,
The above processor,
Receive historical data from a battery energy storage system operating in a frequency regulation service,
After preprocessing the received historical data, the preprocessed historical data is split into training data, validation data, and testing data.
Output the charging state prediction result data generated by the Seq2Seq regression learning framework based on the Training Data, Validation Data, and Testing Data for the above split Historical data.
When outputting the above charging status prediction result data,
A device for predicting a state of charge of a battery energy storage system, which outputs the state of charge prediction result data to reduce the uncertainty of a state of charge prediction model based on [Mathematical Formula 11] and [Mathematical Formula 12] below.
[Equation 11]

[Equation 12]

Here, MI is mutual information, xi is the number of samples of each input feature x, yj is the number of samples of the target output y, NMI is the normalized mutual information between xi and yj, H(x) is the amount of uncertainty for each input feature, and H(y) can be the amount of uncertainty for each target output.

delete

In the first paragraph,
Further comprising an encoder that reads and encodes an input sequence, and a decoder that predicts and decodes each element in an output sequence of a prediction range.
A state of charge prediction device for a battery energy storage system.

In the third paragraph,
The above encoder and the above decoder,
Each of which uses multiple LSTM memory cells,
A state of charge prediction device for a battery energy storage system.

delete

In the first paragraph,
The above processor,
Using multiple datasets to predict the state of charge of a battery energy storage system operating in the above frequency regulation service.
A state of charge prediction device for a battery energy storage system.

In paragraph 9,
The above processor,
Preprocessing the above multiple datasets,
A state of charge prediction device for a battery energy storage system.

A method for predicting a state of charge of a battery energy storage system, performed by a state of charge predicting device,
A step of receiving historical data from a battery energy storage system operating in a frequency regulation service by a processor of the above charging state prediction device;
A step of preprocessing the received historical data by the processor, and then splitting the preprocessed historical data into training data, validation data, and testing data; and
Including a step of outputting the charging state prediction result data generated by the Seq2Seq regression learning framework based on Training Data, Validation Data and Testing Data for the split Historical data by the above processor,
When outputting the above charging status prediction result data,
A method for predicting a state of charge of a battery energy storage system, which outputs the state of charge prediction result data to reduce the uncertainty of a state of charge prediction model based on [Mathematical Formula 11] and [Mathematical Formula 12] below.
[Equation 11]

[Equation 12]

Here, MI is mutual information, xi is the number of samples of each input feature x, yj is the number of samples of the target output y, NMI is the normalized mutual information between xi and yj, H(x) is the amount of uncertainty for each input feature, and H(y) can be the amount of uncertainty for each target output.

delete

In Article 11,
A step of reading and encoding an input sequence by an encoder of the above processor; and
Further comprising a step of predicting and decoding each element in the output sequence of the prediction range by the decoder of the above processor.
A method for predicting the state of charge of a battery energy storage system.

In Article 13,
In the above encoding step and the above decoding step,
Each of which uses multiple LSTM memory cells,
A method for predicting the state of charge of a battery energy storage system.

delete

In Article 11,
The step of outputting the above charging state prediction result data is:
When outputting the above charging status prediction result data,
By the above processor, a plurality of data sets are used to predict the state of charge of a battery energy storage system operating in the frequency regulation service.
A method for predicting the state of charge of a battery energy storage system.

In Article 19,
Further comprising a step of preprocessing the plurality of datasets by the processor.
A method for predicting the state of charge of a battery energy storage system.