Ⅰ. 서론
스마트 그리드는 에너지 수요량에 맞추어 적절한 전력발전 및 예비 전력 확보를 위해 필요한 효과적인 기술들을 사용하여 실현된다. 그리고 스마트 그리드의 중심부에서는 전력의 흐름을 관찰하고 이를 통해 전력 발전량을 제어한다[1]. 이러한 적절한 전력량 발전은 수요량이 공급량보다 많을 경우는 블랙아웃 현상이 발생할 수 있고 수요량보다 공급량이 크게 웃돌게 될 경우는 추가로 발전된 예비전력이 남아도는 현상이 발생하므로 중요하다. 이 때문에 스마트 그리드 시스템과 관련된 기술들의 연구가 과거부터 현재까지 지속해서 연구되고 있다[2]. 스마트 그리드에서의 기본 기술인 스마트 미터기는 수동 미터기부터 시작되어 무선 통신 기술의 발전으로 전력량 사용 측정의 편리성을 증대시켰고 이전보다 에너지를 효율적으로 자동측정하고 관리했다.
하지만, 시간의 흐름에 따라 스마트 그리드와 관련된 기술이 발전하게 되었고 이에 따라서 전력량 관리도 함께 복잡해졌다[1]. 본 연구에서는 효율적인 에너지 소비 제어를 위해서 [3]에서 제시된 것처럼 다양한 인공 신경망 모델 중에서 에너지 사용량 예측의 성능이 가장 높게 평가되는 GRU 모델을 사용한 스마트 미터기의 구현을 제안한다.
본 논문은 다음과 같이 구성된다. 먼저, Ⅱ장에서는 스마트 미터기 기술이 되기까지 등장했던 미터기 기술과 스마트 미터기가 무엇인지에 관해 설명하고 Ⅲ장에서는 순환 신경망과 GRU를 설명한다. Ⅳ장은 제안하는 스마트 미터기의 구조를 설명하고 Ⅴ장에서 구현 환경과 구현 결과를 설명한다. 마지막으로 Ⅵ장에서 결론을 제시하여 이 연구를 마무리 짓는다.
Ⅱ. 스마트 미터기
1. 스마트 미터기 이전 에너지 미터기 기술들
스마트 미터기 이전의 전통적인 미터기 시스템을 사용하던 시기에는 이용자가 매달 직접적으로 미터기에 기록된 에너지 소비량을 읽었다. 미터기에 기록된 정보를 얻기 위해서 사용자는 물리적인 방식의 미터기 접촉이 필요했다. 이러한 전통적인 미터기 시스템을 Manual Meter Reading (MMR)이라 한다. 이 시스템의 에너지 미터기는 대체로 외진 장소나 건물에 위치했다. 이러한 인적이 드문 장소는 접근성이 좋지 않아 이 기술로 매달 소비량을 측정하는 것이 어려웠다.
Electronic Meter Reading (EMR)이라 불리는 새로운 개념이 MMR이 지닌 문제의 해결책으로 고안됐다. 이 방식은 수동으로 소비량을 관찰할 필요를 없애서 미터기의 측정 효율성을 증대시켰다. 이 EMR 기술들은 무선 네트워크를 사용하여 정보를 수집하고 배포한다.
EMR 이후 등장한 Automatic Meter Reading (AMR)은 다양한 통신방식을 활용해 정보를 원격으로 얻고 얻은 정보를 바탕으로 요금 청구서를 생성한다. 수도 및 가스와 같은 다른 자원을 위한 계량기도 무선으로 측정한 정보를 전력 계량기로 전송한다. 그리고 전력량 미터기는 중앙 서버와 Power Line Communication (PLC)을 통해 다양한 에너지 소비량 값을 전송한다[4].
2. 스마트 미터기
그리드 시스템 운영자와 사용자의 미터 사이의 실시간 양방향성 통신은 AMR을 Advanced Metering Infrastructure (AMI)로 변화시켰다. 그리고 AMI는 스마트 미터기 간의 통신 및 가정간의 통신도 모두 포함한다. AMI의 미터기는 중앙 관리자에 의해 주기적으로 업데이트 또는 업그레이드된 시스템에 의해 원격으로 제어된다[4].
AMI의 스마트 미터기는 전력 사용량 정보 및 다른 에너지 사용량에 대한 정보를 얻기 위해 스마트 그리드에서 필요한 가장 기본적인 기술이다. 스마트 미터기는 사용자 측 부하에서 전력 사용량에 대한 정보를 얻고 이 값을 그리드 시스템의 중앙 서버에 전송한다. 중앙서버는 전달받은 값을 토대로 사용자의 전력 소비량을 측정 및 앞으로 필요한 전력 소비량을 예측한다. 이 정보를 토대로 관리자는 부하를 관리함과 동시에 발전소에 이 정보를 전송하여 수요에 맞추어 전력 생산량을 조절하여 공급한다.
Ⅲ. 인공 신경망
1. 다층 인지 신경망
Artificial Neural Network (ANN) 분야는 뉴런이 인간의 뇌에서 상호 작용하고 기능하는 방식에 기초를 둔다. 인간의 뇌는 인식, 추론 및 회복을 위해 병렬 방식으로 작동하는 것으로 알려져 있다. ANN이 위와 같은 종류의 문제 해결을 하므로 간단한 응용 프로그램에서부터 패턴 인식 알고리즘과 같은 복잡한 응용 프로그램까지 사용할 수 있다[5]. 또 이러한 신경망은 음성 인식, 영상 처리, 기상 예측, 주식 시장 예측 그리고 에너지 소비량 예측에 사용된다[6].
다층 인지 신경망은 하나의 입력층, 하나의 은닉층 및 하나의 출력층의 세 가지의 층으로 구성된다. 각 층은 뉴런들을 포함하고 각 뉴런은 추가 처리를 위하여 그와 관련된 가중치를 갖는다[5]. 은닉층의 각 뉴런은 입력층에 각각 완전히 연결되고 출력층은 은닉 층에 각각 완전히 연결된다. 이러한 신경망 중에서 하나 이상의 은닉층을 갖는 망이 심층 인공 신경망이다[7].
2. Gated Recurrent Unit (GRU)
GRU는 Recurrent Neural Network (RNN)에서부터 파생되어[8] 에서 가장 처음 소개되었다. RNN은 하나 이상의 피드백 루프를 가지고 있는 인공 신경망이다. 이때의 피드백 루프는 그림 1과 같이 시간 또는 순서에 따라 반복하는 구조로 되어 있어서 순서 인식 및 예측을 위한 순차적 데이터를 모델링에 사용한다[9].
그림 1. 순환 신경망 구조.
Fig. 1. Structure of Recurrent Neural Network.
이후 등장한 Long short term memory (LSTM) 기술은 RNN에 입력 게이트, 망각 게이트 그리고 출력 게이트를 도입하여 RNN 장기의존성 문제를 해결했다. 그러나 이 LSTM의 구조는 복잡해서 GRU가 등장했다.
GRU는 입력 게이트와 망각 게이트를 업데이트 게이트 하나로 융합하였고 출력 게이트는 리셋 게이트로 대체했다. 이렇게 세 개였던 게이트의 수가 두 개로 변화하게 되면서 연산에 필요한 매개 변수의 수가 줄어들고 연산 속도가 향상되었다. 그림 2는 GRU의 구조를 나타냈고 GRU의 연산 과정은 다음과 같은 수식을 가진다 [10].
그림 2. GRU의 구조.
Fig. 2. Structure of GRU.
\(z_{t}=\sigma\left(W_{z} \cdot\left[h_{t-1}, x_{t}\right]\right)\). (1)
\(r_{t}=\sigma\left(W_{r} \cdot\left[h_{t-1}, x_{t}\right]\right)\). (2)
\(\widetilde{h}_{t}=\tanh \left(W \cdot\left[r_{t} \times h_{t-1}, x_{t}\right]\right)\) (3)
\(h_{t}=\left(1-z_{t}\right) \times h_{t-1}+z_{t} \times \widetilde{h}_{t} .\) (4)
본 논문에서는 스마트 미터기에 적용되는 전력사용량 예측을 GRU 모델을 사용하여 구현한다.
Ⅳ. 제안하는 스마트 미터기의 구조
그림 3은 본 논문에서 제안하는 스마트 미터기의 흐름도이고 그림 4는 흐름도를 바탕으로 구성한 미터기의 의사코드이다.
그림 3. 스마트 미터기 흐름도.
Fig. 3. Flow chart of Smart Meter.
그림 4. 제안하는 스마트 미터기의 의사코드.
Fig. 4. Pseudo-code for proposed Smart meter.
구조도와 의사코드를 바탕으로 제안하는 스마트 미터기의 동작 원리는 다음과 같다. 실시간으로 전류 값을 측정해 전력 사용량 값으로 변환하여 Micro Control Unit (MCU) 보드의 데이터베이스에 변환한 값을 저장한다. 저장된 데이터는 전력 사용량 예측을 위해 GRU 모델을 사용한 인공 지능 알고리즘의 학습 데이터로 사용한다. 부하의 연결제어를 위하여 실제 전력사용량을 GRU으로 얻은 예측 값과 비교한다. 전력 사용량이 예측값보다 기준치 이상 높아지면 사용자에게 알림이 표시된다. 그리고 멀티탭에 연결된 기기를 제어하기 위한 제어 신호를 생성하고 이를 통해 선택적으로 기기를 제어한다. 사용자의 모니터 화면에는 데이터 베이스에 저장된 전력 사용량 값을 토대로 생성되는 실시간 그래프가 제공된다.
Ⅴ. 스마트 미터기 구현 결과
1. 스마트 미터기 구현 환경
본 논문에서 제안하는 스마트 미터기를 구현하고 이를 확인해보기 위해 대학교 인근에서 거주하는 1인 가구를 스마트 미터기의 구현 환경으로 설정하였다. 이때 수집할 전력 사용량 데이터는 정수기, 에어컨, 드라이기 그리고 커피포트와 같은 네 가지 종류의 가전제품을 통해 수집하였다.
모든 데이터는 1초마다 측정하여 기록된다. 본 연구에서는 평균 15분의 데이터로 다시 생성하여 전 처리 과정을 진행하였다. 과적합 문제를 피하는 가장 좋은 방법은 최대한 많은 양의 훈련 데이터를 수집하는 것이다. 많은 양의 데이터로 훈련된 모델은 그렇지 않은 모델보다 일반화 성능이 우수하다. 그러므로 2019년 1월 21일부터 5월 10일까지 10,560개 샘플을 GRU 모델의 훈련 데이터로 사용하였다. 인공 신경망의 은닉층으로 하나의 GRU 신경망을 적용했다. 성능평가 지표로는 Root Mean Squared Error (RMSE)를 사용하여 비교했다. RMSE의 수식은 다음과 같다.
\(RMSE = \sqrt{\frac{1}{n}\sum_{i=1}^{n}(yi-pi)^{2}.}\) (5)
사용한 데이터를 통해서 구해진 오차 값은 88.41 Watt이다. 이 오차 값을 통하여 약 20%의 마진 값을 추가하여 예측 값과 실제 측정값 사이의 오차가 105 Watt 이상이 될 경우 제어신호를 발생시켜 가전제품의 연결상태를 제어한다.
2. 스마트 미터기 구현 결과
앞서 선택한 시뮬레이션 환경에서 제안하는 스마트 미터기를 구현하고 실험하였다. 그림 5와 그림 6에 표시된 LED는 멀티탭과 기기의 연결을 제어하는 장치의 동작 상태를 나타낸다. LED가 켜지면 제어장치가 동작을 하지 않아 멀티탭에 연결된 가전제품에 전력이 공급되고 LED가 꺼지면 제어신호로 인해 제어장치가 작동하여 가전제품에 전력 공급이 차단된다. 그림 5에 표시된 부분의 LED가 모두 켜진 것을 통해 전력이 멀티탭에 연결된 모든 장치에 제공되어 스마트 미터기 시스템이 연결된 멀티탭에 연결된 네 가지 가전제품의 동작이 정상적으로 이루어지는 것을 나타낸다. 그림 6에서 예측 값과 실제 사용량의 차이가 기준치인 105 Watt가 넘어 발생된 제어 신호로 인하여 제어장치가 작동하여 연결된 기기에 전력 공급이 차단된다.
그림 5. LED가 켜진 상태의 스마트 미터기
Fig. 5. Smart metering system with LED light on.
그림 6. 제어 신호로 인해 LED 등이 꺼진 상태의 스마트 미터기.
Fig. 6. Smart metering system with LED light off due to control signal.
그림 7, 8은 사용자의 모니터에 표시되는 가전제품의 실시간 전력 사용량 그래프이다. 그림 7의 그래프를 통해 각 가전제품의 전력 사용량이 실시간으로 기록되는 것을 확인했다. 그림 8의 그래프는 4번 제어장치와 연결된 기기의 전력사용량 예측 값과 실제 전력 사용량의 차이를 통해 발생된 제어 신호를 통해서 기기의 제어가 가능함을 보여준다. 그림 9는 GRU를 사용하여 얻은 실제 전력 사용량과 예측한 전력 사용량에 대한 그래프를 나타낸다.
그림 7. 실시간 전력 소비량 시뮬레이션 결과.
Fig. 7. Simulation results about real time power consumption.
그림 8. 제어 신호로 인한 4번 장치의 연결 상태 변화.
Fig. 8. Changed connection state of device number 4 due to control signal.
그림 9. GRU의 예측결과.
Fig. 9. Prediction result of GRU.
Ⅵ. 결론
본 논문에서는 GRU 모델을 사용한 스마트 미터기를 구현하여 예측 결과를 토대로 기기와 멀티탭의 연결 제어에 관한 연구를 진행했다. 실시간 데이터 저장과 이 저장된 데이터를 바탕으로 실시간 그래프를 모니터로 관찰했고 예측된 값을 통해 제어가 성공적으로 이뤄지는 것이 확인됐다. RMSE 지표를 통해 실제 전력 사용량과 예측된 전력 사용량이 미리 설정해둔 기준치 이상의 차이가 발생할 경우 제어 신호를 발생시켜 기기의 연결을 제어해 전력 공급을 조절했다. 인공 지능 모델을 사용한 스마트 미터기를 구현하였으나 딥 러닝의 훈련 데이터를 GRU 모델의 학습이 충분히 이루어질 만큼의 데이터 확보가 어려울 수 있다. 이 문제를 해결한다면 스마트 미터기를 통한 가전기기의 효율적인 제어로 일상생활에서 에너지 절감을 실천할 것으로 기대된다.
참고문헌
- A. Singhal and R.P. Saxena "Software models for smart grids," in Proc. 2012 First International Workshop on Software Engineering Challenges for the Smart Grid, pp. 42-45, Zurich, Switzerland, June 2012. DOI: https://doi.org/10.1109/SE4SG.2012.6225717
- G. N. Srinivasa Prasanna, A. Lakshmi, S. Sumanth, V. Simha, J. Bapat and G. Koomullil, "Data communication over the smart grid," in Proc. 2009 IEEE International Symposium on Power Line Communications and Its Applications ISPLC '2009, pp. 273-279, Dresden, Germany, Mar. 2009. DOI: https://doi.org/10.1109/ISPLC.2009.4913442
- H. Rafiq, H. Zhang, H. Li and M. K. Ochani, "Regularized LSTM based deep learning model: first step towards real-time non-intrusive load monitoring," in Proc 2018 IEEE International Conference on Smart Energy Grid Engineering, pp. 234-239, Oshawa, ON, Canada, Aug. 2018 DOI: https://doi.org/10.1109/SEGE.2018.8499519
- N. S. Zivic, O. Ur-Rehman and C. Ruland, "Evolution of smart metering systems," in Proc. 2015 23rd Telecommunications Forum Telfor, Belgrade, pp.635-638, Belgrade, Serbia Nov. 2015. DOI: https://doi.org/10.1109/TELFOR.2015.7377547
- G. Singh and M. Sachan, "Multi-layer perception (MLP) neural network technique for offline hand written gurmukhi character recognition," in Proc. 2014 Computational Intelligence and Computing, pp. 1-5, Coimbatore, India, Dec. 2014. DOI: https://doi.org/10.1109/ICCIC.2014.7238334
- S. Kumar, L. Hussain, S. Banarjee and M. Reza, "Energy load forecasting using deep learning approach-LSTM and GRU in spark cluster," in Proc. 2018 Emerging Application of Information Technology, pp. 1-4, Kolkata, India, Jan. 2018. DOI: https://doi.org/10.1109/EAIT.2018.8470406
- P. Brockwell and R. Davis, Introduction to Time Series and Forecasting, Springer, 2002. DOI: https://doi.org/10.1007/b97391
- K. Cho, B. van Merrienboer, C. Gulcehre, D. Bahdanau, F. Bougares, H. Schwenk and Y. Bengio, "Learning phrase representations using RNN encoder-decoder for statistical machine translation," in Proc. 2014 Empirical Methods in Natural Language Processing, pp. 1724-1734, Doha, Qatar, Oct. 2014. DOI: https://doi.org/10.3115/v1/d14-1179
- H. Salehinejad, S. Sankar, J. Barfett, E. Colak and S. Valaee, "Recent advances in recurrent neural networks," ArXiv, abs/1801.0107.8, Feb. 2018.
- G. Xiuyun, W. Ying, G. Yang, S. Chengzhi, X. Wen and Y. Yimiao, "Short-term load forecasting model of GRU network based on deep learning framework," in Proc. 2018 2nd IEEE Conference on Energy Internet and Energy System Integration, pp. 1-4, Beijing, China, Oct. 2018. DOI: https://doi.org/10.1109/EI2.2018.8582419
- Y.. Jung, D. Kim, C. Hong, J.. Lee, and H. Kwon, "The study to measure of the BTX concentration using ANN," Journal of the Korea Academia-Industrial cooperation Society, vol. 5, no. 1, pp. 1-6, Mar. 2004.
- K. Bae and C. Kim, "An agricultural estimate price model of artificial neural network by optimizing hidden layer," The Journal of KIIT, vol. 14, no. 12, pp. 161-169, Dec. 2016. DOI: 10.14801/jkiit.2016.14.12.161