• 대한전기학회
Mobile QR Code QR CODE : The Transactions of the Korean Institute of Electrical Engineers
  • COPE
  • kcse
  • 한국과학기술단체총연합회
  • 한국학술지인용색인
  • Scopus
  • crossref
  • orcid

  1. (Dept. of Electrical and Computer Engineering, Pusan National University, Korea.)
  2. (Energy Platform Research Center, Korea Electrotechnology Research Institute, Korea.)



Digital Twin, Machine Learning, Optimization, Power System, Energy Storage System

1. 서 론

최근 디지털뉴딜(Digital new deal), 그린 뉴딜(Green new deal)이 떠오르며, 정부는 데이터 경제 촉진을 통해 신산업 육성 및 주력산업에 디지털 전환을 가속화하고 있다. 친환경, 저탄소 등 그린 경제로의 전환을 촉진하여 탄소 중립을 지향하고 에너지 절약과 신재생에너지 확신 등의 기반이 될 수 있는 친환경 에너지 인프라를 구축하고 있다(1). 디지털 뉴딜의 핵심 기술 중 하나인 디지털 트윈은(Digital Twin) 실제 공간과 동일한 시스템을 가상공간에 모사하여 이를 동기화시키는 기술로 물리적 문제를 보다 빨리 감지하여 물리적 변화를 빠르게 예측할 수 있다. 국내의 경우에는 2016년 말 이전까지 디지털 트윈 기술의 관심이 매우 낮았으나, 2016년 10월 가트너에서 2017년 10대 전략기술로 디지털트윈을 발표하면서 기술적 관심이 급증하였다(2). 디지털 트윈을 통해 가상공간에 존재하는 트윈 모델을 실시간으로 모니터링하여 시스템의 건전한 상태를 관리하고 이상 행동을 사전에 감지하여 시스템의 이상 유무를 진단하며, 시스템 구성 및 운영 알고리즘을 다양하게 변화시켜 테스트할 수 있다. 이는 시스템을 운영할 때 설비의 구성 변경과 운영 알고리즘 선택 및 의사결정의 어려움, 시스템 오작동 등과 같이 야기되는 문제점을 극복할 수 있도록 도와준다.

디지털 트윈 기술은 제조 및 공정산업에 주로 사용되고 있지만, 전력시장에서의 디지털화를 통해 전력산업도 발전함에 따라 전력시스템에도 적용시킨다면 더욱 효율적으로 전력시스템을 운영할 수 있다(3). 전력 분야에서는 인공지능(Artificial Intelligence) 기술을 적용한 전력시스템의 운영 데이터 수집 및 분석에 대한 연구는 무수히 많지만, 실제 전력시스템을 가상공간에 모사하여 구현하고 시뮬레이션을 수행하는 디지털 트윈 연구는 미흡하다. 특히, 소규모 전력시스템에 디지털 트윈을 적용하여 실증한 연구는 아직 부족한 실정이다. 국내에서는 대표적으로 새만금 스마트 수변도시와 세종 스마트시티에 디지털 트윈 플랫폼을 구축하여 실제와 유사한 가상 도시를 만들어 연구를 진행하고 있다. 디지털 트윈을 통해 가상공간에서 기존의 전력시스템 구성을 변경하거나 다양한 운영 알고리즘을 선정하는 등 시뮬레이션함으로써 운영 시 발생하는 의사결정의 어려움을 해소하여 시스템의 안정성 및 운영의 효율성을 향상시킬 수 있다. 에너지 분야에서의 디지털 트윈 기술 적용은 에너지 디지털화 기술을 더욱 진화시켜 에너지 산업 성장에 기여할 수 있을 것으로 사료된다(3).

본 논문에서는 디지털 트윈 기술을 실증 마이크로그리드(Microgrid)에 적용하여 시스템의 상태와 특성을 반영한 가상 모델을 구현하여 실제 시스템을 유사하게 모사하였으며, 모든 운영 데이터와 정보가 실시간으로 공유 가능토록 하였다. 다만, 마이크로그리드 구성 자원 중 에너지저장시스템(Energy Storage System, ESS)에 대해서만 최적 운영 계획 모델을 수립하여 연구를 수행하였다. 가상 공간에 구현된 ESS의 가상 모델에 기계학습 기반 최적 운영 모델을 적용하여 실증 ESS 최적 운영 결과와의 유사성을 비교·분석하였다. 실제 시스템과 동일한 환경으로 구성되어 있는 가상공간에서 시스템 운영에 필요한 의사결정을 위해 시뮬레이션을 수행하여 시스템 운영의 불안정성과 불확실성을 해소하고자 한다.

2. 실증 ESS의 디지털 트윈 모델

2.1 디지털 트윈

디지털 트윈은 가상공간에서 시스템 분석, 최적화, 시뮬레이션 등을 수행할 수 있으므로, 실제 공간에서의 비용과 시간을 절약할 수 있고, 위험성을 줄일 수 있다. ESS 운영에 필요한 최적 충방전 계획을 수립하기 위한 모델을 다양하게 적용하여 시뮬레이션 할 수 있으며, 실험 조건에 따라 결과가 어떻게 바뀌는지 실시간으로 확인이 가능하다. 가상공간에서의 시뮬레이션으로 통찰력을 향상시켜 의사결정을 수립하고 이를 현실에 반영할 경우 시스템의 불안정성 및 불확실성을 줄일 수 있으며 더욱 효율적으로 운영할 수 있다. 그림 1은 마이크로그리드에서의 디지털 트윈을 나타낸다. 각각의 자원들의 운영 데이터를 가상 공간에 동일하게 구현하여 실시간으로 데이터를 받아 운영할 수 있으며, 이를 통해 실제 시스템에 피드백을 할 수 있다.

그림. 1. 마이크로그리드에서의 디지털 트윈

Fig. 1. Digital Twin in Microgrid

../../Resources/kiee/KIEE.2022.71.6.819/fig1.png

2.2 디지털 트윈을 위한 실증 데이터 분석

실제로 구축되어 있는 마이크로그리드의 구성 자원 중 실증 ESS를 대상으로 연구를 수행하였으며, 실증 ESS는 배터리 용량 500kWh, PCS 용량 250kW로 구성되어 있다. 2019년 1월부터 2019년 11월까지는 정부의 지침에 따라 ESS 운영을 중단하였으므로, 재가동이 된 후 운영의 안정화가 된 시기인 2020년 1월부터 2020년 12월까지의 ESS 운영 데이터를 EMS (Energy Management System)로부터 수집하였다. 그림 2는 수집된 데이터 중 2020년 실제 운영 기간 동안의 실증 ESS 충·방전량을 나타내며, EMS로부터 수집된 실증 ESS의 운영 데이터 간 상관관계는 그림 3과 같다. ESS의 충·방전량은 SOC(State of Charge), SOH(State of Health), 전기요금의 계시별 요금 단가와 시간에 비교적 상관관계가 높은 것을 확인할 수 있다. 계시별 요금제 적용으로 인해 계절별로 ESS 충·방전 스케줄과 충·방전량이 상이하므로 그림 4와 같이 계절별로 데이터를 분류하여 분석하였다.

그림. 2. 실증 ESS의 최적 충·방전량

Fig. 2. Optimal charging/discharging of ESS

../../Resources/kiee/KIEE.2022.71.6.819/fig2.png

그림. 3. 실증 ESS 운영 데이터의 상관관계 분석

Fig. 3. Correlation coefficient of ESS operation data

../../Resources/kiee/KIEE.2022.71.6.819/fig3.png

그림. 4. 계절별 실증 ESS의 최적 충방전량

Fig. 4. Optimal charging/discharging of ESS by season

../../Resources/kiee/KIEE.2022.71.6.819/fig4.png

3. ESS 최적 운영 계획 모델

ESS는 용도가 다양하기에 최적 운영 계획을 수립하려면 용도별로 목적함수와 그에 따른 제약조건도 다르게 설정해야 한다. ESS와 PCS의 특성을 충분히 파악하여 설정한 목적함수와 제약조건을 통해 운영 계획을 도출한다. 실증 ESS는 일반적으로 많이 사용되고 있는 최적화 기반 알고리즘을 사용하여 ESS 일간 최적 충방전 계획을 수립하였으며, 전기요금 절감액을 최대로 하는 목적함수를 정의하였고, ESS의 정격 충방전 출력, ESS의 전지용량 및 수용가의 최소·최대 수전전력을 제약조건으로 설정하였다(4).

3.1 인공지능을 적용한 ESS 최적 운영 계획 모델

최적화 기반 운영 계획 모델은 시스템에 대한 이해가 정확해야 시스템이 안정적으로 동작할 수 있도록 구현 가능하지만, 다수의 자원과 복잡한 시스템 구조에서는 비선형성과 연산 부담, 정보의 부재 등으로 인해 정확한 모델링이 어렵다. 또한 기존의 추가 자원 발생 또는 기존 자원 제거 등과 같이 시스템의 변화가 있을 경우는 모델의 구조적인 수정이 불가피하다. 최적화 기반의 운영에서는 다수의 자원을 고려하는 과정에서 결정 변수의 증가, 시스템 복잡성의 증가로 인한 연산 시간 증가, 수렴성 감소 등의 연산 문제가 발생할 수 있다(3).

비선형 고려, 연산 문제, 시스템 확장 또는 변경 시 수학적 모델링의 재구성, 빅데이터 처리의 어려움 등으로 인해 최적화 기반의 마이크로그리드 운영 기술이 가지는 한계를 극복할 수 있는 새로운 운영기법이 필요하다. 본 연구에서는 해당 문제점을 극복하기 위하여 인공지능 기술을 도입하여 운영 모델을 구축하였다. 제안한 운영 모델은 데이터 기반 모델로 설계하였기에, 목적함수와 제약조건 등을 따로 설정하지 않으므로 기존 계산과정을 축소시킬 수 있다. 시스템의 물리적 정보를 수식화하여 모델에 반영하지 않고, 과거의 운영 데이터만으로 모델을 학습시키는 기계학습 모델과 선형회귀 모델을 사용하여 ESS의 최적 운영 계획을 수립하였으며, 그 과정은 그림 5와 같다.

그림. 5. 인공지능 기반 ESS 최적 운영 계획 프로세스

Fig. 5. Process of ESS optimal scheduling using AI

../../Resources/kiee/KIEE.2022.71.6.819/fig5.png

수집된 데이터는 요일별 특성을 고려하여 근무일, 토요일, 공휴일로 분류한 후 근무일만을 사용하였으며, 2월, 5월, 8월, 10월을 겨울, 봄, 여름, 가을을 나타내는 테스트 월로 설정하였다. 계절별로 각각 9종의 720개 데이터를 사용하였고, 트레이닝 셋과 테스트 셋은 7:3으로 구성하였으며, 수집된 데이터의 크기가 다르므로 (0,1) 사이로 정규화(Normalization)하여 활용하였다.

EMS로부터 수집된 ESS 운영 데이터는 전처리 과정을 거친다. 데이터 전처리는 특징을 분석하기 적합하게 데이터를 가공하는 작업을 말한다. 수집된 데이터에는 의미 없는 값이나 널(Null) 값이 존재하는 등으로 인해 수많은 변수들이 데이터의 품질을 떨어뜨리기 때문에 이를 방지하기 위해서 해당 작업을 수행한다. 데이터 분석에 부적합한 구조, 누락된 항목, 결측값 존재 등으로 인해 전처리 과정을 필수적이며, 노이즈(Noise) 제거, 중복값 제거, 결측값 보정, 이상치(Outlier) 검출 등으로 원본 데이터와 보정된 데이터와의 관계를 고려하여 목적에 알맞은 데이터 전처리 과정을 수행한다. 그 이후 운영 데이터를 운영 특성에 맞게 분류하고 분석한다. 과거 데이터를 기반으로 모델을 개발하는 데 있어 이상치나 노이즈 등은 모델의 성능을 저하시키기 때문에 모델의 성능 개선을 위해서는 데이터의 전처리 과정이 필수적이다.

전처리 과정을 거친 데이터를 학습, 검증, 테스트 데이터 셋(Dataset)으로 구성하고 개발된 모델을 선택하여 최종적으로 ESS 운전계획을 수립한다. 인공지능을 적용한 ESS 최적 운영 계획은 일반적인 선형회귀 기법인 최소자승법(Least Square Estimation, LSE)과 기계학습 기법인 NARX 네트워크를 적용하여 모델을 구현하였다. 반복적인 학습으로 모델의 성능을 높인 핏 모델(Fit model)을 이용하여 최적의 운영 계획 수립을 위한 ESS 충방전량을 도출한다.

선형회귀분석 중 하나인 LSE는 선형회귀 방적식의 계수를 계산하는데 일반적으로 사용된다. LSE는 회귀방정식을 사용하여 예측한 값과 실제 값의 오차 제곱이 최소가 되도록 오차 계수를 결정하며 아래의 식(1)-(3)과 같이 계산한다(8,9).

(1)
$A X= B$

(2)
$$ A=\left[\begin{array}{llll} 1 & 2 & \cdots & n \\ 1 & 1 & \cdots & 1 \end{array}\right]^{T}, B=\left[\begin{array}{lllll} x_{1, k} & x_{2, k} & \cdots & x_{n, k} \end{array}\right]^{T} $$

(3)
$X =(A^{T}A)^{-1}A^{T}B$

일반적인 신경망 네트워크와는 다르게 출력 뉴런에서 피드백 구조를 통해 외생적인 입력을 갖는 비선형 자기회귀(Nonlinear autoregressive with external input, NARX) 네트워크는 그림 6과 같다.

그림. 6. NARX 네트워크 구조도

Fig. 6. Architecture of NARX Networks.

../../Resources/kiee/KIEE.2022.71.6.819/fig6.png

NARX 네트워크는 외생변수인 u(t)와 내생변수인 y(t)가 존재하는 피드백 딜레이(Feed back delay)를 가진 재순환 동적 네트워크로, 피드백 연결이 여러 계층을 포함하고 있으며 이는 식(4)와 같다(5,6). 한 시계열의 이전값, 피드백 입력값, 외부 시계열인 두 번째 시계열을 사용하여 원래 시계열을 예측하도록 학습한다.

(4)
\begin{align*} y(t)= f( & y(t-1),\:y(t-2),\:\cdots ,\:y(t-n_{y}),\:\\ & u(t-1),\:u(t-2),\:\cdots ,\:u(t-n_{u})) \end{align*}

3.2 ESS 최적 운영 모델 성능평가

인공지능을 적용한 ESS 최적 운영 계획 모델의 성능은 평가지표를 통해 정확성을 평가하였다. ESS 운영에 필요한 익일 1시간 단위 최적 충방전 계획 모델의 성능평가지표인 평균제곱근오차(Root Mean Square Error, RMSE)와 평균절대오차(Mean Absolute Error, MAE)를 사용하여 정량적으로 정확성을 평가하였다. RMSE와 MAE는 값이 적을수록 모델의 정확성을 높이 평가한다.

표 1. ESS 최적 운영 모델의 성능평가[RMSE]

Table 1. Performance of ESS optimal scheduling model[RMSE]

Spring

Summer

Fall

Winter

Linear

Regression

1.19

2.02

0.38

0.38

Machine

Learning

0.54

1.19

0.77

0.23

표 2. ESS 최적 운영 모델의 성능평가[MAE]

Table 2. Performance of ESS optimal scheduling model[MAE]

Spring

Summer

Fall

Winter

Linear

Regression

0.68

1.81

0.32

0.31

Machine

Learning

0.36

0.87

0.39

0.17

디지털 트윈 기술을 적용하여 가상공간에 실제 ESS를 모사한 가상 ESS 모델의 최적 운영모델 성능을 실제 시스템 운영 결과와 비교·분석한 결과를 표 1~2로 확인할 수 있다. RMSE와 MAE 지표 모두 기계학습을 적용한 모델이 가장 적은 수치로 모델의 성능이 가장 우수하고 실제 운영 모델과 가장 유사함을 확인할 수 있다. 모델의 성능평가지표인 RMSE와 MAE를 구하는 방법은 각각 식(5),(6)과 같다(7).

(5)
$RMSE =\sqrt{\sum_{ {i}=1}^{ {n}}(\hat {y}_{ {i}}- {y}_{ {i}})^{2}/ {n}}$

(6)
$MAE =\left |\sum_{i=1}^{n}\left |\hat y_{i}-y_{i}\right | /n\right |$

그림 7은 실제 ESS 최적 운영 결과와 가상 ESS 모델을 통해 도출한 최적 운영 결과의 오차를 보여주며 가로축은 실제 ESS 운영 결과를 나타내고, 세로축은 시뮬레이션을 통해 도출한 ESS 최적 운영 결과를 나타낸다.

그림. 7. ESS 최적 운영 모델 성능 결과

Fig. 7. ESS optimal scheduling model performance

../../Resources/kiee/KIEE.2022.71.6.819/fig7.png

그림. 8. ESS 최적 운영 계획 결과

Fig. 8. ESS optimal scheduling results

../../Resources/kiee/KIEE.2022.71.6.819/fig8.png

그림 8은 계절별 실제 ESS 운영 결과와 시뮬레이션을 통해 도출한 ESS 운영 결과의 패턴이 유사함을 확인할 수 있다.

그림. 9. 일간 ESS 최적 운영 계획 결과(봄)

Fig. 9. Daily ESS optimal scheduling (Spring)

../../Resources/kiee/KIEE.2022.71.6.819/fig9.png

그림. 10. 일간 ESS 최적 운영 계획 결과(여름)

Fig. 10. Daily ESS optimal scheduling (Summer)

../../Resources/kiee/KIEE.2022.71.6.819/fig10.png

그림. 11. 일간 ESS 최적 운영 계획 결과(가을)

Fig. 11. Daily ESS optimal scheduling (Fall)

../../Resources/kiee/KIEE.2022.71.6.819/fig11.png

그림. 12. 일간 ESS 최적 운영 계획 결과(겨울)

Fig. 12. Daily ESS optimal scheduling (Winter)

../../Resources/kiee/KIEE.2022.71.6.819/fig12.png

그림 9~12는 봄, 여름, 가을, 겨울에 대한 일간 ESS 최적 운영 스케줄링 결과를 보여준다. 계절별로 요금제가 다르고 경부하, 중간부하, 최대부하의 시간대가 다르기 때문에 데이터를 계절별로 분류하여 학습하였고, 이에 따라 계절별 특성을 반영한 결과를 도출하였다.

3.3 ESS 최적 운영 모델 경제성 분석

실증 ESS가 설치된 산업용 수용가는 경부하, 중간부하, 최대부하의 시간대를 가지는 계시별 요금제를 사용한다. 계시별 요금제를 반영하여 경부하, 중간부하, 최대부하 구간 안에서 충전 또는 방전하는 규칙 기반의 특징이 있다. 이를 사례 연구 결과와 실증 ESS를 비교하여 유사함을 확인하였고 산업용 수용가의 계시별 요금제 정보를 활용하여 요금 절감액을 산출하였다.

표 3. ESS 최적 운영모델별 전력량 요금 절감액[원]

Table 3. Economic analysis by optimal operating ESS[KRW]

Optimal

Linear

Regression

Machine

Learning

Spring

180,557

170,125

175,826

Summer

498,914

536,068

491,748

Fall

215,713

204,404

211,417

Winter

539,950

546,208

541,396

Total

1,435,134

1,456,805

1,420,387

표 3은 ESS를 운영하였을 경우 절감되는 전력량 요금을 나타내며, 전기요금 중 기본요금은 고려하지 않은 금액이다. 계절별로 9일씩 총 36일에 대한 전력량 요금 절감액이며 Optimal은 실증 ESS를 운영하여 실제로 절감된 전력량 요금이고, Linear Regression과 Machine Learning은 각각 선형회귀 모델과 기계학습 모델을 실증 ESS에 적용하여 최적 운영 계획을 수립하여 산출한 전력량 요금 절감액을 나타낸다.

Optimal의 전력량 요금 절감액을 분석하였을 때 전력 사용량이 많고 요금 단가가 비교적 비싼 여름과 겨울에 전력량 요금이 많이 절감되었으며, 실증 ESS를 실제로 운영하여 1,435,134원의 전력량 요금이 절감되었다. 선형회귀 모델을 활용하여 ESS 최적 운영 계획을 수립하였을 때 모델의 성능은 기계학습 모델보다 떨어졌지만, 산출된 전력량 요금 절감액은 총 1,456,805원으로 다른 모델보다 가장 많이 절감되었다. 실증 ESS에 적용된 최적화 기반의 모델과 가장 유사한 모델은 기계학습 모델이지만, 경제성 분석 결과 산출된 요금 절감액은 1,420,387원으로 가장 적게 절감되었다. 다만, 실제로 ESS를 운영하여 얻은 전력량 요금 절감액과 각 모델의 활용하여 산출한 전력량 요금 절감액을 비교하였을 때 선형회귀 모델은 21,671원이고, 기계학습을 적용했을 경우에는 14,747원으로 선형회귀 모델보다 절감액의 차이가 적었다.

각 모델별로 산출한 전력량 요금 절감액과 실제 전력량 요금 절감액의 차이는 운영 계획 모델의 유사함을 나타내므로, 전력량 요금이 가장 많이 절감되었더라도 실제 전력량 요금 절감액과 차이가 많이 난다는 것은 실증 ESS 운영 계획 모델과 상이한 운영 계획 모델임을 확인할 수 있다. 이를 다르게 해석하면 실증 ESS 운영 시 적용하고 있는 최적화기법 기반 운영 계획 모델과 가장 유사한 모델이 기계학습 기법을 적용한 모델임을 뜻한다.

4. 결 론

마이크로그리드 운영 시 기술적으로 가장 큰 문제점인 시스템의 비선형성, 복잡도 증가로 인해 발생할 수 있는 연산 시간 증가, 수렴성 저하, 빅데이터 처리의 어려움과 같이 기존의 최적화 기반 마이크로그리드 운영 시 발생하는 문제를 인공지능 기술을 도입하여 해결하고자 하였다.

본 논문에서는 디지털 트윈 기술을 적용하여 가상공간에 실제 마이크로그리드에 구축되어 있는 실증 ESS의 환경과 특성을 정확하게 모사한 가상 모델을 구현하였다. 선형회귀 모델과 기계학습 모델을 적용하여 ESS 운영에 필요한 익일 1시간 단위 ESS 최적 충방전량 계획을 수립하였고, 이를 실제 ESS에 적용하여 모델의 성능을 평가하였다. RMSE와 MAE로 각 모델의 성능을 평가하였으며, 가상 공간에 적용시킨 ESS 최적 운영 모델의 결과와 최적화 기반의 실증 ESS 최적 운영 결과를 비교하여 제안한 모델의 성능을 검증하였다. 기계학습 기반의 최적 운영 계획 모델이 최적화 기반의 운영 계획 모델과 유사함을 확인하였고, 또한 전력량요금은 선형회귀 모델이 더 많이 절감되었음을 확인할 수 있었다. 사용자의 편의에 따라 기법을 적절하게 선정하고 데이터를 충분히 학습시켜 사용한다면, 최적화 기반의 목적함수 및 제약조건 설정 없이 데이터만으로도 실증 ESS를 운영한 결과와 유사하게 ESS를 운영할 수 있을 것으로 사료된다.

최적화 모델을 활용하여 ESS를 운영할 경우 올바른 목적함수 정의 및 제약조건을 설정해야 문제 해결이 가능하지만 데이터 기반의 기계학습 모델을 활용할 경우에는 반복을 거듭하여 학습하므로 목적함수 및 제약조건 설정과 같은 어려움을 해결할 수 있다. 또한 디지털 트윈 기술을 통해 가상공간에서 시뮬레이션을 통해 얻은 결과를 실제 시스템에 적용하기 전 검증이 가능하다. 이를 통해 시스템 운영에 있어서 의사결정 수행 시 시스템의 불안정성 및 불확실성을 해소할 수 있다.

향후 지속적인 데이터 축적을 통해 모델의 예측 변수 또는 파라미터 등을 변화시켜 모델의 성능을 더욱 고도화할 예정이다. 더 나아가 디지털 트윈 대상을 ESS 뿐 아니라 다양한 분산자원을 포함한 마이크로그리드로 확대하여 운영 기술을 연구할 계획이다. 실증 마이크로그리드의 상태 및 운영 특성을 정확하게 파악하고 실시간으로 정보를 수집하여 가상공간에 마이크로그리드를 디지털 트윈을 구축하여 마이크로그리드 운영의 효율성을 향상시킬 것으로 기대한다.

Acknowledgements

This research was supported by Korea Institute of Energy Technology Evaluation and Planning(KETEP) grant funded by the Korea government(MOTIE)(No.20212020900530, Development and Demonstration of Cloud Energy Management System for Distributed Buildings).

References

1 
Korean relevant Ministryannounced, Jul 14, 2020, The Korean New Deal, related website https://www.knewdeal.go.kr/Google Search
2 
The technical definition and detailed evolution of the digital twin 5-stage model, Institute of Information & Communications Technology Planning & Evaluation website noticed Feb 10, 2021, https://m.iitp.kr/kr/1/knowledge/ periodicalViewA.it?masterCode=publication&searClassCode=B_ITA_01&identifier=1166Google Search
3 
H.A. Park, G.S. Byeon, W.B. Son, J.Y. Kim, 2021, Digital Twin-based ESS optimal operating technology using Machine Learning, The Korean Institute of Electrical Engineers Conf, pp. 766-797Google Search
4 
S.K. Kim, K.H. Cho, J.Y. Kim, G.S. Byeon, 2019, Field study on operational performance and economics of lithium-polymer and lead-acid battery systems for consumer load management, Renewable and Sustainable Energy Reviews, Vol. 113, No. 109234DOI
5 
H.A. Park, G.S. Byeon, W. Son, H.C. Jo, J.Y. Kim, 2020, Digital Twin for Operation of Microgrid: Optimal Scheduling in Virtual Space of Digital Twin, Energies, Vol. 13, No. 20, pp. 5504DOI
6 
H.A. Park, Y.R. Lee, W. Son, J.Y. Kim, 2020, Data-driven Load Forecasting Using NARX Networks, The Korean Institute of Electrical Engineers Conf, pp. 903-904Google Search
7 
C.J. Willmott, K. Matsuura , 2005, Advantages of the mean absolute error (MAE) over the root mean square error (RMSE) in assessing average model performance, Climate research, Vol. 30, No. 1, pp. 79-82DOI
8 
B. Jaeger, 2006, The method of least squares, Hand book of research on informatics in healthcare and biomedicine, Vol. igi global, pp. 181-185Google Search
9 
H.A. Park, W. Son, J.Y. Kim, K.H. Cho, E.S. Kim, J.H. Jeon, 2019, Improving the performance of industrial load prediction models using optimized weighting factor of WMA, The Korean Institute of Electrical Engineers Conf, pp. 85-86Google Search

저자소개

박향아(Hyang-A Park)
../../Resources/kiee/KIEE.2022.71.6.819/au1.png

She received her M.S. degrees in department of electrical engineering from Pusan National University, South Korea in 2015.

Currently, she is pursing the Ph.D. degree in department of electrical engineering from Pusan National University, South Korea.

She is also working at Energy Platform Research Center, Korea Electrotechnology Research Institute.

변길성(Gil-Sung Byeon)
../../Resources/kiee/KIEE.2022.71.6.819/au2.png

He received the M.S and Ph.D. degree in department of electrical engineering form the Korea National University, South Korea in 2006, 2013.

He is currently a Principal Researcher at Energy Platform Research Center, Korea Electrotechnology Research Institute.

김종율(Jong-Yul Kim)
../../Resources/kiee/KIEE.2022.71.6.819/au3.png

He received the M.S and Ph.D. degree in department of electrical engineering form the Pusan National University, South Korea in 1999, 2011.

He is currently a Director and Principal Researcher at Energy Platform Research Center, Korea Electrotechnology Research Institute.

김성신(Sung-Shin Kim)
../../Resources/kiee/KIEE.2022.71.6.819/au4.png

He received the M.S. degree in department of electrical engineering from Yonsei University, South Korea in 1986.

He received the Ph.D. degree in department of electrical engineering from Georgia Institute of Technology, U.S.A. in 1996.

He is currently a Professor at the School of Electrical Engineering, Pusan National University, South Korea.

His research interests include Intelligent System, Intelligent Robot, Fault Diagnosis and Prediction.