실시간 시뮬레이터가 딥 신경망 기반의 학습 모델을 통하여 대상 공장의 부하 패턴을 감지하고 최적화하기 위하여 학습하는 사전 교육 단계;를 포함하고,상기 사전 교육 단계는, 학습 데이터를 저장할 메모리를 생성하고 상기 딥 신경망 기반의 학습 모델을 초기화하는 제1단계;상기 딥 신경망 기반의 학습 모델에 대한 초기 입력 값을 생성하고, 최대 훈련 시간 횟수를 설정하는 제2단계; 및상기 최대 훈련 시간 횟수를 충족할 때까지 상기 딥 신경망 기반의 학습 모델의 훈련 프로세스를 수행하는 제3단계;를 포함하고,상기 제3단계의 상기 딥 신경망 기반의 학습 모델의 훈련 프로세스는, 현재 상태값(State, st)에 대응하는 현재 동작값(Action, at)을 결정하는 단계; 상기 현재 동작값(at)을 실행하여 미래 상태값(st+1) 및 현재 보상값(Reward, rt)을 추출하는 단계; 상기 메모리에 현재 상태값(st), 현재 동작값(at), 미래 상태값(st+1) 및 현재 보상값(rt)을 저장하는 단계; 상기 딥 신경망 기반의 학습 모델의 목표 추정치(Qtarget)를 연산하는 단계; 및 경사하강법(gradient descent)을 이용하여 상기 딥 신경망 기반의 학습 모델을 업데이트 하는 단계를 포함하고,상기 현재 동작값(at)을 결정하는 단계는, 0 및 1 사이의 난수값(random number, n)이 하기 수학식 1의 엡실론(ε값보다 작은 경우 임의 동작(random action)을 선택하고, 상기 난수값(n)이 하기 수학식 1의 엡실론(ε값보다 크거나 같은 경우 동일한 현재 상태값(st)에서 가장 높은 추정치(Q-value)를 갖는 현재 동작값(at=Max Q(st,at))을 선택하고,상기 현재 보상값(rt)을 추출하는 단계는, 하기 수학식 2에 의하여 계산되고,상기 딥 신경망 기반의 학습 모델의 목표 추정치(Qtarget)를 연산하는 단계는, 하기 수학식 3에 의하여 계산되는 것을 특징으로 하는, 공장 에너지 관리 방법:[수학식 1](여기서, α(0003c#α003c#1)는 학습률(learning rate), epoch는 훈련 시간 횟수(number of training times)이다.)[수학식 2](여기서, PAC는 장치의 정격 전력(Rated power of device), Tt는 사용 시간(Time-of-use, TOU) 가격, pe는 페널티(Penalty), ts는 장치가 켜져있는(ON) 시간, tmin은 장치의 필요한 스케줄링 시간의 최소값, tmax는 장치의 필요한 스케줄링 시간의 최대값이다.)[수학식 3](여기서, α(0003c#α003c#1)는 학습률(learning rate), (0003c#003c#1)은 미래 상황이 현재의 학습에 미치는 영향을 결정하는 할인계수(discount factor), st는 현재 상태값, at는 현재 동작값, rt는 현재 보상값, st+1은 미래 상태값, at+1은 미래 동작값이다.)

제1항에 있어서,상기 제1단계는, 랜덤 매개변수 θ0(wi(가중치), bi(편향))와 함께 상기 딥 신경망 기반의 학습 모델을 초기화하고, 상기 딥 신경망 기반의 학습 모델의 최종 훈련 목표값 θtarget을 θ0으로 설정하는 것을 특징으로 하는, 공장 에너지 관리 방법.

제1항에 있어서,상기 제2단계는, 초기 상태값에 대응하는 상기 딥 신경망 기반의 학습 모델에 대한 초기 입력을 생성하는 것을 특징으로 하는, 공장 에너지 관리 방법.

제3항에 있어서,상기 상태값은 사용 시간(Time-of-Use, TOU) 가격, 장치의 정격 전력(Rated power of device), 장치의 필요한 스케줄링 시간(Required scheduling time of device) 및 페널티(Penalty)로 이루어진 군으로부터 선택되는 어느 하나 이상의 정보를 포함하는 것을 특징으로 하는, 공장 에너지 관리 방법.

제1항에 있어서,상기 제2단계는, 최대 훈련 시간 횟수를 설정하고 카운팅 훈련 시간 횟수를 초기화하는 것을 특징으로 하는, 공장 에너지 관리 방법.

제1항에 있어서,상기 제3단계는, 카운팅 훈련 시간 횟수를 1씩 증가시킨 다음 상기 카운팅 훈련 시간 횟수가 상기 최대 훈련 시간 횟수를 충족하면 상기 딥 신경망 기반의 학습 모델의 훈련 프로세스를 종료하고, 상기 카운팅 훈련 시간 횟수가 상기 최대 훈련 시간 횟수를 충족하지 못하면 상기 딥 신경망 기반의 학습 모델의 훈련 프로세스를 수행하는 것을 특징으로 하는, 공장 에너지 관리 방법.

제1항에 있어서,상기 딥 신경망 기반의 학습 모델을 업데이트 하는 단계는, 최적화 함수를 이용하여 예측 매개변수 θpredict를 도출한 다음, 상기 예측 매개변수 θpredict로부터 예측 추정치(Qpredict)를 계산하고, (목표 추정치(Qtarget) - 예측 추정치(Qpredict))2의 값이 기준값(criteria)보다 작은 경우 최종 훈련 목표값 θtarget을 예측 매개변수 θpredict으로 업데이트 하는 것을 특징으로 하는, 공장 에너지 관리 방법.

삭제

삭제

삭제

삭제

삭제