KR20230117317A - Method For Predicting Peak Power Usage Time and Server using the method - Google Patents

Method For Predicting Peak Power Usage Time and Server using the method Download PDF

Info

Publication number
KR20230117317A
KR20230117317A KR1020230099812A KR20230099812A KR20230117317A KR 20230117317 A KR20230117317 A KR 20230117317A KR 1020230099812 A KR1020230099812 A KR 1020230099812A KR 20230099812 A KR20230099812 A KR 20230099812A KR 20230117317 A KR20230117317 A KR 20230117317A
Authority
KR
South Korea
Prior art keywords
power usage
time
maximum
daily
data
Prior art date
Application number
KR1020230099812A
Other languages
Korean (ko)
Inventor
최종웅
이효섭
이혜리
Original Assignee
주식회사 인코어드 테크놀로지스
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 인코어드 테크놀로지스 filed Critical 주식회사 인코어드 테크놀로지스
Priority to KR1020230099812A priority Critical patent/KR20230117317A/en
Publication of KR20230117317A publication Critical patent/KR20230117317A/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S40/00—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them
    • Y04S40/20—Information technology specific aspects, e.g. CAD, simulation, modelling, system security

Abstract

본 발명은 최대 전력량 예측 기술에 관한 것으로서, 더욱 구체적으로는 하루 중 최대 전력 사용량이 발생할 시간 구간을 예측하는 방법 및 그것을 이용한 서버에 관한 것이다. 본 발명에 따른 최대 전력 사용 시간을 예측하는 방법 및 그것을 이용한 서버는, 일정 기간 동안의 일별 전력 사용량 데이터 및 일별 온도 데이터를 저장하되, 상기 일별 전력 사용량 데이터를 복수의 시간 구간으로 구분하여 저장하고, 예측일의 예상 온도 데이터 및 예상 전력 사용량 데이터를 획득하고, 상기 저장된 일별 온도 데이터 및 상기 획득된 예상 온도 데이터를 이용하여 일별 온도 가중치를 산출하고, 최대 전력 사용량을 갖는 구간인지 여부에 따라 상기 복수의 시간 구간을 식별하고, 상기 산출된 일별 온도 가중치를 이용하여 상기 식별된 복수의 시간 구간 각각에 대한 가중 합(Weighted Sum)을 산출하고, 상기 산출된 가중 합에 기반한 확률 분포 함수를 이용하여 상기 예측일의 복수의 시간 구간 중 최대 전력 사용량이 발생할 최대 시간 구간을 예측하고, 상기 예측된 최대 시간 구간에 대한 정보를 사용자 기기에 송신할 수 있다.The present invention relates to a technique for predicting maximum power consumption, and more particularly, to a method for predicting a time interval during which maximum power usage occurs during the day and a server using the same. A method for predicting maximum power usage time according to the present invention and a server using the same, storing daily power usage data and daily temperature data for a certain period of time, dividing the daily power usage data into a plurality of time intervals and storing them, Obtain expected temperature data and expected power consumption data of the predicted day, calculate daily temperature weights using the stored daily temperature data and the obtained expected temperature data, and calculate the plurality of A time interval is identified, a weighted sum for each of the identified plurality of time intervals is calculated using the calculated daily temperature weight, and a probability distribution function based on the calculated weighted sum is used to predict the prediction Among a plurality of time intervals of the day, a maximum time interval in which maximum power usage will occur may be predicted, and information about the predicted maximum time interval may be transmitted to the user device.

Description

최대 전력 사용 시간을 예측하는 방법 및 그것을 이용한 서버{Method For Predicting Peak Power Usage Time and Server using the method}Method for predicting peak power usage time and server using the same {Method For Predicting Peak Power Usage Time and Server using the method}

본 발명은 최대 전력량 예측 기술에 관한 것으로서, 더욱 구체적으로는 하루 중 최대 전력 사용량이 발생할 시간 구간을 예측하는 방법 및 그것을 이용한 서버에 관한 것이다. 본 연구는 미래창조과학부 및 정보통신기술진흥센터의 대학ICT연구센터육성 지원사업의 연구결과로 수행되었다(IITP-2015-H8501-15-1017). The present invention relates to a technique for predicting maximum power consumption, and more particularly, to a method for predicting a time interval during which maximum power usage occurs during the day and a server using the same. This study was conducted as a result of the research results of the University ICT Research Center Fostering Support Project of the Ministry of Science, ICT and Future Planning and the Information and Communication Technology Promotion Center (IITP-2015-H8501-15-1017).

최근 다양한 전자 제품의 출시되고 그에 대한 높은 판매 및 사용으로 인하여 가정 내 전력 사용량이 급증하고 있을 뿐만 아니라 계절/시간에 따라 가정/건물 내 전력 사용량 정도가 큰 차이를 보이고 있다.Due to the recent release of various electronic products and their high sales and usage, not only the power consumption in the home is rapidly increasing, but also the degree of power consumption in the home/building varies greatly depending on the season/time.

기존 기술에 따르면, 예측된 일별 전력 사용량에 기초하여 건물 에너지 관리 시스템(Building Energy Management System; BEMS)을 통해 일별 전력 사용 패턴을 조절하거나 전력 사용량을 조절할 수 있다. 단, 현행 요금 체계를 고려할 때 일별 전력 사용량을 예측하는 것에 더하여 정확한 최대 전력 사용 시간을 예측하여 최대 전력 사용 시간에 전력 사용을 분산시킬 필요성이 크다.According to the existing technology, a daily power usage pattern or power usage may be adjusted through a building energy management system (BEMS) based on predicted daily power usage. However, considering the current pricing system, it is highly necessary to accurately estimate the maximum power use time and distribute the power use during the maximum power use time in addition to predicting the daily power use.

예를 들어, 미국의 경우 일부 전기 공급 회사는 전력 피크(최대 수요)에 기초하여 전기 요금을 부과하고 있다. 중국의 경우 사용량에 따른 전기 요금만 납부하던 기존 요금 체계를 가정 누진세 및 산업 시설의 계절/시간에 따른 전기 요금이 반영된 차등 요금 체계로 전환하였고, 2014년 이후 전력 수요 관리에 집중하고 있어 향후 건물별 전력 피크를 전기 요금 체계에 반영할 가능성이 있다.For example, in the United States, some electric utility companies charge electricity based on power peaks (maximum demand). In the case of China, the existing rate system, in which only electricity rates were paid according to usage, was converted to a differential rate system that reflected the progressive tax for households and electricity rates according to the season/time of industrial facilities. There is a possibility to reflect power peaks in the electricity tariff system.

그러나, 기존 기술에 따른 전력 사용량 예측 만으로 개별 건물/공장/가정의 정확한 전력 피크 시간을 예측하기 매우 곤란하다.However, it is very difficult to predict the exact power peak time of individual buildings/factories/homes only by predicting power consumption according to existing technologies.

왜냐하면, 대형 빌딩의 경우 심야시간에 빙축열, 터보 냉동기 등을 이용하여 다음날 사용할 냉방시스템 전력을 준비하는 경향이 있다. 이로 인해 심야시간에 최대 전력 사용을 유발하거나, 저장된 전력 부족 시 냉방시스템이 재가동되어 예측하지 못한 시간에 최대 전력 사용을 유발함으로써, 대체적으로 최대 전력 사용 발생이 불규칙적일 수 있다.This is because, in the case of large buildings, there is a tendency to prepare power for the cooling system to be used the next day by using ice thermal storage and turbo chillers at night. As a result, maximum power use may be caused at midnight or maximum power use may be caused at an unexpected time when the cooling system is restarted when the stored power is insufficient, so that the maximum power use may be irregular in general.

따라서, 기존의 전력 사용량 예측 방식은 실제 최대 전력 사용량 예측이 중요한 시기(여름 또는 겨울)에 최대 수요 시간에 대한 예측이 부정확해 질 수 있다. 특히, 대부분 여름/겨울의 전력 피크가 다른 계절에 비해 높고 기본요금제에 반영되는 피크 요금이 7,8,9,1,2,12월을 기준으로 하고 있어, 여름/겨울의 최대 전력 사용량 및 시간의 정확한 예측이 매우 중요하다.Therefore, in the conventional power usage prediction method, the prediction of the maximum demand time may be inaccurate when the actual maximum power usage prediction is important (summer or winter). In particular, the peak power consumption in summer/winter is higher than in other seasons, and the peak rates reflected in the basic rate system are based on July, August, September, January, February, and December. Accurate prediction of is very important.

상기한 문제점을 해결하기 위하여, 베이즈 추론을 이용하여 복수의 시간 구간 각각에 대한 최대 전력량 사용(전력 피크) 발생 확률을 산출함으로써 최대 전력 사용 시간을 정확히 예측하는 방법 및 그것을 이용한 서버를 제공하는데 그 목적이 있다.In order to solve the above problem, a method of accurately predicting the maximum power use time by calculating the probability of occurrence of maximum power use (power peak) for each of a plurality of time intervals using Bayesian inference and a server using the same are provided. There is a purpose.

또한, 상기한 문제점을 해결하기 위하여, 일정 기간 동안의 일별 전력 사용량 데이터/일별 온도 데이터뿐만 아니라 예측일의 예상 전력 사용량 데이터/예상 온도 데이터를 이용하여 최대 전력 사용 시간을 예측하는 방법 및 그것을 이용한 서버를 제공하는데 다른 목적이 있다.In addition, in order to solve the above problem, a method for predicting maximum power usage time using not only daily power usage data/daily temperature data for a certain period of time but also expected power usage data/expected temperature data of the predicted day, and a server using the same It has a different purpose to provide.

본 발명에 따른 최대 전력 사용 시간을 예측하는 방법은, 복수의 시간 구간으로 구분된 일정 기간 동안의 일별 전력 사용량 데이터 및 상기 일정기간 동안의 일별 환경 요소 데이터를 저장하는 단계; 상기 일별 환경 요소 데이터를 이용하여 일별 환경 요소 가중치를 산출하는 단계; 최대 전력 사용량을 갖는 구간인지 여부에 따라 상기 복수의 시간 구간을 구별하는 단계; 상기 산출된 일별 환경 요소 가중치를 이용하여 상기 구별된 복수의 시간 구간 각각에 대한 가중 합(Weighted Sum)을 산출하는 단계; 및 상기 산출된 가중 합에 기반한 확률 분포 함수를 이용하여 상기 예측일의 복수의 시간 구간 중 최대 전력 사용이 발생할 최대 시간 구간을 예측하는 단계를 포함할 수 있다.A method for predicting maximum power usage time according to the present invention includes the steps of storing daily power usage data for a certain period divided into a plurality of time intervals and daily environment factor data for the certain period; calculating a daily environmental factor weight by using the daily environmental factor data; distinguishing the plurality of time intervals according to whether the intervals have the maximum power usage; calculating a weighted sum for each of the plurality of differentiated time intervals using the calculated daily environment factor weights; and predicting a maximum time interval in which maximum power usage will occur among a plurality of time intervals of the prediction day by using a probability distribution function based on the calculated weighted sum.

상기 일별 환경 요소 데이터는 온도 데이터를 포함하고, 상기 일별 환경 요소 가중치는 온도 가중치를 포함할 수 있다.The daily environmental factor data may include temperature data, and the daily environmental factor weight may include a temperature weight.

상기 일별 전력 사용량 데이터는 상기 예측일의 예상 전력 사용량 데이터를 포함하고, 상기 일별 환경 요소 데이터는 상기 예측일의 예상 환경 요소 데이터를 포함할 수 있다. The daily power usage data may include expected power usage data on the predicted day, and the daily environment factor data may include expected environmental factor data on the predicted day.

본 발명의 일 실시예에 따르면, 상기 예측하는 단계는 상기 확률 분포 함수를 이용하여 상기 복수의 시간 구간별 최대 전력 사용 발생 확률을 구하고, 상기 발생 확률에 기초하여 최대 시간 구간을 예측할 수 있다.According to an embodiment of the present invention, the predicting may obtain a maximum power usage occurrence probability for each of the plurality of time intervals using the probability distribution function, and predict the maximum time interval based on the occurrence probability.

또한, 상기 확률 분포 함수는 베이즈 추론법을 이용하여 추정될 수 있다.Also, the probability distribution function may be estimated using a Bayes inference method.

본 발명의 또 다른 실시예에 따르면, 상기 예측된 최대 시간 구간에 대한 정보를 사용자 기기에 송신할 수 있다.According to another embodiment of the present invention, information on the predicted maximum time interval may be transmitted to the user equipment.

상기 저장 단계는, 미리 결정된 시간대에 해당하는 일별 전력 사용량 데이터를 복수의 시간 구간으로 구분하여 저장할 수 있다.In the storing step, daily power usage data corresponding to a predetermined time period may be divided into a plurality of time intervals and stored.

상기 온도 데이터는, 최대 온도 및 최저 온도를 포함하고, 상기 예상 온도 데이터는, 예상 최대 온도 및 예상 최저 온도를 포함할 수 있다. The temperature data may include a maximum temperature and a minimum temperature, and the expected temperature data may include an expected maximum temperature and an expected minimum temperature.

또한, 상기 온도 가중치의 산출 단계는, 상기 온도 데이터가 상기 예상 온도 데이터에 가까울수록 높은 온도 가중치를 부여할 수 있다. In the calculating of the temperature weight, a higher temperature weight may be assigned as the temperature data is closer to the predicted temperature data.

상기 구별 단계는, 상기 복수의 시간 구간 중 최대 전력 사용량에 갖는 시간 구간의 구간값을 1로 설정하고, 나머지 구간들의 구간값을 0으로 설정하여 구별할 수 있다.In the discrimination step, it is possible to discriminate by setting the interval value of the time interval having the maximum power consumption among the plurality of time intervals to 1 and setting the interval values of the remaining intervals to 0.

또한, 상기 가중 합의 산출 단계는, 상기 일별 온도 가중치를 상기 식별된 복수의 시간 구간 각각의 구간값에 곱하는 과정; 및 상기 복수의 시간 구간 각각에 대하여 상기 일별 온도 가중치가 곱해진 구간값을 합하여 상기 가중 합을 산출하는 과정을 포함할 수 있다.In addition, the calculating of the weighted sum may include multiplying the daily temperature weight by a section value of each of the identified plurality of time sections; and calculating the weighted sum by summing interval values multiplied by the daily temperature weight for each of the plurality of time intervals.

또한, 상기 예측 단계는, 상기 예측일의 복수의 시간 구간 각각에 대하여 최대 전력 사용량 발생 확률을 산출하는 과정; 및 상기 최대 전력 사용량 발생 확률이 높은 순서대로 적어도 하나 이상의 상기 최대 시간 구간을 예측하는 과정을 포함할 수 있다.In addition, the predicting step may include calculating a maximum power usage occurrence probability for each of a plurality of time intervals of the prediction date; and estimating at least one of the maximum time intervals in order of the highest probability of occurrence of the maximum power usage.

또한, 상기 예측 단계는, 일정 개수의 시간 구간이 하나의 통합 시간 구간을 형성하도록 상기 복수의 시간 구간을 복수의 통합 시간 구간으로 재구분하는 과정; 상기 복수의 통합 시간 구간 각각에 대하여 최대 전력 사용량 발생 확률을 산출하는 과정; 및 상기 통합 시간 구간에 대한 최대 전력 사용량 발생 확률이 높은 순서대로 적어도 하나 이상의 통합 시간 구간을 상기 최대 시간 구간을 예측하는 과정을 포함할 수 있다.In addition, the predicting step may include re-dividing the plurality of time intervals into a plurality of integrated time intervals so that a certain number of time intervals form one integrated time interval; calculating a maximum power usage probability for each of the plurality of integrated time intervals; and estimating the maximum time interval of at least one integrated time interval in order of highest power usage occurrence probability for the integrated time interval.

또한, 상기 송신 단계는, 상기 최대 시간 구간에 대한 시간 정보, 예상 전력 사용량 정보, 전력 사용량 절감에 대한 안내 정보, 전력 사용 스케줄에 대한 조정 정보 중 적어도 하나를 포함하는 상기 최대 시간 구간에 대한 정보를 상기 사용자 기기에 송신할 수 있다. In addition, the transmitting step may include information on the maximum time interval including at least one of time information on the maximum time interval, expected power usage information, guide information on power usage reduction, and adjustment information on a power usage schedule. It can be transmitted to the user device.

본 발명에 따르면, 일별 최대 전력 사용량을 예측하는 것이 아니라 하루를 복수의 시간 구간으로 구분하여 실제 최대 전력 사용량이 발생하는 시간 구간을 구체적으로 정확하게 예측할 수 있다.According to the present invention, instead of predicting the maximum power usage per day, it is possible to specifically and accurately predict a time period in which the actual maximum power usage occurs by dividing a day into a plurality of time periods.

또한, 본 발명에 따르면, 전력 사용량 데이터 및 환경 요소 데이터에 기반한 확률 분포 함수를 활용하여 예측일의 최대 전력 사용이 예상되는 시간 구간을 예측하므로, 최대 전력 사용 시간 예측에 대한 신뢰성을 높일 수 있다. 여기서, 환경 요소 데이터는 전력 사용량에 영향을 주는 환경 요소에 대한 데이터를 의미한다. 예를 들어, 환경 요소 데이터는 온도 데이터, 습도 데이터, 대기 환경 오염 지수, 이산화탄소 농도, 오존 농도를 포함한다.In addition, according to the present invention, since a time interval in which maximum power use is expected on a prediction day is predicted using a probability distribution function based on power usage data and environmental factor data, reliability of maximum power usage time prediction can be improved. Here, the environmental factor data refers to data on environmental factors that affect power consumption. For example, the environmental factor data includes temperature data, humidity data, air pollution index, carbon dioxide concentration, and ozone concentration.

또한, 본 발명에 따르면, 실제 최대 전력 사용이 예상되는 시간 구간을 사용자에게 알림으로써, 전자 기기별 전력 사용 시간/전력 사용량을 조절할 수 있도록 사용자를 도울 뿐만 아니라 전기 요금 절감 효과를 제공할 수 있다. 또한, 본 발명에 따르면 최대 전력 사용량이 발생되는 시간 구간을 정확하게 예측함으로써 최대 전력 사용 시간에 전력 사용을 분산시켜 최대 전력 크기를 낮추고 빌딩/공장 등의 산업시설에서의 전기 요금을 절감할 수 있다.In addition, according to the present invention, by notifying the user of the time period in which the actual maximum power use is expected, it is possible to help the user to adjust the power usage time/power usage for each electronic device and to provide an effect of reducing electricity charges. In addition, according to the present invention, by accurately predicting the time period in which maximum power usage occurs, power usage is distributed at the maximum power usage time, thereby reducing the maximum power level and reducing electricity costs in industrial facilities such as buildings/factories.

도 1은 본 발명의 일 실시예에 따라 최대 전력 사용 시간을 예측하는 시스템을 나타내는 구성도이다.
도 2는 본 발명의 일 실시예에 따라 최대 전력 사용 시간을 예측하는 서버를 나타내는 구성도이다.
도 3은 본 발명의 일 실시예에 따라 최대 전력 사용 시간을 예측하는 방법을 나타내는 흐름도이다.
도 4는 본 발명의 일 실시예에 따라 일별 온도 데이터를 나타내는 테이블이다.
도 5는 본 발명의 일 실시예에 따라 일별 전력 사용량 데이터를 시간 구간별로 나타내는 그래프이다.
도 6은 본 발명의 일 실시예에 따라 일별 온도 가중치를 나타내는 테이블이다.
도 7은 본 발명의 일 실시예에 따라 최대 전력 시간 구간인지 여부에 따라 시간 구간별 구간 값이 표시된 테이블이다.
도 8은 본 발명의 일 실시예에 따라 시간 구간별 가중 합이 표시된 테이블이다.
도 9a 내지 도 9d는 본 발명의 일 실시예에 따라 6개 시간 구간에 대한 최대 전력량 발생 확률을 산출하기 위한 Posterior 분포의 획득 과정을 도시한다.
도 10a 및 도 10b는 본 발명의 일 실시예에 따라 Posterior 분포를 활용한 최종 확률 분포 함수의 획득 과정을 도시한다.
도 11a 내지 도 11c는 본 발명의 일 실시예에 따른 한 빌딩의 최대 전력 사용 발생 시간 예측을 도시한다.1 is a configuration diagram illustrating a system for predicting a maximum power usage time according to an embodiment of the present invention.
2 is a configuration diagram illustrating a server for predicting a maximum power usage time according to an embodiment of the present invention.
3 is a flowchart illustrating a method of predicting a maximum power usage time according to an embodiment of the present invention.
4 is a table showing daily temperature data according to an embodiment of the present invention.
5 is a graph showing daily power usage data by time interval according to an embodiment of the present invention.
6 is a table showing daily temperature weights according to an embodiment of the present invention.
7 is a table showing interval values for each time interval according to whether it is a maximum power time interval according to an embodiment of the present invention.
8 is a table displaying weighted sums for each time interval according to an embodiment of the present invention.
9A to 9D illustrate a process of acquiring a posterior distribution for calculating a maximum power generation probability for 6 time intervals according to an embodiment of the present invention.
10A and 10B show a process of obtaining a final probability distribution function using Posterior distribution according to an embodiment of the present invention.
11A to 11C illustrate a peak power usage occurrence time prediction for a building according to an embodiment of the present invention.

이하의 내용은 단지 발명의 원리를 예시한다. 그러므로 당업자는 비록 본 명세서에 명확히 설명되거나 도시되지 않았지만 발명의 원리를 구현하고 발명의 개념과 범위에 포함된 다양한 장치를 발명할 수 있는 것이다. 또한, 본 명세서에 열거된 모든 조건부 용어 및 실시예들은 원칙적으로, 발명의 개념이 이해되도록 하기 위한 목적으로만 명백히 의도되고, 이와같이 특별히 열거된 실시예들 및 상태들에 제한적이지 않는 것으로 이해되어야 한다. The following merely illustrates the principles of the invention. Therefore, those skilled in the art can invent various devices that embody the principles of the invention and fall within the concept and scope of the invention, even though not explicitly described or shown herein. In addition, it should be understood that all conditional terms and embodiments listed in this specification are, in principle, expressly intended only for the purpose of making the concept of the invention understood, and not limited to such specifically listed embodiments and states. .

상술한 목적, 특징 및 장점은 첨부된 도면과 관련한 다음의 상세한 설명을 통하여 보다 분명해 질 것이며, 그에 따라 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 발명의 기술적 사상을 용이하게 실시할 수 있을 것이다.The above objects, features and advantages will become more apparent through the following detailed description in conjunction with the accompanying drawings, and accordingly, those skilled in the art to which the invention belongs will be able to easily implement the technical idea of the invention. .

또한, 발명을 설명함에 있어서 발명과 관련된 공지 기술에 대한 구체적인 설명이 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에 그 상세한 설명을 생략하기로 한다. 이하에는 첨부한 도면을 참조하여 설명한다.In addition, in describing the invention, if it is determined that a detailed description of a known technology related to the invention may unnecessarily obscure the subject matter of the invention, the detailed description will be omitted. Hereinafter, it will be described with reference to the accompanying drawings.

이하에서는, 첨부된 도면들을 참조하여 확률 분포 함수를 활용한 최대 전력 사용 시간 예측에 관하여 살펴보도록 한다.Hereinafter, with reference to the accompanying drawings, the prediction of the maximum power use time using the probability distribution function will be described.

도 1은 본 발명의 일 실시예에 따라 최대 전력 사용 시간을 예측하는 시스템(100)의 구성도를 도시한다.1 shows a block diagram of a system 100 for predicting maximum power usage time according to an embodiment of the present invention.

도 1에 도시된 바와 같이, 시스템(100)은, 최대 전력 사용 시간을 예측하는 서버(110), 서버(110)로부터 최대 전력 사용 시간에 대한 정보를 제공받는 사용자 기기(120 내지 140) 및 최대 전력 사용 시간 예측에 필요한 예측일의 예상 전력 사용량 데이터 및 예상 환경 요소 데이터를 서버(110)에 제공하는 외부 서버(150)를 포함할 수 있다. 본 실시예에서는 환경 요소 데이터로서 온도 데이터를 활용하였지만, 당업자라면 온도 외에도 전력 사용량에 영향을 주는 환경 요소에 대한 데이터를 다양하게 활용할 수 있다.As shown in FIG. 1 , the system 100 includes a server 110 that predicts a maximum power use time, user devices 120 to 140 receiving information on the maximum power use time from the server 110, and a maximum power use time. The external server 150 may include an external server 150 that provides the server 110 with expected power usage data and expected environmental factor data of the forecast date necessary for predicting the power usage time. In this embodiment, temperature data is used as environmental factor data, but those skilled in the art can utilize data on environmental factors that affect power consumption in various ways other than temperature.

여기에서, 최대 전력 사용 시간은, 하루를 구성하는 복수의 시간 구간들 중 최대 전력 사용(전력 피크)이 발생하는 적어도 하나의 시간 구간을 의미할 수 있다. 예를 들어, 최대 전력 사용 시간은, 하나의 시간 구간일 수 있고, 일정 개수의 시간 구간이 합해진 통합 시간 구간일 수 있다.Here, the maximum power usage time may mean at least one time period in which maximum power usage (power peak) occurs among a plurality of time periods constituting a day. For example, the maximum power use time may be one time interval or an integrated time interval in which a certain number of time intervals are added together.

여기에서, 사용자 기기는, 사용자가 소유/관리/사용하는 통신 기기로서, 핸드폰/스마트폰/태블릿 등의 모바일 기기(120), 데스크탑/노트북 등의 컴퓨터(130) 또는 건물 내 전력 관리 장비(140)를 포함할 수 있다.Here, a user device is a communication device owned/managed/used by a user, and includes a mobile device 120 such as a mobile phone/smart phone/tablet, a computer 130 such as a desktop/laptop, or power management equipment 140 in a building. ) may be included.

여기에서, 외부 서버(150)는, 최대 전력 사용 시간 예측에 필요한 정보를 서버(110)에 제공하는 외부의 서버로서, 예측일의 예상 온도 데이터를 제공하는 기상청 서버이거나, 예측일의 예상 전력 사용량 데이터를 제공하는 전력 관리 서버일 수 있다.Here, the external server 150 is an external server that provides information necessary for estimating the maximum power use time to the server 110, and is a Meteorological Administration server that provides predicted temperature data on the predicted day, or predicted power consumption on the predicted day. It may be a power management server providing data.

본 발명에 따라, 서버(110)는, 일정 기간 동안의 일별 전력 사용량 데이터 및 일별 환경 요소 데이터를 저장하되 상기 일별 전력 사용량 데이터를 복수의 시간 구간으로 구분하여 저장하는 저장부(111), 예측일의 예상 환경 요소 데이터 및 예상 전력 사용량 데이터를 획득하는 통신부(113) 및 상기 저장된 일별 온도 데이터 및 상기 획득된 예상 온도 데이터를 이용하여 일별 온도 가중치를 산출하고, 최대 전력 사용량을 갖는 구간인지 여부에 따라 상기 복수의 시간 구간을 식별하고, 상기 산출된 일별 환경 요소 가중치를 이용하여 상기 식별된 복수의 시간 구간 각각에 대한 가중 합(Weighted Sum)을 산출하고, 상기 산출된 가중 합에 기반한 확률 분포 함수를 이용하여 상기 예측일의 복수의 시간 구간 중 최대 전력 사용량이 발생할 최대 시간 구간을 예측하는 제어부(112)를 포함할 수 있다. 이 때, 상기 통신부(113)는, 제어부(112)의 제어에 따라 상기 예측된 최대 시간 구간에 대한 정보를 사용자 기기(120 내지 140)에 송신할 수 있다.According to the present invention, the server 110 includes a storage unit 111 for storing daily power usage data and daily environmental factor data for a certain period of time by dividing the daily power usage data into a plurality of time intervals, and predicting date A daily temperature weight is calculated using the communication unit 113 that obtains expected environmental factor data and expected power usage data of the unit and the stored daily temperature data and the obtained expected temperature data, and determines whether or not it is a section having maximum power usage. Identifying the plurality of time intervals, calculating a weighted sum for each of the identified plurality of time intervals using the calculated daily environmental factor weights, and calculating a probability distribution function based on the calculated weighted sum and a control unit 112 that predicts a maximum time interval in which maximum power usage will occur among a plurality of time intervals of the prediction date by using the predicted day. At this time, the communication unit 113 may transmit information about the predicted maximum time interval to the user devices 120 to 140 under the control of the control unit 112 .

서버(110)의 동작 및 기능에 대하여 도 2 및 도 3을 참조하여 이하에서 상세히 설명하도록 한다.Operations and functions of the server 110 will be described in detail below with reference to FIGS. 2 and 3 .

도 2는 본 발명에 따라 최대 전력 사용 시간을 예측하는 서버의 구성도를 도시하고, 도 3은 본 발명에 따라 최대 전력 사용 시간을 예측하는 방법의 흐름도를 도시한다.2 shows a configuration diagram of a server for estimating the maximum power usage time according to the present invention, and FIG. 3 shows a flowchart of a method for predicting the maximum power usage time according to the present invention.

도 2 및 도 3에 따르면, 서버(110)는, 제어부(112)의 제어에 따라, 일정 기간 동안의 일별 전력 사용량 데이터 및 일별 환경 요소 데이터를 저장한다(S310). 본 실시예에서는 일별 환경 요소 데이터로서 온도 데이터를 사용하였다. 단, 당업자는 예컨대, 습도, 대기 환경 지수 등 전력 사용량에 영향을 미칠 수 있는 적절한 환경 요소 데이터를 활용할 수 있다.According to FIGS. 2 and 3 , the server 110 stores daily power usage data and daily environment factor data for a certain period of time under the control of the controller 112 (S310). In this embodiment, temperature data was used as daily environmental factor data. However, a person skilled in the art may utilize appropriate environmental factor data that may affect power consumption, such as humidity and atmospheric environment index.

더욱 구체적으로, 서버(110)는, 데이터베이스(DB) 제어부(112-1)의 제어에 따라, 일별 온도 데이터를 온도 데이터베이스(111-1)에 저장하고, 일별 전력 사용량 데이터를 전력량 데이터베이스(111-2)에 저장할 수 있다. 또한, 서버(110)는, DB 제어부(112-1)의 제어에 따라, 일정 기간 동안의 일별 전력 사용량 데이터/일별 온도 데이터를 저장하도록 전력량 데이터베이스(111-2)/온도 데이터베이스(111-1)의 데이터를 추가/삭제/갱신할 수 있다.More specifically, the server 110 stores the daily temperature data in the temperature database 111-1 under the control of the database (DB) control unit 112-1, and stores the daily power usage data in the power amount database 111-1. 2) can be saved. In addition, the server 110, under the control of the DB control unit 112-1, the power database 111-2 / temperature database 111-1 to store daily power usage data / daily temperature data for a certain period of time Data can be added/deleted/updated.

일별 온도 데이터 저장 방식에 관련하여 도 4를 참조하여 설명한다.A method of storing daily temperature data will be described with reference to FIG. 4 .

여기에서, 일별 온도 데이터는, 과거 일정 기간(예를 들어, 한달, 일년, 계절 단위 기간(여름 7,8,9월/겨울 12,1,2월)) 동안의 일별 최고 온도 및 일별 최저 온도를 포함할 수 있다.Here, the daily temperature data is the daily maximum temperature and daily minimum temperature for a certain period in the past (eg, month, year, seasonal unit period (summer July, August, September / winter December, January, February)) can include

도 4는 본 발명의 일 실시예에 따른 일별 온도 데이터를 나타내는 테이블이다.4 is a table showing daily temperature data according to an embodiment of the present invention.

도 4에 따르면, 1년(2014년 6월 16일부터 2015년 6월 15일) 동안 일별로 최고 온도(t1,M1 ~ tn, Mn) 및 최저 온도(t1, mn ~ tn, mn)를 저장할 수 있다. 더 나아가, 테이블의 가장 하단에 예측일(2015년 6월 16일)의 예상 최고 온도(TM) 및 예상 최저 온도(Tm)를 기재할 수 있다.According to Figure 4, the highest temperature (t 1 , M 1 ~ t n , M n ) and the lowest temperature (t 1 , m n ~ t n, m n ) can be stored. Furthermore, the expected maximum temperature (T M ) and expected minimum temperature (T m ) of the predicted date (June 16, 2015) may be described at the bottom of the table.

일별 전력 사용량 데이터 저장 방식에 관련하여 도 5를 참조하여 설명한다.A method of storing daily power consumption data will be described with reference to FIG. 5 .

여기에서, 일별 전력 사용량 데이터는, 과거 일정 기간 동안의 일별 전력 사용량에 관한 데이터로서, 일별 전력 사용량 및 하루를 구성하는 복수의 시간 구간 각각에서의 전력 사용량을 포함할 수 있다.Here, the daily power usage data is data about daily power usage for a certain period in the past, and may include daily power usage and power usage in each of a plurality of time sections constituting one day.

예를 들어, 저장 단계(S310)에서 서버(110)는, DB 제어부(112-1)의 제어에 따라, 하루 24시간을 15분 단위의 96개 시간 구간으로 구분하고, 일별 전력 사용량 데이터를 15분 단위의 96개 시간 구간으로 구분하여 전력량 DB(111-2)에 저장할 수 있다. 또는, 저장 단계(S310)에서 서버(110)는, 하루 중 전력 사용량이 높은 특정 시간대(예를 들어, 오전 9시부터 오후 11시)를 미리 정하여, 정해진 구간을 15분 단위의 복수의 시간 구간(예를 들어, 56개 시간 구간)으로 구분하고, 일별 전력 사용량 데이터를 복수의 시간 구간으로 구분하여 저장할 수 있다.For example, in the storage step (S310), according to the control of the DB controller 112-1, the server 110 divides 24 hours a day into 96 time intervals of 15 minutes, and stores the daily power usage data as 15 It can be divided into 96 time intervals in units of minutes and stored in the energy DB 111-2. Alternatively, in the storage step (S310), the server 110 pre-determines a specific time period during the day in which power consumption is high (eg, 9:00 am to 11:00 pm), and divides the predetermined period into a plurality of time periods in units of 15 minutes. (eg, 56 time intervals), and the daily power usage data may be divided into a plurality of time intervals and stored.

도 5는 본 발명의 일 실시예에 따라 일별 전력 사용량 데이터를 시간 구간별로 나타내는 그래프이다. 설명의 편의를 위하여, 일정 시간은 1년이고, 복수의 시간 구간은 15분 단위로 96개(24시간 측정 시)라고 가정한다. 도 5에서는 편의를 위하여 그래프로 데이터를 나타내었다. 그러나, 실제로는 숫자 형태로 저장될 수 있다.5 is a graph showing daily power usage data by time interval according to an embodiment of the present invention. For convenience of description, it is assumed that a certain period of time is one year and that a plurality of time intervals are 96 in 15-minute units (when measured for 24 hours). In FIG. 5, data is shown as a graph for convenience. However, in practice it may be stored in numeric form.

도 5에 따르면, 1년(2014년 6월 16일부터 2015년 6월 16일) 동안의 전력 사용량을 일별/시간 구간별로 저장할 수 있다. 더욱 구체적으로, 제 1 시간 구간은 00:00에 시작하여 00:15에 종료되고, 이후 시간 구간들은 순차적으로 15분 간격으로 구성될 수 있다. 이때, 저장되는 전력 사용량 데이터는 예를 들어 1초에 1회 전력 사용량을 샘플링한 데이터이다. 이 경우, 한 구간에는 15 X 60 = 900개의 데이터를 저장할 수 있다. 좀더 자세한 분석을 위하여 1초에 1회 이상, 예를 들어, 1초에 10회 내지 수만 회 정도의 데이터를 수집할 수도 있다. According to FIG. 5 , power usage for one year (June 16, 2014 to June 16, 2015) can be stored for each day/time interval. More specifically, the first time interval starts at 00:00 and ends at 00:15, and subsequent time intervals may be sequentially configured at 15-minute intervals. At this time, the stored power usage data is, for example, data obtained by sampling the power usage once per second. In this case, 15 X 60 = 900 pieces of data can be stored in one section. For more detailed analysis, data may be collected at least once per second, for example, 10 to tens of thousands of times per second.

도 5에 따르면, 2014년 6월 16일에는 구간 6에서 최대 전력 사용(전력 피크)이 발생하였으며, 2014년 6월 17일에는 구간 4에서 최대 전력 사용이 발생하였다. 또한 2015년 6월 15일에는 구간 88에서 최대 전력 사용이 발생하였다. 본 발명의 일 실시예에 따르면, 마지막 데이터(2015년 6월 16일)는 예측 전력 사용량 데이터일 수 있다. 2015년 6월 16일은 예측하고자 하는 날의 예상 데이터로서, 전력 관리 서버로부터 데이터를 수신할 수도 있고, 자체적인 계산을 통해서 획득 할 수도 있다. 전력량 예측과 관련해서는 알려진 방법을 사용할 수 있다. According to FIG. 5, on June 16, 2014, maximum power use (power peak) occurred in section 6, and on June 17, 2014, maximum power use occurred in section 4. Also, on June 15, 2015, peak power consumption occurred in section 88. According to an embodiment of the present invention, the last data (June 16, 2015) may be predicted power usage data. June 16, 2015 is expected data of a day to be predicted, and data may be received from the power management server or may be obtained through self-calculation. A known method can be used for estimating the amount of power.

여기서 “최대 전력 사용이 발생했다는 것”은 전력 사용의 증가가 관찰되고, 그 전력 사용의 전력량이 하루 중 최대 값임을 의미한다. Here, "that the maximum power use has occurred" means that an increase in power use is observed and the amount of power used is the maximum value during the day.

다시 도 2 및 도 3를 참조하면, 서버(110)는, 제어부(112)의 제어에 따라, 통신부(113)를 통하여 외부 서버(150)로부터 예측일의 예상 온도 데이터 및 예상 전력 사용량 데이터를 획득한다(S320).Referring back to FIGS. 2 and 3 , the server 110 obtains expected temperature data and expected power usage data of the predicted day from the external server 150 through the communication unit 113 under the control of the controller 112. Do (S320).

여기에서, 예측일은, 미래 시점의 임의 일자로써, 내일 또는 사용자/서버(110)가 지정한 특정 일자일 수도 있다. 또한, 획득 단계(S320)에서 서버(110)는, 예측일에 대한 정보로서, 예측일이 공휴일인지에 대한 정보를 더 획득할 수도 있다. 이는, 예측일이 공휴일인지 여부에 따라 전력 사용의 양상이 달라질 수 있으므로, 최대 전력 사용 기간 예측 시 일정 기간 중 공휴일 또는 비공휴일의 전력 사용량 데이터 및 온도 데이터를 구분하여 활용하기 위함이다.Here, the predicted date is an arbitrary date in the future, and may be tomorrow or a specific date designated by the user/server 110. In addition, in the obtaining step (S320), the server 110 may further obtain information on whether the predicted date is a public holiday as information on the predicted date. This is to distinguish and utilize power usage data and temperature data of public holidays or non-holidays during a certain period when predicting the maximum power usage period, since the pattern of power use may vary depending on whether the forecast date is a public holiday.

더욱 구체적으로, 서버(110)는, 통신 제어부(112-6)의 제어에 따라, 기상청 서버로부터 예측일의 예상 온도 데이터(예를 들어, 예상 최고 온도 및 예상 최저 온도)를 통신부(113)를 통하여 획득할 수 있다. 여기서 전력 관리 서버는 최대 전력 사용량 예측을 위한 서버(110)과 동일 서버에서 수행하는 일 기능일 수도 있고, 별도 서버일 수도 있다. More specifically, the server 110 transmits expected temperature data (eg, predicted maximum temperature and expected minimum temperature) of the predicted day from the Korea Meteorological Administration server to the communication unit 113 under the control of the communication control unit 112-6. can be obtained through Here, the power management server may be a function performed in the same server as the server 110 for estimating maximum power usage or may be a separate server.

별도 외부 서버에서 예상 전력 사용량 데이터를 획득하는 경우, 서버(110)는 통신 제어부(112-6)의 제어에 따라 전력 관리 서버로부터 예측일의 예상 전력 사용량 데이터(예를 들어, 예상 전력 사용량)을 통신부(113)를 통하여 획득할 수 있다. When the expected power consumption data is acquired from a separate external server, the server 110 receives the expected power consumption data (eg, expected power consumption) of the predicted day from the power management server under the control of the communication control unit 112-6. It can be obtained through the communication unit 113.

본 발명의 일 실시예에 따르면, 서버(110)는, DB 제어부(112-1)의 제어에 따라, 상기 획득된 예상 온도 데이터 및 예상 전력 사용량 데이터를 예측 데이터베이스(DB)(111-3)에 저장할 수 있다. 또는, 별도 예측 데이터베이스(DB)(111-3)가 아닌 온도 데이터베이스(DB)(111-1) 및 전력 사용량 데이터베이스(DB)(111-2)에 예측일 이전의 온도 데이터 및 전력 사용량 데이터와 함께 저장할 수도 있다.According to an embodiment of the present invention, the server 110 stores the obtained expected temperature data and expected power consumption data in a prediction database (DB) 111-3 under the control of the DB control unit 112-1. can be saved Alternatively, together with the temperature data and power usage data prior to the forecast date in the temperature database (DB) 111-1 and the power usage database (DB) 111-2 instead of the separate prediction database (DB) 111-3. can also be saved.

본 발명의 일 실시예에 따라 예측일의 예상 온도 데이터 및 예상 전력 사용량 데이터를 이용하는 경우, 최대 전력 사용 시간의 예측 신뢰도를 크게 높일 수 있다.According to an embodiment of the present invention, when predicted temperature data and predicted power usage data of a predicted day are used, prediction reliability of the maximum power usage time can be greatly increased.

한편, 서버(110)의 제어부(112)는 자체적으로 예상 전력 사용량 데이터를 산출하거나 예상 온도 데이터를 예측할 수 있다. 이 경우, 통신부(113)를 통하여 외부 서버(150)로부터 예상 전력 사용량 데이터 또는 예상 온도 데이터를 획득하지 않을 수 있다. 또는, 자체 예측이 가능할 경우, 서버(110)은 외부 서버(150)를 통해 획득된 예상 전력 사용량 데이터 또는 예상 온도 데이터를 이용하여 자체적으로 산출된 예상 전력 사용량 데이터 또는 예상 온도 데이터를 보정할 수도 있다.Meanwhile, the control unit 112 of the server 110 may calculate expected power usage data or predict expected temperature data by itself. In this case, expected power consumption data or expected temperature data may not be obtained from the external server 150 through the communication unit 113 . Alternatively, if self-prediction is possible, the server 110 may use the expected power consumption data or expected temperature data acquired through the external server 150 to correct the expected power consumption data or expected temperature data calculated by itself. .

서버(110)는, 제어부(112)의 제어에 따라, 일별 온도 데이터 및 예상 온도 데이터를 이용하여 일별 온도 가중치를 산출한다(S330).Under the control of the controller 112, the server 110 calculates the daily temperature weight by using the daily temperature data and expected temperature data (S330).

더욱 구체적으로, 서버(110)는, 온도 가중치 산출부(112-2)의 제어에 따라, 미리 저장된 일별 최고 온도/최저 온도 및 예측일의 예상 최고 온도/최저 온도를 반영하여 일별 온도 가중치를 산출할 수 있다. More specifically, the server 110 calculates daily temperature weights by reflecting the pre-stored maximum temperature/minimum temperature per day and expected maximum temperature/minimum temperature of the predicted day under the control of the temperature weight calculation unit 112-2. can do.

더 나아가, 서버(110)는, 제어부(112)(특히, 온도 가중치 산출부(112-2))의 제어에 따라, 일별 온도 데이터가 예상 온도 데이터에 가까울수록 높은 온도 가중치를 부여할 수 있다. Furthermore, according to the control of the controller 112 (in particular, the temperature weight calculation unit 112-2), the server 110 may assign a higher temperature weight as the daily temperature data is closer to the expected temperature data.

일별 온도 가중치를 산출하는 계산식은 예컨데, 아래와 같다.A calculation formula for calculating the daily temperature weight is, for example, as follows.

여기에서, TM은 예측일의 최고 온도를 Tm은 예측일의 최저 온도를 나타낸다. 그리고, tMk은 k번째 날의 일별 최고 온도를 tmk은 k번째 날의 일별 최저 온도를 나타낸다(도 4 참조).Here, T M represents the highest temperature on the predicted day and T m represents the lowest temperature on the predicted day. In addition, t Mk represents the daily maximum temperature on the k-th day and t mk represents the daily minimum temperature on the k-th day (see FIG. 4).

따라서, 온도 가중치 산출부(112-2)는, 상술한 계산식을 이용하여, 일정 기간에 포함되는 모든 일자 및 예측일에 대하여 각각의 온도 가중치를 산출할 수 있다. 예를 들어, 상술한 계산식에 따르면, 예측일의 온도 가중치는 10일 수 있다.Accordingly, the temperature weight calculation unit 112-2 may calculate temperature weights for all dates and predicted dates included in a certain period by using the above calculation formula. For example, according to the above calculation formula, the temperature weight of the prediction day may be 10.

일별 온도 가중치에 관련하여 도 6을 참조하여 상세히 설명한다.The daily temperature weighting factor will be described in detail with reference to FIG. 6 .

도 6은 본 발명의 일 실시예에 따라 일별 온도 가중치를 나타내는 테이블이다. 설명의 편의를 위하여, 일정 기간은 1년이라고 가정한다.6 is a table showing daily temperature weights according to an embodiment of the present invention. For convenience of explanation, it is assumed that the period of time is one year.

도 6에 따르면, 1년(2014년 6월 16일부터 2015년 6월 15일) 동안의 모든 일자 및 예측일(2015년 6월 16일)에 대하여 상술한 계산식을 이용하여 일별 온도 가중치를 산출할 수 있다. 일별 최고 온도/일별 최저 온도가 예측일의 예상 최고 온도/예상 최저 온도와 차이가 적을수록 높은 가중치를 가지는 것을 알 수 있다.According to FIG. 6, daily temperature weights are calculated using the above formula for all dates and predicted dates (June 16, 2015) for one year (June 16, 2014 to June 15, 2015) can do. It can be seen that the higher the difference between the daily maximum temperature/daily minimum temperature and the expected maximum temperature/predicted minimum temperature of the forecast date, the higher the weight.

도 2 및 도 3으로 복귀하여, 서버(110)는, 제어부(112)의 제어에 따라, 최대 전력 사용량을 갖는 구간(이하, 최대 전력 시간 구간)인지 여부에 따라 복수의 시간 구간을 각각 식별한다(S340).Returning to FIGS. 2 and 3 , the server 110, under the control of the control unit 112, identifies a plurality of time intervals according to whether or not they are intervals having maximum power usage (hereinafter referred to as maximum power time intervals). (S340).

더욱 구체적으로, 서버(110)는, 시간 구간 식별부(112-3)의 제어에 따라, 복수의 시간 구간으로 구분되어 저장된 일별/구간별 전력 사용량 데이터에 대하여, 복수의 시간 구간들 중 해당 시간 구간에서 최대 전력 사용(전력 피크)이 나타나는지를 판단하고, 전력 피크가 나타난 최대 전력 시간 구간과 그렇지 않은 기타 시간 구간들을 구별되게 표시한다.More specifically, the server 110, under the control of the time interval identification unit 112-3, for the stored power usage data divided into a plurality of time intervals by day/section, the corresponding time among the plurality of time intervals It is determined whether the maximum power usage (power peak) appears in the interval, and the maximum power time interval in which the power peak appears and other time intervals in which the power peak is not displayed are distinguished.

예를 들어, 제어부(112)(특히, 시간 구간 식별부(112-3))는, 복수의 시간 구간 중 최대 전력 시간 구간의 구간값을 1로 기타 시간 구간들의 구간값을 0으로 설정할 수 있다.For example, the control unit 112 (particularly, the time interval identification unit 112-3) may set the interval value of the maximum power time interval among a plurality of time intervals to 1 and the interval values of other time intervals to 0. .

식별 단계(S340)에서 서버(110)는, 일정 기간 동안의 일별 전력 사용량 데이터에 대하여 최대 전력 사용량을 갖는지에 따라 복수의 시간 구간을 각각 구별할 뿐만 아니라 예측일의 예상 전력 사용량 데이터에 대하여서도 최대 전력 사용량을 갖는지에 따라 복수의 시간 구간을 각각 구별할 수 있다. 이때, 서버(110)는, 예측일의 예상 전력 사용량 데이터를 이용하여 예측일의 최대 전력 시간 구간을 임의로 구별할 수 있다.In the identification step (S340), the server 110 not only distinguishes a plurality of time intervals according to whether or not they have the maximum power usage for daily power usage data for a certain period of time, but also determines the maximum power usage data for the predicted day. Each of a plurality of time intervals may be distinguished according to whether or not the user has power usage. In this case, the server 110 may arbitrarily distinguish the maximum power time interval of the prediction date using the expected power consumption data of the prediction date.

시간 구간별 구간 값 설정에 관련하여 도 7을 참조하여 상세히 설명한다.Setting the interval value for each time interval will be described in detail with reference to FIG. 7 .

도 7은 본 발명의 일 실시예에 따라 최대 전력 시간 구간인지 여부에 따라 시간 구간별 구간 값이 표시된 테이블이다. 도 7은 도 5에 나타낸 데이터를 바탕으로 최대 전력 사용 시간 구간과 기타 전력 사용 시간 구간을 구별할 수 있도록 구간 값을 설정하는 것의 예시이다. 7 is a table showing interval values for each time interval according to whether it is a maximum power time interval according to an embodiment of the present invention. FIG. 7 is an example of setting interval values to distinguish between maximum power use time intervals and other power use time intervals based on the data shown in FIG. 5 .

도 7에 따르면, 1년(2014년 6월 16일부터 2015년 6월 15일) 동안의 일자들 및 예측일(2015년 6월 16일) 각각에 대하여, 96개의 시간 구간들 중 최대 전력 사용량을 갖는 시간 구간의 구간 값을 1로 설정하고 나머지 시간 구간들의 구간 값을 0으로 설정할 수 있다. 예를 들어, 2014년 6월 16일의 96개 시간 구간들 중 최대 전력 사용을 갖는 구간6의 구간 값을 1로 설정하고 나머지 시간 구간들의 구간 값을 모두 0으로 설정할 수 있다. 2014년 6월 17일에는 최대 전력 사용 시간인 구간 4의 구간 값을 1로 부여하였고, 2015년 6월 14일에는 구간 88, 2015년 6월 15일에는 구간 4의 구간 값을 1로 부여하였다. 나머지 구간에는 구간 값을 0으로 설정하여 최대 전력 사용 시간 구간과 기타 시간 구간을 구별하였음을 알 수 있다. According to FIG. 7, for each of the dates for one year (June 16, 2014 to June 15, 2015) and the forecast date (June 16, 2015), the maximum power usage among 96 time intervals It is possible to set the interval value of the time interval having 1 to 1 and set the interval values of the remaining time intervals to 0. For example, among the 96 time intervals of June 16, 2014, the interval value of interval 6 having the maximum power usage may be set to 1 and the interval values of the other time intervals may be set to 0. On June 17, 2014, the interval value of section 4, which is the maximum power consumption time, was assigned as 1, on June 14, 2015, section 88, and on June 15, 2015, the section value of section 4 was assigned as 1. . It can be seen that the maximum power use time interval and other time intervals are distinguished by setting the interval value to 0 in the remaining intervals.

도 2 및 도 3으로 복귀하여, 서버(110)는, 제어부(112)의 제어에 따라, 상기 산출된 일별 온도 가중치를 이용하여 상기 식별된 복수의 시간 구간 각각에 대한 가중 합(Weighted Sum)을 산출한다(S350).Returning to FIGS. 2 and 3 , the server 110, under the control of the control unit 112, uses the calculated daily temperature weight to determine a weighted sum for each of the identified plurality of time intervals. It is calculated (S350).

더욱 구체적으로, 서버(110)는, 가중합 산출부(112-4)의 제어에 따라, 일정 기간에 속하는 일자들 및 예측일 각각에 대하여 해당 일자의 복수의 시간 구간들 각각의 구간 값에 해당 일자의 일별 온도 가중치를 곱하고, 복수의 시간 구간 각각에 대하여 일별 온도 가중치가 곱해진 구간값을 합하여 가중합을 산출할 수 있다.More specifically, the server 110, under the control of the weighted sum calculation unit 112-4, corresponds to each interval value of a plurality of time intervals of the corresponding date for each of the dates and the forecast date belonging to the certain period A weighted sum may be calculated by multiplying days by daily temperature weights and summing section values multiplied by daily temperature weights for each of a plurality of time sections.

가중합 산출 방식에 관련하여 도 8을 참조하여 상세히 설명한다. The weighted sum calculation method will be described in detail with reference to FIG. 8 .

도 8은 본 발명의 일 실시예에 따라 시간 구간별 가중 합이 표시된 테이블이다. 보다 자세하게는 도 8은 도 6의 가중치와 도 7의 시간 구간별 구간 값을 이용하여 산출한 가중합 산출 테이블이다. 8 is a table displaying weighted sums for each time interval according to an embodiment of the present invention. In more detail, FIG. 8 is a weighted sum calculation table calculated using the weights of FIG. 6 and values for each time interval of FIG. 7 .

도 8에 따르면, 일정 기간에 속하는 일자들(2014년 6월 16일부터 2015년 6월 15일) 및 예측일(2015년 6월 16일) 각각에 대하여, 96개 시간 구간들 각각의 구간 값(도 7 참조)에 해당 일자의 일별 온도 가중치(도 6 참조)가 곱해진 값을 산출할 수 있다. 더 나아가, 일정 기간 및 예측일 동안에 걸쳐, 96개 시간 구간들 각각에 대하여, 구간값에 일별 온도 가중치가 곱해진 값의 합을 구할 수 있다.According to FIG. 8, for each of the dates belonging to a certain period (June 16, 2014 to June 15, 2015) and the forecast date (June 16, 2015), the interval value of each of the 96 time intervals A value obtained by multiplying (see FIG. 7) by the daily temperature weight (see FIG. 6) of the corresponding day may be calculated. Furthermore, for each of the 96 time intervals over a certain period and a predicted day, the sum of values obtained by multiplying the interval value by the daily temperature weight may be obtained.

도 2 및 도 3으로 복귀하여, 서버(110)는, 제어부(112)(특히, 최대 시간 구간 예측부(112-5))의 제어에 따라, 상기 산출된 가중 합에 기반한 확률 분포 함수를 이용하여 상기 예측일의 복수의 시간 구간 중 최대 전력 사용량이 발생할 최대 시간 구간을 예측한다(S360).Returning to FIGS. 2 and 3, the server 110 uses a probability distribution function based on the calculated weighted sum under the control of the controller 112 (in particular, the maximum time interval predictor 112-5) Thus, the maximum time interval in which the maximum power usage will occur is predicted among the plurality of time intervals of the prediction day (S360).

더욱 구체적으로, 제어부(112)는, 확률 분포 함수를 활용하여 예측일의 복수의 시간 구간 각각에 대하여 최대 전력 사용량 발생 확률을 산출하고, 상기 최대 전력 사용량 발생 확률이 높은 순서대로 적어도 하나 이상의 최대 시간 구간을 예측할 수 있다. More specifically, the control unit 112 calculates a maximum power usage probability for each of a plurality of time intervals of the prediction date by utilizing a probability distribution function, and at least one maximum time period in order of the maximum power usage probability. segment can be predicted.

또는, 제어부(112)는, 일정 개수의 시간 구간이 하나의 통합 시간 구간을 형성하도록 복수의 시간 구간을 복수의 통합 시간 구간으로 재구분하고, 복수의 통합 시간 구간 각각에 대하여 최대 전력 사용량 발생 확률을 산출하고, 통합 시간 구간에 대한 최대 전력 사용량 발생 확률이 높은 순서대로 적어도 하나 이상의 통합 시간 구간을 최대 시간 구간을 예측할 수 있다.Alternatively, the control unit 112 re-divides a plurality of time intervals into a plurality of integrated time intervals so that a certain number of time intervals form one integrated time interval, and the maximum power usage occurrence probability for each of the plurality of integrated time intervals. It is possible to calculate the maximum time interval of at least one integrated time interval in the order of highest power usage occurrence probability for the integrated time interval.

예를 들어, 제어부(112)는, 96개 시간 구간이 15분 단위로 구성된 경우, 4개의 시간 구간을 합하여 하나의 통합 시간 구간(1시간 단위)를 형성함으로써, 96개 시간 구간(15분 단위)을 24개 통합 시간 구간(1시간 단위)으로 재분류할 수 있다. 더 나아가, 4개의 시간 구간 각각의 최대 전력량 발생 확률을 합한 통합 확률이 해당 통합 시간 구간에서의 최대 전력량 발생 확률로 될 수 있다.For example, when the 96 time intervals are configured in units of 15 minutes, the control unit 112 combines the four time intervals to form one integrated time interval (in units of 1 hour), thereby forming 96 time intervals (in units of 15 minutes). ) can be reclassified into 24 integrated time intervals (in units of 1 hour). Furthermore, an integrated probability obtained by summing the maximum power generation probabilities of each of the four time intervals may be the maximum power generation probability in the corresponding integrated time interval.

이하에서는, 본 발명에 따른 최대 전력 시간 구간 예측을 위한 알고리즘을 상세히 설명한다.Hereinafter, an algorithm for predicting a maximum power time interval according to the present invention will be described in detail.

시간 구간 별로 최대 전력 사용량이 발생할 확률을 나타내기 위한 확률 분포로 다항함수(Multinomial distribution)를 활용한다. 이 경우, 시간 구간 별로 최대 전력 사용량이 발생할 확률을 모수(θ)라 하자.A multinomial distribution is used as a probability distribution to indicate the probability of maximum power consumption for each time interval. In this case, let the probability that the maximum power usage occurs for each time interval be a parameter (θ).

일반적으로, k개의 결과를 가지는 사건의 반복적인 시행에서 발생하는 확률분포는 다항함수로 표현할 수 있다. 더욱 구체적으로, 가능한 결과를 C1, C2………… Ck라 하고, 각각의 확률을 θ1, θ2………… θk라 할 때, 총 n회의 독립시행 중 C1이 x1회, C2이 x2회, , Ck이 xk회 일어날 확률을 아래와 같이 표현할 수 있다.In general, the probability distribution resulting from repeated trials of an event with k outcomes can be expressed as a polynomial function. More specifically, the possible results are C 1 , C 2 . . . … … … Let C k be, and each probability is θ 1 , θ 2 . … … … Assuming θ k , the probability that C 1 occurs x 1 times, C 2 occurs x 2 times, and C k occurs x k times out of a total of n independent trials can be expressed as follows.

Figure pat00003
Figure pat00003

이 경우, 다항함수의 각 결과별 확률(모수, θ)를 추정하기 위해서 베이즈 추론법(Bayesian Inference)을 이용할 수 있다.In this case, Bayesian inference can be used to estimate the probability (parameter, θ) for each outcome of the polynomial function.

일반적으로, 베이지안 추론법은, 추론해야 하는 대상의 사전 확률(Prior Probability)과 추가적인 관찰을 통해서 대상의 사후 확률(Posterior)을 추론하는 방법으로 베이즈 정리를 기반으로 한다.In general, the Bayesian inference method is based on Bayes' theorem as a method of inferring a prior probability of an object to be inferred and a posterior probability of an object through additional observation.

본 발명에서의 추론하고자 하는 값은 시간 구간별 최대 전력 사용량 발생 확률이며 가능도 함수(Likelihood Function)가 다항함수이므로, 시간 구간별 최대 전력 사용량 발생 확률을 추론하기 위한 켤레사전확률(Conjugate Prior)과 사후확률(Posterior)로 디리클레 분포(Dirichlet Distribution)를 이용할 수 있다. 켤레사전확률을 활용함으로써 사후확률을 빠르고 편리하게 계산할 수 있다.Since the value to be inferred in the present invention is the probability of occurrence of maximum power consumption for each time interval and the likelihood function is a polynomial function, the conjugate prior for inferring the probability of occurrence of maximum power consumption for each time interval As the posterior probability, the Dirichlet Distribution can be used. By using the conjugate prior probability, the posterior probability can be calculated quickly and conveniently.

이하에서는 베이즈 정리를 활용하여 사후확률을 산출하는 방법을 보다 상세히 설명한다. Hereinafter, a method of calculating the posterior probability using Bayes' theorem will be described in detail.

베이즈 정리는 아래와 같다.Bayes' theorem is as follows.

즉, E라는 관찰된 데이터(예를 들어, 도 7의 계산값을 이용한 각 구간의 구간 값의 합)을 의미하고 H는 최초에 설정했던 가설을 의미한다. 예컨대, H는 “건물 에어컨의 최대 전력 사용 피크가 빙축열, 터보 냉동기 등의 이용으로 불규칙하게 발생할 수 있고 장기간에 걸쳐서 전력의 피크타임을 관찰한다면, 관찰 대상인 모든 시간 구간에서 균일하게 나타날 수 있다”는 가정 등이 될 수 있다. That is, E refers to observed data (eg, the sum of the interval values of each interval using the calculated values of FIG. 7), and H refers to the initially set hypothesis. For example, H states, “The peak of maximum power use of building air conditioners can occur irregularly due to the use of ice storage and turbo chillers, and if the peak time of power is observed over a long period of time, it can appear uniformly in all time intervals to be observed.” home, etc.

여기서 가설로 설정된 이벤트가 발생했다는 가정하에 E라는 특정 데이터가 관찰될 확률P(E|H)를 가능도(likelihood)라 하며, 상술한 가정이 발생할 확률 P(H)를 사전확률(prior)이라고 한다.Here, the probability P(E|H) that specific data E will be observed under the assumption that the event set as a hypothesis has occurred is called the likelihood, and the probability that the above assumption will occur P(H) is called the prior. do.

켤레사전확률(Conjugate Prior)은 가능도와 사전확률(Prior)의 곱이 사전확률(Prior)와 동일한 형태가 되는 것을 의미한다. 즉, 베이즈 정리에 따른 사후분포(Posterior)가 사전확률(Prior)와 동일한 형태가 되는 것을 의미한다. The conjugate prior means that the product of the likelihood and the prior has the same form as the prior. In other words, it means that the posterior distribution (Posterior) according to Bayes' theorem has the same form as the prior probability (Prior).

예를 들어, 사전확률(Prior)이 디리클레 분포(Dirichlet Distribution)를 따른다고 가정하고 이 디리클레 분포를 따르는 변수 θ 를 가능도(Likelihood)의 모델로 가정하자. 즉 　이다. For example, let's assume that the prior follows the Dirichlet distribution, and assume that the variable θ that follows the Dirichlet distribution is a Likelihood model. in other words am.

여기서 α는 디리클레 분포의 모수(parameter)로서, k 차원 벡터이고, 상술한 가설에 해당된다. θθ 는 역시, k 차원 벡터이고, 이 된. 디리클레 분포의 정의로부터 아래와 같은 식이 도출된다.Here, α is a parameter of the Dirichlet distribution, is a k-dimensional vector, and corresponds to the above hypothesis. θθ is also a k-dimensional vector, became. From the definition of the Dirichlet distribution, the following equation is derived.

다음으로 관찰된 데이터가 다항함수 분포(Multinomial distribution)에서 발생한다고 가정하고 이 다항함수가 디리클레 분포를 따른다고 하면,Next, assuming that the observed data occurs in a multinomial distribution and that the multinomial function follows the Dirichlet distribution,

이 된다. 여기서 nj는 θj가 발생한 횟수를 나타낸다.becomes Here, n j represents the number of times θ j occurred.

상술한 식들을 이용하면, α라는 가정하에 X라는 데이터가 관찰될 때, 다항함수의 각 결과별 확률은 아래와 같이 표현 될 수 있다.Using the above equations, when data X is observed under the assumption of α, the probability for each outcome of the polynomial function can be expressed as follows.

즉, 아래와 같은 결론을 도출할 수 있다. That is, the following conclusions can be drawn.

이런 성질을 켤레(conjugate)라고 한다. 즉, 가능도와 사전확률의 곱이 사전확률과 동일한 형태로 되는 것을 말한다. 위의 관계에서는 다항함수 분포(multinomial distribution)의 켤레사전확률(conjugate prior)은 다시 디리클레 분포가 된다.This property is called conjugate. That is, the product of the likelihood and the prior probability is in the same form as the prior probability. In the above relationship, the conjugate prior of the multinomial distribution becomes a Dirichlet distribution again.

따라서, 상술한 설명에 따르면, α라는 가정하에 X라는 데이터가 관찰될 때 다항함수의 각 결과별 확률은 켤레사전확률 분포를 이용하여 용이하게 구할 수 있음을 알 수 있다. Therefore, according to the above description, when data X is observed under the assumption of α, it can be seen that the probability of each result of the polynomial function can be easily obtained using the conjugate prior probability distribution.

한편, 서버(110)는, 제어부의 제어에 따라 예상 전력데이터 또는 예상 온도 데이터를 활용하여 최대 전력 사용 발생 시간 예측의 신뢰도를 크게 높일 수 있다. 예컨대, 예상 전력데이터 및 예상 온도 데이터를 도 5 내지 도 8에 기술한 바와 같이 전력 데이터 및 온도 데이터의 마지막 데이터로서 활용할 수 있다. 또는 예측일 당일의 예상 전력데이터 자체를 확률 분포 함수라 가정하고, 예측일 이전의 실시간 전력데이터로 도 5 내지 도 8에 기술한 방법을 이용해서 구한 확률 분포 함수와 가중합을 구하여 최종적인 확률 분포 함수를 구할 수도 있다.Meanwhile, the server 110 may significantly increase the reliability of the prediction of the maximum power usage occurrence time by utilizing the expected power data or the expected temperature data according to the control of the controller. For example, the expected power data and expected temperature data may be used as the last data of the power data and temperature data as described in FIGS. 5 to 8 . Alternatively, assuming that the expected power data on the day of the prediction date itself is a probability distribution function, and the probability distribution function obtained using the method described in FIGS. function can also be obtained.

이하에서는, 위의 알고리즘을 활용하여 예측일의 복수의 시간 구간 각각에 대한 최대 전력 사용 발생 확률을 산출하는 것을 도 9a 내지 도 10b를 참조하여 상세히 설명한다.Hereinafter, calculating the maximum power usage occurrence probability for each of a plurality of time intervals of the prediction date using the above algorithm will be described in detail with reference to FIGS. 9A to 10B.

도 9a 내지 도 9d는 6개 시간 구간에 대한 최대 전력량 발생 확률을 산출하기 위한 사후확률(Posterior) 분포의 획득 과정을 나타낸다. 설명의 편의를 위하여, 일정 기간은 Day 1 ~ Day n이고, 예측일은 내일(tomorrow)이라고 가정한다. 또한, 복수의 시간 구간은 6개라고 가정한다. 9A to 9D show a process of obtaining a posterior distribution for calculating the maximum power generation probability for 6 time intervals. For convenience of description, it is assumed that the certain period is Day 1 to Day n, and the forecast date is tomorrow. In addition, it is assumed that the plurality of time intervals are six.

도 9a에서는, 일정 기간(Day 1 ~ Day n) 및 내일(tomorrow) 각각의 6개 시간 구간 각각에 대하여, 최대 전력량을 갖는 시간 구간의 구간값을 1로 나머지 5개의 시간 구간들의 구간 값을 모두 0으로 설정할 수 있다.In FIG. 9A, for each of six time intervals of a certain period (Day 1 to Day n) and tomorrow (tomorrow), the interval value of the time interval having the maximum amount of power is set to 1, and all interval values of the remaining five time intervals are set to 1. Can be set to 0.

도 9b에서는, 일정 기간(Day 1 ~ Day n) 및 내일(tomorrow) 각각의 6개 시간 구간 각각에 대하여, 해당 일자의 일별 온도 가중치가 곱해진 값을 구할 수 있다.In FIG. 9B , a value obtained by multiplying the daily temperature weight of the corresponding day can be obtained for each of six time intervals of a certain period (Day 1 to Day n) and tomorrow (tomorrow).

도 9c에서는, 일정 기간(Day 1 ~ Day n) 및 내일(tomorrow)에 걸쳐, 6개 시간 구간 각각에 대하여 구간값에 일별 온도 가중치가 곱해진 값(도 9b 참조)을 합함으로써 구간별 가중 합을 구할 수 있다. 도 9c의 데이터는 실제 관측된 데이터(X)가 된다. In FIG. 9C, the weighted sum for each section is obtained by summing the value obtained by multiplying the section value by the daily temperature weight (see FIG. 9B) for each of the six time sections over a certain period (Day 1 to Day n) and tomorrow. can be obtained. The data of FIG. 9C becomes actually observed data (X).

도 9d에서는, 베이지안 추론(Bayesian inference)에 따라 6개 시간 구간 각각에서 최대 전력 사용량이 발생할 확률을 예측하기 위해서, 디리클레 분포의 모수를 설정한다. In FIG. 9D , a parameter of a Dirichlet distribution is set in order to predict a probability of maximum power usage occurring in each of the six time intervals according to Bayesian inference.

예를 들어, “건물 에어컨의 최대 전력 사용 피크가 빙축열, 터보 냉동기 등의 이용으로 불규칙하게 발생할 수 있고 장기간에 걸쳐서 전력의 피크타임을 관찰한다면, 관찰 대상인 모든 시간 구간에서 균일하게 나타날 수 있다”는 가정 하에 사전분포(α) = (1,1,1,1,1,1)로 가정한다. 그리고, 관찰된 값 벡터와 사전분포 벡터의 합을 구하여 사후확률분포의 모수로 설정한다.For example, “The peak of maximum power use of building air conditioners can occur irregularly due to the use of ice storage and turbo chillers, and if the peak time of power is observed over a long period of time, it can appear uniformly in all time intervals to be observed.” Under the assumption, it is assumed that the prior distribution (α) = (1,1,1,1,1,1). Then, the sum of the observed value vector and the prior distribution vector is obtained and set as the parameter of the posterior probability distribution.

도 10a 및 도 10b는 본 발명의 일 실시예에 따라 사후확률(posterior) 분포를 활용한 최종 확률 분포 함수의 획득 과정을 도시한다.10A and 10B show a process of obtaining a final probability distribution function using a posterior distribution according to an embodiment of the present invention.

도 10a에서는, 도 9d에서 추론한 사후확률(posterior) 분포(6개 시간 구간에서 최대 전력 사용량이 발생활 확률의 확률 함수)를 이용하여 복수의 랜덤 데이터를 발생시킨다. 본 실시예에서는 10000개의 랜덤 데이터를 발생시킨다. 이 경우, 10000개의 데이터는 실제로 해당 시간 구간에서 최대 전력 사용량이 발생할 확률들이 될 수 있다.In FIG. 10A , a plurality of random data is generated using a posterior distribution (probability function of probability that maximum power usage occurs in 6 time intervals) inferred in FIG. 9D . In this embodiment, 10000 random data are generated. In this case, 10000 pieces of data may actually be probabilities of maximum power usage in a corresponding time interval.

도 10b에서는, 6개 시간 구간 각각에 대하여 최대 전력 사용량이 발생할 수 있는 확률의 후보들을 이용하여 10000개의 데이터의 대표값을 설정한다. 일반적으로, 평균, 최빈값, 중앙값들을 대표값으로는 활용할 수 있으나, 본 실시예에서는 중앙값을 대표값으로 설정한다. 예를 들어, 내일의 6개의 시간 구간들 중 최대 전력량이 발생할 확률이 가장 높은 제 3 번 시간 구간이 최대 시간 구간으로 예측될 수 있다.In FIG. 10B, representative values of 10000 pieces of data are set using probabilities of maximum power consumption for each of the six time intervals. In general, average, mode, and median values may be used as representative values, but in this embodiment, the median value is set as the representative value. For example, among the six time intervals of tomorrow, the third time interval having the highest probability of generating the maximum amount of power may be predicted as the maximum time interval.

도 11a 내지 도 11c는 본 발명의 일 실시예에 따른 한 빌딩의 최대 전력 사용 발생 시간 예측을 도시한다.11A to 11C illustrate a peak power usage occurrence time prediction for a building according to an embodiment of the present invention.

도 11a는 하루를 15분 단위의 시간 구간으로 나누어 본 발명에서 제안하는 예측 방법에 따라 각 시간 구간의 최대 전력 사용 발생 확률을 구한 것이다. 도 11b는 서버에서 사용자 단말에 전달되는 정보이다. 이 경우, 15분 단위의 시간 구간 4개를 통합하여 1시간 단위의 통합 시간 구간들 중 가장 최대 전력 사용 발생 확률이 높은 3개의 구간을 사용자 단말에 전달할 수 있다. 도 11c는 도 11a의 결과를 그래프로 표현한 것이다.FIG. 11A shows the probability of maximum power usage occurrence in each time interval obtained by dividing a day into 15-minute time intervals according to the prediction method proposed in the present invention. 11B is information transmitted from a server to a user terminal. In this case, four time intervals of 15 minutes are integrated and three intervals having the highest probability of occurrence of maximum power usage among the integrated time intervals of 1 hour may be delivered to the user terminal. 11C is a graph representing the results of FIG. 11A.

본 실시예에서는 13시부터 14시까지, 13시 45분에서 14시 45분까지 그리고 11시에서 12시까지 3개의 통합 시간 구간에서 최대 전력 사용이 발생할 확률이 가장 높았다. 이 경우, 본 발명의 일 실시예에 따르면 통합 시간 구간이 13시 45분에서 14시까지 15분간 중첩되어 제시되었다. 본 실시예처럼, 이웃하는 통합 시간 구간은 서로 중첩될 수 있다. 도 11a 내지 11c에서 알 수 있는 바와 같이, 최종 소비자에게는 최대 전력 사용 발생 확률이 가장 높은 순서대로 하나 이상의 통합 시간 구간을 전달할 수 있다. 그리고, 통합 시간 구간은 중첩될 수 있다. In this embodiment, the probability of maximum power use occurring was highest in three integrated time sections from 13:00 to 14:00, from 13:45 to 14:45, and from 11:00 to 12:00. In this case, according to an embodiment of the present invention, the integrated time intervals are overlapped for 15 minutes from 13:45 to 14:00. As in this embodiment, neighboring integrated time intervals may overlap each other. As can be seen in FIGS. 11A to 11C , one or more integration time intervals may be delivered to the final consumer in the order of highest power usage occurrence probability. And, integration time intervals may overlap.

도 2 및 도 3으로 복귀하여, 서버(110)는, 제어부(112){특히, 통신 제어부(112-6)}의 제어에 따라, 통신부(113)을 이용하여 상기 예측된 최대 시간 구간에 대한 정보를 사용자 기기로 송신한다(S370). 바람직하게는 각 구간의 확률이 높은 순서대로 미리 결정된 개수만큼의 예를 들어 3개의 시간 구간에 대한 정보를 송신할 수 있다. Returning to FIGS. 2 and 3 , the server 110 uses the communication unit 113 under the control of the control unit 112 (in particular, the communication control unit 112-6) for the predicted maximum time interval. Information is transmitted to the user device (S370). Preferably, as many as a predetermined number of information for, for example, three time intervals may be transmitted in order of high probability of each interval.

여기에서, 통신부(113)는, 제어부(112)의 제어에 따라, 상기 예측된 최대 시간 구간에 대한 시간 정보, 예상 전력 사용량 정보, 전력 사용량 절감에 대한 안내 정보, 전력 사용 스케줄에 대한 조정 정보 중 적어도 하나를 포함하는 최대 시간 구간에 대한 정보를 사용자 기기에 송신할 수 있다.Here, the communication unit 113, under the control of the control unit 112, among the time information for the predicted maximum time interval, the expected power usage information, the guide information on power usage reduction, and the adjustment information on the power usage schedule Information on a maximum time interval including at least one may be transmitted to the user equipment.

예를 들어, 최대 시간 구간에 대한 시간 정보로서, 최대 시간 구간의 시작 시각/종료 시각 또는 최대 시간 구간의 유지 시간이 제공될 수 있다. 최대 시간 구간에 대한 예상 전력 사용량 정보로서, 최대 시간 구간에서 사용 예측되는 전체 전력량 또는 부하기기별 전력량이 제공될 수 있다. 최대 전력 사용량 절감에 대한 안내 정보로서, 최대 시간 구간에서 전력 절감이 추천되는 전력량 또는 부하기기, 최대 시간 구간에서 전력 절감 시 부여되는 보상 정보가 제공될 수 있다. 전력 사용 스케줄에 대한 조정 정보로서, 최대 시간 구간에서 다른 시간 구간으로의 이동이 추천되는 부하기기/전력량 또는 전력 사용량이 낮은 시간 구간에 대한 정보가 제공될 수 있다.For example, as time information for the maximum time interval, a start time/end time of the maximum time interval or a maintenance time of the maximum time interval may be provided. As expected power consumption information for the maximum time interval, the total amount of power expected to be used in the maximum time interval or the amount of power for each load device may be provided. As guidance information on maximum power consumption reduction, power amount or load device for which power saving is recommended in the maximum time period, and compensation information given when power is saved in the maximum time period may be provided. As adjustment information for the power use schedule, load device/power amount recommended for movement from a maximum time interval to another time interval or information on a time interval with low power consumption may be provided.

더 나아가, 송신 단계(S370)에서 서버(110)는, 제어부(112)의 제어에 따라, 최대 전력 사용량 발생 확률이 높은 순서대로 적어도 하나의 최대 시간 구간을 선정하여, 상기 선정된 적어도 하나의 최대 시간 구간에 대한 정보를 사용자 기기에 제공할 수도 있다.Furthermore, in the transmission step (S370), the server 110 selects at least one maximum time interval in the order of highest power consumption occurrence probability according to the control of the controller 112, and selects at least one maximum time interval according to the control of the controller 112. Information on the time interval may be provided to the user device.

더 나아가, 송신 단계(S370)에서 서버(110)는, 제어부(112)의 제어에 따라, 통합 시간 구간에 대한 최대 전력량 발생 확률에 기반하여 통합 시간 구간을 최대 시간 구간으로 선정할 수 있고, 최대 시간 구간으로 선정된 통합 시간 구간에 대한 정보를 사용자 기기에 제공할 수도 있다.Furthermore, in the transmission step (S370), the server 110 may select the integration time interval as the maximum time interval based on the maximum power generation probability for the integration time interval under the control of the control unit 112, and Information on the integrated time interval selected as the time interval may be provided to the user device.

따라서, 사용자 기기는, 서버(110)로부터 제공되는 최대 시간 구간에 대한 정보를 참고하여 최대 시간 구간에서의 전력 사용량을 줄이거나 다른 시간 구간으로 분산시킬 수 있다. 이에 대한 구체적인 실시예를 이하에서 설명한다.Accordingly, the user device may reduce power usage in the maximum time interval or distribute it to other time intervals by referring to information on the maximum time interval provided from the server 110 . A specific embodiment for this will be described below.

사용자 기기가 건물 내 전력 관리 장치이고, 최대 시간 구간에 대한 정보로서 부하기기별 전력 사용량 및 건물별 프로파일(필수적으로 사용되어야 하는 부하기기 또는 그것의 전력량에 대한 정보)을 제공받은 경우를 가정한다.Assume that the user device is a power management device in a building and is provided with power consumption per load device and a profile for each building (information on load devices that must be used or their amount of power) as information on the maximum time interval.

예를 들어, 2015년 6월 16일(예측일)의 최대 전력 사용 시간 구간이 2시 ~ 3시이고, 최대 시간 구간에서 사용 예측되는 부하기기가 에어컨 공조기, 엘리베이터 10개, 로비 형광등 100개, 로비층 외 각 층별 형광등 70개인 경우, 전력 관리 장치는, 부하기기별 전력 사용량 및 건물별 프로파일을 고려하여 엘리베이터 5개, 로비 형광등 50개 및 로비층 외 각 층별 형광등 40개만 사용하도록 제어할 수 있다.For example, on June 16, 2015 (prediction date), the maximum power usage time period is 2:00 ~ 3:00, and the load equipment predicted to be used in the maximum time period is an air conditioner, 10 elevators, 100 lobby fluorescent lights, In the case of 70 fluorescent lamps for each floor other than the lobby floor, the power management device can control the use of only 5 elevators, 50 fluorescent lamps in the lobby, and 40 fluorescent lamps for each floor other than the lobby floor, considering the power consumption of each load device and the profile of each building. .

예를 들어, 2015년 6월 16일(예측일)의 최대 전력 사용이 2시 ~ 3시인 경우, 전력 관리 장치는, 부하기기별 전력 사용량 및 건물별 프로파일을 고려하여 최대 시간 구간에서 사용 예측되는 일부 부하기기를 전력 사용량이 낮은 시간 구간에서 작동되도록 스케줄을 조정할 수 있다. 이 경우, 전력 사용량이 낮은 시간 구간에 대한 정보가 전력 사용 장치에 미리 제공될 수 있다. 또한, 부하기기별 전력 사용 패턴 및 전력 사용량을 미리 알고 있다면 이동된 시간 구간에서 부하기기 이동으로 추가되는 전력 사용량을 고려하여 예측 전력 사용량을 추론할 수 있다.For example, if the maximum power use on June 16, 2015 (prediction date) is between 2:00 and 3:00, the power management device considers the power consumption for each load device and the profile for each building. Schedules can be adjusted so that some load devices are operated in a time period with low power consumption. In this case, information about a time period in which power usage is low may be previously provided to a power using device. In addition, if the power usage pattern and power usage for each load device are known in advance, the predicted power usage can be inferred by considering the power usage added by the movement of the load device in the moved time interval.

이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위 내에서 다양한 수정, 변경 및 치환이 가능할 것이다. The above description is merely an example of the technical idea of the present invention, and those skilled in the art can make various modifications, changes, and substitutions without departing from the essential characteristics of the present invention. will be.

따라서, 본 발명에 개시된 실시예 및 첨부된 도면들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예 및 첨부된 도면에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구 범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리 범위에 포함되는 것으로 해석되어야 할 것이다.Therefore, the embodiments disclosed in the present invention and the accompanying drawings are not intended to limit the technical idea of the present invention, but to explain, and the scope of the technical idea of the present invention is not limited by these embodiments and the accompanying drawings. . The protection scope of the present invention should be construed according to the following claims, and all technical ideas within the equivalent range should be construed as being included in the scope of the present invention.

Claims (16)

복수의 시간 구간으로 구분된 일정 기간 동안의 일별 전력 사용량 데이터 및 상기 일정기간 동안의 일별 환경 요소 데이터를 저장하는 단계;
상기 일별 환경 요소 데이터를 이용하여 일별 환경 요소 가중치를 산출하는 단계;
최대 전력 사용량을 갖는 구간인지 여부에 따라 상기 복수의 시간 구간 별로 미리 결정된 값을 부여하여 구별하는 단계;
상기 산출된 일별 환경 요소 가중치 및 상기 복수의 시간 구간 별로 부여된 미리 결정된 값을 이용하여 각 구간별 가중 합(Weighted Sum)을 산출하는 단계; 및
상기 산출된 가중 합에 기반한 확률 분포 함수를 이용하여 상기 예측일의 복수의 시간 구간 중 최대 전력 사용이 발생할 최대 시간 구간을 예측하는 단계;
최대 전력 사용 시간을 예측하는 방법.storing daily power usage data for a predetermined period divided into a plurality of time intervals and daily environment factor data for the predetermined period;
calculating a daily environmental factor weight by using the daily environmental factor data;
discriminating by assigning a predetermined value to each of the plurality of time intervals according to whether the interval has a maximum power usage;
calculating a weighted sum for each section using the calculated environmental factor weight for each day and a predetermined value assigned to each of the plurality of time sections; and
predicting a maximum time interval in which maximum power usage will occur among a plurality of time intervals of the prediction day by using a probability distribution function based on the calculated weighted sum;
How to predict peak power usage time. 제 1 항에 있어서,
상기 일별 환경 요소 데이터는 온도 데이터를 포함하고, 상기 일별 환경 요소 가중치는 온도 가중치를 포함하는
최대 전력 사용 시간을 예측하는 방법.According to claim 1,
The daily environmental factor data includes temperature data, and the daily environmental factor weights include temperature weights.
How to predict peak power usage time. 제 1 항에 있어서,
상기 일별 전력 사용량 데이터는 상기 예측일의 예상 전력 사용량 데이터를 포함하고, 상기 일별 환경 요소 데이터는 상기 예측일의 예상 환경 요소 데이터를 포함하는
최대 전력 사용 시간을 예측하는 방법.According to claim 1,
The daily power usage data includes expected power usage data of the forecast day, and the daily environment factor data includes expected environmental factor data of the forecast day.
How to predict peak power usage time. 제 1 항에 있어서,
상기 예측하는 단계는 상기 확률 분포 함수를 이용하여 상기 복수의 시간 구간별 최대 전력 사용 발생 확률을 구하고, 상기 발생 확률에 기초하여 최대 시간 구간을 예측하는
최대 전력 사용 시간을 예측하는 방법.According to claim 1,
The predicting step is to obtain a maximum power use occurrence probability for each of the plurality of time intervals using the probability distribution function, and to predict the maximum time interval based on the occurrence probability.
How to predict peak power usage time. 제 4 항에 있어서,
상기 확률 분포 함수는 베이즈 추론법을 이용하여 추정되는
최대 전력 사용 시간을 예측하는 방법.According to claim 4,
The probability distribution function is estimated using the Bayes inference method
How to predict peak power usage time. 제 1 항에 있어서,
상기 예측된 최대 시간 구간에 대한 정보를 사용자 기기에 송신하는 단계를 더 포함하는
최대 전력 사용 시간을 예측하는 방법.According to claim 1,
Further comprising transmitting information about the predicted maximum time interval to user equipment
How to predict peak power usage time. 제 1 항에 있어서,
상기 저장 단계는, 미리 결정된 시간대에 해당하는 일별 전력 사용량 데이터를 복수의 시간 구간으로 구분하여 저장하는
최대 전력 사용 시간을 예측하는 방법.According to claim 1,
In the storing step, daily power usage data corresponding to a predetermined time period is divided into a plurality of time intervals and stored.
How to predict peak power usage time. 제 1 항에 있어서,
상기 일별 환경 요소 데이터는 온도 데이터 및 예측일의 예상 온도 데이터를 포함하는
최대 전력 사용 시간을 예측하는 방법According to claim 1,
The daily environmental factor data includes temperature data and predicted temperature data of the predicted day.
How to predict peak power usage time 제 8 항에 있어서,
상기 온도 데이터는 최대 온도 및 최저 온도를 포함하고,
상기 예상 온도 데이터는 예상 최대 온도 및 예상 최저 온도를 포함하는
최대 전력 사용 시간을 예측하는 방법According to claim 8,
The temperature data includes a maximum temperature and a minimum temperature,
The expected temperature data includes an expected maximum temperature and an expected minimum temperature.
How to predict peak power usage time 제 2 항에 있어서,
상기 온도 가중치의 산출 단계는,
상기 온도 데이터가 상기 예상 온도 데이터에 가까울수록 높은 온도 가중치를 부여하는 최대 전력 사용 시간을 예측하는 방법.According to claim 2,
In the step of calculating the temperature weight,
A method of predicting a maximum power usage time in which a higher temperature weight is given as the temperature data is closer to the expected temperature data. 제 1 항에 있어서,
상기 미리 결정된 값은 상기 복수의 시간 구간 중 최대 전력 사용량에 갖는 시간 구간의 구간값에 1을 부여하고, 나머지 구간들의 구간값에 0을 부여하여 구별하는
최대 전력 사용 시간을 예측하는 방법.According to claim 1,
The predetermined value is distinguished by assigning 1 to the interval value of the time interval having the maximum power usage among the plurality of time intervals and assigning 0 to the interval values of the remaining intervals.
How to predict peak power usage time. 제 11 항에 있어서,
상기 가중 합의 산출 단계는
상기 일별 온도 가중치를 상기 식별된 복수의 시간 구간 각각의 구간값에 곱하는 과정; 및
상기 복수의 시간 구간 각각에 대하여 상기 일별 온도 가중치가 곱해진 구간값을 합하여 상기 가중 합을 산출하는 과정을 포함하는
최대 전력 사용 시간을 예측하는 방법.According to claim 11,
The step of calculating the weighted sum is
multiplying the daily temperature weight by an interval value of each of the identified plurality of time intervals; and
Calculating the weighted sum by summing the interval values multiplied by the daily temperature weight for each of the plurality of time intervals
How to predict peak power usage time. 제 1 항에 있어서,
상기 예측 단계는, 상기 최대 전력 사용량 발생 확률이 높은 순서대로 적어도 하나 이상의 상기 최대 시간 구간을 예측하는 과정을 포함하는
최대 전력 사용 시간을 예측하는 방법According to claim 1,
The predicting step includes predicting at least one or more maximum time intervals in an order of high probability of occurrence of the maximum power usage.
How to predict peak power usage time 제 1 항에 있어서,
상기 예측 단계는, 일정 개수의 시간 구간이 하나의 통합 시간 구간을 형성하도록 상기 복수의 시간 구간을 복수의 통합 시간 구간으로 재구분하는 과정;
상기 복수의 통합 시간 구간 각각에 대하여 최대 전력 사용량 발생 확률을 산출하는 과정; 및
상기 통합 시간 구간에 대한 최대 전력 사용량 발생 확률이 높은 순서대로 적어도 하나 이상의 통합 시간 구간을 상기 최대 시간 구간을 예측하는 과정을 포함하는
최대 전력 사용 시간을 예측하는 방법.According to claim 1,
The predicting step may include re-dividing the plurality of time intervals into a plurality of integrated time intervals such that a predetermined number of time intervals form one integrated time interval;
calculating a maximum power usage probability for each of the plurality of integrated time intervals; and
Predicting the maximum time interval for at least one integrated time interval in order of highest power usage occurrence probability for the integrated time interval
How to predict peak power usage time. 제 13 항에 있어서,
상기 복수의 통합 시간 구간 중, 이웃하는 두 통합 시간 구간의 일부가 중첩되는
최대 전력 사용 시간을 예측하는 방법.According to claim 13,
Among the plurality of integration time intervals, a part of two neighboring integration time intervals overlaps
How to predict peak power usage time. 제 6 항에 있어서,
상기 송신 단계는, 상기 최대 시간 구간에 대한 시간 정보, 예상 전력 사용량 정보, 전력 사용량 절감에 대한 안내 정보, 전력 사용 스케줄에 대한 조정 정보 중 적어도 하나를 포함하는 상기 최대 시간 구간에 대한 정보를 상기 사용자 기기에 송신하는
최대 전력 사용 시간을 예측하는 방법.According to claim 6,
The transmitting step may include transmitting information about the maximum time interval including at least one of time information about the maximum time interval, expected power usage information, information on power usage reduction guidance, and information about adjusting a power usage schedule to the user. sending to the device
How to predict peak power usage time.
KR1020230099812A 2015-08-31 2023-07-31 Method For Predicting Peak Power Usage Time and Server using the method KR20230117317A (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020230099812A KR20230117317A (en) 2015-08-31 2023-07-31 Method For Predicting Peak Power Usage Time and Server using the method

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020150122845A KR102563280B1 (en) 2015-08-31 2015-08-31 Method For Predicting Peak Power Usage Time and Server using the method
KR1020230099812A KR20230117317A (en) 2015-08-31 2023-07-31 Method For Predicting Peak Power Usage Time and Server using the method

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
KR1020150122845A Division KR102563280B1 (en) 2015-08-31 2015-08-31 Method For Predicting Peak Power Usage Time and Server using the method

Publications (1)

Publication Number Publication Date
KR20230117317A true KR20230117317A (en) 2023-08-08

Family

ID=58403936

Family Applications (2)

Application Number Title Priority Date Filing Date
KR1020150122845A KR102563280B1 (en) 2015-08-31 2015-08-31 Method For Predicting Peak Power Usage Time and Server using the method
KR1020230099812A KR20230117317A (en) 2015-08-31 2023-07-31 Method For Predicting Peak Power Usage Time and Server using the method

Family Applications Before (1)

Application Number Title Priority Date Filing Date
KR1020150122845A KR102563280B1 (en) 2015-08-31 2015-08-31 Method For Predicting Peak Power Usage Time and Server using the method

Country Status (1)

Country Link
KR (2) KR102563280B1 (en)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108493946A (en) * 2018-04-12 2018-09-04 辽宁石油化工大学 Electric energy control method, device and equipment based on user power utilization analysis

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8478451B2 (en) * 2009-12-14 2013-07-02 Intel Corporation Method and apparatus for dynamically allocating power in a data center
KR101307724B1 (en) * 2011-09-29 2013-09-26 인하대학교 산학협력단 Time series and fuzzy based short term elctronic load forecasting apparatus and mothod for smart grid
JP2015139283A (en) * 2014-01-22 2015-07-30 国立大学法人名古屋大学 Device, method and program for prediction of power demand peak

Also Published As

Publication number Publication date
KR20170025830A (en) 2017-03-08
KR102563280B1 (en) 2023-08-03

Similar Documents

Publication Publication Date Title
US11493895B2 (en) Method and system for adaptively switching prediction strategies optimizing time-variant energy consumption of built environment
Adeoye et al. Modelling and forecasting hourly electricity demand in West African countries
JP7051856B2 (en) Systems and methods for controlling dynamic energy storage systems
Oprea et al. Flattening the electricity consumption peak and reducing the electricity payment for residential consumers in the context of smart grid by means of shifting optimization algorithm
Phuangpornpitak et al. A study of load demand forecasting models in electric power system operation and planning
US10333307B2 (en) Machine learning based demand charge
US10637245B2 (en) System and method for sizing a capacity of an energy storage device
JP2016019358A (en) Demand prediction apparatus, computer program, smart meter and power storage device
KR20230117317A (en) Method For Predicting Peak Power Usage Time and Server using the method
Sevlian et al. Value of aggregation in smart grids
KR20160063892A (en) Method and system for managing energy usage with using big date of energy usage
JP6293291B2 (en) Power consumption estimation device, device management system, power consumption estimation method and program
Zhou et al. Many-criteria optimality of coordinated demand response with heterogeneous households
US10931107B2 (en) System and method for management of an electricity distribution grid
Ghafoori et al. Electricity peak shaving for commercial buildings using machine learning and vehicle to building (V2B) system
JP6103323B1 (en) Electricity price information prediction system
Ge et al. Simulation of domestic electricity load profile by multiple Gaussian distribution
WO2017109957A1 (en) Power management device, server, power management system, power management method, and program
Taieb et al. Probabilistic time series forecasting with boosted additive models: an application to smart meter data
CN111130107A (en) Power grid load prediction method and device
Good et al. Participation of electric heat pump resources in electricity markets under uncertainty
JP2019175109A (en) Prediction control unit, prediction control system, and prediction control method
Bondarchuk Development of the graphical-analytical method for calculating electric load at civilian objects
Li et al. The computation of the air conditioning loads life loss and its application to demand response
Simonov et al. Improving grid sustainability by intelligent ev recharge process

Legal Events

Date Code Title Description
A107 Divisional application of patent
E902 Notification of reason for refusal