KR100505318B1 - 용수 처리 시스템의 수요예측 장치 및 방법 - Google Patents
용수 처리 시스템의 수요예측 장치 및 방법 Download PDFInfo
- Publication number
- KR100505318B1 KR100505318B1 KR10-2003-0085279A KR20030085279A KR100505318B1 KR 100505318 B1 KR100505318 B1 KR 100505318B1 KR 20030085279 A KR20030085279 A KR 20030085279A KR 100505318 B1 KR100505318 B1 KR 100505318B1
- Authority
- KR
- South Korea
- Prior art keywords
- data
- unit
- learning
- neurocalman
- prediction
- Prior art date
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012545 processing Methods 0.000 title claims abstract description 17
- 230000006870 function Effects 0.000 claims abstract description 7
- 238000004088 simulation Methods 0.000 claims abstract description 7
- 230000013011 mating Effects 0.000 claims description 18
- 238000011156 evaluation Methods 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 15
- 238000010219 correlation analysis Methods 0.000 claims description 10
- 230000035772 mutation Effects 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000002068 genetic effect Effects 0.000 claims description 6
- 210000000349 chromosome Anatomy 0.000 claims description 5
- 108090000623 proteins and genes Proteins 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 230000003362 replicative effect Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000013277 forecasting method Methods 0.000 claims description 2
- 230000036962 time dependent Effects 0.000 claims 1
- 239000008213 purified water Substances 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000009395 breeding Methods 0.000 description 4
- 230000001488 breeding effect Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 230000000946 synaptic effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000002759 chromosomal effect Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Water Supply & Treatment (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명은 배수지, 정수지 등에 설치된 용수 처리 시스템에서 일별 용수 수요량을 예측하는 기술에 관한 것이다. 이러한 본 발명은, 뉴로칼만 학습 시뮬레이터부(22)에서 사용될 실적 유량치와 일별 영향 요인 데이터를 저장 및 관리하는 실적데이터부(21)와; 수집된 데이터로 시뮬레이션을 수행한 후 그 결과로 뉴로칼만 예측기(26)의 예측 파라미터를 결정하는 뉴로칼만 학습 시뮬레이터부(22)와; 용수의 수요예측을 위한 연산 및 데이터 처리 기능을 수행하는 중앙처리장치(23) 및, 상기 뉴로칼만 학습 시뮬레이터부(22)에서 필요로 하는 데이터의 입/출력값을 표시하고 입출력하는 입/출력장치(24)와; 유량에 관련된 영향 요인 데이터 및 과거 실적 데이터를 저장 및 관리하는 예측용 실적데이터부(25)와; 상기 예측용 실적데이터부(25)를 통해 유량에 관련된 영향요인 데이터 및 과거 실적 데이터를 입력받고, 상기 뉴로칼만 학습 시뮬레이터부(22)에서 결정된 예측 가중치 데이터를 활용하여 용수의 일별 수요량을 예측하는 뉴로칼만 예측기(26)에 의해 달성된다.
Description
본 발명은 배수지, 정수지 등에 설치된 용수 처리 시스템에서 용수 수요량을 예측하는 기술에 관한 것으로, 특히 뉴로-칼만 방식으로 일(day) 단위의 용수 수요량을 예측하고, 시뮬레이터를 이용하여 사용자가 최적의 예측 가중치 파라미터를 수동방식으로 결정하거나, 유전 알고리즘을 이용한 자동 최적화 방식으로 결정할 수 있도록 한 용수 처리 시스템의 수요예측 장치 및 방법에 관한 것이다.
배수지, 정수지 등에 설치된 용수 처리 시스템에서, 용수의 수요량을 정확하게 예측하는 것은 용수 운영에 있어서 가장 중요시 되는 1차적인 요소로서, 이 예측 결과에 따라, 기타 용수 운영 계획(예: 지운영, 수량배분, 취송수 제어 등)이 수립된다.
그런데, 종래 용수 처리 시스템의 수요량 예측 기술에 있어서는 일별 수요예측을 수행하기 위해, 시계열을 단순하게 선형 시스템화 하여 예측을 수행하는 방식(예: 칼만 필터방식)을 사용하였다. 또한, 종래의 시스템에서는 수요량에 대한 예측 모델의 파라미터를 직접 계산하게 되어 있었다.
이와 같이 종래의 용수 처리 시스템에 있어서는 실제 시스템은 비선형성이 강하여 이에 대한 예측 출력 오차가 크게 발생할 수 있는 문제점이 있고, 수요량에 대한 예측 모델의 파라미터를 직접 계산하게 되어 있고, 계산된 파라미터의 최적화가 명확하지 않아 예측 과정과 정도의 명확성을 신뢰할 수 없는 문제점이 있었다.
따라서, 본 발명의 목적은 용수 처리 시스템에서 효과적으로 일별 용수 수요량을 예측하여 정확하고 안정된 용수 공급이 가능하도록 하는데 있다.
본 발명의 다른 목적은 비선형 시스템의 입출력 모델화 특성이 양호한 뉴로-칼만 방식을 이용하여 일별 용수 수요량의 예측 정확도를 개선할 수 있도록 하는데 있다.
본 발명의 또 다른 목적은 기존의 실적 데이터를 이용하여, 수요량 예측 파라미터를 사용자가 선택하여 시뮬레이션을 수행함으로써, 뉴로-칼만 예측 모델 기반의 수요 예측량을 효과적으로 출력할 수 있도록 하는데 있다.
본 발명의 또 다른 목적은 예측 모델의 파라미터를 유전 알고리즘에 의해 최적으로 결정할 수 있도록 하여, 사용자가 편리하게 파라미터를 결정할 수 있도록 하는데 있다.
도 1은 본 발명에 의한 수요예측 장치가 적용되는 용수 처리 시스템의 전체 블록도로서 이에 도시한 바와 같이, 소정 기간의 용수량 데이터, 영향요인 데이터를 바탕으로 주기성분 및 편차성분 분석을 위해 시뮬레이션한 후, 최적의 예측 파라미터를 계산하고 유량 실적 및 영향요인 데이터를 근거로 일별 용수량의 수요를 예측 연산하여 하위 제어 시스템에 제공하는 수요예측 시뮬레이터부(11)와; 랜통신망(LAN)을 통해 상기 하위제어 시스템(13A-13N)로부터 상기 실시간 데이터를 수집하여 이력 처리를 통해 실적 데이터로 저장하는 데이터베이스 처리장치(12)와; 상기 수요예측 시뮬레이터부(11)에서 계산되어진 예측 정보 및 예측 관련 정보를 활용하여 하위 제어 시스템(DCS,TM/TC)의 설정치로 사용하게 되는 하위제어 시스템(13A-13N)으로 구성하였다.
도 2는 본 발명에 의한 용수 처리 시스템의 수요예측 장치의 일실시 구현예를 보인 블록도로서 이에 도시한 바와 같이, 뉴로칼만 학습 시뮬레이터부(22)에서 사용될 실적 유량치와 일별 영향 요인 데이터를 저장 및 관리하는 실적데이터부(21)와; 상기 실적데이터부(21)를 통해 필요시 또는 주기적으로 데이터를 수집하여 시뮬레이션을 수행한 후 그 결과로 뉴로칼만 예측기기(26)의 예측 파라미터를 결정하는 뉴로칼만 학습 시뮬레이터부(22)와; 시스템 각부의 구동을 총괄 제어함과 아울러, 용수의 수요예측을 위한 연산 및 데이터 처리 기능을 수행하는 중앙처리장치(23)와; 상기 뉴로칼만 학습 시뮬레이터부(22)에서 필요로 하는 데이터의 입/출력값을 표시하고 입출력하는 입/출력장치(24)와; 유량에 관련된 영향 요인 데이터 및 과거 실적 데이터를 저장 및 관리하는 예측용 실적데이터부(25)와; 상기 예측용 실적데이터부(25)를 통해 영향 요인 데이터 및 과거 실적 데이터를 수집하고, 상기 뉴로칼만 학습 시뮬레이터부(22)에서 결정된 예측 가중치 데이터를 수집하여 용수의 일별 수요량을 예측하는 뉴로칼만 예측기(26)와; 상기 뉴로칼만 예측기(26)에서 계산된 예측 결과를 다음 과정에서 사용할 수 있도록 저장 및 관리하는 단기 유량 예측부(27)로 구성한 것으로, 이와 같이 구성한 본 발명의 작용을 첨부한 도 3 내지 도 8을 참조하여 상세히 설명하면 다음과 같다.
본 발명에서는 도 1에서와 같이 용수 공급계통의 주 계장 시스템인 분산제어시스템(DCS: Distributed Control System)을 하위제어 시스템(13A-13N)으로 하여 시스템을 구축하였다.
즉, 상기 하위제어 시스템(13A-13N)은 전체 용수 공급계통의 주 위치에 RCS(RCS: Remote Control Station)나 TM/TC(TM/TC: Tele Monitoring/Tele Control station)의 형태로 접속되어 각 유량 데이터를 실시간으로 수집한다.
그리고, 데이터베이스 처리장치(12)는 랜통신망(LAN)을 통해 상기 하위제어 시스템(13A-13N)로부터 상기 실시간 데이터를 수집하여 이력 처리를 통해 실적 데이터로 저장하고, 이 중에서 필요한 데이터는 상위 시스템인 수요예측 시뮬레이터부(11)에 디스플레이하거나, 재처리한다. 상기 수요예측 시뮬레이터부(11)에는 본 발명에 의한 용수 처리 시스템의 수요예측 방법을 실행하는 장치가 탑재된다.
도 2는 상기 도 1에서 수요예측 시뮬레이터부(11)의 상세 블록도이다.
실적데이터부(21)에서는 학습 대상인 실적 유량치와 일별 영향 요인 데이터를 저장 및 관리한다. 또한, 뉴로칼만 학습 시뮬레이터부(22)에서는 학습 데이터와 지정된 파라미터 조건에 의해 모델링 학습 및 학습 결과의 오차 평가, 학습을 위한 파라미터 최적화 과정을 통해 시뮬레이션을 수행하여 뉴로 칼만 예측기의 예측 파라미터를 결정하게 된다.
또한, 중앙처리장치(23)는 용수의 수요예측을 위한 연산 및 데이터 처리 기능을 수행하고, 입/출력장치(24)는 뉴로칼만 학습 시뮬레이터부(22)에서 필요로 하는 데이터의 입/출력값을 표시하고 입력하는 역할을 수행한다.
뉴로칼만 예측기(26)는 상기 뉴로칼만 학습 시뮬레이터부(22)에서 결정된 예측 가중치 데이터를 근거로 일별 용수 수요량을 계산한다. 이때, 사용되는 데이터는 예측용 실적데이터부(25)에서 저장, 관리되는 실적 데이터 예를 들어, 영향 요인 데이터, 과거 실적 데이터이다.
상기 뉴로칼만 예측기(26)에서 계산된 예측 결과는 단기 유량 예측부(27)에 저장 및 관리하여 다음 과정에서 사용되도록 한다.
한편, 도 3은 상기 뉴로칼만 학습 시뮬레이터부(22)에 대한 상세 블록도이다.
데이터 입력부(31)에서는 시뮬레이션을 수행하기 위한 일(day)별 유량 실적 데이터, 영향요인 데이터를 선택하여 입력하게 되는데, 데이터의 최대/최소값, 예측 대상 지역 등을 입력 파라미터로 한다.
상호상관 분석부(32)에서는 해당 지역의 실적 데이터와 영향요인 데이터에 대한 상관분석을 실시한다. 후술할 [수학식1]의 자기상관계수 와 [수학식2]의 교차상관계수 를 구하여, 편차 유량에 대하여 유의한 영향요인 인자들을 선택하도록 한다.
여기서, 는 t 시점의 출력인자이고, 는 값의 평균값이며, 는 t시점의 영향인자를 나타낸다. 또한, 는 값의 평균값이고, k는 지체시간을 나타낸다.
상기 자기상관 분석과 교차상관분석 결과 유의하다고 판정된 후, 영향요인이 선택된다. 사용자는 유량실적 데이터와 영향요인 데이터를 이용하여, 수동학습부(33)에서 학습을 수행하게 된다. 상기 학습은 뉴로-칼만 방식에 의해 다음과 같이 수행된다. 도 4의 신경 회로망은 다음의 [수학식3]과 같은 비선형 벡터 시스템이다.
여기서, : 출력신호, : 입력신호이다.
상기 출력 에 대하여 좀더 상세히 표현하면 다음의 [수학식4]와 같다.
여기서, 는 시냅스 가중치이며, 신경회로망이 학습되는 것은 이 비선형 벡터함수 F에 포함되는 파라미터 즉, 시냅스 가중(Weighting)치를 결정하는 것으로, 이 가중치를 결정하기 위해서 다음과 같은 확장 칼만 필터를 사용한다. 필터 방정식은 다음의 [수학식5] 내지 [수학식8]로 이루어진다.
여기서, 는 현재 (t/t)보다 스텝 전 (t/t-1)에 계산된 시냅스 하중치의 추정치 에 수정된 현재치를 의미한다. 는 관측 행렬을 나타내며, 는 Kalman Gain을 나타낸다. 는 추정오차 공분산 행렬을 나타내고 있다. 관측 방정식은 상태변수 에 대해 선형이지만 신경회로망의 경우는 관측 방정식이 다음의 [수학식9]와 같이 비선형으로 표현된다.
이 경우에는 비선형 함수 가 순조롭다고 가정하여, 상기 [수학식9]를 추정치 에 대하여 테일러(Taylor) 전개하여 선형화 한다.
여기서, 에서 구할 수 있게 된다.
상기의 방식에 의해 가중치 데이터가 학습되어지게 된다. 이렇게 학습되어진 데이터는 테스트 데이터에 의해 임의의 입력 데이터에 대한 출력 데이터로 결정될 수 있다. 이때 성능 지수는 다음과 같은 절대 평균 오차(MAE: Mean Absolute Error)나 제곱근 평균 오차(MSE: Root Means of Squared Error)를 사용하게 된다.
여기서, N은 데이터 수, 는 실제값, 는 측정값 혹은 예측값을 나타낸다.
상기 수동학습부(33)에서는 상기와 같은 과정을 통해 선택된 조건 파라미터(예: 입력 데이터 수, 학습 데이터 수, 학습 횟수, 시그모이드 상수 등)에 따라 가중치 데이터를 결정하게 된다. 상기 [수학식11]의 오차 평가 데이터는 학습된 가중치와 학습 데이터를 테스트 데이터로 사용하였을 경우의 정확도를 나타내며, 사용자로 하여금 이를 기준으로 판단하여 자신이 원하는 가중치 데이터를 선택할 수 있도록 하였다.
한편, 도 5는 상기 도 3에서 최적 학습부(34)의 구현예를 나타낸 것이다.
학습 및 적합도 평가부(51)에서는 학습 대상 데이터를 대상으로 조건 파라미터에 대하여 최대, 최소 값을 고려한 범위 내에서 분할하여 개체 집단의 수를 구한다. 각 개체 집단에 대하여 학습부 및 적합도 평가부 내부에 있는 뉴로-칼만부에 의하여 상기와 같은 학습을 수행하고, 각 개체에 대하여 적합도에 따라 평가를 수행한다.
상기 평가 결과를 근거로 선택확률을 결정하고, 루울렛 휠의 슬롯 면적을 할당한다. 평가는 상기 [수학식11]과 같은 RMSE로 결정한다. 재생산부(52A)에서는 루울렛휠 선택에 따라 교배를 위한 교배급원에 개체를 복제한다. 그리고, 교배부(52B)에서는 교배급원으로부터의 임의의 개체를 선택하고, 지정된 교배 확률보다 작은 선택이 이루어지면(난수 발생법), 임의의 교배점에 대해 염색체의 위치를 서로 교환함으로써(일점교배), 교배된 개체 생성이 이루어지게 된다. 돌연변이부(52C)에서는 염색체 비트에 대하여 지정된 돌연변이 확률보다 작은 선택이 이루어지면(난수발생법), 비트 반전을 이루어 새로운 개체 생성을 이룬다.
이와 같은 과정을 통해 다음 세 대의 개체가 이루어지게 된다. 즉, 새롭게 생성된 세대는 다시 부모 세대로서 다음 자손 세대를 이루게 된다. 이러한 과정을 통해 이루어지는 최적화 파라미터(세대수, 교배 확률, 돌연변이 확률, 최대 정지 조건 수, 수렴 오차)의 결정과 최적화 과정(반복횟수) 및 결과 표시(가중치) 등을 최적파라미터 결정표시 및 저장부(53)에 표시 및 저장하게 된다.
한편, 도 6은 본 발명에 의한 시뮬레이터의 동작 과정을 나타낸 것이다.
상기 데이터 입력부(31)에서 데이터를 수집할 때, 유량 실적 일별 데이터수, 영향요인 데이터 선택과 선택된 데이터의 최대/최소 값, 예측 대상 지역 선정 등의 입력 파라미터를 근거로 데이터를 수집한다.(SA1)
이후, 상호상관 분석부(32)에서 자기상관 분석과 교차 상호 상관 분석을 통해 예측에 영향을 주는 영향 요인들을 분석하여 선택한다.(SA2)
다음은 운전자의 선택에 따라 수동학습을 선택하거나 최적화에 의한 자동학습을 선택하게 된다.(SA3)
수동학습을 선택하는 경우에는 수동학습부(33)에서 지정된 파라미터 조건에 따라 학습을 수행하고, 수행 결과에 대한 평가 오차(MAE,RMSE)를 계산하고, 사용자가 선택할 수 있도록 표시하게 된다.(SA4-SA6)
사용자는 평가 결과에 따라 최종 결정을 하여, 최종적으로 선택된 예측 가중치를 저장하게 된다.(SA7,SA8)
그러나, 사용자가 최적 자동 학습을 선택한 경우에는 최적 학습부(34)에서 최적화 예측 가중치 계산을 유전 알고리즘으로 수행하여 예측 가중치를 결정한 후 그 예측 가중치를 저장하게 된다.(SA9)
한편, 도 7은 본 발명에 의한 파라미터 최적화 과정을 나타낸 것이다.
상기 데이터 입력부(31)와 상호상관 분석부(32)에서 학습을 위한 데이터를 수집하고 상관분석을 수행한다.(SB1)
그 결과 나타난 데이터에 대하여 학습 및 적합도 평가부(51)에서 학습 대상 데이터를 수집대상으로 조건 파라미터에 대하여 최대,최소 값을 고려한 범위 내에서 분할하여 초기 유전자 집단을 초기화 한다.(SB2)
또한, 각 개체 집단에 대하여 뉴로-칼만 과정에 따라 학습을 수행하고, 각 결과에 따른 평가 오차(MAE,RMSE)를 계산하여 각 개체에 대하여 적합도에 따라 평가를 수행한다.(SB3,SB4)
상기 평가 결과를 근거로 선택확률을 결정하고, 루울렛 휠의 슬롯 면적을 할당한다.(SB5)
상기 재생산부(52A)에서 루울렛휠 선택에 따라 교배를 위한 교배급원에 복제하여 유전자 재생산을 수행한다.(SB6)
이후, 교배부(52B)에서 교배급원으로부터 임의의 개체를 선택하고, 지정된 교배 확률보다 작은 선택이 이루어지면(난수발생 방법), 임의의 교배점에 대해 염색체의 위치를 서로 교환하므로(일점교배) 교배된 새로운 유전자 생성과정이 수행된다.(SB7)
마지막으로, 돌연변이부(52C)에서 염색체 비트에 대하여 지정된 돌연변이 확률보다 작은 선택이 이루어지면(난수 발생법), 비트 반전을 이루어 새로운 개체 생성이 이루어지므로, 새로운 유전자 생성과정이 수행된다.(SB8)
최적 파라미터 결정 표시 및 저장부(52)에서 최적화 파라미터(세대수, 교배 확률, 돌연변이 확률, 최대 정지 조건 수, 수렴 오차)의 결정과 최적화 과정(반복횟수) 및 결과 표시(가중치) 등의 진행 데이터를 표시하며, 정지 조건을 체크한다.(SB9,SB10)
상기 정지 조건은 최대 세대수 지정 조건과 지정된 수렴오차 조건에 해당될 때, 혹은 사용자의 강제 종료 신호에 따라 종료하게 되는 것이며, 그 정지 조건에 해당되지 않을 경우에는 반복하여 최적 파라미터를 구하는 과정으로 복귀하게 된다.
한편, 도 8은 상기 도 2의 뉴로칼만 예측기(26)의 동작 신호 흐름도를 나타낸 것이다.
뉴로칼만 예측기(26)는 예측용 실적 데이터부(25)로부터 필요한 실적 유량과 영향 요인 데이터를 수집하고, 뉴로칼만 학습 시뮬레이터부(22)에서 결정된 뉴로칼만 예측기(26)의 예측 가중치 데이터를 수집하여 일별 예측 수요량을 계산하게 된다.(SC1-SC3)
이렇게 계산된 값은 소정의 예측 수요량 저장영역에 저장된다(SC4).
이상에서 상세히 설명한 바와 같이 본 발명은 뉴로-칼만 방식으로 일별 용수 수요량을 예측하고, 시뮬레이터를 이용하여 사용자가 최적의 예측 가중치 파라미터를 수동방식으로 결정하거나, 유전 알고리즘을 이용한 자동 최적화 방식으로 결정할 수 있도록 일별 수요량 예측 시스템을 구축함으로써, 용수 처리 시스템에서 용수를 효율적으로 운영할 수 있는 효과가 있다.
도 1은 본 발명에 의한 수요예측 장치가 적용되는 용수 처리 시스템의 전체 블록도.
도 2는 본 발명에 의한 용수 처리 시스템의 수요예측 장치의 블록도.
도 3은 도 2에서 뉴로칼만 학습 시뮬레이터부의 대한 상세 블록도
도 4는 본 발명에 적용되는 신경망과 유니트의 전달함수를 나타낸 설명도.
도 5는 도 3에서 최적 학습부의 구현예를 보인 상세 블록도.
도 6은 본 발명에 의한 최적 학습부의 처리과정을 나타낸 신호 흐름도.
도 7은 본 발명에 의한 뉴로칼만 학습부의 처리과정을 나타낸 신호 흐름도.
도 8은 본 발명에 의한 뉴로칼만 예측기의 처리과정을 나타낸 신호 흐름도.
***도면의 주요 부분에 대한 부호의 설명***
11 : 수요예측 시뮬레이터부 12 : 데이터베이스 처리장치
13A-13N : 하위제어 시스템 21 : 실적데이터부
22 : 뉴로칼만 학습 시뮬레이터부 23 : 중앙처리장치
24 : 입/출력장치 25 : 예측용 실적데이터부
26 : 뉴로칼만 예측기 27 : 단기유량 예측부
Claims (6)
- 뉴로칼만 학습 시뮬레이터부(22)에서 사용될 실적 유량치와 시간별 영향 요인 데이터를 저장 및 관리하는 실적데이터부(21)와; 수집된 데이터로 시뮬레이션을 수행한 후 그 결과로 뉴로칼만 예측기(26)의 예측 파라미터를 결정하는 뉴로칼만 학습 시뮬레이터부(22)와; 용수의 수요예측을 위한 연산 및 데이터 처리 기능을 수행하는 중앙처리장치(23) 및, 상기 뉴로칼만 학습 시뮬레이터부(22)에서 필요로 하는 데이터의 입/출력값을 표시하고 입출력하는 입/출력장치(24)와; 유량에 관련된 영향 요인 데이터 및 과거 실적 데이터를 저장 및 관리하는 예측용 실적데이터부(25)와; 상기 예측용 실적데이터부(25)를 통해 유량에 관련된 영향요인 데이터 및 과거 실적 데이터를 입력받고, 상기 뉴로칼만 학습 시뮬레이터부(22)에서 결정된 예측 가중치 데이터를 활용하여 용수의 일별 수요량을 예측하는 뉴로칼만 예측기(26)로 구성한 것을 특징으로 하는 용수 처리 시스템의 수요예측 장치.
- 제1항에 있어서, 뉴로칼만 학습 시뮬레이터부(22)는 시뮬레이션을 수행하기 위한 일별 유량 실적 데이터, 영향요인 데이터를 선택하여 입력하는 데이터 입력부(31)와; 해당 지역의 실적 데이터와 영향요인 데이터에 대한 상관분석을 실시하는 상호상관 분석부(32)와; 선택된 조건 파라미터에 따라 뉴로칼만 학습 알고리즘으로 가중치 데이터를 결정하고, 오차평가 데이터를 사용하여 학습된 가중치에 의한 테스트 결과를 근거로 원하는 가중치 데이터를 선택할 수 있도록 하는 수동학습부(33)와; 사용자에 의해 자동 학습과정이 선택된 경우, 유전 알고리즘으로 조건 파라미터를 자동으로 변화시키면서 최적의 조건을 갖는 파라미터와 해당 가중치 데이터, 오차 평가지를 표시 및 결정하는 최적학습부(34)를 포함하여 구성된 것을 특징으로 하는 용수 처리 시스템의 수요예측 장치.
- 제2항에 있어서, 데이터 입력부(31)는 데이터를 입력할 때, 데이터의 최대/최소값, 예측 대상 지역 등을 입력 파라미터로 하여 입력하도록 구성된 것을 특징으로 하는 용수 처리 시스템의 수요예측 장치.
- 제2항에 있어서, 선택된 조건 파라미터는 입력 데이터 수, 학습 데이터 수, 학습 횟수, 시그모이드 상수 중 적어도 하나 이상을 포함하는 것을 특징으로 하는 용수 처리 시스템의 수요예측 장치.
- 제2항에 있어서, 최적학습부(34)는 학습 대상 데이터를 대상으로 조건 파라미터에 따라 개체 집단을 결정하여, 뉴로칼만 방식으로 학습을 수행함과 아울러, 각 개체에 대하여 선택확률을 결정하고 루울렛휠의 슬롯 면적을 할당하여 RMSE에 의한 평가를 수행하는 학습 및 적합도 평가부(51)와; 루울렛휠 선택에 따라 교배를 위한 교배급원에 개체를 복제하는 재생산부(52A)와; 교배급원으로부터의 임의의 개체를 선택하고, 지정된 교배 확률보다 작은 선택이 이루어지면, 임의의 교배점에 대해 염색체의 위치를 서로 교환하여, 교배된 개체 생성이 이루어지도록 하는 교배부(52B)와; 염색체 비트에 대하여 지정된 돌연변이 확률보다 작은 선택이 이루어지면, 비트 반전을 이루어 새로운 개체 생성이 이루어지도록 하는 돌연변이부(52C)와; 최적화 파라미터를 결정함과 아울러, 최적화 과정 및 결과를 표시하고 저장하는 최적파라미터 결정표시 및 저장부(53)로 구성된 것을 특징으로 하는 용수 처리 시스템의 수요예측 장치.
- 용수 처리 시스템에서 임의 기간의 실적 데이터, 조건 파라미터에 따라 최적의 일별 뉴로칼만 예측기의 예측 가중치를 결정하는 방법에 있어서, 학습 데이터를 수집하여 상관분석 한 후 조건 파라미터에 대하여 최대,최소 값을 고려한 범위 내에서 분할하여 초기 유전자 집단을 초기화하는 제1과정과; 각 개체 집단에 대하여 뉴로-칼만 과정에 따라 학습을 수행하고, 각 개체에 대하여 적합도에 따라 평가를 수행하여 선택확률을 결정하고, 루울렛 휠의 슬롯 면적을 할당하는 제2과정과; 루울렛휠 선택에 따라 교배를 위한 교배급원에 복제하여 유전자 재생산을 수행한 후 교배급원으로부터 임의의 개체를 선택하고, 지정된 교배 확률보다 작은 선택이 이루어지면, 교배된 새로운 유전자 생성과정이 수행되게 하는 제3과정과; 염색체 비트에 대하여 지정된 돌연변이 확률보다 작은 선택이 이루어지면 새로운 유전자 생성과정을 수행하고, 최적화 파라미터의 결정과 최적화 과정 및 결과 표시 등의 진행 데이터를 표시하는 제4과정으로 이루어지는 것을 특징으로 하는 용수 처리 시스템의 수요예측 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR10-2003-0085279A KR100505318B1 (ko) | 2003-11-27 | 2003-11-27 | 용수 처리 시스템의 수요예측 장치 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR10-2003-0085279A KR100505318B1 (ko) | 2003-11-27 | 2003-11-27 | 용수 처리 시스템의 수요예측 장치 및 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20050051488A KR20050051488A (ko) | 2005-06-01 |
| KR100505318B1 true KR100505318B1 (ko) | 2005-08-03 |
Family
ID=38666703
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR10-2003-0085279A KR100505318B1 (ko) | 2003-11-27 | 2003-11-27 | 용수 처리 시스템의 수요예측 장치 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR100505318B1 (ko) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100566438B1 (ko) * | 2003-11-27 | 2006-03-31 | 엘에스산전 주식회사 | 용수 처리 시스템의 수요예측 장치 및 방법 |
| KR101660102B1 (ko) * | 2014-04-08 | 2016-10-04 | 엘에스산전 주식회사 | 용수량 수요 예측 장치 |
| CN104699995B (zh) * | 2015-04-03 | 2017-09-26 | 吉林大学 | 一种滑坡监测数据对数拟合的预测预报方法 |
| CN116070886B (zh) * | 2023-04-04 | 2023-06-20 | 水利部交通运输部国家能源局南京水利科学研究院 | 水资源系统多维适应性调控方法及系统 |
| CN117192063B (zh) * | 2023-11-06 | 2024-03-15 | 山东大学 | 基于耦合卡尔曼滤波数据同化的水质预测方法及系统 |
-
2003
- 2003-11-27 KR KR10-2003-0085279A patent/KR100505318B1/ko active IP Right Grant
Also Published As
| Publication number | Publication date |
|---|---|
| KR20050051488A (ko) | 2005-06-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Shiri et al. | Comparison of genetic programming with neuro-fuzzy systems for predicting short-term water table depth fluctuations | |
| Aytek et al. | An application of artificial intelligence for rainfall-runoff modeling | |
| Hsu et al. | Regional load forecasting in Taiwan––applications of artificial neural networks | |
| Barbounis et al. | Locally recurrent neural networks for wind speed prediction using spatial correlation | |
| Sailor et al. | A neural network approach to local downscaling of GCM output for assessing wind power implications of climate change | |
| Guven et al. | Genetic programming‐based empirical model for daily reference evapotranspiration estimation | |
| Kaviari et al. | Simulation of urban growth using agent-based modeling and game theory with different temporal resolutions | |
| Kebriaei et al. | Model-based and learning-based decision making in incomplete information cournot games: a state estimation approach | |
| Alfred | A genetic-based backpropagation neural network for forecasting in time-series data | |
| Gautam et al. | A novel moving average forecasting approach using fuzzy time series data set | |
| CN108898250A (zh) | 一种基于D藤copula函数的月径流模拟方法 | |
| Sanikhani et al. | Comparison of different data-driven approaches for modeling lake level fluctuations: the case of Manyas and Tuz Lakes (Turkey) | |
| KR101119983B1 (ko) | 지엠디에이치 알고리즘을 이용한 물수요 예측방법 | |
| Alfred et al. | A performance comparison of statistical and machine learning techniques in learning time series data | |
| Krebs | An empirically grounded model of green electricity adoption in Germany: Calibration, validation and insights into patterns of diffusion | |
| CN108877224A (zh) | 一种可进行置信区间估计的短时交通流预测方法 | |
| Ahmadi et al. | Robust methods for identifying optimal reservoir operation strategies using deterministic and stochastic formulations | |
| KR100505318B1 (ko) | 용수 처리 시스템의 수요예측 장치 및 방법 | |
| El Hanjri et al. | Federated learning for water consumption forecasting in smart cities | |
| CN117408171B (zh) | 一种Copula多模型条件处理器的水文集合预报方法 | |
| Leprêtre et al. | Fitness landscapes analysis and adaptive algorithms design for traffic lights optimization on SIALAC benchmark | |
| KR20070000101A (ko) | 마을 하수 처리 시설 통합 관리 방법 및 그 시스템 | |
| KR100724497B1 (ko) | 물 수요 예측 시스템 및 방법 | |
| Bashir et al. | Short-term load forecasting using artificial neural network based on particle swarm optimization algorithm | |
| CN114841461B (zh) | 基于时序缺失感知和多源因素融合的空气质量集成预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| N231 | Notification of change of applicant | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant | ||
| FPAY | Annual fee payment |
Payment date: 20130515 Year of fee payment: 9 |
|
| FPAY | Annual fee payment |
Payment date: 20140620 Year of fee payment: 10 |
|
| FPAY | Annual fee payment |
Payment date: 20150702 Year of fee payment: 11 |
|
| FPAY | Annual fee payment |
Payment date: 20160701 Year of fee payment: 12 |
|
| FPAY | Annual fee payment |
Payment date: 20170703 Year of fee payment: 13 |
|
| FPAY | Annual fee payment |
Payment date: 20180702 Year of fee payment: 14 |
|
| FPAY | Annual fee payment |
Payment date: 20190701 Year of fee payment: 15 |