KR100724497B1

KR100724497B1 - 물 수요 예측 시스템 및 방법

Info

Publication number: KR100724497B1
Application number: KR1020060015322A
Authority: KR
Inventors: 이봉국
Original assignee: 엘에스산전 주식회사
Priority date: 2006-02-16
Filing date: 2006-02-16
Publication date: 2007-06-04

Abstract

본 발명은 물 수요예측 시스템의 예측 알고리즘을 위한 예측 요인 인자의 차수 및 계수를 자동으로 결정하도록 한 물 수요 예측 시스템 및 방법에 관한 것이다. 이를 위하여, 본 발명의 실시예는 예측 요인을 요소 특성 분석 방식으로 자동 계산하여 예측 알고리즘의 차수 및 계수를 자동 결정한 후, 이를 소정의 예측 알고리즘에 적용하여 시뮬레이션함으로써, 현재 사용중인 예측 알고리즘에 의해 발생된 예측 오차와 상기 시뮬레이션 결과의 예측 오차를 비교하여 더 좋은 예측 알고리즘을 판단할 수 있어 용이한 방법을 통해 현재 수운영 시스템에서 운영되고 있는 알고리즘을 객관적인 판단을 근거로 대체하여 사용할 수 있는 효과가 있다.

Description

물 수요 예측 시스템 및 방법{WATER DEMAND PREDICTIVE SYSTEM AND METHOD THEREOF}

도 1은 본 발명 일 실시예의 전체 구조를 보인 시스템 구성도.

도 2는 본 발명 일 실시예에 따른 수요 예측 알고리즘들을 위한 자동 차수, 계수 결정 부분의 구성도.

도 3은 본 발명 일 실시예에 따른 자동 차수,계수 계산부 구성도.

도 4는 알고리즘 자동, 수동 반영 선택부 구성도.

도 5는 자동 차수, 계수 결정 순서도.

도 6은 예측 알고리즘별 요소, 특성 선택 과정 순서도.

도 7은 예측 알고리즘의 기후 요소 분석, 선택에 따른 계수 결정 순서도.

도 8은 자동 차수 시뮬레이션 구현의 예를 보인 화면 예시도.

도 9는 자동 차수, 계수 결정 표시부 구현의 예를 보인 화면 예시도.

도 10은 자동 차수, 계수 결정 비교 표시부 구현의 예를 보인 화면 예시도.

*** 도면의 주요 부분에 대한 부호의 설명 ***

100: 수요예측 다수 알고리즘 자동 차수/계수 결정 시스템

120: 알고리즘 자동/수동 반영 선택부

200: 데이터베이스 처리부

300: 요소별 특성 선택부

본 발명은 물 수요 예측 시스템 및 방법에 관한 것으로, 특히 물 수요예측 시스템의 예측 알고리즘을 위한 예측 요인 인자의 차수 및 계수를 자동으로 결정하도록 한 물 수요 예측 시스템 및 방법에 관한 것이다.

상수도 시설은 도시생활을 영위하는 모든 사람에게 이용되는 것으로 매일의 일상생활과 도시의 제반 활동을 유지해주는 중요한 시설이며 도시의 인구집중, 생활수준의 향상, 경제성장 등에 상응하는 양질의 물이 안정적으로 제공되어야 한다.

이를 유지하기 위해서는 배수제어를 기초로 하는 상수도의 총괄적 유지관리 계획인 물관리 운영(이하, "수운영"이라 한다)이 중요한 과제로 남게 된다.

수운영을 지원하는 시스템은 정수장에서 수요자까지의 모든 수도 시설을 제어, 감시하여 수량, 수압, 수질 측면에서 안전한 물을 효율적으로 공급하기 위한 것이며, 따라서 일(day) 또는 시간 단위에 있어서 상수 수요량의 정확한 예측이 필요하게 되고 이 예측으로 인하여 상수도의 운영계획이 수립되어 합리적인 송배수 펌프의 운전과 밸브의 조정 그리고 배수지 수위의 설정 등을 원활히 할 수 있다.

따라서 배수시설의 최적운영을 위해서는 대상지역의 특성을 충분히 고려한 물수요량의 수요구조를 파악하는 동시에 정확하고 효율적인 단기 용수 예측이 필요하며, 이러한 단기 용수 예측은 수운영 시스템의 가장 핵심적인 부분이다. 그로인 해 배수지, 정수지나 임의의 장소에 대한 효율적인 용수 수요예측에 따라 기타 수운영 계획(지운영, 수량배분, 취송수 제어등)이 이루어 지게 된다.

상기 설명한 수운영을 위한 물 수요 예측을 위해서는 다음과 같은 방법이 일반적으로 적용된다. 우선, 각종 수요예측 알고리즘을 적용하여 계통(적용대상)별로 일별 수요량 예측을 수행하고, 이를 토대로 상대시간계수를 이용한 수요패턴 해석에 의한 시간별 예측수요량을 산출한다. 그리고, 상기 산출된 시간별 수요예측량은 경제적 운영이 이루어지도록 분기점별 송수량을 산출하여 운영계획수립 정보를 제공하게 되며, 예측수요량에 전력요금 등을 고려하여 시간대별 펌프관리 테이블을 작성하여 운영자에게 제공한다. 이후, 상기 운영자는 상기 작성된 시간대별 펌프관리 테이블을 이용하여 배수 시설을 운영하며, 이렇게 운영된 정보는 후속 물 수요 예측을 위해 누적되어 관리된다.

일반적으로 시간별 예측수요량 산출시에는 데이터 Granulization기법이 보편적으로 사용되고 있으나, 일별수요량 예측시에는 평균치, 칼만필터 모델 기법 등이 다양하게 사용되고 있으며, 최근에는 신경망을 이용한 기법도 등장하고 있다. 그러나, 이러한 다양한 일별 수요량, 즉 단기 용수를 예측하기 위한 기법들 중 어떠한 것이 가장 신뢰성이 높은가에 대한 것은 논란의 여지가 있는 것으로 그 예측의 목적과 상황에 따라 신뢰성의 편차가 발생하게 된다.

따라서, 각각의 목적에 부합되는 최적의 일별 수요량 예측 알고리즘을 운영자가 선택하여 모든 수요예측 대상에 대하여 적용하거나 운영자가 소정의 데이터 등에 근거하여 예측 알고리즘을 적절히 선택하여 적용해 왔다. 그러나, 단일 알고 리즘을 모든 수요예측 대상에 적용할 경우 대상별 공정 특성에 대한 고려가 미흡하여 적절한 수요 예측이 이루어지지 않을 수 있고, 운영자가 판단하여 다수개의 예측 알고리즘을 적용할 경우라도 운영자가 판단할 수 없는 복잡한 방식에 따라 일률적으로 결정되는 경향이 있어 적절한 예측 알고리즘을 판단하고 선택하기 곤란한 문제가 발생한다.

즉, 용수 공급 시스템이 다수의 수요 예측 알고리즘을 수운영 시스템에 적용하는 경우, 각 수요 예측 대상별로 수요 예측 알고리즘의 차수와 계수의 최적값을 자동적으로 제공하도록 하고, 사용자가 이를 근거로 각 대상별 예측 알고리즘을 시뮬레이션해 본 후 적절한 예측 알고리즘과 차수 및 계수를 선택할 수 있도록 함으로써 각 수요 예측 대상별로 적절한 수요 예측 알고리즘을 선택할 수 있도록 하는 시스템 및 방법이 절실히 요구된다.

상기와 같은 문제점을 감안한 본 발명의 목적은 용수 공급 시스템이 다수의 수요예측 알고리즘을 수운영 시스템에 적용하였을 경우, 각 수요예측 대상별로 수요예측 알고리즘의 차수 및 계수를 자동으로 결정해 주어 운영자의 수요예측 알고리즘 선택에 도움을 주는 물 수요 예측 시스템 및 방법을 제공하는 것이다.

본 발명의 다른 목적은 각 수요예측 대상별로 적용할 예측 알고리즘을 자동적으로 산출되는 차수 및 계수로 시뮬레이션하여 그 결과를 확인한 후 운영자가 원하는 예측 알고리즘을 선택할 수 있는 방법을 제공하여 각 대상별로 적절한 수요예측 알고리즘을 선택할 수 있도록 하는 물 수요 예측 시스템 및 방법을 제공하는 것 이다

본 발명의 또다른 목적은 상관계수에 의한 관련 요인 선택과정(실적 배수량, 요일, 날씨, 기후요소 등)과 요소 특성별 선택 방식을 적용하여 소정 예측 알고리즘의 차수 및 계수 선택시 환경과 상황의 변화를 감안하도록 함으로써, 보다 적절하고 신뢰성 있는 수요 예측이 실시되도록 한 물 수요 예측 시스템 및 방법을 제공하는 것이다.

상기와 같은 목적을 달성하기 위한 본 발명의 실시예는 용수 공급 실적 데이터 및 예측 요인 데이터를 저장하는 데이터베이스와; 복수의 물 수요 예측 알고리즘들에 대한 차수 및 계수를 상기 데이터베이스에 저장된 실적 데이터와 예측 요인 데이터를 요소 특성 분석 방식을 통해 자동 계산하는 자동 차수/계수 결정부와; 상기 설정된 자동 차수/계수를 소정 물 수요 예측 알고리즘에 적용하여 시뮬레이션 한 결과와 현재 사용되는 예측 알고리즘을 비교하여 오차가 더 작은 예측 알고리즘을 결정하는 수요 예측 알고리즘 운영부와; 상기 수요 예측 알고리즘 운영부에 의해 운영되는 용수 공급 계통의 하위 제어 시스템들을 포함하는 것을 특징으로 한다.

상기 자동 차수/계수 결정부 및 상기 수요 예측 알고리즘 운영부는, 상기 데이터베이스에 저장된 실적 데이터 및 예측 요인 데이터를 수집하여 예측 대상별로 사용자가 지정한 알고리즘에 해당하는 차수와 계수를 자동적으로 계산하는 자동 차수/계수 계산부와; 상기 자동 차수/계수 계산부의 결과를 상기 사용자가 지정한 알 고리즘에 적용하여 시뮬레이션하고, 그 결과를 현재 운영중인 예측 알고리즘에 의한 결과와 비교하여 오차가 더 작은 예측 알고리즘을 자동 혹은 수동으로 온라인 상에 적용하는 알고리즘 자동/수동 반영 선택부와; 현재 온라인 상에서 운영중인 예측 알고리즘을 통해 주기적인 예측을 실시하는 온라인 예측부를 포함하는 것을 특징으로 한다.

상기 자동 차수/계수 결정부는, 상기 데이터베이스에 저장된 실적 데이터 및 예측 요인 데이터를 수집하는 데이터 입력부와; 상기 데이터 입력부를 통해 제공되는 실적 데이터와 예측 요인 데이터 사이의 상관 관계를 분석하는 상관계수 분석부와; 상기 상관계수 분석부와 사용자가 지정한 예측 알고리즘을 근거로 적용할 예측 요인 데이터를 선별하고 상기 실적 데이터를 표준화하고, 상기 선별된 각 예측 요인 데이터별로 차수를 결정한 후 그에 따른 계수를 평균치와 예측 대상에 대한 공급 계약량 혹은 사용자가 지정하는 값을 이용하여 획득하는 요소별 특성 선택부를 포함하는 것을 특징으로 한다.

또한, 본 발명은 다른 실시예는, 물 수요 예측 대상과 기간의 설정 및 적용할 예측 알고리즘 선택을 포함하는 자동 차수/계수 계산 조건을 지정하는 단계와; 기 저장된 용수 공급 실적 데이터 및 예측 요인 데이터 사이의 상관 관계를 분석하여 적용할 예측 요인을 선정하는 단계와; 상기 선택된 예측 알고리즘에서 사용하는 예측 요인들 중 상기 선정된 예측 요인에 대한 요소 특성 분석을 상기 실적 데이터와 각 예측 요인 데이터를 이용하여 실시하여 차수와 계수를 계산하는 단계와; 상기 지정된 예측 대상 및 기간 동안의 실적 데이터를 기반으로 상기 선택된 예측 알 고리즘의 시뮬레이션을 실시하여 상기 시뮬레이션에 의한 예측 오차 평균들을 획득하고, 상기 예측 대상 및 기간 동안 사용한 상기 현재 운영되는 예측 알고리즘에 의한 예측 오차 평균들을 비교하는 단계와;상기 판단의 결과 또는 상기 판단의 결과를 인지한 사용자의 선택에 따라 상기 결과가 좋은 예측 알고리즘을 온라인 상에 반영하는 단계를 포함하는 것을 특징으로한다.

상기와 같은 본 발명을 첨부된 도면들을 참조하여 설명하도록 한다.

도 1은 본 발명 일 실시예의 전체 구조를 보인 시스템 구성도로서, 전체적인 용수 공급 시스템에 대한 개략적인 구성을 보인 것이다.

본 실시예의 개략적인 동작은, 용수 공급 과정을 통해 발생되어 저장된 유량 실적 데이터와, 상기 실적 데이터와 관련된 예측 요인 데이터를 활용하여, 다수의 용수 공급 예측 알고리즘을 이용해 다수의 예측 대상(용수 공급 구간)에 대하여 예측하고자 할 때, 자동으로 각 예측 대상별로 적합한 예측 알고리즘을 선택하기 위해 상관계수 분석 및 요소 특성별 분석 방식에 따라 자동으로 차수와 계수를 계산하고, 온라인에 적용되는 알고리즘과 비교 선택하여 사용할 수 있도록 하는 것이다. 이를 위한 기본적인 개략도를 상기 도 1의 구성을 통해 살펴보도록 한다.

우선, 용수 공급 계통의 주 계측제어 시스템인 분산제어 시스템(DCS: Distributed Control Systme)을 하위 제어 시스템(70~90)으로 하여 전체적인 시스템 구성을 이룬다. 즉, 하위 제어 시스템(70~90)은 전체 용수 공급 계통의 주 위치에 RCS(Remote Control System)이나 TM/TC(Tele Monitoring and Tele Control Station)의 형태로 위치되고, 상기 위치에서 제공한 유량 데이터를 실시간으로 수 집하며, 상기 수집된 유량 데이터를 이용하여 관리된다. 상기 실시간 데이터는 하위 제어 인터페이스용 네트워크(60)를 통해 데이터베이스 처리부(40)에 저장되고, 상기 데이터는 형태는 이력 데이터 형태로 저장된다. 수요예측 다수 알고리즘 자동 차수/계수 결정 시스템(30)은 상위 네트워크(50)를 통해 데이터를 필요시 다수 예측 알고리즘 자동 차수/계수 결정 시스템(10)에 제공하고, 정기적인 수요예측 알고리즘 수행 및 상기 다수 예측 알고리즘 자동 차수/계수 결정 시스템(10)에 의해 얻어진 차수/계수로 특정 알고리즘을 시뮬레이션하여 그 결과에 따라 온라인 상에 적용되는 물 수요 예측 알고리즘을 변경하기 위해 정기적으로 저장된 실적 데이터와 예측 요인 데이터를 수요예측 알고리즘 운영부(20)에 제공하여 수요예측 시스템을 운영하게 된다. 상기 수요예측 다수 알고리즘 자동 차수/계수 결정 시스템(30)은 상기 다수 예측 알고리즘 자동 차수/계수 결정 시스템(10)과 수요예측 알고리즘 운영부(20)로 이루어진 것으로 설명하였으나, 이는 큰 개념의 구성 블럭으로 구분한 것이며, 이를 구체적인 구현 기능 블록으로 세분화하여 표현할 경우, 복수의 구체적 구현 기능 블록들은 동작 상태에 따라 상기 다수 예측 알고리즘 자동 차수/계수 결정 시스템(10) 혹은 수요예측 알고리즘 운영부(20)로서 기능하게 된다는 것에 주의한다.

도 2는 상기 수요예측 다수 알고리즘 자동 차수/계수 결정 시스템(30)의 전체적인 구성도(100)를 나타낸다. 즉, 수요예측 시스템의 자동 차수/계수 계산부(110)에서는 데이터베이스 처리부(200)로부터 정해진 기간의 실적 유량 데이터(210)와 예측 요인 데이터(220)의 이력 데이터를 수집하여, 예측 대상별로 각 알고 리즘에 해당되는 차수, 계수를 자동으로 계산한다. 상기 차수/계수 자동 계산 방법은 이후 상세히 설명하도록 한다.

그리고, 알고리즘 자동/수동 반영 선택부(120)에서는 계산된 차수, 계수를 사용자가 선택한 알고리즘에 적용하여 현재 운영되고 있는 예측 알고리즘에 비교하여 성능이 만족하다고 판단될 경우에 현재 운영되고 있는 예측 알고리즘을 자동 혹은 사용자의 승인을 얻어 대치하여 사용하도록 선택하는 기능을 가진다.

그리고, 온라인 예측부(150)에서는 현재 적용되고 있는 알고리즘을 관리하고 실제로 예측을 수행하며, 상기 알고리즘 자동/수동 반영 선택부(120)에서 지시하는 알고리즘으로 현재 온라인 예측 알고리즘을 변경하는 기능을 수행한다. 상기 온라인 예측부(150)에서는 정기적으로 지정된 예측 알고리즘으로 예측을 실시하며, 각 예측 대상별로 1개의 알고리즘만 적용된다.

그리고, 중앙 처리 장치부(130)에서는 이러한 과정의 연산을 수행하며, 입,출력 장치(140)는 필요한 데이터를 운영자에게 표시하거나 입력 받을 수 있도록 하는 기능을 수행한다.

도 3은 상기 도 2에 도시한 자동 차수/계수 계산부(110)의 구성을 보인 것으로, 이를 통해 자동으로 차수/계수를 결정하는 방식을 설명하는 개념을 표현하고 있다. 상기 자동 차수/계수 계산부(110)에서 사용될 수 있는 예측 알고리즘은 칼만 필터 방식, 신경회로망 방식, 평균치 방식등과 같이 널리 알려진 물 수요 예측 알고리즘들로서, 상기 방식 외에도 다른 종류의 예측 알고리즘들이 더 적용될 수 있다. 상기 각 알고리즘은 예측을 수행하기 위해 실적 유량 데이터(210)와 예측 요인 데이터(220)가 필요하다. 실적 유량 데이터(210)는 1일전, 2일전, 3일전,4일전, 5일전, 6일전, 1주전, 2주전, 3주전 데이터등과 같은 실제로 급수를 실시한 유량의 실적 데이터 중 임의의 시점, 기간 데이터들이고, 상기 예측 요인 데이터(220)로는 요일 데이터(평일, 휴일, 특이일), 날씨 데이터(맑음,흐림, 비,눈), 기후 데이터(최고기온, 평균기온, 최저기온, 운량, 일 강수량, 적설량, 풍속, 상대 습도, 일조 시간등)의 대상 데이터가 된다.

각 알고리즘이 적합한 예측을 위해서, 필요한(대상 및 기간) 실적 유량 데이터(210)와 예측 요인 데이터(220)를 선택하고, 선택된 데이터를 사용자(운영자)가 지정한 알고리즘의 변수로 사용하게 된다. 또한, 실제로 입력되는 데이터 정보를 알고리즘 특성에 맞게 예측 요인별 알고리즘 차수와 계수를 결정하는 것이 필요하다. 차수란 알고리즘 입력 변수의 전체 선택 구간 범위의 수를 나타내고, 계수는 각 범위의 크기를 나타내는 것으로 파악될 수 있다.

도시된 데이터 입력부(160)는 사용자가 설정한 기간동안의 상기 실적 유량 데이터(210)와 예측 요인 데이터(220)를 수집한다. 그리고, 상관계수 분석부(170)는 다음의 수학식 1의 상관계수를 각 예측 요인 데이터와 실적 유량 데이터를 이용하여 계산한다.

여기서, x', y'는 평균치이고, n은 측정변수이며, x는 독립변수로 예측 요인이고, y는 종속 변수로 배수량 실적치이다.

상기 예측 요인 데이터는 독립변수(예측 인자)에 해당되고, 실적 유량 데이터는 종속 변수로 하여 각 예측 인자 별 상관계수를 주어진 기간에 대하여 계산하며, 임의의 상관계수 값보다 큰 값을 가지는 예측 요인은 예측 알고리즘을 결정하기 위한 목적으로 차수/계수 측정에 사용되어야 한다.

상기 상관계수 값은 -1과 1사이의 범위 값을 갖게 되며, 예를 들어, 배수량 수요 예측을 위해서 예측 요인들에 대한 상관 계수를 구한 경우, 그 상관계수가 0.4를 넘는 경우에 대해서만 해당 예측 요인을 예측 인자로 선택할 수 있다.

요소별 특성 선택 부(300)는 실적 유량 데이터(210)를 분석/선택하는 실적 데이터 분석/선택부(310)와 요일별 예측 요인 데이터 차수/계수를 결정하는 요일 분석/선택부(320), 날씨에 대한 예측 요인 데이터 차수/계수를 결정하는 날씨 분석/선택부(330), 기후에 대한 예측 요인 데이터 차수/계수를 결정하는 기후 분석/선택부(340)로 구성된다. 당연히, 각 분석/선택부의 수는 예측 요인의 수에 따라 증 가할 수 있고, 이들 중 큰 영향을 미치지 않는 예측 요인은 생략할 수도 있다.

상기 실적 데이터 분석/선택부(310)는 요일, 날씨, 기후와 같은 각 예측 요인들에 대하여 실적 데이터의 상태를 점검 후, 오류 데이터 유무를 검사하고, 다음의 수학식 2와 같이 실적 유량 데이터를 해당 실적의 범위에 대해 표준화를 실시한다.

여기서, 최대값, 최소값은 예측 대상의 유량 실적치에서 선택하거나, 운영자의 임의 범위 선택에 따른다.

그리고, 본 실시예에서 적용하는 요일 분석/선택부(320)는 평일, 휴일, 특이일을 사용하도록 한다면, 차수를 3으로 설정할 수 있다. 그리고, 각 요일(평일, 휴일, 특이일)에 해당하는 실적 데이터를 이용하여 평균치를 계산한다. 계산된 평균치를 해당 예측 대상에 대한 공급 계약량을 이용하거나 임의의 지정된 데이터를 이용하여 다음의 수학식 3과 같이 계산하여 이를 각 요일에 대한 요일 계수로 사용한다. 다시 말해, 이를 통해 예측 요인 데이터 중에서 요일에 대한 차수와 계수를 결정하는 것이다.

상기 요일계수는 0과 1사이의 값을 가지게 되며, 실제 예측 알고리즘에서 사용할 경우, 요일별 평균 실적치를 재계산하여 사용할 수 있다.

그리고, 본 실시예에서 적용하는 날씨 분석/선택부(330)는 맑음, 흐림, 비, 눈의 날씨를 사용하도록 한다면, 차수를 4로 설정할 수 있다. 또한, 각 날씨(맑음, 흐림, 비, 눈)에 해당하는 실적 데이터를 이용하여 평균치를 계산한다. 계산된 평균치를 해당 예측 대상에 대한 공급 계약량을 이용하거나, 임의의 지정된 데이터를 이용하여 다음의 수학식 4와 같이 계산하여 각 날씨에 대한 날씨 계수로 사용한다.

그리고, 기후 요소 분석/선택부(340)는 기후(최고기온, 평균기온, 최저기온, 운량, 일 강수량, 적설량, 풍속, 상대 습도, 일조 시간)요소 별로 차수와 계수 값을 계산한다. 상기 기후 요소와 같이 많은 고려 사항이 있는 경우, 각각의 요인별로 차수를 나누지 않고 해당 기간의 최대, 최소값을 기준으로 범위를 임의의 개수로 균등하게 나누도록 한다(예를 들면, 4개). 이렇게 균등하게 나눈 개수를 차수로 하며, 각 범위에 대하여 계수 값을 결정한다. 계수 값의 결정은 반복적인 차수와 계수 적용 및 시뮬레이션을 통한 오차감소를 통해 얻어질 수 있다. 이는 이후 도 7을 참고하여 상세히 설명하도록 한다.

상기 설명된 구조 및 과정을 걸쳐 계산된 예측 요인별 차수/계수 결정치는 사용자가 지정한 예측 알고리즘에 대해 저장되도록 한다. 각 알고리즘은 각기 다른 예측 요인을 사용하게 된다. 예를 들어, 칼만 필터 알고리즘의 경우는 1일전, 2일전, 3일전, 4일전, 5일전, 6일전,1주전, 2주전, 3주전 유량 실적 데이터와 날씨, 요일 데이터를 사용하고, 신경회로망 알고리즘은 1일전, 2일전, 3일전, 4일전, 5일전, 6일전, 1주전, 2주전, 3주전, 날씨, 요일, 기후 데이터를 사용하고, 평균치 알고리즘은 1일전, 2일전, … 21일전 데이터를 사용할 수 있다.

도 4는 도 2의 알고리즘 자동/수동 반영 선택부(120) 구조를 보인 구성도로서 자동 계산된 알고리즘 차수, 계수를 이용하여 실제 운영되고 있는 알고리즘과의 비교를 통하여 실제 알고리즘을 대체하게 되는 과정을 나타낸 것이다.

상기 알고리즘 차수, 계수 표시부(115)는 자동 차수, 계수 계산 결과로 저장된 데이터를 운영자에게 표시하여 나타내는 부분이다. 도시된 자동/수동 선택부(190)는 자동 계산된 알고리즘의 차수/계수를 이용하여 자동으로 시뮬레이션을 실시하여 그 결과에 따라 현재 운영중인 예측 알고리즘을 변경할 것인지, 사용자가 직접 시뮬레이션을 실시한 후 그 결과를 확인하여 현재 운영중인 예측 알고리즘의 변경을 지시할 것인지를 결정하도록 한다.

도시된 알고리즘 수동 반영 선택부(120)는 운영자가 수동으로 선택할 경우에 수행하는 과정 및 구성을 나타낸 것이다. 이는 예측 시뮬레이션을 수동으로 수행하는 예측 시뮬레이션 부(121)와 실적 예측치와 시뮬레이션 결과로 나타난 예측 결과를 비교할 수 있도록 하는 비교 표시부(122)와 결과로 나타난 예측치에 대하여 평가 기준에 해당하는지를 판단하는 예측 정확도 평가 기준부(124)와 해당 예측 알고 리즘을 온라인에 반영할 것인지 여부를 관리하는 온라인 반영 선택부(120)로 구성된다.

상기 예측 시뮬레이션부(121)에서는 해당 기간(실적 데이터가 마련된 과거 기간)과 임의 선택된 알고리즘에 대하여 자동으로 계산된 차수, 계수를 이용하여 시뮬레이션을 수행하도록 한다. 시뮬레이션 결과는 메모리나 하드 디스크 등의 저장매체에 저장해 둘 수 있다. 비교 표시부(122)에서는 현재 운영되고 있는 알고리즘에 의해 계산된 실적 예측치와 예측 시뮬레이션부(121)에서 계산된 예측 결과치를 비교하여 표시해 준다. 예측 정확도 평가 기준부(124)에서는 지정된 기간에 대하여 운영되고 있는 예측 실적치와 시뮬레이션 결과 예측치를 이용하여 평가 기준치에 적합한가를 판단하도록 한다. 이 경우 다음의 수학식5를 이용하여 예측 오차를 구해 이를 기준으로 상기 두 종류의 예측 알고리즘의 적합성을 판단할 수 있다.

상기 적합성 판단의 결과, 사용자가 만족하지 못할 경우는 다른 알고리즘을 선택하거나, 차수, 계수 알고리즘을 변경하여 재수행하도록 한다. 온라인 반영 선택부(123)에서는 비교된 결과에 대하여 현재 운영되고 있는 예측 알고리즘을 대체할 것인가를 결정한다. 여기서는 시뮬레이션 결과로 선택된 알고리즘이 변경 대상이 된다.

자동 비교, 평가부(180)는 선택된 알고리즘에 대하여 자동으로 시뮬레이션을 수행하고, 결과치와 현재 운영되는 알고리즘의 예측 결과치를 비교하고 평가하는 과정을 수동선택하지 않고, 일괄적으로 자동 계산하고 온라인 예측부(150)에 대한 적용 여부도 자동 결정한다.

도 5는 자동 차수/계수를 결정하는 과정을 보인 순서도로서, 도 3의 구성 및 동작 방식에 대응되는 것이다.

우선, 예측 알고리즘의 성능을 평가할 기간 및 대상 선택 단계에서는 임의의 대상과 기간을 설정하여 자동 차수, 계수 계산 조건을 지정해 준다. 그리고, 상관 계수 결정에 따른 요인 선택 단계에서는 실적 유량과 예측 요인 데이터를 정리한 후, 상관 계수 값을 계산한 후, 일정 크기 이상의 상관계수 값을 갖는 요인 데이터를 예측 알고리즘의 예측 요인 데이터 변수로 선정한다.

그리고, 알고리즘별 요소 특성 선택 단계에서는 요소 특성 분석 방식에 의해 실적 유량 데이터, 날씨 데이터, 요일 데이터, 기후 데이터를 이용하여 차수, 계수를 계산하도록 한다. 이후, 대상별 알고리즘 계수, 차수 표시 단계에서는 계산된 결과 차수, 계수 값을 표시하고 저장하여 운영자가 이를 사용할 수 있도록 한다.

그리고, 해당 알고리즘 선택 단계에서는 수동, 자동 방식에 따라 자동 계산된 알고리즘 차수, 계수를 이용하여 현재 운영되고 있는 예측 알고리즘과 비교할 수 있도록 시뮬레이션을 수행하고 비교 예측치, 실적치를 표시하여, 현재 운영되는 알고리즘 결과보다 좋은 결과를 가지지 못할 경우에 자동 차수, 계수 과정을 다시 수행하거나, 계산된 차수, 계수를 재조정하여 사용하도록 한다. 이는 설계자의 결정에 따르거나 사용자의 지정에 따를 수 있으므로 두가지 경우를 모두 도시하였다. 마지막으로, 온라인 적용 단계에서는 평가 기준을 만족한 알고리즘에 대하여 온라인에 반영하여 사용할지를 마지막으로 결정하도록 한다.

도 6은 자동 계산시 각 알고리즘별 자동 요소 선택 과정를 나타낸 순서도를 보인 것이다. 각 예측 알고리즘은 특정한 예측 요인을 선택할 경우가 있고, 선택할 필요가 없는 경우가 있으며, 예측 요인과 실적 데이터 사이에 상관 관계가 희박할 경우 적용하지 않아도 된다.

도시된 실적 분석 필요 선택 단계에서는 실적 유량 데이터에 대한 분석/선택 과정이 필요 유무를 확인하고, 필요시 실적 데이터 분석/선택 단계를 수행하고, 결정 데이터를 저장한다. 이후 도시되는 각 분석/선택 단계들은 앞서 설명한 것 처럼 줄어들 수도 있고, 증가할 수도 있다.

우선, 요일 요소 데이터에 대한 분석/선택 과정의 필요 여부를 확인하고, 필요시 요일 분석/선택 단계를 수행하고, 결정 데이터를 저장한다. 그리고, 날씨 분석 필요 여부를 확인하고, 필요시 날씨 분석/선택 단계를 수행하고, 결정 데이터를 저장한다. 그리고, 기수 요소 데이터에 대한 분석/선택 과정 필요 유무를 확인하고, 필요시 기후 분석/선택 단계를 수행하고, 결정 데이터를 저장하는 과정을 가진다.

도 7은 요소 특성 분석 방식을 이용한 기후 요소 분석/선택 단계에 따른 계수 결정 순서를 보인 순서도이다. 상기 도시된 경우에는 학습 횟수 지정을 실시하는데, 이는 반복 적용을 통해 보다 적절한 차수와 계수를 얻기 위한 것으로 많을 수록 적절한 차수와 계수를 얻을 수 있으나, 반복될수록 연산 시간이 증가하므로 적절한 선택이 요구된다. 이러한 반복은 자동적으로 실시될 수도 있으나, 사용자의 선택에 따라 수동으로 반복될 수도 있다. 특히, 이러한 학습 횟수는 적용할 알고리즘에 따라 반드시 수 회 이상 설정해야 하는 경우(예를 들면, 신경회로망 알고리즘의 가중치를 결정하는 경우에는 필수적임)도 있다.

따라서, 알고리즘 학습 횟수 지정이 필요한 경우, 확습 횟수 지정 단계에서 학습 횟수 지정을 수행한다. 그리고, 범위 지정을 통해 차수와 계수를 결정할 수 있다. 이러한 범위 지정을 통한 차수와 계수의 결정은 앞서 도 3의 기후 요소 분석/선택부(340)를 설명하면서 언급된 내용으로, 여기서는 이를 구체적으로 예를 들어 설명하도록 한다. 기후 요소 중에서 최고 온도 요소를 예측 들어 설명하도록 한다. 범위 지정 단계에서 해당 기간의 실적치 데이터 중 최소값과 최대값을 탐색하여, 최소값과 최대값을 범위의 최소, 최대값으로 계산한 후, 최소, 최대 범위를 임의 의 개수로 균일 등분한다. 일단, 상기 임의의 개수 만큼이 기본적인 차수 값이 되도록 한다. 알고리즘에 실제로 입력되는 모든 값은 실제 사용되는 값이 아니라, 0과 1사이의 변환된 값을 사용한다. 이렇게 변화되는 표준화 과정을 갖게 되는데, 이러한 표준화는 앞서 수학식 2를 통해 연산될 수 있다. 여기서 최대, 최소값에 따라 실제 사용되는 유량치의 중요도가 알고리즘 예측에 영향을 주게 된다. 만약 최대, 최소의 범위가 100℃범위(-50℃ ~ 50℃)이고, 실제로 입력되는 값의 범위가 45 ℃ (-10℃ ~ 35℃)일 경우는 알고리즘에 입력되는 실제 값의 영향이 적게 된다. 따라서 최대, 최소값을 실제 폭에 가깝게 하는 것이 알고리즘 입력에 대한 예측 출력값이 민감하게 반응하도록 하는 방법이될 수 있다. 여기서, 각 범위는 연속적인 값 을 갖으며, 이때 계수는 1로 설정한다. 기울기 변화 단계에서는 각 범위에서의 계수 값을 실질적으로 결정하게 되는데, 각각 범위의 값은 기본적으로 1.0을 기본 값으로 갖게 된다. 이는 각 범위의 입력 값들이 동일하게(직선적, 선형적) 예측 알고리즘에 동일한 정도로 영향을 미치고 있다는 것을 의미한다. 그러나, 만일 고온의 경우 (30℃ - 40℃)가 저온의 경우(-10℃ - 0℃)보다 예측에 미치는 영향이 크다면계수 값을 조정할 수 있다. 즉, 고온의 경우의 계수는 1보다 큰 계수를 설정하며, 저온의 경우는 1보다 적은 계수를 설정하도록 한다. 일반적인 경우는 1.0 값을 사용하도록 하며, 미세한 조정이 필요한 경우에는 계수 값을 변화시키면 된다. 이를 자동으로 계산하기 위해서는 다음과 같은 방법을 사용한다. 각 범위에서 계수는 선형변환에서의 기울기 값이 되며, 이 기울기 값의 ½ (즉, 0.5) 에서 1.5배까지 0.1의 기울기 변화를 주어서 계수 데이터로 사용한다.

그리고, 시뮬레이션 평가 단계에서는 주어진 학습 횟수 데이터, 차수, 계수 데이터에 대하여 예측 알고리즘을 이용하여 학습 시뮬레이션을 수행하고, 결과로 나온 데이터(예를 들면, 가중치 데이터)와 실적 데이터를 활용하여 예측을 다시 수행하고 예측 오차율을 각각 계산한다. 기울기 ,학습 횟수 평가 단계에서는 학습 횟수 별로, 기울기 변화 별로 예측 오차율을 관리하며, 기울기 변화에 대하여는 각 범위 별로 가장 작은 오차율을 갖는 기울기 값을 실제 계수 값으로 사용한다. 또한, 학습 횟수도 가장 적은 오차율을 갖는 학습횟수를 결정한다. 범위와 관련한 차수에 있어서도 동일한 기울기(즉, 계수)를 갖는 경우의 연속된 범위는 통합한다.

통합하는 횟수에 따라 기본으로 결정된 차수 값이 감소되어 최종 차수도 자 동으로 결정되게 된다.

도 8은 자동 차수/계수 계산을 위한 시뮬레이션 구현 화면으로, 도시한 바와 같이 수요 예측 대상을 지정하는 부분, 기간을 지정하는 부분, 시뮬레이션 실시를 지시하고 그 결과를 표시하는 부분들이 나타나있다.

도 9는 자동 차수/계수 결정 표시부를 구현한 화면 예시도로서, 도시한 바와 같이 예측 대상, 알고리즘 종류, 예측 요인 설정, 최소/최대값, 계수, 기간 파라메터 등이 표시되거나 지정될 수 있도록 구성되어 있다.

도 10은 자동 차수, 계수 결정 비교 표시부를 구현한 화면 예시도로서, 도시한 바와 같이 온라인 적용 대상과 오프라인 적용 대상을 각각 지정하고, 수량 예측 알고리즘 차수를 확인하고, 배수량 예측 알고리즘과 차수를 온라인 전송할 수 있도록 구성되어 있다.

상기한 바와 같이 본 발명 물 수요 예측 시스템 및 방법은 용수 공급 시스템이 다수의 수요예측 알고리즘을 다수개의 수요예측 대상별로 적용할 경우에, 예측 요인을 요소 특성 분석 방식(실적치, 날씨, 요일, 기후)에 의해 자동으로 계산함으로써, 수요예측 알고리즘의 차수 및 계수를 자동으로 용이하게 결정할 수 있어 사용자의 편의를 크게 높일 수 있는 효과가 있다.

또한, 본 발명 물 수요 예측 시스템 및 방법은 예측 요인을 요소 특성 분석 방식으로 자동 계산하여 예측 알고리즘의 차수 및 계수를 자동 결정한 후, 이를 소정의 예측 알고리즘에 적용하여 시뮬레이션함으로써, 현재 사용중인 예측 알고리즘 의 예측 오차와 상기 시뮬레이션 결과의 예측 오차를 비교하여 더 좋은 예측 알고리즘을 판단할 수 있어 용이한 방법을 통해 현재 수운영 시스템에서 운영되고 있는 알고리즘을 객관적인 판단을 근거로 대체하여 사용할 수 있는 효과가 있다.

Claims

용수 공급 실적 데이터 및 예측 요인 데이터를 저장하는 데이터베이스와;

복수의 물 수요 예측 알고리즘들에 대한 차수 및 계수를 상기 데이터베이스에 저장된 실적 데이터와 예측 요인 데이터를 요소 특성 분석 방식을 통해 자동 계산하는 자동 차수/계수 결정부와;

상기 설정된 자동 차수/계수를 소정 물 수요 예측 알고리즘에 적용하여 시뮬레이션 한 결과와 현재 사용되는 예측 알고리즘을 비교하여 오차가 더 작은 예측 알고리즘을 결정하는 수요 예측 알고리즘 운영부와;

상기 수요 예측 알고리즘 운영부에 의해 운영되는 용수 공급 계통의 하위 제어 시스템들을 포함하는 것을 특징으로 하는 물 수요 예측 시스템.
제 1항에 있어서, 상기 차수는 예측 요인 데이터의 고려 가능한 구분 단계들의 수를 의미하고, 상기 계수는 상기 예측 요인 데이터의 고려 가능한 구분 단계들 각각의 범위를 의미하는 것을 특징으로 하는 물 수요 예측 시스템.
제 1항에 있어서, 상기 예측 요인 데이터는 상기 물 수요 예측 알고리즘의 독립 변수에 해당하고, 상기 실적 데이터는 상기 예측 요인 데이터의 종속 변수에 해당하는 것을 특징으로 하는 물 수요 예측 시스템.
제 1항에 있어서, 상기 자동 차수/계수 결정부 및 상기 수요 예측 알고리즘 운영부는,

상기 데이터베이스에 저장된 실적 데이터 및 예측 요인 데이터를 수집하여 예측 대상별로 사용자가 지정한 알고리즘에 해당하는 차수와 계수를 자동적으로 계산하는 자동 차수/계수 계산부와;

상기 자동 차수/계수 계산부의 결과를 상기 사용자가 지정한 알고리즘에 적용하여 시뮬레이션하고, 그 결과를 현재 운영중인 예측 알고리즘에 의한 결과와 비교하여 오차가 더 작은 예측 알고리즘을 자동 혹은 수동으로 온라인 상에 적용하는 알고리즘 자동/수동 반영 선택부와;

현재 온라인 상에서 운영중인 예측 알고리즘을 통해 주기적인 예측을 실시하는 온라인 예측부를 포함하는 것을 특징으로 하는 물 수요 예측 시스템.
제 1항에 있어서, 상기 자동 차수/계수 결정부는,

상기 데이터베이스에 저장된 실적 데이터 및 예측 요인 데이터를 수집하는 데이터 입력부와;

상기 데이터 입력부를 통해 제공되는 실적 데이터와 예측 요인 데이터 사이의 상관 관계를 분석하는 상관계수 분석부와;

상기 상관계수 분석부와 사용자가 지정한 예측 알고리즘을 근거로 적용할 예측 요인 데이터를 선별하고 상기 실적 데이터를 표준화하고, 상기 선별된 각 예측 요인 데이터별로 차수를 결정한 후 그에 따른 계수를 평균치와 예측 대상에 대한 공급 계약량 혹은 사용자가 지정하는 값을 이용하여 획득하는 요소별 특성 선택부를 포함하는 것을 특징으로 하는 물 수요 예측 시스템.
제 1항에 있어서, 상기 수요 예측 알고리즘 운영부는,

상기 자동 차수/계수 결정부를 통해 사용자가 지정한 새로운 예측 알고리즘에 대해 획득한 차수 및 계수를 해당 예측 알고리즘에 적용하여 다른 예측 알고리즘으로 수행된 실적 유량 데이터를 근거로 시뮬레이션하는 예측 시뮬레이션부와;

상기 예측 시뮬레이션부를 통해 얻은 결과와 상기 다른 예측 알고리즘으로 수행된 실적 유량 데이터 사이의 결과를 예측 오차 평균치를 이용하여 비교한 후 그 결과를 사용자에게 제공하는 비교 표시부와;

상기 비교 표시부에 결과를 확인한 사용자의 지정에 따라 선택적으로 상기 새로운 예측 알고리즘을 온라인 상에 반영하는 온라인 반영 선택부를 포함하는 것을 특징으로 하는 물 수요 예측 시스템.
제 6항에 있어서, 상기 예측 시뮬레이션부를 통해 얻은 결과와 상기 다른 예측 알고리즘으로 수행된 실적 유량 데이터 사이의 결과를 예측 오차 평균치를 이용하여 비교한 후 그 결과에 따라 오차가 더 작은 예측 알고리즘을 온라인 상에 자동으로 반영하는 자동 비교 평가부와;

사용자의 선택에 따라 상기 자동 비교 평가부와 상기 비교 표시부 중 하나를 선택하여 구동시키는 자동/수동 선택부를 더 포함하는 것을 특징으로 하는 물 수요 예측 시스템.
물 수요 예측 대상과 기간의 설정 및 적용할 예측 알고리즘 선택을 포함하는 자동 차수/계수 계산 조건을 지정하는 단계와;

기 저장된 용수 공급 실적 데이터 및 예측 요인 데이터 사이의 상관 관계를 분석하여 적용할 예측 요인을 선정하는 단계와;

상기 선택된 예측 알고리즘에서 사용하는 예측 요인들 중 상기 선정된 예측 요인에 대한 요소 특성 분석을 상기 실적 데이터와 각 예측 요인 데이터를 이용하여 실시하여 차수와 계수를 계산하는 단계와;

상기 지정된 예측 대상 및 기간 동안의 실적 데이터를 기반으로 상기 선택된 예측 알고리즘의 시뮬레이션을 실시하여 상기 시뮬레이션에 의한 예측 오차 평균들을 획득하고, 상기 예측 대상 및 기간 동안 사용한 상기 현재 운영되는 예측 알고리즘에 의한 예측 오차 평균들을 비교하는 단계와;

상기 판단의 결과 또는 상기 판단의 결과를 인지한 사용자의 선택에 따라 상기 결과가 좋은 예측 알고리즘을 온라인 상에 반영하는 단계를 포함하는 것을 특징으로 하는 물 수요 예측 방법.
제 8항에 있어서, 상기 적용할 예측 알고리즘을 선택을 포함하는 자동 차수/계수 계산 조건을 지정하는 단계는, 칼만 필터 방식, 평균치 방식, 신경 회로망 방식을 포함하는 물 수요 예측 알고리즘들 중 하나를 선택하는 단계를 포함하는 것을 특징으로 하는 물 수요 예측 방법.
제 8항에 있어서, 상기 기 저장된 용수 공급 실적 데이터 및 예측 요인 데이터 사이의 상관 관계를 분석하여 적용할 예측 요인을 선정하는 단계는, 예측 요인 데이터를 적용할 알고리즘에 대한 독립 변수로 설정하고, 실적 데이터를 종속 변수로 설정하여 각 예측 요인 별로 상기 설정된 대상과 시간에 따른 측정 수와 상기 변수들에 대한 평균치의 차이를 이용하여 상관 계수를 구해, 상기 상관 계수의 값이 소정 기준값 이상인 경우 해당 예측 요인을 적용할 예측 요인으로 선정하는 단계를 포함하는 것을 특징으로 하는 물 수요 예측 방법.
제 8항에 있어서, 상기 차수와 계수를 계산하는 단계는,

선택된 예측 알고리즘에서 사용하는 예측 요인들 중 상기 선정된 예측 요인에 대한 실적 데이터의 최대값과 최소값을 검출하여 이를 범위로 지정하는 단계와;

상기 실적 데이터를 상기 범위에 대해 표준화하는 단계와;

상기 범위를 임의의 수로 균일 등분하여 상기 등분 수를 기본 차수로 설정하고 각 등분된 범위의 계수를 중요도에 따라 결정하는 단계와;

상기 얻어진 차수와 계수를 이용하여 상기 실적 데이터를 기반으로 하는 학습 시뮬레이션을 실시한 후 예측 오차율을 얻는 단계를 포함하는 것을 특징으로 하는 물 수요 예측 방법.
제 11항에 있어서, 상기 학습 시뮬레이션을 실시한 후 예측 오차율을 얻는 단계를 실시한 다음 상기 예측 오차율이 현재 사용중인 예측 알고리즘에 의해 발생된 오차보다 큰 경우 사용자의 지시에 의해 상기 차수 및 계수를 재설정한 후 이전 단계들을 재실시하는 단계를 포함하는 것을 특징으로 하는 물 수요 예측 방법.
제 11항에 있어서, 상기 학습 시뮬레이션을 실시한 후 예측 오차율을 얻는 단계를 실시한 다음 기 설정된 횟수 동안 상기 예측 오차율이 작아지도록 상기 차수와 계수를 변화시키면서 상기 이전 단계들을 반복한 후 예측 오차율이 가장 작을 때의 차수와 계수를 얻는 단계를 포함하는 것을 특징으로 하는 물 수요 예측 방법.