KR101025788B1

KR101025788B1 - 예측 정확도 피드백을 적용한 전력사용 예측 장치 및 방법

Info

Publication number: KR101025788B1
Application number: KR1020100094842A
Authority: KR
Inventors: 김영일; 고종민; 송재주; 양일권
Original assignee: 한국전력공사
Priority date: 2010-09-29
Filing date: 2010-09-29
Publication date: 2011-04-04

Abstract

본 발명은 예측 정확도 피드백을 적용한 전력사용 예측 장치 및 방법을 제공한다.
전력사용 예측 장치는 장기간 전력 사용량을 예측하기 위해 설정된 훈련기간 동안의 실제 전력사용량을 이용하여 예측일에 대한 예측 전력사용량을 산출하며, 확률기반 신경망에 기초하여 예측일 이전의 피드백 윈도우를 생성하여 예측일에 대한 피드백 값을 예측하는 확률기반 신경망 훈련부 및 확률기반 신경망 훈련부로부터 예측 전력사용량과 예측일에 대한 피드백 값을 전달받으며, 예측 전력사용량과 예측일에 대한 피드백 값을 이용하여 예측일에 대한 최종 예측 전력사용량을 산출하는 장기 전력사용량 예측부를 포함하며, 장기 전력사용량 예측부는 예측일에 대한 피드백 값을 추가한 피드백 윈도우를 이용하여 예측일 이후의 다음 예측일의 최종 예측 전력사용량을 산출한다.

Description

예측 정확도 피드백을 적용한 전력사용 예측 장치 및 방법{Apparatus and Method For Estimating Power Consumption using Estimation Accuracy Feedback}

본 발명은 예측 정확도 피드백을 적용한 전력사용 예측 장치 및 방법에 관한 것으로, 보다 상세하게는 확률기반 신경망(Probability Neural Network, PNN)을 기반으로 장기 전력사용을 예측하기 위한 장치 및 방법에 관한 것이다.

종래 전력사용량의 예측 방법은 고객의 이전의 전력사용량에 대한 자동검침 데이터를 이용하여 예측일에 대한 전력사용량을 예측하여 전력사용량을 예측한다.

그러나, 예측일이 최종 검침일에서 멀어질수록 정확성도가 낮아지게 되므로 최종 검침일에서 향후 장기간 동안의 전력사용량을 예측할 경우에는 정확성이 감소되어 기존의 방식으로 전력사용량을 예측하기가 어려운 문제점이 있다.

본 발명이 해결하고자 하는 과제는, 예측 정확도 피드백을 적용하여 장기간 동안의 전력사용량을 예측할 수 있는 장치 및 방법을 제공하는데 있다.

상기 기술적 과제를 해결하기 위한 본 발명의 실시예에 따른 전력사용 예측 장치는 장기간 전력 사용량을 예측하기 위해 설정된 훈련기간 동안의 실제 전력사용량을 이용하여 예측일에 대한 예측 전력사용량을 산출하며, 확률기반 신경망에 기초하여 상기 예측일 이전의 피드백 윈도우를 생성하여 상기 예측일에 대한 피드백 값을 예측하는 확률기반 신경망 훈련부 및 상기 확률기반 신경망 훈련부로부터 상기 예측 전력사용량과 상기 예측일에 대한 피드백 값을 전달받으며, 상기 예측 전력사용량과 상기 예측일에 대한 피드백 값을 이용하여 상기 예측일에 대한 최종 예측 전력사용량을 산출하는 장기 전력사용량 예측부를 포함하며, 상기 장기 전력사용량 예측부는 상기 예측일에 대한 피드백 값을 추가한 상기 피드백 윈도우를 이용하여 상기 예측일 이후의 다음 예측일의 최종 예측 전력사용량을 산출한다.

상기 다른 기술적 과제를 해결하기 위한 본 발명의 실시예에 따른 피드백 윈도우를 적용하여 장기간 전력 사용량을 예측하는 방법에 있어서, 훈련기간 동안의 실제 전력사용량을 이용하여 예측일에 대한 예측 전력사용량을 산출하는 단계, 확률기반 신경망에 기초하여 상기 훈련기간 동안의 피드백 윈도우를 생성하여 상기 예측일에 대한 피드백 값을 예측하는 단계, 상기 예측 전력사용량과 상기 예측일에 대한 피드백 값을 이용하여 상기 예측일에 대한 최종 예측 전력사용량을 산출하는 단계 및 상기 피드백 윈도우에 상기 예측일에 대한 피드백 값을 추가하여 상기 예측일 이후의 다음 예측일의 최종 예측 전력사용량을 산출하는 단계를 포함한다.

본 발명의 실시예에 따르면, 확률기반 신경망에 기초한 훈련기간을 통해 예측 시작일 바로 직전까지의 예측 정확도 피드백 윈도우를 적용하여 최종 예측 전력사용량을 산출함에 따라 장기간의 전력사용량에 대한 예측 정확도를 증가시킬 수 있다.

또한, 본 발명의 실시예에 따르면, 피드백 값을 적용하여 최종 예측 전력사용량을 산출함에 따라 현재 전력사용 추세를 반영하여 전력 사용량에 대한 예측치를 고객에게 제공하여 부하를 조절할 수 있다.

도 1은 본 발명의 실시예에 따른 전력사용 예측 장치를 개략적으로 나타내는 도면이다.
도 2는 도 1에 도시한 확률기반 신경망 훈련부를 개략적으로 나타내는 도면이다.
도 3은 도 1에 도시한 장기 전력사용량 예측부에서 최종 예측 전력사용량을 산출하는 한 예를 나타내는 도면이다.
도 4는 도 1에 도시한 확률기반 신경망 훈련부의 동작을 나타내는 흐름도이다.
도 5는 도 1에 도시한 장기 전력사용량 예측부의 동작을 나타내는 흐름도이다.
도 6은 도 1에 도시한 전력사용 예측 장치를 적용한 예측 전력사용량과 전력사용 예측 장치를 적용하지 않은 예측 전력사용량을 실험한 결과를 나타내는 그래프의 한 예를 나타내는 도면이다.

본 발명을 첨부된 도면을 참조하여 상세히 설명하면 다음과 같다. 여기서, 반복되는 설명, 본 발명의 요지를 불필요하게 흐릴 수 있는 공지 기능, 및 구성에 대한 상세한 설명은 생략한다. 본 발명의 실시형태는 당 업계에서 평균적인 지식을 가진 자에게 본 발명을 보다 완전하게 설명하기 위해서 제공되는 것이다. 따라서, 도면에서의 요소들의 형상 및 크기 등은 보다 명확한 설명을 위해 과장될 수 있다.

도 1은 본 발명의 실시예에 따른 전력사용 예측 장치를 개략적으로 나타내는 도면이며, 도 2는 도 1에 도시한 확률기반 신경망 훈련부를 개략적으로 나타내는 도면이다. 도 3은 도 1에 도시한 장기 전력사용량 예측부에서 최종 예측 전력사용량을 산출하는 한 예를 나타내는 도면이다.

도 1 및 도 2를 참고하면, 본 발명의 실시예에 따른 전력사용 예측 장치(100)는 확률기반 신경망 훈련부(110) 및 장기 전력사용량 예측부(120)를 포함한다.

확률기반 신경망 훈련부(110)는 장기간의 전력 사용량을 예측하기 위해 확률기반 신경망에 기초하여 예측 정확도 피드백 윈도우(이하, "피드백 윈도우"라고 함)를 생성하며, 예측 전력사용량을 산출한다. 이러한 확률기반 신경망 훈련부(110)는 훈련정보 수신부(111), 예측 전력사용량 계산부(112), 피드백 윈도우 생성부(113) 및 신경망 모델 수행부(114)를 포함한다. 본 발명의 실시예에 따른 피드백 윈도우에 대한 구체적인 설명은 후술한다.

훈련정보 수신부(111)는 예측하려는 설비에 대한 현재까지의 실제 전력사용량, 훈련 시작일, 훈련 종료일, 피드백 윈도우 크기 및 예측 전력사용량을 계산하기 위한 가중치 등의 훈련 기본 정보를 입력 받는다. 이때, 가중치의 합은 1이 되도록 설정한다.

예측 전력사용량 계산부(112)는 훈련기간, 즉 훈련 시작일부터 훈련 종료일 동안의 실제 전력사용량과 가중치를 이용하여 예측일에 대한 예측 전력사용량을 산출한다. 여기서, 예측 전력사용량은 예측일로부터 훈련하기 위해 설정된 기간, 예를 들어 과거 4주의 훈련기간 동안 동일한 요일에 해당하는 실제 전력사용량에 각 주의 사용량에 대한 가중치를 곱한 합이다.

예를 들어, 예측 전력사용량 계산부(112)는 1주전 내지 4주전 사용량에 대한 가중치[w1=0.5(1주전), w2=0.25(2주전), w3=0.15(3주전), w4=0.1(4주전)]와 실제 전력사용량[800(1주전), 700(2주전), 900(3주전), 1200(4주전)]을 훈련정보 수신부(111)로부터 전달받는다. 예측 전력사용량 계산부(112)는 실제 전력사용량에 각 주의 실제 전력사용량에 대한 가중치를 곱한 후 그 합을 계산하여 예측일의 예측 전력사용량을 계산하며, 예측 전력사용은 수학식 1과 같다.

[ 수학식1 ]

예측 전력사용량= 실제 전력사용량(1주전 내지 4주)X가중치(1주전 내지 4주전)

= (800 X 0.5)+(700 X 0.25)+(900 X 0.15)+(1200 X 0.1)=830

피드백 윈도우 생성부(113)는 예측일로부터 피드백 윈도우의 크기만큼의 이전 일을 피드백 윈도우 시작일로 정한다. 피드백 윈도우 생성부(113)는 실제 전력사용량을 이용하여 피드백 윈도우 시작일부터 예측일 전날까지의 예측 전력사용량을 계산하고, 이를 실제 전력사용량에 나누어 피드백 값을 계산하여 피드백 윈도우를 생성한다.

예를 들어, 피드백 윈도우의 크기가 5이고, 피드백 윈도우 시작일부터 예측일 전날까지의 예측 전력사용량이 [900, 800, 700, 600, 500]이며, 실제 전력사용량이 [1000, 1000, 900, 800, 600]인 경우, 피드백 윈도우 생성부(113)는 예측 사용량(900)을 대응하는 실제 전력사용량(1000)으로 나누어 피드백 윈도우(0.90)를 생성한다. 피드백 윈도우 생성부(113)는 예측 사용량(800)을 대응하는 실제 전력사용량(1000)으로 나누어 피드백 윈도우(0.80)를 생성한다. 동일하게 피드백 윈도우 생성부(113)는 나머지 예측 사용량(700, 600, 500)에 각각 대응하는 실제 전력사용량(900, 800, 600)으로 나누어 피드백 윈도우(0.77, 0.75, 0.83)를 생성한다. 즉, 피드백 윈도우 시작일부터 예측일 전날까지의 피드백 윈도우는 [0.90, 0.80, 0.77, 0.75, 0.83]로 생성된다.

신경망 모델 수행부(114)는 피드백 윈도우와 피드백 윈도우의 크기를 이용하여 확률기반 신경망(Probability Neural Network, PNN)을 기반으로 신경망 모델을 수행한다. 본 발명의 실시예에 따른 신경망 모델은 피드백 윈도우 크기만큼의 피드백 윈도우의 배열 값을 입력할 경우 다음 피드백 윈도우의 예측한 값을 반환한다.

예를 들어, 피드백 윈도우의 배열이 [0.7, 0.9, 1.1, 1.3, 1.2, 1.0, 0.6, 0.8, 0.9...]이고 피드백 윈도우 크기가 5인 경우, 신경망 모델 수행부(114)는 신경망 모델에 [0.9, 1.1, 1.3, 1.2, 1.0]을 입력하게 되면 0.6을 다음 피드백 값으로 예측하여 반환한다.

다시 도 1을 참고하면, 장기 전력사용량 예측부(120)는 확률기반 신경망 훈련부(110)를 통해 훈련된 예측 전력사용량과 피드백 윈도우를 이용하여 예측 시작일부터 예측 종료일 각각에 대한 최종 예측 전력사용량을 산출한다. 본 발명의 실시예에서는 예측 전력사용량과 피드백 윈도우를 이용하여 예측 시작일부터 예측 종료일 각각에 대한 최종 예측 전력사용량을 산출하였으나, 본 발명은 이에 한정되지 않으며, 예측 전력사용량 대신 실제 전력사용량과 피드백 윈도우를 이용해서도 최종 예측 전력사용량을 산출할 수 있다.

장기 전력사용량 예측부(120)는 확률기반 신경망 훈련부(110)를 통해 전달된 예측일, 즉 예측 시작일에 대한 예측 전력사용량과 신경망 모델을 기반으로 생성된 피드백 윈도우의 값을 전달받는다. 장기 전력사용량 예측부(120)는 예측 시작일에 대한 예측 전력사용량과 피드백 윈도우의 값을 곱하여 최종 예측 전력사용량을 산출한다. 장기 전력사용량 예측부(120)는 피드백 윈도우를 이동하여 피드백 윈도우에 새로운 최종 예측 전력사용량을 추가하고, 예측 시작일의 다음날에서도 동일한 작업을 반복하여 예측 종료일까지의 최종 예측 전력사용량을 산출한다.

예를 들어, 도 3을 참고하면, 6월 동안 확률기반 신경망에 기초하여 피드백 윈도우(0.9, 1.1, 1.3, 1.2)가 산출되었으며, 4 주 동안 동일한 요일(예를 들어 화요일)의 실제 전력사용량이 [800, 700, 900, 1200]이고, 가중치가 [0.5(1주전), 0.25(2주전), 0.15(3주전), 0.1(4주전)]이며, 피드백 윈도우의 크기가 5인 것으로 가정하면, 장기 전력사용량 예측부(120)는 실제 전력사용량[800, 700, 900, 1200]과 가중치[0.5, 0.25, 0.15, 0.1]를 수학식 1에 적용하여 생성한 예측 전력사용량(830)을 확률기반 신경망 훈련부(110)로부터 전달받는다. 장기 전력사용량 예측부(120)는 확률기반 신경망을 기반으로 예측 시작일의 피드백 값(0.6)을 확률기반 신경망 훈련부(110)로부터 전달받는다. 장기 전력사용량 예측부(120)는 예측 시작일의 예측 전력사용량(830)과 피드백 값(0.6)을 곱하여 최종 예측 전력사용량(498)을 산출하며, 최종 예측 전력사용량은 수학식 2와 같다.

[ 수학식2 ]

최종 예측 전력사용량=예측 전력사용량 X 피드백 윈도우의 값

도 4는 도 1에 도시한 확률기반 신경망 훈련부의 동작을 나타내는 흐름도이다.

도 1 및 도 4를 참고하면, 본 발명의 실시예에 따른 확률기반 신경망 훈련부(110)의 훈련정보 수신부(111)는 예측 설비에 대한 현재까지의 실제 전력사용량, 훈련 시작일, 훈련 종료일, 피드백 윈도우 크기 및 가중치 등의 훈련 기본 정보를 입력 받아 예측 전력사용량 계산부(112)로 전달한다(S100).

예측 전력사용량 계산부(112)는 훈련기간 동안의 실제 전력사용량과 각 주의 사용량에 대한 가중치를 곱하여 예측일에 대한 예측 전력사용량을 산출한다(S110).

피드백 윈도우 생성부(113)는 실제 전력사용량을 이용하여 예측일 전날까지의 예측 전력사용량을 계산하고, 이를 실제 전력사용량에 나누어 피드백 값을 계산하여 피드백 윈도우를 생성한다(S120). 피드백 윈도우 생성부(113)는 예측일 전날까지의 훈련기간 동안의 피드백 윈도우를 신경망 모델 수행부(114)로 전달한다.

신경망 모델 수행부(114)는 피드백 윈도우와 피드백 윈도우의 크기를 이용하여 확률기반 신경망을 기반으로 예측일의 피드백 값을 예측한다(S130).

도 5는 도 1에 도시한 장기 전력사용량 예측부의 동작을 나타내는 흐름도이다. 도 6은 도 1에 도시한 전력사용 예측 장치를 적용한 예측 전력사용량과 전력사용 예측 장치를 적용하지 않은 예측 전력사용량을 실험한 결과를 나타내는 그래프의 한 예를 나타내는 도면이다.

도 1 및 도 5을 참조하면, 본 발명의 실시예에 따른 장기 전력사용량 예측부(120)는 확률기반 신경망 훈련부(110)로부터 예측 시작일의 예측 전력사용량과 피드백 윈도우의 값을 전달받는다(S200). 장기 전력사용량 예측부(120)는 예측 시작일의 예측 전력사용량과 피드백 윈도우의 값을 곱하여 최종 예측 전력사용량을 산출한다(S210).

장기 전력사용량 예측부(120)는 피드백 윈도우를 이동하여 예측 시작일에 대한 피드백 윈도우를 추가하며, 예측 시작일의 다음날에 대해서도 동일한 작업을 수행하여 최종 예측 전력사용량을 산출한다(S220).

장기 전력사용량 예측부(120)는 예측 완료일까지의 최종 예측 전력사용량이 산출되지 않는 경우 S200 단계로 돌아가 동일한 작업을 반복적으로 수행한다(S230).

이와 같이, 본 발명의 실시예에 따른 전력사용 예측 장치(100)는 종래와 달리 실제 전력사용량만을 이용하여 전력 사용량을 예측하지 않고 확률기반 신경망에 기초한 훈련기간을 통해 예측 시작일 바로 직전까지의 피드백 값을 적용하여 최종 예측 전력사용량을 산출함에 따라 도 6에 도시한 바와 같이 피드백 값을 사용하지 않은 경우보다 실제 전력사용량과의 오차가 약 20%정도 적어지게 되어 장기간의 전력사용량에 대한 예측 정확도를 증가시킬 수 있다. 또한, 피드백 값을 적용하여 최종 예측 전력사용량을 산출함에 따라 현재 전력사용 추세를 반영하여 전력 사용량에 대한 예측치를 고객에게 제공하여 부하를 조절할 수 있다.

이상에서와 같이 도면과 명세서에서 최적의 실시예가 개시되었다. 여기서 특정한 용어들이 사용되었으나, 이는 단지 본 발명을 설명하기 위한 목적에서 사용된 것이지 의미 한정이나 특허청구범위에 기재된 본 발명의 범위를 제한하기 위하여 사용된 것은 아니다. 그러므로, 본 기술 분야의 통상의 지식을 가진자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호범위는 첨부된 특허청구범위의 기술적 사상에 의해 정해져야 할 것이다.

100: 전력사용 예측장치 110: 확률기반 신경망 훈련부
111: 훈련정보 수신부 112: 예측 전력사용량 계산부
113: 피드백 윈도우 생성부 114: 신경망 모델 수행부
120: 장기 전력사용량 예측부

Claims

장기간 전력 사용량을 예측하기 위해 설정된 훈련기간 동안의 실제 전력사용량을 이용하여 예측일에 대한 제1 예측 전력사용량을 산출하며, 확률기반 신경망에 기초하여 상기 예측일 이전의 피드백 윈도우를 생성하여 상기 예측일에 대한 피드백 값을 예측하는 확률기반 신경망 훈련부; 및
상기 확률기반 신경망 훈련부로부터 상기 제1 예측 전력사용량과 상기 예측일에 대한 피드백 값을 전달받으며, 상기 제1 예측 전력사용량과 상기 예측일에 대한 피드백 값을 이용하여 상기 예측일에 대한 최종 예측 전력사용량의 값으로 제2 예측 전력사용량을 산출하는 장기 전력사용량 예측부를 포함하며,
상기 장기 전력사용량 예측부는,
상기 예측일에 대한 피드백 값을 추가한 상기 피드백 윈도우를 이용하여 상기 예측일 이후의 다음 예측일에 대한 최종 예측 전력사용량의 값으로 제3 예측 전력사용량을 산출하는 전력사용 예측 장치.
청구항 1에 있어서,
상기 확률기반 신경망 훈련부는,
상기 실제 전력사용량, 훈련 시작일, 훈련 종료일, 상기 피드백 윈도우의 크기 및 상기 제1 예측 전력사용량을 계산하기 위한 가중치를 포함하는 훈련 기본 정보를 입력 받는 훈련정보 수신부; 및
상기 실제 전력사용량과 상기 가중치를 이용하여 상기 예측일에 대한 상기 제1 예측 전력사용량을 산출하는 예측 전력사용량 계산부를 포함하는 전력사용 예측 장치.
청구항 2에 있어서,
상기 예측 전력사용량 계산부는,
상기 훈련기간에 포함되는 각 주 별 동일한 요일의 실제 전력사용량에 상기 각 주에 대응하여 입력된 상기 가중치를 각각 곱한 후 그 결과를 더하여 상기 제1 예측 전력사용량을 산출하는 전력사용 예측 장치.
청구항 2에 있어서,
상기 확률기반 신경망 훈련부는,
상기 예측일부터 상기 피드백 윈도우의 크기만큼의 이전 일을 피드백 윈도우 시작일로 설정하고, 상기 피드백 윈도우 시작일부터 상기 예측일 전날까지 일별로 상기 제1 예측 전력사용량을 산출하여 상기 피드백 윈도우를 생성하는 피드백 윈도우 생성부; 및
상기 확률기반 신경망에 기초한 상기 피드백 윈도우와 상기 피드백 윈도우의 크기를 이용하여 상기 예측일에 대한 피드백 값을 예측하는 신경망 모델 수행부를 포함하는 전력사용 예측 장치.
청구항 4에 있어서,
상기 피드백 윈도우 생성부는,
상기 피드백 윈도우 시작일부터 상기 예측일 전날까지의 실제 전력사용량에 따라 일별로 산출된 상기 제1 예측 전력사용량을 일별 실제 전력사용량으로 각각 나누어 상기 피드백 윈도우를 생성하는 전력사용 예측 장치.
청구항 4에 있어서,
상기 신경망 모델 수행부는,
상기 예측일 전날부터 상기 피드백 윈도우의 크기만큼의 이전 일까지의 상기 피드백 윈도우의 값을 이용하여 상기 예측일에 대한 피드백 값을 예측하는 전력사용 예측 장치.
청구항 1에 있어서,
상기 장기 전력사용량 예측부는,
상기 제1 예측 전력사용량과 상기 예측일에 대한 피드백 값을 곱하여 상기 예측일에 대한 상기 제2 예측 전력사용량을 산출하는 전력사용 예측 장치.
청구항 2에 있어서,
상기 피드백 윈도우의 배열은 상기 피드백 윈도우의 크기만큼 유지되며,
상기 장기 전력사용량 예측부는,
상기 피드백 윈도우의 배열에서 상기 예측일을 기준으로 가장 이전 피드백 값을 제거하고 상기 예측일에 대한 피드백 값을 추가하는 전력사용 예측 장치.
피드백 윈도우를 적용하여 장기간 전력 사용량을 예측하는 방법에 있어서,
훈련기간 동안의 실제 전력사용량을 이용하여 예측일에 대한 제1 예측 전력사용량을 산출하는 단계;
확률기반 신경망에 기초하여 상기 훈련기간 동안의 피드백 윈도우를 생성하여 상기 예측일에 대한 피드백 값을 예측하는 단계;
상기 제1 예측 전력사용량과 상기 예측일에 대한 피드백 값을 이용하여 상기 예측일에 대한 최종 예측 전력사용량의 값으로 제2 예측 전력사용량을 산출하는 단계; 및
상기 피드백 윈도우에 상기 예측일에 대한 피드백 값을 추가하여 상기 예측일 이후의 다음 예측일에 대한 최종 예측 전력사용량의 값으로 제3 예측 전력사용량을 산출하는 단계
를 포함하는 전력사용 예측 방법.
청구항 9에 있어서,
상기 제1 예측 전력사용량을 산출하는 단계는,
상기 실제 전력사용량, 상기 피드백 윈도우의 크기 및 상기 제1 예측 전력사용량을 계산하기 위한 가중치를 포함하는 훈련 기본 정보를 입력 받는 단계;
상기 훈련기간에 포함되는 각 주 별 동일 요일의 상기 실제 전력사용량과 상기 각 주에 대응하여 입력된 상기 가중치를 곱하는 단계; 및
상기 곱한 결과를 더하여 상기 예측일에 대한 상기 제1 예측 전력사용량을 산출하는 단계를 포함하는 전력사용 예측 방법.
청구항 10에 있어서,
상기 피드백 값을 예측하는 단계는,
상기 예측일부터 상기 피드백 윈도우의 크기만큼의 이전 일을 피드백 윈도우 시작일로 설정하는 단계;
상기 피드백 윈도우 시작일부터 상기 예측일 전날까지 일별로 상기 제1 예측 전력사용량을 산출하고 일별 실제 전력사용량으로 각각 나누어 상기 피드백 윈도우를 생성하는 단계; 및
상기 확률기반 신경망에 기초한 상기 피드백 윈도우와 상기 피드백 윈도우의 크기를 이용하여 상기 예측일에 대한 피드백 값을 예측하는 단계를 포함하는 전력사용 예측 방법.
청구항 9에 있어서,
상기 예측일에 대한 최종 예측 전력사용량의 값으로 제2 예측 전력사용량을 산출하는 단계는,
상기 제1 예측 전력사용량과 상기 예측일에 대한 피드백 값을 곱하여 상기 예측일에 대한 상기 제2 예측 전력사용량을 산출하는 단계를 포함하는 전력사용 예측 방법.
청구항 9에 있어서,
상기 다음 예측일에 대한 최종 예측 전력사용량의 값으로 제3 예측 전력사용량을 산출하는 단계는,
상기 피드백 윈도우의 배열에서 상기 예측일을 기준으로 가장 이전 피드백 값을 제거하는 단계; 및
상기 예측일에 대한 피드백 값을 추가하여 상기 예측일 이후의 다음 예측일에 대한 상기 제3 예측 전력사용량을 산출하는 단계를 포함하는 전력사용 예측 방법.