KR101865924B1 - Appratus and method for estimation of weekly power load to improve processing time using neural network and revision factor - Google Patents
Appratus and method for estimation of weekly power load to improve processing time using neural network and revision factor Download PDFInfo
- Publication number
- KR101865924B1 KR101865924B1 KR1020110108985A KR20110108985A KR101865924B1 KR 101865924 B1 KR101865924 B1 KR 101865924B1 KR 1020110108985 A KR1020110108985 A KR 1020110108985A KR 20110108985 A KR20110108985 A KR 20110108985A KR 101865924 B1 KR101865924 B1 KR 101865924B1
- Authority
- KR
- South Korea
- Prior art keywords
- power consumption
- neural network
- week
- unit time
- predicted
- Prior art date
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 146
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000003442 weekly effect Effects 0.000 title claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 86
- 238000012937 correction Methods 0.000 claims abstract description 74
- 238000013480 data collection Methods 0.000 claims abstract description 15
- 238000010586 diagram Methods 0.000 description 6
- 238000000611 regression analysis Methods 0.000 description 5
- 238000007689 inspection Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
본 발명은 신경망과 평균 부하곡선을 이용한 주간 부하 예측 장치 및 방법에 관한 것으로, 상세하게는, 단위시간 전력사용량을 지속적으로 수집하는 데이터 수집부, 상기 수집된 단위시간 전력사용량을 이용하여 일주일 단위의 일일 전력사용량 예측값을 생성할 수 있도록 신경망을 훈련시키는 신경망 훈련부, 및 상기 신경망 훈련부 및 상기 수집된 단위시간 전력사용량을 이용하여 다음 일주일간의 임시 전력사용량 예측값을 생성하고, 수집된 지난 일주일간의 일일 전력사용량 및 예측된 지난 일주일간의 일일 전력사용량을 이용하여 보정계수를 생성하고, 상기 보정 계수가 기 설정된 보정계수 범위에 포함되는 경우에만 상기 보정 계수를 적용하여 다음 일주일간의 전력사용량 예측값을 생성하는 예측값 생성부를 포함하는 주간 부하 예측장치를 통하여 전력 사용자를 위한 즉각적인 계획 수립, 또는 실시간 부하조절을 이용한 전력수요 감축 등과 같은 응용 서비스 분야의 서비스 응답 속도를 향상시킬 수 있게 되는 발명이다.The present invention relates to an apparatus and method for predicting a weekly load using a neural network and an average load curve, and more particularly, to a data collection unit for continuously collecting a unit time electric power consumption, A neural network training unit for training a neural network so as to generate a predicted daily power consumption value, and a predicted value of a temporary power consumption amount for the next week using the neural network training unit and the collected unit time power consumption, And a predicted value generation unit for generating a correction coefficient by using the daily power use amount between the predicted last week and generating the predicted power consumption value for the next week by applying the correction coefficient only when the correction coefficient is included in the preset correction coefficient range Including the weekly load forecasting device To the invention of being able to improve the service response time of the application services, such as instant planning, or power demand reduction using real-time load balancing for power users.
Description
본 발명은 신경망과 평균 부하곡선을 이용한 주간 부하 예측 장치 및 방법에 관한 것으로, 상세하게는, 신경망을 통하여 다음 일주일간의 임시 전력사용량 예측값을 생성하고, 전력사용량에 대한 보정계수를 적용하여 다음 일주일간의 전력사용량 및 단위시간 부하를 예측하기 위한 장치 및 방법에 관한 것이다.The present invention relates to an apparatus and method for predicting a weekly load using a neural network and an average load curve. More specifically, the present invention generates a temporary power consumption prediction value for the next week through a neural network, applies a correction coefficient for power consumption, And an apparatus and method for predicting power consumption and unit time load.
최근 들어, 효율적인 부하운영을 위해 전력 공급자는 다음 일주일간의 전력사용량 예측값을 생성하여 미리 부하조정 계획을 수립하는 상시수요관리 서비스를 시행하고 있다. 다만, 종래 기술에 따라, 익일의 전력사용량 예측값을 생성하는 회귀분석 방법(특허출원번호 10-2008-0093934, 고객기준부하 산출을 위한 부하 예측 비교 분석 시스템)을 이용하는 경우, 상시수요관리를 위해 익일 전력사용량 예측값을 생성하고, 다시 이 예측값을 이용하여 이틀 뒤의 전력사용량 예측값을 생성하는 방법을 반복하여 일주일간의 전력사용량 예측값을 생성하여야 하므로, 주간 부하곡선을 예측함에 있어서 예측 성능이 저하되는 문제점이 있으며, 새로운 회귀분석 모델을 설계하기 위해서는 많은 시간과 비용이 소요되는 문제점이 있다. In recent years, for efficient load operation, the power supplier is implementing a demand management service that generates a predicted power usage for the next week and establishes a load adjustment plan in advance. However, when a regression analysis method (patent application No. 10-2008-0093934, a load prediction comparative analysis system for calculating a customer reference load) that generates predicted value of power consumption of the next day is used according to the prior art, It is necessary to generate a predicted value of power consumption for one week by repeating the method of generating a predicted value of power consumption and again generating a predicted value of power consumption two days later by using this predicted value, , And it takes a lot of time and money to design a new regression analysis model.
또한, 종래 기술에 따라, 신경망을 이용하여 회귀분석과 같은 정밀한 분석 작업 없이, 과거데이터로 훈련하여 미래를 예측하는 방안은, 전력 사용자의 이전 전력사용량에 대한 15분 단위의 자동검침 데이터를 신경망에 입력하여 훈련하고, 훈련된 내용을 바탕으로 15분 단위의 전력사용량 예측값을 생성한다. 그러나, 주간의 15분 단위 전력사용량 예측값을 생성하기 위해서는, 16128개(96개 × 24시간 × 7일)의 입력과 16128개의 출력이 가능한 신경망을 필요로 하게 되어 많은 연산비용과 예측시간이 소요되는 문제점이 있다.Also, according to the related art, a method of predicting the future by training with past data without performing a precise analysis such as a regression analysis using a neural network can be performed by a method in which an automatic meter reading data of 15- And generates a 15-minute power usage forecast based on the trained content. However, in order to generate the 15-minute power consumption forecast for the daytime, it requires a neural network capable of 16128 inputs (96 x 24 hours x 7 days) and 16128 outputs, There is a problem.
본 발명은 상기한 종래의 문제점을 해결하기 위해 이루어진 것으로서, 그 목적은 종래 기술의 회귀분석과 같은 정밀한 분석 작업 없이, 신경망을 통하여 다음 일주일간의 임시 전력사용량 예측값을 생성하고, 전력사용량에 대한 보정계수를 적용하여 다음 일주일간의 전력사용량 및 단위시간 부하곡선을 예측함에 있다.SUMMARY OF THE INVENTION The present invention has been made to solve the above-mentioned problems of the prior art, and it is an object of the present invention to generate a temporary power consumption prediction value for the next week through a neural network without performing a precise analysis like a conventional regression analysis, To estimate the power consumption and unit time load curve over the next week.
상기 목적을 달성하기 위한 본 발명의 주간 부하 예측장치는, 단위시간 전력사용량을 지속적으로 수집하는 데이터 수집부; 상기 수집된 단위시간 전력사용량을 이용하여 일주일 단위의 일일 전력사용량 예측값을 생성할 수 있도록 신경망을 훈련시키는 신경망 훈련부; 및 상기 신경망 훈련부 및 상기 수집된 단위시간 전력사용량을 이용하여 다음 일주일간의 임시 전력사용량 예측값을 생성하고, 수집된 지난 일주일간의 일일 전력사용량 및 예측된 지난 일주일간의 일일 전력사용량을 이용하여 보정계수를 생성하고, 상기 보정 계수가 기 설정된 보정계수 범위에 포함되는 경우에 상기 보정계수를 적용하여 다음 일주일간의 전력사용량 예측값을 생성하는 예측값 생성부를 포함하고, 상기 데이터 수집부는, 적어도 1년 이상의 기간 동안의 단위시간 전력사용량을 수집하며, 상기 신경망 훈련부는, 상기 수집된 단위시간 전력사용량을 이용하여 일일 전력사용량을 계산하고, 이전 일주일 간의 일일 전력사용량을 신경망의 입력으로, 이후 일주일간의 일일 전력사용량을 상기 신경망의 출력으로 하여, 소정 훈련기간에 포함된 모든 수집된 단위시간 전력사용량을 반복적으로 상기 신경망에 훈련시키며, 일주일이 경과함에 따라 상기 단위시간 전력사용량이 추가로 수집되면, 상기 추가로 수집된 전력사용량을 이용하여 일주일마다 상기 신경망을 재훈련하는 것일 수 있다.To achieve the above object, the present invention provides a daytime load predicting apparatus comprising: a data collection unit for continuously collecting a unit time electric power consumption; A neural network training unit for training a neural network so as to generate a daily power consumption prediction value for each week using the collected unit time power consumption; And generating a temporary power consumption prediction value for the next week using the neural network training unit and the collected unit time power consumption amount and generating a correction coefficient using the daily power consumption amount during the last week collected and the daily power consumption amount during the last week And a predicted value generator for generating a predicted power consumption value for the next week by applying the correction coefficient when the correction coefficient is included in a preset correction coefficient range, And the neural network training unit calculates the daily power use amount using the collected unit time power usage amount, calculates the daily power use amount between the previous week as the input of the neural network, As a result of the determination, All of the collected unit time electric power consumption is repeatedly trained in the neural network, and when the unit time electric power consumption is further collected as a week passes, the neural network is re-trained every week .
또한, 상기 목적을 달성하기 위한 본 발명의 주간 부하를 예측하는 방법은, 데이터 수집부, 신경망 훈련부, 및 예측값 생성부를 포함하는 디바이스에서 주간 부하를 예측하는 방법에 있어서, 상기 데이터 수집부에서 일정 기간 동안 단위시간 전력사용량을 지속적으로 수집하는 단계; 상기 수집된 단위시간 전력사용량을 이용하여 일주일 단위의 일일 전력사용량 예측값을 생성할 수 있도록, 상기 신경망 훈련부가 신경망을 훈련시키는 단계; 및 상기 예측값 생성부가, 상기 훈련된 신경망 및 상기 수집된 단위시간 전력사용량을 이용하여 다음 일주일간의 임시 전력사용량 예측값을 생성하고, 수집된 지난 일주일간의 일일 전력사용량 및 예측된 지난 일주일간의 일일 전력사용량을 이용하여 보정계수를 생성하고, 상기 보정 계수가 기 설정된 보정계수 범위에 포함되는 경우에 상기 보정계수를 적용하여 다음 일주일간의 전력사용량 예측값을 생성하는 단계를 포함하고, 상기 단위시간 전력사용량을 지속적으로 수집하는 단계는, 상기 데이터 수집부가 적어도 1년 이상의 기간 동안의 단위시간 전력사용량을 수집하는 단계를 포함하며, 상기 신경망을 훈련시키는 단계는, 상기 수집된 단위시간 전력사용량을 이용하여 일일 전력사용량을 계산하고, 이전 일주일 간의 일일 전력사용량을 신경망의 입력으로, 이후 일주일간의 일일 전력사용량을 상기 신경망의 출력으로 하여, 상기 신경망 훈련부가 소정 훈련기간에 포함된 모든 수집된 단위시간 전력사용량을 반복적으로 상기 신경망에 훈련시키는 단계를 포함하고, 상기 신경망을 훈련시키는 단계는, 일주일이 경과함에 따라 상기 단위시간 전력사용량이 추가로 수집되면, 상기 신경망 훈련부는 상기 추가로 수집된 전력사용량을 이용하여 일주일마다 상기 신경망을 재훈련하는 단계를 더 포함할 수 있다.According to another aspect of the present invention, there is provided a method for predicting a daytime load in a device including a data collecting unit, a neural network training unit, and a predicted value generating unit, Continuously collecting the unit time electric power consumption during a predetermined period of time; Training the neural network training unit to generate a daily power use prediction value for each week based on the collected unit time power consumption; And the predicted value generator generates a predicted temporary power consumption value for the next week using the trained neural network and the collected unit time power consumption, and calculates a daily power use amount between the collected last week and a predicted power consumption amount for the last week And generating a predicted power consumption value for the next week by applying the correction coefficient when the correction coefficient is included in the preset correction factor range, Wherein the collecting comprises collecting a unit time power consumption for a period of at least one year or more, wherein the training of the neural network comprises calculating a daily power consumption using the collected unit time power consumption Calculate daily power usage over the previous week, The neural network training section repeatedly training all the collected unit time power consumption included in the predetermined training period to the neural network, using the input of the neural network as the input of the neural network, the output of the neural network as the output of the neural network for the following week, The neural network training unit may further include retraining the neural network once a week using the further collected power use amount if the unit time power use amount is further collected as a week passes have.
본 발명에 따른 주간 부하 예측장치 및 방법에 따르면, 다음 일주일간에 대한 단위시간 전력사용량을 보다 빠르게 예측할 수 있어, 전력 공급자가 전력 사용자를 위한 즉각적인 계획 수립, 또는 실시간 부하조절을 이용한 전력수요 감축 등과 같은 응용 서비스 분야의 서비스 응답 속도를 향상시킬 수 있는 효과가 있다.According to the apparatus and method for predicting daytime load according to the present invention, it is possible to predict the power consumption per unit time for the next week more quickly, so that the electric power supplier can make an immediate plan for a power user, The service response speed in the application service field can be improved.
도 1은 본 발명의 실시 예에 따른 주간 부하 예측장치를 도시한 도면이다.
도 2는 본 발명의 실시 예에 따른 신경망 훈련을 도시한 도면이다.
도 3은 본 발명의 실시 예에 따른 신경망 훈련 과정을 도시한 순서도이다.
도 4는 본 발명의 실시 예에 따른 전력사용량 예측을 도시한 도면이다.
도 5는 본 발명의 실시 예에 따른 전력사용량 예측 과정을 도시한 순서도이다.
도 6은 본 발명의 실시 예에 따른 부하곡선 생성 과정을 도시한 순서도이다.
도 7은 본 발명의 실시 예에 따른 전력사용량 예측 결과를 도시한 그래프이다.FIG. 1 is a diagram illustrating a daytime load prediction apparatus according to an embodiment of the present invention.
2 is a diagram illustrating a neural network training according to an embodiment of the present invention.
3 is a flowchart illustrating a neural network training process according to an embodiment of the present invention.
4 is a diagram illustrating power usage prediction according to an embodiment of the present invention.
5 is a flowchart illustrating a process of predicting power consumption according to an embodiment of the present invention.
6 is a flowchart illustrating a process of generating a load curve according to an embodiment of the present invention.
FIG. 7 is a graph showing a result of power consumption prediction according to an embodiment of the present invention.
이하에서는 첨부된 도면을 참조하여 본 발명의 여러 가지 실시 예들을 보다 상세히 설명한다.Hereinafter, various embodiments of the present invention will be described in detail with reference to the accompanying drawings.
도 1은 본 발명의 실시 예에 따른 주간 부하 예측장치를 도시한 도면이다.FIG. 1 is a diagram illustrating a daytime load prediction apparatus according to an embodiment of the present invention.
실시 예에 따라, 주간 부하 예측장치는, 데이터 수집부(101), 신경망 훈련부(102), 신경망 예측부(103), 예측값 보정부(104), 요일별 부하곡선 생성부(105), 및 주간 부하곡선 생성부(106)를 포함할 수 있다.According to the embodiment, the daytime load predicting apparatus includes a
데이터 수집부(101)는 지난 시간 동안의 설정 단위 전력사용량을 지속적으로 수집할 수 있다.The
즉, 실시 예에 따라, 데이터 수집부는 실제 전력사용량의 검침 값에 대한 정보를 계속하여 저장하고, 이를 다른 디바이스에 제공할 수 있다. 또한, 상시 설정 단위는 15분 단위로 설정될 수 있다.That is, according to the embodiment, the data collecting unit may continuously store information on the meter reading value of the actual power consumption amount and provide it to another device. Also, the constant setting unit can be set in units of 15 minutes.
또한, 데이터 수집부는, 요일, 공휴일 여부에 대한 정보를 수집할 수 있다.Further, the data collecting unit may collect information on the day of the week and the holiday.
또한, 본 발명에서 이용되는 신경망은 온도 및 습도, 조도 등의 부가데이터를 사용하지 않으므로, 데이터 수집부는, 계절적인 요인을 반영하기 위하여 적어도 1년 이상의 과거 데이터를 수집하고 있을 수 있다.In addition, since the neural network used in the present invention does not use additional data such as temperature, humidity, and illumination, the data collector may collect past data for at least one year to reflect seasonal factors.
또한, 다른 실시 예에 따라, 상기 데이터 수집부는, 본 발명에 따른 전력사용량 또는 부하곡선을 예측하기 위한 장치와 별도의 장치로 구성될 수 있다. 즉, 상기 데이터 수집부는 본 발명에 따른 전력사용량 또는 부하곡선을 예측하기 위한 장치에서 생략될 수 있고, 상기 장치는 별도의 데이터 수집부를 구비한 장치로 부터 유무선 네트워트 연결을 통하여 전력사용량에 대한 데이터를 수신함으로써, 본 발명에 따른 예측을 수행할 수 있다.According to another embodiment, the data collecting unit may be configured as a separate device from the device for predicting the power usage amount or the load curve according to the present invention. That is, the data collector may be omitted in an apparatus for predicting a power usage amount or a load curve according to the present invention, and the apparatus may include data on power consumption through a wired / wireless network connection from a device having a separate data collection unit By receiving, the prediction according to the present invention can be performed.
신경망 훈련부(102)는, 상기 데이터 수집부(101)에서 수집된 단위시간 전력사용량에 대한 데이터를 이용하여, 일주일 단위의 일일 전력사용량 예측값을 생성할 수 있도록 신경망을 훈련시킬 수 있다. The neural
따라서, 신경망 훈련부는, 상기 수집된 단위시간 전력사용량을 이용하여 일일 전력사용량을 계산하고, 이전 일주일 간의 일일 전력사용량을 신경망의 입력으로, 이후 일주일간의 일일 전력사용량을 상기 신경망의 출력으로 하여, 소정 훈련기간에 포함된 모든 수집된 단위시간 전력사용량을 반복적으로 상기 신경망에 훈련시킬 수 있다.Therefore, the neural network training unit calculates the daily power use amount using the collected unit time power usage amount, and outputs the daily power use amount during the previous week as the input of the neural network, the daily power use amount for the next week as the output of the neural network, All the collected unit time power consumption included in the training period can be repeatedly trained in the neural network.
즉, 실시 예에 따라, 상기 단위시간이 15분 단위인 경우, 상기 데이터수집부의 과거 15분 단위의 검침 데이터를 기반으로 하루 동안의 15분 단위 전력사용량 96개(24시간 × 4개/시간 = 96개)을 합산하여 일일 전력사용량을 계산하고 이를 이용하여 신경망을 훈련시킬 수 있다.That is, according to the embodiment, if the unit time is in units of 15 minutes, the power consumption per unit time of 15 minutes per day (24 hours × 4 units / hour = 96) can be added to calculate the daily power consumption and train the neural network.
또한, 신경망 훈련부는, 일주일이 경과함에 따라 상기 단위시간 전력사용량이 추가로 수집되면, 상기 추가로 수집된 전력사용량을 이용하여 일주일마다 상기 신경망을 재훈련 할 수 있다.Also, the neural network training unit may retrain the neural network once a week using the further collected power usage once the weekly power usage is further collected.
또한, 신경망 훈련부는 본 발명의 실시 예에 따라 이하 예측값 보정부(104)에서 생성된 보정계수가 기 설정된 보정계수 범위를 벗어나는 경우, 기 훈련된 신경망을 삭제하고, 상기 훈련기간 중, 일정 비율의 최선(最先) 훈련 기간을 삭제함으로써 상기 훈련기간을 재설정할 수 있다.If the correction coefficient generated by the predictive
상기 신경망 훈련부의 훈련과정에 관하여는 이하 도 2 내지 도 3에서 상세히 설명한다.The training process of the neural network training unit will be described later in detail with reference to FIG. 2 to FIG.
또한, 주간 부하 예측장치는, 예측값 생성부(미도시)를 포함할 수 있고, 신경망을 통하여 전력사용량 예측값을 생성하는 신경망 예측부(103), 및 신경망 예측부(103)에서 예측된 전력사용량을 보정하는 예측값 보정부(104)를 포함할 수 있다.Further, the daytime load predicting apparatus includes a neural network predicting section 103 that can include a predicted value generating section (not shown) and generates a predicted power consumption value through a neural network, and a predicted power usage amount by the neural network predicting section 103 And a predictive
실시 예에 따라, 예측값 생성부는, 신경망 훈련부(102) 및 데이터 수집부(101)에서 수집된 단위시간 전력사용량을 이용하여 다음 일주일간의 임시 전력사용량 예측값을 생성하고, 수집된 지난 일주일간의 일일 전력사용량 및 예측된 지난 일주일간의 일일 전력사용량을 이용하여 보정계수를 생성하여, 상기 보정 계수를 적용하여 다음 일주일간의 전력사용량 예측값을 생성할 수 있다.According to the embodiment, the predicted value generation unit generates the predicted value of the temporary power consumption amount for the next week by using the unit time power consumption collected by the neural
또한, 예측값 생성부는, 상기 수집된 지난 일주일간의 일일 전력사용량을 상기 예측된 지난 일주일간의 일일 전력사용량으로 나누어 상기 보정계수를 생성하고, 임시 전력사용량 예측값에 상기 보정계수를 곱하여, 전력사용량 예측값을 생성할 수 있고, 상기 예측된 지난 일주일간의 일일 전력사용량이 존재하지 않는 경우, ‘1.0’의 값을 가지는 보정계수를 생성할 수 있다.Also, the predicted value generator may generate the correction coefficient by dividing the daily power use amount of the collected last week by the daily power use amount between the predicted last week, multiply the temporary power use amount predicted value by the correction coefficient, and generate a power usage prediction value , And if there is no daily power use for the predicted last week, a correction coefficient having a value of '1.0' may be generated.
상기 예측값 생성부의 예측값 생성을 위한 신경망 예측부(103) 및 예측값 보정부(104)의 상세한 동작에 관하여는, 이하 도 4 내지 도 5에서 상세히 설명한다.Detailed operations of the neural network predictor 103 and the
또한, 주간 부하 예측장치는, 부하곡선 생성부(미도시)를 포함할 수 있고, 상기 부하곡선 생성부는, 신경망 예측부(103)에서 예측된 전력사용량을 이용하여 요일별 평균 부하곡선을 생성하는 요일별 부하곡선 생성부(105), 및 요일별 부하곡선 생성부(105)에서 생성된 평균 부하곡선을 보정하여 주간 부하곡선을 생성하는 주간 부하곡선 생성부(106)를 포함할 수 있다.In addition, the daytime load predicting apparatus may include a load curve generating unit (not shown), and the load curve generating unit may generate the load curve generating unit A load
따라서, 부하곡선 생성부는, 데이터 수집부(101)에서 수집된 단위시간 전력사용량을 이용하여 평균 단위시간 부하곡선을 생성하고, 상기 예측값 생성부의 전력사용량 예측값 및 상기 평균 단위시간 부하곡선을 이용하여, 다음 일주일간의 단위시간 부하곡선을 예측하는 주간 부하곡선을 생성할 수 있다. Therefore, the load curve generation unit generates an average unit time load curve using the unit time electric power consumption collected by the
또한, 부하곡선 생성부는, 상기 예측값 생성부의 전력사용량 예측값을 상기 평균 단위시간 부하곡선에 대입하고, 부하곡선의 전력사용량의 합이 상기 전력사용량 예측값과 동일하도록 변형함으로써 상기 다음 일주일간의 단위시간 부하곡선을 예측하는 주간 부하곡선을 생성할 수 있다.The load curve generation unit may calculate a unit time load curve between the next week by substituting the predicted power usage amount of the predicted value generation unit into the average unit time load curve and modifying the sum of the power usage amounts of the load curves to be equal to the predicted power usage amount. Can be generated.
또한, 부하곡선 생성부는, 상기 단위시간 전력사용량을 이용하여 각각의 요일별로 전력사용량 평균값을 계산하고, 상기 계산된 요일별 전력사용량 평균값을 통하여 각각의 요일별 부하량 값을 포함하는 평균 부하곡선을 생성하고, 각각의 요일별 부하량 값을 포함하는 상기 다음 일주일간의 단위시간 부하곡선을 예측하는 주간 부하곡선을 생성할 수 있다.Also, the load curve generation unit may calculate an average power consumption value for each day of the week by using the unit time power consumption, generate an average load curve including a load value for each day through the calculated average value of the power consumption per day, It is possible to generate a weekly load curve that predicts a unit time load curve over the next week including each weekday load value.
상기 요일별 부하곡선 생성부(105), 및 요일별 부하곡선 생성부(105)을 포함하는 부하곡선 생성부의 동작에 관하여는 이하 도 6에서 더욱 상세히 설명한다.The operation of the load curve generation unit including the day-by-day load
즉, 상기와 같은 구성을 통하여 본 발명은 다음 주에 대한 단위시간 전력사용량 예측값을 생성함에 있어서 복잡한 통계적 기법을 이용한 회귀분석에 비해 구현 및 훈련이 용이한 신경망을 사용하고 있으며, 다수의 입력과 출력을 갖는 신경망의 경우 많은 연산 자원과 시간이 소요되는 문제점을 보완하기 위하여 신경망의 입력과 출력을 줄임으로써 성능에 대한 부담을 줄여 실시간성을 높일 수 있다.That is, through the above-described configuration, the present invention uses a neural network that is easier to implement and training than a regression analysis using a complex statistical technique in generating a predicted value of the unit time power consumption for the next week, In order to compensate for the computational resources and time - consuming problems of neural networks, we reduce the input and output of the neural network, thereby reducing the burden on performance and real - time performance.
도 2는 본 발명의 실시 예에 따른 신경망 훈련을 도시한 도면이다.2 is a diagram illustrating a neural network training according to an embodiment of the present invention.
실시 예에 따라, 본 발명에 따른 주간 부하 예측장치는, 단위시간 전력사용량을 지속적으로 수집하고, 상기 수집된 단위시간 전력사용량을 이용하여 일주일 단위의 일일 전력사용량 예측값을 생성할 수 있도록 신경망을 훈련시킬 수 있다. 또한, 실시 예에 따라, 상기 단위시간은 15분 단위일 수 있다.According to the embodiment, the daytime load predicting apparatus according to the present invention can continuously calculate the unit time electric power consumption and train the neural network so as to generate the daily electric power consumption forecast value per week using the collected unit time electric power consumption . Also, according to the embodiment, the unit time may be a unit of 15 minutes.
즉, 도 2를 참조하면, 데이터 수집부는, 시간의 경과에 따라(201), 단위시간당 전력사용량인, 제1주 전력사용량(202), 제2주 전력사용량(203), 및 제3주 전력사용량(204)에 대한 데이터를 지속적으로 수집한다.That is, referring to FIG. 2, the data collecting unit calculates a first main
또한, 상기 전력사용량에 대한 정보는, 각각의 요일별 일일 전력사용량에 대한 정보를 포함할 수 있다. 즉, 제1주 전력사용량(202)의 경우에, 월요일은 9.2, 화요일은 9.3, 수요일은 9.5, 목요일은 9.2, 금요일은 8.9, 토요일은 7.5, 일요일은 6.1의 전력사용량을 가지는 것에 대한 데이터를 포함할 수 있다.In addition, the information on the power consumption amount may include information on the daily power consumption amount for each day of the week. That is, in the case of the first
따라서, 본 발명의 실시 예에 따라, 주간 부하 예측장치의 신경망 훈련부는, 이전 일주일 간의 일일 전력사용량을 신경망(205)의 입력으로, 이후 일주일간의 일일 전력사용량을 신경망(205)의 출력으로 하여 신경망을 훈련시킬 수 있다.Therefore, according to the embodiment of the present invention, the neural network training section of the daytime load predicting apparatus calculates the daily power use amount for the previous week as the input of the
즉, 제1주 전력사용량(202)을 신경망(205)의 입력으로, 제2주 전력사용량(203)을 신경망의 출력으로 하여 신경망을 훈련시킬 수 있고, 반복적으로, 제2주 전력사용량(203)을 신경망(205)의 입력으로, 제3주 전력사용량(204)을 신경망의 출력으로 하여 신경망을 계속하여 훈련시킬 수 있다.That is, the neural network can be trained by using the first
따라서, 상기와 같은 반복 훈련을 통하여, 소정 훈련기간에 포함된 모든 수집된 단위시간 전력사용량을 신경망(205)에 훈련시킬 수 있고, 추후 시간의 경과에 따라 새로운 단위시간 전력사용량 데이터가 수집되면, 상기 새로운 전력사용량 데이터를 통하여 재훈련 함으로써, 신경망의 정확성을 유지할 수 있다.Accordingly, through the above-described repetitive training, it is possible to train all the collected unit time power consumption included in the predetermined training period in the
도 3은 본 발명의 실시 예에 따른 신경망 훈련 과정을 도시한 순서도이다.3 is a flowchart illustrating a neural network training process according to an embodiment of the present invention.
실시 예에 따라, 본 발명에 따른 부하곡선 예측장치 및 방법은, 먼저, 훈련된 신경망이 존재하는지 여부를 판단한다(S301).According to the embodiment, the load curve predicting apparatus and method according to the present invention first determines whether there is a trained neural network (S301).
다음으로, 상기 판단(S301)결과, 훈련된 신경망이 존재하는 경우에는, 상기 존재하는 신경망을 추가로 훈련하고(S302), 추가로 훈련된 신경망을 저장한다(S306). 즉, 상기 존재하는 신경망의 훈련기간을 파악하고, 상기 훈련기간 이후에 수집된 전력사용량 검침 데이터를 통하여, 상기 도 2에 도시한 바와 같은 과정을 통하여, 존재하는 신경망을 추가로 훈련할 수 있다.Next, if there is a trained neural network as a result of the determination (S301), the existing neural network is further trained (S302), and the further trained neural network is stored (S306). That is, the training period of the existing neural network can be grasped, and the existing neural network can be further trained through the process shown in FIG. 2 through the power usage meter data collected after the training period.
반면에, 상기 판단(S301)결과, 훈련된 신경망이 존재하지 않는 경우에는, 과거 검침 데이터를 수신한다(S303).On the other hand, as a result of the determination (S301), if the trained neural network does not exist, the past inspection data is received (S303).
즉, 실시 예에 따라, 데이터 수집부로부터, 상기 데이터 수집부에 수집된 검침 데이터를 통하여 훈련 시점 이전에 수집된 단위시간 전령사용량 검침 데이터를 수신할 수 있다. 상기 단위시간은 15분 단위일 수 있다.That is, according to the embodiment, the unit time messenger capacity measurement data collected before the training time can be received from the data collection unit through the meter reading data collected in the data collection unit. The unit time may be a unit of 15 minutes.
다음으로, 일일 전력사용량을 계산한다(S304).Next, the daily power consumption is calculated (S304).
실시 예에 따라, 훈련 시점 이전의 단위시간 검침 데이터를 이용하여, 일일 전력사용량을 계산할 수 있다. 즉, 예를 들어, 상기 단위시간이 15분 단위인 경우, 24시간 동안의 15분 단위 전력사용량 96개(24시간 × 4개/시간 = 96개)을 합산하여 일일 전력사용량을 계산할 수 있다.According to the embodiment, the daily power consumption can be calculated using the unit time meter reading data before the training time. That is, for example, when the unit time is in units of 15 minutes, the daily power consumption can be calculated by adding up to 96 power units (24 hours × 4 units / hour = 96 units) in units of 15 minutes for 24 hours.
다음으로, 신경망을 훈련한다(S305).Next, the neural network is trained (S305).
수집된 전력사용량 데이터를 통한 신경망의 훈련과정은, 상기 도 2에 도시한 바와 같다.The training process of the neural network based on the collected power usage data is as shown in FIG.
또한, 상기 신경망 훈련을 위하여 훈련 데이터를 수집하는 훈련 기간은, 훈련성능을 향상시키기 위하여 평일(월~금)동안에 공휴일이 있는 경우에는 해당 일주일 데이터를 훈련에 사용하지 않을 수 있다.In addition, the training period for collecting the training data for the neural network training may not use the weekly data for training if there is a holiday during the weekdays (Mon to Fri) in order to improve the training performance.
또한, 신경망 훈련부는, 일주일 단위로 훈련데이터를 생성하고, 훈련일을 일주일 간격으로 증가시키면서, 훈련일 기준으로 지난 일주일간의 일일 전력사용량 데이터를 신경망의 입력으로 하고, 다음 일주일간의 일일 전력사용량 데이터를 신경망의 출력으로 하여, 훈련기간에 포함된 모든 데이터를 반복적으로 신경망에 훈련시킬 수 있다. In addition, the neural network training unit generates training data on a weekly basis, increases daily training data on a weekly basis, inputs daily power consumption data for the past week on the training day as an input to the neural network, As the output of the neural network, all the data included in the training period can be repeatedly trained in the neural network.
다음으로, 훈련된 신경망을 저장한다(S306).Next, the trained neural network is stored (S306).
즉, 훈련된 신경망을 저장하여, 본 발명의 실시 예에 따른 예측과정에 이용할 수 있다. That is, the trained neural network can be stored and used in the prediction process according to the embodiment of the present invention.
또한, 1년 이상의 지난 전력사용량 데이터를 이용하여 신경망 훈련이 끝나면, 일주일이 지날 때마다 새롭게 수집되는 일주일간의 전력사용량 데이터를 이용하여 추가로 일주일마다 신경망을 훈련할 수 있다.In addition, once the neural network training is completed by using the power consumption data of more than 1 year, the neural network can be further trained every week by using the weekly power consumption data collected every week.
도 4는 본 발명의 실시 예에 따른 전력사용량 예측을 도시한 도면이다.4 is a diagram illustrating power usage prediction according to an embodiment of the present invention.
실시 예에 따라, 본 발명에 따른 주간 부하 예측장치 및 방법을 통하여 제1 예측 시점에 전력사용량 예측 동작을 수행하는 경우, 신경망(402)을 통하여, 상기 제1 예측 시점의 지난 일주일의 수집된 전력사용량(401)으로부터 상기 제1 예측 시점으로부터 다음 일주일간의 임시 전력사용량 예측값(403)을 생성한다. According to the embodiment, when the power consumption prediction operation is performed at the first prediction time through the apparatus and method for predicting the weekly load according to the present invention, A temporary power
또한, 기 저장된 예측된 지난 일주일간의 일일 전력사용량이 존재하지 않는 경우, ‘1.0’의 값을 가지는 보정계수(404)를 생성하고, 상기 보정계수(404)를 적용하여 상기 제1 예측 시점의 다음 일주일 간의 전력사용량 예측값(405)를 생성한다. 즉, 상기 보정계수(404)를 상기 임시 전력사용량 예측값(403)에 곱하여 상기 전력사용량 예측값(405)을 생성한다.In addition, if there is no daily power consumption during the last predicted week, a
또한, 상기 제1 예측 시점으로부터 일주일 후인 제2 예측 시점에 전력사용량 예측값을 생성하는 경우에는, 제2 예측 시점의 지난 일주일의 수집된 전력사용량(406)을 신경망(408)을 통하여 상기 제2 예측 시점으로부터 다음 일주일간의 임시 전력사용량(409)을 예측하여 생성한다.In addition, when the power consumption prediction value is generated at the second prediction time, which is one week after the first prediction time, the collected
또한, 상기 제2 예측 시점의 지난 일주일의 일일 전력사용량 예측값(405)이 존재하므로, 상기 제2 예측 시점의 지난 일주일의 수집된 전력사용량(406)을 상기 제2 예측 시점의 지난 일주일의 일일 전력사용량 예측값(405)으로 나누어 보정계수(407)을 생성하고, 상기 보정계수(407)를 적용하여 제2 예측 시점의 다음주에 대한 전력사용량 예측값(410)을 생성한다. 즉, 상기 보정계수(407)를 상기 임시 전력사용량 예측값(407)에 곱하여 상기 전력사용량 예측값(410)을 생성할 수 있다.Also, since there is the daily power
도 5는 본 발명의 실시 예에 따른 전력사용량 예측 과정을 도시한 순서도이다.5 is a flowchart illustrating a process of predicting power consumption according to an embodiment of the present invention.
실시 예에 따라, 본 발명에 따른 주간 부하 예측장치 및 방법은, 전력사용량 예측값을 생성하기 위하여, 먼저, 훈련된 신경망 및 전력사용량에 대한 정보를 수신한다(S501).According to an embodiment, the apparatus and method for predicting a weekly load according to the present invention receives information about a trained neural network and a power consumption to generate a predicted power consumption value (S501).
즉, 실시 예에 따라, 신경망 훈련부에서 훈련된 신경망을 수신하고, 데이터 수집부에서 예측 시점의 지난 일주일 간의 일일 전력사용량을 수신하고, 신경망 예측부에서 예측 시점의 예측된 지난 일주일간의 일일 전력사용량을 수신함으로써 신경망 예측 동작을 위한 데이터를 준비할 수 있다.That is, according to the embodiment, the neural network trained by the neural network training unit is received, the data collecting unit receives the daily power consumption for the last week from the predicted time, and the neural network predictor calculates the daily power consumption for the last one week The data for the neural network prediction operation can be prepared.
다음으로, 임시 전력사용량 예측값을 생성한다(S502).Next, a temporary power consumption forecast value is generated (S502).
즉, 실시 예에 따라, 예측 시점의 지난 일주일 간의 일일 전력사용량을 신경망에 입력하여, 임시 전력사용량 예측값을 생성한다. That is, according to the embodiment, the daily power use amount during the last week of the prediction time point is input to the neural network to generate the temporary power usage prediction value.
따라서, 신경망 예측부는 신경망 훈련부에서 생성된 신경망을 이용하여 예측 시점의 지난 일주일간의 전력사용량 데이터를 신경망에 입력하고, 예측 시점의 다음 일주일간의 임시 전력사용량 예측값을 생성하게 된다. Therefore, the neural network predictor uses the neural network generated by the neural network training section to input the power consumption data of the last week of the predicted time point into the neural network, and generates the predicted value of the temporary power consumption amount for the next week after the prediction time point.
또한, 신경망은 기존에 훈련된 일주일 간의 데이터를 기준으로 가장 유사한 데이터를 포함할 것으로 예상되는 출력을 생성하게 되며, 상기 생성된 출력을 상기 임시로 예측된 전력사용량으로 응답할 수 있다.Also, the neural network generates an output that is expected to contain the most similar data based on the previously trained weekly data, and can respond to the generated output with the temporarily estimated power usage.
다음으로, 보정계수를 생성한다(S503).Next, a correction coefficient is generated (S503).
즉, 실시 예에 따라, 예측 시점의 지난 일주일간의 일일 전력사용량을 상기 예측 시점의 지난 일주일간의 전력사용량 예측값으로 나누어 보정계수를 생성한다. 또한, 상기 예측 시점의 지난 일주일간의 전력사용량 예측값이 없을 경우, 초기 보정계수는 모두 ‘1.0’으로 정의하여 사용한다.That is, according to the embodiment, a correction coefficient is generated by dividing the daily power consumption during the last week of the prediction time by the predicted power consumption value of the last week of the prediction time. Also, if there is no predicted power consumption value for the last week of the prediction time point, the initial correction coefficients are all defined as ' 1.0 '.
따라서, 예측값 보정부를 통하여, 신경망 예측부에서 생성한 임시 전력사용량 예측값을 좀 더 정확한 예측값으로 보정할 수 있다. Therefore, the estimated value of the temporary power consumption generated by the neural network prediction unit can be corrected to a more accurate predicted value through the predicted value correction unit.
즉, 전력사용량의 예측을 위해서는 가장 최근의 전력사용 추세가 반영되는 것이 중요하고, 신경망은 모든 데이터에 대해서 동일한 가중치를 갖고 예측을 하게 되므로, 가장 최근에 훈련한 데이터에 대해서 따로 가중치를 부여하지 않기 때문에 가장 최근의 전력사용 추세를 신경망의 예측 결과에 반영하기 위해서 예측값 보정부는 보정계수를 생성하여 상기 임시 전력사용량 예측값에 반영하게 된다. In other words, it is important that the most recent power usage trend is reflected for the prediction of power consumption, and since the neural network predicts all data with the same weight, Therefore, in order to reflect the latest power use trend to the prediction result of the neural network, the predicted value correction unit generates a correction coefficient and reflects the correction coefficient to the predicted value of the temporary power usage amount.
따라서, 예측값 보정부는, 예측 시점의 지난 일주일간 실제로 사용된 전력사용량을, 예측 시점의 지난 일주일 전에 예측했던 전력사용량으로 나누어 보정계수를 생성할 수 있다. Therefore, the predicted value correction unit can generate the correction coefficient by dividing the actually used power consumption during the last week of the prediction time by the power consumption amount predicted one week before the predicted point in time.
다음으로, 생성된 보정계수가 기 설정된 보정계수 범위에 포함되는지 여부를 판단하고(S504), 상기 생성된 보정계수가 기 설정된 보정계수 범위에 포함되는 경우, 전력사용량 예측값을 생성한다(S506).Next, it is determined whether the generated correction coefficient is included in the predetermined correction coefficient range (S504). If the generated correction coefficient is included in the preset correction coefficient range, a power consumption prediction value is generated (S506).
즉, 상기 예측된 임시 전력사용량에 보정계수를 곱하여 일일 전력사용량 예측값을 생성한다.That is, the predicted temporary power usage amount is multiplied by a correction coefficient to generate a daily power consumption prediction value.
따라서, 실시 예에 따라, 예측값 보정부는, 신경망 예측부를 통해 얻어진 예측 시점 다음 주에 대한 임시 전력사용량 예측값에 상기 생성된 보정계수를 곱하여 전력사용량 예측값을 생성할 수 있다.Therefore, according to the embodiment, the predicted value correction unit may multiply the predicted value of the temporary power consumption for the next week obtained through the neural network predictor by the generated correction coefficient to generate the predicted power consumption value.
즉, 예를 들어, 처음으로 예측하는 경우(첫째 주라고 가정), 첫째 주에 수집된 일일 전력사용량 (9.3, 9.5, 9.6,9.3, 9.0, 7.6, 6.3)을 신경망에 입력하여 임시 전력사용량 예측값인 (9.4, 9.6, 9.8, 9.7, 9.2, 7.7, 6.4)를 예측한다. For example, if the first prediction is made (assuming the first week), the daily power consumption (9.3, 9.5, 9.6, 9.3, 9.0, 7.6, 6.3) collected in the first week is input to the neural network, (9.4, 9.6, 9.8, 9.7, 9.2, 7.7, 6.4).
다음으로, 보정계수를 이용하여 보정하기 위하여, 신경망의 훈련 이후 처음으로 예측하는 경우에는 초기 보정계수로 (1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0)을 사용하여 상기 임시 전력사용량 예측값과 동일한 값을 첫째 주 예측 시점 다음주의 전력사용량 예측값으로 생성한다. Next, for the first prediction after the training of the neural network to correct using the correction coefficient, the predicted power consumption amount using the initial correction coefficient (1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0) The same value is generated as the predicted power consumption value of the next week of the first main forecasting time.
다음으로, 일주일이 지나서 두 번째 예측하는 경우 (둘째 주라고 가정)둘째 주에 수집된 일일 전력사용량(9.3, 9.6, 9.9, 9.1, 7.7, 6.3)을 신경망에 입력하여 임시 전력사용량 예측값인(9.5, 9.7, 9.9, 9.8, 9.4, 7.9, 6.7)을 예측한다. Next, the daily power consumption (9.3, 9.6, 9.9, 9.1, 7.7, 6.3) collected in the second week (assuming the second week) is input to the neural network, 9.7, 9.9, 9.8, 9.4, 7.9, 6.7).
이후, 보정계수를 산출하기 위해 둘째 주의 전력사용량 (9.3, 9.6, 9.9, 9.1, 7.7, 6.3)을 첫째 주의 전력사용량 예측값(9.4, 9.6, 9.8, 9.7, 9.2, 7.7, 6.4)으로 나누어 보정계수(9.3/9.4, 9.6/9.6, 9.9/9.8, 9.9/9.7, 9.1/9.2, 7.7/7.7, 6.3/6.4 = 0.98, 1.0, 1.01, 0.98, 0.98, 1.0, 0.98)를 생성한다. In order to calculate the correction factor, the power consumption of the second week (9.3, 9.6, 9.9, 9.1, 7.7, 6.3) was divided by the power consumption forecasts of the first week (9.4, 9.6, 9.8, 9.7, 9.2, 7.7, (9.3 / 9.4, 9.6 / 9.6, 9.9 / 9.8, 9.9 / 9.7, 9.1 / 9.2, 7.7 / 7.7, 6.3 / 6.4 = 0.98, 1.0, 1.01, 0.98, 0.98, 1.0, 0.98).
다음으로, 생성된 보정계수를 둘째 주의 임시 전력사용량 예측값에 곱하여 둘째 주 예측시점 다음주의 전력사용량 (9.5×0.98, 9.7×1.0, 9.9×1.01, 9.8×0.98, 9.4×0.98, 7.9×1.0, 6.7×0.98 = 9.4, 9.7, 10.0, 9.6, 9.3, 7.9, 6.6)을 예측할 수 있다.Next, the generated correction coefficient is multiplied by the predicted value of the temporary power consumption amount in the second week, and the power consumption amount (9.5 × 0.98, 9.7 × 1.0, 9.9 × 1.01, 9.8 × 0.98, 9.4 × 0.98, 7.9 × 1.0, and 6.7 × 0.98 = 9.4, 9.7, 10.0, 9.6, 9.3, 7.9, 6.6).
반면에, 상기 판단(S504)결과, 상기 생성된 보정계수가 기 설정된 보정계수 범위에 포함되지 않는 경우, 훈련된 신경망을 재생성 한다(S505).On the other hand, if it is determined in step S504 that the generated correction coefficient is not included in the predetermined correction coefficient range, the trained neural network is regenerated (S505).
따라서, 실시 예에 따라, 기 훈련된 신경망을 삭제하고, 상기 훈련기간 중, 일정 비율의 최선(最先) 훈련 기간을 삭제함으로써 상기 훈련기간을 재설정하고, 다시 신경망을 훈련할 수 있다.Therefore, according to the embodiment, it is possible to delete the pre-trained neural network, reset the training period by deleting a certain proportion of the best training period during the training period, and train the neural network again.
즉, 보정계수를 생성함에 있어서, 생성된 보정계수가 사용자가 정의한 최대 / 최소 보정계수보다 크거나 작은 값이 생성되어 기 설정된 보정계수 범위를 벗어나는 경우에는 신경망의 오차가 큰 것으로 판단하여 기존에 훈련했던 신경망을 삭제하고 새롭게 신경망을 재구성할 수 있다. That is, when generating the correction coefficient, when the generated correction coefficient is larger or smaller than the maximum / minimum correction coefficient defined by the user and is out of the predetermined correction coefficient range, it is determined that the error of the neural network is large, The neural network can be deleted and the neural network can be newly reconstructed.
또한, 신경망을 재구성하는 경우, 이전에 사용했던 훈련데이터를 동일하게 사용할 경우에는 동일한 예측값을 얻게 되므로 과거 훈련데이터 중에서 일정 비율의 최선(最先) 훈련 기간을 삭제하여 다시 신경망을 훈련할 수 있다. 실시 예에 따라, 상기 훈련데이터 중에서 가장 오래된 순으로 10분의 1을 제거하여 다시 신경망을 훈련할 수 있다.In the case of reconstructing the neural network, the same predicted value is obtained when the training data used previously are used in the same manner, so that the neural network can be trained again by deleting the best (training) period of training data from the past training data. According to the embodiment, the neural network can be trained again by removing one-tenth of the training data in the oldest order.
즉, 예를 들어, 1월부터 다음해 6월까지 540일의 데이터를 이용하여 신경망을 훈련하고, 95%의 예측 정확도를 위해 최대 보정계수를 1.05, 최소 보정계수를 0.95로 설정하였을 경우, 7월 첫째 주를 예측하고 일주일이 지나서 7월 둘째 주에 보정계수를 산정하였을 때, 7개의 보정계수 중에서 1.05 보다 크거나 0.95 보다 낮은 보정계수가 존재할 경우에는 정확도가 95% 보다 낮게 되므로 기존에 훈련된 신경망을 삭제하고, 540일에서 10%인 54일을 제거하여 486일의 데이터를 훈련 데이터로 설정하여 신경망을 다시 훈련할 수 있다.For example, if the neural network is trained using data of 540 days from January to June of the following year, and the maximum correction factor is set to 1.05 and the minimum correction factor to 0.95 for 95% prediction accuracy, When the correction coefficient is calculated in the second week of July after one week of predicting the first week of the month, if the correction coefficient is greater than 1.05 or less than 0.95 among the seven correction coefficients, the accuracy is lower than 95% The neural network can be deleted and the neural network can be re-trained by removing 54 days, which is 10% at 540 days, and setting the data to 486 days as training data.
즉, 신경망의 훈련에 사용된 데이터에 과거의 데이터가 너무 많게 되면 최근의 전력수요를 반영하는 요인이 줄어들어 최근 수요예측의 정확도를 떨어뜨릴 수 있기 때문에 상기와 같은 신경망 재훈련을 통하여 전력사용량 예측의 정확도를 향상시킬 수 있다. In other words, if the data used in the training of neural network is too much in the past, factors that reflect recent electricity demand are reduced, which may degrade the accuracy of recent demand forecasting. Accuracy can be improved.
도 6은 본 발명의 실시 예에 따른 부하곡선 생성 과정을 도시한 순서도이다.6 is a flowchart illustrating a process of generating a load curve according to an embodiment of the present invention.
실시 예에 따라, 본 발명에 따른 주간 부하 예측장치 및 방법은 부하곡선을 생성하기 위하여, 먼저, 과거 검침 데이터를 수신한다(S601).According to the embodiment, in order to generate the load curve, the apparatus and method for predicting the weekly load according to the present invention first receives the past inspection data (S601).
즉, 실시 예에 따라, 예측 시점까지 수집된 15분 단위의 전력사용량에 대한 검침 데이터를 데이터 수집부로부터 얻을 수 있다.That is, according to the embodiment, the meter reading data for the 15-minute power consumption collected up to the prediction time can be obtained from the data collecting unit.
다음으로, 요일별 평균 부하곡선을 생성한다(S602).Next, an average load curve for each day of the week is generated (S602).
즉, 데이터 수집부로부터 얻은 과거 검침 데이터를 요일별로 분류하고, 상기 분류된 요일별로 단위시간 검침값을 합하여 평균값을 계산하여 요일별 평균 부하곡선을 생성할 수 있다.That is, the past inspection data obtained from the data collecting unit can be classified by day of week, the average value can be calculated by summing the unit time meter values by the classified day of the week, and the average load curve for each day of the week can be generated.
따라서, 실시 예에 따라 요일별 부하곡선 생성부는 신경망에서 예측된 다음 일주일간의 전력사용량 예측값을 이용하여 주간 부하곡선을 만들기 위해 필요한 요일별 평균 부하곡선을 생성할 수 있다. 상기 요일별 평균 부하곡선은 실시 예에 따라 일년 또는 6개월, 3개월, 및 1개월 동안의 15 분 단위의 전력사용량을 각각의 15 분 단위의 전력사용량의 평균을 이용하여 생성될 수 있다. Accordingly, the load curve generation unit for each day according to the embodiment can generate the average load curve for each day of the week necessary for making the weekly load curve by using the predicted power use amount for the next week in the neural network. The average load curve for each day of the week can be generated by using an average of 15 minutes power consumption in units of 15 minutes for one year or 6 months, 3 months and 1 month according to the embodiment.
즉, 예를 들어 1개월 동안의 데이터를 이용하여 요일별 평균 부하곡선을 생성하는 경우, 월요일의 00시00분의 평균 부하량은 1개월 동안의 월요일(4일)의 매 00시00 분의 전력사용량의 평균값이 되며, 요일별 평균 부하곡선은 672개(96 개/일×7일)의 부하량으로 표현될 수 있다. That is, for example, in the case of generating the average load curve by day using the data of one month, the average load of 00:00 on Monday is the power consumption of every 00:00 of Monday (4 days) , And the average load curve per day can be expressed by a load of 672 (96 days / 7 days).
다음으로, 요일별 평균 부하곡선을 정규화 하고(S603), 주간 예측 부하곡선을 생성한다(S604).Next, the average load curve for each day of the week is normalized (S603), and a weekly predicted load curve is generated (S604).
즉, 요일별 평균 부하곡선을 일일 부하곡선의 합이 ‘1’이 되도록 정규화할 수 있고, 예측값 보정부에서 생성된 다음 일주일간의 전력사용량 예측값을 정규화된 요일별 평균 부하곡선에 곱하여 일일 부하곡선의 합이 일일 전력사용량이 되도록 변형하여 주간 예측 부하곡선을 생성할 수 있다.That is, the average load curve for each day of the week can be normalized such that the sum of daily load curves is equal to "1", and the normalized weekly average load curve is multiplied by the predicted power use amount for the next week generated by the predictive value correcting unit, The weekly predicted load curve can be generated by modifying the daily power usage.
따라서, 실시 예에 따라, 주간 부하곡선 생성부는, 예측값 보정부에서 보정계수를 적용하여 최종적으로 다음 일주일간의 전력사용량 예측값을 상기 요일별 부하곡선 생성부의 요일별 평균 부하곡선에 대입하여, 요일별 부하곡선의 일일 전력사용량의 합이 최종 예측 일일 전력사용량과 동일하도록 변형함으로써, 최종적으로 예측된 다음 일주일간의 단위시간 부하곡선을 생성할 수 있다. 또한 상기 단위시간은 실시 예에 따라 15분일 수 있다.Therefore, according to the embodiment, the weekly load curve generating unit applies the correction coefficient in the predicted value correcting unit to finally assign the predicted power use amount for the next week to the average load curve for each day of the weekly load curve generating unit, By modifying the sum of power usage to be equal to the final predicted daily power usage, a unit time load curve between the last predicted week can be generated. The unit time may be 15 minutes according to the embodiment.
즉, 예를 들면 월요일의 평균 부하곡선이 (32, 41, 47, ......)으로 96개 일 경우에 월요일 평균 부하곡선의 부하량의 합이 9100이였을 경우, 정규화된 월요일 부하곡선은 (32/9100, 41/9100, 47/9100, ...... = 0.0035, 0.0045, 0.0051, ......)이 되며, 예측값 보정부를 통해 계산된 월요일 전력사용량이 9400인 경우, 이를 정규화된 월요일 부하곡선에 곱하면 최종적으로 월요일의 15 분 단위 부하곡선은 (0.0035 × 9400, 0.0045 × 9400, 0.0051 × 9400, ...... = 32.9,42.3, 47.94, ......)가 될 수 있다. That is, for example, if the average load curve on Monday is 96 (32, 41, 47, ......) and the sum of the loads on Monday's average load curve is 9100, then the normalized Monday load curve (32/9100, 41/9100, 47/9100, ...... = 0.0035, 0.0045, 0.0051, ...), and the calculated power consumption on Monday is 9400 , Multiply this by the normalized Monday load curve and finally the Monday's 15 minute unit load curve (0.0035 × 9400, 0.0045 × 9400, 0.0051 × 9400, ... = 32.9, 42.3, 47.94, .... ..).
도 7은 본 발명의 실시 예에 따른 전력사용량 예측 결과를 도시한 그래프이다.FIG. 7 is a graph illustrating a result of power consumption prediction according to an embodiment of the present invention.
본 발명의 실시 예에 따라 일주일간의 전력사용량 예측값을 생성한 예시로써, 도 7을 참조할 수 있다. 동그라미로 표시된 곡선은 실제 전력사용량을 나타내며, 네모로 표시된 곡선은 본 발명에서 예측한 전력사용량을, 역삼각형으로 표시된 곡선은 종래 기술에 따른 기존 신경망을 통하여 예측한 전력사용량을 나타낸다.Referring to FIG. 7, an example of generating a weekly power consumption prediction value according to an embodiment of the present invention can be referred to. The curve indicated by the circles represents the actual power consumption, the curved line indicated by the square represents the power consumption predicted by the present invention, and the curve indicated by the inverted triangle represents the power consumption predicted through the conventional neural network according to the prior art.
즉, 도 7을 참조하면, 본 발명의 실시 예에 따른 예측 방법 및 장치가, 종래 기술에 따른 기존 신경망을 이용하는 방법과 정확도에 있어서는 거의 차이가 없는 것을 알 수 있다.That is, referring to FIG. 7, it can be seen that the prediction method and apparatus according to the embodiment of the present invention are not substantially different in accuracy from the method using the conventional neural network according to the related art.
또한, 이상에서는 본 발명의 바람직한 실시 예에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시 예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해돼서는 안 될 것이다.While the present invention has been particularly shown and described with reference to exemplary embodiments thereof, it is to be understood that the invention is not limited to the disclosed exemplary embodiments, but, on the contrary, It will be understood by those skilled in the art that various changes and modifications may be made without departing from the spirit and scope of the present invention.
따라서, 본 발명의 주간 전력사용량 예측장치 및 방법은, 예측 시점 다음 일주일간의 단위시간의 전력사용량을 빠르게 예측하기 위한 발명으로 설명되었으나, 다른 실시 예에 따라, 예측 기간을 하루부터 수 개월 단위로 수정하여 적용될 수 있으며, 전력사용량이 아닌 수도사용량, 가스사용량 등, 자동검침을 통하여 데이터를 수집하는 분야에 적용되어 실시될 수 있다.Accordingly, the apparatus and method for predicting daytime power usage of the present invention has been described as an invention for quickly predicting the power consumption of a unit time during the week following the forecasting time. However, according to another embodiment, And can be applied to the field of collecting data through automatic meter reading such as water use amount and gas usage amount instead of power use amount.
101: 데이터 수집부
102: 신경망 훈련부
103: 신경망 예측부
104: 예측값 보정부
105: 요일별 부하곡선 생성부
106: 주간 부하곡선 생성부101: Data collection unit
102: neural network training department
103: Neural network prediction unit
104:
105: load curve generation unit for each day of the week
106: Weekly load curve generation unit
Claims (20)
상기 수집된 단위시간 전력사용량을 이용하여 일주일 단위의 일일 전력사용량 예측값을 생성할 수 있도록 신경망을 훈련시키는 신경망 훈련부; 및
상기 신경망 훈련부 및 상기 수집된 단위시간 전력사용량을 이용하여 다음 일주일간의 임시 전력사용량 예측값을 생성하고, 수집된 지난 일주일간의 일일 전력사용량 및 예측된 지난 일주일간의 일일 전력사용량을 이용하여 보정계수를 생성하고, 상기 보정 계수가 기 설정된 보정계수 범위에 포함되는 경우에 상기 보정계수를 적용하여 다음 일주일간의 전력사용량 예측값을 생성하는 예측값 생성부를 포함하고,
상기 데이터 수집부는, 적어도 1년 이상의 기간 동안의 단위시간 전력사용량을 수집하며,
상기 신경망 훈련부는,
상기 수집된 단위시간 전력사용량을 이용하여 일일 전력사용량을 계산하고, 이전 일주일 간의 일일 전력사용량을 신경망의 입력으로, 이후 일주일간의 일일 전력사용량을 상기 신경망의 출력으로 하여, 소정 훈련기간에 포함된 모든 수집된 단위시간 전력사용량을 반복적으로 상기 신경망에 훈련시키며,
일주일이 경과함에 따라 상기 단위시간 전력사용량이 추가로 수집되면, 상기 추가로 수집된 전력사용량을 이용하여 일주일마다 상기 신경망을 재훈련하는 것인 주간 부하 예측장치.A data collection unit for continuously collecting power consumption per unit time;
A neural network training unit for training a neural network so as to generate a daily power consumption prediction value for each week using the collected unit time power consumption; And
Generates a temporary power consumption prediction value for the next week using the neural network training unit and the collected unit time power consumption amount and generates a correction coefficient using the daily power consumption amount during the last week collected and the daily power consumption amount during the last week And a predicted value generator for generating a predicted power consumption value for the next week by applying the correction coefficient when the correction coefficient is included in a predetermined correction coefficient range,
Wherein the data collection unit collects the unit time power consumption for a period of at least one year,
The neural network training unit includes:
Calculating a daily power use amount based on the collected unit time power usage amount and outputting a daily power use amount during a previous week as an input of a neural network and a daily power use amount during a week as an output of the neural network, The collected unit time power consumption is repeatedly trained in the neural network,
Wherein the controller further retrains the neural network once a week using the further collected power usage when the unit time power consumption is further collected as a week passes.
상기 신경망 훈련부는,
상기 생성된 보정계수가 기 설정된 보정계수 범위를 벗어나는 경우, 기 훈련된 신경망을 삭제하고, 상기 훈련기간 중, 일정 비율의 최선(最先) 훈련 기간을 삭제함으로써 상기 훈련기간을 재설정하고, 다시 신경망을 훈련하는 주간 부하 예측장치.The method according to claim 1,
The neural network training unit includes:
And if the generated correction coefficient deviates from the predetermined correction coefficient range, the training period is reset by deleting the pre-trained neural network, deleting the best (training) training period at a certain rate during the training period, A daytime load forecasting device.
상기 수집된 단위시간 전력사용량을 이용하여 평균 단위시간 부하곡선을 생성하고, 상기 전력사용량 예측값 및 상기 평균 단위시간 부하곡선을 이용하여, 상기 다음 일주일간의 단위시간 부하곡선을 예측하는 부하곡선 생성부를 더 포함하는 주간 부하 예측장치.The method according to claim 1,
A load curve generation unit for generating an average unit time load curve using the collected unit time power usage and predicting a unit time load curve for the next week using the predicted power consumption value and the average unit time load curve And a daytime load predicting device.
상기 예측값 생성부는,
상기 수집된 지난 일주일간의 일일 전력사용량을 상기 예측된 지난 일주일간의 일일 전력사용량으로 나누어 상기 보정계수를 생성하고, 상기 임시 전력사용량 예측값에 상기 보정계수를 곱하여, 상기 전력사용량 예측값을 생성하는 주간 부하 예측장치.The method according to claim 1,
Wherein the predicted-
A weekly load prediction unit for generating the correction coefficient by dividing the daily power use amount of the collected last week by the daily power use amount during the predicted last week, multiplying the temporary power use amount predicted value by the correction coefficient, Device.
상기 부하곡선 생성부는,
상기 전력사용량 예측값을 상기 평균 단위시간 부하곡선에 대입하고, 부하곡선의 전력사용량의 합이 상기 전력사용량 예측값과 동일하도록 변형함으로써 상기 다음 일주일간의 단위시간 부하곡선을 예측하는 주간 부하 예측장치.The method of claim 3,
Wherein the load curve generation unit comprises:
And estimating the unit time load curve over the next week by inserting the predicted power consumption into the average unit time load curve and modifying the sum of the power consumption of the load curve to be equal to the predicted power consumption.
상기 부하곡선 생성부는,
상기 단위시간 전력사용량을 이용하여 각각의 요일별로 전력사용량 평균값을 계산하고, 상기 계산된 요일별 전력사용량 평균값을 통하여 각각의 요일별 부하량 값을 포함하는 평균 부하곡선을 생성하고, 각각의 요일별 부하량 값을 포함하는 상기 다음 일주일간의 단위시간 부하곡선을 예측하는 주간 부하 예측장치.The method of claim 3,
Wherein the load curve generation unit comprises:
Calculating an average power consumption value for each day of the week by using the unit time power consumption, generating an average load curve including each weekday load value through the calculated average power consumption value for each day of the week, And estimating a unit time load curve for the next week.
상기 예측값 생성부는,
상기 예측된 지난 일주일간의 일일 전력사용량이 존재하지 않는 경우, ‘1’의 값을 가지는 보정계수를 생성하는 주간 부하 예측장치.The method according to claim 1,
Wherein the predicted-
And generates a correction coefficient having a value of '1' if there is no daily power use for the predicted last week.
상기 데이터 수집부에서 일정 기간 동안 단위시간 전력사용량을 지속적으로 수집하는 단계;
상기 수집된 단위시간 전력사용량을 이용하여 일주일 단위의 일일 전력사용량 예측값을 생성할 수 있도록, 상기 신경망 훈련부가 신경망을 훈련시키는 단계; 및
상기 예측값 생성부가, 상기 훈련된 신경망 및 상기 수집된 단위시간 전력사용량을 이용하여 다음 일주일간의 임시 전력사용량 예측값을 생성하고, 수집된 지난 일주일간의 일일 전력사용량 및 예측된 지난 일주일간의 일일 전력사용량을 이용하여 보정계수를 생성하고, 상기 보정 계수가 기 설정된 보정계수 범위에 포함되는 경우에 상기 보정계수를 적용하여 다음 일주일간의 전력사용량 예측값을 생성하는 단계를 포함하고,
상기 단위시간 전력사용량을 지속적으로 수집하는 단계는,
상기 데이터 수집부가 적어도 1년 이상의 기간 동안의 단위시간 전력사용량을 수집하는 단계를 포함하며,
상기 신경망을 훈련시키는 단계는,
상기 수집된 단위시간 전력사용량을 이용하여 일일 전력사용량을 계산하고, 이전 일주일 간의 일일 전력사용량을 신경망의 입력으로, 이후 일주일간의 일일 전력사용량을 상기 신경망의 출력으로 하여, 상기 신경망 훈련부가 소정 훈련기간에 포함된 모든 수집된 단위시간 전력사용량을 반복적으로 상기 신경망에 훈련시키는 단계를 포함하고,
상기 신경망을 훈련시키는 단계는,
일주일이 경과함에 따라 상기 단위시간 전력사용량이 추가로 수집되면, 상기 신경망 훈련부는 상기 추가로 수집된 전력사용량을 이용하여 일주일마다 상기 신경망을 재훈련하는 단계를 더 포함하는 주간 부하 예측 방법.A method for predicting a weekly load in a device including a data collection unit, a neural network training unit, and a predicted value generation unit,
Continuously collecting power consumption per unit time for a predetermined period of time in the data collection unit;
Training the neural network training unit to generate a daily power use prediction value for each week based on the collected unit time power consumption; And
The predictive value generator generates a temporary power consumption forecast value for the next week by using the trained neural network and the collected unit time power consumption and calculates a temporary power consumption forecast value for the next week by using the daily power consumption between the collected last week and the predicted power consumption per week And generating a predicted power consumption value for the next week by applying the correction factor when the correction factor is included in the predetermined correction factor range,
The continuously collecting the unit time power consumption may include:
Wherein the data collection unit collects unit time power usage for a period of at least one year,
Wherein training the neural network comprises:
Calculating a daily power use amount by using the collected unit time power usage amount and outputting a daily power use amount between a previous week as an input of a neural network and a daily power use amount per week as an output of the neural network, And repeatedly training all the collected unit time power usage included in the neural network,
Wherein training the neural network comprises:
Further comprising the step of retraining the neural network once a week using the further collected power usage if the unit time power usage is further collected as a week passes.
상기 신경망을 훈련시키는 단계는,
상기 생성된 보정계수가 기 설정된 보정계수 범위를 벗어나는 경우, 상기 신경망 훈련부는, 기 훈련된 신경망을 삭제하고, 상기 훈련기간 중, 일정 비율의 최선(最先) 훈련 기간을 삭제함으로써 상기 훈련기간을 재설정하고, 다시 신경망을 훈련하는 단계를 포함하는 주간 부하 예측방법.12. The method of claim 11,
Wherein training the neural network comprises:
Wherein when the generated correction coefficient deviates from a preset correction coefficient range, the neural network training unit deletes the pre-trained neural network, and deletes the best (training) training period at a certain rate during the training period, Resetting the neural network, and training the neural network again.
상기 디바이스는 부하곡선 생성부를 더 포함하고,
상기 부하곡선 생성부가 상기 수집된 단위시간 전력사용량을 이용하여 평균 단위시간 부하곡선을 생성하고, 상기 전력사용량 예측값 및 상기 평균 단위시간 부하곡선을 이용하여, 상기 다음 일주일간의 단위시간 부하곡선을 예측하는 단계를 더 포함하는 주간 부하 예측방법.12. The method of claim 11,
Wherein the device further comprises a load curve generator,
Wherein the load curve generator generates an average unit time load curve using the collected unit time power consumption and estimates a unit time load curve for the next week using the power consumption predicted value and the average unit time load curve Further comprising the steps of:
상기 전력사용량 예측값을 생성하는 단계는,
상기 예측값 생성부가, 상기 수집된 지난 일주일간의 일일 전력사용량을 상기 예측된 지난 일주일간의 일일 전력사용량으로 나누어 상기 보정계수를 생성하고, 상기 임시 전력사용량 예측값에 상기 보정계수를 곱하여, 상기 전력사용량 예측값을 생성하는 단계를 포함하는 주간 부하 예측방법.12. The method of claim 11,
Wherein the step of generating the power usage prediction value comprises:
Wherein the predicted value generator generates the correction coefficient by dividing the daily power use amount of the collected last week by the daily power use amount between the predicted last week and multiplies the predicted power use amount predicted value by the correction coefficient, Wherein the predicted daytime load prediction method comprises:
상기 다음 일주일간의 단위시간 부하곡선을 예측하는 단계는,
상기 부하곡선 생성부가, 상기 전력사용량 예측값을 상기 평균 단위시간 부하곡선에 대입하고, 부하곡선의 전력사용량의 합이 상기 전력사용량 예측값과 동일하도록 변형함으로써 상기 다음 일주일간의 단위시간 부하곡선을 예측하는 단계를 포함하는 주간 부하 예측방법.14. The method of claim 13,
The step of predicting the unit time load curve for the next week includes:
Estimating a unit time load curve for the next week by modifying the load curve generation unit to substitute the predicted power consumption value into the average unit time load curve and modifying the sum of power usage amounts of the load curve to be equal to the predicted power consumption value / RTI >
상기 다음 일주일간의 단위시간 부하곡선을 예측하는 단계는,
상기 부하곡선 생성부가, 상기 단위시간 전력사용량을 이용하여 각각의 요일별로 전력사용량 평균값을 계산하고, 상기 계산된 요일별 전력사용량 평균값을 통하여 각각의 요일별 부하량 값을 포함하는 평균 부하곡선을 생성하고, 각각의 요일별 부하량 값을 포함하는 상기 다음 일주일간의 단위시간 부하곡선을 예측하는 단계를 포함하는 주간 부하 예측방법.14. The method of claim 13,
The step of predicting the unit time load curve for the next week includes:
The load curve generation unit calculates an average power consumption value for each day of the week by using the unit time power consumption, generates an average load curve including a load value for each day through the calculated average value of the power consumption per day, Estimating a unit time load curve for the next week including a load value for each day of the week.
상기 전력사용량 예측값을 생성하는 단계는,
상기 예측된 지난 일주일간의 일일 전력사용량이 존재하지 않는 경우, 상기 예측값 생성부는, ‘1’의 값을 가지는 보정계수를 생성하는 단계를 포함하는 주간 부하 예측방법.12. The method of claim 11,
Wherein the step of generating the power usage prediction value comprises:
Wherein the predicted value generator generates a correction coefficient having a value of '1' when there is no daily power use during the predicted last week.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020110108985A KR101865924B1 (en) | 2011-10-24 | 2011-10-24 | Appratus and method for estimation of weekly power load to improve processing time using neural network and revision factor |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020110108985A KR101865924B1 (en) | 2011-10-24 | 2011-10-24 | Appratus and method for estimation of weekly power load to improve processing time using neural network and revision factor |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20130044765A KR20130044765A (en) | 2013-05-03 |
| KR101865924B1 true KR101865924B1 (en) | 2018-06-11 |
Family
ID=48657095
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020110108985A KR101865924B1 (en) | 2011-10-24 | 2011-10-24 | Appratus and method for estimation of weekly power load to improve processing time using neural network and revision factor |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR101865924B1 (en) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104268802B (en) * | 2014-10-11 | 2017-03-29 | 国家电网公司 | The method that urban residential quarters electricity consumption demand factor is determined using neural network model |
| CN107977737B (en) * | 2017-11-19 | 2021-06-08 | 国网浙江省电力公司信息通信分公司 | Distribution transformation load prediction method based on mxnet frame deep neural network |
| KR102628551B1 (en) * | 2019-05-14 | 2024-01-26 | 한국전력공사 | Apparatus and method for forecasting short-term electric load of hybrid type |
| KR102272573B1 (en) * | 2019-11-28 | 2021-07-05 | 한국전자기술연구원 | Method for nonintrusive load monitoring of energy usage data |
| CN114221334A (en) * | 2021-12-13 | 2022-03-22 | 国网江苏省电力有限公司 | Rapid state estimation method based on graph neural network |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09215192A (en) * | 1996-02-08 | 1997-08-15 | Fuji Electric Co Ltd | Method for predicting daily load curve |
| JP2005157685A (en) * | 2003-11-25 | 2005-06-16 | Toshiba Corp | Energy demand forecasting system |
| KR101025788B1 (en) * | 2010-09-29 | 2011-04-04 | 한국전력공사 | Apparatus and method for estimating power consumption using estimation accuracy feedback |
-
2011
- 2011-10-24 KR KR1020110108985A patent/KR101865924B1/en active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09215192A (en) * | 1996-02-08 | 1997-08-15 | Fuji Electric Co Ltd | Method for predicting daily load curve |
| JP2005157685A (en) * | 2003-11-25 | 2005-06-16 | Toshiba Corp | Energy demand forecasting system |
| KR101025788B1 (en) * | 2010-09-29 | 2011-04-04 | 한국전력공사 | Apparatus and method for estimating power consumption using estimation accuracy feedback |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20130044765A (en) | 2013-05-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6079215B2 (en) | Power demand forecasting device, program | |
| Cancelo et al. | Forecasting the electricity load from one day to one week ahead for the Spanish system operator | |
| Paraschiv et al. | A spot-forward model for electricity prices with regime shifts | |
| KR101865924B1 (en) | Appratus and method for estimation of weekly power load to improve processing time using neural network and revision factor | |
| US20070244604A1 (en) | Energy and cost savings calculation system | |
| WO2013102932A2 (en) | System and method facilitating forecasting, optimization and visualization of energy data for an industry | |
| Kiviluoma et al. | Impact of wind power on the unit commitment, operating reserves, and market design | |
| US7403928B2 (en) | Identify data sources for neural network | |
| JP2016181060A (en) | Electric power demand prediction system | |
| JP2013099141A (en) | Power supply/demand regulating device and power management system | |
| JP2011114944A (en) | Power demand estimation device, and program of the same | |
| JP2014220971A (en) | Power demand prediction device, power demand prediction method, and power demand prediction program | |
| JP2017034797A (en) | Baseline load estimation device and baseline load estimation program | |
| JP2017050919A (en) | Demand power prediction device, demand power prediction method and computer program | |
| JP3966236B2 (en) | Power generation facility operation planning method and power generation facility operation planning system | |
| KR101662809B1 (en) | Apparatus and method for forecasting electrical load in railway station | |
| JP2017011780A (en) | Power generation amount prediction control device, power generation amount prediction method and power generation amount prediction program | |
| KR20210026447A (en) | Apparatus and method for Deep neural network based power demand prediction | |
| KR20160044640A (en) | A Prediction System of Hourly Power Demand by Use for the City Energy Management | |
| JP4261471B2 (en) | Distribution system load assumption method and apparatus | |
| Matos et al. | Operating reserve adequacy evaluation using uncertainties of wind power forecast | |
| CN112465266A (en) | Bus load prediction accuracy analysis method and device and computer equipment | |
| JP6103323B1 (en) | Electricity price information prediction system | |
| JP7075772B2 (en) | Power demand forecaster, power demand forecasting method and power demand forecasting program | |
| Chen et al. | Neural network based very short term load prediction |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right |