KR101941003B1 - 전력 수요 예측 방법 및 그 시스템 - Google Patents

전력 수요 예측 방법 및 그 시스템 Download PDF

Info

Publication number
KR101941003B1
KR101941003B1 KR1020170136151A KR20170136151A KR101941003B1 KR 101941003 B1 KR101941003 B1 KR 101941003B1 KR 1020170136151 A KR1020170136151 A KR 1020170136151A KR 20170136151 A KR20170136151 A KR 20170136151A KR 101941003 B1 KR101941003 B1 KR 101941003B1
Authority
KR
South Korea
Prior art keywords
power
information
lower layer
data
upper layer
Prior art date
Application number
KR1020170136151A
Other languages
English (en)
Inventor
황의석
윤승욱
박강구
Original Assignee
광주과학기술원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 광주과학기술원 filed Critical 광주과학기술원
Priority to KR1020170136151A priority Critical patent/KR101941003B1/ko
Application granted granted Critical
Publication of KR101941003B1 publication Critical patent/KR101941003B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • 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
    • 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
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/08—Payment architectures
    • G06Q20/14—Payment architectures specially adapted for billing systems

Abstract

전력 수요 예측 시스템이 개시된다. 본 발명의 일 실시 예에 따른 전력 수요 예측 시스템은 상위 계층 전력 데이터를 획득하고 이를 가상의 하위 계층 전력 신호로 분해하는 전력 정보 분해부, 전력 소비에 영향을 줄 수 있는 외부 데이터를 수집하는 외부 데이터 수집부 및 분해된 가상의 하위 계층 전력 신호와 외부 데이터를 고려하여 상위 계층 전력 예측 정보를 생성하는 전력 정보 예측부를 포함한다.

Description

전력 수요 예측 방법 및 그 시스템{Power demand predicting method and power demand predicting system}
본 발명은 전력 수요 예측 방법에 관한 것이다. 구체적으로, 가상의 하위 계층 전력 정보를 예측하고 이를 종합하여 상위 계층 전력 정보를 예측하는 방법에 관한 것이다.
화석 에너지 자원의 고갈에 따라 최근 전 세계적으로 에너지 최적화 및 에너지 절감에 대한 연구가 활발히 진행되고 있다. 대형 건물의 경우 날씨 예측 정보와 건물 내 온도 변화, 그리고 건물의 구조 등을 종합적으로 판단하여 공조 장치를 동작 시킴으로써 건물 내 사용자의 만족도를 유지하는 동시에 공조 에너지 비용을 절감하는 에너지 관리 기법이 활발히 연구 중이다. 특히 최근에는 지난 에너지 사용량을 기반으로 미래 에너지 사용량을 예측하고 이를 에너지 관리에 반영함으로써 에너지 비용 절감을 추구하는 기법이 새로이 연구되고 있다. 이러한 예측 기반 에너지 관리 기법은 예측 정확도에 성능이 크게 좌우되므로, 보다 정확한 에너지 사용량 예측 기법이 필요하다.
본 발명은 다양한 패턴의 전력 신호들을 포함하는 상위계층 전력 신호의 수요예측 방법 및 시스템을 제안하는 것을 그 목적으로 한다.
본 발명의 일 실시 예에 따른 전력 수요 예측 시스템은 상위 계층 전력 데이터를 획득하고 이를 가상의 하위 계층 전력 신호로 분해하는 전력 정보 분해부, 전력 소비에 영향을 줄 수 있는 외부 데이터를 수집하는 외부 데이터 수집부 및 분해된 가상의 하위 계층 전력 신호와 외부 데이터를 고려하여 상위 계층 전력 예측 정보를 생성하는 전력 정보 예측부를 포함한다.
본 발명의 일 실시 예에 따른 수요예측 시스템은 다양한 패턴의 신호들로 이루어져 분석 및 예측이 어려운 상위계층 신호의 수요예측이 가능할 수 있다.
도 1은 본 발명의 일 실시 예에 따른 전력 수요 예측 시스템의 블록도이다.
도 2는 상위 계층 전력 정보와 하위 계층 전력 정보를 설명하기 위한 개념도이다.
도 3은 주거용 건물(residential)과 비주거용 건물(non-residential)간의 전력신호의 일별 프로파일을 나타낸다.
도 4는 주거용 건물과 비주거용 건물간 계절/요일별 전력 소비 경향을 기반으로 한 계수를 나타낸다.
도 5는 본 발명의 일 실시 예에 따른 전력 수요 예측 방법을 나타내는 흐름도이다.
도 6은 기존의 알고리즘 대비 본 발명의 일 실시 예에 따른 알고리즘의 개선된 성능을 보여주는 표이다.
이하에서는 도면을 참조하여 본 발명의 구체적인 실시예를 상세하게 설명한다. 그러나 본 발명의 사상은 이하의 실시예에 제한되지 아니하며, 본 발명의 사상을 이해하는 당업자는 동일한 사상의 범위 내에 포함되는 다른 실시예를 구성요소의 부가, 변경, 삭제, 및 추가 등에 의해서 용이하게 제안할 수 있을 것이나, 이 또한 본 발명 사상의 범위 내에 포함된다고 할 것이다.
첨부 도면은 발명의 사상을 이해하기 쉽게 표현하기 위하여 전체적인 구조를 설명함에 있어서는 미소한 부분은 구체적으로 표현하지 않을 수도 있고, 미소한 부분을 설명함에 있어서는 전체적인 구조는 구체적으로 반영되지 않을 수도 있다. 또한, 설치 위치 등 구체적인 부분이 다르더라도 그 작용이 동일한 경우에는 동일한 명칭을 부여함으로써, 이해의 편의를 높일 수 있도록 한다. 또한, 동일한 구성이 복수 개가 있을 때에는 어느 하나의 구성에 대해서만 설명하고 다른 구성에 대해서는 동일한 설명이 적용되는 것으로 하고 그 설명을 생략한다.
도 1은 본 발명의 일 실시 예에 따른 전력 수요 예측 시스템의 블록도이다.
도 1에 도시된 바와 같이, 본 발명의 일 실시 예에 따른 전력 수요 예측 시스템(100)은 전력 정보 분해부(110), 외부 데이터 수집부(120) 및 전력 정보 예측부(130)을 포함할 수 있다.
전력 정보 분해부(110)는 상위 계층 전력 정보를 획득하고 이를 가상의 하위 전력 신호로 분해한다. 여기에서 상위 계층 전력 정보와 하위 계층 전력 정보를 설명하기 위해 도 2를 참고한다.
도 2는 상위 계층 전력 정보와 하위 계층 전력 정보를 설명하기 위한 개념도이다.
도 2에 도시된 바와 같이, 상위 계층 전력 정보는 하위 계층 전력 정보를 종합한 것을 의미한다. 하위 계층 전력 정보는 여기에서는 건물 마다 예측되는 가상의 전력 정보를 의미한다. 다시 말해서 하나의 하위 계층 전력 정보는 각각 하나의 건물에 대하여 예측되는 가상의 전력 정보를 의미한다.
더하여 도 2에 도시된 분류는 건물의 특성을 기반으로 각각의 건물을 분류한 것을 의미한다. 예를 들어 분류 1은 주거용 건물들을 모아 분류한 것일 수 있으며, 분류 2는 상업용 건물들을 모아 분류한 것일 수 있다.
다시 말해서, 본 발명에서 설명하는 하위 계층 전력 정보란 실측 정보가 아니며, 모든 건물들에 대한 전력 정보가 종합되는 상위 계층 전력 정보로부터 예측되는 각 건물마다의 가상의 전력 정보를 의미하는 것이다.
여기에서, 전력 정보 분해부(110)는 전력정보 특성분석부(111), 계수 설정부(112) 및 전력신호분해부(113)을 포함할 수 있다.
전력정보 특성분석부(111)는 획득한 상위 계층 전력 정보로부터 건물 특성을 판단하여 각 건물의 유형을 분류한다. 일 실시 예에서 전력정보 특성분석부(111)는 상위 계측 전력 정보에 포함된 각 건물들의 특성을 판단하고, 그에 따라 각 건물들의 유형을 분류할 수 있다.
구체적인 건물특성 판단 및 건물분류 방법을 이하 도 3을 통해 설명한다.
도 3은 주거용 건물과 비주거용 건물간의 전력신호의 일별 프로파일을 나타낸다.
도 3에 도시된 바와 같이, 비주거용 건물(CA, CB)과 주거용 건물(FA, DA)는 각각 서로 비슷한 특성을 보인다. 구체적으로, 비주거용 건물의 경우 낮 시간에 피크부하가 관측된다. 이는 비주거용 건물의 경우 주간에 영업을 위해 사용되는 경우가 대부분으로 낮 시간에 피크부하가 관측되는 것이 당연하다.
반대로 주거용 건물의 경우 늦은 오후나 저녁 시간에 피크부하가 관측된다. 주거용 건물의 경우 비주거용 건물과는 반대로 사람들이 사용하는 주 시간대가 퇴근후 취침전이므로 늦은 오후나 저녁 시간에 피크부하가 관측되는 특성을 보인다.
따라서, 이러한 피크부하의 시간대로부터 각 건물마다의 특성을 판단할 수 있는 것이다.
계수 설정부(112)는 특정 변수에 따라 소비 경향을 고려하여 전력 소비예측을 위한 계수를 설정한다. 이를 도 4를 통해 구체적으로 설명한다.
도 4는 주거용 건물과 비주거용 건물간 계절별 전력 소비 경향을 나타낸다.
도 4는 1시간 간격으로 주거용 건물과 비주거용 건물의 계절별 전력 소비 경향에 따른 계수들을 워크데이(W)와 논워크데이(N)으로 나누어 나타내는데, 도 4에 도시된 바와 같이, 계절별로 뚜렷한 전력 데이터의 계수들이 구분됨을 알 수 있다.
따라서, 이러한 경향을 고려하여 계절 별로 전력 소비 예측을 위한 계수를 설정할 수 있으며, 이러한 계수를 결정하는 방법은 획득한 데이터의 특성에 따라 달라질 수 있다. 본 발명에서 제시한 일 실시 예에서의 전력데이터는 시계열 데이터의 특성을 갖기 때문에, 도 4에서처럼 계절별로 계수를 설정할 수 있다. 이와 마찬가지로 요일별로 전력 소비의 경향이 다를 수 있는바 요일별로 계수를 설정할 수도 있다.
전력 신호 분해부(113)는 특성 분석을 통해 건물 유형을 분류한 결과 및 시간대별 전력 소비 경향에 따른 계수를 적용하여 전력 신호를 분해한다. 전력 신호는 각 건물 또는 건물 유형별로 분해될 수 있으며, 여기에서 분해되는 전력 신호가 가상 하위 전력 신호가 된다.
전력 신호의 분해는 아래 수학식과 같이 수행될 수 있다.
Figure 112017103421373-pat00001
여기에서 y[n]은 최초 획득하는 상위 계측 전력 정보이다. 그리고 anr 및 ar은 계수 설정부(112)에서 설정된 계수이다. ynr와 yr은 각각 비주거용 건물의 하위 계층 전력 신호와 주거용 건물의 하위 계층 전력 신호를 나타낸다.
다시 도 1로 돌아간다.
외부 데이터 수집부(120)는 전력 정보 예측을 위한 외부 데이터를 수집한다. 여기에서 수집되는 정보는 예를 들어 온도, 습도, 풍량 또는 각 건물에 재실하는 인원의 수일 수 있다. 여기에 더하여 전력 정보 예측에 이용될 수 있는 다양한 변수들이 포함될 수 있다.
온도는 전력 수요 예측에 직접적으로 이용될 수 있는 변수이다. 예를 들어 온도가 높은 경우 냉방기의 사용이 증가하므로 전력 수요가 당연히 높아질 것으로 예측 가능하다. 또한, 온도가 낮은 경우에도 전기 스토브 등의 사용이 증가하여 전력 수요가 당연히 높아질 것으로 예측 가능하다.
습도 또한 전력 수요 예측에 직접적으로 이용될 수 있다. 예를 들어 습도가 높은 경우 제습기 또는 에어컨의 사용이 증가하므로 이에 따라 전력 수요가 증가할 것으로 예측 가능하다. 그러나 반대로, 습도가 높은 경우 가정에서 세탁기의 사용이 감소할 수 있는바 이 경우에는 전력 수요가 감소할 것으로 예측 가능하다. 따라서, 습도의 경우 온도보다는 전력 수요에 덜 직접적인 영향을 줄 것으로 예측 가능하며 데이터베이스에 기초하여 습도에 따른 적절한 전력 수요 예측을 수행하는 것이 바람직하다.
건물의 인원 수 역시 전력 수요 예측에 직접적으로 이용될 수 있다. 당연하게도 건물에 재실 인원이 많으면 전력 수요가 증가할 것이라고 예측 가능하다. 반대의 경우 당연하게도 재실 인원이 없어 전력 수요가 적을 것이라고 예측 가능하다.
외부 데이터 수집부(120)는 수집한 데이터를 전력 정보 예측부(130)에 전달한다. 여기에서 외부 데이터 수집부는(120)는 각종 센서를 포함하는 장치일 수 있으며, 각종 센서로부터 데이터를 수집하여 데이터베이스와 하는 관리 서버일 수도 있다.
전력 정보 예측부(130)는 전력정보 분해부로부터 획득한 가상의 하위 계층 전력 정보와 외부 데이터를 종합하여 상위 계층 전력 예측 정보를 생성한다. 구체적으로 각 건물이나 건물 유형 별로 분류된 가상의 하위 계층 전력 정보를 종합하면서, 전력 소비에 영향을 줄 수 있는 외부 데이터를 함께 고려하여 상위 계층 전력 예측 정보를 생성한다.
여기에서 전력 정보 예측부(130)는 ANN(artificial neural network), AR(autoregressive), ARIMA(autoregressive integrated moving average) 등을 포함하는 알려진 다양한 예측 알고리즘을 활용할 수 있다.
도 5는 본 발명의 일 실시 예에 따른 전력 수요 예측 방법을 나타내는 흐름도이다.
상위 계층 전력 데이터 및 하위 계층 전력 데이터를 수집한다(S101). 전력 수요 예측 시스템은 상위 계층 전력 데이터 및 하위 계층 전력 데이터를 수집하는데, 여기에서 하위 계층 전력 데이터란 상술한 바와 같이, 각 건물이나 건물 유형별 전력 데이터이며 상위 계층 전력 데이터는 하위 계층 전력 데이터를 종합한 데이터이다. 전력 수요 예측 시스템은 일반적으로 상위 계층 전력 데이터의 형태로 전력 데이터를 수집한다. 더불어, 하위 계층의 전력을 측정하지 않아도 주거용, 상업용, 오피스용 등에 대한 외부 전력 프로파일 데이터를 수집하고 대상 환경의 건물 규모나 건물 유형의 분포 정보 등을 활용해 상위 계층 전력 데이터에서 전력 신호 분해를 계수 정보들을 추출할 수 있다. 이 경우, 하위 계층 전력 데이터를 수집하지 않아도 되므로, 전력 설비 비용의 절감 효과를 볼 수 있다.
전력 수요 예측 시스템은 획득한 전력 데이터에서 특성 분석을 기반으로 하여 건물 유형을 분류한다(S103). 일 실시 예에서 전력 수요 예측 시스템은 피크부하 발생 시기를 이용하여 건물 특성을 판단할 수 있다. 또한, 여기에서 분류되는 건물은 주거용과 비주거용일 수 있다.
전력 수요 예측 시스템은 전력 소비 경향에 따른 계수를 설정한다(S105). 일 실시 예에서 전력 수요 예측 시스템은 시간대별 요인을 고려하여 계수를 설정할 수 있으며, 시간대별 요인은 예를 들어 계절 또는 요일이 될 수 있다.
전력 수요 예측 시스템은 건물 분류 결과 및 설정된 계수를 고려하여 상위 계층 전력 데이터를 가상의 하위 전력 신호로 분해한다(S107). 가상의 하위 전력 신호는 각 건물 또는 건물 유형별 전력 예측 정보일 수 있다.
전력 수요 예측 시스템은 분해된 가상의 하위 전력 신호별 예측 모델을 생성한다. 여기에서 예측 모델은 알려진 예측 모델이 사용될 수 있다. 예를 들어 예측 모델은 ANN, AR, ARIMA일 수 있다.
또한 전력 수요 예측 시스템은 예측 모델을 생성함에 있어 외부 데이터를 고려하여 생성할 수 있다. 여기에서 외부 데이터란 예를 들어 온도, 습도, 풍량 또는 재실 인원수가 될 수 있다.
전력 수요 예측 시스템은 생성된 예측 모델에 따라 상위 계층 전력 데이터를 예측한다(S111). 구체적으로 전력 수요 예측 시스템은 생성된 예측 모델에 따라 상위 계층 전력 예측 정보를 생성한다. 여기에서 생성된 상위 계층 전력 예측 정보는 앞으로의 전력 생산 계획에 이용될 수 있다.
도 6은 기존의 알고리즘 대비 본 발명의 일 실시 예에 따른 알고리즘의 개선된 성능을 보여주는 표이다.
(a)와 (c)가 기존의 알고리즘이며, (b)와 (d)가 본 발명에서 제안하는 알고리즘에 따른 예측 성능이다. 도 6에 도시된 바와 같이, 기존의 알고리즘에 대비하여 본 발명에서 제안하는 알고리즘에 따른 예측이 더 적은 에러율을 보이는 것을 확인할 수 있다.
전술한 본 발명은, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있으며, 또한 캐리어 웨이브(예를 들어, 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다.
따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다.

Claims (12)

  1. 상위 계층 전력 데이터를 획득하고 이를 가상의 하위 계층 전력 정보로 분해하는 전력 정보 분해부;
    전력 소비에 영향을 줄 수 있는 외부 데이터를 수집하는 외부 데이터 수집부; 및
    분해된 가상의 하위 계층 전력 정보와 외부 데이터를 고려하여 상위 계층 전력 예측 정보를 생성하는 전력 정보 예측부를 포함하고,
    상기 전력 정보 분해부는 상기 상위 계층 전력 데이터에 포함되는 하위 계층 전력 정보마다의 특성을 판단하고 이를 분류하는 전력정보 특성분석부, 각 하위 계층 별 전력 소비 경향에 따른 계수를 설정하는 계수 설정부 및 상기 전력정보 특성 분석부 및 상기 계수 설정부의 수행 결과에 기초하여 가상의 하위 계층 전력 정보를 생성하는 전력 신호 분해부를 포함하고,
    상기 전력 신호 분해부는
    y[n]=ynr[n]+yn[n]=anr[n]y[n]+ar[n]y[n]=anr[n]y[n]+(1-anr[n])y[n] 연산을 통해 상기 가상의 하위 계측 전력 정보를 생성하며,
    y[n]은 최초 획득한 상위 계층 전력 데이터이고, anr 과 ar 각각은 상기 계수 설정부에서 설정된 계수이고, ynr 과 yn 각각은 가상의 하위 계측 전력 신호인
    전력 수요 예측 시스템.
  2. 삭제
  3. 제 1 항에 있어서,
    상기 하위 계층 전력 정보는 건물 유형별 하위계층 데이터로 분류되는
    전력 수요 예측 시스템.
  4. 제 1 항에 있어서,
    상기 계수 설정부는 시간대별 전력 소비 경향에 기초하여 계수를 설정하는
    전력 수요 예측 시스템.
  5. 제 1 항에 있어서,
    상기 외부 데이터는 온도, 습도, 풍량 또는 각 건물별 재실 인원수 중 적어도 어느 하나인
    전력 수요 예측 시스템.
  6. 제 1 항에 있어서,
    전력 정보 예측부는 ANN(artificial neural network), AR(autoregressive) 또는 ARIMA(autoregressive integrated moving average) 중 적어도 어느 한 모델에 따라 상위 계층 전력 예측 정보를 생성하는
    전력 수요 예측 시스템.
  7. 외부 데이터 수집부가 전력 소비에 영향을 줄 수 있는 외부 데이터를 수집하는 단계;
    전력 정보 분해부가 하위 계층 전력 정보가 종합된 상위 계층 전력 데이터를 획득하고, 이를 가상의 하위 전력 정보로 분해하는 단계; 및
    전력 정보 예측부가 분해된 가상의 하위 전력 정보와 상기 외부 데이터를 고려하여 상위 계층 전력 예측 정보를 생성하는 단계를 포함하고,
    상기 상위 계층 전력 데이터를 가상의 하위 전력 정보로 분해하는 단계는
    상기 상위 계층 전력 데이터에 포함되는 하위 계층 전력 정보마다의 특성을 판단하고 이를 분류하는 단계, 각 하위 계층 별 전력 소비 경향에 따른 계수를 설정하는 단계 및 하위 계층 전력 데이터 분류 결과 및 설정 계수에 기초하여 가상의 하위 계층 전력 정보를 생성하는 단계를 포함하고,
    상기 가상의 하위 계층 전력 정보를 생성하는 단계는
    y[n]=ynr[n]+yn[n]=anr[n]y[n]+ar[n]y[n]=anr[n]y[n]+(1-anr[n])y[n] 연산을 통해 상기 가상의 하위 계측 전력 정보를 생성하는 단계를 포함하고,
    y[n]은 최초 획득한 상위 계층 전력 데이터이고, anr 과 ar 각각은 계수 설정부에서 설정된 계수이고, ynr 과 yn 각각은 가상의 하위 계측 전력 신호인
    전력 수요 예측 방법.
  8. 삭제
  9. 제 7 항에 있어서,
    상기 하위 계층 전력 정보는 건물 유형별 하위계층 데이터로 분류되는
    전력 수요 예측 방법.
  10. 제 7 항에 있어서,
    전력 소비 경향에 영향에 따른 계수를 설정하는 단계는 시간대별 전력 소비 경향에 기초하여 계수를 설정하는 단계를 포함하는
    전력 수요 예측 방법.
  11. 제 7 항에 있어서,
    상기 외부 데이터는 온도, 습도, 풍량 또는 각 건물별 재실 인원수 중 적어도 어느 하나인
    전력 수요 예측 방법.
  12. 제 7 항에 있어서,
    상기 상위 계층 전력 예측 정보를 생성하는 단계는
    ANN(artificial neural network), AR(autoregressive) 또는 ARIMA(autoregressive integrated moving average) 중 적어도 어느 한 모델에 따라 상위 계층 전력 예측 정보를 생성하는 단계를 포함하는
    전력 수요 예측 방법.
KR1020170136151A 2017-10-19 2017-10-19 전력 수요 예측 방법 및 그 시스템 KR101941003B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170136151A KR101941003B1 (ko) 2017-10-19 2017-10-19 전력 수요 예측 방법 및 그 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170136151A KR101941003B1 (ko) 2017-10-19 2017-10-19 전력 수요 예측 방법 및 그 시스템

Publications (1)

Publication Number Publication Date
KR101941003B1 true KR101941003B1 (ko) 2019-04-12

Family

ID=66167617

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170136151A KR101941003B1 (ko) 2017-10-19 2017-10-19 전력 수요 예측 방법 및 그 시스템

Country Status (1)

Country Link
KR (1) KR101941003B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023018226A1 (ko) * 2021-08-10 2023-02-16 주식회사 플럭시티 예측 전력 피크 가이드라인을 이용한 전력 관리 장치 및 방법
KR20230024206A (ko) * 2021-08-10 2023-02-20 주식회사 플럭시티 예측 전력 피크 가이드라인을 이용한 전력 관리 장치 및 방법

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160007126A (ko) * 2014-07-11 2016-01-20 주식회사 인코어드 테크놀로지스 소비 특성에 따른 전력 소비량 예측 방법 및 장치
KR20160037583A (ko) * 2014-09-29 2016-04-06 한국전력공사 전력 수요 예측 장치 및 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160007126A (ko) * 2014-07-11 2016-01-20 주식회사 인코어드 테크놀로지스 소비 특성에 따른 전력 소비량 예측 방법 및 장치
KR20160037583A (ko) * 2014-09-29 2016-04-06 한국전력공사 전력 수요 예측 장치 및 방법

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023018226A1 (ko) * 2021-08-10 2023-02-16 주식회사 플럭시티 예측 전력 피크 가이드라인을 이용한 전력 관리 장치 및 방법
KR20230024206A (ko) * 2021-08-10 2023-02-20 주식회사 플럭시티 예측 전력 피크 가이드라인을 이용한 전력 관리 장치 및 방법
KR102545304B1 (ko) 2021-08-10 2023-06-21 주식회사 플럭시티 예측 전력 피크 가이드라인을 이용한 전력 관리 장치 및 방법

Similar Documents

Publication Publication Date Title
Wang et al. Linking energy-cyber-physical systems with occupancy prediction and interpretation through WiFi probe-based ensemble classification
Xu et al. Probabilistic load forecasting for buildings considering weather forecasting uncertainty and uncertain peak load
Sial et al. Detecting anomalous energy consumption using contextual analysis of smart meter data
KR102358798B1 (ko) 에너지 수요 예측 방법 및 그 시스템
CN109508835B (zh) 一种融合环境反馈的智慧电网短期电力负荷预测方法
Lei et al. A dynamic anomaly detection method of building energy consumption based on data mining technology
KR102499240B1 (ko) 전력 수요 예측 방법 및 그 시스템
WO2020098728A1 (zh) 集群负荷预测方法、装置及存储介质
EP1851571A2 (en) System and method for enhanced measure-correlate-predict for a wind farm location
KR20140043184A (ko) 에너지 소비량 예측 장치 및 방법
JPWO2014185149A1 (ja) 需要家電力制御システム及び需要家電力制御方法
de Wilde et al. Towards probabilistic performance metrics for climate change impact studies
Verma et al. A data-driven approach to identify households with plug-in electrical vehicles (PEVs)
CA3066206A1 (en) Methods and systems for hvac inefficiency prediction
KR101941003B1 (ko) 전력 수요 예측 방법 및 그 시스템
KR102202643B1 (ko) 에너지 사용량 예측 방법
CN111080039A (zh) 一种风机集群故障预测方法及系统
KR102447048B1 (ko) 에너지 시뮬레이션 모델 생성 장치 및 방법
KR20170106686A (ko) 가정의 에너지 사용량 예측 방법 및 장치
Stricker et al. Analysing and improving robustness of predictive energy harvesting systems
Patsakos et al. A survey on deep learning for building load forecasting
Das et al. A study on the application of artificial intelligence techniques for predicting the heating and cooling loads of buildings
Chitu et al. Assessment of occupancy estimators for smart buildings
WO2022162798A1 (ja) 電力需要予測装置、電力需要予測方法およびプログラム
KR102635460B1 (ko) 태양광 원격 모니터링 기반 발전량 이상 증상 분석 방법과 장치