KR101963558B1 - 어텐션 매트릭스를 이용한 전기차 전력 수요 예측 장치 - Google Patents

어텐션 매트릭스를 이용한 전기차 전력 수요 예측 장치 Download PDF

Info

Publication number
KR101963558B1
KR101963558B1 KR1020170111404A KR20170111404A KR101963558B1 KR 101963558 B1 KR101963558 B1 KR 101963558B1 KR 1020170111404 A KR1020170111404 A KR 1020170111404A KR 20170111404 A KR20170111404 A KR 20170111404A KR 101963558 B1 KR101963558 B1 KR 101963558B1
Authority
KR
South Korea
Prior art keywords
data
power consumption
weight
embedded
consumption data
Prior art date
Application number
KR1020170111404A
Other languages
English (en)
Other versions
KR20190024422A (ko
Inventor
차길환
Original Assignee
주식회사 알고리고
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 주식회사 알고리고 filed Critical 주식회사 알고리고
Priority to KR1020170111404A priority Critical patent/KR101963558B1/ko
Publication of KR20190024422A publication Critical patent/KR20190024422A/ko
Application granted granted Critical
Publication of KR101963558B1 publication Critical patent/KR101963558B1/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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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

본 발명은 어텐션 매트릭스를 이용한 전기차 전력 수요 예측 방법 및 장치에 관한 것이다. 이를 위하여 인코더가 상기 소비전력 데이터와 상기 보조 데이터를 기초로 기학습된 임베디드 층과 어텐션 층을 이용하여 상기 보조 데이터를 상기 임베디드 소비전력 데이터에 적용하고, 상기 보조 데이터와 소비전력에 대한 인코딩 데이터를 생성하는 인코딩 단계와 이와 비슷한 방법으로 상기 인코딩된 보조 데이터와 과거의 예측 데이터를 임베딩 층에 입력하여 임베디드된 디코더의 입력 보조 데이터와 상기 인코딩된 소비전력 데이터에 디코더의 어텐션 가중치를 적용하는 디코더 단계;가 제공될 수 있다. 이에 따르면 전기차 충전 수요 예측, 전기차 전력 수요 예측이 시계열적인 측면뿐만 아니라, 지역적인 측면까지도 정밀하게 가능해지는 효과가 발생된다.

Description

어텐션 매트릭스를 이용한 전기차 전력 수요 예측 장치{Apparatus for estimating power demand using attention matrix}
본 발명은 어텐션 매트릭스를 이용한 전기차 전력 수요 예측 방법 및 장치에 관한 것이다.
최근 Tesla, Inc.를 주축으로 세계 자동차 시장의 패러다임이 내연기관 자동차에서 전기자동차로 이동되고 있다. 이는 자동차 배출가스에 대한 국제적인 환경 규제 강화, 석유 자원의 고갈 가능성 증대, 고유가의 지속 등이 원인이 되고 있다. 소비자들은 유가 상승에 대한 부담으로 고효율 자동차에 대한 선호를 증대하고 있다. 최근 우리나라에서 연비가 높은 경차와 하이브리드 자동차(HEV), 수입 경유(클린디젤) 자동차의 판매가 두드러지게 증가하고 있다. 전 세계적으로도 하이브리드 승용차 시장은 급격한 성장세를 나타내고 있다. 선진국들은 순수 전기자동차(EV) 및 플러그인 하이브리드 자동차(PHEV)의 보급을 강력히 추진하고 있다.
전기자동차는 효과적인 글로벌 온실가스 감축 수단이자, 지속가능한 환경을 위한 필수적인 대안으로 부상되고 있다. 미국, EU, 일본, 중국 등은 전기자동차를 선택의 문제가 아니라 국제 경제 환경과 자동차 산업의 판도를 뒤흔들 수 있는 핵심 기술로 인식하고 있다. 주요 국가들은 전기자동차 구매보조금을 지원해주고, 세제 혜택을 주는 등의 인센티브뿐만 아니라 주차, 충전 편의성 부여, 차량 운행 관련 혜택 등 각종 지원책을 시행하고 있다.
대한민국 등록특허 10-1570302, 전력 계통 관리를 위한 전기차 충전 수요 예측 방법 및 시스템, 성균관대학교산학협력단
전기차가 빠르게 확산되기 위해서는 전력 계통의 관리가 필요하고, 이를 위해서는 충전 수요의 예측이 필요한 실정이다. 하지만, 기존의 선행문헌들은 이를 단순히 통계적으로 접근하여 해결하고 있는 실정이었고, 시계열적인 측면과 위치적인 측면(지역적인 측면)을 모두 고려하지 않아 전기차 충전 수요 예측이 정확하지 않은 문제가 있었다.
따라서 본 발명은 상기 제시된 문제점을 개선하기 위하여 창안되었다.
본 발명의 목적은, 3차원 매트릭스로 구성한 현재의 소비 전력 데이터와 날씨 데이터, 교통 데이터 등의 보조 데이터를 임베딩하고, 시계열적으로 공유되는 어텐션 모듈과 Self consistent 모듈을 통해 인코딩한 뒤, 시계열적으로 발생되는 인코딩 데이터를 시계열적으로 공유되는 어텐션 모듈과 Self consistent 모듈을 통해 디코딩하여 가까운 미래의 전기차 전력 수요 예측을 하는, 어텐션 매트릭스(attention matrix)를 이용한 전기차 전력 수요 예측 방법 및 장치를 제공하는데에 있다.
이하 본 발명의 목적을 달성하기 위한 구체적 수단에 대하여 설명한다.
본 발명의 목적은, 임베딩 모듈이 위치 차원을 포함한 매트릭스 형태의 소비전력 데이터 및 상기 소비전력 데이터와 종류가 다른 적어도 하나 이상의 보조 데이터를 임베딩하여 상기 소비전력 데이터 및 상기 보조 데이터에서 특징을 추출하고 스케일을 표준화하여 임베디드 소비전력 데이터와 임베디드 보조 데이터를 생성하는 이종 데이터 임베딩 단계; 인코더가 상기 임베디드 소비전력 데이터와 상기 임베디드 보조 데이터를 통해 상기 소비전력 데이터로부터 집중해야 할 데이터의 반영 정도를 계산하기 위한 가중치인 어텐션 가중치를 학습하고, 상기 임베디드 보조 데이터 및 상기 임베디드 소비전력 데이터를 기초로 기학습된 상기 임베디드 소비전력 데이터에 대한 어텐션 가중치인 소비전력 데이터 인코딩 어텐션 가중치를 상기 임베디드 소비전력 데이터에 적용하여 인코딩 데이터를 생성하는 인코딩 단계; 디코더가 상기 인코딩 데이터 및 과거의 예측된 인코딩 데이터를 수신하고, 상기 인코딩 데이터의 가중치와 상기 과거의 예측된 인코딩 데이터를 기초로 다시 입력받은 뒤, 상기 과거 데이터 디코딩 어텐션 가중치 및 상기 과거의 인코딩 데이터의 가중치를 기초로 기학습된 상기 인코딩 데이터에 대한 어텐션 가중치인 현재 데이터 디코딩 어텐션 가중치를 상기 인코딩 데이터에 적용하여 디코딩 데이터를 생성하는 디코딩 단계; 및 소비전력 예측 모듈이 상기 디코딩 데이터를 수신하고, 상기 디코딩 데이터를 통해 t+1의 소비전력 데이터를 예측하는 소비전력 예측 단계;를 포함하고, 각각의 어텐션 가중치들은 시계열적으로 공유되는 것을 특징으로 하는, 이종 데이터 임베딩을 이용한 전력 수요 예측 방법을 제공하여 달성될 수 있다.
또한, 본 발명의 다른 목적은, 위치 차원을 포함한 매트릭스 형태의 소비전력 데이터 및 상기 소비전력 데이터와 종류가 다른 적어도 하나 이상의 보조 데이터를 임베딩하여 상기 소비전력 데이터 및 상기 보조 데이터에서 특징을 추출하고 스케일을 표준화하여 임베디드 소비전력 데이터와 임베디드 보조 데이터를 생성하는 임베딩 모듈; 상기 임베디드 소비전력 데이터와 상기 임베디드 보조 데이터를 통해 상기 소비전력 데이터로부터 집중해야 할 데이터의 반영 정도를 계산하기 위한 가중치인 어텐션 가중치를 학습하고, 상기 임베디드 보조 데이터 및 상기 임베디드 소비전력 데이터를 기초로 기학습된 상기 임베디드 소비전력 데이터에 대한 어텐션 가중치인 소비전력 데이터 인코딩 어텐션 가중치를 상기 임베디드 소비전력 데이터에 적용하여 인코딩 데이터를 생성하는 인코더; 상기 인코딩 데이터 및 과거의 예측된 인코딩 데이터를 수신하고, 상기 인코딩 데이터의 가중치와 상기 과거의 예측된 인코딩 데이터를 기초로 다시 입력받은 뒤, 상기 과거 데이터 디코딩 어텐션 가중치 및 상기 과거의 인코딩 데이터의 가중치를 기초로 기학습된 상기 인코딩 데이터에 대한 어텐션 가중치인 현재 데이터 디코딩 어텐션 가중치를 상기 인코딩 데이터에 적용하여 디코딩 데이터를 생성하는 디코더; 및 상기 디코딩 데이터를 수신하고, 상기 디코딩 데이터를 통해 t+1의 소비전력 데이터를 예측하는 소비전력 예측 모듈;를 포함하고, 각각의 어텐션 가중치들은 시계열적으로 공유되는 것을 특징으로 하는, 이종 데이터 임베딩을 이용한 전력 수요 예측 장치를 제공하여 달성될 수 있다.
상기한 바와 같이, 본 발명에 의하면 이하와 같은 효과가 있다.
첫째, 본 발명의 일실시예에 따르면, 시계열적으로 데이터를 학습하면서도 어텐션 유닛에 의해 error vanishing 문제가 발생되지 않는 효과가 발생된다. RNN이나 LSTM과 같은 시계열적인 예측/분류 모델은 여러번의 Recurrent를 거치면서 error가 vanishing되어 제대로 된 예측/분류가 어려워지는 문제가 있었다.
둘째, 본 발명의 일실시예에 따르면, 기존의 VAE보다 sparse한 시계열 데이터를 예측하는데 좀 더 정확해지는 효과가 발생된다. variational AE의 경우, 전체 입력된 데이터 set의 평균과 분산을 통해 새로운 데이터를 generate하는데에 좀 더 초점이 맞추어져 있으므로, 특이한 데이터가 sparse하게 존재할 경우, 이에 대한 학습이 쉽지 않으며, 평균과 분산에 의해 저러한 feature들이 학습에 잘 반영이 되지 않는 측면이 존재하기 때문에 Sparse 한 시계열 데이터를 예측하는 것이 어려운 문제가 있었다.
셋째, 본 발명의 일실시예에 따르면, 전기차 충전 수요 예측, 전기차 전력 수요 예측이 시계열적인 측면뿐만 아니라, 지역적인 측면까지도 정밀하게 가능해지는 효과가 발생된다.
본 명세서에 첨부되는 다음의 도면들은 본 발명의 바람직한 실시예를 예시하는 것이며, 발명의 상세한 설명과 함께 본 발명의 기술사상을 더욱 이해시키는 역할을 하는 것이므로, 본 발명은 그러한 도면에 기재된 사항에만 한정되어 해석되어서는 아니 된다.
도 1은 본 발명의 일실시예에 따른 이종 데이터 임베딩을 이용한 전기차 전력 수요 예측 장치를 도시한 모식도,
도 2는 본 발명의 일실시예에 따른 임베딩 모듈을 도시한 모식도,
도 3은 본 발명의 일실시예에 따른 인코더의 구조를 도시한 모식도,
도 4는 본 발명의 일실시예에 따른 인코더의 시계열적인 형태를 도시한 것,
도 5는 본 발명의 일실시예에 따른 encoding layer(인코더, 11)의 시계열적 공유를 도시한 것,
도 6은 본 발명의 일실시예에 따른 디코더의 구조를 도시한 모식도,
도 7은 본 발명의 일실시예에 따른 디코더의 시계열적인 형태를 도시한 것,
도 8은 본 발명의 일실시예에 따른 디코더(20)의 시계열적 공유를 도시한 것,
도 9는 본 발명의 일실시예에 따른 이종 데이터 임베딩을 이용한 전기차 전력 수요 예측 방법을 도시한 것이다.
이하 첨부된 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 본 발명을 쉽게 실시할 수 있는 실시예를 상세히 설명한다. 다만, 본 발명의 바람직한 실시예에 대한 동작원리를 상세하게 설명함에 있어서 관련된 공지기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략한다.
또한, 도면 전체에 걸쳐 유사한 기능 및 작용을 하는 부분에 대해서는 동일한 도면 부호를 사용한다. 명세서 전체에서, 특정 부분이 다른 부분과 연결되어 있다고 할 때, 이는 직접적으로 연결되어 있는 경우뿐만 아니라, 그 중간에 다른 소자를 사이에 두고, 간접적으로 연결되어 있는 경우도 포함한다. 또한, 특정 구성요소를 포함한다는 것은 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라, 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
아래의 상세한 설명에서는 사용자의 클라이언트에서 신경망 모델에 입력값을 넣어 컴퓨팅을 수행하는 것을 전제로 기재되었다. 하지만, 본 발명의 범위는 이에 한정되지 않는다. 본 발명은 입력값의 생성 디바이스로부터 사용자의 클라이언트에서 입력값을 받고(예를 들면, 근거리 통신), 사용자 클라이언트에서 컴퓨팅 서버로 입력값을 송신하여 컴퓨팅 서버에서 입력값을 신경망 모델에 넣어 컴퓨팅하도록 구성될 수도 있다. 즉, 컴퓨팅의 주체는 사용자 클라이언트가 될 수도 있고, 컴퓨팅 서버가 될수도 있으므로, 이를 본 명에서에서는 컴퓨팅 장치로 통일한다.
이종 데이터 임베딩을 이용한 전기차 전력 수요 예측 장치
도 1은 본 발명의 일실시예에 따른 이종 데이터 임베딩을 이용한 전기차 전력 수요 예측 장치를 도시한 모식도이다. 도 1에 도시된 바와 같이, 본 발명의 일실시예에 따른 이종 데이터 임베딩을 이용한 전기차 전력 수요 예측 장치(1)는, 임베딩 모듈(10), 인코더(11), 디코더(20), 소비전력 예측 모듈(21)을 포함할 수 있다.
임베딩 모듈(10)은 위치 차원을 포함한 매트릭스 형태로 구성된 소비전력 데이터(100) 및 상기 소비전력 데이터와 종류가 다른 적어도 하나 이상의 보조 데이터(101, 위치 차원을 포함한 매트릭스 형태로 구성된 날씨 데이터, 교통 데이터 등을 의미할 수 있음)를 수신하여 상기 소비전력 데이터(100)와 보조 데이터(101)에서 특징을 추출하고 스케일을 표준화하여 임베디드 소비전력 데이터와 임베디드 보조 데이터를 생성하는 모듈이다.
도 2는 본 발명의 일실시예에 따른 임베딩 모듈을 도시한 모식도이다. 도 2에 도시된 바와 같이, 본 발명의 일실시예에 따른 임베딩 모듈(10)은 embedding layer를 포함할 수 있고, 인코더의 input layer와 연결될 수 있다. 임베딩 모듈(10)은 소비전력 데이터(100, charging data), 부가 데이터(101, traffic data, weather data 등)가 embedding layer에 입력되면 인공신경망을 통해 특징을 추출하고 스케일을 표준화하여 임베디드 소비전력 데이터(Extracted feature|charging data), 임베디드 보조 데이터(Extracted feature|traffic data and weather data)를 생성하여 인코더(11)의 input layer로 송신하게 된다.
인코더(11)는 상기 임베디드 소비전력 데이터와 상기 임베디드 보조 데이터를 수신하고, 각각에 특정 어텐션 가중치(attention weight)를 부여한 뒤, Self consistent를 적용하여 인코딩 데이터(200)를 생성하는 모듈이다. 이때, 인코더(11)의 어텐션 가중치는 시계열적으로 공유되는 것을 특징으로 한다.
도 3은 본 발명의 일실시예에 따른 인코더의 구조를 도시한 모식도이다. 도 3에 도시된 바와 같이, 본 발명의 일실시예에 따른 인코더(11)는 input layer와 encoding attention layer를 포함할 수 있다. input layer에서는 임베딩 모듈(10)에서 출력되는 임베디드 소비전력 데이터(Extracted feature|charging data), 임베디드 보조 데이터(Extracted feature|traffic data and weather data)를 입력받게 된다. Encoding attention layer에서는 어텐션 가중치 매트릭스(attention weight matrix)를 이용하여 어떤 데이터에 집중하여 인코딩하게 될 지를 결정하게 된다. 이때, 임베디드 소비전력 데이터에 적용되는 어텐션 가중치와 임베디드 보조 데이터에 적용되는 어텐션 가중치가 달리 적용되도록 설계될 수 있다.
본 발명의 일실시예에 따르면 임베디드 보조 데이터에 적용되는 어텐션 가중치인 보조 데이터 인코딩 어텐션 가중치는 임베디드 보조 데이터에 대한 가중치와 임베디드 소비전력 데이터에 대한 가중치를 이용하여 학습하게 된다. 예를 들어, 보조 데이터 인코딩 어텐션 가중치는 아래 수학식 1과 같이 계산되어 학습될 수 있다.
Figure 112017084834054-pat00001
위 수학식 1에서 wsub은 보조 데이터 인코딩 어텐션 가중치, a0는 상수, Q는 임베디드 보조 데이터에 대한 가중치, V는 임베디드 소비전력 데이터에 대한 가중치, T는 시간을 의미할 수 있다.
또한, 본 발명의 일실시예에 따르면 임베디드 소비전력 데이터에 적용되는 어텐션 가중치인 소비전력 데이터 인코딩 어텐션 가중치는 임베디드 소비전력 데이터에 대한 가중치를 이용하여 학습하게 된다. 예를 들어, 소비전력 데이터 인코딩 어텐션 가중치는 아래 수학식 2와 같이 계산되어 학습될 수 있다.
Figure 112017084834054-pat00002
위 수학식 2에서 wmain은 소비전력 데이터 인코딩 어텐션 가중치, a0QVT는 보조 데이터 인코딩 어텐션 가중치, V는 임베디드 소비전력 데이터에 대한 가중치, h는 hypothesis function을 의미할 수 있다.
인코더(11)는 도 3에 도시된 바와 같이, 위의 수학식에 따라 계산된 어텐션 가중치를 이용하여 임베디드 소비전력 데이터와 임베디드 보조 데이터를 add & normalization하는 방법으로 인코딩 데이터를 생성하도록 구성될 수 있다.
도 4는 본 발명의 일실시예에 따른 인코더의 시계열적인 형태를 도시한 것이다. 도 4에 도시된 바와 같이, 본 발명의 일실시예에 따른 인코더(11)는 encoding attention layer를 시계열적으로 공유하도록 구성될 수 있다. 이는 상기 소비전력 데이터 인코딩 어텐션 가중치와 보조 데이터 인코딩 어텐션 가중치를 시계열적으로 공유할 수 있다는 것을 의미할 수 있다.
도 5는 본 발명의 일실시예에 따른 encoding layer(인코더, 11)의 시계열적 공유를 도시한 것이다. 도 5에 도시된 바와 같이, 시계열적으로 encoding attention layer가 공유되고, concatenating layer에 의해 encoding attention layer의 self consistent가 수행되게 되고, 인코딩 데이터를 출력하게 된다.
디코더(20)는 시간 t의 인코딩 데이터(200)와 시간 t-1의 인코딩 데이터(200')를 수신하고, 각각에 특정 어텐션 가중치를 부여한 뒤, Self consistent를 적용하여 디코딩 데이터를 생성하는 모듈이다. 이때, 디코더(20)의 어텐션 가중치는 시계열적으로 공유되는 것을 특징으로 한다.
도 6은 본 발명의 일실시예에 따른 디코더의 구조를 도시한 모식도이다. 도 6에 도시된 바와 같이, 본 발명의 일실시예에 따른 디코더(20)는 input layer와 decoding attention layer를 포함할 수 있다. 디코더(20)의 input layer에서는 인코더(11)에서 출력되는 시간 t의 인코딩 데이터(output from encoding layer) 및 시간 t-1의 인코딩 데이터(output position and value of yt - 1)를 입력받게 된다.
decoding attention layer에서는 어텐션 가중치 매트릭스(attention weight matrix)를 이용하여 어떤 데이터에 집중하여 디코딩하게 될지를 결정하게 된다. 이때, 시간 t의 인코딩 데이터에 적용되는 어텐션 가중치와 시간 t-1의 인코딩 데이터에 적용되는 어텐션 가중치가 달리 적용되도록 설계될 수 있다.
본 발명의 일실시예에 따르면 시간 t-1의 인코딩 데이터(과거 인코딩 데이터)에 적용되는 어텐션 가중치인 과거 데이터 디코딩 어텐션 가중치는 시간 t-1의 인코딩 데이터에 대한 가중치와 시간 t의 인코딩 데이터에 대한 가중치를 이용하여 학습하게 된다. 예를 들어, 과거 데이터 디코딩 어텐션 가중치는 아래 수학식 3과 같이 계산되어 학습될 수 있다.
Figure 112017084834054-pat00003
위 수학식 3에서 w past은 과거 데이터 디코딩 어텐션 가중치, a0는 상수, Q'는 과거 인코딩 데이터에 대한 가중치, V는 시간 t의 인코딩 데이터에 대한 가중치, T는 시간을 의미할 수 있다.
또한, 본 발명의 일실시예에 따르면 시간 t의 인코딩 데이터에 적용되는 어텐션 가중치인 현재 데이터 디코딩 어텐션 가중치는 시간 t의 인코딩 데이터에 대한 가중치를 이용하여 학습하게 된다. 예를 들어, 현재 데이터 디코딩 어텐션 가중치는 아래 수학식 4와 같이 계산되어 학습될 수 있다.
Figure 112017084834054-pat00004
위 수학식 4에서 wpresent은 현재 데이터 디코딩 어텐션 가중치, a0Q'V'T는 과거 데이터 디코딩 어텐션 가중치, V는 시간 t의 인코딩 데이터에 대한 가중치, h는 hypothesis function을 의미할 수 있다.
디코더(20)는 도 6에 도시된 바와 같이, 위의 수학식에 따라 계산된 어텐션 가중치를 이용하여 현재의 인코딩 데이터와 과거의 인코딩 데이터를 add & normalization하는 방법으로 디코딩 데이터를 생성하도록 구성될 수 있다.
도 7은 본 발명의 일실시예에 따른 디코더의 시계열적인 형태를 도시한 것이다. 도 7에 도시된 바와 같이, 본 발명의 일실시예에 따른 디코더(20)는 decoding attention layer를 시계열적으로 공유하도록 구성될 수 있다. 이는 상기 현재 데이터 디코딩 어텐션 가중치와 과거 데이터 디코딩 어텐션 가중치를 시계열적으로 공유할 수 있다는 것을 의미할 수 있다.
도 8은 본 발명의 일실시예에 따른 디코더(20)의 시계열적 공유를 도시한 것이다. 도 8에 도시된 바와 같이, 시계열적으로 decoding attention layer가 공유되고, concatenating layer에 의해 decoding attention layer의 self consistent가 수행되게 되고, 디코딩 데이터를 출력하게 된다.
소비전력 예측 모듈(21)은 상기 디코딩 데이터를 수신하고, 상기 디코딩 데이터를 통해 t+1의 소비전력 데이터(300)를 예측하는 모듈이다.
이종 데이터 임베딩을 이용한 전기차 전력 수요 예측 방법
도 9는 본 발명의 일실시예에 따른 이종 데이터 임베딩을 이용한 전기차 전력 수요 예측 방법을 도시한 것이다. 도 9에 도시된 바와 같이, 본 발명의 일실시예에 따른 이종 데이터 임베딩을 이용한 전기차 전력 수요 예측 방법은 이종 데이터 임베딩 단계(S10), 인코딩 단계(S20), 디코딩 단계(S30), 소비전력 예측 단계(S40)를 포함할 수 있다.
임베딩 단계(S10)는 임베딩 모듈(10)이 위치 차원을 포함한 매트릭스 형태로 구성된 소비전력 데이터(100) 및 상기 소비전력 데이터와 종류가 다른 적어도 하나 이상의 보조 데이터(101, 위치 차원을 포함한 매트릭스 형태로 구성된 날씨 데이터, 교통 데이터 등을 의미할 수 있음)를 수신하여 상기 소비전력 데이터(100)와 보조 데이터(101)에서 특징을 추출하고 스케일을 표준화하여 임베디드 소비전력 데이터와 임베디드 보조 데이터를 생성하는 단계이다.
인코딩 단계(S20)는 인코더(11)가 상기 임베디드 소비전력 데이터와 상기 임베디드 보조 데이터를 수신하고, 각각에 특정 어텐션 가중치(attention weight)를 부여한 뒤, Self consistent를 적용하여 인코딩 데이터(200)를 생성하는 단계이다.
디코딩 단계(S30)는 디코더(20)가 시간 t(현재)의 인코딩 데이터(200)와 시간 t-1(과거)의 인코딩 데이터(200')를 수신하고, 각각에 특정 어텐션 가중치를 부여한 뒤, Self consistent를 적용하여 디코딩 데이터를 생성하는 단계이다.
소비전력 예측 단계(S40)는 소비전력 예측 모듈(21)이 상기 디코딩 데이터를 수신하고, 상기 디코딩 데이터를 통해 t+1의 소비전력 데이터(300)를 예측하는 단계이다.
이상에서 설명한 바와 같이, 본 발명이 속하는 기술 분야의 통상의 기술자는 본 발명이 그 기술적 사상이나 필수적 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 상술한 실시예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로서 이해해야만 한다. 본 발명의 범위는 상세한 설명보다는 후술하는 청구범위에 의하여 나타내어지며, 청구범위의 의미 및 범위 그리고 등가 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함하는 것으로 해석되어야 한다.
1: 이종 데이터 임베딩을 이용한 전기차 전력 수요 예측 장치
10: 임베딩 모듈
11: 인코더
20: 디코더
21: 소비전력 예측 모듈
100: 소비전력 데이터
101: 보조 데이터
200: 인코딩 데이터
200': 과거 인코딩 데이터
300: t+1 소비전력 데이터

Claims (2)

  1. 위치 차원을 포함한 매트릭스 형태의 소비전력 데이터와 상기 소비전력 데이터와 종류가 다른 적어도 하나 이상의 보조 데이터를 통해 상기 소비전력 데이터로부터 집중해야 할 데이터의 반영 정도를 계산하기 위한 매트릭스 형태의 가중치인 어텐션 가중치를 학습하고, 상기 보조 데이터 및 상기 소비전력 데이터를 기초로 기학습된 상기 소비전력 데이터에 대한 어텐션 가중치인 소비전력 데이터 인코딩 어텐션 가중치를 상기 소비전력 데이터에 적용하여 인코딩 데이터를 생성하는 인코더;
    상기 인코딩 데이터 및 과거의 인코딩 데이터를 수신하고, 상기 인코딩 데이터의 가중치와 상기 과거의 인코딩 데이터의 가중치를 기초로 기학습된 과거 데이터 디코딩 어텐션 가중치를 다시 입력받은 뒤, 상기 과거 데이터 디코딩 어텐션 가중치 및 상기 인코딩 데이터의 가중치를 기초로 기학습된 상기 인코딩 데이터에 대한 어텐션 가중치인 현재 데이터 디코딩 어텐션 가중치를 상기 인코딩 데이터에 적용하여 디코딩 데이터를 생성하는 디코더; 및
    상기 디코딩 데이터를 수신하고, 상기 디코딩 데이터를 통해 t+1의 소비전력 데이터를 예측하는 소비전력 예측 모듈;
    를 포함하고,
    각각의 어텐션 가중치들은 시계열적으로 공유되는 것을 특징으로 하는, 어텐션 매트릭스를 이용한 전력 수요 예측 장치.
  2. 삭제
KR1020170111404A 2017-08-31 2017-08-31 어텐션 매트릭스를 이용한 전기차 전력 수요 예측 장치 KR101963558B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170111404A KR101963558B1 (ko) 2017-08-31 2017-08-31 어텐션 매트릭스를 이용한 전기차 전력 수요 예측 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170111404A KR101963558B1 (ko) 2017-08-31 2017-08-31 어텐션 매트릭스를 이용한 전기차 전력 수요 예측 장치

Related Child Applications (1)

Application Number Title Priority Date Filing Date
KR1020190033223A Division KR102080094B1 (ko) 2019-03-22 2019-03-22 인코딩 어텐션 가중치 및 디코딩 어텐션 가중치를 이용한 전기차 전력 수요 예측 장치

Publications (2)

Publication Number Publication Date
KR20190024422A KR20190024422A (ko) 2019-03-08
KR101963558B1 true KR101963558B1 (ko) 2019-03-28

Family

ID=65801078

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170111404A KR101963558B1 (ko) 2017-08-31 2017-08-31 어텐션 매트릭스를 이용한 전기차 전력 수요 예측 장치

Country Status (1)

Country Link
KR (1) KR101963558B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210011707A (ko) 2019-07-23 2021-02-02 서강대학교산학협력단 Cnn을 기반으로 한 동영상의 씬 단위 장소 분류 방법 및 이를 이용한 장소 분류 장치

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100711012B1 (ko) 1998-10-07 2007-04-25 소니 가부시끼 가이샤 코딩 장치 및 방법, 디코딩 장치 및 방법, 데이터 처리 시스템, 기억 매체 및 신호
KR101355332B1 (ko) 2009-07-09 2014-01-27 퀄컴 인코포레이티드 비디오 코딩에서 단방향성 예측 및 양방향성 예측을 위한 상이한 가중치들
KR101570302B1 (ko) 2014-10-27 2015-11-19 성균관대학교산학협력단 전력 계통 관리를 위한 전기차 충전 수요 예측 방법 및 시스템

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100711012B1 (ko) 1998-10-07 2007-04-25 소니 가부시끼 가이샤 코딩 장치 및 방법, 디코딩 장치 및 방법, 데이터 처리 시스템, 기억 매체 및 신호
KR101355332B1 (ko) 2009-07-09 2014-01-27 퀄컴 인코포레이티드 비디오 코딩에서 단방향성 예측 및 양방향성 예측을 위한 상이한 가중치들
KR101570302B1 (ko) 2014-10-27 2015-11-19 성균관대학교산학협력단 전력 계통 관리를 위한 전기차 충전 수요 예측 방법 및 시스템

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210011707A (ko) 2019-07-23 2021-02-02 서강대학교산학협력단 Cnn을 기반으로 한 동영상의 씬 단위 장소 분류 방법 및 이를 이용한 장소 분류 장치

Also Published As

Publication number Publication date
KR20190024422A (ko) 2019-03-08

Similar Documents

Publication Publication Date Title
Baouche et al. Efficient allocation of electric vehicles charging stations: Optimization model and application to a dense urban network
Boulanger et al. Vehicle electrification: Status and issues
Mahdavian et al. Drivers and barriers to implementation of connected, automated, shared, and electric vehicles: An agenda for future research
CN110597086A (zh) 仿真场景生成方法和无人驾驶系统测试方法
Tran et al. DeepTRANS: a deep learning system for public bus travel time estimation using traffic forecasting
US20160335377A1 (en) Electricity-demand prediction device, electricity supply system, electricity-demand prediction method, and program
WO2019216449A1 (ko) 전력수요 데이터와 이종데이터의 시공간적 융합을 통한 시계열 인공신경망 전기차 전력수요예측 방법 및 장치
Yang et al. EV charging behaviour analysis and modelling based on mobile crowdsensing data
Fukushima et al. Prediction of energy consumption for new electric vehicle models by machine learning
US20190145789A1 (en) Methods and Apparatuses for Fuel Consumption Prediction
Wang et al. Bus arrival time prediction using RBF neural networks adjusted by online data
JP6958442B2 (ja) 情報処理システム、情報処理方法、及び情報処理プログラム
EP3369077A1 (en) System and method for location-based passive payments
KR101963558B1 (ko) 어텐션 매트릭스를 이용한 전기차 전력 수요 예측 장치
KR101963557B1 (ko) 이종 데이터 임베딩을 이용한 전기차 전력 수요 예측 장치
Davidov et al. Stochastic expansion planning of the electric-drive vehicle charging infrastructure
KR20190035637A (ko) 어텐션 매트릭스를 이용한 전기차 전력 수요 예측 장치
Chen et al. Prediction of Public Bus Passenger Flow Using Spatial–Temporal Hybrid Model of Deep Learning
Lu et al. Vehicle as a mobile computing platform: Opportunities and challenges
Csiszár et al. Operational model and impacts of mobility service based on autonomous vehicles
Braun et al. Trends in vehicle electric system design: State-of-the Art Summary
KR20190035636A (ko) 이종 데이터 임베딩을 이용한 전기차 전력 수요 예측 장치
Rajan et al. Robustness generalizations of the shortest feasible path problem for electric vehicles
Fan et al. All‐stop, skip‐stop, or transfer service: an empirical study on preferences of bus passengers
Ng et al. Mobile outdoor parking space detection application

Legal Events

Date Code Title Description
A201 Request for examination
A302 Request for accelerated examination
E902 Notification of reason for refusal
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant