KR102084920B1 - 근린생활시설 영업시간 예측 장치 및 방법 - Google Patents

근린생활시설 영업시간 예측 장치 및 방법 Download PDF

Info

Publication number
KR102084920B1
KR102084920B1 KR1020190045853A KR20190045853A KR102084920B1 KR 102084920 B1 KR102084920 B1 KR 102084920B1 KR 1020190045853 A KR1020190045853 A KR 1020190045853A KR 20190045853 A KR20190045853 A KR 20190045853A KR 102084920 B1 KR102084920 B1 KR 102084920B1
Authority
KR
South Korea
Prior art keywords
data
time
neighborhood
neighborhood living
power consumption
Prior art date
Application number
KR1020190045853A
Other languages
English (en)
Inventor
최문석
김충효
명노길
임용훈
주성호
Original Assignee
한국전력공사
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 한국전력공사 filed Critical 한국전력공사
Priority to KR1020190045853A priority Critical patent/KR102084920B1/ko
Application granted granted Critical
Publication of KR102084920B1 publication Critical patent/KR102084920B1/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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • 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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0623—Item investigation

Landscapes

  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

본 발명은 근린생활시설 영업시간 예측 장치 및 방법이 개시된다. 본 발명의 근린생활시설 영업시간 예측 장치 및 방법은, 근린생활시설의 전력사용량 데이터를 수집하는 전력사용정보 수집부; 지도학습(Supervised Learning)을 위하여 전력사용량 데이터에 대응되는 근린생활시설의 영업여부 데이터를 입력하는 실측데이터 입력부; 및 전력사용정보 수집부에서 수집한 근린생활시설의 전력사용량 데이터와 실측데이터 입력부에서 입력한 근린생활시설의 영업여부 데이터를 기 설정된 기간 이상 누적하여 기계학습을 수행하고, 근린생활시설의 전력사용량 데이터와 영업여부 데이터를 파라미터로 하는 근린생활시설 영업시간 예측모델을 생성하는 예측모델 생성부;를 포함하는 것을 특징으로 한다.

Description

근린생활시설 영업시간 예측 장치 및 방법{APPARATUS AND METHOD FOR PREDICTING OPERATING HOURS OF A NEIGHBORHOOD LIVING FACILITY}
본 발명은 근린생활시설 영업시간 예측 장치 및 방법에 관한 것으로서, 보다 상세하게는 실시간 전력사용량에 기계 학습을 적용하여 근린생활시설의 영업시간을 예측할 수 있도록 하는 근린생활시설 영업시간 예측 장치 및 방법에 관한 것이다.
일반적으로 근린생활시설이란 주택가와 인접해 주민들의 생활에 편의를 줄 수 있는 시설물로, 그 범위는 건축법 시행령에서 규정하고 있다. 예컨대, 슈퍼마켓, 대중음식점, 미용실, 세탁소, 한의원, 헬스클럽, 금융업소, 당구장, 독서실 등을 포함할 수 있다.
포털 사이트(예를 들어, 네이버, 다음 등)는 현재 위치 검색을 통해 주변의 근린생활시설 정보를 제공한다. 그러나 기존의 포털 사이트는 근린생활시설의 상호명, 업종, 위치, 연락처와 같은 기초 자료는 간단히 검색되도록 하나, 근린생활시설의 실제 영업 여부에 대한 정보를 함께 제공하지 않으므로, 사용자가 방문하기 전에 전화 등의 수단으로 영업 여부를 확인할 필요가 있다. 특히, 휴일이나 주말에는 제한된 시간만 서비스를 제공하는 병원, 약국 등의 경우, 영업 여부에 대한 확인이 필수적이다. 또한 현재 영업 여부를 확인한 경우에도, 영업 종료 시각에 대한 정보가 없는 경우 물리적 이동에 따른 소요시간 동안 영업이 종료될 수도 있으므로, 이와 같은 상황을 고려할 필요가 있다.
다만, 근린생활시설의 업주 또는 관리자가 요일별 영업시간을 직접 입력하는 경우에는, 소비자들이 포털 사이트를 통해 영업시간을 검색할 수 있도록 제공하고 있으나, 대부분 근린생활시설이 영업시간에 대한 정보를 입력하지 않거나 실제 상황과 다르게 운영되는 경우가 많다.
이에, 종래에는 전력사용량의 절대적인 임계치 또는 전력사용량의 변화를 통하여 영업여부를 판단할 수 있도록 하였다. 그러나 근린생활시설별로 전력사용량 절대치가 상이하게 달라 획일화된 임계치와 전력사용량 변화를 결정할 수 없고, 임계치와 전력사용량 변화값을 산출하는 별도의 연산방법과 장치가 필요하였다. 또한 계절별, 요일별, 기온별로 임계치와 전력사용량 변화값이 크게 변동될 수 있기 때문에 영업시간 예측 결과의 정확도가 떨어지고 소비자의 신뢰도가 떨어지는 문제가 있었다.
본 발명의 배경기술로는 대한민국 공개특허공보 제10-2018-0031650호(공개일 : 2018.03.28.공개)인 "사용자의 위치와 관련된 키워드를 근린 생활 키워드로서 추출하는 키워드 추출 시스템 및 방법"이 있다.
본 발명의 일 측면에 따르면, 본 발명은 상기와 같은 문제점들을 개선하기 위하여 창안된 것으로, 실시간 전력사용량에 기계 학습을 적용하여 근린생활시설의 영업시간을 예측할 수 있도록 하는 근린생활시설 영업시간 예측 장치 및 방법을 제공하는 것을 목적으로 한다.
본 발명의 일 측면에 따른 근린생활시설 영업시간 예측 장치는, 근린생활시설의 전력사용량 데이터를 수집하는 전력사용정보 수집부; 지도학습(Supervised Learning)을 위하여 상기 전력사용량 데이터에 대응되는 근린생활시설의 영업여부 데이터를 입력하는 실측데이터 입력부; 및 상기 전력사용정보 수집부에서 수집한 근린생활시설의 전력사용량 데이터와 상기 실측데이터 입력부에서 입력한 근린생활시설의 영업여부 데이터를 기 설정된 기간 이상 누적하여 기계학습을 수행하고, 상기 근린생활시설의 전력사용량 데이터와 영업여부 데이터를 파라미터로 하는 근린생활시설 영업시간 예측모델을 생성하는 예측모델 생성부;를 포함하는 것을 특징으로 한다.
본 발명은, 상기 전력사용정보 수집부로부터 근린생활시설의 실시간 전력사용량 데이터를 입력받아, 상기 실시간 전력사용량 데이터를 상기 예측모델 생성부에서 생성된 근린생활시설 영업시간 예측모델에 반영하여 근린생활시설의 영업시간을 예측하는 예측모델 분석부; 및 상기 예측모델 분석부에서 예측한 근린생활시설의 영업시간을 포함하는 근린생활시설 영업 정보를 외부에 제공하는 정보제공부;를 더 포함하는 것을 특징으로 한다.
본 발명에서, 상기 예측모델 생성부는, 날짜정보, 시간정보, 계절정보, 요일정보, 날씨정보 및 기온정보 중 적어도 하나 이상을 반영하여 기계학습을 수행하는 것을 특징으로 한다.
본 발명에서, 상기 예측모델 생성부는, 근린생활시설의 구분자(ID), 근린생활시설의 업종별 분류(CAT, category), 과거 특정 시간, 특정 시간의 전력사용량 데이터, 특정 시간의 영업여부 및 특정 시간의 외부 데이터 중 적어도 하나 이상을 포함하는 데이터를 입력으로 하고, 근린생활시설의 구분자(ID), 근린생활시설의 업종별 분류(CAT), 미래 또는 현재 특정 시간, 특정 시간의 전력사용량 데이터 및 특정 시간의 영업여부 중 적어도 하나 이상을 포함하는 데이터를 출력으로 하여 기계학습을 수행하는 것을 특징으로 한다.
본 발명에서, 상기 예측모델 생성부는, 과거 누적된 전력사용량 데이터로 추출한 시간별 전력사용량이 실측 데이터와 차이가 나는 경우, 전력사용량 데이터와 영업여부 데이터를 재구성하여 2차 근린생활시설 영업시간 예측모델을 생성하는 것을 특징으로 한다.
본 발명에서, 상기 예측모델 생성부는, 기 설정된 주기마다 근린생활시설 영업시간 예측모델을 업데이트하는 것을 특징으로 한다.
본 발명에서, 상기 예측모델 분석부는, 상기 전력사용정보 수집부로부터 근린생활시설의 실시간 전력사용량 데이터를 입력받아, 상기 실시간 전력사용량 데이터를 상기 예측모델 생성부에서 생성된 근린생활시설 영업시간 예측모델에 반영하여 특정일의 전력사용 패턴을 생성하고, 상기 특정일의 전력사용 패턴을 통해 단위시간당 전력량을 산출하여 해당 근린생활시설의 하루 동안 소비할 전력량을 예측하는 것을 특징으로 한다.
본 발명에서, 상기 예측모델 분석부는, 적어도 하나 이상의 근린생활시설의 단위시간당 전력량에 기초하여 업종별, 지역별 전력사용 예측정보를 산출하는 것을 특징으로 한다.
본 발명의 다른 측면에 따른 근린생활시설 영업시간 예측 방법은, 전력사용정보 수집부가 근린생활시설의 전력사용량 데이터를 수집하는 단계; 실측데이터 입력부가 지도학습(Supervised Learning)을 위하여 상기 전력사용량 데이터에 대응되는 근린생활시설의 영업여부 데이터를 입력하는 단계; 예측모델 생성부가 상기 전력사용정보 수집부에서 수집한 근린생활시설의 전력사용량 데이터와 상기 실측데이터 입력부에서 입력한 근린생활시설의 영업여부 데이터를 기 설정된 기간 이상 누적하여 기계학습을 수행하는 단계; 및 상기 예측모델 생성부가 상기 근린생활시설의 전력사용량 데이터와 영업여부 데이터를 파라미터로 하는 근린생활시설 영업시간 예측모델을 생성하는 단계;를 포함하는 것을 특징으로 한다.
본 발명은, 예측모델 분석부가 상기 전력사용정보 수집부로부터 근린생활시설의 실시간 전력사용량 데이터를 입력받는 단계; 상기 예측모델 분석부가 상기 실시간 전력사용량 데이터를 상기 예측모델 생성부에서 생성된 근린생활시설 영업시간 예측모델에 반영하여 근린생활시설의 영업시간을 예측하는 단계; 및 정보제공부가 상기 예측모델 분석부에서 예측한 근린생활시설의 영업시간을 포함하는 근린생활시설 영업 정보를 외부에 제공하는 단계;를 더 포함하는 것을 특징으로 한다.
본 발명의 상기 기계학습을 수행하는 단계에서, 상기 예측모델 생성부는, 날짜정보, 시간정보, 계절정보, 요일정보, 날씨정보 및 기온정보 중 적어도 하나 이상을 반영하여 기계학습을 수행하는 것을 특징으로 한다.
본 발명의 상기 기계학습을 수행하는 단계에서, 상기 예측모델 생성부는, 근린생활시설의 구분자(ID), 근린생활시설의 업종별 분류(CAT, category), 과거 특정 시간, 특정 시간의 전력사용량 데이터, 특정 시간의 영업여부 및 특정 시간의 외부 데이터 중 적어도 하나 이상을 포함하는 데이터를 입력으로 하고, 근린생활시설의 구분자(ID), 근린생활시설의 업종별 분류(CAT), 미래 또는 현재 특정 시간, 특정 시간의 전력사용량 데이터 및 특정 시간의 영업여부 중 적어도 하나 이상을 포함하는 데이터를 출력으로 하여 기계학습을 수행하는 것을 특징으로 한다.
본 발명의 상기 근린생활시설 영업시간 예측모델을 생성하는 단계에서, 상기 예측모델 생성부는, 과거 누적된 전력사용량 데이터로 추출한 시간별 전력사용량이 실측 데이터와 차이가 나는 경우, 전력사용량 데이터와 영업여부 데이터를 재구성하여 2차 근린생활시설 영업시간 예측모델을 생성하는 것을 특징으로 한다.
본 발명에서, 상기 근린생활시설 영업시간 예측모델을 생성하는 단계는, 상기 예측모델 생성부가 기 설정된 주기마다 근린생활시설 영업시간 예측모델을 업데이트하는 단계;를 포함하는 것을 특징으로 한다.
본 발명에서, 상기 예측모델 분석부는, 상기 전력사용정보 수집부로부터 근린생활시설의 실시간 전력사용량 데이터를 입력받아, 상기 실시간 전력사용량 데이터를 상기 예측모델 생성부에서 생성된 근린생활시설 영업시간 예측모델에 반영하여 특정일의 전력사용 패턴을 생성하고, 상기 특정일의 전력사용 패턴을 통해 단위시간당 전력량을 산출하여 해당 근린생활시설의 하루 동안 소비할 전력량을 예측하는 것을 특징으로 한다.
본 발명에서, 상기 예측모델 분석부는, 적어도 하나 이상의 근린생활시설의 단위시간당 전력량에 기초하여 업종별, 지역별 전력사용 예측정보를 산출하는 것을 특징으로 한다.
본 발명의 일 실시예에 따른 근린생활시설 영업시간 예측 장치 및 방법은, 실시간 전력사용량에 기계 학습을 적용하여 근린생활시설의 영업시간을 예측할 수 있도록 함으로써, 보다 정확한 영업시간 예측 결과를 제공하여 소비자의 만족도 및 신뢰도를 향상시킬 수 있다.
또한, 본 발명의 일 실시예에 따른 근린생활시설 영업시간 예측 장치 및 방법은, 고정된 값을 기준으로 각각의 근린생활시설의 영업시간을 판단하는 것이 아니라, 각각의 근린생활시설별로 다른 기준을 적용하여 영업시간을 예측함으로써, 영업시간 예측 결과에 대한 오차를 최소화할 수 있는 효과가 있다.
도 1은 본 발명의 일 실시예에 따른 근린생활시설 영업시간 예측 장치를 나타낸 블록구성도이다.
도 2는 본 발명의 일 실시예에 따른 근린생활시설 영업시간 예측 장치를 보다 구체적으로 나타낸 블록구성도이다.
도 3은 본 발명의 일 실시예에 따른 근린생활시설 영업시간 예측 방법을 설명하기 위한 흐름도이다.
도 4는 본 발명의 일 실시예에 따른 근린생활시설 영업시간 예측 장치의 기계학습용 입력 데이터 형식을 설명하기 위한 예시도이다.
도 5는 본 발명의 일 실시예에 따른 근린생활시설 영업시간 예측 장치의 영업시간 예측 결과를 나타낸 예시도이다.
도 6은 본 발명의 일 실시예에 따른 근린생활시설 영업시간 예측 장치의 보정 영업시간 예측 결과를 나타낸 예시도이다.
이하, 첨부된 도면들을 참조하여 본 발명의 일 실시예에 따른 근린생활시설 영업시간 예측 장치 및 방법을 설명한다. 이 과정에서 도면에 도시된 선들의 두께나 구성요소의 크기 등은 설명의 명료성과 편의상 과장되게 도시되어 있을 수 있다.
또한, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례에 따라 달라질 수 있다. 그러므로 이러한 용어들에 대한 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
또한, 본 명세서에서 설명된 구현은, 예컨대, 방법 또는 프로세스, 장치, 소프트웨어 프로그램, 데이터 스트림 또는 신호로 구현될 수 있다. 단일 형태의 구현의 맥락에서만 논의(예컨대, 방법으로서만 논의)되었더라도, 논의된 특징의 구현은 또한 다른 형태(예컨대, 장치 또는 프로그램)로도 구현될 수 있다. 장치는 적절한 하드웨어, 소프트웨어 및 펌웨어 등으로 구현될 수 있다. 방법은, 예컨대, 컴퓨터, 마이크로프로세서, 집적 회로 또는 프로그래밍가능한 로직 디바이스 등을 포함하는 프로세싱 디바이스를 일반적으로 지칭하는 프로세서 등과 같은 장치에서 구현될 수 있다. 프로세서는 또한 최종-사용자 사이에 정보의 통신을 용이하게 하는 컴퓨터, 셀 폰, 휴대용/개인용 정보 단말기(personal digital assistant: "PDA") 및 다른 디바이스 등과 같은 통신 디바이스를 포함한다.
도 1은 본 발명의 일 실시예에 따른 근린생활시설 영업시간 예측 장치를 나타낸 블록구성도이고, 도 2는 본 발명의 일 실시예에 따른 근린생활시설 영업시간 예측 장치를 보다 구체적으로 나타낸 블록구성도이며, 도 4는 본 발명의 일 실시예에 따른 근린생활시설 영업시간 예측 장치의 기계학습용 입력 데이터 형식을 설명하기 위한 예시도이고, 도 5는 본 발명의 일 실시예에 따른 근린생활시설 영업시간 예측 장치의 영업시간 예측 결과를 나타낸 예시도이며, 도 6은 본 발명의 일 실시예에 따른 근린생활시설 영업시간 예측 장치의 보정 영업시간 예측 결과를 나타낸 예시도로서, 이를 참조하여 근린생활시설 영업시간 예측 장치를 설명하면 다음과 같다.
도 1 및 도 2에 도시된 바와 같이, 본 발명의 일 실시예에 따른 근린생활시설 영업시간 예측 장치는, 기계학습부(100), 예측모델 분석부(200) 및 정보제공부(300)를 포함한다.
먼저 본 실시예는 과거의 시간대별 전력사용량(데이터)과 실제 영업여부(레이블)에 대한 정보를 기계학습 알고리즘의 입력으로 하고, 현재 또는 미래의 영업여부 및 영업시간 예측 정보를 출력하는 것이다. 여기서, 현재 또는 미래의 영업여부는 해당 근린생활시설이 현재 또는 미래에 서비스가 가능한지의 여부를 나타내는 정보를 의미하고, 영업시간 예측 정보는 현재 서비스가 불가능할 경우 서비스가 가능한 미래의 시점, 또는 현재 서비스가 가능할 경우 서비스가 종료되는 미래의 시점에 대한 정보를 의미할 수 있다.
즉, 기계학습부(100)는 근린생활시설의 영업시간을 예측하기 위한 기계학습을 수행하여 근린생활시설 영업시간 예측 모델을 생성하는 것으로, 전력사용정보 수집부(110), 실측데이터 입력부(120), 외부데이터 입력부(130), 기계학습데이터 관리부(140) 및 예측모델 생성부(150)를 포함한다.
전력사용정보 수집부(110)는 근린생활시설의 전력사용량 데이터를 수집하는 것으로, 본 실시예에서는 AMI(Advanced Metering Infrastructure)전처리 장치를 의미할 수 있다. 즉 전력사용정보 수집부(110)는 스마트미터, DCU(데이터집중장치) 등 AMI 미터 및 통신 인프라(2)를 통해 전송되는 실시간 전력사용량 데이터를 취득하여, 과금 및 대외 서비스용으로 데이터를 분류하여 전달할 수 있다. 이때 전력사용정보 수집부(110)는 과금용으로 데이터를 분류한 경우 과금용 DB(3)에 전력사용량 데이터를 전달하고, 기계학습 등의 대외 서비스용으로 데이터를 분류한 경우 기계학습데이터 관리부(140)에 전력사용량 데이터를 전달할 수 있다.
실측데이터 입력부(120)는 지도학습(Supervised Learning)을 위하여 전력사용량 데이터에 대응되는 근린생활시설의 영업여부 데이터를 입력하는 것으로, 본 실시예에서는 실측서버(ground truth)를 의미할 수 있다. 즉, 실측데이터 입력부(120)는 기계학습 시 지도학습을 하기 위하여 주어진 데이터(전력사용량 데이터)에 레이블을 부여해 주는 것이다.
외부데이터 입력부(130)는 영업시간 예측 정확도를 향상시키기 위하여 기계학습 입력으로 추가되는 데이터(날짜, 요일, 날씨 등)를 관리하는 것으로, 본 실시예에서는 외부데이터 서버를 의미할 수 있으며, 후술하는 예측모델 생성부(150)에서 외부데이터 입력부(130)로부터 입력된 외부데이터를 반영하여 기계학습을 수행할 수 있다.
기계학습데이터 관리부(140)는 기계학습을 위한 입력 데이터를 저장하고 관리하는 것으로, 전력사용정보 수집부(110)로부터 입력받은 근린생활시설의 전력사용량 데이터 및 실측데이터 입력부(120)로부터 입력받은 근린생활시설의 영업여부 데이터를 저장하여 관리할 수 있다. 즉 본 실시예에서 기계학습데이터 관리부(140)는 기계학습 입력용DB를 의미할 수 있으며, 실시간 전력사용량(데이터)과 근린생활시설의 영업시간 실측치(레이블)를 저장 및 관리하여 예측모델 생성부(150)에 전송할 수 있다.
예측모델 생성부(150)는 전력사용정보 수집부(110)에서 수집한 근린생활시설의 전력사용량 데이터와 실측데이터 입력부(120)에서 입력한 근린생활시설의 영업여부 데이터를 기 설정된 기간 이상 누적하여 기계학습을 수행하고, 상기 근린생활시설의 전력사용량 데이터와 영업여부 데이터를 파라미터로 하는 근린생활시설 영업시간 예측모델을 생성할 수 있다. 이때 본 실시예에서 예측모델 생성부(150)는 기계학습 서버를 의미할 수 있다.
예를 들어, 도 4에 도시된 바와 같이, 예측모델 생성부(150)는 1시간 단위로 전력사용정보 수집부(110)로부터 전력사용량 데이터를 입력받고, 이에 대응하여 영업여부에 대해 레이블을 입력할 수 있다. 영업여부 레이블은 이진수로 표현할 수 있으며, 영업 중일 때 1, 영업하지 않을 때 0으로 구분할 수 있다.
이러한 영업시간 예측을 위한 기계학습용 입력 데이터 형식에 따라 기계학습을 수행하여 근린생활시설 영업시간 예측모델을 생성하고, 상기 근린생활시설 영업시간 예측모델을 통해 영업시간 예측 결과를 얻을 수 있다. 이는 도 5에 도시된 내용을 참조할 수 있다. 즉, 도 5에 도시된 바와 같이, 14시에서 21시는 영업 중인 것으로 예측되었으며, 14시에 영업을 시작하고 21시에 영업이 종료되었음을 예측할 수 있다.
이때 예측모델 생성부(150)는 외부데이터 입력부(130)로부터 외부데이터를 입력받아 외부데이터를 반영하여 기계학습을 수행할 수 있다. 즉, 예측모델 생성부(150)는 날짜정보, 시간정보, 계절정보, 요일정보, 날씨정보 및 기온정보 중 적어도 하나 이상을 반영하여 기계학습을 수행할 수 있다. 즉, 본 실시예에서는 기계학습 입력 데이터에 날씨나 기타 전력사용량에 영향을 줄 수 있는 요인을 부가하여 예측하고자 하는 시점의 날씨와 외부 요인을 반영한 결과를 추출할 수 있다.
또한, 예측모델 생성부(150)는 근린생활시설의 구분자(ID), 근린생활시설의 업종별 분류(CAT, category), 과거 특정 시간, 특정 시간의 전력사용량 데이터, 특정 시간의 영업여부 및 특정 시간의 외부 데이터 중 적어도 하나 이상을 포함하는 데이터를 입력으로 하고, 근린생활시설의 구분자(ID), 근린생활시설의 업종별 분류(CAT), 미래 또는 현재 특정 시간, 특정 시간의 전력사용량 데이터 및 특정 시간의 영업여부 중 적어도 하나 이상을 포함하는 데이터를 출력으로 하여 기계학습을 수행할 수 있다.
그리고 예측모델 생성부(150)는 근린생활시설의 전력사용량 데이터(데이터)와 근린생활시설의 영업여부 데이터(레이블)을 입력으로 하여, 기계학습 알고리즘의 파라미터를 산출하고, 그 결과를 통해 영업시간 예측모델을 생성하고 업데이트할 수 있다. 이때 예측모델 생성부(150)는 도 6에 도시된 바와 같이, 1차로 근린생활 영업시간 예측모델을 생성하고, 과거 누적된 전력사용량 데이터로 추출한 시간별 전력사용량이 실측 데이터와 차이가 나는 경우, 전력사용량 데이터와 영업여부 데이터를 재구성하여 2차 근린생활시설 영업시간 예측모델을 생성할 수 있다. 즉, 도 6은 실측된 전력사용량을 활용하여 도 5와 같은 방식으로 예측되었을 때의 오차를 보정할 수 있는 것을 설명하기 위한 것으로, 18시 이후부터 예측된 전력사용량이 실측된 값과 차이를 나타내면서 영업 종료 패턴이 나타날 경우, 이를 반영하여 실시간 영업여부 예측 데이터를 보정할 수 있다.
즉, 본 실시예에서는 출력 데이터(결과)의 정확도를 높이기 위하여 파라미터들의 수정이 필요하다고 판단될 경우, 입력 데이터와 레이블을 재구성하여 기계학습을 다시 시행할 수 있다.
또한, 예측모델 생성부(150)는 기 설정된 주기마다 근린생활시설 영업시간 예측모델을 업데이트할 수 있다.
한편, 본 실시예에서는, 예측모델 생성부(150)에서 예측모델을 생성할 때 생성 개수를 다양한 요소에 의해서 결정할 수 있다. 모델생성에 소요되는 시간은 기 설정된 주기보다 적게 소요되어야 한다. 그리고 예측모델의 생성개수가 1개일 때는 기계학습에 소요되는 시간이 짧으나 결과의 정확도가 낮고, 근린생활시설의 구분자(ID)에 대한 예측모델의 생성개수가 2개 이상인 경우 기계학습에 소요되는 시간이 매우 긴 대신 결과의 정확도가 높다. 그리고 근린생활시설의 업종별 분류(CAT)에 대한 예측모델의 생성개수가 2개 이상인 경우에는 상기 두 가지의 경우의 중간 정도의 기계학습 시간이 소요되며 결과의 정확도도 중간 정도이다.
예측모델 분석부(200)는 상기 기계학습부(100)에서 생성한 근린생활시설 영업시간 예측 모델을 통해 근린생활시설의 영업시간을 예측하여 저장한 후, 소비자의 요청에 따라 정보제공부(300)를 통해 해당 근린생활시설의 영업시간을 제공할 수 있는 것으로, 예측모델 설정부(210), 영업시간 분석부(220) 및 전력사용량 분석부(230)를 포함할 수 있다.
즉 예측모델 분석부(200)는 전력사용정보 수집부(110)로부터 근린생활시설의 실시간 전력사용량 데이터를 입력받아, 상기 실시간 전력사용량 데이터를 상기 예측모델 생성부(150)에서 생성된 근린생활시설 영업시간 예측모델에 반영하여 근린생활시설의 영업시간을 예측할 수 있다.
본 실시예에서, 예측모델 설정부(210)는 영업시간 예측모델을 의미할 수 있으며, 예측모델 생성부(150)에서 부여받은 파라미터를 통해 내부 근린생활 영업시간 예측모델을 설정할 수 있다.
그리고 영업시간 분석부(220)는 영업예측결과DB를 의미할 수 있으며, 상기 예측모델 설정부(210)에서 설정한 근린생활 영업시간 예측모델에 기초하여 실시간 전력사용량 데이터를 통해 영업시간과, 현재 영업여부를 예측하고 저장할 수 있다. 즉 영업시간 분석부(220)는 근린생활시설별로 현재 기준 영업여부와 영업시간 예측결과를 저장하고 관리할 수 있다.
정보제공부(300)는 예측모델 분석부(200)에서 예측한 근린생활시설의 영업시간을 포함하는 근린생활시설 영업 정보를 외부에 제공하는 것으로, 본 실시예에서는 외부서비스(WAS/WEB)용 서버 및 외부 응용 서버를 포함할 수 있다. 즉 정보제공부(300)는 외부고객(4)의 요청에 의하여 서비스를 제공할 수 있다.
한편, 외부 응용 서버는 전력사용량 예측 정보를 제공하는 것으로, 본 실시예에서는 전력사용량 분석부(230)가 영업시간 예측 과정에서 발생하는 전력사용량 예측 결과를 별도로 저장하여 이를 활용해 정보를 제공할 수 있다.
전력사용량 분석부(230)는 전력사용량예측DB를 의미할 수 있으며, 전력사용정보 수집부(110)로부터 근린생활시설의 실시간 전력사용량 데이터를 입력받아, 상기 실시간 전력사용량 데이터를 상기 예측모델 생성부(150)에서 생성된 근린생활시설 영업시간 예측모델에 반영하여 특정일의 전력사용 패턴을 생성하고, 상기 특정일의 전력사용 패턴을 통해 단위시간당 전력량을 산출하여 해당 근린생활시설의 하루 동안 소비할 전력량을 예측할 수 있다.
즉, 영업시간 예측을 위해서는 단위시간당 전력량이 중요하게 활용되지만, 이 값을 하루 동안 적분할 경우, 해당 근린생활시설이 하루 동안 소비할 전력량을 예측한 값이 된다.
아래의 수식은 특정지역의 일별 전력사용량 계산식이다.
Figure 112019040291011-pat00001
를 특정시간 t에 특정ID를 가진 근린생활시설의 단위시간당 전력사용량으로 나타낸다면, 특정지역 내의 모든 ID를 합산할 경우, 해당 지역 내 전체 전력사용량을 아래와 같은 식으로 예측할 수 있다.
Figure 112019040291011-pat00002
수식에서 j는 특정지역의 근린생활시설 리스트를 의미한다. 만약, j를 업종별 근린생활리스트라고 가정한다면, 업종별 전력사용량 예측도 가능할 것이다.
이때, 예측모델 분석부(230)는 적어도 하나 이상의 근린생활시설의 단위시간당 전력량에 기초하여 업종별, 지역별 전력사용 예측정보를 산출할 수 있다.
한편, 도2를 참조하면, 본 실시예에서는 기계학습데이터 관리부(기계학습입력용DB, 140)에서 전력사용량정보 수집부(AMI전처리장치, 110)로부터 데이터를 입력받아 예측모델 분석부(200)에 전송하여 근린생활시설의 영업시간을 예측할 수 있도록 하는 과정은 실시간으로 수행될 수 있다. 반면, 기계학습부(100)에서 실측데이터 입력부(실측서버, 120)로부터 영업여부에 대한 레이블을 입력받고 외부데이터 입력부(외부데이터 서버, 130)로부터 외부 데이터를 입력받아 기계학습을 수행하고 근린생활시설 영업시간 예측모델을 생성하는 과정은 비실시간, 즉 기설정된 주기에 따라 수행될 수 있다.
즉, 도 2에 도시된 바와 같이, 본 실시예에서는 실시간 데이터 흐름과 비실시간 데이터 흐름으로 구분할 수 있다. 실시간 데이터 흐름은 AMI미터 및 통신 인프라(2)를 통해 전송되는 데이터를 AMI전처리장치가 수신하여 필요한 데이터만 추출하여 기계학습입력용DB에 저장한다. 이때, 다수의 AMI전처리장치가 있기 때문에 영업시간 예측모델(예측모델 설정부를 의미함)로 바로 전송되지 않고, 기계학습입력용DB에서 우선 정렬한다. 이때 영업시간 예측모델에 다수 서버에서 입력되는 데이터의 정렬기능이 있는 경우, AMI전처리장치에서 직접 실시간 데이터를 수신할 수도 있다. 이 경우, AMI전처리장치 내 데이터의 목적지가 2개(기계학습입력용DB, 영업시간 예측모델)가 된다. 영업시간 예측모델은 입력된 전력사용 데이터를 활용하여 영업예측 결과 데이터를 산출하고, 이를 영업예측결과DB로 전송한다. 따라서 본 실시예에서는 저장된 서비스용 정보를 활용하여, 외부서비스 서버를 거쳐 외부고객(4)에게 정보를 제공할 수 있다. 영업시간 예측모델은 또한 일별, 주간별, 월별 전력사용량을 예측할 수 있는데, 이 데이터를 전력사용량예측DB로 전송할 수 있으며, 저장된 데이터는 외부 응용서버에 제공되어, 발전량 예측 등에 활용될 수 있도록 한다.
즉, 본 실시예에서는 기계학습부(100)에서는 실시간 처리를 수행하지 않는데, 이는 기계학습부(100)에서 모델 추출을 하는데 상당한 시간이 소요되기 때문이다. 즉 기계학습부(100)는 영업시간 예측모델을 생성하여 업데이트하는 역할을 하는데, 특정한 주기(T)마다 영업시간 예측모델을 업데이트할 수 있다.
따라서 본 실시예에서는, 기계학습을 통해 근린생활시설 영업시간 예측 정확성을 향상시킴으로써, 외부 고객들이 편리하게 근린생활시설의 서비스를 이용할 수 있도록 한다. 이때 본 실시예에서는 입력데이터에 계절, 요일 등을 반영할 수 있도록 날짜 및 시간 데이터를 반영하고, 영업시간 예측모델을 주기적으로 업데이트할 수 있도록 실시간/비실시간으로 데이터 흐름을 분류하며, 영업여부 및 시간의 정확도 향상을 위해 1차, 2차 예측모델을 적용하고, 전력사용 데이터에 실측정보를 연계하여, 지도학습을 통한 영업시간 예측이 가능하도록 함으로써, 근린생활시설의 영업시간 예측의 정확성을 보다 향상시킬 수 있도록 한다.
도 3은 본 발명의 일 실시예에 따른 근린생활시설 영업시간 예측 방법을 설명하기 위한 흐름도로서, 이를 참조하여 근린생활시설 영업시간 예측 방법을 설명하면 다음과 같다.
도 3에 도시된 바와 같이, 본 발명의 일 실시예에 따른 근린생활시설 영업시간 예측 방법은, 먼저 예측모델 분석부(200)가 전력사용정보 수집부(110)로부터 근린생활시설의 실시간 전력사용량 데이터를 입력받는다(S100).
그리고 예측모델 분석부(200)는 실시간 전력사용량 데이터를 예측모델 생성부(150)에서 생성된 근린생활시설 영업시간 예측모델에 반영하여 근린생활시설의 영업시간을 예측한다(S200).
본 실시예에서는, 기계학습부(100)가 근린생활시설의 영업시간을 예측하기 위한 기계학습을 수행하여 근린생활시설 영업시간 예측 모델을 생성함으로써, 근린생활시설의 영업시간을 보다 정확하게 예측할 수 있도록 한다.
즉, 기계학습부(100)는 전력사용정보 수집부(110), 실측데이터 입력부(120), 외부데이터 입력부(130), 기계학습데이터 관리부(140) 및 예측모델 생성부(150)를 포함하여, 근린생활시설 영업시간 예측 모델을 생성할 수 있다.
이때, 전력사용정보 수집부(110)는 근린생활시설의 전력사용량 데이터를 수집하는 것으로, 스마트미터, DCU(데이터집중장치) 등 AMI 미터 및 통신 인프라(2)를 통해 전송되는 실시간 전력사용량 데이터를 취득하여, 기계학습 등의 대외 서비스용으로 분류한 데이터를 기계학습데이터 관리부(140)에 전달할 수 있다.
실측데이터 입력부(120)는 지도학습(Supervised Learning)을 위하여 전력사용량 데이터에 대응되는 근린생활시설의 영업여부 데이터를 입력하는 것으로, 기계학습 시 지도학습을 하기 위하여 주어진 데이터(전력사용량 데이터)에 레이블을 부여해 줄 수 있다.
기계학습데이터 관리부(140)는 기계학습을 위한 입력 데이터를 저장하고 관리하는 것으로, 전력사용정보 수집부(110)로부터 입력받은 근린생활시설의 전력사용량 데이터 및 실측데이터 입력부(120)로부터 입력받은 근린생활시설의 영업여부 데이터를 저장하여 관리할 수 있다. 즉 본 실시예에서 기계학습데이터 관리부(140)는 실시간 전력사용량(데이터)과 근린생활시설의 영업시간 실측치(레이블)를 저장 및 관리하여 예측모델 생성부(150)에 전송할 수 있다.
예측모델 생성부(150)는 전력사용정보 수집부(110)에서 수집한 근린생활시설의 전력사용량 데이터와 실측데이터 입력부(120)에서 입력한 근린생활시설의 영업여부 데이터를 기 설정된 기간 이상 누적하여 기계학습을 수행하고, 상기 근린생활시설의 전력사용량 데이터와 영업여부 데이터를 파라미터로 하는 근린생활시설 영업시간 예측모델을 생성할 수 있다.
이때 예측모델 생성부(150)는 외부데이터 입력부(130)로부터 외부데이터를 입력받아 외부데이터를 반영하여 기계학습을 수행할 수 있다. 즉, 예측모델 생성부(150)는 날짜정보, 시간정보, 계절정보, 요일정보, 날씨정보 및 기온정보 중 적어도 하나 이상을 반영하여 기계학습을 수행할 수 있다. 즉, 본 실시예에서는 기계학습 입력 데이터에 날씨나 기타 전력사용량에 영향을 줄 수 있는 요인을 부가하여 예측하고자 하는 시점의 날씨와 외부 요인을 반영한 결과를 추출할 수 있다.
그리고 예측모델 생성부(150)는 근린생활시설의 전력사용량 데이터(데이터)와 근린생활시설의 영업여부 데이터(레이블)을 입력으로 하여, 기계학습 알고리즘의 파라미터를 산출하고, 그 결과를 통해 영업시간 예측모델을 생성하고 업데이트할 수 있다. 즉, 본 실시예에서는 출력 데이터(결과)의 정확도를 높이기 위하여 파라미터들의 수정이 필요하다고 판단될 경우, 입력 데이터와 레이블을 재구성하여 기계학습을 다시 시행할 수 있다. 또한, 예측모델 생성부(150)는 기 설정된 주기마다 근린생활시설 영업시간 예측모델을 업데이트할 수 있다.
본 실시예에서는, 상기와 같이 근린생활시설 영업시간 예측모델을 생성하고, 예측모델 분석부(200)가 상기 기계학습부(100)에서 생성한 근린생활시설 영업시간 예측 모델을 통해 근린생활시설의 영업시간을 예측할 수 있다.
즉 예측모델 분석부(200)는 전력사용정보 수집부(110)로부터 근린생활시설의 실시간 전력사용량 데이터를 입력받아, 상기 실시간 전력사용량 데이터를 상기 예측모델 생성부(150)에서 생성된 근린생활시설 영업시간 예측모델에 반영하여 근린생활시설의 영업시간을 예측할 수 있다.
그리고 예측모델 분석부(200)는 근린생활시설의 영업시간을 예측하여, 근린생활시설별로 영업여부 및 영업시간을 저장한 후(S300), 소비자의 요청에 따라 정보제공부(300)를 통해 해당 근린생활시설의 영업시간을 제공할 수 있다(S400).
이때, 정보제공부(300)는 예측모델 분석부(200)에서 예측한 근린생활시설의 영업시간을 포함하는 근린생활시설 영업 정보를 외부에 제공하는 것으로, 본 실시예에서는 외부서비스(WAS/WEB)용 서버 및 외부 응용 서버를 포함할 수 있다. 즉 정보제공부(300)는 외부고객(4)의 요청에 의하여 서비스를 제공할 수 있다.
한편, 외부 응용 서버는 전력사용량 예측 정보를 제공하는 것으로, 본 실시예에서는 전력사용량 분석부(230)가 영업시간 예측 과정에서 발생하는 전력사용량 예측 결과를 별도로 저장하여 이를 활용해 정보를 제공할 수 있다.
전력사용량 분석부(230)는 전력사용량예측DB를 의미할 수 있으며, 전력사용정보 수집부(110)로부터 근린생활시설의 실시간 전력사용량 데이터를 입력받아, 상기 실시간 전력사용량 데이터를 상기 예측모델 생성부(150)에서 생성된 근린생활시설 영업시간 예측모델에 반영하여 특정일의 전력사용 패턴을 생성하고, 상기 특정일의 전력사용 패턴을 통해 단위시간당 전력량을 산출하여 해당 근린생활시설의 하루 동안 소비할 전력량을 예측할 수 있다.
상술한 바와 같이, 본 발명의 일 실시예에 따른 근린생활시설 영업시간 예측 장치 및 방법은, 실시간 전력사용량에 기계 학습을 적용하여 근린생활시설의 영업시간을 예측할 수 있도록 함으로써, 보다 정확한 영업시간 예측 결과를 제공하여 소비자의 만족도 및 신뢰도를 향상시킬 수 있다.
또한, 본 발명의 일 실시예에 따른 근린생활시설 영업시간 예측 장치 및 방법은, 고정된 값을 기준으로 각각의 근린생활시설의 영업시간을 판단하는 것이 아니라, 각각의 근린생활시설별로 다른 기준을 적용하여 영업시간을 예측함으로써, 영업시간 예측 결과에 대한 오차를 최소화할 수 있는 효과가 있다.
본 발명은 도면에 도시된 실시예를 참고로 하여 설명되었으나, 이는 예시적인 것에 불과하며, 당해 기술이 속하는 분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다.
따라서 본 발명의 진정한 기술적 보호범위는 아래의 특허청구범위에 의해서 정하여져야 할 것이다.
1 : 근린생활시설 영업시간 예측 장치
2 : AMI(Advanced Metering Infrastructure)미터 및 통신 인프라
3 : 과금용 DB
4 : 외부고객
100 : 기계학습부
110 : 전력사용정보 수집부
120 : 실측데이터 입력부
130 : 외부데이터 입력부
140 : 기계학습데이터 관리부
150 : 예측모델 생성부
200 : 예측모델 분석부
210 : 예측모델 설정부
220 : 영업시간 분석부
230 : 전력사용량 분석부
300 : 정보제공부

Claims (16)

  1. 근린생활시설의 전력사용량 데이터를 수집하는 전력사용정보 수집부;
    지도학습(Supervised Learning)을 위하여 상기 전력사용량 데이터에 대응되는 근린생활시설의 영업여부 데이터를 이진수로 표현된 레이블을 시간 단위로 부여하는 방식으로 입력하는 실측데이터 입력부; 및
    상기 전력사용정보 수집부에서 수집한 근린생활시설의 전력사용량 데이터와 상기 실측데이터 입력부에서 입력한 근린생활시설의 영업여부 데이터를 기 설정된 기간 이상 누적하여 기계학습을 수행하고, 상기 근린생활시설의 전력사용량 데이터와 영업여부 데이터를 파라미터로 하는 근린생활시설 영업시간 예측모델을 생성하는 예측모델 생성부;를 포함하고,
    상기 전력사용정보 수집부로부터 근린생활시설의 실시간 전력사용량 데이터를 입력받아, 상기 실시간 전력사용량 데이터를 상기 예측모델 생성부에서 생성된 근린생활시설 영업시간 예측모델에 반영하여 근린생활시설의 영업시간을 예측하는 예측모델 분석부; 및
    상기 예측모델 분석부에서 예측한 근린생활시설의 영업시간을 포함하는 근린생활시설 영업 정보를 외부에 제공하는 정보제공부;를 더 포함하고,
    상기 예측모델 생성부는,
    과거 누적된 전력사용량 데이터로 추출한 시간별 전력사용량이 실측 데이터와 차이가 나는 경우, 전력사용량 데이터와 영업여부 데이터를 재구성하여 2차 근린생활시설 영업시간 예측모델을 생성하고,
    상기 예측모델 생성부는,
    근린생활시설의 구분자(ID), 근린생활시설의 업종별 분류(CAT, category), 과거 특정 시간, 특정 시간의 전력사용량 데이터, 특정 시간의 영업여부 및 특정 시간의 외부 데이터 중 적어도 하나 이상을 포함하는 데이터를 입력으로 하고, 근린생활시설의 구분자(ID), 근린생활시설의 업종별 분류(CAT), 미래 또는 현재 특정 시간, 특정 시간의 전력사용량 데이터 및 특정 시간의 영업여부 중 적어도 하나 이상을 포함하는 데이터를 출력으로 하여 기계학습을 수행하고,
    상기 예측모델 분석부는,
    상기 전력사용정보 수집부로부터 근린생활시설의 실시간 전력사용량 데이터를 입력받아, 상기 실시간 전력사용량 데이터를 상기 예측모델 생성부에서 생성된 근린생활시설 영업시간 예측모델에 반영하여 특정일의 전력사용 패턴을 생성하고, 상기 특정일의 전력사용 패턴을 통해 단위시간당 전력량을 산출하여 해당 근린생활시설의 하루 동안 소비할 전력량을 예측하고,
    상기 예측모델 분석부는,
    적어도 하나 이상의 근린생활시설의 단위시간당 전력량에 기초하여 업종별, 지역별 전력사용 예측정보를 산출하는 것을 특징으로 하는 근린생활시설 영업시간 예측 장치.
  2. 삭제
  3. 제 1항에 있어서,
    상기 예측모델 생성부는,
    날짜정보, 시간정보, 계절정보, 요일정보, 날씨정보 및 기온정보 중 적어도 하나 이상을 반영하여 기계학습을 수행하는 것을 특징으로 하는 근린생활시설 영업시간 예측 장치.
  4. 삭제
  5. 삭제
  6. 제 1항에 있어서,
    상기 예측모델 생성부는,
    기 설정된 주기마다 근린생활시설 영업시간 예측모델을 업데이트하는 것을 특징으로 하는 근린생활시설 영업시간 예측 장치.
  7. 삭제
  8. 삭제
  9. 전력사용정보 수집부가 근린생활시설의 전력사용량 데이터를 수집하는 단계;
    실측데이터 입력부가 지도학습(Supervised Learning)을 위하여 상기 전력사용량 데이터에 대응되는 근린생활시설의 영업여부 데이터를 이진수로 표현된 레이블을 시간 단위로 부여하는 방식으로 입력하는 단계;
    예측모델 생성부가 상기 전력사용정보 수집부에서 수집한 근린생활시설의 전력사용량 데이터와 상기 실측데이터 입력부에서 입력한 근린생활시설의 영업여부 데이터를 기 설정된 기간 이상 누적하여 기계학습을 수행하는 단계; 및
    상기 예측모델 생성부가 근린생활시설의 전력사용량 데이터와 영업여부 데이터를 파라미터로 하는 근린생활시설 영업시간 예측모델을 생성하는 단계;를 포함하고,
    예측모델 분석부가 상기 전력사용정보 수집부로부터 근린생활시설의 실시간 전력사용량 데이터를 입력받는 단계;
    상기 예측모델 분석부가 상기 실시간 전력사용량 데이터를 상기 예측모델 생성부에서 생성된 근린생활시설 영업시간 예측모델에 반영하여 근린생활시설의 영업시간을 예측하는 단계; 및
    정보제공부가 상기 예측모델 분석부에서 예측한 근린생활시설의 영업시간을 포함하는 근린생활시설 영업 정보를 외부에 제공하는 단계;를 더 포함하고,
    상기 근린생활시설 영업시간 예측모델을 생성하는 단계에서, 상기 예측모델 생성부는,
    과거 누적된 전력사용량 데이터로 추출한 시간별 전력사용량이 실측 데이터와 차이가 나는 경우, 전력사용량 데이터와 영업여부 데이터를 재구성하여 2차 근린생활시설 영업시간 예측모델을 생성하고,
    상기 기계학습을 수행하는 단계에서, 상기 예측모델 생성부는,
    근린생활시설의 구분자(ID), 근린생활시설의 업종별 분류(CAT, category), 과거 특정 시간, 특정 시간의 전력사용량 데이터, 특정 시간의 영업여부 및 특정 시간의 외부 데이터 중 적어도 하나 이상을 포함하는 데이터를 입력으로 하고, 근린생활시설의 구분자(ID), 근린생활시설의 업종별 분류(CAT), 미래 또는 현재 특정 시간, 특정 시간의 전력사용량 데이터 및 특정 시간의 영업여부 중 적어도 하나 이상을 포함하는 데이터를 출력으로 하여 기계학습을 수행하고,
    상기 예측모델 분석부는, 상기 전력사용정보 수집부로부터 근린생활시설의 실시간 전력사용량 데이터를 입력받아, 상기 실시간 전력사용량 데이터를 상기 예측모델 생성부에서 생성된 근린생활시설 영업시간 예측모델에 반영하여 특정일의 전력사용 패턴을 생성하고, 상기 특정일의 전력사용 패턴을 통해 단위시간당 전력량을 산출하여 해당 근린생활시설의 하루 동안 소비할 전력량을 예측하고,
    상기 예측모델 분석부는, 적어도 하나 이상의 근린생활시설의 단위시간당 전력량에 기초하여 업종별, 지역별 전력사용 예측정보를 산출하는 것을 특징으로 하는 근린생활시설 영업시간 예측 방법.
  10. 삭제
  11. 제 9항에 있어서,
    상기 기계학습을 수행하는 단계에서, 상기 예측모델 생성부는,
    날짜정보, 시간정보, 계절정보, 요일정보, 날씨정보 및 기온정보 중 적어도 하나 이상을 반영하여 기계학습을 수행하는 것을 특징으로 하는 근린생활시설 영업시간 예측 방법.
  12. 삭제
  13. 삭제
  14. 제 9항에 있어서,
    상기 근린생활시설 영업시간 예측모델을 생성하는 단계는,
    상기 예측모델 생성부가 기 설정된 주기마다 근린생활시설 영업시간 예측모델을 업데이트하는 단계;를 포함하는 것을 특징으로 하는 근린생활시설 영업시간 예측 방법.
  15. 삭제
  16. 삭제
KR1020190045853A 2019-04-19 2019-04-19 근린생활시설 영업시간 예측 장치 및 방법 KR102084920B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190045853A KR102084920B1 (ko) 2019-04-19 2019-04-19 근린생활시설 영업시간 예측 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190045853A KR102084920B1 (ko) 2019-04-19 2019-04-19 근린생활시설 영업시간 예측 장치 및 방법

Publications (1)

Publication Number Publication Date
KR102084920B1 true KR102084920B1 (ko) 2020-03-05

Family

ID=69803932

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190045853A KR102084920B1 (ko) 2019-04-19 2019-04-19 근린생활시설 영업시간 예측 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102084920B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220041273A (ko) * 2020-09-24 2022-04-01 한국전력공사 상업시설 영업시간 예측모델 생성 장치 및 방법

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015145978A1 (ja) * 2014-03-28 2015-10-01 日本電気株式会社 エネルギー量推定装置、エネルギー量推定方法、及び、記録媒体
KR101696219B1 (ko) * 2015-08-20 2017-01-13 한국전력공사 근린생활시설 영업 현황 정보 제공 시스템 및 방법
JP2017062765A (ja) * 2015-09-24 2017-03-30 パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカＰａｎａｓｏｎｉｃ Ｉｎｔｅｌｌｅｃｔｕａｌ Ｐｒｏｐｅｒｔｙ Ｃｏｒｐｏｒａｔｉｏｎ ｏｆ Ａｍｅｒｉｃａ 在不在予測方法および在不在予測装置
KR101961703B1 (ko) * 2017-10-23 2019-03-25 주식회사 네오텍 Ess의 운영장치 및 그 운영방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015145978A1 (ja) * 2014-03-28 2015-10-01 日本電気株式会社 エネルギー量推定装置、エネルギー量推定方法、及び、記録媒体
KR101696219B1 (ko) * 2015-08-20 2017-01-13 한국전력공사 근린생활시설 영업 현황 정보 제공 시스템 및 방법
JP2017062765A (ja) * 2015-09-24 2017-03-30 パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカＰａｎａｓｏｎｉｃ Ｉｎｔｅｌｌｅｃｔｕａｌ Ｐｒｏｐｅｒｔｙ Ｃｏｒｐｏｒａｔｉｏｎ ｏｆ Ａｍｅｒｉｃａ 在不在予測方法および在不在予測装置
KR101961703B1 (ko) * 2017-10-23 2019-03-25 주식회사 네오텍 Ess의 운영장치 및 그 운영방법

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220041273A (ko) * 2020-09-24 2022-04-01 한국전력공사 상업시설 영업시간 예측모델 생성 장치 및 방법
KR102411743B1 (ko) * 2020-09-24 2022-06-24 한국전력공사 상업시설 영업시간 예측모델 생성 장치 및 방법

Similar Documents

Publication Publication Date Title
US11876374B2 (en) System and method for optimal control of energy storage system
Barja-Martinez et al. Artificial intelligence techniques for enabling Big Data services in distribution networks: A review
Mirowski et al. Demand forecasting in smart grids
JP6079215B2 (ja) 電力需要予測装置、プログラム
CN102084569B (zh) 用于管理电网的方法和系统
CN104657194B (zh) 用于计算网络中动作的影响的方法和系统
CN102238045A (zh) 一种无线互联网用户行为的预测系统和方法
CN109993343A (zh) 预测可交换式能源储存装置的需求的系统与方法
Hambali et al. Electric power load forecast using decision tree algorithms
Radovanovic et al. Power modeling for effective datacenter planning and compute management
Amin et al. Automating energy demand modeling and forecasting using smart meter data
Hartmann et al. Suspicious electric consumption detection based on multi-profiling using live machine learning
CN112131479A (zh) 数据的处理方法、装置、设备和存储介质
KR102084920B1 (ko) 근린생활시설 영업시간 예측 장치 및 방법
CN106022640B (zh) 电量指数核对系统及方法
CN111512326A (zh) 基于负载形状分析的能量计划通信控制系统及方法
CN112488865A (zh) 基于金融时间节点的金融风险预测方法、装置和电子设备
CN112163154A (zh) 数据处理方法、装置、设备及存储介质
WO2002027616A1 (en) Energy descriptors using artificial intelligence to maximize learning from data patterns
Liao et al. Location prediction through activity purpose: integrating temporal and sequential models
CN116226293A (zh) 一种电力客户画像生成管理的方法及系统
Wallnerström On incentives affecting risk and asset management of power distribution
CN112686705B (zh) 一种预测销售效果数据的方法、装置和电子设备
Cao et al. Long-term and multi-step ahead call traffic forecasting with temporal features mining
CN110300961A (zh) 统一智能连接器

Legal Events

Date Code Title Description
AMND Amendment
X091 Application refused [patent]
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant