KR102089772B1 - 전력 사용량 예측 시스템 및 방법 - Google Patents

전력 사용량 예측 시스템 및 방법 Download PDF

Info

Publication number
KR102089772B1
KR102089772B1 KR1020170174257A KR20170174257A KR102089772B1 KR 102089772 B1 KR102089772 B1 KR 102089772B1 KR 1020170174257 A KR1020170174257 A KR 1020170174257A KR 20170174257 A KR20170174257 A KR 20170174257A KR 102089772 B1 KR102089772 B1 KR 102089772B1
Authority
KR
South Korea
Prior art keywords
modeling
data
time
sub
real
Prior art date
Application number
KR1020170174257A
Other languages
English (en)
Other versions
KR20190088083A (ko
Inventor
이용희
Original Assignee
두산중공업 주식회사
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 두산중공업 주식회사 filed Critical 두산중공업 주식회사
Priority to KR1020170174257A priority Critical patent/KR102089772B1/ko
Priority to JP2018155831A priority patent/JP6677396B2/ja
Priority to CN201810994172.3A priority patent/CN109934374B/zh
Priority to US16/148,108 priority patent/US11092628B2/en
Priority to EP18205656.4A priority patent/EP3499671B1/en
Publication of KR20190088083A publication Critical patent/KR20190088083A/ko
Application granted granted Critical
Publication of KR102089772B1 publication Critical patent/KR102089772B1/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R21/00—Arrangements for measuring electric power or power factor
    • G01R21/133—Arrangements for measuring electric power or power factor by using digital technique
    • 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
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
    • H02J2310/10—The network having a local or delimited stationary reach
    • H02J2310/12—The local stationary network supplying a household or a building
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
    • H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B70/00—Technologies for an efficient end-user side electric power management and consumption
    • Y02B70/30—Systems integrating technologies related to power network operation and communication or information technologies for improving the carbon footprint of the management of residential or tertiary loads, i.e. smart grids as climate change mitigation technology in the buildings sector, including also the last stages of power distribution and the control, monitoring or operating management systems at local level
    • Y02B70/3225—Demand response systems, e.g. load shedding, peak shaving
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
    • Y04S20/20—End-user application control systems
    • Y04S20/222—Demand response systems, e.g. load shedding, peak shaving

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Power Engineering (AREA)
  • Accounting & Taxation (AREA)
  • Public Health (AREA)
  • Tourism & Hospitality (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

본 발명은 전력 사용량에 대한 모델링데이터를 이용하여 전력 사용량을 예측하고, 예측한 전력 사용량이 한계값에 도달하는지 판단하는 전력 사용량 예측 시스템 및 방법에 관한 것이다.
본 발명의 실시 예에 따른 전력 사용량 예측 시스템은 일정 시간 간격마다 전력 사용량을 측정하는 전력 측정부와, 상기 전력 사용량을 측정한 복수의 측정 데이터들을 시계열적으로 일정 개수로 묶어 복수의 데이터셋을 생성하고, 상기 데이터셋의 마지막 측정 데이터를 모델링출력으로 저장하고, 상기 데이터셋의 상기 모델링출력을 제외한 다른 측정 데이터를 모델링입력으로 저장하는 모델링부와, 상기 전력 측정부에서 실시간으로 측정한 실시간 데이터를 시계열적으로 상기 모델링부로 입력시키고, 상기 복수의 데이터셋과 상기 실시간 데이터를 대응시켜 상기 실시간 데이터 이후의 전력 사용량을 예측하는 예측부를 포함한다.

Description

전력 사용량 예측 시스템 및 방법{System and method for predicting power usage}
본 발명은 전력 사용량 예측 및 시스템 및 방법에 관한 것으로, 보다 자세하게는 전력 사용량에 대한 모델링데이터를 이용하여 전력 사용량을 예측하고, 예측한 전력 사용량이 한계값에 도달하는지 판단하는 전력 사용량 예측 시스템 및 방법에 관한 것이다.
현재 한국전력의 전기 요금체계는 15분 단위의 피크치를 기반으로 기본요금을 계산하는 방식을 채택하고 있다. 즉, 1년 중 가장 높은 전력을 사용한 15분에 의해 기본요금이 결정되는 것이다. 일반적으로 전력 관리가 잘 되고 있다 하더라도, 1년 중 단 15분만이라도 피크를 잘못 관리하게 되면 기본요금이 현저하게 비싸지는 현상이 발생하게 된다. 뿐만 아니라, 피크 전력은 국가적으로도 전력 공급에 차질이 생기는 중대한 문제가 발생할 수 있다. 이에 따라, 피크 전력을 관리하는 것은 개인적/국가적으로 매우 중요하다.
이를 해결하기 위해 종래에는 일정한 시간 간격으로 전력 사용량을 측정하고, 측정한 결과를 전문가가 직접 분석하여 전력 사용량이 피크를 넘어갈 지 안 넘어갈지를 판단을 해야 했다.
본 발명은 앞에서 설명한 문제점을 해결하기 위한 것으로, 전력 사용량에 대한 모델링데이터를 이용하여 예측한 전력 사용량이 한계값을 초과할지 판단하는 전력 사용량 예측 시스템 및 방법을 제공하는 것을 목적으로 한다.
본 발명은 전력 사용량 예측의 정확도를 향상시키고 별도의 변수를 사용하지 않고도 전력 사용량을 예측할 수 있는 전력 사용량 예측 시스템 및 방법을 제공하는 것을 목적으로 한다.
위에서 언급된 본 발명의 기술적 과제 외에도, 본 발명의 다른 특징 및 이점들이 이하에서 기술되거나, 그러한 기술 및 설명으로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
앞에서 설명한 목적을 달성하기 위한 본 발명의 실시 예에 따른 전력 사용량 예측 시스템은 일정 시간 간격마다 전력 사용량을 측정하는 전력 측정부와, 전력 사용량을 측정한 복수의 측정 데이터들을 시계열적으로 일정 개수로 묶어 복수의 데이터셋을 생성하고, 데이터셋의 마지막 측정 데이터를 모델링출력으로 저장하고, 데이터셋의 모델링출력을 제외한 다른 측정 데이터를 모델링입력으로 저장하는 모델링부와, 전력 측정부에서 실시간으로 측정한 실시간 데이터를 시계열적으로 모델링부로 입력시키고, 복수의 데이터셋과 실시간 데이터를 대응시켜 실시간 데이터 이후의 전력 사용량을 예측하는 예측부를 포함한다.
여기서, 복수의 데이터셋들 중 적어도 하나의 데이터셋은 복수의 데이터셋들 중 다른 데이터셋과 일부 측정 데이터가 중복된다.
또한, 모델링부는 복수의 데이터셋들을 시계열적으로 저장하고, 예측부는 복수의 데이터셋들 중 실시간 데이터와 대응되는 모델링입력을 가지는 데이터셋을 도출하고, 도출한 데이터셋의 모델링출력을 이용하여 전력 사용량을 예측한다.
또한, 데이터셋들 간은 일정 시간 간격을 가진다.
또한, 모델링부는 데이터셋을 구성하는 모델링입력들 사이의 추가적인 측정 데이터를 기초로 서브 모델링입력을 도출하고, 서브 모델링입력은 모델링입력들 사이의 시간들에서 측정된 전력 사용량에 대한 데이터를 포함한다.
또한, 서브 모델링입력은 시계열적으로 근접한 모델링입력들 사이에 적어도 하나 이상으로 존재할 수 있고, 모델링부는 도출되는 서브 모델링입력의 개수에 따라 전력 사용량에 대한 모델링의 시간 간격을 조절할 수 있다.
또한, 전력 측정부는 시계열적으로 근접한 실시간 데이터들 사이의 시간에서 서브 실시간 데이터를 측정하고, 예측부는 실시간 데이터 및 서브 실시간 데이터와 대응되는 데이터셋의 모델링출력을 통해 전력 사용량을 예측한다.
또한, 예측부는 예측한 전력 사용량이 기 설정된 한계값을 초과하는지 판단한다.
또한, 전기 에너지를 저장하는 에너지저장장치를 포함하고, 예측부에서 예측한 전력 사용량이 기 설정된 한계값을 초과하는 것으로 판단되면 에너지저장장치에 저장된 전기 에너지를 대체로 사용한다.
앞에서 설명한 목적을 달성하기 위한 본 발명의 실시 예에 따른 전력 사용량 예측 방법은 일정 시간 간격으로 전력 사용량을 측정한 측정 데이터를 시계열적으로 일정 개수로 묶어 복수의 데이터셋을 생성하고, 데이터셋의 마지막 측정 데이터를 모델링출력으로 저장하고, 데이터셋의 모델링출력을 제외한 다른 측정 데이터를 모델링입력으로 저장하는 단계와, 실시간으로 전력 사용량을 측정한 실시간 데이터와 대응되는 데이터셋을 통해 실시간 데이터 이후의 전력 사용량을 예측하는 단계를 포함한다.
여기서, 전력 사용량을 예측하는 단계에 있어서, 복수의 데이터셋들을 시계열적으로 저장하고, 복수의 데이터셋들 중 실시간 데이터와 대응되는 모델링입력을 가지는 데이터셋을 도출하고, 도출한 데이터셋의 모델링출력을 이용하여 전력 사용량을 예측한다.
또한, 모델링입력으로 저장하는 단계에 있어서, 데이터셋을 구성하는 모델링입력들 사이의 추가적인 측정 데이터를 기초로 모델링입력들 사이의 시간들에서 측정된 전력 사용량에 대한 데이터를 포함하는 서브 모델링입력을 도출하는 단계를 더 포함한다.
또한, 모델링입력으로 저장하는 단계에 있어서, 시계열적으로 근접한 실시간 데이터들 사이의 시간에서 서브 실시간 데이터를 측정하고, 예측부는 실시간 데이터 및 서브 실시간 데이터와 대응되는 데이터셋의 모델링출력을 통해 전력 사용량을 예측한다.
또한, 전력 사용량을 예측하는 단계에 있어서, 예측한 전력 사용량이 기 설정된 한계값을 초과하는지 판단한다.
본 발명의 실시 예에 따른 전력 사용량 예측 시스템 및 방법은 전력 사용량에 대한 모델링모듈을 이용하여 높은 정확도로 전력 사용량을 예측할 수 있다.
또한, 전력 사용량 예측의 정확도를 향상시키고 별도의 변수를 사용하지 않고 모델링할 수 있으므로 전문가의 도움 없이 전력 사용량을 예측할 수 있다.
이 밖에도, 본 발명의 실시 예들을 통해 본 발명의 또 다른 특징 및 이점들이 새롭게 파악될 수도 있을 것이다.
도 1은 본 발명의 실시 예에 따른 전력 사용량 예측 시스템의 구성을 나타내는 블럭도이다.
도 2는 본 발명의 실시 예에 따른 데이터셋의 구성을 나타내는 도면이다.
도 3은 본 발명의 실시 예에 따른 모델링입력 및 서브 모델링입력을 나타내는 도면이다.
도 4는 본 발명의 실시 예에 따른 데이터셋 생성 방법을 나타내는 도면이다.
도 5는 본 발명의 실시 예에 따른 전력 사용량 예측 방법을 나타내는 도면이다.
이하, 첨부한 도면을 참고로 하여 본 발명의 실시 예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다.
본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 동일 또는 유사한 구성요소에 대해서는 동일한 참조 부호를 붙이도록 한다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
어느 부분이 다른 부분의 "위에" 있다고 언급하는 경우, 이는 바로 다른 부분의 위에 있을 수 있거나 그 사이에 다른 부분이 수반될 수 있다. 대조적으로 어느 부분이 다른 부분의 "바로 위에" 있다고 언급하는 경우, 그 사이에 다른 부분이 수반되지 않는다.
제1, 제2 및 제3 등의 용어들은 다양한 부분, 성분, 영역, 층 및/또는 섹션들을 설명하기 위해 사용되나 이들에 한정되지 않는다. 이들 용어들은 어느 부분, 성분, 영역, 층 또는 섹션을 다른 부분, 성분, 영역, 층 또는 섹션과 구별하기 위해서만 사용된다. 따라서, 이하에서 서술하는 제1 부분, 성분, 영역, 층 또는 섹션은 본 발명의 범위를 벗어나지 않는 범위 내에서 제2 부분, 성분, 영역, 층 또는 섹션으로 언급될 수 있다.
여기서 사용되는 전문 용어는 단지 특정 실시 예를 언급하기 위한 것이며, 본 발명을 한정하는 것을 의도하지 않는다. 여기서 사용되는 단수 형태들은 문구들이 이와 명백히 반대의 의미를 나타내지 않는 한 복수 형태들도 포함한다. 명세서에서 사용되는 "포함하는"의 의미는 특정 특성, 영역, 정수, 단계, 동작, 요소 및/또는 성분을 구체화하며, 다른 특성, 영역, 정수, 단계, 동작, 요소 및/또는 성분의 존재나 부가를 제외시키는 것은 아니다.
"아래", "위" 등의 상대적인 공간을 나타내는 용어는 도면에서 도시된 한 부분의 다른 부분에 대한 관계를 보다 쉽게 설명하기 위해 사용될 수 있다. 이러한 용어들은 도면에서 의도한 의미와 함께 사용 중인 장치의 다른 의미나 동작을 포함하도록 의도된다. 예를 들면, 도면 중의 장치를 뒤집으면, 다른 부분들의 "아래"에 있는 것으로 설명된 어느 부분들은 다른 부분들의 "위"에 있는 것으로 설명된다. 따라서 "아래"라는 예시적인 용어는 위와 아래 방향을 전부 포함한다. 장치는 90˚ 회전 또는 다른 각도로 회전할 수 있고, 상대적인 공간을 나타내는 용어도 이에 따라서 해석된다.
다르게 정의하지는 않았지만, 여기에 사용되는 기술용어 및 과학용어를 포함하는 모든 용어들은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 일반적으로 이해하는 의미와 동일한 의미를 가진다. 보통 사용되는 사전에 정의된 용어들은 관련 기술문헌과 현재 개시된 내용에 부합하는 의미를 가지는 것으로 추가 해석되고, 정의되지 않는 한 이상적이거나 매우 공식적인 의미로 해석되지 않는다.
이하, 첨부한 도면을 참조하여 본 발명의 실시 예에 대하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다.
도 1은 본 발명의 실시 예에 따른 전력 사용량 예측 시스템의 구성을 나타내는 블럭도이다.
도 1을 참조하면, 본 발명의 실시 예에 따른 전력 사용량 예측 시스템(100)는 전력 측정부(110), 모델링부(120) 및 예측부(130)를 포함할 수 있다.
전력 측정부(110)는 일정 시간 간격마다 전력 사용량을 측정할 수 있다. 전력 측정부(110)는 일정 시간 간격마다 전력 사용량을 측정하는 것에 한정되지 않고, 일정 시간동안 전력 사용량을 측정하여 평균값을 출력하거나, 일정 시간동안 전력 사용량을 측정하여 가장 높은 전력 사용량을 출력할 수 있다. 전력 측정부(110)는 전력을 사용하는 각각의 부하에서 사용하는 전력을 측정할 수 있고, 일정 범위 내에서 전력을 사용하는 전체 부하에서 사용하는 전력을 측정할 수 있다. 전력 측정부(110)는 측정한 전력 사용량을 모델링부(120) 및 예측부(130)로 전달할 수 있다.
모델링부(120)는 전력 사용량을 측정한 복수의 측정 데이터들을 시계열적으로 일정 개수로 묶어 복수의 데이터셋을 생성하고, 데이터셋의 마지막 측정 데이터를 모델링출력으로 저장하고, 데이터셋의 모델링출력을 제외한 다른 모델링입력으로 저장할 수 있다.
구체적으로, 전력 측정부(110)가 10분 간격마다 전력 사용량을 측정하면 모델링부(120)는 10분의 측정 데이터, 20분의 측정 데이터, 30분의 측정 데이터, 40분의 측정 데이터 등을 시계열적으로 나열하고, 일정 개수로 묶어 데이터셋을 생성할 수 있다. 즉, 모델링부(120)는 10분의 측정 데이터, 20분의 측정 데이터, 30분의 측정 데이터, 40분의 측정 데이터를 하나의 데이터셋으로 구성할 수 있다. 모델링부(120)는 데이터셋에서 시계열적으로 나열된 측정 데이터 중 마지막 측정 데이터를 모델링출력으로 저장하고, 모델링출력을 제외한 다른 측정 데이터를 모델링입력으로 저장할 수 있다. 즉, 모델링부(120)는 10분의 측정 데이터, 20분의 측정 데이터, 30분의 측정 데이터를 모델링입력으로 저장하고, 40분의 측정 데이터를 모델링출력으로 저장할 수 있다.
또한, 모델링부(120)는 복수의 데이터셋들 중 적어도 하나의 데이터셋은 복수의 데이터셋들 중 다른 데이터셋과 일부 측정 데이터가 중복되도록 구성할 수 있다. 구체적으로, 전력 측정부(110)가 10분 간격마다 전력 사용량을 측정하면 모델링부(120)는 10분의 측정 데이터, 20분의 측정 데이터, 30분의 측정 데이터, 40분의 측정 데이터 등의 복수의 측정 데이터를 일정 개수로 묶어 데이터셋을 생성할 수 있다. 즉, 모델링부(120)는 10분의 측정 데이터, 20분의 측정 데이터, 30분의 측정 데이터, 40분의 측정 데이터를 하나의 데이터셋으로 구성할 수 있다. 또한, 모델링부(120)는 20분의 측정 데이터, 30분의 측정 데이터, 40분의 측정 데이터, 50분의 측정 데이터를 하나의 데이터셋으로 구성할 수 있다. 이때, 모델링부(120)는 복수개로 생성되는 데이터셋들을 시계열적으로 저장할 수 있다.
여기서, 복수의 데이터셋들 간은 일정 시간 간격을 가질 수 있다. 즉, 10분의 측정 데이터, 20분의 측정 데이터, 30분의 측정 데이터, 40분의 측정 데이터로 구성된 데이터셋과, 20분의 측정 데이터, 30분의 측정 데이터, 40분의 측정 데이터, 50분의 측정 데이터로 구성된 데이터셋 사이는 일정 시간 간격일 수 있다.
또한, 모델링부(120)는 데이터셋을 구성하는 모델링입력들 사이의 추가적인 측정 데이터를 기초로 서브 모델링입력을 도출할 수 있다. 여기서, 서브 모델링입력은 모델링입력들 사이의 시간들에서 측정된 전력 사용량에 대한 데이터를 포함할 수 있다. 구체적으로, 전력 측정부(110)는 측정 데이터들 사이의 시간에서 측정 데이터를 추가로 측정할 수 있고, 모델링부(120)는 추가로 측정된 측정 데이터를 서브 모델링입력으로 저장할 수 있다. 일 예로, 전력 측정부(110)는 10분의 측정 데이터와 20분의 측정 데이터 사이인 15분에서 추가적으로 전력 사용량을 측정할 수 있다. 이때, 모델링부(120)는 15분의 측정 데이터를 10분의 측정 데이터 및 20분의 측정 데이터로 구성된 데이터셋에 저장할 수 있다. 즉, 모델링부(120)는 10분의 측정 데이터-15분의 측정 데이터-20분의 측정 데이터를 하나의 데이터셋으로 구성할 수 있고, 10분의 측정 데이터 및 20분의 측정 데이터를 모델링입력으로, 15분의 측정 데이터를 서브 모델링입력으로 저장할 수 있다. 서브 모델링입력은 시계열적으로 근접한 모델링입력들 사이에 적어도 하나 이상으로 존재할 수 있고, 모델링부(120)는 도출되는 모델링입력의 개수에 따라 전력 사용량에 대한 모델링의 시간 간격을 조절할 수 있다.
예측부(130)는 전력 측정부(110)에서 실시간으로 측정한 실시간 데이터를 시계열적으로 모델링부(120)로 입력시키고, 복수의 데이터셋과 실시간 데이터를 대응시켜 실시간 데이터 이후의 전력 사용량을 예측할 수 있다.
구체적으로, 전력 측정부(110)는 실시간으로 일정 시간 간격마다 전력 사용량을 측정하고, 예측부(130)는 전력 측정부(110)에서 측정한 실시간 데이터를 시계열적으로 모델링부(120)로 입력시킨다. 예측부(130)는 모델링부(120)에 저장된 데이터셋들 중 실시간 데이터와 대응되는 모델링입력을 가지는 데이터셋을 도출할 수 있다. 예측부(130)는 도출된 데이터셋의 모델링출력을 이용하여 실시간 데이터 이후의 전력 사용량을 예측할 수 있다. 즉, 데이터셋에 구성되는 측정 데이터는 시계열적으로 나열되어 있고, 모델링출력은 데이터셋의 마지막 측정 데이터이므로 예측부(130)는 모델링출력의 이전 시간의 데이터인 모델링입력과 동일한 실시간 데이터가 측정되면 실시간 데이터 이후에는 모델링출력과 동일한 전력 사용량이 측정될 것임을 예측할 수 있다.
또한, 예측부(130)는 실시간으로 측정되는 실시간 데이터 및 서브 실시간 데이터와 대응되는 데이터셋의 모델링출력을 통해 전력 사용량을 예측할 수 있다. 여기서, 서브 실시간 데이터는 시계열적으로 근접한 실시간 데이터들 사이의 시간들에서 측정된 전력 사용량에 대한 데이터를 포함할 수 있다. 서브 실시간 데이터는 전력 측정부(110)에서 측정될 수 있다. 일 예로, 전력 측정부(110)는 10분의 실시간 데이터와 20분의 실시간 데이터 사이인 15분에서 추가적으로 전력 사용량을 측정할 수 있다. 이때, 예측부(130)는 10분의 실시간 데이터-15분의 서브 실시간 데이터-20분의 실시간 데이터를 시계열적으로 모델링부(120)로 입력시킬 수 있다. 예측부(130)는 10분의 실시간 데이터 및 20분의 실시간 데이터와 대응되는 모델링입력을 가지는 데이터셋을 도출하고, 15분의 서브 실시간 데이터를 도출된 모델링셋의 서브 모델링입력과 비교할 수 있다. 즉, 10분의 실시간 데이터 및 20분의 실시간 데이터와 대응되는 시계열적인 두개의 모델링입력들 사이의 서브 모델링입력과 15분의 서브 실시간 데이터를 비교할 수 있다. 여기서, 서브 모델링입력 및 서브 실시간 데이터는 전력 사용량을 더 정확하게 예측하기 위한 것으로, 반드시 동일할 필요는 없다. 예측부(130)는 서브 모델링입력과 서브 실시간 데이터 간의 차이를 반영하여 더 정확하게 전력 사용량을 예측할 수 있다.
예측부(130)는 예측한 전력 사용량이 기 설정된 한계값을 초과하는지 판단할 수 있다. 전력을 사용함에 있어서 기 설정된 한계값이 존재하는데, 전력 사용량이 이 한계값을 초과하는 경우 전력 사용량에 대한 요금이 급격하게 증가한다거나, 과태료를 지불해야 할 수 있다. 이에 따라, 예측부(130)는 예측한 전력 사용량이 기 설정된 한계값을 초과하는지 판단하고, 전력 사용량이 기 설정된 한계값을 초과한다고 판단되는 경우에 그에 따른 조치를 취하도록 할 수 있다. 전력 사용량이 기 설정된 한계값을 초과한다고 판단되는 경우에 그에 따른 조치로는 전력을 사용하는 부하의 전원을 차단하거나, 에너지저장장치(미도시)에 저장된 전기 에너지를 대체로 사용하도록 할 수 있다. 여기서, 에너지저장장치(미도시)는 태양열, 태양광발전, 바이오메스, 풍력, 소수력, 지열, 해양에너지, 폐기물에너지 등의 재생에너지와 연료전지, 석탄액화가스화, 수소에너지 등의 신재생에너지로부터 발전되어 생성된 전기 에너지를 저장할 수 있다.
도 2는 본 발명의 실시 예에 따른 데이터셋의 구성을 나타내는 도면이다.
도 1 및 도 2를 참조하면, 전력 측정부(110)는 일정 시간 간격마다 전력 사용량을 측정할 수 있다. 모델링부(120)는 전력 사용량을 측정한 복수의 측정 데이터들(11, 12, 13, 14, 15, 16, 17)을 시계열적으로 일정 개수로 묶어 복수의 데이터셋(10a, 10b, 10c)을 생성할 수 있다.
구체적으로, 모델링부(120)는 측정 데이터(11, 12, 13, 14)를 묶어 제1 데이터셋(10a)을 생성할 수 있다. 이때, 모델링부(120)는 시계열적으로 마지막 측정 데이터(14)를 모델링출력으로 저장하고, 모델링출력을 제외한 다른 측정 데이터(11, 12, 13)를 모델링입력으로 저장할 수 있다. 여기서, 전력 측정부(110)가 실시간으로 측정한 실시간 데이터가 측정 데이터(11, 12, 13)와 대응되면 예측부(130)는 실시간 데이터 이후의 전력 사용량을 모델링출력인 측정 데이터(14)를 기초로 예측할 수 있다.
또한, 모델링부(120)는 제1 데이터셋(10a)에서 시계열적으로 가장 빠른 측정 데이터(11)를 제외하고, 제1 데이터셋(10a)의 시계열적으로 마지막 측정 데이터(14)의 바로 직후의 측정 데이터(15)를 포함하여 새로운 데이터셋을 생성할 수 있다. 즉, 모델링부(120)는 측정 데이터(12, 13, 14, 15)를 묶어 제2 데이터셋(10b)을 생성할 수 있다. 이때, 모델링부(120)는 시계열적으로 마지막 측정 데이터(15)를 모델링출력으로 저장하고, 모델링출력을 제외한 다른 측정 데이터(12, 13, 14)를 모델링입력으로 저장할 수 있다. 여기서, 전력 측정부(110)가 실시간으로 측정한 실시간 데이터가 측정 데이터(12, 13 14)와 대응되면 예측부(130)는 실시간 데이터 이후의 전력 사용량을 모델링출력인 측정 데이터(15)를 기초로 예측할 수 있다.
또한, 모델링부(120)는 제2 데이터셋(10b)에서 시계열적으로 가장 빠른 측정 데이터(12)를 제외하고, 제2 데이터셋(10b)의 시계열적으로 마지막 측정 데이터(15)의 바로 직후의 측정 데이터(16)를 포함하여 새로운 데이터셋을 생성할 수 있다. 즉, 모델링부(120)는 측정 데이터(13, 14, 15, 16)를 묶어 제3 데이터셋(10c)을 생성할 수 있다. 이때, 모델링부(120)는 시계열적으로 마지막 측정 데이터(16)를 모델링출력으로 저장하고, 모델링출력을 제외한 다른 측정 데이터(13, 14, 15)를 모델링입력으로 저장할 수 있다. 모델링부(120)는 복수의 데이터셋을 생성하여 전력 사용량을 더 정확하게 예측하도록 할 수 있다.
도 3은 본 발명의 실시 예에 따른 모델링입력 및 서브 모델링입력을 나타내는 도면이다.
도 1 및 도 3을 참조하면, 모델링부(120)는 모델링입력들 사이의 시간들에서 측정되는 전력 사용량에 대한 데이터를 포함하는 서브 모델링입력을 데이터셋을 구성하는 모델링입력들 사이의 추가적인 측정 데이터를 통해 도출할 수 있다.
구체적으로, 전력 측정부(110)는 측정 데이터(11)와 측정 데이터(12) 사이의 시간에서 추가로 전력 사용량을 측정할 수 있고, 모델링부(120)는 추가로 측정된 측정 데이터를 서브 모델링입력(21, 22)으로 저장할 수 있다. 이때, 서브 모델링입력(21, 22) 간의 시간 간격(40)은 동일하고, 서브 모델링입력의 개수는 두개로 한정되지 않고, 적어도 하나 이상일 수 있다. 여기서, 서브 모델링입력 간의 시간 간격(40)은 모델링입력 간의 시간 간격(30)보다 짧은 시간 간격일 수 있고, 서브 모델링입력 중 시계열적으로 가장 빠른 서브 모델링입력(21)과, 시계열적으로 가장 빠른 서브 모델링입력(21)과 가장 근접한 모델링입력(11) 간의 시간 간격은 서브 모델링입력 간의 시간 간격(40)과 동일할 수 있다. 또한, 서브 모델링입력 중 시계열적으로 가장 마지막 서브 모델링입력(22)과, 시계열적으로 가장 마지막 서브 모델링입력(22)과 가장 근접한 모델링입력(12) 간의 시간 간격은 서브 모델링입력 간의 시간 간격(40)과 동일할 수 있다.
또한, 모델링부(120)는 전력 측정부(110)에서 추가로 측정된 측정 데이터를 서브 모델링입력(23, 24)으로 저장할 수 있다. 이때, 서브 모델링입력(23, 24) 간의 시간 간격(40)은 동일하고, 서브 모델링입력 간의 시간 간격(40)은 모델링입력 간의 시간 간격(30)보다 짧은 시간 간격일 수 있다. 또한, 서브 모델링입력 중 시계열적으로 가장 빠른 서브 모델링입력(23)과, 시계열적으로 가장 빠른 서브 모델링입력(23)과 가장 근접한 모델링입력(12) 간의 시간 간격은 서브 모델링입력 간의 시간 간격(40)과 동일할 수 있다. 또한, 서브 모델링입력 중 시계열적으로 가장 마지막 서브 모델링입력(24)과, 시계열적으로 가장 마지막 서브 모델링입력(24)과 가장 근접한 모델링입력(13) 간의 시간 간격은 서브 모델링입력 간의 시간 간격(40)과 동일할 수 있다. 예측부(130)는 서브 모델링입력을 이용하여 실시간 데이터 이후의 전력 사용량을 더 정확하게 예측할 수 있다.
도 4는 본 발명의 실시 예에 따른 데이터셋 생성 방법을 나타내는 도면이다.
도 1 및 도 4를 참조하면, 전력 측정부(110)는 일정 시간 간격마다 전력 사용량을 측정할 수 있다(S10). 전력 측정부(110)는 일정 시간 간격마다 전력 사용량을 측정하고, 전력 사용량을 측정한 측정 데이터들 사이의 시간에서 측정 데이터를 추가로 측정할 수 있다. 여기서, 추가로 측정한 측정 데이터는 복수개일 수 있다.
모델링부(120)는 측정 데이터를 시계열적으로 일정 개수로 묶어 복수의 데이터셋을 생성할 수 있다(S21). 모델링부(120)는 전력 측정부(110)가 측정한 측정 데이터를 시계열적으로 나열하고, 일정 개수로 묶어 데이터셋을 생성할 수 있다. 또한, 모델링부(120)는 생성된 데이터셋에서 시계열적으로 가장 빠른 측정 데이터를 제외하고, 생성된 데이터셋에서 시계열적으로 가장 마지막 측정 데이터의 바로 직후의 측정 데이터를 포함하여 새로운 데이터셋을 생성할 수 있다. 이때, 모델링부(120)는 측정 데이터들 사이의 시간에서 추가로 측정한 측정 데이터들을 포함하여 데이터셋을 생성할 수 있다. 데이터셋은 복수개로 생성될 수 있고, 모델링부(120)는 데이터셋을 시계열적으로 저장할 수 있다.
모델링부(120)는 데이터셋의 마지막 측정 데이터를 모델링출력으로 저장하고, 다른 측정 데이터들을 모델링입력으로 저장할 수 있다(S22). 모델링부(120)는 데이터셋에서 시계열적으로 나열된 측정 데이터 중 마지막 측정 데이터를 모델링출력으로 저장하고, 모델링출력을 제외한 다른 측정 데이터를 모델링입력으로 저장할 수 있다. 이때, 모델링부(120)는 측정 데이터들 사이의 시간에서 추가로 측정된 측정 데이터를 서브 모델링입력으로 저장할 수 있다.
도 5는 본 발명의 실시 예에 따른 전력 사용량 예측 방법을 나타내는 도면이다.
도 1 및 도 5를 참조하면, 전력 측정부(110)는 실시간으로 일정 시간 간격마다 전력 사용량을 측정할 수 있다(S20). 전력 측정부(110)는 일정 시간 간격마다 전력 사용량을 측정하고, 전력 사용량을 측정한 실시간 데이터들 사이의 시간에서 실시간 데이터를 추가로 측정할 수 있다. 여기서, 추가로 측정한 실시간 데이터는 복수개일 수 있다.
예측부(130)는 전력 측정부(110)에서 실시간으로 측정한 실시간 데이터와 대응되는 데이터셋을 도출할 수 있다(S21). 예측부(130)는 모델링부(120)에 저장된 데이터셋들 중 실시간 데이터와 대응되는 모델링입력을 가지는 데이터셋을 도출할 수 있다. 이때, 예측부(130)는 실시간 데이터들 사이의 시간에서 추가로 측정한 실시간 데이터를 서브 모델링입력과 비교하여 더 정확한 데이터셋을 도출해낼 수 있다.
예측부(130)는 도출한 데이터셋의 모델링출력으로 실시간 데이터 이후의 전력 사용량을 예측할 수 있다(S22). 예측부(130)는 도출된 데이터셋의 시계열적으로 마지막 측정 데이터인 모델링출력을 이용하여 실시간 데이터 이후의 전력 사용량을 예측할 수 있다. 즉, 데이터셋에 구성되는 측정 데이터는 시계열적으로 나열되어 있고, 모델링출력은 데이터셋의 마지막 측정 데이터이므로 예측부(130)는 모델링출력의 이전 시간의 데이터인 모델링입력과 동일한 실시간 데이터가 측정되면 실시간 데이터 이후에는 모델링출력과 동일한 전력 사용량이 측정될 것임을 예측할 수 있다.
예측부(130)에서 예측한 전력 사용량이 한계값을 초과하는지 판단할 수 있다(S23). 전력을 사용함에 있어서 기 설정된 한계값을 초과하는 경우 전력 사용량에 대한 요금이 급격하게 증가한다거나, 과태료를 지불해야 할 수 있다. 이에 따라, 예측부(130)는 예측한 전력 사용량이 기 설정된 한계값을 초과하는지 판단할 수 있다.
예측부(130)에서 예측한 전력 사용량이 한계값을 초과하면 저장된 에너지를 대체로 사용할 수 있다(S24). 저장된 전기 에너지를 사용함으로써, 전력 사용량이 한계값을 초과하는 것을 방지할 수 있다. 여기서, 전력 사용량이 한계값을 초과하는 경우 저장된 에너지를 사용하는 것으로 한정하지 않고, 전력을 사용하는 부하의 전원을 차단할 수도 있다.
전술한 바와 같이 본 발명의 실시 예에 따르면 전력 사용량에 대한 모델링데이터를 이용하여 전력 사용량을 예측하고, 예측한 전력 사용량이 한계값에 도달하는지 판단하는 전력 사용량 예측 시스템 및 방법을 실현할 수 있다.
본 발명이 속하는 기술 분야의 당업자는 본 발명이 그 기술적 사상이나 필수적 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있으므로, 이상에서 기술한 실시 예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로서 이해해야만 한다. 본 발명의 범위는 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 등가개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
100: 전력 사용량 예측 장치
110: 전력 측정부
120: 모델링부
130: 예측부
10a: 제1 데이터셋
10b: 제2 데이터셋
10c: 제3 데이터셋
11, 12, 13, 14, 15, 16, 17: 측정 데이터
21, 22, 23, 24: 서브 모델링입력
30: 모델링입력 간의 시간 간격
40: 서브 모델링입력 간의 시간 간격

Claims (14)

  1. 일정 시간 간격마다 전력 사용량을 측정하는 전력 측정부;
    상기 전력 사용량을 측정한 복수의 측정 데이터들을 시계열적으로 일정 개수로 묶어 복수의 데이터셋을 생성하고, 상기 데이터셋의 마지막 측정 데이터를 모델링출력으로 저장하고, 상기 데이터셋의 상기 모델링출력을 제외한 다른 측정 데이터를 모델링입력으로 저장하는 모델링부; 및
    상기 전력 측정부에서 실시간으로 측정한 실시간 데이터를 시계열적으로 상기 모델링부로 입력시키고, 상기 복수의 데이터셋과 상기 실시간 데이터를 대응시켜 상기 실시간 데이터 이후의 전력 사용량을 예측하는 예측부;를 포함하고,
    상기 모델링부는 상기 복수의 데이터셋들을 시계열적으로 저장하고,
    상기 예측부는 상기 복수의 데이터셋들 중 상기 실시간 데이터와 대응되는 모델링입력을 가지는 데이터셋을 도출하고, 상기 도출된 실시간 데이터와 대응되는 모델링입력을 가지는 데이터셋의 모델링출력을 이용하여 전력 사용량을 예측하고,
    상기 모델링부는 상기 데이터셋을 구성하는 상기 모델링입력들 사이의 추가적인 측정 데이터를 기초로 서브 모델링입력을 도출하고,
    상기 서브 모델링입력은 상기 모델링입력들 사이의 특정 시간에서 측정된 상기 전력 사용량에 대한 데이터를 포함하고,
    상기 서브 모델링입력은 시계열적으로 근접한 상기 모델링입력들 사이에 적어도 하나 이상으로 존재하고,
    상기 모델링부는 도출되는 상기 서브 모델링입력의 개수에 따라 상기 전력 사용량에 대한 모델링의 시간 간격을 조절할 수 있고,
    상기 전력 측정부는 시계열적으로 근접한 상기 실시간 데이터들 사이의 시간에서 서브 실시간 데이터를 측정하고,
    상기 예측부는,
    상기 실시간 데이터 및 상기 서브 실시간 데이터와 대응되는 데이터셋의 모델링출력을 통해 상기 전력 사용량을 예측하고,
    상기 서브 모델링입력과 상기 서브 실시간 데이터를 비교하고, 비교 결과에 따라 상기 서브 모델링입력과 상기 서브 실시간 데이터 간의 차이를 반영하여 더 정확한 데이터셋을 도출하고,
    상기 예측부는 실시간 데이터와 대응되는 데이터셋의 모델링출력과 동일한 전력량을 전력 사용량으로서 예측하는 전력 사용량 예측 시스템.
  2. 제1항에 있어서,
    상기 복수의 데이터셋들 중 적어도 하나의 데이터셋은 상기 복수의 데이터셋들 중 다른 데이터셋과 일부 측정 데이터가 중복되는 전력 사용량 예측 시스템.
  3. 제1항에 있어서,
    상기 예측부는 상기 서브 모델링입력과 상기 서브 실시간 데이터를 비교하고, 비교 결과에 따라 상기 서브 모델링입력과 상기 서브 실시간 데이터 간의 차이를 반영하여 전력 사용량을 예측하는 전력 사용량 예측 시스템.
  4. 제1항에 있어서,
    상기 데이터셋들 간은 상기 일정 시간 간격을 가지는 전력 사용량 예측 시스템.
  5. 제1항에 있어서,
    상기 서브 모델링입력 중 시계열적으로 가장 빠른 서브 모델링입력과, 상기 시계열적으로 가장 빠른 서브 모델링입력과 가장 근접한 모델링입력 간의 시간 간격은 서브 모델링입력 간의 시간 간격과 동일하고,
    상기 서브 모델링입력 중 시계열적으로 가장 마지막 서브 모델링입력과, 상기 시계열적으로 가장 마지막 서브 모델링입력과 가장 근접한 모델링입력 간의 시간 간격은 서브 모델링입력 간의 시간 간격과 동일한, 전력 사용량 예측 시스템.
  6. 삭제
  7. 삭제
  8. 제1항에 있어서,
    상기 예측부는 예측한 상기 전력 사용량이 기 설정된 한계값을 초과하는지 판단하는 전력 사용량 예측 시스템.
  9. 제1항에 있어서,
    전기 에너지를 저장하는 에너지저장장치를 포함하고,
    상기 예측부에서 예측한 상기 전력 사용량이 기 설정된 한계값을 초과하는 것으로 판단되면 상기 에너지저장장치에 저장된 전기 에너지를 대체로 사용하는 전력 사용량 예측 시스템.
  10. 전력 사용량 예측 시스템에 기반하여 전력 사용량을 예측하는 방법에 있어서,
    상기 전력 사용량 예측 시스템에서 일정 시간 간격으로 전력 사용량을 측정한 측정 데이터를 시계열적으로 일정 개수로 묶어 복수의 데이터셋을 생성하고, 상기 데이터셋의 마지막 측정 데이터를 모델링출력으로 저장하고, 상기 데이터셋의 상기 모델링출력을 제외한 다른 측정 데이터를 모델링입력으로 저장하는 단계; 및
    상기 전력 사용량 예측 시스템에서 실시간으로 전력 사용량을 측정한 실시간 데이터와 대응되는 데이터셋을 통해 상기 실시간 데이터 이후의 전력 사용량을 예측하는 단계;를 포함하고,
    상기 전력 사용량을 예측하는 단계에 있어서,
    상기 복수의 데이터셋들을 시계열적으로 저장하고,
    상기 복수의 데이터셋들 중 실시간 데이터와 대응되는 모델링입력을 가지는 데이터셋을 도출하고, 상기 도출된 실시간 데이터와 대응되는 모델링입력을 가지는 데이터셋의 모델링출력을 이용하여 전력 사용량을 예측하는 단계를 포함하고,
    상기 모델링입력으로 저장하는 단계에 있어서,
    상기 데이터셋을 구성하는 상기 모델링입력들 사이의 추가적인 측정 데이터를 기초로 상기 모델링입력들 사이의 시간들에서 측정된 상기 전력 사용량에 대한 데이터를 포함하는 서브 모델링입력을 도출하는 단계를 더 포함하고,
    상기 모델링입력으로 저장하는 단계에 있어서,
    시계열적으로 근접한 상기 실시간 데이터들 사이의 시간에서 서브 실시간 데이터를 측정하고,
    상기 전력 사용량 예측 시스템은 상기 실시간 데이터 및 상기 서브 실시간 데이터와 대응되는 데이터셋의 모델링출력을 통해 상기 전력 사용량을 예측하는 단계를 포함하고,
    상기 전력 사용량을 예측하는 단계에 있어서,
    상기 서브 모델링입력과 상기 서브 실시간 데이터를 비교하고, 비교 결과에 따라 상기 서브 모델링입력과 상기 서브 실시간 데이터 간의 차이를 반영하여 더 정확한 데이터셋을 도출하고, 실시간 데이터와 대응되는 데이터셋의 모델링출력과 동일한 전력량을 전력 사용량으로서 예측하는 단계를 더 포함하는 전력 사용량 예측 방법.
  11. 제10항에 있어서, 상기 전력 사용량을 예측하는 단계에 있어서,
    상기 서브 모델링입력과 상기 서브 실시간 데이터를 비교하고, 비교 결과에 따라 상기 서브 모델링입력과 상기 서브 실시간 데이터 간의 차이를 반영하여 전력 사용량을 예측하는 전력 사용량 예측 방법.
  12. 제10항에 있어서,
    상기 서브 모델링입력 중 시계열적으로 가장 빠른 서브 모델링입력과, 상기 시계열적으로 가장 빠른 서브 모델링입력과 가장 근접한 모델링입력 간의 시간 간격은 서브 모델링입력 간의 시간 간격과 동일하고,
    상기 서브 모델링입력 중 시계열적으로 가장 마지막 서브 모델링입력과, 상기 시계열적으로 가장 마지막 서브 모델링입력과 가장 근접한 모델링입력 간의 시간 간격은 서브 모델링입력 간의 시간 간격과 동일한, 전력 사용량 예측 방법.
  13. 삭제
  14. 제10항에 있어서, 상기 전력 사용량을 예측하는 단계에 있어서,
    예측한 상기 전력 사용량이 기 설정된 한계값을 초과하는지 판단하는 전력 사용량 예측 방법.
KR1020170174257A 2017-12-18 2017-12-18 전력 사용량 예측 시스템 및 방법 KR102089772B1 (ko)

Priority Applications (5)

Application Number Priority Date Filing Date Title
KR1020170174257A KR102089772B1 (ko) 2017-12-18 2017-12-18 전력 사용량 예측 시스템 및 방법
JP2018155831A JP6677396B2 (ja) 2017-12-18 2018-08-22 電力使用量予測システムおよび方法
CN201810994172.3A CN109934374B (zh) 2017-12-18 2018-08-29 耗电量预测系统及其方法
US16/148,108 US11092628B2 (en) 2017-12-18 2018-10-01 Power usage prediction system and method
EP18205656.4A EP3499671B1 (en) 2017-12-18 2018-11-12 Power usage prediction system and method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170174257A KR102089772B1 (ko) 2017-12-18 2017-12-18 전력 사용량 예측 시스템 및 방법

Publications (2)

Publication Number Publication Date
KR20190088083A KR20190088083A (ko) 2019-07-26
KR102089772B1 true KR102089772B1 (ko) 2020-03-17

Family

ID=64277569

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170174257A KR102089772B1 (ko) 2017-12-18 2017-12-18 전력 사용량 예측 시스템 및 방법

Country Status (5)

Country Link
US (1) US11092628B2 (ko)
EP (1) EP3499671B1 (ko)
JP (1) JP6677396B2 (ko)
KR (1) KR102089772B1 (ko)
CN (1) CN109934374B (ko)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
NO346605B1 (en) * 2020-12-03 2022-10-24 Sikom Connect As Methods and systems relating to the regulation of electrical power consumption
US11921480B2 (en) * 2021-03-31 2024-03-05 Hygge Energy Inc. Optimizing distributed energy resource value
KR102576947B1 (ko) * 2021-10-21 2023-09-11 주식회사 스마트에버 다중 에이전트를 가지는 심층 강화학습 기반의 전력 사용량 예측 방법 및 장치

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101364495B1 (ko) * 2012-12-14 2014-02-20 주식회사정도엔지니어링 전력사용량 예측기술을 활용한 전력 관리 시스템 및 그 방법
JP2017153259A (ja) * 2016-02-25 2017-08-31 中国電力株式会社 電力需要予測装置、及び電力需要予測方法

Family Cites Families (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100025483A1 (en) * 2008-07-31 2010-02-04 Michael Hoeynck Sensor-Based Occupancy and Behavior Prediction Method for Intelligently Controlling Energy Consumption Within a Building
JP2011118786A (ja) * 2009-12-04 2011-06-16 Sony Corp 情報処理装置、観測値予測方法、及びプログラム
US8370283B2 (en) * 2010-12-15 2013-02-05 Scienergy, Inc. Predicting energy consumption
WO2013030860A1 (ja) * 2011-08-26 2013-03-07 株式会社日立製作所 予測型逐次計算装置
CA2864739C (en) * 2011-11-29 2020-03-31 Energy Aware Technology Inc. Method and system for forecasting power requirements using granular metrics
JP5915313B2 (ja) * 2012-03-28 2016-05-11 富士通株式会社 電力制御支援プログラム、電力制御支援装置、および電力制御支援方法
JP6148119B2 (ja) * 2013-08-29 2017-06-14 京セラ株式会社 エネルギー管理装置、エネルギー管理方法及びエネルギー管理システム
US9639642B2 (en) * 2013-10-09 2017-05-02 Fujitsu Limited Time series forecasting ensemble
JP6221714B2 (ja) * 2013-12-11 2017-11-01 住友電気工業株式会社 電力消費管理装置、電力消費管理方法および電力消費管理プログラム
WO2015196133A2 (en) * 2014-06-20 2015-12-23 The Regents Of The University Of California Energy infrastructure sensor data rectification using regression models
US10540606B2 (en) * 2014-06-30 2020-01-21 Amazon Technologies, Inc. Consistent filtering of machine learning data
JP2016081471A (ja) * 2014-10-22 2016-05-16 日本電信電話株式会社 消費電力の予測装置および方法
JP2016086521A (ja) * 2014-10-24 2016-05-19 日本電信電話株式会社 消費電力予測方法および装置
CN104462793A (zh) * 2014-11-25 2015-03-25 北京数迅科技有限公司 时间序列实时预测方法及装置
US9705327B2 (en) * 2015-07-14 2017-07-11 Restore Nv Self-learning, real-time, data-driven power metering system
US10263462B2 (en) * 2016-04-27 2019-04-16 Demand Energy Networks, Inc. Electrical system control using simulation-based setpoint determination, and related systems, apparatuses, and methods
KR101827108B1 (ko) * 2016-05-04 2018-02-07 두산중공업 주식회사 플랜트 이상 감지 학습 시스템 및 방법
US10873209B2 (en) * 2016-11-29 2020-12-22 Peak Power Inc. System and method for dynamic energy storage system control
CN106875033B (zh) * 2016-12-26 2020-06-02 华中科技大学 一种基于动态自适应的风电集群功率预测方法
US10598157B2 (en) * 2017-02-07 2020-03-24 International Business Machines Corporation Reducing curtailment of wind power generation
US10330081B2 (en) * 2017-02-07 2019-06-25 International Business Machines Corporation Reducing curtailment of wind power generation
US20190115753A1 (en) * 2017-10-13 2019-04-18 Schneider Electric It Corporation Method for automatic cloud control of energy storage systems

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101364495B1 (ko) * 2012-12-14 2014-02-20 주식회사정도엔지니어링 전력사용량 예측기술을 활용한 전력 관리 시스템 및 그 방법
JP2017153259A (ja) * 2016-02-25 2017-08-31 中国電力株式会社 電力需要予測装置、及び電力需要予測方法

Also Published As

Publication number Publication date
JP6677396B2 (ja) 2020-04-08
KR20190088083A (ko) 2019-07-26
JP2019110740A (ja) 2019-07-04
US11092628B2 (en) 2021-08-17
US20190187193A1 (en) 2019-06-20
CN109934374B (zh) 2023-04-18
CN109934374A (zh) 2019-06-25
EP3499671A1 (en) 2019-06-19
EP3499671B1 (en) 2020-12-23

Similar Documents

Publication Publication Date Title
Ju et al. A two-layer energy management system for microgrids with hybrid energy storage considering degradation costs
Yuan et al. Applications of battery energy storage system for wind power dispatchability purpose
Liang et al. Stochastic information management in smart grid
KR102089772B1 (ko) 전력 사용량 예측 시스템 및 방법
Ye et al. Efficient eigen-analysis for large delayed cyber-physical power system using explicit infinitesimal generator discretization
Xiao et al. Method, implementation and application of energy storage system designing
JP2012023816A (ja) 情報処理装置およびそのプログラム
KR101305584B1 (ko) 에너지 발전량 예측 시스템 및 방법
CN103825272A (zh) 一种基于解析法的含分散风电的配电网可靠性确定方法
CN107528320B (zh) 基于连续潮流的配电网分布式电源渗透率评估方法
Liu et al. A MILP-based battery degradation model for economic scheduling of power system
Aaslid et al. Pricing electricity in constrained networks dominated by stochastic renewable generation and electric energy storage
Cano et al. Comparative analysis of HESS (battery/supercapacitor) for power smoothing of PV/HKT, simulation and experimental analysis
Huang et al. A multi-variable multi-step Seq2seq networks for the state of charge estimation of lithium-ion battery
Gui et al. A novel linear battery energy storage system (BESS) life loss calculation model for BESS-integrated wind farm in scheduled power tracking
KR101020739B1 (ko) 태양광 발전기를 포함하는 전력계통의 신뢰도 지수 산출방법, 전자장치 및 기록 매체
Hakami et al. A Comprehensive Review of Sampling Techniques for Probabilistic Stability Analysis of Future Power Grids
KR101366874B1 (ko) 태양광 발전량 정보 처리 장치 및 방법과 태양광 발전 모니터링 장치 및 방법
Liang et al. An implementation of synthetic generation of wind data series
Nezamoddini et al. Robust optimization of energy storage system allocation and sizing
Liu et al. Micro grid energy management based on two-stage robust optimization
Sachs et al. Combined probabilistic and set-based uncertainties for a stochastic model predictive control of island energy systems
Monjean et al. Inuence of technical-economic energy context for the management of wind farms and storage systems in a constrained network
Labeau et al. Mathematics of PRA applied to Distributed Generation curtailment in saturated grids
Faghihi et al. A net balance-based approach in risk assessment of distributed generation curtailment

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
AMND Amendment
E90F Notification of reason for final refusal
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant