KR102126490B1 - 지향성 비용함수를 이용한 에너지 수요예측을 위한 장치 및 방법 - Google Patents

지향성 비용함수를 이용한 에너지 수요예측을 위한 장치 및 방법 Download PDF

Info

Publication number
KR102126490B1
KR102126490B1 KR1020180136596A KR20180136596A KR102126490B1 KR 102126490 B1 KR102126490 B1 KR 102126490B1 KR 1020180136596 A KR1020180136596 A KR 1020180136596A KR 20180136596 A KR20180136596 A KR 20180136596A KR 102126490 B1 KR102126490 B1 KR 102126490B1
Authority
KR
South Korea
Prior art keywords
directional
value
model
demand
cost function
Prior art date
Application number
KR1020180136596A
Other languages
English (en)
Other versions
KR20190129675A (ko
Inventor
김지현
이철희
Original Assignee
주식회사 록스
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 록스 filed Critical 주식회사 록스
Publication of KR20190129675A publication Critical patent/KR20190129675A/ko
Application granted granted Critical
Publication of KR102126490B1 publication Critical patent/KR102126490B1/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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • 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"

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Primary Health Care (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 지향성 비용함수를 딥러닝 모델에 적용하여 건물 또는 공장 등의 건축물의 에너지 수요를 효율적으로 예측할 수 있도록 한 지향성 비용함수를 이용한 에너지 수요예측을 위한 장치 및 방법에 관한 것으로, 딥러닝 기반 수요예측 모델의 구조를 생성하는 모델 생성부;모델의 구조에 맞게 시간에 따라 데이터를 입력하면서 전방향 연산을 실시하는 전방향 연산부;지향성 비용함수를 적용하여 전방향 연산부의 결과 값과 실제 값의 차이를 계산하여 오차를 산출하는 비용 계산부;비용 계산부에서 계산된 비용값을 이용하여 역방향 학습을 수행하는 역방향 학습부;비용값이 일정한 값으로 수렴할 때까지 전방향 연산, 비용 계산, 역방향 학습을 반복하여 최종적으로 수요예측 모델을 생성하는 수요예측 모델부;를 포함하는 것이다.

Description

지향성 비용함수를 이용한 에너지 수요예측을 위한 장치 및 방법{System and Method for Energy Forecasting using Directional Cost Function}
본 발명은 에너지 수요 예측에 관한 것으로, 구체적으로 지향성 비용함수를 딥러닝 모델에 적용하여 건물 또는 공장 등의 건축물의 에너지 수요를 효율적으로 예측할 수 있도록 한 지향성 비용함수를 이용한 에너지 수요예측을 위한 장치 및 방법에 관한 것이다.
세계적으로 지구 온난화와 같은 기후변화로 인한 문제가 심각해짐에 따라, 지난 2015년 12월 파리에서 195개국의 장관들이 모여 온실가스 배출에 대한 파리기후협약을 체결하였다.
이에 따라, 2030년까지 배출전망치(BAU)대비 37% 감축을 목표로 화석연료의 발굴이 아닌 재생에너지 또는 에너지의 효율적인 사용에 대한 수요가 높아지고 있다.
에너지 효율적 사용의 대표적인 수단으로 에너지 관리 시스템이 있으며, 절감효율을 높이기 위하여 기존 벤더들은 인공지능 기반의 예측기술을 도입하려는 노력을 기울이고 있다.
에너지 관리 시스템에서 생각해볼 수 있는 대표적인 인공지능 서비스로 에너지 수요예측이 있다.
특히, 전기 에너지는 현대사회에서 필수불가결한 공공재이다.
전기는 생산과 소비가 동시에 이루어진다는 특징을 가지고 있기에 전력사용량의 예측과 이를 충족시킬 수 있는 공급능력을 갖춰야만 원활한 설비 운용이 가능하다.
특히, 현대사회에서 건물에서 사용되는 에너지가 총 에너지 소비의 큰 부분을 차지한다는 점을 고려할 때 건물의 에너지 수요 예측은 매우 중요하다.
이와 같이 건물 에너지 소비량의 지속적으로 증가함에 따라 건물 에너지 관리뿐만 아니라 수요예측의 중요성이 대두되고 있다.
정확한 건물에너지 수요예측은 시간별 또는 건물전체의 일별 에너지 수급에 대한 최적화된 계획을 수립할 수 있다.
하지만 건물에너지 수요 예측은 기상조건, 건물재료, 건물공조시스템 등 여러 요인에 영향을 받기 때문에 어려운 과제이다.
도 1a와 도 1b는 일반적인 에너지 수요 예측을 위한 모델 및 수요 예측결과를 나타낸 구성도이다.
종래 기술의 에너지 수요 예측을 위한 모델들은 도 1a와 도 1b에서와 같이, 하루 이상의 에너지 수요예측시에 오차가 커지면서 예측 성능이 저하되는 현상이 발생한다.
또한, 관리하는 건물이 다수인 경우에는 하루 단위의 수요 예측은 서버에 큰 부하를 주기 때문에 하루 이상의 장기전력 예측 모델에 대한 기술 개발이 요구되고 있다.
그리고 노이즈(정전, 과부하) 데이터에 대해 민감하게 반응하기 때문에, 이러한 노이즈를 필터링해주는 기술 개발이 요구되고 있다.
도 2a와 도 2b는 종래 기술의 에너지 수요 예측을 위한 모델의 오차 누적 문제를 나타낸 구성도이다.
도 2a에서와 같이 종래 기술의 에너지 수요 예측을 위한 모델은 에너지 수요를 예측할 때 전력 수요의 예측값을 다음 시간의 입력으로 사용하기 때문에, 시간이 갈수록 오차가 누적된다.
또한, 오차를 줄이는데 사용하는 Loss Function은 오차의 양에 대해서만 반영이 되기 때문에, 해당 오차가 패턴을 따라가면서 발생하는 것인지 패턴과 반대로 향하는 것인지 알 수 없다.
따라서, 도 2b에서와 같이 패턴의 방향성이 다름에도 불구하고 오차의 양이 같기 때문에 동일한 오차로 인식하는 문제가 있다.
이러한 문제를 해결하여 예측 정확성을 높일 수 있는 건물에너지 수요예측을 위한 새로운 기술의 개발이 요구되고 있다.
대한민국 등록특허 제10-1168153호 대한민국 공개특허 제10-2016-0130023호 대한민국 공개특허 제10-2015-0125171호
본 발명은 이와 같은 종래의 에너지 수요 예측 기술의 문제를 해결하기 위한 것으로, 지향성 비용함수를 딥러닝 모델에 적용하여 건물 또는 공장 등의 건축물의 에너지 수요를 효율적으로 예측할 수 있도록 한 지향성 비용함수를 이용한 에너지 수요예측을 위한 장치 및 방법을 제공하는데 그 목적이 있다.
본 발명은 평균 절대오차 백분율(MAPE, Mean Absolute Percentage Error)를 사용해 모델에 민감성을 더하고, 학습의 방향성을 반영하기 위해 평균 지향성 정확도(MDA, Mean Directional Accuracy)를 사용하는 지향성 비용함수를 사용하여 예측 정확도를 높일 수 있도록 한 지향성 비용함수를 이용한 에너지 수요예측을 위한 장치 및 방법을 제공하는데 그 목적이 있다.
본 발명의 목적들은 이상에서 언급한 목적들로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
이와 같은 목적을 달성하기 위한 본 발명에 따른 지향성 비용함수를 이용한 에너지 수요예측을 위한 장치는 딥러닝 기반 수요예측 모델의 구조를 생성하는 모델 생성부;모델의 구조에 맞게 시간에 따라 데이터를 입력하면서 전방향 연산을 실시하는 전방향 연산부;지향성 비용함수를 적용하여 전방향 연산부의 결과 값과 실제 값의 차이를 계산하여 오차를 산출하는 비용 계산부;비용 계산부에서 계산된 비용값을 이용하여 역방향 학습을 수행하는 역방향 학습부;비용값이 일정한 값으로 수렴할 때까지 전방향 연산, 비용 계산, 역방향 학습을 반복하여 최종적으로 수요예측 모델을 생성하는 수요예측 모델부;를 포함하는 것을 특징으로 한다.
여기서, 지향성 비용함수는,
Figure 112018110946015-pat00001
으로 정의되고, n은 전체 데이터의 개수, t는 시간, At는 실제 값, Ft는 예측 값인 것을 특징으로 한다.
그리고 실제 값은 수집한 실제 데이터이고, 예측 값은 수요예측 모델이 예측한 값으로, 예측 값은 지향성 비용함수를 이용하여 도출된 오차를 역방향 학습을 통해서 수요예측 모델에 업데이트 하고 일정한 값에 도달할 때까지　반복을 한 후 도출되는 값인 것을 특징으로 한다.
그리고 전방향 연산부에서의 전방향 연산은 에너지 수요예측을 위한 수요예측 모델의 Input layer에서　 Hidden Layer의 노드를 계산하는 연산과 Hidden Layer에서 Output Layer의 노드를 계산하는 연산이고, 역방향 학습부에서의 역방향 학습은 전방향 연산을 통해서 오차가 계산되면 각 오차를 hidden layer의 노드에 업데이트 해주는 과정인 것을 특징으로 한다.
그리고 수요예측 모델부에서 수요예측 모델을 생성하기 위하여, 평균 절대오차 백분율(MAPE, Mean Absolute Percentage Error)을 사용해 수요예측 모델에 민감성을 더하고, 학습의 방향성을 반영하기 위해 평균 지향성 정확도(MDA, Mean Directional Accuracy)를 사용하는 것을 특징으로 한다.
그리고 평균 절대오차 백분율(MAPE, Mean Absolute Percentage Error)을 사용하고 실제값과 예측값의 방향성이 유사한지를 확인해서 페널티를 주어 비용함수에 민감성과 방향성을 부여하는 것을 특징으로 한다.
다른 목적을 달성하기 위한 본 발명에 따른 지향성 비용함수를 이용한 에너지 수요예측을 위한 방법은 모델 생성부에서 딥러닝 기반 수요예측 모델의 구조를 생성하는 단계;전방향 연산부에서 모델의 구조에 맞게 시간에 따라 데이터를 입력하면서 전방향 연산을 실시하는 단계;비용 계산부에서 지향성 비용함수를 적용하여 전방향 연산부의 결과 값과 실제 값의 차이를 계산하여 오차를 산출하는 단계;비용 계산부에서 계산된 비용값을 이용하여 역방향 학습부에서 역방향 학습을 수행하는 단계;수요예측 모델부에서 비용값이 일정한 값으로 수렴할 때까지 전방향 연산, 비용 계산, 역방향 학습을 반복하여 최종적으로 수요예측 모델을 생성하는 단계;를 포함하는 것을 특징으로 한다.
이와 같은 본 발명에 따른 지향성 비용함수를 이용한 에너지 수요예측을 위한 장치 및 방법은 다음과 같은 효과를 갖는다.
첫째, 지향성 비용함수를 딥러닝 모델에 적용하여 건물 또는 공장 등의 건축물의 에너지 수요를 효율적으로 예측할 수 있도록 한다.
둘째, 평균 절대오차 백분율(MAPE, Mean Absolute Percentage Error)를 사용해 모델에 민감성을 더하고, 학습의 방향성을 반영하기 위해 평균 지향성 정확도(MDA, Mean Directional Accuracy)를 사용하는 지향성 비용함수를 사용하여 예측 정확도를 높일 수 있다.
도 1a와 도 1b는 일반적인 에너지 수요 예측을 위한 모델 및 수요 예측결과를 나타낸 구성도
도 2a와 도 2b는 종래 기술의 에너지 수요 예측을 위한 모델의 오차 누적 문제를 나타낸 구성도
도 3은 본 발명에 따른 에너지 수요 예측을 위한 모델의 구성도
도 4는 본 발명에 따른 지향성 비용함수를 이용한 에너지 수요예측을 위한 장치의 상세 구성도
도 5는 본 발명에 따른 지향성 비용함수를 이용한 에너지 수요예측을 위한 방법을 나타낸 플로우 차트
도 6과 도 7은 기존 비용함수와 본 발명에 따른 비용함수를 사용하여 건축물의 3일간의 에너지 수요를 예측한 그래프
이하, 본 발명에 따른 지향성 비용함수를 이용한 에너지 수요예측을 위한 장치 및 방법의 바람직한 실시 예에 관하여 상세히 설명하면 다음과 같다.
본 발명에 따른 지향성 비용함수를 이용한 에너지 수요예측을 위한 장치 및 방법의 특징 및 이점들은 이하에서의 각 실시 예에 대한 상세한 설명을 통해 명백해질 것이다.
도 3은 본 발명에 따른 에너지 수요 예측을 위한 모델의 구성도이고, 도 4는 본 발명에 따른 지향성 비용함수를 이용한 에너지 수요예측을 위한 장치의 상세 구성도이다.
본 발명에 따른 에너지 수요 예측을 위한 모델은 언어번역에 주로 사용되는 seq2seq 모델 구조를 이용하여, 오차가 누적되는 문제를 해결하고, Encoder의 전력소비시간과 Decoder의 전력수요 예측시간과의 상관관계를 직접적으로 학습하는 구성을 포함할 수 있다.
특히, 본 발명은 지향성 비용함수를 딥러닝 모델에 적용하여 건물 또는 공장 등의 건축물의 에너지 수요를 효율적으로 예측할 수 있도록 한 것으로, 평균 절대오차 백분율(MAPE, Mean Absolute Percentage Error)을 사용해 모델에 민감성을 더하고, 학습의 방향성을 반영하기 위해 평균 지향성 정확도(MDA, Mean Directional Accuracy)를 사용하는 지향성 비용함수를 사용하여 예측 정확도를 높일 수 있도록 한 것이다.
딥러닝 기반 에너지 예측 모델의 경우, 대부분 시계열 데이터 학습이 가능한 순환 신경망을 기초로 한다.
이 모델을 사용하면 기존의 머신러닝 기반 모델에 비해서 어느정도 성능은 향상 될 수 있으나 실제 산업에 적용되기에는 정확도가 낮은 수준이다.
성능을 향상 시키기 위해서는 오랜시간 축적된 정형화된 데이터를 대량으로 학습하는 방법과 모델을 개선하는 방법이 있다.
첫 번째 방법의 경우 초기 적용하는 건축물에 대한 에너지 사용량 데이터를 축적하는데 오랜 시간이 걸린다.
따라서 두 번째 방법인 모델을 개선하는 방법으로 접근을 해야하며, 본 발명에서는 에너지 수요예측 모델이 학습할 때 중요한 영항을 미치는 비용함수를 개선하여 예측 정확도를 높이고자 한다.
기존의 에너지 수요예측 모델의 경우 대부분 학습을 할 때 비용함수로 평균 제곱근 오차(RMSE, Root Mean Square Error)를 사용한다.
이 방법을 사용하면 예측에 필요한 정형화된 형태의 패턴을 가지는 모델을 얻을 수 있지만, 실제 에너지 사용패턴은 다양한 변수에 영향을 받기 때문에 정형화된 형태의 패턴은 그 모양에 따른 최소한의 정확도만을 확보할 수 있다.
따라서, 이러한 형태에 민감하게 반응할 수 있는 모델이 필요하며 평균 제곱근 오차 방식이 아닌 새로운 형태의 비용함수가 필요하다.
본 발명에서는 제곱근 오차가 아닌 평균 절대오차 백분율(MAPE, Mean Absolute Percentage Error)을 사용해 모델에 민감성을 더하고, 학습의 방향성을 반영하기 위해 평균 지향성 정확도(MDA, Mean Directional Accuracy)를 사용하는 지향성 비용함수를 사용하여 문제를 해결한다.
도 4는 에너지 수요예측 모델을 생성하기 위한 구성을 나타낸 것으로, 딥러닝 기반 수요예측 모델의 구조를 생성하는 모델 생성부(110)와, 모델의 구조에 맞게 시간에 따라 데이터를 입력하면서 전방향 연산을 실시하는 전방향 연산부(120)와, 지향성 비용함수를 적용하여 전방향 연산부(120)의 결과 값과 실제 값의 차이를 계산하여 오차를 산출하는 비용 계산부(130)와, 비용 계산부(130)에서 계산된 비용값을 이용하여 역방향 학습을 수행하는 역방향 학습부(140)와, 비용값이 일정한 값으로 수렴할 때까지 전방향 연산, 비용 계산, 역방향 학습을 반복하여 최종적으로 수요예측 모델을 생성하는 수요예측 모델부(150)를 포함한다.
여기서, 지향성 비용함수는 다음과 같은 수학식 1에 의해서 정의된다.
Figure 112018110946015-pat00002
n은 전체 데이터의 개수, t는 시간, At는 실제 값, Ft는 예측 값이다.
평균 제곱근 오차 대신 평균 절대 백분율을 사용하고 실제값과 예측값의 방향성이 유사한지를 확인해서 페널티를 주게 된다. 따라서 비용함수에 민감성과 방향성을 부여할 수 있다.
여기서, 실제값은 수집한 실제 데이터이고, 예측 값은 모델이 예측한 값으로, 수학식 1은 전방향 연산이 끝나고 오차를 구할 때 사용한다.
예측 값은 수학식 1을 통해서 도출된 오차를 역방향 학습을 통해서 모델에 업데이트 하고 일정한 값에 도달할 때까지　반복을 한 후 도출되는 값이다.
그리고 모델 생성부(110)는 딥러닝에서 주로 사용하는 시계열 데이터 학습하는 모델을 사용하는데, 대표적으로 RNN-LSTM(Recurrent Neural Networks - Long Short Term Memory)을 사용할 수 있고 이로 제한되지 않는다.
그리고 전방향 연산부(120)에서의 '전방향 연산'은 에너지 수요예측을 위한 모델 일 예로, RNN-LSTM 모델에서 Input layer에서　 Hidden Layer의 노드를 계산하는 연산과 Hidden Layer에서 Output Layer의 노드를 계산하는 연산을 의미한다.
도 2a에서와 같은 기본적인 모델의 구조에서 Layer1이 input layer, Layer2가 hidden layer 그리고 최상단의 y값이 output layer이다.
y값은 모델에 의해서 예측한 값을 의미하는데 전방향 연산을 진행하게 되면 예측된 y값이 나오게 되고 이 값을 실제 값과 차이를 구해서 오차를 계산하게 되고, 여기서, 본 발명에 따른 지향성 비용함수가 사용된다.
그리고 '역방향 학습'은 전방향 연산을 통해서 오차가 계산되면 각 오차를 hidden layer의 노드에 업데이트 해주는 과정으로, 이를 역방향 학습(Backpropagation)이라 한다.
그리고 수요예측 모델부(150)에서의 비용값이 일정한 값으로 수렴할 때까지 전방향 연산, 비용 계산, 역방향 학습을 반복하여 최종적으로 수요예측 모델을 생성하는 과정에서의 '일정한 값'은 모델의 예측 오차율을 의미하는데 이 값은 경험적으로 사용자가 설정하는 것이다.
수요예측 모델의 입력은 필수적인 요소로 전력소비량이 들어가고 추가적으로 환경정보(온도, 습도 등)이 들어갈 수 있고, 입력값들이 수요예측 모델에 들어가면 전방향 연산을 통해서 예측 값을 도출하고 이 값을 실제 전력값과 비교해서 오차를 구한 다음 역방향 학습을 통해서 모델을 업데이트한다.
이와 같이 예측 값이 사용자가 정한 일정한 값에 도달할 때까지 이 과정을 반복하여 최종적으로 수요예측 모델을 생성한다.
이와 같은 구성을 갖는 본 발명에 따른 지향성 비용함수를 이용한 에너지 수요예측을 위한 장치의 에너지 수요예측은 다음과 같이 진행된다.
도 5는 본 발명에 따른 지향성 비용함수를 이용한 에너지 수요예측을 위한 방법을 나타낸 플로우 차트이다.
본 발명에 따른 지향성 비용함수를 이용한 에너지 수요예측을 위한 방법은 모델 생성부(110)에서 딥러닝 기반 수요예측 모델의 구조를 생성한다.(S201)
이어, 전방향 연산부(120)에서 모델의 구조에 맞게 시간에 따라 데이터를 입력하면서 전방향 연산을 실시한다.(S202)
그리고 비용 계산부(130)에서 지향성 비용함수를 적용하여 전방향 연산부(120)의 결과 값과 실제 값의 차이를 계산하여 오차를 산출한다.(S203)
이어, 비용 계산부(130)에서 계산된 비용값을 이용하여 역방향 학습부(140)에서 역방향 학습을 수행한다.(S204)
그리고 수요예측 모델부(150)에서 비용값이 일정한 값으로 수렴할 때까지 전방향 연산, 비용 계산, 역방향 학습을 반복하여 최종적으로 수요예측 모델을 생성한다.(S205)
도 6과 도 7은 기존 비용함수와 본 발명에 따른 비용함수를 사용하여 건축물의 3일간의 에너지 수요를 예측한 그래프이다.
도 6은 순환 신경망에 평균 제곱근 오차를 이용하여 예측을 한 결과이고, 도 7은 순환 신경망에 지향성 비용함수를 적용하여 예측한 결과이다.
두 그래프의 예측 오차율 결과는 표 1과 같다.
Figure 112018110946015-pat00003
표 1에서 알 수 있듯이 두 모델의 3일간의 예측값에 대한 평균 오차율 차이는 3.68로 큰 차이를 나타내는 것을 알 수 있다.
또한, 지향성 비용함수를 사용하였을 때, 1일차의 예측 오차율은 약 2배정도 줄어들었고, 2일차와 3일차의 오차율은 비슷하게 유지되었던 반면, 평균 제곱근 오차를 사용하였을 때는 시간이 지남에 따라서 오차율이 점점 커지는 것을 알 수 있다.
이상에서 설명한 본 발명에 따른 지향성 비용함수를 이용한 에너지 수요예측을 위한 장치 및 방법은 지향성 비용함수를 딥러닝 모델에 적용하여 건물 또는 공장 등의 건축물의 에너지 수요를 효율적으로 예측할 수 있도록 한 것이다.
이를 위하여, 평균 절대오차 백분율(MAPE, Mean Absolute Percentage Error)을 사용해 모델에 민감성을 더하고, 학습의 방향성을 반영하기 위해 평균 지향성 정확도(MDA, Mean Directional Accuracy)를 사용하는 지향성 비용함수를 사용하여 예측 정확도를 높일 수 있도록 한 것이다.
이상에서의 설명에서와 같이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 본 발명이 구현되어 있음을 이해할 수 있을 것이다.
그러므로 명시된 실시 예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 하고, 본 발명의 범위는 전술한 설명이 아니라 특허청구 범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.
110. 모델 생성부 120. 전방향 연산부
130. 비용 계산부 140. 역방향 학습부
150. 수요예측 모델부

Claims (9)

  1. 딥러닝 기반 수요예측 모델의 구조를 생성하는 모델 생성부;
    모델의 구조에 맞게 시간에 따라 데이터를 입력하면서 전방향 연산을 실시하는 전방향 연산부;
    지향성 비용함수를 적용하여 전방향 연산부의 결과 값과 실제 값의 차이를 계산하여 오차를 산출하는 비용 계산부;
    비용 계산부에서 계산된 비용값을 이용하여 역방향 학습을 수행하는 역방향 학습부;
    비용값이 일정한 값으로 수렴할 때까지 전방향 연산, 비용 계산, 역방향 학습을 반복하여 최종적으로 수요예측 모델을 생성하는 수요예측 모델부;를 포함하고, 지향성 비용함수는,
    Figure 112019131622919-pat00015
    으로 정의되고, n은 전체 데이터의 개수, t는 시간, At는 실제 값, Ft는 예측 값인 것을 특징으로 하는 지향성 비용함수를 이용한 에너지 수요예측을 위한 장치.
  2. 삭제
  3. 제 1 항에 있어서, 실제 값은 수집한 실제 데이터이고, 예측 값은 수요예측 모델이 예측한 값으로,
    예측 값은 지향성 비용함수를 이용하여 도출된 오차를 역방향 학습을 통해서 수요예측 모델에 업데이트 하고 일정한 값에 도달할 때까지　반복을 한 후 도출되는 값인 것을 특징으로 하는 지향성 비용함수를 이용한 에너지 수요예측을 위한 장치.
  4. 제 1 항에 있어서, 전방향 연산부에서의 전방향 연산은 에너지 수요예측을 위한 수요예측 모델의 Input layer에서　 Hidden Layer의 노드를 계산하는 연산과 Hidden Layer에서 Output Layer의 노드를 계산하는 연산이고,
    역방향 학습부에서의 역방향 학습은 전방향 연산을 통해서 오차가 계산되면 각 오차를 hidden layer의 노드에 업데이트 해주는 과정인 것을 특징으로 하는 지향성 비용함수를 이용한 에너지 수요예측을 위한 장치.
  5. 제 1 항에 있어서, 수요예측 모델부에서 수요예측 모델을 생성하기 위하여,
    평균 절대오차 백분율(MAPE, Mean Absolute Percentage Error)을 사용해 수요예측 모델에 민감성을 더하고,
    학습의 방향성을 반영하기 위해 평균 지향성 정확도(MDA, Mean Directional Accuracy)를 사용하는 것을 특징으로 하는 지향성 비용함수를 이용한 에너지 수요예측을 위한 장치.
  6. 제 5 항에 있어서, 평균 절대오차 백분율(MAPE, Mean Absolute Percentage Error)을 사용하고 실제값과 예측값의 방향성이 유사한지를 확인해서 페널티를 주어 비용함수에 민감성과 방향성을 부여하는 것을 특징으로 하는 지향성 비용함수를 이용한 에너지 수요예측을 위한 장치.
  7. 모델 생성부에서 딥러닝 기반 수요예측 모델의 구조를 생성하는 단계;
    전방향 연산부에서 모델의 구조에 맞게 시간에 따라 데이터를 입력하면서 전방향 연산을 실시하는 단계;
    비용 계산부에서 지향성 비용함수를 적용하여 전방향 연산부의 결과 값과 실제 값의 차이를 계산하여 오차를 산출하는 단계;
    비용 계산부에서 계산된 비용값을 이용하여 역방향 학습부에서 역방향 학습을 수행하는 단계;
    수요예측 모델부에서 비용값이 일정한 값으로 수렴할 때까지 전방향 연산, 비용 계산, 역방향 학습을 반복하여 최종적으로 수요예측 모델을 생성하는 단계;를 포함하고, 지향성 비용함수는,
    Figure 112019131622919-pat00016
    으로 정의되고, n은 전체 데이터의 개수, t는 시간, At는 실제 값, Ft는 예측 값인 것을 특징으로 하는 지향성 비용함수를 이용한 에너지 수요예측을 위한 방법.
  8. 삭제
  9. 제 7 항에 있어서, 수요예측 모델을 생성하기 위하여,
    평균 절대오차 백분율(MAPE, Mean Absolute Percentage Error)을 사용해 수요예측 모델에 민감성을 더하고,
    학습의 방향성을 반영하기 위해 평균 지향성 정확도(MDA, Mean Directional Accuracy)를 사용하는 것을 특징으로 하는 지향성 비용함수를 이용한 에너지 수요예측을 위한 방법.
KR1020180136596A 2018-05-11 2018-11-08 지향성 비용함수를 이용한 에너지 수요예측을 위한 장치 및 방법 KR102126490B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR20180054125 2018-05-11
KR1020180054125 2018-05-11

Publications (2)

Publication Number Publication Date
KR20190129675A KR20190129675A (ko) 2019-11-20
KR102126490B1 true KR102126490B1 (ko) 2020-06-24

Family

ID=68729465

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180136596A KR102126490B1 (ko) 2018-05-11 2018-11-08 지향성 비용함수를 이용한 에너지 수요예측을 위한 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102126490B1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102309554B1 (ko) * 2019-11-26 2021-10-05 광운대학교 산학협력단 심층 순환신경망 기반 에너지 사용 예측과 부하 제어 장치 및 방법
CN118642453B (zh) * 2024-08-16 2024-10-18 武威恒大牧业服务有限公司 一种饲料生产线智能调度控制方法、系统、设备及介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101168153B1 (ko) 2011-12-29 2012-08-07 지에스네오텍 주식회사 건물의 에너지 수요 예측 방법 및 그 시스템
KR20140075617A (ko) * 2012-12-10 2014-06-19 주식회사 케이티 지능형 에너지 소비 예측 방법
KR101660487B1 (ko) * 2014-07-11 2016-10-10 주식회사 인코어드 테크놀로지스 소비 특성에 따른 전력 소비량 예측 방법 및 장치
KR101570364B1 (ko) 2014-04-30 2015-11-19 옴니시스템주식회사 적응형 에너지 수요예측 방법
KR101835045B1 (ko) 2015-04-30 2018-03-09 단국대학교 산학협력단 예측전력 프로파일을 통한 건물 실시간 수요관리 및 에너지 저감 방법과 이를 위한 시스템
KR20170069046A (ko) * 2015-12-10 2017-06-20 한국외국어대학교 연구산학협력단 기상 정보 기반의 전력 수요 예측 시스템

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
(비특허문헌)RNN-LSTM 기반 공휴일 정보를 고려한 단기 전력수요예측(2016.11.30.) 1부.*

Also Published As

Publication number Publication date
KR20190129675A (ko) 2019-11-20

Similar Documents

Publication Publication Date Title
Xu et al. Improving prediction performance for indoor temperature in public buildings based on a novel deep learning method
Rahman et al. Predicting electricity consumption for commercial and residential buildings using deep recurrent neural networks
Jain et al. Data-driven model predictive control with regression trees—an application to building energy management
Mena et al. A prediction model based on neural networks for the energy consumption of a bioclimatic building
JP2019204458A (ja) 電力需要予測システム、学習装置及び電力需要予測方法
Tang et al. Efficient scenario generation of multiple renewable power plants considering spatial and temporal correlations
JP7161268B2 (ja) 電力グリッド内の相互に依存する不確かな資源の組み合わされた影響の定量化
KR102358798B1 (ko) 에너지 수요 예측 방법 및 그 시스템
KR102296309B1 (ko) 태양광 발전량 예측 장치 및 그 방법
Kaur et al. Ensemble re-forecasting methods for enhanced power load prediction
CN109409561A (zh) 多时间尺度时间序列协同预测模型的构建方法
KR102126490B1 (ko) 지향성 비용함수를 이용한 에너지 수요예측을 위한 장치 및 방법
KR20210011745A (ko) 제로에너지 타운 구축을 위한 빅데이터 기반의 에너지 수요 및 공급 예측 시스템 그리고 방법
KR102497736B1 (ko) 스마트-팜용 에너지 발전 시스템 및 그 시스템의 구축 방법
CN109034490A (zh) 一种电力负荷预测方法、装置、设备及存储介质
Munir et al. RNN based energy demand prediction for smart-home in smart-grid framework
CN116914747A (zh) 电力用户侧负荷预测方法及系统
Aurangzeb et al. Deep learning framework for short term power load forecasting, a case study of individual household energy customer
Qadrdan et al. Probabilistic wind power forecasting using a single forecast
CN108346009A (zh) 一种基于用户模型自学习的电力生产配置方法和装置
Shabani et al. Predicting building energy consumption using engineering and data driven approaches: A review
Patsakos et al. A survey on deep learning for building load forecasting
Nezzar et al. Mid-long term Algerian electric load forecasting using regression approach
Sundaram et al. Advancing building energy efficiency: A deep learning approach to early-stage prediction of residential electric consumption
Byamukama et al. New techniques for sizing solar photovoltaic panels for environment monitoring sensor nodes

Legal Events

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