KR102229209B1 - Apparatus and method for power demand forecasting - Google Patents

Apparatus and method for power demand forecasting Download PDF

Info

Publication number
KR102229209B1
KR102229209B1 KR1020190054146A KR20190054146A KR102229209B1 KR 102229209 B1 KR102229209 B1 KR 102229209B1 KR 1020190054146 A KR1020190054146 A KR 1020190054146A KR 20190054146 A KR20190054146 A KR 20190054146A KR 102229209 B1 KR102229209 B1 KR 102229209B1
Authority
KR
South Korea
Prior art keywords
data
prediction
power demand
actual power
prediction data
Prior art date
Application number
KR1020190054146A
Other languages
Korean (ko)
Other versions
KR20200129558A (en
Inventor
이태억
최호진
이경호
홍철희
Original Assignee
한국전력공사
한국과학기술원
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, 한국과학기술원 filed Critical 한국전력공사
Priority to KR1020190054146A priority Critical patent/KR102229209B1/en
Publication of KR20200129558A publication Critical patent/KR20200129558A/en
Application granted granted Critical
Publication of KR102229209B1 publication Critical patent/KR102229209B1/en

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
    • 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
    • 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
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Abstract

LSTM(Long short term memory) 및 RMSE(Root mean square error)를 이용하여 전력 수요량 피크값이 고려된 전력 수요량을 예측하는 전력 수요 예측 장치 및 방법에 관한 것이다.
본 발명의 실시 예에 따른 전력 수요 예측 장치는 수용가로부터 전력 데이터를 수신하는 데이터 수신부와, 상기 전력 데이터를 이용하여 상기 수용가의 전력 수요량을 예측하기 위한 예측 모델을 생성하는 모델 생성부와, 상기 예측 모델을 이용하여 상기 예측 모델에 의해 출력되는 제1예측 데이터와 실제 전력 수요량의 편차가 최소화되도록 상기 제1예측 데이터를 보정하여 제2예측 데이터를 생성하는 제1데이터 보정부와, 상기 제2예측 데이터의 값이 상기 실제 전력 수요량보다 작은 경우 상기 제2예측 데이터를 재보정하여 제3예측 데이터를 생성하는 제2데이터 보정부와, 상기 제2예측 데이터 및 상기 제3예측 데이터를 기초로 최종 예측 데이터를 생성하는 예측부를 포함한다.The present invention relates to a power demand prediction apparatus and method for predicting a power demand in consideration of a peak power demand value using long short term memory (LSTM) and root mean square error (RMSE).
The power demand prediction apparatus according to an embodiment of the present invention includes a data receiving unit that receives power data from a customer, a model generation unit that generates a prediction model for predicting the amount of power demand of the customer using the power data, and the prediction A first data correction unit for generating second prediction data by correcting the first prediction data so that a deviation between the first prediction data output by the prediction model and the actual power demand is minimized using a model, and the second prediction When the value of the data is less than the actual power demand, a second data correction unit recalibrating the second predicted data to generate third predicted data, and final predicted data based on the second predicted data and the third predicted data. It includes a prediction unit that generates.

Description

전력 수요 예측 장치 및 방법{Apparatus and method for power demand forecasting}Apparatus and method for power demand forecasting

본 발명은 전력 수요 예측 장치 및 방법에 관한 것으로, 보다 자세하게는 LSTM(Long short term memory) 및 RMSE(Root mean square error)를 이용하여 전력 수요량 피크값이 고려된 전력 수요량을 예측하는 전력 수요 예측 장치 및 방법에 관한 것이다.The present invention relates to an apparatus and method for predicting power demand, and more particularly, a power demand predicting apparatus for predicting a power demand considering a peak power demand value using a long short term memory (LSTM) and a root mean square error (RMSE). And a method.

최근 전력의 수요량이 증가하고 있다. 그러나, 증가하는 수요량을 모두 발전의 용량을 증대하여 해결하는 것은 자원의 낭비 및 환경 오염을 초래하게 될 수 있다. 또한, 전력 수요 예측 실패는 발전량 설정 실패로 이어질 수 있으며, 이는 대정전 등 큰 재해를 불러일으키는 원인이 될 수 있다. 이에 따라 알맞은 발전량을 설정하기 위해서는 전력의 수요를 예측하는 것이 매우 중요하다. Recently, the demand for electric power is increasing. However, solving all of the increasing demands by increasing the capacity of power generation may result in waste of resources and environmental pollution. In addition, failure to predict power demand may lead to failure to set the amount of power generation, which may cause a major disaster such as a major power outage. Accordingly, it is very important to predict the demand for power in order to set an appropriate amount of power generation.

전력의 수요를 예측하기 위한 방법으로는 회귀 분석, 의사결정트리 등이 있고, 최근에는 심층 신경망(Deep neural network) 기술의 발전으로 인해 심층 신경망을 이용한 전력 수요 예측 방법이 개발되고 있다.Methods for predicting power demand include regression analysis and decision trees, and recently, due to the development of deep neural network technology, a power demand prediction method using a deep neural network has been developed.

최근에는 LSTM(Long short term memory)를 이용하여 전력의 수요를 예측하고 있으나, 주로 예측값과 실제값의 오차를 줄이는 데에 초점을 두어 전력의 피크치(peak)를 예측하지 못하게 되는 문제가 있다.Recently, the demand for power is predicted using long short term memory (LSTM), but there is a problem in that the peak value of power cannot be predicted by focusing mainly on reducing the error between the predicted value and the actual value.

본 발명은 앞에서 설명한 문제점을 해결하기 위한 것으로, LSTM(Long short term memory) 및 RMSE(Root mean square error)를 이용하여 전력 수요량 피크값이 고려된 전력 수요량을 예측하는 전력 수요 예측 장치 및 방법을 제공하는 것을 목적으로 한다.The present invention is to solve the above-described problem, and provides a power demand prediction apparatus and method for predicting a power demand in consideration of a peak power demand value using a long short term memory (LSTM) and a root mean square error (RMSE). It aims to do.

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.In addition to the technical problems of the present invention mentioned above, other features and advantages of the present invention will be described below or will be clearly understood by those of ordinary skill in the art from such technology and description.

앞에서 설명한 목적을 달성하기 위한 본 발명의 실시 예에 따른 전력 수요 예측 장치는 수용가로부터 전력 데이터를 수신하는 데이터 수신부와, 전력 데이터를 이용하여 수용가의 전력 수요량을 예측하기 위한 예측 모델을 생성하는 모델 생성부와, 예측 모델을 이용하여 예측 모델에 의해 출력되는 제1예측 데이터와 실제 전력 수요량의 편차가 최소화되도록 제1예측 데이터를 보정하여 제2예측 데이터를 생성하는 제1데이터 보정부와, 제2예측 데이터의 값이 실제 전력 수요량보다 작은 경우 제2예측 데이터를 재보정하여 제3예측 데이터를 생성하는 제2데이터 보정부와, 제2예측 데이터 및 제3예측 데이터를 기초로 최종 예측 데이터를 생성하는 예측부를 포함할 수 있다.The power demand prediction apparatus according to an embodiment of the present invention to achieve the above-described object generates a data receiver that receives power data from a customer, and a model that generates a prediction model for predicting the amount of power demand of the customer by using the power data. A first data correction unit for generating second predicted data by correcting the first predicted data so that the deviation between the first predicted data output by the predictive model and the actual power demand is minimized using the negative and predictive model; and a second When the value of the predicted data is smaller than the actual power demand, a second data correction unit that generates third predicted data by recalibrating the second predicted data, and generates final predicted data based on the second predicted data and the third predicted data. It may include a prediction unit.

한편, 앞에서 설명한 목적을 달성하기 위한 본 발명의 실시 예에 따른 전력 수요 예측 방법은 수용가로부터 수신한 전력 데이터를 이용하여 수용가의 전력 수요량을 예측하기 위한 예측 모델을 생성하는 단계와, 예측 모델을 이용하여 예측 모델에 의해 출력되는 제1예측 데이터와 실제 전력 수요량의 편차가 최소화되도록 제1예측 데이터를 보정하여 제2예측 데이터를 생성하는 단계와, 제2예측 데이터의 값이 실제 전력 수요량보다 작은 경우 제2예측 데이터를 재보정하여 제3예측 데이터를 생성하는 단계와, 제2예측 데이터 및 제3예측 데이터를 기초로 최종 예측 데이터를 생성하는 단계를 포함할 수 있다.Meanwhile, in the power demand prediction method according to an embodiment of the present invention for achieving the above-described object, generating a prediction model for predicting the power demand of the customer using power data received from the customer, and using the prediction model. Thus, generating second predicted data by correcting the first predicted data so that the deviation between the first predicted data output by the predictive model and the actual power demand is minimized, and when the value of the second predicted data is smaller than the actual power demand It may include recalibrating the second prediction data to generate third prediction data, and generating final prediction data based on the second prediction data and the third prediction data.

본 발명의 실시 예에 따른 전력 수요 예측 장치 및 방법은 LSTM(Long short term memory) 및 RMSE(Root mean square error)를 이용하여 전력 수요량의 피크값이 고려된 전력 수요량을 예측할 수 있다.The power demand prediction apparatus and method according to an exemplary embodiment of the present invention may predict the power demand in which the peak value of the power demand is considered using long short term memory (LSTM) and root mean square error (RMSE).

또한, 전력 수요량의 피크값이 고려되므로, 피크값을 더 정확하게 예측할 수 있다.In addition, since the peak value of the power demand is taken into account, the peak value can be more accurately predicted.

또한, 전력 수요량 피크값이 고려되므로, 피크값을 가지는 시간대에서 전력의 부족으로 인해 정전이 발생하는 것을 방지할 수 있다.In addition, since the peak value of the power demand is taken into account, it is possible to prevent a power failure from occurring due to a lack of power in a time period having the peak value.

이 밖에도, 본 발명의 실시 예들을 통해 본 발명의 또 다른 특징 및 이점들이 새롭게 파악될 수도 있을 것이다.In addition, other features and advantages of the present invention may be newly recognized through embodiments of the present invention.

도 1은 본 발명의 실시 예에 따른 전력 수요 예측 시스템을 나타내는 도면이다.
도 2는 본 발명의 실시 예에 따른 전력 수요 장치의 구성을 나타내는 도면이다.
도 3은 본 발명의 실시 예에 따른 실제 전력 수요량 및 제2예측 데이터를 나타내는 도면이다.
도 4는 본 발명의 실시 예에 따른 실제 전력 수요량 및 제3예측 데이터를 나타내는 도면이다.
도 5는 본 발명의 실시 예에 따른 수요 예측 방법을 나타내는 도면이다.1 is a diagram illustrating a power demand prediction system according to an embodiment of the present invention.
2 is a diagram showing the configuration of a power demand device according to an embodiment of the present invention.
3 is a diagram illustrating an actual power demand amount and second prediction data according to an embodiment of the present invention.
4 is a diagram illustrating an actual power demand amount and third predicted data according to an embodiment of the present invention.
5 is a diagram illustrating a demand prediction method according to an embodiment of the present invention.

본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 동일 또는 유사한 구성요소에 대해서는 동일한 참조 부호를 붙이도록 한다.In order to clearly describe the present invention, parts irrelevant to the description have been omitted, and the same reference numerals are attached to the same or similar components throughout the specification.

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.Although not defined differently, all terms including technical and scientific terms used herein have the same meaning as commonly understood by one of ordinary skill in the art to which the present invention belongs. Terms defined in a commonly used dictionary are additionally interpreted as having a meaning consistent with the related technical literature and the presently disclosed content, and are not interpreted in an ideal or very formal meaning unless defined.

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.Hereinafter, embodiments of the present invention will be described in detail with reference to the accompanying drawings so that those of ordinary skill in the art may easily implement the present invention. However, the present invention may be implemented in various different forms and is not limited to the embodiments described herein.

도 1은 본 발명의 실시 예에 따른 전력 수요 예측 시스템을 나타내는 도면이다.1 is a diagram illustrating a power demand prediction system according to an embodiment of the present invention.

도 1을 참조하면, 본 발명의 실시 예에 따른 전력 수요 예측 시스템(1000)은 수용설비(100), 전력 수요 예측 장치(200) 및 발전설비(300)를 포함할 수 있다.Referring to FIG. 1, a power demand prediction system 1000 according to an embodiment of the present invention may include an accommodation facility 100, a power demand prediction device 200, and a power generation facility 300.

수용설비(100)는 전력을 사용하는 부하단에 전력을 전달할 수 있고, 부하단에서의 실제 전력 수요량을 산출할 수 있다.The receiving facility 100 can deliver power to a load terminal that uses power, and can calculate an actual amount of power demand at the load terminal.

전력 수요 예측 장치(200)는 수용설비(100)로부터 실제 전력 수요량을 수신할 수 있다. 전력 수요 예측 장치(200)는 수신한 전력 수요량 데이터를 이용하여 전력 수요량에 대한 예측 모델을 생성하고, 생성한 예측 모델을 통해 전력 수요량을 예측할 수 있다. 본 발명의 실시 예에 따른 전력 수요 예측 장치(200)는 심층 신경망을 적용하여 예측 모델을 생성할 수 있으며, 손실함수 및 역전파를 이용하여 전력 수요량의 피크값이 고려된 전력 수요량을 예측할 수 있다.The power demand prediction apparatus 200 may receive an actual power demand amount from the accommodation facility 100. The power demand prediction apparatus 200 may generate a prediction model for the power demand by using the received power demand data, and may predict the power demand through the generated prediction model. The power demand prediction apparatus 200 according to an embodiment of the present invention may generate a prediction model by applying a deep neural network, and may predict a power demand in which the peak value of the power demand is considered using a loss function and backpropagation. .

이를 통해, 본 발명의 실시 예에 따른 전력 수요 예측 장치(200)가 전력 수요량을 예측함으로써, 발전설비(300)가 예측된 전력 수요량에 맞추어 전력을 발전할 수 있도록 할 수 있고, 예측된 전력 수요량에 맞추어 전력을 발전하도록 하여 낭비되는 전력이 없도록 할 수 있다. 또한, 수요 예측 장치(200)는 순간적으로 전력의 수요량이 증가(피크값)하게 되는 시간대를 고려하여 전력 수요량을 예측할 수 있고, 이로 인해 순간적으로 전력의 수요량이 증가하게 되는 시간대에 전력량의 부족으로 인해 정전이 발생하게 되는 것을 방지할 수 있다. Through this, the power demand prediction apparatus 200 according to an embodiment of the present invention predicts the power demand, so that the power generation facility 300 can generate power according to the predicted power demand, and the predicted power demand It is possible to prevent wasted power by generating power according to the situation. In addition, the demand prediction device 200 may predict the amount of power demanded in consideration of the time period when the amount of demand for power is instantaneously increased (peak value), and as a result, due to the shortage of the amount of power during the time period when the amount of demand for power is instantaneously increased. Therefore, it is possible to prevent a power outage from occurring.

이와 같이, 본 발명의 실시 예에 따른 전력 수요 시스템(1000)은 순간적으로 전력의 수요량이 증가하게 되는 시간대의 전력 수요량을 고려하여 최종 전력 수요량을 예측하고, 그에 따른 전력량을 발전하도록 하여 낭비되는 전력이 없도록 할 수 있다. 또한, 순간적으로 전력의 수요량이 증가하게 되는 시간대의 전력 수요량을 예측하여 전력의 부족으로 인해 정전이 발생하게 되는 문제 또한 해결할 수 있다. In this way, the power demand system 1000 according to an embodiment of the present invention predicts the final power demand by considering the power demand at a time when the demand for power increases, and generates the amount of power accordingly. This can be done. In addition, it is possible to solve the problem that a power outage occurs due to a shortage of power by predicting the amount of power demand in a time period when the amount of power demand is instantaneously increased.

도 2는 본 발명의 실시 예에 따른 전력 수요 장치의 구성을 나타내는 도면이다.2 is a diagram showing the configuration of a power demand device according to an embodiment of the present invention.

도 2를 참조하면, 본 발명의 실시 예에 따른 전력 수요 장치(200)는 데이터 수신부(210), 모델 생성부(220), 제1데이터 보정부(230), 제2데이터 보정부(240) 및 예측부(250)를 포함할 수 있다. Referring to FIG. 2, the power demand device 200 according to an embodiment of the present invention includes a data receiving unit 210, a model generating unit 220, a first data correcting unit 230, and a second data correcting unit 240. And a prediction unit 250.

데이터 수신부(210)는 수용가로부터 전력 데이터를 수신할 수 있다. 여기서, 수용가는 도 1에서의 수용설비 또는 부하단을 나타낼 수 있다. 또한, 전력 데이터는 시간대별 전력 사용량, 각 콘센트 별 전력 사용량, 지역별 전력 사용량 등을 포함할 수 있고, 전력 데이터는 시계열 데이터로, 시간 순서대로 측정되는 데이터일 수 있다.The data receiver 210 may receive power data from a customer. Here, the customer price may represent the receiving facility or load end in FIG. 1. In addition, the power data may include power consumption by time slot, power consumption by each outlet, power consumption by region, and the like, and the power data may be time series data and may be data measured in chronological order.

모델 생성부(220)는 전력 데이터를 이용하여 수용가의 전력 수요량을 예측하기 위한 예측 모델을 생성할 수 있다. 예측 모델은 심층 신경망으로 구성될 수 있으며, 예로서, LSTM(Long short term memory)으로 구성될 수 있다. 여기서, 데이터 수신부(210)에서 수신된 전력 데이터는 예측 모델의 입력 데이터일 수 있으며, 전력 수요량을 예측한 예측 데이터는 예측 모델의 출력 데이터일 수 있다. 즉, 모델 생성부(220)는 전력 데이터에 대한 예측 데이터가 출력되도록 하는 예측 모델을 생성할 수 있다.The model generator 220 may generate a predictive model for predicting the amount of power demand of the customer by using the power data. The prediction model may be composed of a deep neural network, and, for example, may be composed of a long short term memory (LSTM). Here, the power data received by the data receiving unit 210 may be input data of the prediction model, and the prediction data predicting the amount of power demand may be output data of the prediction model. That is, the model generator 220 may generate a prediction model that outputs prediction data for power data.

여기서, 모델 생성부(220)는 예측 모델을 학습시키기 위한 실제 전력 수요량을 데이터 수신부(210)로부터 수신할 수 있다. 즉, 데이터 수신부(210)는 실제 전력 수요량을 수용가로부터 더 수신할 수 잇고, 모델 생성부(220)는 데이터 수신부(210)로부터 전력 데이터 및 실제 전력 수요량을 전달받아 예측 모델을 학습시킬 수 있다.Here, the model generating unit 220 may receive an actual amount of power demand for training the predictive model from the data receiving unit 210. That is, the data receiving unit 210 may further receive the actual power demand amount from the customer, and the model generation unit 220 may receive the power data and the actual power demand amount from the data receiving unit 210 to train the prediction model.

제1데이터 보정부(230)는 예측 모델을 이용하여 예측 모델에 의해 출력되는 제1예측 데이터와 실제 전력 수요량의 편차가 최소화되도록 제1예측 데이터를 보정하여 제2예측 데이터를 생성할 수 있다.The first data correction unit 230 may generate second prediction data by correcting the first prediction data using the prediction model to minimize a deviation between the first prediction data output by the prediction model and the actual power demand.

제1데이터 보정부(230)는 하기 수학식 1을 통해 제1예측 데이터와 실제 전력 수요량의 편차를 산출할 수 있다.The first data correction unit 230 may calculate a deviation between the first predicted data and the actual power demand through Equation 1 below.

[수학식 1][Equation 1]

Figure 112019047288676-pat00001
Figure 112019047288676-pat00001

L은 제1예측 데이터와 실제 전력 수요량의 편차이고, t는 시간, M은 상수이고,

Figure 112019047288676-pat00002
는 실제 전력 수요량이고,
Figure 112019047288676-pat00003
는 제1예측 데이터일 수 있다. 여기서, 실제 전력 수요량과 제1예측 데이터와의 편차가 최소화된 경우,
Figure 112019047288676-pat00004
는 제2예측 데이터일 수도 있다. 여기서, 제1예측 데이터 및 제2예측 데이터는 설명의 편의를 위해 구분한 것일 뿐, 별개의 데이터 셋을 나타내는 것은 아니다.L is the deviation between the first predicted data and the actual power demand, t is time, M is a constant,
Figure 112019047288676-pat00002
Is the actual power demand,
Figure 112019047288676-pat00003
May be first prediction data. Here, when the deviation between the actual power demand and the first predicted data is minimized,
Figure 112019047288676-pat00004
May be second prediction data. Here, the first prediction data and the second prediction data are separated for convenience of description, and do not represent separate data sets.

여기서, 제1데이터 보정부(230)는 예측 모델에 의해 출력된 제1예측 데이터를 다시 예측 모델의 입력으로써 이용하는 피드백 작용을 통해 제1예측 데이터를 보정할 수 있고, 이러한 과정을 여러 번 반복함으로써, 실제 전력 수요량과 제1예측 데이터와의 편차를 감소시킬 수 있다. 이때, 제1데이터 보정부(230)는 실제 전력 수요량과 제1예측 데이터와의 편차가 최소화된 경우, 실제 전력 수요량과 최소화된 편차를 가지는 제1예측 데이터를 제2예측 데이터로 정의할 수 있다. Here, the first data correction unit 230 may correct the first prediction data through a feedback action that uses the first prediction data output by the prediction model again as an input of the prediction model, and repeats this process several times. , It is possible to reduce the deviation between the actual power demand and the first predicted data. In this case, when the deviation between the actual power demand amount and the first forecast data is minimized, the first data correction unit 230 may define the first forecast data having the minimized deviation from the actual power demand amount as the second forecast data. .

여기서, 제1데이터 보정부(230)는 실제 전력 수요량과 제1예측 데이터 중 어느 데이터의 값이 큰지 작은지는 고려하지 않을 수 있으며, 실제 전력 수요량과 제1예측 데이터간의 편차만을 산출할 수 있다. 이에 따라 수학식 1에서 실제 전력 수요량과 제1예측 데이터 간의 편차는 실제 전력 수요량과 제1예측 데이터간의 차이를 제곱한 값일 수 있다. 이는, 실제 전력 수요량과 예측 데이터 간의 오차를 줄이기 위한 것으로, 예측 데이터가 최대한 실제 전력 수요량과 유사한 값을 가지도록 하기 위한 것일 수 있다.Here, the first data correction unit 230 may not consider whether a value of the actual power demand and the first predicted data is larger or smaller, and may calculate only a deviation between the actual power demand and the first predicted data. Accordingly, in Equation 1, the difference between the actual power demand and the first prediction data may be a squared value of the difference between the actual power demand and the first prediction data. This is to reduce an error between the actual power demand amount and the predicted data, and may be to allow the predicted data to have a value similar to the actual power demand amount as much as possible.

또한, 제1데이터 보정부(230)는 RMSE(Root mean square error)를 이용하여 제1예측 데이터 및 실제 전력 수요량 간의 편차를 감소시킬 수 있다. 또한, 본 발명의 실시 예에 따른 제1데이터 보정부(230)는 RMSE의 손실함수(Loss function) 및 역전파(Backpropagation)를 수정함으로써, 실제 전력 수요량과 제1예측 데이터 간의 오차가 최소화된 제2예측 데이터를 생성할 수 있다. In addition, the first data correction unit 230 may reduce a deviation between the first predicted data and an actual power demand amount by using a root mean square error (RMSE). In addition, the first data correction unit 230 according to an embodiment of the present invention modifies the loss function and backpropagation of the RMSE, thereby minimizing the error between the actual power demand and the first predicted data. 2 Predictive data can be generated.

제2데이터 보정부(240)는 제2예측 데이터의 값이 실제 전력 수요량보다 작은 경우 제2예측 데이터를 재보정하여 제3예측 데이터를 생성할 수 있다.The second data correction unit 240 may generate third predicted data by re-correcting the second predicted data when the value of the second predicted data is smaller than the actual power demand.

제2데이터 보정부(240)는 제1데이터 보정부(230)에서 보정된 제2예측 데이터의 값을 실제 전력 수요량과 비교할 수 있다. 제2데이터 보정부(240)는 제2예측 데이터의 값 및 실제 전력 수요량을 비교한 결과, 제2예측 데이터의 값이 실제 전력 수요량보다 작은 경우 제2예측 데이터를 재보정할 수 있다. 여기서, 제2데이터 보정부(240)는 제2예측 데이터의 값이 실제 전력 수요량보다 커지도록 제2예측 데이터를 보정하여 제3예측 데이터를 생성할 수 있다.The second data correcting unit 240 may compare the value of the second predicted data corrected by the first data correcting unit 230 with an actual power demand amount. As a result of comparing the value of the second predicted data and the actual power demand amount, the second data correcting unit 240 may recalibrate the second predicted data when the value of the second predicted data is smaller than the actual power demand amount. Here, the second data correcting unit 240 may generate the third predicted data by correcting the second predicted data so that the value of the second predicted data becomes larger than the actual power demand.

즉, 제2데이터 보정부(240)는 하기 수학식 2를 통해 제3예측 데이터를 생성할 수 있다.That is, the second data correction unit 240 may generate the third prediction data through Equation 2 below.

[수학식 2][Equation 2]

Figure 112019047288676-pat00005
Figure 112019047288676-pat00005

Figure 112019047288676-pat00006
는 제3예측 데이터이고,
Figure 112019047288676-pat00007
는 상수이고,
Figure 112019047288676-pat00008
는 제2예측 데이터이고,
Figure 112019047288676-pat00009
는 실제 전력 수요량일 수 있다.
Figure 112019047288676-pat00006
Is the third predicted data,
Figure 112019047288676-pat00007
Is a constant,
Figure 112019047288676-pat00008
Is the second predicted data,
Figure 112019047288676-pat00009
May be the actual power demand.

즉, 제1데이터 보정부(240)는 예측 데이터가 실제 전력 수요량과 유사하도록 오차를 줄이는 보정을 수행하고, 제2데이터 보정부(240)는 예측 데이터가 실제 전력 수요량을 모두 커버할 수 있도록 하기 위해 예측 데이터의 값이 실제 전력 수요량보다 커지도록 보정을 수행할 수 있다. 즉, 제2데이터 보정부(240)는 예측 데이터의 값이 실제 전력 수요량보다 항상 크도록 보정할 수 있고, 예컨대, 순간적으로 전력의 수요량이 증가하는 시간대에서도 예측 데이터는 전력 수요량보다 클 수 있다. 이에 따라 순간적으로 전력의 수요량이 증가하는 시간대에서도 전력의 부족없이 전력을 수용가에 공급하도록 할 수 있다.That is, the first data correction unit 240 performs correction to reduce the error so that the predicted data is similar to the actual power demand, and the second data correction unit 240 allows the predicted data to cover all of the actual power demand. The correction can be performed so that the value of the hazard prediction data becomes larger than the actual power demand. That is, the second data correcting unit 240 may correct the value of the predicted data so that the value of the predicted data is always greater than the actual power demand amount, and for example, the predicted data may be greater than the power demand amount even in a time period when the amount of power demand increases instantaneously. Accordingly, it is possible to supply electric power to customers without shortage of electric power even in a time period when the amount of electric power demand is instantaneously increased.

또한, 제1예측 보정부(230) 및 제2예측 보정부(240)는 별도의 구성으로 설명하였으나, 하나의 구성으로 구현될 수도 있다.In addition, although the first prediction correction unit 230 and the second prediction correction unit 240 have been described as separate configurations, they may be implemented as a single configuration.

예측부(250)는 제2예측 데이터 및 제3예측 데이터를 기초로 최종 예측 데이터를 생성할 수 있다. 즉, 최종 예측 데이터는 실제 전력 수요량보다 큰 값일 수 있고, 예측부(250)는 최종 예측 데이터를 발전설비(300)로 전달하여 최종 예측 데이터에 대한 전력량을 발전할 수 있도록 할 수 있다.The prediction unit 250 may generate final prediction data based on the second prediction data and the third prediction data. That is, the final predicted data may be a value larger than the actual power demand, and the predictor 250 may transmit the final predicted data to the power generation facility 300 so that the amount of power for the final predicted data can be generated.

도 3은 본 발명의 실시 예에 따른 실제 전력 수요량 및 제2예측 데이터를 나타내는 도면이다.3 is a diagram illustrating an actual power demand amount and second prediction data according to an embodiment of the present invention.

도 3을 참조하면, 제1데이터 보정부(230)는 예측 모델을 이용하여 예측 모델에 의해 출력되는 제1예측 데이터와 실제 전력 수요량(a)의 편차가 최소화되도록 제1예측 데이터를 보정하여 제2예측 데이터(b)를 생성할 수 있다.Referring to FIG. 3, the first data correction unit 230 corrects the first predicted data so that the deviation between the first predicted data output by the predictive model and the actual power demand (a) is minimized using the predictive model. 2 Prediction data (b) can be generated.

여기서, 제1데이터 보정부(230)는 예측 모델에 의해 출력된 제1예측 데이터를 다시 예측 모델의 입력으로써 이용하는 피드백 작용을 통해 제1예측 데이터를 보정할 수 있고, 이러한 과정을 여러 번 반복함으로써, 실제 전력 수요량과 제1예측 데이터와의 편차를 감소시킬 수 있다. 이때, 제1데이터 보정부(230)는 실제 전력 수요량과 제1예측 데이터와의 편차가 최소화된 경우, 실제 전력 수요량과 최소화된 편차를 가지는 제1예측 데이터를 제2예측 데이터(b)로 정의할 수 있다. Here, the first data correction unit 230 may correct the first prediction data through a feedback action that uses the first prediction data output by the prediction model again as an input of the prediction model, and repeats this process several times. , It is possible to reduce the deviation between the actual power demand and the first predicted data. At this time, when the deviation between the actual power demand and the first predicted data is minimized, the first data correction unit 230 defines the first predicted data having the minimized deviation from the actual power demand as the second predicted data (b). can do.

여기서, 제1데이터 보정부(230)는 실제 전력 수요량과 제1예측 데이터 중 어느 데이터의 값이 큰지 작은지는 고려하지 않고, 실제 전력 수요량과 제1예측 데이터간의 편차만을 산출할 수 있다. 이는, 실제 전력 수요량과 예측 데이터 간의 오차를 줄이기 위한 것으로, 예측 데이터가 최대한 실제 전력 수요량과 유사한 값을 가지도록 하기 위한 것일 수 있다.Here, the first data correcting unit 230 may calculate only a deviation between the actual power demand and the first predicted data without considering whether the value of the actual power demand and the first predicted data is larger or smaller. This is to reduce an error between the actual power demand amount and the predicted data, and may be to allow the predicted data to have a value similar to the actual power demand amount as much as possible.

도 4는 본 발명의 실시 예에 따른 실제 전력 수요량 및 제3예측 데이터를 나타내는 도면이다.4 is a diagram illustrating an actual power demand amount and third predicted data according to an embodiment of the present invention.

도 4를 참조하면, 제2데이터 보정부(240)는 제1데이터 보정부(230)에서 보정된 제2예측 데이터의 값을 실제 전력 수요량(a)과 비교할 수 있다. 제2데이터 보정부(240)는 제2예측 데이터의 값과 실제 전력 수요량(a)을 비교한 결과, 제2예측 데이터의 값이 실제 전력 수요량(a)보다 작은 경우 제2예측 데이터를 재보정할 수 있다. 여기서, 제2데이터 보정부(240)는 제2예측 데이터의 값이 실제 전력 수요량보다 커지도록 제2예측 데이터를 보정하여 제3예측 데이터(c)를 생성할 수 있다.Referring to FIG. 4, the second data correcting unit 240 may compare a value of the second predicted data corrected by the first data correcting unit 230 with an actual power demand amount (a). As a result of comparing the value of the second predicted data with the actual power demand (a), the second data correction unit 240 recalibrates the second predicted data when the value of the second predicted data is smaller than the actual power demand (a). can do. Here, the second data correction unit 240 may generate the third prediction data c by correcting the second prediction data so that the value of the second prediction data becomes larger than the actual power demand.

즉, 제2데이터 보정부(240)는 하기 수학식 2를 통해 제3예측 데이터(c)를 생성할 수 있다.That is, the second data correction unit 240 may generate the third predicted data c through Equation 2 below.

[수학식 2][Equation 2]

Figure 112019047288676-pat00010
Figure 112019047288676-pat00010

Figure 112019047288676-pat00011
는 제3예측 데이터이고,
Figure 112019047288676-pat00012
는 상수이고,
Figure 112019047288676-pat00013
는 제2예측 데이터이고,
Figure 112019047288676-pat00014
는 실제 전력 수요량일 수 있다.
Figure 112019047288676-pat00011
Is the third predicted data,
Figure 112019047288676-pat00012
Is a constant,
Figure 112019047288676-pat00013
Is the second predicted data,
Figure 112019047288676-pat00014
May be the actual power demand.

즉, 제2데이터 보정부(240)는 제3예측 데이터(c)가 실제 전력 수요량(a)을 모두 커버할 수 있도록 하기 위해 제3예측 데이터(c)의 값이 실제 전력 수요량(a)보다 커지도록 보정을 수행할 수 있다. 이에 따라 순간적으로 전력의 수요량이 증가하는 시간대(10)에서도 전력의 부족없이 전력을 수용가에 공급하도록 할 수 있다.That is, the second data correction unit 240 has the value of the third predicted data (c) than the actual power demand amount (a) so that the third predicted data (c) can cover all of the actual power demand amount (a). Correction can be performed to make it larger. Accordingly, it is possible to supply power to the customer without a shortage of power even in the time period 10 when the amount of power demand is instantaneously increased.

도 5는 본 발명의 실시 예에 따른 수요 예측 방법을 나타내는 도면이다.5 is a diagram illustrating a demand prediction method according to an embodiment of the present invention.

도 5를 참조하면, 데이터 수신부(210)는 수용가로부터 전력 데이터를 수신할 수 있다(S100). 여기서, 전력 데이터는 시계열 데이터이며, 시간대별 전력 사용량, 각 콘센트 별 전력 사용량, 지역별 전력 사용량 등을 포함할 수 있다.Referring to FIG. 5, the data receiver 210 may receive power data from a customer (S100). Here, the power data is time-series data, and may include power usage by time slot, power usage by each outlet, power usage by region, and the like.

모델 생성부(220)는 전력 데이터를 이용하여 수용가의 전력 수요량을 예측하기 위한 예측 모델을 생성할 수 있다(S200). 예측 모델은 LSTM(Long short term memory)으로 구성될 수 있고, 데이터 수신부(210)에서 수신된 전력 데이터는 예측 모델의 입력 데이터일 수 있으며, 전력 수요량을 예측한 예측 데이터는 예측 모델의 출력 데이터일 수 있다. 즉, 모델 생성부(220)는 전력 데이터에 대한 예측 데이터가 출력되도록 하는 예측 모델을 생성할 수 있다.The model generator 220 may generate a prediction model for predicting the amount of power demand of the customer by using the power data (S200). The prediction model may be composed of a long short term memory (LSTM), the power data received from the data receiving unit 210 may be input data of the prediction model, and the predicted data predicting the amount of power demand is the output data of the prediction model. I can. That is, the model generator 220 may generate a prediction model that outputs prediction data for power data.

제1데이터 보정부(230)는 예측 모델을 이용하여 예측 모델에 의해 출력되는 제1예측 데이터와 실제 전력 수요량의 편차가 최소화되도록 제1예측 데이터를 보정하여 제2예측 데이터를 생성할 수 있다(S300).The first data correcting unit 230 may generate second predicted data by correcting the first predicted data so that a deviation between the first predicted data output by the predictive model and the actual power demand is minimized using the predictive model ( S300).

여기서, 제1데이터 보정부(230)는 예측 모델에 의해 출력된 제1예측 데이터를 다시 예측 모델의 입력으로써 이용하는 피드백 작용을 통해 제1예측 데이터를 보정할 수 있고, 이러한 과정을 여러 번 반복함으로써, 실제 전력 수요량과 제1예측 데이터와의 편차를 감소시킬 수 있다. 이때, 제1데이터 보정부(230)는 실제 전력 수요량과 제1예측 데이터와의 편차가 최소화된 경우, 실제 전력 수요량과 최소화된 편차를 가지는 제1예측 데이터를 제2예측 데이터로 정의할 수 있다. Here, the first data correction unit 230 may correct the first prediction data through a feedback action that uses the first prediction data output by the prediction model again as an input of the prediction model, and repeats this process several times. , It is possible to reduce the deviation between the actual power demand and the first predicted data. In this case, when the deviation between the actual power demand amount and the first forecast data is minimized, the first data correction unit 230 may define the first forecast data having the minimized deviation from the actual power demand amount as the second forecast data. .

제2데이터 보정부(240)는 제2예측 데이터의 값이 실제 전력 수요량보다 작은 경우 제2예측 데이터를 재보정하여 제3예측 데이터를 생성할 수 있다(S400).When the value of the second predicted data is smaller than the actual power demand, the second data correcting unit 240 may generate third predicted data by re-correcting the second predicted data (S400).

제2데이터 보정부(240)는 제2예측 데이터의 값이 실제 전력 수요량보다 작은 경우 제2예측 데이터의 값이 실제 전력 수요량보다 커지도록 제2예측 데이터를 보정하여 제3예측 데이터를 생성할 수 있다.The second data correction unit 240 may generate third predicted data by correcting the second predicted data so that the value of the second predicted data becomes larger than the actual power demand when the value of the second predicted data is smaller than the actual power demand. have.

즉, 제2데이터 보정부(240)는 하기 수학식 2를 통해 제3예측 데이터를 생성할 수 있다.That is, the second data correction unit 240 may generate the third prediction data through Equation 2 below.

[수학식 2][Equation 2]

Figure 112019047288676-pat00015
Figure 112019047288676-pat00015

Figure 112019047288676-pat00016
는 제3예측 데이터이고,
Figure 112019047288676-pat00017
는 상수이고,
Figure 112019047288676-pat00018
는 제2예측 데이터이고,
Figure 112019047288676-pat00019
는 실제 전력 수요량일 수 있다.
Figure 112019047288676-pat00016
Is the third predicted data,
Figure 112019047288676-pat00017
Is a constant,
Figure 112019047288676-pat00018
Is the second predicted data,
Figure 112019047288676-pat00019
May be the actual power demand.

즉, 제2데이터 보정부(240)는 예측 데이터가 실제 전력 수요량을 모두 커버할 수 있도록 하기 위해 예측 데이터의 값이 실제 전력 수요량보다 커지도록 보정을 수행할 수 있다. 이를 통해 순간적으로 전력의 수요량이 증가하는 시간대에서도 예측 데이터는 전력 수요량보다 클 수 있다. 이에 따라 순간적으로 전력의 수요량이 증가하는 시간대에서도 전력의 부족없이 전력을 수용가에 공급하도록 할 수 있다.That is, the second data correction unit 240 may perform correction so that the predicted data value becomes larger than the actual power demand amount so that the predicted data can cover all of the actual power demand. Through this, the predicted data may be larger than the power demand even in a time period in which the demand for power increases instantaneously. Accordingly, it is possible to supply electric power to customers without shortage of electric power even in a time period when the amount of electric power demand is instantaneously increased.

예측부(250)는 제2예측 데이터 및 제3예측 데이터를 기초로 최종 예측 데이터를 생성할 수 있다(S500). 즉, 최종 예측 데이터는 실제 전력 수요량보다 큰 값일 수 있고, 예측부(250)는 최종 예측 데이터를 발전설비(300)로 전달하여 최종 예측 데이터에 대한 전력량을 발전할 수 있도록 할 수 있다.The prediction unit 250 may generate final prediction data based on the second prediction data and the third prediction data (S500). That is, the final predicted data may be a value larger than the actual power demand, and the predictor 250 may transmit the final predicted data to the power generation facility 300 so that the amount of power for the final predicted data can be generated.

전술한 바와 같이 본 발명의 실시 예에 따르면, LSTM(Long short term memory) 및 RMSE(Root mean square error)를 이용하여 전력 수요량 피크값이 고려된 전력 수요량을 예측하는 전력 수요 예측 장치 및 방법을 실현할 수 있다.As described above, according to an embodiment of the present invention, a power demand prediction apparatus and method for predicting a power demand in consideration of a peak power demand value using a long short term memory (LSTM) and a root mean square error (RMSE) can be realized. I can.

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.Those skilled in the art to which the present invention pertains, since the present invention may be implemented in other specific forms without changing the technical spirit or essential features thereof, the embodiments described above are illustrative in all respects and should be understood as non-limiting. Only do it. The scope of the present invention is indicated by the claims to be described later rather than the detailed description, and all changes or modified forms derived from the meaning and scope of the claims and their equivalent concepts should be interpreted as being included in the scope of the present invention. .

100: 수용설비
200: 전력 수요 예측 장치
300: 발전설비
210: 데이터 수신부
220: 모델 생성부
230: 제1데이터 보정부
240: 제2데이터 보정부
250: 예측부100: accommodation facility
200: power demand prediction device
300: power plant
210: data receiving unit
220: model generation unit
230: first data correction unit
240: second data correction unit
250: prediction unit

Claims (14)

수용가로부터 전력 데이터를 수신하는 데이터 수신부;
상기 전력 데이터를 이용하여 상기 수용가의 전력 수요량을 예측하기 위한 예측 모델을 생성하는 모델 생성부;
상기 예측 모델을 이용하여 상기 예측 모델에 의해 출력되는 제1예측 데이터와 실제 전력 수요량의 편차가 최소화되도록 상기 제1예측 데이터를 보정하여 제2예측 데이터를 생성하는 제1데이터 보정부;
상기 제2예측 데이터의 값이 상기 실제 전력 수요량보다 작은 경우 상기 제2예측 데이터를 재보정하여 제3예측 데이터를 생성하는 제2데이터 보정부;
상기 제2예측 데이터 및 상기 제3예측 데이터를 기초로 최종 예측 데이터를 생성하는 예측부;를 포함하되,
상기 제1데이터 보정부는 상기 제1예측 데이터를 상기 예측 모델의 피드백 작용을 위한 입력으로 이용하되, 수학식 1을 통해 상기 제1예측 데이터와 상기 실제 전력 수요량의 편차를 산출하고,
[수학식 1]
Figure 112020122642205-pat00041

L은 상기 제1예측 데이터와 상기 실제 전력 수요량의 편차이고, t는 시간, M은 상수이고,
Figure 112020122642205-pat00042
는 상기 실제 전력 수요량이고,
Figure 112020122642205-pat00043
는 상기 제1예측 데이터이고,
상기 제2데이터 보정부는,
수학식 2를 통해 상기 실제 전력 수요량보다 커지도록 상기 제3예측 데이터를 생성하고,
[수학식 2]
Figure 112020122642205-pat00044

Figure 112020122642205-pat00045
는 상기 제3예측 데이터이고,
Figure 112020122642205-pat00046
는 상수이고,
Figure 112020122642205-pat00047
는 상기 제2예측 데이터이고,
Figure 112020122642205-pat00048
는 상기 실제 전력 수요량인, 전력 수요 예측 장치.
A data receiver for receiving power data from a customer;
A model generator for generating a prediction model for predicting the amount of power demand of the customer by using the power data;
A first data correction unit for generating second prediction data by correcting the first prediction data using the prediction model to minimize a deviation between the first prediction data output by the prediction model and an actual power demand amount;
A second data correction unit for generating third prediction data by recalibrating the second prediction data when the value of the second prediction data is smaller than the actual power demand;
Including; a prediction unit that generates final prediction data based on the second prediction data and the third prediction data,
The first data correction unit uses the first prediction data as an input for a feedback action of the prediction model, and calculates a deviation between the first prediction data and the actual power demand through Equation 1,
[Equation 1]
Figure 112020122642205-pat00041

L is a deviation between the first predicted data and the actual power demand, t is time, M is a constant,
Figure 112020122642205-pat00042
Is the actual power demand,
Figure 112020122642205-pat00043
Is the first prediction data,
The second data correction unit,
Generate the third prediction data to be greater than the actual power demand through Equation 2,
[Equation 2]
Figure 112020122642205-pat00044

Figure 112020122642205-pat00045
Is the third predicted data,
Figure 112020122642205-pat00046
Is a constant,
Figure 112020122642205-pat00047
Is the second predicted data,
Figure 112020122642205-pat00048
Is the actual power demand, power demand prediction device.
 제1항에 있어서,
상기 전력 데이터는 시계열 데이터이며, 시간대별 전력 사용량, 각 콘센트 별 전력 사용량, 지역별 전력 사용량을 포함하는 전력 수요 예측 장치.
The method of claim 1,
The power data is time series data, and a power demand prediction device including power consumption by time period, power consumption by each outlet, and power consumption by region.
 삭제delete 삭제delete 삭제delete 제1항에 있어서,
상기 제2데이터 보정부는 상기 제2예측 데이터의 값이 상기 실제 전력 수요량보다 커지도록 보정하는, 전력 수요 예측 장치.
The method of claim 1,
The second data correction unit corrects the value of the second predicted data to be greater than the actual power demand amount.
 제1항에 있어서,
상기 최종 예측 데이터의 값들은 상기 실제 전력 수요량보다 큰, 전력 수요 예측 장치.
The method of claim 1,
The power demand prediction apparatus, wherein values of the final prediction data are greater than the actual power demand amount.
 수용가로부터 수신한 전력 데이터를 이용하여 상기 수용가의 전력 수요량을 예측하기 위한 예측 모델을 생성하는 단계;
상기 예측 모델을 이용하여 상기 예측 모델에 의해 출력되는 제1예측 데이터와 실제 전력 수요량의 편차가 최소화되도록 상기 제1예측 데이터를 보정하여 제2예측 데이터를 생성하는 단계;
상기 제2예측 데이터의 값이 상기 실제 전력 수요량보다 작은 경우 상기 제2예측 데이터를 재보정하여 제3예측 데이터를 생성하는 단계;
상기 제2예측 데이터 및 상기 제3예측 데이터를 기초로 최종 예측 데이터를 생성하는 단계;를 포함하되,
상기 제2예측 데이터를 생성하는 단계는,
상기 제1예측 데이터를 상기 예측 모델의 피드백 작용을 위한 입력으로 이용하되, 수학식 1을 통해 상기 제1예측 데이터와 상기 실제 전력 수요량의 편차를 산출하고,
[수학식 1]
Figure 112020122642205-pat00049

L은 상기 제1예측 데이터와 상기 실제 전력 수요량의 편차이고, t는 시간, M은 상수이고,
Figure 112020122642205-pat00050
는 상기 실제 전력 수요량이고,
Figure 112020122642205-pat00051
는 상기 제1예측 데이터이고,
상기 제3예측 데이터를 생성하는 단계는,
수학식 2를 통해 상기 실제 전력 수요량보다 커지도록 상기 제3예측 데이터를 생성하고,
[수학식 2]
Figure 112020122642205-pat00052

Figure 112020122642205-pat00053
는 상기 제3예측 데이터이고,
Figure 112020122642205-pat00054
는 상수이고,
Figure 112020122642205-pat00055
는 상기 제2예측 데이터이고,
Figure 112020122642205-pat00056
는 상기 실제 전력 수요량인, 전력 수요 예측 방법.
Generating a prediction model for predicting an amount of power demand of the customer by using the power data received from the customer;
Generating second prediction data by correcting the first prediction data using the prediction model to minimize a deviation between the first prediction data output by the prediction model and an actual power demand amount;
Generating third prediction data by recalibrating the second prediction data when the value of the second prediction data is less than the actual power demand;
Generating final prediction data based on the second prediction data and the third prediction data; Including,
Generating the second prediction data,
The first prediction data is used as an input for a feedback action of the prediction model, and a deviation between the first prediction data and the actual power demand is calculated through Equation 1,
[Equation 1]
Figure 112020122642205-pat00049

L is the deviation between the first predicted data and the actual power demand, t is time, M is a constant,
Figure 112020122642205-pat00050
Is the actual power demand,
Figure 112020122642205-pat00051
Is the first prediction data,
Generating the third prediction data,
Generate the third prediction data to be greater than the actual power demand through Equation 2,
[Equation 2]
Figure 112020122642205-pat00052

Figure 112020122642205-pat00053
Is the third predicted data,
Figure 112020122642205-pat00054
Is a constant,
Figure 112020122642205-pat00055
Is the second prediction data,
Figure 112020122642205-pat00056
Is the actual power demand, power demand prediction method.
 제8항에 있어서,
상기 전력 데이터는 시계열 데이터이며, 시간대별 전력 사용량, 각 콘센트 별 전력 사용량, 지역별 전력 사용량을 포함하는 전력 수요 예측 방법.
The method of claim 8,
The power data is time-series data, and a power demand prediction method including power consumption by time period, power consumption by each outlet, and power consumption by region.
 삭제delete 삭제delete 삭제delete 제8항에 있어서,
상기 제3예측 데이터를 생성하는 단계는,
상기 제2예측 데이터의 값이 상기 실제 전력 수요량의 값보다 커지도록 보정하는, 전력 수요 예측 방법.
The method of claim 8,
Generating the third prediction data,
The power demand prediction method for correcting so that the value of the second prediction data becomes larger than the value of the actual power demand amount.
 제8항에 있어서,
상기 최종 예측 데이터의 값들은 상기 실제 전력 수요량보다 큰, 전력 수요 예측 방법.

The method of claim 8,
The power demand prediction method, wherein values of the final prediction data are greater than the actual power demand.
KR1020190054146A 2019-05-09 2019-05-09 Apparatus and method for power demand forecasting KR102229209B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190054146A KR102229209B1 (en) 2019-05-09 2019-05-09 Apparatus and method for power demand forecasting

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190054146A KR102229209B1 (en) 2019-05-09 2019-05-09 Apparatus and method for power demand forecasting

Publications (2)

Publication Number Publication Date
KR20200129558A KR20200129558A (en) 2020-11-18
KR102229209B1 true KR102229209B1 (en) 2021-03-18

Family

ID=73697480

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190054146A KR102229209B1 (en) 2019-05-09 2019-05-09 Apparatus and method for power demand forecasting

Country Status (1)

Country Link
KR (1) KR102229209B1 (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102540027B1 (en) 2022-02-16 2023-06-08 호서대학교 산학협력단 Power control system and method characterized in that possible to predict power demand and detect abnormalities

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102432287B1 (en) * 2020-11-26 2022-08-16 (주)누리플렉스 Method and apparatus for real-time remote meter reading

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014164393A (en) 2013-02-22 2014-09-08 Mitsubishi Electric Corp Electric power prediction device, equipment control system, electric power prediction method and program
JP2015023724A (en) * 2013-07-22 2015-02-02 富士通株式会社 Power consumption prediction system and method and program
JP2015090691A (en) * 2013-11-07 2015-05-11 株式会社エヌ・ティ・ティ・データ Prediction device, prediction method, and program
JP2016224566A (en) * 2015-05-27 2016-12-28 一般財団法人電力中央研究所 Prediction device, prediction method, and prediction program

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014164393A (en) 2013-02-22 2014-09-08 Mitsubishi Electric Corp Electric power prediction device, equipment control system, electric power prediction method and program
JP2015023724A (en) * 2013-07-22 2015-02-02 富士通株式会社 Power consumption prediction system and method and program
JP2015090691A (en) * 2013-11-07 2015-05-11 株式会社エヌ・ティ・ティ・データ Prediction device, prediction method, and program
JP2016224566A (en) * 2015-05-27 2016-12-28 一般財団法人電力中央研究所 Prediction device, prediction method, and prediction program

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102540027B1 (en) 2022-02-16 2023-06-08 호서대학교 산학협력단 Power control system and method characterized in that possible to predict power demand and detect abnormalities

Also Published As

Publication number Publication date
KR20200129558A (en) 2020-11-18

Similar Documents

Publication Publication Date Title
CN111492559B (en) System and method for optimal control of an energy storage system
Nikoobakht et al. Flexible power system operation accommodating uncertain wind power generation using transmission topology control: an improved linearised AC SCUC model
JP5178242B2 (en) Energy storage device operation plan creation method and operation plan creation device
JP6515640B2 (en) Tidal current calculation apparatus, tidal current calculation method, and program
KR102229209B1 (en) Apparatus and method for power demand forecasting
US10908571B2 (en) Online multi-period power dispatch with renewable uncertainty and storage
Vrakopoulou et al. A probabilistic framework for security constrained reserve scheduling of networks with wind power generation
JP2007047996A (en) Demand predicting device and method and program
Cominesi et al. Two-layer predictive control of a micro-grid including stochastic energy sources
CN116911076B (en) Toughness support simulation method and device for power distribution network by multiple micro-grids and electronic equipment
Pourahmadi et al. Economically optimal uncertainty set characterization for power system operational flexibility
Zhou et al. A distributed dispatch method for microgrid cluster considering demand response
US20200341437A1 (en) Systems and Methods for Security Constrained Automatic Generation Control
Oldewurtel et al. Adaptively constrained stochastic model predictive control applied to security constrained optimal power flow
CN116596286B (en) Optimized scheduling method, device and equipment for virtual power plant and storage medium
Rodriguez et al. A new energy management strategy for a grid connected wind turbine-battery storage power plant
Verrilli et al. Stochastic model predictive control for optimal energy management of district heating power plants
US9594364B2 (en) Method and device for distributing electricity flows and electrical system comprising such a device
CN104318318A (en) Power grid loss influence quantization model by charge, network and source coordination control-based factors
Gonzalez-Castellanos et al. Electricity and reserve pricing in chance-constrained electricity markets with asymmetric balancing reserve policies
KR102227084B1 (en) Estimation of Capacity of Energy Storage System for New Renewable Energy Control Based on Machine Learning
US20230409067A1 (en) Reverse flow power control device and reverse flow power control method
US20220224120A1 (en) Power control device and power control method
Różańska et al. A Supervised Learning Solver for Proactive Optimization of Cross-Cloud Applications
Lezhniuk et al. Functionning optimization of various types of renewable sources of electric energy in electric networks

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right