KR102253741B1 - 인공신경망을 이용한 다중적 전력 수요 예측 방법 - Google Patents

인공신경망을 이용한 다중적 전력 수요 예측 방법 Download PDF

Info

Publication number
KR102253741B1
KR102253741B1 KR1020190152951A KR20190152951A KR102253741B1 KR 102253741 B1 KR102253741 B1 KR 102253741B1 KR 1020190152951 A KR1020190152951 A KR 1020190152951A KR 20190152951 A KR20190152951 A KR 20190152951A KR 102253741 B1 KR102253741 B1 KR 102253741B1
Authority
KR
South Korea
Prior art keywords
prediction
neural network
prediction structure
power demand
data
Prior art date
Application number
KR1020190152951A
Other languages
English (en)
Inventor
김동오
김승우
윤종찬
이승범
이두희
안도현
이정주
Original Assignee
주식회사 비엠티
건국대학교 산학협력단
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 비엠티, 건국대학교 산학협력단 filed Critical 주식회사 비엠티
Priority to KR1020190152951A priority Critical patent/KR102253741B1/ko
Application granted granted Critical
Publication of KR102253741B1 publication Critical patent/KR102253741B1/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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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"
    • 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
    • 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
    • Y04S40/00—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them
    • Y04S40/20—Information technology specific aspects, e.g. CAD, simulation, modelling, system security

Landscapes

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

Abstract

본 발명은 인공신경망을 이용한 다중적 전력 수요 예측 방법에 관한 것으로서, 전력수요에 대한 데이터를 데이터베이스로부터 입력받는 입력단계; 및 인공신경망 기반의 예측모델에 상기 데이터를 입력값으로 취하여 연산함으로써 상기 데이터의 생성 시점 이후 시점에서의 전력수요에 대한 예측값을 출력하는 출력단계를 포함하되, 상기 출력단계는, 상기 예측값을 재귀적으로 하나의 예측모델에 입력값으로 취하여 연산함으로써 상기 예측값을 다시 생성하는 예측구조 1을 포함하며, 상기 예측구조 1은 하기의 수식을 만족하며,
Figure 112020060026954-pat00034

상기 출력단계는, 상기 데이터를 복수개의 예측모델에 각각 입력한 후 각각 연산을 실시하여 시간의 흐름에 따른 복수개의 시점에 대한 상기 예측값을 각각 출력하는 예측구조 2를 포함하며, 상기 예측구조 2는 하기의 수식을 만족하며,
Figure 112020060026954-pat00035

상기 출력단계는, 시간의 흐름에 따른 복수개의 시점에 대한 상기 데이터를 하나의 예측모델에 입력한 후, 한번의 연산으로 시간의 흐름에 따른 복수개의 시점에 대한 상기 예측값을 출력하는 예측구조 3을 포함하며, 상기 예측구조 3은 하기의 수식을 만족하며,
Figure 112020060026954-pat00036

상기 출력단계는, 상기 데이터가 주기적 반복 패턴을 가지고 있지 않은 경우에는 예측구조 1과 예측구조 2를 병렬적으로 사용하여 연산하고, 상기 데이터가 주기적 반복 패턴을 가지고 있는 경우에는 예측구조 3을 사용하여 연산하며, 상기 출력단계는, 상기 예측구조 1에 따른 예측값과, 상기 예측구조 2에 따른 예측값과, 상기 예측구조 3에 따른 예측값을 실제값과 각각 비교하여 가장 오차가 적은 예측값을 출력하는 것을 특징으로 한다.
본 발명에 따르면, 하나의 입력데이터로 복수개의 시점에 대한 예측값들이 출력되기 때문에, 시간의 누적에 따른 오차가 발생되지 않아 보다 정확한 전력수요에 대한 예측이 실시될 수 있는 효과가 있다.

Description

인공신경망을 이용한 다중적 전력 수요 예측 방법{ELECTRIC POWER DEMAND PREDICTION METHOD FOR MULTIPLE TYPE USING ARTIFICIAL NEURAL NETWORK}
본 발명은 인공신경망을 이용한 다중적 전력 수요 예측 방법에 관한 것으로서, 보다 상세하게는 각 시점에 따른 예측값들 사이에 오차가 발생되지 않도록 하나의 입력데이터로 복수개의 시점에 대한 예측값들을 각각 출력하는 인공신경망을 이용한 다중적 전력 수요 예측 방법에 관한 것이다.
최근 에너지 수요증가가 크게 증가하면서 전력 부족 현상이 심화되고 있어 전국적으로 발전 및 송배전 시설이 추가적으로 설치되고 있다. 이러한 추가적인 설치에 따라 사회적 비용이 급증함에 따라 최근, 정부 주도로 공급중심에서 수요관리 중심으로 에너지 정책이 전환되고 있다.
전력의 수요관리는 전력 사용 패턴 변화를 통해 최소 비용으로 안정적인 전력수요를 충족시키기 위한 방안을 의미한다. 전력의 수요관리는 수요반응 분석과 에너지효율향상에의 적용으로 나눌 수 있는데, 상술한 전력 수요관리를 에너지 소비가 크고 효율성이 낮은 건물, 공장 등에 적용하게 되면, 효과가 크게 나타날 수 있을 것으로 기대된다.
근래에는 태양광 등의 신재생 에너지, LED 조명, ESS (Enery Storage System), 전기자동차, 스마트 미터 등 다양한 스마트 그리드 기술들이 건물에 도입됨에 따라 이들의 통합운전을 통해 건물의 전력 소비량을 제어하는 BEMS (Building Energy Management System), FEMS (Factory Management System) 기술에 대한 시장수요가 크게 증가하고 있다.
BEMS (Building Energy Management System)이 제 기능을 수행하기 위해서는 전력 감축 및 복귀 알고리즘이 사용되어야 하며, 이러한 알고리즘은 건물의 부하별, 건물/층별, 계절/날짜 등에 따른 전력수요를 예측할 수 있어야 한다. 그러나 종래에는 간단한 수학모델을 사용하여 과거의 전력수요 데이터와 해당 날짜만 가지고 예측을 수행하였기 때문에, 그 정확도가 매우 떨어졌는데, 특히, 날씨 등의 외부변수를 고려하는 경우 비선형성이 커져서 상술한 과거의 모델로는 정확한 전력수요 예측이 불가능한 상황이다.
한편, 상기와 같은 문제점을 극복하고자 근래에 인공신경망을 사용하여 학습된 알고리즘으로 전력 수요를 예측하는 방법이 제안된바 있다. 일반적으로 사용되고 있는 인공신경망을 이용한 전력 수요 예측방법은 현재 시점에 대한 데이터를 입력값으로 받아 시간에 대해 누적적으로 연산을 실시한다. 이러한 인공신경망을 사용한 종래의 전력 수요 예측방법은 그 구조상 시간에 대해 누적적으로 연산이 실시되기 때문에 시간이 진행됨에 따라 오차가 누적적으로 쌓여 먼 미래의 시점에서는 예측값의 오차가 매우 커진다는 문제가 있다.
본 발명의 목적은 상술한 종래의 문제점을 해결하기 위한 것으로서, 각 시점에 따른 예측값들 사이에 오차가 발생되지 않도록 하나의 입력데이터로 복수개의 시점에 대한 예측값들을 각각 출력하는 인공신경망을 이용한 다중적 전력 수요 예측 방법을 제공함에 있다.
상기 목적은, 본 발명에 따라, 전력수요에 대한 데이터를 데이터베이스로부터 입력받는 입력단계; 및 인공신경망 기반의 예측모델에 상기 데이터를 입력값으로 취하여 연산함으로써 상기 데이터의 생성 시점 이후 시점에서의 전력수요에 대한 예측값을 출력하는 출력단계를 포함하되, 상기 출력단계는, 상기 예측값을 재귀적으로 하나의 예측모델에 입력값으로 취하여 연산함으로써 상기 예측값을 다시 생성하는 예측구조 1을 포함하며, 상기 예측구조 1은 하기의 수식을 만족하며,
Figure 112020060026954-pat00013

Figure 112020060026954-pat00014

상기 출력단계는, 상기 데이터를 복수개의 예측모델에 각각 입력한 후 각각 연산을 실시하여 시간의 흐름에 따른 복수개의 시점에 대한 상기 예측값을 각각 출력하는 예측구조 2를 포함하며, 상기 예측구조 2는 하기의 수식을 만족하며,
Figure 112020060026954-pat00015

Figure 112020060026954-pat00016

상기 출력단계는, 시간의 흐름에 따른 복수개의 시점에 대한 상기 데이터를 하나의 예측모델에 입력한 후, 한번의 연산으로 시간의 흐름에 따른 복수개의 시점에 대한 상기 예측값을 출력하는 예측구조 3을 포함하며, 상기 예측구조 3은 하기의 수식을 만족하며,
Figure 112020060026954-pat00017

Figure 112020060026954-pat00018

상기 출력단계는, 상기 데이터가 주기적 반복 패턴을 가지고 있지 않은 경우에는 예측구조 1과 예측구조 2를 병렬적으로 사용하여 연산하고, 상기 데이터가 주기적 반복 패턴을 가지고 있는 경우에는 예측구조 3을 사용하여 연산하며, 상기 출력단계는, 상기 예측구조 1에 따른 예측값과, 상기 예측구조 2에 따른 예측값과, 상기 예측구조 3에 따른 예측값을 실제값과 각각 비교하여 가장 오차가 적은 예측값을 출력하는 것을 특징으로 하는 인공신경망을 이용한 다중적 전력 수요 예측 방법에 의해 달성된다.
삭제
삭제
삭제
삭제
삭제
또한, 상기 인공신경망은, DNN(Deep Neural Network) 또는 RNN(Recurrent Neural Nerwork)일 수 있다.
본 발명에 따르면, 하나의 입력데이터로 복수개의 시점에 대한 예측값들이 출력되기 때문에, 시간의 누적에 따른 오차가 발생되지 않아 보다 정확한 전력수요에 대한 예측이 실시될 수 있는 효과가 있다.
또한, 본 발명에 따르면, 입력되는 데이터 유형에 맞추어 보다 정확한 예측값이 출력될 수 있는 효과가 있다.
한편, 본 발명의 효과는 이상에서 언급한 효과들로 제한되지 않으며, 이하에서 설명할 내용으로부터 통상의 기술자에게 자명한 범위 내에서 다양한 효과들이 포함될 수 있다.
도 1은 본 발명의 일실시예에 따른 인공신경망을 이용한 다중적 전력 수요 예측 방법을 실시하는 전력 수요 예측 시스템을 도시한 것이고,
도 2는 본 발명의 일실시예에 따른 인공신경망을 이용한 다중적 전력 수요 예측 방법의 순서도 이고,
도 3은 본 발명의 일실시예에 따른 인공신경망을 이용한 다중적 전력 수요 예측 방법의 출력단계에서의 예측구조 1의 동작을 나타낸 것이고,
도 4는 본 발명의 일실시예에 따른 인공신경망을 이용한 다중적 전력 수요 예측 방법의 출력단계에서의 예측구조 2의 동작을 나타낸 것이고,
도 5는 본 발명의 일실시예에 따른 인공신경망을 이용한 다중적 전력 수요 예측 방법의 출력단계에서의 예측구조 2의 동작을 나타낸 것이다.
이하, 본 발명의 일부 실시 예들이 예시적인 도면을 통해 상세하게 설명한다. 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야한다.
그리고 본 발명의 실시 예를 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 실시예에 대한 이해를 방해한다고 판단되는 경우에는 그 상세한 설명은 생략한다.
또한, 본 발명의 실시 예의 구성요소를 설명하는 데 있어서, 제1, 제2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질이나 차례 또는 순서 등이 한정되지 않는다.
지금부터 첨부한 도면을 참조하여, 본 발명의 일실시예에 따른 인공신경망을 이용한 다중적 전력 수요 예측 방법(S100)에 대해 상세히 설명한다.
도 1은 본 발명의 일실시예에 따른 인공신경망을 이용한 다중적 전력 수요 예측 방법을 실시하는 전력 수요 예측 시스템을 도시한 것이고, 도 2는 본 발명의 일실시예에 따른 인공신경망을 이용한 다중적 전력 수요 예측 방법의 순서도 이고, 도 3은 본 발명의 일실시예에 따른 인공신경망을 이용한 다중적 전력 수요 예측 방법의 출력단계에서의 예측구조 1의 동작을 나타낸 것이고, 도 4는 본 발명의 일실시예에 따른 인공신경망을 이용한 다중적 전력 수요 예측 방법의 출력단계에서의 예측구조 2의 동작을 나타낸 것이고, 도 5는 본 발명의 일실시예에 따른 인공신경망을 이용한 다중적 전력 수요 예측 방법의 출력단계에서의 예측구조 2의 동작을 나타낸 것이다.
먼저, 본 발명의 일실시예에 따른 인공신경망을 이용한 다중적 전력 수요 예측 방법을 실시하는 전력 수요 예측 시스템(100)에 대해서 설명한다. 도 1에 도시된 바와 같이, 본 발명의 일실시예에 따른 인공신경망을 이용한 다중적 전력 수요 예측 방법을 실시하는 전력 수요 예측 시스템(100)은 ADR 플렛폼(110)과 데이터베이스(120)와 예측부(130)를 포함한다.
ADR 플렛폼(110)은 자동수요반응(Auto Demand Response) 플렛폼으로, 예를들면, 건물에 설치되는 에너지 관리 시스템 및 에너지 관리 시스템과 네트워크로 연결되는 전력거래 시스템 등을 포괄하는 개념으로 정의될 수 있다.
데이터베이스(120)는 ADR 플렛폼(110) 및 예측부(130)에 전기적을 연결되어 에너지에 관련된 정보를 상호 교환, 저장하는 것으로서, 서버 시스템으로 구축될 수 있다.
예측부(130)는 데이터베이스(120)로부터 데이터를 전달받고, 이를 분석하여 전력수요에 대한 예측값을 출력하는 것으로서, 이러한 예측부(130)의 동작에 의해서, 본 발명의 일실시예에 따른 인공신경망을 이용한 다중적 전력 수요 예측 방법이 실시된다.
도 2에 도시된 바와 같이, 본 발명의 일실시예에 따른 인공신경망을 이용한 다중적 전력 수요 예측 방법(S100)은 입력단계(S110)와 출력단계(S120)를 포함한다.
입력단계(S110)는 예측부(130)가 전력수요에 대한 데이터를 데이터베이스(120)로부터 입력받는 단계이다.
여기서 전력수요에 대한 데이터란, 고정데이터와 시간데이터와 전력시장데이터로 구분할 수 있다. 고정데이터는 시간에 변화에 관계없이 고정적으로 존재하는 데이터로, 건물 연면적, 건물 공조면적, 건물 층수, 조명개수, 엘리베이터 개수, 냉난방기 개수, 냉난방기 작동 방식 등에 대한 정보일 수 있다. 시간데이터는 시간에 따라 변화되는 건물 내외부의 데이터를 의미하는데, 보다 상세하게는 기상데이터(온도, 습도, 강수량 등), 건물 운전 정보(건물 사용율, 재실 인원 등), 설비 운전 상황 정보(설비, 조명 등의 ON/OFF 정보), 센서 입력 정보(전력, 전력량, 온도, 유량 등) 등일 수 있다. 전력시장데이터는 전력 시장에 대한 데이터로, 전력 상황 정보(최대 부하 전망, 실시간 전력 수급 현황 등), 급전 지시 정보(급전지시 발생/해제, 급전지시 발생 시각, 목표 전력 감축량 등) 등일 수 있다.
출력단계(S120)는 예측부(130)가 데이터베이스(120)에서 전달되는 데이터를 기초로 인공신경망에 기반한 예측모델을 이용하여 연산함으로써 데이터의 생성 시점 이후 시점에서의 전력수요에 대한 예측값을 출력하는 단계이다.
여기서, 인공신경망은, DNN(Deep Neural Network), RNN(Recurrent Neural Nerwork) 등으로 마련될 수 있다. DNN의 경우, 비선형적인 데이터에 대한 예측이 탁월한 것으로 알려져 있고, RNN의 경우 DNN에 비해 연속적, 시계열적인 데이터에 대한 분석이 탁월하다고 알려져 있다. RNN의 종류 중 하나인 LSTM(Long Short-Term Memory)는 과거 시점에 저장된 정보를 삭제하면서 미래 시점의 연산을 수행함으로써 다른 종류의 RNN에 비해 보다 높은 예측성능을 가진다고 알려져 있다.
여기서, 전력수요에 대한 예측값은 수요 전력 예측 결과에 대한 정보, 감축 가능 전력량 예측 결과에 대한 정보, 제어 관제점 스케줄에 대한 정보 등 입력되는 데이터를 분석하여 예측할 수 있는 건물의 전력량에 기초한 데이터를 의미한다.
한편, 상술한 인공신경망에 기반한 예측모델에 따라 실시되는 출력단계(S120)는 도 3에 도시된 바와 같이, 데이터를 입력받아 한번 예측값을 출력한 다음, 출력된 예측값을 재귀적으로 입력값으로 취하여 연산함으로써 다시 예측값을 출력하는 예측구조 1을 포함할 수 있다. 즉, 예측구조 1에 따르면 출력단계(S120)는 데이터를 기초로 연산하여 데이터의 생성 시점 이후 시점에서의 전력수요에 대한 예측값인 제1예측값을 출력하는 제1연산단계와, 제1예측값을 기초로 연산하여 제1예측값의 생성 시점 이후 시점에서의 전력수요에 대한 예측값인 제2예측값을 출력하는 제2연산단계를 포함할 수 있다.
도 3의 에 따른 예측구조 1은 하기의 수학식을 만족할 수 있다.
Figure 112020060026954-pat00019

Figure 112020060026954-pat00020

Figure 112020060026954-pat00021
삭제
삭제
삭제
삭제
이러한 예측구조 1에 따르면, 초기에 입력되는 데이터로 시점이 변화될 때마다 누적적인 연산(P번 반복 후 출력)이 실시되되, 시점이 변화될 때 마다 예측값이 마지막 시점의 입력값으로 입력되며 연산이 누적적으로 실시되기 때문에, 초기 예측값이 정확할 경우, 미래의 예측값도 매우 정확해지는 장점이 있다. 그러나, 예측구조 1에 따른 연산은 초기에 연산되는 예측값에 오차가 있는 경우 연산이 반복될때 마다 오차가 누적적으로 발생되어 먼 미래의 시점에서의 예측값은 매우 큰 오차를 가지게 되는 문제가 있다.
한편, 인공신경망에 기반한 예측모델에 따라 실시되는 출력단계(S120)는 도 4에 도시된 바와 같이, 어느 한 시점에서 입력되는 데이터에 기초하여 복수개의 연산을 통해 복수개의 미래 시점에 대한 예측값을 각각 출력하는 예측구조 2를 포함할 수 있다. 이러한 예측구조 2에 따른 연산은 하나의 입력 데이터를 복수개의 인공신경망에 각각 입력하고, 각각 연산을 실시함으로써 복수개의 시점에 대한 예측값을 각각 출력할 수 있다.
도 4에 따른 예측구조 2는 하기의 수학식을 만족할 수 있다.
Figure 112020060026954-pat00022

Figure 112020060026954-pat00023

Figure 112020060026954-pat00024
삭제
상기와 같은 예측구조 2에 따르면, 하나의 초기 입력 데이터로 각각의 미래 시점에 대한 예측값이 출력되기 때문에, 각 예측값들 사이에 시간의 누적에 대한 오차가 제거될 수 있다. 즉, 예측구조 2에 따르면, 시간에 대해 누적적으로 연산하여 오차가 누적될 수 있는 예측구조 1의 문제점이 효과적으로 해결될 수 있다.(예측구조 1에 따르면, 예측값이 다시 입력값이 되므로 예측값에 오차가 발생하는 경우 시점이 경과할때 마다 오차가 누적되는 문제가 있다.)
따라서, 예측구조 1과, 예측구조 2를 혼합하여 사용하는 경우(예측구조 1의 결과에 예측구조 2의 결과를 반영하여 오차를 조정하는 등), 예측구조 1에서 발생되는 오차가 개선되기 때문에 예측값이 더욱 정확하게 출력될 수 있다.
또한, 인공신경망에 기반한 예측모델에 따라 실시되는 출력단계(S120)는 도 5에 도시된 바와 같이, 복수개의 시점에 대한 데이터를 한번에 입력받아 한번의 연산으로 복수개의 예측값을 출력하는 예측구조 3을 포함할 수 있다.
도 5에 따른 예측구조 3은 하기의 수학식을 만족할 수 있다.
Figure 112020060026954-pat00025

Figure 112020060026954-pat00026

Figure 112020060026954-pat00027
삭제
상기와 같은 예측구조 3에 따르면, 하나의 인공신경망에 기반한 예측모델을 사용하여 한번의 연산으로 복수개의 예측값이 한꺼번에 출력될 수 있으므로, 연산시 발생되는 인공신경망의 부하가 크게 감소되고, 입력되는 데이터가 주기적으로 반복되는 패턴을 가지고 있는 경우 예측 효과가 매우 크다는 이점이 있다.
따라서, 데이터의 주기성을 판단하여 상술한 예측구조 1, 예측구조 2, 예측구조 3을 적절하여 혼합(개별적, 직렬 또는 병렬)하여 사용하게 되면, 더욱 정확한 예측값이 출력될 수 있다.(즉, 입력될 데이터가 주기적 반복 패턴을 가지고 있는 경우에는 예측구조 3을 사용, 데이터가 주기적 반복 패턴을 가지고 있지 않은 경우에는 예측구조 1 및 예측구조 2를 병렬적으로 사용)
상기와 같은 예측구조 1 내지 예측구조 3에 따른 예측값과 실제값은 데이터베이스(120)에 저장되는데, 이때, 예측부(130)는 예측값과 실제값의 오차를 기초로 오차가 적은 예측구조를 미리 선택하도록 동작되며, 이후, ADR 플렛폼(110)을 통해 데이터베이스(120)에서 예측부(130)로 다시 유사한 유형의 데이터가 입력되면, 예측부(130)는 미리 선택한 예측구조, 즉, 해당 유형에 가장 오차가 적은 예측구조를 선택하고, 선택된 예측구조로 연산을 실시하여 예측값을 출력하도록 동작될 수 있다.
상술한 과정과 같은 예측부(130)의 동작에 따르면, 데이터의 유형에 따라서 적절한 예측구조가 선택될 수 있어, 입력되는 데이터 유형에 맞추어 보다 정확한 예측값이 출력될 수 있는 효과가 있다.
상술한 바와 같은 입력단계(S110)와 출력단계(S120)를 포함하는 본 발명의 일실시예에 따른 인공신경망을 이용한 다중적 전력 수요 예측 방법(S100)에 따르면, 전력수요에 대한 예측이 보다 정확하게 실시될 수 있다.
이상에서, 본 발명의 실시 예를 구성하는 모든 구성 요소들이 하나로 결합하거나 결합하여 동작하는 것으로 설명되었다고 해서, 본 발명이 반드시 이러한 실시 예에 한정되는 것은 아니다. 즉, 본 발명의 목적 범위 안에서라면, 그 모든 구성요소들이 하나 이상으로 선택적으로 결합하여 동작할 수도 있다.
또한, 이상에서 기재된 "포함하다", "구성하다" 또는 "가지다" 등의 용어는, 특별히 반대되는 기재가 없는 한, 해당 구성 요소가 내재할 수 있음을 의미하는 것이므로, 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것으로 해석되어야 한다. 기술적이거나 과학적인 용어를 포함한 모든 용어들은, 다르게 정의되지 않는 한, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미가 있다. 사전에 정의된 용어와 같이 일반적으로 사용되는 용어들은 관련 기술의 문맥상의 의미와 일치하는 것으로 해석 되어야 하며, 본 발명에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
그리고 이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다.
따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
S100 : 인공신경망을 이용한 다중적 전력 수요 예측 방법
S110 : 입력단계
S120 : 출력단계
100 : 본 발명의 일실시예에 따른 인공신경망을 이용한 다중적 전력 수요 예측 방법을 실시하는 전력 수요 예측 시스템
110 : ADR 플렛폼
120 : 데이터베이스
130 : 예측부

Claims (5)

  1. 전력수요에 대한 데이터를 데이터베이스로부터 입력받는 입력단계; 및
    인공신경망 기반의 예측모델에 상기 데이터를 입력값으로 취하여 연산함으로써 상기 데이터의 생성 시점 이후 시점에서의 전력수요에 대한 예측값을 출력하는 출력단계를 포함하되,
    상기 출력단계는,
    상기 예측값을 재귀적으로 하나의 예측모델에 입력값으로 취하여 연산함으로써 상기 예측값을 다시 생성하는 예측구조 1을 포함하며,
    상기 예측구조 1은 하기의 수식을 만족하며,
    Figure 112020060026954-pat00028

    Figure 112020060026954-pat00029

    상기 출력단계는,
    상기 데이터를 복수개의 예측모델에 각각 입력한 후 각각 연산을 실시하여 시간의 흐름에 따른 복수개의 시점에 대한 상기 예측값을 각각 출력하는 예측구조 2를 포함하며,
    상기 예측구조 2는 하기의 수식을 만족하며,
    Figure 112020060026954-pat00030

    Figure 112020060026954-pat00031

    상기 출력단계는,
    시간의 흐름에 따른 복수개의 시점에 대한 상기 데이터를 하나의 예측모델에 입력한 후, 한번의 연산으로 시간의 흐름에 따른 복수개의 시점에 대한 상기 예측값을 출력하는 예측구조 3을 포함하며,
    상기 예측구조 3은 하기의 수식을 만족하며,
    Figure 112020060026954-pat00032

    Figure 112020060026954-pat00033

    상기 출력단계는,
    상기 데이터가 주기적 반복 패턴을 가지고 있지 않은 경우에는 예측구조 1과 예측구조 2를 병렬적으로 사용하여 연산하고, 상기 데이터가 주기적 반복 패턴을 가지고 있는 경우에는 예측구조 3을 사용하여 연산하며,
    상기 출력단계는,
    상기 예측구조 1에 따른 예측값과, 상기 예측구조 2에 따른 예측값과, 상기 예측구조 3에 따른 예측값을 실제값과 각각 비교하여 가장 오차가 적은 예측값을 출력하는 것을 특징으로 하는 인공신경망을 이용한 다중적 전력 수요 예측 방법.
  2. 삭제
  3. 삭제
  4. 삭제
  5. 청구항 1에 있어서,
    상기 인공신경망은,
    DNN(Deep Neural Network) 또는 RNN(Recurrent Neural Nerwork)인 것을 특징으로 하는 인공신경망을 이용한 다중적 전력 수요 예측 방법.
KR1020190152951A 2019-11-26 2019-11-26 인공신경망을 이용한 다중적 전력 수요 예측 방법 KR102253741B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190152951A KR102253741B1 (ko) 2019-11-26 2019-11-26 인공신경망을 이용한 다중적 전력 수요 예측 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190152951A KR102253741B1 (ko) 2019-11-26 2019-11-26 인공신경망을 이용한 다중적 전력 수요 예측 방법

Publications (1)

Publication Number Publication Date
KR102253741B1 true KR102253741B1 (ko) 2021-05-20

Family

ID=76142779

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190152951A KR102253741B1 (ko) 2019-11-26 2019-11-26 인공신경망을 이용한 다중적 전력 수요 예측 방법

Country Status (1)

Country Link
KR (1) KR102253741B1 (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106991506A (zh) * 2017-05-16 2017-07-28 深圳先进技术研究院 智能终端及其基于lstm的股票趋势预测方法
WO2018098575A1 (en) * 2016-11-29 2018-06-07 Peak Power Inc. System and method for dynamic energy storage system control

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018098575A1 (en) * 2016-11-29 2018-06-07 Peak Power Inc. System and method for dynamic energy storage system control
CN106991506A (zh) * 2017-05-16 2017-07-28 深圳先进技术研究院 智能终端及其基于lstm的股票趋势预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
딥러닝을 이용한 재실정보 기반 건물의 전기수요 예측모델(대한설비공학회 설비공학논문집 Vol.31, No.1, 2019.01.) 1부.* *

Similar Documents

Publication Publication Date Title
Rahman et al. Predicting electricity consumption for commercial and residential buildings using deep recurrent neural networks
KR102253734B1 (ko) 건물의 전력 수요 관리 시스템
Kuznetsova et al. Analysis of robust optimization for decentralized microgrid energy management under uncertainty
Baldi et al. Joint energy demand and thermal comfort optimization in photovoltaic-equipped interconnected microgrids
JP5600570B2 (ja) 太陽光発電量予測装置，太陽光発電量予測方法，系統電圧制御装置，系統電圧制御方法
JP4245583B2 (ja) 分散型エネルギーシステムの制御装置、制御方法、プログラム、および記録媒体
Kandasamy et al. Virtual storage capacity using demand response management to overcome intermittency of solar PV generation
US10514663B2 (en) Microgrid system and controller
Sala-Cardoso et al. Activity-aware HVAC power demand forecasting
Bucher et al. Probabilistic N− 1 security assessment incorporating dynamic line ratings
CN109461091B (zh) 考虑光伏和冷负荷相关性的用电负荷计算方法及信息系统
Zavala et al. Proactive energy management for next-generation building systems
Shotorbani et al. Enhanced real-time scheduling algorithm for energy management in a renewable-integrated microgrid
Haghi et al. A Kernel-based predictive model of EV capacity for distributed voltage control and demand response
Anders et al. Robust scheduling in a self-organizing hierarchy of autonomous virtual power plants
KR20190063198A (ko) 에너지 수요 동적 관리 시스템 및 그 동작방법
CN104037761A (zh) 一种agc功率多目标随机优化分配方法
CN110880055A (zh) 楼宇智能电表系统
Kim et al. Flexible renewable energy planning based on multi-step forecasting of interregional electricity supply and demand: Graph-enhanced AI approach
CN113690885A (zh) 一种供电控制方法及供电平台
KR101753907B1 (ko) 건물군 에너지 수요 관리 방법 및 그를 위한 장치
KR102253741B1 (ko) 인공신경망을 이용한 다중적 전력 수요 예측 방법
KR102253736B1 (ko) 인공신경망을 이용한 재귀적 전력 수요 예측 방법
Abd Hamid et al. An analysis on energy consumption of two different commercial buildings in Malaysia
Urbano et al. Energy infrastructure of the factory as a virtual power plant: Smart energy management

Legal Events

Date Code Title Description
GRNT Written decision to grant