KR102272573B1 - 에너지 사용량 데이터의 비지도 학습 기반 부하 모니터링 방법 - Google Patents
에너지 사용량 데이터의 비지도 학습 기반 부하 모니터링 방법 Download PDFInfo
- Publication number
- KR102272573B1 KR102272573B1 KR1020190155904A KR20190155904A KR102272573B1 KR 102272573 B1 KR102272573 B1 KR 102272573B1 KR 1020190155904 A KR1020190155904 A KR 1020190155904A KR 20190155904 A KR20190155904 A KR 20190155904A KR 102272573 B1 KR102272573 B1 KR 102272573B1
- Authority
- KR
- South Korea
- Prior art keywords
- data
- learning
- energy usage
- learning model
- training
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000012544 monitoring process Methods 0.000 title claims abstract description 43
- 238000012549 training Methods 0.000 claims description 34
- 210000002569 neuron Anatomy 0.000 claims description 22
- 238000012360 testing method Methods 0.000 claims description 16
- 238000012795 verification Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 238000005265 energy consumption Methods 0.000 abstract description 11
- 238000013480 data collection Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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
- G06N3/08—Learning methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- Biomedical Technology (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
에너지 사용량 데이터의 비지도 학습 기반 부하 모니터링 방법이 제공된다. 본 발명의 실시예에 따른 에너지 사용량 데이터의 비지도 학습 기반 부하 모니터링 방법은, 학습 모델을 저장하는 단계; 및 저장된 학습 모델을 기반으로 실시간 에너지 사용량 데이터를 입력하여 현재 상태를 추론하는 단계;를 포함한다. 이에 의해, 에너지 소비 공간의 메인 전력 사용량 데이터만을 이용하여 비지도 학습 기반의 부하 모니터링(NILM)을 수행할 수 있으며, 이를 통하여, 에너지 소비 공간에서 일어나는 일을 인식하고, 인식 결과를 지능형 제어 시, 중요 파라미터로 이용할 수 있다.
Description
본 발명은 에너지 사용량 데이터의 비지도 학습 기반 부하 모니터링 방법에 관한 것으로, 더욱 상세하게는 과거의 에너지 사용량 데이터의 상태를 분류하고 분류된 데이터를 기반으로 인공지능 학습에 필요한 학습 데이터를 생성하여, 뉴럴 네트워크를 학습시켜 부하를 식별하는 인식 모델을 개발하고, 개발된 인식 모델을 사용하여 전력 사용 데이터 기반 부하를 모니터링하는 방법에 관한 것이다.
기존의 전력 에너지 측정 기술 분야에서, 부하별로 전력 사용량 측정 수단을 마련하였으나, 이는 각각의 측정 수단을 마련해야 하기 때문에, 많은 비용이 발생한다는 문제점이 존재한다.
이를 개선하기 위해, 전력 에너지 측정 기반의 부하 식별 기술 분야에서, 유효 전력, 무효 전력, 전력 사용량의 주파수 분석, 상변화에 따른 추론등 다양한 방법을 식별을 시도하였지만, 가정, 공장, 사무실의 다양한 전력을 소비하는 장치 마다의 에너지 사용 패턴이 틀리기 때문에, 한 가지 방식으로 모두를 구분하기에는 한계가 존재하였다.
따라서, 에너지 소비 공간의 메인 전력 사용량 데이터만을 이용하여, 부하를 식별할 수 있는 방안의 모색이 요구된다.
본 발명은 상기와 같은 문제점을 해결하기 위하여 안출된 것으로서, 본 발명의 목적은, 에너지 소비 공간의 메인 전력 사용량 데이터만을 이용하여 비지도 학습 기반의 부하 모니터링(NILM)을 수행하는 방법을 제공함에 있다.
상기 목적을 달성하기 위한 본 발명의 일 실시예에 따른, 에너지 사용량 데이터의 비지도 학습 기반 부하 모니터링 방법은, 학습 모델을 저장하는 단계; 및 저장된 학습 모델을 기반으로 실시간 에너지 사용량 데이터를 입력하여 현재 상태를 추론하는 단계;를 포함한다.
이때, 추론 단계는, 과거 에너지 사용 데이터를 기반으로 부하를 식별하여 현재 상태를 추론할 수 있다.
또한, 본 발명의 일 실시예에 따른, 에너지 사용량 데이터의 비지도 학습 기반 부하 모니터링 방법은, 에너지 사용량 데이터의 클러스터 분류 기법을 활용하여 뉴런 학습에 필요한 데이터 세트를 확보하는 단계; 뉴런 학습을 위해 분류된 클러스터 단위의 학습 샘플 데이터 세트를 조정하여, 학습 데이터를 생성하는 단계; 및 생성된 학습 데이터를 이용하여, 실시간 에너지 사용량 데이터를 입력으로 현재 상태의 출론 결과를 출력하는 학습 모델을 학습시키는 단계;를 더 포함할 수 있다.
그리고 학습 데이터는, 분류 식별 데이터일 수 있다.
또한, 학습 데이터의 생성 단계는, 실제 에너지 사용량 데이터와 분류 식별 데이터가 확보되면, 뉴런 학습을 위한 학습 데이터 및 테스트 데이터를 분류할 수 있다.
그리고 학습 데이터의 생성 단계는, 클러스터 분류 기법으로 분류한 식별 데이터의 수를 기반으로 뉴럴 네트워크의 출력 단위를 수정할 수 있다.
또한, 학습 모델의 학습 단계는, 저장된 학습 모델을 로드하여 실시간 에너지 사용량 데이터와 학습 데이터를 이용하여, 뉴런 역전파 학습(backpropagation learning)을 수행할 수 있다.
그리고 본 발명의 일 실시예에 따른, 에너지 사용량 데이터의 비지도 학습 기반 부하 모니터링 방법은, 테스트 데이터를 활용하여 학습된 전체 학습 모델의 성능을 검증하는 단계; 및 검증 결과, 전체 학습 모델 중 분류 정확도가 가장 높은 학습 모델을 분리하여 저장하는 단계;를 더 포함할 수 있다.
또한, 검증 단계는, 기설정된 주기마다 저장 또는 학습된 전체 학습 모델의 성능을 각각 검증할 수 있다.
한편, 본 발명의 다른 실시예에 따른, 에너지 사용량 데이터의 비지도 학습 기반 부하 모니터링 방법을 수행하는 컴퓨터 프로그램이 수록된 컴퓨터로 읽을 수 있는 기록매체는, 학습 모델을 저장하는 단계; 및 저장된 학습 모델을 기반으로 실시간 에너지 사용량 데이터를 입력하여 현재 상태를 추론하는 단계;를 포함하는 방법을 수행하는 컴퓨터 프로그램이 수록된다.
또한, 본 발명의 다른 실시예에 따른, 에너지 사용량 데이터의 비지도 학습 기반 부하 모니터링 시스템은 학습 모델을 저장하는 학습 모델 저장소; 및 저장된 학습 모델을 기반으로 실시간 에너지 사용량 데이터를 입력하여 현재 상태를 추론하는 프로세서;를 포함한다.
그리고 본 발명의 다른 실시예에 따른, 에너지 사용량 데이터의 비지도 학습 기반 부하 모니터링 방법은, 학습 모델을 저장하는 단계; 기설정된 주기마다 저장된 전체 학습 모델의 성능을 검증하는 단계; 검증 결과, 전체 학습 모델 중 분류 정확도가 가장 높은 학습 모델을 분리하여 저장하는 단계; 및 분리 저장된 학습 모델을 기반으로 실시간 데이터를 입력하여 현재 상태를 추론하는 단계;를 포함한다.
이상 설명한 바와 같이, 본 발명의 실시예들에 따르면, 에너지 소비 공간의 메인 전력 사용량 데이터만을 이용하여 비지도 학습 기반의 부하 모니터링(NILM)을 수행할 수 있으며, 이를 통하여, 에너지 소비 공간에서 일어나는 일을 인식하고, 인식 결과를 지능형 제어 시, 중요 파라미터로 이용할 수 있다.
도 1은 본 발명의 일 실시예에 따른 에너지 사용량 데이터의 비지도 학습 기반 부하 모니터링 방법의 설명에 제공된 흐름도,
도 2 내지 3은 본 발명의 일 실시예에 따른 에너지 사용량 데이터의 비지도 학습 기반 부하 모니터링 방법의 설명에 제공된 도면,
도 4는 본 발명의 일 실시예에 따른 에너지 사용량 데이터의 비지도 학습 기반 부하 모니터링 시스템의 설명에 제공된 도면이다.
도 2 내지 3은 본 발명의 일 실시예에 따른 에너지 사용량 데이터의 비지도 학습 기반 부하 모니터링 방법의 설명에 제공된 도면,
도 4는 본 발명의 일 실시예에 따른 에너지 사용량 데이터의 비지도 학습 기반 부하 모니터링 시스템의 설명에 제공된 도면이다.
이하에서는 도면을 참조하여 본 발명을 보다 상세하게 설명한다.
도 1은 본 발명의 일 실시예에 따른 에너지 사용량 데이터의 비지도 학습 기반 부하 모니터링 방법(이하에서는 '부하 모니터링 방법'으로 총칭하기로 함)의 설명에 제공된 흐름도이고, 도 2 내지 3은 본 발명의 일 실시예에 따른 부하 모니터링 방법의 설명에 제공된 도면이다.
본 실시예에 따른 부하 모니터링 방법은, 에너지 소비 공간의 메인 전력 사용량 데이터만을 이용하여 비지도 학습 기반의 부하 모니터링을 수행하여, 에너지 소비 공간에서의 에너지 소비 중인 부하를 식별할 수 있다.
구체적으로, 본 부하 모니터링 방법은, 개별 설비에서 보이는 특성을 미리 알고 있지 않고, 과거의 에너지 소비 데이터의 패턴을 기반으로 에너지 소비 상태의 클러스터링 기술을 활용하여 부하에 붙어 있는 다양한 설비 데이터 없이 에너지 소비의 증감에 따른 상태 변화를 분류하여 에너지 소비 중인 부하를 식별할 수 있다.
예를 들면, 본 부하 모니터링 방법은, 과거의 에너지 사용 데이터의 분류를 통하여 학습에 필요한 기초 데이터 세트를 확보하고, 이 데이터 세트를 기반으로 뉴럴 네트워크 학습을 수행하여 부하 식별 인식 모델을 완성할 수 있다.
이를 위해, 본 부하 모니터링 방법은, 에너지 사용량 데이터의 클러스터 분류 기법을 활용하여 뉴런 학습에 필요한 데이터 세트를 확보하는 데이터 세트의 확보 단계(S110), 뉴런 학습을 위해 분류된 클러스터 단위의 학습 샘플 데이터 세트를 조정하여, 학습 데이터를 생성하는 학습 데이터 생성 단계(S120), 생성된 학습 데이터를 이용하여, 실시간 에너지 사용량 데이터를 입력으로 현재 상태의 출론 결과를 출력하는 학습 모델을 학습시키는 학습 단계(S130), 학습 모델을 저장하는 저장 단계(S140) 및 저장된 학습 모델을 기반으로 실시간 에너지 사용량 데이터를 입력하여 현재 상태를 추론하는 추론 단계(S150)로 구성될 수 있다.
여기서, 학습 데이터는, 분류 식별 데이터이며, 클러스트 분류 기법은, 도 3에 예시된 바와 같이 에너지 사용량 데이터를 클러스트별로 분류하는데 이용될 수 있다. 도 3은 에너지 사용량 데이터를 제1, 제2, 제3 클러스터로 분류한 모습이 예시되고 있다.
한편, 학습 데이터 생성 단계(S120)에서는, 실제 에너지 사용량 데이터와 분류 식별 데이터가 확보되면, 뉴런 학습을 위한 학습 데이터 및 테스트 데이터를 분류할 수 있다.
더불어, 학습 데이터 생성 단계(S120)에서는, 클러스터 분류 기법으로 분류한 식별 데이터의 수를 기반으로 뉴럴 네트워크의 출력 단위를 수정할 수 있다.
구체적으로 예를 들면, 학습 데이터 생성 단계(S120)에서는, 클러스터 분류 기법으로 분류한 식별 데이터의 수가 기설정된 값 이하인 클러스터가 존재하는 경우, 해당 클러스터의 에너지 샘플의 수가 증가되도록 조정할 수 있다.
그리고 학습 데이터 생성 단계(S120)에서는, 해당 클러스터의 샘플의 수가 기설정된 값을 초과하도록 증가시키는 경우, 클러스터 분류 기법으로 분류한 식별 데이터의 수가 클러스터별로 모두 동일하도록 조정함으로써, 충분한 수의 학습 데이터를 확보하는 동시에, 학습 데이터 및 테스트 데이터의 분류가 용이하도록 할 수 있다.
학습 단계(S130)에서는, 저장된 학습 모델을 로드하여 실시간 에너지 사용량 데이터와 학습 데이터를 이용하여, 뉴런 역전파 학습(backpropagation learning)을 수행할 수 있다.
더불어, 본 부하 모니터링 방법은, 학습 단계(S130) 또는 저장 단계(140) 이후, 테스트 데이터를 활용하여 학습된 또는 저장된 전체 학습 모델의 성능을 검증하는 검증 단계 및 검증 결과, 전체 학습 모델 중 분류 정확도가 가장 높은 학습 모델을 분리하여 저장하는 분리 저장 단계를 더 포함할 수 있다.
즉, 본 부하 모니터링 방법은, 학습 단계(S130) 또는 저장 단계(140) 이후, 테스트 데이터를 활용하여 학습된 또는 저장된 전체 학습 모델의 성능을 검증하고, 검증 결과에 따라 전체 학습 모델 중 분류 정확도가 가장 높은 학습 모델을 분리 저장함으로써, 현재 상태 추론 시, 분리 저장된 학습 모델을 기반으로 높은 정확도로 현재 상태를 추론할 수 있다.
예를 들면, 검증 단계에서는, 기설정된 주기마다 저장 또는 학습된 전체 학습 모델의 성능을 각각 검증하여, 현재 상황에 따라 분류 정확도가 가장 높은 학습 모델을 기반으로, 현재 상태를 추론하도록 할 수 있다.
이때, 분류 정확도가 가장 높은 학습 모델을 분리 저장하는 방법은, 저장되는 각각의 학습 모델에 식별 분류 태그 정보를 부여하고, 분류 정확도가 가장 높은 학습 모델의 식별 분류 태그 정보를 분리 저장하여, 현재 상태 추론 시, 분류 정확도가 가장 높은 학습 모델을 불러오는 방법을 이용할 수 있다.
이를 통해, 추론 단계(S150)에서는 과거 에너지 사용 데이터를 기반으로 부하를 식별하여 현재 상태를 추론할 수 있다.
또한, 본 부하 모니터링 방법은, 에너지(전력) 데이터만을 부하 식별하는 것이 아니라, 다양한 에너지원의 소비 데이터를 기반으로 활용이 가능하며, 다양한 센서 데이터의 값의 변화를 모니터링하여 상태를 인식하는 분석에도 적용하여 활용할 수 있다.
도 4는 본 발명의 일 실시예에 따른 에너지 사용량 데이터의 비지도 학습 기반 부하 모니터링 시스템(이하에서는 '모니터링 시스템'으로 총칭하기로 함)의 설명에 제공된 도면이다.
도 4를 참조하면, 본 모니터링 시스템은, 데이터 수집부(110), 프로세서(120) 및 학습 모델 저장소(130)를 포함한다.
데이터 수집부(110)는, 실시간 에너지 사용량 데이터를 수집하기 위해 마련된다.
프로세서(120)는, 저장된 학습 모델을 기반으로 실시간 에너지 사용량 데이터를 입력하여 현재 상태를 추론할 수 있다.
구체적으로 예를 들면, 프로세서(120)는, 에너지 사용량 데이터의 클러스터 분류 기법을 활용하여 뉴런 학습에 필요한 데이터 세트를 확보하는 데이터 세트의 확보 단계(S110), 뉴런 학습을 위해 분류된 클러스터 단위의 학습 샘플 데이터 세트를 조정하여, 학습 데이터를 생성하는 학습 데이터 생성 단계(S120), 생성된 학습 데이터를 이용하여, 실시간 에너지 사용량 데이터를 입력으로 현재 상태의 출론 결과를 출력하는 학습 모델을 학습시키는 학습 단계(S130), 학습 모델을 학습 모델 저장소에 저장하는 저장 단계(S140) 및 저장된 학습 모델을 기반으로 실시간 에너지 사용량 데이터를 입력하여 현재 상태를 추론하는 추론 단계(S150)를 순차적으로 수행할 수 있다.
또한, 프로세서(120)는, 학습 단계(S130) 또는 저장 단계(140) 이후, 테스트 데이터를 활용하여 학습된 또는 저장된 전체 학습 모델의 성능을 검증하고, 검증 결과에 따라 전체 학습 모델 중 분류 정확도가 가장 높은 학습 모델이 분리 저장되도록 함으로써, 현재 상태 추론 시, 분리 저장된 학습 모델을 기반으로 높은 정확도로 현재 상태를 추론할 수 있다.
학습 모델 저장소(130)는, 학습 모델을 저장하기 위해 마련된다.
구체적으로 예를 들면, 학습 모델 저장소(120)는, 저장되는 각각의 학습 모델에 식별 분류 태그 정보를 부여하고, 분류 정확도가 가장 높은 학습 모델의 식별 분류 태그 정보를 분리 저장하여, 현재 상태 추론 시, 분류 정확도가 가장 높은 학습 모델을 불러올 수 있다.
한편, 본 실시예에 따른 장치와 방법의 기능을 수행하게 하는 컴퓨터 프로그램을 수록한 컴퓨터로 읽을 수 있는 기록매체에도 본 발명의 기술적 사상이 적용될 수 있음은 물론이다. 또한, 본 발명의 다양한 실시예에 따른 기술적 사상은 컴퓨터로 읽을 수 있는 기록매체에 기록된 컴퓨터로 읽을 수 있는 코드 형태로 구현될 수도 있다. 컴퓨터로 읽을 수 있는 기록매체는 컴퓨터에 의해 읽을 수 있고 데이터를 저장할 수 있는 어떤 데이터 저장 장치이더라도 가능하다. 예를 들어, 컴퓨터로 읽을 수 있는 기록매체는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광디스크, 하드 디스크 드라이브, 등이 될 수 있음은 물론이다. 또한, 컴퓨터로 읽을 수 있는 기록매체에 저장된 컴퓨터로 읽을 수 있는 코드 또는 프로그램은 컴퓨터간에 연결된 네트워크를 통해 전송될 수도 있다.
또한, 이상에서는 본 발명의 바람직한 실시예에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해되어져서는 안될 것이다.
110 : 데이터 수집부
120 : 프로세서
130 : 학습 모델 저장소
120 : 프로세서
130 : 학습 모델 저장소
Claims (12)
- 에너지 사용량 데이터의 비지도 학습 기반 부하 모니터링 방법에 있어서,
학습 모델 저장소가, 학습 모델을 저장하는 단계; 및
프로세서가, 저장된 학습 모델을 기반으로 실시간 에너지 사용량 데이터를 입력하여 현재 상태를 추론하는 단계;를 포함하고,
상기 추론하는 단계는,
과거 에너지 사용 데이터를 기반으로 부하를 식별하여 현재 상태를 추론하며,
상기 모니터링 방법은,
에너지 사용량 데이터의 클러스터 분류 기법을 활용하여 뉴런 학습에 필요한 데이터 세트를 확보하는 단계;
뉴런 학습을 위해 분류된 클러스터 단위의 학습 샘플 데이터 세트를 조정하여, 학습 데이터를 생성하는 단계; 및
생성된 학습 데이터를 이용하여, 실시간 에너지 사용량 데이터를 입력으로 현재 상태의 추론 결과를 출력하는 학습 모델을 학습시키는 단계;를 더 포함하며,
상기 학습 데이터는,
분류 식별 데이터이며,
상기 학습 데이터를 생성하는 단계는,
실제 에너지 사용량 데이터와 분류 식별 데이터가 확보되면, 뉴런 학습을 위한 학습 데이터 및 테스트 데이터를 분류하고,
클러스터 분류 기법으로 분류한 식별 데이터의 수를 기반으로 뉴럴 네트워크의 출력 단위를 수정하며,
상기 학습 모델을 학습시키는 단계는,
저장된 학습 모델을 로드하여 실시간 에너지 사용량 데이터와 학습 데이터를 이용하여, 뉴런 역전파 학습(backpropagation learning)을 수행하고,
상기 모니터링 방법은,
테스트 데이터를 활용하여 저장된 전체 학습 모델의 성능을 검증하는 단계; 및
검증 결과, 전체 학습 모델 중 분류 정확도가 가장 높은 학습 모델을 분리하여 저장하는 단계;를 더 포함하며,
상기 학습 데이터를 생성하는 단계는,
클러스터 분류 기법으로 분류한 식별 데이터의 수가 기설정된 값 이하인 클러스터가 존재하는 경우, 기설정된 값 이하인 클러스터의 에너지 샘플의 수가 기설정된 값을 초과하도록 조정하되, 클러스터 분류 기법으로 분류한 식별 데이터의 수가 클러스터별로 모두 동일하도록 조정함으로써, 학습에 필요한 일정 수 이상의 학습 데이터를 확보하는 동시에 학습 데이터 및 테스트 데이터의 분류가 용이하도록 하는 것을 특징으로 하는 에너지 사용량 데이터의 비지도 학습 기반 부하 모니터링 방법.
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 청구항 1에 있어서,
상기 검증하는 단계는,
기설정된 주기마다 저장 또는 학습된 전체 학습 모델의 성능을 각각 검증하는 것을 특징으로 하는 에너지 사용량 데이터의 비지도 학습 기반 부하 모니터링 방법.
- 에너지 사용량 데이터의 비지도 학습 기반 부하 모니터링 방법을 수행하는 컴퓨터 프로그램이 수록된 컴퓨터로 읽을 수 있는 기록매체에 있어서,
상기 모니터링 방법은,
학습 모델 저장소가, 학습 모델을 저장하는 단계; 및
프로세서가, 저장된 학습 모델을 기반으로 실시간 에너지 사용량 데이터를 입력하여 현재 상태를 추론하는 단계;를 포함하고,
상기 추론하는 단계는,
과거 에너지 사용 데이터를 기반으로 부하를 식별하여 현재 상태를 추론하며,
상기 모니터링 방법은,
에너지 사용량 데이터의 클러스터 분류 기법을 활용하여 뉴런 학습에 필요한 데이터 세트를 확보하는 단계;
뉴런 학습을 위해 분류된 클러스터 단위의 학습 샘플 데이터 세트를 조정하여, 학습 데이터를 생성하는 단계; 및
생성된 학습 데이터를 이용하여, 실시간 에너지 사용량 데이터를 입력으로 현재 상태의 추론 결과를 출력하는 학습 모델을 학습시키는 단계;를 더 포함하며,
상기 학습 데이터는,
분류 식별 데이터이며,
상기 학습 데이터를 생성하는 단계는,
실제 에너지 사용량 데이터와 분류 식별 데이터가 확보되면, 뉴런 학습을 위한 학습 데이터 및 테스트 데이터를 분류하고,
클러스터 분류 기법으로 분류한 식별 데이터의 수를 기반으로 뉴럴 네트워크의 출력 단위를 수정하며,
상기 학습 모델을 학습시키는 단계는,
저장된 학습 모델을 로드하여 실시간 에너지 사용량 데이터와 학습 데이터를 이용하여, 뉴런 역전파 학습(backpropagation learning)을 수행하고,
상기 모니터링 방법은,
테스트 데이터를 활용하여 저장된 전체 학습 모델의 성능을 검증하는 단계; 및
검증 결과, 전체 학습 모델 중 분류 정확도가 가장 높은 학습 모델을 분리하여 저장하는 단계;를 더 포함하며,
상기 학습 데이터를 생성하는 단계는,
클러스터 분류 기법으로 분류한 식별 데이터의 수가 기설정된 값 이하인 클러스터가 존재하는 경우, 기설정된 값 이하인 클러스터의 에너지 샘플의 수가 기설정된 값을 초과하도록 조정하되, 클러스터 분류 기법으로 분류한 식별 데이터의 수가 클러스터별로 모두 동일하도록 조정함으로써, 학습에 필요한 일정 수 이상의 학습 데이터를 확보하는 동시에 학습 데이터 및 테스트 데이터의 분류가 용이하도록 하는 것을 특징으로 하는 에너지 사용량 데이터의 비지도 학습 기반 부하 모니터링 방법을 수행하는 컴퓨터 프로그램이 수록된 컴퓨터로 읽을 수 있는 기록매체.
- 학습 모델을 저장하는 학습 모델 저장소; 및
저장된 학습 모델을 기반으로 실시간 에너지 사용량 데이터를 입력하여 현재 상태를 추론하는 프로세서;를 포함하고,
상기 프로세서는,
과거 에너지 사용 데이터를 기반으로 부하를 식별하여 현재 상태를 추론하며,
상기 프로세서는,
에너지 사용량 데이터의 클러스터 분류 기법을 활용하여 뉴런 학습에 필요한 데이터 세트를 확보하고,
뉴런 학습을 위해 분류된 클러스터 단위의 학습 샘플 데이터 세트를 조정하여, 학습 데이터를 생성하며,
생성된 학습 데이터를 이용하여, 실시간 에너지 사용량 데이터를 입력으로 현재 상태의 추론 결과를 출력하는 학습 모델을 학습시키고,
상기 학습 데이터는,
분류 식별 데이터이며,
상기 프로세서는,
실제 에너지 사용량 데이터와 분류 식별 데이터가 확보되면, 뉴런 학습을 위한 학습 데이터 및 테스트 데이터를 분류하고,
클러스터 분류 기법으로 분류한 식별 데이터의 수를 기반으로 뉴럴 네트워크의 출력 단위를 수정하며,
상기 프로세서는,
저장된 학습 모델을 로드하여 실시간 에너지 사용량 데이터와 학습 데이터를 이용하여, 뉴런 역전파 학습(backpropagation learning)을 수행하고,
상기 프로세서는,
테스트 데이터를 활용하여 저장된 전체 학습 모델의 성능을 검증하고,
검증 결과, 전체 학습 모델 중 분류 정확도가 가장 높은 학습 모델을 분리하여 학습 모델 저장소에 저장하며,
상기 프로세서는,
클러스터 분류 기법으로 분류한 식별 데이터의 수가 기설정된 값 이하인 클러스터가 존재하는 경우, 기설정된 값 이하인 클러스터의 에너지 샘플의 수가 기설정된 값을 초과하도록 조정하되, 클러스터 분류 기법으로 분류한 식별 데이터의 수가 클러스터별로 모두 동일하도록 조정함으로써, 학습에 필요한 일정 수 이상의 학습 데이터를 확보하는 동시에 학습 데이터 및 테스트 데이터의 분류가 용이하도록 하는 것을 특징으로 하는 에너지 사용량 데이터의 비지도 학습 기반 부하 모니터링 시스템. - 삭제
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020190155904A KR102272573B1 (ko) | 2019-11-28 | 2019-11-28 | 에너지 사용량 데이터의 비지도 학습 기반 부하 모니터링 방법 |
PCT/KR2020/014994 WO2021107422A1 (ko) | 2019-11-28 | 2020-10-30 | 에너지 사용량 데이터의 비지도 학습 기반 부하 모니터링 방법 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020190155904A KR102272573B1 (ko) | 2019-11-28 | 2019-11-28 | 에너지 사용량 데이터의 비지도 학습 기반 부하 모니터링 방법 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20210066534A KR20210066534A (ko) | 2021-06-07 |
KR102272573B1 true KR102272573B1 (ko) | 2021-07-05 |
Family
ID=76129356
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020190155904A KR102272573B1 (ko) | 2019-11-28 | 2019-11-28 | 에너지 사용량 데이터의 비지도 학습 기반 부하 모니터링 방법 |
Country Status (2)
Country | Link |
---|---|
KR (1) | KR102272573B1 (ko) |
WO (1) | WO2021107422A1 (ko) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113808071A (zh) * | 2021-07-28 | 2021-12-17 | 合肥工业大学 | 基于深度学习的非侵入式负荷监测方法和系统 |
CN113569952B (zh) * | 2021-07-29 | 2024-08-27 | 华北电力大学 | 一种非侵入式负荷识别方法及系统 |
US11403508B1 (en) * | 2021-10-15 | 2022-08-02 | Starkoff Co., Ltd. | Method for estimating load by energy meter including load estimation model based on neural network and energy meter using the same |
KR102350728B1 (ko) * | 2021-11-09 | 2022-01-14 | 주식회사 스타코프 | 뉴럴 네트워크 기반의 부하 추정부를 포함하는 적산 전력 장치 |
CN115201615B (zh) * | 2022-09-15 | 2022-12-20 | 之江实验室 | 基于物理约束神经网络的非侵入式负荷监测方法及装置 |
KR102700744B1 (ko) * | 2023-05-30 | 2024-08-30 | 주식회사 팀메타 | 사용자에 관한 모니터링 정보를 기반으로 인공지능 분석 서비스를 제공하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101864412B1 (ko) | 2017-12-28 | 2018-06-04 | (주)휴톰 | 학습용 데이터 관리방법, 장치 및 프로그램 |
US10318874B1 (en) | 2015-03-18 | 2019-06-11 | Amazon Technologies, Inc. | Selecting forecasting models for time series using state space representations |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101865924B1 (ko) * | 2011-10-24 | 2018-06-11 | 한국전력공사 | 예측 속도 향상을 위한 신경망과 보정계수를 이용한 주간 부하 예측 장치 및 방법 |
RU2598601C2 (ru) * | 2012-03-30 | 2016-09-27 | Сони Корпорейшн | Устройство обработки данных, способ обработки данных и программа |
KR20140065897A (ko) * | 2012-11-22 | 2014-05-30 | 삼성전자주식회사 | 전력 부하 모니터링 장치 및 방법 |
KR102468357B1 (ko) * | 2017-06-29 | 2022-11-18 | (주)큐센텍 | 전기장치의 개별 소비전력 모니터링 방법 및 장치와 이를 위한 학습 방법 |
KR102072901B1 (ko) * | 2017-11-03 | 2020-02-03 | 한국과학기술원 | 패턴 태깅 기술 기반 전력 데이터 저장 관리 방법 및 시스템 |
KR20190087351A (ko) * | 2019-07-05 | 2019-07-24 | 엘지전자 주식회사 | 머신 러닝 시스템, 방법 및 장치 |
-
2019
- 2019-11-28 KR KR1020190155904A patent/KR102272573B1/ko active IP Right Grant
-
2020
- 2020-10-30 WO PCT/KR2020/014994 patent/WO2021107422A1/ko active Application Filing
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10318874B1 (en) | 2015-03-18 | 2019-06-11 | Amazon Technologies, Inc. | Selecting forecasting models for time series using state space representations |
KR101864412B1 (ko) | 2017-12-28 | 2018-06-04 | (주)휴톰 | 학습용 데이터 관리방법, 장치 및 프로그램 |
Also Published As
Publication number | Publication date |
---|---|
KR20210066534A (ko) | 2021-06-07 |
WO2021107422A1 (ko) | 2021-06-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102272573B1 (ko) | 에너지 사용량 데이터의 비지도 학습 기반 부하 모니터링 방법 | |
CN109408389B (zh) | 一种基于深度学习的代码缺陷检测方法及装置 | |
CN108921285B (zh) | 基于双向门控循环神经网络的电能质量扰动的分类方法 | |
Kamada et al. | An adaptive learning method of restricted Boltzmann machine by neuron generation and annihilation algorithm | |
CN116453438B (zh) | 一种显示屏参数检测方法、装置、设备及存储介质 | |
CN109685104B (zh) | 一种识别模型的确定方法和装置 | |
US20210201201A1 (en) | Method and apparatus for determining storage load of application | |
CN112052948A (zh) | 一种网络模型压缩方法、装置、存储介质和电子设备 | |
CN114925938B (zh) | 一种基于自适应svm模型的电能表运行状态预测方法、装置 | |
CN117689278B (zh) | 施工质量智能管理系统及方法 | |
CN117154263A (zh) | 锂电池梯次利用充放电系统及控制方法 | |
CN116909712A (zh) | 基于机器学习的智能任务调度系统及其方法 | |
CN117634663A (zh) | 一种铁路设备故障预测方法、系统以及电子设备 | |
CN117951646A (zh) | 一种基于边缘云的数据融合方法及系统 | |
CN115878992A (zh) | 综合管廊供电系统的监控方法和监控系统 | |
CN117578438A (zh) | 一种用于预测新能源发电量的生成对抗网络方法及系统 | |
CN117674421A (zh) | 数字孪生电网数据传输系统 | |
KR20210158740A (ko) | 기계학습 성능 기반 클러스터링 평가 장치 및 그 방법 | |
CN109743200B (zh) | 基于资源特征的云计算平台计算任务成本预测方法及系统 | |
US20220269904A1 (en) | Network status classification | |
CN111816404B (zh) | 一种消磁方法及系统 | |
CN117439146B (zh) | 充电桩的数据分析控制方法及系统 | |
CN115329906B (zh) | 一种基于图正则化网络的故障诊断方法及装置 | |
CN116861175B (zh) | 一种基于神经网络的运行轨迹校正方法 | |
CN118520931A (zh) | 一种智慧用电安全监测方法及预警系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E90F | Notification of reason for final refusal | ||
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |