KR102346188B1

KR102346188B1 - 전력 수요 예측 방법 및 장치

Info

Publication number: KR102346188B1
Application number: KR1020200042972A
Authority: KR
Inventors: 김동근; 최은정; 조수환
Original assignee: 상명대학교산학협력단
Priority date: 2020-04-08
Filing date: 2020-04-08
Publication date: 2021-12-31
Also published as: US20210326696A1; KR20210125363A

Abstract

본 개시는 딥러닝 기반 전력 수요 예측 방법 및 장치에 관련된다. 예측 방법은 수집된 전력 수요 데이터의 빈도수에 따라 데이터에 다른 가중치를 부여하여 가중치 반영 전력 수요 데이터를 형성하고 가중치 반영 전력 수요 데이터를 이용한 RNN 계 딥러닝에 의해 전력 수요 예측 모델을 형성한다. 전력 수요 예측 모델로부터는 예측 대상 라벨 또는 인덱스 정보를 이용해 해당 전력 수요 예측 값이 추출된다.

Description

전력 수요 예측 방법 및 장치{method for forecasting power demanding and apparatus adopting the method}

본 개시는 전력 수요 패턴에 대한 딥러닝을 기반으로 하는 새로운 맞춤형 전력 수요 예측 알고리즘의 설계에 관련한다.

전력 수요 예측은 지능형 전력망 구조를 가지는 스마트 그리드 (Smart Grid)에서 중요한 한 부분이다. 유가 상승과 환경 문제로 인한 저탄소 에너지 변환과 재생 가능 에너지 사업을 통해 스마트 그리드 사업의 전망이 다시 한번 재검토되고 있다. 에너지 문제에 대비하여 IT 등 다양한 분야에서 새로운 사업을 결합하여 새로운 산업으로 다양화하기 위한 연구가 진행 중에 있다.

최신 기술을 반영하는 하드웨어 및 소프트웨어를 통한 스마트 그리드 시스템을 적용함으로써 에너지를 효율적으로 관리할 수 있게 되며, 이로써 에너지 측면에서 경제적 이득이 증대될 수 있다.

에너지 예약 관리의 기능을 포함하여 스마트 그리드의 여러 주요기능 중 하나로 시설의 전력 수요를 예측하는 시스템을 요구된다. 전력 수요 예측을 통한 전력 수요의 변동성 파악은 정전과 더불어 경제적 이익을 위해 필요하다. 이러한 전력 수요 예측은 지능형 수요 반응과 상호 작용하여 실시간으로 에너지를 모니터링하고 에너지 수요를 관리하게 된다. 전력 수요 대응을 활용하면 시설에 경제적 이익을 가져올 수 있으며, 이를 통해 국가는 비용 절감 및 환경 보존과 같은 추가 혜택을 얻을 수 있을 것이다. 또한 에너지 효율은 사회가 에너지 공급을 보장하는 가장 수익성 있는 방법이므로 에너지를 효율적으로 소비하는 방법에 대한 연구 역시 활발하게 진행되고 있다.

적절한 에너지 공급을 보장하기 위한 에너지 사용량 예측은 에너지 효율 증가 방법과 밀접한 관련이 있다. 이러한 에너지 효율은 국가들이 에너지 비용을 낮추어 에너지 의존도를 감소시키고 재생 에너지의 비율을 높여 온실가스(GHG)와 비(非)온실가스 배출량을 줄이면서 경제 활동 수준을 개선하는 것과 같은 여러 목표를 달성하도록 도움을 준다. 실제로 중국 및 오스트리아와 같은 국가는 에너지 기준 목표를 특정 기준 연도에 비해 백분율 감소로 설정하여 에너지 수급관리를 진행하고 있다. 에너지 수요를 정확하게 예측하면 에너지 낭비를 줄이고 에너지 지속 가능성을 향상시킬 수 있다. 실제로, 이러한 전력 수요를 예측하기 위한 많은 시도들이 현재 이루어 지고 있다.

전력 수요 예측에서 사용하는 연구 중 가장 유사하고 일반화된 연구인 SVM (Support Vector Machine)을 사용하는 연구의 경우, 건물의 시설 별로 특성을 이해하고 에너지 사용 데이터를 분석하여 예측하는 데는 한계가 있다. 또한 기존의 머신 러닝 알고리즘만을 사용하는 것은 특정 시간대의 변화를 인식할 수 없기 때문에 과거의 전력 사용량 데이터만을 이용하여 수요량을 예측하는 것은 매우 어렵다. 모든 시간대에서 전력 수요의 변동성을 예측하여 정확도를 높이는 방법이 필요한데 이러한 방법은 데이터 수집, 전처리, 특징추출 등의 과정을 필요로 하기 때문에 전력 수요예측 시스템은 많은 시간과 노력이 필요하다.

Jang, B.J.; Han, S.G. Energy-IT Fusion Technology Trends and Major Issues. JOK. 2010, 28, 44-51. Yang, E.S.; Kim, A.R.; Kim, B.A.; Shin, B.R. World Energy Outlook (WEO-2017) and Changes in Energy Demand and Supply. 2017. Available online: http://www.keei.re.kr/keei/download/WEIS1703.pdf (accessed on 04 December 2019). Sung, M.J.; Shin, K.W. A Small-area Hardware Implementation of EGML-based Moving Object Detection Processor. JKIICE. 2017, 21, 2213-2220. Eum, J.Y. A Study on the Development of Energy Supply and Demand Forecasting Models for Smart City Energy Management System (CEMS). MS. thesis, Sangmyung University, Seoul, Korea 2015. Zhang, B.; Pu, Y.; Wang, Y.; Li, J. Forecasting hotel accommodation demand based on LSTM model incorporating internet search index. Sustainability. 2019, 11, 4708. Luo T. Research on Decision-Making of Complex Venture Capital Based on Financial Big Data Platform. Complexity. 2018, Article ID 5170281, 2018, 1-12. Kim, C. H. Power demand forecasting model using mixed cycle data. Research Report, 2014. Available online: http://www.keei.re.kr/web_keei/d_results.nsf/0/6632BB5F39AB536C49257E0D001A2348/$file/%EA%B8%B0%EB%B3%B8%202014-06%20%ED%98%BC%ED%95%A9%EC%A3%BC%EA%B8%B0%20%EC%9E%90%EB%A3%8C%EB%A5%BC%20%EC%9D%B4%EC%9A%A9%ED%95%9C%20%EC%A0%84%EB%A0%A5%EC%88%98%EC%9A%94%20%EC%98%88%EC%B8%A1%20%EB%AA%A8%ED%98%95%20%EA%B5%AC%EC%B6%95.pdf (accessed on 10 December 2019). Majd, M.; Safabakhsh, R. Correlational Convolutional LSTM for Human Action Recognition. Neurocomputing in press. Available online: https://www.sciencedirect.com/science/article/abs/pii/S0925231219304436 (accessed on 10 December 2019). Bhadbhade, N.; Yilmaz, S.; Zuberi, S.J.; Eichhammer, W. The evolution of energy efficiency in Switzerland in the period 2000-2016. Energy. 2020, 191, 116526. IEA. Insights Brief: Energy Efficiency Targets. Available online: https://webstore.iea.org/insights-brief-energy-efficiency-targets (accessed on 28 January 2020). Jo, N.H. SVM Load Forecasting using Cross-Validation. Trans. Korean. Inst. Elect. Eng. 2006, 55A, 485-491. Ishikawa, S.; Iwabuchi, K.; Takano, J. Peak power demand leveling to stabilize and reduce the power demand of dairy barn. Eng. Agric., Environ. Food. 2016, 9, 56-63. Tang, R.; Li, H.; Wang, S. A game theory-based decentralized control strategy for power demand management of building cluster using thermal mass and energy storage. Appl Energy. 2019, 242, 809-820. Rivera-Gonzαlez, L.; Bolonio, D.; Mazadiego, L.F.; Valencia-Chapi, R. Long-Term Electricity Supply and Demand Forecast (2018-2040): A LEAP Model Application towards a Sustainable Power Generation System in Ecuador. Sustainability. 2019, 11, 5316.

본 개시는 전력 수요를 보다 정확하게 예측하여 불필요 에너지 수요 관리 비용을 절감할 수 있는 전력 수요 예측 방법 및 장치를 제시한다.

본 개시의 실시 예에 따른 전력 수요 예측 방법:은

하나의 시설, 또는 동종 또는 이종의 시설 별로 주기적 전력 수요 데이터를 측정 및 수집하는 단계;

전력 수요 데이터의 빈도수에 따라 데이터에 다른 가중치를 부여하여 가중치 반영 전력 수요 데이터를 형성하는 단계;

가중치 반영 전력 수요 데이터를 이용한 RNN 계 딥러닝에 의해 전력 수요 예측 모델을 형성하는 단계; 그리고

상기 전력 수요 예측 모델에 예측 대상 라벨 또는 인덱스 정보를 이용해 해당 라벨 또는 인덱스의 전력 수요 값을 추출하는 단계;를 포함한다.

한 실시 예에 따르면, 상기 딥러닝은 LSTM을 기반으로 상기 전력 수요 예측모델을 얻을 수 있다.

한 실시 예에 따르면, 상기 LSTM의 하이퍼파라미터 설정(hyper-parameter setting)에서, 은닉층(hidden layer)의 수는 3개, 노드(node)의 수는 10개, 러닝레이트(learning rate)은 0.01, 이터레이션(iteration) 수는 180로 설정할 수 있다.

한 실시 예에 따르면, LSTM 계층(layer)의 활성화 함수(activation function) 및 최적화 알고리즘으로 tanh(hyperbolic tangent) 와 확률적 경사하강(stochastic gradient descent, SGD)을 각각 이용할 수 있다.

한 실시 예에 따르면 상기 LSTM에서 손실 함수로 손실함수로 MSE(mean square error)를 적용할 수 있다.

한 실시 예에 따르면, 상기 딥러닝은 GPU를 사용하는 DL4J(deeplearning4J)를 적용할 수 있다.

본 개시의 전력 수요 예측 장치:는

상기 전력 수요 예측 방법의 각 단계를 수행하는 소프트웨어 형태의 전력 수요 예측부;

상기 전력 수요 예측부를 저장하는 저장장치;

상기 전력 수요 예측부에서 요구하는 데이터 프로세싱을 담당하는 프로세서;

상기 프로세서에 의해 사용되는 메모리;

상기 전력 수요 예측부에 의한 처리 결과를 표시하는 디스플레이;를 구비할 수 있다.

한 실시 예에 따르면, 상기 전력 수요 예측부에서의 딥러닝은 LSTM을 기반으로 상기 전력 수요 예측모델을 얻을 수 있다.

한 실시 예에 따르면, 상기 전력 수요 예측부에서 상기 LSTM의 하이퍼파라미터 설정(hyper-parameter setting)에서, 은닉층(hidden layer)의 수는 3개, 노드(node)의 수는 10개, 러닝레이트(learning rate)은 0.01, 이터레이션(iteration) 수는 180로 설정할 수 있다.

한 실시 예에 따르면, 상기 전력 수요 예측부에서의 LSTM 계층(layer)의 활성화 함수(activation function) 및 최적화 알고리즘으로 tanh(hyperbolic tangent) 와 확률적 경사하강(stochastic gradient descent, SGD)을 각각 이용할 수 있다.

한 실시 예에 따르면, 상기 전력 수요 예측부에서의 LSTM의 손실 함수로 손실함수로 MSE(mean square error)를 적용할 수 있다.

한 실시 예에 따르면, 상기 전력 수요 예측 장치:는 GPU(Graphic Processing Unit)를 더 포함하며, 전력 수요 예측부는 상기 GPU를 이용하는 DL4J를 적용할 수 있다.

본 개시는 최근 전력 수요 패턴에 대한 LSTM 딥러닝을 기반으로 하는 새로운 맞춤형 전력 수요 예측 알고리즘의 HFM(Hybrid Forecasting Model)을 설계하는 것이다. 제안된 HFM 모듈을 사용한 전력 수요예측의 전체 오차율은 각 시설 별로 모두 감소한 것이 확인되었다. 예상 전력 수요 데이터는 각 시설에 따라 특정 패턴을 보여주며, 특히 여름과 겨울의 계절별 예측 패턴의 예측 차이는 다른 계절과는 매우 다른 양상을 보였다. 개시된 HFM은 수행된 예측 방식을 통해 불필요한 에너지 수요 관리 비용을 줄일 수 있음이 확인되었다.

도1은 한 실시 예에 따른 복합적 예측 모델(Hybrid Forecasting Model, HFM)을 설명한다.
도2는 시설 건물 별 최대 평균 파워 요구 데이터셋(dataset)을 보인다.
도3은 본 개시의 실험에서 사용된 세 가지 모델 각각에 대한 입력과 출력 데이터에 따른 예측 방식을 보여준다.
도4는 본 개시의 실험에 사용 된 전력 수요에 대한 머신러닝 기반 HFM의 구조를 보인다.
도5a는 종래 연구에 따른 powerLSTM과 본 개시의 HFM에 의한 여름의 실제 전력 수요 및 전력 예측을 비교해 보인 그래프이다.
도5b는 종래 연구에 따른 powerLSTM과 본 개시의 HFM에 의한 겨울의 실제 전력 수요 및 전력 예측을 비교해 보인 그래프이다.

이하, 첨부도면을 참조하여 본 발명 개념의 바람직한 실시 예들을 상세히 설명하기로 한다. 그러나, 본 발명 개념의 실시 예들은 여러 가지 다른 형태로 변형될 수 있으며, 본 발명 개념의 범위가 아래에서 상술하는 실시 예들로 인해 한정 되어지는 것으로 해석되어져서는 안 된다. 본 발명 개념의 실시 예들은 당 업계에서 평균적인 지식을 가진 자에게 본 발명 개념을 보다 완전하게 설명하기 위해서 제공 되어 지는 것으로 해석되는 것이 바람직하다. 동일한 부호는 시종 동일한 요소를 의미한다. 나아가, 도면에서의 다양한 요소와 영역은 개략적으로 그려진 것이다. 따라서, 본 발명 개념은 첨부한 도면에 그려진 상대적인 크기나 간격에 의해 제한되어지지 않는다.

제1, 제2 등의 용어는 다양한 구성 요소들을 설명하는 데 사용될 수 있지만, 상기 구성 요소들은 상기 용어들에 의해 한정되지 않는다. 상기 용어들은 하나의 구성 요소를 다른 구성 요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명 개념의 권리 범위를 벗어나지 않으면서 제 1 구성 요소는 제 2 구성 요소로 명명될 수 있고, 반대로 제 2 구성 요소는 제 1 구성 요소로 명명될 수 있다.

본 출원에서 사용한 용어는 단지 특정한 실시 예들을 설명하기 위해 사용된 것으로서, 본 발명 개념을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함한다" 또는 "갖는다" 등의 표현은 명세서에 기재된 특징, 개수, 단계, 동작, 구성 요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 개수, 동작, 구성 요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

달리 정의되지 않는 한, 여기에 사용되는 모든 용어들은 기술 용어와 과학 용어를 포함하여 본 발명 개념이 속하는 기술 분야에서 통상의 지식을 가진 자가 공통적으로 이해하고 있는 바와 동일한 의미를 지닌다. 또한, 통상적으로 사용되는, 사전에 정의된 바와 같은 용어들은 관련되는 기술의 맥락에서 이들이 의미하는 바와 일관되는 의미를 갖는 것으로 해석되어야 하며, 여기에 명시적으로 정의하지 않는 한 과도하게 형식적인 의미로 해석되어서는 아니 될 것임은 이해될 것이다.

어떤 실시 예가 달리 구현 가능한 경우에 본 개시의 알고리즘에서 특정한 논리적 순서는 설명되는 순서와 다르게 수행될 수도 있다. 예를 들어, 연속하여 설명되는 두 순서가 실질적으로 동시에 수행될 수도 있고, 설명되는 순서와 반대의 순서로 수행될 수도 있다.

또한, 명세서에 기재된 “…부”, “…모듈” 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 컴퓨터 기반 하드웨어 또는 컴퓨터에서 실행되는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다.

하드웨어는 본체, 키보드, 모니터 등을 포함하는 일반적인 컴퓨터 시스템을 기반으로 하며 여기에선 영상 입력을 위한 입력 장치가 포함될 수 있다.

이하, 첨부된 도면을 참조하면서 한 실시 예에 따른 전력 수요 예측 방법 및 장치에 대해 설명한다.

본 개시는 실제 사용량과 비교하여 부적합한 전력수요의 변동성을 확인할 수 있는 HFM(Hybrid Forecasting Model)을 이용하는 전력 수요 예측 방법 및 이를 적용하는 장치를 제안한다.

본 개시의 실시 예에 따른 전력 수요 예측 방법은

1) 동종 또는 이종의 시설별 전력을 사용하는 주기적 전력 수요 데이터를 측정 및 수집하는 단계

2) 전력 수요 데이터의 빈도수에 따라 데이터에 다른 가중치를 부여하여 가중치 반영 전력 수요 데이터를 형성하는 단계

3) 가중치 반영 전력 수요 데이터를 이용한 RNN 계 딥러닝에 의해 전력 수요 예측 모델을 형성하는 단계, 그리고

4) 상기 전력 수요 예측 모델에 예측 인덱스 정보를 이용해 해당 인덱스의 전력 수요 값을 추출하는 단계;를 포함한다.

구체적인 한 실시 예에 따르면, 상기 LSTM의 하이퍼파라미터 설정(hyper-parameter setting)에서, 은닉층(hidden layer)의 수는 3개, 노드(node)의 수는 10개, 러닝레이트(learning rate)은 0.01, 이터레이션(iteration) 수는 180로 설정할 수 있다.

그리고 LSTM 계층(layer)의 활성화 함수(activation function) 및 최적화 알고리즘으로 tanh(hyperbolic tangent) 와 확률적 경사하강(stochastic gradient descent, SGD)을 각각 이용할 수 있고, 상기 LSTM에서 손실 함수로 MSE(mean square error)를 적용할 수 있다. 또한, 상기 딥러닝은 GPU를 사용하는 DL4J(deeplearning4J)를 적용할 수 있다.

본 개시의 전력 수요 예측 장치는 컴퓨터 기반의 하드웨어 및 소프웨어 형태의 전력 수요 예측부 또는 예측 프로그램을 포함할 수 있다.

상기 전력 수요 예측 프로그램은 상기 전력 수요 예측 방법의 각 단계를 수행하는 알고리즘을 포함한다. 전력 수요 예측 프로그램은 단일 소프트웨어 또는 기능별로 분리된 모듈 형태의 복수의 소프트웨어의 그룹에 의해 구현될 수 있다. 이러한 전력 수요 예측부는 부분적 요소로 하드웨어의 도움을 받을 수 있다.

상기 컴퓨터 기반의 하드웨어는 상기 전력 수요 예측부를 저장하는 저장장치, 상기 전력 수요 예측부에서 요구하는 데이터 프로세싱을 담당하는 프로세서, 상기 프로세서에 의해 사용되는 메모리, 상기 전력 수요 예측부에 의한 처리 결과를 표시하는 디스플레이를 구비할 수 있다.

본 개시의 한 실시 예에 따라 딥 러닝을 기반으로 각 시설에 대한 전력 수요 예측이 수행되었다. 각 시설마다 전력 사용량이나 자체 사용용량 등 세부적인 전력사용량이 모두 달라 각 시설 별 고유한 전력수요패턴을 보이기 때문에 전력 수요의 패턴의 변동성을 기반으로 하는 딥러닝 시스템이 적용된다. 여기에서, 각 시설 유형마다 비교적 하나의 패턴을 보이기 때문에 계절, 일, 월, 시간 별로 데이터가 분석되었고, 전력 수요의 변동성 패턴이 추출 되었다. 전력 사용량과 같은 복잡한 시계열 데이터를 분석함에 있어 회귀분석 방식의 기계학습 알고리즘이 적용되었다.

이 개시의 목적은 예측된 데이터의 높은 정확성을 제공하는 전력 수요 예측 방법을 제시하는 것이다. 그 목표는 다른 방법론에 비해 오류율을 30 % 이상 줄이는 것이다. 또한 전력 수요 패턴의 특징을 확인하고 각 시설에 대한 효율적인 전력 수요 예측 방법이 제안된다. 변동성 평가에 사용되는 가장 중요한 기능은 사용량 예측 연구이다. 기존의 대부분의 연구는 Autoregressive Distributed Lag, ARDL) 모형과 혼합주기 (MIxed DAta Sampling, MIDAS) 방법을 사용하여 전력 수요를 예측하고 비교하기 위해 수행되었다. 이러한 방법은 전력이 필요한 다양한 데이터 형식을 사용하여 수치 계산으로 값을 추정하는 데 사용된다. 따라서 전력 수요 예측 영역에서는 매우 적극적으로 적용된다. 이하에서 두 가지 접근 방식이 전력 수요 예측에 어떻게 사용되는지 보여 준다.

전력 수요를 예측하는 한가지 방법은 시계열 데이터를 분석하기 위해 가장 널리 사용되는 동적 회귀 분석 중 하나인 ARDL 방식이다. 오차를 줄이고 공적분의 방법론으로 널리 사용되는 ARDL은 주로 사회 경제 분야에서 수치를 추론하기 위해 사용되는 방법이다. 전력 수요 예측에서 ARDL 방법은 예측하고자 하는 월 전력 수요가 몇 년 전 전력 수요에 의해 영향을 받는다고 가정하여 수요예측을 진행한다. 온열 기기의 사용 날과 냉각 기기의 사용 날도 지난 달의 독립 변수에 포함하여 예측에 이용할 수 있다. 통계적 유의 수준은 용도에 따라 다른 방식으로 사용하여 확인할 수 있다.

공식1 (수1)은 일반적으로 t달의

번째 주에 대한 주별 데이터

를 이용해 월별 데이터

예측하기 위해 종속변수와 독립 변수가 각각 A _y , A _x 인 ARDL(A _y , A _x ) 모델로 사용된다. 이 때 한 달을 4주로 가정하면 j = 1, …, 4 이 된다. 그러나 전력 수요 예측은 전력 사용량의 특성으로 인해 온도 및 계절적 요인에 매우 민감하므로 과거 데이터가 오래될수록 예측 데이터에 미치는 영향이 적어진다. 따라서 더 정확한 예측을 위해 각 과거 데이터에 다른 가중치를 할당해야만 한다. 식 1의 각 주별 데이터에 다른 가중치가 주어지면 공식2(수2)가 도출되며 이때

는 주를 나타내는 변수이다.

만약 ARDL(1,2) 일 때, 공식2를 이용하면,

그리고, 추정해야 할

의 계수의 수는 모두 8개가 된다(2 x 4). 이 연구에서 사용된 데이터는 일일 데이터이므로 추정 계수의 수는 한 달을 30일이라고 가정할 때 모두 60 (2x30) 개가 된다. 이 경우 모형 자체의 추정이 어려워지고 결과의 신뢰도 또한 매우 낮아진다는 문제가 발생되어 비효율적일 수 있다.

ARDL 방식과 마찬가지로 MIDAS 방법을 사용하는 기존 전력 수요 예측 시스템은 경제학에서 GDP를 계산하는데 사용되는 회귀 모델을 이용한다. 이 방법의 가장 큰 장점은 가중치 함수를 이용해서 자동으로 가중치를 각 입력데이터에 할당해 줄 수 있다는 점이다.

식3은 고빈도의 데이터에 다른 가중치를 부과하는 함수 φ(j; θ) 를 포함한다. θ 는 가중치 함수의 매개변수 벡터이며, N _w 는 주 (week) 수이다. 따라서, MIDAS 방법에 의해 전력수요를 예측할 때 가중치 함수에 대한 특별한 조정 없이 전력 수요 데이터 외에 다양한 외부 요인을 고려함으로써 예측할 수 있다는 장점을 가지고 있다. 빈도에 따라 다른 가중치를 할당하기 위해 MIDAS 방법에 사용된 가중치 함수를 이 연구에서 이용하였다. 다른 MIDAS 회귀 예측 연구에서는 온도, 에너지 가격, 소득, 실험 일 수 등도 독립변수로 설정하여 단기 전력 수요 예측의 정확도를 향상시켰다. 또한 다른 연구에서는 토요일은 공휴일과 일요일을 제외한 반나절로 설정하고 출근일 수를 합산하여 전력 수요 예측을 시도하였다. 그 결과 기존의 연구들은 월간 데이터는 전력 수요 예측에 유용하게 사용되었으며 월별 및 주별 냉난방 차이 및 온도 등이 반영될 때 비교적 높은 정확도를 얻음을 확인했다. 또한 주중 및 주말 전력 수요 데이터를 분리하여 전력 수요의 패턴의 분석을 실시하여 회사와 공공기관과 같이 주중과 주말 사이의 전력 수요에 큰 차이가 있는 시설에서의 원활한 예측이 가능했다. 우리 역시 전력 수요 예측을 위해 이러한 부분에 중점을 두고 예측 분석을 수행하였다. MIDAS 방법에서는 가중치 계산을 위한 다양한 유형의 가중치 함수를 사용할 수 있으므로 결과가 가중치 함수마다 달라질 수 있어 적절한 가중치 함수를 선택하는 것도 중요하다. 결국 이 모델의 핵심은 몇 가지 매개변수를 이용하여 고빈도의 변수에 부과되는 가중치의 추정을 단순화하는 것이다.

본 개시의 실시 예는 복합적 예측 모델 (Hybrid Forecasting Model, HFM)을 이용하는 것으로 딥러닝을 이용하여 전력 수요를 예측하되, 딥러닝에 사용되는 일별, 요일별, 주간별, 월별 또는 계절별 전력 수요 데이터를 전처리(preprocesse)하고, 이를 머신러닝에서 초기 입력데이터(input data)로 이용한다. 전처리 기법에서는 입력 데이터에 다른 가중치를 적용하여 개별 데이터간 차별성 및 독립성을 보다 강화한다. 이를 위한 전처리에서는 예를 들어 식3의 함수가 이용될 수 있으며, 그러나 본 개시의 실시 예의 기술적 범주는 이에 국한되지 않는다. 가중치의 부여는 각 데이터의 빈도에 따라 차등화될 수 있으며, 예를 들어 빈도수가 높은 데이터에 대해서는 높은 가중치 또는 웨이트 값을 적용하여, 빈도수가 낮은 데이터에 대해서는 낮은 가중치를 적용할 수 있다. 이와 같이 가중치를 차등화함에 있어서는 빈도의 변화에 따라 선형적 또는 비선형적으로 그 값을 차등 결정할 수 있다. 한편, 빈도 등에 따라 가중치가 차등화 적용된 데이터를 입력데이터로 이용한 머신 러닝에는 RNN 계열의 딥러닝 이 적용될 수 있으며 보다 구체적으로는 LSTM 이 일부 차용 또는 전체 적용될 수 있다.

이하에서 본 개시의 한 실시 예 및 이에 사용된 데이터를 설명한다. 도1은 본 실시 예에 따른 복합적 예측 모델(Hybrid Forecasting Model, HFM)을 설명한다.

전력 수요 변동성 평가 모델에서 전력 수요 예측을 위해 전력 수요 데이터의 패턴을 이해하는 것이 가장 중요하다. 전력수요 패턴을 확인하기 위해 데이터를 단기와 장기 데이터로 분류하였다. 각 용도별로 상이한 전력 수요 패턴에 따라 각 시설에 대한 데이터 수집을 통해 실험데이터를 확보하였다. 다양한 기간의 데이터를 사용하여 예측 모델을 평가하기 위해 MIDAS, LSTM 및 HFM 등 총 세 가지 모델을 이용한 예측을 진행하여 수요 예측의 오류율을 측정하였다.

상기 세 가지 방법을 사용하여 예측 정확도의 차이를 비교하기 위해 단기 데이터와 장기 데이터를 각각 사용했지만 주거 시설의 경우 평일과 휴일, 계절에 따른 전력 수요의 변화가 매우 크기 때문에 단순히 기간 (단기, 장기) 측면뿐 아니라 계절, 휴일, 날씨와 같은 외부 변수에 대한 이해가 중요하기 때문에 계절데이터를 이용한 예측을 함께 실험하였다. 그 뒤, 본 실시 예에 따른 모델의 성능을 다른 기존 연구와 비교했다.

도2는 시설 건물 별 최대 평균 파워 요구 데이터셋(dataset)을 보인다.

도2에서 주거 및 공공기관의 건물에서는 여름 (6-8월)의 평균 최대 전력 수요가 증가하는 경향을 보이지만 주거에 비해 공공기관의 전반적인 평균 최대 전력 수요량은 더 높았으며 여름과 겨울 (11-1월) 의 최대 전력 수요량은 주거시설에 비해 큰 차이를 보이지 않았다. 각 건물마다 전력 수요에 큰 차이를 보이지만 공장의 경우 평균 최대 전력 수요량의 변화가 미비했으며 1년 동안 600-700kWh의 전력량을 유지했다. 병원 시설은 대학 병원 건물로 최대 전력 수요는 4개 시설 중 가장 높은 수요량을 보였으며 온도가 상승하는 5월과 9월 사이에 가장 높은 수요량을 보였다. 그러나 주거 시설 건물은 여름과 겨울의 최대 전력 수요에서 가장 큰 차이를 보인 반면 여름을 제외한 다른 계절에서는 비슷한 패턴을 보였다. 따라서 주거 시설에 대한 계절별 전력 수요 예측 실험을 추가로 수행하여 주거시설의 전력 수요 예측의 오차율을 줄이고자 하였다.

본 실험에 사용된 데이터 셋으로서, 2016년11월부터 2017년 10월까지 다양한 시설건물 (주거, 병원, 농장, 시청, 공장, 회사 등) 에 설치된 센서를 통해 전력 수요 데이터를 수집하였다. 이 데이터 중에서 이 연구의 전력 수요 패턴에 따른 전력 수요 예측의 정확도 계산을 위해 4개의 시설건물 (주거, 공장, 병원, 공공기관)의 전력 수요가 사용되었다. 수집된 데이터는 5분마다 일일 총 288개의 데이터로 구성되기 때문에 분기별 전력 사용량에 대한 기존의 연구와 달리 자세한 전력패턴 분석이 가능하다. 4개 시설의 건물에 대해 단기, 장기데이터와 주거 시설의 계절 데이터를 수집하기 위해 표 1과 같이 각각 다른 데이터의 구성을 이용하여 입력데이터를 설정하였다. 계절 데이터에서 겨울은 한국의 계절적 특성에 따라 2016년 11월부터 2017년 1월까지, 여름은 2016년 6월에서 8월까지 수집한 데이터를 이용하였다.

아래의 표1은 입력(input)과 출력(output) 데이터 셋을 구조를 보인다.

LSTM 모델에서 입력 데이터의 학습(train) 및 검증(test) 데이터의 비율은 2:1로 설정하였고 표 1은 이와 같은 입력 및 출력 데이터의 구조를 보여준다. 전력 수요 패턴은 각 요일마다 유사하므로 입력데이터 (train ＆ test data)와 출력 데이터는 같은 요일(7일 차이)로 구성된다. 단기 예측에서는 지난 3주 동안의 7일 차이의 매 같은 요일 데이터 3개를 이용하여 7일 뒤 같은 요일의 전력수요 예측을 진행하였다. 장기 예측에서는 지난 12주 동안 7일 간격의 매 같은 요일 데이터 12개를 이용하여 다음7일 간격으로 매 4주간의 같은 요일의 전력 수요를 예측하였다. 예를 들어, 다음4주 동안의 매주 월요일에 대한 전력 수요 데이터의 예측을 위해 이전 12주 동안의 매주 월요일의 데이터가 train 및 test 데이터로 이용되었다. 마찬가지로 계절 데이터의 예측을 위해 이전 9주간의 매주 같은 요일 데이터를 이용하여 다음 3주간의 매주 같은 요일의 전력 수요량을 예측하였다. 도3은 세 가지 모델 각각에 대한 입력과 출력 데이터에 따른 예측 방식을 보여준다.

이하에서 데이터 프로세싱 과정에 대해 설명한다.

본 실시 예에 따른 복합적 예측 모델(Hybrid Forecasting Model)을 이용하는 예측 모델에서는 딥러닝 방식으로 전력 수요량을 입력데이터로 사용하기 전에 예측 데이터의 변동성에 영향을 주는 입력 데이터에 다른 가중치를 할당하는 전처리를 수행한다. 이 전처리에서는 가중치 함수를 이용하여 매일의 입력 데이터(x)에 가중치를 부여하는 전처리를 수행하였다. 전력 수요 데이터는 아래와 같이 표현된다.

위의 식은 주기적 특정 기간의 수(일련 번호)인 n번째, 예를 주(week)의 t 번째 시간의 전력 수요량 데이터를 의미한다. 가중치는 정보 변수의 과거 값에 주어진 가중치를 직접 추정하지 않고 가중치함수를 이용하여 계산된다. 회귀 분석법을 사용하여 높은 빈도 데이터의 가중치를 부여하는 가중치 함수는 다음과 같다.

위의 식 (4) 에 의한 데이터의 전처리 결과는 다음 식5로 연결된다.

W : 벡터 행렬

x ;로데이터(raw data)

n: 특정 기간의 일련 번호 또는 수

t : 해당 기간 또는 특정 기간의 데이터의 일련 번호 또는 서수

b : 바이어스 계수

식4는 알몬 지수 함수(Almon exponential function)이며 MIDAS 회귀분석방법에서도 가중치 함수로 사용된다. θ 는 가중치 함수의 매개 변수 벡터로 가중치 함수의 형태는 θ 값에 따라 달라진다. θ 값은 가중치의 지수 증가를 위해 -0.002에서 0.01 사이의 범위에서 설정되었다. W 는 수4에 정의된 W(n; θ) 벡터 행렬이고 b 는 바이어스 계수이다. 가중치를 사용한 계산 후의 값이 원래 데이터와 너무 다른 경우 바이어스 조정을 통해 값이 조정되며 바이어스 값은 -0.03에서 4.25 사이로 설정되었다.

LSTM의 예측 메커니즘은 시계열 예측에 사용된다. 따라서 시계열 예측에 적합한 LSTM 모델을 기반으로 하여, 전력 수요의 변동성을 고려하여 가중치 함수 값, 예를 들어, MIDAS에 사용 된 가중치 함수 값을 반영한 새로운 복합적 예측 모델(HFM)을 도출하였따. 도4는 본 실시 예의 실험에 사용 된 전력 수요에 대한 머신러닝 기반 복합적 예측 모델(HFM)의 구조를 보여준다.

위의 식들에서,

: 가중치로 전처리된 입력

: 현재 셀의 메모리

: 이전 셀의 메모리

: 현재 셀의 메모리

: 이전 셀의 출력

: 시그모이드 레이어

: 가중치 팩터

X : 행렬 곱셈

+ : 행렬 덧셈

상기와 같은 실험에 의한 예측 성능을 평가하기 위해 MAPE, RMSE, R-squared (R ² )을 사용하여 통계분석을 수행하였다. 각 모델을 평가하는 공식은 다음과 같다.

여기서,

: 데이터 i의 예측 값

: i 의 실제 값

: H _i 의 평균값

R ² 의 범위는 보통 [0, 1]이며, 1에 가까울수록 모델의 설명력이 강해진다. 본 실시 예의 실험에 사용된 전력 수요 데이터는 시설에 따라 전력량의 단위가 다양하기 때문에 시설에 따라 예측 결과를 비교하기 위해 R ² 를 계산하였다.

본 실시 예에 따른 복합적 예측 모델의 실험에서 DL4J (Deeplearning4J)를 사용하여 가장 적합한 딥러닝 기반 시계열 데이터 예측 방법을 선택하였으며, 그 중의 하나인 LSTM을 한 예로서 사용하여 전력 수요 예측 모델을 구성했다. DL4J는 GPU(graphics processing unit)를 사용할 수 있는 환경을 구축하기 쉽다는 특징을 가지 고 있다. 따라서 본 개시는 전력 수요 예측을 최적화하기 위해 DL4J 방법을 기반으로 한 복합적 예측 모델을 한 실시 예로서 제안한다.

이하에서 위와 같은 실시 예에 따른 복합적 예측 모델(HFM)과 이에 비교되는 MIDAS 및 LSTM 방법들을 이용한 전력 수요 예측 결과에 대해 설명한다.

적절한 외적 변수인 하이퍼파라미터의 셋팅(Hyperparameter Setting)에서, 딥러닝이 우수한 성능을 달성할 수 있도록 최적의 계층(layer), 노드(nodes), 이터레이션(iterations), 및 활성함수(activation function) 등을 설정해야 한다. 일반적으로 데이터의 수나 목적에 따라 가장 최적의 하이퍼파라미터 설정을 찾게 되는데 우리는 총 40여 번의 설정 과정을 통해 최적의 결과를 얻었다. 최적의 설정으로, 은닉층(hidden layer)의 수는 3개, 노드(node)의 수는 10개, 러닝레이트(learning rate)은 0.01, 이터레이션(iteration) 수는 180이다. 본 개시의 실험에서 LSTM 계층(layer)의 활성화 함수(activation function) 및 최적화 알고리즘으로 tanh(hyperbolic tangent) 와 확률적 경사하강(stochastic gradient descent, SGD)을 각각 이용하였다. 분류 LSTM 모델에서 다중 분류에서는 교차 엔트로피(cross-entropy)와 SSE(sum of square errors) 가 손실 함수로 사용되지만 회귀를 이용한 예측방식에서는 MSE(mean square error) 가 주로 사용된다. 그러므로 본 개시의 실험에서는 손실함수로 MSE를 이용하였다. 아래의 표2는 최적화된 하이퍼파라미터를 찾기 위해 실험에서 얻은 최상의 정확도 3개의 결과를 보여준다. 각 설정에 따라 서로 다른 예측 결과가 표시되었으며 정확도가 가장 높은 셋팅3(setting 3)을 이용하였다.

아래의 표 3, 4 및 5 는 각 시설의 건물에서 전력 수요예측을 수행한 실험에 대한 통계 분석 결과를 비교해 보여준다. 표 3은 단기 예측결과를, 표 4 는 장기 예측 결과를 표 5는 주거 시설에 대한 계절 단위 예측 결과를 보여준다. 단기 예측의 경우, MAPE의 값이 각 시설에 따라 크게 감소했음을 보여주지만 장기 예측에서는 큰 차이를 보이지 않는다.

표 4의 주거 시설의 예측 결과와 달리 표 5의 주거시설의 계절적 전력 수요예측에서는 오류율이 크게 감소하였음을 확인할 수 있다. 겨울 실험에서 예측된 데이터는 공휴일의 포함하여 예측하였는데, 본 실시 예(HFM)에서는 가중치 부여 방식을 이용하여 예측하고자 하는 날 이전의 공휴일에 더 높은 가중치를 부여하여 예측 오차율을 줄이고자 하였다. 그러나 기존의 단순 LSTM 방법에서는 가중치가 따로 할당되지 않기 때문에 표 5와 같이 LSTM 예측 방법이 제일 낮은 성능을 보였다.

프리드만 검정이라는 비모수 통계 검정을 통해 상기 3가지 모델 (MIDAS, LSTM, HFM)을 사용한 단기, 장기 및 계절적 실험 결과들 과의 비교실험을 수행하였다. 프리드만 검정은 일반적으로 원래 값을 비교하는 것이 아니라 순위 비교를 이용한다. 표6에서 N 은 총 MAPE 결과 (short-term, long-term, and seasonal)의 개수이고, Chi-squared 는 8.6이고, 자유도는 (DF) 2이며, p-value 는 0.018임을 확인하였다. α 값은 일반적으로 사용되는 0.05 유의 수준으로 설정하였다.

본 개시는 과거 전력 수요데이터만을 이용하여 단기 데이터에 최적화된 전력 수요를 예측하는 복합적 예측 모델을 제안하였다. 전력 수요 예측의 정확성은 데이터 전처리, 가중치 함수에 따라 다르며 또한 시간이 지남에 따라 전력 수요 패턴의 변동성을 면밀하게 파악할 수 있는 모델을 설정하는 것이 중요하다. 표 4에서 본 개시의 복합적 예측 모델(HFM)이 다른 두 가지 방법(MIDAS, LSTM)보다 전력 수요 변동성을 더 잘 반영하였음을 확인하였다. 일반 산업 시설은 매일 비슷한 전력 수요 패턴을 보여주기 때문에 우리의 모델을 단기 전력 수요 예측에서는 매우 효율적이다. 반면에 주말, 공휴일과 날씨의 영향에 민감하게 반응하는 시설 건물은 계절 별로 분류를 한 후 모델에 적용하여야 더 효율적인 예측이 가능함을 확일 할 수 있었다.

실험 결과를 요약하며 주거 시설에 대한 예측의 정확도가 제일 낮은 것을 확인한 반면, 공장 및 병원 시설은 상대적으로 낮은 수준의 오차율로 비교적 높은 정확도를 보였다. 단기 데이터의 복합 예측 모델(HFM)은 서로 다른 두 가지 방법론(MIDAS, LSTM)보다 더 높은 수준의 예측결과를 보여주었다. 또한 단기 데이터의 결과는 장기 데이터의 결과보다 상대적으로 우수했으며복합 예측 모델(HFM) 의 단기 예측의 경우 MAPE의 값이 주거 시설이 10.44%p, 공공기관이 12.87%p, 공장이 5.58%p, 병원은 5.14%p 만큼 감소한 것으로 나타났다. 반면에 장기 예측의 경우 주거 시설은 2.11%p, 공공기관은 2.8%p 감소했다. 또한 공장과 병원은 전력 수요예측의 오차율이 장기 데이터에서는 크게 개선하지 못하였다. 일반적으로 단기 데이터를 사용한 전력 수요 예측은 변동성을 보다 정확하게 반영하여 단기 예측의 정확도를 향상시키지만 장기 데이터 예측은 날씨 및 외부 요인의 영향을 많이 받으므로 데이터 셋의 수가 많아 전체 정확도가 높아지더라도 방법론에 따른 정확도에는 큰 영향을 주지 않는 것을 확인했다. 전력 수요 예측은 데이터 패턴의 변동성과 관련이 있기 때문에 단기적인 변동성 패턴은 장기적인 수요 예측에서는 제대로 활용할 수 없음을 확인하였다.

본 실시 예의 실험을 통해서, 또한 날씨, 계절, 공휴일의 영향에 민감한 주거 시설의 전력 수요 예측은 도5a, 도5b에 비교해 보인 바와 같이 같이 특수 상황에 대한 가중치를 고려하여 데이터를 계절별로 분류하고 예측함으로써 더 높은 정확도를 달성할 수 있음을 확인했다.

도5a, 도5b는 Cheng et al. ()의 자료를 공통적으로 이용하여 기존의 MIDAS, powerLSTM, 그리고 본 개시의 HFM(Hybrid Forecasting Model)에 의한 여름 주거시설 전력수요 예측의 결과를 비교하여 보인다. 본 개시의 HFM은 MAPE값은 5.400%이고 PowerLSTM은 8.935% 였다. 그 차이는 3.535%p 이고, 본 개시의 HFM이 PowerLSTM과 비교했을 때 39.564% 나 낮은 MAPE 값을 보였다. 또한 프리드만 검정을 통해 본 개시의 HFM이 기존의 MIDAS, LSTM에 비해 더 의미 있는 결과를 보이고 있음을 확인하였고, 구체적으로 HFM의 p-value 값이 유의수준 α보다 작다는 것을 확인하였다 (p < 0.05). 따라서 HFM의 결과는 프리드만 검정을 통해 통계적으로 유의하다고 말할 수 있다.

결론적으로, 회귀 분석 방법을 사용하는 기존 전력 수요 예측 방법에는 과거의 전력 수요 데이터 외에도 많은 외부 요소가 필요하였으나, 본 개시의 HFM은 과거 전력 수요 데이터 만으로도 오차율이 감소된 전력 수요 예측이 가능하게 된다.

본 개시의 실험을 통해서 시설의 건물에 따라 다른 전력 수요 패턴을 보이며 특히 주거 시설은 계절적, 온도의 요인에 크게 영향을 받음을 확인할 수 있었다. 그래서 단기와 장기 데이터로 나누어 주거 시설의 전력 수요를 예측할 때 전력 수요 데이터만 입력 데이터로 이용했기 때문에 예측의 오차율이 다른 시설에 비해 증가했다. 그러나 전력 수요에 영향을 미치는 계절별로 데이터를 분류하여 계절적 실험을 수행하여 예측의 정확도를 높였다.

본 개시에 의해, 전력 수요 예측에 영향을 미치는 외부 요인과 과거의 전력 수요 데이터에 대한 데이터를 추가하여 전력 수요를 효율적이고 정확하게 예측할 수 있는 향후의 심화된 추가 연구를 기대할 수 있을 것으로 예상된다. 또한 높은 성능으로 정확한 전력 수요를 예측할 수 있으므로 오늘날 전 세계적으로 큰 이슈인 자연 환경 및 환경 관리 영역의 지속 가능한 발전에도 기여할 수 있을 것으로 보인다.

이상에서 살펴본 바와 같이 본 발명의 모범적 실시 예들에 대해 상세히 기술되었지만, 본 발명이 속하는 기술분야에 있어서 통상의 지식을 가진 사람이라면, 첨부된 청구 범위에 정의된 본 발명의 정신 및 범위를 벗어나지 않으면서 본 발명을 여러 가지로 변형하여 실시할 수 있을 것이다. 따라서 본 발명의 앞으로의 실시 예들의 변경은 본 발명의 기술을 벗어날 수 없을 것이다.

Claims

센서를 이용해 하나의 시설, 또는 동종 또는 이종의 시설 별로 주기적 전력 수요 데이터를 측정 및 수집하는 단계;
프로세서에 의해 전력 수요 데이터의 빈도수에 따라 데이터에 다른 가중치를 부여하여 가중치 반영 전력 수요 데이터를 형성하는 단계;
전력 수요 예측부에 의해 가중치 반영 전력 수요 데이터를 이용한 RNN 계 딥러닝에 의해 전력 수요 예측 모델을 형성하는 단계; 그리고
상기 전력 수요 예측 모델에 예측 대상 라벨 또는 인덱스 정보를 이용해 해당 라벨 또는 인덱스의 전력 수요 예측 값을 추출하는 단계;를 포함하며,
상기 가중치 반영 전력 수요 데이터(x')를 형성하는 단계는 아래 <식>의 가중치 함수에 의해 수행되는, 전력 수요 예측 방법.
<식>

W : 벡터 행렬
x ;로데이터(raw data)
n: 특정 기간의 일련 번호 또는 수
t : 해당 기간 또는 특정 기간의 데이터의 일련 번호 또는 서수
b : 바이어스 계수
제1항에 있어서,
상기 딥러닝은 LSTM을 기반으로 상기 전력 수요 예측모델을 형성하는 전력 수요 예측 방법.
제1항에 있어서,
LSTM의 하이퍼파라미터 설정(hyper-parameter setting)함에 있어서, 은닉층(hidden layer)의 수는 3개, 노드(node)의 수는 10개, 러닝레이트(learning rate)은 0.01, 이터레이션(iteration) 수는 180로 설정하는, 전력 수요 예측 방법.
제2항에 있어서,
LSTM 계층(layer)의 활성화 함수(activation function) 및 최적화 알고리즘으로 tanh(hyperbolic tangent) 와 확률적 경사하강(stochastic gradient descent, SGD)을 각각 적용하는, 전력 수요 예측 방법.
제2항에 있어서,
LSTM 계층의 손실 함수로 MSE(mean square error)를 적용하는, 전력 수요 예측 방법.
제1항 내지 제5항 중의 어느 한 항에 있어서,
상기 딥러닝은 GPU를 사용하는 DL4J(deeplearning4J)를 적용하는, 전력 수요 예측 방법.
삭제
제1항 내지 제5항 중의 어느 한 항에 기재된 전력 수요 예측 방법을 수행하는 전력 수요 예측 장치에 있어서,
하나의 시설, 또는 동종 또는 이종의 시설 별로 주기적 전력 수요 데이터를 측정 및 수집하는 센서;
상기 전력 수요 데이터의 빈도수에 따라 데이터에 다른 가중치를 부여하여 가중치 반영 전력 수요 데이터를 형성하는 프로세서;
상기 가중치 반영 전력 수요 데이터를 이용한 RNN 계 딥러닝에 의해 전력 수요 예측 모델을 형성하고, 상기 전력 수요 예측 모델에 예측 대상 라벨 또는 인덱스 정보를 이용해 해당 라벨 또는 인덱스의 전력 수요 예측 값을 추출하는 소프트웨어 형태의 전력 수요 예측부;
상기 전력 수요 예측부를 저장하는 저장장치;
상기 프로세서에 의해 사용되는 메모리;
상기 전력 수요 예측부에 의한 처리 결과를 표시하는 디스플레이;를 구비하는 전력 수요 예측 장치.
제8항에 있어서,
상기 전력 수요 예측 장치:는 GPU(Graphic Processing Unit)를 더 포함하며, 전력 수요 예측부는 상기 GPU를 이용하는 DL4J를 적용하는, 전력 수요 예측 장치.
삭제
삭제
제8항에 있어서,
소프트웨어 형태의 전력 수요 예측부는 단일 소프트웨어 또는 기능별로 분리된 모듈 형태의 복수의 소프트웨어의 그룹에 의해 구현되는, 전력 수요 예측 장치.