KR102499240B1 - 전력 수요 예측 방법 및 그 시스템 - Google Patents

전력 수요 예측 방법 및 그 시스템 Download PDF

Info

Publication number
KR102499240B1
KR102499240B1 KR1020170146671A KR20170146671A KR102499240B1 KR 102499240 B1 KR102499240 B1 KR 102499240B1 KR 1020170146671 A KR1020170146671 A KR 1020170146671A KR 20170146671 A KR20170146671 A KR 20170146671A KR 102499240 B1 KR102499240 B1 KR 102499240B1
Authority
KR
South Korea
Prior art keywords
information
power
prediction model
power demand
time period
Prior art date
Application number
KR1020170146671A
Other languages
English (en)
Other versions
KR20190051243A (ko
Inventor
황의석
송준호
박강구
오근우
윤승욱
Original Assignee
광주과학기술원
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 광주과학기술원 filed Critical 광주과학기술원
Priority to KR1020170146671A priority Critical patent/KR102499240B1/ko
Publication of KR20190051243A publication Critical patent/KR20190051243A/ko
Application granted granted Critical
Publication of KR102499240B1 publication Critical patent/KR102499240B1/ko

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
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Power Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Public Health (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

전력 수요 예측 시스템이 개시된다. 본 발명의 일 실시 예에 따른 전력 수요 예측 시스템은 시간대 별 전력 소비 정보와 예측하고자 하는 시간대를 위한 기준 전력 정보를 포함하는 전력 정보를 수집하는 전력 정보 수집부, 상기 기준 전력 정보와, 상기 시간대 별 전력 소비 정보를 비교하여 각각의 상관도를 분석하는 정보 분석부, 상관도 분석 결과에 따라 상관도가 상대적으로 높은 시간대의 전력 소비 정보를 전력 수요 예측 모델 생성을 위한 입력으로 선택하여 전력 수요 예측 모델을 생성하는 예측 모델 생성부 및 상기 전력 수요 예측 모델을 통해 예측하고자 하는 시간대의 전력 수요를 예측하는 전력 수요 예측부를 포함한다.

Description

전력 수요 예측 방법 및 그 시스템{Power demand predicting method and power demand predicting system}
본 발명은 전력 수요 예측 방법에 관한 것이다. 구체적으로, 적절한 입력 변수 선택에 기초하여 예측 모델을 생성해 보다 정확한 전력 수요를 예측하는 방법에 관한 것이다.
화석 에너지 자원의 고갈에 따라 최근 전 세계적으로 에너지 최적화 및 에너지 절감에 대한 연구가 활발히 진행되고 있다. 대형 건물의 경우 날씨 예측 정보와 건물 내 온도 변화, 그리고 건물의 구조 등을 종합적으로 판단하여 공조 장치를 동작시킴으로써 건물 내 사용자의 만족도를 유지하는 동시에 공조 에너지 비용을 절감하는 에너지 관리 기법이 활발히 연구 중이다. 특히 최근에는 지난 에너지 사용량을 기반으로 미래 에너지 사용량을 예측하고 이를 에너지 관리에 반영함으로써 에너지 비용 절감을 추구하는 기법이 새로이 연구되고 있다. 이러한 예측 기반 에너지 관리 기법은 예측 정확도에 성능이 크게 좌우되므로, 보다 정확한 에너지 사용량 예측 기법이 필요하다.
예측 모델 생성을 위한 입력값을 선택함에 있어서, 단순히 가장 최근의 동일 시간 대의 전력 정보를 선택하는 것이 아닌, 상관도 분석을 통하 상관도가 가장 높은 시간대의 전력 정보를 입력 정보로 선택하여 더 정확한 예측 모델을 생성하는 전력 수요 예측 시스템을 제공한다.
본 발명의 일 실시 예에 따른 전력 수요 예측 시스템은 시간대 별 전력 소비 정보와 예측하고자 하는 시간대를 위한 기준 전력 정보를 포함하는 전력 정보를 수집하는 전력 정보 수집부, 상기 기준 전력 정보와, 상기 시간대 별 전력 소비 정보를 비교하여 각각의 상관도를 분석하는 정보 분석부, 상관도 분석 결과에 따라 상관도가 상대적으로 높은 시간대의 전력 소비 정보를 전력 수요 예측 모델 생성을 위한 입력으로 선택하여 전력 수요 예측 모델을 생성하는 예측 모델 생성부 및 상기 전력 수요 예측 모델을 통해 예측하고자 하는 시간대의 전력 수요를 예측하는 전력 수요 예측부를 포함한다.
기계적으로 최근의 데이터를 사용하는 전력 수요 예측 모델보다 더 정확하게 전력 수요를 예측할 수 있다.
도 1은 본 발명의 일 실시 예에 따른 전력 수요 예측 시스템의 블록도이다.
도 2는 도 1에서 설명한 전력 수요 예측 시스템의 구체적인 동작을 설명하기 위한 블록도이다.
도 3은 예측하고자 하는 시간과 시간대 별 상관도를 보여주는 도면이다.
도 4는 예측하고자 하는 시간에 따른 상호 정보량이 높은 시간대의 순위를 보여준다.
도 5는 본 발명의 일 실시 예에 따른 전력 수요 예측 시스템의 동작 방법을 나타내는 흐름도이다.
도 6은 본 발명의 일 실시 예에 따른 전력 수요 예측 시스템의 성능을 보여준다.
이하에서는 도면을 참조하여 본 발명의 구체적인 실시예를 상세하게 설명한다. 그러나 본 발명의 사상은 이하의 실시예에 제한되지 아니하며, 본 발명의 사상을 이해하는 당업자는 동일한 사상의 범위 내에 포함되는 다른 실시예를 구성요소의 부가, 변경, 삭제, 및 추가 등에 의해서 용이하게 제안할 수 있을 것이나, 이 또한 본 발명 사상의 범위 내에 포함된다고 할 것이다.
첨부 도면은 발명의 사상을 이해하기 쉽게 표현하기 위하여 전체적인 구조를 설명함에 있어서는 미소한 부분은 구체적으로 표현하지 않을 수도 있고, 미소한 부분을 설명함에 있어서는 전체적인 구조는 구체적으로 반영되지 않을 수도 있다. 또한, 설치 위치 등 구체적인 부분이 다르더라도 그 작용이 동일한 경우에는 동일한 명칭을 부여함으로써, 이해의 편의를 높일 수 있도록 한다. 또한, 동일한 구성이 복수 개가 있을 때에는 어느 하나의 구성에 대해서만 설명하고 다른 구성에 대해서는 동일한 설명이 적용되는 것으로 하고 그 설명을 생략한다.
도 1은 본 발명의 일 실시 예에 따른 전력 수요 예측 시스템의 블록도이다.
도 1에 도시된 바와 같이, 본 발명의 일 실시 예에 따른 전력 수요 예측 시스템(100)은 전력 정보 수집부(110), 정보 분석부(120), 비전력 정보 수집부(130), 예측 모델 생성부(140) 및 전력 수요 예측부(150)을 포함할 수 있다.
전력 정보 수집부(110)은 전력 정보를 수집한다. 전력 정보 수집부(110)는 유무선 통신, 기록매체 또는 사용자 인터페이스를 통한 직접 입력을 통해 전력 정보를 수집할 수 있다.
전력 정보 수집부(110)가 수집하는 전력 정보는 시간대 별로 수집된 전력 소비 정보일 수 있다. 구체적으로 전력 정보 수집부(110)는 예측 시간 기준으로 과거 시간의 전력 소비 정보를 시간대 별로 수집할 수 있다. 예를 들어 전력 정보 수집부(110)는 1시간 단위의 전력 소비 정보를 수집할 수 있다.
또한, 전력 정보 수집부(110)는 요일 별로(예를 들어, 업무일(work-day)와 휴일(non-work-day)별로) 전력 소비 정보를 수집할 수 있다. 또한, 전력 정보 수집부(110)는 건물 특성 별로(예를 들어, 업무용 건물과 주거용 건물) 전력 소비 정보를 수집할 수도 있다.
전력 정보 수집부(110)는 메모리를 더 포함할 수 있다. 전력 정보 수집부(110)는 수집한 정보를 메모리에 저장할 수 있다.
정보 분석부(120)는 전력 정보 수집부(110)가 수집한 전력 정보를 분석한다. 구체적으로, 정보 분석부(120)는 수집한 전력 정보와 예측 대상과의 상호 정보량(mutual information) 또는 상관계수(correlation coefficient) 분석을 통해 각 정보간의 상관도를 분석한다. 여기에서 상호 정보량 및 상관계수는 양 정보간의 비정형 패턴의 유사 정도를 나타내며, 상호 정보량이 큰 경우 양 정보는 상관도가 높은 것으로 판단한다.
일 실시 예에서, 예측하고자하는 시간이 오늘 오전 8시인 경우, 정보 분석부(120)는 과거의 데이터에서 오전 8시의 전력 정보와 다른 시간대 별 전력 정보간의 상관도를 분석한다.
구체적인 실시 예에서, 정보 분석부(120)는 상관관계 비교를 위해 기준이 되는 전력 정보를 예측일로부터 2일 전의 전력 정보의 평균으로 설정한다. 예를 들어 10월 30일 8시의 전력 정보를 예측하고자 하는 경우 정보 분석부(120)는 10월 28일, 29일 양일간의 오전 8시의 전력 정보의 평균값을 기준 전력 정보로 설정할 수 있다. 그리고, 정보 분석부(120)는 기준 전력 정보와 과거 전력 정보를 비교하여 상관도를 획득할 수 있다. 또 다른 실시 예에서, 정보 분석부(120)는 기준 전력 정보를 예측일로부터 4일간의 전력 정보의 평균값으로 설정할 수도 있다. 예를 들어, 10월 30일 8시의 전력 정보를 예측하고자 하는 경우, 정보 분석부(120)는 10월 26일부터 29일까지 4일간의 오전 8시의 전력 정보의 평균값을 기준 정보로 설정할 수 있다.
또한, 정보 분석부(120)는 기준 전력 정보와 시간대별 과거 전력 정보를 비교하는 과정에 있어서, 기준 전력 정보와 시간대별 전력 정보 샘플을 비교하여 상관도를 예측할 수도 있으며, 기준 전력 정보와 복수의 전력 정보 샘플의 평균 값을 비교하여 상관도를 예측할 수도 있다.
일반적으로 오늘 오전 8시와 가장 상관 관계가 높은 시간은 예측일로부터 가장 가까운 날의 오전 8시라 생각할 수 있으나, 외부 변수의 영향으로 다른 시간대가 오히려 상관도가 높을 수 있다. 따라서, 본 발명의 일 실시 예에 따른 전력 수요 예측 시스템의 정보 분석부(120)는 수집한 전력 정보를 분석하여 예측 시간과 가장 상관도가 높은 시간대를 찾을 수 있다. 예측하고자 하는 시간대와 과거의 시간대 간 상관도를 계산하는 방법은 이하에서 상세하게 설명하고 여기에서는 설명을 생략한다.
비전력 정보 수집부(130)는 전력 정보 외 다른 정보를 수집한다. 비전력 정보는 전력 정보 수집부(110)가 수집한 전력 정보에 기초한 선형 모델을 보완하는 비선형적 요소에 관한 정보일 수 있다. 예를 들어, 비전력 정보는 날짜별 온도, 계절, 부하특징을 포함할 수 있다.
예측 모델 생성부(140)는 정보 분석부(120)에서 상관도를 기준으로 선택한 입력 변수 및 비전력 정보 수집부(130)로부터 획득한 비전력 정보에 기초하여 전력 소비 예측 모델을 생성한다.
구체적으로 예측 모델 생성부(140)는 우선 정보 분석부(120)에서의 분석 결과에 따라 입력 변수로 선택된 특정 시간 대의 전력 정보를 입력 변수로 하여 선형 예측 모델을 생성한다. 그리고, 예측 모델 생성부(140)는 비전력 정보에 기초하여 비선형 예측 모델을 생성한다. 예를 들어, 예측 모델 생성부(140)는 온도에 따른 전력 수요 예측 모델을 생성할 수 있다.
그리고 예측 모델 생성부(140)는 전력 정보에 기초한 선형 예측 모델에 비전력 정보에 기초한 비선형 예측 모델을 결합하여 전력 수요 예측 모델을 생성할 수 있다. 구체적인 실시 예에서, 예측 모델 생성부(140)는 선형 예측 모델을 중심으로 선형 예측 모델이 예측하지 못한 오차를 비선형 예측 모델로 예측하는 방식으로 전력 수요 예측 모델을 생성할 수 있다.
전력 수요 예측부(150)는 예측 모델 생성부(140)에서 생성한 모델에 기초하여 전력 수요를 예측할 수 있다. 구체적인 실시 예에서, 전력 수요 예측부(150)는 하루 전에 수행되는 다음날 전력 수요 예측을 위한 예측 모델에 기초하여 다음날의 전력 수요를 예측할 수 있다.
도 2는 도 1에서 설명한 전력 수요 예측 시스템의 구체적인 동작을 설명하기 위한 블록도이다.
도 2에 도시된 바와 같이, 정보 분석부(120)는 예측할 대상과 수집된 전력 정보간의 상관성을 분석한다. 구체적으로 정보 분석부(120)는 예측할 대상과 수집된 전력 정보간의 상호 정보량(joint mutual information)을 수학식 1과 같이 도출한다.
Figure 112017109828291-pat00001
여기에서 Yn은 예측할 대상의 전력 정보이며, Yi는 수집된 과거의 전력 정보이다. I는 상호 정보 값이다.
수학식 1을 통해 얻은 상호 정보량은 수학식 2에 따라 순위가 정해진다.
Figure 112017109828291-pat00002
정보 분석부(120)는 수학식 2에 따라 결정된 순위에서 순위가 높은 전력 정보들을 선형 예측 모델의 입력 변수로 선택하여 아래 수학식 3에 대입한다. 다시 말해서, 정보 분석부는 예측 대상의 전력 정보와의 상호 정보량을 가장 큰 값부터 내림차순으로 정렬하고, 가장 큰 값부터 일정 개수의 전력 정보를 선택한다. 여기에서 정보 분석부(120)는 가장 큰 상호 정보량을 기준으로 가장 큰 상호 정보와의 차가 임계값 이하인 전력 정보를 선택할 수 있다. 예를 들어 임계값이 (1) 로 설정된 경우, 가장 큰 상호 정보량을 갖는 시간대와 (1)이하의 차이를 갖는 상호 정보량을 갖는 시간대의 전력 정보가 입력 변수로 선택될 수 있다. 여기에서 임계값은 미리 설정되거나, 시스템 운용과정에서 입력/수정 될 수도 있다.
Figure 112017109828291-pat00003
수학식 3은 AR(Auto-regressive)모델을 이용한 선형 예측 모델이나, 본 발명에 서는 다른 선형 예측 모델(ARIMA, ARMA)를 사용할 수도 있다.
다만, 상술한 상호 정보 을 구하기 위해서는 전력 정보들의 확률 분포를 알아야 하는데, 일반적으로 확률분포를 모르는 경우가 대부분이다. 따라서, 수학식 4와 같이, 상호 정보량을 근사화하거나, bound를 통해서 추정해야 한다.
Figure 112017109828291-pat00004
여기에서
Figure 112017109828291-pat00005
은 근사화된 상호 정보량(approximated joint mutual information)를 의미한다. 그리고 근사화된 상호 정보량은 수학식 5에 따라 순위가 매겨진다.
Figure 112017109828291-pat00006
그리고 수학식 5에 따라 순위가 매겨진 상호 정보량을 기준으로 마찬가지로 높은 순위의 상호 정보량을 가진 시간대의 전력 정보가 아래 수학식 6에 따른 선형 예측 모델의 입력 변수로 선택된다. 선형 예측 모델의 입력 변수 선택은 상술한 바와 같다.
Figure 112017109828291-pat00007
여기서도 마찬가지로, AR 모델을 사용하였으나, 다른 선형 예측 모델의 적용도 가능하다.
도 3은 예측하고자 하는 시간과 시간대 별 상관도를 보여주는 도면이다.
도 3의 그래프에서 세로축은 예측하고자 하는 시간대를 나타내며, 가로축은 예측하고자 하는 시간대와 비교 대상이 되는 시간대를 나타낸다. 그리고 기호는 상관 순위를 나타낸다.
도 3에 도시된 바와 같이, 8시를 예측하고자 하는 경우, 8시와 가장 상관도가 높은 전날의 시간대는 9시인 것을 확인할 수 있다(가장 높은 우선 순위를 나타내는 원형의 기호로 표시). 따라서, 이 경우 오전 8시를 예측하고자하는 경우 전날의(또는 과거의) 8시의 전력 정보를 예측 모델의 입력 값으로 사용하는 것 보다 9시의 전력 정보를 예측 모델의 입력 값으로 사용하는 것이 더 정확한 예측 모델을 생성하는 방법이 될 수 있음을 알 수 있다.
도 4는 예측하고자 하는 시간에 따른 상호 정보량이 높은 시간대의 순위를 보여준다.
도 4에 도시된 바와 같이, 예측하고자 하는 시간에 따라 상호 정보량이 높은 시간대가 다르며 시간대별로 도 3에 도시된 바와 같이 특수한 패턴을 보일 수 있다.
예를 들어, 10시의 경우, 10시와 상호 정보량이 가장 높은 시간대는 11시인 것을 확인할 수 있으며, 10시는 두번째인 것을 확인할 수 있다. 따라서, 이러한 결과로부터 상호 정보량에 기초하여 입력 값을 선택하는 것이 예측 정확도를 높이는데 중요한 역할을 함을 알 수 있다.
도 5는 본 발명의 일 실시 예에 따른 전력 수요 예측 시스템의 동작 방법을 나타내는 흐름도이다.
전력 수요 예측 시스템은 전력 정보 및 환경 정보를 수집한다(S101). 여기에서 수집하는 전력 정보는 예측 시기을 기준으로 과거의 일정 기간 동안의 전력 소비 정보일 수 있다. 또한 환경 정보는 예측 시기를 기준으로 과거의 일정 기간 동안의 온도 정보, 부하 정보 또는 요일 정보 중 적어도 어느 하나를 포함할 수 있다.
전력 수요 예측 시스템은 수집된 전력 정보와 시간대 별 전력 정보간 상관성 및 비정형 주기성을 분석한다(S103). 구체적으로 전력 수요 예측 시스템은 전력 정보와 수집된 시간대 별 전력 정보를 비교하여 상호 정보량을 획득한다. 그리고 전력 수요 예측 시스템은 획득한 상호 정보량을 높은 값부터 내림차순으로 정렬하여 예측하고자 하는 시간대와 비교되는 시간대의 전력 정보간의 상관성 및 비정형 주기성을 분석한다.
전력 수요 예측 시스템은 분석 결과에 기초하여 상관성이 높은 시간의 전력 정보를 예측 모델 생성을 위한 입력 변수로 선택한다(S105). 구체적으로 전력 수요 예측 시스템은 상관성이 가장 높은 전력 정보부터 차례로 n개의 전력 정보를 입력 변수로 선택한다. 일 실시 예에서, 전력 수요 예측 시스템은 가장 높은 상호 정보 량을 갖는 시간대부터, 가상 높은 상호 정보량와 임계값 이하의 차를 갖는 상호 정보량을 갖는 시간대까지의 전력 정보를 입력 변수로 선택할 수 있다.
전력 수요 예측 시스템은 선택된 입력 변수 및 환경정보에 기초하여 전력 수요 정보 예측을 위한 예측 모델을 생성한다(S107). 구체적으로 전력 수요 예측 시스템은 선택된 전력 정보에 기초하여 선형 예측 모델을 생성하고, 생성된 예측 모델을 비선형적 요소로 보완하여 하이브리드형 전력 수요 예측 모델을 생성할 수 있다. 이때, 예측 모델 생성을 위해 AR(Auto-regressive)모델, ARMA 모델 또는 ARIMA 모델이 사용될 수 있으며, 알려진 다른 예측 모델이 사용될 수도 있다.
전력 수요 예측 시스템은 생성된 전력 수요 예측 모델에 기초하여 특정 시간대의 전력 수요를 예측한다(S109). 일 실시 예에서 전력 수요 예측 시스템은 생성된 전력 수요 예측 모델에 기초하여 예측하고자 하는 날의 하루 전에 다음날의 전력 수요를 예측할 수 있다.
도 6은 본 발명의 일 실시 예에 따른 전력 수요 예측 시스템의 성능을 보여준다.
도 6에 도시된 바와 같이, 본 발명의 일 실시 예에 따른 전력 수요 예측 시스템(도 6의 Most Informative)이 전체 예측 시간대에서 다른 기존에 알려진 알고리즘에 비해 가능 높은 성능을 나타냄을 알 수 있다.
전술한 본 발명은, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있으며, 또한 캐리어 웨이브(예를 들어, 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다.
따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다.

Claims (12)

  1. 시간대 별 전력 소비 정보와, 예측하고자 하는 시간대의 전력 수요를 예측하기 위한 기준 전력 정보를 포함하는 전력 정보를 수집하는 전력 정보 수집부;
    비전력 정보를 수집하는 비전력 정보 수집부;
    상기 기준 전력 정보와, 상기 시간대 별 전력 소비 정보를 비교하여 각각의 상관도를 분석하는 정보 분석부;
    상관도 분석 결과에 따라 상관도가 상대적으로 높은 시간대의 전력 소비 정보를 전력 수요 예측 모델 생성을 위한 입력으로 선택하여 전력 수요 예측 모델을 생성하는 예측 모델 생성부; 및
    상기 전력 수요 예측 모델을 통해 예측하고자 하는 시간대의 전력 수요를 예측하는 전력 수요 예측부를 포함하고,
    상기 예측 모델 생성부는, 상기 상관도가 상대적으로 높은 시간대의 전력 소비 정보에 기초한 선형 예측 모델과, 상기 비전력 정보에 기초한 비선형 예측 모델을 결합하여 상기 전력 수요 예측 모델을 생성하고, 상기 선형 예측 모델을 중심으로 상기 선형 예측 모델이 예측하지 못한 오차를 상기 비선형 예측 모델로 예측하는 것을 특징으로 하는
    전력 수요 예측 시스템.
  2. 제 1 항에 있어서,
    상기 기준 전력 정보는 예측하고자 하는 날로부터 과거로 2일간의 전력 소비 정보의 평균인
    전력 수요 예측 시스템.
  3. 제 1 항에 있어서,
    상기 정보 분석부는 기준 전력 정보와 전력 소비 정보간의 상호 정보량(mutual information)을 시간대별로 획득하고, 획득한 시간대별 상호 정보량 가장 큰 것부터 순위를 매긴 후, 가장 높은 순위부터 차례로 임의의 개수의 시간대별 전력 정보를 전력 수요 예측 모델을 위한 입력값으로 선택하는
    전력 수요 예측 시스템.
  4. 제 3 항에 있어서,
    상기 정보 분석부는 내림차순으로 정렬된 시간대에서 가장 높은 상호 정보 량을 기준으로 가장 높은 상호 정보량과의 차이가 임계값 이하인 상호 정보량을 갖는 시간대까지의 전력 소비 정보를 전력 수요 예측 모델을 위한 입력값으로 선택하는
    전력 수요 예측 시스템.
  5. 제 1 항에 있어서,
    상기 예측 모델 생성부는 AR(autoregressive) 모델, ARIMA(autoregressive integrated moving average) 모델 또는 ARMA(autoregressive moving average) 모델 중 어느 하나를 통해 전력 수요 예측 모델을 생성하는
    전력 수요 예측 시스템.
  6. 삭제
  7. 시간대 별 전력 소비 정보와, 예측하고자 하는 시간대의 전력 수요를 예측하기 위한 기준 전력 정보를 포함하는 전력 정보를 수집하는 단계;
    비전력 정보를 수집하는 단계;
    상기 기준 전력 정보와 상기 시간대 별 전력 소비 정보를 비교하여 각각의 상관도를 분석하는 단계;
    상관도 분석 결과에 따라 상관도가 상대적으로 높은 시간대의 전력 소비 정보를 전력 수요 예측 모델 생성을 위한 입력으로 선택하여 전력 수요 예측 모델을 생성하는 단계; 및
    상기 전력 수요 예측 모델을 통해 예측하고자 하는 시간대의 전력 수요를 예측하는 단계를 포함하고,
    상기 전력 수요 예측 모델을 생성하는 단계는,
    상기 상관도가 상대적으로 높은 시간대의 전력 소비 정보에 기초한 선형 예측 모델과, 상기 비전력 정보에 기초한 비선형 예측 모델을 결합하여 상기 전력 수요 예측 모델을 생성하고, 상기 선형 예측 모델을 중심으로 상기 선형 예측 모델이 예측하지 못한 오차를 상기 비선형 예측 모델로 예측하는 것을 특징으로
    전력 수요 예측 방법.
  8. 제 7 항에 있어서,
    상기 기준 전력 정보는 예측하고자 하는 날로부터 과거로 2일간의 전력 소비 정보의 평균인
    전력 수요 예측 방법.
  9. 제 7 항에 있어서,
    상기 상관도 분석 결과에 따라 상관도가 상대적으로 높은 시간대의 전력 소비 정보를 전력 수요 예측 모델 생성을 위한 입력으로 선택하여 전력 수요 예측 모델을 생성하는 단계는,
    기준 전력 정보와 전력 소비 정보간의 상호 정보량(mutual information)을 시간대별로 획득하고, 획득한 시간대별 상호 정보량을 가장 큰 것부터 순위를 매긴 후, 가장 높은 순위부터 차례로 임의의 개수의 시간대별 전력 정보를 전력 수요 예측 모델을 위한 입력값으로 선택하는 단계를 포함하는
    전력 수요 예측 방법.
  10. 제 9 항에 있어서,
    가장 높은 순위부터 차례로 임의의 개수를 전력 수요 예측 모델을 위한 입력값으로 선택하는 단계는
    내림차순으로 정렬된 시간대에서 가장 높은 상호 정보 량을 기준으로 가장 높은 상호 정보량과의 차이가 임계값 이하인 상호 정보량을 갖는 시간대까지의 전력 소비 정보를 전력 수요 예측 모델을 위한 입력값으로 선택하는
    전력 수요 예측 방법.
  11. 제 7 항에 있어서,
    상기 전력 수요 예측 모델을 생성하는 단계는
    AR(autoregressive) 모델, ARIMA(autoregressive integrated moving average) 모델 또는 ARMA(autoregressive moving average) 모델 중 어느 하나를 통해 전력 수요 예측 모델을 생성하는 단계를 포함하는
    전력 수요 예측 방법.
  12. 삭제
KR1020170146671A 2017-11-06 2017-11-06 전력 수요 예측 방법 및 그 시스템 KR102499240B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170146671A KR102499240B1 (ko) 2017-11-06 2017-11-06 전력 수요 예측 방법 및 그 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170146671A KR102499240B1 (ko) 2017-11-06 2017-11-06 전력 수요 예측 방법 및 그 시스템

Publications (2)

Publication Number Publication Date
KR20190051243A KR20190051243A (ko) 2019-05-15
KR102499240B1 true KR102499240B1 (ko) 2023-02-14

Family

ID=66579397

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170146671A KR102499240B1 (ko) 2017-11-06 2017-11-06 전력 수요 예측 방법 및 그 시스템

Country Status (1)

Country Link
KR (1) KR102499240B1 (ko)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210093015A (ko) 2020-01-17 2021-07-27 삼성전자주식회사 시계열 데이터 예측 방법 및 이를 포함하는 장치
KR102464083B1 (ko) 2020-07-21 2022-11-08 한국전력공사 장기 전력 수요 예측 시스템 및 방법, 이 방법을 저장한 컴퓨터 판독 가능 저장 매체
KR102503577B1 (ko) * 2020-08-21 2023-02-28 한국에너지기술연구원 에너지 관리 시스템 및 방법
CN112163723B (zh) * 2020-11-02 2023-09-12 西安热工研究院有限公司 基于情景划分的水电站中长期径流预测方法、介质及设备
CN116070804B (zh) * 2023-04-06 2023-07-14 国网冀北电力有限公司 基于知识图谱和数据驱动的电力系统负荷预测方法及装置

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015075794A1 (ja) * 2013-11-20 2015-05-28 株式会社 東芝 電力需要予測システム、電力需要予測方法、需要家プロファイリングシステム、及び需要家プロファイリング方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101854432B1 (ko) * 2011-06-23 2018-05-03 삼성전자주식회사 역광 프레임을 검출하고, 보정하는 방법 및 장치
KR101639402B1 (ko) * 2014-09-29 2016-07-13 한국전력공사 전력 수요 예측 장치 및 방법
KR20170069046A (ko) * 2015-12-10 2017-06-20 한국외국어대학교 연구산학협력단 기상 정보 기반의 전력 수요 예측 시스템

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015075794A1 (ja) * 2013-11-20 2015-05-28 株式会社 東芝 電力需要予測システム、電力需要予測方法、需要家プロファイリングシステム、及び需要家プロファイリング方法

Also Published As

Publication number Publication date
KR20190051243A (ko) 2019-05-15

Similar Documents

Publication Publication Date Title
KR102499240B1 (ko) 전력 수요 예측 방법 및 그 시스템
JP4596945B2 (ja) データセンタの需要予測システム、需要予測方法および需要予測プログラム
KR102358798B1 (ko) 에너지 수요 예측 방법 및 그 시스템
US20150317589A1 (en) Forecasting system using machine learning and ensemble methods
Chou et al. Hybrid machine learning system to forecast electricity consumption of smart grid-based air conditioners
Kim Modeling special-day effects for forecasting intraday electricity demand
JP6297466B2 (ja) 卸電力価格予測システムおよび卸電力価格予測方法
KR20140043184A (ko) 에너지 소비량 예측 장치 및 방법
JP2015082259A (ja) 時系列データ予測装置、時系列データ予測方法、及びプログラム
CN109409561B (zh) 多时间尺度时间序列协同预测模型的构建方法
Moniz et al. Resampling strategies for imbalanced time series
Abderrezak et al. Very short-term electricity demand forecasting using adaptive exponential smoothing methods
Zhao et al. Feature selection for support vector regression in the application of building energy prediction
KR102531242B1 (ko) 클러스터링 기법을 이용한 마이크로그리드 내 수용가 전력수요 예측장치 및 방법
JP2021039739A (ja) 予測装置、予測プログラム、及び予測方法
Lin et al. Predictive analytics for building power demand: Day-ahead forecasting and anomaly prediction
CN112396231A (zh) 针对时空数据的建模方法、装置、电子设备及可读介质
KR102202643B1 (ko) 에너지 사용량 예측 방법
KR102387284B1 (ko) 건강 영향의 심각도 및 사회경제적 취약성을 고려한 폭염영향 예측 장치 및 방법
KR102570248B1 (ko) 태양광 발전량 예측 시스템 및 방법
Ghassemi et al. Optimal surrogate and neural network modeling for day-ahead forecasting of the hourly energy consumption of university buildings
US10824119B2 (en) Intelligent energy switch
JP2018116700A (ja) 推定プログラム、推定方法および推定装置
KR101941003B1 (ko) 전력 수요 예측 방법 및 그 시스템
JP6461397B2 (ja) 卸電力価格予測システムおよび卸電力価格予測方法

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant