KR102531242B1 - Apparatus and method for predicting consumer power demand in microgrid using clustering technique - Google Patents

Apparatus and method for predicting consumer power demand in microgrid using clustering technique Download PDF

Info

Publication number
KR102531242B1
KR102531242B1 KR1020200177952A KR20200177952A KR102531242B1 KR 102531242 B1 KR102531242 B1 KR 102531242B1 KR 1020200177952 A KR1020200177952 A KR 1020200177952A KR 20200177952 A KR20200177952 A KR 20200177952A KR 102531242 B1 KR102531242 B1 KR 102531242B1
Authority
KR
South Korea
Prior art keywords
power
microgrid
clustering
control unit
data
Prior art date
Application number
KR1020200177952A
Other languages
Korean (ko)
Other versions
KR20220088534A (en
Inventor
오성문
박병철
정규창
Original Assignee
한국전자기술연구원
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 한국전자기술연구원 filed Critical 한국전자기술연구원
Priority to KR1020200177952A priority Critical patent/KR102531242B1/en
Publication of KR20220088534A publication Critical patent/KR20220088534A/en
Application granted granted Critical
Publication of KR102531242B1 publication Critical patent/KR102531242B1/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
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • 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

Abstract

본 발명은 클러스터링 기법을 이용한 마이크로그리드 내 수용가 전력수요 예측장치 및 방법이 개시된다. 본 발명의 전력수요 예측장치는 마이크로그리드 내의 수용가에 대한 전력 사용패턴 정보를 입력받는 입력부 및 입력부로부터 입력된 전력 사용패턴 정보를 클러스터링하여 전력사용 대표패턴을 생성하고, 전력사용 대표패턴별로 그룹핑된 데이터를 이용하여 예측모델을 생성하는 제어부를 포함한다.Disclosed is an apparatus and method for predicting consumer power demand in a microgrid using a clustering technique. The power demand predicting apparatus of the present invention generates a representative power use pattern by clustering the power use pattern information input from an input unit that receives power use pattern information for consumers in a microgrid, and data grouped by each representative power use pattern. It includes a control unit for generating a predictive model using.

Description

클러스터링 기법을 이용한 마이크로그리드 내 수용가 전력수요 예측장치 및 방법{Apparatus and method for predicting consumer power demand in microgrid using clustering technique}Apparatus and method for predicting consumer power demand in microgrid using clustering technique}

본 발명은 전력수요 예측장치에 관한 것이고, 더욱 상세하게는 클러스티링 기법을 이용하여 전력수요 예측의 성능을 향상시키는 클러스터링 기법을 이용한 마이크로그리드 내 수용가 전력수요 예측장치 및 방법에 관한 것이다.The present invention relates to an apparatus for predicting power demand, and more particularly, to an apparatus and method for predicting power demand for customers in a microgrid using a clustering technique to improve the performance of predicting electric power demand using a clustering technique.

종래의 전력수요 예측은 과거 데이터와 일반적으로 요일에 대한 정보를 반영하여 전력수요를 예측하였다. Conventional electricity demand forecasting predicts electricity demand by reflecting past data and generally information about the day of the week.

하지만 이러한 예측은 마이크로그리드 내의 수용가의 종류가 다양해지고, 분산전원 등이 보급됨에 따라 수용가의 전력 사용 패턴이 단순 요일로 구분되기 어려워졌다. 즉 단순 요일 정보만을 사용해서는 전력수요의 예측이 정확하지 않을 수 있고, 정확하지 않은 전력수요 예측은 잘못된 마이크로그리드의 전력수급 계획을 발생시킬 수 있다는 문제점이 야기되고 있다.However, as the types of customers in the microgrid diversify and distributed power sources spread, it is difficult to classify the customers' power usage patterns into simple days of the week. That is, using only simple day-of-week information, power demand prediction may not be accurate, and inaccurate power demand prediction may cause an incorrect power supply and demand plan of the microgrid.

공개특허공보 제10-2018-0061551호(2018.06.08.)Publication No. 10-2018-0061551 (2018.06.08.)

본 발명이 이루고자 하는 기술적 과제는 클러스터링 기법을 이용하여 데이터를 그룹화하고, 그룹별 데이터를 기초로 예측모델을 생성하여 전력수요를 예측하는 클러스터링 기법을 이용한 마이크로그리드 내 수용가 전력수요 예측장치 및 방법을 제공하는데 목적이 있다.The technical problem to be achieved by the present invention is to provide an apparatus and method for predicting consumer power demand in a microgrid using a clustering technique that groups data using a clustering technique and predicts electricity demand by generating a prediction model based on the data for each group. has a purpose to

상기 목적을 달성하기 위해 클러스터링 기법을 이용한 마이크로그리드 내 수용가 전력수요 예측장치는 마이크로그리드 내의 수용가에 대한 전력 사용패턴 정보를 입력받는 입력부 및 상기 입력부로부터 입력된 전력 사용패턴 정보를 클러스터링하여 전력사용 대표패턴을 생성하고, 상기 전력사용 대표패턴별로 그룹핑된 데이터를 이용하여 예측모델을 생성하는 제어부를 포함한다.In order to achieve the above object, an apparatus for estimating power demand by consumers in a microgrid using a clustering technique clusters an input unit that receives power usage pattern information for customers in a microgrid and the power usage pattern information input from the input unit to cluster representative patterns of power use. and a control unit generating a predictive model using data grouped for each representative power usage pattern.

또한 상기 제어부는, 상기 생성된 예측모델을 이용하여 상기 그룹핑된 데이터별로 전력수요에 대한 예측을 하는 것을 특징으로 한다.In addition, the controller may predict power demand for each of the grouped data using the generated prediction model.

또한 상기 제어부는, 상기 전력 사용패턴 정보에 포함된 일일 전력데이터에서 부하시간대의 통계값인 평균, 최대, 최소, 첨도 및 왜도 중 적어도 하나를 클러스터링 파라미터로 선정하여 상기 클러스터링을 수행하는 것을 특징으로 한다.In addition, the control unit performs the clustering by selecting at least one of average, maximum, minimum, kurtosis, and skewness, which are statistical values of the load time period, as a clustering parameter in the daily power data included in the power usage pattern information. do.

또한 상기 제어부는, 기계학습 중 회귀특성을 이용하여 상기 예측모델을 생성하는 것을 특징으로 한다.In addition, the controller may generate the predictive model by using regression characteristics during machine learning.

또한 상기 제어부는, 시계열 데이터의 특성에 따라 과거 데이터를 입력으로 더 이용하여 상기 예측모델을 생성하는 것을 특징으로 한다.In addition, the control unit may further use past data as an input according to characteristics of time series data to generate the predictive model.

본 발명에 따른 클러스터링 기법을 이용한 마이크로그리드 내 수용가 전력수요 예측방법은 전력수요 예측장치가 전력 사용패턴 정보를 클러스터링하여 전력사용 대표패턴을 생성하는 단계 및 상기 전력수요 예측장치가 상기 전력사용 대표패턴별로 그룹핑된 데이터를 이용하여 예측모델을 생성하는 단계를 포함한다.A method for predicting power demand in a microgrid using a clustering technique according to the present invention includes the steps of generating a representative power use pattern by clustering power use pattern information by a power demand predictor, and the power demand predictor for each representative power use pattern and generating a predictive model using the grouped data.

또한 상기 전력사용 대표패턴을 생성하는 단계 이전에, 상기 전력수요 예측장치가 마이크로그리드 내의 수용가에 대한 전력 사용패턴 정보를 입력받는 단계를 더 포함하는 것을 특징으로 한다.In addition, before the step of generating the representative power use pattern, the power demand predicting device may further include receiving power use pattern information about customers in the microgrid.

또한 상기 예측모델을 생성하는 단계 이후에, 상기 생성된 예측모델을 이용하여 상기 그룹핑된 데이터별로 전력수요에 대한 예측을 하는 단계를 더 포함하는 것을 특징으로 한다.The method may further include, after generating the predictive model, predicting power demand for each grouped data using the generated predictive model.

본 발명의 클러스터링 기법을 이용한 마이크로그리드 내 수용가 전력수요 예측장치 및 방법은 클러스터링 기법을 이용하여 데이터를 그룹화하고, 그룹별 데이터를 기초로 예측모델을 생성하여 전력수요를 예측함으로써, 예측 성능을 향상시킬 수 있다.The apparatus and method for predicting power demand by customers in a microgrid using the clustering technique of the present invention group data using the clustering technique and predict power demand by generating a prediction model based on the data for each group, thereby improving the prediction performance. can

또한 클러스터별 예측모델을 생성하여 수용가별 맞춤형 전력수요 예측을 할 수 있다.In addition, by creating a prediction model for each cluster, it is possible to predict customized power demand for each customer.

또한 마이크로그리드 내의 대표적인 전력사용 대표패턴을 생성함으로써, 전력사용 대표패턴을 향후 수요관리를 위해 추가적으로 활용할 수 있다. In addition, by generating a representative power use pattern within the microgrid, the representative power use pattern can be additionally utilized for future demand management.

도 1은 본 발명의 실시예에 따른 전력수요 예측장치를 설명하기 위한 블록도이다.
도 2는 본 발명의 실시예에 따른 전력수요 예측과정을 설명하기 위한 도면이다.
도 3은 본 발명의 실시예에 따른 전력수요 예측방법을 설명하기 위한 순서도이다.1 is a block diagram for explaining an apparatus for predicting power demand according to an embodiment of the present invention.
2 is a diagram for explaining a power demand prediction process according to an embodiment of the present invention.
3 is a flowchart illustrating a method for predicting power demand according to an embodiment of the present invention.

본 발명은 [표 1]에 기재된 과제의 지원을 받아 출원을 진행하는 것이다.The present invention is to proceed with an application with the support of the tasks described in [Table 1].

과제고유번호Assignment identification number P0002134P0002134 부처명Buddha name 산업부Ministry of Industry 과제관리(전문)기관명Assignment management (professional) institution name 한국산업기술진흥원Korea Institute for Advancement of Technology 연구사업명Research project name 경제협력권산업육성사업Economic Cooperation Zone Industry Promotion Project 연구과제명Title of research project (R)인공지능 기반 계통연계형 Micro-grid 수요관리시스템 개발(R) AI-based grid-connected micro-grid demand management system development 기여율contribution rate 1/11/1 과제수행기관명Name of the institution performing the task ㈜그린이엔에스Green E&S Co., Ltd. 연구기관research institute 2018.04.01. ~ 2020.12.31.2018.04.01. ~ 2020.12.31.

이하 본 발명의 실시예를 첨부된 도면들을 참조하여 상세히 설명한다. 우선 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의한다. 또한 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 당업자에게 자명하거나 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.Hereinafter, embodiments of the present invention will be described in detail with reference to the accompanying drawings. First, in adding reference numerals to the components of each drawing, it should be noted that the same components have the same numerals as much as possible even if they are displayed on different drawings. In addition, in describing the present invention, if it is determined that a detailed description of a related known configuration or function is obvious to those skilled in the art or may obscure the gist of the present invention, the detailed description will be omitted.

도 1은 본 발명의 실시예에 따른 전력수요 예측장치를 설명하기 위한 블록도이고, 도 2는 본 발명의 실시예에 따른 전력수요 예측과정을 설명하기 위한 도면이다.1 is a block diagram for explaining an apparatus for predicting power demand according to an embodiment of the present invention, and FIG. 2 is a diagram for explaining a process for predicting power demand according to an embodiment of the present invention.

도 1 및 도 2를 참조하면, 전력수요 예측장치(100)는 클러스터링 기법을 이용하여 데이터를 그룹화하고, 그룹별 데이터를 기초로 예측모델을 생성하여 전력수요를 예측한다. 전력수요 예측장치(100)는 입력부(10) 및 제어부(30)를 포함하고, 출력부(50) 및 저장부(70)를 더 포함할 수 있다.Referring to FIGS. 1 and 2 , the apparatus 100 for predicting power demand predicts power demand by grouping data using a clustering technique and generating a prediction model based on the data for each group. The power demand predicting device 100 includes an input unit 10 and a control unit 30, and may further include an output unit 50 and a storage unit 70.

입력부(10)는 마이크로그리드 내의 수용가에 대한 전력 사용패턴 정보(41)를 입력받는다. 여기서 전력 사용패턴 정보(41)는 전력이 사용되는 패턴을 나타내는 정보로써, 에너지의 사용목적 및 분야에 따라 용량 및 패턴이 상이하게 나타난다. The input unit 10 receives power usage pattern information 41 for consumers in the microgrid. Here, the power use pattern information 41 is information representing a pattern of power use, and the capacity and pattern appear differently depending on the purpose and field of energy use.

제어부(30)는 입력부(10)로부터 입력된 전력 사용패턴 정보(41)를 클러스터링하여 전력사용 대표패턴을 생성한다. 제어부(30)는 전력 사용패턴 정보(41) 중 유사한 전기 사용패턴을 가진 고객을 그룹화하고, 그룹화된 고객을 이용하여 해당 마이크로그리드의 수용가에 대한 대표적인 전력사용 패턴인 전력사용 대표패턴을 생성할 수 있다. 제어부(30)는 생성된 전력사용 대표패턴을 이용하여 보다 효율적이고 정확한 전력수요 예측을 가능하게 한다. The control unit 30 clusters the power use pattern information 41 input from the input unit 10 to generate a representative power use pattern. The control unit 30 may group customers with similar electricity usage patterns among the power usage pattern information 41 and generate a representative power usage pattern, which is a representative power usage pattern for consumers of the microgrid, using the grouped customers. there is. The control unit 30 enables more efficient and accurate prediction of power demand using the generated representative pattern of power use.

상세하게는 제어부(30)는 고객별 일일 전력 사용패턴을 정규화하여 클러스터링을 수행한다. 여기서 데이터를 정규화하지 않을 경우, 클러스터링 결과가 전력 사용패턴을 구분 짓기보다는 전력수요의 크기에 따른 클러스터링 결과가 생성되는 문제점이 발생될 수 있다. 따라서 제어부(30)는 클러스터링 수행 이전에 정규화를 [수학식 1]과 같이 수행한다. 여기서 일일 전력사용량의 합은 1이 된다.In detail, the control unit 30 performs clustering by normalizing daily power usage patterns for each customer. If the data is not normalized here, a clustering result may be generated according to the magnitude of power demand rather than classifying the power usage pattern. Therefore, the control unit 30 performs normalization as shown in [Equation 1] before performing clustering. Here, the sum of daily electricity consumption is 1.

Figure 112020137732818-pat00001
Figure 112020137732818-pat00001

여기서 vt는 t시간에 정규화된 전력 사용량을 의미하고, Pt는 t시간의 전력 사용량을 의미한다.Here, v t means normalized power usage at time t, and P t means power usage at time t.

제어부(30)는 클러스터링을 수행할 때, 데이터의 차원을 축소하고, 각 부하시간대의 특징을 반영하기 위해 전력 사용패턴 정보에 포함된 일일 전력데이터에서 [표 2]와 같은 부하시간대에 대한 통계값인 평균, 최대, 최소, 첨도 및 왜도 중 적어도 하나를 클러스터링 파라미터로 선정하여 클러스터링을 수행한다.When clustering is performed, the control unit 30 reduces the dimension of data and reflects the characteristics of each load time period, in the daily power data included in the power usage pattern information, statistical values for load times as shown in [Table 2]. Clustering is performed by selecting at least one of average, maximum, minimum, kurtosis, and skewness as a clustering parameter.

구 분division 여름, 봄, 가을summer, spring, autumn 겨울winter 경부하light load 23:00 ~ 09:0023:00 ~ 09:00 23:00 ~ 09:0023:00 ~ 09:00 중간부하medium load 09:00 ~ 10:00
12:00 ~ 13:00
17:00 ~ 23:0009:00 ~ 10:00
12:00 ~ 13:00
17:00 ~ 23:00 09:00 ~ 10:00
12:00 ~ 17:00
20:00 ~ 22:0009:00 ~ 10:00
12:00 ~ 17:00
20:00 ~ 22:00 최대부하maximum load 10:00 ~ 12:00
13:00 ~ 17:0010:00 ~ 12:00
13:00 ~ 17:00 10:00 ~ 12:00
17:00 ~ 20:00
22:00 ~ 23:0010:00 ~ 12:00
17:00 ~ 20:00
22:00 ~ 23:00

제어부(30)는 클러스터링을 일반적으로 널리 사용되는 K-means 클러스터링(43)을 이용할 수 있다. K-means 알고리즘은 다음과 같이 동작을 한다. 제1 단계는 클러스터 개수 k값을 선택하고, 데이터가 분포된 공간상에 클러스터 중심으로 가정할 임의의 지점을 k개 선택한다. 제2 단계는 임의로 선택한 k개의 클러스터 중심과 개별 데이터 사이의 거리를 산출한다. 여기서 개별 데이터는 가장 가깝게 있는 클러스터 중심을 그 데이터가 소속되는 클러스터로 할당한다. 제3 단계는 클러스터에 속하게 된 데이터들의 평균값을 새로운 클러스터 중심으로 둔다. 제4 단계는 제2 단계 및 제3 단계를 알고리즘이 수렴할 때까지 반복수행한다. 여기서 수렴의 의미는 클러스터 중심이 더 이상 변화가 없음을 의미한다. 즉 K-means 알고리즘은 최적의 K를 결정하기 위해서 실루엣 스코어를 통해 클러스터링 결과를 평가하여 최적의 K를 결정한다. 여기서 실루엣 스코어는 클러스터링 결과를 평가하는 지표로서, 0과 1 사이의 값을 가지고 1에 가까울수록 클러스터링의 결과가 좋음을 나타내는 지표이다. 실루엣 계수는 [수학식 2]와 같이 산출될 수 있다.The control unit 30 may use K-means clustering 43, which is widely used for clustering. The K-means algorithm works as follows. In the first step, the number k of clusters is selected, and k random points to be assumed as cluster centers are selected in the space where data is distributed. The second step calculates the distances between randomly selected k cluster centers and individual data. Here, the cluster center closest to individual data is assigned as the cluster to which the data belongs. In the third step, the average value of the data belonging to the cluster is set as the center of the new cluster. Step 4 repeats steps 2 and 3 until the algorithm converges. Here, convergence means that the cluster center does not change any more. That is, the K-means algorithm determines the optimal K by evaluating the clustering result through the silhouette score in order to determine the optimal K. Here, the silhouette score is an index for evaluating the clustering result, and has a value between 0 and 1, and the closer to 1, the better the clustering result. The silhouette coefficient can be calculated as in [Equation 2].

Figure 112020137732818-pat00002
Figure 112020137732818-pat00002

여기서 a(i)는 클러스터 내의 데이터 응집도를 의미하고, b(i)는 클러스터 간의 분리도를 의미한다. 이때 클러스터 개수가 최적화 되어 있다면 b(i)값은 커지고, a(i)값은 작아진다.Here, a (i) refers to the degree of data cohesion within a cluster, and b (i) refers to the degree of separation between clusters. At this time, if the number of clusters is optimized, the value of b (i) increases and the value of a (i) decreases.

제어부(30)는 K-means 클러스터링(43)을 수행하여 전력망에 속해있는 수용가에 대해 k개의 전력사용 대표패턴을 생성하고, 생성된 k개의 전력사용 대표패턴을 이용하여 k개 그룹(45a, 45b, 45c, 45d)으로 데이터를 그룹화(45)한 후, 각 그룹의 데이터를 이용하여 전력수요에 대한 예측모델(47)을 생성한다. 여기서 제어부(30)는 k개의 그룹에 대응되도록 예측모델(47)도 k개의 예측모델(47a, 47b, 47c, 47d)를 생성할 수 있다.The control unit 30 performs K-means clustering 43 to generate k representative power use patterns for consumers belonging to the power grid, and uses the generated k representative power use patterns to generate k groups 45a and 45b. , 45c, 45d), after grouping the data (45), a prediction model (47) for power demand is created using the data of each group. Here, the control unit 30 may also generate k prediction models 47a, 47b, 47c, and 47d of the prediction model 47 to correspond to the k groups.

제어부(30)는 기계학습 중 회귀특성을 이용하여 예측모델(47)을 생성할 수 있다. 예를 들어 제어부(30)는 MLP 모델, LSTM 모델, RF 모델, SVR 모델 등의 모델을 이용하여 생성할 수 있다. 이를 통해 제어부(30)는 특정 수용가에 대한 전력수요를 예측할 경우, 수용가가 속한 클러스터에 맞는 예측모델을 이용하여 전력수요에 대한 예측을 수행할 수 있다. 즉 제어부(30)는 예측모델을 이용하여 그룹핑된 데이터별로 전력수요에 대한 예측할 수 있다.The control unit 30 may generate the predictive model 47 using regression characteristics during machine learning. For example, the control unit 30 may generate using a model such as an MLP model, an LSTM model, an RF model, and an SVR model. Through this, when predicting the power demand for a specific consumer, the control unit 30 can predict the power demand using a prediction model suitable for a cluster to which the consumer belongs. That is, the control unit 30 may predict power demand for each grouped data using a predictive model.

또한 제어부(30)는 시계열 데이터의 특성에 따라 과거 데이터를 입력으로 더 이용하여 예측모델(47)을 생성할 수 있다. 즉 제어부(30)는 예측모델의 성능이 과거 데이터의 사용 개수에 따라 달라지는 성질을 기반으로 교차 검증하여 최적의 과거 데이터 개수를 결정하고, 결정된 결과를 이용하여 예측모델(47)의 성능을 추가적으로 향상시킬 수 있다.In addition, the control unit 30 may further use past data as an input according to characteristics of time series data to generate the predictive model 47 . That is, the control unit 30 determines the optimal number of past data by cross-verifying based on the property that the performance of the predictive model varies according to the number of used past data, and further improves the performance of the predictive model 47 using the determined result. can make it

출력부(50)는 입력부(10)로부터 입력된 전력 사용패턴 정보를 출력하고, 제어부(30)로부터 예측된 전력수요를 출력한다. 출력부(50)는 전력수요를 출력할 때 수치뿐만 아니라, 그래프, 그림 등을 이용하여 출력할 수 있다.The output unit 50 outputs the power usage pattern information input from the input unit 10 and outputs the predicted power demand from the control unit 30 . When outputting the power demand, the output unit 50 may output not only numerical values, but also graphs, pictures, and the like.

저장부(70)는 전력수요 예측장치(100)를 구동하기 위한 알고리즘 또는 프로그램이 저장된다. 저장부(70)는 입력부(10)로부터 입력된 전력 사용패턴 정보이 저장되고, 제어부(30)로부터 생성된 전력사용 대표패턴 및 예측모델이 저장된다. 또한 저장부(70)는 제어부(30)로부터 예측된 전력수요요가 저장된다. 저장부(70)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기메모리, 자기 디스크 및 광디스크 중 적어도 하나의 저장매체를 포함할 수 있다. The storage unit 70 stores an algorithm or program for driving the power demand predictor 100 . The storage unit 70 stores power usage pattern information input from the input unit 10 and stores representative patterns and prediction models of power usage generated from the control unit 30 . In addition, the storage unit 70 stores the predicted power demand from the control unit 30 . The storage unit 70 is a flash memory type, a hard disk type, a multimedia card micro type, a card type memory (eg SD or XD memory, etc.), RAM (Random Access Memory, RAM), SRAM (Static Random Access Memory), ROM (Read-Only Memory, ROM), EEPROM (Electrically Erasable Programmable Read-Only Memory), PROM (Programmable Read-Only Memory), magnetic memory, It may include at least one storage medium of a magnetic disk and an optical disk.

상술된 바와 같이 전력수요 예측장치(100)는 예측모델이 비슷한 경향성을 가진 데이터를 이용하여 훈련함으로써, 예측모델에 데이터의 특성을 적합하게 반영하고, 데이터의 분산이 작아짐에 따라 보다 일반화된 예측모델을 생성할 수 있어 예측 성능을 향상시킬 수 있다. 또한 전력수요 예측장치(100)는 마이크로그리드의 수요관리 계획을 수립하는데 있어 전력사용 대표패턴을 활용할 수 있다. 예를 들어 전력수요 예측장치(100)는 전력사용 감축을 위해 특정 클러스터에 속한 수용가들의 경우, 감축가능 용량이 다른 클러스터에 속한 클러스터보다 높게 나타날 수 있다. 이를 통해 마이크로그리드 운영자는 감축을 우선적으로 수행할 수 있는 수용가를 선별할 수 있다.As described above, the power demand predicting apparatus 100 trains the predictive model using data having similar tendencies, thereby suitably reflecting the characteristics of the data in the predictive model and becoming a more generalized predictive model as the variance of the data decreases. can be generated to improve prediction performance. In addition, the power demand forecasting device 100 may utilize a representative power usage pattern in establishing a microgrid demand management plan. For example, the power demand predicting apparatus 100 may indicate that customers belonging to a specific cluster have a higher reduction capacity than clusters belonging to other clusters in order to reduce power consumption. Through this, microgrid operators can select customers who can prioritize reduction.

도 3은 본 발명의 실시예에 따른 전력수요 예측방법을 설명하기 위한 순서도이다.3 is a flowchart illustrating a method for predicting power demand according to an embodiment of the present invention.

도 1 및 도 3을 참조하면, 전력수요 예측방법은 클러스터링 기법을 이용하여 데이터를 그룹화하고, 그룹별 데이터를 기초로 예측모델을 생성하여 전력수요를 예측함으로써, 예측 성능을 향상시킬 수 있다. 전력수요 예측방법은 클러스터별 예측모델을 생성하여 수용가별 맞춤형 전력수요 예측을 할 수 있다. 전력수용 예측방법은 마이크로그리드 내의 대표적인 전력사용 대표패턴을 생성함으로써, 전력사용 대표패턴을 향후 수요관리를 위해 추가적으로 활용할 수 있다. Referring to FIGS. 1 and 3 , the power demand prediction method can improve prediction performance by grouping data using a clustering technique and predicting power demand by generating a prediction model based on the data for each group. The power demand forecasting method can generate a prediction model for each cluster to predict customized power demand for each customer. The power demand prediction method creates a representative power use pattern within the microgrid, so that the representative power use pattern can be additionally used for demand management in the future.

S110 단계에서, 전력수요 예측장치(100)는 전력사용 대표패턴을 생성한다. 전력수용 예측장치(100)는 전력 사용패턴 정보를 클러스터링하여 전력사용 대표패턴을 생성한다. 상세하게는 전력수요 예측장치(100)는 전력 사용패턴 정보 중 유사한 전기 사용패턴을 가진 고객을 그룹화하고, 그룹화된 고객을 이용하여 해당 마이크로그리드의 수용가에 대한 대표적인 전력사용 패턴인 전력사용 대표패턴을 생성할 수 있다. In step S110, the power demand predicting apparatus 100 generates a representative power usage pattern. The power acceptance predicting apparatus 100 generates a representative power use pattern by clustering power use pattern information. In detail, the power demand forecasting device 100 groups customers with similar electricity usage patterns among the power usage pattern information, and uses the grouped customers to determine a representative power usage pattern, which is a representative power usage pattern for consumers of the microgrid. can create

이때 전력수요 예측장치(100)는 전력 사용패턴 정보를 전력사용 대표패턴을 생성하기 이전에 미리 입력받을 수 있다.In this case, the power demand predicting apparatus 100 may receive power usage pattern information in advance before generating a representative power usage pattern.

S120단계에서, 전력수요 예측장치(100)는 클러스링별 예측모델을 생성한다. 전력수용 예측장치(100)는 생성된 전력사용 대표패턴별로 그룹핑된 데이터를 이용하여 예측모델을 생성한다. 이때 예측모델은 기계학습 중 회귀특성을 이용하여 생성될 수 있다. 전력수용 예측장치(100)는 생성된 예측모델을 이용하여 보다 효율적이고 정확한 전력수요 예측을 한다. In step S120, the power demand predicting apparatus 100 generates a prediction model for each cluster ring. The power acceptance predicting apparatus 100 generates a predictive model using data grouped for each generated representative power use pattern. In this case, the predictive model may be generated using regression characteristics during machine learning. The power acceptance predicting apparatus 100 makes a more efficient and accurate power demand prediction using the generated prediction model.

본 발명의 실시 예에 따른 방법은 컴퓨터 프로그램 명령어와 데이터를 저장하기에 적합한 컴퓨터로 판독 가능한 매체의 형태로 제공될 수도 있다. 이러한, 컴퓨터가 읽을 수 있는 기록매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있으며, 컴퓨터 시스템에 의해 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 기록매체의 예로는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(Magnetic Media), CD-ROM(Compact Disk Read Only Memory), DVD(Digital Video Disk)와 같은 광기록 매체(Optical Media), 플롭티컬 디스크(Floptical Disk)와 같은 자기-광 매체(Magneto-Optical Media) 및 롬(ROM, Read Only Memory), 램(RAM, Random Access Memory), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치를 포함한다. 또한, 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다. 그리고, 본 발명을 구현하기 위한 기능적인(functional) 프로그램, 코드 및 코드 세그먼트들은 본 발명이 속하는 기술분야의 프로그래머들에 의해 용이하게 추론될 수 있다.The method according to an embodiment of the present invention may be provided in the form of a computer readable medium suitable for storing computer program instructions and data. Such a computer-readable recording medium may include program commands, data files, data structures, etc. alone or in combination, and includes all types of recording devices storing data that can be read by a computer system. Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks and magnetic tapes, optical recording media such as CD-ROMs (Compact Disk Read Only Memory) and DVDs (Digital Video Disks). Optical media), magneto-optical media such as floptical disks, and program instructions such as ROM (Read Only Memory), RAM (RAM, Random Access Memory), flash memory, etc. and a hardware device specially configured to do so. In addition, the computer-readable recording medium is distributed in computer systems connected through a network, so that computer-readable codes can be stored and executed in a distributed manner. In addition, functional programs, codes, and code segments for implementing the present invention can be easily inferred by programmers in the technical field to which the present invention belongs.

이상으로 본 발명의 기술적 사상을 예시하기 위한 바람직한 실시예와 관련하여 설명하고 도시하였지만, 본 발명은 이와 같이 도시되고 설명된 그대로의 구성 및 작용에만 국한되는 것은 아니며, 기술적 사상의 범주를 이탈함없이 본 발명에 대해 다수의 변경 및 수정이 가능함을 당업자들은 잘 이해할 수 있을 것이다. 따라서 그러한 모든 적절한 변경 및 수정과 균등물들도 본 발명의 범위에 속하는 것으로 간주되어야 할 것이다. Although the above has been described and illustrated in relation to preferred embodiments for illustrating the technical idea of the present invention, the present invention is not limited to the configuration and operation as shown and described in this way, without departing from the scope of the technical idea. It will be readily apparent to those skilled in the art that many changes and modifications can be made to the present invention. Accordingly, all such appropriate changes and modifications and equivalents should be regarded as falling within the scope of the present invention.

10: 입력부
30: 제어부
50: 출력부
70: 저장부
100: 전력수요 예측장치10: input unit
30: control unit
50: output unit
70: storage unit
100: power demand predictor

Claims (8)

마이크로그리드 내의 수용가에 대한 전력 사용패턴 정보를 입력받는 입력부; 및
상기 입력부로부터 입력된 전력 사용패턴 정보를 클러스터링하여 전력사용 대표패턴을 생성하고, 상기 전력사용 대표패턴별로 그룹핑된 데이터를 이용하여 예측모델을 생성하는 제어부;를 포함하되,
상기 제어부는,
기계학습 중 회귀특성을 이용하여 상기 예측모델을 생성함과 아울러, 시계열 데이터의 특성에 따라 과거 데이터를 입력으로 더 이용하여 상기 예측모델을 생성하고, 상기 클러스터링을 수행하기 이전에 다음의 수학식에 따라 정규화를 수행하고,
상기 제어부는,
상기 전력 사용패턴 정보 중 유사한 전기 사용패턴을 가진 고객을 그룹화하되, 그룹화된 고객을 이용하여 해당 마이크로그리드의 수용가에 대한 상기 전력사용 대표패턴을 생성하고,
상기 제어부는,
상기 예측모델의 성능이 과거 데이터의 사용 개수에 따라 달라지는 성질을 기반으로 교차 검증하여 최적의 과거 데이터 개수를 결정하고, 상기 결정된 결과를 이용하여 상기 예측모델의 성능을 추가적으로 향상시키는
클러스터링 기법을 이용한 마이크로그리드 내 수용가 전력수요 예측장치.

Figure 112023042207105-pat00008

여기서, vt : t시간에 정규화된 전력 사용량, Pt : t시간의 전력 사용량an input unit that receives power usage pattern information about consumers in the microgrid; and
A control unit clustering the power use pattern information input from the input unit to generate a representative power use pattern, and generating a prediction model using data grouped by the representative power use pattern;
The control unit,
In addition to generating the predictive model using regression characteristics during machine learning, the predictive model is generated by further using past data as input according to the characteristics of time series data, and before performing the clustering, the following equation Perform normalization according to
The control unit,
Among the power usage pattern information, customers with similar electricity usage patterns are grouped, and the representative power usage pattern for the consumer of the microgrid is generated using the grouped customers,
The control unit,
Determine the optimal number of past data by cross-verifying based on the property that the performance of the predictive model varies according to the number of used past data, and further improve the performance of the predictive model using the determined result
A device for predicting consumer power demand in microgrid using clustering technique.

Figure 112023042207105-pat00008

Where, v t : normalized power usage at time t, P t : power usage at time t 제 1항에 있어서,
상기 제어부는,
상기 생성된 예측모델을 이용하여 상기 그룹핑된 데이터별로 전력수요에 대한 예측을 하는 것을 특징으로 하는 클러스터링 기법을 이용한 마이크로그리드 내 수용가 전력수요 예측장치.According to claim 1,
The control unit,
A consumer power demand prediction device in a microgrid using a clustering technique, characterized in that for predicting power demand for each grouped data using the generated prediction model. 제 1항에 있어서,
상기 제어부는,
상기 전력 사용패턴 정보에 포함된 일일 전력데이터에서 부하시간대의 통계값인 평균, 최대, 최소, 첨도 및 왜도 중 적어도 하나를 클러스터링 파라미터로 선정하여 상기 클러스터링을 수행하는 것을 특징으로 하는 클러스터링 기법을 이용한 마이크로그리드 내 수용가 전력수요 예측장치.According to claim 1,
The control unit,
In the daily power data included in the power usage pattern information, at least one of the average, maximum, minimum, kurtosis, and skewness, which are statistical values of the load time period, is selected as a clustering parameter to perform the clustering. Using a clustering technique, characterized in that Consumer electricity demand forecasting device in microgrid. 삭제delete 삭제delete 삭제delete 삭제delete 삭제delete
KR1020200177952A 2020-12-18 2020-12-18 Apparatus and method for predicting consumer power demand in microgrid using clustering technique KR102531242B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200177952A KR102531242B1 (en) 2020-12-18 2020-12-18 Apparatus and method for predicting consumer power demand in microgrid using clustering technique

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200177952A KR102531242B1 (en) 2020-12-18 2020-12-18 Apparatus and method for predicting consumer power demand in microgrid using clustering technique

Publications (2)

Publication Number Publication Date
KR20220088534A KR20220088534A (en) 2022-06-28
KR102531242B1 true KR102531242B1 (en) 2023-05-12

Family

ID=82268180

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200177952A KR102531242B1 (en) 2020-12-18 2020-12-18 Apparatus and method for predicting consumer power demand in microgrid using clustering technique

Country Status (1)

Country Link
KR (1) KR102531242B1 (en)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102532168B1 (en) 2022-08-24 2023-05-15 주식회사 그리다에너지 Ac power distribution system between distributed load nodes in microgrid
CN116502056B (en) * 2023-05-23 2023-09-12 浙江天行健水务有限公司 Drinking water filtering method and device
CN116883059B (en) * 2023-09-06 2023-11-28 山东德源电力科技股份有限公司 Distribution terminal management method and system

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101761686B1 (en) 2017-03-31 2017-07-31 (주)하모니앤유나이티드 Real time predicting system for energy management system using machine learning
KR101875329B1 (en) * 2017-06-12 2018-07-05 한국과학기술원 Forecasting apparatus and method for power consumption

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180061551A (en) 2016-11-29 2018-06-08 한국전자통신연구원 Method and apparatus of similar case clustering for future health trends prediction
KR102063999B1 (en) * 2018-01-23 2020-02-11 한국전력정보(주) Smart power demand management system
KR102260214B1 (en) * 2019-08-21 2021-06-03 엘지전자 주식회사 Method of analysis sleeping and intelligent device performing sleep analysis based on artificial intelligence

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101761686B1 (en) 2017-03-31 2017-07-31 (주)하모니앤유나이티드 Real time predicting system for energy management system using machine learning
KR101875329B1 (en) * 2017-06-12 2018-07-05 한국과학기술원 Forecasting apparatus and method for power consumption

Also Published As

Publication number Publication date
KR20220088534A (en) 2022-06-28

Similar Documents

Publication Publication Date Title
KR102531242B1 (en) Apparatus and method for predicting consumer power demand in microgrid using clustering technique
Radovanović et al. Carbon-aware computing for datacenters
Naganathan et al. Building energy modeling (BEM) using clustering algorithms and semi-supervised machine learning approaches
EP3968040A1 (en) Abnormal electricity use recognition method and device, and computer readable storage medium
US20190137956A1 (en) Battery lifetime maximization in behind-the-meter energy management systems
US20200202365A1 (en) Demand forecast system and method
US10680455B2 (en) Demand charge minimization in behind-the-meter energy management systems
KR102499240B1 (en) Power demand predicting method and power demand predicting system
US11416302B2 (en) Computer system and method for determining of resource allocation
KR20190063198A (en) Dynamic management system of energy demand and operation method thereof
US20030046250A1 (en) System and method for integrated reliability and warranty financial planning
CN113590682B (en) Power grid power failure window period generation method and device, electronic equipment and storage medium
CN113065701B (en) Intelligent prediction method and device for rail transit passenger flow
JP6933996B2 (en) Power planning support device
CN112199417B (en) Data processing method, device, terminal and storage medium based on artificial intelligence
JP7475978B2 (en) Maintenance improvement support device and maintenance improvement support method
US20120130760A1 (en) Adjusting a point prediction that is part of the long-term product life cycle based forecast
US20180174082A1 (en) Perceived quality of service
CN111738507A (en) Bank clearing position fund payment amount prediction method, device, equipment and medium
KR102556093B1 (en) Reward generation method to reduce peak load of electric power and action control apparatus performing the same method
CN110991945B (en) Information processing method and device for equipment spare part, storage medium and processor
CN116523687B (en) Multi-factor electricity consumption growth driving force decomposition method, device and storage medium
JP2018206172A (en) Electric power demand prediction device, electric power demand prediction method, and program
US20210027227A1 (en) Energy management system
KR102013882B1 (en) Method and Apparatus for scheduling polymer production

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