KR102542488B1

KR102542488B1 - 장단기 메모리 기반 비 간섭 부하 모니터링을 이용한 가전기기 전력 사용 상태 예측 방법 및 그를 위한 장치

Info

Publication number: KR102542488B1
Application number: KR1020210070104A
Authority: KR
Inventors: 김진영; 경찬욱; 지민우; 지민웅
Original assignee: 주식회사 스마트에버
Priority date: 2021-05-31
Filing date: 2021-05-31
Publication date: 2023-06-12
Also published as: KR20220161849A

Abstract

장단기 메모리 기반 비 간섭 부하 모니터링을 이용한 가전기기 전력 사용 상태 예측 방법 및 그를 위한 장치를 개시한다.
본 발명의 실시예에 따른 가전기기 전력 사용 예측 장치는, 복수의 가전기기 각각의 전력 사용 데이터를 수집하여 작동 상태 데이터를 생성하는 수집 처리부; 상기 복수의 가전기기에 대한 상기 작동 상태 데이터를 저장하는 저장부; 상기 작동 상태 데이터를 기반으로 학습을 수행하여 작동 상태 예측 모델을 생성하는 학습부; 상기 작동 상태 예측 모델을 이용하여 상기 복수의 가전기기의 작동 상태를 예측하여 작동 상태 예측 데이터를 생성하는 예측 처리부; 및 상기 작동 상태 예측 데이터와 복수의 가전기기에 대한 작동 상태 데이터를 비교하여 예측 정확도 정보를 생성하여 출력하는 결과 처리부를 포함할 수 있다.

Description

장단기 메모리 기반 비 간섭 부하 모니터링을 이용한 가전기기 전력 사용 상태 예측 방법 및 그를 위한 장치{Method and Apparatus for Predicting Appliance Power Usage State Using Non Intrusive Load Monitoring Based on Long-Short Term Memory}

본 발명은 장단기 메모리를 기반으로 간섭 부하 모니터링을 이용하여 가전기기의 전력 사용 상태를 예측하는 방법 및 그를 위한 장치에 관한 것이다.

이 부분에 기술된 내용은 단순히 본 발명의 실시예에 대한 배경 정보를 제공할 뿐 종래기술을 구성하는 것은 아니다.

스마트 그리드에 대한 관심이 지속적으로 증가함에 따라 전력 소비 최적화 방법도 많이 활용되고 있다. 이러한 방법 중, 간섭 부하 모니터링(ILM: Intrusive Load Monitoring) 기술은 가전기기들의 전력 소비량을 읽고 사용자의 사용 패턴을 인식하는 것이다. 그러나 간섭 부하 모니터링 방법은 각 가전기기들마다 전력 소비량을 알아낼 수 있는 장치를 필요로 하며, 그로 인한 비용 문제로 인해 현실적으로 적용하기가 어렵다. 이러한 이유로, 가전기기들의 전력 소비량이 모두 집계된 총 전력 소비량으로 각 가전기기들의 종류들을 알아내는 기술로서 비 간섭 부하 모니터링(NILM: Non Intrusive Load Monitoring)을 사용한다.

하지만, 비 간섭 부하 모니터링 방법으로 집계된 전력만 가지고 가전기기들을 분류하는 것은 어렵다. 다른 데이터를 측정하는 기능 또는 장치들을 추가하여 가전기기들을 분류하는 기술들은 존재하지만, 비용과 연산 처리 문제로 적용하기에 현실적으로 어려움이 있다.

본 발명은 심층 순환 신경망 기반의 정확도 높은 시간대별 가전기기들의 작동 상태 예측을 통해 소비된 전력 에너지의 효율적 사용 및 관리를 위한 장단기 메모리 기반 비 간섭 부하 모니터링을 이용한 가전기기 전력 사용 상태 예측 방법 및 그를 위한 장치를 제공하는 데 주된 목적이 있다.

본 발명의 일 측면에 의하면, 상기 목적을 달성하기 위한 가전기기 전력 사용 예측 장치는, 복수의 가전기기 각각의 전력 사용 데이터를 수집하여 작동 상태 데이터를 생성하는 수집 처리부; 상기 복수의 가전기기에 대한 상기 작동 상태 데이터를 저장하는 저장부; 상기 작동 상태 데이터를 기반으로 학습을 수행하여 작동 상태 예측 모델을 생성하는 학습부; 상기 작동 상태 예측 모델을 이용하여 상기 복수의 가전기기의 작동 상태를 예측하여 작동 상태 예측 데이터를 생성하는 예측 처리부; 및 상기 작동 상태 예측 데이터와 복수의 가전기기에 대한 작동 상태 데이터를 비교하여 예측 정확도 정보를 생성하여 출력하는 결과 처리부를 포함할 수 있다.

그리고, 상기 수집 처리부는, 기 설정된 단위 기간마다 사용하는 가전기기 각각의 상기 전력 사용 데이터를 수집하고, 상기 가전기기 별 전력량을 기준으로 상기 전력 사용 데이터를 변환하여 상기 작동 상태 데이터를 생성할 수 있다.

그리고, 상기 학습부는, 상기 작동 상태 데이터를 호출하고, 호출된 상기 작동 상태 데이터를 통해 심층 순환 신경망(DRNN: Deep Recurrent Neural Network)을 학습시켜 상기 작동 상태 예측 모델을 생성할 수 있다.

그리고, 상기 학습부는, 상기 심층 순환 신경망 기반의 장단기메모리(LSTM: Long Short Term Memory)를 이용하여 상기 작동 상태 예측 모델을 생성할 수 있다.

그리고, 상기 장단기메모리는 복수의 셀을 포함하며, 상기 복수의 셀 각각은, 이전 셀의 상태의 정보를 기억 여부를 결정하여 기억 정보를 생성하는 망각 게이트; 신규 획득 정보 중 셀 상태에 저장할 정보를 결정하여 신규 정보를 생성하는 입력 게이트; 및 상기 기억 정보 및 상기 신규 정보를 기반으로 현재 셀 상태를 생성하고, 상기 현재 셀 상태를 기반으로 현재 셀의 출력을 결정하여 상기 작동 상태 예측 데이터가 생성되도록 하는 출력 게이트를 포함할 수 있다.

그리고, 상기 예측 처리부는, 상기 장단기메모리 기반의 상기 작동 상태 예측 모델에 상기 전력 사용 데이터를 입력시켜 산출된 전력 사용 예측값을 기반으로 상기 작동 상태 예측 데이터를 생성할 수 있다.

그리고, 상기 결과 처리부는, 신규로 수집된 전력 사용 데이터를 기반으로 생성된 신규 작동 상태 데이터를 상기 작동 상태 예측 데이터와 비교하여 상기 예측 정확도 정보를 생성할 수 있다.

또한, 본 발명의 다른 측면에 의하면, 상기 목적을 달성하기 위한 가전기기 전력 사용 예측 방법은, 복수의 가전기기 각각의 전력 사용 데이터를 수집하여 작동 상태 데이터를 생성하는 수집 처리 단계; 상기 복수의 가전기기에 대한 상기 작동 상태 데이터를 저장하는 저장 단계;

상기 작동 상태 데이터를 기반으로 학습을 수행하여 작동 상태 예측 모델을 생성하는 학습 단계; 상기 작동 상태 예측 모델을 이용하여 상기 복수의 가전기기의 작동 상태를 예측하여 작동 상태 예측 데이터를 생성하는 예측 처리 단계; 및 상기 작동 상태 예측 데이터와 복수의 가전기기에 대한 작동 상태 데이터를 비교하여 예측 정확도 정보를 생성하여 출력하는 결과 처리 단계를 포함할 수 있다.

그리고, 상기 수집 처리 단계는, 기 설정된 단위 기간마다 사용하는 가전기기 각각의 상기 전력 사용 데이터를 수집하고, 상기 가전기기 별 전력량을 기준으로 상기 전력 사용 데이터를 변환하여 상기 작동 상태 데이터를 생성할 수 있다.

그리고, 상기 학습 단계는, 상기 작동 상태 데이터를 호출하고, 호출된 상기 작동 상태 데이터를 통해 심층 순환 신경망(DRNN: Deep Recurrent Neural Network)을 학습시켜 상기 작동 상태 예측 모델을 생성할 수 있다.

그리고, 상기 학습 단계는, 상기 심층 순환 신경망 기반의 장단기메모리(LSTM: Long Short Term Memory)를 이용하여 상기 작동 상태 예측 모델을 생성할 수 있다.

그리고, 상기 예측 처리 단계는, 상기 장단기메모리 기반의 상기 작동 상태 예측 모델에 상기 전력 사용 데이터를 입력시켜 산출된 전력 사용 예측값을 기반으로 상기 작동 상태 예측 데이터를 생성할 수 있다.

이상에서 설명한 바와 같이, 본 발명의 일 실시예에 따른 심층 순환 신경망 기반 가전기기 전력 작동 상태 예측 모델에 심층 순환 신경망을 이용하여 가전기기 전력 작동 상태 예측 정확도를 개선시키는 효과가 있다.

본 발명의 일 실시예에 따른 심층 순환 신경망 기반 가전기기 전력 작동 상태 예측 모델은 시간대별 가전기기 작동 여부 상태를 예측하여, 평소와 다른 가전기기가 작동하는 것을 파악하여 보여주는 효과가 있다.

본 발명의 일 실시예에 따른 심층 순환 신경망 기반 가전기기 전력 작동 상태 예측 모델은 다른 추가적인 기능 없이 높은 정확도로 가전기기의 전력 작동 상태를 예측하여, 예측을 위한 비용을 감소시킬 수 있는 효과가 있다.

도 1은 본 발명의 일 실시예에 따른 심층 순환 신경망 기반 가전기기 전력 사용 상태 예측 장치를 개략적으로 나타낸 블록 구성도이다.
도 2는 본 실시예에 따른 일 실시예에 따른 가전기기 전력 사용 상태 예측 방법을 설명하기 위한 순서도이다.
도 3 및 도 4는 본 발명의 일 실시예에 따른 작동 상태 예측 모델에 대한 심층 순환 신경망 기반 장단기 메모리의 구조를 나타낸 도면이다.
도 5는 본 발명의 실시예에 따른 심층 순환 신경망 기반 장단기 메모리의 동작 및 타임 스탭 사이즈를 설명하기 위한 예시도이다.
도 6 및 도 7은 본 발명의 실시예에 따른 장단기 메모리의 데이터 처리 동작에 대한 실험 및 결과를 나타낸 도면이다.

이하, 본 발명의 바람직한 실시예를 첨부된 도면들을 참조하여 상세히 설명한다. 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다. 또한, 이하에서 본 발명의 바람직한 실시예를 설명할 것이나, 본 발명의 기술적 사상은 이에 한정하거나 제한되지 않고 당업자에 의해 변형되어 다양하게 실시될 수 있음은 물론이다. 이하에서는 도면들을 참조하여 본 발명에서 제안하는 장단기 메모리 기반 비 간섭 부하 모니터링을 이용한 가전기기 전력 사용 상태 예측 방법 및 그를 위한 장치에 대해 자세하게 설명하기로 한다.

본 발명의 일 실시예에 따른 가전기기 전력 사용 상태 예측 장치는 비 간섭 부하 모니터링(NILM: Non Intrusive Load Monitoring) 서비스, 스마트 그리드(SG: Smart Grid) 서비스, 에너지관리시스템(EMS: Energy Management System) 등의 서비스를 제공하는 다양한 시스템에 적용 가능하다. 또한, 본 발명의 일 실시예에 따른 가전기기 전력 사용 상태 예측 장치는 사물인터넷(IoT: Internet of Things) 서비스 및 마이크로 에너지 그리드 서비스 등을 제공하는 다양한 시스템과 연동하여 운용될 수 있다.

도 1은 본 발명의 일 실시예에 따른 심층 순환 신경망 기반 가전기기 전력 사용 상태 예측 장치를 개략적으로 나타낸 블록 구성도이다.

본 발명의 일 실시예에 따른 가전기기 전력 사용 상태 예측 장치(100)는 수집 처리부(110), 저장부(120), 학습부(130), 예측 처리부(140) 및 결과 처리부(150)를 포함한다. 도 1의 가전기기 전력 사용 상태 예측 장치(100)는 일 실시예에 따른 것으로서, 도 1에 도시된 모든 블록이 필수 구성요소는 아니며, 다른 실시예에서 가전기기 전력 사용 상태 예측 장치(100)에 포함된 일부 블록이 추가, 변경 또는 삭제될 수 있다.

가전기기 전력 사용 상태 예측 장치(100)는 심층 순환 신경망 기반의 가전기기 전력 작동 상태 예측과 분류를 수행한다.

가전기기 전력 사용 상태 예측 장치(100)는 시간대별 가전기기의 작동여부 상태 예측을 제공한다. 비교적 높은 정확도로 예측을 하여, 실제 그래프와 비교하여 어떤 가전기기들이 작동하고 있는지 알려주고 그래프로 결과를 출력할 수 있다. 가전기기 전력 사용 상태 예측 장치(100)는 평소에 작동하는 가전기기 외에 다른 가전기기가 작동할 때 예측한 그래프와 다른 실제 그래프와 비교를 하여 가전기기의 과도한 작동을 방지할 수 있어 전력 에너지를 효율적으로 이용을 제공할 수 있다.

가전기기 전력 사용 상태 예측 장치(100)는 심층 순환 신경망 중 하나인 장단기 메모리(LSTM: Long Short Term Memory)를 적용하여 각 가전기기의 작동을 예측하고, 예측된 결과 상태와 실제 가전기기의 작동 여부 상태를 비교하여 시간대별로 각 가전기기의 작동 여부에 대한 예측 정확도를 분석한다.

가전기기 전력 사용 상태 예측 장치(100)는 에너지인터넷 분야에서 적용시키는 것이 가능하며, 심층 순환 신경망 기반의 정확도 높은 시간대별 가전기기들의 작동 상태 예측을 통해 소비된 전력 에너지의 효율적 사용 및 관리를 제공할 수 있다.

수집 처리부(110)는 복수의 가전기기 각각의 전력 사용 데이터를 수집하여 작동 상태 데이터를 생성한다.

수집 처리부(110)는 기 설정된 단위 기간(예: 하루 단위, 일주일 단위 등)마다 사용하는 가전기기 각각의 전력 사용 데이터를 수집한다. 수집 처리부(110)는 가전기기 별 전력량을 기준으로 전력 사용 데이터를 변환하여 작동 상태 데이터를 생성한다.

수집 처리부(110)는 복수의 가전기기 각각과 연동하는 전력 관리 서버로부터 전력 사용 데이터를 획득하여 수집할 수 있으나 반드시 이에 한정되는 것은 아니며, 복수의 가전기기 각각과 직접 연결되어 전력 사용 데이터를 수집할 수도 있다.

예를 들어, 수집 처리부(110)는 가정에서 하루마다 사용하는 각 가전기기의 전력 사용 데이터를 수집하여 각 가전기기 별로 전력량을 기준으로 각 가전기기의 작동 여부 상태를 도출할 수 있다.

저장부(120)는 복수의 가전기기에 대한 작동 상태 데이터를 저장한다. 저장부(120)는 기 설정된 기간 동안 작동 상태 데이터를 저장하며, 학습부(130)의 데이터 호출 요청이 있을 경우, 데이터 호출 요청에 근거하여 기 저장된 복수의 가전기기 각각에 대한 작동 상태 데이터 전체 또는 일부를 전달한다.

도 1에서 저장부(120)는 가전기기 전력 사용 상태 예측 장치(100) 내에 구비되어 작동 상태 데이터를 저장하는 모듈인 것으로 기재하고 있으나 반드시 이에 한정되는 것은 아니며, 실질적인 작동 상태 데이터는 외부에 구비된 서버 또는 클라우드에 저장되고, 데이터의 저장 또는 호출을 제어하는 저장 관리 모듈로 구현될 수도 있다.

학습부(130)는 작동 상태 데이터를 기반으로 학습을 수행하여 작동 상태 예측 모델을 생성한다. 구체적으로, 학습부(130)는 저장부(120)에 저장된 작동 상태 데이터를 호출하고, 호출된 작동 상태 데이터를 이용하여 심층 순환 신경망(DRNN: Deep Recurrent Neural Network)을 학습시켜 작동 상태 예측 모델을 생성한다.

학습부(130)는 심층 순환 신경망 기반의 장단기 메모리(LSTM: Long Short Term Memory)를 이용하여 작동 상태 예측 모델을 생성할 수 있다.

작동 상태 예측 모델에 적용된 장단기 메모리는 복수의 셀을 포함하며, 상기 복수의 셀 각각은 망각 게이트, 입력 게이트 및 출력 게이트를 포함할 수 있다.

망각 게이트는 이전 셀의 상태의 정보를 기억 여부를 결정하여 기억 정보를 생성하는 동작을 수행한다. 또한, 입력 게이트는 신규 획득 정보 중 셀 상태에 저장할 정보를 결정하여 신규 정보를 생성한다. 또한, 출력 게이트는 기억 정보 및 신규 정보를 기반으로 생성된 현재 셀 상태를 입력 받고, 현재 셀 상태를 기반으로 현재 셀의 출력을 결정하여 상기 작동 상태 예측 데이터가 생성되도록 한다.

학습부(130)에서 작동 상태 예측 모델에 적용된 장단기 메모리에 대한 자세한 설명은 도 3 및 4에 기재하도록 한다.

예측 처리부(140)는 작동 상태 예측 모델을 이용하여 복수의 가전기기의 작동 상태를 예측하여 작동 상태 예측 데이터를 생성한다. 구체적으로, 예측 처리부(140)는 장단기 메모리 기반의 작동 상태 예측 모델에 전력 사용 데이터를 입력시켜 산출된 전력 사용 예측값을 기반으로 작동 상태 예측 데이터를 생성한다.

결과 처리부(150)는 작동 상태 예측 데이터와 복수의 가전기기에 대한 작동 상태 데이터를 비교하여 예측 정확도 정보를 생성하여 출력한다.

결과 처리부(150)는 신규로 수집된 전력 사용 데이터를 기반으로 생성된 신규 작동 상태 데이터를 작동 상태 예측 데이터와 비교하여 예측 정확도 정보를 생성한다. 여기서, 예측 정확도 정보는 신규 작동 상태 데이터의 실제 측정값과 작동 상태 예측 데이터의 예측값을 비교하여 생성된 그래프를 포함할 수 있다.

도 2는 본 실시예에 따른 일 실시예에 따른 가전기기 전력 사용 상태 예측 방법을 설명하기 위한 순서도이다. 도 2은 본 발명의 일 실시예에 따른 학습 알고리즘을 통해 심층 순환 신경망을 학습하고 심층 순환 신경망으로 가전기기의 작동 여부 상태 예측 모델을 생성하고 실제 측정값과 비교하는 단계에 대한 순서도를 나타낸다.

가전기기 전력 사용 상태 예측 장치(100)는 복수의 가전기기 각각의 전력 사용 데이터를 수집한다(S210). 가전기기 전력 사용 상태 예측 장치(100)는 기 설정된 단위 기간(예: 하루 단위, 일주일 단위 등)마다 사용하는 가전기기 각각의 전력 사용 데이터를 수집한다. 이후, 가전기기 전력 사용 상태 예측 장치(100)는 가전기기 별 전력량을 기준으로 전력 사용 데이터를 변환하여 작동 상태 데이터를 생성한다(S220). 여기서, 단계 S210 및 단계 S220은 수집 처리부(110)에서 수행하는 동작과 대응될 수 있다.

가전기기 전력 사용 상태 예측 장치(100)는 복수의 가전기기에 대한 작동 상태 데이터를 저장한다(S230). 가전기기 전력 사용 상태 예측 장치(100)는 기 설정된 기간 동안 작동 상태 데이터를 저장하며, 데이터 호출 요청에 근거하여 기 저장된 복수의 가전기기 각각에 대한 작동 상태 데이터 전체 또는 일부를 전달한다. 여기서, 단계 S230은 저장부(120)에서 수행하는 동작과 대응될 수 있다.

가전기기 전력 사용 상태 예측 장치(100)는 기 저장된 작동 상태 데이터를 호출하고(S240), 호출된 작동 상태 데이터를 이용하여 심층 순환 신경망을 학습시켜 작동 상태 예측 모델을 생성한다(S250). 여기서, 단계 S240 및 단계 S250은 학습부(130)에서 수행하는 동작과 대응될 수 있다.

가전기기 전력 사용 상태 예측 장치(100)는 작동 상태 예측 모델을 이용하여 복수의 가전기기의 작동 상태를 예측하여 작동 상태 예측 데이터를 생성한다(S260). 구체적으로, 가전기기 전력 사용 상태 예측 장치(100)는 장단기 메모리 기반의 작동 상태 예측 모델에 전력 사용 데이터를 입력시켜 산출된 전력 사용 예측값을 기반으로 작동 상태 예측 데이터를 생성한다. 여기서, 단계 S260은 예측 처리부(140)에서 수행하는 동작과 대응될 수 있다.

가전기기 전력 사용 상태 예측 장치(100)는 작동 상태 예측 데이터와 복수의 가전기기에 대한 작동 상태 데이터를 비교하여 예측 정확도 정보를 생성하여 출력한다(S270). 가전기기 전력 사용 상태 예측 장치(100)는 신규로 수집된 전력 사용 데이터를 기반으로 생성된 신규 작동 상태 데이터를 작동 상태 예측 데이터와 비교하여 예측 정확도 정보를 생성한다. 여기서, 단계 S270은 결과 처리부(150)에서 수행하는 동작과 대응될 수 있다.

도 2에서는 각 단계를 순차적으로 실행하는 것으로 기재하고 있으나, 반드시 이에 한정되는 것은 아니다. 다시 말해, 도 2에 기재된 단계를 변경하여 실행하거나 하나 이상의 단계를 병렬적으로 실행하는 것으로 적용 가능할 것이므로, 도 2는 시계열적인 순서로 한정되는 것은 아니다.

도 2에 기재된 본 실시예에 따른 가전기기 전력 사용 상태 예측 방법은 애플리케이션(또는 프로그램)으로 구현되고 단말장치(또는 컴퓨터)로 읽을 수 있는 기록매체에 기록될 수 있다. 본 실시예에 따른 가전기기 전력 사용 상태 예측 방법을 구현하기 위한 애플리케이션(또는 프로그램)이 기록되고 단말장치(또는 컴퓨터)가 읽을 수 있는 기록매체는 컴퓨팅 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치 또는 매체를 포함한다.

도 3 및 도 4는 본 발명의 일 실시예에 따른 작동 상태 예측 모델에 대한 심층 순환 신경망 기반 장단기 메모리의 구조를 나타낸 도면이다.

도 3 및 도 4를 참조하면, 장단기 메모리(300)는 망각 게이트(310), 입력 게이트(320) 및 출력 게이트(330)를 포함할 수 있다. 여기서, 망각 게이트(310), 입력 게이트(320) 및 출력 게이트(330)는 장단기 메모리(300)에 구비된 복수의 셀 각각에 포함될 수 있다.

망각 게이트(310)는 이전 셀의 상태의 정보를 기억 여부를 결정하여 기억 정보를 생성하는 동작을 수행한다.

도 4를 참조하면, 망각 게이트(310)는 이전 상태의 정보를 얼마나 기억할 것인지를 결정하는 단계로 0에서 1 사이 값이 출력되고 0이면 이전 상태의 정보를 완전히 잊는 것이고 1이면 이전의 정보를 온전히 기억하는 것이 될 수 있다. 망각 게이트(310)에서 망각 게이트의 결과는 [수학식 1]과 같이 정의될 수 있다.

여기서,

는 망각 게이트의 결과,

는 시그모이드 활성화 함수,

는 가중치로 학습시키는 인자,

는 바이어스,

는 이전 셀의 출력,

는 현재 셀의 입력이다.

입력 게이트(320)는 신규 획득 정보 중 셀 상태에 저장할 정보를 결정하여 신규 정보를 생성한다.

도 4를 참조하면, 입력 게이트(320)는 새로운 정보 중 어떤 것을 셀 상태에 저장할 것인지를 결정하는 단계로 어떤 값을 갱신할지 정하고 새로운 후보값을 만들어 셀 상태를 갱신할 수 있다. 입력 게이트(320)에서 어떤 값을 갱신할지 정하는 과정은 [수학식 2]와 같이 정의될 수 있다.

여기서,

는 갱신할 값을 정하는 과정의 결과,

는 시그모이드 활성화 함수,

는 가중치로 학습시키는 인자,

는 바이어스,

는 이전 셀의 출력,

는 현재 셀의 입력이다.

입력 게이트(320)에서 새로운 후보값을 만드는 과정은 [수학식 3]와 같이 정의될 수 있다.

여기서,

는 새로운 후보값,

는 하이퍼볼릭 탄젠트 활성화 함수,

는 가중치로 학습시키는 인자,

는 바이어스,

는 이전 셀의 출력,

는 현재 셀의 입력이다.

출력 게이트(330)는 기억 정보 및 신규 정보를 기반으로 생성된 현재 셀 상태를 입력 받고, 현재 셀 상태를 기반으로 현재 셀의 출력을 결정하여 상기 작동 상태 예측 데이터가 생성되도록 한다.

도 4를 참조하면, 출력 게이트(330)는 망각 게이트(310)의 결과와 입력 게이트(320)의 결과를 통해 현재의 셀 상태를 만들 수 있다. 출력 게이트(330)에서 현재의 셀 상태를 산출하는 과정은 [수학식 4]와 같이 정의될 수 있다.

여기서,

는 현재 셀 상태,

는 망각 게이트의 결과,

는 이전 셀 상태,

는 새로운 후보값,

는 갱신할 값의 반영 정도이다.

한편, 현재의 셀 상태를 산출하는 과정은 출력 게이트(330)에서 수행되는 것으로 기재하고 있으나 반드시 이에 한정되는 것은 아니며, 망각 게이트(310), 입력 게이트(320) 및 출력 게이트(330)와 연결된 별도의 셀 상태 산출 게이트(미도시)에서 수행될 수도 있다.

이후, 출력 게이트(330)는 현재 셀의 출력을 결정하는 단계로 현재 셀의 입력을 기반으로 현재 셀 상태의 얼만큼을 출력할지 결정하여 현재 셀 상태를 바탕으로 현재 셀의 출력을 결정할 수 있다. 출력 게이트(330)에서 현재 셀 상태의 반영 정도를 결정하는 과정은 [수학식 5]와 같이 정의될 수 있다.

여기서,

는 망각 게이트의 결과,

는 시그모이드 활성화 함수,

는 가중치로 학습시키는 인자,

는 바이어스,

는 이전 셀의 출력,

는 현재 셀의 입력이다.

출력 게이트(330)에서 출력 게이트의 결과는 [수학식 6]와 같이 정의될 수 있다.

여기서,

는 출력 게이트의 결과,

는 현재 셀 상태의 반영 정도,

는 하이퍼볼릭 탄젠트 활성화 함수,

는 현재 셀 상태이다.

도 5는 본 발명의 실시예에 따른 심층 순환 신경망 기반 장단기 메모리의 동작 및 타임 스탭 사이즈를 설명하기 위한 예시도이다.

본 발명은 분산자원 집합 거래시장의 활성화와 에너지 관리의 중요성이 증가되면서 에너지 관리 모니터링 기술로서 합산된 전체 전력으로부터 각각의 가전기기의 전력을 찾아내는 비 간섭 부하 모니터 기법을 제안한다.

본 발명에서는 데이터 전처리를 통해 각 가전기기들의 power on-off 상태(작동 상태)가 나오도록 한다. 이러한 데이터를 장단기 메모리(LSTM)를 예측 모델로 사용하여 각 가전기기들의 power on-off 상태를 예측한다. 예측한 상태들을 데이터 후처리한 후, 실제 상태들과 비교하여 정확도를 측정한다.

도 5에서는 가전기기의 개수, 데이터 후처리 방법과 타임 스탭 사이즈(Time step size)를 다르게 하여 정확도를 측정하여 비교한다. 가전기기의 개수가 6개이고, 라운드 함수(Round Function)로 데이터 후처리 방법을 사용하고, 타임 스탭 사이즈는 6으로 설정하였을 때, 가장 높은 정확도가 나온 것으로 측정되었다.

<1. 장단기 메모리(LSTM) 예측 모델>

도 5는 본 발명에서 제안하는 장단기 메모리 모델을 나타낸다.

본 발명에서는 장단기 메모리(LSTM)를 기반으로 가전기기 전력 사용을 예측하는 모델을 제안한다.

순환 신경망(RNN)은 이전의 셀에서 나온 계산 결과로 입력이 다음 셀에 들어간다. 순환 신경망(RNN)은 이전의 계산결과에만 의존적이기 때문에 short-term일 때는 좋은 성능을 보여주지만, long-term일 때는 정확도가 매우 낮아진다. 이러한 순환 신경망(RNN)의 단점들을 보완하기 위해서 본 발명에서는 장단기 메모리(LSTM)를 제안한다.

본 발명에서는 2일 간의 가전기기 전력 기록을 3초 간격으로 총 57,600개의 데이터를 학습시키는 long-term의 경우를 고려하였다. 본 발명에서 제안한 장단기 메모리(LSTM) 모델은 과거 값을 얼마나 저장해서 예측할지 지정하는 변수인 타임 스탭 사이즈를 5, 15, 30으로 나누어서 정확도를 분석한다.

도 5를 참고하면, 타임 스탭 사이즈는 다음 셀에 들어가는 입력 값이 나올 때 이전의 출력 값에만 의존하는 것이 아니라 과거의 값을 얼마나 저장해서 과거의 여러 셀에서 나온 출력 값들을 의존하여 현재 셀에 입력 값으로 들어가게끔 한다.

타임 스탭 사이즈가 너무 크면 과거의 값에 너무 의존하여, overfitting 현상이 발생하고 너무 적으면 순환 신경망(RNN)처럼 이전의 과거 값에만 의존하여 underfitting 현상이 발생하기 때문에 적절한 값을 설정해야한다. 이에, 본 발명에서는 타임 스탭 사이즈에 따른 정확도를 분석하여 최적의 타임 스탭 사이즈 값을 제시한다.

<2. 데이터 처리>

본 발명에서는 REDD(Reference Energy Disaggregation Data Set)에서 하루 전력 에너지 사용 데이터를 획득할 수 있다. 각 가전기기의 전력 사용량을 각 가전기기마다 에너지 크기에 따라 power on-off state를 추출한다. 각 가전기기가 power on state 이면, 1이 되고 power off state 이면, 0으로 설정한다. 이러한 방식으로 6개의 가전기기를 합산한 전체 총 state는 64가지가 되고, 7개의 경우 128가지, 7개의 경우 256가지의 state가 나오게 된다. 2진법처럼 가장 오른쪽부터 가전기기의 power on-off state를 설정한다. 예를 들어, 오븐-냉장고-형광등-드라이어-난로 이런 순으로 배열을 한다고 하자. state가 24 인 값이 출력되면, 이진법으로 계산했을 때 11000₂이 나온다. 그렇게 되면, 앞서 말한 가전기기 순서로 오븐, 냉장고는 power on state가 되고, 형광등, 드라이어, 난로는 power off state가 출력된다. 이와 같은 방식으로 6개, 7개의 가전기기의 power on-off state를 추출한다.

예측 모델에서 예측한 출력값은 실수형태로 출력되기 때문에 데이터 후처리가 필요하다. 데이터 후처리 방식에 따라서 정확도가 크게 달라진다. 그래서 본 발명에서는 최적의 데이터 후처리 방법을 찾아 제안하고 다른 방식의 데이터 후처리 방법을 비교하여 그 결과를 도 6 및 도 7에서 제시한다.

도 6a 내지 도 6c 및 도 7a 내지 도 7c는 본 발명의 실시예에 따른 장단기 메모리의 데이터 처리 동작에 대한 실험 및 결과를 나타낸 도면이다.

<1. 데이터 처리 방법>

제안된 시스템 모델을 [표 1] 및 [표 3]에 표시된 타임 스탭 사이즈와 데이터 처리 방법을 바꾸며 시뮬레이션을 진행한다. 또한 appliance의 개수를 다르게 하여 정확도를 비교한다.

[표 1]은 데이터 처리 방법을 나타내고, [표 2]는 데이터 처리 방법에 따른 정확도를 나타낸다.

첫 번째 시뮬레이션은 [표 1]의 변수(parameter)를 바꾸며 진행한다. 가전기기의 개수마다 데이터 처리(data processing) 방법을 바꾸며 진행한다. 시뮬레이션 진행 결과는 [표 2]와 같은 정확도가 나온다. 여기서 정확도는 [수학식 7]로 정의된다.

여기서, 정확도는 모델에서 예측하여 실제 모델 데이터와 같은 state의 개수를 전체 state 개수를 나누어 정의된다. [표 2]에 기재된 정확도는 개수 size를 6으로 두고 진행된다. [표 2]를 보면, 라운드 함수로 데이터 처리를 했을 때 다른 데이터 처리보다 훨씬 정확도가 높게 나오는 것을 알 수 있다. 라운드 함수는 모델에서 나온 float-type의 결과 값을 가장 가까운 정수로 정수 형태로 변환시켜주는 데이터 처리 방법이다. 여기서, Round up은 올림, Round down은 내림이다. [표 2]에 나오듯이 가장 가까운 정수로 맵핑시키는 라운드 함수를 이용할 때 가장 높은 정확도를 갖게 된다. 또한, 가전기기의 개수가 늘어날수록 정확도는 낮아지게 되는데 라운드 함수는 다른 함수보다 높은 정확도가 나오지만, 다른 데이터 처리 방법들은 현저히 낮은 정확도를 보이게 된다.

도 6a, 도 6b 및 도 6c는 실제 시뮬레이션을 진행하여 그래프로 나타낸 것이다.

도 6a는 반올림 데이터 처리 결과를 나타낸다. 도 6a는 왼쪽부터 가전기기의 개수가 6개, 7개, 8개로 배치되어 있다. Round은 모델의 출력 값을 반올림 하여 맵핑시키는 방법이다. 가전기기가 6개일 때 거의 다 예측이 맞는 것을 볼 수 있다. 가전기기의 개수가 7, 8개 일 때 각각 86%, 72%의 정확도가 나오는 것을 볼 수 있다.

도 6b는 올림 데이터 처리 결과를 나타낸다. 도 6b는 왼쪽부터 가전기기의 개수가 6개, 7개, 8개로 배치되어 있다. Round up은 모델의 출력 값을 올림 하여 맵핑시키는 방법이므로, 도 6b와 도 6a를 비교하면 도 6b가 더 많이 위로 튀어 오르는 것을 볼 수 있다.

도 6c는 내림 데이터 처리 결과를 나타낸다. 도 6c는 왼쪽부터 가전기기의 개수가 6개, 7개, 8개로 배치되어 있다. Round down은 모델의 출력 값을 내림 하여 맵핑시키는 방법이므로, 도 6c와 도 6a를 비교하면 도 6c가 더 많이 아래로 수렴하여 예측 값이 많이 틀리는 것을 볼 수 있다.

<2. 타임 스탭 사이즈 크기 설정>

이하에서는 [표 3]처럼 가전기기 개수별로 타임 스탭 사이즈를 다르게 하여 시뮬레이션을 진행된다. 이 시뮬레이션에서는 앞에 데이터 처리 파트에서 정확도가 가장 높게나온 라운드 함수 데이터 처리 방법을 사용하여 진행된다.

[표 3]은 타임 스탭 사이즈의 시뮬레이션을 나타내고, [표 4]는 각 타임 스탭 사이즈의 정확도를 나타낸다.

[표 3]를 바탕으로 시뮬레이션을 처리하면, 도 7에 도시된 그래프가 나오고, [표 4]처럼 정확도가 나온다. 도 7a, 도 7b 및 도 7c는 가전기기 개수에 따른 타임 스탭 사이즈를 비교해서 보여준다.

도 7a는 가전기기가 6개일 때의 타임 스탭 사이즈별로 나눠서 보여주는 그래프다. 왼쪽부터 타임 스탭 사이즈가 6, 15, 30 순으로 나열한다. [표 4]를 참고하여 보면, 왼쪽부터 98%, 95.6%, 95.8%의 정확도를 보여준다.

도 7b는 가전기기가 7개일 때의 타임 스탭 사이즈별로 나눠서 보여주는 그래프다. 왼쪽부터 타임 스탭 사이즈가 6, 15, 30 순으로 나열한다. [표 4]를 참고하여 보면, 왼쪽부터 86%, 75.%, 87%의 정확도를 보여준다.

도 7c는 가전기기가 8개일 때의 타임 스탭 사이즈별로 나눠서 보여주는 그래프다. 왼쪽부터 타임 스탭 사이즈가 6, 15, 30 순으로 나열한다. [표 4]를 참고하여 보면, 왼쪽부터 73.6%, 47%, 56%의 정확도를 보여준다.

도 7의 그래프와 정확도를 모두 살펴보면 대체적으로 타임 스탭 사이즈가 6일 때가 가장 안정적인 정확도를 갖고 있다. 하지만, 그렇다고 해서 본 발명에서 타임 스탭 사이즈가 6일 때가 가장 좋으니, 다른 모든 종류의 예측 모델을 정할 때 타임 스탭 사이즈를 6으로 설정해야만 한다는 것으로 한정되는 것은 아니다. 본 발명에서 사용하는 데이터의 특징을 살펴보면, 과거 데이터의 영향을 많이 받지 않는 것을 알 수 있다. 과거의 영향을 많이 받는 데이터로 시뮬레이션을 진행했다면, 타임 스탭 사이즈를 크게 설정한 시뮬레이션이 정확도가 가장 높을 것으로 예상된다. 본 발명에서는 데이터의 특징과 모델의 특징에 따라 적절한 타임 스탭 사이즈를 설정해야 한다는 것을 확인할 수 있다.

본 발명에서는 종래의 다른 기술들과 달리 많은 입력들을 필요치 않고 시간만을 이용하여 전력수요 패턴을 파악한다. 전력량이 측정된 데이터를 전처리를 통해 각 가전기기들의 power on-off 상태로 바꿔준다. 이 때 각 가전기기들의 상태를 합치는데 각 가전기기들의 상태는 0(off)와 1(on)이기 때문에 2진법으로 각 가전기기들의 상태를 합쳐 LSTM 모델에 입력으로 설정해준다. 학습된 모델을 통해 가전기기들의 상태를 예측한 결과를 실제 상태 값과 비교하여 보여준다.

종래의 다른 기술에서는 집계된 전력 데이터로는 학습이 잘 안되어, 다른 진동수를 측정하는 장치와 온도, 습도를 측정하는 새로운 입력 장치를 설치하여, 정확도를 높인다. 하지만, 이러한 방식은 비용을 추가시키는 방법이기 때문에 본 발명에서는 입력장치를 추가하는 방법을 사용하지 않는다.

이상의 설명은 본 발명의 실시예의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명의 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 발명의 실시예들은 본 발명의 실시예의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 실시예의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 실시예의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 실시예의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

100: 가전기기 전력 사용 상태 예측 장치
110: 수집 처리부
120: 저장부
130: 학습부
140: 예측 처리부
150: 결과 처리부

Claims

가전기기의 전력 사용 상태를 예측하는 장치에 있어서,
복수의 가전기기 각각의 전력 사용 데이터를 수집하여 작동 상태 데이터를 생성하는 수집 처리부;
상기 복수의 가전기기에 대한 상기 작동 상태 데이터를 저장하는 저장부;
상기 작동 상태 데이터를 기반으로 학습을 수행하여 작동 상태 예측 모델을 생성하는 학습부;
상기 작동 상태 예측 모델을 이용하여 상기 복수의 가전기기의 작동 상태를 예측하여 작동 상태 예측 데이터를 생성하는 예측 처리부; 및
상기 작동 상태 예측 데이터와 복수의 가전기기에 대한 작동 상태 데이터를 비교하여 예측 정확도 정보를 생성하여 출력하는 결과 처리부를 포함하되,
상기 학습부는, 복수의 셀을 포함하는 심층 순환 신경망 기반의 장단기 메모리(LSTM: Long Short Term Memory)를 이용하여 상기 작동 상태 예측 모델을 생성하며,
상기 작동 상태 예측 모델은, 상기 복수의 가전기기의 개수에 따라 복수의 셀에 대한 과거값의 저장 및 예측을 지정하는 타임 스탭 사이즈(Time step size)를 설정하여 상기 작동 상태 예측 데이터가 생성되도록 하는 것을 특징으로 하는 가전기기 전력 사용 상태 예측 장치.
제1항에 있어서,
상기 수집 처리부는,
기 설정된 단위 기간마다 사용하는 가전기기 각각의 상기 전력 사용 데이터를 수집하고, 상기 가전기기 별 전력량을 기준으로 상기 전력 사용 데이터를 변환하여 상기 작동 상태 데이터를 생성하는 것을 특징으로 하는 가전기기 전력 사용 상태 예측 장치.
제1항에 있어서,
상기 학습부는,
상기 작동 상태 데이터를 호출하고, 호출된 상기 작동 상태 데이터를 통해 심층 순환 신경망(DRNN: Deep Recurrent Neural Network)을 학습시켜 상기 작동 상태 예측 모델을 생성하는 것을 특징으로 하는 가전기기 전력 사용 상태 예측 장치.
삭제
제1항에 있어서,
상기 복수의 셀 각각은,
이전 셀의 상태의 정보를 기억 여부를 결정하여 기억 정보를 생성하는 망각 게이트;
신규 획득 정보 중 셀 상태에 저장할 정보를 결정하여 신규 정보를 생성하는 입력 게이트; 및
상기 기억 정보 및 상기 신규 정보를 기반으로 현재 셀 상태를 생성하고, 상기 현재 셀 상태를 기반으로 현재 셀의 출력을 결정하여 상기 작동 상태 예측 데이터가 생성되도록 하는 출력 게이트
를 포함하는 것을 특징으로 하는 가전기기 전력 사용 상태 예측 장치.
제1항에 있어서,
상기 예측 처리부는,
상기 장단기 메모리 기반의 상기 작동 상태 예측 모델에 상기 전력 사용 데이터를 입력시켜 산출된 전력 사용 예측값을 기반으로 상기 작동 상태 예측 데이터를 생성하는 것을 특징으로 하는 가전기기 전력 사용 상태 예측 장치.
제1항에 있어서,
상기 결과 처리부는,
신규로 수집된 전력 사용 데이터를 기반으로 생성된 신규 작동 상태 데이터를 상기 작동 상태 예측 데이터와 비교하여 상기 예측 정확도 정보를 생성하는 것을 특징으로 하는 가전기기 전력 사용 상태 예측 장치.
가전기기 전력 사용 상태 예측 장치에서 가전기기의 전력 사용 상태를 예측하는 방법에 있어서,
복수의 가전기기 각각의 전력 사용 데이터를 수집하여 작동 상태 데이터를 생성하는 수집 처리 단계;
상기 복수의 가전기기에 대한 상기 작동 상태 데이터를 저장하는 저장 단계;
상기 작동 상태 데이터를 기반으로 학습을 수행하여 작동 상태 예측 모델을 생성하는 학습 단계;
상기 작동 상태 예측 모델을 이용하여 상기 복수의 가전기기의 작동 상태를 예측하여 작동 상태 예측 데이터를 생성하는 예측 처리 단계; 및
상기 작동 상태 예측 데이터와 복수의 가전기기에 대한 작동 상태 데이터를 비교하여 예측 정확도 정보를 생성하여 출력하는 결과 처리 단계를 포함하되,
상기 학습 단계는, 복수의 셀을 포함하는 심층 순환 신경망 기반의 장단기 메모리(LSTM: Long Short Term Memory)를 이용하여 상기 작동 상태 예측 모델을 생성하며,
상기 작동 상태 예측 모델은, 상기 복수의 가전기기의 개수에 따라 상기 복수의 셀에 대한 과거값의 저장 및 예측을 지정하는 타임 스탭 사이즈(Time step size)를 설정하여 상기 작동 상태 예측 데이터가 생성되도록 하는 것을 특징으로 하는 가전기기 전력 사용 상태 예측 방법.
제8항에 있어서,
상기 수집 처리 단계는,
기 설정된 단위 기간마다 사용하는 가전기기 각각의 상기 전력 사용 데이터를 수집하고, 상기 가전기기 별 전력량을 기준으로 상기 전력 사용 데이터를 변환하여 상기 작동 상태 데이터를 생성하는 것을 특징으로 하는 가전기기 전력 사용 상태 예측 방법.
제8항에 있어서,
상기 학습 단계는,
상기 작동 상태 데이터를 호출하고, 호출된 상기 작동 상태 데이터를 통해 심층 순환 신경망(DRNN: Deep Recurrent Neural Network)을 학습시켜 상기 작동 상태 예측 모델을 생성하는 것을 특징으로 하는 가전기기 전력 사용 상태 예측 방법.
삭제
제8항에 있어서,
상기 예측 처리 단계는,
상기 장단기 메모리 기반의 상기 작동 상태 예측 모델에 상기 전력 사용 데이터를 입력시켜 산출된 전력 사용 예측값을 기반으로 상기 작동 상태 예측 데이터를 생성하는 것을 특징으로 하는 가전기기 전력 사용 상태 예측 방법.