KR102544172B1 - 전력 사용량 예측 시스템 및 방법 - Google Patents

전력 사용량 예측 시스템 및 방법 Download PDF

Info

Publication number
KR102544172B1
KR102544172B1 KR1020200165801A KR20200165801A KR102544172B1 KR 102544172 B1 KR102544172 B1 KR 102544172B1 KR 1020200165801 A KR1020200165801 A KR 1020200165801A KR 20200165801 A KR20200165801 A KR 20200165801A KR 102544172 B1 KR102544172 B1 KR 102544172B1
Authority
KR
South Korea
Prior art keywords
load
pattern
integer
data
unit
Prior art date
Application number
KR1020200165801A
Other languages
English (en)
Other versions
KR20220076869A (ko
Inventor
신복덕
김기성
최성만
김영일
백민규
Original Assignee
주식회사 그리드위즈
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 주식회사 그리드위즈 filed Critical 주식회사 그리드위즈
Priority to KR1020200165801A priority Critical patent/KR102544172B1/ko
Publication of KR20220076869A publication Critical patent/KR20220076869A/ko
Application granted granted Critical
Publication of KR102544172B1 publication Critical patent/KR102544172B1/ko

Links

Images

Classifications

    • 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
    • G06Q50/08—Construction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Power Engineering (AREA)
  • Medical Informatics (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

본 발명은 과거의 전력 사용량에 대한 부하 데이터로부터 부하 변화량 데이터로 변환하고 코드화를 통해 단순화하여 미래의 전력 사용량을 예측할 수 있는 시스템 및 방법에 관한 것이다.
본 발명은 시간대별로 부하 데이터를 입수하는 부하 수집부; 부하 데이터를 부하 변화량 데이터로 변환하고, 상기 부하 변화량 데이터에 대응하는 정수를 획득하는 코드 변환부; 상기 코드화된 정수 패턴이 동일한 부하 패턴을 취합하고, 동일한 상기 정수 패턴으로부터 대표 패턴을 추출하는 패턴 분류부; 상기 패턴 분류부를 통해 코드화된 대표 패턴과 실제 부하 패턴으로부터 미래 전력 사용량을 예측하는 예측부를 포함하는 전력 사용량 예측 시스템이 제공될 수 있다.
또한, 본 발명은 기본 데이터인 부하 데이터를 입수하고 부하 변화량 데이터로 변환하는 단계; 부하 변화량 데이터를 정수로 코드화하여 단순화하는 단계를 포함하는 전력 사용량 예측 방법이 제공될 수 있다.

Description

전력 사용량 예측 시스템 및 방법{FORECASTING SYSTEM AND METHOD FOR POWER CONSUMPTION}
본 발명은 과거의 전력 사용량에 대한 부하 데이터로부터 부하 변화량 데이터로 변환하고 코드화를 통해 단순화하여 미래의 전력 사용량을 예측할 수 있는 시스템 및 방법에 관한 것이다.
최근 전력 산업에서 탈원전 및 미세 먼지, 이상 기후 등의 이슈들이 대두되면서 DR(Demand Response; 수요 반응), 신재생 에너지, ESS(Energy Storage System; 에너지 저장 장치), EMS(Energy Management System; 에너지 관리 장치)와 같은 청정 에너지 및 에너지 효율화의 중요성이 나날이 높아지고 있다.
DR의 적정 용량 산정, ESS 최적 운영계획, 신재생 에너지 발전량 예측과 같은 에너지 솔루션 관련 연구가 활발히 진행되고 있으며, 이중에서 부하량 예측은 에너지 효율화의 중요한 부분이다.
특히, 공장 부하용 ESS의 경우, 부하 패턴의 예측 결과에 따라 충/방전 시점이 변동하기 때문에, 예측의 정확도는 에너지 저장 장치 최적 운영 알고리즘의 최적화와 직접적인 관련이 있다.
본 발명은 과거의 전력 사용량에 대한 부하 데이터로부터 부하 변화량 데이터로 변환하고 코드로 단순화시킨 다음 대표 패턴을 추출하고, 이러한 과거 전력 사용량과 그에 해당하는 각 코드를 머신 러닝에 학습시키며, 이렇게 학습된 머신 러닝 모델에 실시간 부하 패턴과 해당 부하 패턴의 코드를 입력하고 현재 시간까지의 코드와 전력 사용량을 토대로 미래의 전력 사용량을 예측할 수 있는 시스템 및 방법을 제공하는 것이다.
본 발명의 해결 수단은 전력 사용량에 대하여 시간대별로 부하 데이터를 입수하는 부하 수집부;
상기 부하 수집부에 의해 입수된 부하 데이터를 부하 변화량 데이터로 변환하고, 상기 부하 변화량 데이터에 대응하는 정수를 획득하는 코드 변환부;
상기 코드 변환부에 의해 상기 부하 변화량 데이터의 부하 변화량에 따른 정수로 코드화되어 단순화된 상태에서 코드화된 정수에 대한 정수 패턴이 동일한 부하 패턴을 취합하고, 취합된 부하 패턴에서의 평균값을 통해 대표 패턴을 추출하는 패턴 분류부;
상기 패턴 분류부를 통해 분류된 상기 부하 패턴이 얼마나 유사한 부하 패턴들로 군집하였는지에 대한 유사도를 판단하기 위해 군집한 부하 패턴의 평균값으로 계산된 대표 패턴과 개별 패턴간의 오차율을 계산하는 오차 연산부;
상기 패턴 분류부에 의해 산출된 상기 대표 패턴의 정확도를 상기 오차 연산부에 의해 계산된 오차율을 근거로 판단하는 판단부;
상기 패턴 분류부에 의해 추출된 상기 대표 패턴과 실제 부하 패턴으로부터 미래 전력 사용량을 예측하는 예측부; 를 포함하고,
상기 코드 변환부는 다음의 수학식 1에 의하여 정수값을 산출하기 위한 단순화 기준값을 도출하고, 다음의 수학식 2에 의하여 부하 변화량 데이터를 정수로 코드화하며,
정수로 코드화되어 단순화된 부하 패턴의 정수 값(Codet,n)은 부하 변화량(△Loadt,n)이 단순화 기준값(Stepα)을 초과할 때, 다음 수학식 2에 의거 단순화 기준값(Stepα)을 새로 산정하고,
상기 오차 연산부에 의해 산출된 오차율이 검증 기준치 이내로 만족하면, 상기 판단부에 의해 각 분류별 부하 패턴의 평균치를 대표 패턴으로 설정하며,
상기 예측부는 머신 러닝 학습부의 학습에 의해 실시간 부하 패턴을 통해 패턴을 단순화하고, 머신 러닝 모델을 설정한 다음,
설정된 머신 러닝 모델이 실시간 부하 패턴에 대한 코드를 기반으로 실시간 부하 패턴을 반영하여 예측하도록 부하 패턴에 대한 코드와 실시간 부하 패턴을 입력한 다음, 예측하고자 하는 시간까지의 전력 사용량을 예측하는 전력 사용량 예측 시스템이 제공될 수 있다.
[수학식 1]
Figure 112023018233444-pat00026

[수학식 2]
Figure 112023018233444-pat00027

Figure 112023018233444-pat00028

여기서, Stepα 는 부하 변화량에 대한 각 등분의 크기인 단순화 기준값, △Loadt,n는 부하 변화량 데이터, MAX(△Loadt,n)은 최대 부하 변화량, MIN(△Loadt,n)은 최소 부하 변화량, Codet,n는 부하 변화량에 따른 정수값, Ct,n은 부하 변화량(△Loadt,n)에 대해 단순화 기준값(Stepα)을 나누어서 내림한 값, t는 시간, n은 날짜, α는 부하 패턴의 단순화를 위해 부하 변화량에 대한 등분수를 결정하는 변수이다.
상기 코드 변환부는,
부하 변화량에 따른 정수를 산출하기 위해서 전력 사용량에 대한 부하 패턴의 부하 변화량의 최대치와 최소치에 대한 등분 라인을 설정하고,
최대치와 최소치에 대한 등분 라인 구간내에서 정수를 이용하여 상기 단순화 기준값에 의해 부하 변화량 데이터에 대한 등분 라인을 정하며,
부하 변화량 데이터가 0(zero) 선상에 위치한 부하 변화량에 대한 부하 패턴은 정수 0, 1개 등분 라인을 초과하여 상부에 위치하는 경우에는 정수 1, 2개 등분 라인을 초과하여 상부에 위치하는 경우에는 정수 2로 코드화할 수 있다.
상기 오차 연산부는 연산된 상기 대표 패턴의 오차율에 따라 상기 대표 패턴이 상기 소정 오차율 이상 벗어나서 대표 패턴으로 채택될 수 없는 경우,
단순화 기준값(Stepα)의 α를 1씩 증가시켜 패턴 분류부를 통해 패턴 분류 과정을 반복할 수 있다.
상기 오차율은 다음 수학식 3의 평균 절대 비율 오차에 의해 계산될 수 있다.
[수학식 3]
Figure 112023018233444-pat00029

Figure 112023018233444-pat00030

여기서, MAPEerror은 평균 절대 비율 오차율, △Loadt,n는 부하 변화량, Xt는 △Loadt,n의 시간대별 평균값, N은 날짜수, t는 시간, n은 날짜이다.
삭제
이와 같이, 본 발명은 머신 러닝(machine learning) 학습을 통해 부하 패턴의 예측 신뢰도와 정확도를 개선하기 위해서 학습 전 부하 패턴을 분류하는 과정이 필요하다. 특히, 복잡하고 불규칙한 부하 패턴의 경우 일정 기준으로 분류하여 학습할 경우 결과값이 향상될 수 있다. 즉, 학습 전 패턴 분류는 인공지능(AI)이 학습 데이터에 너무 지나치게 맞추어 일반화 성능이 떨어지는 과적합(Over Fitting)과 적정 수준의 학습을 하지못하여 실제 예측 성능이 떨어지는 과소적합(Under Fitting) 증상을 방지하며, 부하 패턴 예측 결과에 대한 오차율을 개선하여 예측에 대한 정확도를 향상시킬 수 있다.
본 발명은 초기 부하 패턴의 군집 수를 설정하더라도 오차 연산부 및 판단부에 의해 적절한 군집 수를 결정하여 패턴 재분류를 수행하므로, 초기값 선정에 사용자의 경험 의존도가 적어질 수 있다.
ESS의 운전 계획을 산정하기 위한 목적으로 머신 러닝 부하 예측을 사용하기 위해서는 ESS의 충/방전 시점 결정이 가장 중요하다.
본 발명은 공장의 부하 데이터를 시간대별 부하 변화량으로 변환하고, 부하 변화량 데이터를 정수로 단순화되게 코드화하며, 단순화된 코드에 의해 대표 패턴을 추출하고, 이러한 대표 패턴의 머신 러닝 학습을 통해 머신 러닝 모델을 수립하고 이러한 머신 러닝 모델을 통해 미래의 전력 사용량을 예측할 수 있다.
본 발명은 부하 예측 인공 지능을 학습시키기 위해 ESS 충/방전 계획 산정에 적합하도록 개선된 패턴 분류 단계를 제공할 수 있다. 패턴 분류 단계는 부하의 변화량을 기준으로 분류하기 때문에 ESS의 충/방전 시점을 결정하는 인공 지능의 학습 데이터로 적합할 수 있다.
또한, ESS 피크 절감 운전을 수행할 경우, 해당 코드는 부하의 증감(부하 변화량)을 나타내므로. ESS 충전 결정 시점에 사용할 수 있고, 예측된 전력 사용량 데이터로부터 해당 시점의 충전량과 방전량을 결정할 수 있기 때문에 머신 러닝 모델의 결과는 ESS 운전 스케쥴 결정시 용이하게 활용될 수 있다.
도 1은 본 발명의 전력 사용량 예측 시스템의 구성도이다.
도 2는 본 발명의 일 실시 예에 따른 전력 사용량 예측 방법을 나타낸 순서도이다.
도 3은 본 발명의 머신 러닝 학습 이후에 미래 전력량 예측 단계까지의 과정을 나타낸 블럭도이다.
도 4의 (a)는 공장의 365일에 대한 24시간 부하 패턴 그래프이고, (b)는 부하 변화량 패턴을 나타낸 그래프이다.
도 5는 일별 분류된 부하와 단순화된 패턴 1,2를 나타낸 그래프이다.
도 6은 공장의 1일 부하를 나타낸 그래프이다.
도 7은 공장의 1일 부하 변화량을 나타낸 그래프이다.
도 8은 단순화 기준값 Step1을 가지는 부하 변화량을 비교한 그래프이다.
도 9는 단순화 기준값 Step2를 가지는 부하 변화량을 비교한 그래프이다.
도 10은 단순화 기준값 Step3을 가지는 부하 변화량을 비교한 그래프이다.
도 11은 본 발명에 의해 분류된 패턴 1의 그래프이다.
도 12는 본 발명에 의해 분류된 패턴 2의 그래프이다.
도 13은 본 발명에 의해 분류된 패턴 3의 그래프이다.
도 14는 본 발명에 의해 분류된 패턴 4의 그래프이다.
도 15는 본 발명에 의해 분류된 패턴 1 내지 4의 부하 변화를 나타낸 그래프이다.
이하, 본 발명을 실시하기 위한 구체적인 내용을 첨부된 예시 도면에 의거 상세하게 설명한다.
본 발명의 구체적인 내용을 설명함에 있어서, 패턴이라고 명기한 것은 모두 부하 패턴으로서 편의상 생략한 것이다.
도 1은 본 발명의 전력 사용량 예측 시스템의 구성도이다.
도 1을 참조하면, 본 발명의 전력 사용량 예측 시스템(10)은 부하 수집부(100), 코드 변환부(200), 패턴 분류부(300), 오차 연산부(400), 판단부(500), 머신 러닝 학습부(600) 및 예측부(700)로 이루어질 수 있다.
부하 수집부(100)는 기본 데이터인 부하 데이터(부하량)를 입수할 수 있다.
코드 변환부(200)는 부하 데이터를 부하 변화량 데이터로 변환시, 먼저 부하 데이터를 시간대별로 나누어서 분류하고, 시간대별 부하 변화량을 산정할 수 있다.
또한, 코드 변환부(200)는 일별 부하 데이터의 패턴별 구분을 위해 부하 변화량 데이터를 정수로 코드화하여 정수 패턴을 마련하도록 단순화시킬 수 있다. 여기서, 정수는 예를 들어 -2α ~ 2α로 이루어질 수 있다.
코드 변환부(200)는 해당 24시간 부하를 시간별 정수로 단순화하기 위해 원시 데이터를 증감에 대한 부하 변화량(△Loadt,n) 데이터로 변환한 다음, 변화량에 따른 정수값(Codet,n)으로 치환할 수 있다.
정수값(Codet,n)을 산출하기 위해서는 변화량에 대해 2α개의 등분으로 나누어 주어야 하고, 이때 부하 패턴의 단순화 기준값(Stepn)은 다음에서 상세하게 설명하는 수학식 1에 의해 구해질 수 있으며, 2α개로 등분할 때 부하 변화량에 대한 등분값의 크기일 수 있다.
여기서, α는 부하 패턴의 단순화를 위해 등분 수를 결정하는 변수일 수 있다.
이때, 정수로 코드화되어 단순화된 부하 패턴은 수학식 2와 같이 부하 변화량(△Loadt,n)이 단순화 기준값(Stepn)을 초과할 때 값이 새로 산정될 수 있다.
패턴 분류부(300)는 코드 변환부(200)에 의해 모든 날짜 n에 대하여 시간대별 정수값(Codet,n)을 구한 후, 24시간에 대한 같은 정수값(Codet,n)을 가진 패턴들을 취합할 수 있다. 그리고, 취합한 동일 패턴에 의한 복수의 대표 패턴들을 추출할 수 있다.
오차 연산부(400)는 패턴 분류부(300)를 통해 분류된 부하 패턴이 얼마나 유사한 패턴들로 군집하였는지 유사도를 판단하기 위해 군집한 부하 패턴의 평균값으로 계산한 대표 패턴과 개별 부하 패턴의 오차율을 계산할 수 있다.
오차율은 수학식 4 및 5에 의거 평균 절대 비율 오차율(MAPEerror) 계산식 등으로 구할 수 있다.
판단부(500)는 오차 연산부(400)를 통해 분류된 부하 패턴의 오차율을 연산한 다음, 추출한 대표 패턴과 개별 부하 패턴이 소정의 오차 범위를 만족하는지 여부를 판단하고, 만족하지 못한 경우 단순화 기준값(Stepα)을 다시 산정할 수 있다.
예를 들어, 검증 기준값(소정 오차율)을 50%로 가정하고, 평균 절대 비율 오차율(MAPEerror)이 50% 보다 크면 동일한 패턴으로 군집되지 않은 것으로 판단하고, 데이터 분류 과정의 단순화 기준값(Stepα)의 α를 1씩 증가시켜 패턴 분류부(300)를 통해 패턴 분류 과정을 반복할 수 있다.
평균 절대 비율 오차율(MAPEerror)이 50% 보다 작으면, 패턴 분류가 잘 된 것으로 판단하고, 각 분류별 평균값을 대표 패턴으로 출력할 수 있다.
또한, 변수 α에 따라 단순화 기준값(Stepα)이 결정되므로, 군집의 수가 변화할 수 있다.
오차 연산부(400)는 평균 절대 비율 오차율(MAPEerror)에 한정되지 않고 다른 다양한 오차 연산식으로 연산 처리될 수 있다.
도 3을 참조하면, 코드 변환부(200)에 의해 부하 데이터를 기반으로 부하 변화량 데이터로 변환하고 코드화를 통해 단순화하고 정수 패턴을 만들고, 패턴 분류부(300)를 통해 코드화된 정수 패턴이 동일한 부하를 취합하고 대표 패턴을 추출한 다음, 오차율 검증을 거쳐서 소정의 오차율 기준치를 만족하면, 대표 패턴으로 설정하고, 머신 러닝 학습부(600)는 이러한 대표 패턴에 대한 부하 변화량 데이터 정보를 제공받아서 학습할 수 있다.
예측부(700)는 패턴 분류부(300)를 통해 코드화된 대표 패턴과 실제 부하 패턴으로부터 미래의 전력 사용량 예측할 수 있고, 이때 머신 러닝 학습부(600)의 학습에 의해 실시간 부하 패턴을 통해 패턴을 단순화하고, 머신 러닝 모델을 설정한 다음, 미래 전력량을 예측할 수 있다.
도 2는 본 발명의 일 실시 예에 따른 전력 사용량 예측 방법을 나타낸 순서도이다.
도 2를 참조하면, 본 발명은 부하의 패턴을 분류하기 위해 부하 변화량 데이터를 기반으로 정수 코드로 단순화하는 방법일 수 있다.
본 발명의 예측 방법은 데이터 단순화 및 분류 과정, 분류를 검증하는 과정, 학습 및 예측하는 과정으로 이루어질 수 있다.
데이터 단순화 및 분류 과정(S10)은 기본 데이터인 부하 데이터를 부하 변화량 데이터로 변환하는 단계(S12), 변환된 부하 변화량 데이터의 패턴을 단순화하는 단계(S13)를 포함할 수 있다.
분류 검증 과정(S20)은 일자별로 단순화한 패턴을 동일한 패턴 별로 분류하는 단계(S21), 일자별로 단순화하여 분류한 패턴과 해당 군집의 실제 부하 패턴간의 편차를 계산하여 오차율을 산출하는 단계(S22), 산출된 오차율이 목표치에 만족하지 못한 경우, 패턴 단순화 기준값을 재산정하여 데이터 분류 과정의 단순화부터 다시 수행하는 단계(S23)를 포함할 수 있다.
학습 및 예측 과정(S30)은 단순화된 부하 패턴의 오차율이 목표치를 만족할 경우, 해당 부하 패턴의 산술 평균값을 대표 패턴으로 판단하고 머신 러닝 학습 단계(S31)를 포함하고 미래 전력량을 예측할 수 있다.
보다 구체적으로 전력 사용량 예측 방법에 대하여 설명하면 다음과 같다.
[데이터 단순화 및 분류 과정](S10)
예를 들어, 사업장의 부하 데이터를 일별 24시간대별로 나누어 분류하는 단계(S11)를 수행하는 작업이 선행되고, 추가적으로 시간대별 부하 변화량을 산정하는 단계(S12)로 이루어질 수 있다.
그런 다음에, 패턴 단순화 단계(S13)에서, 일별 부하 데이터를 -2α ~ 2α의 정수로 단순화할 수 있다.
여기서, α는 패턴 단순화를 위한 등분 수를 결정하는 변수일 수 있다.
해당 24시간 부하를 시간별 정수로 단순화하기 위해서는 도 4와 같이 원시 데이터를 증감에 대한 부하 변화량(△Loadt,n) 데이터로 변환한 다음, 부하 변화량에 따른 정수값(Codet,n)으로 치환할 수 있다.
따라서, n일의 부하 데이터로부터 n개의 시간별 정수 세트가 구해질 수 있다.
도 4는 사업장의 전력 사용량 1년분(365일)에 대한 1일(24시간)의 부하 패턴을 나타낸 그래프로서, 가로축은 24시간으로 시간별로 등분하고, 도 4의 (a)에서 세로축은 부하량(Load) 변화를 나타낸 것이고, (b)는 (a)의 부하량 변화에 대한 부하 변화량을 나타낸 것이며, 도 4의 그래프에 나타난 복수의 라인 각각은 1일의 사업장의 전력 사용량 부하를 나타낸 것이다.
부하 변화량(△Loadt,n)에서 t는 시간, n은 날짜이다.
부하 변화량(△Loadt,n)으로부터 단순화된 정수값(Codet,n)을 산출하기 위해서는 부하 변화량에 대해 2α개의 등분으로 나누어 줄 수 있다. 이 때, 단순화 기준값인 Stepα는 다음 수학식 1에 의한 단계(S14)를 거쳐서 구할 수 있다.
단순화 기준값(Stepα)은 2α개 등분할 때, 등분값의 크기를 의미할 수 있다.
Figure 112020129949651-pat00001
정수로 코드화되어 단순화된 부하 패턴의 정수 값(Codet,n)은 부하 변화량(△Loadt,n)이 단순화 기준값(Stepα)을 초과할 때, 다음 수학식 2에 의거 단순화 기준값(Stepα)을 새로 산정할 수 있다. 즉, 정수 0에서 정수 1, 정수 1에서 정수 2 등으로 설정될 수 있다.
Ct,n은 다음 수학식 3과 같이 부하 변화량에 대하여 단순화 기준값(Stepα)을 나누어서 내림한 정수값일 수 있다.
Figure 112020129949651-pat00002
Figure 112020129949651-pat00003
도 4를 참조하면, 공장(부하)의 전력 사용량에 대한 부하 패턴의 부하 변화량(△Loadt,n)의 최대치와 최소치에 대하여 각각 제1 라인(L1)과 제2 라인(L2)을 설정하고, 이 제1 라인(L1)과 제2 라인(L2) 구간내에서 정수를 이용하여 단순화 기준값(Stepα)을 설정해서 복수의 등분 라인(L3)(L4)(L5)을 형성할 수 있다.
따라서, 도 4는 부하 변화량(△Loadt,n)에 대한 부하 패턴 데이터의 최대치와 최소치 범위내에서 4개의 단순화 기준값(Stepα) 구간으로 설정한 예를 나타낸 것이다.
따라서, 도 4의 (b)에서 부하 변화량 축(세로축)의 0 선상에 위치한 부하 변화량에 대한 부하 패턴은 정수 0, 1개 등분 라인(L4)을 초과하여 상부에 위치하는 경우에는 1, 2개 등분 라인(L4)(L3)을 초과하여 상부에 위치하는 경우에는 2 등으로 코드화할 수 있다.
예를 들어, 단순화 기준값(Stepα)을 형성하는 등분 라인(L3)과 등분 라인(L4) 사이의 구간에 위치하는 부하 패턴 데이터 라인은 동일한 정수로 설정될 수 있다. 즉, 정수 0에서 등분 라인(L4)를 초과하고 등분 라인(L3)를 초과하지 않은 위치에 존재하는 부하 패턴 데이터 라인은 동일하게 1로 코드화되어 설정될 수 있다.
반대로, 부하 패턴 라인이 부하 변화량 0 미만으로 되면 마이너스(-)로 설정하여 1개의 등분 라인(L5)을 초과하면 -1로 설정할 수 있다. 마찬가지로, 등분 라인(L5)와 등분 라인(L2) 사이에 존재하는 부하 데이터 라인은 동일한 정수로 코드화될 수 있다.
다시 말해서, 등분 라인에 의해 구간이 정해지고, 해당 구간의 코드 값이 정해지게 되며, 등분 라인을 상향 초과하면 이전 코드 값에 +1, 하향 초과하면 이전 코드 값에 -1, 이러한 방식으로 24시간에 대한 코드 값이 만들어질 수 있다. 이때 초기값은 0일 수 있다.
만일, 다음 시간에 2개의 등분 라인을 상향 초과하면, +2, 3개의 등분 라인을 상향 초과하면 +3 일 수 있다. 반대의 경우도 동일하게 -2, -3이 될 수 있다.
따라서, 도 5는 도 4의 (b)에 나타낸 그래프를 토대로, 정수 코드가 동일한 것들을 모아서 단순하게 패턴화하여 패턴 1과 패턴 2로 나타난 것이다. 그러나, 이에 한정되지 않고 보다 많은 수의 동일 정수 코드를 가지는 부하 패턴이 존재할 수 있다.
다시 말해서, 모든 날짜 n에 대해 정수값(Codet,n)을 구한 후, 24시간에 대한 같은 정수값(Codet,n)을 가진 패턴을 취합하면 도 5와 같이 분류될 수 있다.
[분류 검증 과정](S20)
한편, 분류 검증 과정에서는 단순화 분류된 부하 패턴을 검증하여 대표 패턴을 산출할 수 있다.
분류한 부하 패턴이 얼마나 유사한 패턴들로 군집하였는지 유사도를 판단하기 위해, 군집한 부하 패턴의 평균값과 개별 패턴간의 오차율을 계산할 수 있다.
오차율은 수학식 4와 같이 평균 절대 비율 오차(MAPE; Mean Absolute Percentage Error) 계산 방식을 사용하여 계산할 수 있다.
Figure 112020129949651-pat00004
수학식 4에서 △Loadt,n는 부하 변화량, Xt는 △Loadt,n의 시간대별 평균값, t는 시간, n은 날짜을 의미할 수 있다.
Figure 112020129949651-pat00005
수학식 5에서 △Loadt,n는 부하 변화량, Xt는 △Loadt,n의 시간대별 평균값을 의미하고, N은 데이터 수(날짜 수), t는 시간, n은 날짜를 의미할 수 있다.
검증 기준값(일정 오차)은 50%로 가정하고, 평균 절대 비율 오차(MAPEerror)가 50% 보다 크면, 동일한 부하 패턴으로 군집되지 않은 것으로 판단하고, 데이터 분류 과정의 단순화 기준값(Stepα)의 변수 α를 1씩 증가시켜 다시 부하 패턴의 분류 과정을 반복할 수 있다.
반대의 경우, 즉 평균 절대 비율 오차(MAPEerror)가 50% 보다 작으면, 오차율이 적어진 것이므로, 부하 패턴의 분류가 잘된 것으로 판단하여 분류별 부하 패턴의 평균값을 대표 패턴으로 출력할 수 있다.
원시 데이터로서 A사 가스 공장의 4개월간 부하 데이터를 사용하여 진행하고 해당 공장의 부하 데이터는 표 1과 같다.
구분 부하량(kWh)
시간당 최대 부하량 36,404.98
시간당 최소 부하량 17,612.32
일평균 부하량 734,391.94
시간당 최대 부하 증가량 4,185.70
시간당 최대 부하 감소량 4,064.19
도 7은 본 발명에 의해 패턴을 분류하기 위해서 가스 공장의 부하 데이터를 부하 변화량 데이터로 변환한 그래프이다. 부하 변화량 데이터로부터 부하의 증가 감소를 판단하고, 정수값(Codet,n)을 계산하기 위해 단순화 기준값(Stepα)을 산정해야 한다.
낮은 단순화 기준값(α가 작은 Stepα)으로 패턴을 분류할 경우, 등분 라인간의 간격이 커지므로, 패턴의 정확도가 낮아지며, 높은 Step(α가 큼)으로 패턴을 분류할 경우, 등분 라인간의 간격이 작아지므로 같은 패턴으로 분류되는 데이터가 적어지므로 적절한 Step 적용이 필요할 수 있다.
단순화 기준값(Stepα)의 α를 1 ~ 3으로 증가시키면서 등분 라인 값의 크기를 계산한 결과는 표 2와 같고, 도 8 내지 도 10은 가스 공장 부하 변화량과 단순화 기준값(Stepα)을 비교한 그래프이다.
구분 판단기준 부하 변화량(kWh)
Step1 4,124.95
Step2 2,062.47
Step3 1,031.24
도 8의 Min/Max선은 공장 부하 변화량 데이터의 시간당 최대 부하 증가량과 최대 부하 감소량을 나타낸 선이다.
도 8의 그래프에서 Min/Max선 사이를 세로축의 0을 기준으로 2등분하고 판단하고자 하는 시간대의 부하 변화량이 그래프의 C=1의 크기보다 크게 증가할 경우, 해당 시간대의 C 값은 1과 2 사이에서 결정되며, 반대로 두선의 간격보다 크게 감소할 경우, 해당 시간대의 C 값은 -1과 -2 사이에서 결정될 수 있으며, 이를 제외한 경우의 C값은 0이다.
단순화 기준값(Step2)은 도 9와 같이 Min/Max선 사이를 4등분하여 부하 변화량에 따라 C가 -4와 4 사이에서 정해질 수 있다.
도 10은 단순화 기준값(Step3)로 Min/Max선 사이를 8등분하여 부하 변화량에 따라 C가 -8과 8 사이에서 정해질 수 있다. 즉, 8등분시 8등분을 단번에 상향 통과하면 +8, 단번에 하향 통과하면 -8이 되므로, C값의 최소 최대값의 범위는 -8 ~ +8의 값이 될 수 있다.
이렇게 분류된 C의 값에 따라 정수값(Code 값)이 결정되며, 이를 통해 일별 패턴을 단순화하여 분류할 수 있다.
본 발명에 따른 패턴 분류의 부하 증가 감소를 판단하는 기준을 Step2로 가정하여 패턴을 분류한 결과는 도 11 내지 도 14와 같이 4가지 부하 패턴과 같다.
도 11을 참조하면, 본 발명은 전구간의 Codet,n 값이 모두 0으로 표현되어 하나로 분류하였다.
본 발명에 따른 알고리즘은 자동 수정 기능(Stepα의 α 업데이트 기능)이 갖추어질 수 있고, 해당 단순화 기준값을 적절히 자동 조정하여 의미없이 변동성이 심한 부분은 모두 0으로 코드 값이 변환되어 분류 과정에 적용될 수 있다.
부하 군집 결과로 ESS 충전 및 방전 스케쥴을 수행한다는 관점을 보았을 때, 본 발명의 분류 결과가 적절한 분류임을 알 수 있다.
도 12 내지 도 14도 모두 비슷한 패턴이 분류된 것을 확인할 수 있다.
도 11 내지 도 14에 따른 패턴 1 내지 4의 부하 변화량에 대한 MAPE 오차율도 표 3과 같이 약 32.2% ~ 44.2%로 각 패턴의 오차율 차이 또한 일정하게 나타남을 알 수 있다.
본 발명 오차율(%)
패턴 1 32.2
패턴 2 35.0
패턴 3 33.5
패턴 4 44.2
본 발명은 부하 변화량(증감량)을 기준으로 군집을 분류하기 때문에, 도 10과 같이 부하량의 크기가 다르더라도 동일한 패턴으로 분류할 수 있으며, 오차율이 크게 차이 나지 않는 점은 ESS의 운전 결정 계획에 큰 장점을 가질 수 있다.
부하량의 증가 감소 패턴은 ESS의 최적의 스케쥴 산정에 있어서 매우 중요한 요소일 수 있다.
도 15는 본 발명의 예측 방법으로 분류된 시간대별 부하 변화량 그래프로서, 도 15에서의 [a] 내지 [d]는 패턴(pattern) 1 내지 4의 부하 변화량을 나타낸 것이다.
도 15에서, x축의 1칸은 1시간을 의미한다. 따라서, 본 발명의 예측 방법은 부하 변화량(부하 증감량)을 기반으로 패턴을 분류하기 때문에 분류된 패턴의 부하 변화량이 패턴별로 해당 시간대에서 일정한 값을 가질 수 있다.
본 발명의 예측 방법은 일정한 변화량을 가진 패턴으로 분류하고, 분류 오차 역시 편차가 적으므로, 머신 러닝(machine learning)을 통한 예측시 ESS의 충방전 계획을 결정함에 있어 보다 더 유용한 결과를 보일 수 있다.
머신 러닝(machine learning)은 데이터의 생성 양, 주기, 형식 등이 다양한 빅데이터를 이용하여 미래를 예측하는 기술이다.
ESS는 부하량 예측에 기반을 두고 스케쥴이 산정될 수 있다. 따라서, ESS의 최적 운영에 있어서 정확한 부하량 예측은 매우 중요할 수 있다. 또한, ESS의 스케쥴을 산정함에 있어서 부하의 증가 감소 패턴이 중요하기 때문에 해당 사항을 고려한 패턴 분류 방법이 필요할 수 있다.
상기에서는 AI(인공지능) 학습 기반의 부하량 예측 기법을 사용하기에 앞서, 부하의 증가 감소를 기반으로 패턴을 군집하는 방법에 대하여 제공한 것이다.
도 3은 본 발명에 따른 머신 러닝 학습에 의해 미래 전력 사용량을 예측하는 방법을 설명하기 위한 블럭도이다.
도 3을 참조하면, 본 발명은 부하 패턴의 분류 및 대표 패턴을 산출한 다음 오차율 검증을 통해 소정의 오차율 기준치를 만족하면, 대표 패턴을 선정하고, 이러한 대표 패턴들에 대한 정보를 머신 러닝 학습부(700)에 제공하여 학습시킬 수 있다.
본 발명은 머신 러닝 학습부(600)를 통해 전력 사용량에 대한 실시간 부하 패턴 및 해당 부하 패턴에 대한 코드를 통해 단순화한 데이터를 입력하여 학습시킨 다음, 머신 러닝 모델을 설정하여 예측부(700)를 통해 미래에 대한 전력량 예측을 할 수 있다.
다시 말해서, 본 발명은 부하 패턴과 다른 학습 자료를 동시에 머신 러닝 학습부(600)를 통해 학습시킬 수 있다.
즉, 머신 러닝 학습시키는 방법은 해당 부하(공장)의 조업 시간, 온도, 평일 또는 주말의 구분, 조업 스케쥴 등의 제반 데이터를 동시에 학습시키는 방법으로서, 가장 적절하게 학습시키는 방법일 수 있다.
그러나, 이러한 제반 데이터를 실제로 획득하기 어려울 수 있다.
따라서, 본 발명에서는 전력 사용량 데이터인 부하 데이터를 부하 변화량 데이터로 변환하고 코드를 생성하여 단순화한 다음, 이러한 과거의 전력 사용량에 대한 부하 변화량 데이터와 해당 코드를 머신 러닝에 학습시키는 방법일 수 있다.
부하량이 다른 2개의 군집화된 부하 패턴으로부터 추출되는 대표 패턴이 유사한 경우, 한 군집으로 취합하기 위해서는 보정이 필요한데, 입력 데이터의 보정은 결과물에 치명적인 영향(원하는 결과와 다른 결과)을 줄 수 있다.
이러한 문제를 보완하기 위해 본 발명은 각각의 개별 패턴의 군집에 대한 대표 패턴을 사용하지 않고 부하의 증감을 이용한 정수화된 코드를 부하 패턴 학습을 위한 수단으로 사용하고, 머신 러닝이 코드 학습을 수행하면, 예를 들어, 도 11의 분류 결과와 같이 전체적인 부하의 크기(부하량)가 다르더라도 코드가 동일하기 때문에 더 정확한 예측 결과를 얻을 수 있다.
즉, 도 11에서 군집된 해당 부하의 경우, 부하량이 다르더라도 부하 변화량 데이터에 근거한 부하 패턴이 동일하기 때문에 ESS 충전 및 방전 스케줄은 모두 동일할 수 있다. 도 12 내지 도 14도 각각 부하 패턴이 동일하므로 해당 군집의 ESS 충전 및 방전 스케줄은 모두 동일할 수 있다.
따라서, 본 발명은 머신러닝 예측 결과로 얻어진 미래 전력 사용량과 코드로부터 ESS 충전 및 방전 스케줄을 결정할 경우, 미래 전력 사용량을 이용하여 충전 및 방전 스케줄을 결정하고 전력 사용량 예측 오차를 보정하도록 코드를 사용하여 ESS 충전 및 방전 스케줄을 조정할 수 있다.
본 발명은 데이터 단순화 및 분류 과정을 통해 부하 변화량 데이터를 산출하여 코드화 과정이 진행되고, 코드화 과정에서 부하 변화량 데이터의 단순화 기준값을 설정하게 될 수 있다. 여기서, 해당 기준값에 따라 패턴의 분류가 상이하게 도출될 수 있기 때문에, 적절한 기준값 산정에 대해 고려하여 반영하면 보다 개선된 분류 결과를 얻을 수 있다.
n... 날짜수 L1... 제1 라인
L2... 제2 라인 L3,L4,L5... 등분 라인
t... 시간
Codet,n... 정수값 Stepα... 단순화 기준값
△Loadt,n... 부하 변화량
S10... 데이터 단수화 및 분류 과정
S20... 분류 검증 과정
S30... 학습 및 예측 과정
S11,S12,S13,S14,S21,S22,S23,S31... 단계
10... 패턴 분류 장치
100... 부하 수집부 200... 코드 변환부
300... 패턴 분류부 400... 오차 연산부
500... 판단부 600... 머신 러닝 학습부
700... 예측부

Claims (17)

  1. 전력 사용량에 대하여 시간대별로 부하 데이터를 입수하는 부하 수집부;
    상기 부하 수집부에 의해 입수된 부하 데이터를 부하 변화량 데이터로 변환하고, 상기 부하 변화량 데이터에 대응하는 정수를 획득하는 코드 변환부;
    상기 코드 변환부에 의해 상기 부하 변화량 데이터의 부하 변화량에 따른 정수로 코드화되어 단순화된 상태에서, 코드화된 정수에 대한 정수 패턴이 동일한 부하 패턴을 취합하고, 취합된 부하 패턴에서의 평균값을 통해 대표 패턴을 추출하는 패턴 분류부;
    상기 패턴 분류부를 통해 분류된 상기 부하 패턴이 얼마나 유사한 부하 패턴들로 군집하였는지에 대한 유사도를 판단하기 위해 군집한 부하 패턴의 평균값으로 계산된 대표 패턴과 개별 패턴간의 오차율을 계산하는 오차 연산부;
    상기 패턴 분류부에 의해 산출된 상기 대표 패턴의 정확도를 상기 오차 연산부에 의해 계산된 오차율을 근거로 판단하는 판단부;
    상기 패턴 분류부에 의해 추출된 상기 대표 패턴과 실제 부하 패턴으로부터 미래 전력 사용량을 예측하는 예측부; 를 포함하고,
    상기 코드 변환부는 다음의 수학식 1에 의하여 정수값을 산출하기 위한 단순화 기준값을 도출하고, 다음의 수학식 2에 의하여 부하 변화량 데이터를 정수로 코드화하며,
    정수로 코드화되어 단순화된 부하 패턴의 정수 값(Codet,n)은 부하 변화량(△Loadt,n)이 단순화 기준값(Stepα)을 초과할 때, 다음 수학식 2에 의거 단순화 기준값(Stepα)을 새로 산정하고,
    상기 오차 연산부에 의해 산출된 오차율이 검증 기준치 이내로 만족하면, 상기 판단부에 의해 각 분류별 부하 패턴의 평균치를 대표 패턴으로 설정하며,
    상기 예측부는 머신 러닝 학습부의 학습에 의해 실시간 부하 패턴을 통해 패턴을 단순화하고, 머신 러닝 모델을 설정한 다음,
    설정된 머신 러닝 모델이 실시간 부하 패턴에 대한 코드를 기반으로 실시간 부하 패턴을 반영하여 예측하도록 부하 패턴에 대한 코드와 실시간 부하 패턴을 입력한 다음, 예측하고자 하는 시간까지의 전력 사용량을 예측하는 전력 사용량 예측 시스템.
    [수학식 1]
    Figure 112023018233444-pat00031

    [수학식 2]
    Figure 112023018233444-pat00032

    Figure 112023018233444-pat00033

    여기서, Stepα 는 부하 변화량에 대한 각 등분의 크기인 단순화 기준값, △Loadt,n는 부하 변화량 데이터, MAX(△Loadt,n)은 최대 부하 변화량, MIN(△Loadt,n)은 최소 부하 변화량, Codet,n는 부하 변화량에 따른 정수값, Ct,n은 부하 변화량(△Loadt,n)에 대해 단순화 기준값(Stepα)을 나누어서 내림한 값, t는 시간, n은 날짜, α는 부하 패턴의 단순화를 위해 부하 변화량에 대한 등분수를 결정하는 변수이다.
  2. 삭제
  3. 삭제
  4. 삭제
  5. 삭제
  6. 제1 항에 있어서,
    상기 코드 변환부는,
    부하 변화량에 따른 정수를 산출하기 위해서 전력 사용량에 대한 부하 패턴의 부하 변화량의 최대치와 최소치에 대한 등분 라인을 설정하고,
    최대치와 최소치에 대한 등분 라인 구간내에서 정수를 이용하여 상기 단순화 기준값에 의해 부하 변화량 데이터에 대한 등분 라인을 정하며,
    부하 변화량 데이터가 0(zero) 선상에 위치한 부하 변화량에 대한 부하 패턴은 정수 0, 1개 등분 라인을 초과하여 상부에 위치하는 경우에는 정수 1, 2개 등분 라인을 초과하여 상부에 위치하는 경우에는 정수 2로 코드화하는 전력 사용량 예측 시스템.
  7. 삭제
  8. 제1 항에 있어서,
    상기 오차 연산부는 연산된 상기 대표 패턴의 오차율에 따라 상기 대표 패턴이 소정 오차율 이상 벗어나서 대표 패턴으로 채택될 수 없는 경우,
    단순화 기준값(Stepα)의 α를 1씩 증가시켜 패턴 분류부를 통해 패턴 분류 과정을 반복하는 전력 사용량 예측 시스템.
  9. 제1 항에 있어서,
    상기 오차율은 다음 수학식 3의 평균 절대 비율 오차에 의해 계산되는 전력 사용량 예측 시스템.
    [수학식 3]
    Figure 112023018233444-pat00009

    Figure 112023018233444-pat00010

    여기서, MAPEerror은 평균 절대 비율 오차율, △Loadt,n는 부하 변화량, Xt는 △Loadt,n의 시간대별 평균값, N은 날짜수, t는 시간, n은 날짜이다.
  10. 삭제
  11. 삭제
  12. 삭제
  13. 삭제
  14. 삭제
  15. 삭제
  16. 삭제
  17. 삭제
KR1020200165801A 2020-12-01 2020-12-01 전력 사용량 예측 시스템 및 방법 KR102544172B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200165801A KR102544172B1 (ko) 2020-12-01 2020-12-01 전력 사용량 예측 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200165801A KR102544172B1 (ko) 2020-12-01 2020-12-01 전력 사용량 예측 시스템 및 방법

Publications (2)

Publication Number Publication Date
KR20220076869A KR20220076869A (ko) 2022-06-08
KR102544172B1 true KR102544172B1 (ko) 2023-06-16

Family

ID=81981781

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200165801A KR102544172B1 (ko) 2020-12-01 2020-12-01 전력 사용량 예측 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR102544172B1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117217351A (zh) * 2023-07-25 2023-12-12 河北华电冀北新能源有限公司 一种高精度学习的电力辅助决策方法及系统
CN117154740B (zh) * 2023-10-31 2024-01-26 国网浙江省电力有限公司宁波供电公司 一种蓄热式电采暖参与配电网的负荷调控方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101761686B1 (ko) * 2017-03-31 2017-07-31 (주)하모니앤유나이티드 머신 러닝을 이용한 태양광 발전량 실시간 예측 시스템
KR102036243B1 (ko) * 2018-07-17 2019-10-24 숭실대학교산학협력단 전력 사용량 예측 장치 및 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101761686B1 (ko) * 2017-03-31 2017-07-31 (주)하모니앤유나이티드 머신 러닝을 이용한 태양광 발전량 실시간 예측 시스템
KR102036243B1 (ko) * 2018-07-17 2019-10-24 숭실대학교산학협력단 전력 사용량 예측 장치 및 방법

Also Published As

Publication number Publication date
KR20220076869A (ko) 2022-06-08

Similar Documents

Publication Publication Date Title
CN109657844B (zh) 电力短期负荷预测方法和装置
CN110503256B (zh) 基于大数据技术的短期负荷预测方法及系统
KR102544172B1 (ko) 전력 사용량 예측 시스템 및 방법
CN110610121B (zh) 基于曲线聚类的小时级源荷功率异常数据辨识与修复方法
CN114792156B (zh) 基于曲线特征指标聚类的光伏输出功率预测方法和系统
CN105701562B (zh) 训练方法、所适用的预测发电功率的方法及各自系统
CN110188221B (zh) 一种基于形状距离的负荷曲线层次聚类方法
CN110782094B (zh) 一种居民用户细粒度用电行为的分项负荷预测方法
CN108694470A (zh) 一种基于人工智能的数据预测方法及装置
CN110400018B (zh) 用于燃煤火力电厂制粉系统的运行控制方法、系统和装置
CN110456756A (zh) 一种适用于连续生产过程全局运行状况在线评估的方法
CN117595231B (zh) 一种智能电网配网管理系统及其方法
Qiuyu et al. Short-term load forecasting based on load decomposition and numerical weather forecast
CN113536694B (zh) 综合能源系统鲁棒优化运行方法、系统、装置及存储介质
CN111815054A (zh) 基于大数据的工业蒸汽热网短期负荷预测方法
CN115470862A (zh) 动态自适应负荷预测模型组合方法
CN103699947A (zh) 一种基于元学习的电力系统时变非线性负荷组合预测方法
CN116826710A (zh) 基于负荷预测的削峰策略推荐方法、装置及存储介质
CN114186733A (zh) 一种短期负荷预测方法和装置
CN117610214A (zh) 一种基于动态地理特征的配电网接线智能规划方法
CN107453346A (zh) 一种适用于配电网重构的负荷曲线时段划分方法
CN116644562B (zh) 一种新能源电站运维费用评估系统
KR20190071174A (ko) 기압 데이터를 이용한 단기 풍속 예측 방법 및 시스템
CN112464419B (zh) 基于随机鲁棒混合优化的独立微电网设计系统及方法
Chuentawat et al. The forecast of PM10 pollutant by using a hybrid model

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant