KR102577327B1 - 인공신경망 기반의 전기 부하 예측 방법 및 장치 - Google Patents

Abstract

본 발명은 인공신경망 기반의 전기 부하 예측 방법에 관한 것이다. 인공신경망 기반의 전기 부하 예측 방법은, 인공신경망 모델의 입력 데이터를 구성하는 복수의 내부 인자 및 복수의 외부 인자를 생성하는 단계, 생성된 복수의 내부 인자 및 복수의 외부 인자에 대응하는 데이터를 인공신경망 모델에 제공하여 건물의 제1 전기 부하 데이터를 출력하는 단계를 포함한다.

Description

인공신경망 기반의 전기 부하 예측 방법 및 장치{METHOD AND DEVICE FOR PREDICTING ELECTRICAL LOAD BASED ON ARTIFICIAL NEURAL NETWORK}

본 발명은 인공신경망 기반의 전기 부하 예측 방법 및 장치에 관한 것으로, 구체적으로, 내부 인자 및 외부 인자에 따른 특정 건물의 전력량을 예측하기 위한 인공신경망 기반의 전기 부하 예측 방법 및 장치에 관한 것이다.

건물의 전기 부하 예측은 스마트 시티 구현을 위한 에너지 운영 전략 설계에 매우 중요하다. 이에 따라, 현재 건물의 전기 부하 예측을 위한 인공신경망의 개발이 활발히 진행되고 있다. 그러나, 이러한 인공신경망은 적절한 입력 변수(인자)가 설정되지 않으면 건물의 전기 부하를 정확히 예측하기 어려운 문제가 있다. 또한, 인공신경망 내부에서 각각의 입력 변수가 전기 부하 예측에 어떤 영향을 미치는지 알기 어려운 문제가 있다.

본 발명은 상기와 같은 문제점을 해결하기 위한 인공신경망 기반의 전기 부하 예측 방법, 컴퓨터 판독 가능 매체에 저장된 컴퓨터 프로그램, 컴퓨터 프로그램이 저장된 컴퓨터 판독 가능 매체 및 장치(시스템)를 제공한다.

본 발명은 방법, 장치(시스템), 컴퓨터 판독 가능 매체에 저장된 컴퓨터 프로그램 또는 컴퓨터 프로그램이 저장된 컴퓨터 판독 가능 매체를 포함한 다양한 방식으로 구현될 수 있다.

본 발명의 일 실시예에 따르면, 적어도 하나의 프로세서에 의해 수행되는 인공신경망 기반의 전기 부하 예측 방법은, 인공신경망 모델의 입력 데이터를 구성하는 복수의 내부 인자 및 복수의 외부 인자를 생성하는 단계, 생성된 복수의 내부 인자 및 복수의 외부 인자에 대응하는 데이터를 인공신경망 모델에 제공하여 건물의 제1 전기 부하 데이터를 출력하는 단계, XAI 모델을 이용하여 제1 전기 부하 데이터와 복수의 내부 인자 및 복수의 외부 인자 각각의 연관성을 결정하고, 결정된 연관성을 기초로 복수의 내부 인자 및 복수의 외부 인자 각각의 우선순위를 결정하는 단계, 결정된 우선순위를 기초로 복수의 내부 인자 및 복수의 외부 인자 각각에 대응하는 복수의 가중치를 산출하는 단계, 산출된 복수의 가중치를 대응되는 복수의 내부 인자 및 복수의 외부 인자 각각에 적용하는 단계 및 복수의 가중치가 적용된 복수의 내부 인자 및 복수의 외부 인자를 인공신경망 모델에 제공하여 건물의 제2 전기 부하 데이터를 출력하는 단계를 포함한다.

본 발명의 일 실시예에 따르면, 복수의 내부 인자 및 복수의 외부 인자를 생성하는 단계는, 건물의 과거 전력 소비량 데이터를 획득하는 단계 및 획득된 과거 전력 소비량 데이터를 기초로 예측 시점 하루 이전의 전력 소비량, 예측 시점 일주 이전의 전력 소비량 및 예측 시점 이전 일주일 동안의 평균 전력 소비량을 복수의 내부 인자 중 적어도 일부로 생성하는 단계를 포함한다.

본 발명의 일 실시예에 따르면, 복수의 내부 인자 및 복수의 외부 인자를 생성하는 단계는, 를 기초로 생성되는 제1 타임스탬프 데이터를 복수의 외부 인자 중 적어도 일부로 생성하는 단계를 포함한다. 여기서,은 시간 단위를 나타내고, 은 주기를 나타낸다.

본 발명의 일 실시예에 따르면, 복수의 내부 인자 및 복수의 외부 인자를 생성하는 단계는, 를 기초로 생성되는 제2 타임스탬프 데이터를 복수의 외부 인자 중 적어도 일부로 생성하는 단계를 포함한다. 여기서,은 시간 단위를 나타내고, 은 주기를 나타낸다.

본 발명의 일 실시예에 따르면, 복수의 내부 인자 및 복수의 외부 인자를 생성하는 단계는, 예측 시점의 온도-습도 연관성 데이터 및 온도-풍속 연관성 데이터를 복수의 외부 인자 중 적어도 일부로 생성하는 단계를 포함한다.

본 발명의 일 실시예에 따르면, 온도-습도 연관성 데이터는,

에 의해 산출된다. 여기서, 는 온도-습도 연관성 데이터를 나타내고, 는 예측 시점의 온도를 나타내고, 는 예측 시점의 습도를 나타낸다.

본 발명의 일 실시예에 따르면, 온도-풍속 연관성 데이터는,

에 의해 산출된다. 여기서, 는 온도-풍속 연관성 데이터를 나타내고, 는 예측 시점의 온도를 나타내고, 는 예측 시점의 풍속을 나타낸다.

본 발명의 일 실시예에 따르면, 인공신경망 모델은 결정 트리 기반의 앙상블 학습 모델이다.

본 발명의 일 실시예에 따르면, 출력된 건물의 제2 전기 부하 데이터를 기초로 목적일 까지의 건물의 사용 가능 전력량을 산출하는 단계를 더 포함한다.

본 발명의 일 실시예에 따르면, 산출된 건물의 사용 가능 전력량이 사전 결정된 임계값 이하인 경우, 건물과 연관된 사용자 단말로 경고 메시지를 전송하는 단계를 더 포함한다.

본 발명의 일 실시예에 따른 상술된 방법을 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램이 제공된다.

본 발명의 일 실시예에 따른 컴퓨팅 장치는, 통신 모듈, 메모리 및 메모리와 연결되고, 메모리에 포함된 컴퓨터 판독 가능한 적어도 하나의 프로그램을 실행하도록 구성된 적어도 하나의 프로세서를 포함한다. 적어도 하나의 프로그램은, 인공신경망 모델의 입력 데이터를 구성하는 복수의 내부 인자 및 복수의 외부 인자를 생성하고, 생성된 복수의 내부 인자 및 복수의 외부 인자에 대응하는 데이터를 인공신경망 모델에 제공하여 건물의 제1 전기 부하 데이터를 출력하고, XAI 모델을 이용하여 제1 전기 부하 데이터와 복수의 내부 인자 및 복수의 외부 인자 각각의 연관성을 기초로 복수의 내부 인자 및 복수의 외부 인자 각각의 우선순위를 결정하고, 결정된 우선순위를 기초로 복수의 내부 인자 및 복수의 외부 인자 각각에 대응하는 복수의 가중치를 산출하고, 산출된 복수의 가중치를 대응되는 복수의 내부 인자 및 복수의 외부 인자 각각에 적용하고, 복수의 가중치가 적용된 복수의 내부 인자 및 복수의 외부 인자를 인공신경망 모델에 제공하여 건물의 제2 전기 부하 데이터를 출력하기 위한 명령어들을 포함한다.

본 발명의 다양한 실시예에서 컴퓨팅 장치는 건물의 향후 전기 부하를 예측하기 위한 최적의 입력 데이터를 구성하고, 해당 입력 데이터를 학습된 인공신경망 모델에 제공하여 제1 전기 부하 데이터를 예측할 수 있다.

본 발명의 다양한 실시예에서 컴퓨팅 장치는 XAI 모델을 기초로 제1 전기 부하 데이터와 입력된 인자들 사이의 연관성을 결정하고, 전기 부하 데이터를 예측하는데 높은 성능을 보이는 인자들의 가중치를 높게 조정함으로써 인공신경망 모델의 예측 성능을 효과적으로 향상시킬 수 있다.

본 발명의 다양한 실시예에서 컴퓨팅 장치의 관리자는 입력 데이터를 제공하는 것만으로 사용 가능 전력량과 관련된 정보를 손쉽게 획득하고, 이를 기초로 전력 사용 계획을 효율적으로 수립할 수 있다.

본 발명의 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급되지 않은 다른 효과들은 청구범위의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자("통상의 기술자"라 함)에게 명확하게 이해될 수 있을 것이다.

본 발명의 실시예들은, 이하 설명하는 첨부 도면들을 참조하여 설명될 것이며, 여기서 유사한 참조 번호는 유사한 요소들을 나타내지만, 이에 한정되지는 않는다.
도 1은 본 발명의 일 실시예에 따른 컴퓨팅 장치가 제1 전기 부하 데이터를 예측하는 예시를 나타내는 도면이다.
도 2는 본 발명의 일 실시예에 따른 컴퓨팅 장치가 입력 데이터를 구성하는 각 인자들의 가중치를 결정하는 예시를 나타내는 도면이다.
도 3은 본 발명의 일 실시예에 따른 인공신경망 모델을 입력 데이터를 구성하는 복수의 내부 인자 및 복수의 외부 인자의 예시를 나타내는 테이블이다.
도 4는 본 발명의 일 실시예에 따른 인공신경망 모델을 나타내는 예시도이다.
도 5는 본 발명의 일 실시예에 따른 인공신경망 기반의 전기 부하 예측 방법의 예시를 나타내는 도면이다.
도 6은 본 발명의 일 실시예에 따른 컴퓨팅 장치의 내부 구성을 나타내는 블록도이다.

이하, 본 발명의 실시를 위한 구체적인 내용을 첨부된 도면을 참조하여 상세히 설명한다. 다만, 이하의 설명에서는 본 발명의 요지를 불필요하게 흐릴 우려가 있는 경우, 널리 알려진 기능이나 구성에 관한 구체적 설명은 생략하기로 한다.

첨부된 도면에서, 동일하거나 대응하는 구성요소에는 동일한 참조부호가 부여되어 있다. 또한, 이하의 실시예들의 설명에 있어서, 동일하거나 대응되는 구성요소를 중복하여 기술하는 것이 생략될 수 있다. 그러나, 구성요소에 관한 기술이 생략되어도, 그러한 구성요소가 어떤 실시예에 포함되지 않는 것으로 의도되지는 않는다.

개시된 실시예의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명이 완전하도록 하고, 본 발명이 통상의 기술자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것일 뿐이다.

본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 개시된 실시예에 대해 구체적으로 설명하기로 한다. 본 명세서에서 사용되는 용어는 본 발명에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 관련 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서, 본 발명에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 발명의 전반에 걸친 내용을 토대로 정의되어야 한다.

본 명세서에서의 단수의 표현은 문맥상 명백하게 단수인 것으로 특정하지 않는 한, 복수의 표현을 포함한다. 또한, 복수의 표현은 문맥상 명백하게 복수인 것으로 특정하지 않는 한, 단수의 표현을 포함한다. 명세서 전체에서 어떤 부분이 어떤 구성요소를 포함한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다.

본 발명에서, "포함하다", "포함하는" 등의 용어는 특징들, 단계들, 동작들, 요소들 및/또는 구성 요소들이 존재하는 것을 나타낼 수 있으나, 이러한 용어가 하나 이상의 다른 기능들, 단계들, 동작들, 요소들, 구성 요소들 및/또는 이들의 조합이 추가되는 것을 배제하지는 않는다.

본 발명에서, 특정 구성 요소가 임의의 다른 구성 요소에 "결합", "조합", "연결" 되거나, "반응" 하는 것으로 언급된 경우, 특정 구성 요소는 다른 구성 요소에 직접 결합, 조합 및/또는 연결되거나, 반응할 수 있으나, 이에 한정되지 않는다. 예를 들어, 특정 구성 요소와 다른 구성 요소 사이에 하나 이상의 중간 구성 요소가 존재할 수 있다. 또한, 본 발명에서 "및/또는"은 열거된 하나 이상의 항목의 각각 또는 하나 이상의 항목의 적어도 일부의 조합을 포함할 수 있다.

본 발명에서, "제1", "제2" 등의 용어는 특정 구성 요소를 다른 구성 요소와 구별하기 위해 사용되는 것으로, 이러한 용어에 의해 상술된 구성 요소가 제한되진 않는다. 예를 들어, "제1" 구성 요소는 "제2" 구성 요소와 동일하거나 유사한 형태의 요소일 수 있다.

본 발명에서, "전기 부하 데이터(electrical load data)"는 건물에서 소비되는 전력을 나타내는 예측 데이터를 지칭할 수 있다.

본 발명에서, "온도-습도 연관성 데이터"는 온도와 습도 데이터를 기준으로 특정 수학식에 의해 산출된 데이터를 지칭할 수 있으며, "온도-풍속 연관성 데이터"는 온도와 풍속 데이터를 기준으로 특정 수학식에 의해 산출된 데이터를 지칭할 수 있다.

본 발명에서, "앙상블 학습(ensemble learning)"은 더 나은 분류 또는 예측을 도출하기 위해 여러 모델을 전략적으로 생성하고 결합하는 인공신경망 모델의 학습 방법을 지칭할 수 있다. 예를 들어, 앙상블 학습은 배깅(bagging), 부스팅(boosting), 스태킹(stacking) 등의 학습 방법으로 포함할 수 있다.

본 발명에서, "결정 트리(decision tree)"는 내부적인 기준으로 통해 참/거짓을 판별한 후 노드가 뻗어 나가는 형태의 머신러닝 알고리즘을 지칭할 수 있다.

본 발명에서, "XAI(explainable AI) 모델"은 설명 가능한 인공지능으로서 인공신경망 모델의 판단 결과에 대한 해석 능력을 제공하기 위한 기술을 지칭할 수 있다. 예를 들어, XAI 모델은 인공신경망 모델에 입력된 각 데이터가 해당 인공신경망 모델에서 출력된 결과에 어떠한 영향을 미쳤는지 여부를 측정할 수 있다.

도 1은 본 발명의 일 실시예에 따른 컴퓨팅 장치(100)가 제1 전기 부하 데이터(114)를 예측하는 예시를 나타내는 도면이다. 도시된 것과 같이, 컴퓨팅 장치(100)는 학습된 인공신경망 모델(110)을 이용하여 입력 데이터(112)를 기초로 제1 전기 부하 데이터(114)를 예측할 수 있다. 여기서, 컴퓨팅 장치(100)는 STLF(short-term load forecasting)를 기반으로 특정 건물의 일일 최대 수요를 줄여 정전을 방지하거나 잉여 에너지를 생성하기 위한 EMS(energy management system) 시스템을 포함할 수 있다. 또한, 인공신경망 모델(110)은 STLF 모델로서 결정 트리 기반의 앙상블 학습 모델(decision tree-based ensemble learning model)일 수 있다.

일 실시예에 따르면, 컴퓨팅 장치(100)는 인공신경망 모델(110)의 입력 데이터(112)를 구성하는 복수의 내부 인자(internal factor) 및 복수의 외부 인자(eternal factor)를 생성할 수 있다. 여기서, 내부 인자 및 외부 인자는 건물에서 소비되는 전력에 영향을 미치는 인자를 지칭할 수 있으며, 각각의 인자에 대응하는 값이 입력 데이터(112)를 구성할 수 있다. 예를 들어, 주중 또는 휴일 여부에 따라 건물의 전력 소비량은 상이할 수 있으며, 이러한 날짜를 나타내는 타임스탬프 데이터는 복수의 외부 인자 중 일부로 결정될 수 있다. 다른 예에서, 날씨에 따른 전자 제품의 가동으로 인해 전력 소비량은 상이할 수 있으며, 이러한 날씨를 나타내는 온도-습도 연관성 데이터, 온도-풍속 연관성 데이터는 복수의 외부 인자 중 일부로 결정될 수 있다.

일 실시예에 따르면, 컴퓨팅 장치(100)는 생성된 인자들에 관한 데이터를 포함하는 입력 데이터를 인공신경망 모델(110)에 제공하여 건물의 제1 전기 부하 데이터(114)를 출력할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 과거 전력 소비량 데이터, 타임스탬프 데이터, 온도-습도 연관성 데이터, 온도-풍속 연관성 데이터 등을 포함하는 입력 데이터(112)를 인공신경망 모델(110)에 제공하여 건물의 제1 전기 부하 데이터(114)를 출력할 수 있다. 즉, 컴퓨팅 장치(100)는 건물의 향후 전기 부하를 예측하기 위한 최적의 입력 데이터(112)를 구성하고, 해당 입력 데이터(112)를 학습된 인공신경망 모델(110)에 제공하여 제1 전기 부하 데이터(114)를 예측할 수 있다.

도 2는 본 발명의 일 실시예에 따른 컴퓨팅 장치(100)가 입력 데이터를 구성하는 각 인자들의 가중치를 결정하는 예시를 나타내는 도면이다. 도시된 것과 같이, 컴퓨팅 장치(100)는 학습된 XAI(explainable AI) 모델(210)을 이용하여 복수의 내부 인자 및/또는 복수의 외부 인자의 각각에 대한 가중치를 결정할 수 있다.

일 실시예에 따르면, 컴퓨팅 장치(100)는 XAI 모델(210)을 이용하여 제1 전기 부하 데이터(114)와 복수의 내부 인자 및 복수의 외부 인자 각각의 연관성을 결정하고, 결정된 연관성을 기초로 복수의 내부 인자 및 복수의 외부 인자 각각의 우선순위를 결정할 수 있다. 즉, 컴퓨팅 장치(100)는 XAI 모델(210)에 의해 출력된 결과를 기초로 입력 데이터를 구성하는 각각의 데이터가 제1 전기 부하 데이터(114)를 산출하는데 얼마나 큰 영향을 미쳤는지 여부를 기초로 복수의 내부 인자 및 복수의 외부 인자 각각의 우선순위를 결정할 수 있다.

그리고 나서, 컴퓨팅 장치(100)는 결정된 우선순위를 기초로 복수의 내부 인자 및 복수의 외부 인자 각각에 대응하는 복수의 가중치(212)를 산출할 수 있다. 예를 들어, 각 데이터와 제1 전기 부하 데이터(114) 사이의 연관성이 높을수록 가중치는 높게 산출될 수 있다.

이 경우, 컴퓨팅 장치(100)는 산출된 복수의 가중치를 대응되는 복수의 내부 인자 및 복수의 외부 인자 각각에 적용할 수 있다. 그리고 나서, 컴퓨팅 장치(100)는 복수의 가중치가 적용된 복수의 내부 인자 및 복수의 외부 인자를 인공신경망 모델(도 1의 110)에 제공하여 건물의 제2 전기 부하 데이터를 출력할 수 있다. 즉, 제2 전기 부하 데이터는 제1 전기 부하 데이터로부터 정밀한 값을 가질 수 있다. 이와 같은 구성에 의해, 컴퓨팅 장치(100)는 XAI 모델(210)을 기초로 제1 전기 부하 데이터(114)와 입력된 인자들 사이의 연관성을 결정하고, 전기 부하 데이터를 예측하는데 높은 성능을 보이는 인자들의 가중치를 높게 조정함으로써 인공신경망 모델의 예측 성능을 효과적으로 향상시킬 수 있다.

추가적으로, 컴퓨팅 장치(100)는 출력된 제2 전기 부하 데이터를 기초로 목적일 까지의 건물의 사용 가능 전력량을 산출할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 예측된 제2 전기 부하 데이터를 기초로 특정 시점까지 사용이 예상되는 전력량을 계산할 수 있다. 그리고 나서, 컴퓨팅 장치(100)는 사전 결정된 건물의 총 전력량에서 계산된 예상 사용 전력량을 제외하여 사용 가능 전력량을 산출할 수 있다. 이와 같은 구성에 의해, 컴퓨팅 장치(100)의 관리자는 입력 데이터를 제공하는 것만으로 사용 가능 전력량과 관련된 정보를 손쉽게 획득하고, 이를 기초로 전력 사용 계획을 효율적으로 수립할 수 있다.

추가적으로, 컴퓨팅 장치(100)는 산출된 건물의 사용 가능 전력량이 사전 결정된 임계값 이하인 경우, 건물과 연관된 사용자 단말로 경고 메시지를 전송할 수 있다. 여기서, 건물과 연관된 사용자 단말은 컴퓨팅 장치(100)의 관리자의 단말을 지칭할 수 있다. 즉, 컴퓨팅 장치(100)는 건물의 사용 가능 전력량이 장래 특정 시점에 부족할 것으로 예측되는 경우, 사용 가능 전력량에 관한 내용을 포함하는 경고 메시지를 사용자 단말로 전송할 수 있다.

도 3은 본 발명의 일 실시예에 따른 인공신경망 모델을 입력 데이터를 구성하는 복수의 내부 인자 및 복수의 외부 인자의 예시를 나타내는 테이블(300)이다. 상술한 것과 같이, 컴퓨팅 장치는 인공신경망 모델의 입력 데이터를 구성하는 복수의 내부 인자 및 복수의 외부 인자를 생성할 수 있다.

일 실시예에 따르면, 컴퓨팅 장치는 타임스탬프 데이터를 생성할 수 있다. 여기서, 요일, 시간 등을 나타내는 타임스탬프는 시퀀스(sequence) 포맷을 갖기 때문에, 컴퓨팅 장치는 이러한 주기성을 효과적으로 반영하기 위해 1차우너 공간의 범주형 변수를 2차원 공간의 연속 변수로 변환할 수 있다. 예를 들어, 컴퓨팅 장치는 다음의 수학식 1 및 2를 기초로 2차원 공간의 연속 변수를 나타내는 제1 타임스탬프 데이터 및 제2 타임스탬프 데이터를 생성할 수 있다.

여기서, 은 시간 단위(time unit)를 나타내고, 은 주기를 나타낼 수 있다. 예를 들어, 은 주기성을 갖도록 하루의 시간을 나타내는 Hour 또는 하루의 요일을 나타내는 DOTW 중 하나로 변환될 수 있다. 추가적으로, 컴퓨팅 장치는 또한 주중과 휴일의 서로 다른 전력 소비 패턴을 반영하기 위해 휴일 지표를 외부 인자로 생성할 수 있다.

일 실시예에 따르면, 컴퓨팅 장치는 날씨 데이터를 획득하거나 획득된 날씨 데이터를 기초로 새로운 외부 인자를 생성할 수 있다. 예를 들어, 컴퓨팅 장치는 기상관측, 강수확률, 강수량, 일일 최고/최저기온, 기온, 풍속/방향 및 습도 등의 날씨 데이터를 외부 서버(예: 기상청의 서버)로부터 획득하고, 이를 기초로 온도-습도 연관성 데이터, 온도-풍속 연관성 데이터 등을 산출할 수 있다. 컴퓨팅 장치는 다음의 수학식 3에 의해 온도-습도 연관성 데이터를 산출할 수 있다.

여기서, 는 온도-습도 연관성 데이터를 나타내고, 는 예측 시점의 온도를 나타내고, 는 예측 시점의 습도를 나타낼 수 있다. 또한, 컴퓨팅 장치는 다음의 수학식 4에 의해 온도-풍속 연관성 데이터를 산출할 수 있다.

여기서, 는 온도-풍속 연관성 데이터를 나타내고, 는 예측 시점의 온도를 나타내고, 는 예측 시점의 풍속을 나타낼 수 있다. 즉, 컴퓨팅 장치는 획득된 날씨 데이터를 그대로 이용하지 않고 이와 같이 추가적인 인자를 생성하여 이용함으로써 전기 부하 예측 성능을 효과적으로 향상시킬 수 있다.

일 실시예에 따르면, 컴퓨팅 장치는 건물의 과거 전력 소비량 데이터를 획득하고, 획득된 과거 전력 소비량 데이터를 기초로 예측 시점 하루 이전의 전력 소비량, 예측 시점 일주 이전의 전력 소비량 및 예측 시점 이전 일주일 동안의 평균 전력 소비량을 복수의 내부 인자 중 적어도 일부로 생성할 수 있다. 예를 들어, 과거 전력 소비량 데이터는 최근 전력 소비 추세를 나타낼 수 있으며, 하루 전의 전력 사용량은 해당 시간의 가장 최근 추세를, 일주일 전의 전력 사용량은 요일의 가장 최근 추세를 나타낼 수 있다.

또한, 컴퓨팅 장치는 특정 날짜가 휴일인지 여부를 나타내는 휴일 지표를 추가적으로 생성하여 이용할 수 있다. 추가적으로, 컴퓨팅 장치는 예측 시점이 평일인 경우 직전 7일 동안의 평일 전력 사용량의 평균을 계산하고, 예측 시점이 휴일인 경우 직전 7일 동안의 휴일 전력 사용량의 평균을 계산하여 이용할 수 있다.

도 3에 도시된 것과 같이, 컴퓨팅 장치는 15개의 외부 인자 및 내부 인자를 생성하고 이용함으로써 건물의 전기 부하를 높은 성능으로 예측할 수 있다.

도 4는 본 발명의 일 실시예에 따른 인공신경망 모델(400)을 나타내는 예시도이다. 인공신경망 모델(400)은, 기계학습 모델의 일 예로서, 기계 학습(machine learning) 기술과 인지과학에서, 생물학적 신경망의 구조에 기초하여 구현된 통계학적 학습 알고리즘 또는 그 알고리즘을 실행하는 구조이다.

일 실시예에 따르면, 인공신경망 모델(400)은, 생물학적 신경망에서와 같이 시냅스의 결합으로 네트워크를 형성한 인공 뉴런인 노드(node)들이 시냅스의 가중치를 반복적으로 조정하여, 특정 입력에 대응한 올바른 출력과 추론된 출력 사이의 오차가 감소되도록 학습함으로써, 문제 해결 능력을 가지는 기계학습 모델을 나타낼 수 있다. 예를 들어, 인공신경망 모델(400)은 기계 학습, 딥러닝 등의 인공지능 학습법에 사용되는 임의의 확률 모델, 뉴럴 네트워크 모델 등을 포함할 수 있다.

인공신경망 모델(400)은 다층의 노드들과 이들 사이의 연결로 구성된 다층 퍼셉트론(multilayer perceptron, MLP)으로 구현될 수 있다. 본 실시예에 따른 인공신경망 모델(400)은 MLP를 포함하는 다양한 인공신경망 모델 구조들 중의 하나를 이용하여 구현될 수 있으나, 이에 한정되지 않는다. 도 4에 도시된 바와 같이, 인공신경망 모델(400)은, 외부로부터 입력 신호 또는 데이터(410)를 수신하는 입력층(420), 입력 데이터에 대응한 출력 신호 또는 데이터(450)를 출력하는 출력층(440), 입력층(420)과 출력층(440) 사이에 위치하며 입력층(420)으로부터 신호를 받아 특성을 추출하여 출력층(440)으로 전달하는 n개(여기서, n은 양의 정수)의 은닉층(430_1 내지 430_n)으로 구성된다. 여기서, 출력층(440)은 은닉층(430_1 내지 430_n)으로부터 신호를 받아 외부로 출력한다.

인공신경망 모델(400)의 학습 방법에는, 교사 신호(정답)의 입력에 의해서 문제의 해결에 최적화되도록 학습하는 지도 학습(Supervised Learning) 방법과, 교사 신호를 필요로 하지 않는 비지도 학습(Unsupervised Learning) 방법이 있다. 일 실시예에 따르면, 인공신경망 모델(400)의 입력변수는, 이미지 및/또는 영상의 프레임 등일 수 있다.

이와 같이, 인공신경망 모델(400)의 입력층(420)과 출력층(440)에 복수의 입력변수와 대응되는 복수의 출력변수가 각각 매칭되고, 입력층(420), 은닉층(430_1 내지 430_n) 및 출력층(440)에 포함된 노드들 사이의 시냅스 값이 조정됨으로써, 특정 입력에 대응한 올바른 출력이 추출될 수 있도록 학습될 수 있다. 이러한 학습 과정을 통해, 인공신경망 모델(400)의 입력변수에 숨겨져 있는 특성을 파악할 수 있고, 입력변수에 기초하여 계산된 출력변수와 목표 출력 간의 오차가 줄어들도록 인공신경망 모델(400)의 노드들 사이의 시냅스 값(또는 가중치)를 조정할 수 있다. 일 실시예에 따르면, 인공신경망 모델은 복수의 내부 인자 및 복수의 외부 인자에 대응하는 입력 데이터를 수신하여 건물의 전기 부하 데이터를 출력할 수 있다.

도 5는 본 발명의 일 실시예에 따른 인공신경망 기반의 전기 부하 예측 방법(500)의 예시를 나타내는 도면이다. 인공신경망 기반의 전기 부하 예측 방법(500)은 적어도 하나의 프로세서(예: 컴퓨팅 장치의 적어도 하나의 프로세서)에 의해 수행될 수 있다. 인공신경망 기반의 전기 부하 예측 방법(500)은 프로세서가 인공신경망 모델의 입력 데이터를 구성하는 복수의 내부 인자 및 복수의 외부 인자를 생성함으로써 개시될 수 있다(S510). 여기서, 인공신경망 모델은 결정 트리 기반의 앙상블 학습 모델(decision tree-based ensemble learning model)일 수 있다.

프로세서는 생성된 복수의 내부 인자 및 복수의 외부 인자에 대응하는 데이터를 인공신경망 모델에 제공하여 건물의 제1 전기 부하 데이터를 출력할 수 있다(S520). 그리고 나서, 프로세서는 XAI 모델을 이용하여 제1 전기 부하 데이터와 복수의 내부 인자 및 복수의 외부 인자 각각의 연관성을 결정하고, 결정된 연관성을 기초로 복수의 내부 인자 및 복수의 외부 인자 각각의 우선순위를 결정할 수 있다(S530).

프로세서는 결정된 우선순위를 기초로 복수의 내부 인자 및 복수의 외부 인자 각각에 대응하는 복수의 가중치를 산출할 수 있다(S540). 또한, 프로세서는 산출된 복수의 가중치를 대응되는 복수의 내부 인자 및 복수의 외부 인자 각각에 적용할 수 있다(S550). 프로세서는 복수의 가중치가 적용된 복수의 내부 인자 및 복수의 외부 인자를 인공신경망 모델에 제공하여 건물의 제2 전기 부하 데이터를 출력할 수 있다(S560).

도 6은 본 발명의 일 실시예에 따른 컴퓨팅 장치(100)의 내부 구성을 나타내는 블록도이다. 컴퓨팅 장치(100)는 메모리(610), 프로세서(620), 통신 모듈(630) 및 입출력 인터페이스(640)를 포함할 수 있으며, 도 6에 도시된 바와 같이, 컴퓨팅 장치(100)는 통신 모듈(630)을 이용하여 네트워크를 통해 정보 및/또는 데이터를 통신할 수 있도록 구성될 수 있다.

메모리(610)는 비-일시적인 임의의 컴퓨터 판독 가능한 기록매체를 포함할 수 있다. 일 실시예에 따르면, 메모리(610)는 RAM(random access memory), ROM(read only memory), 디스크 드라이브, SSD(solid state drive), 플래시 메모리(flash memory) 등과 같은 비소멸성 대용량 저장 장치(permanent mass storage device)를 포함할 수 있다. 다른 예로서, ROM, SSD, 플래시 메모리, 디스크 드라이브 등과 같은 비소멸성 대용량 저장 장치는 메모리와는 구분되는 별도의 영구 저장 장치로서 컴퓨팅 장치(100)에 포함될 수 있다. 또한, 메모리(610)에는 운영체제와 적어도 하나의 프로그램 코드가 저장될 수 있다.

이러한 소프트웨어 구성요소들은 메모리(610)와는 별도의 컴퓨터에서 판독 가능한 기록매체로부터 로딩될 수 있다. 이러한 별도의 컴퓨터에서 판독 가능한 기록매체는 이러한 컴퓨팅 장치(100)에 직접 연결가능한 기록 매체를 포함할 수 있는데, 예를 들어, 플로피 드라이브, 디스크, 테이프, DVD/CD-ROM 드라이브, 메모리 카드 등의 컴퓨터에서 판독 가능한 기록매체를 포함할 수 있다. 다른 예로서, 소프트웨어 구성요소들은 컴퓨터에서 판독 가능한 기록매체가 아닌 통신 모듈(630)을 통해 메모리(610)에 로딩될 수도 있다. 예를 들어, 적어도 하나의 프로그램은 개발자들 또는 애플리케이션의 설치 파일을 배포하는 파일 배포 시스템이 통신 모듈(630)을 통해 제공하는 파일들에 의해 설치되는 컴퓨터 프로그램에 기반하여 메모리(610)에 로딩될 수 있다.

프로세서(620)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리(610) 또는 통신 모듈(630)에 의해 다른 사용자 단말(미도시) 또는 다른 외부 시스템으로 제공될 수 있다.

통신 모듈(630)은 네트워크를 통해 사용자 단말(미도시)과 컴퓨팅 장치(100)가 서로 통신하기 위한 구성 또는 기능을 제공할 수 있으며, 컴퓨팅 장치(100)가 외부 시스템(일례로 별도의 클라우드 시스템 등)과 통신하기 위한 구성 또는 기능을 제공할 수 있다. 일례로, 컴퓨팅 장치(100)의 프로세서(620)의 제어에 따라 제공되는 제어 신호, 명령, 데이터 등이 통신 모듈(630)과 네트워크를 거쳐 사용자 단말 및/또는 외부 시스템의 통신 모듈을 통해 사용자 단말 및/또는 외부 시스템으로 전송될 수 있다.

또한, 컴퓨팅 장치(100)의 입출력 인터페이스(640)는 컴퓨팅 장치(100)와 연결되거나 컴퓨팅 장치(100)가 포함할 수 있는 입력 또는 출력을 위한 장치(미도시)와의 인터페이스를 위한 수단일 수 있다. 도 6에서는 입출력 인터페이스(640)가 프로세서(620)와 별도로 구성된 요소로서 도시되었으나, 이에 한정되지 않으며, 입출력 인터페이스(640)가 프로세서(620)에 포함되도록 구성될 수 있다. 컴퓨팅 장치(100)는 도 6의 구성요소들보다 더 많은 구성요소들을 포함할 수 있다. 그러나, 대부분의 종래기술적 구성요소들을 명확하게 도시할 필요성은 없다.

컴퓨팅 장치(100)의 프로세서(620)는 복수의 사용자 단말 및/또는 복수의 외부 시스템으로부터 수신된 정보 및/또는 데이터를 관리, 처리 및/또는 저장하도록 구성될 수 있다.

상술된 방법 및/또는 다양한 실시예들은, 디지털 전자 회로, 컴퓨터 하드웨어, 펌웨어, 소프트웨어 및/또는 이들의 조합으로 실현될 수 있다. 본 발명의 다양한 실시예들은 데이터 처리 장치, 예를 들어, 프로그래밍 가능한 하나 이상의 프로세서 및/또는 하나 이상의 컴퓨팅 장치에 의해 실행되거나, 컴퓨터 판독 가능한 기록 매체 및/또는 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램으로 구현될 수 있다. 상술된 컴퓨터 프로그램은 컴파일된 언어 또는 해석된 언어를 포함하여 임의의 형태의 프로그래밍 언어로 작성될 수 있으며, 독립 실행형 프로그램, 모듈, 서브 루틴 등의 임의의 형태로 배포될 수 있다. 컴퓨터 프로그램은 하나의 컴퓨팅 장치, 동일한 네트워크를 통해 연결된 복수의 컴퓨팅 장치 및/또는 복수의 상이한 네트워크를 통해 연결되도록 분산된 복수의 컴퓨팅 장치를 통해 배포될 수 있다.

상술된 방법 및/또는 다양한 실시예들은, 입력 데이터를 기초로 동작하거나 출력 데이터를 생성함으로써, 임의의 기능, 함수 등을 처리, 저장 및/또는 관리하는 하나 이상의 컴퓨터 프로그램을 실행하도록 구성된 하나 이상의 프로세서에 의해 수행될 수 있다. 예를 들어, 본 발명의 방법 및/또는 다양한 실시예는 FPGA(Field Programmable Gate Array) 또는 ASIC(Application Specific Integrated Circuit)과 같은 특수 목적 논리 회로에 의해 수행될 수 있으며, 본 발명의 방법 및/또는 실시예들을 수행하기 위한 장치 및/또는 시스템은 FPGA 또는 ASIC와 같은 특수 목적 논리 회로로서 구현될 수 있다.

컴퓨터 프로그램을 실행하는 하나 이상의 프로세서는, 범용 목적 또는 특수 목적의 마이크로 프로세서 및/또는 임의의 종류의 디지털 컴퓨팅 장치의 하나 이상의 프로세서를 포함할 수 있다. 프로세서는 읽기 전용 메모리, 랜덤 액세스 메모리의 각각으로부터 명령 및/또는 데이터를 수신하거나, 읽기 전용 메모리와 랜덤 액세스 메모리로부터 명령 및/또는 데이터를 수신할 수 있다. 본 발명에서, 방법 및/또는 실시예들을 수행하는 컴퓨팅 장치의 구성 요소들은 명령어들을 실행하기 위한 하나 이상의 프로세서, 명령어들 및/또는 데이터를 저장하기 위한 하나 이상의 메모리 디바이스를 포함할 수 있다.

일 실시예에 따르면, 컴퓨팅 장치는 데이터를 저장하기 위한 하나 이상의 대용량 저장 장치와 데이터를 주고받을 수 있다. 예를 들어, 컴퓨팅 장치는 자기 디스크(magnetic disc) 또는 광 디스크(optical disc)로부터 데이터를 수신하거나/수신하고, 자기 디스크 또는 광 디스크로 데이터를 전송할 수 있다. 컴퓨터 프로그램과 연관된 명령어들 및/또는 데이터를 저장하기에 적합한 컴퓨터 판독 가능한 저장 매체는, EPROM(Erasable Programmable Read-Only Memory), EEPROM(Electrically Erasable PROM), 플래시 메모리 장치 등의 반도체 메모리 장치를 포함하는 임의의 형태의 비 휘발성 메모리를 포함할 수 있으나, 이에 한정되지 않는다. 예를 들어, 컴퓨터 판독 가능한 저장 매체는 내부 하드 디스크 또는 이동식 디스크와 같은 자기 디스크, 광 자기 디스크, CD-ROM 및 DVD-ROM 디스크를 포함할 수 있다.

사용자와의 상호 작용을 제공하기 위해, 컴퓨팅 장치는 정보를 사용자에게 제공하거나 디스플레이하기 위한 디스플레이 장치(예를 들어, CRT (Cathode Ray Tube), LCD(Liquid Crystal Display) 등) 및 사용자가 컴퓨팅 장치 상에 입력 및/또는 명령 등을 제공할 수 있는 포인팅 장치(예를 들어, 키보드, 마우스, 트랙볼 등)를 포함할 수 있으나, 이에 한정되지 않는다. 즉, 컴퓨팅 장치는 사용자와의 상호 작용을 제공하기 위한 임의의 다른 종류의 장치들을 더 포함할 수 있다. 예를 들어, 컴퓨팅 장치는 사용자와의 상호 작용을 위해, 시각적 피드백, 청각 피드백 및/또는 촉각 피드백 등을 포함하는 임의의 형태의 감각 피드백을 사용자에게 제공할 수 있다. 이에 대해, 사용자는 시각, 음성, 동작 등의 다양한 제스처를 통해 컴퓨팅 장치로 입력을 제공할 수 있다.

본 발명에서, 다양한 실시예들은 백엔드 구성 요소(예: 데이터 서버), 미들웨어 구성 요소(예: 애플리케이션 서버) 및/또는 프론트 엔드 구성 요소를 포함하는 컴퓨팅 시스템에서 구현될 수 있다. 이 경우, 구성 요소들은 통신 네트워크와 같은 디지털 데이터 통신의 임의의 형태 또는 매체에 의해 상호 연결될 수 있다. 예를 들어, 통신 네트워크는 LAN(Local Area Network), WAN(Wide Area Network) 등을 포함할 수 있다.

본 명세서에서 기술된 예시적인 실시예들에 기반한 컴퓨팅 장치는, 사용자 디바이스, 사용자 인터페이스(UI) 디바이스, 사용자 단말 또는 클라이언트 디바이스를 포함하여 사용자와 상호 작용하도록 구성된 하드웨어 및/또는 소프트웨어를 사용하여 구현될 수 있다. 예를 들어, 컴퓨팅 장치는 랩톱(laptop) 컴퓨터와 같은 휴대용 컴퓨팅 장치를 포함할 수 있다. 추가적으로 또는 대안적으로, 컴퓨팅 장치는, PDA(Personal Digital Assistants), 태블릿 PC, 게임 콘솔(game console), 웨어러블 디바이스(wearable device), IoT(internet of things) 디바이스, VR(virtual reality) 디바이스, AR(augmented reality) 디바이스 등을 포함할 수 있으나, 이에 한정되지 않는다. 컴퓨팅 장치는 사용자와 상호 작용하도록 구성된 다른 유형의 장치를 더 포함할 수 있다. 또한, 컴퓨팅 장치는 이동 통신 네트워크 등의 네트워크를 통한 무선 통신에 적합한 휴대용 통신 디바이스(예를 들어, 이동 전화, 스마트 전화, 무선 셀룰러 전화 등) 등을 포함할 수 있다. 컴퓨팅 장치는, 무선 주파수(RF; Radio Frequency), 마이크로파 주파수(MWF; Microwave Frequency) 및/또는 적외선 주파수(IRF; Infrared Ray Frequency)와 같은 무선 통신 기술들 및/또는 프로토콜들을 사용하여 네트워크 서버와 무선으로 통신하도록 구성될 수 있다.

본 발명에서 특정 구조적 및 기능적 세부 사항을 포함하는 다양한 실시예들은 예시적인 것이다. 따라서, 본 발명의 실시예들은 상술된 것으로 한정되지 않으며, 여러 가지 다른 형태로 구현될 수 있다. 또한, 본 발명에서 사용된 용어는 일부 실시예를 설명하기 위한 것이며 실시예를 제한하는 것으로 해석되지 않는다. 예를 들어, 단수형 단어 및 상기는 문맥상 달리 명확하게 나타내지 않는 한 복수형도 포함하는 것으로 해석될 수 있다.

본 발명에서, 달리 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함하여 본 명세서에서 사용되는 모든 용어는 이러한 개념이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 갖는다. 또한, 사전에 정의된 용어와 같이 일반적으로 사용되는 용어들은 관련 기술의 맥락에서의 의미와 일치하는 의미를 갖는 것으로 해석되어야 한다.

본 명세서에서는 본 발명이 일부 실시예들과 관련하여 설명되었지만, 본 발명의 발명이 속하는 기술분야의 통상의 기술자가 이해할 수 있는 본 발명의 범위를 벗어나지 않는 범위에서 다양한 변형 및 변경이 이루어질 수 있다. 또한, 그러한 변형 및 변경은 본 명세서에 첨부된 특허청구의 범위 내에 속하는 것으로 생각되어야 한다.

100: 컴퓨팅 장치
110: 인공신경망 모델
112: 입력 데이터
114: 제1 전기 부하 데이터

Claims (12)

1. 적어도 하나의 프로세서에 의해 수행되는 인공신경망 기반의 전기 부하 예측 방법으로서,
   인공신경망 모델의 입력 데이터를 구성하는 복수의 내부 인자(internal factor) 및 복수의 외부 인자(eternal factor)를 생성하는 단계;
   상기 생성된 복수의 내부 인자 및 복수의 외부 인자에 대응하는 데이터를 상기 인공신경망 모델에 제공하여 건물의 제1 전기 부하 데이터를 출력하는 단계;
   XAI(explainable AI) 모델을 이용하여 상기 제1 전기 부하 데이터와 상기 복수의 내부 인자 및 복수의 외부 인자 각각의 연관성을 결정하고, 결정된 연관성을 기초로 상기 복수의 내부 인자 및 복수의 외부 인자 각각의 우선순위를 결정하는 단계;
   상기 결정된 우선순위를 기초로 상기 복수의 내부 인자 및 복수의 외부 인자 각각에 대응하는 복수의 가중치를 산출하는 단계;
   상기 산출된 복수의 가중치를 상기 대응되는 복수의 내부 인자 및 복수의 외부 인자 각각에 적용하는 단계; 및
   상기 복수의 가중치가 적용된 복수의 내부 인자 및 복수의 외부 인자를 상기 인공신경망 모델에 제공하여 건물의 제2 전기 부하 데이터를 출력하는 단계;
   를 포함하고,
   상기 복수의 내부 인자 및 복수의 외부 인자를 생성하는 단계는,
   를 기초로 생성되는 제1 타임스탬프 데이터를 상기 복수의 외부 인자 중 적어도 일부로 생성하는 단계를 포함하고,
   여기서,은 시간 단위를 나타내고, 은 주기를 나타내는, 인공신경망 기반의 전기 부하 예측 방법.
   
2. 제1항에 있어서,
   상기 복수의 내부 인자 및 복수의 외부 인자를 생성하는 단계는,
   상기 건물의 과거 전력 소비량 데이터를 획득하는 단계; 및
   상기 획득된 과거 전력 소비량 데이터를 기초로 예측 시점 하루 이전의 전력 소비량, 예측 시점 일주 이전의 전력 소비량 및 예측 시점 이전 일주일 동안의 평균 전력 소비량을 상기 복수의 내부 인자 중 적어도 일부로 생성하는 단계;
   를 포함하는 인공신경망 기반의 전기 부하 예측 방법.
   
3. 삭제
4. 제1항에 있어서,
   상기 복수의 내부 인자 및 복수의 외부 인자를 생성하는 단계는,
   를 기초로 생성되는 제2 타임스탬프 데이터를 상기 복수의 외부 인자 중 적어도 일부로 생성하는 단계를 포함하고,
   여기서,은 시간 단위를 나타내고, 은 주기를 나타내는, 인공신경망 기반의 전기 부하 예측 방법.
   
5. 제1항에 있어서,
   상기 복수의 내부 인자 및 복수의 외부 인자를 생성하는 단계는,
   예측 시점의 온도-습도 연관성 데이터 및 온도-풍속 연관성 데이터를 상기 복수의 외부 인자 중 적어도 일부로 생성하는 단계;
   를 포함하는 인공신경망 기반의 전기 부하 예측 방법.
   
6. 제5항에 있어서,
   상기 온도-습도 연관성 데이터는,
   에 의해 산출되고,
   여기서, 는 온도-습도 연관성 데이터를 나타내고, 는 예측 시점의 온도를 나타내고, 는 예측 시점의 습도를 나타내는, 인공신경망 기반의 전기 부하 예측 방법.
   
7. 제5항에 있어서,
   상기 온도-풍속 연관성 데이터는,
   에 의해 산출되고,
   여기서, 는 온도-풍속 연관성 데이터를 나타내고, 는 예측 시점의 온도를 나타내고, 는 예측 시점의 풍속을 나타내는, 인공신경망 기반의 전기 부하 예측 방법.
   
8. 제1항에 있어서,
   상기 인공신경망 모델은 결정 트리 기반의 앙상블 학습 모델(decision tree-based ensemble learning model)인, 인공신경망 기반의 전기 부하 예측 방법.
   
9. 제1항에 있어서,
   상기 출력된 건물의 제2 전기 부하 데이터를 기초로 목적일 까지의 상기 건물의 사용 가능 전력량을 산출하는 단계;
   를 더 포함하는 인공신경망 기반의 전기 부하 예측 방법.
   
10. 제9항에 있어서,
    상기 산출된 건물의 사용 가능 전력량이 사전 결정된 임계값 이하인 경우, 상기 건물과 연관된 사용자 단말로 경고 메시지를 전송하는 단계;
    를 더 포함하는 인공신경망 기반의 전기 부하 예측 방법.
    
11. 제1항, 제2항 및 제4항 내지 제10항 중 어느 한 항에 따른 방법을 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램.
    
12. 컴퓨팅 장치로서,
    통신 모듈;
    메모리; 및
    상기 메모리와 연결되고, 상기 메모리에 포함된 컴퓨터 판독 가능한 적어도 하나의 프로그램을 실행하도록 구성된 적어도 하나의 프로세서
    를 포함하고,
    상기 적어도 하나의 프로그램은,
    인공신경망 모델의 입력 데이터를 구성하는 복수의 내부 인자 및 복수의 외부 인자를 생성하고,
    상기 생성된 복수의 내부 인자 및 복수의 외부 인자에 대응하는 데이터를 상기 인공신경망 모델에 제공하여 건물의 제1 전기 부하 데이터를 출력하고,
    XAI 모델을 이용하여 상기 제1 전기 부하 데이터와 상기 복수의 내부 인자 및 복수의 외부 인자 각각의 연관성을 기초로 상기 복수의 내부 인자 및 복수의 외부 인자 각각의 우선순위를 결정하고,
    상기 결정된 우선순위를 기초로 상기 복수의 내부 인자 및 복수의 외부 인자 각각에 대응하는 복수의 가중치를 산출하고,
    상기 산출된 복수의 가중치를 상기 대응되는 복수의 내부 인자 및 복수의 외부 인자 각각에 적용하고,
    상기 복수의 가중치가 적용된 복수의 내부 인자 및 복수의 외부 인자를 상기 인공신경망 모델에 제공하여 건물의 제2 전기 부하 데이터를 출력하고,
    를 기초로 생성되는 제1 타임스탬프 데이터를 상기 복수의 외부 인자 중 적어도 일부로 생성하기 위한 명령어들을 포함하고,
    여기서,은 시간 단위를 나타내고, 은 주기를 나타내는, 컴퓨팅 장치.

Images