KR102664053B1 - 기계학습 기반 선로부하 예측모델 해석 장치 및 방법 - Google Patents

기계학습 기반 선로부하 예측모델 해석 장치 및 방법 Download PDF

Info

Publication number
KR102664053B1
KR102664053B1 KR1020210130919A KR20210130919A KR102664053B1 KR 102664053 B1 KR102664053 B1 KR 102664053B1 KR 1020210130919 A KR1020210130919 A KR 1020210130919A KR 20210130919 A KR20210130919 A KR 20210130919A KR 102664053 B1 KR102664053 B1 KR 102664053B1
Authority
KR
South Korea
Prior art keywords
analysis
load prediction
model
prediction model
line
Prior art date
Application number
KR1020210130919A
Other languages
English (en)
Other versions
KR20230047731A (ko
Inventor
이해성
이병성
Original Assignee
한국전력공사
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 한국전력공사 filed Critical 한국전력공사
Priority to KR1020210130919A priority Critical patent/KR102664053B1/ko
Publication of KR20230047731A publication Critical patent/KR20230047731A/ko
Application granted granted Critical
Publication of KR102664053B1 publication Critical patent/KR102664053B1/ko

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/045—Explanation of inference; Explainable artificial intelligence [XAI]; Interpretable artificial intelligence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/06—Power analysis or power optimisation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

기계학습 기반 선로부하 예측모델 해석 장치 및 방법이 개시된다. 본 발명의 일 측면에 따른 기계학습 기반 선로부하 예측모델 해석 장치는, 해석대상 부하예측모델의 기계학습 알고리즘 작동방식에 따른 해석방법, 및 상기 해석대상 부하예측모델이 예측할 하나 이상의 선로를 포함하는 선로군집 중 적어도 하나를 포함하는 해석 파라미터를 정의하는 해석 파라미터 정의부, 상기 정의된 해석방법에 따라 상기 해석대상 부하예측모델의 예측결과에 대한 해석을 수행하는 모델 해석부, 및 상기 해석대상 부하예측모델의 예측결과 해석에 대한 해석력 매트릭스를 생성하는 해석력 분석부를 포함한다.

Description

기계학습 기반 선로부하 예측모델 해석 장치 및 방법{APPARATUS AND METHOD FOR ANALYZING OF LOAD PREDICTION MODEL BASED ON MACHINE LEARNING}
본 발명은 기계학습 기반 선로부하 예측모델 해석 장치 및 방법에 관한 것으로서, 보다 상세하게는 해석대상 부하예측모델이 학습한 각 입력 특징이 갖는 예측결과에 대한 영향도를 분석하고, 이를 토대로 예측결과에 대한 해석을 수행함으로써, 해석대상 부하예측모델의 신뢰성을 확보할 수 있도록 하는 기계학습 기반 선로부하 예측모델 해석 장치 및 방법에 관한 것이다.
배전 선로의 유지보수를 위한 비용을 절감하고 정전을 최소화하기 위해 선로의 사용 연한에 따른 주기적인 설비 교체 대신 선로의 부하를 보다 정확하게 예측하여 불필요한 교체비용을 줄이기 위한 기계학습 기반 배전 선로 부하예측 모델의 활용은 신재생에너지 연계에 따른 계통 복잡성과 불확실성이 증대될수록 그 필요성이 날로 커지고 있다. 하지만, 종래의 부하예측 모델들은 학습 과정이 블랙박스(Black-box) 구조로 되어있기 때문에 예측모델을 구성하는 네트워크가 어떻게 학습되고, 모델의 파라미터(Parameter)가 어떻게 결정되는지에 대하여 개발자도 구체적으로 설명하기 어려우며, 예측결과의 이유에 대한 모호성으로 인해 인공지능 모델의 예측결과에 대한 신뢰성을 판단하기 어렵다. 이는 인공지능 기반 배전 시스템 운영의 안전성 및 신뢰성을 확보하는데 가장 큰 한계점이라 할 수 있다.
종래에 개발된 대부분의 기계학습 기반 부하예측 모델은 이력 데이터를 분석하여 계산된 수용가의 최대 부하와 최대 부하를 기반으로 산출한 선로 부하를 학습하여 만들어지며, 일정 간격으로 설치된 센서를 통해 취득된 위치 및 시간 정보와 더불어 측정 부하 또는 전기품질 등을 추가 학습하여 예측 정확도를 높일 수 있다. 또한, 취득 데이터의 특성에 따라 Decision tree, Regression, Deep learning 등 다양한 기계학습 알고리즘이 적용될 수 있으며, 각 기계학습 알고리즘의 성능은 학습에 사용되는 데이터의 전처리 방법이나 학습 데이터 구성방식에 따라 크게 좌우된다. 그러나 모델의 예측결과에 대한 이유를 사람이 이해할 수 있는 정도를 '해석력'이라고 했을 때, 일반적으로 예측모델의 예측결과에 대한 '해석력'은 예측 성능과 trade-off 관계를 보이는 것으로 알려져 있다. 즉, 높은 수준의 성능을 보이는 방법일수록 내부 알고리즘이 복잡하여 모델학습 입력 데이터에 대한 예측결과 해석이 어렵다는 것이다. 예를 들어, 선형회귀(Linear Regression)나 의사결정트리(Decision Tree)와 같은 알고리즘에서는 어느 정도 예측과정에 대한 설명이 가능하지만, 상대적으로 높은 성능을 보이는 앙상블 기법들이나 인공신경망 기반의 심층신경망(DNN, Deep Neural Network)을 이용하는 기법들은 복잡한 알고리즘으로 인해 입력값에 대한 예측결과를 해석하는 것이 매우 힘들다. 결과적으로 부하예측 정확도가 높다고 하더라도 '해석력'이 부족한 모델의 예측결과는 신뢰성 판단이 어려워 신재생에너지 연계 등으로 인한 변동성이 큰 배전 선로의 운영이나 계획 등에 핵심 정보로 활용하는데 어려움이 따를 수 있다.
해석 가능한 인공지능 모델(Explainable AI, XAI)에 대한 연구는 안전하고 신뢰적인 인공지능 시스템 운영을 위해 점차 중요한 분야로 인식되어가고 있지만, 핵심적 사회기반 시설인 미래 전력계통을 운영하는 인공지능 시스템의 신뢰성을 높이기 위한 상용화 수준의 XAI 기술 개발은 미흡한 실정이다.
이에, 신뢰적이고 안전한 배전 분야 인공지능 시스템 운영을 위해 인공지능 모델의 부하 예측결과에 대한 원인이나 이유를 사용자가 이해할 수 있도록 도와주는 인공지능 예측 결과 해석 기술이 필요하다.
본 발명의 배경기술은 공개특허공보 제10-2020-0039877호(2020.04.17. 공개)에 개시되어 있다.
본 발명은 상기와 같은 문제점들을 개선하기 위하여 안출된 것으로, 본 발명의 일 측면에 따른 목적은 해석대상 부하예측모델이 학습한 각 입력 특징이 갖는 예측결과에 대한 영향도를 분석하고, 이를 토대로 예측결과에 대한 해석을 수행함으로써, 해석대상 부하예측모델의 신뢰성을 확보할 수 있도록 하는 기계학습 기반 선로부하 예측모델 해석 장치 및 방법을 제공하는 것이다.
본 발명이 해결하고자 하는 과제는 이상에서 언급한 과제(들)로 제한되지 않으며, 언급되지 않은 또 다른 과제(들)은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
본 발명의 일 측면에 따른 기계학습 기반 선로부하 예측모델 해석 장치는, 해석대상 부하예측모델의 기계학습 알고리즘 작동방식에 따른 해석방법, 및 상기 해석대상 부하예측모델이 예측할 하나 이상의 선로를 포함하는 선로군집 중 적어도 하나를 포함하는 해석 파라미터를 정의하는 해석 파라미터 정의부, 상기 정의된 해석방법에 따라 상기 해석대상 부하예측모델의 예측결과에 대한 해석을 수행하는 모델 해석부, 및 상기 해석대상 부하예측모델의 예측결과 해석에 대한 해석력 매트릭스를 생성하는 해석력 분석부를 포함한다.
본 발명에서 상기 해석 파라미터 정의부는, 상기 해석대상 부하예측모델이 선형회귀, 로지스틱 회귀, 및 랜덤 포레스트 중 적어도 하나와 같이 딥러닝 기법에 비해 단순한 기계학습 알고리즘 기반으로 생성된 모델인 경우, 의사결정나무 기반 해석법을 해석방법으로 결정하고, 상기 해석대상 부하예측모델이 딥러닝 기반 학습을 통해 생성된 모델인 경우, 순열 기반 해석법을 해석방법으로 결정할 수 있다.
본 발명에서 상기 해석 파라미터 정의부는, 상기 해석대상 부하예측모델의 상기 선로군집에 대한 학습 여부를 상기 해석 파라미터로 추가로 정의할 수 있다.
본 발명에서 상기 모델 해석부는, 상기 해석대상 부하예측모델이 상기 선로군집에 대한 학습을 수행하지 않은 모델인 경우, 상기 정의된 선로군집에 대한 학습을 수행한 후, 상기 정의된 해석방법에 따라 상기 해석대상 부하예측모델의 예측결과에 대한 해석을 수행할 수 있다.
본 발명에서 상기 모델 해석부는, 상기 정의된 해석방법이 의사결정나무 기반 해석법인 경우, 상기 선로군집에 대한 부하예측을 수행하고, 그 부하예측 결과를 이용하여 상기 해석대상 부하예측모델에 사용된 입력 특징별 보상값을 산출하며, 상기 입력 특징별 보상값을 이용하여 입력특징 영향도 테이블을 생성할 수 있다.
본 발명에서 상기 모델 해석부는, 상기 선로군집에 속한 각 선로의 부하예측 값과 상기 입력 특징이 갖는 상관도를 이용하여 상기 입력 특징별 보상값을 산출할 수 있다.
본 발명에서 상기 모델 해석부는, 상기 정의된 해석방법이 순열 기반 해석법인 경우, 상기 선로군집을 구성하는 모든 입력 특징을 대상으로 하나의 입력 특징 값을 임의의 값으로 치환하는 노이즈(Noise) 변환 수행 후 상기 선로군집에 대한 부하예측을 수행하여 중요도를 산출하고, 상기 모든 입력 특징에 대한 중요도가 산출된 경우, 입력 특징별 중요도를 이용하여 입력특징 영향도 테이블을 생성할 수 있다.
본 발명에서 상기 모델 해석부는, 상기 선로군집에 속한 각 선로의 부하예측 값과 실측 부하값을 이용하여 상기 중요도를 산출할 수 있다.
본 발명에서 상기 해석력 분석부는, 상기 해석대상 부하예측모델의 예측결과 해석에 따라 생성된 입력 특징 영향도 테이블을 이용하여 충실도(Fidelity), 일관성(Consistency), 및 안정성(Stability) 각각을 산출하고, 상기 충실도, 일관성 및 안정성 중 적어도 하나를 포함하는 해석력 매트릭스를 생성할 수 있다.
본 발명에서 상기 해석력 분석부는, 상기 입력특징 영향도 테이블의 모든 입력 특징을 학습한 모델의 예측 정확도 및 상기 입력특징 영향도 테이블에서 상위 영향도를 갖는 일정 개수의 입력 특징을 학습한 모델의 예측 정확도에 기초하여 상기 충실도를 산출할 수 있다.
본 발명에서 상기 해석력 분석부는, 복수의 기계학습 알고리즘을 이용하여 상기 선로군집에 대한 학습을 각각 수행하여 복수의 부하예측모델을 생성하고, 상기 복수의 부하예측모델 중에서 유사한 예측 결과를 나타낸 일정 개수의 부하예측모델이 공통으로 학습한 입력특징의 개수 및 상기 일정 개수의 부하예측모델이 학습한 모든 입력 특징의 표준편차에 기초하여 일관성을 산출할 수 있다.
본 발명에서 상기 해석력 분석부는, 상기 선로군집에 속한 일정 개수의 선로에 대한 평균 부하예측 정확도 및 상기 입력특징 영향도 테이블에서 상위 영향도를 갖는 일정 개수의 입력 특징을 학습한 모델의 평균 예측 정확도에 기초하여 상기 안정성을 산출할 수 있다.
본 발명은 상기 해석대상 부하예측모델의 예측결과 해석 및 상기 해석력 매트릭스를 표시하는 시각화 화면을 제공하는 시각화부를 더 포함할 수 있다.
본 발명에서 상기 시각화부는, 입력 특징 영향도 순서, SHAP 값에 따른 입력 특징 영향도, 입력 특징과 예측값의 상관관계, 및 해석 시나리오에 따른 해석력에 대한 정보 중 적어도 하나를 시각화 화면을 통해 디스플레이할 수 있다.
본 발명의 다른 측면에 따른 기계학습 기반 선로부하 예측모델 해석 방법은, 해석 파라미터 정의부가 해석대상 부하예측모델의 기계학습 알고리즘 작동방식에 따른 해석방법, 및 상기 해석대상 부하예측모델이 예측할 하나 이상의 선로를 포함하는 선로군집 중 적어도 하나를 포함하는 해석 파라미터를 정의하는 단계, 모델 해석부가 상기 정의된 해석방법에 따라 상기 해석대상 부하예측모델의 예측결과에 대한 해석을 수행하는 단계, 해석력 분석부가 상기 해석대상 부하예측모델의 예측결과 해석에 대한 해석력 매트릭스를 생성하는 단계, 및 시각화부가 상기 해석대상 부하예측모델의 예측결과 해석 및 상기 해석력 매트릭스를 표시하는 시각화 화면을 제공하는 단계를 포함한다.
본 발명은 상기 해석 파라미터를 정의하는 단계에서, 상기 해석 파라미터 정의부는, 상기 해석대상 부하예측모델이 선형회귀, 로지스틱 회귀, 및 랜덤 포레스트 중 적어도 하나와 같이 딥러닝 기법에 비해 단순한 기계학습 알고리즘 기반으로 생성된 모델인 경우, 의사결정나무 기반 해석법을 해석방법으로 결정하고, 상기 해석대상 부하예측모델이 딥러닝 기반 학습을 통해 생성된 모델인 경우, 순열 기반 해석법을 해석방법으로 결정할 수 있다.
본 발명은 상기 해석 파라미터를 정의하는 단계에서, 상기 해석 파라미터 정의부는, 상기 해석대상 부하예측모델의 상기 선로군집에 대한 학습 여부를 상기 해석 파라미터로 추가로 정의할 수 있다.
본 발명은 상기 해석대상 부하예측모델의 예측결과에 대한 해석을 수행하는 단계에서, 상기 모델 해석부는, 상기 해석대상 부하예측모델이 상기 선로군집에 대한 학습을 수행하지 않은 모델인 경우, 상기 정의된 선로군집에 대한 학습을 수행한 후, 상기 정의된 해석방법에 따라 상기 해석대상 부하예측모델의 예측결과에 대한 해석을 수행할 수 있다.
본 발명은 상기 해석대상 부하예측모델의 예측결과에 대한 해석을 수행하는 단계에서, 상기 모델 해석부는, 상기 정의된 해석방법이 의사결정나무 기반 해석법인 경우, 상기 선로군집에 대한 부하예측을 수행하고, 그 부하예측 결과를 이용하여 상기 해석대상 부하예측모델에 사용된 입력 특징별 보상값을 산출하며, 상기 입력 특징별 보상값을 이용하여 입력특징 영향도 테이블을 생성할 수 있다.
본 발명은 상기 해석대상 부하예측모델의 예측결과에 대한 해석을 수행하는 단계에서, 상기 모델 해석부는, 상기 정의된 해석방법이 순열 기반 해석법인 경우, 상기 선로군집을 구성하는 모든 입력 특징을 대상으로 하나의 입력 특징 값을 임의의 값으로 치환하는 노이즈(Noise) 변환 수행 후 상기 선로군집에 대한 부하예측을 수행하여 중요도를 산출하고, 상기 모든 입력 특징에 대한 중요도가 산출된 경우, 입력 특징별 중요도를 이용하여 입력특징 영향도 테이블을 생성할 수 있다.
본 발명은 상기 해석력 매트릭스를 생성하는 단계에서, 상기 해석력 분석부는, 상기 해석대상 부하예측모델의 예측결과 해석에 따라 생성된 입력 특징 영향도 테이블을 이용하여 충실도(Fidelity), 일관성(Consistency), 및 안정성(Stability) 각각을 산출하고, 상기 충실도, 일관성 및 안정성 중 적어도 하나를 포함하는 해석력 매트릭스를 생성할 수 있다.
본 발명의 일 실시예에 따른 기계학습 기반 선로부하 예측모델 해석 장치 및 방법은, 해석대상 부하예측모델이 학습한 각 입력 특징이 갖는 예측결과에 대한 영향도를 분석하고, 이를 토대로 예측결과에 대한 해석을 수행함으로써, 해석대상 부하예측모델의 신뢰성을 확보할 수 있다. 설비투자 계획이나 전력 수요 예측과 같은 배전운영에 있어, 중요한 의사결정 사안에 기계학습 기반 선로부하 예측모델이 활용되는 경우, 기계학습 모델에 대한 높은 신뢰성을 요구하게 되는데, 본 발명은 인공지능 부하예측모델의 잘못된 결과로 인한 피해를 예방하여 부하예측모델에 대한 높은 신뢰성을 부여할 수 있다. 나아가, 부하예측모델의 잘못된 예측결과로 인한 문제 발생 시 원인 파악 및 대처가 가능하며, 결과 도출 과정을 사용자에게 이해시킴으로써 부하예측모델의 신뢰성을 확보할 수 있다.
본 발명의 일 실시예에 따른 기계학습 기반 선로부하 예측모델 해석 장치 및 방법은, 인공지능 부하예측모델의 성능을 향상시킬 수 있다. 구체적으로, 기계학습 모델학습에 사용되는 입력 특징을 분석함으로써 인공지능 배전 시스템의 성능 저하 요인을 파악하고, 최적의 학습 데이터 세트 구성이 가능하므로, 신재생 에너지 연계 배전선로의 다양하고 복잡한 조건과 상황에 적합한 기계학습 모델을 생성하여 예측성능 향상을 도모할 수 있다.
한편, 본 발명의 효과는 이상에서 언급한 효과들로 제한되지 않으며, 이하에서 설명할 내용으로부터 통상의 기술자에게 자명한 범위 내에서 다양한 효과들이 포함될 수 있다.
도 1은 본 발명의 일 실시예에 따른 기계학습 기반 선로부하 예측모델 해석 장치를 개략적으로 나타낸 블록도이다.
도 2는 본 발명의 일 실시예에 따른 선로 군집화를 설명하기 위한 예시도이다.
도 3은 본 발명의 일 실시예에 따른 시각화부에 의해 제공되는 시각화 화면을 설명하기 위한 예시도이다.
도 4는 본 발명의 일 실시예에 따른 기계학습 기반 선로부하 예측모델 해석방법을 나타낸 흐름도이다.
도 5는 본 발명의 일 실시예에 따른 모델 해석부가 해석대상 부하예측모델의 예측결과에 대한 해석을 수행하는 방법을 설명하기 위한 흐름도이다.
이하, 첨부된 도면들을 참조하여 본 발명의 일 실시예에 따른 기계학습 기반 선로부하 예측모델 해석 장치 및 방법을 설명한다. 이 과정에서 도면에 도시된 선들의 두께나 구성요소의 크기 등은 설명의 명료성과 편의상 과장되게 도시되어 있을 수 있다. 또한, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례에 따라 달라질 수 있다. 그러므로 이러한 용어들에 대한 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
본 명세서에서 설명된 구현은, 예컨대, 방법 또는 프로세스, 장치, 소프트웨어 프로그램, 데이터 스트림 또는 신호로 구현될 수 있다. 단일 형태의 구현의 맥락에서만 논의(예컨대, 방법으로서만 논의)되었더라도, 논의된 특징의 구현은 또한 다른 형태(예컨대, 장치 또는 프로그램)로도 구현될 수 있다. 장치는 적절한 하드웨어, 소프트웨어 및 펌웨어 등으로 구현될 수 있다. 방법은, 예컨대, 컴퓨터, 마이크로프로세서, 집적 회로 또는 프로그래밍 가능한 로직 디바이스 등을 포함하는 프로세싱 디바이스를 일반적으로 지칭하는 프로세서 등과 같은 장치에서 구현될 수 있다. 프로세서는 또한 최종-사용자 사이에 정보의 통신을 용이하게 하는 컴퓨터, 셀 폰, 휴대용/개인용 정보 단말기(personal digital assistant: "PDA") 및 다른 디바이스 등과 같은 통신 디바이스를 포함한다.
도 1은 본 발명의 일 실시예에 따른 기계학습 기반 선로부하 예측모델 해석 장치를 개략적으로 나타낸 블록도, 도 2는 본 발명의 일 실시예에 따른 선로 군집화를 설명하기 위한 예시도, 도 3은 본 발명의 일 실시예에 따른 시각화부에 의해 제공되는 시각화 화면을 설명하기 위한 예시도이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 기계학습 기반 선로부하 예측모델 해석 장치(100)는 해석 파라미터 정의부(110), 모델 해석부(120), 해석력 분석부(130) 및 시각화부(140)를 포함한다.
해석 파라미터 정의부(110)는 해석대상 부하예측모델의 기계학습 알고리즘 작동방식에 따른 해석방법, 해석대상 부하예측모델이 예측할 하나 이상의 선로를 포함하는 선로군집 중 적어도 하나를 포함하는 해석 파라미터를 정의할 수 있다. 또한, 해석 파라미터 정의부(110)는 해석대상 부하예측모델의 선로군집에 대한 학습 여부를 해석 파라미터로 정의할 수 있다. 여기서, 하나의 선로군집은 비슷한 특징(feature)을 갖는 선로들로 구성될 수 있다.
부하예측모델이 어떠한 기계학습 알고리즘으로 생성되었는지에 따라 해석방법이 달라지기 때문에 해석 파라미터 정의부(110)는 해석 대상이 되는 부하예측모델의 기계학습 알고리즘의 작동방식에 따라 적합한 해석방법과 부하예측모델이 예측할 하나 이상의 선로를 포함하는 선로군집(cluster)을 정의할 수 있다. 즉, 해석 파라미터 정의부(110)는 부하예측모델 해석을 위해 요구되는 변수로 '해석방법', 해석 대상 부하예측모델의 학습에 사용된 입력 특징인 '선로군집', 및 그 선로군집에 대한 부하예측모델의 '학습 여부'의 3가지 변수를 해석 파라미터로 정의할 수 있다.
회기모형 혹은 딥러닝 등 각기 다른 기계학습 알고리즘을 기반으로 생성된 (선로)부하예측모델들이 동일한 학습 데이터로 학습을 수행하였더라도 기계학습 방식에 따라 서로 다른 예측결과를 보일 수 있고, 이로 인해 해석결과도 달라질 수 있다. 이에, 선로부하 예측모델 해석 장치(100)는 부하예측모델 학습방식에 적합한 해석방법으로 해석을 수행하여야 한다.
해석방법은 아래 표 1과 같이 모델 종속적 해석법과 모델 비종속적 해석법으로 나뉠 수 있다.
모델 종속적 해석법은 선형회귀, 로지스틱 회귀, 및 랜덤 포레스트 등과 같이 딥러닝 기법에 비해 비교적 단순한 학습 모델에 기반을 둔 선로부하 예측모델을 해석 대상으로 하여, 결정계수와 같은 모델 파라미터 또는 모델 구조를 토대로 의사결정 기반 입력 특징 영향도 분석을 수행하고, 분석결과로 예측모델을 해석하는 방법일 수 있다. 모델 비종속적 해석법은 LTSM(Long-term state model), CNN(Convolutional neural network), RNN(Recurrent neural network) 등과 같이 학습 과정이 매우 복잡하고, 블랙박스인 학습 모델에 기반을 둔 선로부하 예측모델을 해석 대상으로 하여, 순열 기반 입력특징 영향도 분석을 수행하고, 분석결과로 예측모델을 해석하는 방법일 수 있다.
이에, 해석대상 부하예측모델이 선형회귀, 로지스틱 회귀, 및 랜덤 포레스트 중 적어도 하나와 같이 딥러닝 기법에 비해 단순한 기계학습 알고리즘 기반으로 생성된 모델인 경우, 해석 파라미터 정의부(110)는 의사결정나무 기반 해석법을 해석방법으로 결정할 수 있다. 해석대상 부하예측모델이 딥러닝 기반 학습을 통해 생성된 모델인 경우, 해석 파라미터 정의부(110)는 순열 기반 해석법을 해석방법으로 결정할 수 있다.
또한, 동일한 기계학습 알고리즘을 기반으로 생성된 부하예측모델들이라 하더라도 학습한 입력 특징에 따라 모델 간 예측결과에 차이를 보이게 되어, 해석결과 또한 달라진다. 그뿐만 아니라 해석하고자 하는 부하예측모델이 학습한 선로 특성을 토대로 예측결과를 해석하기 때문에 부하를 예측하고자 하는 선로와 해당 선로의 특징 정보는 해석을 위한 중요한 변수가 된다.
이에, 해석 파라미터 정의부(110)는 아래 표 2와 같이 데이터 특성에 따라 선로들을 군집화함으로써, 해석 파라미터 구성을 용이하게 하고, 신뢰할 수 있는 예측결과 해석을 가능하게 할 수 있다.
예를 들어, 표 2에서 대분류를 기준으로 'PV 부하'와 'EV 부하'를 대표 특성으로 갖는 선로군집들이 해석 파라미터로 정의되면, PV 부하와 EV 부하가 예측결과에 영향을 미치는 정도에 대한 해석이 가능하다. 또한, 표 2의 대분류로 구성된 '선로 부하 규칙성' 군집을 선로 부하 규칙성에 따라 세분류로 나누면 도 2에 도시된 바와 같이 서로 다른 추세를 보이는 3개의 군집이 생성될 수 있고, 3개의 군집을 해석 파라미터로 선택하면, 선로 부하 규칙성이 예측결과에 끼치는 영향에 대한 해석이 가능하다.
이에, 해석 파라미터 정의부(110)는 해석대상 부하예측모델의 기계학습 알고리즘 작동방식에 따른 해석방법, 선로군집 및 그 선로군집에 대한 학습 여부 중 적어도 하나를 해석 파라미터로 정의할 수 있다.
모델 해석부(120)는 해석 파라미터 정의부(110)에서 정의된 해석방법에 따라 해석대상 부하예측모델의 예측결과에 대한 해석을 수행할 수 있다. 이때, 모델 해석부(120)는, 해석대상 부하예측모델이 해석 파라미터 정의부(110)에서 정의된 선로군집에 대해 학습을 수행하였는지에 대한 학습 여부에 따라 모델 재학습 또는 모델 해석을 수행할 수 있다. 모델 재학습은 해석 파라미터 정의부(110)에서 정의된 선로군집에 대한 학습을 수행하는 것을 의미할 수 있고, 모델 해석은 해석 파라미터 정의부(110)에서 정의된 해석방법에 따라 해석대상 부하예측모델의 예측결과에 대한 해석을 수행하는 것을 의미할 수 있다.
선로부하 예측모델 해석장치(100)는, 해석대상 부하예측모델이 학습한 입력 특징을 기반으로 해석을 수행하기 때문에 해석 파라미터 정의부(110)에서 정의한 선로군집과 다른 특성을 보이는 선로 특성을 학습한 예측모델에 대해서는 정확한 해석이 불가능하다. 따라서 해석대상 부하예측모델이 해석 파라미터 정의부(110)에서 정의한 선로군집에 대한 학습을 하지 않은 모델인 경우, 모델 해석부(120)는 정의된 선로군집에 대한 학습을 수행한 후, 정의된 해석방법에 따라 해석대상 부하예측모델의 예측결과에 대한 해석을 수행할 수 있다. 해석대상 부하예측모델이 해석 파라미터 정의부(110)에서 정의한 선로군집에 대한 학습을 이미 완료한 모델인 경우, 모델 해석부(120)는 선로군집에 대한 재학습 과정 없이 해석대상 부하예측모델의 예측결과에 대한 해석을 수행할 수 있다. 즉, 해석 파라미터 중 하나인 학습 여부 값에 따라 해석대상 부하예측모델이 이미 해당 선로군집에 대한 학습을 하였다면, 모델 해석부(120)는 모델 재학습 없이 모델 해석을 수행하고, 학습하지 않았다면, 해당 선로군집의 특징 데이터에 대한 재학습을 수행한 후 모델 해석을 수행할 수 있다.
모델 해석부(120)는 해석 파라미터 정의부(110)에서 정의된 해석방법에 따라 입력 특징과 예측결과에 대한 해석을 수행할 수 있다.
해석 파라미터 정의부(110)에서 정의된 해석방법이 의사결정나무 기반 해석법인 경우, 모델 해석부(120)는 선로군집에 대한 부하예측을 수행하고, 그 부하예측 결과를 이용하여 해석대상 부하예측모델에 사용된 입력 특징별 보상값을 산출하며, 입력 특징별 보상값을 이용하여 입력특징 영향도 테이블을 생성할 수 있다.
의사결정나무는 그 시각적인 구조 덕분에 선로부하 예측모델에 대한 해석이 용이하다. 이에, 의사결정나무 기반 해석법으로 해석대상 부하예측모델의 예측결과에 대한 해석을 수행하는 경우, 모델 해석부(120)는 해석 파라미터에 정의되어있는 선로군집에 대한 부하예측을 수행할 수 있다. 그런 후, 모델 해석부(120)는 선로군집에 속한 각 선로의 부하예측 값과 해석대상 부하예측모델의 학습에 사용된 각 입력 특징 간의 상관도를 이용하여 입력 특징별 보상값(gain value)을 산출할 수 있다. 이때, 모델 해석부(120)는 아래 수학식 1을 이용하여 입력 특징 j의 보상 값()을 산출할 수 있다.
[수학식 1]
여기서, K는 선로군집에 속한 선로 개수, 는 각 선로의 부하예측 값과 입력 특징이 갖는 상관도를 의미할 수 있다. 상관도는 입력 특징이 부하예측 (결과)값에 어떠한 영향을 미치는지를 수치적으로 나타낸 것으로, 입력 특징 값을 임의로 값으로 변경하고 그 변경된 입력 특징 값에 의한 부하예측 값과 변경전 입력 특징 값에 의한 부하예측 값 간의 차이에 기초하여 산출된 값일 수 있다.
모델 해석부(120)는 입력 특징과 해당 선로군집의 예측 부하 간 상관도 평균으로 입력 특징 j의 보상 값()을 산출할 수 있다. 모델 해석부(120)는 산출된 입력 특징별 보상값을 입력특징 영향도 테이블로 생성하여 해석력 분석부(130)로 전달할 수 있다. 여기서, 입력특징 영향도 테이블은 입력 특징별 보상값들이 정렬된 테이블일 수 있고, 보상값은 영향도와 동일한 의미일 수 있다.
해석 파라미터 정의부(110)에서 정의된 해석방법이 순열 기반 해석법인 경우, 모델 해석부(120)는 선로군집을 구성하는 모든 입력 특징을 대상으로 순차적으로 하나의 입력 특징 값을 임의의 값으로 치환하는 노이즈(Noise) 변환 수행 후 선로군집에 대한 부하예측을 수행하여 중요도를 산출하고, 모든 입력 특징에 대한 중요도가 산출된 경우, 입력 특징별 중요도를 이용하여 입력특징 영향도 테이블을 생성할 수 있다.
순열 기반 해석법은 LSTM, CNN, RNN 등과 같이 학습 과정이 매우 복잡하고, 블랙박스인 학습 모델에 기반을 둔 선로부하 예측모델 해석에 적용될 수 있다. 이에, 순열 기반 해석법으로 해석대상 부하예측모델의 예측결과에 대한 해석을 수행하는 경우, 모델 해석부(120)는 해석 파라미터 정의부(110)에서 정의한 선로군집을 구성하고 있는 모든 입력 특징들에 대하여 하나의 입력 특징 값을 임의의 값으로 치환하여 노이즈(Noise) 변환을 수행할 수 있다. 그런 후, 모델 해석부(120)는 해당 입력 특징 값을 노이즈 변환한 선로군집에 대한 예측을 수행하여, 실측 부하 값과 예측 부하 값의 차이로 해당 입력 특징의 영향력(중요도)을 파악할 수 있다. 만약, 해석대상 부하예측모델이 해당 입력 특징에 크게 의존하고 있다면, 예측 정확도가 크게 감소하여, 실측 부하 값과 예측 부하 값의 차이는 크게 나타날 것이다.
모델 해석부(120)는 아래 수학식 2를 이용하여 입력 특징 j의 중요도( )를 산출할 수 있다.
[수학식 2]
여기서, K는 선로군집에 속한 선로 개수, 는 실측 부하 값, 는 예측 부하값을 의미할 수 있다.
모델 해석부(120)는 실측 부하 값()와 예측 부하 값()의 편차를 실측 부하 값()으로 나누고 그 평균을 이용하여 입력 특징 j의 중요도()를 산출할 수 있다. 모델 해석부(120)는 산출된 입력 특징별 중요도를 입력특징 영향도 테이블로 생성하여 해석력 분석부(130)로 전달할 수 있다. 여기서, 입력특징 영향도 테이블은 입력 특징별 중요도들이 정렬된 테이블일 수 있고, 중요도는 영향도와 동일한 의미일 수 있다.
모델 해석부(120)는 해석대상 부하예측모델이 학습한 입력 특징과 해석방법이 정의된 해석 파라미터와 해석결과를 해석력 분석부(130)로 전달할 수 있다. 즉, 모델 해석부(120)는 입력특징 영향도 테이블을 해석력 분석부(130)로 전달할 수 있다.
해석력 분석부(130)는 해석대상 부하예측모델의 예측결과 해석에 대한 해석력 매트릭스를 생성할 수 있다. 즉, 해석력 분석부(130)는 해석대상 부하예측모델 해석에 대한 유의미 여부의 판단 기준이 되는 해석력 매트릭스(Matrix)를 생성하여 해석결과에 대한 신뢰성을 확보할 수 있도록 한다. 여기서, 해석력 매트릭스는 충실도(Fidelity), 일관성(Consistency), 안정성(Stability) 및 이해력(Comprehensibility) 등을 포함할 수 있다.
이에, 해석력 분석부(130)는 해석대상 부하예측모델의 예측결과 해석에 따라 생성된 입력특징 영향도 테이블을 이용하여 충실도(Fidelity), 일관성(Consistency), 및 안정성(Stability) 중 적어도 하나를 포함하는 해석력 매트릭스를 생성할 수 있다. 즉, 해석력 분석부(130)는 부하예측모델의 부하예측 결과에 대한 해석의 충실도, 일관성, 및 안정성 등을 각각 산출하여, 해석의 신뢰도뿐만 아니라 부하예측모델의 신뢰도에 대한 객관적 판단을 가능하게 할 수 있다. 충실도는 부하예측모델의 예측결과와 해석이 얼마나 근접한지에 대한 속성을 나타낸 것으로, 충실도 값이 작을수록 모델해석이 모호함을 의미할 수 있다. 일관성은 동일한 선로군집으로 학습을 수행하고, 비슷한 예측 결과를 나타낸 일정 개수(K개)의 선로부하 예측모델들에 대하여 각각의 해석이 얼마나 다른지에 대한 속성을 나타낸 것으로, 일관성 값이 작을수록 모델 해석법이 부적합함을 의미할 수 있다. 안정성은 동일 군집에 속한 서로 다른 일정 개수의 선로에 대한 부하 예측결과 해석이 얼마나 비슷한지에 대한 속성을 나타낸 것으로, 안정성 값이 '1'에 근접할수록 모델 해석이 안정적인 것을 의미할 수 있다.
해석력 분석부(130)는 입력특징 영향도 테이블의 모든 입력 특징을 학습한 모델의 예측 정확도 및 입력특징 영향도 테이블에서 상위 영향도(상위 보상값, 상위 중요도)를 갖는 일정 개수의 입력 특징을 학습한 모델의 예측 정확도에 기초하여 충실도를 산출할 수 있다. 즉, 해석력 분석부(130)는 아래 수학식 3을 이용하여 충실도()를 산출할 수 있다.
[수학식 3]
여기서, 은 모든 입 특징을 학습한 의 예측 정확도, 는 상위 영향도를 갖는 일정 개수(K개)의 입력 특징만 학습한 의 예측 정확도를 의미할 수 있다. 예측 정확도는 종래 다양한 예측 정확도를 산출하는 방법을 이용할 수 있다.
해석력 분석부(130)는 복수의 기계학습 알고리즘을 이용하여 선로군집에 대한 학습을 각각 수행하여 복수의 부하예측모델을 생성하고, 복수의 부하예측모델 중에서 유사한 예측 결과를 나타낸 일정 개수의 부하예측모델들이 공통으로 학습한 입력특징의 개수 및 일정 개수의 부하예측모델이 학습한 모든 입력 특징의 표준편차에 기초하여 일관성을 산출할 수 있다. 즉, 해석력 분석부(130)는 아래 수학식 4를 이용하여 일관성()을 산출할 수 있다.
[수학식 4]
여기서, IF는 유사한 예측결과를 나타낸 일정 개수의 부하예측모델이 공통으로 학습한 입력 특징의 개수, SD는 유사한 예측결과를 나타낸 일정 개수의 부하예측모델이 학습한 모든 입력 특징의 표준편차를 의미할 수 있다.
해석력 분석부(130)는 선로군집에 속한 일정 개수의 선로에 대한 평균 부하예측 정확도 및 입력특징 영향도 테이블에서 상위 영향도를 갖는 일정 개수의 입력 특징을 학습한 모델의 평균 예측 정확도에 기초하여 안정성을 산출할 수 있다. 즉, 해석력 분석부(130)는 아래 수학식 5를 이용하여 안정성()을 산출할 수 있다.
[수학식 5]
여기서, EA는 K개 선로의 평균 부하 예측 정확도, SD는 상위 영향도 값을 갖는 N개의 입력 특징을 학습한 모델 평균 예측 정확도를 의미할 수 있다. K 및 N은 임의의 자연수일 있다.
시각화부(140)는 해석대상 부하예측모델의 예측결과 해석 및 해석력 매트릭스를 표시하는 시각화 화면을 제공할 수 있다. 즉, 시각화부(140)는 예측결과 해석과 해석력 매트릭스를 시각화하여 사용자로 하여금 인공지능이 어떠한 이유에서 특정 선로의 미래 부하를 예측하였는지 이해 가능한 시각화 화면을 제공할 수 있다.
시각화부(140)는 입력 특징 영향도 순서, SHAP 패키지 입력 특징 영향도 , 입력 특징과 예측값의 상관관계, 및 해석 시나리오에 따른 해석력에 대한 정보 중 적어도 하나를 시각화하여 사용자에게 제공할 수 있다.
예를 들면, 시각화부(140)는 도 3과 같은 해석결과 시각화 화면을 제공할 수 있다. 도 3에서 'SHAP'과 'Skater'는 오픈소스로 상용화되고 있는 머신러닝 해석패키지를 의미할 수 있다. 시각화부(140)는 이러한 해석패키지를 이용하여 입력 특징 영향도를 쉽게 시각화할 수 있다. 입력 특징 영향도 순서는 각 입력 특징의 영향도 크기순으로 정렬된 입력 특징 목록을 표시할 수 있다. 도 3에서는 입력 특징 'D_1'가 두 개의 패키지에서 모두 예측결과에 대한 가장 큰 영향도를 가지는 것으로 해석할 수 있다. SHAP 값에 따른 입력특징 영향도는 모든 입력특징의 영향도 분포를 한 개의 플랏(Plot)으로 가시화할 수 있다. 특징 영향도가 가장 큰 것이 맨 위에 배치되며, 각 입력특징 영향도의 크기가 색(color)으로 표현될 수 있다. SHAP 값은 예측 값에 기여한 입력 특징 값의 영향도를 나타내기 때문에 SHAP 값의 절대 값이 클수록 예측 값에 대한 입력 특징의 기여도는 커지게 된다. 즉, SHAP 값이 양수인 경우는 입력특징의 영향도가 클수록 예측 값이 커지는데 기여했다는 의미이고, SHAP 값이 음수인 경우는 입력특징의 영향도가 클수록 예측값이 작아지는 방향으로 기여했다는 의미이다. 입력 특징과 예측값의 상관관계는 입력 특징과 부하예측 값의 상관관계가 높을수록 선형에 가까운 추세선이 표현된다. 도 3에서 입력특징 'D_1'은 부하예측 값과 선형에 가까운 높은 상관관계를 보이는 것을 확인할 수 있다. 반면에 입력특징 'D_6'은 불규칙한 추세선을 보여 부하예측 값과 낮은 상관관계를 보이는 것으로 해석된다. 해석시나리오에 따른 해석력은 서로 다른 해석 파라미터별로 해석 시나리오를 설정하고, 해석 시나리오별로 해석력 분석부(130)를 통해 산출된 해석 매트릭스를 시각적으로 제공한다.
도 4는 본 발명의 일 실시예에 따른 기계학습 기반 선로부하 예측모델 해석방법을 나타낸 흐름도이다.
도 4를 참조하면, 해석 파라미터 정의부(110)는 해석대상 부하예측모델의 해석 파라미터를 정의한다(S410). 즉, 해석 파라미터 정의부(110)는 해석대상 부하예측모델의 기계학습 알고리즘 작동방식에 따른 해석방법, 해석대상 부하예측모델이 예측할 하나 이상의 선로를 포함하는 선로군집, 그 선로군집에 대한 부하예측모델의 학습 여부 중 적어도 하나를 포함하는 해석 파라미터를 정의할 수 있다. 이때, 해석 파라미터 정의부(110)는, 해석대상 부하예측모델이 선형회귀, 로지스틱 회귀, 및 랜덤 포레스트 중 적어도 하나와 같이 딥러닝 기법에 비해 단순한 기계학습 알고리즘 기반으로 생성된 모델인 경우, 의사결정나무 기반 해석법을 해석방법으로 결정할 수 있다. 또한, 해석대상 부하예측모델이 딥러닝 기반 학습을 통해 생성된 모델인 경우, 해석 파라미터 정의부(110)는 순열 기반 해석법을 해석방법으로 결정할 수 있다.
S410 단계가 수행되면, 모델 해석부(120)는 해석대상 부하예측모델이 해석 파라미터 정의부(110)에서 정의한 선로군집에 대한 학습을 수행하였는지를 판단한다(S420).
S420 단계의 판단결과, 해석대상 부하예측모델이 선로군집에 대한 학습을 수행한 경우, 모델 해석부(120)는 해석 파라미터 정의부(110)에서 정의한 해석방법에 따라 해석대상 부하예측모델의 예측결과에 대한 해석을 수행한다(S430). 이때, 모델 해석부(120)는 의사결정나무 기반 해석법 또는 순열 기반 해석법으로 해석대상 부하예측모델의 예측결과에 대한 해석을 수행할 수 있다. 모델 해석부(120)가 해석대상 부하예측모델의 예측결과에 대한 해석을 수행하는 방법에 대한 상세한 설명은 도 5를 참조하기로 한다.
S430 단계가 수행되면, 해석력 분석부(130)는 해석대상 부하예측모델의 예측결과 해석에 대한 해석력 매트릭스를 생성한다(S440). 이때, 해석력 분석부(130)는 해석대상 부하예측모델의 예측결과 해석에 따라 생성된 입력특징 영향도 테이블을 이용하여 충실도, 일관성, 및 안정성 각각을 산출하고, 산출된 충실도, 일관성 및 안정성을 이용하여 해석력 매트릭스를 생성할 수 있다.
S440 단계가 수행되면, 시각화부(140)는 해석대상 부하예측모델의 예측결과 해석 및 해석력 매트릭스를 표시하는 시각화 화면을 제공한다(S450). 이때 시각화부(140)는 입력 특징 영향도 순서, SHAP 값에 따른 입력 특징 영향도, 입력 특징과 예측값의 상관관계, 및 해석 시나리오에 따른 해석력에 대한 정보 중 적어도 하나를 시각화 화면을 통해 출력할 수 있다.
도 5는 본 발명의 일 실시예에 따른 모델 해석부가 해석대상 부하예측모델의 예측결과에 대한 해석을 수행하는 방법을 설명하기 위한 흐름도이다.
도 5를 참조하면, 모델 해석부(120)는 해석 파라미터 정의부(110)에서 정의된 해석방법이 순열 기반 해석법인지를 판단한다(S502).
S502 단계의 판단결과, 해석 파라미터 정의부(110)에서 정의된 해석방법이 순열 기반 해석법인 경우, 모델 해석부(120)는 선로군집을 구성하는 모든 입력 특징들 중에서 j번째 입력 특징 값을 임의의 값으로 치환하는 노이즈(Noise) 변환을 수행한다(S504). 여기서, j는 0부터 순차적으로 높은 자연수 일 수 있다.
그런 후, 모델 해석부(120)는 j번째 입력 특징 값이 노이즈 변환된 선로군집에 대한 부하예측을 수행하고(S506), j번째 입력 특징의 중요도를 산출한다(S508). 이때, 모델 해석부(120)는 실측 부하 값과 예측 부하 값의 편차를 실측 부하 값으로 나누고 그 평균을 이용하여 입력 특징 j의 중요도를 산출할 수 있다.
S508 단계가 수행되면, 모델 해석부(120)는 선로군집을 구성하는 모든 입력특징들에 대하여 중요도를 산출하였는지를 판단한다(S510).
S510 단계의 판단결과, 선로군집을 구성하는 모든 입력 특징들에 대하여 중요도를 산출한 것으로 판단되면, 모델 해석부(120)는 입력 특징별 중요도들이 정렬된 입력특징 영향도 테이블을 생성한다(S512).
S502 단계의 판단결과, 해석 파라미터 정의부(110)에서 정의된 해석방법이 순열 기반 해석법이 아니고 의사결정나무 기반 해석법이면(S514), 모델 해석부(120)는 선로군집에 대한 부하예측을 수행하고(S516), 그 부하예측 결과를 이용하여 해석대상 부하예측모델에 사용된 입력 특징별 보상값을 산출한다(S518). 이때, 모델 해석부(120)는 입력 특징과 해당 선로군집의 예측 부하 간 상관도 평균으로 입력 특징의 보상값을 산출할 수 있다.
S518 단계가 수행되면, 모델 해석부(120)는 입력 특징별 보상값들이 정렬된 입력특징 영향도 테이블을 생성한다(S520).
상술한 바와 같이, 본 발명의 일 실시예에 따른 기계학습 기반 선로부하 예측모델 해석 장치 및 방법은, 해석대상 부하예측모델이 학습한 각 입력 특징이 갖는 예측결과에 대한 영향도를 분석하고, 이를 토대로 예측결과에 대한 해석을 수행함으로써, 해석대상 부하예측모델의 신뢰성을 확보할 수 있다. 설비투자 계획이나 전력 수요 예측과 같은 배전운영에 있어, 중요한 의사결정 사안에 기계학습 기반 선로부하 예측모델이 활용되는 경우, 기계학습 모델에 대한 높은 신뢰성을 요구하게 되는데, 본 발명은 인공지능 부하예측모델의 잘못된 결과로 인한 피해를 예방하여 부하예측모델에 대한 높은 신뢰성을 부여할 수 있다. 나아가, 부하예측모델의 잘못된 예측결과로 인한 문제 발생 시 원인 파악 및 대처가 가능하며, 결과 도출 과정을 사용자에게 이해시킴으로써 부하예측모델의 신뢰성을 확보할 수 있다.
본 발명의 일 실시예에 따른 기계학습 기반 선로부하 예측모델 해석 장치 및 방법은, 인공지능 부하예측모델의 성능을 향상시킬 수 있다. 구체적으로, 기계학습 모델학습에 사용되는 입력 특징을 분석함으로써 인공지능 배전 시스템의 성능 저하 요인을 파악하고, 최적의 학습 데이터 세트 구성이 가능하므로, 신재생 에너지 연계 배전선로의 다양하고 복잡한 조건과 상황에 적합한 기계학습 모델을 생성하여 예측성능 향상을 도모할 수 있다.
본 발명의 일 실시예에 따른 기계학습 기반 선로부하 예측모델 해석 장치 및 방법은, 부하예측모델의 입력 특징 변화에 따른 예측결과를 해석함으로써, 다양한 환경 및 조건 변화에 따른 유동적인 부하예측모델을 설계할 수 있고, 이를 통해 부하예측모델 성능의 장기적인 유지와 모델의 현장 적용과정에의 운영 안전성을 부여할 수 있다.
본 발명은 도면에 도시된 실시예를 참고로 하여 설명되었으나, 이는 예시적인 것에 불과하며, 당해 기술이 속하는 분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다.
따라서 본 발명의 진정한 기술적 보호범위는 아래의 특허청구범위에 의해서 정하여져야 할 것이다.
100 : 선로부하 예측모델 해석 장치
110 : 해석 파라미터 정의부
120 : 모델 해석부
130 : 해석력 분석부
140 : 시각화부

Claims (20)

  1. 해석대상 부하예측모델의 기계학습 알고리즘 작동방식에 따른 상기 해석대상 부하예측모델의 해석방법, 및 상기 해석대상 부하예측모델이 예측할 하나 이상의 선로를 포함하는 선로군집 중 적어도 하나를 포함하는 해석 파라미터를 정의하는 해석 파라미터 정의부;
    상기 정의된 해석방법에 따라 상기 해석대상 부하예측모델의 예측결과에 대한 해석을 수행하는 모델 해석부; 및
    상기 해석대상 부하예측모델의 예측결과 해석에 대한 해석력 매트릭스를 생성하는 해석력 분석부를 포함하되,
    상기 해석 파라미터 정의부는,
    상기 해석대상 부하예측모델이 선형회귀, 로지스틱 회귀, 및 랜덤 포레스트 중 적어도 하나와 같이 딥러닝 기법에 비해 단순한 기계학습 알고리즘 기반으로 생성된 모델인 경우, 의사결정나무 기반 해석법을 해석방법으로 결정하고,
    상기 해석대상 부하예측모델이 딥러닝 기반 학습을 통해 생성된 모델인 경우, 순열 기반 해석법을 해석방법으로 결정하는 것을 특징으로 하는 기계학습 기반 선로부하 예측모델 해석 장치.
  2. 삭제
  3. 제1항에 있어서,
    상기 해석 파라미터 정의부는,
    상기 해석대상 부하예측모델의 상기 선로군집에 대한 학습 여부를 상기 해석 파라미터로 추가로 정의하는 것을 특징으로 하는 기계학습 기반 선로부하 예측모델 해석 장치.
  4. 제3항에 있어서,
    상기 모델 해석부는,
    상기 해석대상 부하예측모델이 상기 선로군집에 대한 학습을 수행하지 않은 모델인 경우, 상기 정의된 선로군집에 대한 학습을 수행한 후, 상기 정의된 해석방법에 따라 상기 해석대상 부하예측모델의 예측결과에 대한 해석을 수행하는 것을 특징으로 하는 기계학습 기반 선로부하 예측모델 해석 장치.
  5. 제1항에 있어서,
    상기 모델 해석부는,
    상기 정의된 해석방법이 의사결정나무 기반 해석법인 경우, 상기 선로군집에 대한 부하예측을 수행하고, 그 부하예측 결과를 이용하여 상기 해석대상 부하예측모델에 사용된 입력 특징별 보상값을 산출하며, 상기 입력 특징별 보상값을 이용하여 입력특징 영향도 테이블을 생성하는 것을 특징으로 하는 기계학습 기반 선로부하 예측모델 해석 장치.
  6. 제5항에 있어서,
    상기 모델 해석부는,
    상기 선로군집에 속한 각 선로의 부하예측 값과 상기 입력 특징이 갖는 상관도를 이용하여 상기 입력 특징별 보상값을 산출하는 것을 특징으로 하는 기계학습 기반 선로부하 예측모델 해석 장치.
  7. 제1항에 있어서,
    상기 모델 해석부는,
    상기 정의된 해석방법이 순열 기반 해석법인 경우, 상기 선로군집을 구성하는 모든 입력 특징을 대상으로 하나의 입력 특징 값을 임의의 값으로 치환하는 노이즈(Noise) 변환 수행 후 상기 선로군집에 대한 부하예측을 수행하여 각 입력 특징에 대한 중요도를 각각 산출하고, 상기 모든 입력 특징에 대한 중요도가 산출된 경우, 입력 특징별 중요도를 이용하여 입력특징 영향도 테이블을 생성하는 것을 특징으로 하는 기계학습 기반 선로부하 예측모델 해석 장치.
  8. 제7항에 있어서,
    상기 모델 해석부는,
    상기 선로군집에 속한 각 선로의 부하예측 값과 실측 부하값을 이용하여 상기 중요도를 산출하는 것을 특징으로 하는 기계학습 기반 선로부하 예측모델 해석 장치.
  9. 제1항에 있어서,
    상기 해석력 분석부는,
    상기 해석대상 부하예측모델의 예측결과 해석에 따라 생성된 입력 특징 영향도 테이블을 이용하여 충실도(Fidelity), 일관성(Consistency), 및 안정성(Stability) 각각을 산출하고, 상기 충실도, 일관성 및 안정성 중 적어도 하나를 포함하는 해석력 매트릭스를 생성하는 것을 특징으로 하는 기계학습 기반 선로부하 예측모델 해석 장치.
  10. 제9항에 있어서,
    상기 해석력 분석부는,
    상기 입력특징 영향도 테이블의 모든 입력 특징을 학습한 모델의 예측 정확도 및 상기 입력특징 영향도 테이블에서 상위 영향도를 갖는 일정 개수의 입력 특징을 학습한 모델의 예측 정확도에 기초하여 상기 충실도를 산출하는 것을 특징으로 하는 기계학습 기반 선로부하 예측모델 해석 장치.
  11. 제9항에 있어서,
    상기 해석력 분석부는,
    복수의 기계학습 알고리즘을 이용하여 상기 선로군집에 대한 학습을 각각 수행하여 복수의 부하예측모델을 생성하고, 상기 복수의 부하예측모델 중에서 유사한 예측 결과를 나타낸 일정 개수의 부하예측모델이 공통으로 학습한 입력특징의 개수 및 상기 일정 개수의 부하예측모델이 학습한 모든 입력 특징의 표준편차에 기초하여 일관성을 산출하는 것을 특징으로 하는 기계학습 기반 선로부하 예측모델 해석 장치.
  12. 제9항에 있어서,
    상기 해석력 분석부는,
    상기 선로군집에 속한 일정 개수의 선로에 대한 평균 부하예측 정확도 및 상기 입력특징 영향도 테이블에서 상위 영향도를 갖는 일정 개수의 입력 특징을 학습한 모델의 평균 예측 정확도에 기초하여 상기 안정성을 산출하는 것을 특징으로 하는 기계학습 기반 선로부하 예측모델 해석 장치.
  13. 제1항에 있어서,
    상기 해석대상 부하예측모델의 예측결과 해석 및 상기 해석력 매트릭스를 표시하는 시각화 화면을 제공하는 시각화부를 더 포함하는 것을 특징으로 하는 기계학습 기반 선로부하 예측모델 해석 장치.
  14. 해석 파라미터 정의부가 해석대상 부하예측모델의 기계학습 알고리즘 작동방식에 따른 상기 해석대상 부하예측모델의 해석방법, 및 상기 해석대상 부하예측모델이 예측할 하나 이상의 선로를 포함하는 선로군집 중 적어도 하나를 포함하는 해석 파라미터를 정의하는 단계;
    모델 해석부가 상기 정의된 해석방법에 따라 상기 해석대상 부하예측모델의 예측결과에 대한 해석을 수행하는 단계;
    해석력 분석부가 상기 해석대상 부하예측모델의 예측결과 해석에 대한 해석력 매트릭스를 생성하는 단계; 및
    시각화부가 상기 해석대상 부하예측모델의 예측결과 해석 및 상기 해석력 매트릭스를 표시하는 시각화 화면을 제공하는 단계를 포함하되,
    상기 해석 파라미터를 정의하는 단계에서,
    상기 해석 파라미터 정의부는, 상기 해석대상 부하예측모델이 선형회귀, 로지스틱 회귀, 및 랜덤 포레스트 중 적어도 하나와 같이 딥러닝 기법에 비해 단순한 기계학습 알고리즘 기반으로 생성된 모델인 경우, 의사결정나무 기반 해석법을 해석방법으로 결정하고,
    상기 해석대상 부하예측모델이 딥러닝 기반 학습을 통해 생성된 모델인 경우, 순열 기반 해석법을 해석방법으로 결정하는 것을 특징으로 하는 기계학습 기반 선로부하 예측모델 해석 방법.
  15. 삭제
  16. 제14항에 있어서,
    상기 해석 파라미터를 정의하는 단계에서,
    상기 해석 파라미터 정의부는, 상기 해석대상 부하예측모델의 상기 선로군집에 대한 학습 여부를 상기 해석 파라미터로 추가로 정의하는 것을 특징으로 하는 기계학습 기반 선로부하 예측모델 해석 방법.
  17. 제14항에 있어서,
    상기 해석대상 부하예측모델의 예측결과에 대한 해석을 수행하는 단계에서,
    상기 모델 해석부는, 상기 해석대상 부하예측모델이 상기 선로군집에 대한 학습을 수행하지 않은 모델인 경우, 상기 정의된 선로군집에 대한 학습을 수행한 후, 상기 정의된 해석방법에 따라 상기 해석대상 부하예측모델의 예측결과에 대한 해석을 수행하는 것을 특징으로 하는 기계학습 기반 선로부하 예측모델 해석 방법.
  18. 제14항에 있어서,
    상기 해석대상 부하예측모델의 예측결과에 대한 해석을 수행하는 단계에서,
    상기 모델 해석부는, 상기 정의된 해석방법이 의사결정나무 기반 해석법인 경우, 상기 선로군집에 대한 부하예측을 수행하고, 그 부하예측 결과를 이용하여 상기 해석대상 부하예측모델에 사용된 입력 특징별 보상값을 산출하며, 상기 입력 특징별 보상값을 이용하여 입력특징 영향도 테이블을 생성하는 것을 특징으로 하는 기계학습 기반 선로부하 예측모델 해석 방법.
  19. 제14항에 있어서,
    상기 해석대상 부하예측모델의 예측결과에 대한 해석을 수행하는 단계에서,
    상기 모델 해석부는, 상기 정의된 해석방법이 순열 기반 해석법인 경우, 상기 선로군집을 구성하는 모든 입력 특징을 대상으로 하나의 입력 특징 값을 임의의 값으로 치환하는 노이즈(Noise) 변환 수행 후 상기 선로군집에 대한 부하예측을 수행하여 각 입력 특징에 대한 중요도를 각각 산출하고, 상기 모든 입력 특징에 대한 중요도가 산출된 경우, 입력 특징별 중요도를 이용하여 입력특징 영향도 테이블을 생성하는 것을 특징으로 하는 기계학습 기반 선로부하 예측모델 해석 방법.
  20. 제14항에 있어서,
    상기 해석력 매트릭스를 생성하는 단계에서,
    상기 해석력 분석부는, 상기 해석대상 부하예측모델의 예측결과 해석에 따라 생성된 입력 특징 영향도 테이블을 이용하여 충실도(Fidelity), 일관성(Consistency), 및 안정성(Stability) 각각을 산출하고, 상기 충실도, 일관성 및 안정성 중 적어도 하나를 포함하는 해석력 매트릭스를 생성하는 것을 특징으로 하는 기계학습 기반 선로부하 예측모델 해석 방법.
KR1020210130919A 2021-10-01 2021-10-01 기계학습 기반 선로부하 예측모델 해석 장치 및 방법 KR102664053B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210130919A KR102664053B1 (ko) 2021-10-01 2021-10-01 기계학습 기반 선로부하 예측모델 해석 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210130919A KR102664053B1 (ko) 2021-10-01 2021-10-01 기계학습 기반 선로부하 예측모델 해석 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20230047731A KR20230047731A (ko) 2023-04-10
KR102664053B1 true KR102664053B1 (ko) 2024-05-09

Family

ID=85984759

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210130919A KR102664053B1 (ko) 2021-10-01 2021-10-01 기계학습 기반 선로부하 예측모델 해석 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102664053B1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118070246B (zh) * 2024-04-18 2024-07-09 湖南科技大学 一种智能工厂物联网设备的预测性维护方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102273867B1 (ko) * 2020-11-27 2021-07-06 주식회사 솔리드웨어 비지도학습방법론에 기인한 지도학습모델 생성 방법 및 그 장치와, 이를 이용한 비지도학습모델 해석 방법 및 그 장치

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210111131A (ko) * 2020-03-02 2021-09-10 한국전자통신연구원 의사결정나무 기반의 분류 해석 방법 및 전자 장치

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102273867B1 (ko) * 2020-11-27 2021-07-06 주식회사 솔리드웨어 비지도학습방법론에 기인한 지도학습모델 생성 방법 및 그 장치와, 이를 이용한 비지도학습모델 해석 방법 및 그 장치

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
원규현 외 2명, 신재생에너지 수용량 증대를 위한 머신러닝을 활용한 예측 기반 배전계통 전압제어, 전기학회논문지, 69.8, 2020, 1165-1173페이지*
이해성 외 1명, 배전 설비 상태추론 모델 성능 비교 시각화 알고리즘 개발, 대한전기학회 학술대회 논문집, 2021년 7월, 2127-2128페이지*

Also Published As

Publication number Publication date
KR20230047731A (ko) 2023-04-10

Similar Documents

Publication Publication Date Title
Bassamzadeh et al. Multiscale stochastic prediction of electricity demand in smart grids using Bayesian networks
Alazab et al. A multidirectional LSTM model for predicting the stability of a smart grid
Chen et al. Data quality of electricity consumption data in a smart grid environment
CN115578015B (zh) 基于物联网的污水处理全过程监管方法、系统及存储介质
Zhang et al. Time series anomaly detection for smart grids: A survey
CN116245033B (zh) 人工智能驱动的电力系统分析方法及智能软件平台
CN116031888B (zh) 基于动态负荷预测的潮流优化方法、系统及存储介质
Dong et al. Applying the ensemble artificial neural network-based hybrid data-driven model to daily total load forecasting
CN115760484A (zh) 一种配电台区隐患辨识能力提升方法、装置、系统及存储介质
Luan et al. Out-of-distribution detection for deep neural networks with isolation forest and local outlier factor
Castelli et al. An evolutionary system for ozone concentration forecasting
CN112966714A (zh) 一种边缘时序数据异常检测和网络可编程控制方法
CN117094535B (zh) 基于人工智能的能源补给管理方法及系统
KR102664053B1 (ko) 기계학습 기반 선로부하 예측모델 해석 장치 및 방법
Lao et al. The optimized multivariate grey prediction model based on dynamic background value and its application
Zhu et al. Research on PSO‐ARMA‐SVR Short‐Term Electricity Consumption Forecast Based on the Particle Swarm Algorithm
Mansouri et al. A deep explainable model for fault prediction using IoT sensors
Zulfauzi et al. Anomaly detection using K-Means and long-short term memory for predictive maintenance of large-scale solar (LSS) photovoltaic plant
Li et al. Research on short term prediction method of thermal hydraulic transient operation parameters based on automated deep learning
Chang et al. Transferable tree-based ensemble model for non-intrusive load monitoring
CN114726751A (zh) 资源质量监控的智能化预警方法、系统、设备和存储介质
Haiqiang et al. Ultra‐short‐term wind speed forecasting method based on spatial and temporal correlation models
Lee et al. Wind power pattern forecasting based on projected clustering and classification methods
CN111160715A (zh) 基于bp神经网络新旧动能转换绩效评价方法和装置
CN111984514A (zh) 基于Prophet-bLSTM-DTW的日志异常检测方法

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right