KR20090073937A

KR20090073937A - 유전자알고리즘과 퍼지시스템을 이용한단기전력부하예측방법

Info

Publication number: KR20090073937A
Application number: KR1020070142017A
Authority: KR
Inventors: 강환일; 강환수; 조진형; 권귀석
Original assignee: 강환일
Priority date: 2007-12-31
Filing date: 2007-12-31
Publication date: 2009-07-03

Abstract

본 발명은 소속함수를 결정하는 단계(310); 예측규칙생성 단계(302); Max-Min법으로 예측 규칙결정 단계(303); 논리적인 규칙 생성 단계(304); 시계열예측 단계(305); 유전자알고리즘에 의한 소속함수 모양과 규칙의 변경 단계(306);의 조합에 관한 것이다.

유전자 알고리즘, 단기전력부하예측, 퍼지 시스템

Description

유전자알고리즘과 퍼지시스템을 이용한 단기전력부하예측방법{Method for short term electric load prediction system with the genetic algorithm and the fuzzy system}

본 발명은 유전자알고리즘과 퍼지시스템을 이용한 단기전력부하예측방법에 관한 것이다.

퍼지 시스템과 유전자 알고리즘을 이용하여 단기 전력 부하 예측 방법을 제안한다. 우선 퍼지 소속함수를 정한 후 예측규칙을 구성하여 예측을 진행한다. 그 성능을 평가하고 성능을 개선하기 위해 유전자 알고리즘을 이용한다. 이를 이용하여 최적의 퍼지 소속함수외 최적의 예측 규칙을 구한다.

시계열(Time series)은 정해진 순간마다 측정된 값 들의 모임이다. 시계열예측의 응용은 사업 계획수립, 일기예보, 주가예측과 다양한 신호처리분야 등에서 활발히 응용 발전하고 있다. 일반적으로 시계열은 혼돈된 신호이거나 불규칙적인 특성을 가지고 있어 이들을 함수로 모델링하기에는 부족함이 있다. 따라서 근래에는 시계열에서 퍼지규칙과 적당한 소속함수를 선택하여 시계열을 모델링하려는 경향이 있다. 시계열중 특정주기를 가지는 값 사이에는 얼마간의 종속성이 발견되고, 이런 성격에 근거하여 시계열의 발생원을 분석할 수 있다. 즉 시계열의 발생원은 어느 정도의 결정론적인 동력학 시스템(Deterministic Dynamic System)에 의해 지배를 받는다고 볼 수 있기 때문에 우리가 얻는 시계열은 예측이나 모델링을 통해 분석이 가능하다.

본 발명은 유전자알고리즘과 퍼지시스템을 이용한 단기전력부하예측방법을 제공하는 것을 목적으로 한다.

본 발명은 소속함수를 결정하는 단계(310); 예측규칙생성 단계(302); Max-Min법으로 예측 규칙결정 단계(303); 논리적인 규칙 생성 단계(304); 시계열예측 단계(305); 유전자알고리즘에 의한 소속함수 모양과 규칙의 변경 단계(306);의 조합으로 이루어진다.

단기전력부하예측의 응용은 사업 계획수립, 일기예보, 주가예측과 다양한 신호처리분야 등에서 활발히 응용 발전하고 있다.

단기부하예측 시스템에 적용하여 전력생산계획 수립에 이용할 수 있다. 또한 지역부하예측에 이용할 수 있다.

이하 도 1을 참고로 하여 본 발명을 보다 상세히 설명한다.

301 소속함수결정

기존의 방법은 소속함수를 입력변수의 최소값과 최대값 사이를 임의의 개수로 등분하여 일률적으로 정의하였다. 그러나 시계열은 어떤 특정한 값 근처에 많이 분포할 가능성이 있으므로 그 특성에 따라 소속함수를 정의하는 것이 보다 합리적 인 방법이다. 본 논문에서는 유전자알고리즘을 이용하여 소속함수를 정의한다. 소속함수 정의 알고리즘은 다음과 같다.

단계1 : 랜덤 수를 50개를 생성시킨다. 이 50개를 염색체로 이용한다. 그중에서 가장 작은 4개를 선정하고 그것이 있는 자리는 1로 다른 자리는 0으로 하여 50개의 비트를 가진 이진수를 만든다.

단계2 : 6개의 소속함수 다음과 같이 정의한다.

여기서

이고 는 50개의 비트를 가진 이진수에서 자릿수를 왼쪽에서 오른쪽으로 세어 i번째 1이 나오는 자릿수가 j라는 것을 뜻한다. 예를 들면 이진수 00000000010000000001000000000100000000000000000000에서 이 된다.

단계3 : 단계2의 소속함수를 이용하여 학습데이터를 이용하여 퍼지규칙을 찾아내고 이 최적의 소속함수를 구하기 위해 테스트 데이터를 이용하여 MAPE(mean absolute percentage error)의 역수를 적합도 함수로 정하였다. 유전자 알고리즘을 이용하여 최적의 소속함수의 모양을 찾는다.

유전자알고리즘을 구현하기 위한 각 변수들의 정의와 값은 다음과 같다. 세대수는 40세대이며 문자열의 최대길이는 50개 교배 율은 0.3, 돌연변이율은 0.01, 교배의 위치는 한번만 허락하며, 선택은 루울렛 휠과 우월주의를 반반씩 이용하였다. 그리고 교배는 50개의 랜덤수를 가지는 두 염색체를 이용하여 행하며 돌연변이는 돌연변이가 일어난 곳은 실수인 난수를 선택한다. 기존의 유전자 알고리즘은 이진수를 이용하나 본 특허에서는 실수를 이용한다. 그리고 MAX-MIN 법과 중앙평균법을 이용하였다.

302 예측규칙 생성

입력 데이터가 속하는 소속함수와 소속함수값을 데이터베이스화 하여 규칙을 생성한다.

303 Max-Min법으로 결정

동일한 전건부에 대한 상이한 후건부가 발생할 경우 (Rule 중복, 비논리적 규칙) 규칙 선택을 위해 최대-최소(Max_Min) 방법을 사용한다.

최대-최소(Max_Min) 방법

동일한 전건부에 대하여 상이한 후건부가 발생하면 모순된 규칙이 발생하게 된다. 이 경우 Max-Min의 방법을 이용하면 해결할 수 있다. Max-Min의 방법은 모순된 규칙의 입력과 출력의 모든 소속함수의 최소값이 큰 것이 있는 것을 후건부로 택하는 방식이다.

304 논리적인 규칙 생성

302청구항에서 구한 예측규칙에서 303청구항을 이용한 비 논리적인 규칙을 제거한 새로운 예측규칙을 생성한다.

305 시계열예측

본 특허에서는 두 개의 입력을 이용하여 하나의 출력을 구하는 방식을 채택하고 Mandani의 Max-Min방법과 중앙 평균법을 이용한다.

306 유전자알고리즘에 의한 변경

퍼지함수의 모양을 동일한 모양의 삼각형으로 구성할 수 있으나 입력과 출력의 상황에 따라 퍼지함수를 각각 다른 삼각형의 모습으로 변형시키기 위해 유전자알고리즘을 도입한다. 교배와 돌연변이가 주연산자인 유전자알고리즘을 이용하여 최적의 퍼지 함수모양을 정하여 예측결과의 최적화를 유지한다.

유전자 알고리즘

유전자알고리즘은 생물학적 진화와 적자생존의 원리를 이용한 반복적인 탐색최적화기법으로 경사하강법(Steepest descent)의 단점인 지역극소점에 빠질 가능성 을 제거하는데 있다. 유전자알고리즘의 특징은 주어진 변수에 해당되는 이진수를 만들고 적합도함수를 구하여 적합도함수의 값에 따라 다음세대에 선택되어 지는데, 2개의 기본연산자로서 교배와 돌연변이가 있으며 선택이라는 방법을 통해 반복 수행된다. 선택의 방법은 비례선택, 루울렛 힐(Roulette Wheel), 토너먼트(Tournament), 우월주의를 갖는 토너먼트(Tournament with Eliticism)등이 있다. 유전자알고리즘에 관한 수학적 기초는 다음과 같다. 유전자 알고리즘은 길이가 L인 이진(binary) 표현을 사용하며 한 세대의 수(Population size)가 N으로 고정된 형태의 유전자 알고리즘이다. 이 논문에서는 선택(selection)방법으로 루울렛 휠과 우월주의(eliticism)를 사용하고 한 점에서의 교배(crossover)와 돌연변이(mutation)를 사용한다. 각 세대의 개체는 개체공간(individual space) S={0,1} ¹ 에 표현되며, 세대공간(Population space)을 S ^N 그리고 부모 공간을 S ² 으로 나타낸다. 편의를 위해서 세대 를 아래와 같은 벡터와 행렬로 나타낸다.

여기서 X _i ∈S는 벡터 X의 i번째 개체이며 반면에 x _ij 는 X _i 의 j번째 요소이다. 이러한 유전자 알고리즘의 동작과정은 다음과 같은 5단계로 분류할 수 있다.

1 단계) k=0로 설정하고 초기세대 X(k)을 발생시킨다.

2 단계) 현 세대로부터 N개의 개체의 쌍을 선택한다.

3 단계) 선택된 N개의 개체의 쌍을 교배시켜 새로운 N개의 개체를 생성한다.

4 단계) 새로운 N개의 개체에 대해 각 비트 돌연변이를 수행한다.

5 단계) 정지조건을 만족하면 동작을 끝내고 그렇지 않으면 k=k+1, 그리고 단계 2)로 간다.

5. 기술적용

5.1 오차가 작은 예측방법의 개발

5.2 단기부하예측 방법에 적용할 수 있음

5.3 비균등한 시계열에 이용할 수 있다. 즉 두 개의 입력과 한개의 출력의 시계열이 다른 성질의 시계열일 경우에도 적용가능함

도 1은 본 발명에 따른 유전자알고리즘과 퍼지시스템을 이용한 단기전력부하예측방법을 설명하는 도면.

Claims

소속함수를 결정하는 단계(310); 예측규칙생성 단계(302); Max-Min법으로 예측 규칙결정 단계(303); 논리적인 규칙 생성 단계(304); 시계열예측 단계(305); 유전자알고리즘에 의한 소속함수 모양과 규칙의 변경 단계(306);의 조합.