KR20120075910A - 전력 수요 예측 방법 - Google Patents

전력 수요 예측 방법 Download PDF

Info

Publication number
KR20120075910A
KR20120075910A KR1020100137817A KR20100137817A KR20120075910A KR 20120075910 A KR20120075910 A KR 20120075910A KR 1020100137817 A KR1020100137817 A KR 1020100137817A KR 20100137817 A KR20100137817 A KR 20100137817A KR 20120075910 A KR20120075910 A KR 20120075910A
Authority
KR
South Korea
Prior art keywords
temperature
model
function
estimating
prediction
Prior art date
Application number
KR1020100137817A
Other languages
English (en)
Other versions
KR101201705B1 (ko
Inventor
박준용
김인무
이상철
김창식
Original Assignee
한국전력거래소
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 한국전력거래소 filed Critical 한국전력거래소
Priority to KR1020100137817A priority Critical patent/KR101201705B1/ko
Publication of KR20120075910A publication Critical patent/KR20120075910A/ko
Application granted granted Critical
Publication of KR101201705B1 publication Critical patent/KR101201705B1/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
    • G06Q50/06—Energy or water supply
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/08—Payment architectures
    • G06Q20/14—Payment architectures specially adapted for billing systems
    • 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
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Accounting & Taxation (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Finance (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Educational Administration (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명의 전력 수요 예측 방법은 (a) 지역별 기온 확률 분포 함수를 추정하여 각 지역별로 판매량에 따른 가중치를 두어 해당 월의 전국의 기온 분포 함수를 추정하는 단계, (b) 기간에 따른 부하 패턴의 변화가 고려된 기온 반응 함수를 추정하는 단계, (c) 상기 기온 확률 분포 함수와 기온 반응 함수를 이용하여 기온 효과를 추정하는 단계, (d) 상기 기온 반응 함수에서 최소값을 가지는 점을 최적기온점으로 설정하고 상기 최적기온점을 기준으로 기온이 낮은 부분은 난방 부하 팩터(factor)로, 기온이 높은 부분에서는 냉방 부하 팩터로 분해하는 단계, (e) 시간에 따라 변할 수 있도록 시간변동계수가 포함된 다항식으로 이루어진 예측모형을 추정하고, 상기 예측모형을 상기 냉방 부하 팩터와 난방 부하 팩터를 이용해서 분해하는 단계를 수행하는 것을 특징으로 한다.

Description

전력 수요 예측 방법{FORECASTING METHOD OF DEMAND FOR ELECTRIC POWER}
본 발명은 전력 수요 예측 방법에 관한 것으로, 특히 종래의 에너지 수요 예측 방법 및 시스템의 단점을 보완하고 보다 정확하고 신뢰성 있는 전력 수요 예측 방법에 관한 것이다.
현재 산업발전에 따른 전력 수요가 해마다 증가하고 있음에 따라 자원의 낭비를 최소화하고 전력 수요의 정확도를 향상시킴으로서 전력 설비의 최적 투자와 효율적인 운용이 필요하게 되었다. 이에 따라 지역별로 최대 전력수요를 정확하게 예측하는 방법이 제안되었다.
종래의 등록 특허 제10-0648296호의 '에너지수요 예측 방법 및 시스템'은 전력 수요를 예측하는 방법을 제시하고 있으나, 전체 기간에 대한 기온 반응 함수의 패턴이 동일한 것으로 보기 때문에, 기온 반응 함수가 시간에 따라 변화한다는 점을 간과하여 정확성이 떨어진다는 문제점이 있다.
또한 상기 등록 특허 제10-0648296호는 전력 판매량을 기본 판매량과 냉방 및 난방 부하로 분해하여 기온 반응이 기간에 따라 변화하는 것을 모형화하지 못하였다는 단점이 있다. 또한 기온 민감도를 이용하여 기온의 변화에 따른 전력 판매량 및 최대 전력의 변화를 나타낼 수 없었으며, 예측된 결과에 대한 초과확률수준에 따른 신뢰구간을 추정하지 않는다는 단점이 있다.
본 발명은 상기의 문제점을 해결하기 위해 예측력의 정확도를 위해 푸리에 신축형(Fourier Flexible Form)을 이용한 기온 반응 함수 추정, 커널 비모수적 추정방법을 활용한 기온분포 추정, 공적분 및 오차수정모형을 이용한 모형예측, 그리고 ARCH를 활용한 초과확률수준 예측, 그리고 추정된 기온반응함수를 이용하여 전력수요의 냉방 및 난방 부하 분해 등의 기술을 활용하는 것을 특징으로 하는 전력 수요 예측 방법을 얻고자 하는 것을 목적으로 한다.
본 발명의 전력 수요 예측 방법은, (a) 지역별 기온 확률 분포 함수를 추정하여 각 지역별로 판매량에 따른 가중치를 두어 해당 월의 전국의 기온 분포 함수를 추정하는 단계, (b) 구간에 따른 부하 패턴의 변화가 고려된 기온 반응 함수를 추정하는 단계, (c) 상기 기온 확률 분포 함수와 기온 반응 함수를 이용하여 기온 효과를 추정하는 단계, (d) 상기 기온 반응 함수에서 최소값을 가지는 점을 최적기온점으로 설정하고 상기 최적기온점을 기준으로 기온이 낮은 부분은 난방 부하 팩터(factor)로, 기온이 높은 부분에서는 냉방 부하 팩터로 분해하는 단계, (e) 시간에 따라 변할 수 있도록 시간변동계수가 포함된 다항식으로 이루어진 예측모형을 추정하고, 상기 예측모형을 상기 냉방 부하 팩터와 난방 부하 팩터를 이용해서 분해하는 단계를 수행하는 것을 특징으로 한다.
여기서 상기 (e) 단계 이후에, (f) 공적분 모형 또는 오차수정 모형을 이용하여 상기 예측모형을 실험하여 모형을 예측하는 단계 및, (g) 기온분포의 변동에 대한 전력 판매량의 민감도인 기온 민감도 분석 단계를 더 수행할 수 있다.
한편 상기 (g) 단계 이후에, (h) 평균 예측치 및 평균 예측치의 분산을 고려하여 초과확률수준을 예측하는 단계를 더 수행할 수 있다.
여기서 상기 (a) 단계는, 전력 판매량 비중이 높은 하나 이상의 지역의 시간별 기온 자료를 가지고 비모수적 커널 방법을 이용하여 지역별 기온 확률 분포 함수를 추정하고 이를 각 지역별로 전력 판매량에 따른 가중치를 두어 해당 월의 전국의 기온 확률 분포 함수를 추정하는 것을 특징으로 한다.
또한 여기서 상기 (h) 단계는, 전력 수요 변동성의 종속성을 모형화하기 위해서 ARCH(Autoregressive Conditional Heteroskedasticity, 자기회귀 조건부 이분산성) 모형을 이용하는 것을 특징으로 한다.
또한 상기 기온 반응 함수는 다항식항과 삼각함수항을 포함하는 푸리에 신축형(Fourier Flexible Form) 시리즈로 추정하는 것을 특징으로 한다.
상기와 같은 구성에 의하면, 본 발명은 기온반응함수의 패턴이 변화하는 것을 모형화하였기 때문에 예측력을 향상시켰다.
또한 기온반응함수를 이용하여 냉방 및 난방부하를 분해함으로써 냉방 및 난방기기 사용으로 인한 전력 판매량의 변화를 분석할 수 있다.
또한 기온민감도 분석을 통하여 기온변화에 따른 전력판매량 변화 및 최대전력의 변화를 예측에 반영할 수 있다.
또한 초과확률수준이라는 개념을 도입하여 예측된 결과가 기타 여러 충격에 의한 예측범위가 벗어날 확률이 5% 또는 10% 인 구간을 설정하여 미래의 충격에 대비할 수 있도록 모형화할 수 있어 보다 유리한 효과가 있는 것이다.
도 1은 본 발명의 전력 수요 예측 방법에 있어서 전력 판매량 및 최대전력 예측 모형의 예측 기본 절차를 나타내는 순서도이다.
도 2a 내지 도 2e는 8월의 지역별 기온 분포이고 도 2f는 지역별 기온 분포와 가중치로 구한 전국 기온분포이다.
도 3은 전력 판매량 기온 반응 함수의 변화를 나타낸다.
도 4에서 왼쪽 그림은 주별 최대전력의 1년 중 첫 번째 주와 31번째 주의 기온효과를 추정하는 방법에 대하여 보여주고 있으며, 오른쪽 그림은 추정된 평균 기온효과를 보여준다.
도 5는 기온반응함수와 기온분포를 통해서 냉방부하 factor와 난방부하 factor를 구분 하는 원리를 설명한다.
도 6은 기온효과에서 냉방 및 난방부하 factor를 분해하는 과정을 보여주고 있다.
도 7은 시간변동 계수를 나타낸다.
도 8은 평균기온효과에서 난방 및 난방부하 factor를 분해한 모습을 보여주고 있다.
도 9는 주택용의 기본부하 및 냉난방부하 비율을 나타낸 그림이다.
도 10은 예측 실험 결과로서 검정색 실선은 실제 판매량을, 빨간색 실선은 공적분 모형을 이용한 예측결과, 그리고 파란색 실선은 오차수정모형의 예측 결과를 나타낸다.
도 11은 월 기온이 평년에 비하여 1도 상승하였거나 하락한 경우 용도별 판매량 및 최대전력의 예측결과의 변화를 나타낸다.
도 12는 평균의 예측치에 변동성의 표본 경로를 더해서 나온 전력수요 예측치의 표본경로이다.
이하, 본 발명의 바람직한 실시예를 첨부된 도면들을 참조하여 상세히 설명한다. 우선 각 도면의 구성 요소들에 참조 부호를 부가함에 있어서, 동일한 구성 요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.
도 1은 본 발명의 전력 수요 예측 방법에 있어서 전력 판매량 및 최대전력 예측 모형의 예측 기본 절차를 나타내는 순서도이다.
도 1에 도시된 바와 같이, 먼저 지역별 기온 확률 분포 함수를 추정하여 각 지역별로 판매량에 따른 가중치를 두어 해당 월의 전국의 기온 분포 함수를 추정하는 단계(S11, S12)를 진행한다. 이후 구간에 따른 부하 패턴의 변화가 고려된 기온 반응 함수를 추정하는 단계(S13)를 진행하고, 상기 기온 확률 분포 함수와 기온 반응 함수를 이용하여 기온 효과를 추정하는 단계(S14)를 진행한다.
다음으로 상기 기온 반응 함수에서 최소값을 가지는 점을 최적기온점으로 설정하고 상기 최적기온점을 기준으로 기온이 낮은 부분은 난방 부하 팩터(factor)로, 기온이 높은 부분에서는 냉방 부하 팩터로 분해하는 단계(S15)를 진행하고, 시간에 따라 변할 수 있도록 시간변동계수가 포함된 다항식으로 이루어진 예측모형을 추정하고, 상기 예측모형을 상기 냉방 부하 팩터와 난방 부하 팩터를 이용해서 분해하는 단계(S16)를 수행한다.
더 나아가 공적분 모형 또는 오차수정 모형을 이용하여 상기 예측모형을 실험하여 모형을 예측하는 단계(S17, S18) 및, 기온분포의 변동에 대한 전력 판매량의 민감도인 기온 민감도 분석 단계(S19)를 더 수행하고, 평균 예측치 및 평균 예측치의 분산을 고려하여 초과확률수준을 예측하는 단계(S20)를 더 수행한다.
이하에서는 상기 S11 내지 S13을 거쳐 S14의 기온 효과를 추정하는 과정을 보다 상세히 설명한다.
기온 효과를 추정하는 과정
여름철과 겨울철에는 냉방부하와 난방부하가 판매량에 중요한 영향을 끼친다. 이를 모형에 반영시키기 위해서는 월별 기온 효과를 정의해야 하는데 이 때 판매량에 영향을 주는 기온 효과를 적절하게 도출할 수 있는 올바른 매개체가 있어야 한다. 일단 통상적인 전력 수요 모형에서 고려하는 평균 기온이나 최대, 최저 기온은 적절한 매개체가 될 수 없다.
예를 들어서 아침저녁으로 춥고 오후에 더울 경우 평균 기온은 그 중간쯤 되어서 사람들이 느끼기에 쾌적한 온도가 될 수도 있다. 하지만 이때의 판매량이 하루 종일 쾌적한 온도를 유지했을 때의 판매량과 같지는 않을 것이다. 따라서 평균 기온은 올바른 매개체가 되지 않는다. 또한 한 순간의 기온이 낮더라도 전반적으로 쾌적한 온도일 경우는 그 효과를 최저 기온으로 측정하기 어렵다. 비슷한 이유로 최대 기온 또한 올바른 매개체가 될 수 없다. 이러한 점을 고려하여 본 발명에서는 월별 기온 확률 분포 함수와 기온 반응 함수를 통한 기온 효과를 반영하였다.
다음의 [수학식 1]은 기온 효과를 나타내는 적분식이다.
Figure pat00001
g는 기온 반응 함수이고, ft는 기온 확률 분포 함수이다.
예측모형에 따라 주어진 빈도 동안의 기온 확률 분포 함수와 기온 반응 함수 곱한 후 이를 적분하여 기온 효과를 구한다. 기온 반응 함수가 기온이 낮아질 때보다 높아질 때 더 민감하게 반응하는 비선형적인 모습을 띄므로 여름에 기온 효과가 크게 나타날 것이다.
이하에서는 기온 확률 분포 함수에 대해서 설명한다.
본 발명에서는 판매량 비중이 높은 5대지역- 서울, 부산, 대구, 대전, 광주-의 시간별 기온 자료를 가지고 비모수적 커널 방법을 이용하여 지역별 기온 확률 분포 함수를 추정하고 이를 각 지역별로 판매량에 따른 가중치를 두어 해당 월의 전국의 기온 확률 분포 함수를 추정한다.
전국기온분포는 다음의 [수학식 2]와 같이 도출할 수 있다.
Figure pat00002
지역별 기온분포함수를 구하기 위하여 커널 비모수적 추정 방법을 이용한다. 커널 비모수적 추정 방법은 [수학식 3]과 같다.
Figure pat00003
여기서 K(?)은 커널이라고 부르는 함수이며, h는 띠너비(bandwidth)이다. 일반적으로 K(?)은
Figure pat00004
을 만족하는 확률밀도함수로서 예측 모형에는 정규분포 확률밀도함수를 사용하였다. 또한 h는 평활화 모수(smoothing parameter)로서 실버만이 제안한 값을 사용하였다.
도 2a 내지 도 2e는 8월의 지역별 기온 분포이고 도 2f는 지역별 기온 분포와 가중치로 구한 전국 기온분포이다.
이하에서는 기온 반응 함수와 기온 효과를 추정하는 방법을 상세히 설명한다.
기온 반응 함수는 온도에 판매량이 반응하는 정도를 나타내는 함수로서 저온과 고온일 때는 큰 값을, 사람들이 느끼기에 쾌적한 온도에서는 작은 값을 주는 비선형적인 함수이다. 이와 같은 비선형적인 함수는 다음의 [수학식 4]와 같다.
Figure pat00005
즉 [수학식 4]와 같이 다항식항과 삼각함수항을 포함하는 Fourier Flexible Form 시리즈로 추정할 수 있다.
기온이 전력에 미치는 영향은 전력의 용도에 따라 전력소비의 기온에 따른 민감도가 전력판매량 부문별로 다르게 나타난다. 또한 같은 용도라고 하더라도 기간에 따라 기온에 반응하는 민감도는 다르게 나타난다. 이는 계절별 부하 패턴이 기간에 따라 변했음을 의미하며 이는 기온 반응 함수가 변했다는 것이다. 이러한 점을 고려하여 본 발명에서는 용도에 따라 그리고 기간에 따라 기온효과를 나누어 추정하였다.
기간에 따른 부하패턴의 변화를 고려하기 위하여 본 발명에서는 다음 [수학식 5]와 같은 예측판매량 모형을 고려한다.
Figure pat00006
회귀 모형의 추정 결과로
Figure pat00007
의 추정치를 구할 수 있고, 이를 이용하여 전력 소비의 부하패턴이 변화는 구간 1과 구간 2에 대한 기온 반응함수는 각각 [수학식 6]과 같다.
Figure pat00008
라고 추정할 수 있다. 그 결과는 도 3에 나타나 있다.
추정된 기온분포함수와 기온반응함수를 이용하여, [수학식 1]을 바탕으로 두 함수를 서로 적분하여 기온효과를 추정하게 된다. 도 4에서 왼쪽 그림은 주별 최대전력의 1년 중 첫 번째 주와 31번째 주의 기온효과를 추정하는 방법에 대하여 보여주고 있으며, 오른쪽 그림은 추정된 평균 기온효과를 보여주고 있다.
기온효과를 추정하는데 있어서 기온반응함수가 시간에 따라 변화하지 않았을 때와 기온반응함수가 변화한다고 가정을 한 경우 오차의 제곱의 평균을 나타내는 rmse(root mean squared error)의 경우 기온반응함수를 구간에 따라 나누어 추정한 경우 약 1% 정도 rmse가 작아지는 것으로 나타났다.
이하에서는 냉방 및 난방 부하 팩터(factor) 분해를 상세하게 설명한다.
전력소비량은 기온과는 무관하게 기본적으로 사용되는 전력인 기본부하와 최적기온과 다른 기온에 의해 파생되는 부하인 냉방수요와 난방수요로 구성된다. 최적기온은 인간이 쾌적하게 느끼는 기온인 15~18℃부근을 의미한다. 이것은 기존의 막연한 개념의 냉방부하 즉, 에어컨을 켜게 되는 시점정도부터 발생하는 부하의 개념이 아니라 기본 부하를 제외하고는 모두 기온에 의해 발생되는 파생 전력수요로 인식하고 이를 기온 반응에 따라 기온 반응이 최저점을 기준으로 낮은 온도를 난방부하 factor로 높은 온도를 냉방부하 factor로 분해하는 개념이다. 즉, 기온반응이 가장 낮은 점을 최적 기온점으로 추정하고 이를 기준으로 난방부하와 냉방부로 나누게 된다.
도 5는 기온반응함수와 기온분포를 통해서 냉방부하 factor와 난방부하 factor를 구분하는 원리를 설명하고 있다. 도 5에서 g(s)는 기온반응함수를 나타내고 있으며, 기온반응함수에서 최소값을 가지는 점을 최적기온점으로 설정하고 최적기온점을 기준으로 기온이 낮은 부분은 난방부하 factor로, 그리고 기온이 높은 부분에서는 냉방부하 factor로 분해한다.
본 발명의 단기 예측 방법에서는 추정된 최적기온점을 중심으로 냉방 및 난방부하 factor를 분해하게 된다. 냉방 및 난방부하 factor를 분해하는 방법은 최적기온점을 기준으로 낮은 부분의 기온반응함수와 기온분포를 적분하여 난방부하 factor를 분해하고, 최적기온점을 기준으로 높은 부분의 기온반응함수와 기온분포를 적분하여 냉방부하 factor를 도출하게 된다. 도 6은 기온효과에서 냉방 및 난방부하 factor를 분해하는 과정을 보여주고 있다.
예측 모형 추정
이하에서는 시간변동계수를 가지는 공적분 및 오차수정 모형에 대해 설명한다.
우선 통상적인 전력 판매량 모형을 예측할 때는 다음의 [수학식 7]을 고려할 수 있다.
Figure pat00009
그리고 모든 경제 변수에는 로그를 취한다. 종속 변수와 설명 변수에 모두 로그를 취하였기 때문에 계수는 탄력성을 나타낸다. 하지만 장기간의 데이터를 고려하므로 시간이 지남에 따라 변수들 사이에 장기 균형 관계가 변했을 가능성이 있다. 본 발명의 예측모형에서는 이러한 부분을 반영하기 위하여 다음의 [수학식 8]과 같은 모형을 고려하였다.
Figure pat00010
여기에서
Figure pat00011
는 시간에 따라 변할 수 있도록 한 계수들이다. 시간변동계수가 갖는 의미는 정부의 전력 정책이나 소비자의 소득 수준 향상 등으로 인한 전력 소비 성향 등은 점차적으로 변하기 때문에
Figure pat00012
도 부드럽게 변하리라는 것이다.
시간 변동 계수를 추정하기 위하여 벡터를
Figure pat00013
라고 정의한다.
Figure pat00014
가 점차적으로 변한다고 하면,
Figure pat00015
라 할 수 있다. (단, n: 자료 수,
Figure pat00016
Figure pat00017
는 [0, 1]에서 정의된 부드러운 함수)
Figure pat00018
가 충분히 부드러운 연속함수라면,
Figure pat00019
는 다항식항이나 삼각함수항의 차수를 늘려가면서 근사시킬 수 있다.
본 발명의 예측 방법에서는 소득이 시간에 따라 다른 계수를 갖는다고 생각하고 다음의 [수학식 9] 및 [수학식 10]과 같은 모형을 고려하였다.
Figure pat00020
Figure pat00021
여기서
Figure pat00022
는 [수학식 10]에 따라서
Figure pat00023
를 구한 후 시간 변동 계수를 추정하게 된다.
본 발명의 모형에서는 각 부문별 판매량 자료에서 소득에 대한 탄력성이 변했다고 생각되는 장기 판매량 예측모형 및 단기 판매량, 총 발전량 예측모형을 추정하는데 있어서 다항식항과 삼각함수항을 동시에 고려하는 Fourier Flexible Form 함수를 사용한 시간변동계수를 고려하였다. 도 7은 본 발명의 시간변동 계수를 나타낸다.
이하에서는 냉방 및 난방 부하를 분해하는 방법을 상세히 설명한다.
월별 판매량을 분해하기 위해서 예측 모형에서는 다음의 [수학식 11]과 같이 부하가 구성되는 것으로 설정한다.
Figure pat00024
여기서 MPS는 월별판매량이고, MED는 월유효일수, B는 기본부하를 RC(Region of Cooling, 냉방부하가 발생하는 기온대)와 RH(Region of Heating, 난방부하가 발생하는 기온대)는 각각 냉방 부하 팩터와 난방 부하 팩터를 나타낸다. 그리고 C와 H는 각각 냉방부하와 난방부하를 의미한다. [수학식 11]은 최적기온점을 기준으로 냉방부하 factor와 난방부하 factor를 이용해서 전력수요를 분해하는 기본 개념을 수식으로 표현한 것이다. 즉, 최대전력을 기본 부하와 최적기온이외의 기온에서 파생되는 냉방부하와 난방부하로 분해하여 할 수 있음을 보여준다.
예측 모형에서는 실제로 모형화되는 식은 [수식 11]을 로그변환(log transformation)한 형태로 다음의 [수학식 12]와 같다.
Figure pat00025
따라서 기본부하와 냉방부하 factor와 난방부하 factor를 추정하게 되고 추정된 기본부하에 냉방부하 factor와 난방부하 factor를 곱하여 냉방부하와 난방부하를 산정하게 된다.
이하에서는 기본, 냉방 및 난방 부하를 추정하는 방법을 상세히 설명한다.
예측모형에서 냉방 및 난방 부하 분해 모형인 [수학식 12]는 다음의 [수학식 13]을 통하여 추정된다.
Figure pat00026
[수학식 13]에서 TE는 총체적 비선형 기온효과를 GDP는 월별 변환된 GDP를 나타낸다. 그리고 TECL(Temperature Effect Cooling Load)과 TEHL(Temperature Effect Heating Load)은 [수학식 11]과 비교해보면 각각 RC와 RH를 나타낸다는 것을 알 수 있다. 이를 제외한 나머지 영역이 기본 부하가 된다. 이를 정리하면 [수학식 14] 및 [수학식 15] 및 [수학식 16]과 같다.
Figure pat00027
Figure pat00028
Figure pat00029
[수학식 14, 15, 16]은 각각 추정된 기본부하, 냉방부하, 난방부하를 나타낸다. [수학식 14]의 기본부하는 GDP와 상관관계를 가지는 부하 즉, 기온효과와는 무관하게 발생되는 전력 수요를 의미하고 이를 두 변수로 추정할 수 있다는 것을 의미한다. [수학식 15]의 냉방부하와 [수학식 16]의 난방부하는 [수학식 13]의 분해식에서 보인대로 구한다. 기본부하에 냉?난방factor가 곱해진 것을 냉?난방부하로 정의하였고 [수학식 1]에서 구한 냉?난방factor를 이용하여 냉?난방 부하를 추정할 수 있는 것이다.
도 8은 평균기온효과에서 난방 및 난방부하 factor를 분해한 모습을 보여주고 있다. 검정색 실선은 평균기온효과를 나타내고 있으며, 파란색 실선은 냉방부하 factor, 그리고 붉은색 실선은 난방부하 factor를 나타낸다. 냉방 및 난방부하 factor는 그림에서 보는 것과 같이 여름철에는 냉방부하 factor가, 그리고 겨울철에는 난방부하 factor가 대부분을 차지하고 있으며 봄, 가을철에는 냉방 및 난방부하가 혼재되어 나타나는 것을 볼 수 있다.
도 9는 아파트용의 기본부하 및 냉난방부하 비율을 나타낸 그림이다. 검정색 실선은 기본부하를 나타내고 있으며, 파란색 실선은 냉방부하를, 그리고 빨간색 실선은 난방부하를 나타낸다.
예측 모형 실험
예측 시스템을 운영하는데 있어서 모형의 예측력은 평가하기 위한 방법으로서 미래의 예측 결과값이 실현될 때 예측 오차를 이용하여 예측력을 평가하게 된다. 하지만 이러한 방법은 시간이 많이 걸리는 단점이 있다.
본 발명의 예측 모형에서는 out-of-sample forecast 방법을 통하여 주어진 자료를 가지고 향후 12개월을 모형 내 예측 실험하여 예측 오차를 평가하는 예측 실험 과정을 가지고 있다.
도 10은 예측 실험 결과로서 검정색 실선은 실제 판매량을, 빨간색 실선은 공적분 모형을 이용한 예측결과, 그리고 파란색 실선은 오차수정모형의 예측 결과를 나타낸다.
기온 변화에 대한 민감도 분석
본 발명의 예측 방법에서는 기온분포의 변동에 대한 전력판매량의 민감도를 살펴보기 위하여 기온 분포의 변동이 있을 때, 전력판매량의 반응을 분석하였다. 월 기온이 평년에 비하여 전반적으로 높아졌거나 낮아진 경우, 예를 들어 9월의 기온이 평년보다 높아져서 9월의 기온분포 전체가 1도 상승한 것으로 이동하였거나, 혹은 평년보다 낮아져서 기온분포 전체가 1도 하락한 것으로 이동한 경우는 도 11과 같이 나타낼 수 있다. 이러한 기온분포의 이동에 대한 전력판매량의 반응을 계산한 것이 기온에 대한 민감도 분석이다.
도 11에 도시된 바와 같이, 월 기온이 평년에 비하여 1도 상승하였거나 하락한 경우 용도별 판매량 및 최대전력의 예측결과가 변화하는 것을 분석하였다.
초과확률수준 예측
이하에서는 ARCH(Autoregressive Conditional Heteroskedasticity, 자기회귀 조건부 이분산성) 붓스트랩(bootstrap)을 이용한 초과확률수준 산출 과정을 상세히 설명한다.
경제시계열분석에서 1980년대 초반까지의 주된 관심사는 조건부 1차적률 즉, 조건부평균에서의 시간종속성을 어떻게 다루는가에 있었으며, 분산, 왜도, 첨도등 2차 이상 적률에서의 종속성은 단지 장애요인으로 간주되었다. 그러나 금융경제학에서 위험과 불확실성이 차지하는 비중이 커짐에 따라 시간에 따라 변하는 조건부 2차 적률, 즉 분산과 공분산의 시계열적 특성을 모형화하는 분석기법이 필요하게 되었다. 조건부 분산의 시계열적 특징을 모형화한 Engle에 의해 도입된 ARCH모형은 그 모형의 설정이 인위적인 측면이 있으나, 모형이 단순하고 금융시계열의 경험적 특성을 잘 반영한다는 점에서 매우 널리 사용되는 분석도구가 되었다. 이러한 최신연구가 전력시계열의 분석에도 그대로 적용된다. 본 발명에서는 평균 예측치뿐만 아니라 평균 예측치의 분산을 고려하여 초과확률수준(POE)의 예측치를 제공하고 있으며, 전력수요 변동성의 종속성을 모형화하기 위해 ARCH를 이용하고 있다.
조건부 평균과 무조건부 평균을 구분함으로써 거둔 시계열모형의 성공에서와 마찬가지로 ARCH유형의 모형이 가지고 있는 중요한 통찰력 중 하나는 조건부 2차 적률과 무조건부 2차 적률을 구분한 데 있다. 관심 있는 변수의 무조건부 분산공분산이 시간에 대해 불변이라 할지라도, 그 조건부 분산공분산은 과거사건에 의존하는 것이 보통이다. 이러한 특성을 이해하는 것은 전력수요의 초과확률수준을 예측하는 데에 필수적이라고 할 수 있다.
ARCH 유형의 모형은 전력 시계열의 변동성이 지속성을 가짐으로써 발생하는 변동성의 밀집현상을 설명하기 위해서 변동성에 대하여 자기회귀(AR)모형을 응용한 것이다.
ARCH모형을 구체적으로 살펴보기 위하여 조건부 평균과 조건부 분산이 각각 [수학식 17, 18]로 주어진 시계열{ut}를 고려해보자.
Figure pat00030
Figure pat00031
시계열{ut}는 시간 t에 관계없이 조건부 평균이 0이므로 마팅게일차분열(martingale difference sequence)이다. 그러나 조건부 분산은 시간에 의존적이어서 주어진 시점에 따라 그 값을 달리하는데, 이는 시계열 {ut}가 조건부 이분산성을 가진다는 것을 의미한다. 조건부 이분산성을 좀 더 구체적으로 표현하여 다음의 [수학식 19]와 같은 형태로 놓는다.
Figure pat00032
조건부 분산인
Figure pat00033
은 정의상 음이 될 수 없으므로,
Figure pat00034
와 같은 계수들은 모두 음이 아닌 값을 가져야 한다. 만약 [수학식 17, 18, 19]의 조건을 모두 만족하면, 시계열 {ut}는 ARCH(p)를 따른다고 한다.
이러한 ARCH 과정을 [수학식 20]의 형태로 모형화하기도 한다.
Figure pat00035
여기서
Figure pat00036
는 이미 t-1기에 알려져 있다고 가정하며,
Figure pat00037
과
Figure pat00038
를 만족하는 확률변수이다.
이하에서는 ARCH 붓스트랩을 이용한 초과확률수준 산출과정을 상세히 설명한다.
붓스트랩은 재샘플링(resampling)에 의해서 추정량(estimator)이나 통계량(statistic)의 분포를 추정하는 방법이다. 원하는 분포를 얻기 위해서 주어진 자료를 모집단으로 간주하여 재샘플링을 한다. 일반적인 조건하에서 붓스트랩은 기존의 점근분포 추정이론으로 구한 것 이상으로 정확한 추정량이나 통계량의 분포를 제공한다. 또한 추정량이나 통계량의 점근분포를 구하기 어려울 경우에 붓스트랩이 점근 분포를 구하는 대체 방법이 될 수도 있다.
본 발명의 전력 수요 예측 방법에서 초과확률수준을 측정하기 위해서 다음의 가) 내지 라)와 같은 과정을 거친다.
가). 변동성의 계절효과 모형
본 발명에서는 변동성의 계절성을 기온효과로 측정한다. 구체적으로 최대전력 변동성의 기온효과는 변동성에 대한 기온반응함수를 추정하여 기온분포로 적분하여 측정하고, 전력판매량의 계절효과는 계절더미변수로 측정한다.
붓스트랩의 재샘플링을 하기 위해서 모집단으로 간주할 수 있는 자료는 독립적이고 동일한 분포(independent, identically distributed; iid)라는 가정을 충족해야 한다. 전력시계열의 변동성은 계절성과 종속성을 지니고 있으므로 붓스트랩 표본을 만들기 위해서 우선 변동성에서 계절성을 제거해야 한다. 이를 위해서 실적치와 평균의 추정치의 차이 시계열을
Figure pat00039
라고 하면, [수학식 21]과 같이 시계열
Figure pat00040
를 만든다.
Figure pat00041
나). 변동성의 종속성 모형
전력시계열의 변동성은 계절성을 제거한 상태의 시계열
Figure pat00042
는 전력 시계열의 변동성이 지속성을 가짐으로써 발생하는 변동성의 밀집현상을 보인다. 이러한 변동성의 종속성을 모형하기 위해서
Figure pat00043
라 하고
Figure pat00044
의 조건부 변동성,
Figure pat00045
에 대하여 [수학식 22]와 같은 ARCH(1) 모형을 이용하여
Figure pat00046
를 추정한다.
Figure pat00047
시계열
Figure pat00048
와 추정된
Figure pat00049
를 이용하여
Figure pat00050
를 구할 수 있으며, [수학식 23]과 같이 계절성과 종속성이 제거된
Figure pat00051
를 구할 수 있다.
Figure pat00052
다). 변동성의 붓스트랩 표본 경로 생성
[수학식 23]에서 구한
Figure pat00053
의 평균을 영으로 만든 뒤에는
Figure pat00054
는 독립이고 동일한 분포를 갖는 자료들이라고 할 수 있다. 이
Figure pat00055
를 모집단으로 하여 재샘플링을 하여 붓스트랩 표본을 뽑고, 종속성과 계절성을 더해서 변동성의 표본 경로를 생성한다. 도 12는 평균의 예측치에 변동성의 표본 경로를 더해서 나온 전력수요 예측치의 표본경로이다.
라). 초과확률수준 생성
재샘플링하여 얻은 붓스트랩 표본을 이용하여 위의 과정을 반복하면 서로 다른 변동성의 표본경로를 얻을 수 있다. 이렇게 얻은 변동성의 표본경로에 평균의 예측치를 더해서 전력수요 예측치의 표본 경로들을 생성한 뒤에, 매 시점마다 상위 5%에 해당하는 예측치를 이은 것이 5% 초과확률수준이 되고, 하위 5%에 해당하는 예측치를 이은 것이 5% 초과확률수준이 된다. 확률을 다르게 하여 다른 수준의 초과확률수준도 쉽게 얻을 수 있다.
이하에서는 종래의 등록 특허 제10-0648296호의 '에너지 수요 예측 방법 및 시스템'에 개시된 발명과의 차이점을 크게 4가지로 요약한다.
첫 째, 기온 반응 함수의 패턴이 변화하는 것을 모형화하였다. 종래의 모형에서는 전체 기간에 대한 기온 반응 함수의 패턴이 동일한 것으로 보았기 때문에 본 발명을 통하여 예측력을 향상시켰다.
둘 째, 기온 반응 함수를 이용하여 냉방 및 난방 부하를 분해하였다. 이로써 냉방 및 난방 기기 사용으로 인한 전력 판매량의 변화를 분석할 수 있다.
셋 째, 기온 민감도 분석을 통하여 기온 변화에 따른 전력 판매량 변화 및 최대 전력의 변화를 예측에 반영하였다.
넷 째, 초과확률수준이라는 개념을 도입하여 예측된 결과가 기타 여러 충격에 의한 예측 범위가 벗어날 확률이 5% 또는 10%인 구간을 설정하여 미래의 충격에 대비할 수 있도록 모형화하였다.
상기 요약에 따라 본 발명은 다음과 같은 구체적인 특징을 가지고 있다.
1. 본 발명은 기온 반응 함수를 추정하는데 있어서 전력 소비에 대한 기온 반응이 변화하는 것을 모형화하기 위해 구간별로 기온 반응 함수를 추정하였다. 기온 반응 함수를 구간에 따라 추정함으로서 예측력이 향상되었다. 아래 [표 1]은 최대 전력의 예측력 실험에서 예측 오차율을 나타낸 표이다.
Figure pat00056
기온 반응 함수를 구간에 따라 나누어 과거 52주를 예측한 실험 결과, 수정 후 오차 수정 모형에서 약 9.65%의 예측력이 개선되었다.
도 13a 및 도 13b는 각각 모형 수정 전의 예측 및 모형 수정 후의 예측 실험 결과를 나타낸다.
도 13a 및 도 13b에서 보듯이, 모형 수정 후 예측 오차가 줄어든 것 뿐만 아니라 최대 전력이 발생하였을 때 예측 오차 또한 줄어든 것을 알 수 있다.
2. 본 발명은 기온 효과를 분해하고 이를 활용하여 전력 판매량을 기본 판매량과 냉방 및 난방부하로 분해하여 전력 판매량에서 기온에 따른 부하 비율을 추정하였다.
도 14는 본 발명에 의해서 분해된 기본 부하 및 냉방 및 난방 부하 비율을 나타낸다.
3. 본 발명은 예측된 결과에 대하여 기온의 변화에 따른 전력판매량의 변화를 기온 민감도를 이용하여 모형화 하였다. 기온민감도는 기온의 변화에 따른 전력판매량 및 최대전력의 변화를 나타낸다.
도 15a 및 도 15b는 각각 기온 1도 상승 및 하락시 평균 기온효과의 변화 및 기온 1도 증가시 용도별 판매량의 변화를 나타낸 것이다.
4. 본 발명은 예측된 결과에 대하여 초과확률수준에 따른 예측결과의 신뢰구간을 추정하였다. 초과확률수준은 이상기온, 시장의 충격 등 예상하지 못한 충격으로 예측결과가 신뢰구간을 벗어날 확률이 5% 또는 10%인 구간을 나타낸다.
도 16은 본 발명의 최대 전력 예측 결과의 95% 초과확률수준 구간을 나타낸다.
전력등가지수 모형
전력등가지수 모형은 발전량을 분해하여 GDP를 추정하는 모형이다. 분기별 GDP는 한 분기가 지나고 15일에서 한 달 정도의 기간을 거쳐 한국은행에서 발표된다. 전력등가지수 모형은 GDP를 추정하는데 있어서 이러한 기간을 단축시켜 GDP 추정치를 제공함으로써 시장 참여자에게 적절한 정보를 주고자 고안된 모형이다.
단기 전력수요를 예측하는데 있어서 본 발명의 수요예측 모형은 다음과 같이 예측한다.
Figure pat00057
여기에서
Figure pat00058
는 월별 발전량,
Figure pat00059
는 월유효일수, 그리고
Figure pat00060
는 기온효과를 각각 의미한다. [수학식 24]에서 경기동향과 관련된 발전량을 분해하기 위하여 다음의 [수학식 25]와 같은 모형을 가정한다.
Figure pat00061
[수학식 25]에서
Figure pat00062
로서 경기동향과 관련된 발전량을 포함한 잔차가 된다. 만약 [수학식 24]에서
Figure pat00063
를 바로 분해한다고 하면 한국 은행에서 GDP가 발표되기 전 경기 동향과 관련된 발전량을 분해할 수 없다. 하지만 매달 1일에 발표되는 발전량 자료와 기온 자료를 이용하여 경기동향과 관련된 발전량을 분해하고, 분해된 발전량을 이용하여 GDP를 추정함으로서, 한국은행에서 발표되는 GDP에 대한 예측가능하고 적절한 추정량을 제시할 수 있다.
기본적으로 월유효일수, 기온효과, 시간변동계수는 다른 모형에서 사용한 개념과 동일하다. 전력등가지수 모형에서는 [수학식 25]를 바탕으로 경기동향과 관련된 발전량,
Figure pat00064
를 분해하고 이를 이용하여 다음의 [수학식 26]을 이용하여 GDP를 추정한다.
Figure pat00065
여기에서 μ는 상수항이며, δt는 시간변동계수, ξt 는 잔차를 나타낸다. 또한 여기에서
Figure pat00066
는 전력등가지수를 위한 분해된 발전량을 나타낸다. GDP와 분해된 발전량의 공적분 관계를 이용하여, 공적분 및 오차수정모형을 이용하여 GDP를 추정하며, 전력등가지수는 기본적으로 한 분기의 GDP를 추정 예측하는 모형이다.
Figure pat00067
[표 2]는 전력등가지수 모형을 이용한 GDP 추정 결과를 나타낸다. 서브프라임 모기지론 사태로 인한 2008년 4분기와 2009년 1분기를 제외한 나머지 기간에서는 1%내외로 GDP를 잘 추정하는 것을 볼 수 있다.
이상에서 설명한 본 발명은 전술한 실시예 및 첨부된 도면에 의해 한정되는 것이 아니고, 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 여러 가지 치환, 부가 및 변경이 가능하다는 것이 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 있어 명백할 것이다.

Claims (11)

  1. (a) 지역별 기온 확률 분포 함수를 추정하여 각 지역별로 판매량에 따른 가중치를 두어 해당 월의 전국의 기온 분포 함수를 추정하는 단계,
    (b) 기간에 따른 부하 패턴의 변화가 고려된 기온 반응 함수를 추정하는 단계,
    (c) 상기 기온 확률 분포 함수와 기온 반응 함수를 이용하여 기온 효과를 추정하는 단계,
    (d) 상기 기온 반응 함수에서 최소값을 가지는 점을 최적기온점으로 설정하고 상기 최적기온점을 기준으로 기온이 낮은 부분은 난방 부하 팩터(factor)로, 기온이 높은 부분에서는 냉방 부하 팩터로 분해하는 단계,
    (e) 시간에 따라 변할 수 있도록 시간변동계수가 포함된 다항식으로 이루어진 예측모형을 추정하고, 상기 예측모형을 상기 냉방 부하 팩터와 난방 부하 팩터를 이용해서 분해하는 단계를 수행하는 것을 특징으로 하는 전력 수요 예측 방법.
  2. 청구항 1에 있어서,
    상기 (e) 단계 이후에,
    (f) 공적분 모형 또는 오차수정 모형을 이용하여 상기 예측모형을 실험하여 모형을 예측하는 단계 및,
    (g) 기온분포의 변동에 대한 전력 판매량의 민감도인 기온 민감도 분석 단계를 더 수행하는 것을 특징으로 하는 전력 수요 예측 방법.
  3. 청구항 2에 있어서,
    상기 (g) 단계 이후에,
    (h) 평균 예측치 및 평균 예측치의 분산을 고려하여 초과확률수준을 예측하는 단계를 더 수행하는 것을 특징으로 하는 전력 수요 예측 방법.
  4. 청구항 1 내지 청구항 3 중 어느 한 항에 있어서,
    상기 (a) 단계는,
    전력 판매량 비중이 높은 하나 이상의 지역의 시간별 기온 자료를 가지고 비모수적 커널 추정 방법을 이용하여 지역별 기온 확률 분포 함수를 추정하고 이를 각 지역별로 전력 판매량에 따른 가중치를 두어 해당 월의 전국의 기온 확률 분포 함수를 추정하는 것을 특징으로 하는 전력 수요 예측 방법.
  5. 청구항 1 내지 청구항 3 중 어느 한 항에 있어서,
    상기 (c) 단계의 기온 효과를 구하는 방법은
    Figure pat00068
    이고,
    여기서 g는 기온 반응 함수이고, ft는 기온 확률 분포 함수인 것을 특징으로 하는 전력 수요 예측 방법.
  6. 청구항 1 내지 청구항 3 중 어느 한 항에 있어서,
    상기 예측 모형은,
    Figure pat00069

    이고,
    여기에서
    Figure pat00070
    는 시간에 따라 변할 수 있도록 한 계수들이며, 상기 시간변동계수를 추정하기 위하여 벡터를
    Figure pat00071
    라고 정의하고,
    Figure pat00072
    가 점차적으로 변한다고 하면,
    Figure pat00073
    이며(단, n: 자료 수,
    Figure pat00074
    Figure pat00075
    는 [0, 1]에서 정의된 부드러운 함수)
    Figure pat00076
    가 충분히 부드러운 연속함수라면,
    Figure pat00077
    는 다항식항이나 삼각함수항의 차수를 늘려가면서 근사시키는 것을 특징으로 하는 전력 수요 예측 방법.
  7. 청구항 3에 있어서,
    상기 (h) 단계는, 전력 수요 변동성의 종속성을 모형화하기 위해서 ARCH(Autoregressive Conditional Heteroskedasticity, 자기회귀 조건부 이분산성) 모형을 이용하는 것을 특징으로 하는 전력 수요 예측 방법.
  8. 청구항 5항에 있어서,
    상기 기온 반응 함수는 다항식항과 삼각함수항을 포함하는 푸리에 신축형(Fourier Flexible Form) 시리즈로 추정하는 것을 특징으로 하는 전력 수요 예측 방법.
  9. 청구항 8에 있어서,
    상기 기온 반응 함수는
    Figure pat00078

    이고,
    기간에 따른 부하패턴의 변화를 고려하기 위해,
    Figure pat00079

    와 같은 예측 판매량 모형을 고려하며,
    회귀 모형의 추정 결과로
    Figure pat00080
    의 추정치를 구하는 것을 특징으로 하는 전력 수요 예측 방법.
  10. 청구항 4에 있어서,
    상기 비모수적 커널 추정 방법은,
    Figure pat00081
    와 같이 추정하되,
    Figure pat00082
    을 만족하는 정규분포 확률밀도함수로서 K(?)은 커널이라고 부르는 함수이며, h 는 띠너비(bandwidth)이며,
    h는 평활화 모수(smoothing parameter)로서 실버만이 제안한 값을 사용하는 것을 특징으로 하는 전력 수요 예측 방법.
  11. 청구항 1항 내지 청구항 3항 중 어느 한 항에 있어서,
    상기 예측모형은,
    Figure pat00083
    이고,
    Figure pat00084
    라고 가정할 때,
    GDP의 추정은
    Figure pat00085

    에 의하며,
    여기서
    Figure pat00086
    는 월별발전량,
    Figure pat00087
    는 월유효일수, 그리고
    Figure pat00088
    는 기온효과이고,
    Figure pat00089
    이며, μ는 상수항이고, δt는 시간변동계수, ξt 는 잔차,
    Figure pat00090
    는 전력등가지수를 위한 분해된 발전량인 것을 특징으로 하는 전력 수요 예측 방법.

KR1020100137817A 2010-12-29 2010-12-29 전력 수요 예측 방법 KR101201705B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020100137817A KR101201705B1 (ko) 2010-12-29 2010-12-29 전력 수요 예측 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020100137817A KR101201705B1 (ko) 2010-12-29 2010-12-29 전력 수요 예측 방법

Publications (2)

Publication Number Publication Date
KR20120075910A true KR20120075910A (ko) 2012-07-09
KR101201705B1 KR101201705B1 (ko) 2012-11-15

Family

ID=46709717

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020100137817A KR101201705B1 (ko) 2010-12-29 2010-12-29 전력 수요 예측 방법

Country Status (1)

Country Link
KR (1) KR101201705B1 (ko)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103455953A (zh) * 2013-09-12 2013-12-18 国家电网公司 母线负荷预测方法及装置
CN104751251A (zh) * 2015-04-17 2015-07-01 哈尔滨工业大学 极端高温与森林火灾联合作用条件下电网停运概率预测方法
KR102296021B1 (ko) * 2020-11-27 2021-09-29 가천대학교 산학협력단 부하 특성 분류에 기반한 수요반응 잠재량 추정 장치 및 방법
CN117113018A (zh) * 2023-10-25 2023-11-24 清华四川能源互联网研究院 基于特征参数的能耗数据解析方法和系统
CN117710008A (zh) * 2024-02-06 2024-03-15 贵州师范大学 一种适用于喀斯特地区生态产品销售信息管理系统

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20240103305A (ko) 2022-12-27 2024-07-04 배재대학교 산학협력단 다중 인공지능 모델 기반의 건물 냉난방 부하 예측 시스템

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103455953A (zh) * 2013-09-12 2013-12-18 国家电网公司 母线负荷预测方法及装置
CN104751251A (zh) * 2015-04-17 2015-07-01 哈尔滨工业大学 极端高温与森林火灾联合作用条件下电网停运概率预测方法
KR102296021B1 (ko) * 2020-11-27 2021-09-29 가천대학교 산학협력단 부하 특성 분류에 기반한 수요반응 잠재량 추정 장치 및 방법
CN117113018A (zh) * 2023-10-25 2023-11-24 清华四川能源互联网研究院 基于特征参数的能耗数据解析方法和系统
CN117113018B (zh) * 2023-10-25 2024-02-06 清华四川能源互联网研究院 基于特征参数的能耗数据解析方法和系统
CN117710008A (zh) * 2024-02-06 2024-03-15 贵州师范大学 一种适用于喀斯特地区生态产品销售信息管理系统
CN117710008B (zh) * 2024-02-06 2024-04-30 贵州师范大学 一种适用于喀斯特地区生态产品销售信息管理系统

Also Published As

Publication number Publication date
KR101201705B1 (ko) 2012-11-15

Similar Documents

Publication Publication Date Title
Takeda et al. Using the ensemble Kalman filter for electricity load forecasting and analysis
González-Aparicio et al. Impact of wind power uncertainty forecasting on the market integration of wind energy in Spain
Duan et al. Multi-model ensemble hydrologic prediction using Bayesian model averaging
KR101201705B1 (ko) 전력 수요 예측 방법
Olatayo et al. Statistical modelling and prediction of rainfall time series data
CN112116149B (zh) 一种考虑预报不确定性关联演化特征的多站中长期径流滚动概率预测方法
Jang et al. On the long-term density prediction of peak electricity load with demand side management in buildings
JP6970998B2 (ja) 電力需要量予測装置及び電力需要量予測方法
Molapo et al. Bayesian vector auto-regression method as an alternative technique for forecasting South African tax revenue
Sigauke Modelling electricity demand in South Africa
Lourenço et al. Short term load forecasting using Gaussian process models
Migon et al. Multivariate dynamic regression: modeling and forecasting for intraday electricity load
CN112465266A (zh) 一种母线负荷预测准确率分析方法、装置及计算机设备
Galvão et al. Measuring data uncertainty: an application using the Bank of England’s ‘Fan Charts’ for Historical GDP growth’
Fangmann et al. Statistical approaches for identification of low-flow drivers: temporal aspects
Belluzzo Jr Semiparametric approaches to welfare evaluations in binary response models
Nishimwe et al. Using artificial intelligence models and degree-days method to estimate the heat consumption evolution of a building stock until 2050: A case study in a temperate climate of the Northern part of Europe
Bayer Research of Estimates of Tax Revenue: An Overview
Dimberg et al. Probabilities of monthly median chlorophyll-a concentrations in subarctic, temperate and subtropical lakes
Cullen Forecasting electricity demand using regression and Monte Carlo simulation under conditions of insufficient data
KR20150080130A (ko) 전력 수요 예측 방법 및 시스템
Olanrewaju et al. Kullback-Leibler Divergence of Mixture Autoregressive Random Processes via Extreme-Value-Distributions (EVDs) Noise with Application of the Processes to Climate Change
PB et al. Power consumption analysis and prediction of a Smart Home using ARIMA model
Husby et al. Short-to medium-run forecasting of mobility with dynamic linear models
Migon et al. Modeling and forecasting intraday electricity load

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant
LAPS Lapse due to unpaid annual fee