KR20130044765A

KR20130044765A - 예측 속도 향상을 위한 신경망과 보정계수를 이용한 주간 부하 예측 장치 및 방법

Info

Publication number: KR20130044765A
Application number: KR1020110108985A
Authority: KR
Inventors: 김영일; 노재구; 고종민; 최승환; 양일권
Original assignee: 한국전력공사
Priority date: 2011-10-24
Filing date: 2011-10-24
Publication date: 2013-05-03
Also published as: KR101865924B1

Abstract

본 발명은 신경망과 평균 부하곡선을 이용한 주간 부하 예측 장치 및 방법에 관한 것으로, 상세하게는, 단위시간 전력사용량을 지속적으로 수집하는 데이터 수집부, 상기 수집된 단위시간 전력사용량을 이용하여 일주일 단위의 일일 전력사용량 예측값을 생성할 수 있도록 신경망을 훈련시키는 신경망 훈련부, 및 상기 신경망 훈련부 및 상기 수집된 단위시간 전력사용량을 이용하여 다음 일주일간의 임시 전력사용량 예측값을 생성하고, 수집된 지난 일주일간의 일일 전력사용량 및 예측된 지난 일주일간의 일일 전력사용량을 이용하여 보정계수를 생성하고, 상기 보정 계수가 기 설정된 보정계수 범위에 포함되는 경우에만 상기 보정 계수를 적용하여 다음 일주일간의 전력사용량 예측값을 생성하는 예측값 생성부를 포함하는 주간 부하 예측장치를 통하여 전력 사용자를 위한 즉각적인 계획 수립, 또는 실시간 부하조절을 이용한 전력수요 감축 등과 같은 응용 서비스 분야의 서비스 응답 속도를 향상시킬 수 있게 되는 발명이다.

Description

예측 속도 향상을 위한 신경망과 보정계수를 이용한 주간 부하 예측 장치 및 방법{APPRATUS AND METHOD FOR ESTIMATION OF WEEKLY POWER LOAD TO IMPROVE PROCESSING TIME USING NEURAL NETWORK AND REVISION FACTOR}

본 발명은 신경망과 평균 부하곡선을 이용한 주간 부하 예측 장치 및 방법에 관한 것으로, 상세하게는, 신경망을 통하여 다음 일주일간의 임시 전력사용량 예측값을 생성하고, 전력사용량에 대한 보정계수를 적용하여 다음 일주일간의 전력사용량 및 단위시간 부하를 예측하기 위한 장치 및 방법에 관한 것이다.

최근 들어, 효율적인 부하운영을 위해 전력 공급자는 다음 일주일간의 전력사용량 예측값을 생성하여 미리 부하조정 계획을 수립하는 상시수요관리 서비스를 시행하고 있다. 다만, 종래 기술에 따라, 익일의 전력사용량 예측값을 생성하는 회귀분석 방법(특허출원번호 10-2008-0093934, 고객기준부하 산출을 위한 부하 예측 비교 분석 시스템)을 이용하는 경우, 상시수요관리를 위해 익일 전력사용량 예측값을 생성하고, 다시 이 예측값을 이용하여 이틀 뒤의 전력사용량 예측값을 생성하는 방법을 반복하여 일주일간의 전력사용량 예측값을 생성하여야 하므로, 주간 부하곡선을 예측함에 있어서 예측 성능이 저하되는 문제점이 있으며, 새로운 회귀분석 모델을 설계하기 위해서는 많은 시간과 비용이 소요되는 문제점이 있다.

또한, 종래 기술에 따라, 신경망을 이용하여 회귀분석과 같은 정밀한 분석 작업 없이, 과거데이터로 훈련하여 미래를 예측하는 방안은, 전력 사용자의 이전 전력사용량에 대한 15분 단위의 자동검침 데이터를 신경망에 입력하여 훈련하고, 훈련된 내용을 바탕으로 15분 단위의 전력사용량 예측값을 생성한다. 그러나, 주간의 15분 단위 전력사용량 예측값을 생성하기 위해서는, 16128개(96개 × 24시간 × 7일)의 입력과 16128개의 출력이 가능한 신경망을 필요로 하게 되어 많은 연산비용과 예측시간이 소요되는 문제점이 있다.

본 발명은 상기한 종래의 문제점을 해결하기 위해 이루어진 것으로서, 그 목적은 종래 기술의 회귀분석과 같은 정밀한 분석 작업 없이, 신경망을 통하여 다음 일주일간의 임시 전력사용량 예측값을 생성하고, 전력사용량에 대한 보정계수를 적용하여 다음 일주일간의 전력사용량 및 단위시간 부하곡선을 예측함에 있다.

상기 목적을 달성하기 위한 본 발명의 주간 부하 예측장치는, 단위시간 전력사용량을 지속적으로 수집하는 데이터 수집부, 상기 수집된 단위시간 전력사용량을 이용하여 일주일 단위의 일일 전력사용량 예측값을 생성할 수 있도록 신경망을 훈련시키는 신경망 훈련부, 및 상기 신경망 훈련부 및 상기 수집된 단위시간 전력사용량을 이용하여 다음 일주일간의 임시 전력사용량 예측값을 생성하고, 수집된 지난 일주일간의 일일 전력사용량 및 예측된 지난 일주일간의 일일 전력사용량을 이용하여 보정계수를 생성하고, 상기 보정 계수가 기 설정된 보정계수 범위에 포함되는 경우에만 상기 보정 계수를 적용하여 다음 일주일간의 전력사용량 예측값을 생성하는 예측값 생성부를 포함한다.

또한, 상기 목적을 달성하기 위한 본 발명의 주간 부하를 예측하는 방법은, 데이터 수집부에서 일정 기간 동안 단위시간 전력사용량을 지속적으로 수집하는 단계, 상기 수집된 단위시간 전력사용량을 이용하여 일주일 단위의 일일 전력사용량 예측값을 생성할 수 있도록, 신경망 훈련부가 신경망을 훈련시키는 단계 및 예측값 생성부가, 상기 훈련된 신경망 및 상기 수집된 단위시간 전력사용량을 이용하여 다음 일주일간의 임시 전력사용량 예측값을 생성하고, 수집된 지난 일주일간의 일일 전력사용량 및 예측된 지난 일주일간의 일일 전력사용량을 이용하여 보정계수를 생성하고, 상기 보정 계수가 기 설정된 보정계수 범위에 포함되는 경우에 상기 보정계수를 적용하여 다음 일주일간의 전력사용량 예측값을 생성하는 단계를 포함한다.

본 발명에 따른 주간 부하 예측장치 및 방법에 따르면, 다음 일주일간에 대한 단위시간 전력사용량을 보다 빠르게 예측할 수 있어, 전력 공급자가 전력 사용자를 위한 즉각적인 계획 수립, 또는 실시간 부하조절을 이용한 전력수요 감축 등과 같은 응용 서비스 분야의 서비스 응답 속도를 향상시킬 수 있는 효과가 있다.

도 1은 본 발명의 실시 예에 따른 주간 부하 예측장치를 도시한 도면이다.
도 2는 본 발명의 실시 예에 따른 신경망 훈련을 도시한 도면이다.
도 3은 본 발명의 실시 예에 따른 신경망 훈련 과정을 도시한 순서도이다.
도 4는 본 발명의 실시 예에 따른 전력사용량 예측을 도시한 도면이다.
도 5는 본 발명의 실시 예에 따른 전력사용량 예측 과정을 도시한 순서도이다.
도 6은 본 발명의 실시 예에 따른 부하곡선 생성 과정을 도시한 순서도이다.
도 7은 본 발명의 실시 예에 따른 전력사용량 예측 결과를 도시한 그래프이다.

이하에서는 첨부된 도면을 참조하여 본 발명의 여러 가지 실시 예들을 보다 상세히 설명한다.

도 1은 본 발명의 실시 예에 따른 주간 부하 예측장치를 도시한 도면이다.

실시 예에 따라, 주간 부하 예측장치는, 데이터 수집부(101), 신경망 훈련부(102), 신경망 예측부(103), 예측값 보정부(104), 요일별 부하곡선 생성부(105), 및 주간 부하곡선 생성부(106)를 포함할 수 있다.

데이터 수집부(101)는 지난 시간 동안의 설정 단위 전력사용량을 지속적으로 수집할 수 있다.

즉, 실시 예에 따라, 데이터 수집부는 실제 전력사용량의 검침 값에 대한 정보를 계속하여 저장하고, 이를 다른 디바이스에 제공할 수 있다. 또한, 상시 설정 단위는 15분 단위로 설정될 수 있다.

또한, 데이터 수집부는, 요일, 공휴일 여부에 대한 정보를 수집할 수 있다.

또한, 본 발명에서 이용되는 신경망은 온도 및 습도, 조도 등의 부가데이터를 사용하지 않으므로, 데이터 수집부는, 계절적인 요인을 반영하기 위하여 적어도 1년 이상의 과거 데이터를 수집하고 있을 수 있다.

또한, 다른 실시 예에 따라, 상기 데이터 수집부는, 본 발명에 따른 전력사용량 또는 부하곡선을 예측하기 위한 장치와 별도의 장치로 구성될 수 있다. 즉, 상기 데이터 수집부는 본 발명에 따른 전력사용량 또는 부하곡선을 예측하기 위한 장치에서 생략될 수 있고, 상기 장치는 별도의 데이터 수집부를 구비한 장치로 부터 유무선 네트워트 연결을 통하여 전력사용량에 대한 데이터를 수신함으로써, 본 발명에 따른 예측을 수행할 수 있다.

신경망 훈련부(102)는, 상기 데이터 수집부(101)에서 수집된 단위시간 전력사용량에 대한 데이터를 이용하여, 일주일 단위의 일일 전력사용량 예측값을 생성할 수 있도록 신경망을 훈련시킬 수 있다.

따라서, 신경망 훈련부는, 상기 수집된 단위시간 전력사용량을 이용하여 일일 전력사용량을 계산하고, 이전 일주일 간의 일일 전력사용량을 신경망의 입력으로, 이후 일주일간의 일일 전력사용량을 상기 신경망의 출력으로 하여, 소정 훈련기간에 포함된 모든 수집된 단위시간 전력사용량을 반복적으로 상기 신경망에 훈련시킬 수 있다.

즉, 실시 예에 따라, 상기 단위시간이 15분 단위인 경우, 상기 데이터수집부의 과거 15분 단위의 검침 데이터를 기반으로 하루 동안의 15분 단위 전력사용량 96개(24시간 × 4개/시간 = 96개)을 합산하여 일일 전력사용량을 계산하고 이를 이용하여 신경망을 훈련시킬 수 있다.

또한, 신경망 훈련부는, 일주일이 경과함에 따라 상기 단위시간 전력사용량이 추가로 수집되면, 상기 추가로 수집된 전력사용량을 이용하여 일주일마다 상기 신경망을 재훈련 할 수 있다.

또한, 신경망 훈련부는 본 발명의 실시 예에 따라 이하 예측값 보정부(104)에서 생성된 보정계수가 기 설정된 보정계수 범위를 벗어나는 경우, 기 훈련된 신경망을 삭제하고, 상기 훈련기간 중, 일정 비율의 최선(最先) 훈련 기간을 삭제함으로써 상기 훈련기간을 재설정할 수 있다.

상기 신경망 훈련부의 훈련과정에 관하여는 이하 도 2 내지 도 3에서 상세히 설명한다.

또한, 주간 부하 예측장치는, 예측값 생성부(미도시)를 포함할 수 있고, 신경망을 통하여 전력사용량 예측값을 생성하는 신경망 예측부(103), 및 신경망 예측부(103)에서 예측된 전력사용량을 보정하는 예측값 보정부(104)를 포함할 수 있다.

실시 예에 따라, 예측값 생성부는, 신경망 훈련부(102) 및 데이터 수집부(101)에서 수집된 단위시간 전력사용량을 이용하여 다음 일주일간의 임시 전력사용량 예측값을 생성하고, 수집된 지난 일주일간의 일일 전력사용량 및 예측된 지난 일주일간의 일일 전력사용량을 이용하여 보정계수를 생성하여, 상기 보정 계수를 적용하여 다음 일주일간의 전력사용량 예측값을 생성할 수 있다.

또한, 예측값 생성부는, 상기 수집된 지난 일주일간의 일일 전력사용량을 상기 예측된 지난 일주일간의 일일 전력사용량으로 나누어 상기 보정계수를 생성하고, 임시 전력사용량 예측값에 상기 보정계수를 곱하여, 전력사용량 예측값을 생성할 수 있고, 상기 예측된 지난 일주일간의 일일 전력사용량이 존재하지 않는 경우, ‘1.0’의 값을 가지는 보정계수를 생성할 수 있다.

상기 예측값 생성부의 예측값 생성을 위한 신경망 예측부(103) 및 예측값 보정부(104)의 상세한 동작에 관하여는, 이하 도 4 내지 도 5에서 상세히 설명한다.

또한, 주간 부하 예측장치는, 부하곡선 생성부(미도시)를 포함할 수 있고, 상기 부하곡선 생성부는, 신경망 예측부(103)에서 예측된 전력사용량을 이용하여 요일별 평균 부하곡선을 생성하는 요일별 부하곡선 생성부(105), 및 요일별 부하곡선 생성부(105)에서 생성된 평균 부하곡선을 보정하여 주간 부하곡선을 생성하는 주간 부하곡선 생성부(106)를 포함할 수 있다.

따라서, 부하곡선 생성부는, 데이터 수집부(101)에서 수집된 단위시간 전력사용량을 이용하여 평균 단위시간 부하곡선을 생성하고, 상기 예측값 생성부의 전력사용량 예측값 및 상기 평균 단위시간 부하곡선을 이용하여, 다음 일주일간의 단위시간 부하곡선을 예측하는 주간 부하곡선을 생성할 수 있다.

또한, 부하곡선 생성부는, 상기 예측값 생성부의 전력사용량 예측값을 상기 평균 단위시간 부하곡선에 대입하고, 부하곡선의 전력사용량의 합이 상기 전력사용량 예측값과 동일하도록 변형함으로써 상기 다음 일주일간의 단위시간 부하곡선을 예측하는 주간 부하곡선을 생성할 수 있다.

또한, 부하곡선 생성부는, 상기 단위시간 전력사용량을 이용하여 각각의 요일별로 전력사용량 평균값을 계산하고, 상기 계산된 요일별 전력사용량 평균값을 통하여 각각의 요일별 부하량 값을 포함하는 평균 부하곡선을 생성하고, 각각의 요일별 부하량 값을 포함하는 상기 다음 일주일간의 단위시간 부하곡선을 예측하는 주간 부하곡선을 생성할 수 있다.

상기 요일별 부하곡선 생성부(105), 및 요일별 부하곡선 생성부(105)을 포함하는 부하곡선 생성부의 동작에 관하여는 이하 도 6에서 더욱 상세히 설명한다.

즉, 상기와 같은 구성을 통하여 본 발명은 다음 주에 대한 단위시간 전력사용량 예측값을 생성함에 있어서 복잡한 통계적 기법을 이용한 회귀분석에 비해 구현 및 훈련이 용이한 신경망을 사용하고 있으며, 다수의 입력과 출력을 갖는 신경망의 경우 많은 연산 자원과 시간이 소요되는 문제점을 보완하기 위하여 신경망의 입력과 출력을 줄임으로써 성능에 대한 부담을 줄여 실시간성을 높일 수 있다.

도 2는 본 발명의 실시 예에 따른 신경망 훈련을 도시한 도면이다.

실시 예에 따라, 본 발명에 따른 주간 부하 예측장치는, 단위시간 전력사용량을 지속적으로 수집하고, 상기 수집된 단위시간 전력사용량을 이용하여 일주일 단위의 일일 전력사용량 예측값을 생성할 수 있도록 신경망을 훈련시킬 수 있다. 또한, 실시 예에 따라, 상기 단위시간은 15분 단위일 수 있다.

즉, 도 2를 참조하면, 데이터 수집부는, 시간의 경과에 따라(201), 단위시간당 전력사용량인, 제1주 전력사용량(202), 제2주 전력사용량(203), 및 제3주 전력사용량(204)에 대한 데이터를 지속적으로 수집한다.

또한, 상기 전력사용량에 대한 정보는, 각각의 요일별 일일 전력사용량에 대한 정보를 포함할 수 있다. 즉, 제1주 전력사용량(202)의 경우에, 월요일은 9.2, 화요일은 9.3, 수요일은 9.5, 목요일은 9.2, 금요일은 8.9, 토요일은 7.5, 일요일은 6.1의 전력사용량을 가지는 것에 대한 데이터를 포함할 수 있다.

따라서, 본 발명의 실시 예에 따라, 주간 부하 예측장치의 신경망 훈련부는, 이전 일주일 간의 일일 전력사용량을 신경망(205)의 입력으로, 이후 일주일간의 일일 전력사용량을 신경망(205)의 출력으로 하여 신경망을 훈련시킬 수 있다.

즉, 제1주 전력사용량(202)을 신경망(205)의 입력으로, 제2주 전력사용량(203)을 신경망의 출력으로 하여 신경망을 훈련시킬 수 있고, 반복적으로, 제2주 전력사용량(203)을 신경망(205)의 입력으로, 제3주 전력사용량(204)을 신경망의 출력으로 하여 신경망을 계속하여 훈련시킬 수 있다.

따라서, 상기와 같은 반복 훈련을 통하여, 소정 훈련기간에 포함된 모든 수집된 단위시간 전력사용량을 신경망(205)에 훈련시킬 수 있고, 추후 시간의 경과에 따라 새로운 단위시간 전력사용량 데이터가 수집되면, 상기 새로운 전력사용량 데이터를 통하여 재훈련 함으로써, 신경망의 정확성을 유지할 수 있다.

도 3은 본 발명의 실시 예에 따른 신경망 훈련 과정을 도시한 순서도이다.

실시 예에 따라, 본 발명에 따른 부하곡선 예측장치 및 방법은, 먼저, 훈련된 신경망이 존재하는지 여부를 판단한다(S301).

다음으로, 상기 판단(S301)결과, 훈련된 신경망이 존재하는 경우에는, 상기 존재하는 신경망을 추가로 훈련하고(S302), 추가로 훈련된 신경망을 저장한다(S306). 즉, 상기 존재하는 신경망의 훈련기간을 파악하고, 상기 훈련기간 이후에 수집된 전력사용량 검침 데이터를 통하여, 상기 도 2에 도시한 바와 같은 과정을 통하여, 존재하는 신경망을 추가로 훈련할 수 있다.

반면에, 상기 판단(S301)결과, 훈련된 신경망이 존재하지 않는 경우에는, 과거 검침 데이터를 수신한다(S303).

즉, 실시 예에 따라, 데이터 수집부로부터, 상기 데이터 수집부에 수집된 검침 데이터를 통하여 훈련 시점 이전에 수집된 단위시간 전령사용량 검침 데이터를 수신할 수 있다. 상기 단위시간은 15분 단위일 수 있다.

다음으로, 일일 전력사용량을 계산한다(S304).

실시 예에 따라, 훈련 시점 이전의 단위시간 검침 데이터를 이용하여, 일일 전력사용량을 계산할 수 있다. 즉, 예를 들어, 상기 단위시간이 15분 단위인 경우, 24시간 동안의 15분 단위 전력사용량 96개(24시간 × 4개/시간 = 96개)을 합산하여 일일 전력사용량을 계산할 수 있다.

다음으로, 신경망을 훈련한다(S305).

수집된 전력사용량 데이터를 통한 신경망의 훈련과정은, 상기 도 2에 도시한 바와 같다.

또한, 상기 신경망 훈련을 위하여 훈련 데이터를 수집하는 훈련 기간은, 훈련성능을 향상시키기 위하여 평일(월~금)동안에 공휴일이 있는 경우에는 해당 일주일 데이터를 훈련에 사용하지 않을 수 있다.

또한, 신경망 훈련부는, 일주일 단위로 훈련데이터를 생성하고, 훈련일을 일주일 간격으로 증가시키면서, 훈련일 기준으로 지난 일주일간의 일일 전력사용량 데이터를 신경망의 입력으로 하고, 다음 일주일간의 일일 전력사용량 데이터를 신경망의 출력으로 하여, 훈련기간에 포함된 모든 데이터를 반복적으로 신경망에 훈련시킬 수 있다.

다음으로, 훈련된 신경망을 저장한다(S306).

즉, 훈련된 신경망을 저장하여, 본 발명의 실시 예에 따른 예측과정에 이용할 수 있다.

또한, 1년 이상의 지난 전력사용량 데이터를 이용하여 신경망 훈련이 끝나면, 일주일이 지날 때마다 새롭게 수집되는 일주일간의 전력사용량 데이터를 이용하여 추가로 일주일마다 신경망을 훈련할 수 있다.

도 4는 본 발명의 실시 예에 따른 전력사용량 예측을 도시한 도면이다.

실시 예에 따라, 본 발명에 따른 주간 부하 예측장치 및 방법을 통하여 제1 예측 시점에 전력사용량 예측 동작을 수행하는 경우, 신경망(402)을 통하여, 상기 제1 예측 시점의 지난 일주일의 수집된 전력사용량(401)으로부터 상기 제1 예측 시점으로부터 다음 일주일간의 임시 전력사용량 예측값(403)을 생성한다.

또한, 기 저장된 예측된 지난 일주일간의 일일 전력사용량이 존재하지 않는 경우, ‘1.0’의 값을 가지는 보정계수(404)를 생성하고, 상기 보정계수(404)를 적용하여 상기 제1 예측 시점의 다음 일주일 간의 전력사용량 예측값(405)를 생성한다. 즉, 상기 보정계수(404)를 상기 임시 전력사용량 예측값(403)에 곱하여 상기 전력사용량 예측값(405)을 생성한다.

또한, 상기 제1 예측 시점으로부터 일주일 후인 제2 예측 시점에 전력사용량 예측값을 생성하는 경우에는, 제2 예측 시점의 지난 일주일의 수집된 전력사용량(406)을 신경망(408)을 통하여 상기 제2 예측 시점으로부터 다음 일주일간의 임시 전력사용량(409)을 예측하여 생성한다.

또한, 상기 제2 예측 시점의 지난 일주일의 일일 전력사용량 예측값(405)이 존재하므로, 상기 제2 예측 시점의 지난 일주일의 수집된 전력사용량(406)을 상기 제2 예측 시점의 지난 일주일의 일일 전력사용량 예측값(405)으로 나누어 보정계수(407)을 생성하고, 상기 보정계수(407)를 적용하여 제2 예측 시점의 다음주에 대한 전력사용량 예측값(410)을 생성한다. 즉, 상기 보정계수(407)를 상기 임시 전력사용량 예측값(407)에 곱하여 상기 전력사용량 예측값(410)을 생성할 수 있다.

도 5는 본 발명의 실시 예에 따른 전력사용량 예측 과정을 도시한 순서도이다.

실시 예에 따라, 본 발명에 따른 주간 부하 예측장치 및 방법은, 전력사용량 예측값을 생성하기 위하여, 먼저, 훈련된 신경망 및 전력사용량에 대한 정보를 수신한다(S501).

즉, 실시 예에 따라, 신경망 훈련부에서 훈련된 신경망을 수신하고, 데이터 수집부에서 예측 시점의 지난 일주일 간의 일일 전력사용량을 수신하고, 신경망 예측부에서 예측 시점의 예측된 지난 일주일간의 일일 전력사용량을 수신함으로써 신경망 예측 동작을 위한 데이터를 준비할 수 있다.

다음으로, 임시 전력사용량 예측값을 생성한다(S502).

즉, 실시 예에 따라, 예측 시점의 지난 일주일 간의 일일 전력사용량을 신경망에 입력하여, 임시 전력사용량 예측값을 생성한다.

따라서, 신경망 예측부는 신경망 훈련부에서 생성된 신경망을 이용하여 예측 시점의 지난 일주일간의 전력사용량 데이터를 신경망에 입력하고, 예측 시점의 다음 일주일간의 임시 전력사용량 예측값을 생성하게 된다.

또한, 신경망은 기존에 훈련된 일주일 간의 데이터를 기준으로 가장 유사한 데이터를 포함할 것으로 예상되는 출력을 생성하게 되며, 상기 생성된 출력을 상기 임시로 예측된 전력사용량으로 응답할 수 있다.

다음으로, 보정계수를 생성한다(S503).

즉, 실시 예에 따라, 예측 시점의 지난 일주일간의 일일 전력사용량을 상기 예측 시점의 지난 일주일간의 전력사용량 예측값으로 나누어 보정계수를 생성한다. 또한, 상기 예측 시점의 지난 일주일간의 전력사용량 예측값이 없을 경우, 초기 보정계수는 모두 ‘1.0’으로 정의하여 사용한다.

따라서, 예측값 보정부를 통하여, 신경망 예측부에서 생성한 임시 전력사용량 예측값을 좀 더 정확한 예측값으로 보정할 수 있다.

즉, 전력사용량의 예측을 위해서는 가장 최근의 전력사용 추세가 반영되는 것이 중요하고, 신경망은 모든 데이터에 대해서 동일한 가중치를 갖고 예측을 하게 되므로, 가장 최근에 훈련한 데이터에 대해서 따로 가중치를 부여하지 않기 때문에 가장 최근의 전력사용 추세를 신경망의 예측 결과에 반영하기 위해서 예측값 보정부는 보정계수를 생성하여 상기 임시 전력사용량 예측값에 반영하게 된다.

따라서, 예측값 보정부는, 예측 시점의 지난 일주일간 실제로 사용된 전력사용량을, 예측 시점의 지난 일주일 전에 예측했던 전력사용량으로 나누어 보정계수를 생성할 수 있다.

다음으로, 생성된 보정계수가 기 설정된 보정계수 범위에 포함되는지 여부를 판단하고(S504), 상기 생성된 보정계수가 기 설정된 보정계수 범위에 포함되는 경우, 전력사용량 예측값을 생성한다(S506).

즉, 상기 예측된 임시 전력사용량에 보정계수를 곱하여 일일 전력사용량 예측값을 생성한다.

따라서, 실시 예에 따라, 예측값 보정부는, 신경망 예측부를 통해 얻어진 예측 시점 다음 주에 대한 임시 전력사용량 예측값에 상기 생성된 보정계수를 곱하여 전력사용량 예측값을 생성할 수 있다.

즉, 예를 들어, 처음으로 예측하는 경우(첫째 주라고 가정), 첫째 주에 수집된 일일 전력사용량 (9.3, 9.5, 9.6,9.3, 9.0, 7.6, 6.3)을 신경망에 입력하여 임시 전력사용량 예측값인 (9.4, 9.6, 9.8, 9.7, 9.2, 7.7, 6.4)를 예측한다.

다음으로, 보정계수를 이용하여 보정하기 위하여, 신경망의 훈련 이후 처음으로 예측하는 경우에는 초기 보정계수로 (1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0)을 사용하여 상기 임시 전력사용량 예측값과 동일한 값을 첫째 주 예측 시점 다음주의 전력사용량 예측값으로 생성한다.

다음으로, 일주일이 지나서 두 번째 예측하는 경우 (둘째 주라고 가정)둘째 주에 수집된 일일 전력사용량(9.3, 9.6, 9.9, 9.1, 7.7, 6.3)을 신경망에 입력하여 임시 전력사용량 예측값인(9.5, 9.7, 9.9, 9.8, 9.4, 7.9, 6.7)을 예측한다.

이후, 보정계수를 산출하기 위해 둘째 주의 전력사용량 (9.3, 9.6, 9.9, 9.1, 7.7, 6.3)을 첫째 주의 전력사용량 예측값(9.4, 9.6, 9.8, 9.7, 9.2, 7.7, 6.4)으로 나누어 보정계수(9.3/9.4, 9.6/9.6, 9.9/9.8, 9.9/9.7, 9.1/9.2, 7.7/7.7, 6.3/6.4 = 0.98, 1.0, 1.01, 0.98, 0.98, 1.0, 0.98)를 생성한다.

다음으로, 생성된 보정계수를 둘째 주의 임시 전력사용량 예측값에 곱하여 둘째 주 예측시점 다음주의 전력사용량 (9.5×0.98, 9.7×1.0, 9.9×1.01, 9.8×0.98, 9.4×0.98, 7.9×1.0, 6.7×0.98 = 9.4, 9.7, 10.0, 9.6, 9.3, 7.9, 6.6)을 예측할 수 있다.

반면에, 상기 판단(S504)결과, 상기 생성된 보정계수가 기 설정된 보정계수 범위에 포함되지 않는 경우, 훈련된 신경망을 재생성 한다(S505).

따라서, 실시 예에 따라, 기 훈련된 신경망을 삭제하고, 상기 훈련기간 중, 일정 비율의 최선(最先) 훈련 기간을 삭제함으로써 상기 훈련기간을 재설정하고, 다시 신경망을 훈련할 수 있다.

즉, 보정계수를 생성함에 있어서, 생성된 보정계수가 사용자가 정의한 최대 / 최소 보정계수보다 크거나 작은 값이 생성되어 기 설정된 보정계수 범위를 벗어나는 경우에는 신경망의 오차가 큰 것으로 판단하여 기존에 훈련했던 신경망을 삭제하고 새롭게 신경망을 재구성할 수 있다.

또한, 신경망을 재구성하는 경우, 이전에 사용했던 훈련데이터를 동일하게 사용할 경우에는 동일한 예측값을 얻게 되므로 과거 훈련데이터 중에서 일정 비율의 최선(最先) 훈련 기간을 삭제하여 다시 신경망을 훈련할 수 있다. 실시 예에 따라, 상기 훈련데이터 중에서 가장 오래된 순으로 10분의 1을 제거하여 다시 신경망을 훈련할 수 있다.

즉, 예를 들어, 1월부터 다음해 6월까지 540일의 데이터를 이용하여 신경망을 훈련하고, 95%의 예측 정확도를 위해 최대 보정계수를 1.05, 최소 보정계수를 0.95로 설정하였을 경우, 7월 첫째 주를 예측하고 일주일이 지나서 7월 둘째 주에 보정계수를 산정하였을 때, 7개의 보정계수 중에서 1.05 보다 크거나 0.95 보다 낮은 보정계수가 존재할 경우에는 정확도가 95% 보다 낮게 되므로 기존에 훈련된 신경망을 삭제하고, 540일에서 10%인 54일을 제거하여 486일의 데이터를 훈련 데이터로 설정하여 신경망을 다시 훈련할 수 있다.

즉, 신경망의 훈련에 사용된 데이터에 과거의 데이터가 너무 많게 되면 최근의 전력수요를 반영하는 요인이 줄어들어 최근 수요예측의 정확도를 떨어뜨릴 수 있기 때문에 상기와 같은 신경망 재훈련을 통하여 전력사용량 예측의 정확도를 향상시킬 수 있다.

도 6은 본 발명의 실시 예에 따른 부하곡선 생성 과정을 도시한 순서도이다.

실시 예에 따라, 본 발명에 따른 주간 부하 예측장치 및 방법은 부하곡선을 생성하기 위하여, 먼저, 과거 검침 데이터를 수신한다(S601).

즉, 실시 예에 따라, 예측 시점까지 수집된 15분 단위의 전력사용량에 대한 검침 데이터를 데이터 수집부로부터 얻을 수 있다.

다음으로, 요일별 평균 부하곡선을 생성한다(S602).

즉, 데이터 수집부로부터 얻은 과거 검침 데이터를 요일별로 분류하고, 상기 분류된 요일별로 단위시간 검침값을 합하여 평균값을 계산하여 요일별 평균 부하곡선을 생성할 수 있다.

따라서, 실시 예에 따라 요일별 부하곡선 생성부는 신경망에서 예측된 다음 일주일간의 전력사용량 예측값을 이용하여 주간 부하곡선을 만들기 위해 필요한 요일별 평균 부하곡선을 생성할 수 있다. 상기 요일별 평균 부하곡선은 실시 예에 따라 일년 또는 6개월, 3개월, 및 1개월 동안의 15 분 단위의 전력사용량을 각각의 15 분 단위의 전력사용량의 평균을 이용하여 생성될 수 있다.

즉, 예를 들어 1개월 동안의 데이터를 이용하여 요일별 평균 부하곡선을 생성하는 경우, 월요일의 00시00분의 평균 부하량은 1개월 동안의 월요일(4일)의 매 00시00 분의 전력사용량의 평균값이 되며, 요일별 평균 부하곡선은 672개(96 개/일×7일)의 부하량으로 표현될 수 있다.

다음으로, 요일별 평균 부하곡선을 정규화 하고(S603), 주간 예측 부하곡선을 생성한다(S604).

즉, 요일별 평균 부하곡선을 일일 부하곡선의 합이 ‘1’이 되도록 정규화할 수 있고, 예측값 보정부에서 생성된 다음 일주일간의 전력사용량 예측값을 정규화된 요일별 평균 부하곡선에 곱하여 일일 부하곡선의 합이 일일 전력사용량이 되도록 변형하여 주간 예측 부하곡선을 생성할 수 있다.

따라서, 실시 예에 따라, 주간 부하곡선 생성부는, 예측값 보정부에서 보정계수를 적용하여 최종적으로 다음 일주일간의 전력사용량 예측값을 상기 요일별 부하곡선 생성부의 요일별 평균 부하곡선에 대입하여, 요일별 부하곡선의 일일 전력사용량의 합이 최종 예측 일일 전력사용량과 동일하도록 변형함으로써, 최종적으로 예측된 다음 일주일간의 단위시간 부하곡선을 생성할 수 있다. 또한 상기 단위시간은 실시 예에 따라 15분일 수 있다.

즉, 예를 들면 월요일의 평균 부하곡선이 (32, 41, 47, ......)으로 96개 일 경우에 월요일 평균 부하곡선의 부하량의 합이 9100이였을 경우, 정규화된 월요일 부하곡선은 (32/9100, 41/9100, 47/9100, ...... = 0.0035, 0.0045, 0.0051, ......)이 되며, 예측값 보정부를 통해 계산된 월요일 전력사용량이 9400인 경우, 이를 정규화된 월요일 부하곡선에 곱하면 최종적으로 월요일의 15 분 단위 부하곡선은 (0.0035 × 9400, 0.0045 × 9400, 0.0051 × 9400, ...... = 32.9,42.3, 47.94, ......)가 될 수 있다.

도 7은 본 발명의 실시 예에 따른 전력사용량 예측 결과를 도시한 그래프이다.

본 발명의 실시 예에 따라 일주일간의 전력사용량 예측값을 생성한 예시로써, 도 7을 참조할 수 있다. 동그라미로 표시된 곡선은 실제 전력사용량을 나타내며, 네모로 표시된 곡선은 본 발명에서 예측한 전력사용량을, 역삼각형으로 표시된 곡선은 종래 기술에 따른 기존 신경망을 통하여 예측한 전력사용량을 나타낸다.

즉, 도 7을 참조하면, 본 발명의 실시 예에 따른 예측 방법 및 장치가, 종래 기술에 따른 기존 신경망을 이용하는 방법과 정확도에 있어서는 거의 차이가 없는 것을 알 수 있다.

또한, 이상에서는 본 발명의 바람직한 실시 예에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시 예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해돼서는 안 될 것이다.

따라서, 본 발명의 주간 전력사용량 예측장치 및 방법은, 예측 시점 다음 일주일간의 단위시간의 전력사용량을 빠르게 예측하기 위한 발명으로 설명되었으나, 다른 실시 예에 따라, 예측 기간을 하루부터 수 개월 단위로 수정하여 적용될 수 있으며, 전력사용량이 아닌 수도사용량, 가스사용량 등, 자동검침을 통하여 데이터를 수집하는 분야에 적용되어 실시될 수 있다.

101: 데이터 수집부
102: 신경망 훈련부
103: 신경망 예측부
104: 예측값 보정부
105: 요일별 부하곡선 생성부
106: 주간 부하곡선 생성부

Claims

단위시간 전력사용량을 지속적으로 수집하는 데이터 수집부;
상기 수집된 단위시간 전력사용량을 이용하여 일주일 단위의 일일 전력사용량 예측값을 생성할 수 있도록 신경망을 훈련시키는 신경망 훈련부; 및
상기 신경망 훈련부 및 상기 수집된 단위시간 전력사용량을 이용하여 다음 일주일간의 임시 전력사용량 예측값을 생성하고, 수집된 지난 일주일간의 일일 전력사용량 및 예측된 지난 일주일간의 일일 전력사용량을 이용하여 보정계수를 생성하고, 상기 보정 계수가 기 설정된 보정계수 범위에 포함되는 경우에 상기 보정계수를 적용하여 다음 일주일간의 전력사용량 예측값을 생성하는 예측값 생성부를 포함하는 주간 부하 예측장치.
제1항에 있어서,
상기 신경망 훈련부는,
상기 생성된 보정계수가 기 설정된 보정계수 범위를 벗어나는 경우, 기 훈련된 신경망을 삭제하고, 상기 훈련기간 중, 일정 비율의 최선(最先) 훈련 기간을 삭제함으로써 상기 훈련기간을 재설정하고, 다시 신경망을 훈련하는 주간 부하 예측장치.
제1항에 있어서,
상기 수집된 단위시간 전력사용량을 이용하여 평균 단위시간 부하곡선을 생성하고, 상기 전력사용량 예측값 및 상기 평균 단위시간 부하곡선을 이용하여, 상기 다음 일주일간의 단위시간 부하곡선을 예측하는 부하곡선 생성부를 더 포함하는 주간 부하 예측장치.
제1항에 있어서,
상기 신경망 훈련부는,
상기 수집된 단위시간 전력사용량을 이용하여 일일 전력사용량을 계산하고, 이전 일주일 간의 일일 전력사용량을 신경망의 입력으로, 이후 일주일간의 일일 전력사용량을 상기 신경망의 출력으로 하여, 소정 훈련기간에 포함된 모든 수집된 단위시간 전력사용량을 반복적으로 상기 신경망에 훈련시키는 주간 부하 예측장치.
제4항에 있어서,
상기 신경망 훈련부는,
일주일이 경과함에 따라 상기 단위시간 전력사용량이 추가로 수집되면, 상기 추가로 수집된 전력사용량을 이용하여 일주일마다 상기 신경망을 재훈련 하는 주간 부하 예측장치.
제1항에 있어서,
상기 예측값 생성부는,
상기 수집된 지난 일주일간의 일일 전력사용량을 상기 예측된 지난 일주일간의 일일 전력사용량으로 나누어 상기 보정계수를 생성하고, 상기 임시 전력사용량 예측값에 상기 보정계수를 곱하여, 상기 전력사용량 예측값을 생성하는 주간 부하 예측장치.
제3항에 있어서,
상기 부하곡선 생성부는,
상기 전력사용량 예측값을 상기 평균 단위시간 부하곡선에 대입하고, 부하곡선의 전력사용량의 합이 상기 전력사용량 예측값과 동일하도록 변형함으로써 상기 다음 일주일간의 단위시간 부하곡선을 예측하는 주간 부하 예측장치.
제3항에 있어서,
상기 부하곡선 생성부는,
상기 단위시간 전력사용량을 이용하여 각각의 요일별로 전력사용량 평균값을 계산하고, 상기 계산된 요일별 전력사용량 평균값을 통하여 각각의 요일별 부하량 값을 포함하는 평균 부하곡선을 생성하고, 각각의 요일별 부하량 값을 포함하는 상기 다음 일주일간의 단위시간 부하곡선을 예측하는 주간 부하 예측장치.
제1항에 있어서,
상기 데이터 수집부는,
적어도 1년 이상의 기간 동안의 단위시간 전력사용량을 수집하는 주간 부하 예측장치.
제1항에 있어서,
상기 예측값 생성부는,
상기 예측된 지난 일주일간의 일일 전력사용량이 존재하지 않는 경우, ‘1’의 값을 가지는 보정계수를 생성하는 주간 부하 예측장치.
데이터 수집부, 신경망 훈련부, 및 예측값 생성부를 포함하는 디바이스에서 주간 부하를 예측하는 방법에 있어서,
상기 데이터 수집부에서 일정 기간 동안 단위시간 전력사용량을 지속적으로 수집하는 단계;
상기 수집된 단위시간 전력사용량을 이용하여 일주일 단위의 일일 전력사용량 예측값을 생성할 수 있도록, 상기 신경망 훈련부가 신경망을 훈련시키는 단계; 및
상기 예측값 생성부가, 상기 훈련된 신경망 및 상기 수집된 단위시간 전력사용량을 이용하여 다음 일주일간의 임시 전력사용량 예측값을 생성하고, 수집된 지난 일주일간의 일일 전력사용량 및 예측된 지난 일주일간의 일일 전력사용량을 이용하여 보정계수를 생성하고, 상기 보정 계수가 기 설정된 보정계수 범위에 포함되는 경우에 상기 보정계수를 적용하여 다음 일주일간의 전력사용량 예측값을 생성하는 단계를 포함하는 주간 부하 예측 방법.
제11항에 있어서,
상기 신경망을 훈련시키는 단계는,
상기 생성된 보정계수가 기 설정된 보정계수 범위를 벗어나는 경우, 상기 신경망 훈련부는, 기 훈련된 신경망을 삭제하고, 상기 훈련기간 중, 일정 비율의 최선(最先) 훈련 기간을 삭제함으로써 상기 훈련기간을 재설정하고, 다시 신경망을 훈련하는 단계를 포함하는 주간 부하 예측방법.
제11항에 있어서,
상기 디바이스는 부하곡선 생성부를 더 포함하고,
상기 부하곡선 생성부가 상기 수집된 단위시간 전력사용량을 이용하여 평균 단위시간 부하곡선을 생성하고, 상기 전력사용량 예측값 및 상기 평균 단위시간 부하곡선을 이용하여, 상기 다음 일주일간의 단위시간 부하곡선을 예측하는 단계를 더 포함하는 주간 부하 예측방법.
제11항에 있어서,
상기 신경망을 훈련시키는 단계는,
상기 수집된 단위시간 전력사용량을 이용하여 일일 전력사용량을 계산하고, 이전 일주일 간의 일일 전력사용량을 신경망의 입력으로, 이후 일주일간의 일일 전력사용량을 상기 신경망의 출력으로 하여, 상기 신경망 훈련부가 소정 훈련기간에 포함된 모든 수집된 단위시간 전력사용량을 반복적으로 상기 신경망에 훈련시키는 단계를 포함하는 주간 부하 예측방법.
제14항에 있어서,
상기 신경망을 훈련시키는 단계는,
일주일이 경과함에 따라 상기 단위시간 전력사용량이 추가로 수집되면, 상기 신경망 훈련부는 상기 추가로 수집된 전력사용량을 이용하여 일주일마다 상기 신경망을 재훈련 하는 단계를 더 포함하는 주간 부하 예측방법.
제11항에 있어서,
상기 전력사용량 예측값을 생성하는 단계는,
상기 예측값 생성부가, 상기 수집된 지난 일주일간의 일일 전력사용량을 상기 예측된 지난 일주일간의 일일 전력사용량으로 나누어 상기 보정계수를 생성하고, 상기 임시 전력사용량 예측값에 상기 보정계수를 곱하여, 상기 전력사용량 예측값을 생성하는 단계를 포함하는 주간 부하 예측방법.
제13항에 있어서,
상기 다음 일주일간의 단위시간 부하곡선을 예측하는 단계는,
상기 부하곡선 생성부가, 상기 전력사용량 예측값을 상기 평균 단위시간 부하곡선에 대입하고, 부하곡선의 전력사용량의 합이 상기 전력사용량 예측값과 동일하도록 변형함으로써 상기 다음 일주일간의 단위시간 부하곡선을 예측하는 단계를 포함하는 주간 부하 예측방법.
제13항에 있어서,
상기 다음 일주일간의 단위시간 부하곡선을 예측하는 단계는,
상기 부하곡선 생성부가, 상기 단위시간 전력사용량을 이용하여 각각의 요일별로 전력사용량 평균값을 계산하고, 상기 계산된 요일별 전력사용량 평균값을 통하여 각각의 요일별 부하량 값을 포함하는 평균 부하곡선을 생성하고, 각각의 요일별 부하량 값을 포함하는 상기 다음 일주일간의 단위시간 부하곡선을 예측하는 단계를 포함하는 주간 부하 예측방법.
제11항에 있어서,
상기 전력사용량 예측값을 생성하는 단계는,
상기 예측된 지난 일주일간의 일일 전력사용량이 존재하지 않는 경우, 상기 예측값 생성부는, ‘1’의 값을 가지는 보정계수를 생성하는 단계를 포함하는 주간 부하 예측방법.
제11항에 있어서,
상기 단위시간 전력사용량을 지속적으로 수집하는 단계는,
상기 데이터 수집부가 적어도 1년 이상의 기간 동안의 단위시간 전력사용량을 수집하는 단계를 포함하는 주간 부하 예측방법.