KR20130089738A - 에너지관리시스템을 위한 예측시스템 - Google Patents

에너지관리시스템을 위한 예측시스템 Download PDF

Info

Publication number
KR20130089738A
KR20130089738A KR1020110146875A KR20110146875A KR20130089738A KR 20130089738 A KR20130089738 A KR 20130089738A KR 1020110146875 A KR1020110146875 A KR 1020110146875A KR 20110146875 A KR20110146875 A KR 20110146875A KR 20130089738 A KR20130089738 A KR 20130089738A
Authority
KR
South Korea
Prior art keywords
prediction
data
pattern
unit
patterns
Prior art date
Application number
KR1020110146875A
Other languages
English (en)
Other versions
KR101303470B1 (ko
Inventor
신혜경
Original Assignee
주식회사 효성
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 주식회사 효성 filed Critical 주식회사 효성
Priority to KR1020110146875A priority Critical patent/KR101303470B1/ko
Publication of KR20130089738A publication Critical patent/KR20130089738A/ko
Application granted granted Critical
Publication of KR101303470B1 publication Critical patent/KR101303470B1/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
    • G06Q50/10—Services
    • G06Q50/16—Real estate

Landscapes

  • Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 예측시스템에 관한 것으로,이러한 기술적 과제를 해결하기 위한 본 발명에 따른 예측시스템은 예측 대상인 풍력발전량, 태양광발전량, 전력가격, 열부하, 전력부하 중 어느 하나를 선택하여 예측하는 시스템에 있어서, 선택된 예측 대상을 예측하기 위해 필요한 샘플링 데이터 수(nSize), 동일한 패턴 클래스에 저장 가능한 패턴의 개수(Pattern_Max), 패턴을 생성할 때 사용되는 단위 데이터의 수(m), 예측주기(Trade), 패턴 클래스 내에 저장된 패턴 중 패턴 데이터베이스에 저장되는 최대 단위 데이터의 수(n), 패턴 클래스 내 패턴들의 변화량의 허용값(Tol) 및 현재시점으로부터 예측할 단위 데이터의 수(Predic_N)를 파라미터로 입력받는 예측파라미터 세팅모듈; 상기 파라미터 값을 참조하여 상기 예측 대상의 과거 데이터를 패턴화하고, 상기 패턴화된 데이터를 가우스 함수(Gaussian function) 및 SVR(Support Vector Regression)을 이용하여 예측모델을 생성하며, 상기 예측모델에 상기 예측 대상의 현재 데이터를 입력하여 산출된 상기 예측 대상의 미래 예측 데이터를 에너지관리시스템(Energy Management System)에 전달하는 예측수행모듈; 상기 미래 예측 데이터와 실측 데이터 간 오차율이 허용된 오차율을 벗어나는 경우, 상기 선택된 예측 대상을 제외한 나머지 예측 대상과 선택된 예측 대상 간의 상관 계수를 계산하여 산출된 미래 예측 데이터를 예측수행모듈에 전달하는 오차율보정모듈; 및 상기 현재 데이터 및 상기 패턴화된 과거 데이터를 저장하는 데이터베이스;를 포함한다.
본 발명에 의하면, 기계학습알고리즘을 이용하여 기존의 전력가격 예측 과정에서 얻어진 데이터를 바탕으로 수정 및 보완하여 더욱 효율적이고 정확한 전력시장 가격, 풍력발전량, 태양광발전량, 열부하, 전기부하의 예측이 가능한 에너지관리시스템을 위한 예측시스템을 제공할 수 있다.

Description

에너지관리시스템을 위한 예측시스템{PREDICTING SYSTEM FOR ENERGY MANAGEMENT SYSTEM}
본 발명은 에너지관리시스템을 위한 예측시스템에 관한 것으로, 보다 자세하게는 기계학습알고리즘을 이용하여 전력시장가격 등의 예측 정확성을 높인 에너지관리시스템을 위한 예측시스템에 관한 것이다.
전력시장에서 결정되는 전기의 가격은 경쟁시장에서 일반상품의 가격이 수요와 공급의 균형점에서 결정되는 원리와 같다. 예를 들어, 국내 전력시장의 시장가격은 1시간 단위로 전력거래 당일 하루 전에 결정되며, 하루 전에 예측된 전력수요곡선과 공급입찰에 참여하는 발전기들로 형성되는 공급곡선이 교차하는 점에서 시장가격이 매 시간단위로 결정된다. 즉 필요한 수요를 충족시키면서 발전비용이 최소가 되도록, 발전기의 운전조합과 출력을 결정하는 발전계획을 수립하는 것이 중요하다.
한편, 최근 기존의 전력망에 정보기술(IT)을 접목하여 전력 공급자와 이 양방향으로 실시간 정보를 교환함으로써 에너지 효율을 최적화하는 차세대 지능형 전력망(Smart Grid)이 점차 보급 중이다. 지능형 전력망을 활용하여 전력 공급자는 전력 사용 현황을 실시간으로 파악하여 공급량을 탄력적으로 조절할 수 있고, 전력 은 전력 사용 현황을 실시간으로 파악함으로써 이에 맞게 요금이 비싼 시간대를 피하여 사용 시간과 사용량을 조절할 수 있으며, 태양광 발전이나 연료전지 등에서 생산되는 전기를 판매할 수 있게 된다.
이처럼 발전과 소비 부문에 있어서 쌍방향 통신이 가능해 짐에 따라 의 전력시장 참여가 가능해지고, 발전연료가격 상승하고 신재생 에너지 등 새로운 설비들이 도입됨에 따라 의 전력수요감축 요인이 늘고 있다.
이러한 지능형 전력망을 활용과 더불어 전체 전력공급 게통에 대한 상시 정보수집 및 부하주파수 감시를 통하여 계통에 연계된 발전 설비의 운전을 최적으로 제어하며, 전력계통의 효율적인 관리로 경제급전을 수행하는 대규모 전력계통 제어시스템으로 에너지관리시스템(EMS, Energy Management System)이 이용된다. 이와 관련된 기술은 일본공개공보 제2011-018375호 (2011.01.27)에 개시되어 있다.
그러나 종래의 에너지관리시스템은 여전히 기존의 국가 단위 전력계통에 대하여 수 시간 단위의 전력가격 예측을 수행하고 있으며, 최근 도입되는 지능형 전력망 환경 등 전력가격에 영향을 미치는 요소가 늘어난 환경에서는 정확한 전력가격의 예측을 하지 못하고 있는 실정이다. 또한, 전력가격 뿐만 아니라 전력발전량, 부하량 등에 대한 예측도 부실한 문제점이 있다.
본 발명이 해결하고자 하는 과제는, 기계학습알고리즘을 이용하여 기존의 전력가격 예측 과정에서 얻어진 데이터를 바탕으로 수정 및 보완하여 더욱 효율적이고 정확한 전력시장 가격, 풍력발전량, 태양광발전량, 열부하, 전기부하의 예측이 가능한 에너지관리시스템을 위한 예측시스템을 제공하는 것이다.
이러한 기술적 과제를 해결하기 위한 본 발명에 따른 예측시스템은 예측 대상인 풍력발전량, 태양광발전량, 전력가격, 열부하, 전력부하 중 어느 하나를 선택하여 예측하는 시스템에 있어서, 선택된 예측 대상을 예측하기 위해 필요한 샘플링 데이터 수(nSize), 동일한 패턴 클래스에 저장 가능한 패턴의 개수(Pattern_Max), 패턴을 생성할 때 사용되는 단위 데이터의 수(m), 예측주기(Trade), 패턴 클래스 내에 저장된 패턴 중 패턴 데이터베이스에 저장되는 최대 단위 데이터의 수(n), 패턴 클래스 내 패턴들의 변화량의 허용값(Tol) 및 현재시점으로부터 예측할 단위 데이터의 수(Predic_N)를 파라미터로 입력받는 예측파라미터 세팅모듈; 상기 파라미터 값을 참조하여 상기 예측 대상의 과거 데이터를 패턴화하고, 상기 패턴화된 데이터를 가우스 함수(Gaussian function) 및 SVR(Support Vector Regression)을 이용하여 예측모델을 생성하며, 상기 예측모델에 상기 예측 대상의 현재 데이터를 입력하여 산출된 상기 예측 대상의 미래 예측 데이터를 에너지관리시스템(Energy Management System)에 전달하는 예측수행모듈; 상기 미래 예측 데이터와 실측 데이터 간 오차율이 허용된 오차율을 벗어나는 경우, 상기 선택된 예측 대상을 제외한 나머지 예측 대상과 선택된 예측 대상 간의 상관 계수를 계산하여 산출된 미래 예측 데이터를 예측수행모듈에 전달하는 오차율보정모듈; 및 상기 현재 데이터 및 상기 패턴화된 과거 데이터를 저장하는 데이터베이스;를 포함한다.
또한, 상기 예측수행모듈은 상기 예측파라미터 세팅모듈을 통해 사용자로부터 입력된 파라미터의 값을 전달받고, 상기 선택된 예측 대상의 과거 데이터를 입력받는 입력부; 상기 파라미터를 참조하여 상기 선택된 예측 대상의 과거 데이터를 단위 데이터로 변환하고, 변환된 상기 단위 데이터 간의 변화를 패턴으로 추출하는 패턴처리부; 상기 과거 데이터를 기초로 하여 예측 모델을 생성하는 예측모델 생성부; 상기 생성된 예측 모델에 상기 예측 대상의 현재 데이터를 입력하여 미래 예측 데이터를 생성하는 예측수행부; 상기 미래 예측 데이터를 에너지 관리시스템로 출력하는 출력부;를 포함한다.
또한, 상기 패턴처리부는 상기 단위 데이터 간의 증감패턴을 상호 비교하여 동일한 패턴을 갖는 단위 데이터를 하나의 집합으로 만들고, 순차적으로 상기 집합 내의 단위 데이터 간의 변화량 패턴을 상호 비교하여 변화량이 상기 허용(Tol) 보다 작은 단위 데이터를 패턴 데이터베이스에 저장한다.
한편, 본 발명에 따른 예측방법은 선택된 예측 대상을 예측하기 위해 필요한 샘플링 데이터 수(nSize), 동일한 패턴 클래스에 저장 가능한 패턴의 개수(Pattern_Max), 패턴을 생성할 때 사용되는 단위 데이터의 수(m), 예측주기(Trade), 패턴 클래스 내에 저장된 패턴 중 패턴 데이터베이스에 저장되는 최대 단위 데이터의 수(n), 패턴 클래스 내 패턴들의 변화량의 허용값(Tol) 및 현재시점으로부터 예측할 단위 데이터의 수(Predic_N)를 파라미터로 입력받는 예측파라미터 세팅 단계; 상기 파라미터 값을 참조하여 상기 예측 대상의 과거 데이터를 패턴화하고, 상기 패턴화된 데이터를 가우스 함수(Gaussian function) 및 SVR(Support Vector Regression)을 이용하여 예측모델을 생성하며, 상기 예측모델에 상기 예측 대상의 현재 데이터를 입력하여 산출된 상기 예측 대상의 미래 예측 데이터를 에너지관리시스템(Energy Management System)에 전달하는 예측수행단계; 및 상기 미래 예측 데이터와 실측 데이터 간 오차율이 허용된 오차율을 벗어나는 경우, 상기 선택된 예측 대상을 제외한 나머지 예측 대상과 선택된 예측 대상 간의 상관 계수를 계산하여 산출된 미래 예측 데이터를 예측수행모듈에 전달하는 오차율보정단계;를 포함한다.
또한, 상기 예측수행단계는 상기 예측파라미터 세팅모듈을 통해 사용자로부터 입력된 파라미터의 값을 전달받고, 상기 선택된 예측 대상의 과거 데이터를 입력받는 단계; 상기 파라미터를 참조하여 상기 선택된 예측 대상의 과거 데이터를 단위 데이터로 변환하고, 변환된 상기 단위 데이터 간의 변화를 패턴으로 추출하는 패턴처리단계; 상기 과거 데이터를 기초로 하여 예측 모델을 생성하는 예측모델 생성단계; 상기 생성된 예측 모델에 상기 예측 대상의 현재 데이터를 입력하여 미래 예측 데이터를 생성하는 예측수행단계; 및 상기 미래 예측 데이터를 에너지 관리시스템로 출력하는 단계를 포함한다.
또한, 상기 패턴처리단계는 상기 단위 데이터 간의 증감패턴을 상호 비교하여 동일한 패턴을 갖는 단위 데이터를 하나의 집합으로 만들고, 순차적으로 상기 집합 내의 단위 데이터 간의 변화량 패턴을 상호 비교하여 변화량이 상기 허용(Tol) 보다 작은 단위 데이터를 패턴 데이터베이스에 저장한다.
본 발명에 의하면, 기계학습알고리즘을 이용하여 기존의 전력가격 예측 과정에서 얻어진 데이터를 바탕으로 수정 및 보완하여 더욱 효율적이고 정확한 전력시장 가격, 풍력발전량, 태양광발전량, 열부하, 전기부하의 예측이 가능한 에너지관리시스템을 위한 예측시스템을 제공할 수 있다.
도 1은 본 발명의 일 실시예에 따른 예측시스템의 구성도이다.
도 2는 본 발명의 일 실시예에 따른 예측시스템의 동작에 관한 순서도이다.
도 3은 본 발명의 일 실시예에 따른 메모리에 대한 구성도이다.
도 4는 본 발명의 일 실시예에 따른 예측수행모듈에 대한 구성도이다.
도 5는 본 발명의 일 실시예에 따른 예측수행모듈의 동작에 관한 순서도이다.
도 6은 본 발명의 일 실시예에 따른 패턴검출부의 동작에 관한 순서도이다.
이하 첨부한 도면을 참조하여 본 발명의 바람직한 실시예에 대해 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다.
도 1은 본 발명의 일 실시예에 따른 예측시스템(1000)의 구성도이다.
도 1을 참조하면, 예측시스템(1000), EMS(2000)(Energy Management System), 실측 데이터베이스(3000)과 예측시스템 데이터베이스(4000)은 유무선 네트워크로 연결되어 있다. 또한, 예측시스템(1000)은 경우에 따라 선택적으로 적어도 하나 이상의 외부 실측 데이터베이스(3000)에 연결되어 있을 수 있다. 외부 실측 데이터베이스(3000)에는 전력의 시장가격 실적, 시간대 별 부하 계측 데이터 혹은 신재생 에너지 발전량 계측 데이터를 제공하는 전력거래소, 한국전력 또는 그 밖의 민간 발전회사 등의 시스템이 포함될 수 있다. 이들은 예측시스템(1000)에 유무선 네트워크를 통하여 데이터를 제공해 줄 수 있다.
예측시스템(1000)은 예측수행단계 별로 적용되는 파라미터 및 EMS(2000)에서 허용되는 오차를 설정하는 예측파라미터 세팅모듈(1100), 과거 데이터의 특징을 바탕으로 특징패턴을 생성하고 선택하여 예측값을 도출하는 예측수행모듈(1200) 및 예측값과 실측값 사이의 오차를 계산하고, 신재생에너지 발전량, 시장가격, 부하 간의 상관파라미터를 산정하여 예측수행모듈(1200)에 반영하는 오차율 보정모듈(1300) 중 어느 하나 이상을 포함할 수 있다.
예측시스템(1000)의 전체 동작 과정에 대해서 설명한다. 도 2는 예측시스템(1000)의 동작과정을 개략적으로 도시한 순서도이다.
먼저, 본 발명의 일 실시예에 따른 예측시스템(1000)풍력발전량, 태양광발전량, 전력가격, 열부하, 전력부하 등 예측 대상을 결정하고, 이에 해당하는 파라미터를 세팅한다(S210).
그리고 과거 데이터 등을 기반으로 생성된 예측 모델에 현재의 데이터 등을 입력하고 계산하여 결과 예측을 수행한다(S220).
만약 예측 데이터가 허용가능한 오차범위에 존재하는 경우나 오차율을 판단하기 위한 기초 데이터가 없는 경우에는 예측 결과를 EMS(2000)에 전송할 수 있다고 판단하는 한편, 예측 데이터가 허용오차범위에서 벗어나는 경우 예측 데이터를 EMS(2000)로 전송할 수 없다고 판단한다(S230).
전송할 수 있는 것으로 판단되는 경우에는, 예측 데이터를 EMS(2000)에 전송한다(S240).
만약 전송할 수 없는 것으로 판단되는 경우, 예측대상과 관련된 데이터를 상관분석하여 도출된 상관파라미터 값으로 가중치를 적용하여 보정을 한다(S250).
이후, 보정된 가중치를 통해 다시 예측을 수행하는 과정을 반복한다.
다음, 예측시스템(1000)의 각 구성을 하나씩 세부적으로 분설하기에 앞서 예측시스템 데이터베이스(4000)에 대해서 설명한다.
도 4를 참조하면, 예측시스템 데이터베이스(4000)는 예측시스템이 동작하는데 필요한 각종 데이터를 저장하는 역할을 한다. 예컨대, 예측모델을 사용하는데 필요한 과거 데이터, 상기 과거 데이터로부터 변환된 단위 데이터, 변환된 데이터의 패턴 정보에 대한 데이터 및 예측 결과 데이터 등을 저장할 수 있다.
예측시스템 데이터베이스(4000)는 크게 패턴 데이터베이스(4100)와 예측 데이터베이스(4200)로 구성되며, 상기 패턴 데이터베이스는 다시 제1 패턴 데이터베이스(4110), 제2 패턴 데이터베이스(4120) 및 제3 패턴 데이터베이스(4130)를 포함하여 구성된다. 제1 패턴 데이터베이스(4110)는 단위 데이터를, 제2 패턴 데이터베이스(4120)는 단위 데이터 간의 증감여부 및 변화량을, 제3 패턴 데이터베이스(4130)는 증감여부 및 변화량을 통해 스크린된 단위 데이터를 저장하는 역할을 한다.
예측 데이터베이스(4200)는 예측시스템에서 도출된 예측데이터를 저장하는 역할을 한다.
제1 내지 제3 패턴 데이터베이스에 대한 구체적인 설명은 하기한다.
예측시스템(1000)은 풍력발전량, 태양광발전량, 전력가격, 열부하, 전력부하를 예측대상으로 하며, 이를 예측하기 위한 사전작업인 신재생에너지 발전량 예측파라미터, 부하예측 파라미터, 시장가격 예측파라미터의 세팅을 위한 예측파라미터 세팅모듈(1100)을 포함한다.
예측파라미터 세팅모듈(1100)은 사용자의 예측 대상 선택에 따라, 필요한 파라미터를 입력받고 이를 메모리(1400)에 저장한다. 도 3은 입력되는 파라미터를 저장하기 위한 메모리(1400)를 개략적으로 도시한 구성도이다.
필요한 파라미터는 예측 수행 단계에 따라 다양하게 나누어진다. 즉, 예측모델을 생성하는 단계, 예측모델을 선택하는 단계, 예측모델을 선형화하는 단계 및 선택된 예측모델을 이용하여 예측을 수행하는 단계에 따라 필요한 파라미터가 존재한다. 또한, EMS(2000)에서 허용하는 오차율에 관한 파라미터가 다양하게 존재할 수 있다.
예측 수행 단계별로 필요한 파라미터를 간략히 정리하면 다음과 같다.
단계 파라미터 설명
예측모델생성 Nsize 사용되는 샘플링 데이터 수
Pattern_Max 패턴클래스 내에 저장가능한 패턴의 수
m 패턴 생성 시 사용되는 데이터 수
Trade 예측주기
예측모델 선택 n 패턴클래스 내 허용된 동일 패턴의 수
Tol 패턴클래스 내 동일 패턴으로 분류하기 위해 인정되는 허용 범위
Predic_N 예측 데이터의 수
에너지관리시스템 ErrorRate 실제 측정된 데이터와 예측 데이터 간의 허용하는 오차율
파라미터 Nsize는 예측모델을 생성하기 위해 사용되는 기초 데이터의 크기이다. 예를 들어, 풍력발전량을 예측하고 Nsize가 3,000이라고 가정하면, 데이터베이스에 저장된 각각 3,000개의 단위 풍력발전량, 전력부하량, 열부하량, 전력가격을 다룬다는 것을 의미한다. 단위는 1초 혹은 2초 단위가 될 수 있으나 이에 한정되지 않는다.
풍력발전량이나 전력부하량 등의 변화가 특정 패턴을 이룰 수 있으며, 다수의 패턴 중 유사한 패턴이 모여 하나의 패턴 클래스를 만들 수 있다. Pattern_Max는 동일한 패턴 클래스에 저장 가능한 패턴의 개수를 지칭하는 파라미터이다.
m은 과거 데이터를 이용하여 패턴을 생성할 때 사용되는 과거 데이터의 개수이다. 예를 m=5인 경우, 과거 데이터 5개가 이루는 분포를 하나의 패턴으로 본다. 과거 데이터 간의 시간적 간격은 앞서 언급된 1초 혹은 2초에 한정되지 않으며 사용자가 지정할 수 있다. 이는 하기할 Trade과 연관된다.
Trade는 예측주기를 의미하는 것으로서, Trade가 a분인 경우, 본 발명은 a분을 단위로 하여 예측시스템(1000)에 사용되는 데이터를 처리한다. 예를 들어, Trade가 5분인 경우 패턴을 구성하는 각각의 요소(이하 단위 데이터라고 함)는 5분간의 발전량의 평균 데이터가 된다. m=5인 경우 이러한 단위 데이터가 5개가 모여서 하나의 패턴을 이루게 된다. 또한, 하기할 Predic_N의 값만큼의 단위 데이터가 예측된다.
n은 패턴 클래스 내에 저장된 패턴 중 허용오차 Tol 내에 포함되어 최종적으로 제3 데이터베이스에 저장 가능한 패턴의 수를 지칭한다. 즉, 패턴 클래스 내에 포함된 패턴들에게도 허용오차를 지정하여, 허용오차 범위 내로 인정되는 패턴만을 제3 데이터베이스에 저장한다. 이러한 스크린 과정을 통해 매우 유사하고 신뢰도 있는 패턴만을 추출할 수 있다.
Tol는 앞서 언급된 바와 같이, 패턴 클래스 내 패턴들의 변화량의 한계값을 의미한다. 패턴의 변화량 차이가 Tol 내인 경우 본 패턴을 제3 데이터베이스에 저장하고 Tol 보다 커서 허용범위 밖이면 저장하지 않는다.
Predic_N은 예측량을 나타내는 파라미터로 현재 시점으로부터 예측할 단위 데이터의 수를 의미한다. 예를 들어, Predic_N와 Trade가 각각 5인 경우 현재 시점으로부터 5분 간격의 단위 데이터 5개가 예측하여, 결과적으로 총 25분간의 미래 데이터가 출력된다.
ErrorRate는 EMS(2000)에서 허용하는 오차율로 풍력발전량 등 측정된 실제 데이터와 예측시스템(1000)이 출력한 예측 데이터 간의 오차를 허용하는 비율을 의미한다.
그 밖에 사용되는 비선형의 데이터를 선형성을 갖도록 차원을 변환하고 예측 수행하기 위한 회귀 분석의 일종인 Support Vector Regression(SVR)을 사용하는 데 필요한 파라미터와 그밖의 설명은 하기의 표로 갈음한다. 예측데이터 변환 및 SVR 수행은 당업자에게 주지된 사항이므로 개념으로 본 명세서에서는 자세한 설명을 생략한다.
단계 파라미터 의미
예측데이터
변환		 Kernel Method 비선형의 데이터를 선형성을 갖도록 차원을 변환시켜 계산 가능하도록 하는 함수로서 세가지 종류 중 하나를 선택하여 적용함
1 : linear function: k(x,y)=x*y^npoly
2 : radial function: k(x,y)=exp(-||x-y||^2/(2*sigma^2))
3 : poly function: k(x,y)=(x*y+c)^npoly
Sigma Width parameter of radial(Gaussian) Kernel
npoly Linear /Poly Kernel function의 다항식 차수
c Poly Kernel Function의 더해지는 상수파라미터
예측수행
(SVR)		 LossFunction 예측알고리즘(SVM)에서 오차를 바탕으로 손실계산 시 적용하는 함수로서 세가지 종류 중 하나를 선택하여 적용함
1. e-insensitive:
2. Quadratic: (f(x)-y)=
3. Huber:
CostF Regularization parameter로서, Training error 최소화와 예측모형의 복잡도 최소화 간의 Trade off cost 결정
Eta e-insensitive Loss Function은 오차가 특정값보다 작을 경우, 오차=0으로 취급하는 함수인데, 이 때 적용하는 특정값을 의미
상기 설명과 같이, 사용자가 발전량, 부하, 시장가격 중 예측을 원하는 어느 하나를 선택하고 이에 해당하는 파라미터의 값을 입력하면, 이에 입력된 값은 메모리(1400)에 저장되고, 차후 예측 수행 및 오차율 보정 시 사용된다.
본 발명의 예측수행모듈(1200)은 이상과 같이 입력된 파라미터와 데이터를 활용하여 예측을 수행한다. 예측수행모듈(1200)은 입력부(1210), 패턴처리부(1220), 예측모델 검증부, 데이터 변환부(1221), 예측수행부(1240) 및 출력부(1250)로 구성된다.
먼저 입력부(1210)는 예측 대상에 따른 파라미터의 값과 예측 모델을 생성하기 위해 필요한 각종 데이터를 입력받는 역할을 한다. 파라미터 값은 앞서 설명된 예측 파라미터 세팅모듈(1100)을 통해 입력된 값이 될 수 있으며, 상기 각종 데이터는 풍력발전량, 태양광발전량, 전력가격, 전력부하, 열부하에 대한 과거 및 현재 데이터가 될 수 있다.
패턴처리부(1220)는 과거의 풍력발전량, 태양광발전량, 전력가격, 전력부하, 열부하 등의 각종 데이터를 바탕으로 패턴 데이터베이스를 생성하고, 현재시점의 패턴을 추출한다. 패턴은 각종 데이터 내 값의 증감여부와 경사도를 기준으로 결정된다. 더욱 상세하게, t와 t-1의 시점에 각종 데이터의 값이 존재할 경우 두 시점 간의 데이터 값의 증감여부와 두 시점 사이의 데이터 값 차이와 시간 간격에 따른 경사도인 변화량을 제2 패턴 데이터베이스(4120)에 저장한다.
패턴처리부(1220) 내 위치한 단위데이터 변환부(1221)는 입력된 발전량, 부하량, 전력시장가격 데이터 등 기초 데이터를 용이하게 예측하기 위해 단위데이터로 변환시킨다. 예를 들어, 2초 단위로 계측된 풍력발전량 데이터에 대해 Nsize가 3,000이고, Trade가 5분인 경우, 5분간의 평균 풍력발전량을 계산하여 제1 패턴 데이터베이스(4110)에 저장한다. 즉, 2초씩 3,000개의 풍력발전량 데이터는 총 100분의 풍력발전량 데이터에 해당하며, 단위데이터 변환부(1221)는 Trade 파라미터 값을 참조하여 100분에 해당하는 데이터를 5분 단위로 나누어 각각의 평균 풍력발전량을 계산하고 그 결과인 단위데이터 20개를 제1 패턴 데이터베이스(4110)에 저장한다.
패턴생성부(1222)는 단위데이터변환부(1221)에서 생성된 단위데이터에서 패턴을 추출하는 역할을 한다. 하기의 표로 제시된 예를 통하여 설명한다.
순번 4 3 2 1 0
시간 t-4 t-3 t-2 t-1 t
풍력발전량 A 10 12 9 10 11
증감(+/-) +(1) -(0) +(1) +(1)
변화량 2 -3 1 1
풍력발전량 A는 Trade=5분이고 m=4인 경우, 과거 25분 전부터 현재 시점까지 5분 단위의 풍력 발전량에 대한 평균을 나타낸 것이다. 패턴생성부(1222)는 m 파라미터를 참조하여 4개의 증감/변화량 데이터를 생성한다.
또한, 패턴생성부(1222)는 4번 풍력발전량과 3번 풍력발전량 간의 관계를 계산하여 증감 및 변화량을 제2 패턴 데이터베이스(4120)에 저장한다. 패턴생성부(1222)는 t와 t-1 데이터 간에 이러한 계산 과정을 반복하여 생성된 데이터를 제2 패턴 데이터베이스(4120)에 저장한다.
패턴생성부(1222)가 증감/변화량 데이터를 제2 패턴 데이터베이스(4120)에 저장할 때 [+(1) -(0) +(1) +(1) 2 -3 1 1]와 같은 숫자를 인코딩하여 저장할 수 있으나 본 발명은 이에 한정되지 않으며, 본 데이터를 전기적으로 저장하고 패턴을 인식할 수 있으면 족하다. 또한, 패턴생성부(1222)는 현재 시점과 과거 데이터를 이용하여 각 시점 간격 간의 증감여부와 변화량을 계산하여 현재 패턴을 별도로 저장한다.
패턴검출부(1223)는 제2 패턴 데이터베이스(4120)에 저장된 패턴들이 동일한 형태의 패턴을 보이는지 및 동일한 패턴을 보이는 경우 허용오차 범위 내에 해당하는지 판단하여 최종적으로 예측모델에 사용될 패턴을 검출하는 구성이다.
도 7은 이러한 패턴검출부(1223)의 동작을 나타낸 순서도이다.
도 7을 참고하면, 패턴검출부(1223)는 메모리(1400)로부터 Tol 및 n 파라미터를 참조한다(S610).
그리고 제2 패턴 데이터베이스(4120)에 저장된 패턴의 증감 데이터를 상호비교하여 동일한 증감 데이터를 갖는 패턴을 하나의 클래스로 정의한다(S620). 앞선 예를 참조하면, 증감/변화량 데이터가 [+(1) -(0) +(1) +(1) 2 -3 1 1]이라고 할 때 +(1) -(0) +(1) +(1) 의 데이터를 갖는 패턴은 하나의 클래스로 집합을 형성한다. 이후 동일한 클래스로 정의된 패턴의 변화량 데이터 간의 차이가 Tol 이하인지 판단한다(S630).
이후 패턴의 변화량 데이터 간의 차이가 Tol 이하인 패턴 중 가장 차이가 작은 패턴을 n개 까지 선택하여 제3 패턴 데이터베이스(4130)에 저장한다(S640).
한편, 예측모델 생성부(1230)는 제3 패턴 데이터베이스(4130)에 저장된 패턴들을 사용자가 선택한 가우스 함수(Gaussian Kernel)를 이용하여 선형 데이터로 변환한 후, 예측알고리즘(Support Vector Regression)을 이용하여 실제 사용 가능한 형태의 예측모델을 생성한다. 임의의 데이터에 가우스 함수 및 예측수행을 위한 SVR을 적용하여 함수를 추출하는 것은 당업자에게 널리 알려진 것으로 본 명세서에서는 상세한 설명을 생략한다.
예측수행부(1240)는 상기에서 생성된 예측모델에 현재 패턴을 입력하여 예측 데이터를 생성하고 예측 데이터베이스(4400)에 저장하는 역할을 한다.
출력부(1250)는 도출된 예측데이터를 EMS(2000)로 출력하는 역할을 한다.
다음, 본 발명의 오차율보정모듈(1300)은 예측 데이터베이스(4400)에 저장된 예측 데이터와 실제 측정된 데이터 간의 오차율을 계산한다. 만약 오차율이 허용범위를 벗어나는 경우, 각 데이터 간의 상관 파라미터를 계산하고, 상기 상관 파라미터를 이용하여 새로운 예측값을 도출한다. 평균오차율은 average(|예측값-실측값|/실측값*100)으로 계산할 수 있으나 이에 한정된 것은 아니다.
예를 들어 더욱 상세하게 설명하면, 오차율보정모듈(1300)은 실측 데이터베이스(3000)로부터 제공받은 현재 풍력발전량 정보를 단위 데이터 형태로 변경하여 예측 데이터와 서로 비교하여 오차율을 결정한다. 만약 ErrorRate 파라미터의 값보다 오차율이 큰 경우 그 오차율이 큰 시점(T)의 실측 풍력발전량(F)를 별도로 저장한다.
이후 오차율보정모듈(1300)은 T시점의 전력부하, 열부하 및 전력시장가격의 실측데이터를 전송받고 상기 세 종류의 데이터와 풍력발전량 간의 상관 파라미터를 도출한다.
이렇게 네 종류의 데이터 간에 도출된 상관 파라미터를 이용하여, T 시점과 동일한 시점에 대해 풍력발전량을 예측할 때 적용함으로써, EMS(2000)에 더욱 신뢰도 있는 예측 데이터를 제공할 수 있다.
이하 본 발명의 일 실시예에 따른 예측시스템(1000)전체적인 동작 과정을 예를 들어 설명한다.
풍력발전량을 예측하고자 하는 EMS(2000) 운영자는 하기 표의 데이터를 임의로 설정한다. 예측 데이터베이스(4000)에는 2초 단위의 풍력발전량 계측정보, 전력부하 계측정보, 열부하 계측정보가 누적되어 있다고 가정한다.
단계 파라미터 초기 설정값
특징패턴생성 Nsize (개) 3000
Patter_nMax(개) 20
m (개) 4
Trade (분) 5
특징선택 n (개) 10
Tol (단위없음) 0.0001
Predic_N (시간) 10
예측변수
(독립변수)
선형 변환		 Kernel Method (단위없음) 2
Sigma (단위없음) 5
Npoly (단위없음) 1
c 2
예측수행
(SVR)		 LossFunction (단위없음) 1
CostF (단위없음) 10
Eta (단위없음) 0.0000001
에너지관리시스템 ErrorRate (%) 20
본 발명의 예측시스템(1000)은 입력된 파라미터에 따라서 2초 단위의 과거 풍력발전량 3,000개를 선정하여 5분 평균 풍력발전량(A)을 도출하여 거래주기(5분)와 동일한 단위 풍력발전량으로 변환하여 데이터베이스(B)를 생성한다. 이후 데이터베이스(B)의 데이터를 이용하여 5분 평균 풍력발전량의 특징패턴을 생성하고 데이터베이스의 모든 5분 평균 풍력발전량(A)에 대해 하기의 작업을 반복한다.
하기 표와 같이 증감과 변화량에 대한 [1,0,1,1, 2,-3,1,1]이라는 특징패턴을 숫자로 정보화한다.
시간 t-4 t-4 t-2 t-1 t
독립변수 x 종속변수 y
A 10 12 9 10 11
증감(+/-) +(1) -(0) +(1) +(1) x
변화량 2 -3 1 1 x
(단, t-4의 증감 셀에 적힌 정보는 t-3과 t-4의 5분 평균 풍력발전량(A)를 비교하여 크기가 적은 값임)
이와 같은 작업을 통해 생성된 모든 특징패턴이 여러 개라고 하면 증감여부가 동일한 특징패턴은 동일한 특징 클래스를 갖는다고 정의한다.
그리고, 동일한 특징 클래스에 저장된 각각의 특징패턴의 변화량의 차이가 Tol 이하이면 동일한 특징패턴으로 분류하여 오차가 가장 적은 10(n)개의 특징패턴만 최종 데이터베이스(C)에 저장하게 된다.
상기 과정에서 도출된 최종 데이터베이스(C)를 사용자가 선택한 Gaussian Kernel Method를 이용하여 선형 데이터로 변환하면 10개의 선형화된 특징패턴 집합이 도출된다(x, y는 상기 표 참고). SVR은 a,b를 도출한다.
y=ax+b
상기 과정에서 도출된 a, b와 현재시점의 특징 x를 이용하면 풍력발전량 예측값 y(D)가 도출된다(이하 예측수행단계라고 함). 이때 D는 EMS(2000)에 입력정보로 사용된다.
이후, 데이터베이스에 누적된 현재 풍력발전량 계측 정보(E)는 5분 단위 평균 풍력발전량으로 변환하여 D와 E값의 오차를 비교한다..
오차가 ErrorRate 이상인 시점(T)의 풍력발전량(F)은 분류하여 별도로 저장하게 된다.
즉, 오차범위를 벗어나는 경우 T시점의 전력부하(G), 열부하(H), 전력가격(I) 실측데이터를 예측 데이터와 비교하기 위위 단위 데이터로 변환하고, F와 G,H,I의 상관파라미터를 도출한다.
F & G F & H F & I
상관파라미터 0.2 0.3 0.5
이러한 상관파라미터는 예측수행단계에서 예측값을 도출하는 경우에, T 시점과 동일한 시점에 대해 풍력발전량을 예측할 때 적용되어 EMS(2000)에 전송된다.
즉, 예측값 y`0.5y+0.3y+y0.2
(y`: 보정된 예측값, y는 예측수행단계에서 도출한 예측값으로 보정되지 않은 예측값)
도출된 세 개의 상관파라미터는 내림차순으로 정리하고, 상관 정도가 큰 것부터 수식을 통해 보정된 예측값을 도출한다.
이상에서 본 발명의 바람직한 실시예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다.
1000 : 예측시스템 1100 : 예측파라미터 세팅모듈
1200 : 예측수행모듈 1210 : 입력부
1220 : 패턴처리부 1230 : 예측모델 생성부
1240 : 예측 수행부 1250 : 출력부
1300 : 오차율 보정모듈 1400 : 메모리
2000 : EMS 3000 : 실측 데이터베이스
4000 : 예측시스템 데이터베이스

Claims (6)

  1. 예측 대상인 풍력발전량, 태양광발전량, 전력가격, 열부하, 전력부하 중 어느 하나를 선택하여 예측하는 시스템에 있어서,
    선택된 예측 대상을 예측하기 위해 필요한 샘플링 데이터 수(nSize), 동일한 패턴 클래스에 저장 가능한 패턴의 개수(Pattern_Max), 패턴을 생성할 때 사용되는 단위 데이터의 수(m), 예측주기(Trade), 패턴 클래스 내에 저장된 패턴 중 패턴 데이터베이스에 저장되는 최대 단위 데이터의 수(n), 패턴 클래스 내 패턴들의 변화량의 허용값(Tol) 및 현재시점으로부터 예측할 단위 데이터의 수(Predic_N)를 파라미터로 입력받는 예측파라미터 세팅모듈;
    상기 파라미터 값을 참조하여 상기 예측 대상의 과거 데이터를 패턴화하고, 상기 패턴화된 데이터를 가우스 함수(Gaussian function) 및 SVR(Support Vector Regression)을 이용하여 예측모델을 생성하며, 상기 예측모델에 상기 예측 대상의 현재 데이터를 입력하여 산출된 상기 예측 대상의 미래 예측 데이터를 에너지관리시스템(Energy Management System)에 전달하는 예측수행모듈;
    상기 미래 예측 데이터와 실측 데이터 간 오차율이 허용된 오차율을 벗어나는 경우, 상기 선택된 예측 대상을 제외한 나머지 예측 대상과 선택된 예측 대상 간의 상관 계수를 계산하여 산출된 미래 예측 데이터를 예측수행모듈에 전달하는 오차율보정모듈; 및
    상기 현재 데이터 및 상기 패턴화된 과거 데이터를 저장하는 데이터베이스;를 포함하는 것을 특징으로 하는 에너지 관리시스템을 위한 예측시스템.
  2. 제1 항에 있어서, 상기 예측수행모듈은
    상기 예측파라미터 세팅모듈을 통해 사용자로부터 입력된 파라미터의 값을 전달받고, 상기 선택된 예측 대상의 과거 데이터를 입력받는 입력부;
    상기 파라미터를 참조하여 상기 선택된 예측 대상의 과거 데이터를 단위 데이터로 변환하고, 변환된 상기 단위 데이터 간의 변화를 패턴으로 추출하는 패턴처리부;
    상기 과거 데이터를 기초로 하여 예측 모델을 생성하는 예측모델 생성부;
    상기 생성된 예측 모델에 상기 예측 대상의 현재 데이터를 입력하여 미래 예측 데이터를 생성하는 예측수행부; 및
    상기 미래 예측 데이터를 에너지 관리시스템로 출력하는 출력부;로 구성된 것을 특징으로 하는 에너지관리시스템을 위한 예측시스템.
  3. 제2 항에 있어서, 상기 패턴처리부는
    상기 단위 데이터 간의 증감패턴을 상호 비교하여 동일한 패턴을 갖는 단위 데이터를 하나의 집합으로 만들고, 순차적으로 상기 집합 내의 단위 데이터 간의 변화량 패턴을 상호 비교하여 변화량이 상기 허용(Tol) 보다 작은 단위 데이터를 패턴 데이터베이스에 저장하는 것을 특징으로 하는 에너지관리시스템을 위한 예측시스템.
  4. 선택된 예측 대상을 예측하기 위해 필요한 샘플링 데이터 수(nSize), 동일한 패턴 클래스에 저장 가능한 패턴의 개수(Pattern_Max), 패턴을 생성할 때 사용되는 단위 데이터의 수(m), 예측주기(Trade), 패턴 클래스 내에 저장된 패턴 중 패턴 데이터베이스에 저장되는 최대 단위 데이터의 수(n), 패턴 클래스 내 패턴들의 변화량의 허용값(Tol) 및 현재시점으로부터 예측할 단위 데이터의 수(Predic_N)를 파라미터로 입력받는 예측파라미터 세팅 단계;
    상기 파라미터 값을 참조하여 상기 예측 대상의 과거 데이터를 패턴화하고, 상기 패턴화된 데이터를 가우스 함수(Gaussian function) 및 SVR(Support Vector Regression)을 이용하여 예측모델을 생성하며, 상기 예측모델에 상기 예측 대상의 현재 데이터를 입력하여 산출된 상기 예측 대상의 미래 예측 데이터를 에너지관리시스템(Energy Management System)에 전달하는 예측수행단계; 및
    상기 미래 예측 데이터와 실측 데이터 간 오차율이 허용된 오차율을 벗어나는 경우, 상기 선택된 예측 대상을 제외한 나머지 예측 대상과 선택된 예측 대상 간의 상관 계수를 계산하여 산출된 미래 예측 데이터를 예측수행모듈에 전달하는 오차율보정단계;를 포함하는 것을 특징으로 하는 에너지 관리시스템을 위한 예측방법.
  5. 제4 항에 있어서, 상기 예측수행단계는
    상기 예측파라미터 세팅모듈을 통해 사용자로부터 입력된 파라미터의 값을 전달받고, 상기 선택된 예측 대상의 과거 데이터를 입력받는 단계;
    상기 파라미터를 참조하여 상기 선택된 예측 대상의 과거 데이터를 단위 데이터로 변환하고, 변환된 상기 단위 데이터 간의 변화를 패턴으로 추출하는 패턴처리단계;
    상기 과거 데이터를 기초로 하여 예측 모델을 생성하는 예측모델 생성단계;
    상기 생성된 예측 모델에 상기 예측 대상의 현재 데이터를 입력하여 미래 예측 데이터를 생성하는 예측수행단계; 및
    상기 미래 예측 데이터를 에너지 관리시스템로 출력하는 단계를 포함하는 것을 특징으로 하는 에너지 관리시스템을 위한 예측방법.
  6. 제5 항에 있어서, 상기 패턴처리단계는
    상기 단위 데이터 간의 증감패턴을 상호 비교하여 동일한 패턴을 갖는 단위 데이터를 하나의 집합으로 만들고, 순차적으로 상기 집합 내의 단위 데이터 간의 변화량 패턴을 상호 비교하여 변화량이 상기 허용(Tol) 보다 작은 단위 데이터를 패턴 데이터베이스에 저장하는 것을 특징으로 하는 에너지 관리시스템을 위한 예측방법.
KR1020110146875A 2011-12-30 2011-12-30 에너지관리시스템을 위한 예측시스템 KR101303470B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020110146875A KR101303470B1 (ko) 2011-12-30 2011-12-30 에너지관리시스템을 위한 예측시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020110146875A KR101303470B1 (ko) 2011-12-30 2011-12-30 에너지관리시스템을 위한 예측시스템

Publications (2)

Publication Number Publication Date
KR20130089738A true KR20130089738A (ko) 2013-08-13
KR101303470B1 KR101303470B1 (ko) 2013-09-05

Family

ID=49215512

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020110146875A KR101303470B1 (ko) 2011-12-30 2011-12-30 에너지관리시스템을 위한 예측시스템

Country Status (1)

Country Link
KR (1) KR101303470B1 (ko)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103544398A (zh) * 2013-10-30 2014-01-29 广东工业大学 一种基于回归型支持向量机确定节能效果的方法及系统
KR20150095995A (ko) * 2014-02-13 2015-08-24 주식회사 포스코아이씨티 상황인식 기반의 빌딩 에너지 관리 시스템 및 그를 이용한 빌딩 에너지 관리 방법
CN106202918A (zh) * 2016-07-08 2016-12-07 东北大学 一种高炉铁水硅含量在线估计方法及系统
CN109165797A (zh) * 2018-10-12 2019-01-08 国网宁夏电力有限公司 一种风电功率预测方法及装置
CN109325607A (zh) * 2017-08-01 2019-02-12 中国电力科学研究院 一种短期风电功率预测方法及系统
CN110210641A (zh) * 2018-02-28 2019-09-06 北京金风科创风电设备有限公司 用于风电场的风向预测方法及装置
WO2021221285A1 (ko) * 2020-04-29 2021-11-04 한국산업기술대학교산학협력단 인공신경망 기반 전력시장 가격 예측 시스템
KR20220114747A (ko) * 2021-02-09 2022-08-17 씨엔씨티에너지 주식회사 가스엔진 구동에 대한 시뮬레이션 제공 방법 및 장치
KR20230022643A (ko) * 2021-08-09 2023-02-16 한국에너지기술연구원 재생 에너지량 산출 장치 및 그 방법
CN116454951A (zh) * 2023-04-28 2023-07-18 重庆跃达新能源有限公司 一种光储能控制系统及方法

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200084397A (ko) 2018-12-20 2020-07-13 한전케이디엔주식회사 딥 러닝을 이용하여 센싱 기기의 장애를 예측하기 위한 시스템 및 그 방법
KR20210023388A (ko) 2019-08-23 2021-03-04 주식회사 화성 기계 학습을 기반으로 한 태양광 발전량 예측 시스템
CN111623497A (zh) * 2020-02-20 2020-09-04 上海朗绿建筑科技股份有限公司 一种辐射空调预冷预热方法、系统、存储介质及辐射空调
KR20230109487A (ko) 2022-01-13 2023-07-20 한국전력공사 순부하를 활용한 표준 총부하 추정 시스템 및 방법

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4694828B2 (ja) * 2004-12-17 2011-06-08 三菱電機株式会社 電力取引支援装置

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103544398A (zh) * 2013-10-30 2014-01-29 广东工业大学 一种基于回归型支持向量机确定节能效果的方法及系统
KR20150095995A (ko) * 2014-02-13 2015-08-24 주식회사 포스코아이씨티 상황인식 기반의 빌딩 에너지 관리 시스템 및 그를 이용한 빌딩 에너지 관리 방법
KR101633969B1 (ko) * 2014-02-13 2016-06-27 주식회사 포스코아이씨티 상황인식 기반의 빌딩 에너지 관리 시스템 및 그를 이용한 빌딩 에너지 관리 방법
CN106202918A (zh) * 2016-07-08 2016-12-07 东北大学 一种高炉铁水硅含量在线估计方法及系统
CN109325607A (zh) * 2017-08-01 2019-02-12 中国电力科学研究院 一种短期风电功率预测方法及系统
CN110210641A (zh) * 2018-02-28 2019-09-06 北京金风科创风电设备有限公司 用于风电场的风向预测方法及装置
CN109165797A (zh) * 2018-10-12 2019-01-08 国网宁夏电力有限公司 一种风电功率预测方法及装置
WO2021221285A1 (ko) * 2020-04-29 2021-11-04 한국산업기술대학교산학협력단 인공신경망 기반 전력시장 가격 예측 시스템
KR20220114747A (ko) * 2021-02-09 2022-08-17 씨엔씨티에너지 주식회사 가스엔진 구동에 대한 시뮬레이션 제공 방법 및 장치
KR20230022643A (ko) * 2021-08-09 2023-02-16 한국에너지기술연구원 재생 에너지량 산출 장치 및 그 방법
CN116454951A (zh) * 2023-04-28 2023-07-18 重庆跃达新能源有限公司 一种光储能控制系统及方法
CN116454951B (zh) * 2023-04-28 2023-12-05 重庆跃达新能源有限公司 一种光储能控制系统及方法

Also Published As

Publication number Publication date
KR101303470B1 (ko) 2013-09-05

Similar Documents

Publication Publication Date Title
KR101303470B1 (ko) 에너지관리시스템을 위한 예측시스템
Yin et al. Day-ahead stochastic coordinated scheduling for thermal-hydro-wind-photovoltaic systems
KR101761686B1 (ko) 머신 러닝을 이용한 태양광 발전량 실시간 예측 시스템
Gupta et al. A robust optimization based approach for microgrid operation in deregulated environment
Wang et al. Analysis of conservation voltage reduction effects based on multistage SVR and stochastic process
Zheng et al. Day-ahead optimal dispatch of an integrated energy system considering time-frequency characteristics of renewable energy source output
CN111404153B (zh) 计及可再生能源与需求响应的能量枢纽规划模型构建方法
Bendato et al. Design criteria for the optimal sizing of integrated photovoltaic-storage systems
Huo et al. Chance-constrained optimization for integrated local energy systems operation considering correlated wind generation
CN111695742B (zh) 一种综合能源系统日前调度区间优化方法、系统及设备
Sulaiman et al. Artificial neural network based day ahead load forecasting using Smart Meter data
Liu et al. Real-time corporate carbon footprint estimation methodology based on appliance identification
CN112950098A (zh) 基于综合能源系统的能源规划方法、装置及终端设备
Ghasemkhani et al. Reinforcement learning based pricing for demand response
US20220376499A1 (en) System and method for load and source forecasting for increasing electrical grid component longevity
Pradhan et al. Frequency sensitivity analysis of dynamic demand response in wind farm integrated power system
Wang et al. Multi-period energy procurement policies for smart-grid communities with deferrable demand and supplementary uncertain power supplies
Zhang et al. Enhancing economics of power systems through fast unit commitment with high time resolution
Gheouany et al. Experimental validation of multi-stage optimal energy management for a smart microgrid system under forecasting uncertainties
Roberto et al. A multi-objective optimization analysis to assess the potential economic and environmental benefits of distributed storage in district heating networks: A case study
Xie et al. Integration of intermittent resources with price-responsive loads
Carreras et al. An iterative linear programming approach to optimize costs in distributed energy systems by considering nonlinear battery inverter efficiencies
CN113644652A (zh) 一种基于用户不确定性行为的负荷调控优化系统
Lu et al. Two-stage robust scheduling and real-time load control of community microgrid with multiple uncertainties
CN113158547A (zh) 计及经济性和可靠性的区域综合能源系统优化配置方法

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20160629

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20170717

Year of fee payment: 5

FPAY Annual fee payment

Payment date: 20180730

Year of fee payment: 6

FPAY Annual fee payment

Payment date: 20190715

Year of fee payment: 7