KR20140043184A - 에너지 소비량 예측 장치 및 방법 - Google Patents

에너지 소비량 예측 장치 및 방법 Download PDF

Info

Publication number
KR20140043184A
KR20140043184A KR1020120108638A KR20120108638A KR20140043184A KR 20140043184 A KR20140043184 A KR 20140043184A KR 1020120108638 A KR1020120108638 A KR 1020120108638A KR 20120108638 A KR20120108638 A KR 20120108638A KR 20140043184 A KR20140043184 A KR 20140043184A
Authority
KR
South Korea
Prior art keywords
energy consumption
generating
data
optimal
classes
Prior art date
Application number
KR1020120108638A
Other languages
English (en)
Inventor
유재학
이병복
유윤식
방효찬
Original Assignee
한국전자통신연구원
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 한국전자통신연구원 filed Critical 한국전자통신연구원
Priority to KR1020120108638A priority Critical patent/KR20140043184A/ko
Priority to US13/916,309 priority patent/US20140095415A1/en
Publication of KR20140043184A publication Critical patent/KR20140043184A/ko

Links

Images

Classifications

    • 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
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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

Abstract

본 발명은 단일 클래스 SVM기반의 계층적 구조를 이용하여 다중 클래스를 생성하며, 생성된 다중 클래스 내 다수의 단일 클래스를 기반으로 에너지 소비량을 예측할 수 있는 장치 및 방법에 관한 것이다.
이를 위하여 본 발명의 실시 예에 에너지 소비량 예측 장치는 다수의 에너지 부하 데이터를 생성하는 장치로부터 로우 레벨 데이터를 수집하는 부하 데이터 수집부와, 수집된 로우 레벨 데이터의 속성들 중 중복되거나 임의의 평균 이하로 이용되는 속성들을 제거하여 최적 속성 집합을 생성하는 필터링 및 속성 선택부와, 최적 속성 집합 각각을 포함하는 다수의 단일 클래스를 이용하여 적어도 둘 이상 단계로 이루진 계층으로 결합된 형태의 다중 클래스를 생성하며, 생성된 다중 클래스를 기반으로 에너지 소비량 예측을 위한 학습 데이터를 생성하는 학습부와, 부하 데이터 수집부에서 실시간 로우 레벨 데이터를 수신하며, 수신된 실시간 로우 레벨 데이터와 다중 클래스 및 학습 데이터를 근거하여 에너지 소비 예측량을 산출하는 예측부를 포함할 수 있다.

Description

에너지 소비량 예측 장치 및 방법{APPARATUS AND METHOD FOR FORECASTING AN ENERGY COMSUMPTION}
본 발명은 에너지 소비량 예측에 관한 것으로서, 더욱 상세하게는 다수의 단일 클래스를 2단계 이상의 계층적 구조로 결합된 다중 클래스를 생성하며, 생성된 다중 클래스를 기반으로 한 에너지 소비량을 예측할 수 있는 장치 및 방법에 관한 것이다.
건물의 전력사용량을 관리하기 위해서는 효율적인 부하 사용이 필수적인 요소로 작용하며, 미래의 부하에 대한 예측이 중요하다. 특히 냉난방과 관련된 공조설비에 대한 사용이 큰 비중을 차지하고 있으므로, 건물의 냉난방에너지를 절감하는 것은 국가적으로 매우 중요한 과제한 과제이다. 또한 이를 위해서 기존의 터보와 흡수식 냉동기 외에 빙축열, 수축열, 지열, 지역냉방과 같은 환경 친화적이고, 에너지 절약적인 냉방시스템이 건물의 냉방에 적용되어 확산되고 있다. 이러한 냉방시스템들은 건물의 지리적 환경이나 에너지 수요 패턴에 따라 여러 장치가 조합된 형태로 구성되어 있고, 운전 전략도 다양하기 때문에 쾌적한 냉방조건과 에너지 절감을 동시에 달성하기 위한 효과적인 냉방 소비예측은 중요한 요소기술이다.
냉방량 소비 예측에 대한 종래 기술을 살펴보면, 시계열 법, 회귀 분석법, 신경 회로망법 및 뉴로-퍼지 이론까지 다양한 방법이 시도되고 있으며, 이러한 방법들은 주로 과거 냉방량 소비 실적 등이 사용된다. 보다 상세하게 소비 예측 요소로는 사용자 카테고리(category), 온도, 습도, 풍속 등의 날씨 상태요소, 최근 사용한 소비 패턴, 하루에 대한 시간적 특성, 일주일 단위, 계절적 부하사용, 특정행사에 대한 이벤트, 완만한 냉방량 사용과 급속한 전력 사용 등의 부하분포, 수요측 관리계획 등에 의해 모델링이 달라질 수 있다. 예측된 냉방 소비량을 이용하여 전력 사용을 관리 할 수 있는 시스템을 설계하기 위해서는 실제 사용되는 패턴과 같은 모델이 필요하기 때문에 보다 많은 요소를 고려해야 한다는 단점을 가지고 있다.
대한민국 공개특허공보 공개번호 10-2004-0103390호, 공개일자 2004년 12월 08일 "소비 에너지 예측 장치 및 소비 에너지 예측 방법"에는 소비 에너지의 보간 정보를 이용하여 공조기의 소비 에너지 계산하는 기술에 대해 기재되어 있다.
상기와 같은 문제점을 해결하기 위해 안출된 것으로서, 본 발명의 목적은 단일 클래스 SVM기반의 계층적 구조를 이용하여 다중 클래스를 생성하며, 생성된 다중 클래스 내 다수의 단일 클래스를 기반으로 에너지 소비량을 예측할 수 있는 장치 및 방법을 제공하는데 있다.
본 발명의 일 관점에 따르면, 본 발명의 실시 예에 에너지 소비량 예측 장치는 다수의 에너지 부하 데이터를 생성하는 장치로부터 로우 레벨 데이터를 수집하는 부하 데이터 수집부와, 상기 수집된 로우 레벨 데이터의 속성들 중 중복되거나 임의의 평균 이하로 이용되는 속성들을 제거하여 최적 속성 집합을 생성하는 필터링 및 속성 선택부와, 상기 최적 속성 집합 각각을 포함하는 다수의 단일 클래스를 이용하여 적어도 둘 이상 단계로 이루진 계층으로 결합된 형태의 다중 클래스를 생성하며, 상기 생성된 다중 클래스를 기반으로 에너지 소비량 예측을 위한 학습 데이터를 생성하는 학습부와, 상기 부하 데이터 수집부에서 실시간 로우 레벨 데이터를 수신하며, 상기 수신된 실시간 로우 레벨 데이터와 상기 다중 클래스 및 상기 학습 데이터를 근거하여 에너지 소비 예측량을 산출하는 예측부를 포함할 수 있다.
본 발명의 실시 예에 에너지 소비량 예측 장치에서 상기 필터링 및 속성 선택부는, 상기 속성들의 엔트로피, 상기 속성을 포함하는 목표 클래스와 속성들간 피어슨 상관 계수 및 최적 우선 탐색 방법을 이용한 조건부 확률을 계산하여 상기 최적 속성 집합을 생성하는 것을 특징으로 한다.
본 발명의 실시 예에 에너지 소비량 예측 장치에서 상기 필터링 및 속성 선택부는, 상기 로우 레벨 데이터에 포함된 임의의 속성에 대한 엔트로피를 계산하며, 상기 임의의 속성과 다른 속성간의 조건부 확률을 계산하며, 상기 임의의 속성과 다른 속성 각각에 대한 정보 이익을 산출하며, 상기 정보 이익을 기반으로 상기 임의의 두 속성, 상기 임의의 속성과 상기 임의의 속성을 포함하는 목표 클래스와의 분포 및 피어슨 상관 계수를 이용하여 조건부 확률 상관 관계를 산출하며, 상기 조건부 확률 상관 관계를 기반으로 다수의 부분집합을 구성하며, 상기 다수의 부분집합 각각에 대한 메리트 함수 값을 산출한 후 상기 산출된 메리트 함수 값이 가장 큰 부분집합을 최적 속성 집합을 선택하는 것을 특징으로 한다.
본 발명의 실시 예에 에너지 소비량 예측 장치에서 상기 학습부는, 단일 클래스 생성을 위한 SVDD를 기반으로 상기 다중 클래스를 생성하는 것을 특징으로 한다.
본 발명의 실시 예에 에너지 소비량 예측 장치에서 상기 학습부는, 서로 독립되도록 결정 경계면을 갖는 상기 다중 클래스를 생성하는 것을 특징으로 한다.
본 발명의 실시 예에 에너지 소비량 예측 장치는 상기 실시간 로우 레벨 데이터를 상기 최적 속성 집합을 이용하여 필터링하는 필터링부를 더 포함하며, 상기 예측부는, 상기 필터링된 데이터와 상기 학습 정보를 기반으로 상기 에너지 소비량을 예측하는 것을 특징으로 한다.
본 발명의 다른 측면에 따르면, 본 발명의 실시 예에 에너지 소비량 예측 방법은 다수의 에너지 부하 데이터를 생성하는 장치로부터 기 설정된 시간 동안의 로우 레벨 데이터를 수집하는 단계와, 상기 수집된 로우 레벨 데이터의 속성들 중 중복되거나 임의의 평균 이하로 이용되는 속성들을 제거하여 최적 속성 집합을 생성하는 단계와, 상기 최적 속성 집합 각각을 포함하는 다수의 단일 클래스를 생성하는 단계와, 상기 다수의 단일 클래스를 적어도 둘 이상 단계로 이루진 계층으로 결합시켜 다중 클래스를 생성하는 단계와, 상기 생성된 다중 클래스를 기반으로 냉방향 예측을 위한 학습 정보를 생성하는 단계를 포함할 수 있다.
본 발명의 실시 예에 에너지 소비량 예측 방법에서 상기 최적 속성 집합을 생성하는 단계는, 상기 로우 레벨 데이터에 포함된 임의의 속성에 대한 엔트로피를 계산하는 단계와, 상기 임의의 속성과 다른 속성간의 조건부 확률을 계산하는 단계와, 상기 임의의 속성과 다른 속성 각각에 대한 정보 이익을 산출하는 단계와, 상기 정보 이익을 기반으로 상기 임의의 두 속성, 상기 임의의 속성과 상기 임의의 속성을 포함하는 목표 클래스와의 분포 및 피어슨 상관 계수를 이용하여 조건부 확률 상관 관계를 산출하는 단계와, 상기 조건부 확률 상관 관계를 기반으로 다수의 부분집합을 구성하는 단계와, 상기 다수의 부분집합 각각에 대한 메리트 함수 값을 산출한 후 상기 산출된 메리트 함수 값이 가장 큰 부분집합을 최적 속성 집합을 선택하는 단계를 포함할 수 있다.
본 발명의 실시 예에 에너지 소비량 예측 방법에서 상기 다수의 단일 클래스를 생성하는 단계는, 상기 다수의 단일 클래스 각각이 서로 독립되도록 상기 다수의 단일 클래스 각각의 결정 경계면을 생성하는 단계와, 상기 최적 속성 집합이 포함된 구체 크기를 계산하는 단계와, 상기 계산된 구체 크기와 상기 결정 경계면을 기반으로 상기 다수의 단일 클래스를 생성하는 단계를 포함할 수 있다.
본 발명의 실시 예에 에너지 소비량 예측 방법은 실시간 로우 레벨 데이터를 수신하는 단계와, 상기 최적 속성 집합을 이용하여 상기 실시간 로우 데이터를 필터링하는 단계와, 상기 필터링된 데이터와 상기 학습 정보를 기반으로 상기 에너지 소비량을 예측하는 것을 특징으로 한다.
본 발명에 따르면, 종래의 에너지 소비량 사용 예측 등에 적극 활용된 통계적 방법의 대표적인 회귀분석 기반의 실제 에너지 소비량과 예측 에너지 소비량 사이의 오차범위 값만을 제공하는 것과 달리 단일 클래스를2단계 이상의 계층적 구조로 에너지 소비량의 사용 예측을 실시간으로 수행함으로써, 클래스별 에너지 소비량 예측이 가능한 장점이 있다.
또한, 본 발명에 따르면, 월, 주, 요일, 시간대별, 상세시간 등의 단계를 계층적으로 정의하고 에너지 소비량을 관리함으로써 추상화 정도(level of abstraction)에 따른 분석 및 예측이 가능한 장점이 있다.
본 발명은 다수의 클래스가 계층적으로 결합된 형태로 에너지 소비량을 예측함으로써, 새로운 계층 또는 새로운 계층에서의 새로운 클래스가 추가되더라도 전체 시스템을 재학습 시킬 필요 없이 새롭게 추가된 해당 클래스만 학습하기 때문에 에너지 소비량 예측 시스템의 점증적 갱신 및 확장성에서도 기여할 수 있다.
도 1은 본 발명의 실시 예에 따른 실시간 냉방량 사용 예측 시스템을 도시한 블록도,
도 2는 본 발명의 실시 예에 따른 냉방량 예측 장치에 정보를 제공하기 위한 개념도,
도 3은 본 발명의 실시 예에 따른 단일 클래스 SVDD를 2단계의 계층적으로 결합한 다중 클래스의 예시도이다
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시 예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시 예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
본 발명의 실시 예들을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 그리고 후술되는 용어들은 본 발명의 실시 예에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
이하, 첨부된 도면을 참조하여 다중 클래스 기반으로 에너지 소비량을 예측할 수 있는 장치 및 방법에 대해 설명한다. 특히, 본 발명의 실시 예에서는 에너지 소비량 중 냉방량 사용 예측을 위한 장치 및 방법에 대해 설명하기로 한다.
도 1은 본 발명의 실시 예에 따른 실시간 냉방량 사용 예측을 위한 장치 및 그 주변 구성을 도시한 블록도로서, 냉방량 예측 장치(100) 및 냉방량 데이터 생성 장치(150)으로 구성될 수 있다. 여기에서, 냉방량 데이터 생성 장치(150)는 냉방량에 관련된 로우 레벨 데이터를 생성한 후 이를 냉방량 예측 장치(100)에 제공할 수 있다.
도 1에 도시된 바와 같이, 냉방량 예측 장치(100)는 크게 학습 처리부(110), 냉방량 예측부(120)로 구성될 수 있다. 여기에서, 학습 처리부(110)는 필터링 및 속성 선택 모듈(filtering and attribute selection, 112) 및 다중 클래스 SVDD 학습 모듈(multi-class SVDD training, 114)을 포함하며, 냉방량 예측부(120)는 부하 데이터 수집 모듈(load data collection, 122), 필터링 모듈(filtering, 124), 냉방량 예측 모듈(cooling load forecasting, 126)을 포함할 수 있다.
부하 데이터 수집 모듈(122)는 실시간으로 생성되는 로우 레벨 데이터 중 냉방량 관련 데이터를 저장하는 수단으로써, 그 예로서 하드디스크와 같은 스토리지를 들 수 있다.
또한, 부하 데이터 수집 모듈(122)는 로우 레벨 데이터를 필터링 및 속성 선택 모듈(112) 및 냉방량 예측 모듈(126)에 전달해준다.
필터링 및 속성 선택 모듈(112)은 냉방향 예측 및 분석을 위한 로우 레벨 데이터(low level data) 중 중복된 성질을 갖거나 예측의 성능에 저해되는 데이터들을 사전에 제거하며, 이를 통해 냉방량 예측을 위해 최적의 속성들만을 선택할 수 있다. 여기에서, 예측의 성능에 저해되는 데이터는 기 정의되어 있거나, 기 설정된 평균 이하로 사용되는 데이터일 수 있다.
즉, 필터링 및 속성 선택 모듈(112)은 데이터들 사전에 제거함으로써, 데이터의 차원을 줄일 수 있기 때문에 냉방향 예측 및 분류를 위한 수행 시간을 단축시킬 수 있을 뿐만 아니라 예측 성능을 향상시킬 수 있다. 이러한 필터링 및 속성 선택 모듈(112)은 최초의 속성 집합(D), 즉 로우 레벨 데이터에서 거의 사용되지 않거나 중복된 성질을 갖는 속성이 제거된 속성 부분 집합(d)을 찾는 것이다.
본 발명의 실시 예에서는 속성 부분 집합을 선택하는 방법 중 그 성능이 검증된 "Correlation-based feature selection for machine learning", PhD Diss. Department of Computer Science, Waikato University, Hamilton, NZ, 1998."을 사용하였으나, 이에 한정하지는 않는다.
본 발명의 실시 예에서 사용되는 방법은 최적우선탐색(best first search) 방법과 속성(attribute or feature) 값 에 대한 엔트로피, 속성 Y을 포함하는 목표 클래스와 속성들간의 피어슨 상관 계수(Pearson's correlation coefficient)를 이용한 조건부 확률을 계산하여 전체 속성들의 확률 분포도를 가능한 가깝게 표현할 수 있는 최소 개수의 속성 집합, 즉 최적 속성 집합을 찾는 방법이다. 먼저 로우 레벨 데이터에 포함된 각각의 속성들에 대한 정보 이익(information gain)을 얻기 위해 임의의 속성 에 대한 엔트로피를 아래의 수학식 1로 계산한다.
Figure pat00001
임의의 속성
Figure pat00002
와
Figure pat00003
사이의 관계는
Figure pat00004
가 주어졌을 때
Figure pat00005
가 발생하는 조건부 확률로써 아래의 수학식 2로 계산된다.
Figure pat00006
각 속성에 대한 정보 이익은 상기의 수학식 1과 2를 이용하여 수학식 3으로 정의될 수 있다.
Figure pat00007
상기의 수학식 3에서 얻은 정보이익을 기반으로 아래의 수학식 4와 같은 symmetrical uncertainty를 이용하여 임의의 두 속성
Figure pat00008
와
Figure pat00009
그리고 임의의 속성
Figure pat00010
Figure pat00011
와 목표 클래스와의 분포 및 피어슨 상관 계수를 이용한 조건부 확률 상관 관계를 계산한다. 이때 속성
Figure pat00012
를 기준으로
Figure pat00013
가 높은 분포와 상관관계를 보이면 전체 속성들을 효율적으로 표현할 수 있는 부분집합에 속성
Figure pat00014
는 포함되지만
Figure pat00015
는 포함되지 않는다. 마찬가지로 목표 클래스와 속성들 간의 분포와 상관관계를 계산하여 부분집합을 구성한다.
Figure pat00016
각각의
Figure pat00017
부분집합 가 전체 속성들을 얼마나 효율적으로 표현하는지를 평가하기 위하여 아래의 수학식 5와 같은 메리트 함수(merit function)를 사용한다.
Figure pat00018
여기서, 상기의 수학식 5에서
Figure pat00019
는 부분집합
Figure pat00020
에서의 속성들의 개수를 의미하며,
Figure pat00021
는
Figure pat00022
에 포함된 속성의 평균 분포(contribution),
Figure pat00023
는 속성의 평균 상관관계 값이다.
또한, 상기의 수학식 5에서 메리트 함수의 값이 가장 큰 부분집합이 전체 속성들을 최적으로 표현할 수 있는 부분 집합으로 결정하며, 결정된 부분 집합은 최적 속성 집합으로 결정된다.
상기와 같은 과정을 통해 결정된 최적 속성 집합은 필터링 모듈(124), 냉방량 예측 모듈(126) 및 학습 모듈(114)에 제공된다.
학습 모듈(114)은 최적 속성 집합을 포함하는 다수의 단일 클래스를 적어도 둘 이상의 계층으로 결합된 형태의 다중 클래스를 생성하며, 생성된 다중 클래스를 기반으로 냉방향 예측을 위한 학습 데이터를 생성할 수 있다.
계층적으로 결합된 행태의 다중 클래스에 대해 도 2및 도 3을 참조하여 설명하면 아래와 같다.
도 2는 본 발명의 실시 예에 따른 냉방량 예측 장치에 정보를 제공하기 위한 개념도이며, 도 3은 본 발명의 실시 예에 따른 단일 클래스 SVDD를 2단계의 계층적으로 결합한 다중 클래스의 예시도이다.
도 2에 도시된 바와 같이, 각각의 건물에 대한 년도별, 월별, 주별, 시간별 전력 사용에 대한 분석 및 예측 정보를 제공하기 위한 개념도이다. 즉, 관리자 냉방량 예측 및 분석 목적에 따라 다양한 레벨, 예컨대 년도별, 월별, 주별 등에 따라 상세한 정보를 제공할 수 있다. 도 2에 도시된 개념 계층의 레벨별 구조는 예시일 뿐, 상세한 확장과 통합 등의 구조를 내포할 수 있다.
도 3에서는 단일 클래스 SVDD(Support Vector Data Description, 이하, 'SVDD'라고 함)를 2단계 계층으로 결합한 SVDD 기반의 계층적 냉방량 예측 구조가 나타낸다. 이러한 계층적 냉방량 예측 구조에서 첫번째 계층에서는 하루 중 냉방량 소비가 가장 많은 오전 9시부터 저녁 6:59분까지의 시간을 오전(9:00~11:59), 정오(12:00~15:59), 오후 또는 저녁(16:00~18:59)의 3개의 클래스로 구분하여 냉방량 사용을 예측하는 계층이다. 두 번째 계층은 09:00시부터 18:59분까지를 1시간 단위로 구분하여 시간대별 냉방량 사용을 예측하여 보다 세부적인 냉방량 예측을 지원하는 계층이다.
이러한 학습 모듈(114)은 다중 클래스를 생성할 때 단일 클래스만을 독립적으로 표현하는 결정 경계면을 갖는 단일 클래스들을 이용하여 다중 클래스를 생성한다. 예를 들어, 학습 모듈(114)은 해당 단일 클래스만을 독립적으로 표현하는 "one-class SVM"로 결정 경계면을 선택하며, 단일 클래스 SVM(Support Vector Machine, 이하, 'SVM'이라고 함) 생성을 위한 SVDD를 기반으로 다중 클래스 SVM을 생성할 수 있다.
이러한 다중 클래스 SVM을 생성하는 과정에서 각 단일 클래스를 분류하기 위해 학습 모듈(114) 내에는 분류기(114a)를 구비할 수 있다.
이러한 분류기(114a)는 각 단일 클래스의 학습 데이터를 포함하면서 체적을 최소화하는 구체를 정의하여 각 단일 클래스를 생성할 수 있다. 이에 대해 설명하면 아래와 같다.
Figure pat00024
-차원의 입력공간상에 존재하는
Figure pat00025
-개의 데이터의 집합
Figure pat00026
Figure pat00027
이 주어졌을 경우, 각각의 단일 클래스를 분류하기 위한 분류기(112a)는 각 단일 클래스의 학습 데이터를 포함하면서 체적을 최소화하는 구체(sphere)를 구하는 문제로 정의되며, 다음의 최적화 문제를 통하여 아래의 수학식 6과 같이 표현될 수 있다.
Figure pat00028
상기의 수학식 6에서,
Figure pat00029
는
Figure pat00030
-번째 클래스를 표현하는 구체의 중심이며,
Figure pat00031
은 구체의 반경의 제곱,
Figure pat00032
는
Figure pat00033
-번째의 클래스에 속한
Figure pat00034
-번째 학습 데이터 가 구체에서 벗어나는 정도를 나타내는 벌점 항이며,
Figure pat00035
는 상대적 중요성을 조정하는 상수(trade-off constant)이다.
상기의 수학식 6에 관한 쌍대 문제(dual problem)를 구하기 위하여 아래의 수학식 7과 같은 라그랑제 함수(Lagrange function)
Figure pat00036
을 도입한다.
Figure pat00037
상기의 수학식 7에서
Figure pat00038
변수에 대해서는 최소값을 변수
Figure pat00039
,
Figure pat00040
에 대해서는 최대값을 가져야함으로, 아래의 수학식 8과 같은 조건식을 만족해야 한다.
Figure pat00041
상기의 수학식 8을 수학식 7의 라그랑제 함수
Figure pat00042
에 대입하면, 아래의 수학식 9와 같은 쌍대 문제를 얻는다.
Figure pat00043
입력 공간위에서 정의되는 구체는 매우 간단한 형태의 영역만을 나타낼 수 있다. 이러한 한계를 극복하기 위하여 커널 함수(kernel fuction)
Figure pat00044
를 통하여 정의되는 고차원의 특징 공간(feature space)
Figure pat00045
위에서 정의되는 구체를 사용하는 방향으로 확장될 수 있다. 각각의 클래스는 각자의 특징공간에서 자신의 경계를 보다 정확하게 표현할 수 있으므로, 시스템의 학습은 각각의 클래스들이 매핑되는 특징공간의 독립성을 고려하여 아래의 수학식 10에 해당되는 convex QP(quadratic problem) 문제의 해답을 얻음으로써 이루어진다.
Figure pat00046
특히 가우시안 커널(Gaussian kernel)을 사용할 경우,
Figure pat00047
이 성립하기 때문에, 상기의 수학식 10은 아래의 수학식 11과 같이 단순화될 수 있다.
Figure pat00048
학습 종료 후 적용 과정에서, 각각 클래스의 결정함수는 아래의 수학식 12와 같이 정의될 수 있다.
Figure pat00049
서로 다른 특징 공간상에서 정의되는 단일 SVM의 출력
Figure pat00050
값은 각 클래스의 특징 공간상의 경계로부터 해당 테스트 데이터와의 절대 거리를 의미함으로, 서로 다른 특징 공간상의 절대거리를 비교하여 소속 클래스를 결정하는 것은 바람직하지 않다.
따라서 특징 공간상의 절대거리
Figure pat00051
를 특징 공간상에서 정의되는 구형체의 반경
Figure pat00052
로 나눔으로써 상대적 거리
Figure pat00053
를 계산하고, 상대거리가 가장 큰 클래스를 입력 데이터
Figure pat00054
의 소속 클래스로 결정한다. 즉, 아래의 수학식 13을 토대로 입력 데이터x의 소속 클래스를 결정할 수 있다.
Figure pat00055
학습 모듈(114)은 분류기(114a)를 이용하여 상기의 수학식 13을 기반으로 입력 데이터 각각에 대한 소속 클래스를 결정하며, 결정된 소속 클래스를 계층적으로 연결하여 다중 클래스를 생성할 수 있다.
또한, 학습 모듈(114)은 다중 클래스를 기반으로 냉방량 예측을 위한 학습 정보를 생성한 후 이를 냉방량 예측 모듈(126)에 제공할 수 있다. 즉, 학습 모듈(114)은 단일 클래스별 학습 정보를 생성한 후 이를 냉방량 예측 모듈(126)에 제공할 수 있다.
필터링 모듈(124)은 필터링 및 속성 선택 모듈(112)으로부터 제공받은 최적 속성 집합을 기반으로 로우 레벨 데이터를 필터링한 후 필터링된 데이터를 실시간으로 냉방량 예측 모듈(126)에 제공할 수 있다.
냉방량 예측 모듈(126)은 학습 모듈(114)로부터 제공받은 학습 정보를 기반으로 실시간 냉방향을 예측한다. 즉, 냉방량 예측 모듈(126)은 단일 클래스별 학습 정보와 필터링된 데이터를 이용하여 해당 클래스에 대한 냉방 소비량을 예측할 수 있다.
본 발명의 실시 예에서는 냉방량을 예로 들어 설명하였지만, 냉방량뿐만 아니라 전기 사용량, 수도 사용량, 난방 에너지 등과 같은 다양한 에너지 소비량 예측에 사용될 수 있다.
상술한 바와 같은 본 발명의 실시 예에 따른 냉방량 예측 장치(100)는 종래의 냉방량 사용 예측 등에 적극 활용된 통계적 방법의 대표적인 회귀분석 기반의 실제 냉방량과 예측 냉방량 사이의 오차범위 값만을 제공하는 것과 달리 단일 클래스를2단계 이상의 계층적 구조로 냉방량 사용 예측을 실시간으로 수행함으로써, 클래스별 냉방량 예측이 가능하다.
또한, 본 발명의 실시 예에 따른 냉방량 예측 장치(100)는 월, 주, 요일, 시간대별, 상세시간 등의 단계를 계층적으로 정의하고 냉방량을 관리함으로써 추상화 정도(level of abstraction)에 따른 분석 및 예측이 가능하다.
본 발명의 실시 예에 따른 냉방량 예측 장치(100)는 새로운 계층 또는 계층에서의 새로운 클래스가 추가되더라도 전체 시스템을 재학습 시킬 필요 없이 새롭게 추가된 해당 클래스만 학습하기 때문에 냉방량 예측 시스템의 점증적 갱신 및 확장성에서도 기여할 수 있다.
한편 상술한 본 발명의 설명에서는 구체적인 실시 예에 관해 설명하였으나, 여러 가지 변형이 본 발명의 범위에서 벗어나지 않고 실시될 수 있다. 따라서 발명의 범위는 설명된 실시 예에 의하여 정할 것이 아니고 특허청구범위에 의해 정하여져야 한다.
100 : 냉방량 예측 장치
110 : 학습 처리부
112 : 필터링 및 속성 선택 모듈
114 : 학습 모듈
114a : 분류기
120 : 냉방량 예측부
122 : 부하 데이터 수집 모듈
124 : 필터링 모듈
126 : 냉방량 예측 모듈

Claims (10)

  1. 다수의 에너지 부하 데이터를 생성하는 장치로부터 로우 레벨 데이터를 수집하는 부하 데이터 수집부와,
    상기 수집된 로우 레벨 데이터의 속성들 중 중복되거나 임의의 평균 이하로 이용되는 속성들을 제거하여 최적 속성 집합을 생성하는 필터링 및 속성 선택부와,
    상기 최적 속성 집합 각각을 포함하는 다수의 단일 클래스를 이용하여 적어도 둘 이상 단계로 이루진 계층으로 결합된 형태의 다중 클래스를 생성하며, 상기 생성된 다중 클래스를 기반으로 에너지 소비량 예측을 위한 학습 데이터를 생성하는 학습부와,
    상기 부하 데이터 수집부에서 실시간 로우 레벨 데이터를 수신하며, 상기 수신된 실시간 로우 레벨 데이터와 상기 다중 클래스 및 상기 학습 데이터를 근거하여 에너지 소비 예측량을 산출하는 예측부를 포함하는
    에너지 소비량 예측 장치.
  2. 제 1 항에 있어서,
    상기 필터링 및 속성 선택부는,
    상기 속성들의 엔트로피, 상기 속성을 포함하는 목표 클래스와 속성들간 피어슨 상관 계수 및 최적 우선 탐색 방법을 이용한 조건부 확률을 계산하여 상기 최적 속성 집합을 생성하는 것을 특징으로 하는
    에너지 소비량 예측 장치.
  3. 제 1 항에 있어서,
    상기 필터링 및 속성 선택부는,
    상기 로우 레벨 데이터에 포함된 임의의 속성에 대한 엔트로피를 계산하며,
    상기 임의의 속성과 다른 속성간의 조건부 확률을 계산하며,
    상기 임의의 속성과 다른 속성 각각에 대한 정보 이익을 산출하며,
    상기 정보 이익을 기반으로 상기 임의의 두 속성, 상기 임의의 속성과 상기 임의의 속성을 포함하는 목표 클래스와의 분포 및 피어슨 상관 계수를 이용하여 조건부 확률 상관 관계를 산출하며,
    상기 조건부 확률 상관 관계를 기반으로 다수의 부분집합을 구성하며,
    상기 다수의 부분집합 각각에 대한 메리트 함수 값을 산출한 후 상기 산출된 메리트 함수 값이 가장 큰 부분집합을 최적 속성 집합을 선택하는 것을 특징으로 하는
    에너지 소비량 예측 장치.
  4. 제 1 항에 있어서,
    상기 학습부는,
    단일 클래스 생성을 위한 SVDD를 기반으로 상기 다중 클래스를 생성하는 것을 특징으로 하는
    에너지 소비량 예측 장치.
  5. 제 1 항에 있어서,
    상기 학습부는,
    서로 독립되도록 결정 경계면을 갖는 상기 다중 클래스를 생성하는 것을 특징으로 하는
    에너지 소비량 예측 장치.
  6. 제 1 항에 있어서,
    상기 실시간 로우 레벨 데이터를 상기 최적 속성 집합을 이용하여 필터링하는 필터링부를 더 포함하며,
    상기 예측부는,
    상기 필터링된 데이터와 상기 학습 정보를 기반으로 상기 에너지 소비량을 예측하는 것을 특징으로 하는
    에너지 소비량 예측 장치.
  7. 다수의 에너지 부하 데이터를 생성하는 장치로부터 기 설정된 시간 동안의 로우 레벨 데이터를 수집하는 단계와,
    상기 수집된 로우 레벨 데이터의 속성들 중 중복되거나 임의의 평균 이하로 이용되는 속성들을 제거하여 최적 속성 집합을 생성하는 단계와,
    상기 최적 속성 집합 각각을 포함하는 다수의 단일 클래스를 생성하는 단계와,
    상기 다수의 단일 클래스를 적어도 둘 이상 단계로 이루진 계층으로 결합시켜 다중 클래스를 생성하는 단계와,
    상기 생성된 다중 클래스를 기반으로 냉방향 예측을 위한 학습 정보를 생성하는 단계를 포함하는
    에너지 소비량 예측 방법.
  8. 제 7 항에 있어서,
    상기 최적 속성 집합을 생성하는 단계는,
    상기 로우 레벨 데이터에 포함된 임의의 속성에 대한 엔트로피를 계산하는 단계와,
    상기 임의의 속성과 다른 속성간의 조건부 확률을 계산하는 단계와,
    상기 임의의 속성과 다른 속성 각각에 대한 정보 이익을 산출하는 단계와,
    상기 정보 이익을 기반으로 상기 임의의 두 속성, 상기 임의의 속성과 상기 임의의 속성을 포함하는 목표 클래스와의 분포 및 피어슨 상관 계수를 이용하여 조건부 확률 상관 관계를 산출하는 단계와,
    상기 조건부 확률 상관 관계를 기반으로 다수의 부분집합을 구성하는 단계와,
    상기 다수의 부분집합 각각에 대한 메리트 함수 값을 산출한 후 상기 산출된 메리트 함수 값이 가장 큰 부분집합을 최적 속성 집합을 선택하는 단계를 포함하는
    에너지 소비량 예측 방법.
  9. 제 7 항에 있어서,
    상기 다수의 단일 클래스를 생성하는 단계는,
    상기 다수의 단일 클래스 각각이 서로 독립되도록 상기 다수의 단일 클래스 각각의 결정 경계면을 생성하는 단계와,
    상기 최적 속성 집합이 포함된 구체 크기를 계산하는 단계와,
    상기 계산된 구체 크기와 상기 결정 경계면을 기반으로 상기 다수의 단일 클래스를 생성하는 단계를 포함하는
    에너지 소비량 예측 방법.
  10. 제 7 항에 있어서,
    실시간 로우 레벨 데이터를 수신하는 단계와,
    상기 최적 속성 집합을 이용하여 상기 실시간 로우 데이터를 필터링하는 단계와,
    상기 필터링된 데이터와 상기 학습 정보를 기반으로 상기 에너지 소비량을 예측하는 것을 특징으로 하는
    에너지 소비량 예측 방법.
KR1020120108638A 2012-09-28 2012-09-28 에너지 소비량 예측 장치 및 방법 KR20140043184A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020120108638A KR20140043184A (ko) 2012-09-28 2012-09-28 에너지 소비량 예측 장치 및 방법
US13/916,309 US20140095415A1 (en) 2012-09-28 2013-06-12 Apparatus and method for forecasting energy consumption

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020120108638A KR20140043184A (ko) 2012-09-28 2012-09-28 에너지 소비량 예측 장치 및 방법

Publications (1)

Publication Number Publication Date
KR20140043184A true KR20140043184A (ko) 2014-04-08

Family

ID=50386160

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020120108638A KR20140043184A (ko) 2012-09-28 2012-09-28 에너지 소비량 예측 장치 및 방법

Country Status (2)

Country Link
US (1) US20140095415A1 (ko)
KR (1) KR20140043184A (ko)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101598979B1 (ko) * 2014-10-07 2016-03-02 주식회사 인코어드 테크놀로지스 온도에 따른 전기 사용량 추정 방법 및 장치
CN108416467A (zh) * 2018-02-06 2018-08-17 新奥泛能网络科技股份有限公司 多业态建筑供能起止时间不同时负荷的预测方法及装置
CN111401658A (zh) * 2020-04-08 2020-07-10 西安建筑科技大学 一种基于建筑空间单元的并行冷负荷预测方法
KR20200103193A (ko) * 2019-02-15 2020-09-02 성균관대학교산학협력단 심층 구조를 이용한 전력 수요 예측 방법 및 장치
KR20210026447A (ko) * 2019-08-30 2021-03-10 한국전력공사 심층 신경망 기반 전력 수요 예측 장치 및 방법

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9773210B2 (en) * 2013-11-08 2017-09-26 Electronics And Telecommunications Research Institute System and method for providing information
CN104376368A (zh) * 2014-08-19 2015-02-25 上海交通大学 一种基于频域分解的风力发电短期负荷预测方法及装置
US10394266B2 (en) * 2015-08-26 2019-08-27 International Business Machines Corporation Energy consumption assessment
CN106250905B (zh) * 2016-07-08 2020-05-12 复旦大学 一种结合高校建筑结构特征的实时能耗异常检测方法
CN107910864A (zh) * 2017-10-11 2018-04-13 长沙理工大学 一种基于信息粒化和支持向量机的220kV母线等效负荷波动预测方法
CN108122173A (zh) * 2017-12-20 2018-06-05 国家电网公司 一种基于深度信念网络的多行业负荷预测方法
CN108171379B (zh) * 2017-12-28 2021-12-17 无锡英臻科技有限公司 一种用电负荷预测方法
CN108665104A (zh) * 2018-05-14 2018-10-16 华际卫星通信有限公司 一种基于lstm的渔场预报方法
CN108921322A (zh) * 2018-05-25 2018-11-30 广东电网有限责任公司电力调度控制中心 一种基于实时电价的超短期节点负荷预测方法及系统
CN108985508B (zh) * 2018-07-05 2020-08-14 国网山东省电力公司经济技术研究院 一种计及源荷协同的节点负荷预测方法
CN108920863B (zh) * 2018-07-20 2021-02-09 湖南大学 一种机器人伺服系统能耗估计模型的建立方法
CN109685252B (zh) * 2018-11-30 2023-04-07 西安工程大学 基于循环神经网络和多任务学习模型的建筑能耗预测方法
JP2022510667A (ja) * 2018-12-12 2022-01-27 ヤンジョン・インテリジェント・エレクトリカル・インスティテュート，ノース・チャイナ・エレクトリック・パワー・ユニバーシティ エネルギー消費量を予測するための方法および装置
CN109784534A (zh) * 2018-12-13 2019-05-21 华电电力科学研究院有限公司 一种酒店宾馆冷负荷预测方法
CN110210679A (zh) * 2019-06-10 2019-09-06 国家电网有限公司 一种应用于县级配电网规划的负荷预测系统
CN113223040A (zh) * 2021-05-17 2021-08-06 中国农业大学 基于遥感的香蕉估产方法、装置、电子设备和存储介质
KR102615485B1 (ko) * 2022-07-06 2023-12-19 재단법인 녹색에너지연구원 디지털트윈 기반 마이크로그리드 운영 방법
CN117235480B (zh) * 2023-11-16 2024-02-13 深圳市吾股大数据科技有限公司 基于大数据实现数据加工下的筛选方法及系统

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5274571A (en) * 1991-05-20 1993-12-28 The Fleming Group Energy storage scheduling system
JP2005108230A (ja) * 2003-09-25 2005-04-21 Ricoh Co Ltd オーディオ／ビデオコンテンツ認識・処理機能内蔵印刷システム
US9135401B2 (en) * 2007-08-02 2015-09-15 Siemens Medical Solutions Usa, Inc. Information-theoretic view of the scheduling problem in whole-body computer aided detection/diagnosis (CAD)
JP5647602B2 (ja) * 2009-04-27 2015-01-07 パナソニック インテレクチュアル プロパティ コーポレーション オブアメリカＰａｎａｓｏｎｉｃ Ｉｎｔｅｌｌｅｃｔｕａｌ Ｐｒｏｐｅｒｔｙ Ｃｏｒｐｏｒａｔｉｏｎ ｏｆ Ａｍｅｒｉｃａ データ処理装置、データ処理方法、プログラム、及び集積回路
US8855830B2 (en) * 2009-08-21 2014-10-07 Allure Energy, Inc. Energy management system and method
US8554473B2 (en) * 2011-04-25 2013-10-08 Navteq B.V. Energy efficient routing using an impedance factor
US20120323382A1 (en) * 2011-06-15 2012-12-20 Expanergy, Llc Systems and methods to assess and optimize energy usage for a facility
US8867908B2 (en) * 2011-08-31 2014-10-21 General Electric Company Self-programming water heater
JP2015527764A (ja) * 2012-06-08 2015-09-17 ノキア コーポレイション マルチ・フレーム画像キャリブレータ
US9207698B2 (en) * 2012-06-20 2015-12-08 Causam Energy, Inc. Method and apparatus for actively managing electric power over an electric power grid
US8768795B2 (en) * 2012-09-12 2014-07-01 General Electric Company Methods and systems for estimating recoverable utility revenue
US20140270347A1 (en) * 2013-03-13 2014-09-18 Sharp Laboratories Of America, Inc. Hierarchical image classification system

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101598979B1 (ko) * 2014-10-07 2016-03-02 주식회사 인코어드 테크놀로지스 온도에 따른 전기 사용량 추정 방법 및 장치
CN108416467A (zh) * 2018-02-06 2018-08-17 新奥泛能网络科技股份有限公司 多业态建筑供能起止时间不同时负荷的预测方法及装置
KR20200103193A (ko) * 2019-02-15 2020-09-02 성균관대학교산학협력단 심층 구조를 이용한 전력 수요 예측 방법 및 장치
KR20210026447A (ko) * 2019-08-30 2021-03-10 한국전력공사 심층 신경망 기반 전력 수요 예측 장치 및 방법
CN111401658A (zh) * 2020-04-08 2020-07-10 西安建筑科技大学 一种基于建筑空间单元的并行冷负荷预测方法
CN111401658B (zh) * 2020-04-08 2022-07-19 西安建筑科技大学 一种基于建筑空间单元的并行冷负荷预测方法

Also Published As

Publication number Publication date
US20140095415A1 (en) 2014-04-03

Similar Documents

Publication Publication Date Title
KR20140043184A (ko) 에너지 소비량 예측 장치 및 방법
Ali et al. A data-driven approach for multi-scale GIS-based building energy modeling for analysis, planning and support decision making
Chou et al. Hybrid machine learning system to forecast electricity consumption of smart grid-based air conditioners
Goudarzi et al. Predictive modelling of building energy consumption based on a hybrid nature-inspired optimization algorithm
Tabrizchi et al. Estimates of residential building energy consumption using a multi-verse optimizer-based support vector machine with k-fold cross-validation
Do et al. Residential building energy consumption: a review of energy data availability, characteristics, and energy performance prediction methods
Wang et al. Event-driven optimal control of central air-conditioning systems: Event-space establishment
Ghimire et al. Optimal reservoir operation for hydropower production using particle swarm optimization and sustainability analysis of hydropower
CN115796393B (zh) 基于多能互动的能源网管理优化方法、系统及存储介质
Šikšnys et al. Dependency-based flexoffers: scalable management of flexible loads with dependencies
Shaikh et al. A new approach to seasonal energy consumption forecasting using temporal convolutional networks
Ahmad et al. Novel deep regression and stump tree-based ensemble models for real-time load demand planning and management
CN115048557A (zh) 一种基于人工智能的车辆数据处理方法和装置
Yu et al. Estimating power demand shaving capacity of buildings on an urban scale using extracted demand response profiles through machine learning models
Kannan et al. Artificial intelligence based air conditioner energy saving using a novel preference map
Fakhar et al. A survey of smart home energy conservation techniques
Sapnken et al. Modeling energy-efficient building loads using machine-learning algorithms for the design phase
Olaru et al. Electricity production and consumption modeling through fuzzy logic
Nasiri et al. Data analytics and information technologies for smart energy storage systems: A state-of-the-art review
Choi et al. Diagnosis of building energy consumption in the 2012 CBECS data using heterogeneous effect of energy variables: A recursive partitioning approach
Sina et al. An accurate hybrid approach for electric short-term load forecasting
Acquaviva et al. Enhancing Energy Awareness Through the Analysis of Thermal Energy Consumption.
CN111144628A (zh) 一种分布式供能的冷热电负荷预测模型系统及方法
Liu et al. An inexact stochastic–fuzzy jointed chance-constrained programming for regional energy system management under uncertainty
Yang et al. A big-data-based urban flood defense decision support system

Legal Events

Date Code Title Description
WITN Application deemed withdrawn, e.g. because no request for examination was filed or no examination fee was paid