KR20150009375A - 전력 사용량 예측 방법 및 그 장치 - Google Patents

전력 사용량 예측 방법 및 그 장치 Download PDF

Info

Publication number
KR20150009375A
KR20150009375A KR20130083792A KR20130083792A KR20150009375A KR 20150009375 A KR20150009375 A KR 20150009375A KR 20130083792 A KR20130083792 A KR 20130083792A KR 20130083792 A KR20130083792 A KR 20130083792A KR 20150009375 A KR20150009375 A KR 20150009375A
Authority
KR
South Korea
Prior art keywords
prediction
power consumption
input data
predicting
usage
Prior art date
Application number
KR20130083792A
Other languages
English (en)
Inventor
박종준
김현학
허태욱
고정길
유승목
김내수
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 KR20130083792A priority Critical patent/KR20150009375A/ko
Priority to US14/332,968 priority patent/US20150026109A1/en
Publication of KR20150009375A publication Critical patent/KR20150009375A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R22/00—Arrangements for measuring time integral of electric power or current, e.g. electricity meters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

전력 사용량을 예측하기 위하여, 실제 사용량인 이전 사용량, 이전 예측 사용량과 이전 사용량의 오차를 제1 입력 데이터로 획득하고, 제1 입력 데이터를 적어도 둘 이상의 예측 기법에 각각 적용하여, 각 예측 기법별로 전력 사용량 예측값을 동시에 산출한다. 그리고 각 계측 기법별로 산출된 전력 사용량 예측값과, 상기 전력 사용량 예측값과 실제 사용량과의 오차를 제2 입력 데이터로 사용하여, 추가적인 전력 사용량 예측을 수행하여 최종적인 전력 사용량을 예측한다.

Description

전력 사용량 예측 방법 및 그 장치{Method and system for predicting power consumption}
본 발명은 전력 사용량 예측 방법 및 그 장치에 관한 것이다.
화석 에너지 자원의 고갈에 따라 최근 전 세계적으로 에너지 최적화 및 에너지 절감에 대한 연구가 활발히 진행되고 있다. 대형 건물의 경우, 날씨 예측 정보와 건물 내 온도의 변화, 그리고 건물의 구조 등을 종합적으로 판단하여 공조 장치를 동작시킴으로써, 건물 내 사용자의 만족도를 유지하는 동시에 공조 에너지 비용을 절감하는 에너지 관리 기법이 활발히 연구 중이다. 특히 최근에는 지난 에너지 사용량을 기반으로 미래 에너지 사용량을 예측하고 이를 에너지 관리에 반영함으로써 에너지 비용 절감을 추구하는 기법이 새로이 연구되고 있다. 이러한 예측 기반 에너지 관리 기법은 예측 정확도에 성능이 크게 좌우되므로 보다 정확한 에너지 사용량 예측 기법이 필요하다.
도시나 주 단위의 에너지 사용량은 날씨 정보와 밀접한 관계를 가지며 이를 이용하여 도시나 주 단위의 대규모 에너지 사용량을 예측하고 이를 이용하여 발전량을 조절하는 연구가 진행되었다. 하지만, 단일 건물, 특히 가정의 경우 날씨 정보뿐만 아니라 가정 내 사용자의 생활 패턴에 따라 에너지 사용량이 큰 영향을 받는다. 따라서 가정의 에너지 사용량은 서로 다른 가정의 에너지 사용량뿐만 아니라 시간, 날씨와 같은 외부 요인과도 서로 독립적인 특성을 나타내며 대규모 에너지 사용량보다 예측이 더욱 어렵다.
기존의 예측 기법들은 지난 에너지 사용량을 이용하여 기계 학습(machine learning)을 통해 미래 에너지 사용량을 예측한다. 하지만, 앞서 언급한 바와 같이 가정의 에너지 사용량은 가정 내 환경의 변화 (ex. 새로운 가전 기기 구입, 휴가, 이사, 등등)에 갑작스럽게 반응하며, 이러한 갑작스러운 변화는 예측이 어렵다.
예측 기법에서, NLMS(normalized least mean square) 필터를 사용하는 경우, 에너지 사용량이 안정적인 구간에서는 비교적 정확한 예측을 수행하면서 갑작스러운 변화가 있는 경우도 신속히 예측값을 따라가는 특성을 보이지만, 갑작스러운 변화가 반복될 경우 오버피팅(overfitting)에 의한 과도한 예측을 수행하는 단점이 있다.
또한 칼만 필터(Kalman Filter)를 사용하는 경우, 비교적 안정적으로 에너지사용량 예측을 수행하지만, 갑작스러운 변화에 상대적으로 빠르게 반응하지 못하며 필터 계수를 잘 선택해야 하는 단점이 있다.
또한 최근 에너지 예측에 많이 사용되는 신경 회로망(neural network)를 사용하는 경우, 비선형적인 변화에도 상대적으로 좋은 성능을 보이지만, 초기 신경 회로망 구성 시 은닉층(hidden layer)의 수를 비롯하여 회로 구성에 인위적인 파라미터 및 훈련 샘플의 적절한 선택이 필요하며, 갑작스러운 변화가 반복될 경우 국지적 최적화에 빠지거나 오버피팅되는 단점이 존재한다.
본 발명이 해결하고자 하는 기술적 과제는 적응적으로 복수의 에너지 예측 기법들을 사용하여 전력 사용량을 정확하게 예측할 수 있는 전력 사용량 예측 방법 및 그 장치를 제공하는 것이다.
위의 기술적 과제를 위한 본 발명에 특징에 따른 방법은 전력 사용량을 예측하는 방법으로, 실제 사용량인 이전 사용량, 이전 예측 사용량과 이전 사용량의 오차를 제1 입력 데이터로 획득하는 단계; 상기 제1 입력 데이터를 적어도 둘 이상의 예측 기법에 각각 적용하여, 각 예측 기법별로 전력 사용량 예측값을 동시에 산출하는 단계; 상기 각 계측 기법별로 산출된 전력 사용량 예측값과, 상기 전력 사용량 예측값과 실제 사용량과의 오차를 제2 입력 데이터로 사용하는 단계; 상기 제2 입력 데이터를 토대로 추가적인 전력 사용량 예측을 수행하여 최종적인 전력 사용량을 예측하는 단계를 포함한다.
상기 각 예측 기법별로 전력 사용량 예측값을 산출하는 단계는, NLMS(normalized least mean square) 필터를 사용하여 상기 제1 입력 데이터를 토대로 전력 사용량을 예측하는 단계; 칼만 필터를 사용하여 상기 제1 입력 데이터를 토대로 전력 사용량을 예측하는 단계; 및 신경 회로망을 사용하여 상기 제1 입력 데이터를 토대로 전력 사용량을 예측하는 단계를 포함할 수 있다.
또한 상기 최종적인 전력 사용량을 예측하는 단계는 가중 평균 방법을 사용하여 상기 제2 입력 데이터를 토대로 전력 사용량을 예측하는 단계; 및 신경망 회로를 사용하여 상기 제2 입력 데이터를 토대로 전력 사용량을 예측하는 단계 중 하나를 포함할 수 있다.
여기서 상기 가중 평균 방법을 사용하여 전력 사용량을 예측하는 단계는 상기 각 예측 기법별로 제2 입력 데이터에 대하여 서로 다른 가중치를 부여하고, 서로 다른 가중치가 부여된 제2 입력 데이터를 토대로 전력 사용량을 예측할 수 있다.
특히 전력 사용량 예측이 이루어지는 환경에 관련된 환경 파라미터에 따라 상기 예측 기법의 제2 입력 데이터에 대하여 부여되는 가중치가 달라질 수 있다.
본 발명의 다른 특징에 따른 장치는 전력 사용량을 예측하는 장치이며, 실제 사용량인 이전 사용량, 이전 예측 사용량과 이전 사용량의 오차를 제1 입력 데이터로 사용하고, 제1 입력 데이터를 적어도 두 개 이상의 예측 기법에 각각 적용하여, 각 예측 기법별로 전력 사용량 예측값을 동시에 산출하는 제1 계층 예측부; 상기 각 계측 기법별로 산출된 전력 사용량 예측값과 실제 사용량과의 오차를 산출하는 오차 산출부; 및 상기 각 계측 기법별로 산출된 전력 사용량 예측값과, 상기 오차 산출부에서 출력되는 오차를 제2 입력 데이터로 사용하고, 상기 제2 입력 데이터를 토대로 추가적인 전력 사용량 예측을 수행하여 최종적인 전력 사용량을 예측하는 제2 계층 예측부를 포함한다.
상기 제1 계층 입력부는 NLMS(normalized least mean square) 필터를 사용하여 상기 제1 입력 데이터를 토대로 전력 사용량을 예측하는 제1 예측부; 칼만 필터를 사용하여 상기 제1 입력 데이터를 토대로 전력 사용량을 예측하는 제2 예측부; 및 신경 회로망을 사용하여 상기 제1 입력 데이터를 토대로 전력 사용량을 예측하는 제3 예측부를 포함할 수 있다.
상기 제2 계층 예측부는 가중 평균 방법을 사용하여, 상기 각 예측 기법별로 제2 입력 데이터에 대하여 서로 다른 가중치를 부여하고, 서로 다른 가중치가 부여된 제2 입력 데이터를 토대로 전력 사용량을 예측할 수 있다.
또한 상기 제2 계층 예측부는 전력 사용량 예측이 이루어지는 환경에 관련된 환경 파라미터에 따라 상기 예측 기법의 제2 입력 데이터에 대하여 부여되는 가중치를 다르게 할 수 있다.
또한 상기 제2 계층 예측부는 신경망 회로를 사용하여 상기 제2 입력 데이터를 토대로 전력 사용량을 예측할 수 있다.
본 발명의 실시 예에 의하면, 기존의 적응적 에너지 예측 기법을 동시에 사용한 후, 각 기법에 의해 예측된 값들을 최근 정확도에 따라 가중 평균하거나 신경 회로망을 추가 구성하여 최종 예측함으로써, 각 예측 기법이 가진 장점을 상황에 적응적으로 반영하는 전력 사용량을 정확하게 예측할 수 있다.
도 1은 본 발명의 실시 예에 따른 적응 보상 필터를 사용한 제1 예측 기법의 개념을 나타낸 도이다.
도 2 본 발명의 실시 예에 따른 신경 회로망을 이용한 제2 예측 기법의 개념도이다.
도 3은 본 발명의 실시 예에 따른 전력 사용량 예측 장치의 구조도이다.
도 4는 본 발명의 실시 예에 따른 전력 사용량 예측 방법의 개념도이다.
도 5는 본 발명의 실시 예에 따른 전력 사용량 예측 방법의 흐름도이다.
아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시 예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다.
그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 및 청구범위 전체에서, 어떤 부분이 어떤 구성 요소를 '포함'한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것을 의미한다.
이제 본 발명의 실시 예에 따른 전력 사용량 예측 방법 및 그 장치에 대하여 설명한다.
본 발명의 실시 예에서 복수의 에너지 예측 기법들을 적응적으로 사용하여 전력 사용량을 최적으로 정확하게 예측하고자 한다.
본 발명의 실시 예에 따른 에너지(예: 전력 사용량) 예측 기법은 적응적 보상 필터를 사용하는 제1 예측 기법, 신경 회로망을 사용하여 전력 사용량을 예측하는 제2 예측 기법이 있다.
제1 예측 기법은 적응적 보상 필터를 사용하여 전력 사용량을 예측한다. 적응적 보상 필터로는 LMS(least mean square) 필터, 칼만 필터(Kalman Filter)가 사용될 수 있으나, 이에 한정되지 않는다.
도 1은 본 발명의 실시 예에 따른 적응 보상 필터를 사용한 제1 예측 기법의 개념을 나타낸 도이다.
첨부한 도 1에서와 같이, 적응적 보상 필터를 사용하는 경우, 입력되는 데이터(u[n])를 한 스텝 지연시키고, 이를 적응적 보상 필터가 처리하여 출력한다.
이러한 필터는 ARMA(Auto-regressive moving average) 모델에 최적의 성능을 나타내는 필터 중 하나이다. ARMA 모델은 자기회귀(AR, auto-regression) 프로세스와 이동 평균(MA, moving average) 프로세스를 수행하여 전력 사용량을 예측한다. AR 프로세스에서는 이전에 실제로 사용한 전력량을 나타내는 이전 사용량을 사용하며, MA 프로세스에서는 이전에 예측한 전력 사용량인 이전 예측 사용량과 이전 사용량과의 오차를 사용한다.
한편, 칼만 필터는 제어 분야 및 시계열 데이터를 이용하는 여러 분야에서 사용되는데, 시계열 데이터를 상태 공간 모델로 나타내는 후 측정값을 통해 요구하는 최상의 예측량을 획득한다. 이러한 칼만 필터는 비선형적 특성에도 적용 가능한 예측 방법에 사용되며, LMS 필터에 비하여 보다 안정적으로 예측을 수행한다.
제2 예측 기법에서는 신경 회로망을 사용한다.
도 2 본 발명의 실시 예에 따른 신경 회로망을 이용한 제2 예측 기법의 개념도이다.
첨부한 도 2에서와 같이, 신경 회로망을 이용한 제2 예측 기법은 입력층, 은닉층, 출력층의 3층 구조를 사용한다. 본 발명의 실시 예에 따라 입력층에 이전 사용량 그리고, 이전 예측 사용량과 이전 사용량과의 오차가 입력될 수 있다. 입력층으로 입력된 데이터는 은닉층을 통하여 처리되어 출력층을 통하여 결과 데이터가 출력된다. 이러한 본 발명의 실시 예에 사용되는 LMS 필터를 사용하는 제1 예측 기법을 사용하는 경우 비선형적 특성에 대해서는 예측 성능이 떨어진다. 예를 들어 가정 내에서 사용되는 에너지 사용량은 비선형적인 특성을 나타내기 때문에 LMS와 같은 선형 예측 기법으로는 최적의 예측 성능을 보장하지 못한다.
한편 칼만 필터를 이용한 제1 예측 기법은 LMS와 같이 빠른 변화에 신속하게 대처하지 못하고, 시스템 설계에서 계수 선택에 따라 그 특성이 변화될 수 있다.
또한 신경 회로망을 사용하는 제2 예측 기법은 비선형적인 데이터의 특성에도 상대적으로 우수한 예측 성능을 보인다. 하지만, 신경 회로망의 구성에 있어서 은닉층의 수가 임의로 선택되어야 하며, 회로의 구성은 임의로 선택해야만 하며 이에 따라 성능이 크게 달라질 수 있다.
본 발명의 실시 예에서는 이러한 예측 기법들을 동시에 모두 사용하여 전력의 용량들을 예측하고, 예측 기법들의 특성을 고려하여 각 방법에 의하여 예측된 전력 사용량들에 대하여 가중 평균을 부가하거나 신경 회로망을 추가적으로 구성하여 최종적으로 전력 사용량을 예측한다. 특히 본 발명의 실시 예에서는 각 예측 기법이 가지는 장점을 고려하여 상황별로 적응적으로 예측 기법을 적용시켜 정확하게 전력 사용량을 예측한다.
도 3은 본 발명의 실시 예에 따른 전력 사용량 예측 장치의 구조도이다.
첨부한 도 3에서와 같이, 본 발명의 실시 예에 따른 전력 사용량 예측 장치(1)는 서로 다른 예측 기법을 사용하여 입력되는 데이터를 토대로 전력 사용량을 예측하는 제1 계층 예측부(100), 오차 산출부(200), 그리고 제2 계층 예측부(300)를 포함한다.
제1 계층 예측부(100)는 복수의 예측부를 포함하며, 복수의 예측부들은 제1 예측 기법을 사용하는 예측부와 제2 예측 기법을 사용하는 예측부로 분류될 수 있으며, 제1 예측 기법을 사용하는 예측부는 사용하는 적응적 보상 필터의 종류에 따라 복수개로 분류될 수 있다. 여기서는 제1 계층 예측부(100)에 포함되는 복수의 예측부로 NLMS 필터를 이용한 제1 예측 기법에 따라 전력 사용량을 예측하는 제1 예측부(110), 칼만 필터를 이용한 제1 예측 기법에 따라 전력 사용량을 예측하는 제2 예측부(111), 신경 회로망을 이용한 제2 예측 기법에 따라 전력 사용량을 예측하는 제3 예측부(112)를 포함한다. 그러나 본 발명의 실시 예에 따른 예측부는 이러한 제1 내지 제3 예측부에 한정되는 것은 아니며, 당업계에 사용가능한 적용적 보상 필터나 예측 기법에 따라 추가되거나 감소될 수 있다. 본 발명의 실시 예에서 복수의 예측부는 동시에 동작하여 입력되는 데이터를 토대로 예측을 수행한다.
제1 계층 예측부(100)의 각 예측부로 이전에 실제로 사용한 전력량을 나타내는 이전 사용량과, 이전에 예측한 전력 사용량인 이전 예측 사용량과 이전 사용량과의 오차가 입력 데이터로서 제공된다. 각 예측부(110,111,113)는 이전 사용량 그리고, 이전 예측 사용량과 이전 사용량과의 오차를 토대로 전력 사용량을 예측하여 해당하는 예측값을 출력한다.
오차 산출부(200)는 각 복수의 예측부(110, 111, 112)에서 예측된 전력 사용량에 해당하는 예측값에 대하여 오차를 산출한다. 즉, 각 예측부별로, 출력되는 예측값과 현재 실제로 사용된 실제 사용량과의 오차를 산출한다.
제2 계층 예측부(300)는 제1 계층 예측부(100)에서 각각 출력되는 예측값과 오차 산출부(200)에서 출력되는 오차들을 토대로 전력 사용량을 예측하여 최종적으로 예측 전력 사용량을 출력한다. 제2 계층 예측부(300)는 이전 계층 즉, 제1 계층 예측부(100)와 동일하게 각 예측 기법의 오차 역시 입력으로 사용한다.
제2 계층 예측부(300)는 제1 계층 예측부(100)의 각 예측부에서 출력되는 예측값에 대하여 서로 다른 가중치를 부여하는 가중 평균 방법을 사용하여 최종적으로 전력 사용량을 예측한다.
각 예측부에서 출력되는 예측값에 대하여 부여되는 가중치는 서로 다를 수 있으며, 예측이 반복 수행되면서 결과에 따라 가중치가 적응적으로 결정될 수 있다. 예를 들어, 제1 계층 예측부의 각 예측부에서 출력되는 예측값에 대하여 부여되는 가중치는 이전 단계에서 얻어진 각 예측값과 실제 사용값과의 오차를 이용하여 결정될 수 있다. 구체적으로, [t-1]에서의 예측값과 실제 사용값의 오차를 각각 eN[t-1], eK[t-1], eA[t-1] 이라고 할 때, 제1 계층 예측부의 각 예측값에 대한 가중치 wN[t], wK[t], wA[t]은 아래와 같이 결정될 수 있다.
Figure pat00001
여기서, esum[t-1] = eN[t-1] + eK[t-1] + eA[t-1])이다.
또한 위에 기술된 바와는 달리, 전력 사용량이 예측되는 환경에 대한 환경 파라미터에 따라 가중치가 달라질 수 있다. 전력 사용량이 예측되는 환경, 예를 들어, 가정 내에서 전력 사용량을 측정하는 경우, 가정 내 환경의 변화에 따라 전력 사용량이 달라질 수 있다. 예를 들어, 새로운 가전 기기 구입에 따라 전력 사용량이 증가하는 경우, 휴가로 인하여 전력 사용량이 감소하는 경우 등이 발생한다. 이러한 환경 변화에 따른 전력 사용량이 갑작스럽게 변화하는 경우에는 에너지 사용량이 안정적인 구간에서 정확한 예측을 수행하는 LMS 필터를 사용하는 예측 방법이나, 갑작스러운 변화에 상대적으로 빠르게 반응하지 못하는 칼만 필터를 사용하는 예측 방법의 경우에는 예측 성능이 떨어지게 된다. 그러므로 환경 변화에 따라 전력 사용량이 갑작스럽게 변화하는 경우에는 비선형적 변화에 상대적으로 좋은 예측 성능을 제공하는 신경 회로망을 이용한 예측 기법이 보다 효과적일 수 있다.
따라서 본 발명의 실시 예에서는 제2 계층 예측부(300)는 환경 파라미터에 따른 전력 사용량 변화를 고려하여, 전력 사용량 변화가 상대적으로 안정적인 구간에서는 적응적 보상 필터를 이용한 예측 방법을 이용한 제1 및 제2 예측부(110, 111)에서 출력되는 예측값에 대하여 보다 높은 가중치를 부여하고, 신경 회로망을 이용한 예측 기법을 사용하는 제3 예측부(112)에서 출력되는 예측값에 대해서는 보다 낮은 가중치를 부여할 수 있다. 이와는 달리, 전력 사용량 변화가 비선형적이고 갑작스럽게 변화되는 구간에서는 적응적 보상 필터를 이용한 예측 기법을 이용한 제1 및 제2 예측부(110, 112)에서 출력되는 예측값에 대하여 보다 낮은 가중치를 부여하고, 신경 회로망을 이용한 예측 기법을 사용하는 제3 예측부(112)에서 출력되는 예측값에 대해서는 보다 높은 가중치를 부여할 수 있다.
본 발명에 따른 적응적으로 가중치를 부여하는 방법은 위에 기술된 것들에 한정되지 않는다.
한편, 제2 계층 예측부(300)는 제1 계층 예측부(100)의 각 예측부에서 출력되는 예측값들과 오차 산출부(200)에서 출력되는 오차들을 이용하여 신경 회로망 예측 기법을 수행하여 최종적으로 전력 사용량을 예측할 수 있다. 신경 회로 예측 기법을 이용하는 경우에는 도 2와 같은 3층 구조의 신경 회로망에서, 입력층에 첫 번째 예측 층에서의 예측값들과 각 예측 방법의 이전 오차를 입력함으로써 최종 예측을 수행할 수 있다. 여기서 신경 회로망은 엘만 신경 회로망(Elman Neural Network)가 사용될 수 있으며, 본 발명은 이러한 신경 회로망에 한정되지 않는다. 제2 계층 예측부(300)는 가중 평균 방법과 신경 회로망을 이용한 방법을 선택적으로 사용할 수 있다.
이러한 구조로 이루어지는 전력 사용량 예측 장치(1)에서 각 예측 방법에서 사용되는 필터 계수는 적응적 보상 구조를 통해 반복에 따라 적응적으로 자동 설정될 수 있다.
예를 들어, LMS 필터에 의한 필터 계수 설정은 다음과 같이 수행될 수 있다. LMS 필터의 필터 계수 h[t] = [h1[t], h2[t], … hp[t]]T 일 때, 예측값은 h[t]x[t-1]의 결과로 찾을 수 있다(여기서, p는 필터의 크기로 미리 정해져 있어야 하며, x[t-1] = [x[t-1], x[t-2], …, x[t-p]]T 와 같다.) 이전 단계에서 얻어진 예측값과 실제 사용값과의 오차를 e[t] = x[t]―h[t]x[t-1]라고 할 수 있으며, 다음 필터 계수는 다음과 같이 설정될 수 있다.
Figure pat00002
이러한 적응적 필터 계수 설정은 정규화 LMS(Normalized LMS) 기법에 의한 것이며, LMS 필터의 적응적 필터 계수 설정은 LMS, NLMS, VSS(Variable Step-Size) NLMS 등에 한정되지 않는다.
또한, 칼만 필터에 의한 필터 계수 설정은 다음과 같이 이루어질 수 있다.
Figure pat00003
칼만 필터는 LMS 필터와 달리 스테이트(state) 기반 필터이다. 따라서 칼만 필터에서는 시스템 특성을 나타내는 A를 직접적으로 업데이트하는 것이 아니라, 칼만 필터 계수 K를 이용하여 입력 스테이트를 적응적으로 업데이트한다. 칼만 필터의 스테이트 및 필터 계수 업데이트 기법은 위에 기술된 것에 한정되지 않는다.
다음에는 본 발명의 실시 예에 따른 전력 사용량 예측 방법에 대하여 설명한다.
일반적으로, 기계 학습 기반의 에너지 예측의 정확도를 높이기 위해서는, 훈련 샘플의 데이터가 전체 사용량을 충분히 반영할 수 있는 특성을 보여야 한다. 하지만, 가정 내에서 사용되는 전력의 사용량은 특정 패턴을 보이지 않기 때문에 기존 기계 학습 기반 에너지 예측 기법은 가정 전력사용량 예측에 훌륭한 성능을 보이지 못한다. 이에 따라 본 발명의 실시 예에서는 전력 사용량 예측을 계층적으로 수행한다.
도 4는 본 발명의 실시 예에 따른 전력 사용량 예측 방법의 개념도이다.
본 발명의 실시 예에서는 도 4에서와 같이, 2개의 층을 가진 예측 방법을 수행한다. 첫 번째 층(L1)에서 이전 사용량과, 이전 예측 사용량과 실제 사용량과의 오차를 이용하여 서로 다른 복수의 예측 기법들을 사용하여 전력 사용량 예측을 수행한다. 그리고 두 번째 층(L2)에서 첫 번째 층의 예측 결과와 각 예측 기법의 오차를 가중 평균 혹은 신경 회로망의 입력으로 사용하여, 최종적으로 전력 사용량을 예측한다. 여기서, 두 번째 층의 예측은 가중 평균과 신경 회로망을 선택적으로 이용할 수 있다.
도 5는 본 발명의 실시 예에 따른 전력 사용량 예측 방법의 흐름도이다.
전력 사용량 예측 장치(1)는 이전 사용량(x[t-1], …, x[t-p])을 입력으로 받으며, 또한 이전 예측 사용량과 실제 사용량의 오차(e[t-1], …e[t-p])를 입력으로 사용한다(S100). 이러한 데이터들은 제1 입력 데이터로 사용된다.
이후, 전력 사용량 예측 장치(1)는 n개의 선택된 복수의 예측 기법들을 입력되는 데이터를 토대로 수행하여, 각 예측 기법별로 전력 사용량에 해당하는 예측값을 구한다(S110). 이때 기존 예측 기법은 앞서 설명한 NLMS 필터, 칼만 필터, 신경 회로망 등을 사용한 예측 기법들이 사용될 수 있다.
전력 사용량 예측 장치(1)는 각 예측 기법별로 산출한 각 예측값들은 다음 d예측 층의 입력으로 사용한다. 즉, 각 예측 기법별로, 산출된 예측값과 실제 사용량(예측 기법의 오차라고도 명명할 수 있음), 그리고 예측값을 다음 예측을 위한 입력 데이터 즉, 제2 입력 데이터로 사용한다(S120). 여기서 전력 사용량 예측 장치(1)는 각 예측 기법별로 전력 사용량 예측을 동시에 수행하여 예측값들을 획득한다.
두 번째 예측 층에서, 전력 사용량 예측 장치(1)는 LMS와 유사하게 각 입력의 가중 평균을 이용하거나, 혹은 신경 회로망을 이용하여 최종 예측을 수행하여 최종 전력 사용량을 획득한다. 본 발명의 실시 예에 따라, 두 번째 예측 층에서 가중 평균 기법을 사용하는 경우, 각 예측 기법별로 부여되는 각 가중치(각 예측 기법별로 획득된 예측값, 예측값과 실제 사용량과의 오차에 대하여 가중치가 부여될 수 있다.)는 예측이 반복됨에 따라 적응적으로 결정될 수 있다. 또한 두 번째 예측 층에서 신경 회로망을 이용하는 경우에, 입력층에 첫 번째 예측 층에서 획득되는 예측 기법별 예측값들과 각 예측 기법의 오차를 입력하여 최종적으로 전력 사용량을 예측한다(S130).
한편 최종적으로 예측된 전력 사용량 즉, 최종 예측값은 다시 피드백되어 후추 전력 사용량 예측시 사용된다.
본 발명의 실시 예에서는 기존의 적응적 에너지 예측 기법을 동시에 사용한 후, 각 기법에 의해 예측된 값들을 최근 정확도에 따라 가중 평균하거나 신경 회로망을 추가 구성하여 최종 예측함으로써, 각 예측 기법이 가진 장점을 상황에 적응적으로 반영하는 전력 사용량을 정확하게 예측할 수 있다. 또한 최종 예측값과 실제 사용량의 오차 그리고 각 기법의 예측값의 오차를 피드백을 통해 다음 예측에 활용함으로써 보다 정확한 예측을 수행할 수 있다.
본 발명의 실시 예는 이상에서 설명한 장치 및/또는 방법을 통해서만 구현이 되는 것은 아니며, 본 발명의 실시예의 구성에 대응하는 기능을 실현하기 위한 프로그램, 그 프로그램이 기록된 기록 매체 등을 통해 구현될 수도 있으며, 이러한 구현은 앞서 설명한 실시예의 기재로부터 본 발명이 속하는 기술분야의 전문가라면 쉽게 구현할 수 있는 것이다.
이상에서 본 발명의 실시 예에 대하여 상세하게 설명하였지만 본 발명의 권리 범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 사업자의 여러 변형 및 개량 형태 또한 본 발명의 권리 범위에 속하는 것이다.

Claims (10)

  1. 전력 사용량을 예측하는 방법에서,
    실제 사용량인 이전 사용량, 이전 예측 사용량과 이전 사용량의 오차를 제1 입력 데이터로 획득하는 단계;
    상기 제1 입력 데이터를 적어도 둘 이상의 예측 기법에 각각 적용하여, 각 예측 기법별로 전력 사용량 예측값을 동시에 산출하는 단계;
    상기 각 계측 기법별로 산출된 전력 사용량 예측값과, 상기 전력 사용량 예측값과 실제 사용량과의 오차를 제2 입력 데이터로 사용하는 단계;
    상기 제2 입력 데이터를 토대로 추가적인 전력 사용량 예측을 수행하여 최종적인 전력 사용량을 예측하는 단계
    를 포함하는 전력 사용량 예측 방법.
  2. 제1항에 있어서
    상기 각 예측 기법별로 전력 사용량 예측값을 산출하는 단계는,
    NLMS(normalized least mean square) 필터를 사용하여 상기 제1 입력 데이터를 토대로 전력 사용량을 예측하는 단계;
    칼만 필터를 사용하여 상기 제1 입력 데이터를 토대로 전력 사용량을 예측하는 단계; 및
    신경 회로망을 사용하여 상기 제1 입력 데이터를 토대로 전력 사용량을 예측하는 단계
    를 포함하는, 전력 사용량 예측 방법.
  3. 제1항에 있어서
    상기 최종적인 전력 사용량을 예측하는 단계는
    가중 평균 방법을 사용하여 상기 제2 입력 데이터를 토대로 전력 사용량을 예측하는 단계; 및
    신경망 회로를 사용하여 상기 제2 입력 데이터를 토대로 전력 사용량을 예측하는 단계
    중 하나를 포함하는, 전력 사용량 예측 방법.
  4. 제3항에 있어서
    상기 가중 평균 방법을 사용하여 전력 사용량을 예측하는 단계는
    상기 각 예측 기법별로 제2 입력 데이터에 대하여 서로 다른 가중치를 부여하고, 서로 다른 가중치가 부여된 제2 입력 데이터를 토대로 전력 사용량을 예측하는, 전력 사용량 예측 방법.
  5. 제4항에 있어서
    전력 사용량 예측이 이루어지는 환경에 관련된 환경 파라미터에 따라 상기 예측 기법의 제2 입력 데이터에 대하여 부여되는 가중치가 달라지는, 전력 사용량 예측 방법.
  6. 전력 사용량을 예측하는 장치에서,
    실제 사용량인 이전 사용량, 이전 예측 사용량과 이전 사용량의 오차를 제1 입력 데이터로 사용하고, 제1 입력 데이터를 적어도 두 개 이상의 예측 기법에 각각 적용하여, 각 예측 기법별로 전력 사용량 예측값을 동시에 산출하는 제1 계층 예측부;
    상기 각 계측 기법별로 산출된 전력 사용량 예측값과 실제 사용량과의 오차를 산출하는 오차 산출부; 및
    상기 각 계측 기법별로 산출된 전력 사용량 예측값과, 상기 오차 산출부에서 출력되는 오차를 제2 입력 데이터로 사용하고, 상기 제2 입력 데이터를 토대로 추가적인 전력 사용량 예측을 수행하여 최종적인 전력 사용량을 예측하는 제2 계층 예측부
    를 포함하는, 전력 사용량 예측 장치.
  7. 제6항에 있어서
    상기 제1 계층 입력부는
    NLMS(normalized least mean square) 필터를 사용하여 상기 제1 입력 데이터를 토대로 전력 사용량을 예측하는 제1 예측부;
    칼만 필터를 사용하여 상기 제1 입력 데이터를 토대로 전력 사용량을 예측하는 제2 예측부; 및
    신경 회로망을 사용하여 상기 제1 입력 데이터를 토대로 전력 사용량을 예측하는 제3 예측부
    를 포함하는, 전력 사용량 예측 장치.
  8. 제6항에 있어서
    상기 제2 계층 예측부는 가중 평균 방법을 사용하여, 상기 각 예측 기법별로 제2 입력 데이터에 대하여 서로 다른 가중치를 부여하고, 서로 다른 가중치가 부여된 제2 입력 데이터를 토대로 전력 사용량을 예측하는, 전력 사용량 예측 장치.
  9. 제6항에 있어서
    상기 제2 계층 예측부는 전력 사용량 예측이 이루어지는 환경에 관련된 환경 파라미터에 따라 상기 예측 기법의 제2 입력 데이터에 대하여 부여되는 가중치를 다르게 하는, 전력 사용량 예측 장치.
  10. 제6항에 있어서
    상기 제2 계층 예측부는 신경망 회로를 사용하여 상기 제2 입력 데이터를 토대로 전력 사용량을 예측하는, 전력 사용량 예측 장치.

KR20130083792A 2013-07-16 2013-07-16 전력 사용량 예측 방법 및 그 장치 KR20150009375A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR20130083792A KR20150009375A (ko) 2013-07-16 2013-07-16 전력 사용량 예측 방법 및 그 장치
US14/332,968 US20150026109A1 (en) 2013-07-16 2014-07-16 Method and system for predicting power consumption

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR20130083792A KR20150009375A (ko) 2013-07-16 2013-07-16 전력 사용량 예측 방법 및 그 장치

Publications (1)

Publication Number Publication Date
KR20150009375A true KR20150009375A (ko) 2015-01-26

Family

ID=52344410

Family Applications (1)

Application Number Title Priority Date Filing Date
KR20130083792A KR20150009375A (ko) 2013-07-16 2013-07-16 전력 사용량 예측 방법 및 그 장치

Country Status (2)

Country Link
US (1) US20150026109A1 (ko)
KR (1) KR20150009375A (ko)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101855248B1 (ko) * 2017-04-20 2018-05-08 (주)에코센스 트런케티드 선형회귀모델을 이용한 에너지절감 성과평가방법
KR20180053452A (ko) * 2016-11-11 2018-05-23 한국에너지기술연구원 에너지 수요 예측 방법, 분산 에너지 관리 방법 및 시스템
KR20180053453A (ko) * 2016-11-11 2018-05-23 한국에너지기술연구원 에너지 관리 시스템, 에너지 관리 방법 및 에너지 수요 예측 방법
KR101872813B1 (ko) * 2016-12-26 2018-06-29 주식회사 인코어드 테크놀로지스 댁내 구성원의 이상 상태 판단 방법 및 장치
KR20190057676A (ko) * 2017-11-20 2019-05-29 한국에너지기술연구원 자율형 커뮤니티 에너지 관리 시스템 및 방법
WO2020105812A1 (ko) * 2018-11-22 2020-05-28 제주대학교 산학협력단 학습을 통한 파라미터 개선 기반의 예측 시스템 및 방법
CN112994092A (zh) * 2021-02-24 2021-06-18 中南大学 一种基于功率预测的独立风光储微电网系统尺寸规划方法
CN113970170A (zh) * 2020-07-24 2022-01-25 中国移动通信集团浙江有限公司 中央空调系统能耗预测方法、装置及计算设备

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102016212981A1 (de) * 2016-07-15 2018-01-18 Henkel Ag & Co. Kgaa Verfahren und Vorrichtung zur Vorratsüberwachung
FR3056706A1 (fr) * 2016-09-27 2018-03-30 Electricite De France Procede d'auto-parametrage auto-adaptatif d'un systeme de chauffage et de production d'eau chaude sanitaire
US10700523B2 (en) * 2017-08-28 2020-06-30 General Electric Company System and method for distribution load forecasting in a power grid
CN107800405B (zh) * 2017-12-05 2021-02-26 中国医学科学院生物医学工程研究所 基于fpga设计的径向基函数神经网络自适应增强器电路
US10948957B1 (en) * 2019-09-26 2021-03-16 Apple Inc. Adaptive on-chip digital power estimator
CN110942196B (zh) * 2019-11-27 2023-04-07 阳光慧碳科技有限公司 预测辐照修正方法及装置
US20220004902A1 (en) * 2020-07-02 2022-01-06 Energy Optimization System Laboratories Llc Methods for remote building intelligence, energy waste detection, efficiency tracking, utility management and analytics
GB2601508B (en) * 2020-12-02 2023-06-21 British Telecomm Device identification
US11775702B2 (en) * 2021-02-03 2023-10-03 Titan Health & Security Technologies, Inc. AR enhanced structural transformation estimator and modeling engine
US20230359973A1 (en) * 2022-05-04 2023-11-09 Kyndryl, Inc. Ad-hoc application development

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180053452A (ko) * 2016-11-11 2018-05-23 한국에너지기술연구원 에너지 수요 예측 방법, 분산 에너지 관리 방법 및 시스템
KR20180053453A (ko) * 2016-11-11 2018-05-23 한국에너지기술연구원 에너지 관리 시스템, 에너지 관리 방법 및 에너지 수요 예측 방법
KR101872813B1 (ko) * 2016-12-26 2018-06-29 주식회사 인코어드 테크놀로지스 댁내 구성원의 이상 상태 판단 방법 및 장치
US10504351B2 (en) 2016-12-26 2019-12-10 Encored Technologies, Inc. Method and apparatus for detecting abnormal event related to person at home
KR101855248B1 (ko) * 2017-04-20 2018-05-08 (주)에코센스 트런케티드 선형회귀모델을 이용한 에너지절감 성과평가방법
KR20190057676A (ko) * 2017-11-20 2019-05-29 한국에너지기술연구원 자율형 커뮤니티 에너지 관리 시스템 및 방법
US10514665B2 (en) 2017-11-20 2019-12-24 Korea Institute Of Energy Research Autonomous community energy management system and method
WO2020105812A1 (ko) * 2018-11-22 2020-05-28 제주대학교 산학협력단 학습을 통한 파라미터 개선 기반의 예측 시스템 및 방법
KR20200063338A (ko) * 2018-11-22 2020-06-05 제주대학교 산학협력단 학습을 통한 파라미터 개선 기반의 예측 시스템 및 방법
CN113970170A (zh) * 2020-07-24 2022-01-25 中国移动通信集团浙江有限公司 中央空调系统能耗预测方法、装置及计算设备
CN112994092A (zh) * 2021-02-24 2021-06-18 中南大学 一种基于功率预测的独立风光储微电网系统尺寸规划方法
CN112994092B (zh) * 2021-02-24 2022-07-29 中南大学 一种基于功率预测的独立风光储微电网系统尺寸规划方法

Also Published As

Publication number Publication date
US20150026109A1 (en) 2015-01-22

Similar Documents

Publication Publication Date Title
KR20150009375A (ko) 전력 사용량 예측 방법 및 그 장치
Yu et al. Multi-agent deep reinforcement learning for HVAC control in commercial buildings
US10495337B2 (en) Smart thermostat with model predictive control
JP6784745B2 (ja) リアルタイムデータ駆動型の電力測定およびコスト推定システム
US9429961B2 (en) Data-driven HVAC optimization
Wu et al. Improving building energy efficiency by multiobjective neighborhood field optimization
Wang et al. A review of artificial intelligence based building energy prediction with a focus on ensemble prediction models
KR101875329B1 (ko) 전력 사용량 예측 장치 및 방법
JP7079662B2 (ja) 電力需要予測システム、学習装置及び電力需要予測方法
CN108829766B (zh) 一种兴趣点推荐方法、系统、设备及计算机可读存储介质
Ferdous et al. Optimal dynamic pricing for trading-off user utility and operator profit in smart grid
JP7279445B2 (ja) 予測方法、予測プログラムおよび情報処理装置
JP6398894B2 (ja) データフロー制御装置およびデータフロー制御方法
KR20140043184A (ko) 에너지 소비량 예측 장치 및 방법
Do et al. Residential building energy consumption: a review of energy data availability, characteristics, and energy performance prediction methods
JP6498976B2 (ja) 推定装置、推定方法およびコンピュータプログラム
CN107609583A (zh) 分类模型的参数优化方法、装置、计算机设备及存储介质
JP5471279B2 (ja) 目標電力量制御システム
Blonsky et al. Home energy management under realistic and uncertain conditions: A comparison of heuristic, deterministic, and stochastic control methods
JP6893323B2 (ja) 発電設備情報推定システムおよび発電設備情報推定方法
Tong et al. Global optimization of wireless seismic sensor network based on the Kriging model and improved particle swarm optimization algorithm
KR102614446B1 (ko) 실시간 시뮬레이터를 이용한 강화학습 기반 공장 에너지 관리 방법 및 이를 이용한 시스템
Spencer et al. Accurately forecasting temperatures in smart buildings using fewer sensors
US20150268650A1 (en) Power modeling based building demand management system
KR20200101485A (ko) 건물설비 운영방법 및 장치

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