KR20160037583A - 전력 수요 예측 장치 및 방법 - Google Patents

전력 수요 예측 장치 및 방법 Download PDF

Info

Publication number
KR20160037583A
KR20160037583A KR1020140130342A KR20140130342A KR20160037583A KR 20160037583 A KR20160037583 A KR 20160037583A KR 1020140130342 A KR1020140130342 A KR 1020140130342A KR 20140130342 A KR20140130342 A KR 20140130342A KR 20160037583 A KR20160037583 A KR 20160037583A
Authority
KR
South Korea
Prior art keywords
power
amount
ami
regression coefficient
demand
Prior art date
Application number
KR1020140130342A
Other languages
English (en)
Other versions
KR101639402B1 (ko
Inventor
박영배
이정일
이종욱
최승환
Original Assignee
한국전력공사
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 한국전력공사 filed Critical 한국전력공사
Priority to KR1020140130342A priority Critical patent/KR101639402B1/ko
Publication of KR20160037583A publication Critical patent/KR20160037583A/ko
Application granted granted Critical
Publication of KR101639402B1 publication Critical patent/KR101639402B1/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/30—Reactive power compensation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Abstract

본 발명은 AMI(Advanced Metering Infrastructure)단 전력량 정보를 이용한 상향식 전력 수요 예측 장치 및 방법에 관한 것이다. 이를 위한 본 발명의 전력 수요 예측 장치는 AMI단 전력량 정보에서 업종별 전력량 정보들을 근거로 복수의 업종들을 복수의 그룹으로 구분하며, 각 그룹에 대한 예측 모형들을 생성하는 그룹별 예측 모형 생성부; AMI단 전력량 정보와 배전단 전력량 정보를 근거로 추출된 AMI단 전력량 데이터와 배전단 전력량 데이터 간의 제 1 회귀 계수를 추출하는 회귀 계수 추정부; 및 예측 모형들과 AMI단 전력량 데이터를 근거로 AMI단 예측 전력량을 산출하고, AMI단 예측 전력량과 제 1 회귀 계수를 근거로, 배전단 예측 전력량을 산출하는 수요 예측부를 포함하는 것을 특징으로 한다.

Description

전력 수요 예측 장치 및 방법{APPARATUS AND METHOD FOR PREDICTING ELECTRICITY DEMAND}
본 발명은 전력 수요 예측 장치 및 방법에 관한 것이고, 보다 상세하게 AMI(Advanced Metering Infrastructure)단 전력량 정보를 이용한 상향식 전력 수요 예측 장치 및 방법에 관한 것이다.
전력 공급량이 전력 소비량을 커버하지 못하여, 대규모 정전이 발생하는 경우가 발생하고 있다. 이러한 상황은 다양한 원인이 존재할 수 있는데, 이들 원인 중 전력 수요의 예측이 올바르게 되지 않아 정전이 발생하는 상황이 점차 증가하고 있다. 다만, 종래의 기술에서 이루어지는 전력 수요 예측은 주로 단일 수요 예측 모형을 이용하여 전력 수요를 예측하는 방식이 이용되고 있다.
다만, 이러한 방식은 고객들의 다양한 업종을 다양하지 못하는 단점이 존재한다. 이에 관련하여, 현재 국내 업종은 크게 79개 업종으로 분류될 수 있는데, 이들 업종간의 24시간 수요 패턴과 기상 조건(예를 들어, 기온)에 반응하는 기상 민감도가 서로 상이하다. 즉, 업종에 따라 전력 수요 패턴이 상이하고, 기상 민감도가 서로 상이하나, 이에 동일한 예측 모형을 적용하게 되면, 전력 사용 비중이 높은 특정 업종(예를 들어, 상업용)의 수요 변동에 의해 예측 결과가 결정되는 문제점이 존재한다.
이 경우, 비교적 전력 소비가 적은 곳이 많더라도 특정 업종의 수요 변동을 근거로 예측 결과가 결정되어, 수요 예측량에 대한 정확도가 많이 떨어지는 문제점이 존재한다.
이에 관련하여, 발명의 명칭이 "에너지 저장장치의 충방전 제어 방법 및 시스템"인 한국공개특허 제2013-0074046호가 존재한다.
본 발명은 AMI 스마트미터에서 계량된 고객의 전력량 자료를 근거로 업종별 특성이 반영된 예측 모형을 적용하여 전력량을 예측하는 전력 수요 예측 장치 및 방법을 제공하는데 그 목적이 있다.
상기와 같은 과제를 해결하기 위한 본 발명의 전력 수요 예측 장치는 AMI단 전력량 정보에서 업종별 전력량 정보들을 근거로 복수의 업종들을 복수의 그룹으로 구분하며, 각 그룹에 대한 예측 모형들을 생성하는 그룹별 예측 모형 생성부; AMI단 전력량 정보와 배전단 전력량 정보를 근거로 추출된 AMI단 전력량 데이터와 배전단 전력량 데이터 간의 제 1 회귀 계수를 추출하는 회귀 계수 추정부; 및 예측 모형들과 AMI단 전력량 데이터를 근거로 AMI단 예측 전력량을 산출하고, AMI단 예측 전력량과 제 1 회귀 계수를 근거로, 배전단 예측 전력량을 산출하는 수요 예측부를 포함하는 것을 특징으로 한다.
또한, 그룹별 예측 모형 생성부는 각 업종의 정규화된 전력 수요 패턴과 분산, 최대 및 최소 전력 수요 비율, 기설정된 시간 대의 전력 수요 감소율 및 수요 전력량과 기온 간의 상관 관계 분석 결과 중 적어도 하나를 근거로 복수의 업종들을 복수의 그룹으로 구분할 수 있다.
또한, AMI단 전력량 데이터는 각 시간에 대한 AMI단 전력량의 평균값을 포함하고, 배전단 전력량 데이터는 각 시간에 대한 배전단 전력량의 평균값을 포함할 수 있다.
또한, 수요 예측부는 예측 모형들에 AMI단 전력량 데이터와 기상 데이터를 대입하여 복수의 그룹 각각에 대한 그룹 예측 전력량을 산출하고, 그룹 예측 전력량을 합산함으로써 AMI단 예측 전력량을 산출할 수 있다.
또한, 제 1 회귀 계수는 각 시간에 대한 배전단 전력량에 대한 배전단 회귀 계수와 배전단 회귀 상수를 포함할 수 있다.
또한, 배전단 회귀 계수는 기설정된 기간 동안의 각 시간에 대한 AMI 평균 전력량 값, 배전단 평균 전력량 값, 그리고 각 시간에 대한 AMI 전력량 데이터 및 배전단 전력량 데이터를 근거로 산출될 수 있다.
또한, 배전단 회귀 상수는 배전단 전력량 데이터에서 배전단 회귀 계수와 AMI단 전력량 데이터의 곱을 뺌으로써 산출될 수 있다.
또한, 수요 예측부는 AMI단 예측 전력량에 배전단 회귀 계수를 곱하고, 배전단 회귀 상수를 더함으로써 배전단 예측 전력량을 산출할 수 있다.
또한, 회귀 계수 추정부는 배전단 전력량 데이터와 송전단 전력량 데이터 간의 제 2 회귀 계수를 더 추출하고, 수요 예측부는 배전단 예측 전력량과 상기 제 2 회귀 계수를 근거로, 송전단 예측 전력량을 산출할 수 있다.
또한, 수요 예측부는 배전단 예측 전력량에 송전단 회귀 계수를 곱하고, 송전단 회귀 상수를 더함으로써, 송전단 예측 전력량을 산출할 수 있다.
또한, 회귀 계수 추정부는 상기 송전단 전력량 데이터와 발전단 전력량 데이터 간의 제 3 회귀 계수를 더 추출하고, 수요 예측부는 송전단 예측 전력량과 제 3 회귀 계수를 근거로, 발전단 예측 전력량을 더 산출할 수 있다.
또한, 수요 예측부는 송전단 예측 전력량에 발전단 회귀 계수를 곱하고, 발전단 회귀 상수를 더함으로써, 발전단 예측 전력량을 산출할 수 있다.
또한, 그룹별 예측 모형 생성부는 ARIMA(Auto-Regressive Moving Average Model)를 통해 각 그룹에 대한 예측 모형들을 생성할 수 있다.
상기와 같은 과제를 해결하기 위한 본 발명의 전력 수요 예측 방법은 그룹별 예측 모형 생성부에 의해, AMI단 전력량 정보에서 업종별 전력량 정보들을 근거로 복수의 업종들을 복수의 그룹으로 구분하고, 각 그룹에 대한 예측 모형들을 생성하는 단계; 회귀 계수 추정부에 의해, AMI단 전력량 정보와 배전단 전력량 정보를 근거로 추출된 AMI단 전력량 데이터와 배전단 전력량 데이터 간의 제 1 회귀 계수를 추출하는 단계; 수요 예측부에 의해, 예측 모형들과 AMI단 전력량 데이터를 근거로 AMI단 예측 전력량을 산출하는 단계; 및 수요 예측부에 의해, AMI단 예측 전력량과 제 1 회귀 계수를 근거로, 배전단 예측 전력량을 산출하는 단계를 포함하는 것을 특징으로 한다.
또한, 그룹에 대한 예측 모형들을 생성하는 단계는 각 업종의 정규화된 전력 수요 패턴과 분산, 최대 및 최소 전력 수요 비율, 기설정된 시간 대의 전력 수요 감소율 및 수요 전력량과 기온 간의 상관 관계 분석 결과 중 적어도 하나를 근거로 상기 복수의 업종들을 복수의 그룹으로 구분하는 단계를 포함할 수 있다.
또한, AMI단 예측 전력량을 산출하는 단계는 예측 모형들에 AMI단 전력량 데이터와 기상 데이터를 대입하여 복수의 그룹 각각에 대한 그룹 예측 전력량을 산출하고, 그룹 예측 전력량을 합산함으로써 이루어질 수 있다.
또한, 배전단 예측 전력량을 산출하는 단계는 AMI단 예측 전력량에 제 1 회귀 계수에 포함된 배전단 회귀 계수를 곱하고, 배전단 회귀 상수를 더함으로써 이루어질 수 있다.
또한, 본 발명의 전력 수요 예측 방법은 배전단 전력량 데이터와 송전단 전력량 데이터 간의 제 2 회귀 계수를 추출하는 단계; 및 배전단 예측 전력량과 제 2 회귀 계수를 근거로, 송전단 예측 전력량을 산출하는 단계를 더 포함할 수 있다.
또한, 송전단 전력량 데이터와 발전단 전력량 데이터 간의 제 3 회귀 계수를 추출하는 단계; 및 송전단 예측 전력량과 제 3 회귀 계수를 근거로, 발전단 예측 전력량을 산출하는 단계를 더 포함할 수 있다.
본 발명의 전력 수요 예측 장치 및 방법에 따르면 각 업종의 24시간 수요패턴과 기상민감도를 반영할 수 있어서, 전력사용 비중이 높은 특정 업종의 수요변동에 의해 발생하는 예측의 왜곡 현상을 해결할 수 있고, 업종별 세분화된 예측을 통하여 예측의 정확도를 향상시킬 수 있는 효과가 있다.
도 1은 본 발명의 일 실시예에 따른 전력 수요 예측 장치에 대한 블록도이다.
도 2는 본 발명의 일 실시예에 따른 수요 예측부에 대한 블록도이다.
도 3 내지 도 8은 본 발명의 일 실시예에 따른 전력 수요 예측 장치를 통해 분류될 수 있는 업종 그룹들에 대한 전력 수요 패턴의 예시에 대한 그래프이다.
도 9는 본 발명의 일 실시예에 따른 전력 수요 예측 방법에 대한 흐름도이다.
도 10은 본 발명의 일 실시예에 따른 배전단, 송전단 및 발전단에 대한 예측 전력량을 산출하는 단계에 대한 흐름도이다.
본 발명을 첨부된 도면을 참조하여 상세히 설명하면 다음과 같다. 여기서, 반복되는 설명, 본 발명의 요지를 불필요하게 흐릴 수 있는 공지 기능, 및 구성에 대한 상세한 설명은 생략한다. 본 발명의 실시형태는 당 업계에서 평균적인 지식을 가진 자에게 본 발명을 보다 완전하게 설명하기 위해서 제공되는 것이다. 따라서, 도면에서의 요소들의 형상 및 크기 등은 보다 명확한 설명을 위해 과장될 수 있다.
이하, 본 발명의 실시예에 따른 전력 수요 예측 장치 및 방법에 대하여 설명하도록 한다.
도 1은 본 발명의 일 실시예에 따른 전력 수요 예측 장치(100)에 대한 블록도이다. 상술한 바와 같이, 본 발명의 일 실시예에 따른 전력 수요 예측 장치(100)는 고객의 업종별 특성을 반영하여 전력 수요를 예측하는 것을 특징으로 한다. 이를 위해, 본 발명의 일 실시예에 따른 전력 수요 예측 장치(100)는 AMI 단 전력량을 예측하고, 그 후, 외부 시스템(예를 들어, SCADA 및 EMS)으로부터 계량된 배전단 전력량 정보, 송전단 전력량 정보 및 발전단 전력량 정보와, 예측된 AMI 단 전력량(이하 AMI 단 예측 전력량)과의 회귀 계수를 추정하고, 이를 적용함으로써 전력 수요 예측에 대한 정확도를 향상시키는 것을 그 특징으로 한다. 이를 위해, 본 발명의 일 실시예에 따른 전력 수요 예측 장치(100)는 수집부(110), 그룹별 예측 모형 생성부(120), 추출부(130), 회귀 계수 추정부(140) 및 수요 예측부(150)를 포함하여 구성될 수 있다. 이하, 도 1을 참조로 본 발명의 일 실시예에 다른 전력 수요 예측 장치(100)에 포함된 각 구성들에 대한 설명이 이루어진다.
수집부(110)는 외부 시스템(10)과의 연동을 통해 각각 AMI단 전력량 정보, 배전단 전력량 정보, 송전단 전력량 정보 및 발전단 전력량 정보 중 적어도 하나를 수집하는 기능을 한다. 여기서, 외부 시스템(10)은 예를 들어, MDMS(Meter Data Management System), SCADA(Supervisory Control And Data Acquisition) 및 EMS(Energy Management System) 중 적어도 하나를 포함할 수 있다. 즉, 수집부(110)는 MDMS로부터 AMI단 전력량 정보를, SCADA로부터 배전단 전력량 정보를, 그리고 EMS로부터 송전단 전력량 정보와 발전단 전력량 정보를 수집할 수 있다. 수집부(110)를 통해 수집되는 전력량에 대한 정보는 다음의 표 1을 참조하면 보다 분명해진다.
Figure pat00001
위의 설명에서 발전단 전력량 정보는 발전소에서 실제 발전된 발전량을 의미한다. 또한, 송전단 전력량은 발전소에서의 소내전력과 M.Tr 변전 손실을 제외한 전력량을 의미한다. 배전단 전력량은 변전소 2차측 전력량으로서, SCADA에서 계량된 배전선로의 부하를 의미한다. 그리고, AMI단 전력량은 고객에 전력을 공급하는 지점에 설치된 스마트미터에서 계량된 부하를 의미한다.
여기서, 발전단 및 송전단 전력량 정보는 EMS로부터 각 발전기별로 취득될 수 있고, 아래의 표 2와 같이, 전력량 정보를 송전단 전력량 저장부(113) 및 발전단 전력량 저장부(114)에 각각 저장하여 관리할 수 있다.
Figure pat00002
배전단 전력량 정보는 변전소 2차측 부하로서, SCADA로부터 각 배전선로 별로 취득될 수 있다. 또한, 배전단 전력량 정보는 아래의 표 3과 같이, 전력량 정보를 배전단 전력량 저장부(112)에 저장하여 관리할 수 있다.
Figure pat00003
AMI단 전력량 정보는 고객에게 전력을 공급하는 지점에 설치된 스마트미터에서 계량된 전력량으로서, 각 계기별로 취득될 수 있다. 또한, AMI단 전력량 정보는 아래의 표 4와 같이, 전력량 정보를 AMI단 전력량 저장부(111)에 저장하여 관리할 수 있다.
Figure pat00004
위에서 언급한 바와 같이, 수집부(110)를 통해 수집된, AMI단 전력량 정보, 배전단 전력량 정보, 송전단 전력량 정보 및 발전단 전력량 정보는 각각 AMI단 전력량 저장부(111), 배전단 전력량 저장부(112), 송전단 전력량 저장부(113) 및 발전단 전력량 저장부(114)에 저장될 수 있다. 여기서, 저장부를 4개로 구분하여 기재한 이유는 이하에서 언급되는 설명의 용이함을 위함이고, 저장부의 개수 및 형태가 상기 4개의 형태로 한정되는 것은 아니다. 또한, AMI단 전력량 저장부(111), 배전단 전력량 저장부(112), 송전단 전력량 저장부(113) 및 발전단 전력량 저장부(114)가 수집부(110) 내에 포함되는 것으로 도시되었으나, 마찬가지로 이는 예시일 뿐이고 저장부(111, 112, 113, 114)의 위치는 수집부(110)의 내부 및 외부 모두에 위치될 수 있다.
그룹별 예측 모형 생성부(120)는 AMI단에서 각 시간(1시~24시까지)에 대한 전력량을 예측하기 위한 예측 모형을 생성하는 기능을 한다. 구체적으로, 그룹별 예측 모형 생성부(120)는 AMI단 전력량 저장부(111)에 저장된 AMI단 전력량 정보에서 고객들의 업종별 전력량 정보들을 근거로 복수의 업종들을 복수의 그룹으로 구분하고, 각 그룹에 대한 예측 모형을 생성하는 기능을 한다. 즉, 그룹별 예측 모형 생성부(120)는 AMI단 전력량 정보에서 고객들의 업종별 전력량 정보들에 대해 유사한 특성을 보이는 업종들을 복수의 그룹으로 묶는 과정을 먼저 수행한다.
이를 위해, 그룹별 예측 모형 생성부(120)는 각 업종의 정규화된 전력 수요 패턴과 분산, 최대 및 최소 전력 수요 비율, 기설정된 시간 대의 전력 수요 감소율 및 수요 전력량과 기온 간의 상관 관계 분석 결과 중 적어도 하나를 근거로 복수의 업종들을 복수의 그룹으로 구분할 수 있다. 여기서, 그룹의 클러스트링을 위해 예를 들어, K-means 알고리즘이 이용될 수 있다. 하지만, 이러한 클러스트링은 상기 알고리즘만으로 제한되지 않고, 다양한 알고리즘 또한 적용 가능하다.
아래에서, 표 5는 본 발명의 일 실시예에 따라 생성된 그룹들에 대한 예시를 도시한다.
Figure pat00005
본 발명의 그룹별 예측 모형 생성부(120)에 따라 생성된 그룹의 수는 본 예시에서는 6개로 가정된다. 여기서, 그룹의 개수는 이에 제한되지 않고 사용자의 설정에 따라 다양한 개수로 설정될 수 있다. 표 5를 참조하면, A 그룹에는 농업 및 임업 업종이 속함을 알 수 있다. 여기서, A 그룹의 전력 소비 패턴에 대한 그래프는 도 3에 도시된다. 도 3에 도시된 A 그룹의 그래프를 살펴보면, 주기적인 패턴이 규칙적으로 발생하고, 난방부하의 영향으로 기온이 높은 시간에 전력량이 감소함을 알 수 있다. 또한, 주중과 주말의 패턴이 일정하고, 전력량의 차이가 적음을 알 수 있다.
또한, 표 5에서 B 그룹을 살펴보면, B 그룹에는 석탄, 금속 광업, 비금속광물, 광업(연료용 제외), 자동차 및 트레일러 제조업, 기타 운송장비 제조업, 폐기물 수집운반 등의 업종이 속함을 알 수 있다. 여기서, B 그룹의 전력 소비 패턴에 대한 그래프는 도 4에 도시된다. 도 4에 도시된 B 그룹의 그래프를 살펴보면, 주로 업무가 발생하는 시간대에 소비되는 전력량이 높음을 알 수 있고, 점심시간의 전력부하 감소의 폭이 매우 크며, 이 시간대의 전력량은 최소 전력량에 거의 근접한 수준임을 알 수 있다. 또한, B 그룹의 그래프를 보면 주로 주말의 소비 전력량이 급격하게 낮아짐을 알 수 있다.
또한, 표 5에서 C 그룹을 살펴보면, C 그룹에는 펄프, 1차 금속 제조업, 의료업 등이 속함을 알 수 있다. 여기서, C 그룹의 전력 소비 패턴에 대한 그래프는 도 5에 도시된다. 도 5에 도시된 C 그룹의 그래프를 살펴 보면, 전력량의 증감이 거의 없으며, 연중 비슷한 전력량을 보인다는 것을 알 수 있다. 또한, 도 5에 도시된 C 그룹의 그래프를 살펴보면, 몇몇 특수일에 전력량 감소가 발생하지만, 이는 다른 그룹에 비해 미미함을 알 수 있다.
또한, 표 5에서 D 그룹을 살펴보면, D 그룹에는 식료품 제조업, 음료 제조업, 담배 제조업, 섬유제품 제조업(의복 제외), 의복, 가죽목재 및 나무제품 제조업(가구 제외), 인쇄 및 기록매체 복제업, 화학물질 및 화학제품 제조업(의약품 제외), 의료용 물질 및 의약품 제조업, 고무제품 및 플라스틱 제품 제조업, 비금속 광물제품 제조업, 금속가공제품 제조업(기계 및 가구 제외), 전자 부품 및 전기 장비 제조업, 기타 기계 및 장비 제조업, 가구 제조업, 기타 제품 제조업, 소매업(자동차 제외), 수도 사업, 항공 운송업, 창고 및 운송 관련 서비스업, 출판업, 영상·오디오 기록물 제작 및 배급업, 방송업, 통신업, 컴퓨터 프로그래밍, 정보서비스업, 부동산업, 임대업(부동산 제외), 연구 개발업, 전문 서비스업, 기타 전문 사업 지원 서비스업, 스포츠 및 오락 관련 서비스업, 수리업, 기타 개인 서비스업 등이 속함을 알 수 있다. 여기서, D 그룹의 전력 소비 패턴에 대한 그래프는 도 6에 도시된다. 도 6에 도시된 D 그룹의 그래프를 살펴보면, 전력량 데이터가 주중과 주말에 관계없이 거의 일정한 패턴을 갖는다는 것을 알 수 있다. 또한, 도 6에 도시된 D 그룹의 그래프를 살펴보면 기온의 영향을 크게 받지 않고, 연중 비슷한 패턴을 가지며, 점심시간과 무관하고 조업률과도 상관이 없는 패턴임을 알 수 있다.
또한, 표 5에서 E 그룹을 살펴보면, E 그룹에는 하수, 종합 건설업, 자동차 및 부품 판매업, 도매 및 상품 중개업, 수상 운송업, 금융업 보험 및 연금업, 금융 및 보험 관련 서비스업, 건축 기술, 사업 시설 관리 및 조경 서비스업, 공공 행정 교육 서비스업, 보건업창 직업 등이 속함을 알 수 있다. 여기서, E 그룹의 전력 소비 패턴에 대한 그래프는 도 7에 도시된다. 도 7에 도시된 E 그룹의 그래프를 살펴 보면, 오전부터 점심 시간 이전까지 많은 전력량이 발생하고, 연중 유사한 전력량을 보이며 기온의 영향을 받지 않음을 알 수 있다. 또한, 도 7에 도시된 E 그룹의 그래프를 살펴보면, 주말 및 공휴일에 전력량 감소가 두드러짐을 알 수 있다.
마지막으로, 표 5에서 F 그룹을 살펴보면, F 그룹에는 어업, 광업 지원 서비스업, 코크스, 전기, 환경 정화 및 복원업, 전문직별 공사업, 육상운송 및 파이프라인 운송업, 숙박업, 음식점 및 주점업, 사회복지 서비스업, 협회 및 단체 등이 속함을 알 수 있다. 여기서, F 그룹의 전력 소비 패턴에 대한 그래프는 도 8에 도시된다. 도 8에 도시된 F 그룹의 그래프를 살펴보면, 별도의 패턴이 규정되지 않고, 전력량의 합산을 통해 평활 효과를 기대할 수 있음을 알 수 있다.
상술한 것처럼, 그룹별 예측 모형 생성부(120)는 복수의 업종들을 그들의 전력 소비 패턴을 근거로 복수의 그룹으로 구분할 수 있다. 이렇게 복수의 그룹으로의 구분이 완료되면, 그룹별 예측 모형 생성부(120)는 각 그룹에 대한 예측 모형을 생성하는 과정을 수행한다. 여기서, 그룹별 예측 모형 생성부(120)는 AMI단 전력량 예측 모형을 도출하는데 ARIMA(Auto-Regressive Moving Average Model)를 이용할 수 있다.
상술한 바와 같이, 본 발명의 일 실시예에 따른 전력 수요 예측 장치(100)는 전력량이 계절별로 온도에 반응하는 정도를 고려하여 전력량을 예측할 수 있다. 이에 따라, 그룹별 예측 모형 생성부(120)는 1년을 4개의 구간으로 구분하여 예측 모형을 도출할 수 있다. 또한, 그룹별 예측 모형 생성부(120)는 구간을 구분한 후, 동일 구간 데이터를 연결할 경우, 값의 급격한 차이가 발생하는 것을 방지하기 위해, 기설정된 기간(예를 들어, 3년)의 데이터에서 전력 사용량과 같은 값을 갖는 시점을 기준으로 구간을 구분할 수 있다.
또한, ARIMA 모델을 이용하여, A 그룹에 대한 예측 모형 도출 결과는 아래의 수학식 1 및 표 6과 같이 표현될 수 있다.
Figure pat00006
Figure pat00007
위에서 언급한 것처럼 수학식 1은 A 그룹에 대한 예측 모형 도출 결과를 도시하는 수학식이고, 표 6은 모형 계수의 추정 결과를 도시한다. 위에서 언급한 것처럼, A 그룹의 경우 난방 부하의 영향으로 기온에 다소 높은 영향을 받는 것으로 서술되었다. 이를 근거로 표 6을 살펴보면, 기온(wA)에 대한 가중치가 780.121로 산출되었다. 이렇게 수학식 1 및 표 6을 통해 도출된 예측 모형을 정리한 결과는 아래의 수학식 2와 같이 표현될 수 있다.
Figure pat00008
수학식 2에서, Lt A는 t시간의 A 그룹의 전력량을 나타낸다. Tt는 t시간의 기온을 나타내고, B는 후항 연산자를 나타낸다. 여기서 후항연산자의 사용예는 예를 들어,
Figure pat00009
와 같이 이용될 수 있다. 그리고, εt는 t 시간의 오차를 나타낸다. 수학식 2를 예측에 활용할 수 있도록 전개한 결과는 아래의 수학식 3과 같다.
Figure pat00010
수학식 3에서,
Figure pat00011
는 t 시간의 A 그룹에 대한 전력 수요 예측값을 나타낸다. 또한, ARIMA 모델을 이용하여, B 그룹에 대한 예측 모형 도출 결과는 아래의 수학식 4 및 표 7과 같이 표현될 수 있다.
Figure pat00012
Figure pat00013
위에서 언급한 것처럼, 수학식 4은 B 그룹에 대한 예측 모형 도출 결과를 도시하는 수학식이고, 표 7은 모형 계수의 추정 결과를 도시한다. 수학식 4 및 표 7을 통해 도출된 예측 모형을 정리한 결과는 아래의 수학식 5와 같이 표현될 수 있다.
Figure pat00014
수학식 5를 예측에 활용할 수 있도록 전개한 결과는 아래의 수학식 6과 같이 표현된다.
Figure pat00015
ARIMA 모델을 이용하여, C 그룹에 대한 예측 모형 도출 결과는 아래의 수학식 7 및 표 8과 같이 표현될 수 있다.
Figure pat00016
Figure pat00017
위에서 언급한 것처럼, 수학식 7은 C 그룹에 대한 예측 모형 도출 결과를 도시하는 수학식이고, 표 8은 모형 계수의 추정 결과를 도시한다. 수학식 7 및 표 8을 통해 도출된 예측 모형을 정리한 결과는 아래의 수학식 8과 같이 표현될 수 있다.
Figure pat00018
수학식 8을 예측에 활용할 수 있도록 전개한 결과는 아래의 수학식 9과 같이 표현된다.
Figure pat00019
ARIMA 모델을 이용하여, D 그룹에 대한 예측 모형 도출 결과는 아래의 수학식 10 및 표 9과 같이 표현될 수 있다.
Figure pat00020
Figure pat00021
위에서 언급한 것처럼, 수학식 10은 D 그룹에 대한 예측 모형 도출 결과를 도시하는 수학식이고, 표 9는 모형 계수의 추정 결과를 도시한다. 또한, 표 9를 살펴보면, A 그룹 내지 C 그룹과는 다르게 D 그룹은 기온의 영향을 크게 받지 않는 것으로 언급되었으므로, 이에 따라, 수학식 10 및 표 9에 도시된 것처럼 기온의 가중치에 대한 설정이 크게 중요치 않다. 수학식 10을 통해 도출된 예측 모형을 정리한 결과는 아래의 수학식 11과 같이 표현될 수 있다.
Figure pat00022
수학식 11을 예측에 활용할 수 있도록 전개한 결과는 아래의 수학식 12와 같이 표현된다.
Figure pat00023
ARIMA 모델을 이용하여, E 그룹에 대한 예측 모형 도출 결과는 아래의 수학식 13 및 표 10과 같이 표현될 수 있다.
Figure pat00024
Figure pat00025
위에서 언급한 것처럼, 수학식 13은 E 그룹에 대한 예측 모형 도출 결과를 도시하는 수학식이고, 표 10은 모형 계수의 추정 결과를 도시한다. 수학식 13을 통해 도출된 예측 모형을 정리한 결과는 아래의 수학식 14와 같이 표현될 수 있다.
Figure pat00026
수학식 14를 예측에 활용할 수 있도록 전개한 결과는 아래의 수학식 15와 같이 표현된다.
Figure pat00027
ARIMA 모델을 이용하여, F 그룹에 대한 예측 모형 도출 결과는 아래의 수학식 16 및 표 11과 같이 표현될 수 있다.
Figure pat00028
Figure pat00029
위에서 언급한 것처럼, 수학식 16은 F 그룹에 대한 예측 모형 도출 결과를 도시하는 수학식이고, 표 11은 모형 계수의 추정 결과를 도시한다. 수학식 16을 통해 도출된 예측 모형을 정리한 결과는 아래의 수학식 17과 같이 표현될 수 있다.
Figure pat00030
수학식 17을 예측에 활용할 수 있도록 전개한 결과는 아래의 수학식 18과 같이 표현된다.
Figure pat00031
추출부(130)는 수집부(110)를 통해 수집된 정보 즉, AMI단 전력량 정보, 배전단 전력량 정보, 송전단 전력량 정보 및 발전단 전력량 정보에서, 이하에서 언급되는 회귀계수 추정부(140)를 통해 이용되는 전력량 데이터를 추출하는 기능을 한다.
구체적으로, 추출부(130)를 통해 추출되는 데이터는 다음과 같다.
Figure pat00032
여기서, 추출부(130)를 통해 이루어지는 추출 조건은 다음과 같다.
- 1시부터 24시까지 각 시간대별 전력량 데이터로 구분
- 각 시간대별 최소 50개 이상의 자료를 추출
- 최근 동일 요일의 자료를 추출하되, 월~금요일은 최근 월~금요일 모두 추출
- 공휴일 자료는 제외
- 동일 계절의 자료 추출
회귀 계수 추정부(140)는 이하에서 언급되는 수요 예측에 이용되는 회기 계측을 추정하는 기능을 한다. 구체적으로, 회귀 계수 추정부(140)는 AMI단 전력량 데이터와 배전단 전력량 데이터 간의 제 1 회귀 계수, 배전단 전력량 데이터와 송전단 전력량 데이터 간의 제 2 회귀 계수, 그리고 송전단 전력량 데이터와 발전단 전력량 데이터 간의 제 3 회귀 계수를 추정하는 기능을 한다. 여기서, 제 1 회귀 계수는 아래의 수학식 19를 통해 도출될 수 있다.
Figure pat00033
수학식 19에서, α1 t는 t시간의 배전단 전력량 추정을 위한 배전단 회귀 계수를, α0 t는 t시간의 배전단 전력량 추정에 사용되는 배전단 상수를 나타낸다. 또한, 수학식 19에서, A_Ld ,t는 d일 t시간의 AMI 전력량 데이터를, S_Li d ,t는 d일 t 시간의 배전단 전력량 데이터를 나타낸다. 그리고,
Figure pat00034
는 t 시간의 AMI 전력량 데이터(평균값), 그리고
Figure pat00035
는 t 시간의 배전단 전력량 데이터(평균값)를 나타낸다.
수학식 19에 나타난 것처럼, 배전단 회귀 계수(α1 t)는 기설정된 기간 동안의 각 시간에 대한 AMI 평균 전력량 값, 배전단 평균 전력량 값, 그리고 각 시간에 대한 AMI 전력량 데이터 및 배전단 전력량 데이터를 근거로 산출될 수 있다. 또한, 배전단 회귀 상수(α0 t)는 배전단 전력량 데이터에서 배전단 회귀 계수와 AMI단 전력량 데이터의 곱을 뺌으로써 산출될 수 있다.
배전단 전력량 데이터와 송전단 전력량 데이터 간의 제 2 회귀 계수는 아래의 수학식 20을 통해 도출될 수 있다.
Figure pat00036
수학식 20에서, β1 t는 t시간의 송전단 전력량 추정을 위한 송전단 회귀 계수를, β0 t는 t시간의 송전단 전력량 추정에 사용되는 송전단 상수를 나타낸다. 또한, 수학식 20에서 S_Li d ,t는 d일 t시간의 배전단 전력량 데이터를, 그리고 T_Li d ,t는 d일 t시간의 송전단 전력량 데이터를 나타낸다. 그리고,
Figure pat00037
는 t 시간의 송전단 전력량 데이터(평균값), 그리고
Figure pat00038
는 t시간의 배전단 전력량 데이터(평균값)를 나타낸다.
수학식 20에 나타난 것처럼, 송전단 회귀 계수(β 1 t)는 기설정된 기간 동안의 각 시간에 대한 송전단 평균 전력량 값, 배전단 평균 전력량 값, 그리고 각 시간에 대한 송전단 전력량 데이터 및 배전단 전력량 데이터를 근거로 산출될 수 있다. 또한, 송전단 회귀 상수(β0 t)는 송전단 전력량 데이터에서 송전단 회귀 계수와 배전단 전력량 데이터의 곱을 뺌으로써 산출될 수 있다.
송전단 전력량 데이터와 발전단 전력량 데이터 간의 제 3 회귀 계수는 아래의 수학식 21을 통해 도출될 수 있다.
Figure pat00039
수학식 21에서, γ1 t는 t시간의 발전단 전력량 추정을 위한 발전단 회귀 계수를, γ0 t는 t시간의 발전단 전력량 추정에 사용되는 발전단 상수를 나타낸다. 또한, 수학식 21에서 G_Li d ,t는 d일 t시간의 발전단 전력량 데이터를, 그리고 T_Li d ,t는 d일 t시간의 송전단 전력량 데이터를 나타낸다. 그리고,
Figure pat00040
는 t 시간의 송전단 전력량 데이터(평균값), 그리고
Figure pat00041
는 t시간의 발전단 전력량 데이터(평균값)를 나타낸다.
수학식 21에 나타난 것처럼, 발전단 회귀 계수(γ1 t)는 기설정된 기간 동안의 각 시간에 대한 발전단 평균 전력량 값, 송전단 평균 전력량 값, 그리고 각 시간에 대한 발전단 전력량 데이터 및 송전단 전력량 데이터를 근거로 산출될 수 있다. 또한, 발전단 회귀 상수(γ0 t)는 발전단 전력량 데이터에서 발전단 회귀 계수와 송전단 전력량 데이터의 곱을 뺌으로써 산출될 수 있다.
수요 예측부(150)는 그룹별 예측 모형 생성부(120)를 통해 생성된 그룹별 예측 모형들과 회귀 계수 추정부(140)를 통해 추정된 제 1 회귀 계수, 제 2 회귀 계수 및 제 3 회귀 계수를 근거로 AMI단 예측 전력량, 배전단 예측 전력량, 송전단 예측 전력량 및 발전단 예측 전력량을 산출하는 기능을 한다. 수요 예측부(150)를 통해 이루어지는 산출은 아래에서 도 2를 참조로 이루어진다.
도 2는 본 발명의 일 실시예에 따른 수요 예측부(150)에 대한 블록도이다. 상술한 바와 같이, 수요 예측부(150)는 AMI단 예측 전력량, 배전단 예측 전력량, 송전단 예측 전력량 및 발전단 예측 전력량을 산출하는 기능을 한다. 이를 위해, 본 발명의 일 실시예에 따른 수요 예측부(150)는 AMI단 수요 예측 모듈(151), 배전단 수요 예측 모듈(152), 송전단 수요 예측 모듈(153) 및 발전단 수요 예측 모듈(154)을 포함하여 구성될 수 있다. 이하, 도 2를 참조로 본 발명의 일 실시예에 따른 수요 예측부(150)에 대한 설명이 이루어진다.
AMI단 수요 예측 모듈(151)은 각 시간의 즉, 시간대별 AMI단 예측 전력량(시간대별 평균 AMI 전력량)을 산출하는 기능을 한다. 이를 위해, AMI단 수요 예측 모듈(151)은 그룹별 예측 모형 생성부(120)를 통해 구분된 복수의 그룹들에 대한 예측 모형들에 AMI 전력량 데이터와 기상 데이터를 대입하는 과정을 수행한다. 그 후, 전체 AMI단 예측 전력량의 산출을 위해, 각 그룹별로 예측된 결과를 합산하고, 이는 아래의 수학식 22와 같이 표현될 수 있다.
Figure pat00042
수학식 22에서
Figure pat00043
는 t시간의 AMI 예측 전력량을, 그리고
Figure pat00044
는 t 시간의 업종 그룹 g의 AMI 예측 전력량을 나타낸다. 상기 수학식 22를 통해 도출된 그룹별 전력 수요 예측 결과는 표 12와 같이 도출될 수 있다.
Figure pat00045
배전단 수요 예측 모듈(152)은 각 시간대의 시간대별 배전단 예측 전력량을 산출하는 기능을 한다. 이를 위해, 배전단 수요 예측 모듈(152)은 아래의 수학식 23을 통해 배전단 예측 전력량을 산출할 수 있다.
Figure pat00046
수학식 23에서
Figure pat00047
는 t시간의 배전단 예측 전력량을,
Figure pat00048
는 t시간의 AMI단 예측 전력량을 α1 t는 t시간의 배전단 전력량 추정을 위한 배전단 회귀 계수를, α0 t는 t시간의 배전단 전력량 추정에 사용되는 배전단 상수를 나타낸다. 즉, 배전단 수요 예측 모듈(152)은 AMI단 예측 전력량과 상기 제 1 회귀 계수를 근거로 배전단 예측 전력량을 산출할 수 있다. 구체적으로, 배전단 수요 예측 모듈(152)은 AMI단 예측 전력량에 배전단 회귀 계수를 곱하고, 배전단 회귀 상수를 더함으로써 배전단 예측 전력량을 산출할 수 있다.
또한, 수학식 23에서
Figure pat00049
는 t 시간의 AMI 스마트미터가 설치되지 않은 고객의 예측 전력량을, D_ratet는 스마트미터가 보급된 배전선로에 대해 계산된 t 시간의 평균 배전단 전력 손실율을, 그리고
Figure pat00050
는 t 시간의 배전단 전력량 손실을 나타낸다.
송전단 수요 예측 모듈(153)은 각 시간대의 시간대별 송전단 예측 전력량을 산출하는 기능을 한다. 이를 위해, 송전단 수요 예측 모듈(153)은 아래의 수학식 24를 통해 송전단 예측 전력량을 산출할 수 있다.
Figure pat00051
수학식 24에서
Figure pat00052
는 t시간의 배전단 예측 전력량을,
Figure pat00053
는 t시간의 송전단 예측 전력량을 β1 t는 t시간의 송전단 전력량 추정을 위한 송전단 회귀 계수를, β0 t는 t시간의 송전단 전력량 추정에 사용되는 송전단 상수를 나타낸다. 즉, 송전단 수요 예측 모듈(153)은 배전단 예측 전력량과 상기 제 2 회귀 계수를 근거로 송전단 예측 전력량을 산출할 수 있다. 구체적으로, 송전단 수요 예측 모듈(153)은 배전단 예측 전력량에 송전단 회귀 계수를 곱하고, 송전단 회귀 상수를 더함으로써 송전단 예측 전력량을 산출할 수 있다. 또한, 수학식 24에서
Figure pat00054
는 t 시간의 송전단 전력량 손실을 나타낸다.
발전단 수요 예측 모듈(154)은 각 시간대의 시간대별 발전단 예측 전력량을 산출하는 기능을 한다. 이를 위해, 발전단 수요 예측 모듈(154)은 아래의 수학식 25를 통해 발전단 예측 전력량을 산출할 수 있다.
Figure pat00055
수학식 25에서
Figure pat00056
는 t시간의 발전단 예측 전력량을,
Figure pat00057
는 t시간의 송전단 예측 전력량을 γ1 t는 t시간의 발전단 전력량 추정을 위한 발전단 회귀 계수를, γ0 t는 t시간의 발전단 전력량 추정에 사용되는 발전단 상수를 나타낸다. 즉, 발전단 수요 예측 모듈(154)은 송전단 예측 전력량과 상기 제 3 회귀 계수를 근거로 발전단 예측 전력량을 산출할 수 있다. 구체적으로, 발전단 수요 예측 모듈(154)은 송전단 예측 전력량에 발전단 회귀 계수를 곱하고, 발전단 회귀 상수를 더함으로써 발전단 예측 전력량을 산출할 수 있다. 또한, 수학식 25에서
Figure pat00058
는 t 시간의 발전단 손실을 나타낸다.
도 9는 본 발명의 일 실시예에 따른 전력 수요 예측 방법에 대한 흐름도이다. 상술한 바와 같이, 본 발명의 일 실시예에 따른 전력 수요 예측 방법은 고객의 업종별 특성을 반영하여 전력 수요를 예측하는 것을 특징으로 한다. 이하, 본 발명의 일 실시예에 따른 전력 수요 예측 방법에 대해 설명한다. 이하의 설명은 위에서 도 1 및 도 2를 참조로 언급한 부분과 중복되는 사항은 생략하여 이루어진다.
그룹별 예측 모형 생성부에 의해, AMI단 전력량 정보에서 업종별 전력량 정보들을 근거로 복수의 업종들을 복수의 그룹으로 구분하는 단계(S110), 그리고 각 그룹에 대한 예측 모형들을 생성하는 단계(S120)가 수행된다. S110 단계에서 이루어지는 그룹 구분 과정은 각 업종의 정규화된 전력 수요 패턴과 분산, 최대 및 최소 전력 수요 비율, 기설정된 시간 대의 전력 수요 감소율 및 수요 전력량과 기온 간의 회귀 관계 분석 결과 중 적어도 하나를 근거로 이루어질 수 있다. 또한, 120 단계에서 이루어지는 예측 모형에 대한 생성 과정은 위에서 도 3 내지 도 8, 그리고 수학식 1 내지 수학식 18을 참조로 상세히 언급되었으므로, 이에 대한 추가적인 설명은 생략한다.
그 후, 회귀 계수 추정부에 의해, 회귀 계수를 추정하는 단계(S130)가 수행된다. 위에서 언급한 것처럼, 본 발명의 일 실시예에 따른 전력 수요 예측 방법은 AMI단에서 발전단으로 즉, 상향식 예측이 이루어지는 것을 특징으로 한다. 이를 위해, S130 단계에서는 AMI단 전력량 데이터와 발전단 전력량 데이터 간의 제 1 회귀 계수, 발전단 전력량 데이터와 송전단 전력량 데이터 간의 제 2 회귀 계수, 그리고 송전단 전력량 데이터와 발전단 전력량 데이터 간의 제 3 회귀 계수를 산출하는 기능을 한다. 여기서 제 1 회귀 계수는 배전단 회귀 계수와 배전단 상수를, 제 2 회귀 계수는 송전단 회귀 계수와 송전단 상수를, 그리고 제 3 회귀 계수는 발전단 회귀 계수와 발전단 상수를 포함할 수 있다. 각 회귀 계수를 산출하는 방법은 위에서 수학식 19 내지 수학식 21을 참조로 상세히 언급하였으므로, 이에 대한 추가적인 설명은 생략한다.
그 후, 수요 예측부에 의해, S120 단계에서 생성된 예측 모형들과 AMI단 전력량 데이터를 근거로 AMI단 예측 전력량을 산출하는 단계(S140)가 수행된다. S140 단계는 예측 모형들에 AMI단 전력량 데이터와 기상 데이터를 대입하여 복수의 그룹 각각에 대한 그룹 예측 전력량을 산출하고, 그룹 예측 전력량을 합산함으로써 AMI단 예측 전력량을 산출할 수 있다. S140 단계에서 이루어지는 AMI단 예측 전력량의 구체적인 산출 방법은 위에서 수학식 22를 참조로 상세히 언급되었으므로, 이에 대한 추가적인 설명은 생략된다. 그 후 S140 단계는 AMI단 예측 전력량과 S130 단계에서 추정된 제 1 회귀 계수, 제 2 회귀 계수 및 제 3 회귀 계수를 근거로 배전단 예측 전력량, 송전단 예측 전력량 및 발전단 예측 전력량을 산출하는 과정을 수행한다. 여기서, S140 단계에서 이루어지는 배전단 예측 전력량, 송전단 예측 전력량 및 발전단 예측 전력량을 산출하는 과정에 대한 설명은 이하에서 도 10을 참조로 이루어진다.
도 10은 본 발명의 일 실시예에 따른 배전단, 송전단 및 발전단에 대한 예측 전력량을 산출하는 단계에 대한 흐름도이다.
먼저, 제 1 회귀 계수와 AMI단 예측 전력량을 근거로 배전단 예측 전력량을 산출하는 단계(S141)가 수행된다. 구체적으로, S141 단계는 AMI단 예측 전력량에 배전단 회귀 계수를 곱하고, 배전단 회귀 상수를 더함으로써 배전단 예측 전력량을 산출할 수 있다. 또한, 위에서 수학식 23을 참조로 언급한 것처럼, S141 단계에서는 t 시간의 배전단 전력량 손실을 구하는 것 또한 가능하나, 이에 대한 설명은 위에서 상세히 개시되었으므로, 이에 대한 추가적인 설명은 생략한다.
그 후, 제 2 회귀 계수와 배전단 예측 전력량을 근거로 송전단 예측 전력량을 산출하는 단계(S142)가 수행된다. 구체적으로, S142 단계는 배전단 예측 전력량에 송전단 회귀 계수를 곱하고, 송전단 회귀 상수를 더함으로써 송전단 예측 전력량을 산출할 수 있다. 또한, 위에서 수학식 24를 참조로 언급한 것처럼, S142 단계에서는 t 시간의 송전단 전력량 손실을 구하는 것 또한 가능하나, 이에 대한 설명은 위에서 상세히 개시되었으므로, 이에 대한 추가적인 설명은 생략한다.
그 후, 제 3 회귀 계수와 송전단 예측 전력량을 근거로 발전단 예측 전력량을 산출하는 단계(S143)가 수행된다. 구체적으로, S143 단계는 송전단 예측 전력량에 발전단 회귀 계수를 곱하고, 발전단 회귀 상수를 더함으로써 발전단 예측 전력량을 산출할 수 있다. 또한, 위에서 수학식 25를 참조로 언급한 것처럼, S143 단계에서는 t 시간의 발전단 전력량 손실을 구하는 것 또한 가능하나, 이에 대한 설명은 위에서 상세히 개시되었으므로, 이에 대한 추가적인 설명은 생략한다.
이상에서와 같이 도면과 명세서에서 최적의 실시예가 개시되었다. 여기서 특정한 용어들이 사용되었으나, 이는 단지 본 발명을 설명하기 위한 목적에서 사용된 것이지 의미 한정이나 특허청구범위에 기재된 본 발명의 범위를 제한하기 위하여 사용된 것은 아니다. 그러므로, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호범위는 첨부된 특허청구범위의 기술적 사상에 의해 정해져야 할 것이다.
100 : 전력 수요 예측 장치 110 : 수집부
120 : 그룹별 예측 모형 생성부 130 : 추출부
140 : 회귀 계수 추정부 150 : 수요 예측부

Claims (19)

  1. AMI(Advanced Metering Infrastructure)단 전력량 정보에서 업종별 전력량 정보들을 근거로 복수의 업종들을 복수의 그룹으로 구분하며, 각 그룹에 대한 예측 모형들을 생성하는 그룹별 예측 모형 생성부;
    상기 AMI단 전력량 정보와 배전단 전력량 정보를 근거로 추출된 AMI단 전력량 데이터와 배전단 전력량 데이터 간의 제 1 회귀 계수를 추출하는 회귀 계수 추정부; 및
    상기 예측 모형들과 상기 AMI단 전력량 데이터를 근거로 AMI단 예측 전력량을 산출하고, 상기 AMI단 예측 전력량과 상기 제 1 회귀 계수를 근거로, 배전단 예측 전력량을 산출하는 수요 예측부를 포함하는 것을 특징으로 하는, 전력 수요 예측 장치.
  2. 제1항에 있어서,
    상기 그룹별 예측 모형 생성부는,
    각 업종의 정규화된 전력 수요 패턴과 분산, 최대 및 최소 전력 수요 비율, 기설정된 시간 대의 전력 수요 감소율 및 수요 전력량과 기온 간의 상관 관계 분석 결과 중 적어도 하나를 근거로 상기 복수의 업종들을 복수의 그룹으로 구분하는 것을 특징으로 하는, 전력 수요 예측 장치.
  3. 제1항에 있어서,
    상기 AMI단 전력량 데이터는 각 시간에 대한 AMI단 전력량의 평균값을 포함하고, 상기 배전단 전력량 데이터는 각 시간에 대한 배전단 전력량의 평균값을 포함하는 것을 특징으로 하는, 전력 수요 예측 장치.
  4. 제1항에 있어서,
    상기 수요 예측부는
    상기 예측 모형들에 상기 AMI단 전력량 데이터와 기상 데이터를 대입하여 복수의 그룹 각각에 대한 그룹 예측 전력량을 산출하고, 상기 그룹 예측 전력량을 합산함으로써 상기 AMI단 예측 전력량을 산출하는 것을 특징으로 하는, 전력 수요 예측 장치.
  5. 제1항에 있어서,
    상기 제 1 회귀 계수는 각 시간에 대한 배전단 전력량에 대한 배전단 회귀 계수와 배전단 회귀 상수를 포함하는 것을 특징으로 하는, 전력 수요 예측 장치.
  6. 제5항에 있어서,
    상기 배전단 회귀 계수는
    기설정된 기간 동안의 각 시간에 대한 AMI 평균 전력량 값, 배전단 평균 전력량 값, 그리고 각 시간에 대한 AMI 전력량 데이터 및 배전단 전력량 데이터를 근거로 산출되는 것을 특징으로 하는, 전력 수요 예측 장치.
  7. 제5항에 있어서,
    상기 배전단 회귀 상수는
    배전단 전력량 데이터에서 상기 배전단 회귀 계수와 AMI단 전력량 데이터의 곱을 뺌으로써 산출되는 것을 특징으로 하는, 전력 수요 예측 장치.
  8. 제1항에 있어서,
    상기 수요 예측부는,
    상기 AMI단 예측 전력량에 배전단 회귀 계수를 곱하고, 배전단 회귀 상수를 더함으로써 상기 배전단 예측 전력량을 산출하는 것을 특징으로 하는, 전력 수요 예측 장치.
  9. 제1항에 있어서,
    상기 회귀 계수 추정부는 상기 배전단 전력량 데이터와 송전단 전력량 데이터 간의 제 2 회귀 계수를 더 추출하고,
    상기 수요 예측부는 상기 배전단 예측 전력량과 상기 제 2 회귀 계수를 근거로, 송전단 예측 전력량을 산출하는 것을 특징으로 하는, 전력 수요 예측 장치.
  10. 제9항에 있어서,
    상기 수요 예측부는,
    상기 배전단 예측 전력량에 송전단 회귀 계수를 곱하고, 송전단 회귀 상수를 더함으로써, 상기 송전단 예측 전력량을 산출하는 것을 특징으로 하는, 전력 수요 예측 장치.
  11. 제9항에 있어서,
    상기 회귀 계수 추정부는 상기 송전단 전력량 데이터와 발전단 전력량 데이터 간의 제 3 회귀 계수를 더 추출하고,
    상기 수요 예측부는 상기 송전단 예측 전력량과 상기 제 3 회귀 계수를 근거로, 발전단 예측 전력량을 더 산출하는 것을 특징으로 하는, 전력 수요 예측 장치.
  12. 제11항에 있어서,
    상기 수요 예측부는,
    상기 송전단 예측 전력량에 발전단 회귀 계수를 곱하고, 발전단 회귀 상수를 더함으로써, 상기 발전단 예측 전력량을 산출하는 것을 특징으로 하는, 전력 수요 예측 장치.
  13. 제1항에 있어서,
    상기 그룹별 예측 모형 생성부는
    ARIMA(Auto-Regressive Moving Average Model)를 통해 각 그룹에 대한 예측 모형들을 생성하는 것을 특징으로 하는, 전력 수요 예측 장치.
  14. 그룹별 예측 모형 생성부에 의해, AMI단 전력량 정보에서 업종별 전력량 정보들을 근거로 복수의 업종들을 복수의 그룹으로 구분하고, 각 그룹에 대한 예측 모형들을 생성하는 단계;
    회귀 계수 추정부에 의해, 상기 AMI단 전력량 정보와 배전단 전력량 정보를 근거로 추출된 AMI단 전력량 데이터와 배전단 전력량 데이터 간의 제 1 회귀 계수를 추출하는 단계;
    수요 예측부에 의해, 상기 예측 모형들과 상기 AMI단 전력량 데이터를 근거로 AMI단 예측 전력량을 산출하는 단계; 및
    상기 수요 예측부에 의해, 상기 AMI단 예측 전력량과 상기 제 1 회귀 계수를 근거로, 배전단 예측 전력량을 산출하는 단계를 포함하는 것을 특징으로 하는, 전력 수요 예측 방법.
  15. 제14항에 있어서,
    상기 그룹에 대한 예측 모형들을 생성하는 단계는,
    각 업종의 정규화된 전력 수요 패턴과 분산, 최대 및 최소 전력 수요 비율, 기설정된 시간 대의 전력 수요 감소율 및 수요 전력량과 기온 간의 상관 관계 분석 결과 중 적어도 하나를 근거로 상기 복수의 업종들을 복수의 그룹으로 구분하는 단계를 포함하는 것을 특징으로 하는, 전력 수요 예측 방법.
  16. 제14항에 있어서,
    상기 AMI단 예측 전력량을 산출하는 단계는
    상기 예측 모형들에 상기 AMI단 전력량 데이터와 기상 데이터를 대입하여 복수의 그룹 각각에 대한 그룹 예측 전력량을 산출하고, 상기 그룹 예측 전력량을 합산함으로써 이루어지는 것을 특징으로 하는, 전력 수요 예측 방법.
  17. 제14항에 있어서,
    상기 배전단 예측 전력량을 산출하는 단계는,
    상기 AMI단 예측 전력량에 상기 제 1 회귀 계수에 포함된 배전단 회귀 계수를 곱하고, 배전단 회귀 상수를 더함으로써 이루어지는 것을 특징으로 하는, 전력 수요 예측 방법.
  18. 제14항에 있어서,
    상기 배전단 전력량 데이터와 송전단 전력량 데이터 간의 제 2 회귀 계수를 추출하는 단계; 및
    상기 배전단 예측 전력량과 상기 제 2 회귀 계수를 근거로, 송전단 예측 전력량을 산출하는 단계를 더 포함하는 것을 특징으로 하는, 전력 수요 예측 방법.
  19. 제18항에 있어서,
    상기 송전단 전력량 데이터와 발전단 전력량 데이터 간의 제 3 회귀 계수를 추출하는 단계; 및
    상기 송전단 예측 전력량과 상기 제 3 회귀 계수를 근거로, 발전단 예측 전력량을 산출하는 단계를 더 포함하는 것을 특징으로 하는, 전력 수요 예측 방법.

KR1020140130342A 2014-09-29 2014-09-29 전력 수요 예측 장치 및 방법 KR101639402B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020140130342A KR101639402B1 (ko) 2014-09-29 2014-09-29 전력 수요 예측 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020140130342A KR101639402B1 (ko) 2014-09-29 2014-09-29 전력 수요 예측 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20160037583A true KR20160037583A (ko) 2016-04-06
KR101639402B1 KR101639402B1 (ko) 2016-07-13

Family

ID=55790534

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020140130342A KR101639402B1 (ko) 2014-09-29 2014-09-29 전력 수요 예측 장치 및 방법

Country Status (1)

Country Link
KR (1) KR101639402B1 (ko)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101722611B1 (ko) * 2015-11-11 2017-04-03 대우조선해양 주식회사 수요 예측 장치 및 방법
CN107274054A (zh) * 2017-05-03 2017-10-20 国网辽宁省电力有限公司 基于同层设备最大可供能力的配电网运行效率评价方法
KR101941003B1 (ko) * 2017-10-19 2019-04-12 광주과학기술원 전력 수요 예측 방법 및 그 시스템
KR20190051243A (ko) * 2017-11-06 2019-05-15 광주과학기술원 전력 수요 예측 방법 및 그 시스템
KR102036243B1 (ko) * 2018-07-17 2019-10-24 숭실대학교산학협력단 전력 사용량 예측 장치 및 방법
KR20210046228A (ko) * 2019-10-18 2021-04-28 한국가스공사 통계적 학습을 통한 천연가스 수요 예측방법
WO2021107190A1 (ko) * 2019-11-27 2021-06-03 옴니시스템주식회사 통합 전력 관리 시스템
CN113240228A (zh) * 2021-03-23 2021-08-10 苏州易助能源管理有限公司 一种局部区域内各行业电力需求分析装置及方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006011715A (ja) * 2004-06-24 2006-01-12 Tokyo Electric Power Co Inc:The 資源消費量の推定方法及び装置
KR20060085741A (ko) * 2005-01-25 2006-07-28 한국전기연구원 자원 평가를 위한 웹 기반 전력 수요 관리 평가 시스템
JP2013255390A (ja) * 2012-06-08 2013-12-19 Mitsubishi Electric Corp 電力需要予測装置及び電力需要予測方法
KR20140110064A (ko) * 2012-02-14 2014-09-16 도시바 미쓰비시덴키 산교시스템 가부시키가이샤 수요전력 예측 시스템

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006011715A (ja) * 2004-06-24 2006-01-12 Tokyo Electric Power Co Inc:The 資源消費量の推定方法及び装置
KR20060085741A (ko) * 2005-01-25 2006-07-28 한국전기연구원 자원 평가를 위한 웹 기반 전력 수요 관리 평가 시스템
KR20140110064A (ko) * 2012-02-14 2014-09-16 도시바 미쓰비시덴키 산교시스템 가부시키가이샤 수요전력 예측 시스템
JP2013255390A (ja) * 2012-06-08 2013-12-19 Mitsubishi Electric Corp 電力需要予測装置及び電力需要予測方法

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101722611B1 (ko) * 2015-11-11 2017-04-03 대우조선해양 주식회사 수요 예측 장치 및 방법
CN107274054A (zh) * 2017-05-03 2017-10-20 国网辽宁省电力有限公司 基于同层设备最大可供能力的配电网运行效率评价方法
CN107274054B (zh) * 2017-05-03 2021-05-14 国网辽宁省电力有限公司 基于同层设备最大可供能力的配电网运行效率评价方法
KR101941003B1 (ko) * 2017-10-19 2019-04-12 광주과학기술원 전력 수요 예측 방법 및 그 시스템
KR20190051243A (ko) * 2017-11-06 2019-05-15 광주과학기술원 전력 수요 예측 방법 및 그 시스템
KR102036243B1 (ko) * 2018-07-17 2019-10-24 숭실대학교산학협력단 전력 사용량 예측 장치 및 방법
KR20210046228A (ko) * 2019-10-18 2021-04-28 한국가스공사 통계적 학습을 통한 천연가스 수요 예측방법
WO2021107190A1 (ko) * 2019-11-27 2021-06-03 옴니시스템주식회사 통합 전력 관리 시스템
KR20210065608A (ko) * 2019-11-27 2021-06-04 옴니시스템 주식회사 통합 전력 관리 시스템
CN113240228A (zh) * 2021-03-23 2021-08-10 苏州易助能源管理有限公司 一种局部区域内各行业电力需求分析装置及方法

Also Published As

Publication number Publication date
KR101639402B1 (ko) 2016-07-13

Similar Documents

Publication Publication Date Title
KR101639402B1 (ko) 전력 수요 예측 장치 및 방법
Powell et al. Heating, cooling, and electrical load forecasting for a large-scale district energy system
Fisher-Vanden et al. Electricity shortages and firm productivity: evidence from China's industrial firms
Rajanna et al. Modeling of integrated renewable energy system for electrification of a remote area in India
Mohamed et al. Short term load forecasting using double seasonal ARIMA model
Yildiz et al. Household electricity load forecasting using historical smart meter data with clustering and classification techniques
Gahrooei et al. A new pseudo load profile determination approach in low voltage distribution networks
US10664931B2 (en) Data analyzing system and method
EP3425585B1 (en) Method of utility usage analysis
KR101836439B1 (ko) 전력 수용가에 설치된 ess의 충방전 알고리즘 예측 시스템
Jang et al. On the long-term density prediction of peak electricity load with demand side management in buildings
Balachandra et al. Modelling electricity demand with representative load curves
Wang et al. Chance constrained unit commitment considering comprehensive modelling of demand response resources
Akpinar et al. Day-ahead natural gas forecasting using nonseasonal exponential smoothing methods
Ke et al. Load profile analysis and short-term building load forecast for a university campus
Koivisto et al. Statistical modeling of aggregated electricity consumption and distributed wind generation in distribution systems using AMR data
Khorsheed Long-term energy peak load forecasting models: A hybrid statistical approach
KR102497736B1 (ko) 스마트-팜용 에너지 발전 시스템 및 그 시스템의 구축 방법
Voronin et al. Short term forecasting peak load hours of regional power systems using machine learning methods
Chen et al. Decoupling based monthly net electricity consumption prediction model considering high penetration of distributed solar PV systems
Grigoras et al. Regression Analysis-Based Load Modelling for Electric Distribution Networks
Chatterjee Demand side management in smart grid using big data analytics
Duan et al. Collaborative inference of missing smart electric meter data for a building
Yildiriz et al. Electrical energy consumption forecasting using regression method considering temperature effect for distribution network
Spataru et al. DEAM: A Scalable Dynamic Energy Agents Model for Demand and Supply

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: 20190625

Year of fee payment: 4