KR20160052924A - 자기조직맵을 이용한 철도 급전 시스템의 부하 예측 장치 - Google Patents

Abstract

본 발명은 부하 데이터를 수집하는 데이터 수집모듈 및 데이터 수집모듈로부터 수집된 부하 데이터 중 기 설정된 입력함수를 자기조직맵에 맵핑시켜 입력함수를 그룹핑하고, 그룹핑된 입력함수를 바탕으로 철도 부하를 예측하는 자기조직맵핑 모듈을 포함하는 것을 특징으로 한다.

Description

자기조직맵을 이용한 철도 급전 시스템의 부하 예측 장치{LOAD PREDICTION APPARATUS AND METHOD OF RAILWAY POWER FEEDER SYSTEM USING SELF ORGANIED MAP}

본 발명은 자기조직맵을 이용항 철도 급전 시스템의 부하 예측 장치 및 방법에 관한 것으로서, 보다 상세하게는 철도 급전 시스템의 부하 데이터를 자기조직맵으로 그룹핑하여 철도 부하를 실시간으로 예측할 수 있도록 한, 자기조직맵을 이용한 철도 급전 시스템의 부하 예측 장치 및 방법에 관한 것이다.

일반적으로 철도 전력 설비는 전력회사 및 변전소로부터 공급되는 전력을 철도차량으로 공급하는 제1 계통과, 역사(驛司) 내 소비용 전력을 공급하는 제2 계통으로 구분된다.

전력회사에서 공급되는 특고압의 전력은 특고압 배전반에서 차량으로 공급되는 전력과 역사 내에서 소비되는 전력으로 구분된다. 열차로 공급되는 전력은 정류용 변압기, 정류기, 직류배전반 및 전차선을 거쳐 전철로 공급되고, 역사 내에서 소비되는 전력은 배전용 변압기, 고압 배전반, 강압변압기 및 저압 배전반을 거쳐 역사 내 각종 부하로 공급된다.

이러한 철도 전력 설비에 있어서, 철도 설비에 의해 소모되는 전력을 예측하는 것은 매우 중요하다. 이는 철도의 운영 및 전력요금과 직결되는 되는 것이기 때문이다. 이에, 종래에는 철도 전력 설비에서 사용된 장기간의 부하 데이터를 통계적으로 분석하고 분석 결과를 토대로, 계절/주간/평일별로 각각 예측하고 있다.

그러나, 종래의 부하 예측 방법은 과거 부하 데이터의 평균값으로만 철도 부하를 예측하기 때문에 부하예측 오차가 크고, 더욱이 현재의 온도나 습도 등과 같은 환경적인 요소가 반영되지 않고 있고 있다. 그 결과, 종래의 부하 예측 방법은 그 예측 결과의 정확도가 떨어지는 문제점이 있었다.

본 발명의 배경기술은 대한민국 공개특허공보 제10-2010-0067343호(2010.06.21)에 개시되어 있다.

본 발명은 전술한 문제점을 해결하기 위해 창안된 것으로서, 본 발명의 목적은 철도 급전 시스템의 부하 데이터를 자기조직맵으로 그룹핑하여 철도 부하를 실시간으로 예측할 수 있도록 한, 자기조직맵을 이용한 철도 급전 시스템의 부하 예측 장치 및 방법을 제공하는 것이다.

본 발명의 다른 목적은 자기조직맵의 입력함수로 온도와 습도 등의 환경적인 요소 등을 설정하여 상대적으로 정확한 철도 부하 예측을 수행할 수 있도록 한, 자기조직맵을 이용한 철도 급전 시스템의 부하 예측 장치 및 방법을 제공하는 것이다.

본 발명의 또 다른 목적은 자기조직맵을 통해 철도 부하를 상대적으로 정확하게 예측하여 피크전력 감소하고, 이를 통해 전력 운영비를 감소시킬 수 있도록 한, 자기조직맵을 이용한 철도 급전 시스템의 부하 예측 장치 및 방법을 제공하는 것이다.

본 발명의 일 측면에 따른 자기조직맵을 이용한 철도 급전 시스템의 부하 예측 장치는 부하 데이터를 수집하는 데이터 수집모듈; 및 상기 데이터 수집모듈로부터 수집된 상기 부하 데이터 중 기 설정된 입력함수를 자기조직맵에 맵핑시켜 상기 입력함수를 그룹핑하고, 그룹핑된 상기 입력함수를 바탕으로 철도 부하를 예측하는 자기조직맵핑 모듈을 포함하는 것을 특징으로 한다.

본 발명에서, 상기 부하 데이터는 변전소로부터 철도차량과 역사설비에 공급되는 변전소의 전력 데이터, 상기 철도차량의 운행에 대한 철도차량 스케쥴 데이터, 역사설비부하 운영에 대한 역사설비 스케쥴 데이터, 역사 외부의 환경에 대한 외부환경 데이터, 및 역사 내부의 환경에 대한 내부환경 데이터 중 어느 하나 이상을 포함하는 것을 특징으로 한다.

본 발명에서, 상기 자기조직맵핑 모듈은 상기 입력함수와 뉴런과의 유클리디언 거리를 계산하여 계산된 상기 뉴런 중 최소 거리의 뉴런을 검색하고, 상기 입력함수의 가중치를 보정하여 전단의 가중치와 다음 가중치가 같은 값이 될 때까지 계산하여 유사도에 따라 상기 입력함수를 그룹핑하는 것을 특징으로 한다.

본 발명에서, 상기 자기조직맵핑 모듈은 상기 입력함수를 상기 자기조직맵에 맵핑시켜 그룹핑시키고 그룹핑된 상기 입력함수 중 유사도가 가장 높은 어느 하나를 바탕으로 철도 부하를 선택하는 것을 특징으로 한다.

본 발명의 일 측면에 따른 자기조직맵을 이용한 철도 급전 시스템의 부하 예측 방법은 부하 데이터를 수집하는 단계; 수집된 상기 부하 데이터 중 기 설정된 입력함수를 자기조직맵에 맵핑시켜 상기 입력함수를 그룹핑하는 단계; 및 그룹핑된 상기 입력함수를 바탕으로 철도 부하를 예측하는 단계를 포함하는 것을 특징으로 한다.

본 발명에서, 상기 부하 데이터는 변전소로부터 철도차량과 역사설비에 공급되는 변전소의 전력 데이터, 상기 철도차량의 운행에 대한 철도차량 스케쥴 데이터, 역사설비부하 운영에 대한 역사설비 스케쥴 데이터, 역사 외부의 환경에 대한 외부환경 데이터, 및 역사 내부의 환경에 대한 내부환경 데이터 중 어느 하나 이상을 포함하는 것을 특징으로 한다.

본 발명에서, 상기 입력함수를 그룹핑하는 단계는, 상기 입력함수와 뉴런과의 유클리디언 거리를 계산하여 계산된 상기 뉴런 중 최소 거리의 뉴런을 검색하고, 상기 입력함수의 가중치를 보정하여 전단의 가중치와 다음 가중치가 같은 값이 될 때까지 계산하여 유사도에 따라 상기 입력함수를 그룹핑하는 것을 특징으로 한다.

본 발명에서, 상기 철도 부하를 예측하는 단계는, 상기 입력함수를 상기 자기조직맵에 맵핑시켜 그룹핑시키고 그룹핑된 상기 입력함수 중 유사도가 가장 높은 어느 하나를 바탕으로 철도 부하를 선택하는 것을 특징으로 한다.

본 발명은 철도 급전 시스템의 부하 데이터를 자기조직맵으로 그룹핑하여 철도 부하를 실시간으로 예측할 수 있도록 하고, 자기조직맵의 입력함수로 온도와 습도 등의 환경적인 요소 등을 설정하여 상대적으로 정확한 철도 부하 예측을 수행할 수 있도록 한다.

본 발명은 자기조직맵을 통해 철도 부하를 상대적으로 정확하게 예측하여 피크전력 감소하고, 이를 통해 전력 운영비를 감소시킬 수 있도록 한다.

도 1 은 본 발명의 일 실시예에 따른 자기조직맵을 이용한 철도 급전 시스템의 부하 예측 장치의 블럭 구성도이다.
도 2 는 본 발명의 일 실시예에 따른 부하 데이터를 나타낸 도면이다.
도 3 은 본 발명의 일 실시예에 따른 자기조직맵에 의해 그룹핑된 부하 데이터의 일 예를 예시적으로 나타낸 도면이다.
도 4 는 본 발명의 일 실시예에 따른 자기조직맵을 이용한 철도 급전 시스템의 부하 예측 방법의 순서도이다.
도 5 는 본 발명의 일 실시예에 따른 자기조직맵의 학습 과정을 도시한 순서도이다.

이하에서는 본 발명의 일 실시예에 따른 자기조직맵을 이용한 철도 급전 시스템의 부하 예측 장치 및 방법을 첨부된 도면들을 참조하여 상세하게 설명한다. 이러한 과정에서 도면에 도시된 선들의 두께나 구성요소의 크기 등은 설명의 명료성과 편의상 과장되게 도시되어 있을 수 있다. 또한 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서, 이는 이용자, 운용자의 의도 또는 관례에 따라 달라질 수 있다. 그러므로 이러한 용어들에 대한 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야할 것이다.

도 1 은 본 발명의 일 실시예에 따른 자기조직맵을 이용한 철도 급전 시스템의 부하 예측 장치의 블럭 구성도이고, 도 2 는 본 발명의 일 실시예에 따른 부하 데이터를 나타낸 도면이며, 도 3 은 본 발명의 일 실시예에 따른 자기조직맵에 의해 그룹핑된 부하 데이터의 일 예를 예시적으로 나타낸 도면이다.

도 1 을 참조하면, 본 발명의 일 실시예에 따른 자기조직맵을 이용한 철도 급전 시스템의 부하 예측 장치는 데이터 수집모듈(10), 부하 데이터 저장부(20) 및 자기조직맵핑 모듈(30)을 포함한다.

데이터 수집모듈(10)은 자기조직맵에 입력되는 부하 데이터를 수집한다. 데이터 수집모듈(10)은 철도 급전 시스템의 변전소와, 철도차량, 역사설비, 레일 주변 등 다양한 위치에 설치될 수 있다.

도 2 를 참조하면, 데이터 수집모듈(10)에 의해 수집되는 부하 데이터에는 변전소(미도시)로부터 철도차량(미도시)과 역사설비(미도시)에 공급되는 변전소의 전력 데이터, 철도차량의 운행에 대한 철도차량 스케쥴 데이터, 역사설비 운영에 대한 역사설비 스케쥴 데이터, 역사 외부의 환경에 대한 외부환경 데이터, 및 역사 내부의 환경에 대한 내부환경 데이터 중 어느 하나 이상이 포함될 수 있다.

변전소로부터 철도차량에 공급되는 변전소의 전력 데이터에는 철도차량으로 공급되는 전력에 대한 전력 데이터와, 철도차량으로부터 회수되는 전력에 대한 전력 데이터, 피크 전력 등, 철도차량의 운영에 필요한 전력에 대한 전력 데이터가 모두 포함될 수 있다.

변전소로부터 역사설비에 공급되는 변전소의 전력 데이터에는 역사설비의 운영에 필요한 전력에 대한 전력 데이터가 모두 포함될 수 있다.

철도차량의 운행에 대한 철도차량 스케쥴 데이터에는 철도차량의 운행시간에 대한 철도차량 운행시간 데이터, 철도차량 운행시간 간격 데이터 등 철도차량의 운행과 관련된 데이터가 모두 포함될 수 있다.

역사설비 스케쥴 데이터에는 역사부하설비별 가동 여부와 가동 시간 데이터 등이 포함된다. 아울러, 상기한 철도차량 스케쥴 데이터 및 역사설비 스케쥴 데이터는 철도 전체를 통합적으로 운영 및 관리하는 철도 시스템 운영 서버(미도시), 또는 역사에 설치되어 해당 역사를 운영 및 관리하는 역사 관리 서버(미도시) 등을 통해서 검출될 수 있다.

여기서, 역사설비 스케쥴 데이터에는 역사에 설치되는 공조설비, 조명설비, 전산설비, 통신설비 등의 스케쥴 데이터가 모두 포함된다.

역사설비 외부의 환경에 대한 외부환경 데이터와 역사설비 내부의 환경에 대한 내부환경 데이터에는 역사 실내의 온도와 습도, 역사 실외의 온도와 습도, 및 역사 실내 혼잡도 정보 등이 포함된다.

특히, 상기한 외부환경 데이터 및 내부환경 데이터에는 철도차량과 역사 실내외의 환경 정보에 한정되는 것은 아니며, 역사설비의 운영 및 관리와 관련된 다양한 자연환경정보가 모두 포함될 수 있다. 환경정보는 철도 전체를 통합적으로 운영 및 관리하는 철도 시스템 운영 서버(미도시), 또는 역사에 설치되어 해당 역사를 운영 및 관리하는 역사 관리 서버(미도시) 등을 통해서 검출될 수 있다.

부하 데이터 저장부(20)는 부하데이터를 저장하고, 부하 데이터를 자기조직맵핑 모듈(30)에 입력한다.

자기조직맵핑 모듈(30)은 데이터 수집모듈(10)로부터 수집된 부하 데이터를 자기조직맵에 맵핑시켜 부하 데이터를 그룹핑하고, 그룹핑된 부하 데이터를 바탕으로 철도 부하를 예측한다.

참고로, 신경망(Neural Network)은 뇌기능의 특성을 컴퓨터로 에뮬레이션하며 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)이 학습을 통해 시냅스의 결합 세기를 변화시켜, 문제 해결 능력을 가지는 모델 전반을 가리킨다.

특히 자기조직맵(Self-Organized Map;SOM)은 정보 처리계가 처리 기능을 높이기 위해 과거의 경험에 바탕을 둔 기억 및 외부로부터의 정보 입력을 기초로 하여 자발적으로 시스템 내의 조직을 개조, 변경시켜 가는 구조를 모델화한 신경망의 일종이다.

이러한 자기조직맵은 입력쌍들의 규칙성과 상관성들을 검출해 내는 것을 주특징으로 한다. 본 실시예에서, 신경회로망의 뉴런들은 유사한 입력함수의 집합을 인식하고 학습할 수 있다. 자기조직맵은 입력함수가 입력공간에서 어떻게 그룹화되는지에 따라서 입력함수들을 분류하는 것을 학습한다. 여기서, 부하 데이터는 자기조직맵에 의해 학습된 가중치들에 의해 여러 개의 집단으로 표현된 공간에서 그룹핑된다. 이와 같이 자기조직맵은 입력함수들을 여러 개의 집단으로 분류할 수가 있다. 도 3 에는 입력함수들이 그룹핑된 일 예, 즉 학습 후의 결과를 나타낸 일 예가 도시되었다.

이에, 자기조직맵핑 모듈(30)은 상기한 입력함수인 부하 데이터를 자기조직맵에 맵핑하여 그룹핑하고, 그룹핑된 부하 데이터를 바탕으로 철도 부하를 예측한다. 여기서, 입력함수는 상기한 부하 데이터 예를 들어, 전력 데이터를 획득하는데 필요한 인자 중에서 설정될 수 있다.

일 예로, 입력함수로 스케쥴 데이터와 환경 데이터 중 어느 하나 이상이 설정될 경우, 자기조직맵핑 모듈(30)은 스케쥴 데이터와 환경 데이터 중 어느 하나 이상을 그룹핑하여 해당 그룹핑된 것을 바탕으로 해당 부하 데이터, 예를 들어 전력 데이터 등을 얻을 수 있다.

또한, 입력함수로 부하 데이터 중 변전소의 전력 데이터가 설정될 경우, 자기조직맵핑 모듈(30)은 해당 변전소의 전력 데이터를 그룹핑하여 해당 그룹핑된 것을 바탕으로 다른 전력 데이터 예를 들어, 철도차량으로만 공급되는 전력에 대한 전력 데이터나 역사설비로만 공급되는 전력에 대한 전력 데이터 등을 얻을 수 있다.

즉, 입력함수는 부하 데이터 중 다양하게 설정될 수 있으며 부하 데이터 중 어느 하나에 한정되는 것은 아니며, 또한 철도 부하도 상기한 입력함수에 따라 다양하게 결정될 수 있다.

한편, 자기조직맵핑 모듈(30)은 데이터 수집모듈(10)로부터 부하 데이터가 입력되면 이들 부하 데이터 중 기 설정된 입력함수와 뉴런과의 유클리디언 거리를 계산하여 계산된 뉴런 중 최소 거리의 뉴런을 검색하고, 부하 데이터의 가중치를 보정하여 전단의 가중치와 다음 가중치가 같은 값이 될 때까지 계산하여 그 유사도에 따라 입력함수를 그룹핑한다. 이러한 과정은 부하 데이터 저장부(20)에 저장된 복수 개의 과거 부하 데이터를 이용하여 사전에 학습한다.

이어, 자기조직맵핑 모듈(30)은 새로운 부하 데이터가 입력되면, 이 부하 데이터를 자기조직맵에 맵핑하여 그룹핑하고, 그룹핑된 입력함수 중 유사도가 가장 높은 어느 하나를 바탕으로 철도 부하를 선택한다. 여기서, 철도 부하는 상기한 입력함수를 바탕으로 획득할 수 있는 다양한 철도 전력 중 어느 하나가 해당될 수 있다.

이하 본 발명의 일 실시예에 따른 자기조직맵을 이용한 철도 급전 시스템의 부하 예측 방법을 도 4 와 도 5 를 참조하여 상세하게 설명한다.

도 4 는 본 발명의 일 실시예에 따른 자기조직맵을 이용한 철도 급전 시스템의 부하 예측 방법의 순서도이고, 도 5 는 본 발명의 일 실시예에 따른 자기조직맵의 학습 과정을 도시한 순서도이다.

도 4 를 참조하면, 데이터 수집모듈(10)은 부하 데이터를 수집한다(S10). 데이터 수집모듈(10)에 의해 수집되는 부하 데이터에는 변전소로부터 철도차량과 역사설비에 공급되는 변전소의 전력 데이터, 철도차량의 운행에 대한 철도차량 스케쥴 데이터, 역사설비부하 운영에 대한 역사설비 스케쥴 데이터, 역사 외부의 환경에 대한 외부환경 데이터, 및 역사 내부의 환경에 대한 내부환경 데이터 등이 포함될 수 있다.

아울러, 데이터 수집모듈(10)은 수집된 부하 데이터를 부하 데이터 저장부(20)에 저장한다.

한편, 상기한 바와 같이 부하 데이터가 수집되면, 자기조직맵핑 모듈(30)은 수집된 부하 데이터 중 기 설정된 입력함수를 자기조직맵에 맵핑시켜 입력함수를 그룹핑한다(S20). 여기서, 입력함수는 부하 데이터 중에서 다양하게 설정될 수 있다. 따라서, 도 4 와 도 5 에서의 부하 데이터는 입력함수로 이해되어야할 것이다.

즉, 자기조직맵핑 모듈(30)은 상기한 입력함수와 뉴런과의 유클리디언 거리를 계산하여 계산된 뉴런 중 최소 거리의 뉴런을 검색하고, 입력함수의 가중치를 보정하여 전단의 가중치와 다음 가중치가 같은 값이 될 때까지 계산하여 유사도에 따라 입력함수를 그룹핑한다.

이어, 자기조직맵핑 모듈(30)은 상기한 바와 같이 그룹핑된 입력함수를 바탕으로 철도 부하를 예측한다(S30).

이 경우, 입력함수는 부하 데이터 중에서 다양하게 설정될 수 있는 바, 자기조직맵핑 모듈(30)은 이 입력함수를 바탕으로 철도 전력 시스템의 다양한 철도 부하, 예를 들어 전력 데이터를 획득할 수 있다.

여기서, 자기조직맵을 통해 현재의 부하 데이터를 바탕으로 철도 부하를 예측하기 위해서는, 사전에 부하 데이터가 그룹핑되어야 하므로, 자기조직맵핑 모듈(30)은 부하 데이터 저장부(20)에 저장된 부하 데이터, 즉 입력함수를 자기조직맵에 맵핑하여 입력함수를 사전에 그룹핑한다. 이를 도 5 를 참조하여 설명한다.

도 5 를 참조하면, 자기조직맵핑 모듈(30)은 부하 데이터 저장부(20)로부터 과거의 부하 데이터를 입력받는다(S210).

부하 데이터 저장부(20)로부터 부하 데이터를 입력받으면, 자기조직맵핑 모듈(30)은 부하 데이터 중 기 설정된 입력함수와 뉴런과의 유클리디언 거리를 계산한다(S220).

이어, 자기조직맵핑 모듈(30)은 상기한 단계에서 계산된 뉴런 중 최소 거리의 뉴런을 선택하고(S230), 입력함수의 가중치를 보정하여 전단의 가중치와 다음 가중치가 같은 값이 될 때까지 계산하여 가중치를 보정(S240)한 후, 그 유사도에 따라 입력함수를 그룹핑한다(S250).

여기서, 자기조직맵핑 모듈(30)이 부하 데이터를 자기조직맵에 맵핑하여 그룹핑하는 것은 상기한 실시예에 한정되는 것은 아니며, 필요에 따라 다양한 방식이 적용될 수 있다.

아울러, 현재 시점에서 현재의 부하 데이터가 수집될 경우, 해당 부하 데이터는 다음 시점에서는 과거의 부하 데이터가 된다. 이에, 부하 데이터 저장부(20)는 부하 데이터가 입력될 때마다 해당 부하 데이터를 계속 저장하고, 이때 자기조직 맵핑 모듈(30)은 현재의 부하 데이터가 입력될 때마다 과거의 부하 데이터를 통해 그룹핑된 부하 데이터를 토대로 다음 시점에서의 철도 부하를 예측할 수 있게 된다.

이와 같은 본 실시예는 철도 급전 시스템의 부하 데이터를 자기조직맵으로 그룹핑하여 철도 부하를 실시간으로 예측할 수 있도록 하고, 자기조직맵의 입력함수로 온도와 습도 등의 환경적인 요소 등을 설정하여 상대적으로 정확한 철도 부하 예측을 수행할 수 있도록 한다.

또한 본 실시예는 자기조직맵을 통해 철도 부하를 상대적으로 정확하게 예측하여 피크전력 감소하고, 이를 통해 전력 운영비를 감소시킬 수 있도록 한다.

본 발명은 도면에 도시된 실시예를 참고로 하여 설명되었으나, 이는 예시적인 것에 불과하며 당해 기술이 속하는 기술분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호범위는 아래의 특허청구범위에 의하여 정해져야할 것이다.

10: 데이터 수집모듈
20: 부하 데이터 저장부
30: 자기조직맵핑 모듈

Claims (8)

1. 부하 데이터를 수집하는 데이터 수집모듈; 및
   상기 데이터 수집모듈로부터 수집된 상기 부하 데이터 중 기 설정된 입력함수를 자기조직맵에 맵핑시켜 상기 입력함수를 그룹핑하고, 그룹핑된 상기 입력함수를 바탕으로 철도 부하를 예측하는 자기조직맵핑 모듈을 포함하는 자기조직맵을 이용한 철도 급전 시스템의 부하 예측 장치.
   
2. 제 1 항에 있어서, 상기 부하 데이터는
   변전소로부터 철도차량과 역사설비에 공급되는 변전소의 전력 데이터, 상기 철도차량의 운행에 대한 철도차량 스케쥴 데이터, 역사설비부하 운영에 대한 역사설비 스케쥴 데이터, 역사 외부의 환경에 대한 외부환경 데이터, 및 역사 내부의 환경에 대한 내부환경 데이터 중 어느 하나 이상을 포함하는 것을 특징으로 하는 자기조직맵을 이용한 철도 급전 시스템의 부하 예측 장치.
   
3. 제 1 항에 있어서, 상기 자기조직맵핑 모듈은
   상기 입력함수와 뉴런과의 유클리디언 거리를 계산하여 계산된 상기 뉴런 중 최소 거리의 뉴런을 검색하고, 상기 입력함수의 가중치를 보정하여 전단의 가중치와 다음 가중치가 같은 값이 될 때까지 계산하여 유사도에 따라 상기 입력함수를 그룹핑하는 것을 특징으로 하는 자기조직맵을 이용한 철도 급전 시스템의 부하 예측 장치.
   
4. 제 3 항에 있어서, 상기 자기조직맵핑 모듈은
   상기 입력함수를 상기 자기조직맵에 맵핑시켜 그룹핑시키고 그룹핑된 상기 입력함수 중 유사도가 가장 높은 어느 하나를 바탕으로 철도 부하를 선택하는 것을 특징으로 하는 자기조직맵을 이용한 철도 급전 시스템의 부하 예측 장치.
   
5. 부하 데이터를 수집하는 단계;
   수집된 상기 부하 데이터 중 기 설정된 입력함수를 자기조직맵에 맵핑시켜 상기 입력함수를 그룹핑하는 단계; 및
   그룹핑된 상기 입력함수를 바탕으로 철도 부하를 예측하는 단계를 포함하는 자기조직맵을 이용한 철도 급전 시스템의 부하 예측 방법.
   
6. 제 5 항에 있어서, 상기 부하 데이터는
   변전소로부터 철도차량과 역사설비에 공급되는 변전소의 전력 데이터, 상기 철도차량의 운행에 대한 철도차량 스케쥴 데이터, 역사설비부하 운영에 대한 역사설비 스케쥴 데이터, 역사 외부의 환경에 대한 외부환경 데이터, 및 역사 내부의 환경에 대한 내부환경 데이터 중 어느 하나 이상을 포함하는 것을 특징으로 하는 자기조직맵을 이용한 철도 급전 시스템의 부하 예측 방법.
   
7. 제 5 항에 있어서, 상기 입력함수를 그룹핑하는 단계는,
   상기 입력함수와 뉴런과의 유클리디언 거리를 계산하여 계산된 상기 뉴런 중 최소 거리의 뉴런을 검색하고, 상기 입력함수의 가중치를 보정하여 전단의 가중치와 다음 가중치가 같은 값이 될 때까지 계산하여 유사도에 따라 상기 입력함수를 그룹핑하는 것을 특징으로 하는 자기조직맵을 이용한 철도 급전 시스템의 부하 예측 방법.
   
8. 제 5 항에 있어서, 상기 철도 부하를 예측하는 단계는,
   상기 입력함수를 상기 자기조직맵에 맵핑시켜 그룹핑시키고 그룹핑된 상기 입력함수 중 유사도가 가장 높은 어느 하나를 바탕으로 철도 부하를 선택하는 것을 특징으로 하는 자기조직맵을 이용한 철도 급전 시스템의 부하 예측 방법.
   

Images