KR20180129496A - Method for predicting electric power demand and apparatus for the same - Google Patents

Method for predicting electric power demand and apparatus for the same Download PDF

Info

Publication number
KR20180129496A
KR20180129496A KR1020170065639A KR20170065639A KR20180129496A KR 20180129496 A KR20180129496 A KR 20180129496A KR 1020170065639 A KR1020170065639 A KR 1020170065639A KR 20170065639 A KR20170065639 A KR 20170065639A KR 20180129496 A KR20180129496 A KR 20180129496A
Authority
KR
South Korea
Prior art keywords
power demand
predicted
day
time
matrix
Prior art date
Application number
KR1020170065639A
Other languages
Korean (ko)
Inventor
전용식
Original Assignee
중소기업은행
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 중소기업은행 filed Critical 중소기업은행
Priority to KR1020170065639A priority Critical patent/KR20180129496A/en
Publication of KR20180129496A publication Critical patent/KR20180129496A/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Public Health (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Water Supply & Treatment (AREA)
  • Algebra (AREA)
  • Educational Administration (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

Disclosed are a method and an apparatus for predicting power demand. The method comprises the steps of: (a) obtaining input data including a predicted target date and a predicted target time; (b) selecting a first day before the predicted target data; (c) obtaining, from a pre-established power demand database, an n number of past power demand data prior to the predicted target data in the first day; (d) deriving a predicted power demand for the first day by using the obtained n number of power demand data and a state variable, x_k; and (e) updating a covariance P_k for an error of the state variable x_k and the predicted power demand by using the derived predicted power demand and an actual power demand z for the predicted target time in the first day.

Description

전력 수요를 예측하는 방법 및 장치{METHOD FOR PREDICTING ELECTRIC POWER DEMAND AND APPARATUS FOR THE SAME}METHOD FOR PREDICTING ELECTRIC POWER DEMAND AND APPARATUS FOR THE SAME

본 발명은 전력 수요를 예측하는 방법 및 장치에 관한 것으로, 더욱 상세하게는 과거의 전력 수요 데이터를 이용하여, 특정 시점의 전력 수요를 예측하는 과정을 반복함으로써 오차를 보정하고 정확하게 원하는 시점의 전력 수요를 예측하는 방법 및 장치에 관한 것이다.The present invention relates to a method and an apparatus for predicting power demand, and more particularly, to a method and an apparatus for predicting power demand by using past power demand data and correcting an error by repeating a process of predicting power demand at a specific point in time, And to a method and apparatus for predicting this.

최근 기술 발전이 가속화됨에 따라 각 가정 및 산업에서 사용하는 전력량이 급증하고 있으며, 전력 사용 패턴 또한 다양화되고 있는 실정이다.As the recent technological development is accelerating, the amount of power used in each home and industry is rapidly increasing, and the pattern of power usage is also diversifying.

급증하는 전력 수요에 대하여 안정적으로 전기를 공급하고, 다양화된 전력 사용 패턴에 따른 적절한 예비 전력의 확보, 심야 시간대의 조정력 확보, 각종 발전소의 기동 및 정지 계획을 수립하기 위해서, 전력 수요를 정확하게 예측하는 것은 매우 중요하다.It accurately estimates power demand to supply electricity stably against surging electricity demand, ensure adequate reserve power according to diversified power usage pattern, secure adjustment power at night time, and start and stop power plants. It is very important to do.

전력 수요 예측에 오차가 발생하는 경우, 발전소의 가동 비용이 증가되고, 전력 공급의 신뢰도가 떨어지는 문제가 발생할 수 있다.If an error occurs in the prediction of the power demand, there may arise a problem that the operation cost of the power plant is increased and the reliability of the power supply is lowered.

기존의 전력 수요를 예측하기 위한 방법으로서, 시계열법, 회귀분석법과 같은 예측법에서부터 지식 기반의 인공 지능을 이용한 예측, 전문가에 의한 예측 등 다양한 방법이 제안되고 연구되었다.Various methods such as prediction method such as time series method and regression method, prediction using artificial intelligence based on knowledge, and prediction based on expert have been proposed and studied as methods for predicting existing electric power demand.

그러나, 기존의 방법들은 여러 날짜에 대하여 예측이 잘 맞거나 크게 빗나가는 등 예측 정확도의 불규칙성을 갖는 경우가 많아, 최대 오차율이 매우 큰 경우가 많았다.However, existing methods often have irregularities of prediction accuracy, such as a good or a bad prediction for several dates, and the maximum error rate is often very large.

따라서, 예측 오차를 효과적으로 제거함으로써 전력 수요를 정확히 파악하는 예측 알고리즘이 필요한 실정이다.Therefore, a prediction algorithm that accurately grasps power demand is needed by effectively removing the prediction error.

상기와 같은 문제점을 해결하기 위한 본 발명의 목적은, 전력 수요 예측 방법을 제공하는 데 있다.SUMMARY OF THE INVENTION The present invention has been made to solve the above problems, and it is an object of the present invention to provide a power demand forecasting method.

상기와 같은 문제점을 해결하기 위한 본 발명의 다른 목적은, 전력 수요 예측 장치를 제공하는 데 있다.Another object of the present invention is to provide a power demand forecasting apparatus.

상기 목적을 달성하기 위한 본 발명은, 전력 수요 예측 방법을 제공한다.In order to achieve the above object, the present invention provides a power demand forecasting method.

여기서, 전력 수요 예측 방법은 (a) 예측 목적일과 예측 목적 시각을 포함하는 입력 데이터를 획득하는 단계, (b) 예측 목적일 이전의 제1 일을 선정하는 단계, (c) 제1 일에서의 예측 목적 시각보다 과거의 전력 수요 데이터 n개를 미리 구축된 전력 수요 데이터베이스에서 획득하는 단계, (d) 획득된 n개의 전력 수요 데이터와 상태 변수

Figure pat00001
를 이용하여 제1 일에 대한 예측 전력 수요를 도출하는 단계 및 (e) 도출된 예측 전력 수요와 제1 일에서의 예측 목적 시각에 대한 실제 전력 수요 z를 이용하여 상태 변수
Figure pat00002
및 예측 전력 수요의 오차에 대한 공분산
Figure pat00003
를 갱신하는 단계를 포함할 수 있다.Here, the power demand prediction method includes the steps of (a) obtaining input data including a predicted object date and a predicted object time, (b) selecting a first day before the predicted object, (c) Obtaining n power demand data in the past from a predicting target time in a previously constructed power demand database; (d)
Figure pat00001
(E) deriving a predicted power demand for the first day using the predicted power demand and the actual power demand z for the predicted target time in the first day,
Figure pat00002
And the covariance of the error in predicted power demand
Figure pat00003
And the like.

여기서, 전력 수요 예측 방법은, (f) 제1 일보다 예측 목적일에 인접한 제2 일을 제1 일로 선정하여 단계 (c) 내지 단계 (e)를 수행하는 단계 및 (g) 단계 (f)를 반복 수행하여 마지막으로 갱신된 상태 변수를 이용하여 예측 목적일에서 예측 목적 시각에 대한 예측 전력 수요를 도출하는 단계를 더 포함할 수 있다.(F) performing steps (c) to (e) by selecting a second day as a first day, which is adjacent to a forecasted date than the first day, and (g) And deriving the predicted power demand for the predicted target time from the predicted target using the last updated state variable.

여기서, 전력 수요 데이터베이스는, 미리 수집된 전력 수요 데이터의 각 날짜를 미리 설정된 시간 범위의 타임 슬롯(time slot)으로 나누고, 각 타임 슬롯마다 전력 수요가 저장될 수 있다.Here, the power demand database divides each date of the power demand data collected in advance into time slots of a predetermined time range, and the power demand can be stored for each time slot.

여기서, 전력 수요 데이터베이스는, 각 타임 슬롯에 속하는 전력 수요 데이터들 중 최대값이 각 타임 슬롯에 저장될 수 있다.Here, the maximum value among the power demand data belonging to each time slot can be stored in each time slot in the power demand database.

여기서, 단계 (d)는, n개의 전력 수요 데이터를 1행 n열로 이루어지는 행렬 H로 구성하고, 행렬 H에 상태 변수

Figure pat00004
를 곱함으로써, 제1 일에 대한 예측 전력 수요를 도출할 수 있다.Here, in the step (d), the n pieces of power demand data are composed of a matrix H consisting of n rows and one row, and the state variable
Figure pat00004
The predicted power demand for the first day can be derived.

여기서, 단계 (e)는, 행렬 H와 공분산

Figure pat00005
를 이용하여 이득 행렬 K를 도출하는 단계를 포함할 수 있다.Here, the step (e)
Figure pat00005
And deriving a gain matrix K using the gain matrix K.

여기서, 단계 (e)는, 이득 행렬 K를 이용하여, 상태 변수

Figure pat00006
및 공분산
Figure pat00007
를 갱신할 수 있다.Here, step (e) uses the gain matrix K to calculate a state variable
Figure pat00006
And covariance
Figure pat00007
Can be updated.

여기서, 이득 행렬 K는, 하기의 수학식Here, the gain matrix K is expressed by the following equation

Figure pat00008
(여기서 R은 측정 오차 행렬)에 의해 도출될 수 있다.
Figure pat00008
(Where R is a measurement error matrix).

여기서, 상태 변수

Figure pat00009
는, 하기의 수학식Here,
Figure pat00009
Is expressed by the following equation

Figure pat00010
에 의해
Figure pat00011
로 갱신될 수 있다.
Figure pat00010
By
Figure pat00011
Lt; / RTI >

여기서, 공분산

Figure pat00012
는, 하기의 수학식Here,
Figure pat00012
Is expressed by the following equation

Figure pat00013
에 의해
Figure pat00014
로 갱신될 수 있다.
Figure pat00013
By
Figure pat00014
Lt; / RTI >

상기 목적을 달성하기 위한 본 발명의 다른 측면은, 전력 수요 예측 장치를 제공한다.According to another aspect of the present invention, there is provided an apparatus for predicting electric power demand.

여기서, 전력 수요 예측 장치는 적어도 하나의 프로세서(processor) 및 적어도 하나의 프로세서가 적어도 하나의 단계를 수행하도록 지시하는 명령어들(instructions)을 저장하는 메모리(memory)를 포함할 수 있다.Here, the power demand predicting device may include at least one processor and a memory for storing instructions that direct the at least one processor to perform at least one step.

여기서, 적어도 하나의 단계는, (a) 예측 목적일과 예측 목적 시각을 포함하는 입력 데이터를 획득하는 단계, (b) 예측 목적일 이전의 제1 일을 선정하는 단계, (c) 제1 일에서의 예측 목적 시각보다 과거의 전력 수요 데이터 n개를 미리 구축된 전력 수요 데이터베이스에서 획득하는 단계, (d) 획득된 n개의 전력 수요 데이터와 상태 변수

Figure pat00015
를 이용하여 제1 일에 대한 예측 전력 수요를 도출하는 단계 및 (e) 도출된 예측 전력 수요와 제1 일에서의 예측 목적 시각에 대한 실제 전력 수요 z를 이용하여 상태 변수
Figure pat00016
및 예측 전력 수요의 오차에 대한 공분산
Figure pat00017
를 갱신하는 단계를 포함할 수 있다.Wherein at least one step comprises the steps of: (a) obtaining input data including a predicted object date and a predicted object time, (b) selecting a first day before the predicted object, (c) (D) obtaining n power demand data of the past from the power demand database in advance,
Figure pat00015
(E) deriving a predicted power demand for the first day using the predicted power demand and the actual power demand z for the predicted target time in the first day,
Figure pat00016
And the covariance of the error in predicted power demand
Figure pat00017
And the like.

여기서, 적어도 하나의 단계는, (f) 제1 일보다 예측 목적일에 인접한 제2 일을 제1 일로 선정하여 단계 (c) 내지 단계 (e)를 수행하는 단계 및 (g) 단계 (f)를 반복 수행하여 마지막으로 갱신된 상태 변수를 이용하여 예측 목적일에서 예측 목적 시각에 대한 예측 전력 수요를 도출하는 단계를 더 포함할 수 있다.(F) performing steps (c) to (e) by selecting a second day as a first day that is closer to the predicted object than the first day, and (g) And deriving the predicted power demand for the predicted target time from the predicted target using the last updated state variable.

여기서, 전력 수요 데이터베이스는, 미리 수집된 전력 수요 데이터의 각 날짜를 미리 설정된 시간 범위의 타임 슬롯(time slot)으로 나누고, 각 타임 슬롯마다 전력 수요가 저장될 수 있다.Here, the power demand database divides each date of the power demand data collected in advance into time slots of a predetermined time range, and the power demand can be stored for each time slot.

여기서, 전력 수요 데이터베이스는, 각 타임 슬롯에 속하는 전력 수요 데이터들 중 최대값이 각 타임 슬롯에 저장될 수 있다.Here, the maximum value among the power demand data belonging to each time slot can be stored in each time slot in the power demand database.

여기서, 단계 (d)는, n개의 전력 수요 데이터를 1행 n열로 이루어지는 행렬 H로 구성하고, 행렬 H에 상태 변수

Figure pat00018
를 곱함으로써, 제1 일에 대한 예측 전력 수요를 도출할 수 있다.Here, in the step (d), the n pieces of power demand data are composed of a matrix H consisting of n rows and one row, and the state variable
Figure pat00018
The predicted power demand for the first day can be derived.

여기서, 단계 (e)는, 행렬 H와 공분산

Figure pat00019
를 이용하여 이득 행렬 K를 도출하는 단계를 포함할 수 있다.Here, the step (e)
Figure pat00019
And deriving a gain matrix K using the gain matrix K.

여기서, 단계 (e)는, 이득 행렬 K를 이용하여, 상태 변수

Figure pat00020
및 공분산
Figure pat00021
를 갱신할 수 있다.Here, step (e) uses the gain matrix K to calculate a state variable
Figure pat00020
And covariance
Figure pat00021
Can be updated.

여기서, 이득 행렬 K는, 하기의 수학식Here, the gain matrix K is expressed by the following equation

Figure pat00022
(여기서 R은 측정 오차 행렬)에 의해 도출될 수 있다.
Figure pat00022
(Where R is a measurement error matrix).

여기서, 상태 변수

Figure pat00023
는, 하기의 수학식Here,
Figure pat00023
Is expressed by the following equation

Figure pat00024
에 의해
Figure pat00025
로 갱신될 수 있다.
Figure pat00024
By
Figure pat00025
Lt; / RTI >

여기서, 공분산

Figure pat00026
는, 하기의 수학식Here,
Figure pat00026
Is expressed by the following equation

Figure pat00027
에 의해
Figure pat00028
로 갱신될 수 있다.
Figure pat00027
By
Figure pat00028
Lt; / RTI >

상기와 같은 본 발명에 따른 전력 수요 예측 방법 및 장치를 이용할 경우에는 과거의 전력 수요 데이터만으로 미래의 전력 수요를 예측할 수 있다.When the electric power demand prediction method and apparatus according to the present invention as described above is used, future electric power demand can be predicted only by past electric power demand data.

또한, 예측을 반복하여 오차를 줄이기 때문에, 예측 정확도의 불규칙성을 감소시킬 수 있는 장점이 있다.In addition, since the error is reduced by repeating the prediction, the irregularity of the prediction accuracy can be reduced.

또한, 과거 유사한 시간대를 이용하여 예측을 반복하므로 예측의 정확도가 매우 높다.In addition, the prediction accuracy is very high because the prediction is repeated using similar time zones in the past.

도 1은 본 발명의 일 실시예에 따른 전력 수요 예측 방법에 대한 개념도이다.
도 2는 본 발명의 일 실시예에 따른 전력 수요 예측 방법에서, 과거 시점에서의 전력 수요를 예측하는 방법에 대한 예시도이다.
도 3은 본 발명의 일 실시예에 따른 전력 수요 예측 방법에 대한 흐름도이다.
도 4는 본 발명의 일 실시예에 따른 전력 수요 예측 방법에서, 과거 시점에 대한 전력 수요 예측을 반복하여 최종 예측을 수행하는 과정에 대한 예시도이다.
도 5는 본 발명의 일 실시예에 따른 전력 수요 예측 장치에 대한 구성도이다.
도 6은 본 발명의 일 실시예에 따른 전력 수요 예측 방법을 수행한 결과에 대한 그래프이다.1 is a conceptual diagram of a power demand forecasting method according to an embodiment of the present invention.
2 is a diagram illustrating an example of a method of predicting power demand at a past time point in a power demand forecasting method according to an embodiment of the present invention.
3 is a flowchart of a power demand forecasting method according to an embodiment of the present invention.
4 is a diagram illustrating a process of repeating the power demand forecast for the past time point and performing the final prediction in the power demand forecasting method according to an embodiment of the present invention.
5 is a configuration diagram of a power demand predicting apparatus according to an embodiment of the present invention.
6 is a graph illustrating a result of a power demand forecasting method according to an embodiment of the present invention.

본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다. While the invention is susceptible to various modifications and alternative forms, specific embodiments thereof are shown by way of example in the drawings and will herein be described in detail. It should be understood, however, that the invention is not intended to be limited to the particular embodiments, but includes all modifications, equivalents, and alternatives falling within the spirit and scope of the invention. Like reference numerals are used for like elements in describing each drawing.

제1, 제2, A, B 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다. The terms first, second, A, B, etc. may be used to describe various elements, but the elements should not be limited by the terms. The terms are used only for the purpose of distinguishing one component from another. For example, without departing from the scope of the present invention, the first component may be referred to as a second component, and similarly, the second component may also be referred to as a first component. And / or < / RTI > includes any combination of a plurality of related listed items or any of a plurality of related listed items.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. It is to be understood that when an element is referred to as being "connected" or "connected" to another element, it may be directly connected or connected to the other element, . On the other hand, when an element is referred to as being "directly connected" or "directly connected" to another element, it should be understood that there are no other elements in between.

본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.The terminology used in this application is used only to describe a specific embodiment and is not intended to limit the invention. The singular expressions include plural expressions unless the context clearly dictates otherwise. In the present application, the terms "comprises" or "having" and the like are used to specify that there is a feature, a number, a step, an operation, an element, a component or a combination thereof described in the specification, But do not preclude the presence or addition of one or more other features, integers, steps, operations, elements, components, or combinations thereof.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.Unless defined otherwise, all terms used herein, including technical or scientific terms, have the same meaning as commonly understood by one of ordinary skill in the art to which this invention belongs. Terms such as those defined in commonly used dictionaries are to be interpreted as having a meaning consistent with the contextual meaning of the related art and are to be interpreted as either ideal or overly formal in the sense of the present application Do not.

이하, 본 발명에 따른 바람직한 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.Hereinafter, preferred embodiments according to the present invention will be described in detail with reference to the accompanying drawings.

도 1은 본 발명의 일 실시예에 따른 전력 수요 예측 방법에 대한 개념도이다.1 is a conceptual diagram of a power demand forecasting method according to an embodiment of the present invention.

도 1을 참조하면, 본 발명의 일 실시예에 따른 전력 수요 예측 방법에 대한 개요를 파악할 수 있다.Referring to FIG. 1, an overview of a power demand forecasting method according to an embodiment of the present invention can be understood.

일반적으로, 어떤 시간에 따른 물체를 예측할 경우, 시간에 따른 물체의 상태에 대한 변수로서 위치, 속도, 가속도 등이 있을 수 있다. 이러한 변수들은 이른바 상태 변수로 정의할 수 있고, 상태 변수 중에서 예측하고자 하는 변수(예를 들어 위치)는 측정 변수가 될 수 있다.In general, when predicting an object according to a certain time, there may be a position, a speed, an acceleration, etc. as a parameter for the state of the object with respect to time. These variables can be defined as so-called state variables, and among the state variables, the variable to be predicted (for example, position) can be a measurement variable.

여기서, 전력 수요의 경우 연속적으로 변화하는 것이지만 수집된 데이터는 이산적인 데이터로 획득되며, 실제 전력 수요의 변화가 비선형이라고 하더라도 특정 시점이나 가까운 시점 상호간의 변화는 선형 시스템으로 근사화할 수 있으므로, 이산시간 선형 시스템으로 정의할 수 있다.Here, the power demand is continuously changed, but the collected data is obtained as discrete data. Even if the change in the actual power demand is non-linear, the change between the specific point in time and the point in time near the point can be approximated to the linear system, It can be defined as a linear system.

따라서, 이산 시간 선형 시스템에 대한 예측 방법으로서, 전력 수요에 대한 상태 변수를 정의하고, 상태 변수와 과거 데이터값을 이용한 특정 시점의 예측 전력 수요를 도출함으로써, 예측된 전력 수요와 실제 전력 수요 사이의 오차를 확인하고 보정할 수 있다.Thus, as a prediction method for a discrete-time linear system, by defining state variables for power demand and deriving a predicted power demand at a particular point in time using state variables and historical data values, The error can be checked and corrected.

이때, 미리 수집된 과거의 전력 수요 데이터를 기초로, 과거의 전력 수요 데이터의 특정 시점에서의 전력 수요를 예측하는 과정과, 예측값과 실제값 사이의 오차를 보정하는 과정을 반복함으로써, 예측 오차를 줄이고 정확도를 향상시킬 수 있다.At this time, by repeating the process of predicting the power demand at a specific time point of the past power demand data and the process of correcting the error between the predicted value and the actual value based on the past power demand data collected in advance, Can be reduced and accuracy can be improved.

그리고 나서, 수회 반복되어 보정된 상태 변수를 이용하여 원하는 미래의 특정 시점에 대한 전력 수요를 예측할 수 있다.Then, the power demand can be predicted for a specific future point in the future by using the corrected state variables repeated several times.

여기서, 예측 오차에는 계통 오차와 측정 오차를 포함할 수 있는데, 계통 오차는 마찰이나 공기 저항과 같이 인위적으로 통제할 수 없는 외부 요인으로 인해 상태 변수가 변화됨으로써 발생하는 오차를 의미할 수 있고, 측정 오차는 측정 수단의 한계로 인해 발생하는 상태값과 측정값 사이의 차이를 의미할 수 있다.Here, the prediction error may include systematic error and measurement error. Systematic error may mean an error caused by a change of state variable due to an external factor that can not be artificially controlled, such as friction or air resistance. The error can mean the difference between the state value and the measurement value that is caused by the limit of the measurement means.

본 발명에서는 예측 오차로서 계통 오차와 측정 오차를 모두 포함하여 고려할 수 있다.In the present invention, both systematic errors and measurement errors can be considered as prediction errors.

이하에서는, 과거의 전력 수요 데이터를 분석하기 위한 하나의 예시를 살펴보고, 특정 시점의 전력 수요를 예측할 때 참조하는 데이터들을 설명한다.Hereinafter, one example for analyzing past power demand data will be described, and the data referenced in predicting the power demand at a specific point in time will be described.

도 2는 본 발명의 일 실시예에 따른 전력 수요 예측 방법에서, 과거 시점에서의 전력 수요를 예측하는 방법에 대한 예시도이다.2 is a diagram illustrating an example of a method of predicting power demand at a past time point in a power demand forecasting method according to an embodiment of the present invention.

먼저, 과거의 전력 수요 데이터를 일정한 시간 단위로 구분하여 데이터베이스에 저장하여 사용함으로써, 예측 시점과 예측 과정을 좀더 단순화할 수 있다.First, the past power demand data is divided into a predetermined time unit and stored in a database, thereby making it possible to simplify the prediction time and the prediction process.

도 2를 참조하여 예를 들면, 과거의 전력 수요 데이터에서 하루를 15분 단위의 시간 간격으로 구분하고, 각 시간 간격을 대표하는 하나의 전력 수요값을 사용할 수 있다. 예를 들면, 15분 단위의 시간 간격 내에서 수집된 복수의 전력 수요 값 중에서 중간값, 최대값 및 최소값 중 하나를 사용할 수 있다.Referring to FIG. 2, for example, in the past power demand data, a day may be divided into time intervals of 15 minutes, and one power demand value representing each time interval may be used. For example, one of an intermediate value, a maximum value, and a minimum value among a plurality of power demand values collected within a time interval of 15 minutes can be used.

이때, 전력 수요에 대한 전력 수급을 위하여 전력 수요를 예측하는 목적을 고려하면, 일반적으로는 시간 간격 내에서 수집된 복수의 전력 수요 값 중에서 최대값을 사용하는 것이 바람직할 수 있다.At this time, considering the purpose of predicting the power demand for power supply to the power demand, it is generally preferable to use the maximum value among the plurality of power demand values collected within the time interval.

도 2를 참조하면, 과거의 a일의 오전 1시에서의 전력 수요를 예측(제1 예측)한다고 가정할 수 있다. 이때, 예측을 위하여 참조할 과거의 데이터로서, a일과 동일하고 시간순으로 이전의 시간에 위치한 전력 수요값들(1~4), a일보다 하루 전날(a-1일)에서 예측하고자 하는 시점(오전 1시)과 인접한 시점에 위치한 전력 수요값들(5~8) 및 a일보다 이틀 전날(a-2일)에서 예측하고자 하는 시점(오전 1시)과 인접한 시점에 위치한 전력 수요값들(9~12)을 선정할 수 있다.Referring to FIG. 2, it can be assumed that the power demand at 1:00 am in the past a day is predicted (first prediction). In this case, the past demand data to be referred to for prediction are the power demand values (1 to 4) which are the same as the a day and are located at the previous time in the order of time, The electric power demand values (5 to 8) located at a time point adjacent to the time point (1:00 am) and the electric power demand values located at a time point adjacent to the predicted point (1:00 am) on the day two days before the a day 9 to 12) can be selected.

즉, 12개의 과거 전력 수요값들을 이용하여 예측하고자 하는 시점(제1 예측)에서의 전력 수요를 예측할 수 있다.That is, it is possible to predict the electric power demand at the time (first prediction) to be predicted by using the past past 12 electric power demand values.

다만, 이것은 예시적인 것이고, 과거의 전력 수요 데이터를 수집한 양과 필요로 하는 예측 정확도에 따라 다른 방법으로 과거의 전력 수요 데이터를 사용할 수도 있다. 예를 들어, 12개 이상의 과거 전력 수요값들을 이용하여 예측하는 것 또한 가능하고, 시간 간격을 15분보다 더 좁거나 넓게 설정하여 예측할 수도 있다.However, this is illustrative and historical power demand data may also be used in other ways depending on the amount of past power demand data gathered and the required accuracy of prediction. For example, it is also possible to predict using more than twelve historical power demand values, and the time interval may be set to be narrower or wider than 15 minutes.

여기서, 참조 데이터(1~12)로부터 a일의 오전 1시에서의 수요를 예측할 경우, 다음과 같이 예측값을 결정할 수 있다. 이때, 참조 데이터들의 개수를 이하에서 n으로 지칭할 수 있다.Here, when predicting the demand at 1:00 am on the a day from the reference data (1 to 12), the predicted value can be determined as follows. At this time, the number of reference data can be referred to as n in the following.

먼저, n개의 참조 데이터들을 각 성분으로 하고 1행 n열로 구성되는 상태 변환 행렬 H를 생성할 수 있다. First, it is possible to generate a state transformation matrix H composed of one row and n columns with n pieces of reference data as its components.

다음으로, 전력 수요의 상태를 나타내고 n행 1열로 구성되는 상태 변수 행렬 x를 설정할 수 있는데, 상태 변수 행렬x는 예측하고자 하는 시점에서의 예측 전력 수요값(제1 예측)에 과거의 참조 데이터들(1~12)이 기여하는 정도를 나타내는 행렬로 정의할 수도 있다.Next, the state variable matrix x, which represents the state of the power demand and consists of n rows and one column, can be set. The state variable matrix x is used to calculate the predicted power demand value (first prediction) (1 to 12) contributed by the matrix.

이때, 상태 변수 x의 초기값(

Figure pat00029
)은 행렬의 각 성분값에 대하여, 1/n 으로 사용할 수 있는데, 12개의 참조 데이터들인 경우 상태 변수 행렬 x의 각 성분값을 1/12로 사용할 수 있다. 또한, 대략적인 값으로서 0.1을 사용하는 것도 고려할 수 있다.At this time, the initial value of the state variable x
Figure pat00029
) Can be used as 1 / n for each component value of the matrix, and for each of the 12 reference data, each component value of the state variable matrix x can be used as 1/12. It is also conceivable to use 0.1 as an approximate value.

다음으로, 예측하고자 하는 시점에서의 예측 전력 수요값(제1 예측)은 상태 변환 행렬 H에 상태 변수 행렬 x를 곱하여 도출될 수 있다.Next, the predicted power demand value (first prediction) at the time point to be predicted can be derived by multiplying the state transformation matrix H by the state variable matrix x.

즉, 제1 예측을 Y1로 정의할 경우, 제1 예측은 다음의 수학식 1에 따라 도출될 수 있다.That is, when the first prediction is defined as Y 1 , the first prediction can be derived according to the following equation (1).

Figure pat00030
Figure pat00030

다음으로, 도출된 제1 예측(Y1)과 제1 예측에 대한 예측 시점(a일 오전 1시)에서의 실제값을 이용하여 그 차이를 보정해주기 위한 계수인 이득 행렬 K를 도출할 수 있다.Next, the gain matrix K, which is a coefficient for correcting the difference, can be derived using the actual values at the derived first prediction (Y 1 ) and the prediction time for the first prediction (at 1:00 am) .

예를 들어, 이득 행렬 K는 다음의 수학식 2에 의해 도출될 수 있다.For example, the gain matrix K can be derived by the following equation (2).

Figure pat00031
Figure pat00031

여기서, R은 도 1에서 설명한 측정 오차로서 전력 수요를 측정할 때 발생할 수 있는 오차를 지시할 수 있다. 측정 오차 R은 1행 1열로 이루어진 행렬이 될 수 있고, 측정의 정확도에 따라 달리 설정될 수 있으며, 예를 들어, 참조할 데이터가 많을수록 측정 오차가 누적되는 점을 고려하면, 1/n2 이나, 그 근사값인 0.01로 설정할 수 있다.Here, R may indicate an error that may occur when measuring power demand as the measurement error described in FIG. Measurement error R may be made of a matrix row 1 column 1, can be set differently depending on the accuracy of the measurement, for example, considering that more data to see that the measurement error accumulation, 1 / n 2 and , And can be set to 0.01, which is an approximate value thereof.

여기서, P0는 예측값과 실제값 사이의 오차 공분산 행렬의 초기값으로서, 초기값은 n행 n열로 이루어지고, 각 성분이 1/n2 이나, 그 근사값인 0.01을 갖는 행렬로 정의할 수 있다. 공분산 행렬인 P0는 과거 데이터들에 대한 예측을 반복함에 따라 갱신됨으로써, 오차를 줄이고 정확도를 향상시키는 지표로 이용될 수 있다.Here, P 0 is an initial value of the error covariance matrix between the predicted value and the actual value, and the initial value is defined as a matrix having n rows and n columns, each of which is 1 / n 2 , and whose approximate value is 0.01 . P 0, which is a covariance matrix, can be used as an index to reduce the error and improve the accuracy by being updated as the prediction for the past data is repeated.

다음으로, 상태 변수 x의 초기값(

Figure pat00032
)은 도출된 이득 행렬을 이용하여 다음의 수학식 3과 같이
Figure pat00033
으로 갱신될 수 있다.Next, the initial value of the state variable x (
Figure pat00032
) Is obtained by using the derived gain matrix as shown in the following Equation 3
Figure pat00033
. ≪ / RTI >

Figure pat00034
Figure pat00034

수학식 3에서,

Figure pat00035
은 제1 예측에 대한 예측 시점에서의 실제값을 의미할 수 있는데, 도 2에 따른 a일의 데이터들(0~12)은 모두 과거의 전력 수요 데이터이므로, 수집된 전력 수요 데이터를 참조하여 실제값을 알 수 있다.In Equation (3)
Figure pat00035
(0 to 12) according to FIG. 2 are past power demand data. Therefore, it is possible to refer to the collected power demand data to calculate the actual demand data The value is known.

다음으로, 오차 공분산 행렬 P0는 이득 행렬을 이용하여 다음의 수학식 4와 같이

Figure pat00036
으로 갱신될 수 있다.Next, the error covariance matrix P 0 is expressed by the following Equation 4 using the gain matrix
Figure pat00036
. ≪ / RTI >

Figure pat00037
Figure pat00037

여기서, 갱신된 오차 공분산 행렬

Figure pat00038
및 상태 변수
Figure pat00039
는 다음 예측을 수행하고, 예측값에 대한 보정을 수행할 때, 제공되어 사용될 수 있다.Here, the updated error covariance matrix
Figure pat00038
And state variables
Figure pat00039
Can be provided and used when performing the next prediction and performing the correction on the predicted value.

또한, 예측 및 보정이 끝나면, 예측 오차를 확인할 수 있는데, 도 2를 참조하면, 제1 예측(Y1)과 제1 예측에 대한 예측 시점(a일 오전 1시)에서의 실제값(

Figure pat00040
) 사이의 차분값을 구하여 다음의 수학식 5와 같이 예측 오차
Figure pat00041
를 도출할 수 있다.Referring to FIG. 2, an actual value (Y 1 ) in a first prediction (Y 1 ) and a prediction time for a first prediction (1:00 a.m.)
Figure pat00040
), And calculates a difference value between the prediction error < RTI ID = 0.0 >
Figure pat00041
Can be derived.

Figure pat00042
Figure pat00042

여기서, 예측 오차

Figure pat00043
은 예측을 반복하여 수행할 때마다 도출하고 수 개의 예측 오차들을 종합하여 예측 신뢰도를 평가하는데 사용될 수 있다. 예를 들면, 각 예측시마다 도출한 예측 오차의 최근 M개의 평균 또는 최대값을 예측 신뢰도로 결정할 수 있다. 여기서, M은 예측을 반복한 횟수/5로 결정할 수도 있으며, 평가 기준에 따라 유동적으로 결정할 수 있다.Here,
Figure pat00043
Can be used for estimating the reliability of prediction by deriving a prediction every time it is performed repeatedly and integrating several prediction errors. For example, it is possible to determine the average or maximum M values of the latest M prediction errors derived at each prediction as the prediction reliability. Here, M may be determined as the number of repetitions of the prediction / 5, and may be determined flexibly according to the evaluation criterion.

이하에서는, 예측과 보정 과정이 반복하여 수행됨으로써 최종 예측값이 획득되는 과정을 도면을 참조하여 설명한다.Hereinafter, the process of obtaining the final predicted value by repeatedly performing the prediction and the correction process will be described with reference to the drawings.

도 3은 본 발명의 일 실시예에 따른 전력 수요 예측 방법에 대한 흐름도이다.3 is a flowchart of a power demand forecasting method according to an embodiment of the present invention.

도 3을 참조하면, 도2 에서의 a일에 수행된 제1 예측 이후의 시점들에 대하여 순차적으로 예측 및 보정을 반복하는 과정을 설명할 수 있다.Referring to FIG. 3, a process of sequentially repeating prediction and correction for the time points after the first prediction performed on the day a in FIG. 2 can be described.

도 3에서, 제1 예측 다음으로, 제1 예측이 수행된 시점(a일 오전 1시) 이후의 시점인 b일 오전 1시를 선정하고, 선정된 시점에 대한 제2 예측을 수행할 수 있다.In FIG. 3, next to the first prediction, 1:00 am on the b day after the time point when the first prediction is performed (1:00 am a) is selected, and a second prediction on the selected time point can be performed .

여기서, 제2 예측을 수행할 때 참조하는 데이터는 도 2에서와 같은 방법으로 선정할 수 있으며, 예측 방법 또한 동일할 수 있다.Here, the data to be referred to when performing the second prediction may be selected in the same manner as in FIG. 2, and the prediction method may be the same.

또한, 제2 예측이 수행된 후, 제2 예측에 대한 보정은 앞서 도2에 따른 상태 변수

Figure pat00044
과 오차 공분산 행렬
Figure pat00045
을 수학식 2 내지 4의
Figure pat00046
와
Figure pat00047
에 대입함으로써, 갱신될 수 있다.Further, after the second prediction is performed, the correction for the second prediction is performed before the state variable < RTI ID = 0.0 >
Figure pat00044
And the error covariance matrix
Figure pat00045
(2) to
Figure pat00046
Wow
Figure pat00047
To be updated.

또한, 수학식 5와 같이 제2 예측에 대한 예측 오차를 도출할 수 있음은 물론이다.It is needless to say that the prediction error for the second prediction can be derived as shown in Equation (5).

다음으로, 제2 예측에서 도출된 상태 변수를 이용하여 제2 예측 이후의 시점(c일 오전 1시)에 대한 제3 예측을 수행할 수 있고, 제3 예측에 대한 보정이 수행될 수 있다.Next, using the state variable derived from the second prediction, the third prediction can be performed for the time point after the second prediction (1:00 am on the day c), and correction for the third prediction can be performed.

이와 같은 과정을 제3 예측 이후의 시점(d일 오전 1시)에 대한 제4 예측까지 진행함으로써, 최종적으로 갱신이 수행된 상태 변수와 오차 공분산 행렬을 얻을 수 있다.By performing the above process up to the fourth prediction for the time point after the third prediction (1:00 am d), the state variable and the error covariance matrix finally updated can be obtained.

갱신된 상태 변수는 실질적으로 알고 싶은 미래의 전력 수요 예측 시점인 D-day의 오전 1시에 대한 예측시 사용될 수 있다.The updated state variable can be used for predicting 1:00 am of D-day, which is the predicted power demand forecast of future electric power demand.

또한, 예측 시점을 선정하는 과정은 도 3에서와 같이 예측하고자 하는 시점(최종 예측 시점)을 기준으로, 동일한 시각(오전 1시)에 해당하고, 동일한 날짜 간격으로 떨어진 일자들(a일, b일, c일, d일)에서, 가장 과거의 시점부터 순차적으로 진행될 수 있다. In addition, the process of selecting a prediction time point may be based on the time point (final prediction time point) to be predicted as shown in FIG. 3, and the same dates (1:00 am) Day, day c, day d), it can be progressed sequentially from the earliest time.

다만, 도 3에 따른 예측 시점은 예시적인 것으로 이해되어야 하고, 예측 시점은 얼마든지 달리 선정될 수 있다. It should be understood, however, that the prediction time according to FIG. 3 is illustrative and the prediction time can be arbitrarily selected.

도 4는 본 발명의 일 실시예에 따른 전력 수요 예측 방법에서, 과거 시점에 대한 전력 수요 예측을 반복하여 최종 예측을 수행하는 과정에 대한 예시도이다.4 is a diagram illustrating a process of repeating the power demand forecast for the past time point and performing the final prediction in the power demand forecasting method according to an embodiment of the present invention.

도 4를 참조하면, 전력 수요 예측 방법은 (a) 예측 목적일과 예측 목적 시각을 포함하는 입력 데이터를 획득하는 단계(S100), (b) 예측 목적일 이전의 제1 일을 선정하는 단계(S110), (c) 제1 일에서의 예측 목적 시각보다 과거의 전력 수요 데이터 n개를 미리 구축된 전력 수요 데이터베이스에서 획득하는 단계(S120), (d) 획득된 n개의 전력 수요 데이터와 상태 변수

Figure pat00048
를 이용하여 제1 일에 대한 예측 전력 수요를 도출하는 단계(S130) 및 (e) 도출된 예측 전력 수요와 제1 일에서의 예측 목적 시각에 대한 실제 전력 수요 z를 이용하여 상태 변수
Figure pat00049
및 예측 전력 수요의 오차에 대한 공분산
Figure pat00050
를 갱신하는 단계(S140)를 포함할 수 있다.Referring to FIG. 4, the power demand prediction method includes: (a) acquiring input data including a predicted object date and a predicted object time (S100); (b) selecting a first day (c) acquiring past n power demand data from the power demand database in advance (S120), (d) obtaining n power demand data from the first day and
Figure pat00048
(S130) and (e) deriving a predicted power demand for the first day using the predicted power demand and the actual power demand z for the predicted power demand for the first day,
Figure pat00049
And the covariance of the error in predicted power demand
Figure pat00050
(S140). ≪ / RTI >

여기서, k는 도 3에 따른 예측 및 보정이 수행된 횟수를 지시하는 상수로서, 0부터 반복 수행할 횟수 사이에 있는 자연수를 의미할 수 있으며, 도 2 및 도 3에 따른 반복 과정을 일반화하는 지표로 해석될 수 있다.Here, k is a constant indicating the number of times the prediction and correction according to FIG. 3 are performed, and may be a natural number between 0 and the number of iterations. . ≪ / RTI >

여기서, 전력 수요 예측 방법은, (f) 제1 일보다 예측 목적일에 인접한 제2 일을 제1 일로 선정하여 단계 (c) 내지 단계 (e)를 수행하는 단계(S150) 및 (g) 단계 (f)를 반복 수행하여 마지막으로 갱신된 상태 변수를 이용하여 예측 목적일에서 예측 목적 시각에 대한 예측 전력 수요를 도출하는 단계(S160)를 더 포함할 수 있다.Here, the electric power demand prediction method includes the steps of: (f) performing steps (c) to (e) by selecting a second day as a first day adjacent to the predicted object day than the first day; and (g) (f), and deriving the predicted power demand for the predicted target time at the predicted target time using the last updated state variable (S160).

여기서, 전력 수요 데이터베이스는, 미리 수집된 전력 수요 데이터의 각 날짜를 미리 설정된 시간 범위의 타임 슬롯(time slot)으로 나누고, 각 타임 슬롯마다 전력 수요가 저장될 수 있다.Here, the power demand database divides each date of the power demand data collected in advance into time slots of a predetermined time range, and the power demand can be stored for each time slot.

여기서, 전력 수요 데이터베이스는, 각 타임 슬롯에 속하는 전력 수요 데이터들 중 최대값이 각 타임 슬롯에 저장될 수 있다.Here, the maximum value among the power demand data belonging to each time slot can be stored in each time slot in the power demand database.

여기서, 단계 (d)는, n개의 전력 수요 데이터를 1행 n열로 이루어지는 행렬 H로 구성하고, 행렬 H에 상태 변수

Figure pat00051
를 곱함으로써, 제1 일에 대한 예측 전력 수요
Figure pat00052
를 도출할 수 있다.Here, in the step (d), the n pieces of power demand data are composed of a matrix H consisting of n rows and one row, and the state variable
Figure pat00051
The predicted power demand for the first day < RTI ID = 0.0 >
Figure pat00052
Can be derived.

제1 일에 대한 예측 전력 수요를 수학식으로 표현하면 다음의 수학식 6과 같을 수 있다.The predicted power demand for the first day can be expressed by the following equation (6).

Figure pat00053
Figure pat00053

여기서, 단계 (e)는, 행렬 H와 공분산

Figure pat00054
를 이용하여 이득 행렬 K를 도출하는 단계를 포함할 수 있다.Here, the step (e)
Figure pat00054
And deriving a gain matrix K using the gain matrix K.

여기서, 이득 행렬 K는, 하기의 수학식 7에 의해 도출될 수 있다.Here, the gain matrix K can be derived by the following equation (7).

Figure pat00055
Figure pat00055

수학식 7에서 R은 측정 오차 행렬일 수 있고, 상세하게는 도 2의 설명을 참조하여 이해할 수 있으므로 중복 설명은 생략한다.In Equation (7), R may be a measurement error matrix, and may be understood in detail with reference to the description of FIG. 2, thus redundant description is omitted.

여기서, 단계 (e)는, 이득 행렬 K를 이용하여, 상태 변수

Figure pat00056
및 공분산
Figure pat00057
를 갱신할 수 있다.Here, step (e) uses the gain matrix K to calculate a state variable
Figure pat00056
And covariance
Figure pat00057
Can be updated.

구체적으로, 상태 변수

Figure pat00058
는, 하기의 수학식 8에 의해
Figure pat00059
로 갱신될 수 있다.Specifically,
Figure pat00058
Is expressed by the following equation (8)
Figure pat00059
Lt; / RTI >

Figure pat00060
Figure pat00060

여기서, 공분산

Figure pat00061
는, 하기의 수학식 9에 의해
Figure pat00062
로 갱신될 수 있다.Here,
Figure pat00061
Is expressed by the following equation (9)
Figure pat00062
Lt; / RTI >

Figure pat00063
Figure pat00063

도 5는 본 발명의 일 실시예에 따른 전력 수요 예측 장치에 대한 구성도이다.5 is a configuration diagram of a power demand predicting apparatus according to an embodiment of the present invention.

도 5를 참조하면 전력 수요 예측 장치(10)는, 적어도 하나의 프로세서(processor, 11) 및 적어도 하나의 프로세서(11)가 적어도 하나의 단계를 수행하도록 지시하는 명령어들(instructions)을 저장하는 메모리(memory, 12)를 포함할 수 있다.5, the power demand predicting apparatus 10 includes at least one processor 11 and a memory 11 for storing instructions for instructing at least one processor 11 to perform at least one step (memory 12).

여기서, 적어도 하나의 단계는, (a) 예측 목적일과 예측 목적 시각을 포함하는 입력 데이터를 획득하는 단계, (b) 예측 목적일 이전의 제1 일을 선정하는 단계, (c) 제1 일에서의 예측 목적 시각보다 과거의 전력 수요 데이터 n개를 미리 구축된 전력 수요 데이터베이스에서 획득하는 단계, (d) 획득된 n개의 전력 수요 데이터와 상태 변수

Figure pat00064
를 이용하여 제1 일에 대한 예측 전력 수요를 도출하는 단계 및 (e) 도출된 예측 전력 수요와 제1 일에서의 예측 목적 시각에 대한 실제 전력 수요 z를 이용하여 상태 변수
Figure pat00065
및 예측 전력 수요의 오차에 대한 공분산
Figure pat00066
를 갱신하는 단계를 포함할 수 있다.Wherein at least one step comprises the steps of: (a) obtaining input data including a predicted object date and a predicted object time, (b) selecting a first day before the predicted object, (c) (D) obtaining n power demand data of the past from the power demand database in advance,
Figure pat00064
(E) deriving a predicted power demand for the first day using the predicted power demand and the actual power demand z for the predicted target time in the first day,
Figure pat00065
And the covariance of the error in predicted power demand
Figure pat00066
And the like.

여기서 적어도 하나의 단계는, (f) 제1 일보다 예측 목적일에 인접한 제2 일을 제1 일로 선정하여 단계 (c) 내지 단계 (e)를 수행하는 단계 및 (g) 단계 (f)를 반복 수행하여 마지막으로 갱신된 상태 변수를 이용하여 예측 목적일에서 예측 목적 시각에 대한 예측 전력 수요를 도출하는 단계를 더 포함할 수 있다.Wherein at least one step comprises the steps of: (f) performing steps (c) through (e) by selecting a second day as the first day adjacent to the predecessor day than the first day; and (g) And deriving the predicted power demand for the predicted target time from the predicted target using the last updated state variable.

여기서 전력 수요 데이터베이스는, 미리 수집된 전력 수요 데이터의 각 날짜를 미리 설정된 시간 범위의 타임 슬롯(time slot)으로 나누고, 각 타임 슬롯마다 전력 수요가 저장될 수 있다.Here, the power demand database divides each date of the previously collected power demand data into time slots of a preset time range, and the power demand can be stored for each time slot.

여기서, 상기 전력 수요 데이터베이스는, 상기 각 타임 슬롯에 속하는 전력 수요 데이터들 중 최대값이 상기 각 타임 슬롯에 저장될 수 있다.In the power demand database, a maximum value of the power demand data belonging to each time slot may be stored in each time slot.

여기서, 상기 단계 (d)는, 상기 n개의 전력 수요 데이터를 1행 n열로 이루어지는 행렬 H로 구성하고, 상기 행렬 H에 상기 상태 변수

Figure pat00067
를 곱함으로써, 상기 제1 일에 대한 예측 전력 수요를 도출할 수 있다.In the step (d), the n pieces of power demand data are constituted by a matrix H consisting of n rows and one row, and the state variable
Figure pat00067
The predicted power demand for the first day can be derived.

여기서, 상기 단계 (e)는, 상기 행렬 H와 상기 공분산

Figure pat00068
를 이용하여 이득 행렬 K를 도출하는 단계를 포함할 수 있다.Wherein the step (e) comprises the step of:
Figure pat00068
And deriving a gain matrix K using the gain matrix K.

여기서, 상기 단계 (e)는, 상기 이득 행렬 K를 이용하여, 상기 상태 변수

Figure pat00069
및 상기 공분산
Figure pat00070
를 갱신할 수 있다.Here, the step (e) may include: using the gain matrix K,
Figure pat00069
And the covariance
Figure pat00070
Can be updated.

여기서, 상기 이득 행렬 K는, 앞에서 서술한 수학식 7에 의해 도출될 수 있다.Here, the gain matrix K can be derived by Equation (7) described above.

여기서, 상기 상태 변수

Figure pat00071
는, 앞에서 서술한 수학식 8에 의해 갱신될 수 있다.Here, the state variable
Figure pat00071
Can be updated by the above-described expression (8).

여기서, 상기 공분산

Figure pat00072
는, 앞에서 서술한 수학식 9에 의해 갱신될 수 있다.Here,
Figure pat00072
Can be updated by the above-described expression (9).

여기서, 전력 수요 예측 장치(10)는 전력 수요 데이터를 수집하여 저장하는 저장소(storage, 13) 또는 전력 수요 데이터베이스를 더 포함할 수 있다. Here, the electric power demand forecasting apparatus 10 may further include a storage 13 or a power demand database for collecting and storing electric power demand data.

여기서, 전력 수요 예측 장치(10)는 사용자로부터 전력 수요를 예측하고자 하는 시점(예를 들면, 날짜 및 시각)을 입력받거나 예측된 결과를 디스플레이하는 입출력 인터페이스(14)를 더 포함할 수 있다.Here, the electric power demand forecasting apparatus 10 may further include an input / output interface 14 for inputting a time point (for example, date and time) for predicting electric power demand from a user or displaying a predicted result.

여기서, 입출력 인터페이스는 키보드, 마우스, 터치 스크린, 디스플레이 등일 수 있다.Here, the input / output interface may be a keyboard, a mouse, a touch screen, a display, or the like.

여기서, 전력 수요 예측 장치(10)의 예를 들면, 통신 가능한 데스크탑 컴퓨터(desktop computer), 랩탑 컴퓨터(laptop computer), 노트북(notebook), 스마트폰(smart phone), 태블릿 PC(tablet PC), 모바일폰(mobile phone), 스마트 워치(smart watch), 스마트 글래스(smart glass), e-book 리더기, PMP(portable multimedia player), 휴대용 게임기, 네비게이션(navigation) 장치, 디지털 카메라(digital camera), DMB(digital multimedia broadcasting) 재생기, 디지털 음성 녹음기(digital audio recorder), 디지털 음성 재생기(digital audio player), 디지털 동영상 녹화기(digital video recorder), 디지털 동영상 재생기(digital video player), PDA(Personal Digital Assistant) 등일 수 있다.Here, the electric power demand prediction apparatus 10 may be, for example, a desktop computer, a laptop computer, a notebook, a smart phone, a tablet PC, A mobile phone, a smart watch, a smart glass, an e-book reader, a portable multimedia player (PMP), a portable game machine, a navigation device, a digital camera, a DMB digital multimedia broadcasting player, a digital audio recorder, a digital audio player, a digital video recorder, a digital video player, a PDA (Personal Digital Assistant) have.

도 6은 본 발명의 일 실시예에 따른 전력 수요 예측 방법을 수행한 결과에 대한 그래프이다.6 is a graph illustrating a result of a power demand forecasting method according to an embodiment of the present invention.

도 6을 참조하면, 가로축은 시간 간격을 지시할 수 있고, 세로축은 각각의 시각에서의 예측 수요와 실제 수요를 지시할 수 있다.Referring to FIG. 6, the horizontal axis indicates the time interval, and the vertical axis indicates the predicted demand and the actual demand at each time.

여기서, 예측 수요는 파란색으로, 실제 수요는 붉은색으로 도시하였다.Here, forecast demand is shown in blue and actual demand in red.

도 6에서와 같이 예측 수요는 실제 수요와 상당히 유사하게 따라가고 있음을 확인할 수 있어, 본 발명에 따른 전력 수요 예측이 매우 정확도가 높다는 점을 알 수 있다.As shown in FIG. 6, it can be confirmed that the predicted demand is substantially similar to the actual demand, so that the power demand prediction according to the present invention is highly accurate.

특히, 본 발명에 따른 전력 수요 예측 방법 및 장치는 과거의 데이터에서 오차를 파악하고 오차를 보정해 나가기 때문에, 오차의 최대값이 적으며, 이것은 그래프상에서 예측치가 실측치에서 크게 벗어나는 부분이 관찰되지 않는 점에서 알 수 있다.Particularly, since the method and apparatus for predicting electric power demand according to the present invention grasp the error in the past data and correct the error, the maximum value of the error is small, and the portion where the predicted value deviates greatly from the actual value is not observed on the graph From the point of view.

본 발명에 따른 방법들은 다양한 컴퓨터 수단을 통해 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 컴퓨터 판독 가능 매체에 기록되는 프로그램 명령은 본 발명을 위해 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다.The methods according to the present invention can be implemented in the form of program instructions that can be executed through various computer means and recorded on a computer readable medium. The computer readable medium may include program instructions, data files, data structures, and the like, alone or in combination. The program instructions recorded on the computer readable medium may be those specially designed and constructed for the present invention or may be available to those skilled in the computer software.

컴퓨터 판독 가능 매체의 예에는 롬(ROM), 램(RAM), 플래시 메모리(flash memory) 등과 같이 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함될 수 있다. 프로그램 명령의 예에는 컴파일러(compiler)에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터(interpreter) 등을 사용해서 컴퓨터에 의해 실행될 수 있는 고급 언어 코드를 포함할 수 있다. 상술한 하드웨어 장치는 본 발명의 동작을 수행하기 위해 적어도 하나의 소프트웨어 모듈로 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.Examples of computer-readable media include hardware devices that are specially configured to store and execute program instructions, such as ROM, RAM, flash memory, and the like. Examples of program instructions may include machine language code such as those produced by a compiler, as well as high-level language code that may be executed by a computer using an interpreter or the like. The hardware devices described above may be configured to operate with at least one software module to perform the operations of the present invention, and vice versa.

상기에서는 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다. It will be apparent to those skilled in the art that various modifications and variations can be made in the present invention without departing from the spirit or scope of the present invention as defined by the following claims It can be understood that

Claims (20)

(a) 예측 목적일과 예측 목적 시각을 포함하는 입력 데이터를 획득하는 단계;
(b) 상기 예측 목적일 이전의 제1 일을 선정하는 단계;
(c) 상기 제1 일에서의 상기 예측 목적 시각보다 과거의 전력 수요 데이터 n개를 미리 구축된 전력 수요 데이터베이스에서 획득하는 단계;
(d) 획득된 n개의 전력 수요 데이터와 상태 변수
Figure pat00073
를 이용하여 상기 제1 일에 대한 예측 전력 수요를 도출하는 단계; 및
(e) 도출된 예측 전력 수요와 상기 제1 일에서의 상기 예측 목적 시각에 대한 실제 전력 수요 z를 이용하여 상기 상태 변수
Figure pat00074
및 상기 예측 전력 수요의 오차에 대한 공분산
Figure pat00075
를 갱신하는 단계를 포함하는, 전력 수요 예측 방법.(a) obtaining input data including a predicted object date and a predicted object time;
(b) selecting a first day before the prediction target;
(c) obtaining n power demand data in the past from the predicted target time in the power demand database in advance;
(d) Obtained n power demand data and state variables
Figure pat00073
Deriving a predicted power demand for the first day using the estimated power demand; And
(e) using the derived predicted power demand and the actual power demand z for the predicted target time in the first day,
Figure pat00074
And a covariance for the error of the predicted power demand
Figure pat00075
The method comprising the steps of: 청구항 1에서,
(f) 상기 제1 일보다 예측 목적일에 인접한 제2 일을 상기 제1 일로 선정하여 상기 단계 (c) 내지 상기 단계 (e)를 수행하는 단계; 및
(g) 상기 단계 (f)를 반복 수행하여 마지막으로 갱신된 상태 변수를 이용하여 상기 예측 목적일에서 상기 예측 목적 시각에 대한 예측 전력 수요를 도출하는 단계를 더 포함하는, 전력 수요 예측 방법.In claim 1,
(f) performing the step (c) to the step (e) by selecting the second day as the first day, which is closer to the predicted object than the first day; And
(g) repeating the step (f) to derive the predicted power demand for the predicted target time from the predicted target day using the last updated state variable. 청구항 1에서,
상기 전력 수요 데이터베이스는,
미리 수집된 전력 수요 데이터의 각 날짜를 미리 설정된 시간 범위의 타임 슬롯(time slot)으로 나누고, 각 타임 슬롯마다 전력 수요가 저장되는, 전력 수요 예측 방법. In claim 1,
Wherein the power demand database comprises:
Dividing each date of the previously collected power demand data into time slots of a predetermined time range, and storing power demand for each time slot. 청구항 3에서,
상기 전력 수요 데이터베이스는,
상기 각 타임 슬롯에 속하는 전력 수요 데이터들 중 최대값이 상기 각 타임 슬롯에 저장되는, 전력 수요 예측 방법.In claim 3,
Wherein the power demand database comprises:
Wherein a maximum value of the power demand data belonging to each time slot is stored in each time slot. 청구항 1에서,
상기 단계 (d)는,
상기 n개의 전력 수요 데이터를 1행 n열로 이루어지는 행렬 H로 구성하고, 상기 행렬 H에 상기 상태 변수
Figure pat00076
를 곱함으로써, 상기 제1 일에 대한 예측 전력 수요를 도출하는, 전력 수요 예측 방법.In claim 1,
The step (d)
The n power demand data is constituted by a matrix H composed of n rows and one row, and the state variable
Figure pat00076
Thereby deriving a predicted power demand for the first day. 청구항 5에서,
상기 단계 (e)는,
상기 행렬 H와 상기 공분산
Figure pat00077
를 이용하여 이득 행렬 K를 도출하는 단계를 포함하는, 전력 수요 예측 방법.In claim 5,
The step (e)
The matrix H and the covariance
Figure pat00077
To derive a gain matrix (K) using the power gain matrix (K). 청구항 6에서,
상기 단계 (e)는,
상기 이득 행렬 K를 이용하여, 상기 상태 변수
Figure pat00078
및 상기 공분산
Figure pat00079
를 갱신하는, 전력 수요 예측 방법.In claim 6,
The step (e)
Using the gain matrix K, the state variable
Figure pat00078
And the covariance
Figure pat00079
Of the power demand. 청구항 6에서,
상기 이득 행렬 K는,
하기의 수학식
Figure pat00080
(여기서 R은 측정 오차 행렬)에 의해 도출되는, 전력 수요 예측 방법.In claim 6,
The gain matrix K,
The following equation
Figure pat00080
(Where R is a measurement error matrix). 청구항 7에서,
상기 상태 변수
Figure pat00081
는,
하기의 수학식
Figure pat00082
에 의해
Figure pat00083
로 갱신되는, 전력 수요 예측 방법.In claim 7,
The state variable
Figure pat00081
Quot;
The following equation
Figure pat00082
By
Figure pat00083
Wherein the power demand forecast is updated to a power demand forecast. 청구항 7에서,
상기 공분산
Figure pat00084
는,
하기의 수학식
Figure pat00085
에 의해
Figure pat00086
로 갱신되는, 전력 수요 예측 방법.In claim 7,
The covariance
Figure pat00084
Quot;
The following equation
Figure pat00085
By
Figure pat00086
Wherein the power demand forecast is updated to a power demand forecast. 적어도 하나의 프로세서(processor); 및
상기 적어도 하나의 프로세서가 적어도 하나의 단계를 수행하도록 지시하는 명령어들(instructions)을 저장하는 메모리(memory)를 포함하는 전력 수요 예측 장치에서,
상기 적어도 하나의 단계는,
(a) 예측 목적일과 예측 목적 시각을 포함하는 입력 데이터를 획득하는 단계;
(b) 상기 예측 목적일 이전의 제1 일을 선정하는 단계;
(c) 상기 제1 일에서의 상기 예측 목적 시각보다 과거의 전력 수요 데이터 n개를 미리 구축된 전력 수요 데이터베이스에서 획득하는 단계;
(d) 획득된 n개의 전력 수요 데이터와 상태 변수
Figure pat00087
를 이용하여 상기 제1 일에 대한 예측 전력 수요를 도출하는 단계; 및
(e) 도출된 예측 전력 수요와 상기 제1 일에서의 상기 예측 목적 시각에 대한 실제 전력 수요 z를 이용하여 상기 상태 변수
Figure pat00088
및 상기 예측 전력 수요의 오차에 대한 공분산
Figure pat00089
를 갱신하는 단계를 포함하는, 전력 수요 예측 장치.At least one processor; And
And a memory for storing instructions that direct the at least one processor to perform at least one step,
Wherein the at least one step comprises:
(a) obtaining input data including a predicted object date and a predicted object time;
(b) selecting a first day before the prediction target;
(c) obtaining n power demand data in the past from the predicted target time in the power demand database in advance;
(d) Obtained n power demand data and state variables
Figure pat00087
Deriving a predicted power demand for the first day using the estimated power demand; And
(e) using the derived predicted power demand and the actual power demand z for the predicted target time in the first day,
Figure pat00088
And a covariance for the error of the predicted power demand
Figure pat00089
Of the power demand forecasting device. 청구항 11에서,
상기 적어도 하나의 단계는,
(f) 상기 제1 일보다 예측 목적일에 인접한 제2 일을 상기 제1 일로 선정하여 상기 단계 (c) 내지 상기 단계 (e)를 수행하는 단계; 및
(g) 상기 단계 (f)를 반복 수행하여 마지막으로 갱신된 상태 변수를 이용하여 상기 예측 목적일에서 상기 예측 목적 시각에 대한 예측 전력 수요를 도출하는 단계를 더 포함하는, 전력 수요 예측 장치.In claim 11,
Wherein the at least one step comprises:
(f) performing the step (c) to the step (e) by selecting the second day as the first day, which is closer to the predicted object than the first day; And
(g) repeating the step (f) to derive a predicted power demand for the predicted target time from the predicted target day using the last updated state variable. 청구항 11에서,
상기 전력 수요 데이터베이스는,
미리 수집된 전력 수요 데이터의 각 날짜를 미리 설정된 시간 범위의 타임 슬롯(time slot)으로 나누고, 각 타임 슬롯마다 전력 수요가 저장되는, 전력 수요 예측 장치. In claim 11,
Wherein the power demand database comprises:
Dividing each date of the previously collected power demand data into time slots of a predetermined time range, and storing power demand for each time slot. 청구항 13에서,
상기 전력 수요 데이터베이스는,
상기 각 타임 슬롯에 속하는 전력 수요 데이터들 중 최대값이 상기 각 타임 슬롯에 저장되는, 전력 수요 예측 장치.In claim 13,
Wherein the power demand database comprises:
Wherein a maximum value of the power demand data belonging to each time slot is stored in each time slot. 청구항 11에서,
상기 단계 (d)는,
상기 n개의 전력 수요 데이터를 1행 n열로 이루어지는 행렬 H로 구성하고, 상기 행렬 H에 상기 상태 변수
Figure pat00090
를 곱함으로써, 상기 제1 일에 대한 예측 전력 수요를 도출하는, 전력 수요 예측 장치.In claim 11,
The step (d)
The n power demand data is constituted by a matrix H composed of n rows and one row, and the state variable
Figure pat00090
To derive the predicted power demand for the first day. 청구항 15에서,
상기 단계 (e)는,
상기 행렬 H와 상기 공분산
Figure pat00091
를 이용하여 이득 행렬 K를 도출하는 단계를 포함하는, 전력 수요 예측 장치.In claim 15,
The step (e)
The matrix H and the covariance
Figure pat00091
To derive a gain matrix (K) using the power matrix. 청구항 16에서,
상기 단계 (e)는,
상기 이득 행렬 K를 이용하여, 상기 상태 변수
Figure pat00092
및 상기 공분산
Figure pat00093
를 갱신하는, 전력 수요 예측 장치.In claim 16,
The step (e)
Using the gain matrix K, the state variable
Figure pat00092
And the covariance
Figure pat00093
To the power demand prediction device. 청구항 16에서,
상기 이득 행렬 K는,
하기의 수학식
Figure pat00094
(여기서 R은 측정 오차 행렬)에 의해 도출되는, 전력 수요 예측 장치.In claim 16,
The gain matrix K,
The following equation
Figure pat00094
(Where R is a measurement error matrix). 청구항 17에서,
상기 상태 변수
Figure pat00095
는,
하기의 수학식
Figure pat00096
에 의해
Figure pat00097
로 갱신되는, 전력 수요 예측 장치.In claim 17,
The state variable
Figure pat00095
Quot;
The following equation
Figure pat00096
By
Figure pat00097
To the power demand prediction device. 청구항 17에서,
상기 공분산
Figure pat00098
는,
하기의 수학식
Figure pat00099
에 의해
Figure pat00100
로 갱신되는, 전력 수요 예측 장치.In claim 17,
The covariance
Figure pat00098
Quot;
The following equation
Figure pat00099
By
Figure pat00100
To the power demand prediction device.
KR1020170065639A 2017-05-26 2017-05-26 Method for predicting electric power demand and apparatus for the same KR20180129496A (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170065639A KR20180129496A (en) 2017-05-26 2017-05-26 Method for predicting electric power demand and apparatus for the same

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170065639A KR20180129496A (en) 2017-05-26 2017-05-26 Method for predicting electric power demand and apparatus for the same

Publications (1)

Publication Number Publication Date
KR20180129496A true KR20180129496A (en) 2018-12-05

Family

ID=64744201

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170065639A KR20180129496A (en) 2017-05-26 2017-05-26 Method for predicting electric power demand and apparatus for the same

Country Status (1)

Country Link
KR (1) KR20180129496A (en)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102125210B1 (en) * 2018-12-28 2020-06-22 주식회사 팀삼층 Method for predicting bill of goods and apparatus for executing the method
CN111539841A (en) * 2019-12-31 2020-08-14 远景智能国际私人投资有限公司 Electric quantity prediction method, device, equipment and readable storage medium
KR102415788B1 (en) * 2022-01-12 2022-07-05 주식회사 에이앤씨랩 Power demand prediction method using machine learning

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102125210B1 (en) * 2018-12-28 2020-06-22 주식회사 팀삼층 Method for predicting bill of goods and apparatus for executing the method
CN111539841A (en) * 2019-12-31 2020-08-14 远景智能国际私人投资有限公司 Electric quantity prediction method, device, equipment and readable storage medium
KR20220117336A (en) * 2019-12-31 2022-08-23 엔비전 디지털 인터내셔널 피티이 리미티드 Method and apparatus, device and readable storage medium for estimating power consumption
KR102415788B1 (en) * 2022-01-12 2022-07-05 주식회사 에이앤씨랩 Power demand prediction method using machine learning

Similar Documents

Publication Publication Date Title
US8290802B2 (en) System and method for product deployment and in-service product risk simulation
KR102468316B1 (en) Time series prediction method and apparatus based on past prediction data
JP6458403B2 (en) Prediction model generation device, prediction model generation method, and program
US20170371073A1 (en) Prediction apparatus, prediction method, and non-transitory storage medium
US11455544B2 (en) Prediction model generation device, prediction model generation method, and recording medium
CN101187943A (en) Automatic update system, automatic updating method, and program therefor
US20180258761A1 (en) System and tool with increased forecast accuracy to configure well settings in mature oil fields
KR20180129496A (en) Method for predicting electric power demand and apparatus for the same
JP7099805B2 (en) Predictors, prediction systems, prediction methods and programs
EP2811107A1 (en) Method for selecting and optimizing oil field controls for production plateau
JP2019101490A (en) Time series data prediction device, time series data prediction method and computer program
EP2929475A2 (en) Probabilistic carbon credits calculator
JP7393244B2 (en) Time series data prediction device and time series data prediction method
JP6012860B2 (en) Work time estimation device
US20150060053A1 (en) Method for adaptive optimizing of heterogeneous proppant placement under uncertainty
JP6494258B2 (en) Prediction system, prediction method, and prediction program
JP5063444B2 (en) Line production management support method and apparatus
KR20140004915A (en) Multi-model probabilistic prediction system and method thereof
JP2016045536A (en) Design support device
JP2009076036A (en) Process state prediction method
US10689965B2 (en) Field development plan selection system, method and program product
CN112418534B (en) Method and device for predicting quantity of collected parts, electronic equipment and computer readable storage medium
JP7332554B2 (en) Information processing device, information processing method, and computer program
Rupsys et al. A univariate stochastic Gompertz model for tree diameter modeling
US20190205804A1 (en) Information processing device, information processing method and computer readable medium

Legal Events

Date Code Title Description
N231 Notification of change of applicant
A201 Request for examination
E902 Notification of reason for refusal
E601 Decision to refuse application