KR20190051243A - Power demand predicting method and power demand predicting system - Google Patents

Power demand predicting method and power demand predicting system Download PDF

Info

Publication number
KR20190051243A
KR20190051243A KR1020170146671A KR20170146671A KR20190051243A KR 20190051243 A KR20190051243 A KR 20190051243A KR 1020170146671 A KR1020170146671 A KR 1020170146671A KR 20170146671 A KR20170146671 A KR 20170146671A KR 20190051243 A KR20190051243 A KR 20190051243A
Authority
KR
South Korea
Prior art keywords
information
power
power demand
prediction model
model
Prior art date
Application number
KR1020170146671A
Other languages
Korean (ko)
Other versions
KR102499240B1 (en
Inventor
황의석
송준호
박강구
오근우
윤승욱
Original Assignee
광주과학기술원
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 광주과학기술원 filed Critical 광주과학기술원
Priority to KR1020170146671A priority Critical patent/KR102499240B1/en
Publication of KR20190051243A publication Critical patent/KR20190051243A/en
Application granted granted Critical
Publication of KR102499240B1 publication Critical patent/KR102499240B1/en

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—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
    • H02J2003/003—
    • 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
    • Y04S10/54—

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Power Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Public Health (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

Disclosed is a power demand prediction system which generates a more accurate prediction model. According to an embodiment of the present invention, the power demand prediction system comprises: a power information collection unit collecting power information including power consumption information for each time zone and reference power information for the time zone to be predicted; an information analysis unit comparing the reference power information with the power consumption information for each time zone to analyze each correlation; a prediction model generation unit selecting the power consumption information in a time zone in which the correlation is relatively high in accordance with a correlation analysis result as an input for generating a power demand prediction model to generate the power demand prediction model; and a power demand prediction unit predicting a power demand in a time zone to be predicted through the power demand prediction model.

Description

전력 수요 예측 방법 및 그 시스템{Power demand predicting method and power demand predicting system}Technical Field [0001] The present invention relates to a power demand predicting method and a power demand predicting system,

본 발명은 전력 수요 예측 방법에 관한 것이다. 구체적으로, 적절한 입력 변수 선택에 기초하여 예측 모델을 생성해 보다 정확한 전력 수요를 예측하는 방법에 관한 것이다.The present invention relates to a power demand forecasting method. Specifically, the present invention relates to a method for predicting more accurate power demand by generating a predictive model based on an appropriate input variable selection.

화석 에너지 자원의 고갈에 따라 최근 전 세계적으로 에너지 최적화 및 에너지 절감에 대한 연구가 활발히 진행되고 있다. 대형 건물의 경우 날씨 예측 정보와 건물 내 온도 변화, 그리고 건물의 구조 등을 종합적으로 판단하여 공조 장치를 동작시킴으로써 건물 내 사용자의 만족도를 유지하는 동시에 공조 에너지 비용을 절감하는 에너지 관리 기법이 활발히 연구 중이다. 특히 최근에는 지난 에너지 사용량을 기반으로 미래 에너지 사용량을 예측하고 이를 에너지 관리에 반영함으로써 에너지 비용 절감을 추구하는 기법이 새로이 연구되고 있다. 이러한 예측 기반 에너지 관리 기법은 예측 정확도에 성능이 크게 좌우되므로, 보다 정확한 에너지 사용량 예측 기법이 필요하다.Research on energy optimization and energy saving has been actively carried out all over the world in recent years due to exhaustion of fossil energy resources. In the case of large buildings, energy management techniques are being actively researched to reduce the cost of air-conditioning while maintaining the satisfaction of users in the building by operating the air conditioner by comprehensively judging the weather prediction information, the temperature change in the building, and the structure of the building . Recently, new techniques are being researched to reduce energy costs by predicting future energy use based on past energy use and reflecting it in energy management. This prediction-based energy management technique depends on the performance of prediction accuracy, so more accurate energy consumption prediction technique is needed.

예측 모델 생성을 위한 입력값을 선택함에 있어서, 단순히 가장 최근의 동일 시간 대의 전력 정보를 선택하는 것이 아닌, 상관도 분석을 통하 상관도가 가장 높은 시간대의 전력 정보를 입력 정보로 선택하여 더 정확한 예측 모델을 생성하는 전력 수요 예측 시스템을 제공한다.In selecting an input value for generating a predictive model, instead of simply selecting the latest power information at the same time, the power information at the time of the highest correlation through the correlation analysis is selected as input information, And provides a power demand forecasting system for generating a model.

본 발명의 일 실시 예에 따른 전력 수요 예측 시스템은 시간대 별 전력 소비 정보와 예측하고자 하는 시간대를 위한 기준 전력 정보를 포함하는 전력 정보를 수집하는 전력 정보 수집부, 상기 기준 전력 정보와, 상기 시간대 별 전력 소비 정보를 비교하여 각각의 상관도를 분석하는 정보 분석부, 상관도 분석 결과에 따라 상관도가 상대적으로 높은 시간대의 전력 소비 정보를 전력 수요 예측 모델 생성을 위한 입력으로 선택하여 전력 수요 예측 모델을 생성하는 예측 모델 생성부 및 상기 전력 수요 예측 모델을 통해 예측하고자 하는 시간대의 전력 수요를 예측하는 전력 수요 예측부를 포함한다.The power demand forecasting system according to an embodiment of the present invention includes a power information collecting unit for collecting power information including power consumption information by time zone and reference power information for a time zone to be predicted, An information analyzing unit for comparing the power consumption information with each other and analyzing each correlation degree; selecting power consumption information at a time when correlation is relatively high according to a correlation analysis result as an input for generating a power demand forecasting model; And a power demand predicting unit for predicting power demand in a time period to be predicted through the power demand prediction model.

기계적으로 최근의 데이터를 사용하는 전력 수요 예측 모델보다 더 정확하게 전력 수요를 예측할 수 있다.It is possible to forecast power demand more accurately than a power demand forecasting model using mechanically recent data.

도 1은 본 발명의 일 실시 예에 따른 전력 수요 예측 시스템의 블록도이다.
도 2는 도 1에서 설명한 전력 수요 예측 시스템의 구체적인 동작을 설명하기 위한 블록도이다.
도 3은 예측하고자 하는 시간과 시간대 별 상관도를 보여주는 도면이다.
도 4는 예측하고자 하는 시간에 따른 상호 정보량이 높은 시간대의 순위를 보여준다.
도 5는 본 발명의 일 실시 예에 따른 전력 수요 예측 시스템의 동작 방법을 나타내는 흐름도이다.
도 6은 본 발명의 일 실시 예에 따른 전력 수요 예측 시스템의 성능을 보여준다.1 is a block diagram of a power demand forecasting system in accordance with an embodiment of the present invention.
2 is a block diagram illustrating a specific operation of the power demand forecasting system described with reference to FIG.
FIG. 3 is a diagram showing a correlation between time and time to be predicted.
FIG. 4 shows the ranking of the time periods in which the amount of mutual information according to the time to be predicted is high.
5 is a flowchart illustrating an operation method of a power demand forecasting system according to an embodiment of the present invention.
FIG. 6 shows performance of a power demand forecasting system according to an embodiment of the present invention.

이하에서는 도면을 참조하여 본 발명의 구체적인 실시예를 상세하게 설명한다. 그러나 본 발명의 사상은 이하의 실시예에 제한되지 아니하며, 본 발명의 사상을 이해하는 당업자는 동일한 사상의 범위 내에 포함되는 다른 실시예를 구성요소의 부가, 변경, 삭제, 및 추가 등에 의해서 용이하게 제안할 수 있을 것이나, 이 또한 본 발명 사상의 범위 내에 포함된다고 할 것이다. Hereinafter, specific embodiments of the present invention will be described in detail with reference to the drawings. It should be understood, however, that there is no intention to limit the invention to the embodiments described below, and that those skilled in the art, upon reading and understanding the spirit of the invention, It is to be understood that this is also included within the scope of the present invention.

첨부 도면은 발명의 사상을 이해하기 쉽게 표현하기 위하여 전체적인 구조를 설명함에 있어서는 미소한 부분은 구체적으로 표현하지 않을 수도 있고, 미소한 부분을 설명함에 있어서는 전체적인 구조는 구체적으로 반영되지 않을 수도 있다. 또한, 설치 위치 등 구체적인 부분이 다르더라도 그 작용이 동일한 경우에는 동일한 명칭을 부여함으로써, 이해의 편의를 높일 수 있도록 한다. 또한, 동일한 구성이 복수 개가 있을 때에는 어느 하나의 구성에 대해서만 설명하고 다른 구성에 대해서는 동일한 설명이 적용되는 것으로 하고 그 설명을 생략한다. The accompanying drawings are merely exemplary and are not to be construed as limiting the present invention. The present invention may, however, be embodied in many different forms and should not be construed as limited to the embodiments set forth herein. Further, even if specific parts such as installation positions are different, the same names are given when the functions are the same, so that the convenience of understanding can be improved. When there are a plurality of identical configurations, only one configuration will be described, and the same description will be applied to the other configurations, and a description thereof will be omitted.

도 1은 본 발명의 일 실시 예에 따른 전력 수요 예측 시스템의 블록도이다.1 is a block diagram of a power demand forecasting system in accordance with an embodiment of the present invention.

도 1에 도시된 바와 같이, 본 발명의 일 실시 예에 따른 전력 수요 예측 시스템(100)은 전력 정보 수집부(110), 정보 분석부(120), 비전력 정보 수집부(130), 예측 모델 생성부(140) 및 전력 수요 예측부(150)을 포함할 수 있다.1, a power demand forecasting system 100 according to an embodiment of the present invention includes a power information collecting unit 110, an information analyzing unit 120, a non-power information collecting unit 130, Generating unit 140, and a power demand predicting unit 150. [0031] FIG.

전력 정보 수집부(110)은 전력 정보를 수집한다. 전력 정보 수집부(110)는 유무선 통신, 기록매체 또는 사용자 인터페이스를 통한 직접 입력을 통해 전력 정보를 수집할 수 있다.The power information collecting unit 110 collects power information. The power information collecting unit 110 may collect power information through direct input through wired / wireless communication, a recording medium, or a user interface.

전력 정보 수집부(110)가 수집하는 전력 정보는 시간대 별로 수집된 전력 소비 정보일 수 있다. 구체적으로 전력 정보 수집부(110)는 예측 시간 기준으로 과거 시간의 전력 소비 정보를 시간대 별로 수집할 수 있다. 예를 들어 전력 정보 수집부(110)는 1시간 단위의 전력 소비 정보를 수집할 수 있다.The power information collected by the power information collecting unit 110 may be power consumption information collected for each time period. Specifically, the power information collecting unit 110 may collect power consumption information of past time on a predicted time basis. For example, the power information collecting unit 110 can collect power consumption information in units of one hour.

또한, 전력 정보 수집부(110)는 요일 별로(예를 들어, 업무일(work-day)와 휴일(non-work-day)별로) 전력 소비 정보를 수집할 수 있다. 또한, 전력 정보 수집부(110)는 건물 특성 별로(예를 들어, 업무용 건물과 주거용 건물) 전력 소비 정보를 수집할 수도 있다.In addition, the power information collecting unit 110 may collect power consumption information on a day-by-day basis (for example, on a work-day and a non-work-day basis). In addition, the power information collecting unit 110 may collect power consumption information for each building characteristic (for example, a business building and a residential building).

전력 정보 수집부(110)는 메모리를 더 포함할 수 있다. 전력 정보 수집부(110)는 수집한 정보를 메모리에 저장할 수 있다.The power information collecting unit 110 may further include a memory. The power information collecting unit 110 may store the collected information in a memory.

정보 분석부(120)는 전력 정보 수집부(110)가 수집한 전력 정보를 분석한다. 구체적으로, 정보 분석부(120)는 수집한 전력 정보와 예측 대상과의 상호 정보량(mutual information) 또는 상관계수(correlation coefficient) 분석을 통해 각 정보간의 상관도를 분석한다. 여기에서 상호 정보량 및 상관계수는 양 정보간의 비정형 패턴의 유사 정도를 나타내며, 상호 정보량이 큰 경우 양 정보는 상관도가 높은 것으로 판단한다. The information analysis unit 120 analyzes the power information collected by the power information collection unit 110. Specifically, the information analyzer 120 analyzes the mutual information or the correlation coefficient between the collected power information and the predicted object to analyze the correlation between the information. Here, the mutual information amount and the correlation coefficient indicate the degree of similarity of the atypical pattern between the two pieces of information. When the mutual information amount is large, the pieces of information are judged to have high correlation.

일 실시 예에서, 예측하고자하는 시간이 오늘 오전 8시인 경우, 정보 분석부(120)는 과거의 데이터에서 오전 8시의 전력 정보와 다른 시간대 별 전력 정보간의 상관도를 분석한다. In one embodiment, if the time to predict is 8 am today, the information analysis unit 120 analyzes the correlation between the power information at 8:00 am and the power information at different time zones in the past data.

구체적인 실시 예에서, 정보 분석부(120)는 상관관계 비교를 위해 기준이 되는 전력 정보를 예측일로부터 2일 전의 전력 정보의 평균으로 설정한다. 예를 들어 10월 30일 8시의 전력 정보를 예측하고자 하는 경우 정보 분석부(120)는 10월 28일, 29일 양일간의 오전 8시의 전력 정보의 평균값을 기준 전력 정보로 설정할 수 있다. 그리고, 정보 분석부(120)는 기준 전력 정보와 과거 전력 정보를 비교하여 상관도를 획득할 수 있다. 또 다른 실시 예에서, 정보 분석부(120)는 기준 전력 정보를 예측일로부터 4일간의 전력 정보의 평균값으로 설정할 수도 있다. 예를 들어, 10월 30일 8시의 전력 정보를 예측하고자 하는 경우, 정보 분석부(120)는 10월 26일부터 29일까지 4일간의 오전 8시의 전력 정보의 평균값을 기준 정보로 설정할 수 있다.In a specific embodiment, the information analysis unit 120 sets the power information serving as a reference for the correlation comparison as the average of the power information two days before the prediction date. For example, when it is desired to predict the power information at 8:00 on October 30, the information analysis unit 120 may set the average value of the power information at 8:00 am on both October 28 and 29 as the reference power information. The information analyzer 120 may compare the reference power information with the past power information to obtain the correlation. In another embodiment, the information analysis unit 120 may set the reference power information as an average value of the power information for four days from the predicted date. For example, when it is desired to predict the power information at 8:00 on October 30, the information analyzer 120 sets the average value of the power information at 8:00 am for four days from October 26 to 29 as the reference information .

또한, 정부 분석부(120)는 기준 전력 정보와 시간대별 과거 전력 정보를 비교하는 과정에 있어서, 기준 전력 정보와 시간대별 전력 정보 샘플을 비교하여 상관도를 예측할 수도 있으며, 기준 전력 정보와 복수의 전력 정보 샘플의 평균 값을 비교하여 상관도를 예측할 수도 있다.Also, in the process of comparing the reference power information with the past power information by time, the government analyzing unit 120 may compare the reference power information with the power information samples by time to predict the correlation, The average value of the power information samples may be compared to predict the correlation.

일반적으로 오늘 오전 8시와 가장 상관 관계가 높은 시간은 예측일로부터 가장 가까운 날의 오전 8시라 생각할 수 있으나, 외부 변수의 영향으로 다른 시간대가 오히려 상관도가 높을 수 있다. 따라서, 본 발명의 일 실시 예에 따른 전력 수요 예측 시스템의 정보 분석부(120)는 수집한 전력 정보를 분석하여 예측 시간과 가장 상관도가 높은 시간대를 찾을 수 있다. 예측하고자 하는 시간대와 과거의 시간대 간 상관도를 계산하는 방법은 이하에서 상세하게 설명하고 여기에서는 설명을 생략한다.Generally, the most correlated time with 8 am today can be considered as 8 am on the nearest day from the forecast date, but other time zones may be highly correlated due to the influence of external variables. Therefore, the information analysis unit 120 of the power demand forecasting system according to an embodiment of the present invention analyzes the collected power information and finds a time zone having the highest correlation with the predicted time. A method of calculating the correlation between the time zone to be predicted and the past time zone will be described in detail below, and a description thereof will be omitted.

비전력 정보 수집부(130)는 전력 정보 외 다른 정보를 수집한다. 비전력 정보는 전력 정보 수집부(110)가 수집한 전력 정보에 기초한 선형 모델을 보완하는 비선형적 요소에 관한 정보일 수 있다. 예를 들어, 비전력 정보는 날짜별 온도, 계절, 부하특징을 포함할 수 있다.The non-power information collecting unit 130 collects information other than the power information. The non-power information may be information on non-linear elements that complement the linear model based on the power information collected by the power information collecting unit 110. [ For example, non-power information may include temperature, season, and load characteristics by date.

예측 모델 생성부(140)는 정보 분석부(120)에서 상관도를 기준으로 선택한 입력 변수 및 비전력 정보 수집부(130)로부터 획득한 비전력 정보에 기초하여 전력 소비 예측 모델을 생성한다.The predictive model generation unit 140 generates a power consumption prediction model based on the input variable selected by the information analysis unit 120 based on the degree of correlation and the non-power information acquired from the non-power information collection unit 130. [

구체적으로 예측 모델 생성부(140)는 우선 정보 분석부(120)에서의 분석 결과에 따라 입력 변수로 선택된 특정 시간 대의 전력 정보를 입력 변수로 하여 선형 예측 모델을 생성한다. 그리고, 예측 모델 생성부(140)는 비전력 정보에 기초하여 비선형 예측 모델을 생성한다. 예를 들어, 예측 모델 생성부(140)는 온도에 따른 전력 수요 예측 모델을 생성할 수 있다. Specifically, the prediction model generation unit 140 generates a linear prediction model using power information of a specific time period selected as an input variable as an input variable according to an analysis result in the information analysis unit 120. [ Then, the prediction model generation unit 140 generates a non-linear prediction model based on the non-power information. For example, the prediction model generation unit 140 may generate a power demand prediction model according to temperature.

그리고 예측 모델 생성부(140)는 전력 정보에 기초한 선형 예측 모델에 비전력 정보에 기초한 비선형 예측 모델을 결합하여 전력 수요 예측 모델을 생성할 수 있다. 구체적인 실시 예에서, 예측 모델 생성부(140)는 선형 예측 모델을 중심으로 선형 예측 모델이 예측하지 못한 오차를 비선형 예측 모델로 예측하는 방식으로 전력 수요 예측 모델을 생성할 수 있다.The predictive model generation unit 140 can generate a power demand prediction model by combining the linear prediction model based on the power information with the nonlinear prediction model based on the non-power information. In a specific embodiment, the predictive model generation unit 140 may generate a power demand prediction model by predicting an error that is not predicted by the linear predictive model with a non-linear predictive model, with the linear predictive model as a center.

전력 수요 예측부(150)는 예측 모델 생성부(140)에서 생성한 모델에 기초하여 전력 수요를 예측할 수 있다. 구체적인 실시 예에서, 전력 수요 예측부(150)는 하루 전에 수행되는 다음날 전력 수요 예측을 위한 예측 모델에 기초하여 다음날의 전력 수요를 예측할 수 있다.The power demand predicting unit 150 can predict the power demand based on the model generated by the predicted model generating unit 140. [ In a specific embodiment, the power demand predicting unit 150 can predict the next day's power demand based on a prediction model for predicting next day's power demand to be performed one day before.

도 2는 도 1에서 설명한 전력 수요 예측 시스템의 구체적인 동작을 설명하기 위한 블록도이다.2 is a block diagram illustrating a specific operation of the power demand forecasting system described with reference to FIG.

도 2에 도시된 바와 같이, 정보 분석부(120)는 예측할 대상과 수집된 전력 정보간의 상관성을 분석한다. 구체적으로 정보 분석부(120)는 예측할 대상과 수집된 전력 정보간의 상호 정보량(joint mutual information)을 수학식 1과 같이 도출한다.As shown in FIG. 2, the information analyzer 120 analyzes the correlation between the predicted object and the collected power information. Specifically, the information analysis unit 120 derives the joint mutual information between the predicted object and the collected power information as shown in Equation (1).

Figure pat00001
Figure pat00001

여기에서 Yn은 예측할 대상의 전력 정보이며, Yi는 수집된 과거의 전력 정보이다. I는 상호 정보 값이다.Where Yn is the power information of the predicted object and Yi is the collected past power information. I is the mutual information value.

수학식 1을 통해 얻은 상호 정보량은 수학식 2에 따라 순위가 정해진다.The amount of mutual information obtained through Equation (1) is ranked according to Equation (2).

Figure pat00002
Figure pat00002

정보 분석부(120)는 수학식 2에 따라 결정된 순위에서 순위가 높은 전력 정보들을 선형 예측 모델의 입력 변수로 선택하여 아래 수학식 3에 대입한다. 다시 말해서, 정보 분석부는 예측 대상의 전력 정보와의 상호 정보량을 가장 큰 값부터 내림차순으로 정렬하고, 가장 큰 값부터 일정 개수의 전력 정보를 선택한다. 여기에서 정보 분석부(120)는 가장 큰 상호 정보량을 기준으로 가장 큰 상호 정보와의 차가 임계값 이하인 전력 정보를 선택할 수 있다. 예를 들어 임계값이 (1) 로 설정된 경우, 가장 큰 상호 정보량을 갖는 시간대와 (1)이하의 차이를 갖는 상호 정보량을 갖는 시간대의 전력 정보가 입력 변수로 선택될 수 있다. 여기에서 임계값은 미리 설정되거나, 시스템 운용과정에서 입력/수정 될 수도 있다.The information analyzer 120 selects the input power of the linear prediction model as the input power of the highest ranked power information in the order determined according to Equation (2), and substitutes it into Equation (3) below. In other words, the information analyzing unit sorts the mutual information amount with the power information to be predicted in descending order from the largest value, and selects a certain number of pieces of power information from the largest value. Here, the information analysis unit 120 can select the power information whose difference from the largest mutual information is less than or equal to the threshold value based on the largest mutual information amount. For example, when the threshold value is set to (1), power information of a time zone having a mutual information amount having a difference of (1) or less from the time zone having the largest mutual information amount can be selected as the input variable. Here, the threshold value may be set in advance or may be input / modified in the course of system operation.

Figure pat00003
Figure pat00003

수학식 3은 AR(Auto-regressive)모델을 이용한 선형 예측 모델이나, 본 발명에 서는 다른 선형 예측 모델(ARIMA, ARMA)를 사용할 수도 있다.Equation (3) may be a linear prediction model using an AR (Auto-regressive) model, but other linear prediction models (ARIMA, ARMA) may be used in the present invention.

다만, 상술한 상호 정보 을 구하기 위해서는 전력 정보들의 확률 분포를 알아야 하는데, 일반적으로 확률분포를 모르는 경우가 대부분이다. 따라서, 수학식 4와 같이, 상호 정보량을 근사화하거나, bound를 통해서 추정해야 한다. However, in order to obtain the above-described mutual information, it is necessary to know the probability distribution of the power information. In most cases, the probability distribution is unknown. Therefore, as in Equation (4), the mutual information amount should be approximated or estimated through bound.

Figure pat00004
Figure pat00004

여기에서

Figure pat00005
은 근사화된 상호 정보량(approximated joint mutual information)를 의미한다. 그리고 근사화된 상호 정보량은 수학식 5에 따라 순위가 매겨진다.From here
Figure pat00005
Refers to approximated joint mutual information. And the approximated amount of mutual information is ranked according to equation (5).

Figure pat00006
Figure pat00006

그리고 수학식 5에 따라 순위가 매겨진 상호 정보량을 기준으로 마찬가지로 높은 순위의 상호 정보량을 가진 시간대의 전력 정보가 아래 수학식 6에 따른 선형 예측 모델의 입력 변수로 선택된다. 선형 예측 모델의 입력 변수 선택은 상술한 바와 같다.Then, the power information of the time zone having the same high mutual information amount is selected as an input variable of the linear prediction model according to Equation (6) below based on the mutual information amount ranked according to Equation (5). The input variable selection of the linear prediction model is as described above.

Figure pat00007
Figure pat00007

여기서도 마찬가지로, AR 모델을 사용하였으나, 다른 선형 예측 모델의 적용도 가능하다.Again, the AR model is used, but other linear prediction models can be applied.

도 3은 예측하고자 하는 시간과 시간대 별 상관도를 보여주는 도면이다.FIG. 3 is a diagram showing a correlation between time and time to be predicted.

도 3의 그래프에서 세로축은 예측하고자 하는 시간대를 나타내며, 가로축은 예측하고자 하는 시간대와 비교 대상이 되는 시간대를 나타낸다. 그리고 기호는 상관 순위를 나타낸다.In the graph of FIG. 3, the vertical axis represents a time zone to be predicted, and the horizontal axis represents a time zone to be predicted and a time zone to be compared. And the symbols represent the order of correlation.

도 3에 도시된 바와 같이, 8시를 예측하고자 하는 경우, 8시와 가장 상관도가 높은 전날의 시간대는 9시인 것을 확인할 수 있다(가장 높은 우선 순위를 나타내는 원형의 기호로 표시). 따라서, 이 경우 오전 8시를 예측하고자하는 경우 전날의(또는 과거의) 8시의 전력 정보를 예측 모델의 입력 값으로 사용하는 것 보다 9시의 전력 정보를 예측 모델의 입력 값으로 사용하는 것이 더 정확한 예측 모델을 생성하는 방법이 될 수 있음을 알 수 있다.As shown in Fig. 3, when it is desired to predict 8 o'clock, it can be confirmed that the time zone of the previous day having the highest correlation with 8 o'clock is 9 o'clock (indicated by a circle symbol indicating the highest priority). Therefore, in this case, when 8:00 am is to be predicted, it is preferable to use the power information at 9:00 as the input value of the prediction model rather than using the power information of the previous day (or the past) at 8:00 as the input value of the prediction model It can be seen that this method can be a method of generating a more accurate prediction model.

도 4는 예측하고자 하는 시간에 따른 상호 정보량이 높은 시간대의 순위를 보여준다.FIG. 4 shows the ranking of the time periods in which the amount of mutual information according to the time to be predicted is high.

도 4에 도시된 바와 같이, 예측하고자 하는 시간에 따라 상호 정보량이 높은 시간대가 다르며 시간대별로 도 3에 도시된 바와 같이 특수한 패턴을 보일 수 있다.As shown in FIG. 4, the time periods in which mutual information amounts are high are different according to the time to be predicted, and a specific pattern can be shown in each time period as shown in FIG.

예를 들어, 10시의 경우, 10시와 상호 정보량이 가장 높은 시간대는 11시인 것을 확인할 수 있으며, 10시는 두번째인 것을 확인할 수 있다. 따라서, 이러한 결과로부터 상호 정보량에 기초하여 입력 값을 선택하는 것이 예측 정확도를 높이는데 중요한 역할을 함을 알 수 있다.For example, in the case of 10 o'clock, it can be confirmed that 10 o'clock and the highest mutual information amount are 11 o'clock, and 10 o'clock is the second. From these results, it can be seen that selecting the input value based on the mutual information amount plays an important role in improving the prediction accuracy.

도 5는 본 발명의 일 실시 예에 따른 전력 수요 예측 시스템의 동작 방법을 나타내는 흐름도이다.5 is a flowchart illustrating an operation method of a power demand forecasting system according to an embodiment of the present invention.

전력 수요 예측 시스템은 전력 정보 및 환경 정보를 수집한다(S101). 여기에서 수집하는 전력 정보는 예측 시기을 기준으로 과거의 일정 기간 동안의 전력 소비 정보일 수 있다. 또한 환경 정보는 예측 시기를 기준으로 과거의 일정 기간 동안의 온도 정보, 부하 정보 또는 요일 정보 중 적어도 어느 하나를 포함할 수 있다.The power demand forecasting system collects power information and environmental information (S101). The power information collected here may be power consumption information for a certain period of time based on the predicted timing. Also, the environment information may include at least one of temperature information, load information, and day of the week information for a certain period of time based on the prediction time.

전력 수요 예측 시스템은 수집된 전력 정보와 시간대 별 전력 정보간 상관성 및 비정형 주기성을 분석한다(S103). 구체적으로 전력 수요 예측 시스템은 전력 정보와 수집된 시간대 별 전력 정보를 비교하여 상호 정보량을 획득한다. 그리고 전력 수요 예측 시스템은 획득한 상호 정보량을 높은 값부터 내림차순으로 정렬하여 예측하고자 하는 시간대와 비교되는 시간대의 전력 정보간의 상관성 및 비정형 주기성을 분석한다.The power demand forecasting system analyzes the correlation between the collected power information and the power information by time zone and irregular periodicity (S103). Specifically, the power demand forecasting system obtains the mutual information amount by comparing the power information with the collected power information by time zone. And the power demand forecasting system analyzes the correlation and irregular periodicity between power information in the time zone compared with the time zone to predict by sorting the acquired mutual information quantity in descending order from the high value.

전력 수요 예측 시스템은 분석 결과에 기초하여 상관성이 높은 시간의 전력 정보를 예측 모델 생성을 위한 입력 변수로 선택한다(S105). 구체적으로 전력 수요 예측 시스템은 상관성이 가장 높은 전력 정보부터 차례로 n개의 전력 정보를 입력 변수로 선택한다. 일 실시 예에서, 전력 수요 예측 시스템은 가장 높은 상호 정보 량을 갖는 시간대부터, 가상 높은 상호 정보량와 임계값 이하의 차를 갖는 상호 정보량을 갖는 시간대까지의 전력 정보를 입력 변수로 선택할 수 있다.The power demand forecasting system selects power information of high correlation time as an input variable for generating a predictive model based on the analysis result (S105). Specifically, the power demand forecasting system selects n pieces of power information as input variables starting with the highest correlation information. In one embodiment, the power demand prediction system can select power information from the time zone having the highest mutual information amount to the time zone having the mutual information amount having the difference between the virtual high mutual information amount and the threshold value as an input variable.

전력 수요 예측 시스템은 선택된 입력 변수 및 환경정보에 기초하여 전력 수요 정보 예측을 위한 예측 모델을 생성한다(S107). 구체적으로 전력 수요 예측 시스템은 선택된 전력 정보에 기초하여 선형 예측 모델을 생성하고, 생성된 예측 모델을 비선형적 요소로 보완하여 하이브리드형 전력 수요 예측 모델을 생성할 수 있다. 이때, 예측 모델 생성을 위해 AR(Auto-regressive)모델, ARMA 모델 또는 ARIMA 모델이 사용될 수 있으며, 알려진 다른 예측 모델이 사용될 수도 있다.The power demand forecasting system generates a prediction model for predicting power demand information based on the selected input variables and environment information (S107). Specifically, the power demand forecasting system can generate a linear prediction model based on the selected power information and complement the generated prediction model with a nonlinear factor to generate a hybrid power demand prediction model. At this time, an AR (Auto-regressive) model, an ARMA model, or an ARIMA model may be used for generating a prediction model, and other known prediction models may be used.

전력 수요 예측 시스템은 생성된 전력 수요 예측 모델에 기초하여 특정 시간대의 전력 수요를 예측한다(S109). 일 실시 예에서 전력 수요 예측 시스템은 생성된 전력 수요 예측 모델에 기초하여 예측하고자 하는 날의 하루 전에 다음날의 전력 수요를 예측할 수 있다.The power demand forecasting system predicts the power demand in a specific time zone based on the generated power demand forecasting model (S109). In one embodiment, the power demand forecasting system can predict the next day's power demand one day before the day to predict based on the generated power demand forecasting model.

도 6은 본 발명의 일 실시 예에 따른 전력 수요 예측 시스템의 성능을 보여준다.FIG. 6 shows performance of a power demand forecasting system according to an embodiment of the present invention.

도 6에 도시된 바와 같이, 본 발명의 일 실시 예에 따른 전력 수요 예측 시스템(도 6의 Most Informative)이 전체 예측 시간대에서 다른 기존에 알려진 알고리즘에 비해 가능 높은 성능을 나타냄을 알 수 있다. As shown in FIG. 6, it can be seen that the power demand forecasting system (Most Informative in FIG. 6) according to an embodiment of the present invention shows higher performance than other known algorithms in the entire estimated time period.

전술한 본 발명은, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있으며, 또한 캐리어 웨이브(예를 들어, 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다. The present invention described above can be embodied as computer-readable codes on a medium on which a program is recorded. The computer readable medium includes all kinds of recording devices in which data that can be read by a computer system is stored. Examples of the computer readable medium include a hard disk drive (HDD), a solid state disk (SSD), a silicon disk drive (SDD), a ROM, a RAM, a CD-ROM, a magnetic tape, a floppy disk, , And may also be implemented in the form of a carrier wave (e.g., transmission over the Internet).

따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다.Accordingly, the above description should not be construed in a limiting sense in all respects and should be considered illustrative. The scope of the present invention should be determined by rational interpretation of the appended claims, and all changes within the scope of equivalents of the present invention are included in the scope of the present invention.

Claims (12)

시간대 별 전력 소비 정보와 예측하고자 하는 시간대를 위한 기준 전력 정보를 포함하는 전력 정보를 수집하는 전력 정보 수집부;
상기 기준 전력 정보와, 상기 시간대 별 전력 소비 정보를 비교하여 각각의 상관도를 분석하는 정보 분석부;
상관도 분석 결과에 따라 상관도가 상대적으로 높은 시간대의 전력 소비 정보를 전력 수요 예측 모델 생성을 위한 입력으로 선택하여 전력 수요 예측 모델을 생성하는 예측 모델 생성부; 및
상기 전력 수요 예측 모델을 통해 예측하고자 하는 시간대의 전력 수요를 예측하는 전력 수요 예측부를 포함하는
전력 수요 예측 시스템.A power information collecting unit for collecting power information including power consumption information by time zone and reference power information for a time zone to be predicted;
An information analyzer for comparing the reference power information with the power consumption information for each time zone and analyzing each correlation degree;
A prediction model generation unit for generating a power demand prediction model by selecting power consumption information in a time period with a relatively high degree of correlation according to a correlation analysis result as an input for generating a power demand prediction model; And
And a power demand predicting unit for predicting power demand in a time period to be predicted through the power demand forecasting model
Power demand forecasting system. 제 1 항에 있어서,
상기 기준 전력 정보는 예측하고자 하는 날로부터 과거로 2일간의 전력 소비 정보의 평균인
전력 수요 예측 시스템.The method according to claim 1,
The reference power information is an average of the power consumption information for two days from the day to be predicted
Power demand forecasting system. 제 1 항에 있어서,
상기 정보 분석부는 기준 전력 정보와 전력 소비 정보간의 상호 정보량(mutual information)을 시간대별로 획득하고, 획득한 시간대별 상호 정보량 가장 큰 것부터 순위를 매긴 후, 가장 높은 순위부터 차례로 임의의 개수의 시간대별 전력 정보를 전력 수요 예측 모델을 위한 입력값으로 선택하는
전력 수요 예측 시스템.The method according to claim 1,
The information analyzer obtains mutual information between the reference power information and the power consumption information on a time basis, and ranks the acquired mutual information from the largest one among the acquired time information items, Selecting information as an input value for a power demand forecasting model
Power demand forecasting system. 제 3 항에 있어서,
상기 정보 분석부는 내림차순으로 정렬된 시간대에서 가장 높은 상호 정보 량을 기준으로 가장 높은 상호 정보량과의 차이가 임계값 이하인 상호 정보량을 갖는 시간대까지의 전력 소비 정보를 전력 수요 예측 모델을 위한 입력값으로 선택하는
전력 수요 예측 시스템.The method of claim 3,
The information analyzer selects power consumption information up to a time zone having a mutual information amount whose difference from the highest mutual information amount is less than or equal to a threshold value on the basis of the highest mutual information amount in the descending order time zone as an input value for the power demand prediction model doing
Power demand forecasting system. 제 1 항에 있어서,
상기 예측 모델 생성부는 AR(autoregressive) 모델, ARIMA(autoregressive integrated moving average) 모델 또는 ARMA(autoregressive moving average) 모델 중 어느 하나를 통해 전력 수요 예측 모델을 생성하는
전력 수요 예측 시스템.The method according to claim 1,
The predictive model generation unit generates a power demand prediction model through an AR (autoregressive integrated moving average) model, an ARREA (autoregressive moving average) model, or an AR (autoregressive moving average) model
Power demand forecasting system. 제 1 항에 있어서,
비전력 정보를 수집하는 비전력 정보 수집부를 더 포함하고,
상기 예측 모델 생성부는 전력 정보에 기초한 선형 전력 수요 예측 모델에 비전력 정보에 기초한 비선형 예측 모델를 결합한 전력 수요 예측 모델을 생성하는
전력 수요 예측 시스템.The method according to claim 1,
And a non-power information collecting unit for collecting non-power information,
Wherein the prediction model generation unit generates a power demand prediction model in which a linear power demand prediction model based on power information is combined with a nonlinear prediction model based on non-power information
Power demand forecasting system. 시간대 별 전력 소비 정보와 예측하고자 하는 시간대를 위한 기준 전력 정보를 포함하는 전력 정보를 수집하는 단계;
상기 기준 전력 정보와 상기 시간대 별 전력 소비 정보를 비교하여 각각의 상관도를 분석하는 단계;
상관도 분석 결과에 따라 상관도가 상대적으로 높은 시간대의 전력 소비 정보를 전력 수요 예측 모델 생성을 위한 입력으로 선택하여 전력 수요 예측 모델을 생성하는 단계; 및
상기 전력 수요 예측 모델을 통해 예측하고자 하는 시간대의 전력 수요를 예측하는 단계를 포함하는
전력 수요 예측 방법.Collecting power information including power consumption information by time zone and reference power information for a time zone to be predicted;
Comparing the reference power information with the power consumption information by time zone and analyzing each correlation degree;
Generating a power demand prediction model by selecting power consumption information in a time period in which a correlation is relatively high according to a correlation analysis result as an input for generating a power demand prediction model; And
And predicting power demand in a time zone to be predicted through the power demand forecasting model
Power demand forecasting method. 제 7 항에 있어서,
상기 기준 전력 정보는 예측하고자 하는 날로부터 과거로 2일간의 전력 소비 정보의 평균인
전력 수요 예측 방법.8. The method of claim 7,
The reference power information is an average of the power consumption information for two days from the day to be predicted
Power demand forecasting method. 제 7 항에 있어서,
상기 상관도 분석 결과에 따라 상관도가 상대적으로 높은 시간대의 전력 소비 정보를 전력 수요 예측 모델 생성을 위한 입력으로 선택하여 전력 수요 예측 모델을 생성하는 단계는,
기준 전력 정보와 전력 소비 정보간의 상호 정보량(mutual information)을 시간대별로 획득하고, 획득한 시간대별 상호 정보량을 가장 큰 것부터 순위를 매긴 후, 가장 높은 순위부터 차례로 임의의 개수의 시간대별 전력 정보를 전력 수요 예측 모델을 위한 입력값으로 선택하는 단계를 포함하는
전력 수요 예측 방법.8. The method of claim 7,
Wherein the step of generating a power demand prediction model by selecting power consumption information in a time period with a relatively high correlation degree as an input for generating a power demand prediction model according to a result of the correlation analysis,
The mutual information between the reference power information and the power consumption information is obtained for each time period, the mutual information amount for each time period is ranked from the largest one, and the arbitrary number of power information for each time period Selecting as an input value for a demand forecast model
Power demand forecasting method. 제 9 항에 있어서,
가장 높은 순위부터 차례로 임의의 개수를 전력 수요 예측 모델을 위한 입력값으로 선택하는 단계는
내림차순으로 정렬된 시간대에서 가장 높은 상호 정보 량을 기준으로 가장 높은 상호 정보량과의 차이가 임계값 이하인 상호 정보량을 갖는 시간대까지의 전력 소비 정보를 전력 수요 예측 모델을 위한 입력값으로 선택하는
전력 수요 예측 방법.10. The method of claim 9,
The step of selecting an arbitrary number as an input value for the power demand forecasting model in order from the highest order
The power consumption information up to a time zone having a mutual information amount whose difference from the highest mutual information amount is less than or equal to a threshold value is selected as an input value for the power demand prediction model based on the highest mutual information amount in a time zone arranged in descending order
Power demand forecasting method. 제 7 항에 있어서,
상기 전력 수요 예측 모델을 생성하는 단계는
AR(autoregressive) 모델, ARIMA(autoregressive integrated moving average) 모델 또는 ARMA(autoregressive moving average) 모델 중 어느 하나를 통해 전력 수요 예측 모델을 생성하는 단계를 포함하는
전력 수요 예측 방법.8. The method of claim 7,
The step of generating the power demand forecast model
Generating a power demand forecast model through any one of an autoregressive (AR) model, an autoregressive integrated moving average (ARIMA) model, or an autoregressive moving average (ARMA) model.
Power demand forecasting method. 제 7 항에 있어서,
비전력 정보를 수집하는 단계를 더 포함하고,
상기 전력 수요 예측 모델을 생성하는 단계는
전력 정보에 기초한 선형 전력 수요 예측 모델에 비전력 정보에 기초한 비선형 예측 모델를 결합한 전력 수요 예측 모델을 생성하는 단계를 포함하는
전력 수요 예측 방법.8. The method of claim 7,
Further comprising the step of collecting non-power information,
The step of generating the power demand forecast model
Generating a power demand prediction model that combines a linear power demand prediction model based on power information with a nonlinear prediction model based on non-power information;
Power demand forecasting method.
KR1020170146671A 2017-11-06 2017-11-06 Power demand predicting method and power demand predicting system KR102499240B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170146671A KR102499240B1 (en) 2017-11-06 2017-11-06 Power demand predicting method and power demand predicting system

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170146671A KR102499240B1 (en) 2017-11-06 2017-11-06 Power demand predicting method and power demand predicting system

Publications (2)

Publication Number Publication Date
KR20190051243A true KR20190051243A (en) 2019-05-15
KR102499240B1 KR102499240B1 (en) 2023-02-14

Family

ID=66579397

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170146671A KR102499240B1 (en) 2017-11-06 2017-11-06 Power demand predicting method and power demand predicting system

Country Status (1)

Country Link
KR (1) KR102499240B1 (en)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112163723A (en) * 2020-11-02 2021-01-01 西安热工研究院有限公司 Hydropower station medium and long term runoff prediction method, medium and equipment based on scenario division
KR20220011506A (en) 2020-07-21 2022-01-28 한국전력공사 System and Method for estimating power demand over the long term, Computer readable storage medium
KR20220023373A (en) * 2020-08-21 2022-03-02 한국에너지기술연구원 System and Method for managing energy
CN116070804A (en) * 2023-04-06 2023-05-05 国网冀北电力有限公司 Power system load prediction method and device based on knowledge graph and data driving
US11734388B2 (en) 2020-01-17 2023-08-22 Samsung Electronics Co., Ltd. Method and apparatus for predicting time-series data

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130000665A (en) * 2011-06-23 2013-01-03 삼성전자주식회사 Method and apparatus for detecting and compensating back light frame
WO2015075794A1 (en) * 2013-11-20 2015-05-28 株式会社 東芝 Power demand prediction system, power demand prediction method, customer profiling system, and customer profiling method
KR20160037583A (en) * 2014-09-29 2016-04-06 한국전력공사 Apparatus and method for predicting electricity demand
KR20170069046A (en) * 2015-12-10 2017-06-20 한국외국어대학교 연구산학협력단 System for forcasting power demand based on weather infromation

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130000665A (en) * 2011-06-23 2013-01-03 삼성전자주식회사 Method and apparatus for detecting and compensating back light frame
WO2015075794A1 (en) * 2013-11-20 2015-05-28 株式会社 東芝 Power demand prediction system, power demand prediction method, customer profiling system, and customer profiling method
KR20160037583A (en) * 2014-09-29 2016-04-06 한국전력공사 Apparatus and method for predicting electricity demand
KR20170069046A (en) * 2015-12-10 2017-06-20 한국외국어대학교 연구산학협력단 System for forcasting power demand based on weather infromation

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11734388B2 (en) 2020-01-17 2023-08-22 Samsung Electronics Co., Ltd. Method and apparatus for predicting time-series data
US12008070B2 (en) 2020-01-17 2024-06-11 Samsung Electronics Co., Ltd. Method and apparatus for predicting time-series data
KR20220011506A (en) 2020-07-21 2022-01-28 한국전력공사 System and Method for estimating power demand over the long term, Computer readable storage medium
KR20220150259A (en) 2020-07-21 2022-11-10 한국전력공사 System and Method for estimating power demand over the long term, Computer readable storage medium
KR20220150261A (en) 2020-07-21 2022-11-10 한국전력공사 System and Method for estimating power demand over the long term, Computer readable storage medium
KR20220150260A (en) 2020-07-21 2022-11-10 한국전력공사 System and Method for estimating power demand over the long term, Computer readable storage medium
KR20220150861A (en) 2020-07-21 2022-11-11 한국전력공사 System and Method for estimating power demand over the long term, Computer readable storage medium
KR20220153527A (en) 2020-07-21 2022-11-18 한국전력공사 System and Method for estimating power demand over the long term, Computer readable storage medium
KR20220023373A (en) * 2020-08-21 2022-03-02 한국에너지기술연구원 System and Method for managing energy
CN112163723A (en) * 2020-11-02 2021-01-01 西安热工研究院有限公司 Hydropower station medium and long term runoff prediction method, medium and equipment based on scenario division
CN112163723B (en) * 2020-11-02 2023-09-12 西安热工研究院有限公司 Hydropower station medium-long-term runoff prediction method, medium and equipment based on scene division
CN116070804A (en) * 2023-04-06 2023-05-05 国网冀北电力有限公司 Power system load prediction method and device based on knowledge graph and data driving

Also Published As

Publication number Publication date
KR102499240B1 (en) 2023-02-14

Similar Documents

Publication Publication Date Title
KR102499240B1 (en) Power demand predicting method and power demand predicting system
JP4596945B2 (en) Data center demand forecasting system, demand forecasting method and demand forecasting program
US8086544B2 (en) Analysis of energy-related factors for selecting computational job locations
US20150317589A1 (en) Forecasting system using machine learning and ensemble methods
KR102358798B1 (en) Power demand predicting method and power demand predicting system
JP7079662B2 (en) Power demand forecasting system, learning device and power demand forecasting method
JP6297466B2 (en) Wholesale electricity price prediction system and wholesale electricity price prediction method
KR20140043184A (en) Apparatus and method for forecasting an energy comsumption
Gao et al. Using data mining in optimisation of building energy consumption and thermal comfort management
Moniz et al. Resampling strategies for imbalanced time series
US20210334914A1 (en) System and method for determining power production in an electrical power grid
KR102478684B1 (en) Method for predicting energy consumption for using ensemble learning, and computing apparatus for performing the method
US10989743B2 (en) Power-demand-value calculating system, power-demand-value calculating method, and recording medium recording power-demand-value calculating program
US20180225779A1 (en) System and method for determining power production in an electrical power grid
JP2021039739A (en) Prediction device, prediction program, and prediction method
JP2019211922A (en) Data prediction system, data prediction method, and data prediction device
KR102202643B1 (en) Method for energy usage forecast
JP2018173837A (en) Prediction device, prediction system, prediction method and program
Ghassemi et al. Optimal surrogate and neural network modeling for day-ahead forecasting of the hourly energy consumption of university buildings
KR102387284B1 (en) Apparatus and method for forecasting heatwave Impact considering severity of health impacts and socio-economic vulnerability
KR101941003B1 (en) Power demand predicting method and power demand predicting system
Spencer et al. Forecasting temperature in a smart home with segmented linear regression
JP2016140230A (en) Sample extraction device, sample extraction method, and sample extraction program
JP6461397B2 (en) Wholesale electricity price prediction system and wholesale electricity price prediction method
WO2022162798A1 (en) Power demand prediction device, power demand prediction method, and program

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant