KR20200103193A

KR20200103193A - Methods and apparatuses for forecasting power demand using deep structure

Info

Publication number: KR20200103193A
Application number: KR1020190018115A
Authority: KR
Inventors: 길이만; 김대현
Original assignee: 성균관대학교산학협력단
Priority date: 2019-02-15
Filing date: 2019-02-15
Publication date: 2020-09-02
Also published as: KR102239464B1

Abstract

The present invention relates to a method for predicting power demand using a deep structure to expect maximum power demand of tomorrow and a device thereof. According to one embodiment of the present invention, the method comprises the following steps of: using a phase space analysis of power demand data to determine an input structure of a time-series prediction model; using time-series input data in accordance with the determined input structure of the time-series prediction mode to train a plurality of Gaussian kernel function networks having a kernel function; combining the plurality of trained Gaussian kernel function networks to generate an upper-level deep Gaussian kernel function network and using the power demand data to train the generated deep Gaussian kernel function network; and using the trained deep Gaussian kernel function network to predict power demand.

Description

Power demand prediction method and apparatus using deep structure {METHODS AND APPARATUSES FOR FORECASTING POWER DEMAND USING DEEP STRUCTURE}

본 발명은 심층 구조를 이용한 전력 수요 예측 방법 및 장치에 관한 것이다.The present invention relates to a method and apparatus for predicting power demand using a deep structure.

단기 전력 수요 예측은 통계 기법, 인공지능 기법, 지식 기반 전문가 시스템, 하이브리드 기법 등 4가지 방법이 있다. 통계 기법의 경우 회귀 모형이나 ARIMA 모형과 같은 확률적 시계열 방법이 일반적으로 사용된다. 인공지능 기법은 인공 신경 회로망(ANN)을 사용한다. 지식 기반 전문가 시스템은 규칙 기반 방식으로 전문가 경험을 기반으로 의사 결정을 내리고 결정 트리를 통해 전력 수요를 예측한다. 마지막으로 하이브리드 접근법은 원래 방법의 단점을 극복하기 위해 두 가지 이상의 접근법을 결합해 사용한다. 이와 같은 방법은 기상정보와 같은 환경적 특징을 사용한다. 단기 전력 수요를 예측할 때 다양한 기상정보로 인해 예측의 복잡성이 증가하고 예측 정확도가 환경 특성 설정에 따라 크게 영향을 받는다.There are four methods for short-term power demand forecasting: statistical method, artificial intelligence method, knowledge-based expert system, and hybrid method. For statistical techniques, probabilistic time series methods such as regression models or ARIMA models are commonly used. Artificial intelligence techniques use artificial neural networks (ANNs). The knowledge-based expert system makes decisions based on expert experience in a rule-based manner and predicts power demand through decision trees. Finally, the hybrid approach combines two or more approaches to overcome the shortcomings of the original method. This method uses environmental features such as weather information. When predicting short-term power demand, the complexity of the prediction increases due to various weather information, and the prediction accuracy is greatly affected by the setting of environmental characteristics.

발전소를 관리할 때 필요한 전력보다 많은 전력을 생산하면 폐기물이 발생하고 필요한 전력보다 적게 생산하면 정전 또는 비상 전원 공급과 같은 치명적인 결과를 초래한다. 이러한 관점에서 단기 전력 수요의 정확한 예측은 전력 시스템의 안전성과 효율적인 작동을 보장하는 필수 요소이다. 이런 문제를 해결하기 위해서는, 정확도가 높은 예측 모델이 필요하다. 따라서 일일 최대 전력 수요의 정확한 예측은 매우 중요한 이슈라고 할 수 있다.When managing a power plant, producing more power than it needs generates waste, and producing less power than it needs has catastrophic consequences such as power outages or emergency power supply. From this point of view, accurate prediction of short-term power demand is an essential factor to ensure the safety and efficient operation of the power system. To solve this problem, a predictive model with high accuracy is required. Therefore, it can be said that an accurate prediction of the daily maximum power demand is a very important issue.

본 발명의 일 실시 예는 예측 정확도에 영향을 주는 환경 특성을 사용하지 않고 최대 전력 수요 데이터만 사용하여 다음날 최대 전력 수요를 예측할 수 있는, 심층 구조를 이용한 전력 수요 예측 방법 및 장치를 제공하고자 한다.An embodiment of the present invention is to provide a power demand prediction method and apparatus using a deep structure capable of predicting the next day's maximum power demand using only maximum power demand data without using environmental characteristics that affect prediction accuracy.

본 발명의 일 실시 예에 따르면, 전력 수요 예측 장치에 의해 수행되는 전력 수요 예측 방법에 있어서, 전력 수요 데이터의 위상 공간 분석(Phase space analysis)을 이용하여 시계열 예측 모델의 입력 구조를 결정하는 단계; 상기 결정된 시계열 예측 모델의 입력 구조에 따른 시계열 입력 데이터를 이용하여 커널 함수(Kernel function)를 갖는 복수의 가우시안 커널 함수 네트워크(Gaussian kernel function network)를 각각 학습하는 단계; 상기 학습된 복수의 가우시안 커널 함수 네트워크를 결합하여 상위 계층의 심층 가우시안 커널 함수 네트워크를 생성하고, 상기 전력 수요 데이터를 이용하여 상기 생성된 심층 가우시안 커널 함수 네트워크를 학습하는 단계; 및 상기 학습된 심층 가우시안 커널 함수 네트워크를 이용하여 전력 수요를 예측하는 단계를 포함하는, 전력 수요 예측 방법이 제공될 수 있다.According to an embodiment of the present invention, there is provided a method of predicting power demand performed by an apparatus for predicting power demand, the method comprising: determining an input structure of a time series prediction model using phase space analysis of power demand data; Learning a plurality of Gaussian kernel function networks each having a kernel function by using time series input data according to an input structure of the determined time series prediction model; Generating a deep Gaussian kernel function network of an upper layer by combining the learned plurality of Gaussian kernel function networks, and learning the generated deep Gaussian kernel function network using the power demand data; And predicting power demand by using the learned deep Gaussian kernel function network, a power demand prediction method may be provided.

상기 시계열 예측 모델의 입력 구조를 결정하는 단계는, 예측 단계(prediction step)에 대한 임베딩 차원(Embedding dimension)과 지연 시간이 포함된 임베딩 파라미터를 산출하여 상기 시계열 예측 모델의 입력 구조를 결정할 수 있다.In the determining of the input structure of the time series prediction model, the input structure of the time series prediction model may be determined by calculating an embedding parameter including an embedding dimension and a delay time for a prediction step.

상기 시계열 예측 모델의 입력 구조를 결정하는 단계는, 상기 시계열 예측 모델의 평탄 측도(smoothness measure)를 사용하여 임베딩 파라미터를 산출할 수 있다.In determining the input structure of the time series prediction model, an embedding parameter may be calculated using a smoothness measure of the time series prediction model.

상기 시계열 예측 모델의 입력 구조를 결정하는 단계는, 상기 시계열 예측 모델에서 평탄 측도가 양의 값을 갖는 최소 임베딩 차원을 산출하고, 상기 산출된 최소 임베딩 차원에 대해 평탄 측도가 최대 값을 가질 때의 지연 시간을 산출할 수 있다.The determining of the input structure of the time series prediction model includes calculating a minimum embedding dimension in which a flatness measure has a positive value in the time series prediction model, and when a flatness measure has a maximum value for the calculated minimum embedding dimension. You can calculate the delay time.

상기 복수의 가우시안 커널 함수 네트워크를 각각 학습하는 단계는, 상기 결정된 시계열 예측 모델의 입력 구조에 따른 시계열 입력 데이터를 복수의 학습 데이터 세트로 구분하고, 상기 구분된 복수의 학습 데이터 세트를 이용하여 각각의 가우시안 커널 함수 네트워크(Gaussian kernel function network)를 학습할 수 있다.In the learning of each of the plurality of Gaussian kernel function networks, the time series input data according to the input structure of the determined time series prediction model is divided into a plurality of training data sets, and each of the plurality of divided training data sets is used. You can learn a Gaussian kernel function network.

상기 복수의 가우시안 커널 함수 네트워크를 각각 학습하는 단계는, 가우시안 커널 함수 네트워크의 잡음 분산을 추정하여 커널 함수의 수를 산출할 수 있다.In the learning of each of the plurality of Gaussian kernel function networks, the number of kernel functions may be calculated by estimating the noise variance of the Gaussian kernel function network.

상기 복수의 가우시안 커널 함수 네트워크를 각각 학습하는 단계는, 목표 값과 예측 값 사이의 기대위험인 평균 제곱 오류(MSE, Mean squared error)가 최소가 되는 커널 파라미터를 산출할 수 있다.In the learning of each of the plurality of Gaussian kernel function networks, a kernel parameter in which a mean squared error (MSE), which is an expected risk between a target value and a predicted value, is minimized may be calculated.

가우시안 커널 함수 네트워크의 커널 함수의 입력 패턴과 중심점 간의 평균 거리는 대표 입력 위치로 정의될 수 있다.The average distance between the input pattern of the kernel function of the Gaussian kernel function network and the center point may be defined as a representative input position.

상기 생성된 심층 가우시안 커널 함수 네트워크를 학습하는 단계는, 상기 학습된 복수의 가우시안 커널 함수 네트워크에서 각각의 대표 입력 위치와 예측 값이 포함된 단일 벡터를 조합하여 비선형 모델인 상위 계층의 심층 가우시안 커널 함수 네트워크를 생성할 수 있다.The training of the generated deep Gaussian kernel function network includes a deep Gaussian kernel function of an upper layer which is a nonlinear model by combining a single vector including a representative input position and a predicted value in the learned plurality of Gaussian kernel function networks You can create a network.

상기 생성된 심층 가우시안 커널 함수 네트워크를 학습하는 단계는, 상기 복수의 가우시안 커널 함수 네트워크에서 산출된 각 시계열 입력 데이터의 예측 값과, 각 시계열 입력 데이터와 전체 커널 간의 거리를 이용하여 상기 생성된 심층 가우시안 커널 함수 네트워크를 학습할 수 있다.In the learning of the generated deep Gaussian kernel function network, the generated deep Gaussian using a predicted value of each time series input data calculated from the plurality of Gaussian kernel function networks and a distance between each time series input data and the entire kernel You can learn kernel function networks.

한편, 본 발명의 다른 실시 예에 따르면, 적어도 하나의 프로그램을 저장하는 메모리; 및 상기 메모리와 연결된 프로세서를 포함하고, 상기 프로세서는, 상기 적어도 하나의 프로그램을 실행함으로써, 전력 수요 데이터의 위상 공간 분석(Phase space analysis)을 이용하여 시계열 예측 모델의 입력 구조를 결정하고; 상기 결정된 시계열 예측 모델의 입력 구조에 따른 시계열 입력 데이터를 이용하여 커널 함수(Kernel function)를 갖는 복수의 가우시안 커널 함수 네트워크(Gaussian kernel function network)를 각각 학습하고; 상기 학습된 복수의 가우시안 커널 함수 네트워크를 결합하여 상위 계층의 심층 가우시안 커널 함수 네트워크를 생성하고, 상기 전력 수요 데이터를 이용하여 상기 생성된 심층 가우시안 커널 함수 네트워크를 학습하고; 상기 학습된 심층 가우시안 커널 함수 네트워크를 이용하여 전력 수요를 예측하는, 전력 수요 예측 장치가 제공될 수 있다.On the other hand, according to another embodiment of the present invention, a memory for storing at least one program; And a processor connected to the memory, wherein the processor executes the at least one program to determine an input structure of a time series prediction model using a phase space analysis of power demand data; Each learning a plurality of Gaussian kernel function networks each having a kernel function by using time series input data according to the input structure of the determined time series prediction model; Combining the learned plurality of Gaussian kernel function networks to generate a deep Gaussian kernel function network of an upper layer, and learning the generated deep Gaussian kernel function network using the power demand data; A power demand prediction apparatus for predicting power demand using the learned deep Gaussian kernel function network may be provided.

상기 프로세서는, 예측 단계(prediction step)에 대한 임베딩 차원(Embedding dimension)과 지연 시간이 포함된 임베딩 파라미터를 산출하여 상기 시계열 예측 모델의 입력 구조를 결정할 수 있다.The processor may determine an input structure of the time series prediction model by calculating an embedding parameter including a delay time and an embedding dimension for a prediction step.

상기 프로세서는, 상기 시계열 예측 모델의 평탄 측도(smoothness measure)를 사용하여 임베딩 파라미터를 산출할 수 있다.The processor may calculate an embedding parameter by using a smoothness measure of the time series prediction model.

상기 프로세서는, 상기 시계열 예측 모델에서 평탄 측도가 양의 값을 갖는 최소 임베딩 차원을 산출하고, 상기 산출된 최소 임베딩 차원에 대해 평탄 측도가 최대 값을 가질 때의 지연 시간을 산출할 수 있다.The processor may calculate a minimum embedding dimension in which a flatness measure has a positive value in the time series prediction model, and calculate a delay time when the flatness measure has a maximum value with respect to the calculated minimum embedding dimension.

상기 프로세서는, 상기 결정된 시계열 예측 모델의 입력 구조에 따른 시계열 입력 데이터를 복수의 학습 데이터 세트로 구분하고, 상기 구분된 복수의 학습 데이터 세트를 이용하여 각각의 가우시안 커널 함수 네트워크(Gaussian kernel function network)를 학습할 수 있다.The processor divides time series input data according to the determined input structure of the time series prediction model into a plurality of training data sets, and each Gaussian kernel function network by using the divided plurality of training data sets. You can learn.

상기 프로세서는, 가우시안 커널 함수 네트워크의 잡음 분산을 추정하여 커널 함수의 수를 산출할 수 있다.The processor may calculate the number of kernel functions by estimating the noise variance of the Gaussian kernel function network.

상기 프로세서는, 목표 값과 예측 값 사이의 기대위험인 평균 제곱 오류(MSE, Mean squared error)가 최소가 되는 커널 파라미터를 산출할 수 있다.The processor may calculate a kernel parameter in which a mean squared error (MSE), which is an expected risk between a target value and a predicted value, is minimum.

상기 프로세서는, 상기 학습된 복수의 가우시안 커널 함수 네트워크에서 각각의 대표 입력 위치와 예측 값이 포함된 단일 벡터를 조합하여 비선형 모델인 상위 계층의 심층 가우시안 커널 함수 네트워크를 생성할 수 있다.The processor may generate a deep Gaussian kernel function network of an upper layer, which is a nonlinear model, by combining a single vector including a representative input position and a prediction value in the learned plurality of Gaussian kernel function networks.

상기 프로세서는, 상기 복수의 가우시안 커널 함수 네트워크에서 산출된 각 시계열 입력 데이터의 예측 값과, 각 시계열 입력 데이터와 전체 커널 간의 거리를 이용하여 상기 생성된 심층 가우시안 커널 함수 네트워크를 학습할 수 있다.The processor may learn the generated deep Gaussian kernel function network by using a predicted value of each time series input data calculated from the plurality of Gaussian kernel function networks and a distance between each time series input data and the entire kernel.

본 발명의 다른 실시 예에 따르면, 프로세서에 의해 실행 가능한 적어도 하나의 프로그램을 포함하는 비일시적 컴퓨터 판독가능 저장 매체로서, 상기 적어도 하나의 프로그램은 상기 프로세서에 의해 실행될 때, 상기 프로세서로 하여금: 전력 수요 데이터의 위상 공간 분석(Phase space analysis)을 이용하여 시계열 예측 모델의 입력 구조를 결정하고; 상기 결정된 시계열 예측 모델의 입력 구조에 따른 시계열 입력 데이터를 이용하여 커널 함수(Kernel function)를 갖는 복수의 가우시안 커널 함수 네트워크(Gaussian kernel function network)를 각각 학습하고; 상기 학습된 복수의 가우시안 커널 함수 네트워크를 결합하여 상위 계층의 심층 가우시안 커널 함수 네트워크를 생성하고, 상기 전력 수요 데이터를 이용하여 상기 생성된 심층 가우시안 커널 함수 네트워크를 학습하고; 상기 학습된 심층 가우시안 커널 함수 네트워크를 이용하여 전력 수요를 예측하게 하는 명령어들을 포함하는, 비일시적 컴퓨터 판독 가능한 저장 매체가 제공될 수 있다.According to another embodiment of the present invention, there is provided a non-transitory computer-readable storage medium including at least one program executable by a processor, wherein when the at least one program is executed by the processor, the processor causes: power demand Determining an input structure of a time series prediction model using phase space analysis of the data; Each learning a plurality of Gaussian kernel function networks each having a kernel function by using time series input data according to the input structure of the determined time series prediction model; Combining the learned plurality of Gaussian kernel function networks to generate a deep Gaussian kernel function network of an upper layer, and learning the generated deep Gaussian kernel function network using the power demand data; A non-transitory computer-readable storage medium including instructions for predicting power demand by using the learned deep Gaussian kernel function network may be provided.

본 발명의 일 실시 예는 예측 모델을 통해 다음날 최대 전력 수요량을 찾을 수 있다. 본 발명의 일 실시 예에 따른 예측 모델이 수립된다면 많은 이점을 얻을 수 있다.According to an embodiment of the present invention, the maximum amount of power demand for the next day may be found through the prediction model. If a prediction model according to an embodiment of the present invention is established, many advantages can be obtained.

본 발명의 일 실시 예는 불필요한 전력을 생산하지 않아도 되므로 경제적, 환경적 손실을 줄일 수 있다. According to an embodiment of the present invention, it is not necessary to generate unnecessary power, so economical and environmental losses can be reduced.

본 발명의 일 실시 예는 알맞은 전력량을 생산할 수 있기 때문에 전력 시스템의 안전성과 효율성을 높일 수 있고 발전소 운영에 도움을 줄 수 있다.According to an embodiment of the present invention, since it is possible to produce an appropriate amount of electric power, it is possible to increase the safety and efficiency of the electric power system, and to help power plant operation.

본 발명의 일 실시 예는 적절한 예측 모델을 통해, 생산자와 사용자 모두에게 도움을 줄 수 있다.An embodiment of the present invention can help both producers and users through an appropriate prediction model.

도 1은 본 발명의 일 실시 예에 따른 심층 구조를 이용한 전력 수요 예측 방법을 설명하기 위한 흐름도이다.
도 2 및 도 3은 본 발명의 일 실시 예에 사용되는 일일 최대 전력 수요 예측을 위한 평탄 측도 그래프를 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시 예에 따른 가우스 커널 함수 네트워크의 심층 구조(deep structure)를 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시 예에 따른 일일 최대 전력 수요 데이터의 교육, 검증 및 테스트를 위한 데이터 세트를 설명하기 위한 도면이다.
도 6 및 도 7은 본 발명의 일 실시 예에 따른 심층 구조의 가우시안 커널 함수 네트워크의 학습 과정을 설명하기 위한 플로우 차트이다.
도 8은 본 발명의 일 실시 예에 따른 심층 구조를 이용한 전력 수요 예측 장치의 구성을 설명하기 위한 구성도이다.
도 9는 k-NN, SVR-RBF 및 GKFN 예측 모델을 사용한 예측 성능의 비교 결과를 설명하기 위한 도면이다.
도 10은 심층 구조의 GKFN(DGKFN) 예측모델과 GKFN 예측모델을 사용한 예측성능 비교 결과를 설명하기 위한 도면이다.1 is a flowchart illustrating a method for predicting power demand using a deep structure according to an embodiment of the present invention.
2 and 3 are diagrams for explaining a flatness measurement graph for predicting daily maximum power demand used in an embodiment of the present invention.
4 is a diagram for describing a deep structure of a Gaussian kernel function network according to an embodiment of the present invention.
5 is a diagram for explaining a data set for training, verification, and testing of daily maximum power demand data according to an embodiment of the present invention.
6 and 7 are flowcharts illustrating a learning process of a deep-structure Gaussian kernel function network according to an embodiment of the present invention.
8 is a diagram illustrating a configuration of an apparatus for predicting power demand using a deep structure according to an embodiment of the present invention.
9 is a diagram for describing a comparison result of prediction performance using k-NN, SVR-RBF, and GKFN prediction models.
10 is a diagram for explaining a result of comparing prediction performance using a deep-structured GKFN (DGKFN) prediction model and a GKFN prediction model.

본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는바, 특정 실시 예들을 도면에 예시하고 상세하게 설명하고자 한다.In the present invention, various modifications may be made and various embodiments may be provided, and specific embodiments will be illustrated in the drawings and described in detail.

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.However, this is not intended to limit the present invention to a specific embodiment, it should be understood to include all changes, equivalents, or substitutes included in the spirit and scope of the present invention.

제1, 제2 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.Terms such as first and second may be used to describe various components, but the components should not be limited by the terms. These terms are used only for the purpose of distinguishing one component from another component. For example, without departing from the scope of the present invention, a first element may be referred to as a second element, and similarly, a second element may be referred to as a first element. The term and/or includes a 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. When a component is referred to as being "connected" or "connected" to another component, it is understood that it may be directly connected or connected to the other component, but other components may exist in the middle. Should be. On the other hand, when a component is referred to as being "directly connected" or "directly connected" to another component, it should be understood that there is no other component in the middle.

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 terms used in the present application are only used to describe specific embodiments, and are not intended to limit the present invention. Singular expressions include plural expressions unless the context clearly indicates otherwise. In the present application, terms such as "comprise" or "have" are intended to designate the presence of features, numbers, steps, actions, components, parts, or combinations thereof described in the specification, but one or more other features. It is to be understood that the presence or addition of elements or numbers, steps, actions, components, parts, or combinations thereof, does not preclude in advance.

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 문맥상 가지는 의미와 일치하는 의미를 가진 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.Unless otherwise defined, 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 the present invention belongs. Terms such as those defined in a commonly used dictionary should be interpreted as having a meaning consistent with the meaning in the context of the related technology, and should not be interpreted as an ideal or excessively formal meaning unless explicitly defined in this application. Does not.

이하, 첨부한 도면들을 참조하여, 본 발명의 바람직한 실시예를 보다 상세하게 설명하고자 한다. 본 발명을 설명함에 있어 전체적인 이해를 용이하게 하기 위하여 도면상의 동일한 구성요소에 대해서는 동일한 참조부호를 사용하고 동일한 구성요소에 대해서 중복된 설명은 생략한다.Hereinafter, preferred embodiments of the present invention will be described in more detail with reference to the accompanying drawings. In describing the present invention, in order to facilitate an overall understanding, the same reference numerals are used for the same elements in the drawings, and duplicate descriptions for the same elements are omitted.

우선, 본 발명의 일 실시 예를 설명하기 전에 전력 수요 예측에 대한 개요를 설명하기로 한다.First, before describing an embodiment of the present invention, an overview of power demand prediction will be described.

발전소를 관리할 때 필요한 전력보다 많은 전력을 생산하면 폐기물이 발생하고 필요한 전력보다 적게 생산하면 정전 또는 비상 전원 공급과 같은 치명적인 결과를 초래한다. 이러한 관점에서 단기 전력 수요의 정확한 예측은 전력 시스템의 안전성과 효율적인 작동을 보장하는 필수 요소이다. 계절적 추세와 경제적 상황에 따라 전력 수요 데이터가 비선형 및 비정적 시간 계열로 취급될 수 있다. 전력 부하 예측은 기간별로 다음과 같은 세 가지 유형으로 분류된다. STLF(단기 부하 예측)의 경우 최대 1일, MTLF(중기적 부하 예측)의 경우는 1~10년이다. 본 발명의 일 실시 예는 SLTF에 대한 새로운 예측 모델을 제공할 수 있다. 즉, 본 발명의 일 실시 예는 다음날 최대 전력 수요를 예측한다.When managing a power plant, producing more power than it needs generates waste, and producing less power than it needs has catastrophic consequences such as power outages or emergency power supply. From this point of view, accurate prediction of short-term power demand is an essential factor to ensure the safety and efficient operation of the power system. Depending on seasonal trends and economic conditions, power demand data can be treated as non-linear and non-static time series. Power load prediction is classified into three types by period: For short term load prediction (STLF), it is up to 1 day, and for medium term load prediction (MTLF), it is 1 to 10 years. An embodiment of the present invention may provide a new prediction model for SLTF. That is, an embodiment of the present invention predicts the maximum power demand for the next day.

SLTF 방법은 통계 기법, 인공지능(AI) 기법 , 지식 기반 전문가 시스템, 하이브리드 기법 등 4가지 유형으로 분류할 수 있다. 통계 기법의 경우 회귀 모델이나 ARIMA 모델과 같은 확률적 시계열 방법이 일반적으로 사용된다. 인공 지능 기법은 인공 신경 회로망(ANN)을 사용한다. ANN의 응용은 90년대 초에 시작되었다. 그 이후로, 이 분야에서 많은 연구가 이루어졌다. 지식 기반 전문가 시스템은 규칙 기반 방식으로 전문가 경험을 기반으로 의사 결정을 내리고 결정 트리를 통해 전력 수요를 예측한다. 마지막으로 하이브리드 접근법은 원래 방법의 단점을 극복하기 위해 두 가지 이상의 접근법을 결합한다.The SLTF method can be classified into four types: statistical technique, artificial intelligence (AI) technique, knowledge-based expert system, and hybrid technique. For statistical techniques, probabilistic time series methods such as regression models or ARIMA models are commonly used. Artificial intelligence techniques use artificial neural networks (ANNs). The application of ANN began in the early 90s. Since then, a lot of research has been done in this field. The knowledge-based expert system makes decisions based on expert experience in a rule-based manner and predicts power demand through decision trees. Finally, the hybrid approach combines two or more approaches to overcome the shortcomings of the original method.

이와 같이, 대부분의 종래 기술들은 전력 부하 예측을 위한 기상정보와 같은 환경적 특징을 사용한다. 전력 사용량이나 많은 부하 예측에 큰 영향을 미치는 데이터를 예측할 때 다양한 기상 정보로 인해 예측의 복잡성이 증가하고 예측 정확도가 환경 기능 설정에 따라 크게 영향을 받는다.As such, most of the prior art uses environmental features such as weather information for power load prediction. When predicting data that has a great influence on power usage or heavy load prediction, the complexity of the prediction increases due to various weather information, and the prediction accuracy is greatly affected by the setting of environmental functions.

이러한 관점에서 본 발명의 일 실시 예는 환경 특성을 사용하지 않고 최대 전력 수요 데이터만을 사용하여 다음날 최대 전력 수요를 예측할 수 있는, 심층 구조를 이용한 전력 수요 예측 방법 및 장치를 제공할 수 있다. 이를 위해 본 발명의 일 실시 예에서는 가우시안 커널 함수를 가진 네트워크가 선택되었다. 이 모델은 다양한 함수 근사 문제에 적합하기 때문이다.In this respect, an embodiment of the present invention may provide a power demand prediction method and apparatus using a deep structure capable of predicting the maximum power demand for the next day using only the maximum power demand data without using environmental characteristics. To this end, in an embodiment of the present invention, a network having a Gaussian kernel function is selected. This is because this model is suitable for various function approximation problems.

본 발명의 일 실시 예에서 일일 최대 전력 수요의 예측을 위한 입력 구조는 일일 최대 전력 수요 데이터의 위상 공간 분석을 이용해 찾는다. 그런 다음 예측 모델의 분산을 줄이기 위해 GKFN의 심층구조를 분석한다. 결과적으로 본 발명의 일 실시 예에 따른 모델은 k-NN, SVR 및 GKFN과 같은 다른 예측 모델과 비교했을 때 정확한 예측값을 제공할 수 있다.In an embodiment of the present invention, the input structure for predicting the daily maximum power demand is found using a phase space analysis of the daily maximum power demand data. Then, we analyze the deep structure of GKFN to reduce the variance of the predictive model. As a result, the model according to an embodiment of the present invention may provide accurate prediction values when compared with other prediction models such as k-NN, SVR, and GKFN.

도 1은 본 발명의 일 실시 예에 따른 심층 구조를 이용한 전력 수요 예측 방법을 설명하기 위한 흐름도이다.1 is a flowchart illustrating a method for predicting power demand using a deep structure according to an embodiment of the present invention.

본 발명의 일 실시 예에 따른 심층 구조를 이용한 전력 수요 예측 방법은 단기 최대 전력 수요 예측을 위한 심화 학습을 이용하여 전력 수요를 예측할 수 있다. 일례로, 본 발명의 일 실시 예는 일일 최대 전력 수요 예측을 위한 심화 학습 모델 및 방법론을 제공할 수 있다.The power demand prediction method using a deep structure according to an embodiment of the present invention may predict power demand using deep learning for short-term maximum power demand prediction. As an example, an embodiment of the present invention may provide an in-depth learning model and methodology for predicting daily maximum power demand.

본 발명의 일 실시 예에 따른 전력 수요 예측 방법은 전력 수요 예측 장치에 의해 수행된다. 본 발명의 일 실시 예에 따른 전력 수요 예측 장치는 전체 시계열 데이터를 여러 부분으로 나누고 각각 가우스 커널 함수 네트워크(GKFN)를 사용하여 학습한다. 전력 수요 예측 장치는 그런 다음 학습된 GKFN을 GKFN의 심층구조를 이용해 결합하고 예측 모델의 평균 제곱 오차(MSE)를 최소화한다. 결론적으로 본 발명의 일 실시 예에 따른 GKFN의 심층 구조는 종래의 GKFN에 비해 예측 정확도가 향상될 수 있다. 예를 들어, 한국의 일일 최대 전력 수요를 예측하기 위하여, 본 발명의 일 실시 예에 따른 예측 모델은 종래의 GKFN 모델 및 k-NN 및 SVR과 같은 다른 예측 모델에 비해 높은 예측 성능을 가질 수 있다. 본 발명의 일 실시 예에 따른 GKFN의 심층 구조는 시계열 예측이나 회귀 문제의 다양한 문제에도 적용될 수 있다.The power demand prediction method according to an embodiment of the present invention is performed by the power demand prediction apparatus. The apparatus for predicting power demand according to an embodiment of the present invention divides the entire time series data into several parts and learns each using a Gaussian kernel function network (GKFN). The power demand prediction device then combines the learned GKFNs using the deep structure of the GKFN and minimizes the mean squared error (MSE) of the predictive model. In conclusion, the deep structure of GKFN according to an embodiment of the present invention can improve prediction accuracy compared to conventional GKFN. For example, in order to predict the daily maximum power demand in Korea, the prediction model according to an embodiment of the present invention may have higher prediction performance than the conventional GKFN model and other prediction models such as k-NN and SVR. . The deep structure of GKFN according to an embodiment of the present invention can be applied to various problems such as time series prediction or regression problems.

이하, 전력 수요 예측 장치에 의해 수행되는 본 발명의 일 실시 예에 따른 전력 수요 예측 방법을 설명하기로 한다.Hereinafter, a method for predicting power demand, performed by an apparatus for predicting power demand, according to an embodiment of the present invention will be described.

단계 S101에서, 본 발명의 일 실시 예에 따른 전력 수요 예측 장치는 전력 수요 데이터의 위상 공간 분석(Phase space analysis)을 이용하여 시계열 예측 모델의 입력 구조를 결정한다.In step S101, the power demand prediction apparatus according to an embodiment of the present invention determines the input structure of the time series prediction model using a phase space analysis of the power demand data.

단계 S102에서, 전력 수요 예측 장치는 단계 S101에서 결정된 시계열 예측 모델의 입력 구조에 따른 시계열 입력 데이터를 이용하여 커널 함수(Kernel function)를 갖는 복수의 가우시안 커널 함수 네트워크(Gaussian kernel function network)를 각각 학습한다.In step S102, the power demand prediction apparatus learns a plurality of Gaussian kernel function networks each having a kernel function using time series input data according to the input structure of the time series prediction model determined in step S101. do.

단계 S103에서, 전력 수요 예측 장치는 단계 S102에서 학습된 복수의 가우시안 커널 함수 네트워크를 결합하여 상위 계층의 심층 가우시안 커널 함수 네트워크를 생성한다.In step S103, the apparatus for predicting power demand generates a deep Gaussian kernel function network of an upper layer by combining the plurality of Gaussian kernel function networks learned in step S102.

단계 S104에서, 전력 수요 예측 장치는 전력 수요 데이터를 이용하여, 단계 S103에서 생성된 심층 가우시안 커널 함수 네트워크를 학습한다.In step S104, the power demand prediction apparatus learns the deep Gaussian kernel function network generated in step S103 by using the power demand data.

단계 S105에서, 전력 수요 예측 장치는 학습된 심층 가우시안 커널 함수 네트워크를 이용하여 전력 수요를 예측한다.In step S105, the power demand prediction apparatus predicts the power demand by using the learned deep Gaussian kernel function network.

도 2 및 도 3은 본 발명의 일 실시 예에 사용되는 일일 최대 전력 수요 예측을 위한 평탄 측도 그래프를 설명하기 위한 도면이다.2 and 3 are diagrams for explaining a flatness measurement graph for predicting daily maximum power demand used in an embodiment of the present invention.

도 2에는 평탄 측도(smoothness measure)의 3D 그래프가 나타나 있다. 도 3에는 평탄 측도(smoothness measure)의 등고선 지도가 나타나 있다.2 shows a 3D graph of the smoothness measure. 3 shows a contour map of a smoothness measure.

본 발명의 일 실시 예에 따른 전력 수요 예측 방법은 도 9에 후술될 전력 수요 예측 장치에 의해 수행될 수 있으며, 일일 최대 전력 수요를 분석한다. 이하, 일일 최대 전력 수요의 분석 과정을 설명하기로 한다.The power demand prediction method according to an embodiment of the present invention may be performed by the power demand prediction apparatus to be described later in FIG. 9, and the maximum daily power demand is analyzed. Hereinafter, a process of analyzing the daily maximum power demand will be described.

본 발명의 일 실시 예에 따른 전력 수요 예측 방법은 일별 최대 전력 수요 분석을 위해서, 시계열을 생성하는 동적 구조를 조사해야 한다. 이 분석에서는 일반적으로 지연 좌표 임베딩 이론이 사용될 수 있다. 그러나 이 방법들은 위상 공간에서의 끌개(attractor)만을 고려하고 예측 모델은 고려하지 않는다. 본 발명의 일 실시 예에 따른 전력 수요 예측 방법은 시계열 예측 모델의 입력 구조를 결정한다.In the power demand prediction method according to an embodiment of the present invention, in order to analyze the maximum power demand per day, a dynamic structure for generating a time series must be investigated. In this analysis, in general, delayed coordinate embedding theory can be used. However, these methods only consider the attractor in the phase space and not the predictive model. In the power demand prediction method according to an embodiment of the present invention, the input structure of the time series prediction model is determined.

시계열 예측 모델의 입력 구조의 결정 과정을 설명하기로 한다. 이산 시간의 일일 최대 전력 수요 계열을 x(i)로 놓고 여기서 i는 시간 지수를 나타낸다. 그리고 현재 데이터(x(i))를 포함하는 이전의 E 데이터는 지연 시간

을 사용하여 수집할 수 있다. 즉, E차원 벡터는 하기의 [수학식 1]과 같이 설명된다.The process of determining the input structure of the time series prediction model will be described. Let x(i) be the daily maximum power demand series of discrete hours, where i is the time index. And the previous E data including the current data (x(i)) is the delay time

Can be collected using That is, the E-dimensional vector is described as in [Equation 1] below.

여기서, 예측 모델

는 하기의 [수학식 2]와 같이 나타낼 수 있다.Here, the prediction model

Can be represented by the following [Equation 2].

여기서

는 예측 단계를 나타낸다.here

Represents the prediction step.

본 발명의 일 실시 예에 따른 예측 모델의 추정을 위해, 추정 함수

은 목표 함수

에 대해 학습되어야 한다. 이 경우,

의 입력 구조(또는 임베딩 매개 변수

및

)를 결정하는 것이 중요하다. 왜냐하면 예측 모델의 성능은 임베딩 매개 변수의 선택에 따라 크게 달라지기 때문이다. 임베딩 차원

의 결정을 위해, 동적 시스템의 상관 차원 추정이 사용될 수 있다. 그러나 임베딩 차원

를 결정하는 이 방법은 예측 모델이 아닌 위상 공간에서의 끌개(attractor)에만 적용될 수 있다. 따라서 본 발명의 일 실시 예에 따른 전력 수요 예측 방법은 임베딩 파라미터를 결정하며, 일일 최대 전력 수요 예측을 위한 평탄 측도(smoothness measure)를 사용하여 임베딩 파라미터를 결정할 수 있다.For estimation of a prediction model according to an embodiment of the present invention, an estimation function

Is the objective function

Should be learned about. in this case,

The input structure (or embedding parameters of

And

) Is important to determine. This is because the performance of the predictive model greatly depends on the selection of the embedding parameter. Embedding dimension

For the determination of, the correlation dimension estimation of the dynamic system can be used. But the embedding dimension

This method of determining A can only be applied to an attractor in phase space, not a predictive model. Accordingly, the power demand prediction method according to an embodiment of the present invention determines an embedding parameter, and may determine the embedding parameter by using a smoothness measure for predicting the daily maximum power demand.

먼저, 벡터

의 가장 가까운 이웃 벡터를

로 나타낸다. 그 다음, 각 점

에서의 기울기

는 하기의 [수학식 3]과 같이 나타낸다.First, the vector

The nearest neighbor vector of

Represented by Then, each point

Slope at

Is represented by the following [Equation 3].

여기서 분모의 표준은

의 유클리드 거리를 나타낸다. 이 기울기의 정의를 이용해 목표 함수

의 평탄 측도

는 하기의 [수학식 4]와 같이 정의된다.Where the standard of the denominator is

Represents the Euclidean distance. Objective function using this gradient definition

Flatness measure of

Is defined as the following [Equation 4].

따라서 평탄 측도가 더 높은 영역(일반적으로 평탄 측도 값이 0 근처)을 이용해 최적의 임베딩 차원과 지연시간을 결정할 수 있다. 이 영역에서 가장 작은 임베딩 차원은 학습 모델의 샘플 복잡성을 줄이기 위해 사용된다. 전력 부하에 대한 1단계 예측 분석을 위해 상기 [수학식 4]의 평탄 측도 1과 20사이의 모든 지연 시간

와 모든 임베딩 차원

에서 2와 10사이에서 계산된다. 이 예측 문제 과정에서 평탄 측도의 양의 값을 갖는 최소 임베딩 차원

가 먼저 정해진다. 즉, 위상 공간의 평균 기울기 값은 1보다 작다. 그리고 선택된

에 대해 평탄 측도가 최대값을 가질 때 지연 시간

가 결정된다. 결과적으로 일일 최대 전력 수요 분석의 경우 1단계 예측 모델은 하기의 [수학식 5]와 같이 나타난다.Therefore, the optimal embedding dimension and delay time can be determined by using a region with a higher flatness measure (typically near zero). The smallest embedding dimension in this area is used to reduce the sample complexity of the learning model. All delay times between the

flatness measures

1 and 20 of the above [Equation 4] for a one-step predictive analysis of the power load

And all embedding dimensions

Is calculated between 2 and 10. In the course of this prediction problem, the smallest embedding dimension with the positive value of the flatness measure

Is decided first. That is, the average slope value of the phase space is less than 1. And selected

Delay time when the flatness measure has a maximum value for

Is determined. As a result, in the case of the daily maximum power demand analysis, the first-stage prediction model appears as shown in [Equation 5] below.

본 발명의 일 실시 예에서는 이 시계열 분석을 통해, 도 3에 도시된 지연 시간이 19인 5개의 데이터 입력 구조(101)가 일일 최대 전력 수요의 데이터를 학습하기 위한 좋은 예측 모델임을 입증한다.In an embodiment of the present invention, through this time series analysis, it is proved that the five data input structures 101 having a delay time of 19 shown in FIG. 3 are good prediction models for learning data of the maximum daily power demand.

도 4는 본 발명의 일 실시 예에 따른 가우스 커널 함수 네트워크의 심층 구조(deep structure)를 설명하기 위한 도면이다.4 is a diagram for describing a deep structure of a Gaussian kernel function network according to an embodiment of the present invention.

도 4를 참조하여 본 발명의 일 실시 예에 따른 가우스 커널 함수 네트워크(Gaussian Kernel Function Network)의 심층 구조(deep structure)를 설명하기로 한다. 심층 구조의 가우스 커널 함수 네트워크는 입력 패턴(input pattern)(111)을 학습하는 각 가우스 커널 함수 네트워크(예컨대, GKFN1, GKFN2, GKFN3, GKFNk 등)와, 각 가우스 커널 함수 네트워크에서 예측된 예측 값과 각 데이터와 커널과의 거리인 중간 레이어 출력(middle layer output)(112)을 학습하는 상위 계층의 심층 구조의 가우스 커널 함수 네트워크를 포함한다. 여기서, 심층 구조의 가우스 커널 함수 네트워크는 전력 수요 예측을 위한 최적의 예측 값(predicted value)(113)를 산출한다.A deep structure of a Gaussian Kernel Function Network according to an embodiment of the present invention will be described with reference to FIG. 4. The deep-structured Gaussian kernel function network includes each Gaussian kernel function network (e.g., GKFN1, GKFN2, GKFN3, GKFNk, etc.) that learns the input pattern 111, and predicted values and predicted values from each Gaussian kernel function network. It includes a Gaussian kernel function network of a deep structure of an upper layer that learns a middle layer output 112 that is a distance between each data and the kernel. Here, the deep-structure Gaussian kernel function network calculates an optimal predicted value 113 for predicting power demand.

본 발명의 일 실시 예는 최대 전력 수요의 예측을 위해, 가우시안 커널 함수를 갖는 네트워크를 선택하여 최대 전력 수요를 예측할 수 있다. 이는 가우스 커널 함수 네트워크(Gaussian Kernel Function Network)는 함수 근사 문제에 유용하기 때문이다. 여기서, 예측 모델

는 하기의 [수학식 6]과 같다.According to an embodiment of the present invention, in order to predict the maximum power demand, the maximum power demand may be predicted by selecting a network having a Gaussian kernel function. This is because the Gaussian Kernel Function Network is useful for function approximation problems. Here, the prediction model

Is as shown in [Equation 6] below.

여기서,

은 커널 함수의 수를,

는 출력과

번째의 커널 함수

간의 연결 가중치를,

및

는

번째 커널 함수의 평균 및 표준 편차를 각각 나타낸다. 상기 [수학식 6]에서 커널의 수

과 커널 파라미터

,

가 결정되어야 한다. 커널 파라미터의 경우, 본 발명의 일 실시 예는 평균 제곱 오류(MSE)를 최소화하는 방법을 이용하여 효과적인 추정할 수 있다. 본 발명의 일 실시 예는 커널의 최적의 수는 잡음 분산을 추정함으로써 결정할 수 있다. 이 예측 문제에서

스텝후의 미래(또는 목표)값

는 하기의 [수학식 7]과 같다.here,

Is the number of kernel functions,

Is the output and

Th kernel function

The connection weight between,

And

Is

Represent the mean and standard deviation of the th kernel function, respectively. The number of kernels in [Equation 6]

And kernel parameters

,

Must be determined. In the case of a kernel parameter, an embodiment of the present invention can effectively estimate a mean square error (MSE) by minimizing the method. According to an embodiment of the present invention, the optimal number of kernels can be determined by estimating the noise variance. In this prediction problem

Future (or target) value after step

Is as shown in [Equation 7] below.

여기서,

는 주어진 입력

에 대한 예측 함수를 나타내고

는 평균 0 및 분산

를 갖는 랜덤 잡음을 나타낸다.here,

Is the given input

Represents the prediction function for

Is mean 0 and variance

Represents random noise with

그런 다음, 목표 값

에 대해, 예측된 값

은 하기의 [수학식 8]과 같다.Then, the target value

For, the predicted value

Is as shown in [Equation 8] below.

목표 값과 예측 값 사이의 기대위험(또는 MSE)은 하기의 [수학식 9]와 같이 결정된다.The expected risk (or MSE) between the target value and the predicted value is determined as shown in [Equation 9] below.

여기서

는 회귀 오류를 나타내고

는 잡음 분산을 나타낸다.here

Represents the regression error

Represents the noise variance.

그 후, 회귀 오류는 하기의 [수학식 10]과 같이 나타낼 수 있다.Thereafter, the regression error can be expressed as the following [Equation 10].

한편,

개의 유사한 예측 모델

가 있다고 가정한다. 즉, k개의 예측 모델의 바이어스 조건은 작고 유사하다. MSE를 최소화하기 위한 예측 모델의 최적의 조합은 하기의 [수학식 11]과 같이 나타낼 수 있다.Meanwhile,

Similar predictive models of dogs

Suppose there is. That is, the bias conditions of k prediction models are small and similar. An optimal combination of predictive models for minimizing MSE can be expressed as Equation 11 below.

이 경우,

는 항상

의 최소값보다 작다. 즉, [수학식 11]은 하기의 [수학식 12]와 같이 나타낼 수 있다. in this case,

Is always

Is less than the minimum value of That is, [Equation 11] can be expressed as [Equation 12] below.

그러나 회귀모델에서

은 입력 패턴

에 따라 달라진다. 즉,

는 입력 데이터 분포의 중심 근처에서 작고 그 반대일 경우에도 작다. 따라서,

번째 예측 모델

의 커널 함수의 입력 패턴과 중심점 간의 평균 거리는 대표 입력 위치로 하기의 [수학식 13]과 같이 정의된다.But in the regression model

Silver input pattern

It depends. In other words,

Is small near the center of the input data distribution and vice versa. therefore,

Prediction model

The average distance between the input pattern and the center point of the kernel function of is a representative input location and is defined as in [Equation 13] below.

와

는 각각 커널 함수의 수와

번째 예측 모델의 평균을 나타낸다. 그리고

개의 예측 모델에 대해, 대표 입력 위치

은 하기의 [수학식 14]와 같이 나타낼 수 있다.

Wow

Is the number of kernel functions and

Represents the average of the second prediction model. And

For two predictive models, the representative input position

Can be represented by the following [Equation 14].

그리고

예측 값인 벡터

는 하기의 [수학식 15]와 같이 나타낼 수 있다.And

Predicted vector

Can be represented by the following [Equation 15].

이러한

과

의벡터들로부터, 단일 벡터

는 하기의 [수학식 16]과 같이 정의된다.Such

and

From vectors of, a single vector

Is defined as the following [Equation 16].

그런 다음, 본 발명의 일 실시 예에서는 [수학식 11]의

개의 예측 모델의 조합에 대해

가우스 커널 함수를 갖는 또 다른 비선형 모델을 하기의 [수학식 17]과 같이 제공할 수 있다.Then, in an embodiment of the present invention, [Equation 11]

About the combination of predictive models

Another nonlinear model having a Gaussian kernel function can be provided as shown in [Equation 17] below.

결과적으로 가우스 커널 함수 네트워크의 심층 구조가 구성된다. 본 발명의 일 실시 예에서는 [수학식 17]의 조합 모델의 학습을 위해,

는 예측 모델의 분산을 최소화하기 위해

예측 모델의 학습 후에 적용된다.As a result, a deep structure of the Gaussian kernel function network is constructed. In an embodiment of the present invention, for learning the combination model of [Equation 17],

To minimize the variance of the predictive model

It is applied after training of the predictive model.

가우스 커널 함수 네트워크의 심층 구조 학습 알고리즘의 전체적인 과정은 하기의 과정 1 내지 5와 같이 나타낼 수 있다.The overall process of the deep structure learning algorithm of the Gaussian kernel function network can be expressed as steps 1 to 5 below.

과정 1에서, 본 발명의 일 실시 예에 따른 전력 수요 예측 방법은 주어진 시계열

와 예측 단계 P에 대해, 임베딩 차원 E와 지연시간

를 결정한다. 여기서, 전력 수요 예측 방법은 [수학식 4]의 평탄 측도를 이용해 계산한다. 그 결과 하기의 [수학식 18]과 같이 예측 모델을 설명할 수 있다.In process 1, the power demand prediction method according to an embodiment of the present invention is a given time series

And for prediction step P, embedding dimension E and latency

Decide. Here, the power demand prediction method is calculated using the flatness measure of [Equation 4]. As a result, the prediction model can be described as shown in [Equation 18] below.

과정 2에서, 본 발명의 일 실시 예에 따른 전력 수요 예측 방법에서 결정된 E,

및 P에 대한 학습 패턴은 하기의 [수학식 19]와 같이 나타낼 수 있다.In step 2, E determined in the power demand prediction method according to an embodiment of the present invention,

And the learning pattern for P can be expressed as the following [Equation 19].

그리고 전력 수요 예측 방법은 학습 패턴을 k개의 세트로 균등하게 나눈다.And the power demand prediction method evenly divides the learning pattern into k sets.

과정 3에서, 본 발명의 일 실시 예에 따른 전력 수요 예측 방법은 GKFN 모델을 [수학식 6]과 같이 결정하고, [수학식 10]의 학습 알고리즘을 사용하여 각 GKFN의 훈련을 위해 각 훈련 패턴 집합을 적용한다. 그리고 k개의 GKFN은 k개의 학습 패턴 세트의 훈련 후에 얻어진다.In process 3, the power demand prediction method according to an embodiment of the present invention determines the GKFN model as in [Equation 6], and uses the learning algorithm of [Equation 10] to train each training pattern for each GKFN. Apply set. And k GKFNs are obtained after training k learning pattern sets.

과정 4에서, 본 발명의 일 실시 예에 따른 전력 수요 예측 방법은 k개의 훈련된 GKFN을 사용하여 전체 학습 패턴에 대한 하기의 [수학식 20]의 입력 학습 벡터를 얻는다.In step 4, the power demand prediction method according to an embodiment of the present invention uses k trained GKFNs to obtain an input learning vector of [Equation 20] for the entire learning pattern.

과정 5에서, 본 발명의 일 실시 예에 따른 전력 수요 예측 방법은 [수학식 17]의 상위 계층 GKFN 모델을 하기의 [수학식 21]의 학습 패턴에 대하여 기설정된 학습 알고리즘을 사용하여 학습시킨다.In step 5, the power demand prediction method according to an embodiment of the present invention trains the upper layer GKFN model of [Equation 17] using a predetermined learning algorithm for the learning pattern of [Equation 21] below.

본 발명의 일 실시 예에 사용되는 학습 알고리즘은 k개의 GKFN을 결합함으로써, 예측 모델의 분산을 감소시키고 예측 정확도의 개선(또는 MSE의 감소)에 기여할 수 있다. The learning algorithm used in an embodiment of the present invention may reduce variance of a prediction model and contribute to improving prediction accuracy (or reducing MSE) by combining k GKFNs.

도 5는 본 발명의 일 실시 예에 따른 일일 최대 전력 수요 데이터의 교육, 검증 및 테스트를 위한 데이터 세트를 설명하기 위한 도면이다.5 is a diagram for explaining a data set for training, verification, and testing of daily maximum power demand data according to an embodiment of the present invention.

도 5에 도시된 바와 같이, 일일 최대 전력 수요를 예측하기 위한 시뮬레이션을 위해 2014년 6월부터 2017년 8월까지의 한국 최대 전력 데이터를 예측 모델로 수집했다. 이 중 2014년 6월부터 2017년 5월까지의 데이터를 학습 자료로 사용하고 2017년 5월부터 2017년 6월까지의 나머지 데이터를 검증 자료로 사용했다. 학습 데이터(Train data)는 똑같이 세 부분의 학습 데이터 세트(Train data set)로 나누었으며, 각 부분은 훈련 및 유효성 검증 데이터 세트로 나누었다.As shown in FIG. 5, for a simulation to predict the daily maximum power demand, data of Korea's largest power from June 2014 to August 2017 were collected as a prediction model. Among them, data from June 2014 to May 2017 were used as training data, and the rest of the data from May 2017 to June 2017 were used as verification data. The training data was equally divided into three parts of the training data set, and each part was divided into a training and validation data set.

즉, 첫 번째 11개월 데이터는 훈련 데이터 세트 1(Train data set 1)로 사용되었고, 나머지 1개월 데이터는 유효성 검증 및 검사를 위한 검증 데이터 세트 1(Validation data set 1)로 사용하였다. 이 데이터는 0과 1사이의 값으로 표준화되었다. 예측 모델의 경우, 적절한 입력 구조(임베딩 차원

와 지연 시간

)는 예측 시간

에 대해 [수학식 4]의 평탄 측도에 의해 결정된다. 즉, 한 스텝(one-step) 예측이다. 결과적으로, 예측 모델은 [수학식 5]의 형태를 갖는다. That is, the first 11-month data was used as the training data set 1, and the remaining 1-month data was used as the validation data set 1 for validation and inspection. This data was standardized to values between 0 and 1. For predictive models, the appropriate input structure (embedding dimension

And delay time

) Is the estimated time

Is determined by the flatness measure of [Equation 4]. That is, one-step prediction. As a result, the predictive model has the form of [Equation 5].

도 6 및 도 7은 본 발명의 일 실시 예에 따른 심층 구조의 가우시안 커널 함수 네트워크의 학습 과정을 설명하기 위한 흐름도이다.6 and 7 are flowcharts illustrating a learning process of a deep-structure Gaussian kernel function network according to an embodiment of the present invention.

본 발명의 일 실시 예에 따른 전력 수요 예측 방법은 심층 구조의 가우시안 커널 함수 네트워크의 학습 과정을 수행한다. 이하, 도 5에 도시된 전력 수요 데이터와, 도 6 및 도 7을 참조하여 심층 구조의 가우시안 커널 함수 네트워크의 학습 과정을 설명하기로 한다.The power demand prediction method according to an embodiment of the present invention performs a learning process of a deep-structure Gaussian kernel function network. Hereinafter, a learning process of the deep-structure Gaussian kernel function network will be described with reference to the power demand data shown in FIG. 5 and FIGS. 6 and 7.

우선, 도 6에 도시된 바와 같이, 단계 S201에서, 본 발명의 일 실시 예에 따른 전력 수요 예측 방법은 학습 데이터를 복수의 학습 데이터 세트로 분할한다.First, as shown in FIG. 6, in step S201, the power demand prediction method according to an embodiment of the present invention divides training data into a plurality of training data sets.

단계 S202에서, 전력 수요 예측 방법은 각 학습 데이터 세트를 각각 학습하는 각 GKFN를 생성한다. In step S202, the power demand prediction method generates each GKFN for each learning each set of training data.

단계 S203에서, 전력 수요 예측 방법은 각 GKFN의 커널의 수를 늘려가며 검증 데이터 세트를 예측한다. In step S203, the power demand prediction method predicts a verification data set by increasing the number of kernels of each GKFN.

단계 S204에서, 전력 수요 예측 방법은 각 GKFN의 최종 커널의 수를 선택한다. In step S204, the power demand prediction method selects the number of final kernels of each GKFN.

단계 S205에서, 전력 수요 예측 방법은 모든 학습 데이터 세트를 각 GKFN에 넣어 각 데이터에 대한 예측 값과 각 데이터와 전체 커널과의 거리를 각각 산출한다. In step S205, the power demand prediction method puts all the training data sets into each GKFN, and calculates a predicted value for each data and a distance between each data and the entire kernel.

단계 S206에서, 전력 수요 예측 방법은 각각 산출된 예측 값과 거리를 학습하는 심층 구조의 GKFN을 생성한다. In step S206, the power demand prediction method generates a deep structure GKFN for learning the calculated predicted value and distance, respectively.

단계 S207에서, 전력 수요 예측 방법은 각 검증 데이터 세트 모두를 각 GKFN에 넣어 검증 데이터 세트에 대한 예측 값과 각 커널과 검증 데이터 세트와의 거리를 산출한다. In step S207, the power demand prediction method puts all of each verification data set into each GKFN, and calculates a predicted value for the verification data set and a distance between each kernel and the verification data set.

단계 S208에서, 전력 수요 예측 방법은 심층 구조의 GKKFN의 커널 수를 늘리면서, 산출된 예측 값과 거리를 넣어 예측을 수행하고, 최고의 성능을 가지는 커널 수를 선택한다.In step S208, the power demand prediction method increases the number of kernels of the deep structure GKKFN, performs prediction by putting the calculated prediction value and distance, and selects the number of kernels having the highest performance.

한편, 도 7에 도시된 바와 같이, 단계 S301에서, 본 발명의 일 실시 예에 따른 전력 수요 예측 방법은 테스트 데이터 세트(Test data set)를 각 GKFN에 넣어 각 GKFN의 예측 값과 각 커널과 테스트 데이터 세트와의 거리를 산출한다.Meanwhile, as shown in FIG. 7, in step S301, the power demand prediction method according to an embodiment of the present invention puts a test data set into each GKFN and tests the predicted value of each GKFN and each kernel. Calculate the distance to the data set.

단계 S302에서, 전력 수요 예측 방법은 산출된 예측 값과 거리를 심층 구조의 GKFN에 넣어 테스트 데이터 세트를 예측한다.In step S302, the power demand prediction method predicts a test data set by putting the calculated predicted value and distance into the deep-structured GKFN.

단계 S303에서, 전력 수요 예측 방법은 실제 값과 결과를 비교하여 성능을 평가한다.In step S303, the power demand prediction method evaluates the performance by comparing the actual value and the result.

한편, 도 6 및 도 7에 도시된 심층 구조의 가우시안 커널 함수 네트워크의 학습 과정을 도 5에 도시된 각 데이터 세트를 참조하여 설명하기로 한다. 본 발명의 일 실시 예에 따른 전력 수요 예측 방법을 도 5에 도시된 각 데이터 세트와, 도 6 및 오 8을 참조하여 설명하기로 한다.Meanwhile, the learning process of the deep-structure Gaussian kernel function network shown in FIGS. 6 and 7 will be described with reference to each data set shown in FIG. 5. A method of predicting power demand according to an embodiment of the present invention will be described with reference to each data set shown in FIG. 5 and FIGS. 6 and 8.

학습 과정 2에 대해, 본 발명의 일 실시 예에 따른 전력 수요 예측 방법은 학습 데이터 세트 1을 학습하는 GKFN1, 학습 데이터 세트 2를 학습하는 GKFN2, 및 학습 데이터 세트 3를 학습하는 GKFN3을 만들 수 있다. For the learning process 2, the power demand prediction method according to an embodiment of the present invention may create GKFN1 for learning training data set 1, GKFN2 for training training data set 2, and GKFN3 for learning training data set 3. .

학습 과정 3에 대해, 전력 수요 예측 방법은 GKFN1의 커널의 수를 늘려가며 검증 데이터 세트 1을 예측할 수 있다. 이때 전력 수요 예측 방법은 예측이 가장 좋았던 커널의 수를 GKFN1의 최종 커널의 수로 선택할 수 있다. 전력 수요 예측 방법은 GKFN2, GKFN3 에도 검증 데이터 세트 2, 3를 각각 적용시켜 최종 커널의 수를 결정할 수 있다.For learning process 3, the power demand prediction method can predict the verification data set 1 by increasing the number of kernels of GKFN1. In this case, the power demand prediction method may select the number of kernels with the best prediction as the number of final kernels of GKFN1. The power demand prediction method can determine the number of final kernels by applying verification data sets 2 and 3 to GKFN2 and GKFN3, respectively.

학습 과정 4에 대해, 전력 수요 예측 방법은 학습 데이터 세트 1, 2, 3를 모두 GKFN1에 넣어 각 데이터에 대한 예측 값인

과 각 데이터와 전체 커널과의 거리인

을 구할 수 있다. For training process 4, the power demand prediction method puts all

training data sets

1, 2, and 3 in GKFN1, which is the predicted value for each data.

And the distance between each data and the whole kernel

Can be obtained.

학습 과정 5에 대해, 전력 수요 예측 방법은 학습 데이터 세트 1, 2, 3를 GKFN2와 GKFN3에도 각각 적용시켜 각 데이터의 예측 값인

,

와 데이터와 전체 커널과의 거리인

,

를 구할 수 있다. For training process 5, the power demand prediction method applies

training data sets

1, 2, and 3 to GKFN2 and GKFN3, respectively.

,

And the distance between the data and the whole kernel

,

Can be obtained.

학습 과정 6에 대해, 전력 수요 예측 방법은

,

를 학습하는 최종 GKFN을 만든다. For learning process 6, the power demand forecast method is

,

Make the final GKFN learning.

학습 과정 7에 대해, 전력 수요 예측 방법은 검증 세트 1, 2, 3 모두를 GKFN1, GKFN2, GKFN3 에 넣어 검증 데이터 세트에 대한 GKFN1, 2, 3의 예측 값인

과 각 커널과 검증 데이터 세트 과의 거리인

을 구할수 있다. For training process 7, the power demand prediction method puts all validation sets 1, 2, and 3 in GKFN1, GKFN2, and GKFN3, which is the predicted values of GKFN1, 2, and 3 for the validation data set.

And the distance between each kernel and the validation data set

Can be obtained.

학습 과정 8에 대해, 전력 수요 예측 방법은 최종 GKFN의 커널을 늘리면서 학습 과정 5에서 구했던

과

를 넣고 예측할 수 있다. For learning process 8, the power demand prediction method was obtained from learning process 5 by increasing the kernel of the final GKFN.

and

Can be predicted.

학습 과정 8에 대해, 전력 수요 예측 방법은 학습 과정 8에서 가장 좋았던 커널의 수를 선택할 수 있다. For training process 8, the power demand prediction method can select the number of kernels that were best in training process 8.

학습 과정 9에 대해, 전력 수요 예측 방법은 테스트 데이터 세트를 GKFN1, GKFN2, GKFN3에 넣어

,

을 산출하고, 그 값을 최종 GKFN에 넣어 테스트 데이터 세트를 예측하고 실제 값과 결과를 비교하여 성능을 평가할 수 있다.For learning process 9, the power demand prediction method is to put the test data set into GKFN1, GKFN2, GKFN3.

,

Is calculated, the value is put into the final GKFN, and the test data set is predicted, and the performance can be evaluated by comparing the actual value and the result.

도 8은 본 발명의 일 실시 예에 따른 심층 구조를 이용한 전력 수요 예측 장치의 구성을 설명하기 위한 구성도이다.8 is a diagram illustrating a configuration of an apparatus for predicting power demand using a deep structure according to an embodiment of the present invention.

도 8에 도시된 바와 같이, 본 발명의 일 실시 예에 따른 심층 구조를 이용한 전력 수요 예측 장치(200)는 메모리(210) 및 프로세서(220)를 포함한다. 그러나 도시된 구성요소 모두가 필수 구성요소인 것은 아니다. 도시된 구성요소보다 많은 구성요소에 의해 구현될 수도 있고, 그보다 적은 구성요소에 의해서도 구현될 수 있다.As shown in FIG. 8, the power demand prediction apparatus 200 using a deep structure according to an embodiment of the present invention includes a memory 210 and a processor 220. However, not all of the illustrated components are essential components. It may be implemented by more components than the illustrated components, and may be implemented by fewer components.

이하, 도 8의 전력 수요 예측 장치의 각 구성요소들의 구체적인 구성 및 동작을 설명한다.Hereinafter, a detailed configuration and operation of each component of the power demand prediction apparatus of FIG. 8 will be described.

메모리(210)는 적어도 하나의 프로그램을 저장한다. The memory 210 stores at least one program.

프로세서(220)는 메모리(210)와 연결된다. 프로세서(220)는, 적어도 하나의 프로그램을 실행함으로써, 전력 수요 데이터의 위상 공간 분석(Phase space analysis)을 이용하여 시계열 예측 모델의 입력 구조를 결정하고, 결정된 시계열 예측 모델의 입력 구조에 따른 시계열 입력 데이터를 이용하여 커널 함수(Kernel function)를 갖는 복수의 가우시안 커널 함수 네트워크(Gaussian kernel function network)를 각각 학습하고, 학습된 복수의 가우시안 커널 함수 네트워크를 결합하여 상위 계층의 심층 가우시안 커널 함수 네트워크를 생성하고, 상기 전력 수요 데이터를 이용하여 상기 생성된 심층 가우시안 커널 함수 네트워크를 학습하고, 학습된 심층 가우시안 커널 함수 네트워크를 이용하여 전력 수요를 예측할 수 있다.The processor 220 is connected to the memory 210. By executing at least one program, the processor 220 determines an input structure of a time series prediction model using a phase space analysis of power demand data, and inputs a time series according to the input structure of the determined time series prediction model. Using data, each of a plurality of Gaussian kernel function networks having a kernel function is learned, and a plurality of learned Gaussian kernel function networks are combined to generate a deep Gaussian kernel function network of an upper layer. Then, the generated deep Gaussian kernel function network may be trained using the power demand data, and power demand may be predicted using the learned deep Gaussian kernel function network.

다양한 실시 예에 따르면, 프로세서(220)는 예측 단계(prediction step)에 대한 임베딩 차원(Embedding dimension)과 지연 시간이 포함된 임베딩 파라미터를 산출하여 상기 시계열 예측 모델의 입력 구조를 결정할 수 있다.According to various embodiments of the present disclosure, the processor 220 may determine an input structure of the time series prediction model by calculating an embedding parameter including a delay time and an embedding dimension for a prediction step.

다양한 실시 예에 따르면, 프로세서(220)는 시계열 예측 모델의 평탄 측도(smoothness measure)를 사용하여 임베딩 파라미터를 산출할 수 있다.According to various embodiments, the processor 220 may calculate an embedding parameter by using a smoothness measure of a time series prediction model.

다양한 실시 예에 따르면, 프로세서(220)는 시계열 예측 모델에서 평탄 측도가 양의 값을 갖는 최소 임베딩 차원을 산출하고, 산출된 최소 임베딩 차원에 대해 평탄 측도가 최대 값을 가질 때의 지연 시간을 산출할 수 있다.According to various embodiments, the processor 220 calculates a minimum embedding dimension in which a flatness measure has a positive value in a time series prediction model, and calculates a delay time when the flatness measure has a maximum value for the calculated minimum embedding dimension. can do.

다양한 실시 예에 따르면, 프로세서(220)는 결정된 시계열 예측 모델의 입력 구조에 따른 시계열 입력 데이터를 복수의 학습 데이터 세트로 구분하고, 구분된 복수의 학습 데이터 세트를 이용하여 각각의 가우시안 커널 함수 네트워크(Gaussian kernel function network)를 학습할 수 있다.According to various embodiments, the processor 220 divides the time series input data according to the determined input structure of the time series prediction model into a plurality of training data sets, and each Gaussian kernel function network ( Gaussian kernel function network) can be learned.

다양한 실시 예에 따르면, 프로세서(220)는 가우시안 커널 함수 네트워크의 잡음 분산을 추정하여 커널 함수의 수를 산출할 수 있다.According to various embodiments, the processor 220 may calculate the number of kernel functions by estimating the noise variance of the Gaussian kernel function network.

다양한 실시 예에 따르면, 프로세서(220)는 목표 값과 예측 값 사이의 기대위험인 평균 제곱 오류(MSE, Mean squared error)가 최소가 되는 커널 파라미터를 산출할 수 있다.According to various embodiments, the processor 220 may calculate a kernel parameter in which a mean squared error (MSE), which is an expected risk between a target value and a predicted value, is minimized.

다양한 실시 예에 따르면, 가우시안 커널 함수 네트워크의 커널 함수의 입력 패턴과 중심점 간의 평균 거리는 대표 입력 위치로 정의될 수 있다.According to various embodiments, an average distance between an input pattern of a kernel function of a Gaussian kernel function network and a center point may be defined as a representative input position.

다양한 실시 예에 따르면, 프로세서(220)는 학습된 복수의 가우시안 커널 함수 네트워크에서 각각의 대표 입력 위치와 예측 값이 포함된 단일 벡터를 조합하여 비선형 모델인 상위 계층의 심층 가우시안 커널 함수 네트워크를 생성할 수 있다.According to various embodiments, the processor 220 may generate a deep Gaussian kernel function network of an upper layer, which is a nonlinear model, by combining a single vector including a representative input position and a prediction value from a plurality of learned Gaussian kernel function networks. I can.

다양한 실시 예에 따르면, 프로세서(220)는 복수의 가우시안 커널 함수 네트워크에서 산출된 각 시계열 입력 데이터의 예측 값과, 각 시계열 입력 데이터와 전체 커널 간의 거리를 이용하여 상기 생성된 심층 가우시안 커널 함수 네트워크를 학습할 수 있다.According to various embodiments, the processor 220 calculates the generated deep Gaussian kernel function network by using a predicted value of each time series input data calculated from a plurality of Gaussian kernel function networks and a distance between each time series input data and the entire kernel. You can learn.

도 9는 k-NN, SVR-RBF 및 GKFN 예측 모델을 사용한 예측 성능의 비교 결과를 설명하기 위한 도면이다.9 is a diagram for describing a comparison result of prediction performance using k-NN, SVR-RBF, and GKFN prediction models.

도 10은 심층 구조의 GKFN(DGKFN) 예측모델과 GKFN 예측모델을 사용한 예측성능 비교 결과를 설명하기 위한 도면이다.10 is a diagram for explaining a result of comparing prediction performance using a deep-structure GKFN (DGKFN) prediction model and a GKFN prediction model.

본 발명의 일 실시 예에 대한 예측 모델의 성능을 측정하기 위해 RMSE(Root Mean Square Error)를 하기의 [수학식 22]와 같이 사용하였다.In order to measure the performance of the prediction model for an embodiment of the present invention, RMSE (Root Mean Square Error) was used as shown in [Equation 22] below.

및

는 각각 목표의 추정 값을 나타내고,

은 테스트 데이터의 수를 나타내며, 이를 통해 정의된 결정 계수

는 하기의 [수학식 23]과 같다.

And

Represents the estimated value of each target,

Represents the number of test data, the coefficient of determination defined through it

Is as shown in [Equation 23] below.

여기서

는

의 샘플 평균을 나타낸다. 즉,

이다.here

Is

Represents the average of the samples. In other words,

to be.

는 0과 1사이의 정규화 된 값으로, 회귀 모델이 시계열 데이터의 변화를 얼마나 잘 설명하는지를 나타내는 척도이다.

Is a normalized value between 0 and 1, which is a measure of how well the regression model accounts for changes in time series data.

본 발명의 일 실시 예에 따른 전력 수요 예측 방법을 비교하기 위해 k-최근접 이웃(k-Nearest Neighbor, k-NN)를 사용한 예측 모델, 방사 기저 함수를 갖는 서프트 벡터 회귀(Support Vector Regression with Radial Basis Function, SVR-RBF) 및 가우시안 커널 함수 네트워크(Gaussian kernel function network, GFKN)을 이용한 지원 벡터 회귀를 동일한 데이터로 학습하였다.In order to compare the power demand prediction method according to an embodiment of the present invention, a prediction model using a k-nearest neighbor (k-NN), a support vector regression with a radiation basis function Support vector regression using the Radial Basis Function (SVR-RBF) and Gaussian kernel function network (GFKN) was trained with the same data.

k-NN의 경우, 가장 가까운 이웃 k는 결정 계수

를 최소화하는 방법으로 유효성 검증 데이터를 사용하여 값을 찾았다. 결과적으로, k의 값은 이 데이터 세트에 의해 11로 결정되었다. SVR의 경우, 커널 함수가 가우스 함수로 선택되었고, 패널티 파라미터 C와 커널 파라미터

도 결정 계수

를 최소화하는 방식으로 유효성 검증 데이터를 사용하여 값을 찾았다. 이 SVR 학습을 위해 Scikit-learn 툴킷이 사용되었다. 결과적으로, 파라미터 값은

및

로 결정되었다. GKFN의 경우, 결정 계수

를 최소화하고 GKFN의 매개 변수를 훈련 데이터 세트에 대해 학습하는 것과 같은 방법으로 유효성 검증 데이터를 사용하여 가우스 커널 함수의 적절한 수를 찾았다. 결과적으로, 커널 함수의 수는 67로 결정되었다.For k-NN, the nearest neighbor k is the coefficient of determination

In a way to minimize the value, we found the value using the validation data. As a result, the value of k was determined to be 11 by this data set. In the case of SVR, the kernel function was chosen as the Gaussian function, and the penalty parameter C and kernel parameter

Degree determination factor

The value was found using the validation data in a way that minimizes The Scikit-learn toolkit was used for this SVR learning. Consequently, the parameter value is

And

Was decided. For GKFN, coefficient of determination

We used the validation data to find an appropriate number of Gaussian kernel functions in the same way that we minimize and learn the parameters of GKFN on the training data set. As a result, the number of kernel functions was determined to be 67.

이러한 예측 모델을 학습한 후, RMSE와

의 예측 성능을 수집하고 도 9에 정리하였다. 이러한 시뮬레이션 결과는 GKFN이 RMSE와

의 예측 성능에 장점을 제공한다는 것을 알 수 있었다. GKFN의 학습이 미세 조정 방법을 통해 가중치 파라미터 뿐만 아니라 커널 매개 변수를 조정하기 때문이다. 그리고 GKFN은 본 발명의 일 실시 예에 따른 심층 GKFN (DGKFN)과 비교하였다. 이를 위해 훈련 데이터 세트 1, 2 및 3을 각각에 대해 3개의 GKFNs(GKFN1, GKFN2 및 GKFN3)으로 학습했다. 각 GKFN의 학습 과정에서 할당된 유효성 검증 데이터 세트를 사용해 커널 함수의 수가 결정되었다. 그런 다음 GKFN의 심층 구조를 사용하여 3개의 GKFN을 결합하였다. 이 결합에 대해 상위 계층의 GKFN은 전체 훈련 데이터 세트에 대해 학습한다. GKFN을 학습한 후, RMSE 및

의 예측 성능을 수집해 도 10에 정리하였다.After training these predictive models, RMSE and

The prediction performance of was collected and summarized in FIG. 9. These simulation results show that GKFN and RMSE

It was found that it provides an advantage to the predictive performance of This is because GKFN's learning adjusts kernel parameters as well as weight parameters through fine tuning. And GKFN was compared with the deep GKFN (DGKFN) according to an embodiment of the present invention. For this,

training datasets

1, 2 and 3 were trained with 3 GKFNs (GKFN1, GKFN2 and GKFN3) for each. The number of kernel functions was determined using the validation data set allocated during the learning process of each GKFN. Then, the three GKFNs were combined using the deep structure of GKFN. For this combination, the upper layer GKFN learns over the entire training data set. After learning GKFN, RMSE and

The prediction performance of was collected and summarized in FIG. 10.

이러한 시뮬레이션 결과는 GKFN1, GKFN2 및 GKFN3의 예측 성능이 전체 훈련 데이터를 가지고 훈련된 단일층 GKFN의 예측 성능과 비슷하거나 낮았지만, 본 발명의 일 실시 예에 따른 DGKFN은 단일층 GKFN(부분적으로 학습된 GKFNs의 결합)보다 우수한 예측 성능을 보여주었다. 이는 GKFNs의 심층 구조를 이용해 본 발명의 일 실시 예에 따른 조합 방법이 가우시안 커널 함수를 이용한 예측 모델의 예측 성능을 향상시키는데 효과적이라는 것을 의미한다. 이것은 주로 본 발명의 일 실시 예에 따른 예측 모델(DGKFN)의 분산이 다양한 GKFN을 결합함으로써 감소되고 예측 오류를 줄이는 데 기여한다.These simulation results show that the prediction performance of GKFN1, GKFN2, and GKFN3 was similar or lower than that of the single layer GKFN trained with the entire training data, but the DGKFN according to an embodiment of the present invention is a single layer GKFN Showed better predictive performance than the combination). This means that the combination method according to an embodiment of the present invention using the deep structure of GKFNs is effective in improving the prediction performance of a prediction model using a Gaussian kernel function. This mainly contributes to reducing the variance of the prediction model (DGKFN) according to an embodiment of the present invention by combining various GKFNs and reducing prediction errors.

발전소 관리에 있어 단기적인 전력 수요의 정확한 예측은 전력 시스템의 안전성과 효율적인 작동을 보장하는 필수 요소이다. 이러한 맥락에서 본 발명의 일 실시 예는 가우스 커널 함수 네트워크(GKFNs)의 심층 구조를 사용하여 일일 최대 전력 수요를 예측하는 새로운 방법을 제공할 수 있다. 본 발명의 일 실시 예에서 예측 모델의 경우, 전체 시계열 데이터가 여러 부분으로 나누어지고 각 부분은 GKFN을 사용해 학습한다. 그런 다음 학습된 GKFN을 GKFN의 심층 구조를 사용해 결합하여 예측 모델의 평균 제곱 오차를 최소화한다. 결론적으로 본 발명의 일 실시 예에 따른 GKFN의 심층 구조는 표준 GKFN에 비해 예측 정확도가 향상된다. 한국의 일일 최대 전력 수요를 예측하기 위한 시뮬레이션은 제안된 예측 모델이 종래의 GKFN 모델, k-NN 및 SVR과 같은 다른 예측 모델에 비해 예측 성능 면에서 장점이 있다는 것을 알 수 있다. 본 발명의 일 실시 예에 따른 GKFN의 심층 구조는 시계열 예측이나 회귀 문제의 다양한 문제에도 적용될 수 있다.In power plant management, accurate prediction of short-term power demand is essential to ensure the safety and efficient operation of the power system. In this context, an embodiment of the present invention may provide a new method of predicting the maximum daily power demand by using a deep structure of Gaussian Kernel Function Networks (GKFNs). In the case of a prediction model according to an embodiment of the present invention, the entire time series data is divided into several parts, and each part is trained using GKFN. Then, the trained GKFN is combined using the deep structure of the GKFN to minimize the mean square error of the predictive model. In conclusion, the deep structure of GKFN according to an embodiment of the present invention has improved prediction accuracy compared to standard GKFN. It can be seen that the simulation for predicting the maximum daily power demand in Korea has an advantage in predicting performance compared to other predictive models such as the conventional GKFN model, k-NN and SVR. The deep structure of GKFN according to an embodiment of the present invention can be applied to various problems such as time series prediction or regression problems.

상술한 본 발명의 실시 예들에 따른 심층 구조를 이용한 전력 수요 예측 방법은 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현되는 것이 가능하다. 본 발명의 실시 예들에 따른 심층 구조를 이용한 전력 수요 예측 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터로 읽을 수 있는 기록매체에 기록될 수 있다.The method for predicting power demand using a deep structure according to the embodiments of the present invention may be implemented as a computer-readable code on a computer-readable recording medium. The power demand prediction method using a deep structure according to embodiments of the present invention may be implemented in the form of program instructions that can be executed through various computer means and recorded in a computer-readable recording medium.

프로세서에 의해 실행 가능한 적어도 하나의 프로그램을 포함하는 비일시적 컴퓨터 판독가능 저장 매체로서, 상기 적어도 하나의 프로그램은 상기 프로세서에 의해 실행될 때, 상기 프로세서로 하여금: 전력 수요 데이터의 위상 공간 분석(Phase space analysis)을 이용하여 시계열 예측 모델의 입력 구조를 결정하고, 상기 결정된 시계열 예측 모델의 입력 구조에 따른 시계열 입력 데이터를 이용하여 커널 함수(Kernel function)를 갖는 복수의 가우시안 커널 함수 네트워크(Gaussian kernel function network)를 각각 학습하고, 상기 학습된 복수의 가우시안 커널 함수 네트워크를 결합하여 상위 계층의 심층 가우시안 커널 함수 네트워크를 생성하고, 상기 전력 수요 데이터를 이용하여 상기 생성된 심층 가우시안 커널 함수 네트워크를 학습하고, 상기 학습된 심층 가우시안 커널 함수 네트워크를 이용하여 전력 수요를 예측하게 하는 명령어들을 포함하는, 비일시적 컴퓨터 판독 가능한 저장 매체가 제공될 수 있다.A non-transitory computer-readable storage medium including at least one program executable by a processor, wherein when the at least one program is executed by the processor, the processor causes: Phase space analysis of power demand data. ) To determine the input structure of the time series prediction model, and a plurality of Gaussian kernel function networks having a kernel function using time series input data according to the input structure of the determined time series prediction model Learning each, and combining the learned plurality of Gaussian kernel function networks to generate a deep Gaussian kernel function network of an upper layer, learning the generated deep Gaussian kernel function network using the power demand data, and the learning A non-transitory computer-readable storage medium may be provided that includes instructions for predicting power demand using a deep Gaussian kernel function network.

컴퓨터가 읽을 수 있는 기록 매체로는 컴퓨터 시스템에 의하여 해독될 수 있는 데이터가 저장된 모든 종류의 기록 매체를 포함한다. 예를 들어, ROM(Read Only Memory), RAM(Random Access Memory), 자기 테이프, 자기 디스크, 플래시 메모리, 광 데이터 저장장치 등이 있을 수 있다. 또한, 컴퓨터로 판독 가능한 기록매체는 컴퓨터 통신망으로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 읽을 수 있는 코드로서 저장되고 실행될 수 있다.The computer-readable recording medium includes all kinds of recording media in which data that can be decoded by a computer system is stored. For example, there may be read only memory (ROM), random access memory (RAM), magnetic tape, magnetic disk, flash memory, optical data storage device, and the like. In addition, the computer-readable recording medium can be distributed to a computer system connected through a computer communication network, and stored and executed as code that can be read in a distributed manner.

구체적으로, 설명된 특징들은 디지털 전자 회로, 또는 컴퓨터 하드웨어, 펌웨어, 또는 그들의 조합들 내에서 실행될 수 있다. 특징들은 예컨대, 프로그래밍 가능한 프로세서에 의한 실행을 위해, 기계 판독 가능한 저장 디바이스 내의 저장장치 내에서 구현되는 컴퓨터 프로그램 제품에서 실행될 수 있다. 그리고 특징들은 입력 데이터 상에서 동작하고 출력을 생성함으로써 설명된 실시예들의 함수들을 수행하기 위한 지시어들의 프로그램을 실행하는 프로그래밍 가능한 프로세서에 의해 수행될 수 있다. 설명된 특징들은, 데이터 저장 시스템으로부터 데이터 및 지시어들을 수신하기 위해, 및 데이터 저장 시스템으로 데이터 및 지시어들을 전송하기 위해, 결합된 적어도 하나의 프로그래밍 가능한 프로세서, 적어도 하나의 입력 디바이스, 및 적어도 하나의 출력 디바이스를 포함하는 프로그래밍 가능한 시스템 상에서 실행될 수 있는 하나 이상의 컴퓨터 프로그램들 내에서 실행될 수 있다. 컴퓨터 프로그램은 소정 결과에 대해 특정 동작을 수행하기 위해 컴퓨터 내에서 직접 또는 간접적으로 사용될 수 있는 지시어들의 집합을 포함한다. 컴퓨터 프로그램은 컴파일된 또는 해석된 언어들을 포함하는 프로그래밍 언어 중 어느 형태로 쓰여지고, 모듈, 소자, 서브루틴(subroutine), 또는 다른 컴퓨터 환경에서 사용을 위해 적합한 다른 유닛으로서, 또는 독립 조작 가능한 프로그램으로서 포함하는 어느 형태로도 사용될 수 있다.Specifically, the described features may be implemented in digital electronic circuitry, or computer hardware, firmware, or combinations thereof. Features may be executed in a computer program product implemented in storage in a machine-readable storage device, for example, for execution by a programmable processor. And the features can be performed by a programmable processor executing a program of directives to perform the functions of the described embodiments by operating on input data and generating output. The described features include at least one programmable processor, at least one input device, and at least one output coupled to receive data and directives from the data storage system and to transmit data and directives to the data storage system. It can be executed within one or more computer programs that can be executed on a programmable system including the device. A computer program includes a set of directives that can be used directly or indirectly within a computer to perform a specific action on a given result. Computer programs are written in any form of programming language, including compiled or interpreted languages, and included as modules, elements, subroutines, or other units suitable for use in other computer environments, or as independently operable programs. It can be used in any form.

지시어들의 프로그램의 실행을 위한 적합한 프로세서들은, 예를 들어, 범용 및 특수 용도 마이크로프로세서들 둘 모두, 및 단독 프로세서 또는 다른 종류의 컴퓨터의 다중 프로세서들 중 하나를 포함한다. 또한 설명된 특징들을 구현하는 컴퓨터 프로그램 지시어들 및 데이터를 구현하기 적합한 저장 디바이스들은 예컨대, EPROM, EEPROM, 및 플래쉬 메모리 디바이스들과 같은 반도체 메모리 디바이스들, 내부 하드 디스크들 및 제거 가능한 디스크들과 같은 자기 디바이스들, 광자기 디스크들 및 CD-ROM 및 DVD-ROM 디스크들을 포함하는 비휘발성 메모리의 모든 형태들을 포함한다. 프로세서 및 메모리는 ASIC들(application-specific integrated circuits) 내에서 통합되거나 또는 ASIC들에 의해 추가될 수 있다.Suitable processors for execution of a program of directives include, for example, both general and special purpose microprocessors, and either a single processor or multiple processors of a different type of computer. Storage devices suitable for implementing computer program directives and data implementing the described features are, for example, semiconductor memory devices such as EPROM, EEPROM, and flash memory devices, magnetic devices such as internal hard disks and removable disks. Devices, magneto-optical disks, and all types of non-volatile memory including CD-ROM and DVD-ROM disks. The processor and memory may be integrated within application-specific integrated circuits (ASICs) or added by ASICs.

이상에서 설명한 본 발명은 일련의 기능 블록들을 기초로 설명되고 있지만, 전술한 실시 예 및 첨부된 도면에 의해 한정되는 것이 아니고, 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 여러 가지 치환, 변형 및 변경 가능하다는 것이 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 있어 명백할 것이다.The present invention described above is described on the basis of a series of functional blocks, but is not limited by the above-described embodiments and the accompanying drawings, and various substitutions, modifications and changes within the scope not departing from the technical spirit of the present invention It will be apparent to those of ordinary skill in the art to which this invention pertains.

전술한 실시 예들의 조합은 전술한 실시 예에 한정되는 것이 아니며, 구현 및/또는 필요에 따라 전술한 실시예들 뿐 아니라 다양한 형태의 조합이 제공될 수 있다.Combinations of the above-described embodiments are not limited to the above-described embodiments, and various types of combinations as well as the above-described embodiments may be provided according to implementation and/or need.

전술한 실시 예들에서, 방법들은 일련의 단계 또는 블록으로서 순서도를 기초로 설명되고 있으나, 본 발명은 단계들의 순서에 한정되는 것은 아니며, 어떤 단계는 상술한 바와 다른 단계와 다른 순서로 또는 동시에 발생할 수 있다. 또한, 당해 기술 분야에서 통상의 지식을 가진 자라면 순서도에 나타난 단계들이 배타적이지 않고, 다른 단계가 포함되거나, 순서도의 하나 또는 그 이상의 단계가 본 발명의 범위에 영향을 미치지 않고 삭제될 수 있음을 이해할 수 있을 것이다.In the above-described embodiments, the methods are described on the basis of a flowchart as a series of steps or blocks, but the present invention is not limited to the order of steps, and certain steps may occur in a different order or concurrently with those described above. have. In addition, those of ordinary skill in the art understand that the steps shown in the flowchart are not exclusive, other steps are included, or one or more steps in the flowchart may be deleted without affecting the scope of the present invention. You can understand.

전술한 실시 예는 다양한 양태의 예시들을 포함한다. 다양한 양태들을 나타내기 위한 모든 가능한 조합을 기술할 수는 없지만, 해당 기술 분야의 통상의 지식을 가진 자는 다른 조합이 가능함을 인식할 수 있을 것이다. 따라서, 본 발명은 이하의 특허청구범위 내에 속하는 모든 다른 교체, 수정 및 변경을 포함한다고 할 것이다.The above-described embodiments include examples of various aspects. Although not all possible combinations for representing the various aspects can be described, those of ordinary skill in the art will recognize that other combinations are possible. Accordingly, the present invention will be said to include all other replacements, modifications and changes falling within the scope of the following claims.

200: 전력 수요 예측 장치
210: 메모리
220: 프로세서200: power demand prediction device
210: memory
220: processor

Claims

In the power demand prediction method performed by the power demand prediction device,
Determining an input structure of a time series prediction model using a phase space analysis of power demand data;
Learning a plurality of Gaussian kernel function networks each having a kernel function by using time series input data according to the input structure of the determined time series prediction model;
Generating a deep Gaussian kernel function network of an upper layer by combining the learned plurality of Gaussian kernel function networks, and learning the generated deep Gaussian kernel function network using the power demand data; And
And predicting power demand using the learned deep Gaussian kernel function network.

The method of claim 1,
Determining the input structure of the time series prediction model,
A power demand prediction method for determining an input structure of the time series prediction model by calculating an embedding parameter including a delay time and an embedding dimension for a prediction step.

The method of claim 1,
Determining the input structure of the time series prediction model,
An embedding parameter is calculated using a smoothness measure of the time series prediction model.

The method of claim 1,
Determining the input structure of the time series prediction model,
In the time series prediction model, a minimum embedding dimension in which a flatness measure has a positive value is calculated, and a delay time when the flatness measure has a maximum value is calculated for the calculated minimum embedding dimension.

The method of claim 1,
The step of learning each of the plurality of Gaussian kernel function networks,
Dividing the time series input data according to the input structure of the determined time series prediction model into a plurality of training data sets, and learning each Gaussian kernel function network using the divided plurality of training data sets, How to forecast power demand.

The method of claim 1,
The step of learning each of the plurality of Gaussian kernel function networks,
A power demand prediction method for calculating the number of kernel functions by estimating the noise variance of a Gaussian kernel function network.

The method of claim 1,
The step of learning each of the plurality of Gaussian kernel function networks,
A method for predicting power demand, which calculates a kernel parameter that minimizes a mean squared error (MSE), which is an expected risk between a target value and a predicted value.

The method of claim 1,
A method for predicting power demand in which the average distance between the input pattern and the center point of the kernel function of the Gaussian kernel function network is defined as a representative input position.

The method of claim 1,
Learning the generated deep Gaussian kernel function network,
A method for predicting power demand for generating a deep Gaussian kernel function network of an upper layer, which is a nonlinear model, by combining a single vector including each representative input position and a predicted value in the learned plurality of Gaussian kernel function networks.

The method of claim 1,
Learning the generated deep Gaussian kernel function network,
A power demand prediction method for learning the generated deep Gaussian kernel function network by using predicted values of each time series input data calculated from the plurality of Gaussian kernel function networks and a distance between each time series input data and an entire kernel.

A memory for storing at least one program; And
Including a processor connected to the memory,
The processor, by executing the at least one program,
Determining an input structure of a time series prediction model using a phase space analysis of power demand data;
Each learning a plurality of Gaussian kernel function networks each having a kernel function by using time series input data according to the input structure of the determined time series prediction model;
Combining the learned plurality of Gaussian kernel function networks to generate a deep Gaussian kernel function network of an upper layer, and learning the generated deep Gaussian kernel function network using the power demand data;
Power demand prediction apparatus for predicting power demand by using the learned deep Gaussian kernel function network.

The method of claim 11,
The processor,
An apparatus for predicting power demand, which determines an input structure of the time series prediction model by calculating an embedding parameter including an embedding dimension and a delay time for a prediction step.

The method of claim 11,
The processor,
An apparatus for predicting power demand, which calculates an embedding parameter using a smoothness measure of the time series prediction model.

The method of claim 11,
The processor,
In the time series prediction model, the flatness measure calculates a minimum embedding dimension having a positive value, and calculates a delay time when the flatness measure has a maximum value with respect to the calculated minimum embedding dimension.

The method of claim 11,
The processor,
Dividing time series input data according to the determined input structure of the time series prediction model into a plurality of training data sets, and learning each Gaussian kernel function network using the divided plurality of training data sets, Power demand forecasting device.

The method of claim 11,
The processor,
A power demand prediction apparatus for calculating the number of kernel functions by estimating the noise variance of a Gaussian kernel function network.

The method of claim 11,
The processor,
A power demand prediction apparatus that calculates a kernel parameter that minimizes a mean squared error (MSE), which is an expected risk between a target value and a predicted value.

The method of claim 11,
A device for predicting power demand in which the average distance between the input pattern of the kernel function of the Gaussian kernel function network and the center point is defined as a representative input position.

The method of claim 11,
The processor,
A power demand prediction apparatus for generating a deep Gaussian kernel function network of an upper layer, which is a nonlinear model, by combining a single vector including each representative input position and a predicted value in the plurality of learned Gaussian kernel function networks.

The method of claim 11,
The processor,
The power demand prediction apparatus for learning the generated deep Gaussian kernel function network by using a predicted value of each time series input data calculated from the plurality of Gaussian kernel function networks and a distance between each time series input data and an entire kernel.

A non-transitory computer-readable storage medium comprising at least one program executable by a processor, wherein the at least one program, when executed by the processor, causes the processor to:
Determining an input structure of a time series prediction model using a phase space analysis of power demand data;
Each learning a plurality of Gaussian kernel function networks each having a kernel function by using time series input data according to the input structure of the determined time series prediction model;
Generating a deep Gaussian kernel function network of an upper layer by combining the learned plurality of Gaussian kernel function networks, and learning the generated deep Gaussian kernel function network using the power demand data;
A non-transitory computer-readable storage medium comprising instructions for predicting a power demand by using the learned deep Gaussian kernel function network.