KR20200119367A

KR20200119367A - 에너지 저장 시스템용 수요전력 예측 장치 및 이를 이용한 수요전력 예측 방법

Info

Publication number: KR20200119367A
Application number: KR1020190032582A
Authority: KR
Inventors: 손남례
Original assignee: 호남대학교 산학협력단
Priority date: 2019-03-21
Filing date: 2019-03-21
Publication date: 2020-10-20

Abstract

본 발명은 에너지 저장 시스템용 수요전력 예측 장치 및 이를 이용한 수요전력 예측 방법에 관한 것으로서, 상기 에너지 저장 시스템용 수요전력 예측 장치는 전기를 충전하는 전력저장유닛과, 상기 전력저장유닛에 전기를 공급하는 것으로서, 입사되는 태양광에 의해 발전하는 발전부와, 전력부하에 대해 상용전원 또는 상기 전력저장유닛의 전력 공급을 조절할 수 있는 전력제어부가 마련된 에너지 저장 시스템의 소비 전력에 대한 정보를 예측하는 수요전력 예측 장치에 관한 것으로서, 상기 에너지 저장 시스템에 연결되어 상기 발전부에서 발전된 발전량 데이터 및 상기 전력부하에서 소비되는 전력량에 대한 소비 전력 데이터를 수집하는 데이터 수집모듈과, 상기 데이터 수집모듈에서 제공된 발전량 데이터들을 머신러닝 기법을 이용하여 학습하고, 학습된 결과에 따라 상기 발전부의 발전량을 예측하기 위한 발전량 예측 알고리즘을 설정하는 제1머신러닝 유닛과, 상기 데이터 수집모듈에서 제공된 소비 전력 데이터를 머신러닝 기법을 이용하여 학습하고, 학습된 결과에 따라 상기 전력부하의 소비 전력을 예측하기 위한 소비 전력 예측 알고리즘을 설정하는 제2머신러닝 유닛과, 상기 제1 및 제2머신러닝 유닛에서 설정된 발전량 예측 알고리즘 및 소비 전력 예측 알고리즘을 토대로 예측 대상 기간동안 해당 에너지 저장 시스템의 발전부의 발전량 및 전력부하의 소비전력을 예측하는 예측부를 구비한다.

Description

에너지 저장 시스템용 수요전력 예측 장치 및 이를 이용한 수요전력 예측 방법{Demand power prediction device for energy storage system and method for predicting demand power using the same}

본 발명은 에너지 저장 시스템용 수요전력 예측 장치 및 이를 이용한 수요전력 예측 방법에 관한 것으로서, 더욱 상세하게는 태양광 발전장치가 마련된 스마트 그리드 시스템 내에서 태양광 발전량 및 소비전력을 예측할 수 있는 에너지 저장 시스템용 수요전력 예측 장치 및 이를 이용한 수요전력 예측 방법에 관한 것이다.

일반적으로 에너지저장시스템(ESS : Energy Storage System)(또는 에너지저장장치)은 배터리에 전기에너지를 충전한 후 필요시 방전하는 장치로서, 전력에너지를 제어하는 전력관리시스템(Power Management System), DC 배터리와 AC 전력계통 간의 전력을 변환하는 전력변환장치(PCS : Power Conditioning System) 및 에너지를 저장하는 배터리로 구성되어 있다.

상기 에너지저장장치는 충방전을 통하여 전력피크의 평활화, 불연속적인 출력특성을 갖는 풍력 및 태양광의 출력특성 안정화, 전력계통의 주파수를 조정하는 것을 주요 목적으로 활용되고 있다.

그러나, 에너지 저장 시스템이 마련된 대형 건물의 경우, 전기 설비의 증축이나 전기요금 산정시 해당 건물에서 소요되는 소비전력에 대한 예측 정보가 요구되는데, 종래에는 과거 전력 사용량을 토대로 관리자가 주관적으로 추정해서 소비 전력의 예측 정보를 생성하므로 정확도가 다소 낮다는 단점이 있다. 또한, 대형 건물에 태양광 발전 장치에 설치된 경우, 관리자가 정확한 소비전력에 대한 정보를 예측하기 어렵다.

등록특허공보 제10-1592227호: 에너지 저장 시스템의 DC 버스 불균형 제어 회로

본 발명은 상기와 같은 문제점을 개선하기 위해 창안된 것으로서, 머신 러닝 기법을 이용하여 태양광 발전장치의 발전량 및 전력부하의 소비전력을 예측할 수 있는 에너지 저장 시스템용 수요전력 예측 장치 및 이를 이용한 수요전력 예측 방법을 제공하는데 그 목적이 있다.

상기 목적을 달성하기 위한 본 발명에 따른 에너지 저장 시스템용 수요전력 예측 장치는 전기를 충전하는 전력저장유닛과, 상기 전력저장유닛에 전기를 공급하는 것으로서, 입사되는 태양광에 의해 발전하는 발전부와, 전력부하에 대해 상용전원 또는 상기 전력저장유닛의 전력 공급을 조절할 수 있는 전력제어부가 마련된 에너지 저장 시스템의 소비 전력에 대한 정보를 예측하는 수요전력 예측 장치에 관한 것으로서, 상기 에너지 저장 시스템에 연결되어 상기 발전부에서 발전된 발전량 데이터 및 상기 전력부하에서 소비되는 전력량에 대한 소비 전력 데이터를 수집하는 데이터 수집모듈과, 상기 데이터 수집모듈에서 제공된 발전량 데이터들을 머신러닝 기법을 이용하여 학습하고, 학습된 결과에 따라 상기 발전부의 발전량을 예측하기 위한 발전량 예측 알고리즘을 설정하는 제1머신러닝 유닛과, 상기 데이터 수집모듈에서 제공된 소비 전력 데이터를 머신러닝 기법을 이용하여 학습하고, 학습된 결과에 따라 상기 전력부하의 소비 전력을 예측하기 위한 소비 전력 예측 알고리즘을 설정하는 제2머신러닝 유닛과, 상기 제1 및 제2머신러닝 유닛에서 설정된 발전량 예측 알고리즘 및 소비 전력 예측 알고리즘을 토대로 예측 대상 기간동안 해당 에너지 저장 시스템의 발전부의 발전량 및 전력부하의 소비전력을 예측하는 예측부를 구비한다.

상기 제1머신러닝 유닛은 상기 데이터 수집모듈에서 수집된 상기 발전량 데이터들 중 제1학습 데이터를 선별하는 제1선별모듈과, 상기 제1선별모듈에서 선별된 제1학습 데이터를 머신러닝 기법을 이용하여 학습하고, 상기 발전량 예측 알고리즘을 설정하는 제1학습모듈과, 상기 발전량 데이터들 중 제1학습 데이터를 제외한 나머지 데이터를 이용하여 상기 발전량 예측 알고리즘의 정확도를 분석하고, 상기 발전량 예측 알고리즘의 정확도가 기설정된 기준 값 이상일 경우, 상기 발전량 예측 알고리즘을 상기 예측부에 제공하는 제1검사모듈을 구비한다.

상기 제2머신러닝 유닛은 상기 데이터 수집모듈에서 수집된 상기 소비 전력 데이터들 중 제2학습 데이터를 선별하는 제2선별모듈과, 상기 제2선별모듈에서 선별된 제2학습 데이터를 머신러닝 기법을 이용하여 학습하고, 학습된 결과에 따라 상기 전력부하의 소비 전력을 예측하기 위한 소비 전력 예측 알고리즘을 설정하는 제2학습모듈과, 상기 소비 전력 데이터들 중 제2학습 데이터를 제외한 나머지 데이터를 이용하여 상기 소비 전력 예측 알고리즘의 정확도를 분석하고, 상기 소비 전력 예측 알고리즘의 정확도가 기설정된 기준 값 이상일 경우, 상기 소비 전력 예측 알고리즘을 상기 예측부에 제공하는 제2검사모듈을 구비한다.

상기 예측부는 상기 예측 대상 기간동안 상기 발전부의 피크전력(peak power)에 대한 정보를 산출하고, 산출된 상기 발전부의 피크전력에 대한 정보를 상기 발전부의 발전량의 예측값으로 설정하는 것이 바람직하다.

상기 예측부는 상기 예측 대상 기간동안 상기 전력부하의 기준 전력량당 전력 요금에 대한 정보를 산출하고, 산출된 상기 기준 전력량당 전력 요금에 대한 정보를 상기 전력부하의 소비 전력의 예측값으로 설정할 수도 있다.

상기 예측부는 휴일에 대한 정보가 저장된 데이터 베이스와, 예측 대상 기간을 입력하기 위한 입력모듈과, 상기 발전량 예측 알고리즘 및 소비 전력 예측 알고리즘을 토대로 상기 입력모듈에서 입력된 예측 대상 기간에 대해 상기 발전부의 발전량 및 상기 전력부하의 소비전력의 예측값을 산출하는 산출모듈을 구비하고, 상기 산출모듈은 상기 데이터 베이스에 저장된 정보를 토대로 상기 예측 대상 기간 중 휴일이 포함될 경우, 해당 휴일에 해당하는 상기 발전부의 발전량 및 상기 전력부하의 소비전력의 예측값에 감산치를 부여하고, 상기 예측 대상 기간 중 휴일 다음날에 해당하는 상기 발전부의 발전량 및 상기 전력부하의 소비전력의 예측값에 가중치를 부여할 수도 있다.

한편, 본 발명에 따른 수요전력 예측 방법은 전기를 충전하는 전력저장유닛과, 상기 전력저장유닛에 전기를 공급하는 것으로서, 입사되는 태양광에 의해 발전하는 발전부와, 전력부하에 대해 상용전원 또는 상기 전력저장유닛의 전력 공급을 조절할 수 있는 전력제어부가 마련된 에너지 저장 시스템의 소비 전력에 대한 정보를 예측하는 수요전력 예측 방법에 관한 것으로서, 상기 에너지 저장 시스템으로부터 상기 발전부에서 발전된 발전량 데이터 및 상기 전력부하에서 소비되는 전력량에 대한 소비 전력 데이터를 수집하는 수집단계와, 제1머신러닝 유닛이 상기 발전량 데이터를 머신러닝 기법을 이용하여 학습하고, 학습된 결과에 따라 상기 발전부의 발전량을 예측하기 위한 발전량 예측 알고리즘을 설정하는 제1머신러닝 단계와, 제2머신러닝 유닛이 상기 소비 전력 데이터를 머신러닝 기법을 이용하여 학습하고, 학습된 결과에 따라 상기 전력부하의 소비 전력을 예측하기 위한 소비 전력 예측 알고리즘을 설정하는 제2머신러닝 단계와, 상기 발전량 예측 알고리즘 및 소비 전력 예측 알고리즘을 토대로 예측부가 예측대상 기간동안 해당 에너지 저장 시스템의 발전부의 발전량 및 전력부하의 소비전력을 예측하는 예측단계를 포함한다.

상기 제1머신러닝 단계는 상기 발전량 데이터들 중 제1학습 데이터를 선별하는 제1선별단계와, 상기 제1선별단계에서 선별된 제1학습 데이터를 머신러닝 기법을 이용하여 학습하고, 상기 발전량 예측 알고리즘을 설정하는 제1학습단계와, 상기 발전량 데이터들 중 제1학습 데이터를 제외한 나머지 데이터를 이용하여 상기 발전량 예측 알고리즘의 정확도를 분석하고, 상기 발전량 예측 알고리즘의 정확도가 기설정된 기준 값 이상일 경우, 상기 발전량 예측 알고리즘을 상기 예측부에 제공하는 제1검사단계를 포함한다.

상기 제2머신러닝 단계는 상기 소비 전력 데이터들 중 제2학습 데이터를 선별하는 제2선별단계와, 상기 제2선별단계에서 선별된 제2학습 데이터를 머신러닝 기법을 이용하여 학습하고, 상기 소비 전력 예측 알고리즘을 설정하는 제2학습단계와, 상기 소비 전력 데이터들 중 제2학습 데이터를 제외한 나머지 데이터를 이용하여 상기 소비 전력 예측 알고리즘의 정확도를 분석하고, 상기 소비 전력 예측 알고리즘의 정확도가 기설정된 기준 값 이상일 경우, 상기 소비 전력 예측 알고리즘을 상기 예측부에 제공하는 제2검사단계를 포함한다.

본 발명에 따른 에너지 저장 시스템용 수요전력 예측 장치 및 이를 이용한 수요전력 예측 방법은 머신 러닝 기법을 이용하여 태양광 발전장치의 발전량 및 전력부하의 소비전력을 예측할 수 있으므로 보다 정확한 소비전력에 대한 예측정보를 관리자에게 제공할 수 있다는 장점이 있다.

도 1 및 도 2는 본 발명에 따른 에너지 저장 시스템용 수요전력 예측 장치에 대한 블럭도이고,
도 3은 본 발명에 따른 에너지 저장 시스템용 수요전력 예측 장치를 이용한 수요전력 예측 방법에 대한 순서도이고,
도 4는 본 발명의 에너지 저장 시스템용 수요전력 예측 장치의 제1학습모듈에서, 발전량 데이터들을 SVM으로 훈련시킨 데이터이고,
도 5는 해당 제1학습모듈에서 훈련시킨 결과에 대해 제1검사모듈이 RMSE를 통해 예측한 오차에 대한 그래프이고,
도 6은 본 발명의 에너지 저장 시스템용 수요전력 예측 장치의 제2학습모듈에서, 소비 전력 데이터들을 SVM으로 훈련시킨 데이터이고,
도 7은 해당 제2학습모듈에서 훈련시킨 결과에 대해 제2검사모듈이 RMSE를 통해 예측한 오차에 대한 그래프이고,
도 8은 본 발명의 에너지 저장 시스템용 수요전력 예측 장치의 예측부의 산출모듈을 이용하여 시험 데이터의 발전부의 발전량에 대한 예측 정보를 나타낸 그래프이고,
도 9는 본 발명의 에너지 저장 시스템용 수요전력 예측 장치의 예측부의 산출모듈을 이용하여 시험 데이터의 기준 전력량당 전력 요금에 대한 예측정보를 나타낸 그래프이고,
도 10은 시험 데이터의 날짜에 해당하는 실제 발전부의 발전량(Peak power), 소비 전력 및 전년도의 해당 날짜의 소비전력에 대한 그래프이다.

이하, 첨부한 도면을 참조하여 본 발명의 실시예에 따른 에너지 저장 시스템용 수요전력 예측 장치 및 이를 이용한 수요전력 예측 방법에 대해 상세히 설명한다. 본 발명은 다양한 변경을 가할 수 있고 여러 가지 형태를 가질 수 있는 바, 특정 실시 예들을 도면에 예시하고 본문에 상세하게 설명하고자 한다. 그러나 이는 본 발명을 특정한 개시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다. 첨부된 도면에 있어서, 구조물들의 치수는 본 발명의 명확성을 기하기 위하여 실제보다 확대하여 도시한 것이다.

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.

본 출원에서 사용한 용어는 단지 특정한 실시 예를 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 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

도 1 및 도 2에는 본 발명에 따른 에너지 저장 시스템용 수요전력 예측 장치(100)가 도시되어 있다.

도면을 참조하면, 상기 에너지 저장 시스템용 수요전력 예측 장치(100)는 태양광을 이용해 발전하는 발전부(12)가 마련된 에너지 저장 시스템(10)에 설치되어 발전량 및 소비전력을 측정하는 것이다. 상기 에너지 저장 시스템(10)은 공장이나 대형 건물과 같은 시설에 설치된 전기설비를 관리하는 것으로서, 전기를 충전하는 전력저장유닛(11)과, 상기 전력저장유닛(11)에 전기를 공급하는 것으로서, 입사되는 태양광에 의해 발전하는 발전부(12)와, 전력부하(16)에 대해 상용전원(15) 또는 상기 전력저장유닛(11)의 전력 공급을 조절할 수 있는 전력제어부(13)를 구비한다.

전력저장유닛(11)은 충전공급경로를 통해 전기 에너지를 저장하고, 저장된 전기에너지를 방전경로를 통해 방전할 수 있도록 설치되어 있다. 도시된 예에서 전력저장유닛(11)은 상용전원(15) 또는 발전부(12)로부터 전력을 공급받아 충전할 수 있도록 충전공급경로가 구축되어 있고, 충전된 전력을 전력부하(16)로 이어지는 방전경로로 방전할 수 있도록 되어 있다.

상기 전력저장유닛(11)은 다수의 배터리팩과, 배터리 관리 시스템(Battery Management System;BMS)와, 배터리팩에서 전력부하(16)로 전력을 공급시 공급된 전력의 전압을 변압할 수 있도록 변환장치를 구비한다.

발전부(12)는 건물의 옥상부나, 건물 인근의 공터에 설치되는 것으로서, 입사되는 태양광에 의해 전기를 생산하는 다수의 태양전지 패널을 구비한다. 상기 발전부(12)는 전력저장유닛(11)에 연결되어 생산된 전기를 전력저장유닛(11)에 공급한다.

전력제어부(13)는 상용전원(15)에서 공급되는 전력과 전력저장유닛(11)에 저장된 전력에 대한 전력부하(16)로의 공급을 조정할 수 있도록 되어 있다. 상기 전력제어부(13)는 기설정된 방전스케줄에 따라 전력저장유닛(11)에 저장된 전력 또는 상용전원(15)의 전력이 전력부하(16)로 공급되게 상용전원(15) 및 전력제어유닛을 제어한다.

한편, 에너지 저장 시스템(10)은 상기 전력제어부(13), 발전부(12) 및 전력부하(16)의 전력 소비 및 공급 상태를 모니터링하기 위한 모니터링부(14)를 더 구비한다. 상기 모니터링부(14)는 EMS(Energy Management System) 및 PMS(Power Management System)이 적용될 수 있다.

본 발명에 따른 에너지 저장 시스템용 수요전력 예측 장치(100)는 상기 에너지 저장 시스템(10)에 연결되어 상기 발전부(12)에서 발전된 발전량 데이터 및 상기 전력부하(16)에서 소비되는 전력량에 대한 소비 전력 데이터를 수집하는 데이터 수집모듈(110)과, 상기 데이터 수집모듈(110)에서 제공된 발전량 데이터들을 머신러닝 기법을 이용하여 학습하고, 학습된 결과에 따라 상기 발전부(12)의 발전량을 예측하기 위한 발전량 알고리즘을 설정하는 제1머신러닝 유닛(120)과, 상기 데이터 수집모듈(110)에서 제공된 소비 전력 데이터를 머신러닝 기법을 이용하여 학습하고, 학습된 결과에 따라 상기 전력부하(16)의 소비 전력을 예측하기 위한 소비 전력 알고리즘을 설정하는 제2머신러닝 유닛(130)과, 상기 제1 및 제2머신러닝 유닛(130)에서 설정된 발전량 알고리즘 및 소비 전력 알고리즘을 토대로 예측 대상 기간동안 해당 에너지 저장 시스템(10)의 발전부(12)의 발전량 및 전력부하(16)의 소비전력을 예측하는 예측부(140)를 구비한다.

상기 데이터 수집모듈(110)은 에너지 저장 시스템(10)의 모니터링부(14)에 연결되어 모니터링부(14)로부터 발전량 데이터 및 소비 전력 데이터를 수집한다. 이때, 데이터 수집모듈(110)은 기설정된 분석대상 기간동안 일(日)별로 발전량 데이터들 및 소비 전력 데이터들을 수집한다. 이때, 발전량 데이터들 및 소비 전력 데이터들은 15분 간격으로 수집된다.

여기서, 데이터 수집모듈(110)에서 수집된 데이터는 EMS 관련 데이터와, PMS 관련 데이터가 포함된다. 상기 EMS 관련 데이터에는 피크전력변수, 인버터 효율을 위한 PCS(Power Conversion System)변수, 컨버터 효율을 위한 PCS변수, 배터리 효율을 변수, 전압 배터리를 위한 변수, 전류 배터리를 위한 변수, 충전 속도를 위한 배터리 변수, 방전속도를 위한 배터리 변수, SOC 상한/하한을 위한 배터리 변수, EMS 예측부(140)하전력량 변수, EMS을 예측하기 위한 충방전 전력 변수, 단위시간당 발전부(12)의 발전량 등이 포함될 수 있다. PMS 관련 데이터는 SOC 배터리 변수, 충방전 전력을 위한 PMS 계측 배터리 변수, 충전/방전 전력량을 위한 계측 배터리 변수, 계측 부하 전력량 변수, kWh당 전력요금 변수, 단위시간당 전력부하(16)의 소비전력 등이 포함된다.

한편, 데이터 수집모듈(110)은 모니터링부(14)에서 수집된 데이터의 단위가 각 데이터마다 다르므로 각각의 데이터를 [0.0, 1.0] 범위 내에 위치하도록 정규화 작업을 수행한다. 이때, 정규화 방법은 최소-최대 정규화(Min-Max Normalization) 방법이 적용된다. 상기 정규화 방법은 하기의 수학식과 같이 원 데이터에 대해 선형 변환하는 것으로, 원 데이터 값을 주어진 범위 안에서 그대로 유지된다.

여기서, 속성A에 대한 최소값과 최대값은

와

일 때, 최소-최대 정규화는 A의 값

를 식(2)에 적용하여 범위[

]에서 값

로 변환한다.

한편, 데이터 수집모듈(110)에 의해 수집된 발전량 데이터는 EMS 관련 데이터이고, 소비 전력 데이터는 PMS 관련 데이터가 적용될 수 있다. 또한, 데이터 수집모듈(110)은 지역별 기상 정보가 저장된 기상서버로부터 상기 발전부(12)가 설치된 지역의 기상 정보를 전송받아 발전량 데이터와 함께 제1머신러닝 유닛(120)으로 전송할 수도 있다.

제1머신러닝 유닛(120)은 머신러닝 기법을 이용하여 발전량 예측 알고리즘을 설정하는 것으로서, 제1선별모듈(121), 제1학습모듈(122) 및 제1검사모듈(123)을 구비한다.

제1선별모듈(121)은 데이터 수집모듈(110)에서 수집된 발전량 데이터들 중 제1학습 데이터를 선별한다. 여기서, 제1선별모듈(121)은 발전량 데이터들 중 소정기간에 포함된 데이터를 제1학습 데이터로 선별한다.

제1학습모듈(122)은 제1선별모듈(121)에서 선별된 제1학습 데이터를 머신러닝 기법을 이용하여 학습하고, 학습 결과를 토대로 발전량 예측 알고리즘을 설정한다.

상기 제1학습모듈(122)은 kMeans 등과 같은 머신러닝(Machine Learning) 기법을 이용할 수 있는데, 바람직하게는 SVM(Support Vector Machine)이 사용된다. 이때, 제1학습모듈(122)은 상기 SVM을 이용할 때, 효율적인 예측 및 관리를 위해 단일 분류기를 사용하지 않고, 다중 분류기 방법을 사용하여 발전량 패턴을 예측한다. 이때, 제1학습모듈(122)은 SVM을 사용할 때, 하기의 수학식2와 같이 RBF(Radial Basis Function) kernel을 사용한다.

상기 제1학습모듈(122)은 설정된 발전량 예측 알고리즘을 제1검사모듈(123)에 제공한다.

제1검사모듈(123)은 발전량 데이터들 중 제1학습 데이터를 제외한 나머지 데이터를 이용하여 발전량 예측 알고리즘의 정확도를 분석한다. 즉, 제1검사모듈(123)은 제1학습 데이터를 제외한 발전량 데이터를 발전량 예측 알고리즘에 입력하고, 산출된 발전량과, 실제 발전부(12)의 발전량을 비교하여 오차율을 산출하고, 상기 오차율을 근거로 정확도를 분석한다. 여기서, 상기 오차율은 하기의 수학식 3과 같이 RMSE(Root Mean Square Error)를 사용하여 산출한다.

여기서,

와

은 각각 발전량 예측값과 실측값을 의미하고, n은 훈련모델의 개수이다.

한편, 제1검사모듈(123)은 발전량 예측 알고리즘의 정확도가 기설정된 제1기준 값 이상일 경우, 발전량 예측 알고리즘을 예측부(140)에 제공한다. 이때, 발전량 예측 알고리즘의 정확도가 제1기준 값 이하일 경우, 제1선별모듈(121)은 발전량 데이터들 중 새로운 제1학습 데이터를 선별하고, 제1학습모듈(122)은 새로운 제1학습 데이터를 토대로 발전량 예측 알고리즘을 재설정한다.

상기 제2머신러닝 유닛(130)은 머신러닝 기법을 이용하여 소비 전력 예측 알고리즘을 설정하는 것으로서, 제2선별모듈(131), 제2학습모듈(132) 및 제1검사모듈(123)을 구비한다.

제2선별모듈(131)은 데이터 수집모듈(110)에서 수집된 소비 전력 데이터들 중 제2학습 데이터를 선별한다. 여기서, 제2선별모듈(131)은 소비 전력 데이터들 중 소정기간에 포함된 데이터를 제2학습 데이터로 선별한다.

제2학습모듈(132)은 제2선별모듈(131)에서 선별된 제2학습 데이터를 머신러닝 기법을 이용하여 학습하고, 학습 결과를 토대로 소비 전력 예측 알고리즘을 설정한다.

상기 제2학습모듈(132)은 kMeans 등과 같은 머신러닝(Machine Learning) 기법을 이용할 수 있는데, 바람직하게는 SVM(Support Vector Machine)이 사용된다. 이때, 제2학습모듈(132)은 상기 SVM을 이용할 때, 효율적인 예측 및 관리를 위해 단일 분류기를 사용하지 않고, 다중 분류기 방법을 사용하여 발전량 패턴을 예측한다. 이때, 제2학습모듈(132)은 SVM을 사용할 때, 상기 수학식2와 같이 RBF(Radial Basis Function) kernel을 사용한다. 또한, 제2학습모듈(132)은 설정된 소비 전력 알고리즘을 제2검사모듈(133)에 제공한다.

제2검사모듈(133)은 소비 전력 데이터들 중 제2학습 데이터를 제외한 나머지 데이터를 이용하여 소비 전력 예측 알고리즘의 정확도를 분석한다. 즉, 제2검사모듈(133)은 제2학습 데이터를 제외한 소비 전력 데이터를 소비 전력 예측 알고리즘에 입력하고, 산출된 소비 전력과, 실제 전력부하(16)의 소비 전력을 비교하여 오차율을 산출하고, 상기 오차율을 근거로 정확도를 분석한다. 여기서, 상기 오차율은 수학식 3과 같이 RMSE(Root Mean Square Error)를 사용하여 산출한다.

한편, 제2검사모듈(133)은 소비 전력 예측 알고리즘의 정확도가 기설정된 제2기준 값 이상일 경우, 소비 전력 예측 알고리즘을 예측부(140)에 제공한다. 이때, 소비 전력 예측 알고리즘의 정확도가 제2기준 값 이하일 경우, 제2선별모듈(131)은 소비 전력 데이터들 중 새로운 제2학습 데이터를 선별하고, 제2학습모듈(132)은 새로운 제2학습 데이터를 토대로 소비 전력 예측 알고리즘을 재설정한다.

예측부(140)는 예측 대상 기간을 입력하기 위한 입력모듈(141)과, 상기 발전량 예측 알고리즘 및 소비 전력 예측 알고리즘을 토대로 상기 입력모듈(141)에서 입력된 예측 대상 기간에 대해 상기 발전부(12)의 발전량 및 상기 전력부하(16)의 소비전력의 예측값을 산출하는 산출모듈(142)을 구비한다.

입력모듈(141)은 관리자가 해당 예측 대상 기간을 입력하기 위해 다수의 키가 마련된 키보드가 마련되어 있다. 입력모듈(141)은 입력된 예측 대상 기간에 대한 정보를 산출모듈(142)로 전송한다.

산출모듈(142)은 입력모듈(141)에서 입력된 예측 대상 기간에 대한 발전부(12)의 발전량 및 소비전력의 예측값을 발전 예측 알고리즘 및 소비 전력 예측 알고리즘을 통해 산출하여 관리자에게 제공한다.

이때, 산출모듈(142)은 상기 예측 대상 기간동안 상기 발전부(12)의 피크전력(peak power)에 대한 정보를 산출하고, 산출된 상기 발전부(12)의 피크전력에 대한 정보를 상기 발전부(12)의 발전량의 예측값으로 설정한다. 또한, 산출모듈(142)은 상기 예측 대상 기간동안 상기 전력부하(16)의 기준 전력량당 전력 요금 즉, kWh당 전력요금에 대한 정보를 산출하고, 산출된 상기 기준 전력량당 전력 요금에 대한 정보를 상기 전력부하(16)의 소비 전력의 예측값으로 설정하는 것이 바람직하다.

산출모듈(142)은 산출된 발전부(12)의 발전량 및 전력부하(16)의 소비 전력의 예측값을 관리자에게 제공하고, 관리자는 예측값을 토대로 전기설비의 증축이나 전기요금 계약을 수행할 수 있다.

한편, 산출모듈(142)은 휴일에 대한 정보가 저장된 데이터 베이스(143)를 더 구비할 수도 있다. 이때, 산출모듈(142)은 상기 데이터 베이스(143)에 저장된 정보를 토대로 상기 예측 대상 기간 중 휴일이 포함될 경우, 해당 휴일에 해당하는 상기 발전부(12)의 발전량 및 상기 전력부하(16)의 소비전력의 예측값에 감산치를 부여하고, 상기 예측 대상 기간 중 휴일 다음날에 해당하는 상기 발전부(12)의 발전량 및 상기 전력부하(16)의 소비전력의 예측값에 가중치를 부여할 수도 있다. 대형 건물이나 공장의 경우, 휴일에는 업무를 수행하는 사람이 적으므로 다른 날에 비해 전력 사용량이 적고, 휴일 다음날에는 다른 날에 비해 전력 사용량이 많아진다. 따라서, 산출모듈(142)은 예측 대상 기간에서 휴일이 포함된 경우, 휴일에 따른 전력 사용량을 보정하므로 보다 정확한 소비 전력량을 산출할 수 있다.

한편, 도 3에는 본 발명의 에너지 저장 시스템용 수요전력 예측 장치(100)를 이용한 수요전력 예측 방법에 대한 순서도가 도시되어 있다.

도면을 참조하면, 상기 수요전력 예측 방법은 수집단계(S110), 제1머신러닝 단계(S120), 제2머신러닝 단계(S130) 및 예측단계(S140)를 포함합니다.

상기 수집단계(S110)는 에너지 저장 시스템(10)으로부터 상기 발전부(12)에서 발전된 발전량 데이터 및 전력부에서 소비되는 전력량에 대한 소비 전력 데이터를 수집하는 단계이다. 여기서, 데이터 수집모듈(110)은 에너지 저장 시스템(10)의 모니터링부(14)에 연결되어 발전량 데이터 및 소비 전력 데이터를 수집한다.

제1머신러닝 단계(S120)는 제1머신러닝 유닛(120)이 발전량 데이터를 머신러닝 기법을 이용하여 학습하고, 학습된 결과에 따라 발전부(12)의 발전량을 예측하기 위한 발전량 예측 알고리즘을 설정하는 단계로서, 제1선별단계(S121), 제1학습단계(S122) 및 제1검사단계(S123)를 포함한다.

상기 제1선별단계(S121)는 발전량 데이터들 중 제1학습 데이터를 선별하는 단계이다. 여기서, 제1선별모듈(121)은 발전량 데이터들 중 소정기간에 포함된 데이터를 제1학습 데이터로 선별한다.

제1학습단계(S122)는 제1선별단계(S121)에서 선별된 제1학습 데이터를 머신러닝 기법을 이용하여 학습하고, 발전량 예측 알고리즘을 설정하는 단계이다. 상술된 바와 같이 제1학습모듈(122)은 SVM(Support Vector Machine)과 같은 머신러닝 기법을 사용하여 발전량 데이터들을 학습하여 발전량 예측 알고리즘을 설정한다.

제1검사단계(S123)는 상기 발전량 데이터들 중 제1학습 데이터를 제외한 나머지 데이터를 이용하여 상기 발전량 예측 알고리즘의 정확도를 분석하고, 상기 발전량 예측 알고리즘의 정확도가 기설정된 기준 값 이상일 경우, 상기 발전량 예측 알고리즘을 상기 예측부(140)에 제공하는 단계이다. 여기서, 제1검사모듈(123)은 제1학습 데이터를 제외한 발전량 데이터를 발전량 예측 알고리즘에 입력하고, 산출된 발전량과, 실제 발전부(12)의 발전량을 비교하여 오차율을 산출하고, 상기 오차율을 근거로 정확도를 분석한다. 그리고, 제1검사모듈(123)은 발전량 예측 알고리즘의 정확도가 기설정된 제1기준 값 이상일 경우, 발전량 예측 알고리즘을 예측부(140)에 제공한다.

제2머신러닝 단계(S130)는 제2머신러닝 유닛(130)이 소비 전력 데이터를 머신러닝 기법을 이용하여 학습하고, 학습된 결과에 따라 소비 전력 예측 알고리즘을 설정하는 단계로서, 제2선별단계(S131), 제2학습단계(S132) 및 제2검사단계(S133)를 포함한다.

상기 제2선별단계(S131)는 소비 전력 데이터들 중 제2학습 데이터를 선별하는 단계이다. 여기서, 제2선별모듈(131)은 소비 전력 데이터들 중 소정기간에 포함된 데이터를 제2학습 데이터로 선별한다.

제2학습단계(S132)는 제2선별단계(S131)에서 선별된 제2학습 데이터를 머신러닝 기법을 이용하여 학습하고, 소비 전력 예측 알고리즘을 설정하는 단계이다. 상술된 바와 같이 제2학습모듈(132)은 SVM(Support Vector Machine)과 같은 머신러닝 기법을 사용하여 소비 전력 데이터들을 학습하여 소비 전력 예측 알고리즘을 설정한다.

제2검사단계(S133)는 상기 소비 전력 데이터들 중 제2학습 데이터를 제외한 나머지 데이터를 이용하여 상기 소비 전력 예측 알고리즘의 정확도를 분석하고, 상기 소비 전력 예측 알고리즘의 정확도가 기설정된 기준 값 이상일 경우, 상기 소비 전력 예측 알고리즘을 상기 예측부(140)에 제공하는 단계이다. 여기서, 제2검사모듈(133)은 제2학습 데이터를 제외한 소비 전력 데이터를 소비 전력 예측 알고리즘에 입력하고, 산출된 소비 전력과, 전력부하(16)의 소비 전력을 비교하여 오차율을 산출하고, 상기 오차율을 근거로 정확도를 분석한다.

예측단계(S140)는 발전량 예측 알고리즘 및 소비 전력 예측 알고리즘을 토대로 예측부(140)가 예측대상 기간동안 해당 에너지 저장 시스템(10)의 발전부(12)의 발전량 및 전력부하(16)의 소비전력을 예측하는 단계이다. 여기서, 예측부(140)의 산출모듈(142)은 상술된 바와 같이 입력모듈(141)에서 입력된 예측 대상 기간에 대한 발전부(12)의 발전량 및 소비전력의 예측값을 발전 예측 알고리즘 및 소비 전력 예측 알고리즘을 통해 산출하여 관리자에게 제공한다.

한편, 본 발명에 따른 수요전력 예측 방법의 성능을 확인하기 위해 광주 H대학 건물에 설치된 태양광 발전부(12)가 마련된 에너지 저장 시스템(10)의 소비전력 패턴을 본 발명의 수요전력 예측 장치를 이용하여 예측을 실시 하였다. 하기의 표 1에는 발전량 데이터 및 소요 전력 데이터의 수집기간, 수집시간, 제1 및 제2학습 데이터의 선별기준 기간, 시험 데이터의 날짜가 포함되어 있다.

데이터 수집기간	수집시간	학습 데이터 선별기준시간	시험 데이터의 날짜
2017.10.08~2017.10.31	매15분	2017.10.08~2017.10.31(2017.10.10 제외)	2017.10.10

해당 데이터 수집기간 동안, 15분 간격으로 데이터 수집모듈(110)을 통해 수집된 데이터를 토대로 상기 수요전력 예측 장치를 이용하여 수요전력을 예측하였다. 도 4는, 제1학습모듈(122)에서, 발전량 데이터들 즉, 2017년 10월 8일부터 2017년 10월 31일까지의 발전량 데이터들을 SVM으로 훈련시킨 데이터이고, 도 5는 해당 제1학습모듈(122)에서 훈련시킨 결과에 대해 제1검사모듈(123)이 RMSE를 통해 예측한 오차이다. 도면을 참조하면, 제1검사모듈(123)에 의한 예측 오차는 0.44%이다.

한편, 도 6은 제2학습모듈(132)에서, 소비 전력 데이터들 즉, 2017년 10월 8일부터 2017년 10월 31일까지의 소비 전력 데이터들을 SVM으로 훈련시킨 데이터이고, 도 7은 해당 제2학습모듈(132)에서 훈련시킨 결과에 대해 제2검사모듈(133)이 RMSE를 통해 예측한 오차이다. 도면을 참조하면, 제2검사모듈(133)에 의한 예측 오차는 12.46%이다.

한편, 도 8은 예측부(140)의 산출모듈(142)을 이용하여 시험 데이터의 날짜인 2017년 10월 10일의 발전부(12)의 발전량 즉, 발전부(12)의 피크전력(peak power)에 대한 예측 정보를 나타낸 그래프이고, 도 9는 예측부(140)의 산출모듈(142)을 이용하여 시험 데이터의 날짜인 2017년 10월 10일의 전하부하의 소비전력 즉, 기준 전력량당 전력 요금에 대한 예측정보를 나타낸 그래프이다. 또한, 도 10은 2017년 10월 10일의 실제 발전부(12)의 발전량(Peak power), 소비 전력 및 전년도의 해당 날짜의 소비전력에 대한 그래프이다. 도면을 참조하면, 본 발명에 따른 에너지 저장 시스템용 수요전력 예측 장치(100)에 의한 발전량 및 소비전력에 대한 예측값이 해당 에너지 저장 시스템(10)의 실제 발전량 및 소비전력가 유사한 값과 유사함을 알 수 있다.

상술된 바와 같이 구성된 본 발명에 따른 에너지 저장 시스템용 수요전력 예측 장치(100) 및 이를 이용한 수요전력 예측 방법은 머신 러닝 기법을 이용하여 태양광 발전장치의 발전량 및 전력부하(16)의 소비전력을 예측할 수 있으므로 보다 정확한 소비전력에 대한 예측정보를 관리자에게 제공할 수 있다는 장점이 있다.

제시된 실시예들에 대한 설명은 임의의 본 발명의 기술분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 발명의 기술 분야에서 통상의 지식을 가진자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 발명의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

10: 에너지 저장 시스템
11: 전력저장유닛
12: 발전부
13: 전력제어부
14: 모니터링부
15: 상용전원
100: 에너지 저장 시스템용 수요전력 예측 장치
110: 데이터 수집모듈
120: 제1머신러닝 유닛
121: 제1선별모듈
122: 제1학습모듈
123: 제1검사모듈
130: 제2머신러닝 유닛
131: 제2선별모듈
132: 제2학습모듈
133: 제2검사모듈
140: 에측부
141: 입력모듈
142: 산출모듈

Claims

전기를 충전하는 전력저장유닛과, 상기 전력저장유닛에 전기를 공급하는 것으로서, 입사되는 태양광에 의해 발전하는 발전부와, 전력부하에 대해 상용전원 또는 상기 전력저장유닛의 전력 공급을 조절할 수 있는 전력제어부가 마련된 에너지 저장 시스템의 소비 전력에 대한 정보를 예측하는 수요전력 예측 장치에 관한 것으로서,
상기 에너지 저장 시스템에 연결되어 상기 발전부에서 발전된 발전량 데이터 및 상기 전력부하에서 소비되는 전력량에 대한 소비 전력 데이터를 수집하는 데이터 수집모듈;
상기 데이터 수집모듈에서 제공된 발전량 데이터들을 머신러닝 기법을 이용하여 학습하고, 학습된 결과에 따라 상기 발전부의 발전량을 예측하기 위한 발전량 예측 알고리즘을 설정하는 제1머신러닝 유닛;
상기 데이터 수집모듈에서 제공된 소비 전력 데이터를 머신러닝 기법을 이용하여 학습하고, 학습된 결과에 따라 상기 전력부하의 소비 전력을 예측하기 위한 소비 전력 예측 알고리즘을 설정하는 제2머신러닝 유닛;
상기 제1 및 제2머신러닝 유닛에서 설정된 발전량 예측 알고리즘 및 소비 전력 예측 알고리즘을 토대로 예측 대상 기간동안 해당 에너지 저장 시스템의 발전부의 발전량 및 전력부하의 소비전력을 예측하는 예측부;를 구비하는,
에너지 저장 시스템용 수요전력 예측 장치.
제1항에 있어서,
상기 제1머신러닝 유닛은
상기 데이터 수집모듈에서 수집된 상기 발전량 데이터들 중 제1학습 데이터를 선별하는 제1선별모듈;
상기 제1선별모듈에서 선별된 제1학습 데이터를 머신러닝 기법을 이용하여 학습하고, 상기 발전량 예측 알고리즘을 설정하는 제1학습모듈; 및
상기 발전량 데이터들 중 제1학습 데이터를 제외한 나머지 데이터를 이용하여 상기 발전량 예측 알고리즘의 정확도를 분석하고, 상기 발전량 예측 알고리즘의 정확도가 기설정된 기준 값 이상일 경우, 상기 발전량 예측 알고리즘을 상기 예측부에 제공하는 제1검사모듈;을 구비하는,
에너지 저장 시스템용 수요전력 예측 장치.
제1항 또는 제2항에 있어서,
상기 제2머신러닝 유닛은
상기 데이터 수집모듈에서 수집된 상기 소비 전력 데이터들 중 제2학습 데이터를 선별하는 제2선별모듈;
상기 제2선별모듈에서 선별된 제2학습 데이터를 머신러닝 기법을 이용하여 학습하고, 학습된 결과에 따라 상기 전력부하의 소비 전력을 예측하기 위한 소비 전력 예측 알고리즘을 설정하는 제2학습모듈;
상기 소비 전력 데이터들 중 제2학습 데이터를 제외한 나머지 데이터를 이용하여 상기 소비 전력 예측 알고리즘의 정확도를 분석하고, 상기 소비 전력 예측 알고리즘의 정확도가 기설정된 기준 값 이상일 경우, 상기 소비 전력 예측 알고리즘을 상기 예측부에 제공하는 제2검사모듈;을 구비하는,
에너지 저장 시스템용 수요전력 예측 장치.
제1항에 있어서,
상기 예측부는 상기 예측 대상 기간동안 상기 발전부의 피크전력(peak power)에 대한 정보를 산출하고, 산출된 상기 발전부의 피크전력에 대한 정보를 상기 발전부의 발전량의 예측값으로 설정하는,
에너지 저장 시스템용 수요전력 예측 장치.
제1항 또는 제5항에 있어서,
상기 예측부는 상기 예측 대상 기간동안 상기 전력부하의 기준 전력량당 전력 요금에 대한 정보를 산출하고, 산출된 상기 기준 전력량당 전력 요금에 대한 정보를 상기 전력부하의 소비 전력의 예측값으로 설정하는,
에너지 저장 시스템용 수요전력 예측장치.
제1항에 있어서,
상기 예측부는
휴일에 대한 정보가 저장된 데이터 베이스;
예측 대상 기간을 입력하기 위한 입력모듈; 및
상기 발전량 예측 알고리즘 및 소비 전력 예측 알고리즘을 토대로 상기 입력모듈에서 입력된 예측 대상 기간에 대해 상기 발전부의 발전량 및 상기 전력부하의 소비전력의 예측값을 산출하는 산출모듈;을 구비하고,
상기 산출모듈은 상기 데이터 베이스에 저장된 정보를 토대로 상기 예측 대상 기간 중 휴일이 포함될 경우, 해당 휴일에 해당하는 상기 발전부의 발전량 및 상기 전력부하의 소비전력의 예측값에 감산치를 부여하고, 상기 예측 대상 기간 중 휴일 다음날에 해당하는 상기 발전부의 발전량 및 상기 전력부하의 소비전력의 예측값에 가중치를 부여하는,
에너지 저장 시스템용 수요전력 예측 장치.
전기를 충전하는 전력저장유닛과, 상기 전력저장유닛에 전기를 공급하는 것으로서, 입사되는 태양광에 의해 발전하는 발전부와, 전력부하에 대해 상용전원 또는 상기 전력저장유닛의 전력 공급을 조절할 수 있는 전력제어부가 마련된 에너지 저장 시스템의 소비 전력에 대한 정보를 예측하는 수요전력 예측 방법에 관한 것으로서,
상기 에너지 저장 시스템으로부터 상기 발전부에서 발전된 발전량 데이터 및 상기 전력부하에서 소비되는 전력량에 대한 소비 전력 데이터를 수집하는 수집단계;
제1머신러닝 유닛이 상기 발전량 데이터를 머신러닝 기법을 이용하여 학습하고, 학습된 결과에 따라 상기 발전부의 발전량을 예측하기 위한 발전량 예측 알고리즘을 설정하는 제1머신러닝 단계;
제2머신러닝 유닛이 상기 소비 전력 데이터를 머신러닝 기법을 이용하여 학습하고, 학습된 결과에 따라 상기 전력부하의 소비 전력을 예측하기 위한 소비 전력 예측 알고리즘을 설정하는 제2머신러닝 단계;
상기 발전량 예측 알고리즘 및 소비 전력 예측 알고리즘을 토대로 예측부가 예측대상 기간동안 해당 에너지 저장 시스템의 발전부의 발전량 및 전력부하의 소비전력을 예측하는 예측단계;를 포함하는,
수요전력 예측 방법.
제7항에 있어서,
상기 제1머신러닝 단계는
상기 발전량 데이터들 중 제1학습 데이터를 선별하는 제1선별단계;
상기 제1선별단계에서 선별된 제1학습 데이터를 머신러닝 기법을 이용하여 학습하고, 상기 발전량 예측 알고리즘을 설정하는 제1학습단계;
상기 발전량 데이터들 중 제1학습 데이터를 제외한 나머지 데이터를 이용하여 상기 발전량 예측 알고리즘의 정확도를 분석하고, 상기 발전량 예측 알고리즘의 정확도가 기설정된 기준 값 이상일 경우, 상기 발전량 예측 알고리즘을 상기 예측부에 제공하는 제1검사단계;를 포함하는,
수요전력 예측 방법.
제7항 또는 제8항에 있어서,
상기 제2머신러닝 단계는
상기 소비 전력 데이터들 중 제2학습 데이터를 선별하는 제2선별단계;
상기 제2선별단계에서 선별된 제2학습 데이터를 머신러닝 기법을 이용하여 학습하고, 상기 소비 전력 예측 알고리즘을 설정하는 제2학습단계;
상기 소비 전력 데이터들 중 제2학습 데이터를 제외한 나머지 데이터를 이용하여 상기 소비 전력 예측 알고리즘의 정확도를 분석하고, 상기 소비 전력 예측 알고리즘의 정확도가 기설정된 기준 값 이상일 경우, 상기 소비 전력 예측 알고리즘을 상기 예측부에 제공하는 제2검사단계;를 포함하는,
수요전력 예측 방법.