KR20200119923A - 신재생 에너지 전력 공급량 및 전력 사용량의 실시간 예측을 위한 온라인 딥러닝 장치 - Google Patents
신재생 에너지 전력 공급량 및 전력 사용량의 실시간 예측을 위한 온라인 딥러닝 장치 Download PDFInfo
- Publication number
- KR20200119923A KR20200119923A KR1020190032701A KR20190032701A KR20200119923A KR 20200119923 A KR20200119923 A KR 20200119923A KR 1020190032701 A KR1020190032701 A KR 1020190032701A KR 20190032701 A KR20190032701 A KR 20190032701A KR 20200119923 A KR20200119923 A KR 20200119923A
- Authority
- KR
- South Korea
- Prior art keywords
- stream data
- network model
- renewable energy
- power consumption
- prediction
- Prior art date
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 51
- 230000005611 electricity Effects 0.000 title description 3
- 238000012549 training Methods 0.000 title description 3
- 238000005259 measurement Methods 0.000 claims abstract description 69
- 238000004519 manufacturing process Methods 0.000 claims abstract description 43
- 238000000034 method Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 19
- 230000007787 long-term memory Effects 0.000 claims description 8
- 238000010248 power generation Methods 0.000 claims description 8
- 230000004580 weight loss Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 8
- 230000006403 short-term memory Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000007774 longterm Effects 0.000 description 3
- 230000015654 memory Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229920001690 polydopamine Polymers 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- H02J3/382—
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
신재생 에너지 전력 공급량 및 전력 사용량의 실시간 예측을 위한 온라인 딥러닝 장치가 개시된다. 본 발명의 신재생 에너지 전력 공급량 및 전력 사용량의 실시간 예측을 위한 온라인 딥러닝 장치는 미리 정의된 미니 배치 크기를 기반으로 복수 개의 미니 배치 데이터로 나누어진 신재생 에너지 생산량 측정 스트림 데이터와 전력 소비량 측정 스트림 데이터를 네트워크 모델로 학습 및 추론하여 전력 소비량 예측 스트림 데이터와 신재생 에너지 전력 생산량 예측 스트림 데이터를 생성하는 전력 예측기; 및 전력 예측기로부터 전력 소비량 예측 스트림 데이터, 신재생 에너지 전력 소비량 예측 스트림 데이터, 전력 소비량 측정 스트림 데이터, 및 신재생 에너지 전력 소비량 측정 스트림 데이터를 입력받아, 전력 소비량 예측 스트림 데이터와 전력 소비량 측정 스트림 데이터 간의 일치도, 및 신재생 에너지 전력 생산량 예측 스트림 데이터와 신재생 에너지 전력 생산량 측정 스트림 데이터 간의 일치도를 계산하여 네트워크 모델의 정확도를 도출하고, 네트워크 모델의 정확도에 따라 네트워크 모델의 가중치를 갱신하여 네트워크 모델의 정확도를 개선하는 온라인 딥러닝 관리기를 포함하는 것을 특징으로 한다.
Description
본 발명은 신재생 에너지 전력 공급량 및 전력 사용량의 실시간 예측을 위한 온라인 딥러닝 장치에 관한 것으로서, 더욱 상세하게는 주기적으로 관측되는 신재생 에너지 전력 공급량 및 전력 사용량 스트림 데이터를 수집하여 미래의 신재생 에너지 전력 공급량/전력 수요량을 예측하기 위한 딥러닝 네트워크 모델의 가중치를 실시간으로 갱신하는, 신재생 에너지 전력 공급량 및 전력 사용량의 실시간 예측을 위한 온라인 딥러닝 장치에 관한 것이다.
일반적으로 신재생 에너지 전력은 크게 태양 에너지 전력과 바람 에너지 전력으로 구분한다. 태양 에너지 전력과 바람 에너지 전력은 태양 에너지 변환 패널 및 풍력 터빈이 설치된 지역의 지리적인 기후 및 시간적인 기후 변화에 의존적이다. 태양에너지 전력은 패널로 입력되는 태양 복사량 (solar radiation ) 및 실외 대기 온도 (outside air temperature )에 의해 결정된다. 바람 에너지 전력은 풍력 터빈의 블레이드에 부딪치는 풍속 (wind speed )에 의해 결정된다. 태양 복사량, 실외 온도 및 풍속은 고정되지 않고 가변적이며 간헐적이다. 따라서 적절한 중장기(mid / long term) 전력 관리 계획을 수립하기 위해서는 정확한 신재생 에너지 전력 공급량/전력 소비 수요량 예측 기법이 필요하다.
전력 사용량은 진보형 미터링 인터페이스(Advanced Metering Interface: AMI)를 통해 각 전력 소비자(가정, 산업체, 공공기관 등)로부터 수집될 수 있다. 전력 사용량 역시 신재생 에너지 전력과 유사하게 지리 및 시간에 의존적인 패턴을 가지는 반면, 주기성(periodicity)이 강하므로 신재생 에너지 전력 공급량보다 상대적으로 예측하기가 쉽다.
전력 사용량 예측을 위한 대표적인 기존 기법에는 NARX(Auto-regressive Models with Exogenous Inputs)와 EWMA(Estimated Weight Moving Average) 방식이 있다. 이 두 방식은 구현이 간단하고 일반적으로 좋은 예측 성능을 보여주지만 장기(long term) 예측에 대해서는 정확성이 크게 떨어지는 문제점이 발생한다. 이는 신재생 에너지 전력과 같이 일정한 기간 동안 진동(fluctuation)이 큰 데이터에 대해서는 기존 기법이 적합하지 않음을 의미한다.
또한, 기계 학습 기법 중 하나인 장단기 메모리(Long Short Term Memory: LSTM) 방식은 장기(long term) 예측에 대해서도 우수한 정확도를 보여주지만 많은 수의 학습 데이터셋이 필요하다. 따라서 데이터셋이 충분히 모이기 전까지는 예측을 수행할 수 없다는 단점이 있다.
최근에는 데이터셋 수집과 예측을 동시에 수행할 수 있도록 온라인 러닝 (Online Learning) 기반의 장단기 메모리 예측기에 대한 연구가 진행되고 있다. 그러나 정교한 관리 기법이 수반되지 않은 경우에는 잦은 네트워크 모델 갱신으로 인해 서버 비용이 증가할 수 있고, 노이즈 데이터에 대한 견고성을 보장하기 어렵다는 문제점이 있다.
본 발명의 배경기술은 대한민국 공개특허공보 10-2013-0089738호(2013.08.13)호의 '에너지관리시스템을 위한 예측시스템'에 개시되어 있다.
본 발명은 전술한 문제점을 개선하기 위해 창안된 것으로서, 본 발명의 일 측면에 따른 목적은 주기적으로 관측되는 신재생 에너지 전력 공급량 및 전력 사용량 스트림 데이터를 수집하여 미래의 신재생 에너지 전력 공급량/전력 수요량을 예측하기 위한 딥러닝 네트워크 모델의 가중치를 실시간으로 갱신하는, 신재생 에너지 전력 공급량 및 전력 사용량의 실시간 예측을 위한 온라인 딥러닝 장치를 제공하는 데 있다.
본 발명의 일 측면에 따른 신재생 에너지 전력 공급량 및 전력 사용량의 실시간 예측을 위한 온라인 딥러닝 장치는 미리 정의된 미니 배치 크기를 기반으로 복수 개의 미니 배치 데이터로 나누어진 신재생 에너지 생산량 측정 스트림 데이터와 전력 소비량 측정 스트림 데이터를 네트워크 모델로 학습 및 추론하여 전력 소비량 예측 스트림 데이터와 신재생 에너지 전력 생산량 예측 스트림 데이터를 생성하는 전력 예측기; 및 상기 전력 예측기로부터 전력 소비량 예측 스트림 데이터, 신재생 에너지 전력 소비량 예측 스트림 데이터, 전력 소비량 측정 스트림 데이터, 및 신재생 에너지 전력 소비량 측정 스트림 데이터를 입력받아, 전력 소비량 예측 스트림 데이터와 전력 소비량 측정 스트림 데이터 간의 일치도, 및 신재생 에너지 전력 생산량 예측 스트림 데이터와 신재생 에너지 전력 생산량 측정 스트림 데이터 간의 일치도를 계산하여 상기 네트워크 모델의 정확도를 도출하고, 상기 네트워크 모델의 정확도에 따라 상기 네트워크 모델의 가중치를 갱신하여 상기 네트워크 모델의 정확도를 개선하는 온라인 딥러닝 관리기를 포함하는 것을 특징으로 한다.
본 발명의 상기 전력 예측기는 신재생 에너지 측정 스트림 데이터와 전력 소비량 측정 스트림 데이터를 피드포워드 연산하는 컨벌루션 네트워크; 및 상기 컨벌루션 네트워크에 의해 피드포워드 연산을 거친 신재생 에너지 측정 스트림 데이터와 전력 소비량 측정 스트림 데이터를 학습하여, 전력 소비량 예측 스트림 데이터 및 신재생 에너지 전력 생산량 예측 스트림 데이터를 생성하는 장단디 메모리 네트워크를 포함하는 것을 특징으로 한다.
본 발명의 상기 온라인 딥러닝 관리기는 상기 전력 예측기로부터 입력된 전력 소비량 예측 스트림 데이터, 신재생 에너지 전력 소비량 예측 스트림 데이터, 전력 소비량 측정 스트림 데이터, 및 신재생 에너지 전력 소비량 측정 스트림 데이터를 저장하는 스트림 스토리지; 전력 소비량 예측 스트림 데이터와 전력 소비량 측정 스트림 데이터 간의 일치도, 및 신재생 에너지 전력 생산량 예측 스트림 데이터와 신재생 에너지 전력 생산량 측정 스트림 데이터 간의 일치도를 계산하여 상기 네트워크 모델의 상기 정확도를 도출하는 네트워크 모델 에러 검출기; 상기 네트워크 모델 에러 검축기에 의해 도출된 상기 네트워크 모델의 상기 정확도에 따라 상기 네트워크 모델의 가중치를 갱신하는 네트워크 모델 가중치 갱신 트리거; 및 상기 네트워크 모델 에러 검출기에 의한 상기 네트워크 모델의 가중치의 실제 갱신 수행 비율을 기반으로 학습을 수행할 스트림 데이터의 길이를 결정하는 스케일러를 포함하는 것을 특징으로 한다.
본 발명의 상기 네트워크 모델 에러 검출기는 상기 스트림 스토리지에 저장된 전력 소비량 예측 스트림 데이터와 전력 소비량 측정 스트림 데이터, 및 신재생 에너지 전력 생산량 예측 스트림 데이터와 신재생 에너지 전력 생산량 측정 스트림 데이터에 대한 유클리디안 거리를 계산하고, 계산된 유클리디안 거리를 기 설정된 임계값과 비교하는 것을 특징으로 한다.
본 발명의 상기 네트워크 모델 가중치 갱신 트리거는 상기 스트림 스토리지에 저장된 전력 소비량 예측 스트림 데이터와 전력 소비량 측정 스트림 데이터, 및 신재생 에너지 전력 생산량 예측 스트림 데이터와 신재생 에너지 전력 생산량 측정 스트림 데이터에 대한 유클리디안 거리 중 적어도 하나가 임계값 보다 크면 상기 네트워크 모델의 가중치를 갱신하는 것을 특징으로 한다.
본 발명의 상기 네트워크 모델 가중치 갱신 트리거는 전력 소비량 예측 스트림 데이터, 신재생 에너지 전력 소비량 예측 스트림 데이터, 전력 생산량 측정 스트림 데이터, 및 신재생 에너지 전력 생산량 예측 스트림 데이터에 대한 기존 네트워크 모델의 가중치와 최근 네트워크 모델의 가중치를 비교하여 비교 결과에 따라 상기 네트워크 모델의 가중치를 갱신하는 것을 특징으로 한다.
본 발명의 상기 네트워크 모델 가중치 갱신 트리거는 최종 갱신된 네트워크 모델의 가중치의 손실 함수값과 기존의 네트워크 모델의 가중치의 손실 함수값을 비교하여 비교 결과에 따라 상기 네트워크 모델의 정확도가 개선되었는지를 판단하는 것을 특징으로 한다.
본 발명의 상기 네트워크 모델 가중치 갱신 트리거는 최종 갱신된 네트워크 모델의 가중치의 손실 함수값이 기존의 네트워크 모델의 가중치의 손실 함수값 보다 작으면 상기 네트워크 모델의 정확도가 개선된 것으로 판단하는 것을 특징으로 한다.
본 발명의 상기 온라인 딥러닝 관리기는 상기 네트워크 모델 갱신 트리거에 의해 갱신된 상기 네트워크 모델의 가중치를 상기 전력 예측기의 상기 네트워크 모델에 반영하는 것을 특징으로 한다.
본 발명의 상기 온라인 딥러닝 관리기는 전력 공급량과 전력 수요량 별로 상기 네트워크 모델을 별도로 관리하여 학습 및 추론하는 것을 특징으로 한다.
본 발명의 일 측면에 따른 신재생 에너지 전력 공급량 및 전력 사용량의 실시간 예측을 위한 온라인 딥러닝 장치는 주기적으로 관측되는 신재생 에너지 전력 공급량 및 전력 사용량 스트림 데이터를 수집하여 미래의 신재생 에너지 전력 공급량/전력 수요량을 예측하기 위한 딥러닝 네트워크 모델의 가중치 파라미터를 실시간으로 갱신한다.
본 발명의 다른 측면에 따른 신재생 에너지 전력 공급량 및 전력 사용량의 실시간 예측을 위한 온라인 딥러닝 장치는 적시성과 과적합도를 동시에 고려하므로 노이즈 입력 데이터에 대해서 견고성을 가지면서(즉, 일반적이지 않은 데이터에 대해 신경망이 학습되는 것을 피할수 있다), 적법한 데이터에 대해서는 최대한 빠르게 모델 가중치 매개변수를 갱신할 수 있다.
본 발명의 또 다른 측면에 따른 신재생 에너지 전력 공급량 및 전력 사용량의 실시간 예측을 위한 온라인 딥러닝 장치는 성능 요소인 배치 간접비를 고려하므로 예측기의 잦은 그리고 긴 중지시간을 피할 수 있다.
도 1 은 본 발명의 일 실시예에 따른 신재생 에너지 전력 공급량 및 전력 사용량의 실시간 예측을 위한 온라인 딥러닝 장치의 블록 구성도이다.
도 2 는 본 발명의 일 실시예에 따른 전력 예측기의 블록 구성도이다.
도 3 은 본 발명의 일 실시예에 따른 온라인 딥러닝 관리기의 블록 구성도이다.
도 4 는 본 발명의 일 실시예에 따른 온라인 딥러닝 관리기에서 신경망 에러 검출을 위한 예측/측정 스트림 일치 정도를 비교하는 과정을 보인 도면이다.
도 5 는 본 발명의 일 실시예에 따른 네트워크 모델 에러 검출기 및 네트워크 모델 가중치 갱신 트리거의 연동을 통해 컨벌루션-장단기 메모리 네트워크 모델 가중치를 갱신할 지 여부를 결정하는 과정을 도시한 순서도이다.
도 2 는 본 발명의 일 실시예에 따른 전력 예측기의 블록 구성도이다.
도 3 은 본 발명의 일 실시예에 따른 온라인 딥러닝 관리기의 블록 구성도이다.
도 4 는 본 발명의 일 실시예에 따른 온라인 딥러닝 관리기에서 신경망 에러 검출을 위한 예측/측정 스트림 일치 정도를 비교하는 과정을 보인 도면이다.
도 5 는 본 발명의 일 실시예에 따른 네트워크 모델 에러 검출기 및 네트워크 모델 가중치 갱신 트리거의 연동을 통해 컨벌루션-장단기 메모리 네트워크 모델 가중치를 갱신할 지 여부를 결정하는 과정을 도시한 순서도이다.
이하에서는 본 발명의 일 실시예에 따른 신재생 에너지 전력 공급량 및 전력 사용량의 실시간 예측을 위한 온라인 딥러닝 장치를 첨부된 도면들을 참조하여 상세하게 설명한다. 이러한 과정에서 도면에 도시된 선들의 두께나 구성요소의 크기 등은 설명의 명료성과 편의상 과장되게 도시되어 있을 수 있다. 또한 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서, 이는 이용자, 운용자의 의도 또는 관례에 따라 달라질 수 있다. 그러므로 이러한 용어들에 대한 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야할 것이다.
본 명세서에서 설명된 구현은, 예컨대, 방법 또는 프로세스, 장치, 소프트웨어 프로그램, 데이터 스트림 또는 신호로 구현될 수 있다. 단일 형태의 구현의 맥락에서만 논의(예컨대, 방법으로서만 논의)되었더라도, 논의된 특징의 구현은 또한 다른 형태(예컨대, 장치 또는 프로그램)로도 구현될 수 있다. 장치는 적절한 하드웨어, 소프트웨어 및 펌웨어 등으로 구현될 수 있다. 방법은, 예컨대, 컴퓨터, 마이크로프로세서, 집적 회로 또는 프로그래밍가능한 로직 디바이스 등을 포함하는 프로세싱 디바이스를 일반적으로 지칭하는 프로세서 등과 같은 장치에서 구현될 수 있다. 프로세서는 또한 최종-사용자 사이에 정보의 통신을 용이하게 하는 컴퓨터, 셀 폰, 휴대용/개인용 정보 단말기(personal digital assistant: "PDA") 및 다른 디바이스 등과 같은 통신 디바이스를 포함한다.
도 1 은 본 발명의 일 실시예에 따른 신재생 에너지 전력 공급량 및 전력 사용량의 실시간 예측을 위한 온라인 딥러닝 장치의 블록 구성도이고, 도 2 는 본 발명의 일 실시예에 따른 전력 예측기의 블록 구성도이며, 도 3 은 본 발명의 일 실시예에 따른 온라인 딥러닝 관리기의 블록 구성도이며, 도 4 는 본 발명의 일 실시예에 따른 온라인 딥러닝 관리기에서 신경망 에러 검출을 위한 예측/측정 스트림 일치 정도를 비교하는 과정을 보인 도면이며, 도 5 는 본 발명의 일 실시예에 따른 네트워크 모델 에러 검출기 및 네트워크 모델 가중치 갱신 트리거의 연동을 통해 컨벌루션-장단기 메모리 네트워크 모델 가중치를 갱신할 지 여부를 결정하는 과정을 도시한 순서도이다.
도 1 을 참조하면, 본 발명의 일 실시예에 따른 신재생 에너지 전력 공급망 전력 사용량의 실시간 예측을 위한 온라인 딥러닝 장치는 전력 예측기(50) 및 온라인 딥러닝 관리기(60)를 포함한다.
도 1 에서, 전력 코퍼레이터(10)는 전력 프로비저닝 및 전기 요금 정책을 수립한다.
이를 위해, 전력 코퍼레이터(10)는 적절한 전력 프로비저닝 및 전기 요금 정책을 수립하기 위해서, 연계된 신재생 에너지 제너레이터(태양 및 풍속 에너지)의 전력 생산량 및 전력 소비자들의 전력 소비량을 정확히 예측할 필요가 있다.
도 2 를 참조하면, 전력 예측기(50)는 컨벌루션 장단기 메모리 통합형의 전력 예측기(50)로써, 기존의 단일 장단기 메모리 예측기의 예측 정확성을 향상시킬 수 있다.
전력 예측기(50)에 입력되는 스트림 데이터는 미리 정의된 미니 배치 크기를 기반으로 복수 개의 미니 배치 데이터로 나뉘어진다.
먼저, 전력 예측기(50)는 진보형 미터링 인터페이스(20)로부터 소비자의 전력 소비량을 입력받고, 태양 전력 에너지 생산자(30) 및 바람 전력 에너지 생산자(40) 각각으로부터 태양 전력 생산량과 바람 전력 생산량 각각을 입력받은 후, 신재생 에너지 전력 공급량과 소비자의 전력 수요량을 별도의 네트워크 모델(컨벌루션 네트워크 모델 및 장단기 메모리 네트워크 모델)로 관리하여 학습 및 추론한다.
즉, 전력 예측기(50)의 컨벌루션 네트워크(51)는 진보형 미터링 인터페이스(20)와 태양 전력 에너지 생산자(30) 및 바람 전력 에너지 생산자(40)로부터 입력된 상기한 스트림 데이터 각각을 컨벌루션 네트워크 모델을 통해 피드포워드 연산하고, 장단기 메모리 네트워크(52)는 컨벌루션 네트워크(51)를 통해 피드포워드 연산을 거친 스트림 데이터를 장단기 메모리 네트워크 모델을 통해 학습하여 전력 소비량/신재생 에너지 전력 생산량 예측 스트림 데이터, 및 전력 소비량/신재생 에너지 전력 소비량 측정 스트림 데이터를 각각 출력한다.
전력 예측기(50)로부터 출력된 전력 소비량/신재생 에너지 전력 생산량 예측 스트림 데이터는 전력 코퍼레이터(10)와 온라인 딥러닝 관리기(60)에 입력되고, 전력 소비량/신재생 에너지 전력 생산량 측정 스트림 데이터는 온라인 딥러닝 관리기(60)에 입력된다.
온라인 딥러닝 관리기(60)는 적시성-배치간접비 고려형 온라인 딥러닝 관리기(60)로써, 전력 예측기(50)로부터 전력 소비량 예측 스트림 데이터, 신재생 에너지 전력 소비량 예측 스트림 데이터, 전력 소비량 측정 스트림 데이터, 및 신재생 에너지 전력 소비량 측정 스트림 데이터를 입력받아, 전력 소비량 예측 스트림 데이터와 전력 소비량 측정 스트림 데이터 간의 일치도, 및 신재생 에너지 전력 소비량 예측 스트림 데이터와 신재생 에너지 전력 소비량 측정 스트림 데이터 간의 일치도를 계산하여 네트워크 모델의 정확도를 도출하고, 네트워크 모델의 정확도에 따라 상기 네트워크 모델의 가중치를 갱신하여 네트워크 모델의 정확도를 개선한다.
즉, 온라인 딥러닝관리기(60)는 전력 소비량 예측 스트림 데이터와 전력 소비량 측정 스트림 데이터 간의 일치도, 및 신재생 에너지 전력 소비량 예측 스트림 데이터와 신재생 에너지 전력 소비량 측정 스트림 데이터 간의 일치도를 계산하여 네트워크 모델의 정확도를 도출하고, 도출된 정확도에 따라 네트워크 모델의 가중치를 갱신하여 네트워크 모델의 정확도를 향상시킨다.
도 3 을 참조하면, 온라인 딥러닝 관리기(60)는 스트림 스토리지(61), 네트워크 모델 저장부, 네트워크 모델 에러 검출기(63), 네트워크 모델 가중치 갱신 트리거(64), 스케일러(65) 및 네트워크 갱신부(66)를 포함한다.
스트림 스토리지(61)는 전력 예측기(50)로부터 전력 소비량 예측 스트림 데이터, 신재생 에너지 전력 생산량 예측 스트림 데이터, 전력 소비량 측정 스트림 데이터 및 신재생 에너지 전력 생산량 측정 스트림 데이터를 수집 및 저장한다.
이때 신재생 에너지인 태양 에너지의 전력 사용량과 풍속 에너지 전력 사용량의 측정 스트림 데이터는 다음과 같이 표현된다.
여기서 는 샘플링 시간 슬롯의 번째 인덱스를 나타내고, 은 하나의 시간 슬롯에 대해 신재생 에너지 스트림 데이터가 포함하는 데이터 샘플 개수를 나타내며, 는 하나의 시간 슬롯에 대해 전력 사용량 스트림 데이터가 포함하는 데이터 샘플 개수를 나타내며, 는 시간 슬롯 에서의 번째 태양 에너지 전력 생산량 측정 데이터를 나타내며, 는 시간 슬롯 에서의 번째 풍속 에너지 전력 생산량 측정 데이터를 나타내며, 는 시간 슬롯 에서의 번째 전력 사용량 측정 데이터를 나타낸다.
신재생 에너지인 태양 에너지 및 풍속 에너지와 전력 사용량의 예측 스트림 데이터는 다음과 같이 표현된다.
여기서, 는 시간 슬롯 에서의 번째 태양 에너지 전력 생산량 예측 데이터를 나타내고, 는 시간 슬롯 에서의 번째 풍속 에너지 전력 생산량 예측 데이터를 나타내며, 는 시간 슬롯 에서의 번째 전력 사용량 예측 데이터를 나타낸다.
네트워크 모델 에러 검출기(63)는 전력 예측기(50)로부터 전력 소비량 예측 스트림 데이터와 전력 소비량 측정 스트림 데이터 간의 일치도, 및 신재생 에너지 전력 생산량 예측 스트림 데이터와 신재생 에너지 전력 생산량 측정 스트림 데이터 간의 일치도를 계산하여 네트워크 모델의 정확도를 도출한다.
도 4 를 참조하면, 태양 에너지 전력 생산량, 풍속 에너지 전력 생산량 및 전력 사용량 스트림 데이터의 예측 에러를 판별하기 위한 임계값 변수가 ,,로 각각 정의될 때 에러 판별식은 아래의 수학식 1과 같이 표현된다.
여기서 은 유클리디안 놈(Euclidean Norm)을 의미한다. 도 4 에서 도시된 바와 같이, 샘플링 시간 슬롯 에 대한 측정 스트림 데이터는 슬롯 시점에서 수집 완료되므로 수학식 1에 대한 계산은 시점에서 수행될 수 있다.
도 5를 참조하면, 네트워크 모델 에러 검출기(63)는 컨벌루션-장단기 메모리 네트워크(52) 모델 가중치를 갱신할 지 여부를 결정하는데, 상기한 수학식 1을 기반으로 스트림 스토리지(61)에 저장된 측정 스트림 데이터 와 예측 스트림 데이터 에 대한 유클리디안 거리를 계산하고 결과값을 미리 정의된 임계값 과 비교한다(S10).
네트워크 모델 에러 검출기(63)는 트림 스토리지에 저장된 측정 스트림 데이터 와 예측 스트림 데이터 에 대한 유클리디안 거리를 계산한 결과값이 임계값보다 작다면 네트워크 모델 갱신 과정을 중지하고 다음 시간 슬롯까지 대기한다.
반면에, 네트워크 모델 에러 검출기(63)는 트림 스토리지에 저장된 측정 스트림 데이터 와 예측 스트림 데이터 에 대한 유클리디안 거리를 계산한 결과값이 임계값보다 크거나 같다면 네트워크 모델 가중치 갱신 트리거(64)가 동작된다.
네트워크 모델 가중치 복사본 저장부(62)는 네트워크 모델의 가중치를 저장하는 것으로써, 전력 소비량에 대한 네트워크 모델의 가중치 및 전력 생산량에 대한 네트워크 모델의 가중치를 각각 저장한다.
네트워크 모델 가중치 갱신 트리거(64)는 스트림 스토리지(61)에 저장된 측정 스트림 데이터 와 예측 스트림 데이터 에 대한 유클리디안 거리를 계산한 결과값이 임계값보다 크거나 같아 네트워크 모델 에러가 식별되면, 최근 스트림 데이터에 대한 학습을 수행하지 않은 기존 네트워크 모델 가중치와 최근 스트림 데이터에 대한 학습을 수행한 새로운 네트워크 모델 가중치를 비교하여 컨벌루션-장단기 메모리 네트워크(52) 모델 갱신 수행 여부를 결정한다.
먼저 네트워크 모델 가중치 갱신 트리거(64)는 네트워크 모델 가중치 스토리지에 저장된 가중치 파라미터 에 대한 복사본 을 생성한다. 이 때 네트워크 모델에 대한 손실 함수는 아래의 수학식 2와 같이 표현된다.
여기서 은 주어진 예측/측정 스트림 데이터에 대한 평균 손실 함수값을 나타내고, 은 스트림 데이터 개수를 나타내며, 는 미리 정의된 손실 함수를 나타내며, 은 네트워크 모델 함수를 나타낸다. 수학식 2의 손실 함수값을 기반으로 네트워크 모델 가중치를 갱신한다(S20). 이는 수학식 3은 아래와 같이 표현된다.
이 경우, 스케일러(65)가 네트워크 모델 가중치 갱신 트리거(64)의 실제 갱신 수행 비율을 기반으로 학습을 수행할 스트림 데이터 길이를 결정한다.
이에, 네트워크 모델 가중치 갱신 트리거(64)는 수학식 2, 3 을 기반으로 최종 갱신된 네트워크 모델 가중치 와 기존의 네트워크 모델 가중치 의 네트워크 모델 손실 함수값을 비교한다(S30). 이에 대한 수학식 4는 아래와 같이 표현된다.
이 경우, 네트워크 모델 가중치 갱신 트리거(64)는 갱신된 네트워크 모델 가중치 의 손실 함수값이 기존 가중치 의 손실 함수값보다 작다면 가 네트워크 모델의 정확도를 개선시킨 것으로 판단한다.
네트워크 갱신부(66)는 상기한 바와 같이 네트워크 모델 가중치 갱신 트리거(64)에 의해 갱신된 네트워크 모델 가중치 의 손실 함수값이 기존 가중치 의 손실 함수값보다 작아 가 네트워크 모델의 정확도를 개선시킨 것으로 판단되면, 갱신된 네트워크 모델 가중치를 전력 예측기(50)의 네트워크 모델에 반영하여 네트워크 모델 가중치 갱신을 수행한다(S40).
이와 같이, 본 발명의 일 실시예에 따른 신재생 에너지 전력 공급량 및 전력 사용량의 실시간 예측을 위한 온라인 딥러닝 장치는, 주기적으로 관측되는 신재생 에너지 전력 공급량 및 전력 사용량 스트림 데이터를 수집하여 미래의 신재생 에너지 전력 공급량/전력 수요량을 예측하기 위한 딥러닝 네트워크 모델의 가중치를 실시간으로 갱신한다.
또한, 본 발명의 일 실시예에 따른 신재생 에너지 전력 공급량 및 전력 사용량의 실시간 예측을 위한 온라인 딥러닝 장치는 적시성과 과적합도를 동시에 고려하므로 노이즈 입력 데이터에 대해서 견고성을 가지면서(즉, 일반적이지 않은 데이터에 대해 신경망이 학습되는 것을 피할수 있다), 적법한 데이터에 대해서는 최대한 빠르게 모델 가중치 매개변수를 갱신할 수 있다.
게다가, 본 발명의 일 실시예에 따른 신재생 에너지 전력 공급량 및 전력 사용량의 실시간 예측을 위한 온라인 딥러닝 장치는 성능 요소인 배치 간접비를 고려하므로 예측기의 잦은 그리고 긴 중지시간을 피할 수 있다.
본 발명은 도면에 도시된 실시예를 참고로 하여 설명되었으나, 이는 예시적인 것에 불과하며 당해 기술이 속하는 기술분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호범위는 아래의 특허청구범위에 의하여 정해져야할 것이다.
10: 전력 코퍼레이터
20: 진보형 미터링 인터페이스
30: 태양 전력 에너지 생산자
40: 바람 전력 에너지 생산자
50: 전력 예측기
51: 컨벌루션 네트워크
52: 장단기 메모리 네트워크
60: 온라인 딥러닝 관리기
61: 스트림 스토리지
62: 네트워크 모델 가중치 복사본 저장부
63: 네트워크 모델 에러 검출기
64: 네트워크 모델 가중치 갱신 트리거
65: 스케일러
66: 네트워크 갱신부
20: 진보형 미터링 인터페이스
30: 태양 전력 에너지 생산자
40: 바람 전력 에너지 생산자
50: 전력 예측기
51: 컨벌루션 네트워크
52: 장단기 메모리 네트워크
60: 온라인 딥러닝 관리기
61: 스트림 스토리지
62: 네트워크 모델 가중치 복사본 저장부
63: 네트워크 모델 에러 검출기
64: 네트워크 모델 가중치 갱신 트리거
65: 스케일러
66: 네트워크 갱신부
Claims (10)
- 미리 정의된 미니 배치 크기를 기반으로 복수 개의 미니 배치 데이터로 나누어진 신재생 에너지 생산량 측정 스트림 데이터와 전력 소비량 측정 스트림 데이터를 네트워크 모델로 학습 및 추론하여 전력 소비량 예측 스트림 데이터와 신재생 에너지 전력 생산량 예측 스트림 데이터를 생성하는 전력 예측기; 및
상기 전력 예측기로부터 전력 소비량 예측 스트림 데이터, 신재생 에너지 전력 소비량 예측 스트림 데이터, 전력 소비량 측정 스트림 데이터, 및 신재생 에너지 전력 소비량 측정 스트림 데이터를 입력받아, 전력 소비량 예측 스트림 데이터와 전력 소비량 측정 스트림 데이터 간의 일치도, 및 신재생 에너지 전력 생산량 예측 스트림 데이터와 신재생 에너지 전력 생산량 측정 스트림 데이터 간의 일치도를 계산하여 상기 네트워크 모델의 정확도를 도출하고, 상기 네트워크 모델의 정확도에 따라 상기 네트워크 모델의 가중치를 갱신하여 상기 네트워크 모델의 정확도를 개선하는 온라인 딥러닝 관리기를 포함하는 신재생 에너지 전력 공급량 및 전력 사용량의 실시간 예측을 위한 온라인 딥러닝 장치. - 제 1 항에 있어서, 상기 전력 예측기는
신재생 에너지 측정 스트림 데이터와 전력 소비량 측정 스트림 데이터를 피드포워드 연산하는 컨벌루션 네트워크; 및
상기 컨벌루션 네트워크에 의해 피드포워드 연산을 거친 신재생 에너지 측정 스트림 데이터와 전력 소비량 측정 스트림 데이터를 학습하여, 전력 소비량 예측 스트림 데이터 및 신재생 에너지 전력 생산량 예측 스트림 데이터를 생성하는 장단디 메모리 네트워크를 포함하는 것을 특징으로 하는 신재생 에너지 전력 공급량 및 전력 사용량의 실시간 예측을 위한 온라인 딥러닝 장치. - 제 2 항에 있어서, 상기 온라인 딥러닝 관리기는
상기 전력 예측기로부터 입력된 전력 소비량 예측 스트림 데이터, 신재생 에너지 전력 소비량 예측 스트림 데이터, 전력 소비량 측정 스트림 데이터, 및 신재생 에너지 전력 소비량 측정 스트림 데이터를 저장하는 스트림 스토리지;
전력 소비량 예측 스트림 데이터와 전력 소비량 측정 스트림 데이터 간의 일치도, 및 신재생 에너지 전력 생산량 예측 스트림 데이터와 신재생 에너지 전력 생산량 측정 스트림 데이터 간의 일치도를 계산하여 상기 네트워크 모델의 상기 정확도를 도출하는 네트워크 모델 에러 검출기;
상기 네트워크 모델 에러 검축기에 의해 도출된 상기 네트워크 모델의 상기 정확도에 따라 상기 네트워크 모델의 가중치를 갱신하는 네트워크 모델 가중치 갱신 트리거; 및
상기 네트워크 모델 에러 검출기에 의한 상기 네트워크 모델의 가중치의 실제 갱신 수행 비율을 기반으로 학습을 수행할 스트림 데이터의 길이를 결정하는 스케일러를 포함하는 것을 특징으로 하는 신재생 에너지 전력 공급량 및 전력 사용량의 실시간 예측을 위한 온라인 딥러닝 장치. - 제 3 항에 있어서, 상기 네트워크 모델 에러 검출기는
상기 스트림 스토리지에 저장된 전력 소비량 예측 스트림 데이터와 전력 소비량 측정 스트림 데이터, 및 신재생 에너지 전력 생산량 예측 스트림 데이터와 신재생 에너지 전력 생산량 측정 스트림 데이터에 대한 유클리디안 거리를 계산하고, 계산된 유클리디안 거리를 기 설정된 임계값과 비교하는 것을 특징으로 하는 신재생 에너지 전력 공급량 및 전력 사용량의 실시간 예측을 위한 온라인 딥러닝 장치. - 제 4 항에 있어서, 상기 네트워크 모델 가중치 갱신 트리거는
상기 스트림 스토리지에 저장된 전력 소비량 예측 스트림 데이터와 전력 소비량 측정 스트림 데이터, 및 신재생 에너지 전력 생산량 예측 스트림 데이터와 신재생 에너지 전력 생산량 측정 스트림 데이터에 대한 유클리디안 거리 중 적어도 하나가 임계값 보다 크면 상기 네트워크 모델의 가중치를 갱신하는 것을 특징으로 하는 신재생 에너지 전력 공급량 및 전력 사용량의 실시간 예측을 위한 온라인 딥러닝 장치. - 제 3 항에 있어서, 상기 네트워크 모델 가중치 갱신 트리거는
전력 소비량 예측 스트림 데이터, 신재생 에너지 전력 소비량 예측 스트림 데이터, 전력 생산량 측정 스트림 데이터, 및 신재생 에너지 전력 생산량 예측 스트림 데이터에 대한 기존 네트워크 모델의 가중치와 최근 네트워크 모델의 가중치를 비교하여 비교 결과에 따라 상기 네트워크 모델의 가중치를 갱신하는 것을 특징으로 하는 신재생 에너지 전력 공급량 및 전력 사용량의 실시간 예측을 위한 온라인 딥러닝 장치. - 제 6 항에 있어서, 상기 네트워크 모델 가중치 갱신 트리거는
최종 갱신된 네트워크 모델의 가중치의 손실 함수값과 기존의 네트워크 모델의 가중치의 손실 함수값을 비교하여 비교 결과에 따라 상기 네트워크 모델의 정확도가 개선되었는지를 판단하는 것을 특징으로 하는 신재생 에너지 전력 공급량 및 전력 사용량의 실시간 예측을 위한 온라인 딥러닝 장치. - 제 7 항에 있어서, 상기 네트워크 모델 가중치 갱신 트리거는
최종 갱신된 네트워크 모델의 가중치의 손실 함수값이 기존의 네트워크 모델의 가중치의 손실 함수값 보다 작으면 상기 네트워크 모델의 정확도가 개선된 것으로 판단하는 것을 특징으로 하는 신재생 에너지 전력 공급량 및 전력 사용량의 실시간 예측을 위한 온라인 딥러닝 장치. - 제 3 항에 있어서, 상기 온라인 딥러닝 관리기는
상기 네트워크 모델 갱신 트리거에 의해 갱신된 상기 네트워크 모델의 가중치를 상기 전력 예측기의 상기 네트워크 모델에 반영하는 것을 특징으로 하는 신재생 에너지 전력 공급량 및 전력 사용량의 실시간 예측을 위한 온라인 딥러닝 장치. - 제 1 항에 있어서, 상기 온라인 딥러닝 관리기는
전력 공급량과 전력 수요량 별로 상기 네트워크 모델을 별도로 관리하여 학습 및 추론하는 것을 특징으로 하는 신재생 에너지 전력 공급량 및 전력 사용량의 실시간 예측을 위한 온라인 딥러닝 장치.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020190032701A KR20200119923A (ko) | 2019-03-22 | 2019-03-22 | 신재생 에너지 전력 공급량 및 전력 사용량의 실시간 예측을 위한 온라인 딥러닝 장치 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020190032701A KR20200119923A (ko) | 2019-03-22 | 2019-03-22 | 신재생 에너지 전력 공급량 및 전력 사용량의 실시간 예측을 위한 온라인 딥러닝 장치 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20200119923A true KR20200119923A (ko) | 2020-10-21 |
Family
ID=73034694
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020190032701A KR20200119923A (ko) | 2019-03-22 | 2019-03-22 | 신재생 에너지 전력 공급량 및 전력 사용량의 실시간 예측을 위한 온라인 딥러닝 장치 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR20200119923A (ko) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114330821A (zh) * | 2021-11-22 | 2022-04-12 | 科华数据股份有限公司 | 用电量预测方法、装置和设备 |
KR20220097847A (ko) * | 2020-12-30 | 2022-07-08 | 주식회사 아이캡틴 | 가전기기 전력 분석 장치 및 방법 |
KR20230090710A (ko) * | 2021-12-15 | 2023-06-22 | 한국전력공사 | 분산전원의 보조 피드포워드 제어 방법 및 장치 |
-
2019
- 2019-03-22 KR KR1020190032701A patent/KR20200119923A/ko not_active Application Discontinuation
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20220097847A (ko) * | 2020-12-30 | 2022-07-08 | 주식회사 아이캡틴 | 가전기기 전력 분석 장치 및 방법 |
CN114330821A (zh) * | 2021-11-22 | 2022-04-12 | 科华数据股份有限公司 | 用电量预测方法、装置和设备 |
KR20230090710A (ko) * | 2021-12-15 | 2023-06-22 | 한국전력공사 | 분산전원의 보조 피드포워드 제어 방법 및 장치 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11204591B2 (en) | Modeling and calculating normalized aggregate power of renewable energy source stations | |
US20190165580A1 (en) | System and method for optimal control of energy storage system | |
CN104809051B (zh) | 用于预测计算机应用中的异常和故障的方法和装置 | |
Zhang et al. | Time series anomaly detection for smart grids: A survey | |
KR20200119923A (ko) | 신재생 에너지 전력 공급량 및 전력 사용량의 실시간 예측을 위한 온라인 딥러닝 장치 | |
Dong et al. | Applying the ensemble artificial neural network-based hybrid data-driven model to daily total load forecasting | |
Fusco et al. | Knowledge-and data-driven services for energy systems using graph neural networks | |
JP6086875B2 (ja) | 発電量予測装置および発電量予測方法 | |
Tripathy et al. | Forecasting of renewable generation for applications in smart grid power systems | |
CN113919545A (zh) | 一种多数据模型融合的光伏发电功率预测方法和系统 | |
Lu et al. | Neural network interpretability for forecasting of aggregated renewable generation | |
Cheng et al. | GRU-ES: Resource usage prediction of cloud workloads using a novel hybrid method | |
Shisher et al. | The age of correlated features in supervised learning based forecasting | |
CN103885867A (zh) | 一种模拟电路性能的在线评价方法 | |
Shabbir et al. | Short-term wind energy forecasting using deep learning-based predictive analytics | |
CN117081088B (zh) | 电网负荷调度控制方法、装置、计算机设备及存储介质 | |
Song et al. | Dynamic thermal line rating model of conductor based on prediction of meteorological parameters | |
CN116596286B (zh) | 虚拟电厂的优化调度方法、装置、设备及存储介质 | |
Khosravi et al. | Wind farm power uncertainty quantification using a mean-variance estimation method | |
CN111242423B (zh) | 主动需求响应潜力分析方法、装置、设备以及存储介质 | |
Aizpurua et al. | Probabilistic machine learning aided transformer lifetime prediction framework for wind energy systems | |
Yakoub et al. | Power production forecast for distributed wind energy systems using support vector regression | |
Singh et al. | Enhancing wind power forecasting from meteorological parameters using machine learning models | |
Sharma et al. | Wind speed forecasting in Nepal using self-organizing map-based online sequential extreme learning machine | |
Ji et al. | Online refinement of day‐ahead forecasting using intraday data for campus‐level load |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E601 | Decision to refuse application |