KR20200128232A - 전력 수요 예측 장치 및 그 방법 - Google Patents

전력 수요 예측 장치 및 그 방법 Download PDF

Info

Publication number
KR20200128232A
KR20200128232A KR1020190046117A KR20190046117A KR20200128232A KR 20200128232 A KR20200128232 A KR 20200128232A KR 1020190046117 A KR1020190046117 A KR 1020190046117A KR 20190046117 A KR20190046117 A KR 20190046117A KR 20200128232 A KR20200128232 A KR 20200128232A
Authority
KR
South Korea
Prior art keywords
power consumption
neural network
consumption data
deep neural
power
Prior art date
Application number
KR1020190046117A
Other languages
English (en)
Inventor
신용준
김선혁
Original Assignee
한국전력공사
연세대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국전력공사, 연세대학교 산학협력단 filed Critical 한국전력공사
Priority to KR1020190046117A priority Critical patent/KR20200128232A/ko
Publication of KR20200128232A publication Critical patent/KR20200128232A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/092—Reinforcement learning
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
    • 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
    • Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
    • Y04S20/30—Smart metering, e.g. specially adapted for remote reading
    • 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
    • Y04S40/00—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them
    • Y04S40/20—Information technology specific aspects, e.g. CAD, simulation, modelling, system security

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Primary Health Care (AREA)
  • Databases & Information Systems (AREA)
  • Educational Administration (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Power Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

본 발명은 전력 수요 예측 장치 및 그 방법이 개시된다. 본 발명의 전력 수요 예측 장치는, 지능형 계량기로부터 입력되는 전력 사용량 데이터를 수집하는 데이터 수집부; 데이터 수집부로부터 수집된 전력 사용량 데이터를 저장하는 데이터베이스; 및 데이터베이스에 저장된 전력 사용량 데이터를 다중 분해한 후 정규화하여 심층 신경망 학습을 통해 전력 수요를 예측하는 제어부;를 포함하는 것을 특징으로 한다.

Description

전력 수요 예측 장치 및 그 방법{APPARATUS FOR PREDICTING ELECTRICITY DEMAND AND METHOD THEREOF}
본 발명은 전력 수요 예측 장치 및 그 방법에 관한 것으로서, 보다 상세하게는 지능형 계량기를 통해 빠른 샘플링 속도로 샘플링된 데이터를 다중 분해 방법을 통해 분해하고 정규화하여 심층 신경망 모델을 학습시킴으로써 전력 수요 예측의 정확성을 향상시킬 수 있도록 한 전력 수요 예측 장치 및 그 방법에 관한 것이다.
일반적으로, 스마트 그리드(Smart Grid)는 기존 전력망과 정보통신기술(ICT)이 결합된 새로운 형태의 전력망으로, 공급자와 소비자 간의 양방향 정보 교환이 가능하다. 또한 ESS, 신재생 에너지 기술 등을 통하여 공급자와 소비자 간의 경계가 허물어졌다. 이에 따라, 수용가의 선택지가 전력소비의 단일 선택지에서 발전, 소비, 충전 방전 등으로 넓어짐에 따라 다양한 수요의 변화가 발생할 것이고, 스마트그리드 내에서 수용가의 비중 또한 큰 폭으로 증가하고 있다.
여기서, 전력 수요예측 기술은 최적화된 망 운영과 설계를 위한 필수요소이다.
발전계획 및 전력시장가격을 예측하기 위하여 전력 수요 예측은 사전에 수행되고, 예측된 수요 결과를 바탕으로 발전계획, 전력 가격결정, 전력기반시설 구축 기준 선정 등에 활용된다. 전력 수요는 예측 시간 기준에 따라 장기/중기/단기/초단기 4개의 예측방법으로 나눌 수 있고, 목적과 전력소비층의 특성에 맞게 통계적, 함수적 모델을 이용하여 수요를 예측한다.
미래의 전력수요를 예측하기 위해서 과거 전력수요 데이터, 기후 데이터 등의 추세 및 패턴을 계속 따라간다는 전제를 활용하는 시계열모형이 단기 수요예측에서 주로 활용된다.
단기 수요예측의 시계열모형에 활용되는 입력 데이터로는 주로 지능형 계량기(AMI: advanced metering infrastructure)가 측정하는 전력사용량 데이터를 이용하여 전력 사용의 패턴과 추세를 파악한다. 현재 운용되고 있는 지능형 계량기의 샘플링 속도는 샘플 당 15분으로 1시간 동안 4번의 전력사용량 데이터만 제공되기 때문에 단기 수요예측의 정확성을 높이는데 한계가 있고, 1시간 이내의 초단기 수요예측에는 적합하지 않다.
이러한 한계를 극복하기 위해 신경망 모델을 바탕으로 한 기계학습을 통해 예측의 대상이 되는 전력 사용패턴을 추세화하여 수요 예측의 정확도를 높인다. 기계학습의 예측 모델 중 신경망 모델은 다양한 입력 변수를 활용하여 높은 정확도의 예측 값을 제시할 수 있어 다양한 예측 모델에서 사용되고 있다.
본 발명의 배경기술은 대한민국 등록특허공보 제1025788호(2011.04.04. 공고, 예측 정확도 피드백을 적용한 전력사용 예측 장치 및 방법)에 개시되어 있다.
전력 수요 예측은 사용 대상의 목적과 예측 기간에 따라 적합한 예측 방법이 제시되어야 한다. 제 4차 산업의 영향으로 실시간 수요예측 기반의 에너지 거래 및 신재생에너지 안정적 운용전략을 위해 작은 규모의 전력 수요 집단에서의 초단기 수요예측 방법이 요구되고 있다.
종래의 단기 수요 예측은 주로 부하의 규모가 큰 배전 규모에서 수행되었고, 6시간~하루 정도의 간격으로 수요를 예측이 요구되어 예측 알고리즘이 모델링되었기 때문에 초단기 수요 예측에서는 정확도 높은 결과를 기대하기 어려운 문제점이 있다.
또한, 지능형 계량기에 의해 누적되는 전력 사용량 데이터를 분석하기 위하여 심층 신경망 기반의 신경만 네트워크 및 신호 처리 기술을 활용하지만, 심층 신경망 모델의 문제점을 보완하지 않으면, 데이터의 분산이동(Covariance shift), 과적합(Overfitting), 신경망 모델의 기울기 값 소실 문제(Gradient Problem)를 발생시켜 예측의 정확도를 감소시키고, 계산시간을 증가시키는 문제점이 있다.
본 발명은 상기와 같은 문제점들을 개선하기 위하여 안출된 것으로, 일 측면에 따른 본 발명의 목적은 지능형 계량기를 통해 빠른 샘플링 속도로 샘플링된 데이터를 다중 분해 방법을 통해 분해하고 정규화하여 심층 신경망 모델을 학습시킴으로써 전력 수요 예측의 정확성을 향상시킬 수 있도록 한 전력 수요 예측 장치 및 그 방법을 제공하는 것이다.
본 발명의 일 측면에 따른 전력 수요 예측 장치는, 지능형 계량기로부터 입력되는 전력 사용량 데이터를 수집하는 데이터 수집부; 데이터 수집부로부터 수집된 전력 사용량 데이터를 저장하는 데이터베이스; 및 데이터베이스에 저장된 전력 사용량 데이터를 다중 분해한 후 정규화하여 심층 신경망 학습을 통해 전력 수요를 예측하는 제어부;를 포함하는 것을 특징으로 한다.
본 발명에서 데이터 수집부는, 지능형 계량기로부터 시간당 12 샘플의 전력 사용량 데이터를 수집하는 것을 특징으로 한다.
본 발명에서 제어부는, 전력 사용량 데이터를 주간별로 분해한 후 변이 모드 분해를 통해 주파수별로 분해하는 다중 분해부; 다중 분해부에서 분해된 전력 사용량 데이터를 정규화하는 정규화부; 정규화부를 통해 정규화된 전력 사용량 데이터를 심층 신경망 모델로 학습시키는 모델 학습부; 및 모델 학습부를 통해 학습한 결과를 기반으로 전력 수요를 예측하는 수요 예측부;를 포함하는 것을 특징으로 한다.
본 발명에서 정규화부는, 주간별 감쇄계수의 가중치를 적용하여 정규화하는 주간 정규화, 주파수 분해레벨에 따라 분해된 고유 모드 성분을 주파수 분해레벨에 따라 표준화하여 정규화하는 고유모드성분 정규화, 및 심층 신경망의 각 레이어에서의 연결 가중치 분포가 같아지도록 전력 사용량 데이터를 묶어 정규화하는 배치 정규화 중 어느 하나 이상으로 정규화를 수행하는 것을 특징으로 한다.
본 발명에서 심층 신경망 모델은, LSTM(Long Short Term Memory)을 기반으로 하는 심층 신경망인 것을 특징으로 한다.
본 발명의 다른 측면에 따른 전력 수요 예측 방법은, 제어부가 지능형 계량기로부터 입력되는 전력 사용량 데이터를 수집하여 데이터베이스에 저장하는 단계; 제어부가 데이터베이스에 저장된 전력 사용량 데이터를 다중 분해하는 단계; 제어부가 다중 분해된 전력 사용량 데이터를 정규화하는 단계; 제어부가 정규화한 전력 사용량 데이터를 심층 신경망 모델로 학습시키는 단계; 및 제어부가 심층 신경망 모델로 학습한 결과를 기반으로 전력 수요를 예측하는 단계를 포함하는 것을 특징으로 한다.
본 발명에서 전력 사용량 데이터를 수집하여 데이터베이스에 저장하는 단계는, 제어부가 지능형 계량기로부터 시간당 12 샘플의 전력 사용량 데이터를 수집하여 저장하는 것을 특징으로 한다.
본 발명에서 다중 분해하는 단계는, 제어부가 전력 사용량 데이터를 주간별로 분해한 후 변이 모드 분해를 통해 주파수별로 분해하는 것을 특징으로 한다.
본 발명에서 전력 사용량 데이터를 정규화하는 단계는, 제어부가 주간별 감쇠계수의 가중치를 적용하여 정규화하는 단계; 제어부가 주파수 분해레벨에 따라 분해한 고유 모드 성분을 주파수 분해레벨에 따라 표준화하여 정규화하는 단계; 및 제어부가 심층 신경망의 각 레이어에서의 연결 가중치 분포가 같아지도록 전력 사용량 데이터를 묶어 정규화하는 단계를 포함하는 것을 특징으로 한다.
본 발명에서 심층 신경망 모델은, LSTM(Long Short Term Memory)을 기반으로 하는 심층 신경망인 것을 특징으로 한다.
본 발명의 일 측면에 따른 전력 수요 예측 장치 및 그 방법은 지능형 계량기를 통해 빠른 샘플링 속도로 샘플링된 데이터를 다중 분해 방법을 통해 주간별로 분해하여 통계적인 수요패턴을 특징화하고, 주파수 특징을 가진 신호로 분해하여 수요패턴을 세밀하게 분석하여 심층 신경망 모델을 학습시키고, 전처리 과정에서 정규화를 통해 심층 신경망이 가지는 데이터의 분산이동, 과적합 및 신경망 모델의 기울기 값 소실 문제를 해결하여 수요 예측의 정확성을 향상시킬 수 있다.
도 1은 본 발명의 일 실시예에 따른 전력 수요 예측 장치를 나타낸 블록 구성도이다.
도 2는 본 발명의 일 실시예에 따른 전력 수요 예측 장치의 제어부를 나타낸 블록 구성도이다.
도 3은 본 발명의 일 실시예에 따른 전력 수요 예측 장치에서 주파수별 분해를 나타낸 예시 그래프이다.
도 4는 본 발명의 일 실시예에 따른 전력 수요 예측 장치에 의한 전력 수요 예측 결과를 비교한 그래프이다.
도 5는 본 발명의 일 실시예에 따른 전력 수요 예측 방법을 설명하기 위한 흐름도이다.
이하, 첨부된 도면들을 참조하여 본 발명에 따른 전력 수요 예측 장치 및 그 방법을 설명한다. 이 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 사용자, 운용자의 의도 또는 관례에 따라 달라질 수 있다. 그러므로 이러한 용어들에 대한 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
도 1은 본 발명의 일 실시예에 따른 전력 수요 예측 장치를 나타낸 블록 구성도이고, 도 2는 본 발명의 일 실시예에 따른 전력 수요 예측 장치의 제어부를 나타낸 블록 구성도이며, 도 3은 본 발명의 일 실시예에 따른 전력 수요 예측 장치에서 주파수별 분해를 나타낸 예시 그래프이고, 도 4는 본 발명의 일 실시예에 따른 전력 수요 예측 장치에 의한 전력 수요 예측 결과를 비교한 그래프이다.
도 1과 도 2에 도시된 바와 같이 본 발명의 일 실시예에 따른 전력 수요 예측 장치는, 데이터 수집부(20), 데이터베이스(40) 및 제어부(30)를 포함할 수 있다.
데이터 수집부(20)는 지능형 계량기(10)로부터 입력되는 전력 사용량 데이터를 수집할 수 있다.
여기서 데이터 수집부(20)는 빠른 샘플링 속도를 갖는 지능형 계량기(10)로부터 시간당 12 샘플의 전력 사용량 데이터를 수집할 수 있다.
데이터베이스(40)는 데이터 수집부(20)로부터 수집된 전력 사용량 데이터를 저장하여 누적 데이터를 활용하여 전력 수요를 예측할 수 있도록 제공한다.
제어부(30)는 데이터베이스(40)에 저장된 전력 사용량 데이터를 주간별/주파수별로 다중 분해한 후 정규화하여 심층 신경망 학습을 통해 전력 수요를 예측할 수 있다.
여기서 제어부(30)는 도 2에 도시된 바와 같이 다중 분해부(310), 정규화부(320), 모델 학습부(330) 및 수요 예측부(340)를 포함할 수 있다.
다중 분해부(310)는 전력 사용량 데이터를 요일별/일별로 분해하여 통계적인 수요패턴을 특징화할 수 있도록 전력 사용량 데이터를 일주일 간격으로 분해하고, 각 일주일 간 시계열 데이터에 대해 변이 모드 분해(VMD; Variation Mode Decomposition)를 통해 주파수 분해레벨에 따라 각기 다른 주파수 특징을 가진 신호로 분해한다.
이와 같이 각 주파수 분해 레벨에 따라 분해된 성분은 고유 모드 성분(IMF; Intrinsic Mode Function)으로 특정 주파수를 가지고 있어 전력 수요의 주기적 성분을 분석하는데 용이하도록 한다.
도 4에 도시된 바와 같이 지능형 계량기(10)에서 측정한 4주간의 전력 사용량 데이터를 분해한 결과를 살펴보면, VMF-1에서는 일주일간의 전력 사용량 스케일, VMF-2는 건물의 출퇴근에 따른 급격한 전력 사용량의 변화, VMF-3은 부하가 큰 전력사용기기의 사용량 변화 등을 관찰 할 수 있다.
또한, VMF8~10은 노이즈와 같은 고주파 성분들로 분해할 수 있다.
이와 같은 고주파 성분들은 이후의 정규화 과정에서 필터링하여 심층 신경망의 학습률을 상승시킬 수 있다.
정규화부(320)는 데이터량과 차원이 증가하게 되면 심층 신경망이 가지는 데이터의 분산이동, 과적합, 신경망 모델의 기울기 값 소실 문제를 야기할 수 있어 특징 추출된 전력 사용량 데이터를 정규화한다.
여기서 정규화부(320)는 주간별 감쇠계수의 가중치를 적용하여 전력 사용량 데이터를 정규화하는 주간 정규화, 주파수 분해레벨에 따라 분해된 고유모드 성분을 주파수 분해레벨에 따라 표준화하여 정규화하는 고유모드성분 정규화, 및 심층 신경망의 각 레이어에서의 연결 가중치 분포가 같아지도록 전력 사용량 데이터를 묶어 정규화하는 배치(Batch) 정규화 중 어느 하나 이상으로 정규화할 수 있다.
이때, 주간 정규화는 지능형 계량기(10)로부터 수집되는 전체 시계열 전력 사용량 데이터(
Figure pat00001
)를 주간별로 분해한 시계열 전력 사용량 데이터(Wp;
Figure pat00002
)에 수학식 1과 같은 주간별 감쇠계수(Dp)의 가중치를 곱하여 먼 과거의 전력 사용량 데이터의 의존성을 감소시킬 수 있다.
Figure pat00003
여기서, p는 주간을 나타낸다.
또한, 고유모드성분 정규화는 수학식 2와 같이 주파수 분해레벨(k)에 따라 분해된 고유 모드 성분(IMF-k;
Figure pat00004
)에 주파수 분해레벨(k)에 따른 표준화 계수(
Figure pat00005
)를 곱하여 정규화할 수 있다.
Figure pat00006
여기서,
Figure pat00007
는 고유 모드 성분,
Figure pat00008
는 주간별 분해된 전력 사용량 데이터,
Figure pat00009
는 일주일간의 지능형 계량기로부터 수집된 샘플수이다.
따라서 노이즈에 가까운 높은 고주파 성분을 필터링하여 심층 신경망 모델 학습의 영향을 최소화시킬 수 있다
배치(Batch) 정규화는 심층 신경망의 각 레이어에서의 연결 가중치 분포가 같아지도록 전력 사용량 데이터를 묶음으로써 신경망의 파라미터들의 스케일에 따라 크게 학습하지 않기 때문에 전체적인 모델의 학습률을 높일 수 있고, 자체적 정규화를 사용함으로써 가중치 보정을 위한 추가적 과정을 거치지 않도록 할 수 있다.
심층 신경망에서 뉴런들을 연결하는 가중치들 중에서 일부의 값이 평균 가중치가 크게 되는 경우 가중치의 합산이 더해지면서 입력 데이터들의 분포가 달라져서 데이터의 분산이동 문제가 발생할 수 있어, 기울기 소실/과증가 문제(Vanishing gradient/Explosion Gradient)를 발생시키고, 이러한 문제들은 결국 입력 데이터들의 과적합(Overfitting)으로 심층 신경망의 학습 능력을 저하시킬 수 있다.
모델 학습부(330)는 정규화부(320)를 통해 정규화된 전력 사용량 데이터를 심층 신경망 모델로 학습시킬 수 있다.
여기서 심층 신경망 모델은 LSTM(Long Short Term Memory)을 기반으로 한 심층 신경망이다.
수요 예측부(340)는 모델 학습부(340)를 통해 학습한 결과를 기반으로 전력 사용패턴을 추세화하여 전력 수요를 예측할 수 있다.
이와 같은 전력 수요 예측장치는 도 4에 도시된 바와 같이 전력 수요 예측 결과를 살펴보면, 본 발명에 의해 예측된 수요(빨간색 그래프)와 다른 방법에 의해 예측된 수요를 비교할 때, 실제 수요(검은색 그래프)를 보다 정확하게 따라가는 것을 확인할 수 있다.
즉, 도 4의 (a)를 살펴보면 일주일간의 전력부하상승과 피크 시간대를 잘 예측하는 것을 확인 할 수 있고, (b)를 살펴보면 본 발명에 의한 결과가 전력 사용량의 작은 변화도 예측하는 것을 확인 할 수 있다.
상술한 바와 같이, 본 발명의 실시예에 의한 전력 수요 예측 장치에 따르면, 지능형 계량기를 통해 빠른 샘플링 속도로 샘플링된 데이터를 다중 분해 방법을 통해 주간별로 분해하여 통계적인 수요패턴을 특징화하고, 주파수 특징을 가진 신호로 분해하여 수요패턴을 세밀하게 분석하여 심층 신경망 모델을 학습시키고, 전처리 과정에서 정규화를 통해 심층 신경망이 가지는 데이터의 분산이동, 과적합 및 신경망 모델의 기울기 값 소실 문제를 해결하여 수요 예측의 정확성을 향상시킬 수 있다.
도 5는 본 발명의 일 실시예에 따른 전력 수요 예측 방법을 설명하기 위한 흐름도이다.
도 5에 도시된 바와 같이 본 발명의 일 실시예에 따른 전력 수요 예측 방법에서는 먼저, 제어부(30)가 지능형 계량기(10)로부터 입력되는 전력 사용량 데이터를 수집하여 데이터베이스에 저장한다(S10).
여기서, 제어부(30)는 데이터 수집부(20)를 통해 빠른 샘플링 속도를 갖는 지능형 계량기(10)로부터 시간당 12 샘플의 전력 사용량 데이터를 수집할 수 있다.
S10 단계에서 데이터베이스(40)에 전력 사용량 데이터를 저장한 후 제어부(30)는 데이터베이스(40)에 저장된 전력 사용량 데이터를 다중 분해한다(S20).
여기서, 제어부(30)는 전력 사용량 데이터를 요일별/일별로 분해하여 통계적인 수요패턴을 특징화할 수 있도록 전력 사용량 데이터를 일주일 간격으로 분해하고, 각 일주일 간 시계열 데이터에 대해 변이 모드 분해(VMD; Variation Mode Decomposition)를 통해 주파수 분해레벨에 따라 각기 다른 주파수 특징을 가진 신호로 분해한다.
이와 같이 각 주파수 분해 레벨에 따라 분해된 성분은 고유 모드 성분(IMF; Intrinsic Mode Function)으로 특정 주파수를 가지고 있어 전력 수요의 주기적 성분을 분석하는데 용이하도록 한다.
도 4에 도시된 바와 같이 지능형 계량기(10)에서 측정한 4주간의 전력 사용량 데이터를 분해한 결과를 살펴보면, VMF-1에서는 일주일간의 전력 사용량 스케일, VMF-2는 건물의 출퇴근에 따른 급격한 전력 사용량의 변화, VMF-3은 부하가 큰 전력사용기기의 사용량 변화 등을 관찰 할 수 있다.
또한, VMF8~10은 노이즈와 같은 고주파 성분들로 분해할 수 있다.
이와 같은 고주파 성분들은 이후의 정규화 과정에서 필터링하여 심층 신경망의 학습률을 상승시킬 수 있다.
S20 단계에서 전체 시계열 전력 사용량 데이터를 다중 분해한 후 제어부(30)는 분해된 전력 사용량 데이터를 정규화한다(S30).
여기서 제어부(30)는 데이터량과 차원이 증가하게 되면 심층 신경망이 가지는 데이터의 분산이동, 과적합, 신경망 모델의 기울기 값 소실 문제를 야기할 수 있어 특징 추출된 전력 사용량 데이터를 정규화한다.
여기서 제어부(30)는 제1 단계로 주간 정규화를 통해 지능형 계량기(10)로부터 수집되는 전체 시계열 전력 사용량 데이터를 주간별로 분해한 시계열 전력 사용량 데이터에 주간별 감쇠계수의 가중치를 곱하여 먼 과거의 전력 사용량 데이터의 의존성을 감소시킬 수 있다.
또한, 제어부(30)는 제2 단계로 고유모드성분 정규화를 통해 주파수 분해레벨에 따라 분해된 고유 모드 성분에 주파수 분해레벨에 따른 표준화 계수를 곱하여 정규화할 수 있다.
따라서, 노이즈에 가까운 높은 고주파 성분을 필터링하여 심층 신경망 모델 학습의 영향을 최소화시킬 수 있다
제3 단계로 제어부(30)는 배치(Batch) 정규화를 통해 심층 신경망의 각 레이어에서의 연결 가중치 분포가 같아지도록 전력 사용량 데이터를 묶음으로써 신경망의 파라미터들의 스케일에 따라 크게 학습하지 않기 때문에 전체적인 모델의 학습률을 높일 수 있고, 자체적 정규화를 사용함으로써 가중치 보정을 위한 추가적 과정을 거치지 않도록 할 수 있다.
심층 신경망에서 뉴런들을 연결하는 가중치들 중에서 일부의 값이 평균 가중치가 크게 되는 경우 가중치의 합산이 더해지면서 입력 데이터들의 분포가 달라져서 데이터의 분산이동 문제가 발생할 수 있어, 기울기 소실/과증가 문제(Vanishing gradient/Explosion Gradient)를 발생시키고, 이러한 문제들은 결국 입력 데이터들의 과적합(Overfitting)으로 심층 신경망의 학습 능력을 저하시킬 수 있다.
S30 단계에서 정규화 한 후 제어부(30)는 정규화된 전력 사용량 데이터를 심층 신경망 모델로 학습시킨다(S40).
여기서 심층 신경망 모델은 LSTM(Long Short Term Memory)을 기반으로 한 심층 신경망이다.
S40 단계에서 심층 신경망 모델로 학습한 결과를 기반으로 제어부(30)는 전력 사용패턴을 추세화하여 전력 수요를 예측한다(S50).
상술한 바와 같이, 본 발명의 실시예에 의한 전력 수요 예측 방법에 따르면, 지능형 계량기를 통해 빠른 샘플링 속도로 샘플링된 데이터를 다중 분해 방법을 통해 주간별로 분해하여 통계적인 수요패턴을 특징화하고, 주파수 특징을 가진 신호로 분해하여 수요패턴을 세밀하게 분석하여 심층 신경망 모델을 학습시키고, 전처리 과정에서 정규화를 통해 심층 신경망이 가지는 데이터의 분산이동, 과적합 및 신경망 모델의 기울기 값 소실 문제를 해결하여 수요 예측의 정확성을 향상시킬 수 있다.
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 프로그래밍 가능한 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.
본 발명은 도면에 도시된 실시예를 참고로 하여 설명되었으나, 이는 예시적인 것에 불과하며, 당해 기술이 속하는 분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다.
따라서 본 발명의 진정한 기술적 보호범위는 아래의 청구범위에 의해서 정하여져야 할 것이다.
10 : 지능형 계량기 20 : 데이터 수집부
30 : 제어부 40 : 데이터베이스
310 : 다중 분해부 320 : 정규화부
330 : 모델 학습부 340 : 수요 예측부

Claims (10)

  1. 지능형 계량기로부터 입력되는 전력 사용량 데이터를 수집하는 데이터 수집부;
    상기 데이터 수집부로부터 수집된 전력 사용량 데이터를 저장하는 데이터베이스; 및
    상기 데이터베이스에 저장된 전력 사용량 데이터를 다중 분해한 후 정규화하여 심층 신경망 학습을 통해 전력 수요를 예측하는 제어부;를 포함하는 것을 특징으로 하는 전력 수요 예측 장치.
  2. 제 1항에 있어서, 상기 데이터 수집부는, 상기 지능형 계량기로부터 시간당 12 샘플의 전력 사용량 데이터를 수집하는 것을 특징으로 하는 전력 수요 예측 장치.
  3. 제 1항에 있어서, 상기 제어부는,
    전력 사용량 데이터를 주간별로 분해한 후 변이 모드 분해를 통해 주파수별로 분해하는 다중 분해부;
    상기 다중 분해부에서 분해된 전력 사용량 데이터를 정규화하는 정규화부;
    상기 정규화부를 통해 정규화된 전력 사용량 데이터를 심층 신경망 모델로 학습시키는 모델 학습부; 및
    상기 모델 학습부를 통해 학습한 결과를 기반으로 전력 수요를 예측하는 수요 예측부;를 포함하는 것을 특징으로 하는 전력 수요 예측 장치.
  4. 제 3항에 있어서, 상기 정규화부는, 주간별 감쇄계수의 가중치를 적용하여 정규화하는 주간 정규화, 주파수 분해레벨에 따라 분해된 고유 모드 성분을 주파수 분해레벨에 따라 표준화하여 정규화하는 고유모드성분 정규화, 및 심층 신경망의 각 레이어에서의 연결 가중치 분포가 같아지도록 전력 사용량 데이터를 묶어 정규화하는 배치 정규화 중 어느 하나 이상으로 정규화를 수행하는 것을 특징으로 하는 전력 수요 예측 장치.
  5. 제 1항에 있어서, 상기 심층 신경망 모델은, LSTM(Long Short Term Memory)을 기반으로 하는 심층 신경망인 것을 특징으로 하는 전력 수요 예측 장치.
  6. 제어부가 지능형 계량기로부터 입력되는 전력 사용량 데이터를 수집하여 데이터베이스에 저장하는 단계;
    상기 제어부가 상기 데이터베이스에 저장된 전력 사용량 데이터를 다중 분해하는 단계;
    상기 제어부가 다중 분해된 전력 사용량 데이터를 정규화하는 단계;
    상기 제어부가 정규화한 전력 사용량 데이터를 심층 신경망 모델로 학습시키는 단계; 및
    상기 제어부가 상기 심층 신경망 모델로 학습한 결과를 기반으로 전력 수요를 예측하는 단계를 포함하는 것을 특징으로 하는 전력 수요 예측 방법.
  7. 제 6항에 있어서, 전력 사용량 데이터를 수집하여 상기 데이터베이스에 저장하는 단계는, 상기 제어부가 지능형 계량기로부터 시간당 12 샘플의 전력 사용량 데이터를 수집하여 저장하는 것을 특징으로 하는 전력 수요 예측 방법.
  8. 제 6항에 있어서, 상기 다중 분해하는 단계는, 상기 제어부가 전력 사용량 데이터를 주간별로 분해한 후 변이 모드 분해를 통해 주파수별로 분해하는 것을 특징으로 하는 전력 수요 예측 방법.
  9. 제 6항에 있어서, 상기 전력 사용량 데이터를 정규화하는 단계는,
    상기 제어부가 주간별 감쇠계수의 가중치를 적용하여 정규화하는 단계;
    상기 제어부가 주파수 분해레벨에 따라 분해한 고유 모드 성분을 주파수 분해레벨에 따라 표준화하여 정규화하는 단계; 및
    상기 제어부가 심층 신경망의 각 레이어에서의 연결 가중치 분포가 같아지도록 전력 사용량 데이터를 묶어 정규화하는 단계를 포함하는 것을 특징으로 하는 전력 수요 예측 방법.
  10. 제 6항에 있어서, 상기 심층 신경망 모델은, LSTM(Long Short Term Memory)을 기반으로 하는 심층 신경망인 것을 특징으로 하는 전력 수요 예측 방법.
KR1020190046117A 2019-04-19 2019-04-19 전력 수요 예측 장치 및 그 방법 KR20200128232A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190046117A KR20200128232A (ko) 2019-04-19 2019-04-19 전력 수요 예측 장치 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190046117A KR20200128232A (ko) 2019-04-19 2019-04-19 전력 수요 예측 장치 및 그 방법

Publications (1)

Publication Number Publication Date
KR20200128232A true KR20200128232A (ko) 2020-11-12

Family

ID=73398783

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190046117A KR20200128232A (ko) 2019-04-19 2019-04-19 전력 수요 예측 장치 및 그 방법

Country Status (1)

Country Link
KR (1) KR20200128232A (ko)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112991088A (zh) * 2021-02-04 2021-06-18 国网浙江省电力有限公司 一种基于vmd-anfis-arima的月度电力需求预测方法
KR20220097847A (ko) * 2020-12-30 2022-07-08 주식회사 아이캡틴 가전기기 전력 분석 장치 및 방법
KR20220111897A (ko) * 2021-02-03 2022-08-10 주식회사 크로커스 모드 분해와 신경망을 이용한 전력 예측 장치
WO2023018226A1 (ko) * 2021-08-10 2023-02-16 주식회사 플럭시티 예측 전력 피크 가이드라인을 이용한 전력 관리 장치 및 방법
KR20230024206A (ko) * 2021-08-10 2023-02-20 주식회사 플럭시티 예측 전력 피크 가이드라인을 이용한 전력 관리 장치 및 방법
KR102540027B1 (ko) * 2022-02-16 2023-06-08 호서대학교 산학협력단 전력 수요 예측과 이상 감지가 가능한 것을 특징으로 하는 전력제어 시스템 및 방법
CN118228897A (zh) * 2024-05-23 2024-06-21 国网安徽省电力有限公司经济技术研究院 一种基于ceemdan-se-tcn-gru模型的电力负荷预测方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220097847A (ko) * 2020-12-30 2022-07-08 주식회사 아이캡틴 가전기기 전력 분석 장치 및 방법
KR20220111897A (ko) * 2021-02-03 2022-08-10 주식회사 크로커스 모드 분해와 신경망을 이용한 전력 예측 장치
CN112991088A (zh) * 2021-02-04 2021-06-18 国网浙江省电力有限公司 一种基于vmd-anfis-arima的月度电力需求预测方法
WO2023018226A1 (ko) * 2021-08-10 2023-02-16 주식회사 플럭시티 예측 전력 피크 가이드라인을 이용한 전력 관리 장치 및 방법
KR20230024206A (ko) * 2021-08-10 2023-02-20 주식회사 플럭시티 예측 전력 피크 가이드라인을 이용한 전력 관리 장치 및 방법
KR102540027B1 (ko) * 2022-02-16 2023-06-08 호서대학교 산학협력단 전력 수요 예측과 이상 감지가 가능한 것을 특징으로 하는 전력제어 시스템 및 방법
CN118228897A (zh) * 2024-05-23 2024-06-21 国网安徽省电力有限公司经济技术研究院 一种基于ceemdan-se-tcn-gru模型的电力负荷预测方法

Similar Documents

Publication Publication Date Title
KR20200128232A (ko) 전력 수요 예측 장치 및 그 방법
Han et al. Multi‐step wind power forecast based on VMD‐LSTM
Huang et al. Global crude oil price prediction and synchronization based accuracy evaluation using random wavelet neural network
Dou et al. Hybrid model for renewable energy and loads prediction based on data mining and variational mode decomposition
CN109726865A (zh) 基于emd-qrf的用户负荷概率密度预测方法、装置和存储介质
Zhang Short-term load forecasting based on support vector machines regression
CN114720764B (zh) 一种基于电表实时监测数据的谐波分析方法及系统
Zhu et al. Short‐Term Electricity Consumption Forecasting Based on the EMD‐Fbprophet‐LSTM Method
Jafari et al. A survey on deep learning role in distribution automation system: a new collaborative Learning-to-Learning (L2L) concept
Cortes-Robles et al. Fast-training feedforward neural network for multi-scale power quality monitoring in power systems with distributed generation sources
Wang et al. Improving economic values of day‐ahead load forecasts to real‐time power system operations
Song et al. Dynamic thermal line rating model of conductor based on prediction of meteorological parameters
Sun et al. Short-term power load prediction based on VMD-SG-LSTM
Zhou et al. Dynamic battery loss evaluation and its application for optimal online wind‐storage integrated scheduling
Wang* et al. Ultra‐short‐term PV power prediction model based on HP‐OVMD and enhanced emotional neural network
Li et al. Short-term probabilistic load forecasting method based on uncertainty estimation and deep learning model considering meteorological factors
Wu et al. Improved unscented Kalman filter based interval dynamic state estimation of active distribution network considering uncertainty of photovoltaic and load
Tidemann et al. Effects of scale on load prediction algorithms
CN111476411B (zh) 一种光伏电站发电量计算方法及服务器
Wang et al. Cloud computing and extreme learning machine for a distributed energy consumption forecasting in equipment-manufacturing enterprises
Chavan et al. A systematic review on low-resolution nilm: Datasets, algorithms, and challenges
Guo et al. Short-Term Water Demand Forecast Based on Deep Neural Network:(029)
CN116859255A (zh) 一种储能电池健康状态的预测方法、装置、设备及介质
CN111080037A (zh) 一种基于深度神经网络的短期电力负荷预测方法及装置
CN111046633A (zh) 一种基于lstm的电网一次调频数据预测方法及装置