KR20200129558A - 전력 수요 예측 장치 및 방법 - Google Patents

전력 수요 예측 장치 및 방법 Download PDF

Info

Publication number
KR20200129558A
KR20200129558A KR1020190054146A KR20190054146A KR20200129558A KR 20200129558 A KR20200129558 A KR 20200129558A KR 1020190054146 A KR1020190054146 A KR 1020190054146A KR 20190054146 A KR20190054146 A KR 20190054146A KR 20200129558 A KR20200129558 A KR 20200129558A
Authority
KR
South Korea
Prior art keywords
data
prediction
power demand
prediction data
actual power
Prior art date
Application number
KR1020190054146A
Other languages
English (en)
Other versions
KR102229209B1 (ko
Inventor
이태억
최호진
이경호
홍철희
Original Assignee
한국전력공사
한국과학기술원
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, 한국과학기술원 filed Critical 한국전력공사
Priority to KR1020190054146A priority Critical patent/KR102229209B1/ko
Publication of KR20200129558A publication Critical patent/KR20200129558A/ko
Application granted granted Critical
Publication of KR102229209B1 publication Critical patent/KR102229209B1/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • 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
    • 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)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

LSTM(Long short term memory) 및 RMSE(Root mean square error)를 이용하여 전력 수요량 피크값이 고려된 전력 수요량을 예측하는 전력 수요 예측 장치 및 방법에 관한 것이다.
본 발명의 실시 예에 따른 전력 수요 예측 장치는 수용가로부터 전력 데이터를 수신하는 데이터 수신부와, 상기 전력 데이터를 이용하여 상기 수용가의 전력 수요량을 예측하기 위한 예측 모델을 생성하는 모델 생성부와, 상기 예측 모델을 이용하여 상기 예측 모델에 의해 출력되는 제1예측 데이터와 실제 전력 수요량의 편차가 최소화되도록 상기 제1예측 데이터를 보정하여 제2예측 데이터를 생성하는 제1데이터 보정부와, 상기 제2예측 데이터의 값이 상기 실제 전력 수요량보다 작은 경우 상기 제2예측 데이터를 재보정하여 제3예측 데이터를 생성하는 제2데이터 보정부와, 상기 제2예측 데이터 및 상기 제3예측 데이터를 기초로 최종 예측 데이터를 생성하는 예측부를 포함한다.

Description

전력 수요 예측 장치 및 방법{Apparatus and method for power demand forecasting}
본 발명은 전력 수요 예측 장치 및 방법에 관한 것으로, 보다 자세하게는 LSTM(Long short term memory) 및 RMSE(Root mean square error)를 이용하여 전력 수요량 피크값이 고려된 전력 수요량을 예측하는 전력 수요 예측 장치 및 방법에 관한 것이다.
최근 전력의 수요량이 증가하고 있다. 그러나, 증가하는 수요량을 모두 발전의 용량을 증대하여 해결하는 것은 자원의 낭비 및 환경 오염을 초래하게 될 수 있다. 또한, 전력 수요 예측 실패는 발전량 설정 실패로 이어질 수 있으며, 이는 대정전 등 큰 재해를 불러일으키는 원인이 될 수 있다. 이에 따라 알맞은 발전량을 설정하기 위해서는 전력의 수요를 예측하는 것이 매우 중요하다.
전력의 수요를 예측하기 위한 방법으로는 회귀 분석, 의사결정트리 등이 있고, 최근에는 심층 신경망(Deep neural network) 기술의 발전으로 인해 심층 신경망을 이용한 전력 수요 예측 방법이 개발되고 있다.
최근에는 LSTM(Long short term memory)를 이용하여 전력의 수요를 예측하고 있으나, 주로 예측값과 실제값의 오차를 줄이는 데에 초점을 두어 전력의 피크치(peak)를 예측하지 못하게 되는 문제가 있다.
본 발명은 앞에서 설명한 문제점을 해결하기 위한 것으로, LSTM(Long short term memory) 및 RMSE(Root mean square error)를 이용하여 전력 수요량 피크값이 고려된 전력 수요량을 예측하는 전력 수요 예측 장치 및 방법을 제공하는 것을 목적으로 한다.
위에서 언급된 본 발명의 기술적 과제 외에도, 본 발명의 다른 특징 및 이점들이 이하에서 기술되거나, 그러한 기술 및 설명으로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
앞에서 설명한 목적을 달성하기 위한 본 발명의 실시 예에 따른 전력 수요 예측 장치는 수용가로부터 전력 데이터를 수신하는 데이터 수신부와, 전력 데이터를 이용하여 수용가의 전력 수요량을 예측하기 위한 예측 모델을 생성하는 모델 생성부와, 예측 모델을 이용하여 예측 모델에 의해 출력되는 제1예측 데이터와 실제 전력 수요량의 편차가 최소화되도록 제1예측 데이터를 보정하여 제2예측 데이터를 생성하는 제1데이터 보정부와, 제2예측 데이터의 값이 실제 전력 수요량보다 작은 경우 제2예측 데이터를 재보정하여 제3예측 데이터를 생성하는 제2데이터 보정부와, 제2예측 데이터 및 제3예측 데이터를 기초로 최종 예측 데이터를 생성하는 예측부를 포함할 수 있다.
한편, 앞에서 설명한 목적을 달성하기 위한 본 발명의 실시 예에 따른 전력 수요 예측 방법은 수용가로부터 수신한 전력 데이터를 이용하여 수용가의 전력 수요량을 예측하기 위한 예측 모델을 생성하는 단계와, 예측 모델을 이용하여 예측 모델에 의해 출력되는 제1예측 데이터와 실제 전력 수요량의 편차가 최소화되도록 제1예측 데이터를 보정하여 제2예측 데이터를 생성하는 단계와, 제2예측 데이터의 값이 실제 전력 수요량보다 작은 경우 제2예측 데이터를 재보정하여 제3예측 데이터를 생성하는 단계와, 제2예측 데이터 및 제3예측 데이터를 기초로 최종 예측 데이터를 생성하는 단계를 포함할 수 있다.
본 발명의 실시 예에 따른 전력 수요 예측 장치 및 방법은 LSTM(Long short term memory) 및 RMSE(Root mean square error)를 이용하여 전력 수요량의 피크값이 고려된 전력 수요량을 예측할 수 있다.
또한, 전력 수요량의 피크값이 고려되므로, 피크값을 더 정확하게 예측할 수 있다.
또한, 전력 수요량 피크값이 고려되므로, 피크값을 가지는 시간대에서 전력의 부족으로 인해 정전이 발생하는 것을 방지할 수 있다.
이 밖에도, 본 발명의 실시 예들을 통해 본 발명의 또 다른 특징 및 이점들이 새롭게 파악될 수도 있을 것이다.
도 1은 본 발명의 실시 예에 따른 전력 수요 예측 시스템을 나타내는 도면이다.
도 2는 본 발명의 실시 예에 따른 전력 수요 장치의 구성을 나타내는 도면이다.
도 3은 본 발명의 실시 예에 따른 실제 전력 수요량 및 제2예측 데이터를 나타내는 도면이다.
도 4는 본 발명의 실시 예에 따른 실제 전력 수요량 및 제3예측 데이터를 나타내는 도면이다.
도 5는 본 발명의 실시 예에 따른 수요 예측 방법을 나타내는 도면이다.
본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 동일 또는 유사한 구성요소에 대해서는 동일한 참조 부호를 붙이도록 한다.
다르게 정의하지는 않았지만, 여기에 사용되는 기술용어 및 과학용어를 포함하는 모든 용어들은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 일반적으로 이해하는 의미와 동일한 의미를 가진다. 보통 사용되는 사전에 정의된 용어들은 관련 기술문헌과 현재 개시된 내용에 부합하는 의미를 가지는 것으로 추가 해석되고, 정의되지 않는 한 이상적이거나 매우 공식적인 의미로 해석되지 않는다.
이하, 첨부한 도면을 참조하여 본 발명의 실시 예에 대하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다.
도 1은 본 발명의 실시 예에 따른 전력 수요 예측 시스템을 나타내는 도면이다.
도 1을 참조하면, 본 발명의 실시 예에 따른 전력 수요 예측 시스템(1000)은 수용설비(100), 전력 수요 예측 장치(200) 및 발전설비(300)를 포함할 수 있다.
수용설비(100)는 전력을 사용하는 부하단에 전력을 전달할 수 있고, 부하단에서의 실제 전력 수요량을 산출할 수 있다.
전력 수요 예측 장치(200)는 수용설비(100)로부터 실제 전력 수요량을 수신할 수 있다. 전력 수요 예측 장치(200)는 수신한 전력 수요량 데이터를 이용하여 전력 수요량에 대한 예측 모델을 생성하고, 생성한 예측 모델을 통해 전력 수요량을 예측할 수 있다. 본 발명의 실시 예에 따른 전력 수요 예측 장치(200)는 심층 신경망을 적용하여 예측 모델을 생성할 수 있으며, 손실함수 및 역전파를 이용하여 전력 수요량의 피크값이 고려된 전력 수요량을 예측할 수 있다.
이를 통해, 본 발명의 실시 예에 따른 전력 수요 예측 장치(200)가 전력 수요량을 예측함으로써, 발전설비(300)가 예측된 전력 수요량에 맞추어 전력을 발전할 수 있도록 할 수 있고, 예측된 전력 수요량에 맞추어 전력을 발전하도록 하여 낭비되는 전력이 없도록 할 수 있다. 또한, 수요 예측 장치(200)는 순간적으로 전력의 수요량이 증가(피크값)하게 되는 시간대를 고려하여 전력 수요량을 예측할 수 있고, 이로 인해 순간적으로 전력의 수요량이 증가하게 되는 시간대에 전력량의 부족으로 인해 정전이 발생하게 되는 것을 방지할 수 있다.
이와 같이, 본 발명의 실시 예에 따른 전력 수요 시스템(1000)은 순간적으로 전력의 수요량이 증가하게 되는 시간대의 전력 수요량을 고려하여 최종 전력 수요량을 예측하고, 그에 따른 전력량을 발전하도록 하여 낭비되는 전력이 없도록 할 수 있다. 또한, 순간적으로 전력의 수요량이 증가하게 되는 시간대의 전력 수요량을 예측하여 전력의 부족으로 인해 정전이 발생하게 되는 문제 또한 해결할 수 있다.
도 2는 본 발명의 실시 예에 따른 전력 수요 장치의 구성을 나타내는 도면이다.
도 2를 참조하면, 본 발명의 실시 예에 따른 전력 수요 장치(200)는 데이터 수신부(210), 모델 생성부(220), 제1데이터 보정부(230), 제2데이터 보정부(240) 및 예측부(250)를 포함할 수 있다.
데이터 수신부(210)는 수용가로부터 전력 데이터를 수신할 수 있다. 여기서, 수용가는 도 1에서의 수용설비 또는 부하단을 나타낼 수 있다. 또한, 전력 데이터는 시간대별 전력 사용량, 각 콘센트 별 전력 사용량, 지역별 전력 사용량 등을 포함할 수 있고, 전력 데이터는 시계열 데이터로, 시간 순서대로 측정되는 데이터일 수 있다.
모델 생성부(220)는 전력 데이터를 이용하여 수용가의 전력 수요량을 예측하기 위한 예측 모델을 생성할 수 있다. 예측 모델은 심층 신경망으로 구성될 수 있으며, 예로서, LSTM(Long short term memory)으로 구성될 수 있다. 여기서, 데이터 수신부(210)에서 수신된 전력 데이터는 예측 모델의 입력 데이터일 수 있으며, 전력 수요량을 예측한 예측 데이터는 예측 모델의 출력 데이터일 수 있다. 즉, 모델 생성부(220)는 전력 데이터에 대한 예측 데이터가 출력되도록 하는 예측 모델을 생성할 수 있다.
여기서, 모델 생성부(220)는 예측 모델을 학습시키기 위한 실제 전력 수요량을 데이터 수신부(210)로부터 수신할 수 있다. 즉, 데이터 수신부(210)는 실제 전력 수요량을 수용가로부터 더 수신할 수 잇고, 모델 생성부(220)는 데이터 수신부(210)로부터 전력 데이터 및 실제 전력 수요량을 전달받아 예측 모델을 학습시킬 수 있다.
제1데이터 보정부(230)는 예측 모델을 이용하여 예측 모델에 의해 출력되는 제1예측 데이터와 실제 전력 수요량의 편차가 최소화되도록 제1예측 데이터를 보정하여 제2예측 데이터를 생성할 수 있다.
제1데이터 보정부(230)는 하기 수학식 1을 통해 제1예측 데이터와 실제 전력 수요량의 편차를 산출할 수 있다.
[수학식 1]
Figure pat00001
L은 제1예측 데이터와 실제 전력 수요량의 편차이고, t는 시간, M은 상수이고,
Figure pat00002
는 실제 전력 수요량이고,
Figure pat00003
는 제1예측 데이터일 수 있다. 여기서, 실제 전력 수요량과 제1예측 데이터와의 편차가 최소화된 경우,
Figure pat00004
는 제2예측 데이터일 수도 있다. 여기서, 제1예측 데이터 및 제2예측 데이터는 설명의 편의를 위해 구분한 것일 뿐, 별개의 데이터 셋을 나타내는 것은 아니다.
여기서, 제1데이터 보정부(230)는 예측 모델에 의해 출력된 제1예측 데이터를 다시 예측 모델의 입력으로써 이용하는 피드백 작용을 통해 제1예측 데이터를 보정할 수 있고, 이러한 과정을 여러 번 반복함으로써, 실제 전력 수요량과 제1예측 데이터와의 편차를 감소시킬 수 있다. 이때, 제1데이터 보정부(230)는 실제 전력 수요량과 제1예측 데이터와의 편차가 최소화된 경우, 실제 전력 수요량과 최소화된 편차를 가지는 제1예측 데이터를 제2예측 데이터로 정의할 수 있다.
여기서, 제1데이터 보정부(230)는 실제 전력 수요량과 제1예측 데이터 중 어느 데이터의 값이 큰지 작은지는 고려하지 않을 수 있으며, 실제 전력 수요량과 제1예측 데이터간의 편차만을 산출할 수 있다. 이에 따라 수학식 1에서 실제 전력 수요량과 제1예측 데이터 간의 편차는 실제 전력 수요량과 제1예측 데이터간의 차이를 제곱한 값일 수 있다. 이는, 실제 전력 수요량과 예측 데이터 간의 오차를 줄이기 위한 것으로, 예측 데이터가 최대한 실제 전력 수요량과 유사한 값을 가지도록 하기 위한 것일 수 있다.
또한, 제1데이터 보정부(230)는 RMSE(Root mean square error)를 이용하여 제1예측 데이터 및 실제 전력 수요량 간의 편차를 감소시킬 수 있다. 또한, 본 발명의 실시 예에 따른 제1데이터 보정부(230)는 RMSE의 손실함수(Loss function) 및 역전파(Backpropagation)를 수정함으로써, 실제 전력 수요량과 제1예측 데이터 간의 오차가 최소화된 제2예측 데이터를 생성할 수 있다.
제2데이터 보정부(240)는 제2예측 데이터의 값이 실제 전력 수요량보다 작은 경우 제2예측 데이터를 재보정하여 제3예측 데이터를 생성할 수 있다.
제2데이터 보정부(240)는 제1데이터 보정부(230)에서 보정된 제2예측 데이터의 값을 실제 전력 수요량과 비교할 수 있다. 제2데이터 보정부(240)는 제2예측 데이터의 값 및 실제 전력 수요량을 비교한 결과, 제2예측 데이터의 값이 실제 전력 수요량보다 작은 경우 제2예측 데이터를 재보정할 수 있다. 여기서, 제2데이터 보정부(240)는 제2예측 데이터의 값이 실제 전력 수요량보다 커지도록 제2예측 데이터를 보정하여 제3예측 데이터를 생성할 수 있다.
즉, 제2데이터 보정부(240)는 하기 수학식 2를 통해 제3예측 데이터를 생성할 수 있다.
[수학식 2]
Figure pat00005
Figure pat00006
는 제3예측 데이터이고,
Figure pat00007
는 상수이고,
Figure pat00008
는 제2예측 데이터이고,
Figure pat00009
는 실제 전력 수요량일 수 있다.
즉, 제1데이터 보정부(240)는 예측 데이터가 실제 전력 수요량과 유사하도록 오차를 줄이는 보정을 수행하고, 제2데이터 보정부(240)는 예측 데이터가 실제 전력 수요량을 모두 커버할 수 있도록 하기 위해 예측 데이터의 값이 실제 전력 수요량보다 커지도록 보정을 수행할 수 있다. 즉, 제2데이터 보정부(240)는 예측 데이터의 값이 실제 전력 수요량보다 항상 크도록 보정할 수 있고, 예컨대, 순간적으로 전력의 수요량이 증가하는 시간대에서도 예측 데이터는 전력 수요량보다 클 수 있다. 이에 따라 순간적으로 전력의 수요량이 증가하는 시간대에서도 전력의 부족없이 전력을 수용가에 공급하도록 할 수 있다.
또한, 제1예측 보정부(230) 및 제2예측 보정부(240)는 별도의 구성으로 설명하였으나, 하나의 구성으로 구현될 수도 있다.
예측부(250)는 제2예측 데이터 및 제3예측 데이터를 기초로 최종 예측 데이터를 생성할 수 있다. 즉, 최종 예측 데이터는 실제 전력 수요량보다 큰 값일 수 있고, 예측부(250)는 최종 예측 데이터를 발전설비(300)로 전달하여 최종 예측 데이터에 대한 전력량을 발전할 수 있도록 할 수 있다.
도 3은 본 발명의 실시 예에 따른 실제 전력 수요량 및 제2예측 데이터를 나타내는 도면이다.
도 3을 참조하면, 제1데이터 보정부(230)는 예측 모델을 이용하여 예측 모델에 의해 출력되는 제1예측 데이터와 실제 전력 수요량(a)의 편차가 최소화되도록 제1예측 데이터를 보정하여 제2예측 데이터(b)를 생성할 수 있다.
여기서, 제1데이터 보정부(230)는 예측 모델에 의해 출력된 제1예측 데이터를 다시 예측 모델의 입력으로써 이용하는 피드백 작용을 통해 제1예측 데이터를 보정할 수 있고, 이러한 과정을 여러 번 반복함으로써, 실제 전력 수요량과 제1예측 데이터와의 편차를 감소시킬 수 있다. 이때, 제1데이터 보정부(230)는 실제 전력 수요량과 제1예측 데이터와의 편차가 최소화된 경우, 실제 전력 수요량과 최소화된 편차를 가지는 제1예측 데이터를 제2예측 데이터(b)로 정의할 수 있다.
여기서, 제1데이터 보정부(230)는 실제 전력 수요량과 제1예측 데이터 중 어느 데이터의 값이 큰지 작은지는 고려하지 않고, 실제 전력 수요량과 제1예측 데이터간의 편차만을 산출할 수 있다. 이는, 실제 전력 수요량과 예측 데이터 간의 오차를 줄이기 위한 것으로, 예측 데이터가 최대한 실제 전력 수요량과 유사한 값을 가지도록 하기 위한 것일 수 있다.
도 4는 본 발명의 실시 예에 따른 실제 전력 수요량 및 제3예측 데이터를 나타내는 도면이다.
도 4를 참조하면, 제2데이터 보정부(240)는 제1데이터 보정부(230)에서 보정된 제2예측 데이터의 값을 실제 전력 수요량(a)과 비교할 수 있다. 제2데이터 보정부(240)는 제2예측 데이터의 값과 실제 전력 수요량(a)을 비교한 결과, 제2예측 데이터의 값이 실제 전력 수요량(a)보다 작은 경우 제2예측 데이터를 재보정할 수 있다. 여기서, 제2데이터 보정부(240)는 제2예측 데이터의 값이 실제 전력 수요량보다 커지도록 제2예측 데이터를 보정하여 제3예측 데이터(c)를 생성할 수 있다.
즉, 제2데이터 보정부(240)는 하기 수학식 2를 통해 제3예측 데이터(c)를 생성할 수 있다.
[수학식 2]
Figure pat00010
Figure pat00011
는 제3예측 데이터이고,
Figure pat00012
는 상수이고,
Figure pat00013
는 제2예측 데이터이고,
Figure pat00014
는 실제 전력 수요량일 수 있다.
즉, 제2데이터 보정부(240)는 제3예측 데이터(c)가 실제 전력 수요량(a)을 모두 커버할 수 있도록 하기 위해 제3예측 데이터(c)의 값이 실제 전력 수요량(a)보다 커지도록 보정을 수행할 수 있다. 이에 따라 순간적으로 전력의 수요량이 증가하는 시간대(10)에서도 전력의 부족없이 전력을 수용가에 공급하도록 할 수 있다.
도 5는 본 발명의 실시 예에 따른 수요 예측 방법을 나타내는 도면이다.
도 5를 참조하면, 데이터 수신부(210)는 수용가로부터 전력 데이터를 수신할 수 있다(S100). 여기서, 전력 데이터는 시계열 데이터이며, 시간대별 전력 사용량, 각 콘센트 별 전력 사용량, 지역별 전력 사용량 등을 포함할 수 있다.
모델 생성부(220)는 전력 데이터를 이용하여 수용가의 전력 수요량을 예측하기 위한 예측 모델을 생성할 수 있다(S200). 예측 모델은 LSTM(Long short term memory)으로 구성될 수 있고, 데이터 수신부(210)에서 수신된 전력 데이터는 예측 모델의 입력 데이터일 수 있으며, 전력 수요량을 예측한 예측 데이터는 예측 모델의 출력 데이터일 수 있다. 즉, 모델 생성부(220)는 전력 데이터에 대한 예측 데이터가 출력되도록 하는 예측 모델을 생성할 수 있다.
제1데이터 보정부(230)는 예측 모델을 이용하여 예측 모델에 의해 출력되는 제1예측 데이터와 실제 전력 수요량의 편차가 최소화되도록 제1예측 데이터를 보정하여 제2예측 데이터를 생성할 수 있다(S300).
여기서, 제1데이터 보정부(230)는 예측 모델에 의해 출력된 제1예측 데이터를 다시 예측 모델의 입력으로써 이용하는 피드백 작용을 통해 제1예측 데이터를 보정할 수 있고, 이러한 과정을 여러 번 반복함으로써, 실제 전력 수요량과 제1예측 데이터와의 편차를 감소시킬 수 있다. 이때, 제1데이터 보정부(230)는 실제 전력 수요량과 제1예측 데이터와의 편차가 최소화된 경우, 실제 전력 수요량과 최소화된 편차를 가지는 제1예측 데이터를 제2예측 데이터로 정의할 수 있다.
제2데이터 보정부(240)는 제2예측 데이터의 값이 실제 전력 수요량보다 작은 경우 제2예측 데이터를 재보정하여 제3예측 데이터를 생성할 수 있다(S400).
제2데이터 보정부(240)는 제2예측 데이터의 값이 실제 전력 수요량보다 작은 경우 제2예측 데이터의 값이 실제 전력 수요량보다 커지도록 제2예측 데이터를 보정하여 제3예측 데이터를 생성할 수 있다.
즉, 제2데이터 보정부(240)는 하기 수학식 2를 통해 제3예측 데이터를 생성할 수 있다.
[수학식 2]
Figure pat00015
Figure pat00016
는 제3예측 데이터이고,
Figure pat00017
는 상수이고,
Figure pat00018
는 제2예측 데이터이고,
Figure pat00019
는 실제 전력 수요량일 수 있다.
즉, 제2데이터 보정부(240)는 예측 데이터가 실제 전력 수요량을 모두 커버할 수 있도록 하기 위해 예측 데이터의 값이 실제 전력 수요량보다 커지도록 보정을 수행할 수 있다. 이를 통해 순간적으로 전력의 수요량이 증가하는 시간대에서도 예측 데이터는 전력 수요량보다 클 수 있다. 이에 따라 순간적으로 전력의 수요량이 증가하는 시간대에서도 전력의 부족없이 전력을 수용가에 공급하도록 할 수 있다.
예측부(250)는 제2예측 데이터 및 제3예측 데이터를 기초로 최종 예측 데이터를 생성할 수 있다(S500). 즉, 최종 예측 데이터는 실제 전력 수요량보다 큰 값일 수 있고, 예측부(250)는 최종 예측 데이터를 발전설비(300)로 전달하여 최종 예측 데이터에 대한 전력량을 발전할 수 있도록 할 수 있다.
전술한 바와 같이 본 발명의 실시 예에 따르면, LSTM(Long short term memory) 및 RMSE(Root mean square error)를 이용하여 전력 수요량 피크값이 고려된 전력 수요량을 예측하는 전력 수요 예측 장치 및 방법을 실현할 수 있다.
본 발명이 속하는 기술 분야의 당업자는 본 발명이 그 기술적 사상이나 필수적 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있으므로, 이상에서 기술한 실시 예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로서 이해해야만 한다. 본 발명의 범위는 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 등가개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
100: 수용설비
200: 전력 수요 예측 장치
300: 발전설비
210: 데이터 수신부
220: 모델 생성부
230: 제1데이터 보정부
240: 제2데이터 보정부
250: 예측부

Claims (14)

  1. 수용가로부터 전력 데이터를 수신하는 데이터 수신부;
    상기 전력 데이터를 이용하여 상기 수용가의 전력 수요량을 예측하기 위한 예측 모델을 생성하는 모델 생성부;
    상기 예측 모델을 이용하여 상기 예측 모델에 의해 출력되는 제1예측 데이터와 실제 전력 수요량의 편차가 최소화되도록 상기 제1예측 데이터를 보정하여 제2예측 데이터를 생성하는 제1데이터 보정부;
    상기 제2예측 데이터의 값이 상기 실제 전력 수요량보다 작은 경우 상기 제2예측 데이터를 재보정하여 제3예측 데이터를 생성하는 제2데이터 보정부;
    상기 제2예측 데이터 및 상기 제3예측 데이터를 기초로 최종 예측 데이터를 생성하는 예측부;를 포함하는 전력 수요 예측 장치.
  2. 제1항에 있어서,
    상기 전력 데이터는 시계열 데이터이며, 시간대별 전력 사용량, 각 콘센트 별 전력 사용량, 지역별 전력 사용량을 포함하는 전력 수요 예측 장치.
  3. 제1항에 있어서,
    상기 제1데이터 보정부는 상기 제1예측 데이터를 상기 예측 모델의 입력으로 이용하는 피드백 작용을 통해 상기 제1예측 데이터를 보정하는 전력 수요 예측 장치.
  4. 제1항에 있어서,
    상기 제1데이터 보정부는 수학식 1을 통해 상기 제1예측 데이터와 상기 실제 전력 수요량의 편차를 산출하고,
    [수학식 1]
    Figure pat00020

    L은 상기 제1예측 데이터와 상기 실제 전력 수요량의 편차이고, t는 시간, M은 상수이고,
    Figure pat00021
    는 상기 실제 전력 수요량이고,
    Figure pat00022
    는 상기 제1예측 데이터인, 전력 수요 예측 장치.
  5. 제1항에 있어서,
    상기 제2데이터 보정부는 수학식 2를 통해 상기 제3예측 데이터를 생성하고,
    [수학식 2]
    Figure pat00023

    Figure pat00024
    는 상기 제3예측 데이터이고,
    Figure pat00025
    는 상수이고,
    Figure pat00026
    는 상기 제2예측 데이터이고,
    Figure pat00027
    는 상기 실제 전력 수요량인, 전력 수요 예측 장치.
  6. 제1항에 있어서,
    상기 제2데이터 보정부는 상기 제2예측 데이터의 값이 상기 실제 전력 수요량보다 커지도록 보정하는, 전력 수요 예측 장치.
  7. 제1항에 있어서,
    상기 최종 예측 데이터의 값들은 상기 실제 전력 수요량보다 큰, 전력 수요 예측 장치.
  8. 수용가로부터 수신한 전력 데이터를 이용하여 상기 수용가의 전력 수요량을 예측하기 위한 예측 모델을 생성하는 단계;
    상기 예측 모델을 이용하여 상기 예측 모델에 의해 출력되는 제1예측 데이터와 실제 전력 수요량의 편차가 최소화되도록 상기 제1예측 데이터를 보정하여 제2예측 데이터를 생성하는 단계;
    상기 제2예측 데이터의 값이 상기 실제 전력 수요량보다 작은 경우 상기 제2예측 데이터를 재보정하여 제3예측 데이터를 생성하는 단계;
    상기 제2예측 데이터 및 상기 제3예측 데이터를 기초로 최종 예측 데이터를 생성하는 단계;를 포함하는 전력 수요 예측 방법.
  9. 제8항에 있어서,
    상기 전력 데이터는 시계열 데이터이며, 시간대별 전력 사용량, 각 콘센트 별 전력 사용량, 지역별 전력 사용량을 포함하는 전력 수요 예측 방법.
  10. 제8항에 있어서,
    상기 제2예측 데이터를 생성하는 단계는,
    상기 제1예측 데이터를 상기 예측 모델의 입력으로 이용하는 피드백 작용을 통해 상기 제1예측 데이터를 보정하는 전력 수요 예측 방법.
  11. 제8항에 있어서,
    상기 제2예측 데이터를 생성하는 단계는,
    수학식 1을 통해 상기 제1예측 데이터와 상기 실제 전력 수요량의 편차를 산출하고,
    [수학식 1]
    Figure pat00028

    L은 상기 제1예측 데이터와 상기 실제 전력 수요량의 편차이고, t는 시간, M은 상수이고,
    Figure pat00029
    는 상기 실제 전력 수요량이고,
    Figure pat00030
    는 상기 제1예측 데이터인, 전력 수요 예측 방법.
  12. 제8항에 있어서,
    상기 제3예측 데이터를 생성하는 단계는,
    수학식 2를 통해 상기 제3예측 데이터를 생성하고,
    [수학식 2]
    Figure pat00031

    Figure pat00032
    는 상기 제3예측 데이터이고,
    Figure pat00033
    는 상수이고,
    Figure pat00034
    는 상기 제2예측 데이터이고,
    Figure pat00035
    는 상기 실제 전력 수요량인, 전력 수요 예측 방법.
  13. 제8항에 있어서,
    상기 제3예측 데이터를 생성하는 단계는,
    상기 제2예측 데이터의 값이 상기 실제 전력 수요량의 값보다 커지도록 보정하는, 전력 수요 예측 방법.
  14. 제8항에 있어서,
    상기 최종 예측 데이터의 값들은 상기 실제 전력 수요량보다 큰, 전력 수요 예측 방법.

KR1020190054146A 2019-05-09 2019-05-09 전력 수요 예측 장치 및 방법 KR102229209B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190054146A KR102229209B1 (ko) 2019-05-09 2019-05-09 전력 수요 예측 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190054146A KR102229209B1 (ko) 2019-05-09 2019-05-09 전력 수요 예측 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20200129558A true KR20200129558A (ko) 2020-11-18
KR102229209B1 KR102229209B1 (ko) 2021-03-18

Family

ID=73697480

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190054146A KR102229209B1 (ko) 2019-05-09 2019-05-09 전력 수요 예측 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102229209B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022114319A1 (ko) * 2020-11-26 2022-06-02 (주)누리텔레콤 실시간 원격 검침 방법 및 장치
KR102540027B1 (ko) * 2022-02-16 2023-06-08 호서대학교 산학협력단 전력 수요 예측과 이상 감지가 가능한 것을 특징으로 하는 전력제어 시스템 및 방법

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014164393A (ja) * 2013-02-22 2014-09-08 Mitsubishi Electric Corp 電力予測装置、設備制御システム、電力予測方法、及びプログラム
JP2015023724A (ja) * 2013-07-22 2015-02-02 富士通株式会社 電力消費量予測システム、方法、及びプログラム
JP2015090691A (ja) * 2013-11-07 2015-05-11 株式会社エヌ・ティ・ティ・データ 予測装置、予測方法、及びプログラム
JP2016224566A (ja) * 2015-05-27 2016-12-28 一般財団法人電力中央研究所 予測装置、予測方法および予測プログラム

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014164393A (ja) * 2013-02-22 2014-09-08 Mitsubishi Electric Corp 電力予測装置、設備制御システム、電力予測方法、及びプログラム
JP2015023724A (ja) * 2013-07-22 2015-02-02 富士通株式会社 電力消費量予測システム、方法、及びプログラム
JP2015090691A (ja) * 2013-11-07 2015-05-11 株式会社エヌ・ティ・ティ・データ 予測装置、予測方法、及びプログラム
JP2016224566A (ja) * 2015-05-27 2016-12-28 一般財団法人電力中央研究所 予測装置、予測方法および予測プログラム

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022114319A1 (ko) * 2020-11-26 2022-06-02 (주)누리텔레콤 실시간 원격 검침 방법 및 장치
KR20220073544A (ko) * 2020-11-26 2022-06-03 (주)누리플렉스 실시간 원격 검침 방법 및 장치
KR102540027B1 (ko) * 2022-02-16 2023-06-08 호서대학교 산학협력단 전력 수요 예측과 이상 감지가 가능한 것을 특징으로 하는 전력제어 시스템 및 방법

Also Published As

Publication number Publication date
KR102229209B1 (ko) 2021-03-18

Similar Documents

Publication Publication Date Title
Heuberger et al. Power capacity expansion planning considering endogenous technology cost learning
Nikoobakht et al. Flexible power system operation accommodating uncertain wind power generation using transmission topology control: an improved linearised AC SCUC model
JP5178242B2 (ja) エネルギー貯蔵装置の運転計画作成方法および運転計画作成装置
US11669085B2 (en) Method and system for determining system settings for an industrial system
US10908571B2 (en) Online multi-period power dispatch with renewable uncertainty and storage
Huang et al. An endogenous approach to quantifying the wind power reserve
JP6515640B2 (ja) 潮流計算装置、潮流計算方法、及びプログラム
Konstantelos et al. Capacity value of energy storage in distribution networks
Bourbon et al. Energy management optimization of a smart wind power plant comparing heuristic and linear programming methods
Zhang et al. Cost-oriented load forecasting
KR102229209B1 (ko) 전력 수요 예측 장치 및 방법
US20200341437A1 (en) Systems and Methods for Security Constrained Automatic Generation Control
Li et al. Restoration strategy for active distribution systems considering endogenous uncertainty in cold load pickup
CN116911076B (zh) 多微电网对配电网的韧性支撑仿真方法、装置和电子设备
CN115034519A (zh) 一种用电负荷的预测方法、装置、电子设备以及存储介质
Yi et al. Optimal allocation of ESSs in active distribution networks to achieve their dispatchability
Oldewurtel et al. Adaptively constrained stochastic model predictive control applied to security constrained optimal power flow
KR102020654B1 (ko) 전력계통 구성요소 모델링 및 빅데이터 처리를 통한 송전손실계수 제공 방법 및 그 장치
Wagner et al. Required level of detail of optimization models for the control of flexible energy resources
CN113964853A (zh) 一种5g宏基站群优化调度方法、装置、介质及终端设备
O’Malley et al. Stochastic hybrid approximation for uncertainty management in gas-electric systems
KR102492456B1 (ko) 전력량 예측 기반 분산자원 중개거래 플랫폼 장치
KR20140145804A (ko) 전력 시장 전망을 위한 예측 데이터 생성 장치
Li et al. Multiagent deep meta reinforcement learning for sea computing-based energy management of interconnected grids considering renewable energy sources in sustainable cities
Gonzalez-Castellanos et al. Electricity and reserve pricing in chance-constrained electricity markets with asymmetric balancing reserve policies

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right