KR20200131928A - 하이브리드 타입 단기 전력수요 예측 장치 및 방법 - Google Patents

하이브리드 타입 단기 전력수요 예측 장치 및 방법 Download PDF

Info

Publication number
KR20200131928A
KR20200131928A KR1020190056188A KR20190056188A KR20200131928A KR 20200131928 A KR20200131928 A KR 20200131928A KR 1020190056188 A KR1020190056188 A KR 1020190056188A KR 20190056188 A KR20190056188 A KR 20190056188A KR 20200131928 A KR20200131928 A KR 20200131928A
Authority
KR
South Korea
Prior art keywords
data
power demand
short
demand prediction
week
Prior art date
Application number
KR1020190056188A
Other languages
English (en)
Other versions
KR102628551B1 (ko
Inventor
문지훈
황인준
손민재
Original Assignee
한국전력공사
고려대학교 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, 고려대학교 산학협력단 filed Critical 한국전력공사
Priority to KR1020190056188A priority Critical patent/KR102628551B1/ko
Publication of KR20200131928A publication Critical patent/KR20200131928A/ko
Application granted granted Critical
Publication of KR102628551B1 publication Critical patent/KR102628551B1/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
    • 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
    • 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)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Power Engineering (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Public Health (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

본 발명은 하이브리드 타입 단기 전력수요 예측 장치에 관한 것으로, 요일 데이터, 날씨 데이터, 및 누적 전력소비 데이터를 수집하여 단기 전력수요 예측 모델 생성을 위한 적어도 9개의 입력 변수들을 구성하여 출력하는 데이터 집합 생성부; 및 상기 입력 변수들을 바탕으로, 복수의 단기 전력수요 예측 모델 중, 기 설정된 복수의 요일조건에 따라 유사 패턴으로 구분된 전력수요 데이터에 대하여 실제 전력수요와 비교한 전력수요 예측 오차가 가장 적은 단기 전력수요 예측 모델을 선별적으로 조합하여 구축하는 단기 전력수요 예측 모델 생성부;를 포함한다.

Description

하이브리드 타입 단기 전력수요 예측 장치 및 방법{APPARATUS AND METHOD FOR FORECASTING SHORT-TERM ELECTRIC LOAD OF HYBRID TYPE}
본 발명은 하이브리드 타입 단기 전력수요 예측 장치 및 방법에 관한 것으로, 보다 상세하게는 데이터 전처리와 LSTM(Long Short-Term Memory) 네트워크를 활용하여 요일에 따른 데이터 패턴을 파악하고, 상기 요일에 따른 데이터 패턴에 대하여 각기 예측 오차가 가장 적은 단기 전력수요 예측 모델들의 조합을 구축함으로써, 요일별 더욱 정확한 단기 전력수요를 예측할 수 있도록 하는, 하이브리드 타입 단기 전력수요 예측 장치 및 방법에 관한 것이다.
일반적으로 전력수요 예측(Electric Load Forecasting)은 전력 계통의 효율적 운영을 위해 사전에 필요한 전력을 확보하는 근거이며, 전력 시스템 장비의 신뢰성을 보장하고 능동적인 전력예비율을 유지함으로써 정전 및 과부하로 인한 손실을 대비하기 위해 사용된다.
이러한 전력수요 예측은, 예측 기간에 따라 크게 단기, 중기, 장기 전력수요 예측으로 나눌 수 있다.
상기 예측 기간에 따른 전력수요 예측 중, 단기 전력수요 예측(Short-Term Load Forecasting, STLF)은, 일간 전력수요 예측, 당일 최대전력수요 예측, 또는 하루 1시간 이하의 단위로 전력수요를 예측하는 것을 말한다.
예컨대 스마트 그리드(Smart Grid)는 CCHP(Combined Cooling, Heat, and Power), ESS(Energy Storage System), 및 신재생 에너지 등과 관련된 단기 전력수요 예측을 기반으로 운영계획이 수립된다. 특히 전력의 수요와 공급에 대한 양방향 상호작용을 통해 에너지 효율성을 최적화하는 데 목적을 갖는 스마트 그리드 시스템을 구축하기 위해서는 더욱 정확한 단기 전력수요 예측이 필수적으로 요구된다.
이때 보다 정확한 전력수요 예측을 수행하기 위해서는 전력수요 패턴을 파악해야 하는데, 상기 전력수요 패턴은 건축(또는 건물) 구조 및 건물의 물리적 재료, 시간대, 전기요금 체계 및 특별 행사, 거주자의 일정, 기후 조건, HVAC(Heating, Ventilation, & Air Conditioning, 즉 공조기의 작동) 등 다양한 변수에 영향을 받아 복잡한 구조를 가진다.
이에 따라 기존의 전력수요 예측 방식들은, 상기 전력수요 패턴을 파악하기 위해 기계학습 알고리즘 및 다양한 통계방식을 활용하였다.
하지만 기존의 상기 전력수요 예측 방식에는 요일(예 : 월, 일, 주, 휴일, 일정)에 따른 전력사용(또는 전력소모) 특성을 반영하는 변수들의 전처리 과정이 반영되지 않았으며, 또한 전력수요 예측 모델을 구성(또는 선택)하는 과정에서 변수들을 제대로 활용할 수 있는 전력수요 예측 모델을 선택하지 못하였기 때문에 전력수요 예측의 정확성이 떨어지는 문제점이 있었다.
본 발명의 배경기술은 대한민국 등록특허 제10-1588851호(2016.01.20., 등록, 오차 보정 알고리즘을 이용한 수용가 수요전력 예측 방법 및 시스템)에 개시되어 있다.
본 발명의 일 측면에 따르면, 본 발명은 상기와 같은 문제점을 해결하기 위해 창작된 것으로서, 데이터 전처리와 LSTM(Long Short-Term Memory) 네트워크를 활용하여 요일에 따른 데이터 패턴을 파악하고, 상기 요일에 따른 데이터 패턴에 대하여 각기 예측 오차가 가장 적은 단기 전력수요 예측 모델들의 조합을 구축함으로써, 요일별 더욱 정확한 단기 전력수요를 예측할 수 있도록 하는, 하이브리드 타입 단기 전력수요 예측 장치 및 방법을 제공하는 데 그 목적이 있다.
본 발명의 일 측면에 따른 하이브리드 타입 단기 전력수요 예측 장치는, 요일 데이터, 날씨 데이터, 및 누적 전력소비 데이터를 수집하여 단기 전력수요 예측 모델 생성을 위한 적어도 9개의 입력 변수들을 구성하여 출력하는 데이터 집합 생성부; 및 상기 입력 변수들을 바탕으로, 복수의 단기 전력수요 예측 모델 중, 기 설정된 복수의 요일조건에 따라 유사 패턴으로 구분된 전력수요 데이터에 대하여 실제 전력수요와 비교한 전력수요 예측 오차가 가장 적은 단기 전력수요 예측 모델을 선별적으로 조합하여 구축하는 단기 전력수요 예측 모델 생성부;를 포함하는 것을 특징으로 한다.
본 발명에 있어서, 상기 데이터 집합 생성부는, 데이터 제공부로부터 제공하는 지정된 소정 기간의 기상 정보 및 과거에 누적된 전력수요 데이터를 수집하는 데이터 수집부; 상기 데이터 수집부를 통해 수집된 데이터들 중 누적 전력수요 데이터를 입력받아 기 지정된 LSTM 네트워크 모델을 통해 주 단위로 다음 요일의 전력수요를 예측하는 LSTM(Long Short-Term Memory) 네트워크 모델부; 상기 데이터 수집부를 통해 수집한 누적 전력수요 데이터, 날씨 데이터, 및 요일 데이터를 입력받아, 주간 패턴 학습을 위한 전력수요량 예측 데이터, 연간 패턴 학습을 위한 전력수요량 예측 데이터, 및 연간 평균 기온에서 요일별 평균 기온을 차감한 후의 절대값 기온 데이터를 전처리하여 출력하는 데이터 전처리부; 및 상기 데이터 전처리부에서 전처리하여 출력하는 8개의 데이터에 상기 LSTM 네트워크 모델부에서 예측한 1주일 후의 현재와 동일한 요일의 전력수요 예측 데이터를 포함하는 총 9개의 데이터에 대한 입력 변수를 구성하여 출력하는 입력 변수 구성부;를 포함하는 것을 특징으로 한다.
본 발명에 있어서, 상기 8개의 데이터는, 월, 일, 주, 휴일 및 일정을 포함한 5개의 요일 데이터; 상기 주간 패턴 학습을 위한 전력수요량 예측 데이터; 상기 연간 패턴 학습을 위한 전력수요량 예측 데이터; 및 상기 연간 평균 기온에서 요일별 평균 기온을 차감한 후의 절대값 기온 데이터;를 포함하는 것을 특징으로 한다.
본 발명에 있어서, 상기 주간 패턴 학습을 위한 전력수요량 예측 데이터는, 지난 주의 1주일간의 평일 전력부하 평균 데이터를 바탕으로 현재요일로부터 1주일 후의 요일에 대한 전력수요량을 예측한 데이터인 것을 특징으로 한다.
본 발명에 있어서, 상기 연간 패턴 학습을 위한 전력수요량 예측 데이터는, 지난 1년 전의 현재요일로부터 1주일 후의 예측요일에 해당하는 동일한 주간의 휴일 전력부하 평균 데이터를 바탕으로 현재요일로부터 1주일 후의 요일에 대한 전력수요량을 예측한 데이터인 것을 특징으로 한다.
본 발명에 있어서, 상기 단기 전력수요 예측 모델 생성부는, 기 설정된 복수의 요일조건에 따라 요일로 구분된 전력수요 데이터의 패턴 유사성에 의해 전력부하를 분류하는 전력부하 데이터 분류부; 및 기 준비된 복수의 단기 전력수요 예측 모델 중, 상기 패턴 유사성에 의해 분류된 전력부하에 대하여 상기 복수의 단기 전력수요 예측 모델에 대한 단기 전력수요 예측 정확성을 각기 검증하여, 상기 패턴 유사성에 의해 분류된 각 전력부하에 대하여 각기 실제 전력수요와 전력수요 예측 오차가 가장 적은 단기 전력수요 예측 모델을 선별적으로 조합하여 구축하는 하이브리드 단기 전력수요 예측 모델 구축부;를 포함하는 것을 특징으로 한다.
본 발명에 있어서, 상기 기 준비된 복수의 단기 전력수요 예측 모델은, 랜덤 포레스트(RF) 및 다층 퍼셉트론(Multi Layer Perceptron) 모델을 포함하는 것을 특징으로 한다.
본 발명의 다른 측면에 따른 하이브리드 타입 단기 전력수요 예측 방법은, 데이터 집합 생성부가 요일 데이터, 날씨 데이터, 및 누적 전력소비 데이터를 수집하여 단기 전력수요 예측 모델 생성을 위한 적어도 9개의 입력 변수들을 구성하여 출력하는 단계; 및 단기 전력수요 예측 모델 생성부가 상기 입력 변수들을 바탕으로, 복수의 단기 전력수요 예측 모델 중, 기 설정된 복수의 요일조건에 따라 유사 패턴으로 구분된 전력수요 데이터에 대하여 실제 전력수요와 비교한 전력수요 예측 오차가 가장 적은 단기 전력수요 예측 모델을 선별적으로 조합하여 하이브리드 타입 단기 전력수요 예측 장치를 구축하는 단계;를 포함하는 것을 특징으로 한다.
본 발명에 있어서, 상기 데이터 집합 생성부에 의해 수행되는 단계는, 데이터 수집부가 데이터 제공부로부터 제공하는 지정된 소정 기간의 기상 정보 및 과거에 누적된 전력수요 데이터를 수집하는 단계; LSTM(Long Short-Term Memory) 네트워크 모델부가 상기 데이터 수집부를 통해 수집된 데이터들 중 누적 전력수요 데이터를 입력받아 기 지정된 LSTM 네트워크 모델을 통해 주 단위로 다음 요일의 전력수요를 예측하는 단계; 데이터 전처리부가 상기 데이터 수집부를 통해 수집한 누적 전력수요 데이터, 날씨 데이터, 및 요일 데이터를 입력받아, 주간 패턴 학습을 위한 전력수요량 예측 데이터, 연간 패턴 학습을 위한 전력수요량 예측 데이터, 및 연간 평균 기온에서 요일별 평균 기온을 차감한 후의 절대값 기온 데이터를 전처리하여 출력하는 단계; 및 입력 변수 구성부가 상기 데이터 전처리부에서 전처리하여 출력하는 8개의 데이터에 상기 LSTM 네트워크 모델부에서 예측한 1주일 후의 현재와 동일한 요일의 전력수요 예측 데이터를 포함하는 총 9개의 데이터에 대한 입력 변수를 구성하여 출력하는 단계;를 포함하는 것을 특징으로 한다.
본 발명에 있어서, 상기 8개의 데이터는, 월, 일, 주, 휴일 및 일정을 포함한 5개의 요일 데이터; 상기 주간 패턴 학습을 위한 전력수요량 예측 데이터; 상기 연간 패턴 학습을 위한 전력수요량 예측 데이터; 및 상기 연간 평균 기온에서 요일별 평균 기온을 차감한 후의 절대값 기온 데이터;를 포함하는 것을 특징으로 한다.
본 발명에 있어서, 상기 주간 패턴 학습을 위한 전력수요량 예측 데이터는, 지난 주의 1주일간의 평일 전력부하 평균 데이터를 바탕으로 현재요일로부터 1주일 후의 요일에 대한 전력수요량을 예측한 데이터인 것을 특징으로 한다.
본 발명에 있어서, 상기 연간 패턴 학습을 위한 전력수요량 예측 데이터는, 지난 1년 전의 현재요일로부터 1주일 후의 예측요일에 해당하는 동일한 주간의 휴일 전력부하 평균 데이터를 바탕으로 현재요일로부터 1주일 후의 요일에 대한 전력수요량을 예측한 데이터인 것을 특징으로 한다.
본 발명에 있어서, 상기 단기 전력수요 예측 모델 생성부에 의해 수행되는 단계는, 전력부하 데이터 분류부가 기 설정된 복수의 요일조건에 따라 요일로 구분된 전력수요 데이터의 패턴 유사성에 의해 전력부하를 분류하는 단계; 및 하이브리드 단기 전력수요 예측 모델 구축부가 기 준비된 복수의 단기 전력수요 예측 모델 중, 상기 패턴 유사성에 의해 분류된 전력부하에 대하여 상기 복수의 단기 전력수요 예측 모델에 대한 단기 전력수요 예측 정확성을 각기 검증하여, 상기 패턴 유사성에 의해 분류된 각 전력부하에 대하여 각기 실제 전력수요와 전력수요 예측 오차가 가장 적은 단기 전력수요 예측 모델을 선별적으로 조합하여 구축하는 단계;를 포함하는 것을 특징으로 한다.
본 발명에 있어서, 상기 기 준비된 복수의 단기 전력수요 예측 모델은, 랜덤 포레스트(RF) 및 다층 퍼셉트론(Multi Layer Perceptron) 모델을 포함하는 것을 특징으로 한다.
본 발명의 일 측면에 따르면, 본 발명은 데이터 전처리와 LSTM(Long Short-Term Memory) 네트워크를 활용하여 요일에 따른 데이터 패턴을 파악하고, 상기 요일에 따른 데이터 패턴에 대하여 각기 예측 오차가 가장 적은 단기 전력수요 예측 모델들의 조합을 구축함으로써, 요일별 더욱 정확한 단기 전력수요를 예측할 수 있도록 한다.
도 1은 본 발명의 일 실시예에 따른 하이브리드 타입 단기 전력수요 예측 장치의 개략적인 구성을 보인 예시도.
도 2는 상기 도 1에 있어서, LSTM 네트워크 모델부의 보다 구체적인 구성을 보인 예시도.
도 3은 상기 도 1에 있어서, 데이터 전처리부가 데이터 수집부를 통해 수집된 데이터를 전처리하여 주간 패턴 학습을 위한 전력수요량 예측 데이터를 입력 변수로서 생성하는 것을 설명하기 위하여 보인 예시도.
도 4는 상기 도 1에 있어서, 데이터 전처리부가 데이터 수집부를 통해 수집된 데이터를 전처리하여 연간 패턴 학습을 위한 전력수요량 예측 데이터를 입력 변수로서 생성하는 것을 설명하기 위하여 보인 예시도.
도 5는 상기 도 1에 있어서, 전력부하 데이터 분류부가 의사결정나무 모델을 이용하여 전력부하를 유사 패턴별로 분류하는 방법을 설명하기 위하여 보인 예시도.
도 6은 본 실시예에 따른 하이브리드 타입 단기 전력수요 예측 장치의 성능과 기존의 단일 방식 전력수요 예측 장치(또는 모델)의 성능을 비교하여 보인 테이블.
이하, 첨부된 도면을 참조하여 본 발명에 따른 하이브리드 타입 단기 전력수요 예측 장치 및 방법의 일 실시예를 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 하이브리드 타입 단기 전력수요 예측 장치의 개략적인 구성을 보인 예시도이다.
도 1에 도시된 바와 같이, 본 실시예에 따른 단기 전력수요 예측 장치는, 데이터 집합 생성부(100) 및 단기 전력수요 예측 모델 생성부(200)를 포함한다.
상기 데이터 집합 생성부(100)는 요일 데이터(예 : 월, 일, 주, 휴일, 일정), 날씨 데이터(예 : 최소/최대 기온), 및 누적 전력소비 데이터를 수집하여 상기 수집된 데이터들을 이용해 단기 전력수요 예측 모델 생성을 위한 입력 변수들을 구성하여 출력하고, 상기 단기 전력수요 예측 모델 생성부(200)는 상기 입력 변수들을 바탕으로, 복수의 단기 전력수요 예측 모델 중, 기 설정된 복수의 요일조건에 따라 요일로 구분된 전력사용 데이터(또는 전력수요 데이터) 패턴별 실제 전력수요에 대하여 예측(즉, 전력수요 예측) 오차가 가장 적은 모델(즉, 단기 전력수요 예측 모델)들의 조합을 구축한다.
즉, 본 실시예는 단순히 복수의 단기 전력수요 예측 모델 중 어느 하나의 모델을 선택하여 모든 요일들의 단기 전력수요 예측에 사용하고자 하는 것이 아니라, 기 설정된 복수의 요일조건에 따라 요일로 구분된 전력사용 데이터(또는 전력수요 데이터) 패턴별 실제 전력수요에 대하여 각기 예측(즉, 전력수요 예측) 오차가 가장 적은 모델(즉, 단기 전력수요 예측 모델)을 찾아서 상기 찾은 단기 전력수요 예측 모델들의 조합을 구축하고자 하는 것이다.
예컨대 제1 전력사용 데이터 패턴에 대해서는 예측(즉, 전력수요 예측) 오차가 가장 적은 제1 모델(예 : RF 모델)을 찾고, 제2 전력사용 데이터 패턴에 대해서는 예측(즉, 전력수요 예측) 오차가 가장 적은 제2 모델(예 : MLP 모델)을 찾으며, 제3 전력사용 데이터 패턴에 대해서는 예측(즉, 전력수요 예측) 오차가 가장 적은 제1 모델(예 : RF 모델)을 찾아서 상기 찾은 단기 전력수요 예측 모델들의 조합을 구축하고자 하는 것이다.
상기 데이터 집합 생성부(100)는 데이터 수집부(110), LSTM 네트워크 모델부(120), 데이터 전처리부(130), 및 입력 변수 구성부(140)를 포함한다.
상기 데이터 수집부(110)는 데이터 제공부(예 : 한국전력, 기상청 등)로부터 제공하는 데이터(예 : 전력-공급, 전력-수요, 기상정보)를 수집한다. 즉, 상기 데이터 수집부(110)는 기 지정된 소정 기간의 기상 정보 및 과거에 누적된 전기 부하(즉, 전력소비 또는 전력수요) 데이터를 수집한다.
상기 데이터 수집부(110)를 통해 수집한 데이터들(예 : 전력-공급, 전력-수요, 기상정보)은 각기 해당하는 내부 데이터베이스(DB)(미도시)에 저장될 수 있다.
예컨대 상기 데이터 수집부(110)를 통해 수집한 누적 전력 소비 데이터(INF1), 날씨 정보 데이터(예 : 최소/최대 기온)(INF2), 및 요일 데이터(예 : 월, 일, 주, 휴일, 일정 정보)(INF3)가 각기 해당하는 내부 데이터베이스(DB)에 저장될 수 있다.
상기 LSTM 네트워크 모델부(120)는 상기 데이터 수집부(110)를 통해 수집된 데이터들 중 누적 전력 소비 데이터(INF1)를 입력받아 기 지정된 LSTM 네트워크 모델을 통해 주 단위로 다음 요일의 전력수요를 예측한다(도 2 참조).
이때 상기 LSTM 네트워크 모델은 딥러닝 기법의 학습을 통해 주 단위로 다음 요일의 전력수요를 예측하는 모델(일종의 알고리즘)로서, 공지된 실시간 LSTM 네트워크 모델의 지정된 옵션 설정을 변경함으로써 주 단위의 요일별 전력수요를 예측하도록 할 수 있다.
도 2는 상기 도 1에 있어서, LSTM 네트워크 모델부(120)의 보다 구체적인 구성을 보인 예시도로서, 주 단위(예 : W-1, W-2, W-3, W-4)의 일일 부하(즉, 전력수요) 데이터를 입력받아 그 다음 주의 전력수요를 예측하고(예 : 1주차의 전력수요 데이터를 입력받아 2주차의 전력수요를 예측하고), 이때 예측한 다음 주의 전력수요 예측 결과와 다음 주의 실제 전력수요 결과를 비교하여 오차가 발생하는 결과에 대하여 딥러닝 학습을 수행한다.
여기서 상기 LSTM 네트워크 모델부(120)는 과거 데이터의 영향을 현재 학습에 지속해서 반영하는 기계학습의 한 종류로서, 과거 전기부하(즉, 전력소비 또는 전력수요) 패턴이 현재 전기부하 패턴을 학습하는데 중요한 역할을 하기 때문에 전기부하 예측을 위한 입력변수를 생성하기에 적합하다. 상기 LSTM의 학습 과정은 한 달 정도의 전력수요 패턴을 학습할 수 있도록 해당 요일의 과거 4주간의 과거 전력 데이터를 입력 변수로 구성하여 예측된 결과를 저장한다. 그리고 저장된 전력수요 예측값들은 예측 모델의 입력 변수에 추가된다.
상기 데이터 전처리부(130)는 상기 데이터 수집부(110)를 통해 수집한 누적 전력 소비 데이터(INF1), 날씨 정보 데이터(예 : 최소/최대 기온)(INF2), 및 요일 데이터(예 : 월, 일, 주, 휴일, 일정 정보)(INF3)를 입력받아, 도 3에 도시된 바와 같은 주간 패턴 학습을 위한 전력수요량 예측 데이터, 도 4에 도시된 바와 같은 연간 패턴 학습을 위한 전력수요량 예측 데이터, 및 연간 평균 기온에서 요일별 평균 기온(즉, 최대 기온에서 최소 기온을 차감하여 2로 나눈 기온)을 차감한 후의 절대값 기온 데이터를 전처리하여 출력한다.
참고로 상기 데이터 전처리부(130)는 학습 속도와 정확도를 위해 변수들을 최대-최소 정규화(Min-Max normalization)를 통해 0~1 사이의 값들로 변경할 수 있다.
여기서 상기 도 3에 도시된 바와 같은 상기 주간 패턴 학습을 위한 전력수요량 예측 데이터는, 지난 주(Last Week)의 1주일간의 평일 전력부하 평균 데이터를 바탕으로 현재요일(예 : 화요일)로부터 1주일 후의 요일(예 : 월요일)에 대한 전력부하(즉 전력수요량)를 예측한 데이터이다. 그리고 상기 도 4에 도시된 바와 같은 연간 패턴 학습을 위한 전력수요량 예측 데이터는, 지난 1년 전의 현재요일로부터 1주일 후의 예측요일에 해당하는 동일한 주간(예 : Weeknumber : 33)의 휴일 전력부하 평균 데이터를 바탕으로 현재요일(예 : 월요일)로부터 1주일 후의 요일(예 : 일요일)에 대한 전력부하(즉 전력수요량)를 예측한 데이터이다.
예컨대 현재요일로부터 예측할 요일이 휴일인 경우에는 과거(연간 패턴)의 휴일 전력부하 평균 데이터를 이용하고, 현재요일로부터 예측할 요일이 평일인 경우에는 과거(주간 패턴)의 평일 전력부하 평균 데이터를 이용하는 것이다.
상기 입력 변수 구성부(140)는 상기 데이터 전처리부(130)에서 전처리하여 출력한 8개의 데이터(즉, 5개의 요일 데이터, 주간 패턴 학습을 위한 전력수요량 예측 데이터, 연간 패턴 학습을 위한 전력수요량 예측 데이터, 연간 평균 기온에서 요일별 평균 기온(즉, 최대 기온에서 최소 기온을 차감하여 2로 나눈 기온)을 차감한 후의 절대값 기온 데이터)에 상기 LSTM 네트워크 모델부(120)에서 예측한 1주일 후의 현재와 동일한 요일의 전력수요 예측 데이터를 포함하는 총 9개의 데이터에 대한 입력 변수를 구성하여 출력한다.
이에 따라 상기 단기 전력수요 예측 모델 생성부(200)는 상기 9개의 입력 변수들을 바탕으로, 복수의 단기 전력수요 예측 모델 중, 기 설정된 복수의 요일조건에 따라 요일로 구분된 전력사용 데이터(또는 전력수요 데이터) 패턴별 실제 전력수요에 대하여 예측(즉, 전력수요 예측) 오차가 가장 적은 모델(즉, 단기 전력수요 예측 모델)들의 조합을 구축한다.
상기 단기 전력수요 예측 모델 생성부(200)는 전력부하 데이터 분류부(210) 및 하이브리드 단기 전력수요 예측 모델 구축부(220)를 포함한다.
상기 전력부하 데이터 분류부(210)는 기 설정된 복수의 요일조건에 따라 요일로 구분된 전력사용 데이터(또는 전력수요 데이터)의 패턴 유사성에 의해 전력부하를 분류한다.
예컨대 상기 전력부하 데이터 분류부(210)는 상기 전력부하를 분류하기 위하여, 도 5에 도시된 바와 같은, 의사결정나무(Decision Tree) 모델(또는 알고리즘)을 사용할 수 있다. 이때 상기 의사결정나무(Decision Tree) 모델(또는 알고리즘) 자체는 이미 공지되어 있으므로, 본 실시예에서는 기 설정된 복수의 요일조건(예 : 제1 요일조건 ~ 제7 요일조건)을 설정하여 전력사용 데이터(또는 전력수요 데이터)를 복수(예 : 8개)의 유사 패턴(즉, 8개의 요일패턴에 따른 전력사용 데이터)으로 분류한다. 즉, 상기 패턴 유사성은 각 입력변수에 따라 결정된다.
이때 상기 도 5에 적용된 요일조건은 이해를 돕기 위하여 기재된 것이므로, 실시예에 따라서 다른 요일조건이 설정될 수 있음에 유의한다.
상기와 같이 기 설정된 복수의 요일조건에 따라 요일로 구분된 전력사용 데이터(또는 전력수요 데이터)의 패턴 유사성에 의해 전력부하가 분류되면, 상기 하이브리드 단기 전력수요 예측 모델 구축부(220)는 기 준비된 복수의 단기 전력수요 예측 모델(예 : 랜덤 포레스트(RF), 다층 퍼셉트론(Multi Layer Perceptron)) 중, 상기 패턴 유사성에 의해 분류된 전력부하에 대하여 상기 복수의 단기 전력수요 예측 모델에 대한 예측(즉, 단기 전력수요 예측) 정확성을 각기 검증한다.
이에 따라 패턴 유사성에 의해 분류된 각 전력부하에 대하여 실제 전력수요와 예측(즉, 전력수요 예측) 오차가 가장 적은 모델(즉, 단기 전력수요 예측 모델)들의 조합을 구축한다.
이때 본 실시예에서는 상기 복수의 단기 전력수요 예측 모델로서, 랜덤 포레스트(RF) 및 다층 퍼셉트론(Multi Layer Perceptron) 모델을 대상으로 예측 정확성을 검증하였으나, 다른 실시예에서는 더 많은 단기 전력수요 예측 모델을 대상으로 예측 정확성을 검증하여, 패턴 유사성에 의해 분류된 전력부하별 예측(즉, 전력수요 예측) 오차가 가장 적은 모델(즉, 단기 전력수요 예측 모델)들의 조합을 구축할 수도 있다.
도 6은 본 실시예에 따른 하이브리드 타입 단기 전력수요 예측 장치(또는 모델)의 성능과 기존의 단일 방식 전력수요 예측 장치(또는 모델)의 성능을 비교하여 보인 테이블로서, 이때 성능 비교는 MAE(Mean Absolute Error)를 기준으로 실시하였으며, 도 6에 도시된 바와 같이, 본 실시예에 따른 하이브리드 타입 단기 전력수요 예측 장치(RF + MLP)의 성능이 가장 적은 것을 확인할 수 있다. 즉, 전력수요 예측 오차가 가장 적은 것을 확인할 수 있다.
상기와 같이 본 실시예는 데이터 전처리부 및 LSTM 네트워크 모델부를 통하여 입력 데이터를 확장함으로써(즉, 수집한 데이터를 전처리하여 4개의 추가 데이터를 생성함으로써), 전력수요 패턴 학습에 효과적인 입력 변수를 구성할 수 있으며, 상기 확장된 입력 변수를 이용하여 유사 패턴별로 전력부하 데이터를 군집화하고, 상기 군집화된 유사 패턴별 전력부하 데이터를 이용해 전력수요 예측 오차가 가장 적은 단기 전력수요 예측 모델을 선별적으로 조합하여 구축한 하이브리드 타입 단기 전력수요 예측 장치를 통해 요일별 더욱 정확한 단기 전력수요를 예측할 수 있도록 하는 효과가 있다.
이상으로 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 기술적 보호범위는 아래의 특허청구범위에 의해서 정하여져야 할 것이다. 또한 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.
100 : 데이터 집합 생성부
110 : 데이터 수집부
120 : LSTM 네트워크 모델부
130 : 데이터 전처리부
140 : 입력 변수 구성부
200 : 단기 전력수요 예측 모델 생성부
210 : 전력부하 데이터 분류부
220 : 하이브리드 단기 전력수요 예측 모델 구축부

Claims (14)

  1. 요일 데이터, 날씨 데이터, 및 누적 전력소비 데이터를 수집하여 단기 전력수요 예측 모델 생성을 위한 적어도 9개의 입력 변수들을 구성하여 출력하는 데이터 집합 생성부; 및
    상기 입력 변수들을 바탕으로, 복수의 단기 전력수요 예측 모델 중, 기 설정된 복수의 요일조건에 따라 유사 패턴으로 구분된 전력수요 데이터에 대하여 실제 전력수요와 비교한 전력수요 예측 오차가 가장 적은 단기 전력수요 예측 모델을 선별적으로 조합하여 구축하는 단기 전력수요 예측 모델 생성부;를 포함하는 것을 특징으로 하는 하이브리드 타입 단기 전력수요 예측 장치.
  2. 제 1항에 있어서, 상기 데이터 집합 생성부는,
    데이터 제공부로부터 제공하는 지정된 소정 기간의 기상 정보 및 과거에 누적된 전력수요 데이터를 수집하는 데이터 수집부;
    상기 데이터 수집부를 통해 수집된 데이터들 중 누적 전력수요 데이터를 입력받아 기 지정된 LSTM 네트워크 모델을 통해 주 단위로 다음 요일의 전력수요를 예측하는 LSTM(Long Short-Term Memory) 네트워크 모델부;
    상기 데이터 수집부를 통해 수집한 누적 전력수요 데이터, 날씨 데이터, 및 요일 데이터를 입력받아, 주간 패턴 학습을 위한 전력수요량 예측 데이터, 연간 패턴 학습을 위한 전력수요량 예측 데이터, 및 연간 평균 기온에서 요일별 평균 기온을 차감한 후의 절대값 기온 데이터를 전처리하여 출력하는 데이터 전처리부; 및
    상기 데이터 전처리부에서 전처리하여 출력하는 8개의 데이터에 상기 LSTM 네트워크 모델부에서 예측한 1주일 후의 현재와 동일한 요일의 전력수요 예측 데이터를 포함하는 총 9개의 데이터에 대한 입력 변수를 구성하여 출력하는 입력 변수 구성부;를 포함하는 것을 특징으로 하는 하이브리드 타입 단기 전력수요 예측 장치.
  3. 제 2항에 있어서, 상기 8개의 데이터는,
    월, 일, 주, 휴일 및 일정을 포함한 5개의 요일 데이터;
    상기 주간 패턴 학습을 위한 전력수요량 예측 데이터;
    상기 연간 패턴 학습을 위한 전력수요량 예측 데이터; 및
    상기 연간 평균 기온에서 요일별 평균 기온을 차감한 후의 절대값 기온 데이터;를 포함하는 것을 특징으로 하는 하이브리드 타입 단기 전력수요 예측 장치.
  4. 제 2항에 있어서, 상기 주간 패턴 학습을 위한 전력수요량 예측 데이터는,
    지난 주의 1주일간의 평일 전력부하 평균 데이터를 바탕으로 현재요일로부터 1주일 후의 요일에 대한 전력수요량을 예측한 데이터인 것을 특징으로 하는 하이브리드 타입 단기 전력수요 예측 장치.
  5. 제 2항에 있어서, 상기 연간 패턴 학습을 위한 전력수요량 예측 데이터는,
    지난 1년 전의 현재요일로부터 1주일 후의 예측요일에 해당하는 동일한 주간의 휴일 전력부하 평균 데이터를 바탕으로 현재요일로부터 1주일 후의 요일에 대한 전력수요량을 예측한 데이터인 것을 특징으로 하는 하이브리드 타입 단기 전력수요 예측 장치.
  6. 제 1항에 있어서, 상기 단기 전력수요 예측 모델 생성부는,
    기 설정된 복수의 요일조건에 따라 요일로 구분된 전력수요 데이터의 패턴 유사성에 의해 전력부하를 분류하는 전력부하 데이터 분류부; 및
    기 준비된 복수의 단기 전력수요 예측 모델 중, 상기 패턴 유사성에 의해 분류된 전력부하에 대하여 상기 복수의 단기 전력수요 예측 모델에 대한 단기 전력수요 예측 정확성을 각기 검증하여, 상기 패턴 유사성에 의해 분류된 각 전력부하에 대하여 각기 실제 전력수요와 전력수요 예측 오차가 가장 적은 단기 전력수요 예측 모델을 선별적으로 조합하여 구축하는 하이브리드 단기 전력수요 예측 모델 구축부;를 포함하는 것을 특징으로 하는 하이브리드 타입 단기 전력수요 예측 장치.
  7. 제 6항에 있어서, 상기 기 준비된 복수의 단기 전력수요 예측 모델은,
    랜덤 포레스트(RF) 및 다층 퍼셉트론(Multi Layer Perceptron) 모델을 포함하는 것을 특징으로 하는 하이브리드 타입 단기 전력수요 예측 장치.
  8. 데이터 집합 생성부가 요일 데이터, 날씨 데이터, 및 누적 전력소비 데이터를 수집하여 단기 전력수요 예측 모델 생성을 위한 적어도 9개의 입력 변수들을 구성하여 출력하는 단계; 및
    단기 전력수요 예측 모델 생성부가 상기 입력 변수들을 바탕으로, 복수의 단기 전력수요 예측 모델 중, 기 설정된 복수의 요일조건에 따라 유사 패턴으로 구분된 전력수요 데이터에 대하여 실제 전력수요와 비교한 전력수요 예측 오차가 가장 적은 단기 전력수요 예측 모델을 선별적으로 조합하여 하이브리드 타입 단기 전력수요 예측 장치를 구축하는 단계;를 포함하는 것을 특징으로 하는 하이브리드 타입 단기 전력수요 예측 방법.
  9. 제 8항에 있어서, 상기 데이터 집합 생성부에 의해 수행되는 단계는,
    데이터 수집부가 데이터 제공부로부터 제공하는 지정된 소정 기간의 기상 정보 및 과거에 누적된 전력수요 데이터를 수집하는 단계;
    LSTM(Long Short-Term Memory) 네트워크 모델부가 상기 데이터 수집부를 통해 수집된 데이터들 중 누적 전력수요 데이터를 입력받아 기 지정된 LSTM 네트워크 모델을 통해 주 단위로 다음 요일의 전력수요를 예측하는 단계;
    데이터 전처리부가 상기 데이터 수집부를 통해 수집한 누적 전력수요 데이터, 날씨 데이터, 및 요일 데이터를 입력받아, 주간 패턴 학습을 위한 전력수요량 예측 데이터, 연간 패턴 학습을 위한 전력수요량 예측 데이터, 및 연간 평균 기온에서 요일별 평균 기온을 차감한 후의 절대값 기온 데이터를 전처리하여 출력하는 단계; 및
    입력 변수 구성부가 상기 데이터 전처리부에서 전처리하여 출력하는 8개의 데이터에 상기 LSTM 네트워크 모델부에서 예측한 1주일 후의 현재와 동일한 요일의 전력수요 예측 데이터를 포함하는 총 9개의 데이터에 대한 입력 변수를 구성하여 출력하는 단계;를 포함하는 것을 특징으로 하는 하이브리드 타입 단기 전력수요 예측 방법.
  10. 제 9항에 있어서, 상기 8개의 데이터는,
    월, 일, 주, 휴일 및 일정을 포함한 5개의 요일 데이터;
    상기 주간 패턴 학습을 위한 전력수요량 예측 데이터;
    상기 연간 패턴 학습을 위한 전력수요량 예측 데이터; 및
    상기 연간 평균 기온에서 요일별 평균 기온을 차감한 후의 절대값 기온 데이터;를 포함하는 것을 특징으로 하는 하이브리드 타입 단기 전력수요 예측 방법.
  11. 제 9항에 있어서, 상기 주간 패턴 학습을 위한 전력수요량 예측 데이터는,
    지난 주의 1주일간의 평일 전력부하 평균 데이터를 바탕으로 현재요일로부터 1주일 후의 요일에 대한 전력수요량을 예측한 데이터인 것을 특징으로 하는 하이브리드 타입 단기 전력수요 예측 방법.
  12. 제 9항에 있어서, 상기 연간 패턴 학습을 위한 전력수요량 예측 데이터는,
    지난 1년 전의 현재요일로부터 1주일 후의 예측요일에 해당하는 동일한 주간의 휴일 전력부하 평균 데이터를 바탕으로 현재요일로부터 1주일 후의 요일에 대한 전력수요량을 예측한 데이터인 것을 특징으로 하는 하이브리드 타입 단기 전력수요 예측 방법.
  13. 제 8항에 있어서,
    상기 단기 전력수요 예측 모델 생성부에 의해 수행되는 단계는,
    전력부하 데이터 분류부가 기 설정된 복수의 요일조건에 따라 요일로 구분된 전력수요 데이터의 패턴 유사성에 의해 전력부하를 분류하는 단계; 및
    하이브리드 단기 전력수요 예측 모델 구축부가 기 준비된 복수의 단기 전력수요 예측 모델 중, 상기 패턴 유사성에 의해 분류된 전력부하에 대하여 상기 복수의 단기 전력수요 예측 모델에 대한 단기 전력수요 예측 정확성을 각기 검증하여, 상기 패턴 유사성에 의해 분류된 각 전력부하에 대하여 각기 실제 전력수요와 전력수요 예측 오차가 가장 적은 단기 전력수요 예측 모델을 선별적으로 조합하여 구축하는 단계;를 포함하는 것을 특징으로 하는 하이브리드 타입 단기 전력수요 예측 방법.
  14. 제 13항에 있어서, 상기 기 준비된 복수의 단기 전력수요 예측 모델은,
    랜덤 포레스트(RF) 및 다층 퍼셉트론(Multi Layer Perceptron) 모델을 포함하는 것을 특징으로 하는 하이브리드 타입 단기 전력수요 예측 방법.
KR1020190056188A 2019-05-14 2019-05-14 하이브리드 타입 단기 전력수요 예측 장치 및 방법 KR102628551B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190056188A KR102628551B1 (ko) 2019-05-14 2019-05-14 하이브리드 타입 단기 전력수요 예측 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190056188A KR102628551B1 (ko) 2019-05-14 2019-05-14 하이브리드 타입 단기 전력수요 예측 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20200131928A true KR20200131928A (ko) 2020-11-25
KR102628551B1 KR102628551B1 (ko) 2024-01-26

Family

ID=73645562

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190056188A KR102628551B1 (ko) 2019-05-14 2019-05-14 하이브리드 타입 단기 전력수요 예측 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102628551B1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113516294A (zh) * 2021-05-25 2021-10-19 国网湖北省电力有限公司襄阳供电公司 一种基于城市规划的适用于电网规划的时空负荷预测方法
KR20220096406A (ko) 2020-12-31 2022-07-07 계명대학교 산학협력단 Cnn을 이용한 전력수요 예측 방법, 이를 수행하기 위한 기록 매체 및 장치
CN116070804A (zh) * 2023-04-06 2023-05-05 国网冀北电力有限公司 基于知识图谱和数据驱动的电力系统负荷预测方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130044765A (ko) * 2011-10-24 2013-05-03 한국전력공사 예측 속도 향상을 위한 신경망과 보정계수를 이용한 주간 부하 예측 장치 및 방법
JP2015186411A (ja) * 2014-03-26 2015-10-22 シンフォニアテクノロジー株式会社 需要家電力マネジメントシステム
JP2018092439A (ja) * 2016-12-05 2018-06-14 株式会社日立製作所 データ処理システム及びデータ処理方法
KR20190041263A (ko) * 2017-10-12 2019-04-22 전자부품연구원 단위 가구 피크 전력 수요량 예측 방법 및 시스템

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130044765A (ko) * 2011-10-24 2013-05-03 한국전력공사 예측 속도 향상을 위한 신경망과 보정계수를 이용한 주간 부하 예측 장치 및 방법
JP2015186411A (ja) * 2014-03-26 2015-10-22 シンフォニアテクノロジー株式会社 需要家電力マネジメントシステム
JP2018092439A (ja) * 2016-12-05 2018-06-14 株式会社日立製作所 データ処理システム及びデータ処理方法
KR20190041263A (ko) * 2017-10-12 2019-04-22 전자부품연구원 단위 가구 피크 전력 수요량 예측 방법 및 시스템

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220096406A (ko) 2020-12-31 2022-07-07 계명대학교 산학협력단 Cnn을 이용한 전력수요 예측 방법, 이를 수행하기 위한 기록 매체 및 장치
CN113516294A (zh) * 2021-05-25 2021-10-19 国网湖北省电力有限公司襄阳供电公司 一种基于城市规划的适用于电网规划的时空负荷预测方法
CN113516294B (zh) * 2021-05-25 2024-03-29 国网湖北省电力有限公司襄阳供电公司 一种基于城市规划的适用于电网规划的时空负荷预测方法
CN116070804A (zh) * 2023-04-06 2023-05-05 国网冀北电力有限公司 基于知识图谱和数据驱动的电力系统负荷预测方法及装置

Also Published As

Publication number Publication date
KR102628551B1 (ko) 2024-01-26

Similar Documents

Publication Publication Date Title
Chitsaz et al. Electricity price forecasting for operational scheduling of behind-the-meter storage systems
Mohammadi et al. Scenario-based stochastic operation management of microgrid including wind, photovoltaic, micro-turbine, fuel cell and energy storage devices
Kodaira et al. Optimal energy storage system operation for peak reduction in a distribution network using a prediction interval
KR102628551B1 (ko) 하이브리드 타입 단기 전력수요 예측 장치 및 방법
CN115796393B (zh) 基于多能互动的能源网管理优化方法、系统及存储介质
CN109461091B (zh) 考虑光伏和冷负荷相关性的用电负荷计算方法及信息系统
Kaneriya et al. Data consumption-aware load forecasting scheme for smart grid systems
KR102589383B1 (ko) 마이크로그리드의 전력 수급 예측 장치 및 그 방법
Analui et al. A dynamic multistage stochastic unit commitment formulation for intraday markets
CN112508306A (zh) 一种电力生产配置的自适应方法及系统
Bracale et al. New advanced method and cost-based indices applied to probabilistic forecasting of photovoltaic generation
CN111342458A (zh) 一种基于有序优化算法的配电网两级重构的方法和装置
WO2023167631A1 (en) An electrical power system and a multi-timescale coordinated optimization scheduling method therefor
Guo et al. Real-time self-dispatch of a remote wind-storage integrated power plant without predictions: Explicit policy and performance guarantee
CN108346009A (zh) 一种基于用户模型自学习的电力生产配置方法和装置
Cho et al. Three-stage robust unit commitment considering decreasing uncertainty in wind power forecasting
Zhang et al. Stochastic unit commitment with air conditioning loads participating in reserve service
Valsomatzis et al. Aggregating energy flexibilities under constraints
Filipova-Petrakieva et al. Short-Term Forecasting of Hourly Electricity Power Demand: Reggresion and Cluster Methods for Short-Term Prognosis
Prakash et al. Short-Term Load Forcasting for Smart Power Systems Using Swarm Intelligence Algorithm
CN117374920A (zh) 考虑环境因素的超短期预测方法、装置及介质
Graditi et al. Machine Learning Applications for Renewable-Based Energy Systems
Jia et al. Controlling the Internet of Things–from energy saving to fast evacuation in smart buildings
JPH07123589A (ja) 需要予測装置
Heydari et al. A new combined PV output power forecasting model based on optimized LSTM network

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right