KR20210026447A - 심층 신경망 기반 전력 수요 예측 장치 및 방법 - Google Patents

심층 신경망 기반 전력 수요 예측 장치 및 방법 Download PDF

Info

Publication number
KR20210026447A
KR20210026447A KR1020190107234A KR20190107234A KR20210026447A KR 20210026447 A KR20210026447 A KR 20210026447A KR 1020190107234 A KR1020190107234 A KR 1020190107234A KR 20190107234 A KR20190107234 A KR 20190107234A KR 20210026447 A KR20210026447 A KR 20210026447A
Authority
KR
South Korea
Prior art keywords
data
prediction
power demand
prediction model
predicting
Prior art date
Application number
KR1020190107234A
Other languages
English (en)
Other versions
KR102324783B1 (ko
Inventor
신지강
이정일
임정선
장광선
최승환
Original Assignee
한국전력공사
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 filed Critical 한국전력공사
Priority to KR1020190107234A priority Critical patent/KR102324783B1/ko
Publication of KR20210026447A publication Critical patent/KR20210026447A/ko
Application granted granted Critical
Publication of KR102324783B1 publication Critical patent/KR102324783B1/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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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"
    • 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
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Power Engineering (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Primary Health Care (AREA)
  • Data Mining & Analysis (AREA)
  • Water Supply & Treatment (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

누락 데이터에 대한 전처리를 수행하고, 예측을 위한 데이터별로 독립적인 예측 모델을 구성하고, 독립적인 예측 모델들을 병합한 예측 모델을 구성하여 전력 수요를 예측하기 위한 심층 신경망 기반 전력 수요 예측 장치 및 방법에 관한 것이다.
본 발명의 실시 예에 따른 심층 신경망 기반 전력 수요 예측 장치는 전력 수요량을 예측하기 위한 데이터를 전처리하는 데이터 전처리부와, 상기 데이터 전처리부에서 전처리된 데이터를 이용하여 각 데이터별로 독립된 제1예측 모델을 생성하고, 복수의 제1예측 모델을 병합하여 제2예측 모델을 생성하는 예측 모델 생성부와, 상기 예측 모델 생성부에서 생성된 제1예측 모델 및 제2예측 모델을 이용하여 전력 수요량을 예측하는 전력 수요 예측부와, 상기 데이터 전처리부에서 데이터들을 전처리한 결과와 전력 수요 예측부에서 전력 수요량을 예측한 결과에 따른 예측 정확도를 기초로 제1예측 모델 및 제2예측 모델의 유효성을 평가하는 예측 정확도 분석부를 포함한다.

Description

심층 신경망 기반 전력 수요 예측 장치 및 방법{Apparatus and method for Deep neural network based power demand prediction}
본 발명은 심층 신경망 기반 전력 수요 예측 장치 및 방법에 관한 것으로, 보다 자세하게는 누락 데이터에 대한 전처리를 수행하고, 예측을 위한 데이터별로 독립적인 예측 모델을 구성하고, 독립적인 예측 모델들을 병합한 예측 모델을 구성하여 전력 수요를 예측하기 위한 심층 신경망 기반 전력 수요 예측 장치 및 방법에 관한 것이다.
전력 시스템을 안정적으로 운영하기 위해서는 전력 수요를 예측하는 것이 중요하다. 더 나아가, 최근에는 신재생 발전원의 증가, 가정용 태양광 발전설비 보급 및 자가소비, 전기차 보급 확대 등 전력 환경이 급격하게 변화하면서 전력 수요를 정확하게 예측하는 것은 더 중요해지는 실정이다.
그러나, 기존의 전력 수요 예측 기법은 과거의 부하 실적과 기상정보를 기반으로 한 통계적 기법들을 적용하고 있다. 이러한 전력 수요 예측 기법은 통계적 기법의 한계로, 예측에 사용할 데이터들을 여러 종류로 사용하기 어렵다는 것과 대용량 데이터를 예측에 반영할 수 없다는 문제가 있다. 또한, 예측 결과도 전문가의 경험에 의한 보정에 따라 최종 예측 결과가 크게 변동하게 되는 문제가 있다.
본 발명은 앞에서 설명한 문제점을 해결하기 위한 것으로, 누락 데이터에 대한 전처리를 수행하고, 예측을 위한 데이터별로 독립적인 예측 모델을 구성하고, 독립적인 예측 모델들을 병합한 예측 모델을 구성하여 전력 수요를 예측하기 위한 심층 신경망 기반 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 심층 신경망 기반 전력 수요 예측 장치는 전력 수요량을 예측하기 위한 데이터를 전처리하는 데이터 전처리부와, 데이터 전처리부에서 전처리된 데이터를 이용하여 각 데이터별로 독립된 제1예측 모델을 생성하고, 복수의 제1예측 모델을 병합하여 제2예측 모델을 생성하는 예측 모델 생성부와, 예측 모델 생성부에서 생성된 제1예측 모델 및 제2예측 모델을 이용하여 전력 수요량을 예측하는 전력 수요 예측부와, 데이터 전처리부에서 데이터들을 전처리한 결과와 전력 수요 예측부에서 전력 수요량을 예측한 결과에 따른 예측 정확도를 기초로 제1예측 모델 및 제2예측 모델의 유효성을 평가하는 예측 정확도 분석부를 포함할 수 있다.
한편, 앞에서 설명한 목적을 달성하기 위한 본 발명의 실시 예에 따른 심층 신경망 기반 전력 수요 예측 방법은 전력 수요량을 예측하기 위한 데이터를 전처리하는 단계와, 전처리된 데이터를 이용하여 각 데이터별로 독립된 제1예측 모델을 생성하고, 복수의 제1예측 모델을 병합하여 제2예측 모델을 생성하는 단계와, 생성된 제1예측 모델 및 제2예측 모델을 이용하여 전력 수요량을 예측하는 단계와, 데이터들을 전처리한 결과와 전력 수요량을 예측한 결과에 따른 예측 정확도를 기초로 제1예측 모델 및 제2예측 모델의 유효성을 평가하는 단계를 포함할 수 있다.
본 발명의 실시 예에 따른 심층 신경망 기반 전력 수요 예측 장치 및 방법은 전력 수요를 예측하기 위한 예측 모델을 자동으로 생성하고 주기적으로 예측 모델의 유효성을 평가하여 항상 최신의 데이터가 반영된 예측 모델을 제공할 수 있다.
또한, 예측 모델을 통해 전력 수요를 예측함에 따라 수요 예측 담당자의 경험에 의존하던 기존 업무의 부담감을 감소시킬 수 있다.
또한, 예측을 위한 데이터별로 예측 모델이 생성됨에 따라 상황에 따라 예측 대상을 선택하여 전력 수요를 예측할 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 예측 장치를 나타내는 도면이다.
도 3은 본 발명의 실시 예에 따른 데이터 전처리부에서 전처리하는 데이터들의 예시를 나타내는 도면이다.
도 4는 본 발명의 실시 예에 따른 예측 모델 생성을 나타내는 도면이다.
도 5는 본 발명의 실시 예에 따른 심층 신경망 기반 전력 수요 예측 방법을 나타내는 도면이다.
도 6은 본 발명의 실시 예에 따른 제1예측 모델 및 제2예측 모델의 유효성을 판단하는 방법을 나타내는 도면이다.
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 전력 수요 장치(100), 전력계통(200) 및 수용가(300)를 포함할 수 있다.
전력계통(200)은 수용가(300)로 전력을 제공할 수 있다. 여기서, 전력계통(200)은 수용가(300)의 전력 수요량에 따라 수용가(300)로 전력을 제공할 수 있다. 이에 따라, 전력 수요 예측 장치(100)는 수용가(300)의 전력 수요량을 예측하여 전력계통(200)에서 전력 수요량을 기초로 전력을 공급할 수 있도록 할 수 있다.
본 발명의 실시 예에 따른 전력 수요 예측 장치(100)는 심층 신경망을 통한 예측 모델을 이용하여 전력 수요량을 예측할 수 있다. 전력 수요 예측 장치(100)는 누락 데이터를 전처리하고, 전처리된 누락 데이터를 이용하여 예측 모델을 생성할 수 있다. 이는, 기상 데이터가 누락된 상태로 전력 수요량을 예측하는 경우, 기상 데이터의 특성 상 시간의 흐름에 따라 연속적인 성격을 가지므로 인근 날짜의 기상 데이터를 활용하지 않는 경우 예측 정확도가 감소하게 될 수 있다. 이러한 문제를 해결하기 위해 본 발명의 실시 예에 따른 전력 수요 예측 장치(100)는 전력 수요량을 예측하기 위한 데이터들이 누락되지 않도록 누락 데이터들을 전처리하여 이용할 수 있다.
또한, 전력 수요 예측 장치(100)는 복수의 예측을 위한 데이터를 이용하여 전력 수요량을 예측할 수 있는데, 이때, 복수의 데이터들의 데이터 범위는 모두 상이하므로, 복수의 데이터들이 동일한 데이터 범위를 가지도록 정규화할 수 있다. 이로 인해, 복수의 데이터들에 대한 영향이 고르게 반영된 예측 모델을 생성할 수 있고, 생성된 예측 모델을 통해 전력 수요량을 예측함에 따라 예측 정확도가 증가할 수 있다.
도 2는 본 발명의 실시 예에 따른 전력 수요 예측 장치를 나타내는 도면이고, 도 3은 본 발명의 실시 예에 따른 데이터 전처리부에서 전처리하는 데이터들의 예시를 나타내는 도면이다.
도 2 및 도 3을 참조하면, 본 발명의 실시 예에 따른 전력 수요 예측 장치(100)는 데이터 전처리부(110), 예측 모델 생성부(120), 전력 수요 예측부(130) 및 예측 정확도 분석부(140)를 포함할 수 있다.
데이터 전처리부(110)는 전력 수요량을 예측하기 위한 데이터를 전처리할 수 있다. 전력 수요량을 예측하기 위한 데이터는 기상 관측(D1), 기상 예보(D2), 송전 부하(D3), AMI(Advanced Metering Infrastructure) 전력 사용량(D4), 발전단 부하(D5) 및 사회 통계 지표(D6)를 포함할 수 있다.
기상 관측 데이터(D1)는 기상청 AWS(Automatic Weather System)에서 제공하는 1분 단위 측정 데이터일 수 있고, 1분 단위 측정 데이터는 기온, 습도, 풍속, 시간 단위 누적 강수량, 일 누적 강수량, 일 순간 최대 풍속을 포함할 수 있다.
기상 예보 데이터(D2)는 3시간 단위의 동네 기상 예보 데이터일 수 있다.
송전 부하 데이터(D3)는 SCADA(Supervisory Control And Data Acquisition) 시스템에서 수집하는 15개의 지역본부 별 5분 단위 부하 데이터와 부하 분석 및 SOMAS(Substation Operating Results Management System)에서 제공하는 지역본부 별 5분 단위 부하 데이터를 포함할 수 있다. 예컨대, SCADA 시스템은 한국전력공사에서 운영하는 감시 제어 및 데이터 취득을 위한 시스템이고, SOMAS는 변전소 운전 실적을 관리하기 위한 시스템일 수 있다.
AMI 전력 사용량 데이터(D4)는 전국 고압고객의 15분 단위 전력 사용량 데이터일 수 있다.
발전단 부하 데이터(D5)는 전력거래소에서 제공하는 5분 단위의 현재 부하 데이터일 수 있다.
사회 통계 지표(D6)는 체감 온도, 불쾌지수, 대기오염정보, 소비 심리 통계를 포함할 수 있다.
또한, 데이터 전처리부(110)는 전력 수요량을 더 정확하게 예측하기 위해 누락된 데이터를 보정할 수 있다. 구체적으로, 데이터 전처리부(110)는 기상 관측 데이터(D1) 및 기상 예보 데이터(D2)를 일정한 시간 간격으로 구분할 수 있다. 예컨대, 일정한 시간 간격은 1시간일 수 있으며, 데이터 전처리부(110)는 일정한 시간 간격으로 구분된 데이터들 중 대표값을 선택할 수 있다. 즉, 데이터 전처리부(110)는 제1시간 간격 내에 포함된 데이터들 중 대표값을 선택하고, 제1시간 간격 다음의 시간 간격인 제2시간 간격 내에 포함된 데이터들 중 대표값을 선택할 수 있다. 데이터 전처리부(110)는 선택된 대표값을 누락된 데이터의 값으로 정의할 수 있다. 이때, 데이터 전처리부(110)는 기상 관측 데이터(D1) 및 기상 예보 데이터(D2) 중 이상치 또는 결측치를 가지는 데이터는 제외할 수 있다.
데이터 전처리부(110)는 기상 관측 데이터(D1)가 기온, 습도 및 풍속에 관련된 데이터인 경우 기온, 습도 및 풍속 각각에 대한 데이터들의 평균값을 계산하고, 계산된 평균값을 대표값으로 선택할 수 있다. 즉, 데이터 전처리부(110)는 각 시간 간격 내에 포함된 데이터들의 평균값을 계산하여 대표값으로 선택할 수 있다. 예컨대, 기온의 경우, 단시간에 크게 변화되지 않으므로, 데이터 전처리부(110)는 특정 시간 대의 정상 데이터의 평균값을 계산하여 대표값으로 선택함으로써, 누락 데이터로 인해 전력 수요량 예측에 대한 정확도가 감소되는 것을 방지할 수 있다. 데이터 전처리부(110)는 선택된 대표값을 누락된 데이터의 값으로 정의할 수 있다.
또한, 데이터 전처리부(110)는 기상 관측 데이터(D1)가 시간 누적 강수량, 일 누적 강수량, 일 순간 최대 풍속에 관련된 데이터인 경우 최대 값을 가지는 데이터를 대표값으로 선택할 수 있다. 여기서, 즉, 데이터 전처리부(110)는 각 시간 간격 내에 포함된 데이터들 중 최대 값을 가지는 데이터를 대표값으로 선택할 수 있다. 데이터 전처리부(110)는 선택된 대표값을 누락된 데이터의 값으로 정의할 수 있다.
또한, 데이터 전처리부(110)는 3시간의 시간 간격으로 구분되는 기상 예보 데이터(D2)를 전일의 평균과 직전 또는 최근에 예측한 값을 가중 평균화하여 대표값으로 선택할 수 있다. 데이터 전처리부(110)는 선택된 대표값을 누락된 데이터의 값으로 정의할 수 있다.
즉, 본 발명의 실시 예에 따르면, 누락된 데이터들의 값을 계산 또는 선택하여 데이터를 보정함으로써, 누락 데이터로 인해 전력 수요량 예측에 대한 정확도가 감소되는 것을 방지할 수 있다.
데이터 전처리부(110)는 AMI 고객의 전력 사용량을 통해 가장 가까운 지점의 기상 관측 및 기상 예보 데이터를 가중 평균화하여 전국 기상 가중 평균을 계산할 수 있고, 계산된 전국 기상 가중 평균은 전력 수요량 예측을 위한 예측 모델의 생성을 위해 사용될 수 있다. 데이터 전처리부(110)는 수학식 1을 통해 전국 기상 가중 평균을 계산할 수 있다.
[수학식 1]
Figure pat00001
여기서,
Figure pat00002
은 전국 기상 가중 평균이고,
Figure pat00003
은 AMI 전체 고객의 전력 사용량이고,
Figure pat00004
는 AMI 고객 각각의 전력 사용량이고,
Figure pat00005
는 AMI 고객 각각의 기상 관측 데이터(D1) 및 기상 예보 데이터(D2)일 수 있다.
데이터 전처리부(110)는 SCADA 시스템의 5분 단위의 데이터를 합산하여 1시간 단위의 데이터를 생성할 수 있다. 여기서, 본 발명의 실시 예에 따른 전력 수요 예측 장치(100)는 SCADA 시스템의 데이터를 이용하여 전력 수요량을 예측하되, SCADA 시스템의 데이터에 누락이 발생한 경우, SOMAS 시스템의 데이터를 보정용으로 이용할 수 있다. 이때, 데이터 전처리부(110)는 시간대별 SCADA 시스템의 데이터 중 최대, 최소 값을 바탕으로 SOMAS 시스템의 데이터 중 동일 구간의 데이터를 보정할 수 있다. 또한, 데이터 전처리부(110)는 SOMAS 시스템의 데이터를 0과 1 사이의 값이 되도록 정규화하고, SCADA 시스템의 데이터 중 최소, 최대 값을 투영하여 모사할 수 있다.
데이터 전처리부(110)는 AMI 고객을 지역별로 분류하고, 지역별로 분류된 전력 사용량 데이터를 업종별, 계약종별 합산 및 평균 값을 산출하여 AMI 전력 사용량 데이터를 전처리할 수 있다.
또한, 데이터 전처리부(110)는 사회 통계 지표 데이터(D6)에서 일, 월, 연단위 통계를 시간단위 데이터로 변경하여 전처리할 수 있다. 즉, 데이터 전처리부(110)는 사회 통계 지표 데이터(D6)에서 대기오염정보 등의 기상과 관련된 정보의 경우 해당값이 모든 시간에 동일하게 적용되도록 할 수 있다. 또한, 데이터 전처리부(110)는 사회 통계 지표 데이터(D6)에서 기상과 관련된 정보를 제외한 다른 정보들의 경우, 직전의 통계 값을 최저값으로, 현재의 통계 값을 최대값으로 가정하여 중간의 시간단위 데이터를 모사할 수 있다. 여기서, 데이터 전처리부(110)는 데이터의 특성에 따라 데이터의 증감을 선형, 정규분포, 지수 분포(Exponential), 로그(Log) 정규 분포의 형태로 모사할 수 있다.
예측 모델 생성부(120)는 제1예측 모델 및 제2예측 모델을 생성할 수 있다. 제1예측 모델은 다음날의 최대 전력 수요량을 예측하기 위한 모델로, 출력값은 하나일 수 있다. 즉, 제1예측 모델은 다음날의 최대 전력 수요량 하나만을 출력값으로 출력할 수 있다.
또한, 제2예측 모델은 다음날의 시간대별 최대 전력 수요량을 예측하기 위한 모델로, 출력값은 복수개일 수 있다. 즉, 제2예측 모델은 당일 오후 12시부터 다음날 24시까지의 시간대별 최대 전력 수요량을 출력값으로 출력하므로, 출력값은 36개일 수 있다.
구체적으로, 예측 모델 생성부(120)는 예측을 위한 데이터별로 독립된 제1예측 모델을 생성할 수 있다. 즉, 예측 모델 생성부(120)는 예측을 위한 데이터별로 독립된 제1예측 모델을 생성함으로, 제1예측 모델은 복수개가 생성될 수 있다. 여기서, 제1예측 모델은 장·단기 기억(Long-Short Term Memory) 심층 신경망으로 구성될 수 있다.
또한, 예측 모델 생성부(120)는 복수개의 제1예측 모델들을 병합하여 제2예측 모델을 생성할 수 있다. 여기서, 제2예측 모델은 밀집(Dence) 심층 신경망으로 구성될 수 있다. 예측 모델 생성부(120)는 예측을 위한 데이터들을 정규화(Normalization)하여 0부터 1까지의 분포를 가지는 값으로 변환할 수 있다.
또한, 예측 모델 생성부(120)는 데이터 전처리부(110)에서 전처리된 데이터들 중 최근 한달의 데이터를 제외한 다른 데이터들을 이용하여 제1예측 모델 및 제2예측 모델을 학습할 수 있다. 또한, 예측 모델 생성부(120)는 데이터 전처리부(110)에서 전처리된 데이터들 중 최근 한달의 데이터들을 이용하여 제1예측 모델 및 제2예측 모델을 검증할 수 있다.
여기서, 예측 모델 생성부(120)는 데이터 전처리부(110)에서 전처리된 데이터들을 시간의 순서에 따라 과거 데이터부터 최근의 데이터 순으로 제1예측 모델 및 제2예측 모델을 학습시킬 수 있다. 예측 모델 생성부(120)는 전처리된 데이터들을 이용하여 제1예측 모델 및 제2예측 모델을 여러 번 학습시킬 수 있다.
또한, 예측 모델 생성부(120)는 전처리된 데이터들을 이용하여 제1예측 모델 및 제2예측 모델을 학습시킬 때마다 검증 데이터와의 오차를 비교하여 오차가 특정한 값보다 작아질 경우 학습을 종료시킬 수 있다. 여기서, 검증 데이터는 전처리된 데이터들 중 최근 한달의 데이터일 수 있다.
전력 수요 예측부(130)는 예측 모델 생성부(120)에서 일정한 시간마다 생성된 예측 모델을 이용하여 전력 수요량을 예측할 수 있다. 여기서, 전력 수요 예측부(130)는 제1예측 모델을 이용하여 다음날 최대 전력 수요량을 예측한 결과를 제2예측 모델을 이용하여 시간대별 최대 전력 수요량을 예측한 결과에 반영하여 최대 전력 수요량의 값을 보정할 수 있다. 즉, 전력 수요 예측부(130)는 시간대별 최대 전력 수요량이 다음날 최대 전력 수요량이 되도록 투영하여 최대 전력 수요량을 보정할 수 있다.
예측 정확도 분석부(140)는 데이터 전처리부(110)에서 데이터들을 전처리한 결과와 전력 수요 예측부(130)에서 전력 수요량을 예측한 결과에 따른 예측 정확도를 바탕으로 제1예측 모델 및 제2예측 모델의 유효성을 평가할 수 있다. 예측 정확도 분석부(140)에서 제1예측 모델 및 제2예측 모델의 유효성을 평가한 결과, 제1예측 모델 및 제2예측 모델의 유효성이 기준에 미달하는 경우 예측 모델 생성부(120)가 제1예측 모델 및 제2예측 모델을 다시 생성하도록 신호를 전송할 수 있다. 여기서, 유효성을 평가하는 기준은 기 설정되어 있을 수 있고, 제1예측 모델 및 제2예측 모델의 예측 정확도가 기 설정된 기준보다 작아지는 경우, 예측 정확도 분석부(140)는 제1예측 모델 및 제2예측 모델의 유효성을 평가할 수 있다. 또한, 예측 정확도 분석부(140)는 예측을 위한 데이터별로 가중치를 설정하여 제1예측 모델 및 제2예측 모델의 유효성을 판단할 수 있다.
예컨대, 예측 정확도 분석부(140)는 데이터 전처리부(110)에서 전처리된 기상 관측 및 기상 예보 데이터의 최근 변동률이 임계치를 넘는 경우 제1예측 모델 및 제2예측 모델의 유효성을 판단할 수 있다. 또한, 예측 정확도 분석부(140)는 최근 변동률이 음에서 양으로 변경되거나, 양에서 음으로 변경되는 경우, 제1예측 모델 및 제2예측 모델의 유효성을 판단할 수 있다. 또한, 예측 정확도 분석부(140)는 제1예측 모델 및 제2예측 모델의 예측 정확도의 평균이 특정일 연속 하락하는 경우, 제1예측 모델 및 제2예측 모델이 마지막으로 생성된 시점이 일주일 이전인 경우 제1예측 모델 및 제2예측 모델의 유효성을 판단할 수 있다.
또한, 전력 수요 예측 장치(100)는 특정 지역을 대상으로 전력 수요 예측을 할 수 있으며, 본 발명의 실시 예에 따르면, 전국적으로 전력 수요를 예측하는 것을 특정 지역을 대상으로 전력 수요를 예측하는 것으로 변경함으로써 실행될 수 있다.
예컨대, 발전단 부하의 경우 SCADA 시스템에서 제공하는 특정 지역의 부하 정보를 이용하여 전력 수요를 예측할 수 있고, 기상 관측 데이터의 경우 예측 대상이 되는 지역에 속한 AMI 고객들과 가까운 지점의 기상 관측 데이터를 AMI 전력 사용량으로 가중 평균하여 전력 수요를 예측할 수 있다.
도 4는 본 발명의 실시 예에 따른 예측 모델 생성을 나타내는 도면이다.
도 4를 참조하면, 예측 모델 생성부(120)는 데이터 전처리부(110)에서 전처리된 데이터를 이용하여 복수의 데이터들 각각에 대한 제1예측 모델(122)을 생성할 수 있다. 제1예측 모델은 다음날의 최대 전력 수요량을 예측하기 위한 모델로, 장·단기 기억(Long-Short Term Memory) 심층 신경망으로 구성될 수 있다.
즉, 예측 모델 생성부(120)는 데이터 전처리부(110)에서 전처리된 데이터 중 기상 관측 데이터(D1)를 이용하여 제1예측 모델(122)을 생성할 수 있다. 여기서, 제1예측 모델(122)은 기상 관측 데이터(D1)를 기초로 다음날의 최대 전력 수요량을 예측할 수 있고, 예측한 다음날의 최대 전력 수요량을 출력값으로 출력할 수 있다.
또한, 예측 모델 생성부(120)는 데이터 전처리부(110)에서 전처리된 데이터 중 기상 예보 데이터(D2)를 이용하여 제1예측 모델(122)을 생성할 수 있다. 여기서, 제1예측 모델(122)은 기상 예보 데이터(D2)를 기초로 다음날의 최대 전력 수요량을 예측할 수 있고, 예측한 다음날의 최대 전력 수요량을 출력값으로 출력할 수 있다.
또한, 예측 모델 생성부(120)는 데이터 전처리부(110)에서 전처리된 데이터 중 송전 부하 데이터(D3)를 이용하여 제1예측 모델(122)을 생성할 수 있다. 여기서, 제1예측 모델(122)은 송전 부하 데이터(D3)를 기초로 다음날의 최대 전력 수요량을 예측할 수 있고, 예측한 다음날의 최대 전력 수요량을 출력값으로 출력할 수 있다.
또한, 예측 모델 생성부(120)는 데이터 전처리부(110)에서 전처리된 데이터 중 AMI 전력 사용량 데이터(D4)를 이용하여 제1예측 모델(122)을 생성할 수 있다. 여기서, 제1예측 모델(122)은 AMI 전력 사용량 데이터(D4)를 기초로 다음날의 최대 전력 수요량을 예측할 수 있고, 예측한 다음날의 최대 전력 수요량을 출력값으로 출력할 수 있다.
또한, 예측 모델 생성부(120)는 데이터 전처리부(110)에서 전처리된 데이터 중 발전단 부하 데이터(D5)를 이용하여 제1예측 모델(122)을 생성할 수 있다. 여기서, 제1예측 모델(122)은 발전단 부하 데이터(D5)를 기초로 다음날의 최대 전력 수요량을 예측할 수 있고, 예측한 다음날의 최대 전력 수요량을 출력값으로 출력할 수 있다.
또한, 예측 모델 생성부(120)는 데이터 전처리부(110)에서 전처리된 데이터 중 사회 통계 지표 데이터(D6)를 이용하여 제1예측 모델(122)을 생성할 수 있다. 여기서, 제1예측 모델(122)은 사회 통계 지표 데이터(D6)를 기초로 다음날의 최대 전력 수요량을 예측할 수 있고, 예측한 다음날의 최대 전력 수요량을 출력값으로 출력할 수 있다.
또한, 예측 모델 생성부(120)는 복수개의 제1예측 모델들(122)을 병합하여 제2예측 모델(124)을 생성할 수 있다. 제2예측 모델(124)은 다음날의 시간대별 최대 전력 수요량을 예측하기 위한 모델로, 밀집(Dence) 심층 신경망으로 구성될 수 있다.
예측 모델 생성부(120)는 제2예측 모델(124)을 이용하여 당일 오후 12시부터 다음날 24시까지의 시간대별 최대 전력 수요량을 예측할 수 있고, 예측한 시간대별 최대 전력 수요량을 출력값으로 출력할 수 있다.
도 5는 본 발명의 실시 예에 따른 심층 신경망 기반 전력 수요 예측 방법을 나타내는 도면이다.
도 5를 참조하면, 데이터 전처리부(110)는 전력 수요량을 예측하기 위한 데이터를 전처리할 수 있다(S100). 전력 수요량을 예측하기 위한 데이터는 기상 관측, 기상 예보, 송전 부하, AMI 전력 사용량, 발전단 부하 및 사회 통계 지표를 포함할 수 있다.
기상 관측 데이터는 기상청 AWS에서 제공하는 1분 단위 측정 데이터일 수 있고, 1분 단위 측정 데이터는 기온, 습도, 풍속, 시간 단위 누적 강수량, 일 누적 강수량, 일 순간 최대 풍속을 포함할 수 있다.
기상 예보 데이터는 3시간 단위의 동네 기상 예보 데이터일 수 있다.
송전 부하 데이터(D3)는 SCADA 시스템에서 수집하는 15개의 지역본부 별 5분 단위 부하 데이터와 부하 분석 및 SOMAS에서 제공하는 지역본부 별 5분 단위 부하 데이터를 포함할 수 있다.
AMI 전력 사용량 데이터는 전국 고압고객의 15분 단위 전력 사용량 데이터일 수 있고, 발전단 부하 데이터는 전력거래소에서 제공하는 5분 단위의 현재 부하 데이터일 수 있다. 사회 통계 지표는 체감 온도, 불쾌지수, 대기오염정보, 소비 심리 통계를 포함할 수 있다.
예측 모델 생성부(120)는 전처리된 데이터를 이용하여 예측을 위한 데이터별로 제1예측 모델을 생성할 수 있다(S200). 제1예측 모델은 다음날의 최대 전력 수요량을 예측하기 위한 모델이며, 장·단기 기억(Long-Short Term Memory) 심층 신경망으로 구성될 수 있다.
또한, 예측 모델 생성부(120)는 제1예측 모델들을 병합하여 제2측 모델을 생성할 수 있다(S300). 즉, 예측 모델 생성부(120)는 예측을 위한 데이터별로 생성된 복수의 제1예측 모델들을 병합하여 제2예측 모델을 생성할 수 있다. 제2예측 모델은 다음날의 시간대별 최대 전력 수요량을 예측하기 위한 모델이며, 밀집(Dence) 심층 신경망으로 구성될 수 있다.
전력 수요 예측부(130)는 제1예측 모델 및 제2예측 모델을 이용하여 전력 수요를 예측할 수 있다(S400). 여기서, 전력 수요 예측부(130)는 제1예측 모델을 이용하여 다음날 최대 전력 수요량을 예측한 결과를 제2예측 모델을 이용하여 시간대별 최대 전력 수요량을 예측한 결과에 반영하여 최대 전력 수요량의 값을 보정할 수 있다.
예측 정확도 분석부(140)는 제1예측 모델 및 제2예측 모델의 유효성을 판단할 수 있다(S500). 예측 정확도 분석부(140)는 데이터 전처리부(110)에서 데이터들을 전처리한 결과와 전력 수요 예측부(130)에서 전력 수요량을 예측한 결과에 따른 예측 정확도를 바탕으로 제1예측 모델 및 제2예측 모델의 유효성을 평가할 수 있다.
예측 정확도 분석부(140)에서 제1예측 모델 및 제2예측 모델의 유효성을 평가한 결과, 제1예측 모델 및 제2예측 모델의 유효성이 기준에 미달하는 경우 예측 모델 생성부(120)가 제1예측 모델 및 제2예측 모델을 다시 생성하도록 할 수 있다.
도 6은 본 발명의 실시 예에 따른 제1예측 모델 및 제2예측 모델의 유효성을 판단하는 방법을 나타내는 도면이다.
도 6을 참조하면, 예측 정확도 분석부(140)는 제1예측 모델 및 제2예측 모델이 마지막으로 생성된 시점이 7일을 초과했는지 판단할 수 있다(S510).
예측 정확도 분석부(140)는 제1예측 모델 및 제2예측 모델이 마지막으로 생성된 시점이 7일을 초과한 것으로 판단되는 경우, 예측 모델 생성부(120)를 통해 제1예측 모델 및 제2예측 모델이 신규로 생성되도록 할 수 있다(S550).
한편, 예측 정확도 분석부(140)는 제1예측 모델 및 제2예측 모델이 마지막으로 생성된 시점이 7일을 초과하지 않은 것으로 판단되는 경우, 기상 관측 및 기상 예보 데이터의 변동률이 임계치를 초과하는지 판단할 수 있다(S520).
예측 정확도 분석부(140)는 기상 관측 및 기상 예보 데이터의 변동률이 임계치를 초과한 것으로 판단되는 경우, 예측 모델 생성부(120)를 통해 제1예측 모델 및 제2예측 모델이 신규로 생성되도록 할 수 있다(S550).
한편, 예측 정확도 분석부(140)는 기상 관측 및 기상 예보 데이터의 변동률이 임계치를 초과하지 않은 것으로 판단되는 경우, 기상 관측 및 기상 예보 데이터의 변동률이 음에서 양 또는 양에서 음으로 변경되었는지 판단할 수 있다(S530).
예측 정확도 분석부(140)는 기상 관측 및 기상 예보 데이터의 변동률이 음에서 양 또는 양에서 음으로 변경된 것으로 판단되는 경우, 예측 모델 생성부(120)를 통해 제1예측 모델 및 제2예측 모델이 신규로 생성되도록 할 수 있다(S550).
한편, 예측 정확도 분석부(140)는 기상 관측 및 기상 예보 데이터의 변동률이 음에서 양 또는 양에서 음으로 변경되지 않은 것으로 판단되는 경우, 예측 정확도의 평균이 연속으로 하락한 일수가 특정일수를 초과했는지 판단할 수 있다(S540).
예측 정확도 분석부(140)는 예측 정확도의 평균이 연속으로 하락한 일수가 특정일수를 초과한 것으로 판단되는 경우, 예측 모델 생성부(120)를 통해 제1예측 모델 및 제2예측 모델이 신규로 생성되도록 할 수 있다(S550).
한편, 예측 정확도 분석부(140)는 예측 정확도의 평균이 연속으로 하락한 일수가 특정일수를 초과하지 않은 것으로 판단되는 경우, 제1모델 및 제2모델의 유효성은 적절한 것으로 판단할 수 있다.
전술한 바와 같이 본 발명의 실시 예에 따르면, 누락 데이터에 대한 전처리를 수행하고, 예측을 위한 데이터별로 독립적인 예측 모델을 구성하고, 독립적인 예측 모델들을 병합한 예측 모델을 구성하여 전력 수요를 예측하기 위한 심층 신경망 기반 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: 전력 수요 예측 장치
200: 전력계통
300: 수용가
110: 데이터 전처리부
120: 예측 모델 생성부
130: 전력 수요 예측부
140: 예측 정확도 분석부
122: 제1예측 모델
124: 제2예측 모델

Claims (18)

  1. 전력 수요량을 예측하기 위한 데이터를 전처리하는 데이터 전처리부;
    상기 데이터 전처리부에서 전처리된 데이터를 이용하여 각 데이터별로 독립된 제1예측 모델을 생성하고, 복수의 제1예측 모델을 병합하여 제2예측 모델을 생성하는 예측 모델 생성부;
    상기 예측 모델 생성부에서 생성된 제1예측 모델 및 제2예측 모델을 이용하여 전력 수요량을 예측하는 전력 수요 예측부;
    상기 데이터 전처리부에서 데이터들을 전처리한 결과와 전력 수요 예측부에서 전력 수요량을 예측한 결과에 따른 예측 정확도를 기초로 제1예측 모델 및 제2예측 모델의 유효성을 평가하는 예측 정확도 분석부를 포함하는 심층 신경망 기반 전력 수요 예측 장치.
  2. 제1항에 있어서,
    상기 전력 수요량을 예측하기 위한 데이터는 기상 관측 데이터, 기상 예보 데이터, 송전 부하 데이터, AMI(Advanced Metering Infrastructure) 전력 사용량 데이터, 발전단 부하 데이터 및 사회 통계 지표를 포함하는 심층 신경망 기반 전력 수요 예측 장치.
  3. 제1항에 있어서,
    제1예측 모델은 다음날의 최대 전력 수요량을 예측하기 위한 모델로, 장·단기 기억(Long-Short Term Memory) 심층 신경망으로 구성되는 심층 신경망 기반 전력 수요 예측 장치.
  4. 제1항에 있어서,
    제2예측 모델은 다음날의 시간대별 최대 전력 수요량을 예측하기 위한 모델로, 밀집(Dence) 심층 신경망으로 구성되는 심층 신경망 기반 전력 수요 예측 장치.
  5. 제1항에 있어서,
    상기 예측 모델 생성부는 상기 전력 수요량을 예측하기 위한 데이터를 정규화하여 0부터 1까지의 분포를 가지는 값으로 변환하여 각 데이터에 대한 제1예측 모델을 생성하는 심층 신경망 기반 전력 수요 예측 장치.
  6. 제1항에 있어서,
    상기 예측 모델 생성부는 상기 데이터 전처리부에서 전처리된 데이터들 중 최근 한달의 데이터를 제외한 다른 데이터들을 이용하여 제1예측 모델 및 제2예측 모델을 학습하고, 상기 데이터 전처리부에서 전처리된 데이터들 중 최근 한달의 데이터들을 이용하여 제1예측 모델 및 제2예측 모델을 검증하는 심층 신경망 기반 전력 수요 예측 장치.
  7. 제1항에 있어서,
    상기 전력 수요 예측부 상기 제1예측 모델을 이용하여 다음날 최대 전력 수요량을 예측한 결과를 제2예측 모델을 이용하여 시간대별 최대 전력 수요량을 예측한 결과에 반영하여 최대 전력 수요량의 값을 보정하는 심층 신경망 기반 전력 수요 예측 장치.
  8. 제1항에 있어서,
    상기 예측 정확도 분석부는 제1예측 모델 및 제2예측 모델의 유효성을 평가한 결과, 제1예측 모델 및 제2예측 모델의 유효성이 기준에 미달하는 경우 상기 예측 모델 생성부에서 제1예측 모델 및 제2예측 모델을 다시 생성하도록 신호를 전송하는 심층 신경망 기반 전력 수요 예측 장치.
  9. 제2항에 있어서,
    상기 예측 정확도 분석부는 데이터 전처리부에서 전처리된 기상 관측 및 기상 예보 데이터의 최근 변동률이 임계치를 넘거나, 기상 관측 및 기상 예보 데이터의 최근 변동률이 음에서 양 또는 양에서 음으로 변경되거나, 제1예측 모델 및 제2예측 모델의 예측 정확도의 평균이 특정일 연속 하락하거나, 제1예측 모델 및 제2예측 모델이 생성된 시점이 일주일을 초과한 경우 중 적어도 하나를 포함하는 경우 제1예측 모델 및 제2예측 모델의 유효성을 판단하는 심층 신경망 기반 전력 수요 예측 장치.
  10. 전력 수요량을 예측하기 위한 데이터를 전처리하는 단계;
    전처리된 데이터를 이용하여 각 데이터별로 독립된 제1예측 모델을 생성하고, 복수의 제1예측 모델을 병합하여 제2예측 모델을 생성하는 단계;
    생성된 제1예측 모델 및 제2예측 모델을 이용하여 전력 수요량을 예측하는 단계;
    데이터들을 전처리한 결과와 전력 수요량을 예측한 결과에 따른 예측 정확도를 기초로 제1예측 모델 및 제2예측 모델의 유효성을 평가하는 단계를 포함하는 심층 신경망 기반 전력 수요 예측 방법.
  11. 제10항에 있어서,
    상기 전력 수요량을 예측하기 위한 데이터는 기상 관측 데이터, 기상 예보 데이터, 송전 부하 데이터, AMI(Advanced Metering Infrastructure) 전력 사용량 데이터, 발전단 부하 데이터 및 사회 통계 지표를 포함하는 심층 신경망 기반 전력 수요 예측 방법.
  12. 제10항에 있어서,
    제1예측 모델은 다음날의 최대 전력 수요량을 예측하기 위한 모델로, 장·단기 기억(Long-Short Term Memory) 심층 신경망으로 구성되는 심층 신경망 기반 전력 수요 예측 방법.
  13. 제10항에 있어서,
    제2예측 모델은 다음날의 시간대별 최대 전력 수요량을 예측하기 위한 모델로, 밀집(Dence) 심층 신경망으로 구성되는 심층 신경망 기반 전력 수요 예측 방법.
  14. 제10항에 있어서, 상기 제2예측 모델을 생성하는 단계는,
    상기 전력 수요량을 예측하기 위한 데이터를 정규화하여 0부터 1까지의 분포를 가지는 값으로 변환하여 각 데이터에 대한 제1예측 모델을 생성하는 심층 신경망 기반 전력 수요 예측 방법.
  15. 제10항에 있어서, 상기 제2예측 모델을 생성하는 단계는,
    전처리된 데이터들 중 최근 한달의 데이터를 제외한 다른 데이터들을 이용하여 제1예측 모델 및 제2예측 모델을 학습하고, 전처리된 데이터들 중 최근 한달의 데이터들을 이용하여 제1예측 모델 및 제2예측 모델을 검증하는 심층 신경망 기반 전력 수요 예측 방법.
  16. 제10항에 있어서, 상기 전력 수요량을 예측하는 단계는,
    상기 제1예측 모델을 이용하여 다음날 최대 전력 수요량을 예측한 결과를 제2예측 모델을 이용하여 시간대별 최대 전력 수요량을 예측한 결과에 반영하여 최대 전력 수요량의 값을 보정하는 심층 신경망 기반 전력 수요 예측 방법.
  17. 제10항에 있어서, 상기 유효성을 평가하는 단계는,
    제1예측 모델 및 제2예측 모델의 유효성을 평가한 결과, 제1예측 모델 및 제2예측 모델의 유효성이 기준에 미달하는 경우 상기 제2예측 모델을 생성하는 단계에서 제1예측 모델 및 제2예측 모델을 다시 생성하도록 신호를 전송하는 심층 신경망 기반 전력 수요 예측 방법.
  18. 제11항에 있어서, 상기 유효성을 평가하는 단계는,
    전처리된 기상 관측 및 기상 예보 데이터의 최근 변동률이 임계치를 넘거나, 기상 관측 및 기상 예보 데이터의 최근 변동률이 음에서 양 또는 양에서 음으로 변경되거나, 제1예측 모델 및 제2예측 모델의 예측 정확도의 평균이 특정일 연속 하락하거나, 제1예측 모델 및 제2예측 모델이 생성된 시점이 일주일을 초과한 경우 중 적어도 하나를 포함하는 경우 제1예측 모델 및 제2예측 모델의 유효성을 판단하는 심층 신경망 기반 전력 수요 예측 방법.
KR1020190107234A 2019-08-30 2019-08-30 심층 신경망 기반 전력 수요 예측 장치 및 방법 KR102324783B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190107234A KR102324783B1 (ko) 2019-08-30 2019-08-30 심층 신경망 기반 전력 수요 예측 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190107234A KR102324783B1 (ko) 2019-08-30 2019-08-30 심층 신경망 기반 전력 수요 예측 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20210026447A true KR20210026447A (ko) 2021-03-10
KR102324783B1 KR102324783B1 (ko) 2021-11-11

Family

ID=75148247

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190107234A KR102324783B1 (ko) 2019-08-30 2019-08-30 심층 신경망 기반 전력 수요 예측 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102324783B1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113112090A (zh) * 2021-04-29 2021-07-13 内蒙古电力（集团）有限责任公司内蒙古电力经济技术研究院分公司 基于综合互信息度的主成分分析的空间负荷预测方法
KR20220147968A (ko) * 2021-04-28 2022-11-04 백석대학교산학협력단 실시간 거시지표 예측 기반 주가 예측 시스템
WO2023096471A1 (ko) * 2021-11-29 2023-06-01 옴니시스템 주식회사 공유 공동체에 대한 전력 공급을 최적화하기 위한 장치 및 이를 위한 방법

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140043184A (ko) * 2012-09-28 2014-04-08 한국전자통신연구원 에너지 소비량 예측 장치 및 방법
KR20180060317A (ko) * 2016-11-28 2018-06-07 한국전력공사 심층 신경망 기반 수용가 전력 수요 예측 장치 및 방법
KR101941854B1 (ko) * 2018-11-08 2019-01-24 문경훈 미취득 데이터 보정을 통한 부하 예측 시스템 및 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140043184A (ko) * 2012-09-28 2014-04-08 한국전자통신연구원 에너지 소비량 예측 장치 및 방법
KR20180060317A (ko) * 2016-11-28 2018-06-07 한국전력공사 심층 신경망 기반 수용가 전력 수요 예측 장치 및 방법
KR101941854B1 (ko) * 2018-11-08 2019-01-24 문경훈 미취득 데이터 보정을 통한 부하 예측 시스템 및 방법

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
에너지인터넷에서 1D-CNN과 양방향 LSTM을 이용한 에너지 수요예측 (j.inst.Korean.electr.electron.eng.Vol.23,No.1,134~142,March 2019) 1부.* *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220147968A (ko) * 2021-04-28 2022-11-04 백석대학교산학협력단 실시간 거시지표 예측 기반 주가 예측 시스템
CN113112090A (zh) * 2021-04-29 2021-07-13 内蒙古电力（集团）有限责任公司内蒙古电力经济技术研究院分公司 基于综合互信息度的主成分分析的空间负荷预测方法
CN113112090B (zh) * 2021-04-29 2023-12-19 内蒙古电力（集团）有限责任公司内蒙古电力经济技术研究院分公司 基于综合互信息度的主成分分析的空间负荷预测方法
WO2023096471A1 (ko) * 2021-11-29 2023-06-01 옴니시스템 주식회사 공유 공동체에 대한 전력 공급을 최적화하기 위한 장치 및 이를 위한 방법

Also Published As

Publication number Publication date
KR102324783B1 (ko) 2021-11-11

Similar Documents

Publication Publication Date Title
US10443577B2 (en) Systems and methods for improved wind power generation
EP3458981B1 (en) System and methods for improving the accuracy of solar energy and wind energy forecasts for an electric utility grid
Dvorkin et al. Assessing flexibility requirements in power systems
Foley et al. Current methods and advances in forecasting of wind power generation
CN109426892A (zh) 用于功率电网中的分配负荷预报的系统和方法
Kodaira et al. Optimal energy storage system operation for peak reduction in a distribution network using a prediction interval
JP2020501491A (ja) 動的エネルギーストレージシステム制御のためのシステムおよび方法
KR102324783B1 (ko) 심층 신경망 기반 전력 수요 예측 장치 및 방법
WO2013099323A1 (ja) 電力管理システム及び電力管理方法
Mandal et al. A new recursive neural network algorithm to forecast electricity price for PJM day‐ahead market
CN110705772A (zh) 区域电网风力发电功率预测优化方法和装置
JP2020064446A (ja) 予測システムおよび予測方法
Ernst et al. Online-monitoring and prediction of wind power in german transmission system operation centres
CN117318111B (zh) 一种基于天气预测的光储能源动态调节方法及系统
Chamorro et al. Information length quantification and forecasting of power systems kinetic energy
CN117010946A (zh) 一种火电厂生产经营成本核算系统及其使用方法
CN117439101B (zh) 一种用于电网中新能源与柔性负荷互动的智能网络
Wu et al. Preventive control strategy for an island power system that considers system security and economics
CN112465266A (zh) 一种母线负荷预测准确率分析方法、装置及计算机设备
CN117728379A (zh) 用于区域电网的智能运行调度方法
Chen et al. Neural network based very short term load prediction
Ramirez-Burgueno et al. Pricing wind power uncertainty in the electricity market
Tazi et al. Demand and energy management in smart grid: Techniques and implementation
Bouzidi Wind power variability: Deterministic and probabilistic forecast of wind power production
KR20220021749A (ko) 스마트-팜용 에너지 발전 시스템 및 그 시스템의 구축 방법

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
X091 Application refused [patent]
AMND Amendment
X701 Decision to grant (after re-examination)