KR20210114816A - 부하이미지 프로파일 생성방법 - Google Patents

부하이미지 프로파일 생성방법 Download PDF

Info

Publication number
KR20210114816A
KR20210114816A KR1020200030433A KR20200030433A KR20210114816A KR 20210114816 A KR20210114816 A KR 20210114816A KR 1020200030433 A KR1020200030433 A KR 1020200030433A KR 20200030433 A KR20200030433 A KR 20200030433A KR 20210114816 A KR20210114816 A KR 20210114816A
Authority
KR
South Korea
Prior art keywords
lip
type
load
generating
clip
Prior art date
Application number
KR1020200030433A
Other languages
English (en)
Other versions
KR102318943B1 (ko
Inventor
손성용
박건준
Original Assignee
가천대학교 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 가천대학교 산학협력단 filed Critical 가천대학교 산학협력단
Priority to KR1020200030433A priority Critical patent/KR102318943B1/ko
Publication of KR20210114816A publication Critical patent/KR20210114816A/ko
Application granted granted Critical
Publication of KR102318943B1 publication Critical patent/KR102318943B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/904—Browsing; Visualisation therefor
    • 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
    • G06T5/002—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Public Health (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Power Engineering (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

본 발명은 부하이미지 프로파일 생성방법에 관한 것으로, 세 가지 형태의 엘아이피(LIP:Load Image Profile)를 생성하는 단계와, 세가지 형태의 LIP로부터 씨엘아이피(CLIP:Class Load Image Profile)를 생성하는 단계로 이루어지되, 상기 세 가지 형태의 LIP를 생성하는 단계는 스마트 미터로부터 수집된 1차원 시계열 데이터를 2차원 어레이 데이터 처리하여 타입-1 LIP를 생성하는 단계, 생성된 타입-1 LIP를 이미지 처리(필터링 방법)하여 타입-2 LIP를 생성하는 단계, 생성된 타입-2 LIP를 이미지 처리(쓰레드 홀드방법)하여 타입-3 LIP를 생성하는 단계를 포함하며, 상기 세 가지 형태의 LIP로부터 세 가지 형태의 CLIP를 생성하는 단계는 상기 단계에서 생성된 각각의 타입-1 LIP, 타입-2 LIP 및 타입-3 LIP를 클러스터링 방법으로 그룹화 처리하여 타입-1 씨엘아이피(CLIP:Class Load Image Profile), 타입-2 CLIP 및 타입-3 CLIP를 생성하는 것을 특징으로 한다.

Description

부하이미지 프로파일 생성방법{System and Method of Generating Load Image Profile}
본 발명은 부하이미지 프로파일 생성방법에 관한 것으로, 더욱 상세하게는, 부하의 소비에 대한 이미지 프로파일 생성 방법에 관한 것으로, 부하의 시간에 따른 소비의 패턴을 이미지화하고 부하 소비의 정보를 시각화하여 제공하는 부하의 소비에 대한 이미지 프로파일 생성 방법에 관한 것이다.
부하 프로파일은 시간 경과에 따른 부하 사용 패턴을 나타내며 체계적인 관리의 기본이다. 부하 프로파일은 특정 기간에 대해 계산된 평균을 기준으로 부하 곡선으로 나타낸다. 부하 곡선은 운영자에게 부하 소비량에 대한 시각적 정보를 제공한다. 이러한 시각적 정보는 부하 소비에 대한 시기와 크기를 포함한다. 또한, 이러한 시각적 정보는 부하 피크 정보를 포함한 소비자의 생활패턴을 설명한다. 이러한 부하 프로파일은 관심기간 동안의 평균 효과로 인한 본래의 정보를 누락시킬 수 있다. 부하 곡선은 전기 소비 패턴이 불규칙한 경우 잘못된 정보를 제공할 수 있는 문제점이 있으며, 그 결과로 인한 분석은 예상치 못한 오류를 발생시킬 수 있으며, 이는 결국 운영상의 불안정성과 경제적 손실을 초래할 수 있는 문제점이 있다.
[선행기술문헌]
대한민국 특허공개번호 제10-2019-0098724호(2019년08월22일 공개)(발명의 명칭: 지역 기반 에너지 저장 장치의 제어 시스템 및 이를 이용한 에너지 관리 방법)
본 발명은 상기한 종래의 문제점을 해결하기 위해 제안된 것으로, 특정 관심 구간의 부하 소비량의 변동에 대한 이해를 제공하기 위하여 전기 소비 행동에 대한 더 깊은 통찰력을 제공할 수 있는 부하 이미지 프로파일 생성 방법을 제공함에 있다.
상기와 같은 목적을 달성하기 위하여 본 발명의 바람직한 실시양태에 따른 부하이미지 프로파일 생성방법에 있어서, 세 가지 형태의 엘아이피(LIP:Load Image Profile)를 생성하는 단계와, 세 가지 형태의 LIP로부터 씨엘아이피(CLIP:Class Load Image Profile)를 생성하는 단계로 이루어지되, 상기 세 가지 형태의 LIP를 생성하는 단계는 스마트 미터로부터 수집된 1차원 시계열 데이터를 2차원 어레이 데이터 처리하여 타입-1 LIP를 생성하는 단계, 생성된 타입-1 LIP를 이미지 처리(필터링 방법)하여 타입-2 LIP를 생성하는 단계, 생성된 타입-2 LIP를 이미지 처리(쓰레드 홀드방법)하여 타입-3 LIP를 생성하는 단계를 포함하며, 상기 세 가지 형태의 LIP로부터 세 가지 형태의 CLIP를 생성하는 단계는 상기 단계에서 생성된 각각의 타입-1 LIP, 타입-2 LIP 및 타입-3 LIP를 클러스터링 방법으로 그룹화 처리하여 타입-1 씨엘아이피(CLIP:Class Load Image Profile), 타입-2 CLIP 및 타입-3 CLIP를 생성하는 것을 특징으로 한다.
또한,
타입-1 LIP를 영상 처리하는 방법에서 스무딩 필터와 미디안 필터가 사용된 것을 포함하는 것을 특징으로 한다.
또한,
상기 타입-2 LIP를 영상 처리하는 방법에서 오츠의 방법(Otsu's method)이 사용된 것을 포함하는 것을 특징으로 한다.
또한,
상기 CLIP 생성방법에서 K-means 클러스터링 알고리즘, 퍼지 C-means 클러스터링 알고리즘, 이엠(EM:Expectataion-Maximization) 알고리즘이 사용된 것을 포함하는 것을 특징으로 한다.
이러한 구성의 본 발명에 따르면, 특정 관심 구간의 부하 소비량의 변동에 대한 이해를 제공하기 위하여 전기 소비 행동에 대한 더 깊은 통찰력을 제공할 수 있는 부하 이미지 프로파일 생성 방법을 제공하여, 기존의 부하 프로파일보다 많은 전기 소비 행동에 대한 정보를 제공함으로써 부하 분류 및 예측, 정산 및 요금 설계, 분산 에너지 자원 및 거래 관리 등 전력계통 전반에 필요한 운영, 계획 및 관리 등 목적에 맞는 맞춤형 부하 프로파일을 제공할 수 있는 효과가 있다.
도 1은 본 발명에 따른 LIP 및 CLIP의 생성방법에 대하여 설명하기 위한 흐름도이다.
도 2a는 시간에 대한 소비자에 의해 소비된 전기를 나타내는 1차원 시계열 데이터 세트인 부하 프로파일을 나타낸 도면이다.
도 2b는 대응하는 날(days) 및 시간(hours) 각각에서의 임펄스 노이즈 및 작은 스폿(spot)으로서 각각 나타낸 도면이다.
도 3은 타입-1 LIP 및 대응하는 LP를 나타내되, 도 3a는 2016년 8월 여름에 근무일 동안 전기 소비 패턴을 나타낸 도면이다. 도 3b는 2016년 12월 겨울에 근무일 동안 전기 소비 패턴을 나타낸 도면이다. 도 3c는 2016년 12월 겨울에 근무일 동안 전기 소비 패턴을 나타낸 다른 도면이다. 도 3d는 2016년 12월 겨울에 근무일 동안 전기 소비 패턴을 나타낸 다른 도면이다.
도 4는 3 x 3 미디안 필터(median filter)로 필터링한 결과를 나타낸 도면이다.
도 5는 도 4에 도시된 타입-2 LIP에 대한 4개의 쓰레드홀드(threshold)를 이용한 오츠(Otsu)의 방법에 의해 생성된 타입-2 LIP를 나타낸 도면이다.
도 6은 2016년 8월 동안 5개의 클라스(class)를 그룹화된 타입-3 CLIP를 나타낸 도면이다.
도 7은 2016년 12월 동안 5개의 클라스가 그룹화된 타입-3 CLIP를 나타낸다.
도 8은 본 발명에서 실험한 세 가지 타입 LIP의 유사성을 보여주는 도면이다.
도 9는 타입-3 LIP LC 및 LP에 대한 클라스 부하 프로파일(CLP)을 나타낸 도면이다.
도 10은 혼동 행렬(confusion matrix)을 이용한 CLP의 각 클라스에 속한 가구 수에 대한 타입-3 CLIP의 각각의 클라스에 속한 가구 수 비율을 나타낸 도면이다.
도 11 및 도 12는 각각 2016년 8월과 12월에 대한 DB지수를 보여주는 도면이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시 예들을 도면에 예시하고 상세하게 설명하고자 한다.
그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가진 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
소비자 에너지 소비 패턴의 깊은 이해는 정확한 예측 및 효율적 관리를 위해 필수적이다. 본 발명의 새로운 부하 프로파일(load profile) 분석 방법은 전기 소비 패턴의 이해 및 개선을 단순화하는(simplifies)
이미지 처리 기술(image processing technology)을 이용하는 것이다
시간에 대한 전기 소비 패턴은 2차원의 부하 이미지 프로파일로서 표현된다.
이들 프로파일은 과도한 민감성(excessive sensitivity)을 억제하기 위하여 필터링 및 쓰레드홀딩(thresholding)기술을 이용하는 이미지처리에 의해 변경된다(modified).
또한, 클러스터링 알고리듬은 부하 이미지 프로파일을 분류하는데(classify) 수행되고, 대표적 집단(class) 부하 이미지 프로파일이 얻어진다. 결론적인 클러스터(resulting cluster)는 종래 부하 프로파일 분석의 결과와 비교된다. 제안된 방법은 다른 부하 이미지 프로파일 집단(classes)중에서 평가 시점(viewpoint)로부터 종래의 접근에 비해(over) 향상된 성능을 보여준다.
소개
전력 산업에서의 패러다임은 스마트 미터의 확산 및 분산 자원으로 인해 변화하고 있다.
스마트 미터의 확산(spread)은 에너지 소비에 대한 개선된 미터링 데이터를 얻는 것이 가능하게 하며, 그 패턴들은 분산된 자원의 확산으로 더 다양하게 되어가고 있다. 전기 소비 데이터는 전기 부하 프로파일(LPs)을 생성하고 시간에 대한 전기 사용 정보를 제공하는데 사용된다. 이 데이터는 전기 공급 계획 및 관리를 위한 상세한 전략의 개발을 가능하게 한다. 시간에 대한 일일 전기사용패턴의 안정성에 대한 이해는 가정에서 전기를 사용하는 방법에 대한 더 깊은 통찰력을 제공한다. 이러한 정보는 오퍼레이터가 부하 예상 및 계획을 개선하고 요금을 설계하도록 돕고, 수요 측면 응답 및 분산(distributed) 에너지 자원을 효과적으로 운용하고 관리하도록 돕는다.
소비자들은 불필요한 전기 사용을 줄여서 전기 요금을 절약하고 잉여 전기를 판매하려고 한다. 특히, 다양한 에너지 소비 패턴은 태양광 패널 설치 및 전기 자동차의 점진적인 확장으로 부각된다.
유틸리티 및 오퍼레이터들에 대하여, 스마트 그리드 환경에서 변화들을 수용하기 위하여 부하 자원의 효율적 계획 및 관리를 위한 적응적 접근이 요구된다.
부하 프로파일은 시간에 대한 전기 사용 패턴을 보여주고 계통 관리(systematic management)에서의 기본사항이다.
부하 프로파일은 하루 동안에 특정 시간 주기에 대해 계산된 평균에 의해 일일 소비 패턴을 묘사한다.
부하 곡선은 전기 소비에 대한 시각적 정보를 운영자에게 제공한다. 이러한 정보는
전기 사용의 타이밍과 크기를 포함하며, 또한 피크 부하를 포함한 전기 소비자의 라이프 스타일을 묘사한다.
이들은 널리 사용된 부하 프로파일은 관심 시간 주기에 대한 평균 효과로 인해 정보의 고유 손실을 나타낸다. 부하 곡선은 만약 전기 사용 패턴이 불규칙적이면 부정확한 정보를 제공할 수도 있고, 결과 분석은 기대하지 않는 오류를 나타낼 수 있으며, 차례로 동작 불안정성 및 경제적 손실을 가져올 수 있다. 더 정확한 정보를 제공하기 위하여, 전기 사용 패턴의 더 깊은 이해를 얻기 위하여 본질적인 정보를 끌어내기 위한 직관적인 접근이 요구된다.
부하 프로파일링과 관련된 현존하는 연구는 엔지니어링, 통계학 및 데이터 마이닝 및 인공 지능에 기반한 접근을 사용한다.
대부분의 접근들은 시간에 대한 크기(즉, 부하 곡선(curve) 또는 부하 형태(shape))에 기초한 전기 소비 특성들을 나타내고 있다.
이 발명의 목적은 부하 이미지 프로파일(LIP:Load Image Profile)이라고 불리우는 새로운 부하 프로파일을 제공하는 데 있으며, 시간(hour) 및 일자(day)에 의한 전기 소비의 변화의 이해를 간편하게 하며, 이로 인해 소비자의 행동(behavior)에 더 깊은 통찰력을 제공하는데 있다.
세 가지 타입의 LIP를 생성하는 방법은
클래스 부하 이미지 프로파일(CLIP:Class Load Image Profile)를 생성하기 위한 클러스터링 방법으로 설명된다.
다음으로, 생성된 LIP 및 CLIP의 특징들이 논의되며 효율적으로 표시된다. 특히,
제안된 부하 프로파일 방법은
종래의 부하 프로파일보다 더 많은 정보를 제시함으로써(presenting) 복잡한 스마트 그리드 환경에서 효율적인 운영 및 관리가 가능하게 한다는 것이 도시된다.
이하에서는 새로운 부하 프로파일을 생성하는 방법과, 제안된 부하 프로파일을 분석하기 위하여 사용된 실험에 대하여 설명하며, 클러스터링에 대해 논의하며, 최종적으로 결론을 제시한다.
LIP 및 CLIP 생성방법론
도 1을 참조하면, LIP 및 CLIP의 생성방법에 대하여 설명한다. 이 방법의 첫번째 단계에서는 세 가지 형태의 LIP를 생성하고 두번째 단계에서는 LIP로부터 CLIP를 생성한다.
스마트 미터로부터 수집된(S2) 1차원 시계열 데이터는 타입-1 LIP(S5)를 생성하기 위하여 2차원 어레이로 처리된다(S4). 이후, 이미지 처리 방법(필터링 방법)(S6)이 타입-2 LIP(S7)를 생성하기 위하여 타입-1 LIP에 가해진다(applied).
또 다른 이미지 처리 방법(쓰레드홀드 방법)(S8)이 타입-3 LIP(S9)를 생성하기 위하여 타입-2 LIP(S7)에 가해진다. 최종적으로, 제 1 단계에서 생성된 세가지 LIP는 대표적인 CLIP의 세 가지 형태인 타입-1 CLIP, 타입-2 CLIP 및 타입-3 CLIP (S11,S12,S13)를 생성하기 위하여 클러스터링 방법(S10)을 사용하여 그룹화된다.
이하에서는 방법이 각 단계에 대하여 상세히 설명한다.
부하 이미지 프로파일의 생성
도 2a를 참조하면, 부하 프로파일은 시간에 대한 소비자에 의해 소비된 전기를 나타내는 1차원 시계열 데이터 세트이다. 이 프로파일은 수학식 1처럼 벡터 형태로 표현될 수 있다.
Figure pat00001
여기서, LPj d은 가구(household) j 및 하루 d에 대한 부하 프로파일이고, pj h는 시간 h에서 가구 j의 시간당 전기 소비(특정 기준으로 정규화(normalized)된것)를 나타낸다.
데이터 처리는 부하 프로파일로부터 LIP를 생성하기 위하여 수행된다.
한달 동안 1 차원 전기 에너지 소비는 수학식 2에 도시된 것처럼 2 차원 어레이 형태로 변환된다.
Figure pat00002
여기서, LIPj m는 월 m 동안 가구(household) j의 부하 프로파일이고, pj d,h는 하루 d의 시간 h에서 가구 j의 시간당 전기 소비(특정 기준으로 정규화(normalized)된것)를 나타낸다.
이미지 프로세싱
로우(raw) 스마트 미터 데이터로부터 얻어진 타입-1 LIP는 더 선명한 부하 이미지를 생성하기 위하여 이미지 처리에 의해 개선될 수 있다.
수학식 2의 부하 이미지는 수학식 3에 의한 2차원 함수 f(x,y)로서 재정의된다(redefined).
Figure pat00003
여기서, x 및 y는 공간(평면) 좌표이고, 좌표 쌍(x,y)에서 함수의 크기는 그 지점에서 이미지의 세기(intensity)이다. M 및 N은 각각 이미지의 행 령의 픽셀 수이다.
스무딩(smoothing) 필터가 블러링(blurring) 및 노이즈 감소를 위하여 사용된다.
블러링은 이를 테면 선 또는 곡선에서 큰 물체(object)를 추출하고 작은 갭을 연결하기 전에 이미지로부터 작은 세부사항들을 제거하는 것과 같은 전처리(preprocessing) 작업(tasks)에서 사용된다.
스무딩 필터를 적용하기 위한 다양한 방법들이 있다. 본 발명에서는
미디안 필터(medial filter)(순서(order) 통계 기반 비선형 필터)가 선택되었다. 미디안 필터는
특정 타입의 노이즈에 대해 우수한 노이즈-저감 능력을 가지며,
선형 필터보다 덜 흐리며, 특히 임펄스(impluse) 노이즈 저감에 효과적이다.
미디안 필터는 이웃하는 픽셀의 세기 레벨의 미디안 값으로 픽셀값을 대체한다.
Sxy는 중심점 (x,y) 직사각형 서브이미지 윈도우 크기 m x n에서 좌표 집합을 나타낸다.
미디안 필터는
수학식 4에 도시한 바와 같이,
Sxy 에 의해 정의된 지역에서 픽셀을 사용하여 원본 이미지 f(x,y)의 미디안 값 g(x,y) 계산을 처리한다.
Figure pat00004
여기서, 점 (s,t)는 Sxy에 의해 정의된 지역에서의 좌표이다.
매우 크고 매우 작은 전기 소비는 LIP에서 도 2b에 도시한 것처럼 대응하는 일(days) 및 시간(hours) 각각에서의 임펄스 노이즈 및 작은 스폿(spot)으로서 각각 나타난다. 이러한 전기 소비 패턴은 이웃하는 미디안 세기로 대체됨으로써 제거되며, 이러한 처리는 타입-2 LIP를 생성한다.
다른 이미지 처리 기술인 쓰레드홀딩은
이미지 세기에 기초한 쓰레드홀드 값을 선택함으로써 직접적으로 이미지를 지역으로 분리한다.
쓰레드홀드를 결정하는 오츠(Otsu)의 방법은
이미지 픽셀을 둘 또는 그 이상의 그룹(또는 클래스)로 분류할 때(classifying)
클래스내 분산(inter-class variance)을 최대화하는 것을 포함한다.
오츠의 방법이 간단히 소개된다. 하나의 이미지를 K 클래스(C1,C2,....Ck)로 분리함에 있어서, 클래스내 분산은 도시된 수학식 5, 수학식 6 및 수학식 7에 의해 생성된다.
Figure pat00005
Figure pat00006
Figure pat00007
여기서, Pk는 픽셀이 k 클래스에 할달된 확률이고, mK는 cK에 할당된 픽셀의 평균 세기 값이고, mG는 전체 이미지의 평균 세기값이고, pi는 세기 i의 확률이다.
다중 쓰레드홀드에 대하여는, K 클래스가 K-1 쓰레드홀드로 분리된다. 최적 쓰레드홀드 K* 1, K* 2, K* K-1 는 도시된 수학식 8처럼 최대화된 값이다.
Figure pat00008
쓰레드홀드가 결정된 때, 이미지 f(x,y)는 도시된 수학식 9처럼 분리된다.
Figure pat00009
여기서, a1, a2,..., aK - 1는 임의의 세기 값이다.
스무딩 필터에 의해 생성된 타입-2 LIP는 날 및 시간 도메인에서 유사한 전기 소비를 가진 특정 영역을 나타낸다. 쓰레드홀딩은 클래스 쓰레드홀드를 적용함으로써 유사한 전기 소비를 가진 이미지의 영상의 선명함과 지역 아이덴티티를 개선하며, 이러한 과정은 처리는 타입-3 LIP를 생성한다.
클래스 부하 이미지 프로파일의 생성
이하에서는 LIP로부터 CLIP의 생성을 설명한다.
그 목적은 클러스터링 방법을 사용하여 유사한 전기 소비를 가진 고객을 함께 묶는 것이다.
가장 널리 연구된 클러스터링 알고리듬은 파티션-기반 및 계층적 기반 클러스터링 알고리듬이다.
이들 알고리듬은 간편하고 계산이 덜 복잡하여 넓은 영역의 실제 적용에 사용되고 있다.
파티션 기반 클러스터링 알고리듬은
명시된 목적 함수(specified objective function)을 최적화하고 반복적으로 파티션의 질(quality)을 개선함으로써 데이터내의 그룹을 확인한다(identify). 이들 알고리듬은 각각의 클러스터의 프로토타입 벡터를 선택하기 위하여 특정 변수(parameter)를 요구한다.
K-means 클러스터링 알고리듬은 가장 널리 사용되는 파티션-기반 클러스터링 알고리듬이다. 이 알고리듬을 수행하기 위하여, 입력 벡터는 2차원 어레이(이 경우, LIP)를 1차원 벡터로 변형하여 구성된다. 이 벡터의 길이는 한달에서 날짜의 수에 24(하루당 시간)를 곱한 것이다. 그 알고리듬은 K 초기 대표 벡터를 선택함으로써 시작한다. 각각의 벡터는 특별한 인접 치수(measure)(유글리드 거리 Euclidean distance)에 기초한 최근접 중심에(the closest centroid) 할당된다. 클러스터가 형성되면, 각 클러스터의 중심(centroid)은 갱신된다. 그리고, 그 알고리듬은 그 중심이 변하지 않을 때까지 혹은 어떤 미리 설정된 수렴(convergence) 기준이 될 때까지 이들 두 단계(steps)는 반복적으로 되풀이된다.
퍼지(Fuzzy) C-means (FCM) 클러스터링 알고리듬은, 또 다른 파티션-기반 클러스터링 알고리듬으로서, 각각의 입력 벡터가 하나 또는 그 이상의 클러스터에 속하는 구성원의 정도(degree)를 사용하여 클러스터링을 수행한다. FCM 알고리듬은 입력 벡터를 퍼지 그룹으로 파티션한다. 각각의 입력 벡터는 0과 1사이의 구성원 정도로 할당된 그룹이다. 각각의 클러스터 및 구성원 정도의 중심은 오브젝트 함수(objective function)가 최소화되고 수렴될(converged) 때까지 갱신된다.
기대-최대화(Expectation-Maximization)(EM) 알고리듬은, 분포-기반(distribution-based) 클러스터링 알고리듬으로서, 각각의 입력 벡터가 가우시안(Gaussian) 혼합 모델에 속하는 확률을 조정함으로써(adjusting) 최적 모델을 생성하는 반복적인 방법이다.
EM 알고리듬은 기대 단계 및 최대화 단계로 구성된다.
추정(estimated) 파라미터는 기대 및 최대화 단계를 다시 반복하고 수렴까지 이들 두 단계를 반복한다.
1차원 벡터의 결과적인 중심은 2차원 어레이의 이미지로 저장되고, 클러스터의 이러한 중심이미지가 CLIP이다. 세 가지 타입의 CLIP는 이전에 언급된 세 가지 타입의 LIP로부터 생성된다. 타입-1, 타입-2, 및 타입-3 CLIP는 각각 대응하는 LIP로부터 생성된다. 결과적인 CLIP의 특징 및 분석은 이하에서 설명된다.
실험 및 분석
데이터세트(DATASETS)
본 발명에서 사용된 스마트 미터 데이터는 2016년 1월 1일 부터 12월 31일까지 1시간 간격으로 얻어진 전기 부하 데이터이다. 세 가지 타입의 LIP의 생성 및 분석은 개별 가구에 기초하여 수행되었고, 이들 LIP로부터 생성된 세 가지 타입의 CLIP의 분석은 평수에 의해 세 가지 그룹으로 나누어 수행된다. 이 분석은 근무일 기준으로 수행되었다.
부하 이미지 프로파일의 분석
이하에서는 데이터 프로세싱을 이용하여 생성된 타입-1 LIP의 특징을 분석한다.
도 3은 타입-1 LIP 및 대응하는 LP를 나타낸다.
임의로 선택된 고객에 대한 종래 방법의 집합(aggregation)에 의해 얻어진
도 3에서, 상부 및 하부 그림들은 LIP 및 대응하는 LP를 나타낸다.
도 3a에서, 그림은 2016년 8월 여름에 근무일 동안 전기 소비 패턴을 나타낸다.
LIP는 8월 중순에 13,14, 및 18-23시에 간헐적으로 발생된 매우 큰 피크(갈색 픽셀)를 보여준다.
추가로 다른 전기 부하 소비 패턴은 약 3-4일의 간격에서 6-8 시간 및 19-23시 동안 발생한다. 이것은 비록 소비자가 규칙적인 생활습관(Lifestyle)로 살아간다고 해도, 그들은 어떤 날에 전기 소비에 있어서 시간적으로 차이를 가진다는 것을 의미한다. LP에 있어서, 피크 소비는 아침과 저녁에 발생하는 것이 명백하지만, 다른 전기 부하 소비 행동(behavior)을 설명하기는 어렵다.
도 3b에 있어서, 도면은 2016년 겨울(12월) 근무일(working days)동안 전기 소비 패턴을 나타낸다. 이들 두 가지 소비 패턴은 6-8시간 동안 발생된 오전 피크 및 18시-22시 동안 저녁 피크를 보여준다. 한편, LIP는 저녁 시간내 약 4-5일 간격으로 전기 소비 패턴이 번갈아 발생하는 것을 나타낸다.
도 3c에 있어서, LIP는 날(day) 및 시간(hour)당 크게 변하는 전기 소비 패턴을 보여준다. LIP는 즉각 이런 패턴을 시각적으로 확인 가능하다. 한편, LP는 아침 및 저녁 피크가 평균 8 및 18시에 각각 발생된 것을 보여준다. 그러나, LP는 평균 값의 총합(aggregate)이기 때문에, 날 및 시간에 따른 소비 패턴에 있어서의 변동성(variability)은 설명할 수 없다. 따라서 소비자의 전기 소비 행동을 오해할 가능성이 있다(문제점).
도 3d는 전기가 소비되지 않았을 때의 날들, 예를 들면, 오랜 기간 집을 떠나 있는 동안 전기 소비 패턴을 보여준다. 그런 경우에 있어서, LIP는 전기 소비 행동에 대한 직관적 통찰(intuition)을 시각적으로 확인 가능하다.
한편, LP는 이러한 소비 패턴을 적절하게 반영하지 않는다,(문제점)
이들 결과에 기초하여, 타입-1의 LIP는 전기 소비 패턴에 있어서 변동성의 직관적 이해를 제공할 수 있고 날 및 시간에서의 전기 소비에 대한 추론을 뒷받침할 수 있다는 것이 확인되었다.
이미지 처리된 부하 이미지 프로파일의 분석
이하에서는, 타입-2 LIP가 분석된다. 타입-2 LIP는 타입-1 LIP에 미디언 필터(median filter)를 적용하여 생성된다.
도 4는 3 x 3 미디안 필터(median filter)로 필터링한 결과를 보여준다. 도 3에서 대응하는 달과 비교하여, 전기소비가 매우 높거나(피크 날 및 피크 시간) 매우 낮은 고립된(isolated) 영역은 미디안 필터에 의해 이웃하는 영역의 미디안 강도(intensity)로 변경된다. 또한, 매우 높고 낮은 전기 소비를 가진 경계(boundary) 영역은 유사한 전기 소비 영역(유사 강도를 가진 이미지 영역)을 형성하도록 희미해진다(blurred).
도 4(a)는 도 3에서의 첫 번째의 타입-1 LIP를 필터링 한 결과이다. 8월 중순에 13 및 14시에 발생된 피크가 마치 잡음이었던 것처럼 제거되었고, 21 및 22 시에서 발생된 피크는 날 및 시간의 작은 영역에서 그룹화되었다. 또한, 날마다 비슷한 시간에 번갈아(alternated) 발생하는 전기 소비 패턴은 비슷한 전기 소비를 가진 날 및 시간 영역을 형성하기 위해 희미해 진다. 도 4(b)는 도 3에서의 두번째의 타입-1 LIP를 필터링한 결과를 나타낸다. 유사하게, 임펄스(impulse) 노이즈 형태의 피크는 필터되고 유사한 전기 소비 패턴을 가진 영역들은 함께 그룹화된다.
따라서, 필터링은 고립된 피크 날 및 시간 도메인의 전기 소비 패턴이 제거되며 이웃하는 날 및 시간 도메인(domain)에서의 유사한 전기 소비 패턴들이 함께 그룹화된 타입-2 LIP를 생성한다.
도 5는 도 4에 도시된 타입-2 LIP에 대한 4개의 쓰레드홀드(threshold)를 이용한 오츠(Otsu)의 방법에 의해 생성된 타입-3 LIP를 나타낸다. 기대된 것처럼, 날 및 시간 도메인은 5가지 클래스로(class)로 분할되고(divided), 유사한 전기 소비 패턴 크기를 가지는 영역이 명확하게 도시된다. 도 5(a)에서, 8월 중순 21 및 22시 사이에서 피크가 발생되고 전기 소비는 21시에서 높게 된다. 도 5(b)에서, 12월 중순 6시 와 7시 사이에 아침 피크가 발생되고, 저녁 피크의 발생은 19시 및 21시 사이에서 약 2 내지 4일 간격으로 변동된다(fluctuated). 따라서, 타입-3 LIP는 날 및 시간 도메인에서 전기 소비 패턴의 더 나은 이해를 제공한다.
클라스(CLASS) 부하 이미지 프로파일 분석
이하에서 본 발명은 클러스터링 알고리듬을 이용하여 LIP를 그룹핑함으로써 생성된 CLIP를 분석한다.
도 6은 2016년 8월동안 5개의 클라스(class)를 그룹화된 타입-3 CLIP를 나타낸다. 클라스 1 CLIP은 가장 높은 전기 소비를 가지고 있다. 이러한 전기 소비 레벨은 그 달 시작으로부터 대략 18 근무일 동안 유지된다. 또한, 전기는 20-23시간 동안 발생하는 피크 타임을 가진 이른 아침 시간을 제외한 모든 시간에 소비된다. 클라스 2 CLIP는 8월 시작일로부터 처음 15일 동안 20 내지 23시간에 높은 전기 소비를 가지고 있다. 클라스 3 CLIP는 그 달 중간에 20시간 근방에서 높은 전기 소비를 가지고 있다. 클라스 4 CLIP는 클라스 3과 유사하지만 클라스 3 보다는 전반적으로(overall) 덜한(less) 소비 패턴으로 유사한 전기 소비 패턴을 나타낸다. 클라스 5 CLIP는 클라스 2 CLIP와 유사한 전기 소비 패턴을 가지고 있으나 더 적은 양의 전기 소비를 가진다. 여기서의 클라스 1~5는 고객분류를 나타낸다.
도 7은 2016년 12월 동안 5개의 클라스가 그룹화된 타입-3 CLIP를 나타낸다. 모든 클라스에 대한 전기 소비 패턴은 거의 유사하다. 패턴들은 일별로 대략 일정하며, 피크 시간은 19 내지 23 시간 동안에 발생한다.
클러스터링 분석 및 토의
이하에서, 본 발명은 클러스터링 분석이 CLIP에 대해 수행된다. 이러한 분석을 위하여, 클러스터의 수는 2 부터 10개까지 증대되고, 분석은 10회 반복된다. 그 클러스터의 중심 벡터(centroid vector)와 클러스터내에서의 객체(object)사이의 유클리드 거리(Euclidean distance)를 이용하여 계산된 비유사성(dissimilarity)은 클러스터 평가(evaluation)를 위하여 사용된다. 비유사성의 평균 값은 10회 반복하여 계산된다.
기존의 LP와 비교를 위해, 두 가지 방법이 세 가지 타입의 LIP에 적용되었다. 첫 번째 방법은 LIP의 2차원 부하 이미지(LI)를 이용하여 비유사성을 계산하였다. 두 번째 방법은 LIP를 평균한 24시간 부하 곡선(LC)으로 변환하여 비유사성을 계산하였다.
도 8은 본 발명에서 실험한 세 가지 타입 LIP의 유사성을 보여준다. 도 8(a) 및 도 8(b)는 각각 2016년 8월 및 12월의 근무일 동안 비유사성의 비교를 보여준다. 세 가지 LIP의 LI는 LP보다 더 나쁜 비유사성을 보여준다. LIP를 LC로 변환한 후에, 타입-2 및 타입-3 LIP에 대한 LC는 좋은 비유사성을 보여준다.
LI의 비유사성이 가장 나쁜 이유는 그들의 벡터 차원이 LP의 벡터보다 더 높은 시간과 날(day)의 곱이기 때문이다. 타입-1 LIP에 대한 LC는 날 및 시간에 대한 전기 소비 패턴의 변동(Variation)으로 인해 낮은 정도의 비유사성을 가진다. 타입-2 및 타입-3 LIP에 대한 LC의 비유사성이 LP보다 더 좋은 이유는 필터링 및 쓰레드홀딩 기술은 날 및 시간에 대한 전기 소비 패턴에서의 변동을 줄여주기 때문이다. 이것은 타입-2 및 타입-3 LIP들에 대한 LC의 클라스 그룹핑이 LP보다 더 낫다는 것을 의미한다. 따라서, 타입-2 및 타입-3 LIP에 대한 LC는 LP보다 더 나은 클라스 그룹핑을 형성한다.
도 9는 타입-3 LIP LC 및 LP에 대한 클라스 부하 프로파일(CLP)을 나타낸다. 직선은 5개의 LIP LC를 표현하며, 점선은 5개의 CLP를 표현한다. 각각의 CLP는 클라스의 대표적인 LP이고, LP를 클러스터링함으로써 얻어진 클러스터의 중심 벡터이다. 타입-3 LIP LC와 LP를 비교하면, 타입-3 LIP LC의 크기는 보통 LP보다 작은데 그 이유는 간헐적인(intermittent) 피크 값은 필터링 및 쓰레드홀딩 기술에 의해 제거되었기 때문이다.
도 9(a)는 2016년 8월 근무일 동안의 결과를 나타낸다. 클라스 1,4 및 5는 유사한 CLP를 가지며, 클라스 2 및 3은 다르다. 이것은 k-means 클러스터링을 위해 선택된 초기 중심 벡터 때문이고, 다른 CLP가 형성될 수 있다는 것을 의미한다. 도 9(b)는 2016년 12월 근무일 동안의 결과를 보여준다. 5개의 클라스가 유사한 CLP를 가지고 있다는 것을 나타낸다.
도 10은 혼동 행렬(confusion matrix)을 이용한 CLP의 각 클라스에 속한 가구 수에 대한 타입-3 CLIP의 각각의 클라스에 속한 가구 수 비율을 나타낸다. 도 10(a)에 도시한 바와 같이, 8월에, 클라스 1-5에 대한 비율은 7.2%, 3.7%, 0.8%, 21%, 및 21.4%인 것으로 나타났다. 특히, 클라스 3의 CLIP 및 CLP는 도 9(a)에 도시된 바와 같이, 서로 다른 전기 소비 패턴을 나타내며, 따라서 클라스 3에서의 가구들은 다른 소비 패턴을 가진 그룹들처럼 도시될 수 있다. 이것은 여름에 소비자의 전기 소비 패턴은 다르며, 다른 부하 프로파일은 클러스터링 방법에 의존(depending)된다는 것을 암시하고(imply) 있다.
또한, 낮은 전기 소비를 가진 클라스 4 및 5에 속하는 많은 가구는 같은 클라스에 속한다는 것을 알 수 있다. 12월에, 도 10(b)는 클라스 1-5에 대한 비율이 각각 5.2%, 6.5%, 13.6%, 27.3% 및 20.6%인 것을 보여준다. 이들 비율은 12월 전기 소비 패턴이 8월보다 더 같은 클라스에 속할 것이라는 나타내며, 다시 말하면, 전기 소비 패턴은 8월 보다는 12월에 덜 변한다는 것이다. 이러한 결과는 도 9(b)에와 일치하는데, 각 클라스에 대하여 CLIP 및 LP가 동일한 전기 소비 패턴을 가진다는 것을 보여준다.
각각의 클러스터링 알고리듬(K-means, FCM 및 EM 알고리듬)의 결과를 평가하기(evaluate) 위하여 데이비스-보울딘(Davies-Bouldin,DB) 지수(index)를 적용한다. 세개의 클러스터링 방법은 10회 반복한 평균값을 가지고 DB 지수를 사용하여 비교한다. 클러스터링은 전체 가구를 평수에 기초한 세 가지 그룹으로 나눔으로써 수행된다. 도 11 및 도 12는 각각 2016년 8월과 12월에 대한 DB지수를 보여준다. 여기서, 직선, 일점쇄선, 및 점선은 각각 K-means, FCM 및 EM 알고리듬의 결과를 나타낸다. 그리고 원, x표, 사각형, 별표는 LP, 타입-1 LIP, 타입-2 LIP, 및 타입-3 LIP를 각각 표현한다.
K-means 알고리듬은 8월 및 12월에 세가지 그룹들에서의 DB 지수에 대해 최소값을 가진다. 대부분의 경우에, 제안된 타입-1 LIP, 타입-2 LIP, 및 타입-3 LIP는 기존의 LP보다 더 낮은 DB 지수 값을 가지는 것을 알 수 있다, 제안된 세 가지 타입 LIP는 기존의 LP보다 DB 지수로 고객의 전기 소비를 더 좋게 그룹핑함으로써 대표적인 부하 이미지 패턴을 형성한다는 것은 명백하다.
결론
본 발명에 따르면, 세 가지 타입의 LIP를 제시하였고 고객의 전기 소비 행동에 대한 통찰력을 더욱 효과적이고 시각적으로 제공할 수 있다. 기존의 부하 곡선은 전기 소비에 대한 정보를 왜곡시킬 수 있다. 특히, 부하 곡선은 다른 날 같은 시간이나 외출한 날에 고객의 전력 소비의 행동을 파악하기가 어렵다. 그러나 제안된 방법은 쉽게 이들 행동의 변동성을 파악할 수 있다(효과).
이들 LIP를 생성하는 방법은 데이터 처리 및 이미지 처리 기술을 이용하여 개발되었다.
1차원 시계열 스마트 미터 데이터는 데이터 처리에서 이미지들 처럼 2차원 어레로 변환되며, 필터링 및 쓰레드 홀딩 방법이 이미지 처리에서 이들 이미지를 처리하기 위하여 사용된다.
이들 분석은 1월부터 12월까지 다른 달에도 수행되며, 유사한 결과들이 얻어진다.
비교결과들은 타입-2, 타입-3 CLIP가 이미지 처리를 통해 클라스로 효과적으로 그룹화될 수 있다는 것을 보여준다.
스마트 미터들에 의한 전력 소비 데이터의 양 및 부하 곡선의 해상도는 계산 시간을 증가시킨다. 또한, 부하 이미지 프로파일은 적용된 알고리듬에 따라 초기 값 및 클러스터의 수에 의존하여 다르게 발생 될 수 있다.
현재의 문헌(literature)은 다양한 방법과, 알고리듬 및 대응하는 파라미터가 LIP를 생성하고 이용하는데 적용될 수 있다.
또한, 이 발명의 결과는 제안된 LIP는 고객 행동에 대하여 기존의 LP보다 더 나은 정보를 제공할 수 있다는 것을 나타낸다. 이런 정보는 스마트 그리드 시스템의 운용, 계획 및 관리를 위해 상업화될 수 있다.
본 발명의 부하 이미지 프로파일 생성 장치 및 방법에 따르면, 부하 이미지 프로파일은 기존의 부하 프로파일보다 보다 많은 전기 소비 행동에 대한 정보를 제공함으로써 부하 분류 및 예측, 정산 및 요금 설계, 분산 에너지 자원 및 거래 관리 등 전력계통 전반에 필요한 운영, 계획 및 관리 등 목적에 맞는 맞춤형 부하 프로파일을 제공할 수 있다.
이상에서와 같이 도면과 명세서에서 최적의 실시예가 개시되었다. 여기서 특정한 용어들이 사용되었으나, 이는 단지 본 발명을 설명하기 위한 목적에서 사용된 것이지 의미 한정이나 청구범위에 기재된 본 발명의 범위를 제한하기 위하여 사용된 것은 아니다. 그러므로, 본 기술 분야의 통상의 지식을 가진자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호범위는 첨부된 청구범위의 기술적 사상에 의해 정해져야 할 것이다.
S2 : 스마트 미터 데이터 수집
S4 : 데이터 처리(2차원 어레이)
S6 : 이미지 처리(필터링)
S8 : 이미지 처리(쓰레드 홀딩)
S10 : 클러스터링

Claims (4)

  1. 부하이미지 프로파일 생성방법에 있어서,
    세 가지 형태의 엘아이피(LIP:Load Image Profile)를 생성하는 단계와, 세가지 형태의 LIP로부터 씨엘아이피(CLIP:Class Load Image Profile)를 생성하는 단계로 이루어지되,
    상기 세 가지 형태의 LIP를 생성하는 단계는
    스마트 미터로부터 수집된 1차원 시계열 데이터를 2차원 어레이 데이터 처리하여 타입-1 LIP를 생성하는 단계,
    생성된 타입-1 LIP를 이미지 처리(필터링 방법)하여 타입-2 LIP를 생성하는 단계,
    생성된 타입-2 LIP를 이미지 처리(쓰레드 홀드방법)하여 타입-3 LIP를 생성하는 단계를 포함하며,
    상기 세 가지 형태의 LIP로부터 세 가지 형태의 CLIP를 생성하는 단계는
    상기 단계에서 생성된 각각의 타입-1 LIP, 타입-2 LIP 및 타입-3 LIP를 클러스터링 방법으로 그룹화 처리하여 타입-1 씨엘아이피(CLIP:Class Load Image Profile), 타입-2 CLIP 및 타입-3 CLIP를 생성하는 것을 포함하는 것을 특징으로 하는 부하이미지 프로파일 생성방법.
  2. 제 1 항에 있어서,
    타입-1 LIP를 이미지를 영상 처리하는 방법에서 스무딩 필터와 미디안 필터가 사용된 것을 포함하는 것을 특징으로 하는 부하이미지 프로파일 생성방법.
  3. 제 1 항에 있어서,
    상기 타입-2 LIP 이미지를 영상 처리하는 방법에서 오츠의 방법(Otsu's method)이 사용된 것을 포함하는 것을 특징으로 하는 부하이미지 프로파일 생성방법.
  4. 제 1 항에 있어서,
    상기 CLIP 이미지 생성방법에서 K-means 클러스터링 알고리즘, 퍼지 C-means 클러스터링 알고리즘, 이엠(EM:Expectataion-Maximization) 알고리즘이 사용된 것을 포함하는 것을 특징으로 하는 부하이미지 프로파일 생성방법.
KR1020200030433A 2020-03-11 2020-03-11 부하이미지 프로파일 생성방법 KR102318943B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200030433A KR102318943B1 (ko) 2020-03-11 2020-03-11 부하이미지 프로파일 생성방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200030433A KR102318943B1 (ko) 2020-03-11 2020-03-11 부하이미지 프로파일 생성방법

Publications (2)

Publication Number Publication Date
KR20210114816A true KR20210114816A (ko) 2021-09-24
KR102318943B1 KR102318943B1 (ko) 2021-10-27

Family

ID=77914760

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200030433A KR102318943B1 (ko) 2020-03-11 2020-03-11 부하이미지 프로파일 생성방법

Country Status (1)

Country Link
KR (1) KR102318943B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116488141A (zh) * 2023-03-22 2023-07-25 国家能源集团乐东发电有限公司 一种基于多能互补的电网能量供应方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104331840A (zh) * 2014-10-27 2015-02-04 东南大学 电力市场环境下负荷零售商的最优购电方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104331840A (zh) * 2014-10-27 2015-02-04 东南大学 电力市场环境下负荷零售商的最优购电方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116488141A (zh) * 2023-03-22 2023-07-25 国家能源集团乐东发电有限公司 一种基于多能互补的电网能量供应方法及系统
CN116488141B (zh) * 2023-03-22 2023-10-27 国家能源集团乐东发电有限公司 一种基于多能互补的电网能量供应方法及系统

Also Published As

Publication number Publication date
KR102318943B1 (ko) 2021-10-27

Similar Documents

Publication Publication Date Title
Benítez et al. Dynamic clustering segmentation applied to load profiles of energy consumption from Spanish customers
Çelik et al. Anomaly detection in temperature data using DBSCAN algorithm
Jurado et al. Hybrid methodologies for electricity load forecasting: Entropy-based feature selection with machine learning and soft computing techniques
Ramos et al. A data-mining-based methodology to support MV electricity customers’ characterization
Everingham et al. Evaluating image segmentation algorithms using the pareto front
Park et al. A novel load image profile-based electricity load clustering methodology
Khan et al. Segmentation of factories on electricity consumption behaviors using load profile data
Bedingfield et al. Multi-granular electricity consumer load profiling for smart homes using a scalable big data algorithm
Afzalan et al. A machine learning framework to infer time-of-use of flexible loads: Resident behavior learning for demand response
KR102318943B1 (ko) 부하이미지 프로파일 생성방법
Nystrup et al. Clustering commercial and industrial load patterns for long-term energy planning
Pawar et al. Smart electricity meter data analytics: A brief review
Xu et al. Spatial-temporal load forecasting using AMI data
Li et al. Sizing ramping reserve using probabilistic solar forecasts: A data-driven method
Ramos et al. A data mining framework for electric load profiling
Ząbkowski et al. Grade analysis for energy usage patterns segmentation based on smart meter data
Wijaya et al. Individual, aggregate, and cluster-based aggregate forecasting of residential demand
Guardia et al. Estimation of electricity elasticity for demand rates and load curve in Brazil
Agrawal et al. Week-ahead Forecasting of Household Energy Consumption Using CNN and Multivariate Data
Arco et al. Clustering methodology for smart metering data based on local and global features
Lazzeroni et al. A data-driven approach to predict hourly load profiles from time-of-use electricity bills
CN115601603B (zh) 模型训练和用电器类别识别方法、设备及存储介质
CN111898857A (zh) 基于BEMD和kmeans电力用户特征分析方法及系统
Hattam et al. Energy disaggregation for smes using recurrence quantification analysis
Ząbkowski et al. Grade Analysis for households segmentation based on energy usage patterns

Legal Events

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