KR20210133751A - 인공신경망 기반 전력시장 가격 예측 시스템 - Google Patents

인공신경망 기반 전력시장 가격 예측 시스템 Download PDF

Info

Publication number
KR20210133751A
KR20210133751A KR1020200052756A KR20200052756A KR20210133751A KR 20210133751 A KR20210133751 A KR 20210133751A KR 1020200052756 A KR1020200052756 A KR 1020200052756A KR 20200052756 A KR20200052756 A KR 20200052756A KR 20210133751 A KR20210133751 A KR 20210133751A
Authority
KR
South Korea
Prior art keywords
data
price
smp
neural network
artificial neural
Prior art date
Application number
KR1020200052756A
Other languages
English (en)
Inventor
배유석
김나연
서성발
이현숙
Original Assignee
한국전력공사
한국산업기술대학교산학협력단
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, 한국산업기술대학교산학협력단 filed Critical 한국전력공사
Priority to KR1020200052756A priority Critical patent/KR20210133751A/ko
Priority to PCT/KR2021/002330 priority patent/WO2021221285A1/ko
Publication of KR20210133751A publication Critical patent/KR20210133751A/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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • 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

Landscapes

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

Abstract

본 발명은 인공신경망 기반 전력시장 가격 예측 방법 및 장치에 관한 것으로, 전력 시장 가격 예측 방법은 데이터베이스로부터 전력 거래 데이터를 수집하는 단계, 상기 수집된 데이터를 인공신경망에 입력할 수 있는 상태로 가공하는 단계, 상기 가공된 데이터로 상기 인공신경망에 대한 학습을 진행하는 단계 및 학습된 인공신경망을 이용하여 계통한계가격(SMP)을 예측하는 단계를 포함할 수 있다.
본 발명에 의하면 학습된 인공신경망을 통해서 전일 시장 및/또는 실시간 시장의 계통한계가격(SMP)을 예측할 수 있다.

Description

인공신경망 기반 전력시장 가격 예측 시스템{Power market price prediction system based on artificial neural network}
본 발명은 인공신경망을 기반으로 하는 전력시장 가격 예측 시스템에 관한 것이다.
국내 전력시장의 거래가격은 발전계획프로그램(RSC, Resource Scheduling & Commitment)’을 이용하여 입찰에 참여한 발전기의 변동비가 낮은 순서에서 높은 순으로 반영하여 비용 최소화 원칙에 따라 결정하며, 이때 가장 변동비가 높은 발전기의 발전비용을 계통한계가격(SMP, System Marginal Price)이라고 하고, 이를 그 시간대의 시장 가격으로 결정하고 있다.
국내 전력시장은 원료인 유류, LNG, 석탄 등의 발전기 비용에 따라 전력 가격을 예측하여 계통한계가격(SMP)을 결정하고 있으나, 이러한 전력시장 가격 예측 방법은 다양한 신재생 에너지가 공급되어 배전 레벨에서 전력거래가 이루어질 미래의 전력시장의 경우 고려해야 할 요인들이 많아져 적용이 어려울 수 있다.
또한 소규모/분산 형태의 미래 전력시장의 경우 실시간으로 전력 가격을 예측하는 것이 중요하나, 현재 국내의 전력시장 가격 예측 방법은 거래당일 하루 전에 예측된 전력 수요와 발전기들의 입찰량 등을 고려하여 시장가격이 예측 및 결정되는 구조로, 가격에 영향을 주는 여러 변수들의 실시간 반영이 어려운 면이 있다.
따라서 본 발명에서는 신재생 에너지 등의 공급 확대 및 소규모/분산 전력거래 시장이 예상되는 미래의 전력시장에 대응하기 위하여, 전력 가격에 영향을 미치는 다양한 요인들을 고려하여 가격을 결정하는 인공신경망 기반의 전력시장 가격 예측 시스템을 제안한다.
본 문서에서 이루고자 하는 기술적 과제는 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 발명의 다양한 실시 예들에 따른 전력시장 가격 예측 방법은, 데이터베이스로부터 전력 거래 데이터를 수집하는 단계; 상기 수집된 데이터를 인공신경망에 입력할 수 있는 상태로 가공하는 단계; 상기 가공된 데이터로 상기 인공신경망에 대한 학습을 진행하는 단계; 및 상기 학습된 인공신경망을 이용하여 계통한계가격(SMP)을 예측하는 단계를 포함할 수 있다.
본 발명의 다양한 실시 예들에 따르면, 상기 전력 거래 데이터는 전력 수요 예측량, 연료비 단가 및 입찰량 등을 포함할 수 있다.
본 발명의 다양한 실시 예들에 따르면, 상기 인공신경망은 LSTM(Long Short-Term Memory)네트워크와 DNN(Deep Neural Network)이 순서대로 연결된 모델인 것을 특징으로 할 수 있다.
본 발명의 다양한 실시 예들에 따르면, 상기 수집된 데이터를 가공하는 단계는, 날짜 또는 시간 별로 데이터를 샘플링하거나 확장하는 단계; 및 필요한 데이터를 컬럼 및 시간별로 선택적으로 추출하는 단계 중 적어도 어느 하나를 포함할 수 있다.
본 발명의 다양한 실시 예들에 따르면, 상기 수집된 데이터를 가공하는 단계는, 원본 데이터에 보간법을 적용하여 누락 데이터를 추정하는 단계; 이상 데이터를 감지 및 보정하는 단계; 원본데이터를 스무딩 하는 단계; 및 원본데이터를 정규화 하는 단계 중 적어도 어느 하나를 더 포함할 수 있다.
본 발명의 다양한 실시 예들에 따르면, 상기 가공된 데이터로 상기 인공신경망에 대한 학습을 진행하는 단계는, 시스템 사용자의 입력에 기초하여 하이퍼 파라미터를 조정함으로써 알고리즘을 설계하는 단계; 상기 설계된 알고리즘에 대하여 가공된 데이터를 입력으로 하고 계통한계가격(SMP) 값을 출력으로 하여 학습을 진행하는 단계; 및 계통한계가격(SMP)의 예측값과 실제값의 오차가 최소가 되도록 하이퍼 파라미터를 보정하는 단계를 포함할 수 있다.
본 발명의 다양한 실시 예들에 따르면, 상기 계통한계가격(SMP)을 예측하는 단계는, 24시간 주기의 전일 시장 계통한계가격(SMP)을 예측하는 단계인 것을 특징으로 할 수 있다.
본 발명의 다양한 실시 예들에 따르면, 상기 계통한계가격(SMP)을 예측하는 단계는, 1시간 단위로 변동되는 실시간 시장의 계통한계가격(SMP)을 예측하는 단계인 것을 특징으로 할 수 있다.
본 발명의 다양한 실시 예들에 따르면, 상기 예측된 계통한계가격(SMP)에 근거하여 전력시장 가격을 예측 및 결정하는 것을 특징으로 할 수 있다.
본 발명의 다양한 실시 예들에 따르면, 전력시장 가격 예측 장치는 프로세서; 및 상기 프로세서에 의해 실행 가능한 명령어들을 저장하는 메모리; 를 포함하고, 상기 프로세서는, 상기 명령어들을 실행함으로써, 데이터베이스로부터 전력 거래 데이터를 수집하고, 상기 수집된 데이터를 인공신경망에 입력할 수 있는 상태로 가공하고, 상기 가공된 데이터로 상기 인공신경망에 대한 학습을 진행하고, 상기 학습된 인공신경망을 이용하여 계통한계가격(SMP)을 예측할 수 있다.
본 발명의 다양한 실시 예들에 따르면, 상기 전력 거래 데이터는, 전력 수요 예측량, 연료비 단가 및 입찰량을 포함하는 데이터를 포함할 수 있다.
본 발명의 다양한 실시 예들에 따르면, 상기 인공신경망은, LSTM(Long Short-Term Memory)네트워크와 DNN(Deep Neural Network)이 순서대로 연결된 모델인 것을 특징으로 할 수 있다.
본 발명의 다양한 실시 예들에 따르면, 상기 프로세서는, 날짜 또는 시간 별로 데이터를 샘플링하거나 확장하고, 필요한 데이터를 컬럼 및 시간별로 선택적으로 추출하는 것을 특징으로 할 수 있다.
본 발명의 다양한 실시 예들에 따르면, 상기 프로세서는, 원본 데이터에 보간법을 적용하여 누락 데이터를 추정하고, 이상 데이터를 감지 및 보정하고, 원본데이터를 스무딩 하고, 원본데이터를 정규화 하는 것을 특징으로 할 수 있다.
본 발명의 다양한 실시 예들에 따르면, 상기 프로세서는, 시스템 사용자의 입력에 기초하여 하이퍼 파라미터를 조정함으로써 알고리즘을 설계하고, 상기 설계된 알고리즘에 대하여 가공된 데이터를 입력으로 하고 계통한계가격(SMP) 값을 출력으로 하여 학습을 진행하고, 계통한계가격(SMP)의 예측값과 실제값의 오차가 최소가 되도록 하이퍼 파라미터를 보정하는 것을 특징으로 할 수 있다.
본 발명의 다양한 실시 예들에 따르면, 상기 예측된 계통한계가격(SMP)은 24시간 주기의 전일 시장 계통한계가격(SMP)인 것을 특징으로 할 수 있다.
본 발명의 다양한 실시 예들에 따르면, 상기 예측된 계통한계가격(SMP)은 1시간 단위로 변동되는 실시간 시장의 계통한계가격(SMP)인 것을 특징으로 할 수 있다.
본 발명의 다양한 실시 예들에 따르면, 상기 프로세서는, 예측된 계통한계가격(SMP)에 근거하여 전력시장 가격을 예측 및 결정하는 것을 특징으로 할 수 있다.
본 발명의 다양한 실시 예들에 따르면, 컴퓨터로 읽을 수 있는 기록매체에 기록된 전력시장 가격 예측 방법을 구현하기 위한 프로그램은, 데이터베이스로부터 전력 거래 데이터를 수집하는 단계; 상기 수집된 데이터를 인공신경망에 입력할 수 있는 상태로 가공하는 단계; 상기 가공된 데이터로 상기 인공신경망에 대한 학습을 진행하는 단계; 및 상기 학습된 인공신경망을 이용하여 계통한계가격(SMP)을 예측하는 단계를 포함할 수 있다.
다양한 실시 예들에 따라, 예측하기 어려운 미래의 전력거래 시장에서 가격 결정에 영향을 미치는 어떠한 요인이 발생하더라도 해당 요인을 반영하여 전력시장의 가격 결정 발전계획을 수립할 수 있다.
다양한 실시 예들에 따라, 소규모/분산 형태의 미래 전력거래 시장의 가격 결정 발전계획을 위한 SMP 계통운영 계획수립이 가능하며, 전력시장의 발전계획 및 입찰계획을 위한 지표를 제공할 수 있다.
다양한 실시 예들에 따라, 신뢰도 높은 네트워크 구축으로 완전(full) 디지털 변전소 도입기반을 마련할 수 있다.
다양한 실시 예들에 따라, 전력시장에서 제공하는 데이터를 사용하여 사용자가 손쉽게 전일 시장 또는 실시간 시장의 SMP를 예측하여 가격 결정 발전계획, 전력계통운영을 위한 지표를 제공할 수 있으며, 예측된 SMP와 가격의 추이를 분석하여 소규모/개인 간의 전력거래와 입찰량의 지표로 활용할 수 있다. 특히, 가까운 미래에 P2P(개인 간) 전력거래가 활성화 될 경우, 전력 거래 가격 결정의 기준이 될 수 있다.
다양한 실시 예들에 따라, 시스템 UI에서 확보된 데이터 시각화를 통한 데이터 모니터링 및 인공지능 학습을 위한 데이터 가공을 사용자가 쉽게 할 수 있고, 가공된 데이터의 상황을 즉시 모니터링 할 수 있다.
다양한 실시 예들에 따라, 알고리즘 학습 시 요구되는 파라미터를 UI에서 조정하여 시스템 사용자가 쉽게 UI 내에서 알고리즘 학습을 진행하여 최적의 파라미터를 찾을 수 있다.
다양한 실시 예들에 따라, 알고리즘 학습 시 입력데이터에 미래 전력시장에서 새로운 가격 결정요인이 발생할 경우에도 해당 알고리즘을 유사하게 적용 가능하므로, 현재 예측하기 어려운 미래 전력시장의 가격 결정 발전계획 수립에 효과적이다.
본 개시에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
도 1은, 다양한 실시 예들에 따른, 인공신경망 알고리즘의 일종인 LSTM의 구조를 도시한 도면이다.
도 2는, 다양한 실시 예들에 따른, 인공신경망 기반 전력시장 가격 예측 방법의 흐름도를 도시한 도면이다.
도 3은, 다양한 실시 예들에 따른, 가공된 데이터를 이용하여 학습된 인공신경망을 통해 입력데이터(Xt) 입력시 전일 시장 SMP 예측값(SMPt)을 출력하는 알고리즘 모델을 도시한 도면이다.
도 4는, 다양한 실시 예들에 따른, 전력시장 가격 예측 장치의 전체적인 구성을 도시한 도면이다.
도 5는, 다양한 실시 예들에 따른, 전력시장 가격 예측 장치 중 프로세서의 내부 구성을 도시한 도면이다.
도 6은, 다양한 실시 예들에 따른, 수집된 전력시장 데이터 중 특정기간의 시간별(24h) 계통한계가격(SMP) 데이터가 표시된 화면을 도시한 도면이다.
도 7은, 다양한 실시 예들에 따른, 실제 SMP 값과 예측된 SMP 값의 비교분석 자료를 도시한 도면이다.
도면의 설명과 관련하여, 동일 또는 유사한 구성요소에 대해서는 동일 또는 유사한 참조 부호가 사용될 수 있다.
이하 다양한 실시 예들이 첨부된 도면을 참고하여 상세히 설명된다.
도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략할 수 있다.
이하의 설명에서 사용되는 구성요소에 대한 접미사 '모듈' 또는 '부'는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, '모듈' 또는 '부'는 소프트웨어 또는 FPGA(field programmable gate array) 또는 ASIC(application specific integrated circuit)과 같은 하드웨어 구성요소를 의미하나, 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '부' 또는 '모듈'은 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서 일 예로서 '부' 또는 '모듈'은 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들, 및 변수들을 포함할 수 있다. 하나의 구성요소, '부' 또는 '모듈'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '부' 또는 '모듈'들로 결합되거나 추가적인 구성요소들과 '부' 또는 '모듈'들로 더 분리될 수 있다.
본 발명의 몇몇 실시 예들과 관련하여 설명되는 방법 또는 알고리즘의 단계는 프로세서에 의해 실행되는 하드웨어, 소프트웨어 모듈, 또는 그 2 개의 결합으로 직접 구현될 수 있다. 소프트웨어 모듈은 RAM 메모리, 플래시 메모리, ROM 메모리, EPROM 메모리, EEPROM 메모리, 레지스터, 하드 디스크, 착탈형 디스크, CD-ROM, 또는 당업계에 알려진 임의의 다른 형태의 기록 매체에 상주할 수도 있다. 예시적인 기록 매체는 프로세서에 커플링되며, 그 프로세서는 기록 매체로부터 정보를 판독할 수 있고 저장 매체에 정보를 기입할 수 있다. 다른 방법으로, 기록 매체는 프로세서와 일체형일 수도 있다. 프로세서 및 기록 매체는 주문형 집적회로(ASIC) 내에 상주할 수도 있다. ASIC은 사용자 단말기 내에 상주할 수도 있다.
어떤 구성요소가 다른 구성요소에 ‘연결되어’ 있다거나 ‘접속되어’ 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 ‘직접 연결되어’ 있다거나 ‘직접 접속되어’ 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
우선 본 명세서에서 사용되는 용어들에 대하여 간략히 설명한다.
인공지능은 인간의 지능을 갖춘 컴퓨터 시스템 또는 장치이며, 인간의 지능을 기계 등에 인공적으로 구현한 것을 의미할 수 있다. 인공 지능은 또한 지능을 만들 수 있는 방법론이나 실현 가능성 등을 연구하는 과학 분야를 지칭하기도 한다.
인공신경망(artificial neural network)은 인공지능을 구현하는 모델 또는 알고리즘으로써, 기계학습에서 생물학의 신경망을 모사하여 모델링한 통계학적 학습 알고리즘으로, 시냅스의 결합으로 네트워크를 형성한 인공 뉴런이 학습을 통해 시냅스의 결합 세기를 변화시켜, 문제 해결 능력을 가지는 모델 또는 학습 알고리즘이라 할 수 있다.
인공신경망은 입력 층, 출력 층 그리고 하나 이상의 은닉 층을 포함할 수 있다. 인공신경망의 각 층은 신경망의 뉴런에 대응하는 복수의 노드를 포함하고, 인공신경망의 한 층의 노드와 다른 층의 노드 간은 시냅스로 연결될 수 있다. 일 실시 예로 각 층의 모든 노드와 다음 층의 모든 노드가 시냅스로 연결된 인공신경망을 완전 연결된 인공신경망이라 칭할 수 있다.
인공신경망에서 각 노드는 시냅스를 통해 입력되는 입력 신호들을 받고 각 입력 신호들에 대한 가중치 및 편향에 대한 활성 함수에 기초하여 출력 값을 생성할 수 있다.
심층 신경망(deep neural network, DNN)은 입력층과 출력층 사이에 복수의 은닉층을 포함하는 인공신경망을 통칭할 수 있다. 심층 신경망은 복잡한 비선형 관계들을 모델링할 수 있으며, 그 목적에 따라 다양한 구조를 가질 수 있다. 예를 들면, 심층 신경망 구조로, 순환 신경망(recurrent neural network, RNN), LSTM(long short-term memory)등이 있을 수 있다.
순환 신경망(RNN)은 내부에 순환 구조가 들어 있어 과거 시간의 학습이 가중치와 곱해져 현재 학습에 반영될 수 있은 구조이며, 현재의 출력 결과는 과거 시간에서의 출력 결과에 영향을 받으며, 은닉 층은 일종의 메모리 기능을 수행한다. 따라서 순차적인 데이터를 학습하여 분류 또는 예측을 수행하는 데 효과적일 수 있다.
LSTM은 순환 신경망의 일종으로써 순환신경망의 오래된 과거 데이터가 영향을 미치지 못하고 사라지는 문제점을 해소하는 신경망이며, 순환신경망과 마찬가지로, 순차적인 데이터를 학습하여 분류 또는 예측을 수행하는 데 효과적일 수 있다.
도 1은, 다양한 실시예에 따른 인공신경망 알고리즘의 일종인 LSTM의 구조를 도시한 도면이다.
도 1을 참조하면, LSTM은 복수 개의 동일한 구조의 셀(cell)로 구성될 수 있다. LSTM의 각 셀은 지금 시간의 셀 상태(예: Ct) 및 출력(예: ht)을 이전 시간의 셀 상태(예: Ct-1) 및 출력(예: ht-1)과 지금 시간의 입력(예: xt)에 기초하여 결정할 수 있다. 이에 따라, LSTM의 각 셀은 4개의 신경망 층(neural network layer)을 포함할 수 있다.
첫 번째 신경망 층은 망각 게이트 층(forget gate layer)라고도 불리며 과거 및 현재의 정보를 반영할지를 결정하는 게이트이다. 일 실시 예에 따라 게이트는 시그모이드 함수(sigmoid function)를 이용하여 결정을 수행할 수 있다. 시그모이드 함수는 S자형 곡선을 갖는 수학 함수로 일 실시 예로 수학식 1의 함수로 정의될 수 있다.
Figure pat00001
수학식 1을 참조하면, 시그모이드 함수는 입력에 따라 0과 1 사이의 값을 출력할 수 있다.
다음 수학식 2는 망각 게이트 층의 출력을 획득하기 위한 함수를 정의한다.
Figure pat00002
수학식 2를 참조하면, 망각 게이트 층의 출력(ft)은 이전 셀 출력(예: ht-1)과 현재 입력(예: xt)에 기초하여 이전 셀 상태(예: Ct-1)를 망각할 것인지 아니면 보존할 것일지를 결정할 수 있다. 여기서, 망각 게이트 층의 가중치(Wf)는 학습에 의하여 변경될 수 있는 값이며, 망각 게이트 층의 바이어스(bf)는 미리 설정되는 값이다. 그리고
Figure pat00003
는 시그모이드 함수를 나타낸다.
두 번째 신경망 층은 입력 게이트 층(input gate layer)이라고도 불리며 새로운 정보 중 어떤 것을 셀 상태(예: Ct)에 저장할 것인지를 결정하며, 다음 수학식 3에 의해 정의될 수 있다.
Figure pat00004
수학식 3을 참조하면, 입력 게이트 층의 출력(it)은 이전 셀 출력(예: ht-1)과 현재 입력(예: xt)에 기초하여 정보 중 어떤 것을 셀 상태에 저장할 것인지를 결정할 수 있다. 여기서, 입력 게이트 층의 가중치(Wi)는 학습에 의하여 변경될 수 있는 값이며, 입력 게이트 층의 바이어스(bi)는 미리 설정되는 값이다. 그리고
Figure pat00005
는 시그모이드 함수를 나타낸다.
세 번째 신경망 층은 셀 상태에 저장하기 위한 새로운 후보 값(
Figure pat00006
)을 결정한다. 새로운 후보 값(
Figure pat00007
)은 다음 수학식 4에 따라 결정될 수 있다.
Figure pat00008
수학식 4를 참조하면, 새로운 후보 값(
Figure pat00009
)은 이전 셀 출력(예: ht-1)과 현재 입력(예: xt)에 기초하는 쌍곡탄젠트(hyperbolic tangent; tanh) 함수의 출력 값일 수 있다. 쌍곡탄젠트 함수는 -1에서 1사이의 값을 가질 수 있다. 여기서, 가중치(WC)는 학습에 의하여 변경될 수 있는 값이며, 바이어스(bC)는 미리 설정되는 값이다. 그리고 tanh는 쌍곡탄젠트 함수를 나타낸다.
상술한 세 개의 신경망 층의 결과에 기초하여 새로운 셀 상태(예: Ct)가 결정될 수 있다. 수학식 5는 새로운 셀 상태(예: Ct)를 결정하는 함수를 정의한다.
Figure pat00010
수학식 5를 참조하면, 과거의 셀 상태(Ct-1)를 망각할 것인지 아니면 보존할 것인지를 나타내는 망각 게이트 층의 출력(ft)을 곱하여 과거 셀 상태(Ct-1)의 보존 여부를 결정하고, 갱신하고자 하는 후보 값(
Figure pat00011
)과 갱신 정도를 나타내는 입력 게이트 층의 출력(it)을 곱하여 최종 갱신할 값을 결정함으로서 새로운 셀 상태(Ct)를 결정할 수 있다.
마지막 네 번째 신경망 층은 출력 게이트 층(output gate layer)이라고도 불리며 무엇을 출력으로 내보낼 것인지를 결정하며, 다음 수학식 6에 의해 정의될 수 있다.
Figure pat00012
수학식 6을 참조하면, 출력 게이트 층의 출력(ot)은 이전 셀 출력(예: ht-1)과 현재 입력(예: xt)에 기초하여 갱신된 셀 상태(Ct) 중에서 어떤 것을 출력할 것인지를 결정할 수 있다. 여기서, 출력 게이트 층의 가중치(Wo)는 학습에 의하여 변경될 수 있는 값이며, 출력 게이트 층의 바이어스(bo)는 미리 설정되는 값이다. 그리고
Figure pat00013
는 시그모이드 함수를 나타낸다.
최종적으로 LSTM 의 셀 출력(ht)은 다음 수학식 7에 따라 결정될 수 있다.
Figure pat00014
여기서, tanh는 쌍곡 탄젠트 함수를 나타낸다.
상술한 수학식 2 내지 7에 따라 셀 상태 및 출력을 결정하는 LSTM은 반복 학습을 통하여 가중치(Wf, Wi, WC, Wo)를 변경하여 최적의 결과가 출력될 수 있도록 할 수 있다.
LSTM의 출력에서 최적의 결과가 출력되도록 가중치를 변경하는 것을 학습, 특히 기계 학습이라 칭할 수 있다. 기계 학습은 실측 값을 이용하여 입력 데이터를 생성하고, 입력 데이터의 입력 후 LSTM의 출력이 실측에 따른 결과 값이 나올 수 있도록 LSTM을 학습시키는 것일 수 있다. 이때, 기계 학습은 일 실시예에 따라, 경사 하강법(gradient descent) 및 역전파(back propagation)를 이용하여 LSTM의 출력과 실측 출력 값 사이의 오차를 최소화하도록 가중치(Wf, Wi, WC, Wo) 값들을 정하는 것일 수 있다.
본 발명에서는 실제 SMP 값과 인공신경망에 의해 예측된 SMPt 값과의 오차를 역전파(back propagation)를 이용하여 줄여나갈 수 있다.
상술한 LSTM과 DNN 등의 심층 신경망을 사용하여, 본 발명에서는 수요 예측량, 연료비 단가, 입찰량 등의 입력데이터를 통해 계통한계가격(SMP)의 예측을 위한 알고리즘 학습을 진행하고, 학습된 알고리즘을 활용하여 전일 시장 또는 실시간 시장의 계통한계가격(SMP)을 예측한 후, 이를 바탕으로 전력 가격을 예측하여 전력시장의 가격 결정에 활용할 수 있는 방법 및 장치를 제공하고자 한다.
도 2는 다양한 실시 예들에 따른, 입력데이터를 통해 SMP를 예측하고 이를 바탕으로 전력 가격을 예측, 결정하는 방법을 도시한 흐름도이다.
도 2를 참조하면, 동작 S100에서, 공공기관 데이터 베이스에서 전력시장 가격 결정에 영향을 주는 요인(연료비 단가, 수요예측량, 입찰량 등)에 관련된 전력 거래 데이터를 수집할 수 있다.
동작 S200에서, 수집된 전력거래 데이터를 인공지능 알고리즘 학습을 위한 입력데이터로 활용할 수 있도록 전처리 및 가공할 수 있다. 데이터 전처리 기능의 경우, 연별/월별/일별/시간별 데이터를 샘플링 또는 확장 할 수 있고, 필요한 데이터를 컬럼 및 시간별로 선택적으로 추출할 수 있다. 데이터 가공 기능의 경우, 원본데이터로부터 보간법을 이용하여 누락데이터를 추정하는 기능, 이상 데이터를 감지하고 보정하는 기능, 인공지능 시스템 학습 일반화를 위하여 원본데이터를 스무딩하는 기능, 원본데이터를 정규화 하는 기능 등이 포함될 수 있다. 여기서 보간(Interpolation)이란, 통계적 혹은 실험적으로 구해진 데이터들(xi)로부터, 주어진 데이터를 만족하는 근사 함수(f(x))를 구하고, 이 식을 이용하여 주어진 변수에 대한 함수 값을 구하는 일련의 과정을 의미한다. 이상데이터는 함수의 그래프 상에서 일정 값 이상 벗어난 데이터를 의미하며, 스무딩은 노이즈값 제거 등을 통해 데이터 세트를 매끄럽게 하는 과정을 의미하고, 정규화는 중복을 최소화하도록 데이터를 구조화 하는 과정을 의미한다.
동작 S300에서, SMP 예측을 위한 인공지능 알고리즘 설계시 시스템 사용자가 UI상에서 하이퍼 파라미터를 조정하여 최적의 인공신경망 구성을 결정할 수 있다. 여기서 하이퍼 파라미터에는 은닉 유닛의 수, 반복 횟수, 배치(batch) 사이즈, 학습률 등이 포함될 수 있다. 여기서 최적의 인공신경망 구성은 설정된 하이퍼 파라미터에 따라 결정된 인공신경망의 학습 후 출력된 SMP 예측값과 실제값과의 오차가 가장 작은 경우의 하이퍼 파라미터로 정의될 수 있다. 일실시 예에 따라, 본 발명에서 제안하는 전력시장 시계열 데이터를 입력으로 하는 인공신경망 구성은 시계열 데이터 학습에 가장 적합한 LSTM 네트워크와 DNN이 연결된 것일 수 있다.
동작 S400에서, 동작 S300에서 설정된 하이퍼 파라미터에 의해 설계된 인공신경망에 S200에서 가공된 데이터를 입력하여 설계된 인공신경망에 대한 학습을 진행한다. 설정된 하이퍼 파라미터의 적절성을 판단하기 위하여 학습이 완료된 인공신경망에서 출력된 SMP 예측값과 실제값이 비교될 수 있다. 예측값과 실제값 사이의 오차가 미리 설정된 값보다 커 적절치 않다고 판단하는 경우, 동작 S300 및 동작 S400을 반복하여 최적의 하이퍼 파라미터를 찾을 수 있다.
동작 S500에서, 상기에서 설계한 SMP 예측 알고리즘을 이용하여 24시간 주기의 전일 시장 SMP 및/또는 1시간 단위로 변동되는 실시간 시장의 SMP를 예측할 수 있다.
동작 S600에서, 예측된 SMP를 기준으로 전력시장 가격을 예측 및 결정할 수 있다.
도 3은 가공된 데이터를 이용하여 학습된 인공신경망을 통하여, 입력데이터(Xt) 입력시 전일 시장 SMP 예측값(SMPt)을 출력하는 알고리즘 모델을 도시한 도면이다.
도 3을 참조하면, 시간 별(총 24시간) 입력 데이터가 학습된 인공신경망에 입력되면, 전일 시장 SMP 예측 값이 출력될 수 있다. 여기서 입력데이터에는 익일 전력 수요예측량, 발전기(원자력, 유연탄, 무연탄, 유류, LNG 등)별 연료비단가, 발전기 별 입찰량이 포함될 수 있다. 상기 인공신경망은 LSTM 네트워크와 DNN이 순서대로 연결될 수 있다. 상기 LSTM 네트워크는 2단계의 셀을 가질 수 있다. 상기 DNN은 입력층(115a), 은닉층(115b), 출력층(115c)으로 구성되며, 하이퍼 파라미터 조정에 따라 은닉층(115b)의 수가 변화될 수 있다.
도 4는 전력시장 가격 예측 장치(100)의 전체적인 구성을 도시한 도면이다.
도 4를 참조하면, 전력시장 가격 예측 장치(100)는 프로세서(110), 메모리(120), 입력부(130), 출력부(140)를 포함할 수 있다.
도 4에 도시된 전력시장 가격 예측 장치(100)의 구성은 일 실시 예로 각각의 구성 요소는 하나의 칩, 부품 또는 전자 회로로 구성되거나, 칩, 부품 또는 전자 회로의 결합으로 구성될 수 있다. 다른 일 실시 예에 따라, 도 4에 도시된 구성 요소들 중 일부는 복수 개의 구성 요소(예: 복수 개의 프로세서)로 분리되어 서로 다른 칩 또는 부품 또는 전자 회로로 구성될 수 있으며, 일부 구성 요소들은 결합되어 하나의 칩, 부품 또는 전자 회로로 구성될 수 있다.
다양한 실시 예에 따르면, 메모리(120)는 전력시장 가격 예측 장치(100)의 다양한 기능을 지원하는 데이터를 저장할 수 있다. 메모리(120)는 전력시장 가격 예측 장치(100)에서 구동되는 다수의 응용 프로그램, 전력시장 가격 예측 장치(100)의 동작을 위한 프로그램 코드들, 예를 들어, 특정한 작업을 위해 설계된 심층 신경망 모델이 구현된 프로그램 코드, 특히 학습된 심층 신경망 모델의 프로그램 코드 등을 저장할 수 있다. 메모리(120)는 전력시장 가격 예측 장치(100)가 인공신경망을 통해 학습하는데 필요한 데이터, 인공신경망의 학습 과정 중에 생성된 데이터 및 학습을 통해 최종적으로 결정된 학습된 심층 신경망 모델의 프로그램 코드를 저장할 수 있다.
다양한 실시 예에 따르면, 입력부(130)는 공공기관 데이터 베이스(200)로부터 전력 수요 예측량, 각 발전기 별 연료비 단가 및 입찰량 등 전력시장 가격 결정에 영향을 주는 요인이 되는 데이터를 입력 받을 수 있다.
다양한 실시 예에 따르면, 출력부(140)는 전일 시장의 계통한계가격(SMP) 또는 실시간 시장의 계통한계가격(SMP) 예측결과를 출력할 수 있다.
다양한 실시 예에 따르면, 프로세서(110)는 전력시장 가격 예측 장치(100)의 전반적인 동작을 위한 데이터 처리 및/또는 연산을 수행할 수 있다. 프로세서(110)는 소프트웨어 프로그램을 구동하여 전력시장 가격 예측 장치(100)에 포함된 적어도 하나의 다른 구성 요소를 제어할 수 있다. 또한, 프로세서(110)는 메모리(120)에 저장된 프로그램 코드에 따라 기계 학습에 따른 학습을 수행하고, 학습의 결과를 메모리(120)에 저장할 수 있다.
프로세서(110)는 수집된 데이터에 기초하여 SMP를 예측할 수 있다. 일 실시예에 따라, 프로세서(110)는 학습된 인공신경망 모델(111)을 이용하여, 수집된 데이터에 기초한 SMP를 예측할 수 있다. 학습된 인공 신경망 모델(111)은 외부 장치에서 미리 학습되어 메모리(120)에 저장되어 있을 수 있고, 프로세서(110)는 메모리(120)에 저장되어 있는 학습된 인공신경망 모델(111)을 읽어 들여 수행함으로써 SMP를 예측할 수 있다.
도 5는 전력시장 가격 예측 장치(100) 중 프로세서(110)의 내부 구성을 도시한 도면이다.
도 5를 참조하면, 프로세서(110)는 데이터 수집 모듈(112), 데이터 가공 모듈(113), 학습 모듈(114), SMP 예측 모듈(115) 및 인공신경망 모델(111)을 포함할 수 있다. 여기서 데이터 수집 모듈(112)은 공공기관 데이터 베이스에서 전력시장 가격 결정에 영향을 주는 요인(연료비 단가, 수요예측량, 입찰량 등)에 관련된 전력 거래 데이터를 수집할 수 있다. 데이터 가공 모듈(113)은 수집된 전력거래 데이터를 인공지능 알고리즘 학습을 위한 입력데이터로 활용할 수 있도록 전처리 및 가공을 할 수 있다. 학습 모듈(114)은 상기 가공된 데이터를 입력받아 학습을 진행할 수 있다. SMP 예측 모듈(115)은 학습된 인공신경망을 이용하여 전일 시장 또는 실시간 SMP를 예측할 수 있다. 인공신경망 모델(111)은 LSTM네트워크와 DNN이 순서대로 연결될 수 있으며, 시스템 사용자가 UI상에서 하이퍼 파라미터를 조정하여 결정된, 최적의 하이퍼 파라미터로 설계될 수 있다. 다양한 실시 예에 따라, 학습된 인공 신경망 모델(111)은 외부 장치에서 미리 학습되어 메모리(120)에 저장되어 있는 경우도 있다.
도 6는 수집된 전력시장 데이터 중 특정기간의 시간별(24h) 계통한계가격(SMP) 데이터가 표시된 화면을 도시한 도면이다.
도 6를 참조하면, 수집된 전력거래 데이터를 인공신경망 알고리즘 학습을 위한 데이터로 활용할 수 있도록 시스템 UI상에서 전처리 및 가공을 하고 학습을 진행할 수 있다. 데이터 전처리 기능의 경우, 연별/월별/일별/시간별 데이터를 샘플링 또는 확장 할 수 있고, 필요한 데이터를 선택적으로 추출할 수 있다. 데이터 가공 기능의 경우, 원본데이터로부터 보간법을 이용하여 누락데이터를 추정하는 기능, 이상 데이터를 감지하고 보정하는 기능, 인공지능 시스템 학습 일반화를 위하여 원본데이터를 스무딩하는 기능, 원본데이터를 정규화 하는 기능 등이 포함될 수 있다. 도 6에서와 같이, 특정기간의 시간별(24h) 계통한계가격(SMP) 데이터를 출력값으로 하여 인공신경망 학습을 진행할 수 있다.
도 7은 실제 SMP 값과 인공신경망 학습을 통해서 예측된 24시간 주기의 전일 시장 SMP 값 간의 비교분석 자료를 도시한 도면이다.
도 7를 참조하면, 도 3의 인공신경망을 통해 500회 반복 학습된 알고리즘 모델로, 예측한 SMP가 실제 SMP와 약 97% 일치하는 결과를 볼 수 있다.
상술한 방법에 기초하여 전력시장 가격 예측 장치는 수요 예측량, 연료비 단가, 입찰량 등의 입력데이터를 통해 계통한계가격(SMP)의 예측을 위한 알고리즘 학습을 진행하고, 학습된 알고리즘을 활용하여 24시간 주기의 전일 시장 계통한계가격(SMP) 또는 1시간 단위로 변동하는 실시간 시장의 계통한계가격(SMP)을 예측한 후, 이를 바탕으로 전력 가격을 예측하여 보다 정확하고 합리적이며, 실시간성이 반영된 전력가격 결정기능을 제공할 수 있다.
100: 전력시장 가격 예측 장치
110: 프로세서
111: 인공신경망 모델
112: 데이터 수집 모듈
113: 데이터 가공 모듈
114: 학습 모듈
115: SMP 예측 모듈
115a: 입력층
115b: 은닉층
115c: 출력층
120: 메모리
130: 입력부
140: 출력부
200: 데이터 베이스

Claims (19)

  1. 전력시장 가격 예측 방법에 있어서,
    데이터베이스로부터 전력 거래 데이터를 수집하는 단계;
    상기 수집된 데이터를 인공신경망에 입력할 수 있는 상태로 가공하는 단계;
    상기 가공된 데이터로 상기 인공신경망에 대한 학습을 진행하는 단계; 및
    상기 학습된 인공신경망을 이용하여 계통한계가격(SMP)을 예측하는 단계를 포함하는, 전력시장 가격 예측 방법.
  2. 제 1항에 있어서,
    상기 전력 거래 데이터는,
    전력 수요 예측량, 연료비 단가 및 입찰량 데이터를 포함하는, 전력시장 가격 예측 방법.
  3. 제 1항에 있어서,
    상기 인공신경망은,
    LSTM(Long Short-Term Memory)네트워크와 DNN(Deep Neural Network)이 순서대로 연결된 모델인, 전력시장 가격 예측 방법.
  4. 제 1항에 있어서,
    상기 수집된 데이터를 가공하는 단계는,
    날짜 또는 시간 별로 데이터를 샘플링하거나 확장하는 단계; 및
    필요한 데이터를 선택적으로 추출하는 단계 중 적어도 어느 하나를 포함하는, 전력시장 가격 예측 방법.
  5. 제 4항에 있어서,
    상기 수집된 데이터를 가공하는 단계는,
    원본 데이터에 보간법을 적용하여 누락 데이터를 추정하는 단계;
    이상 데이터를 감지 및 보정하는 단계;
    원본데이터를 스무딩하는 단계; 및
    원본데이터를 정규화하는 단계 중 적어도 어느 하나를 더 포함하는, 전력시장 가격 예측 방법.
  6. 제 1항에 있어서,
    상기 가공된 데이터로 상기 인공신경망에 대한 학습을 진행하는 단계는,
    시스템 사용자의 입력에 기초하여 하이퍼 파라미터를 조정함으로써 알고리즘을 설계하는 단계;
    상기 설계된 알고리즘에 대하여 가공된 데이터를 입력으로 하고 계통한계가격(SMP) 값을 출력으로 하여 학습을 진행하는 단계; 및
    계통한계가격(SMP)의 예측값과 실제값의 오차가 최소가 되도록 하이퍼 파라미터를 보정하는 단계를 포함하는, 전력시장 가격 예측 방법.
  7. 제 1항에 있어서,
    상기 계통한계가격(SMP)을 예측하는 단계는,
    24시간 주기의 전일 시장 계통한계가격(SMP)을 예측하는 단계를 포함하는, 전력시장 가격 예측 방법.
  8. 제 1항에 있어서,
    상기 계통한계가격(SMP)을 예측하는 단계는,
    1시간 단위로 변동되는 실시간 시장의 계통한계가격(SMP)을 예측하는 단계를 포함하는, 전력시장 가격 예측 방법.
  9. 제 1항에 있어서,
    상기 예측된 계통한계가격(SMP)에 근거하여 전력시장 가격을 예측 및 결정하는 단계를 더 포함하는, 전력시장 가격 예측 방법.
  10. 전력시장 가격 예측 장치에 있어서,
    프로세서; 및
    상기 프로세서에 의해 실행 가능한 명령어들을 저장하는 메모리; 를 포함하고,
    상기 프로세서는,
    상기 명령어들을 실행함으로써,
    데이터베이스로부터 전력 거래 데이터를 수집하고,
    상기 수집된 데이터를 인공신경망에 입력할 수 있는 상태로 가공하고,
    상기 가공된 데이터로 상기 인공신경망에 대한 학습을 진행하고,
    상기 학습된 인공신경망을 이용하여 계통한계가격(SMP)을 예측하는, 전력시장 가격 예측 장치.
  11. 제 10항에 있어서,
    상기 전력 거래 데이터는,
    전력 수요 예측량, 연료비 단가 및 입찰량 데이터를 포함하는, 전력시장 가격 예측 장치.
  12. 제 10항에 있어서,
    상기 인공신경망은,
    LSTM(Long Short-Term Memory)네트워크와 DNN(Deep Neural Network)이 순서대로 연결된 모델인, 전력시장 가격 예측 장치.
  13. 제 10항에 있어서,
    상기 프로세서는,
    날짜 또는 시간 별로 데이터를 샘플링하거나 확장하고, 필요한 데이터를 선택적으로 추출하는, 전력시장 가격 예측 장치.
  14. 제 10항에 있어서,
    상기 프로세서는,
    원본 데이터에 보간법을 적용하여 누락 데이터를 추정하고,
    이상 데이터를 감지 및 보정하고,
    원본데이터를 스무딩하고,
    원본데이터를 정규화하는, 전력시장 가격 예측 장치.
  15. 제 10항 에 있어서,
    상기 프로세서는,
    시스템 사용자의 입력에 기초하여 하이퍼 파라미터를 조정함으로써 알고리즘을 설계하고,
    상기 설계된 알고리즘에 대하여 가공된 데이터를 입력으로 하고 계통한계가격(SMP) 값을 출력으로 하여 학습을 진행하고,
    계통한계가격(SMP)의 예측값과 실제값의 오차가 최소가 되도록 하이퍼 파라미터를 보정하는, 전력시장 가격 예측 장치.
  16. 제 10항에 있어서,
    상기 예측되는 계통한계가격(SMP)은,
    24시간 주기의 전일 시장 계통한계가격(SMP)인, 전력시장 가격 예측 장치.
  17. 제 10항에 있어서,
    상기 예측되는 계통한계가격(SMP)은,
    1시간 단위로 변동되는 실시간 시장의 계통한계가격(SMP)인, 전력시장 가격 예측 장치.
  18. 제 10항에 있어서,
    상기 프로세서는,
    예측된 계통한계가격(SMP)에 근거하여 전력시장 가격을 예측 및 결정하는, 전력시장 가격 예측 장치.
  19. 컴퓨터 판독 가능 저장매체에 있어서,
    컴퓨터상에서 실행될 때, 제1항 내지 제9항 중 어느 하나의 항에 따른 전력시장 가격 예측 방법을 수행하는 컴퓨터 프로그램을 포함하는, 컴퓨터 판독가능 저장 매체.
KR1020200052756A 2020-04-29 2020-04-29 인공신경망 기반 전력시장 가격 예측 시스템 KR20210133751A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020200052756A KR20210133751A (ko) 2020-04-29 2020-04-29 인공신경망 기반 전력시장 가격 예측 시스템
PCT/KR2021/002330 WO2021221285A1 (ko) 2020-04-29 2021-02-24 인공신경망 기반 전력시장 가격 예측 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200052756A KR20210133751A (ko) 2020-04-29 2020-04-29 인공신경망 기반 전력시장 가격 예측 시스템

Publications (1)

Publication Number Publication Date
KR20210133751A true KR20210133751A (ko) 2021-11-08

Family

ID=78332053

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200052756A KR20210133751A (ko) 2020-04-29 2020-04-29 인공신경망 기반 전력시장 가격 예측 시스템

Country Status (2)

Country Link
KR (1) KR20210133751A (ko)
WO (1) WO2021221285A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230101424A (ko) * 2021-12-29 2023-07-06 한국남동발전 주식회사 스마트 발전 연료 가격 예측 시스템 및 방법

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11875371B1 (en) 2017-04-24 2024-01-16 Skyline Products, Inc. Price optimization system
CN115880102B (zh) * 2023-03-08 2023-06-09 国网福建省电力有限公司 一种电能计量方法、系统、设备及存储介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101303470B1 (ko) * 2011-12-30 2013-09-05 주식회사 효성 에너지관리시스템을 위한 예측시스템
KR101572643B1 (ko) * 2014-06-27 2015-11-30 (주)네모파트너즈엔이씨 국민발전소 비지니스 플랫폼 연계형 전력수요자원 네모모델링 시뮬레이션 장치 및 방법
KR20190034917A (ko) * 2017-09-25 2019-04-03 엘에스웨어(주) 신경망 기반의 블록체인에 저장된 전력거래 데이터 분석 방법
JP6546254B2 (ja) * 2017-11-29 2019-07-17 ヤフー株式会社 推定装置、推定方法、および推定プログラム
KR102181879B1 (ko) * 2018-05-30 2020-11-23 한양대학교 에리카산학협력단 산업 시설을 위한 실시간 가격 기반 에너지 관리 방법 및 시스템

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230101424A (ko) * 2021-12-29 2023-07-06 한국남동발전 주식회사 스마트 발전 연료 가격 예측 시스템 및 방법

Also Published As

Publication number Publication date
WO2021221285A1 (ko) 2021-11-04

Similar Documents

Publication Publication Date Title
Poornima et al. Drought prediction based on SPI and SPEI with varying timescales using LSTM recurrent neural network
Sangiorgio et al. Robustness of LSTM neural networks for multi-step forecasting of chaotic time series
Kaboli et al. Long-term electrical energy consumption formulating and forecasting via optimized gene expression programming
Liu et al. A comparative study of the data-driven day-ahead hourly provincial load forecasting methods: From classical data mining to deep learning
Zhu et al. Gaussian mixture model coupled recurrent neural networks for wind speed interval forecast
Cannizzaro et al. Solar radiation forecasting based on convolutional neural network and ensemble learning
Wang et al. Short-term wind speed forecasting based on information of neighboring wind farms
Mellit et al. An adaptive artificial neural network model for sizing stand-alone photovoltaic systems: application for isolated sites in Algeria
KR20210133751A (ko) 인공신경망 기반 전력시장 가격 예측 시스템
Park et al. Implementation of artificial neural networks in patterning and prediction of exergy in response to temporal dynamics of benthic macroinvertebrate communities in streams
Grantham et al. Generating synthetic sequences of global horizontal irradiation
CN111144644B (zh) 基于变分异方差高斯过程回归的短期风速预测方法
Xie et al. A neural ordinary differential equations based approach for demand forecasting within power grid digital twins
Lenzi et al. Benefits of spatiotemporal modeling for short‐term wind power forecasting at both individual and aggregated levels
Saini et al. Learning based short term wind speed forecasting models for smart grid applications: An extensive review and case study
Oprea A general framework and guidelines for benchmarking computational intelligence algorithms applied to forecasting problems derived from an application domain-oriented survey
Cruz et al. Neural network prediction interval based on joint supervision
CN116432861A (zh) 一种综合能源系统源荷价多任务联合预测方法及系统
Chung et al. Accurate prediction of electricity consumption using a hybrid CNN-LSTM model based on multivariable data
Ghimire et al. Efficient daily electricity demand prediction with hybrid deep-learning multi-algorithm approach
Aquil et al. Comparison of Machine Learning Models in Forecasting Reservoir Water Level
Sanz-Alcaine et al. Online voltage prediction using gaussian process regression for fault-tolerant photovoltaic standalone applications
Kim et al. Data-driven prognostics
Bhatnagar et al. Short-Term Electric Load Forecast Model Using the Combination of Ant Lion Optimization with Bi-LSTM Network
He et al. Singular-Value Decomposition Feature-Extraction Method for Cost-Performance Prediction

Legal Events

Date Code Title Description
A201 Request for examination