KR20220042629A - 예측 범위 최적화 방법 및 장치 - Google Patents

예측 범위 최적화 방법 및 장치 Download PDF

Info

Publication number
KR20220042629A
KR20220042629A KR1020200125660A KR20200125660A KR20220042629A KR 20220042629 A KR20220042629 A KR 20220042629A KR 1020200125660 A KR1020200125660 A KR 1020200125660A KR 20200125660 A KR20200125660 A KR 20200125660A KR 20220042629 A KR20220042629 A KR 20220042629A
Authority
KR
South Korea
Prior art keywords
prediction
error
prediction range
section
sections
Prior art date
Application number
KR1020200125660A
Other languages
English (en)
Inventor
김재경
이상호
권도훈
서상수
이종주
김태현
신희원
Original Assignee
한국전기연구원
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 한국전기연구원 filed Critical 한국전기연구원
Priority to KR1020200125660A priority Critical patent/KR20220042629A/ko
Publication of KR20220042629A publication Critical patent/KR20220042629A/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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
    • 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
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06316—Sequencing of tasks or work
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0633—Workflow analysis
    • 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
    • G06Q10/10—Office automation; Time management
    • 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

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 예측 범위 최적화 방법 및 장치를 공개한다. 본 발명은 일정한 수의 과거 시계열 구간에 대한 예측 데이터들과 실제 측정 데이터들 간의 예측 오차 데이터들을 각 시간 구간마다 생성하고, 예측 오차 데이터들을 이용하여, 일정한 신뢰도를 유지하면서도 예측 데이터가 예측 범위에 위치하는 동시에 예측 범위가 최소가 되도록 예측 범위의 상한과 하한을 적응적으로 변경함으로써, 예측 범위를 최적화할 수 있다. 이러한 구성을 통해서, 본 발명은 사용자가 정의한 일정 수준의 신뢰도를 유지하면서도 예측 범위를 최적화함으로써, 예측 범위에 따라서 발생되는 비용을 최소화할 수 있다.

Description

예측 범위 최적화 방법 및 장치{Method and system for optimizing prediction range}
본 발명은 예측 범위 최적화 방법 및 장치에 관한 것으로서, 보다 구체적으로는 누적된 예측 오차를 이용한 예측 범위 최적화 방법 및 장치에 관한 것이다.
과학 기술의 다양한 분야에서 예측 모델을 이용하여 예측값을 생성하고 이를 활용하고 있다. 예컨대, 신재생 에너지 발전 분야에서는 다양한 예측 모델을 이용하여 풍력 발전기 또는 태양광 발전기를 통해서 어느 정도의 전력이 생성될 것인지를 예측하고, 예측 결과를 발전 설비들의 운영 및 관리에 활용하고 있다.
도 1은 종래 기술에 따른 풍력 발전기의 예측 모델을 이용한 발전량의 예측치와 실제 측정치 및 예측 범위를 도시한 그래프이다. 도 1을 참조하면, 종래 기술은 사전에 정의된 예측 모델을 이용하여 풍력 발전량을 예측하고, 실제 발전량을 측정하여 오차를 계산함으로써, 해당 예측치의 정확성을 확인한다.
이 때, 종래 기술에 따른 발전량 예측치는, 예측치를 구하고자 하는 예측 신뢰도에 따라서 사전에 결정된 예측 범위 내에서 수행된다. 즉, 예측 모델에 신뢰도를 설정하면, 이에 대응되는 획일화된 예측 범위가 설정된다. 일반적으로 예측치의 ±α가 예측치 범위가 된다.
그러나, 종래 기술들은 예측치의 정확성을 높이기 위한 것에만 연구 개발이 집중되어 있을 뿐, 예측 범위를 효율적으로 설계하고자 하는 연구는 이루어지지 않는 실정이다. 구체적으로, 발전 분야의 경우, 예측 범위에 따라서 예비 전력을 준비하게 되는데, 예측 범위가 넓은 경우, 예비 전력을 과도하게 준비하게 되므로 에너지 낭비가 초래되고, 예측 범위가 좁은 경우, 예비 전력이 모자라게 되는 문제점이 발생한다.
본 발명이 해결하고자 하는 과제는 예측치에 대응하여 보다 정확하면서 최적화된 예측 범위를 제공할 수 있는 예측 범위 최적화 방법 및 장치를 제공하는 것이다.
상술한 과제를 해결하기 위한 본 발명의 바람직한 실시예에 따른 예측 범위 최적화 방법은, 예측 범위 최적화 장치에서 수행되는 예측 범위 최적화 방법으로서, (a) 사전에 정의된 수의 과거 시계열 구간 각각에 대해서, 예측 데이터와 실제 측정 데이터 간의 오차 데이터 및 오차 데이터를 이용한 오차 판단 지수(Rk)를 생성하는 단계; (b) 상기 과거 시계열 구간들 중 시간적으로 선행하는 소정수의 예측 구간(오차 분포 분석 구간)들에 대해서 오차 분포를 분석하는 단계; (c) 상기 오차 분포 분석 구간들의 오차 판단 지수(Rk)의 크기 분포에 따라서 사전에 정의된 수로 오차 판단 지수 구간을 나누는 단계; (d) 상기 과거 시계열 구간들 중 상기 오차 분포 분석 구간들을 제외한 나머지 예측 구간(예측 범위 조정 계수 최적화 구간)들의 오차 판단 지수(Rk)에 따라서, 예측 범위 조정 계수 최적화 구간 각각에 대해서, 상기 오차 판단 지수 구간에 대응되는 예측 범위 조정 계수(Cui, CLi)를 설정하고, 상기 오차 분포의 분석 결과 및 상기 예측 범위 조정 계수 최적화 구간의 데이터들을 이용하여, 각 오차 판단 지수 구간에 대응되는 상기 예측 범위 조정 계수(Cui, CLi)를 결정하는 단계; 및 (e) 상기 과거 시계열 구간 이후의 예측 구간들 각각에 대해서, 직전 예측 구간들에서 구해진 오차 데이터들을 이용하여 오차 판단 지수(Rk)를 구하고, 구해진 오차 판단 지수(Rk)에 따라서 상기 (d) 단계에서 결정된 예측 범위 조정 계수(Cui, CLi)를 이용하여 현재 예측 구간의 예측 범위를 결정하는 단계를 포함한다.
또한, 상기 (c) 단계는, 상기 오차 판단 지수(Rk)의 평균 및 표준편차를 이용하여, 각 구간마다 동일한 구간의 길이를 갖도록 오차 판단 지수 구간을 나누거나, 평균에서 멀어질수록 구간이 길이가 길어지도록 오차 판단 지수 구간을 나누거나, 평균에서 일정 수준까지는 제 1 구간 길이를 갖도록 오차 판단 지수 구간을 나누고, 상기 일정 수준을 벗어나는 구간들에 대해서는 상기 제 1 구간보다 더 긴 제 2 구간 길이를 갖도록 오차 판단 지수 구간을 나눌 수 있다.
또한, 상기 (a) 단계에서, 오차 판단 지수(Rk)는 사전에 정의된 수의 직전 예측 구간들의 오차 데이터를 이용하여 계산될 수 있다.
또한, 상기 (b) 단계는, 상기 오차 분포 분석 구간들의 오차 데이터를 이용하여 오차 데이터의 평균 및 표준 편차를 포함하는 분석 결과를 생성할 수 있다.
또한, 상기 (d) 단계는, 아래의 수학식 1 및 수학식 2에 따라서 각 오차 판단 지수 구간의 예측 범위 조정 계수(Cui, CLi)를 구하되,
[수학식 1]
Figure pat00001
[수학식 2]
Figure pat00002
상기 수학식들에서 각 변수와 계수는 아래 같이 정의될 수 있다.
(N : 예측 범위 조정 계수 최적화 구간의 갯수
vk : 판정 함수(예측 데이터가 예측 범위 내인 경우에는 0, 예측 범위 밖인 경우에는 1을 출력함)
w1 , w2 : 보정 계수로서 사전에 정의됨
Uk , Lk : 예측 범위 상한, 예측 범위 하한
Pk : k 시점에서의 예측 데이터
μe , σe : 오차 분포 분석 구간에 대해서 구해진 오차 평균 및 표준편차
Pd : 지정 신뢰도 (95%:1.96,99%:2.58 으로 설정됨)
Cui , CLi : 상한 조정 계수, 하한 조정 계수)
또한, 상기 (e) 단계는, (e1) 직전 예측 구간들에서 구해진 오차 데이터들을 이용하여 오차 판단 지수(Rk)를 구하는 단계; (e2) 상기 (e1) 단계에서 구해진 오차 판단 지수(Rk)가 상기 오차 판단 지수 구간들 중 어느 구간에 속하는지 판단하는 단계; 및 (e3) 상기 (e2) 단계에서 상기 오차 판단 지수가 속하는 지수 구간에 대응되고, 상기 (d) 단계에서 결정된 예측 범위 조정 계수(Cui, CLi)를 상기 수학식 2에 적용하여 예측 범위를 결정하는 단계를 포함할 수 있다.
한편, 상술한 과제를 해결하기 위한 본 발명의 바람직한 실시예에 따른 컴퓨터 프로그램은, 비일시적 저장매체에 저장되고, 프로세서를 포함하는 컴퓨터에서 실행되어, 상기 예측 범위 최적화 방법을 수행한다.
한편, 상술한 과제를 해결하기 위한 본 발명의 바람직한 실시예에 따른 예측 범위 최적화 장치는, 프로세서 및 소정의 명령어들을 저장하는 메모리를 포함하는 예측 범위 최적화 장치로서, 상기 메모리에 저장된 명령어들을 실행한 상기 프로세서는, (a) 사전에 정의된 수의 과거 시계열 구간 각각에 대해서, 예측 데이터와 실제 측정 데이터 간의 오차 데이터 및 오차 데이터를 이용한 오차 판단 지수(Rk)를 생성하는 단계; (b) 상기 과거 시계열 구간들 중 시간적으로 선행하는 소정수의 예측 구간(오차 분포 분석 구간)들에 대해서 오차 분포를 분석하는 단계; (c) 상기 오차 분포 분석 구간들의 오차 판단 지수(Rk)의 크기 분포에 따라서 사전에 정의된 수로 오차 판단 지수 구간을 나누는 단계; (d) 상기 전과거 시계열 구간들 중 상기 오차 분포 분석 구간들을 제외한 나머지 예측 구간(예측 범위 조정 계수 최적화 구간)들의 오차 판단 지수(Rk)에 따라서, 예측 범위 조정 계수 최적화 구간 각각에 대해서, 상기 오차 판단 지수 구간에 대응되는 예측 범위 조정 계수(Cui, CLi)를 설정하고, 상기 오차 분포의 분석 결과 및 상기 예측 범위 조정 계수 최적화 구간의 데이터들을 이용하여, 각 오차 판단 지수 구간에 대응되는 상기 예측 범위 조정 계수(Cui, CLi)를 결정하는 단계; 및 (e) 상기 과거 시계열 구간 이후의 예측 구간들 각각에 대해서, 직전 예측 구간들에서 구해진 오차 데이터들을 이용하여 오차 판단 지수(Rk)를 구하고, 구해진 오차 판단 지수(Rk)에 따라서 상기 (d) 단계에서 결정된 예측 범위 조정 계수(Cui, CLi)를 이용하여 현재 예측 구간의 예측 범위를 결정하는 단계를 수행하여 예측 범위 최적화를 수행한다.
또한, 상기 (c) 단계에서, 상기 프로세서는 상기 오차 판단 지수(Rk)의 평균 및 표준편차를 이용하여,각 구간마다 동일한 구간의 길이를 갖도록 오차 판단 지수 구간을 나누거나, 평균에서 멀어질수록 구간이 길이가 길어지도록 오차 판단 지수 구간을 나누거나, 평균에서 일정 수준까지는 제 1 구간 길이를 갖도록 오차 판단 지수 구간을 나누고, 상기 일정 수준을 벗어나는 구간들에 대해서는 상기 제 1 구간보다 더 긴 제 2 구간 길이를 갖도록 오차 판단 지수 구간을 나눌 수 있다.
또한, 상기 (a) 단계에서, 상기 프로세서는, 사전에 정의된 수의 직전 예측 구간들의 오차 데이터를 이용하여 오차 판단 지수(Rk)를 계산할 수 있다.
또한, 상기 (b) 단계에서, 상기 프로세서는 상기 오차 분포 분석 구간들의 오차 데이터를 이용하여 오차 데이터의 평균 및 표준 편차를 포함하는 분석 결과를 생성할 수 있다.
또한, 상기 (d) 단계에서, 상기 프로세서는, 아래의 수학식 1 및 수학식 2에 따라서 각 오차 판단 지수 구간의 예측 범위 조정 계수(Cui, CLi)를 구하되,
[수학식 1]
Figure pat00003
[수학식 2]
Figure pat00004
상기 수학식들에서 각 변수와 계수는 아래 같이 정의될 수 있다.
(N : 예측 범위 조정 계수 최적화 구간의 갯수
vk : 판정 함수(예측 데이터가 예측 범위 내인 경우에는 0, 예측 범위 밖인 경우에는 1을 출력함)
w1 , w2 : 보정 계수로서 사전에 정의됨
Uk , Lk : 예측 범위 상한, 예측 범위 하한
Pk : k 시점에서의 예측 데이터
μe , σe : 오차 분포 분석 구간에 대해서 구해진 오차 평균 및 표준편차
Pd : 지정 신뢰도 (95%:1.96,99%:2.58 으로 설정됨)
Cui , CLi : 상한 조정 계수, 하한 조정 계수)
또한, 상기 (e) 단계는, (e1) 직전 예측 구간들에서 구해진 오차 데이터들을 이용하여 오차 판단 지수(Rk)를 구하는 단계; (e2) 상기 (e1) 단계에서 구해진 오차 판단 지수(Rk)가 상기 오차 판단 지수 구간들 중 어느 구간에 속하는지 판단하는 단계; 및 e3) 상기 (e2) 단계에서 상기 오차 판단 지수가 속하는 지수 구간에 대응되고, 상기 (d) 단계에서 결정된 예측 범위 조정 계수(Cui, CLi)를 상기 수학식 2에 적용하여 예측 범위를 결정하는 단계를 포함할 수 있다.
본 발명은 일정한 수의 과거 시계열 구간에 대한 예측 데이터들과 실제 측정 데이터들 간의 예측 오차 데이터들을 각 시간 구간마다 생성하고, 예측 오차 데이터들을 이용하여, 일정한 신뢰도를 유지하면서도 예측 데이터가 예측 범위에 위치하는 동시에 예측 범위가 최소가 되도록 예측 범위의 상한과 하한을 적응적으로 변경함으로써, 예측 범위를 최적화할 수 있다.
이러한 구성을 통해서, 본 발명은 사용자가 정의한 일정 수준의 신뢰도를 유지하면서도 예측 범위를 최적화함으로써, 예측 범위에 따라서 발생되는 비용을 최소화할 수 있다.
도 1은 종래 기술에 따른 풍력 발전기의 예측 모델을 이용한 발전량의 예측치와 실제 측정치 및 예측 범위를 도시한 그래프이다.
도 2는 본 발명의 바람직한 실시예에 따른 예측 범위 최적화 장치의 세부 구성을 도시하는 도면이다.
도 3은 본 발명의 바람직한 실시예에 따른 예측 범위 최적화 방법을 설명하는 흐름도이다.
도 4는 본 발명의 바람직한 실시예에 따른 실제 측정 데이터, 예측 데이터, 오차 데이터 및 오차 판단 지수(Rk)의 일예를 도시한 도면이다.
도 5a 및 도 5b는 본 발명의 바람직한 실시예에 따른 오차 판단 지수의 분포를 설명하는 도면이다.
도 6은 본 발명의 바람직한 실시예에 따른 예측 범위 최적화 성능을 설명하는 도면이다.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예들을 설명한다.
본 발명은 시계열 예측 데이터들과 실제 측정 데이터들 간의 예측 오차 데이터들을 각 과거 시계열 구간들마다 생성하고, 예측 오차 데이터들을 이용하여, 사전에 정의된 신뢰도를 유지하면서도 예측 데이터가 예측 범위에 위치하는 동시에 예측 범위가 최소가 되도록 예측 범위의 상한값과 하한값을 적응적으로 변경함으로써, 예측 범위를 최적화할 수 있고, 이에 따라서, 예측 범위로 인한 비용을 최소화할 수 있다.
도 2는 본 발명의 바람직한 실시예에 따른 예측 범위 최적화 장치의 구성을 도시하는 도면이다.
도 2를 참조하면, 본 발명의 바람직한 실시예에 따른 예측 범위 최적화 장치(10)는 프로세서(11) 및 메모리(13)를 포함한다.
본 발명의 바람직한 실시예에 따른 메모리(13)는 프로세서(11)에 의해 실행 가능한 명령어들, 프로세서(11)에 의해 실행되는 프로그램들을 저장할 수도 있고, 입/출력되는 데이터들을 저장할 수도 있다.
본 발명의 바람직한 실시예에 따른 프로세서(11)는 메모리(13)에 저장된 명령어들을 실행함으로써, 도 3을 참조하여 후술하는 예측 범위 최적화 방법의 각 단계를 수행한다. 메모리(13)는 인터넷(internet)상에서 저장 매체의 기능을 수행하는 웹 스토리지(web storage) 또는 클라우드 서버로 대체 운영될 수도 있다.
도 3은 본 발명의 바람직한 실시예에 따른 예측 범위 최적화 방법을 설명하는 흐름도이다.
도 3을 참조하면, 본 발명의 바람직한 실시예에 따른 예측 범위 최적화 방법은, 예측 범위 최적화 장치에서 수행되는 것으로서, 보다 구체적으로는 프로세서가 메모리에 저장된 프로그램과 명령어를 실행하여 수행되는 것으로서, 사전에 정의된 수의 과거 시계열 구간들(구간 1~25)에 대해서, 예측 데이터와 실제 측정 데이터 간의 오차 데이터 및 오차 데이터를 이용한 오차 판단 지수(Rk)를 생성하는 단계(S310), 상기 전체 과거 시계열 구간들 중 시간적으로 선행하는 소정수의 예측 구간(오차 분포 분석 구간)들에 대해서 오차 분포를 분석하는 단계(S320), 상기 오차 분포 분석 구간들의 오차 판단 지수(Rk)의 크기 분포에 따라서 사전에 정의된 수로 오차 판단 지수 구간을 나누는 단계(S330), 상기 전체 과거 시계열 구간들 중 상기 오차 분포 분석 구간들을 제외한 나머지 예측 구간(예측 범위 조정 계수 최적화 구간, "최적화 구간"으로 약칭함)들의 오차 판단 지수(Rk)에 따라서, 최적화 구간 각각에 대해서, 상기 오차 판단 지수 구간에 대응되는 예측 범위 조정 계수(Cui, CLi)를 설정하고, 상기 오차 분포의 분석 결과 및 상기 최적화 구간 데이터들을 이용하여, 각 오차 판단 지수 구간에 대응되는 상기 예측 범위 조정 계수(Cui, CLi)를 결정하는 단계(S340), 및 상기 전체 과거 시계열 구간 이후의 예측 구간들 각각에 대해서, 직전 예측 구간들에서 구해진 오차 데이터들을 이용하여 오차 판단 지수(Rk)를 구하고, 구해진 오차 판단 지수(Rk)에 따라서 예측 범위 조정 계수(Cui, CLi)를 결정하고, 결정된 예측 범위 조정 계수(Cui, CLi)를 이용하여 현재 예측 구간의 예측 범위를 결정하는 단계(S350)를 포함한다.
이하, 도 4 내지 도 6을 더 참조하여, 도 3에 도시된 각 단계에 대해서 보다 구체적으로 설명한다.
먼저, 제 S310 단계에서, 예측 범위 최적화 장치는 사전에 정의된 수의 전체 과거 시계열 구간 데이터 각각에 대해서, 예측 데이터와 실제 측정 데이터 간의 오차 데이터 및 오차 데이터를 이용한 오차 판단 지수(Rk)를 생성한다.
도 4는 본 발명의 바람직한 실시예에 따른 실제 측정 데이터, 예측 데이터, 오차 데이터 및 오차 판단 지수(Rk)의 일예를 도시한 도면이다. 도 4는 설명의 편의를 위해서, 20개의 오차 분석 구간과 5개의 예측 범위 조정 계수 최적화 구간을 포함하는 25개의 과거 시계열 구간만을 예시적으로 도시하였으나, 실제로 본 발명이 적용되는 경우에, 누적된 데이터를 통해 전체 과거 시계열 구간이 수백~수천개 이상으로 설정될 수 있다.
도 4를 참조하면, 시간 순서에 따른 예측 구간 1 내지 25에서, 사전에 정의된 예측 모델에 따라서 예측된 데이터가 순차적으로 기록되고, 예측 데이터에 대응되는 실제 측정 데이터(실측 데이터)가 순차적으로 기록되며, 실측 데이터와 예측 데이터 간의 오차인 오차 데이터가 순차적으로 기록된다.
또한, 각 예측 구간마다 오차 판단 지수(Rk)가 계산되는데, 오차 판단 지수(Rk)는 오차 데이터의 추이를 가늠하기 위한 지수로서, 다양한 함수로 정의될 수 있으며, 가장 간단한 방법으로는 현재 구간(t)의 오차 판단 지수 Rk(t)는 직전 3개 예측 구간의 오차 데이터의 산술 평균(
Figure pat00005
) 또는 직전 3개 예측 구간의 오차 데이터의 가중 평균(
Figure pat00006
)으로 정의될 수 있다.
그 후, 제 S320 단계에서, 예측 범위 최적화 장치는 상기 과거 시계열 구간 데이터들 중 오차 분석 구간 데이터들을 이용하여 오차 분포를 분석한다. 이 때, 오차 분포 분석을 통해서 오차 데이터의 평균 및 표준 편차가 기본적으로 계산된다.
도 4에 도시된 예에서, 예측 범위 최적화 장치는 시간 순서로 나열된 전체 25개의 예측 구간 중에서, 1번~20번까지의 20개의 예측 구간에 해당하는 오차 분포 분석 구간에 기록된 데이터들을 이용하여 오차 분포 분석을 수행함으로써 오차의 평균(μe) 및 표준편차(σe)를 구하였다.
제 S330 단계에서, 예측 범위 최적화 장치는 상기 소정수의 예측 구간 데이터들의 오차 판단 지수(Rk)의 크기 분포에 따라서 사전에 정의된 수로 오차 판단 지수 구간을 나눈다.
예컨대, 도 4에 도시된 예에서, 예측 구간 1 내지 20 의 오차 판단 지수(Rk)의 크기를 순차적으로 그래프로 표시하면, 도 5a에 도시된 바와 같고, 오차 판단 지수의 크기 분포를 5개의 구간으로 나눈 일 예는 도 5b에 도시한 바와 같다.
도 4 내지 도 5b 에 도시된 예에서, 예측 범위 최적화 장치는 예측 구간 1 내지 예측 구간 20 의 오차 판단 지수(Rk)를 그 크기 분포에 따라서 5개의 구간으로 오차 판단 지수 구간을 나눈다.
이 때, 오차 판단 지수 구간을 나누는 방법은 다양하게 적용이 가능하다. 예컨대, 도 4의 예측 구간 2 내지 20까지의 19개의 오차 판단 지수(Rk)의 최대값은 0.0104이고, 최소값은 -0.0267 이라고 할 때, 도 5b에 도시된 바와 같이, 최대값과 최소값 간의 간격을 사전에 정의된 5개의 구간으로 나눌 수 있다. 이 경우, 각 구간의 간격은 균등하지만, 도 5b에 도시된 바와 같이, 가운데 구간에 오차 판단 지수(Rk) 데이터들이 집중되는 것을 알 수 있다.
이 밖에도, 오차 판단 지수(Rk)의 평균과 표준편차를 이용하여 평균에 가까울수록 구간의 길이가 짧아지고, 평균에서 멀어질수록 구간의 길이가 길어지도록 오차 판단 지수 구간을 나눌 수 있다.
또한, 평균에서 일정 수준까지는 좀 더 좁은 균등 구간을 설정하고, 그 밖의 구간에 대해서는 좀 더 넓은 구간으로 설정할 수도 있다. 예컨대, 평균으로부터 6*표준편차까지는 각 구간의 폭이 제 1 길이로 설정되고, 6*표준편차를 벗어나면 각 구간의 폭이 제 1 길이보다 더 긴 제 2 길이로 설정되도록 오차 판단 지수 구간을 나눌 수도 있다.
이하에서는, 설명의 편의를 위해서 오차 판단 지수(Rk)의 5개의 구간 범위를 아래의 표 1과 같이 설정하였다고 가정한다.
구간 범위
구간 1 Rk < -0.0193
구간 2 -0.0193 ≤ Rk < -0.0119
구간 3 -0.0119 ≤ Rk < -0.0044
구간 4 -0.0044 ≤ Rk < 0.003
구간 5 0.003 ≤ Rk
그 후, 제 S340 단계에서, 예측 범위 최적화 장치는 예측 범위 조정 계수 최적화 구간인 예측 구간 21 내지 25의 오차 판단 지수(Rk)에 따라서, 예측 구간 21 내지 25 각각에 대해서 상기 오차 판단 지수 구간에 대응되는 예측 범위 조정 계수(Cui, CLi)를 설정하고, 상기 오차 분포의 분석 결과 및 최적화 구간 (예측 구간 21 내지 25) 데이터들을 이용하여, 상기 예측 범위 조정 계수(Cui, CLi)를 결정한다.
구체적으로, 도 4의 예측 구간 21 내지 25 각각의 오차 판단 지수(Rk)가 상기 표 1에 기재된 오차 판단 지수(Rk) 구간 중 어느 구간에 속하는지 여부를 확인하고, 각 예측 구간의 예측 범위 조정 계수(Cui, CLi)를 설정한다. 예측 범위 조정 계수 Cui는 상한 조정 계수를 나타내고, CLi는 하한 조정 계수를 나타내며, i 는 해당 조정 계수가 속하는 표 1의 구간을 나타낸다.
예측 구간 21의 경우, 오차 판단 지수(Rk) 데이터 -0.005850244 는 상기 표 1의 구간 3에 속하므로, 예측 구간 21의 예측 범위 조정 계수는 Cu3 및 CL3 로 설정된다.
예측 구간 22의 경우, 오차 판단 지수(Rk) 데이터 -0.024730297 은 상기 표 1의 구간 1에 속하므로, 예측 구간 22의 예측 범위 조정 계수는 Cu1 및 CL1 로 설정된다.
예측 구간 23의 경우, 오차 판단 지수(Rk) 데이터 -0.007318865 는 상기 표 1의 구간 3에 속하므로, 예측 구간 23의 예측 범위 조정 계수는 Cu3 및 CL3 로 설정된다.
동일한 방식으로 예측 구간 24 및 25 오차 판단 지수(Rk)를 표 1과 비교하면, 예측 범위 조정 계수는 각각 Cu3, CL3 그리고 Cu4, CL4로 설정된다.
예측 구간 21~25의 예측 범위 조정 계수가 모두 설정되면, 예측 범위 최적화 장치는 아래의 수학식 1에 최적화 구간(예측 구간 21 ~ 25)의 데이터를 대입하여 수학식 1을 만족시키는(최소화하는) 예측 범위 조정 계수(Cui, CLi)를 구한다.
Figure pat00007
상기 수학식 1에서, Uk 및 Lk 는 아래의 수학식 2로 정의된다.
Figure pat00008
상기 수학식 1 및 수학식 2에서 각각의 계수 및 변수는 아래와 같이 정의된다.
vk : 판정 함수(예측 데이터가 예측 범위 내인 경우에는 0, 예측 범위 밖인 경우에는 1을 출력함. Cui 및 CLi는 처음에는 1로 설정되어 이를 기반으로 각 vk가 계산되며, 수학식 1을 푸는 과정에서 Cui , CLi가 갱신되면 갱신된 값을 기반으로 vk가 계산됨)
w1 , w2 : 보정 계수로서 사전에 정의됨
Uk , Lk : 예측 범위 상한, 예측 범위 하한
Pk : k 시점에서의 예측 데이터
μe , σe : 오차 분포 분석 구간에 대해서 구해진 오차 평균 및 표준편차
Pd : 지정 신뢰도 (95%:1.96,99%:2.58 으로 설정됨)
Plimit : 최대 신뢰도 (지정 신뢰도보다 더 높게 설정하는 경우에만 설정되고,일반적으로는 Pd 로 설정됨)
Cui , CLi : 상한 조정 계수, 하한 조정 계수
또한, 상기 수학식 1의 mim 함수는 [] 안의 함수값이 최소화 되도록 하는 파라미터인 상한 조정 계수(Cui) 및 하한 조정 계수(CLi)를 출력하는 최적화 함수로서, Steepest descent method, Newton's method, Levenberg-Marquardt algorithm 등의 잘 알려진 알고리즘으로 구현될 수 있다.
아울러, 상기 수학식 1의 "N"은 예측 범위 조정 계수 최적화 구간의 수(도 4의 예시에서는 5개 예측 구간 21~25)를 나타낸다.
도 4에 도시된 예를 참조하면, 도 4의 최적화 구간(예측 구간 21 내지 25)의 데이터를 수학식 1에 대입하면, 상기한 수학식 1은 아래와 같이 정리된다.
Figure pat00009
여기서, Pd는 95% 신뢰도에 대응되는 1.96, 오차 분포 분석 구간에서 구해진 σe 는 0.025577079가 된다.
또한, 예측 구간 21의 데이터가 입력될 때, Cu3 및 CL3 가 상기 수학식 1에 입력되고, 예측 구간 22의 데이터가 입력될 때, Cu1 및 CL1 이 상기 수학식 1에 입력된다. 동일한 방식으로, 예측 구간 23 내지 25의 데이터가 입력될 때, Cu3 및 CL3 가가 입력된다.
상기한 과정을 거쳐서 수학식 1을 계산하면, 각 오차 판단 지수(Rk) 구간에 대응하는 예측 범위 조정 계수 Cu1~Cu5 및 CL1~CL5 가 결정된다. 아래의 표 2는 이러한 방식으로 결정된 예측 범위 조정 계수의 일 예를 기재한 것이다.
초기값 최적화 후
Cu1 CL1 1 1 0.2687 0.2687
Cu2 CL2 1 1 1 1
Cu3 CL3 1 1 0.1073 0.3881
Cu4 CL4 1 1 0.8266 0.8266
Cu5 CL5 1 1 1 1
참고로, 종래 기술에 따르면 Cui 및 CLi 모두 1로 설정되지만, 본 발명의 바람직한 실시예에 따른 최적화 과정을 거친 예측 범위 조정 계수는 그 크기가 1보다 작아져서, 종래 기술에 비해서 예측 범위 상한(Uk)과 예측 범위 하한(Lk)간의 간격이 더 작아지고, 이에 따라서 동일한 신뢰도를 유지하면서도 예측 범위가 더 작아지는 효과가 나타난다.
그 후, 제 S350 단계에서, 상기 과거 시계열 구간 이후의 예측 구간들에 대해서, 직전 예측 구간들에서 구해진 오차 데이터들을 이용하여 오차 판단 지수(Rk)를 생성하고, 이에 따라서 예측 범위 조정 계수(Cui, CLi)를 결정하며, 결정된 예측 범위 조정 계수(Cui, CLi)를 이용하여 현재 예측 구간의 예측 범위를 결정한다.
도 4에 도시된 예를 참조하면, 현재 예측 구간(예측 구간 25 직후의 시간 구간으로서, 설명의 편의상 "예측 구간 26"으로 칭함)에서, 사전에 정의된 예측 알고리즘에 따라서 예측 데이터(Pk)가 출력된다. 이 때, 예측 범위 최적화 장치는 직전 예측 구간 23, 24, 25의 오차 데이터를 이용하여 오차 판단 지수(Rk)=0.01005971를 구하고, 구해진 오차 판단 지수 0.01005971을 이용하여, 현재 예측 구간에서는 어떤 오차 판단 지수 구간의 조정 계수를 이용할지를 결정한다. 상기한 예에서, 현재 예측 구간 26의 오차 판단 지수(Rk)인 0.01005971 은, 표 1에 기재된 오차 판단 지수 구간 중 4구간에 해당되고, 예측 범위 조정 계수는 표 2에 기재된 4구간의 값(Cu4=0.0152, CL3=0.8234)으로 각각 설정된다.
그 후, 해당 값들을 수학식 2에 적용하여, 아래와 같이, 예측 범위 상한(Uk)과 예측 범위 하한(Lk)을 각각 계산하여 예측 범위를 결정한다.
Uk = Pk + μe + Cu3Pdσe = Pk+(-0.009593369)+0.0152*1.96*0.025577079
Lk = Pk + μe - CL3Pdσe = Pk+(-0.009593369)-0.8234*1.96*0.025577079
상기 예에서, μe 및 σe 오차 분포 분석 구간 1~20에서 계산된 오차 평균 및 표준편차를 각각 나타낸다.
그 후, 현재 예측 구간 26에 대해서 실측 데이터가 생성되면 오차 데이터가 계산된다.
다음으로, 다음 예측 구간 27에 대해서 예측 데이터가 생성되면, 예측 구간 26과 동일한 방식으로 오차 판단 지수(Rk)가 계산되고, 이에 따라서 예측 범위가 결정되며, 이 후의 예측 구간들에서도 동일한 방식으로 최적화된 예측 범위가 결정된다.
한편, 시간이 경과되어 새로운 예측 구간들이 누적되면, 예측 구간이 오차 분포 분석 구간 및 예측 범위 조정 계수 최적화 구간을 새롭게 설정하고, 설정된 예측 구간들에 대해서 상술한 제 S310 단계 내지 제 S350 단계를 수행하여 예측 범위를 다시 최적화한다.
도 6은 본 발명의 바람직한 실시예에 따른 예측 범위 최적화 성능을 설명하는 도면이다.
도 6을 참고하면, 종래 기술과 본 발명의 바람직한 실시예에 따른 방법이 모두 98.98%(사전에 정의된 신뢰도 99%)의 신뢰도를 유지하면서 각각 풍력 발전량의 예측 범위를 설정하고 있다. 그러나, 종래 기술에 따른 예측 범위 평균은 0.97 MW인데 비하여, 본 발명의 바람직한 실시예는 예측 범위가 평균 0.80 MW로 감소하여, 종래 기술에 비하여 약 17.2%의 예측 범위 개선 효과가 나타난다.
본 발명은 또한 컴퓨터로 읽을 수 있는 비일시적 저장매체에 저장되고, 컴퓨터가 읽을 수 있는 코드들을 포함하는 컴퓨터 프로그램으로 구현될 수 있다. 컴퓨터가 읽을 수 있는 저장매체는 컴퓨터 장치에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 기록매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광데이터 저장장치 등이 있다. 또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 장치에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.
이제까지 본 발명에 대하여 그 바람직한 실시예들을 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 실시예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.
10 : 예측 범위 최적화 장치
11 : 프로세서
13 : 메모리

Claims (13)

  1. 예측 범위 최적화 장치에서 수행되는 예측 범위 최적화 방법으로서,
    (a) 사전에 정의된 수의 과거 시계열 구간 각각에 대해서, 예측 데이터와 실제 측정 데이터 간의 오차 데이터 및 오차 데이터를 이용한 오차 판단 지수(Rk)를 생성하는 단계;
    (b) 상기 과거 시계열 구간들 중 시간적으로 선행하는 소정수의 예측 구간(오차 분포 분석 구간)들에 대해서 오차 분포를 분석하는 단계;
    (c) 상기 오차 분포 분석 구간들의 오차 판단 지수(Rk)의 크기 분포에 따라서 사전에 정의된 수로 오차 판단 지수 구간을 나누는 단계;
    (d) 상기 과거 시계열 구간들 중 상기 오차 분포 분석 구간들을 제외한 나머지 예측 구간(예측 범위 조정 계수 최적화 구간)들의 오차 판단 지수(Rk)에 따라서, 예측 범위 조정 계수 최적화 구간 각각에 대해서, 상기 오차 판단 지수 구간에 대응되는 예측 범위 조정 계수(Cui, CLi)를 설정하고, 상기 오차 분포의 분석 결과 및 상기 예측 범위 조정 계수 최적화 구간의 데이터들을 이용하여, 각 오차 판단 지수 구간에 대응되는 상기 예측 범위 조정 계수(Cui, CLi)를 결정하는 단계; 및
    (e) 상기 과거 시계열 구간 이후의 예측 구간들 각각에 대해서, 직전 예측 구간들에서 구해진 오차 데이터들을 이용하여 오차 판단 지수(Rk)를 구하고, 구해진 오차 판단 지수(Rk)에 따라서 상기 (d) 단계에서 결정된 예측 범위 조정 계수(Cui, CLi)를 이용하여 현재 예측 구간의 예측 범위를 결정하는 단계를 포함하는 것을 특징으로 하는 예측 범위 최적화 방법.
  2. 제 1 항에 있어서, 상기 (c) 단계는
    상기 오차 판단 지수(Rk)의 평균 및 표준편차를 이용하여,
    각 구간마다 동일한 구간의 길이를 갖도록 오차 판단 지수 구간을 나누거나,
    평균에서 멀어질수록 구간이 길이가 길어지도록 오차 판단 지수 구간을 나누거나,
    평균에서 일정 수준까지는 제 1 구간 길이를 갖도록 오차 판단 지수 구간을 나누고, 상기 일정 수준을 벗어나는 구간들에 대해서는 상기 제 1 구간보다 더 긴 제 2 구간 길이를 갖도록 오차 판단 지수 구간을 나누는 것을 것을 특징으로 하는 예측 범위 최적화 방법.
  3. 제 1 항에 있어서, 상기 (a) 단계에서
    오차 판단 지수(Rk)는 사전에 정의된 수의 직전 예측 구간들의 오차 데이터를 이용하여 계산되는 것을 특징으로 하는 예측 범위 최적화 방법.
  4. 제 1 항에 있어서, 상기 (b) 단계는
    상기 오차 분포 분석 구간들의 오차 데이터를 이용하여 오차 데이터의 평균 및 표준 편차를 포함하는 분석 결과를 생성하는 것을 특징으로 하는 예측 범위 최적화 방법.
  5. 제 4 항에 있어서, 상기 (d) 단계는
    아래의 수학식 1 및 수학식 2에 따라서 각 오차 판단 지수 구간의 예측 범위 조정 계수(Cui, CLi)를 구하되,
    [수학식 1]
    Figure pat00010

    [수학식 2]
    Figure pat00011

    상기 수학식들에서 각 변수와 계수는 아래 같이 정의되는 것을 특징으로 하는 예측 범위 최적화 방법.
    (N : 예측 범위 조정 계수 최적화 구간의 갯수
    vk : 판정 함수(예측 데이터가 예측 범위 내인 경우에는 0, 예측 범위 밖인 경우에는 1을 출력함)
    w1 , w2 : 보정 계수로서 사전에 정의됨
    Uk , Lk : 예측 범위 상한, 예측 범위 하한
    Pk : k 시점에서의 예측 데이터
    μe , σe : 오차 분포 분석 구간에 대해서 구해진 오차 평균 및 표준편차
    Pd : 지정 신뢰도 (95%:1.96,99%:2.58 으로 설정됨)
    Cui , CLi : 상한 조정 계수, 하한 조정 계수)
  6. 제 5 항에 있어서, 상기 (e) 단계는
    (e1) 직전 예측 구간들에서 구해진 오차 데이터들을 이용하여 오차 판단 지수(Rk)를 구하는 단계;
    (e2) 상기 (e1) 단계에서 구해진 오차 판단 지수(Rk)가 상기 오차 판단 지수 구간들 중 어느 구간에 속하는지 판단하는 단계; 및
    (e3) 상기 (e2) 단계에서 상기 오차 판단 지수가 속하는 지수 구간에 대응되고, 상기 (d) 단계에서 결정된 예측 범위 조정 계수(Cui, CLi)를 상기 수학식 2에 적용하여 예측 범위를 결정하는 단계를 포함하는 것을 특징으로 하는 예측 범위 최적화 방법.
  7. 비일시적 저장매체에 저장되고, 프로세서를 포함하는 컴퓨터에서 실행되어, 상기 제 1 항 내지 제 6 항 중 어느 한 항의 예측 범위 최적화 방법을 수행하는 컴퓨터 프로그램.
  8. 프로세서 및 소정의 명령어들을 저장하는 메모리를 포함하는 예측 범위 최적화 장치로서,
    상기 메모리에 저장된 명령어들을 실행한 상기 프로세서는
    (a) 사전에 정의된 수의 과거 시계열 구간 각각에 대해서, 예측 데이터와 실제 측정 데이터 간의 오차 데이터 및 오차 데이터를 이용한 오차 판단 지수(Rk)를 생성하는 단계;
    (b) 상기 과거 시계열 구간들 중 시간적으로 선행하는 소정수의 예측 구간(오차 분포 분석 구간)들에 대해서 오차 분포를 분석하는 단계;
    (c) 상기 오차 분포 분석 구간들의 오차 판단 지수(Rk)의 크기 분포에 따라서 사전에 정의된 수로 오차 판단 지수 구간을 나누는 단계;
    (d) 상기 전과거 시계열 구간들 중 상기 오차 분포 분석 구간들을 제외한 나머지 예측 구간(예측 범위 조정 계수 최적화 구간)들의 오차 판단 지수(Rk)에 따라서, 예측 범위 조정 계수 최적화 구간 각각에 대해서, 상기 오차 판단 지수 구간에 대응되는 예측 범위 조정 계수(Cui, CLi)를 설정하고, 상기 오차 분포의 분석 결과 및 상기 예측 범위 조정 계수 최적화 구간의 데이터들을 이용하여, 각 오차 판단 지수 구간에 대응되는 상기 예측 범위 조정 계수(Cui, CLi)를 결정하는 단계; 및
    (e) 상기 과거 시계열 구간 이후의 예측 구간들 각각에 대해서, 직전 예측 구간들에서 구해진 오차 데이터들을 이용하여 오차 판단 지수(Rk)를 구하고, 구해진 오차 판단 지수(Rk)에 따라서 상기 (d) 단계에서 결정된 예측 범위 조정 계수(Cui, CLi)를 이용하여 현재 예측 구간의 예측 범위를 결정하는 단계
    를 수행하여 예측 범위 최적화를 수행하는 것을 특징으로 하는 예측 범위 최적화 장치.
  9. 제 8 항에 있어서, 상기 (c) 단계에서
    상기 프로세서는 상기 오차 판단 지수(Rk)의 평균 및 표준편차를 이용하여,
    각 구간마다 동일한 구간의 길이를 갖도록 오차 판단 지수 구간을 나누거나,
    평균에서 멀어질수록 구간이 길이가 길어지도록 오차 판단 지수 구간을 나누거나,
    평균에서 일정 수준까지는 제 1 구간 길이를 갖도록 오차 판단 지수 구간을 나누고, 상기 일정 수준을 벗어나는 구간들에 대해서는 상기 제 1 구간보다 더 긴 제 2 구간 길이를 갖도록 오차 판단 지수 구간을 나누는 것을 것을 특징으로 하는 예측 범위 최적화 장치.
  10. 제 8 항에 있어서, 상기 (a) 단계에서
    상기 프로세서는, 사전에 정의된 수의 직전 예측 구간들의 오차 데이터를 이용하여 오차 판단 지수(Rk)를 계산하는 것을 특징으로 하는 예측 범위 최적화 장치.
  11. 제 8 항에 있어서, 상기 (b) 단계에서
    상기 프로세서는 상기 오차 분포 분석 구간들의 오차 데이터를 이용하여 오차 데이터의 평균 및 표준 편차를 포함하는 분석 결과를 생성하는 것을 특징으로 하는 예측 범위 최적화 방법.
  12. 제 11 항에 있어서, 상기 (d) 단계에서
    상기 프로세서는, 아래의 수학식 1 및 수학식 2에 따라서 각 오차 판단 지수 구간의 예측 범위 조정 계수(Cui, CLi)를 구하되,
    [수학식 1]
    Figure pat00012

    [수학식 2]
    Figure pat00013

    상기 수학식들에서 각 변수와 계수는 아래 같이 정의되는 것을 특징으로 하는 예측 범위 최적화 장치.
    (N : 예측 범위 조정 계수 최적화 구간의 갯수
    vk : 판정 함수(예측 데이터가 예측 범위 내인 경우에는 0, 예측 범위 밖인 경우에는 1을 출력함)
    w1 , w2 : 보정 계수로서 사전에 정의됨
    Uk , Lk : 예측 범위 상한, 예측 범위 하한
    Pk : k 시점에서의 예측 데이터
    μe , σe : 오차 분포 분석 구간에 대해서 구해진 오차 평균 및 표준편차
    Pd : 지정 신뢰도 (95%:1.96,99%:2.58 으로 설정됨)
    Cui , CLi : 상한 조정 계수, 하한 조정 계수)
  13. 제 12 항에 있어서, 상기 (e) 단계는
    (e1) 직전 예측 구간들에서 구해진 오차 데이터들을 이용하여 오차 판단 지수(Rk)를 구하는 단계;
    (e2) 상기 (e1) 단계에서 구해진 오차 판단 지수(Rk)가 상기 오차 판단 지수 구간들 중 어느 구간에 속하는지 판단하는 단계; 및
    (e3) 상기 (e2) 단계에서 상기 오차 판단 지수가 속하는 지수 구간에 대응되고, 상기 (d) 단계에서 결정된 예측 범위 조정 계수(Cui, CLi)를 상기 수학식 2에 적용하여 예측 범위를 결정하는 단계를 포함하는 것을 특징으로 하는 예측 범위 최적화 장치.
KR1020200125660A 2020-09-28 2020-09-28 예측 범위 최적화 방법 및 장치 KR20220042629A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200125660A KR20220042629A (ko) 2020-09-28 2020-09-28 예측 범위 최적화 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200125660A KR20220042629A (ko) 2020-09-28 2020-09-28 예측 범위 최적화 방법 및 장치

Publications (1)

Publication Number Publication Date
KR20220042629A true KR20220042629A (ko) 2022-04-05

Family

ID=81182349

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200125660A KR20220042629A (ko) 2020-09-28 2020-09-28 예측 범위 최적화 방법 및 장치

Country Status (1)

Country Link
KR (1) KR20220042629A (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115207913A (zh) * 2022-07-27 2022-10-18 中国华能集团清洁能源技术研究院有限公司 风储联合运行的超短期功率预测数据的修正方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115207913A (zh) * 2022-07-27 2022-10-18 中国华能集团清洁能源技术研究院有限公司 风储联合运行的超短期功率预测数据的修正方法及系统

Similar Documents

Publication Publication Date Title
JP6645043B2 (ja) 誤差幅推定装置、誤差幅推定システム、誤差幅推定方法及びプログラム
US9189216B2 (en) Power consumption design-optimization of a communication device software program
JP2012089113A (ja) ビジネス・プロセス・マネージメント・モデルを最適化する方法
KR101852527B1 (ko) 기계학습 기반의 동적 시뮬레이션 파라미터 교정 방법
JP2010122825A (ja) データ予測装置、データ予測方法、データ予測プログラム
JP2020525872A (ja) インフルエンザ予測モデルの生成方法、装置及びコンピュータ可読記憶媒体
CN113312578B (zh) 一种数据指标的波动归因方法、装置、设备、及介质
Sun et al. Quadratic approximation of cost functions in lost sales and perishable inventory control problems
WO2018001123A1 (en) Sample size estimator
Kock Common structural variation reduction in PLS-SEM: Replacement analytic composites and the one fourth rule
KR20220042629A (ko) 예측 범위 최적화 방법 및 장치
US7194394B2 (en) Method and apparatus for detecting and correcting inaccuracies in curve-fitted models
JP7161591B2 (ja) 特徴量選別方法及び健康状態評価方法
Dhiman et al. Optimization of COCOMO II effort estimation using genetic algorithm
US20210012247A1 (en) Information processing apparatus, information processing method, and program
JP2018067227A (ja) データ分析装置、データ分析方法、データ分析処理プログラム
CN117149293A (zh) 一种操作系统个性化配置方法
JPWO2017126069A1 (ja) 電力需要値算出システム、電力需要値算出方法および電力需要値算出プログラム
JP2020129180A (ja) ジョブ電力予測プログラム、ジョブ電力予測方法、およびジョブ電力予測装置
US10467119B2 (en) Data-agnostic adjustment of hard thresholds based on user feedback
CN113688202B (zh) 情感极性分析方法、装置、电子设备以及计算机存储介质
KR20190064948A (ko) 준지도 학습에서의 꼭지점 중요도를 고려한 레이블 추론 방법 및 시스템
Effendi et al. Implementation of bat algorithm for cocomo ii optimization
CN110929999B (zh) 一种考虑不同设备耐受特性的电压暂降严重程度计算方法
JP7243134B2 (ja) 入力操作の作業効率管理装置、入力操作の作業効率管理方法、及び、入力操作の作業効率管理プログラム

Legal Events

Date Code Title Description
A201 Request for examination