KR20220052200A

KR20220052200A - 기계학습 기반 부하예측 모델의 비교 검증 시스템 및 방법

Info

Publication number: KR20220052200A
Application number: KR1020200136276A
Authority: KR
Inventors: 이병성; 이해성; 김준혁; 문상근; 이혜선
Original assignee: 한국전력공사
Priority date: 2020-10-20
Filing date: 2020-10-20
Publication date: 2022-04-27

Abstract

본 발명의 부하예측 모델의 비교 검증 시스템은, 배전 선로의 운영 중에 수집된 데이터로부터 비교 기준에 따라 그룹화된 검증 데이터를 생성하는 검증 데이터 생성 블록; 2개 이상의 기계학습 부하예측 모델들 각각에 대하여, 상기 검증 데이터를 이용한 기계학습 및 예측을 수행하는 모델 수행 블록; 상기 기계학습 부하예측 모델들의 예측 결과들을 상기 비교 기준에 대하여 비교하는 비교 검증 블록; 및 상기 비교 기준이 반영된 비교 결과를 출력하는 결과 출력 블록을 포함할 수 있다.

Description

기계학습 기반 부하예측 모델의 비교 검증 시스템 및 방법{MACHINE LEARNING BASED LOAD PRRDICTION MODEL CMPARATIVE VERIFICATION SYSTEM AND MTHOD}

본 발명은 전력 분야에서 부하예측 모델의 성능 및 신뢰성을 검증하고, 검증된 결과를 정리하여 시각적으로 제공하는 부하예측 모델의 비교 검증 시스템에 관한 것으로, 특히, 기계학습 기반 배전 선로 상의 다수개의 부하예측 모델들의 성능 신뢰성을 상호 비교 검증하는 시스템에 관한 것이다.

최근의 신재생에너지 발전 비율의 증대는, 발전 시스템 뿐만 아니라, 전력 배전 분야에도 다양한 운영 방식의 변화를 초래하고 있어, 미래 계통 운영에 있어서 불확실성이 증가하고 있다.

EV, PV 등 신재생에너지의 계통 연계에 따른 복잡성과 불확실성이 더욱 증대된 배전 시스템 환경에서는 빅데이터가 접목된 인공지능 기술이 배전망 운영의 선제적 대응, 새로운 수익 창출, 투자비 감소 등 다양한 측면으로 안정적이고 효율적인 계통운영에 많은 도움이 될 것이다.

특히, 인공지능 기반 부하예측을 통해 향후 증가할 부하를 고려하여 적정 설비 투자액을 추정하거나, 최대 부하를 추정하여 필요한 전력량을 미리 파악하고 추정된 최대 부하를 분산시키기 위한 정책 수립의 기초자료를 제공함으로써 과도한 전력이 생산되거나 계통운영을 위한 불필요한 경제적 투자를 방지할 수 있다. 인공지능 기술의 발전으로 배전 선로 부하예측 모델에 적용 가능한 기계학습 알고리즘들은 더욱 다양해지고, 예측 성능은 기계학습 알고리즘의 성능 발전과 더불어 고도화되고 있다.

현재까지 개발된 대부분의 배전 선로 부하예측모델은 실제 측정값을 기반으로 학습 및 추론이 이루어지는 지도학습을 기반으로 배전망 운영을 통해 획득되는 데이터의 특성에 따라 Decision tree, Regression, Random Forest 등 다양한 기계학습 알고리즘이 적용될 수 있으며, 각 기계학습 알고리즘의 성능은 학습에 사용되는 데이터의 전처리 방법이나 학습 데이터 구성 방식에 따라 크게 좌우된다. 즉, 부하예측의 성능은 기계학습 알고리즘의 학습 작동 방식과 학습 데이터의 특성에 따라 결정되는 것이다.

배전 선로의 경우, 선로가 위치한 지역적 특성이나 수용가 특성에 따라 부하 패턴이 다르며, 획득되는 데이터 특성 역시 선로별로 달라진다. 즉, 특정 부하 패턴을 가지는 A 선로의 부하예측에 우수한 성능을 보였던 어떠한 부하예측 모델이 또 다른 부하 패턴을 갖는 B 선로의 부하예측에는 성능이 저하될 수 있으며, 학습 데이터의 특성, 학습 횟수, 학습 데이터의 양에 따라 동일한 기계학습 알고리즘을 기반으로 하고 있더라도 부하예측모델 간의 성능은 차이를 보이게 된다.

따라서, 서로 다른 부하 패턴을 가지는 특정 선로에 최적의 예측 성능을 보이는 부하예측 모델의 선별을 통해 현장 적용의 신뢰성을 확보해내기 위해서는 부하예측 모델들 간의 다각적인 성능 비교 검증이 반드시 필요하다.

그러나, 현장 적용의 신뢰성을 확보하기 위해서는 배전 선로 부하예측 모델들 간의 성능 비교 검증이 반드시 선행되어야 하지만, 아직까지 성능 검증 방법, 검증 프로세스 등 배전선로 부하예측 모델 간 비교 성능 검증 체계가 마련되어 있지 않다. 결과적으로, 우수한 성능을 보이는 부하예측모델이라 하더라도 이미 특정 선로에 현장 적용 중인 부하예측 모델이나 다른 기계학습 알고리즘을 기반한 부하예측 모델과의 비교 검증 없이는 부하예측 모델 간의 우의를 쉽게 가늠할 수 없어 현장 적용의 신뢰성 판단을 내릴 수 없다.

더욱이, 데이터 분석이나 기계학습에 대한 지식 및 경험이 부족한 배전망 운영원이나 배전계획 등을 수행하는 의사 결정자의 경우에는 기계학습 기반 부하예측 모델의 성능 신뢰성에 대한 객관적인 판단을 내리는 것이 불가하다. 때문에, 우수한 성능을 보이는 부하예측 모델이 개발되어도 현장 적용을 위한 신뢰성 확보가 어려워 현장 활용이 매우 어려운 실정이다.

대한민국 공개공보 10-2019-0062741호

본 발명은 부하예측 모델 성능 검증에 대한 객관성을 높일 수 있는 부하예측 모델의 성능 신뢰성 비교 검증 시스템을 제안하고자 한다.

본 발명의 일 측면에 따른 부하예측 모델의 비교 검증 시스템은, 배전 선로의 운영 중에 수집된 데이터로부터 비교 기준에 따라 그룹화된 검증 데이터를 생성하는 검증 데이터 생성 블록; 2개 이상의 기계학습 부하예측 모델들 각각에 대하여, 상기 검증 데이터를 이용한 기계학습 및 예측을 수행하는 모델 수행 블록; 상기 기계학습 부하예측 모델들의 예측 결과들을 상기 비교 기준에 대하여 비교하는 비교 검증 블록; 및 상기 비교 기준이 반영된 비교 결과를 출력하는 결과 출력 블록을 포함할 수 있다.

여기서, 상기 결과 출력 블록은, 부하예측 모델 별로 산출된 신뢰도를 다각도로 시각화한 화면을 출력할 수 있다.

여기서, 검증 완료된 부하예측 모델의 검증 결과정보를 관리하는 이력 관리 블록을 더 포함할 수 있다.

여기서, 상기 검증 데이터 생성부는, 추출된 배전 선로 운영 데이터를 데이터 특성에 따라 그룹화하는 데이터 그룹화 단계; 그룹화된 데이터를 검증용 데이터로 변환하기 위한 전처리를 수행하는 데이터 전처리 단계; 전처리 완료된 데이터를 기계학습용과 예측용 데이터로 분할하는 데이터 분할 단계; 및 최종적으로 검증 데이터를 생성하는 검증 데이터 생성 단계를 수행할 수 있다.

여기서, 상기 검증 데이터 생성부는, 기운용 모델의 예측 정확도, 선로 부하 패턴, 절체 패턴, PV 부하 패턴, EV 부하 패턴 및 수용가 증감 패턴 중 적어도 2개 이상의 특성에 따라 그룹화할 수 있다.

여기서, 상기 모델 수행 블록은, 검증 대상으로서 부하예측 모델 그룹을 구성하는 모델 그룹 구성부; 및 구성된 부하예측 모델 그룹에 대하여 학습 및 예측을 수행하는 학습/예측부를 포함할 수 있다.

여기서, 상기 비교 검증 블록은, 비교 검증 방법을 결정하는 비교 검증 방법 설정 단계; 상기 모델 수행 블록에서 생성된 부하예측 결과와 실측 부하값을 비교하여 종합 성능 지표 값을 산출하는 성능 지표 산출 단계; 및 모델에 대한 성능 검증 지수와 오차에 대한 통계를 생성하는 비교 검증 결과 통계치 산출 단계를 수행할 수 있다.

여기서, 상기 비교 검증 블록은, 부하예측 모델별로 도출된 예측 결과를 기반으로 MAPE, NRMSE, M-NRMSE, MEP, Adj.R-Square 및 종합 지표 중 적어도 2개 이상을 적용하여 각 부하예측 모델 별 성능 신뢰도를 산출할 수 있다.

여기서, 상기 결과 출력 블록은, 검증 이력 또는 생성된 검증용 데이터에 대한 종합 정보를 보여주는 검증 수행 이력 및 현황 시각화부; 및 소정 기준에 따라 대응되는 항목별로 비교한 정보를 보여주는 비교 검증 결과 시각화부를 포함할 수 있다.

여기서, 상기 검증 수행 이력 및 현황 시각화부는, 배전선로 운영 데이터 및 알고리즘 현황, 부하 데이터 보유 및 검증용 데이터 활용 현황, 배전선로 부하예측 모델 검증 수행 현황, 성능 우수 기계학습 알고리즘 상위 리스트, 성능 우수 부하예측 모델 상위 리스트, 검증 소요 예상 시간 및 검증 시스템 운용 현황 중 적어도 2 이상을 시각화한 화면을 작성할 수 있다.

여기서, 상기 비교 검증 결과 시각화부는, 특정 선로 최적화 부하예측 성능 비교 검증 결과 시각화 화면 또는 부하 패턴별 부하예측 성능 비교 검증 결과 시각화 화면을 작성할 수 있다.

본 발명의 다른 측면에 따른 기계학습 기반 부하예측 모델의 비교 검증 방법은, 배전 선로의 운영 중에 수집된 데이터로부터 비교 기준에 따라 그룹화된 검증 데이터를 생성하는 단계; 2개 이상의 부하예측 모델들 각각에 대하여, 상기 검증 데이터를 이용한 기계학습을 수행하는 단계; 기계학습을 수행한 상기 각 부하예측 모델들을 이용하여 예측을 수행하는 단계: 상기 기계학습 부하예측 모델들의 예측 결과들을 상기 비교 기준에 대하여 비교하는 단계; 및 상기 비교 기준이 반영된 비교 결과를 출력하는 단계를 포함할 수 있다.

여기서, 상기 검증 데이터를 생성하는 단계에서는, 기운용 모델의 예측 정확도, 선로 부하 패턴, 절체 패턴, PV 부하 패턴, EV 부하 패턴 및 수용가 증감 패턴 중 적어도 2개 이상의 특성에 따라 그룹화한 검증 데이터를 생성할 수 있다.

여기서, 상기 검증 데이터를 생성하는 단계는, 추출된 배전 선로 운영 데이터를 데이터 특성에 따라 그룹화하는 데이터 그룹화 단계; 그룹화된 데이터를 검증용 데이터로 변환하기 위한 전처리를 수행하는 데이터 전처리 단계; 전처리 완료된 데이터를 기계학습용과 예측용 데이터로 분할하는 데이터 분할 단계; 및 최종적으로 검증 데이터를 생성하는 검증 데이터 생성 단계를 포함할 수 있다.

여기서, 상기 예측 결과들을 비교하는 단계는, 비교 검증 방법을 결정하는 비교 검증 방법 설정 단계; 상기 모델 수행 블록에서 생성된 부하예측 결과와 실측 부하값을 비교하여 종합 성능 지표 값을 산출하는 성능 지표 산출 단계; 및 모델에 대한 성능 검증 지수와 오차에 대한 통계를 생성하는 비교 검증 결과 통계치 산출 단계를 포함할 수 있다.

여기서, 상기 비교 결과를 출력하는 단계에서는, 배전선로 운영 데이터 및 알고리즘 현황, 부하 데이터 보유 및 검증용 데이터 활용 현황, 배전선로 부하예측 모델 검증 수행 현황, 성능 우수 기계학습 알고리즘 상위 리스트, 성능 우수 부하예측 모델 상위 리스트, 검증 소요 예상 시간 및 검증 시스템 운용 현황 중 적어도 2 이상을 시각화한 화면을 작성할 수 있다.

여기서, 상기 비교 결과를 출력하는 단계에서는, 특정 선로 최적화 부하예측 성능 비교 검증 결과 시각화 화면 또는 부하 패턴별 부하예측 성능 비교 검증 결과 시각화 화면을 작성할 수 있다.

상술한 구성의 본 발명의 사상에 따른 부하예측 모델의 성능 신뢰성 비교 검증 시스템을 실시하면, 부하예측 모델 성능 검증에 대한 객관성을 높이고, 우수한 부하예측 모델의 현장 적용 활용도를 높이는 이점이 있다.

본 발명의 부하예측 모델의 성능 신뢰성 비교 검증 시스템은, 데이터 분석이나 기계학습에 대한 지식 및 경험이 부족한 배전망 운영원이나 배전계획 등을 수행하는 의사 결정자도 기계학습 기반 부하예측 모델의 성능 신뢰성에 대한 객관적인 판단을 용이하게 내릴 수 있는 이점이 있다.

본 발명의 부하예측 모델의 성능 신뢰성 비교 검증 시스템은, 우수한 부하예측 모델의 현장 활용성을 높여서, 향후 증가할 부하를 고려하여 적정 설비 투자액을 추정하거나, 최대 부하를 추정하여 필요한 전력량을 미리 파악하고 추정된 최대 부하를 분산시키기 위한 정책 수립의 보다 정확한 기초자료를 제공할 수 있어, 과도한 전력이 생산되거나 계통운영을 위한 불필요한 경제적 투자를 방지할 수 있는 이점이 있다.

도 1은 본 발명의 일 실시예에 따른 기계학습 기반 배전 선로 부하예측 모델의 비교 검증 시스템의 전체 구성을 도시한 블록도.
도 2는 프로세스 흐름을 중심으로 상기 검증 데이터 생성 블록(200)의 상세 구성을 도시한 블록도.
도 3a 내지 3c는 선로 부하 패턴 특성에 따른 데이터 그룹화를 나타낸 그래프.
도 4는 프로세스 흐름을 중심으로 상기 모델 수행 블록의 상세 구성을 도시한 블록도.
도 5는 프로세스 흐름을 중심으로 상기 비교 검증 블록의 상세 구성을 도시한 블록도.
도 6은 특정 선로 최적화 부하예측 성능 비교 검증을 위한 구성을 도시한 블록도.
도 7은 부하 패턴별 부하예측 성능 비교 검증을 위한 구성을 도시한 블록도.
도 8은 결과 출력 블록의 ‘검증 수행 이력 및 현황 시각화부’가 제공하는 ‘검증 수행 이력 및 현황 시각화’ 화면.
도 9은 결과 출력 블록의 ‘비교 검증 결과 시각화부’가 제공하는 특정 선로 최적화 부하예측 성능 비교 검증 결과 시각화 화면.
도 10은 결과 출력 블록의 ‘비교 검증 결과 시각화부’가 제공하는 부하 패턴별 부하예측 성능 비교 검증 결과 시각화 화면.
도 11은 본 발명의 일 실시예에 따른 기계학습 기반 배전 선로 부하예측 모델의 비교 검증 방법의 전체 프로세스를 도시한 흐름도.

본 발명을 설명함에 있어서 제 1, 제 2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 구성요소들은 용어들에 의해 한정되지 않을 수 있다. 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제 1 구성요소는 제 2 구성요소로 명명될 수 있고, 유사하게 제 2 구성요소도 제 1 구성요소로 명명될 수 있다.

어떤 구성요소가 다른 구성요소에 연결되어 있다거나 접속되어 있다고 언급되는 경우는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해될 수 있다.

본 명세서에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다.

본 명세서에서, 포함하다 또는 구비하다 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것으로서, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해될 수 있다.

또한, 도면에서의 요소들의 형상 및 크기 등은 보다 명확한 설명을 위해 과장될 수 있다.

본 발명에서는 기계학습 기반 부하예측 모델들 간의 성능/신뢰도에 대한 비교 검증 방법, 검증 프로세스, 그리고 검증 결과 시각화 방법을 포함한 부하예측 모델의 비교 검증 시스템을 제안한다. 이에 따라, 부하예측 모델 성능 검증에 대한 객관성을 높이고, 우수한 부하예측 모델의 현장 적용 활용도를 높이고자 한다.

도 1은 본 발명의 일 실시예에 따른 기계학습 기반 배전 선로 부하예측 모델의 비교 검증 시스템의 전체 구성을 도시한 블록도이다.

도시한 기계학습 기반 배전 선로 부하예측 모델의 비교 검증 시스템은, 배전 선로의 운영 중에 수집된 데이터로부터 비교 기준에 따라 그룹화된 검증 데이터를 생성하는 검증 데이터 생성 블록(200); 2개 이상의 기계학습 부하예측 모델들 각각에 대하여, 상기 검증 데이터를 이용한 기계학습 및 예측을 수행하는 모델 수행 블록(400); 상기 기계학습 부하예측 모델들의 예측 결과들을 상기 비교 기준에 대하여 비교하는 비교 검증 블록(500); 및 상기 비교 기준이 반영된 비교 결과를 출력하는 결과 출력 블록(600)을 포함할 수 있다.

상기 결과 출력 블록(600)은, 부하예측 모델 별로 산출된 신뢰도를 다각도로 시각화한 화면을 출력하는 것이 사용자 편의상 측면에서 유리하다.

구현에 따라, 도시한 비교 검증 시스템은, 검증 완료된 부하예측 모델의 검증 결과정보를 관리하는 이력 관리 블록(800)을 더 포함할 수 있다.

서로 다른 기계학습 알고리즘을 기반으로 하거나 서로 다른 부하 패턴을 갖는 데이터로 학습을 수행한 부하예측모델 간 성능 비교 검증 결과의 신뢰성 확보를 위해서는 예측 정확도에 대한 비교 검증이 동일한 기준과 환경에서 이루어져야 한다. 이를 고려하여, 본 발명에서 제안하는 검증 시스템은 도시한 바와 같이 크게 검증 데이터 생성 블록(200), 검증 대상 부하예측 모델의 학습 및 예측을 수행하는 모델 수행 블록(400), 비교 검증을 수행하는 비교 검증 블록(500), 비교 검증 결과의 시각화 등 비교 결과를 제공하는 결과 출력 블록(600) 및 이력 관리 블록(800)의 5개 영역으로 구성될 수 있다.

상기 검증 데이터 생성 블록(200)에서는 특정 부하 패턴을 갖는 비교 검증용 데이터를 생성하여, 상기 모델 수행 블록(400)에서 검증 대상이 되는 부하예측 모델 별로 동일한 검증용 데이터로 학습을 수행하고 예측 결과를 도출한다.

상기 비교 검증 블록(500)에서는 부하예측 모델별로 도출된 예측 결과를 기반으로 본 발명에서 제안하는 검증 지표를 적용하여 각 부하예측 모델 별 성능 신뢰도를 산출하고 이를 비교 성능 검증 근거로 활용한다.

상기 결과 출력 블록(600)에서는 부하예측 모델 별로 산출된 신뢰도를 다각도로 시각화하여 데이터 분석이나 기계학습에 대한 지식 혹은 경험이 부족한 배전운영 의사결정자로 하여금 손쉽게 부하예측모델 간 성능 비교 검증이 가능토록 한다.

상기 이력 관리 블록(800)은 검증을 완료한 부하예측 모델의 검증 결과정보를 관리하여 기개발된 부하예측 모델의 성능 개선이나 새로운 부하예측 모델 개발을 목적으로 검증 이력 정보가 활용될 수 있도록 한다.

도 2는 프로세스 흐름을 중심으로 상기 검증 데이터 생성 블록(200)의 상세 구성을 도시한 블록도이다.

동일한 기계학습 알고리즘을 기반으로 한 부하예측 모델들이라 하더라도 학습을 수행한 데이터의 특성에 따라 부하예측 모델 간 예측 성능에 차이를 보이게 되며, 반대로 동일한 학습 데이터로 학습을 수행하였더라도 기계학습 알고리즘별로 서로 다른 예측 성능에 차이를 보인다.

이러한 상황에 대응하여, 본 발명의 사상에 따른 검증 데이터 생성 블록(200)에서는 서로 다른 기계학습 알고리즘을 기반으로 하거나 서로 다른 패턴을 갖는 데이터로 학습을 수행한 부하예측 모델 간 비교 검증 신뢰성을 확보하기 위해, 비교 검증 대상이 되는 부하예측 모델 그룹에 대해 다양한 패턴을 갖는 데이터를 생성하여 검증용 데이터로 제공하게 된다.

도 2는 상기 검증 데이터 생성 블록(200)의 수행 프로세스 흐름도를 포함하고 있다.

도시한 바와 같이 상기 검증 데이터 생성 블록(200)은, 누적 수집된 배전 선로 운영 데이터에서 모델 운용 목적에 맞는 모델 검증용 운영 데이터를 검색/추출하는 운영(검증) 데이터 추출부(220); 및 추출된 운영(검증) 데이터를 비교 기준에 따라 그룹화한 검증 데이터를 생성하는 검증 데이터 생성부(240)를 포함할 수 있다.

도시한 바와 같이 상기 검증 데이터 생성부(240)는 일련의 검증 데이터 생성 방법을 수행한다.

상기 검증 데이터 생성부(240)는, ‘데이터 그룹화' 단계(S242)에서는 별도로 구축된 선로 운영 데이터베이스에서 추출된 배전 선로 운영 데이터를 예컨대 하기 표 1과 같은 그룹으로 데이터 특성에 따라 그룹화할 수 있다.

[표 1]

검증용 데이터의 그룹화를 통해 데이터 특성별로 검증용 데이터 그룹을 나누고, 다양한 그룹의 데이터에 대한 부하예측모델 간 성능 비교를 통해 데이터 특성별로 상이한 부하예측 결과에 대한 비교 검증이 가능하다. 즉, 특정 데이터 패턴에 보다 높은 예측 결과를 보이는 부하예측모델을 선별해 낼 수 있으며, 비교 검증 결과에 대한 신뢰성 및 활용성을 보다 높일 수 있다.

예를 들어, 상기 표 1의 검증용 데이터 그룹화 예시에서 기운용 모델의 예측 정확도에 따른 데이터 그룹은 기운용 중인 부하예측모델의 예측 정확도에 따라 데이터 그룹을 나누어, 학습 데이터의 품질에 따른 부하예측모델 간 성능 비교 검증을 가능하도록 한다. 이 경우, 비교 검증 결과(리포트)를 수령한 관리자(선택권자)는, 기운용 중인 부하예측모델에 대한 만족도가 높은 경우, 상기 예측 정확도에 따라 데이터 그룹을 나누어 수행한 비교 검증 결과를 보다 높은 주관적 신뢰도를 가지고 검토하고, 기운용 중인 부하예측모델에 대한 만족도가 낮은 경우, 상기 예측 정확도에 따라 데이터 그룹을 나누어 수행한 비교 검증 결과를 보다 낮은 주관적 신뢰도를 가지고 검토할 것임을 예상할 수 있다.

예들 들어, 비교 검증 결과(리포트)를 수령한 관리자(선택권자)는, 상기 표 1의 4개의 패턴 분류 각각에 대하여, 자신이 관리하는 배전망 환경이 속하는 항목들을 그 간의 배정망 관리 경험에 의해 판단할 수 있고, 판단에 따른 패턴을 가진 검증 데이터를 이용한 비교 검증 결과를 보다 높은 주관적 신뢰도를 가지고 검토할 것임을 예상할 수 있다.

학습 데이터의 품질에 따른 부하예측 모델의 성능 결과 제공을 통해 상대적으로 우수한 정확도를 가지는 부하예측 모델을 판별해낼 수 있을 뿐만 아니라 학습 데이터 전처리를 통한 부하예측 모델의 예측 성능 개선 방안을 제공할 수 있을 것이다.

도 3a 내지 3c는 선로 부하 패턴 특성에 따른 데이터 그룹화를 나타낸 그래프이다.

상기 표 1의 '선로 부하 패턴' 그룹의 경우, 전국단위의 선로별 부하 데이터를 대상으로 도 3과 같이, 부하 패턴별로 그룹화한 경우의 각 선로 부하 패턴 특성을 알 수 있으며, 도 3과 같은 선로 부하 패턴별 검증용 데이터 제공을 통한, 부하예측 모델 간 비교 검증을 수행하여 특정 선로 부하 패턴에 상대적으로 우수한 성능을 보이는 부하예측모델을 선별해 낼 수 있다.

예를 들어, 일정 주기로 반복적인 부하 패턴을 보이는 데이터 그룹에서 우수한 학습 성능을 보인 A 부하예측 모델의 경우, 불규칙한 부하 패턴을 보이는 데이터 그룹에서는 낮은 학습 성능을 보일 수 있으며, 일정 주기로 반복적인 부하 패턴을 보이는 데이터 그룹에서 A 부하예측 모델보다 낮은 학습 성능을 보인 B 부하예측 모델의 경우, 불규칙한 부하 패턴을 보이는 데이터 그룹에서는 A 부하예측 모델보다 높은 학습 성능을 보일 수 있다. 이 경우, 불규칙한 부하 패턴을 보이는 선로의 부하예측을 위해서는 B 부하예측 모델이 적합하며, 일정 주기로 반복적인 부하 패턴을 보이는 선로의 부하예측을 위해서는 A 부하예측 모델이 적합한 것으로 비교 검증을 통해 판단될 수 있다.

상기 검증 데이터 생성부(240)는, ‘데이터 전처리' 단계(S244)에서는 그룹화된 데이터를 검증용 데이터로 변환하기 위한 전처리를 수행할 수 있다. 전처리는 데이터 형태에 따라 이상치에 대한 보정과 결측치에 대한 데이터 대체를 수행하게 된다.

상기 검증 데이터 생성부(240)는, ‘데이터 분할' 단계(S246)에서는 전처리 완료된 데이터를 기계학습용과 테스트용 데이터로 분할할 수 있다. 분할된 기계학습용 데이터는 모델 수행 블록(400)에서 부하예측 모델의 학습을 위해 활용되며, 테스트 데이터는 비교 성능 검증의 판단 기준이 되는 예측 결과를 얻는 데 활용된다.

상기 검증 데이터 생성부(240)는, ‘검증 데이터 생성' 단계(S248)에서는 ‘학습용 데이터’와 ‘예측 테스트용 데이터’를 구성하여 최종적으로 검증 데이터를 생성하고, 생성된 데이터는 이력 관리 블록(800)에 포함된 데이터 저장소에 저장될 수 있다.

도 4는 프로세스 흐름을 중심으로 상기 모델 수행 블록(400)의 상세 구성을 도시한 블록도이다.

부하예측 모델들 간 예측 성능 비교 검증을 위해서는 검증 데이터 생성 블록(200)에서 생성된 검증용 데이터를 활용하여 부하예측 모델별로 학습을 수행하고, 학습된 부하예측 모델별로 예측을 하여, 비교 검증 블록(500)에서 비교 검증을 위한 부하예측 모델별 예측성능 지표를 산출하여야 한다. 도 4는 검증 대상 부하예측 모델 그룹의 학습 및 예측을 수행하는 비교 검증 블록(500)이 수행하는 프로세스를 내부 흐름도로 나타내었다.

도시한 바와 같이 상기 모델 수행 블록(400)은, 검증 대상으로서 부하예측 모델 그룹을 구성하는 모델 그룹 구성부(420); 및 구성된 부하예측 모델 그룹에 대하여 학습 및 예측을 수행하는 학습/예측부(440)를 포함할 수 있다.

부하예측 모델 간 예측 성능 비교 검증을 위하여 서로 다른 개발환경에서 개발된 각각의 부하예측 모델들의 학습과 예측을 수행하기 위해서는 각 부하예측 모델별로 학습과 예측을 수행하기 적합한 수행 환경이 제공되어야 한다. 본 발명의 부하예측모델 예측 성능 비교 검증 장치에서는 비교 검증대상에 속한 각 부하예측 모델의 학습 환경에 적합한 가상환경 (virtual environment)을 생성하여(S442), 상기 검증 데이터 생성 블록(200)에서 생성된 데이터로 학습과 예측을 수행하여, 비교 검증을 위한 예측 결과를 생성한다.

예를 들어, 검증 그룹 A에 속한 3개의 부하예측모델의 기계학습 환경이 모두 상이하다면 부하예측 모델별로 3개의 가상환경을 생성하여(S442), 생성된 각각의 가상환경에서 상기 검증 데이터 생성 블록(200)에서 생성된 데이터로 학습을 수행하게 된다(S444).

상기 S442 단계에서 가상환경을 생성함에 있어서, 데이터 포메이션, 라이브러리 정규화 등 공정한 평가를 위한 데이터 및/또는 예측을 위한 가상 환경을 평가 대상인 모든 부하예측모델들에 대하여 동일하게 맞춰줄 수 있다.

학습이 완료되면 예측을 수행하고(S446), 상기 검증 데이터 생성 블록(200)에서 생성된 ‘테스트용 데이터'를 바탕으로 예측 결과를 생성하게 된다(S448). 부하예측 모델별 예측 결과는‘비교검증 영역’에서 비교 검증을 위한 기초자료로 활용되고, 상기 이력 관리 블록(800)에 구비된 데이터 저장소에 검증 이력 관리를 위한 목적으로 저장될 수 있다.

도 5는 프로세스 흐름을 중심으로 상기 비교 검증 블록(500)의 상세 구성을 도시한 블록도이다.

상기 비교 검증 블록(500)에서는 상기 모델 수행 블록(400)에서 생성된 부하예측 모델들의 예측 결과에 대한 성능 지표를 산출하여 비교 검증을 수행한다. 도 5는 예측 결과에 대한 비교 검증 수행의 프로세스 흐름도를 포함한다.

상기 비교 검증 블록(500)은 도시한 ‘비교 검증 방법 설정’ 단계(S502)에서는 비교 검증 방법을 결정할 수 있다. 서로 다른 기계학습 알고리즘을 기반으로 개발된 부하예측 모델들이나 서로 다른 부하 패턴을 보이는 데이터로 학습을 수행한 부하예측 모델들 간 예측 성능 비교 검증의 신뢰성을 보장하고, 특정 배전 선로에 최적의 예측 성능을 보이는 부하예측 모델을 선별에 내기 위하여, 본 발명에서는 2가지의 부하예측 모델 성능 비교 검증 방법을 하기와 같이 구체적으로 예시한다. 각 비교 검증 결과는 후술하는 상기 결과 출력 블록(600)의 결과 시각화 프로세스에 의해 도표/그래프 등으로 시각화되어 배전 계통의 관리자나 의사결정자에게 제공될 수 있다.

도 6은 특정 선로 최적화 부하예측 성능 비교 검증을 위한 구성을 도시한다.

특정 선로 최적화 부하예측 성능 비교 검증은, 서로 다른 기계학습 알고리즘을 기반으로 하는 부하예측 모델 간의 예측 성능을 비교 검증하는 방법으로 특정 선로나 EV 또는 PV등을 포함하는 특정 부하 패턴에 최적의 성능을 보이는 부하예측 모델선별이 가능하다. 즉, 도 6과 같이 특성 선로의 부하 데이터 한 세트 혹은 특정 부하 패턴을 갖는 데이터 한 세트를 검증용 데이터로 하여 서로 다른 기계학습 알고리즘을 기반으로 하는 N개의 부하예측 모델들 간 비교 검증을 수행하는 방법이다.

도 7은 부하 패턴별 부하예측 성능 비교 검증을 위한 구성을 도시한다.

부하 패턴별 부하예측 성능 비교 검증은, 여러 배전 선로의 부하 데이터 또는 다양한 부하 패턴별로 학습을 수행한 단일 부하예측 모델의 예측 성능을 비교 검증하는 방법으로, 특정 부하예측 모델이 어떠한 배전 선로 혹은 어떠한 부하 패턴에 유효한 예측 성능을 보이는지 판별 가능하며, 비교 검증 결과는 해당 부하예측 모델의 성능 개선을 위한 기초 정보로 활용될 수 있다. 즉, 도 7과 같이 여러 배전 선로의 부하 데이터 세트들 혹은 다양한 부하 패턴별 데이터 세트들에 대해 단일의 부하예측 모델이 학습을 수행하여 다양한 부하 패턴별 부하예측 모델의 예측 성능에 대한 비교 검증을 수행하는 방법이다.

상기 비교 검증 블록(500)은 도시한 ‘비교 검증 방법 설정’ 단계(S502)의 다음 단계인 ‘성능 지표 산출’ 단계(S504)에서는 상기 모델 수행 블록(400)에서 생성된 부하예측 결과와 실측 부하값을 비교하여 본 발명의 사상에 따라 비교 검증을 위해 정의한 성능 지표 항목을 기반으로 종합 성능 지표 값을 산출할 수 있게 된다. 하기 표 2-1 및 표 2-2는 본 발명에서 부하예측모델 간 예측 성능 비교 검증을 위해 정의한 검증 지표 항목을 예시한 것이다.

상기 검증을 위한 실측 부하값 및 이에 해당하는 입력값들은, 상술한 학습을 위한 검증 데이터와 유사하게 배전 선로의 운영 중에 수집된 데이터로부터 미리 선택하여 놓거나, 비교 검증 시점의 실제 해당 계통의 실시간 실측값을 이용할 수 있다.

[표 2-1]

[표 2-2]

비교 검증대상이 되는 각 부하예측 모델별로 지표 값들을 산출하게 되면, 도시한 비교 검증 결과 통계치 산출 단계(S506)에서는, 예컨대, 앞서 설명한‘특정 선로 최적화 부하예측 성능 비교 검증’과 ‘부하 패턴별 부하예측 성능 비교 검증’의 2가지 비교 검증 방법에 따라 M개의 검증용 데이터 세트별로 N개의 모델에 대한 성능 검증 지수와 오차에 대한 통계 등을 생성할 수 있다. 즉, 다수개의 모델 예측 결과들에 대하여 성능 검증 지수(성능 지표값)와 오차에 대한 통계값들을 산출한다. 최종 산출된 성능 지표 값과 통계값들은 상기 이력 관리 블록(800)에 저장되어, 이력 관리를 목적으로 활용될 수 있다.

상기 결과 출력 블록(600)은 비교 검증 결과에 대한 시각화 수단으로서, 부하예측 모델별로 산출된 신뢰도를 다각도로 시각화하여 데이터 분석이나 기계학습에 대한 지식 혹은 경험이 부족한 배전운영 의사결정자로 하여금 손쉽게 부하예측모델 간 성능 비교 검증이 가능토록 한다.

상기 결과 출력 블록(600)은 크게 검증 이력이나 생성된 검증용 데이터에 대한 종합 정보를 보여주는‘검증 수행 이력 및 현황 시각화부’와 ‘비교 검증 결과 시각화부’로 구성될 수 있으며, 상기 비교 검증 블록(500)에서 산출된 M개의 검증용 데이터 세트에 대한 N개의 부하예측 모델 간 예측 성능 비교 검증 결과를 다각도로 시각화하여 표현할 수 있다.

도 8은 상기 결과 출력 블록(600)의 상기‘검증 수행 이력 및 현황 시각화부’가 제공하는 ‘검증 수행 이력 및 현황 시각화’ 화면을 도시한다. ‘검증 수행 이력 및 현황 시각화’화면에서는 아래의 6개 항목의 검증 수행 이력 및 현황 정보를 시각화한 것이다.

첫째로, 배전선로 운영 데이터 및 알고리즘 현황이다. 부하예측 모델의 비교 검증 시스템에서 보유하고 있는 부하 데이터의 구축 현황과 구축된 부하 데이터를 기반으로 생성된 검증용 데이터 현황을 시각화하여 제공한다. 많은 부하 데이터를 보유하고 있다면, 이를 기반으로 양질의 검증용 데이터를 생성할 수 있고, 검증 결과의 신뢰성을 확보할 수 있을 것이다. 또한, ‘검증수행 이력 및 현황 시각화’ 화면에서는 기계학습 알고리즘 유형별 부하예측 모델의 검증 완료 현황을 시각화하여 기계학습 알고리즘별 활용 현황을 알 수 있다.

둘째로, 부하 데이터 보유 및 검증용 데이터 활용 현황에서는 월별 부하 데이터 확보 현황과 검증용 데이터 활용 현황을 시각화하여 시간에 따른 부하 데이터 확보 추이와 검증용 데이터 생성 추이 정보를 알 수 있다.

세째는, 배전선로 부하예측 모델 검증 수행 현황이다. 부하예측 모델의 비교 검증 시스템에서 검증수행 완료한 현황을 시각화하여 시간에 따른 배전선로 부하예측 모델의 검증수행 완료 현황 추이를 파악 가능할 수 있도록 한다.

네째는, 성능 우수 기계학습 알고리즘 Top K이다. 부하예측 모델의 비교 검증 시스템에서 검증을 완료한 부하예측 모델 중 가장 우수한 성능의 상위 K 개의 모델과 해당 모델이 기반으로 한 기계학습 알고리즘의 정보를 제공한다. 검증 성능이 우수한 기계학습 알고리즘의 정보 제공을 통해, 특정 배전 선로의 부하 패턴에 비교적 우수한 성능을 보이는 기계학습 알고리즘을 선별할 수 있으며, 이를 기반으로 예측 성능이 우수한 부하예측 모델 개발이 가능하다.

다섯째는, 성능 우수 부하예측 모델 Top K이다. 부하예측 모델의 비교 검증 시스템에서 검증을 완료한 부하예측 모델 중 특정 배전 선로에서 가장 우수한 예측 성능을 보인 상위 K개의 부하예측 모델과 각각의 부하예측 모델이 예측을 수행한 특정 선로의 정보를 제공한다. 특정 부하예측 모델이 우수한 예측 성능을 보였던 특정 선로의 정보 제공을 통해, 특정 배전 선로에 대해 최적의 예측 성능을 보이는 부하예측 모델을 선별해낼 수 있으며, 해당 부하예측 모델의 현장 적용 활용도를 높일 수 있을 것이다.

여섯째는, 검증 소요 예상 시간 및 검증 시스템 운용 현황이다. 부하예측 모델의 비교 검증 시스템에서 가장 마지막으로 검증수행 중인 검증대상 그룹의 검증 소요 예상 시간을 시각화한다. 또한, 검증을 의뢰하거나 신청한 누적 건수, 검증을 완료한 누적 건수, 그리고 검증 대상인 부하예측 모델의 학습이 수행되는 가상환경의 운영 건수를 시각화한다. 이를 통해, ‘배전 선로 부하예측 모델 예측 성능 비교 검증 시스템’의 운영 현황을 파악해 낼 수 있다.

상기 결과 출력 블록(600)의 상기‘비교 검증 결과 시각화부’는, 앞서 설명한 ‘특정 선로 최적화 부하예측 성능 비교 검증’과 ‘부하 패턴별 부하예측 성능 비교 검증’의 두 가지 검증 방법에 따라 배전 선로 부하예측 모델 간 비교 검증 결과정보를 시각화한다. ‘특정 선로 최적화 부하예측 성능 비교 검증’ 시각화는 하나의 특정 선로를 대상으로 부하예측 모델 간 예측 성능에 대한 비교 검증 결과를 다각적으로 시각화하여 사용자로 하여금 손쉽게 특정 선로에 가장 적합한 예측 성능을 보이는 부하예측 모델을 선별해 낼 수 있도록 한다. ‘부하 패턴별 부하예측 성능 비교 검증’ 시각화는 서로 다른 부하패턴을 보이는 다수의 검증용 데이터 세트를 대상으로 다양한 부하 패턴별 단일의 부하예측 모델의 예측 성능을 시각화하여 특정 부하예측 모델이 어떠한 부하 패턴에 가장 최적의 성능을 보이는지 평가할 수 있다.

도 9은 상기 결과 출력 블록(600)의 상기‘비교 검증 결과 시각화부’가 제공하는 특정 선로 최적화 부하예측 성능 비교 검증 결과 시각화 화면을 도시한다.

도시한 ‘특정 선로 최적화 부하예측 성능 비교 검증’시각화에서는 하기 3개 항목에 대한 비교 검증 결과를 시각화한다.

먼저, 모델 검증 정보 시각화이다. 검증을 완료한 검증대상 그룹에 속한 N개의 부하예측 모델들이 사용한 기계학습 알고리즘, 검증용 데이터 세트의 특성에 대한 검증 정보를 시각화한다. 수행을 완료한 검증에 대한 검증용 데이터의 특성과 검증대상이 되는 부하예측 모델에 대한 정보를 제공함으로써 검증 결과의 신뢰성을 높일 수 있다.

다음, 모델 성능 점수 시각화이다. 특정 선로의 부하 데이터에서 생성된 검증용 데이터를 기반으로 검증대상 그룹에 속한 N개의 부하예측 모델별로 산출된 검증 지표 값들을 시각화한다. 각 부하예측 모델별 검증 지표 값들을 단일의 레이다 차트(Radar chart)로 시각화하여 사용자로 하여금 특정 선로의 가장 최적화된 부하예측 모델을 손쉽게 파악할 수 있도록 한다.

마지막으로, 모델 검증 상세 정보 시각화이다. 특정 선로 구간의 특성에 따른 N개의 부하예측 모델별 예측 정확도를 예측 기간에 따라 시각화하여 제공한다. 구간에 따른 부하예측 모델 간 예측 성능에 대한 비교 검증이 가능하므로, 특정 구간의 부하예측에 가장 적합한 부하예측 모델을 선별해 낼 수 있다.

도 10은 상기 결과 출력 블록(600)의 상기‘비교 검증 결과 시각화부’가 제공하는 부하 패턴별 부하예측 성능 비교 검증 결과 시각화 화면을 도시한다.

도시한 ‘부하 패턴별 부하예측 성능 비교 검증’시각화에서도 하기와 같이 총 3개 항목에 대한 비교 검증 결과를 시각화한다.

첫째로, 모델 검증 정보 시각화이다. 검증을 완료한 단일 부하예측 모델이 사용한 기계학습 알고리즘, N개의 검증용 데이터 세트들의 특성에 대한 검증 정보를 시각화한다. 수행을 완료한 검증에 대한 검증용 데이터의 특성과 검증대상이 되는 부하예측 모델에 대한 정보를 제공함으로써 검증 결과의 신뢰성을 높이는 것을 목적으로 한다.

다음, 모델 성능 점수 시각화이다. N개의 선로들의 부하 데이터로 기반으로 생성된 N개의 검증용 데이터 세트별 단일 부하예측 모델의 예측 결과에 예측 성능 검증 지표 값들을 시각화한다. 각 N개의 검증용 데이터 세트별 검증 지표 값들을 단일의 레이다 차트(Radar chart)로 시각화하여 사용자로 하여금 특정 기계학습을 기반으로 하는 부하예측 모델에 가장 적합한 배전 선로를 파악해 낼 수 있다.

마지막, 모델 검증 상세 정보 시각화이다. N개의 선로 구간 특성에 따른 부하예측 모델의 예측 정확도를 예측 기간에 따라 시각화하여 제공한다. 선로 구간의 부하 패턴에 따른 예측 모델의 성능 검증이 가능하므로, 특정 기계학습 알고리즘을 기반으로 하는 부하예측 모델이 어떠한 부하 패턴의 가장 최적의 예측 성능을 보이는지 검증해 낼 수 있다.

도 11은 본 발명의 일 실시예에 따른 기계학습 기반 배전 선로 부하예측 모델의 비교 검증 방법의 전체 프로세스를 도시한 흐름도이다.

도시한 기계학습 기반 배전 선로 부하예측 모델의 비교 검증 방법은, 배전 선로의 운영 중에 수집된 데이터로부터 비교 기준에 따라 그룹화된 검증 데이터를 생성하는 단계(S120); 2개 이상의 부하예측 모델들 각각에 대하여, 상기 검증 데이터를 이용한 기계학습을 수행하는 단계(S140); 기계학습을 수행한 상기 각 부하예측 모델들을 이용하여 예측을 수행하는 단계(S150): 상기 기계학습 부하예측 모델들의 예측 결과들을 상기 비교 기준에 대하여 비교하는 단계(S160); 및 상기 비교 기준이 반영된 비교 결과를 출력하는 단계(S180)를 포함할 수 있다.

본 발명의 사상에 따라, 상기 검증 데이터를 생성하는 단계(S120)에서는, 기운용 모델의 예측 정확도, 선로 부하 패턴, 절체 패턴, PV 부하 패턴, EV 부하 패턴 및 수용가 증감 패턴 중 적어도 2개 이상의 특성에 따라 그룹화한 검증 데이터를 생성할 수 있다.

도시한 부하예측 모델의 비교 검증 방법은, 도 1에 도시한 기계학습 기반 배전 선로 부하예측 모델의 비교 검증 시스템에서 수행된다. 구체적으로, 상기 S120 단계는 도 1의 검증 데이터 생성 블록(200)에 의해, 상기 S140 단계 및 S150 단계는 모델 수행 블록(400)에 의해, 상기 S160 단계는 비교 검증 블록(500)에 의해, 상기 S180 단계는 결과 출력 블록(600)에 의해 수행될 수 있다.

이에 따라, 상기 검증 데이터를 생성하는 단계(S120)는, 추출된 배전 선로 운영 데이터를 데이터 특성에 따라 그룹화하는 데이터 그룹화 단계; 그룹화된 데이터를 검증용 데이터로 변환하기 위한 전처리를 수행하는 데이터 전처리 단계; 전처리 완료된 데이터를 기계학습용과 예측용(테스트) 데이터로 분할하는 데이터 분할 단계; 및 최종적으로 검증 데이터를 생성하는 검증 데이터 생성 단계를 포함할 수 있다.

마찬가지로, 상기 예측 결과들을 비교하는 단계(S160)는, 비교 검증 방법을 결정하는 비교 검증 방법 설정 단계; 상기 모델 수행 블록에서 생성된 부하예측 결과와 실측 부하값을 비교하여 종합 성능 지표 값을 산출하는 성능 지표 산출 단계; 및 모델에 대한 성능 검증 지수와 오차에 대한 통계를 생성하는 비교 검증 결과 통계치 산출 단계를 포함할 수 있다.

또한, 상기 비교 결과를 출력하는 단계(S180)에서는, 배전선로 운영 데이터 및 알고리즘 현황, 부하 데이터 보유 및 검증용 데이터 활용 현황, 배전선로 부하예측 모델 검증 수행 현황, 성능 우수 기계학습 알고리즘 상위 리스트, 성능 우수 부하예측 모델 상위 리스트, 검증 소요 예상 시간 및 검증 시스템 운용 현황 중 적어도 2 이상을 시각화한 화면을 작성할 수 있다.

또한, 상기 비교 결과를 출력하는 단계(S180)에서는, 특정 선로 최적화 부하예측 성능 비교 검증 결과 시각화 화면 또는 부하 패턴별 부하예측 성능 비교 검증 결과 시각화 화면을 작성할 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.

200 : 검증 데이터 생성 블록
220 : 데이터 추출부
240 : 검증 데이터 생성부
400 : 모델 수행 블록
420 : 모델 그룹 구성부
440 : 학습/예측부
500 : 비교 검증 블록
600 : 결과 출력 블록
800 : 이력 관리 블록

Claims

배전 선로의 운영 중에 수집된 데이터로부터 비교 기준에 따라 그룹화된 검증 데이터를 생성하는 검증 데이터 생성 블록;
2개 이상의 기계학습 부하예측 모델들 각각에 대하여, 상기 검증 데이터를 이용한 기계학습 및 예측을 수행하는 모델 수행 블록;
상기 기계학습 부하예측 모델들의 예측 결과들을 상기 비교 기준에 대하여 비교하는 비교 검증 블록; 및
상기 비교 기준이 반영된 비교 결과를 출력하는 결과 출력 블록
을 포함하는 기계학습 기반 부하예측 모델의 비교 검증 시스템.
제1항에 있어서,
상기 결과 출력 블록은,
부하예측 모델 별로 산출된 신뢰도를 다각도로 시각화한 화면을 출력하는 부하예측 모델의 비교 검증 시스템.
제1항에 있어서,
검증 완료된 부하예측 모델의 검증 결과정보를 관리하는 이력 관리 블록을 더 포함하는 부하예측 모델의 비교 검증 시스템.
제1항에 있어서,
상기 검증 데이터 생성부는,
추출된 배전 선로 운영 데이터를 데이터 특성에 따라 그룹화하는 데이터 그룹화 단계;
그룹화된 데이터를 검증용 데이터로 변환하기 위한 전처리를 수행하는 데이터 전처리 단계;
전처리 완료된 데이터를 기계학습용과 예측용 데이터로 분할하는 데이터 분할 단계; 및
최종적으로 검증 데이터를 생성하는 검증 데이터 생성 단계
를 수행하는 부하예측 모델의 비교 검증 시스템.
제1항에 있어서,
상기 검증 데이터 생성부는, 기운용 모델의 예측 정확도, 선로 부하 패턴, 절체 패턴, PV 부하 패턴, EV 부하 패턴 및 수용가 증감 패턴 중 적어도 2개 이상의 특성에 따라 그룹화하는 부하예측 모델의 비교 검증 시스템.
제1항에 있어서,
상기 모델 수행 블록은,
검증 대상으로서 부하예측 모델 그룹을 구성하는 모델 그룹 구성부; 및
구성된 부하예측 모델 그룹에 대하여 학습 및 예측을 수행하는 학습/예측부
를 포함하는 부하예측 모델의 비교 검증 시스템.
제1항에 있어서,
상기 비교 검증 블록은,
비교 검증 방법을 결정하는 비교 검증 방법 설정 단계;
상기 모델 수행 블록에서 생성된 부하예측 결과와 실측 부하값을 비교하여 종합 성능 지표 값을 산출하는 성능 지표 산출 단계; 및
모델에 대한 성능 검증 지수와 오차에 대한 통계를 생성하는 비교 검증 결과 통계치 산출 단계
를 수행하는 부하예측 모델의 비교 검증 시스템.
제1항에 있어서,
상기 비교 검증 블록은, 부하예측 모델별로 도출된 예측 결과를 기반으로 MAPE, NRMSE, M-NRMSE, MEP, Adj.R-Square 및 종합 지표 중 적어도 2개 이상을 적용하여 각 부하예측 모델 별 성능 신뢰도를 산출하는 부하예측 모델의 비교 검증 시스템.
제1항에 있어서,
상기 결과 출력 블록은,
검증 이력 또는 생성된 검증용 데이터에 대한 종합 정보를 보여주는 검증 수행 이력 및 현황 시각화부; 및
소정 기준에 따라 대응되는 항목별로 비교한 정보를 보여주는 비교 검증 결과 시각화부
를 포함하는 부하예측 모델의 비교 검증 시스템.
제9항에 있어서,
상기 검증 수행 이력 및 현황 시각화부는,
배전선로 운영 데이터 및 알고리즘 현황, 부하 데이터 보유 및 검증용 데이터 활용 현황, 배전선로 부하예측 모델 검증 수행 현황, 성능 우수 기계학습 알고리즘 상위 리스트, 성능 우수 부하예측 모델 상위 리스트, 검증 소요 예상 시간 및 검증 시스템 운용 현황 중 적어도 2 이상을 시각화한 화면을 작성하는 부하예측 모델의 비교 검증 시스템.
제9항에 있어서,
상기 비교 검증 결과 시각화부는,
특정 선로 최적화 부하예측 성능 비교 검증 결과 시각화 화면 또는 부하 패턴별 부하예측 성능 비교 검증 결과 시각화 화면을 작성하는 부하예측 모델의 비교 검증 시스템.
배전 선로의 운영 중에 수집된 데이터로부터 비교 기준에 따라 그룹화된 검증 데이터를 생성하는 단계;
2개 이상의 부하예측 모델들 각각에 대하여, 상기 검증 데이터를 이용한 기계학습을 수행하는 단계;
기계학습을 수행한 상기 각 부하예측 모델들을 이용하여 예측을 수행하는 단계:
상기 기계학습 부하예측 모델들의 예측 결과들을 상기 비교 기준에 대하여 비교하는 단계; 및
상기 비교 기준이 반영된 비교 결과를 출력하는 단계
를 포함하는 기계학습 기반 부하예측 모델의 비교 검증 방법.
제12항에 있어서,
상기 검증 데이터를 생성하는 단계에서는, 기운용 모델의 예측 정확도, 선로 부하 패턴, 절체 패턴, PV 부하 패턴, EV 부하 패턴 및 수용가 증감 패턴 중 적어도 2개 이상의 특성에 따라 그룹화한 검증 데이터를 생성하는 부하예측 모델의 비교 검증 방법.
제12항에 있어서,
상기 검증 데이터를 생성하는 단계는,
추출된 배전 선로 운영 데이터를 데이터 특성에 따라 그룹화하는 데이터 그룹화 단계;
그룹화된 데이터를 검증용 데이터로 변환하기 위한 전처리를 수행하는 데이터 전처리 단계;
전처리 완료된 데이터를 기계학습용과 예측용 데이터로 분할하는 데이터 분할 단계; 및
최종적으로 검증 데이터를 생성하는 검증 데이터 생성 단계
를 포함하는 부하예측 모델의 비교 검증 방법.
제12항에 있어서,
상기 예측 결과들을 비교하는 단계는,
비교 검증 방법을 결정하는 비교 검증 방법 설정 단계;
상기 모델 수행 블록에서 생성된 부하예측 결과와 실측 부하값을 비교하여 종합 성능 지표 값을 산출하는 성능 지표 산출 단계; 및
모델에 대한 성능 검증 지수와 오차에 대한 통계를 생성하는 비교 검증 결과 통계치 산출 단계
를 포함하는 부하예측 모델의 비교 검증 방법.
제12항에 있어서,
상기 비교 결과를 출력하는 단계에서는,
배전선로 운영 데이터 및 알고리즘 현황, 부하 데이터 보유 및 검증용 데이터 활용 현황, 배전선로 부하예측 모델 검증 수행 현황, 성능 우수 기계학습 알고리즘 상위 리스트, 성능 우수 부하예측 모델 상위 리스트, 검증 소요 예상 시간 및 검증 시스템 운용 현황 중 적어도 2 이상을 시각화한 화면을 작성하는 부하예측 모델의 비교 검증 방법.
제12항에 있어서,
상기 비교 결과를 출력하는 단계에서는,
특정 선로 최적화 부하예측 성능 비교 검증 결과 시각화 화면 또는 부하 패턴별 부하예측 성능 비교 검증 결과 시각화 화면을 작성하는 부하예측 모델의 비교 검증 방법.