KR20220079476A - 전력소모예측시스템 및 방법 - Google Patents

전력소모예측시스템 및 방법 Download PDF

Info

Publication number
KR20220079476A
KR20220079476A KR1020210171675A KR20210171675A KR20220079476A KR 20220079476 A KR20220079476 A KR 20220079476A KR 1020210171675 A KR1020210171675 A KR 1020210171675A KR 20210171675 A KR20210171675 A KR 20210171675A KR 20220079476 A KR20220079476 A KR 20220079476A
Authority
KR
South Korea
Prior art keywords
clustering
information
power consumption
power
environmental information
Prior art date
Application number
KR1020210171675A
Other languages
English (en)
Inventor
황의석
송준호
Original Assignee
광주과학기술원
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 광주과학기술원 filed Critical 광주과학기술원
Publication of KR20220079476A publication Critical patent/KR20220079476A/ko

Links

Images

Classifications

    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명에 따른 전력소모예측시스템에는, 환경정보와 전력에너지정보를 수집하는 데이터 수집부; 상기 환경정보와 상기 전력에너지정보의 상관관계를 회귀분석하는 제 1 군집화모듈, 및 상기 부하정보의 시간과 주파수를 특징으로 하여 군집하는 제 2 군집화모듈 중의 적어도 하나를 이용하여 상기 전력에너지정보를 군집으로 분류하는 부하분류부; 및 상기 군집 별로 서로 다른 예측모델을 적용하도록 가이드 하는 예측부가 포함될 수 있다.

Description

전력소모예측시스템 및 방법{Power consumption prediction apparatus and method}
본 발명은 전력소모 또는 부하를 예측하는 전력소모예측시스템 및 방법에 관한 것이다.
전력소모를 예측함으로써, 발전소에서 발전한 전력을 효율적으로 사용하는 것이 알려져있다. 발전소의 발전용량을 쉽게 변경하지 못하는 것에 대응하는 전략수립에 필수라고 할 수 있다.
전력소모를 예측하는 방법으로서, 특허문헌 1이 알려져있다. 특허문헌 1에는 전력소모예측에 있어서 환경정보를 이용하여 군집화하는 것을 개시한다. 과거와 동일한 환경에 놓일 때 과거와 동일한 전력소모량이 있을 것이라는 것은 옳을 수도 있다. 그러나, 정확도는 크게 다르다고 할 수 있다. 그 외에 인자들이 가지는 영향이 많기 때문이다.
WO2017183029 Method and system for energy consumption prediction
본 발명은 상기되는 배경에서 제안되는 것으로서, 환경정보와 부하정보를 더 다양한 관점에서 분류하여 더 정확하게 전력소모량을 예측하는 시스템 및 방법을 제안한다.
본 발명에 따른 전력소모예측시스템에는, 환경정보와 전력에너지정보를 수집하는 데이터 수집부; 상기 환경정보와 상기 전력에너지정보의 상관관계를 회귀분석하고 군집화하는 제 1 군집화모듈, 및 상기 부하정보의 시간과 주파수를 특징으로 하여 군집하는 제 2 군집화모듈 중의 적어도 하나를 이용하여 상기 전력에너지정보를 군집으로 분류하는 부하분류부; 및 상기 군집 별로 서로 다른 예측모델을 적용하도록 가이드 하는 예측부가 포함될 수 있다.
입력된 어느 환경정보가 속하는 군집에 최적인 상기 예측모델 및/또는 파라미터를 이용하여 부하정보를 출력하는 출력부가 더 포함될 수 있다.
상기 환경정보와 상기 전력에너지정보의 상관관계를 회귀분석하고 군집화하는 제 1 군집화모듈, 및 상기 부하정보의 시간과 주파수를 특징으로 하여 군집하는 제 2 군집화모듈이 포함될 수 있다. ,
상기 제 1 군집화모듈의 군집화결과가 제 2 군집화모듈로 입력될 수 있다.
본 발명에 따른 전력소모예측방법에는, 전력데이터와 환경정보를 습득하는 것; 상기 전력데이터와 상기 환경정보의 상관관계를 회귀분석하여 군집화하는 것; 상기 전력데이터의 시간 및 주파수를 이용하여 전력데이터를 군집화하는 것; 및 군집화된 결과에 대응하여 최적의 전력소모의 예측모델을 대응시키는 것이 포함될 수 있다.
상기 환경정보는 온도정보를 포함할 수 있다.
상기 회귀분석의 결과는 아래쪽으로 볼록한 경향의 제 1 회귀선 및 수평한 경향의 제 2 회귀선이 포함될 수 있다.
상기 제 1 회귀선은 외부환경에 의존적인 경향이고, 상기 제 2 회귀선은 외부환경에 독립적인 경향일 수 있다. 상기 외부환경은 온도를 포함할 수 있다.
상기 전력데이터를 군집화하는 것은, 부하신호에 필터뱅크를 이용하여 각 주파수 채널별로 신호를 추출하는 것, 추출된 신호를 인코딩 기반 특징추출부에서 특징을 추출하는 것, 및 추출된 특징벡터를 이용하여 클러스터링을 수행하는 것이 포함될 수 있다.
비선형특징을 가지는 군집의 경우에는 예로서, LSTM 모델(Long short term memory)을 적용할 수 있다. 선형특징을 가지는 군집의 경우에는 예로서, AR 모델(auto-regressive)을 적용할 수 있다.
본 발명에 따르면, 필터 뱅크와 딥 클러스터링 방식을 이용하여 시간 및 주파수 특성이 모두 고려하여 더 다양하거 정확한 군집을 제공할 수 있다.
본 발명에 따르면, 환경 정보와 부하 간의 상관관계 회귀분석 프로파일을 이용하여 환경 정보가 동일한 지역에서도 다양한 경우의 적절한 군집화가 가능하다. 이에 따라서 더 정확한 군집화 결과를 제공할 수 있다.
도 1은 실시예에 따른 전력소모예측시스템의 구성도.
도 2는 실시예에 따른 전력소모예측방법의 구성도.
도 3은 전력데이터와 기상정보의 상관관계를 회귀분석한 결과의 예시.
도 4는 회귀분석결과를 딥클러스터링 기반으로 군집화하는 과정을 설명하는 도면.
도 5는 시간/주파수 특징을 이용하는 딥 클러스터링 기반 부하군집화를 설명하는 도면.
도 6은 군집화된 결과에 따른 군집화 결과를 보이는 도면.
도 7은 예측결과의 성능을 설명하는 도면.
이하에서는 도면을 참조하여 본 발명의 구체적인 실시예를 상세하게 설명한다. 그러나, 본 발명의 사상은 이하의 실시예에 제한되지 아니하고, 본 발명의 사상을 이해하는 당업자는 동일한 사상의 범위 내에 포함되는 다른 실시예를 구성요소의 부가, 변경, 삭제, 및 추가 등에 의해서 용이하게 제안할 수 있을 것이나, 이 또한 본 발명 사상의 범위 내에 포함될 수 있다.
도면의 설명에 있어서, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략할 수 있다.
이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다.
본 명세서에 개시된 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
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.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다.
본 출원에서, "포함한다" 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.
도 1은 실시예에 따른 전력소모예측시스템의 구성도이고, 도 2는 실시예에 따른 전력소모예측방법의 구성도이다.
도 1을 참조하면, 실시예의 시스템에는 데이터를 수집하는 데이터 수집부(1)를 포함할 수 있다. 실시예의 시스템은 부하분류부(2)를 포함할 수 있다. 실시예의 시스템은 부하가 속하는 군집별로 예측모델을 적용하여 부하를 예측하는 예측부(3)를 포함할 수 있다. 실시예의 시스템은 군집별로 예측모델(3n)을 적용하여 전력에너지정보를 예측하여 출력하는 출력부(4)를 포함할 수 있다.
상기 데이터 수집부(1)는, 전력에너지정보를 수집하는 제 1 수집모듈(11)과, 환경정보를 수집하는 제 2 수집모듈(12)을 포함할 수 있다. 상기 제 1 모듈은 소정 영역의 부하정보를 수집할 수 있다. 상기 제 2 모듈은 온도/습도/풍속/체감온도를 포함하는 다양한 환경정보 중의 적어도 하나를 수집할 수 있다.
상기 부하분류부(2)는 부하를 다양한 종류의 군집으로 구분할 수 있다. 상기 부하분류부(2)는 더 다양한 경우의 수로 분하를 분류하고, 군집별로 더 정확한 예측모델을 제공할 수 있다.
상기 부하분류부(2)는, 환경정보와 부하정보 간의 상관관계 회귀분석 프로파일을 이용하여 군집하는 제 1 군집화모듈(21)을 포함할 수 있다. 상기 부하분류부(2)는, 상기 부하정보의 시간과 주파수를 특징으로 하여 군집하는 제 2 군집화모듈(22)를 포함할 수 있다. 상기 제 1, 2 군집화모듈 중의 적어도 하나는 딥 클러스터링에 기반하여 군집화를 수행할 수 있다. 상기 두 가지 기준에 의한 군집화의 결과에 따라서 더 다양한 군집화결과가 제시될 수 있다. 군집화 된 결과는 군집 1 ~ 군집 n(23n)으로 표시할 수 있다.
상기 예측부(3)는, 각 군집(23n) 별로 서로 다른 예측모델을 적용하도록 가이드할 수 있다. 물론, 국소적으로 어느 군집에 있어서는 같은 예측모델이 적용되도록 가이드할 수도 있다. 다만, 군집의 특징에 따른 최적의 예측모델이 적용될 수 있는 것이 중요하다.
상기 출력부(3)는 입력되는 환경정보에 따라서 최적의 부하정보를 예측할 수 있을 것이다. 이때 환경정보에 대응하는 최적의 예측모델 및/또는 파라미터가 적용될 수 있다. 상기 출력부는 이전에 확정된 군집별 예측모델의 결과에 따라서 운용될 수 있다. 상기 출력부는 다른 군집별 예측모델이 결정된 시간과는 다른 시간에 운용될 수 있다. 상기 출력부는 이전에 확인된 군집별 예측모델의 결과에 따라서 다른 시간 및 장소에서 운용될 수도 있다.
경우에 따라서는 상기 제 1 군집화모듈 또는 상기 제 2 군집화모듈을 이용하는 것에 의해서 군집화를 완료할 수도 있다.
이하에서는 실시예에 따른 전력소모예측방법을 설명한다. 상기 시스템의 설명은 하기되는 방법의 설명에 적용될 수 있다. 하기되는 전력소모예측방법의 설명은 선택적으로 상기 전력소모예측시스템에 적용될 수 있다.
도 2를 참조하면, 실시예에 따른 방법은 전력데이터와 기상정보 등의 환경정보를 습득한다(S1). 여기서 기상정보는 온도정보를 예시할 수 있다. 이하에서는 온도정보를 예시하지만, 기상정보에 포함되는 모든 인자에 대항 마찬가지로 적용할 수 있다. 기상정보는 적어도 두 개의 정보가 함께 고려될 수도 있다.
습득된 정보의 상관관계를 회귀분석하여 군집화할 수 있다(S2). 전력데이터와 기상정보의 상관관계를 회귀분석한 결과는 도 3에 도시한다.
도 3을 참조하면, Genome project dataset의 2015년 뉴욕시 1시간 단위 전력 및 온도 데이터(150개 빌딩) 중에서 8개의 전력부하에 대한 전력데이터와 온도의 데이터를 회귀분석한 프로파일을 도시한다.
각 회귀분석결과는 아래로 볼록한 형상, 및 직선형상의 그래프로 나뉘어지는 것을 확인할 수 있다. 예를 들여, 왼쪽의 네 개는 아래로 볼록한 회귀선(regression line)(제 1 회귀선)을 보인다. 오른쪽의 네 개는 수평선의 회귀선(제 2 회귀선)을 보인다.
도 3의 회귀분석결과를 딥클러스터링 기반으로 군집화를 수행한다. 도 4는 회귀분석결과를 딥클러스터링 기반으로 군집화하는 과정을 설명하는 도면이다.
도 4를 참조하면, 회귀분석결과의 딥클러스터링 기반으로 군집화과정에서는 우선, 인코딩기반특징추출부(5n)에서 특징벡터(6n)를 추출할 수 있다. 추출된 특징벡터를 이용하여 클러스터링(7)을 수행할 수 있다. 클러스터링(7)은 K-민즈 클러스터링을 사용할 수 있다.
예를 들어, 상기 제 2 회귀선은 온도에 의존적이지 않은 결과를 의미할 수 있다. 이 경우에는 전력소모량의 예측에 온도를 고려하지 않을 수 있다. 물론, 온도 외에 다른 환경정보를 더 많이 고려할 수 있는 것을 예상할 수 있다. 상기 환경정보에는 기상정보만이 아니라, 그 외의 더 많은 정보가 포함될 수 있다. 예를 들어, 인구밀도, 소득수준, 및 도심에서의 거리 등 더 다양한 환경정보를 참조할 수도 있을 것이다.
다시 도 2를 참조하면, 환경정보와 전력소모량에 기반하여 클러스터링이 된 다음에는 시간 및 주파수 특징으로 딥 클러스터링 기반 부하군집화를 수행할 수 있다(S3). 시간 및 주파수는 시간과 전력소모량의 변화정도를 의미할 수 있다. 다시 말하면, 시간에 따라서 전력소모량이 변하는 다양한 주기를 의미할 수 있다.
도 5는 시간/주파수 특징을 이용하는 딥 클러스터링 기반 부하군집화를 설명하는 도면이다.
도 5를 참조하면, 먼저, 부하신호에 필터뱅크(31)를 이용하여 각 주파수 채널별로 신호를 추출할 수 있다. 이후에 추출된 신호를 인코딩 기반 특징추출부(32)에서 특징을 추출할 수 있다. 추출된 특징벡터(33)를 이용하여 클러스터링(34)을 수행할 수 있다. 클러스터링(34)은 K-민즈 클러스터링을 사용할 수 있다.
이에 따라서 시간 및 주파수 특성이 유사한 부하들끼리 추가로 더 정밀하게 군집화될 수 있다. 이에 따라서 잡음신호에 해당하는 고주파의 신호도 군집신호에 고려될 수 있다. 이때 특징추출에는 오토인코더를 이용할 수 있다.
도 6은 군집화된 결과에 따른 군집화 결과를 보이는 도면이다.
도 6을 참조하면, 환경정보와 전력사용량의 상관관계를 회귀분석한 프로파일을 군집화하여 (a)와 (b)로 클러스터링할 수 있다. 이 결과에 추가로 시간/주파수 특징을 군집화하여 (a1))(a2)(b1)(b2)로 더 세분화한 것을 볼 수 있다. 물론 더 많은 군집화결과를 보여줄 수 있는 것도 당연하다.
상기 군집화된 군집별로 정확한 예측모델을 적용할 수 있다. 상기 예측모델별로 파라미터를 달리 적용할 수 있다(S4). 예를 들어, 비선형특징을 가지는 군집의 경우에는 LSTM 모델(Long short term memory)을 적용할 수 있다. 선형특징을 가지는 군집의 경우에는 AR 모델(auto-regressive)을 적용할 수 있다.
이후에는 예측이 필요한 환경정보가 입력되면, 그 환경정보가 속하는 군집에 해당하는 예측모델 및 파라미터를 이용하여 전력사용량을 예측할 수 있다(S5).
도 7은 예측결과의 성능을 설명하는 도면이다.
도 7을 참조하면, 실시예(SDCP)의 경우에 더 정확한 예측결과를 보여주는 것을 확인할 수 있다. 구체적으로 TP, IP, PCP에 비해서 MAPE에서 각각 70%, 59%, 45% 감소하는 것을 확인하였다. 이때, 예측모델로는 support vector regression (SVR), deep neural network (DNN), 및 auto-regressive (AR) 사용하여 각 군집마다 적용하였다. 환경정보로는 온도정보를 사용하였다. 클러스터링 모델로는 K-민즈 클러스터링을 사용하였다.
본 발명에 따르면 부하 및 환경에 따라서 최적의 전력소모량을 예측할 수 있다.
1: 데이터 수집부
2: 부하분류부
3: 예측부
4: 출력부

Claims (9)

  1. 환경정보와 전력에너지정보를 수집하는 데이터 수집부;
    상기 환경정보와 상기 전력에너지정보의 상관관계를 회귀분석하고 군집화하는 제 1 군집화모듈, 및 상기 부하정보의 시간과 주파수를 특징으로 하여 군집하는 제 2 군집화모듈 중의 적어도 하나를 이용하여 상기 전력에너지정보를 군집으로 분류하는 부하분류부; 및
    상기 군집 별로 서로 다른 예측모델을 적용하도록 가이드 하는 예측부가 포함되는 전력소모예측시스템.
  2. 제 1 항에 있어서,
    입력된 어느 환경정보가 속하는 군집에 최적인 상기 예측모델 및/또는 파라미터를 이용하여 부하정보를 출력하는 출력부가 포함되는 전력소모예측시스템.
  3. 제 1 항에 있어서,
    상기 환경정보와 상기 전력에너지정보의 상관관계를 회귀분석하고 군집화하는 제 1 군집화모듈, 및 상기 부하정보의 시간과 주파수를 특징으로 하여 군집하는 제 2 군집화모듈이 모두 포함되는 전력소모예측시스템.
  4. 제 3 항에 있어서,
    상기 제 1 군집화모듈의 군집화결과가 제 2 군집화모듈로 입력되는 전력소모예측시스템.
  5. 전력데이터와 환경정보를 습득하는 것;
    상기 전력데이터와 상기 환경정보의 상관관계를 회귀분석하여 군집화하는 것;
    상기 전력데이터의 시간 및 주파수를 이용하여 전력데이터를 군집화하는 것; 및
    군집화된 결과에 대응하여 최적의 전력소모의 예측모델을 대응시키는 것이 포함되는 전력소모예측방법.
  6. 제 5 항에 있어서,
    상기 환경정보는 온도정보를 포함하고,
    상기 회귀분석의 결과는 아래쪽으로 볼록한 경향의 제 1 회귀선 및 수평한 경향의 제 2 회귀선이 포함되는 전력소모예측방법.
  7. 제 6 항에 있어서,
    상기 제 1 회귀선은 온도에 의존적인 경향이고, 상기 제 2 회귀선은 온도에 독립적인 경향인 전력소모예측방법.
  8. 제 5 항에 있어서,
    상기 전력데이터를 군집화하는 것은,
    부하신호에 필터뱅크를 이용하여 각 주파수 채널별로 신호를 추출하는 것,
    추출된 신호를 인코딩 기반 특징추출부에서 특징을 추출하는 것, 및
    추출된 특징벡터를 이용하여 클러스터링을 수행하는 것이 포함되는 전력소모예측방법.
  9. 제 5 항에 있어서,
    비선형특징을 가지는 군집의 경우에는 LSTM 모델(Long short term memory)을 적용하고, 선형특징을 가지는 군집의 경우에는 AR 모델(auto-regressive)을 적용하는 전력소모예측방법.


KR1020210171675A 2020-12-04 2021-12-03 전력소모예측시스템 및 방법 KR20220079476A (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR20200168693 2020-12-04
KR1020200168693 2020-12-04

Publications (1)

Publication Number Publication Date
KR20220079476A true KR20220079476A (ko) 2022-06-13

Family

ID=81984509

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210171675A KR20220079476A (ko) 2020-12-04 2021-12-03 전력소모예측시스템 및 방법

Country Status (1)

Country Link
KR (1) KR20220079476A (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024010122A1 (ko) * 2022-07-08 2024-01-11 엘지전자 주식회사 Ess 기반 인공 지능 장치 및 그의 에너지 예측 모델 군집화 방법
CN117763314A (zh) * 2024-02-22 2024-03-26 安徽大学 一种基于时空相关性挖掘的风电功率预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
WO2017183029 Method and system for energy consumption prediction

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024010122A1 (ko) * 2022-07-08 2024-01-11 엘지전자 주식회사 Ess 기반 인공 지능 장치 및 그의 에너지 예측 모델 군집화 방법
CN117763314A (zh) * 2024-02-22 2024-03-26 安徽大学 一种基于时空相关性挖掘的风电功率预测方法
CN117763314B (zh) * 2024-02-22 2024-05-17 安徽大学 一种基于时空相关性挖掘的风电功率预测方法

Similar Documents

Publication Publication Date Title
CN109657844B (zh) 电力短期负荷预测方法和装置
Zhang et al. A gradient boosting method to improve travel time prediction
CN101556553B (zh) 基于需求变更的缺陷预测方法和系统
CN110866819A (zh) 一种基于元学习的自动化信贷评分卡生成方法
KR20220079476A (ko) 전력소모예측시스템 및 방법
CN108985380B (zh) 一种基于聚类集成的转辙机故障识别方法
CN105893609A (zh) 一种基于加权混合的移动app推荐方法
CN110674636B (zh) 一种用电行为分析方法
CN106709588B (zh) 预测模型构建方法和设备以及实时预测方法和设备
CN104778622A (zh) Tps交易事件阈值的预测方法及预测系统
CN102609714A (zh) 基于信息增益和在线支持向量机的新型分类器及分类方法
CN114048436A (zh) 一种预测企业财务数据模型构建方法及构建装置
CN113449919B (zh) 一种基于特征和趋势感知的用电量预测方法及系统
CN103455537A (zh) 信息处理设备、信息处理方法以及程序
CN111462761A (zh) 声纹数据生成方法、装置、计算机装置及存储介质
CN110674100B (zh) 一种基于全渠道运营数据的用户需求预测方法及架构
CN114997344A (zh) 一种基于城市大脑的多源数据规划方法及系统
Alam Recurrent neural networks in electricity load forecasting
CN104462215B (zh) 一种基于时间序列的科技文献被引用数目预测方法
JP2000348015A (ja) 経時的に変動しうる評価対象の評価項目を評価するためのシステム、方法および記録媒体
CN104636324A (zh) 话题溯源方法和系统
CN113837486A (zh) 一种基于rnn-rbm的配网馈线长期负荷预测方法
Sridhar et al. Effect of rate of change of stock prices with news sentiment analysis
Cheng et al. Chaotic load series forecasting based on MPMR
CN114115152A (zh) 基于嵌入式和深度学习的制造边缘实时事件洞察方法