KR20220082555A - Electric energy prediction system and electric energy prediction method using the same - Google Patents

Electric energy prediction system and electric energy prediction method using the same Download PDF

Info

Publication number
KR20220082555A
KR20220082555A KR1020200172559A KR20200172559A KR20220082555A KR 20220082555 A KR20220082555 A KR 20220082555A KR 1020200172559 A KR1020200172559 A KR 1020200172559A KR 20200172559 A KR20200172559 A KR 20200172559A KR 20220082555 A KR20220082555 A KR 20220082555A
Authority
KR
South Korea
Prior art keywords
data
power
electricity
prediction
amount
Prior art date
Application number
KR1020200172559A
Other languages
Korean (ko)
Inventor
김건완
송웅기
박상욱
양서연
김우재
Original Assignee
전남대학교산학협력단
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 전남대학교산학협력단 filed Critical 전남대학교산학협력단
Priority to KR1020200172559A priority Critical patent/KR20220082555A/en
Publication of KR20220082555A publication Critical patent/KR20220082555A/en

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/40—Data acquisition and logging
    • 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
    • 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
    • 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
    • H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Power Engineering (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Marketing (AREA)
  • Public Health (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Computer Hardware Design (AREA)
  • Primary Health Care (AREA)
  • Human Resources & Organizations (AREA)
  • Databases & Information Systems (AREA)
  • Water Supply & Treatment (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

본 발명은 전력량 예측 시스템 및 이를 이용한 전력량 예측 방법에 관한 것으로서, 상기 전력량 예측 시스템은 전력거래소의 데이터 서버에 접속하여 해당 전력거래소의 데이터 서버에서 전력 거래량에 대한 샘플 데이터를 수집하는 데이터 수집부와, 상기 샘플 데이터를 토대로 소비 전력량을 예측하기 위한 신경망 모델을 구축하는 모델 생성부와, 상기 신경망 모델을 이용하여, 입력된 예측일의 소비 전력량에 대한 예측값을 산출하는 전력량 산출부를 구비한다.
본 발명에 따른 전력량 예측 시스템 및 이를 이용한 전력량 예측 방법은 전력거래소의 데이터 서버에서 수집한 데이터를 토대로 신경망 모델을 구축하고, 구축된 신경망 모델을 이용하여 소비 전력량을 예측할 수 있으므로 보다 정확한 소비 전력량 예측값을 획득할 수 있는 장점이 있다. The present invention relates to a power quantity prediction system and a power quantity prediction method using the same, wherein the power quantity prediction system connects to a data server of a power exchange and collects sample data on the power transaction volume from the data server of the corresponding power exchange; A model generator for constructing a neural network model for predicting the amount of power consumption based on the sample data, and a power amount calculator for calculating a predicted value for the amount of power consumption on an input prediction day by using the neural network model.
The power consumption prediction system and the power consumption prediction method using the same according to the present invention build a neural network model based on data collected from the data server of the power exchange, and predict the power consumption using the built neural network model. There are advantages to be gained.

Description

전력량 예측 시스템 및 이를 이용한 전력량 예측 방법{Electric energy prediction system and electric energy prediction method using the same}Electric energy prediction system and electric energy prediction method using the same

본 발명은 전력량 예측 시스템 및 이를 이용한 전력량 예측 방법에 관한 것으로서, 전력거래소의 데이터 서버에서 수집된 전력 거래량 데이터를 이용하여 예측일의 소비 전력량을 예측할 수 있는 전력량 예측 시스템 및 이를 이용한 전력량 예측 방법에 관한 것이다.The present invention relates to a power quantity prediction system and a power quantity prediction method using the same, and a power quantity prediction system capable of predicting the power consumption on a forecast day using power transaction data collected from a data server of a power exchange, and a power quantity prediction method using the same will be.

오늘날, 산업에서 자동화, 무인화, 인공지능 개념이 도입되면서 스마트 팩토리, 전기차, 임베디드 시스템의 도입의 증가로 인하여 전력 소비는 점점 증가하고 있는 중이다. 전력소모가 증가함에 따라 전력 계통의 보다 효율적이고 안정적인 운영이 요구되고 있다. 전력계통 운영 중에서 가장 중요한 것 중 하나는 전력공급과 수요가 일정한 범위의 예비율 내에서 균형을 맞추는 일이다. Today, with the introduction of automation, unmanned, and artificial intelligence concepts in industry, power consumption is increasing due to the increase in the introduction of smart factories, electric vehicles, and embedded systems. As power consumption increases, more efficient and stable operation of the power system is required. One of the most important things in power system operation is to balance power supply and demand within a certain range of reserve ratios.

일반적으로 전력 공급이 전력 수요보다 많으면 잉여 전력이 발생하여 비경제적이고, 전력공급이 전력수요보다 적으면 정전이 발생하며, 이로 인하여 대정전의 원인이 될 수 있기 때문이다. 한국의 경우, 2000년 이전에는 한국전력공사가 전력 생산, 수송, 판매를 모두 담당하고 전력 공급과 수요를 통합적으로 관리함으로써 전력 거래에 대한 중요성이 없었다. 그러나, 2000년 이후 KEPCO는 발전과 수송 및 판매회사로 분리되고, 전력생산을 담당하던 발전소들이 여러 개의 발전 자회사들로 분할됨으로서 전력거래소가 설립이 필요하게 되었으며, 전력 거래에 대한 전력거래소의 역할 및 중요성이 높아졌다. In general, if the power supply exceeds the power demand, surplus power is generated, which is uneconomical, and if the power supply is less than the power demand, a blackout occurs, which may cause a major blackout. In the case of Korea, before 2000, the Korea Electric Power Corporation (KEPCO) was in charge of electricity production, transportation, and sales, and managed electricity supply and demand in an integrated manner, so electricity trade had no importance. However, since 2000, KEPCO has been separated into power generation, transportation and sales companies, and power plants in charge of power generation have been divided into several power generation subsidiaries, making it necessary to establish a power exchange. increased in importance.

전력거래소는 전력 공급과 수요의 균형을 유지하기 위해서는 정확한 전력 수요량을 파악하는 것이 필요하다. 그러나, 종래에 전력 예측 방법은 수집된 데이터를 분석가가 분석하여 예측하므로 분석가의 개인 역량에 따라 전력 예측의 정확도가 달라진다는 단점이 있다. The Korea Power Exchange needs to know the exact amount of electricity demand in order to balance power supply and demand. However, the conventional power prediction method has a disadvantage in that the accuracy of power prediction varies according to the analyst's personal capability because the analyst analyzes and predicts the collected data.

등록특허공보 제10-1846026호: 사전 전력수요예측에 의한 전력수요관리 방법 및 시스템Registered Patent Publication No. 10-1846026: Electricity demand management method and system by advance electric demand forecasting

본 발명은 상기와 같은 문제점을 개선하기 위해 창안된 것으로서, 전력거래소의 데이터 서버에서 수집한 데이터를 토대로 신경망 모델을 구축하고, 구축된 신경망 모델을 이용하여 소비 전력량을 예측할 수 있는 전력량 예측 시스템 및 이를 이용한 전력량 예측 방법을 제공하는데 그 목적이 있다. The present invention was devised to improve the above problems, and a power consumption prediction system capable of constructing a neural network model based on data collected from a data server of a power exchange, and predicting power consumption using the built neural network model, and the An object of the present invention is to provide a method for predicting the amount of electricity used.

상기 목적을 달성하기 위한 본 발명에 따른 전력량 예측 시스템은 전력거래소의 데이터 서버에 접속하여 해당 전력거래소의 데이터 서버에서 전력 거래량에 대한 샘플 데이터를 수집하는 데이터 수집부와, 상기 샘플 데이터를 토대로 소비 전력량을 예측하기 위한 신경망 모델을 구축하는 모델 생성부와, 상기 신경망 모델을 이용하여, 입력된 예측일의 소비 전력량에 대한 예측값을 산출하는 전력량 산출부를 구비한다. A power consumption prediction system according to the present invention for achieving the above object includes a data collection unit that accesses a data server of a power exchange and collects sample data on power transaction volume from the data server of the corresponding power exchange, and power consumption based on the sample data A model generator for constructing a neural network model for predicting , and a power amount calculator for calculating a predicted value for the amount of power consumed on an input prediction day by using the neural network model.

상기 데이터 수집부는 사용자로부터 상기 예측일에 대한 전력량 예측 작업을 요청받은 예측 시작 시점으로부터 기설정된 수집기간 이전까지의 상기 샘플 데이터를 상기 전력거래소의 데이터 서버에서 수집한다. The data collection unit collects the sample data from the data server of the power exchange from the start point of the prediction when the user requests the power amount prediction work for the prediction date to before the preset collection period.

상기 수집기간은 1년인 것이 바람직하다. The collection period is preferably one year.

상기 데이터 수집부는 상기 전력거래소의 데이터 서버에서 수집된 데이터를, 월별, 달별, 일별로 분류하여 상기 샘플 데이터를 각각 생성할 수 있다. The data collection unit may generate the sample data by classifying the data collected from the data server of the power exchange by month, month, and day.

상기 데이터 수집부는 상기 전력거래소의 데이터 서버에서 수집된 데이터를, 공휴일별로 분류하여 상기 샘플 데이터를 생성할 수 있다. The data collection unit may generate the sample data by classifying the data collected from the data server of the power exchange by holidays.

상기 데이터 수집부는 상기 전력거래소의 데이터 서버에서 수집된 데이터를, 음력 기준 공휴일과 양력 기준 공휴일 별로 각각 분류하여 상기 샘플 데이터를 생성할 수 있다. The data collection unit may generate the sample data by classifying the data collected from the data server of the power exchange for each lunar-based holiday and a solar-based holiday, respectively.

상기 데이터 수집부는 기상관측기관의 데이터 서버에 접속하여, 상기 예측 시작 시점으로부터 상기 수집기간 이전까지의 기상 데이터를 수집하고, 시간을 기준으로 해당 기상 데이터를 상기 전력거래소의 데이터 서버에서 수집된 데이터와 상호 매칭하여 상기 샘플 데이터를 생성할 수 있다. The data collection unit accesses a data server of a weather observation institution, collects meteorological data from the start of the prediction to before the collection period, and combines the weather data with the data collected from the data server of the power exchange based on time. The sample data may be generated by mutual matching.

한편, 본 발명에 따른 전력량 예측 시스템을 이용한 전력량 예측 방법은 전력거래소의 데이터 서버에 접속하여 해당 전력거래소의 데이터 서버에서 전력 거래량에 대한 샘플 데이터를 수집하는 데이터 수집단계와, 상기 샘플 데이터를 토대로 소비 전력량을 예측하기 위한 신경망 모델을 구축하는 모델 생성단계와, 상기 신경망 모델을 이용하여, 입력된 예측일의 소비 전력량에 대한 예측값을 산출하는 전력량 산출단계를 포함한다. On the other hand, the electricity quantity prediction method using the electricity quantity prediction system according to the present invention includes a data collection step of accessing a data server of a power exchange and collecting sample data on the electricity transaction amount from the data server of the corresponding power exchange, and consumption based on the sample data. It includes a model generation step of constructing a neural network model for predicting the amount of power, and a power amount calculation step of calculating a predicted value for the amount of power consumed on an input prediction day by using the neural network model.

상기 데이터 수집단계에서는, 사용자로부터 상기 예측일에 대한 전력량 예측 작업을 요청받은 예측 시작 시점으로부터 기설정된 수집기간 이전까지의 상기 샘플 데이터를 상기 전력거래소의 데이터 서버에서 수집할 수 있다. In the data collection step, the sample data from the start point of the prediction when the user receives a request for the power amount prediction work for the prediction date before the preset collection period may be collected from the data server of the power exchange.

상기 수집기간은 1년인 것이 바람직하다. The collection period is preferably one year.

상기 데이터 수집단계에서는, 상기 전력거래소의 데이터 서버에 수집된 데이터를, 월별, 달별, 일별로 분류하여 상기 샘플 데이터를 각각 생성할 수 있다. In the data collection step, the data collected in the data server of the power exchange may be classified by month, month, and day to generate the sample data, respectively.

상기 데이터 수집단계에서는 상기 전력거래소의 데이터 서버에서 수집된 데이터를, 공휴일별로 분류하여 상기 샘플 데이터를 생성할 수 있다. In the data collection step, the sample data may be generated by classifying the data collected from the data server of the power exchange by holidays.

상기 데이터 수집단계에서는, 상기 전력거래소의 데이터 서버에 수집된 데이터를, 음력 기준 공휴일과 양력 기준 공휴일 별로 각각 분류하여 상기 샘플 데이터를 생성할 수 있다. In the data collection step, the sample data may be generated by classifying the data collected in the data server of the power exchange for each lunar-based holiday and a solar-based holiday.

상기 데이터 수집단계에서는, 기상관측기관의 데이터 서버에 접속하여, 상기 예측 시작 시점으로부터 상기 수집기간 이전까지의 기상 데이터를 수집하고, 시간을 기준으로 해당 기상 데이터를 상기 전력거래소의 데이터 서버에서 수집된 데이터와 상호 매칭하여 상기 샘플 데이터를 생성할 수 있다. In the data collection step, by accessing the data server of the meteorological observation institution, meteorological data from the prediction start time to before the collection period are collected, and the corresponding weather data is collected from the data server of the power exchange based on time. The sample data may be generated by mutual matching with the data.

본 발명에 따른 전력량 예측 시스템 및 이를 이용한 전력량 예측 방법은 전력거래소의 데이터 서버에서 수집한 데이터를 토대로 신경망 모델을 구축하고, 구축된 신경망 모델을 이용하여 소비 전력량을 예측할 수 있으므로 보다 정확한 소비 전력량 예측값을 획득할 수 있는 장점이 있다. The power consumption prediction system and the power consumption prediction method using the same according to the present invention build a neural network model based on data collected from the data server of the power exchange, and predict the power consumption using the built neural network model. There are advantages to be gained.

도 1은 본 발명에 따른 전력량 예측 시스템에 대한 개념도이고,
도 2는 도 1의 전력량 예측 시스템에 대한 블럭도이고,
도 3은 샘플 데이터를 사전처리한 신경망 모델과, 샘플 데이터를 사전처리하지 않은 신경망 모델의 예측 정확도에 대한 그래프이고,
도 4는 MLP, LSTM, CNN, GRU, SVR, ANFIS, LSTM+CNN, CNN+LSTM의 신경망 모델에 대한 예측 성능 평가 결과 값이고,
도 5는 2017년 1월 5일부터 2017년 1월 17일까지의 각 신경망 모델별 소비 전력량 예측값이고,
도 6은 2017년 6월 3일부터 2017년 6월 9일까지의 각 신경망 모델별 소비 전력량 예측값을 나타낸 그래프이고,
도 7은 2017년 9월 25일부터 2017년 10월 13일까지의 각 신경망 모델별 소비 전력량 예측값을 나타낸 그래프이고,
도 8은 본 발명에 따른 전력량 예측 시스템을 이용한 전력량 예측 방법에 대한 순서도이다. 1 is a conceptual diagram of a power amount prediction system according to the present invention,
Figure 2 is a block diagram of the wattage prediction system of Figure 1,
3 is a graph of the prediction accuracy of a neural network model in which sample data is pre-processed and a neural network model in which sample data is not pre-processed;
4 is a prediction performance evaluation result for neural network models of MLP, LSTM, CNN, GRU, SVR, ANFIS, LSTM+CNN, and CNN+LSTM;
5 is a predicted value of power consumption for each neural network model from January 5, 2017 to January 17, 2017;
6 is a graph showing the predicted value of power consumption for each neural network model from June 3, 2017 to June 9, 2017;
7 is a graph showing the predicted value of power consumption for each neural network model from September 25, 2017 to October 13, 2017;
8 is a flowchart of a method for predicting an amount of electricity using the system for predicting an amount of electricity according to the present invention.

이하, 첨부한 도면을 참조하여 본 발명의 실시예에 따른 전력량 예측 시스템 및 이를 이용한 전력량 예측 방법에 대해 상세히 설명한다. 본 발명은 다양한 변경을 가할 수 있고 여러 가지 형태를 가질 수 있는 바, 특정 실시 예들을 도면에 예시하고 본문에 상세하게 설명하고자 한다. 그러나 이는 본 발명을 특정한 개시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다. 첨부된 도면에 있어서, 구조물들의 치수는 본 발명의 명확성을 기하기 위하여 실제보다 확대하여 도시한 것이다. Hereinafter, a system for predicting an amount of electricity and a method for predicting an amount of electricity using the same according to an embodiment of the present invention will be described in detail with reference to the accompanying drawings. Since the present invention can have various changes and can have various forms, specific embodiments are illustrated in the drawings and described in detail in the text. However, this is not intended to limit the present invention to the specific disclosed form, it should be understood to include all modifications, equivalents and substitutes included in the spirit and scope of the present invention. In describing each figure, like reference numerals have been used for like elements. In the accompanying drawings, the dimensions of the structures are enlarged than the actual size for clarity of the present invention.

제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. Terms such as first, second, etc. may be used to describe various elements, but the elements should not be limited by the terms. The above terms are used only for the purpose of distinguishing one component from another. For example, without departing from the scope of the present invention, a first component may be referred to as a second component, and similarly, a second component may also be referred to as a first component.

본 출원에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.The terms used in the present application are only used to describe specific embodiments, and are not intended to limit the present invention. The singular expression includes the plural expression unless the context clearly dictates otherwise. In the present application, terms such as “comprise” or “have” are intended to designate that a feature, number, step, operation, component, part, or a combination thereof described in the specification exists, but one or more other features It is to be understood that it does not preclude the possibility of the presence or addition of numbers, steps, operations, components, parts, or combinations thereof.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.Unless defined otherwise, all terms used herein, including technical or scientific terms, have the same meaning as commonly understood by one of ordinary skill in the art to which this invention belongs. Terms such as those defined in commonly used dictionaries should be interpreted as having a meaning consistent with the meaning in the context of the related art, and should not be interpreted in an ideal or excessively formal meaning unless explicitly defined in the present application. does not

도 1 및 도 2에는 본 발명에 따른 전력량 예측 시스템(100)이 도시되어 있다. 1 and 2, the wattage prediction system 100 according to the present invention is shown.

도면을 참조하면, 상기 전력량 예측 시스템(100)은 전력거래소의 데이터 서버(11)에 접속하여 해당 전력거래소의 데이터 서버(11)에서 전력 거래량에 대한 샘플 데이터를 수집하는 데이터 수집부(110)와, 상기 샘플 데이터를 토대로 소비 전력량을 예측하기 위한 신경망 모델을 구축하는 모델 생성부(120)와, 상기 신경망 모델을 이용하여, 입력된 예측일의 소비 전력량에 대한 예측값을 산출하는 전력량 산출부(130)를 구비한다. 여기서, 전력거래소는 전력시장 운영, 전력계통 운영, 실시간 급전운영, 정부의 전력수급기본계획 수립 총괄지원하는 기관이다. 전력거래소의 데이터 서버(11)에는 전력 거래량에 대한 데이터가 저장되어 있다. Referring to the drawings, the power amount prediction system 100 is connected to the data server 11 of the power exchange and collects sample data on the power transaction amount from the data server 11 of the corresponding power exchange. A data collection unit 110 and , a model generator 120 for constructing a neural network model for predicting the amount of power consumption based on the sample data, and a power amount calculator 130 for calculating a predicted value for the amount of power consumption on the input prediction day using the neural network model ) is provided. Here, the Korea Power Exchange is an institution that provides general support for electricity market operation, electricity system operation, real-time power supply operation, and the establishment of the government's basic electricity supply and demand plan. The data server 11 of the power exchange stores data on the power transaction volume.

상기 데이터 수집부(110)는 무선통신망을 통해 전력거래소의 데이터 서버(11)와 데이터 통신을 수행하여 데이터를 수집한다. 이때, 사용자는 현재보다 미래의 예측일에 대한 전력량 예측 작업을 요청받은 예측 시작 시점을 상기 데이터 수집부(110)에 입력할 수 있다. 상기 예측 시작 시점은 현재이거나 현재에서 소정의 시간 이전의 시점일 수 있다. 데이터 수집부(110)는 사용자로부터 입력된 상기 예측 시작 시점으로부터 기설정된 수집기간 이전까지의 상기 샘플 데이터를 상기 전력거래소의 데이터 서버(11)에서 수집한다. 여기서, 수집기간은 1년이 적용되는 것이 바람직하다. The data collection unit 110 collects data by performing data communication with the data server 11 of the power exchange through a wireless communication network. In this case, the user may input to the data collection unit 110 the prediction start time at which the power amount prediction task is requested for a prediction date in the future rather than the present. The prediction start time may be the present or a time before a predetermined time from the present. The data collection unit 110 collects the sample data input from the user from the start time of the prediction to before a preset collection period from the data server 11 of the power exchange. Here, the collection period is preferably one year.

또한, 데이터 수집부(110)는 전력거래소의 데이터 서버(11)에서 수집된 데이터를 월별, 달별, 일별로 분류하여 샘플 데이터를 각각 생성할 수 있다. 그리고, 데이터 수집부(110)는 전력거래소의 데이터 서버(11)에서 수집된 데이터들 중 공휴일에 해당되는 데이터를 분류하여 샘플 데이터로 생성할 수 있다. 이때, 한국의 공휴일은 삼일절, 개천절 등과 같이 양력 기준으로 지정되는 공휴일과, 추석, 설날 등과 같이 음력 기준으로 지정되는 공휴일이 있다. 따라서, 데이터 수집부(110)는 해당 데이터를 음력 기준 공휴일과 양력 기준 공휴일별로 분류하여 샘플 데이터를 생성하는 것이 바람직하다.In addition, the data collection unit 110 may generate sample data by classifying the data collected by the data server 11 of the power exchange by month, month, and day. In addition, the data collection unit 110 may classify data corresponding to holidays among the data collected by the data server 11 of the power exchange and generate it as sample data. In this case, there are public holidays designated on the basis of the lunar calendar, such as Chuseok and Seollal, and holidays designated on the basis of the Gregorian calendar, such as Samiljeol and Gaecheonjeol. Therefore, it is preferable that the data collection unit 110 generates sample data by classifying the corresponding data according to holidays based on the lunar calendar and holidays based on the solar calendar.

한편, 데이터 수집부(110)는 기상관측기관의 데이터 서버(12)에 접속하여 예측 시작 시점으로부터 수집기간 이전까지의 기상 데이터를 수집할 수 있다. 여기서, 기상 데이터는 기온에 대한 정보인 것이 바람직하다. 여기서, 데이터 수집부(110)는 시간을 기준으로 해당 기상 데이터를 전력거래소의 데이터 서버(11)에서 수집된 데이터와 상호 매칭하여 샘플 데이터를 생성한다. Meanwhile, the data collection unit 110 may access the data server 12 of a weather observation institution to collect meteorological data from a prediction start time to before a collection period. Here, it is preferable that the weather data is information about temperature. Here, the data collection unit 110 generates sample data by matching the corresponding weather data with data collected from the data server 11 of the power exchange based on time.

데이터 수집부(110)는 상술된 바와 같이 생성된 샘플 데이터들을 모델 생성부(120)에 제공한다. The data collection unit 110 provides the sample data generated as described above to the model generation unit 120 .

모델 생성부(120)는 데이터 수집부(110)에서 제공되는 샘플 데이터들을 사전처리한다. 여기서, 모델 생성부(120)는 MLP(Multi layer perceptron)을 사용하여 샘플 데이터들을 사전처리하였고, 은닉층은 2개의 층으로 이루었다. 도 3에는 샘플 데이터를 사전처리한 신경망 모델과, 샘플 데이터를 사전처리하지 않은 신경망 모델의 예측 정확도에 대한 그래프가 게시되어 있다. 여기서, (a)는 샘플 데이터를 사전처리하지 않은 신경망 모델의 예측 결과값이고, (b)는 샘플 데이터를 사전처리한 신경망 모델의 예측 결과값이고, 주황색 그래프는 실제 전력 거래량이고, 파란색은 예측한 전력 거래량이다. 도면을 참조하면, 샘플 데이터를 사전처리한 신경망 모델의 예측 값의 정확도가 비교적 높음을 알 수 있다. The model generating unit 120 pre-processes the sample data provided from the data collecting unit 110 . Here, the model generator 120 pre-processed the sample data using a multi-layer perceptron (MLP), and the hidden layer was formed of two layers. 3 shows graphs of prediction accuracy of a neural network model in which sample data is pre-processed and a neural network model in which sample data is not pre-processed. Here, (a) is the prediction result of the neural network model that has not pre-processed the sample data, (b) is the predicted result of the neural network model that has pre-processed the sample data, the orange graph is the actual power transaction amount, and the blue is the prediction It is one electricity transaction volume. Referring to the drawings, it can be seen that the accuracy of the prediction value of the neural network model in which the sample data is preprocessed is relatively high.

한편, 모델 생성부(120)는 사전처리된 샘플 데이터들을 지도학습(Supervised Learning) 기법에 따라 처리하여 상기 신경망 모델을 구축한다. 여기서, 신경망 모델은 MLP, CNN(Convolution neural network), LSTM(Long short term memory), GRU(Gate recurrent units), SVM(Support vector machine), ANFIS(Adaptive network-based fuzzy Inference system) 또는 이들의 하이브리드 모델이 적용될 수 있다. 이때, 신경망 모델의 정확도를 향상시키기 위해 전력거래소에서 수집된 데이터 중 일부를 테스트 데이터로 분류하고, 해당 데이트 데이터를 이용하여 해당 신경망 모델의 오차 범위 정합성 테스트를 진행한다. 이때, 모델 생성부(120)는 테스트 결과에 따라 해당 신경망 모델에 대한 보완 작업을 수행한다. Meanwhile, the model generator 120 constructs the neural network model by processing the pre-processed sample data according to a supervised learning technique. Here, the neural network model is MLP, convolution neural network (CNN), long short term memory (LSTM), gate recurrent units (GRU), support vector machine (SVM), adaptive network-based fuzzy inference system (ANFIS), or a hybrid thereof. The model can be applied. At this time, in order to improve the accuracy of the neural network model, some of the data collected from the power exchange is classified as test data, and the error range consistency test of the neural network model is performed using the data data. In this case, the model generator 120 performs a supplementary operation on the corresponding neural network model according to the test result.

도 4에는 MLP, LSTM, CNN, GRU, SVR, ANFIS, LSTM+CNN, CNN+LSTM의 신경망 모델에 대한 예측 성능 평가 결과 값이 게시되어 있다. 여기서, 그래프는 2017년 1월 1일부터 2017년 12월 31일까지의 월별 예측 값을 나타낸다. 한편, 도 5에는 2017년 1월 5일부터 2017년 1월 17일까지의 각 신경망 모델별 소비 전력량 예측값을 나타낸 그래프가 게시되어 있다. 여기서, 초록 수직선은 토요일을 표시한 것이고, 빨간 수직선은 일요일을 표시한 것이다. In Figure 4, prediction performance evaluation results for neural network models of MLP, LSTM, CNN, GRU, SVR, ANFIS, LSTM+CNN, and CNN+LSTM are posted. Here, the graph represents the monthly forecast values from January 1, 2017 to December 31, 2017. Meanwhile, in FIG. 5 , graphs showing predicted values of power consumption for each neural network model from January 5, 2017 to January 17, 2017 are posted. Here, the green vertical line indicates Saturday, and the red vertical line indicates Sunday.

한편, 도 6에는 2017년 6월 3일부터 2017년 6월 9일까지의 각 신경망 모델별 소비 전력량 예측값을 나타낸 그래프가 게시되어 있다. 여기서, 빨간 수직선은 공휴일인 현충일을 표시한 것이다. 도면을 참조하면, MLP, CNN, SVR 그리고 ANFIS 알고리즘은 전력거래량이 하강하는 패턴을 예측하였으며 나머지 알고리즘은 전력거래량의 변동이 없거나 오히려 상승하였다.Meanwhile, in FIG. 6 , graphs showing predicted values of power consumption for each neural network model from June 3, 2017 to June 9, 2017 are posted. Here, the red vertical line indicates Memorial Day, which is a public holiday. Referring to the figure, the MLP, CNN, SVR, and ANFIS algorithms predicted a falling pattern in the electricity transaction volume, and the remaining algorithms did not change or rather increased the electricity transaction volume.

또한, 도 7에는 2017년 9월 25일부터 2017년 10월 13일까지의 각 신경망 모델별 소비 전력량 예측값을 나타낸 그래프가 게시되어 있다. 여기서, 빨간 수직선은 연휴의 시작과 끝을 표시한 것이다. 2017년 10월 연휴는 국군의 날과 임시 공휴일, 개천절, 추석, 대체 휴일 그리고 한글날이 연속되었으며, 10일간 지속되었다. 연휴 구간에서는 MLP, CNN, CNN+LSTM 알고리즘이 하강하였고 이외 다른 알고리즘은 상승한 패턴을 보였다.Also, in FIG. 7, graphs showing predicted values of power consumption for each neural network model from September 25, 2017 to October 13, 2017 are posted. Here, the red vertical line marks the start and end of the holiday. In October 2017, the National Armed Forces Day, temporary public holidays, National Foundation Day, Chuseok, alternative holidays, and Hangeul Day were consecutive and lasted for 10 days. In the holiday section, MLP, CNN, and CNN+LSTM algorithms showed a downward trend, while other algorithms showed a rising pattern.

한편, 하기의 표 1은 2017년 1월 1일부터 2017년 12월 13일까지의 각 신경망 모델별 소비 전력량 예측값을 RMSE(Root Mean Square Error)와 MAPE(Mean Absolute Percentage Error)로 오차를 측정한 결과이다. Meanwhile, in Table 1 below, the estimated power consumption for each neural network model from January 1, 2017 to December 13, 2017 was measured using RMSE (Root Mean Square Error) and MAPE (Mean Absolute Percentage Error) errors. It is the result.

Figure pat00001
Figure pat00001

표 1을 참조하면, CNN 알고리즘이 오차가 가장 낮음을 알 수 있다. 따라서, 모델 생성부(120)는 샘플 데이터를 이용하여 CNN 신경망 모델을 구축하는 것이 바람직하다. Referring to Table 1, it can be seen that the CNN algorithm has the lowest error. Therefore, it is preferable that the model generator 120 builds a CNN neural network model using the sample data.

전력량 산출부(130)는 상기 신경망 모델을 이용하여, 입력된 예측일의 소비 전력량에 대한 예측값을 산출한다. 여기서, 전력량 산출부(130)는 예측일의 날짜를 해당 신경망 모델에 적용하고, 신경망 모델에서 산출된 소비 전력량에 대한 예측값을 사용자에게 제공한다.The amount of power calculation unit 130 calculates a predicted value for the amount of power consumption on the input prediction day by using the neural network model. Here, the power calculation unit 130 applies the date of the prediction date to the corresponding neural network model, and provides a predicted value for the power consumption calculated by the neural network model to the user.

한편, 도 8에는 본 발명에 따른 전력량 예측 시스템(100)을 이용한 전력량 예측 방법에 대한 순서도가 게시되어 있다. Meanwhile, FIG. 8 is a flowchart of a method for predicting an amount of electricity using the system 100 for predicting an amount of electricity according to the present invention.

도면을 참조하면, 상기 전력량 예측 방법은 데이터 수집단계(S110), 모델 생성단계(S120) 및 전력량 산출단계(S130)를 포함한다. Referring to the drawings, the method for estimating the amount of power includes a data collection step (S110), a model generation step (S120) and a power amount calculation step (S130).

데이터 수집단계(S110)는 전력거래소의 데이터 서버(11)에 접속하여 해당 전력거래소의 데이터 서버(11)에서 전력 거래량에 대한 샘플 데이터를 수집하는 단계이다. 여기서, 데이터 수집부(110)는 상술된 바와 같이 전력거래소의 데이터 서버(11)에서 수집된 데이터를 월별, 달별, 일별로 분류하여 샘플 데이터를 각각 생성할 수 있다. 그리고, 데이터 수집부(110)는 전력거래소의 데이터 서버(11)에서 수집된 데이터들 중 공휴일에 해당되는 데이터를 분류하여 샘플 데이터로 생성할 수 있다. 이때, 데이터 수집부(110)는 음력 기준 공휴일과 양력 기준 공휴일별로 분류하여 샘플 데이터를 생성한다. The data collection step (S110) is a step of accessing the data server 11 of the power exchange and collecting sample data on the power transaction volume from the data server 11 of the corresponding power exchange. Here, the data collection unit 110 may generate sample data by classifying the data collected by the data server 11 of the power exchange by month, month, and day as described above. In addition, the data collection unit 110 may classify data corresponding to holidays among the data collected by the data server 11 of the power exchange and generate it as sample data. In this case, the data collection unit 110 generates sample data by classifying it according to holidays based on the lunar calendar and holidays based on the solar calendar.

한편, 데이터 수집부(110)는 기상관측기관의 데이터 서버(12)에 접속하여, 상기 예측 시작 시점으로부터 상기 수집기간 이전까지의 기상 데이터를 수집하고, 시간을 기준으로 해당 기상 데이터를 상기 전력거래소의 데이터 서버(11)에서 수집된 데이터와 상호 매칭하여 상기 샘플 데이터를 생성한다. On the other hand, the data collection unit 110 accesses the data server 12 of the meteorological observation institution, collects weather data from the prediction start time to the collection period before the collection period, and transmits the corresponding weather data based on the time to the power exchange. The sample data is generated by mutual matching with the data collected in the data server 11 of

상기 모델 생성단계(S120)는 상기 샘플 데이터를 토대로 소비 전력량을 예측하기 위한 신경망 모델을 구축하는 단계이다. 여기서, 모델 생성부(120)는 상술된 바와 같이 데이터 수집부(110)에서 제공되는 샘플 데이터들을 사전처리하고, 사전처리된 샘플 데이터들을 이용하여 상기 신경망 모델을 구축한다. The model generating step ( S120 ) is a step of constructing a neural network model for predicting the amount of power consumption based on the sample data. Here, the model generating unit 120 pre-processes the sample data provided by the data collecting unit 110 as described above, and builds the neural network model using the pre-processed sample data.

전력량 산출단계(S130)는 상기 신경망 모델을 이용하여, 입력된 예측일의 소비 전력량에 대한 예측값을 산출하는 단계이다. 여기서, 전력량 산출부(130)는 상술된 바와 같이 예측일의 날짜를 해당 신경망 모델에 적용하고, 신경망 모델에서 산출된 소비 전력량에 대한 예측값을 사용자에게 제공한다. The electric power calculation step ( S130 ) is a step of calculating a predicted value for the power consumption of the input prediction day using the neural network model. Here, the power calculation unit 130 applies the date of the prediction date to the corresponding neural network model as described above, and provides a predicted value for the power consumption calculated by the neural network model to the user.

상술된 바와 같이 구성된 본 발명에 따른 전력량 예측 시스템(100) 및 이를 이용한 전력량 예측 방법은 전력거래소의 데이터 서버(11)에서 수집한 데이터를 토대로 신경망 모델을 구축하고, 구축된 신경망 모델을 이용하여 소비 전력량을 예측할 수 있으므로 보다 정확한 소비 전력량 예측값을 획득할 수 있는 장점이 있다. The power amount prediction system 100 and the power amount prediction method using the same according to the present invention configured as described above build a neural network model based on data collected from the data server 11 of the power exchange, and consume using the constructed neural network model. Since the amount of power can be predicted, there is an advantage in that a more accurate predicted value of the amount of power consumption can be obtained.

제시된 실시예들에 대한 설명은 임의의 본 발명의 기술분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 발명의 기술 분야에서 통상의 지식을 가진자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 발명의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의 범위에서 해석되어야 할 것이다.The description of the presented embodiments is provided to enable any person skilled in the art to make or use the present invention. Various modifications to these embodiments will be readily apparent to those skilled in the art, and the generic principles defined herein may be applied to other embodiments without departing from the scope of the invention. Thus, the present invention is not intended to be limited to the embodiments presented herein but is to be construed in the widest scope consistent with the principles and novel features presented herein.

100: 전력량 예측 시스템
110: 데이터 수집부
120: 모델 생성부
130: 전력량 산출부100: wattage prediction system
110: data collection unit
120: model generation unit
130: wattage calculation unit

Claims (14)

전력거래소의 데이터 서버에 접속하여 해당 전력거래소의 데이터 서버에서 전력 거래량에 대한 샘플 데이터를 수집하는 데이터 수집부;
상기 샘플 데이터를 토대로 소비 전력량을 예측하기 위한 신경망 모델을 구축하는 모델 생성부; 및
상기 신경망 모델을 이용하여, 입력된 예측일의 소비 전력량에 대한 예측값을 산출하는 전력량 산출부;를 구비하는,
전력량 예측 시스템.
a data collection unit that accesses the data server of the power exchange and collects sample data on the power transaction volume from the data server of the corresponding power exchange;
a model generator for constructing a neural network model for predicting power consumption based on the sample data; and
Using the neural network model, a power amount calculation unit for calculating a predicted value for the amount of power consumption on the input prediction day; comprising,
Electricity forecasting system.
 제1항에 있어서,
상기 데이터 수집부는 사용자로부터 상기 예측일에 대한 전력량 예측 작업을 요청받은 예측 시작 시점으로부터 기설정된 수집기간 이전까지의 상기 샘플 데이터를 상기 전력거래소의 데이터 서버에서 수집하는,
전력량 예측 시스템.
According to claim 1,
The data collection unit collects the sample data from a data server of the power exchange from a prediction start time when a user requests a power amount prediction work for the prediction date to before a preset collection period,
Electricity forecasting system.
 제2항에 있어서,
상기 수집기간은 1년인,
전력량 예측 시스템.
3. The method of claim 2,
The collection period is one year,
Electricity forecasting system.
 제2항에 있어서,
상기 데이터 수집부는 상기 전력거래소의 데이터 서버에서 수집된 데이터를, 월별, 달별, 일별로 분류하여 상기 샘플 데이터를 각각 생성하는,
전력량 예측 시스템.
3. The method of claim 2,
The data collection unit generates the sample data by classifying the data collected from the data server of the power exchange by month, month, and day,
Electricity forecasting system.
 제4항에 있어서,
상기 데이터 수집부는 상기 전력거래소의 데이터 서버에서 수집된 데이터를, 공휴일별로 분류하여 상기 샘플 데이터를 생성하는,
전력량 예측 시스템.
5. The method of claim 4,
The data collection unit generates the sample data by classifying the data collected from the data server of the power exchange by holidays,
Electricity forecasting system.
 제4항에 있어서,
상기 데이터 수집부는 상기 전력거래소의 데이터 서버에서 수집된 데이터를, 음력 기준 공휴일과 양력 기준 공휴일 별로 각각 분류하여 상기 샘플 데이터를 생성하는,
전력량 예측 시스템.
5. The method of claim 4,
The data collection unit generates the sample data by classifying the data collected from the data server of the power exchange for each lunar-based holiday and a solar-based holiday,
Electricity forecasting system.
 제4항에 있어서,
상기 데이터 수집부는 기상관측기관의 데이터 서버에 접속하여, 상기 예측 시작 시점으로부터 상기 수집기간 이전까지의 기상 데이터를 수집하고, 시간을 기준으로 해당 기상 데이터를 상기 전력거래소의 데이터 서버에서 수집된 데이터와 상호 매칭하여 상기 샘플 데이터를 생성하는,
전력량 예측 시스템.
5. The method of claim 4,
The data collection unit accesses a data server of a weather observation institution, collects meteorological data from the start of the prediction to before the collection period, and combines the corresponding weather data with the data collected from the data server of the power exchange based on time. generating the sample data by matching with each other,
Electricity forecasting system.
 전력거래소의 데이터 서버에 접속하여 해당 전력거래소의 데이터 서버에서 전력 거래량에 대한 샘플 데이터를 수집하는 데이터 수집단계;
상기 샘플 데이터를 토대로 소비 전력량을 예측하기 위한 신경망 모델을 구축하는 모델 생성단계; 및
상기 신경망 모델을 이용하여, 입력된 예측일의 소비 전력량에 대한 예측값을 산출하는 전력량 산출단계;를 포함하는,
전력량 예측 방법.
a data collection step of accessing the data server of the power exchange and collecting sample data on the power transaction volume from the data server of the corresponding power exchange;
a model generation step of constructing a neural network model for predicting power consumption based on the sample data; and
Using the neural network model, a power calculation step of calculating a predicted value for the power consumption of the input prediction day;
How to predict the amount of electricity.
 제8항에 있어서,
상기 데이터 수집단계에서는, 사용자로부터 상기 예측일에 대한 전력량 예측 작업을 요청받은 예측 시작 시점으로부터 기설정된 수집기간 이전까지의 상기 샘플 데이터를 상기 전력거래소의 데이터 서버에서 수집하는,
전력량 예측 방법.
9. The method of claim 8,
In the data collection step, the data server of the power exchange collects the sample data from a prediction start time when a user requests a power amount prediction work for the prediction date before a preset collection period,
How to predict the amount of electricity.
 제9항에 있어서,
상기 수집기간은 1년인,
전력량 예측 방법.
10. The method of claim 9,
The collection period is one year,
How to predict the amount of electricity.
 제9항에 있어서,
상기 데이터 수집단계에서는, 상기 전력거래소의 데이터 서버에 수집된 데이터를, 월별, 달별, 일별로 분류하여 상기 샘플 데이터를 각각 생성하는,
전력량 예측 시스템.
10. The method of claim 9,
In the data collection step, the data collected in the data server of the power exchange is classified by month, month, and day to generate the sample data, respectively,
Electricity forecasting system.
 제11항에 있어서,
상기 데이터 수집단계에서는 상기 전력거래소의 데이터 서버에서 수집된 데이터를, 공휴일별로 분류하여 상기 샘플 데이터를 생성하는,
전력량 예측 시스템.
12. The method of claim 11,
In the data collection step, the sample data is generated by classifying the data collected from the data server of the power exchange by holidays,
Electricity forecasting system.
 제11항에 있어서,
상기 데이터 수집단계에서는, 상기 전력거래소의 데이터 서버에 수집된 데이터를, 음력 기준 공휴일과 양력 기준 공휴일 별로 각각 분류하여 상기 샘플 데이터를 생성하는,
전력량 예측 방법.
12. The method of claim 11,
In the data collection step, the sample data is generated by classifying the data collected in the data server of the power exchange for each lunar-based holiday and a solar-based holiday,
How to predict the amount of electricity.
 제11항에 있어서,
상기 데이터 수집단계에서는, 기상관측기관의 데이터 서버에 접속하여, 상기 예측 시작 시점으로부터 상기 수집기간 이전까지의 기상 데이터를 수집하고, 시간을 기준으로 해당 기상 데이터를 상기 전력거래소의 데이터 서버에서 수집된 데이터와 상호 매칭하여 상기 샘플 데이터를 생성하는,
전력량 예측 방법.
12. The method of claim 11,
In the data collection step, by accessing the data server of a meteorological observation institution, meteorological data from the prediction start time to before the collection period are collected, and the corresponding weather data is collected from the data server of the power exchange based on time. generating the sample data by cross-matching with data;
How to predict the amount of electricity.
KR1020200172559A 2020-12-10 2020-12-10 Electric energy prediction system and electric energy prediction method using the same KR20220082555A (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200172559A KR20220082555A (en) 2020-12-10 2020-12-10 Electric energy prediction system and electric energy prediction method using the same

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200172559A KR20220082555A (en) 2020-12-10 2020-12-10 Electric energy prediction system and electric energy prediction method using the same

Publications (1)

Publication Number Publication Date
KR20220082555A true KR20220082555A (en) 2022-06-17

Family

ID=82269153

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200172559A KR20220082555A (en) 2020-12-10 2020-12-10 Electric energy prediction system and electric energy prediction method using the same

Country Status (1)

Country Link
KR (1) KR20220082555A (en)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101846026B1 (en) 2011-10-25 2018-04-06 한국전력공사 Method and system for managing electric power demand based on prior prediction of electric power demand

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101846026B1 (en) 2011-10-25 2018-04-06 한국전력공사 Method and system for managing electric power demand based on prior prediction of electric power demand

Similar Documents

Publication Publication Date Title
US10873209B2 (en) System and method for dynamic energy storage system control
EP3471029A1 (en) Method for automatic cloud control of energy storage systems
Feng et al. Solution sensitivity-based scenario reduction for stochastic unit commitment
Kang et al. A novel approach of day-ahead cooling load prediction and optimal control for ice-based thermal energy storage (TES) system in commercial buildings
CN107301472A (en) Distributed photovoltaic planing method based on scene analysis method and voltage-regulation strategy
KR102257350B1 (en) Method and system for intermediating electric power transaction
Almalaq et al. Deep learning application: Load forecasting in big data of smart grids
CN116307076A (en) Industrial park energy efficiency management and control method based on Internet of things
Chatziagorakis et al. Enhancement of hybrid renewable energy systems control with neural networks applied to weather forecasting: the case of Olvio
CN113807589A (en) Rolling optimization method and device for operator energy storage based on model prediction
CN114221353B (en) Power grid regulation method, device, equipment, storage medium and computer program product
Nasiri et al. Data analytics and information technologies for smart energy storage systems: A state-of-the-art review
Souhe et al. A hybrid model for forecasting the consumption of electrical energy in a smart grid
CN111210260A (en) Electricity price data processing method and device, computer equipment and storage medium
CN117791618A (en) Power scheduling method, device, computer equipment and storage medium
Kareem et al. Removing seasonal effect on city based daily electricity load forecasting with linear regression
Ávila et al. Fuzzy demand forecasting in a predictive control strategy for a renewable-energy based microgrid
Rashid et al. Auto-regressive recurrent neural network approach for electricity load forecasting
Razzak et al. Leveraging Deep Q-Learning to maximize consumer quality of experience in smart grid
KR20220082555A (en) Electric energy prediction system and electric energy prediction method using the same
CN116245246A (en) Smart city power supply management method, system and storage medium based on Internet of things
Chayarun et al. Determination of optimal battery energy storage system capacity for commercial electricity consumers with photovoltaic systems by integrating battery aging and PV forecast uncertainty
Wu et al. Short-term power load forecasting using least squares support vector machines (LS-SVM)
Liu et al. Joint optimisation of generation and storage in the presence of wind
Li et al. Aggregated wind power characteristic curves and artificial intelligence for the regional wind power infeed estimation

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E601 Decision to refuse application