KR20220096406A

KR20220096406A - Cnn을 이용한 전력수요 예측 방법, 이를 수행하기 위한 기록 매체 및 장치

Info

Publication number: KR20220096406A
Application number: KR1020200188814A
Authority: KR
Inventors: 김성열; 아모아시 아쿠아 모제스
Original assignee: 계명대학교 산학협력단
Priority date: 2020-12-31
Filing date: 2020-12-31
Publication date: 2022-07-07
Also published as: KR102518629B1

Abstract

CNN을 이용한 전력수요 예측 방법은, 온라인 공공 데이터인 API로부터 전력수요 예측을 위한 기상요소들의 데이터를 수집하는 단계; 수집된 데이터의 결측 데이터를 보완하는 단계; 보완된 데이터를 입력으로 하는 합성곱 신경망인 CNN을 통해 예측인자간 상관관계를 분석하여 각 구간별로 전력수요 예측에 반영할 예측인자를 선택하는 단계; 및 CNN-LSTM과 CNN-GRU의 병렬 구조를 통해 각 구간별로 더 높은 정확도를 가지는 최종적인 전력수요를 선정하는 단계;를 포함한다. 이에 따라, 정확한 전력수요를 예측할 수 있다.

Description

CNN을 이용한 전력수요 예측 방법, 이를 수행하기 위한 기록 매체 및 장치{METHOD FOR FORECASTING ELECTRIC POWER DEMAND USING CONVOLUTIONAL NEURAL NETWORK, RECORDING MEDIUM AND DEVICE FOR PERFORMING THE METHOD}

본 발명은 CNN을 이용한 전력수요 예측 방법, 이를 수행하기 위한 기록 매체 및 장치에 관한 것으로서, 더욱 상세하게는 이미지 처리를 통해 전력수요 패턴을 식별할 수 있는 CNN 알고리즘을 기반으로 전력수요 예측에 반영할 요소를 선별하는 기술에 관한 것이다.

국제에너지기구(IEA)에서 2050년 기준 온실가스 감축을 위해 시행하는 정책 수단 중 기기 및 설비 부문의 에너지 절약이 약 36%를 차지한다고 발표하였다. 이에 따라, 지속적인 에너지 사용량이 증가함에 따라 효율적인 에너지 관리가 중요시되고 있다.

대형 발전사를 포함하여 국내외에서 에너지 예측, 관리 및 모니터링 관련 사업을 확대시키고 있으며, 효율적인 에너지 관리를 위해 독자적인 에너지 수요예측 모델 개발 및 모니터링 시스템을 구축하고 있다.

또한, 정부의 미래지향적 에너지 신산업에 대한 인식이 공급 중심에서 수요관리 중심으로 전환되는 과정에서 에너지 다소비건물에 대한 에너지 관리의 효율성 증대를 위한 기술과 통합관리 기술 등이 필요하다.

에너지 저소비 사회구조로의 변화와 에너지 소비, 생산의 다변화는 에너지의 효율적 사용 및 통합 관리에 대한 요구를 증대시키고 있다. 또한, 에너지 통합 관리를 통해 에너지 생산 및 절감에 대한 성과 관리와 개선 전후의 에너지 자립률 검증 및 계측 데이터 분석을 통한 개선방향 도출이 필요하다.

특히, 에너지 솔루션 분석 시, AI 기법을 활용한 전력수요예측 모델을 통해 다양한 형태의 에너지소비 패턴에 대한 신뢰성 있는 예측 데이터 도출이 필요한 실정이다.

예를 들어, 스마트그리드 등과 같이 건물 분야의 에너지 소비 저감과 성능 향상에 대한 관심이 지속적으로 증가하고 있다. 이에 EMS(Energy Management System) 기술을 이용하여 수용가 운전상태, 에너지 사용량 등의 데이터를 수집하여 시각화함으로써, 기존의 건물 운영자 및 관리자의 경험이나 능력에 의존하던 건물 관리 방식이 아닌 데이터에 기반의 관리 시스템을 운용 중이다.

따라서, 데이터 기반의 관리시스템을 운영과 수용가의 에너지 관리 및 효율화를 위해서는 에너지 소비 패턴 분석이 먼저 이루어져야 할 필요가 있다.

KR 10-2020-0131928 A KR 10-2020-0123310 A US 2015/0046221 A1

이에, 본 발명의 기술적 과제는 이러한 점에서 착안된 것으로 본 발명의 목적은 CNN을 이용한 전력수요 예측 방법을 제공하는 것이다.

본 발명의 다른 목적은 상기 CNN을 이용한 전력수요 예측 방법을 수행하기 위한 컴퓨터 프로그램이 기록된 기록 매체를 제공하는 것이다.

본 발명의 또 다른 목적은 상기 CNN을 이용한 전력수요 예측 방법을 수행하기 위한 장치를 제공하는 것이다.

상기한 본 발명의 목적을 실현하기 위한 일 실시예에 따른 CNN을 이용한 전력수요 예측 방법은, 온라인 공공 데이터인 API로부터 전력수요 예측을 위한 기상요소들의 데이터를 수집하는 단계; 수집된 데이터의 결측 데이터를 보완하는 단계; 보완된 데이터를 입력으로 하는 합성곱 신경망인 CNN을 통해 예측인자간 상관관계를 분석하여 각 구간별로 전력수요 예측에 반영할 예측인자를 선택하는 단계; 및 CNN-LSTM과 CNN-GRU의 병렬 구조를 통해 각 구간별로 더 높은 정확도를 가지는 최종적인 전력수요를 선정하는 단계;를 포함한다.

본 발명의 실시예에서, 상기 기상요소들의 데이터는, 시간 및 구간 따른 기상 데이터, 생활기상지수 데이터 및 과거 전력수요 데이터 중 적어도 하나의 데이터를 포함할 수 있다.

본 발명의 실시예에서, 상기 기상요소들의 데이터를 수집하는 단계는, 데이터의 스케일 차이를 줄이기 위해 수집된 기상요소들의 데이터를 정규화하는 단계;를 포함할 수 있다.

본 발명의 실시예에서, 상기 수집된 데이터의 결측 데이터를 보완하는 단계는, 데이터 패턴의 오버랩 비율을 통해 결측 데이터 유무를 판단하는 단계; 및 결측 데이터의 수가 2개 이하일 경우, 평균 보간법(Mean Interpolation)을 이용하여 결측 데이터를 보완하고, 결측 데이터의 수가 3개 이상일 경우 ARIMA 시계열 예측 모형을 통해 결측 데이터를 보완하는 단계;를 포함할 수 있다.

본 발명의 실시예에서, 상기 각 구간별로 전력수요 예측에 반영할 예측인자를 선택하는 단계는, 각 구간별로 전력수요 패턴과 예측인자의 패턴을 이미지 처리하여 전력수요 예측에 반영할 인자들을 선택하여 전력수요 예측에 사용할 수 있다.

본 발명의 실시예에서, 상기 CNN을 이용한 전력수요 예측 방법은, N일 전에 예측한 전력수요 값들을 MAPE 및 RMSE 함수를 통해 오차를 분석하는 단계;를 더 포함할 수 있다.

본 발명의 실시예에서, 상기 CNN을 이용한 전력수요 예측 방법은, 선택된 예측인자의 샘플링 속도를 통합하기 위해 데이터를 분류하고 리샘플링하는 단계;를 더 포함할 수 있다.

상기한 본 발명의 다른 목적을 실현하기 위한 일 실시예에 따른 컴퓨터로 판독 가능한 저장 매체에는, 상기 CNN을 이용한 전력수요 예측 방법을 수행하기 위한 컴퓨터 프로그램이 기록되어 있다.

상기한 본 발명의 또 다른 목적을 실현하기 위한 일 실시예에 따른 CNN을 이용한 전력수요 예측 장치는, 온라인 공공 데이터인 API로부터 전력수요 예측을 위한 기상요소들의 데이터를 수집하는 데이터 수집부; 수집된 데이터의 결측 데이터를 보완하는 데이터 보완부; 보완된 데이터를 입력으로 하는 합성곱 신경망인 CNN을 통해 예측인자간 상관관계를 분석하여 각 구간별로 전력수요 예측에 반영할 예측인자를 선택하는 예측인자 선택부; 및 CNN-LSTM과 CNN-GRU의 병렬 구조를 통해 각 구간별로 더 높은 정확도를 가지는 최종적인 전력수요를 선정하는 전력수요 예측부;를 포함한다.

본 발명의 실시예에서, 상기 데이터 보완부는, 데이터 패턴의 오버랩 비율을 통해 결측 데이터 유무를 판단하고, 결측 데이터의 수가 2개 이하일 경우, 평균 보간법(Mean Interpolation)을 이용하여 결측 데이터를 보완하고, 결측 데이터의 수가 3개 이상일 경우 ARIMA 시계열 예측 모형을 통해 결측 데이터를 보완할 수 있다.

이와 같은 CNN을 이용한 전력수요 예측 방법에 따르면, 시간 및 구간을 구분한 알고리즘 적용을 통해 각 시간 및 구간별로 더 높은 정확도를 가지는 알고리즘을 채택하여 최종적인 전력수요를 예측할 수 있다.

이에 따라, AI 기반 전력수요 예측 알고리즘 개발 및 수용가별 최적 운영 스케줄링을 통해 경제적인 편익과 에너지 효율성 향상에 기여할 수 있다. 또한, 기상요소, 지역별 인구밀도, 생활기상지수 등 전력수요 영향을 미치는 주요 변수를 활용함으로써, 수요 예측의 정확성과 객관성을 향상시킬 수 있다.

도 1은 본 발명에서 제안하는 전력수요 예측 알고리즘을 설명하기 위한 도면이다.
도 2는 본 발명의 일 실시예에 따른 CNN을 이용한 전력수요 예측 장치의 블록도이다.
도 3은 도 2의 데이터 수집부에서 상관관계 분석을 위해 사용되는 기상 데이터의 예시이다.
도 4는 도 2의 데이터 수집부에서 상관관계 분석을 위해 사용되는 1시간 내지 6시간 전 과거 전력수요 데이터의 예시이다.
도 5는 도 2의 데이터 수집부에서 상관관계 분석을 위해 사용되는 계절 및 주기, 공휴일유무, afternoon 및 workinghour 데이터의 예시이다.
도 6은 도 2의 데이터 보완부에서 사용하는 Moving Window 기법을 설명하기 위한 도면이다.
도 7은 도 2의 데이터 보완부에서 ARIMA 예측 모형을 이용한 데이터 보간 예시이다.
도 8은 본 발명에서 사용하는 CNN-LSTM 또는 GRU 결합 모델 구조를 설명하기 위한 도면이다.
도 9는 LSTM 네트워크의 기본 구조를 보여주는 도면이다.
도 10은 GRU의 기본 구조를 보여주는 도면이다.
도 11은 본 발명의 일 실시예에 따른 CNN을 이용한 전력수요 예측 방법의 흐름도이다.

후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이들 실시예는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 여기에 기재되어 있는 특정 형상, 구조 및 특성은 일 실시예에 관련하여 본 발명의 정신 및 범위를 벗어나지 않으면서 다른 실시예로 구현될 수 있다. 또한, 각각의 개시된 실시예 내의 개별 구성요소의 위치 또는 배치는 본 발명의 정신 및 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 취하려는 것이 아니며, 본 발명의 범위는, 적절하게 설명된다면, 그 청구항들이 주장하는 것과 균등한 모든 범위와 더불어 첨부된 청구항에 의해서만 한정된다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭한다.

이하, 도면들을 참조하여 본 발명의 바람직한 실시예들을 보다 상세하게 설명하기로 한다.

도 1은 본 발명에서 제안하는 전력수요 예측 알고리즘을 설명하기 위한 도면이다. 도 2는 본 발명의 일 실시예에 따른 CNN을 이용한 전력수요 예측 장치의 블록도이다.

본 발명에 따른 CNN을 이용한 전력수요 예측 장치(10, 이하 장치)는 정확한 전력수요 예측을 위한 것이다. 전력 수요 예측에는 다양한 요소들이 사용될 수 있는데, 시간(n일 전, 1주일 전 등) 및 구간(계절, 분기 등)에 따른 기상데이터(온도, 습도, 풍속, 운량 등), 생활기상지수(불쾌지수, 체감온도 등), 과거 전력수요 데이터 등이 있다.

이러한 데이터들은 온라인 공공 데이터인 API를 통해 수집되고 데이터를 분석하고 간헐적으로 발견되는 손상 데이터를 재구성 하는 방안을 포함한다.

본 발명에서는 이미지 처리를 통해 전력수요 패턴을 식별할 수 있는 대표적인 알고리즘인 CNN을 이용하여, 전력수요 예측에 반영할 요소를 선별하는데 사용한다.

도 1을 참조하면, 본 발명에서 실제 전력 수요를 예측하는 알고리즘은 2가지로 구분되는데 첫 번째로 LSTM은 시계열 데이터를 예측하는데 높은 성능을 가지는 딥러닝 알고리즘이다. 두 번째로 GRU는 LSTM의 간소화된 버전으로 3개의 게이트를 2개로 축소한 버전의 딥러닝 알고리즘이다. LSTM이 GRU에 비해 연산량이 많고, 예측 데이터의 크기가 클수록 GRU에 비해 LSTM의 예측 성능이 우수한 경향을 보인다.

본 발명에서는 CNN-LSTM과 CNN-GRU의 병렬 구조를 가진 앙상블을 구성하여 전력수요를 예측하는 알고리즘을 제안한다. 본 발명은 시간 및 구간을 구분한 알고리즘 적용을 통해 각 시간 및 구간별로 더 높은 정확도를 가지는 알고리즘을 채택하여 최종적인 전력수요를 예측하는 알고리즘이다.

도 2를 참조하면, 본 발명에 따른 장치(10)는 데이터 수집부(110), 데이터 보완부(130), 예측인자 선택부(150) 및 전력수요 예측부(170)를 포함한다.

본 발명의 상기 장치(10)는 CNN을 이용한 전력수요 예측을 수행하기 위한 소프트웨어(애플리케이션)가 설치되어 실행될 수 있으며, 상기 데이터 수집부(110), 상기 데이터 보완부(130), 상기 예측인자 선택부(150) 및 상기 전력수요 예측부(170)의 구성은 상기 장치(10)에서 실행되는 상기 CNN을 이용한 전력수요 예측을 수행하기 위한 소프트웨어에 의해 제어될 수 있다.

상기 장치(10)는 별도의 단말이거나 또는 단말의 일부 모듈일 수 있다. 또한, 상기 데이터 수집부(110), 상기 데이터 보완부(130), 상기 예측인자 선택부(150) 및 상기 전력수요 예측부(170)의 구성은 통합 모듈로 형성되거나, 하나 이상의 모듈로 이루어 질 수 있다. 그러나, 이와 반대로 각 구성은 별도의 모듈로 이루어질 수도 있다.

상기 장치(10)는 이동성을 갖거나 고정될 수 있다. 상기 장치(10)는, 서버(server) 또는 엔진(engine) 형태일 수 있으며, 디바이스(device), 기구(apparatus), 단말(terminal), UE(user equipment), MS(mobile station), 무선기기(wireless device), 휴대기기(handheld device) 등 다른 용어로 불릴 수 있다.

상기 장치(10)는 운영체제(Operation System; OS), 즉 시스템을 기반으로 다양한 소프트웨어를 실행하거나 제작할 수 있다. 상기 운영체제는 소프트웨어가 장치의 하드웨어를 사용할 수 있도록 하기 위한 시스템 프로그램으로서, 안드로이드 OS, iOS, 윈도우 모바일 OS, 바다 OS, 심비안 OS, 블랙베리 OS 등 모바일 컴퓨터 운영체제 및 윈도우 계열, 리눅스 계열, 유닉스 계열, MAC, AIX, HP-UX 등 컴퓨터 운영체제를 모두 포함할 수 있다.

상기 데이터 수집부(110)는 온라인 공공 데이터인 API로부터 전력수요 예측을 위한 기상요소들의 데이터를 수집한다.

본 발명의 일 실시예에서는 CNN 알고리즘을 통해 전력수요 예측에 필요한 기상요소들을 분석할 수 있다. 분석된 기온, 습도, 기압, 풍속 등의 데이터는 기상청의 기상자료개방포털 등의 API를 통해서 수집될 수 있다. 알고리즘 수행의 유연성 및 민감도를 위해 데이터 수집 구간은 최근 1년, 3년 등 장기간으로 설정할 수 있다. 도 3은 도 2의 데이터 수집부에서 상관관계 분석을 위해 사용되는 기상 데이터의 예시이다.

전력 수요 예측에는 다양한 요소들이 사용될 수 있는데, 시간(n일 전, 1주일 전 등) 및 구간(계절, 분기 등)에 따른 기상데이터(온도, 습도, 풍속, 운량 등), 생활기상지수(불쾌지수, 체감온도 등), 과거 전력수요 데이터 등이 있다.

이러한 데이터들은 온라인 공공 데이터인 API를 통해 수집되고, 본 발명은 데이터를 분석하고 간헐적으로 발견되는 손상 데이터를 재구성 하는 방안을 포함한다.

단기 전력수요예측은 과거 전력수요데이터와 더불어 기상요소에 직접적인 영향을 받는다. 따라서, 정확한 전력수요 예측을 위해서는 다양한 기상요소와의 상관분석을 통해 필요한 데이터를 분석해야 한다. 도 4는 도 2의 데이터 수집부에서 상관관계 분석을 위해 사용되는 1시간 내지 6시간 전 과거 전력수요 데이터의 예시이다.

추가적으로 기상청에서 제공하고 있는 체감온도, 불쾌지수도 함께 고려하여 분석을 진행할 수 있다. 불쾌지수 및 체감온도에 대한 수식은 각각 아래의 수학식 1 및 수학식 2와 같다.

[수학식 1]

[수학식 2]

또한, 전력수요는 주기적으로 패턴이 변화하는 형상을 보여주고 있다. 4계절, 주중, 및 주말, 공휴일에 따라서 전력수요 패턴이 다르기 때문에 전력수요 예측을 위해 기상요소뿐만 아니라 계절변화, 과거 히스토리 데이터, 주중, 주말, 공유일 여부 등을 함께 고려하여 분석을 진행할 수 있다. 도 5는 도 2의 데이터 수집부에서 상관관계 분석을 위해 사용되는 계절 및 주기, 공휴일유무, afternoon 및 workinghour 데이터의 예시이다.

먼저, 도 4를 참조하면, 과거 전력수요 상관관계를 분석하기 위해 총 1시간 내지 6시간 전의 과거데이터 분석을 진행한다. 각 시간대에 해당하는 변수는

에서

으로 표시하였으며 계절에 해당하는 변수는

으로 선정한다. 또한, 각 월, 요일, 각 주중에 해당하는 변수는

,

로 선정하고, 주중 및 주말에 해당하는 변수는

이며 공휴일 유무, 그리고 24시간 중 오후 시간대 및 근무시간에 해당하는 값을 각각

로 선정한다.

전력수요 예측을 위한 예측인자 채택은 일반적으로 피어슨 상관 분석식과 산점도 그래프를 기반으로 기반으로 아래의 수학식 3과같이 계산된다.

[수학식 3]

여기서,

는 피어슨 상관계수를 의미하며 Y는 전력수요 데이터, X는 상관분석을 위해 사용된 인자들을 의미한다.

은 데이터 개수를 의미하며, 각 데이터간의 공분산값과 표준편차 값을 이용하여 구해진다. 도 5는 시간적 특징을 나타내는 플롯(plot)이다. LSTM, GRU 같은 경우 기상요소, 과거 데이터뿐만 아니라 시계열 특징을 나타내는 데이터도 중요한 요인으로 작용할 수 있기 때문에 함께 분석한다.

상기 데이터 수집부(110)는 전력수요예측을 위해서 먼저 데이터 가공 및 전처리 작업을 진행할 수 있다.

기상요소 데이터와 같이 데이터 자체의 스케일 차이가 심한 경우 예측성능을 저하시키는 원인으로 작용한다. 따라서, 예측 성능 향상 및 오버피팅(Overfitting) 방지를 위해 각 데이터의 정규화 작업을 실시할 수 있다.

데이터 정규화 방안은 각 데이터의 최대, 최소값을 이용한 Min-Max Normalization 방법이 있으며 데이터의 표준편차와 평균을 이용한 Z-Score Normalization 방안이 있다. 각 정규화 수식은 아래의 수학식 4 및 수학식 5와 같이 나타낼 수 있다.

[수학식 4]

[수학식 5]

상기 데이터 보완부(130)는 수집된 데이터의 결측 데이터를 보완한다. 먼저, 결측 데이터 유무 판단은 Moving Window 기법을 이용하여 판단할 수 있다.

국내 전력수요, 기상요소와 사이트별 전력수요 데이터는 실제로 데이터베이스에 저장 시 누락데이터 또는 이상데이터가 존재할 수 있다. 이러한 데이터는 전력수요예측 정확도에 악영향을 미치며 특히 LSTM과 같이 딥러닝 기반의 알고리즘에 부정확성을 키우는 요소로 적용한다. 따라서, 결측 값 처리하기 위한 추가적인 작업이 필요하다.

도 6을 참조하면, Moving Window 기법은 데이터 패턴의 오버랩 비율을 통해 결측 데이터 유무를 판단하는 방법으로 데이터를 자동으로 관찰하기 위해 많은 분야에서 사용되는 방법이다.

본 발명의 일 실시예에서, Moving Window 기법을 통해 결측 데이터가 관찰되었을 경우 결측 데이터 개수에 따라 처리 방법이 달라진다.

예를 들어, 결측 데이터의 수가 2개 이하일 경우 결측 시점 경우 전, 후의 데이터를 분석하여 Mean Interpolation을 이용하여 결측 데이터를 보완할 수 있다. Mean Interpolation은 결측된 부분을 각 변수의 평균으로 대체하는 기법이다. 결측 데이터 개수가 작을 경우 Mean Interpolation을 통해 데이터를 보완하여도 예측 성능을 저하시키지 않는다.

반면, 결측 데이터의 수가 3개 이상일 경우 ARIMA 시계열 예측 모형을 통해 결측 데이터를 보완할 수 있다.

특히 전력수요, 기상요소 같은 경우 단시간에 큰 변화를 일으키지 않기 때문에 시계열 기반의 보간법을 사용하여도 높은 정확도를 보여주고 있다. ARIMA 예측 모형을 이용한 데이터 보간 예시는 도 7과 같이 나타낼 수 있다.

상기 예측인자 선택부(150)는 보완된 데이터를 입력으로 하는 합성곱 신경망인 CNN을 통해 예측인자간 상관관계를 분석하여 각 구간별로 전력수요 예측에 반영할 예측인자를 선택할 수 있다.

또한, 각 예측 인자별 상관계수 분석은 전력수요 예측 알고리즘 내 자동으로 높은 상관계수를 기준으로 선정하도록 하였으며 데이터가 갱신될 때마다 최적 입력변수를 선정할 수 있도록 구현할 수 있다.

매 구간별 전력수요 예측에 반영할 예측 인자를 선택하기 위해 합성곱 신경망인 CNN을 통해 상관관계 분석을 자동으로 갱신한다. 본 발명에서는, 시간절약 및 과적합 방지를 위해 각 구간별로 상이한 예측인자간 상관관계를 분석하여 상관계수가 미리 설정된 임계값 이상인 인자들을 선택하여 전력수요 예측에 사용할 수 있다.

본 발명은 CNN을 통해 전력수요 패턴과 높은 상관성을 가지는 인자들을 입력데이터로 사용한다.

상기 전력수요 예측부(170)는 CNN-LSTM과 CNN-GRU의 병렬 구조를 통해 각 구간별로 더 높은 정확도를 가지는 최종적인 전력수요를 선정한다.

본 발명에서 실제 전력 수요를 예측하는 알고리즘은 2가지로 구분되는데 첫 번째로 LSTM은 시계열 데이터를 예측하는데 높은 성능을 가지는 딥러닝 알고리즘이다. 두 번째로 GRU는 LSTM의 간소화된 버전으로 3개의 게이트를 2개로 축소한 버전의 딥러닝 알고리즘이다. LSTM이 GRU에 비해 연산량이 많고, 예측 데이터의 크기가 클수록 GRU에 비해 LSTM의 예측 성능이 우수한 경향을 보인다.

도 8을 참조하면, 본 발명은 전력수요 예측을 위한 새로운 방안으로 합성곱 신경망인 CNN과 LSTM 또는 GRU 모델을 결합하여 전력수요예측을 진행한다.

기존 피어슨 상관분석만으로는 전력수요데이터와 예측인자간의 관계를 정확하게 설명하지 못하는 단점이 존재한다. 이는 피어슨 상관계수는 계절적 주기나 하루 동안의 데이터 패턴을 고려하지 않기 때문이다.

합성곱 신경망인 CNN을 이용하면 전력수요 패턴과 다른 인자간의 패턴을 고려하여 상관성이 높은 데이터를 추출할 수 있다. 이는 CNN에서 Convolution layer를 적용하의 데이터의 특징의 자동 추출이 가능하기 때문이다. 따라서, 두 딥러닝 기술의 이점을 모두 활용할 수 있는 하이브리드 모델 개발을 통해 예측 정확도를 향상시킬 수 있다.

Long Short Term Memory(LSTM)은 Recurrent neural Network(RNN)의 한 부분으로 긴 시간 동안의 데이터를 학습하거나 수행할 때 사용되는 기법이다. RNN은 시계열 데이터 예측 시 예측 데이터 사이즈가 증가할 경우, 학습 능력이 크게 저하되는 단점을 가지고 있다. 이 문제를 극복하기 위해 고안된 방안이 LSTM RNN의 히든 state에 cell-state를 추가한 구조이다.

현재 대다수의 시계열 예측에 활용되고 있으며 전력수요 예측에도 높은 정확도를 보여주고 있기 때문에 본 발명에서는 LSTM을 이용하여 전력수요 예측을 진행한다.

도 9를 참조하면, LSTM의 일반적인 구조는 Cell, Input Gate Layer, Forget Gate Layer, Output Gate Layer로 구성된다. Cell은 시간간격으로 값을 저장하며 세 개의 Gate Layer는 셀 안팎으로 데이터 가중치를 조절한다.

가장 핵심적인 구조로 상단의 수평선으로,

,

를 연결한 부분을 셀 스테이트(Cell state)라고 한다. 이는 마이너한 선형 연산만을 거치고 전체 체인을 관통한다.

LSTM 네트워크는 RNN 네트워크에 비해 정제된 게이트라는 구조를 갖고 있는데, 이는 정보들이 선택적으로 흘러가게 하는 장치이다. 각각 시그모이드 뉴럴 네트워크(Sigmoid Neural Network layer)와 점 단위 곱하기 연산으로 이루어져 있다. 시그모이드 레이어는 0,1의 값으로 출력된다.

출력 데이터는 구성요소가 예측 데이터에 영향을 미치는지에 대해 나타낸다. 0의 경우, 구성요소가 예측 데이터에 영향을 주지 않는 것을 의미하며, 1의 경우, 예측 데이터에 영향을 주는 것을 의미한다.

LSTM의 첫 번째 단계는 0과 1사이의 값을 가지는

와

를 입력값으로 받아 시그모이드 레이어에 저장하며, 첫 번째, 시그모이드 레이어는 업데이트할 값을 결정하는 역할을 한다.

tanh 레이어는 셀 스테이트에 더해질 수 있는 후보 값을 생성하는 역할을 하며, 시그모이드 레이어의 값과 합쳐 다음 스테이트에 영향을 주게 된다. 입력게이트 함수식은 아래의 수학식 6과 같이 표현된다.

[수학식 6]

,

를 로 업데이트 하는 과정은 전 단계에서 결정하였으므로, 새로운 후보 값이 기존 값에 영향을 주게 한다. 망각 게이트의 함수식은 아래의 수학식 7 및 수학식 8과 같으며, tanh은 -1에서 1사이의 값을 가진다.

[수학식 7]

[수학식 8]

새로운 후보값이 기존의 값에 영향을 끼치는 함수식은 다음의 수학식 9와 같다.

[수학식 9]

마지막으로, 출력 값을 결정할 때, 시그모이드 레이어를 통해 도출하게 되며, 이 때, 출력게이트의 함수식은 아래의 수학식 10과 같으며 최종 결과값이 반영되는 식은 수학식 11과 같다.

[수학식 10]

[수학식 11]

기존 RNN 기법은 Time series 데이터를 처리할 때, 데이터가 사라지는 문제가 일어나므로, LSTM 기법을 통해 데이터를 분류 및 예측을 진행한다. LSTM 기법은 간격 길이가 길어져도 RNN에 비해 둔감하여 문제가 발생하지 않아 긴 시간 동안 발생하는 데이터를 학습하고 예측하는데 많이 사용된다.

GRU(Gate Recurrent Unit) 셀은 LSTM 연산속도가 긴 단점을 보완하는 LSTM 셀 간소화된 버전이다. 도 10은 GRU의 기본 구조를 보여주는 도면이다. GRU의 기본적인 개념은 LSTM과 매우 유사하며, 이는 아래의 수학식 12에서 확인할 수 있다.

[수학식 12]

GRU는 Reset Gate와 Update Gate 총 두 가지 Gate가 존재한다. Gate 이름에서 알 수 있듯이, Reset Gate는 새로운 입력을 이전 메모리와 어떻게 합칠지를 결정하며 Update Gate는 이전 메모리를 얼마만큼 기억할지를 결정한다.

Reset Gate 값을 전부 1로 정해주고 Update Gate를 전부 0으로 정하면 기본 RNN 구조가 된다. GRU는 LSTM과 기본 아이디어는 동일하지만 다음과 같은 차이점이 있다.

1) GRU Gate는 2개이며 LSTM Gate는 3개임.

2) GRU는 내부 메모리값(

)이 외부에서 보게 되는 Hidden state 동일함. 이는 LSTM에 있는 출력 게이트가 없기 때문임.

3) 입력 Gate와 망각 Gate가 Update Gate 로 합쳐지며 Reset Gate 은 이전 Hidden state 값에 바로 적용됨.

4) 출력 값을 계산할 때 추가적인 비선형 함수를 적용하지 않음.

GRU는 LSTM보다 파라미터 튜닝수가 적어서 학습시간이 LSTM 보다 짧게 걸리고 보다 적은 데이터로 학습이 가능하다. 하지만 학습데이터 수가 충분할 경우, LSTM이 우수한 학습능력을 보여줄 수 있기 때문에 본 연구에서는 두 알고리즘 모두 비교 검증하여 사용한다.

LSTM/GRU를 통해 각 구간별 전력수요 예측이 수행되고, 각 구간별 더 높은 정확도를 가지는 기법을 통해 산출된 예측값을 선정한다. 또한, N일 전에 예측한 값들은 아래의 수학식 13 및 수학식 14의 MAPE 및 RMSE 함수를 통해 오차를 분석할 수 있다.

[수학식 13]

[수학식 14]

RMSE는 평균 제곱근 오차의 준말로 실제값과 예측값의 차이를 제곱하고 다시 제곱근을 취해 측정값의 정밀도를 표현한다. MAPE는 실제값에 대한 상대오차의 비율을 모두 더한 다음 데이터 수로 나누어 0~100% 사이의 퍼센트값으로 측정값의 정밀도를 표현한다.

본 발명은 시간 및 구간을 구분한 알고리즘 적용을 통해 각 시간 및 구간별로 더 높은 정확도를 가지는 알고리즘을 채택하여 최종적인 전력수요를 예측할 수 있다.

도 11은 본 발명의 일 실시예에 따른 CNN을 이용한 전력수요 예측 방법의 흐름도이다.

본 실시예에 따른 CNN을 이용한 전력수요 예측 방법은, 도 1의 장치(10)와 실질적으로 동일한 구성에서 진행될 수 있다. 따라서, 도 1의 장치(10)와 동일한 구성요소는 동일한 도면부호를 부여하고, 반복되는 설명은 생략한다.

또한, 본 실시예에 따른 CNN을 이용한 전력수요 예측 방법은 CNN을 이용한 전력수요 예측을 수행하기 위한 소프트웨어(애플리케이션)에 의해 실행될 수 있다.

도 11을 참조하면, 본 실시예에 따른 CNN을 이용한 전력수요 예측 방법은, 온라인 공공 데이터인 API로부터 전력수요 예측을 위한 기상요소들의 데이터를 수집한다(단계 S10). 이 경우, 데이터의 스케일 차이를 줄이기 위해 수집된 기상요소들의 데이터를 정규화하는 단계를 더 포함할 수 있다.

상기 기상요소들의 데이터는, 시간 및 구간 따른 기상 데이터, 생활기상지수 데이터 및 과거 전력수요 데이터 중 적어도 하나의 데이터를 포함한다.

전력 수요 예측에는 다양한 요소들이 사용될 수 있는데, 예를 들어, 시간(n일 전, 1주일 전 등) 및 구간(계절, 분기 등)에 따른 기상데이터(온도, 습도, 풍속, 운량 등), 생활기상지수(불쾌지수, 체감온도 등), 과거 전력수요 데이터 등이 있다.

본 발명의 일 실시예에서는 CNN 알고리즘을 통해 전력수요 예측에 필요한 기상요소들을 분석할 수 있다. 분석된 기온, 습도, 기압, 풍속 등의 데이터는 기상청의 기상자료개방포털 등의 API를 통해서 수집될 수 있다. 알고리즘 수행의 유연성 및 민감도를 위해 데이터 수집 구간은 최근 1년, 3년 등 장기간으로 설정할 수 있다.

수집된 데이터의 결측 데이터를 보완한다(단계 S20).

상기 수집된 데이터의 결측 데이터를 보완하는 단계는, 데이터 패턴의 오버랩 비율을 통해 결측 데이터 유무를 판단한다. 그 결과, 결측 데이터의 수가 2개 이하일 경우, 평균 보간법(Mean Interpolation)을 이용하여 결측 데이터를 보완하고, 결측 데이터의 수가 3개 이상일 경우 ARIMA 시계열 예측 모형을 통해 결측 데이터를 보완할 수 있다.

보완된 데이터를 입력으로 하는 합성곱 신경망인 CNN을 통해 예측인자간 상관관계를 분석하여 각 구간별로 전력수요 예측에 반영할 예측인자를 선택한다(단계 S30). 이 경우, 선택된 예측인자의 샘플링 속도를 통합하기 위해 데이터를 분류하고 리샘플링하는 단계를 더 포함할 수 있다.

각 예측 인자별 상관계수 분석은 전력수요 예측 알고리즘 내 자동으로 높은 상관계수를 기준으로 선정하도록 하였으며 데이터가 갱신될 때마다 최적 입력변수를 선정할 수 있도록 구현할 수 있다.

CNN-LSTM과 CNN-GRU의 병렬 구조를 통해 각 구간별로 더 높은 정확도를 가지는 최종적인 전력수요를 선정한다(단계 S40). 또한, N일 전에 예측한 전력수요 값들을 MAPE 및 RMSE 함수를 통해 오차를 분석할 수 있다.

따라서, 시간 및 구간을 구분한 알고리즘 적용을 통해 각 시간 및 구간별로 더 높은 정확도를 가지는 알고리즘을 채택하여 최종적인 전력수요를 예측할 수 있다.

이와 같은, CNN을 이용한 전력수요 예측 방법은 애플리케이션으로 구현되거나 다양한 컴퓨터 구성요소를 통하여 수행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다.

상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것들이거니와 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수도 있다.

컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 ROM, RAM, 플래시 메모리 등과 같은 프로그램 명령어를 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다.

프로그램 명령어의 예에는, 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 상기 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

이상에서는 실시예들을 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.

본 발명은 전력수요 예측 알고리즘 개발과 국내 및 수용가별 상관관계 분석에 활용할 수 있다. 따라서, 향후 수용가별 에너지 효율화 서비스 제공을 위해 선행되어야 할 에너지 소비행태 분석에 대해서 유용하게 참고 가능하며, 본 발명을 통해 수용가 형태에 맞는 최적의 스케줄링 기법을 제시할 수 있을 것으로 기대된다.

10: CNN을 이용한 전력수요 예측 장치
110: 데이터 수집부
130: 데이터 보완부
150: 예측인자 선택부
170: 전력수요 예측부

Claims

온라인 공공 데이터인 API로부터 전력수요 예측을 위한 기상요소들의 데이터를 수집하는 단계;
수집된 데이터의 결측 데이터를 보완하는 단계;
보완된 데이터를 입력으로 하는 합성곱 신경망인 CNN을 통해 예측인자간 상관관계를 분석하여 각 구간별로 전력수요 예측에 반영할 예측인자를 선택하는 단계; 및
CNN-LSTM과 CNN-GRU의 병렬 구조를 통해 각 구간별로 더 높은 정확도를 가지는 최종적인 전력수요를 선정하는 단계;를 포함하는, CNN을 이용한 전력수요 예측 방법.
제1항에 있어서,
상기 기상요소들의 데이터는, 시간 및 구간 따른 기상 데이터, 생활기상지수 데이터 및 과거 전력수요 데이터 중 적어도 하나의 데이터를 포함하는, CNN을 이용한 전력수요 예측 방법.
제1항에 있어서, 상기 기상요소들의 데이터를 수집하는 단계는,
데이터의 스케일 차이를 줄이기 위해 수집된 기상요소들의 데이터를 정규화하는 단계;를 포함하는, CNN을 이용한 전력수요 예측 방법.
제1항에 있어서, 상기 수집된 데이터의 결측 데이터를 보완하는 단계는,
데이터 패턴의 오버랩 비율을 통해 결측 데이터 유무를 판단하는 단계; 및
결측 데이터의 수가 2개 이하일 경우, 평균 보간법(Mean Interpolation)을 이용하여 결측 데이터를 보완하고, 결측 데이터의 수가 3개 이상일 경우 ARIMA 시계열 예측 모형을 통해 결측 데이터를 보완하는 단계;를 포함하는, CNN을 이용한 전력수요 예측 방법.
제1항에 있어서, 상기 각 구간별로 전력수요 예측에 반영할 예측인자를 선택하는 단계는,
각 구간별로 전력수요 패턴과 예측인자의 패턴을 이미지 처리하여 전력수요 예측에 반영할 인자들을 선택하여 전력수요 예측에 사용하는, CNN을 이용한 전력수요 예측 방법.
제1항에 있어서,
N일 전에 예측한 전력수요 값들을 MAPE 및 RMSE 함수를 통해 오차를 분석하는 단계;를 더 포함하는, CNN을 이용한 전력수요 예측 방법.
제1항에 있어서,
선택된 예측인자의 샘플링 속도를 통합하기 위해 데이터를 분류하고 리샘플링하는 단계;를 더 포함하는, CNN을 이용한 전력수요 예측 방법.
제1항 내지 제7항 중 어느 하나의 항에 따른 상기 CNN을 이용한 전력수요 예측 방법을 수행하기 위한 컴퓨터 프로그램이 기록된 컴퓨터로 판독 가능한 저장 매체.
온라인 공공 데이터인 API로부터 전력수요 예측을 위한 기상요소들의 데이터를 수집하는 데이터 수집부;
수집된 데이터의 결측 데이터를 보완하는 데이터 보완부;
보완된 데이터를 입력으로 하는 합성곱 신경망인 CNN을 통해 예측인자간 상관관계를 분석하여 각 구간별로 전력수요 예측에 반영할 예측인자를 선택하는 예측인자 선택부; 및
CNN-LSTM과 CNN-GRU의 병렬 구조를 통해 각 구간별로 더 높은 정확도를 가지는 최종적인 전력수요를 선정하는 전력수요 예측부;를 포함하는, CNN을 이용한 전력수요 예측 장치.
제9항에 있어서, 상기 데이터 보완부는,
데이터 패턴의 오버랩 비율을 통해 결측 데이터 유무를 판단하고, 결측 데이터의 수가 2개 이하일 경우, 평균 보간법(Mean Interpolation)을 이용하여 결측 데이터를 보완하고, 결측 데이터의 수가 3개 이상일 경우 ARIMA 시계열 예측 모형을 통해 결측 데이터를 보완하는, CNN을 이용한 전력수요 예측 장치.