KR20220148648A - 전력 수요 예측 정확도 향상을 위한 전력 사용량 데이터 예측 장치 및 방법 - Google Patents

전력 수요 예측 정확도 향상을 위한 전력 사용량 데이터 예측 장치 및 방법 Download PDF

Info

Publication number
KR20220148648A
KR20220148648A KR1020210056018A KR20210056018A KR20220148648A KR 20220148648 A KR20220148648 A KR 20220148648A KR 1020210056018 A KR1020210056018 A KR 1020210056018A KR 20210056018 A KR20210056018 A KR 20210056018A KR 20220148648 A KR20220148648 A KR 20220148648A
Authority
KR
South Korea
Prior art keywords
data
power usage
artificial
external variable
prediction
Prior art date
Application number
KR1020210056018A
Other languages
English (en)
Inventor
황인준
문재욱
정승원
박성우
Original Assignee
한국전력공사
고려대학교 산학협력단
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 한국전력공사, 고려대학교 산학협력단 filed Critical 한국전력공사
Priority to KR1020210056018A priority Critical patent/KR20220148648A/ko
Publication of KR20220148648A publication Critical patent/KR20220148648A/ko

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

Abstract

본 발명의 전력 사용량 데이터 예측 장치는, 외부 변수에 대한 실측 데이터 및 과거의 전력 사용량에 대한 실측 데이터를 수집하는 데이터 수집부; 상기 외부 변수에 대한 실측 데이터를 이용하여 상기 외부 변수에 대한 인공 데이터를 생성하는 인공 입력 데이터 생성부; 상기 외부 변수에 대한 인공 데이터를 전력 사용량 예측 모델에 적용하여 상기 인공 데이터에 관련된 전력 사용량에 대한 인공 데이터를 생성하는 인공 출력 데이터 생성부; 상기 외부 변수에 대한 실측 데이터, 상기 전력 사용량에 대한 실측 데이터, 상기 외부 변수에 대한 인공 데이터 및 상기 전력 사용량에 대한 인공 데이터를 통합하고, 그 순서를 섞어주는 데이터 통합부; 및 통합된 데이터를 통해 최종적으로 미래의 전력 사용량을 예측하는 전력 수요 예측부를 포함할 수 있다.

Description

전력 수요 예측 정확도 향상을 위한 전력 사용량 데이터 예측 장치 및 방법{POWER USAGE DATA PREDICTION DEVICE AND METHOD FOR ACCURACY OF POWER DEMAND PREDICTION}
본 발명은 학습을 위한 선행 데이터가 충분치 않은 상태에서 인공 데이터를 추가하는 방식으로 딥러닝 기술을 적용한 전력 수요 예측 정확도를 향상시키고자 하는 전력 사용량 데이터 예측 장치 및 방법에 관한 것이다.
미래의 전력 사용량, 즉, 전력수요 예측(Electric Load Forecasting)은 전력 계통의 효율적 운영을 위해 사전에 필요한 전력을 확보하는 근거이며, 전력 시스템 장비의 신뢰성을 보장하고 능동적인 전력예비율을 유지함으로써 정전 및 과부하로 인한 손실을 대비하기 위해 사용된다.
딥러닝 기법의 발달로, 높은 정확도를 가진 예측 모델을 만들 수 있지만 적은 실측 데이터를 사용하여 모델을 구성하면 정확도를 보장할 수 없다는 단점이 있다. 딥예측 모델을 구성 또는 기 구성된 예측 모델을 학습하는데 필요한 실측 데이터의 부족을 해결하기 위한 방안으로서, 유사한 영역에서 취득된 실측 데이터를 전용하거나, 실측 데이터를 인위적으로 개수를 늘리는 것을 고려할 수 있을 것이다.
그러나, 대비할 수 있는 유사한 영역 자체가 없는 지역이나 분야의 경우에는 실측 데이터의 전용이 불가능하며, 세심한 전략적 고려없이 인위적으로 늘린 실측 데이터는 모델의 학습에 적합하지 않다.
10-2019-0110500
본 발명은 학습을 위한 전력 관련한 선행 실측 데이터가 충분치 않은 상태에서, 부족한 실측 데이터를 기반으로 인공 데이터를 생성하여, 유효한 학습 모델에 적용할 수 있도록 하는 전력 사용량 데이터 예측 장치 및 방법을 제공하고자 한다.
본 발명의 일 측면에 따른 전력 사용량 데이터 예측 장치는, 외부 변수에 대한 실측 데이터 및 과거의 전력 사용량에 대한 실측 데이터를 수집하는 데이터 수집부; 상기 외부 변수에 대한 실측 데이터를 이용하여 상기 외부 변수에 대한 인공 데이터를 생성하는 인공 입력 데이터 생성부; 상기 외부 변수에 대한 인공 데이터를 전력 사용량 예측 모델에 적용하여 상기 인공 데이터에 관련된 전력 사용량에 대한 인공 데이터를 생성하는 인공 출력 데이터 생성부; 상기 외부 변수에 대한 실측 데이터, 상기 전력 사용량에 대한 실측 데이터, 상기 외부 변수에 대한 인공 데이터 및 상기 전력 사용량에 대한 인공 데이터를 통합하고, 그 순서를 섞어주는 데이터 통합부; 및 통합된 데이터를 통해 최종적으로 미래의 전력 사용량을 예측하는 전력 수요 예측부를 포함할 수 있다.
여기서, 상기 외부 변수 데이터를 변수 타입에 따라 구분하여 처리하는 데이터 전처리부를 더 포함할 수 있다.
여기서, 상기 데이터 전처리부는, 상기 데이터 수집부에 의해 수집된 데이터에 대해 최대-최소 스케일링을(min-max scaling)를 수행할 수 있다.
여기서, 상기 인공 입력 데이터 생성부는, CTGAN 신경망 모델을 이용하여 상기 외부 변수에 대한 인공 데이터를 생성할 수 있다.
여기서, 상기 전력 사용량 예측 모델은 회귀 모델일 수 있다.
본 발명의 다른 측면에 따른 전력 사용량 데이터 예측 방법은, 외부 변수에 대한 실측 데이터 및 이에 관련된 전력 사용량에 대한 실측 데이터를 수집하는 단계; 상기 외부 변수에 대한 실측 데이터를 신경망 모델에 적용하여 상기 외부 변수에 대한 인공 데이터를 생성하는 단계; 상기 외부 변수에 대한 실측 데이터 및 상기 전력 사용량에 대한 실측 데이터를 이용하여 전력 사용량 예측 모델을 학습시키는 단계; 상기 외부 변수에 대한 인공 데이터를 학습된 상기 전력 사용량 예측 모델에 적용하여 상기 인공 데이터에 관련된 전력 사용량에 대한 인공 데이터를 생성하는 단계; 및 상기 외부 변수에 대한 실측 데이터, 상기 전력 사용량에 대한 실측 데이터, 상기 외부 변수에 대한 인공 데이터 및 상기 전력 사용량에 대한 인공 데이터를 이용하여 미래 전력 사용량에 대하여 예측하는 단계를 포함할 수 있다.
여기서, 상기 외부 변수에 대한 실측 데이터, 상기 전력 사용량에 대한 실측 데이터, 상기 외부 변수에 대한 인공 데이터 및 상기 전력 사용량에 대한 인공 데이터를 통합하는 단계를 더 포함할 수 있다.
여기서, 상기 외부 변수에 대한 인공 데이터를 생성하는 상기 신경망 모델은, CTGAN 모델일 수 있다.
여기서, 상기 전력 사용량 예측 모델은 회귀 모델일 수 있다.
여기서, 상기 미래 전력 사용량에 대하여 예측하는 단계에서는, 상기 전력 사용량 예측 모델을 이용하여 예측을 수행할 수 있다.
여기서, 수집된 상기 외부 변수 데이터를 변수 타입에 따라 처리하는 방식으로 데이터 전처리를 수행하는 단계를 더 포함할 수 있다.
상술한 구성의 본 발명의 사상에 따른 전력 사용량 데이터 예측 방법 및/또는 장치를 실시하면, 학습을 위한 전력 관련한 선행 실측 데이터가 충분치 않은 상태에서도 부족한 실측 데이터를 기반으로 인공 데이터를 생성하여, 유효한 학습 모델에 적용할 수 있도록 이점이 있다.
본 발명의 사상에 따른 전력 사용량 데이터 예측 방법 및/또는 장치는, GAN 기반의 생성모델과 이 생성모델을 효과적으로 전력 수요 예측에 적용하기 위한 2단계의 시스템을 적용하여 실제 데이터와 비슷한 인공 데이터를 생성하고 이를 실제 데이터와 통합하여 딥러닝 기반의 전력 수요 예측 모델의 성능을 향상시킬 수 있는 이점이 있다.
본 발명의 사상에 따른 전력 사용량 데이터 예측 방법 및/또는 장치는, 실제 사용량에 맞게 적용하여 손실되는 전력을 절감하도록 후속되는 전력 스케줄링을 지원할 수 있는 이점이 있다.
도 1은 본 발명의 사상에 따른 전력 사용량 데이터 예측 장치의 일 실시예를 도시한 블록도.
도 2는 기본적인 GAN 모델의 구조를 나타낸 블록도.
도 3은 CTGAN 모델의 구조를 나타낸 블록도.
도 4는 도 1의 전력 사용량 데이터 예측 장치에서 수행될 수 있는 전력 사용량 데이터 예측 방법의 일 실시예를 도시한 흐름도.
도 5는 전통적인 기법(1-stage)과 제안하는 기법(2-stage)의 예측의 정확도를 비교한 그래프.
도 6은 실제 데이터의 입력 변수와 다양한 생성모델로 생성한 입력 변수들을 다차원 데이터 시각화 기법인 Principal Component Analysis (PCA)를 통해 비교한 그래프들.
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.
도 1은 본 발명의 사상에 따른 전력 사용량 데이터 예측 장치의 일 실시예를 도시한 블록도이다.
도시한 전력 사용량 데이터 예측 장치(100)는, 외부 변수에 대한 실측 데이터(기상 정보) 및 과거의 전력 사용량에 대한 실측 데이터를 수집하는 데이터 수집부(110); 상기 외부 변수에 대한 실측 데이터를 이용하여 상기 외부 변수에 대한 인공 데이터를 생성하는 인공 입력 데이터 생성부(140); 상기 외부 변수에 대한 인공 데이터를 전력 사용량 예측 모델에 적용하여 상기 인공 데이터에 관련된 전력 사용량에 대한 인공 데이터를 생성하는 인공 출력 데이터 생성부(160); 상기 외부 변수에 대한 실측 데이터, 상기 전력 사용량에 대한 실측 데이터, 상기 외부 변수에 대한 인공 데이터 및 상기 전력 사용량에 대한 인공 데이터를 통합하고, 그 순서를 섞어주는 데이터 통합부(180); 및 통합된 데이터를 통해 최종적으로 미래의 전력 사용량을 예측하는 전력 수요 예측부(190)를 포함할 수 있다.
도시한 전력 사용량 데이터 예측 장치(100)는, 상기 외부 변수 데이터를 변수 타입에 따라 구분하여 처리하는 데이터 전처리부(120)를 더 포함할 수 있다.
예컨대, 상기 인공 입력 데이터 생성부(140)는, CTGAN(신경망) 모델을 이용하여 상기 외부 변수에 대한 인공 데이터를 생성할 수 있으며, 상기 인공 출력 데이터 생성부(160)가 이용하는 상기 전력 사용량 예측 모델은, 회귀 모델일 수 있다.
도시한 전력 사용량 데이터 예측 장치(100)는, 컴퓨터 장치로서 데이터를 일시적 또는 장기적으로 저장하기 위한 저장부(150)를 포함할 수 있다.
도시한 바와 같이, 상기 저장부(150)에는 상기 CTGAN(신경망) 모델 및/또는 상기 회귀 모델이 저장될 수 있다.
구현에 따라, 상기 저장부(150)에는 상기 데이터 수집부(110)가 수집된 데이터가 일시적으로 저장되거나, 상기 데이터 전처리부(120)가 전처리한 데이터가 저장되거나, 상기 인공 입력 데이터 및/또는 상기 인공 출력 데이터가 저장되거나, 상기 데이터 통합부(180)에 의해 통합된 데이터가 저장될 수 있다.
상기 전력 수요 예측부(190)도 소정의 예측 모델을 이용하여, 미래의 전력 사용량을 예측하는데, 구현에 따라, 상기 인공 출력 데이터 생성부(160)가 이용하는 상기 전력 사용량 예측 모델과 동일한 모델을 이용하거나, 서로 다른 모델을 이용하거나, 동종이지만 따로 학습되는 별개의 모델을 이용할 수 있다.
상기 데이터 수집부(110)는 날짜, 시간별로 수집된 기온, 전력 사용량에 대한 데이터를 수집하여 데이터 전처리부(120)까지 보내주는 것을 목적으로 한다. 필수 수집 정보는 월, 일, 시간, 요일, 공휴일 여부, 기온, 그에 해당하는 전력 사용량 데이터이며, 수집된 데이터 중 월, 일, 시간, 요일, 공휴일 여부, 기온 등은 예측 모델의 입력 변수로, 전력 사용량 데이터는 출력 변수로 사용될 수 있다. 예컨대, 사용한 데이터 변수의 전체 구성은 표 1과 같은 구성을 따를 수 있다.
Figure pat00001
상기 데이터 전처리부(120)는 데이터 수집부(110)에 의해 수집된 데이터에 대해 최대-최소 스케일링을(min-max scaling)를 수행하여 모델에 사용할 수 있는 형태로 만들어주고, 스케일링된 데이터를 인공 입력 변수 생성부(140)까지 보내주는 것을 목적으로 한다.
도 2는 기본적인 GAN 모델의 구조를 나타낸 블록도이다.
도 3은 CTGAN 모델의 구조를 나타낸 블록도이다.
상기 인공 입력 데이터 생성부(140)는, GAN 기반의 생성모델을 활용할 수 있다. 기본적인 GAN의 모델 구조는 도 2와 같고, 생성기(Generator)와 판별기(Discriminator)가 적대적으로 학습하며 실제 데이터와 비슷한 인공의 데이터를 생성한다. 바람직한 실시예에서는 최신의 GAN 기반의 생성모델인 Conditional Tabular GAN(CTGAN)을 통해 실제 데이터에서 입력 변수로 활용한 외부 변수만을 학습하여 인공의 입력 변수를 생성하는 것을 목적으로 한다. CTGAN의 모델 구조는 도 3과 같고, 기본적인 GAN과의 차이는 빨간색 점선으로 표시한 부분이다.
상기 인공 출력 데이터 생성부(160)는 상기 인공 입력 데이터 생성부(140)에서 생성한 인공의 입력 변수에 대한 출력 변수, 즉 전력 사용량을 생성하는 것을 목적으로 한다. 예컨대, 먼저 딥러닝 기반의 회귀모델을 도입하여 실제 데이터의 입력 변수와 출력 변수를 통해 학습하고, 인공의 입력 변수에 대한 출력 변수를 회귀 모델(154)을 통해 예측할 수 있다.
상기 데이터 통합부(180)는 실제 데이터와 인공의 입 출력 변수로 구성된 인공 데이터를 합하고, 순서를 섞어 통합된 데이터를 구성하여 상기 전력 수요 예측부(190)로 보내주는 것을 목적으로 한다.
예컨대, 상기 전력 수요 예측부(190)는 상기 인공 출력 데이터 생성부(160)에서 사용한 회귀모델과는 다른, 새로운 딥러닝 기반의 회귀 모델이 통합된 데이터를 통해 학습하여 실제 전력수요량을 예측하고 reverse normalization을 통하여 실제 예측 전력 값을 도출해낼 수도 있다.
도 4는 도 1의 전력 사용량 데이터 예측 장치(100)에서 수행될 수 있는 전력 사용량 데이터 예측 방법의 일 실시예를 도시한 흐름도이다.
도시한 전력 사용량 데이터 예측 방법은, 외부 변수에 대한 실측 데이터 및 이에 관련된 전력 사용량에 대한 실측 데이터를 수집하는 단계(S120); 상기 외부 변수에 대한 실측 데이터를 신경망 모델에 적용하여 상기 외부 변수에 대한 인공 데이터를 생성하는 단계(S140); 상기 외부 변수에 대한 실측 데이터 및 상기 전력 사용량에 대한 실측 데이터를 이용하여 전력 사용량 예측 모델을 학습시키는 단계(S150); 상기 외부 변수에 대한 인공 데이터를 학습된 상기 전력 사용량 예측 모델에 적용하여 상기 인공 데이터에 관련된 전력 사용량에 대한 인공 데이터를 생성하는 단계(S160); 및 상기 외부 변수에 대한 실측 데이터, 상기 전력 사용량에 대한 실측 데이터, 상기 외부 변수에 대한 인공 데이터 및 상기 전력 사용량에 대한 인공 데이터를 이용하여 미래 전력 사용량에 대하여 예측하는 단계(S190)를 포함할 수 있다.
도시한 전력 사용량 데이터 예측 방법은, 상기 외부 변수에 대한 실측 데이터, 상기 전력 사용량에 대한 실측 데이터, 상기 외부 변수에 대한 인공 데이터 및 상기 전력 사용량에 대한 인공 데이터를 통합하는 단계(S180)를 더 포함할 수 있다.
구현에 따라, 상기 S140 단계에서의 상기 외부 변수에 대한 인공 데이터를 생성하는 상기 신경망 모델은, CTGAN 모델일 수 있으며, 상기 S160 단계에서의 상기 전력 사용량 예측 모델은 회귀 모델일 수 있다.
구현에 따라, 상기 미래 전력 사용량에 대하여 예측하는 단계(S190)에서는, 상기 S160 단계에서 사용된 전력 사용량 예측 모델, 또는 이와 동종의 예측 모델을 이용하여 예측을 수행하거나, 별개의 예측 모델을 사용하여 예측을 수행할 수 있다. 후자의 경우에도 상기 전력 사용량 예측 모델은 회귀 모델일 수 있다.
도시하지는 않았지만, 상기 S120 단계와 상기 S140 단계 사이에, 상기 S120 단계에서 수집된 상기 외부 변수 데이터를 변수 타입에 따라 처리(구분, 스케일링)하는 방식으로 데이터 전처리를 수행하는 단계를 더 포함할 수 있다.
상기 S120 단계는 도 1의 데이터 수집부(110)에 의해 수행될 수 있으며, 상기 데이터 전처리를 수행하는 단계는 전처리부(120)에 의해 수행될 수 있으며, 상기 S140 단계는 인공 입력 데이터 생성부(140)에 의해, 상기 S160 단계는 인공 출력 데이터 생성부(160)에 의해 수행될 수 있으며, 상기 S180 단계는 데이터 통합부(180)에 의해 수행될 수 있으며, 상기 S190 단계는 전력 수요 예측부(190)에 의해 수행될 수 있다.
도 5는 전통적인 기법(1-stage)과 제안하는 기법(2-stage)의 예측의 정확도를 비교한 것이다.
도 6은 실제 데이터의 입력 변수와 다양한 생성모델로 생성한 입력 변수들을 다차원 데이터 시각화 기법인 Principal Component Analysis (PCA)를 통해 비교한 것이다.
본 발명에서는 일반적으로 입력 변수, 출력 변수를 동시에 생성모델을 통해 생성하는 전통적인 생성기법에 비해 입력과 출력의 상관 관계를 보다 효과적으로 표현하는 2 단계의 데이터 생성 방식을 제안하였다. 도 4는 평일의 전력 사용량을 전통적인 생성 기법을 통해 데이터를 증강하여 예측한 경우와, 제안하는 발명의 생성기법을 적용하였을 때를 비교한 그래프이다.
표 1에 있는 입력 변수뿐만 아니라, 과거 전력 사용량 등 다양한 정보가 추가되어도 동일한 프로세스로 생성 기법을 적용하여 예측의 향상이 가능하다.
본 발명에서는 전력 데이터의 인공 입력 데이터(변수) 생성에 적합한 생성모델을 적용하기 위해 CTGAN을 사용하였다. 도 5의 (a) 내지 (g)는 실제 데이터의 입력 변수와 다양한 각 생성 모델에 대한 것으로, 각 모델로 생성한 입력 변수들을 다차원 데이터 시각화 기법인 Principal Component Analysis(PCA)를 통해 비교한 그래프들이다. 도 6의 (e)의 경우인 CTGAN을 사용하여 인공 입력 데이터(변수)를 생성하면, 도 6의 (a)의 경우인 실 데이터의 경우와 유사한 데이터(변수)들이 얻어짐을 알 수 있다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
100 : 전력 사용량 데이터 예측 장치
110 : 데이터 수집부
120 : 데이터 전처리부
140 : 인공 입력 데이터 생성부
160 : 인공 출력 데이터 생성부
180 : 데이터 통합부
190 : 전력 수요 예측부

Claims (11)

  1. 외부 변수에 대한 실측 데이터 및 과거의 전력 사용량에 대한 실측 데이터를 수집하는 데이터 수집부;
    상기 외부 변수에 대한 실측 데이터를 이용하여 상기 외부 변수에 대한 인공 데이터를 생성하는 인공 입력 데이터 생성부;
    상기 외부 변수에 대한 인공 데이터를 전력 사용량 예측 모델에 적용하여 상기 인공 데이터에 관련된 전력 사용량에 대한 인공 데이터를 생성하는 인공 출력 데이터 생성부;
    상기 외부 변수에 대한 실측 데이터, 상기 전력 사용량에 대한 실측 데이터, 상기 외부 변수에 대한 인공 데이터 및 상기 전력 사용량에 대한 인공 데이터를 통합하고, 그 순서를 섞어주는 데이터 통합부; 및
    통합된 데이터를 통해 최종적으로 미래의 전력 사용량을 예측하는 전력 수요 예측부
    를 포함하는 전력 사용량 데이터 예측 장치.
  2. 제1항에 있어서,
    상기 외부 변수 데이터를 변수 타입에 따라 구분하여 처리하는 데이터 전처리부
    를 더 포함하는 전력 사용량 데이터 예측 장치.
  3. 제2항에 있어서,
    상기 데이터 전처리부는, 상기 데이터 수집부에 의해 수집된 데이터에 대해 최대-최소 스케일링을(min-max scaling)를 수행하는 전력 사용량 데이터 예측 장치.
  4. 제1항에 있어서,
    상기 인공 입력 데이터 생성부는,
    CTGAN 신경망 모델을 이용하여 상기 외부 변수에 대한 인공 데이터를 생성하는 전력 사용량 데이터 예측 장치.
  5. 제1항에 있어서,
    상기 전력 사용량 예측 모델은,
    회귀 모델인 전력 사용량 데이터 예측 장치.
  6. 외부 변수에 대한 실측 데이터 및 이에 관련된 전력 사용량에 대한 실측 데이터를 수집하는 단계;
    상기 외부 변수에 대한 실측 데이터를 신경망 모델에 적용하여 상기 외부 변수에 대한 인공 데이터를 생성하는 단계;
    상기 외부 변수에 대한 실측 데이터 및 상기 전력 사용량에 대한 실측 데이터를 이용하여 전력 사용량 예측 모델을 학습시키는 단계;
    상기 외부 변수에 대한 인공 데이터를 학습된 상기 전력 사용량 예측 모델에 적용하여 상기 인공 데이터에 관련된 전력 사용량에 대한 인공 데이터를 생성하는 단계; 및
    상기 외부 변수에 대한 실측 데이터, 상기 전력 사용량에 대한 실측 데이터, 상기 외부 변수에 대한 인공 데이터 및 상기 전력 사용량에 대한 인공 데이터를 이용하여 미래 전력 사용량에 대하여 예측하는 단계
    를 포함하는 전력 사용량 데이터 예측 방법.
  7. 제6항에 있어서,
    상기 외부 변수에 대한 실측 데이터, 상기 전력 사용량에 대한 실측 데이터, 상기 외부 변수에 대한 인공 데이터 및 상기 전력 사용량에 대한 인공 데이터를 통합하는 단계
    를 더 포함하는 전력 사용량 데이터 예측 방법.
  8. 제6항에 있어서,
    상기 외부 변수에 대한 인공 데이터를 생성하는 상기 신경망 모델은, CTGAN 모델인 전력 사용량 데이터 예측 방법.
  9. 제6항에 있어서,
    상기 전력 사용량 예측 모델은 회귀 모델인 전력 사용량 데이터 예측 방법.
  10. 제7항에 있어서,
    상기 미래 전력 사용량에 대하여 예측하는 단계에서는,
    상기 전력 사용량 예측 모델을 이용하여 예측을 수행하는 전력 사용량 데이터 예측 방법.
  11. 제6항에 있어서,
    수집된 상기 외부 변수 데이터를 변수 타입에 따라 처리하는 방식으로 데이터 전처리를 수행하는 단계
    를 더 포함하는 전력 사용량 데이터 예측 방법.
KR1020210056018A 2021-04-29 2021-04-29 전력 수요 예측 정확도 향상을 위한 전력 사용량 데이터 예측 장치 및 방법 KR20220148648A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210056018A KR20220148648A (ko) 2021-04-29 2021-04-29 전력 수요 예측 정확도 향상을 위한 전력 사용량 데이터 예측 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210056018A KR20220148648A (ko) 2021-04-29 2021-04-29 전력 수요 예측 정확도 향상을 위한 전력 사용량 데이터 예측 장치 및 방법

Publications (1)

Publication Number Publication Date
KR20220148648A true KR20220148648A (ko) 2022-11-07

Family

ID=84043308

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210056018A KR20220148648A (ko) 2021-04-29 2021-04-29 전력 수요 예측 정확도 향상을 위한 전력 사용량 데이터 예측 장치 및 방법

Country Status (1)

Country Link
KR (1) KR20220148648A (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190110500A (ko) 2019-08-08 2019-09-30 엘지전자 주식회사 인공지능 서버

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190110500A (ko) 2019-08-08 2019-09-30 엘지전자 주식회사 인공지능 서버

Similar Documents

Publication Publication Date Title
Wang et al. Stock market trend prediction using ARIMA-based neural networks
Li et al. A sparse linear model and significance test for individual consumption prediction
CN109743356B (zh) 工业互联网数据采集方法及装置、可读存储介质和终端
CN110796366A (zh) 质差小区识别方法和装置
CN116865261B (zh) 基于孪生网络的电力负荷预测方法及系统
Mohamed et al. Data reduction in a cloud-based AMI framework with service-replication
Molavipour et al. Neural estimators for conditional mutual information using nearest neighbors sampling
Li et al. Load profile inpainting for missing load data restoration and baseline estimation
KR20220148648A (ko) 전력 수요 예측 정확도 향상을 위한 전력 사용량 데이터 예측 장치 및 방법
CN115883424B (zh) 一种高速骨干网间流量数据预测方法及系统
Dheeraj et al. Detecting deepfakes using deep learning
KR20200068070A (ko) 디노이징 오토인코더와 ｒｎｎ에 기반한 ｎｉｌｍ을 이용하여 총 에너지 소비 데이터로부터 가전 기기를 분류하는 시스템 및 방법
KR102593144B1 (ko) 이상 탐지 및 복원 기반의 전력 수요량 예측 장치 및 방법
Burago et al. Bandwidth-aware data filtering in edge-assisted wireless sensor systems
KR102081912B1 (ko) 딥러닝 기반 마스크 추정 방법을 이용한 건물 부하 식별 시스템의 동작 방법
CN113360542A (zh) 大气颗粒物的来源分析方法和相关设备
Petrichenko et al. Short-term forecasting of district heating demand
US7200580B1 (en) System and method for run-time data reduction
CN118069331B (en) Intelligent acquisition task scheduling method and device based on digital twinning
Velásquez et al. A Novel Architecture Definition for AI-Driven Industry 4.0 Applications
Fauß et al. On Optimal Quantization in Sequential Detection
Mahvari et al. Scalable vector gaussian information bottleneck
CN117993894B (zh) 基于人工智能的轨道交通运维状态数据处理方法及系统
Saleh et al. A hybrid artificial-based model for accurate short term electric load prediction
Bundzel et al. Experimental analysis of the prediction model based on string invariants

Legal Events

Date Code Title Description
A201 Request for examination