KR20230170314A

KR20230170314A - 다단계 시계열 클러스터링에 기반한 시퀀스-투-시퀀스 lstm 학습을 활용한 전력 부하 예측 시스템 및 그 방법

Info

Publication number: KR20230170314A
Application number: KR1020220070669A
Authority: KR
Inventors: 최용훈; 마수드 자키; 임솔
Original assignee: 전남대학교산학협력단
Priority date: 2022-06-10
Filing date: 2022-06-10
Publication date: 2023-12-19

Abstract

다단계 시계열 클러스터링에 기반한 시퀀스-투-시퀀스 LSTM 학습을 활용한 전력 부하 예측 시스템 및 그 방법이 개시된다. 본 개시의 전력 부하 예측 시스템 및 그 방법은, 단일 가구의 전력 부하 데이터를 수집하도록 구성된 데이터 수집부; 상기 단일 가구의 전력 부하 데이터를 다단계 시계열 데이터 세트로 전처리하는 데이터 전처리부; 및 상기 전처리가 수행된 사용자의 전력 소비 데이터에 기초하여 전력 부하 예측 모델을 트레이닝하는 트레이닝부;를 포함하고, 상기 전력 부하 예측 모델은, sequence-to-sequence LSTM(Long short-term memory) 모델을 포함하여 제공될 수 있다.

Description

다단계 시계열 클러스터링에 기반한 시퀀스-투-시퀀스 LSTM 학습을 활용한 전력 부하 예측 시스템 및 그 방법{ELECTRICITY LOAD PREDICTION SYSTEM AND METHOD USING SEQUENCE-TO-SEQUENCE LSTM LEARNING BASED ON MULTI-STEP-SERIES CLUSTERING}

본 발명은 전력 부하 예측 시스템에 관한 것으로, 보다 상세하게는 다단계 시계열 클러스터링에 기반한 시퀀스-투-시퀀스 LSTM 학습을 활용한 전력 부하 예측 시스템 및 그 방법에 관한 것이다.

최근 몇 년 동안, 친환경적이고 에너지 효율적인 스마트 시티를 구축하기 위한 스마트 그리드 기술에 대한 관심이 증가하고 있는 추세이다. 스마트 그리드(smart grid) 기술 분야는 기존의 발전 및 재생 가능 자원의 방식을 유틸리티와 소비자 간의 분산 에너지로 전환하고 있다.

스마트 그리드(smart grid, SG)는 전기 그리드를 발전, 전송 및 분배의 지능형 네트워크로 지칭될 수 있다. SG 네트워크에서, 수요와 함께 소비와 생산을 지속하면서 재생 가능한 자원을 사용하여 에너지를 생산하는 것이 소비자에게 주는 이점 중 하나일 수 있다.

SG 기술은 데이터 처리 및 제어 시스템을 포함하는 양방향 통신을 통해 가능할 수 있다. 근접 네트워크 근처에 배치된 스마트 미터는 소비자를 그리드와 연결하고 양방향 검침 인프라(advanced metering infrastructure, AMI)를 사용하여 데이터를 전송할 수 있다.

AMI 데이터는 배포 네트워크를 분석하고 소비자에게 양방향 통신을 제공할 수 있고, 이는 가격 정보 및 수요 응답(demand response, DR)을 통합할 수 있다.

일반적으로 스마트 미터는, 15분마다 에너지 정보 사용량을 전송할 수 있으므로, 백만개의 스마트 미터들은, 하루에 9,600만 개의 읽기를 생성할 수 있다.

한편, 머신 러닝의 한계로 인해, 수많은 형식과 수동 기능 추출의 대체를 가진 대규모 데이터 세트에서 복잡한 상관관계를 나타내는 딥 러닝(DL) 모델이 많이 사용되는 추세에 있다.

대한민국 등록특허공보 제10-1875329호(2018년 06월 29일, 등록)

본 발명은 다단계 시계열 클러스터링(multi-step-series clustering)에 기반한 시퀀스-투-시퀀스(sequence-to-sequence, Seq2Seq) LSTM 학습법을 통해 가구의 전력 부하를 예측하기 위한 시계열 클러스터링 프레임워크(time-series clustering)을 제공하는데 그 목적이 있다.

본 발명은 전력 부하 예측을 위해 딥 러닝 기반의 다단계 시계열 SEQ2SEQ LSTM 프레임 워크를 제공할 수 있다.

본 발명은 Seq2Seq LSTM과 클러스터링을 결합하여 수요 반응(DR) 예측 프로그램의 효율성을 개선하고 단일 가구에 대한 다단계 룩백 분석을 제공할 수 있다.

본 발명은 단일 가구에 대한 전력 부하를 다단계 시계열 전력 부하 클러스터링 및 예측을 예측할 수 있다.

본 개시가 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

상술한 기술적 과제를 해결하기 위한 본 개시의 일 측면에 따른, 전력 부하 시스템은, 단일 가구의 전력 부하 데이터를 수집하도록 구성된 데이터 수집부; 상기 단일 가구의 전력 부하 데이터를 다단계 시계열 데이터 세트로 전처리하는 데이터 전처리부; 및 상기 전처리가 수행된 사용자의 전력 소비 데이터에 기초하여 전력 부하 예측 모델을 트레이닝하는 트레이닝부;를 포함하고, 상기 전력 부하 예측 모델은, sequence-to-sequence LSTM(Long short-term memory) 모델일 수 있다.

또한, 상기 트레이닝된 전력 부하 예측 모델을 이용하여 상기 단일 가구의 전력 부하에 대한 예측 값을 획득하는 예측부;를 더 포함할 수 있다.

또한, 상기 전력 부하 예측 모델은, 상기 데이터 전처리부로부터 상기 다단계 시계열 데이터 세트가 입력 시퀀스로 입력되는 인코더; 및 상기 인코더로부터 형성된 인코더 벡터가 입력되고, 상기 인코더 벡터를 통해 형성한 출력 시퀀스를 출력하도록 구성된 디코더;를 포함할 수 있다.

또한, 상기 입력 시간 시퀀스의 길이는, 상기 출력 시간 시퀀스의 길이와 다를 수 있다.

또한, 상기 인코더는, 복수 개로 마련되고, 상기 복수 개의 인코더는 각각, 상기 데이터 전처리로부터 서로 다른 크기의 시계열 데이터가 입력 시퀀스로 입력되도록 구성될 수 있다.

또한, 상기 복수 개의 인코더는, 작은 단위의 시계열 데이터가 상기 입력 시퀀스로 입력된 인코더로부터 형성된 상기 인코더 벡터가 상기 작은 단위보다 한 단계 큰 단위의 시계열 데이터가 상기 입력 시퀀스로 입력된 인코더로 전달되고, 상기 복수 개의 인코더 중 가장 큰 단위의 시계열 데이터가 상기 입력 시퀀스로 입력된 인코더로부터 형성된 상기 인코더 백터가 상기 디코더로 전달되도록 구성될 수 있다.

또한, 상기 디코더는, 복수 개로 마련되고, 상기 복수 개의 디코더는, 각각 서로 다른 크기의 시계열 단위의 상기 출력 시퀀스를 형성하여 출력하도록 구성될 수 있다.

또한, 상기 복수 개의 인코더 중 가장 큰 단위의 시계열 데이터가 상기 입력 시퀀스로 입력된 인코더로부터 형성된 상기 인코더 백터는, 상기 복수 개의 디코더 중 가장 작은 크기의 시계열 단위의 상기 출력 시퀀스를 형성하여 출력하는 디코더로 전달될 수 있다.

또한, 상기 데이터 수집부는, AMI(advanced metering infrastructure)를 통해 상기 단일 가구의 전력 부하 데이터를 수집하도록 구성될 수 있다.

상술한 기술적 과제를 해결하기 위한 본 개시의 다른 측면에 따른, 전력 부하 예측 방법은, 단일 가구의 전력 부하 데이터를 수집하는 단계; 상기 단일 가구의 전력 부하 데이터를 다단계 시계열 데이터 세트로 전처리하는 단계; 및 상기 전처리가 수행된 사용자의 전력 소비 데이터에 기초하여 전력 부하 예측 모델을 트레이닝하는 단계;를 포함하고, 상기 전력 부하 예측 모델은, sequence-to-sequence LSTM(Long short-term memory) 모델일 수 있다.

또한, 상기 단일 가구의 전력 부하 데이터는, AMI(advanced metering infrastructure)를 통해 상기 단일 가구의 전력 부하 데이터를 수집될 수 있다.

본 발명은 Seq2Seq LSTM과 클러스터링을 결합하여 수요 반응(DR) 예측 프로그램의 효율성을 개선하고 단일 가구에 대한 다단계 룩백 분석을 제공할 수 있는 효과를 제공한다.

본 발명은 단일 가구에 대한 전력 부하를 다단계 시계열 전력 부하 클러스터링 및 예측하는 효과를 제공한다.

본 개시의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

도 1은 본 발명의 실시예에 따른, 단일 가구의 전력 부하를 예측하기 위한 딥 러닝 기반의 시스템 모델을 개략적으로 나타낸 도면이다.
도 2는 복수의 가구들의 122일 간의 에너지 소비 패턴을 설명하기 위한 도면이다.
도 3은 클러스터링이 수행되지 않은 시계열 일별 전력 프로파일에 관한 그래프를 나타낸 도면이다.
도 4는 단일 가구의 다단계 시계열 전력 부하 패턴을 나타낸 그래프이다.
도 5는 본 발명의 시계열 전력 부하를 예측하기 위한 시퀀스-투-시퀀스 LSTM 네트워크를 설명하기 위한 도면이다.
도 6은 K-means 클러스터링의 시계열 데이터 포인트 결과를 나타낸 도면이다.
도 7은 60개의 타임 스텝을 가진 다른 학습 모델을 사용하여 제안된 모델의 성능을 평가한 그래프이다.
도 8은 복 발명의 시스템 모델의 훈련과 검증을 위한 손실 함수의 수렴을 나타내는 그래프이다.
도 9는 60 단계의 룩백 기간에 대해 훈련, 검증 및 예측 곡선을 나타낸 도면이다.

본 개시 전체에 걸쳐 동일 참조 부호는 동일 구성요소를 지칭한다. 본 개시가 실시예들의 모든 요소들을 설명하는 것은 아니며, 본 개시가 속하는 기술분야에서 일반적인 내용 또는 실시예들 간에 중복되는 내용은 생략한다. 명세서에서 사용되는 '부, 모듈, 부재, 블록'이라는 용어는 소프트웨어 또는 하드웨어로 구현될 수 있으며, 실시예들에 따라 복수의 '부, 모듈, 부재, 블록'이 하나의 구성요소로 구현되거나, 하나의 '부, 모듈, 부재, 블록'이 복수의 구성요소들을 포함하는 것도 가능하다.

명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 직접적으로 연결되어 있는 경우 뿐 아니라, 간접적으로 연결되어 있는 경우를 포함하고, 간접적인 연결은 무선 통신망을 통해 연결되는 것을 포함한다.

또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.

명세서 전체에서, 어떤 부재가 다른 부재 "상에" 위치하고 있다고 할 때, 이는 어떤 부재가 다른 부재에 접해 있는 경우뿐 아니라 두 부재 사이에 또 다른 부재가 존재하는 경우도 포함한다.

제 1, 제 2 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하기 위해 사용되는 것으로, 구성요소가 전술된 용어들에 의해 제한되는 것은 아니다.

단수의 표현은 문맥상 명백하게 예외가 있지 않는 한, 복수의 표현을 포함한다.

각 단계들에 있어 식별부호는 설명의 편의를 위하여 사용되는 것으로 식별부호는 각 단계들의 순서를 설명하는 것이 아니며, 각 단계들은 문맥상 명백하게 특정 순서를 기재하지 않는 이상 명기된 순서와 다르게 실시될 수 있다.

이하 첨부된 도면들을 참고하여 본 개시의 작용 원리 및 실시예들에 대해 설명한다.

본 명세서에서 '본 개시에 따른 전력 전송 할당 시스템 및 그 방법'는 연산처리를 수행하여 사용자에게 결과를 제공할 수 있는 다양한 장치들이 모두 포함된다. 예를 들어, 본 개시에 따른 전력 전송 할당 시스템 및 그 방법는, 컴퓨터, 서버 장치 및 휴대용 단말기를 모두 포함하거나, 또는 어느 하나의 형태가 될 수 있다.

여기에서, 상기 컴퓨터는 예를 들어, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(desktop), 랩톱(laptop), 태블릿 PC, 슬레이트 PC 등을 포함할 수 있다.

상기 서버 장치는 외부 장치와 통신을 수행하여 정보를 처리하는 서버로써, 애플리케이션 서버, 컴퓨팅 서버, 데이터베이스 서버, 파일 서버, 게임 서버, 메일 서버, 프록시 서버 및 웹 서버 등을 포함할 수 있다.

상기 휴대용 단말기는 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, PCS(Personal Communication System), GSM(Global System for Mobile communications), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), WiBro(Wireless Broadband Internet) 단말, 스마트 폰(Smart Phone) 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치와 시계, 반지, 팔찌, 발찌, 목걸이, 안경, 콘택트 렌즈, 또는 머리 착용형 장치(head-mounted-device(HMD) 등과 같은 웨어러블 장치를 포함할 수 있다.

제어부는 본 장치 내의 구성요소들의 동작을 제어하기 위한 알고리즘 또는 알고리즘을 재현한 프로그램에 대한 데이터를 저장하는 메모리, 및 메모리에 저장된 데이터를 이용하여 전술한 동작을 수행하는 적어도 하나의 프로세서(미도시)로 구현될 수 있다. 이때, 메모리와 프로세서는 각각 별개의 칩으로 구현될 수 있다. 또는, 메모리와 프로세서는 단일 칩으로 구현될 수도 있다.

또한, 제어부는 이하에서 설명되는 본 개시에 따른 다양한 실시 예들을 본 장치 상에서 구현하기 위하여, 위에서 살펴본 구성요소들을 중 어느 하나 또는 복수를 조합하여 제어할 수 있다.

한편, 개시된 실시예들은 컴퓨터에 의해 실행 가능한 명령어를 저장하는 기록매체의 형태로 구현될 수 있다. 명령어는 프로그램 코드의 형태로 저장될 수 있으며, 프로세서에 의해 실행되었을 때, 프로그램 모듈을 생성하여 개시된 실시예들의 동작을 수행할 수 있다. 기록매체는 컴퓨터로 읽을 수 있는 기록매체로 구현될 수 있다.

컴퓨터가 읽을 수 있는 기록매체로는 컴퓨터에 의하여 해독될 수 있는 명령어가 저장된 모든 종류의 기록 매체를 포함한다. 예를 들어, ROM(Read Only Memory), RAM(Random Access Memory), 자기 테이프, 자기 디스크, 플래쉬 메모리, 광 데이터 저장장치 등이 있을 수 있다.

스마트 그리드(Smart grid)에 대한 딥 러닝 접근법은, 에너지 사업을 신뢰할 수 있고 지속 가능한 에너지 네트워크의 현대 시대로 전환할 가능성을 설명한다.

본 발명은 다단계 시계열 클러스터링(multi-step-series clustering)에 기반한 시퀀스-투-시퀀스(sequence-to-sequence, Seq2Seq) LSTM 학습법을 통해 가구의 전력 부하를 예측하기 위한 시계열 클러스터링 프레임워크(time-series clustering)을 제공할 수 있다.

특히, 본 발명은 클러스터링 기반의 Seq2Seq LSTM 전력 부하 예측 모델을 사용하여 전력 부하 예측 문제를 수행합니다. 상기 모델에 입력된 정보에는 개별 가전 제품과 집계된 가구의 과거 데이터가 있을 수 있다.

원본 데이터 세트는 사전 처리되어 훈련 시간을 줄이고 에너지 예측을 위한 수렴을 보장하는 다단계 시계열 학습 모델로 전달될 수 있다.

또한, 시뮬레이션 결과는 클러스터 데이터를 검증하고 테스트하여 제안된 모델의 정확도 성능을 보여주며, 이는 제안된 예측 모델의 유망한 잠재력을 보여준다.

또한, SG 네트워크에서, AMI 및 광역 모니터링 시스템(wide-area monitoring system, WAMS)의 확장은 방대한 데이터를 필요로 하기 때문에, 딥 러닝 모델의 채택을 증가시키고 있다.

또한, 딥 러닝(DL) 기반 에너지 예측 모델은 단기 부하 예측(short-term load forecasting, STLF)에 대한 개별 소비(사용)행태 간의 상관 관계를 학습하기 위해 제안될 수 있다.

Specifically, the most commonly used DL techniques to address STLF problem include recurrent neural network (RNN), long short-term memory (LSTM), gated recurrent unit (GRU), convolutional neural network (CNN), reinforcement learning, autoencoders(AEs), and restricted Boltzmann machines (RBM).

특히, 단기 부하 예측(STLF) 문제를 해결하기 위해 가장 일반적으로 사용되는 딥 러닝(DL) 기법에는 recurrent neural network(RNN), long short-term memory(LSTM), gated recurrent unit(GRU), convolutional neural network(CNN), reinforcement learning, autoencoders(AEs), and restricted Boltzmann machines (RBM)이 포함될 수 있다.

예를 들어, 단기 부하 예측을 위해 deep neural networks(DNN) architectures, deep feed neural network(FNN) and deep-RNN의 딥 러닝 모델이 제안되고 있다.

RNN은 네트워크의 출력이 입력으로 피드백되는 시계열 데이터에 적합하다.

RNN의 주요 단점으로는 그라디언트 문제(gradient problem)가 사라지고 폭발할 가능성이 있다는 것이다. SG 애플리케이션의 경우, 이 문제는 LSTM 및 GRU 인 메모리 게이트 구조(memory gated structure)로 극복될 수 있다.

최근 전력 데이터의 특정 측정에 대해 확립된 전력 사용 패턴을 파악하기 위해 부하 클러스터링 및 다단계 부하 예측 기술이 제안된다.

전기 부하 클러스터링은 수요 측 응답(DSR)을 통해 지속 가능한 SG 에너지 네트워크를 위한 전력 소비 패턴을 결정할 수 있다.

최적의 딥 러닝(DL) 모델은 제한으로 인해 더 정확한 예측을 수행하고 얕은 구조를 갖는 모델로부터 도출되는 결과보다 나은 결과를 제공한다.

예를 들어, 에너지 소비 예측 문제에 대해, LSTM-RNN 기반 일 변량 모델이 제안되었으며, 이 모델은 최대 몇 주까지의 단기 및 중기 시간 범위를 예측한다.

한편, 단기 및 장기 주택 전력 예측을 위해 CNN과 LSTM을 결합한 하이브리드 다변량 모델이 제안된다.

최근 많은 연구에서 가정용 에너지 관리 시스템(home energy management systems, HEMS)과 배터리 에너지 관리 시스템(battery energy management systems, BEMS)이 총 부하에서 개별 가정 부하에 대한 데이터 세분화에 대한 연구가 지속되고 있다.

개별 가구 부하의 기존 스마트 미터 기반 모델(smart meter-based model, SMBM)을 능가하는 새로운 클러스터링, 분류 및 예측(clustering, classification, and forecasting, CCF) 방법이 제안되고 있다.

전기 부하 클러스터링에 대한 연구 활동은 지속적으로 증가하는 추세에 있으며, 빅 데이터에 대한 딥 러닝(DL) 기반 기술은 최근 SG 네트워크에 대한 예측 기술을 입증하고 있다.

그러나 여전히 개별 가구의 전력 사용 예측 문제는 여전히 개선이 필요한 상태에 있다.

본 발명에서 사용되는 데이터 세트(ENERTALK)는, 샘플링 속도가 15Hz인 22 가구의 전기 부하 소비에 관한 데이터 세트일 수 있다. 상기 데이터 세트(ENERTALK)는, 전기 부하에 대한 한국의 공개 데이터일 수 있고, 이는 샘플링 속도가 15Hz인 22가구의 전력 소비에 대한 데이터를 포함할 수 있다.

이하, 딥 러닝 기반의 Seq2Seq LSTM 시스템 모델에 대해 설명하고, 부하 클러스터링을 분석하고 다단계 시계열 예측에 대한 모델을 제안한다. 이에 대한 시뮬레이션 결과 및 결론은 후술하도록 한다.

1. 시스템 모델(System Model)

전력 부하 예측은 가정의 서로 다른 에너지 패턴과 부하 특성으로 인해 어려운 작업일 수 있다. 그럼에도 불구하고, 이는 전력 제공 회사의 운영 비용을 개선하고 고객에 대한 전기 공급과 수요를 추정할 수 있게 한다.

도 1은 본 발명의 실시예에 따른, 단일 가구의 전력 부하를 예측하기 위한 딥 러닝 기반의 시스템 모델을 개략적으로 나타낸 도면이다. 상기 시스템 모델은, 본 발명의 전력 부하 예측 시스템일 수 있고, 상기 전력 부하 예측 시스템을 통해 전력 부하 예측 방법이 수행될 수 있다.

도 1은 본 발명에서 제안된 다단계 시계열 전력 클러스터링 및 부하 예측 시스템 모델의 프레임 워크를 나타낸다. 시계열 데이터에서, 단일 가구의 집계된 전력 부하 및 다운 샘플링의 전처리된 상태에서, 전기 부하 예측 전에 각 다단계 클러스터 데이는 다단계 시계열 SEQ2SEQ LSTM 학습 모델로 제공될 수 있다.

상기 시스템 모델에서, 데이터 세트는 전술한 ENERTALK의 데이터 세트의 가구 01의 2.1M 샘플을 사용할 수 있다.

시스템 모델에서는 ENERTALK 데이터 세트의 2.1M 가정용 01 샘플을 사용합니다.

우선, 첫 번째 단계에서는 노이즈, 복제 및 불균형(noise, duplicates, and imbalances)과 같은 불완전한 데이터가 클렌징 및 정규화에 의해 처리될 수 있다.

구체적으로, 이후 클러스터링 및 예측 단계에 대한 의미를 갖는 정보를 추출하여 데이터 입력 크기가 줄어들 수 있다.

다음으로, 전기 하중 클러스터링은 가구 데이터에 적합한 클러스터링 알고리즘을 채택하는 데 필수적이며, 여기서 N은 총 클러스터 수를 나타낼 수 있다.

따라서, 각 클러스터는 더 나은 부하 분산(부하 분배) 및 에너지 전달 스케쥴링을 위해 최종 단계에서 Seq2Seq LSTM(sequence-to-sequence LSTM)에 의해 훈련될 수 있다.

데이터 전처리(Data Preprocessing)

데이터 전처리는 딥 러닝(DL)을 위한 필수 요소이고, 이는 딥 러닝(DL) 모델의 학습 능력에 영향을 미칠 수 있다. 한편, 전술한 데이터 세트는, 2016년 9월 1일부터 2017년 4월 30일까지 22 가구의 전기 소비가 포함될 수 있다.

도 2는 복수의 가구들의 122일 간의 에너지 소비 패턴을 설명하기 위한 도면이다. 예를 들어, 도 2는 가구 1 내지 가구 3의 122일 간의 에너지 소비 패턴을 설명하고, 각 가전 제품들은 특정 주기 패턴에서 서로 다른 패턴으로 차별화되는 상태가 도시된다.

냉장고, 밥솥, 세탁기, 정수기 및 텔레비전과 같은 가전 제품에 대해 기록된 유효 전력과 지역적 특성을 고려할 때, 김치냉장고는 한국에서 일반적으로 사용되고 있으며, 또한 세계 에너지 소비에 영향을 미치는 요소일 수 있다.

사용 가능한 데이터 세트는 길이가 크며, 원래 15Hz에서 샘플링되었다. 이에 따라, 매분마다 122일의 가구의 전력 부하를 다단계 시계열 가구 소비 부하 프로파일로 다운 샘플링되었다.

결과적으로, 전력 소비 동작의 다운 샘플링 패턴은, 도 3에서 122일 동안 모든 가전 제품의 총 가정용 전력 부하에 대해 관찰될 수 있다.

도 3은 클러스터링이 수행되지 않은 시계열 일별 전력 프로파일에 관한 그래프를 나타낸 도면이다.

본 발명은, 클러스터링 및 예측 단계에 적용하기 전에 SG 데이터 세트에 상당한 주의를 기울였다.

먼저, 귀무 가설(null hypothesis)이 테스트되었으며, 이는 샘플이 정규 분포에서 비롯된 것을 확인합니다.

분포 및 정규성 테스트의 경우 s 및 k는 각각 데이터 집합에 대한 치우침(skew) 및 첨도(kurtosis)를 나타냅니다.

s와 k는 모두 0보다 큰 값을 가지고 있으며, 이는 통계적 분포가 적당히 치우쳐 있음을 보여준다.

전기 부하 데이터는 122 일의 각 기기마다 다르며, 이는 과적합된 모델(overfitting model)을 형성할 수 있다.

이 통계적 과적합(overfitting) 오류는 사용 가능한 데이터를 분할하여 최소화할 수 있다. 제안된 시스템 모델은 전력 부하 데이터를 병렬 훈련 및 테스트 데이터로 분할하는 다단계 시계열 클러스터링을 채택하여 이 문제를 해결할 수 있다.

2. 제안된 프레임 워크(Proposed Framework)

2.1. 다단계 시계열 전력 부하 클러스터링(Multi-Step Time-Series Electric Load Clustering)

클러스터링은 부하 곡선의 패턴을 찾는 것을 목표로 하며, 전력 부하 수요의 변화, 특히 원래 데이터 값의 샘플 곡선 그룹 및 그 파생물을 결정하는 것을 목표로 한다.

본 발명은 가장 가까운 중심 값을 기반으로 중심 및 샘플 곡선 그룹을 찾는 k-means 알고리즘을 사용하였다.

도 4는 단일 가구의 다단계 시계열 전력 부하 패턴을 나타낸 그래프이다.

도 4는 유클리드 거리(Euclidean distances)의 합을 줄이기 위해 반복적으로 얻어지는 클러스터 중심과 관련 그룹 샘플을 도시한다. 또한, 실루엣 스코어(Silhouette score)를 사용하여 다단계 시계열 클러스터링 알고리즘에 대한 장점을 평가한다.

실루엣 스코어는, 클러스터 내 각 샘플에 대한 클러스터 간 거리를 평가하고, 또한 모든 클러스터들 사이에서 클러스터 내 거리를 평가한다.

최적의 실루엣 점수를 갖는 K-means 알고리듬은 4개의 서로 다른 클러스터 그룹을 가지고 있음이 확인되었다.

도 4에서 클러스터 그룹 1과 4는 122 일 동안 소비가 낮을 때 시간당 부하 곡선을 보여준다. 빨간색 하중 곡선은 피크가 높고 이후 나머지 시간에는 안정적인 하중 곡선을 유지합니다.

이 예측은, 직원들이 주로 집에 머무는 상황에서 주목될만하고, 이는 주말과 특별 휴가도 포함될 수 있다. 클러스터 그룹 3은 피크가 높지만 클러스터 그룹 2에 비해 상승폭이 일정하지 않은 경우가 대부분이며, 이는 기업 및 학교에 대한 적합 부하 곡선으로 관찰된다.

2.2. 다중 부하 프로파일 예측(Forecast Multiload Profiles)

기본 RNN 모델은 일련의 데이터에 적합하며, 클러스터의 중요한 정보가 수정되거나 무시될 경우 모델의 정확도가 저하될 수 있다. 또한, 역 전파 중 유도는 그라디언트가 사라지는 문제를 일으킬 수 있다.

따라서, 이와 같은 문제를 극복하기 위해, 본 발명의 예측 모델은, LSTM의 구조(또는 아키텍쳐) 중 하나를 선택한다.

LSTM은 인위적인 RNN 체인 구조를 가지고 있는 것으로 알려져 있으며, LSTM 모델의 기본 아키텍처는 입력 게이트(input gate), 출력 게이트(output gate) 및 포겟 게이트(forget gate)로 구성됩니다.

이러한 게이트의 기능은 LSTM 네트워크를 통해 정보를 조절dlrh, 최근 연구에 따르면 LSTM 인코더 및 디코더 아키텍처는 언어 번역에 일반적으로 사용되는 것으로 나타나며, 여기서 한 도메인에서 다른 도메인으로 시퀀스를 처리할 수 있다.

또한, 인코더-디코더 아키텍처는 조건부 자가 회귀 모델(conditional autoregressive models)이며, 한 도메인에서 다른 도메인으로의 시퀀스를 생성할 수 있고, 본 발명은 SEQ2SEQ(sequence-to-sequence) 모델을 사용하여 다단계 시계열 문제를 예측하기 위해 일련의 데이터를 다루는 SEQ2SEQ 모델을 활용한다.

본 발명은 SEQ2SEQ LSTM 모델을 채택하여 다단계 시계열 전력 부하 예측 문제에 대한보다 실질적인 분석을 수행한다. SEQ2SEQ LSTM 모델의 아키텍처는 도 5에 도시되며, 여기서 각 직사각형 블록은 LSTM 셀을 보유할 수 있다.

도 5는 본 발명의 시계열 전력 부하를 예측하기 위한 시퀀스-투-시퀀스 LSTM 네트워크를 설명하기 위한 도면이다.

또한, 각각의 LSTM 셀은, 시간 단계(time step, t)에 히든 상태(hidden state, ht)와 셀 상태(cell state, ct)를 포함할 수 있다. 아키텍쳐는, 주로 3 부분으로 나눠질 수 있다. 모델에 대한 입력인 인코더, 모델의 출력인 디코더 및 인코터 상태 벡터의 3부분으로 나눠질 수 있다.

인코더부는 LSTM 셀들이 적층되어 있고, 각각의 셀들은 시퀀스로부터 하나의 요소를 입력으로 허용하고 있음을 알 수 있다.

모델의 관계식 (1) 내지 (3)은 다음과 같다.

[관계식 1]

[관계식 2]

[관계식 3]

x = {}, y= {}는 각각 예측 모델의 입력 시간 시퀀스 및 목표 출력 시퀀스이다.

입력 시퀀스 길이 T는 목표 시퀀스 길이 T'과 다를 수 있다.

및 은 각각 시간 t에서 각 LSTM 셀로부터 인코더 (1) 및 디코드(2)의 상태를 나타낸다.

구체적으로, 는 LSTM 셀에 각 타임 스텝(t)에서 LSTM에 입력되는 과거 시계열 데이터이다.

또한, LSTM 셀은 훈련을 위해 각 클러스터에서 수집된 정보를 다음 LSTM 셀로 전달한다.

시간 t에서, 각 LSTM 셀에 의해 생성된 출력은 인코더 벡터인 로 표시되고, 이는 인코더에 의해 생성된 히든 상태의 벡터일 수 있다.

벡터는 모든 입력 요소에 대한 정보를 예측을 위해 디코더로 전달된다.

는 타임 스텝 t에서 대상 출력 시퀀스를 나타낸다.

LSTM 인코더는 입력 시퀀스 x로부터 숨겨진 상태 벡터 v를 얻음으로써 조건부 확률인 관계식 (3)을 찾는다.

LSTM 디코더의 숨겨진 상태 벡터는 y의 시퀀스에 대한 조건부 확률을 학습한다.

따라서, 두 개의 서로 다른 LSTM 입력 및 출력 시퀀스를 활용함으로써, 증가된 계산 비용의 최소 비용으로 학습이 개선될 수 있다.

특히, 다단계 시계열을 동시에 학습하는 것은 네트워크 모델에 유리하다. Seq2Seq 모델의 중요성은 다양한 시계열 클러스터링 길이의 시퀀스를 서로 개략적으로 설명할 수 있다는 것이다.

다음으로 제안된 프레임 워크는 학습 및 테스트 하위 집합을 기반으로 각 클러스터의 부하 데이터를 예측할 수 있다.

3. 수치 해석Numerical Analysis

Finally, the evaluation results are obtained from the proposed multistep time-series learning model. Table 1 shows the experiment parameters settings for all scenarios.

마지막으로, 평가 결과는 제안된 다단계 시계열 학습 모델에서 얻을 수 있다. 표 1은 모든 시나리오의 실험 매개 변수 설정이 도시된다.

본 발명은 이러한 설정에서 LSTM, RNN, GRU, BiLSTM 및 제안된 다단계 시계열 Seq2Seq LSTM 학습을 사용하였다. 테스트는 단일 NVidia에서 활성화된 GPU의 Adam optimizer를 사용하여 계산을 가속화한다.

이 플랫폼은 TensorFlow 및 Keras 환경에서 Seq2Seq LSTM 학습을 개발하도록 적응한다. 시뮬레이션 설정에서 타임스탬프를 시계열 인덱스로 사용하였고, 각 클러스터 데이터는 각각 67%와 33%의 비율로 학습 및 테스트 하위 집합으로 나뉜다.

훈련 데이터의 25%는 검증을 위한 실험을 확인하는 데 사용된다. 또한, 우리는 후속 시간 단계를 예측하는 데 얼마나 많은 이전 시간 단계가 사용되었는지를 찾아내는 다양한 기간 조합을 사용했다.

예를 들어, 60개의 룩백 기간(또는 주기)는 t-60, t-59, ..., t-1 및 t를 나타내고, 이는 시간 t+1에서 값을 예측하는데 사용된다.

또한 데이터 세트의 정규화를 위해 드롭아웃 정규화(dropout regularization)는 0.2로 설정되고 MinMax 스케일링은 -1에서 1 사이로 설정된다.

또 다른 하이퍼 파라미터(hyperparameter)는 실험에서 16, 64 및 128 조합으로 설정된 배치 크기일 수 있다.

또한 결과 비교를 위해 평균 절대 오차(MAE), 평균 제곱 오차(MSE) 및 루트 평균 제곱 오차(RSE)의 메트릭(metric) 평가를 사용하였다.

도 6은 K-means 클러스터링의 시계열 데이터 포인트 결과를 나타낸 도면이다.

도 6은 클러스터 중심과 하중 곡선이 잘 차별화되고 구별되었음이 확인된다. 또한, 도 6은, 단일 가구의 122일 전력 부하 데이터의 클러스터 매핑이 도시된다. 도 6에서 각 데이터 포인트는 4 개의 다른 클러스터 중 하나로 그룹화된다.

더 가까운 데이터 포인트는 하나의 클러스터로 그룹화되며 유사한 전력 부하 프로파일을 나타나고. 데이터 포인트가 인접 클러스터에 가깝다는 것을 알 수 있으며, 이 클러스터링은 모델링이 잘 수행된 것이 확인된다.

비교 분석을 위해, 표 2는 제안된 예측 모델의 주목할만한 결과를 나타내고, 도 7은 다른 룩백 기간을 사용하여 성능 비교를 나타낸다.

도 7은 60개의 타임 스텝을 가진 다른 학습 모델을 사용하여 제안된 모델의 성능을 평가한 그래프이다.

몇 가지 학습 접근 방식의 결과는 동일한 전기 부하 데이터로 부하 예측을 향상시키는 것으로 나타났다. 비교를 위해 기존의 최첨단 학습 모델 구현인 LSTM, GRU 및 BiLSTM을 사용했다.

그러나 본 논문에서 제안하는 다단계 시계열 Seq2Seq LSTM 학습과 비교하기 위해 모든 학습 모델에 대해 표 1과 동일한 파라미터 설정을 사용한다.

모든 학습 모델의 성능은 MAE, MAPE 및 RMSE 평가 메트릭을 사용하여 관찰된다. 표시된 결과는 클러스터링 알고리즘 이후에 얻어진 60, 120 및 180 단계 기간의 다단계 시계열 Seq2Seq LSTM 모델에 적합하다는 점에 유의해야 한다.

또한 단계 크기가 증가하면 MAE, MAPE 및 RMSE가 약간 증가하여 다단계 시계열의 이점이 큰 단계 크기로보다 안정적인 결과를 나타냄을 알 수 있다.

도 7을 참조하면, 제안된 본 발명의 Seq2Seq 모델의 성능은, LSTM, GRU, RNN 및 BiLSTM보다 우수한 것으로 확인된다.

또한 메트릭 성능에서 단순 RNN 모델의 성능이 테스트된 모든 모델 중 가장 떨어지는 것으로 확인되었다.

RNN 모델은 제안된 다단계 시계열 클러스터링 기반 전기 예측 모델에는 유용하지 않은 것으로 확인된다.

이러한 결과는 벡터를 학습 모델로 직접 출력하는 것과 비교하여 다단계 시계열 전기 부하 예측에 대해 제안된 인코더-디코더 LSTM 접근 방식의 효과를 확인한다.

본 발명은, 수렴 Seq2Seq LSTM을 분석하기 위해 에폭스와 배치 크기의 다른 조합을 발견한다. 각 아키텍처의 훈련 성능은 서로 다른 에폭스 수와 배치 크기를 포함한 검증 샘플에 의해 평가될 수 있다. 과적합을 피하기 위해 드롭아웃이 사용되었다.

더욱이, 모델의 학습 능력은 시계열 클러스터링과 다단계 인코더-디코더 시퀀스의 조합으로 향상되었다.

도 8은 복 발명의 시스템 모델의 훈련과 검증을 위한 손실 함수의 수렴을 나타내는 그래프이다. 도 8을 참조하면, 훈련 및 검증 손실이 감소하고 제안된 모델은 약 20개의 에포크 이후에 수렴되는 것이 확인된다.

제안된 모델이 다단계 룩백 기간에도 잘 작동한다는 것을 확인하기 위해 훈련 및 테스트는 1 ~ 200 개의 룩백 타임 스텝 범위에서 수행되었다.

도 9는 60 단계의 룩백 기간에 대해 훈련, 검증 및 예측 곡선을 나타낸 도면이다. 또한, 다단계 시계열 예측의 경우, 제안된 모델의 반복 실행은 룩백 기간의 수를 변경하여 수행되었다.

예를 들어, 단일 가구의 실제 부하 곡선과 검증 및 예측 곡선은 60 단계 예측과 함께 도 9에 도시된다. 테스트 데이터에 대응하여, 정확도는 증가하고 타겟 데이터에 대한 검증은 크기의 증가에 따라 달성될 수 있다.

따라서, 제안된 클러스터링 기반 SEQ2SEQ2 LSTM의 전반적인 예측은 가장 적합한 것으로 확인된다.

4. 결론(Conclusions)

본 발명은 단일 가구의 전력 부하를 예측하기 위해 다단계 시계열 클러스터링 기반 Seq2Seq LSTM 학습 모델이 제시된다.

본 발명의 프레임 워크는 다단계 시계열 SEQ2SEQ-LSTM 학습을 확인하고 다른 모델(LSTM, RNN, GRU 및 BILSTM)과 비교되었다.

결론적으로, 본 발명의 제안된 모델이 클러스터링과 60-, 120- 및 180 단계 시계열 SEQ2SEQ로드 예측의 조합과 더 나은 적응을 보여주는 것으로 확인되었다. 이는, MAE, MAPE 및 RMSE 평가 지표를 기반으로 한 최상의 성능을 가지는 것으로 확인되었다.

또한, 시뮬레이션 결과를 통해 클러스터 기반의 다단계 시계열 SEQ2SEQ LSTM 학습이 단일 전력 부하 예측을 크게 향상시킨다는 것이 확인되었다. 이는 클러스터 기반 다단계 시계열 학습이 미래의 가구 전력 부하 예측을 위한 신뢰할 수 있는 접근 방식임을 확인시킨다.

본 발명의 일 측면에 의하면, 전력 부하 시스템은, 단일 가구의 전력 부하 데이터를 수집하도록 구성된 데이터 수집부; 상기 단일 가구의 전력 부하 데이터를 다단계 시계열 데이터 세트로 전처리하는 데이터 전처리부; 및 상기 전처리가 수행된 사용자의 전력 소비 데이터에 기초하여 전력 부하 예측 모델을 트레이닝하는 트레이닝부;를 포함하고, 상기 전력 부하 예측 모델은, sequence-to-sequence LSTM(Long short-term memory) 모델일 수 있다.

본 발명의 다른 측면에 의하면, 전력 부하 예측 방법은, 단일 가구의 전력 부하 데이터를 수집하는 단계; 상기 단일 가구의 전력 부하 데이터를 다단계 시계열 데이터 세트로 전처리하는 단계; 및 상기 전처리가 수행된 사용자의 전력 소비 데이터에 기초하여 전력 부하 예측 모델을 트레이닝하는 단계;를 포함하고, 상기 전력 부하 예측 모델은, sequence-to-sequence LSTM(Long short-term memory) 모델일 수 있다.

이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.

이상에서와 같이 첨부된 도면을 참조하여 개시된 실시예들을 설명하였다. 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자는 본 개시의 기술적 사상이나 필수적인 특징을 변경하지 않고도, 개시된 실시예들과 다른 형태로 본 개시가 실시될 수 있음을 이해할 것이다. 개시된 실시예들은 예시적인 것이며, 한정적으로 해석되어서는 안 된다.

100 : 전력 부하 예측 시스템

Claims

전력 부하 예측 시스템에 있어서,
단일 가구의 전력 부하 데이터를 수집하도록 구성된 데이터 수집부;
상기 단일 가구의 전력 부하 데이터를 다단계 시계열 데이터 세트로 전처리하는 데이터 전처리부; 및
상기 전처리가 수행된 사용자의 전력 소비 데이터에 기초하여 전력 부하 예측 모델을 트레이닝하는 트레이닝부;를 포함하고,
상기 전력 부하 예측 모델은,
sequence-to-sequence LSTM(Long short-term memory) 모델인 전력 부하 예측 시스템.
제1 항에 있어서,
상기 전력 부하 예측 모델은,
상기 데이터 전처리부로부터 상기 다단계 시계열 데이터 세트가 입력 시퀀스로 입력되는 인코더; 및
상기 인코더로부터 형성된 인코더 벡터가 입력되고, 상기 인코더 벡터를 통해 형성한 출력 시퀀스를 출력하도록 구성된 디코더;를 포함하는 전력 부하 예측 시스템.
제2 항에 있어서,
상기 입력 시간 시퀀스의 길이는, 상기 출력 시간 시퀀스의 길이와 다른 전력 부하 예측 시스템.
제2 항에 있어서,
상기 인코더는, 복수 개로 마련되고,
상기 복수 개의 인코더는 각각, 상기 데이터 전처리로부터 서로 다른 크기의 시계열 데이터가 입력 시퀀스로 입력되도록 구성된 전력 부하 예측 시스템.
제4 항에 있어서,
상기 복수 개의 인코더는, 작은 단위의 시계열 데이터가 상기 입력 시퀀스로 입력된 인코더로부터 형성된 상기 인코더 벡터가 상기 작은 단위보다 한 단계 큰 단위의 시계열 데이터가 상기 입력 시퀀스로 입력된 인코더로 전달되고,
상기 복수 개의 인코더 중 가장 큰 단위의 시계열 데이터가 상기 입력 시퀀스로 입력된 인코더로부터 형성된 상기 인코더 백터가 상기 디코더로 전달되도록 구성된 전력 부하 예측 시스템.
제5 항에 있어서,
상기 디코더는, 복수 개로 마련되고,
상기 복수 개의 디코더는, 각각 서로 다른 크기의 시계열 단위의 상기 출력 시퀀스를 형성하여 출력하도록 구성된 전력 부하 예측 시스템.
제6 항에 있어서,
상기 복수 개의 인코더 중 가장 큰 단위의 시계열 데이터가 상기 입력 시퀀스로 입력된 인코더로부터 형성된 상기 인코더 백터는, 상기 복수 개의 디코더 중 가장 작은 크기의 시계열 단위의 상기 출력 시퀀스를 형성하여 출력하는 디코더로 전달되는 전력 부하 예측 시스템.
제1 항에 있어서,
상기 데이터 수집부는,
AMI(advanced metering infrastructure)를 통해 상기 단일 가구의 전력 부하 데이터를 수집하도록 구성된 전력 부하 예측 시스템.
전력 부하 예측 방법에 있어서,
단일 가구의 전력 부하 데이터를 수집하는 단계;
상기 단일 가구의 전력 부하 데이터를 다단계 시계열 데이터 세트로 전처리하는 단계; 및
상기 전처리가 수행된 사용자의 전력 소비 데이터에 기초하여 전력 부하 예측 모델을 트레이닝하는 단계;를 포함하고,
상기 전력 부하 예측 모델은,
sequence-to-sequence LSTM(Long short-term memory) 모델인 전력 부하 예측 방법.
제9 항에 있어서,
상기 전력 부하 예측 모델은,
상기 데이터 전처리부로부터 상기 다단계 시계열 데이터 세트가 입력 시퀀스로 입력되는 인코더; 및
상기 인코더로부터 형성된 인코더 벡터가 입력되고, 상기 인코더 벡터를 통해 형성한 출력 시퀀스를 출력하도록 구성된 디코더;를 포함하는 전력 부하 예측 방법.
제2 항에 있어서,
상기 입력 시간 시퀀스의 길이는, 상기 출력 시간 시퀀스의 길이와 다른 전력 부하 예측 방법.
제2 항에 있어서,
상기 인코더는, 복수 개로 마련되고,
상기 복수 개의 인코더는 각각, 상기 데이터 전처리로부터 서로 다른 크기의 시계열 데이터가 입력 시퀀스로 입력되도록 구성된 전력 부하 예측 방법.
제12 항에 있어서,
상기 복수 개의 인코더는, 작은 단위의 시계열 데이터가 상기 입력 시퀀스로 입력된 인코더로부터 형성된 상기 인코더 벡터가 상기 작은 단위보다 한 단계 큰 단위의 시계열 데이터가 상기 입력 시퀀스로 입력된 인코더로 전달되고,
상기 복수 개의 인코더 중 가장 큰 단위의 시계열 데이터가 상기 입력 시퀀스로 입력된 인코더로부터 형성된 상기 인코더 백터가 상기 디코더로 전달되도록 구성된 전력 부하 예측 방법.
제13 항에 있어서,
상기 디코더는, 복수 개로 마련되고,
상기 복수 개의 디코더는, 각각 서로 다른 크기의 시계열 단위의 상기 출력 시퀀스를 형성하여 출력하도록 구성된 전력 부하 예측 방법.
제14 항에 있어서,
상기 복수 개의 인코더 중 가장 큰 단위의 시계열 데이터가 상기 입력 시퀀스로 입력된 인코더로부터 형성된 상기 인코더 백터는, 상기 복수 개의 디코더 중 가장 작은 크기의 시계열 단위의 상기 출력 시퀀스를 형성하여 출력하는 디코더로 전달되는 전력 부하 예측 방법.
제9 항에 있어서,
상기 단일 가구의 전력 부하 데이터는, AMI(advanced metering infrastructure)를 통해 상기 단일 가구의 전력 부하 데이터를 수집되는 전력 부하 예측 방법.