KR101875329B1 - 전력 사용량 예측 장치 및 방법 - Google Patents

Abstract

프로세서로 구현되는 전력 예측 장치가 제공된다. 상기 전력 예측 장치는 선택된 전자 기기에 관한 전력 사용 패턴에 기초하여 K 개의 전력 부하 예측 모델 중 제1 예측 모델을 선택하는 선택부 및 상기 선택된 제1 예측 모델을 이용하여 소정 시간 이후의 수용가의 전력 사용량을 예측하는 예측부를 포함할 수 있다.

Description

전력 사용량 예측 장치 및 방법{FORECASTING APPARATUS AND METHOD FOR POWER CONSUMPTION}

이하의 설명은 전력 사용량 예측 장치 및 방법에 연관되며, 보다 특정하게는 마이크로그리드(microgrid)에 적용되는 전력 사용량 예측 장치 및 방법에 연관된다.

전력 공급자와 수용자 사이의 양방향 통신을 지원하는 스마트 미터(smart meter)와 무선 통신을 통해 원격에서 전기 사용량을 제어하는 스마트 플러그(smart plug) 등의 IoT(Internet of Things) 기반 센서들이 보급됨에 따라 개별적인 전력 수용가 및 전력 기기 각각의 전력 사용량에 관한 데이터 획득이 가능해지고 있다. 위와 같은 수집된 전력 데이터를 효과적으로 이용하여 소규모 전력 부하에 맞는 전력 사용량을 미리 예측하여 전력 시스템 전반의 안정도와 균형 유지를 높이는 방안에 대한 필요성이 증가하고 있는 실정이다.

오늘날 대부분의 전력 부하 예측 기술은 광역의 대규모 전력 부하를 대상으로 하여 개발되고 있다. 현재의 기술 수준으로 소규모의 전력 부하 예측은 대상 전력 부하의 소비 형태의 높은 변동성과 복잡도로 인해 낮은 정확도를 나타내고 있는 실정이다.

대한민국 등록특허 제10-1588851호 (공고일자 2016년 1월 28일)는 건물 등의 부하별 수요 전력을 예측하는 과정에서 건물 등이 갖는 구조적 특징, 건물 내외 상황 정보, 부하별 에너지 소비 특성, 과거 부하별 소비 전력 정보 등을 반영하여 오차를 보정하는 기술에 관한 것이다. 또한, 대한민국 등록특허 제10-1678857호 (공고일자 2016년 11월 23일)는 특정 마이크로그리드의 부족 또는 여유 전력량을 산출하여, 해당 마이크로그리드의 발전 가능 용량과 주변 마이크로그리드의 부족 전력량을 비교하여 전력의 일부를 공유하는 기술에 관한 것이다.

일측에 따르면, 프로세서로 구현되는 전력 예측 장치가 제공된다. 상기 전력 예측 장치는 선택된 전자 기기에 관한 전력 사용 패턴에 기초하여 K 개의 전력 부하 예측 모델 - 단 K는 자연수임 - 중 제1 예측 모델을 선택하는 선택부 및 상기 선택된 제1 예측 모델을 이용하여 소정 시간 이후의 수용가의 전력 사용량을 예측하는 예측부를 포함할 수 있다.

일실시예에 따르면, 상기 선택부는 상기 전자 기기에 관한 전력 사용량의 피크값이 존재하는 시간 구간에 따라 상기 제1 예측 모델을 선택할 수 있다.

다른 일실시예에 따르면, 상기 선택부는 상기 전자 기기에 관한 소정 시간 동안의 평균 전력 사용량이 존재하는 전력 구간에 따라 상기 제1 예측 모델을 선택할 수 있다.

또 다른 일실시예에 따르면, 상기 K 개의 전력 부하 예측 모델은 상기 전자 기기의 전력 사용 패턴에 따라 K 개로 클러스터링된 학습 데이터를 이용하여 기계 학습되고, 상기 학습 데이터는 소정의 측정 주기에 따른 복수의 수용가의 전력 사용량을 포함할 수 있다. 보다 구체적으로, 상기 K는 시험 데이터를 통해 계산된 예측 정확도가 소정의 임계치 이상이 되도록 크기가 결정되고, 상기 K 개의 전력 부하 예측 모델은 결정된 K 개에 대응하는 클러스터링된 학습 데이터를 이용하여 기계 학습될 수 있다.

다른 일측에 따르면, 전력 예측 방법이 제공된다. 상기 전력 예측 방법은 학습 데이터에 기초하여 전력 부하와 임계치 이상의 상관 계수(correlation coefficient)를 갖는 전자 기기를 식별하는 단계 및 상기 식별된 전자 기기에 기초하여 기설정된 측정 주기를 따르는 상기 학습 데이터를 K 개의 클러스터로 할당하는 단계를 포함할 수 있다.

일실시예에 따르면, 상기 전력 예측 방법은 상기 K 개의 클러스터 각각에 대응하는 학습 데이터를 이용하여 K 개의 전력 부하 예측 모델을 생성하는 단계를 더 포함하고, 상기 K는 시험 데이터를 통해 계산된 각각의 전력 부하 예측 모델의 예측 정확도가 소정의 임계치 이상이 되도록 크기가 결정될 수 있다.

다른 일실시예에 따르면, 상기 K 개의 전력 부하 예측 모델을 생성하는 단계는 수용가의 전력 부하 변동성에 따른 예측 주기를 이용하여 반복적으로 상기 K 개의 전력 부하 예측 모델을 생성하는 단계를 포함하고, 상기 수용가는 상기 생성된 전력 부하 예측 모델이 적용되는 수용가를 나타낼 수 있다.

또 다른 일실시예에 따르면, 상기 K 개의 전력 부하 예측 모델을 생성하는 단계는 제1 예측 주기에 따라 생성된 K 개의 전력 부하 예측 모델의 예측 정확도를 계산하고, 상기 계산된 예측 정확도에 따라 변경된 제2 예측 주기를 이용하여 반복적으로 새로운 K 개의 전력 부하 예측 모델을 생성하는 단계를 포함할 수 있다.

또 다른 일실시예에 따르면, 상기 전력 예측 방법은 상기 전력 부하 예측 모델이 적용되는 수용가의 전력 부하 변동성에 따라 측정 주기를 설정하는 단계 및 상기 기설정된 측정 주기에 따라 복수의 수용가의 전력 사용량에 관한 학습 데이터를 수집하는 단계를 포함할 수 있다.

또 다른 일실시예에 따르면, 상기 측정 주기를 설정하는 단계는 제1 측정 주기에 따라 수집된 학습 데이터에 대응하는 K 개의 전력 부하 예측 모델의 예측 정확도를 계산하고, 상기 계산된 예측 정확도에 따라 제2 측정 주기를 새롭게 설정하는 단계를 더 포함할 수 있다.

또 다른 일실시예에 따르면, 상기 전자 기기를 식별하는 단계는 특정 수용가에 연관되는 학습 데이터에서 우선 순위가 높은 순서대로 소정 범위 내에 존재하는 복수의 전자 기기를 식별하는 단계를 포함할 수 있다.

도 1은 전력 부하 예측 모델을 생성하는 과정을 설명하는 예시도이다.
도 2a 및 도 2b는 전력 부하와 전자 기기가 갖는 상관 관계를 계산하는 과정을 설명하는 예시도이다.
도 3은 전력 부하 예측 모델을 생성하는 방법을 설명하는 흐름도이다.
도 4는 전력 예측 장치를 나타내는 블록도이다.
도 5는 일실시예에 따른 전력 예측 장치가 K 개의 전력 부하 예측 모델 중 제1 예측 모델을 선택하는 과정을 설명하는 예시도이다.
도 6은 상기 전력 예측 장치가 전력 사용량을 예측하는 과정을 설명하는 예시도이다.
도 7은 다른 일실시예에 따른 전력 예측 장치가 예측 정확도에 기초하여 예측 주기 및 데이터 측정 주기를 조절하는 과정을 설명하는 흐름도이다.

실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.

제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.

단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 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.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 해당 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

이하, 실시예들을 첨부된 도면들을 참조하여 상세하게 설명한다. 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조 부호를 부여하고, 이에 대한 중복되는 설명은 생략하기로 한다.

용어의 설명

이하의 설명에서 수용가(consumer)는 자신이 사용할 목적으로 전기를 구입하는 고객을 나타낼 수 있다. 이를테면, 수용가는 전력의 이용 형태에 따라 일반 수용가, 업무용 수용가 및 산업용 수용가 등으로 구분될 수 있다. 수용가의 예시로서 마이크로그리드가 존재할 수 있다.

마이크로그리드(microgrid)는 광역적 전력 시스템으로부터 분리된 독립 분산 전원을 나타낸다. 구체적으로, 마이크로그리드는 소규모 지역 내에서 전력을 자급 자족할 수 있도록 태양광, 풍력 등의 신재생 에너지원과 에너지 저장 장치가 복합된 차세대 전력 체계를 의미한다. 본 실시예에 따른 전력 예측 장치는 각각의 마이크로그리드의 전력 사용량을 예측하는데 이용될 수 있다.

기계 학습(machine learning)은 데이터의 생성 양, 주기, 형식 등이 다양한 빅데이터를 이용하여 미래를 예측하는 기술을 나타낸다. 오늘날, 비교사 학습(unsupervised learning)의 예로서 이용되는 K-평균(K-means) 알고리즘, 자기조직화지도(SOM: Self Organizing Map) 알고리즘 및 SVM(Support Vector Machine) 알고리즘 등과 같은 다양한 형태의 알고리즘이 이용될 수 있다.

도 1은 전력 부하 예측 모델을 생성하는 과정을 설명하는 예시도이다. 도 1을 참조하면, 일실시예에 따라 전력 예측 장치가 전력 부하 예측 모델을 생성하는 과정이 도시된다. 전력 예측 장치는 데이터 전처리 단계(110), 데이터 클러스터링 단계(120) 및 기계 학습 단계(130)를 수행하여 각각의 클러스터에 대응하는 전력 부하 예측 모델을 생성할 수 있다.

본 실시예에 따른 전력 예측 장치는 각각의 수용가에 관한 부하의 변동성을 계산할 수 있다. 부하의 변동성은 전력 사용량의 평균 예측값에 대한 전력 사용량의 실제 변화량의 비율로 정의될 수 있다. 부하의 변동성이 계산되는 과정에 대한 구체적인 설명은 이하에서 추가될 도면과 함께 자세하게 기재될 것이다. 단계(110)에서 전력 예측 장치는 부하의 변동성에 따라 전력 부하 예측 모델을 생성하는 예측 주기 및 학습 데이터의 측정 주기를 설정할 수 있다. 또한, 단계(110)에서 전력 예측 장치는 전력 부하와 임계치 이상의 상관 관계를 갖는 전자 기기를 식별할 수 있다.

단계(120)에서 전력 예측 장치는 식별된 전자 기기에 관한 전력 사용량 데이터에 기반하여 전체 학습 데이터 집합을 K 개의 클러스터로 각각 할당할 수 있다. 이에 따라, 전력 예측 장치는 단계(130)에서 할당된 K 개의 클러스터를 이용하여 전력 부하 예측 모델을 생성할 수 있다. 이하에서는 각각의 단계(110, 120, 130)들 별로 전력 예측 장치에 의해 수행되는 구체적인 과정들이 보다 자세하게 설명될 것이다.

데이터 전처리 과정

단계(110)에서 전력 예측 장치는 로우 데이터를 이용하여 전력 부하와 전자 기기가 갖는 상관 관계를 계산할 수 있다. 일실시예로서, 로우 데이터는 복수의 수용가에 관한 시간에 따른 전력 부하 데이터를 나타낼 수 있다. 보다 구체적으로, 로우 데이터는 복수의 마이크로그리드에 관한 시간에 따른 전력 부하 데이터를 포함할 수 있다. 뿐만 아니고, 로우 데이터는 각각의 전자 기기에 따른 전력 부하 데이터를 포함할 수 있다. 예시적으로, 로우 데이터는 제1 전자 기기에 의해 발생한 전력 소모량이 시간에 따라 어떻게 변하는지 및 제2 전자 기기에 의해 발생한 전력 소모량이 시간에 따라 어떻게 변하는지 등을 나타내는 데이터일 수 있다.

다른 일실시예로서, 전력 예측 장치는 전력 부하 데이터를 제공하는 센서로부터 상기 로우 데이터를 획득할 수 있다. 예시적으로, 상기 센서는 스마트 미터 또는 스마트 플러그 중 어느 하나일 수 있다. 또 다른 일실시예로서, 전력 예측 장치는 지정된 전력 관리 서버로부터 상기 로우 데이터를 획득할 수 있다.

도 2a 및 도 2b는 전력 부하와 전자 기기가 갖는 상관 관계를 계산하는 과정을 설명하는 예시도이다. 도 2a 및 도 2b를 참조하면, 시간에 따른 전력 사용량을 도시하는 두 개의 그래프가 도시된다. 두 개의 그래프의 X 축은 시간(분)을 나타내고, Y 축은 전력(kW)를 나타낸다. 도 2a를 참조하면, 특정 시간대에 연관되는 전체 전력 사용량(211) 및 제1 전자 기기에 의한 전력 사용량(212)이 도시된다. 보다 구체적으로, 특정 시간대(ex. 약 0분에서부터 약 350분까지 및 약 800분에서부터 약 1450분까지 등)에서는 전체 전력 사용량(211)과 제1 전자 기기에 의한 전력 사용량(212)이 유사한 형태를 나타낸다.

마찬가지로, 도 2b를 참조하면, 특정 시간대에 연관되는 전체 전력 사용량(221) 및 제2 전자 기기에 의한 전력 사용량(222)이 함께 도시된다. 도 2b의 실시예에서도, 특정 시간대(ex. 약 5분에서부터 약 120분까지 등)에 관한 전체 전력 사용량(221)과 제2 전자 기기에 의한 전력 사용량(222)이 유사한 형태를 나타낸다.

위와 같이 특정 전자 기기는 수용가의 전체 전력 사용량과 임계치 이상의 상관 관계를 나타낼 수 있다. 본 실시예에 따른 전력 예측 장치는 아래의 수학식 1을 이용하여 전력 부하와 전자 기기가 갖는 상관 관계를 계산할 수 있다.

상기 수학식 1에서 X는 특정 수용가의 전체 전력 사용량을 나타내고, Y는 상기 전체 전력 사용량 중 특정 전자 기기에 연관되는 전력 사용량을 나타낼 수 있다. 전력 부하와 전자 기기가 갖는 상관 관계를 나타내고, μ_X 및 μ_Y는 X 및 Y 각각에 관한 평균값을 나타내고, σ_X 및 σ_Y는 X 및 Y 각각에 관한 분산을 나타내고, E는 기대 함수를 나타낼 수 있다. 일실시예로서, 전력 예측 장치는 제1 수용가에 관한 전력 사용량을 로우 데이터로서 이용하여 상기 수학식 1에 따라 에어컨, 전기차, 전자레인지, 냉장고 및 식기세척기 각각에 대응하는 상관 관계를 계산해낼 수 있다. 앞서 기재한 전자 기기들은 이해를 돕기 위한 예시적 기재일 뿐, 다른 실시예의 범위를 제한하거나 한정하는 것으로 해석되어서는 안될 것이다.

도 3은 전력 부하 예측 모델을 생성하는 방법을 전체적으로 설명하는 흐름도이다. 도 3을 참조하면, 전력 부하 예측 모델을 생성하는 방법은 학습 데이터에 기초하여 전력 부하와 임계치 이상의 상관 계수를 갖는 전자 기기를 식별하는 단계(310), 상기 식별된 전자 기기에 기초하여 기설정된 측정 주기를 따르는 상기 학습 데이터를 K 개의 클러스터로 할당하는 단계(320) 및 상기 K 개의 클러스터 각각에 대응하는 학습 데이터를 이용하여 K 개의 전력 부하 예측 모델을 생성하는 단계(330)를 포함할 수 있다.

단계(310)에서 전력 예측 장치는 학습 데이터에 기초하여 전력 부하와 임계치 이상의 상관 계수를 갖는 전자 기기를 식별할 수 있다. 예시적으로, 상기 학습 데이터는 사물 인터넷을 이용하여 전송되는 전력 사용량 데이터를 나타낼 수 있다. 전력 예측 장치는 수용가의 전체 전력 부하와 임계치 이상의 상관 계수를 갖는 전자 기기를 식별할 수 있다.

일실시예로서, 전력 예측 장치는 제1 수용가의 전체 전력 부하와 0.5 이상의 상관 계수를 갖는 전자 기기를 식별할 수 있다. 다른 일실시예로서, 전력 예측 장치는 상관 계수가 높은 순서를 기준으로 하여 소정 순위 내에 존재하는 전자 기기를 식별할 수 있다. 이를테면, 전력 예측 장치는 제1 수용가의 전체 전력 부하와의 상관 계수를 계산하고, 상기 상관 계수가 큰 순서로 3 순위 내에 존재하는 세 개의 전자 기기를 식별할 수 있다. 전력 예측 장치가 상관 계수를 계산하는 구체적 과정에 대해서는 앞서 설명된 수학식 1에 관한 설명이 그대로 적용될 수 있어 중복되는 설명은 생략하기로 한다.

또한, 데이터 전처리 과정에서 전력 예측 장치는 수용가의 전력 부하 변동성에 따라 학습 데이터로 이용되는 데이터의 측정 주기 S를 설정할 수 있다. 상기 수용가는 전력 예측 장치에 의해 생성된 전력 부하 예측 모델이 적용되는 특정 수용가를 나타낼 수 있다. 보다 구체적으로, 전력 예측 장치는 아래의 수학식 2에 따라 수용가의 전력 부하 변동성 γ_L을 계산할 수 있다.

상기 수학식 2에서, γ_L(i+1)는 제i+1 측정 주기에 대응하는 수용가의 전력 부하 변동성을 나타내고 P_L(i+1)는 제i+1 측정 주기에 대응하는 수용가의 실제 전력 사용량이고, P_L(i)는 제i 측정 주기에 대응하는 수용가의 실제 전력 사용량이고,

은 예측 주기 T에 대응하는 전력 사용량의 평균 예측값을 나타낼 수 있다. 위와 같이, 전력 예측 장치는 기설정된 측정 주기 S에 따라 복수의 수용가의 전력 사용량에 관한 학습 데이터를 수집할 수 있다. 예시적으로, 전력 예측 장치는 제1 수용가의 전력 부하 변동성이 증가하는 경우, 측정 주기를 짧게 조절하여 보다 빈번하게 데이터를 수집하여 예측의 정확도를 향상시킬 수 있다.

이하에서는 전력 예측 장치가 데이터 클러스터링 과정(120) 및 기계 학습 과정(130)을 통하여 K 개의 전력 부하 예측 모델을 생성하는 과정을 자세하게 설명한다.

클러스터링 과정

단계(320)에서 전력 예측 장치는 단계(310)에서 식별된 전자 기기에 기초하여 상기 학습 데이터를 K 개의 클러스터로 할당할 수 있다. 이하의 설명에서 할당한다는 용어는 데이터 클러스터링(clustering)을 수행한다는 의미에 상응하는 개념으로 이용될 수 있다. 상기 학습 데이터는 미리 설정된 측정 주기 S에 따라 수집된 복수의 수용가의 전력 사용량을 나타낼 수 있다. 일실시예로서, 전력 예측 장치는 식별된 전자 기기에 관한 전력 사용 패턴에 따라 상기 학습 데이터를 K 개의 클러스터로 할당할 수 있다. 또한, 전력 예측 장치는 최대의 신뢰도 또는 정확도를 보장하는 K 값을 결정하고, 상기 결정된 K 값에 따라 K 개의 클러스터로 학습 데이터를 클러스터링할 수 있다.

기계 학습 과정

단계(330)에서 전력 예측 장치는 K 개의 클러스터 각각의 대응하는 학습 데이터를 이용하여 K 개의 전력 부하 예측 모델을 생성할 수 있다. 또한, 전력 예측 장치는 생성된 전력 부하 예측 모델과 시험 데이터를 이용하여 전력 부하 예측 모델 각각의 예측 정확도를 계산할 수 있다. 전력 예측 장치는 계산된 예측 정확도가 소정의 임계치 이상이 되도록 상기 K의 크기를 조절할 수 있다. K 개의 클러스터 각각에 대응하는 학습 데이터는 인공지능신경망(ANN: Artificial Neural Network) 또는 SVM(Support Vector Machine)과 같은 기계 학습 방식에 따라 상기 K 개의 전력 부하 예측 모델을 생성할 수 있다. 인공지능신경망 및 SVM에 관한 구체적인 설명은 기술 분야의 전문가에게는 straight forward한 내용이므로 구체적인 설명은 생략하기로 한다. 또한, 인공지능신경망 및 SVM은 K 개의 전력 부하 예측 모델을 생성하는 과정에서 선택될 수 있는 기계 학습 방법의 다양한 실시예 중 하나일 뿐, 다른 실시예의 범위를 제한하거나 한정하는 것으로 해석되어서는 안될 것이다.

다른 일실시예로서, 전력 예측 장치는 수용가의 전력 부하 변동성 γ_L에 따라 결정된 예측 주기 S를 이용하여 반복적으로 상기 K 개의 전력 부하 예측 모델을 생성할 수 있다. 상기 수용가는 생성된 전력 부하 예측 모델이 적용되는 수용가를 나타낼 수 있다. 이를테면, 제1 수용자의 전력 부하 변동성이 20%이고 예측 주기가 30분인 경우가 있을 수 있다. 이 경우에, 전력 예측 장치는 전달된 학습 데이터를 이용하여 30분을 주기로 하여 반복적으로 K 개의 전력 부하 예측 모델을 생성할 수 있다. 상기 제1 수용가의 전력 부하 변동성이 변화한 경우, 전력 예측 장치는 변화된 전력 부하 변동성에 기반하여 상기 예측 주기를 조절할 수 있다. 예시적으로, 전력 예측 장치는 특정 수용가의 전력 부하 변동성이 더 커진 경우에 보다 짧은 예측 주기를 설정하여 전력 부하 예측 모델을 생성할 수 있다.

적용 과정(전력 사용량 예측 과정)

도 4는 전력 예측 장치를 나타내는 블록도이다. 도 4를 참조하면, 프로세서로 구현되는 전력 예측 장치(400)가 도시된다. 전력 예측 장치(400)는 선택부(410)와 예측부(420)를 포함할 수 있다. 선택부(410)는 선택된 전자 기기에 관한 전력 사용 패턴에 기초하여 K 개의 전력 부하 예측 모델 중 제1 예측 모델을 선택할 수 있다. 상기 전력 부하 예측 모델의 개수를 정의하는 K는 자연수를 나타낼 수 있다.

도 5는 일실시예에 따른 전력 예측 장치가 K 개의 전력 부하 예측 모델 중 제1 예측 모델을 선택하는 과정을 설명하는 예시도이다. 도 5를 참조하면, 선택부(410)는 특정 전자 기기에 관한 전력 사용 패턴(511)을 입력 받을 수 있다. 또한, 선택부(410)는 입력된 전력 사용 패턴(511)에 기초하여 제1 수용가에 대한 전력 부하 예측을 수행하는 전력 부하 예측 모델을 선택할 수 있다. 선택부(410)는 K 개의 전력 부하 예측 모델 중 전력 사용 패턴(511)과 가장 높은 유사도의 패턴을 갖는 어느 하나의 예측 모델을 선택할 수 있다.

일실시예로서, 선택부(410)는 상기 전자 기기에 관한 전력 사용량의 피크값이 존재하는 시간 구간에 따라 예측 모델을 선택할 수 있다. 이를테면, 제1 수용가는 낮 시간대에 에어컨에 의한 전력 사용량이 가장 높은 전력 사용 패턴을 가질 수 있다. 이 경우에, 선택부(410)는 낮 시간대에 에어컨에 의한 전력 사용량이 가장 높은 학습 데이터에 기반하여 생성된 제1 예측 모델을 선택할 수 있다.

다른 일실시예로서, 선택부(410)는 상기 전자 기기에 관한 소정 시간 동안의 평균 전력 사용량이 존재하는 전력 구간에 따라 예측 모델을 선택할 수 있다. 이를테면, 제2 수용가는 심야 시간대에 전기차 충전에 의한 전력 사용량이 4kW로 나타내는 전력 사용 패턴을 가질 수 있다. 이 경우에, 선택부(410)는 심야 시간대에서 전기차의 충전에 의한 전력 사용량이 4kW에 가장 가까운 학습 데이터에 기반하여 생성된 제2 예측 모델을 선택할 수 있다.

예측부(420)는 상기 선택된 예측 모델을 이용하여 소정 시간 이후의 수용가의 전력 사용량을 예측할 수 있다. 보다 구체적으로, 예측부(420)는 상기 선택된 예측 모델에 선택된 전자 기기에 관한 전력 사용량을 파라미터로 입력하여 수용가의 전력 사용량을 출력할 수 있다. 예측부(420)가 선택된 예측 모델에 복수의 파라미터를 입력하여 수용가에 관한 전력 사용 예측량을 출력하는 과정에 대한 자세한 설명은 이하의 도 6과 함께 설명될 수 있다.

도 6은 상기 전력 예측 장치가 전력 사용량을 예측하는 과정을 설명하는 예시도이다. 예시적으로, K 개의 전력 부하 예측 모델 중 선택부(410)에 의해 제1 전력 부하 예측 모델이 선택된 경우가 존재할 수 있다. 이 경우에, 예측부(420)는 선택된 제1 전력 부하 예측 모델에 시간에 관한 제1 파라미터(611), 전력 사용량에 관한 제2 파라미터(612), 선택된 전자 기기에 관한 제3 파라미터(613) 및 기후 데이터에 관한 제4 파라미터(614) 중 적어도 하나를 입력할 수 있다. 일실시예로서, 시간에 관한 제1 파라미터(611)는 하루(24시간) 중 전력 사용량에 연관되는 시간 인덱스(hour index), 일주일(7일) 중 전력 사용량에 연관되는 요일 인덱스(day index) 및 일년(12개월) 중 전력 사용량에 연관되는 월 인덱스(month index) 중 적어도 하나를 포함할 수 있다.

다른 일실시예로서, 전력 사용량에 관한 제2 파라미터(612)는 소정 기간 내의 시간 별 전력 사용량 데이터를 포함할 수 있다. 또 다른 일실시예로서, 선택된 전자 기기에 관한 제3 파라미터(613)는 에어컨, 전기차, 전자레인지 등과 같은 개별적인 전자 기기에 의한 전력 사용량 데이터를 포함할 수 있다. 또 다른 일실시예로서, 기후 데이터에 관한 제4 파라미터(614)는 소정 기간 내의 겉보기 온도(apparent temperature)를 포함할 수 있다. 대기온도, 풍속, 이슬점 및 습도를 이용하여 겉보기 온도를 계산하는 과정은 기술 분야의 통상의 기술자에게는 straight forward한 내용이므로 자세한 설명은 생략 하기로 한다.

예측부(420)는 선택된 전력 부하 예측 모델에 미리 지정된 파라미터들을 입력하여 특정 수용가에 관한 전력 사용 예측량(620)을 출력할 수 있다. 보다 구체적으로, 예측부(420)는 소정 시간 이후의 특정 마이크로그리드의 전력 사용 예측량(620)을 계산할 수 있다. 본 실시예에 따른 전력 예측 장치(400)는 스마트 미터 및 스마트 플러그 등과 같은 센서로부터 수집되는 빅데이터를 효과적으로 이용하여 보다 정확도 높은 전력 사용량 예측값을 제공할 수 있다. 또한, 전력 예측 장치(400)는 전기차 등과 같이 전력 부하와 높은 상관 관계를 갖는 전자 기기들을 우선적으로 파라미터로 이용할 수 있어 전력망에 미칠 영향을 사전에 파악하는 효과를 기대할 수 있다. 본 실시예에 따른 전력 예측 장치(400)는 심한 변동성을 나타내는 전력 부하에 대해 효과적으로 예측 정확도를 향상시키는 효과를 제공할 수 있다.

도 7은 다른 일실시예에 따른 전력 예측 장치가 예측 정확도에 기초하여 예측 주기 및 데이터 측정 주기를 조절하는 과정을 설명하는 흐름도이다. 단계(710)에서 전력 예측 장치는 미리 지정된 초기값에 따라 전력 부하 예측 모델을 생성하는 예측 주기 T 및 학습 데이터에 관한 측정 주기 S를 설정할 수 있다. 또한, 단계(720)에서 전력 예측 장치는 생성된 K 개의 전력 부하 예측 모델을 이용하여 예측 정확도를 계산할 수 있다. 구체적으로, 전력 예측 장치는 실제 전력 사용량과 예측값의 차이를 예측 오차로서 계산하고, 상기 계산된 예측 오차와 목표 정확도 ξ_target의 차이를 비교하여 예측 정확도를 계산할 수 있다. 보다 구체적으로, 전력 예측 장치는 목표 정확도 ξ_target를 계산하는 과정에서 RMSE(Root Mean Square Error), MRE(Mean Relative Error) 및 R²(R squared value) 값들을 이용할 수 있다. RMSE, MRE 및 R²에 관한 구체적 계산 과정은 기술 분야의 전문가에게는 straight forward한 내용이므로 자세한 설명은 생략하기로 한다.

일실시예로서, 예측 오차가 목표 정확도 ξ_target보다 작은 경우에 전력 예측 장치는 예측 주기 T 및 데이터 측정 주기 S의 조절 과정을 수행하지 않고, 관련 제어 과정을 종료할 수 있다.

다른 일실시예로서, 예측 오차가 목표 정확도 ξ_target보다 크거나 같은 경우에 전력 예측 장치는 예측 주기 T 및 데이터 측정 주기 S를 조절하는 단계(730)를 수행할 수 있다. 예시적으로, 전력 예측 장치는 예측 오차가 목표 정확도 ξ_target보다 작아질 경우가 되도록 예측 주기 T 및 데이터 측정 주기 S 각각의 소정 크기만큼 감소시킬 수 있다. 본 실시예에 따른 전력 예측 장치는 목표 예측 오차를 만족할 수 있도록 예측 주기를 조정하여 유연한 예측 기술을 제공할 수 있다. 또한, 목표 예측 오차를 만족할 수 있도록 수집되는 학습 데이터들의 측정 간격을 조절하여 목표 정확도를 제공하는 효과를 기대할 수 있다.

이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 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.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 컴퓨터 판독 가능 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.

Claims (12)

1. 프로세서로 구현되는:
   선택된 전자 기기에 관한 전력 사용 패턴에 기초하여 K 개의 전력 부하 예측 모델 - 단 K는 자연수임 - 중 제1 예측 모델을 선택하는 선택부; 및
   상기 선택된 제1 예측 모델을 이용하여 소정 시간 이후의 수용가의 전력 사용량을 예측하는 예측부
   를 포함하고,
   상기 프로세서는 각각의 수용가에 관한 부하의 변동성을 계산하고, 상기 수용가의 부하의 변동성에 따라 결정된 예측 주기를 이용하여 반복적으로 상기 K 개의 전력 부하 예측 모델을 생성하고,
   상기 부하의 변동성은 상기 전력 사용량의 평균 예측값에 대한 상기 전력 사용량의 실제 변화량의 비율로 정의되는 전력 예측 장치.
   
2. 제1항에 있어서,
   상기 선택부는 상기 전자 기기에 관한 전력 사용량의 피크값이 존재하는 시간 구간에 따라 상기 제1 예측 모델을 선택하는 전력 예측 장치.
   
3. 제1항에 있어서,
   상기 선택부는 상기 전자 기기에 관한 소정 시간 동안의 평균 전력 사용량이 존재하는 전력 구간에 따라 상기 제1 예측 모델을 선택하는 전력 예측 장치.
   
4. 제1항에 있어서,
   상기 K 개의 전력 부하 예측 모델은 상기 전자 기기의 전력 사용 패턴에 따라 K 개로 클러스터링된 학습 데이터를 이용하여 기계 학습되고, 상기 학습 데이터는 소정의 측정 주기에 따른 복수의 수용가의 전력 사용량을 포함하는 전력 예측 장치.
   
5. 제4항에 있어서,
   상기 K는 시험 데이터를 통해 계산된 예측 정확도가 소정의 임계치 이상이 되도록 크기가 결정되고, 상기 K 개의 전력 부하 예측 모델은 결정된 K 개에 대응하는 클러스터링된 학습 데이터를 이용하여 기계 학습되는 전력 예측 장치.
   
6. 학습 데이터에 기초하여 전력 부하와 임계치 이상의 상관 계수(correlation coefficient)를 갖는 전자 기기를 식별하는 단계;
   상기 식별된 전자 기기에 기초하여 기설정된 측정 주기를 따르는 상기 학습 데이터를 K 개의 클러스터로 할당하는 단계; 및
   상기 K 개의 클러스터 각각에 대응하는 학습 데이터를 이용하여 K 개의 전력 부하 예측 모델을 생성하는 단계
   를 포함하고,
   상기 K 개의 전력 부하 예측 모델을 생성하는 단계는,
   각각의 수용가에 관한 부하의 변동성을 계산하는 단계; 및
   상기 수용가의 부하의 변동성에 따라 결정된 예측 주기를 이용하여 반복적으로 상기 K 개의 전력 부하 예측 모델을 생성하는 단계
   를 포함하고,
   상기 부하의 변동성은 전력 사용량의 평균 예측값에 대한 상기 전력 사용량의 실제 변화량의 비율로 정의되는 전력 예측 방법.
   
7. 제6항에 있어서,
   상기 K는 시험 데이터를 통해 계산된 각각의 전력 부하 예측 모델의 예측 정확도가 소정의 임계치 이상이 되도록 크기가 결정되는 전력 예측 방법.
   
8. 제6항에 있어서,
   상기 K 개의 전력 부하 예측 모델을 생성하는 단계는,
   상기 수용가의 부하 변동성이 증가하는 경우에 측정 주기를 감소시키는 단계
   를 더 포함하는 전력 예측 방법.
   
9. 제6항에 있어서,
   상기 K 개의 전력 부하 예측 모델을 생성하는 단계는,
   제1 예측 주기에 따라 생성된 K 개의 전력 부하 예측 모델의 예측 정확도를 계산하고, 상기 계산된 예측 정확도에 따라 변경된 제2 예측 주기를 이용하여 반복적으로 새로운 K 개의 전력 부하 예측 모델을 생성하는 단계
   를 포함하는 전력 예측 방법.
   
10. 제6항에 있어서,
    상기 K 개의 전력 부하 예측 모델이 적용되는 수용가의 전력 부하 변동성에 따라 측정 주기를 설정하는 단계; 및
    상기 기설정된 측정 주기에 따라 복수의 수용가의 전력 사용량에 관한 학습 데이터를 수집하는 단계
    를 포함하는 전력 예측 방법.
    
11. 제10항에 있어서,
    상기 측정 주기를 설정하는 단계는,
    제1 측정 주기에 따라 수집된 학습 데이터에 대응하는 K 개의 전력 부하 예측 모델의 예측 정확도를 계산하고, 상기 계산된 예측 정확도에 따라 제2 측정 주기를 새롭게 설정하는 단계
    를 더 포함하는 전력 예측 방법.
    
12. 제7항에 있어서,
    상기 전자 기기를 식별하는 단계는,
    특정 수용가에 연관되는 학습 데이터에서 우선 순위가 높은 순서대로 소정 범위 내에 존재하는 복수의 전자 기기를 식별하는 단계
    를 포함하는 전력 예측 방법.

Images