KR102150170B1 - 패턴 태깅 기술 기반 전력 데이터 예측 방법 및 시스템 - Google Patents
패턴 태깅 기술 기반 전력 데이터 예측 방법 및 시스템 Download PDFInfo
- Publication number
- KR102150170B1 KR102150170B1 KR1020180147799A KR20180147799A KR102150170B1 KR 102150170 B1 KR102150170 B1 KR 102150170B1 KR 1020180147799 A KR1020180147799 A KR 1020180147799A KR 20180147799 A KR20180147799 A KR 20180147799A KR 102150170 B1 KR102150170 B1 KR 102150170B1
- Authority
- KR
- South Korea
- Prior art keywords
- data
- pattern
- unit
- tag
- prediction
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000007405 data analysis Methods 0.000 claims abstract description 37
- 230000010354 integration Effects 0.000 claims abstract description 29
- 238000005516 engineering process Methods 0.000 claims abstract description 19
- 238000003909 pattern recognition Methods 0.000 claims abstract description 14
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 238000012800 visualization Methods 0.000 claims abstract description 11
- 239000013598 vector Substances 0.000 claims description 22
- 230000007774 longterm Effects 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 238000013473 artificial intelligence Methods 0.000 claims description 7
- 238000013136 deep learning model Methods 0.000 claims description 7
- 230000000306 recurrent effect Effects 0.000 claims description 7
- 238000007619 statistical method Methods 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 230000015572 biosynthetic process Effects 0.000 claims description 4
- 238000013079 data visualisation Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 description 25
- 238000010586 diagram Methods 0.000 description 16
- 238000007726 management method Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
패턴 태깅 기술 기반 전력 데이터 예측 방법 및 시스템이 제시된다. 본 발명에서 제안하는 패턴 태깅 기술 기반 전력 데이터 예측 시스템은 데이터 베이스 별로 정보를 받아 클러스터링 비지도 학습을 통한 패턴 인식 및 추출을 실행하고, 인식 및 추출된 패턴을 각 데이터 베이스 별로 구분하여 저장하며, 다른 모듈에게 패턴 정보 제공을 위해 저장된 패턴을 퍼블리시하여 전달하는 데이터 분석부, 데이터 분석부로부터 전달받은 패턴 정보를 이용하여, 데이터의 패턴을 구분하여 해당 패턴 태그를 삽입하고, 태그를 삽입한 데이터를 퍼블리시하여 데이터 베이스를 업데이트하거나 새로운 데이터 베이스 구축하는 데이터 형성부, 전력 사용량 예측을 위한 사용량 패턴 및 태그 데이터를 데이터베이스와 데이터 분석부로부터 불러오고, 불러온 태그 데이터를 LSTM 입력 값으로 이용하기 위해 포맷을 변환하여 로드 예측부로 전달하는 데이터 통합부, 데이터 통합부로부터 태그 데이터를 LSTM 입력 값으로 전달받아 LSTM 네트워크를 기반으로 미래의 사용량 패턴을 예측하고 결과 값 태그화를 위해 데이터 형성부로 전달하는 로드 예측부 및 데이터에 삽입된 태그를 이용하여 전력 사용량 데이터를 시각화하고, 삽입된 데이터 태그를 이용하여 패턴 데이터를 시각화하는 시각화부를 포함한다.
Description
본 발명은 패턴 태깅 기술 기반 전력 데이터 예측 방법 및 시스템에 관한 것이다.
현재 IoT 시장이 폭발적인 성장을 거듭하고 있다. 2015년까지 49억이 넘는 기기들이 설치되었으며, 2020년까지 208억개 정도의 기기가 설치 될 것으로 전망된다.
전력 관련 AMI(Advanced Metering Infrastructure)는 IoT 시장의 적지 않은 부분을 차지하고 있다. 2015년도에 미국 내에 배치된 전력 관련 어드밴스드 미터(advanced meter)의 수가 약 6천 5백만개에 다다른다. 이는 전력 스마트 미터링(smart metering) 기기가 총 배치된 IoT기기들 중 1.32%이상을 차지함을 의미한다. IoT시장에서 존재하는 기기들의 다양성과 미국 내에서 배치된 전력 스마트 미터링 수만을 포함한 것을 고려하였을 때, 1.32%는 전력 산업이 IoT에서 큰 부분을 차지하고 있음을 나타낸다. AMI를 포함한 여러 IoT 기기에서 수집되고 있는 방대한 양의 시계열 데이터를 기반으로 미래에 대한 예측이 실행되고 있다.
시계열 데이터 예측에 있어서, 전력 사용량 측정 기기와 같이 대다수의 IoT 기기는 분 또는 시간 단위로 데이터를 수집함에 따라 예측하거나, 또한 분 또는 시간 단위로 이루어지는 추세이다. 하지만 이와 같이 짧은 시간을 기반으로 하여 예측을 실행할 시 데이터의 차원과 계산 복잡도가 현저히 높아져 실시간 처리가 힘들다.
또한, 짧은 시간을 기반으로 하는 예측의 경우 단기 예측의 경우 세부적인 통제가 가능하여 정확도가 높을 수 있으나 장기 예측의 경우 정확도가 낮아진다. 정확도가 높더라도 사용 패턴 혹은 유형과 상이한 왜곡된 예측 결과를 초래할 수 있다. 특히 패턴 및 유형에 따른 사용량 피크의 위치가 중요한 전력 데이터의 경우 이러한 왜곡된 예측 결과가 추후 분석 및 활용에 사용될 시 부정적 여파를 일으킬 수 있다.
본 발명이 이루고자 하는 기술적 과제는 전력 데이터가 기하학적으로 생성되는 환경에서, 에너지 관련 IoT 데이터의 저장, 관리, 처리, 시각화 시장과 함께 여러 에너지 관리 관련 서비스에 응용될 수 있는 전력 사용량 및 생성량 예측 방법 및 시스템을 제공하는데 있다.
일 측면에 있어서, 본 발명에서 제안하는 패턴 태깅 기술 기반 전력 데이터 예측 시스템은 데이터 베이스 별로 정보를 받아 클러스터링 비지도 학습을 통한 패턴 인식 및 추출을 실행하고, 인식 및 추출된 패턴을 각 데이터 베이스 별로 구분하여 저장하며, 다른 모듈에게 패턴 정보 제공을 위해 저장된 패턴을 퍼블리시하여 전달하는 데이터 분석부, 데이터 분석부로부터 전달받은 패턴 정보를 이용하여, 데이터의 패턴을 구분하여 해당 패턴 태그를 삽입하고, 태그를 삽입한 데이터를 퍼블리시하여 데이터 베이스를 업데이트하거나 새로운 데이터 베이스 구축하는 데이터 형성부, 전력 사용량 예측을 위한 사용량 패턴 및 태그 데이터를 데이터베이스와 데이터 분석부로부터 불러오고, 불러온 태그 데이터를 LSTM 입력 값으로 이용하기 위해 포맷을 변환하여 로드 예측부로 전달하는 데이터 통합부, 데이터 통합부로부터 태그 데이터를 LSTM 입력 값으로 전달받아 LSTM 네트워크를 기반으로 미래의 사용량 패턴을 예측하고 결과 값 태그화를 위해 데이터 형성부로 전달하는 로드 예측부 및 데이터에 삽입된 태그를 이용하여 전력 사용량 데이터를 시각화하고, 삽입된 데이터 태그를 이용하여 패턴 데이터를 시각화하는 시각화부를 포함한다.
데이터 분석부는 데이터 베이스 별로 정보를 받아 클러스터링 비지도 학습을 통한 패턴 인식 및 추출을 실행하는 패턴 인식부, 인식 및 추출된 패턴을 각 데이터 베이스 별로 구분하여 저장하는 패턴 저장부 및 다른 모듈에게 패턴 정보 제공을 위해 저장된 패턴을 퍼블리시하여 전달하는 패턴 발행부를 포함한다.
데이터 형성부는 데이터 분석부로부터 전달받은 패턴 정보를 이용하여, 데이터의 패턴을 구분하여 해당 패턴 태그를 삽입하는 데이터 태그부 및 태그를 삽입한 데이터를 퍼블리시하여 데이터 베이스를 업데이트하거나 새로운 데이터 베이스 구축하는 태그된 데이터 발행부를 포함한다.
시각화부는 데이터에 삽입된 태그를 이용하여 전력 사용량 데이터를 시각화하는 데이터 시각화부 및 삽입된 데이터 태그를 이용하여 패턴 데이터를 시각화하는 패턴 시각화부를 포함한다.
데이터 통합부는 전력 사용량의 장기 및 단기 예측을 위해 시간 단위의 원시데이터가 아닌 일별 로드 프로파일 태그를 기반으로 시퀀스를 생성한다.
데이터 통합부는 워드 임베딩(Word Embedding)을 이용하여 일별 로드 프로파일의 시퀀스를 벡터로 표현하고, 일별 로드 프로파일 간의 관계에 따른 값을 LSTM 입력 값으로 이용하도록 한다.
데이터 통합부는 일별 로드 프로파일의 시퀀스에서 순차적으로 나타나는 패턴들의 통계적 분석(word2vec)을 통해 기계 학습이 가능하도록 각 패턴을 벡터 공간 모델로 벡터화한다.
로드 예측부는 벡터화된 복합적 태그 시퀀스를 입력 값으로 받는 LSTM 네트워크를 이용하여 미래의 사용량 패턴의 예측을 실행한다.
로드 예측부는 전력 사용에 영향을 주는 온도 및 습도 정보를 다차원적으로 함께 이용한 일별 로드 프로파일의 시퀀스로 미래 전력 사용량 패턴을 예측한다.
로드 예측부는 신경망 RNN(Recurrent Neural Network)을 포함하는 인공지능 기술을 이용하여 시간에 따른 데이터를 학습하기 위한 딥 러닝 모델을 이용하고, 최근 데이터에 대한 단기적 학습 및 오래된 데이터에 대한 장기적 학습이 모두 가능하다.
또 다른 일 측면에 있어서, 본 발명에서 제안하는 패턴 태깅 기술 기반 전력 데이터 예측 방법은 데이터 분석부를 통해 데이터 베이스 별로 정보를 받아 클러스터링 비지도 학습을 통한 패턴 인식 및 추출을 실행하고, 인식 및 추출된 패턴을 각 데이터 베이스 별로 구분하여 저장하며, 다른 모듈에게 패턴 정보 제공을 위해 저장된 패턴을 퍼블리시하여 전달하는 단계, 데이터 분석부로부터 전달받은 패턴 정보를 이용하여, 데이터 형성부를 통해 데이터의 패턴을 구분하여 해당 패턴 태그를 삽입하고, 태그를 삽입한 데이터를 퍼블리시하여 데이터 베이스를 업데이트하거나 새로운 데이터 베이스 구축하는 단계, 데이터 통합부를 통해 전력 사용량 예측을 위한 사용량 패턴 및 태그 데이터를 데이터베이스와 데이터 분석부로부터 불러오고, 불러온 태그 데이터를 LSTM 입력 값으로 이용하기 위해 포맷을 변환하여 로드 예측부로 전달하는 단계, 데이터 통합부로부터 태그 데이터를 LSTM 입력 값으로 전달받아 로드 예측부를 통해 LSTM 네트워크를 기반으로 미래의 사용량 패턴을 예측하고 결과 값 태그화를 위해 데이터 형성부로 전달하는 단계 및 데이터에 삽입된 태그를 이용하여 전력 사용량 데이터를 시각화하고, 삽입된 데이터 태그를 이용하여 패턴 데이터를 시각화하는 단계를 포함한다.
본 발명의 실시예들에 따르면 데이터 저장 시 패턴을 파악하고 태그로 함께 삽입하여 추후 데이터 처리와 관리를 용이하게 하고, 다양한 단순 처리 결과 또한 태그로 삽입하여 복합적 데이터 분석 시 차원 축소 및 가속화된 데이터 처리가 가능하다. 또한, 시계열 데이터 처리 시 원시 데이터가 아닌 태그를 활용 및 시퀀스화하여 데이터 처리의 효율성을 높이고, 원시 데이터 대신 시퀀스화된 태그 데이터를 활용함으로써 효율성과 실시간성을 보장할 수 있다.
도 1은 본 발명의 일 실시예에 따른 데이터 태깅 및 태그 시퀀스를 설명하기 위한 도면이다.
도 2는 본 발명의 일 실시예에 따른 워드 임베딩을 설명하기 위한 도면이다.
도 3은 본 발명의 일 실시예에 따른 LSTM를 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시예에 따른 패턴 태깅 기술 기반 전력 데이터 예측 시스템을 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따른 LSTM을 예측하는 과정을 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시예에 따른 스트리밍 데이터를 이용하여 패턴 시퀀스를 생성하는 과정을 설명하기 위한 도면이다.
도 7은 본 발명의 일 실시예에 따른 패턴 시퀀스를 이용하여 벡터로 나타내는 과정을 설명하기 위한 도면이다.
도 8은 본 발명의 일 실시예에 따른 LSTM 네트워크를 기반으로 미래의 사용량 패턴을 예측하는 과정을 설명하기 위한 도면이다.
도 9는 본 발명의 일 실시예에 따른 패턴 태깅 기술 기반 전력 데이터 예측 방법을 설명하기 위한 흐름도이다.
도 10은 본 발명의 일 실시예에 따른 데이터 분석 과정을 설명하기 위한 흐름도이다.
도 11은 본 발명의 일 실시예에 따른 데이터 형성 과정을 설명하기 위한 흐름도이다.
도 12는 본 발명의 일 실시예에 따른 데이터 통합 과정을 설명하기 위한 흐름도이다.
도 2는 본 발명의 일 실시예에 따른 워드 임베딩을 설명하기 위한 도면이다.
도 3은 본 발명의 일 실시예에 따른 LSTM를 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시예에 따른 패턴 태깅 기술 기반 전력 데이터 예측 시스템을 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따른 LSTM을 예측하는 과정을 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시예에 따른 스트리밍 데이터를 이용하여 패턴 시퀀스를 생성하는 과정을 설명하기 위한 도면이다.
도 7은 본 발명의 일 실시예에 따른 패턴 시퀀스를 이용하여 벡터로 나타내는 과정을 설명하기 위한 도면이다.
도 8은 본 발명의 일 실시예에 따른 LSTM 네트워크를 기반으로 미래의 사용량 패턴을 예측하는 과정을 설명하기 위한 도면이다.
도 9는 본 발명의 일 실시예에 따른 패턴 태깅 기술 기반 전력 데이터 예측 방법을 설명하기 위한 흐름도이다.
도 10은 본 발명의 일 실시예에 따른 데이터 분석 과정을 설명하기 위한 흐름도이다.
도 11은 본 발명의 일 실시예에 따른 데이터 형성 과정을 설명하기 위한 흐름도이다.
도 12는 본 발명의 일 실시예에 따른 데이터 통합 과정을 설명하기 위한 흐름도이다.
이하, 본 발명의 실시 예를 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 본 발명의 일 실시예에 따른 데이터 태깅 및 태그 시퀀스를 설명하기 위한 도면이다.
데이터 태깅은 데이터 저장 시 데이터 세트로부터 패턴을 추출하여 각 패턴을 파악하고, 해당 태그도 함께 삽입하여 추후 데이터 처리와 관리를 용이하게 한다. 다양한 단순 처리 결과 또한 태그로 삽입하여 복합적 데이터 분석 시 차원 축소 및 가속화된 데이터 처리가 가능하다.
본 발명의 실시예에 따른 민-시프트 클러스터링(mean-shift clustering) 비지도 학습을 통해 전처리 단계에서 IoT 전력 데이터의 패턴을 자동적으로 파악하고, 데이터를 저장 시 구분된 패턴을 태그와 함께 삽입해 저장하여 추후의 데이터 처리와 관리를 용이하고 효율적이게 할 수 있다.
도 1을 참조하면, 사용자1부터 사용자L까지의 Day1에서 DayM까지에 대하여, 한 사용자의 하루 전력 사용량을 데이터 세트로 나타내었다. 이러한 데이터 세트에 대하여 비지도 학습을 통한 패턴 구분을 이용하여 파악된 패턴들(패턴1, 패턴2, 패턴3, 패턴4, 패턴5, 패턴6, ??, 패턴N)을 나타내었다.
마지막으로, 이렇게 구분된 패턴들을 패턴 태그(P1, P2, P3, ??, PN)와 함께 데이터에 삽입하여 저장하고, 기존의 데이터베이스를 업데이트하거나 새로운 데이터베이스를 구축할 수 있다.
태그 시퀀스는 시계열 데이터 처리 시 원시 데이터가 아닌 태그를 활용 및 시퀀스화하여 데이터 처리의 효율성을 높일 수 있다. 원시 데이터 대신 시퀀스화된 태그 데이터를 활용함으로써 효율성과 실시간성을 보장할 수 있다.
도 2는 본 발명의 일 실시예에 따른 워드 임베딩을 설명하기 위한 도면이다.
워드 임베딩(Word Embedding)은 워드의 벡터 표현(Vector representation of Word) 및 벡터 공간 모델(Vector space models)을 위한 방법이다.
자연어 처리에서 많이 사용되며, 워드들간의 확률적 분포 및 관계 분석을 통하여 워드를 벡터로써 나타낼 수 있다. 의미상 유사한 워드가 서로의 근처 점에 맵핑되는 연속 벡터 공간에 단어를 임베딩할 수 있다. 벡터 공간 모델로 워드들을 벡터화 시킴으로써 워드의 의미 또는 워드 간의 관계를 기계 학습할 수 있다. 워드 외의 다른 다양한 표현기법(representing notation)에도 적용할 수 있다.
도 3은 본 발명의 일 실시예에 따른 LSTM를 설명하기 위한 도면이다.
LSTM(Long-Short Term Memory)은 인공지능 기술 중에 하나인 신경망 RNN(Recurrent Neural Network)의 일종으로 시계열 데이터와 같이 시간의 흐름에 따라 변화하는 데이터를 학습하기 위한 딥 러닝 모델이다.
기존 RNN는 오래전에 학습된 데이터의 소실이 일어나는 장기 의존성(Long-Term Dependency)의 문제를 가지지만 LSTM의 경우 다르게 최근 데이터에 대한 단기적인 학습과 더불어 오래된 데이터에 대한 장기적인 학습이 가능하다.
도 4는 본 발명의 일 실시예에 따른 패턴 태깅 기술 기반 전력 데이터 예측 시스템을 설명하기 위한 도면이다.
제안하는 패턴 태깅 기술 기반 전력 데이터 예측 시스템은 데이터 분석부(Data Analyzer)(410), 데이터 형성부(Data Organizer)(420), 데이터 통합부(Data Aggregator)(430), 로드 예측부(Load Predictor)(440), 시각화부(Visualizer)(450), 데이터베이스(Database)(460) 및 데이터 생성부(Data Generator)(470)를 포함한다.
데이터 분석부(410)는 데이터 베이스(460) 별로 정보를 받아 클러스터링 비지도 학습을 통한 패턴 인식 및 추출을 실행하고, 인식 및 추출된 패턴을 각 데이터 베이스 별로 구분하여 저장하며, 다른 모듈에게 패턴 정보 제공을 위해 저장된 패턴을 퍼블리시하여 전달한다.
이러한 데이터 분석부(410)는 데이터 베이스 별로 정보를 받아 클러스터링 비지도 학습을 통한 패턴 인식 및 추출을 실행하는 패턴 인식부(Pattern Recognizer)(411), 인식 및 추출된 패턴을 각 데이터 베이스 별로 구분하여 저장하는 패턴 저장부(Pattern Storage)(412) 및 다른 모듈에게 패턴 정보 제공을 위해 저장된 패턴을 퍼블리시하여 전달하는 패턴 발행부(Pattern Publisher)(413)를 포함한다.
데이터 형성부(420)는 데이터 분석부로부터 전달받은 패턴 정보를 이용하여, 데이터의 패턴을 구분하여 해당 패턴 태그를 삽입하고, 태그를 삽입한 데이터를 퍼블리시하여 데이터 베이스를 업데이트하거나 새로운 데이터 베이스 구축한다.
이러한 데이터 형성부(420)는 데이터 분석부로부터 전달받은 패턴 정보를 이용하여, 데이터의 패턴을 구분하여 해당 패턴 태그를 삽입하는 데이터 태그부(Data Tagger)(421) 및 태그를 삽입한 데이터를 퍼블리시하여 데이터 베이스를 업데이트하거나 새로운 데이터 베이스 구축하는 태그된 데이터 발행부(Tagged Data Publisher)(422)를 포함한다.
데이터 통합부(430)는 전력 사용량 예측을 위한 사용량 패턴 및 태그 데이터를 데이터베이스와 데이터 분석부로부터 불러오고, 불러온 태그 데이터를 LSTM 입력 값으로 이용하기 위해 포맷을 변환하여 로드 예측부로 전달한다.
이러한 데이터 통합부(430)는 전력 사용량 예측을 위한 사용량 패턴 및 태그 데이터를 데이터베이스와 데이터 분석부로부터 불러오는 태그 리트리버(Tag Retriever)(431) 및 불러온 태그 데이터를 LSTM 입력 값으로 이용하기 위해 포맷을 변환하여 로드 예측부로 전달하는 태그 통합부(Tag Aggregator)(432)를 포함한다.
데이터 통합부(430)는 전력 사용량의 장기 및 단기 예측을 위해 시간 단위의 원시데이터가 아닌 일별 로드 프로파일 태그를 기반으로 시퀀스를 생성한다. 이때, 워드 임베딩(Word Embedding)을 이용하여 일별 로드 프로파일의 시퀀스를 벡터로 표현하고, 일별 로드 프로파일 간의 관계에 따른 값을 LSTM 입력 값으로 이용하도록 한다. 일별 로드 프로파일의 시퀀스에서 순차적으로 나타나는 패턴들의 통계적 분석(word2vec)을 통해 기계 학습이 가능하도록 각 패턴을 벡터 공간 모델로 벡터화한다.
로드 예측부(440)는 데이터 통합부로부터 태그 데이터를 LSTM 입력 값으로 전달받아 LSTM 네트워크를 기반으로 미래의 사용량 패턴을 예측하고 결과 값 태그화를 위해 데이터 형성부로 전달한다.
로드 예측부(440)는 벡터화된 복합적 태그 시퀀스를 입력 값으로 받는 LSTM 네트워크를 이용하여 미래의 사용량 패턴의 예측을 실행한다. 전력 사용에 영향을 주는 온도 및 습도 정보를 다차원적으로 함께 이용한 일별 로드 프로파일의 시퀀스로 미래 전력 사용량 패턴을 예측한다.
본 발명의 실시예에 따르면, 신경망 RNN(Recurrent Neural Network)을 포함하는 인공지능 기술을 이용하여 시간에 따른 데이터를 학습하기 위한 딥 러닝 모델을 이용하고, 이러한 방법은 최근 데이터에 대한 단기적 학습 및 오래된 데이터에 대한 장기적 학습이 모두 가능하다.
시각화부(450)는 데이터에 삽입된 태그를 이용하여 전력 사용량 데이터를 시각화하고, 삽입된 데이터 태그를 이용하여 패턴 데이터를 시각화한다.
이러한 시각화부(450)는 데이터에 삽입된 태그를 이용하여 전력 사용량 데이터를 시각화하는 데이터 시각화부(Data Visualizer)(451) 및 삽입된 데이터 태그를 이용하여 패턴 데이터를 시각화하는 패턴 시각화부(Pattern Visualizer)(452)를 포함한다. 도 5 내지 도 8을 참조하여 패턴 태깅 기술 기반 전력 데이터 예측 시스템의 동작을 더욱 상세히 설명한다.
도 5는 본 발명의 일 실시예에 따른 LSTM을 예측하는 과정을 설명하기 위한 도면이다.
벡터화된 복합적 태그 시퀀스를 입력 값으로 받는 LSTM을 활용하여 미래의 사용량 패턴에 대한 예측을 실행할 수 있다.
본 발명의 실시예에 따르면, 전력 사용량의 장기 및 단기 예측을 위해 분 또는 시간 단위의 원시데이터가 아닌 하루 기반 사용 프로파일 태그를 기반으로 시퀀스를 생성한다. 다시 말해, 도 5와 같이 시간 기반 전기 로드 데이터를 일별 로드 프로파일의 시퀀스로 생성한다. 이후, 워드 임베딩(Word Embedding)을 활용하여 프로파일을 벡터로써 표현하고, 프로파일 간의 관계를 내포한 값을 LSTM 입력 값으로 활용한다. 일별 로드 프로파일의 시퀀스는 사용 패턴 외에도 전력 사용에 영향을 줄 수 있는 온도 및 습도 정보를 다차원적으로 함께 활용하여 미래 전력 사용량 패턴을 프로파일 시퀀스로 예측할 수 있다.
도 6은 본 발명의 일 실시예에 따른 스트리밍 데이터를 이용하여 패턴 시퀀스를 생성하는 과정을 설명하기 위한 도면이다.
도 6과 같이 시간 기반 전기 로드 데이터인 스트리밍 데이터를 하루 간격의 패턴으로 나타내어 일별 로드 프로파일의 시퀀스를 생성한다. 이러한 스트리밍 데이터의 데이터 셋 예시로는 전력 로드(Power Load), 온도(Temperature), 풍속(Wind Speed), 이슬점(Dew Point) 등을 포함할 수 있다.
도 7은 본 발명의 일 실시예에 따른 패턴 시퀀스를 이용하여 벡터로 나타내는 과정을 설명하기 위한 도면이다.
도 7과 같이 일별 로드 프로파일 태그를 기반으로 생성된 패턴 시퀀스에서 순차적으로 나타나는 패턴들의 통계적 분석(word2vec)을 통해 각 패턴을 벡터 공간 모델로 나타낼 수 있다. 워드 임베딩(Word Embedding)을 이용하여 일별 로드 프로파일의 시퀀스를 벡터로 표현하고, 일별 로드 프로파일 간의 관계에 따른 값을 LSTM 입력 값으로 이용하도록 한다. 일별 로드 프로파일의 시퀀스에서 순차적으로 나타나는 패턴들의 통계적 분석(word2vec)을 통해 기계 학습이 가능하도록 각 패턴을 벡터 공간 모델로 벡터화한다.
도 8은 본 발명의 일 실시예에 따른 LSTM 네트워크를 기반으로 미래의 사용량 패턴을 예측하는 과정을 설명하기 위한 도면이다.
도 8과 같이 패턴 시퀀스를 벡터의 시퀀스로 나타내고, 이를 LSTM의 입력값으로 활용하여 미래 전력 사용 패턴을 예측할 수 있다. 벡터화된 복합적 태그 시퀀스를 입력 값으로 받는 LSTM 네트워크를 이용하여 미래의 사용량 패턴의 예측을 실행한다. 전력 사용에 영향을 주는 온도 및 습도 정보를 다차원적으로 함께 이용한 일별 로드 프로파일의 시퀀스로 미래 전력 사용량 패턴을 예측한다.
본 발명의 실시예에 따르면, 신경망 RNN(Recurrent Neural Network)을 포함하는 인공지능 기술을 이용하여 시간에 따른 데이터를 학습하기 위한 딥 러닝 모델을 이용하고, 이러한 방법은 최근 데이터에 대한 단기적 학습 및 오래된 데이터에 대한 장기적 학습이 모두 가능하다.
도 9는 본 발명의 일 실시예에 따른 패턴 태깅 기술 기반 전력 데이터 예측 방법을 설명하기 위한 흐름도이다.
제안하는 패턴 태깅 기술 기반 전력 데이터 예측 방법은 패턴 인식 및 추출을 실행하여 패턴을 각 데이터 베이스 별로 구분 및 저장하고, 다른 모듈에게 패턴 정보 제공을 위해 저장된 패턴을 퍼블리시하여 전달하는 단계(910), 데이터의 패턴을 구분하여 해당 패턴 태그를 삽입하고, 데이터를 퍼블리시하여 데이터베이스를 업데이트하거나 새로운 데이터베이스를 구출하는 단계(920), 데이터베이스와 데이터 분석부로부터 불러온 사용량 패턴 및 태그 데이터를 LSTM 입력 값으로 이용하기 위해 포맷을 변환하여 로드 예측부로 전달하는 단계(930), 로드 예측부를 통해 LSTM 네트워크를 기반으로 미래의 사용량 패턴을 예측하고 결과 값 태그화를 위해 데이터 형성부로 전달하는 단계(940) 및 전력 사용량 및 패턴 데이터를 시각화하는 단계(950)를 포함한다.
단계(910)에서, 데이터 분석부를 통해 데이터 베이스 별로 정보를 받아 클러스터링 비지도 학습을 통한 패턴 인식 및 추출을 실행하고, 인식 및 추출된 패턴을 각 데이터 베이스 별로 구분하여 저장한다. 그리고, 다른 모듈에게 패턴 정보 제공을 위해 저장된 패턴을 퍼블리시하여 전달한다. 도 10을 참조하여 데이터 분석 과정에 대하여 더욱 상세히 설명한다.
도 10은 본 발명의 일 실시예에 따른 데이터 분석 과정(910)을 설명하기 위한 흐름도이다.
단계(911)에서, 랜덤으로 선택된 데이터에 대하여 노멀라이즈(normalize)하는 전처리를 수행한다.
단계(912)에서, 민-시프트 클러스터링(mean-shift clustering)을 수행한다.
단계(913)에서, 클러스터링된 데이터의 후처리를 수행한다.
단계(914)에서, 데이터 베이스 별로 정보를 받아 클러스터링 비지도 학습을 통한 패턴 인식 및 추출을 실행하여 최종 패턴을 생성한다.
단계(915)에서, 인식 및 추출된 패턴을 각 데이터 베이스 별로 구분하여 저장한다.
단계(916)에서, 다른 모듈에게 패턴 정보 제공을 위해 저장된 패턴을 퍼블리시하여 전달한다.
단계(920)에서, 데이터 분석부로부터 전달받은 패턴 정보를 이용하여, 데이터 형성부를 통해 데이터의 패턴을 구분하여 해당 패턴 태그를 삽입하고, 태그를 삽입한 데이터를 퍼블리시하여 데이터 베이스를 업데이트하거나 새로운 데이터 베이스 구축한다. 도 11을 참조하여 데이터 형성 과정에 대하여 더욱 상세히 설명한다.
도 11은 본 발명의 일 실시예에 따른 데이터 형성 과정을 설명하기 위한 흐름도이다.
단계(921)에서, 데이터 형성부의 데이터 태그부를 통해 데이터 분석부로부터 전달받은 패턴 정보를 이용하여, 데이터의 패턴을 구분하여 해당 패턴 태그를 삽입한다.
단계9922)에서, 데이터 형성부의 태그된 데이터 발행부를 통해 태그를 삽입한 데이터를 퍼블리시하여 데이터 베이스를 업데이트하거나 새로운 데이터 베이스 구축한다.
단계(930)에서, 데이터 통합부를 통해 전력 사용량 예측을 위한 사용량 패턴 및 태그 데이터를 데이터베이스와 데이터 분석부로부터 불러오고, 불러온 태그 데이터를 LSTM 입력 값으로 이용하기 위해 포맷을 변환하여 로드 예측부로 전달한다. 도 12를 참조하여 데이터 통합 과정에 대하여 더욱 상세히 설명한다.
도 12는 본 발명의 일 실시예에 따른 데이터 통합 과정(930)을 설명하기 위한 흐름도이다.
단계(931)에서, 데이터 통합부의 태그 리트리버를 통해 전력 사용량 예측을 위한 사용량 패턴 및 태그 데이터를 데이터베이스와 데이터 분석부로부터 불러온다.
단계(932)에서, 데이터 통합부의 태그 통합부를 통해 불러온 태그 데이터를 LSTM 입력 값으로 이용하기 위해 포맷을 변환하여 로드 예측부로 전달한다.
다시 말해, 전력 사용량의 장기 및 단기 예측을 위해 시간 단위의 원시데이터가 아닌 일별 로드 프로파일 태그를 기반으로 시퀀스를 생성한다. 이때, 워드 임베딩(Word Embedding)을 이용하여 일별 로드 프로파일의 시퀀스를 벡터로 표현하고, 일별 로드 프로파일 간의 관계에 따른 값을 LSTM 입력 값으로 이용하도록 한다. 일별 로드 프로파일의 시퀀스에서 순차적으로 나타나는 패턴들의 통계적 분석(word2vec)을 통해 기계 학습이 가능하도록 각 패턴을 벡터 공간 모델로 벡터화한다.
단계(940)에서, 데이터 통합부로부터 태그 데이터를 LSTM 입력 값으로 전달받아 로드 예측부를 통해 LSTM 네트워크를 기반으로 미래의 사용량 패턴을 예측하고 결과 값 태그화를 위해 데이터 형성부로 전달한다.
단계(940)에서, 로드 예측부를 통해 벡터화된 복합적 태그 시퀀스를 입력 값으로 받는 LSTM 네트워크를 이용하여 미래의 사용량 패턴의 예측을 실행한다. 전력 사용에 영향을 주는 온도 및 습도 정보를 다차원적으로 함께 이용한 일별 로드 프로파일의 시퀀스로 미래 전력 사용량 패턴을 예측한다.
본 발명의 실시예에 따르면, 신경망 RNN(Recurrent Neural Network)을 포함하는 인공지능 기술을 이용하여 시간에 따른 데이터를 학습하기 위한 딥 러닝 모델을 이용하고, 이러한 방법은 최근 데이터에 대한 단기적 학습 및 오래된 데이터에 대한 장기적 학습이 모두 가능하다.
단계(950)에서, 데이터에 삽입된 태그를 이용하여 전력 사용량 데이터를 시각화하고, 삽입된 데이터 태그를 이용하여 패턴 데이터를 시각화한다.
상술한 바와 같이 IoT 시장은 계속하여 커지고 있으며, 그 중에서도 전력 산업과 관련된 스마트 미터 기기의 수가 늘어가며 시장 확대가 예측된다. 또한, 커져가는 IoT 시장과 늘어가는 스마트 미터 기기의 수에 비례하여 전력 데이터가 기하학적으로 생성되는 환경에서, 에너지 관련 IoT 데이터의 저장, 관리, 처리, 시각화 시장과 함께 여러 에너지 관리 관련 서비스에 응용될 수 있는 전력 사용량 및 생성량 예측 방법에 대한 필요성이 계속하여 부각되고 있다.
따라서 본 발명의 실시예에 따른 패턴 태깅 기술 기반 전력 데이터 예측 방법 및 시스템을 이용한 전력 사용량 및 생성량 예측을 통해 잉여 생성 전력 및 전력 부족 문제를 해결함으로써 사회적, 금전적 효과를 기대할 수 있다. 뿐만 아니라, 본 발명에 제안하는 전력 사용량 및 생성량 예측은 에너지 데이터 분석과 응용 서비스의 기초 분야로서, 관련 기술은 에너지 데이터의 다양한 분석 분야와 서비스에서 활용될 것으로 기대된다(예를 들어, 전력 거래, 에너지 관리, 사용자 행동 분석, 비정상 이벤트 예측 또는 감지, 누락 데이터 보간 등). 또한, 예측 방법 및 그 결과 값 활용에 따른 새로운 비즈니스 모델의 도출 또한 가능할 것으로 보인다.
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, FPA(field programmable 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 장치에 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. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 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.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 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.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.
Claims (20)
- 전력 사용량 예측을 위한 사용량 패턴 및 태그 데이터를 데이터베이스와 데이터 분석부로부터 불러오고, 불러온 태그 데이터를 LSTM 입력 값으로 이용하기 위해 포맷을 변환하여 로드 예측부로 전달하는 데이터 통합부; 및
데이터 통합부로부터 태그 데이터를 LSTM 입력 값으로 전달받아 LSTM 네트워크를 기반으로 미래의 사용량 패턴을 예측하고 결과 값 태그화를 위해 데이터 형성부로 전달하는 로드 예측부
를 포함하고,
데이터 통합부는,
전력 사용량의 장기 및 단기 예측을 위해 시간 단위의 원시데이터가 아닌 일별 로드 프로파일 태그를 기반으로 시퀀스를 생성하고,
워드 임베딩(Word Embedding)을 이용하여 일별 로드 프로파일의 시퀀스를 벡터로 표현하고, 일별 로드 프로파일 간의 관계에 따른 값을 LSTM 입력 값으로 이용하도록 하며,
일별 로드 프로파일의 시퀀스에서 순차적으로 나타나는 패턴들의 통계적 분석(word2vec)을 통해 기계 학습이 가능하도록 각 패턴을 벡터 공간 모델로 벡터화하고,
데이터 통합부는,
전력 사용량 예측을 위한 사용량 패턴 및 태그 데이터를 데이터베이스와 데이터 분석부로부터 불러오는 태그 리트리버(Tag Retriever); 및
불러온 태그 데이터를 LSTM 입력 값으로 이용하기 위해 포맷을 변환하여 로드 예측부로 전달하는 태그 통합부(Tag Aggregator)를 포함하는
전력 데이터 예측 시스템. - 제1항에 있어서,
데이터 분석부를 더 포함하고,
데이터 분석부는,
데이터 베이스 별로 정보를 받아 클러스터링 비지도 학습을 통한 패턴 인식 및 추출을 실행하는 패턴 인식부;
인식 및 추출된 패턴을 각 데이터 베이스 별로 구분하여 저장하는 패턴 저장부; 및
다른 모듈에게 패턴 정보 제공을 위해 저장된 패턴을 퍼블리시하여 전달하는 패턴 발행부
를 포함하는 전력 데이터 예측 시스템. - 제1항에 있어서,
데이터 형성부를 더 포함하고,
데이터 형성부는,
데이터 분석부로부터 전달받은 패턴 정보를 이용하여, 데이터의 패턴을 구분하여 해당 패턴 태그를 삽입하는 데이터 태그부; 및
태그를 삽입한 데이터를 퍼블리시하여 데이터 베이스를 업데이트하거나 새로운 데이터 베이스 구축하는 태그된 데이터 발행부
를 포함하는 전력 데이터 예측 시스템. - 제1항에 있어서,
시각화부를 더 포함하고,
시각화부는,
데이터에 삽입된 태그를 이용하여 전력 사용량 데이터를 시각화하는 데이터 시각화부; 및
삽입된 데이터 태그를 이용하여 패턴 데이터를 시각화하는 패턴 시각화부
를 포함하는 전력 데이터 예측 시스템. - 삭제
- 삭제
- 삭제
- 제1항에 있어서,
로드 예측부는,
벡터화된 복합적 태그 시퀀스를 입력 값으로 받는 LSTM 네트워크를 이용하여 미래의 사용량 패턴의 예측을 실행하는
전력 데이터 예측 시스템. - 제8항에 있어서,
로드 예측부는,
전력 사용에 영향을 주는 온도 및 습도 정보를 다차원적으로 함께 이용한 일별 로드 프로파일의 시퀀스로 미래 전력 사용량 패턴을 예측하는
전력 데이터 예측 시스템. - 제8항에 있어서,
로드 예측부는,
신경망 RNN(Recurrent Neural Network)을 포함하는 인공지능 기술을 이용하여 시간에 따른 데이터를 학습하기 위한 딥 러닝 모델을 이용하고, 최근 데이터에 대한 단기적 학습 및 오래된 데이터에 대한 장기적 학습이 모두 가능한
전력 데이터 예측 시스템. - 데이터 통합부를 통해 전력 사용량 예측을 위한 사용량 패턴 및 태그 데이터를 데이터베이스와 데이터 분석부로부터 불러오고, 불러온 태그 데이터를 LSTM 입력 값으로 이용하기 위해 포맷을 변환하여 로드 예측부로 전달하는 단계; 및
데이터 통합부로부터 태그 데이터를 LSTM 입력 값으로 전달받아 로드 예측부를 통해 LSTM 네트워크를 기반으로 미래의 사용량 패턴을 예측하고 결과 값 태그화를 위해 데이터 형성부로 전달하는 단계
를 포함하고,
데이터 통합부를 통해 전력 사용량 예측을 위한 사용량 패턴 및 태그 데이터를 데이터베이스와 데이터 분석부로부터 불러오고, 불러온 태그 데이터를 LSTM 입력 값으로 이용하기 위해 포맷을 변환하여 로드 예측부로 전달하는 단계는,
전력 사용량의 장기 및 단기 예측을 위해 시간 단위의 원시데이터가 아닌 일별 로드 프로파일 태그를 기반으로 시퀀스를 생성하고,
워드 임베딩(Word Embedding)을 이용하여 일별 로드 프로파일의 시퀀스를 벡터로 표현하고, 일별 로드 프로파일 간의 관계에 따른 값을 LSTM 입력 값으로 이용하도록 하며,
일별 로드 프로파일의 시퀀스에서 순차적으로 나타나는 패턴들의 통계적 분석(word2vec)을 통해 기계 학습이 가능하도록 각 패턴을 벡터 공간 모델로 벡터화하고,
태그 리트리버를 통해 전력 사용량 예측을 위한 사용량 패턴 및 태그 데이터를 데이터베이스와 데이터 분석부로부터 불러오고, 불러온 태그 데이터를 LSTM 입력 값으로 이용하기 위해 태그 통합부를 통해 포맷을 변환하여 로드 예측부로 전달하는
전력 데이터 예측 방법. - 제11항에 있어서,
데이터 분석부를 통해 데이터 베이스 별로 정보를 받아 클러스터링 비지도 학습을 통한 패턴 인식 및 추출을 실행하고, 인식 및 추출된 패턴을 각 데이터 베이스 별로 구분하여 저장하며, 다른 모듈에게 패턴 정보 제공을 위해 저장된 패턴을 퍼블리시하여 전달하는 단계
를 더 포함하는 전력 데이터 예측 방법. - 제11항에 있어서,
데이터 분석부로부터 전달받은 패턴 정보를 이용하여, 데이터 형성부를 통해 데이터의 패턴을 구분하여 해당 패턴 태그를 삽입하고, 태그를 삽입한 데이터를 퍼블리시하여 데이터 베이스를 업데이트하거나 새로운 데이터 베이스 구축하는 단계
를 더 포함하는 전력 데이터 예측 방법. - 제11항에 있어서,
데이터에 삽입된 태그를 이용하여 전력 사용량 데이터를 시각화하고, 삽입된 데이터 태그를 이용하여 패턴 데이터를 시각화하는 단계
를 더 포함하는 전력 데이터 예측 방법. - 삭제
- 삭제
- 삭제
- 제11항에 있어서,
데이터 통합부로부터 태그 데이터를 LSTM 입력 값으로 전달받아 로드 예측부를 통해 LSTM 네트워크를 기반으로 미래의 사용량 패턴을 예측하고 결과 값 태그화를 위해 데이터 형성부로 전달하는 단계는,
벡터화된 복합적 태그 시퀀스를 입력 값으로 받는 LSTM 네트워크를 이용하여 미래의 사용량 패턴의 예측을 실행하는
전력 데이터 예측 방법. - 제18항에 있어서,
전력 사용에 영향을 주는 온도 및 습도 정보를 다차원적으로 함께 이용한 일별 로드 프로파일의 시퀀스로 미래 전력 사용량 패턴을 예측하는
전력 데이터 예측 방법. - 제18항에 있어서,
신경망 RNN(Recurrent Neural Network)을 포함하는 인공지능 기술을 이용하여 시간에 따른 데이터를 학습하기 위한 딥 러닝 모델을 이용하고, 최근 데이터에 대한 단기적 학습 및 오래된 데이터에 대한 장기적 학습이 모두 가능한
전력 데이터 예측 방법.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020180147799A KR102150170B1 (ko) | 2018-11-26 | 2018-11-26 | 패턴 태깅 기술 기반 전력 데이터 예측 방법 및 시스템 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020180147799A KR102150170B1 (ko) | 2018-11-26 | 2018-11-26 | 패턴 태깅 기술 기반 전력 데이터 예측 방법 및 시스템 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20200068056A KR20200068056A (ko) | 2020-06-15 |
KR102150170B1 true KR102150170B1 (ko) | 2020-09-01 |
Family
ID=71081545
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020180147799A KR102150170B1 (ko) | 2018-11-26 | 2018-11-26 | 패턴 태깅 기술 기반 전력 데이터 예측 방법 및 시스템 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102150170B1 (ko) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112163689A (zh) * | 2020-08-18 | 2021-01-01 | 国网浙江省电力有限公司绍兴供电公司 | 基于深度Attention-LSTM的短期负荷分位点概率预测方法 |
CN112765141A (zh) * | 2021-01-13 | 2021-05-07 | 杭州电子科技大学 | 基于迁移学习的连续大规模水质缺失数据填补方法 |
KR102538324B1 (ko) * | 2021-02-16 | 2023-05-30 | 명지대학교 산학협력단 | 전력시스템 간 연계를 위한 데이터 통합 및 연계 서비스 방법 |
CN117458572B (zh) * | 2023-12-22 | 2024-03-15 | 深圳市超思维电子股份有限公司 | 用于储能柜bms的供电管理*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20180060317A (ko) * | 2016-11-28 | 2018-06-07 | 한국전력공사 | 심층 신경망 기반 수용가 전력 수요 예측 장치 및 방법 |
-
2018
- 2018-11-26 KR KR1020180147799A patent/KR102150170B1/ko active IP Right Grant
Non-Patent Citations (1)
Title |
---|
Short-Term Load Forecasting Using EMD-LSTM Neural Networks with a Xgboost Algorithm for Feature Importance Evaluation(2017.08.08.) 1부. |
Also Published As
Publication number | Publication date |
---|---|
KR20200068056A (ko) | 2020-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102150170B1 (ko) | 패턴 태깅 기술 기반 전력 데이터 예측 방법 및 시스템 | |
US11586880B2 (en) | System and method for multi-horizon time series forecasting with dynamic temporal context learning | |
US10353685B2 (en) | Automated model management methods | |
Raju et al. | IOT based online load forecasting using machine learning algorithms | |
KR101966557B1 (ko) | 빅데이터와 머신러닝을 이용한 수리부속수요 예측 시스템 및 방법 | |
CN109376772B (zh) | 一种基于神经网络模型的电力负荷组合预测方法 | |
Vercamer et al. | Predicting consumer load profiles using commercial and open data | |
CN106709588B (zh) | 预测模型构建方法和设备以及实时预测方法和设备 | |
CN111105786B (zh) | 一种多采样率语音识别方法、装置、***及存储介质 | |
CN117041017B (zh) | 数据中心的智能运维管理方法及*** | |
CN114925938B (zh) | 一种基于自适应svm模型的电能表运行状态预测方法、装置 | |
Raghavendra et al. | Artificial humming bird with data science enabled stability prediction model for smart grids | |
CN113986674A (zh) | 时序数据的异常检测方法、装置和电子设备 | |
KR20200074825A (ko) | 패턴 태깅 기술 기반 비정상 전력 데이터 판별 방법 및 시스템 | |
Himeur et al. | On the applicability of 2d local binary patterns for identifying electrical appliances in non-intrusive load monitoring | |
KR102574865B1 (ko) | 인공지능 기반 광고 데이터 시각화 시스템 | |
KR102072901B1 (ko) | 패턴 태깅 기술 기반 전력 데이터 저장 관리 방법 및 시스템 | |
CN117094651A (zh) | 一体化储能管理***及能量管理方法 | |
KR20220055737A (ko) | 전기 이용 고객 데이터 군집 분석 방법 | |
CN109063790A (zh) | 对象识别模型优化方法、装置和电子设备 | |
CN115062709A (zh) | 模型优化方法、装置、设备、存储介质及程序产品 | |
CN117094535B (zh) | 基于人工智能的能源补给管理方法及*** | |
KR102306968B1 (ko) | 사용자의 사용특성을 고려한 전력 사용량 예측 알고리즘 | |
CN117592595A (zh) | 一种配电网负荷预测模型建立、预测方法及装置 | |
CN115018212B (zh) | 发电用水量预测分析方法、***及云平台 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |