KR102229887B1 - 조업데이터를 학습하여 전력사용량을 예측하는 분석 시스템 및 그 방법 - Google Patents

조업데이터를 학습하여 전력사용량을 예측하는 분석 시스템 및 그 방법 Download PDF

Info

Publication number
KR102229887B1
KR102229887B1 KR1020200124955A KR20200124955A KR102229887B1 KR 102229887 B1 KR102229887 B1 KR 102229887B1 KR 1020200124955 A KR1020200124955 A KR 1020200124955A KR 20200124955 A KR20200124955 A KR 20200124955A KR 102229887 B1 KR102229887 B1 KR 102229887B1
Authority
KR
South Korea
Prior art keywords
data
power
management server
operating
variable
Prior art date
Application number
KR1020200124955A
Other languages
English (en)
Inventor
엄근호
이혁수
이석준
Original Assignee
주식회사 티라유텍
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 주식회사 티라유텍 filed Critical 주식회사 티라유텍
Priority to KR1020200124955A priority Critical patent/KR102229887B1/ko
Application granted granted Critical
Publication of KR102229887B1 publication Critical patent/KR102229887B1/ko

Links

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
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
    • 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)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Power Engineering (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)

Abstract

조업데이터를 학습하여 전력사용량을 예측하는 분석 시스템 및 그 방법이 제공된다. 상기 방법은, 전력데이터 관리서버가 조업실적데이터에 대응하는 조업전력데이터를 기초로 포함하는 조업데이터를 이용하여 표준조업데이터를 생성하는 단계; 및 상기 전력데이터 관리서버가 상기 표준조업데이터를 기초로 하여 공정별전력사용량 및 품목별전력사용량을 분석하여 예측조업전력데이터를 생성하는 단계;를 포함하되, 상기 예측조업전력데이터를 생성하는 단계는, 상기 전력데이터 관리서버가 상기 조업전력데이터에 영향을 미치는 변수데이터와 상기 조업전력데이터 사이의 상관관계를 분석하여 상관계수를 산출하는 단계; 상기 전력데이터 관리서버가 상기 상관계수를 기초로 하여 상기 변수데이터를 이용하여 독립변수 및 종속변수가 포함된 회귀계수를 산출하는 단계; 상기 전력데이터 관리서버가 상기 회귀계수 중 유사성을 갖는 데이터를 표준화하여 군집화하여 군집데이터를 생성하는 단계; 상기 전력데이터 관리서버가 상기 조업전력데이터와 상기 군집데이터를 교차 분석하여 전력사용량구간데이터를 생성하는 단계; 및 상기 전력데이터 관리서버가 상기 전력사용량구간데이터를 상기 공정별전력사용량 및 상기 품목별전력사용량을 분석하여 상기 예측조업전력데이터를 생성하는 단계;를 포함할 수 있다.

Description

조업데이터를 학습하여 전력사용량을 예측하는 분석 시스템 및 그 방법 {AN ANALYSIS SYSTEM FOR PREDICTIVE POWER USAGE BY LEARNING OPERATION DATA AND METHOD THEREOF}
본 발명은 조업데이터를 학습하여 전력사용량을 예측하는 분석 시스템 및 그 방법에 관한 것으로써, 특히, 조업데이터에 포함된 전력사용량을 공정별품목별로 분리 및 분석하여 전력사용량을 예측할 수 있는, 조업데이터를 학습하여 전력사용량을 예측하는 분석 시스템 및 그 방법에 관하 것이다.
우리나라의 전력사용량은 경제성장 및 인구의 증가와 함께 빠르게 증가해왔다. 2000년부터 2008년까지 연 평균 5.6%의 전력소비 증가율을 보였으나 2010년 이후 과거 대비 증가율이 둔화되기 시작하여 2013년은 경제성장률이 3% 내외로 회복하였음에도 불구하고 전력사용량 증가율은 0.76%로 매우 둔화 되었고 2014년은 -0.42%로 오히려 감소한 것으로 나타났다. 이러한 전력사용량의 변화는 향후 국가적 관점의 에너지 정책 수립의 중요 요소로 작용하여 정확한 전력사용량을 예측하는 문제는 매우 중요하다고 할 수 있다.
일반적으로 전력수요예측은 안정적이고 원활한 전력계통 운영과 전력수급 계획 수립을 위한 중요한 요소이다. 전력수요예측 결과는 전력가격을 결정하거나, 전력계통 운영을 위해 사용되므로, 전력수요예측의 오차는 안정적인 전력계통 운영을 방해하고 막대한 경제적 손실을 야기하는 원인이 될 수 있다.
따라서, 전력수요예측의 오차를 줄이기 위하여, 시계열 분석법, 회귀 분석법, 인공신경망, 지식기반 전문가 시스템 등 다양한 전력수요예측기법들이 제시 되어왔다.
한국공개특허 제10-2018-0023082호, 2018.03.07
본 발명이 해결하고자 하는 과제는 조업데이터를 학습하여 전력사용량을 예측하는 분석 시스템 및 그 방법을 제공하는 것이다.
본 발명이 해결하고자 하는 과제는 머신러닝 기법을 이용하여 표준조업데이터를 생성하여 반복 학습함으로써, 조업패턴을 분석하여 전력사용량을 예측할 수 있는 조업데이터를 학습하여 전력사용량을 예측하는 분석 시스템 및 그 방법을 제공하는 것이다.
본 발명이 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
상술한 과제를 해결하기 위한 본 발명의 일 실시예에 따른 조업데이터를 학습하여 전력사용량을 예측하는 분석방법은, 전력데이터 관리서버가 조업실적데이터에 대응하는 조업전력데이터를 기초로 포함하는 조업데이터를 이용하여 표준조업데이터를 생성하는 단계; 및 상기 전력데이터 관리서버가 상기 표준조업데이터를 기초로 하여 공정별전력사용량 및 품목별전력사용량을 분석하여 예측조업전력데이터를 생성하는 단계;를 포함하되, 상기 예측조업전력데이터를 생성하는 단계는, 상기 전력데이터 관리서버가 상기 조업전력데이터에 영향을 미치는 변수데이터와 상기 조업전력데이터 사이의 상관관계를 분석하여 상관계수를 산출하는 단계; 상기 전력데이터 관리서버가 상기 상관계수를 기초로 하여 상기 변수데이터를 이용하여 독립변수 및 종속변수가 포함된 회귀계수를 산출하는 단계; 상기 전력데이터 관리서버가 상기 회귀계수 중 유사성을 갖는 데이터를 표준화하여 군집화하여 군집데이터를 생성하는 단계; 상기 전력데이터 관리서버가 상기 조업전력데이터와 상기 군집데이터를 교차 분석하여 전력사용량구간데이터를 생성하는 단계; 및 상기 전력데이터 관리서버가 상기 전력사용량구간데이터를 상기 공정별전력사용량 및 상기 품목별전력사용량을 분석하여 상기 예측조업전력데이터를 생성하는 단계;를 포함할 수 있다.
본 발명의 일 실시예에 있어서, 상기 전력데이터 관리서버는 상기 조업데이터를 기초로 하여 상기 조업전력데이터를 공정별데이터마트 및 품목별데이터마트로 분류하고, 상기 공정별데이터마트는 소재중량데이터 및 제품수량데이터를 공정별로 가공한 데이터이고, 상기 품목별데이터마트는 소재중량데이터 및 제품수량데이터를 품목별로 가공한 데이터일 수 있다.
본 발명의 일 실시예에 있어서, 상기 변수데이터는 상기 공정별데이터마트 및 상기 품목별데이터마트에 대한 공정변수 및 품목변수를 포함하고, 상기 종속변수는 조업전력데이터며, 상기 회귀계수를 산출하는 단계는, 상기 전력데이터 관리서버가 상기 공정변수 및 상기 품목변수를 상기 독립변수로 설정하여 상기 공정변수 및 상기 품목변수 중 상기 종속변수에 미치는 영향력을 갖는 독립변수를 도출하기 위해 상기 변수데이터를 회귀분석하는 단계; 및 상기 전력데이터 관리서버가 상기 1차회귀분석결과 도출된 독립변수를 이용하여 상기 도출된 독립변수가 상기 종속변수에 미치는 영향력강도를 도출하기 위해 2차 회귀분석하는 단계;를 포함할 수 있다.
본 발명의 일 실시예에 있어서, 상기 전력사용량구간데이터를 생성하는 단계는, 상기 전력데이터 관리서버가 상기 군집데이터와, 상기 공정별전력사용량 및 상기 품목별전력사용량에 매칭되는 상기 전력사용량구간을 검토하여 저사용전력구간 및 고사용전력구간으로 설정할 수 있다.
본 발명의 일 실시예에 있어서, 상기 전력데이터 관리서버가 상기 조업전력데이터의 평균값을 산출하고, 상기 조업전력데이터와 상기 평균값을 비교하여 산출된 표준편차를 기준으로 상기 조업전력데이터가 -1값보다 작은 경우, 상기 조업전력데이터에 대한 상기 전력사용량구간을 상기 저사용전력구간으로 설정하며, 상기 조업전력데이터가 +1값보다 큰 경우 상기 조업전력데이터에 대한 상기 전력사용량구간을 상기 고사용전력구간으로 설정하되, 상기 전력데이터 관리서버가 상기 표준편차를 기준으로 상기 전력사용데이터와 상기 군집데이터를 교차 분석하여 상기 전력사용량구간데이터를 생성할 수 있다.
본 발명의 일 실시예에 있어서, 상기 전력데이터 관리서버가 상기 조업전력데이터를 기초로 상기 전력사용량구간을 0~9 단계로 구간값을 분리하고, 상기 조업전력데이터의 구간값이 6이하인 경우 상기 조업전력데이터에 대한 상기 전력사용량구간을 상기 저사용전력구간으로 설정하며, 상기 조업전력데이터의 구간값이 7이상인 경우 상기 조업전력데이터에 대한 상기 전력사용량구간을 상기 고사용전력구간으로 설정하되, 상기 전력데이터 관리서버가 상기 구간값을 기준으로 상기 전력사용데이터와 상기 군집데이터를 교차 분석하여 상기 전력사용량구간데이터를 생성할 수 있다.
본 발명의 일 실시예에 있어서, 상기 전력데이터 관리서버가 상기 군집데이터를 생성하기 위해 상기 독립변수 및 상기 종속변수를 표준단위(제트스코어, Z-score)로 변환하는 단계;를 포함할 수 있다.
본 발명의 일 실시예에 있어서, 상기 상관계수를 산출하는 단계는, 상기 표준조업데이터는 상기 조업데이터에 대응하여 전력데이터 관리서버가 상기 변수데이터가 포함되지 않는 조업데이터를 제외한 조업데이터에 대응하는 상기 조업전력데이터와, 상기 변수데이터 사이의 상관관계를 분석할 수 있다.
본 발명의 일 실시예에 있어서, 상기 표준조업데이터는 상기 조업데이터에 대응하여 실시간으로 업데이트되는 단계;를 더 포함할 수 있다.
또한, 상술한 과제를 해결하기 위한 본 발명의 다른 일실시예에 따른 조업데이터를 학습하여 전력사용량을 예측하는 분석 시스템은, 조업실적데이터에 대응하는 조업전력데이터를 포함하는 조업데이터를 이용하여 생성된 표준조업데이터를 기초로 하여 공정별전력사용량 및 품목별전력사용량을 분석하여 예측조업전력데이터를 생성하는 전력데이터 관리서버;를 포함할 수 있다.
본 발명의 일 실시예에 있어서, 상기 조업데이터를 학습하여 상기 표준조업데이터를 생성하는 관리자 단말기; 를 더 포함할 수 있다.
그리고, 본 발명의 일실시예에 따른 프로그램은 하드웨어인 컴퓨터와 결합되어, 상기 싱글리드 심전도 데이터를 이용하여 심장의 질병 유무를 판단하는 심전도 측정 방법을 수행할 수 있도록 컴퓨터에서 독출가능한 기록매체에 저장된다.
본 발명의 기타 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.
본 발명에 따르면, 조업데이터를 기초로 하여 전력사용량에 영향을 미치는 공정별전력사용량 및 품목별전력사용량을 분석함으로써, 조업패턴을 예측하여 이에 대한 전력사용량을 더욱 정확하게 예상할 수 있다.
본 발명에 따르면, 조업패턴을 예측하여 이에 대한 전력사용량을 정확하게 예상함으로써, 상황에 따라 실시간으로 전력사용량을 조절하여 조업 시 안정적으로 전력을 제공할 수 있다.
본 발명에 따르면, 조업패턴을 예측하여 이에 대한 전력사용량을 정확하게 예상함으로써, 제조되는 제조되는 제품의 품질관리를 더욱 효율적으로 관리할 수 있다.
본 발명의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1은 조업데이터를 학습하여 전력사용량을 예측하는 분석 시스템을 설명하기 위한 도면이다.
도 2는 도 1에 도시된 조업관리 단말기로부터 생성되는 조업데이터를 설명하기 위한 도면이다.
도 3은 도 1에 도시된 전처리모듈을 통해 생성된 변수데이터를 설명하기 위한 도면이다.
도 4는 도 1에 도시된 전력사용구간설정모듈을 통해 생성된 전력사용량구간데이터를 설명하기 위한 도면이다.
도 5는 본 발명의 다른 실시예에 따른 조업데이터를 학습하여 전력사용량을 예측하는 분석 시스템을 설명하기 위한 도면이다.
도 6은 본 발명의 일실시예인 조업데이터를 학습하여 전력사용량을 예측하는 분석방법을 설명하기 위한 도면이다.
도 7은 도 6에 도시된 표준조업데이터를 생성하는 방법을 설명하기 위한 상세도면이다.
도 8은 공정별전력사용량을 분석한 전력사용량을 설명하기 위한 도면이다.
도 9는 독립변수의 상관관계에 대한 다중공선성의 검증결과를 설명하기 위한 도면이다.
도 10은 전력사용량구간데이터를 설명하기 위한 도면이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부된 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 제한되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술 분야의 통상의 기술자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다. 명세서 전체에 걸쳐 동일한 도면 부호는 동일한 구성 요소를 지칭하며, "및/또는"은 언급된 구성요소들의 각각 및 하나 이상의 모든 조합을 포함한다. 비록 "제1", "제2" 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 구성요소는 본 발명의 기술적 사상 내에서 제2 구성요소일 수도 있음은 물론이다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야의 통상의 기술자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예를 상세하게 설명한다.
도 1은 조업데이터를 학습하여 전력사용량을 예측하는 분석 시스템을 설명하기 위한 도면이고, 도 2는 도 1에 도시된 조업관리 단말기로부터 생성되는 조업데이터를 설명하기 위한 도면으로써, 도 2(a)는 조업실적데이터를 설명하기 위한 도면이고, 도 2(b)는 조업전력데이터를 설명하기 위한 도면이다. 도 3은 도 1에 도시된 전처리모듈을 통해 생성된 변수데이터를 설명하기 위한 도면으로써, 도 3(a)는 공정별데이터마트에 대한 변수데이터를 설명하기 위한 도면이고, 도 3(b) 품목별데이터마트에 대한 변수데이터를 설명하기 위한 도면이다. 도 4는 도 1에 도시된 전력사용구간설정모듈을 통해 생성된 전력사용량구간데이터를 설명하기 위한 도면으로써, 도 4(a)는 공정변수에 대한 고사용전력사용구간을 설명하기 위한 도면이고, 도 4(b)는 품목변수에 대한 고사용전력사용구간을 설명하기 위한 도면이다.
도 1에 도시된 바와 같이, 본 발명의 일실시예인 조업데이터를 학습하여 전력사용량을 예측하는 분석 시스템(1)은 조업관리 단말기(10) 및 전력데이터 관리서버(20)를 포함할 수 있다.
여기서, 조업관리 단말기(10) 및 전력데이터 관리서버(20)는 무선통신망을 이용하여 실시간으로 동기화되어 데이터를 송수신할 수 있다. 무선통신망은 다양한 원거리 통신 방식이 지원될 수 있으며, 예를 들어 무선랜(Wireless LAN: WLAN), DLNA(Digital Living Network Alliance), 와이브로(Wireless Broadband: Wibro), 와이맥스(World Interoperability for Microwave Access: Wimax), GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), CDMA2000(Code Division Multi Access 2000), EV-DO(Enhanced Voice-Data Optimized or Enhanced Voice-Data Only), WCDMA(Wideband CDMA), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), IEEE 802.16, 롱 텀 에볼루션(Long Term Evolution: LTE), LTEA(Long Term Evolution-Advanced), 광대역 무선 이동 통신 서비스(Wireless Mobile Broadband Service: WMBS), BLE(Bluetooth Low Energy), 지그비(Zigbee), RF(Radio Frequency), LoRa(Long Range) 등과 같은 다양한 통신 방식이 적용될 수 있으나, 이에 한정되지 않으며 널리 알려진 다양한 무선통신 또는 이동통신 방식이 적용될 수도 있다.
조업관리 단말기(10)는 복수개의 설비가 구비된 생산 공간에서 발생하는 조업데이터를 관리하는 단말기로써, 본 개시에서 응용 프로그램(application program 또는 애플리케이션(application))을 이용하여 동작할 수 있으며, 이러한 응용 프로그램은 무선통신을 통해 외부서버 또는 전력데이터 관리서버(20)로부터 다운로드 될 수 있다.
조업관리 단말기(10)는 신호송수신부(100), 표시부(120), 메모리부(140), 전원부(160) 및 단말제어부(180)를 포함할 수 있다.
신호송수신부(100)는 전력데이터 관리서버(20)로 조업데이터를 전송하고, 조업데이터에 대응하는 예측조업데이터를 전력데이터 관리서버(20)로부터 수신받을 수 있다.
여기서, 조업데이터는 조업실적데이터와 조업실적에 대응하는 전력사용량에 대한 조업전력데이터를 포함할 수 있다. 예를 들어, 조업데이터는 도 2(a)에 도시된 바와 같이 공정별 및 품목별로 에너지, 생산성 및 품질에 대한 조업실적데이터와, 도 2(b)에 도시된 바와 같이 조업실적데이터에 대응하여 사용된 전력사용량에 대한 조업전력데이터를 포함할 수 있지만, 이에 한정하지 않는다
또한, 예측조업데이터는 표준조업데이터에 기초하여 조업패턴을 분석하여 예상되는 예측조업실적데이터와, 예측조업실적데이터에 비례하여 예상되는 전력사용량에 대한 예측조업전력데이터를 포함될 수 있지만, 이에 한정하지 않는다.
그리고, 표준조업데이터는 조업실적데이터에 대응하는 조업전력데이터를 반복 학습하여 수치적으로 최적화된 정보일 수 있다. 여기서, 표준조업데이터는 조업데이터에 대응하여 실시간으로 업데이트될 수 있다.
실시예에 따라, 신호송수신부(100)는 전력데이터 관리서버(20)로부터 설비 또는 조업관리 단말기(10)에 대한 피드백신호를 수신받을 수 있다.
실시예에 따라, 신호송수신부(100)는 표준조업데이터를 수신받을 수 있다.
표시부(120)는 조업관리 단말기(10)의 현재 동작상태를 시각적 및 청각적으로 표시하는 수단으로서, 동작 상태에 따라 기호, 문자, 숫자 등을 화면에 출력할 수 디스플레이, 색변화 또는 깜빡임으로 출력하는 램프, 또는 오디오로 출력하는 스피커 등을 포함할 수 있다.
메모리부(140)는 신호송수신부(100)를 통해 송수신되는 데이터와 조업관리 단말기(10)의 다양한 기능을 지원하는 데이터를 저장할 수 있다.
메모리부(140)는 조업관리 단말기(10)에서 구동되는 다수의 응용 프로그램(application program 또는 애플리케이션(application)), 조업관리 단말기(10)의 동작을 위한 데이터들, 명령어들을 저장할 수 있다. 이러한 응용 프로그램 중 적어도 일부는, 무선통신을 통해 외부 서버로부터 다운로드 될 수 있다.
전원부(160)는 단말제어부(180)의 제어하에서, 외부의 전원, 내부의 전원을 인가받아 조업관리 단말기(10)에 포함된 각 구성요소들에 전원을 공급할 수 있다.
이러한 전원부(160)는 배터리(미도시)를 포함하며, 배터리 잔량을 시각적으로 확인할 수 있다. 상기 배터리는 220V 상용전원이나 노트북이나 컴퓨터에 USB를 연결하여 충전하게 할 수 있다. 또한 배터리부는 휴대폰용 배터리이며 가장 경제적이고 효율적인 2차전지인 3.7V 리튬이온 배터리를 사용하여 휴대폰 배터리 충전기로도 배터리 충전을 가능하게 할 수 있다. 이와 달리 상기 배터리는 내장형 배터리 또는 교체 가능한 형태의 배터리가 될 수 있다.
단말제어부(180)는 복수개 설비의 동작상태를 감지하여 동작에 대한 조업데이터를 획득할 수 있다.
실시예에 따라, 단말제어부(180)는 표준조업데이터를 수신받는 경우, 획득한 조업데이터를 기초로 하여 예측조업데이터를 생성할 수 있다.
실시예에 따라, 단말제어부(180)는 피드백신호를 수신받는 경우, 설비 또는 조업관리 단말기(10)의 동작을 제어할 수 있다.
이와 같은 구조의 조업관리 단말기(10)는 에너지, 생산성, 품질 등에 대한 조업실적데이터 및 조업실적데이터에 대응하는 조업전력데이터를 획득할 수 있다.
전력데이터 관리서버(20)는 데이터통신부(200), 모니터링부(220), 데이터베이스부(240) 및 관리제어부(260)를 포함할 수 있다.
데이터통신부(200)는 조업관리 단말기(10)로부터 조업데이터를 수신하고, 전력데이터 관리서버(20)로 예측조업데이터를 전송할 수 있다.
실시예에 따라, 데이터통신부(200)는 조업관리 단말기(10)로 표준조업데이터 및/또는 피드백신호를 조업관리 단말기(10)로 전송할 수 있다.
모니터링부(220)는 사용자 조작에 의한 조업관리 단말기(10)의 동작상태, 전력데이터 관리서버(20)의 동작상태, 그리고 조업관리 단말기(10)와 전력데이터 관리서버(20) 사이의 송수신되는 데이터 등을 화면을 통해 모니터링 할 수 있다. 즉, 조업관리 단말기(10)의 사용 상태를 실시간으로 확인함으로써, 사용자의 사용을 편리하게 하여 사용자에게 더욱 신뢰감을 줄 수 있다.
데이터베이스부(240)는 무선통신망을 통해 조업관리 단말기(10)와 송수신되는 데이터를 저장할 수 있다. 이때, 표준조업데이터는 조업데이터에 대응하여 실시간으로 업데이트될 수 있다.
데이터베이스부(240)는 전력데이터 관리서버(20)의 다양한 기능을 지원하는 데이터를 저장할 수 있다. 데이터베이스부(240)는 전력데이터 관리서버(20)에서 구동되는 다수의 응용 프로그램(application program 또는 애플리케이션(application)), 전력데이터 관리서버(20)의 동작을 위한 데이터들, 명령어들을 저장할 수 있다. 이러한 응용 프로그램 중 적어도 일부는, 무선통신을 통해 외부 서버로부터 다운로드 될 수 있다.
실시예에 따라, 데이터베이스부(240)에 저장되는 본 실시예에서 사용되는 조업실적데이터 및 조업전력데이터와, 예측조업실적데이터 및 예측조업전력데이터를 상호 대응되는 매핑 테이블의 형태로 구현될 수 있으나 이에 한정하는 것은 아니다.
관리제어부(260)는 머신러닝 기법을 이용하여 조업실적데이터와 조업전력데이터를 매칭시켜 표준조업데이터를 생성하고, 생성된 표준조업데이터를 기초로 하여 공정별전력사용량 및 품목별전력사용량을 분석하여 예측조업전력데이터를 생성할 수 있다. 본 실시예에서 딥러닝을 이용하는 것으로 기재하였지만, 이에 한정하지 않고 랜덤 포레스트(Random Forest), 서포트 벡터 머신(Support Vector Machine) 등의 머신러닝 기법을 이용하는 것으로 개시하였지만, 이에 한정하지 않고 딥러닝 기법을 이용할 수도 있다.
관리제어부(260)는 전처리모듈(261), 회귀분석모듈(263), 군집처리모듈(265), 전력사용구간설정모듈(267) 및 제어모듈(269)을 포함할 수 있다.
전처리모듈(261)은 조업실적데이터 및 조업전력데이터를 가공, 정제 및 정형화하여 공정별전력사용량 및 품목별전력사용량을 전처리단계를 수행할 수 있다.
전처리모듈(261)은 설비 및 생산 환경 등에 의해 발생하는 조업데이터 중 조업전력데이터에 영향을 미치는 변수데이터와 전력사용량에 대한 조업전력데이터 사이의 상관관계를 분석하여 상관계수를 산출할 수 있다. 이때, 전처리모듈(261)은 변수데이터가 포함되지 않는 조업데이터를 제외한 조업데이터에 대응하는 조업전력데이터와, 변수데이터 사이의 상관관계를 분석할 수 있다.
구체적으로, 전처리모듈(261)은 전력사용량에 영향을 가장 많이 미치는 특징을 찾기 위해 데이터 마이닝 기법이 적용가능한 조업전력데이터를 공정별데이터마트 및 품목별데이터마트로 분류하여 변수데이터와 조업전력데이터 사이의 상관관계를 분석하여 상관계수를 산출할 수 있다. 즉, 전처리모듈(261)은 도 3에 도시된 바와 같이 공정별전력사용량을 분석하여 소재중량데이터 및 제품수량데이터로 가공된 공정별데이터마트를 생성하고(도 3(a) 참조), 품목별전력사용량을 분석하여 소재중량데이터 및 제품수량데이터로 가공된 품목별데이터마트를 생성할 수 있다(도 3(b) 참조).
예를 들어, 전처리모듈(261)은 FM_W(FM 공정의 소재중량), PT_W(PT 공정의 소재중량), SH_W(SH 공정의 소재중량), SL_W(SL 공정의 소재중량)를 포함하는 소재중량변수와, FM_unit(FM 공정의 제품 수량), PT_unit(PT 공정의 제품 수량), SH_unit(SH 공정의 제품 수량), SL_unit(SL 공정의 제품 수량)를 포함하는 제품수량변수에 대한 공정별데이터마트로 이루어지는 변수데이터와 전력사용량(electricity_usage) 간의 상관계수를 도출하는 것으로 개시하였지만, 이에 한정하지 않는다.
즉, 표 1를 참고하면, 독립변수인 공정별데이터마트의 소재중량 및 제품수량과, 종속변수인 전력사용량 간의 상관관계를 분석할 결과 모든 독립변수와 종속변수 사이에서 양의 상관관계가 존재하며, 특히 SL_unit(SL 공정의 제품 수량)와 전력사용량(electricity_usage) 사이에서 가장 강한 선형관계가 나타나는 것을 알 수 있다.
독립변수_공정별데이터마트 상관관계(correlation) p-value
FM_W(FM 공정의 소재중량) 0.2640 0.0000
FM_unit(FM 공정의 제품 수량) 0.2851 0.0000
PT_W(PT 공정의 소재중량) 0.0017 0.9749
PT_unit(PT 공정의 제품 수량) 0.0009 0.9861
SH_W(SH 공정의 소재중량) 0.3320 0.0000
SH_unit(SH 공정의 제품 수량) 0.3911 0.0000
SL_W(SL 공정의 소재중량) 0.3839 0.0000
SL_unit(SL 공정의 제품 수량) 0.3822 0.0000
또한, 전처리모듈(261)은 FM_HR SKELP, SH_HR COIL, SL_HR COIL, SH_GI COIL, SL_PO COIL, FM_HGI SKELP, SH_PO COIL, SH_HGI COIL, SL_HGI COIL, SH_EGI COIL, SL_EGI COIL, SH_CR COIL, SL_HR SKELP, PT_아연C형강, SH_PO SKELP, SL_PO SKELP, SL_CR COIL, SL_GI COIL, SL_HGI SKELP, PT_Black C 형강, SH_HR SKELP를 포함하는 품목변수에 대한 품목별데이터마트로 이루어지는 변수데이터와 전력사용량(electricity_usage) 간의 상관계수를 도출하는 것으로 개시하였지만, 이에 한정하지 않는다.
즉, 표 2를 참고하면, 독립변수인 품목별데이터마트의 소재중량 및 제품수량과, 종속변수인 전력사용량 간의 상관관계를 분석할 결과 FM_HR SKELP, SH_HR_COIL, SL_HR COIL, SL_PO COIL의 독립변수와 종속변수 사이에서만 양의 상관관계가 존재하며, 특히 FM_HR SKELP와 전력사용량(electricity_usage) 사이에서 가장 강한 선형관계가 나타나는 것을 알 수 있다.
독립변수_품목별데이터마트 상관관계(correlation) p-value
FM_HR SKELP 0.333847313 0.0000
SH_HR COIL 0.314414199 0.0000
SL_HR COIL 0.307443240 0.0000
SH_GI COIL 0.000000000 0.0000
SL_PO COIL 0.148005227 0.0048
FM_HGI SKELP -0.102481077 0.0517
SH_PO COIL 0.099730743 0.0584
SH_HGI COIL 0.088999014 0.0913
SL_HGI COIL 0.086504691 0.1008
SH_EGI COIL 0.067042465 0.2038
SL_EGI COIL -0.064258911 0.2232
SH_CR COIL 0.060401551 0.2523
SL_HR SKELP -0.055195763 0.2956
PT_아연C형강 -0.048601275 0.3572
SH_PO SKELP 0.035181488 0.5052
SL_PO SKELP 0.033179219 0.5297
SL_CR COIL 0.019788711 0.7079
SL_GI COIL -0.018109152 0.7317
SL_HGI SKELP -0.016731693 0.7514
PT_Black C 형강 0.014841257 0.7787
SH_HR SKELP -0.001228885 0.9814
회귀분석모듈(263)은 공정별데이터마트 및 품목별데이터마트를 독립변수로 하고, 전력사용량인 조업전력데이터를 종속변수로 설정하여 회귀분석모델을 생성하고, 공정별 및 품목별로 예측전력데이터에 대한 회귀계수를 산출할 수 있다. 이때, 회귀계수는 회귀분석을 수행한 독립변수 및 종속변수가 포함된 변수데이터일 수 있다.
즉, 공정변수와 품목변수 중 조업전력데이터에 더 많은 영향을 미치는 변수데이터를 도출하기 위해 1차 회귀분석을 수행하고, 1차 회귀분석을 통해 도출된 독립변수 중 종속변수에 미치는 영향력강도를 도출하기 위해 2차 회귀분석을 수행할 수 있다.
구체적으로, 회귀분석모듈(263)은 공정별데이터마트를 독립변수로 설정하고, 전력사용량(electricity_usage)을 종속변수로 설정하여 1차 회귀분석을 수행하고, 1차 회귀분석을 통해 획득한 독립변수만을 독립변수로 설정하여 2차회귀분석을 수행함으로써, 공정별로 예측전력데이터에 대한 회귀계수를 산출할 수 있다.
예를 들어, 회귀분석모듈(263)은 FM_W(FM 공정의 소재중량), PT_W(PT 공정의 소재중량), SH_W(SH 공정의 소재중량), SL_W(SL 공정의 소재중량)를 포함하는 소재중량변수와, FM_unit(FM 공정의 제품 수량), PT_unit(PT 공정의 제품 수량), SH_unit(SH 공정의 제품 수량), SL_unit(SL 공정의 제품 수량)로 이루어진 공정별데이터마트를 독립변수로 설정하여 회귀분석함으로써, 표 3과 같은 1차 공정별회귀분석 결과를 얻을 수 있다. 즉, 1차 공정별회귀분석 결과 기설정된 값(p-value)인 0.05 미만인 L_W, SL_unit, SH_unit, FM_W, FM_unit 만이 전력사용량에 영향을 미치는 것을 알 수 있다.
독립변수_공정별데이터마트 Estimate Std. Error t value pr(>ltl)
INTERCEPT 1676.5866 130.4005 12.8572 0.0000
FM_W(FM 공정의 소재중량) 0.0030 0.0014 2.1924 0.0290
FM_unit(FM 공정의 제품 수량) 0.2998 0.0736 4.0742 0.0001
PT_W(PT 공정의 소재중량) 0.1523 0.9598 0.1587 0.8740
PT_unit(PT 공정의 제품 수량) -10.0598 44.7365 -0.2249 0.8222
SH_W(SH 공정의 소재중량) 0.0000 0.0003 0.0698 0.9444
SH_unit(SH 공정의 제품 수량) 0.1706 0.0558 3.0558 0.0024
SL_W(SL 공정의 소재중량) 0.0011 0.0004 3.0299 0.0026
SL_unit(SL 공정의 제품 수량) 4.4472 1.3228 3.3621 0.0009
다음, 회귀분석모듈(263)은 1차 공정별회귀분석 결과인 기설정된 값(p-value)인 0.05 미만인 SL_W, SL_unit, SH_unit, FM_W, FM_unit를 독립변수로 설정하여 2차 공정별회귀분석함으로써, 표 4와 같은 2차 공정별회귀분석 결과를 얻을 수 있다. 즉, 2차 공정별회귀분석 결과 SL_unit(4.4547)이 전력사용량에 가장 큰 영향을 미치고, SL_W(0.0011)가 전력사용량에 가장 적은 영향력을 미치는 것을 알 수 있다.
독립변수_공정별데이터마트 Estimate Std. Error t value pr(>ltl)
INTERCEPT 1678.2686 129.4777 12.9618 0.0000
FM_W(FM 공정의 소재중량) 0.0029 0.0013 2.1762 0.0302
FM_unit(FM 공정의 제품 수량) 0.2994 0.0731 4.0957 0.0001
SH_unit(SH 공정의 제품 수량) 0.1751 0.0317 5.5253 0.0000
SL_W(SL 공정의 소재중량) 0.0011 0.0004 3.0431 0.0025
SL_unit(SL 공정의 제품 수량) 4.4547 1.3158 3.3855 0.0008
회귀분석모듈(263)은 1차 및 2차 공정별회귀분석 결과를 통해 예측전력데이터에 대한 회귀계수를 산출할 수 있다. 즉, 전력사용량 = 1678.2686 + 0.0029(FM_W) + 0.2994(FM_unit) + 0.1751(SH_unit) + 0.0011(SL_W) + 4.4547(SL_unit)일 수 있다.
또한, 회귀분석모듈(263)은 품목별데이터마트를 독립변수로 설정하고, 전력사용량(electricity_usage)을 종속변수로 설정하여 1차 회귀분석을 수행하고, 1차 회귀분석을 통해 획득한 독립변수만을 독립변수로 설정하여 2차회귀분석을 수행함으로써, 공정별로 예측전력데이터에 대한 회귀계수를 산출할 수 있다.
예를 들어, 회귀분석모듈(263)은 FM_HR SKELP, SH_HR COIL, SL_HR COIL, SH_GI COIL, SL_PO COIL, FM_HGI SKELP, SH_PO COIL, SH_HGI COIL, SL_HGI COIL, SH_EGI COIL, SL_EGI COIL, SH_CR COIL, SL_HR SKELP, PT_아연C형강, SH_PO SKELP, SL_PO SKELP, SL_CR COIL, SL_GI COIL, SL_HGI SKELP, PT_Black C 형강, SH_HR SKELP로 이루어진 21개의 품목별데이터마트를 독립변수로 설정하여 회귀분석함으로써, 표 5와 같은 1차 품목별회귀분석 결과를 얻을 수 있다. 즉, 1차 품목별회귀분석결과 기설정된 값(p-value)인 0.05 미만인 FM_HR SKELP, SH_HR_COIL, SL_HR COIL, SL_PO COIL, SH_HR COIL, SL_HGI COIL 만이 전력사용량에 영향을 미치는 것을 알 수 있다.
독립변수_품목별데이터마트 Estimate Std. Error t value pr(>ltl)
INTERCEPT 2024.8737 125.3232 16.1568 0.0000
FM_HR SKELP 0.0090 0.0012 7.5323 0.0000
SH_HR COIL 0.0007 0.0002 3.8507 0.0000
SL_HR COIL 0.0023 0.0003 6.8945 0.0000
SH_GI COIL -0.0003 0.0108 -0.0261 0.9792
SL_PO COIL 0.0031 0.0007 4.2033 0.0000
FM_HGI SKELP -0.0002 0.0021 -0.1037 0.9175
SH_PO COIL 0.0020 0.0028 0.7169 0.4739
SH_HGI COIL 0.0020 0.0012 1.6465 0.1006
SL_HGI COIL 0.0010 0.0005 2.1190 0.0348
SH_EGI COIL 0.0063 0.0049 1.2763 0.2027
SL_EGI COIL -0.0355 0.0325 -1.0903 0.2763
SH_CR COIL 0.0107 0.0149 0.7150 0.4751
SL_HR SKELP -0.0088 0.0085 -1.0352 0.3013
PT_아연C형강 -0.1564 0.1711 -0.9142 0.3613
SH_PO SKELP 0.0271 0.0452 0.5985 0.5499
SL_PO SKELP 0.0622 0.1020 0.6095 0.5426
SL_CR COIL 0.0036 0.0043 0.8330 0.4054
SL_GI COIL 0.0001 0.0028 0.0483 0.9615
SL_HGI SKELP 0.0015 0.0023 0.6403 0.5224
PT_Black C 형강 -0.1735 0.5297 -0.3275 0.7435
SH_HR SKELP 0.0005 0.0081 0.0668 0.9467
다음, 회귀분석모듈(263)은 1차 품목별회귀분석결과인 기설정된 값(p-value)인 0.05 미만인 FM_HR SKELP, SH_HR_COIL, SL_HR COIL, SL_PO COIL, SH_HR COIL, SL_HGI COIL을 독립변수로 설정하여 2차 품목별회귀분석함으로써, 표 6과 같은 2차 품복별 회귀분석 결과를 얻을 수 있다. 즉, 2차 품복별 회귀분석결과 FM_HR SKELP(0.0088)이 전력사용량에 가장 큰 영향을 미치고, SL_HGI COIL(0.0007)가 전력사용량에 가장 적은 영향력을 미치는 것을 알 수 있다.
독립변수_품목별데이터마트 Estimate Std. Error t value pr(>ltl)
INTERCEPT 2057.9492 112.9485 18.2202 0.0000
FM_HR SKELP 0.0088 0.0011 7.7666 0.0000
SH_HR COIL 0.0007 0.0002 3.8727 0.0001
SL_HR COIL 0.0024 0.0003 7.5355 0.0000
SL_PO COIL 0.0033 0.0007 4.6081 0.0000
SL_HGI COIL 0.0010 0.0005 2.0577 0.0403
회귀분석모듈(263)은 1차 및 2차 품복별 회귀분석 결과를 통해 예측전력데이터에 대한 회귀계수를 산출할 수 있다. 즉, 전력사용량 = 2057.9492 + 0.0088(FM_HR SKELP) + 0.0024(SL_HR COIL) + 0.0033(SL_PO COIL) + 0.0007(SH_HR COIL) + 0.0010(SL_HGI COIL)일 수 있다.
그리고, 회귀분석모듈(263)은 공정별데이터마트에 대한 공정변수와 품목별데이터마트에 대한 품목변수로 이루어진 독립변수에 대한 다중공선성에대한 검증을 수행할 수 있다.
이때, 회귀분석모듈(263)은 다중공선성을 측정하기 위해서는 분산 팽창 인수(Variance Inflation Factor, 이하 VIF)를 이용하여 독립변수의 상관관계를 조사하였지만, 이에 한정하지 않고, 공차 한계(Tolerance), 상태지수 등을 이용할 수 있다. 분산 팽창 인수(VIF)가 10을 넘지 않고 1에 근접함으로써, 다중공선성에 위배되지 않을 수 있다. 분산 팽창 인수(VIF)가 10을 넘는 경우 다중공선성에 위배될 수 있다.
본 실시예에서, 회귀분석모듈(263)은 1차 및 2차로 구분하여 회귀분석을 수행하는 것으로 개시하였지만, 이에 한정하지 않는다.
군집처리모듈(265)은 회귀분석모듈(263)을 통해 산출된 회귀계수 즉, 독립변수를 표준화하여 군집화하여 군집데이터를 생성할 수 있다. 이때, 군집처리모듈(265)은 회귀분석모듈(263)을 통해 산출된 독립변수를 표준화하기 위해 독립변수인 공정변수 및 품목변수와, 종속변소를 연속성 변수로 변화하기 위해 표준단위(제트스코어, Z-score)로 변환할 수 있다.
군집처리모듈(265)은 표준화된 독립변수 및 종속변수의 유사 군집 형성을 형성하여 군집화할 수 있다. 본 실시예에서, 군집처리모듈(265)은 클러스터링(Clustering) 기법 중 K-means clustering을 이용하여 독립변수에 대한 군집화를 수행할 수 있지만, 이에 한정하지 않는다.
전력사용구간설정모듈(267)은 조업전력데이터와 군집데이터를 교차 분석하여 전력사용량구간데이터를 생성할 수 있다.
구체적으로, 전력사용구간설정모듈(267)은 교차분석을 통해 독립변수로부터 도출된 군집데이터에 매칭되는 전력사용량구간을 검토하여 전력사용구간을 설정할 수 있다.
실시예에 따라, 전력사용구간설정모듈(267)은 전력사용량의 초기 구간을 표준편차 단위로 구분하여 전력사용구간을 설정할 수 있다.
예를 들어, 전력사용구간설정모듈(267)은 조업전력데이터의 평균값을 산출하고, 조업전력데이터와 평균값을 비교하여 산출된 표준편차를 기준으로 조업전력데이터가 -1값보다 작은 경우 조업전력데이터에 대한 전력사용량구간을 저사용전력구간으로 설정할 수 있다(-1>전력사용량). 또한, 표준편차를 기준으로 조업전력데이터가 -1값보다 작고 +1값보다 큰 경우 조업전력데이터에 대한 전력사용량구간을 중사용전력구간으로 설정할 수 있다(-1>전력사용량>+1). 그리고, 표준편차를 기준으로 조업전력데이터가 +1값보다 큰 경우 조업전력데이터에 대한 전력사용량구간을 고사용전력구간으로 설정할 수 있다(전력사용량>+1).
실시예에 따라, 전력사용구간설정모듈(267)은 struges’ rule을 이용하여 군집데이터와 조업전력데이터를 교차분석하여 전력사용량구간데이터를 생성할 수 있다.
예를 들어, 전력사용구간설정모듈(267)은 조업전력데이터를 기초로 전력사용량구간을 0~9 단계로 총 10단계로 구간값을 분리하고, 조업전력데이터의 구간값이 6이하인 경우 조업전력데이터에 대한 전력사용량구간을 저사용전력구간으로 설정하며, 조업전력데이터의 구간값이 7이상인 경우 조업전력데이터에 대한 전력사용량구간을 고사용전력구간으로 설정할 수 있다.
이때, 구간값 6은 전력 사용량 3,784.217 ~ 4,541.06 kwh이하로 설정하는 경우, 4,541 kwh 이하는 저사용으로 설정하며, 4,541 kwh 이상은 고사용으로 설정할 수 있다.
이에 따라, 전력사용구간설정모듈(267)은 도 4(a)에 도시된 바와 같이, 공정변수에 대한 고사용전력사용구간을 설정하거나, 도 4(b)에 도시된 바와 같이, 품목변수에 대한 고사용전력사용구간을 설정할 수 있다.
본 실시예에서, 전력사용구간설정모듈(267)은 조업전력데이터와 군집데이터를 교차 분석하여 생성된 전력사용량구간데이터를 카이제곱(chi-square)을 이용하여 검증할 수 있지만, 이에 한정하지 않는다.
제어모듈(269)은 조업실적데이터에 대응하는 조업전력데이터를 이용하여 표준조업데이터를 생성하고, 생성된 표준조업데이터를 기초로 하여 예측조업데이터를 생성할 수 있다.
구체적으로, 제어모듈(269)은 표준조업데이터를 기초로 하여 조업실적데이터에 대응하는 조업전력데이터를 이용하여 조업패턴을 분석한 예측조업실적데이터와, 예측조업실적데이터에 대응하는 예측조업전력데이터를 포함하는 예측조업데이터를 생성할 수 있다.
또한, 제어모듈(269)은 조업실적데이터와 조업전력데이터를 매칭시켜 표준조업데이터를 생성할 수 있다.
예를 들어, 조업실적데이터와 조업전력데이터를 기반으로 표 7과 같이 매칭하여 머신러닝 기법을 이용하여 반복 학습하여 표준조업데이터를 생성할 수 있다.
구 성 항 목 비고
공정 FM, PT, SH, SL
일자 YYYYMMDD
완료번호 종류(종) 일별 조업 실적을 구성하는 완료번호 구성요소 수량
소재 품번 일별 조업에 투여된 소재품번(품번에 따라 소재 중량이 다름)
소재규격 종류(종) 일별 조업 실적을 구성하는 소재규격 구성요소 수량
소재규격 구성 타입 일별 소재규격요소 구성 타입 (CN일반, CN, ECO 일반) = 1,
(CN일반) = 2
소재치수 종류(종) 일별 조업 실적을 구성하는 소재치수 구성요소 수량
소재치수 구성 타입 일별 소재치수요소 구성 타입 (3.0,1.8) = 1, (2.1) = 2
소재 수량계 일별 조업 실적 수량 합계
소재 중량계 일별 조업 실적 중량 합계
소재-제품 순번 불일치 비율 일별 조업 실적의 건별 소재순번과 제품순번 간 불일치 비율 (불일치건수)/(전체건수)로 일별 계산
제품품목 종류(종) 일별 조업 실적을 구성하는 제품품목 구성요소 수량
제품품목 구성 타입 일별 제품품목요소 구성 타입 (BlackC형강,
ColorC형강) = 1
제품치수 종류(종) 일별 조업 실적을 구성하는 제품치수 구성요소 수량
제품치수 구성 타입 일별 소재치수요소 구성 타입 (100,200) = 1, (75) = 2
제품 길이계 일별 조업 실적 제품 길이 합계
제품 수량계 일별 조업 실적 제품 수량 합계
제품 중량계 일별 조업 실적 제품 중량 합계
수요처 종류 일별 조업 실적을 구성하는 수요처 구성요소 수량
수요처 구성 타입 일별 수요처요소 구성 타입 (대동강업) = 1,
(대동강업, 다스코주식회사) = 2
수율 일별 조업 실적 수율
전력량 일일 전력사용량 kWh
전력사용구간 일일 전력사용량의 구간 저사용 = 0, 중사용 = 1, 고사용 = 2 저사용 = 0, 고사용 = 1
실시예에 따라, 제어모듈(269)은 설비 또는 조업관리 단말기(10)에 대한 피드백신호를 생성할 수 있다.
이와 같은 전력데이터 관리서버(20)는 하드웨어 회로(예를 들어, CMOS 기반 로직 회로), 펌웨어, 소프트웨어 또는 이들의 조합에 의해 구현될 수 있다. 예를 들어, 다양한 전기적 구조의 형태로 트랜지스터, 로직게이트 및 전자회로를 활용하여 구현될 수 있다.
도 5는 본 발명의 다른 실시예에 따른 조업데이터를 학습하여 전력사용량을 예측하는 분석 시스템을 설명하기 위한 도면이다.
도 5를 참조하면, 본 발명의 다른 실시예에 따른 조업데이터를 학습하여 전력사용량을 예측하는 분석 시스템(2)은 관리자 단말기(30)를 포함할 수 있다.
도 5에 도시된 관리자 단말기(30)를 제외하고는 도 1에 도시된 조업데이터를 학습하여 전력사용량을 예측하는 분석 시스템(1)과 동일한 특성을 가질 수 있다.
이하의 도 5에서는 도 1에 기재된 내용과 중복되는 내용에 대한 상세한 설명을 생략하고, 다른 점을 위주로 설명할 수 있다. 따라서, 도 5에 도시된 조업데이터를 학습하여 전력사용량을 예측하는 분석 시스템(2)과 동일한 기능을 수행하는 구성요소에 대해서는 도 1과 동일한 부호를 부여하고 그에 대한 상세한 설명은 생략한다.
우선, 관리자 단말기(30)는 응용 프로그램(application program 또는 애플리케이션(application))을 이용하여 관리자 단말기(30)에서 조업관리 단말기(10)의 동작을 제어할 수 있으며, 이러한 응용 프로그램은 무선통신을 통해 외부서버 또는 전력데이터 관리서버(20)로부터 다운로드 될 수 있다.
관리자 단말기(30)는 조업관리 단말기(10) 및 전력데이터 관리서버(20)와 무선통신망을 이용하여 실시간으로 동기화되어 데이터를 송수신할 수 있다.
관리자 단말기(30)는 통신부(300), 저장부(320), 디스플레이부(340) 및 제어부(360)를 포함할 수 있다.
통신부(300)는 전력데이터 관리서버(20)로부터 표준조업데이터를 수신받고, 조업관리 단말기(10)로부터 조업데이터를 수신받을 수 있다. 또한, 통신부(300)는 조업관리 단말기(10) 및 전력데이터 관리서버(20)로 예측조업데이터를 전송할 수 있다.
저장부(320)는 무선통신망을 통해 조업관리 단말기(10) 및 전력데이터 관리서버(20) 사이에서 송수신되는 데이터를 저장할 수 있다.
디스플레이부(340)는 조업관리 단말기(10), 전력데이터 관리서버(20), 관리자 단말기(30) 사이에 송수신되는 데이터를 화면을 통해 모니터링할 수 있다.
또한 디스플레이부(340)는 조업관리 단말기(10)의 작동상태를 시각적 및 청각적으로 출력하여 사용자가 쉽게 확인할 수 있다. 이에 따라, 사용자가 조업관리 단말기(10)를 직접 조작하지 않고 관리자 단말기(30)를 통해 조업관리 단말기(10)를 제어할 수 있으므로, 사용 편의성을 더욱 높일 수 있다.
제어부(360)는 전력데이터 관리서버(20)로부터 수신된 표준조업데이터를 학습하여, 조업관리 단말기(10)로부터 수신받은 조업데이터를 분석하여 예측조업실적데이터 및 예측조업전력데이터가 포함된 예측조업데이터를 생성할 수 있다.
이와 달리, 제어부(360)는 전력데이터 관리서버(20)에서 예측조업데이터가 생성된 경우, 전력데이터 관리서버(20)로부터 예측조업데이터를 수신받아 조업관리 단말기(10)로 전송할 수 있다. 또한, 제어부(360)는 조업관리 단말기(10)에서 예측조업데이터가 생성된 경우, 조업관리 단말기(10)로부터 예측조업데이터를 수신받아 전력데이터 관리서버(20)로 전송할 수 있다.
이와 같은 관리자 단말기(30)는 조업관리 단말기(10) 및 전력데이터 관리서버(20)와의 통신을 지원하는 각종 휴대 가능한 전자통신기기를 포함할 수 있다. 예를 들어, 별도의 스마트 기기로써, 스마트폰(Smart phone), PDA(Personal Digital Assistant), 테블릿(Tablet), 웨어러블 디바이스(Wearable Device, 예를 들어, 워치형 단말기(Smartwatch), 글래스형 단말기(Smart Glass), HMD(Head Mounted Display)등 포함) 및 각종 IoT(Internet of Things) 단말과 같은 다양한 단말을 포함할 수 있지만 이에 한정하는 것은 아니다.
이와 같은 구조를 갖는 본 발명의 일실시예에 따른 조업데이터를 학습하여 전력사용량을 예측하는 분석방법의 동작은 다음과 같다. 도 6은 본 발명의 일실시예인 조업데이터를 학습하여 전력사용량을 예측하는 분석방법을 설명하기 위한 도면이고, 도 7은 도 6에 도시된 표준조업데이터를 생성하는 방법을 설명하기 위한 상세도면이며, 도 8은 공정별전력사용량을 분석한 전력사용량을 설명하기 위한 도면이고, 도 9는 독립변수의 상관관계에 대한 다중공선성의 검증결과를 설명하기 위한 도면으로써, 도 9(a)는 공정변수에 대한 분산 팽창 인수(VIF) 값을 설명하기 위한 도면이고, 도 9(b)는 품목변수에 대한 분산 팽창 인수(VIF) 값을 설명하기 위한 도면이다. 도 10은 전력사용량구간데이터를 설명하기 위한 도면이다.
본 실시예에서, 전력데이터 관리서버(20)가 표준조업데이터 및 예측조업데이터를 생성하는 것으로 개시하였지만, 이에 한정하지 않는다.
우선, 도 6에 도시된 바와 같이, 전력데이터 관리서버(20)는 머신러닝 기법을 이용하여 표준조업데이터를 생성할 수 있다(S10).
구체적으로, 도 7을 참조하면, 전력데이터 관리서버(20)는 조업데이터를 이용하여 조업전력데이터에 영향을 미치는 변수데이터와 전력사용량에 대한 조업전력데이터 사이의 상관관계를 분석하여 상관계수를 산출할 수 있다(S100).
구체적으로, 전력데이터 관리서버(20)는 공정별전력사용량을 분석하여 소재중량데이터 및 제품수량데이터로 가공된 공정별데이터마트를 생성하고, 품목별전력사용량을 분석하여 소재중량데이터 및 제품수량데이터로 가공된 품목별데이터마트를 생성할 수 있다. 즉, 공정별데이터마트 및 품목별데이터마트로 이루어진 변수데이터와 전력사용량 사이의 상관계수를 도출할 수 있다.
예를 들어, 전력데이터 관리서버(20)는 도 8에 도시된 바와 같이, 공정별전력사용량을 소재중량데이터 및 제품수량데이터와 전력사용량 사이의 산포도를 분석할 수 있다. 즉, 2,500 ~ 4,000 kwh 구간을 사용하는 조업일이 가장 많고, 500kwh 이하를 사용하는 조업일도 상당수 분포한 것으로 파악할 수 있다.
다음으로, 조업관리 단말기(10)는 조업데이터를 설비로부터 획득할 수 있다.
전력데이터 관리서버(20)는 독립변수와 종속변수를 이용하여 1차 회귀분석을 수행할 수 있다(S110).
전력데이터 관리서버(20)는 공정별데이터마트 및 품목별데이터마트를 독립변수로 하고, 전력사용량인 조업전력데이터를 종속변수로 설정하여 1차 회귀분석을 수행할 수 있다. 즉, 공정변수와 품목변수 중 조업전력데이터에 더 많은 영향을 미치는 변수데이터를 도출할 수 있다.
다음으로, 전력데이터 관리서버(20)는 1차 회귀분석을 통해 도출된 독립변수와 종속변수를 이용하여 2차 회귀분석을 수행할 수 있다(S120).
전력데이터 관리서버(20)는 1차 회귀분석을 통해 도출된 독립변수 중 종속변수에 미치는 영향력강도를 도출하기 위해 2차 회귀분석을 수행할 수 있다.
다음으로, 전력데이터 관리서버(20)는 독립변수의 상관관계에 대한 다중공선성을 측정하여 독립변수의 상관관계를 검증하는 경우(S130), 분산 팽창 인수(VIF)가 10을 넘지 않고 1에 근접하면 회귀분석이 완료된 변수데이터를 표준단위로 표준화할 수 있다(S140).
예를 들어, 도 9(a)에 도시된 바와 같이 공정변수에 대한 분산 팽창 인수(VIF) 값은 10을 넘지 않고 1에 근접하고, 도 9(b)에 도시된 바와 같이 품목변수에 대한 분산 팽창 인수(VIF) 값은 10을 넘지 않고 1에 근접할 수 있으므로, 다중공선성에 위배되지 않는다고 판단할 수 있다.
본 실시예에서, 전력데이터 관리서버(20)는 분산 팽창 인수(VIF)를 이용하여 독립변수의 상관관계를 조사하였지만, 이에 한정하지 않는다.
다음으로, 전력데이터 관리서버(20)는 독립변수 중 유사성을 갖는 데이터를 군집화하여 군집데이터를 생성할 수 있다(S150).
전력데이터 관리서버(20)는 표준화된 독립변수 및 종속변수의 유사 군집 형성을 형성하여 군집화할 수 있다. 본 실시예에서, 군집처리모듈(265)은 클러스터링(Clustering) 기법 중 K-means clustering을 이용하여 독립변수에 대한 군집화를 수행할 수 있지만, 이에 한정하지 않는다.
다음으로, 전력데이터 관리서버(20)는 조업전력데이터와 군집데이터를 교차 분석하여 전력사용량구간데이터를 생성할 수 있다(S160).
전력데이터 관리서버(20)는 전력사용량의 초기 구간을 표준편차 단위로 구분하거나, struges’ rule을 이용하여 군집데이터와 조업전력데이터를 교차분석하여 전력사용량구간데이터를 생성할 수 있지만, 이에 한정하지 않는다.
예를 들어, 전력데이터 관리서버(20)는 도 10에 도시된 바와 같이 전력사용량이 4,541 kwh 이상인 경우 고사용전력구간으로 설정할 수 있다.
한편, 전력데이터 관리서버(20)는 독립변수의 상관관계에 대한 다중공선성을 측정하여 독립변수의 상관관계를 검증하는 경우(S130), 분산 팽창 인수(VIF)가 10을 넘는 경우 다중공선성에 위배된다고 판단할 수 있다.
다음으로, 조업관리 단말기(10)는 전력데이터 관리서버(20)로부터 생성된 표준조업데이터를 수신받을 수 있다(S12).
조업데이터는 조업실적데이터와 조업실적에 대응하는 전력사용량에 대한 조업전력데이터를 포함할 수 있다.
다음으로, 전력데이터 관리서버(20)는 조업관리 단말기(10)로부터 조업데이터를 수신할 수 있다(S14).
다음으로, 전력데이터 관리서버(20)는 표준데이터를 기초로 하여 공정별전력사용량 및 품목별전력사용량을 분석하여 예측조업전력데이터를 생성할 수 있다(S16).
예측조업전력데이터는 표준조업데이터와 동일한 방법으로 생성될 수 있지만, 이에 한정하는 것은 아니다.
다음으로, 조업관리 단말기(10)는 전력데이터 관리서버(20)로부터 예측조업전력데이터를 수신할 수 있다(S18).
이에 따라, 조업관리 단말기(10)는 조업패턴에 대응하여 상황에 따라 실시간으로 전력사용량을 조절하여 조업 시 안정적으로 전력을 제공할 수 있다.
다음으로, 전력데이터 관리서버(20)는 설비 또는 조업관리 단말기(10)에 대한 피드백신호를 생성할 수 있다(S20).
다음으로, 조업관리 단말기(10)는 전력데이터 관리서버(20)로부터 피드백신호를 수신할 수 있다(S22).
마지막으로, 전력데이터 관리서버(20)는 조업관리 단말기(10)로부터 수신된 조업데이터를 이용하여 표준조업데이터를 실시간으로 업데이트할 수 있다(S24).
본 발명의 실시예와 관련하여 설명된 방법 또는 알고리즘의 단계들은 하드웨어로 직접 구현되거나, 하드웨어에 의해 실행되는 소프트웨어 모듈로 구현되거나, 또는 이들의 결합에 의해 구현될 수 있다. 소프트웨어 모듈은 RAM(Random Access Memory), ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리(Flash Memory), 하드 디스크, 착탈형 디스크, CD-ROM 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터 판독가능 기록매체에 상주할 수도 있다.
이상, 첨부된 도면을 참조로 하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야의 통상의 기술자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며, 제한적이 아닌 것으로 이해해야만 한다.
10 : 조업관리 단말기
20 : 전력데이터 관리서버
30 : 관리자 단말기

Claims (12)

  1. 전력데이터 관리서버가 조업실적데이터에 대응하는 조업전력데이터를 포함하는 조업데이터를 이용하여 표준조업데이터를 생성하는 단계; 및
    상기 전력데이터 관리서버가 상기 표준조업데이터를 기초로 하여 공정별전력사용량 및 품목별전력사용량을 분석하여 예측조업전력데이터를 생성하는 단계;를 포함하되,
    상기 예측조업전력데이터를 생성하는 단계는,
    상기 전력데이터 관리서버가 상기 조업전력데이터에 영향을 미치는 변수데이터와 상기 조업전력데이터 사이의 상관관계를 분석하여 상관계수를 산출하는 단계;
    상기 전력데이터 관리서버가 상기 상관계수를 기초로 하여 상기 변수데이터를 이용하여 독립변수 및 종속변수가 포함된 회귀계수를 산출하는 단계;
    상기 전력데이터 관리서버가 상기 회귀계수 중 유사성을 갖는 데이터를 표준화하여 군집화하여 군집데이터를 생성하는 단계;
    상기 전력데이터 관리서버가 상기 조업전력데이터와 상기 군집데이터를 교차 분석하여 전력사용량구간데이터를 생성하는 단계; 및
    상기 전력데이터 관리서버가 상기 전력사용량구간데이터를 상기 공정별전력사용량 및 상기 품목별전력사용량을 분석하여 상기 예측조업전력데이터를 생성하는 단계;를 포함하고,
    상기 전력데이터 관리서버는 상기 조업데이터를 기초로 하여 상기 조업전력데이터를 공정별데이터마트 및 품목별데이터마트로 분류하고,
    상기 공정별데이터마트는 소재중량데이터 및 제품수량데이터를 공정별로 가공한 데이터이고,
    상기 품목별데이터마트는 소재중량데이터 및 제품수량데이터를 품목별로 가공한 데이터인, 조업데이터를 학습하여 전력사용량을 예측하는 분석방법.
  2. 삭제
  3. 제1항에 있어서,
    상기 변수데이터는 상기 공정별데이터마트 및 상기 품목별데이터마트에 대한 공정변수 및 품목변수를 포함하고,
    상기 종속변수는 조업전력데이터며,
    상기 회귀계수를 산출하는 단계는,
    상기 전력데이터 관리서버가 상기 공정변수 및 상기 품목변수를 상기 독립변수로 설정하여 상기 공정변수 및 상기 품목변수 중 상기 종속변수에 미치는 영향력을 갖는 독립변수를 도출하기 위해 상기 변수데이터를 1차 회귀분석하는 단계; 및
    상기 전력데이터 관리서버가 상기 1차 회귀분석의 결과에 의해 도출된 독립변수를 이용하여 상기 도출된 독립변수가 상기 종속변수에 미치는 영향력강도를 도출하기 위해 2차 회귀분석하는 단계;를 포함하는, 조업데이터를 학습하여 전력사용량을 예측하는 분석방법.
  4. 제1항에 있어서,
    상기 전력사용량구간데이터를 생성하는 단계는,
    상기 전력데이터 관리서버가 상기 군집데이터와, 상기 공정별전력사용량 및 상기 품목별전력사용량에 매칭되는 상기 전력사용량구간을 검토하여 저사용전력구간 및 고사용전력구간으로 설정하는, 조업데이터를 학습하여 전력사용량을 예측하는 분석방법.
  5. 제4항에 있어서,
    상기 전력데이터 관리서버가 상기 조업전력데이터의 평균값을 산출하고, 상기 조업전력데이터와 상기 평균값을 비교하여 산출된 표준편차를 기준으로 상기 조업전력데이터가 -1값보다 작은 경우, 상기 조업전력데이터에 대한 상기 전력사용량구간을 상기 저사용전력구간으로 설정하며, 상기 조업전력데이터가 +1값보다 큰 경우 상기 조업전력데이터에 대한 상기 전력사용량구간을 상기 고사용전력구간으로 설정하되,
    상기 전력데이터 관리서버가 상기 표준편차를 기준으로 상기 조업전력데이터 와 상기 군집데이터를 교차 분석하여 상기 전력사용량구간데이터를 생성하는, 조업데이터를 학습하여 전력사용량을 예측하는 분석방법.
  6. 제4항에 있어서,
    상기 전력데이터 관리서버가 상기 조업전력데이터를 기초로 상기 전력사용량구간을 0~9 단계로 구간값을 분리하고, 상기 조업전력데이터의 구간값이 6이하인 경우 상기 조업전력데이터에 대한 상기 전력사용량구간을 상기 저사용전력구간으로 설정하며, 상기 조업전력데이터의 구간값이 7이상인 경우 상기 조업전력데이터에 대한 상기 전력사용량구간을 상기 고사용전력구간으로 설정하되,
    상기 전력데이터 관리서버가 상기 구간값을 기준으로 상기 조업전력데이터 와 상기 군집데이터를 교차 분석하여 상기 전력사용량구간데이터를 생성하는, 조업데이터를 학습하여 전력사용량을 예측하는 분석방법.
  7. 제3항에 있어서,
    상기 전력데이터 관리서버가 상기 군집데이터를 생성하기 위해 상기 독립변수 및 상기 종속변수를 표준단위(제트스코어, Z-score)로 변환하는 단계;를 포함하는, 조업데이터를 학습하여 전력사용량을 예측하는 분석방법.
  8. 제1항에 있어서,
    상기 상관계수를 산출하는 단계는,
    상기 표준조업데이터는 상기 조업데이터에 대응하여 전력데이터 관리서버가 상기 변수데이터가 포함되지 않는 조업데이터를 제외한 조업데이터에 대응하는 상기 조업전력데이터와, 상기 변수데이터 사이의 상관관계를 분석하는, 조업데이터를 학습하여 전력사용량을 예측하는 분석방법.
  9. 제1항에 있어서,
    상기 표준조업데이터는 상기 조업데이터에 대응하여 실시간으로 업데이트되는 단계;를 더 포함하는, 조업데이터를 학습하여 전력사용량을 예측하는 분석방법.
  10. 조업실적데이터에 대응하는 조업전력데이터를 포함하는 조업데이터를 이용하여 생성된 표준조업데이터를 기초로 하여 공정별전력사용량 및 품목별전력사용량을 분석하여 예측조업전력데이터를 생성하는 전력데이터 관리서버;를 포함하고,
    상기 전력데이터 관리서버는,
    상기 조업전력데이터에 영향을 미치는 변수데이터와 상기 조업전력데이터 사이의 상관관계를 분석하여 상관계수를 산출하는 단계;
    상기 상관계수를 기초로 하여 상기 변수데이터를 이용하여 독립변수 및 종속변수가 포함된 회귀계수를 산출하는 단계;
    상기 회귀계수 중 유사성을 갖는 데이터를 표준화하여 군집화하여 군집데이터를 생성하는 단계;
    상기 조업전력데이터와 상기 군집데이터를 교차 분석하여 전력사용량구간데이터를 생성하는 단계; 및
    상기 전력사용량구간데이터를 상기 공정별전력사용량 및 상기 품목별전력사용량을 분석하여 상기 예측조업전력데이터를 생성하는 단계;를 포함하고,
    상기 전력데이터 관리서버는 상기 조업데이터를 기초로 하여 상기 조업전력데이터를 공정별데이터마트 및 품목별데이터마트로 분류하고,
    상기 공정별데이터마트는 소재중량데이터 및 제품수량데이터를 공정별로 가공한 데이터이고,
    상기 품목별데이터마트는 소재중량데이터 및 제품수량데이터를 품목별로 가공한 데이터인, 조업데이터를 학습하여 전력사용량을 예측하는 분석 시스템.
  11. 제10항에 있어서,
    상기 조업데이터를 이용하여 상기 표준조업데이터를 생성하는 관리자 단말기; 를 더 포함하는, 조업데이터를 학습하여 전력사용량을 예측하는 분석 시스템.
  12. 하드웨어인 컴퓨터와 결합되어, 제1항의 방법을 수행할 수 있도록 컴퓨터에서 독출가능한 기록매체에 저장된 컴퓨터 프로그램.
KR1020200124955A 2020-09-25 2020-09-25 조업데이터를 학습하여 전력사용량을 예측하는 분석 시스템 및 그 방법 KR102229887B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200124955A KR102229887B1 (ko) 2020-09-25 2020-09-25 조업데이터를 학습하여 전력사용량을 예측하는 분석 시스템 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200124955A KR102229887B1 (ko) 2020-09-25 2020-09-25 조업데이터를 학습하여 전력사용량을 예측하는 분석 시스템 및 그 방법

Publications (1)

Publication Number Publication Date
KR102229887B1 true KR102229887B1 (ko) 2021-03-19

Family

ID=75261778

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200124955A KR102229887B1 (ko) 2020-09-25 2020-09-25 조업데이터를 학습하여 전력사용량을 예측하는 분석 시스템 및 그 방법

Country Status (1)

Country Link
KR (1) KR102229887B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114155038A (zh) * 2021-12-09 2022-03-08 国网河北省电力有限公司营销服务中心 受疫情影响用户识别方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100048738A (ko) * 2008-10-31 2010-05-11 한국전력공사 원격계측 전력 부하패턴의 분류 및 예측 방법
KR20180023082A (ko) 2016-08-23 2018-03-07 위덕대학교 산학협력단 시간별 기온을 이용한 24시간 전력수요예측장치 및 전력수요예측방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100048738A (ko) * 2008-10-31 2010-05-11 한국전력공사 원격계측 전력 부하패턴의 분류 및 예측 방법
KR20180023082A (ko) 2016-08-23 2018-03-07 위덕대학교 산학협력단 시간별 기온을 이용한 24시간 전력수요예측장치 및 전력수요예측방법

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
[한국컴퓨터정보학회 동계학술대회 논문집 제28권 제1호] 열간압연공정 에너지 사용 모델 기술개발(2020.01.) 1부.* *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114155038A (zh) * 2021-12-09 2022-03-08 国网河北省电力有限公司营销服务中心 受疫情影响用户识别方法
CN114155038B (zh) * 2021-12-09 2024-05-31 国网河北省电力有限公司营销服务中心 受疫情影响用户识别方法

Similar Documents

Publication Publication Date Title
Bracale et al. A probabilistic competitive ensemble method for short-term photovoltaic power forecasting
CN110488204B (zh) 一种储能元件soh-soc联合在线估计方法
CN108921339B (zh) 基于分位数回归的遗传支持向量机光伏功率区间预测方法
CN101728868B (zh) 遥测电力负荷特性的分类和预测方法
CN112633316B (zh) 一种基于边界估值理论的负荷预测方法和装置
CN110889466B (zh) 一种基于线损分类器的台区线损分析方法
CN112782591A (zh) 基于多电池数据融合的锂电池soh长期预测方法
CN110636515B (zh) 电力无线专网的网络规划评估方法
KR102229887B1 (ko) 조업데이터를 학습하여 전력사용량을 예측하는 분석 시스템 및 그 방법
CN108989092A (zh) 一种无线网络预测方法、电子设备及存储介质
CN116821660A (zh) 一种电力管理方法、***、终端设备及存储介质
CN113743673A (zh) 一种台风期间的电力负荷预测方法
CN112752327A (zh) 功率调节方法和接入网设备
Ghasemi Data-driven prediction of cellular networks coverage: An interpretable machine-learning model
CN112508254B (zh) 变电站工程项目投资预测数据的确定方法
Guerra-Gómez et al. Machine-learning based traffic forecasting for resource management in C-RAN
Prabha et al. IoT-based Battery Management System by Deploying an Machine Learning Model
CN117674119A (zh) 电网运行风险评估方法、装置、计算机设备和存储介质
CN116091106A (zh) 一种多功能财务成本评估***
Lin et al. Short-Term Fine-Grained Regional MUF Prediction for HF Communication Based on Time Series Decomposition
CN115629576A (zh) 非侵入式柔性负荷聚合特性辨识与优化方法、装置及设备
CN115278706B (zh) 一种网络结构评估方法、装置、设备及计算机存储介质
CN111950928B (zh) 配电网降损方法、装置、存储介质及计算设备
Sun et al. An identification method for vulnerable lines based on combination weighting method and GraphSAGE algorithm
CN117996242B (zh) 用于动力电池的智能均衡控制方法及***

Legal Events

Date Code Title Description
E90F Notification of reason for final refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant