KR102514996B1 - 머신러닝 비지도학습과 지도학습을 이용한 전력수요 예측 시스템 및 방법 - Google Patents
머신러닝 비지도학습과 지도학습을 이용한 전력수요 예측 시스템 및 방법 Download PDFInfo
- Publication number
- KR102514996B1 KR102514996B1 KR1020220115071A KR20220115071A KR102514996B1 KR 102514996 B1 KR102514996 B1 KR 102514996B1 KR 1020220115071 A KR1020220115071 A KR 1020220115071A KR 20220115071 A KR20220115071 A KR 20220115071A KR 102514996 B1 KR102514996 B1 KR 102514996B1
- Authority
- KR
- South Korea
- Prior art keywords
- machine learning
- information
- learning
- weather information
- power consumption
- Prior art date
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 199
- 238000000034 method Methods 0.000 title claims abstract description 63
- 230000035945 sensitivity Effects 0.000 claims abstract description 59
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 48
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 6
- 230000008859 change Effects 0.000 claims description 67
- 238000012360 testing method Methods 0.000 claims description 37
- 238000004458 analytical method Methods 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 26
- 230000005855 radiation Effects 0.000 claims description 16
- 230000005611 electricity Effects 0.000 claims description 14
- 238000004891 communication Methods 0.000 claims description 13
- 230000000694 effects Effects 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 230000008685 targeting Effects 0.000 claims description 3
- 230000005494 condensation Effects 0.000 claims description 2
- 238000009833 condensation Methods 0.000 claims description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 2
- 238000001816 cooling Methods 0.000 claims 1
- 101100510615 Caenorhabditis elegans lag-2 gene Proteins 0.000 description 9
- 101100074187 Caenorhabditis elegans lag-1 gene Proteins 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 101100510617 Caenorhabditis elegans sel-8 gene Proteins 0.000 description 7
- 238000005457 optimization Methods 0.000 description 6
- 238000010606 normalization Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000011425 standardization method Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000003860 storage 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
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
- G01W1/06—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed giving a combined indication of weather conditions
-
- 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
-
- 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"
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W2203/00—Real-time site-specific personalized weather information, e.g. nowcasting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
-
- 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
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B70/00—Technologies for an efficient end-user side electric power management and consumption
- Y02B70/30—Systems integrating technologies related to power network operation and communication or information technologies for improving the carbon footprint of the management of residential or tertiary loads, i.e. smart grids as climate change mitigation technology in the buildings sector, including also the last stages of power distribution and the control, monitoring or operating management systems at local level
-
- 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
- Y04S50/00—Market activities related to the operation of systems integrating technologies related to power network operation or related to communication or information technologies
- Y04S50/16—Energy services, e.g. dispersed generation or demand or load or energy savings aggregation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Mathematical Optimization (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Environmental & Geological Engineering (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Atmospheric Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Power Engineering (AREA)
Abstract
본 발명은 건물의 전력수요 예측 방법에 관한 것으로, 더욱 상세하게는 기상정보의 머신러닝 비지도학습을 이용하여 시간별로 기상상태가 유사한 특성패턴 그룹과 일자별로 기상변화가 유사한 추세패턴 그룹으로 군집화하고, 머신러닝 비지도학습을 이용하여 일자별로 전력사용량 변화가 유사한 추세패턴 그룹으로 군집화하며,기상정보와 실제 전력사용량 간의 변동 민감도를 분석하여, 전력수요를 예측 할 때마다 여러 가지 인공지능 머신러닝 학습 알고리즘 중에서 건물의 전력수요 예측 성능이 가장 좋은 최적의 머신러닝 지도학습 모델과 초매개변수를 탐색하고, 이를 통해 건물마다 시간별로 서로 다른 머신러닝 학습모델을 적용함으로써, 시간별 전력수요를 더욱 정확하게 예측하는 전력수요 예측 방법에 관한 것으로서, 머신러닝 비지도학습으로 기상정보를 특성패턴과 추세패턴 그룹별로 군집화하는 단계; 머신러닝 비지도학습으로 전력사용량 정보를 추세패턴 그룹별로 군집화하고 기상정보와의 변동 민감도를 분석하는 단계; 최적의 머신러닝 지도학습 모델을 탐색하여 전력수요를 예측하는 단계를 포함하는 것을 특징으로 한다.
Description
본 발명은 건물의 전력수요 예측 방법에 관한 것으로, 더욱 상세하게는 머신러닝 비지도학습을 이용하여 시간별로 기상상태가 유사한 특성패턴 그룹과 일자별로 기상변화가 유사한 추세패턴 그룹으로 군집화하고, 머신러닝 비지도학습을 이용하여 일자별로 전력사용량 변화가 유사한 추세패턴 그룹으로 군집화하며, 기상정보와 실제 전력사용량 간의 변동 민감도를 분석하여, 전력수요를 예측할 때마다 여러 가지 인공지능 머신러닝 학습 알고리즘 중에서 건물의 전력수요 예측 성능이 가장 좋은 최적의 머신러닝 지도학습 모델과 초매개변수를 탐색하고, 이를 통해 건물마다 시간별로 서로 다른 머신러닝 학습모델을 적용함으로써, 시간별 전력수요를 더욱 정확하게 예측할 수 있는 머신러닝 비지도학습과 지도학습을 이용한 전력수요 예측 시스템 및 방법에 관한 것이다.
전력수요 패턴이 매우 다양하고 변동성이 큰 마이크로그리드 내의 개별 건물 단위의 전력수요 예측은 전력 수요 반응(Demand Response), 전력피크의 사전 예측, 전기저장시스템(ESS)이나 연료전지 발전시스템 등의 운영 스케줄 설정 등 효율적인 에너지관리를 위해서 정확한 예측이 매우 중요하다.
종래의 전력수요 예측은 과거의 전력사용량 정보, 기상정보와 요일에 대한 정보를 단순하게 반영하여 전력수요를 예측하였으며, 전력수요 예측 기법들은 시계열분석법, 회귀분석법, 전문가 시스템, 인공지능 기법 등 다양한 전력수요 예측기법들이 제시되어 왔다.
그러나 건물의 유형에 따라 서로 다른 전력 소비 패턴을 가지고 있고, 기상 변화에 따른 냉난방기와 환절기 등의 계절성, 평일과 휴일, 업무시간 등에 따라서도 전력 소비량의 변동성이 크기 때문에 전력수요 예측에 활용된 정보를 단순하게 적용해서는 전력수요 예측 정확성이 떨어질 수밖에 없었다.
이러한 문제를 해결하기 위하여 전력수요 예측 기법에 관한 연구가 다양하게 진행되어 왔다.
선행특허 1은 기상정보인 시간별 기온변화 패턴을 분석하여 과거 유사한 기온변화 패턴을 가진 유사일을 추출하여 24시간 전력수요를 예측하고, 선행특허 2는 과거 전력수요의 패턴 유사성을 측정하여 전력수요 예측에 적합한 과거 유사일을 선정하여 보정하는 방식으로 전력수요를 예측하지만, 전력수요에 큰 영향을 미치고 있는 기온이외에 습도, 일사량, 노점온도, 습구온도 등의 종합적인 기상정보의 패턴을 반영하지 못하고, 기상정보의 변화에 따른 전력사용량의 증감 영향 등도 반영하지 못하여 기상 예측정보에 따라 가변성이 있는 예측 전력수요량의 정확도가 떨어질 수 있다.
따라서 본 발명은 상기와 같은 종래 기술의 제반 단점과 문제점을 해결하기 위한 것으로, 기상정보에 대하여 머신러닝 비지도학습 방법을 이용하여 시간별로 기상상태가 유사한 특성패턴 그룹과 일자별로 기상변화가 유사한 추세패턴 그룹으로 군집화하고, 과거 시점의 전력사용량이 현재 시점의 전력사용량에 미치는 영향력을 파악할 수 있는 시차분석을 통해 전력사용량의 시차정보를 생성하며, 전력사용량 정보에 대하여 머신러닝 비지도학습을 이용하여 일자별로 전력사용량 변화가 유사한 추세패턴 그룹으로 군집화하고, 기상정보의 변화에 따른 전력사용량의 증감 영향을 반영할 수 있는 변동 민감도를 분석하여, 전력수요를 예측할 때마다 여러 가지 인공지능 머신러닝 지도학습 알고리즘 중에서 건물의 전력수요 예측 성능이 가장 좋은 최적의 머신러닝 지도학습 모델과 초매개변수를 탐색하여 생성된 최적의 머신러닝 지도학습 모델을 적용하여 시간 별로 예측 전력수요량을 산출할 수 있는 머신러닝 비지도학습과 지도학습을 이용한 전력수요 예측 시스템 및 방법을 제공하는데 그 목적이 있다.
상기한 목적을 달성하기 위하여 본 발명은 각 건물외부에 설치되어 실황 기상정보를 측정하여 관제서버(100)로 전송하는 기상정보 측정기(200); 상기 건물의 전력사용량 정보를 일자별, 시간별로 계측한 정보를 상기 관제서버(100)로 전송하는 전력계측기(300); 및 상기 기상정보 측정기(200)와 상기 전력계측기(300)로부터 전송된 정보를 미리 설정된 시간별로 기상상태가 유사한 특성패턴 그룹과 일자별로 기상변화가 유사한 추세패턴 그룹으로 군집화하고, 각 건물의 과거 시점의 전력사용량이 현재 시점의 전력사용량에 미치는 영향력을 파악할 수 있는 시차분석을 통해 전력사용량의 시차정보를 생성하며, 전력사용량 정보에 대하여 머신러닝 비지도학습을 이용하여 일자별로 전력사용량 변화가 유사한 추세패턴 그룹으로 군집화하고, 기상정보의 변화에 따른 전력사용량의 증감 영향을 반영할 수 있는 변동 민감도를 분석하여, 전력수요를 예측 할 때마다 여러 가지 인공지능 머신러닝 지도학습 알고리즘 중에서 건물의 전력수요 예측 성능이 가장 좋은 최적의 머신러닝 지도학습 모델과 초매개변수를 탐색하여 생성된 최적의 머신러닝 지도학습 모델을 적용하여 시간 별로 예측 전력수요량을 산출하는 관제서버(100);를 포함하여 구성됨을 특징으로 하는 머신러닝 비지도학습과 지도학습을 이용한 전력수요 예측 시스템을 제공한다.
여기서 관제서버(100)는, 상기 기상정보 측정기(200)와 전력계측기(300)로부터 수집된 정보를 전송받는 통신부(20)와, 상기 통신부(20)를 통해 전송된 정보를 저장하는 데이터베이스(30)와, 상기 데이터베이스(30)에 저장된 정보에 대하여 머신러닝 알고리즘을 수행하여 비지도학습과 지도학습 모델을 생성하는 기계학습엔진(40)과, 상기 데이터베이스(30)에 저장된 정보에 대하여 머신러닝 비지도학습으로 기상정보를 특성패턴과 추세패턴 그룹별로 군집화 하는 기상정보 분석부(50)와, 상기 데이터베이스(30)에 저장된 정보에 대하여 머신러닝 비지도학습으로 전력사용 정보를 추세패턴 그룹별로 군집화하고 기상정보와의 변동 민감도를 분석하는 전력사용량 정보분석부(60)와, 전력수요 예측 성능이 가장 좋은 최적의 머신러닝 지도학습 모델을 결정하고, 결정된 머신러닝 지도학습 모델을 적용하여 건물의 전력수요를 예측하는 전력수요 예측부(70) 및 상기 통신부(20), 데이터베이스(30), 기계학습엔진(40), 기상정보 분석부(50), 전력사용량 정보분석부(60) 및 전력수요 예측부(70)를 제어하여, 시간별로 기상상태가 유사한 특성패턴 그룹과 일자별로 기상변화가 유사한 추세패턴 그룹으로 군집화 하도록 하고, 과거 시점의 전력사용량이 현재 시점의 전력사용량에 미치는 영향력을 파악할 수 있는 시차분석을 통해 전력사용량의 시차정보를 생성하도록 하며, 전력사용량 정보에 대하여 머신러닝 비지도학습을 이용하여 일자별로 전력사용량 변화가 유사한 추세패턴 그룹으로 군집화 하도록 하고, 기상정보의 변화에 따른 전력사용량의 증감 영향을 반영할 수 있는 변동 민감도를 분석하도록 하며, 전력수요를 예측 할 때마다 여러 가지 인공지능 머신러닝 지도학습 알고리즘 중에서 건물의 전력수요 예측 성능이 가장 좋은 최적의 머신러닝 지도학습 모델과 초매개변수를 탐색하여 생성된 최적의 머신러닝 지도학습 모델을 적용하여 시간 별로 예측 전력수요량을 산출하도록 하는 제어부(10)를 포함하여 구성됨을 특징으로 한다.
그리고 기계학습엔진(40)은, 머신러닝 비지도학습을 이용한 기상정보의 특성패턴 분석은 K-평균(K-Means) 모델을 적용해서 학습하며, 머신러닝 비지도학습을 이용한 기상 변화와 전력사용량 변화에 대한 추세패턴 분석은 K-형상(K-Shape) 모델을 적용해서 학습하고, 머신러닝 지도학습을 적용한 전력수요 예측은 머신러닝의 앙상블(Ensemble) 모델인 그레디언트부스팅(Gradient Boosting) 모델, XG부스트(XGBoost) 모델, LightGBM(Light Gradient Boosting Methods) 모델을 참조해 학습하며, 건물별로 전력수요 예측을 할 때마다 학습 결과에 따라 전력수요 예측 성능이 가장 좋은 서로 다른 최적의 머신러닝 학습모델을 적용하는 것을 특징으로 한다.
또한 상기한 목적을 달성하기 위하여 본 발명은 관제서버(100)의 데이터베이스(30)에 저장되어 있는 실황 기상정보와 예측 기상정보를 가져와서 머신러닝 비지도학습으로 기상정보를 특성패턴과 추세패턴 그룹별로 군집화 하는 단계(S10); 관제서버(100)의 데이터베이스(30)에 저장되어 있는 실제 전력사용량 정보를 가져와서 머신러닝 비지도학습으로 전력사용량 정보를 추세패턴 그룹별로 군집화하고 기상정보와의 변동 민감도를 분석하는 단계(S20); 및 상기 머신러닝 비지도학습으로 기상정보를 특성패턴과 추세패턴 그룹별로 군집화 하는 단계(S10)에서 최종 가공된 기상정보와 상기 머신러닝 비지도학습으로 전력사용량 정보를 추세패턴 그룹별로 군집화하고 기상정보와의 변동 민감도를 분석하는 단계(S20)에서 최종 가공된 실제 전력사용량 정보를 머신러닝 지도학습 데이터로 학습하여 전력수요 예측 성능이 가장 좋은 최적의 머신러닝 학습모델을 탐색하여 전력수요를 예측하는 단계(S30)를 포함하는 것을 특징으로 하는 머신러닝 비지도학습과 최적 지도학습을 이용한 전력수요 예측 방법을 제공한다.
여기서 머신러닝 비지도학습으로 기상정보를 특성패턴과 추세패턴 그룹별로 군집화 하는 단계(S10)는, 상기 관제서버(100)의 데이터베이스(30)에 저장되어 있는 실황 및 예측 기상정보를 가져오는 단계(S11)와, 상기 가져온 통합 기상정보를 선형 보간하는 단계(S12)와, 상기 선형 보간된 통합 기상정보로부터 노점온도와 습구온도를 산출하는 단계(S13)와, 상기 노점온도와 습구온도를 포함한 기상정보를 시각별로 특성이 유사한 패턴별로 군집화 하는 머신러닝 비지도학습으로 기상정보 특성패턴을 클러스터링하는 단계(S14) 및 상기 습구온도에 대한 시계열 정보를 대상으로 일자별로 습구온도의 변화 추세가 유사한 패턴별로 군집화 하는 머신러닝 비지도학습으로 습구온도 추세패턴을 클러스터링하는 단계(S15)를 포함하여 이루어지는 것을 특징으로 한다.
그리고 머신러닝 비지도학습으로 전력사용량 정보를 추세패턴 그룹별로 군집화하고 기상정보와의 변동 민감도를 분석하는 단계(S20)는, 관제서버(100)의 데이터베이스(30)에 저장되어 있는 실제 전력사용량 정보를 가져오는 단계(S21)와, 현재 시점 전력사용량에 과거 시점 전력사용량을 추가하는 실제 전력사용량의 시차 정보를 생성하는 단계(S22)와, 상기 실제 전력사용량의 시계열 정보를 대상으로 일자별로 전력사용량의 변화 추세가 유사한 패턴별로 군집화 하는 머신러닝 비지도학습으로 전력량 추세패턴을 클러스터링하는 단계(S23)와, 상기 최종 가공된 기상정보의 변화에 따른 실제 전력사용량 증감 정도를 나타내는 민감도를 산출하는 기상정보와 전력사용량의 변동 민감도를 산출하는 단계(S24) 및 전력수요 예측 머신러닝 모델의 성능에 영향을 미칠 수 있는 비정상 전력사용량 정보를 제거하는 단계(S25)를 포함하여 이루어지는 것을 특징으로 한다.
한편 최적의 머신러닝 지도학습 모델을 결정하여 전력수요를 예측하는 단계(S30)는, 상기 머신러닝 비지도학습으로 기상정보를 특성패턴과 추세패턴 그룹별로 군집화 하는 단계(S10)에서 최종 가공된 기상정보와, 상기 전력사용량의 시차정보를 생성하고 기상정보와의 변동 민감도를 분석하는 단계(S20)에서 최종 가공된 실제 전력사용량 정보를 전처리하는 단계(S31)와, 상기 전처리하여 생성된 머신러닝 학습 데이터를 훈련 데이터와 시험 데이터로 분리하여 정규화하는 단계(S32)와, 상기 정규화된 훈련 데이터와 시험 데이터를 대상으로 지도학습을 하기 위하여 머신러닝 지도학습 알고리즘과 초매개변수 후보를 설정하는 단계(S33)와, 기계학습엔진(40)을 통해 최적의 머신러닝 지도학습 모델을 결정하는 단계(S34) 및 상기 결정된 머신러닝 지도학습 모델을 훈련하여 전력수요를 예측하는 단계(S35)를 포함하여 이루어지는 것을 특징으로 한다.
본 발명의 실시 예에 따르면 머신러닝 비지도학습을 이용하여 시간별로 기상정보의 특성이 유사한 패턴 그룹과 일자별로 기상 변화 및 전력사용량 변화의 추세가 유사한 패턴 그룹으로 군집화 하는 분석을 하고, 기상정보와 실제 전력사용량 간의 변동 민감도 분석을 하여, 전력수요를 예측 할 때마다 전력수요 예측 성능이 가장 좋은 최적의 머신러닝 지도학습 모델과 초매개변수를 탐색하여 결정하고, 건물마다 서로 다른 결정된 최적의 머신러닝 학습모델을 적용함으로써, 전력수요를 더욱 정확하게 예측하는 효과가 있다.
도 1은 본 발명에 따른 머신러닝 비지도학습과 최적 지도학습을 이용한 전력수요 예측 시스템의 실시 예를 설명하기 위한 도면,
도 2는 본 발명에 따른 머신러닝 비지도학습과 최적 지도학습을 이용한 전력수요 예측 방법의 실시 예를 설명하기 위한 흐름도,
도 3은 본 발명에 따른 머신러닝 비지도학습과 최적 지도학습 모델을 이용한 전력수요 예측 방법에서 머신러닝 비지도학습으로 기상정보를 특성패턴과 추세패턴 그룹별로 군집화 하는 방법의 실시 예를 상세하게 나타낸 순서도,
도 4는 본 발명에 따른 머신러닝 비지도학습과 최적 지도학습 모델을 이용한 전력수요 예측 방법에서 머신러닝 비지도학습으로 전력사용량 정보를 추세패턴 그룹별로 군집화하고 기상정보와의 변동 민감도를 분석하는 방법의 실시 예를 상세하게 나타낸 순서도,
도 5는 본 발명에 따른 머신러닝 비지도학습과 최적 지도학습 모델을 이용한 전력수요 예측 방법에서 최적의 머신러닝 지도학습 모델을 결정하여 전력수요를 예측하는 방법의 실시 예를 상세하게 나타낸 순서도,
도 6은 본 발명에 따른 머신러닝 비지도학습을 이용하여 시간별로 기상정보를 유사한 특성패턴 그룹으로 군집화 할 때 최적의 클러스터 개수를 찾는 방법을 그래프로 표현한 관성 그래프를 나타낸 도면,
도 7은 본 발명에 따른 머신러닝 비지도학습을 이용하여 일자별로 습구온도의 변화가 유사한 추세패턴 그룹으로 군집화 하는 과정을 나타낸 도면,
도 8은 본 발명에 따른 머신러닝 비지도학습과 최적 지도학습을 이용한 전력수요 예측 방법에 따라 이루어진 대전광역시 소재 공공기관 건물의 2021년 8월 1일부터 2022년 7월 31일까지 1년간의 전력수요 예측 성능을 설명하기 위한 도면이다.
도 2는 본 발명에 따른 머신러닝 비지도학습과 최적 지도학습을 이용한 전력수요 예측 방법의 실시 예를 설명하기 위한 흐름도,
도 3은 본 발명에 따른 머신러닝 비지도학습과 최적 지도학습 모델을 이용한 전력수요 예측 방법에서 머신러닝 비지도학습으로 기상정보를 특성패턴과 추세패턴 그룹별로 군집화 하는 방법의 실시 예를 상세하게 나타낸 순서도,
도 4는 본 발명에 따른 머신러닝 비지도학습과 최적 지도학습 모델을 이용한 전력수요 예측 방법에서 머신러닝 비지도학습으로 전력사용량 정보를 추세패턴 그룹별로 군집화하고 기상정보와의 변동 민감도를 분석하는 방법의 실시 예를 상세하게 나타낸 순서도,
도 5는 본 발명에 따른 머신러닝 비지도학습과 최적 지도학습 모델을 이용한 전력수요 예측 방법에서 최적의 머신러닝 지도학습 모델을 결정하여 전력수요를 예측하는 방법의 실시 예를 상세하게 나타낸 순서도,
도 6은 본 발명에 따른 머신러닝 비지도학습을 이용하여 시간별로 기상정보를 유사한 특성패턴 그룹으로 군집화 할 때 최적의 클러스터 개수를 찾는 방법을 그래프로 표현한 관성 그래프를 나타낸 도면,
도 7은 본 발명에 따른 머신러닝 비지도학습을 이용하여 일자별로 습구온도의 변화가 유사한 추세패턴 그룹으로 군집화 하는 과정을 나타낸 도면,
도 8은 본 발명에 따른 머신러닝 비지도학습과 최적 지도학습을 이용한 전력수요 예측 방법에 따라 이루어진 대전광역시 소재 공공기관 건물의 2021년 8월 1일부터 2022년 7월 31일까지 1년간의 전력수요 예측 성능을 설명하기 위한 도면이다.
본 발명의 바람직한 실시 예를 첨부된 도면에 의하여 상세히 설명하면 다음과 같다.
아울러, 본 발명에서 사용되는 용어는 가능한 한 현재 널리 사용되는 일반적인 용어를 선택하였으나, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며 이 경우는 해당되는 발명의 설명부분에서 상세히 그 의미를 기재하였으므로, 단순한 용어의 명칭이 아닌 용어가 가지는 의미로서 본 발명을 파악하여야 함을 밝혀두고자 한다. 또한 실시 예를 설명함에 있어서 본 발명이 속하는 기술분야에 익히 알려져 있고, 본 발명과 직접적으로 관련이 없는 기술 내용에 대해서는 설명을 생략한다. 이는 불필요한 설명을 생략함으로써 본 발명의 요지를 흐리지 않고 더욱 명확히 전달하기 위함이다.
도 1은 본 발명에 따른 머신러닝 비지도학습과 최적 지도학습을 이용한 전력수요 예측 시스템의 실시 예를 설명하기 위한 도면이다.
본 발명에 따른 머신러닝 비지도학습과 최적 지도학습을 이용한 전력수요 예측 시스템의 실시 예는 도 1에 나타낸 바와 같이, 관제서버(100), 기상정보 측정기(200) 및 전력계측기(300)를 포함하여 구성된다.
여기서, 관제서버(100)는 시간별로 기상상태가 유사한 특성패턴 그룹과 일자별로 기상변화가 유사한 추세패턴 그룹으로 군집화하고, 과거 시점의 전력사용량이 현재 시점의 전력사용량에 미치는 영향력을 파악할 수 있는 시차분석을 통해 전력사용량의 시차정보를 생성하며, 전력사용량 정보에 대하여 머신러닝 비지도학습을 이용하여 일자별로 전력사용량 변화가 유사한 추세패턴 그룹으로 군집화하고, 기상정보의 변화에 따른 전력사용량의 증감 영향을 반영할 수 있는 변동 민감도를 분석하여, 전력수요를 예측 할 때마다 여러 가지 인공지능 머신러닝 지도학습 알고리즘 중에서 건물의 전력수요 예측 성능이 가장 좋은 최적의 머신러닝 지도학습 모델과 초매개변수를 탐색하여 생성된 최적의 머신러닝 지도학습 모델을 적용하여 시간 별로 예측 전력수요량을 산출한다.
기상정보 측정기(200)는 백엽상, 강우량계, 온도계, 습도계, 풍향계, 풍속계 등의 장비로, 건물 외부에 설치되어 실황 기상정보를 측정하여 관제서버(100)로 전송한다.
전력계측기(300)는 건물의 전력사용량 정보를 일자별, 시간별로 계측하여 관제서버(100)로 전송한다. 이러한 전력계측기(300)는 분기회로 감시장치(BFM), 디지털 전력 계측기, 스마트 전력량 계측기 및 고정밀 전력품질 분석기 등으로 구성될 수 있다.
한편 관제서버(100)는 도 1에서와 같이 제어부(10), 통신부(20), 데이터베이스(30), 기계학습엔진(40), 기상정보 분석부(50), 전력사용량 정보분석부(60) 및 전력수요 예측부(70)를 포함하여 구성된다.
여기서 통신부(20)는 백엽상과 같은 외부의 기상정보 측정기(200)에서 수신되는 실황 기상정보와 전력계측기(300)에서 수신되는 실제 전력사용량 정보를 전송받고, 전송된 정보는 데이터베이스(30)에 저장된다. 이때, 기상정보 측정기(200)와 전력계측기(300)와 관제서버(100)간의 거리가 먼 경우에는 별도의 통신망(Network)을 이용할 수도 있음을 나타내고 있다.
데이터베이스(30)는 기상정보 측정기(200)와 전력계측기(300)로부터 수집된 정보가 저장된다.
기계학습엔진(40)은 데이터베이스(30)에 저장된 데이터에 대하여 머신러닝 알고리즘을 수행하여 비지도학습과 지도학습 모델을 생성한다.
기상정보 분석부(50)는 데이터베이스(30)에 저장된 데이터에 대하여 머신러닝 비지도학습으로 기상정보를 특성패턴과 추세패턴 그룹별로 군집화 한다.
전력사용량 정보분석부(60)는 데이터베이스(30)에 저장된 데이터에 대하여 머신러닝 비지도학습으로 전력사용 정보를 추세패턴 그룹별로 군집화하고 기상정보와의 변동 민감도를 분석한다.
전력수요 예측부(70)는 전력수요 예측 성능이 가장 좋은 최적의 머신러닝 지도학습 모델을 결정하고, 결정된 머신러닝 지도학습 모델을 적용하여 건물의 전력수요를 예측한다.
제어부(10)는 상기 통신부(20), 데이터베이스(30), 기계학습엔진(40), 기상정보 분석부(50), 전력사용량 정보분석부(60) 및 전력수요 예측부(70)를 제어하여, 시간별로 기상상태가 유사한 특성패턴 그룹과 일자별로 기상변화가 유사한 추세패턴 그룹으로 군집화 하도록 하고, 과거 시점의 전력사용량이 현재 시점의 전력사용량에 미치는 영향력을 파악할 수 있는 시차분석을 통해 전력사용량의 시차정보를 생성하도록 하며, 전력사용량 정보에 대하여 머신러닝 비지도학습을 이용하여 일자별로 전력사용량 변화가 유사한 추세패턴 그룹으로 군집화 하도록 하고, 기상정보의 변화에 따른 전력사용량의 증감 영향을 반영할 수 있는 변동 민감도를 분석하도록 하며, 전력수요를 예측 할 때마다 여러 가지 인공지능 머신러닝 지도학습 알고리즘 중에서 건물의 전력수요 예측 성능이 가장 좋은 최적의 머신러닝 지도학습 모델과 초매개변수를 탐색하여 생성된 최적의 머신러닝 지도학습 모델을 적용하여 시간 별로 예측 전력수요량을 산출하도록 한다.
도 2는 본 발명에 따른 머신러닝 비지도학습과 최적 지도학습을 이용한 전력수요 예측 방법의 실시 예를 설명하기 위한 흐름도이다.
본 발명에 따른 머신러닝 비지도학습과 최적 지도학습을 이용한 전력수요 예측 방법의 실시 예는 도 2에 나타낸 바와 같이, 관제서버(100)의 기상정보 분석부(50)는 데이터베이스(30)에 저장되어 있는 실황 기상정보와 예측 기상정보를 가져와서 머신러닝 비지도학습으로 기상정보를 특성패턴과 추세패턴 그룹별로 군집화 한다(S10).
그리고 관제서버(100)의 전력사용량 정보분석부(60)는 데이터베이스(30)에 저장되어 있는 실황 기상정보와 예측 기상정보를 가져와서 머신러닝 비지도학습으로 전력사용량정보를 추세패턴 그룹별로 군집화하고 기상정보와의 변동 민감도를 분석한다(S20).
그 다음 전력수요 예측부(70)는 머신러닝 비지도학습으로 기상정보를 특성패턴과 추세패턴 그룹별로 군집화 하는 단계(S10)에서 가공된 기상정보와, 전력사용량의 시차정보를 생성하고 기상정보와의 변동 민감도를 분석하는 단계(S20)에서 가공된 실제 전력사용량 정보를 학습 데이터로 전처리하여 전력수요 예측 성능이 가장 좋은 최적의 머신러닝 학습모델을 결정하여 전력수요를 예측한다(S30).
도 3은 본 발명에 따른 머신러닝 비지도학습과 최적 지도학습 모델을 이용한 전력수요 예측 방법에서 머신러닝 비지도학습으로 기상정보를 특성패턴과 추세패턴 그룹별로 군집화 하는 방법의 실시 예를 상세하게 나타낸 순서도이다.
본 발명에 따른 머신러닝 비지도학습과 최적 지도학습 모델을 이용한 전력수요 예측 방법에서 머신러닝 비지도학습으로 기상정보를 특성패턴과 추세패턴 그룹별로 군집화 하는 방법의 실시 예는 도 3에 나타낸 바와 같은데, 이는 도 2에서의 관제서버(100)의 기상정보 분석부(50)는 데이터베이스(30)에 저장되어 있는 실황 기상정보와 예측 기상정보를 가져와서 머신러닝 비지도학습으로 기상정보를 특성패턴과 추세패턴 그룹별로 군집화 하는 단계(S10)를 보다 상세히 설명하기 위한 것으로, 관제서버(100)의 데이터베이스(30)에 저장되어 있는 실황 및 예측 기상정보를 가져오는 단계(S11)와, 상기 가져온 통합 기상정보를 선형 보간하는 단계(S12)와, 상기 선형 보간된 통합 기상정보로부터 노점온도와 습구온도를 산출하는 단계(S13)와, 상기 노점온도와 습구온도를 포함한 기상정보를 시각별로 특성이 유사한 패턴별로 군집화 하는 머신러닝 비지도학습으로 기상정보 특성패턴을 클러스터링하는 단계(S14) 및 상기 습구온도에 대한 시계열 정보를 대상으로 일자별로 습구온도의 변화 추세가 유사한 패턴별로 군집화 하는 머신러닝 비지도학습으로 습구온도 추세패턴을 클러스터링하는 단계(S15)를 포함하여 이루어진다.
이때, 실황 및 기상정보를 가져오는 단계(S11)는 일자별 시간별로 기상정보 측정기(200)에서 통신부(20)를 통해 수신하여 관제서버(100)의 데이터베이스(30)에 저장된 실황 기상정보를 가져오고, 과거 실황 기상정보와 청명도, 고도 등을 바탕으로 예측하여 관제서버(100)의 데이터베이스(30)에 저장되어 있는 예측 기상정보를 가져오는 단계이다.
여기서 가져온 기상정보는 일자별로 1시간 단위의 실황 기상정보(CMreal)인 실황 기온(Treal), 실황 습도(Rreal), 실황 일사량(Sreal)과 예측일자 1시간 단위의 예측 기상정보(CMpred)인 예측 기온(Tpred), 예측 습도(Rpred), 예측 일사량(Spred)을 포함한다.
그리고 가져온 기상정보의 속성인 일자와 시간을 바탕으로 요일, 일자유형(평일, 주말, 주초, 공휴일, 특수일), 휴일여부, 업무시간 여부 등을 도출하여 기상정보 속성에 추가하며, 실황 기상정보(CMreal)와 예측 기상정보(CMpred)를 합쳐서 통합 기상정보(CM)를 구성한다.
이에 따라, 상기 통합 기상정보(CM)는 일자, 시간, 분, 요일, 일자유형, 휴일여부, 업무시간 여부, 기온(T), 습도(R), 일사량(S)의 속성들로 구성된다.
그리고 가져온 통합 기상정보를 선형 보간하는 단계(S12)에서는 전력수요 예측을 15분 단위로 하는 경우에 기상정보는 1시간 단위로 되어 있어서 단위가 맞지 않아 정확한 예측이 어렵기 때문에 기상정보도 15분 단위로 조정하기 위하여 다음의 수학식 1에 적용하여 매시 15분, 30분, 45분의 통합 기상정보(CM)를 선형 보간을 한다.
여기서, CMt,m은 t시 m분의 통합 기상정보인데, CM t 은 t시의 통합 기상정보이고, CM t+1 은 t+1시의 통합 기상정보이며, m은 분을 가리킨다. 그에 따라 예를 들어 오후 2시의 기온이 30도이고, 오후 3시의 기온이 28도 라면, 오후 2시 15분 기온은 29.5도, 오후 2시 30분 기온은 29.0도, 오후 2시 45분 기온은 28.5도로 유추할 수 있다.
이러한 상기 선형 보간된 통합 기상정보(CM)로부터 노점온도와 습구온도를 산출하는 단계(S13)는 전력사용량에 영향을 주는 기상정보가 기온(T), 습도(R), 일사량(S) 이외에 수증기를 포함하는 공기를 냉각했을 때 응결이 시작되는 온도인 노점온도와 상대습도가 100%가 되었을 때의 기온인 습구온도도 영향을 주기 때문에 기온(T)과 습도(R)를 바탕으로 다음 수학식 2에 적용하여 노점온도(D)와 습구온도(W)를 산출해서 통합 기상정보(CM) 속성에 추가하여 기상정보 속성을 확대하는 단계이다.
여기서, D는 노점온도(℃), W는 습구온도(℃), T는 기온(℃), R은 습도(%)이다.
노점온도(D)와 습구온도(W)를 포함한 통합 기상정보(CM)를 시간별로 특성이 유사한 패턴별로 군집화 하는 머신러닝 비지도학습으로 기상정보 특성패턴을 클러스터링하는 단계(S14)에서는 기온(T), 습도(R), 일사량(S), 노점온도(D) 및 습구온도(W)로 구성된 상기 통합 기상정보(CM)를 대상으로 유사한 특성패턴 그룹별로 군집화 한다.
이때, 상기 통합 기상정보(CM)를 유사한 특성패턴 그룹별로 군집화 하는 방법은 머신러닝 비지도학습으로 군집화의 대표적인 알고리즘인 K-평균(K-Means) 알고리즘을 이용할 수 있다.
K-평균 알고리즘은 중심점이라는 특정한 지점을 선택해 해당 중심점에서 유클리디안 제곱 거리(Euclidean Squared Distance; ESD)가 가장 가까운 데이터들을 선택하여 유사한 패턴을 K개의 그룹으로 군집화 하는 클러스터링 기법이다.
상기 통합 기상정보(CM)를 유사한 특성패턴 그룹별로 군집화 할 때 클러스터 개수를 몇 개의 그룹으로 군집화 하는 것이 최적인지 판단하기 위해서는, 클러스터 개수(K개)를 1부터 8까지 변경해 가면서 각각 K-평균 알고리즘을 수행하여 중심점으로부터의 거리의 합으로 클러스터의 응집도를 나타내는 지수로 클러스터 내 제곱오차합인 관성(inertia_c)을 다음 수학식 3과 같이 산출할 수 있다.
여기서 inertia_c(k)는 통합 기상정보(CM)의 클러스터가 k개일 때의 관성, μ ( j )는 통합 기상정보(CM) 클러스터 j의 중심점, cm( i )는 통합 기상정보(CM) 데이터, i는 통합 기상정보(CM) 데이터 개수, j는 통합 기상정보(CM) 클러스터 개수, λ (i,j) 는 존재 유무 값으로 cm (i) 가 통합 기상정보(CM) 클러스터 j 안에 있다면 1이고 아니면 0이다.
상기 통합 기상정보(CM) 클러스터별로 산출된 관성 값을 바탕으로 최적의 클러스터 개수를 찾기 위해서는, 통합 기상정보(CM) 클러스터 개수와 관성 값으로 표현한 도 6의 머신러닝 비지도학습을 이용하여 시간별로 기상정보를 유사한 특성패턴 그룹으로 군집화 할 때 최적의 클러스터 개수를 찾는 방법을 그래프로 표현한 관성 그래프에서 알 수 있듯이 각 통합 기상정보(CM) 클러스터의 관성 값이 가장 빠르게 변하는 지점의 클러스터 값이 최적의 클러스터 개수(K개)가 되므로, 최적의 클러스터 개수(K개)는 다음 수학식 4를 적용하여 찾을 수 있다.
여기서, inertia_c_rate(k)는 통합 기상정보(CM) 클러스터 개수 k 지점에서의 관성 변화율, inertia_c(k)는 통합 기상정보(CM) 클러스터 개수가 k일 때의 관성, K는 관성 변화율이 가장 큰 지점의 통합 기상정보(CM) 클러스터 개수, k는 통합 기상정보(CM) 클러스터 개수이다.
최적의 통합 기상정보(CM) 클러스터 개수를 찾은 후에는 최적의 통합 기상정보(CM) 클러스터 개수를 적용하여 수행한 K-평균 알고리즘의 결과인 온도 특성패턴 군집값(CMcluster)을 일자별 시간별로 통합 기상정보(CM)에 속성으로 추가한다.
상기 온도 추세패턴을 머신러닝 비지도학습 클러스터링하는 단계(S15)에서는 통합 기상정보(CM)의 습구온도(W)를 일자순 시계열 데이터로 정렬하여 일자별로 유사한 추세패턴별로 그룹을 군집화 한다.
습구온도(W)를 일자순 시계열 데이터로 정렬하면 다음과 같이 일자순으로 0시부터 23시까지의 시간별 습구온도(W)가 반복되는 형태의 다음 수학식 5와 같은 2차원 배열이 된다.
여기서, WT는 습구온도 시계열 데이터, Wd,t는 d일 t시의 습구온도(W), d는 일자, t는 시각이다.
상기 습구온도 시계열 데이터(WT)를 유사한 추세패턴별로 그룹을 군집화 하는 방법은 시계열 데이터의 군집화를 위한 머신러닝 비지도학습의 첨단 알고리즘인 K-형상(K-Shape) 알고리즘을 이용할 수 있다.
K-형상 알고리즘은 시계열 클러스터링 알고리즘으로서 시차 차이가 있는 변수 간의 상관관계의 정도를 나타내는 시차상관관계(leads and lags correlation) 계수를 사용해 중심점을 계산한 다음, 중심점과 시계열 데이터 간의 거리를 형상 기반 거리(Shape Based Distance; SBD) 척도를 사용해 중심점에서 가까운 시계열 데이터들을 클러스터에 할당하는 방식을 반복적으로 실행하여 유사한 추세패턴을 K개의 그룹별로 군집화 하는 클러스터링 기법이다.
머신러닝 비지도학습의 첨단 알고리즘인 K-형상(K-Shape) 알고리즘을 이용하여 상기 습구온도 시계열 데이터(WT)를 유사한 추세패턴별로 그룹을 군집화 하는 과정은 도 7의 본 발명 머신러닝 비지도학습을 이용하여 일자별로 습구온도의 변화가 유사한 추세패턴 그룹으로 군집화 하는 과정을 나타낸 도면에서와 같이 습구온도(W)를 1일 24시간 단위의 시계열 데이터로 변환하여, 변환된 습구온도(W) 시계열 데이터를 클러스터 개수를 증가해 가면서 각각 K-형상(K-Shape) 알고리즘을 적용하고, 최적의 클러스터 개수를 산출한 후에, 최적의 클러스터 개수일 때의 K-형상(K-Shape) 알고리즘의 결과인 온도 추세패턴 군집값(Wcluster)을 일자별로 상기 통합 기상정보(CM)에 속성으로 추가한다.
상기 습구온도 시계열 데이터(WT)를 유사한 추세패턴별로 그룹을 군집화 할 때 클러스터 개수를 몇 개의 그룹으로 군집화 하는 것이 최적인지 판단하기 위해서 클러스터 개수(K개)를 1부터 8까지 변경해 가면서 각각 K-형상 알고리즘을 수행하여 중심점으로부터의 거리의 합으로 클러스터의 응집도를 나타내는 지수로 클러스터 내 제곱오차합인 관성(inertia_w)을 다음 수학식 6을 적용하여 산출한다.
여기서 inertia_w(k)는 습구온도 시계열 데이터(WT)의 클러스터가 k개일 때의 관성, μ ( j )는 습구온도 시계열 데이터(WT) 클러스터 j의 중심점, w (i) 는 습구온도 시계열 데이터(WT), i는 습구온도 시계열 데이터(WT) 개수, j는 습구온도 시계열 데이터(WT) 클러스터 개수, λ (i,j) 는 존재 유무 값으로 w (i) 가 습구온도 시계열 데이터(WT) 클러스터 j 안에 있다면 1이고 아니면 0이다.
상기 습구온도 시계열 데이터(WT) 클러스터별로 산출된 관성 값을 바탕으로 최적의 클러스터 개수를 찾기 위해서는 각 습구온도 시계열 데이터(WT) 클러스터의 관성 값이 가장 빠르게 변하는 지점의 클러스터 값이 최적의 클러스터 개수(K개)가 되도록 다음 수학식 7을 적용하여 찾을 수 있다.
여기서, inertia_w_rate(k)는 습구온도 시계열 데이터(WT) 클러스터 개수 k 지점에서의 관성 변화율, inertia_w(k)는 습구온도 시계열 데이터(WT) 클러스터 개수가 k일 때의 관성, K는 관성 변화율이 가장 큰 지점의 습구온도 시계열 데이터(WT) 클러스터 개수, k는 습구온도 시계열 데이터(WT) 클러스터 개수이다.
최적의 습구온도(W) 시계열 클러스터 개수를 찾은 후에는 최적의 습구온도(W) 시계열 클러스터 개수를 적용하여 수행한 K-형상 알고리즘의 결과인 온도 추세패턴 군집값(Wcluster)을 일자별로 상기 통합 기상정보(CM)에 속성으로 추가하여 최종 가공된 통합 기상정보(CMT)를 생성한다.
상기 시계열 데이터를 유사한 추세패턴별로 그룹을 군집화 할 때 습구온도(W)이외에 기온(T), 습도(R), 일사량(S), 노점온도(D) 등도 각각 추세패턴별로 그룹을 군집화 할 수 있다.
상기 최종 가공된 통합 기상정보(CMT)는 일자, 시간, 분별로 요일, 일자유형(평일, 주말, 주초, 공휴일, 특수일), 휴일여부, 업무시간 여부, 기온(T), 습도(R), 일사량(S), 노점온도(D), 습구온도(W), 온도 특성패턴 군집값(CMcluster), 온도 추세패턴 군집값(Wcluster)의 속성으로 구성되어 있으며, 최종 가공된 통합 기상정보(CMT)는 최종 가공된 실황 기상정보(CMTreal)와 최종 가공된 예측 기상정보(CMTpred)로 구성되어 있다.
도 4는 본 발명에 따른 머신러닝 비지도학습과 최적 지도학습 모델을 이용한 전력수요 예측 방법에서 머신러닝 비지도학습으로 전력사용량 정보를 추세패턴 그룹별로 군집화하고 기상정보와의 변동 민감도를 분석하는 방법의 실시 예를 상세하게 나타낸 순서도이다.
본 발명에 따른 머신러닝 비지도학습과 최적 지도학습 모델을 이용한 전력수요 예측 방법에서 머신러닝 비지도학습으로 전력사용량 정보를 추세패턴 그룹별로 군집화하고 기상정보와의 변동 민감도를 분석하는 방법의 실시 예는 도 4에 나타낸 바와 같은데, 도 2에서의 데이터베이스(30)에 저장되어 있는 실황 기상정보와 예측 기상정보를 가져와서 머신러닝 비지도학습으로 전력사용량정보를 추세패턴 그룹별로 군집화하고 기상정보와의 변동 민감도를 분석하는 단계(S20)는 관제서버(100)의 데이터베이스(30)에 저장되어 있는 실제 전력사용량 정보를 가져오는 단계(S21)와, 상기 가져온 전력사용량 정보의 현재 시점 전력사용량에 과거 시점 전력사용량을 추가하는 시차 정보를 생성하는 단계(S22)와, 상기 실제 전력사용량의 시계열 정보를 대상으로 일자별로 전력사용량의 변화 추세가 유사한 패턴별로 군집화 하는 머신러닝 비지도학습으로 전력량 추세패턴을 클러스터링하는 단계(S23)와, 상기 최종 가공된 기상정보의 변화에 따른 실제 전력사용량 증감 정도를 나타내는 민감도를 산출하는 기상정보와 전력사용량 간의 변동 민감도를 산출하는 단계(S24) 및 상기 생성된 실제 전력생산량 정보에서 비정상적인 전력사용량인 이상치(outlier)를 탐지하여 제거하는 비정상 전력사용량 정보를 제거하는 단계(S25)를 포함하여 이루어진다.
여기서 실제 전력사용량 정보를 가져오는 단계(S21)는 일자별 시간별로 전력계측기(300)에서 통신부(20)를 통해 수신하여 관제서버(100)의 데이터베이스(30)에 저장된 실제 전력사용량 정보를 가져오는 단계이며, 상기 가져온 실제 전력사용량 정보는 일자별로 15분 단위의 전력사용량(Preal)을 포함한다.
그리고 가져온 실제 전력사용량의 시차 정보를 생성하는 단계(S22)에서는 전력사용량은 시계열 데이터 성격을 가지고 있어서 과거 시점의 전력사용량이 현재 시점의 전력사용량에 영향을 미치므로 현재 시점 전력사용량에 과거 시점 전력사용량을 속성으로 추가하여 실제 전력사용량(Preal) 정보의 속성을 확장한다.
예를 들어, 상기 실제 전력사용량(Preal)에 대해 4차까지 시차 정보를 생성하는 경우 다음 수학식 8과 같이 시차 전력사용량(Plag1, Plag2, Plag3, Plag4) 시차 전력사용량 평균(Plag-mean), 시차 전력사용량 변화율(Plag-change1, Plag-change2, Plag-change3)을 생성하여 실제 전력사용량 정보(Preal) 속성에 추가한다.
여기서, Plag1은 전력사용량 시차1, Plag2는 전력사용량 시차2, Plag3은 전력사용량 시차3, Plag4는 전력사용량 시차4, Pt,0은 t시의 전력사용량, Pt,15는 t시 15분의 전력사용량, Pt,30은 t시 30분의 전력사용량, Pt,45는 t시 45분의 전력사용량, Plag-mean은 전력사용량 시차(Plag1, Plag2, Plag3, Plag4) 평균, Plag-change1은 Plag1과 Plag2 간의 전력사용량 시차변화율, Plag-change2는 Plag2와 Plag3 간의 전력사용량 시차변화율, Plag-change3은 Plag3과 Plag4 간의 전력사용량 시차변화율이다.
상기 머신러닝 비지도학습으로 전력량 추세패턴을 클러스터링하는 단계(S23)에서는 전력사용량 시차 평균(Plag-mean)을 일자순 시계열 데이터로 정렬하여 일자별로 유사한 추세패턴별로 그룹을 군집화 한다.
그리고 전력사용량 시차 평균(Plag-mean)을 일자순 시계열 데이터로 정렬하면 다음과 같이 일자순으로 0시부터 23시까지의 시간별 전력사용량 시차 평균(Plag-mean)이 반복되는 형태의 다음 수학식 9와 같은 2차원 배열이 된다.
여기서, PT는 전력사용량 시차 평균 시계열 데이터, Pd,t는 d일 t시의 전력사용량 시차 평균(Plag-mean), d는 일자, t는 시각이다.
그리고 전력사용량 시차 평균 시계열 데이터(PT)를 유사한 추세패턴별로 그룹을 군집화 하는 방법은 시계열 데이터의 군집화를 위한 머신러닝 비지도학습의 첨단 알고리즘인 K-형상(K-Shape) 알고리즘을 이용할 수 있다.
즉 머신러닝 비지도학습의 첨단 알고리즘인 K-형상(K-Shape) 알고리즘을 이용하여 상기 전력사용량 시차 평균 시계열 데이터(PT)를 유사한 추세패턴별로 그룹을 군집화 하는 과정은 전력사용량 시차 평균(Plag-mean)을 1일 24시간 단위의 시계열 데이터로 변환하여, 변환된 전력사용량 시차 평균 시계열 데이터(PT)를 클러스터 개수를 증가해 가면서 각각 K-형상(K-Shape) 알고리즘을 적용하고, 최적의 클러스터 개수를 산출한 후에, 최적의 클러스터 개수일 때의 K-형상(K-Shape) 알고리즘의 결과인 전력사용량 추세패턴 군집값(Pcluster)을 일자별로 상기 실제 전력사용량 정보(Preal)에 속성으로 추가한다.
이때, 상기 실제 전력사용량 시차 평균 시계열 데이터(PT)를 유사한 추세패턴별로 그룹을 군집화 할 때 클러스터 개수를 몇 개의 그룹으로 군집화 하는 것이 최적인지 판단하기 위해서 클러스터 개수(K개)를 1부터 8까지 변경해 가면서 각각 K-형상 알고리즘을 수행하여 중심점으로부터의 거리의 합으로 클러스터의 응집도를 나타내는 지수로 클러스터 내 제곱오차합인 관성(inertia_p)을 다음 수학식 10을 적용하여 산출한다.
여기서 inertia_p(k)는 전력사용량 시차 평균 시계열 데이터(PT)의 클러스터가 k개일 때의 관성, μ (j)는 전력사용량 시차 평균 시계열 데이터(PT) 클러스터 j의 중심점, p (i) 는 전력사용량 시차 평균 시계열 데이터(PT), i는 실제 전력사용량 정보(Preal) 속성 시계열 데이터 개수, j는 전력사용량 시차들의 평균(Plag-mean) 시계열 클러스터 개수, λ (i,j) 는 존재 유무 값으로 p (i) 가 전력사용량 시차 평균 시계열 데이터(PT) 클러스터 j 안에 있다면 1이고 아니면 0이다.
상기 전력사용량 시차 평균 시계열 데이터(PT) 클러스터별로 산출된 관성 값을 바탕으로 최적의 클러스터 개수를 찾기 위해서는 각 전력사용량 시차 평균 시계열 데이터(PT) 클러스터의 관성 값이 가장 빠르게 변하는 지점의 클러스터 값이 최적의 클러스터 개수(K개)가 되도록 다음 수학식 11을 적용하여 찾을 수 있다.
여기서, inertia_p_rate(k)는 전력사용량 시차 평균 시계열 데이터(PT) 클러스터 개수 k 지점에서의 관성 변화율, inertia_p(k)는 전력사용량 시차 평균 시계열 데이터(PT) 클러스터 개수가 k일 때의 관성, K는 관성 변화율이 가장 큰 지점의 전력사용량 시차 평균 시계열 데이터(PT) 클러스터 개수, k는 전력사용량 시차 평균 시계열 데이터(PT) 클러스터 개수이다.
최적의 전력사용량 시차 평균 시계열 데이터(PT) 클러스터 개수를 찾은 후에는 최적의 전력사용량 시차 평균 시계열 데이터(PT) 클러스터 개수를 적용하여 수행한 K-형상 알고리즘의 결과인 전력사용량 추세패턴 군집값(Pcluster)을 일자별로 상기 실제 전력사용량 정보(Preal)에 속성으로 추가한다.
상기 기상정보와 전력사용량 간의 변동 민감도를 산출하는 단계(S24)는 상기 최종 가공된 기상정보(CMT)의 변화에 따른 실제 전력사용량(Preal) 증감 정도를 시간별로 분석하여 변동 민감도를 산출하는 단계이다.
시간별로 상기 최종 가공된 실황 기상정보(CMTreal)의 요소인 기온(Treal), 습도(Rreal), 일사량(Sreal), 노점온도(Dreal) 및 습구온도(Wreal)의 변화에 따라 실제 전기사용량(Preal)의 증감을 나타내는 변동 민감도는 실제 전기사용량(Preal)을 종속변수로 하고 실황 기상정보(CMTreal)를 독립변수로 하는 다중 회귀모델의 회귀계수이고, 상기 회귀계수는 수학식 12와 같이 최소자승법에 의해 산출되어 시간별 분별 변동 민감도로 실제 전력사용량(Preal)의 속성으로 추가된다.
여기서, Preal,t,m은 t시간 m분의 실제 전기사용량인 회귀모델 종속변수 행렬, Xreal,t,m은 t시간 m분의 실황 기상정보(CMTreal)의 요소인 기온(Treal), 습도(Rreal), 일사량(Sreal), 노점온도(Dreal) 및 습구온도(Wreal)로 구성된 회귀모델 독립변수 행렬, β t,m는 t시간 m분의 회귀계수 벡터로 β 0, t,m, β 1, t,m, β 2, t,m, β 3, t,m, β 4, t,m, β 5, t,m는 각각 t시간 m분의 절편(상수), 기온 변동 민감도, 습도 변동 민감도, 일사량 변동 민감도, 노점온도 변동 민감도, 습구온도 변동 민감도이며, e는 잔차, SSE t,m는 실제 전력사용량과 예측 전력사용량간의 잔차제곱합, t는 시각, m은 분이다.
상기 산출된 시간별 회귀계수는 각각 변동 민감도인 기온 변동 민감도(Tsen), 습도 변동 민감도(Rsen), 일사량 변동 민감도(Ssen), 노점온도 변동 민감도(Ssen), 습구온도 변동 민감도(Wsen)로서 시간별로 실제 전력사용량 정보(Preal)의 속성으로 추가한다.
그리고 상기 비정상 전력사용량 정보를 제거하는 단계(S25)에서는 상기 실제 전력사용량 정보(Preal)에서 시간별로 전력사용량 속성의 중심 경향성에서 크게 벗어나서 전력수요 예측을 위한 머신러닝 모델의 성능에 영향을 줄 수 있는 이상치(outlier)를 탐지해서 제거한다.
이때, 이상치(outlier)를 탐지하는 통계적인 방식은 4분위수 간격을 이용하는 IQR(Inter Quantile Range) 방법, 표준편차를 이용하는 ESD(Extreme Studentized Deviate) 방법, 기하평균을 이용하는 방법 등이 있지만, 이 중에서 시간별 전력사용량은 중심 경향성이 강하므로 IQR(Inter Quantile Range) 방식을 적용하여 이상치를 탐지하는 것이 적합하다.
IQR(Inter Quantile Range) 방식은 1사분위수(Q1), 3사분위수(Q3), 최소범위값, 최대범위값 사이의 간격을 비교하는 것으로, 3사분위수(Q3)와 1사분위수(Q1) 사이의 간격(Q3 - Q1)을 IQR로 정의하고, IQR에 1.5배를 하여 3사분위수(Q3)를 더한 값(3Q + IQR*1.5)을 최대범위값, IQR에 1.5배를 하여 1사분위수(Q1)에서 뺀 값(1Q - IQR*1.5)을 최소범위값으로 정의하여, 최대범위값보다 큰 값과 최소범위값보다 작은 값을 비정상적인 이상치로 탐지하는 방식이다.
상기 실제 전력사용량(Preal) 정보에서 시간별로 통계 정보인 최소 전력사용량(Pmin), 최대 전력사용량(Pmax), 평균 전력사용량(Pmean)을 산출하여 상기 실제 전력사용량(Preal)의 속성으로 추가함으로써 최종 가공된 실제 전력사용량 정보(PT)를 생성한다.
도 5는 본 발명에 따른 머신러닝 비지도학습과 최적 지도학습 모델을 이용한 전력수요 예측 방법에서 최적의 머신러닝 지도학습 모델을 결정하여 전력수요를 예측하는 방법의 실시 예를 상세하게 나타낸 순서도이다.
본 발명에 따른 머신러닝 비지도학습과 최적 지도학습 모델을 이용한 전력수요 예측 방법에서 최적의 머신러닝 지도학습 모델을 결정하여 전력수요를 예측하는 방법의 실시 예는 도 5에 나타낸 바와 같은데, 최적의 머신러닝 지도학습 모델을 결정하여 전력수요를 예측하는 단계(S30)는, 상기 최종 가공된 기상정보(CMT)와 상기 최종 가공된 실제 전력사용량 정보(PT)를 머신러닝 지도학습용 데이터로 생성하는 기상정보와 전력사용량 정보를 전처리하는 단계(S31)와, 상기 전처리하여 생성된 머신러닝 학습 데이터를 훈련 데이터와 시험 데이터로 분리하여 정규화하는 단계(S32)와, 상기 정규화된 훈련 데이터와 시험데이터를 대상으로 지도학습을 하기 위하여 머신러닝 지도학습 알고리즘과 초매개변수 후보를 설정하는 단계(S33)와, 상기 기계학습엔진(40)을 통해 최적의 머신러닝 지도학습 모델을 결정하는 단계(S34) 및 상기 결정된 머신러닝 지도학습 모델을 훈련하여 전력수요를 예측하는 단계(S35)를 포함하여 구성된다.
이때, 상기 기상정보와 전력사용량 정보를 전처리하는 단계(S31)는 도 2에서의 머신러닝 비지도학습으로 기상정보를 특성패턴과 추세패턴 그룹별로 군집화 하는 단계(S10)에서 최종 가공된 기상정보(CMT)와 상기 전력사용량의 시차정보를 생성하고 기상정보와의 변동 민감도를 분석하는 단계(S20)에서 최종 가공된 실제 전력사용량 정보(PT)를 머신러닝 지도학습용 데이터로 생성하기 위하여 기상정보와 실제 전력사용량 정보를 통합하여 원핫 인코딩(one-hot encoding)을 하여 정돈하는 단계이다.
상기 최종 가공된 통합 기상정보(CMT)와 최종 가공된 실제 전력사용량 정보(PT)를 통합한 머신러닝 지도학습 데이터(SLD)에 포함된 속성은 일자, 시간, 분, 요일, 일자유형, 휴일여부, 업무시간 여부, 기온(T), 습도(R), 일사량(S), 노점온도(D), 습구온도(W), 온도 특성패턴 군집값(CMcluster), 온도 추세패턴 군집값(Wcluster), 전력사용량 시차1(Plag1), 전력사용량 시차2(Plag2), 전력사용량 시차3(Plag3), 전력사용량 시차4(Plag4), 전력사용량 시차 평균(Plag-mean), 전력사용량 시차변화율1(Plag-change1), 전력사용량 시차변화율2(Plag-change2), 전력사용량 시차변화율3(Plag-change3), 전력사용량 추세패턴 군집값(Pcluster), 기온 변동 민감도(Tsen), 습도 변동 민감도(Rsen), 일사량 변동 민감도(Ssen), 노점온도 변동 민감도(Dsen), 습구온도 변동 민감도(Wsen), 최소 전력사용량(Pmin), 최대 전력사용량(Pmax), 평균 전력사용량(Pmean) 및 전력사용량(P) 등이다.
상기 통합한 머신러닝 지도학습 데이터(SLD)의 시간, 요일, 일자유형, 온도 특성패턴 군집값(CMcluster), 온도 추세패턴 군집값(Wcluster), 전력사용량 추세패턴 군집값(Pcluster) 속성은 수치형 데이터이므로, 이를 범주형 데이터로 변환하기 위해서 원핫 인코딩(one-hot encoding)을 한다.
이때, 상기 원핫 인코딩 후에 시간 속성은 0시부터 23시까지 24개의 속성으로 분리되어 해당되는 시간의 속성 값은 1을 부여하고, 해당되지 않는 시간의 속성 값은 0이 부여된다.
상기 원핫 인코딩 후에 요일 속성은 일요일부터 토요일까지 7개의 속성으로 분리되어 해당되는 요일의 속성 값은 1을 부여하고, 해당되지 않는 요일의 속성 값은 0이 부여된다.
이때, 상기 원핫 인코딩 후에 일자유형 속성은 평일, 주말, 주초, 공휴일, 특수일 등 5개의 속성으로 분리되어 해당되는 일자유형의 속성 값은 1을 부여하고, 해당되지 않는 일자유형의 속성 값은 0이 부여된다.
상기 원핫 인코딩 후에 온도 특성패턴 군집값(CMcluster)은 특성패턴 군집값 범위별로 분리되는 속성 개수가 달라지지만, 특성패턴 군집값의 범위가 0 ~ 5인 경우에는 6개의 속성으로 분리되어 해당되는 특성패턴 군집값의 속성 값은 1을 부여하고, 해당되지 않는 특성패턴 군집값의 속성 값은 0이 부여된다.
상기 원핫 인코딩 후에 온도 추세패턴 군집값(Wcluster) 및 전력사용량 추세패턴 군집값(Pcluster)은 추세패턴 군집값 범위별로 분리되는 속성 개수가 달라지지만, 추세패턴 군집값의 범위가 0 ~ 3인 경우에는 4개의 속성으로 분리되어 해당되는 추세패턴 군집값의 속성 값은 1을 부여하고, 해당되지 않는 추세패턴 군집값의 속성 값은 0이 부여된다.
한편 상기 훈련 데이터와 시험 데이터 분리 단계(S32)는 상기 머신러닝 지도학습용 데이터를 피처(feature)와 레이블(label)로 분리하고, 층화 샘플링 방법으로 표본을 추출하여 훈련 데이터와 시험 데이터로 분리한 후에, 이를 정규화를 하여 머신러닝 지도학습을 하기 위한 데이터로 변환하는 단계이다.
상기 훈련 데이터와 시험 데이터가 특정 시간에 편향되지 않고 특정 시간이 동일한 비율로 훈련 데이터와 시험 데이터에 포함되도록 층화 샘플링 방법을 사용하여 표본을 추출한다.
상기 원핫 인코딩된 머신러닝 지도학습 데이터(SLD)에서 추출된 표본 데이터는 부분 집합인 피처 훈련 데이터(Xtrain), 레이블 훈련 데이터(Ptrain), 피처 시험 데이터(Xtest), 레이블 시험 데이터(Ptest) 및 피처 예측 데이터(Xpred)로 구성된다.
이때, 피처 훈련 데이터(Xtrain), 피처 시험 데이터(Xtest) 및 피처 예측 데이터(Xpred)의 속성인 기온(T), 습도(R), 일사량(S), 노점온도(D), 습구온도(W), 전력사용량 시차1(Plag1), 전력사용량 시차2(Plag2), 전력사용량 시차3(Plag3), 전력사용량 시차4(Plag4), 전력사용량 시차 평균(Plag-mean), 전력사용량 시차변화율1(Plag-change1), 전력사용량 시차변화율2(Plag-change2), 전력사용량 시차변화율3(Plag-change3), 기온 변동 민감도(Tsen), 습도 변동 민감도(Rsen), 일사량 변동 민감도(Ssen), 노점온도 변동 민감도(Dsen), 습구온도 변동 민감도(Wsen), 최소 전력사용량(Pmin), 최대 전력사용량(Pmax) 및 평균 전력사용량(Pmean) 속성은 서로 특성이 달라서 값의 범위가 다르므로 속성 간의 서로 다른 특성들을 일정한 값의 범위로 맞춰주기 위하여 정규화(normalization)를 하며, 정규화가 된 피처 속성값들은 0 ~ 1사이의 값을 가지게 되며, 이를 머신러닝 지도학습 모델에 적용한다.
상기 피처 데이터 정규화는 Min-Max 정규화, 로버스트(Robust) 정규화, 표준화 방법을 사용할 수 있고, 본 발명에서는 피처 훈련 데이터(X train ), 피처 시험 데이터(X test ) 및 피처 예측 데이터(X pred )에 대한 Min-Max 정규화를 수학식 13에 의해 구할 수 있다.
여기서, X train,s 는 정규화한 피처 훈련 데이터, X test,s 는 정규화한 피처 시험 데이터, X pred 는 피처 예측 데이터, X train 은 피처 훈련 데이터, X test 는 피처 시험 데이터, min(X train )은 피처 훈련 데이터 속성별 최솟값, min(X test )은 피처 시험 데이터 속성별 최솟값, min(X pred )은 피처 예측 데이터 속성별 최솟값, max(X train )는 피처 훈련 데이터 속성별 최댓값, max(X test )는 피처 시험 데이터 속성별 최댓값, max(X pred )는 피처 예측 데이터 속성별 최댓값이다.
상기 머신러닝 지도학습 알고리즘과 초매개변수 후보를 설정하는 단계(S33)는 후보 머신러닝 지도학습 알고리즘(algorithm)들을 선택하고, 후보 학습 알고리즘들에서 요구하는 초매개변수(hyperparameter) 후보값들을 정의하여 설정하는 단계이다.
상기 초매개변수(hyperparameter)는 머신러닝 지도학습 알고리즘의 특성별로 구성하는 주요 요소이며, 이 값을 조정해 지도학습 알고리즘의 예측 성능을 개선할 수 있다.
예를 들어, 상기 기계학습엔진(40)에서 탐색된 후보 머신러닝 알고리즘들은 머신러닝의 앙상블(Ensemble) 모델인 그레디언트부스팅(Gradient Boosting) 모델, XG부스트(XGBoost) 모델, LightGBM(Light Gradient Boosting Methods) 모델을 후보로 선택할 수 있다.
상기 후보 학습 알고리즘인 그레디언트부스팅(Gradient Boosting) 모델에서 후보값의 범주를 정하는 대상 초매개변수는 수행해야 하는 증폭 단계수(n_estimators), 학습률(learning_rate), 트리의 깊이(max_depth), 최대 속성의 개수(max_features) 등이다.
예를 들면, 그레디언트부스팅(Gradient Boosting)의 초매개변수 후보값 n_estimators는 50 ~ 200, learning_rate는 0.01 ~ 1.0, max_depth는 2 ~ 4, max_features는 3 ~ 5와 같이 범주를 설정할 수 있다.
상기 후보 학습 알고리즘인 XG부스트(XGBoost) 모델에서 후보값의 범주를 정하는 대상 초매개변수는 결정트리의 개수(n_estimators), 학습률(learning_rate), 트리의 깊이(max_depth) 등이다.
예를 들면, XG부스트(XGBoost) 모델의 초매개변수 후보값 n_estimators는 20 ~ 50, learning_rate는 0.01 ~ 0.2, max_depth는 2 ~ 5와 같이 범주를 설정할 수 있다.
상기 후보 학습 알고리즘인 LightGBM(Light Gradient Boosting Methods) 모델에서 후보값의 범주를 정하는 대상 초매개변수는 결정트리의 개수(n_estimators), 학습률(learning_rate), 트리의 깊이(max_depth) 등이다.
예를 들면, 상기 LightGBM 모델의 초매개변수 후보값 n_estimators는 50 ~ 200, learning_rate는 0.01 ~ 1.0, max_depth는 2 ~ 4와 같이 범주를 설정할 수 있다.
상기 최적의 머신러닝 지도학습 모델을 결정하는 단계(S34)는 기계학습엔진(40)을 통해 후보 머신러닝 지도학습 알고리즘과 초매개변수에서 전력수요 예측 성능이 가장 좋은 최적의 머신러닝 지도학습 모델을 결정하는 단계이다.
상기 후보 지도학습 알고리즘들에 사용되는 상기 초매개변수를 순차적으로 입력하면서 최적의 초매개변수를 도출하기 위하여, 상기 피처 훈련 데이터(Xtrain)와 레이블 훈련 데이터(Ptrain)를 사용하여 베이지안 최적화(bayesian optimization), 그리드 탐색(grid search), 랜덤 탐색(random search) 기법을 적용하면 예측 성능이 가장 좋은 최적의 머신러닝 지도학습 모델을 선정할 수 있다.
일반적으로 그리드 탐색(grid search)이나 랜덤 탐색(random search) 기법에 비해서 소요시간이나 성능이 우수한 베이지안 최적화(bayesian optimization) 기법은 최적 초매개변수를 확률적으로 추정하며 탐색하여 최적 초매개변수를 빠르고 효율적으로 찾아주는 기법으로서, 지도학습 알고리즘마다 설정된 후보 초매개변수의 탐색범위와 평가지표 값을 계산해주는 함수를 인수로 입력받아 베이지안 최적화 객체를 생성하고, 초매개변수 범위 내의 값을 평가지표 계산 함수에 전달하면서 평가지표 값을 구하고, 평가지표 값이 가장 좋았을 때의 초매개변수 값을 최적 초매개변수 값으로 간주하는 최적화 기법이다.
상기 베이지안 최적화는 자동으로 여러 개의 내부 머신러닝 지도학습 모델을 생성하고 이를 모두 실행시켜서 수학식 14의 평균제곱오차(MSE)를 최소로 하는 머신러닝 최적 지도학습 알고리즘과 최적의 초매개변수를 갖는 1차 최적 지도학습 모델(M1)을 결정할 수 있다.
여기서, M(z)은 후보 지도학습 모델, Ptest,pred(z)는 후보 지도학습 모델(M(z))에 피처 시험 데이터(Xtest)를 적용해서 생성된 시험 예측 전력사용량, Ptest는 레이블 시험 전력사용량, MSE(z)는 시험 예측 전력사용량(Ptest,pred)과 레이블 시험 전력사용량(Ptest)의 평균제곱오차, M1은 평균제곱오차인 MSE(z)를 최소로 하는 지도학습 알고리즘과 초매개변수로 구성된 1차 최적 지도학습 모델, i는 시험 데이터의 행 개수이다.
상기 결정된 머신러닝 지도학습 모델을 훈련하여 전력수요를 예측하는 단계(S35)는 상기에서 결정된 1차 최적 지도학습 모델(M1)에 피처 훈련 데이터(Xtrain)를 학습하여 2차 최적 지도학습 모델(M2)을 생성한 후, 2차 최적 지도학습 모델(M2)에 피처 예측 데이터(Xpred)를 다음 수학식 15에 적용하여 예측 전력수요량(Ppred)을 산출한다.
여기서, Xtrain은 피처 훈련 데이터, M1은 1차 최적 머신러닝 학습모델, M2는 2차 최적 머신러닝 학습모델, Xpred는 피처 예측 데이터, Ppred는 예측 전력수요량이다.
전력수요 예측 정확도를 측정할 수 있는 지수는 절대평균오차율(Mean Absolute Percentage Error; MAPE)을 이용하여 수학식 16과 같이 산출할 수 있다.
여기서, MAPE는 절대평균오차율(Mean Absolute Percentage Error; MAPE), Ppred는 예측 전력수요량, Preal은 실제 전력사용량, i는 데이터의 행 개수이다.
도 8은 본 발명에 따른 머신러닝 비지도학습과 최적 지도학습을 이용한 전력수요 예측 방법에 따라 이루어진 대전광역시 소재 공공기관 건물의 2021년 8월 1일부터 2022년 7월 31일까지 1년간의 전력수요 예측 성능을 설명하기 위한 도면으로, 도 8을 참조하면, 본 발명에 개시된 실시 예에 따라 대전광역시 소재 공공기관 건물의 2021년 8월 1일부터 2022년 7월 31일까지 1년 동안 15분 단위로 전력수요를 예측해서 1시간 단위로 집계한 전력 예측 성능을 나타낸 도면이며, 1년 동안의 평균 시간별 예측 정확도는 93.74%, 평균 일별 예측 정확도는 98.34%로 나타났다.
이상과 같은 예로 본 발명을 설명하였으나, 본 발명은 반드시 이러한 예들에 국한되는 것이 아니고, 본 발명의 기술사상을 벗어나지 않는 범위 내에서 다양하게 변형 실시될 수 있다. 따라서 본 발명에 개시된 예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 예들에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 한다.
10 : 제어부 20 : 통신부
30 : 데이터베이스 40 : 기계학습엔진
50 : 기상정보 분석부 60 : 전력사용량 정보분석부
70 : 전력수요 예측부 100 : 관제서버
200 : 기상정보 측정기 300 : 전력계측기
30 : 데이터베이스 40 : 기계학습엔진
50 : 기상정보 분석부 60 : 전력사용량 정보분석부
70 : 전력수요 예측부 100 : 관제서버
200 : 기상정보 측정기 300 : 전력계측기
Claims (7)
- 각 건물외부에 설치되어 실황 기상정보를 측정하여 관제서버(100)로 전송하는 기상정보 측정기(200);
상기 건물의 전력사용량 정보를 일자별, 시간별로 계측한 정보를 상기 관제서버(100)로 전송하는 전력계측기(300); 및
상기 기상정보 측정기(200)와 상기 전력계측기(300)로부터 전송된 정보를 미리 설정된 시간별로 기상상태가 유사한 특성패턴 그룹과 일자별로 기상변화가 유사한 추세패턴 그룹으로 군집화하고, 각 건물의 과거 시점의 전력사용량이 현재 시점의 전력사용량에 미치는 영향력을 파악할 수 있는 시차분석을 통해 전력사용량의 시차정보를 생성하며, 전력사용량 정보에 대하여 머신러닝 비지도학습을 이용하여 일자별로 전력사용량 변화가 유사한 추세패턴 그룹으로 군집화하고, 기상정보의 변화에 따른 전력사용량의 증감 영향을 반영할 수 있는 변동 민감도를 분석하여, 전력수요를 예측 할 때마다 여러 가지 인공지능 머신러닝 지도학습 알고리즘 중에서 건물의 전력수요 예측 성능이 가장 좋은 최적의 머신러닝 지도학습 모델과 초매개변수를 탐색하여 생성된 최적의 머신러닝 지도학습 모델을 적용하여 시간 별로 예측 전력수요량을 산출하는 관제서버(100);를 포함하여 구성되되,
상기 관제서버(100)는,
상기 기상정보 측정기(200)와 전력계측기(300)로부터 수집된 정보를 전송받는 통신부(20)와,
상기 통신부(20)를 통해 전송된 정보를 저장하는 데이터베이스(30)와,
상기 데이터베이스(30)에 저장된 정보에 대하여 머신러닝 알고리즘을 수행하여 비지도학습과 지도학습 모델을 생성하는 기계학습엔진(40)과,
상기 데이터베이스(30)에 저장된 정보에 대하여 머신러닝 비지도학습으로 기상정보를 특성패턴과 추세패턴 그룹별로 군집화하는 기상정보 분석부(50)와,
상기 데이터베이스(30)에 저장된 정보에 대하여 머신러닝 비지도학습으로 전력사용 정보를 추세패턴 그룹별로 군집화하고 기상정보와의 변동 민감도를 분석하는 전력사용량 정보분석부(60)와,
전력수요 예측 성능이 가장 좋은 최적의 머신러닝 지도학습 모델을 결정하고, 결정된 머신러닝 지도학습 모델을 적용하여 건물의 전력수요를 예측하는 전력수요 예측부(70) 및
상기 통신부(20), 데이터베이스(30), 기계학습엔진(40), 기상정보 분석부(50), 전력사용량 정보분석부(60) 및 전력수요 예측부(70)를 제어하여, 시간별로 기상상태가 유사한 특성패턴 그룹과 일자별로 기상변화가 유사한 추세패턴 그룹으로 군집화하도록 하고, 과거 시점의 전력사용량이 현재 시점의 전력사용량에 미치는 영향력을 파악할 수 있는 시차분석을 통해 전력사용량의 시차정보를 생성하도록 하며, 전력사용량 정보에 대하여 머신러닝 비지도학습을 이용하여 일자별로 전력사용량 변화가 유사한 추세패턴 그룹으로 군집화하도록 하고, 기상정보의 변화에 따른 전력사용량의 증감 영향을 반영할 수 있는 변동 민감도를 분석하도록 하며, 전력수요를 예측 할 때마다 여러 가지 인공지능 머신러닝 지도학습 알고리즘 중에서 건물의 전력수요 예측 성능이 가장 좋은 최적의 머신러닝 지도학습 모델과 초매개변수를 탐색하여 생성된 최적의 머신러닝 지도학습 모델을 적용하여 시간 별로 예측 전력수요량을 산출하도록 하는 제어부(10)를 포함하여 구성되고,
상기 기계학습엔진(40)은 머신러닝 비지도학습을 이용한 기상정보의 특성패턴 분석은 K-평균(K-Means) 모델을 적용해서 학습하며, 머신러닝 비지도학습을 이용한 기상 변화와 전력사용량 변화에 대한 추세패턴 분석은 K-형상(K-Shape) 모델을 적용해서 학습하고, 머신러닝 지도학습을 적용한 전력수요 예측은 머신러닝의 앙상블(Ensemble) 모델인 그레디언트부스팅(Gradient Boosting) 모델, XG부스트(XGBoost) 모델, LightGBM(Light Gradient Boosting Methods) 모델을 참조해 학습하며, 건물별로 전력수요 예측을 할 때마다 학습 결과에 따라 전력수요 예측 성능이 가장 좋은 서로 다른 최적의 머신러닝 학습모델을 적용하며,
상기 기상정보의 변화에 따른 전력사용량의 증감 영향을 반영할 수 있는 변동 민감도를 분석하여, 전력수요를 예측 할 때 상기 관제서버(100)는,
상기 기상정보에 대하여 일자별로 1시간 단위의 실황 기상정보(CMreal)인 실황 기온(Treal), 실황 습도(Rreal), 실황 일사량(Sreal)과 예측일자 1시간 단위의 예측 기상정보(CMpred)인 예측 기온(Tpred), 예측 습도(Rpred), 예측 일사량(Spred)을 포함하고, 기상정보의 속성인 일자와 시간을 바탕으로 요일, 일자유형(평일, 주말, 주초, 공휴일, 특수일), 휴일여부, 업무시간 여부을 도출하여 기상정보 속성에 추가하며, 실황 기상정보(CMreal)와 예측 기상정보(CMpred)를 합쳐서 통합 기상정보(CM)를 구성하며, 상기 통합 기상정보(CM)는 일자, 시간, 분, 요일, 일자유형, 휴일여부, 업무시간 여부, 기온(T), 습도(R), 일사량(S)의 속성들로 구성되는 것을 특징으로 하는 머신러닝 비지도학습과 지도학습을 이용한 전력수요 예측 시스템.
- 삭제
- 삭제
- 청구항 1에 기재된 머신러닝 비지도학습과 지도학습을 이용한 전력수요 예측 시스템을 이용한 전력수요 예측 방법으로,
관제서버(100)의 데이터베이스(30)에 저장되어 있는 실황 기상정보와 예측 기상정보를 가져와서 머신러닝 비지도학습으로 기상정보를 특성패턴과 추세패턴 그룹별로 군집화하는 단계(S10);
관제서버(100)의 데이터베이스(30)에 저장되어 있는 실제 전력사용량 정보를 가져와서 머신러닝 비지도학습으로 전력사용량 정보를 추세패턴 그룹별로 군집화하고 기상정보와의 변동 민감도를 분석하는 단계(S20); 및
상기 머신러닝 비지도학습으로 기상정보를 특성패턴과 추세패턴 그룹별로 군집화하는 단계(S10)에서 최종 가공된 기상정보와 상기 머신러닝 비지도학습으로 전력사용량 정보를 추세패턴 그룹별로 군집화하고 기상정보와의 변동 민감도를 분석하는 단계(S20)에서 최종 가공된 실제 전력사용량 정보를 머신러닝 지도학습 데이터로 학습하여 전력수요 예측 성능이 가장 좋은 최적의 머신러닝 학습모델을 탐색하여 전력수요를 예측하는 단계(S30);를 포함하되,
상기 머신러닝 비지도학습으로 기상정보를 특성패턴과 추세패턴 그룹별로 군집화하는 단계(S10)는,
상기 관제서버(100)의 데이터베이스(30)에 저장되어 있는 실황 및 예측 기상정보를 가져오고, 가져온 기상정보의 속성인 일자와 시간을 바탕으로 요일, 평일, 주말, 주초, 공휴일, 특수일을 포함하는 일자 유형, 휴일여부, 업무시간 여부를 도출하여 기상정보 속성에 추가하며, 실황 기상정보(CMreal)와 예측 기상정보(CMpred)를 합쳐서 통합 기상정보를 구성하는 단계(S11)와,
상기 통합 기상정보를 선형 보간하는 단계(S12)와,
상기 선형 보간된 통합 기상정보로부터 노점온도와 습구온도를 산출하는 단계(S13)와,
상기 노점온도와 습구온도를 포함한 기상정보를 시각별로 특성이 유사한 패턴별로 군집화하는 머신러닝 비지도학습으로 기상정보 특성패턴을 클러스터링하는 단계(S14) 및
상기 습구온도에 대한 시계열 정보를 대상으로 일자별로 습구온도의 변화 추세가 유사한 패턴별로 군집화하는 머신러닝 비지도학습으로 습구온도 추세패턴을 클러스터링하는 단계(S15)를 포함하여 이루어지되,
상기 통합 기상정보를 선형 보간하는 단계(S12)에서는,
전력수요 예측을 15분 단위로 하는 경우에 기상정보는 1시간 단위로 되어 있어서 단위가 맞지 않아 정확한 예측이 어렵기 때문에 기상정보도 15분 단위로 조정하기 위하여.
CMt,m은 t시 m분의 통합 기상정보이고, CMt은 t시의 통합 기상정보이며, CMt+1은 t+1시의 통합 기상정보이고, m은 분이라 할 때,
을 적용하여
매시 15분, 30분, 45분의 통합 기상정보(CM)를 선형 보간을 하고,
상기 선형 보간된 통합 기상정보(CM)로부터 노점온도와 습구온도를 산출하는 단계(S13)는,
\전력사용량에 영향을 주는 기상정보가 기온(T), 습도(R), 일사량(S) 이외에 수증기를 포함하는 공기를 냉각했을 때 응결이 시작되는 온도인 노점온도와 상대습도가 100%가 되었을 때의 기온인 습구온도도 영향을 주기 때문에 기온(T)과 습도(R)를 바탕으로,
_
를 적용하여 노점온도(D)와 습구온도(W)를 산출해서 통합 기상정보(CM) 속성에 추가하여 기상정보 속성을 확대하며,
상기 노점온도(D)와 습구온도(W)를 포함한 통합 기상정보(CM)를 시간별로 특성이 유사한 패턴별로 군집화 하는 머신러닝 비지도학습으로 기상정보 특성패턴을 클러스터링하는 단계(S14)에서는 기온(T), 습도(R), 일사량(S), 노점온도(D) 및 습구온도(W)로 구성된 상기 통합 기상정보(CM)를 대상으로 유사한 특성패턴 그룹별로 군집화 하는 것을 특징으로 하는 머신러닝 비지도학습과 최적 지도학습을 이용한 전력수요 예측 방법.
- 삭제
- 제4항에 있어서,
상기 머신러닝 비지도학습으로 전력사용량 정보를 추세패턴 그룹별로 군집화하고 기상정보와의 변동 민감도를 분석하는 단계(S20)는,
관제서버(100)의 데이터베이스(30)에 저장되어 있는 실제 전력사용량 정보를 가져오는 단계(S21)와,
현재 시점 전력사용량에 과거 시점 전력사용량을 추가하는 실제 전력사용량의 시차 정보를 생성하는 단계(S22)와,
상기 실제 전력사용량의 시계열 정보를 대상으로 일자별로 전력사용량의 변화 추세가 유사한 패턴별로 군집화하는 머신러닝 비지도학습으로 전력량 추세패턴을 클러스터링하는 단계(S23)와,
상기 최종 가공된 기상정보의 변화에 따른 실제 전력사용량 증감 정도를 나타내는 민감도를 산출하는 기상정보와 전력사용량의 변동 민감도를 산출하는 단계(S24) 및
전력수요 예측 머신러닝 모델의 성능에 영향을 미칠 수 있는 비정상적 전력사용량 정보를 제거하는 단계(S25)를 포함하여 이루어지는 것을 특징으로 하는 머신러닝 비지도학습과 최적 지도학습을 이용한 전력수요 예측 방법.
- 제4항에 있어서,
상기 최적의 머신러닝 지도학습 모델을 결정하여 전력수요를 예측하는 단계(S30)는,
상기 머신러닝 비지도학습으로 기상정보를 특성패턴과 추세패턴 그룹별로 군집화하는 단계(S10)에서 최종 가공된 기상정보와, 상기 전력사용량의 시차정보를 생성하고 기상정보와의 변동 민감도를 분석하는 단계(S20)에서 최종 가공된 실제 전력사용량 정보를 전처리하는 단계(S31)와,
상기 전처리하여 생성된 머신러닝 학습 데이터를 훈련 데이터와 시험 데이터로 분리하여 정규화하는 단계(S32)와,
상기 정규화된 훈련 데이터와 시험 데이터를 대상으로 지도학습을 하기 위하여 머신러닝 지도학습 알고리즘과 초매개변수 후보를 설정하는 단계(S33)와,
기계학습엔진(40)을 통해 최적의 머신러닝 지도학습 모델을 결정하는 단계(S34) 및
상기 결정된 머신러닝 지도학습 모델을 훈련하여 전력수요를 예측하는 단계(S35)를 포함하여 이루어지는 것을 특징으로 하는 머신러닝 비지도학습과 최적 지도학습을 이용한 전력수요 예측 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220115071A KR102514996B1 (ko) | 2022-09-13 | 2022-09-13 | 머신러닝 비지도학습과 지도학습을 이용한 전력수요 예측 시스템 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220115071A KR102514996B1 (ko) | 2022-09-13 | 2022-09-13 | 머신러닝 비지도학습과 지도학습을 이용한 전력수요 예측 시스템 및 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102514996B1 true KR102514996B1 (ko) | 2023-03-29 |
Family
ID=85800049
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220115071A KR102514996B1 (ko) | 2022-09-13 | 2022-09-13 | 머신러닝 비지도학습과 지도학습을 이용한 전력수요 예측 시스템 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102514996B1 (ko) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116822888A (zh) * | 2023-07-04 | 2023-09-29 | 上海宏灿信息科技股份有限公司 | 一种基于大数据技术实现的智能调度指挥平台 |
| CN116911806A (zh) * | 2023-09-11 | 2023-10-20 | 湖北华中电力科技开发有限责任公司 | 基于互联网+的电力企业能源信息管理*** |
| KR102644147B1 (ko) | 2023-08-10 | 2024-03-06 | (주)인터웹 | 대규모 클래스 분류가 가능한 인공지능 예측 시스템 및 그 방법 |
| CN117989718A (zh) * | 2024-02-04 | 2024-05-07 | 广州市栢翊科技投资有限公司 | 一种基于机器学习中央空调智能控制*** |
Citations (9)
| 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 |
| KR20200017604A (ko) * | 2018-08-02 | 2020-02-19 | 한국에너지기술연구원 | 최적 물리 학습모델과 기계학습을 이용한 에너지 운영관리 시스템 |
| KR102094377B1 (ko) * | 2019-04-12 | 2020-03-31 | 주식회사 이글루시큐리티 | 비지도학습 이상탐지를 위한 모델 선택 시스템 및 그 방법 |
| KR102098356B1 (ko) * | 2019-08-21 | 2020-04-07 | 주식회사 비앤비네트웍스 | 기상예보를 이용한 건물 냉, 열원 설비의 에너지 소비량 예측 에너지 관리 시스템 |
| KR20210130396A (ko) * | 2020-04-22 | 2021-11-01 | 한국전력공사 | 전력 소모량 예측 장치 및 방법 |
| KR102321766B1 (ko) * | 2020-11-16 | 2021-11-03 | 충북대학교 산학협력단 | 건물의 에너지 수요 실시간 예측 방법 및 시스템 |
| KR20210132503A (ko) * | 2020-04-27 | 2021-11-04 | 주식회사 와이즈테크놀로지 | 순환형 신경망 모델(CuDNNLSTM)을 이용한 전국 단위 전력 수요예측 |
| KR102358080B1 (ko) | 2019-12-13 | 2022-02-07 | 상명대학교산학협력단 | 온도요소를 고려한 일 평균전력량 보정의 개선형 전력수요 예측 시스템 |
-
2022
- 2022-09-13 KR KR1020220115071A patent/KR102514996B1/ko active IP Right Grant
Patent Citations (10)
| 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 |
| KR101838393B1 (ko) | 2016-08-23 | 2018-03-15 | 위덕대학교 산학협력단 | 시간별 기온을 이용한 24시간 전력수요예측장치 및 전력수요예측방법 |
| KR20200017604A (ko) * | 2018-08-02 | 2020-02-19 | 한국에너지기술연구원 | 최적 물리 학습모델과 기계학습을 이용한 에너지 운영관리 시스템 |
| KR102094377B1 (ko) * | 2019-04-12 | 2020-03-31 | 주식회사 이글루시큐리티 | 비지도학습 이상탐지를 위한 모델 선택 시스템 및 그 방법 |
| KR102098356B1 (ko) * | 2019-08-21 | 2020-04-07 | 주식회사 비앤비네트웍스 | 기상예보를 이용한 건물 냉, 열원 설비의 에너지 소비량 예측 에너지 관리 시스템 |
| KR102358080B1 (ko) | 2019-12-13 | 2022-02-07 | 상명대학교산학협력단 | 온도요소를 고려한 일 평균전력량 보정의 개선형 전력수요 예측 시스템 |
| KR20210130396A (ko) * | 2020-04-22 | 2021-11-01 | 한국전력공사 | 전력 소모량 예측 장치 및 방법 |
| KR20210132503A (ko) * | 2020-04-27 | 2021-11-04 | 주식회사 와이즈테크놀로지 | 순환형 신경망 모델(CuDNNLSTM)을 이용한 전국 단위 전력 수요예측 |
| KR102321766B1 (ko) * | 2020-11-16 | 2021-11-03 | 충북대학교 산학협력단 | 건물의 에너지 수요 실시간 예측 방법 및 시스템 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116822888A (zh) * | 2023-07-04 | 2023-09-29 | 上海宏灿信息科技股份有限公司 | 一种基于大数据技术实现的智能调度指挥平台 |
| CN116822888B (zh) * | 2023-07-04 | 2024-03-15 | 上海宏灿信息科技股份有限公司 | 一种基于大数据技术实现的智能调度指挥平台 |
| KR102644147B1 (ko) | 2023-08-10 | 2024-03-06 | (주)인터웹 | 대규모 클래스 분류가 가능한 인공지능 예측 시스템 및 그 방법 |
| CN116911806A (zh) * | 2023-09-11 | 2023-10-20 | 湖北华中电力科技开发有限责任公司 | 基于互联网+的电力企业能源信息管理*** |
| CN116911806B (zh) * | 2023-09-11 | 2023-11-28 | 湖北华中电力科技开发有限责任公司 | 基于互联网+的电力企业能源信息管理*** |
| CN117989718A (zh) * | 2024-02-04 | 2024-05-07 | 广州市栢翊科技投资有限公司 | 一种基于机器学习中央空调智能控制*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102514996B1 (ko) | 머신러닝 비지도학습과 지도학습을 이용한 전력수요 예측 시스템 및 방법 | |
| Tang et al. | Solar power generation forecasting with a LASSO-based approach | |
| CN107944622B (zh) | 基于连续时段聚类的风电功率预测方法 | |
| CN115270965B (zh) | 一种配电网线路故障预测方法和装置 | |
| CN111369070A (zh) | 一种基于包络线聚类的多模融合光伏功率预测方法 | |
| CN113723669B (zh) | 一种基于Informer模型的输电线路覆冰预测方法 | |
| CN111882128B (zh) | 基于tcn的汛期气候趋势预测方法 | |
| Alimohammadi et al. | Multi-stage algorithm for uncertainty analysis of solar power forecasting | |
| Žliobaitė et al. | Regression models tolerant to massively missing data: a case study in solar-radiation nowcasting | |
| CN113139605A (zh) | 基于主成分分析和lstm神经网络的电力负荷预测方法 | |
| Chen et al. | Change detection of electric customer behavior based on AMR measurements | |
| CN110298765B (zh) | 一种基于客观关联因素的配电网用电功率异常检测方法 | |
| CN114117852B (zh) | 一种基于有限差分工作域划分的区域热负荷滚动预测方法 | |
| Biruntha et al. | Rainfall prediction using kNN and decision tree | |
| KR20160074325A (ko) | 기상변화에 따른 전력수요지수 예측 시스템 및 그 방법 | |
| Shirbhate et al. | Solar panel monitoring and energy prediction for smart solar system | |
| Lodetti et al. | MAE and RMSE analysis of K-means predictive algorithm for photovoltaic generation | |
| Deline et al. | PV fleet performance data initiative program and methodology | |
| CN115907228A (zh) | 一种基于pso-lssvm的短期电力负荷预测分析方法 | |
| CN116049671A (zh) | 基于多模型融合的燃气仪表故障检测方法、***及设备 | |
| CN115936242A (zh) | 空气质量与交通状况的溯源关系数据获取方法及装置 | |
| Nizharadze et al. | Learning the Gap in the Day-Ahead and Real-Time Locational Marginal Prices in the Electricity Market | |
| JP7458183B2 (ja) | エネルギー需要変動パターンの分類方法及びシステム | |
| Indhumathi et al. | IoT-Enabled Weather Monitoring and Rainfall Prediction using Machine Learning Algorithm | |
| KR102685543B1 (ko) | 날씨 예측 데이터를 이용한 확률적 시나리오 기법의 최적 입찰량 결정 시스템 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |