KR102563280B1 - 최대 전력 사용 시간을 예측하는 방법 및 그것을 이용한 서버 - Google Patents

최대 전력 사용 시간을 예측하는 방법 및 그것을 이용한 서버 Download PDF

Info

Publication number
KR102563280B1
KR102563280B1 KR1020150122845A KR20150122845A KR102563280B1 KR 102563280 B1 KR102563280 B1 KR 102563280B1 KR 1020150122845 A KR1020150122845 A KR 1020150122845A KR 20150122845 A KR20150122845 A KR 20150122845A KR 102563280 B1 KR102563280 B1 KR 102563280B1
Authority
KR
South Korea
Prior art keywords
power usage
time
maximum
daily
data
Prior art date
Application number
KR1020150122845A
Other languages
English (en)
Other versions
KR20170025830A (ko
Inventor
최종웅
이효섭
이혜리
Original Assignee
주식회사 인코어드 테크놀로지스
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 인코어드 테크놀로지스 filed Critical 주식회사 인코어드 테크놀로지스
Priority to KR1020150122845A priority Critical patent/KR102563280B1/ko
Publication of KR20170025830A publication Critical patent/KR20170025830A/ko
Priority to KR1020230099812A priority patent/KR20230117317A/ko
Application granted granted Critical
Publication of KR102563280B1 publication Critical patent/KR102563280B1/ko

Links

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
    • 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
    • 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
    • Y04S40/00—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them
    • Y04S40/20—Information technology specific aspects, e.g. CAD, simulation, modelling, system security

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Power Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

본 발명은 최대 전력량 예측 기술에 관한 것으로서, 더욱 구체적으로는 하루 중 최대 전력 사용량이 발생할 시간 구간을 예측하는 방법 및 그것을 이용한 서버에 관한 것이다. 본 발명에 따른 최대 전력 사용 시간을 예측하는 방법 및 그것을 이용한 서버는, 일정 기간 동안의 일별 전력 사용량 데이터 및 일별 온도 데이터를 저장하되, 상기 일별 전력 사용량 데이터를 복수의 시간 구간으로 구분하여 저장하고, 예측일의 예상 온도 데이터 및 예상 전력 사용량 데이터를 획득하고, 상기 저장된 일별 온도 데이터 및 상기 획득된 예상 온도 데이터를 이용하여 일별 온도 가중치를 산출하고, 최대 전력 사용량을 갖는 구간인지 여부에 따라 상기 복수의 시간 구간을 식별하고, 상기 산출된 일별 온도 가중치를 이용하여 상기 식별된 복수의 시간 구간 각각에 대한 가중 합(Weighted Sum)을 산출하고, 상기 산출된 가중 합에 기반한 확률 분포 함수를 이용하여 상기 예측일의 복수의 시간 구간 중 최대 전력 사용량이 발생할 최대 시간 구간을 예측하고, 상기 예측된 최대 시간 구간에 대한 정보를 사용자 기기에 송신할 수 있다.

Description

최대 전력 사용 시간을 예측하는 방법 및 그것을 이용한 서버{Method For Predicting Peak Power Usage Time and Server using the method}
본 발명은 최대 전력량 예측 기술에 관한 것으로서, 더욱 구체적으로는 하루 중 최대 전력 사용량이 발생할 시간 구간을 예측하는 방법 및 그것을 이용한 서버에 관한 것이다. 본 연구는 미래창조과학부 및 정보통신기술진흥센터의 대학ICT연구센터육성 지원사업의 연구결과로 수행되었다(IITP-2015-H8501-15-1017).
최근 다양한 전자 제품의 출시되고 그에 대한 높은 판매 및 사용으로 인하여 가정 내 전력 사용량이 급증하고 있을 뿐만 아니라 계절/시간에 따라 가정/건물 내 전력 사용량 정도가 큰 차이를 보이고 있다.
기존 기술에 따르면, 예측된 일별 전력 사용량에 기초하여 건물 에너지 관리 시스템(Building Energy Management System; BEMS)을 통해 일별 전력 사용 패턴을 조절하거나 전력 사용량을 조절할 수 있다. 단, 현행 요금 체계를 고려할 때 일별 전력 사용량을 예측하는 것에 더하여 정확한 최대 전력 사용 시간을 예측하여 최대 전력 사용 시간에 전력 사용을 분산시킬 필요성이 크다.
예를 들어, 미국의 경우 일부 전기 공급 회사는 전력 피크(최대 수요)에 기초하여 전기 요금을 부과하고 있다. 중국의 경우 사용량에 따른 전기 요금만 납부하던 기존 요금 체계를 가정 누진세 및 산업 시설의 계절/시간에 따른 전기 요금이 반영된 차등 요금 체계로 전환하였고, 2014년 이후 전력 수요 관리에 집중하고 있어 향후 건물별 전력 피크를 전기 요금 체계에 반영할 가능성이 있다.
그러나, 기존 기술에 따른 전력 사용량 예측 만으로 개별 건물/공장/가정의 정확한 전력 피크 시간을 예측하기 매우 곤란하다.
왜냐하면, 대형 빌딩의 경우 심야시간에 빙축열, 터보 냉동기 등을 이용하여 다음날 사용할 냉방시스템 전력을 준비하는 경향이 있다. 이로 인해 심야시간에 최대 전력 사용을 유발하거나, 저장된 전력 부족 시 냉방시스템이 재가동되어 예측하지 못한 시간에 최대 전력 사용을 유발함으로써, 대체적으로 최대 전력 사용 발생이 불규칙적일 수 있다.
따라서, 기존의 전력 사용량 예측 방식은 실제 최대 전력 사용량 예측이 중요한 시기(여름 또는 겨울)에 최대 수요 시간에 대한 예측이 부정확해 질 수 있다. 특히, 대부분 여름/겨울의 전력 피크가 다른 계절에 비해 높고 기본요금제에 반영되는 피크 요금이 7,8,9,1,2,12월을 기준으로 하고 있어, 여름/겨울의 최대 전력 사용량 및 시간의 정확한 예측이 매우 중요하다.
상기한 문제점을 해결하기 위하여, 베이즈 추론을 이용하여 복수의 시간 구간 각각에 대한 최대 전력량 사용(전력 피크) 발생 확률을 산출함으로써 최대 전력 사용 시간을 정확히 예측하는 방법 및 그것을 이용한 서버를 제공하는데 그 목적이 있다.
또한, 상기한 문제점을 해결하기 위하여, 일정 기간 동안의 일별 전력 사용량 데이터/일별 온도 데이터뿐만 아니라 예측일의 예상 전력 사용량 데이터/예상 온도 데이터를 이용하여 최대 전력 사용 시간을 예측하는 방법 및 그것을 이용한 서버를 제공하는데 다른 목적이 있다.
본 발명에 따른 최대 전력 사용 시간을 예측하는 방법은, 복수의 시간 구간으로 구분된 일정 기간 동안의 일별 전력 사용량 데이터 및 상기 일정기간 동안의 일별 환경 요소 데이터를 저장하는 단계; 상기 일별 환경 요소 데이터를 이용하여 일별 환경 요소 가중치를 산출하는 단계; 최대 전력 사용량을 갖는 구간인지 여부에 따라 상기 복수의 시간 구간을 구별하는 단계; 상기 산출된 일별 환경 요소 가중치를 이용하여 상기 구별된 복수의 시간 구간 각각에 대한 가중 합(Weighted Sum)을 산출하는 단계; 및 상기 산출된 가중 합에 기반한 확률 분포 함수를 이용하여 상기 예측일의 복수의 시간 구간 중 최대 전력 사용이 발생할 최대 시간 구간을 예측하는 단계를 포함할 수 있다.
상기 일별 환경 요소 데이터는 온도 데이터를 포함하고, 상기 일별 환경 요소 가중치는 온도 가중치를 포함할 수 있다.
상기 일별 전력 사용량 데이터는 상기 예측일의 예상 전력 사용량 데이터를 포함하고, 상기 일별 환경 요소 데이터는 상기 예측일의 예상 환경 요소 데이터를 포함할 수 있다.
본 발명의 일 실시예에 따르면, 상기 예측하는 단계는 상기 확률 분포 함수를 이용하여 상기 복수의 시간 구간별 최대 전력 사용 발생 확률을 구하고, 상기 발생 확률에 기초하여 최대 시간 구간을 예측할 수 있다.
또한, 상기 확률 분포 함수는 베이즈 추론법을 이용하여 추정될 수 있다.
본 발명의 또 다른 실시예에 따르면, 상기 예측된 최대 시간 구간에 대한 정보를 사용자 기기에 송신할 수 있다.
상기 저장 단계는, 미리 결정된 시간대에 해당하는 일별 전력 사용량 데이터를 복수의 시간 구간으로 구분하여 저장할 수 있다.
상기 온도 데이터는, 최대 온도 및 최저 온도를 포함하고, 상기 예상 온도 데이터는, 예상 최대 온도 및 예상 최저 온도를 포함할 수 있다.
또한, 상기 온도 가중치의 산출 단계는, 상기 온도 데이터가 상기 예상 온도 데이터에 가까울수록 높은 온도 가중치를 부여할 수 있다.
상기 구별 단계는, 상기 복수의 시간 구간 중 최대 전력 사용량에 갖는 시간 구간의 구간값을 1로 설정하고, 나머지 구간들의 구간값을 0으로 설정하여 구별할 수 있다.
또한, 상기 가중 합의 산출 단계는, 상기 일별 온도 가중치를 상기 식별된 복수의 시간 구간 각각의 구간값에 곱하는 과정; 및 상기 복수의 시간 구간 각각에 대하여 상기 일별 온도 가중치가 곱해진 구간값을 합하여 상기 가중 합을 산출하는 과정을 포함할 수 있다.
또한, 상기 예측 단계는, 상기 예측일의 복수의 시간 구간 각각에 대하여 최대 전력 사용량 발생 확률을 산출하는 과정; 및 상기 최대 전력 사용량 발생 확률이 높은 순서대로 적어도 하나 이상의 상기 최대 시간 구간을 예측하는 과정을 포함할 수 있다.
또한, 상기 예측 단계는, 일정 개수의 시간 구간이 하나의 통합 시간 구간을 형성하도록 상기 복수의 시간 구간을 복수의 통합 시간 구간으로 재구분하는 과정; 상기 복수의 통합 시간 구간 각각에 대하여 최대 전력 사용량 발생 확률을 산출하는 과정; 및 상기 통합 시간 구간에 대한 최대 전력 사용량 발생 확률이 높은 순서대로 적어도 하나 이상의 통합 시간 구간을 상기 최대 시간 구간을 예측하는 과정을 포함할 수 있다.
또한, 상기 송신 단계는, 상기 최대 시간 구간에 대한 시간 정보, 예상 전력 사용량 정보, 전력 사용량 절감에 대한 안내 정보, 전력 사용 스케줄에 대한 조정 정보 중 적어도 하나를 포함하는 상기 최대 시간 구간에 대한 정보를 상기 사용자 기기에 송신할 수 있다.
본 발명에 따르면, 일별 최대 전력 사용량을 예측하는 것이 아니라 하루를 복수의 시간 구간으로 구분하여 실제 최대 전력 사용량이 발생하는 시간 구간을 구체적으로 정확하게 예측할 수 있다.
또한, 본 발명에 따르면, 전력 사용량 데이터 및 환경 요소 데이터에 기반한 확률 분포 함수를 활용하여 예측일의 최대 전력 사용이 예상되는 시간 구간을 예측하므로, 최대 전력 사용 시간 예측에 대한 신뢰성을 높일 수 있다. 여기서, 환경 요소 데이터는 전력 사용량에 영향을 주는 환경 요소에 대한 데이터를 의미한다. 예를 들어, 환경 요소 데이터는 온도 데이터, 습도 데이터, 대기 환경 오염 지수, 이산화탄소 농도, 오존 농도를 포함한다.
또한, 본 발명에 따르면, 실제 최대 전력 사용이 예상되는 시간 구간을 사용자에게 알림으로써, 전자 기기별 전력 사용 시간/전력 사용량을 조절할 수 있도록 사용자를 도울 뿐만 아니라 전기 요금 절감 효과를 제공할 수 있다. 또한, 본 발명에 따르면 최대 전력 사용량이 발생되는 시간 구간을 정확하게 예측함으로써 최대 전력 사용 시간에 전력 사용을 분산시켜 최대 전력 크기를 낮추고 빌딩/공장 등의 산업시설에서의 전기 요금을 절감할 수 있다.
도 1은 본 발명의 일 실시예에 따라 최대 전력 사용 시간을 예측하는 시스템을 나타내는 구성도이다.
도 2는 본 발명의 일 실시예에 따라 최대 전력 사용 시간을 예측하는 서버를 나타내는 구성도이다.
도 3은 본 발명의 일 실시예에 따라 최대 전력 사용 시간을 예측하는 방법을 나타내는 흐름도이다.
도 4는 본 발명의 일 실시예에 따라 일별 온도 데이터를 나타내는 테이블이다.
도 5는 본 발명의 일 실시예에 따라 일별 전력 사용량 데이터를 시간 구간별로 나타내는 그래프이다.
도 6은 본 발명의 일 실시예에 따라 일별 온도 가중치를 나타내는 테이블이다.
도 7은 본 발명의 일 실시예에 따라 최대 전력 시간 구간인지 여부에 따라 시간 구간별 구간 값이 표시된 테이블이다.
도 8은 본 발명의 일 실시예에 따라 시간 구간별 가중 합이 표시된 테이블이다.
도 9a 내지 도 9d는 본 발명의 일 실시예에 따라 6개 시간 구간에 대한 최대 전력량 발생 확률을 산출하기 위한 Posterior 분포의 획득 과정을 도시한다.
도 10a 및 도 10b는 본 발명의 일 실시예에 따라 Posterior 분포를 활용한 최종 확률 분포 함수의 획득 과정을 도시한다.
도 11a 내지 도 11c는 본 발명의 일 실시예에 따른 한 빌딩의 최대 전력 사용 발생 시간 예측을 도시한다.
이하의 내용은 단지 발명의 원리를 예시한다. 그러므로 당업자는 비록 본 명세서에 명확히 설명되거나 도시되지 않았지만 발명의 원리를 구현하고 발명의 개념과 범위에 포함된 다양한 장치를 발명할 수 있는 것이다. 또한, 본 명세서에 열거된 모든 조건부 용어 및 실시예들은 원칙적으로, 발명의 개념이 이해되도록 하기 위한 목적으로만 명백히 의도되고, 이와같이 특별히 열거된 실시예들 및 상태들에 제한적이지 않는 것으로 이해되어야 한다.
상술한 목적, 특징 및 장점은 첨부된 도면과 관련한 다음의 상세한 설명을 통하여 보다 분명해 질 것이며, 그에 따라 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 발명의 기술적 사상을 용이하게 실시할 수 있을 것이다.
또한, 발명을 설명함에 있어서 발명과 관련된 공지 기술에 대한 구체적인 설명이 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에 그 상세한 설명을 생략하기로 한다. 이하에는 첨부한 도면을 참조하여 설명한다.
이하에서는, 첨부된 도면들을 참조하여 확률 분포 함수를 활용한 최대 전력 사용 시간 예측에 관하여 살펴보도록 한다.
도 1은 본 발명의 일 실시예에 따라 최대 전력 사용 시간을 예측하는 시스템(100)의 구성도를 도시한다.
도 1에 도시된 바와 같이, 시스템(100)은, 최대 전력 사용 시간을 예측하는 서버(110), 서버(110)로부터 최대 전력 사용 시간에 대한 정보를 제공받는 사용자 기기(120 내지 140) 및 최대 전력 사용 시간 예측에 필요한 예측일의 예상 전력 사용량 데이터 및 예상 환경 요소 데이터를 서버(110)에 제공하는 외부 서버(150)를 포함할 수 있다. 본 실시예에서는 환경 요소 데이터로서 온도 데이터를 활용하였지만, 당업자라면 온도 외에도 전력 사용량에 영향을 주는 환경 요소에 대한 데이터를 다양하게 활용할 수 있다.
여기에서, 최대 전력 사용 시간은, 하루를 구성하는 복수의 시간 구간들 중 최대 전력 사용(전력 피크)이 발생하는 적어도 하나의 시간 구간을 의미할 수 있다. 예를 들어, 최대 전력 사용 시간은, 하나의 시간 구간일 수 있고, 일정 개수의 시간 구간이 합해진 통합 시간 구간일 수 있다.
여기에서, 사용자 기기는, 사용자가 소유/관리/사용하는 통신 기기로서, 핸드폰/스마트폰/태블릿 등의 모바일 기기(120), 데스크탑/노트북 등의 컴퓨터(130) 또는 건물 내 전력 관리 장비(140)를 포함할 수 있다.
여기에서, 외부 서버(150)는, 최대 전력 사용 시간 예측에 필요한 정보를 서버(110)에 제공하는 외부의 서버로서, 예측일의 예상 온도 데이터를 제공하는 기상청 서버이거나, 예측일의 예상 전력 사용량 데이터를 제공하는 전력 관리 서버일 수 있다.
본 발명에 따라, 서버(110)는, 일정 기간 동안의 일별 전력 사용량 데이터 및 일별 환경 요소 데이터를 저장하되 상기 일별 전력 사용량 데이터를 복수의 시간 구간으로 구분하여 저장하는 저장부(111), 예측일의 예상 환경 요소 데이터 및 예상 전력 사용량 데이터를 획득하는 통신부(113) 및 상기 저장된 일별 온도 데이터 및 상기 획득된 예상 온도 데이터를 이용하여 일별 온도 가중치를 산출하고, 최대 전력 사용량을 갖는 구간인지 여부에 따라 상기 복수의 시간 구간을 식별하고, 상기 산출된 일별 환경 요소 가중치를 이용하여 상기 식별된 복수의 시간 구간 각각에 대한 가중 합(Weighted Sum)을 산출하고, 상기 산출된 가중 합에 기반한 확률 분포 함수를 이용하여 상기 예측일의 복수의 시간 구간 중 최대 전력 사용량이 발생할 최대 시간 구간을 예측하는 제어부(112)를 포함할 수 있다. 이 때, 상기 통신부(113)는, 제어부(112)의 제어에 따라 상기 예측된 최대 시간 구간에 대한 정보를 사용자 기기(120 내지 140)에 송신할 수 있다.
서버(110)의 동작 및 기능에 대하여 도 2 및 도 3을 참조하여 이하에서 상세히 설명하도록 한다.
도 2는 본 발명에 따라 최대 전력 사용 시간을 예측하는 서버의 구성도를 도시하고, 도 3은 본 발명에 따라 최대 전력 사용 시간을 예측하는 방법의 흐름도를 도시한다.
도 2 및 도 3에 따르면, 서버(110)는, 제어부(112)의 제어에 따라, 일정 기간 동안의 일별 전력 사용량 데이터 및 일별 환경 요소 데이터를 저장한다(S310). 본 실시예에서는 일별 환경 요소 데이터로서 온도 데이터를 사용하였다. 단, 당업자는 예컨대, 습도, 대기 환경 지수 등 전력 사용량에 영향을 미칠 수 있는 적절한 환경 요소 데이터를 활용할 수 있다.
더욱 구체적으로, 서버(110)는, 데이터베이스(DB) 제어부(112-1)의 제어에 따라, 일별 온도 데이터를 온도 데이터베이스(111-1)에 저장하고, 일별 전력 사용량 데이터를 전력량 데이터베이스(111-2)에 저장할 수 있다. 또한, 서버(110)는, DB 제어부(112-1)의 제어에 따라, 일정 기간 동안의 일별 전력 사용량 데이터/일별 온도 데이터를 저장하도록 전력량 데이터베이스(111-2)/온도 데이터베이스(111-1)의 데이터를 추가/삭제/갱신할 수 있다.
일별 온도 데이터 저장 방식에 관련하여 도 4를 참조하여 설명한다.
여기에서, 일별 온도 데이터는, 과거 일정 기간(예를 들어, 한달, 일년, 계절 단위 기간(여름 7,8,9월/겨울 12,1,2월)) 동안의 일별 최고 온도 및 일별 최저 온도를 포함할 수 있다.
도 4는 본 발명의 일 실시예에 따른 일별 온도 데이터를 나타내는 테이블이다.
도 4에 따르면, 1년(2014년 6월 16일부터 2015년 6월 15일) 동안 일별로 최고 온도(t1,M1 ~ tn, Mn) 및 최저 온도(t1, mn ~ tn, mn)를 저장할 수 있다. 더 나아가, 테이블의 가장 하단에 예측일(2015년 6월 16일)의 예상 최고 온도(TM) 및 예상 최저 온도(Tm)를 기재할 수 있다.
일별 전력 사용량 데이터 저장 방식에 관련하여 도 5를 참조하여 설명한다.
여기에서, 일별 전력 사용량 데이터는, 과거 일정 기간 동안의 일별 전력 사용량에 관한 데이터로서, 일별 전력 사용량 및 하루를 구성하는 복수의 시간 구간 각각에서의 전력 사용량을 포함할 수 있다.
예를 들어, 저장 단계(S310)에서 서버(110)는, DB 제어부(112-1)의 제어에 따라, 하루 24시간을 15분 단위의 96개 시간 구간으로 구분하고, 일별 전력 사용량 데이터를 15분 단위의 96개 시간 구간으로 구분하여 전력량 DB(111-2)에 저장할 수 있다. 또는, 저장 단계(S310)에서 서버(110)는, 하루 중 전력 사용량이 높은 특정 시간대(예를 들어, 오전 9시부터 오후 11시)를 미리 정하여, 정해진 구간을 15분 단위의 복수의 시간 구간(예를 들어, 56개 시간 구간)으로 구분하고, 일별 전력 사용량 데이터를 복수의 시간 구간으로 구분하여 저장할 수 있다.
도 5는 본 발명의 일 실시예에 따라 일별 전력 사용량 데이터를 시간 구간별로 나타내는 그래프이다. 설명의 편의를 위하여, 일정 시간은 1년이고, 복수의 시간 구간은 15분 단위로 96개(24시간 측정 시)라고 가정한다. 도 5에서는 편의를 위하여 그래프로 데이터를 나타내었다. 그러나, 실제로는 숫자 형태로 저장될 수 있다.
도 5에 따르면, 1년(2014년 6월 16일부터 2015년 6월 16일) 동안의 전력 사용량을 일별/시간 구간별로 저장할 수 있다. 더욱 구체적으로, 제 1 시간 구간은 00:00에 시작하여 00:15에 종료되고, 이후 시간 구간들은 순차적으로 15분 간격으로 구성될 수 있다. 이때, 저장되는 전력 사용량 데이터는 예를 들어 1초에 1회 전력 사용량을 샘플링한 데이터이다. 이 경우, 한 구간에는 15 X 60 = 900개의 데이터를 저장할 수 있다. 좀더 자세한 분석을 위하여 1초에 1회 이상, 예를 들어, 1초에 10회 내지 수만 회 정도의 데이터를 수집할 수도 있다.
도 5에 따르면, 2014년 6월 16일에는 구간 6에서 최대 전력 사용(전력 피크)이 발생하였으며, 2014년 6월 17일에는 구간 4에서 최대 전력 사용이 발생하였다. 또한 2015년 6월 15일에는 구간 88에서 최대 전력 사용이 발생하였다. 본 발명의 일 실시예에 따르면, 마지막 데이터(2015년 6월 16일)는 예측 전력 사용량 데이터일 수 있다. 2015년 6월 16일은 예측하고자 하는 날의 예상 데이터로서, 전력 관리 서버로부터 데이터를 수신할 수도 있고, 자체적인 계산을 통해서 획득 할 수도 있다. 전력량 예측과 관련해서는 알려진 방법을 사용할 수 있다.
여기서 “최대 전력 사용이 발생했다는 것”은 전력 사용의 증가가 관찰되고, 그 전력 사용의 전력량이 하루 중 최대 값임을 의미한다.
다시 도 2 및 도 3를 참조하면, 서버(110)는, 제어부(112)의 제어에 따라, 통신부(113)를 통하여 외부 서버(150)로부터 예측일의 예상 온도 데이터 및 예상 전력 사용량 데이터를 획득한다(S320).
여기에서, 예측일은, 미래 시점의 임의 일자로써, 내일 또는 사용자/서버(110)가 지정한 특정 일자일 수도 있다. 또한, 획득 단계(S320)에서 서버(110)는, 예측일에 대한 정보로서, 예측일이 공휴일인지에 대한 정보를 더 획득할 수도 있다. 이는, 예측일이 공휴일인지 여부에 따라 전력 사용의 양상이 달라질 수 있으므로, 최대 전력 사용 기간 예측 시 일정 기간 중 공휴일 또는 비공휴일의 전력 사용량 데이터 및 온도 데이터를 구분하여 활용하기 위함이다.
더욱 구체적으로, 서버(110)는, 통신 제어부(112-6)의 제어에 따라, 기상청 서버로부터 예측일의 예상 온도 데이터(예를 들어, 예상 최고 온도 및 예상 최저 온도)를 통신부(113)를 통하여 획득할 수 있다. 여기서 전력 관리 서버는 최대 전력 사용량 예측을 위한 서버(110)과 동일 서버에서 수행하는 일 기능일 수도 있고, 별도 서버일 수도 있다.
별도 외부 서버에서 예상 전력 사용량 데이터를 획득하는 경우, 서버(110)는 통신 제어부(112-6)의 제어에 따라 전력 관리 서버로부터 예측일의 예상 전력 사용량 데이터(예를 들어, 예상 전력 사용량)을 통신부(113)를 통하여 획득할 수 있다.
본 발명의 일 실시예에 따르면, 서버(110)는, DB 제어부(112-1)의 제어에 따라, 상기 획득된 예상 온도 데이터 및 예상 전력 사용량 데이터를 예측 데이터베이스(DB)(111-3)에 저장할 수 있다. 또는, 별도 예측 데이터베이스(DB)(111-3)가 아닌 온도 데이터베이스(DB)(111-1) 및 전력 사용량 데이터베이스(DB)(111-2)에 예측일 이전의 온도 데이터 및 전력 사용량 데이터와 함께 저장할 수도 있다.
본 발명의 일 실시예에 따라 예측일의 예상 온도 데이터 및 예상 전력 사용량 데이터를 이용하는 경우, 최대 전력 사용 시간의 예측 신뢰도를 크게 높일 수 있다.
한편, 서버(110)의 제어부(112)는 자체적으로 예상 전력 사용량 데이터를 산출하거나 예상 온도 데이터를 예측할 수 있다. 이 경우, 통신부(113)를 통하여 외부 서버(150)로부터 예상 전력 사용량 데이터 또는 예상 온도 데이터를 획득하지 않을 수 있다. 또는, 자체 예측이 가능할 경우, 서버(110)은 외부 서버(150)를 통해 획득된 예상 전력 사용량 데이터 또는 예상 온도 데이터를 이용하여 자체적으로 산출된 예상 전력 사용량 데이터 또는 예상 온도 데이터를 보정할 수도 있다.
서버(110)는, 제어부(112)의 제어에 따라, 일별 온도 데이터 및 예상 온도 데이터를 이용하여 일별 온도 가중치를 산출한다(S330).
더욱 구체적으로, 서버(110)는, 온도 가중치 산출부(112-2)의 제어에 따라, 미리 저장된 일별 최고 온도/최저 온도 및 예측일의 예상 최고 온도/최저 온도를 반영하여 일별 온도 가중치를 산출할 수 있다.
더 나아가, 서버(110)는, 제어부(112)(특히, 온도 가중치 산출부(112-2))의 제어에 따라, 일별 온도 데이터가 예상 온도 데이터에 가까울수록 높은 온도 가중치를 부여할 수 있다.
일별 온도 가중치를 산출하는 계산식은 예컨데, 아래와 같다.
여기에서, TM은 예측일의 최고 온도를 Tm은 예측일의 최저 온도를 나타낸다. 그리고, tMk은 k번째 날의 일별 최고 온도를 tmk은 k번째 날의 일별 최저 온도를 나타낸다(도 4 참조).
따라서, 온도 가중치 산출부(112-2)는, 상술한 계산식을 이용하여, 일정 기간에 포함되는 모든 일자 및 예측일에 대하여 각각의 온도 가중치를 산출할 수 있다. 예를 들어, 상술한 계산식에 따르면, 예측일의 온도 가중치는 10일 수 있다.
일별 온도 가중치에 관련하여 도 6을 참조하여 상세히 설명한다.
도 6은 본 발명의 일 실시예에 따라 일별 온도 가중치를 나타내는 테이블이다. 설명의 편의를 위하여, 일정 기간은 1년이라고 가정한다.
도 6에 따르면, 1년(2014년 6월 16일부터 2015년 6월 15일) 동안의 모든 일자 및 예측일(2015년 6월 16일)에 대하여 상술한 계산식을 이용하여 일별 온도 가중치를 산출할 수 있다. 일별 최고 온도/일별 최저 온도가 예측일의 예상 최고 온도/예상 최저 온도와 차이가 적을수록 높은 가중치를 가지는 것을 알 수 있다.
도 2 및 도 3으로 복귀하여, 서버(110)는, 제어부(112)의 제어에 따라, 최대 전력 사용량을 갖는 구간(이하, 최대 전력 시간 구간)인지 여부에 따라 복수의 시간 구간을 각각 식별한다(S340).
더욱 구체적으로, 서버(110)는, 시간 구간 식별부(112-3)의 제어에 따라, 복수의 시간 구간으로 구분되어 저장된 일별/구간별 전력 사용량 데이터에 대하여, 복수의 시간 구간들 중 해당 시간 구간에서 최대 전력 사용(전력 피크)이 나타나는지를 판단하고, 전력 피크가 나타난 최대 전력 시간 구간과 그렇지 않은 기타 시간 구간들을 구별되게 표시한다.
예를 들어, 제어부(112)(특히, 시간 구간 식별부(112-3))는, 복수의 시간 구간 중 최대 전력 시간 구간의 구간값을 1로 기타 시간 구간들의 구간값을 0으로 설정할 수 있다.
식별 단계(S340)에서 서버(110)는, 일정 기간 동안의 일별 전력 사용량 데이터에 대하여 최대 전력 사용량을 갖는지에 따라 복수의 시간 구간을 각각 구별할 뿐만 아니라 예측일의 예상 전력 사용량 데이터에 대하여서도 최대 전력 사용량을 갖는지에 따라 복수의 시간 구간을 각각 구별할 수 있다. 이때, 서버(110)는, 예측일의 예상 전력 사용량 데이터를 이용하여 예측일의 최대 전력 시간 구간을 임의로 구별할 수 있다.
시간 구간별 구간 값 설정에 관련하여 도 7을 참조하여 상세히 설명한다.
도 7은 본 발명의 일 실시예에 따라 최대 전력 시간 구간인지 여부에 따라 시간 구간별 구간 값이 표시된 테이블이다. 도 7은 도 5에 나타낸 데이터를 바탕으로 최대 전력 사용 시간 구간과 기타 전력 사용 시간 구간을 구별할 수 있도록 구간 값을 설정하는 것의 예시이다.
도 7에 따르면, 1년(2014년 6월 16일부터 2015년 6월 15일) 동안의 일자들 및 예측일(2015년 6월 16일) 각각에 대하여, 96개의 시간 구간들 중 최대 전력 사용량을 갖는 시간 구간의 구간 값을 1로 설정하고 나머지 시간 구간들의 구간 값을 0으로 설정할 수 있다. 예를 들어, 2014년 6월 16일의 96개 시간 구간들 중 최대 전력 사용을 갖는 구간6의 구간 값을 1로 설정하고 나머지 시간 구간들의 구간 값을 모두 0으로 설정할 수 있다. 2014년 6월 17일에는 최대 전력 사용 시간인 구간 4의 구간 값을 1로 부여하였고, 2015년 6월 14일에는 구간 88, 2015년 6월 15일에는 구간 4의 구간 값을 1로 부여하였다. 나머지 구간에는 구간 값을 0으로 설정하여 최대 전력 사용 시간 구간과 기타 시간 구간을 구별하였음을 알 수 있다.
도 2 및 도 3으로 복귀하여, 서버(110)는, 제어부(112)의 제어에 따라, 상기 산출된 일별 온도 가중치를 이용하여 상기 식별된 복수의 시간 구간 각각에 대한 가중 합(Weighted Sum)을 산출한다(S350).
더욱 구체적으로, 서버(110)는, 가중합 산출부(112-4)의 제어에 따라, 일정 기간에 속하는 일자들 및 예측일 각각에 대하여 해당 일자의 복수의 시간 구간들 각각의 구간 값에 해당 일자의 일별 온도 가중치를 곱하고, 복수의 시간 구간 각각에 대하여 일별 온도 가중치가 곱해진 구간값을 합하여 가중합을 산출할 수 있다.
가중합 산출 방식에 관련하여 도 8을 참조하여 상세히 설명한다.
도 8은 본 발명의 일 실시예에 따라 시간 구간별 가중 합이 표시된 테이블이다. 보다 자세하게는 도 8은 도 6의 가중치와 도 7의 시간 구간별 구간 값을 이용하여 산출한 가중합 산출 테이블이다.
도 8에 따르면, 일정 기간에 속하는 일자들(2014년 6월 16일부터 2015년 6월 15일) 및 예측일(2015년 6월 16일) 각각에 대하여, 96개 시간 구간들 각각의 구간 값(도 7 참조)에 해당 일자의 일별 온도 가중치(도 6 참조)가 곱해진 값을 산출할 수 있다. 더 나아가, 일정 기간 및 예측일 동안에 걸쳐, 96개 시간 구간들 각각에 대하여, 구간값에 일별 온도 가중치가 곱해진 값의 합을 구할 수 있다.
도 2 및 도 3으로 복귀하여, 서버(110)는, 제어부(112)(특히, 최대 시간 구간 예측부(112-5))의 제어에 따라, 상기 산출된 가중 합에 기반한 확률 분포 함수를 이용하여 상기 예측일의 복수의 시간 구간 중 최대 전력 사용량이 발생할 최대 시간 구간을 예측한다(S360).
더욱 구체적으로, 제어부(112)는, 확률 분포 함수를 활용하여 예측일의 복수의 시간 구간 각각에 대하여 최대 전력 사용량 발생 확률을 산출하고, 상기 최대 전력 사용량 발생 확률이 높은 순서대로 적어도 하나 이상의 최대 시간 구간을 예측할 수 있다.
또는, 제어부(112)는, 일정 개수의 시간 구간이 하나의 통합 시간 구간을 형성하도록 복수의 시간 구간을 복수의 통합 시간 구간으로 재구분하고, 복수의 통합 시간 구간 각각에 대하여 최대 전력 사용량 발생 확률을 산출하고, 통합 시간 구간에 대한 최대 전력 사용량 발생 확률이 높은 순서대로 적어도 하나 이상의 통합 시간 구간을 최대 시간 구간을 예측할 수 있다.
예를 들어, 제어부(112)는, 96개 시간 구간이 15분 단위로 구성된 경우, 4개의 시간 구간을 합하여 하나의 통합 시간 구간(1시간 단위)를 형성함으로써, 96개 시간 구간(15분 단위)을 24개 통합 시간 구간(1시간 단위)으로 재분류할 수 있다. 더 나아가, 4개의 시간 구간 각각의 최대 전력량 발생 확률을 합한 통합 확률이 해당 통합 시간 구간에서의 최대 전력량 발생 확률로 될 수 있다.
이하에서는, 본 발명에 따른 최대 전력 시간 구간 예측을 위한 알고리즘을 상세히 설명한다.
시간 구간 별로 최대 전력 사용량이 발생할 확률을 나타내기 위한 확률 분포로 다항함수(Multinomial distribution)를 활용한다. 이 경우, 시간 구간 별로 최대 전력 사용량이 발생할 확률을 모수(θ)라 하자.
일반적으로, k개의 결과를 가지는 사건의 반복적인 시행에서 발생하는 확률분포는 다항함수로 표현할 수 있다. 더욱 구체적으로, 가능한 결과를 C1, C2………… Ck라 하고, 각각의 확률을 θ1, θ2………… θk라 할 때, 총 n회의 독립시행 중 C1이 x1회, C2이 x2회, , Ck이 xk회 일어날 확률을 아래와 같이 표현할 수 있다.
Figure 112015084399317-pat00003
이 경우, 다항함수의 각 결과별 확률(모수, θ)를 추정하기 위해서 베이즈 추론법(Bayesian Inference)을 이용할 수 있다.
일반적으로, 베이지안 추론법은, 추론해야 하는 대상의 사전 확률(Prior Probability)과 추가적인 관찰을 통해서 대상의 사후 확률(Posterior)을 추론하는 방법으로 베이즈 정리를 기반으로 한다.
본 발명에서의 추론하고자 하는 값은 시간 구간별 최대 전력 사용량 발생 확률이며 가능도 함수(Likelihood Function)가 다항함수이므로, 시간 구간별 최대 전력 사용량 발생 확률을 추론하기 위한 켤레사전확률(Conjugate Prior)과 사후확률(Posterior)로 디리클레 분포(Dirichlet Distribution)를 이용할 수 있다. 켤레사전확률을 활용함으로써 사후확률을 빠르고 편리하게 계산할 수 있다.
이하에서는 베이즈 정리를 활용하여 사후확률을 산출하는 방법을 보다 상세히 설명한다.
베이즈 정리는 아래와 같다.
즉, E라는 관찰된 데이터(예를 들어, 도 7의 계산값을 이용한 각 구간의 구간 값의 합)을 의미하고 H는 최초에 설정했던 가설을 의미한다. 예컨대, H는 “건물 에어컨의 최대 전력 사용 피크가 빙축열, 터보 냉동기 등의 이용으로 불규칙하게 발생할 수 있고 장기간에 걸쳐서 전력의 피크타임을 관찰한다면, 관찰 대상인 모든 시간 구간에서 균일하게 나타날 수 있다”는 가정 등이 될 수 있다.
여기서 가설로 설정된 이벤트가 발생했다는 가정하에 E라는 특정 데이터가 관찰될 확률P(E|H)를 가능도(likelihood)라 하며, 상술한 가정이 발생할 확률 P(H)를 사전확률(prior)이라고 한다.
켤레사전확률(Conjugate Prior)은 가능도와 사전확률(Prior)의 곱이 사전확률(Prior)와 동일한 형태가 되는 것을 의미한다. 즉, 베이즈 정리에 따른 사후분포(Posterior)가 사전확률(Prior)와 동일한 형태가 되는 것을 의미한다.
예를 들어, 사전확률(Prior)이 디리클레 분포(Dirichlet Distribution)를 따른다고 가정하고 이 디리클레 분포를 따르는 변수 θ 를 가능도(Likelihood)의 모델로 가정하자. 즉 　이다.
여기서 α는 디리클레 분포의 모수(parameter)로서, k 차원 벡터이고, 상술한 가설에 해당된다. θθ 는 역시, k 차원 벡터이고, 이 된. 디리클레 분포의 정의로부터 아래와 같은 식이 도출된다.
다음으로 관찰된 데이터가 다항함수 분포(Multinomial distribution)에서 발생한다고 가정하고 이 다항함수가 디리클레 분포를 따른다고 하면,
이 된다. 여기서 nj는 θj가 발생한 횟수를 나타낸다.
상술한 식들을 이용하면, α라는 가정하에 X라는 데이터가 관찰될 때, 다항함수의 각 결과별 확률은 아래와 같이 표현 될 수 있다.
즉, 아래와 같은 결론을 도출할 수 있다.
이런 성질을 켤레(conjugate)라고 한다. 즉, 가능도와 사전확률의 곱이 사전확률과 동일한 형태로 되는 것을 말한다. 위의 관계에서는 다항함수 분포(multinomial distribution)의 켤레사전확률(conjugate prior)은 다시 디리클레 분포가 된다.
따라서, 상술한 설명에 따르면, α라는 가정하에 X라는 데이터가 관찰될 때 다항함수의 각 결과별 확률은 켤레사전확률 분포를 이용하여 용이하게 구할 수 있음을 알 수 있다.
한편, 서버(110)는, 제어부의 제어에 따라 예상 전력데이터 또는 예상 온도 데이터를 활용하여 최대 전력 사용 발생 시간 예측의 신뢰도를 크게 높일 수 있다. 예컨대, 예상 전력데이터 및 예상 온도 데이터를 도 5 내지 도 8에 기술한 바와 같이 전력 데이터 및 온도 데이터의 마지막 데이터로서 활용할 수 있다. 또는 예측일 당일의 예상 전력데이터 자체를 확률 분포 함수라 가정하고, 예측일 이전의 실시간 전력데이터로 도 5 내지 도 8에 기술한 방법을 이용해서 구한 확률 분포 함수와 가중합을 구하여 최종적인 확률 분포 함수를 구할 수도 있다.
이하에서는, 위의 알고리즘을 활용하여 예측일의 복수의 시간 구간 각각에 대한 최대 전력 사용 발생 확률을 산출하는 것을 도 9a 내지 도 10b를 참조하여 상세히 설명한다.
도 9a 내지 도 9d는 6개 시간 구간에 대한 최대 전력량 발생 확률을 산출하기 위한 사후확률(Posterior) 분포의 획득 과정을 나타낸다. 설명의 편의를 위하여, 일정 기간은 Day 1 ~ Day n이고, 예측일은 내일(tomorrow)이라고 가정한다. 또한, 복수의 시간 구간은 6개라고 가정한다.
도 9a에서는, 일정 기간(Day 1 ~ Day n) 및 내일(tomorrow) 각각의 6개 시간 구간 각각에 대하여, 최대 전력량을 갖는 시간 구간의 구간값을 1로 나머지 5개의 시간 구간들의 구간 값을 모두 0으로 설정할 수 있다.
도 9b에서는, 일정 기간(Day 1 ~ Day n) 및 내일(tomorrow) 각각의 6개 시간 구간 각각에 대하여, 해당 일자의 일별 온도 가중치가 곱해진 값을 구할 수 있다.
도 9c에서는, 일정 기간(Day 1 ~ Day n) 및 내일(tomorrow)에 걸쳐, 6개 시간 구간 각각에 대하여 구간값에 일별 온도 가중치가 곱해진 값(도 9b 참조)을 합함으로써 구간별 가중 합을 구할 수 있다. 도 9c의 데이터는 실제 관측된 데이터(X)가 된다.
도 9d에서는, 베이지안 추론(Bayesian inference)에 따라 6개 시간 구간 각각에서 최대 전력 사용량이 발생할 확률을 예측하기 위해서, 디리클레 분포의 모수를 설정한다.
예를 들어, “건물 에어컨의 최대 전력 사용 피크가 빙축열, 터보 냉동기 등의 이용으로 불규칙하게 발생할 수 있고 장기간에 걸쳐서 전력의 피크타임을 관찰한다면, 관찰 대상인 모든 시간 구간에서 균일하게 나타날 수 있다”는 가정 하에 사전분포(α) = (1,1,1,1,1,1)로 가정한다. 그리고, 관찰된 값 벡터와 사전분포 벡터의 합을 구하여 사후확률분포의 모수로 설정한다.
도 10a 및 도 10b는 본 발명의 일 실시예에 따라 사후확률(posterior) 분포를 활용한 최종 확률 분포 함수의 획득 과정을 도시한다.
도 10a에서는, 도 9d에서 추론한 사후확률(posterior) 분포(6개 시간 구간에서 최대 전력 사용량이 발생활 확률의 확률 함수)를 이용하여 복수의 랜덤 데이터를 발생시킨다. 본 실시예에서는 10000개의 랜덤 데이터를 발생시킨다. 이 경우, 10000개의 데이터는 실제로 해당 시간 구간에서 최대 전력 사용량이 발생할 확률들이 될 수 있다.
도 10b에서는, 6개 시간 구간 각각에 대하여 최대 전력 사용량이 발생할 수 있는 확률의 후보들을 이용하여 10000개의 데이터의 대표값을 설정한다. 일반적으로, 평균, 최빈값, 중앙값들을 대표값으로는 활용할 수 있으나, 본 실시예에서는 중앙값을 대표값으로 설정한다. 예를 들어, 내일의 6개의 시간 구간들 중 최대 전력량이 발생할 확률이 가장 높은 제 3 번 시간 구간이 최대 시간 구간으로 예측될 수 있다.
도 11a 내지 도 11c는 본 발명의 일 실시예에 따른 한 빌딩의 최대 전력 사용 발생 시간 예측을 도시한다.
도 11a는 하루를 15분 단위의 시간 구간으로 나누어 본 발명에서 제안하는 예측 방법에 따라 각 시간 구간의 최대 전력 사용 발생 확률을 구한 것이다. 도 11b는 서버에서 사용자 단말에 전달되는 정보이다. 이 경우, 15분 단위의 시간 구간 4개를 통합하여 1시간 단위의 통합 시간 구간들 중 가장 최대 전력 사용 발생 확률이 높은 3개의 구간을 사용자 단말에 전달할 수 있다. 도 11c는 도 11a의 결과를 그래프로 표현한 것이다.
본 실시예에서는 13시부터 14시까지, 13시 45분에서 14시 45분까지 그리고 11시에서 12시까지 3개의 통합 시간 구간에서 최대 전력 사용이 발생할 확률이 가장 높았다. 이 경우, 본 발명의 일 실시예에 따르면 통합 시간 구간이 13시 45분에서 14시까지 15분간 중첩되어 제시되었다. 본 실시예처럼, 이웃하는 통합 시간 구간은 서로 중첩될 수 있다. 도 11a 내지 11c에서 알 수 있는 바와 같이, 최종 소비자에게는 최대 전력 사용 발생 확률이 가장 높은 순서대로 하나 이상의 통합 시간 구간을 전달할 수 있다. 그리고, 통합 시간 구간은 중첩될 수 있다.
도 2 및 도 3으로 복귀하여, 서버(110)는, 제어부(112){특히, 통신 제어부(112-6)}의 제어에 따라, 통신부(113)을 이용하여 상기 예측된 최대 시간 구간에 대한 정보를 사용자 기기로 송신한다(S370). 바람직하게는 각 구간의 확률이 높은 순서대로 미리 결정된 개수만큼의 예를 들어 3개의 시간 구간에 대한 정보를 송신할 수 있다.
여기에서, 통신부(113)는, 제어부(112)의 제어에 따라, 상기 예측된 최대 시간 구간에 대한 시간 정보, 예상 전력 사용량 정보, 전력 사용량 절감에 대한 안내 정보, 전력 사용 스케줄에 대한 조정 정보 중 적어도 하나를 포함하는 최대 시간 구간에 대한 정보를 사용자 기기에 송신할 수 있다.
예를 들어, 최대 시간 구간에 대한 시간 정보로서, 최대 시간 구간의 시작 시각/종료 시각 또는 최대 시간 구간의 유지 시간이 제공될 수 있다. 최대 시간 구간에 대한 예상 전력 사용량 정보로서, 최대 시간 구간에서 사용 예측되는 전체 전력량 또는 부하기기별 전력량이 제공될 수 있다. 최대 전력 사용량 절감에 대한 안내 정보로서, 최대 시간 구간에서 전력 절감이 추천되는 전력량 또는 부하기기, 최대 시간 구간에서 전력 절감 시 부여되는 보상 정보가 제공될 수 있다. 전력 사용 스케줄에 대한 조정 정보로서, 최대 시간 구간에서 다른 시간 구간으로의 이동이 추천되는 부하기기/전력량 또는 전력 사용량이 낮은 시간 구간에 대한 정보가 제공될 수 있다.
더 나아가, 송신 단계(S370)에서 서버(110)는, 제어부(112)의 제어에 따라, 최대 전력 사용량 발생 확률이 높은 순서대로 적어도 하나의 최대 시간 구간을 선정하여, 상기 선정된 적어도 하나의 최대 시간 구간에 대한 정보를 사용자 기기에 제공할 수도 있다.
더 나아가, 송신 단계(S370)에서 서버(110)는, 제어부(112)의 제어에 따라, 통합 시간 구간에 대한 최대 전력량 발생 확률에 기반하여 통합 시간 구간을 최대 시간 구간으로 선정할 수 있고, 최대 시간 구간으로 선정된 통합 시간 구간에 대한 정보를 사용자 기기에 제공할 수도 있다.
따라서, 사용자 기기는, 서버(110)로부터 제공되는 최대 시간 구간에 대한 정보를 참고하여 최대 시간 구간에서의 전력 사용량을 줄이거나 다른 시간 구간으로 분산시킬 수 있다. 이에 대한 구체적인 실시예를 이하에서 설명한다.
사용자 기기가 건물 내 전력 관리 장치이고, 최대 시간 구간에 대한 정보로서 부하기기별 전력 사용량 및 건물별 프로파일(필수적으로 사용되어야 하는 부하기기 또는 그것의 전력량에 대한 정보)을 제공받은 경우를 가정한다.
예를 들어, 2015년 6월 16일(예측일)의 최대 전력 사용 시간 구간이 2시 ~ 3시이고, 최대 시간 구간에서 사용 예측되는 부하기기가 에어컨 공조기, 엘리베이터 10개, 로비 형광등 100개, 로비층 외 각 층별 형광등 70개인 경우, 전력 관리 장치는, 부하기기별 전력 사용량 및 건물별 프로파일을 고려하여 엘리베이터 5개, 로비 형광등 50개 및 로비층 외 각 층별 형광등 40개만 사용하도록 제어할 수 있다.
예를 들어, 2015년 6월 16일(예측일)의 최대 전력 사용이 2시 ~ 3시인 경우, 전력 관리 장치는, 부하기기별 전력 사용량 및 건물별 프로파일을 고려하여 최대 시간 구간에서 사용 예측되는 일부 부하기기를 전력 사용량이 낮은 시간 구간에서 작동되도록 스케줄을 조정할 수 있다. 이 경우, 전력 사용량이 낮은 시간 구간에 대한 정보가 전력 사용 장치에 미리 제공될 수 있다. 또한, 부하기기별 전력 사용 패턴 및 전력 사용량을 미리 알고 있다면 이동된 시간 구간에서 부하기기 이동으로 추가되는 전력 사용량을 고려하여 예측 전력 사용량을 추론할 수 있다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위 내에서 다양한 수정, 변경 및 치환이 가능할 것이다.
따라서, 본 발명에 개시된 실시예 및 첨부된 도면들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예 및 첨부된 도면에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구 범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리 범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (16)

  1. 복수의 시간 구간으로 구분된 일정 기간 동안의 일별 전력 사용량 데이터 및 상기 일정기간 동안의 일별 환경 요소 데이터를 저장하는 단계;
    상기 일별 환경 요소 데이터를 이용하여 일별 환경 요소 가중치를 산출하는 단계;
    최대 전력 사용량을 갖는 구간인지 여부에 따라 상기 복수의 시간 구간 별로 미리 결정된 값을 부여하여 구별하는 단계;
    상기 산출된 일별 환경 요소 가중치 및 상기 복수의 시간 구간 별로 부여된 미리 결정된 값을 이용하여 각 구간별 가중 합(Weighted Sum)을 산출하는 단계; 및
    상기 산출된 가중 합에 기반한 확률 분포 함수를 이용하여 예측일의 복수의 시간 구간 중 최대 전력 사용이 발생할 최대 시간 구간을 예측하는 단계;를 포함하고,
    상기 일별 환경 요소 데이터는 온도 데이터를 포함하고, 상기 일별 환경 요소 가중치는 온도 가중치를 포함하며,
    상기 미리 결정된 값은 상기 구분된 복수의 시간 구간 중 최대 전력 사용량을 갖는 시간 구간의 구간값에 1을 부여하고, 나머지 구간들의 구간값에 0을 부여하여 구별되고, 상기 각 구간별 가중합은 일별 온도 가중치와 상기 시간 구간별로 부여된 구간값에 기초하여 산출되는, 최대 전력 사용 시간을 예측하는 방법.
  2. 삭제
  3. 제 1 항에 있어서,
    상기 일별 전력 사용량 데이터는 상기 예측일의 예상 전력 사용량 데이터를 포함하고, 상기 일별 환경 요소 데이터는 상기 예측일의 예상 환경 요소 데이터를 포함하는
    최대 전력 사용 시간을 예측하는 방법.
  4. 제 1 항에 있어서,
    상기 예측하는 단계는 상기 확률 분포 함수를 이용하여 상기 복수의 시간 구간별 최대 전력 사용 발생 확률을 구하고, 상기 발생 확률에 기초하여 최대 시간 구간을 예측하는
    최대 전력 사용 시간을 예측하는 방법.
  5. 제 4 항에 있어서,
    상기 확률 분포 함수는 베이즈 추론법을 이용하여 추정되는
    최대 전력 사용 시간을 예측하는 방법.
  6. 제 1 항에 있어서,
    상기 예측된 최대 시간 구간에 대한 정보를 사용자 기기에 송신하는 단계를 더 포함하는
    최대 전력 사용 시간을 예측하는 방법.
  7. 제 1 항에 있어서,
    상기 저장 단계는, 미리 결정된 시간대에 해당하는 일별 전력 사용량 데이터를 복수의 시간 구간으로 구분하여 저장하는
    최대 전력 사용 시간을 예측하는 방법.
  8. 제 1 항에 있어서,
    상기 일별 환경 요소 데이터는 온도 데이터 및 예측일의 예상 온도 데이터를 포함하는
    최대 전력 사용 시간을 예측하는 방법
  9. 제 8 항에 있어서,
    상기 온도 데이터는 최대 온도 및 최저 온도를 포함하고,
    상기 예상 온도 데이터는 예상 최대 온도 및 예상 최저 온도를 포함하는
    최대 전력 사용 시간을 예측하는 방법
  10. 제 8 항에 있어서,
    상기 온도 가중치의 산출 단계는,
    상기 온도 데이터가 상기 예상 온도 데이터에 가까울수록 높은 온도 가중치를 부여하는 최대 전력 사용 시간을 예측하는 방법.
  11. 삭제
  12. 제 1 항에 있어서,
    상기 가중 합의 산출 단계는
    상기 일별 온도 가중치를 상기 복수의 시간 구간 각각의 구간값에 곱하는 과정; 및
    상기 복수의 시간 구간 각각에 대하여 상기 일별 온도 가중치가 곱해진 구간값을 합하여 상기 가중 합을 산출하는 과정을 포함하는
    최대 전력 사용 시간을 예측하는 방법.
  13. 제 1 항에 있어서,
    상기 예측 단계는, 상기 최대 전력 사용량 발생 확률이 높은 순서대로 적어도 하나 이상의 상기 최대 시간 구간을 예측하는 과정을 포함하는
    최대 전력 사용 시간을 예측하는 방법
  14. 제 1 항에 있어서,
    상기 예측 단계는, 일정 개수의 시간 구간이 하나의 통합 시간 구간을 형성하도록 상기 복수의 시간 구간을 복수의 통합 시간 구간으로 재구분하는 과정;
    상기 복수의 통합 시간 구간 각각에 대하여 최대 전력 사용량 발생 확률을 산출하는 과정; 및
    상기 통합 시간 구간에 대한 최대 전력 사용량 발생 확률이 높은 순서대로 적어도 하나 이상의 통합 시간 구간을 상기 최대 시간 구간을 예측하는 과정을 포함하는
    최대 전력 사용 시간을 예측하는 방법.
  15. 제 13 항에 있어서,
    상기 복수의 통합 시간 구간 중, 이웃하는 두 통합 시간 구간의 일부가 중첩되는
    최대 전력 사용 시간을 예측하는 방법.
  16. 제 6 항에 있어서,
    상기 송신 단계는, 상기 최대 시간 구간에 대한 시간 정보, 예상 전력 사용량 정보, 전력 사용량 절감에 대한 안내 정보, 전력 사용 스케줄에 대한 조정 정보 중 적어도 하나를 포함하는 상기 최대 시간 구간에 대한 정보를 상기 사용자 기기에 송신하는
    최대 전력 사용 시간을 예측하는 방법.
KR1020150122845A 2015-08-31 2015-08-31 최대 전력 사용 시간을 예측하는 방법 및 그것을 이용한 서버 KR102563280B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020150122845A KR102563280B1 (ko) 2015-08-31 2015-08-31 최대 전력 사용 시간을 예측하는 방법 및 그것을 이용한 서버
KR1020230099812A KR20230117317A (ko) 2015-08-31 2023-07-31 최대 전력 사용 시간을 예측하는 방법 및 그것을 이용한서버

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020150122845A KR102563280B1 (ko) 2015-08-31 2015-08-31 최대 전력 사용 시간을 예측하는 방법 및 그것을 이용한 서버

Related Child Applications (1)

Application Number Title Priority Date Filing Date
KR1020230099812A Division KR20230117317A (ko) 2015-08-31 2023-07-31 최대 전력 사용 시간을 예측하는 방법 및 그것을 이용한서버

Publications (2)

Publication Number Publication Date
KR20170025830A KR20170025830A (ko) 2017-03-08
KR102563280B1 true KR102563280B1 (ko) 2023-08-03

Family

ID=58403936

Family Applications (2)

Application Number Title Priority Date Filing Date
KR1020150122845A KR102563280B1 (ko) 2015-08-31 2015-08-31 최대 전력 사용 시간을 예측하는 방법 및 그것을 이용한 서버
KR1020230099812A KR20230117317A (ko) 2015-08-31 2023-07-31 최대 전력 사용 시간을 예측하는 방법 및 그것을 이용한서버

Family Applications After (1)

Application Number Title Priority Date Filing Date
KR1020230099812A KR20230117317A (ko) 2015-08-31 2023-07-31 최대 전력 사용 시간을 예측하는 방법 및 그것을 이용한서버

Country Status (1)

Country Link
KR (2) KR102563280B1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108493946A (zh) * 2018-04-12 2018-09-04 辽宁石油化工大学 基于用户用电分析的电能控制方法、装置及设备
KR20240098686A (ko) 2022-12-21 2024-06-28 이정혁 실내 IoT 대기환경 및 실외 기상자료를 이용한 인공지능 기반의 고객위치 기반 단기전력 예측 방법 및 시스템

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011123873A (ja) * 2009-12-14 2011-06-23 Intel Corp データセンターにおいて電力を動的に割り当てる方法および装置
JP2015139283A (ja) * 2014-01-22 2015-07-30 国立大学法人名古屋大学 電力需要ピーク予測装置、電力需要ピーク予測方法、及び電力需要ピーク予測プログラム

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101307724B1 (ko) * 2011-09-29 2013-09-26 인하대학교 산학협력단 스마트 그리드를 위한 시계열과 퍼지 기반의 단기 전력부하 예측 장치 및 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011123873A (ja) * 2009-12-14 2011-06-23 Intel Corp データセンターにおいて電力を動的に割り当てる方法および装置
JP2015139283A (ja) * 2014-01-22 2015-07-30 国立大学法人名古屋大学 電力需要ピーク予測装置、電力需要ピーク予測方法、及び電力需要ピーク予測プログラム

Also Published As

Publication number Publication date
KR20230117317A (ko) 2023-08-08
KR20170025830A (ko) 2017-03-08

Similar Documents

Publication Publication Date Title
US11493895B2 (en) Method and system for adaptively switching prediction strategies optimizing time-variant energy consumption of built environment
KR20230117317A (ko) 최대 전력 사용 시간을 예측하는 방법 및 그것을 이용한서버
Oprea et al. Flattening the electricity consumption peak and reducing the electricity payment for residential consumers in the context of smart grid by means of shifting optimization algorithm
Phuangpornpitak et al. A study of load demand forecasting models in electric power system operation and planning
JP2020501491A (ja) 動的エネルギーストレージシステム制御のためのシステムおよび方法
KR101355978B1 (ko) 전력 관리 시스템 및 전력 사용량 예측 방법
US10333307B2 (en) Machine learning based demand charge
Jang et al. On the long-term density prediction of peak electricity load with demand side management in buildings
CN105474501B (zh) 蓄电装置的放电开始时刻决定***以及蓄电装置的放电开始时刻的决定方法
JP2016019358A (ja) 需要予測装置、コンピュータプログラム、スマートメーター及び蓄電装置
Sevlian et al. Value of aggregation in smart grids
KR20160063892A (ko) 대용량 에너지 사용 데이터를 이용한 에너지 관리 서비스 방법 및 이를 위한 에너지 관리 시스템
US20180351362A1 (en) System and method for sizing a capacity of an energy storage device
JP2015106316A (ja) エネルギー管理システム
JP6293291B2 (ja) 消費電力推定装置、機器管理システム、消費電力推定方法及びプログラム
Zhou et al. Many-criteria optimality of coordinated demand response with heterogeneous households
US10931107B2 (en) System and method for management of an electricity distribution grid
Taieb et al. Probabilistic time series forecasting with boosted additive models: an application to smart meter data
JP6437139B2 (ja) 電力管理装置、サーバ、電力管理システム、電力管理方法、及び、プログラム
JP6103323B1 (ja) 電気料金情報予測システム
Ge et al. Simulation of domestic electricity load profile by multiple Gaussian distribution
JP2019175109A (ja) 予測制御装置、予測制御システムおよび予測制御方法
Good et al. Participation of electric heat pump resources in electricity markets under uncertainty
Bondarchuk Development of the graphical-analytical method for calculating electric load at civilian objects
Kapetanakis et al. Prediction of residential building demand response potential using data-driven techniques

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
A107 Divisional application of patent
GRNT Written decision to grant