KR20210020442A - 사용자의 사용특성을 고려한 전력 사용량 예측 알고리즘 - Google Patents

사용자의 사용특성을 고려한 전력 사용량 예측 알고리즘 Download PDF

Info

Publication number
KR20210020442A
KR20210020442A KR1020190099747A KR20190099747A KR20210020442A KR 20210020442 A KR20210020442 A KR 20210020442A KR 1020190099747 A KR1020190099747 A KR 1020190099747A KR 20190099747 A KR20190099747 A KR 20190099747A KR 20210020442 A KR20210020442 A KR 20210020442A
Authority
KR
South Korea
Prior art keywords
sequence
load profile
prediction
residual
residual load
Prior art date
Application number
KR1020190099747A
Other languages
English (en)
Other versions
KR102306968B1 (ko
Inventor
최준균
김나경
김장겸
박상돈
Original Assignee
한국과학기술원
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 한국과학기술원 filed Critical 한국과학기술원
Priority to KR1020190099747A priority Critical patent/KR102306968B1/ko
Publication of KR20210020442A publication Critical patent/KR20210020442A/ko
Application granted granted Critical
Publication of KR102306968B1 publication Critical patent/KR102306968B1/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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification
    • 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
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
    • 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)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Power Engineering (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

사용자의 사용특성을 고려한 전력 사용량 예측 방법 및 장치가 제시된다. 본 발명에서 제안하는 사용자의 사용특성을 고려한 전력 사용량 예측 방법은 일반 로드 프로파일 및 잔류 로드 프로파일을 추출하기 위해 로 데이터(raw data)를 클러스터링하는 단계, 추출된 일반 로드 프로파일의 시퀀스 및 잔류 로드 프로파일의 시퀀스를 임베딩하는 단계, 일반 로드 프로파일의 시퀀스 및 잔류 로드 프로파일의 시퀀스에 대한 LSTM 트레이닝을 수행하는 단계, 일반 로드 프로파일의 시퀀스 및 잔류 로드 프로파일의 시퀀스를 예측하는 단계 및 예측된 일반 로드 프로파일의 시퀀스 및 잔류 로드 프로파일의 시퀀스를 결합하는 단계를 포함한다.

Description

사용자의 사용특성을 고려한 전력 사용량 예측 알고리즘{Power Consumption Estimation Algorithm Considering Users' Usage Characteristics}
본 발명은 사용자의 사용특성을 고려한 전력 사용량 예측 방법 및 장치에 관한 것이다.
전 세계적으로 에너지 수요가 계속하여 늘고 있으며, 그 중 전기가 큰 비중을 차지하고 있다. 지금까지 에너지 분야에서는 인프라, 센서, 네트워크 등의 에너지 산업 하층부분의 사업에 집중되어 왔다. 현재 시점에서 많은 양의 전력 데이터가 생산되고 있어, AI 기술의 접목은 에너지 분야 산업에 큰 영향을 불러일으킬 것으로 전망된다.
다양한 센서 기기에서 수집되고 있는 방대한 양의 시계열 데이터를 기반으로 미래에 대한 데이터 예측이 실행되고 있다. 데이터 예측은 다양한 기술, 서비스, 어플리케이션 등에 활용될 수 있는 기본기술로 그 필요성과 활용도가 높다. 정확한 전력 소비 및 생산량 예측은 에너지 분야 전반에서 긍정적이고 혁신적인 효과를 가져올 수 있다.
하지만, 예측하고자 하는 데이터에 영향을 주는 외부 요인이 존재할 뿐 아니라, 데이터에 존재하는 패턴이 다양하여 데이터의 불확실성이 높다. 데이터 전처리, 사용자 그룹화, 데이터 통합 처리 등과 같은 데이터 처리를 통한 접근 방식 또는 외부 요인을 고려하는 에너지 모델링, 추가 요소를 입력 받는 인공학습망 등의 설계적 접근 방식이 있으나 다양한 시스템 및 서비스에 추가 설계없이 일반화 시키기 어려운 한계점을 가지고 있다.
전력 사용량 측정 기기와 같이 대다수의 IoT 기기는 분 또는 시간 단위로 데이터를 수집함에 따라 예측 또한 수집되는 시간 단위(15분, 1시간, 등)로 이루어지는 추세이다. 하지만 이처럼 짧은 시간을 기반으로 하여 예측을 실행할 시 데이터의 차원과 계산 복잡도가 현저히 높아져 실시간 처리가 힘들다. 또한, 짧은 시간을 기반으로 하는 단기 예측의 경우 세부적인 통제가 가능하여 정확도가 높을 수 있으나 장기 예측의 경우 정확도가 낮아질 수 있다. 또한, 정확도가 높더라도 사용 패턴이나 유형과 상이한 왜곡된 예측 결과를 초래할 수도 있다.
더불어 전력 데이터는 한 사용자의 사용 데이터만으로는 인공학습망을 학습시키기에는 데이터의 양이 부족한 경우가 많아 다수의 사용자의 데이터를 함께 활용하여 학습시키는 것이 일반적이다. 이러한 경우 사용자의 특성을 추가로 고려하지 않을 시 예측이 학습에 사용된 사용자 그룹에 너무 일반화될 수 있다. 한 사용자에게서 반복해서 나타나는 나머지(Residual)가 존재할 경우 이 나머지 또한 그 사용자의 사용 패턴 즉, 해당 사용자의 특성으로 고려되어야 할 필요가 있다.
단기 예측의 경우 접근 방식에 따라 다음과 같은 문제점들을 보인다. 종래기술에 따른 확률 기반 비클러스터링의 경우, 복잡한 패턴을 학습하기 어렵고, 장기적으로 예측하기 어렵다는 문제점이 있다. 또한, 종래기술에 따른 확률 기반 클러스터링의 경우, 복잡한 패턴을 학습하기 어렵고, 총부하를 예측하기 어렵다는 문제점이 있다.
종래기술에 따른 신경망 기반 비클러스터링의 경우, 높은 차원으로 인해 장기적으로 예측하기 어렵고, 각 사용자의 특성을 학습하기 어렵다는 문제점이 있다. 또한, 종래기술에 따른 신경망 기반 클러스터링의 경우, 총부하를 예측하기 어렵고, 각 사용자의 특성을 학습하기 어렵다는 문제점이 있다.
중장기 예측의 경우에는, 예측된 전력량의 시간적 입상도(time granularity)가 너무 큰 문제점이 있다. 하루 또는 며칠 동안의 사용량의 합산을 예측하는 방식이 대다수로, 이 경우 예측되는 날의 사용자의 전력 사용 패턴에 대한 해석이 불가능하다.
한국공개특허 제10-2015-0164243호, 소비 전력량 분석 및 예측 시스템(ENERGY CONSUMPTION ANALYSIS AND FORECASTING SYSTEM)에서는 각 기기의 종류별로 유사 제품군을 형성하고 이를 기반으로 예상 전력 소모량을 계산한 후 합산하여 예측하는 구성을 제시한다. 여기서, 정확한 사용량을 예측하기 위해서는 전력을 사용하는 모든 기기의 존재 여부를 알아야 하고, 유사 제품, 심지어 동일 제품이더라도 사용한 기간 또는 외적인 요소에 의해 사용되는 전력량이 상이할 수 있다는 한계가 있다.
한국공개특허 제10-2014-7022089호, 수요전력 예측 시스템(ELECTRICITY DEMAND PREDICTION SYSTEM)]에서는 각 기기의 전력 소모량을 기억 수단에 기억시킨 후 기억된 데이터에 의거하여 제품 종별마다 사용 전력량 산출하여 단기 수요전력을 예측하는 구성을 제시한다. 여기서, 정확한 사용량을 예측하기 위해서는 전력을 사용하는 모든 기기의 존재 여부를 알아야 하고, 동일 제품이더라도 외적인 요소에 의해 사용되는 전력량이 상이할 수 있다는 한계가 있다.
한국공개특허 제10-2013-0083792호, 전력 사용량 예측 방법 및 그 장치(Method and system for predicting power consumption)에서는 이전 실제 사용량과 예측 사용량의 오차를 피드백으로 사용하는 적응적 보상 필터와 신경회로망을 기반으로 하는 예측을 실행하는 구성을 제시한다. 여기서, 원시데이터를 활용하여 데이터 차원이 높고, 사용자 특성에 대한 고려가 부족하다는 한계가 있다.
종래기술들에 따르면, 원시 데이터를 활용하여 예측을 실행함에 따라 시간대 별 전력량을 예측하는 경우 데이터의 차원이 높다는 문제점이 있다. 또한, 전력량 합계를 예측하는 경우 높은 시간 입상도로 인해 시간에 따른 세세한 예측 또는 해석이 불가능하다.
본 발명이 이루고자 하는 기술적 과제는 데이터 전처리, 사용자 그룹화, 데이터 통합 처리 등과 같은 데이터 처리를 통한 접근 방식 또는 외부 요인을 고려하는 에너지 모델링, 추가 요소를 입력 받는 인공학습망 등의 설계적 접근 방식을 다양한 시스템 및 서비스에 추가 설계 없이 사용자의 사용특성을 고려하여 전력 사용량을 예측하기 위한 방법 및 장치를 제공하는데 있다.
일 측면에 있어서, 본 발명에서 제안하는 사용자의 사용특성을 고려한 전력 사용량 예측 방법은 일반 로드 프로파일 및 잔류 로드 프로파일을 추출하기 위해 로 데이터(raw data)를 클러스터링하는 단계, 추출된 일반 로드 프로파일의 시퀀스 및 잔류 로드 프로파일의 시퀀스를 임베딩하는 단계, 일반 로드 프로파일의 시퀀스 및 잔류 로드 프로파일의 시퀀스에 대한 LSTM 트레이닝을 수행하는 단계, 일반 로드 프로파일의 시퀀스 및 잔류 로드 프로파일의 시퀀스를 예측하는 단계 및 예측된 일반 로드 프로파일의 시퀀스 및 잔류 로드 프로파일의 시퀀스를 결합하는 단계를 포함한다.
일반 로드 프로파일 및 잔류 로드 프로파일을 추출하기 위해 로 데이터(raw data)를 클러스터링하는 단계는 전력 사용량의 장기 및 단기 예측을 위해 하루 기반 사용 프로파일 태그를 이용하여 패턴 시퀀스를 생성한다.
추출된 일반 로드 프로파일의 시퀀스 및 잔류 로드 프로파일의 시퀀스를 임베딩하는 단계는 일반 로드 프로파일 및 잔류 로드 프로파일의 패턴 시퀀스에서 순차적으로 나타나는 패턴들의 통계적 분석(word2vec)을 통해 각 패턴을 벡터 공간 모델로 나타낸다.
일반 로드 프로파일의 시퀀스 및 잔류 로드 프로파일의 시퀀스에 대한 LSTM 트레이닝을 수행하는 단계는 미래 전력 사용 패턴을 예측하기 위해 벡터 공간 모델로 나타낸 패턴 시퀀스를 LSTM의 입렵값으로 활용하여, 일반 로드 프로파일 시퀀스 예측 및 일반 로드 프로파일 시퀀스 예측의 통계 정보에 대한 LSTM 트레이닝을 수행하고, 잔류 로드 프로파일 시퀀스 예측 및 잔류 로드 프로파일 시퀀스 예측의 통계 정보에 대한 LSTM 트레이닝을 수행한다.
일반 로드 프로파일의 시퀀스 및 잔류 로드 프로파일의 시퀀스를 예측하는 단계는 일반 로드 프로파일 시퀀스 및 일반 로드 프로파일 시퀀스 예측의 통계 정보를 예측하고, 잔여 로드 프로파일 시퀀스 및 잔여 로드 프로파일 시퀀스 예측의 통계 정보를 예측한다.
또 다른 일 측면에 있어서, 본 발명에서 제안하는 사용자의 사용특성을 고려한 전력 사용량 예측 장치는 일반 로드 프로파일 및 잔류 로드 프로파일을 추출하기 위해 로 데이터(raw data)를 클러스터링하는 클러스터링부, 추출된 일반 로드 프로파일의 시퀀스 및 잔류 로드 프로파일의 시퀀스를 임베딩하는 임베딩부, 일반 로드 프로파일의 시퀀스 및 잔류 로드 프로파일의 시퀀스에 대한 LSTM 트레이닝을 수행하는 LSTM 트레이닝부, 일반 로드 프로파일의 시퀀스 및 잔류 로드 프로파일의 시퀀스를 예측하는 예측부 및 예측된 일반 로드 프로파일의 시퀀스 및 잔류 로드 프로파일의 시퀀스를 결합하는 결합부를 포함한다.
클러스터링부는 전력 사용량의 장기 및 단기 예측을 위해 하루 기반 사용 프로파일 태그를 이용하여 패턴 시퀀스를 생성한다.
임베딩부는 일반 로드 프로파일 및 잔류 로드 프로파일의 패턴 시퀀스에서 순차적으로 나타나는 패턴들의 통계적 분석(word2vec)을 통해 각 패턴을 벡터 공간 모델로 나타낸다.
LSTM 트레이닝부는 미래 전력 사용 패턴을 예측하기 위해 벡터 공간 모델로 나타낸 패턴 시퀀스를 LSTM의 입렵값으로 활용하여, 일반 로드 프로파일 시퀀스 예측 및 일반 로드 프로파일 시퀀스 예측의 통계 정보에 대한 LSTM 트레이닝을 수행하고, 잔류 로드 프로파일 시퀀스 예측 및 잔류 로드 프로파일 시퀀스 예측의 통계 정보에 대한 LSTM 트레이닝을 수행한다.
예측부는 일반 로드 프로파일 시퀀스 및 일반 로드 프로파일 시퀀스 예측의 통계 정보를 예측하고, 잔여 로드 프로파일 시퀀스 및 잔여 로드 프로파일 시퀀스 예측의 통계 정보를 예측한다.
본 발명의 실시예들에 따르면 데이터 전처리, 사용자 그룹화, 데이터 통합 처리 등과 같은 데이터 처리를 통한 접근 방식 또는 외부 요인을 고려하는 에너지 모델링, 추가 요소를 입력 받는 인공학습망 등의 설계적 접근 방식을 다양한 시스템 및 서비스에 추가 설계 없이 사용자의 사용특성을 고려하여 전력 사용량을 예측할 수 있다.
도 1은 본 발명의 일 실시예에 따른 사용자의 사용특성을 고려한 전력 사용량 예측 알고리즘을 설명하기 위한 개략도이다.
도 2는 본 발명의 일 실시예에 따른 사용자의 사용특성을 고려한 전력 사용량 예측 방법을 설명하기 위한 흐름도이다.
도 3은 본 발명의 일 실시예에 따른 패턴 시퀀스를 생성하는 과정을 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시예에 따른 벡터 공간 모델을 생성하는 과정을 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따른 전력 사용 패턴을 예측하는 과정을 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시예에 따른 잔류 전력 사용량을 예측하는 과정을 설명하기 위한 도면이다.
도 7은 본 발명의 일 실시예에 따른 사용자의 사용특성을 고려한 전력 사용량 예측 장치의 구성을 나타내는 도면이다.
이하, 본 발명의 실시 예를 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 본 발명의 일 실시예에 따른 사용자의 사용특성을 고려한 전력 사용량 예측 알고리즘을 설명하기 위한 개략도이다.
본 발명의 실시예에 따른 전력 사용량 예측 모델은 크게 프로파일링(110)과 예측(120)으로 나눌 수 있다. 프로파일링(110)은 클러스터링(111)및 임베딩(112) 과정을 포함한다. 예측(120)은 트레이닝(121), 커스터마이징(122) 및 결합(123) 과정을 포함한다.
클러스터링(111), 임베딩(112), 트레이닝(121) 및 커스터마이징(122) 과정은 각각 전반적인 사용 패턴을 예측하는 일반(general)파트(131)와 사용자 특성을 예측하는 잔류(residual) 파트(132)로 나눌 수 있다. 이와 같이 일반(general)파트(131)와 잔류(residual) 파트(132)는 결합파트(133)에서 일반(general)파트(131)와 잔류(residual) 파트(132)의 수행 결과를 결합(123)할 수 있다.
도 2는 본 발명의 일 실시예에 따른 사용자의 사용특성을 고려한 전력 사용량 예측 방법을 설명하기 위한 흐름도이다.
제안하는 사용자의 사용특성을 고려한 전력 사용량 예측 방법은 일반 로드 프로파일 및 잔류 로드 프로파일을 추출하기 위해 로 데이터(raw data)를 클러스터링하는 단계(210), 추출된 일반 로드 프로파일의 시퀀스 및 잔류 로드 프로파일의 시퀀스를 임베딩하는 단계(220), 일반 로드 프로파일의 시퀀스 및 잔류 로드 프로파일의 시퀀스에 대한 LSTM 트레이닝을 수행하는 단계(230), 일반 로드 프로파일의 시퀀스 및 잔류 로드 프로파일의 시퀀스를 예측하는 단계(240) 및 예측된 일반 로드 프로파일의 시퀀스 및 잔류 로드 프로파일의 시퀀스를 결합하는 단계(250)를 포함한다.
단계(210)에서, 일반 로드 프로파일 및 잔류 로드 프로파일을 추출하기 위해 로 데이터(raw data)를 클러스터링한다. 먼저, 일반 로드 프로파일을 추출하기 위해 로 데이터(raw data)를 클러스터링하고(211), 잔류 로드 데이터를 추출하기 위해 로 데이터에서 일반 로드 프로파일을 뺀다(212). 이후, 잔류 로드 프로파일을 추출하기 위해 로 잔류 로드 데이터를 클러스터링한다(213).
전력 사용량의 장기 및 단기 예측을 위해 하루 기반 사용 프로파일 태그를 이용하여 패턴 시퀀스를 생성한다.
단계(220)에서, 추출된 일반 로드 프로파일의 시퀀스 및 잔류 로드 프로파일의 시퀀스를 임베딩한다. 일반 로드 프로파일 시퀀스를 임베딩하고(222), 일반 로드 프로파일 시퀀스의 통계 정보를 임베딩한다(223). 그리고, 잔류 로드 프로파일 시퀀스를 임베딩하고(223), 잔류 로드 프로파일 시퀀스의 통계 정보를 임베딩한다(224).
일반 로드 프로파일 및 잔류 로드 프로파일의 패턴 시퀀스에서 순차적으로 나타나는 패턴들의 통계적 분석(word2vec)을 통해 각 패턴을 벡터 공간 모델로 나타낸다.
단계(230)에서, 일반 로드 프로파일의 시퀀스 및 잔류 로드 프로파일의 시퀀스에 대한 LSTM 트레이닝을 수행한다. 일반 로드 프로파일 시퀀스 예측에 대한 LSTM 트레이닝을 수행하고(231), 일반 로드 프로파일 시퀀스 예측의 통계 정보에 대한 LSTM 트레이닝을 수행한다(232). 그리고, 잔류 로드 프로파일 시퀀스 예측에 대한 LSTM 트레이닝을 수행하고(233), 잔류 로드 프로파일 시퀀스 예측의 통계 정보에 대한 LSTM 트레이닝을 수행한다(234).
미래 전력 사용 패턴을 예측하기 위해 벡터 공간 모델로 나타낸 패턴 시퀀스를 LSTM의 입렵값으로 활용하여, 일반 로드 프로파일 시퀀스 예측 및 일반 로드 프로파일 시퀀스 예측의 통계 정보에 대한 LSTM 트레이닝을 수행하고, 잔류 로드 프로파일 시퀀스 예측 및 잔류 로드 프로파일 시퀀스 예측의 통계 정보에 대한 LSTM 트레이닝을 수행한다.
단계(240)에서, 일반 로드 프로파일의 시퀀스 및 잔류 로드 프로파일의 시퀀스를 예측한다. 일반 로드 프로파일 시퀀스를 예측하고(241), 일반 로드 프로파일 시퀀스 예측의 통계 정보를 예측한다(242). 그리고, 잔여 로드 프로파일 시퀀스를 예측하고(243), 잔여 로드 프로파일 시퀀스 예측의 통계 정보를 예측한다(244).
일반 로드 프로파일 시퀀스 및 일반 로드 프로파일 시퀀스 예측의 통계 정보를 예측하고, 잔여 로드 프로파일 시퀀스 및 잔여 로드 프로파일 시퀀스 예측의 통계 정보를 예측한다.
단계(250)에서, 예측된 일반 로드 프로파일의 시퀀스 및 잔류 로드 프로파일의 시퀀스를 결합한다. 이후, 업데이트 시간이 초과되었는지 판단하여(260), 업데이트 시간이 초과된 경우 단계(210)부터 반복하고, 업데이트 시간이 초과되지 않은 경우 단계(240)부터 반복한다. 도 3 내지 도 6을 참조하여 사용자의 사용특성을 고려한 전력 사용량 예측 과정을 더욱 상세히 설명한다.
도 3은 본 발명의 일 실시예에 따른 패턴 시퀀스를 생성하는 과정을 설명하기 위한 도면이다.
먼저, 스트리밍 데이터(310)를 하루간격의 패턴으로 나타내서 패턴 시퀀스(320)를 생성한다. 데이터 셋의 예시로는 온도, 전력 부하, 풍속 및 이슬점 등이 있다.
본 발명의 실시예에 따른 데이터 태깅은 데이터 저장 시 패턴을 파악하고 태그로 함께 삽입하여 추후 데이터 처리와 관리를 용이하게 할 수 있다. 다양한 단순 처리 결과 또한 태그로 삽입하여 복합적 데이터 분석 시 차원 축소 및 가속화된 데이터 처리가 가능하다.
본 발명의 실시예에 따른 태그 시퀀스는 시계열 데이터 처리 시 원시 데이터가 아닌 태그를 활용 및 시퀀스화하여 데이터 처리의 효율성을 높일 수 있다. 원시 데이터 대신 시퀀스화된 태그 데이터를 활용함으로써 효율성과 실시간성을 보장할 수 있다.
도 4는 본 발명의 일 실시예에 따른 벡터 공간 모델을 생성하는 과정을 설명하기 위한 도면이다.
패턴 시퀀스(410)에서 순차적으로 나타나는 패턴들에 대해 워드 임베딩(420)을 수행하여 통계적 분석(word2vec)을 통해 각 패턴을 벡터 공간 모델(430)로 나타낸다.
본 발명의 실시예에 따른 워드 임베딩(Word Embedding)은 워드의 벡터 표현 및 벡터 공간 모델(Vector space models)을 생성하는 것이다. 자연어 처리에서 많이 사용되며, 단어들간의 확률적 분포 및 관계 분석을 통하여 단어를 벡터로써 나타낸다. 의미상 유사한 단어가 서로의 근처 점에 맵핑되는 연속 벡터 공간에 단어를 임베딩한다. 벡터 공간 모델로 단어들을 벡터화 시킴으로써 단어의 의미 또는 단어 간의 관계에 대한 기계 학습이 가능하게 한다. 단어 외의 다른 다양한 표현에도 적용 가능하다.
도 5는 본 발명의 일 실시예에 따른 전력 사용 패턴을 예측하는 과정을 설명하기 위한 도면이다.
패턴 시퀀스(510)를 벡터 공간 모델(520)로 나타내고, LSTM(530)의 입렵값으로 활용하여 미래 전력 사용 패턴을 예측한다(540).
본 발명의 실시예에 따른 LSTM(Long-Short Term Memory)은 인공지능 기술 중에 하나인 신경망 RNN(Recurrent Neural Network)의 일종으로 시계열 데이터와 같이 시간의 흐름에 따라 변화하는 데이터를 학습하기 위한 딥 러닝 모델이다. 기존 RNN는 오래 전에 학습된 데이터의 소실이 일어나는 장기 의존성(Long-Term Dependency)의 문제를 가지지만 LSTM의 경우 다르게 최근 데이터에 대한 단기적인 학습과 더불어 오래된 데이터에 대한 장기적인 학습이 가능하다.
본 발명의 실시예에 따르면, 벡터화된 복합적 태그 시퀀스를 입력 값으로 받는 LSTM을 활용하여 예측을 실행한다. 전력 사용량의 장기 및 단기 예측을 위해 분 또는 시간 단위의 원시데이터가 아닌 하루 기반 사용 프로파일 태그를 기반으로 시퀀스를 생성한다. 워드 임베딩을 활용하여 프로파일을 벡터로써 표현함으로써 프로파일간의 관계를 내포하여 입력 값으로 활용한다. 또한, 사용 패턴 외 전력 사용에 영향을 줄 수 있는 온도와 같은 외적 요소 태그 정보를 다차원적으로 함께 활용하여 미래 전력 사용량 패턴을 프로파일 시퀀스로 예측할 수 있다.
도 6은 본 발명의 일 실시예에 따른 잔류 전력 사용량을 예측하는 과정을 설명하기 위한 도면이다.
사용자의 특성을 고려하기 위해 동일한 방법으로 잔류 데이터 예측을 추가로 실행한다. 전력 사용량 패턴 프로파일 시퀀스 예측과 동일한 방법으로 사용자의 잔류 전력 사용량을 함께 예측한다.
본 발명의 실시예에 따른 다중 신경망(Multiple Neural Network)은 서로 상관관계를 가지는 데이터들을 각각 입력 값으로 받는 다수의 인공신경망을 분리시켜 학습시키고, 이의 결과값을 결합하는 다른 네트워크를 학습시킴으로써 다양한 데이터들을 예측하는 데 활용 가능하다.
전력 사용의 패턴과 전력 사용량의 평균, 표준편차 등과 같은 정보를 분리시켜 학습시킴으로써, 예측 시 사용 패턴의 왜곡을 최소화하여 과적합(overfitting)을 막을 수 있고 더불어 예측 값을 활용하는 서비스 및 어플리케이션의 필요에 따라 중간 예측 값 활용이 가능하다.
도 7은 본 발명의 일 실시예에 따른 사용자의 사용특성을 고려한 전력 사용량 예측 장치의 구성을 나타내는 도면이다.
제안하는 사용자의 사용특성을 고려한 전력 사용량 예측 장치(700)는 클러스터링부(710), 임베딩부(720), LSTM 트레이닝부(730), 예측부(740) 및 결합부(750)를 포함한다.
클러스터링부(710)는 일반 로드 프로파일 및 잔류 로드 프로파일을 추출하기 위해 로 데이터(raw data)를 클러스터링한다. 먼저, 일반 로드 프로파일을 추출하기 위해 로 데이터(raw data)를 클러스터링하고, 잔류 로드 데이터를 추출하기 위해 로 데이터에서 일반 로드 프로파일을 뺀다. 이후, 잔류 로드 프로파일을 추출하기 위해 로 잔류 로드 데이터를 클러스터링한다.
클러스터링부(710)는 전력 사용량의 장기 및 단기 예측을 위해 하루 기반 사용 프로파일 태그를 이용하여 패턴 시퀀스를 생성한다.
임베딩부(720)는 추출된 일반 로드 프로파일의 시퀀스 및 잔류 로드 프로파일의 시퀀스를 임베딩한다. 일반 로드 프로파일 시퀀스를 임베딩하고, 일반 로드 프로파일 시퀀스의 통계 정보를 임베딩한다. 그리고, 잔류 로드 프로파일 시퀀스를 임베딩하고(223), 잔류 로드 프로파일 시퀀스의 통계 정보를 임베딩한다.
일반 로드 프로파일 및 잔류 로드 프로파일의 패턴 시퀀스에서 순차적으로 나타나는 패턴들의 통계적 분석(word2vec)을 통해 각 패턴을 벡터 공간 모델로 나타낸다.
LSTM 트레이닝부(730)는 일반 로드 프로파일의 시퀀스 및 잔류 로드 프로파일의 시퀀스에 대한 LSTM 트레이닝을 수행한다. 일반 로드 프로파일 시퀀스 예측에 대한 LSTM 트레이닝을 수행하고, 일반 로드 프로파일 시퀀스 예측의 통계 정보에 대한 LSTM 트레이닝을 수행한다. 그리고, 잔류 로드 프로파일 시퀀스 예측에 대한 LSTM 트레이닝을 수행하고, 잔류 로드 프로파일 시퀀스 예측의 통계 정보에 대한 LSTM 트레이닝을 수행한다.
미래 전력 사용 패턴을 예측하기 위해 벡터 공간 모델로 나타낸 패턴 시퀀스를 LSTM의 입렵값으로 활용하여, 일반 로드 프로파일 시퀀스 예측 및 일반 로드 프로파일 시퀀스 예측의 통계 정보에 대한 LSTM 트레이닝을 수행하고, 잔류 로드 프로파일 시퀀스 예측 및 잔류 로드 프로파일 시퀀스 예측의 통계 정보에 대한 LSTM 트레이닝을 수행한다.
예측부(740)는 일반 로드 프로파일의 시퀀스 및 잔류 로드 프로파일의 시퀀스를 예측한다. 일반 로드 프로파일 시퀀스를 예측하고, 일반 로드 프로파일 시퀀스 예측의 통계 정보를 예측한다. 그리고, 잔여 로드 프로파일 시퀀스를 예측하고, 잔여 로드 프로파일 시퀀스 예측의 통계 정보를 예측한다.
일반 로드 프로파일 시퀀스 및 일반 로드 프로파일 시퀀스 예측의 통계 정보를 예측하고, 잔여 로드 프로파일 시퀀스 및 잔여 로드 프로파일 시퀀스 예측의 통계 정보를 예측한다.
결합부(750)는 예측된 일반 로드 프로파일의 시퀀스 및 잔류 로드 프로파일의 시퀀스를 결합한다. 이후, 업데이트 시간이 초과되었는지 판단하여, 업데이트 시간이 초과된 경우 클러스터링 과정부터 반복하고, 업데이트 시간이 초과되지 않은 경우 예측 과정부터 반복한다.
IoT 시장은 계속하여 커지고 있으며, 그 중에서도 전력 산업과 관련된 스마트 미터(smart meter)의 기기 수가 늘어가며 시장 확대가 예측되었다. 전력 사용량 및 생성량 예측을 통해 잉여 생성 전력 및 전력 부족 문제를 해결함으로써 사회적, 금전적 효과를 기대할 수 있다.
커져가는 IoT 시장과 늘어가는 스마트 미터(smart meter)의 수에 비례하여 전력 데이터가 기하학적으로 생성되는 환경에서, 에너지 관련 IoT 데이터의 저장, 관리, 처리, 시각화 시장과 함께 여러 에너지 관리 관련 서비스에 응용될 수 있는 전력 사용량 및 생성량 예측 방법에 대한 필요성이 계속하여 부각되고 있다.
전력 사용량 및 생성량 예측은 에너지 데이터 분석과 응용 서비스의 기초 분야로써, 관련 기술은 에너지 데이터의 다양한 분석 분야와 서비스, 예를 들어, 전력 거래, 에너지 관리, 사용자 행동 분석, 비정상 이벤트 예측 또는 감지, 누락 데이터 보간 등에서의 활용이 기대된다. 따라서 예측 방법 및 그 결과 값 활용에 따른 새로운 비즈니스 모델의 도출 또한 가능하다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다.　 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다.　 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다.　 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다.　 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다.　 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치에 구체화(embody)될 수 있다.　 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다.　 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다.　 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다.　 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다.　 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.　
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다.　 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (10)

  1. 일반 로드 프로파일 및 잔류 로드 프로파일을 추출하기 위해 로 데이터(raw data)를 클러스터링하는 단계;
    추출된 일반 로드 프로파일의 시퀀스 및 잔류 로드 프로파일의 시퀀스를 임베딩하는 단계;
    일반 로드 프로파일의 시퀀스 및 잔류 로드 프로파일의 시퀀스에 대한 LSTM 트레이닝을 수행하는 단계;
    일반 로드 프로파일의 시퀀스 및 잔류 로드 프로파일의 시퀀스를 예측하는 단계; 및
    예측된 일반 로드 프로파일의 시퀀스 및 잔류 로드 프로파일의 시퀀스를 결합하는 단계
    를 포함하는 사용자의 사용특성을 고려한 전력 사용량 예측 방법.
  2. 제1항에 있어서,
    일반 로드 프로파일 및 잔류 로드 프로파일을 추출하기 위해 로 데이터(raw data)를 클러스터링하는 단계는,
    전력 사용량의 장기 및 단기 예측을 위해 하루 기반 사용 프로파일 태그를 이용하여 패턴 시퀀스를 생성하는
    사용자의 사용특성을 고려한 전력 사용량 예측 방법.
  3. 제1항에 있어서,
    추출된 일반 로드 프로파일의 시퀀스 및 잔류 로드 프로파일의 시퀀스를 임베딩하는 단계는,
    일반 로드 프로파일 및 잔류 로드 프로파일의 패턴 시퀀스에서 순차적으로 나타나는 패턴들의 통계적 분석(word2vec)을 통해 각 패턴을 벡터 공간 모델로 나타내는
    사용자의 사용특성을 고려한 전력 사용량 예측 방법.
  4. 제1항에 있어서,
    일반 로드 프로파일의 시퀀스 및 잔류 로드 프로파일의 시퀀스에 대한 LSTM 트레이닝을 수행하는 단계는,
    미래 전력 사용 패턴을 예측하기 위해 벡터 공간 모델로 나타낸 패턴 시퀀스를 LSTM의 입렵값으로 활용하여, 일반 로드 프로파일 시퀀스 예측 및 일반 로드 프로파일 시퀀스 예측의 통계 정보에 대한 LSTM 트레이닝을 수행하고, 잔류 로드 프로파일 시퀀스 예측 및 잔류 로드 프로파일 시퀀스 예측의 통계 정보에 대한 LSTM 트레이닝을 수행하는
    사용자의 사용특성을 고려한 전력 사용량 예측 방법.
  5. 제1항에 있어서,
    일반 로드 프로파일의 시퀀스 및 잔류 로드 프로파일의 시퀀스를 예측하는 단계는,
    일반 로드 프로파일 시퀀스 및 일반 로드 프로파일 시퀀스 예측의 통계 정보를 예측하고, 잔여 로드 프로파일 시퀀스 및 잔여 로드 프로파일 시퀀스 예측의 통계 정보를 예측하는
    사용자의 사용특성을 고려한 전력 사용량 예측 방법.
  6. 일반 로드 프로파일 및 잔류 로드 프로파일을 추출하기 위해 로 데이터(raw data)를 클러스터링하는 클러스터링부;
    추출된 일반 로드 프로파일의 시퀀스 및 잔류 로드 프로파일의 시퀀스를 임베딩하는 임베딩부;
    일반 로드 프로파일의 시퀀스 및 잔류 로드 프로파일의 시퀀스에 대한 LSTM 트레이닝을 수행하는 LSTM 트레이닝부;
    일반 로드 프로파일의 시퀀스 및 잔류 로드 프로파일의 시퀀스를 예측하는 예측부; 및
    예측된 일반 로드 프로파일의 시퀀스 및 잔류 로드 프로파일의 시퀀스를 결합하는 결합부
    를 포함하는 사용자의 사용특성을 고려한 전력 사용량 예측 장치.
  7. 제6항에 있어서,
    클러스터링부는,
    전력 사용량의 장기 및 단기 예측을 위해 하루 기반 사용 프로파일 태그를 이용하여 패턴 시퀀스를 생성하는
    사용자의 사용특성을 고려한 전력 사용량 예측 장치.
  8. 제6항에 있어서,
    임베딩부는,
    일반 로드 프로파일 및 잔류 로드 프로파일의 패턴 시퀀스에서 순차적으로 나타나는 패턴들의 통계적 분석(word2vec)을 통해 각 패턴을 벡터 공간 모델로 나타내는
    사용자의 사용특성을 고려한 전력 사용량 예측 장치.
  9. 제6항에 있어서,
    LSTM 트레이닝부는,
    미래 전력 사용 패턴을 예측하기 위해 벡터 공간 모델로 나타낸 패턴 시퀀스를 LSTM의 입렵값으로 활용하여, 일반 로드 프로파일 시퀀스 예측 및 일반 로드 프로파일 시퀀스 예측의 통계 정보에 대한 LSTM 트레이닝을 수행하고, 잔류 로드 프로파일 시퀀스 예측 및 잔류 로드 프로파일 시퀀스 예측의 통계 정보에 대한 LSTM 트레이닝을 수행하는
    사용자의 사용특성을 고려한 전력 사용량 예측 장치.
  10. 제6항에 있어서,
    예측부는,
    일반 로드 프로파일 시퀀스 및 일반 로드 프로파일 시퀀스 예측의 통계 정보를 예측하고, 잔여 로드 프로파일 시퀀스 및 잔여 로드 프로파일 시퀀스 예측의 통계 정보를 예측하는
    사용자의 사용특성을 고려한 전력 사용량 예측 장치.
KR1020190099747A 2019-08-14 2019-08-14 사용자의 사용특성을 고려한 전력 사용량 예측 알고리즘 KR102306968B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190099747A KR102306968B1 (ko) 2019-08-14 2019-08-14 사용자의 사용특성을 고려한 전력 사용량 예측 알고리즘

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190099747A KR102306968B1 (ko) 2019-08-14 2019-08-14 사용자의 사용특성을 고려한 전력 사용량 예측 알고리즘

Publications (2)

Publication Number Publication Date
KR20210020442A true KR20210020442A (ko) 2021-02-24
KR102306968B1 KR102306968B1 (ko) 2021-09-30

Family

ID=74689398

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190099747A KR102306968B1 (ko) 2019-08-14 2019-08-14 사용자의 사용특성을 고려한 전력 사용량 예측 알고리즘

Country Status (1)

Country Link
KR (1) KR102306968B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113919578A (zh) * 2021-10-18 2022-01-11 四川大学 一种基于图神经网络的个人用户短期负载预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
전력 프로파일의 상관관계 분석 기반 맞춤형 선형 추정을 활용한 하루 전 전력 수요예측 기술(한국정보과학회 학술발표논문집, 2018.12.) 1부.* *
하루 전력 사용량 프로파일 시퀸스를 이용한 LSTM 기반 단기 사용 패턴 예측 방법(한국통신학회 학슬대회논문집, 2018.06.) 1부.* *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113919578A (zh) * 2021-10-18 2022-01-11 四川大学 一种基于图神经网络的个人用户短期负载预测方法
CN113919578B (zh) * 2021-10-18 2022-10-04 四川大学 一种基于图神经网络的个人用户短期负载预测方法

Also Published As

Publication number Publication date
KR102306968B1 (ko) 2021-09-30

Similar Documents

Publication Publication Date Title
Deng et al. Multi-scale convolutional neural network with time-cognition for multi-step short-term load forecasting
Zhong et al. Vector field-based support vector regression for building energy consumption prediction
Dorado-Moreno et al. Multi-task learning for the prediction of wind power ramp events with deep neural networks
Giles et al. Rule inference for financial prediction using recurrent neural networks
US20170091615A1 (en) System and method for predicting power plant operational parameters utilizing artificial neural network deep learning methodologies
Raju et al. IOT based online load forecasting using machine learning algorithms
KR102150170B1 (ko) 패턴 태깅 기술 기반 전력 데이터 예측 방법 및 시스템
CN113220450B (zh) 面向云端多数据中心的负载预测方法、资源调度方法及装置
Pirbazari et al. An ensemble approach for multi-step ahead energy forecasting of household communities
CN117041017B (zh) 数据中心的智能运维管理方法及***
CN110110372B (zh) 一种用户时序行为自动切分预测方法
Rout et al. A hybrid FLANN and adaptive differential evolution model for forecasting of stock market indices
CN114925938B (zh) 一种基于自适应svm模型的电能表运行状态预测方法、装置
Sinha Short term load forecasting using artificial neural networks
KR102306968B1 (ko) 사용자의 사용특성을 고려한 전력 사용량 예측 알고리즘
Sri et al. A smart adaptive LSTM technique for electrical load forecasting at source
Dufek et al. Data-driven symbolic ensemble models for wind speed forecasting through evolutionary algorithms
Buturache et al. Building energy consumption prediction using neural-based models
Li et al. Remaining useful life prediction of bearings using a trend memory attention-based GRU network
Zulfiqar et al. Short-Term Load Forecasting using Long Short Term Memory Optimized by Genetic Algorithm
Holderbaum et al. Short Term Load Forecasting (STLF)
KR102680751B1 (ko) 에너지 사용량 예측 방법 및 장치
Soudaei et al. Household Energy Consumption Prediction: A Deep Neuroevolution Approach
Burger et al. Building electricity load forecasting via stacking ensemble learning method with moving horizon optimization
Paul Load Forecasting Using Linear Regression And Artificial Neural Networks

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right