KR102324783B1 - Apparatus and method for Deep neural network based power demand prediction - Google Patents

Abstract

Translated fromKorean

누락 데이터에 대한 전처리를 수행하고, 예측을 위한 데이터별로 독립적인 예측 모델을 구성하고, 독립적인 예측 모델들을 병합한 예측 모델을 구성하여 전력 수요를 예측하기 위한 심층 신경망 기반 전력 수요 예측 장치 및 방법에 관한 것이다.
본 발명의 실시 예에 따른 심층 신경망 기반 전력 수요 예측 장치는 전력 수요량을 예측하기 위한 데이터를 전처리하는 데이터 전처리부와, 상기 데이터 전처리부에서 전처리된 데이터를 이용하여 각 데이터별로 독립된 제1예측 모델을 생성하고, 복수의 제1예측 모델을 병합하여 제2예측 모델을 생성하는 예측 모델 생성부와, 상기 예측 모델 생성부에서 생성된 제1예측 모델 및 제2예측 모델을 이용하여 전력 수요량을 예측하는 전력 수요 예측부와, 상기 데이터 전처리부에서 데이터들을 전처리한 결과와 전력 수요 예측부에서 전력 수요량을 예측한 결과에 따른 예측 정확도를 기초로 제1예측 모델 및 제2예측 모델의 유효성을 평가하는 예측 정확도 분석부를 포함한다.A deep neural network-based power demand prediction device and method for predicting power demand by performing preprocessing on missing data, configuring an independent prediction model for each data for prediction, and constructing a prediction model that merges independent prediction models it's about
A deep neural network-based power demand prediction apparatus according to an embodiment of the present invention includes a data pre-processing unit for pre-processing data for predicting power demand, and an independent first prediction model for each data using the data pre-processed in the data pre-processing unit. A predictive model generation unit generating a second prediction model by generating a plurality of first prediction models by merging the plurality of first prediction models, and predicting the amount of power demand by using the first prediction model and the second prediction model generated by the prediction model generation unit Prediction evaluating the validity of the first prediction model and the second prediction model based on the prediction accuracy according to the power demand prediction unit and the result of preprocessing the data in the data preprocessing unit and the power demand prediction unit in the power demand prediction unit It includes an accuracy analysis unit.

Description

Translated fromKorean

심층 신경망 기반 전력 수요 예측 장치 및 방법{Apparatus and method for Deep neural network based power demand prediction}Apparatus and method for Deep neural network based power demand prediction

본 발명은 심층 신경망 기반 전력 수요 예측 장치 및 방법에 관한 것으로, 보다 자세하게는 누락 데이터에 대한 전처리를 수행하고, 예측을 위한 데이터별로 독립적인 예측 모델을 구성하고, 독립적인 예측 모델들을 병합한 예측 모델을 구성하여 전력 수요를 예측하기 위한 심층 신경망 기반 전력 수요 예측 장치 및 방법에 관한 것이다.The present invention relates to an apparatus and method for predicting power demand based on a deep neural network, and in more detail, a prediction model that performs preprocessing on missing data, configures an independent prediction model for each data for prediction, and merges independent prediction models It relates to a deep neural network-based power demand prediction apparatus and method for predicting power demand by configuring

전력 시스템을 안정적으로 운영하기 위해서는 전력 수요를 예측하는 것이 중요하다. 더 나아가, 최근에는 신재생 발전원의 증가, 가정용 태양광 발전설비 보급 및 자가소비, 전기차 보급 확대 등 전력 환경이 급격하게 변화하면서 전력 수요를 정확하게 예측하는 것은 더 중요해지는 실정이다.In order to operate the power system stably, it is important to predict the power demand. Furthermore, in recent years, as the electric power environment rapidly changes, such as the increase in renewable power sources, the supply and self-consumption of home photovoltaic power generation facilities, and the expansion of electric vehicles, it is becoming more important to accurately predict the electric power demand.

그러나, 기존의 전력 수요 예측 기법은 과거의 부하 실적과 기상정보를 기반으로 한 통계적 기법들을 적용하고 있다. 이러한 전력 수요 예측 기법은 통계적 기법의 한계로, 예측에 사용할 데이터들을 여러 종류로 사용하기 어렵다는 것과 대용량 데이터를 예측에 반영할 수 없다는 문제가 있다. 또한, 예측 결과도 전문가의 경험에 의한 보정에 따라 최종 예측 결과가 크게 변동하게 되는 문제가 있다.However, the existing power demand forecasting method applies statistical methods based on past load performance and weather information. This power demand forecasting technique is a statistical technique, and there is a problem in that it is difficult to use various types of data to be used for prediction and that large-capacity data cannot be reflected in the prediction. In addition, there is a problem in that the final prediction result is greatly changed according to the correction of the prediction result by the expert's experience.

본 발명은 앞에서 설명한 문제점을 해결하기 위한 것으로, 누락 데이터에 대한 전처리를 수행하고, 예측을 위한 데이터별로 독립적인 예측 모델을 구성하고, 독립적인 예측 모델들을 병합한 예측 모델을 구성하여 전력 수요를 예측하기 위한 심층 신경망 기반 전력 수요 예측 장치 및 방법을 제공하는 것을 목적으로 한다.The present invention is to solve the problems described above, by performing pre-processing on missing data, configuring an independent prediction model for each data for prediction, and configuring a prediction model merging the independent prediction models to predict the power demand An object of the present invention is to provide a deep neural network-based power demand forecasting apparatus and method for

위에서 언급된 본 발명의 기술적 과제 외에도, 본 발명의 다른 특징 및 이점들이 이하에서 기술되거나, 그러한 기술 및 설명으로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.In addition to the technical problems of the present invention mentioned above, other features and advantages of the present invention will be described below or will be clearly understood by those skilled in the art from such description and description.

앞에서 설명한 목적을 달성하기 위한 본 발명의 실시 예에 따른 심층 신경망 기반 전력 수요 예측 장치는 전력 수요량을 예측하기 위한 데이터를 전처리하는 데이터 전처리부와, 데이터 전처리부에서 전처리된 데이터를 이용하여 각 데이터별로 독립된 제1예측 모델을 생성하고, 복수의 제1예측 모델을 병합하여 제2예측 모델을 생성하는 예측 모델 생성부와, 예측 모델 생성부에서 생성된 제1예측 모델 및 제2예측 모델을 이용하여 전력 수요량을 예측하는 전력 수요 예측부와, 데이터 전처리부에서 데이터들을 전처리한 결과와 전력 수요 예측부에서 전력 수요량을 예측한 결과에 따른 예측 정확도를 기초로 제1예측 모델 및 제2예측 모델의 유효성을 평가하는 예측 정확도 분석부를 포함할 수 있다.A deep neural network-based power demand prediction apparatus according to an embodiment of the present invention for achieving the above-described object includes a data pre-processing unit for pre-processing data for predicting power demand, and data pre-processed by the data pre-processing unit for each data Using a predictive model generator that generates an independent first predictive model and generates a second predictive model by merging a plurality of first predictive models, and the first and second predictive models generated by the predictive model generator Validity of the first prediction model and the second prediction model based on the prediction accuracy according to the result of preprocessing the data by the power demand prediction unit for predicting the power demand and the data preprocessing unit and the power demand prediction unit for the power demand prediction unit It may include a prediction accuracy analysis unit to evaluate the.

한편, 앞에서 설명한 목적을 달성하기 위한 본 발명의 실시 예에 따른 심층 신경망 기반 전력 수요 예측 방법은 전력 수요량을 예측하기 위한 데이터를 전처리하는 단계와, 전처리된 데이터를 이용하여 각 데이터별로 독립된 제1예측 모델을 생성하고, 복수의 제1예측 모델을 병합하여 제2예측 모델을 생성하는 단계와, 생성된 제1예측 모델 및 제2예측 모델을 이용하여 전력 수요량을 예측하는 단계와, 데이터들을 전처리한 결과와 전력 수요량을 예측한 결과에 따른 예측 정확도를 기초로 제1예측 모델 및 제2예측 모델의 유효성을 평가하는 단계를 포함할 수 있다.On the other hand, the deep neural network-based power demand prediction method according to an embodiment of the present invention for achieving the above-described object includes the steps of preprocessing data for predicting the amount of power demand, and using the preprocessed data to make independent first prediction for each data Generating a model, generating a second prediction model by merging a plurality of first prediction models, predicting the amount of power demand by using the generated first prediction model and the second prediction model, and preprocessing the data It may include evaluating the effectiveness of the first prediction model and the second prediction model based on the prediction accuracy according to the result and the result of predicting the power demand.

본 발명의 실시 예에 따른 심층 신경망 기반 전력 수요 예측 장치 및 방법은 전력 수요를 예측하기 위한 예측 모델을 자동으로 생성하고 주기적으로 예측 모델의 유효성을 평가하여 항상 최신의 데이터가 반영된 예측 모델을 제공할 수 있다.A deep neural network-based power demand prediction apparatus and method according to an embodiment of the present invention automatically generates a prediction model for predicting power demand and periodically evaluates the effectiveness of the prediction model to provide a prediction model reflecting the latest data at all times. can

또한, 예측 모델을 통해 전력 수요를 예측함에 따라 수요 예측 담당자의 경험에 의존하던 기존 업무의 부담감을 감소시킬 수 있다.In addition, it is possible to reduce the burden of the existing work that relied on the experience of the person in charge of demand forecasting by predicting the power demand through the predictive model.

또한, 예측을 위한 데이터별로 예측 모델이 생성됨에 따라 상황에 따라 예측 대상을 선택하여 전력 수요를 예측할 수 있다.In addition, as a prediction model is generated for each data for prediction, it is possible to predict the power demand by selecting a prediction target according to the situation.

이 밖에도, 본 발명의 실시 예들을 통해 본 발명의 또 다른 특징 및 이점들이 새롭게 파악될 수도 있을 것이다.In addition, other features and advantages of the present invention may be newly recognized through embodiments of the present invention.

도 1은 본 발명의 실시 예에 따른 전력 수요 예측 시스템을 나타내는 도면이다.
도 2는 본 발명의 실시 예에 따른 전력 수요 예측 장치를 나타내는 도면이다.
도 3은 본 발명의 실시 예에 따른 데이터 전처리부에서 전처리하는 데이터들의 예시를 나타내는 도면이다.
도 4는 본 발명의 실시 예에 따른 예측 모델 생성을 나타내는 도면이다.
도 5는 본 발명의 실시 예에 따른 심층 신경망 기반 전력 수요 예측 방법을 나타내는 도면이다.
도 6은 본 발명의 실시 예에 따른 제1예측 모델 및 제2예측 모델의 유효성을 판단하는 방법을 나타내는 도면이다.1 is a diagram illustrating a system for predicting power demand according to an embodiment of the present invention.
2 is a diagram illustrating an apparatus for predicting power demand according to an embodiment of the present invention.
3 is a diagram illustrating an example of data pre-processed by a data pre-processing unit according to an embodiment of the present invention.
4 is a diagram illustrating generation of a prediction model according to an embodiment of the present invention.
5 is a diagram illustrating a method for predicting power demand based on a deep neural network according to an embodiment of the present invention.
6 is a diagram illustrating a method of determining validity of a first prediction model and a second prediction model according to an embodiment of the present invention.

다르게 정의하지는 않았지만, 여기에 사용되는 기술용어 및 과학용어를 포함하는 모든 용어들은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 일반적으로 이해하는 의미와 동일한 의미를 가진다. 보통 사용되는 사전에 정의된 용어들은 관련 기술문헌과 현재 개시된 내용에 부합하는 의미를 가지는 것으로 추가 해석되고, 정의되지 않는 한 이상적이거나 매우 공식적인 의미로 해석되지 않는다.Although not defined otherwise, all terms including technical and scientific terms used herein have the same meaning as commonly understood by those of ordinary skill in the art to which the present invention belongs. Commonly used terms defined in the dictionary are additionally interpreted as having a meaning consistent with the related technical literature and the presently disclosed content, and unless defined, they are not interpreted in an ideal or very formal meaning.

이하, 첨부한 도면을 참조하여 본 발명의 실시 예에 대하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다.Hereinafter, embodiments of the present invention will be described in detail with reference to the accompanying drawings so that those of ordinary skill in the art can easily implement them. However, the present invention may be embodied in various different forms and is not limited to the embodiments described herein.

도 1은 본 발명의 실시 예에 따른 전력 수요 예측 시스템을 나타내는 도면이다.1 is a diagram illustrating a system for predicting power demand according to an embodiment of the present invention.

도 1을 참조하면, 본 발명의 실시 예에 따른 전력 수요 예측 시스템(1000)은 전력 수요 장치(100), 전력계통(200) 및 수용가(300)를 포함할 수 있다.Referring to FIG. 1 , a powerdemand prediction system 1000 according to an embodiment of the present invention may include apower demand device 100 , apower system 200 , and aconsumer 300 .

전력계통(200)은 수용가(300)로 전력을 제공할 수 있다. 여기서, 전력계통(200)은 수용가(300)의 전력 수요량에 따라 수용가(300)로 전력을 제공할 수 있다. 이에 따라, 전력 수요 예측 장치(100)는 수용가(300)의 전력 수요량을 예측하여 전력계통(200)에서 전력 수요량을 기초로 전력을 공급할 수 있도록 할 수 있다.Thepower system 200 may provide power to theconsumer 300 . Here, thepower system 200 may provide power to theconsumers 300 according to the demand for power of theconsumers 300 . Accordingly, the powerdemand prediction apparatus 100 may predict the power demand amount of theconsumer 300 so that thepower system 200 can supply power based on the power demand amount.

본 발명의 실시 예에 따른 전력 수요 예측 장치(100)는 심층 신경망을 통한 예측 모델을 이용하여 전력 수요량을 예측할 수 있다. 전력 수요 예측 장치(100)는 누락 데이터를 전처리하고, 전처리된 누락 데이터를 이용하여 예측 모델을 생성할 수 있다. 이는, 기상 데이터가 누락된 상태로 전력 수요량을 예측하는 경우, 기상 데이터의 특성 상 시간의 흐름에 따라 연속적인 성격을 가지므로 인근 날짜의 기상 데이터를 활용하지 않는 경우 예측 정확도가 감소하게 될 수 있다. 이러한 문제를 해결하기 위해 본 발명의 실시 예에 따른 전력 수요 예측 장치(100)는 전력 수요량을 예측하기 위한 데이터들이 누락되지 않도록 누락 데이터들을 전처리하여 이용할 수 있다.The powerdemand prediction apparatus 100 according to an embodiment of the present invention may predict the power demand by using a prediction model through a deep neural network. The powerdemand prediction apparatus 100 may pre-process the missing data and generate a prediction model using the pre-processed missing data. This is because when forecasting the power demand with weather data missing, the weather data has a continuous nature with the passage of time due to the nature of the weather data, so if the weather data of a nearby date is not utilized, the prediction accuracy may decrease. . In order to solve this problem, the powerdemand prediction apparatus 100 according to an embodiment of the present invention may pre-process and use the missing data so that the data for predicting the power demand is not omitted.

또한, 전력 수요 예측 장치(100)는 복수의 예측을 위한 데이터를 이용하여 전력 수요량을 예측할 수 있는데, 이때, 복수의 데이터들의 데이터 범위는 모두 상이하므로, 복수의 데이터들이 동일한 데이터 범위를 가지도록 정규화할 수 있다. 이로 인해, 복수의 데이터들에 대한 영향이 고르게 반영된 예측 모델을 생성할 수 있고, 생성된 예측 모델을 통해 전력 수요량을 예측함에 따라 예측 정확도가 증가할 수 있다.In addition, the powerdemand prediction apparatus 100 may predict the amount of power demand by using a plurality of prediction data. In this case, since the data ranges of the plurality of data are all different, the plurality of data are normalized to have the same data range. can do. Due to this, a prediction model in which the influence on the plurality of data is evenly reflected may be generated, and prediction accuracy may be increased as the power demand is predicted through the generated prediction model.

도 2는 본 발명의 실시 예에 따른 전력 수요 예측 장치를 나타내는 도면이고, 도 3은 본 발명의 실시 예에 따른 데이터 전처리부에서 전처리하는 데이터들의 예시를 나타내는 도면이다.2 is a diagram illustrating an apparatus for predicting power demand according to an embodiment of the present invention, and FIG. 3 is a diagram illustrating an example of data preprocessed by the data preprocessor according to an embodiment of the present invention.

도 2 및 도 3을 참조하면, 본 발명의 실시 예에 따른 전력 수요 예측 장치(100)는 데이터 전처리부(110), 예측 모델 생성부(120), 전력 수요 예측부(130) 및 예측 정확도 분석부(140)를 포함할 수 있다.2 and 3 , the powerdemand prediction apparatus 100 according to an embodiment of the present invention includes a data preprocessingunit 110 , a predictionmodel generation unit 120 , a powerdemand prediction unit 130 , and prediction accuracy analysis. It may include aunit 140 .

데이터 전처리부(110)는 전력 수요량을 예측하기 위한 데이터를 전처리할 수 있다. 전력 수요량을 예측하기 위한 데이터는 기상 관측(D1), 기상 예보(D2), 송전 부하(D3), AMI(Advanced Metering Infrastructure) 전력 사용량(D4), 발전단 부하(D5) 및 사회 통계 지표(D6)를 포함할 수 있다.Thedata preprocessor 110 may preprocess data for predicting the amount of power demand. Data for predicting power demand are weather observation (D1), weather forecast (D2), transmission load (D3), AMI (Advanced Metering Infrastructure) power usage (D4), power generation end load (D5), and social statistical indicators (D6) ) may be included.

기상 관측 데이터(D1)는 기상청 AWS(Automatic Weather System)에서 제공하는 1분 단위 측정 데이터일 수 있고, 1분 단위 측정 데이터는 기온, 습도, 풍속, 시간 단위 누적 강수량, 일 누적 강수량, 일 순간 최대 풍속을 포함할 수 있다.The weather observation data (D1) may be minute-by-minute measurement data provided by the Korea Meteorological Administration (AWS), and the minute-by-minute measurement data includes temperature, humidity, wind speed, hourly cumulative precipitation, daily cumulative precipitation, and daily maximum It may include wind speed.

기상 예보 데이터(D2)는 3시간 단위의 동네 기상 예보 데이터일 수 있다.The weather forecast data D2 may be neighborhood weather forecast data in units of three hours.

송전 부하 데이터(D3)는 SCADA(Supervisory Control And Data Acquisition) 시스템에서 수집하는 15개의 지역본부 별 5분 단위 부하 데이터와 부하 분석 및 SOMAS(Substation Operating Results Management System)에서 제공하는 지역본부 별 5분 단위 부하 데이터를 포함할 수 있다. 예컨대, SCADA 시스템은 한국전력공사에서 운영하는 감시 제어 및 데이터 취득을 위한 시스템이고, SOMAS는 변전소 운전 실적을 관리하기 위한 시스템일 수 있다.Transmission load data (D3) is collected by SCADA (Supervisory Control And Data Acquisition) system in 5-minute increments for each 15 regional headquarters, and load analysis in 5 minutes by regional headquarters provided by SOMAS (Substation Operating Results Management System). Load data may be included. For example, the SCADA system may be a system for monitoring control and data acquisition operated by Korea Electric Power Corporation, and the SOMAS may be a system for managing substation operation performance.

AMI 전력 사용량 데이터(D4)는 전국 고압고객의 15분 단위 전력 사용량 데이터일 수 있다.The AMI power usage data D4 may be 15-minute power usage data of high voltage customers nationwide.

발전단 부하 데이터(D5)는 전력거래소에서 제공하는 5분 단위의 현재 부하 데이터일 수 있다.The power generation stage load data D5 may be current load data in units of 5 minutes provided by the Power Exchange.

사회 통계 지표(D6)는 체감 온도, 불쾌지수, 대기오염정보, 소비 심리 통계를 포함할 수 있다.The social statistical index D6 may include a perceived temperature, an unpleasant index, air pollution information, and consumption psychology statistics.

또한, 데이터 전처리부(110)는 전력 수요량을 더 정확하게 예측하기 위해 누락된 데이터를 보정할 수 있다. 구체적으로, 데이터 전처리부(110)는 기상 관측 데이터(D1) 및 기상 예보 데이터(D2)를 일정한 시간 간격으로 구분할 수 있다. 예컨대, 일정한 시간 간격은 1시간일 수 있으며, 데이터 전처리부(110)는 일정한 시간 간격으로 구분된 데이터들 중 대표값을 선택할 수 있다. 즉, 데이터 전처리부(110)는 제1시간 간격 내에 포함된 데이터들 중 대표값을 선택하고, 제1시간 간격 다음의 시간 간격인 제2시간 간격 내에 포함된 데이터들 중 대표값을 선택할 수 있다. 데이터 전처리부(110)는 선택된 대표값을 누락된 데이터의 값으로 정의할 수 있다. 이때, 데이터 전처리부(110)는 기상 관측 데이터(D1) 및 기상 예보 데이터(D2) 중 이상치 또는 결측치를 가지는 데이터는 제외할 수 있다.In addition, thedata preprocessor 110 may correct the missing data to more accurately predict the amount of power demand. Specifically, thedata preprocessor 110 may divide the weather observation data D1 and the weather forecast data D2 at regular time intervals. For example, the predetermined time interval may be 1 hour, and thedata preprocessor 110 may select a representative value from among data divided at a predetermined time interval. That is, thedata preprocessor 110 may select a representative value from among data included in the first time interval, and select a representative value from among data included in a second time interval that is a time interval following the first time interval. . Thedata preprocessor 110 may define the selected representative value as a value of missing data. In this case, thedata preprocessor 110 may exclude data having an outlier or a missing value among the weather observation data D1 and the weather forecast data D2 .

데이터 전처리부(110)는 기상 관측 데이터(D1)가 기온, 습도 및 풍속에 관련된 데이터인 경우 기온, 습도 및 풍속 각각에 대한 데이터들의 평균값을 계산하고, 계산된 평균값을 대표값으로 선택할 수 있다. 즉, 데이터 전처리부(110)는 각 시간 간격 내에 포함된 데이터들의 평균값을 계산하여 대표값으로 선택할 수 있다. 예컨대, 기온의 경우, 단시간에 크게 변화되지 않으므로, 데이터 전처리부(110)는 특정 시간 대의 정상 데이터의 평균값을 계산하여 대표값으로 선택함으로써, 누락 데이터로 인해 전력 수요량 예측에 대한 정확도가 감소되는 것을 방지할 수 있다. 데이터 전처리부(110)는 선택된 대표값을 누락된 데이터의 값으로 정의할 수 있다.When the weather observation data D1 is data related to temperature, humidity, and wind speed, thedata preprocessor 110 may calculate an average value of the data for each temperature, humidity, and wind speed, and select the calculated average value as a representative value. That is, thedata preprocessor 110 may calculate an average value of data included in each time interval and select it as a representative value. For example, since the temperature does not change significantly in a short time, the data pre-processingunit 110 calculates the average value of normal data for a specific time period and selects it as a representative value, so that the accuracy of the power demand prediction is reduced due to missing data. can be prevented Thedata preprocessor 110 may define the selected representative value as a value of missing data.

또한, 데이터 전처리부(110)는 기상 관측 데이터(D1)가 시간 누적 강수량, 일 누적 강수량, 일 순간 최대 풍속에 관련된 데이터인 경우 최대 값을 가지는 데이터를 대표값으로 선택할 수 있다. 여기서, 즉, 데이터 전처리부(110)는 각 시간 간격 내에 포함된 데이터들 중 최대 값을 가지는 데이터를 대표값으로 선택할 수 있다. 데이터 전처리부(110)는 선택된 대표값을 누락된 데이터의 값으로 정의할 수 있다.In addition, when the weather observation data D1 is data related to time accumulated precipitation amount, daily accumulated precipitation amount, and one instantaneous maximum wind speed, thedata preprocessor 110 may select data having a maximum value as a representative value. Here, that is, thedata preprocessor 110 may select data having a maximum value among data included in each time interval as a representative value. Thedata preprocessor 110 may define the selected representative value as a value of missing data.

또한, 데이터 전처리부(110)는 3시간의 시간 간격으로 구분되는 기상 예보 데이터(D2)를 전일의 평균과 직전 또는 최근에 예측한 값을 가중 평균화하여 대표값으로 선택할 수 있다. 데이터 전처리부(110)는 선택된 대표값을 누락된 데이터의 값으로 정의할 수 있다.In addition, thedata preprocessor 110 may select the representative value by averaging the weather forecast data D2 divided by the time interval of 3 hours with the average of the previous day and the value predicted immediately before or recently. Thedata preprocessor 110 may define the selected representative value as a value of missing data.

즉, 본 발명의 실시 예에 따르면, 누락된 데이터들의 값을 계산 또는 선택하여 데이터를 보정함으로써, 누락 데이터로 인해 전력 수요량 예측에 대한 정확도가 감소되는 것을 방지할 수 있다.That is, according to an embodiment of the present invention, by correcting the data by calculating or selecting values of the missing data, it is possible to prevent the accuracy of the prediction of the power demand amount from being reduced due to the missing data.

데이터 전처리부(110)는 AMI 고객의 전력 사용량을 통해 가장 가까운 지점의 기상 관측 및 기상 예보 데이터를 가중 평균화하여 전국 기상 가중 평균을 계산할 수 있고, 계산된 전국 기상 가중 평균은 전력 수요량 예측을 위한 예측 모델의 생성을 위해 사용될 수 있다. 데이터 전처리부(110)는 수학식 1을 통해 전국 기상 가중 평균을 계산할 수 있다.Thedata preprocessor 110 may calculate a national weather weighted average by weighted averaging the weather observation and weather forecast data of the nearest point through the power usage of the AMI customer, and the calculated national weather weighted average is a prediction for power demand prediction It can be used to create models. Thedata preprocessor 110 may calculate a national weather weighted average through Equation (1).

[수학식 1][Equation 1]

여기서,

은 전국 기상 가중 평균이고,

은 AMI 전체 고객의 전력 사용량이고,

는 AMI 고객 각각의 전력 사용량이고,

는 AMI 고객 각각의 기상 관측 데이터(D1) 및 기상 예보 데이터(D2)일 수 있다.here,

is the national weather weighted average,

is the power consumption of all AMI customers,

is the power consumption of each AMI customer,

may be weather observation data D1 and weather forecast data D2 of each AMI customer.

데이터 전처리부(110)는 SCADA 시스템의 5분 단위의 데이터를 합산하여 1시간 단위의 데이터를 생성할 수 있다. 여기서, 본 발명의 실시 예에 따른 전력 수요 예측 장치(100)는 SCADA 시스템의 데이터를 이용하여 전력 수요량을 예측하되, SCADA 시스템의 데이터에 누락이 발생한 경우, SOMAS 시스템의 데이터를 보정용으로 이용할 수 있다. 이때, 데이터 전처리부(110)는 시간대별 SCADA 시스템의 데이터 중 최대, 최소 값을 바탕으로 SOMAS 시스템의 데이터 중 동일 구간의 데이터를 보정할 수 있다. 또한, 데이터 전처리부(110)는 SOMAS 시스템의 데이터를 0과 1 사이의 값이 되도록 정규화하고, SCADA 시스템의 데이터 중 최소, 최대 값을 투영하여 모사할 수 있다.Thedata preprocessor 110 may generate data in units of one hour by adding up the data in units of 5 minutes of the SCADA system. Here, the powerdemand prediction apparatus 100 according to an embodiment of the present invention predicts the amount of power demand by using the data of the SCADA system, but when omission occurs in the data of the SCADA system, the data of the SOMAS system can be used for correction. . In this case, thedata preprocessor 110 may correct the data of the same section among the data of the SOMAS system based on the maximum and minimum values among the data of the SCADA system for each time period. Also, thedata preprocessor 110 may normalize the data of the SOMAS system to be a value between 0 and 1, and project and simulate the minimum and maximum values among the data of the SCADA system.

데이터 전처리부(110)는 AMI 고객을 지역별로 분류하고, 지역별로 분류된 전력 사용량 데이터를 업종별, 계약종별 합산 및 평균 값을 산출하여 AMI 전력 사용량 데이터를 전처리할 수 있다.Thedata preprocessor 110 may preprocess the AMI power usage data by classifying the AMI customers by region, and calculating the summation and average value of the power usage data classified by region by industry and contract type.

또한, 데이터 전처리부(110)는 사회 통계 지표 데이터(D6)에서 일, 월, 연단위 통계를 시간단위 데이터로 변경하여 전처리할 수 있다. 즉, 데이터 전처리부(110)는 사회 통계 지표 데이터(D6)에서 대기오염정보 등의 기상과 관련된 정보의 경우 해당값이 모든 시간에 동일하게 적용되도록 할 수 있다. 또한, 데이터 전처리부(110)는 사회 통계 지표 데이터(D6)에서 기상과 관련된 정보를 제외한 다른 정보들의 경우, 직전의 통계 값을 최저값으로, 현재의 통계 값을 최대값으로 가정하여 중간의 시간단위 데이터를 모사할 수 있다. 여기서, 데이터 전처리부(110)는 데이터의 특성에 따라 데이터의 증감을 선형, 정규분포, 지수 분포(Exponential), 로그(Log) 정규 분포의 형태로 모사할 수 있다.In addition, thedata pre-processing unit 110 may pre-process by changing daily, monthly, and yearly statistics in the social statistics index data D6 into hourly data. That is, thedata pre-processing unit 110 may allow the corresponding value to be applied equally at all times in the case of weather-related information such as air pollution information in the social statistics indicator data D6. In addition, thedata pre-processing unit 110 assumes that the previous statistical value is the lowest value and the current statistical value is the maximum value in the case of other information except for weather-related information in the social statistical indicator data D6, and the intermediate time unit data can be simulated. Here, thedata preprocessor 110 may simulate the increase or decrease of data in the form of a linear, normal distribution, exponential distribution, or log normal distribution according to the characteristics of the data.

예측 모델 생성부(120)는 제1예측 모델 및 제2예측 모델을 생성할 수 있다. 제1예측 모델은 다음날의 최대 전력 수요량을 예측하기 위한 모델로, 출력값은 하나일 수 있다. 즉, 제1예측 모델은 다음날의 최대 전력 수요량 하나만을 출력값으로 출력할 수 있다.Theprediction model generator 120 may generate a first prediction model and a second prediction model. The first prediction model is a model for predicting the maximum power demand of the next day, and may have one output value. That is, the first prediction model may output only one maximum power demand of the next day as an output value.

또한, 제2예측 모델은 다음날의 시간대별 최대 전력 수요량을 예측하기 위한 모델로, 출력값은 복수개일 수 있다. 즉, 제2예측 모델은 당일 오후 12시부터 다음날 24시까지의 시간대별 최대 전력 수요량을 출력값으로 출력하므로, 출력값은 36개일 수 있다.In addition, the second prediction model is a model for predicting the maximum power demand for each time zone of the next day, and may have a plurality of output values. That is, since the second prediction model outputs the maximum power demand for each time period from 12:00 pm on the same day to 24:00 the next day as an output value, the number of output values may be 36.

구체적으로, 예측 모델 생성부(120)는 예측을 위한 데이터별로 독립된 제1예측 모델을 생성할 수 있다. 즉, 예측 모델 생성부(120)는 예측을 위한 데이터별로 독립된 제1예측 모델을 생성함으로, 제1예측 모델은 복수개가 생성될 수 있다. 여기서, 제1예측 모델은 장·단기 기억(Long-Short Term Memory) 심층 신경망으로 구성될 수 있다.Specifically, theprediction model generator 120 may generate an independent first prediction model for each data for prediction. That is, since theprediction model generator 120 generates an independent first prediction model for each data for prediction, a plurality of first prediction models may be generated. Here, the first prediction model may be composed of a long-short-term memory deep neural network.

또한, 예측 모델 생성부(120)는 복수개의 제1예측 모델들을 병합하여 제2예측 모델을 생성할 수 있다. 여기서, 제2예측 모델은 밀집(Dence) 심층 신경망으로 구성될 수 있다. 예측 모델 생성부(120)는 예측을 위한 데이터들을 정규화(Normalization)하여 0부터 1까지의 분포를 가지는 값으로 변환할 수 있다.Also, thepredictive model generator 120 may generate a second predictive model by merging a plurality of first predictive models. Here, the second prediction model may be configured as a dense deep neural network. Theprediction model generator 120 may normalize the data for prediction and convert it into a value having a distribution of 0 to 1.

또한, 예측 모델 생성부(120)는 데이터 전처리부(110)에서 전처리된 데이터들 중 최근 한달의 데이터를 제외한 다른 데이터들을 이용하여 제1예측 모델 및 제2예측 모델을 학습할 수 있다. 또한, 예측 모델 생성부(120)는 데이터 전처리부(110)에서 전처리된 데이터들 중 최근 한달의 데이터들을 이용하여 제1예측 모델 및 제2예측 모델을 검증할 수 있다.Also, thepredictive model generator 120 may learn the first predictive model and the second predictive model by using other data except for data of the last month among the data preprocessed by thedata preprocessor 110 . Also, thepredictive model generator 120 may verify the first predictive model and the second predictive model by using data of the last month among the data preprocessed by thedata preprocessor 110 .

여기서, 예측 모델 생성부(120)는 데이터 전처리부(110)에서 전처리된 데이터들을 시간의 순서에 따라 과거 데이터부터 최근의 데이터 순으로 제1예측 모델 및 제2예측 모델을 학습시킬 수 있다. 예측 모델 생성부(120)는 전처리된 데이터들을 이용하여 제1예측 모델 및 제2예측 모델을 여러 번 학습시킬 수 있다.Here, thepredictive model generator 120 may train the first predictive model and the second predictive model in the order of the past data to the most recent data according to the order of time on the data preprocessed by thedata preprocessor 110 . Thepredictive model generator 120 may train the first predictive model and the second predictive model several times by using the preprocessed data.

또한, 예측 모델 생성부(120)는 전처리된 데이터들을 이용하여 제1예측 모델 및 제2예측 모델을 학습시킬 때마다 검증 데이터와의 오차를 비교하여 오차가 특정한 값보다 작아질 경우 학습을 종료시킬 수 있다. 여기서, 검증 데이터는 전처리된 데이터들 중 최근 한달의 데이터일 수 있다.In addition, thepredictive model generator 120 compares the error with the verification data whenever the first predictive model and the second predictive model are trained using the preprocessed data, and ends the learning when the error becomes smaller than a specific value. can Here, the verification data may be data of the last month among preprocessed data.

전력 수요 예측부(130)는 예측 모델 생성부(120)에서 일정한 시간마다 생성된 예측 모델을 이용하여 전력 수요량을 예측할 수 있다. 여기서, 전력 수요 예측부(130)는 제1예측 모델을 이용하여 다음날 최대 전력 수요량을 예측한 결과를 제2예측 모델을 이용하여 시간대별 최대 전력 수요량을 예측한 결과에 반영하여 최대 전력 수요량의 값을 보정할 수 있다. 즉, 전력 수요 예측부(130)는 시간대별 최대 전력 수요량이 다음날 최대 전력 수요량이 되도록 투영하여 최대 전력 수요량을 보정할 수 있다.The powerdemand prediction unit 130 may predict the amount of power demand by using the prediction model generated every predetermined time by the predictionmodel generation unit 120 . Here, the powerdemand prediction unit 130 reflects the result of predicting the maximum power demand for the next day using the first prediction model to the result of predicting the maximum power demand for each time period using the second prediction model, the value of the maximum power demand can be corrected. That is, the powerdemand prediction unit 130 may correct the maximum power demand by projecting the maximum power demand for each time period to become the maximum power demand for the next day.

예측 정확도 분석부(140)는 데이터 전처리부(110)에서 데이터들을 전처리한 결과와 전력 수요 예측부(130)에서 전력 수요량을 예측한 결과에 따른 예측 정확도를 바탕으로 제1예측 모델 및 제2예측 모델의 유효성을 평가할 수 있다. 예측 정확도 분석부(140)에서 제1예측 모델 및 제2예측 모델의 유효성을 평가한 결과, 제1예측 모델 및 제2예측 모델의 유효성이 기준에 미달하는 경우 예측 모델 생성부(120)가 제1예측 모델 및 제2예측 모델을 다시 생성하도록 신호를 전송할 수 있다. 여기서, 유효성을 평가하는 기준은 기 설정되어 있을 수 있고, 제1예측 모델 및 제2예측 모델의 예측 정확도가 기 설정된 기준보다 작아지는 경우, 예측 정확도 분석부(140)는 제1예측 모델 및 제2예측 모델의 유효성을 평가할 수 있다. 또한, 예측 정확도 분석부(140)는 예측을 위한 데이터별로 가중치를 설정하여 제1예측 모델 및 제2예측 모델의 유효성을 판단할 수 있다.The predictionaccuracy analysis unit 140 performs the first prediction model and the second prediction based on the prediction accuracy according to the result of preprocessing the data by thedata preprocessing unit 110 and the result of predicting the power demand by the powerdemand prediction unit 130 . The validity of the model can be evaluated. As a result of evaluating the validity of the first prediction model and the second prediction model by the predictionaccuracy analysis unit 140, when the validity of the first prediction model and the second prediction model do not meet the criteria, the predictionmodel generation unit 120 returns the second prediction model. A signal may be transmitted to regenerate the first predictive model and the second predictive model. Here, the criterion for evaluating the validity may be preset, and when the prediction accuracy of the first prediction model and the second prediction model becomes smaller than the preset criterion, theprediction accuracy analyzer 140 performs the first prediction model and the second prediction model. 2The validity of the predictive model can be evaluated. Also, theprediction accuracy analyzer 140 may determine the validity of the first prediction model and the second prediction model by setting weights for each data for prediction.

예컨대, 예측 정확도 분석부(140)는 데이터 전처리부(110)에서 전처리된 기상 관측 및 기상 예보 데이터의 최근 변동률이 임계치를 넘는 경우 제1예측 모델 및 제2예측 모델의 유효성을 판단할 수 있다. 또한, 예측 정확도 분석부(140)는 최근 변동률이 음에서 양으로 변경되거나, 양에서 음으로 변경되는 경우, 제1예측 모델 및 제2예측 모델의 유효성을 판단할 수 있다. 또한, 예측 정확도 분석부(140)는 제1예측 모델 및 제2예측 모델의 예측 정확도의 평균이 특정일 연속 하락하는 경우, 제1예측 모델 및 제2예측 모델이 마지막으로 생성된 시점이 일주일 이전인 경우 제1예측 모델 및 제2예측 모델의 유효성을 판단할 수 있다.For example, theprediction accuracy analyzer 140 may determine the validity of the first prediction model and the second prediction model when the recent rate of change of the weather observation and weather forecast data preprocessed by thedata preprocessor 110 exceeds a threshold. Also, when the recent rate of change changes from negative to positive or from positive to negative, theprediction accuracy analyzer 140 may determine the validity of the first prediction model and the second prediction model. Also, when the average of the prediction accuracy of the first prediction model and the second prediction model decreases for a specific day continuously, theprediction accuracy analyzer 140 determines that the time when the first prediction model and the second prediction model were last generated is one week before. In the case of , the validity of the first prediction model and the second prediction model may be determined.

또한, 전력 수요 예측 장치(100)는 특정 지역을 대상으로 전력 수요 예측을 할 수 있으며, 본 발명의 실시 예에 따르면, 전국적으로 전력 수요를 예측하는 것을 특정 지역을 대상으로 전력 수요를 예측하는 것으로 변경함으로써 실행될 수 있다.In addition, the powerdemand prediction apparatus 100 may predict the power demand for a specific region, and according to an embodiment of the present invention, predicting the power demand nationwide is to predict the power demand for a specific region. It can be implemented by changing

예컨대, 발전단 부하의 경우 SCADA 시스템에서 제공하는 특정 지역의 부하 정보를 이용하여 전력 수요를 예측할 수 있고, 기상 관측 데이터의 경우 예측 대상이 되는 지역에 속한 AMI 고객들과 가까운 지점의 기상 관측 데이터를 AMI 전력 사용량으로 가중 평균하여 전력 수요를 예측할 수 있다.For example, in the case of a power plant load, the power demand can be predicted using the load information of a specific area provided by the SCADA system. Power demand can be predicted by weighted average of power usage.

도 4는 본 발명의 실시 예에 따른 예측 모델 생성을 나타내는 도면이다.4 is a diagram illustrating generation of a prediction model according to an embodiment of the present invention.

도 4를 참조하면, 예측 모델 생성부(120)는 데이터 전처리부(110)에서 전처리된 데이터를 이용하여 복수의 데이터들 각각에 대한 제1예측 모델(122)을 생성할 수 있다. 제1예측 모델은 다음날의 최대 전력 수요량을 예측하기 위한 모델로, 장·단기 기억(Long-Short Term Memory) 심층 신경망으로 구성될 수 있다.Referring to FIG. 4 , thepredictive model generator 120 may generate the firstpredictive model 122 for each of a plurality of data by using the data preprocessed by thedata preprocessor 110 . The first prediction model is a model for predicting the maximum power demand for the next day, and may be composed of a long-short term memory deep neural network.

즉, 예측 모델 생성부(120)는 데이터 전처리부(110)에서 전처리된 데이터 중 기상 관측 데이터(D1)를 이용하여 제1예측 모델(122)을 생성할 수 있다. 여기서, 제1예측 모델(122)은 기상 관측 데이터(D1)를 기초로 다음날의 최대 전력 수요량을 예측할 수 있고, 예측한 다음날의 최대 전력 수요량을 출력값으로 출력할 수 있다.That is, theprediction model generator 120 may generate thefirst prediction model 122 by using the weather observation data D1 among the data preprocessed by thedata preprocessor 110 . Here, thefirst prediction model 122 may predict the maximum power demand of the next day based on the weather observation data D1 , and may output the predicted maximum power demand of the next day as an output value.

또한, 예측 모델 생성부(120)는 데이터 전처리부(110)에서 전처리된 데이터 중 기상 예보 데이터(D2)를 이용하여 제1예측 모델(122)을 생성할 수 있다. 여기서, 제1예측 모델(122)은 기상 예보 데이터(D2)를 기초로 다음날의 최대 전력 수요량을 예측할 수 있고, 예측한 다음날의 최대 전력 수요량을 출력값으로 출력할 수 있다.Also, thepredictive model generator 120 may generate the firstpredictive model 122 by using the weather forecast data D2 among the data preprocessed by thedata preprocessor 110 . Here, thefirst prediction model 122 may predict the maximum power demand of the next day based on the weather forecast data D2 and may output the predicted maximum power demand of the next day as an output value.

또한, 예측 모델 생성부(120)는 데이터 전처리부(110)에서 전처리된 데이터 중 송전 부하 데이터(D3)를 이용하여 제1예측 모델(122)을 생성할 수 있다. 여기서, 제1예측 모델(122)은 송전 부하 데이터(D3)를 기초로 다음날의 최대 전력 수요량을 예측할 수 있고, 예측한 다음날의 최대 전력 수요량을 출력값으로 출력할 수 있다.Also, thepredictive model generator 120 may generate the firstpredictive model 122 by using the power transmission load data D3 among the data preprocessed by thedata preprocessor 110 . Here, thefirst prediction model 122 may predict the maximum power demand of the next day based on the power transmission load data D3 and may output the predicted maximum power demand of the next day as an output value.

또한, 예측 모델 생성부(120)는 데이터 전처리부(110)에서 전처리된 데이터 중 AMI 전력 사용량 데이터(D4)를 이용하여 제1예측 모델(122)을 생성할 수 있다. 여기서, 제1예측 모델(122)은 AMI 전력 사용량 데이터(D4)를 기초로 다음날의 최대 전력 수요량을 예측할 수 있고, 예측한 다음날의 최대 전력 수요량을 출력값으로 출력할 수 있다.Also, thepredictive model generator 120 may generate the firstpredictive model 122 by using the AMI power usage data D4 among the data preprocessed by thedata preprocessor 110 . Here, thefirst prediction model 122 may predict the maximum power demand of the next day based on the AMI power usage data D4, and may output the predicted maximum power demand of the next day as an output value.

또한, 예측 모델 생성부(120)는 데이터 전처리부(110)에서 전처리된 데이터 중 발전단 부하 데이터(D5)를 이용하여 제1예측 모델(122)을 생성할 수 있다. 여기서, 제1예측 모델(122)은 발전단 부하 데이터(D5)를 기초로 다음날의 최대 전력 수요량을 예측할 수 있고, 예측한 다음날의 최대 전력 수요량을 출력값으로 출력할 수 있다.Also, thepredictive model generator 120 may generate the firstpredictive model 122 by using the power generation stage load data D5 among the data preprocessed by thedata preprocessor 110 . Here, thefirst prediction model 122 may predict the maximum power demand of the next day based on the power generation stage load data D5, and may output the predicted maximum power demand of the next day as an output value.

또한, 예측 모델 생성부(120)는 데이터 전처리부(110)에서 전처리된 데이터 중 사회 통계 지표 데이터(D6)를 이용하여 제1예측 모델(122)을 생성할 수 있다. 여기서, 제1예측 모델(122)은 사회 통계 지표 데이터(D6)를 기초로 다음날의 최대 전력 수요량을 예측할 수 있고, 예측한 다음날의 최대 전력 수요량을 출력값으로 출력할 수 있다.Also, thepredictive model generator 120 may generate the firstpredictive model 122 by using the social statistics index data D6 among the data preprocessed by thedata preprocessor 110 . Here, thefirst prediction model 122 may predict the maximum power demand of the next day based on the social statistics index data D6, and may output the predicted maximum power demand of the next day as an output value.

또한, 예측 모델 생성부(120)는 복수개의 제1예측 모델들(122)을 병합하여 제2예측 모델(124)을 생성할 수 있다. 제2예측 모델(124)은 다음날의 시간대별 최대 전력 수요량을 예측하기 위한 모델로, 밀집(Dence) 심층 신경망으로 구성될 수 있다.Also, theprediction model generator 120 may generate thesecond prediction model 124 by merging the plurality offirst prediction models 122 . Thesecond prediction model 124 is a model for predicting the maximum power demand for each time zone of the next day, and may be configured as a dense deep neural network.

예측 모델 생성부(120)는 제2예측 모델(124)을 이용하여 당일 오후 12시부터 다음날 24시까지의 시간대별 최대 전력 수요량을 예측할 수 있고, 예측한 시간대별 최대 전력 수요량을 출력값으로 출력할 수 있다.Theprediction model generator 120 may predict the maximum power demand for each time period from 12:00 pm on the same day to 24 pm the next day using thesecond prediction model 124, and output the predicted maximum power demand for each time period as an output value. have.

도 5는 본 발명의 실시 예에 따른 심층 신경망 기반 전력 수요 예측 방법을 나타내는 도면이다.5 is a diagram illustrating a deep neural network-based power demand prediction method according to an embodiment of the present invention.

도 5를 참조하면, 데이터 전처리부(110)는 전력 수요량을 예측하기 위한 데이터를 전처리할 수 있다(S100). 전력 수요량을 예측하기 위한 데이터는 기상 관측, 기상 예보, 송전 부하, AMI 전력 사용량, 발전단 부하 및 사회 통계 지표를 포함할 수 있다.Referring to FIG. 5 , thedata pre-processing unit 110 may pre-process data for predicting the amount of power demand ( S100 ). Data for predicting power demand may include weather observation, weather forecast, transmission load, AMI power usage, power generation end load, and social statistical indicators.

기상 관측 데이터는 기상청 AWS에서 제공하는 1분 단위 측정 데이터일 수 있고, 1분 단위 측정 데이터는 기온, 습도, 풍속, 시간 단위 누적 강수량, 일 누적 강수량, 일 순간 최대 풍속을 포함할 수 있다.The weather observation data may be 1-minute measurement data provided by the Korea Meteorological Administration AWS, and the 1-minute measurement data may include temperature, humidity, wind speed, hourly cumulative precipitation, daily cumulative precipitation, and daily maximum wind speed.

기상 예보 데이터는 3시간 단위의 동네 기상 예보 데이터일 수 있다.The weather forecast data may be neighborhood weather forecast data in units of three hours.

송전 부하 데이터(D3)는 SCADA 시스템에서 수집하는 15개의 지역본부 별 5분 단위 부하 데이터와 부하 분석 및 SOMAS에서 제공하는 지역본부 별 5분 단위 부하 데이터를 포함할 수 있다.The transmission load data (D3) may include the load data for each 15 regional headquarters collected by the SCADA system, and the load data for each regional headquarters in 5-minute units provided by load analysis and SOMAS.

AMI 전력 사용량 데이터는 전국 고압고객의 15분 단위 전력 사용량 데이터일 수 있고, 발전단 부하 데이터는 전력거래소에서 제공하는 5분 단위의 현재 부하 데이터일 수 있다. 사회 통계 지표는 체감 온도, 불쾌지수, 대기오염정보, 소비 심리 통계를 포함할 수 있다.The AMI power usage data may be power usage data in 15-minute units of high-voltage customers nationwide, and the power generation end load data may be current load data in units of 5 minutes provided by the Power Exchange. Social statistical indicators may include perceived temperature, discomfort index, air pollution information, and consumer psychology statistics.

예측 모델 생성부(120)는 전처리된 데이터를 이용하여 예측을 위한 데이터별로 제1예측 모델을 생성할 수 있다(S200). 제1예측 모델은 다음날의 최대 전력 수요량을 예측하기 위한 모델이며, 장·단기 기억(Long-Short Term Memory) 심층 신경망으로 구성될 수 있다.Theprediction model generator 120 may generate a first prediction model for each data for prediction using the pre-processed data ( S200 ). The first prediction model is a model for predicting the maximum power demand for the next day, and may be composed of a deep neural network of Long-Short Term Memory.

또한, 예측 모델 생성부(120)는 제1예측 모델들을 병합하여 제2측 모델을 생성할 수 있다(S300). 즉, 예측 모델 생성부(120)는 예측을 위한 데이터별로 생성된 복수의 제1예측 모델들을 병합하여 제2예측 모델을 생성할 수 있다. 제2예측 모델은 다음날의 시간대별 최대 전력 수요량을 예측하기 위한 모델이며, 밀집(Dence) 심층 신경망으로 구성될 수 있다.Also, thepredictive model generator 120 may generate a second-side model by merging the first predictive models ( S300 ). That is, theprediction model generator 120 may generate a second prediction model by merging the plurality of first prediction models generated for each data for prediction. The second prediction model is a model for predicting the maximum power demand for each time period of the next day, and may be composed of a dense deep neural network.

전력 수요 예측부(130)는 제1예측 모델 및 제2예측 모델을 이용하여 전력 수요를 예측할 수 있다(S400). 여기서, 전력 수요 예측부(130)는 제1예측 모델을 이용하여 다음날 최대 전력 수요량을 예측한 결과를 제2예측 모델을 이용하여 시간대별 최대 전력 수요량을 예측한 결과에 반영하여 최대 전력 수요량의 값을 보정할 수 있다.The powerdemand prediction unit 130 may predict the power demand by using the first prediction model and the second prediction model ( S400 ). Here, the powerdemand prediction unit 130 reflects the result of predicting the maximum power demand for the next day using the first prediction model to the result of predicting the maximum power demand for each time period using the second prediction model, the value of the maximum power demand can be corrected.

예측 정확도 분석부(140)는 제1예측 모델 및 제2예측 모델의 유효성을 판단할 수 있다(S500). 예측 정확도 분석부(140)는 데이터 전처리부(110)에서 데이터들을 전처리한 결과와 전력 수요 예측부(130)에서 전력 수요량을 예측한 결과에 따른 예측 정확도를 바탕으로 제1예측 모델 및 제2예측 모델의 유효성을 평가할 수 있다.Theprediction accuracy analyzer 140 may determine the validity of the first prediction model and the second prediction model ( S500 ). The predictionaccuracy analysis unit 140 performs the first prediction model and the second prediction based on the prediction accuracy according to the result of preprocessing the data by thedata preprocessing unit 110 and the result of predicting the power demand by the powerdemand prediction unit 130 . The validity of the model can be evaluated.

예측 정확도 분석부(140)에서 제1예측 모델 및 제2예측 모델의 유효성을 평가한 결과, 제1예측 모델 및 제2예측 모델의 유효성이 기준에 미달하는 경우 예측 모델 생성부(120)가 제1예측 모델 및 제2예측 모델을 다시 생성하도록 할 수 있다.As a result of evaluating the validity of the first prediction model and the second prediction model by the predictionaccuracy analysis unit 140, when the validity of the first prediction model and the second prediction model do not meet the criteria, the predictionmodel generation unit 120 returns the second prediction model. The first predictive model and the second predictive model may be regenerated.

도 6은 본 발명의 실시 예에 따른 제1예측 모델 및 제2예측 모델의 유효성을 판단하는 방법을 나타내는 도면이다.6 is a diagram illustrating a method of determining the validity of a first prediction model and a second prediction model according to an embodiment of the present invention.

도 6을 참조하면, 예측 정확도 분석부(140)는 제1예측 모델 및 제2예측 모델이 마지막으로 생성된 시점이 7일을 초과했는지 판단할 수 있다(S510).Referring to FIG. 6 , theprediction accuracy analyzer 140 may determine whether the time when the first prediction model and the second prediction model were last generated exceeds 7 days ( S510 ).

예측 정확도 분석부(140)는 제1예측 모델 및 제2예측 모델이 마지막으로 생성된 시점이 7일을 초과한 것으로 판단되는 경우, 예측 모델 생성부(120)를 통해 제1예측 모델 및 제2예측 모델이 신규로 생성되도록 할 수 있다(S550).When it is determined that the time at which the first prediction model and the second prediction model were last generated exceeds 7 days, the predictionaccuracy analysis unit 140 uses the predictionmodel generation unit 120 to generate the first prediction model and the second prediction model. A predictive model may be newly generated (S550).

한편, 예측 정확도 분석부(140)는 제1예측 모델 및 제2예측 모델이 마지막으로 생성된 시점이 7일을 초과하지 않은 것으로 판단되는 경우, 기상 관측 및 기상 예보 데이터의 변동률이 임계치를 초과하는지 판단할 수 있다(S520).On the other hand, when it is determined that the time when the first prediction model and the second prediction model are last generated does not exceed 7 days, theprediction accuracy analyzer 140 determines whether the rate of change of the weather observation and weather forecast data exceeds a threshold value. It can be determined (S520).

예측 정확도 분석부(140)는 기상 관측 및 기상 예보 데이터의 변동률이 임계치를 초과한 것으로 판단되는 경우, 예측 모델 생성부(120)를 통해 제1예측 모델 및 제2예측 모델이 신규로 생성되도록 할 수 있다(S550).When it is determined that the rate of change of the weather observation and weather forecast data exceeds a threshold, the predictionaccuracy analysis unit 140 generates a first prediction model and a second prediction model newly through the predictionmodel generation unit 120 . can be (S550).

한편, 예측 정확도 분석부(140)는 기상 관측 및 기상 예보 데이터의 변동률이 임계치를 초과하지 않은 것으로 판단되는 경우, 기상 관측 및 기상 예보 데이터의 변동률이 음에서 양 또는 양에서 음으로 변경되었는지 판단할 수 있다(S530).On the other hand, when it is determined that the rate of change of the weather observation and weather forecast data does not exceed the threshold, the predictionaccuracy analysis unit 140 determines whether the rate of change of the weather observation and weather forecast data is changed from negative to positive or from positive to negative. It can be (S530).

예측 정확도 분석부(140)는 기상 관측 및 기상 예보 데이터의 변동률이 음에서 양 또는 양에서 음으로 변경된 것으로 판단되는 경우, 예측 모델 생성부(120)를 통해 제1예측 모델 및 제2예측 모델이 신규로 생성되도록 할 수 있다(S550).When it is determined that the rate of change of weather observation and weather forecast data is changed from negative to positive or from positive to negative, the predictionaccuracy analysis unit 140 generates the first prediction model and the second prediction model through the predictionmodel generation unit 120 . It can be newly created (S550).

한편, 예측 정확도 분석부(140)는 기상 관측 및 기상 예보 데이터의 변동률이 음에서 양 또는 양에서 음으로 변경되지 않은 것으로 판단되는 경우, 예측 정확도의 평균이 연속으로 하락한 일수가 특정일수를 초과했는지 판단할 수 있다(S540).On the other hand, when it is determined that the rate of change of the weather observation and weather forecast data does not change from negative to positive or from positive to negative, the predictionaccuracy analysis unit 140 determines whether the number of days for which the average of the prediction accuracy continuously falls exceeds a specific number of days. It can be determined (S540).

예측 정확도 분석부(140)는 예측 정확도의 평균이 연속으로 하락한 일수가 특정일수를 초과한 것으로 판단되는 경우, 예측 모델 생성부(120)를 통해 제1예측 모델 및 제2예측 모델이 신규로 생성되도록 할 수 있다(S550).When it is determined that the number of days for which the average of the prediction accuracy has continuously decreased exceeds a specific number of days, the predictionaccuracy analysis unit 140 newly generates the first prediction model and the second prediction model through the predictionmodel generation unit 120 . It can be done (S550).

한편, 예측 정확도 분석부(140)는 예측 정확도의 평균이 연속으로 하락한 일수가 특정일수를 초과하지 않은 것으로 판단되는 경우, 제1모델 및 제2모델의 유효성은 적절한 것으로 판단할 수 있다.Meanwhile, the predictionaccuracy analysis unit 140 may determine that the validity of the first model and the second model are appropriate when it is determined that the number of days for which the average of the prediction accuracy continuously decreases does not exceed a specific number of days.

전술한 바와 같이 본 발명의 실시 예에 따르면, 누락 데이터에 대한 전처리를 수행하고, 예측을 위한 데이터별로 독립적인 예측 모델을 구성하고, 독립적인 예측 모델들을 병합한 예측 모델을 구성하여 전력 수요를 예측하기 위한 심층 신경망 기반 전력 수요 예측 장치 및 방법을 실현할 수 있다.As described above, according to an embodiment of the present invention, the power demand is predicted by preprocessing the missing data, configuring an independent prediction model for each data for prediction, and configuring a prediction model merging the independent prediction models. It is possible to realize a deep neural network-based power demand forecasting apparatus and method for

본 발명이 속하는 기술 분야의 당업자는 본 발명이 그 기술적 사상이나 필수적 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있으므로, 이상에서 기술한 실시 예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로서 이해해야만 한다. 본 발명의 범위는 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 등가개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.Those skilled in the art to which the present invention pertains should understand that the present invention may be embodied in other specific forms without changing the technical spirit or essential characteristics thereof, so the embodiments described above are illustrative in all respects and not restrictive. only do The scope of the present invention is indicated by the following claims rather than the detailed description, and all changes or modifications derived from the meaning and scope of the claims and their equivalent concepts should be construed as being included in the scope of the present invention. .

100: 전력 수요 예측 장치
200: 전력계통
300: 수용가
110: 데이터 전처리부
120: 예측 모델 생성부
130: 전력 수요 예측부
140: 예측 정확도 분석부
122: 제1예측 모델
124: 제2예측 모델100: power demand forecasting device
200: power system
300: acceptor
110: data preprocessor
120: predictive model generation unit
130: power demand forecasting unit
140: predictive accuracy analysis unit
122: first prediction model
124: second prediction model

Claims (18)

Translated fromKorean

전력 수요량을 예측하기 위한 데이터를 전처리하는 데이터 전처리부;
상기 데이터 전처리부에서 전처리된 데이터를 이용하여 각 데이터 종류별로 독립된 복수의 제1예측 모델을 생성하고, 상기 복수의 제1예측 모델을 병합하여 제2예측 모델을 생성하는 예측 모델 생성부;
상기 예측 모델 생성부에서 생성된 상기 복수의 제1예측 모델 및 상기 제2예측 모델을 이용하여 전력 수요량을 예측하는 전력 수요 예측부;
상기 데이터 전처리부에서 데이터들을 전처리한 결과와 전력 수요 예측부에서 전력 수요량을 예측한 결과에 따른 예측 정확도를 기초로 상기 복수의 제1예측 모델 및 상기 제2예측 모델의 유효성을 평가하는 예측 정확도 분석부를 포함하고,
상기 예측 정확도 분석부는 데이터 전처리부에서 전처리된 기상 관측 및 기상 예보 데이터의 최근 변동률이 임계치를 넘거나, 기상 관측 및 기상 예보 데이터의 최근 변동률이 음에서 양 또는 양에서 음으로 변경되거나, 상기 복수의 제1예측 모델 및 상기 제2예측 모델의 예측 정확도의 평균이 특정일 연속 하락하거나, 상기 복수의 제1예측 모델 및 상기 제2예측 모델이 생성된 시점이 일주일을 초과한 경우 중 적어도 하나를 포함하는 경우 상기 복수의 제1예측 모델 및 상기 제2예측 모델의 유효성을 판단하고, 그 결과 상기 복수의 제1예측 모델 및 상기 제2예측 모델의 유효성이 기준에 미달하는 경우 상기 예측 모델 생성부에서 복수의 제1예측 모델 및 제2예측 모델을 다시 생성하도록 하는 신호를 전송하는 심층 신경망 기반 전력 수요 예측 장치.
a data pre-processing unit for pre-processing data for predicting power demand;
a predictive model generator for generating a plurality of independent first predictive models for each data type using the data preprocessed by the data preprocessor, and merging the plurality of first predictive models to generate a second predictive model;
a power demand prediction unit for predicting an amount of power demand by using the plurality of first prediction models and the second prediction model generated by the prediction model generation unit;
Prediction accuracy analysis for evaluating the validity of the plurality of first prediction models and the second prediction models based on the prediction accuracy according to the result of preprocessing the data by the data preprocessing unit and the result of predicting the power demand by the power demand prediction unit including wealth,
The prediction accuracy analyzer may change the recent rate of change of weather observation and weather forecast data pre-processed by the data preprocessing unit to a threshold value, or change from negative to positive or positive to negative, or change the rate of change of weather observation and weather forecast data from negative to negative, or At least one of a case in which the average of the prediction accuracy of the first predictive model and the second predictive model decreases continuously for a specific day, or when the plurality of first predictive models and the second predictive model are generated exceeds one week In the case where the validity of the plurality of first prediction models and the second prediction model is determined, and as a result, when the validity of the plurality of first prediction models and the second prediction model does not meet the criteria, in the prediction model generation unit A deep neural network-based power demand prediction device that transmits a signal to regenerate a plurality of first and second prediction models.
제1항에 있어서,
상기 전력 수요량을 예측하기 위한 데이터는 기상 관측 데이터, 기상 예보 데이터, 송전 부하 데이터, AMI(Advanced Metering Infrastructure) 전력 사용량 데이터, 발전단 부하 데이터 및 사회 통계 지표를 포함하는 심층 신경망 기반 전력 수요 예측 장치.
According to claim 1,
The data for predicting the power demand is a deep neural network-based power demand prediction device including weather observation data, weather forecast data, transmission load data, AMI (Advanced Metering Infrastructure) power usage data, power generation end load data, and social statistical indicators.
제1항에 있어서,
상기 복수의 제1예측 모델은 다음날의 최대 전력 수요량을 예측하기 위한 모델로, 장·단기 기억(Long-Short Term Memory) 심층 신경망으로 구성되는 심층 신경망 기반 전력 수요 예측 장치.
According to claim 1,
The plurality of first prediction models are models for predicting the maximum power demand for the next day, and a deep neural network-based power demand prediction device comprising a long-short term memory deep neural network.
제1항에 있어서,
상기 제2예측 모델은 다음날의 시간대별 최대 전력 수요량을 예측하기 위한 모델로, 밀집(Dense) 심층 신경망으로 구성되는 심층 신경망 기반 전력 수요 예측 장치.
According to claim 1,
The second prediction model is a model for predicting the maximum amount of power demand for each time period of the next day, and a deep neural network-based power demand prediction device comprising a dense deep neural network.
제1항에 있어서,
상기 예측 모델 생성부는 상기 전력 수요량을 예측하기 위한 데이터를 정규화하여 0부터 1까지의 분포를 가지는 값으로 변환하여 각 데이터 종류별로 독립된 상기 복수의 제1예측 모델을 생성하는 심층 신경망 기반 전력 수요 예측 장치.
According to claim 1,
The prediction model generator normalizes the data for predicting the power demand and converts it into a value having a distribution from 0 to 1 to generate the plurality of first prediction models independent for each data type. A deep neural network-based power demand prediction device .
제1항에 있어서,
상기 예측 모델 생성부는 상기 데이터 전처리부에서 전처리된 데이터들 중 최근 한달의 데이터를 제외한 다른 데이터들을 이용하여 상기 복수의 제1예측 모델 및 상기 제2예측 모델을 학습하고, 상기 데이터 전처리부에서 전처리된 데이터들 중 최근 한달의 데이터들을 이용하여 상기 복수의 제1예측 모델 및 상기 제2예측 모델을 검증하는 심층 신경망 기반 전력 수요 예측 장치.
According to claim 1,
The predictive model generator learns the plurality of first predictive models and the second predictive models by using other data except for data of the last month among the data preprocessed by the data preprocessor, and is preprocessed by the data preprocessor. A deep neural network-based power demand prediction apparatus for verifying the plurality of first prediction models and the second prediction models using data of the last month among data.
제1항에 있어서,
상기 전력 수요 예측부 상기 복수의 제1예측 모델을 이용하여 다음날 최대 전력 수요량을 예측한 결과를 상기 제2예측 모델을 이용하여 시간대별 최대 전력 수요량을 예측한 결과에 반영하여 최대 전력 수요량의 값을 보정하는 심층 신경망 기반 전력 수요 예측 장치.
According to claim 1,
The power demand prediction unit reflects the result of predicting the maximum power demand for the next day using the plurality of first prediction models to the result of predicting the maximum power demand for each time period using the second prediction model, the value of the maximum power demand A deep neural network-based power demand forecasting device that calibrates.
삭제delete삭제delete심층 신경망 기반 전력 수요 예측 장치에 의한 심층 신경망 기반 전력 수요 예측 방법에 있어서,
전력 수요량을 예측하기 위한 데이터를 전처리하는 단계;
전처리된 데이터를 이용하여 각 데이터 종류별로 독립된 복수의 제1예측 모델을 생성하고, 상기 복수의 제1예측 모델을 병합하여 제2예측 모델을 생성하는 단계;
생성된 상기 복수의 제1예측 모델 및 상기 제2예측 모델을 이용하여 전력 수요량을 예측하는 단계;
데이터들을 전처리한 결과와 전력 수요량을 예측한 결과에 따른 예측 정확도를 기초로 상기 복수의 제1예측 모델 및 상기 제2예측 모델의 유효성을 평가하는 단계를 포함하고
상기 유효성을 평가하는 단계는,
전처리된 기상 관측 및 기상 예보 데이터의 최근 변동률이 임계치를 넘거나, 기상 관측 및 기상 예보 데이터의 최근 변동률이 음에서 양 또는 양에서 음으로 변경되거나, 상기 복수의 제1예측 모델 및 상기 제2예측 모델의 예측 정확도의 평균이 특정일 연속 하락하거나, 상기 복수의 제1예측 모델 및 상기 제2예측 모델이 생성된 시점이 일주일을 초과한 경우 중 적어도 하나를 포함하는 경우 상기 복수의 제1예측 모델 및 상기 제2예측 모델의 유효성을 판단하는 단계; 및
상기 복수의 제1예측 모델 및 상기 제2 예측 모델의 유효성을 평가한 결과, 상기 복수의 제1예측 모델 및 상기 제2예측 모델의 유효성이 기준에 미달하는 경우 상기 제2예측 모델을 생성하는 단계에서 복수의 제1예측 모델 및 제2예측 모델을 다시 생성하도록 신호를 전송하는 단계를 포함하는, 심층 신경망 기반 전력 수요 예측 방법.
In the deep neural network-based power demand prediction method by the deep neural network-based power demand prediction device,
pre-processing data for predicting power demand;
generating a plurality of independent first prediction models for each data type using the preprocessed data, and generating a second prediction model by merging the plurality of first prediction models;
predicting an amount of power demand by using the plurality of generated first prediction models and the second prediction models;
Evaluating the validity of the plurality of first prediction models and the second prediction model based on the prediction accuracy according to the result of pre-processing the data and the prediction of the power demand,
The step of evaluating the effectiveness,
The recent rate of change of the preprocessed weather observation and weather forecast data exceeds a threshold, or the recent rate of change of the weather observation and weather forecast data changes from negative to positive or positive to negative, or the plurality of first prediction models and the second prediction When it includes at least one of a case in which the average of the prediction accuracy of the model decreases for a specific day continuously, or when the time at which the plurality of first prediction models and the second prediction model are generated exceeds one week, the plurality of first prediction models and determining the validity of the second prediction model. and
generating the second predictive model when the validity of the plurality of first predictive models and the second predictive model is evaluated and the validity of the plurality of first predictive models and the second predictive model do not meet a criterion; A method for predicting power demand based on a deep neural network, comprising: transmitting a signal to regenerate the plurality of first predictive models and second predictive models.
제10항에 있어서,
상기 전력 수요량을 예측하기 위한 데이터는 기상 관측 데이터, 기상 예보 데이터, 송전 부하 데이터, AMI(Advanced Metering Infrastructure) 전력 사용량 데이터, 발전단 부하 데이터 및 사회 통계 지표를 포함하는 심층 신경망 기반 전력 수요 예측 방법.
11. The method of claim 10,
The data for predicting the power demand is a deep neural network-based power demand prediction method including weather observation data, weather forecast data, transmission load data, AMI (Advanced Metering Infrastructure) power usage data, power generation end load data, and social statistical indicators.
제10항에 있어서,
상기 복수의 제1예측 모델은 다음날의 최대 전력 수요량을 예측하기 위한 모델로, 장·단기 기억(Long-Short Term Memory) 심층 신경망으로 구성되는 심층 신경망 기반 전력 수요 예측 방법.
11. The method of claim 10,
The plurality of first prediction models are models for predicting the maximum power demand for the next day, and a deep neural network-based power demand prediction method comprising a long-short term memory deep neural network.
제10항에 있어서,
상기 제2예측 모델은 다음날의 시간대별 최대 전력 수요량을 예측하기 위한 모델로, 밀집(Dense) 심층 신경망으로 구성되는 심층 신경망 기반 전력 수요 예측 방법.
11. The method of claim 10,
The second prediction model is a model for predicting the maximum power demand for each time period of the next day, and a deep neural network-based power demand prediction method comprising a dense deep neural network.
제10항에 있어서, 상기 제2예측 모델을 생성하는 단계는,
상기 전력 수요량을 예측하기 위한 데이터를 정규화하여 0부터 1까지의 분포를 가지는 값으로 변환하여 각 데이터 종류별로 독립된 상기 복수의 제1예측 모델을 생성하는 심층 신경망 기반 전력 수요 예측 방법.
The method of claim 10, wherein the generating of the second predictive model comprises:
A deep neural network-based power demand prediction method for generating the plurality of independent first prediction models for each data type by normalizing the data for predicting the power demand and converting it into a value having a distribution from 0 to 1.
제10항에 있어서, 상기 제2예측 모델을 생성하는 단계는,
전처리된 데이터들 중 최근 한달의 데이터를 제외한 다른 데이터들을 이용하여 상기 복수의 제1예측 모델 및 상기 제2예측 모델을 학습하고, 전처리된 데이터들 중 최근 한달의 데이터들을 이용하여 상기 복수의 제1예측 모델 및 상기 제2예측 모델을 검증하는 심층 신경망 기반 전력 수요 예측 방법.
The method of claim 10, wherein the generating of the second predictive model comprises:
The plurality of first prediction models and the second prediction models are learned using data other than the data of the most recent month among the preprocessed data, and the plurality of first prediction models are learned using data of the most recent month among the preprocessed data. A deep neural network-based power demand prediction method for verifying a prediction model and the second prediction model.
제10항에 있어서, 상기 전력 수요량을 예측하는 단계는,
상기 복수의 제1예측 모델을 이용하여 다음날 최대 전력 수요량을 예측한 결과를 제2예측 모델을 이용하여 시간대별 최대 전력 수요량을 예측한 결과에 반영하여 최대 전력 수요량의 값을 보정하는 심층 신경망 기반 전력 수요 예측 방법.
The method of claim 10, wherein predicting the power demand comprises:
Deep neural network-based power to correct the value of the maximum power demand by reflecting the result of predicting the maximum power demand for the next day using the plurality of first prediction models to the result of predicting the maximum power demand for each time period using the second prediction model How to forecast demand.
삭제delete삭제delete

Images