| 1 |
1
미리 정의된 미니 배치 크기를 기반으로 복수 개의 미니 배치 데이터로 나누어진 신재생 에너지 생산량 측정 스트림 데이터와 전력 소비량 측정 스트림 데이터를 네트워크 모델로 학습 및 추론하여 전력 소비량 예측 스트림 데이터와 신재생 에너지 전력 생산량 예측 스트림 데이터를 생성하는 전력 예측기; 및 상기 전력 예측기로부터 전력 소비량 예측 스트림 데이터, 신재생 에너지 전력 소비량 예측 스트림 데이터, 전력 소비량 측정 스트림 데이터, 및 신재생 에너지 전력 소비량 측정 스트림 데이터를 입력받아, 전력 소비량 예측 스트림 데이터와 전력 소비량 측정 스트림 데이터 간의 일치도, 및 신재생 에너지 전력 생산량 예측 스트림 데이터와 신재생 에너지 전력 생산량 측정 스트림 데이터 간의 일치도를 계산하여 상기 네트워크 모델의 정확도를 도출하고, 상기 네트워크 모델의 정확도에 따라 상기 네트워크 모델의 가중치를 갱신하여 상기 네트워크 모델의 정확도를 개선하는 온라인 딥러닝 관리기를 포함하는 신재생 에너지 전력 공급량 및 전력 사용량의 실시간 예측을 위한 온라인 딥러닝 장치
|
| 2 |
2
제 1 항에 있어서, 상기 전력 예측기는 신재생 에너지 측정 스트림 데이터와 전력 소비량 측정 스트림 데이터를 피드포워드 연산하는 컨벌루션 네트워크; 및상기 컨벌루션 네트워크에 의해 피드포워드 연산을 거친 신재생 에너지 측정 스트림 데이터와 전력 소비량 측정 스트림 데이터를 학습하여, 전력 소비량 예측 스트림 데이터 및 신재생 에너지 전력 생산량 예측 스트림 데이터를 생성하는 장단디 메모리 네트워크를 포함하는 것을 특징으로 하는 신재생 에너지 전력 공급량 및 전력 사용량의 실시간 예측을 위한 온라인 딥러닝 장치
|
| 3 |
3
제 2 항에 있어서, 상기 온라인 딥러닝 관리기는 상기 전력 예측기로부터 입력된 전력 소비량 예측 스트림 데이터, 신재생 에너지 전력 소비량 예측 스트림 데이터, 전력 소비량 측정 스트림 데이터, 및 신재생 에너지 전력 소비량 측정 스트림 데이터를 저장하는 스트림 스토리지; 전력 소비량 예측 스트림 데이터와 전력 소비량 측정 스트림 데이터 간의 일치도, 및 신재생 에너지 전력 생산량 예측 스트림 데이터와 신재생 에너지 전력 생산량 측정 스트림 데이터 간의 일치도를 계산하여 상기 네트워크 모델의 상기 정확도를 도출하는 네트워크 모델 에러 검출기;상기 네트워크 모델 에러 검축기에 의해 도출된 상기 네트워크 모델의 상기 정확도에 따라 상기 네트워크 모델의 가중치를 갱신하는 네트워크 모델 가중치 갱신 트리거; 및상기 네트워크 모델 에러 검출기에 의한 상기 네트워크 모델의 가중치의 실제 갱신 수행 비율을 기반으로 학습을 수행할 스트림 데이터의 길이를 결정하는 스케일러를 포함하는 것을 특징으로 하는 신재생 에너지 전력 공급량 및 전력 사용량의 실시간 예측을 위한 온라인 딥러닝 장치
|
| 4 |
4
제 3 항에 있어서, 상기 네트워크 모델 에러 검출기는 상기 스트림 스토리지에 저장된 전력 소비량 예측 스트림 데이터와 전력 소비량 측정 스트림 데이터, 및 신재생 에너지 전력 생산량 예측 스트림 데이터와 신재생 에너지 전력 생산량 측정 스트림 데이터에 대한 유클리디안 거리를 계산하고, 계산된 유클리디안 거리를 기 설정된 임계값과 비교하는 것을 특징으로 하는 신재생 에너지 전력 공급량 및 전력 사용량의 실시간 예측을 위한 온라인 딥러닝 장치
|
| 5 |
5
제 4 항에 있어서, 상기 네트워크 모델 가중치 갱신 트리거는 상기 스트림 스토리지에 저장된 전력 소비량 예측 스트림 데이터와 전력 소비량 측정 스트림 데이터, 및 신재생 에너지 전력 생산량 예측 스트림 데이터와 신재생 에너지 전력 생산량 측정 스트림 데이터에 대한 유클리디안 거리 중 적어도 하나가 임계값 보다 크면 상기 네트워크 모델의 가중치를 갱신하는 것을 특징으로 하는 신재생 에너지 전력 공급량 및 전력 사용량의 실시간 예측을 위한 온라인 딥러닝 장치
|
| 6 |
6
제 3 항에 있어서, 상기 네트워크 모델 가중치 갱신 트리거는 전력 소비량 예측 스트림 데이터, 신재생 에너지 전력 소비량 예측 스트림 데이터, 전력 생산량 측정 스트림 데이터, 및 신재생 에너지 전력 생산량 예측 스트림 데이터에 대한 기존 네트워크 모델의 가중치와 최근 네트워크 모델의 가중치를 비교하여 비교 결과에 따라 상기 네트워크 모델의 가중치를 갱신하는 것을 특징으로 하는 신재생 에너지 전력 공급량 및 전력 사용량의 실시간 예측을 위한 온라인 딥러닝 장치
|
| 7 |
7
제 6 항에 있어서, 상기 네트워크 모델 가중치 갱신 트리거는 최종 갱신된 네트워크 모델의 가중치의 손실 함수값과 기존의 네트워크 모델의 가중치의 손실 함수값을 비교하여 비교 결과에 따라 상기 네트워크 모델의 정확도가 개선되었는지를 판단하는 것을 특징으로 하는 신재생 에너지 전력 공급량 및 전력 사용량의 실시간 예측을 위한 온라인 딥러닝 장치
|
| 8 |
8
제 7 항에 있어서, 상기 네트워크 모델 가중치 갱신 트리거는 최종 갱신된 네트워크 모델의 가중치의 손실 함수값이 기존의 네트워크 모델의 가중치의 손실 함수값 보다 작으면 상기 네트워크 모델의 정확도가 개선된 것으로 판단하는 것을 특징으로 하는 신재생 에너지 전력 공급량 및 전력 사용량의 실시간 예측을 위한 온라인 딥러닝 장치
|
| 9 |
9
제 3 항에 있어서, 상기 온라인 딥러닝 관리기는 상기 네트워크 모델 갱신 트리거에 의해 갱신된 상기 네트워크 모델의 가중치를 상기 전력 예측기의 상기 네트워크 모델에 반영하는 것을 특징으로 하는 신재생 에너지 전력 공급량 및 전력 사용량의 실시간 예측을 위한 온라인 딥러닝 장치
|
| 10 |
10
제 1 항에 있어서, 상기 온라인 딥러닝 관리기는 전력 공급량과 전력 수요량 별로 상기 네트워크 모델을 별도로 관리하여 학습 및 추론하는 것을 특징으로 하는 신재생 에너지 전력 공급량 및 전력 사용량의 실시간 예측을 위한 온라인 딥러닝 장치
|
