| 1 |
1
수용가로부터 수신한 소비 전력에 대한 정보를 시계열적으로 정렬하여 전체 전력 데이터를 생성하는 단계;상기 전체 전력 데이터 중 제1 주기동안의 전력 데이터인 제1 입력 데이터를 수신하는 단계;상기 전체 전력 데이터 중 제2 주기동안의 전력 데이터인 제2 입력 데이터를 수신하는 단계;상기 제1 입력 데이터를 제1 인공 신경망에 입력하여 제1 출력 데이터를 생성하는 단계;상기 제2 입력 데이터를 제2 인공 신경망에 입력하여 제2 출력 데이터를 생성하는 단계; 및상기 제1 출력 데이터 및 상기 제2 출력 데이터에 대한 처리를 수행하여 상기 수용가의 전력 부하를 예측하는 단계를 포함하고,상기 제1 입력 데이터는 A 내지 A+F 시간 사이의 전력 데이터를 포함하고 상기 제1 주기는 F 시간이고,상기 제2 입력 데이터는 A+(M-1)*G 내지 A+M*G 시간 사이의 전력 데이터를 포함하고, 상기 제2 주기는 G 시간이고, G는 F보다 작으며,상기 부하를 예측하는 단계는,미리 기계 학습이 수행된 서버가 상기 제1 출력 데이터 및 상기 제2 출력 데이터에 대한 처리를 수행하여 부하를 예측하는 단계를 포함하고,상기 기계 학습은,상기 기계 학습에 대한 학습 모델을 생성하는 단계;상기 제1 출력 데이터 및 상기 제2 출력 데이터를 기초로 학습 데이터를 생성하는 단계; 및상기 학습 데이터를 기초로 상기 학습 모델의 가중치를 변경하는 단계를 통해 수행되며,상기 학습 모델은, 아래의 수학식을 포함하고,여기에서, 상기 p는 확률 함수이고, 상기 b는 미리 설정된 값이며, 상기 는 미리 설정된 값이고, 상기 는 상기 학습 데이터 중 상기 제1 출력 데이터에 해당하는 데이터이며, 상기 는 상기 학습 데이터 중 상기 제2 출력 데이터에 해당하는 데이터이고, 상기 는 상기 에 대한 가중치이며, 상기 는 상기 에 대한 가중치인, 부하 예측 방법
|
| 2 |
2
청구항 1에 있어서,상기 제1 인공 신경망 및 상기 제2 인공 신경망 중 하나 이상은 LSTM(Long Short Term Memory network)인, 부하 예측 방법
|
| 3 |
3
청구항 1에 있어서,상기 제1 인공 신경망 및 상기 제2 인공 신경망 중 하나 이상은 미리 학습이 수행된, 부하 예측 방법
|
| 4 |
4
청구항 1에 있어서,상기 제1 출력 데이터는 A+F+1 시간의 부하 예측 값을 포함하는, 부하 예측 방법
|
| 5 |
5
청구항 1에 있어서,상기 제2 출력 데이터는 A+M*G+1 시간의 부하 예측 값을 포함하는, 부하 예측 방법
|
| 6 |
6
청구항 1에 있어서,상기 부하를 예측하는 단계는,A+F+1 시간의 부하 예측 값을 포함하는 상기 제1 출력 데이터 및 A+M*G+1 시간의 부하 예측 값을 포함하는 상기 제2 출력 데이터에 대한 처리를 수행하여, 상기 A+F+1 시간의 부하를 예측하는 단계를 포함하는, 부하 예측 방법
|
| 7 |
7
삭제
|
| 8 |
8
청구항 1에 있어서,상기 기계 학습은,로지스틱 회귀 분석(logistic regression) 알고리즘을 기초로 수행되는, 부하 예측 방법
|
| 9 |
9
삭제
|
| 10 |
10
삭제
|
| 11 |
11
프로세서(processor);상기 프로세서에 의해 실행되는 하나 이상의 명령들이 저장된 메모리(memory); 및제1 인공 신경망, 제2 인공 신경망 및 서버를 포함하며,상기 하나 이상의 명령들은,수용가로부터 수신한 소비 전력에 대한 정보를 시계열적으로 정렬하여 전체 전력 데이터를 생성하고;상기 전체 전력 데이터 중 제1 주기동안의 전력 데이터인 제1 입력 데이터를 수신하고;상기 전체 전력 데이터 중 제2 주기동안의 전력 데이터인 제2 입력 데이터를 수신하고;상기 제1 입력 데이터를 상기 제1 인공 신경망에 입력하여 제1 출력 데이터를 생성하고;상기 제2 입력 데이터를 상기 제2 인공 신경망에 입력하여 제2 출력 데이터를 생성하고; 그리고,상기 제1 출력 데이터 및 상기 제2 출력 데이터에 대한 처리를 수행하여 상기 수용가의 전력 부하를 예측하도록 실행되고,상기 제1 입력 데이터는 A 내지 A+F 시간 사이의 전력 데이터를 포함하고, 상기 제1 주기는 F 시간이고,상기 제2 입력 데이터는 A+(M-1)*G 내지 A+M*G 시간 사이의 전력 데이터를 포함하고, 상기 제2 주기는 G 시간이고, G는 F보다 작으며,상기 부하를 예측하는 경우,상기 하나 이상의 명령들은,미리 기계 학습이 수행된 상기 서버가 상기 제1 출력 데이터 및 상기 제2 출력 데이터에 대한 처리를 수행하여 부하를 예측하도록 실행되고,상기 기계 학습을 수행하는 경우,상기 하나 이상의 명령들은,상기 기계 학습에 대한 학습 모델을 생성하고;상기 제1 출력 데이터 및 상기 제2 출력 데이터를 기초로 학습 데이터를 생성하고; 그리고,상기 학습 데이터를 기초로 상기 학습 모델의 가중치를 변경하도록 실행되며,상기 학습 모델은, 아래의 수학식을 포함하고,여기에서, 상기 p는 확률 함수이고, 상기 b는 미리 설정된 값이며, 상기 는 미리 설정된 값이고, 상기 는 상기 학습 데이터 중 상기 제1 출력 데이터에 해당하는 데이터이며, 상기 는 상기 학습 데이터 중 상기 제2 출력 데이터에 해당하는 데이터이고, 상기 는 상기 에 대한 가중치이며, 상기 는 상기 에 대한 가중치인, 부하 예측 장치
|
| 12 |
12
청구항 11에 있어서,상기 제1 인공 신경망 및 상기 제2 인공 신경망 중 하나 이상은 LSTM(Long Short Term Memory network)인, 부하 예측 장치
|
| 13 |
13
청구항 11에 있어서,상기 제1 인공 신경망 및 상기 제2 인공 신경망 중 하나 이상은, 미리 학습이 수행된, 부하 예측 장치
|
| 14 |
14
청구항 11에 있어서,상기 제1 출력 데이터는 A+F+1 시간의 부하 예측 값을 포함하는, 부하 예측 장치
|
| 15 |
15
청구항 11에 있어서,상기 제2 출력 데이터는 A+M*G+1 시간의 부하 예측 값을 포함하는, 부하 예측 장치
|
| 16 |
16
청구항 11에 있어서,상기 부하를 예측하는 경우,상기 하나 이상의 명령들은,A+F+1 시간의 부하 예측 값을 포함하는 상기 제1 출력 데이터 및 A+M*G+1 시간의 부하 예측 값을 포함하는 상기 제2 출력 데이터에 대한 처리를 수행하여, 상기 A+F+1 시간의 부하를 예측하도록 실행되는, 부하 예측 장치
|
| 17 |
17
삭제
|
| 18 |
18
청구항 11에 있어서,상기 기계 학습은,로지스틱 회귀 분석(logistic regression) 알고리즘을 기초로 수행되는, 부하 예측 장치
|
| 19 |
19
삭제
|
| 20 |
20
삭제
|
