| 1 |
1
소정 기간의 날짜/시간 정보, 날씨 정보, 전력 사용량 데이터를 수집하는 데이터 수집부;수집된 데이터들을 특징 추출하고 및 최대 최소 정규화를 포함하는 전처리를 수행하는 데이터 전처리부; 및 상기 전처리된 입력 데이터들을 심층 신경망 기반으로 2개 이상의 서로 다른 층수를 가지는 단위 예측 모델들에 적용하고, 상기 각 단위 예측 모델들이 도출한 예측값들로부터 최종 예측값을 산출하는 예측 모델링부를 포함하는 스태킹 앙상블 타입 단기 전력수요 예측 장치
|
| 2 |
2
제1항에 있어서,상기 예측 모델링부는, 최소 은닉 계층을 가지는 기본 단위 예측모델에 대한 학습을 수행하는 기본 단위 예측모델 학습부;학습이 완료된 기본 단위 예측모델로부터, 은닉 계층이 증가된 하나 이상의 부가 단위 예측모델들을 도출하여, 상기 기본 단위 예측모델과 상기 부가 단위 예측모델들로 구성된 다중 예측모델을 생성하는 다중 예측모델 구성부; 및상기 기본 단위 예측모델과 상기 부가 단위 예측모델들의 각 개별 예측값들을 스태킹 앙상블 처리하여 최종 예측값을 산출하는 앙상블 예측부를 포함하는 단기 전력수요 예측 장치
|
| 3 |
3
제2항에 있어서,상기 기본 단위 예측모델 및 상기 부가 단위 예측모델들은 심층 신경망(Deep Neural Network) 모델인 단기 전력수요 예측 장치
|
| 4 |
4
제3항에 있어서,상기 앙상블 예측부는,슬라이딩 윈도우 기반으로, 상기 부가 단위 예측모델들의 각 개별 예측값들에 대하여, 주성분(Principal Component)들을 추출한 후 이 주성분들을 이용해서 회귀 모델을 만드는 주성분 회귀분석을 수행하는 단기 전력수요 예측 장치
|
| 5 |
5
제2항에 있어서,상기 앙상블 예측부는,상기 기본 단위 예측모델 및 상기 부가 단위 예측모델들에 대한 가중치들이 전력수요 예측 운영시에 계속 학습된 값으로 보정되도록 슬라이딩 윈도우를 적용하여 스태킹 앙상블 처리하는 단기 전력수요 예측 장치
|
| 6 |
6
제1항에 있어서,상기 데이터 전처리부는,1차원의 시간 정보를 2차원 회전 좌표계로 증강하되,요일과 공휴일의 정보는, 공휴일에 해당하는 날에는 1, 그렇지 않을 때는 0으로 표기하는 단기 전력수요 예측 장치
|
| 7 |
7
제1항에 있어서,상기 데이터 전처리부는,예측 시점의 전력 사용량과 예측 시점의 과거 시점 전력 사용량 간의 연관성을 파악하기 위해 피어슨 상관계수를 적용하는 단기 전력수요 예측 장치
|
| 8 |
8
제1항에 있어서,수집된 데이터 또는 전처리된 데이터와 학습 결과값들이 저장되는 저장부를 더 포함하는 단기 전력수요 예측 장치
|
| 9 |
9
제1항에 있어서,상기 기본 단위 예측모델 및 부가 단위 예측모델들에 대한 가중치들은, 대상 건물에 대한 전력수요 예측 운영시에 계속 학습된 값으로 보정되는 단기 전력수요 예측 장치
|
| 10 |
10
소정 기간의 기상 정보 및 전력 사용량 데이터를 수집하는 단계; 수집된 데이터들을 특징 추출하고 및 최대 최소 정규화를 포함하는 전처리를 수행하는 단계;최소 은닉 계층을 가지는 기본 단위 예측모델에 대한 학습을 수행하는 단계;학습이 완료된 기본 단위 예측모델로부터, 은닉 계층이 증가된 하나 이상의 부가 단위 예측모델들을 도출하여, 상기 기본 단위 예측모델과 상기 부가 단위 예측모델들로 구성된 다중 예측모델을 구성하는 단계;상기 기본 단위 예측모델과 상기 부가 단위 예측모델들의 각 개별 예측값들을 스태킹 앙상블 처리하여 최종 예측값을 산출하는 단계를 포함하는 스태킹 앙상블 타입 단기 전력수요 예측 방법
|
| 11 |
11
제10항에 있어서,상기 기본 단위 예측모델 및 상기 부가 단위 예측모델들은 심층 신경망(Deep Neural Network) 모델인 단기 전력수요 예측 방법
|
| 12 |
12
제10항에 있어서,상기 최종 예측값을 산출하는 단계에서는,슬라이딩 윈도우 기반으로, 상기 부가 단위 예측모델들의 각 개별 예측값들에 대하여, 주성분(Principal Component)들을 추출한 후 이 주성분들을 이용해서 회귀 모델을 만드는 주성분 회귀분석을 수행하는 단기 전력수요 예측 방법
|
| 13 |
13
제10항에 있어서,상기 최종 예측값을 산출하는 단계에서는,상기 기본 단위 예측모델 및 상기 부가 단위 예측모델들에 대한 가중치들이 전력수요 예측 운영시에 계속 학습된 값으로 보정되도록 슬라이딩 윈도우를 적용하여 스태킹 앙상블 처리하는 단기 전력수요 예측 방법
|
| 14 |
14
제10항에 있어서,상기 전처리를 수행하는 단계에서는,1차원의 시간 정보를 2차원 회전 좌표계로 증강하되,요일과 공휴일의 정보는, 공휴일에 해당하는 날에는 1, 그렇지 않을 때는 0으로 표기하는 단기 전력수요 예측 방법
|
| 15 |
15
제10항에 있어서,상기 전처리를 수행하는 단계에서는,예측 시점의 전력 사용량과 예측 시점의 과거 시점 전력 사용량 간의 연관성을 파악하기 위해 피어슨 상관계수를 적용하는 단기 전력수요 예측 방법
|
| 16 |
16
제10항에 있어서,상기 기본 단위 예측모델 및 부가 단위 예측모델들에 대한 가중치들은, 대상 건물에 대한 전력수요 예측 운영시에 계속 학습된 값으로 보정되는 단기 전력수요 예측 방법
|
