1 |
1
AMI 데이터 예측 모델 생성 장치에 있어서,스마트 미터링 장치와 통신하여 AMI 데이터를 획득하는 통신부; 및프로세서를 포함하고,상기 프로세서는,AMI 데이터의 적시성 지표 및 불안정성 지표를 결정하고, 상기 적시성 지표 및 불안정성 지표를 기초로 데이터의 배치 크기를 결정하고,결정된 배치 크기에 기초하여 실시간 AMI 데이터를 상기 통신부를 통해 획득하고,상기 획득한 AMI 데이터와 이전 예측 모델 학습에 사용된 AMI 데이터 간의 데이터 시변 특성 변화에 따라 학습 방법을 결정하고,결정된 학습 방법 및 상기 획득한 실시간 AMI 데이터에 기초하여 AMI 데이터 예측 모델을 학습시키는, AMI 데이터 예측 모델 생성 장치
|
2 |
2
제1항에 있어서,상기 프로세서는,입력되는 AMI 데이터가 학습에 반영되기까지 걸리는 지연 시간의 합에 기초하여 상기 적시성 지표를 결정하는, AMI 데이터 예측 모델 생성 장치
|
3 |
3
제2항에 있어서,상기 프로세서는, 수학식 (여기서, 는 적시성 지표, 은 i번째 학습에 사용되는 데이터집합의 크기이고, 는 데이터가 입력되는 시간의 차이를 나타냄)에 기초하여 상기 적시성 지표를 결정하는, AMI 데이터 예측 모델 생성 장치
|
4 |
4
제3항에 있어서,상기 프로세서는,업데이트에 사용될 데이터의 크기와 최근 L번의 온라인 학습 누적 오류량에 기초하여 상기 불안정성 지표를 결정하는, AMI 데이터 예측 모델 생성 장치
|
5 |
5
제4항에 있어서,상기 프로세서는,수학식 (여기서, 는 불안정성 지표이고, 는 j-1번째 학습된 AMI 데이터 예측 모델의 출력값이고, xk,yk는 실제 입력된 데이터 값임)에 기초하여 상기 불안정성 지표를 결정하는, AMI 데이터 예측 모델 생성 장치
|
6 |
6
제5항에 있어서,상기 프로세서는,i번째 모델의 학습을 위한 목적 함수를 수학식 (는 i번째 모델에서 데이터의 배치 크기를 나타내는 x에 대한 함수이고, 는 사전에 정의된 균형 하이퍼 파라미터)로 결정하고, 상기 목적 함수의 값을 최소로 하는 x 값을 배치 크기로 결정하는, AMI 데이터 예측 모델 생성 장치
|
7 |
7
제1항에 있어서,상기 프로세서는, 상기 획득한 AMI 데이터와 이전 예측 모델 학습에 사용된 AMI 데이터 간의 코사인 유사도를 결정하고,상기 코사인 유사도에 기초하여 상기 학습 방법을 결정하는, AMI 데이터 예측 모델 생성 장치
|
8 |
8
제7항에 있어서,상기 프로세서는,수학식 (는 코사인 유사도이고, 는 상기 획득한 AMI 데이터이고, 는 이전 예측 모델 학습에 사용된 AMI 데이터임)에 기초하여 상기 코사인 유사도를 결정하는, AMI 데이터 예측 모델 생성 장치
|
9 |
9
제7항에 있어서,상기 프로세서는,상기 결정된 코사인 유사도가 미리 설정된 값보다 큰 경우 최대 허용 에폭 반복수만큼 학습하도록 하고,상기 결정된 코사인 유사도가 미리 설정된 값보다 작은 경우 최소 에폭 반복수만큼 학습하고, 학습 전과 후의 AMI 데이터 예측 모델간의 유클리드 거리가 임계값보다 작다면 학습을 종료하고, 유클리드 거리가 임계값보다 크다면 다시 상기 최소 에폭반복수만큼 학습을 재수행하도록 학습 방법을 결정하는, AMI 데이터 예측 모델 생성 장치
|
10 |
10
AMI 데이터 예측 모델 생성 방법에 있어서,AMI 데이터의 적시성 지표와 불안정성 지표를 결정하는 단계;상기 적시성 지표 및 불안정성 지표를 기초로 데이터의 배치 크기를 결정하는 단계;결정된 배치 크기에 기초하여 실시간 AMI 데이터를 획득하는 단계;상기 획득한 AMI 데이터와 이전 예측 모델 학습에 사용된 AMI 데이터 간의 데이터 시변 특성 변화에 따라 학습 방법을 결정하는 단계; 및결정된 학습 방법 및 획득한 실시간 AMI 데이터에 기초하여 AMI 데이터 예측 모델을 학습시키는, AMI 데이터 예측 모델 생성 방법
|
11 |
11
제10항에 있어서,상기 적시성 지표와 불안정성 지표를 결정하는 단계는,입력되는 AMI 데이터가 학습에 반영되기까지 걸리는 지연 시간의 합에 기초하여 상기 적시성 지표를 결정하는, AMI 데이터 예측 모델 생성 방법
|
12 |
12
제11항에 있어서,상기 적시성 지표와 불안정성 지표를 결정하는 단계는,수학식 (여기서, 는 적시성 지표, 은 i번째 학습에 사용되는 데이터집합의 크기이고, 는 데이터가 입력되는 시간의 차이를 나타냄)에 기초하여 상기 적시성 지표를 결정하는, AMI 데이터 예측 모델 생성 방법
|
13 |
13
제12항에 있어서,상기 적시성 지표와 불안정성 지표를 결정하는 단계는,업데이트에 사용될 데이터의 크기와 최근 L번의 온라인 학습 누적 오류량에 기초하여 상기 불안정성 지표를 결정하는, AMI 데이터 예측 모델 생성 방법
|
14 |
14
제13항에 있어서,상기 적시성 지표와 불안정성 지표를 결정하는 단계는,수학식 (여기서, 는 불안정성 지표이고, 는 j-1번째 학습된 AMI 데이터 예측 모델의 출력값이고, xk,yk는 실제 입력된 데이터 값임)에 기초하여 상기 불안정성 지표를 결정하는, AMI 데이터 예측 모델 생성 방법
|
15 |
15
제14항에 있어서,상기 배치 크기를 결정하는 단계는, i번째 모델의 학습을 위한 목적 함수를 수학식 (는 i번째 모델에서 데이터의 배치 크기를 나타내는 x에 대한 함수이고, 는 사전에 정의된 균형 하이퍼 파라미터)로 결정하고, 상기 목적 함수의 값을 최소로 하는 x 값을 배치 크기로 결정하는, AMI 데이터 예측 모델 생성 방법
|
16 |
16
제15항에 있어서,상기 학습 방법을 결정하는 단계는, 상기 획득한 AMI 데이터와 이전 예측 모델 학습에 사용된 AMI 데이터 간의 코사인 유사도를 결정하고,상기 코사인 유사도에 기초하여 상기 학습 방법을 결정하는, AMI 데이터 예측 모델 생성 방법
|
17 |
17
제16항에 있어서,상기 학습 방법을 결정하는 단계는, 수학식 (는 코사인 유사도이고, 는 상기 획득한 AMI 데이터이고, 는 이전 예측 모델 학습에 사용된 AMI 데이터임)에 기초하여 상기 코사인 유사도를 결정하는, AMI 데이터 예측 모델 생성 방법
|
18 |
18
제16항에 있어서,상기 학습 방법을 결정하는 단계는, 상기 결정된 코사인 유사도가 미리 설정된 값보다 큰 경우 최대 허용 에폭 반복수만큼 학습하도록 하고,상기 결정된 코사인 유사도가 미리 설정된 값보다 작은 경우 최소 에폭 반복수만큼 학습하고, 학습 전과 후의 AMI 데이터 예측 모델간의 유클리드 거리가 임계값보다 작다면 학습을 종료하고, 유클리드 거리가 임계값보다 크다면 다시 상기 최소 에폭반복수만큼 학습을 재수행하도록 학습 방법을 결정하는, AMI 데이터 예측 모델 생성 방법
|