1 |
1
온라인 공공 데이터인 API로부터 전력수요 예측을 위한 기상요소들의 데이터를 수집하는 단계;수집된 데이터의 결측 데이터를 보완하는 단계;보완된 데이터를 입력으로 하는 합성곱 신경망인 CNN을 통해 예측인자간 상관관계를 분석하여 각 구간별로 전력수요 예측에 반영할 예측인자를 선택하는 단계; 및CNN-LSTM과 CNN-GRU의 병렬 구조를 통해 각 구간별로 더 높은 정확도를 가지는 최종적인 전력수요를 선정하는 단계;를 포함하는, CNN을 이용한 전력수요 예측 방법
|
2 |
2
제1항에 있어서, 상기 기상요소들의 데이터는, 시간 및 구간 따른 기상 데이터, 생활기상지수 데이터 및 과거 전력수요 데이터 중 적어도 하나의 데이터를 포함하는, CNN을 이용한 전력수요 예측 방법
|
3 |
3
제1항에 있어서, 상기 기상요소들의 데이터를 수집하는 단계는,데이터의 스케일 차이를 줄이기 위해 수집된 기상요소들의 데이터를 정규화하는 단계;를 포함하는, CNN을 이용한 전력수요 예측 방법
|
4 |
4
제1항에 있어서, 상기 수집된 데이터의 결측 데이터를 보완하는 단계는,데이터 패턴의 오버랩 비율을 통해 결측 데이터 유무를 판단하는 단계; 및결측 데이터의 수가 2개 이하일 경우, 평균 보간법(Mean Interpolation)을 이용하여 결측 데이터를 보완하고, 결측 데이터의 수가 3개 이상일 경우 ARIMA 시계열 예측 모형을 통해 결측 데이터를 보완하는 단계;를 포함하는, CNN을 이용한 전력수요 예측 방법
|
5 |
5
제1항에 있어서, 상기 각 구간별로 전력수요 예측에 반영할 예측인자를 선택하는 단계는,각 구간별로 전력수요 패턴과 예측인자의 패턴을 이미지 처리하여 전력수요 예측에 반영할 인자들을 선택하여 전력수요 예측에 사용하는, CNN을 이용한 전력수요 예측 방법
|
6 |
6
제1항에 있어서, N일 전에 예측한 전력수요 값들을 MAPE 및 RMSE 함수를 통해 오차를 분석하는 단계;를 더 포함하는, CNN을 이용한 전력수요 예측 방법
|
7 |
7
제1항에 있어서, 선택된 예측인자의 샘플링 속도를 통합하기 위해 데이터를 분류하고 리샘플링하는 단계;를 더 포함하는, CNN을 이용한 전력수요 예측 방법
|
8 |
8
제1항 내지 제7항 중 어느 하나의 항에 따른 상기 CNN을 이용한 전력수요 예측 방법을 수행하기 위한 컴퓨터 프로그램이 기록된 컴퓨터로 판독 가능한 저장 매체
|
9 |
9
온라인 공공 데이터인 API로부터 전력수요 예측을 위한 기상요소들의 데이터를 수집하는 데이터 수집부;수집된 데이터의 결측 데이터를 보완하는 데이터 보완부;보완된 데이터를 입력으로 하는 합성곱 신경망인 CNN을 통해 예측인자간 상관관계를 분석하여 각 구간별로 전력수요 예측에 반영할 예측인자를 선택하는 예측인자 선택부; 및CNN-LSTM과 CNN-GRU의 병렬 구조를 통해 각 구간별로 더 높은 정확도를 가지는 최종적인 전력수요를 선정하는 전력수요 예측부;를 포함하는, CNN을 이용한 전력수요 예측 장치
|
10 |
10
제9항에 있어서, 상기 데이터 보완부는,데이터 패턴의 오버랩 비율을 통해 결측 데이터 유무를 판단하고, 결측 데이터의 수가 2개 이하일 경우, 평균 보간법(Mean Interpolation)을 이용하여 결측 데이터를 보완하고, 결측 데이터의 수가 3개 이상일 경우 ARIMA 시계열 예측 모형을 통해 결측 데이터를 보완하는, CNN을 이용한 전력수요 예측 장치
|