| 1 |
1
배전선로 부하에 대한 실측데이터를 전처리하는 실측데이터 전처리 모듈;상기 실측데이터 전처리 모듈에 의해 전처리된 실측데이터의 데이터 집합에 대한 클러스터링을 통해 학습데이터 집합을 생성하는 학습데이터 필터 모듈; 상기 학습데이터 필터 모듈에 의해 생성된 학습데이터 집합을 이용하여 기계학습 기반 추론 모델을 학습하는 추론모델 학습 모듈; 상기 실측데이터 전처리 모듈에 의해 전처리된 실측데이터로부터 통계 자료를 추출하고 추출된 통계 자료로부터 연간 트렌드를 추출하는 통계자료 추출 모듈; 및목표로 하는 예측 기간에 대한 입력 데이터를 생성하고, 상기 입력 데이터를 이용한 상기 추론모델 학습 모듈의 기계학습 기반 추론 모델로부터 예측 데이터를 생성하고, 상기 통계자료 추출 모듈에서 추출된 상기 통계 자료를 이용하여 배전선로 부하예측 데이터를 생성하는 하이브리드 부하예측 모듈을 포함하는 하이브리드형 배전선로 부하예측 장치
|
| 2 |
2
제 1 항에 있어서, 상기 전처리 모듈은 상기 실측데이터에 대한 데이터 정렬 동작, 스파이크(Spike) 데이터 제거 동작, 및 누락 또는 NaN(Not a number) 데이터 채우기 동작 중에서 적어도 하나를 수행하는 것을 특징으로 하는 하이브리드형 배전선로 부하예측 장치
|
| 3 |
3
제 1 항에 있어서, 상기 학습데이터 필터 모듈은 기 설정된 설정시간 동안의 데이터 집합에 대한 클러스터링을 통해 이상 데이터를 필터링하여 학습데이터를 생성하는 것을 특징으로 하는 하이브리드형 배전선로 부하예측 장치
|
| 4 |
4
제 3 항에 있어서, 상기 학습데이터 필터 모듈은 상기 설정시간 동안의 데이터 집합을 생성하여 클러스터링 동작을 수행하고, 클러스터링을 실시한 후 각 클래스별 소속 데이터 수를 계산하며, 소속 데이터가 가장 많은 클래스에 속한 데이터부터 시작해서 지정된 범위 이상을 포함할 때까지 클래스의 데이터를 학습데이터 집합으로 선정하는 것을 특징으로 하는 하이브리드형 배전선로 부하예측 장치
|
| 5 |
5
제 1 항에 있어서, 상기 기계학습 기반 추론 모델은 과거 실측데이터를 기반으로 입력데이터를 생성하여 학습하는 모델인 것을 특징으로 하는 하이브리드형 배전선로 부하예측 장치
|
| 6 |
6
제 1 항에 있어서, 상기 기계학습 기반 추론 모델은 정기적인 재학습을 수행하는 것을 특징으로 하는 하이브리드형 배저선로 부하예측 장치
|
| 7 |
7
제 1 항에 있어서, 상기 기계학습 기반 추론 모델은 이전에 학습된 추론모델 학습 결과 데이터를 재사용하도록 하는 것을 특징으로 하는 하이브리드형 배전선로 부하예측 장치
|
| 8 |
8
제 1 항에 있어서, 상기 기계학습 기반 추론 모델은 러닝 커브(Learning Curve)를 모니터링하여 학습 향상 정도의 포화 지점(Saturation Point) 감지결과 일정 수준 이상의 향상이 없으면 조기 중지(Early Stopping)하는 것을 특징으로 하는 하이브리드형 배전선로 부하예측 장치
|
| 9 |
9
제 1 항에 있어서, 상기 하이브리드 부하예측 모듈은 상기 추론모델 학습 모듈의 예측에 의한 결과 데이터와 상기 실측데이터 전처리 모듈의 실측데이터로부터 추출된 통계자료를 통합하여 연간 부하예측 데이터를 생성하는 것을 특징으로 하는 하이브리드형 배전선로 부하예측 장치
|
| 10 |
10
제 9 항에 있어서, 상기 하이브리드 부하예측 모듈은 상기 연간 트렌드 및 경제성장률 중 적어도 하나를 상기 연간 부하예측 데이터에 적용하여 다년 간의 배전선로 부하예측 데이터를 생성하는 것을 특징으로 하는 하이브리드형 배전선로 부하예측 방법
|
| 11 |
11
실측데이터 전처리 모듈이 배전선로 부하에 대한 실측데이터를 전처리하는 단계; 학습데이터 필터 모듈이 상기 실측데이터 전처리 모듈에 의해 전처리된 실측데이터의 데이터 집합에 대한 클러스터링을 통해 학습데이터 집합을 생성하는 단계; 추론모델 학습 모듈이 상기 학습데이터 필터 모듈에 의해 생성된 학습데이터 집합을 이용하여 기계학습 기반 추론 모델을 학습하는 단계; 통계자료 추출 모듈이 상기 실측데이터 전처리 모듈에 의해 전처리된 실측데이터로부터 통계 자료를 추출하고 추출된 통계 자료로부터 연간 트렌드를 추출하는 단계; 및하이브리드 부하예측 모듈이 목표로 하는 예측 기간에 대한 입력 데이터를 생성하고, 상기 입력 데이터를 이용한 상기 추론모델 학습 모듈의 기계학습 기반 추론 모델로부터 예측 데이터를 생성하고, 상기 통계자료 추출 모듈에서 추출된 상기 통계 자료를 이용하여 배전선로 부하예측 데이터를 생성하는 단계를 포함하는 하이브리드형 배전선로 부하예측 방법
|
| 12 |
12
제 11 항에 있어서, 상기 실측데이터를 전처리하는 단계는 상기 실측데이터에 대한 데이터 정렬 동작, 스파이크(Spike) 데이터 제거 동작, 및 누락 또는 NaN(Not a number) 데이터 채우기 동작 중에서 적어도 하나를 수행하는 것을 특징으로 하는 하이브리드형 배전선로 부하예측 방법
|
| 13 |
13
제 11 항에 있어서, 상기 학습데이터 집합을 생성하는 단계는 기 설정된 설정시간 동안의 데이터 집합에 대한 클러스터링을 통해 이상 데이터를 필터링하여 학습데이터를 생성하는 것을 특징으로 하는 하이브리드형 배전선로 부하예측 방법
|
| 14 |
14
제 13 항에 있어서, 상기 학습데이터 집합을 생성하는 단계는 상기 설정시간 동안의 데이터 집합을 생성하여 클러스터링 동작을 수행하고, 클러스터링을 실시한 후 각 클래스별 소속 데이터 수를 계산하며, 소속 데이터가 가장 많은 클래스에 속한 데이터부터 시작해서 지정된 범위 이상을 포함할 때까지 클래스의 데이터를 학습데이터 집합으로 선정하는 것을 특징으로 하는 하이브리드형 배전선로 부하예측 방법
|
| 15 |
15
제 11 항에 있어서, 상기 기계학습 기반 추론 모델은 과거 실측데이터를 기반으로 입력데이터를 생성하여 학습하는 모델인 것을 특징으로 하는 하이브리드형 배전선로 부하예측 방법
|
| 16 |
16
제 11 항에 있어서, 상기 기계학습 기반 추론 모델은 정기적인 재학습을 수행하는 것을 특징으로 하는 하이브리드형 배저선로 부하예측 방법
|
| 17 |
17
제 11 항에 있어서, 상기 기계학습 기반 추론 모델은 이전에 학습된 추론모델 학습 결과 데이터를 재사용하도록 하는 것을 특징으로 하는 하이브리드형 배전선로 부하예측 방법
|
| 18 |
18
제 11 항에 있어서,상기 기계학습 기반 추론 모델은 러닝 커브(Learning Curve)를 모니터링하여 학습 향상 정도의 포화 지점(Saturation Point) 감지결과 일정 수준 이상의 향상이 없으면 조기 중지(Early Stopping)하는 것을 특징으로 하는 하이브리드형 배전선로 부하예측 방법
|
| 19 |
19
제 11 항에 있어서, 상기 배전선로 부하예측 데이터를 생성하는 단계는 상기 추론모델 학습 모듈의 예측에 의한 결과 데이터와 상기 실측데이터 전처리 모듈의 실측데이터로부터 추출된 통계자료를 통합하여 연간 부하예측 데이터를 생성하는 것을 특징으로 하는 하이브리드형 배전선로 부하예측 방법
|
| 20 |
20
제 19 항에 있어서, 상기 배전선로 부하예측 데이터를 생성하는 단계는 상기 연간 트렌드 및 경제성장률 중 적어도 하나를 상기 연간 부하예측 데이터에 적용하여 다년 간의 배전선로 부하예측 데이터를 생성하는 것을 특징으로 하는 하이브리드형 배전선로 부하예측 방법
|
