| 1 |
1
특정 건물의 각 층 및 상기 각 층 별로 상이하게 구획된 복수의 관리 구역 별로 에너지의 소비 전력을 예측하기 위한 학습 데이터를 수집하는 단계;서로 다른 분류 알고리즘을 사용하는 기본 예측 모델에 적용된 학습 데이터에서 랜덤하게 추출되는 복수의 샘플 데이터를 적용하여 특정 건물의 전력 부하를 예측하기 위한 앙상블 학습을 수행하는 단계;앙상블 학습이 수행된 복수의 샘플 데이터를 결과 데이터로 결합하여 부하 예측 모델에 따른 결과 데이터를 재 학습하는 단계; 및재 학습된 결과 데이터를 이용하여 복수의 층을 포함하는 특정 건물의 전체, 특정 건물의 각 층 또는, 상기 각 층에 구획된 복수의 관리 구역별 중 적어도 하나에서 서로 다르게 소비되는 에너지의 소비 전력을 시간대 별로 예측하는 단계;를 포함하고,상기 재 학습하는 단계는,상기 서로 다른 분류 알고리즘 중 제1 알고리즘이 적용된 샘플 데이터의 가중치를 제2 알고리즘이 적용된 샘플 데이터의 가중치로 활용함으로써, 앙상블 학습이 수행된 복수의 샘플 데이터를 순차적으로 결합하여 결과 데이터로 생성하는 단계; 및상기 생성된 결과 데이터를 구성하는 샘플 데이터의 가중치에 대한 의존도를 고려하여 상기 의존도에 따른 부하 예측 모델을 통해 상기 결과 데이터를 생성하는 단계의 학습에 대한 해석으로써, 상기 결과 데이터를 재 학습하는 단계를 포함하는 에너지 소비 예측 방법
|
| 2 |
2
제1항에 있어서,상기 학습 데이터를 수집하는 단계는,특정 건물의 각 층에 구획된 복수의 관리 구역 별로 설치되는 적어도 하나의 부하 기기에서 N 분 간격으로 사용된 소비 전력 데이터;상기 복수의 관리 구역 별 내부의 온도, 비교 습도, 주변광 중 적어도 하나를 포함하는 내부 환경 데이터;내부 환경 데이터를 수집한 시점에서의 특정 건물의 실외 환경 데이터; 및 소정 기간의 날짜·시간에 관한 공휴일 데이터;중 적어도 하나를 포함하는 학습 데이터를 수집하는 에너지 소비 예측 방법
|
| 3 |
3
제2항에 있어서,상기 학습 데이터를 수집하는 단계는,통합 지표면 시간별(ISH: Incorporated Surface Hourly)로 제공되는 일별 요소를 고려하여 외부 환경 데이터 및 공휴일 데이터를 수집하는 에너지 소비 예측 방법
|
| 4 |
4
제1항에 있어서,상기 앙상블 학습을 수행하는 단계는,학습 데이터에서 랜덤하게 복수의 샘플 데이터를 추출하는 단계; 및기본 예측 모델에 포함된 서로 다른 분류 알고리즘 각각에 복수의 샘플 데이터를 적용하여 앙상블 학습을 수행하는 단계;를 포함하는 에너지 소비 예측 방법
|
| 5 |
5
제4항에 있어서,상기 복수의 샘플 데이터를 추출하는 단계는,학습 데이터로부터 순열 형태를 갖는 n개의 고유 트리를 생성하고, 생성된 n개의 고유 트리의 레벨에 따른 복수의 샘플 데이터를 추출하는 에너지 소비 예측 방법
|
| 6 |
6
삭제
|
| 7 |
7
삭제
|
| 8 |
8
제1항에 있어서,상기 샘플 데이터를 순차적으로 결합하는 단계는,샘플 데이터들의 가중치에 따른 샘플 데이터에 각각 적용된 제1 알고리즘과 제2 알고리즘 간의 오차를 보완하여 복수의 샘플 데이터를 순차적으로 결합하는 에너지 소비 예측 방법
|
| 9 |
9
특정 건물의 각 층 및 상기 각 층 별로 상이하게 구획된 복수의 관리 구역 별로 소비 전력 데이터 및 내부 환경 데이터를 수집하는 단계;내부 환경 데이터를 수집한 시점에서의 특정 건물의 실외 환경 데이터 및 소정 기간의 날짜·시간에 관한 공휴일 데이터를 수집하는 단계;학습 데이터로부터 랜덤하게 복수의 샘플 데이터를 생성하는 단계;기본 예측 모델에 포함된 서로 다른 분류 알고리즘 각각에 복수의 샘플 데이터를 적용하여 특정 건물의 전력 부하를 예측하기 위한 앙상블 학습을 수행하는 단계;앙상블 학습된 복수의 샘플 데이터를 결과 데이터로 결합하여 부하 예측 모델에 따른 결과 데이터를 재 학습하는 단계; 및재 학습된 결과 데이터를 이용하여 복수의 층을 포함하는 특정 건물의 전체, 특정 건물의 각 층 또는, 상기 각 층에 구획된 복수의 관리 구역별 중 적어도 하나에서 서로 다르게 소비되는 에너지의 소비 전력을 시간대 별로 예측하는 단계;를 포함하고,상기 재 학습하는 단계는,상기 서로 다른 분류 알고리즘 중 제1 알고리즘이 적용된 샘플 데이터의 가중치를 제2 알고리즘이 적용된 샘플 데이터의 가중치로 활용함으로써, 앙상블 학습이 수행된 복수의 샘플 데이터를 순차적으로 결합하여 결과 데이터로 생성하는 단계; 및상기 생성된 결과 데이터를 구성하는 샘플 데이터의 가중치에 대한 의존도를 고려하여 상기 의존도에 따른 부하 예측 모델을 통해 상기 결과 데이터를 생성하는 단계의 학습에 대한 해석으로써, 상기 결과 데이터를 재 학습하는 단계를 포함하는 에너지 소비 예측 방법
|
| 10 |
10
제9항에 있어서,상기 소비 전력 데이터 및 내부 환경 데이터를 수집하는 단계는,i) 특정 건물의 각 층에 구획된 복수의 관리 구역 별로 설치되는 적어도 하나의 부하 기기에서 N 분 간격으로 사용된 소비 전력 데이터, 및 ii) 복수의 관리 구역 별 내부의 온도, 비교 습도, 주변광 중 적어도 하나를 포함하는 내부 환경 데이터를 수집하는 에너지 소비 예측 방법
|
| 11 |
11
제9항에 있어서,상기 공휴일 데이터를 수집하는 단계통합 지표면 시간별 일별 정보에 기초하여 온도, 이슬점, 해수면, 기압, 풍속 중 적어도 하나의 기상 매개 변수를 이용하여 상기 시점에서의 특정 건물의 실외 환경 데이터를 수집하는 에너지 소비 예측 방법
|
| 12 |
12
제9항에 있어서,상기 복수의 샘플 데이터를 추출하는 단계는,학습 데이터로부터 순열 형태를 갖는 n개의 고유 트리를 생성하고, 생성된 n개의 고유 트리의 레벨에 따른 복수의 샘플 데이터를 추출하는 에너지 소비 예측 방법
|
| 13 |
13
삭제
|
| 14 |
14
제9항에 있어서,상기 결과 데이터를 재 학습하는 단계는,복수의 샘플 데이터에 각각 부여된 가중치를 기반으로 서로 다른 분류 알고리즘 간의 오차를 보완하여 순차적으로 복수의 샘플 데이터를 결과 데이터로 결합하는 에너지 소비 예측 방법
|
| 15 |
15
에너지 소비 예측 방법을 수행하는 컴퓨팅 장치에 있어서,상기 컴퓨팅 장치는 프로세서를 포함하고,상기 프로세서는,특정 건물의 각 층 및 상기 각 층 별로 상이하게 구획된 복수의 관리 구역 별로 에너지의 소비 전력을 예측하기 위한 학습 데이터를 수집하고,서로 다른 분류 알고리즘을 사용하는 기본 예측 모델에 적용된 학습 데이터에서 랜덤하게 추출되는 복수의 샘플 데이터를 적용하여 특정 건물의 전력 부하를 예측하기 위한 앙상블 학습을 수행하고,앙상블 학습이 수행된 복수의 샘플 데이터를 결과 데이터로 결합하여 부하 예측 모델에 따른 결과 데이터를 재 학습하고,재 학습된 결과 데이터를 이용하여 복수의 층을 포함하는 특정 건물의 전체, 특정 건물의 각 층 또는, 상기 각 층에 구획된 복수의 관리 구역별 중 적어도 하나에서 서로 다르게 소비되는 에너지의 소비 전력을 시간대 별로 예측하며,상기 결과 데이터를 재 학습함에 있어,상기 서로 다른 분류 알고리즘 중 제1 알고리즘이 적용된 샘플 데이터의 가중치를 제2 알고리즘이 적용된 샘플 데이터의 가중치로 활용함으로써, 앙상블 학습이 수행된 복수의 샘플 데이터를 순차적으로 결합하여 결과 데이터로 생성하고,상기 생성된 결과 데이터를 구성하는 샘플 데이터의 가중치에 대한 의존도를 고려하여 상기 의존도에 따른 부하 예측 모델을 통해 상기 결과 데이터를 생성하는 단계의 학습에 대한 해석으로써, 상기 결과 데이터를 재 학습하는 컴퓨팅 장치
|
| 16 |
16
에너지 소비 예측 방법을 수행하는 컴퓨팅 장치에 있어서,상기 컴퓨팅 장치는 프로세서를 포함하고,상기 프로세서는,특정 건물의 각 층 및 상기 각 층 별로 상이하게 구획된 복수의 관리 구역 별로 소비 전력 데이터 및 내부 환경 데이터를 수집하고,내부 환경 데이터를 수집한 시점에서의 특정 건물의 실외 환경 데이터 및 소정 기간의 날짜·시간에 관한 공휴일 데이터를 수집하고,학습 데이터로부터 랜덤하게 복수의 샘플 데이터를 생성하고,기본 예측 모델에 포함된 서로 다른 분류 알고리즘 각각에 복수의 샘플 데이터를 적용하여 특정 건물의 전력 부하를 예측하기 위한 앙상블 학습을 수행하고,앙상블 학습된 복수의 샘플 데이터를 결과 데이터로 결합하여 부하 예측 모델에 따른 결과 데이터를 재 학습하고,재 학습된 결과 데이터를 이용하여 복수의 층을 포함하는 특정 건물의 전체, 특정 건물의 각 층 또는, 상기 각 층에 구획된 복수의 관리 구역별 중 적어도 하나에서 서로 다르게 소비되는 에너지의 소비 전력을 시간대 별로 예측하고,상기 결과 데이터를 재 학습함에 있어,상기 서로 다른 분류 알고리즘 중 제1 알고리즘이 적용된 샘플 데이터의 가중치를 제2 알고리즘이 적용된 샘플 데이터의 가중치로 활용함으로써, 앙상블 학습이 수행된 복수의 샘플 데이터를 순차적으로 결합하여 결과 데이터로 생성하고,상기 생성된 결과 데이터를 구성하는 샘플 데이터의 가중치에 대한 의존도를 고려하여 상기 의존도에 따른 부하 예측 모델을 통해 상기 결과 데이터를 생성하는 단계의 학습에 대한 해석으로써, 상기 결과 데이터를 재 학습하는 컴퓨팅 장치
|
