센서를 이용해 하나의 시설, 또는 동종 또는 이종의 시설 별로 주기적 전력 수요 데이터를 측정 및 수집하는 단계;프로세서에 의해 전력 수요 데이터의 빈도수에 따라 데이터에 다른 가중치를 부여하여 가중치 반영 전력 수요 데이터를 형성하는 단계;전력 수요 예측부에 의해 가중치 반영 전력 수요 데이터를 이용한 RNN 계 딥러닝에 의해 전력 수요 예측 모델을 형성하는 단계; 그리고 상기 전력 수요 예측 모델에 예측 대상 라벨 또는 인덱스 정보를 이용해 해당 라벨 또는 인덱스의 전력 수요 예측 값을 추출하는 단계;를 포함하며,상기 가중치 반영 전력 수요 데이터(x')를 형성하는 단계는 아래 003c#식003e#의 가중치 함수에 의해 수행되는, 전력 수요 예측 방법.003c#식003e#W : 벡터 행렬x ;로데이터(raw data)n: 특정 기간의 일련 번호 또는 수t : 해당 기간 또는 특정 기간의 데이터의 일련 번호 또는 서수b : 바이어스 계수

제1항에 있어서,상기 딥러닝은 LSTM을 기반으로 상기 전력 수요 예측모델을 형성하는 전력 수요 예측 방법.

제1항에 있어서,LSTM의 하이퍼파라미터 설정(hyper-parameter setting)함에 있어서, 은닉층(hidden layer)의 수는 3개, 노드(node)의 수는 10개, 러닝레이트(learning rate)은 0.01, 이터레이션(iteration) 수는 180로 설정하는, 전력 수요 예측 방법.

제2항에 있어서,LSTM 계층(layer)의 활성화 함수(activation function) 및 최적화 알고리즘으로 tanh(hyperbolic tangent) 와 확률적 경사하강(stochastic gradient descent, SGD)을 각각 적용하는, 전력 수요 예측 방법.

제2항에 있어서,LSTM 계층의 손실 함수로 MSE(mean square error)를 적용하는, 전력 수요 예측 방법.

제1항 내지 제5항 중의 어느 한 항에 있어서,상기 딥러닝은 GPU를 사용하는 DL4J(deeplearning4J)를 적용하는, 전력 수요 예측 방법.

삭제

제1항 내지 제5항 중의 어느 한 항에 기재된 전력 수요 예측 방법을 수행하는 전력 수요 예측 장치에 있어서,하나의 시설, 또는 동종 또는 이종의 시설 별로 주기적 전력 수요 데이터를 측정 및 수집하는 센서;상기 전력 수요 데이터의 빈도수에 따라 데이터에 다른 가중치를 부여하여 가중치 반영 전력 수요 데이터를 형성하는 프로세서;상기 가중치 반영 전력 수요 데이터를 이용한 RNN 계 딥러닝에 의해 전력 수요 예측 모델을 형성하고, 상기 전력 수요 예측 모델에 예측 대상 라벨 또는 인덱스 정보를 이용해 해당 라벨 또는 인덱스의 전력 수요 예측 값을 추출하는 소프트웨어 형태의 전력 수요 예측부;상기 전력 수요 예측부를 저장하는 저장장치;상기 프로세서에 의해 사용되는 메모리;상기 전력 수요 예측부에 의한 처리 결과를 표시하는 디스플레이;를 구비하는 전력 수요 예측 장치.

제8항에 있어서,상기 전력 수요 예측 장치:는 GPU(Graphic Processing Unit)를 더 포함하며, 전력 수요 예측부는 상기 GPU를 이용하는 DL4J를 적용하는, 전력 수요 예측 장치.

삭제

삭제

제8항에 있어서,소프트웨어 형태의 전력 수요 예측부는 단일 소프트웨어 또는 기능별로 분리된 모듈 형태의 복수의 소프트웨어의 그룹에 의해 구현되는, 전력 수요 예측 장치.