공동주택 전력 소비 데이터 분석 및 딥러닝을 사용한 전력 소비 예측
Analysis of Apartment Power Consumption and Forecast of Power Consumption Based on Deep Learning
0
조회
0
다운로드
5
인용
0
참고문헌
키워드
초록
에너지의 생산 효율성을 증가시키기 위해 최근 스마트그리드 기술 중 지능형 검침 시스템(AMI, advanced meteringinfrastructure)의 개발이 활발히 진행되고 있다. 전력 소비 데이터를 분석하고 소비 패턴을 예측하는 일은 AMI에서 핵심적인 부분이다. 본 논문에서는 수집된 전력 소비 데이터를 분석하고 발생할 수 있는 오류들을 정리하였으며 소비 패턴을 월별로 k-means 군집화 알고리즘을 사용하여 분석하였다. 또한 deep neural network를 이용하여 소비 패턴을 예측하였는데, 가구별 하루 전력 사용량 예측의 어려움을 극복하기 위하여 전력 사용량을 100개의 군집으로 분류하여 이 군집의 하루 평균으로 다음날 군집의 평균을 예측하였다. 실제 AMI에서의 전력 데이터를 사용하여 오류들을 분석하였으며 군집화 방법을 도입하여 성공적으로 전력 소비 예측이 가능하였다.
Abstract
In order to increase energy efficiency, developments of the advanced metering infrastructure (AMI) in the smart gridtechnology have recently been actively conducted. An essential part of AMI is analyzing power consumption andforecasting consumption patterns. In this paper, we analyze the power consumption and summarized the data errors. Monthly power consumption patterns are also analyzed using the k-means clustering algorithm. Forecasting theconsumption pattern by each household is difficult. Therefore, we first classify the data into 100 clusters and thenpredict the average of the next day as the daily average of the clusters based on the deep neural network. Usingpractically collected AMI data, we analyzed the data errors and could successfully conducted power forecasting basedon a clustering technique.
참고문헌 (14)
- 명노길, "한전의 지능형 원격검침 시스템에 대한 연구", 한국통신학회논문지B, 35(8), pp.1251~1258 (2010), 한국통신학회
- 정준홍, "AMI 시스템의 효과적인 계량정보 수집방법", 한국통신학회논문지, 43(8), pp.1311~1320 (2018), 한국통신학회[DOI]
- Dong Kim, "Statistical Learning for Service Quality Estimation in Broadband PLC AMI", Energies, 12(4), pp.684~ (2019), MDPI AG[DOI]
- S. M. Jeong, "A consideration on the value evaluation of AMI data as big data", Proc. KIEE Summer Conf., pp.45~46 (2014)
- Y. I. Kim, "Apparatus and method for data processing of energy management system", Proc. KIEE Summer Conf., pp.192~193 (2014)
- J. H. Chow, "Power Electronics and Power Systems", pp.269~285 (2005), Springer
- Aldo Goia, "Functional clustering and linear regression for peak load forecasting", International Journal of Forecasting, 26(4), pp.700~711 (2010), Elsevier BV[DOI]
- N. Amral, "Short term load forecasting using multiple linear regression", IEEE Trans. UPEC, 42, pp.1192~1198 (2007)[DOI]
- T. Hossen, "Short-term load forecasting using deep neural networks(DNN)", IEEE Trans. NAPS, 1, pp.1~6 (2017)[DOI]
- B. A. Smith, "A simple way to use interval data to segment residential customers for energy efficiency and demand response program targeting", ACEEE Proc., 5, pp.374~386 (2012)
- H. H. Bock, "Selected Contributions in Data Analysis and Classification", pp.161~172 (2007)
- Aristidis Likas, "The global k-means clustering algorithm", Pattern Recognition, 36(2), pp.451~461 (2003), Elsevier BV[DOI]
- D.C. Park, "Electric load forecasting using an artificial neural network", IEEE Transactions on Power Systems, 6(2), pp.442~449 (1991), Institute of Electrical and Electronics Engineers (IEEE)[DOI]
- T.W.S. Chow, "Neural network based short-term load forecasting using weather compensation", IEEE Transactions on Power Systems, 11(4), pp.1736~1742 (1996), Institute of Electrical and Electronics Engineers (IEEE)[DOI]