전력선통신 시스템을 위한 딥 러닝 기반 전력량 예측 기법
Power Consumption Prediction Scheme Based on Deep Learning for Powerline Communication Systems
0
조회
0
다운로드
3
인용
0
참고문헌
키워드
초록
최근 전력 사용량의 증가로 인한 대규모 블랙아웃 등 에너지 문제가 대두되고 있으며, 이 문제들로 인해 전력 소비량 예측에 대한 정확도를 개선할 필요성이 부각되었다. 본 연구에서는 딥 러닝 기반의 전력 사용량 예측 실험을 통해서 실제 전력 소비량과 예측된 전력 소비량의 차이를 계산하고, 이를 통해서 전력 예비율을 기존 대비 하향 조정할 수 있는 가능성에 대해서 살펴본다. 예비 전력은 사용하지 않으면 손실되는 전력으로, 본 논문에서의 딥 러닝 기반 전력 소비량 예측을 통해서 여분의 전력을 과도하게 생산하지 않도록 오차범위 내에서 전력 예비율을 감소시킬 수 있는 기반을 마련할 수 있다. 본 논문에서 사용하는 딥 러닝 기법은 시계열 데이터를 처리하는 Long-Short-Term-Memory(LSTM) 구조의 학습 모델을 이용한다. 컴퓨터 시뮬레이션에서는 임의 생성한 전력 소비 데이터를 토대로 모델을 학습시키고, 학습된 모델을 토대로 전력 사용 예측값을 구하고 실제 전력 소비량 간에 오차를 계산한 결과 오차율 21.37%를 얻을 수 있었다. 이는 최근의 전력 예비율 45.9%를 고려할 때, 본 연구에서 제안한 전력 소비량 예측 알고리즘을 적용하는 경우 20% 포인트 정도의 예비율 감축이 가능하다.
Abstract
Recently, energy issues such as massive blackout due to increase in power consumption have been emerged, and it is necessary to improve the accuracy of prediction of power consumption as a solution for these problems. In this study, we investigate the difference between the actual power consumption and the predicted power consumption through the deep learning- based power consumption forecasting experiment, and the possibility of adjusting the power reserve ratio. In this paper, the prediction of the power consumption based on the deep learning can be used as a basis to reduce the power reserve ratio so as not to excessively produce extra power. The deep learning method used in this paper uses a learning model of long-short-term-memory (LSTM) structure that processes time series data. In the computer simulation, the generated power consumption data was learned, and the power consumption was predicted based on the learned model. We calculate the error between the actual and predicted power consumption amount, resulting in an error rate of 21.37%. Considering the recent power reserve ratio of 45.9%, it is possible to reduce the reserve ratio by 20% when applying the power consumption prediction algorithm proposed in this study.
참고문헌 (14)
- S. Kalyanaraman, "Back to the future: lessons for internet of energy networks", IEEE Internet Computing, 20(1), pp.60~65 (2016)[DOI]
- Y. J. Lin, "A power line communication network infrastructure for the smart home", IEEE Wireless Communications, 9(6), pp.104~111 (2002)[DOI]
- 송경빈, "시간대별 기온을 이용한 전력수요예측 알고리즘 개발", 전기학회논문지, 63(4), pp.451~454 (2014), 대한전기학회[DOI]
- 송경빈, "단기수요예측 알고리즘", 전기학회논문지 A권, 53(10-A), pp.529~535 (2004), 대한전기학회
- 공성일, "온도에 대한 민감도를 고려한 하절기 일 최대전력수요 예측", 전기학회논문지 A권, 53(6(A)), pp.358~364 (2004), 대한전기학회
- S. B. Kong, "Short-term load forecasting for weekdays using a big data analysis", Proc. of 2015 Spring Conference of KIEE, pp.144~145 (2015)
- 이학노, "전력피크의 추정 및 예측에 대한 연구", 에너지경제연구, 9(2), pp.83~99 (2010), 재단법인 에너지경제연구원[DOI]
- I. Goodfellow, "Deep Learning" (2016), MIT Press
- S. P. Kim, "Deep Learning First Step" (2016), Hanbit media
- K. Greff, "LSTM: a search space odyssey", IEEE Trans. Neural Networks and Learning Systems, 28(10), pp.2222~2232 (2017)[DOI]
- H. Salehinejad, "Recent advances in recurrent neural networks", ~
- A. Krizhevsky, "Imagenet classification with deep convolutional neural networks", Proc. of the 25th International Conference on Neural Information Processing Systems, pp.1097~1105 (2012)
- P. Sibi, "Analysis of different a activation function using back propagation neural networks", Journal of Theoretical and Applied Information Technology (JATIT), 47(3), pp.1264~1268 (2013)
- Z. Wang, "Mean squared error: love it or leave it? a new look at signal fidelity Measures", IEEE Signal Processing Magazine, 26(1), pp.98~117 (2009)[DOI]