머신러닝을 이용한 제주도 전력수요 예측
Forecasting electricity demand of Jeju island using machine learning
1
조회
0
다운로드
2
인용
0
참고문헌
키워드
초록
제주도는 ‘탄소없는 섬 2030’ 비전 선언 이후 태양광 및 풍력 등의 재생에너지를 빠르게 보급하고 있다. 출력 조절을 할 없는 간헐성 재생에너지가 도입됨에 따라 안정적인 전력 공급을 위해 정확한 시간대별 전력수요 패턴 예측이 필요하다. 본 연구는 전통적인 선형 회귀 모형 및 결정 트리, 랜덤 포레스트, 서포트 벡터 회귀, 심층 신경망 등의 머신러닝 기법을 이용하여 제주도 전력수요를 예측하였다. 예측에 고려되는 변수로는 태양광 및 풍력 발전에 영향을 미치는 기온, 풍속, 습도, 전운량 등이다. 예측 모형의 적합성 테스트 결과, 심층 신경망 모형이 MAPE 3.04로 성능이 가장 좋은 것으로 나타났다. 따라서 심층 신경망 모형을 이용하여 봄, 여름, 가을, 겨울 사계절과 평일, 주말, 휴일 등 총 12개의 시나리오에 대해서 전력 패턴을 추정하였다. 추정 결과는 여름에는 상대적으로 덕커브 현상이 잘 관측되지 않고 봄, 가을 평일에 덕커브 현상이 두드러짐을 보여준다. 제주의 기상 예측 자료와 본 연구에서 제안된 예측 모형을 활용할 경우 제주의 미래 전력수요를 예측함으로써 안정적인 전력 수급에 기여할 것으로 기대된다.
Abstract
Jeju Island is rapidly distributing renewable energy such as solar and wind power after declaring its vision of ‘Carbon Free Island 2030’. As variable renewable energy, which cannot control output, is introduced, it is necessary to accurately predict power demand patterns by time period for stable power supply. In this study, electricity demand in Jeju Island was predicted using traditional linear regression models and machine learning techniques such as decision trees, ransom forests, support vector regression, and deep learning. Variables considered for forecasting include temperature, wind speed, humidity, and total cloudiness that affect solar and wind power generation. As a result of the goodness-of-fit test of the forecasting model, the deep learning model showed the best performance with MAPE 3.04. Therefore, power patterns were estimated for a total of 12 scenarios, including spring, summer, fall, winter, weekdays, weekends, and holidays, using a deep learning model. The estimation results show that the duck curve phenomenon is not observed relatively well in summer, and it is prominent on weekdays in spring and autumn. If Jeju's meteorological forecast data and the forecast model proposed in this study are used, it is expected to contribute to stable electricity supply and demand by predicting Jeju's future electricity demand.
참고문헌 (14)
- 제10차 전력수급기본계획 (2022~2036), "산업통상자원부", ~ (2023)
- 신동하, "하계 전력수요 예측을 위한 딥 러닝 입력 패턴에 관한 연구", 한국정보기술학회논문지, 14(11), pp.127~134 (2016), 한국정보기술학회[DOI]
- 박종배, "주말 전력수요 예측을 위한 머신러닝 알고리즘 적용 연구", 전기학회논문지, 71(11), pp.1578~1584 (2022), 대한전기학회
- 전기자동차 배터리 활용 스테이션 구축 및 스마트 충·방전 시스템 개발 실증, "에너지경제연구원", 에너지기술평가원, ~ (2023)
- 이경재, "심층신경망 모형을 활용한 대중교통 이용자의 환승시간 추정에 관한 연구", 한국ITS학회 논문지, 19(1), pp.32~43 (2020), 한국ITS학회[DOI]
- 탁해성, "지역 기상 정보를 활용한 단기 전력 수요 예측 모델", 한국콘텐츠학회 논문지, 16(11), pp.488~498 (2016), 한국콘텐츠학회[DOI]
- "한국전력거래소" (2023)[URL]
- Ahmad, T., "Nonlinear autoregressive and random forest approaches to forecasting elec-tricity load for utility energy management systems", Sustainable Cities and Society, 45, pp.460~473 (2019)
- Al-Hamadi, H. M., "Long-term", mid-term electric load forecasting based on short-term correlation and annual growth, 2005, pp.74(3), 353~361
- Azadeh, A., "Annual electricity consumption forecasting by neural network in high energy consuming industrial sectors", Energy Conversion and Management, 49(8), pp.2272~2278 (2008)
- Bianco, V., "Electricity consumption forecasting in Italy using linear re-gression models", Energy, 34(9), pp.1413~1421 (2009)
- Dong, B., "Applying support vector machines to predict building energy con-sumption in tropical region", Energy and Buildings, 37(5), pp.545~553 (2005)
- Kaytez, F., "Forecasting electricity consumption : A comparison of regression analysis, neural networks and least squares support vector machines", International Journal of Electrical Power & Energy Systems, 67, pp.431~438 (2015)
- Neto, A. H., "Comparison between detailed model simulation and artificial neural network for forecasting building energy consumption", Energy and Buildings, 40(12), pp.2169~2176 (2008)