본문 바로가기
KERD
논문KCI 등재

기온 데이터를 반영한 전력수요 예측 딥러닝 모델

Electric Power Demand Prediction Using Deep Learning Model with Temperature Data

윤협상|정석봉
한국정보처리학회|2022.07|정보처리학회 논문지 (The Transactions of the Korea Information Processing Society)|제11권 제7호|pp. 307-314

0

조회

0

다운로드

2

인용

0

참고문헌

키워드

딥러닝Deep Learning기온 데이터전력수요 예측웨이브넷Electric Power Demand PredictionWaveNetTemperature Data
주제분류컴퓨터학

초록

최근 전력수요를 예측하기 위해 통계기반 시계열 분석 기법을 대체하기 위해 딥러닝 기법을 활용한 연구가 활발히 진행되고 있다. 딥러닝 기반전력수요 예측 연구 결과를 분석한 결과, LSTM 기반 예측 모델의 성능이 우수한 것으로 규명되었으나 장기간의 지역 범위 전력수요 예측에 대해LSTM 기반 모델의 성능이 충분하지 않음을 확인할 수 있다. 본 연구에서는 기온 데이터를 반영하여 24시간 이전에 전력수요를 예측하는 WaveNet기반 딥러닝 모델을 개발하여, 실제 사용하고 있는 통계적 시계열 예측 기법의 정확도(MAPE 값 2%)보다 우수한 예측 성능을 달성하는 모델을개발하고자 한다. 먼저 WaveNet의 핵심 구조인 팽창인과 1차원 합성곱 신경망 구조를 소개하고, 전력수요와 기온 데이터를 입력값으로 모델에주입하기 위한 데이터 전처리 과정을 제시한다. 다음으로, 개선된 WaveNet 모델을 학습하고 검증하는 방법을 제시한다. 성능 비교 결과, WaveNet기반 모델에 기온 데이터를 반영한 방법은 전체 검증데이터에 대해 MAPE 값 1.33%를 달성하였고, 동일한 구조의 모델에서 기온 데이터를 반영하지않는 것(MAPE 값 2.31%)보다 우수한 전력수요 예측 결과를 나타내고 있음을 확인할 수 있다.

Abstract

Recently, researches using deep learning-based models are being actively conducted to replace statistical-based time series forecasttechniques to predict electric power demand. The result of analyzing the researches shows that the performance of the LSTM-basedprediction model is acceptable, but it is not sufficient for long-term regional-wide power demand prediction. In this paper, we proposea WaveNet deep learning model to predict electric power demand 24-hour-ahead with temperature data in order to achieve the predictionaccuracy better than MAPE value of 2% which statistical-based time series forecast techniques can present. First of all, we illustrate adelated causal one-dimensional convolutional neural network architecture of WaveNet and the preprocessing mechanism of the inputdata of electric power demand and temperature. Second, we present the training process and walk forward validation with the modifiedWaveNet. The performance comparison results show that the prediction model with temperature data achieves MAPE value of 1.33%,which is better than MAPE Value (2.33%) of the same model without temperature data.

참고문헌 (23)

  1. G. Kim, "Forecasting strategy for hydropower power market price by power demand analysis and forecast", Proceedings of the KIEE Conference, pp.656~657 (2011)
  2. 김광호, "원-핫 인코딩을 이용한 딥러닝 단기 전력수요 예측모델", 전기전자학회논문지, 23(3), pp.852~857 (2019), 한국전기전자학회[DOI]
  3. T. Hong, "Modeling and forecasting hourly electric load by multiple linear regression with interactions", Proceedings of the IEEE Power and Energy Society General Meeting, pp.1~8 (2010)
  4. T. Hong, "A naïve multiple linear regression benchmark for short term load forecasting", Proceedings of the IEEE Power and Energy Society General Meeting, 2, pp.1~6 (2011)
  5. A. Karim, "Electricity load forecasting in UTP using moving averages and exponential smoothing techniques", Applied Mathematical Sciences, 7(77-80), pp.4003~4014 (2013)
  6. S. Hochreiter, "Long short-term memory", Neural Computation, 9(8), pp.1735~1780 (1997)
  7. K. Cho, "Learning phrase representations using RNN encoder-decoder for statistical machine translation", Proceedings of Empirical Methods in Natural Language Processing, pp.1724~1734 (2014)
  8. 이동구, "인공지능 기반 전력량예측 기법의 비교", 한국인터넷방송통신학회 논문지, 19(4), pp.161~167 (2019), 한국인터넷방송통신학회[DOI]
  9. J. Lee, "A study on short-term electricity demand prediction using stacking ensemble of machine learning and deep learning ensemble models", Proceedings of ACK 2021, 28(2), pp.566~569 (2021)
  10. 이승우, "심층강화학습 기반 분산형 전력 시스템에서의 수요와 공급 예측을 통한 전력 거래시스템", 한국인터넷방송통신학회 논문지, 21(6), pp.163~171 (2021), 한국인터넷방송통신학회[DOI]
  11. 박준호, "특수일 분리와 예측요소 확장을 이용한 전력수요 예측 딥 러닝 모델", 한국항행학회논문지, 21(4), pp.365~370 (2017), 한국항행학회[DOI]
  12. 최정곤, "전력 거래량 예측에서의 머신 러닝 성능 비교", 한국전자통신학회 논문지, 14(5), pp.943~950 (2019), 한국전자통신학회[DOI]
  13. 탁해성, "지역 기상 정보를 활용한 단기 전력 수요 예측 모델", 한국콘텐츠학회 논문지, 16(11), pp.488~498 (2016), 한국콘텐츠학회[DOI]
  14. A. van den Oord, "WaveNet : A generative model for raw audio", arXiv preprint arXiv : 1609. 03499, ~ (2016)
  15. 윤협상, "WaveNet과 Work Forward Validation을 활용한 시계열 데이터 분석", 한국시뮬레이션학회 논문지, 30(4), pp.1~8 (2021), 한국시뮬레이션학회[DOI]
  16. I. E. Livieris, "A CNN–LSTM model for gold price time-series forecasting", Neural Computing and Applications, 32(23), pp.17351~17360 (2020)
  17. A. Tealab, "Time series forecasting using artificial neural networks methodologies : A systematic review", Future Computing and Informatics Journal, 3(2), pp.334~340 (2018)
  18. 문지훈, "효과적인 결측치 보완을 통한 다층 퍼셉트론 기반의전력수요 예측 기법", 정보처리학회 논문지, 8(2), pp.67~78 (2019), 한국정보처리학회[DOI]
  19. "KMA Weather Data Service"[URL]
  20. T. T. Ngoc, "Grid search of multilayer perceptron based on the walk-forward validation methodology", International Journal of Electrical and Computer Engineering, 11(2), pp.1742~1751 (2021)
  21. J. Bergstra, "Algorithms for hyper-parameter optimization", Proceedings of 25th Annual Conference on Neural Information Processing Systems, pp.1~9 (2011)
  22. "A TensorFlow implementation of DeepMind's WaveNet paper" (2022)[URL]
  23. D. Masters, "Revisiting small batch training for deep neural networks", arXiv preprint arXiv:1804.07612, 1~18 (2018)

관련 논문AI추천

딥러닝을 이용한 열 수요예측 모델 개발서한석, 신광섭사)한국빅데이터학회 · 한국빅데이터학회 학회지2018 · 제3권 제2호단기 전력 부하 첨두치 예측을 위한 심층 신경회로망 모델황희수한국융합학회 · 한국융합학회논문지2018 · 제9권 제5호푸리에 변환 기반 시간변수를 이용한 하계 전력수요 예측김성주, 김영순, 설현욱, 신재호, 장병호, 조종권, 조한별한국컴퓨터정보학회 · 한국컴퓨터정보학회논문지2024 · 제29권 제11호양방향 LSTM을 활용한 전력수요 데이터 예측 기법 연구고상준, 신동명, 윤호영한국소프트웨어감정평가학회 · 한국소프트웨어감정평가학회 논문지2018 · 제14권 제1호TCN 딥러닝 모델을 이용한 최대전력 예측에 관한 연구이정일한국정보처리학회 · 정보처리학회 논문지2023 · 제12권 제6호에너지인터넷에서 1D-CNN과 양방향 LSTM을이용한 에너지 수요예측김수현, 김진영, 선영규, 송승호, 심이삭, 오상근, 이동구, 정호철, 황유민한국전기전자학회 · 전기전자학회논문지2019 · 제23권 제1호

이 간행물의 다른 논문 (4건)

구성가능한 소프트웨어 제품라인 시험에서 코드 커버리지 측정한수빈, 이지현, 고서연pp. 273-282사용성 개선을 위한 블록체인기반 선하증권 거래 시스템 연구성채민, 김정민, 이주영, 김현아, 김성욱pp. 283-290한국어에서 의존 구문분석을 위한 구묶음의 활용남궁영, 김재훈pp. 291-298주기성을 갖는 입출력 데이터의연관성 분석을 통한 회귀 모델 학습 방법박예슬, 이정원, 김혜진pp. 299-306
원문 보기