매년 꾸준히 증가하고 있는 전력 수요 문제를 해결하기 위하여 전력 공급 설비 및 관련 인프라의 확충이 절실히 필요한 상황이지만 환경 및 지역적 제약 등으로 인하여 현재 어려움을 겪고 있다. 이에 신재생에너지 공급과 같은 적극적인 해결 방안 이외에도 에너지 효율 향상에 대한 관심이 증가함에 따라 공급 측면 이외에도 부하 측면에서의 ...
매년 꾸준히 증가하고 있는 전력 수요 문제를 해결하기 위하여 전력 공급 설비 및 관련 인프라의 확충이 절실히 필요한 상황이지만 환경 및 지역적 제약 등으로 인하여 현재 어려움을 겪고 있다. 이에 신재생에너지 공급과 같은 적극적인 해결 방안 이외에도 에너지 효율 향상에 대한 관심이 증가함에 따라 공급 측면 이외에도 부하 측면에서의 에너지관리 방안에 대한 연구가 활발히 이루어지고 있다.
본 논문에서는 부하 관리를 목적으로 건물의 실제 전력 수요 패턴을 활용한 수요예측 방안과 이를 활용한 에너지저장장치의 운용 방안에 관하여 제시하였다.
실제 측정된 전력부하 데이터를 데이터마이닝 기법의 하나인 계층적 군집분석 (Hierarchical Clustering) 기법을 통하여 군집화를 수행하고, 형성된 군집을 부하의 예측 대상으로 정의하였다. 각각의 예측 대상, 즉 군집 부하 내에 있는 데이터들은 서로 같은 패턴을 가지는 것을 실제 데이터와 이전 연구 결과를 통하여 확인하였으며 이를 바탕으로 건물 부하의 패턴별 전력수요 예측을 실행하였다. 예측에 활용 건물 부하는 평일(월, 화-금), 주말, 연휴 후 주말 및 평일 등을 포함하여 총 7가지 패턴으로 분류되었고 각 패턴별 참조 수요를 바탕으로 24시간, 60분, 15분 단위의 예측을 수행하였다.
그 결과 전체 예측 정확도(APE)는 98% 이상 (일 부하 기준)으로 나타났으나 특수 휴일과 연휴 후 주말과 같이 비업무일 중 특수한 부하 환경이 속한 그룹인 패턴 1과 3에서는 정확도가 떨어지는 것을 확인하였다. 이에 해당 패턴의 전력수요 특성 및 실질적 부하 패턴 분석을 통하여 예측도 하락의 원인을 규명하고, 패턴 1과 3의 예측도를 향상시키기 위하여 해당 패턴의 참조 패턴을 수정하여 재 예측을 시도하였다. 패턴 수정에 의한 예측 정확도는 전체적으로 약 11.5 %(MAPE) 증가함을 볼 수 있었다. 또한 패턴별 오차는 패턴 1의 경우 수정 후 82 %(MAPE), 패턴 3은 77 %(MAPE) 향상되었음을 확인하였다.
해당 예측 기법은 분석하는 데이터의 양이 많을수록 실제 값(실적치)에 근접한 패턴과 참조수요가 만들어지고 이에 따라 예측의 정확도가 높아지는 방식이므로, 본 논문에서는 또한 예측의 정확도를 더욱 빠르게 향상시키기 위하여 오차의 보정을 예측 수행 시간별로 수행하여 최종적으로 대상 건물 부하의 전력수요를 예측하였다.
또한, 보정기법을 기반으로 부하의 불확실성을 반영한 수요예측을 활용하여 직접적인 건물의 부하관리를 위한 에너지저장장치의 운영 사례를 보여줌으로써 보다 적극적인 건물 부하 수요관리 방법을 제시하였다.
매년 꾸준히 증가하고 있는 전력 수요 문제를 해결하기 위하여 전력 공급 설비 및 관련 인프라의 확충이 절실히 필요한 상황이지만 환경 및 지역적 제약 등으로 인하여 현재 어려움을 겪고 있다. 이에 신재생에너지 공급과 같은 적극적인 해결 방안 이외에도 에너지 효율 향상에 대한 관심이 증가함에 따라 공급 측면 이외에도 부하 측면에서의 에너지관리 방안에 대한 연구가 활발히 이루어지고 있다.
본 논문에서는 부하 관리를 목적으로 건물의 실제 전력 수요 패턴을 활용한 수요예측 방안과 이를 활용한 에너지저장장치의 운용 방안에 관하여 제시하였다.
실제 측정된 전력부하 데이터를 데이터마이닝 기법의 하나인 계층적 군집분석 (Hierarchical Clustering) 기법을 통하여 군집화를 수행하고, 형성된 군집을 부하의 예측 대상으로 정의하였다. 각각의 예측 대상, 즉 군집 부하 내에 있는 데이터들은 서로 같은 패턴을 가지는 것을 실제 데이터와 이전 연구 결과를 통하여 확인하였으며 이를 바탕으로 건물 부하의 패턴별 전력수요 예측을 실행하였다. 예측에 활용 건물 부하는 평일(월, 화-금), 주말, 연휴 후 주말 및 평일 등을 포함하여 총 7가지 패턴으로 분류되었고 각 패턴별 참조 수요를 바탕으로 24시간, 60분, 15분 단위의 예측을 수행하였다.
그 결과 전체 예측 정확도(APE)는 98% 이상 (일 부하 기준)으로 나타났으나 특수 휴일과 연휴 후 주말과 같이 비업무일 중 특수한 부하 환경이 속한 그룹인 패턴 1과 3에서는 정확도가 떨어지는 것을 확인하였다. 이에 해당 패턴의 전력수요 특성 및 실질적 부하 패턴 분석을 통하여 예측도 하락의 원인을 규명하고, 패턴 1과 3의 예측도를 향상시키기 위하여 해당 패턴의 참조 패턴을 수정하여 재 예측을 시도하였다. 패턴 수정에 의한 예측 정확도는 전체적으로 약 11.5 %(MAPE) 증가함을 볼 수 있었다. 또한 패턴별 오차는 패턴 1의 경우 수정 후 82 %(MAPE), 패턴 3은 77 %(MAPE) 향상되었음을 확인하였다.
해당 예측 기법은 분석하는 데이터의 양이 많을수록 실제 값(실적치)에 근접한 패턴과 참조수요가 만들어지고 이에 따라 예측의 정확도가 높아지는 방식이므로, 본 논문에서는 또한 예측의 정확도를 더욱 빠르게 향상시키기 위하여 오차의 보정을 예측 수행 시간별로 수행하여 최종적으로 대상 건물 부하의 전력수요를 예측하였다.
또한, 보정기법을 기반으로 부하의 불확실성을 반영한 수요예측을 활용하여 직접적인 건물의 부하관리를 위한 에너지저장장치의 운영 사례를 보여줌으로써 보다 적극적인 건물 부하 수요관리 방법을 제시하였다.
Although the electrical power system needs desperately to expand and improve the power supply facilities and infrastructure for increasing the power demand annually, we have in trouble with an environment or local and social constraints. Therefore interest in energy efficiency is increased as natura...
Although the electrical power system needs desperately to expand and improve the power supply facilities and infrastructure for increasing the power demand annually, we have in trouble with an environment or local and social constraints. Therefore interest in energy efficiency is increased as naturally. And besides the active solutions like a new and renewable energy development, studies in demand side management as well as power supply are performing.
In this paper we study the electrical load forecasting using a real building load pattern for the power management, and check the way to manage the energy storage system with building load forecasting results. We performed the Hierarchical Clustering that is one of the data mining techniques, and clustering results was defined the subjects of load forecasting of this study.
We verified that data in each forecasting subject, load cluster, has similar load pattern each other through the real monitoring values and preceding research analysis, and forecasted the electrical power demand for building basis on that patterns. The building load classified by 7 patterns including the normal weekday (Monday, Tuesday to Friday), normal weekend (Saturday and Sunday), weekday before/after the straight holiday (Monday, Tuesday to Friday), weekend before/after the straight holiday and special holiday such as the new year’s day. And based on the demand for each reference pattern we performed the forecasting as 24 hour, 60 minute and 15 minute units.
As a result, through the total prediction accuracy, which represents by using the APE (Absolute Percent Error), indicated more than 98 %, we catch the some problems that the pattern 1 and 3, which groups have particular load environment of non-business day like a special holiday and weekend before/after the straight holiday, has lower accuracy compared with the other patterns. To solve the problem we investigate the causes of accuracy reduction through the power demand characteristics and real load pattern analysis, and then try to re-forecast to improve the prediction accuracy by modifying a reference load pattern of that pattern (has lower accuracy).
Consequently the prediction accuracy by modifying a reference pattern increased by about 11.5 % (MAPE, Mean Absolute Percent Error) overall during the analysis period. Also in the accuracy of each pattern, the pattern 1 and 3 are increased by 82.3 % (MAPE) and 77.7 % (MAPE), respectively.
This forecasting technique is the method that load pattern and reference load pattern closed to actual load value is formed and the prediction accuracy increased when used more operating load data. Therefore we revised errors as prediction time units to improve the forecasting accuracy, and then re-forecasted electrical power demand of the building, finally. Also this study proposed the active management plan using accurate load forecasting for building load, through the case study of ESS (Energy Storage System) management for building energy management with forecasting results.
Although the electrical power system needs desperately to expand and improve the power supply facilities and infrastructure for increasing the power demand annually, we have in trouble with an environment or local and social constraints. Therefore interest in energy efficiency is increased as naturally. And besides the active solutions like a new and renewable energy development, studies in demand side management as well as power supply are performing.
In this paper we study the electrical load forecasting using a real building load pattern for the power management, and check the way to manage the energy storage system with building load forecasting results. We performed the Hierarchical Clustering that is one of the data mining techniques, and clustering results was defined the subjects of load forecasting of this study.
We verified that data in each forecasting subject, load cluster, has similar load pattern each other through the real monitoring values and preceding research analysis, and forecasted the electrical power demand for building basis on that patterns. The building load classified by 7 patterns including the normal weekday (Monday, Tuesday to Friday), normal weekend (Saturday and Sunday), weekday before/after the straight holiday (Monday, Tuesday to Friday), weekend before/after the straight holiday and special holiday such as the new year’s day. And based on the demand for each reference pattern we performed the forecasting as 24 hour, 60 minute and 15 minute units.
As a result, through the total prediction accuracy, which represents by using the APE (Absolute Percent Error), indicated more than 98 %, we catch the some problems that the pattern 1 and 3, which groups have particular load environment of non-business day like a special holiday and weekend before/after the straight holiday, has lower accuracy compared with the other patterns. To solve the problem we investigate the causes of accuracy reduction through the power demand characteristics and real load pattern analysis, and then try to re-forecast to improve the prediction accuracy by modifying a reference load pattern of that pattern (has lower accuracy).
Consequently the prediction accuracy by modifying a reference pattern increased by about 11.5 % (MAPE, Mean Absolute Percent Error) overall during the analysis period. Also in the accuracy of each pattern, the pattern 1 and 3 are increased by 82.3 % (MAPE) and 77.7 % (MAPE), respectively.
This forecasting technique is the method that load pattern and reference load pattern closed to actual load value is formed and the prediction accuracy increased when used more operating load data. Therefore we revised errors as prediction time units to improve the forecasting accuracy, and then re-forecasted electrical power demand of the building, finally. Also this study proposed the active management plan using accurate load forecasting for building load, through the case study of ESS (Energy Storage System) management for building energy management with forecasting results.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.