본 논문은 딥러닝 모델을 기반으로 하여 단기 전력 수요 예측을 진행하였다. 전력 수요 패턴을 반영하기 위해 합성곱 신경망을 사용하였고, 기후 변화에 따른 특성을 반영하기 위해 LSTM을 사용하여 병렬 예측을 수행한 후, 각 모델의 가중치를 반영하여 최종 예측값을 도출하였다.
단기 전력 수요 모델은 두 개의 그룹으로 나누어 데이터 구성을 달리하고, 요일별로 개별적 ...
본 논문은 딥러닝 모델을 기반으로 하여 단기 전력 수요 예측을 진행하였다. 전력 수요 패턴을 반영하기 위해 합성곱 신경망을 사용하였고, 기후 변화에 따른 특성을 반영하기 위해 LSTM을 사용하여 병렬 예측을 수행한 후, 각 모델의 가중치를 반영하여 최종 예측값을 도출하였다.
단기 전력 수요 모델은 두 개의 그룹으로 나누어 데이터 구성을 달리하고, 요일별로 개별적 합성곱 신경망과 LSTM 모델을 두어 요일별 특성을 반영하고자 하였다. 제안 모델은 그룹 A와 B로 구성되며 그룹 A의 경우, 예측일 기준 과거 3일의 전력 수요 데이터와 예측일 포함 과거 3일의 기후 데이터를 반영하여 예측을 수행하고, 그룹 B는 예측일 기준 과거 7일의 전력 수요 데이터와 예측일 포함 과거 7일의 기후 데이터를 반영하여 예측을 진행한다. 학습 효과를 높이기 위해 정규화(Normalization)를 수행하여 모든 데이터의 스케일을 0~1사이의 값으로 변환하였고 오버 피팅 문제를 방지하기 위하여 드롭아웃 및 정규화(Regularization)를 사용하였다.
학습 데이터는 2013~2017년까지의 기후 데이터 및 전력 수요 데이터를 사용하였고, 2018년 전력 수요 데이터를 가지고 모델의 성능을 검증하였다.해당 데이터는 기상자료개방포털 및 전력거래소에서 제공받아 활용하였다.
본 논문에서 제안한 모델의 예측 수행 결과, 2018년 평균 MAPE는 1.4%로 단일 모델을 사용할 때보다 합성 모델을 사용하는 것이 성능이 더 우수하다는 것을 확인하였다. 또한 타 논문들과 비교했을 시 예측수행기간이 다르고 입력데이터가 다르기 때문에 정확한 비교는 불가능하지만, 일반적인 단기 수요예측모델의 성능보다 우수함을 확인하였다.
본 논문은 딥러닝 모델을 기반으로 하여 단기 전력 수요 예측을 진행하였다. 전력 수요 패턴을 반영하기 위해 합성곱 신경망을 사용하였고, 기후 변화에 따른 특성을 반영하기 위해 LSTM을 사용하여 병렬 예측을 수행한 후, 각 모델의 가중치를 반영하여 최종 예측값을 도출하였다.
단기 전력 수요 모델은 두 개의 그룹으로 나누어 데이터 구성을 달리하고, 요일별로 개별적 합성곱 신경망과 LSTM 모델을 두어 요일별 특성을 반영하고자 하였다. 제안 모델은 그룹 A와 B로 구성되며 그룹 A의 경우, 예측일 기준 과거 3일의 전력 수요 데이터와 예측일 포함 과거 3일의 기후 데이터를 반영하여 예측을 수행하고, 그룹 B는 예측일 기준 과거 7일의 전력 수요 데이터와 예측일 포함 과거 7일의 기후 데이터를 반영하여 예측을 진행한다. 학습 효과를 높이기 위해 정규화(Normalization)를 수행하여 모든 데이터의 스케일을 0~1사이의 값으로 변환하였고 오버 피팅 문제를 방지하기 위하여 드롭아웃 및 정규화(Regularization)를 사용하였다.
학습 데이터는 2013~2017년까지의 기후 데이터 및 전력 수요 데이터를 사용하였고, 2018년 전력 수요 데이터를 가지고 모델의 성능을 검증하였다.해당 데이터는 기상자료개방포털 및 전력거래소에서 제공받아 활용하였다.
본 논문에서 제안한 모델의 예측 수행 결과, 2018년 평균 MAPE는 1.4%로 단일 모델을 사용할 때보다 합성 모델을 사용하는 것이 성능이 더 우수하다는 것을 확인하였다. 또한 타 논문들과 비교했을 시 예측수행기간이 다르고 입력데이터가 다르기 때문에 정확한 비교는 불가능하지만, 일반적인 단기 수요예측모델의 성능보다 우수함을 확인하였다.
In this paper, it carries out short-term load forecasting based on deep-learning model. Convolutional neural networks is used to reflect power demand patterns, and parallel predictions is made using LSTM to reflect the characteristics of climate change, and the final forecast value is derived by ref...
In this paper, it carries out short-term load forecasting based on deep-learning model. Convolutional neural networks is used to reflect power demand patterns, and parallel predictions is made using LSTM to reflect the characteristics of climate change, and the final forecast value is derived by reflecting the weight of each model.
The short-term load forecasting model is divided into two groups, with individual CNN and LSTM models for each day to reflect the characteristics of each day. For Group A, the proposed model makes predictions that reflect the past 3 days of load data, including climate data about the forecast date and the past 3 days of forecast date. while Group B makes predictions that reflect the past 7 days of load data, including climate data about the forecast date, and the previous 7 days of the forecast date. Normalization is performed to convert the scale of all data into values between 0 and 1, and dropout and regularization is used to prevent over-fitting problems.
Training data is composed of climate data and load data from 2013-2017, and the model's performance is validated with 2018 load data. Because this paper don’t take into account the special day, it do not carry out the prediction for the weekday or special day with the special day. The prediction results showed that the MAPE average for 2018 was 1.4%, which is more accurate than other short-term forecasting model.
In this paper, it carries out short-term load forecasting based on deep-learning model. Convolutional neural networks is used to reflect power demand patterns, and parallel predictions is made using LSTM to reflect the characteristics of climate change, and the final forecast value is derived by reflecting the weight of each model.
The short-term load forecasting model is divided into two groups, with individual CNN and LSTM models for each day to reflect the characteristics of each day. For Group A, the proposed model makes predictions that reflect the past 3 days of load data, including climate data about the forecast date and the past 3 days of forecast date. while Group B makes predictions that reflect the past 7 days of load data, including climate data about the forecast date, and the previous 7 days of the forecast date. Normalization is performed to convert the scale of all data into values between 0 and 1, and dropout and regularization is used to prevent over-fitting problems.
Training data is composed of climate data and load data from 2013-2017, and the model's performance is validated with 2018 load data. Because this paper don’t take into account the special day, it do not carry out the prediction for the weekday or special day with the special day. The prediction results showed that the MAPE average for 2018 was 1.4%, which is more accurate than other short-term forecasting model.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.