본 논문에서는 기계학습 기반의 전력 수요 예측 모델 소개 통한 효율적인 계통 운영을 제안한다. 클러스터링 기반의 전력 수요 패턴 예측 모델과 ANN 기반의 신경망 예측 모델 두가지를 결합한 앙상블 모델을 제안한다. 과거 데이터를 충분히 수집 하고 ...
본 논문에서는 기계학습 기반의 전력 수요 예측 모델 소개 통한 효율적인 계통 운영을 제안한다. 클러스터링 기반의 전력 수요 패턴 예측 모델과 ANN 기반의 신경망 예측 모델 두가지를 결합한 앙상블 모델을 제안한다. 과거 데이터를 충분히 수집 하고 K-means 클러스터링 기법을 사용하여 패턴을 분석하고, 이를 Bayesian 분류법을 통한 확률론적 예측 결과를 산출한다. 인공신경망 모델은 별개의 예측 모델로서 클러스터링 모델과의 앙상블 과정 외에도 오차 보정 과정에서 예측 결과의 정확성을 향상 시키는 역할을 한다. 예측에 사용되는 입력 데이터로는 은 날짜, 평일, 주말, 공휴일, 기상 데이터 등 해당 건물 혹은 지역의 특성을 반영한 데이터들이다. 본 전력 수요 예측 모델의 정확도는 실제 부하 값을 기반으로 예측 된 결과와 비교하여 평가하였다. 예측 사례는 한국의 특정 건물에 대한 AMI(Advanced Metering Infrastructure) 데이터의 실제 부하 프로필을 사용하여 진행하였다. 사례를 통해 오차 보정 및 앙상블 과정을 거친 최종 모델의 예측 결과가 우수함을 보여준다.
본 논문에서는 기계학습 기반의 전력 수요 예측 모델 소개 통한 효율적인 계통 운영을 제안한다. 클러스터링 기반의 전력 수요 패턴 예측 모델과 ANN 기반의 신경망 예측 모델 두가지를 결합한 앙상블 모델을 제안한다. 과거 데이터를 충분히 수집 하고 K-means 클러스터링 기법을 사용하여 패턴을 분석하고, 이를 Bayesian 분류법을 통한 확률론적 예측 결과를 산출한다. 인공신경망 모델은 별개의 예측 모델로서 클러스터링 모델과의 앙상블 과정 외에도 오차 보정 과정에서 예측 결과의 정확성을 향상 시키는 역할을 한다. 예측에 사용되는 입력 데이터로는 은 날짜, 평일, 주말, 공휴일, 기상 데이터 등 해당 건물 혹은 지역의 특성을 반영한 데이터들이다. 본 전력 수요 예측 모델의 정확도는 실제 부하 값을 기반으로 예측 된 결과와 비교하여 평가하였다. 예측 사례는 한국의 특정 건물에 대한 AMI(Advanced Metering Infrastructure) 데이터의 실제 부하 프로필을 사용하여 진행하였다. 사례를 통해 오차 보정 및 앙상블 과정을 거친 최종 모델의 예측 결과가 우수함을 보여준다.
In this paper, we propose efficient system operation through introduction of power demand prediction model based on machine learning. We propose an ensemble model that combines clustering based power demand pattern prediction model and ANN based neural network prediction model. We collect enough pas...
In this paper, we propose efficient system operation through introduction of power demand prediction model based on machine learning. We propose an ensemble model that combines clustering based power demand pattern prediction model and ANN based neural network prediction model. We collect enough past data, analyze the patterns using K-means clustering method, and calculate the probabilistic prediction result through Bayesian classification. The artificial neural network model is a separate predictive model and plays an important role in enhancing the accuracy of the prediction results in the error correction process in addition to the ensemble process with the clustering model. The input data used for prediction include data reflecting characteristics of a building or area such as a date, a weekday, a weekend, a holiday, and weather data. The accuracy of this power demand forecasting model was evaluated by comparing with the predicted results based on actual load values. The forecasting case was conducted using the actual load profile of AMI (Advanced Metering Infrastructure) data for a specific building in Korea. The results show that the prediction results of the final model after error correction and ensemble process are superior.
In this paper, we propose efficient system operation through introduction of power demand prediction model based on machine learning. We propose an ensemble model that combines clustering based power demand pattern prediction model and ANN based neural network prediction model. We collect enough past data, analyze the patterns using K-means clustering method, and calculate the probabilistic prediction result through Bayesian classification. The artificial neural network model is a separate predictive model and plays an important role in enhancing the accuracy of the prediction results in the error correction process in addition to the ensemble process with the clustering model. The input data used for prediction include data reflecting characteristics of a building or area such as a date, a weekday, a weekend, a holiday, and weather data. The accuracy of this power demand forecasting model was evaluated by comparing with the predicted results based on actual load values. The forecasting case was conducted using the actual load profile of AMI (Advanced Metering Infrastructure) data for a specific building in Korea. The results show that the prediction results of the final model after error correction and ensemble process are superior.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.