전력 수요 예측은 스마트 그리드 분야에서 중요합니다. 스마트 그리드 분야에서는 건물의 전력 사용 패턴을 파악하여 정전 방지, 전력 손실 최소화, 절전 계획 수립을 위해 해당 지역의 총 전력 수요를 필요한 만큼 예측 및 생산합니다. 시계열 데이터 분석 기술은 전력 수요를 예측하는 데 사용됩니다. 과거에는 통계적 기법인 ARIMA를 사용했지만, ...
전력 수요 예측은 스마트 그리드 분야에서 중요합니다. 스마트 그리드 분야에서는 건물의 전력 사용 패턴을 파악하여 정전 방지, 전력 손실 최소화, 절전 계획 수립을 위해 해당 지역의 총 전력 수요를 필요한 만큼 예측 및 생산합니다. 시계열 데이터 분석 기술은 전력 수요를 예측하는 데 사용됩니다. 과거에는 통계적 기법인 ARIMA를 사용했지만, 컴퓨팅 기술이 발전하면서 LSTM과 같은 딥러닝 기법이 사용됩니다. 최근에는 다양한 딥러닝을 적층하여 활용하는 방법이 제안되고 있다. 본 연구에서는 전력 사용량 데이터 예측을 위한 LSTM과 양방향 LSTM, CNN-LSTM, LSTM-양방향 LSTM 및 Deep stacking 네트워크의 성능을 비교합니다. 실험 결과 CNN-LSTM과 Deep Stacking Network가 LSTM, Bidirectional LSTM, LSTM-Bidirectional LSTM보다 우수한 성능을 보였고, 두 성능의 차이는 크지 않았다.
전력 수요 예측은 스마트 그리드 분야에서 중요합니다. 스마트 그리드 분야에서는 건물의 전력 사용 패턴을 파악하여 정전 방지, 전력 손실 최소화, 절전 계획 수립을 위해 해당 지역의 총 전력 수요를 필요한 만큼 예측 및 생산합니다. 시계열 데이터 분석 기술은 전력 수요를 예측하는 데 사용됩니다. 과거에는 통계적 기법인 ARIMA를 사용했지만, 컴퓨팅 기술이 발전하면서 LSTM과 같은 딥러닝 기법이 사용됩니다. 최근에는 다양한 딥러닝을 적층하여 활용하는 방법이 제안되고 있다. 본 연구에서는 전력 사용량 데이터 예측을 위한 LSTM과 양방향 LSTM, CNN-LSTM, LSTM-양방향 LSTM 및 Deep stacking 네트워크의 성능을 비교합니다. 실험 결과 CNN-LSTM과 Deep Stacking Network가 LSTM, Bidirectional LSTM, LSTM-Bidirectional LSTM보다 우수한 성능을 보였고, 두 성능의 차이는 크지 않았다.
Predicting power demand is important in the smart grid field. In the smart grid field, the total power demand in the region is predicted and produced as much as necessary to prevent power outages, minimize power loss, and establish electricity saving plans by identifying power usage patterns in buil...
Predicting power demand is important in the smart grid field. In the smart grid field, the total power demand in the region is predicted and produced as much as necessary to prevent power outages, minimize power loss, and establish electricity saving plans by identifying power usage patterns in buildings. Time series data analysis techniques are used to predict power demand. In the past, ARIMA, a statistical technique, was used, but as computing technology develops, deep learning techniques such as LSTM are used. Recently, a method of stacking and using various deep learning has been proposed. This study compares the performance of LSTM and Bidirectional LSTM, CNN-LSTM, LSTM-Bidirectional LSTM, and Deep stacking networks for predicting power usage data. As a result of the experiment, CNN-LSTM and Deep Stacking Network performed better than LSTM, Bidirectional LSTM, and LSTM-Bidirectional LSTM, and the difference in performance between the two was not significant.
Predicting power demand is important in the smart grid field. In the smart grid field, the total power demand in the region is predicted and produced as much as necessary to prevent power outages, minimize power loss, and establish electricity saving plans by identifying power usage patterns in buildings. Time series data analysis techniques are used to predict power demand. In the past, ARIMA, a statistical technique, was used, but as computing technology develops, deep learning techniques such as LSTM are used. Recently, a method of stacking and using various deep learning has been proposed. This study compares the performance of LSTM and Bidirectional LSTM, CNN-LSTM, LSTM-Bidirectional LSTM, and Deep stacking networks for predicting power usage data. As a result of the experiment, CNN-LSTM and Deep Stacking Network performed better than LSTM, Bidirectional LSTM, and LSTM-Bidirectional LSTM, and the difference in performance between the two was not significant.
주제어
#Deep Learning, Time Series Predict, LSTM, Bi-LSTM, CNN
학위논문 정보
저자
양여진
학위수여기관
충북대학교
학위구분
국내석사
학과
빅데이터 협동과정
지도교수
조완섭
발행연도
2022
총페이지
v,39p.
키워드
Deep Learning, Time Series Predict, LSTM, Bi-LSTM, CNN
※ AI-Helper는 부적절한 답변을 할 수 있습니다.