선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
제안 방법
- 본 논문에서는 경남 진주지역의 전력수요가 카오스적인 성질을 가지고 있는지 정량 및 정성적인 방식으로 분석을 수행하고 수요 시계열데이터 분석을 통해 획득된 Lyapunov 지수를 이용하여 단기예측을 수행하고 예측 결과와 실제 수요간의 오차를 산출하여 기존 방식과 비교 평가한다.
- 본 논문에서는 카오스 특성을 가진 전력수요 시계열 데이터를 기초로 하여 다양한 매입차원으로 어트랙터를 재구성한 뒤 획득한 최대 Lyapunov 지수를 이용하여 실존 데이터 이후의 데이터를 예측하는 방법을 제안하였다. 카오스 특징을 가진 비선형시스템의 공통적인 특징인 초기조건에 민감한 의존성과 이를 판별하기 위한 Lyapunov 지수를 어트랙터 재구성을 통해 산출한 뒤, 매입 차원에서 존재하는 궤적 임의의 포인트 간의 거리 계산에 이용하여 미래의 시계열 데이터를 예측하였다.
- 같이 진행된다. 우선 예측대상 시 계열 데이터를 매입 차원 위상공간에 재구성하고 최대 Lyapunov 지수를 획득한 뒤, 카오스 특성을 고려하여 알려지지 않은 위상공간의 포인트를 계산한다. 그리고 시간축을 기준으로 예측 위상공간 포인트를 복구하여 시계열 데이터의 예측값을 획 득한다.
- 카오스 특징을 가진 비선형시스템의 공통적인 특징인 초기조건에 민감한 의존성과 이를 판별하기 위한 Lyapunov 지수를 어트랙터 재구성을 통해 산출한 뒤, 매입 차원에서 존재하는 궤적 임의의 포인트 간의 거리 계산에 이용하여 미래의 시계열 데이터를 예측하였다. 특정지 역을 대상으로 기존 퍼지 보상 알고리즘과 제안된 알고리즘으로 시뮬레이션을 수행한 결과 다음과 같은 결과를 얻을 수 있었다.
대상 데이터
- 본 연구에 사용한 전력수요 시계열 데이터는 경상남도 진주지 역에 공급되는 전력수요량을 측정한 것으로 1998년 1월부터 1998년 12월까지의 시간별 데이터를 가지고 단기 예측 시뮬레 이 션을 수행하였다. 그림 1은 1998 년 진주지역에 공급된 전력수요 시계열 데이터의 일부를 나타낸 것이다.
데이터처리
- 수행하고 그 결과를 비교하였다. 예측구간은 시계열 데이터 전구간중 일부에 대해 실시하였으며 실제 데이터와 예측 데이터간의 오차를 비교하기 위해 RMSE(Root Mean Square Error), MAPE(Mean Absolute Percent Error), MSE(Mean Square)을 계 산하였다. 그림 4와 그림 6은 기존 알고리즘으로 예측한 결과를 나타낸 것이며, 그림 5와 그림 7은 본 논문에서 제안한 알고리즘으로 예측한 결과를 나타낸 것이다.
- 제안한 단기 예측 방법 의 성능을 평 가하기 위해 진주시의 1998년도 전력수요 시계열 데이터를 이용하여 기존 퍼지 보상 알고리즘을 이용한 예측방법과 최대 Lyapunov 지수를 이용한 예측방법으로 예측 시뮬레이션을 수행하고 그 결과를 비교하였다. 예측구간은 시계열 데이터 전구간중 일부에 대해 실시하였으며 실제 데이터와 예측 데이터간의 오차를 비교하기 위해 RMSE(Root Mean Square Error), MAPE(Mean Absolute Percent Error), MSE(Mean Square)을 계 산하였다.
이론/모형
- 시 계 열 데이 터가 가지는 카오스적 인 성 질을 분석 하기 위해 정 량적 분석 방법 인 상관차원과 Lyapunov 지수를 이용한다. 상관차원은 일차원적인 벡터 형태의 데이터로 구성된 시계열 신호를 매입차원으로 재구성한 후 설정되어 있는 범위 내의 반경을 변화시켜가면서 반경 내의 궤적들 간의 간섭정도를 계산하여 구한다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.