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.
문제 정의
- 따라서 본 연구에서는 이러한 상황 하에서 필요한 월별 전력 수요 예측 모델을 제안하였다. 기술적인 측면으로는 최근 이상기후로 인한 기후의 변화 하에서 적은 수의 입력변수를 활용하여 즉각적이고 정확한 예측을 수행하고자 하였다. 본 연구에서는 특징추출 기법과 변수선택 기법을 통하여 예측에 중요한 요인이 되는 입력 변수들을 선별하고 이를 SVR에 적용하여 분석을 수행하였다.
- 따라서 본 연구에서는 앞에서 언급되었던 요구들을 충족시키는 월별 전력 수요 예측 모델을 제안하고자 한다. 제안하는 모델은 한국에너지경제연구원에서 제공한 지역난방공사의 월별 전기 에너지 데이터를 기반으로 전력 수요를 예측한다.
- 이러한 경우의 전력 수요 예측은 급전계획에서와 같은 시간대별 예측보다는 월별 예측이 적절하다. 따라서 본 연구에서는 이러한 상황 하에서 필요한 월별 전력 수요 예측 모델을 제안하였다. 기술적인 측면으로는 최근 이상기후로 인한 기후의 변화 하에서 적은 수의 입력변수를 활용하여 즉각적이고 정확한 예측을 수행하고자 하였다.
- 이러한 모델은 그래프 상에서 실제값을 나타내는 실선을 우측으로 한 시점 이동시킨 형태를 띠게 된다. 따라서 이러한 단점을 보완하기 위하여 본 연구에서는 이를 식별할 수 있는 평가 척도로서 시프트인덱스를 제안한다. 시프트인덱스의 수식은 아래의 식 (10)과 같이 표현된다.
- 기상 관련된 원인 외에도, 급변하는 전력시장의 수요-공급 불균형, 불안정, 미래 상황에 대한 불확실성 등도 전력 수요 예측 모델의 성능의 안정성에 부정적 영향을 미치는 요인이라 할 수 있다. 따라서 이러한 어려움들을 우회하는 방안으로서 필요시 마다 신속하고 간편하게, 그리고 정확하게 수요예측을 수행할 수 있는 모델을 개발하는 것을 고려해 볼 수 있다. 이러한 조건을 만족시키기 위해서는 획득이 용이한 변수들로 모델의 입력변수를 구성하고 되도록이면 그 수를 최소화하는 것이 좋다.
제안 방법
- 따라서 이러한 다양한 비선형적인 특성을 고려한 예측 모델을 설계하고자 관련 변수들을 총 3개의 카테고리로 분류하였다. 각각의 카테고리는 전력관련변수, 사회지표 관련 변수, 기온관련변수로 구성되며 각 카테고리에 해당되는 변수들의 데이터를 수집하여 예측 모델에 적용하였다. 입력변수와 출력변수를 포함한 총 14개의 변수를 사용하였으며 분석에 사용된 변수의 목록은 아래의 <표 2>를 통해 명시하였다.
- 시계열 데이터의 특성상 이전 시점의 데이터에 영향을 받으므로 현재 시점의 전력 수요를 예측 할 때, 이전 시점의 데이터를 변수에 포함하게 되면 최근 추세를 반영할 수 있을 뿐만 아니라 좀 더 정확한 예측을 수행 할 수 있다. 따라서 본 연구에서는 자기 회귀변수를 고려하여 분석을 수행하였으며 입력변수에 이전 시점의 데이터들을 포함하였다. 고려할 시점의 길이는 평가용 데이터셋을 통하여 결정하며 이는 제 4.
- , 2006). 따라서 시계열 데이터인 전력 수요의 예측을 위해 세 모델들을 비교한 후 가장 우수한 성능을 보이는 모델을 기반으로 특징추출 및 선택 기법을 적용한다. 특징추출기법으로는 PCA와 NLPCA, KPCA의 세 가지 기법을 적용하며 특징선택기법의 기준으로는 R2와 Correlation의 두 가지 기준을 적용한다.
- 경제적 요소, 시간 계절적 요소, 기후적 요소, 전력시장 요소, 기타 비선형적 요소에 의한 영향을 받는다. 따라서 이러한 다양한 비선형적인 특성을 고려한 예측 모델을 설계하고자 관련 변수들을 총 3개의 카테고리로 분류하였다. 각각의 카테고리는 전력관련변수, 사회지표 관련 변수, 기온관련변수로 구성되며 각 카테고리에 해당되는 변수들의 데이터를 수집하여 예측 모델에 적용하였다.
- 본 연구에서는 기존 연구에서 제안된 다양한 카테고리에 포함된 다양한 변수들을 입력변수로 활용하고, 방법론으로 활용되었던 회귀분석기반 모델인 AR과 ANN, SVR 모델을 비교·분석한다. 또한 다양한 변수 중 중요한 요인이 되는 변수를 선별하고자 변수선택 방법과 특징추출 방법을 적용한다.
- 예측 모델로는 예측 성능이 우수하다고 잘 알려진 Support Vector Regression(SVR) 모델을 사용한다. 마지막으로 모델의 시계열 예측성능에 대한 평가를 위하여 새로운 평가척도인 시프트인덱스(Shift Index)를 제안한다. 시프트인덱스는 기존의 시계열 예측성능 평가지표가 갖는 단점 즉, 실제에서는 사용할 수 없는 예측값을 산출하는 모델임에도 불구하고 좋다고 평가하는 오류를 보완할 수 있는 평가척도이다.
- 본 연구에서는 기존 연구에서 제안된 다양한 카테고리에 포함된 다양한 변수들을 입력변수로 활용하고, 방법론으로 활용되었던 회귀분석기반 모델인 AR과 ANN, SVR 모델을 비교·분석한다.
- 는 예측 값을 나타내며 n은 성능 지표를 통해 검증할 기간에서 관측되는 데이터의 개수를 의미하며 MAPE는 실제 값과 예측 값의 차이의 절대 값을 실제 값으로 나누어 준 후, 에러율의 형태로 변환한 값을 의미한다. 본 연구에서는 비교 실험 및 특징추출 기법과 변수선택 기법을 적용한 각 모델에서의 성능 지표로 MAPE를 사용하여 성능을 평가한다. 일반적으로 MAPE는 낮을수록 우수한 성능을 나타내나 낮은 MAPE 만으로 시계열 모델의 성능을 평가하기에는 한계가 있다.
- 기술적인 측면으로는 최근 이상기후로 인한 기후의 변화 하에서 적은 수의 입력변수를 활용하여 즉각적이고 정확한 예측을 수행하고자 하였다. 본 연구에서는 특징추출 기법과 변수선택 기법을 통하여 예측에 중요한 요인이 되는 입력 변수들을 선별하고 이를 SVR에 적용하여 분석을 수행하였다.
- 예측 모델을 위한 총 14개의 특징을 추출하기 위한 기준으로는 R2, Correlation을 사용하였다. 예측 모델에 활용하기 위한 축약된 주성분 수는 고유값이 1 이상인 주성분만을 선택하는 것으로 기준을 정하였다.
- 예측 모델을 위해 활용될 자기회귀변수의 시점은 총 12시점까지의 자기회귀 데이터를 예측 모델에 적용한 결과를 바탕으로 하여 결정하였으며 12시점 중에서 가장 낮은 MAPE를 기록한 시점을 실제모델에 적용하였다. 실험의 결과는 <그림 3>을 통해 나타내었다.
- 기술적인 측면에서는 다양한 데이터마이닝 기법들을 활용하여 모델을 구성한다. 우선, 특징추출(Feature Extraction) 기법과 변수선택(Variable Selection) 기법을 통하여, 사용 가능한 여러 종류의 변수들 중 예측에 중요한 요인이 되는 입력 변수들만을 선별한다. 예측 모델로는 예측 성능이 우수하다고 잘 알려진 Support Vector Regression(SVR) 모델을 사용한다.
- 결론적으로 본 연구에서는 적은 변수만을 가지고 최적의 결과를 산출하는 결과를 얻을 수 있었다. 전력 수요 예측을 위해 최종 선정된 입력변수의 수는 4개로 기온, 증발량, 풍속, 기압이 선정되었다. 선정된 변수는 그 개수가 적을 뿐 아니라 데이터의 취득이 용이하므로 즉각적인 전력 수요 예측을 가능하게 한다.
- 따라서 본 연구에서는 앞에서 언급되었던 요구들을 충족시키는 월별 전력 수요 예측 모델을 제안하고자 한다. 제안하는 모델은 한국에너지경제연구원에서 제공한 지역난방공사의 월별 전기 에너지 데이터를 기반으로 전력 수요를 예측한다. 기술적인 측면에서는 다양한 데이터마이닝 기법들을 활용하여 모델을 구성한다.
- , 2008). 하지만 전력 수요 예측에 활용된 사례는 많지 않기 때문에 본 연구에서는 SVR을 전력 수요 예측에 도입하여 예측 모델로 활용하였다.
대상 데이터
- 본 실험에서는 에너지경제연구원에서 제공하는 2000년부터 2008년까지의 월별 데이터를 사용하였다. 전력관련 변수는 한국지역난방공사 중앙사업소의 데이터를 사용하였으며 사회 지표관련변수는 통계청의 성남 및 경기지역의 데이터를 사용하였다.
- 입력변수와 출력변수를 포함한 총 14개의 변수를 사용하였으며 분석에 사용된 변수의 목록은 아래의 를 통해 명시하였다.
- 본 실험에서는 에너지경제연구원에서 제공하는 2000년부터 2008년까지의 월별 데이터를 사용하였다. 전력관련 변수는 한국지역난방공사 중앙사업소의 데이터를 사용하였으며 사회 지표관련변수는 통계청의 성남 및 경기지역의 데이터를 사용하였다. 기온관련변수는 기상청 서울관측소의 월별 통계량을 사용하였다.
- 학습용 데이터셋으로는 5년 치 데이터인 60개 데이터를, 평가용 데이터셋으로는 1년 치 데이터인 12개를, 검증용 데이터셋으로는 3년 치인 36개 데이터를 사용하였다. 총 데이터의 개수는 108개이며 총 입력, 출력변수의 수는 23개이다. 정리된 데이터는 아래의 <표 1>과 같으며 연도별, 월별로 정리하였다.
- 기온관련변수는 기상청 서울관측소의 월별 통계량을 사용하였다. 학습용 데이터셋으로는 5년 치 데이터인 60개 데이터를, 평가용 데이터셋으로는 1년 치 데이터인 12개를, 검증용 데이터셋으로는 3년 치인 36개 데이터를 사용하였다. 총 데이터의 개수는 108개이며 총 입력, 출력변수의 수는 23개이다.
데이터처리
- 또한 예측 모델의 입력변수로 활용되는 변수들을 선택 및 특징 추출하기 위하여 변수선택 및 특징추출 기법을 적용하였다. 입력변수들은 각각 전처리 과정을 거쳐 정제되며, 최종적으로 얻어진 예측 값은 MAPE와 본 연구에서 제안하는 시프트 인덱스를 통해 평가하였다.
- 04로 가장 낮은 값으로 안정적인 성능을 나타내고 있다. 제안한 SVRCORR이 가장 좋은 성능을 보이므로 다른 세 모델과의 성능의 차이를 T-TEST를 통해 통계적으로 검증하였다. T-TEST 결과로 SVRCORR과 AR, ANN 모델과는 p-value가 0.
이론/모형
- Choi et al.(2001)은 일별 전력 수요를 예측하기 위해 ANN 모델을 사용하였으며 기온을 입력변수로 사용하였다. Yang et al.
- 전력관련 변수는 한국지역난방공사 중앙사업소의 데이터를 사용하였으며 사회 지표관련변수는 통계청의 성남 및 경기지역의 데이터를 사용하였다. 기온관련변수는 기상청 서울관측소의 월별 통계량을 사용하였다. 학습용 데이터셋으로는 5년 치 데이터인 60개 데이터를, 평가용 데이터셋으로는 1년 치 데이터인 12개를, 검증용 데이터셋으로는 3년 치인 36개 데이터를 사용하였다.
- 입력변수로 활용되는 각 데이터들은 변수별로 모두 단위가 다르기 때문에 정확한 전력 수요 예측에 불안정한 요소로 작용할 수 있다. 따라서 모든 입력변수와 관련된 데이터는 각각의 단위에 따른 영향을 제거하여 데이터의 범위를 일치시키고 분포를 유사하게 만들어 척도를 맞추어 주기 위하여 최대-최소 정규화(Max-Min Normalization)를 수행한다. 정규화를 위한 수식은 식 (6)과 같이 나타낼 수 있다.
- 또한 예측 모델의 입력변수로 활용되는 변수들을 선택 및 특징 추출하기 위하여 변수선택 및 특징추출 기법을 적용하였다. 입력변수들은 각각 전처리 과정을 거쳐 정제되며, 최종적으로 얻어진 예측 값은 MAPE와 본 연구에서 제안하는 시프트 인덱스를 통해 평가하였다.
- 우선, 특징추출(Feature Extraction) 기법과 변수선택(Variable Selection) 기법을 통하여, 사용 가능한 여러 종류의 변수들 중 예측에 중요한 요인이 되는 입력 변수들만을 선별한다. 예측 모델로는 예측 성능이 우수하다고 잘 알려진 Support Vector Regression(SVR) 모델을 사용한다. 마지막으로 모델의 시계열 예측성능에 대한 평가를 위하여 새로운 평가척도인 시프트인덱스(Shift Index)를 제안한다.
- 예측 모델을 위한 총 14개의 변수를 선택하기 위한 기준으로는 R2, Correlation을 사용하였다. R2 기준에서는 Squared Correlation이 0.
- 예측모델의 성능검증을 위한 성능지표로 일정한 트렌드를 반영하는 시계열값에 적합한 정확도의 척도로서 Mean Absolute Percentage Error(MAPE)를 사용한다. 예측 값의 정확도는 예측오차에 의해서 결정되며 오차가 작으면 작을수록 정확도가 높아진다.
- 전력 수요를 예측하기 위한 예측 모델로 현재 데이터마이닝 분야에서 각광 받고 있는 SVR 모델을 활용하였다. SVR은 다양한 분야에서 시계열 예측을 위해 활용되고 있다(Thissen et al.
- 따라서 시계열 데이터인 전력 수요의 예측을 위해 세 모델들을 비교한 후 가장 우수한 성능을 보이는 모델을 기반으로 특징추출 및 선택 기법을 적용한다. 특징추출기법으로는 PCA와 NLPCA, KPCA의 세 가지 기법을 적용하며 특징선택기법의 기준으로는 R2와 Correlation의 두 가지 기준을 적용한다. 전체적인 프로세스를 간단한 그림으로 나타내면 다음 <그림 2>와 같다.
성능/효과
- AR, ANN 모델보다 SVR을 기반으로 한 모델이 실제의 전력 수요량 패턴을 잘 따라가는 것을 확인할 수 있으며, AR과 ANN 모델은 전반적으로 예측값이 오른쪽으로 시프트되는 경향을 확인할 수 있다. 검증용 데이터셋의 각각의 시점에 대한 절대 백분율오차(Absolute Percentage Error)와 MAPE, T-TEST에 관한 결과는 다음의 <표 6>과 같다.
- 하지만 본 연구에서는 학습용 데이터의 총 개수가 많지 않고, 과거 데이터가 누적되더라도 현재의 학습용 데이터셋으로 활용한 과거 5년 치의 데이터를 Time Window의 크기로 고정시킨다면 시프트되는 경향이 있는 시계열 모델에 비해서 정확도가 높은 결과를 보이기 때문에 효용성이 있다. SVRCORR 모델은 MAPE 3.85, 즉 3.85%의 평균오차를 보였으며, MAPE의 표준편차가 2.04로 다른 모델에 비해 우수하면서 안정적인 성능을 나타내었다. 시프트지표를 이용한 분석에서도 예측 값이 시프트되지 않고 패턴을 잘 따라가는 경향을 확인할 수 있다.
- 그래프를 통해 AR과 ANN에서는 큰 값이 많이 분포하므로 예측값이 시프트되는 경향이 크다는 것을 볼 수 있다. SVR과 SVRCORR은 1보다 거의 대부분의 값들이 1보다 낮은 값을 포함하므로 앞에서 언급한 두 모델에 비해 시프트되는 경향이 낮다는 것을 확인할 수 있다.
- 결론적으로 본 연구에서는 적은 변수만을 가지고 최적의 결과를 산출하는 결과를 얻을 수 있었다. 전력 수요 예측을 위해 최종 선정된 입력변수의 수는 4개로 기온, 증발량, 풍속, 기압이 선정되었다.
- 그래프를 통해 AR과 ANN 모델은 SVR을 기반으로 하는 모델보다 시프트되는 경향이 큰 것을 확인할 수 있으며 SVRCORR 모델이 가장 정확한 예측을 수행하는 것을 확인할 수 있다. 다음의 <그림 7>은 시프트 지표를 통해 얻어진 값을 히스토그램으로 표현한 그래프이다.
- 00으로 유의한 값을 나타내어 모델 간의 성능 차이가 있음을 확인할 수 있다. 그러나 SVR 모델과는 P-value가 0.27로 유의하지 않은 결과를 보여 SVRCORR이 MAPE에 있어서는 좀 더 우수한 성능을 나타내지만, 두 모델간의 큰 성능차이는 없음을 확인할 수 있다. 또한 <그림 5>를 통해 보이는 바와 같이 SVRCORR에서 가장 낮은 MAPE를 보이는 것을 확인할 수 있다.
- 하지만 같은 성능을 보일 경우 취득이 용이한 입력 변수를 사용하며 적은 수의 변수를 사용하는 모델이 편의성과 즉각적인 수요예측을 수행하는데 유리하다. 따라서 24개의 변수를 사용하는 SVR에 비해 취득이 용이한 기온, 증발량, 풍속, 기압, 총 4개의 변수를 사용하는 SVRCORR 모델이 더 우수하다고 할 수 있다.
- 모델에서 오차가 가장 적은 것을 확인할 수 있다. 또한 MAPE도 SVRCORR에서 가장 낮게 나타났으며 각각에 대한 표준편차 역시 SVRCORR이 2.04로 가장 낮은 값으로 안정적인 성능을 나타내고 있다. 제안한 SVRCORR이 가장 좋은 성능을 보이므로 다른 세 모델과의 성능의 차이를 T-TEST를 통해 통계적으로 검증하였다.
- 또한 를 통해 보이는 바와 같이 SVRCORR에서 가장 낮은 MAPE를 보이는 것을 확인할 수 있다.
- 나아가 본 연구에서 제안된 모델을 통하여 얻어진 변수와 예측 모델은 지역난방공사의 열병합발전소 입지 선정을 위한 사업 허가신청 및 경제성 분석을 위한 기초 자료로 활용될 수 있을 것으로 예상된다. 또한 본 연구에서 제안된 알고리즘은 시간대별 전력 수요 데이터를 적용하는 방향으로 확장 가능하다. 이러한 모델은 발전량 계획을 효과적으로 수행하고, 전력 시스템의 안정화와 지역 전력시장운영을 위한 전력거래소의 급전계획 및 지역난방사업의 운영에도 활용될 수 있을 것이다.
- 하지만 변수 선택의 경우 변수의 변환 없이 입력변수로 활용되는 변수의 개수만 줄어든 것이기 때문에 원래의 변수의 값이 모두 필요하지 않다. 본 연구에서 가장 우수한 성능을 나타낸 SVRCORR 모델은 변수 선택을 통해 얻어진 변수를 입력변수로 사용하기 때문에 최종 선정된 4개의 변수만을 사용하여 예측이 가능하다.
- 선정된 변수는 그 개수가 적을 뿐 아니라 데이터의 취득이 용이하므로 즉각적인 전력 수요 예측을 가능하게 한다. 본 연구에서 제안한 모델은 적은 수의 입력변수만으로도 우수한 성능을 보여주었다.
- 분석을 위해 제안한 모델과 다른 다양한 모델을 비교한 결과, SVR 모델에 Correlation 기준으로 변수선택을 수행한 모델이 가장 우수한 성능을 나타내었다. 특징추출을 통한 방법에서는 추출된 변수의 수가 원래의 변수의 수보다 적다고 하더라도 이를 계산하기 위해서는 원래 변수의 값이 모두 필요하다.
- 이 중 SVRCORR이 MAPE 3.85로 가장 우수한 성능을 나타내었으며 따라서 최종 결과에서는 SVRCORR만을 포함하였다. 각각의 모델에 대한 최적의 파라미터는 각각의 파라미터의 값을 변경시켜 가면서 평가용 데이터에서 가장 오류가 적은 파라미터를 선택하는 파라미터 선택 과정을 통해 이루어진다.
- 전반적으로 AR과 ANN에 비하여 SVR을 기반으로 한 모델의 오차가 적은 것을 확인할 수 있으며, 특히 SVRCORR 모델에서 오차가 가장 적은 것을 확인할 수 있다. 또한 MAPE도 SVRCORR에서 가장 낮게 나타났으며 각각에 대한 표준편차 역시 SVRCORR이 2.
- 전체 학습용 데이터 대비 Support Vector의 수가 너무 많아질 경우, 예측 모형이 무거워지고 단순한 시계열 예측 기법에 비해서 장점이 반감 될 수 있다. 하지만 본 연구에서는 학습용 데이터의 총 개수가 많지 않고, 과거 데이터가 누적되더라도 현재의 학습용 데이터셋으로 활용한 과거 5년 치의 데이터를 Time Window의 크기로 고정시킨다면 시프트되는 경향이 있는 시계열 모델에 비해서 정확도가 높은 결과를 보이기 때문에 효용성이 있다. SVRCORR 모델은 MAPE 3.
후속연구
- 나아가 본 연구에서 제안된 모델을 통하여 얻어진 변수와 예측 모델은 지역난방공사의 열병합발전소 입지 선정을 위한 사업 허가신청 및 경제성 분석을 위한 기초 자료로 활용될 수 있을 것으로 예상된다. 또한 본 연구에서 제안된 알고리즘은 시간대별 전력 수요 데이터를 적용하는 방향으로 확장 가능하다.
- 이러한 상황 하에서 즉각적인 전력 수요 예측의 중요성이 점차 증대될 것으로 예상되며 앞으로도 전력 수요 예측에 대한 연구가 보다 활성화 될 것으로 예상된다. 따라서 향후에는 본 연구에서 제안한 알고리즘을 통해 시간대별 데이터에 적용하여 급전 계획 및 지역난방 모형의 운영상에 필요한 시간대별 전력 수요를 예측하고 선정된 변수와 예측 모델을 기반으로 전력 수요 예측을 수행 할 수 있는 전력 수요 예측 프로그램을 개발하고자 한다. 전력 수요 예측 프로그램은 사용자가 간편하게 변수를 입력하고 예측을 수행함으로서 즉각적인 전력 수요예측을 가능하게 할 것으로 기대된다.
- 또한 본 연구에서 제안된 알고리즘은 시간대별 전력 수요 데이터를 적용하는 방향으로 확장 가능하다. 이러한 모델은 발전량 계획을 효과적으로 수행하고, 전력 시스템의 안정화와 지역 전력시장운영을 위한 전력거래소의 급전계획 및 지역난방사업의 운영에도 활용될 수 있을 것이다.
- 추후에는 전력 공급자와 소비자가 양방향으로 실시간 정보를 교환함으로써 에너지 효율을 최적화하는 차세대 지능형 전력망인 스마트 그리드가 도래함에 따라 실시간으로 전력가격이 변화하고 이에 따른 수요가 계속해서 변화될 전망이다. 이러한 상황 하에서 즉각적인 전력 수요 예측의 중요성이 점차 증대될 것으로 예상되며 앞으로도 전력 수요 예측에 대한 연구가 보다 활성화 될 것으로 예상된다. 따라서 향후에는 본 연구에서 제안한 알고리즘을 통해 시간대별 데이터에 적용하여 급전 계획 및 지역난방 모형의 운영상에 필요한 시간대별 전력 수요를 예측하고 선정된 변수와 예측 모델을 기반으로 전력 수요 예측을 수행 할 수 있는 전력 수요 예측 프로그램을 개발하고자 한다.
- 따라서 향후에는 본 연구에서 제안한 알고리즘을 통해 시간대별 데이터에 적용하여 급전 계획 및 지역난방 모형의 운영상에 필요한 시간대별 전력 수요를 예측하고 선정된 변수와 예측 모델을 기반으로 전력 수요 예측을 수행 할 수 있는 전력 수요 예측 프로그램을 개발하고자 한다. 전력 수요 예측 프로그램은 사용자가 간편하게 변수를 입력하고 예측을 수행함으로서 즉각적인 전력 수요예측을 가능하게 할 것으로 기대된다.
- 추후에는 전력 공급자와 소비자가 양방향으로 실시간 정보를 교환함으로써 에너지 효율을 최적화하는 차세대 지능형 전력망인 스마트 그리드가 도래함에 따라 실시간으로 전력가격이 변화하고 이에 따른 수요가 계속해서 변화될 전망이다. 이러한 상황 하에서 즉각적인 전력 수요 예측의 중요성이 점차 증대될 것으로 예상되며 앞으로도 전력 수요 예측에 대한 연구가 보다 활성화 될 것으로 예상된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.