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
- 두 지역에 대한 물 사용량 특성과 예측결과에 대한 상대 비교를 통하여 시뮬레이터의 유용성을 검증하고자 하였다.
- 따라서 본 연구에서는 물 수요예측을 위해 해당 공급지역의 물 사용규모와 시설운영 특성을 고려하여 위에서 열거된 6가지 예측이론을 도입한 시뮬레이터를 개발하여 모의결과에 따른 ^능> 평가할 수 있도록 함으로써 물 사용 특성에 적합한 모델을 선택적으로 활용할 수 있도록 하고자 하였다. 일반 선형모형 (General linear model)은 추정하고자 하는 모수에 관하여 1 차식으로 표시된 모형을 의미한다.
- 본 연구에서는 대규모 물 공급시설인 광역상수도와 중소규모 공급시설인 지자체 물 수요예측에 필요한 수요예측모델을 검토하여 그 결과를 제시하고자 하였다. 이는 광역 상수도와 지방상수도의 물사용 규모와 시설운영 특성이 각각상이한 바 적용할 수 있는 수요예측모델이 다른 성능을 가지므로 모델이 갖는 특성을 평가함으로써 선택적으로 활용할 수 있는 물 수요예측 시뮬레이터를 개발하였다.
- 검토하여 그 결과를 제시하고자 하였다. 이는 광역 상수도와 지방상수도의 물사용 규모와 시설운영 특성이 각각상이한 바 적용할 수 있는 수요예측모델이 다른 성능을 가지므로 모델이 갖는 특성을 평가함으로써 선택적으로 활용할 수 있는 물 수요예측 시뮬레이터를 개발하였다. 이를 통하여 공급 대상지역의 사용패턴 및 운영시설 특성에 적합한 1일 물 수요량 예측과 시간별 수요량 예측을 위한 최적 모델을 도출할 수 있도록 하였다.
제안 방법
- (1) 본 연구로부터 얻은 수요예측 결과는 수운 영시스템에서 관망해석, 시설의 운영룰 도출 및 펌프 스케쥴링 등에 기본적으로 활용될 수 있는 정보로서, 실시간 적용이 가능한 수요예측 시뮬레이터를 개발하였다.
- (2) 시뮬레이터는 공급시설 규모별 특성에 적합한 수요예측모델의 선정이 가능토록 6가지 모형을 탑재하였으며 적용 결과를 비교, 분석하여 사용자가 선택적으로 활용할 수 있도록 구축하였다.
- 자료의 취득주기는 매 1시간 단위로 설정하여 특정 기간 동안 타 정보시스템의 자료와 이력자료의 확인이 가능토록 하였으며 사용량 및 기상자료의 시간별 자료와 일 자료가 하나의 파일로 구성되어 매일 1시부터 24시까지의 시간자료와 일예측을 위해 해당 일의 일적산 유량과 일평균기상자료를 순차적으로 저장하여 사용한다. 또한 시뮬레이터에서 6가지 모델에 대한 모의가 가능하도록 사용자가 입력변수를 선정할 수 있도록 하였고 입력변수는 물 사용량에 대한 과거이력과 기상자료를 선택하여 다양한 조건에서 모의가 가능하도록 하였다.
- 적용하였다. 또한, 일별 예측량을 구한 후 시간 예측량을 도출하는 방법을 제시하여 상호 비교분석을 통하여 최적의 예측 알고리즘을 제안하였다. 먼저 다중 선형회귀모델과 신경망모델을 적용한 결과 그림 4에서와 같이 각 모델의 예측 MAPE값이 9.
- 물 수요량 예측을 위한 시뮬레이터의 개발은 타 정보시스템으로부터 실시간 자료의 취득을 위한 연계 프로그램 자료형식 변환 프로그램, 수요예측을 위한 알고리즘 프로그램, 그리고 모델 매개변수 및 예측결과의 평가 및 분석프로그램으로 이루어지도록 하였다. 수도시설의 운영을 위해 기구축된 타 정보시스템과의 연계는 대상 급수지역의 수요량 자료의 취득을 목적으로 데이터베이스와의 연계는 물론, 기상자료 확보를 위한 실시간 물관리시스템과 연계되도록 구성하였다.
- 본 시뮬레이터에서 적용된 예측모델은 앞서 언급한 AR, MR, KF, MLP, ELM, ANFIS모델로서 일별 단기 물 수요예측 알고리즘에 대하여 6가지 모델을 구분하여 먼저 일별 수요예측량이 도출되면 이를 이용하여 예측일의 24시간에 대하여 시간별 예측을 수행토록 하였다. 시간별 예측은 고정 분배방식과 시간별 오차 가중 분배방식을 적용할 수 있도록 하였고 각 알고리즘의 매개변수 선정 및 이를 적용한 각 알고리즘별 모의를 통해 자동적으로 예측결과에 대하여 정해진 매 시간마다 정확도를 확인할 수 있도록 함으로써 모델의 적정성을 평가할 수 있도록 하였다.
- 본 연구에서 개발된 단기 물 수요예측 시뮬레이터를 통하여 물 사용량이 많은 광역상수도 계통과 물 사용량이 상대적으로 적은 지방상수도 계통에 대한 시간별 예측을 실험하였다. 두 지역에 대한 물 사용량 특성과 예측결과에 대한 상대 비교를 통하여 시뮬레이터의 유용성을 검증하고자 하였다.
- 시간별 예측을 수행토록 하였다. 시간별 예측은 고정 분배방식과 시간별 오차 가중 분배방식을 적용할 수 있도록 하였고 각 알고리즘의 매개변수 선정 및 이를 적용한 각 알고리즘별 모의를 통해 자동적으로 예측결과에 대하여 정해진 매 시간마다 정확도를 확인할 수 있도록 함으로써 모델의 적정성을 평가할 수 있도록 하였다.
- 표현되도록 구성되었다. 시뮬레이터 예측실행 후 결과는 분석하고자 하는 선택구간 선정과 추세 분석을 위하여 그래프 형식으로 표현되고, 그래프 형식에서 선택된 구간에 대하여 각 모델의 일별 예측 오차값과 시간별 예측 오차값을 제시하도록 구성하였다. 그래프 형식에서는 모의된 예측모델 중 특정 예측모델만 표시하거나 몇 개의 예측모델을 중첩하여 분석할 수 있도록 구성하였다.
- 우리나라 용수 사용량의 증가로 인한 수자원 부족 현상을 해소하고, 상수도시설의 운영관리 효율화를 위하여 수운 영시스템이 활발하게 구축되고 있는 실정으로 수운영시스템의 기본이 되는 수요예측을 위해 지금까지 적용된 예측이론을 도입하여 적용한 결과 다음과 같은 결론을 얻을 수 있었다.
- 이는 광역 상수도와 지방상수도의 물사용 규모와 시설운영 특성이 각각상이한 바 적용할 수 있는 수요예측모델이 다른 성능을 가지므로 모델이 갖는 특성을 평가함으로써 선택적으로 활용할 수 있는 물 수요예측 시뮬레이터를 개발하였다. 이를 통하여 공급 대상지역의 사용패턴 및 운영시설 특성에 적합한 1일 물 수요량 예측과 시간별 수요량 예측을 위한 최적 모델을 도출할 수 있도록 하였다.
- 시간별 오차 가중 분배방식을 제안하였다. 일별 예측 결과에 따른 시간별 예측은 과거 데이터를 이용하여 24 시간 가중치를 고려하여 예측하고자 한다. 이는 과거 60일 데이터를 이용하여 각 시간대별 평균을 구하고 이를 각 시간대별 가중치로 환산하여 해당 시간에 고정 분배하는 방식을 말한다.
- 수도시설의 운영을 위해 기구축된 타 정보시스템과의 연계는 대상 급수지역의 수요량 자료의 취득을 목적으로 데이터베이스와의 연계는 물론, 기상자료 확보를 위한 실시간 물관리시스템과 연계되도록 구성하였다. 자료의 취득주기는 매 1시간 단위로 설정하여 특정 기간 동안 타 정보시스템의 자료와 이력자료의 확인이 가능토록 하였으며 사용량 및 기상자료의 시간별 자료와 일 자료가 하나의 파일로 구성되어 매일 1시부터 24시까지의 시간자료와 일예측을 위해 해당 일의 일적산 유량과 일평균기상자료를 순차적으로 저장하여 사용한다. 또한 시뮬레이터에서 6가지 모델에 대한 모의가 가능하도록 사용자가 입력변수를 선정할 수 있도록 하였고 입력변수는 물 사용량에 대한 과거이력과 기상자료를 선택하여 다양한 조건에서 모의가 가능하도록 하였다.
대상 데이터
- A정수장에서의 년간 물공급량을 분석하기 위하여 2006년부터 2008년까지 3년 동안의 물 공급데이터를 조사하였다. 그림 10은 일일 공급량을 도시한 것으로 그림에서와 같이 여름철 물 공급량이 대체로 많고, 년도별 평균 공급량에서는 2006년도 44만톤, 2007년도 47만 7천톤, 그리고 2008년도 약 50만톤의 물이 공급되어 년평균 약 3만톤 규모의 공급량이 증가된 것을 알 수 있다.
데이터처리
- 대규모 공급시설인 광역상수도 A정수장에 대한 수요예측을 위해 개발된 시뮬레이터를 활용하여 일별 및 시간별 예측 결과를 비교 분석하였다. 그림 11에서는 A정수장의 시간 단위 예측결과를 도시하였으며 예측률이 가장 양호한 MLP 모델의 경우 일 예측 MAPE가 2.
- 이를 통하여 임의기간에 대한 운영 데이터의 최적 알고리즘을 선정할 수 있으며, 적용코자 하는 각 사업장에 대한 예측 알고리즘에 대한 검증이 가능하다. 모의결과는 검증하기 위하여 다음의 절대 평균 오차(MAPE;Mean Absolute Percent Error)를사용하였으며 이는 다음과 같이 표현된다.
이론/모형
- 특히, 시간별 물 사용량 예측을 위해서는 MR 모델과 MLP 모델을 적용하였다. 또한, 일별 예측량을 구한 후 시간 예측량을 도출하는 방법을 제시하여 상호 비교분석을 통하여 최적의 예측 알고리즘을 제안하였다.
성능/효과
- (3) 대규모 공급시설과 중소규모 공급시설에 적용한 결과 물수요 패턴이 다른 만큼 각기 다른 특성을 보이고 있는바, 대규모 공급시설인 광역상수도의 수요예측을 위해서는 MLP 모델이 일 예측값과 시간예측값이 2.39%와 9.12% 로서 가장 양호한 결과를 얻었고, 중소규모 공급시설인 지방 상수도에 적합한 모델로는 ANFIS 모델이 3.16%과 6.91%를 얻음으로써 각 지역별로 다양한 모델이 제시될 수 있음을 알 수 있었다.
- 3년간의 물공급량 자료에 대하여 요일별 일원 분산분석과 특이 일에 대한 일원분산분석을 실시한 결과 평일과 주말의 경우 평균값은 거의 변화가 없으나 설 연휴와 추석 연휴 등의 특이일의 경우 약 15 % 물 공급량이 감소되었음을 알 수 있었다,
- 비교 분석하였다. 그림 11에서는 A정수장의 시간 단위 예측결과를 도시하였으며 예측률이 가장 양호한 MLP 모델의 경우 일 예측 MAPE가 2.39%, 시간별 예측 MAPE 는 9.12%를 얻었으며, 다음으로 MR모델로서 일 예측 MAPE값이 2.59%와 시간 예측 MAPE값이 9.20%를 각각 얻었다. 반면 ELM 모델의 경우에는 일 예측의 경우 MAPE값이 4.
- 따라서, 위의 결과를 바탕으로 본 연구에서는 2% ~ 3%의 일 예측 결과를 바탕으로 시간별 예측은 시간별 고정 분배방식과 시간별 오차 가중 분배방식을 제안하였다. 일별 예측 결과에 따른 시간별 예측은 과거 데이터를 이용하여 24 시간 가중치를 고려하여 예측하고자 한다.
- 59%로 산정되었다. 따라서, 중소규모 수도시설로부터 공급되는 수요량의 경우 표 4에서와 같이 일별 예측 및 시간 예측 결과가 가장 양호한 ANFIS모델과 AR 모델을 선정하여 예측하는 것이 가장 바람직한 것으로 판단되었다. 그리고, 대규모 수도시설과 중소규모 수도시설의 시간별 수요 패턴이 상이한 것은 물 수요지역의 특성에 따라 시간별 수요패턴을 달리함을 알 수 있다.
- 91%의 결과를 얻은 반면 KF 모델의 경우에는 MAPE가 가장 크게 나타났다. 또한 일별 예측 결과에서는 KF 모델의 MAPE값이 5.19%, 시간별 예측 MAPE의경우 7.59%로 산정되었다. 따라서, 중소규모 수도시설로부터 공급되는 수요량의 경우 표 4에서와 같이 일별 예측 및 시간 예측 결과가 가장 양호한 ANFIS모델과 AR 모델을 선정하여 예측하는 것이 가장 바람직한 것으로 판단되었다.
- 표준편차는 평일과 주말보다 특이일의 경우 비교적 많은 차이를 보이고 있음을 알 수 있었다. 또한 표 1에서와 같이 2006년과 2007년도 기상자료와 수요량 간 상관관계 분석결과에서는 기온의 상관성이 약 0.2, 그리고 풍속의 경우 약 0.24 로서 기상인자에 대한 상관성이 매우 낮은 것으로 나타났다. 중소규모 공급시설인 지방 상수도 B정수장의 시간단위별 수요예측 결과를 그림 13에 도시하였으며 각 모델별로 시간단위 수요예측결과를 비교하기 위한 통계적 특성치를 표 3에 제시하였다.
- 또한, 일별 예측량을 구한 후 시간 예측량을 도출하는 방법을 제시하여 상호 비교분석을 통하여 최적의 예측 알고리즘을 제안하였다. 먼저 다중 선형회귀모델과 신경망모델을 적용한 결과 그림 4에서와 같이 각 모델의 예측 MAPE값이 9.22%, 9.59%로 나타나 다중 선형회귀모델이 신경망모델보다 예측특성이 양호함을 알 수 있었다. 반면, 일별 예측 후 시간별 예측한 경우 MAPE값이 7.
- 20%를 각각 얻었다. 반면 ELM 모델의 경우에는 일 예측의 경우 MAPE값이 4.72%, 시간별 예측한 결과의 MAPE는 9.45%로 나타나 광역상수도와 같은 대규모 공급시설의 일별, 시간별 수요예측을 위해서는 MLP 와 MR 모델이 가장 적합한 것으로 판명되었다.
- 59%로 나타나 다중 선형회귀모델이 신경망모델보다 예측특성이 양호함을 알 수 있었다. 반면, 일별 예측 후 시간별 예측한 경우 MAPE값이 7.58% 로 나타나 시간기준 예측모델인 다중선형회귀모델과 신경망 모델의 결과보다 양호한 결과를 얻었다.
- 31 %로나타났다. 시간별 예측의 경우 일 예측이 우수한 ANFIS 모델보다 양호한 6.91%의 결과를 얻은 반면 KF 모델의 경우에는 MAPE가 가장 크게 나타났다. 또한 일별 예측 결과에서는 KF 모델의 MAPE값이 5.
- 여기에서는 9개월 운영자료를 대상으로 적용하였으며, 그 결과, 일 예측율이 가장 양호한 특성을 나타낸 모델은 ANFIS 모델로서 MAPE값이 3.16%로 가장 양호한 결과를 보였으며 다음으로 MR 모델로서 MAPE값이 3.31 %로나타났다. 시간별 예측의 경우 일 예측이 우수한 ANFIS 모델보다 양호한 6.
- 2007년과 2008년 2년간 자료를 분석한 결과, 물 공급량이 줄어들고 있는데 이는 유수율 증대를 위해 수행된 관망정비사업의 개선효과로 볼 수 있으며 시간별 물 수요량 분석결과에서는 새벽시간보다 저녁시간대에 더 적게 사용하는 특성을 보여주고 있다(그림 12참조). 요일별 일원분산분석과 특이일에 대한 일원분산분석 결과에서는 평일과 주말의 경우 평균값은 거의 변화가 없으나 특이일 전과 특이일의 경우 약 15 % 물 공급량이 증가된것으로 나타났다. 표준편차는 평일과 주말보다 특이일의 경우 비교적 많은 차이를 보이고 있음을 알 수 있었다.
- 이는 과거 60일 데이터를 이용하여 각 시간대별 평균을 구하고 이를 각 시간대별 가중치로 환산하여 해당 시간에 고정 분배하는 방식을 말한다. 이와 같은 고정 분배방식을 모의 실험한 결과, 전체 예측오차는 MAPE 기준 약 8.1%로 나타났으며, 이를 각 요일별 오차율로 분석하면 다음 그림 7과 같이 일요일예측 결과가 약 11%로 가장 큰 오차를 보인다. 반면 화요일의 경우 약 6.
- 9%를 얻었으며, 요일별 오차율에 대한결과는 그림 9와 같다. 일요일의 경우 10.7% 오차율을 나타내어 가장 낮은 예측율을 보였으며, 화요일과 금요일의 경우 약 6.8%로 매우 양호한 예측결과를 얻을 수 있었다.
- 요일별 일원분산분석과 특이일에 대한 일원분산분석 결과에서는 평일과 주말의 경우 평균값은 거의 변화가 없으나 특이일 전과 특이일의 경우 약 15 % 물 공급량이 증가된것으로 나타났다. 표준편차는 평일과 주말보다 특이일의 경우 비교적 많은 차이를 보이고 있음을 알 수 있었다. 또한 표 1에서와 같이 2006년과 2007년도 기상자료와 수요량 간 상관관계 분석결과에서는 기온의 상관성이 약 0.
후속연구
- (4) 향후 본 연구 결과를 바탕으로 수운영시스템에 적용될 수있는 최적의 수요예측 모델을 도출함은 물론, 예측율이 높은 시뮬레이터를 제작하기 위하여 현장자료의 신뢰성을 높이고 국내 실정에 적합한 수요예측이 이루어질 수 있도록 수운영시스템의 완성도를 높여나가야 할 것이다.
- 그러나 지자체 수용가 물사용량 패턴의 불규칙성, 지자체 사업장 운영 데이터의 미공유, 사고시 연계운영에 따른 사업장별 운영패턴의 변화 및 잦은 전력요금체계 변경 등의 환경변화로 정확한 수요예측이 어려워 사업장별 최적의 경제적 운영에 한계성이 나타나고 있다. 또한 최적의 물수요 예측량으로 적정 정수생산량을 정확하게 결정함으로써 정수장 최적 운영이 가능하게 되나 위와 같은 문제점으로 여전히 단기 물수요 예측 기술이 활용되지 못하므로 국내 특성에 맞은 단기 물수요 예측 기술과 활용방안의 개발이 시급하다. 수운영시스템의 목적은 첫째, 급수구역에 충분한 수량과 적정한 수압을 확보하는것, 둘째, 사고나 재해의 긴급대응 즉 긴급시에 물 배분의 확보를 위한 운전관리, 셋째, 자동화를 통한 원격제어의 집중화에 의한 전력요금 절감 등 비용 저감을 도모하는 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.