[논문]계층적 군집분석방법을 활용한 건물 부하의 전력수요예측

황혜미; 이성희; 박종배; 박용기; 손성용

doi:10.5370/kiee.2015.64.1.041

문제 정의

본 연구에서는 특정 건물부하의 전력부하예측을 위하여 데이터마이닝의 기법 중, 사전 정보가 없거나 타깃(종속변수)이 없는 경우 수행되는 자율예측(Unsupervised Prediction) 기법의 하나인 계층적 군집분석(Hierarchical Cluster Analysis)을 적용하여 예측대상(전력부하)을 도출하고자 한다. 기존 연구들은 대부분 국내 전력수요 전체를 대상으로 하기 때문에 특정 건물에 대한 전력 부하를 제대로 설명하지 못하거나 향후 예측에 대한 운영이 용이하지 않을 수 있다.
이와 같은 방법에서 데이터의 예측 정확도는 시간당 부하패턴이 유사한 날짜를 정확히 찾아내는 방법과 밀접한 관련을 갖는다. 따라서 본 논문에서는 여러 가지 군집분석 방법 중 초기 그룹 설정 및 해석이 용이하고 그룹 간의 연관 관계를 쉽게 파악할 수 있는 계층적 군집분석을 활용한 전력부하의 예측 결과를 제시하고자 한다.
군집분석은 군집의 형태와 사용되는 유사도(Similarity) 혹은 비유사도(Dissimilarity)의 척도와 연관된 다양한 방법이 존재하는데, 군집분석을 위해 고려되는 변수가 3개 이하인 경우에는 산점도 등을 활용한 목측(目測)에 의한 군집 관계 파악이 바람직하지만 변수의 수가 늘어나게 되면 이러한 방식을 사용할 수 없게 되므로 여러 가지 군집분석 방법의 특성을 적절히 활용해야 한다. 따라서 본 논문에서는 연간 전력사용 데이터의 12개월 각각에 대한 특성을 도출하기 위하여 월별로 군집분석을 수행하였다. 특히 각 월별 날짜를 개체로 간주하고 24시간의 시간 변수에 따라 시간별 날짜의 유사도에 따른 그룹을 찾기 위한 계층적(Hierarchical) 군집분석을 실시하였으며, 이때 일간 평균전력의 유사도에 따라 그룹이 분류될 수 있도록 평균연결법(Average Linkage)을 활용하였다.
본 논문에서는 24시간에 대한 군집분석 이외에 On peak와 Off peak에 관한 군집분석을 함께 수행하여 각 월별 그룹의 분류가 유사한지를 검증하여 보았다. On peak 시간대는 오전 8시부터 오후 7시 사이, Off peak는 오후 7시부터 다음날 오전 8시 사이이며, 24시간에 관한 분석과 마찬가지로 2012년 1월～ 12월까지 1년간의 시간대별 전력부하 사용량 데이터를 활용하여 군집분석을 실시하였다.
본 논문에서는 목표 건물을 대상으로 전력부하의 연간 수요를 예측하기 위하여 계층적 군집분석을 활용한 전력수요 예측방법을 제시하였다. 이를 위하여 수립된 예측방법론에 따라 예측에 활용할 데이터들의 군집분석을 수행하기 위하여 수집된 자료들을 일별, 시간대별로 구분하여 정리한 후 계층적 군집분석을 수행하여 각 데이터들의 그룹핑을 통한 일별 수요특성을 도출하였다.

제안 방법

단기 전력 수요 예측은 크게 과거 시계열적인 특성을 고도화하기 위한 연구와 기상과 같은 요인들(Casual Factors)과의 관계를 규명하기 위한 연구로 나눌 수 있다[1, 11]. 과거 시계열적 특성을 활용하여 이중계절 지수평활법이나 삼중계절 방식을 활용하여 전력 수요를 예측해왔으며, ARIMA 모형을 사용하여 예측 방법의 정확도를 향상하였다[2, 3]. 또한 온도, 기간, 기온 등을 고려하거나 날씨와 같은 기상 상태를 고려한 회귀모형 등을 사용하여 국내 전력 수요를 다양한 방식으로 예측하고 있다[4, 10].
수요 예측은 평일, 주말, 특수일 및 특수 경부하 기간으로 세분화하며, 예측 대상에 대한 세부적인 운영은 특수 경부하 기간에 대한 수요 예측은 통계적인 예측방법으로 수행하기 힘들기 때문에 예년 해당기간 실적치의 평일대비 수요 저감률 및 수요경향을 분석한 후 전년대비 부하증가율과 최근 휴일의 평일대비 수요 저감률을 반영하여 예측한다. 주말이나 특수일과 같이 불연속적인 시계열 특성을 나타내는 단기 전력수요예측에서는 지수평활화법의 오차율이 높기 때문에 회귀분석법, 퍼지선형 회귀분석법, 인공신경망, 전문가 시스템 등과 같은 고도의 예측 기법들을 적용하고 있으며 오차율을 낮추기 위한 연구가 계속적으로 진행되고 있다.
본 연구에서는 건물 부하의 전력수요 히스토리를 활용하여 일별, 시간대별 전력수요를 예측하였다. 이를 위하여, 우선 그림 1과 같이 전력부하를 효과적으로 예측하기 위한 예측방법론을 수립하고 수요 예측에 활용할 데이터들의 군집분석을 수행하기 위하여 사전에 수집된 자료들을 일별, 시간대별로 구분하였다.
본 연구에서는 건물 부하의 전력수요 히스토리를 활용하여 일별, 시간대별 전력수요를 예측하였다. 이를 위하여, 우선 그림 1과 같이 전력부하를 효과적으로 예측하기 위한 예측방법론을 수립하고 수요 예측에 활용할 데이터들의 군집분석을 수행하기 위하여 사전에 수집된 자료들을 일별, 시간대별로 구분하였다.
수요 예측을 위한 학습데이터는 2012년 1월 1일부터 2012년 12월 31일까지 총 366일에 해당되는 실제 전력부하 측정 데이터를 활용하였다. 또한, 해당 데이터 중 일별 전력부하에는 그림 2에서 보는 바와 같이 연, 월, 일, 요일 등의 기본정보와 휴일명, 휴일여부와 같은 캘린더 정보들을 포함하였으며, 시간별 전력부하의 속성은 on peak(08:00～19:00), off peak(19:00～08:00)로 구분하고 시간은 1시간 간격과 15분 간격으로 정의하였다(그림 3 참조). 이후, 본 연구에서는 일자별 부하의 특성을 도출하고 해당 부하의 수요 예측 패턴 정립을 위한 군집분석을 수행하여 일별, 시간대별 부하 예측치를 산정하였고 이를 바탕으로 부하의 연간 패턴을 예측하였다.
또한, 해당 데이터 중 일별 전력부하에는 그림 2에서 보는 바와 같이 연, 월, 일, 요일 등의 기본정보와 휴일명, 휴일여부와 같은 캘린더 정보들을 포함하였으며, 시간별 전력부하의 속성은 on peak(08:00～19:00), off peak(19:00～08:00)로 구분하고 시간은 1시간 간격과 15분 간격으로 정의하였다(그림 3 참조). 이후, 본 연구에서는 일자별 부하의 특성을 도출하고 해당 부하의 수요 예측 패턴 정립을 위한 군집분석을 수행하여 일별, 시간대별 부하 예측치를 산정하였고 이를 바탕으로 부하의 연간 패턴을 예측하였다.
또한 예측된 부하 수요의 검증을 위하여 수집된 2013년 전력부하를 바탕으로 검증을 실시하였다. 이것은 2013년 1월 1일부터 2013년 10월 25일까지 측정된 총 300일 간의 전력 부하와 2012년 수요를 바탕으로 예측된 패턴에 의한 전력 수요 결과를 비교하여 정확도를 분석함으로써, 군집분석을 통한 부하 패턴 도출 결과를 검증하여 보았다.
또한 예측된 부하 수요의 검증을 위하여 수집된 2013년 전력부하를 바탕으로 검증을 실시하였다. 이것은 2013년 1월 1일부터 2013년 10월 25일까지 측정된 총 300일 간의 전력 부하와 2012년 수요를 바탕으로 예측된 패턴에 의한 전력 수요 결과를 비교하여 정확도를 분석함으로써, 군집분석을 통한 부하 패턴 도출 결과를 검증하여 보았다.
일간 데이터의 경우, 그림 2에서 보는 바와 같이 실제 전력부하(사용량) 실적과 예측용 날짜의 실적을 비교하여 일별 정확도를 확인할 수 있다. 이중, 해당 데이터의 예측용 날짜는 군집분석을 통하여 요일 및 휴일 여부 등을 고려하여 결정하였다. 시간대별 데이터의 경우도 마찬가지로, 그림 3에서 보는 바와 같이 실제 날짜의 데이터를 24시간 전체에 대하여 군집분석을 한 후 예측 값과의 비교를 통하여 시간대별 예측 데이터의 정확도를 확인하였다.
이중, 해당 데이터의 예측용 날짜는 군집분석을 통하여 요일 및 휴일 여부 등을 고려하여 결정하였다. 시간대별 데이터의 경우도 마찬가지로, 그림 3에서 보는 바와 같이 실제 날짜의 데이터를 24시간 전체에 대하여 군집분석을 한 후 예측 값과의 비교를 통하여 시간대별 예측 데이터의 정확도를 확인하였다. 이와 같은 방법에서 데이터의 예측 정확도는 시간당 부하패턴이 유사한 날짜를 정확히 찾아내는 방법과 밀접한 관련을 갖는다.
전술하였듯이 본 논문에서는 수집된 데이터를 통하여 24시간 및 On Peak, Off Peak에 대한 월별 군집분석을 수행하여 유사도를 찾아내고, 이를 바탕으로 수요예측 패턴을 수립하여보았다. 먼저 24시간 전체에 관한 월별 군집분석을 위하여 24시간 전체를 변수로 정의하고 각 월별 날짜들의 그룹핑 방식을 분석하였다.
전술하였듯이 본 논문에서는 수집된 데이터를 통하여 24시간 및 On Peak, Off Peak에 대한 월별 군집분석을 수행하여 유사도를 찾아내고, 이를 바탕으로 수요예측 패턴을 수립하여보았다. 먼저 24시간 전체에 관한 월별 군집분석을 위하여 24시간 전체를 변수로 정의하고 각 월별 날짜들의 그룹핑 방식을 분석하였다. 계층적 군집분석에서 평균연결볍, 최단연결법, WARD 연결법 등 알고리즘 별로 분석을 수행하였고, 각 알고리즘별 그룹핑 결과는 평균연결법에 의한 결과와 동일하였다.
본 논문에서는 24시간에 대한 군집분석 이외에 On peak와 Off peak에 관한 군집분석을 함께 수행하여 각 월별 그룹의 분류가 유사한지를 검증하여 보았다. On peak 시간대는 오전 8시부터 오후 7시 사이, Off peak는 오후 7시부터 다음날 오전 8시 사이이며, 24시간에 관한 분석과 마찬가지로 2012년 1월～ 12월까지 1년간의 시간대별 전력부하 사용량 데이터를 활용하여 군집분석을 실시하였다. 다음은 2012년 1월의 On peak/ Off peak 군집분석 결과이다.
분석 결과를 활용하여 수요예측패턴을 정립하기 위하여, 수행된 군집분석 결과는 그림 7과 같이 의사결정 나무모형을 활용하여 나타내었다. 우선 1차적으로 휴일의 여부와 휴일의 유형에 따라서 분류한 후, 평일을 월요일과 화요일～ 금요일까지로 2차 분류하고 연휴 전후에 따라 수요 패턴이 다르게 나타난 특이일, 마지막으로 정의되지 않은 기타 특수일로 분류하였다. 이중 예측에 활용하는 참조수요는 1주일 전 데이터, 1일 전 데이터, 전년도 동일 데이터를 기본으로 하였으며 예외적으로 연휴 전후에 대한 예측은 일반적으로 1주일 전 부하 변동의 폭이 크므로 2주 전 데이터를 활용하였다.
같은 방식으로 전력부하 패턴에 따라 2013년 데이터에 적용하여 타당성 검증을 수행하여 보았다. 2013년 1월 1일부터 2013년 10월 25일까지 총 300일에 대해 일별 데이터를 활용하여 검증한 결과, 절대오차율(APE)은 0.
본 논문에서는 목표 건물을 대상으로 전력부하의 연간 수요를 예측하기 위하여 계층적 군집분석을 활용한 전력수요 예측방법을 제시하였다. 이를 위하여 수립된 예측방법론에 따라 예측에 활용할 데이터들의 군집분석을 수행하기 위하여 수집된 자료들을 일별, 시간대별로 구분하여 정리한 후 계층적 군집분석을 수행하여 각 데이터들의 그룹핑을 통한 일별 수요특성을 도출하였다. 해당 부하패턴은 크게 휴일 및 평일, 토요일/일요일, 연휴 후 평일 등 총 7가지로 수요패턴이 분류되었으며(부하 고유의 이벤트에 의한 비정상적 수요패턴은 기타로 분류하여 총 8가지 패턴을 적용함), 이를 통하여 2012년의 일별, 시간대별 부하수요 예측치를 산정하여 보았다.
이를 위하여 수립된 예측방법론에 따라 예측에 활용할 데이터들의 군집분석을 수행하기 위하여 수집된 자료들을 일별, 시간대별로 구분하여 정리한 후 계층적 군집분석을 수행하여 각 데이터들의 그룹핑을 통한 일별 수요특성을 도출하였다. 해당 부하패턴은 크게 휴일 및 평일, 토요일/일요일, 연휴 후 평일 등 총 7가지로 수요패턴이 분류되었으며(부하 고유의 이벤트에 의한 비정상적 수요패턴은 기타로 분류하여 총 8가지 패턴을 적용함), 이를 통하여 2012년의 일별, 시간대별 부하수요 예측치를 산정하여 보았다.

대상 데이터

수요 예측을 위한 학습데이터는 2012년 1월 1일부터 2012년 12월 31일까지 총 366일에 해당되는 실제 전력부하 측정 데이터를 활용하였다. 또한, 해당 데이터 중 일별 전력부하에는 그림 2에서 보는 바와 같이 연, 월, 일, 요일 등의 기본정보와 휴일명, 휴일여부와 같은 캘린더 정보들을 포함하였으며, 시간별 전력부하의 속성은 on peak(08:00～19:00), off peak(19:00～08:00)로 구분하고 시간은 1시간 간격과 15분 간격으로 정의하였다(그림 3 참조).
우선 1차적으로 휴일의 여부와 휴일의 유형에 따라서 분류한 후, 평일을 월요일과 화요일～ 금요일까지로 2차 분류하고 연휴 전후에 따라 수요 패턴이 다르게 나타난 특이일, 마지막으로 정의되지 않은 기타 특수일로 분류하였다. 이중 예측에 활용하는 참조수요는 1주일 전 데이터, 1일 전 데이터, 전년도 동일 데이터를 기본으로 하였으며 예외적으로 연휴 전후에 대한 예측은 일반적으로 1주일 전 부하 변동의 폭이 크므로 2주 전 데이터를 활용하였다.

데이터처리

위와 같은 방법으로 부하패턴 그룹을 분류하면, 그에 따른 타당성의 검증이 필요하다. 따라서 본 논문에서는 앞서 예측된 결과의 타당성 검증을 위하여 각 그룹별 절대오차율(APE, Absolute Percent Error)과 실적치(y), 예측치(x) 간의 단순회귀모형(Simple Regression Model)의 결정계수(R-squared)를 계산하였다. 절대오차율은 0에서 1 사이의 값을 가지며 0에 가까울수록 오차가 작음을 의미한다.
먼저 24시간 전체에 관한 월별 군집분석을 위하여 24시간 전체를 변수로 정의하고 각 월별 날짜들의 그룹핑 방식을 분석하였다. 계층적 군집분석에서 평균연결볍, 최단연결법, WARD 연결법 등 알고리즘 별로 분석을 수행하였고, 각 알고리즘별 그룹핑 결과는 평균연결법에 의한 결과와 동일하였다.
앞서 예측된 결과의 타당성 검증을 위하여 정의된 7개 그룹과 특수 패턴(9번)에 대한 예측 결과는 전술한 바와 같이 식(6)～ 식(7)을 활용하여 절대오차율과 결정계수를 계산하여 비교하여 보았다. 산정된 결과는 표 2와 같다.

이론/모형

따라서 본 논문에서는 연간 전력사용 데이터의 12개월 각각에 대한 특성을 도출하기 위하여 월별로 군집분석을 수행하였다. 특히 각 월별 날짜를 개체로 간주하고 24시간의 시간 변수에 따라 시간별 날짜의 유사도에 따른 그룹을 찾기 위한 계층적(Hierarchical) 군집분석을 실시하였으며, 이때 일간 평균전력의 유사도에 따라 그룹이 분류될 수 있도록 평균연결법(Average Linkage)을 활용하였다.

성능/효과

분석 결과, 그림 4에서 보는 바와 같이 크게 휴일(신정연휴, 구정연휴, 토·일요일)과 평일로 구분되었으며, 그 외에도 연휴 다음날이 평일이나 휴일과는 다른 패턴을 나타냈다.
분석 결과, 그림 4에서 보는 바와 같이 크게 휴일(신정연휴, 구정연휴, 토·일요일)과 평일로 구분되었으며, 그 외에도 연휴 다음날이 평일이나 휴일과는 다른 패턴을 나타냈다. 또한 캘린더 상의 녹색으로 표시된 날짜와 같이 특이성을 갖는 패턴도 확인되었다. 이러한 경우는 주로 연휴 전날(2월의 경우 24일, 29일)이라는 공통점이 있었으며, 이는 연휴 전 휴가를 사용하는 사람들이 증가하는 경향이 있으므로 이로 인하여 전력 사용량의 변화가 발생한 것으로 판단된다.
위와 같은 방식으로 1년간 월별 24시간 군집분석을 실시한 결과, 평일의 경우에도 연휴 전후의 수요 특성에 따라 그룹이 나뉘었고, 휴일은 토요일과 일요일, 국경일, 연휴 등으로 그 특성이 구분되어 나타났다. 또한 평일은 요일에 따른 특성이 상이하게 나타났으며 월요일, 화요일～목요일, 금요일이 각 하나의 그룹으로 구성되었다.
또한 평일은 요일에 따른 특성이 상이하게 나타났으며 월요일, 화요일～목요일, 금요일이 각 하나의 그룹으로 구성되었다. 목표 부하의 특성에 따라 혹서기와 혹한기의 경우는 수요관리로 인하여 통상적인 특성과는 매우 다른 양상이 나타남을 확인할 수 있었다.
분석 결과에서 볼 수 있듯이, 군집분석을 수행하여 나타난 부하의 기본 패턴은 크게 휴일, 주말, 평일(일반), 평일(연휴 후)로 구분할 수 있으며 이외에도 부하의 특성에 따라 충분히 발생 가능한 별도 패턴(앞의 4가지 중 어느 쪽에도 속하지 않고 정의가 불가능한 특이패턴)도 구분하여 수요예측패턴을 정의하였다.
이를 바탕으로 본 수요패턴에 따른 규칙과 전년도 대비 예측정확도는 표 1과 같이 정리되었다. 표 1에서 보는 바와 같이 분석 결과는 특수 패턴(그림 7에서 9번)을 포함하여 총 8가지 패턴으로 구분되었으며 2012년을 기준으로 예측정확도를 비교해 본 결과, 2012년 전체 366일 중에서 82%에 해당하는 300일에 대한 정확도가 90%를 초과하는 것을 확인하였다. 그 외 나머지 66일은 사무실 용도인 건물의 특성에 따라 혹서기 및 혹한기의 수요관리기간 및 건물 자체의 정비 및 점검, 또는 행사 등과 같은 이벤트에 의하여 예측 정확도가 떨어진 것으로 판단된다.
이중 그림 7의 5번에 해당하는 일반 평일(화요일～금요일)의 경우는 주로 수요관리에 의한 경부하가 발생되어 참조수요를 따라가지 못하는 결과를 나타내었고, 그림 7의 2번에 해당하는 일반 휴일(토·일요일)은 주말을 이용한 건물 자체 정비 및 점검 등으로 인하여 5번과 마찬가지로 참조수요와는 다른 양상을 나타내었다. 특히, 연휴가 집중되는 국경일 또는 휴일의 경우, 건물 내 전력 사용자들의 휴가 사용 등으로 인하여 전력부하 패턴이 매우 다르게 발생함을 확인할 수 있었다.
산정된 결과는 표 2와 같다. 표에서 보는 바와 같이, 각 수요패턴들에 대한 전반적인 검증결과는 절대오차율(APE) 1.3%, 결정계수(R-squared) 100.0%로 전체적으로 매우 타당함을 나타내었다. 패턴 그룹별로 살펴보면 절대오차율이 5%를 초과하는 경우는 국경일 및 연휴(1번)의 경우 7.
같은 방식으로 전력부하 패턴에 따라 2013년 데이터에 적용하여 타당성 검증을 수행하여 보았다. 2013년 1월 1일부터 2013년 10월 25일까지 총 300일에 대해 일별 데이터를 활용하여 검증한 결과, 절대오차율(APE)은 0.7%, 결정계수는 70.9%로 나타났다. 패턴 그룹별로 절대오차율이 5% 이상인 경우는 2012년과 마찬가지로 국경일 및 연휴(1번)의 경우 8.
3%였다. 2013년은 2012년과 비교하여 큰 차이를 나타내지 않은 것을 확인할 수 있었으며 절대오차율의 평균은 0.7%에 불과하여 본 논문에서 사용한 방식의 예측정확도는 매우 높은 것으로 분석되었다.
그 결과, 2012년 366일에 대한 예측 정확도는 평균 82%로 나타났으며 이중 300일의 정확도가 90%를 초과하였다. 그 외 정확도가 90% 이하로 나타난 66일은 군집분석 시 이상수요 패턴을 나타냈다.
또한 예측 방식의 타당성을 검증하기 위하여 예측의 절대오차율(APE) 및 단순회귀모형의 결정계수(R-squared)를 계산해 본 결과 2012년의 경우 절대오차율 1.3%, 결정계수 100.0%로 나타났고, 2013년 300일수에 대한 경우도 각각 0.7%, 80.9%로 나타남으로서 해당 예측은 매우 타당한 것으로 판단되었다. 본 연구의 결과를 통하여 얻어진 목표 건물에 대한 전력수요 예측패턴은 향후 목표 부하의 양적인 변동 및 실시간 예측오차 등을 고려한 보정에 관한 연구가 더해질 예정이며, 이를 활용하여 더욱더 정밀하고 정확한 부하수요예측을 통하여 목표 건물의 EMS 운영에 반영할 예정이다.

후속연구

9%로 나타남으로서 해당 예측은 매우 타당한 것으로 판단되었다. 본 연구의 결과를 통하여 얻어진 목표 건물에 대한 전력수요 예측패턴은 향후 목표 부하의 양적인 변동 및 실시간 예측오차 등을 고려한 보정에 관한 연구가 더해질 예정이며, 이를 활용하여 더욱더 정밀하고 정확한 부하수요예측을 통하여 목표 건물의 EMS 운영에 반영할 예정이다.

핵심어	질문	논문에서 추출한 답변
	평균연결법은?	평균연결법(Average Linkage Method)은 유사도를 표현하는 방식 중의 하나로서 두 군집 U, N 사이의 거리를 각 군집에 속하는 모든 개체들의 평균거리로 정의하여 가장 유사성이 큰 군집을 묶어 나가는 방식이다. 즉, 크기가 각각 N1, N2 인 두 군집 U, N에서 각 군집에 속해 있는 개체 하나씩을 선택하여 N1 × N2 가지의 거리 dij의 평균을 정의한 것으로 식(1)과 같이 나타낼 수 있다.
	최근의 에너지 효율향상에 대한 관심이 증대됨에 따라 공급 측면이 아닌 수요 측면에서의 수요 반응 및 수요 관리에 대한 중요성이 더욱 커지고 있는데 이를 뒷받침하는 사례에는 무엇이 있는가?	특히, 최근의 에너지 효율향상에 대한 관심이 증대됨에 따라 공급 측면이 아닌 수요 측면에서의 수요 반응 및 수요 관리에 대한 중요성이 더욱 커지고 있다. 이와 관련하여 부하에 에너지 저장장치(ESS, Energy storage system) 및 신재생에너지 등을 활용하여 에너지관리시스템(EMS, Energy management system)을 적용하는 사례가 늘고 있는데, 이러한 시스템에서는 관리 대상이 되는 전력 부하의 정확한 부하 사용 패턴을 파악하는 것이 중요하다. 전력 부하 예측에 관한 연구는 주로 예측 정확도를 향상시키기 위하여 통계적, 수리적 모형의 입장에서 다양한 방법으로 진행되어 왔으며, 예측 대상을 세분화하여 예측력이 떨어지는 구간에 대한 추정방법론을 제시하거나 고도의 예측 모형을 제안, 또는 예측 기법을 다양하게 활용하여 비교하고 있다.
	단기 전력 수요 예측은 어떤 연구는 크게 어떻게 나뉘어 연구되고 있는가?	전력 부하 예측에 관한 연구는 주로 예측 정확도를 향상시키기 위하여 통계적, 수리적 모형의 입장에서 다양한 방법으로 진행되어 왔으며, 예측 대상을 세분화하여 예측력이 떨어지는 구간에 대한 추정방법론을 제시하거나 고도의 예측 모형을 제안, 또는 예측 기법을 다양하게 활용하여 비교하고 있다. 단기 전력 수요 예측은 크게 과거 시계열적인 특성을 고도화하기 위한 연구와 기상과 같은 요인들(Casual Factors)과의 관계를 규명하기 위한 연구로 나눌 수 있다[1, 11]. 과거 시계열적 특성을 활용하여 이중계절 지수평활법이나 삼중계절 방식을 활용하여 전력 수요를 예측해왔으며, ARIMA 모형을 사용하여 예측 방법의 정확도를 향상하였다[2, 3].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

[국내논문] 계층적 군집분석방법을 활용한 건물 부하의 전력수요예측
Load Forecasting using Hierarchical Clustering Method for Building 원문보기

Abstract ▼ AI-Helper

Keyword

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (11)

이 논문을 인용한 문헌

저자의 다른 논문 :

연구과제 타임라인

활용도 분석정보

활용도 Top5 논문

관련 콘텐츠

원문 보기

원문 URL 링크

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

[국내논문] 계층적 군집분석방법을 활용한 건물 부하의 전력수요예측 Load Forecasting using Hierarchical Clustering Method for Building 원문보기

Abstract ▼ AI-Helper

Keyword

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (11)

이 논문을 인용한 문헌

저자의 다른 논문 :

황혜미 (19) 박종배 (76) 박용기 (8)

연구과제 타임라인

전체(0) 논문(0) 특허(0) 보고서(0)

전체(0) 논문(0) 특허(0) 보고서(0)

활용도 분석정보

활용도 Top5 논문 더보기

관련 콘텐츠

원문 보기

원문 URL 링크

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

[국내논문] 계층적 군집분석방법을 활용한 건물 부하의 전력수요예측
Load Forecasting using Hierarchical Clustering Method for Building 원문보기

AI 본문요약
AI-Helper

활용도 Top5 논문