$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

[국내논문] 계절 및 날씨 정보를 이용한 인공신경망 기반 전력수요 예측 알고리즘 개발
The Artificial Neural Network based Electric Power Demand Forecast using a Season and Weather Informations 원문보기

Journal of the Institute of Electronics and Information Engineers = 전자공학회논문지, v.53 no.1, 2016년, pp.71 - 78  

김미경 (상명대학교 컴퓨터과학과) ,  홍철의 (상명대학교 컴퓨터과학과)

초록
AI-Helper 아이콘AI-Helper

본 논문은 인공 신경망에 기반을 둔 새로운 전력 수요 예측 모델을 제시한다. 인공 신경망 입력 변수로 시간과 날씨요소를 고려하였다. 시간 요소는 하절기와 동절기 전력수요 데이터의 자기 상관계수를 측정하여 선정하였고, 날씨요소는 피어슨 상관계수를 이용하여 선정하였다. 중요한 날씨요소로는 온도와 이슬점으로 이들은 전력수요와 밀접한 상관관계를 가지고 있다. 반면에 습도, 기압, 풍속 등과 같은 날씨요소는 전력수요와의 상관관계가 높지 않게 나타나 신경망의 입력 변수에서 제외하였다. 실험결과 새로이 제안한 인공 신경망을 이용한 전력수요 모델은 시간요소 및 날씨요소와 이에 대한 가중치를 피크 전력율과 계절에 따라 차등 적용하여 높은 적중률을 보였다.

Abstract AI-Helper 아이콘AI-Helper

This paper proposes the new electric power demand forecast model which is based on an artificial neural network and considers time and weather factors. Time factors are selected by measuring the autocorrelation coefficients of load demand in summer and winter seasons. Weather factors are selected by...

Keyword

AI 본문요약
AI-Helper 아이콘 AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

  • 본 논문에서는 급격한 전력수요 변동을 예측 결과에 반영하기 위해 온도 민감도뿐만 아니라, 과거 실제 전력수요와 비교적 높은 상관관계를 갖는 날씨요소를 추가 선별하고, 하절기와 동절기에 전력 소비가 집중 분포되는 구간의 전력 수요를 보다 민감하게 입력변수에 반영하기 위해, 피크 전력율에 따라 날씨요소 가중치를 보정하는 단기 전력수요예측 모델을 제안한다.
본문요약 정보가 도움이 되었나요?

질의응답

핵심어 질문 논문에서 추출한 답변
전력수요 예측시스템이란 무엇인가? 전력수요 예측시스템은 안정적인 전력공급 뿐만 아니라 전력소비 비용 절감을 위한 에너지 관리의 핵심 요소이다. 전력수요 예측은 장기적으로 많은 자본과 시간이 필요한 발전기, 송전신호, 변압기 등 전력계통의 안정적 수급관리 능력을 보장하고, 이를 기반으로 설비 예비율(Capacity Reserve Margin) 책정 기준을 제시한다.
전력수요 예측이 중요한 이유는? 전력수요 예측시스템은 안정적인 전력공급 뿐만 아니라 전력소비 비용 절감을 위한 에너지 관리의 핵심 요소이다. 전력수요 예측은 장기적으로 많은 자본과 시간이 필요한 발전기, 송전신호, 변압기 등 전력계통의 안정적 수급관리 능력을 보장하고, 이를 기반으로 설비 예비율(Capacity Reserve Margin) 책정 기준을 제시한다. 또한, 단기적으로는 송전계획 및 부하급전 관리를 위한 판단 근거를 제공함으로써 정전으로 인한 막대한 사회적 비용손실을 예방할 수 있도록 하는 한편, 발전 경쟁시장에서 수급 조정에 따른 비용 감소에 적극 대응이 가능하도록 한다.
전력수요 예측은 예측 기간에 따라 구분할 수 있는데, 이 중 장기 예측이란 무엇인가? 전력수요 예측은 예측 기간에 따라 장기, 중기 및 단기 예측으로 구분 지을 수 있다. 장기 예측은 장기 전력 수급계획 수립의 첫 단계로 향후 발전 용량 증설이나, 기타 발전시스템 설비 계획 등 거시적 발전 자원을 최적화하여 운용한다는 측면에서 중요한 요소이다. 특히, 장기 예측은 경제적 요소에 의해 많은 영향을 받는데, 각종 산업시설, 서비스업 등의 경제 활성화 정도나 인구 성장률, 온난화 규제 등 경제적 관점에서 전력수요와 경제적 요소는 장기적으로 밀접한 관련이 있다. 중기 예측은 연료 할당 및 유지 관리 계획, 전력 송출관 리, 하절기나 동절기 피크 전력계획 등에 사용된다.
질의응답 정보가 도움이 되었나요?

참고문헌 (12)

  1. Bureau of economic analysis, U.S. Department of commerce (2013). Retrieved from http://www.bea.gov. 

  2. M. Buhari, S. Adamu, "Short - Term Load Forecasting Using Artificial Neural Network," in Proceedings of the International MultiConference of Engineers and Computer Scientists, vol. 1, pp. 806-811, 2012. 

  3. F. Mosalman, A. Mosalman, H.M. Yazdi, M.M. Yazdi, "One day-ahead load forecasting by artificial neural network," in Scientific Research and Essays, vol. 6, pp. 2795-2799, 2011. 

  4. K. Kim, "Fuzzy Expert System for Short-Term Load Forecasting Concerning Changes in Temperature", The Confernece of IEIE, 1995. 1. 

  5. PJM.: Manual 19: Load Forecasting and Analysis Date. Prepared by Resource Adequacy Planning, 2013. 

  6. J. L. Mathieu, P. N. Price, S. Kiliccote, M. A. Piette, "Quantifying Changes in Building Electricity Use, with Application to Demand Response," Smart Grid IEEE Transactions, vol. 2, pp.507-518, 2011. 

  7. Bureau of economic analysis. U.S. Department of commerce, http://www.bea.gov, 2013. 

  8. S. Ha, K. Song and H. Kim, "Short-Term Load Forecasting Using Neural Networks and the Sensitivity of Temperatures in the Summer Season", The Transactions of KIEE, Vol. 54A, No. 6, pp. 259-266, 2005. 

  9. J. Han and J. Baek, "The Load Forecasting in Summer Considering Day Factor", The Transactions of KAIS, Vol. 11, No. 8, pp. 2793-2800, 2010. 

  10. Y. Park and B. Wang, "Neuro-Fuzzy Model based Electrical Load Forecasting System", The Transactions of KIIS, Vol. 14, No. 5, pp. 553-538, 2004. 

  11. J. Park and K. Song, "Short-Term Load Forecast for Summer Special Light-Load Period", The Transactions of KIEE, Vol. 62, No. 4, pp. 482-488, 2013. 

  12. D. Ortiz-Arroyo, M.K. Skov, and Q. Huynh, "Accurate Electricity Load Forecasting with Artificial Neural Networks," in Proceedings of the International Conference on Computational Intelligence for Modeling, Control and Automation and International Conference on Intelligent Agents, Web Technologies and Internet Commerce, IEEE Press, Vienna, pp. 94-99, 2005. 

저자의 다른 논문 :

관련 콘텐츠

이 논문과 함께 이용한 콘텐츠

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로