다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기
Journal of the Institute of Electronics and Information Engineers = 전자공학회논문지, v.53 no.1, 2016년, pp.71 - 78
김미경 (상명대학교 컴퓨터과학과) , 홍철의 (상명대학교 컴퓨터과학과)
AI-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...
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
| 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. |
Bureau of economic analysis, U.S. Department of commerce (2013). Retrieved from http://www.bea.gov.
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.
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.
K. Kim, "Fuzzy Expert System for Short-Term Load Forecasting Concerning Changes in Temperature", The Confernece of IEIE, 1995. 1.
PJM.: Manual 19: Load Forecasting and Analysis Date. Prepared by Resource Adequacy Planning, 2013.
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.
Bureau of economic analysis. U.S. Department of commerce, http://www.bea.gov, 2013.
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.
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.
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.
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.
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.
*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.
Copyright KISTI. All Rights Reserved.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.