많은 정보가 데이터로 저장되면서, 데이터를 분석하거나 특수 상황을 예측하기 위한 연구들이 진행되고 있다. 특히, 전력 데이터의 경우 환경적 요인에 의한 예측 연구 및 신재생 에너지를 활용하는 스마트그리드와 마이크로그리드 연구들이 진행 중이다. 본 논문에서는 전력 데이터의 예측을 위해 주변 환경에서 나타나는 데이터를 활용하고자 한다. 이때, 단순 기상 데이터가 아닌 이전 시간에 따른 여러 인자를 반영하여 데이터 예측이 올바르게 이루어지는지를 검증하고자 한다. 검증 과정에서는 유사 기온을 가지는 전력 데이터 선별 예측 결과와 전력 데이터의 길이에 따른 전력 수요 예측 결과를 비교군으로 두고, 기상 정보를 추가 활용하였을 때의 전력 수요 예측 결과를 비교 분석한다. 실험 결과를 통해 기상 정보를 이용할 경우 평균 15% 이내의 최대 오차율 감소 효과를 확인할 수 있다.
많은 정보가 데이터로 저장되면서, 데이터를 분석하거나 특수 상황을 예측하기 위한 연구들이 진행되고 있다. 특히, 전력 데이터의 경우 환경적 요인에 의한 예측 연구 및 신재생 에너지를 활용하는 스마트그리드와 마이크로그리드 연구들이 진행 중이다. 본 논문에서는 전력 데이터의 예측을 위해 주변 환경에서 나타나는 데이터를 활용하고자 한다. 이때, 단순 기상 데이터가 아닌 이전 시간에 따른 여러 인자를 반영하여 데이터 예측이 올바르게 이루어지는지를 검증하고자 한다. 검증 과정에서는 유사 기온을 가지는 전력 데이터 선별 예측 결과와 전력 데이터의 길이에 따른 전력 수요 예측 결과를 비교군으로 두고, 기상 정보를 추가 활용하였을 때의 전력 수요 예측 결과를 비교 분석한다. 실험 결과를 통해 기상 정보를 이용할 경우 평균 15% 이내의 최대 오차율 감소 효과를 확인할 수 있다.
Much of the information is stored as data, research has been activated for analyzing the data and predicting the special circumstances. In the case of power data, the studies, such as research of renewable energy utilization, power prediction depending on site characteristics, smart grid, and micro-...
Much of the information is stored as data, research has been activated for analyzing the data and predicting the special circumstances. In the case of power data, the studies, such as research of renewable energy utilization, power prediction depending on site characteristics, smart grid, and micro-grid, is actively in progress. In this paper, we propose a power prediction model using the substation environment data. In this case, we try to verify the power prediction result to reflect the multiple arguments on the power and weather data, rather than a simple power data. The validation process is the effect of multiple factors compared to other two methods, one of power prediction result considering power data and the other result using power pattern data that have been made in the similar weather data. Our system shows that it can achieve max prediction error of less than 15%.
Much of the information is stored as data, research has been activated for analyzing the data and predicting the special circumstances. In the case of power data, the studies, such as research of renewable energy utilization, power prediction depending on site characteristics, smart grid, and micro-grid, is actively in progress. In this paper, we propose a power prediction model using the substation environment data. In this case, we try to verify the power prediction result to reflect the multiple arguments on the power and weather data, rather than a simple power data. The validation process is the effect of multiple factors compared to other two methods, one of power prediction result considering power data and the other result using power pattern data that have been made in the similar weather data. Our system shows that it can achieve max prediction error of less than 15%.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
전력 데이터는 변전소별로 일정한 수요 모형이 존재하기 때문에 일반 SVM을 활용하는 것보다는 회귀 함수를 사용하는 것이 좋다. 본 논문에서는 SVM 성능 향상을 위해 회귀 함수를 적용한 SVR을 이용하고자 한다 [4]. SVR은 기본 모형을 만들기 위한 회귀 함수를 구성하고, 학습 데이터를 통해 회귀 함수를 근사한다.
본 논문에서는 공장지대 및 주거지역에 대한 예측 결과를 비교하기 위해 각 패턴 모형이 나타나는 사하구 지역과 동래 지역의 전력 및 기상 데이터를 활용하여 수요 예측 실험을 진행하였다.
본 논문에서는 전력 및 기상 데이터 특성을 이용하여 전력 예측 가능성을 검증하고자 한다. 데이터를 구성하기 위해 시간별 전력 / 기상 데이터를 활용하고자 하며, 실험 방법에 따라 데이터를 분류하여 유사 연구들과의 차이를 분석하고자 한다.
본 논문에서는 지역적 전력 수요 패턴 이외에도 계절에 따른 전력 수요 패턴을 비교 분석하였으며, 이는 [표 1], [표 2]의 분석 결과를 통해 알 수 있다.
본 논문은 SVR을 활용하여 기존 연구의 예측 결과를 비교 분석하고자 한다. 회귀 함수 추정을 위해 입력되는 매개변수 정보는 [표 3]과 같다.
본 논문은 전력 수요 예측에 대해 국내외 실증 사례 및 현재 사용되고 있는 전력 수요 예측 기법을 분석하였다. 또한, 회귀 함수가 적용된 기계학습 기법인 SVR을 이용하여 전력 및 기상 데이터를 동시에 고려하였을 때의 전력 수요 예측 실험을 진행하였다.
전력 데이터에 영향을 주는 요인으로 계절 및 휴일과 같은 상황적인 특징과 인구수 증가, 지역 특성과 같은 환경적 특성이 존재한다. 본 연구에서는 같은 전력 데이터 및 기상 데이터의 시간적 유사성을 기준으로 기상 및 전력 데이터에 따른 특성을 분석한다. 이를 기준으로 단일 전력 데이터에 대한 수요 예측 및 기상 정보를 추가로 사용한 수요 예측을 시행하여, 기상 정보를 전력 수요에 이용하였을 때의 비교 실험을 진행하고자 한다.
전력 수요 예측을 진행할 때, 전력 및 기온 패턴은 예측 시간으로부터 k 시간 이전까지의 관측된 부분 시계열 데이터를 활용한다. 본 연구에서는 단일 전력 데이터를 이용한 전력 수요 예측의 한계를 극복하기 위해 전력 수요 패턴 분석에서 나타나는 기상 정보를 반영한다. 공휴일과 같은 특수 상황의 경우 학습 데이터가 충분할 때, 예측 결과가 실제 데이터와 유사한 것을 바탕으로 예측을 위한 인자로 활용하지 않았다.
또한, 전력 및 기상 데이터를 추가 확보하여, 특수 상황 및 강수량 정보와 같이 본 논문에서 활용하지 못한 데이터를 추가로 적용하여 다중 특성에 대한 전력 수요 예측 기법을 개선한다. 이외에 PJM과 같이 여러 기법을 순차적으로 적용하거나 피드백 과정을 거쳐 오차율을 감소시키는 방안에 대해서도 고려하고자 한다. 이를 위해 기존 전력 수요 예측 연구에서 나타나는 회귀 분석 모델[13][14]과 다중 시계열에 대한 엔트로피 연구를 응용하고자 한다[15].
기존 연구에서 진행된 회귀 분석 및 기계 학습을 이용한 전력 수요 예측 기법들은 유사 기온에 따른 데이터 필터링을 진행하거나, 학습 데이터가 이전 시간의 전력 수요를 고려하였다. 하지만 본 논문에서는 k 길이에 따른 전력 및 기온 벡터를 학습하여 예측 정확도를 개선하고자 한다.
제안 방법
본 논문에서는 전력 및 기상 데이터 특성을 이용하여 전력 예측 가능성을 검증하고자 한다. 데이터를 구성하기 위해 시간별 전력 / 기상 데이터를 활용하고자 하며, 실험 방법에 따라 데이터를 분류하여 유사 연구들과의 차이를 분석하고자 한다. 전력 예측을 위해 기계 학습 기법인 SVM(Support Vector Machine)에 회귀 분석 함수를 적용한 SVR(Support Vector Regression)을 이용하였다[4].
전력 시계열 데이터에 대해 SVR이 아닌 비선형 회귀 분석 모델 및 전력 시계열 패턴에 대한 분류를 적용하여 추가적인 실험을 시행한다. 또한, 전력 및 기상 데이터를 추가 확보하여, 특수 상황 및 강수량 정보와 같이 본 논문에서 활용하지 못한 데이터를 추가로 적용하여 다중 특성에 대한 전력 수요 예측 기법을 개선한다. 이외에 PJM과 같이 여러 기법을 순차적으로 적용하거나 피드백 과정을 거쳐 오차율을 감소시키는 방안에 대해서도 고려하고자 한다.
본 논문은 전력 수요 예측에 대해 국내외 실증 사례 및 현재 사용되고 있는 전력 수요 예측 기법을 분석하였다. 또한, 회귀 함수가 적용된 기계학습 기법인 SVR을 이용하여 전력 및 기상 데이터를 동시에 고려하였을 때의 전력 수요 예측 실험을 진행하였다. 이를 검증하기 위해 단일 전력 및 유사 기온에 대한 전력 수요 예측 비교 실험을 진행하여, 기상 정보를 활용하였을 때의 예측 정확도를 비교하여, 전력 데이터만을 사용한 수요 예측 결과와의 최대 오차율 차이가 15% 이상 개선되는 것을 알 수 있다.
[표 6]은 변전소의 전력 데이터의 현황을 나타내며, 전력 데이터는 시간당 전력 수요 정보가 저장되어 있다. 변전소의 위치 정보는 검색할 수 없으므로, 관측소 소재지를 기준으로 분류하였다. 각 변전소의 전력 수요 패턴은 ‘주거, 공단, 특이’세 가지로 분류하였으며, ‘특이’는 다른 패턴과 유사성이 없음을 의미한다.
본 논문에서 전력 및 기상 데이터를 고려하여 전력 예측을 하기 위한 과정으로 전력 수요 및 기상 정보에 대한 파일 호출 및 병합 과정이 이루어지며, 지역에 따른 학습 및 평가 데이터 선정, SVR을 이용한 데이터 학습 및 예측, 결과 비교 평가 순서로 예측이 진행된다. [그림 8]은 전력 수요 예측 프로세스를 나타내며, 전력 및 기상 학습 데이터의 벡터 변화 및 매개변수 설정, 예측 기법을 달리하여 SVR 사용에 따른 예측 결과를 검증하고자 한다.
본 논문에서는 기상 정보를 반영한 전력 수요 예측을 시행하며, 이를 검증하기 위해 3가지 비교 실험을 진행하였다. 이는 유사 기온 검색에 따른 전력 패턴 추출 및 신뢰 구간 계산에 따른 전력 예측 기법과 단일 전력 SVR 예측 실험 및 전력/기온 데이터를 사용한 SVR 예측 실험이다.
전력 예측을 위해 기계 학습 기법인 SVM(Support Vector Machine)에 회귀 분석 함수를 적용한 SVR(Support Vector Regression)을 이용하였다[4]. 본 연구에서 사용한 SVR의 비교 실험을 위해 유사 기온 데이터를 가지는 전력 패턴 데이터와 전체 데이터에 대한 비교 실험을 통해, 제안 기법의 예측 효율성을 검증한다.
실제 변전소 데이터를 활용하는 과정에 있어서, 데이터 한계로 인해 전력 데이터 이외에 기온 데이터를 이용한 실험을 진행하였다. 이는 강수량과 천재지변과 같은 특수 상황을 반영하기에는 데이터양이 풍부하지 않고 2011년에서 2014년까지의 기후 조건 가운데 기온 데이터만 활용 가능하였다.
인접 시계열 간의 거리가 멀 경우 필터링 되며, [그림 10]과 같이 예외적인 전력 패턴이 제거된다. 유사 전력 패턴을 기준으로 신뢰 구간 계산에 따른 예측 값을 산정하여, 평가 데이터에서 나타나는 전력 예측 값이 신뢰 구간 내에 존재할 경우 정답으로 평가한다. 예측 실험에서 사용되는 신뢰구간은 선정된 표본 데이터에 대한 95% 신뢰구간을 계산하여 구간 안에 있는 경우 예측된 것으로 판단한다.
본 연구에서는 같은 전력 데이터 및 기상 데이터의 시간적 유사성을 기준으로 기상 및 전력 데이터에 따른 특성을 분석한다. 이를 기준으로 단일 전력 데이터에 대한 수요 예측 및 기상 정보를 추가로 사용한 수요 예측을 시행하여, 기상 정보를 전력 수요에 이용하였을 때의 비교 실험을 진행하고자 한다.
이외에 PJM과 같이 여러 기법을 순차적으로 적용하거나 피드백 과정을 거쳐 오차율을 감소시키는 방안에 대해서도 고려하고자 한다. 이를 위해 기존 전력 수요 예측 연구에서 나타나는 회귀 분석 모델[13][14]과 다중 시계열에 대한 엔트로피 연구를 응용하고자 한다[15].
전력 수요 예측 모델을 제안하기에 앞서, 부산 지역 내 각 변전소의 전력 수요 패턴을 분석하였다. 이는 변전소의 지역 및 기간 특성에 따라 전력 수요 변화를 분류하기 위함이다.
전력 수요 예측을 위해 전력 및 기상 데이터의 시간적 특성 및 이전 시간대의 데이터를 함께 사용하여 유사한 데이터에 대한 회귀 분석 결과를 예측에 활용한다. SVM은 실증적인 위험을 최소화하기 위해 사용되는 기법으로 기존 예측 기법들보다 학습 및 예측 결과의 정확도가 높게 나타나며, 비선형 데이터에 대한 학습도 가능하다.
전력 시계열 데이터에 대해 SVR이 아닌 비선형 회귀 분석 모델 및 전력 시계열 패턴에 대한 분류를 적용하여 추가적인 실험을 시행한다. 또한, 전력 및 기상 데이터를 추가 확보하여, 특수 상황 및 강수량 정보와 같이 본 논문에서 활용하지 못한 데이터를 추가로 적용하여 다중 특성에 대한 전력 수요 예측 기법을 개선한다.
한국 전력 거래소에서 수요 예측에 사용하는 데이터는 시간 단위 전력 데이터와 일일 최고/최저 기온, 특수 상황에 대한 조사 조업률이다. 지역별 전력 수요가 아닌 전국 단위의 전력 수요를 예측하기 때문에, 전국 8개 도시 기온을 이용하여 전국 대표기온을 추정 후 수요 예측을 시행한다. 이외에도 통계 기법을 적용한 전력 수요 예측 연구가 진행되고 있다.
변전소의 위치 특성에 따라 주로 나타나는 패턴은 2가지로, 일부 지역에 따라 전력 수요 패턴이 다르거나 수요가 작아 패턴을 구분 할 수 없는 변전소가 존재한다. 하지만 특정 지역에서 수요 패턴이 다르게 나타나는 경우에도 주거지 및 공단에 따른 특성이 나타나므로, 본 논문에서는 부산에 위치한 변전소에서 나타나는 전력 패턴을 공단, 주거, 특이 지역으로 분류하였다. 특이 지역의 경우 일정한 전력 수요 패턴이 나타나지 않는 지역을 의미한다.
데이터 분류가 수행되고 나면, 예측 실험을 위해 학습 및 평가 데이터를 선정한다. 학습 및 예측 범위를 산정하기 위해 전력 및 기상 정보 데이터의 중첩 범위를 분석하였다. 전력 및 기상 정보 데이터에 대한 데이터 발생 기간을 분석한 결과, 2011년부터 2014년까지의 데이터가 중첩되는 기간으로 나타났다.
대상 데이터
단일 전력 데이터를 활용하여 전력 예측을 시행한 결과는 [표 8] 및 [표 9]와 같다. SVR을 이용한 전력 예측의 학습 데이터는 2011년도부터 2013년도까지 시간 단위 전력 수요 데이터를 이용하였다. 평가 데이터는 실제 2014년도의 실제 시간별 전력 수요 데이터를 이용하 였다.
다대 지역은 지역 특성에 의한 분류 중 공단 지역의 특성이 강하다. 각 계절의 대표 전력 및 기온 데이터는 2014년을 기준으로 1, 4, 7, 10월의 각 4주의 화요일 데이터를 수집한 것이다. 각 대표 데이터의 데이터 추이 변화를 통해 기온에 따른 전력 사용량 변화가 나타나는 것을 확인할 수 있다.
CAISO는 기후적 특징을 기준으로 10개의 기후지역을 분류하고, 지역별 수요예측자료가 전체 예측 자료로 취합되는 상향식 모델을 기반으로 하고 있다. 수요 예측 모델은 신경 회로망 모델과 ARIMA를 기반의 ALFS(Automated Load Forecasting System) 프로그램을 활용하고 있으며, 기상자료는 24개의 기상관측지점의 9일 예보자료로써, 기온, 이슬점, 풍속, 조도 등을 사용하고 매시간별로 기상 실측자료를 업데이트한다. 하루 전 수요예측은 전일 오전 9시에 시행하고 있다[10].
실험에 사용된 데이터는 부산 소재 변전소 및 기상 관측 기기에서 발생하는 데이터를 활용한다. [표 4-6]은 기상 관측소 및 변전소의 현황 및 저장 정보를 나타낸다.
전력 및 기상 정보 데이터에 대한 데이터 발생 기간을 분석한 결과, 2011년부터 2014년까지의 데이터가 중첩되는 기간으로 나타났다. 이에 따라, 2011년부터 2013년까지의 데이터를 학습에 이용하고, 2014년도 데이터를 평가 데이터로 활용하여 예측 실험을 진행하였다. 실험 데이터의 특성은 [표 4-6]을 통해 설명하고자 한다.
SVR을 이용한 전력 예측의 학습 데이터는 2011년도부터 2013년도까지 시간 단위 전력 수요 데이터를 이용하였다. 평가 데이터는 실제 2014년도의 실제 시간별 전력 수요 데이터를 이용하 였다. [표 8]은 신평 지역을 기준으로 이전 전력 데이터를 학습 하였을 때의 전력 수요 예측 결과이며, [표 9]는 동래 지역에 대한 전력 수요 예측 결과를 나타낸 것이다.
이론/모형
데이터를 구성하기 위해 시간별 전력 / 기상 데이터를 활용하고자 하며, 실험 방법에 따라 데이터를 분류하여 유사 연구들과의 차이를 분석하고자 한다. 전력 예측을 위해 기계 학습 기법인 SVM(Support Vector Machine)에 회귀 분석 함수를 적용한 SVR(Support Vector Regression)을 이용하였다[4]. 본 연구에서 사용한 SVR의 비교 실험을 위해 유사 기온 데이터를 가지는 전력 패턴 데이터와 전체 데이터에 대한 비교 실험을 통해, 제안 기법의 예측 효율성을 검증한다.
성능/효과
기온 데이터 분석 결과 계절별 차이를 확연하게 알 수 있다. [표 2]는 다대 변전소의 월별 전력 수요를 분석한 결과로 평균 기온이 가장 높은 8월과 평균 기온이 가장 낮은 1월이 최고 전력 수요가 나타나는 것을 알 수 있으며, 평균 전력 수요가 높은 계절은 여름과 겨울임을 알 수 있다.
k 값 증가하여 전력 벡터에 대한 학습 및 예측 결과를 통해, 전력 수요와 무관하게 오차율이 감소하는 것을 확인할 수 있다.
k의 길이가 1인 경우 SVR의 기본 추정 함수와 같이 2차원 좌표계로 치환된 수요 예측 결과를 의미하며, SVM의 학습 결과와 동일한 추정이 가능하다. k가 1일 때의 수요 예측 결과를 통해 평균 오차율은 낮게 나타나지만, 최대 오차율이 크게 나타나는 것을 확인할 수 있다. k 값 증가하여 전력 벡터에 대한 학습 및 예측 결과를 통해, 전력 수요와 무관하게 오차율이 감소하는 것을 확인할 수 있다.
각 계절의 대표 전력 및 기온 데이터는 2014년을 기준으로 1, 4, 7, 10월의 각 4주의 화요일 데이터를 수집한 것이다. 각 대표 데이터의 데이터 추이 변화를 통해 기온에 따른 전력 사용량 변화가 나타나는 것을 확인할 수 있다. 각 그림을 비교하였을 때, 전력 수요의 경우에는 겨울과 여름, 봄과 가을이 각각 유사하게 나타나며, 기온 데이터는 각 대표 데이터에서 다르게 나타난다.
[그림 2]의 전력 패턴을 일일 단위로 비교하였을 때, 공단 지역에서는 주말과 주중 전력 수요 패턴이 다르게 나타남을 알 수 있다. 계절 특성에 무관하게 주중 전력 수요가 주말보다 높은 것을 알 수 있으며, 공휴일의 경우를 제외하였을 때 일요일의 전력 수요가 가장 최소로 나타나는 것을 확인할 수 있다. 일일 최대 피크 시간대는 주로 점심시간 이후인 오후 2∼5시경이며, 일일 최소 전력 수요 시간은 공장 가동되기 직전인 오전 5∼7시 사이로 나타난다.
유사 기온 데이터를 활용하여 신뢰 구간을 계산하는 것과 달리 전력 수요 예측 결과의 평균 오차율이 1∼5% 이하로 나타나며, 학습되는 벡터 수가 커질수록 오차율이 감소하는 것을 확인하였다. 또한, 벡터 크기에 따라 오차율 분산과 최대 오차율도 감소하는 것을 확인하였다.
또한, 저녁 시간대인 오후 8시에 최대 전력 수요가 나타나며, 최소 전력 수요는 공장 지역과 유사한 오전 5∼7시 사이로 나타나는 것을 확인할 수 있다.
[표 11]은 동래 지역에 대한 전력 및 온도 데이터를 이용한 전력 수요 예측 결과이다. 신평 지역과 마찬가지로 단일 전력 데이터를 학습하는 것과 평균 오차율 차이는 근소하게 나타나지만, 최대 오차율의 감소가 평균 16%가 되는 것을 확인하였다.
유사 기온 데이터를 활용하여 신뢰 구간을 계산하는 것과 달리 전력 수요 예측 결과의 평균 오차율이 1∼5% 이하로 나타나며, 학습되는 벡터 수가 커질수록 오차율이 감소하는 것을 확인하였다.
또한, 회귀 함수가 적용된 기계학습 기법인 SVR을 이용하여 전력 및 기상 데이터를 동시에 고려하였을 때의 전력 수요 예측 실험을 진행하였다. 이를 검증하기 위해 단일 전력 및 유사 기온에 대한 전력 수요 예측 비교 실험을 진행하여, 기상 정보를 활용하였을 때의 예측 정확도를 비교하여, 전력 데이터만을 사용한 수요 예측 결과와의 최대 오차율 차이가 15% 이상 개선되는 것을 알 수 있다.
그러나 정확도의 경우 유사 기온 허용 범위가 6 이상이면 감소하였다. 이를 통해 기온의 단편적인 정보를 패턴 추출에 이용하는 것은 예측 결과에 도움이 되지 않는 것을 확인하였다. 유사 기온 데이터를 추출할 경우 비교 데이터는 충분히 사용할 수 있지만, 기본 예측 정확도가 30∼50%로 다른 기법의 실험 결과와 비교하였을 때 활용 가능성이 작으므로 전력 수요 예측에 활용하기 어렵다.
하지만 단일 전력을 이용하여 수요 예측을 시행한 것보다 최대 오차율의 차이 평균 15% 이상 개선되는 것을 확인 가능하다. 이를 통해, SVR을 활용하는 데 있어서 전력과 기상 패턴 정보를 함께 사용하는 것이 예측 오차율을 개선하는 데 도움이 되는 것을 알 수 있다. 또한, 주어지는 패턴 길이 k가 짧을 경우에도 최대 오차율이 낮은 것을 통해 학습 데이터가 충분하지 않을 때도 예측 정확성이 높게 나타난다.
학습 및 예측 범위를 산정하기 위해 전력 및 기상 정보 데이터의 중첩 범위를 분석하였다. 전력 및 기상 정보 데이터에 대한 데이터 발생 기간을 분석한 결과, 2011년부터 2014년까지의 데이터가 중첩되는 기간으로 나타났다. 이에 따라, 2011년부터 2013년까지의 데이터를 학습에 이용하고, 2014년도 데이터를 평가 데이터로 활용하여 예측 실험을 진행하였다.
전력 및 기온 패턴 데이터를 활용하여 전력 수요 예측 실험을 진행하였을 때, 단일 전력 데이터를 활용하는 것의 평균 오차율 차이는 거의 없는 것을 알 수 있다. 하지만 단일 전력을 이용하여 수요 예측을 시행한 것보다 최대 오차율의 차이 평균 15% 이상 개선되는 것을 확인 가능하다.
전력 및 기온 패턴 데이터를 활용하여 전력 수요 예측 실험을 진행하였을 때, 단일 전력 데이터를 활용하는 것의 평균 오차율 차이는 거의 없는 것을 알 수 있다. 하지만 단일 전력을 이용하여 수요 예측을 시행한 것보다 최대 오차율의 차이 평균 15% 이상 개선되는 것을 확인 가능하다. 이를 통해, SVR을 활용하는 데 있어서 전력과 기상 패턴 정보를 함께 사용하는 것이 예측 오차율을 개선하는 데 도움이 되는 것을 알 수 있다.
하지만 최대 오차율이 16∼35%로 낮게 나타나며, 단일 전력 수요 패턴을 이용하는 것보다 평균 19%의 최대 오차율 감소를 확인할 수 있다.
질의응답
핵심어
질문
논문에서 추출한 답변
로봇활용교육과 관련한 연구로 어떤 주제가 연구되었는가?
로봇활용교육과 관련한 연구는 주로 로봇활용 교육의 효과, 로봇 교육을 위한 프로그램 개발 및 운영 방안, 로봇의 교육적 기능 연구, 교육을 위한 로봇 디자인, 로봇을 매개로 한 사고력 계발 등에 초점을 둔 연구가 많았다. 이와 관련한 대표적인 연구를 살펴보면 다음과 같다.
하지만 위와 같은 분류들은 교육용 로봇을 실제로 분류하는데 있어 몇 가지 어려움이 있다. 예를 들어‘하드웨어의 교육을 위한 것’과 ‘소프트웨어를 교육하기 위한 것’으로 분류할 경우, 하드웨어와 소프트웨어를 함께 교육할 수 있는 혼합 형태로 개발된 로봇은 분류하기 어렵다. ‘교구 로봇’과 ‘교사형 로봇’의 경우, 하위 개념인 ‘교사 보조형’이 상위개념인 ‘교사 또는 교사형 로봇’과 대등한 의미를 지니고 있기 때문에 의미상 명확하지 않다는 단점이 있다. 또한‘교구 로봇’과 ‘교사 로봇’의 분류는‘교구 로봇’과‘교사 로봇’의 역할을 접목시킨 학생용 텔레프리젠스(telepresence) 로봇과 같은 형태는 분류할 수 없다는 한계가 있다.
참고문헌 (15)
M. Lee and S. Kim, "Analysis of smart grid technologies and domestic and foreign policy trends," Journal of Korean Institute of Information Technology, Vol.11, No.8, pp.181-187, 2013.
고종민, 송재주, 김영일, 양일권, "전력소비자의 단기수요예측을 위한 전력소비패턴과 환경요인과의 관계 분석," 전기학회논문지, Vol.59, No.11, pp.1956-1963, 2010.
K. S. G. Association, "Smart grid ami(advanced metering infrastructure)," 2012.
D. Basak, S. Pal, and D. C. Patranabis, "Support vector regression," Neural Information Processing Letters and Reviews, Vol.11, No.10, pp.203-224, 2007.
Madasu Hanmandlu and Bhavesh Kumar Chauhan, "Load Forecasting Using Hybrid Models," IEEE Transactions on Power Systems, Vol.26, No.1, 2010.
Ying Chen, Peter B. Luh, and Stephen J. Rourke, "Short-Term Load Forecasting: Similar Day-Based Wavelet Neural Networks," IEEE Transactions on Power Systems, Vol.25, No.2, 2010.
James W. Taylor, "Short-Term Load Forecasting With Exponentially Weighted Methods," IEEE Transactions on Power Systems, Vol.27, No.1, 2012.
M. Bozic, M. Stojanovic, Z. Stajic, and N. Floranovic, "Mutual information-based inputs selection for electric load time series forecasting," Entropy, Vol.15, No.3, pp.926-942, 2013.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.