오늘날 기상정보는 도로공학, 경제학, 환경공학 등 다양한 분야에 활용되고 있다. 본 연구는 전력수요 예측을 위한 기상정보 활용성을 평가하고자 한다. 기상변수는 기상관측소에서 수집되는 기온, 풍속, 습도, 운량, 기압과 기온, 풍속, 상대습도의 합성지수인 체감온도와 불쾌지수가 고려되었다. 전력수요 예측을 위한 시계열모형으로 슬라이딩 창 방식의 TBATS 삼중지수평활모형이 고려되었다. 월 단위 기상변수와 전력수요 예측오차간 상관분석 결과를 보면 시간대별로 차이를 있으나 기온, 불쾌지수, 체감온도가 전력수요 예측오차와 상관성이 높았다. 이에 과거 3년의 월단위 전력수요 예측오차와 기상변수의 회귀모형식으로 전력수요 예측값의 편의를 보정하였다. 온도, 상대습도, 풍속으로 TBATS 모형의 전력수요 예측값을 보정한 결과 TBATS 모형에 비해 RMSE가 약 6.1% 줄었다.
오늘날 기상정보는 도로공학, 경제학, 환경공학 등 다양한 분야에 활용되고 있다. 본 연구는 전력수요 예측을 위한 기상정보 활용성을 평가하고자 한다. 기상변수는 기상관측소에서 수집되는 기온, 풍속, 습도, 운량, 기압과 기온, 풍속, 상대습도의 합성지수인 체감온도와 불쾌지수가 고려되었다. 전력수요 예측을 위한 시계열모형으로 슬라이딩 창 방식의 TBATS 삼중지수평활모형이 고려되었다. 월 단위 기상변수와 전력수요 예측오차간 상관분석 결과를 보면 시간대별로 차이를 있으나 기온, 불쾌지수, 체감온도가 전력수요 예측오차와 상관성이 높았다. 이에 과거 3년의 월단위 전력수요 예측오차와 기상변수의 회귀모형식으로 전력수요 예측값의 편의를 보정하였다. 온도, 상대습도, 풍속으로 TBATS 모형의 전력수요 예측값을 보정한 결과 TBATS 모형에 비해 RMSE가 약 6.1% 줄었다.
Recently, weather information has been increasingly used in various area. This study presents the necessity of hourly weather information for electricity demand forecasting through correlation analysis and multivariate regression model. Hourly weather data were collected by Meteorological Administra...
Recently, weather information has been increasingly used in various area. This study presents the necessity of hourly weather information for electricity demand forecasting through correlation analysis and multivariate regression model. Hourly weather data were collected by Meteorological Administration. Using electricity demand data, we considered TBATS exponential smoothing model with a sliding window method in order to forecast electricity demand. In this paper, we have shown that the incorporation of weather infromation into electrocity demand models can significantly enhance a forecasting capability.
Recently, weather information has been increasingly used in various area. This study presents the necessity of hourly weather information for electricity demand forecasting through correlation analysis and multivariate regression model. Hourly weather data were collected by Meteorological Administration. Using electricity demand data, we considered TBATS exponential smoothing model with a sliding window method in order to forecast electricity demand. In this paper, we have shown that the incorporation of weather infromation into electrocity demand models can significantly enhance a forecasting capability.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
기상요인에 영향을 많이 받는 겨울철 (2월)과 여름철 (8월)에 대해 상관계수를 자세히 살펴보자. 겨울철 상관계수는 Table 3.
본 연구는 시간단위 전력수요 예측성능을 향상시키기 위해 시간단위 기상정보를 이용하고자 한다. 연구를 위해 2007년 1월 1일부터 2012년 12월 31일까지 전력수요량 자료에 삼중 계절성 지수평활모형인 TBATS 모형을 적합시켜 예측오차를 생산하였다.
제안 방법
연구를 위해 2007년 1월 1일부터 2012년 12월 31일까지 전력수요량 자료에 삼중 계절성 지수평활모형인 TBATS 모형을 적합시켜 예측오차를 생산하였다. 2010년 1월 1일부터 2012년 12월 31일까지 삼중 계절성 지수평활모형의 예측값에 추정된 회귀모형으로 편의 보정 (bias correction)하여 전력수요량 예측 향상도를 평가하였다.
TBATS 모형의 추정은 표본 내 샘플 기간을 1,092로 고정하여 2007년 1월 1일에서 순차적으로 1일 단위씩 이동하여 총 1,095개의 슬라이딩 창에 대해 모수를 추정하였다. 그리고 각각의 TBATS모형에서 추정된 모수를 토대로 다음 1일의 시간단위 전력수요 예측치를 2010년 1월 1일부터 2012년 12월 31일까지 예측하였다.
연구를 위한 시간단위 기상변수는 2010년 1월 1일 00시부터 2012년 12월 31일 까지 지상기상관측소 (automated synoptic observing system; ASOS)에서 관측된 5개 지점 (서울, 대전, 대구, 광주, 부산)의 5개의 기상자료 (기온, 풍속, 습도, 운량, 기압)이다. 각 기상변수에 대해 전국단위의 대표 기상자료를 산출하기 위해서 5대 도시에 가중치를 주어 최종적으로 대표 기상자료를 산출하였다. 각 지역에 대한 가중치는 이들 지역에 대한 전력판매량과 인구를 분석하여 지역별 수요분포비율을 산출한 후 분포비율로 정하였다 (Lim, 2013).
각 기상변수에 대해 전국단위의 대표 기상자료를 산출하기 위해서 5대 도시에 가중치를 주어 최종적으로 대표 기상자료를 산출하였다. 각 지역에 대한 가중치는 이들 지역에 대한 전력판매량과 인구를 분석하여 지역별 수요분포비율을 산출한 후 분포비율로 정하였다 (Lim, 2013).
TBATS 모형의 추정은 표본 내 샘플 기간을 1,092로 고정하여 2007년 1월 1일에서 순차적으로 1일 단위씩 이동하여 총 1,095개의 슬라이딩 창에 대해 모수를 추정하였다. 그리고 각각의 TBATS모형에서 추정된 모수를 토대로 다음 1일의 시간단위 전력수요 예측치를 2010년 1월 1일부터 2012년 12월 31일까지 예측하였다.
슬라이딩 창 방식은 표본 내 샘플 기간의 크기를 일정하게 고정하여 시작점을 순차적으로 이동하면서 매 시점마다 모형의 계수를 새롭게 추정하는 방식이다. 슬라이딩 창의 크기는 주간 및 연간을 고려할 수 있는 1,092일 (7일*52주*3년 개의 일별 데이터)로 고정하고 매 슬라이딩 창의 다음 1일의 시간단위 전력수요량을 예측하였다.
본 연구는 시간단위 전력수요 예측성능을 향상시키기 위해 시간단위 기상정보를 이용하고자 한다. 연구를 위해 2007년 1월 1일부터 2012년 12월 31일까지 전력수요량 자료에 삼중 계절성 지수평활모형인 TBATS 모형을 적합시켜 예측오차를 생산하였다. 2010년 1월 1일부터 2012년 12월 31일까지 삼중 계절성 지수평활모형의 예측값에 추정된 회귀모형으로 편의 보정 (bias correction)하여 전력수요량 예측 향상도를 평가하였다.
이는 단순하게 기온을 전력수요 예측모형에 반영한 것보다 기온, 풍속, 습도 등을 반영한 모형의 예측성능이 우수할 수 있음을 의미한다. 이에 본 연구에서는 전력수요 예측오차와 풍속, 습도, 기압, 운량 등의 기상변수와의 회귀모형을 통해 전력수요 예측치를 편의보정하여 전력수요 향상도를 평가하였다.
이는 전력수요 예측모형에서 고려해야 할 중요 기상요인은 기온 외에도 풍속, 습도 등 다양한 기상변수임을 의미한다. 이에 연구에서는 삼중지수계절모형인 TBATS 모형을 토대로 TBATS 예측오차와 기상변수 간 회귀모형으로 편의를 보정하였다. 기온, 풍속, 습도를 고려한 회귀모형으로 편의 보정한 결과 TBATS 모형에 비해 RMSE를 약 6.
대상 데이터
연구를 위한 시간단위 기상변수는 2010년 1월 1일 00시부터 2012년 12월 31일 까지 지상기상관측소 (automated synoptic observing system; ASOS)에서 관측된 5개 지점 (서울, 대전, 대구, 광주, 부산)의 5개의 기상자료 (기온, 풍속, 습도, 운량, 기압)이다. 각 기상변수에 대해 전국단위의 대표 기상자료를 산출하기 위해서 5대 도시에 가중치를 주어 최종적으로 대표 기상자료를 산출하였다.
전력 부하자료는 2007년 1월 1일부터 2012년 12월 31일까지 한국 전력거래소에서 수집된 시간단위자료이며, 이를 이용하여 2010년 1월 1일부터 2012년 12월 31일까지 시간단위 전력수요예측자료를 생성하였다. 국내 전력수요 자료는 매 주기마다 동일한 패턴이 반복되지 않으므로 불안정한 패턴변화를 최소화하기 위해 슬라이딩 창 (sliding window) 방식을 이용하여 분석을 하였다 (Kim, 2013a).
데이터처리
전력수요 예측오차와 기상 변수 간 연관성을 살펴보기 위해 상관분석을 실시하였다. 월별 기상요인과 전력수요 예측오차 사이의 상관계수는 Figure 3.
이론/모형
전력 부하자료는 2007년 1월 1일부터 2012년 12월 31일까지 한국 전력거래소에서 수집된 시간단위자료이며, 이를 이용하여 2010년 1월 1일부터 2012년 12월 31일까지 시간단위 전력수요예측자료를 생성하였다. 국내 전력수요 자료는 매 주기마다 동일한 패턴이 반복되지 않으므로 불안정한 패턴변화를 최소화하기 위해 슬라이딩 창 (sliding window) 방식을 이용하여 분석을 하였다 (Kim, 2013a). 슬라이딩 창 방식은 표본 내 샘플 기간의 크기를 일정하게 고정하여 시작점을 순차적으로 이동하면서 매 시점마다 모형의 계수를 새롭게 추정하는 방식이다.
De Livera 등 (2011)은 두 개 이상의 복잡한 계절성을 고려한 TBATS을 제안하였다. 기존의 지수평활법과는 다르게 종속변수의 비선형성 (nonlinearity)에 관련된 문제를 해결하기 위해 Box와 Cox (1964)의 지수변화를 고려하였다. 지수평활모형의 오차항 (ϵt)은 자기상관 (serially correlated)이 없는 백색잡음 (white noise)이 가정되었으나, TBATS 모형은 ARMA(p, q)를 따를 수 있다.
성능/효과
겨울철과 여름철에 불쾌지수와 체감온도가 기온보다 전력수요 예측오차와 상관성이 높았다. 이는 단순하게 기온을 전력수요 예측모형에 반영한 것보다 기온, 풍속, 습도 등을 반영한 모형의 예측성능이 우수할 수 있음을 의미한다.
1이다. 기온, 일 최대기온, 일 최저기온은 겨울철 (추운 기간)과 여름철 (더운 기간)에 다른 기상변수에 비해 상관성이 가장 높게 나타났으며, 시간대에 따라서도 큰 변동성이 있는 것으로 나타났다. 풍속, 습도, 기압, 운량은 모든 계절에 뚜렷하게 큰 상관성을 보이지 않았다.
기온, 풍속, 상대습도를 고려한 모형으로 TBATS 전력수요 예측치를 편의 보정 했을 때 TBATS 모형으로 전력수요를 예측했을 때보다 약 6.1% 예측성능을 향상시킬 수 있다 (Table 3.3). 하지만 단계적 변수선택법을 통해 얻어진 회귀모형보다 체감지수 (겨울철), 불쾌지수 (여름철)의 전력수요 예측이 더 우수함을 보여준다 (Table 3.
이에 연구에서는 삼중지수계절모형인 TBATS 모형을 토대로 TBATS 예측오차와 기상변수 간 회귀모형으로 편의를 보정하였다. 기온, 풍속, 습도를 고려한 회귀모형으로 편의 보정한 결과 TBATS 모형에 비해 RMSE를 약 6.1% 줄였다. 하지만 여름철 불쾌지수와 겨울철 체감온도로 보정한 모형의 RMSE가 온도, 풍속, 습도를 모두 고려한 모형보다 RMSE가 낮으므로 온도, 풍속, 습도 등의 다양한 기상변수들을 합성한 에너지 기상지수가 개발된다면 전력수요 예측의 정확성을 높아질 것으로 기대한다.
그 외의 기상변수인 풍속, 습도, 기압, 운량은 상관성이 낮게 나왔다. 새벽시간대와 저녁시간대에 기압과 풍속은 전력수요 예측오차와 양의 상관관계를 보였으며, 습도와 운량은 음의 상관관계를 보였다. 전력수요예측오차의 여름철 시간대별 상관성은 체감온도(새벽 및 저녁시간), 불쾌지수(정오, 11시∼12시), 일 최대기온(저녁시간, 17시∼20시) 순이다.
풍속, 습도, 기압, 운량은 모든 계절에 뚜렷하게 큰 상관성을 보이지 않았다. 체감온도와 불쾌지수는 기온, 일 최대기온, 일 최저기온과 비슷한 패턴으로 상관성이 높게 나타났다.
그러나 시간대별 전력수요 예측오차와 기상요인간 상관성을 살펴보면 새벽, 오전, 오후, 저녁에 따라 영향을 미치는 중요 기상요인이 달랐다. 특히 기온, 풍속, 습도가 고려된 불쾌지수와 체감온도가 기온보다 전력수요 예측오차와 상관성이 높았다. 이는 전력수요 예측모형에서 고려해야 할 중요 기상요인은 기온 외에도 풍속, 습도 등 다양한 기상변수임을 의미한다.
기온, 일 최대기온, 일 최저기온은 겨울철 (추운 기간)과 여름철 (더운 기간)에 다른 기상변수에 비해 상관성이 가장 높게 나타났으며, 시간대에 따라서도 큰 변동성이 있는 것으로 나타났다. 풍속, 습도, 기압, 운량은 모든 계절에 뚜렷하게 큰 상관성을 보이지 않았다. 체감온도와 불쾌지수는 기온, 일 최대기온, 일 최저기온과 비슷한 패턴으로 상관성이 높게 나타났다.
3). 하지만 단계적 변수선택법을 통해 얻어진 회귀모형보다 체감지수 (겨울철), 불쾌지수 (여름철)의 전력수요 예측이 더 우수함을 보여준다 (Table 3.4).
후속연구
1% 줄였다. 하지만 여름철 불쾌지수와 겨울철 체감온도로 보정한 모형의 RMSE가 온도, 풍속, 습도를 모두 고려한 모형보다 RMSE가 낮으므로 온도, 풍속, 습도 등의 다양한 기상변수들을 합성한 에너지 기상지수가 개발된다면 전력수요 예측의 정확성을 높아질 것으로 기대한다.
질의응답
핵심어
질문
논문에서 추출한 답변
연구를 위한 시간단위 기상변수는 무엇인가?
연구를 위한 시간단위 기상변수는 2010년 1월 1일 00시부터 2012년 12월 31일 까지 지상기상관측소 (automated synoptic observing system; ASOS)에서 관측된 5개 지점 (서울, 대전, 대구, 광주, 부산)의 5개의 기상자료 (기온, 풍속, 습도, 운량, 기압)이다. 각 기상변수에 대해 전국단위의 대표 기상자료를 산출하기 위해서 5대 도시에 가중치를 주어 최종적으로 대표 기상자료를 산출하였다.
예측모형에서 기온 외에도 풍속, 습도 등 다양한 기상요인을 고려해야 하는 이유는 무엇인가?
그러나 시간대별 전력수요 예측오차와 기상요인간 상관성을 살펴보면 새벽, 오전, 오후, 저녁에 따라 영향을 미치는 중요 기상요인이 달랐다. 특히 기온, 풍속, 습도가 고려된 불쾌지수와 체감온도가 기온보다 전력수요 예측오차와 상관성이 높았다. 이는 전력수요 예측모형에서 고려해야 할 중요 기상요인은 기온 외에도 풍속, 습도 등 다양한 기상변수임을 의미한다.
전력수요량에 시계열 분석 방법이 많이 활용되는 이유는 무엇인가?
에너지를 효율적으로 소비하기 위한 전력수요량을 예측하기 위한 연구는 매우 다양하게 발전되어왔다. 전력수요량은 시간의 흐름에 따라 변하는 시계열자료이므로 시계열 분석 방법이 많이 활용된다. Ramanathan 등 (1997)은 온도와 기간을 고려한 지수평활법을 제안하였으며 Taylor와 Buizza (2003)은 날씨변수를 이용한 전력수요모형을 제안하였다.
참고문헌 (15)
Box, G. E. P. and Cox, D. R. (1964). An analysis of transformation. Journal of the Royal Statistical Society B, 26, 211-252.
Cha, J., Lee, D., Kim, H. and Joo, S. K. (2015). The relationship between daily peak load and weather conditions using stepwise multiple regression. The proceedings of Korean Institute of Electrical Engineers, 475-476.
De Livera, A. M., Hyndman, R. J. and Snyder, R. D. (2011). Forecasting time series with complex seasonal patterns using exponential smoothing. Journal of the American Statistical Association, 106, 1513-1527.
Cui, H. and Peng, X. (2015). Short-term city electric load forecasting with considering temperature effects : An improved ARIMAX model. Mathematical Problems in Engineering, Available from http://dx.doi.org/10.1155/2015/589374.
Lee, Y. S., Kim, J., Jang, M. S. and Kim, H. G. (2013). A study on comparing short-term wind power prediction models in Gunsan wind farm. Journal of the Korean Data & Information Science Society, 24, 585-592.
Lim, J. H., Kim, S. Y., Park, J. D. and Song, K. B. (2013). Representative temperature assessment for improvement of short-term load forecasting cccuracy. Journal of the Korean Institute of Illuminating and Electrical Installation Engineers, 27, 39-43.
Kim, C. H. (2013a). Electricity demand patterns analysis by daily and timely time series. Korea Development Institute, 13-03, Sejong, Korea.
Kim, C. H. (2013b). Short-term electricity demand forecasting using complex seasonal exponential smoothing. Korea Development Institute, 13-06, Sejong, Korea.
Kim, C. H. (2014). Electricity demand forecasting using mixed data sampling model. Korea Development Institute, 13-06, Sejong, Korea.
Ramanathan, R., Engle, R., Granger, C. W., Vahid-Araghi, F. and Brace, C. (1997). Short-run forecasts of electricity loads and peaks. International Journal of Forecasting, 13, 161-174.
Shin, D. and Jo, H. (2014). A empirical study on the climate factor sensitivity and threshold temperature of daily maximum electricity consumption in Korea. Korea Economic and Business Association, 32, 175-212.
Shin, Y. and Yoon, S. (2016). Electricity forecasting model using specific time zone. Journal of the Korean Data & Information Science Society, 27, 275-284.
Taylor, J. W. and Buizza, R. (2003). Using weather ensemble predictions in electricity demand forecasting. International Journal of Forecasting, 19, 57-70.
Yoon, S. and Choi, Y. (2015). Functional clustering for electricity demand data: A case study. Journal of the Korean Data & Information Science Society, 26, 885-894.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.