[국내논문]인공 신경망과 지지 벡터 회귀분석을 이용한 대학 캠퍼스 건물의 전력 사용량 예측 기법 An Electric Load Forecasting Scheme for University Campus Buildings Using Artificial Neural Network and Support Vector Regression원문보기
전기는 생산과 소비가 동시에 이루어지므로 필요한 전력 사용량을 예측하고, 이를 충족시킬 수 있는 충분한 공급능력을 확보해야만 안정적인 전력 공급이 가능하다. 특히, 대학 캠퍼스는 전력 사용이 많은 곳으로 시간과 환경에 따라 전력 변화폭이 다양하다. 이러한 이유로, 효율적인 전력 공급 및 관리를 위해서는 전력 사용량을 실시간으로 예측할 수 있는 모델이 요구된다. 국내외 대학 건물에 대해서는 전력 사용 패턴과 사례 분석을 통해 전력 사용에 영향을 주는 요인들을 파악하기 위한 다양한 연구가 진행되었으나, 전력 사용량의 정량적 예측을 위해서는 더 많은 연구가 필요한 상황이다. 본 논문에서는, 기계 학습 기법을 이용하여 대학 캠퍼스의 전력 사용량 예측 모델을 구성하고 평가한다. 이를 위해, 대학 캠퍼스의 주요 건물 클러스터에 대해 전력 사용량을 15분마다 1년 이상 수집한 데이터 셋을 사용한다. 수집된 전력 사용량 데이터는 수열 형태의 시계열 데이터로 기계 학습 모델에 적용 시 주기성 정보를 반영할 수 없으므로, 2차원 공간의 연속적인 데이터로 증강함으로써 주기성을 반영하였다. 이 데이터와 교육기관의 특성을 반영하기 위한 요일과 공휴일로 구성된 8차원 특성 벡터에 대해 주성분 분석(Principal Component Analysis)알고리즘을 적용한다. 이어, 인공 신경망(Artificial Neural Network)과 지지 벡터 회귀분석(Support Vector Regression)을 이용하여 전력 사용량 예측 모델을 학습시키고, 5겹 교차검증(5-fold Cross Validation)을 통하여 적용된 기법의 성능을 평가하여, 실제 전력 사용량과 예측 결과를 비교한다.
전기는 생산과 소비가 동시에 이루어지므로 필요한 전력 사용량을 예측하고, 이를 충족시킬 수 있는 충분한 공급능력을 확보해야만 안정적인 전력 공급이 가능하다. 특히, 대학 캠퍼스는 전력 사용이 많은 곳으로 시간과 환경에 따라 전력 변화폭이 다양하다. 이러한 이유로, 효율적인 전력 공급 및 관리를 위해서는 전력 사용량을 실시간으로 예측할 수 있는 모델이 요구된다. 국내외 대학 건물에 대해서는 전력 사용 패턴과 사례 분석을 통해 전력 사용에 영향을 주는 요인들을 파악하기 위한 다양한 연구가 진행되었으나, 전력 사용량의 정량적 예측을 위해서는 더 많은 연구가 필요한 상황이다. 본 논문에서는, 기계 학습 기법을 이용하여 대학 캠퍼스의 전력 사용량 예측 모델을 구성하고 평가한다. 이를 위해, 대학 캠퍼스의 주요 건물 클러스터에 대해 전력 사용량을 15분마다 1년 이상 수집한 데이터 셋을 사용한다. 수집된 전력 사용량 데이터는 수열 형태의 시계열 데이터로 기계 학습 모델에 적용 시 주기성 정보를 반영할 수 없으므로, 2차원 공간의 연속적인 데이터로 증강함으로써 주기성을 반영하였다. 이 데이터와 교육기관의 특성을 반영하기 위한 요일과 공휴일로 구성된 8차원 특성 벡터에 대해 주성분 분석(Principal Component Analysis) 알고리즘을 적용한다. 이어, 인공 신경망(Artificial Neural Network)과 지지 벡터 회귀분석(Support Vector Regression)을 이용하여 전력 사용량 예측 모델을 학습시키고, 5겹 교차검증(5-fold Cross Validation)을 통하여 적용된 기법의 성능을 평가하여, 실제 전력 사용량과 예측 결과를 비교한다.
Since the electricity is produced and consumed simultaneously, predicting the electric load and securing affordable electric power are necessary for reliable electric power supply. In particular, a university campus is one of the highest power consuming institutions and tends to have a wide variatio...
Since the electricity is produced and consumed simultaneously, predicting the electric load and securing affordable electric power are necessary for reliable electric power supply. In particular, a university campus is one of the highest power consuming institutions and tends to have a wide variation of electric load depending on time and environment. For these reasons, an accurate electric load forecasting method that can predict power consumption in real-time is required for efficient power supply and management. Even though various influencing factors of power consumption have been discovered for the educational institutions by analyzing power consumption patterns and usage cases, further studies are required for the quantitative prediction of electric load. In this paper, we build an electric load forecasting model by implementing and evaluating various machine learning algorithms. To do that, we consider three building clusters in a campus and collect their power consumption every 15 minutes for more than one year. In the preprocessing, features are represented by considering periodic characteristic of the data and principal component analysis is performed for the features. In order to train the electric load forecasting model, we employ both artificial neural network and support vector machine. We evaluate the prediction performance of each forecasting model by 5-fold cross-validation and compare the prediction result to real electric load.
Since the electricity is produced and consumed simultaneously, predicting the electric load and securing affordable electric power are necessary for reliable electric power supply. In particular, a university campus is one of the highest power consuming institutions and tends to have a wide variation of electric load depending on time and environment. For these reasons, an accurate electric load forecasting method that can predict power consumption in real-time is required for efficient power supply and management. Even though various influencing factors of power consumption have been discovered for the educational institutions by analyzing power consumption patterns and usage cases, further studies are required for the quantitative prediction of electric load. In this paper, we build an electric load forecasting model by implementing and evaluating various machine learning algorithms. To do that, we consider three building clusters in a campus and collect their power consumption every 15 minutes for more than one year. In the preprocessing, features are represented by considering periodic characteristic of the data and principal component analysis is performed for the features. In order to train the electric load forecasting model, we employ both artificial neural network and support vector machine. We evaluate the prediction performance of each forecasting model by 5-fold cross-validation and compare the prediction result to real electric load.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문은 전력 사용이 많은 곳 중 하나인 대학 캠퍼스의 효율적인 전력 공급 및 관리를 목적으로, 15분 단위의 1년 이상 축적된 대학 캠퍼스 전력 사용량 데이터를 이용하여 예측 모델 학습 및 예측을 수행하였다. 예측 모델은 대표적인 예측 알고리즘으로 알려진 ANN과 SVR을 이용하여 학습하고 성능을 평가하였다.
가설 설정
월, 일, 시간, 분 등의 시간 정보 데이터는 수열 형태를 보인다. 수열 형태의 데이터는 기계 학습 모델에 적용 시 주기성 정보를 반영할 수 없다. 예를 들어 23시와 0시는 실제 인접한 정보이지만, 수열로 표현 시 23의 차이를 갖게 된다.
제안 방법
본 연구는 국내 대형 대학 캠퍼스에서 발생하는 방대한 양의 전력 사용량 데이터를 대상으로 한다. 특히, 15분 단위의 단기 전력 사용량의 예측을 위해 연간, 월간, 일간, 시간대별 정보와 공휴일, 기상 정보 등 다양한 정보를 토대로 예측 모델을 설계한다. 제안하는 대학 캠퍼스 단기 전력 사용량 예측 기법은 크게 데이터의 전처리, 모델링, 평가로 구성된다.
특히, 15분 단위의 단기 전력 사용량의 예측을 위해 연간, 월간, 일간, 시간대별 정보와 공휴일, 기상 정보 등 다양한 정보를 토대로 예측 모델을 설계한다. 제안하는 대학 캠퍼스 단기 전력 사용량 예측 기법은 크게 데이터의 전처리, 모델링, 평가로 구성된다. 먼저, 입력 데이터의 전처리 과정에서는 주기성을 반영할 수 있는 데이터 유형으로 변환하고, 주성분 분석(Principal Component Analysis; PCA)을 적용한다.
먼저, 입력 데이터의 전처리 과정에서는 주기성을 반영할 수 있는 데이터 유형으로 변환하고, 주성분 분석(Principal Component Analysis; PCA)을 적용한다. 정확한 전력 사용량 예측을 위해 본 논문에서는 다양한 분야에서 예측에 활용되고 있는 인공 신경망(Artificial Neural Network: ANN)과 지지 벡터 회귀분석(Support Vector Regression: SVR)을 기반으로 두 가지 예측 모델을 구성하고, 대학 캠퍼스 건물에 대한 15분 단위의 전력 사용량을 예측하여 그 정확도를 비교 평가한다.
국내에 속한 교육기관 중 전력 사용이 높은 대학을 중심으로 수행한 연구가 보고되었다. [2]는 대전지역 “D” 대학의 전력 사용량 실측 데이터와 조사를 바탕으로 대학 건물의 사용 특성을 분석하였으며, [3]은 대구지역 “K” 대학 건물 중 태양광 발전 시스템이 설치된 건물의 연간 전력 사용량 데이터와 관련 부서 방문조사를 바탕으로 전력 사용 패턴을 분석하였다. [4]는 에너지 효율화 방안 도출을 위한 목적으로, 경기도 안양시에 있는 “Y” 대학 건물의 신재생에너지 이용과 조명밀도 및 조명설계 방식을 적용하여 전력 사용현황을 분석하였다.
본 논문에서는 이러한 특성 정보들을 종합하여 ANN 및 SVR로 각각 구성된 예측 모델의 시간 정보를 표현한다. 각 특성은 0의 평균과 1의 표준편차를 갖도록 표준화(Standardization)를 수행하였다.
앞서 실험에서 정확한 예측을 보인 SVR과 ANN을 이용하여, 3가지의 데이터 모델별로 예측 모델을 학습하였다. Table 5에서 볼 수 있듯이, 모든 특성을 반영한 Model 3이 가장 좋은 정확성을 가짐을 알 수 있다.
대상 데이터
본 연구는 국내 대형 대학 캠퍼스에서 발생하는 방대한 양의 전력 사용량 데이터를 대상으로 한다. 특히, 15분 단위의 단기 전력 사용량의 예측을 위해 연간, 월간, 일간, 시간대별 정보와 공휴일, 기상 정보 등 다양한 정보를 토대로 예측 모델을 설계한다.
본 연구에서 대상으로 하는 데이터는 서울특별시 성북구에 위치한 “K”대학교의 전력 사용량이다. 전력 사용량 예측 모델을 구성하기 위해, 과거 전력 사용량 데이터와 기상 관련 데이터를 수집한다.
Cluster C는 B보다 주로 신축 건물들이 자리 잡고 있다. 기상 관련 데이터는 기상청에서 제공하는 기상자료개방포털[19]을 통해, 서울 지역의 종관기상관측 데이터를 사용한다.
수집된 데이터는 한국전력공사 iSmart에서 제공하는 15분 단위의 전력 사용량이다. Fig.
본 논문에서 수집된 특성은 요일, 시간, 온도, 습도 등이다. 이러한 특성이 실제 전력 사용량과 연관되어 있는지 피어슨 상관계수와 p-value를 통해 나타내었다.
데이터처리
본 논문에서는 이러한 특성 정보들을 종합하여 ANN 및 SVR로 각각 구성된 예측 모델의 시간 정보를 표현한다. 각 특성은 0의 평균과 1의 표준편차를 갖도록 표준화(Standardization)를 수행하였다.
본 논문의 성능 평가 지표는 기존 연구에서 예측의 정확성을 평가하기 위해 사용되는 MAPE(Mean Absolute Percentage Error)[12-13, 16-17], RMSE(Root Mean Square Error)[14-15], MAE(Mean Absolute Error)[14-16]을 각 예측 모델에 대해 계산하여 비교한다.
본 논문은 Python 환경에서 데이터 셋의 전처리를 수행하였고, 기계 학습 공개 라이브러리인 scikit-sklearn[21]과 pybrain[22]을 사용하여 예측 모델링을 수행하였다. 5겹 교차검증을 수행하여 Training set과 Test set의 비율을 80 : 20으로 설정하였으며 5회 반복 후 평균치를 계산하였다. 15분마다 짧은 데이터 특성상 정확한 교차검증을 위해, 일자를 기반으로 상호배타적인 데이터 셋을 나누어 수행하였다.
데이터의 5겹 교차검증을 통해, 모든 특성이 반영된 Model 3을 이용하여, SVR과 ANN을 대상으로 PCA 사용 여부에 따른 네 가지 경우에 대한 성능 평가를 수행하였다. PCA는 입력 벡터의 차원 수까지 적용하여 가장 좋은 성능을 보이는 감쇄된 차원을 사용하였다.
예측 모델은 대표적인 예측 알고리즘으로 알려진 ANN과 SVR을 이용하여 학습하고 성능을 평가하였다. 실험은 서로 다른 특성을 가지는 건물 클러스터 A, B, C에 대해 각각 독립적으로 수행하였으며, MAPE, RMSE 그리고 MAE를 이용하여 예측 모델의 성능을 비교하였다. 예측 성능을 비교한 결과, ANN을 적용한 모델이 모든 클러스터에서 MAPE, RMSE, MAE 측면에 SVR보다 정확한 예측 성능을 보였다.
이론/모형
제안하는 대학 캠퍼스 단기 전력 사용량 예측 기법은 크게 데이터의 전처리, 모델링, 평가로 구성된다. 먼저, 입력 데이터의 전처리 과정에서는 주기성을 반영할 수 있는 데이터 유형으로 변환하고, 주성분 분석(Principal Component Analysis; PCA)을 적용한다. 정확한 전력 사용량 예측을 위해 본 논문에서는 다양한 분야에서 예측에 활용되고 있는 인공 신경망(Artificial Neural Network: ANN)과 지지 벡터 회귀분석(Support Vector Regression: SVR)을 기반으로 두 가지 예측 모델을 구성하고, 대학 캠퍼스 건물에 대한 15분 단위의 전력 사용량을 예측하여 그 정확도를 비교 평가한다.
본 논문은 정확한 전력 사용량 예측을 위한 목적으로, 대표적인 기계 학습 알고리즘인 ANN과 SVR을 적용하여 예측 모델을 구성하였으며, 15분 단위의 세분화된 전력 사용량 예측을 수행한다.
Equation (15)에서의 X는 차원이 많아 감쇄의 필요성을 보인다. 본 논문에서는 수집된 데이터들에 대해 PCA 알고리즘[20]을 적용하여 입력 변수의 차원을 큰 표준 편차를 갖는 방향으로 사상(Projection)한다. PCA는 많은 수의 입력변수들을 일련의 소수의 요인에 의해 설명이 가능한 알고리즘이다.
본 논문에서는 ANN과 SVR 기법을 전력 사용량 예측 모델로 사용한다. SVR의 학습 시, Grid search algorithm을 통해 가장 최적의 모수를 선택하여 사용한다.
본 논문은 Python 환경에서 데이터 셋의 전처리를 수행하였고, 기계 학습 공개 라이브러리인 scikit-sklearn[21]과 pybrain[22]을 사용하여 예측 모델링을 수행하였다. 5겹 교차검증을 수행하여 Training set과 Test set의 비율을 80 : 20으로 설정하였으며 5회 반복 후 평균치를 계산하였다.
본 논문은 전력 사용이 많은 곳 중 하나인 대학 캠퍼스의 효율적인 전력 공급 및 관리를 목적으로, 15분 단위의 1년 이상 축적된 대학 캠퍼스 전력 사용량 데이터를 이용하여 예측 모델 학습 및 예측을 수행하였다. 예측 모델은 대표적인 예측 알고리즘으로 알려진 ANN과 SVR을 이용하여 학습하고 성능을 평가하였다. 실험은 서로 다른 특성을 가지는 건물 클러스터 A, B, C에 대해 각각 독립적으로 수행하였으며, MAPE, RMSE 그리고 MAE를 이용하여 예측 모델의 성능을 비교하였다.
성능/효과
실험은 서로 다른 특성을 가지는 건물 클러스터 A, B, C에 대해 각각 독립적으로 수행하였으며, MAPE, RMSE 그리고 MAE를 이용하여 예측 모델의 성능을 비교하였다. 예측 성능을 비교한 결과, ANN을 적용한 모델이 모든 클러스터에서 MAPE, RMSE, MAE 측면에 SVR보다 정확한 예측 성능을 보였다. 또한, 예측 성능 부분에서 PCA의 적용 여부와 성능 차이가 크지 않았으며, 실제 예측 결과를 비교해 봤을 때, PCA를 적용하지 않은 ANN이 전반적으로 우수한 성능을 확인할 수 있었다.
후속연구
대학의 전력 사용은 건물 용도와 외부의 복잡한 요인으로 다양한 패턴들을 가지고 있다. 이러한 패턴들을 고려한 기계 학습 예측 모델링을 구성한다면 더욱 정확한 전력 사용량 예측이 가능할 것이다.
향후 전력 사용량 예측의 정확도를 향상하기 위해 교육기관에서 발생하는 이벤트 및 학교 일정 정보와 전력 사용에 영향을 주는 추가적인 환경 요인들 분석하고, 다양한 데이터를 반영하여 학습 예측 기법에 적용하는 연구를 수행할 계획이다. 또한, 에너지 운영 전략 측면에서의 피크 부하 방지 및 예측 등을 추가로 연구함으로써 더욱 정확하고 신뢰성 높은 예측 기법을 실현할 수 있을 것으로 기대한다.
향후 전력 사용량 예측의 정확도를 향상하기 위해 교육기관에서 발생하는 이벤트 및 학교 일정 정보와 전력 사용에 영향을 주는 추가적인 환경 요인들 분석하고, 다양한 데이터를 반영하여 학습 예측 기법에 적용하는 연구를 수행할 계획이다. 또한, 에너지 운영 전략 측면에서의 피크 부하 방지 및 예측 등을 추가로 연구함으로써 더욱 정확하고 신뢰성 높은 예측 기법을 실현할 수 있을 것으로 기대한다.
질의응답
핵심어
질문
논문에서 추출한 답변
안정적인 전력 공급을 가능하도록 하기 위해 무엇을 확보해야 하는가?
전기는 생산과 소비가 동시에 이루어지므로 필요한 전력 사용량을 예측하고, 이를 충족시킬 수 있는 충분한 공급능력을 확보해야만 안정적인 전력 공급이 가능하다. 특히, 대학 캠퍼스는 전력 사용이 많은 곳으로 시간과 환경에 따라 전력 변화폭이 다양하다.
전력 사용의 패턴이 차이를 보이는 예는?
전력 사용의 패턴은 수요 주체인 건물 또는 건물 클러스터의 특성에 따라 상이한 차이를 보인다. 예를 들어, 대학 캠퍼스는 전력 사용량이 많은 건물에 속하며[1], 학기 또는 방학이나 요일에 따라 전력 수요의 소비형태가 다르다. 현재 국내 대학 건물의 전력 사용 패턴과 사례 분석을 통하여 전력 사용에 영향을 미치는 요소들에 대한 연구는 활발히 진행되고 있지만[2-6], 예측을 위한 연구 사례는 아직 미흡한 실정이다.
스마트 그리드 시스템의 특징은?
특히, 단기 수요 예측을 통해 전력계통설비의 안정성을 보장하고, 전력예비율을 능동적으로 조절함으로써 정전 및 용량 초과로 인한 손실에 대비하고, 중장기 수요 예측을 통해 설비구축 및 장기적 수급계획, 소비 효율 구간 탐색 등 기관 또는 사회적 비용을 최소화할 수 있는 근거가 될 수 있다. 이 뿐만 아니라, 최근 전력의 수요와 공급이 서로 정보를 주고 받을 수 있는 양방향성을 통해 에너지 효율을 최적화하는 스마트 그리드 시스템(Smart Grid System)의 운영에서도 정확한 전력 사용량 예측 기술이 필요하다.
참고문헌 (22)
M. H. Chung and E. K. Rhee, "Potential opportunities for energy conservation in existing buildings on university campus: A field survey in Korea," Energy and Buildings, Vol.78, pp.176-182, 2014.
W. J. Lee, D. W. Lee, J. B. Lee, J. H. Yoon, and U. C. Shin, "A Case Study of Electric Power Consumption Characteristics in University Building," Journal of the Korean Solar Energy Society, Vol.32, No.4, pp.90-95, 2012.
B. K. Koo, W. H. Hong, and K. M. Kim, "A Study on the Energy Reduction Effect Using Renewable Energy Through the Analysis of Energy Consumption Structure in the University Buildings," Journal of the Architectural Institute of Korea Planning & Design, Vol.29, No.9, pp.203-210, 2013.
N. S. Youn and J. T. Kim, "Survey and Analysis of Power Energy Usage of University Buildings," Journal of the Korea Institute of Ecological Architecture and Environment, Vol.13, No.2, pp.27-32, 2013.
J. W. Jung, D. W. Kim, J. M. Lee, J. H. Yang, and H. T. Seok, "The Survey and Analysis of Electric Power Consumption in University Building by Analyzing Case Study," Journal of the Korean Society of Living Environmental System, Vol.17, No.1, pp.1-9, 2010.
K. C. Noh, S. M. Lee, T. G. Lee, M. D. Oh, and Y. J. Lee, "Comparison of Electricity Consumption in University Buildings for Low Energy Consumption Benchmarking," in Proceedings of the SAREK Summer Annual Conference, PyeongChang, pp.823-825, 2013.
A. S. Ahmad, M. Y. Hassan, M. P. Abdullah, H. A. Rahman, F. Hussin, H. Abdullah, and R. Saidur, "A review on applications of ANN and SVM for building electrical energy consumption forecasting," Renewable and Sustainable Energy Reviews, Vol.33, pp.102-109, 2014.
M. Q. Raza and A. Khosravi, "A review on artificial intelligence based load demand forecasting techniques for smart grid and buildings," Renewable and Sustainable Energy Reviews, Vol.50, pp.1352-1372, 2015.
L. Hernandez, C. Baladron, J. M. Aguiar, B. Carro, A. J. Sanchez-Esguevillas, J. Lloret, and J. Massana, "A survey on electric power demand forecasting: future trends in smart grids, microgrids and smart buildings," IEEE Communications Surveys & Tutorials, Vol.16, No.3, pp.1460-1495, 2014.
K. Li, C. Hu, G. Liu, and W. Xue, "Building's electricity consumption prediction using optimized artificial neural networks and principal component analysis," Energy and Buildings, Vol.108, pp.106-113, 2015.
K. Li, H. Su, and J. Chu, "Forecasting building energy consumption using neural networks and hybrid neurofuzzy system: A comparative study," Energy and Buildings, Vol.43, No.10, pp.2893-2899, 2011.
A. Bagnasco, F. Fresi, M. Saviozzi, F. Silvestro, and A. Vinci, "Electrical consumption forecasting in hospital facilities: An application case," Energy and Buildings, Vol.103, pp.261-270, 2015.
K. Grolinger, A. L'Heureux, M. A. Capretz, and L. Seewald, "Energy forecasting for event venues: Big Data and prediction accuracy," Energy and Buildings, Vol.112, pp.222-233, 2016.
H. Chitsaz, H. Shaker, H. Zareipour, D. Wood, and N. Amjady, "Short-term electricity load forecasting of buildings in microgrids," Energy and Buildings, Vol.99, pp.50-60, 2015.
K. P. Amber, M. W. Aslam, and S. K. Hussain, "Electricityconsumption forecasting models for administration buildingsof the UK higher education sector," Energy and Buildings,Vol.90, pp.127-136, 2015.
L. Ghelardoni, A. Ghio, and D. Anguita, "Energy LoadForecasting Using Empirical Mode Decomposition andSupport Vector Regression," IEEE Transactions on SmartGrid, Vol.4, No.1, pp.549-556, 2013.
S. Jurado, A. Nebot, F. Mugica, and N. Avellana, "Hybridmethodologies for electricity load forecasting: Entropy-basedfeature selection with machine learning and soft computingtechniques," Energy, Vol.86, pp.276-291, 2015.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.