[논문]유전자 알고리즘에 기반한 수산업 전력 수요 예측에 관한 연구

김형수; 이성근

doi:10.15207/jkcs.2017.8.1.019

초록
AI-Helper

전력은 모든 나라에서 사회 발전과 경제 성장에 가장 기본적인 자원이다. 산업이 고도화 되고 경제의 규모가 발전하면서 전력의 소비량은 점점 증가하고 있다. 전력을 공급하는 쪽에서는 전력을 생산할 때 자원의 낭비를 줄이기 위해 전력 사용량을 예측하는 것은 중요한 일이다. 또한 전력 수요 예측을 통해 여름과 겨울의 피크 타임에서의 전력 수요를 분산하는 것이 가능하다. 그리고 소비 전력의 예측은 국내에서 수요자원 거래시장(Negawatt market)이 본격화되면서 더욱 중요하게 되었다. 더구나 전력 소비량 예측은 소비자가 전력 시장에 직간접적으로 참여하는 수요관리 방법을 제공해준다. 본 연구에서는 1999년부터 2011년까지의 국내총생산, 1인당 국민총소득, 부가세, 국내전력소비량을 이용하여 제주도의 어업 전력 사용량을 예측하는데 유전자 알고리즘을 사용하고 있다. 유전자 알고리즘은 다양한 조합 최적화 분야에서 최적해를 찾는데 유용하게 사용되는 알고리즘이다. 본 논문에서 유전자 알고리즘에서 최적의 동작을 위한 파라미터들을 찾는다. 그리고 실제 전력 소비량 예측을 위해 사용되는 계수(coefficient)들의 최적값을 찾아 예측값과 실제 전력 소비량의 오차를 최소화하는데 목적이 있다.

Abstract ▼ AI-Helper

Energy is a vital resource for the economic growth and the social development for any country. As the industry becomes more sophisticated and the economy more grows, the electricity demand is increasing. So forecasting electricity demand is an important for electricity suppliers. Forecasting electri...

Energy is a vital resource for the economic growth and the social development for any country. As the industry becomes more sophisticated and the economy more grows, the electricity demand is increasing. So forecasting electricity demand is an important for electricity suppliers. Forecasting electricity demand makes it possible to distribute electricity demand. As the market for Negawatt market began to grow in Korea from 2014, the prediction of electricity consumption demand becomes more important. Moreover, power consumption forecasting provides a way for demand management to be directly or indirectly participated by consumers in the electricity market. We use Genetic Algorithms to predict the energy demand of the fishing industry in Jeju Island by using GDP, per capita gross national income, value add, and domestic electricity consumption from 1999 to 2011. Genetic Algorithm is useful for finding optimal solutions in various fields. In this paper, genetic algorithm finds optimal parameters. The objective is to find the optimal value of the coefficients used to predict the electricity demand and to minimize the error rate between the predicted value and the actual power consumption values.

주제어

AI 본문요약
AI-Helper

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

문제 정의

유전자 알고리즘은 다양한 분야에서 최적해를 찾는데 유용하게 사용되는 알고리즘이다. 본 논문의 목적은 여러 산업 분야 중 제주 지역의 어업에 관련하여 전력 소비량을 예측하는 것을 목적으로 한다. 유전자 알고리즘을 이용하여 liner-logarithm model의 변수를 설정하여 실제 데이터와 예측 데이터의 차이를 최소가 되게 하고 결과 같을 기계학습(machine learning)을 이용한 결과와 비교한다[6].
전반부의 13개 데이터는 최적의 파라미터 값을 찾고 함수의 계수의 최적값을 찾기 위해 사용되고 후반부 4개의 데이터는 목적 함수의 성능을 평가한다[14]. 본 실험에서는 예측에 의한 값과 실제 예측값의 차이가 최소가 되게 하는 것이 목적이다.
기존 세대에서 얻은 염색체(chromasome)와 전혀 다른 해를 얻기 위해 유전자 알고리즘에서 사용하는 연산자이다. 이 연산을 통해 유전자 알고리즘이 지역해(local optima)에 수렴할 확률을 줄이고 다양한 해 공간을 탐색할 수 있는 방법을 제공한다. 교차 연산 후에 염색체 단위로 수행되며 일정한 확률 이하의 빈도로 염색체의 임의의 위치의 값을 교체하는 연산이다.

제안 방법

유전자 알고리즘은 크게 4개의 부분으로 구성된다. 첫 번째는 문제의 탐색 공간에서 불능해를 포함하여 해가 될 가능성이 있는 부분을 유전자적 표현 (genetic representation)으로 나타내는 개체 표현 방법 (encoding scheme)이고, 두 번째는 유전자들 중에서 최적해에 가까운 해들을 높게 평가하여 다음 세대에 유전될 확률을 높여주는 평가함수(fitness function), 세 번쩨는 해의 탐색 공간을 넓히고 다양한 유전자적 표현을 만들어 내기 위한 유전자 연산(genetic operation)이며, 마지막으로 유전자 알고리즘 자체의 성능 향상을 위해 개체 집단의 크기, 유전자 연산자의 적용 확률 등을 나타내는 제어 파라미터(control parameter)로 구성된다. 유전자 알고리즘에서 세대(population)는 각 가능해(feasible solution)를 나타내는 염색체(chromasome)로 이루어지며, 염색체는 비트로 구성된 스트링으로 구성된다.

대상 데이터

사용되는 데이터는 1999년부터 2015년까지의 국내 총 생산, 1인당국민소득, 부가세, 국내전력소비량으로써 두개의 부분으로 나누어서 사용하게 된다. 전반부의 13개 데이터는 최적의 파라미터 값을 찾고 함수의 계수의 최적값을 찾기 위해 사용되고 후반부 4개의 데이터는 목적 함수의 성능을 평가한다[14].
실험에 사용한 데이터는 1999년부터 2015년까지 17년 간의 데이터로서 국내총생산, 1인당 국민총소득, 부가세, 국내전력소비량 그리고 결과값으로는 제주도 수산업 전력사용량을 사용하였다[15].

데이터처리

본 논문의 목적은 여러 산업 분야 중 제주 지역의 어업에 관련하여 전력 소비량을 예측하는 것을 목적으로 한다. 유전자 알고리즘을 이용하여 liner-logarithm model의 변수를 설정하여 실제 데이터와 예측 데이터의 차이를 최소가 되게 하고 결과 같을 기계학습(machine learning)을 이용한 결과와 비교한다[6].

이론/모형

본 논문에서는 전력 수요 예측을 위해 경제적 지표를 이용하기 때문에 선형 수식(linear equation)에 비해 비선형 수식(non-linear equation)에 의한 예측이 좀 더 효과적인 것으로 보인다. 본 논문에서는 전력 수요 예측에 유전자 알고리즘(Genetic algorithm)을 사용한다. 유전자 알고리즘은 다양한 분야에서 최적해를 찾는데 유용하게 사용되는 알고리즘이다.
여기서 n은 population의 크기를 의미한다. 본 논문에서는 전력사용량을 예측을 위해 아래와 같은 선형로그함수모델(Linear logarithmic model)을 사용한다[12,13].

성능/효과

이름에서 알 수 있듯이 자연생태계의 진화 모델을 모방한 것으로 1989년 Goldberg에 의해 고안되었다.[7] 기존의 최적화문제를 위한 알고리즘으로 타부서치(tabu search), 시뮬레이티드 어닐링(simulated annealing) 등)들이 하나의 해를 사용하여 이웃해를 탐색하는 방식이므로 지역 최적해(local minima)에 수렴할 확률이 높았으나, 이들에 비해 유전자 알고리즘은 복수 개의 잠재적인 해의 집단 (population)을 이용하여 탐색을 하고 우수한 해들을 다음 세대(generation)로 전달하기 때문에 전역해에 수렴할 확률이 높다.
결과적으로 기계학습에 의한 예측보다는 유전자 알고리즘에 의한 실험이 우수한 성능을 보이고 있으며, 이는 향후에 다양한 형태의 예측 시스템과 실시간 대용량 데이터를 다루는 빅데이터에서도 유전자 알고리즘을 이용한 방식이 더욱 효과적일 수 있다는 사실을 보여준다.
관련 연구로는 터키의 전력 수요 예측을 위해 유전자 알고리즘을 사용한 연구[3,4]와 기계학습을 사용하여 특정 건물의 전력 수요 예측 연구[5] 등이 존재한다. 본 논문에서는 전력 수요 예측을 위해 경제적 지표를 이용하기 때문에 선형 수식(linear equation)에 비해 비선형 수식(non-linear equation)에 의한 예측이 좀 더 효과적인 것으로 보인다. 본 논문에서는 전력 수요 예측에 유전자 알고리즘(Genetic algorithm)을 사용한다.

후속연구

향후 연구에서는 전력사용량에 영향을 미치는 요소를 좀 더 광범위하게 파악할 필요성이 있으며, 빅데이터와 결합하여 실시간으로 환경적 요인을 수산업 전력량 예측에 활용한다면 좀 더 정확한 예측결과가 가능할 것으로 판단된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	유전자 알고리즘이 기존 알고리즘에 비해 좋은 점은?	이름에서 알 수 있듯이 자연생태계의 진화 모델을 모방한 것으로 1989년 Goldberg에 의해 고안되었다.[7] 기존의 최적화문제를 위한 알고리즘으로 타부서치(tabu search), 시뮬레이티드 어닐링(simulated annealing) 등)들이 하나의 해를 사용하여 이웃해를 탐색하는 방식이므로 지역 최적해(local minima)에 수렴할 확률이 높았으나, 이들에 비해 유전자 알고리즘은 복수 개의 잠재적인 해의 집단 (population)을 이용하여 탐색을 하고 우수한 해들을 다음 세대(generation)로 전달하기 때문에 전역해에 수렴할 확률이 높다.
	유전자 알고리즘은 무엇을 모방한 것인가?	유전자 알고리즘은 다양한 최적화 문제에 우수한 성능을 발휘는 하는 알고리즘으로 널리 알려져 있다. 이름에서 알 수 있듯이 자연생태계의 진화 모델을 모방한 것으로 1989년 Goldberg에 의해 고안되었다.[7] 기존의 최적화문제를 위한 알고리즘으로 타부서치(tabu search), 시뮬레이티드 어닐링(simulated annealing) 등)들이 하나의 해를 사용하여 이웃해를 탐색하는 방식이므로 지역 최적해(local minima)에 수렴할 확률이 높았으나, 이들에 비해 유전자 알고리즘은 복수 개의 잠재적인 해의 집단 (population)을 이용하여 탐색을 하고 우수한 해들을 다음 세대(generation)로 전달하기 때문에 전역해에 수렴할 확률이 높다.
	유전자 알고리즘의 가장 큰 이점은?	유전자 알고리즘의 이론은 단순하고 해의 탐색이 우수하여 많은 최적화문제에 다양하게 적용 가능하며, 특히 복잡한 해 공간의 탐색이 가능하여 변수와 제약 조건이 많은 문제에 적용가능 한 것이 장점이다. 특히, 유전자 알고리즘의 가장 큰 이점은 다음 탐색 공간으로 이동하기 위해 유전자에 유용한 정보나 최적해에 가까운 유전자 정보의 일부를 계속 사용하거나 발전시켜 나갈 수 있다는 것이다[3]. 유전자 알고리즘은 크게 4 개의 부분으로 구성된다.

참고문헌 (15)

S. Y. Kim, H. W. Jung, J. D. Park, S. M. Baek, W. S. KIM, K. H. Chon and K. B. Song, "Weekly Maximum Electric Load Forecasting for 104 Weeks by Seasonal ARIMA Model", Journal of the Korean Institute of Illuminating and Electrical Installation Engineers, Vol. 28, No. 1, pp. 50-56, 2014..

원문보기 상세보기
H. W. Jung and K. B. Song. "Daily Maximum Electric Load Forecasting for the Next 4 Weeks for Power System Maintenance and Operation", The Transactions of the Korean Institute of Electrical Engineers, Vol. 63, No. 11, pp. 1497-1502, 2014..

원문보기 상세보기
H. Ceylan, H. Ozturk, "Estimation energy demand of Turkey based on economic indicators using genetic algorithm approach", Energy Conversion and Management, pp. 2525-2537, 2004.
H. Ozturk, H. Ceylan, O. E. Canyurt, A. Hepbasli, "Electricity estimation using genetic approach : a case study of Turkey", Energy 30, pp. 1003-1012, 2003.
Elena Mocanu, Phuong H. Nguyen, Madeleine Gibescu, Wil L. Kling, "Comparison of Machine Learning Methods for Estimating Energy Cinsumption in Building", PMAPS, 2014.
S. Wong, K. K. Wan and T. N. Lam, "Artificial neural networks for energy analysis of office buildings with daylighting", Applied Energy, Vol. 87, No. 2, pp. 5510557, 2010.

상세보기
Goldberg DE, Genetic algorithm in search, optimization and machine learning, Adison wesley, 1989.
T. J. VanderNoot, I. Abrahams, "The use of genetic algorithms in non-linear regression of emmittance data", Journal of Electro Analytical Chemistry, Vol. 448, Issue 1, pp. 17-23, 1998.

상세보기
S. N. Sivanandam, S. N. Deepa, "Introduction to Genetic Algorithm", pp. 80-92, 2007.
D. Bunning, M. Sun, "Genetic algorithm for constrained global optimization in continuous variables", Applied Mathematics & Computation, pp. 604-636, 2005.
H. Hasheminia, S. T. Akhavan Niaki, "A genetic algorithm approach to fit the best regression/econometric model among the candidates", Applied Mathematics & Computation, 2006.
A. Sadeghi, "Economics faculty, Electricity consumption forecasting using econometrics methods", 2003.
M. Zamani, economics faculty, Teheran University, Electricity demand function estimation in different economic sectors, 1998.
A. Tang, C. Quek and G. Ng, "GA-TSKfnn : Parameters tuning of fuzzy neural network using genetic algorithms", Expert Systems with Applications, pp. 769-781, 2005.
Yu SH, Choi JY, "The causal relationship between energy and GNP : an international comparison", Journal of Energy, pp. 249-272, 1985.

이 논문을 인용한 문헌

LOADING...

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

유전자 알고리즘에 기반한 수산업 전력 수요 예측에 관한 연구
Forecasting of Electricity Demand for Fishing Industry Based on Genetic Algorithm approach 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (15)

이 논문을 인용한 문헌

연구과제 타임라인

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

유전자 알고리즘에 기반한 수산업 전력 수요 예측에 관한 연구 Forecasting of Electricity Demand for Fishing Industry Based on Genetic Algorithm approach 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (15)

이 논문을 인용한 문헌

연구과제 타임라인

전체(0) 논문(0) 특허(0) 보고서(0)

전체(0) 논문(0) 특허(0) 보고서(0)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

유전자 알고리즘에 기반한 수산업 전력 수요 예측에 관한 연구
Forecasting of Electricity Demand for Fishing Industry Based on Genetic Algorithm approach 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper