[논문]딥러닝을 이용한 열 수요예측 모델 개발

서한석; 신광섭

딥러닝을 이용한 열 수요예측 모델 개발
Development of Heat Demand Forecasting Model using Deep Learning 원문보기

The journal of Bigdata = 한국빅데이터학회지, v.3 no.2, 2018년, pp.59 - 70

서한석 (인천대학교 동북아물류대학원) , 신광섭 (인천대학교 동북아물류대학원)

초록
AI-Helper

특정 지역의 고객을 대상으로 열을 공급하는 지역난방 서비스의 안정적인 운영을 위해서는 단기간의 미래 수요를 보다 정확하게 예측하고, 효율적인 방법으로 생산 및 공급하는 것이 무엇보다 중요하다. 그러나 열 소비에 영향을 미치는 요소가 매우 다양할 뿐만 아니라 개별 소비자 및 지역적 특성에 따라 소비 형태가 달라지기 때문에 일반적인 상황에도 적용될 수 있는 범용적 열 수요 예측 모형을 개발하는 것은 매우 어렵다. 따라서 본 연구에서는 실시간으로 확보할 수 있는 제한적인 정보만을 바탕으로 딥러닝 기법을 활용한 수요예측 모형을 개발하고자 한다. 해당 지역의 외기온도와 날짜로만 구성된 과거 데이터를 입력 변수로 하여 텐서플로의 인공신경망을 학습시키는 방법으로 수요 예측 모형을 개발하였다. 기존의 회귀분석 기법을 통해 예측된 수요의 정확도와의 비교를 통해 제안된 모델의 성능을 평가하였다. 본 연구의 열 수요 예측 모델은 단기적 수요 예측을 위해 실시간으로 확보할 수 있는 제한적인 변수만으로도 수요 예측의 정확도를 높일 수 있음을 보였다. 나아가 개별 지역에서는 지역적 특수성을 추가하여 수요 예측 정확도를 높이는 데 활용할 수 있을 것이다.

Abstract ▼ AI-Helper

In order to provide stable district heat supplying service to the certain limited residential area, it is the most important to forecast the short-term future demand more accurately and produce and supply heat in efficient way. However, it is very difficult to develop a universal heat demand forecasting model that can be applied to general situations because the factors affecting the heat consumption are very diverse and the consumption patterns are changed according to individual consumers and regional characteristics. In particular, considering all of the various variables that can affect heat demand does not help improve performance in terms of accuracy and versatility. Therefore, this study aims to develop a demand forecasting model using deep learning based on only limited information that can be acquired in real time. A demand forecasting model was developed by learning the artificial neural network of the Tensorflow using past data consisting only of the outdoor temperature of the area and date as input variables. The performance of the proposed model was evaluated by comparing the accuracy of demand predicted with the previous regression model. The proposed heat demand forecasting model in this research showed that it is possible to enhance the accuracy using only limited variables which can be secured in real time. For the demand forecasting in a certain region, the proposed model can be customized by adding some features which can reflect the regional characteristics.

주제어

AI 본문요약
AI-Helper

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

문제 정의

따라서 본 연구는 실시간으로 확보할 수 있는 제한적인 정보만으로 딥러닝 기법을 활용하여 열 수요의 비선형적인 특징을 학습하는 범용적인 열 수요예측 모델을 제안하고자 한다.
마지막으로 해당 지역의 특수성을 반영하기 위해 다양한 입력변수를 모두 고려하여 타 지역에서 사용할 수 없는 범용성 측면의 제약이 존재한다. 따라서 본 연구는 일부 지역의 안정적인 열 공급을 위해 열 수요의 비선형성을 학습하는 범용적인 열 수요예측 모델을 제시하고자 한다.
본 연구는 실시간으로 확보할 수 있는 제한적인 데이터를 이용하여 범용성 있고 높은 성능의 모델을 통해 단기 열 수요를 예측하는 모델을 제안하였다. 외기온도와 날짜 데이터를 기반으로 열 소비에 영향을 미치는 사회적 요인과 심리적 요인을 반영하기 위해 기존 데이터로부터 파생되는 데이터를 활용하여 높은 수준의 정확도를 보장할 수 있다는 점이 기존 연구와의 차별점이라 할 수 있다.
본 연구는 실시간으로 확보할 수 있는 제한적인 정보만을 바탕으로 텐서플로를 이용하여 딥러닝의 인공신경망 기법(Neural Network) 중 Multi-Layer Perceptron(MLP)을 활용하여 범용적인 열 수요예측 모델을 제안하고자 한다.

가설 설정

행동 패턴 모형과 마찬가지로 250회에서 Cost가 수렴하였다. 전일 온도차를 반영하였음에도 불구하고 학습속도에는 큰 영향을 주지 않았다.

제안 방법

이는 소비자의 심리적 요인이 작용하여 수요가 크게 변동하기 않았기 때문이다. 따라서 본 연구에서는 소비자의 심리적 요인을 반영하기 위해 전일 온도차를 이용하여 학습한다.
본 연구는 실시간으로 확보할 수 있는 제한적인 정보만을 바탕으로 범용성 있고 높은 성능의 열 수요예측 모델을 제안하는 것이기 때문에 데이터는 외기온도와 날짜 데이터만을 사용하고 이를 가공하여 상기한 3가지를 요인을 입력변수로 사용한다.
본 연구에서 제안하는 범용성을 확보할 수 있는 수요 예측 모형을 설계하기 위해서 앞서 설명한 입력변수의 조합에 따라 <표 1>과 같이 세 가지 모형을 구성하였다.
본 연구에서는 열 수요예측을 위해 입력변수를 하나씩 추가해가며 세 가지 모델을 설계하였고, 각 모델 간의 예측 정확도를 실제 데이터와를 기반으로 비교·평가하였다.
입력변수로는 기상 정보로 외기온도와 풍속을, 사회적 요소로 일주일 사용 패턴, 일 단위 사용패턴, 주거지역 및 상업지역, 공업지역을 구분하여 사용하였다. 제안된 모델은 개별 건물 데이터와 실시간 데이터를 바탕으로 열 수요예측을 수행한다. 그러나 이는 개별 건물과 같은 작은 단위에 사용 가능하고 지역 단위로 넘어갈 경우 성능에 문제가 생길 수 있다.

대상 데이터

수요 예측과 성능 분석을 위해 일부 지역의 2012년 1월 1일부터 2015년 1월 31일까지의 열수요 데이터와 해당 지역 동 기간의 외기온도를 사용하였다. 2012년 1월 1일부터 2014년 12월 31일까지 3년간의 데이터를 training data로 사용하여 학습하였으며, test data로 2015년 1월 1일부터 2015년 1월 31일의 열 수요가 가장 많은 동절기 데이터를 사용하여 검증하였다.
수요 예측과 성능 분석을 위해 일부 지역의 2012년 1월 1일부터 2015년 1월 31일까지의 열수요 데이터와 해당 지역 동 기간의 외기온도를 사용하였다. 2012년 1월 1일부터 2014년 12월 31일까지 3년간의 데이터를 training data로 사용하여 학습하였으며, test data로 2015년 1월 1일부터 2015년 1월 31일의 열 수요가 가장 많은 동절기 데이터를 사용하여 검증하였다.

데이터처리

(2016)는 열 수요예측을 위해 SARIMA모형을 사용하여 성능을 평가하였다. 계절성을 고려한 자기 회귀 분석 모델과 이동평균모델이 결합된 SARIMA 기법 기반의 다양한 모델 간 예측 성능을 평가하였다. 입력변수로는 기상 정보로 외기온도와 풍속을, 사회적 요소로 일주일 사용 패턴, 일 단위 사용패턴, 주거지역 및 상업지역, 공업지역을 구분하여 사용하였다.
(2015)는 열 부하 예측을 위해 온라인 기반 머신러닝 알고리즘을 개발하였다. 외기온도와 학교, 상업용 건물, 주거용 건물의 열 수요를 Decision-tree 기반 Fast Incremental Model Trees with Drift Detection(FIMT-DD) 알고리즘을 사용하여 통계적 분석을 수행했다. 실험 결과 회귀 분석을 활용하는 것에 비해 성능이 우수한 것으로 나타났다.
학습 결과를 나타내기 위해 선형 회귀분석인MLR(Multiple Linear Regression)과 제안하는 모델의 R², MAPE를 사용하였다.

이론/모형

, & Lahdelma, R. (2016)는 열 수요예측을 위해 SARIMA모형을 사용하여 성능을 평가하였다. 계절성을 고려한 자기 회귀 분석 모델과 이동평균모델이 결합된 SARIMA 기법 기반의 다양한 모델 간 예측 성능을 평가하였다.
딥러닝은 기계학습의 한 분야로 Neural Network를 기반으로 발전한 기술이다. 본 연구는 텐서플로(Tensorflow) 기반으로 인공신경망을 사용하여 딥러닝을 수행한다. 텐서플로는 구글이 2015년 11월에 오픈소스로 공개한 이후 세상에서 가장 각광받는 기계학습으로 자리 잡았다[7].
본 연구에서는 열 수요의 비선형성을 학습하기 위해 활성화 함수로 relu 함수를 사용하였으며, 최적화 함수로는 AdamOptimizer를 사용하였다.

성능/효과

<그림 8>은 2015년 1월 1일부터 동월 31일까지의 데이터를 기반으로 외기온도 모형을 통해 열수요 예측 결과를 보여준다. MLR의 열 수요예측은 대부분의 열 수요를 과소예측한 것에 비해 상단의 MLP는 실적 데이터의 추세에 더 적합한 예측을 한 것을 보여준다. 하지만 실적 데이터가 평이한 열 수요를 보인 반면 MLP의 예측은 과소예측한 구간도 있으며, 실적 데이터가 증감을 보일 때 MLP는 평이한 열 수요를 예측한 것으로 보아, 열 수요는 단순히 외기온도만이 아니라 어떠한 다른 변수에 의해서 소비자의 소비 패턴이 영향을 주는 것을 알 수 있다.
기존 과소예측을 하던 구간이 크게 향상되었으며 외부 요인과 행동 패턴 학습에서 실적 데이터 패턴과 달라 변동이 심했던 구간도 줄어들었다. 즉, 심리적 요인을 추가적으로 학습했을 때 실적 데이터 패턴과 가장 유사한 예측 패턴이 나타났다.
단순히 외기온도만을 사용하여 MLP로 예측한 결과, 성능이 크게 향상되는 것을 알 수 있었으나, 예측 값이 실적 데이터에 비해 과소예측 및 과대예측하는 구간이 있었음을 알 수 있었다. 즉, 단순히 외기온도에만 영향을 받아 열 수요가 변화하는 것이 아니라 다른 요인 또한 열 수요에 영향을 미치는 것을 알 수 있다.
소비자의 사회적 행동 패턴을 반영하기 위해 주중 및 공휴일을 포함한 주말 구분을 추가하여 학습했을 때, 비슷한 온도에 대해 주중 및 공휴일을 포함한 주말, 두 가지로 패턴으로 단순화되어 선형적인 추세를 보이며, 외부 요인만을 학습했을 때에 비해 MAPE가 0.28% 향상하였다.
외기온도와 학교, 상업용 건물, 주거용 건물의 열 수요를 Decision-tree 기반 Fast Incremental Model Trees with Drift Detection(FIMT-DD) 알고리즘을 사용하여 통계적 분석을 수행했다. 실험 결과 회귀 분석을 활용하는 것에 비해 성능이 우수한 것으로 나타났다. 그러나 단순히 용도별 건물의 외기온도에 따른 열 수요를 예측한다는 한계가 있다.
외기온도 모형과 비교하였을 때 실적 데이터에 대한 과소예측 및 과대예측이 줄고 열 수요예측 패턴이 실적 데이터의 추세에 더 적합한 모습을 보였다. 그럼에도 불구하고 여전히 오차가 있음을 알 수 있었다.
MLR의 열 수요예측은 대부분의 열 수요를 과소예측한 것에 비해 상단의 MLP는 실적 데이터의 추세에 더 적합한 예측을 한 것을 보여준다. 하지만 실적 데이터가 평이한 열 수요를 보인 반면 MLP의 예측은 과소예측한 구간도 있으며, 실적 데이터가 증감을 보일 때 MLP는 평이한 열 수요를 예측한 것으로 보아, 열 수요는 단순히 외기온도만이 아니라 어떠한 다른 변수에 의해서 소비자의 소비 패턴이 영향을 주는 것을 알 수 있다.

후속연구

향후 연구로는 첫째, 제시하는 모델보다 시계열 데이터 분석에 적합한 Recurrent Neural Network(이하 RNN)를 사용하여 성능을 향상시킬 필요가 있다. 전통적으로 시계열 데이터 분석은 사람이 선험적으로 판단하여 기간을 지정하기 때문에 지엽적인 문제에는 적합할 수 있으나 범용성을 가지기에는 무리가 있다.

질의응답

핵심어	질문	논문에서 추출한 답변
	외부 환경에 의해 열 수요에 영향을 주는 변수를 외기온도로 제한한 이유는?	그러나 많은 선행연구와 달리 외부 환경에 의해 열 수요에 영향을 주는 변수를 외기온도로 제한한 이유는 상기한 선행연구에 사용된 이슬점, 체감온도 등은 이미 외기온도에 의해 결정되는 변수이기 때문이다[2].
	열 수요예측 모델에서 첫 번째로 고려할 수 있는 변수는?	첫 번째로 고려할 수 있는 변수는 바로 외기온도이다. 외기온도는 이미 여러 연구에서 다룬 바와 같이 열 수요에 가장 큰 영향을 주는 변수로, 열 수요와 반비례의 관계를 갖는다.
	외기온도의 특성은?	첫 번째로 고려할 수 있는 변수는 바로 외기온도이다. 외기온도는 이미 여러 연구에서 다룬 바와 같이 열 수요에 가장 큰 영향을 주는 변수로, 열 수요와 반비례의 관계를 갖는다. 이는 일정 지역만의 특징이 아닌 보편적인 특성으로 열 수요예측 모델의 범용성을 보장할 수 있다.

참고문헌 (11)

Ahmad, T., Chen, H., Guo, Y., & Wang, J., "A comprehensive overview on the data driven and large scale based approaches for forecasting of building energy demand: A review". Energy and Buildings, Vol.165, pp.301-320, 2018.

상세보기
Dotzauer, E., "Simple model for prediction of loads in district-heating systems", Applied Energy, Vol.73, No.3-4, pp.277-284, 2002.

상세보기
Fang, T., and Lahdelma, R., "Evaluation of a multiple linear regression model and SARIMA model in forecasting heat demand for district heating system", Applied Energy, Vol.179, pp.544-552 2016.

상세보기
Hippert, H. S., Pedreira, C. E., and Souza, R. C., "Neural networks for short-term load forecasting: A review and evaluation", IEEE Transactions on Power Systems, Vol.16, No.1, pp.44-55, 2001.

상세보기
Idowu, S., Saguna, S., Ahlund, C., and Schelen, O., "Applied machine learning: Forecasting heat load in district heating system", Energy and Buildings, Vol.133, pp.478-488, 2016.

상세보기
Johansson, C., Bergkvist, M., Geysen, D., De Somer, O., Lavesson, N., and Vanhoudt, D., "Operational demand forecasting in district heating systems using ensembles of online machine learning algorithms", Energy Procedia, Vol.116, pp.208-216, 2017.

상세보기
McClure, N., 황정동, "TensorFlow machine learning cookbook :다양한 텐서플로 예제를 실행해 보면서 빠르게 익히는 머신 러닝", 에이콘. 2017.
Provatas, S., Lavesson, N., & Johansson, C., "An online machine learning algorithm for district heating systems heat load forecasting", EUROHEAT AND POWER, 2015.
Sandberg, A., Wallin, F., Li, H., & Azaza, M., "An analyze of long-term hourly district heat demand forecasting of a commercial building using neural networks", Energy Procedia, Vol. 105, pp.3784-3790, 2017.

상세보기
김향민., "열병합발전을 위한 열수요 예측모델 개발", 숭실대학교 대학원 석사학위논문, 2017.
송기범, 박진수, 김윤배, 정철우, 박찬민. "지역 난방을 위한 열 수요예측". 산업공학 (IE Interfaces), 제24권, 제4호, pp.373-378, 2011.

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

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