[논문]LSTM을 이용한 웹기반 수용가별 전력수요 변동성 평가시스템

서덕희; 유준수; 최은정; 조수환; 김동근

doi:10.6109/jkiice.2018.22.4.587

LSTM을 이용한 웹기반 수용가별 전력수요 변동성 평가시스템
Web based Customer Power Demand Variation Estimation System using LSTM 원문보기

한국정보통신학회논문지 = Journal of the Korea Institute of Information and Communication Engineering, v.22 no.4, 2018년, pp.587 - 594

서덕희 (Department of Mobile Software, Sangmyung University) , 유준수 (Department of Electrical Engineering, Sangmyung University) , 최은정 (Department of Computer Science, Sangmyung University) , 조수환 (Department of Electrical Engineering, Sangmyung University) , 김동근 (Department of Intelligent Enginnering Informatics for human, Sangmyung University)

초록
AI-Helper

본 연구는 LSTM기반의 전력수요 변동성 평가 시스템을 제안하고 핵심모듈인 수요예측모듈의 정확성을 증명하기 보다는 실제 전력수요 모니터링 시스템 내 딥러닝을 이용하여 갑작스러운 전력패턴의 변화를 인지할 수 있는 모듈에 대한 활용 가능성을 확인하고자 한다. 웹기반 시스템에 모듈로 적용하여 관리자가 전력사용 패턴의 변동성을 판단할 수 있도록 시각화된 보고서를 제공하였다. 변동성 평가시스템의 구현 결과 관공서와 병원 등의 기관의 경우 전력사용량 데이터가 일정한 형태의 패턴을 보임을 확인하였다. 반면 주거시설과 같이 전력사용량이 상대적으로 낮은 지역의 경우 변동성 평가에는 적절하지 않았음을 확인했다.

Abstract ▼ AI-Helper

The purpose of this study is to propose a power demand volatility evaluation system based on LSTM and not to verify the accuracy of the demand module which is a core module, but to recognize the sudden change of power pattern by using deeplearning in the actual power demand monitoring system. Then we confirm the availability of the module. Also, we tried to provide a visualized report so that the manager can determine the fluctuation of the power usage patten by applying it as a module to the web based system. It is confirmed that the power consumption data shows a certain pattern in the case of government offices and hospitals as a result of implementation of the volatility evaluation system. On the other hand, in areas with relatively low power consumption, such as residential facilities, it was not appropriate to evaluate the volatility.

주제어

AI 본문요약
AI-Helper

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

문제 정의

본 연구의 목적은 LSTM기반의 전력수요 변동성 평가 시스템을 제안하고 핵심모듈인 수요예측모듈의 정확성을 증명하기 보다는 실제 전력수요 모니터링 시스템 내 딥러닝을 이용하여 갑작스러운 전력패턴의 변화를 인지할 수 있는 모듈에 대한 활용 가능성을 확인한다. 그리고 웹기반 시스템에 모듈로 적용하여 관리자가 전력사용 패턴의 변동성을 판단하도록 시각화된 보고서를 제공하는 것이다.
본 연구에서 제안하고자 하는 딥러닝 기반의 변동성 평가에 대하여 정리하자면 딥러닝 기반으로 수요예측 기능을 진행하고 실제사용량과 비교하여 일치되지 않는 구간을 변동성을 확인할 수 있는 환경을 제공하는 것이다.
본 연구의 목적은 LSTM기반의 전력수요 변동성 평가 시스템을 제안하고 핵심모듈인 수요예측모듈의 정확성을 증명하기 보다는 실제 전력수요 모니터링 시스템 내 딥러닝을 이용하여 갑작스러운 전력패턴의 변화를 인지할 수 있는 모듈에 대한 활용 가능성을 확인한다. 그리고 웹기반 시스템에 모듈로 적용하여 관리자가 전력사용 패턴의 변동성을 판단하도록 시각화된 보고서를 제공하는 것이다.
에너지 스케줄링관리를 포함하여 스마트 그리드를 구성하는 몇 가지 핵심 기능에서는 시설의 전력수요를 예측하는 기능이 필요하다. 전력수요 변동성 평가의 본질적인 목적은 전력의 과다사용으로 인한 블랙아웃 대비기능 외에도 에너지를 실시간으로 모니터링하고 수요를 관리하여 이익을 얻는 지능형 수요반응(Demand Response)과 연동하여 경제적인 이익을 얻기 위함이다.[4] 수요반응을 이용하여 시설에서 경제적인 이익을 얻고 국가는 발전시설 대비 비용절감 및 환경보존 같은 추가적인 이익을 도모할 수 있는 순기능이 있다.

가설 설정

월 단위 전력수요가 몇 해 전 전력수요에 영향을 준다고 가정하고 자기회귀 차수를 포함하였다. 난방도일과 냉방도일을 전 월 독립변수에 포함시켰고 사용처에 따라 각자 다른 모델로 나타내어 통계적으로 유의함을 확인했다.

제안 방법

실험에 따라 본 논문에서 제안하는 전력수요 변동성 평가모델을 구성하기 위한 하이퍼파라미터는 표 1과 같다. hidden layer 수 1개, node의 개수 10개, batch size는 128개, learning rate를 0.11로 설정하였으며, 반복 횟수는 200번으로 설정하였으며 활성함수는 쌍곡선함수 중 Hyperbolic Tangent를 사용하였다. 마지막으로 최적화 알고리즘은 확률적 경사 하강법을 이용하여 진행하였다.
본 연구에서 제안한 LSTM기반의 전력수요모델을 이용하기 위해 먼저 수요모형에 대한 세부 설정을 지정하였다. 그 다음 수요모델을 구현할 개발환경을 구성하고 사용할 데이터 셋을 구축하였다. 실제 개발을 위하여 수요예측모델을 구성하고 웹 시스템과 연동하는 과정을 거쳐 시스템을 구현하였다.
그 다음 획득한 전력사용데이터를 서버 내 커맨드 라인 인터페이스로 컴파일 된 LSTM기반 전력수요변동성 평가 자바 클래스를 실행하여 파일시스템을 이용하여 결과를 남긴다. 그리고 마지막으로 결과파일을 요청하는 페이지로 이동시켜 데이터를 획득하고 요청을 보낸 브라우저에 시각화 하여 출력하는 기능을 설계하였다.
월 단위 전력수요가 몇 해 전 전력수요에 영향을 준다고 가정하고 자기회귀 차수를 포함하였다. 난방도일과 냉방도일을 전 월 독립변수에 포함시켰고 사용처에 따라 각자 다른 모델로 나타내어 통계적으로 유의함을 확인했다.[8]
본 연구에서 제안하는 변동성 평가시스템 구현을 진행하였다. 핵심모듈인 수요를 예측하는 부분에서 관공서, 병원과 같이 전력사용량 데이터가 일정한 형태로 패턴을 이루며 전력사용량이 상대적으로 높은 지역의 경우 사용패턴이 한 가지 패턴으로 출력되므로 변동성 평가를 위한 그래프가 일치하는 편을 보이지만 주거시설 케이스의 경우 전력사용량이 상대적으로 낮고 유동성 평가에 적절하지 않았다.
본 연구에서 제안한 LSTM기반의 전력수요모델을 이용하기 위해 먼저 수요모형에 대한 세부 설정을 지정하였다. 그 다음 수요모델을 구현할 개발환경을 구성하고 사용할 데이터 셋을 구축하였다.
본 연구에서는 시계열 데이터에서 패턴을 인식하는 인공신경망인 Recurrent Neural Network의 변형모델인 Long Short Term Memory를 기반으로 전력사용데이터 스스로 특징을 추출하게 함으로써 기존에 복잡한 식을 이용하거나 일련의 연산을 통해 얻을 수 있는 종속변수 없이 이전 사용량데이터만으로 전력수요 변동성 평가기능을 구현한다.
본 연구에서 제안한 LSTM기반 전력수요 변동성 평가 시뮬레이션을 위해 사용된 데이터는 주거시설, 의료시설, 관공서의 3개 사이트의 7일 단위로 2세트 전력사용데이터를 사용하였다. 시설별로 7일 단위 2세트의 데이터를 추출하여 6일을 학습하고 하루 데이터를 예측하고 비교 하였다.
그 다음 수요모델을 구현할 개발환경을 구성하고 사용할 데이터 셋을 구축하였다. 실제 개발을 위하여 수요예측모델을 구성하고 웹 시스템과 연동하는 과정을 거쳐 시스템을 구현하였다. 시스템은 그림 2와 같다.
필요한 독립변수는 온도, 근무일수, 소득변수, 가격변수로 지정하였다. 온도는 난방수요와 냉방수요를 고려하여 난방도일과 냉방도일을 이용하여 일평균기온에서 기준온도와 차를 구해 누적 합산하여 계산되었다.
전력사용형태를 기반으로 주거시설, 관공서, 병원 등으로 임의의 기관 하나를 설정하여 수요예측을 데이터와 실제 데이터를 비교하는 방법으로 진행하였다. 데이터는 수요반응자원 시스템 내에서 MSSQL에 누적된 데이터를 이용하여 분석하였다.
필요한 독립변수는 온도, 근무일수, 소득변수, 가격변수로 지정하였다. 온도는 난방수요와 냉방수요를 고려하여 난방도일과 냉방도일을 이용하여 일평균기온에서 기준온도와 차를 구해 누적 합산하여 계산되었다.

대상 데이터

그러므로 7일 단위 2016개의 데이터가 시설별로 2세트로 구성되어있다. 각각 2016개의 데이터 셋 중 1728개를 학습데이터를 지정하고 24시간 데이터인 288개를 예측하도록 한다. 위와 같이 정리된 데이터를 이용하여 288개의 데이터를 한 단위로 Test Set으로 표현하였다.
날짜는 2016년 11월 1주, 2주로 지정하였으며 데이터의 단위는 5분단위의 시계열 데이터로 구성되어있다. 그러므로 7일 단위 2016개의 데이터가 시설별로 2세트로 구성되어있다.
전력사용형태를 기반으로 주거시설, 관공서, 병원 등으로 임의의 기관 하나를 설정하여 수요예측을 데이터와 실제 데이터를 비교하는 방법으로 진행하였다. 데이터는 수요반응자원 시스템 내에서 MSSQL에 누적된 데이터를 이용하여 분석하였다. [4] 데이터의 핵심구성은 그림 1에 나타난 바와 같이 EquipmentID, mr_ymdhh, mmIndex, Value_5Min, NowDate로 구성되어있다.
본 연구에서 제안한 LSTM기반 전력수요 변동성 평가 시뮬레이션을 위해 사용된 데이터는 주거시설, 의료시설, 관공서의 3개 사이트의 7일 단위로 2세트 전력사용데이터를 사용하였다. 시설별로 7일 단위 2세트의 데이터를 추출하여 6일을 학습하고 하루 데이터를 예측하고 비교 하였다.
각각 2016개의 데이터 셋 중 1728개를 학습데이터를 지정하고 24시간 데이터인 288개를 예측하도록 한다. 위와 같이 정리된 데이터를 이용하여 288개의 데이터를 한 단위로 Test Set으로 표현하였다. 다른 전력수요 변동성 평가 연구[7]에 비해 데이터 셋의 수가 작은 이유는 최소화된 구성으로 모바일 플랫폼에서 구동할 수 있도록 확장예정이기 때문에 상대적으로 작은 데이터 셋의 크기를 가진다.

이론/모형

다른 방법으로는 시계열 데이터를 분석하기 위하여 널리 쓰이고 있는 동태적 회귀분석 중 하나인 ARDL(Autoregressive Distributed Lag)를 이용하였다.
11로 설정하였으며, 반복 횟수는 200번으로 설정하였으며 활성함수는 쌍곡선함수 중 Hyperbolic Tangent를 사용하였다. 마지막으로 최적화 알고리즘은 확률적 경사 하강법을 이용하여 진행하였다.
본 연구에서는 LSTM을 이용한 전력수요 변동성 평가 모델을 구성하기위해 DL4J를 이용하였다. DL4J를 선택한 이유는 GPU를 이용 할 수 있는 환경을 구축하기 용의하고 향후 연구인 스마트폰 전력수요 모니터링 시스템에서 적용하기 위해여 모바일 플랫폼으로 확장 할 수 있는 프레임워크가 필요하다.
혼합주기 전력수요 모형(MIDAS)을 이용한 수요예측은 경제학 분야에서 GDP를 구하는데 사용되는 MIDAS 회귀모델[8]을 이용하여 전력소비를 예측하였다.

성능/효과

전력수요 변동성 평가의 본질적인 목적은 전력의 과다사용으로 인한 블랙아웃 대비기능 외에도 에너지를 실시간으로 모니터링하고 수요를 관리하여 이익을 얻는 지능형 수요반응(Demand Response)과 연동하여 경제적인 이익을 얻기 위함이다.[4] 수요반응을 이용하여 시설에서 경제적인 이익을 얻고 국가는 발전시설 대비 비용절감 및 환경보존 같은 추가적인 이익을 도모할 수 있는 순기능이 있다.
관공서의 전력사용데이터를 이용한 예측을 진행한 결과 그림 6와 같이 당일에만 존재하는 일시적인 전력사용증가 사건을 제외하고 모든 전력 사용량의 상승 하락 패턴을 인지 할 수 있었지만 전력수요량 상승패턴 중 한번 수요량을 너무 크게 잡은 결과가 있었다.
그 결과 월 단위 데이터가 완성되었고 이전데이터만 이용하는 것 보다는 월 단위, 주간 냉난방 차이가 반영될 경우에는 상대적으로 높은 정확성을 보인다고 하였다. 하지만 주간 일간으로 상대적으로 낮은 단위의 전력 수요 데이터가 존재한다면 차이점은 별로 없다고 하였다.

후속연구

본 연구에서는 LSTM을 이용한 전력수요 변동성 평가 모델을 구성하기위해 DL4J를 이용하였다. DL4J를 선택한 이유는 GPU를 이용 할 수 있는 환경을 구축하기 용의하고 향후 연구인 스마트폰 전력수요 모니터링 시스템에서 적용하기 위해여 모바일 플랫폼으로 확장 할 수 있는 프레임워크가 필요하다. 확장 가능한 프레임워크가 필요한 이유는 서버에서 연산하지 않고 데이터만 서버에서 내려 받아 클라이언트에서 진행하는 방식이 서버에 무리를 주지 않기 때문이다.
핵심모듈인 수요를 예측하는 부분에서 관공서, 병원과 같이 전력사용량 데이터가 일정한 형태로 패턴을 이루며 전력사용량이 상대적으로 높은 지역의 경우 사용패턴이 한 가지 패턴으로 출력되므로 변동성 평가를 위한 그래프가 일치하는 편을 보이지만 주거시설 케이스의 경우 전력사용량이 상대적으로 낮고 유동성 평가에 적절하지 않았다. 그 이유는 주거시설이 상대적으로 온도 변화에 민감한 시설이여서 온도 변화에 대한 정보를 포함하여 최근일자 보다 비슷한 온도일 경우 전력사용량을 학습하여 전력수요 변동성 평가기능을 구성한다면 더욱 현재기준으로 보다 향상된 변동성평가를 판단해 낼 수 있을 것이라 판단된다.
심지어 관리자로부터 수동적으로 몇몇 파라미터를 입력받아야 진행 할 수도 있다. 그러나 딥러닝 기반 수요예측을 이용하여 간단하게 이전 사용량을 기반으로도 충분히 가능성 있는 전력수요 변동성 평가를 진행 할 수 있다고 판단된다.
JS를 이용해야만 하는 의존성이 없다면 Java 기반의 Spring Framework를 이용하여 변동성 평가 모듈과 웹서버 프로젝트를 Maven으로 효과적으로 관리하는 부분이 필요하다. 마지막으로 관리자의 분석을 편하게 진행하기 위해 공휴일, 토요일, 일요일 외에 관리자 지정 휴무일을 설정할 수 있는 인터페이스를 제공해야한다.
전력소비 예측연산 자체가 많은 시간과 리소스를 필요하여 스마트폰 환경에서는 적절하지 않지만 스마트폰 사용비중이 가장 낮은 자정 혹은 특정시간대에 스케줄링 하는 방식으로 구성하면 시간이 조금 더 걸리더라도 무리하지 않을 것 이라고 판단된다. 스마트폰 수요반응 어플리케이션에서 데이터만 서버로부터 내려 받아 클라이언트 디바이스가 직접 본 연구에서 제안한 수요예측 기능을 실행하여 각 사업장에 최적화된 전력수요 변동성 평가 결과를 서버에 무리를 주지 않고 얻을 수 있을 것이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	스마트 그리드를 구성하는 사업이 재조명 받는 이유는 무엇인가?	전력 수요 예측은 스마트 그리드를 구성하는 부분 중 중요한 부분을 차지하는 기능이다. 전년 대비 유가상승 및 환경문제로 인한 저탄소 에너지 전환 및 신재생 에너지 사업을 통하여 스마트 그리드를 구성하는 사업의 전망이 다시 한 번 재조명 받고 있다.[1-2] 에너지 이슈에 대비하여 IT를 비롯한 여러 분야에서 융복 합을 시도하여 새로운 산업을 확산하기 위한 연구가 진행되고 있다.
	LSTM을 기반으로 수용가별 전력수요 변동성 평가를 하였을 경우 이점은 무엇인가?	단일데이터만으로 시계열 패턴분석인 LSTM을 이용하여 도출된 시각화된 결과보고서를 이용하여 수용가별 전력수요 변동성 평가가 가능하다. 변동성 평가를 위한 수요예측을 기반으로 급작스러운 전력사용 패턴의 변화를 시설관리자가 알 수 있다. 그리고 웹 시스템과 연동을 통하여 분석하기 편리한 시각화 인터페이스를 제공한다.
	RNN이란?	본 연구에서는 시계열 데이터에서 패턴을 인식하는 인공신경망인 Recurrent Neural Network의 변형모델인 Long Short Term Memory를 기반으로 전력사용데이터 스스로 특징을 추출하게 함으로써 기존에 복잡한 식을 이용하거나 일련의 연산을 통해 얻을 수 있는 종속변수 없이 이전 사용량데이터만으로 전력수요 변동성 평가기능을 구현한다.

참고문헌 (12)

B. J. Jang and S. G. Han, "Energy-IT fusion technology trends and major issues," Communications of the Korean Institute of Information Scientists and Engineers, vol. 28, no. 7, pp. 44-51, Aug. 2010.
E. S. Yang, A. R. Kim, B. A. Kim and B. R. Shin, World Energy Market Insight 1st ed. Ulsan: Korea energy economics institute, 2016.
M. J. Sung and K. W. Shin, "A Small-area Hardware Implementation of EGML-based Moving Object Detection Processor," Journal of Korea Institute of Information and Communication Engineering, vol. 21, no. 12, pp.2213-2220, Dec. 2017.
J. Y. Eum, "A Study on the Development of Energy Supply and Demand Prediction Models for Smart City Energy Management System(CEMS)," MS. thesis, Sangmyung University, Seoul, 2015.
J. Y. Lee and L. Kolasani, "Security Based Network for Health Care System," Asia-pacific Journal of Convergent Research Interchange, vol. 1, no. 1, pp. 1-6, Mar 2015.
J. K. Ko, I. K. Yang and I. H. Yu, "A Study On Demand Pattern Analysis for Forecasting of Customer's Electricity Demand," International Journal of Information and Communication Engineering, vol. 9, no. 4, pp. 358-362, Aug. 2011.
N. H. Jo, " SVM Load Forecasting using Cross-Validation," The Transactions of The Korean Institute of Electrical Engineers , Vol. 55A No.11, pp. 485-491, Nov. 2006.
C. H. Kim, "Power demand forecasting model using mixed cycle data," Korea energy economics institute: KR, Research Report, 2014.
S. H. Song, "The Emotion Analysis Based on Long Short Term Memory using the Central and Autonomic Nervous System Signals," MS thesis Sangmyung University, Seoul, 2018.
Y. Sugomori, Java Deep Learning Essentials 1st ed. Birmingham, WD: Packt Publishing Ltd, 2016.
Skymind. Deeplearning4j: Open-source, Distributed Deep Learning for the JVM [Internet]. Available: https://deeplearning4j.org/quickref.
M. Mutingi, C. Mbohwa and P. dube, "System dynamics archetypes for capacity management of energy systems," in 4th International Conference on Power and Energy Systems Engineering, Berlin: DE, pp. 199-205, 2017.

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