최근 전력 사용량의 증가로 인한 대규모 블랙아웃 등 에너지 문제가 대두되고 있으며, 이 문제들로 인해 전력 소비량 예측에 대한 정확도를 개선할 필요성이 부각되었다. 본 연구에서는 딥 러닝 기반의 전력 사용량 예측 실험을 통해서 실제 전력 소비량과 예측된 전력 소비량의 차이를 계산하고, 이를 통해서 전력 예비율을 기존 대비 하향 조정할 수 있는 가능성에 대해서 살펴본다. 예비 전력은 사용하지 않으면 손실되는 전력으로, 본 논문에서의 딥 러닝 기반 전력 소비량 예측을 통해서 여분의 전력을 과도하게 생산하지 않도록 오차범위 내에서 전력 예비율을 감소시킬 수 있는 기반을 마련할 수 있다. 본 논문에서 사용하는 딥 러닝 기법은 시계열 데이터를 처리하는 Long-Short-Term-Memory(LSTM) 구조의 학습 모델을 이용한다. 컴퓨터 시뮬레이션에서는 임의 생성한 전력 소비 데이터를 토대로 모델을 학습시키고, 학습된 모델을 토대로 전력 사용 예측값을 구하고 실제 전력 소비량 간에 오차를 계산한 결과 오차율 21.37%를 얻을 수 있었다. 이는 최근의 전력 예비율 45.9%를 고려할 때, 본 연구에서 제안한 전력 소비량 예측 알고리즘을 적용하는 경우 20% 포인트 정도의 예비율 감축이 가능하다.
최근 전력 사용량의 증가로 인한 대규모 블랙아웃 등 에너지 문제가 대두되고 있으며, 이 문제들로 인해 전력 소비량 예측에 대한 정확도를 개선할 필요성이 부각되었다. 본 연구에서는 딥 러닝 기반의 전력 사용량 예측 실험을 통해서 실제 전력 소비량과 예측된 전력 소비량의 차이를 계산하고, 이를 통해서 전력 예비율을 기존 대비 하향 조정할 수 있는 가능성에 대해서 살펴본다. 예비 전력은 사용하지 않으면 손실되는 전력으로, 본 논문에서의 딥 러닝 기반 전력 소비량 예측을 통해서 여분의 전력을 과도하게 생산하지 않도록 오차범위 내에서 전력 예비율을 감소시킬 수 있는 기반을 마련할 수 있다. 본 논문에서 사용하는 딥 러닝 기법은 시계열 데이터를 처리하는 Long-Short-Term-Memory(LSTM) 구조의 학습 모델을 이용한다. 컴퓨터 시뮬레이션에서는 임의 생성한 전력 소비 데이터를 토대로 모델을 학습시키고, 학습된 모델을 토대로 전력 사용 예측값을 구하고 실제 전력 소비량 간에 오차를 계산한 결과 오차율 21.37%를 얻을 수 있었다. 이는 최근의 전력 예비율 45.9%를 고려할 때, 본 연구에서 제안한 전력 소비량 예측 알고리즘을 적용하는 경우 20% 포인트 정도의 예비율 감축이 가능하다.
Recently, energy issues such as massive blackout due to increase in power consumption have been emerged, and it is necessary to improve the accuracy of prediction of power consumption as a solution for these problems. In this study, we investigate the difference between the actual power consumption ...
Recently, energy issues such as massive blackout due to increase in power consumption have been emerged, and it is necessary to improve the accuracy of prediction of power consumption as a solution for these problems. In this study, we investigate the difference between the actual power consumption and the predicted power consumption through the deep learning- based power consumption forecasting experiment, and the possibility of adjusting the power reserve ratio. In this paper, the prediction of the power consumption based on the deep learning can be used as a basis to reduce the power reserve ratio so as not to excessively produce extra power. The deep learning method used in this paper uses a learning model of long-short-term-memory (LSTM) structure that processes time series data. In the computer simulation, the generated power consumption data was learned, and the power consumption was predicted based on the learned model. We calculate the error between the actual and predicted power consumption amount, resulting in an error rate of 21.37%. Considering the recent power reserve ratio of 45.9%, it is possible to reduce the reserve ratio by 20% when applying the power consumption prediction algorithm proposed in this study.
Recently, energy issues such as massive blackout due to increase in power consumption have been emerged, and it is necessary to improve the accuracy of prediction of power consumption as a solution for these problems. In this study, we investigate the difference between the actual power consumption and the predicted power consumption through the deep learning- based power consumption forecasting experiment, and the possibility of adjusting the power reserve ratio. In this paper, the prediction of the power consumption based on the deep learning can be used as a basis to reduce the power reserve ratio so as not to excessively produce extra power. The deep learning method used in this paper uses a learning model of long-short-term-memory (LSTM) structure that processes time series data. In the computer simulation, the generated power consumption data was learned, and the power consumption was predicted based on the learned model. We calculate the error between the actual and predicted power consumption amount, resulting in an error rate of 21.37%. Considering the recent power reserve ratio of 45.9%, it is possible to reduce the reserve ratio by 20% when applying the power consumption prediction algorithm proposed in this study.
이에 본 논문은 전력량 데이터를 딥 러닝 모델에 학습시키는 딥 러닝 기반의 전력량 예측기법을 제시한다. 본 논문의 구성은 다음과 같다.
제안 방법
본 논문에서는 인공신경망에서 딥 러닝, 순환신경망, LSTM에 이르는 개념과 학습 방법으로써의 지도학습을 알아보았다. 그리고 한 가정의 전력사용량을 4개의 가전제품 사용 모델로 축소해서 데이터를 생성하였고, 이 데이터를 토대로 다양한 모델을 테스트했다. 테스트를 통해서 각각의 파라미터들이 갖는 최적의 값을 설정하였고, 이 파라미터들을 갖는 모델을 생성한 데이터로 학습시켰다.
본 논문에서는 인공신경망에서 딥 러닝, 순환신경망, LSTM에 이르는 개념과 학습 방법으로써의 지도학습을 알아보았다. 그리고 한 가정의 전력사용량을 4개의 가전제품 사용 모델로 축소해서 데이터를 생성하였고, 이 데이터를 토대로 다양한 모델을 테스트했다.
그리고 한 가정의 전력사용량을 4개의 가전제품 사용 모델로 축소해서 데이터를 생성하였고, 이 데이터를 토대로 다양한 모델을 테스트했다. 테스트를 통해서 각각의 파라미터들이 갖는 최적의 값을 설정하였고, 이 파라미터들을 갖는 모델을 생성한 데이터로 학습시켰다. 마지막으로 학습시킨 모델의 결과와 오차율을 확인하였다.
대상 데이터
본 연구에서는 20대 독신 남성의 가정을 모델로 4개의 가전제품을 사용하는 경우로 전력사용 패턴을 간략화했다. 4개의 가전제품은 헤어드라이어, 전기밥솥, 커피포트 그리고 선풍기다. 해당 가전제품의 전력 소모량을 토대로 데이터를 생성하였다.
본 연구에서 이용한 학습데이터는 7월 한 달을, 검증과 테스트를 위한 데이터는 8월의 1주일씩을 설정하였다. 공휴일과 계절 상태를 데이터에 포함하였다.
데이터처리
테스트를 통해서 각각의 파라미터들이 갖는 최적의 값을 설정하였고, 이 파라미터들을 갖는 모델을 생성한 데이터로 학습시켰다. 마지막으로 학습시킨 모델의 결과와 오차율을 확인하였다. 그리고 마지막으로 현행 전력 예비율과 오차율을 비교해 효율성을 확인해보았다.
이론/모형
어떤 함수와 알고리즘을 선택하느냐에 따라 모델의 학습 속도와 성능이 달라질 수 있다. 본 논문에서 사용한 모델의 손실함수와 최적화 알고리즘은 각각 Mean Squared Error(MSE) 함수와 Adam optimizer [14] 이다.
성능/효과
37%)의 값을 갖는다. 이는 전력 공급 예비율 45.9% (2018년 8월 26일 오후 8시 기준, 한국전력)에 비해 24%이상 향상된 수치이다. 그러므로 현행의 예비율 책정방식 대신에 본 논문에서 제안하는 시스템을 도입한다면 전력 예비율을 줄여 효율적인 발전을 가능하게 할 것이다.
후속연구
실제 사용자의 데이터를 측정해서 데이터화 하고 학습시킨다면 축소된 모델이 아닌 실제 가정의 사용량 예측을 할 수 있는 시스템으로 확장이 가능하다. 하지만 한계도 예상된다.
환경적 요소와 같은 외적인 요소가 급변하는 구간, 예를 들면 온도가 급변하는 환절기와 같은 요소가 포함되면 모델은 예측을 하는데 어려움을 겪을 것이다. 추후 연구로써 전력사용량만을 학습하는 모델이 아닌 다양한 환경변수 (온도, 조도 등)를 포함한 데이터를 학습하는 모델로 다양한 데이터를 학습시키고 예측하는 연구가 가능하다.
하지만 한계도 예상된다. 환경적 요소와 같은 외적인 요소가 급변하는 구간, 예를 들면 온도가 급변하는 환절기와 같은 요소가 포함되면 모델은 예측을 하는데 어려움을 겪을 것이다. 추후 연구로써 전력사용량만을 학습하는 모델이 아닌 다양한 환경변수 (온도, 조도 등)를 포함한 데이터를 학습하는 모델로 다양한 데이터를 학습시키고 예측하는 연구가 가능하다.
질의응답
핵심어
질문
논문에서 추출한 답변
전력선 통신이란?
전력선 통신(Power Line Communication, PLC)이란 전력을 공급하는 전력선으로 데이터 통신을 하는 기술이다. 이 기술을 이용하면 전력선 자체만으로 전력사용량을 원격으로 관리 할 수 있다.
인공신경망은 무엇으로 이루어지는가?
인공신경망은 인간의 두뇌 구조를 표현하고 구현하는 통계학적 학습 알고리즘이다. 인공신경망은 뉴런, 연결계수 그리고 뉴런들의 계층구조인 레이어로 이루어진다. 레이어는 또다시 입력층, 출력층 그리고 은닉층으로 이루어진다.
시간대별 기온 데이터를 이용해 지수평활 화법을 적용했을 때 단점은 무엇인가?
시간대별 기온 데이터를 이용해 지수평활 화법을 적용하는 연구가 있다. 하지만 이 방법은 계절별로 하루의 최고기온과 최저기온의 데이터만을 이용하기 때문에 시간당 변화하는 환경에 대한 전력량을 예측하기 어렵다는 단점이 있다[3-5]. 그리고 빅데이터 분석을 이용하여 과거의 기상 데이터, 전력 데이터, 웹 블로그의 키워드 검색을 분석하는 시도도 있었다 [6].
참고문헌 (14)
S. Kalyanaraman, "Back to the future: lessons for internet of energy networks," IEEE Internet Computing, vol.20, no.1, pp. 60-65, 2016. DOI:10.1109/MIC.2016.19
Y. J. Lin, H. A. Latchman, M. Lee and S. Katar, "A power line communication network infrastructure for the smart home," IEEE Wireless Communications, vol.9, no.6, pp. 104-111, 2002. DOI:10.1109/MWC.2002.1160088
K. B. Song, "Development of short-term load forecasting algorithm using hourly temperature," Journal of KIEE, vol.63, no.4, pp. 451-454, 2014. DOI:10.5370/KIEE.2014.63.4.451
K. B. Song and S. K. Ha, "An algorithm of short-term load forecasting," Journal of KIEE, vol.53A, no.10, pp. 529-535, 2004.
S. I. Kong, K. B. Song and Y. S. Baek, "The daily peak load forecasting in summer with the sensitivity of temperature," Journal of KIEE, vol.53A, no.10, pp. 358-363, 2004.
S. B. Kong, M. S. Jang and S. K. Joo, "Short-term load forecasting for weekdays using a big data analysis," in Proc. of 2015 Spring Conference of KIEE, Seoul, pp. 144-145, 2015.
H. N. Lee, J. H. Han and M. H. Lee, "Research of power peak estimation and prediction," Korea Energy Economic Review, vol.9, no.2, pp. 83-99, 2010.
I. Goodfellow, Deep Learning, MIT Press, 2016.
S. P. Kim, Deep Learning First Step, Hanbit media, 2016.
K. Greff, R. K. Srivastava, J. Koutnik, B. R. Steunebrink and J. Schmidhuber, "LSTM: a search space odyssey," IEEE Trans. Neural Networks and Learning Systems, vol.28, no.10, pp. 2222-2232, 2017. DOI:10.1109/TNNLS.2016.2582924
H. Salehinejad, S. Sankar, J. Barfett, E. Colak and S. Valaee, "Recent advances in recurrent neural networks," arXiv preprint arXiv:1801.01078, 2018.
A. Krizhevsky, I. Sutskever, and G. E. Hinton, "Imagenet classification with deep convolutional neural networks," in Proc. of the 25th International Conference on Neural Information Processing Systems, Nevada, U.S.A., pp. 1097-1105, 2012.
P. Sibi, S. A. Jones and P. Siddarth, "Analysis of different a activation function using back propagation neural networks," Journal of Theoretical and Applied Information Technology (JATIT), vol.47, no.3, pp. 1264-1268, 2013. DOI:10.1155/2012/490647
Z. Wang, "Mean squared error: love it or leave it? a new look at signal fidelity Measures," IEEE Signal Processing Magazine, vol.26, no.1, pp. 98-117, 2009. DOI:10.1109/MSP.2008.930649
※ AI-Helper는 부적절한 답변을 할 수 있습니다.