$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

전력선통신 시스템을 위한 딥 러닝 기반 전력량 예측 기법
Power Consumption Prediction Scheme Based on Deep Learning for Powerline Communication Systems 원문보기

전기전자학회논문지 = Journal of IKEEE, v.22 no.3, 2018년, pp.822 - 828  

이동구 (Dept. of Wireless Communications Engineering, KwangWoon University) ,  김수현 (Dept. of Wireless Communications Engineering, KwangWoon University) ,  정호철 (Dept. of Wireless Communications Engineering, KwangWoon University) ,  선영규 (Dept. of Wireless Communications Engineering, KwangWoon University) ,  심이삭 (Dept. of Wireless Communications Engineering, KwangWoon University) ,  황유민 (Dept. of Wireless Communications Engineering, KwangWoon University) ,  김진영 (Dept. of Wireless Communications Engineering, KwangWoon University)

초록
AI-Helper 아이콘AI-Helper

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.

Abstract ▼ AI-Helper 아이콘AI-Helper

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 ...

주제어

#PLC   #Deep Learning   #RNN   #LSTM   #Demand Forecast  

AI 본문요약
AI-Helper 아이콘 AI-Helper

문제 정의

  • 이에 본 논문은 전력량 데이터를 딥 러닝 모델에 학습시키는 딥 러닝 기반의 전력량 예측기법을 제시한다. 본 논문의 구성은 다음과 같다.
본문요약 정보가 도움이 되었나요?

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].
질의응답 정보가 도움이 되었나요?

참고문헌 (14)

  1. 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 

    상세보기 crossref

  2. 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 

    상세보기 crossref

  3. 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 

    원문보기 상세보기 crossref

  4. 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. 

  5. 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. 

  6. 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. 

  7. 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. 

  8. I. Goodfellow, Deep Learning, MIT Press, 2016. 

  9. S. P. Kim, Deep Learning First Step, Hanbit media, 2016. 

  10. 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 

    상세보기 crossref

  11. H. Salehinejad, S. Sankar, J. Barfett, E. Colak and S. Valaee, "Recent advances in recurrent neural networks," arXiv preprint arXiv:1801.01078, 2018. 

  12. 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. 

  13. 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 

  14. 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 

    상세보기 crossref

저자의 다른 논문 :

LOADING...

관련 콘텐츠

오픈액세스(OA) 유형

GOLD

오픈액세스 학술지에 출판된 논문

섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로