[논문]예측율 제고를 위한 사계절 혼합형 열수요 예측 신경망 모델

최승호; 이재복; 김원호; 홍준희

doi:10.5855/energy.2019.28.4.082

예측율 제고를 위한 사계절 혼합형 열수요 예측 신경망 모델
A Model of Four Seasons Mixed Heat Demand Prediction Neural Network for Improving Forecast Rate 원문보기

에너지공학 = Journal of energy engineering, v.28 no.4, 2019년, pp.82 - 93

최승호 (가천대학교) , 이재복 (가천대학교) , 김원호 (가천대학교) , 홍준희 (가천대학교)

초록
AI-Helper

본 연구에서는 기존 열수요 예측 시스템이 공휴일과 같은 특정 일자의 열수요 예측율이 저하되는 문제점을 개선하기 위해 새로운 모델을 제안한다. 제안된 모델은 사계절 혼합형 신경망 모델(Four Season Mixed Heat Demand Prediction Neural Network Model)로서 열수요 예측율 상승하였고, 특히 예측일 유형별(평일/주말/공휴일) 열수요 예측율이 크게 증가하였다. 제안된 모델은 다음과 같은 과정을 통해 선정되었다. 특정 계절에 예측일 유형별로 고른 오차를 갖는 모델을 선정하여 전체 예측 모델을 구성한다. 학습 시간의 단축과 과도학습을 방지하기 위해 구조적으로 단순화된 서로 다른 4개의 모델을 각각 학습한 후에 다양한 조합을 통해 최적의 예측 오차를 보여주는 모델을 선정하였다. 모델의 출력은 예측일의 24시간의 시간대별 열수요이며 총합은 일일 총열수요이다. 이 예측값을 통해 효율적인 열공급 계획을 수립 할 수 있으며, 목적에 따라 출력값을 선택하여 활용할 수 있다. 제안된 모델의 일일 열 총수요 예측의 경우, 전체 MAPE(Mean Absolute Percentage Error, 평균 절대 비율 오차)가 개별 모델의 5.3~6.1%에서 5.2%로 향상되었고, 공휴일 열수요예측은 4.9~7.9%에서 2.9%로 크게 개선되었다. 본 연구에서는 한국 지역난방공사에서 제공한 특정 아파트 단지의 34개월 분량의(2015년 1월~ 2017년10월) 시간단위 열수요 데이터를 활용하였다.

Abstract ▼ AI-Helper

In this study, a new model is proposed to improve the problem of the decline of predict rate of heat demand on a particular date, such as a public holiday for the conventional heat demand forecasting system. The proposed model was the Four Season Mixed Heat Demand Prediction Neural Network Model, which showed an increase in the forecast rate of heat demand, especially for each type of forecast date (weekday/weekend/holiday). The proposed model was selected through the following process. A model with an even error for each type of forecast date in a particular season is selected to form the entire forecast model. To avoid shortening learning time and excessive learning, after each of the four different models that were structurally simplified were learning and a model that showed optimal prediction error was selected through various combinations. The output of the model is the hourly 24-hour heat demand at the forecast date and the total is the daily total heat demand. These forecasts enable efficient heat supply planning and allow the selection and utilization of output values according to their purpose. For daily heat demand forecasts for the proposed model, the overall MAPE improved from 5.3~6.1% for individual models to 5.2% and the forecast for holiday heat demand greatly improved from 4.9~7.9% to 2.9%. The data in this study utilized 34 months of heat demand data from a specific apartment complex provided by the Korea District Heating Corp. (January 2015 to October 2017).

주제어

표/그림 (20)

그림 Fig. 1. Total daily heat demand for year(January 2015-January 2016)
그림 Fig. 2. Average daily heat demand by time for winter
그림 Fig. 3. Power Exchange Procedure(KPX)
그림 Fig. 4. Neural network model for predicting heat demand by outdoor air temperature
그림 Fig. 5. Additional sunshine neural network model for predicting heat demand
그림 Fig. 6. Neural network model for predicting heat demand for holidays
그림 Fig. 7. Sunshine and holiday combination model
표 Table 1. Verification indicator
표 Table 2. Summary of verification results by independent models
그림 Fig. 8. MAPE by hourly
그림 Fig. 9. MAPE with large error, predictive and actual demand (April 2017)
그림 Fig. 10. MAPE of total daily heat demand by type of forecast day for four season
표 Table 3. MAPE of 24-hour heat demand by seasonal by type of forecast day
표 Table 4. MAPE of total daily heat demand by seasonal by type of forecast day
그림 Fig. 11. Structure of mixed neural network model
표 Table 5. Model with low and even MAPE by seasonal
표 Table 6. Verification results of the four season mixed neural network model
표 Table 7. MAPE of 24-hour heat demand by type of forecast day
그림 Fig. 12. MAPE of total daily heat demand for type of forecast day
표 Table 8. MAPE of total daily heat demand by type of forecast day

AI 본문요약
AI-Helper

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

문제 정의

열수요 예측의 목적은 열병합발전소의 이익 최대화를 위한 전력 및 열생산 계획의 수립과 에너지 사용의 최적화를 위한 일별 수요 피크예측에 있다. 화석연료를 연소하여 전력과 열을 생산하는 열병합발전소는 전력과 열을 모두 판매한다.
또한 복잡한 수식보다는 신경망의 입출력 구조에만 연구 역량을 집중하면 되기 때문에 예측시스템의 확장이나 개선이 매우 간편하다. 이에 따라 본 연구에서는 열수요 예측 모델에 신경망 모델을 적용하여 국내외의 기존 연구들의 열수요 예측을 개선한 사계절 혼합형 모델을 제안한다. 제안된 모델은 전체 예측율과 예측일 유형별(평일/주말/공휴일) 열수요 예측율이 개선된 결과를 나타낸다.

가설 설정

일조량이 건물의 온도를 높일 뿐만 아니라, 거주자들의 휴일 나들이 정도에 영향을 줄 수 있다는 가정 하에 공휴일의 예측 에러를 낮추기 위하여 일조량 모델과 공휴일 모델을 결합하였다.

제안 방법

0pt">. 따라서 공휴일의 경우에는 가장 최근 주말 또는 공휴일의 열수요를 일주일 전과 하루 전 열수요 대신 입력으로 사용하였다.
0pt">. 또한 특정 지점의 구름양이 입력변수로서 작용하여 실제 도달 일조량을 반영하도록 한다.
본 논문에서 제안하는 4계절 혼합형 신경망 모델은 각 단일 모델의 계절별 예측일 유형별 장점을 분석하여 계절별로 다른 단일 모델을 적용하여 구성한 모델로서, Fig. 11과 같은 구조를 가지고 있다. 프로그램의 데이터 입력부에서 예측일이 4계절 중 어디에 해당하는 지 판단하여 입력 데이터를 해당 모델로 보내 준다.
본 연구에서는 일일 열 총수요뿐만 아니라 익일의 24시간 시간대별 열수요까지 예측한다.

대상 데이터

34개월 열수요 데이터 중 24개월(2015~2016년)을 신경망 학습에 사용하였으며, 나머지 10개월(2017년 1월~2017년 10월) 데이터를 검증용으로 사용하였다.
예측 모델의 출력은 예측일의 24시간 열수요이며, 모델의 은닉층(Hidden Layer)은 동일한 뉴론 개수를 갖는 2개 층으로 구성하였다.

이론/모형

반면에 평균 절대 백분율 편차(MAPE)는 서로 다른 모델이나, 계절간 성능 비교에 사용할 수 있는 기준지표가 된다. 따라서 본 논문에서는 MAPE를 검증지표로 사용한다.

성능/효과

단일 모델들(외기온도 기반 모델, 일조량 추가 모델, 공휴일 모델, 일조량 및 공휴일 결합 모델)에 비하여 혼합형 모델이 전체 예측율 뿐만 아니라 예측일 유형별(평일/주말/공휴일) 예측율 역시 개선된 결과를 나타냈음을 알 수 있었다. 즉 4계절의 기후 차이가 뚜렷한 우리나라에서의 열수요 예측 모델은 계절별로 우수한 서로 다른 단일 모델을 적용한 혼합형으로 구성하는 것이 예측율 개선의 가능성을 높일 수 있다.
0pt">. 예측 결과만 좋다면 모델의 복잡도를 증가시키지 않고 외기온도기반 모델의 구조를 그대로 사용할 수 있다는 장점이 있다.
일일 열 총수요예측(DMAPE)의 경우 외기온도 기반 모델의 5.3%, 일조량 및 법정공휴일 모델의 5.8%, 법정공휴일 모델의 5.3%의 MAPE에 비하여 5.2%를 기록하였고 이는 단독 모델들보다 우수한 예측 성능을 가지고 있음을 알 수 있다.
이에 따라 본 연구에서는 열수요 예측 모델에 신경망 모델을 적용하여 국내외의 기존 연구들의 열수요 예측을 개선한 사계절 혼합형 모델을 제안한다. 제안된 모델은 전체 예측율과 예측일 유형별(평일/주말/공휴일) 열수요 예측율이 개선된 결과를 나타낸다.
Table 7은 각 모델의 시간대별 수요예측에 대한 MAPE를 비교한 것으로 4계절 혼합형 신경망 모델(Mixed_IN_NO_NO_T)이 계절별로 예측일 유형별 MAPE가 낮고 고른 분포를 갖고 있음을 알 수 있다. 즉, 4개 모델의 전체 MAPE의 범위인 8.2~8.9% 내에서는 평균보다 우수한 8.3%로 나타났으며, 특히 공휴일의 MAPE의 경우 7.4%로 오차율이 가장 낮게 나타났다.
12를 보면 각 모델의 일일 총수요예측에 대한 MAPE를 비교것을 볼 수 있으며, 4계절 혼합형 신경망 모델(Mixed_IN_NO_NO_T)이 계절별로 예측일 유형별 MAPE가 낮고 고른 분포를 갖고 있음을 알 수 있다. 즉, 전체 MAPE가 개별 모델의 5.3~6.1%에서 5.2%로 향상되었고, 공휴일 열수요예측은 4.9~7.9%에서 2.9%로 대폭 개선되었다.
즉 4계절의 기후 차이가 뚜렷한 우리나라에서의 열수요 예측 모델은 계절별로 우수한 서로 다른 단일 모델을 적용한 혼합형으로 구성하는 것이 예측율 개선의 가능성을 높일 수 있다. 특히 제안된 모델의 일일 열 총수요의 MAPE는 5.2%로 서로 다른 환경과 조건의 예측 시스템이지만 기존 연구[3]의 6.4%로 보다도 더욱 개선된 결과를 나타냈다.

질의응답

핵심어	질문	논문에서 추출한 답변
	외기온도기반 모델이란 무엇인가?	외기온도기반 모델의 입력 변수에 일조량과 구름양을 입력 변수로 추가한 모델이다. 특정 지점에 도달하는 일조량은 태양의 복사에너지이며, 태양광의 일조 각도에 따라 변하며, 연중 일자 그리고 하루 중 시간이 변수로서 작용한다.
	열수요 예측에 대한 기존 연구의 특징은 무엇인가?	열수요 예측에 대한 국내의 기존 연구들은 출력을 입력의 선형함수 또는 단순한 비선형함수로 설정한 후, 축적된 데이터를 이용하여 계수와 상수를 계산하는 전통적인 회귀모형 모델을 이용하였다 [1][2]. 회귀모형을 이용한 모델의 경우 목적 시스템의 내재된 비선형성을 충분히 반영하지 못하여 오차가 커지는 단점이 있으며, 예측시스템의 확장이나 개선 등에 한계점을 가지고 있다.
	열수요 예측의 장점은 무엇인가?	화석연료를 연소하여 전력과 열을 생산하는 열병합발전소는 전력과 열을 모두 판매한다. 따라서 열수요를 예측하게 되면 판매 가능한 전력량도 예측할 수 있으며, 전력의 가격 변동에 따라 이익이 최대화되도록, 열병합발전을 통한 열생산 계획을 수립할 수 있다. Fig.

참고문헌 (8)

Seo, B. S., Shim, S. Y., 2012, Forecasting the Demand for Local District-Heating Systems, Korean Energy Economic Review, Vol. 11, No. 2, pp. 27-55
Baek, J. K., Han, J. H., 2011, Forecasting of Heat Demand in Winter Using Linear Regresson Models for Korea District Heating Corporation, Korean Academy Industrial Cooperation Society, Vol. 12, No. 3, pp. 1488-1494

원문보기 상세보기
Magnus Dahl, Adam Brun, Oliver S. Kirsebom, Gorm B. Andersen, 2018, Improving Short-Term Heat Load Forecasts with Calendar and Holiday Data, energies, Vol. 11, No. 7, pp. 1-16
Krzysztof Wojdyga, 2014, Predicting Heat Demand for a District Heating Systems, International Journal of Energy and Power Engineering, Vol. 3, No. 5, pp. 237-244

상세보기
Vincent Bakker, Albert Molderink, Johann L. Hurink and Gerard J.M. Smit, 2008, Domestic Heat Demand Prediction Using Neural Networks, 19th International Conference on Systems Engineering, pp. 189-194
Etienne Saloux, Jose A. Candanedo, 2018, Forecasting District Heating Demand Using Machine Learning Algorithms, 16th International Symposium on District Heating and Cooling, Energy Procedia, Vol. 149, pp. 59-68
Kimburm Song, Jinsoo Park, Yun-Bae Kim, Chul-Woo Jung and Chan-Min Park, 2011, Heat Demand Forecasting for Local District Heating, IE Interfaces, Vol. 24, No. 4, pp. 373-378

원문보기 상세보기
Eriksson, Niclas, 2012, Predicting demand in districtheating systems: A neural network approach, Uppsala University Publications, pp. 43

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