[논문]효과적인 결측치 보완을 통한 다층 퍼셉트론 기반의 전력수요 예측 기법

문지훈; 박성우; 황인준

doi:10.3745/ktsde.2019.8.2.67

[국내논문] 효과적인 결측치 보완을 통한 다층 퍼셉트론 기반의 전력수요 예측 기법
A Multilayer Perceptron-Based Electric Load Forecasting Scheme via Effective Recovering Missing Data 원문보기

정보처리학회논문지. KIPS transactions on software and data engineering. 소프트웨어 및 데이터 공학, v.8 no.2, 2019년, pp.67 - 78

문지훈 (고려대학교 전기전자공학과) , 박성우 (고려대학교 전기전자공학과) , 황인준 (고려대학교 전기전자공학과)

초록
AI-Helper

정확한 전력수요 예측은 스마트 그리드의 효율적인 운영에 있어 매우 중요하다. 최근 IT 기술이 획기적으로 발전되면서, 인공지능 기법을 이용한 빅 데이터 처리를 기반으로 정확한 전력수요를 예측하는 많은 연구가 진행되고 있다. 이러한 예측 모델은 주로 외부 요인과 과거 전력수요를 독립 변수로 사용한다. 하지만, 다양한 내부적 또는 외부적 원인으로 전력수요 데이터의 결측치가 발생하게 되면 정확한 예측 모델을 구성하기가 어렵다. 이에 본 논문에서는 랜덤 포레스트 기반의 결측치 데이터 보완 기법을 제안하고, 보완된 데이터를 기반으로 한 다층 퍼셉트론 기반의 전력수요 예측 모델을 구성한다. 다양한 실험을 통해 제안된 기법의 예측 성능을 입증한다.

Abstract ▼ AI-Helper

Accurate electric load forecasting is very important in the efficient operation of the smart grid. Recently, due to the development of IT technology, many works for constructing accurate forecasting models have been developed based on big data processing using artificial intelligence techniques. These forecasting models usually utilize external factors such as temperature, humidity and historical electric load as independent variables. However, due to diverse internal and external factors, historical electrical load contains many missing data, which makes it very difficult to construct an accurate forecasting model. To solve this problem, in this paper, we propose a random forest-based missing data recovery scheme and construct an electric load forecasting model based on multilayer perceptron using the estimated values of missing data and external factors. We demonstrate the performance of our proposed scheme via various experiments.

주제어

표/그림 (11)

그림 Fig. 1. Our Framework for Short-Term Load Forecasting
표 Table 1. Season & Time-Period Classification
그림 Fig. 2. Architecture of Multilayer Perceptron for Our Forecasting Model
표 Table 2. SVR/ANN Model Configuration
그림 Fig. 3. Feature Importances in Random Forest
표 Table 3. 10-Fold Cross Validation
표 Table 4. Split Data into Training and Test Set
그림 Fig. 4. Recovering Missing Values Using the Random Forest
표 Table 5. RMSE(MAE) Results with Multilayer Perceptron
그림 Fig. 5. Short-Term Electric Load Forecasting
표 Table 6. RMSE(MAE) Distribution for Each Model

질의응답

핵심어	질문	논문에서 추출한 답변
	MLP의 은닉층 수가 증가하면 우수한 성능을 나타내지만 지나치게 늘리는 것이 적합하지 않는 이유는?	일반적으로 MLP의 은닉층 수가 증가하면 우수한 성능을 기대할 수 있다. 하지만 학습 과정에서 과적합 문제가 자칫 발생할수 있으므로, 지나치게 은닉층의 수를 늘리는 것은 적합하지 않다. 은닉층의 수는 ANN 또는 SNN(Shallow Neural Network)의 구성인 1층부터 DNN의 구성인 2층에서 4층까지의 모델을 각기 구성하여 각 예측 모델에 대한 예측 정확성을 통해 최적의 MLP 구조를 검출한다.
	스마트 그리드란?	최근 스마트 그리드(Smart Grid)는 전 세계적으로 문제가 되는 온실가스 배출 및 에너지 부족 문제 등에 대한 해결책으로 많은 주목을 받고 있다[1-5]. 스마트 그리드는 ICT(Information and Communication Technology)를 기존 전력 그리드에 결합하여 전력 공급 업체와 소비자 간에 실시간 정보를 교환함으로써, 에너지 효율성을 최적화하는 차세대 지능형 전력 그리드이다. 구체적으로, 스마트 그리드의 핵심 구성요소 중 하나인 에너지관리시스템(Energy Management System, EMS) 은 냉방기기 사용량, 조명 사용량 등과 같은 스마트 그리드 시스템 내에서 에너지 소비와 관련된 데이터를 분석하여 수요 측면에서 에너지 절감을 위한 방안을 찾아 에너지를 절약한다 [5].
	단기 전력 수요 예측은 무엇으로 인해 정확하게 예측하는 것이 어려운가?	여기서, 하루 1시간 이하의 예측을 수행하는 VSTLF 또는 STLF은 일일 스마트 그리드 스케줄링을 위해 필수적인 절차이며, 최대수요전력 대응을 포함한 경제적 이득 발생을 기대할 수 있다. 그러나 단기 전력 수요 예측은 건물의 복잡한 전력수요 패턴과 불확실한 외부 요인들로 인한 수요의 잦은 변동으로 인해 정확하게 예측하는 것은 쉽지 않다[2]. 이러한 변동에 영향을 미치는 요인으로 건물의 용도, 시간대, 전기요금 체계 및 특별 행사, 거주자의 일정, 기후 조건(기온, 습도 등), 조명 또는 공조(Heating, Ventilation and Air Conditioning) 시스템과 같은 하위 수준의 시스템 구성 요소들이 있다[11].

참고문헌 (42)

C. Fan, F. Xiao, S. Y. Hea, and Y. Zhao, "A short-term building cooling load prediction method using deep learning algorithms," Applied Energy, Vol.195, pp.222-233, 2017.

상세보기
A. Dedinec, S. Filiposka, A. Dedinec, and L. Kocarev, "Deep belief network based electricity load forecasting: An analysis of Macedonian case," Energy, Vol.115, pp.1688-1700, 2016.

상세보기
H. Chitsaz, H. Shaker, H. Zareipour, D. Wood, and N. Amjady, "Short-term electricity load forecasting of building in microgrids," Energy and Buildings, Vol.99, pp.50-60, 2015.

상세보기
W. Lee, J. Jung, and M. Lee, "Development of 24-hour Optimal Scheduling Algorithm for Energy Storage System using Load Forecasting and Renewable Energy Forecasting," in Proceedings of the IEEE Power & Energy Society General Meeting, Chicago, pp.1-5, 2017.
J. Moon, K.-H. Kim, and E. Hwang, "A Short-Term Electric Load Forecasting Scheme Using 2-Stage Predictive Analytics," in Proceedings of the IEEE International Conference on Big Data and Smart Computing, Shanghai, pp.219-226, 2018.
W.-W. Kim, J.-S. Shin, and J.-O. Kim, "Operation Strategy of Multi-Energy Storage System for Ancillary Services," IEEE Transactions on Power Systems, Vol.32, No.6, pp.4409-4417, 2017.

상세보기
S. Ryu, J. Noh, and H. Kim, "Deep Neural Network Based Demand Side Short Term Load Forecasting," Energies, Vol.10, No.1, pp.1-20, 2017.
T. Niet et al., "Hedging the risk of increased emissions in long term energy planning," Energy Strategy Reviews, Vol.16, pp.1-12, 2017.

상세보기
Y.-M. Wi, S. Kong, J. Lee, and S.-K. Joo, "Demand-Side Management Program Planning Using Stochastic Load Forecasting with Extreme Value Theory," Journal of Electrical Engineering & Technology, Vol.11, No.5, pp.1093-1099, 2016.

원문보기 상세보기
T. Hong and S. Fan, "Probabilistic electric load forecasting: A tutorial review," International Journal of Forecasting, Vol.32, No.3, pp.914-938, 2016.

상세보기
X. Ke, A. Jiang, and N. Lu, "Load Profile Analysis and Short-term Building Load Forecast for a University Campus," in Proceedings of the IEEE Power & Energy Society General Meeting, Boston, pp.1-5, 2016.
B. Zhang, J.-L. Wu, and P.-C. Chang, "A multiple time series-based recurrent neural network for short-term load forecasting," Soft Computing, Vol.22, No.12, pp.4099-4112, 2018.

상세보기
S. Park, J. Moon, and E. Hwang, "A Comparison of Various Machine Learning Techniques for Missing Values Recovering in Load Prediction," in Proceedings of the KSIC Spring Conference, Busan, pp.1-2, 2018.
J. Moon, S. Jun, J. Park, Y.-H. Choi, and E. Hwang, "An Electric Load Forecasting Scheme for University Campus Buildings Using Artificial Neural Network and Support Vector Regression," KIPS Transactions on Computer and Communication Systems, Vol.5, No.10, pp.293-302, 2016.

원문보기 상세보기
J. Park, J. Moon, and E. Hwang, "An Electric Load Forecasting Scheme with High Time Resolution Based on Artificial Neural Network," KIPS Transactions on Software and Data Engineering, Vol.6, No.11, pp.527-536, 2017.
B. Yildiz, J. I. Bilbao, and A. B. Sproul, "A review and analysis of regression and machine learning models on commercial building electricity load forecasting," Renewable and Sustainable Energy Reviews, Vol.73, pp.1104-1122, 2017.

상세보기
M. Q. Raza and A. Khosravi, "A review on artificial intelligence based load demand forecasting techniques for smart grid and buildings," Renewable and Sustainable Energy Reviews, Vol.50, pp.1352-1372, 2015.

상세보기
L. Hernandez et al., "A Survey on Electric Power Demand Forecasting: Future Trends in Smart Grids, Microgrids and Smart Buildings," IEEE Communications Surveys & Tutorials, Vol.16, No.3, pp.1460-1495, 2014.

상세보기
A. Almalaq and G. Edwards, "A Review of Deep Learning Methods Applied on Load Forecasting," in Proceedings of the IEEE International Conference on Machine Learning and Applications, Cancun, pp.511-516, 2017.
M. R. Sarkar, M. G. Rabbani, A. R. Khan, and M. M. Hossain, "Electricity Demand Forecasting of Rajshahi City in Bangladesh Using Fuzzy Linear Regression Model," in Proceedings of the International Conference on Electrical Engineering and Information Communication Technology, Dhaka, pp.1-3, 2015.
G. Dudek, "Pattern-based local linear regression models for short-term load forecasting," Electric Power System Research, Vol.130, pp.139-147, 2016.

상세보기
A. Gerossier, R. Girard, G. Kariniotakis, and A. Michiorri, "Probabilistic Day-Ahead Forecasting of Household Electricity Demand," CIRED - Open Access Proceedings Journal, Vol.2017, No.1, pp.2500-2504, 2017.

상세보기
A. S. Ahmad et al., "A review on applications of ANN and SVM for building electrical energy consumption forecasting," Renewable and Sustainable Energy Reviews, Vol.33, pp.102-109, 2014.

상세보기
R. K. Jain, K. M. Smith, P. J. Culligan, and J. E. Taylor, "Forecasting energy consumption of multi-family residential buildings using support vector regression: Investigating the impact of temporal and spatial monitoring granularity on performance accuracy," Applied Energy, Vol.123, pp.168-178, 2014.

상세보기
L. Ghelardoni, A. Ghio, and D. Anguita, "Energy Load Forecasting Using Empirical Mode Decomposition and Support Vector Regression," IEEE Transactions on Smart Grid, Vol.4, No.1, pp.549-556, 2013.

상세보기
K. Grolinger, A. L'Heureux, M. A. M. Capretz, and L. Seewald, "Energy Forecasting for Event Venues: Big Data and Prediction Accuracy," Energy and Buildings, Vol.112, pp.222-233, 2016.

상세보기
S. Jurado, A. Nebot, F. Mugica, and N. Avellana, "Hybrid methodologies for electricity load forecasting: Entropy-based feature selection with machine learning and soft computing techniques," Energy, Vol.86, pp.276-291, 2015.

상세보기
A. Bagnasco, F. Fresi, M. Saviozzi, F. Silvestro, and A. Vinci, "Electrical consumption forecasting in hospital facilities: An application case," Energy and Buildings, Vol.103, pp.261-270, 2015.

상세보기
N. Zeng, H. Zhang, W. Liu, J. Liang, and F. E. Alsaadi, "A switching delayed PSO optimized extreme learning machine for short-term load forecasting," Neurocomputing, Vol.240, pp.175-182, 2017.

상세보기
S. S. Reddy, "Bat algorithm-based back propagation approach for short-term load forecasting considering weather factors," Electrical Engineering, Vol.100, No.3, pp.1297-1303, 2018.

상세보기
M. Abdel-Nasser and K. Mahmoud, "Accurate photovoltaic power forecasting models using deep LSTM-RNN," Neural Computing and Applications, pp.1-14, 2017.
W. Kong et al., "Short-Term Residential Load Forecasting based on LSTM Recurrent Neural Network," IEEE Transactions on Smart Grid, pp.1-11, 2017.
P.-H. Kuo and C.-J. Huang, "A High Precision Artificial Neural Networks Model for Short-Term Energy Load Forecasting," Energies, Vol.11, No.1, pp.1-13, 2018.
F. Tang and H. Ishwaran, "Random forest missing data algorithms," Statistical Analysis and Data Mining: The ASA Data Science Journal, Vol.10, No.6, pp.363-377, 2017.

상세보기
M. W. Ahmad, M. Mourshed, and Y. Rezgui, "Trees vs Neurons: Comparison between random forest and ANN for high-resolution prediction of building energy consumption," Energy and Buildings, Vol.147, pp.77-89, 2017.

상세보기
K.-H. Kim, R.-J. Park, S.-W. Jo, and K.-B. Song, "24-Hour Load Forecasting Algorithm Using Artificial Neural Network in Summer Weekdays," Journal of the Korean Institute of Illuminating and Electrical Installation Engineers, Vol.31, No.12, pp.113-119, 2017.
G. Panchal, A. Ganatra, Y. P. Kosta, and D. Panchal, "Behaviour Analysis of Multilayer Perceptrons with Multiple Hidden Neurons and Hidden Layers," International Journal of Computer Theory and Engineering, Vol.3, No.2, pp.332-337, 2011.
G. Hinton, N. Srivastava, and K. Swersky, Lecture 6aoverview of mini-batch gradient descent [Internet], https://class.coursera.org/neuralnets-2012-001/lecture.
J. Niu, J. Chen, and Y. Xu, "Twin support vector regression with Huber loss," Journal of Intelligent and Fuzzy Systems, Vol.32, No.6, pp.4247-4258, 2017.

상세보기
T. M. Oshiro, P. S. Perez, and J. A. Baranauskas, "How Many Trees in a Random Forest?" in International Workshop on Machine Learning and Data Mining in Pattern Recognition, Springer, Berlin, Heidelberg, pp.154-168, 2012.
F. Pedregosa et al., "Scikit-learn: Machine learning in Python," Journal of Machine Learning Research, Vol.12, pp.2825-2830, 2011.
M. Abadi et al., "Tensorflow: a system for large-scale machine learning," OSDI, Vol.16. pp.265-283, 2016.

저자의 다른 논문 :

LOADING...

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