최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기Journal of Korean Society of Industrial and Systems Engineering = 한국산업경영시스템학회지, v.42 no.1, 2019년, pp.129 - 136
김진호 (공주대학교 산업시스템공학과) , 이창용 (공주대학교 산업시스템공학과)
In this study, we proposed a model for forecasting power energy demand by investigating how outside temperature at a given time affected power consumption and. To this end, we analyzed the time series of power consumption in terms of the power spectrum and found the periodicities of one day and one ...
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
핵심어 | 질문 | 논문에서 추출한 답변 |
---|---|---|
파워 스펙트럼이란? |
|
|
한국의 전력 수요의 특징? | 전력 수요의 특징 분석 및 예측은 전력 시장의 가격 결정과 전력 계통의 효율적 운용을 위해서 매우 중요하 다. 예를 들어 국내 전력 에너지 소비의 특징 중 하나는 냉난방의 전력의존도가 높아 여름은 물론 겨울에도 전력 피크(peak)가 발생하는 것이다[8]. 이것은 겨울철에도 전력을 사용한 난방 수요가 확대되고 있음을 의미하는 것 으로 지속적인 난방 수요의 확대는 전력 소비의 변동성 을 확대시킬 수 있는 잠재 요인이 되며, 전력 시장의 경 제성과 안정성을 위해 전력수요 예측을 위한 모형 및 알 고리즘 개발의 필요성을 뒷받침한다[7, 20]. | |
지수평 활 모형의 장점은? | 선형 모형 중에서 ARIMA 모형 등은 시계열 데이터 자 체를 적합하지 않는다는 점에서는 지수평활 모형과 유사 한 특징을 가지고 있지만 모형에 포함된 매개변수가 상대 적으로 많기 때문에 추정한 매개변수 값에 따라 성능의 차이가 지수평활 모형에 비하여 클 수 있다. 반면 지수평 활 모형의 매개변수는 평활계수(smoothing coefficient)가 유일하기 때문에 매개변수의 추정으로 인한 복잡성을 피 하고 온도에 따른 전력 사용량의 변화가 예측에 미치는 효과를 보다 명확하게 분석할 수 있는 장점이 있다. 지수평활 모형은 예측할 시점과 가까운 시점의 데이 터에 더 큰 가중치를 부여하고 멀어질수록 가중치를 지 수적으로 줄여나가는 방법으로, 관측치에 대하여 예측치은 일 때 |
10.1109/59.962429 Amjady, N., Short-term hourly load forecasting using time-series modeling with peak load estimation capability, IEEE Trans. on Power Systems , 2002, Vol. 16, No. 4, pp. 798-805.
10.1109/MASSP.1984.1162257 Heideman, M., Johnson, D., and Burrus, C., Gauss and the history of the fast Fourier transform, IEEE ASSP Magazine , 1984, Vol. 1, No. 4, pp. 14-21.
10.1162/neco.1997.9.8.1735 Hochreiter, S. and Schmidhuber, J., Long short-term memory, Neural Computation , 1997, Vol. 9, pp. 1735-1780.
Lee et al., A study on the estimation and prediction of electricity peak, Korean Energy Economic Review , 2010, Vol. 9, pp. 83-99.
Oh, D., The present and future of big data in the electric industry, Journal of the Electric World , 2014, pp. 18-23.
10.1109/59.99410 Papalexopoulos, A. and Hesterberg, T., A Regression- Based Approach to Short-Term System Load Forecasting, IEEE Trans. on Power Systems , 1990, Vol. 4, No. 4, pp. 1535-1547.
R : Holt-Winters Filtering, stat.ethz.ch. Retrieved 2018- 01-05.
10.1109/TPWRS.2002.800992 Saini, L. and Soni, M., Artificial neural network-based peak load forecasting using conjugate gradient methods, IEEE Trans. on Power Systems , 2002, Vol. 17, No. 3, pp. 907-912.
10.1016/j.neunet.2014.09.003 Schmidhuber, J., Deep Learning in Neural Networks : An Overview, Neural Networks , 2015, Vol. 61, pp. 85-117.
10.1109/59.982201 Senjyu et al., One-Hour-Ahead Load Forecasting Using Neural Network, IEEE Trans. on Power Systems , 2002, Vol. 17, No. 1, pp. 113-118.
Shin et al., A volatility analysis of Korean energy consumption, Economic Study , 2015, Vol. 63, pp. 71-119.
Shmueli, G. and Lichtendahl Jr., C., Practical Time Series Forecasting with R : A Hands-On Guide, 2nd Edition, Axelrod schnall publishers, 2018.
Sohn, K., Kim, S., and Shon, E., Fuzzy time series models with triangular fuzzy numbers as parameters, Journal of Korean Data Analysis Society , 2001, Vol. 3, No. 2, pp. 149-162.
Song, J., Seo, S., Yun, S., Kim, Y., and Cho, C., A study on the energy profile analysis and the forecasting method of the retail shop, in the Proceedings of Korean Communication Society of 2016 , pp. 1117-1118.
*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.
Free Access. 출판사/학술단체 등이 허락한 무료 공개 사이트를 통해 자유로운 이용이 가능한 논문
※ AI-Helper는 부적절한 답변을 할 수 있습니다.