최근 에너지 인터넷에서 지능형 원격검침 인프라를 이용하여 확보된 대량의 전력사용데이터를 기반으로 효과적인 전력수요 예측을 위해 다양한 기계학습기법에 관한 연구가 활발히 진행되고 있다. 본 연구에서는 전력량 데이터와 같은 시계열 데이터에 대해 효율적으로 패턴인식을 수행하는 인공지능 네트워크인 Gated Recurrent Unit(GRU)을 기반으로 딥 러닝 모델을 제안하고, 실제 가정의 전력사용량 데이터를 토대로 예측 성능을 분석한다. 제안한 학습 모델의 예측 성능과 기존의 Long Short Term Memory (LSTM) 인공지능 네트워크 기반의 전력량 예측 성능을 비교하며, 성능평가 지표로써 Mean Squared Error (MSE), Mean Absolute Error (MAE), Forecast Skill Score, Normalized Root Mean Squared Error (RMSE), Normalized MeanBias Error (NMBE)를 이용한다. 실험 결과에서 GRU기반의 제안한 시계열 데이터 예측 모델의 전력량 수요 예측 성능이 개선되는 것을 확인한다.
최근 에너지 인터넷에서 지능형 원격검침 인프라를 이용하여 확보된 대량의 전력사용데이터를 기반으로 효과적인 전력수요 예측을 위해 다양한 기계학습기법에 관한 연구가 활발히 진행되고 있다. 본 연구에서는 전력량 데이터와 같은 시계열 데이터에 대해 효율적으로 패턴인식을 수행하는 인공지능 네트워크인 Gated Recurrent Unit(GRU)을 기반으로 딥 러닝 모델을 제안하고, 실제 가정의 전력사용량 데이터를 토대로 예측 성능을 분석한다. 제안한 학습 모델의 예측 성능과 기존의 Long Short Term Memory (LSTM) 인공지능 네트워크 기반의 전력량 예측 성능을 비교하며, 성능평가 지표로써 Mean Squared Error (MSE), Mean Absolute Error (MAE), Forecast Skill Score, Normalized Root Mean Squared Error (RMSE), Normalized Mean Bias Error (NMBE)를 이용한다. 실험 결과에서 GRU기반의 제안한 시계열 데이터 예측 모델의 전력량 수요 예측 성능이 개선되는 것을 확인한다.
Recently, accurate prediction of power consumption based on machine learning techniques in Internet of Energy (IoE) has been actively studied using the large amount of electricity data acquired from advanced metering infrastructure (AMI). In this paper, we propose a deep learning model based on Gate...
Recently, accurate prediction of power consumption based on machine learning techniques in Internet of Energy (IoE) has been actively studied using the large amount of electricity data acquired from advanced metering infrastructure (AMI). In this paper, we propose a deep learning model based on Gated Recurrent Unit (GRU) as an artificial intelligence (AI) network that can effectively perform pattern recognition of time series data such as the power consumption, and analyze performance of the prediction based on real household power usage data. In the performance analysis, performance comparison between the proposed GRU-based learning model and the conventional learning model of Long Short Term Memory (LSTM) is described. In the simulation results, mean squared error (MSE), mean absolute error (MAE), forecast skill score, normalized root mean square error (RMSE), and normalized mean bias error (NMBE) are used as performance evaluation indexes, and we confirm that the performance of the prediction of the proposed GRU-based learning model is greatly improved.
Recently, accurate prediction of power consumption based on machine learning techniques in Internet of Energy (IoE) has been actively studied using the large amount of electricity data acquired from advanced metering infrastructure (AMI). In this paper, we propose a deep learning model based on Gated Recurrent Unit (GRU) as an artificial intelligence (AI) network that can effectively perform pattern recognition of time series data such as the power consumption, and analyze performance of the prediction based on real household power usage data. In the performance analysis, performance comparison between the proposed GRU-based learning model and the conventional learning model of Long Short Term Memory (LSTM) is described. In the simulation results, mean squared error (MSE), mean absolute error (MAE), forecast skill score, normalized root mean square error (RMSE), and normalized mean bias error (NMBE) are used as performance evaluation indexes, and we confirm that the performance of the prediction of the proposed GRU-based learning model is greatly improved.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서는 순환신경망의 한 종류인 GRU를 알아보고, 이를 이용해 가정에서 측정된 전력 소비 데이터를 학습한다. 학습된 모델의 성능평가는 같은 데이터를 이용했지만 LSTM을 이용한 출력 데이터와의 비교를 통해 성능평가를 진행한다.
본 연구에서는 순환 신경망의 한 종류인 GRU에 대해서 알아보았다. 그리고 이동평균법을 통해 데이터를 전처리하는 과정을 알아보았다.
제공된 데이터를 확인해보았을 때, 전력 사용량 패턴은 대체로 특정 경향을 띄지만 갑자기 치솟거나 급락하는 구간이 존재한다. 본 연구에서는 이러한 급변하는 구간의 영향력을 줄이기 위해 이동평 균법을 이용한 데이터 전처리 과정을 진행하였다. 이동평균법은 각 구간마다 평균값을 구해서 해당 구간의 값을 모두 그 평균으로 나누어주는 방법을 의미한다[10].
가설 설정
첫 번째로, GRU 유닛의 개수이다. 은닉층으로 사용한 GRU 유닛이 각 계층마다 몇 개가 있는지 알 수 있는 파라미터이다.
제안 방법
본 연구에서는 순환 신경망의 한 종류인 GRU에 대해서 알아보았다. 그리고 이동평균법을 통해 데이터를 전처리하는 과정을 알아보았다. 다음으로, UMass Trace Repository의 전력사용량 데이터로 구성한 모델을 학습시키고, 실험을 통해 최적의 실험파라미터 5개를 설정하였다.
[1]의 연구에서는 과거의 수요 데이터, 날씨정보, 날짜정보의 특징을 추출하여 학습데이터화 시키고, 이를 순환신경망의 한 종류인 Long Short Term Memory(LSTM) 네트워크 학습에 이용했다. 그리고 학습된 모델을 통해 전력수요를 예측해 성능평가를 진행하였다. 또한, [2]의 연구에서는 LSTM 네트워크를 병렬적으로 배치해 학습을 진행하고, 각각 학습된 모델에서 나온 출력의 선형조합을 구해보고 이것의 평균을 최종 출력 결과로 도출한다.
하지만 값이 급상승하거나 급락하는 구간은 경향을 따라가지만 그 진폭을 온전히 따라가지는 못 하는 것을 확인 할 수 있다. 그림 5에 나타나는 LSTM의 예측 결과와 GRU의 예측결과에 대해 성능평가를 MSE, MAE, Forecast skill score, NMSE, NMBE 의 5가지 방법에 대해 진행하였다[11, 12, 13, 14]. 각 성능평가 방법을 수식으로 표현하면 다음과 같이 나타난다.
그리고 이동평균법을 통해 데이터를 전처리하는 과정을 알아보았다. 다음으로, UMass Trace Repository의 전력사용량 데이터로 구성한 모델을 학습시키고, 실험을 통해 최적의 실험파라미터 5개를 설정하였다. 마지막으로 5가지 지표를 통해 성능평가를 진행하였다.
이어지는 3장에서는 본 연구에서 이용한 이동평균법을 통한 데이터 전처리에 대해 알아보고, 실험 데이터와 파라미터에 대해 알아본다. 또한, 실험을 통해 나온 실험결과를 분석하고 성능평가를 진행한다. 마지막으로 4장에 서는 논문의 내용을 정리하고 진행 가능한 추후 연구에 대해 제시하며 본 논문을 마무리 짓는다.
다음으로, UMass Trace Repository의 전력사용량 데이터로 구성한 모델을 학습시키고, 실험을 통해 최적의 실험파라미터 5개를 설정하였다. 마지막으로 5가지 지표를 통해 성능평가를 진행하였다.
또한, [2]의 연구에서는 LSTM 네트워크를 병렬적으로 배치해 학습을 진행하고, 각각 학습된 모델에서 나온 출력의 선형조합을 구해보고 이것의 평균을 최종 출력 결과로 도출한다. 선형조 합에 필요한 각 네트워크에 대한 가중치를 선정하는 과정도 추가되며, 최종적으로 예측결과를 도출해 성능평가를 진행했다. [3]의 논문에서는 Convolutional Neural Network(CNN) 기법을 도입한다.
본 연구에서 진행한 실험에서 사용한 실험 파라미터는 다음과 같다. 유닛의 개수, batch 사이즈, epoch, look_back 그리고 윈도우 사이즈로 총합 5 개의 파라미터를 조정해가며 실험하였다.
본 논문에서는 순환신경망의 한 종류인 GRU를 알아보고, 이를 이용해 가정에서 측정된 전력 소비 데이터를 학습한다. 학습된 모델의 성능평가는 같은 데이터를 이용했지만 LSTM을 이용한 출력 데이터와의 비교를 통해 성능평가를 진행한다.
대상 데이터
학습에 사용한 데이터는 2016년 1월 1일부터 2016년 2월까지 두 달간의 데이터를 사용하였다. 검증 데이터는 2016년 3월 1 일부터 3월 14일까지 사용하였고, 모델의 실제적인 성능평가에 이용한 테스트 데이터는 3월 15일부터 31일까지를 사용하여 실험을 진행하였다.
본 논문에서 진행한 실험에서 사용한 데이터는 UMass Trace Respository에서 제공한 가정단위 전력사용량 데이터이다[9]. 학습에 사용한 데이터는 2016년 1월 1일부터 2016년 2월까지 두 달간의 데이터를 사용하였다.
이 값은 48 로 설정하였다. 제공된 데이터는 30분에 1샘플로 구성된 데이터이다. 따라서 48샘플이라면 시간으로볼 때 1일을 의미한다.
본 논문에서 진행한 실험에서 사용한 데이터는 UMass Trace Respository에서 제공한 가정단위 전력사용량 데이터이다[9]. 학습에 사용한 데이터는 2016년 1월 1일부터 2016년 2월까지 두 달간의 데이터를 사용하였다. 검증 데이터는 2016년 3월 1 일부터 3월 14일까지 사용하였고, 모델의 실제적인 성능평가에 이용한 테스트 데이터는 3월 15일부터 31일까지를 사용하여 실험을 진행하였다.
이론/모형
순환 신경망은 시계열 데이터 처리에 좋은 성능을 보여준다. 본 연구에서 사용하는 전력량 데이터도 시계열 데이터이기 때문에 순환 신경망의 한 종류인 GRU를 이용한다.
성능/효과
189의 성능개선을 확인했다. 5가지 지표에 대해서 GRU의 실험결과는 LSTM의 실험결과보다 개선된 것을 확인할 수 있다.
후속연구
데이터의 특징이 유사하기 때문에 각 기간에 따른 모델을 각각 학습시키는 것 보다 하나의 모델을 학습시키는 것이 더 효과적이라고 한다. 다중작업학습 기법을 이용해 모델을 학습시키면 유사한 형태의 다양한 문제들을 미리 학습된 모델로 효과적으로 처리 할수 있을 것으로 기대된다.
유닛의 개수가 많다는 말은 네트워크가 더 커진다는 의미이다. 복잡한 데이터를 처리하는 네트워크일수록 더 복잡한 네트 워크가 필요할 것이라고 예상된다. 본 실험에서는이 파라미터를 실험적으로 90으로 설정하였다.
추후 진행될 수 있는 연구로는, 본 연구에서 진행한 단기 전력예측뿐만 아니라, 중기, 장기 전력 예측이 가능한 모델을 다중작업학습 기법을 이용해 학습 시키는 연구를 생각해볼 수 있다. 데이터의 특징이 유사하기 때문에 각 기간에 따른 모델을 각각 학습시키는 것 보다 하나의 모델을 학습시키는 것이 더 효과적이라고 한다.
질의응답
핵심어
질문
논문에서 추출한 답변
GRU에서 입력을 연산하는 두 개의 게이트는 무엇인가?
그림 3은 GRU의 기본 구조를 보여준다. GRU는 두 개의 게이트를 이용해 입력을 연산하는 데, 그 게이트의 이름은 ‘업데이트 게이트’ 그리고 ‘리셋 게이트’ 이다. 이제 입력이 GRU로 들어와 연산되는 과정을 서술하겠다.
인공뉴런이란 무엇인가?
딥 러닝 네트워크의 가장 작은 구성요소는 인공 뉴런이다. 인공뉴런은 용어 그대로 인간의 뉴런을 인공적으로 모델링한 것을 말한다. 이 뉴런들이 모여 계층을 이루고, 이 계층은 다시, 입력을 받는 입력층, 출력을 나타내는 출력층, 그리고 입력층과 출력층 사이에 배치되는 은닉층으로 분류된다.
인공 신경망의 계층구조에 대해 설명하시오.
인공뉴런은 용어 그대로 인간의 뉴런을 인공적으로 모델링한 것을 말한다. 이 뉴런들이 모여 계층을 이루고, 이 계층은 다시, 입력을 받는 입력층, 출력을 나타내는 출력층, 그리고 입력층과 출력층 사이에 배치되는 은닉층으로 분류된다. 이런 계층구조를 인공 신경망이라고 한다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.