[논문]조건적 제한된 볼츠만머신을 이용한 중기 전력 수요 예측

김수현; 선영규; 이동구; 심이삭; 황유민; 김현수; 김형석; 김진영

doi:10.7471/ikeee.2019.23.1.127

초록
AI-Helper

미래에 스마트 그리드 도입을 위해 전력수요예측은 중요한 연구 분야 중 하나이다. 하지만 전력데이터는 많은 외부적 요소들에 영향을 받기 때문에 예측하기 어렵다. 기존의 전력수요예측 방법들은 가공되지 않은 전력데이터를 그대로 이용하기 때문에 정확도 높은 예측을 하는데 한계가 있어왔다. 본 논문에서는 가공되지 않은 전력데이터를 이용하는 전력수요예측의 문제를 해결하기 위해 확률기반 학습알고리즘을 제안한다. 확률 모델은 전력데이터의 확률적 특성을 분석하기에 적합하다. 제안한 모델의 중기 전력수요예측 성능을 비교하기 위해 신경망 네트워크 중 하나인 순환신경망과 성능 비교를 해보았다. 매사추세츠 대학에서 제공한 전력데이터를 이용하여 성능 비교를 한 결과 본 논문에서 제안한 확률기반 학습알고리즘이 중기 수요예측에 더 좋은 성능을 나타냄을 확인하였다.

Abstract ▼ AI-Helper

Electric power demand forecasting is one of the important research areas for future smart grid introduction. However, It is difficult to predict because it is affected by many external factors. Traditional methods of forecasting power demand have been limited in making accurate prediction because th...

Electric power demand forecasting is one of the important research areas for future smart grid introduction. However, It is difficult to predict because it is affected by many external factors. Traditional methods of forecasting power demand have been limited in making accurate prediction because they use raw power data. In this paper, a probability-based CRBM is proposed to solve the problem of electric power demand prediction using raw power data. The stochastic model is suitable to capture the probabilistic characteristics of electric power data. In order to compare the mid-term power demand forecasting performance of the proposed model, we compared the performance with Recurrent Neural Network(RNN). Performance comparison using electric power data provided by the University of Massachusetts showed that the proposed algorithm results in better performance in mid-term energy demand forecasting.

Keyword

표/그림 (8)

그림 Fig. 1. Structure of Boltzmann Machine and Restricted Boltzmann Machine. 그림 1. 볼츠만머신과 제한된 볼츠만머신 구조
그림 Fig. 2. Structure of CRBM. 그림 2. 조건적 제한된 볼츠만머신 구조
그림 Fig. 3. Training data for learning model. 그림 3. 모델 학습을 위한 훈련 데이터
그림 Fig. 4. Validation data for performance evaluation. 그림 4. 성능 평가를 확인하기 위한 검증 데이터
표 Table 1. Parameters of experiments. 표 1. 실험 파라미터
그림 Fig. 5. Simulation results using Recurrent Neural Network. 그림 5. RNN을 이용한 시뮬레이션 결과
그림 Fig. 6. Simulation results using Conditional Restricted Boltzmann Machine. 그림 6. CRBM을 이용한 시뮬레이션 결과
표 Table 2. Performance indicator of models. 표 2. 모델 성능 지표

AI 본문요약
AI-Helper

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

문제 정의

본 연구에서 제안하는 조건적 제한된 볼츠만머신의 성능을 보이기 위해 중기 전력사용예측에 대한 실험을 진행하였다. 전력데이터는 매사추세츠 대학에서 제공한 가정용 전력데이터를 사용하였다[6].
본 논문에서는 기존의 전력수요예측 기술의 단점을 보완하기 위해 조건적 제한된 볼츠만머신의 적용을 제시하고 이에 대한 성능을 검증하였다. 조건적 제한된 볼츠만머신은 확률 기반으로 한 학습 알고리즘으로써 가공되지 않은 전력데이터를 학습하고 예측하는데 적합한 기술이다.

대상 데이터

본 연구에서 제안하는 조건적 제한된 볼츠만머신의 성능을 보이기 위해 중기 전력사용예측에 대한 실험을 진행하였다. 전력데이터는 매사추세츠 대학에서 제공한 가정용 전력데이터를 사용하였다[6].
제한된 볼츠만머신 모델은 입력 시각층(visible layer)와 은닉층(hidden layer)로 구성된다. 시각층에는 이진형태의 입력값을 받아들이는 시각노드(visible node)들이 있고, 은닉층에는 입력값들의 특징으로 결정되는 은닉 노드(hidden node)들이 있다.
본 논문에서 제안하는 조건적 제한된 볼츠만머신의 성능을 평가하기 위해 매사추세츠대학교에서 제공한 가정용 전력데이터를 사용했다[6]. 학습 데이터로는 2014년 1월 1일부터 2014년 10월 27일까지 총 300일의 일일 전력 데이터를 사용하였다.
본 논문에서 제안하는 조건적 제한된 볼츠만머신의 성능을 평가하기 위해 매사추세츠대학교에서 제공한 가정용 전력데이터를 사용했다[6]. 학습 데이터로는 2014년 1월 1일부터 2014년 10월 27일까지 총 300일의 일일 전력 데이터를 사용하였다. 그림 3은 모델 학습을 위한 훈련 데이터 그래프로 개형을 보여준다.
그래프의 개형은 가정용 일일 전력사용량 데이터로 여러 가지의 복합 요소로 인하여 데이터의 규칙성 없이 나타난다. 모델의 성능 평가를 위한 검증 데이터로는 2014년 10월 28일부터 2014년 12월 31일까지 65일을 사용하였다. 그림 4는 검증 데이터의 그래프 개형을 보여준다.

데이터처리

본 실험에서 시행된 모델들의 성능을 평가하기 위한 평가지표로 평균 절대백분율오차(Mean Absolute Percentage Error, MAPE)를 사용하였다. 평균 절대백분율오차 수식은 다음과 같다:

이론/모형

이 모델은 층간 노드 사이에 상관관계를 모두 고려하기 때문에 학습 과정이 복잡하여 연산시간이 길다는 문제가 있다[7]. 이러한 문제를 해결하기 위해 각 층의 노드들 사이의 연결을 없애는 제한을 두었고, 이렇게 제안된 모델이 제한된 볼츠만 머신(Restricted Boltzmann Machine, RBM)모델이다. 그림 1은 볼츠만머신과 제한된 볼츠만머신의 구조를 나타내고 있다.
유사한 형태의 데이터가 입력된 경우, 제한된 볼츠만머신에서 각각의 파라미터(W, a, b)는 에너지함수가 작은 값이 되도록 조정이 되고, 반대로 상이한 데이터가 입력된 경우는 에너지 함수가 큰 값이 되도록 가중치와 바이어스가 조정이 된다. 가중치와 바이어스를 조정하기 위해 제한된 볼츠만머신 모델에서는 목적함수로 negative log-likelihood 함수를 사용한다:
하지만 뒷부분은 결합 분포 함수형태로 정확한 값을 얻기 위해서는 모든 v, h에 대해 계산이 필요하며 계산과정이 복잡하다. 이러한 제한된 볼츠만머신의 문제를 해결하기 위해 CD-k(Contrastive Divergence-k)알고리즘을 사용한다[10].

성능/효과

반면에 조건적 제한된 볼츠만머신 모델의 시뮬레이션 결과를 통해 검증 데이터와는 상당부분 일치하며 이를 통해 가정에서의 소비전력량을 파악할 수 있다. 표 2에서 두 모델의 성능 지표인 MAPE 값을 비교해보면 조건적 제한된 볼츠만머신이 순환신경망보다 15.66% 개선되었다. 개선된 이유로 학습데이터인 전력데이터는 고차원의 변수들을 내포하고 있기 때문에 이러한 데이터를 학습하고 예측을 하는데 확률 기반의 학습알고리즘이 더 좋은 성능을 보인다.
본 논문에서는 시스템복잡도 감소를 위해 2개 층을 사용하여 모델링하였다. 시뮬레이션 결과를 통해 기존 순환신경망 기술보다 전력수요예측 성능이 15% 이상 개선이 된 걸 확인하였다. 해당 기술을 통해 더 적은 복잡도로 소비자의 전력소비예측이 가능하다는 것을 확인하였다.
시뮬레이션 결과를 통해 기존 순환신경망 기술보다 전력수요예측 성능이 15% 이상 개선이 된 걸 확인하였다. 해당 기술을 통해 더 적은 복잡도로 소비자의 전력소비예측이 가능하다는 것을 확인하였다. 향후 연구는 다양한 전력 데이터에 따른 파라미터 선정방법 및 데이터베이스 구성방법, 신경망층의 고차원화, 다양한 수학적 기법을 활용방안에 대해 연구가 진행될 것이다.

후속연구

본 연구에서 제안하는 조건적 제한된 볼츠만머신(Conditional Restricted Boltzmann Machine, CRBM)은 확률을 기반으로 한 학습알고리즘으로 많은 변수들에 영향 받아 변동이 큰 가정용 전력수요반응을 예측 하는데 기존의 방법들보다 더 좋은 해결책이 될 수 있다.
해당 기술을 통해 더 적은 복잡도로 소비자의 전력소비예측이 가능하다는 것을 확인하였다. 향후 연구는 다양한 전력 데이터에 따른 파라미터 선정방법 및 데이터베이스 구성방법, 신경망층의 고차원화, 다양한 수학적 기법을 활용방안에 대해 연구가 진행될 것이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	스마트 그리드 기술은 기존 시스템의 어떤 문제를 해결하기 위해 필요한가?	미래의 전략망의 해결책 중 하나인 스마트 그리드는 전력망과 정보기술이 결합한 기술로 소비자의 전력사용량에 맞추어서 전기를 생산, 공급하는 시스템을 말한다. 기존 전력망은 사용전력 예측량의 10%이상을 추가생산하게 되어 이에 따른 전력효율 감소의 문제가 있다. 이러한 문제를 해결하기 위해 기존의 전력 공급시스템에서 추가 공급 에너지를 효율적으로 줄일 수 있는 스마트 그리드 기술이 필요하게 된다.
	스마트 그리드 도입을 위한 중요한 연구 분야는?	미래에 스마트 그리드 도입을 위해 전력수요예측은 중요한 연구 분야 중 하나이다. 하지만 전력데이터는 많은 외부적 요소들에 영향을 받기 때문에 예측하기 어렵다.
	스마트 그리드란?	미래의 전략망의 해결책 중 하나인 스마트 그리드는 전력망과 정보기술이 결합한 기술로 소비자의 전력사용량에 맞추어서 전기를 생산, 공급하는 시스템을 말한다. 기존 전력망은 사용전력 예측량의 10%이상을 추가생산하게 되어 이에 따른 전력효율 감소의 문제가 있다.

이 논문을 인용한 문헌

저자의 다른 논문 :

LOADING...

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

[국내논문] 조건적 제한된 볼츠만머신을 이용한 중기 전력 수요 예측
Mid-Term Energy Demand Forecasting Using Conditional Restricted Boltzmann Machine 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

Keyword

표/그림 (8)

표/그림 (8)

AI 본문요약
AI-Helper

문제 정의

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

질의응답

이 논문을 인용한 문헌

저자의 다른 논문 :

연구과제 타임라인

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

[국내논문] 조건적 제한된 볼츠만머신을 이용한 중기 전력 수요 예측 Mid-Term Energy Demand Forecasting Using Conditional Restricted Boltzmann Machine 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

Keyword

표/그림 (8) 모든 표/그림 보기

표/그림 (8) 슬라이드로 보기

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

질의응답

이 논문을 인용한 문헌

저자의 다른 논문 :

김수현 (16) 선영규 (30) 이동구 (11) 심이삭 (25) 황유민 (3) 김진영 (229)

연구과제 타임라인

전체(0) 논문(0) 특허(0) 보고서(0)

전체(0) 논문(0) 특허(0) 보고서(0)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

[국내논문] 조건적 제한된 볼츠만머신을 이용한 중기 전력 수요 예측
Mid-Term Energy Demand Forecasting Using Conditional Restricted Boltzmann Machine 원문보기

초록
AI-Helper

표/그림 (8)

표/그림 (8)

AI 본문요약
AI-Helper