$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

에너지인터넷에서 1D-CNN과 양방향 LSTM을 이용한 에너지 수요예측
Prediction for Energy Demand Using 1D-CNN and Bidirectional LSTM in Internet of Energy 원문보기

전기전자학회논문지 = Journal of IKEEE, v.23 no.1, 2019년, pp.134 - 142  

정호철 (Dept. of Electronic Convergence Engineering, Kwangwoon University) ,  선영규 (Dept. of Electronic Convergence Engineering, Kwangwoon University) ,  이동구 (Dept. of Electronic Convergence Engineering, Kwangwoon University) ,  김수현 (Dept. of Electronic Convergence Engineering, Kwangwoon University) ,  황유민 (Dept. of Electronic Convergence Engineering, Kwangwoon University) ,  심이삭 (Dept. of Electronic Convergence Engineering, Kwangwoon University) ,  오상근 (Dept. of Power Electronics, PLASPO Co., Ltd.) ,  송승호 (Dept. of Electric Engineering, Kwangwoon University) ,  김진영 (Dept. of Electronic Convergence Engineering, Kwangwoon University)

초록
AI-Helper 아이콘AI-Helper

에너지인터넷 기술의 발전과 다양한 전자기기의 보급으로 에너지소비량이 패턴이 다양해짐에 따라 수요예측에 대한 신뢰도가 감소하고 있어 발전량 최적화 및 전력공급 안정화에 문제를 야기하고 있다. 본 연구에서는 고신뢰성을 갖는 수요예측을 위해 딥러닝 기법인 Convolution neural network(CNN)과 Bidirectional Long Short-Term Memory(BLSTM)을 융합한 1Dimention-Convolution and Bidirectional LSTM(1D-ConvBLSTM)을 제안하고, 제안한 기법을 활용하여 시계열 에너지소비량대한 소비패턴을 효과적으로 추출한다. 실험 결과에서는 다양한 반복학습 횟수와 feature map에 대해서 수요를 예측하고 적은 반복학습 횟수로도 테스트 데이터의 그래프 개형을 예측하는 것을 검증한다.

Abstract ▼ AI-Helper 아이콘AI-Helper

As the development of internet of energy (IoE) technologies and spread of various electronic devices have diversified patterns of energy consumption, the reliability of demand prediction has decreased, causing problems in optimization of power generation and stabilization of power supply. In this st...

주제어

#CNN   #LSTM   #1D-ConvBLSTM   #Energy prediction   #Internet of Energy  

표/그림 (12)

AI 본문요약
AI-Helper 아이콘 AI-Helper

문제 정의

  • 본 논문에서는 CNN알고리즘과 BLSTM알고리즘을 기반으로 에너지 소비량 예측 분야에서 에너지 수요예측 모델을 제안했고 에너지 소비량 데이터를 기반으로 시뮬레이션을 진행했다. 실험 진행 결과에 나타나듯이 본 논문에서 제안한 학습모델은 기존의 예측 알고리즘 학습보다 적은 수의 반복 학습을 통하여 테스트 데이터를 예측하였다.
본문요약 정보가 도움이 되었나요?

질의응답

핵심어 질문 논문에서 추출한 답변
RNN이란 무엇인가? 딥러닝 알고리즘에는 Deep Neural Network(DNN), Recurrent Neural Network(RNN), Long Short-Term Memory(LSTM) 등 다양한 종류의 알고리즘이 개발되었으며 본 논문에서는 CNN과 LSTM 알고리즘을 이용한다. RNN은 시계열 데이터를 반복적으로 학습시키는 딥러닝 알고리즘의 한 종류이다. RNN은 데이터 학습과정에서 이전 RNN의 출력데이터가 현재RNN의 출력 데이터에 영향을 주는 구조이다.
에너지 발전량 최적화 및 전력공급 안정화의 문제가 생기는 까닭은? 에너지인터넷 기술의 발전과 다양한 전자기기의 보급으로 에너지소비량이 패턴이 다양해짐에 따라 수요예측에 대한 신뢰도가 감소하고 있어 발전량 최적화 및 전력공급 안정화에 문제를 야기하고 있다. 본 연구에서는 고신뢰성을 갖는 수요예측을 위해 딥러닝 기법인 Convolution neural network(CNN)과 Bidirectional Long Short-Term Memory(BLSTM)을 융합한 1Dimention-Convolution and Bidirectional LSTM(1D-ConvBLSTM)을 제안하고, 제안한 기법을 활용하여 시계열 에너지소비량대한 소비패턴을 효과적으로 추출한다.
RNN의 단점에는 무엇이 있는가? RNN은 데이터 학습과정에서 이전 RNN의 출력데이터가 현재RNN의 출력 데이터에 영향을 주는 구조이다. 그래서 현재의 학습과 과거의 학습의 연결이 가능해지며 연속적이고 반복적인 학습에 유용하지만 너무 먼 과거의 데이터를 사용할 경우 예측 성능이 저하되는 특징을 가지고 있다. LSTM은 RNN기반 딥러닝 알고리즘의 한 종류로 순서 또는 시간의 측면을 고려하여 반복적인 학습을 한다.
질의응답 정보가 도움이 되었나요?

저자의 다른 논문 :

LOADING...

관련 콘텐츠

오픈액세스(OA) 유형

GOLD

오픈액세스 학술지에 출판된 논문

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로