[논문]인공지능 기반 전력량예측 기법의 비교

이동구; 선영규; 김수현; 심이삭; 황유민; 김진영

doi:10.7236/jiibc.2019.19.4.161

인공지능 기반 전력량예측 기법의 비교
Comparison of Power Consumption Prediction Scheme Based on Artificial Intelligence 원문보기

The journal of the institute of internet, broadcasting and communication : JIIBC, v.19 no.4, 2019년, pp.161 - 167

이동구 (광운대학교 전자융합공학과) , 선영규 (광운대학교 전자융합공학과) , 김수현 (광운대학교 전자융합공학과) , 심이삭 (광운대학교 전자융합공학과) , 황유민 (광운대학교 전자융합공학과) , 김진영 (광운대학교 전자융합공학과)

초록
AI-Helper

최근 안정적인 전력수급과 급증하는 전력수요를 예측하는 수요예측 기술에 대한 관심과 실시간 전력측정을 가능하게 하는 스마트 미터기의 보급의 증대로 인해 수요예측 기법에 대한 연구가 활발히 진행되고 있다. 본 연구에서는 실제 측정된 가정의 전력 사용량 데이터를 학습하여 예측결과를 출력하는 딥 러닝 예측모델 실험을 진행한다. 그리고 본 연구에서는 데이터 전처리 기법으로써 이동평균법을 도입하였다. 실제로 측정된 데이터를 학습한 모델의 예측량과 실제 전력 측정량을 비교한다. 이 예측량을 통해서 전력공급 예비율을 낮춰 사용되지 않고 낭비되는 예비전력을 줄일 수 있는 가능성을 제시한다. 또한 본 논문에서는 같은 데이터, 같은 실험 파라미터를 토대로 세 종류의 기법: 다층퍼셉트론(Multi Layer Perceptron, MLP), 순환신경망(Recurrent Neural Network, RNN), Long Short Term Memory(LSTM)에 대해 실험을 진행하여 성능을 평가한다. 성능평가는 MSE(Mean Squared Error), MAE(Mean Absolute Error)의 기준으로 성능평가를 진행했다.

Abstract ▼ AI-Helper

Recently, demand forecasting techniques have been actively studied due to interest in stable power supply with surging power demand, and increase in spread of smart meters that enable real-time power measurement. In this study, we proceeded the deep learning prediction model experiments which learns actual measured power usage data of home and outputs the forecasting result. And we proceeded pre-processing with moving average method. The predicted value made by the model is evaluated with the actual measured data. Through this forecasting, it is possible to lower the power supply reserve ratio and reduce the waste of the unused power. In this paper, we conducted experiments on three types of networks: Multi Layer Perceptron (MLP), Recurrent Neural Network (RNN), and Long Short Term Memory (LSTM) and we evaluate the results of each scheme. Evaluation is conducted with following method: MSE(Mean Squared Error) method and MAE(Mean Absolute Error).

주제어

표/그림 (8)

그림 그림 1. 다층 퍼셉트론 네트워크의 구조. Fig. 1. Structure of MLP network.
그림 그림 3. LSTM 블록의 기본구조. Fig. 3. Structure of LSTM block.
표 그림 2. 순환신경망의 구조. Fig. 2. Structure of RNN.
그림 그림 4. 다층 퍼셉트론 예측 결과. Fig. 4. Prediction result of MLP network.
그림 그림 5. 순환신경망 예측 결과. Fig. 5. Prediction result of RNN.
표 표 1. 실험 파라미터. Table 1. Parameters of experiments.
그림 그림 6. LSTM 예측 결과. Fig. 6. Prediction result of LSTM.
표 표 2. LSTM의 성능평가. Table 2. Performance evaluation of LSTM.

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서는 단순한 인공 뉴런계층을 이용한 다층 퍼셉트론 네트워크, 순환되는 구조의 계층을 이용한 순환 신경망 네트워크 그리고 마지막으로 순환신경망의 한 종류이지만 더 복잡한 처리과정을 포함한 LSTM 네트워크에 대해서 알아보고, 각 네트워크를 적용한 실험 결과를 제시한다. 같은 데이터, 같은 실험 파라미터들에 대해 각기 다른 모델들이 어떤 성능을 내는지 확인해본다.
본 논문에서는 다층 퍼셉트론 네트워크, 순환신경망, LSTM 네트워크의 개념을 알아보았다. 그리고 데이터 전처리 기법으로써 이동평균법을 알아보았다.
선행 연구들이 머신러닝 기법을 적극적으로 이용함에 따라 본 연구에서는 실제 가정용 전력 소모데이터를 이용해 머신러닝 모델을 학습시켜 출력 결과를 확인한다. 본 논문에서는 단순한 인공 뉴런계층을 이용한 다층 퍼셉트론 네트워크, 순환되는 구조의 계층을 이용한 순환 신경망 네트워크 그리고 마지막으로 순환신경망의 한 종류이지만 더 복잡한 처리과정을 포함한 LSTM 네트워크에 대해서 알아보고, 각 네트워크를 적용한 실험 결과를 제시한다. 같은 데이터, 같은 실험 파라미터들에 대해 각기 다른 모델들이 어떤 성능을 내는지 확인해본다.
또한 시계열 데이터 분석을 이용해 7년간의 월간 전력량 데이터를 분석하고, 복합적 정규화 기법을 이용하여 머신러닝 모델의 학습 성능을 높인 연구가 진행되었다^[3]. 이 연구는 수년간의 월간 전력량 데이터를 입력으로 받아 연간 전력 사용량 패턴을 예측하는 장기 수요예측 연구이다. 국가의 전력 시장 데이터를 웹 페이지에서 자동으로 다운로드받아 데이터를 처리하고 시계열 분석 모델과 학습된 머신러닝 모델에 입력으로 넣어 사용자에게 예측 결과 출력을 보여주는 시스템을 제안한 연구도 진행되었다^[4].
국가의 전력 시장 데이터를 웹 페이지에서 자동으로 다운로드받아 데이터를 처리하고 시계열 분석 모델과 학습된 머신러닝 모델에 입력으로 넣어 사용자에게 예측 결과 출력을 보여주는 시스템을 제안한 연구도 진행되었다^[4]. 이 연구에서는 사용자가 월간, 일간 등 단위를 설정해서 전력 예측을 확인 할 수 있게 해주는 시스템을 제안한다.

제안 방법

표 2. LSTM의 성능평가.
LSTM 네트워크를 기준으로 5개 의 파라미터를 실험을 통해 최적값을 찾았다. 그리고 최적값으로 학습된 모델 중 유의미한 예측결과를 나타낸 LSTM 모델의 성능평가를 진행하였다.
그리고 데이터 전처리 기법으로써 이동평균법을 알아보았다. 또한, UMass Trace Repository에서 제공하는 가정 전력사용량 데이터를 사용하여 모델을 학습시키고 예측 출력을 통해 학습 결과를 확인하였다. LSTM 네트워크를 기준으로 5개 의 파라미터를 실험을 통해 최적값을 찾았다.
선행 연구들이 머신러닝 기법을 적극적으로 이용함에 따라 본 연구에서는 실제 가정용 전력 소모데이터를 이용해 머신러닝 모델을 학습시켜 출력 결과를 확인한다. 본 논문에서는 단순한 인공 뉴런계층을 이용한 다층 퍼셉트론 네트워크, 순환되는 구조의 계층을 이용한 순환 신경망 네트워크 그리고 마지막으로 순환신경망의 한 종류이지만 더 복잡한 처리과정을 포함한 LSTM 네트워크에 대해서 알아보고, 각 네트워크를 적용한 실험 결과를 제시한다.
스마트 미터기를 집안 곳곳에 배치한 스마트 홈 시스템에서, 사용자의 전력사용 패턴을 군집화 하고 분류하여 가정 내의 전력소모량을 예측하여 효율적인 에너지 소모량 관리를 하게 해주는 연구가 진행 되었다^[2]. 이 연구에서는 사용데이터, 기후데이터, 시간 데이터의 특징을 군집화 해서 머신러닝 모델을 학습시키고 예측 출력을 나타내는 방법을 이용한다. 또한 시계열 데이터 분석을 이용해 7년간의 월간 전력량 데이터를 분석하고, 복합적 정규화 기법을 이용하여 머신러닝 모델의 학습 성능을 높인 연구가 진행되었다^[3].
의 논문에서는 실제 수집된 데이터가 아닌 설정된 가상의 데이터로 연구를 진행했었다. 하지만 본 논문에서는 실제 수집된 데이터로 모델의 학습을 진행해 실험을 진행하였다. 또한 실험결과를 확인해보았을 때, 같은 파라미터라도 네트워크의 종류에 따라 성능이 다른 것을 확인했다.
학습데이 터는 2016년 1월 1일 00시부터 2016년 2월 29일 23시 30분까지 두달간의 데이터를 설정하였다. 학습 방향을 조정하는데 참고하는 검증 데이터는 2016년 3월 1일 00시부터 같은 달 14일 23시 30분까지 2주간의 데이터를 설정하였다. 마지막으로 모델의 성능평가에 이용할 테스트 데이터는 2016년 3월 15일 00시부터 같은 달 31일 23시 30분까지의 데이터를 설정하였다.

대상 데이터

본 연구에서는 이 값을 48로 지정하였는데, 이 숫자는 하루치의 샘플을 의미 한다. 데이터는 30분에 한번 샘플링되어 하루에 48개의 샘플로 구성되어 있다. 이 값 또한 실험적으로 설정하였다.
학습 방향을 조정하는데 참고하는 검증 데이터는 2016년 3월 1일 00시부터 같은 달 14일 23시 30분까지 2주간의 데이터를 설정하였다. 마지막으로 모델의 성능평가에 이용할 테스트 데이터는 2016년 3월 15일 00시부터 같은 달 31일 23시 30분까지의 데이터를 설정하였다.
본 연구에서 설정한 실험 파라미터는 총 5개이다. look_back, 셀의 개수, batch 사이즈, epoch 그리고 윈도우 사이즈이다.
본 연구에서는 UMass Trace Repository에서 제공하는 가정 전력사용량 데이터를 이용하였다^[9]. 학습데이 터는 2016년 1월 1일 00시부터 2016년 2월 29일 23시 30분까지 두달간의 데이터를 설정하였다.
. 학습데이 터는 2016년 1월 1일 00시부터 2016년 2월 29일 23시 30분까지 두달간의 데이터를 설정하였다. 학습 방향을 조정하는데 참고하는 검증 데이터는 2016년 3월 1일 00시부터 같은 달 14일 23시 30분까지 2주간의 데이터를 설정하였다.

데이터처리

또한, UMass Trace Repository에서 제공하는 가정 전력사용량 데이터를 사용하여 모델을 학습시키고 예측 출력을 통해 학습 결과를 확인하였다. LSTM 네트워크를 기준으로 5개 의 파라미터를 실험을 통해 최적값을 찾았다. 그리고 최적값으로 학습된 모델 중 유의미한 예측결과를 나타낸 LSTM 모델의 성능평가를 진행하였다.
본 논문에서는 다층 퍼셉트론 네트워크, 순환신경망, LSTM 네트워크의 개념을 알아보았다. 그리고 데이터 전처리 기법으로써 이동평균법을 알아보았다. 또한, UMass Trace Repository에서 제공하는 가정 전력사용량 데이터를 사용하여 모델을 학습시키고 예측 출력을 통해 학습 결과를 확인하였다.

이론/모형

학습데이터와 검증데이터는 데이터의 전처리 과정을 진행해 학습에 도움을 주도록 하였다. 데이터 전처리에 활용한 기법은 이동평균법이다^[10]. 이동평균법은 본 논문에서 사용하는 데이터와 같은 시계열 데이터의 전처리 에 사용되는 기법중 하나이다.

성능/효과

하지만 본 논문에서는 실제 수집된 데이터로 모델의 학습을 진행해 실험을 진행하였다. 또한 실험결과를 확인해보았을 때, 같은 파라미터라도 네트워크의 종류에 따라 성능이 다른 것을 확인했다. 이점을 미루어 볼 때, 네트워크 구조별로 학습 파라미터에 각각의 최적값이 있을 것으로 예상된다.
다층 퍼셉트론의 예측 결과는 그림 4와 같이 나타났다. 실험결과를 확인해보면, 입력데이터인 테스트 데이터 초반에는 경향을 잘 따라가다가 약 time sample 150 정도에서 진폭이 증가하며 진동하기 시작했다. 이는 데이터의 복잡한 경향을 학습하기에는 네트워크의 구조가 단순하기 때문이라고 예상된다.
이 기법을 사용하면 구간을 옮겨가며 평균을 구하고 그 구간의 값들을 평균을 나눠주는 과정을 반복하게 된다. 이 기법으로 데이터를 전처리를 하면 데이터의 피크값이 낮아지고 데이터의 그래프 개형이 완곡해지는 효과를 얻을 수 있었다. 이 기법을 수식으로 표현하면 다음과 같다.

후속연구

전이학 습은 같은 종류의 작업에 있어 많은 학습데이터로 미리 학습된 모델을 상대적으로 적은 데이터로도 같은 성능을 낼 수 있도록 하는 기법이다. 전이학습 기법을 통해 이런 예측 시스템을 새로이 도입하려는 사용자에게 더 빠른 시스템 도입을 가능하게 해줄 것이다.
이점을 미루어 볼 때, 네트워크 구조별로 학습 파라미터에 각각의 최적값이 있을 것으로 예상된다. 추후 연구로써는 한 사용자의 패턴을 미리 학습한 모델을 이용하는 전이학습 모델 기법을 생각해볼 수 있다. 전이학 습은 같은 종류의 작업에 있어 많은 학습데이터로 미리 학습된 모델을 상대적으로 적은 데이터로도 같은 성능을 낼 수 있도록 하는 기법이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	다층 퍼셉트론 네트워크는 무엇인가?	이 인공 뉴런은 입력을 받아 연결계수와 곱해지고, 인공 뉴런의 바이어스값을 그 값에 더해주 고 활성함수에 따라 연산된 값을 출력한다. 이러한 뉴런들이 이루는 계층이 둘 이상의 층으로 이루어진 네트워 크를 다층 퍼셉트론 네트워크라고 한다[6]. 그림 1은 다층 퍼셉트론의 구조를 예시적으로 보여준다.
	데이터 전처리 과정에서 이동평균법을 사용하는 이유 무엇인가?	이 기법을 사용하면 구간을 옮겨가며 평균을 구하고 그 구간의 값들을 평균을 나눠주는 과정을 반복하게 된다. 이 기법으로 데이터를 전처리를 하면 데이터의 피크값이 낮아지고 데이터의 그래프 개형이 완곡해지는 효과를 얻을 수 있었다. 이 기법을 수식으로 표현하면 다음과 같다.
	스마트 미터기의 보급량 증가로 어떤 연구가 진행되고 있는가?	한국뿐만 아니라 전 세계적으로 전력 사용량이 증가 하고 있다. 또한 스마트 미터기의 보급량 증가와 환경에 대한 관심이 높아짐으로 인해 효율적인 에너지 수급, 수요예측 기술에 대한 다양한 연구가 진행되고 있다. 스마트 미터기를 집안 곳곳에 배치한 스마트 홈 시스템에서, 사용자의 전력사용 패턴을 군집화 하고 분류하여 가정 내의 전력소모량을 예측하여 효율적인 에너지 소모량 관리를 하게 해주는 연구가 진행 되었다[2].

저자의 다른 논문 :

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