[논문]전력 거래량 예측에서의 머신 러닝 성능 비교

최정곤

doi:10.13067/jkiecs.2019.14.5.943

초록
AI-Helper

머신 러닝은 인력을 대체함으로써 업무 효율성을 크게 높일 수 있다. 특히 4차 산업혁명 시대의 요청에 따라 인공지능을 포함한 머신 러닝의 중요성은 점점 커지고 있다. 본 논문은 MLP, RNN, LSTM, ANFIS 신경망 알고리즘 이용하여, 월별 전력 거래량을 예측한다. 본 논문에서는 통계청에서 제공하는 월별 전력 거래량과 월별 전력 거래금액, 최종에너지 소비량, 자동차용 경유 가격에 대한 2001~2017년까지의 공공 데이터를 사용하였다. 본 논문은 제시하는 각각의 알고리즘들을 학습시키고, 알고리즘이 예측하는 시계열 그래프를 이용하여 예측 결과를 보여주고 RMSE를 이용하여 이들 중에서 가장 우수한 알고리즘 제시한다.

Abstract ▼ AI-Helper

Machine learning can greatly improve the efficiency of work by replacing people. In particular, the importance of machine learning is increasing according to the requests of fourth industrial revolution. This paper predicts monthly power transactions using MLP, RNN, LSTM, and ANFIS of neural network...

Machine learning can greatly improve the efficiency of work by replacing people. In particular, the importance of machine learning is increasing according to the requests of fourth industrial revolution. This paper predicts monthly power transactions using MLP, RNN, LSTM, and ANFIS of neural network algorithms. Also, this paper used monthly electricity transactions for mount and money, final energy consumption, and diesel fuel prices for vehicle provided by the National Statistical Office, from 2001 to 2017. This paper learns each algorithm, and then shows predicted result by using time series. Moreover, this paper proposed most excellent algorithm among them by using RMSE.

주제어

표/그림 (14)

그림 그림 1. MLP 구성도 Fig. 1 MLP architecture
그림 그림 2. RNN 구성도 Fig. 2 RNN architecture
그림 그림 3. LSTM 구성도 Fig. 3 LSTM architecture
그림 그림 4. 게이트로 구성된 LSTM Fig. 4 Gate configured LSTM
그림 그림 5. ANFIS 구성도 Fig. 5 ANFIS architecture
그림 그림 6. 전력거래량의 시계열 그래프 Fig. 6 Time series of Amount of Power
그림 그림 7. 전력 거래금액의 시계열 그래프 Fig. 7 Time series of power transaction amount
그림 그림 8. 최종에너지 소비량의 시계열 그래프 Fig. 8 Time series of final energy consumption
그림 그림 9. 자동차용 경유 가격의 시계열 그래프 Fig. 9 Time series of car diesel prices
그림 그림 10. MLP 알고리즘을 적용한 예측 그래프와 전력 거래량 그래프(실선: 관측 데이터, 점선: 예측값) Fig. 10 Power trade volume graph and prediction graph after applying MLP algorithm(solid line: Predicted value, dash line: observation value )
그림 그림 11. RNN 알고리즘을 적용한 예측 그래프와 전력 거래량 그래프(실선: 관측 데이터, 점선: 예측값) Fig. 11 Power trade volume graph and prediction graph after applying RNN algorithm(solid line: Predicted value, dash line: observation value )
그림 그림 12. LSTM 알고리즘을 적용한 예측 그래프와, 전력 거래량 그래프(실선: 관측 데이터, 점선: 예측값) Fig. 12 Power trade volume graph and prediction graph after applying LSTM algorithm(solid line: Predicted value, dash line: observation value )
그림 그림 13. ANFIS 알고리즘을 적용한 예측 그래프와, 전력 거래량 그래프(실선: 관측 데이터, 점선: 예측값) Fig. 13 Power trade volume graph and prediction graph after applying ANFIS algorithm(solid line: Predicted value, dash line: observation value )
표 표 1. 예측 결과 Table 1. Result of prediction

AI 본문요약
AI-Helper

문제 정의

본 논문에서는 여러 지도 학습 중에 MLP, RNN, LSTM, ANFIS 알고리즘을 이용하여 월별 전력 거래량을 예측한다. 이를 위해 통계청에 나와 있는 월별 전력 거래량과 월별 전력 거래금액, 월별 최종에너지 소비량, 월별 자동차용 경유 가격을 변수로 사용했다.

제안 방법

본 논문에서는 파이썬을 기반으로 텐서플로우를 이용하여 월별 전력 거래금액, 최종에너지 소비, 자동차용 경유 가격을 이용하여 월별 전력 거래량을 다중 퍼셉트론(: Multi Layer Perceptron, MLP), 재귀 신경망(: Recurent Neural Network, RNN), 중기 단기기억(: Long Short Time Memory, LSTM), 퍼지추론 시스템 기반 적응 네트워크(: Adaptive Network Based Fuzzy Inference System, ANFIS)로 예측을 수행하고 이들 기법 중 가장 우수한 기법을 판별한다.
데이터는 각각 0-1 사이로 정규화를 시켰다. 적용 알고리즘은 훈련 데이터(Train data), 시험 데이터(Test data) 각각 70%, 30%로 각각 지정하여 예측을 하였다. 그래프에서 파랑색 그래프가 관측 데이터이고, 주황색 그래프가 알고리즘이 예측한 값이다.

대상 데이터

머신 러닝에 사용할 데이터는 통계청을 참고하였다. 2001~2017년까지 월별로 전력 거래량(GWh), 전력 거래금액(억 원), 생산확산지수(광공업), 최종에너지 소비량(1000TOE), 자동차용 경유 가격(원/L)을 사용하여 대략 1,000개의 데이터를 사용하였다.

데이터처리

본 논문에서는 각 알고리즘에 대한 적합성 및 예측 정확도 비교 평가를 위해 평균 제곱 오차 제곱근(: Root Mean Square Error, RMSE)을 이용하였다.[13] RMSE는 각 오차를 제곱값을 이용함으로써 큰 오차에 대한 가중치를 주어 모형의 정밀도를 측정하는 지표이며 식(20)과 같다.

성능/효과

각 알고리즘의 정확도 비교 평가를 위해 평균 제곱 오차 제곱근(RMSE)를 사용했다. 비교 결과 LSTM 알고리즘이 정확도가 가장 높게 측정이 되었음을 확인할 수 있었다. 이는 데이터가 LSTM에 최적화되어 있기 때문이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	MLP에서 입력층의 역할은 무엇인가?	입력이 주어진 층을 입력층(input layer)이라 하는데, 주어진 입력을 다음 층으로 전달하는 역할을 한다. 여기에서 입력값들을 식(1)로 나타낸다.
	RNN 구조는 어떻게 반복되는 형태인가?	RNN은 Neural Network 구조에 이전 시간(t - 1)의 은닉층의 출력(output)을 다음 시간(t)에 은닉층으로 다시 집어넣는 경로가 추가된 형태이다. 이 구조는 현재 시간(t)의 결과가 다음 시간(t+1)에 영향을 미치고, 이는 다시 다음 시간(t+2)에 영향을 미치는 과정이 끊임 없이 반복되는 형태이다.
	ANFIS이란 무엇인가?	ANFIS는 신경회로망과 퍼지이론이 결함된 형태로서 신경회로망의 구조와 학습능력을 이용하여 제어환경으로부터 얻은 입출력 정보로부터 소속함수와 제어 규칙을 제어 대상에 맞게 자동 조절하는 방식의 모형이다. 일반적으로 ANFIS의 퍼지 제어기 구성방법은 입력 변수 공간을 격자 형태로 분할하고, 분할된 공간마다 해당되는 결론부 규칙을 한 개씩 할당하여 퍼지 특성으로 표현한다.

참고문헌 (13)

C. Jung, R. Jang, D. Nyang, and K. Lee, "A Study of User Behavior Recognition-Based PIN Entry Using Machine Learning Technique," Korea Information Processing Society review, computer and communication systems, vol. 7, no. 2, 2018, pp. 127-136.
G. Lee, H. Ha, H. Hong, and H. Kim, "Exploratory Research on Automating the Analysis of Scientific Argumentation Using Machine Learning," J. of the Korean Association for Science Education, vol. 38, no. 2, 2018, pp. 219-234.
Y. Bang, C. Lee, and H. Park, "Electricity Load Forecasting by using a Normalized Fuzzy System," J. of Fuzzy Logic and Intelligent Systems, vol. 28, no. 1, Feb. 2018, pp. 57-64.
B. Wang, "Short-term Electrical Load Forecasting Using Neuro-Fuzzy Model with Error Compensation," J. of Fuzzy Logic and Intelligent Systems, vol. 9, no. 4, Dec. 2009, pp. 327-332.

원문보기 상세보기
Y. Bae and N. Kim, "Classification of Motor status using K-nearest neighbors," J. of the Korea Institute of Electronic Communication Sciences, vol. 13, no. 6, Dec. 2018, pp. 1249-1256.
Y. Kim, G. Mun, and S. Choi, "Future Trend Impact Analysis Based on Adaptive Neuro-Fuzzy Inference System," J. of The Korea Institute of Electronic Communication Sciences, vol. 10, no. 4, Apr. 2015, pp. 499-506.

원문보기 상세보기
H. Yoon, Y. Kim, K. Ha, and G. Kim "Application of groundwater-level prediction models using data-based learning algorithms to National Groundwater Monitoring Network data," J. of Engineering Geology, vol. 23, no. 2, June 2013, pp. 137-147.

원문보기 상세보기
A. Graves, Supervised Sequence Labelling with Recurrent Neural Networks. Heidelberg New York: Springer, 2012.
S. Kim, Coding Chef's 3 Minute Deep Learning, Keras flavor. seoul Korea: HanbitMedia, 2018.
J. R. Jang, "ANFIS: Adaptive-Network-Based-Fuzzy Inference System," IEEE Transactions on systems, man, and cybernetics, vol. 23, 1993, pp. 665-685.

상세보기
J. Yi and C. Choi, "Flood Forecasting and Warning Using Neuro-Fuzzy Inference Technique," J. of Korea Water Resources Association, vol. 41, no. 3, 2008, pp.341-351.

원문보기 상세보기
K. Lee, H. Lee, and K. Oh, "Using fuzzy-neural network to predict hedge fund survival," J. of the Korean Data & Information Science Society, vol. 26, no. 6, 2015, pp. 1189-1198.

원문보기 상세보기
G. Lee, Artificial Intelligence : from Turing test to Deep Learning. seoul Korea: saengneung, 2018.

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

전력 거래량 예측에서의 머신 러닝 성능 비교
Performance Comparison of Machine Learning in the Prediction for Amount of Power Market 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (14)

표/그림 (14)

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

성능/효과

질의응답

참고문헌 (13)

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

전력 거래량 예측에서의 머신 러닝 성능 비교 Performance Comparison of Machine Learning in the Prediction for Amount of Power Market 원문보기

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

Abstract ▼ AI-Helper

주제어

표/그림 (14) 모든 표/그림 보기

표/그림 (14) 슬라이드로 보기

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

성능/효과

질의응답

참고문헌 (13)

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

전력 거래량 예측에서의 머신 러닝 성능 비교
Performance Comparison of Machine Learning in the Prediction for Amount of Power Market 원문보기

초록
AI-Helper

표/그림 (14)

표/그림 (14)

AI 본문요약
AI-Helper