$\require{mediawiki-texvc}$

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.

LSTM과 GRU 딥러닝 IoT 파워미터 기반의 단기 전력사용량 예측
Short-term Power Consumption Forecasting Based on IoT Power Meter with LSTM and GRU Deep Learning 원문보기

The journal of the institute of internet, broadcasting and communication : JIIBC, v.19 no.5, 2019년, pp.79 - 85  

이선민 (광운대학교 전자융합공학과) ,  선영규 (광운대학교 전자융합공학과) ,  이지영 (광운대학교 전자융합공학과) ,  이동구 (광운대학교 전자융합공학과) ,  조은일 (광운대학교 전자융합공학과) ,  박대현 (광운대학교 전자융합공학과) ,  김용범 (광운대학교 전자융합공학과) ,  심이삭 (광운대학교 전자융합공학과) ,  김진영 (광운대학교 전자융합공학과)

초록
AI-Helper 아이콘AI-Helper

본 연구에서는 Long Short Term Memory (LSTM) 신경망과 Gated Recurrent Unit(GRU) 신경망을 Internet of Things (IoT) 파워미터에 적용하여 단기 전력사용량 예측방법을 제안하고, 실제 가정의 전력사용량 데이터를 토대로 예측 성능을 분석한다. 성능평가 지표로써 Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE), Mean Percentage Error (MPE), Mean Squared Error (MSE), Root Mean Squared Error (RMSE)를 이용한다. 실험 결과는 GRU 기반의 모델이 LSTM 기반의 모델에 비해 MAPE 기준으로 4.52%, MPE 기준으로 5.59%만큼의 성능개선을 보였다.

Abstract ▼ AI-Helper 아이콘AI-Helper

In this paper, we propose a short-term power forecasting method by applying Long Short Term Memory (LSTM) and Gated Recurrent Unit (GRU) neural network to Internet of Things (IoT) power meter. We analyze performance based on real power consumption data of households. Mean absolute error (MAE), mean ...

주제어

#Power Meter   #Internet of Things   #Deep Learning   #LSTM   #GRU   #Short-term Power Forecasting  

표/그림 (7)

AI 본문요약
AI-Helper 아이콘 AI-Helper

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

문제 정의

  • GRU는 LSTM보다 매개변수가 적고 수렴 속도가 빠르며 정확도도 비슷하다[5]. 따라서 본 논문은 LSTM 신경망과 GRU 신경망에 대해 알아보고 주거 지역 사회의 단기 전력 예측에 두 가지 신경망을 적용해 성능평가를 진행한다.
  • 즉, 구조적으로 LSTM보다 간단하지만, 연산속도와 결과물의 성능이 더 뛰어나다는 점에서 최근에 집중 받고 있는 신경망이다. 본 연구는 이점에 초점을 맞추어 같은 환경에서 GRU와 LSTM 두 가지 학습 모델의 성능을 평가한다.
  • 본 연구에서는 단기 전력 예측을 하나의 특징으로 GRU로 학습된 모델을 통해 예측하였다. UMass Trace Repository의 전력사용량 데이터로 구성한 모델을 학습시키고, 실험을 통해 하이퍼파라미터 5개를 설정하였다.

가설 설정

  • 두 번째로, 셀의 개수이다. 이 파라미터는 은닉층에서 사용할 LSTM 또는 GRU 셀이 각각 계층마다 몇 개인지를 의미한다.
본문요약 정보가 도움이 되었나요?

질의응답

핵심어 질문 논문에서 추출한 답변
단순한 순환 신경망의 경우 생기는 장기 의존성 문제를 해결할 방안으로 등장한 것은 무엇인가? 그러나 단순한 순환 신경망의 경우 장기 의존성 문제가 있다. 이 문제를 해결할 방안으로 순환 신경망의 변형구조인 Long Short Term Memory (LSTM) 신경망과 Gated Recurrent Unit(GRU) 신경망이 등장했다. GRU는 LSTM보다 매개변수가 적고 수렴 속도가 빠르며 정확도도 비슷하다[5].
정확한 전력 예측으로 무엇이 향상될 수 있는가? 정확한 전력 예측은 전력 공급용량과 신뢰성이 향상될 수 있다. 동시에 전력공급회사는 전력 관련 건설을 합리적으로 수행하고 예측값에 따라 자원 낭비를 피할 수 있다[1].
GRU는 어떤 특징을 가지는가? 이 문제를 해결할 방안으로 순환 신경망의 변형구조인 Long Short Term Memory (LSTM) 신경망과 Gated Recurrent Unit(GRU) 신경망이 등장했다. GRU는 LSTM보다 매개변수가 적고 수렴 속도가 빠르며 정확도도 비슷하다[5]. 따라서 본 논문은 LSTM 신경망과 GRU 신경망에 대해 알아보고 주거 지역 사회의 단기 전력 예측에 두 가지 신경망을 적용해 성능평가를 진행한다.
질의응답 정보가 도움이 되었나요?

참고문헌 (13)

  1. D. Gan, Y. Wang, N. Zhang and W. Zhu, "Enhancing short-term probabilistic residential load forecasting with quantile long-short-term memory," Journal of Engineering, vol. 2017, no. 14, pp. 2622-2627, Jan. 2017. DOI: https://doi.org/10.1049/joe.2017.0833 

    상세보기 crossref

  2. Y. Chen, B. Zhang, J. Wang, B. Mao, R. Fang, C. Mao and S. Duan, "Active control strategy for microgrid energy storage system based on short-term load forecasting," Power System Technology, vol. 35, no. 8, pp. 35-40, Aug. 2011. 

    상세보기

  3. P. Zhang, X. Pan and W. Xue, "Short-term load forecasting based on fuzzy clustering wavelet decomposition and BP neural network," in Proc. 2011 IEEE Asia-Pacific Power and Energy Engineering Conference, pp. 1-4, Wuhan, China, Mar. 2011. DOI:https://doi.org/10.1109/appeec.2011.5748523 

    crossref

  4. D.C. Park, M. A. El-Sharkawi, R. J. Marks, L. E. Atlas and M. J. Damborg, "Electric load forecasting using an artificial neural network," IEEE Trans. Power Systems, vol. 6, no. 2, pp. 442-449, May 1991. DOI: https://doi.org/10.1109/59.76685 

    상세보기 crossref

  5. J. Zheng, X. Chen, K. Yu, L. Gan, Y. Wang and K. Wang, "Short-term power load forecasting of residential community based on GRU neural network," in Proc. 2018 IEEE International Conference on Power System Technology(POWERCON '2018), pp.4862-4868, Guangzhou, China, Nov. 2018. DOI:https://doi.org/10.1109/powercon.2018.8601718 

    crossref

  6. C. Olach, "Understanding LSTM networks," 2015; Available at http://colah.github.io/ 

  7. S. Hochreiter and J. Schmidhuber, "Long short-term memory", Neural Computation, vol. 9, no. 8, pp. 1735-1780, Nov. 1997. DOI: https://doi.org/10.1162/neco.1997.9.8.1735 

    상세보기 crossref

  8. K. Cho, B. V. Merrienboer, C. Gulcehre, D. Bahdanau, F. Bougares, H. Schwenk and Y. Bengio, "Learning phrase representations using RNN encoder-decoder for statistical machine translation," in Proc. 2014 Conference on Empirical Methods in Natural Language Processing, pp. 1724-1734, Doha, Qatar, Oct. 2014. DOI: https://doi.org/10.3115/v1/d14-1179 

    crossref

  9. J. Chung, C. Gulcehre, K. Cho and Y. Bengio, "Empirical evaluation of gated recurrent neural networks on sequence modeling," in Proc. 2014 NIPS Workshop on Deep Learning, pp.1-9, Montreal, Canada, Dec. 2014. 

  10. M. Liberatore and P. Shenoy, "UMass Trace Respository," 2018; Available at http://traces.cs.umass.edu/ 

  11. Y. Cheng, C. Xu, D. Mashima, V. L. L. Thing and Y. Wu, "PowerLSTM: Power demand forecasting using long short-term memory neural network," in Proc. 2017 Advanced Data Mining and Applications, pp. 727-740, Singapore, Oct. 2017. DOI:https://doi.org/10.1007/978-3-319-69179-4_51 

    crossref

  12. K. Seo, "A comparison study on back-propagation neural network and support vector machinces for the image classification problems," Journal of the Korea Academia-Industrial cooperation Society, vol. 9, no. 6, pp. 1889-1893, Dec. 2008. DOI: https://doi.org/10.5762/KAIS.2008.9.6.1889 

    원문보기 상세보기 crossref

  13. J. Ahn, S. Park and C. Kim, "A study on neural network model for winter electric power demand prediction," The Journal of KIIT, vol. 15, no. 9, pp. 1-9, Sept. 2017. DOI: https://doi.org/10.14801/jkiit.2017.15.9.1 

    상세보기 crossref

저자의 다른 논문 :

LOADING...

관련 콘텐츠

오픈액세스(OA) 유형

BRONZE

출판사/학술단체 등이 한시적으로 특별한 프로모션 또는 일정기간 경과 후 접근을 허용하여, 출판사/학술단체 등의 사이트에서 이용 가능한 논문

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