$\require{mediawiki-texvc}$

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.

AMI로부터 측정된 전력사용데이터에 대한 군집 분석
Clustering load patterns recorded from advanced metering infrastructure 원문보기

응용통계연구 = The Korean journal of applied statistics, v.34 no.6, 2021년, pp.969 - 977  

안효정 (중앙대학교 통계학과) ,  임예지 (중앙대학교 통계학과)

초록
AI-Helper 아이콘AI-Helper

본 연구에서는 Hierarchical K-means 군집화 알고리즘을 이용해 서울의 A아파트 가구들의 전력 사용량 패턴을 군집화 하였다. 차원을 축소해주면서 패턴을 파악할 수 있는 Hierarchical K-means 군집화 알고리즘은 기존 K-means 군집화 알고리즘의 단점을 보완하여 최근 대용량 전력 사용량 데이터에 적용되고 있는 방법론이다. 본 연구에서는 여름 저녁 피크 시간대의 시간당 전력소비량 자료에 대해 군집화 알고리즘을 적용하였으며, 다양한 군집 개수와 level에 따라 얻어진 결과를 비교하였다. 결과를 통해 사용량에 따라 패턴이 군집화 됨을 확인하였으며, 군집화 유효성 지수들을 통해 이를 비교하였다.

Abstract ▼ AI-Helper 아이콘AI-Helper

We cluster the electricity consumption of households in A-apartment in Seoul, Korea using Hierarchical K-means clustering algorithm. The data is recorded from the advanced metering infrastructure (AMI), and we focus on the electricity consumption during evening weekdays in summer. Compare to the con...

주제어

#지능형 검침 인프라   #군집화 알고리즘   #군집화 유효성 지수   #Hierarchical K-means 군집화 알고리즘   #전력 사용량 데이터  

표/그림 (4)

참고문헌 (9)

  1. Chicco G, Napoli R, and Piglione F (2006). Comparisons among clustering techniques for electricity customer classification, IEEE Transactions on power systems, 21, 933-940. 

    상세보기

  2. Desgraupes B (2017). Clustering Indices, University of Paris Ouest-Lab Modal'X, 1, 34. 

  3. Jung D, Yoon Y, and Moon H (2017). Clustering of Energy Consumption Patterns from a Complex Commercial Building using K-means Algorithm, Autumn Conference, 175-176. 

  4. Kim C and Park G (2015). Analyze Structural Changes and Factors of Change of Domestic Power Consumption Pattern, Korea Energy Economics Institute. 

  5. Kim HM, Kim IG, Park KJ, and Yoo SH (2015). The effect of temperature on the electricity demand: An empirical investigation, Journal of Energy Engineering, 24, 167-173. 

    원문보기 상세보기 crossref

  6. Kwon S and Park M (2020). Time-series data clustering based on the correlation of periodogram, Journal of The Korean Data Analysis Society, 22, 1751-1766. 

    상세보기 crossref

  7. Satre-Meloy A, Diakonova M, and Grunewald P (2020). Cluster analysis and prediction of residential peak demand profiles using occupant activity data, Applied Energy, 260, 114246. 

    상세보기 crossref

  8. Xu TS, Chiang HD, Liu GY, and Tan CW (2015). Hierarchical K-means method for clustering large-scale advanced metering infrastructure data, IEEE Transactions on Power Delivery, 32, 609-616. 

    상세보기 crossref

  9. Yoo N, Lee E, Chung BJ, and Kim DS (2019). Analysis of apartment power consumption and forecast of power consumption based on deep learning, Journal of IKEEE, 23, 1373-1380. 

관련 콘텐츠

오픈액세스(OA) 유형

GOLD

오픈액세스 학술지에 출판된 논문

이 논문과 함께 이용한 콘텐츠

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