[논문]기계학습 기반 비선형 전력수요 패턴 GP 모델링

김용길

doi:10.7236/jiibc.2021.21.3.7

초록
AI-Helper

자동화된 스마트 그리드의 등장은 이러한 문제에 대응을 위한 필수적인 장치가 되고 있으며 스마트 그리드 기반 사회로의 진전을 가져오고 있다. 스마트 그리드는 전기 공급 업체와 소비자 간의 양방향 통신을 가능하게 하는 새로운 패러다임이다. 스마트 그리드는 전력 그리드를 보다 안정적이고 신뢰할 수 있으며 효율적이고 안전하게 만들기 위한 엔지니어의 이니셔티브로 인해 등장했다. 스마트 그리드는 전력 소비자가 전력 사용에서 더 큰 역할을 할 수 있는 기회를 창출하고 전력을 현명하고 효율적으로 사용하도록 동기를 부여한다. 이에 본 연구에서는 기계 학습을 통한 전력 수요 관리에 중점을 둔다. 기계 학습을 사용한 수요 예측과 관련하여 현재 다양한 기계 학습 모델이 소개되어 적용되고 있는 데 이에 관한 체계적인 접근이 요구되고 있다. 특히 GP 학습 모델의 경우에 일반 소비 예측 및 데이터의 가시화와 관련해서 다른 학습 모델보다 장점이 있지만, 스마트 미터 데이터의 예측과 관련해서는 데이터 독립성에 강한 영향을 받는다.

Abstract ▼ AI-Helper

The emergence of the automated smart grid has become an essential device for responding to these problems and is bringing progress toward a smart grid-based society. Smart grid is a new paradigm that enables two-way communication between electricity suppliers and consumers. Smart grids have emerged ...

The emergence of the automated smart grid has become an essential device for responding to these problems and is bringing progress toward a smart grid-based society. Smart grid is a new paradigm that enables two-way communication between electricity suppliers and consumers. Smart grids have emerged due to engineers' initiatives to make the power grid more stable, reliable, efficient and safe. Smart grids create opportunities for electricity consumers to play a greater role in electricity use and motivate them to use electricity wisely and efficiently. Therefore, this study focuses on power demand management through machine learning. In relation to demand forecasting using machine learning, various machine learning models are currently introduced and applied, and a systematic approach is required. In particular, the GP learning model has advantages over other learning models in terms of general consumption prediction and data visualization, but is strongly influenced by data independence when it comes to prediction of smart meter data.

주제어

표/그림 (9)

그림 그림 1. 제어와 분리된 데이터 및 정보 흐름 Fig. 1. Data and information flows separated from control
그림 그림 2. 다변량 정규분포 Fig. 2. Multivariate normal distribution
그림 그림 3. 다변량 정규분포에서 잡음이 없은 모델 Fig. 3. Noise-free model in multivariate normal distribution
그림 그림 4. 다변량 정규분포에서 잡음이 있는 모델 Fig. 4. Model with noisy in multivariate normal distribution
그림 그림 5. 교차 검증 Fig 5. Cross validation
그림 그림 6. 예측 정확도 계산 Fig. 6. Calculate prediction accuracy
표 표 1. 작은 훈련.검증 데이터 Table 1. Small training. Verification data
그림 그림 7. 예측 가능 부분 가시화 Fig.. 7. Visualization of predictable parts
그림 그림 8. 시간당 전력 소비 예측 Fig. 8. Estimated power consumption per hour

AI 본문요약
AI-Helper

문제 정의

이러한 동적인 환경에서는 일반적인 예측 기술로는 충분하지 않으며 보다 정교한 방법이 필요하다. 목표는 수요 변화로 이어지는 모든 요인을 효과적으로 풀고 근본적인 원인을 파악하는 것이다. 데이터 세트는 입력이 과거의 데이터를 나타내고 대상이 미래의 정보를 나타내는 인스턴스 그룹으로 변환된다.
본 연구에서는 기계 학습 알고리즘을 적용하여 전력수요 관리를 용이하게 하기 위한 연구를 진행했다. 기계학습을 사용한 수요 예측과 관련하여 가장 큰 문제점은 기계 학습을 사용한 수요 예측과 관련하여 현재 다양한 기계 학습 모델이 소개되어 적용되고 있는데 이에 관한 체계적이고 통합적인 고찰이 부족하다는 점이다.

제안 방법

이 과정은 예측 모델이 배포 단계로 이동하기에 충분한지 여부를 결정한다. 먼저, 스케일링된 신경망 출력과 독립 테스트 하위 집합에 대한 해당 대상 간의 선형 회귀분석을 수행한다. 전체적으로 평균 백분율 오류가 모델 배포의 척도가 된다.
이로 인해 데이터에 불확실성이 빈번하게 반영된다. 본 연구에서는 이를 방지한 보다 현실적인 결과를 얻기 위해 최적화 관련하여 GP의 손실 방식을 사용하였다. 본 연구에서는 웹 사이트에서 제공된 2011년 7월부터 2014년 10월까지 에너지 소비 데이터를 사용하여 기계 학습 모델 적용을 나타냈다.

대상 데이터

본 연구에서는 이를 방지한 보다 현실적인 결과를 얻기 위해 최적화 관련하여 GP의 손실 방식을 사용하였다. 본 연구에서는 웹 사이트에서 제공된 2011년 7월부터 2014년 10월까지 에너지 소비 데이터를 사용하여 기계 학습 모델 적용을 나타냈다. 기계 학습 실험 결과를 비교 분석해보면 순수 전력 소비만을 고려하는 경우에 SVM 모델이 전력 수요를 정확하게 예측할 수 있는 가장 신뢰할 수 있는 기계 학습 도구로 분석된다.
대규모 데이터 집합 상에서 교차 검증은 사실상 어려워 매개 변수들을 취하기 위한 작은 훈련/검증 데이터 집합으로 훈련을 하고 전체 데이터 집합에서 테스트하였다. 시간당 전력 소비와 관련해서는 훈련/검토 및 테스트 집합을 취한 표 1은 작은 샘플 데이터에서 실험하였다.

이론/모형

사실 GP와 관련해서는 3장에서 제안된 자바스크립트 모듈보다는 matlab 패키지가 보다 신뢰성이 있다. 본 연구의 구현에서 예측과 관련해서는 SKlearn을 사용했다. GP와 관련하여 훈련될 2개 집합의 매개 변수들이 요구되는데, 첫 번째는 공변량에 관한 것이고, 두 번째는 대상 y에 포함되는 잡음에 관한 것이다.

성능/효과

가우스 기계 학습의 전체적인 성능이 전력 소비 예측과 관련하여 매우 우수한 것으로 나타났다. 가우스 과정의 장점은 불확실한 예측값들에 대한 범위를 제공한다는 점이다.
본 연구에서는 웹 사이트에서 제공된 2011년 7월부터 2014년 10월까지 에너지 소비 데이터를 사용하여 기계 학습 모델 적용을 나타냈다. 기계 학습 실험 결과를 비교 분석해보면 순수 전력 소비만을 고려하는 경우에 SVM 모델이 전력 수요를 정확하게 예측할 수 있는 가장 신뢰할 수 있는 기계 학습 도구로 분석된다. 여기에서는 소비자의 정확한 에너지 사용 패턴이 필수적이며 여기서부터 수요 예측이 시작된다.
여기에서는 소비자의 정확한 에너지 사용 패턴이 필수적이며 여기서부터 수요 예측이 시작된다. 순수 전력 소비 외에 날씨 및 냉온수와 같은 기타 전기 수요가 요구되는 특징들이 반영될 경우에 가우스 회귀 또는 가우스 혼합 회귀 모델과 같은 가중치 적용이 보다 좋은 성능을 보이는 것으로 분석되었다.
기계학습을 사용한 수요 예측과 관련하여 가장 큰 문제점은 기계 학습을 사용한 수요 예측과 관련하여 현재 다양한 기계 학습 모델이 소개되어 적용되고 있는데 이에 관한 체계적이고 통합적인 고찰이 부족하다는 점이다. 이에 본 연구에서는 두 가지 기본 모델로서 하나는 모수 통계의 대표적인 회귀 학습 모델과 다른 하나는 전형적인 비모수 통계적 접근이라 할 수 있는 GP 학습 모델에 관한 접근 방식을 나타냈다. 다음으로 일반적인 수요 예측 관련 기계 학습과 관련해서 정적인 관점에서 GP 모델이 비교적 우수한 성능을 보이는 것으로 소개하고, 스마트 미터 데이터와 같은 시계열 데이터의 경우에 샘플 데이터의 독립성이라는 측면이 고려되어야 한다.

후속연구

이에 본 연구에서는 두 가지 기본 모델로서 하나는 모수 통계의 대표적인 회귀 학습 모델과 다른 하나는 전형적인 비모수 통계적 접근이라 할 수 있는 GP 학습 모델에 관한 접근 방식을 나타냈다. 다음으로 일반적인 수요 예측 관련 기계 학습과 관련해서 정적인 관점에서 GP 모델이 비교적 우수한 성능을 보이는 것으로 소개하고, 스마트 미터 데이터와 같은 시계열 데이터의 경우에 샘플 데이터의 독립성이라는 측면이 고려되어야 한다. 여기서 한 가지 중요한 사항이 발견되는데, 예를 들어 동물과 인간 학습의 관점에서 볼 때 몇 번의 학습은 매우 자연스럽다.
그렇지만, Sklearn의 경우에 예측 결과는 초기 공변량에 매우 민감함이 확인되었다. 최적의 초기 공변량 및 잡음을 주기 위해 훈련 집합 상에서 교차 검증이 필요하다. 시간당 예측과 관련하여 시간당 모델 훈련 및 테스트를 위해 같은 방식들을 사용할 수 있다.

참고문헌 (14)

Bruno S, Lamonaca S, La Scala M, Rotondo G, Stecchi U. "Load control through smart-metering on distribution networks". In: Proceedings of the 2009 IEEE Bucharest PowerTech Innov Ideas Towar. Electr. Grid Futur.;2009. p.1-8. DOI: https://doi.org/10.1049/iet-cps.2018.5054
Angelos K. Marnerides, Paul Smith, Alberto Schaeffer-Filho, Andreas Mauthe. "Power consumption profiling using energy time-frequency distributions in smart grids". IEEE Commun Lett, 19 (1) (2015), pp. 46-49 DOI : 10.1109/LCOMM.2014.2371035

상세보기
Khan MF, Jain A, Aranuchalam V, Paventhan A. "Communication technologies for smart metering infrastructure". In: Proceedings of the 2014 IEEE students' conf. electr. electron. comput. sci.;2014. p.1-5. DOI : 10.1109/SCEECS.2014.6804427
Gert Rietveld, Jean-Pierre Braun, Ricardo Martin, Paul Wright, Wiebke Heins, Nikola Ell, Paul Clarkson, Norbert Zisky. "Measurement infrastructure to support the reliable operation of smart electrical grids". IEEE Trans Instrum Meas, 64 (6) (2015), pp. 1355-1363. DOI : 10.1109/TIM.2015.2406056

상세보기
O. Palizban, K. Kauhaniemi, J.M. Guerrero. "Microgrids in active network management - Part I: hierarchical control, energy storage, virtual power plants, and market participation", Renew Sustain Energy Rev, 36 (2014), pp. 428-439 DOI : 10.1016/j.rser.2014.01.016

상세보기
Quang Duy La, Yiu Wing Edwin Chan, Boon-Hee Soong. "Power management of intelligent buildings facilitated by smart grid: a market approach". IEEE Trans Smart Grid, 7 (3) (2016), pp. 1389-1400. DOI : 10.1109/TSG.2015.2477852

상세보기
Neetesh Saxena, Bong Jun Choi, Rongxing Lu. "Authentication and authorization scheme for various user roles and devices in smart grid", IEEE Trans Inf Forensics Secur, 11 (5) (2016), pp. 907-921 DOI : 10.1109/TIFS.2015.2512525

상세보기
Yichi Zhang, Lingfeng Wang, Weiqing Sun. "Trust system design optimization in smart grid network infrastructure". IEEE Trans Smart Grid, 4 (1) (2013), pp. 184-195. DOI : 10.1109/TSG.2012.2224390

상세보기
Arritt RF, Dugan RC. "Distribution system analysis and the future Smart Grid". In: Proceedings of the 2011 rural electr. power conf., vol. 47 (6); 2011. p. B2-1-B2-8. DOI : 10.1109/TIA.2011.2168932
A. Bari, J. Jiang, W. Saad, A. Jaekel. "Challenges in the smart grid applications : an overview". Int J Distrib Sens Netw, 2014 (2014) DOI: https://doi.org/10.1155/2014/974682

상세보기
Rusitschka S, Eger K, Gerdes C. "Smart Grid Data Cloud: A Model for Utilizing Cloud Computing in the Smart Grid Domain". In: Proceedings of the 2010 first IEEE int. conf. smart grid commun.; 2010. p. 483-488. DOI : 10.1109/SMARTGRID.2010.5622089
Mets Kevin, Aparicio Ojea Juan, Develder Chris. "Combining power and communication network simulation for cost-effective smart grid analysis". In: Proceedings of IEEE communication surveys & tutorials. vol. 16(3). Third Quarter; 2014. p. 1771-1796. DOI : 10.1109/SURV.2014.021414.00116

상세보기
Yong-Gil Kim, Kyung-Il Moon. "Implementation of Secure System for Blockchain-based Smart Meter Aggregation". The Journal of The Institute of Internet, Broadcasting and Communication (IIBC). Vol. 20, No. 2, pp.1-11, Apr. 30, 2020. DOI: https://doi.org/10.7236/JIIBC.2020.20.2.1

원문보기 상세보기
Yong-Gil Kim, Kyung-Il Moon. "Clustering of Smart Meter Big Data Based on KNIME Analytic Platform". The Journal of The Institute of Internet, Broadcasting and Communication (IIBC). Vol. 20, No. 2, pp.13-20, Apr. 30, 2020. DOI: https://doi.org/10.7236/JIIBC.2020.20.2.13

원문보기 상세보기

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

기계학습 기반 비선형 전력수요 패턴 GP 모델링
GP Modeling of Nonlinear Electricity Demand Pattern based on Machine Learning 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (9)

표/그림 (9)

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

참고문헌 (14)

이 논문을 인용한 문헌

저자의 다른 논문 :

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

기계학습 기반 비선형 전력수요 패턴 GP 모델링 GP Modeling of Nonlinear Electricity Demand Pattern based on Machine Learning 원문보기

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

Abstract ▼ AI-Helper

주제어

표/그림 (9) 모든 표/그림 보기

표/그림 (9) 슬라이드로 보기

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

참고문헌 (14)

이 논문을 인용한 문헌

저자의 다른 논문 :

김용길 (14)

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

기계학습 기반 비선형 전력수요 패턴 GP 모델링
GP Modeling of Nonlinear Electricity Demand Pattern based on Machine Learning 원문보기

초록
AI-Helper

표/그림 (9)

표/그림 (9)

AI 본문요약
AI-Helper