[논문]Exponential Smoothing기법을 이용한 전기자동차 전력 수요량 예측에 관한 연구

이병현; 정세진; 김병식

doi:10.21729/ksds.2021.14.2.35

Exponential Smoothing기법을 이용한 전기자동차 전력 수요량 예측에 관한 연구
A Study on the Prediction of Power Demand for Electric Vehicles Using Exponential Smoothing Techniques 원문보기

한국방재안전학회논문집 = Journal of Korean Society of Disaster and Security, v.14 no.2, 2021년, pp.35 - 42

이병현 (국립강원대학교 방재전문대학원) , 정세진 (강원종합기술연구원) , 김병식 (국립강원대학교 방재전문대학원)

초록
AI-Helper

본 논문은 전기자동차 충전시설 확충계획에 중요한 요소인 전기자동차 전력 수요량 예측정보를 생산하기 위하여 Exponential Smoothing를 이용하여 전력 수요량 예측 모형을 제안하였다. 모형의 입력자료 구축을 위하여 종속변수로 월별 시군구 전력수요량을 독립변수로 월별 시군구 충전소 보급대수, 월별 시군구 전기자동차 충전소 충전 횟수, 월별 전기자동차 등록대수 자료를 월 단위로 수집하고 수집된 7년간 자료 중 4년간 자료를 학습기간으로 3년간 자료를 검증 기간으로 적용하였다. 전기자동차 전력 수요량 예측 모형의 정확성을 검증하기위하여 통계적 방법인 Exponential Smoothing(ETS), ARIMA모형의 결과와 비교한 결과 ETS, ARIMA 각각의 오차율은 12%, 21%로 본 논문에서 제시한 ETS가 9% 더 정확하게 분석되었으며, 전기자동차 전력 수요량 예측 모형으로써 적합함을 확인하였다. 향후 이 모형을 이용한 전기자동차 충전소 설치 계획부터 운영관리 측면에서 활용될 것으로 기대한다.

Abstract ▼ AI-Helper

In order to produce electric vehicle demand forecasting information, which is an important element of the plan to expand charging facilities for electric vehicles, a model for predicting electric vehicle demand was proposed using Exponential Smoothing. In order to establish input data for the model, the monthly power demand of cities and counties was applied as independent variables, monthly electric vehicle charging stations, monthly electric vehicle charging stations, and monthly electric vehicle registration data. To verify the accuracy of the electric vehicle power demand prediction model, we compare the results of the statistical methods Exponential Smoothing (ETS) and ARIMA models with error rates of 12% and 21%, confirming that the ETS presented in this paper is 9% more accurate as electric vehicle power demand prediction models. It is expected that it will be used in terms of operation and management from planning to install charging stations for electric vehicles using this model in the future.

주제어

표/그림 (12)

표 Table 1. List of Input Variables
그림 Fig. 1. Time Series Graph By Independent Variable
표 Table 2. Reliability Statistics By Variable
표 Table 3. Correlation Matrix By Variable
표 Table 4. Kaiser-Meyer-Olkin (KMO) and Bartlett’s Test
표 Table 5. Findings of Communality Analysis Through Principal Component Analysis
표 Table 6. Findings of Total Variable Analysis Through Principal Component Analysis
그림 Fig. 2. Screen Plot from the Main Component Analysis
그림 Fig. 3. Electricity Load Forecasting with the Exponential Smoothing (ETS) Model
표 Table 7. Component Analysis
그림 Fig. 4. Electricity Load Forecasting with the Autoregressive Integrated Moving Average (ARIMA) Model
표 Table 8. Mode Validation Results

참고문헌 (7)

Kim, C.-H. (2013). Prediction of Short-Term Electricity Load Using Multi-Seasonal Exponential Smoothing Method. Ulsan: Korea Energy Economics Institute.
Kim, D.-H. (2019). Short-Term Load Forecasting Based on LSTM and CNN. Konkuk University Graduate School. Electric Engineering Department. Master's Dissertation.
Kim, K.-H., Park, R.-J., Cho, S.-W., and Song, K.-B. (2017). 24-Hour Load Forecasting Algorithm Using Artificial Neural Network in Summer Weekdays. Journal of the Korean Institute of Illuminating and Electrical Installation Engineers. 31(12): 113-119.

상세보기
Kim, S.-Y., Jung, H.-W., Park, J.-D., Baek, S.-M., Kim, W.-S., Chon, K.-H., and Song, K.-B. (2014). Weekly Maximum Electric Load Forecasting for 104 Weeks by Seasonal ARIMA Model. Journal of the Korean Institute of Illuminating and Electrical Installation Engineers. 28(1): 50-56.

원문보기 상세보기
Ko, C. N. and Lee, C. M. (2016). Short-term Load Forecasting Using SVR (Support Vector Regression)-based Radial Basis Function Neural Network with Dual Extended Kalman Filter. ELSEVIER Energy. 49: 413-422.
Ramanarayanan, T. S., Williams, J. R., Dugas, W. A., Hauck, L. M., and McFarland, A. M. S. (1997). Using APEX to Identify Alternative Practices for Animal Waste Management. ASAE International Meeting. Paper 97-2209. pp. 1-7.
Yang, Y., Che, J., Li, Y., Zhao, Y., and Zhu, S. (2016). An Incremental Electric Load Forecasting Model based on Support Vector Regression. ELSEVIER Energy. 113: 796-808.

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