[논문]에너지 효율 증대를 위한 에너지 사용량 예측과 에너지 수요이전 모델 연구

김재환; 양세모; 이강윤

doi:10.7472/jksii.2023.24.2.57

초록
AI-Helper

현재, 에너지 효율 향상으로 소비감축을 시행하는 새로운 에너지 시스템이 대두되고 있다. 이에 스마트그리드가 확산되면서 계시별 요금제가 확대되고 있다. 계시별 요금제는 계절별 / 시간별로 요금을 다르게 적용해 사용량에 따라 요금을 내는 요금제이다. 본 연구에서는 에너지 전력 사용량 데이터를 예측하기 위해, 온도/요일/시간/계절 등 외부 요인을 고려하고 시계열 예측 모델인 LSTM을 활용한다. 이러한 에너지 사용량 예측 모델을 기반으로 기기별 사용패턴을 분석하여 전력 에너지를 최대부하시간대에서 경부하시간대로 수요이전 함으로써 에너지 사용요금을 절감한다. 기기별 사용패턴을 분석하기 위해서는 시간대별로 기기의 사용량 패턴을 학습 및 분류하는 clustering 기법을 사용한다. 정리하자면, 본 연구에서는 사용자의 전력 데이터 사용량을 기반으로 사용량과 사용 요금을 예측 및 기기별 사용패턴을 분석하고 분석 기반의 맞춤형 수요이전 서비스를 제공함으로써 사용자에게 요금 절감 효과를 가져다 준다.

Abstract ▼ AI-Helper

Currently, a new energy system is emerging that implements consumption reduction by improving energy efficiency. Accordingly, as smart grids spread, the rate system by timing is expanding. The rate system by timing is a rate system that applies different rates by season/hour to pay according to usag...

Currently, a new energy system is emerging that implements consumption reduction by improving energy efficiency. Accordingly, as smart grids spread, the rate system by timing is expanding. The rate system by timing is a rate system that applies different rates by season/hour to pay according to usage. In this study, external factors such as temperature/day/time/season are considered and the time series prediction model, LSTM, is used to predict energy power usage data. Based on this energy usage prediction model, energy usage charges are reduced by analyzing usage patterns for each device and transferring power energy from the maximum load time to the light load time. In order to analyze the usage pattern for each device, a clustering technique is used to learn and classify the usage pattern of the device by time. In summary, this study predicts usage and usage fees based on the user's power data usage, analyzes usage patterns by device, and provides customized demand transfer services based on analysis, resulting in cost reduction for users.

주제어

표/그림 (19)

그림 (그림 1) 증가하는 에너지 사용량 (Figure 1) Increasing Energy Usage
그림 (그림 2) LSTM 모델 구조 (Figure 2) LSTM Model Structure
표 (표 1) 2022 대한민국의 계시별 요금제 (Table 1) Seasonal/Time Rates in South Korea
그림 (그림 3) Multivariate LSTM 모델 구조 (Figure 3) Multivariate LSTM Model Structure
그림 (그림 4) 수요이전 구조 (Figure 4) Load Shifting Structure
그림 (그림 5) Euclidean과 DTW 차이 (Figure 5) Difference in Euclidean and DTW
그림 (그림 6) 연구 과정 구성도 (Figure 6) Research Process Structure
표 (표 2) 연구 알고리듬의 Pseudo-code (Table 2) Pseudo-code for Research Algorithm
표 (표 3) 에너지 데이터셋 정보 (Table 3) Energy Datasets Information
표 (표 4) 최대부하시간 재정의 (Table 4) Override Load Time
그림 (그림 7) Epoch에 따른 Train loss (Figure 7) Train loss according to Epoch
그림 (그림 8) Multivariate LSTM 모델 구현 (kw) (Figure 8) Implementing Multivariate LSTM Models
그림 (그림 9) 11/1의 하루 예측 그래프 (kw) (Figure 9) Daily Forecast Graph of 11/1
표 (표 5) 일변량 모델, 다변량 모델의 성능비교 (Table 5) Performance Comp arison of Univariate and Multivariate Models
그림 (그림 10) 기기별 11월 사용량 예측 그래프 (Figure 10) Graph of November Usage Forecast by Device
그림 (그림 11) 기기별 Timeseries K-means Clustering 그래프 (Figure 11) Timeseries K-means Clustering Graph by Device
그림 (그림 12) 11/1 최대부하시간의 수요이전 (Figure 12) 11/1 Load Shifting for maximum load time
그림 (그림 13) 수요이전 완료한 11/1 그래프 (Figure 13) 11/1 graph completed Load Shifting
그림 (그림 14) 맞춤형 수요이전 시스템 구성도 (Figure 14) Custom Load Shifting system configuration diagram

AI 본문요약
AI-Helper

문제 정의

본 논문에서는 kaggle데이터의 뉴욕 에너지 데이터를 사용하여 요금절감을 위한 수요이전 시스템을 구현하는 방법에 대하여 연구하였다. 수요이전 시스템을 구현하기 위하여 시계열 데이터 처리에 적합한 Multivariate LSTM 모델을 사용하였다.
본 연구는 계절별 / 시간별 요금제(표 1)를 적용하여 사용자가 같은 전력량을 사용하더라도 전력 사용요금을 절감할 수 있도록 하는 맞춤형 수요이전 시스템을 제안한다. 이러한 시스템은 아래와 같은 기여를 한다.

제안 방법

0원을 적용하여 계산해보았다. 11월 1일부터 30일까지 하루마다 수요이전 수행 전 전력요금과 수요이전 수행 후 전력요금을 비교하여 절감률을 계산하였다. 1달 절감률의 평균은 29.
3. 계시별 요금제를 적용하여 기존 11월 사용요금과 수요 이전한 사용 요금 계산 후, 2가지 사용요금 비교를 통한 절감률을 확인한다.
본 연구에서 제안하는 수요이전 시스템은 사용자의 개별적인 기기사용에 대한 요구 시나리오는 연구에 포함하지 않았다. 기기별 최소 전력 요구 사항을 분석하기 위해 기기별 전력 사용 클러스터링을 진행하였으며, 클러스터링 결과값을 토대로 수요이전 시나리오를 수행하였다.
효율적인 수요이전을 위하여 총전력에서 수요이전이 아닌 기기별로 수요이전을 하기위해 기기별로 클러스터링을 진행하였다. 예를 들면, 냉장고와 같이 계속해서 대기전력을 필요로 하는 기기들이 있기 때문이다.
3. 효율적인 요금 절감을 위한 수요이전 시스템을 구현하였다. 수요이전 시스템은 에너지 요금 절감 뿐만 아니라, 최대수요와 최저 수요의 차이를 축소시켜 부하 평준화와 이용 효율을 향상시켜 준다.

대상 데이터

Kaggle데이터의 미국 뉴욕 Smart Home 데이터(표 3)를 사용하였다. 주택의 전력사용량을 기기별로 1분마다 1년치를 kw로 측정되었다.
예를 들면, 냉장고와 같이 계속해서 대기전력을 필요로 하는 기기들이 있기 때문이다. 기기별로 클러스터링을 하기 위해 앞에 사용했던 Multivate LSTM모델을 기기의 개별 데이터에 사용하여 기기별 11월 한달예측 모델(그림 10)을 구현한다. 이렇게 추출한 기기별 예측 데이터들을 사용하여 수요이전을 진행하였다.

데이터처리

Multivariate LSTM모델의 성능평가는 변수를 사용하지 않은 Univariate LSTM과 비교해보았다. 다변량 LSTM모델이 일변량 LSTM모델보다 성능이 우수하다(표 5)는 것을 확인할 수 있다.

이론/모형

11월 한달의 전력사용량을 예측하기 위해서 Multivariate LSTM모델을 사용하였다. 여기서 1월부터 10월까지의 시계열 데이터와 11개의 변수를 학습시켜 예측(그림 8)하였다.
K-Means에서는 데이터사이의 거리를 계산할 때 Euclidean방법을 사용한다. 이는 각 벡터의 원소 간의 차이를 제곱하여 합한 값이다.
따라서 수요이전할 사용량을 추출하기 위해서 Timeseries K-means 를 사용하여 기기별 클러스터링을 진행하였다. 클러스터의 개수 K=2로 정의해준다.
본 논문에서는 kaggle데이터의 뉴욕 에너지 데이터를 사용하여 요금절감을 위한 수요이전 시스템을 구현하는 방법에 대하여 연구하였다. 수요이전 시스템을 구현하기 위하여 시계열 데이터 처리에 적합한 Multivariate LSTM 모델을 사용하였다. 시계열 예측은 과거 정보를 기반으로 미래 가치를 예측하는 것으로 광범위한 과학 및 비즈니스 응용 분야에서 중요한 의미를 갖는다.
미래 에너지 전력 사용량을 예측하기 위해 시계열 예측 모델을 생성한다. 예측 모델은 시계열 데이터 처리에 적합한 LSTM 모델을 활용하였다. 이는 데이터를 시퀀스로 처리하면서, 단기 메모리와 장기 메모리를 나누어서 학습하기 때문에 과거 데이터를 잘 반영한다.
위에서 구현한 예측 모델을 가지고 개인에게 맞춤형 수요이전을 제안하는 Clustering 기반 Personalization 기술을 구현하였다. 이는 클러스터의 수용가별/사용유형별 에너지 사용패턴을 학습 및 분류하는 알고리듬이다.

성능/효과

고객 맞춤형 수요이전 제안 시스템을 기반으로 전력 사용 최대부하시간대의 사용량을 분산하여 전력수급 안정 및 에너지 자원절약, 사용자에게도 효율적인 전력 사용과 자동화된 수요이전 시스템을 제공할 수 있다. 하루 동안 똑같은 전력을 사용함에도 우리는 모델을 통해 요금을 절감할 수 있는 것을 확인하였다.
Multivariate LSTM모델의 성능평가는 변수를 사용하지 않은 Univariate LSTM과 비교해보았다. 다변량 LSTM모델이 일변량 LSTM모델보다 성능이 우수하다(표 5)는 것을 확인할 수 있다. 11월 실제 전력사용량은 28978.
4. 수요이전 서비스를 적용한 요금과 기존 요금 비교를 통해 20% 이상의 절감률을 달성하였다. 수요이전한 전력 사용량과 기존 전력 사용량을 계시별 요금제에 적용하여 사용자의 사용요금을 절감한다.
1분 단위로 11월 한달 간의 에너지 사용량을 예측하였다. 예측 결과는 Urivariate LSTM모델보다 성능이 우수함을 앞서 확인하였다. 이러한 예측 모델을 가지고 사용 요금 예측 모델을 구현하여 요금 절감률 또한, 확인할 수 있었다.
총 사용량 예측데이터의 11/1의 최대부하시간대 전력 사용량(그림 12)의 빨간 그래프에서 수요이전할 전력량을 빼면 파란색 그래프처럼 전력량이 줄어든 것을 확인할 수 있다.
고객 맞춤형 수요이전 제안 시스템을 기반으로 전력 사용 최대부하시간대의 사용량을 분산하여 전력수급 안정 및 에너지 자원절약, 사용자에게도 효율적인 전력 사용과 자동화된 수요이전 시스템을 제공할 수 있다. 하루 동안 똑같은 전력을 사용함에도 우리는 모델을 통해 요금을 절감할 수 있는 것을 확인하였다.

후속연구

이렇듯 예측 모델에 기반한 수요이전 제안 시스템의 적용을 통하여 글로벌 기술 경쟁력 확보 및 국내 기업 기술 강화뿐만 아니라, 에너지효율화 사업의 확산 및 소비자의 에너지 지출비용 절감, 전력 수요절감, 친환경 에너지 전환과 에너지 최적화 정책 및 국가에너지 총량 관리 등 여러가지 방면에서 기대할 수 있을 것이다.

참고문헌 (10)

Fazle Karim, Somshubra Majumdar, Houshang Darabi,？Samuel Harford. "Multivariate LSTM-FCNs for Time？Series Classification", Neural Networks, Augustpp.？237-245, 2019.？https://doi.org/10.1016/j.neunet.2019.04.014

상세보기
Vishal Kuber, Divakar Yadav, Arun Kr Yadav,？"Univariate and Multivariate LSTM Model for？Short-Term Stock Market Prediction", May 2022.？https://doi.org/10.48550/arXiv.2205.06673
Sen Zhou, Kwei-Jay Lin, Chi-Sheng Shih "Device？clustering for fault monitoring in Internet of Things？systems", IEEE, December 2015.？https://doi.org/10.1109/WF-IoT.2015.7389057
Ma, Q., Chen, C., Li, S., & Cottrell, G. W., "Learning？Representations for Incomplete Time Series？Clustering", Proceedings of the AAAI Conference on？Artificial Intelligence, 35(10), 8837-8846, 2021.？https://doi.org/10.1609/aaai.v35i10.17070

상세보기
Mel Keytingan M.ShapiaNor. AzuanaRamlibLilik？J.Awalinc, "Energy consumption prediction by using？machine learning for smart building: Case study in？Malaysia", Developments in the Built Environment,？March 2021. https://doi.org/10.1016/j.dibe.2020.100037
Amri lNaziraAbdul, Khalique. ShaikhbAbdul？SalamShahc, Ashraf Khalila, "Forecasting Energy？Consumption Demand of Customers in Smart Grid？Using Temporal Fusion Transformer (TFT)", Results in？Engineering, Available online 20 January 2023.？https://doi.org/10.1016/j.rineng.2023.100888

상세보기
Haoyi Zhou, Shanghang Zhang, Jieqi Peng, Shuai？Zhang, Jianxin Li, Hui Xiong, Wancai Zhang,？"Informer: Beyond Efficient Transformer for Long？Sequence Time-Series Forecasting", AAAI, 2021.？https://doi.org/10.48550/arXiv.2012.07436
RobertoChiosaaMarco, Savino. Piscitellia, ChengFan,？Alfonso Capozzolia, "Towards a self-tuned data？analytics-based process for an automatic context-aware？detection and diagnosis of anomalies in building energy？consumption timeseries", Energy and Buildings, 1？September 2022.？https://doi.org/10.1016/j.enbuild.2022.112302

상세보기
Antonio Liguori, Romana Markovic, Martina Ferrando,？Jerome Frisch, Francesco Causone, Christophvan？Treeck, "Augmenting energy time-series for？data-efficient imputation of missing values", Applied？Energy, 15 March 2023.？https://doi.org/10.1016/j.apenergy.2023.120701

상세보기
K.Purna Prakash, Y.V.Pavan Kumar, Ch. Pr？adeepReddy, D. JohnPradeep, AymenFlah, Ali？NasserAlzaed, Ahmad AzizAl Ahamdi, Sherif？S.M.Ghoneim, "A comprehensive analytical exploration？and customer behaviour analysis of smart home energy？consumption data with a practical case study", Energy？Reports, pp. 9081-9093, November 2022.？https://doi.org/10.1016/j.egyr.2022.07.043

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

에너지 효율 증대를 위한 에너지 사용량 예측과 에너지 수요이전 모델 연구
A Study on the Energy Usage Prediction and Energy Demand Shift Model to Increase Energy Efficiency 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (19)

표/그림 (19)

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

참고문헌 (10)

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

에너지 효율 증대를 위한 에너지 사용량 예측과 에너지 수요이전 모델 연구 A Study on the Energy Usage Prediction and Energy Demand Shift Model to Increase Energy Efficiency 원문보기

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

Abstract ▼ AI-Helper

주제어

표/그림 (19) 모든 표/그림 보기

표/그림 (19) 슬라이드로 보기

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

참고문헌 (10)

이 논문을 인용한 문헌

저자의 다른 논문 :

이강윤 (8)

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

에너지 효율 증대를 위한 에너지 사용량 예측과 에너지 수요이전 모델 연구
A Study on the Energy Usage Prediction and Energy Demand Shift Model to Increase Energy Efficiency 원문보기

초록
AI-Helper

표/그림 (19)

표/그림 (19)

AI 본문요약
AI-Helper