[논문]머신러닝 기반 수소 충전소 에너지 수요 예측 모델

황민우; 하예림; 박상욱

doi:10.7472/jksii.2023.24.2.47

머신러닝 기반 수소 충전소 에너지 수요 예측 모델
Machine Learning-based hydrogen charging station energy demand prediction model 원문보기

Journal of Internet Computing and Services = 인터넷정보학회논문지, v.24 no.2, 2023년, pp.47 - 56

황민우 (Department of Electronic, Information & Communication Engineering, Kangwon National University) , 하예림 (Department of Electronic, Information & Communication Engineering, Kangwon National University) , 박상욱 (Department of Electronic, Information & Communication Engineering, Kangwon National University)

초록
AI-Helper

수소 에너지는 높은 에너지 효율로 열과 전기를 생산하면서도 온실가스와 미세먼지 등 유해물질 배출이 없는 친환경 에너지로서, 전 세계적으로 탄소중립으로의 전환을 위한 핵심으로 주목받고 있다. 특히 스마트 수소에너지는 경제적이고 지속 가능하며, 안전한 미래 스마트 수소에너지 서비스로써 수소 에너지의 기반 시설이 디지털로 통합되어 '데이터' 기반으로 안정적으로 운영되는 서비스를 의미한다. 본 논문에서는 데이터 기반 수소 충전소 수요예측 모델 구현을 위해 강원도 내 설치되어 있는 수소 충전소 3곳(춘천, 속초, 평창)을 선정, 수소 충전소의 수요공급 데이터를 확보하였고, 머신러닝 및 딥러닝 알고리즘 7개를 선정하여 총 27종 입력 데이터(기상데이터+수소 충전소 수요량)로 모델을 학습하였고, 평균 제곱근 오차(RMSE)로 모델을 평가하였다. 이를 통해 본 논문에서는 최적의 수소 에너지 수요공급을 위한 머신러닝 기반 수소 충전소 에너지 수요 예측 모델을 제안한다.

Abstract ▼ AI-Helper

Hydrogen energy is an eco-friendly energy that produces heat and electricity with high energy efficiency and does not emit harmful substances such as greenhouse gases and fine dust. In particular, smart hydrogen energy is an economical, sustainable, and safe future smart hydrogen energy service, which means a service that stably operates based on 'data' by digitally integrating hydrogen energy infrastructure. In this paper, in order to implement a data-based hydrogen charging station demand forecasting model, three hydrogen charging stations (Chuncheon, Sokcho, Pyeongchang) installed in Gangwon-do were selected, supply and demand data of hydrogen charging stations were secured, and 7 machine learning and deep learning algorithms were used. was selected to learn a model with a total of 27 types of input data (weather data + demand for hydrogen charging stations), and the model was evaluated with root mean square error (RMSE). Through this, this paper proposes a machine learning-based hydrogen charging station energy demand prediction model for optimal hydrogen energy supply and demand.

주제어

표/그림 (16)

그림 (그림 1) 최대수요 억제 그래프 (Figure 1) Maximum Demand Suppression Graph
그림 (그림 2) 최대수요 이전 그래프 (Figure 2) Peak Demand Conversion Graph
그림 (그림 3) 기저부하 증대 그래프 (Figure 3) Baseload Growth Graph
그림 (그림 4) 에너지 효율향상 그래프 (Figure 4) Energy Efficiency Improvement Graph
그림 (그림 5) 수소 충전소 수요예측 서비스 개략도 (Figure 5) Schematic diagram of hydrogen charging station demand forecasting service
표 (표 1) 수소 충전소 수요/공급 현황 (4월) (Table 1) Demand/supply status of hydrogen charging station
그림 (그림 6) 강원도 (춘천, 평창, 속초) 일별 수소 충전소 수요 현황 (4월~5월, 지면 관계상 6~10월은 생략) (Figure 6) Gangwon-do (Chuncheon, Pyeongchang, Sokcho) Demand for Hydrogen Charging Stations by Day (April-May)
표 (표 2) 재고 소진으로 인한 블랙아웃 현황 (8월) (Table 2) Blackout status due to out of stock (August)
그림 (그림 7) 수소 충전소 데이터 수요예측 서비스 구현 방안 (Figure 7) Implementation method for hydrogen filling station data demand forecasting service
그림 (그림 8) 머신러닝 및 딥러닝 기반 예측 모델 구현 프로세스 (Figure 8) Machine learning and deep learning-based predictive model implementation process
그림 (그림 9) 데이터 연계성 분석 (Figure 9) Data linkage analysis
표 (표 3) 입력 데이터 종류 (Table 3) Input data type
표 (표 4) RMSE 성능 평가 결과 (Table 4) RMSE performance evaluation results
그림 (그림 10) 선형회귀 예측 그래프 (50.91 RMSE) (Figure 10) Regression Prediction Graph
그림 (그림 12) DNN 예측 그래프 (51.61 RMSE) (Figure 12) DNN prediction graph
그림 (그림 11) 확률적 그레디언트 부스팅 예측 그래프 (52.56 RMSE) (Figure 11) Stochastic Gradient Boosting Prediction Graph

AI 본문요약
AI-Helper

문제 정의

하지만 탄소중립을 위한 신재생에너지 중요성 증대로, 수소 에너지 활용에 대한 중요성이 증가하고 있고, 수소라는 에너지의 특성에 맞는 수요 예측 기술이 필요하다. 따라서 본 논문에서는 수소 충전소를 대상으로 수소 에너지 수요 예측 방법에 대한 기술을 제안한다. 다음은 본 논문에서 사용된 머신러닝 및 딥러닝 관련기술 개요를 나타낸다.
본 논문에서는 강원도 내 설치되어 있는 수소 충전소 3곳(춘천, 속초, 평창)을 선정하여 수소 충전소의 수요공급 최적화를 위한 머신러닝 & 딥러닝 기반 수소 충전소 에너지 수요 예측 모델을 제안한다.
본 논문은 3절에서 제시된 머신러닝 & 딥러닝 기술을 활용하여 스마트수소에너지 구현을 위한 수소 충전소 수요 예측 기술에 대해서 제안한다
본 논문은 수소 충전소의 에너지 수요 & 공급 최적화를 위한 머신러닝 & 딥러닝 기반 수소 충전소 에너지 수요 예측 모델 구현에 대한 논문이다
본 연구에서는 스마트 수소 에너지 서비스를 구현하기 위해 정확도 높은 시계열 데이터 기반 수소 에너지 수요예측 모델을 구현하여 에너지 운영 효율화 달성을 위한 연구를 진행하였다. 이를 통해 향후 2030 탄소중립을 실현하기 위한 초석을 다지고자 한다.

제안 방법

본 논문에서는 이러한 현상을 방지하기 위해 기상데이터를 활용한 수소충전소 수요 예측 방법을 제안하였고, 그림 6 표 1과 같이 강원도 지역(속초, 춘천, 평창)의 3개의 도시에서 발생한 7개월 분량 수소 충전소 데이터를 활용하였고, 수소 충전 데이터와 기상 데이터를 활용하여 머신러닝 & 딥러닝 기반으로 학습된 모델을 통해 일별 수소 충전량을 예측하였다.
데이터의 확보에 따라 정확도 높은 시계열 기반의 에너지 수요예측 모델을 구현할 수 있다. 수소 관련 에너지 수요는 기상의 영향을 많이 받을 수 있다는 가정하에, 본 연구에서는 풍속, 습도, 일조량 등의 기상데이터를 수소 에너지 수요 예측 모델구현에 활용하였다. 특히 정확도 높은 에너지 수요예측 모델 구현을 위해서는 다수의 기상 데이터 + 에너지 수요 데이터 및 정확도 높은 시계열 기반의 모델이 필요하다.
그리고 기상청으로부터 약 27종의 기상 데이터(지역, 기온, 습도, 압력 등 27종 데이터)를 확보하여 기상데이터와 수소 충전소 충전량 간의 어떠한 연관성이 있는지 분석하였다. 확보한 데이터를 통해 그림 7과 같이 머신러닝 및 딥러닝 모델을 학습하여 타겟데이터(하루 총 수소 자동차 충전량)을 예측하는 수소 충전소 하루 수요량 예측 모델을 구현하였다. 표 3은는 입력된 기상데이터 및 수소 충전 데이터 현황을 나타낸다.

대상 데이터

이를 위해서는 과거에 거래된 각 충전소의 수소 충전 내역 데이터가 필요하다. 강원도 지역(속초, 춘천, 평창) 내에 위치한 수소 충전소에서 7개월 분량의 수소 충전량 데이터를 확보하였고, 본 수소 충전량 데이터를 타겟 데이터로 사용하였다. 그리고 기상청으로부터 약 27종의 기상 데이터(지역, 기온, 습도, 압력 등 27종 데이터)를 확보하여 기상데이터와 수소 충전소 충전량 간의 어떠한 연관성이 있는지 분석하였다.
강원도 지역(속초, 춘천, 평창) 내에 위치한 수소 충전소에서 7개월 분량의 수소 충전량 데이터를 확보하였고, 본 수소 충전량 데이터를 타겟 데이터로 사용하였다. 그리고 기상청으로부터 약 27종의 기상 데이터(지역, 기온, 습도, 압력 등 27종 데이터)를 확보하여 기상데이터와 수소 충전소 충전량 간의 어떠한 연관성이 있는지 분석하였다. 확보한 데이터를 통해 그림 7과 같이 머신러닝 및 딥러닝 모델을 학습하여 타겟데이터(하루 총 수소 자동차 충전량)을 예측하는 수소 충전소 하루 수요량 예측 모델을 구현하였다.

이론/모형

데이터는 인공지능 모델 훈련을 위해 입력 데이터와 타겟 데이터로 분류되었다. 모델 구현 및 훈련은 대표적인 클라우드 기반 툴인 구글 Colaboratory를 사용하였고, 27개의 입력데이터와 타겟 데이터 간의 상관관계를 도출하여 타겟 데이터와 가장 상관도가 높은 5개 데이터를 추출하여(그림 9) 상관도 그래프를 작성하였다. 타겟 데이터인 수소 충전량 데이터와 가장 상관도가 높은 데이터는 평균 현지기압(hPa), 풍정합(100m), 평균 풍속(m/s), 최대 풍속(m/s)으로 도출되었다.

성능/효과

모델 구현 및 훈련은 대표적인 클라우드 기반 툴인 구글 Colaboratory를 사용하였고, 27개의 입력데이터와 타겟 데이터 간의 상관관계를 도출하여 타겟 데이터와 가장 상관도가 높은 5개 데이터를 추출하여(그림 9) 상관도 그래프를 작성하였다. 타겟 데이터인 수소 충전량 데이터와 가장 상관도가 높은 데이터는 평균 현지기압(hPa), 풍정합(100m), 평균 풍속(m/s), 최대 풍속(m/s)으로 도출되었다.

후속연구

가장 기본적인 모델임에도 불구하고 가장 낮은 오차를 보이는 높은 성능을 보이는 이유는 모델 훈련에 사용한 데이터의 양(7개월 분량의 일별 데이터)이 많지 않고, 데이터의 복잡성 또한 낮기 때문이다. 향후 데이터의 양이 증가하고 데이터의 종류가 다양해지면 예측 성능은 더욱 높아질 것으로 예상되고, 그때의 가장 높은 성능을 보이는 모델은 DNN 모델이 될 것이다. 왜냐하면 딥러닝 모델은 복잡하고 다수의 데이터 체계에서 강한 성능을 보이기 때문이다.

참고문헌 (11)

J. K. Chang-Yong Lee, "A Study on the Short-term？Prediction of Power Consumption by using the ARIMA？Model," Journal of The Korean Data Analysis Society？(JKDAS), vol. 19, pp. 1349-1362, 2017.？http://doi.org/10.37727/jkdas.2017.19.3.1349？

상세보기
B. L. Haesung Lee, Hyun Ahn, "An LSTM Neural？Network Model for Forecasting Daily Peak Electric？Load of EV Charging Stations," Korean Society for？Internet Information, vol. 21, no. 5, pp. 119-127, 2020.？https://doi.org/10.7472/jksii.2020.21.5.119？

원문보기 상세보기
Y.-G. S. Dong-gu Lee, Is-sac Sim, Yu-Min？Hwang,Sooh-wan Kim, Jin-Young Kim, "Prediction of？Power Consumptions Based on GatedRecurrent Unit for？Internet of Energy," Journal of IEEE Korea Council,？vol. 23, no. 1, pp. 120-126, 2019.？https://doi.org/10.7471/ikeee.2019.23.1.120？

원문보기 상세보기
Y. S. Jongseok Choi, "LSTM-based Power Load？Prediction System Design for Store Energy Saving"？Korea Information Electron Communication？Technology, vol. 14, no. 4, pp. 307-313, 2021.？https://doi.org/10.17661/jkiiect.2021.14.4.307？

원문보기 상세보기
Y. G. S. Ho Cheul Jung, Donggu Lee, Soo Hyun Kim？Yu Min Hwang, Issac Sim, Sang Keun Oh, Seung-Ho？Song and Jin Young Kim, "Prediction for Energy？Demand Using 1D-CNN andBidirectional LSTM in？Internet of Energy," Institute of Korean Electrical and？Electronics Engineers, vol. 23, no. 1, pp. 134-142,？2019.？https://doi.org/10.7471/ikeee.2019.23.1.134？

원문보기 상세보기
M. Xu, P. Watanachaturaporn, P. K. Varshney, and M.？K. J. R. S. o. E. Arora, "Decision tree regression for？soft classification of remote sensing data," vol. 97, no.？3, pp. 322-336, 2005.？https://doi.org/10.1016/j.rse.2005.05.008？

상세보기
Z. El Mrabet, N. Sugunaraj, P. Ranganathan, and S. J.？S. Abhyankar, "Random forest regressor-based？approach for detecting fault location and duration in？power systems," vol. 22, no. 2, p. 458, 2022.？https://doi.org/10.3390/s22020458？

상세보기
V. John, Z. Liu, C. Guo, S. Mita, and K. Kidono,？"Real-time lane estimation using deep features and？extra trees regression," in Image and Video？Technology: 7th Pacific-Rim Symposium, PSIVT 2015,？Auckland, New Zealand, November 25-27, 2015,？Revised Selected Papers 7, Springer, pp. 721-733,？2016.？https://doi.org/10.1007/978-3-319-29451-3_57？
J. Brownlee. "A Gentle Introduction to the Gradient？Boosting Algorithm for Machine Learning."？https://machinelearningmastery.com/gentle-introductiongradient-boosting-algorithm-machine-learning/ (accessed？2023.01.31).？
J. Brownlee. "Histogram-Based Gradient Boosting？Ensembles in Python."？https://machinelearningmastery.com/histogram-based-gra？dient-boosting-ensembles/ (accessed 2023.01.31.).
"Demand Management System Guide - Demand？Management Techniques and Types", Korea Electric？Power Corporation？https://home.kepco.co.kr/kepco/CY/K/htmlView/CYKAHP001.do?menuCdFN0207/ (accessed 2023.03.09)

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

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