[논문]TCN 딥러닝 모델을 이용한 최대전력 예측에 관한 연구

이정일

doi:10.3745/ktsde.2023.12.6.251

TCN 딥러닝 모델을 이용한 최대전력 예측에 관한 연구
A Study on Peak Load Prediction Using TCN Deep Learning Model 원문보기

정보처리학회논문지. KIPS transactions on software and data engineering. 소프트웨어 및 데이터 공학, v.12 no.6, 2023년, pp.251 - 258

이정일 (한국전력공사 전력연구원)

초록
AI-Helper

안정적으로 전력을 공급하고 전력계통을 운영하기 위해서는 최대전력을 정확히 예측해야 한다. 특히, 최대전력이 높게 발생하는 겨울과 여름에는 그 중요성이 매우 커진다. 최대전력을 실제 수요보다 높게 예측하면 발전소 기동 비용이 증가하여 경제적 손실이 발생하고, 최대전력을 실제 수요보다 낮게 예측하면 기동이 가능한 발전소가 부족하여 정전이 발생할 수 있다. 최대전력의 예측 오차를 최소화함으로써 경제적 손실과 정전을 예방할 수 있다. 본 논문에서는 최대전력 예측의 오차를 최소화하기 위하여 최신 딥러닝 모델인 TCN을 이용한다. 딥러닝 모델은 하이퍼 파라미터를 어떻게 설정하느냐에 따라 성능 차이가 발생하므로, TCN의 하이퍼 파라미터를 최적화하는 방법을 제안한다. 2006년부터 2021년까지의 데이터를 입력하여 모델을 훈련하고, 2022년의 데이터를 이용하여 예측 오차를 실험하였다. 실험을 수행한 결과 본 논문에서 제안한 최적화 방법을 이용한 TCN 모델의 성능이 다른 딥러닝 모델보다 성능이 우수한 것을 확인하였다.

Abstract ▼ AI-Helper

It is necessary to predict peak load accurately in order to supply electric power and operate the power system stably. Especially, it is more important to predict peak load accurately in winter and summer because peak load is higher than other seasons. If peak load is predicted to be higher than actual peak load, the start-up costs of power plants would increase. It causes economic loss to the company. On the other hand, if the peak load is predicted to be lower than the actual peak load, blackout may occur due to a lack of power plants capable of generating electricity. Economic losses and blackouts can be prevented by minimizing the prediction error of the peak load. In this paper, the latest deep learning model such as TCN is used to minimize the prediction error of peak load. Even if the same deep learning model is used, there is a difference in performance depending on the hyper-parameters. So, I propose methods for optimizing hyper-parameters of TCN for predicting the peak load. Data from 2006 to 2021 were input into the model and trained, and prediction error was tested using data in 2022. It was confirmed that the performance of the deep learning model optimized by the methods proposed in this study is superior to other deep learning models.

주제어

표/그림 (15)

그림 Fig. 1. TCN Architecture[6]
그림 Fig. 2. TCN Residual Block[6]
그림 Fig. 3. Time Series Trend of Temperature, Insolation and Peak Load Data
표 Table 1. Statistical Information Showing the Distribution of Temperature, Insolation and Peak Load Data
표 Table 2. Correlation Coefficient Between Input Variables and Peak Load by Season
그림 Fig. 4. MAPE Comparison by Number of Residual Blocks
그림 Fig. 5. MAPE Comparison by Number of Filters
표 Table 3. MAPE Comparison by Kernel Size and Dilations
그림 Fig. 6. MAPE Comparison by Learning Rate
그림 Fig. 7. MAPE Comparison by Batch Size
그림 Fig. 8. MAPE Comparison by Training Data Period(Years)
표 Table 4. MAPE Comparison by Feature Selection
그림 Fig. 9. MAPE Comparison by Number of Models
표 Table 5. Predict Result
그림 Fig. 10. MAPE Comparison by Season

참고문헌 (12)

G.-C. Lee and J. Han, "Forecasting daily peak load of？domestic electricity demand," Journal of Industrial Economics and Business, Vol.30, No.4, pp.1205-1218, 2017.
J.-Y. Ahn, S.-M. Park, and C.-B. Kim, "A study on neural？network model for winter electric power demand prediction," The Journal of Korean Institute of Information？Technology, Vol.15, No.9, pp.1-9, 2017.

상세보기
B.-S. Kwon and K.-B. Song, "An ensemble forecasting？method of winter and summer peak load using deep neural？networks," The transactions of The Korean Institute of？Electrical Engineers, Vol.69, No.6, pp.765-771, 2020.
H.-S. Yoo and S.-B. Jeong, "Electric power demand prediction using deep learning model with temperature data,"？KIPS Transactions on Software and Data Engineering,？Vol.11, No.7, pp.307-314, 2022.
S. Hochreiter and J. Schmidhuber, "Long short-term memory," Neural Computation, Vol.9, No.8, pp.1735-1780,？1997.

상세보기
A. V. D. Oord et al., "Wavenet: A generative model for？raw audio," arXiv preprint arXiv:1609.03499, 2016.
Electric Power Statistics Information System [Internet],？https://epsis.kpx.or.kr/epsisnew/
P., Liashchynskyi and P. Liashchynskyi, "Grid search,？random search, genetic algorithm: A big comparison for？NAS," arXiv preprint arXiv:1912.06059, 2019.
D. P. Kingma and J. ba, "Adam: A Method for Stochastic？Optimization," arXiv preprint arXiv:1412.6980, 2014.
K. Cho et al., "Learning phrase representations using RNN？encoder-decoder for statistical machine translation",？Proceedings of the 2014 Conference on Empirical Methods？in Natural Language Processing, pp.1724-1734, 2014.
K. He, X. Zhang, S. Ren, and J. Sun, "Deep residual learning？for image recognition," In Proceedings of the IEEE？Conference on Computer Vision and Pattern Recognition,？pp.770-778, 2016.
H. Zhou, S. Zhang, J. Peng, S. Zhang, J. Li, H. Xiong, and？W. Zhang, "Informer: Beyond efficient transformer for？long sequence time-series forecasting," In Proceedings of？the AAAI Conference on Artificial Intelligence, Vol.35,？No.12, pp.11106-11115, 2021.

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