Abstract
For power energy, optimal generation and distribution plans based on accurate demand forecasts are necessary because it is not recoverable after they have been delivered to users through power generation and transmission processes. Failure to predict power demand can cause various social and economic problems, such as a massive power outage in September 2011. In previous studies on forecasting power demand, ARIMA, neural network models, and other methods were developed. However, limitations such as the use of the national average ambient air temperature and the application of uniform criteria to distinguish seasonality are causing distortion of data or performance degradation of the predictive model. In order to improve the performance of the power demand prediction model, we divided Korea into five major regions, and the power demand prediction model of the linear regression model and the neural network model were developed, reflecting seasonal characteristics through regional characteristics and migration period learning techniques. With the proposed approach, it seems possible to forecast the future demand in short term as well as in long term. Also, it is possible to consider various events and exceptional cases during a certain period.
전력 에너지의 경우 발전 및 송전 과정을 거쳐 사용자에게 제공된 이후에는 회수가 불가능하기 때문에 정확한 수요 예측에 기반한 최적 발전 및 송배전 계획이 필요하다. 전력 수요 예측의 실패는 2011년 9월에 발생한 대규모 정전사태와 같이 다양한 사회적·경제적 문제를 야기할 수 있다. 전력 수요 예측 관련 기존 연구에서는 ARIMA, 신경망모형 등 다양한 방법으로 개발이 되었다. 하지만 전국 단위의 평균 외기온도를 사용한다는 점과, 계절성을 구분하기 위한 획일적 기준을 적용하는 한계점으로 인해 데이터의 왜곡이나 예측모형의 성능 저하를 초래하고 있다. 이에 본 연구에서는 전력 수요 예측 모형의 성능을 향상하기 위해 전국을 5대 권역으로 구분하여 지역적 특성과 이동 기간 학습 기법을 통해 계절적 특성을 반영한 선형회귀모형과 신경망 모형의 장기적 전력 수요 예측 모형을 개발하였다. 이를 통해 중장기부터 단기에 이르기까지 다양한 범위의 수요 예측에 해당 모델을 활용할 수 있을 뿐만 아니라 특정 기간 중에 발생하는 다양한 이벤트와 예외 상황을 고려할 수 있을 것이다.