The Journal of Bigdata (한국빅데이터학회지)

Korea Bigdata Society (한국빅데이터학회)
권호 표지
DOI QR코드

DOI QR Code

Design and Implementation of Deep Learning Models for Predicting Energy Usage by Device per Household

가구당 기기별 에너지 사용량 예측을 위한 딥러닝 모델의 설계 및 구현

  • 이주희 (가천대학교 컴퓨터공학과) ;
  • 이강윤 (가천대학교 컴퓨터공학과)
  • Received : 2021.07.23
  • Accepted : 2021.08.19
  • Published : 2021.08.31
Download PDF
⟨ Previous Next ⟩

Abstract

Korea is both a resource-poor country and a energy-consuming country. In addition, the use and dependence on electricity is very high, and more than 20% of total energy use is consumed in buildings. As research on deep learning and machine learning is active, research is underway to apply various algorithms to energy efficiency fields, and the introduction of building energy management systems (BEMS) for efficient energy management is increasing. In this paper, we constructed a database based on energy usage by device per household directly collected using smart plugs. We also implement algorithms that effectively analyze and predict the data collected using RNN and LSTM models. In the future, this data can be applied to analysis of power consumption patterns beyond prediction of energy consumption. This can help improve energy efficiency and is expected to help manage effective power usage through prediction of future data.

우리나라는 자원 빈국인 동시에 에너지 다소비 국가이다. 또한 전기 에너지에 대한 사용량 및 의존도가 매우 높고, 총 에너지 사용의 20% 이상은 건물에서 소비된다. 딥러닝과 머신러닝에 대한 연구가 활발해지면서 다양한 알고리즘을 에너지 효율 분야에 적용하려는 연구가 진행되고 있으며, 에너지의 효율적인 관리를 위한 건물에너지관리시스템(BEMS)의 도입이 늘어가는 추세이다. 본 논문에서는 스마트플러그를 이용하여 직접 수집한 가구당 기기별 에너지 사용량을 바탕으로 데이터베이스를 구축하였다. 또한 RNN과 LSTM 모델을 이용하여 수집한 데이터를 효과적으로 분석 및 예측하는 알고리즘을 구현하였다. 추후 이 데이터는 에너지 사용량 예측을 넘어 전력 소비 패턴 분석 등에 적용할 수 있다. 이는 에너지 효율 개선에 도움이 될 수 있으며, 미래 데이터의 예측을 통해 효과적인 전력 사용량 관리에 도움을 줄 것으로 기대된다.

Keywords

Acknowledgement

본 연구는 과학기술정보통신부 및 정보통신기획평가원의 대학ICT연구센터육성지원사업(IITP-2021-2017-0-01630)과 한국연구재단의 지원(NRF-2019R1F1A1057663)으로 수행된 연구임

References

  1. https://www.gihoo.or.kr/netzero/download/LEDS_REPORT.pdf
  2. https://www.mofa.go.kr/viewer/skin/doc.html?fn=20201231020449159.hwp&rs=/viewer/result/202107
  3. Park S, Park S, Choi M-i, Lee S, Lee T, Kim S, Cho K, and Park S. "Reinforcement Learning-Based BEMS Architecture for Energy Usage Optimization." Sensors 20, no. 17: 4918, 2020. https://doi.org/10.3390/s20174918
  4. Munir, M. S., Abedin, S. F., Alam, M. G. R, and Hong, C. S. "Rnn based energy demand prediction for smart-home in smart-grid framework.", 한국정보과학회 학술발표논문집, 437-439, 2017.
  5. Yuniarti, E., Nurmaini, N., Suprapto, B. Y, and Rachmatullah, M. N. "Short Term Electrical Energy Consumption Forecasting using RNN-LSTM." 2019 International Conference on Electrical Engineering and Computer Science (ICECOS). IEEE, 2019.
  6. Laib, Oussama, Mohamed Tarek Khadir, and Lyudmila Mihaylova. "Toward efficient energy systems based on natural gas consumption prediction with LSTM Recurrent Neural Networks." Energy 177 (2019): 530-542, 2019. https://doi.org/10.1016/j.energy.2019.04.075
  7. 성종훈, 조영식. "머신러닝 기법을 활용한 공장 에너지 사용량 데이터 분석". 정보처리학회논문지. 컴퓨터 및 통신시스템 8.4: 87-92, 2019
  8. 조장훈, 방준호, 유정훈, 선로빈, 천현준, 한가람. "LSTM 신경망을 이용한 월 단위 전력 사용량 예측 기법", 대한전기학회 학술대회 논문집, 226-227, 2020.
  9. 노윤지, 민대기. "LSTM 기반의 단계적 분해 방법을 이용한 단기 전력 사용량 예측". 경영과학, 37(1), 75-89, 2020.