DOI QR코드

DOI QR Code

LNG Gas Demand Forecasting in Incheon Port based on Data: Comparing Time Series Analysis and Artificial Neural Network

데이터 기반 인천항 LNG 수요예측 모형 개발: 시계열분석 및 인공신경망 모형 비교연구

  • 김범수 (인천대학교 동북아물류대학원) ;
  • 신광섭 (인천대학교 동북아물류대학원)
  • Received : 2023.11.24
  • Accepted : 2023.12.04
  • Published : 2023.12.31

Abstract

LNG is a representative imported cargo at Incheon Port and has a relatively high contribution to the increase/decrease in overall cargo volume at Incheon Port. In addition, in the view point of nationwide, LNG is the one of the most important key resource to supply the gas and generate electricity. Thus, it is very essential to identify the factors that have impact on the demand fluctuation and build the appropriate forecasting model, which present the basic information to make balance between supply and demand of LNG and establish the plan for power generation. In this study, different to previous research based on macroscopic annual data, the weekly demand of LNG is converted from the cargo volume unloaded by LNG carriers. We have identified the periodicity and correlations among internal and external factors of demand variability. We have identified the input factors for predicting the LNG demand such as seasonality of weekly cargo volume, the peak power demand, and the reserved capacity of power supply. In addition, in order to predict LNG demand, considering the characteristics of the data, time series prediction with weekly LNG cargo volume as a dependent variable and prediction through an artificial neural network model were made, the suitability of the predictions was verified, and the optimal model was established through error comparison between performance and estimates.

LNG는 인천항의 대표적인 수입화물로 인천항 전체 물동량 증감에 기여도가 상대적으로 높은 편이다. 또한, 국가적 차원에서도 LNG는 도시가스 및 전력발전에 필요한 핵심 자원으로 시장 수요의 변동 요인에 대한 분석과 적합한 수요예측모델의 구축은 LNG 기반 발전 계획 및 국가전력수급기본계획 수립 등에 매우 중요하다. 본 연구에서는 기존 연구들에서 다뤄지는 거시적 연간 자료를 통한 예측과 달리, LNG 운반선이 하역하는 주간별 물동량을 대상으로 주기성을 파악하고, 대내외 변동요인과의 상관관계를 분석한다. LNG 수요 변동요인으로는 주간 데이터의 계절성, 최대전력, 전력 공급예비력 등 전력 수급 데이터 등을 고려하였다. 또한 LNG 수요를 예측하기 위해 자료의 특성을 고려하여 주간단위별 LNG 물동량을 종속변수로 한 시계열 예측과 인공신경망 모형을 통한 예측 후 예측치에 대한 적합성을 검증 및 실적-추정치 간 오차비교를 통해 최적모형을 도출하고자 한다.

Keywords

Acknowledgement

본 연구는 국토교통부 국토교통과학기술진흥원의 지원으로 수행되었습니다.(과제번호 RS-2022-00156324)

References

  1. 김정은, 오진호, 우수한, "유류화물 항만물동량 예측모형 개발 연구", 한국항만경제학회지, 제34권, 제1호, pp81-98, 2018. https://doi.org/10.38121/kpea.2018.03.34.1.81
  2. 박성준, 김진수, "단기 천연가스 가격 예측에 있어서 인공신경망의 활용에 대한 연구", 한국자원공학회지, 제.51권, 제6호, pp.761-770, 2014.
  3. 박철웅, 박철호, "국제유가와 천연가스가격 간의 관계 분석 및 한국의 LNG 가격 추정", 산업경제연구, 제35권, 제1호 pp.119-139, 2022. https://doi.org/10.22558/jieb.2022.2.35.1.119
  4. 배유진, "천연가스 수요의 변동성 예측모형", 경영연구, 제32권, 제3호, pp.239-259, 2017. https://doi.org/10.22903/JBR.2017.32.3.239
  5. 이성로, "중장기 천연가스 수요전망모형", 한국가스학회학술대회논문집, 제11권, 2022
  6. 이근철, 한정희, "발전용 천연가스 단기 수요 예측 ARIMA 모형을 중심으로", 상경연구, 제41권, 제2호, pp.53-68, 2016.
  7. 임상섭, 안영중, "인공신경망을 활용한 LNG 운임예측", 한국컴퓨터정보학회논문지, 제27권, 제7호, pp.187-194, 2022. https://doi.org/10.9708/JKSCI.2022.27.07.187
  8. 채기영, 이철용, "딥러닝을 이용한 주요항만별 LNG 벙커링 수요예측", 한국기후변화학회지, 제13권, 제.5호, pp.679-688, 2022. https://doi.org/10.15531/KSCCR.2022.13.5.679
  9. 홍일석, "천연가스 시장 변화에 따른 LNG 해상운송 수요예측에 관한 연구", 중앙대학교 글로벌인적자원개발대학원 석사학위 논문, 2015.
  10. M. S. Al-Musaylh, R. C. Deo, J. F. Adamowski, Y. Li, "Short-term Electricity Demand Forecasting with MARS, SVR and ARIMA Models Using Aggregated Demand Data in Queensland, Australia," Advanced Engineering Informatics, Vol.35, pp. 1-16, 2018. https://doi.org/10.1016/j.aei.2017.11.002
  11. A. Wanto, B. H. Hayadi, P. Subekti, D. Sudrajat, R. Wikansari, G. W. Bhawika, E. Sumartono, S. Surya, "Forecasting the Export and Import Volume of Crude Oil, Oil Products and Gas Using ANN Journal of Physics," Journal of Physics: Conference Series, Vol.1255, No.1, 2019.
  12. H. K. Chan, S. Xu, X. Qi, "A comparison of time series methods for forecasting container throughput," International Journal of Logistics Research and Applications, Vol.22, No.3, pp.294-303, 2019. https://doi.org/10.1080/13675567.2018.1525342
  13. 박유성, 김기환, 시계열자료분석 I, 자유아카데미, 2008
  14. 장철원, 선형대수와 통계학으로 배우는 머신러닝 with 파이썬, 비제이퍼블릭, 2021년
  15. 미연방준비은행, https://fred.stlouisfed.org/, (검색일: 2023.09.02.)
  16. 전력수급기본계획, https://www.kpx.or.kr/menu.es?mid=a10403070000, (검색일: 2023.08.23.)
  17. 전력통계정보시스템, https://epsis.kpx.or.kr/epsisnew/, (검색일: 2023.08.25.)
  18. 전자공시시스템, https://dart.fss.or.kr/dsaf001/main.do?rcpNo=20230814003105, (검색일: 2023.08.26.)
  19. 통계청 국가통계포털, https://kosis.kr/statHtml/statHtml.do?orgId=318&tblId=TX_31801_A008&conn_path=I3, (검색일: 2023.09.05.)
  20. 한국가스공사, https://www.kogas.or.kr/site/koGas/1040301000000, (검색일: 2023.08.25.)
  21. 해양수산부 해운항만물류정보시스템, https://new.portmis.go.kr/, (검색일: 2023.08.15.)