• 조명전기설비학회논문지
• /
• 제18권5호
• /
• pp.105-111
• /
• 2004

본 논문에서는 실제 전력 수요 데이터를 이용하여 유효전력에 단기 부하 예측함에 있어 무효전력이 중요한 역할을 하는 것을 회귀 분석 검정 통계량으로 증명한다. 무효전력의 공급과 수요는 계통의 전압과 아주 밀접한 관계를 가지고 있으므로 계통전압을 관리하고 계통의 신뢰도를 높이기 위해서는 예측된 무효전력 수요에 따라 무효전력 공급계획을 별도로 수립하여 운영해야 한다. 따라서 본 논문에서는 다중 시계열 모델을 이용한 시전 예측방법을 이용하여 설명변수로 유효전력을 사용하여 부하의 무효전력을 예측 하였다.

• 한국콘텐츠학회논문지
• /
• 제16권11호
• /
• pp.488-498
• /
• 2016

많은 정보가 데이터로 저장되면서, 데이터를 분석하거나 특수 상황을 예측하기 위한 연구들이 진행되고 있다. 특히, 전력 데이터의 경우 환경적 요인에 의한 예측 연구 및 신재생 에너지를 활용하는 스마트그리드와 마이크로그리드 연구들이 진행 중이다. 본 논문에서는 전력 데이터의 예측을 위해 주변 환경에서 나타나는 데이터를 활용하고자 한다. 이때, 단순 기상 데이터가 아닌 이전 시간에 따른 여러 인자를 반영하여 데이터 예측이 올바르게 이루어지는지를 검증하고자 한다. 검증 과정에서는 유사 기온을 가지는 전력 데이터 선별 예측 결과와 전력 데이터의 길이에 따른 전력 수요 예측 결과를 비교군으로 두고, 기상 정보를 추가 활용하였을 때의 전력 수요 예측 결과를 비교 분석한다. 실험 결과를 통해 기상 정보를 이용할 경우 평균 15% 이내의 최대 오차율 감소 효과를 확인할 수 있다.

• 한국정보처리학회논문지
• /
• 제4권7호
• /
• pp.1749-1758
• /
• 1997

전력수요의 예측은 예측기간에 따라 중장기 전력수요 예측과 단기 부하 예측으로 구분할 수 있다. 기존의 단기 부하예측은 주로 역전파 알고리즘(back propagation algorithm)다층퍼셉트론을 이용하여 예측을 하였으나 이는 학습시간이 많이 걸릴 뿐만 아니라 학습도중에 지역최소점(local minima)에 빠져 학습이 계속되지 못한다는 문제가 있다. 본 논문은 이러한 역전파 알고리즘의 문제점을 해결할 수 있는 방법으로 Radial Basis 함수(Radial Basis Function)를 이용하여 동적 단기부하 예측 모형을 제안한다. Radial Basis 함수는 하나의 은닉층(hidden layer)을 갖고 있으며, 전방향(feed-forward)학습을 한다는 특징이 있다. 본 논문에서 제안한 단기 부하 예측모형은 학습을 하기 위하여 시간대별 부하량을 클러스터링 하고, 이 클러스터의 중심값을 Radial Basis 함수의 은닉층으로 하여 학습을 한 다음 예측하고자 하는 패턴을 한 단위로 하여 시단대별로 예측하였다. 기존의 연구에서의 클러스터링 방법으로는 통계학의 K-Means 방법이나 Kohonen의 LVQ(Learning Vector Quantization)을 주로 이용하였으나 본 논문에서는 패턴의 분류에 있어서 다른 알고리즘보다 편차가 작은 Pal, et. al.의 GLVQ(Generalized LVQ) 알고리즘을 이용하였다. 본 논문에서 이용한 데이타는 1995년 3월 1일-3일, 6월 1일-3일, 7월 1일-3일, 9월 1일-3일, 11월 1일-3일의 72시간 데이타를 입력하여 월별 4일의 24시간의 예측시간으로 예측하였다. 실험결과 월별 1일과 3일까지의 학습데이타로 1시간 후의 부하량을 24시간동안 예측한 결과 1.3795%의 평균 오차율로 예측하였다.

• 대한전기학회:학술대회논문집
• /
• 대한전기학회 2011년도 제42회 하계학술대회
• /
• pp.69-70
• /
• 2011

평일의 전력수요는 연속적인 시계열 특성이 뚜렷하여 전력수요예측 오차가 크지 않으나 특수일의 경우는 불연속적인 시계열특성을 가지게 되어 전력수요예측 오차율이 크다. 특히, 연휴의 직전 평일은 평일의 특성과 특수일의 특성이 혼재하고 있어 오차율이 가장 큰 일자 중 하나이다. 따라서 본 논문에서는 연휴 직전 평일과 직전 일요일과의 부하 변동비를 계산하여 전력수요를 예측하는 방법을 제안하고, 추석연휴 직전 평일에 제안한 방법을 적용하여 최대수요예측 오차가 개선됨을 확인하였다.

• 대한전기학회:학술대회논문집
• /
• 대한전기학회 2011년도 제42회 하계학술대회
• /
• pp.608-609
• /
• 2011

전력수요 예측 오차가 큰 추석 연휴 및 전, 후일 전력수요 예측의 정확성을 향상시키기 위해 과거 추석 연휴 및 전, 후일에 대한 전력수요 특성을 분석하고 최대/최소 전력 예측을 위한 퍼지 입력데이터 선정 방법과 24시간 예측을 위한 정규화에 필요한 입력 데이터 선정방법을 개발하여 퍼지 선형회귀분석 모델을 사용하여 2006년에서 2010년까지 5개년의 사례연구를 통해 알고리즘의 우수성을 검증하였다.

• 조명전기설비학회논문지
• /
• 제21권10호
• /
• pp.126-133
• /
• 2007

본 연구에서는 데이터 마이닝 기법을 이용하여 전력계통의 단기 부하 예측을 하는 방안을 제시한다. 기존의 단기 부하 예측은 시계열 분석 방법이 주를 이루었으며, 이러한 방법은 방대한 양의 자료를 기반으로 데이터베이스를 만들고 이를 이용하여 여러 가지 계수를 이용하여 수요를 예측함으로써 많은 시간과 노력이 소요되고 있다. 따라서 본 연구에서는 좀 더 적은 시간과 노력으로 부하예측이 가능하도록 데이터마이닝 기법을 이용하여 요일별 그리고 특수 일의 패턴을 분석하고 의사결정트리를 이용한 예측방법을 제시하고자 한다. 그리고 현재 전력거래소를 통해 거래되고 있는 계통한계가격과의 관계를 분석하여 예측 계수에 계통한계가격을 추가하여 예측방법을 제시하고자 한다.

• 한국공간정보시스템학회 논문지
• /
• 제11권2호
• /
• pp.177-181
• /
• 2009

u-City 활용을 위한 u-공공시설의 개발은 첨단 건축기술과 유비쿼터스 컴퓨팅의 통합으로 새로운 형식의 공간계획과 공공시설물을 내외부에 설치하기 위해 건물의 기반 서비스 시설인 냉난방, 공조, 조명 그리고 전력 관련 시설들의 기반이 구축되어야 한다. 따라서 이 논문에서는 이러한 기반 서비스를 위한 가장 기본적인 것 중 하나인 단기 전력 시스템의 수요와 공급 문제를 해결하기 위하여 시계열 분석을 적용한 시간 패턴 분석을 통해 전력 수요 예측 기술을 제안한다. 시간 패턴 분석을 위해 SOM 알고리즘과 k-means 기법을 적용하여 요일별, 시간별 데이터를 군집화하고 그 자료를 이용하여 시간 패턴 분석 방법인 지수평활기법과 ARIMA 모형을 비교 분석하였다. 제안 시스템 성능 평가 결과 지수평활기법 보다 ARIMA 모형을 적용한 시스템이 더 좋은 결과를 보였다. 따라서, 이러한 전력 부하 예측 결과를 이용하여 전력 공급의 수요에 따른 계획이나 시스템 운영을 효과적으로 할 수 있다.

• 대한전기학회:학술대회논문집
• /
• 대한전기학회 2011년도 제42회 하계학술대회
• /
• pp.294-295
• /
• 2011

전력수급계획은 소비자의 전력 사용량을 예측하고 적정한 공급능력을 확보하는 것이 목적인데, 수요예측 정확도를 향상시키고 전력설비를 적기에 준공시킬수록 적정공급능력 확보가 용이하다. 그러나 최근 전력수요는 계절적, 시간대별로 경향이 과거와는 상이하게 나타나고 있는데 이로 인해 발전기를 예방 정비할 수 있는 기간이 짧아지고 있다. 한편 향후 몇 년간은 준공되는 발전기가 적어 중/단기 수급계획이 더욱 어려울 전망이다. 따라서 최근 수요추세를 고려하여 수요예측 정확도를 향상시키고 현재보다 탄력적인 부하감축제도 시행이 요구된다.

• 한국컴퓨터정보학회:학술대회논문집
• /
• 한국컴퓨터정보학회 2019년도 제60차 하계학술대회논문집 27권2호
• /
• pp.157-158
• /
• 2019

발전소 관리의 단기 전력 수요에 대한 정확한 예측은 전력 시스템의 안전하고 효율적인 작동을 보장하는데 필수적이다. 따라서 본 연구는 가우스 커널 함수 네트워크 (GKFNs)의 심층 구조를 이용하여 일일 최대 전력 수요를 예측하는 새로운 방법을 제시한다. 제안 된 GKFN의 깊이 구조는 표준 GKFN에 비해 예측 정확도를 향상시킨다. 한국의 일일 최대 전력 수요를 예측하기위한 시뮬레이션은 제안 된 예측 모델이 GKFN 모델, k-NN 및 SVR과 같은 다른 예측 모델에 비해 예측 성능에 이점이 있음을 보여준다. GKFN의 제안된 심층 구조는 시계열 예측 및 회귀 문제의 다양한 문제에 적용될 수 있다.

• 대한전기학회:학술대회논문집
• /
• 대한전기학회 2000년도 하계학술대회 논문집 A
• /
• pp.102-106
• /
• 2000

본 논문은 뉴로-퍼지 모델의 구조학습을 이용하여 한 시간 앞의 전력 수요를 예측하는 체계적인 방법을 제안한다. 제안된 예측시스템은 시간 단위로 뉴로-퍼지 모델을 재학습하기 위해서 필요한 초기 구조를 요일 유형과 시간 별로 미리 생성하고, 이를 초기 구조 뱅크에 저장한다. 예측이 수행되는 시점의 요일 유형에 따라 선택된 초기 구조를 이용하여 뉴로-퍼지 모델을 초기화하고, 학습하고, 예측을 수행한다. 제안된 방법의 실효성을 검증하기 위해 1996년과 1997년의 실제 전력 수요 데이터를 이용하여 모의 실험을 수행한다. 실험결과 제안된 방법은 기존의 다층 퍼셉트론을 이용한 방법과 비교하여 예측의 정확도 측면과 신뢰도 측면에서 모두 향상된 결과를 얻는다.