• Proceedings of the Korea Information Processing Society Conference
• /
• 2021.11a
• /
• pp.566-569
• /
• 2021

전력수요는 월, 요일 및 시간의 계절성(Seasonality)을 보이는 데이터이다. 각 계절성에 따라 특성이 다르기 때문에, 전력수요를 예측하기 위해서는 계절성의 특성을 고려한 다양한 모델을 선정하고, 병합하는 방법이 필요하다. 본 연구에서는 전력수요의 계절성을 고려한 다양한 예측모델을 병합하여 이용할 수 있도록 스태킹 앙상블 적용하고 실험결과를 기술한다. 또한, 162개 도시의 기상 데이터와 인구 데이터를 예측에 이용하는 방법, Regression 모델과 Time-series모델에 입력하는 특징(Feature)의 전처리 방법, 베이지안 최적화를 이용한 머신러닝 및 딥러닝 모델의 하이퍼파라메터 최적화 방법을 제시한다.

• Proceedings of the Korean Institute of Information and Commucation Sciences Conference
• /
• 2009.10a
• /
• pp.720-722
• /
• 2009

Optimal operation of electric power generating plants is very essential for any power utility organization to reduce input costs and possibly the prices of electricity in general. This paper developed models for load forecasting using neural networks approach. This model is tested using actual load data of the Busan and weather data to predict the load of the Busan for one month in advance. The test results showed that the neural network forecasting approach is more suitable and efficient for a forecasting application.

• Environmental and Resource Economics Review
• /
• v.21 no.2
• /
• pp.341-369
• /
• 2012

Population aging has been one of the serious problems in Korea. Aging can affect social and economic features including energy consumption. This paper analyzed how population aging makes an effect on residential electricity demand. Yearly data from 1965 to 2010 were collected. The long and short-run demands for residential electricity were estimated with respect to Korean aging index. The results show that population aging reduces residential electricity demands in the short run significantly, but the effect decreases in the long run. However, population aging still negatively affects residential electricity consumption in long run. If population keep aging as Korean government expected, then the residential electricity demand per capita will grow less than 3%.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2019.10a
• /
• pp.813-816
• /
• 2019

최근 에너지 부족 문제 및 환경 문제의 해결수단으로 스마트 그리드가 많은 주목을 받고 있다. 스마트 그리드 기술은 에너지를 효율적으로 사용하는 데 도움을 주며, 이를 위해서는 더욱 정확한 전력수요 예측이 필요하다. 다양한 기계학습 기법 기반의 전력수요 예측 모델은 좋은 예측 성능을 보이지만 입력 변수의 개수가 증가할수록 처리해야 하는 데이터의 양이 기하급수적으로 증가한다는 단점이 존재한다. 또한, 불필요한 데이터를 입력 변수로 선정할 경우에는 모델의 정확도가 저하될 수도 있다. 이러한 문제를 해결하기 위해 다양한 특징 선택 기법들이 제안되었지만, 기존의 특징 선택 기법은 모델의 성능을 고려하지 않았기 때문에 실제 적용 시 오히려 모델의 성능이 저하될 수도 있다. 이에 본 논문은 유전 알고리즘을 기반으로 한 특징 선택 기법을 제안한다. 유전 알고리즘을 통해 각 모델에 맞는 최적의 입력 변수를 선택함으로써 빠른 학습 속도와 높은 정확도를 기대할 수 있다.

• The Transactions of the Korean Institute of Electrical Engineers A
• /
• v.54 no.10
• /
• pp.467-474
• /
• 2005

This paper presents a systematic method to compute a reliability measure for a short term electrical load forecasting system using neuro-fuzzy models. It has been realized that the reliability computation is essential for a load forecasting system to be applied practically. The proposed method employs a local reliability measure in order to exploit the local representation characteristic of the neuro-fuzzy models. It, hence, estimates the reliability of each fuzzy rule learned. The design procedure of the proposed short term load forecasting system is as follows: (1) construct initial structures of neuro-fuzzy models, (2) store them in the initial structure bank, (3) train the neuro-fuzzy model using an appropriate initial structure, and (4) compute load prediction and its reliability. In order to demonstrate the viability of the proposed method, we develop an one hour ahead load forecasting system by using the real load data collected during 1996 and 1997 at KEPCO. Simulation results suggest that the proposed scheme extends the applicability of the load forecasting system with the reliably computed reliability measure.

• Journal of IKEEE
• /
• v.23 no.3
• /
• pp.852-857
• /
• 2019

In order to manage the demand resources of project participants and to provide appropriate strategies in the virtual power plant's power trading platform for consumers or operators who want to participate in the distributed resource collective trading market, it is very important to forecast the next day's demand of individual participants and the overall system's electricity demand. This paper developed a power demand forecasting model for the next day. For the model, we used LSTM algorithm of deep learning technique in consideration of time series characteristics of power demand forecasting data, and new scheme is applied by applying one-hot encoding method to input/output values such as power demand. In the performance evaluation for comparing the general DNN with our LSTM forecasting model, both model showed 4.50 and 1.89 of root mean square error, respectively, and our LSTM model showed high prediction accuracy.

• Proceedings of the KIEE Conference
• /
• 2011.07a
• /
• pp.400-401
• /
• 2011

본 논문은 오피스 빌딩에서 최대 피크를 나타내는 여름철과 겨울철에 대한 부하사용량에 대해 신경회로망 알고리즘을 적용하여 일주일 단위를 예측하기 위한 단기예측 모델을 제시하였다. 2010년 7월~8월 사이의 최대전력사용량과 2010년 12월~2011년 1월 사이의 최대전력 사용량을 나타내는 시기에 온도, 습도, 풍속과의 연관성을 파악하기 위해 기후변화요소의 변수를 고려했을 때와 고려하지 않았을 때의 출력모델 비교를 통해 실제 전력사용 모델과 근접한 모델을 확인하였고 향후 최대부하 사용과 연관된 사용량 제어를 위한 알고리즘을 적용하여 전력사용량을 절약할 수 있는 방법을 시도하고자 한다.

• Proceedings of the KIEE Conference
• /
• 2005.11b
• /
• pp.142-144
• /
• 2005

본 연에서는 현재 전력거래소에서 사용하고 있는 단기수요예측 산법을 전력시장 운영환경에 대응 하도록 보다 정확하면서도 공정성이 보장되는 산법으로 개선하였다. 접근방법은 기존의 산법들을 면밀히 분석한 다음 산법의 개선과 매개변수의 튜닝을 통하여 예측정확도를 개선하였으며, 예측과정의 투명성을 확보하기 위하여 예측절차를 출력하는 기능을 포함하였다 예측정확도를 개선하기 위한 주요 방안으로 종합분석모형의 경우는 실적자료가 생길 때 마다 즉시 민감도가 갱신되도록 하였으며, 회귀분석모형은 분석과정에서 의미가 있는 자료만을 선택하도록 하였다. 또한 신경망 모형의 경우는 모의를 통하여 최적의 입력변수를 찾아 설정하였으며, 지식기반모형에서는 최근의 수요특성을 분석하여 새로운 규칙들로 구축하였다. 제안한 산법의 효용성을 평가하기 위하여 2004년도 실계통 자료를 대상으로 모의를 해 본 결과, 모든 산법에서 개선된 예측정확도를 나타내었다.

• Proceedings of the KIEE Conference
• /
• 2015.07a
• /
• pp.479-480
• /
• 2015

단기 전력수급계획 시 미리 전력수요를 예측하고, 또 그때의 공급능력을 산정하는 일은 계통운영 측면에서 매우 중요한 과업중 하나이다. 각 발전기들은 시험기준 온도에 맞는 정격용량 값을 갖고 있지만, 실제 기온의 변화에 따라 각기 다른 출력변화를 갖게 되므로 계통운영자는 공급능력 산정 시 이러한 온도의 영향을 고려할 필요가 있다. 본 논문에서는, 온도를 고려한 공급능력 산정방안을 과거 실적 데이터 분석을 통한 두 가지 방법으로 제시해 보았다.

• The Journal of the Korea institute of electronic communication sciences
• /
• v.14 no.5
• /
• pp.943-950
• /
• 2019

Machine learning can greatly improve the efficiency of work by replacing people. In particular, the importance of machine learning is increasing according to the requests of fourth industrial revolution. This paper predicts monthly power transactions using MLP, RNN, LSTM, and ANFIS of neural network algorithms. Also, this paper used monthly electricity transactions for mount and money, final energy consumption, and diesel fuel prices for vehicle provided by the National Statistical Office, from 2001 to 2017. This paper learns each algorithm, and then shows predicted result by using time series. Moreover, this paper proposed most excellent algorithm among them by using RMSE.