• 응용통계연구
• /
• 제26권2호
• /
• pp.349-360
• /
• 2013

최근 일별 최대 전력수요 예측은 전력설비 계획 및 운용에 매우 중요한 사안으로 주목받고 있다. 본 연구는 일별 최대 전력수요 예측을 위하여 대표적 시계열 모형을 소개하고, 예측의 성능 비교를 위하여 RMSE(Root mean squared error)와 MAPE(Mean absolute percentage error)를 사용한다. 연구결과로 보완된 Holt-Winters 모형과 Reg-ARIMA 모형이 다른 모형에 비하여 우수한 예측 성능을 보였다.

• 응용통계연구
• /
• 제32권1호
• /
• pp.161-171
• /
• 2019

일별 최대전력 수요 예측은 국가의 전력 수급운영에 중요한 과제로서 과거부터 다양한 방법들이 끊임없이 연구되어 왔다. 일별 최대전력 수요를 정확히 예측함으로써 발전설비에 대한 일일 운용계획을 작성하고 효율적인 설비 운용을 통해 불필요한 에너지 자원의 소비를 감소하는데 기여할 수 있으며 여름 겨울철 냉난방수요로 인해 발생하는 전력소비 과다로 인한 전력예비율 감소 문제 등에 선제적으로 대비할 수 있는 장점을 가진다. 이러한 일별 최대전력수요 예측을 위하여 본 논문에서는 Seasonal ARIMA, TBATS, Seasonal Reg-ARIMA, NNETAR 모형에 평일, 주말, 특수일에 대한 효과와 온도에 대한 영향을 함께 고려하여 다음날의 일별 최대전력을 예측하는 모형을 연구하였다. 본 논문을 통한 모형들의 예측 성능 평가 결과 요일, 온도를 고려할 수 있는 Seasonal Reg-ARIMA 모형과 NNETAR 모형이 이를 고려할 수 없는 다른 시계열 모형보다 우수한 예측 성능을 나타내었고 그 중 인공신경망을 활용한 NNETAR 모형의 예측 성능이 가장 우수하였다.

• 인터넷정보학회논문지
• /
• 제21권5호
• /
• pp.119-127
• /
• 2020

국내 전기차 (EV: Electric Vehicle) 시장이 성장함에 따라, 빠르게 증가하는 EV 충전 수요에 대응하기 위한 충전설비의 확충이 요구되고 있다. 이와 관련하여, 종합적인 설비 계획을 수립하기 위해서는 미래 시점의 충전 수요량을 예측하고 이를 바탕으로 전력설비 부하에 미치는 영향을 체계적으로 분석하는 것이 필요하다. 본 논문에서는 한국전력공사의 EV 충전 데이터를 이용하여 충전소 단위의 일별최대부하를 예측하는 LSTM(Long Short-Term Memory) 신경망 모델을 설계 및 개발한다. 이를 위해, 먼저 데이터 전처리 및 이상치 제거를 통해 정제된 데이터를 얻는다. 다음으로, 충전소 단위의 일별 특징들을 추출하여 훈련 데이터 집합을 구성하여 일별 최대 전력부하 예측 모델을 학습시킨다. 마지막으로 충전소 유형 별 테스트 집합을 이용한 성능 분석을 통해 예측 모델을 검증하고 이의 한계점을 논의한다.

• 응용통계연구
• /
• 제27권5호
• /
• pp.843-853
• /
• 2014

급증하고 있는 전력수요에 대한 신뢰성 있는 예측은 합리적인 전력수급계획 수립 및 운용에 있어서 매우 중대한 사안이다. 본 논문에서는 여러 시계열 모형의 비교를 통해 전력수요량과 밀접한 연관성이 있는 온도를 어떠한 형태로 고려할 것인지, 또한 4계절이 뚜렷하여 계절별 기온 차가 많이 나는 우리나라의 특성을 어떻게 고려할 것인지에 대하여 연구하였다. 모형 간 예측력을 비교하기 위하여 Mean Absolute Percentage Error(MAPE)를 사용하였다. 모형의 성능비교 결과는 냉 난방지수와 계절요인을 동시에 고려하면서 큰 변동성을 잘 고려해줄 수 있는 Reg-AR GARCH 모형이 가장 우수한 예측력을 나타냈다.

• 전기학회논문지P
• /
• 제63권3호
• /
• pp.189-194
• /
• 2014

Due to the increasing of power consumption, it is difficult to construct accurate prediction model for daily peak power demand. It is very important work to know power demand in next day for manager and control power system. In this research, we develop a daily peak power demand prediction method based on hybrid type composed of AR and Neuro-Fuzzy model. Using data sets between 2006 and 2010 in Korea, the proposed method has been intensively tested. As the prediction results, we confirm that the proposed method makes it possible to effective estimate daily peak power demand than conventional methods.

• 전기학회논문지P
• /
• 제63권4호
• /
• pp.307-311
• /
• 2014

Due to the increasing of power consumption, it is difficult to construct accurate prediction model for daily peak power demand. It is very important work to know power demand in next day for manager and control power system. In this research, we develop a daily peak power demand prediction method considering of characteristics of day of week. The proposed method is composed of liner model based on AR model and nonlinear model based on ELM to resolve the limitation of a single model. Using data sets between 2006 and 2010 in Korea, the proposed method has been intensively tested. As the prediction results, we confirm that the proposed method makes it possible to effective estimate daily peak power demand than conventional methods.

• 전기학회논문지P
• /
• 제62권4호
• /
• pp.169-174
• /
• 2013

Due to the increase of power consumption, it is difficult to construct an accurate prediction model for daily peak power demand. It is very important work to know power demand in next day to manage and control power system. In this research, we develop a daily peak power demand prediction method based on Extreme Learning Machine(ELM) with fast learning procedure. Using data sets between 2006 and 2010 in Korea, the proposed method has been intensively tested. As the prediction results, we confirm that the proposed method makes it possible to effective estimate daily peak power demand than conventional methods.

• 농업생명과학연구
• /
• 제46권5호
• /
• pp.143-152
• /
• 2012

본 연구에서는 온실 운영에 필요한 전력량을 확보함으로서 온실경영비 절감을 목적으로 수평면 일사량, 즉 최대 일사량이 각각 300, 400, 500, 600, 700, 800 및 $900W{\cdot}m^{-2}$ 정도인 날을 기준으로 최대 발전량과 시간의 경과에 따른 태양광발전시스템의 성능을 시험적으로 검토하였다. 태양광발전시스템의 순간 발생전력은 약 970 W정도로서 본 시험에 이용한 태양광발전시스템의 순간 효율은 97% 정도인 것을 알 수 있었다. 본 시스템의 경우, 수평면 일사량이 최소한 $200W{\cdot}m^{-2}$ 이상이 되어야 전력이 발생되는 것을 알 수 있었다. 수평면 일사량이 증가하면 최대 발생전력도 증가하였고, 이 때 최대효율은 각각 약 30, 78, 86 및 90% 정도였다. 그러나 일사량이 약 $800W{\cdot}m^{-2}$정도가 되면 최대 발생전력은 오히려 $700W{\cdot}m^{-2}$ 보다 감소하는 경향이 있었다. 최대전력이 발생되는 효율도 순간 발생전력 97%정도보다 감소하였다. 그리고 일별 수평면 총일사량이 각각 3.24, 8.10, 10.90, 12.70, 14.33, 19.53 및 $21.48MJ{\cdot}m^{-2}$정도 일 때, 총 발생전력량은 각각 0.03, 0.40, 3.60, 4.37, 4.71, 4.70 및 4.91 kWh정도로서 어느 일사량을 경계로 총 발생전력량은 조금 감소하거나 증가하였다. 어레이 배면온도가 전면온도보다 높게 나타나는 경향이 있지만, 일사량이 증가하면 어레이 배면온도도 증가하는 것으로 나타났다. 본 시스템의 경우, 아직까지 모듈의 성능저하는 없는 것으로 나타났다.

• 전기학회논문지
• /
• 제67권1호
• /
• pp.96-102
• /
• 2018

For efficient operating strategy of electric power system, forecasting of daily peak electric load is an important but difficult problem. Therefore a daily peak electric load forecasting system using a neural network and fuzzy system is presented in this paper. First, original peak load data is interpolated in order to overcome the shortage of data for effective prediction. Next, the prediction of peak load using these interpolated data as input is performed in parallel by a neural network predictor and a fuzzy predictor. The neural network predictor shows better performance at drastic change of peak load, while the fuzzy predictor yields better prediction results in gradual changes. Finally, the superior one of two predictors is selected by the rules based on rough sets at every prediction time. To verify the effectiveness of the proposed method, the computer simulation is performed on peak load data in 2015 provided by KPX.