• 전기전자학회논문지
• /
• 제22권3호
• /
• pp.822-828
• /
• 2018

최근 전력 사용량의 증가로 인한 대규모 블랙아웃 등 에너지 문제가 대두되고 있으며, 이 문제들로 인해 전력 소비량 예측에 대한 정확도를 개선할 필요성이 부각되었다. 본 연구에서는 딥 러닝 기반의 전력 사용량 예측 실험을 통해서 실제 전력 소비량과 예측된 전력 소비량의 차이를 계산하고, 이를 통해서 전력 예비율을 기존 대비 하향 조정할 수 있는 가능성에 대해서 살펴본다. 예비 전력은 사용하지 않으면 손실되는 전력으로, 본 논문에서의 딥 러닝 기반 전력 소비량 예측을 통해서 여분의 전력을 과도하게 생산하지 않도록 오차범위 내에서 전력 예비율을 감소시킬 수 있는 기반을 마련할 수 있다. 본 논문에서 사용하는 딥 러닝 기법은 시계열 데이터를 처리하는 Long-Short-Term-Memory(LSTM) 구조의 학습 모델을 이용한다. 컴퓨터 시뮬레이션에서는 임의 생성한 전력 소비 데이터를 토대로 모델을 학습시키고, 학습된 모델을 토대로 전력 사용 예측값을 구하고 실제 전력 소비량 간에 오차를 계산한 결과 오차율 21.37%를 얻을 수 있었다. 이는 최근의 전력 예비율 45.9%를 고려할 때, 본 연구에서 제안한 전력 소비량 예측 알고리즘을 적용하는 경우 20% 포인트 정도의 예비율 감축이 가능하다.

• 한국수자원학회논문집
• /
• 제31권3호
• /
• pp.317-326
• /
• 1998

시계열자료의 분해능력이 뛰어난 wavelet 변환을 사용하여 물소비특성을 분석하였다. Wavelet 변환의 기저함수로는 물수요량의 경우 Coiflets5 함수, 기온측정치의 경우 Coiflets3 함수를 사용하였으며 해석결과 212 scale에서 목표된 장기간에 걸친 변화추이는 hyperbolic tangent 함수의 형태로 전기간에 걸처 꾸준한 증가세를 보였다. 또한 절기혹은 경기주기와 밀접한 관련이 있을 것으로 생각되는 추가수요가 6월과 12월말을 정점으로 발생하였으며 이 추가 수요량은 하절기의 경우 $1,700\;\textrm{cm}^3/hr$, 동절기의 경우 $500\;\textrm{cm}^3/hr$ 정도인 것으로 관측되었다. 정수장 생산량 시계열자료에 내재한 주기성분은 주기가 각각 3.13day, 33.33 hr, 23.98hr와 12hr인 것으로 규명되었다. 진폭은 주기가 23,98hr인 성분이 가장 큰 것으로 밝혀졌으며 2i[i = 1,2,…12] scale에서 목도된 단주기성분들은 Gaussian PDF를 따르는 것이 확인되엇다. 잔차성분의 상호독립성, 자색파여부와 FPE의 최소화를 기준으로 할 경우 물수요량의 최적예측모형으로는 기온을 입력자료로한 다원 AR[32, 16, 23]과 다원 ARM [20, 16, 10, 23]인 것으로 판단된다.