• 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.

• 한국정보통신학회논문지
• /
• 제15권2호
• /
• pp.447-454
• /
• 2011

전력선 잡음은 ECG 신호 분석에 있어 특정 구간의 왜곡을 발생시킬 수 있다. 특히 P와 R파와 같이 부정맥 진단에 중요한 요소가 되는 구간은 전력선 주파수가 샘플링 주파수의 배수(multiple)일 경우와 그렇지 않을 경우에 각각 다른 형태의 잡음으로 나타나며, 잡음의 특성 또한 선형과 비선형으로 나누어진다. 본 논문에서는 ECG 신호의 가변적인 전력선 잡음 제거를 위한 적응형 차감 기법을 제안한다. 제안한 방법은 먼저 전력선 주파수와 샘플링 주파수와의 배수 관계를 multiple과 non-multiple로 구분한 후 각 구간에 대한 선형성 여부를 판단한다. 이후 선형 구간은 이동평균 필터를 이용하여 잡음성분을 추출하고, 비선형 구간 잡음은 선형구간에서 추출되어 임시버퍼에 저장된 잡음 성분을 이용하여 추출한다. 제안한 기법의 P파와 R파 검출성능을 평가하기 위해 MIT-BIH 데이터베이스의 119번 레코드를 사용하였다. 실험 결과 기존 노치 필터의 경우 P파 97.91%, R파 96.66%, 제안한 차감기법의 경우 P파 99.01%, R파 97.93%의 검출결과를 나타내었다.