• 전기학회논문지
• /
• 제63권9호
• /
• pp.1186-1191
• /
• 2014

Weekly and monthly electric load forecasting are essential for the generator maintenance plan and the systematic operation of the electric power reserve. This paper proposes the weekly maximum electric load forecasting model for 104 weeks with the multiple regression model. Input variables of the multiple regression model are temperatures and GDP that are highly correlated with electric loads. The weekly variable is added as input variable to improve the accuracy of electric load forecasting. Test results show that the proposed algorithm improves the accuracy of electric load forecasting over the seasonal autoregressive integrated moving average model. We expect that the proposed algorithm can contribute to the systematic operation of the power system by improving the accuracy of the electric load forecasting.

• 대한전기학회:학술대회논문집
• /
• 대한전기학회 2011년도 제42회 하계학술대회
• /
• pp.199-200
• /
• 2011

Load forecasting is very important for power system analysis and planning. This paper suggests yearly load forecasting of considering weekly normalization and seasonal load characteristics. Each weekly peak load is normalized and the average value is calculated. The new hourly peak load is seasonally collected. This method was used for yearly load forecasting. The results of the actual data and forecast data were calculated error rate by comparing.

• 대한전기학회논문지:전력기술부문A
• /
• 제48권4호
• /
• pp.365-370
• /
• 1999

This paper describes the Weekly Load Forecasting Expert System(Named WLoFy) which was developed and implemented for Korea Electric Power Corporation(KEPCO). WLoFy was designed to provide user oriented features with a graphical user interface to improve the user interaction. The various forecasting models such as exponential smoothing, multiple regression, artificial nerual networks, rult-based model, and relative coefficient model also have been included in WLofy to increase the forecasting accuracy. The simulation based on historical data shows that the weekly forecasting results form WLoFy is an improvement when compared to the results from the conventional methods. Especially the forecasting accuracy on special days has been improved remakably.

• 대한전기학회논문지
• /
• 제45권4호
• /
• pp.511-516
• /
• 1996

In this paper, weekly maximum power demand forecasting method in consideration of temperature estimation using a time series model was presented. The method removing weekly, seasonal variations on the load and irregularities variation due to unknown factor was presented. The forecasting model that represent the relations between load and temperature which get a numeral expected temperature based on the past 30 years(1961~1990) temperature was constructed. Effect of holiday was removed by using a weekday change ratio, and irregularities variation was removed by using an autoregressive model. The results of load forecasting show the ability of the method in forecasting with good accuracy without suffering from the effect of seasons and holidays. Percentage error load forecasting of all seasons except summer was obtained below 2 percentage. (author). refs., figs., tabs.

• 조명전기설비학회논문지
• /
• 제28권1호
• /
• pp.50-56
• /
• 2014

Accurate midterm load forecasting is essential to preventive maintenance programs and reliable demand supply programs. This paper describes a midterm load forecasting method using autoregressive integrated moving average (ARIMA) model which has been widely used in time series forecasting due to its accuracy and predictability. The various ARIMA models are examined in order to find the optimal model having minimum error of the midterm load forecasting. The proposed method is applied to forecast 104-week load pattern using the historical data in Korea. The effectiveness of the proposed method is evaluated by forecasting 104-week load from 2011 to 2012 by using historical data from 2002 to 2010.

• 융합신호처리학회논문지
• /
• 제2권3호
• /
• pp.73-78
• /
• 2001

특수일 부하를 예측하기 위하여 BP 신경회로망 모형과 다중 회귀모형을 구성한다. 신경회로망 모형은 패턴 변환비를 이용하고, 다중회귀 모형은 평일 환산비를 이용하여 특수일 부하를 예측한다. 주간 피크 부하예측 모형에 패턴 변환비를 이용하여 짧고 긴 특수일 부하를 예측 한 결과 주간 평균 오차율이 1∼2[%]로 나와 본 기법의 적합성을 확인할 수 있다. 하지만, 패턴 변환비 방법으로는 하계의 특수일 부하 예측은 어려웠다. 따라서 기온-습도, 불쾌지수 등을 설명변수로 하는 다중 회귀 모형을 구성하고 평일 환산비를 이용하여 하계의 특수일 부하를 예측한다. 평일만의 예측 모형과 예측 결과를 비교해 보면 월 평균 오차율이 비슷하게 나와 이용한 방법의 적합성을 확인하였다. 그리고, 통계적 검정을 통해 구성한 예측 모형의 유효성을 입증할 수 있었다. 이로서 본 연구에서 제시한 특수일 부하를 예측하는 기법의 적합성을 확인함으로서 피크 부하 예측시 큰 난점 중의 하나가 해결되었다.

• 산업경영시스템학회지
• /
• 제39권1호
• /
• pp.25-30
• /
• 2016

It is critical to forecast the maximum daily and monthly demand for power with as little error as possible for our industry and national economy. In general, long-term forecasting of power demand has been studied from both the consumer's perspective and an econometrics model in the form of a generalized linear model with predictors. Time series techniques are used for short-term forecasting with no predictors as predictors must be predicted prior to forecasting response variables and containing estimation errors during this process is inevitable. In previous researches, seasonal exponential smoothing method, SARMA (Seasonal Auto Regressive Moving Average) with consideration to weekly pattern Neuron-Fuzzy model, SVR (Support Vector Regression) model with predictors explored through machine learning, and K-means clustering technique in the various approaches have been applied to short-term power supply forecasting. In this paper, SARMA and intervention model are fitted to forecast the maximum power load daily, weekly, and monthly by using the empirical data from 2011 through 2013. $ARMA(2,\;1,\;2)(1,\;1,\;1)_7$ and $ARMA(0,\;1,\;1)(1,\;1,\;0)_{12}$ are fitted respectively to the daily and monthly power demand, but the weekly power demand is not fitted by AREA because of unit root series. In our fitted intervention model, the factors of long holidays, summer and winter are significant in the form of indicator function. The SARMA with MAPE (Mean Absolute Percentage Error) of 2.45% and intervention model with MAPE of 2.44% are more efficient than the present seasonal exponential smoothing with MAPE of about 4%. Although the dynamic repression model with the predictors of humidity, temperature, and seasonal dummies was applied to foretaste the daily power demand, it lead to a high MAPE of 3.5% even though it has estimation error of predictors.

• 한국지능시스템학회논문지
• /
• 제14권5호
• /
• pp.533-538
• /
• 2004

본 논문은 뉴로-퍼지 모델의 구조 학습을 이용하여 단기 전력 수요 예측시스템을 개발하기 위한 체계적인 방법을 제안한다. 제안된 단기 수요 예측시스템은 1시간, 24시간, 168시간의 예측 리드 타임을 갖고 예측을 수행하기 위해서 요일 유형과 시간 별로 총 96개의 초기 구조를 미리 생성하고, 이를 초기 구조 뱅크에 저장한다. 예측이 수행되는 시점에 해당하는 초기구조를 선택하여 뉴로-퍼지 모델을 초기화하고, 학습하고, 예측을 수행한다. 제안된 예측시스템은 단지 2개의 입력 변수만을 이용하기 때문에 간단한 모델 구조를 가질 뿐 아니라 학습된 퍼지 규칙을 해석하는 것이 매우 용이하다는 장점을 갖는다. 제안된 방법의 실효성을 검증하기 위해 1996년과 1997년의 한극전력의 실제 전력 수요 데이터를 이용하여 1시간, 24시간, 168시간 앞의 전력 수요를 예측하는 모의 실험을 수행한다. 실험 결과 제안된 방법은 단지 2개의 입력 변수를 사용함에도 불구하고, 기존의 예측 방법과 비교하여 예측의 정확도와 신뢰도 측면에서 우수한 성능을 얻는다.

• 한국지능시스템학회:학술대회논문집
• /
• 한국퍼지및지능시스템학회 2004년도 춘계학술대회 학술발표 논문집 제14권 제1호
• /
• pp.283-287
• /
• 2004

본 논문은 뉴로-퍼지 모델의 구조 학습을 이용하여 단기 전력 수요 예측시스템을 개발하기 위한 체계적인 방법을 제안한다. 제안된 단기 수요 예측시스템은 1시간, 24시간, 168시간의 예측 리드 타임을 갖고 예측을 수행하기 위해서 요일 유형과 시간 별로 총 96개의 초기 구조를 미리 생성하고, 이를 초기 구조 뱅크에 저장한다. 예측이 수행되는 시접에 해당하는 초기 구조를 선택하여 뉴로-퍼지 모델을 초기화하고, 학습하고, 예측을 수행한다. 제안된 예측시스템은 단지 2개의 입력 변수만을 이용하기 때문에 간단한 모델 구조를 가질 뿐 아니라 학습된 퍼지 규칙을 해석하는 것이 매우 용이하다는 장점을 갖는다. 제안된 방법의 실효성을 검증하기 위해 1996년과 1997년의 한국전력의 실제 전력 수요 데이터를 이용하여 1시간, 24시간, 168시간 앞의 전력 수요를 예측하는 모의 실험을 수행한다. 실험 결과 제안된 방법은 단지 2개의 입력 변수를 사용함에도 불구하고, 기존의 예측 방법과 비교하여 예측의 정확도와 신뢰도 측면에서 우수한 성능을 얻는다.

• 대한전기학회:학술대회논문집
• /
• 대한전기학회 2001년도 하계학술대회 논문집 A
• /
• pp.323-326
• /
• 2001

본 논문은 뉴로-퍼지 모델의 구조 학습을 이용하여 단기 전력 수요 예측시스템을 개발하기 위한 체계적인 방법을 제안한다. 제안된 단기 수요 예측시스템은 1시간, 24시간, 168시간의 예측 리드 타임을 갖고 예측을 수행하기 위해서 요일 유형과 시간 별로 총 96개의 초기 구조를 미리 생성하고, 이를 초기 구조 뱅크에 저장한다. 예측이 수행되는 시점에 해당하는 초기 구조를 선택하여 뉴로-퍼지 모델을 초기화하고, 학습하고, 예측을 수행한다. 제안된 예측시스템은 단지 2개의 입력 변수만을 이용하기 때문에 간단한 모델 구조를 가질 뿐 아니라 학습된 퍼지 규칙을 해석하는 것이 매우 용이하다는 장점을 갖는다. 제안된 방법의 실효성을 검증하기 위해 1996년과 1997년의 한국전력의 실제 전력 수요 데이터를 이용하여 1시간, 24시간 168시간 앞의 전력 수요를 예측하는 모의 실험을 수행한다. 실험 결과 제안된 방법은 단지 2개의 입력 변수를 사용함에도 불구하고 기존의 예측 방법과 비교하여 예측의 정확도와 신뢰도 측면에서 우수한 성능을 얻는다.