ESS 용량 산정을 위한 다층 퍼셉트론을 이용한
풍력 발전량 예측
최정곤ㆍ최효상*
Prediction of Wind Power Generation for Calculation of ESS Capacity
using Multi-Layer Perceptron
Jeong-Gon ChoiㆍHyo-Sang Choi* 요 약 본 논문에서는 풍력 발전 수익 극대화 및 비용 최소화를 위해 설치하는 ESS에 대하여 정확한 용량 산정을 하기 위한 목적으로 풍력 단지용 전력량 예측을 다층 퍼셉트론을 이용하여 수행한다. 풍력 발전량을 예측하기 위해 풍속, 풍향, 공기밀도를 변수로 하고 그 변수를 병합하고 정규화한다. 모델을 훈련시키기 위해 병합된 변 수를 70% 대 30% 비율로 훈련 및 테스트 데이터로 나눈다. 그런 다음 학습 데이터를 사용하여 모델을 학습 시키고 테스트 데이터를 사용하여 모델의 예측 성능도 평가한다. 마지막으로 풍력량 예측 결과를 제시한다. ABSTRACT
In this paper, we perform prediction of amount of electric power plant for complex of wind plant using multi-layer perceptron in order to calculate exact calculation of capacity of ESS to maximize profit through generation and to minimize generation cost of wind generation. We acquire wind speed, direction of wind and air density as variables to predict the amount of generation of wind power. Then, we merge and normalize there variables. To train model, we divide merged variables into data as train and test data with ratio of 70% versus 30%. Then we train model by using training data, and we alsouate the prediction performance of model by using test data. Finally, we present the result of prediction in amount of wind power.
키워드
Deep Learning Wind Power, ESS, Prediction, Multi-Layer Perceptron 머신 러닝, 풍력발전, 에너지저장장치, 다중 퍼셉트론, 전력량, 예측 조선대학교([email protected]) *교신저자: 조선대학교 전기공학과 ㆍ접 수 일 : 2021. 02. 26 ㆍ수정완료일 : 2021. 03. 23 ㆍ게재확정일 : 2021. 04. 17
ㆍReceived : Feb. 26, 2021, Revised : Mar. 23, 2021, Accepted : Apr. 17, 2021 ㆍCorresponding Author : Hyo-Sang Choi
Chosun University, Electrical Engineering. Email : [email protected]
Ⅰ. 서 론
신재생 에너지는 화석에너지의 고갈과 지구 온난화 등 에너지 자원 문제에 대한 해결책의 하나로 현재 가장 많이 사용되고 있는 에너지 자원의 하나로서 태 양광 발전과 풍력 발전이 이를 대표하고 있고, 연구되 고 있다. 우리나라는 재생에너지 확대, 보급 정책인 " 재생에너지 3020 이행계획"을 진행하고 있으며, 신재 생 에너지 발전 비중을 20% 이상으로 늘리는 목표로 하고 있다. 특히, 풍력발전의 경우 2030년까지 전체 http://dx.doi.org/10.13067/JKIECS.2021.16.2.319발전설비 용량의 6.2%를 목표로 하고 있다[1]. 풍력 발전은 불규칙인 자연의 바람을 이용하여 발 전하므로 주로 일사량이 많은 주간에 주로 발전하고 밤과 비가 오는 날에는 발전하지 못하는 태양광 발전 에 비해 발전 시간에 제약을 받지 않는다는 장점을 가진다. 그러나 풍력 발전에 가장 큰 영향을 주는 풍 속과 풍향은 일정한 패턴을 갖고 있지 않아 발전량이 풍향과 풍속에 따라 매우 불안정하여 바로 계통에 투 입하면 계통 전압과 주파수가 크게 변동되는 등 전력 품질 관련하여 많은 문제들을 갖고 있어 실제계통에 서는 이러한 문제점을 해결하기 위해 에너지 저장장 치인 ESS(Energy storage system) 기술이 도입되어 사용하고 있다. 특별히 ESS 발전량이 일정하지 않은 풍력발전과 주간을 중심으로 발전하는 태양광 발전이 전력계통에 미치는 영향이 크므로 반드시 필요한 장 치이다. ESS는 에너지를 저장하여 수요자가 필요한 시점에만 공급하는 장치로 계통의 신뢰성을 높일 수 있다는 장점을 가지고 있지만 시설비용과 유지관리 비용이 많이 들어간다는 문제점이 있다. 풍력 발전의 전체적인 발전에 소요되는 비용을 최소화하고 발전을 통하여 얻어지는 비용을 최대화하기 위해서는 최적의 ESS 용량 산정이 필요하다. 또한 최적의 ESS 용량을 산정하기 위해서는 풍력 발전에서 일정 기간 단위별 로 생산되는 발전량에 대한 정확한 예측이 필요하다. 풍력 발전 예측[2-5]는 시간 단위에 따라 장기
(long term), 단기(short term) 그리고 초단기
(immediate short term)의 3가지로 분류할 수 있다. 전력 네트워크의 유지 및 관리가 목적을 위해서는 장 기예측, 풍력 발전의 품질과 합리적인 계획 운영 등을 목적으로는 단기예측, 실시간 전력 운영 관리 및 풍력 발전기의 터빈의 상태 확인 등을 목적으로 초단기 예 측을 사용하고 있다. 장기 출력 예측을 위한 연구로 제주도 풍력발전단 지의 월 단위 출력을 예측하였다[6]. 이 연구는 공간 모델링 기법 중 하나인 정규 크리깅을 이용하여 예측 하였으며, 예측 데이터와 실측 데이터의 유사성과 상 관관계가 높음을 확인하였으나 일부 예측에서는 오차 가 다소 크게 발생하였다. 이 연구는 월 데이터를 사 용하여 풍력을 예측하여 네트워크의 유지 관리의 목 적에 사용될 수 있지만, 풍력 발전의 품질과 합리적으 로 계획할 때는 사용될 수 없을 것으로 보인다. 단기 풍력 발전 예측모델로 제주도의 발전단지의 발전량을 예측한 연구가 있으며[7], 이 연구는 효율적인 단기 풍력 발전 예측모델을 생성하기 위해 취득한 데이터 인 발전량, 풍력, 풍향, 발전 변동량 중에서 최적의 입 력 데이터는 발전량, 풍향, 풍속이라고 지정하였다. 풍 속과 풍향은 해당 지역에 영향에 받고 해당 지역의 발전 데이터를 사용하면 정확도가 높지만, 입력 데이 터를 해당 지역의 풍력 발전량을 사용하여 풍력 발전 량을 예측하였다고는 볼 수 없다는 문제점을 가지고 있다. 따라서 풍력발전의 품질과 합리적인 운영 관리 를 위해 풍력, 풍향, 공기밀도에 대한 일일 데이터를 사용하여 풍력 발전의 발전량을 예측하는 것이 필요 하다. 또한 ESS 도입으로 인한 경제적인 ESS 용량 산정을 위해서 정확한 풍력 발전량 예측이 필요한 실 정이다. 이에 본 논문은 풍력발전의 발전비용 최소화와 발 전을 통한 이익을 최대화를 위해서 정확한 ESS 용량 산정에 필요한 풍력발전 단지의 발전량 예측을 딥러 닝의 가장 기본적인 다층 신경망(multi-layer perceptron)을 이용하여 수행한다. 예측 모델은 강원 도 대관령 풍력발전 단지의 기존 발전량 데이터를 이 용한다. 풍력 발전 예측을 위한 변수로서 강원도 대관 령 풍력발전 단지의 풍속, 풍향 그리고 공기밀도를 기 상청으로부터 취득하여 이를 병합한 뒤 각 변수들을 정규화하여 적용한다. 딥러닝 알고리즘의 가장 기본적 인 MLP 알고리즘을 이용해 모델을 생성하고 입력과 출력 노드를 입력 변수와 풍력발전량에 맞게 설계한 다. 모델을 학습시키기 위해 병합된 데이터를 학습, 시험 데이터로 70:30 으로 분리한 뒤 학습 데이터로 모델을 학습하고 시험 데이터로 모델의 예측 성능을 평가하고 그 결과를 제시한다.
Ⅱ. 풍력 발전의 특성 및 요인 분석
2.1 풍력 발전 본 논문에서는 대관령 풍력 발전의 특성 및 요인을 중심으로 분석한다. 대관령은 태백산맥 줄기의 큰 고 개로서 해발 900m 이상에 풍력 발전 단지를 조성했 다. 이 지역은 고산지대로서 바람의 양이 많고 다른 지역과 달이 풍속과 풍향이 일정하여 발전하기에 좋은 여건을 가지고 있다. 대관령 풍력발전소는 국내 최 대 규모의 풍력발전 단지로서 98MW급 Vestas의 V80/2000을 사용하고 있다. 총 49기의 풍력발전기가 설치되어 있으며, 1기당 2MW이고, 터빈 Hub의 높이 는 78m이다. 대관령 풍력단지의 주요 사양을 표 2에 나타내었다1). 일반적으로 전력 곡선 그래프는 평균 풍속에 따른 발전량을 나타내며 풍력 발전기의 특징을 잘 나타내 는 요인으로 풍력 발전의 예측을 위해서는 필수적으 로 분석하는데 사용한다. 대관령 풍력 발전기인 V80/2000의 발전 가능 최소 풍속은 4m/s 이며 정격 풍속은 15m/s, 최고 발전량은 2,000kW로 알려져 있 다. 임을 알 수 있다. 즉 대관령에 설치된 풍력 발전 기에서 발전을 위해서는 최소 풍속 4m/s가 불어야하 며, 15 m/s 이상에서는 발전량이 일정하게 포화된다. 또한 25 m/s 이상에서는 발전이 자동 정지된다는 의 미이다. Parameter Data Rated power 2,000 [kW] Cut-in wind speed 4.0 [m/s]
Rated wind speed 16 [m/s] Cut-out wind speed 25 [m/s] Operating temperature -20 to 40 [°C]
Rotor diameter 80 [m] Rotor swept area 5,027 [m
] Operational interval 10.8 to 19.1 [rpm]
Blade length 39 [m] Electrical frequency 50/60 [Hz]
표 1. V80/2000의 데이터시트 Table 1. Data sheet of V80/2000
풍력발전 예측을 위해서는 기존 발전량에 대한 학 습이 필요하므로 발전량 데이터 취득이 필요하다. 풍 력 발전량은 대관령 풍력발전단지에서 취득하였으며, 2018년 1월 1일부터 2019년 12월 31일 까지 2년간의 발전량 데이터를 취득을 하였으며 단위는 MWh 이 다. 그림 1은 풍력 발전소에서 취득한 일별 풍력발전 량을 나타내며 단위는 [MWh]이다. 그림 1. 대관령 풍력발전소에서 취득한 일별 풍력 발전량
Fig. 1 Daily wind power generation obtained from Daegwallyeong wind power plant 3.2 풍속, 풍향 풍속, 풍향은 풍력 발전을 예측하는데 반드시 필요 한 요소이다. 일반적으로 풍속과 풍향은 종관기상관측 장비(ASOS)로 측정되었으며 풍속과 풍향의 실측 위 치는 남동쪽으로 이격 거리는 2.64km 만큼 위치하고 있다[9]. 그림 2는 평창군 대관령면에 위치한 기상 관 측소에서 취득한 일일 평균 풍속을 나타내며 단위는 [m/s]이다. 그림 2. 대관령 기상 관측소에서 취득한 일일 평균 풍속
Fig. 2 Average daily wind speed acquired from the Daegwallyeong Meteorological observatory 그림 3은 기상 관측소에서 취득한 일일 평균 풍향 을 나타내며 단위는 [° ]이다.
그림 3. 대관령 기상 관측소에서 취득한 일일 평균 풍향 Fig. 3 Average wind direction obtained from the
Daegwallyeong Meteorological observatory 그림 4는 2018년부터 2019년까지의 일일 평균 풍향 을 16 방위로 계산하여 풍향 횟수를 분석하여 그래프 로 나타내었고, 그림 5는 백분율로 나타내었다.
그림 4. 풍향과 풍향 발생 빈도 그래프 Fig. 4 Graph of wind direction and number of wind
direction.
그림 5. 풍향과 풍향 발생 빈도의 백분율 그래프
Fig. 5 Percentage graph of wind direction and frequency of wind direction occurrence
그림 4와 그림 5로부터 2018년부터 2019년까지 서 풍이 196번으로 가장 많이 발생하였으며 북북동풍이 두 번째로 많이 발생하였다는 것을 알 수 있다. 3.3 공기밀도 풍력 에너지는 에너지 밀도로 평가할 수 있으며 이 는 공기의 이동에너지로 평가할 수 있다. 공기의 이동 에너지는 공기밀도에 비례하고 풍속의 세제곱에 비례 한다[10]. 식 (1)은 공기의 이동에너지에 관한 공기밀 도와 풍속의 관계를 나타낸다. Eai r Wm (1) 여기서,
는 공기밀도를 나타내고
는 풍속을 나 타낸다. 공기밀도는 현지 기압에 비례하고 기온에 반비례한 다. 식(2)은 공기밀도에 관한 기압과 기온의 관계를 나타낸다[11]. kgm (2) 여기서 는 현지 기압을 나타내고 는 기온을 나 타낸다.Parameters Units Min Max Difference Average Standard deviation
Wind power MWh 0.0 79.57 79.57 16.59 18.12
Wind speed ms 0.43 10.31 9.88 3.20 1.88
Wind direction Degree 32.91 301.25 268.35 181.6 82.21
Temperature Celsius -19.42 26.10 45.5 7.74 10.27
Atmospheric
pressure Pa 909.32 939.62 30.30 926.64 5.27
표 2. 취득한 데이터의 통계 분석표 Table 2. Statistical analysis of acquired data
우리는 공기밀도를 계산하기 위해 기상 관측소에서 현지기압과 기온을 취득하였다. 그림 6은 기상 관측소 에서 취득한 일별 평균 기온과 일별 평균 대기압을 나타낸다.
그림 6. 일별 평균 기온과 일별 평균 대기압 Fig. 6 Daily average temperature and daily average
atmospheric pressure 한국은 4계절이 뚜렷하며 계절적 변화의 주기적 특 성이 크기 나타난다. 1월이 가장 낮고 8월이 가장 높 으며, 봄은 빠르게 기온이 상승하고, 여름 이후에는 기온이 하강하며 겨울에는 기온이 영점 이하로 떨어 진다. 우리나라 기압의 특징은 여름과 겨울이 다르다. 겨울은 북쪽이 낮으며 남쪽이 높고, 여름은동쪽이 낮 고 서쪽이 높은 패턴을 가진다. 우리나라의 동쪽에 자 리잡은 대관령은 겨울은 고기압, 여름은 저기압의 형 태로 나타난다. 그림 7은 취득한 일별 평균 기온과 일 별 평균 기압을 식(2)에 적용하여 계산한 공기밀도를 나타낸다. 그림 7. 일별 평균 공기밀도 Fig. 7 Daily average air density 3.4 취득 데이터의 분석 표 3은 취득한 데이터의 통계적 분석표를 나타낸 다. 풍력발전량은 평창군 대관령면에 위치한 풍력발전 소에서 취득하였고 대관령면의 풍속, 풍향, 기온 그리 고 대기압은 강원도 평창군 대관령면에 위치한 기상 관측소의 종관기상관측장비(ASOS)로 취득하였다. 취 득한 데이터는 모두 하루 평균을 나타내며 하루 단위 로 하루 단위로 구성하고 있다.
Ⅵ. 입력 변수의 사전처리 및 모델 구성
4.1 입력 변수의 사전 처리 모델을 학습할 때는 입력 변수들 간의 스케일이 심 하게 차이나는 문제를 피하기 위해 정규화를 적용할 필요가 있다. 모델의 학습 성능을 높이기 위해 각 입 력변수마다 정규화(normalization)를 적용하여 입력 변수간의 최대, 최솟값을 0과 1로 통일하였다. 식(3)은정규화 수식을 나타낸다. m i n m ax m ax m i n m i n (3) 여기서
는 변수를 나타내며 m i n은 의 최솟값을 나타내고, m ax는 의 최댓값을 나타낸다. 4.2 모델 구성 모델 구성은 MLP 알고리즘을 이용하여 구성한다. MLP는 퍼셉트론으로 이루어진 층 여러 개를 순차적 으로 붙인 형태이며 입력층, 은닉층, 출력층으로 구성 되어 있다[12]. 입력층은 변수의 입력값을 입력하는 역할을 하고 출력층은 최종 출력을 나타낸다. MLP는 주어진 입력을 다음 층으로 전달하는 역할을 한다. 여 기에서 입력 값들을 식(4)로 나타낸다. ⋯ (4) 입력층의 노드는
로 나타내며, 입력층에서 다음 층으로 연결되는 선의 가중치는
로 나타내고 편향 은 로 나타낸다. 식(5)는 이전 노드와의 관계식을 나 타낸다. × (5) 여기서, 는 n번째 노드를 나타내고 은 번째 노드를 나타낸다. 다층 퍼셉트론은 여러 개의 은닉층을 가질 수 있 다. 그림 8은 MLP의 구성도를 나타낸다. 그림 8. MLP의 구성도 Fig. 8 Configuration of MLP 모델을 학습하면 학습 데이터에 대한 높은 정확도 를 보이나 모델을 성능을 확인하기 위해 시험 데이터 를 적용하면 모델의 정확도가 낮게 나타나는 경우가 있다. 이를 과적합이라고 하며 이를 피하기 위해 drop out이 제시되었으며 기존의 방식들보다 효과적으로 과적합에 대한 문제를 해결 할 수 있다고 하였다[13]. 본 연구는 풍력, 풍향, 공기밀도를 입력변수로 사용 하여 풍력발전량을 예측하였으며 은닉층은 2개의 층 으로 구성하였고 각 층마다 20개의 노드를 구성하였 다. 또한 과적합을 피하기 위해 각 은닉층 마다 40% 의 drop out을 적용하였으며 마지막 출력 값은 0보다 작은 값은 0으로 치환하기 위해 ReLU 함수를 적용하 였다. 그림 9는 본 논문에 사용된 모델의 구성도를 나 타낸다. 그림 9. 모델의 구성도 Fig. 9 Configuration of model 4.3 머신러닝의 예측을 위한 파이프라인그림 10은 본 논문의 풍력발전량의 예측을 위한 파 이프라인을 나타낸다.
그림 10. 풍력발전량의 예측을 위한 파이프라인 Fig. 10 Pipelines for predicting wind power generation
본 연구는 강원도 대관령 풍력발전 단지의 발전량 을 예측한다. 이를 위해 대관령 풍력발전단지에서 2018년부터 2019년까지의 일일 평균 풍력발전량 데이 터를 취득하였으며, 풍력발전을 예측하기 위한 입력 변수를 풍속, 풍향 그리고 공기밀도로 지정하였다. 모 델의 학습 성능을 높이기 위해 입력 변수에 정규화를 적용하였으며 모델의 성능을 평가하기 위해 학습, 시 험 데이터로 분리하였으며 비율은 70:30이다. 그림 11 은 학습, 시험 데이터로 분리된 풍력발전 그래프를 나 타낸다. 파란색 그래프는 학습 데이터를 나타내고 빨 간색 그래프는 시험 데이터를 나타낸다. 그림 11. 학습, 시험 데이터로 분리된 풍력발전 그래프
Fig. 11 Graph of wind power generation separated by learning data and test data
학습 데이터로 모델을 학습하고 시험 데이터로 풍 력발전량을 예측한 다음, 오차 측정 방법인 RMSE와 MAPE를 예측값에 적용하여 모델의 성능을 측정한 다.
Ⅳ. 예측 결과
그림 12는 학습 데이터인 2018년 1월 1일부터 2019 년 5월 31일까지의 풍력 발전량의 예측값과 실측값을 나타낸다. 청색 그래프는 모델의 예측값을 나타내고 회색 그래프는 실측값을 나타낸다. 그림 13은 시험 데 이터인 2019년 6월 1일부터 2019년12월 31일까지의 풍력 발전량의 예측값과 실측값을 나타낸다. 적색 그 래프는 모델의 예측값을 나타내고 회색 그래프는 실 측값을 나타낸다. 그림 12. 학습 데이터의 풍력 발전량 예측값과 실측값 Fig. 12 Predicted value and actual measurement valueof wind generation in train data
그림 13. 시험 데이터의 풍력 발전량 예측값과 실측값 Fig. 13 Predicted value and actual measurement value
of wind generation in test data
그림 14는 학습, 시험 데이터의 풍력 발전량과 풍 속의 관계 그래프를 나타내며 파란색 점은 학습 데이 터를 나타내고 빨간색 점은 시험 데이터를 나타낸다.
그림 14. 학습 데이터와 시험 데이터의 풍력 발전량과 풍속의 관계 그래프
Fig. 14 Graph of the relationship between wind power generation and wind speed for train data and test data
표 3은 학습 데이터로 예측한 값과 시험 데이터로 예측한 값의 RMSE와 MAPE를 나타낸다.
Train data Test data
RMSE 11.968 9.543
MAPE 8.232 6.158
표 3. 학습 데이터와 시험 데이터의 오차 Table 3. Error of train data and test data
학습 데이터의 예측이 시험 데이터의 예측보다 낮 게 측정이 되었다. 분석 결과 V80/2000의 발전 가능 풍속인 4[m/s]를 넘은 풍속일 때 발전량이 0[MWh]인 데이터들이 존재하였으며 학습 데이터에 존재하였다. 이러한 이유로 시험 데이터가 학습 데이터보다 오차 가 낮게 측정된 것으로 판단된다.
Ⅴ. 예측 결과
본 연구는 풍력발전의 발전비용 최소화와 발전을 통한 이익을 최대화를 위해서 필요한 정확한 ESS 용 량산정을 위한 풍력발전 단지의 발전량 예측을 딥러 닝 모델 중 하나인 MLP 모델을 이용하여 수행하였 다. 사용된 입력 변수로는 풍속, 풍향 그리고 공기밀 도이며, 모델은 MLP 알고리즘과 ReLU 함수를 사용 하였으며 모델의 과적합을 피하기 위해 각 은닉층마 다 40%의 drop out을 적용하였다. 예측 결과 학습데 이터의 예측이 시험 데이터의 예측보다 낮게 측정되 었으며 이는 학습 데이터의 데이터가 비정상적인 데 이터가 존재하여 학습데이터의 예측이 더 낮게 나온 것으로 판단된다. 따라서 비정상적인 데이터가 줄어들 면 예측 확률은 높아질 것으로 예상한다.References
[1] Y. Lee, H. Kim, Y. Park, S. Park, J. Park, and Y. Kang, “Direction for the Mid- and Long-Term Development for Expanding Renewable Energy and Responding to Future Environmental Changes: Current Status and Direction of Onshore Wind Power,” Korea environment institute report, 2020, pp. 1-101.
[2] Z. Dongmei, Z. Yuchen, and Z. Xu, "Research on wind power forecasting in wind farms," 2011
IEEE Power Engineering and Automation
Conference, 2011.
[3] X. Wang, P. Guo, and X Huang, "A review of wind power forecasting models," Energy procedia
12, 2011, pp. 770-778.
[4] M. Lange and U. Focken, "New developments in wind energy forecasting," IEEE power and energy
society general meeting-conversion and delivery of electrical energy in the 21st century, vol. 24, no. 3,
2008, pp. 1-8.
[5] G. Giebel, R. Brownsword, G. Kariniotakis, M. Denhard, and C. Draxl, “The state-of-the-art in short-term prediction of wind power: A literature overview,” ANEMOS. plus, 2011. [6] J. Hur, B. Park, and S. Jung, “The development
of the wind power prediction system using ordinary kriging,” J. Korean institute of illuminating and electrical installation engineers, vol. 30, no. 7, 2016, pp. 60-68.
[7] N. Son, Y. Kim, S. Kim, and D. Ahn, “ Study of Multi-variate Short-term wind power forecasting model based on SVR,” J. Korean institute of next
generation computing, vol. 13, no. 1, 2017, pp.
54-64.
[8] J. Woo, H. Kim, B. Kim, I, Paek, and N. Yoo, “Prediction of annual energy production of Gangwon wind farm using AWS wind data,” J.
Korean solar energy society, vol. 31, no. 2, 2011,
pp. 72-81.
[9] N. Srivastava, G. Hinton, and A. Krizhevsky “Dropout: a simple way to prevent neural networks from overfitting,” The Journal of
Machine Learning Research, vol. 15, no. 1, 2014,
pp. 1929-1958.
[10] M. Jeong, C. Moon, S. Kim, B. Park, and S. Chea, “Design of wind farm in South Western seaside area,” The korean solar energy society(spring), vol. 22, no. 4, 2010, pp. 487-490.
[11] H. Byun, J. Ryu, and D. Kim, “The study of the wind resource and energy yield assessment for the wind park development,” The Korean society
pp. 19-25.
[12] S. Pal and S. Mitra, "Multilayer perceptron, fuzzy sets, classifiaction," Transactions on neural
networks. IEEE, vol. 3, 1992, pp. 683-697.
저자 소개
최정곤(Jeong-Gon Choi)
1996년 한양대학교 전기공학과 (공학사) 2013년 한양대학교대학원 전기공 학과 (공학석사) 1995년～2001년 한국전력공사 2001년～현재 한국전력거래소 정보기술처 ※ 관심분야 : AI and Machine Learning, Policy etc.최효상(Hyo-Sang Choi) 1989년 전북대학교 전기공학과 (공학사) 1994년 전북대학교대학원 전기공 학과 (공학석사) 2000년 전북대학교대학원 전기공학과 (공학박사) 현재 조선대학교 전기공학과 교수
