논문 2016-53-1-9
계절 및 날씨 정보를 이용한 인공신경망 기반 전력수요 예측 알고리즘 개발
( The Artificial Neural Network based Electric Power Demand Forecast using a Season and Weather Informations )
김 미 경*, 홍 철 의*
( Meekyeong Kim and Chuleui Hongⓒ)
요 약
본 논문은 인공 신경망에 기반을 둔 새로운 전력 수요 예측 모델을 제시한다. 인공 신경망 입력 변수로 시간과 날씨요소를 고려하였다. 시간 요소는 하절기와 동절기 전력수요 데이터의 자기 상관계수를 측정하여 선정하였고, 날씨요소는 피어슨 상관 계수를 이용하여 선정하였다. 중요한 날씨요소로는 온도와 이슬점으로 이들은 전력수요와 밀접한 상관관계를 가지고 있다. 반 면에 습도, 기압, 풍속 등과 같은 날씨요소는 전력수요와의 상관관계가 높지 않게 나타나 신경망의 입력 변수에서 제외하였다.
실험결과 새로이 제안한 인공 신경망을 이용한 전력수요 모델은 시간요소 및 날씨요소와 이에 대한 가중치를 피크 전력율과 계절에 따라 차등 적용하여 높은 적중률을 보였다.
Abstract
This paper proposes the new electric power demand forecast model which is based on an artificial neural network and considers time and weather factors. Time factors are selected by measuring the autocorrelation coefficients of load demand in summer and winter seasons. Weather factors are selected by using Pearson correlation coefficient The important weather factors are temperature and dew point because the correlation coefficients between these factors and load demand are much higher than those of the other factors such as humidities, air pressures and wind speeds. The experimental results show that the proposed model using time and seasonal weather factors improves the load demand forecasts to a great extent.
Keywords: 전력수요 예측, 인공 신경망, 온도 민감도, 날씨 가중치
*정회원, 상명대학교 컴퓨터과학과
(Department of Computer Science, Sangmyung University)
ⓒ Corresponding Author(E-mail:[email protected])
※ 본 연구는 2014년도 상명대학교 교내연구비를 지 원받아 수행하였음
Received ; May 7, 2015, Revised ; December 2, 2015 Accepted ; December 23, 2015
Ⅰ. 서 론
전력수요 예측시스템은 안정적인 전력공급 뿐만 아 니라 전력소비 비용 절감을 위한 에너지 관리의 핵심 요소이다. 전력수요 예측은 장기적으로 많은 자본과 시
간이 필요한 발전기, 송전신호, 변압기 등 전력계통의 안정적 수급관리 능력을 보장하고, 이를 기반으로 설비 예비율(Capacity Reserve Margin) 책정 기준을 제시한 다. 또한, 단기적으로는 송전계획 및 부하급전 관리를 위한 판단 근거를 제공함으로써 정전으로 인한 막대한 사회적 비용손실을 예방할 수 있도록 하는 한편, 발전 경쟁시장에서 수급 조정에 따른 비용 감소에 적극 대응 이 가능하도록 한다.
전력수요 예측은 예측 기간에 따라 장기, 중기 및 단 기 예측으로 구분 지을 수 있다. 장기 예측은 장기 전력 수급계획 수립의 첫 단계로 향후 발전 용량 증설이나, 기타 발전시스템 설비 계획 등 거시적 발전 자원을 최
적화하여 운용한다는 측면에서 중요한 요소이다. 특히, 장기 예측은 경제적 요소에 의해 많은 영향을 받는데, 각종 산업시설, 서비스업 등의 경제 활성화 정도나 인 구 성장률, 온난화 규제 등 경제적 관점에서 전력수요 와 경제적 요소는 장기적으로 밀접한 관련이 있다. 중 기 예측은 연료 할당 및 유지 관리 계획, 전력 송출관 리, 하절기나 동절기 피크 전력계획 등에 사용된다. 단 기 예측은 일반적으로 발전 공급의 최적화, 전력거래 스케줄 관리 등에 사용되는데, 전력 흐름을 미리 예측 하여 전력의 과도한 공급을 방지하며, 시간단위의 예측 은 신뢰성 있는 전력망 공급 관리가 가능하도록 하여 발전 장비의 과부하나 정전을 방지할 수 있도록 한다
[1～2].
일반적으로 전력수요 예측을 위한 기법은 모수적 통 계(Parametric Statistics) 방법, 비모수적 통계 (Non-parametric Statistics) 방법, 인공지능기반 (Artificial Intelligence based) 방법으로 분류될 수 있다.
모수적 방법은 모집단에 대한 분포를 알고 있다는 가 정 하에 전력수요와 전력수요에 영향을 주는 요소들 간 의 관계를 통해 모수(parameter)를 추정한 후 이를 기 초로 미래 시점의 예측치를 구하는 방식이다.
TFP(Time Function), PR(Polynomial Regression), LR(Linear Regression), Fourier Series, ARMA (autoregressive and moving average) 등이 있다. 비모 수 방법은 모집단에 대한 분포를 알지 못하는 경우 주 로 사용하는데, 과거 데이터로부터 직접적으로 전력수 요 예측을 할 수 있다. 비모수적 방법으로는 k-NN(k-nearest neighbor bootstrap resampling), KDE (kernel density estimates)등이 있다. 비모수적 통계 방 법을 예로 들면, 전력수요를 과거 전력 데이터의 평균 으로 계산한 후, multivariate KDE로 계산된 전력수요 가중치를 적용하여 예측하는 방법 등이 있다. 비모수 방 법에서 예측 정확성은 과거 데이터로부터 가능한 예측 조건을 어떻게 적절한 방식으로 표현 하냐에 달려있다.
인공지능기반 방식은 비선형(nonlinear) 관계 특성을 갖는 전력수요 데이터 예측에 매우 적합한 방식이다.
비선형 데이터 예측에는 주로 전문가 시스템(Expert System), 퍼지이론(Fuzzy), 인공 신경망(Artificial Neural Network)등의 방법이 사용되고 있다. 특히, 인 공신경망 모델은 병렬 분산처리에 적합하여 연산처리 속도가 빠르고, 신경망이 수용할 수 있는 범위 내에서 학습 적응이 가능하므로 주위 환경 변화에 대한 적응력 이 뛰어나다. 또한 인공 신경망은 데이터를 특정 장소
에만 저장하지 않고 분산 저장시키므로 일부 데이터가 손상을 입더라도 분산되었던 데이터에 의해서 복구할 수 있는 장점을 가지고 있다[3]. 인공 신경망은 주어진 입력 값에 대해 각 뉴런 사이의 연결강도를 조정하여 목표 값(Target Output)에 근접하도록 하는 학습모델이 다. 따라서 인공 신경망은 입력 값의 선정에 따라 예측 성능이 결정된다. 인공 신경망을 이용한 전력수요 예측 기법에서 입력변수는 주로 과거 전력수요 데이터와 날 씨요소가 사용된다.
기존에 제안된 인공 신경망을 이용한 전력수요 예측 기법은 날씨 입력변수에 온도 민감도를 적용하는 것이 일반적이었다. 이는 여름철과 같이 냉방 부하에 의한 급격한 전력 수요 변동을 반영하기 위한 방법인데, 온 도 민감도만으로는 예측 정확도 향상에 한계가 있다.
본 논문에서는 급격한 전력수요 변동을 예측 결과에 반영하기 위해 온도 민감도뿐만 아니라, 과거 실제 전 력수요와 비교적 높은 상관관계를 갖는 날씨요소를 추 가 선별하고, 하절기와 동절기에 전력 소비가 집중 분 포되는 구간의 전력 수요를 보다 민감하게 입력변수에 반영하기 위해, 피크 전력율에 따라 날씨요소 가중치를 보정하는 단기 전력수요예측 모델을 제안한다.
Ⅱ. 인공신경망 기반의 전력 수요 예측 모델 구현
전력수요 예측을 위한 신경망 모델 구성에 있어 입력 변수 선정은 전력수요 예측 정확도 향상에 큰 영향을 주는 매우 중요한 단계이다. 전력수요 예측과 밀접한 상관관계에 있는 입력 변수 요소는 날씨요소, 시간요소, 경제요소 3가지로 나눌 수 있다[4～5].
날씨요소는 단기 에너지 소비량 변화에 가장 많은 영 향을 주는 요소로, 보다 정확한 전력수요 예측 모델을 구현하기 위해서는 날씨와 전력수요 사이의 관계변수를 찾고 이를 수치화하는 것이 가장 먼저 필요하다. 일반 적으로 전력수요에 영향을 주는 날씨요소로는 온도, 습 도, 이슬점, 풍속, 일조량 등이 고려 될 수 있는데, 지역 의 위치와 기후에 따라 각 날씨요소들은 전력수요에 영 향을 미치는 정도가 달라질 수 있다. 여름과 겨울의 변 화가 뚜렷한 지역일수록 하절기와 동절기의 전력수요 패턴이 명확히 서로 다른 양상을 보이므로, 날씨요소와 전력수요 간의 상관관계를 하절기, 동절기로 구분하여 분석해야 한다[6].
시간요소는 휴일 및 주중 일별 전력수요 패턴이 과거 실제 전력수요에서 어떻게 반영되는지를 비교 분석하여
그림 1. 전력수요 시스템 구성도
Fig. 1. System Structure of Load Forcast.
선별한다. 경제요소는 각종 경제 부양정책에 따른 경 기효과나 전기요금 누진제와 같은 가격 관리 정책 등에 영향을 받는 요소로 1년 또는 계절 단위 이상의 중장기 예측에 사용된다[7].
1. 시스템 구성
그림 1은 신경망을 이용하여 구현된 전력수요 예측 시스템의 구성을 보여준다. 인터넷을 통해 수집된 날씨 자료와 과거 전력수요 데이터는 데이터베이스에 저장되 며 DAO(Data Access Object) 모듈을 통해 실시간 접 근이 가능하다. 과거 24시간 전력수요 데이터를 신경망 에 입력하여 초기 예측 값을 얻는다. 초기 예측 값은 날 씨 정보와 함께 온도 민감도 생성 모듈에 입력하여 온 도 상승 및 하강 시 온도 민감도를 구하고, 이를 이용하 여 날씨가중치를 얻는다. 날씨 가중치는 다시 신경망의 입력 값으로 사용되며, 신경망을 통하여 얻어진 예측 결과는 GUI 화면을 통해 출력된다.
2. 날씨 입력 변수
그림 2는 여름철 일자별 전력수요와 온도, 이슬점간 의 연관성을 보여주는데, 온도가 상승할 때 전력수요도 같이 증가함을 알 수 있다. 또한, 이슬점 역시 대체적으 로 위 두 관계와 연관성이 있음을 보여준다. 이와 같은 날씨요소와 실제 전력수요 사이의 상관정도를 수치화하 기 위해 피어슨 상관계수를 적용 하였다.
표 1. 동하절기 전력수요와 날씨요소의 상관관계
Table 1. The correlation coefficient between power demand and weather factors in winter and summer.
동절기 하절기
온 도 -0.7683 0.8313
이슬점 -0.6308 0.5566
습 도 -0.0197 -0.1543
기 압 0.3619 -0.1884
풍 속 -0.0634 -0.0032
그림 2. 최대 전력량과 온도 및 이슬점 연관관계
Fig. 2. The relationship of the max load demand, temperature and dew point.
(1)
관측하기 위한 서로 다른 두 시계열
표본평균
피어슨 상관계수를 통한 날씨요소 자료 분석 결과로 부터 상관계수가 가장 높은 온도와 이슬점을 신경망 예 측 모델의 입력변수로 선정했다. 특히 온도는 전력수요 와 가장 연관성이 높은 날씨요소로 날씨가중치 조정을 위한 온도 민감도 설정에도 사용된다. 여름에 전력수요 와 온도 간의 상관정도가 다른 계절보다 다소 높게 나 타나는데 이는 더운 여름에 냉방 수요가 겨울 난방 수 요보다 기온에 보다 더 민감하게 반응하기 때문이라 볼 수 있다. 온도와 이슬점 외의 습도, 기압， 풍속 등은 전력수요와 상관정도가 유의하지 않아 입력변수에서 제외되었다. 전력수요와 날씨요소간의 상관관계는 각 나라별, 지역별로 다르기 때문에 예측할 지역의 과거 날씨 데이터를 기반으로 상관계수를 측정하여 신경망에
그림 3. 하절기 전력수요 자기상관계수 Fig. 3. Autocorrelation of the summer season.
그림 4. 동절기 전력수요 자기상관계수 Fig. 4. Autocorrelation of the winter season.
입력할 날씨 요소를 선정해야 한다.
표 1은 피어슨 상관계수 계산의 결과로 과거 실제 전 력 수요와 각 날씨요소간의 상관 정도를 보여준다. 하 절기에는 온도와 이슬점의 상관계수가 각각 0.83과 0.55 로 다른 날씨 요소들과 비교하여 높은 상관정도를 보인 다. 동절기 또한 온도와 이슬점의 상관계수가 각각 0.76 과 0.63으로 높은 상관정도를 보인다. 그 밖의 습도, 기 압, 풍속은 상관계수가 0.4 이하로 온도 및 이슬점에 비 해 매우 낮은 상관정도를 보인다. 따라서 본 연구에서 는 신경망의 날씨 입력 변수로 온도와 이슬점을 선정하 였다.
3. 시간 입력 변수
시간 입력 변수를 정의하기 위해서는 예측일 전력수 요 데이터와 과거 전력수요 데이터간의 상관정도를 측 정하여 공통된 패턴을 수치화해야 한다. 이를 위해 전 력 수요 데이터의 자기 상관계수를 측정하였다.
그림 3과 4는 하절기와 동절기의 전력수요 자기상관 계수이다. 자기 상관계수 측정 결과 동절기와 하절기 모두 전 주의 예측일과 같은 요일의 전력수요와 예측일 전력수요 간의 상관관계가 높게 나타남을 알 수 있다.
따라서 일주전, 이주전 전력수요 데이터와 하루 전, 이 틀 전 전력수요 데이터로 시간요소를 구성하였다.
그림 5. 기온에 따른 온도 민감도 변화 Fig. 5. changing temperature sensitivity by the
temperature.
4. 온도 민감도
온도는 전력수요 예측에 가장 많은 영향을 주는 요소 이다. 일상생활에서 전력 소비자는 외부 온도상승과 하 강에 관계없이 쾌적한 실내 환경을 위해 일정한 온도를 유지하고자 하는 경향이 있다. 특히 난방은 유류, 전기, 가스, 화목 등 에너지원의 종류가 많지만, 그에 반해 냉 방은 오직 전력에 의존하므로 여름철 피크 전력에 영향 을 미치는 주요 원인이 된다. 따라서 전력수요에 직접 적인 영향을 주는 온도 변화를 전력수요 예측 모델에 반영하는 것은 필수 사항이다. 본 실험 모델에서 전력 수요와 온도 변화와의 관계를 반영하기 위해 온도민감 도를 고려하였다.
온도 민감도는 전력수요가 기온에 반응하는 정도를 나타낸다. 온도가 높은 하절기에 냉방 전력수요가 다른 계절에 비해 상대적으로 높은 비중을 차지하므로 온도 민감도는 하절기에 비교적 높은 값을 보이며, 온도가 상온에 가까운 봄, 가을에는 상대적으로 낮은 값을 갖 는다.
그림 5는 온도 변화에 따른 온도 민감도 변화를 보여 준다. 온도 민감도는 고온일 때의 값이 저온일 때의 값 보다 더 크게 반응함을 알 수 있다. 이는 전력사용량이 냉방부하의 효과를 크게 받는 것으로 해석될 수 있다.
기온이 똑같이 1℃ 올라가더라도 전력수요는 냉방부하 가 발생하는 온도 구간에서 올라갈 때가 그렇지 않은 경우에 비해서 더 크게 증가한다. 다음은 온도 민감도 산출을 위한 의사코드이다.
← 내일 예보 온도
m ax
← 예측 전력수요 최대값
← 과거 온도 데이터
m ax
← 과거 전력수요 데이터
∆ ← m ax m ax
그림 6. 하절기 피크 전력률에 대한 전력소비량 분포 (2012.08.12)
Fig. 6. The relation between the actual load and peak load rate above 80%
그림 7. 동절기 피크 전력률에 대한 전력소비량 분포 (2012.01.12)
Fig. 7. The relation between the actual load and peak.
load rate above 80%
∆ ← m ax m ax
∆ ← ∆ ∆ × ∆m ax if (∆ ≥ 0) then
for i ← 1 to n
← ( + ∆) / n end for
derive ,
//1℃ 상승 또는 하강시 온도민감도(positive) else (∆ 0) then
for i ← 1 to n
← ( + ∆) / n end for
derive ,
//1℃ 상승 또는 하강시 온도민감도(negative) end if
온도가 1℃ 상승 또는 하강할 때 전력과 온도 사이의 변화량을 예측 시점에 따라 동적으로 구하였다. 특히, 온도 상승과 하강을 구분하여 민감도를 다르게 반영하 였다. 또한, 전력수요 예측 시 마다 예측일 온도와 가장 높은 상관관계에 있는 과거 3일치 온도 자료를 이용하 여 온도 민감도를 구할 수 있도록 하였다.
5. 날씨 가중치
그림 6과 7은 하절기와 동절기 피크 전력율에 대한 전력소비량 분포를 보여준다.
하절기와 동절기 모두 피크 전력율의 80% 이상인 구 간이 전체 전력수요의 70% 이상을 차지하고 있으며, 시
그림 8. 피크 전력의 80% 이상 구간과 전력수요와의 관 계
Fig. 8. The relation between the actual load and peak load rate above 80%
간대는 그림 8과 같이 주로 오전 9시부터 오후 9시 사 이에 위치하고 있다. 이와 같은 현상은 전력 수요가 주 로 전력 소비자들이 활동하는 시간대에 집중되어 있음 을 보여준다. 피크 전력율의 80% 이상인 구간은 날씨 요소가 전력 소비자에게 직접적으로 영향을 주는 구간 이며, 80% 이하 구간 보다 날씨요소에 더 민감한 구간 이라 볼 수 있다. 따라서 본 연구에서는 향상된 전력수 요 예측을 위해 온도 민감도를 차등 적용하여 예측 피 크 전력율의 80% 이상인 구간에는 온도 민감도가 보다 민감하게 반응할 수 있도록 하고, 이에 반해 예측 피크 전력율의 80% 이하인 구간에는 온도 민감도가 상대적 으로 둔감하게 반응할 수 있도록 했다.
전력사용량 구간에 따라 온도 민감도를 차등 적용하 기 위해 먼저 전력소비량을 예측 전력수요 최댓값으로 나누어 전력소비량이 전체 소비량의 몇 %를 차지하는 지 값을 구하였다. 예측 피크 전력율의 80% 이상인 구 간은 온도 가중치 반영 시 측정 비율을 적용하고, 예측 피크전력율의 80% 이하 구간은 온도 가중치만 반영될 수 있도록 하였다. 다음은 예측 피크 전력율에 따른 날 씨 가중치 산출을 위한 의사코드이다.
∆ ←온도 변화량
∆ ← 이슬점 변화량
← 온도 민감도
← 온도 민감도
← 예측 전력수요 최대값 for i ← 1 to 24
← /
if ∆ ≥ 0 then if ≥ 80 then
표 2. 기존 연구의 비교
Table 2. Comparison of previous researches.
기존
연구 연구모델 특성 및 고려 사항 MAPE (평균오차) 참고문헌[8] 신경회로망
요일 특성에 따른 학습케이스 분류
여름철 신경망 입력 값 추가
2.23～2.96
참고문헌[9] 회귀모형
평일을 포함한 요일별 전력 수요
특성 반영
2.30～2.57
참고문헌[10] 뉴로-퍼지
요일 특성에 따른 학습케이스 분류 초기화 구조 뱅크
구축
2.00～4.58
참고문헌[11] 지수평활화
여름 휴가기간 증가, 감소 전력
수요 패턴 분류
2.02～2.60
← × ∆ × ∆ × else
← × ∆ × ∆
end if else
if ≥ 80 then
← × ∆ × ∆ × else
← × ∆ × ∆
end if end if end for
Ⅲ. 실험 결과
제안 모델의 실험 결과를 객관적으로 평가하고 비교 하기 위해 관련된 기존 연구들의 내용을 아래의 표 2에 정리하였다.
하성관 외[8]는 필수 입력 값만을 가지는 최소 구조 신경회로망 알고리즘을 제안하였다. 여름철에는 온도 민감도를 이용하여 얻은 수요 예측 값을 신경망의 입력 값으로 추가하여 정확도를 높이고자 하였다. 한정희 외
[9]는 요일 특성을 2차 함수로 표현하여 반영한 회귀모 형을 제안하였다. 주말뿐 아니라 평일의 요일도 구분하 여 요일에 따른 전력 수요 변화를 고려하였다. 박영진 외[10]는 구조 뱅크로부터 초기화되는 뉴로-퍼지 모델을 이용하여 1시간, 1일, 1주 단위의 전력 수요를 예측하는 방법을 제안하였다. 구조 뱅크는 요일 특성을 4개로 분 류하고 각 예측 기간별로 96개의 초기 구조를 갖도록 구성되었다. 박정도 외[11]는 여름철 휴가기간의 전력 수
그림 9. 하절기 전력수요 예측 시뮬레이션 Fig. 9. The load demand simulation for summer.
그림 10. 동절기 전력수요 예측 시뮬레이션 Fig. 10. The load demand simulation for winter.
요 패턴을 분류하고, 각 패턴에 따라 연휴 중 최대, 최 소 및 24시간 전력 수요에 대한 예측 알고리즘을 제안 하였다.
본 논문에서 제안한 전력수요 예측 모델은 역전파 신 경망 알고리즘을 사용하였으며, Matlab을 이용하여 구 현하였다. 신경망 입력변수는 미국 코네티컷 주의 2010 년부터 2012년까지 3년간의 24시간 전력수요 자료와 동 일 지역의 3년간 일별 날씨 자료를 사용하였다.
전력수요 예측 결과는 GUI 방식의 통합 환경으로 출 력하도록 하였다. 출력화면은 입력 부분과 출력 부분으 로 나누어진다. 입력 부분은 DB 수집 범위, 예측 날짜, 온도 민감도 데이터 수집 범위 지정 영역으로 구성되어 있고, 출력 부분은 예측 결과와 실제 자료 값 그래프, 시간별 예측 데이터 리스트, 오차 결과, 온도 민감도 산 출 결과로 구성되어 있다.
그림 9와 10은 각각 하절기와 동절기의 일주일간 예 측 결과 데이터를 출력한 화면이다. 하절기와 동절기 예측 결과는 서로 상이한 패턴 형상을 갖는데, 하절기 에는 냉방 전력수요가 오후에 집중되어 종형의 그래프 를 보이는 반면, 동절기에는 오전과 저녁에 난방 수요
표 3. 하절기 날씨가중치를 적용한 MAPE 실험결과 Table 3. The MAPE experimental results when weather
weights are applied in summer.
하절기
날짜 제안 모델 미적용 제안 모델 적용
7/1 7.8169 2.8912
7/2 8.6404 2.1764
7/3 6.5511 1.6321
7/4 6.8939 2.5685
7/5 9.9781 2.2979
7/6 2.9578 1.0566
7/7 2.9359 1.1954
평균 6.5392 1.9740
표 4. 동절기 날씨가중치를 적용한 MAPE 실험결과 Table 4. The MAPE experimental results when weather
weights are applied in winter.
동절기
날짜 제안 모델 미적용 제안 모델 적용
1/1 14.5288 1.5429
1/2 4.5624 1.7874
1/3 12.8802 2.0256
1/4 4.1125 1.5992
1/5 3.9278 1.1267
1/6 4.2662 2.1659
1/7 5.3955 1.1997
평균 7.0962 1.6353
가 집중되는 M자 형태를 보인다. 이러한 형태는 냉난 방 전력수요가 집중적으로 발생하는 시간대에 전력소비 가 급증함을 보여준다.
제안 모델의 전력수요 예측 정확도 측정을 위해 MAPE(Mean Absolute Percentage Error) 방법을 사용 하였다[12].
× (2)
d(t): 시간 t에 대한 실제 전력 데이터 o(t): 시간 t에 대한 예측 전력 데이터
표 3와 4는 각각 하절기(2011.07.01.～07.07)와 동절기 (2011.01.01.～01.07)의 일주일간 전력수요 예측 결과에 대한 MAPE 측정값이다.
온도민감도를 반영한 날씨요소나 이슬점 및 피크 전 력율에 따른 가중치 적용을 고려하지 않은 모델에서는
하절기와 동절기 각각 평균 6.5392와 7.0962의 예측 오 차를 보이는 반면에 본 논문에서 제안한 모델을 적용한 모델에서는 하절기와 동절기 각각 평균 1.9740과 1.6353 의 향상된 예측 오차를 보인다.
Ⅳ. 결 론
본 논문에서는 하절기와 동절기에 급격한 전력 수요 변화에 따른 예측 오차를 줄이기 위해, 과거 전력 수요 와 날씨 요소간의 상관관계를 측정하여 입력 변수를 선 별하였으며, 전력 수요가 집중되는 전력 피크율의 80%
이상 구간과 이하 구간에 대해 가중치 반영 시 온도 민 감도를 차등 적용하는 단기 전력수요 예측 모델을 제안 하였다. 하절기와 동절기에 제안 모델을 적용하여 예측 한 결과 다음날 24시간 전체의 오차율이 약 7%에서 2% 이하로 낮아져 과거 전력수요만 입력 변수로 고려 한 방법에 비해 제안모델을 적용한 방식이 예측 정확도 측면에서 하절기에는 약 68%, 동절기에는 약 70%의 성 능향상을 보여주고 있다. 이는 전력 수요 변동량이 급 변하는 기간임을 감안할 때, 높은 예측 정확도를 보인 다고 할 수 있다.
REFERENCES
[1] Bureau of economic analysis, U.S. Department of commerce (2013). Retrieved from http://www.bea.gov.
[2] M. Buhari, S. Adamu, “Short - Term Load Forecasting Using Artificial Neural Network,” in Proceedings of the International MultiConference of Engineers and Computer Scientists, vol. 1, pp.
806-811, 2012.
[3] F. Mosalman, A. Mosalman, H.M. Yazdi, M.M.
Yazdi, “One day-ahead load forecasting by artificial neural network,” in Scientific Research and Essays, vol. 6, pp. 2795-2799, 2011.
[4] K. Kim, “Fuzzy Expert System for Short-Term Load Forecasting Concerning Changes in Temperature”, The Confernece of IEIE, 1995. 1.
[5] PJM.: Manual 19: Load Forecasting and Analysis Date. Prepared by Resource Adequacy Planning, 2013.
[6] J. L. Mathieu, P. N. Price, S. Kiliccote, M. A.
Piette, “Quantifying Changes in Building Electricity Use, with Application to Demand Response,” Smart Grid IEEE Transactions, vol.
2, pp.507-518, 2011.
저 자 소 개 김 미 경(정회원)
1998년 상명대학교 정보과학과 학사 졸업.
2000년 상명대학교 컴퓨터과학과 석사 졸업.
2000년～현 재 상명대학교 컴퓨터 과학과 박사 재학.
2001년～2006년 상명대학교 소프트웨어학부 강사.
<주관심분야 : 지능형 에이전트, 신경망, 멀티미 디어, 디지털 보안>
홍 철 의(정회원)
1985년 한양대학교 금속공학과 학사 졸업.
1989년 뉴저지공과대학교 전자계산 학과 석사 졸업.
1992년 미주리주립대학교 전자계산 학과 박사 졸업.
1992년～1997년 한국전자통신연구원 선임연구원 1997년～현재 상명대학교 컴퓨터과학과 교수
<주관심분야 : 멀티미디어, 분산/병렬 알고리즘, 인공지능, 최적화>
[7] Bureau of economic analysis. U.S. Department of commerce, http://www.bea.gov, 2013.
[8] S. Ha, K. Song and H. Kim, “Short-Term Load Forecasting Using Neural Networks and the Sensitivity of Temperatures in the Summer Season”, The Transactions of KIEE, Vol. 54A, No. 6, pp. 259-266, 2005.
[9] J. Han and J. Baek, “The Load Forecasting in Summer Considering Day Factor”, The Transactions of KAIS, Vol. 11, No. 8, pp.
2793-2800, 2010.
[10] Y. Park and B. Wang, “Neuro-Fuzzy Model based Electrical Load Forecasting System”, The Transactions of KIIS, Vol. 14, No. 5, pp.
553-538, 2004.
[11] J. Park and K. Song, “Short-Term Load Forecast for Summer Special Light-Load Period”, The Transactions of KIEE, Vol. 62, No.
4, pp. 482-488, 2013.
[12] D. Ortiz-Arroyo, M.K. Skov, and Q. Huynh,
“Accurate Electricity Load Forecasting with Artificial Neural Networks,” in Proceedings of the International Conference on Computational Intelligence for Modeling, Control and Automation and International Conference on Intelligent Agents, Web Technologies and Internet Commerce, IEEE Press, Vienna, pp.
94-99, 2005.
