한국형 마이크로 그리드 실증단지의 데이터마이닝 기법을 이용한 부하 영향 예측 연구
A Framework for Baseline Load Estimation in Demand Response: Data Mining Approach
- 주제(키워드) Demand Response , Customer Baseline , Self-Organizing Map , Clustering
- 발행기관 서강대학교 일반대학원
- 지도교수 김홍석
- 발행년도 2015
- 학위수여년월 2015. 2
- 학위명 석사
- 학과 및 전공 일반대학원 전자공학과
- 실제URI http://www.dcollection.net/handler/sogang/000000055348
- 본문언어 영어
- 저작권 서강대학교 논문은 저작권보호를 받습니다.
초록/요약
본 논문은 지식경제부 산하 5대 미래산업 선도기술 중의 하나인 ‘한국형 마이크로 에너지 그리드 (K-MEG)의 실증사이트들 중에서 구로 디지털단지 (G-Valley)의 스마트 미터링 데이터 (Meter Data Management System, MDMS)를 바탕으로 각 건물별 전력사용량 패턴 및 날씨에 대한 상관도를 조사하고 데이터마이닝 기법을 사용하여 각 건물의 고객기준부하를 추정하고 이를 기존의 방식과 비교, 분석하였다. 먼저, 건물별 전력사용량은 15분 단위의 각 호의 전력사용량 데이터를 시간 단위로 변환하였으며, 시간대별 1년 동안의 전력사용량의 패턴을 살펴보고, 전력사용량과 날씨에 대한 상관도 분석을 위해 순위상관분석도 (Rank Order Correlation, ROC) 기법을 사용하여 시간대별 날씨와 전력사용량간의 상관관계를 파악하였다. 또한 본 논문에서는 2014년 11월 새로 도입된 수요자원 거래시장에서 수요자원의 성능을 평가하게 될 고객기준부하 (Customer Baseline Load, CBL)의 새로운 접근방법을 제안하였다. 데이터마이닝 기법중의 하나인 자기구성맵 (Self-Organizing Map,SOM)과 클러스터링 분석(K-means Clustering)을 사용하여 고객기준부하를 추정하였으며 그 결과, 기존에 사용해오던 단순한 3일/5일/10일치의 평균 사용법보다 평균 제곱근편차 (Root Mean Square Error, RMSE)가 최대 20%까지 줄어들었으며, 평균절대백분비오차 (Mean Absolute Percentage Error, MAPE)는 최대 15%까지 오차율이 줄어들었음을 확인하였다.
more초록/요약
In this paper we propose a framework of customer baseline load (CBL) estimation for demand response in Smart Grid. Demand response is considered as one of the major applications of Smart Grid that enables electricity producers and consumers to communicate through information & communication technologies (ICT). The introduction of demand response requires quantifying the amount of demand reduction. This process is called the measurement and verification. The proposed framework of CBL estimation is based on the unsupervised learning technique of data mining. Specifically we leverage both the self organizing map(SOM) and K-means clustering for accurate estimation. This two-level approach efficiently reduces the high dimension of the input vectors into two dimensional output using SOM, and then this output vectors can be efficiently clustered by K-means clustering. Hence we easily find the load pattern that would be similar to the potential load pattern of the day of demand response (DR) event. To validate our method we perform large scale experiments where the building complex power consumption is monitored by 2,500 smart meters. Our experiments show that the proposed technique outperforms the state-of-the-art day matching methods that are widely used in the industry. Specifically, we find that the root mean square error is reduced by up to about 20% in average, and the mean absolute percentage error is reduced by up to about 15% in average.
more