심층 신경망 기반 수용가 전력 수요 예측 모형
DNN Based Customer Electric Load Forecasting
- 주제(키워드) 도움말 Load forecasting , electricity load , deep neural network , artificial neural network , short term load forecasting , smart grid , RBM , data mining
- 발행기관 서강대학교 일반대학원
- 지도교수 김홍석
- 발행년도 2016
- 학위수여년월 2016. 2
- 학위명 석사
- 학과 및 전공 일반대학원 전자공학과
- 실제URI http://www.dcollection.net/handler/sogang/000000058913
- 본문언어 영어
- 저작권 서강대학교 논문은 저작권보호를 받습니다.
초록/요약
In this paper we propose a deep neural network (DNN) as a forecasting model of electric load consumptions. We apply DNN based short term load forecasting model to massive number of empirical load dataset and analyze its result. The alteration to smart grid made huge impacts and changes in electrical grid system. Especially, the importance of demand-side energy management including load prediction becomes major issue in the field of smart grid. There are many researches about forecasting user’s electricity load in different methods. But to the best of our knowledge, this is the first time to predict and analyze massive number of customers’ load database by DNN. DNN is considered as a black box which has a capability to learn abstract features of the data and model nonlinear function with captured features. We create and train each user’s DNN with their past load data and several meteorological elements. The measurement of difference between real and prediction is mean absolute percentage error (MAPE) and root means square error (RMSE).We compare DNN with shallow neural network (SNN) and 10-day averaging model. As a result, in most of cases DNN forecasting model performs better than others despite difficulties of forecasting end-user electricity consumption.
more초록/요약
본 논문에서는 심층 신경망에 기반한 전력 수요 예측 모델을 제안하고, 대량의 실제 수용가 전력 사용량 정보를 바탕으로 단기 수요 예측 수행과 그 결과를 분석하였다. 스마트 그리드의 등장은 기존 전력망 시스템에 큰 변혁을 불러 일으켰다. 특히 수요 예측을 포함한 수용가 측면의 에너지 관리가 주요 이슈가 되었으며, 다양한 방법으로 수용가의 전력 수요를 예측하는 연구들이 수행되었다. 심층 신경망은 데이터의 추상화 능력과 비선형 함수를 모델링 할 수 있는 하나의 블랙 박스로서 본 논문에서는 심층 신경망을 대량의 실제 수용가 데이터에 최초로 적용하여 그 결과를 분석하였다. 각 심층 신경망은 수용가의 과거 전력 사용량과 각종 기상 요소들을 바탕으로 학습되었고, 정확성 분석을 위한 실제 수요와 예측 수요 사이의 오차는 평균절대백분비오차 (MAPE)와 평균제곱근오차 (RMSE)가 사용되었다. 심층 신경망 예측 결과는 인공 신경망, 10일 평균 모델과 비교하였으며, 수용가 수요 예측의 어려움에도 불구하고 심층 신경망이 좋은 성능을 나타내었다.
more