검색 상세

ResNet과 LSTM을 이용한 전력 수요예측

Short-Term Load Forecasting based on ResNet and LSTM

초록/요약

최근 인공지능의 발전으로 AI가 점점 더 다양한 분야에 적용되고 있고, 스마트 그리드 분야에서 또한 다양하게 접목되고 있습니다. 특히 수요예측 분야에서는 기계학습, 그리고 심층 학습에 관한 연구가 많이 진행되고 있습니다. 전력 데이터는 시계열 데이터이기에 기존의 연구에서는 DNN과 RNN을 이용하여 예측을 진행하였습니다. 하지만 최근에는 CNN을 이용해서 예측하는 연구 또한 진행되고 있습니다. 본 논문에서는 ResNet/LSTM 결합 모델을 기반으로 하여 전력 수요를 예측하는 새로운 프레임 워크를 제안하였습니다. 제안한 모델은 크게 두 단계로 구성되는데, 첫 번째는 ResNet으로 입력데이터의 요일별, 주별 특성을 갖는 특징 벡터를 추출하는 단계입니다. 그다음 LSTM을 사용하여 추출된 특징 벡터를 기반으로 예측을 진행하여서 시계열 데이터의 dynamic 한 특성들을 학습하게 됩니다. 이렇게 구성된 ResNet/LSTM 결합 모델은 입력 데이터에 존재하는 규칙성(regularity)와 불규칙성(inconsistency)를 보다 더 잘 잡아내어 예측한다는 장점이 있습니다. 이를 확인하기 위해 다른 심층 학습모델인 MLP, ResNet, LSTM 및 ResNet/MLP 결합 모델과 성능 비교를 진행하였습니다. 결과적으로는 제안한 ResNet/LSTM 결합 모델이 전체 36개의 수용가에 대해서 MLP 대비 21.3%의 성능 향상이 있었으며, MAPE가 큰 하위 25% 그룹에서의 성능 향상은 25.8%로 도출되었습니다.

more

초록/요약

Recent development of artificial intelligence (AI) makes AI applicable to diverse fields, and the smart grid is not an exception. In particular, there have been extensive researches on load forecasting using deep learning. Most existing studies have been conducted on deep neural network (DNN) and recurrent neural network (RNN). Very recently, CNN with shallow network has been studied for short-term load forecasting (STLF). In this thesis, we propose a novel framework based on ResNet/LSTM combined model. The proposed model has two steps. First, ResNet extracts latent features of daily and weekly load data. Then, LSTM is applied to train the encoded feature vector with dynamics, and make prediction suitable for volatile load data. By leveraging ResNet and LSTM, the proposed model has the advantage of forecasting load data that has both regularity and inconsistency. To demonstrate the performance, we compare the proposed model with other deep learning models: multi-layer perceptron (MLP), ResNet, LSTM and ResNet/MLP combined model. The results show that the proposed ResNet/LSTM combined model has 21.3% of MAPE improvement in overall, and 25.8% of MAPE improvement for the bottom 25% group in terms of MAPE compared to MLP.

more