전력 데이터 분석을 위한 딥 러닝 : 수요 예측, 부하 특징 분석과 결측 처리
Deep Learning for Electric Load Data Analytics: Forecasting, Feature Extraction, and Missing Imputation
- 주제(키워드) 스마트 그리드 , 딥 러닝 , 부하 데이터 분석
- 발행기관 서강대학교 일반대학원
- 지도교수 김홍석
- 발행년도 2020
- 학위수여년월 2020. 2
- 학위명 박사
- 학과 및 전공 일반대학원 전자공학과
- UCI I804:11029-000000064846
- 본문언어 한국어
- 저작권 서강대학교 논문은 저작권보호를 받습니다.
초록/요약
스마트 그리드는 기존 전력망과 정보 통신 기술의 컨버전스를 통해 탄생한 지능형 전력망 시스템이다. 특히 신재생 에너지, 에너지 저장장치, 전기 자동차 등 신규 요소들의 망내 유입이 가속화됨에 따라, 전력망의 안정성을 담보하기 위한 시스템의 지능화가 중요하다. 이처럼 동적인 환경 내에서 종래의 모델 기반 접근법은 여러 한계가 존재한다. 반면에 데이터 기반 접근법 (기계 학습)의 경우, 데이터를 통해 주어진 환경에 적합한 모델을 학습 할 수 있다. 특히 딥러닝은 대량의 데이터와 심층 구조의 인공신경망을 통해 어렵고 복잡한 문제에 대해 매우 뛰어난 성능을 보여주며 인공 지능 분야를 주도하고있다. 따라서 스마트 그리드와 딥러닝의 컨버전스는 필연적이며, 그 시작은 딥러닝 적용을 위한 에너지 빅데이터의 확보에 있다. 중국, 미국 등을 필두로 한 전세계적인 스마트 미터의 확산을 통해 전력망 내에서 발생하는 대량의 고품질 미터링 데이터, 즉 에너지 빅데이터를 확보 할 수 있다. 에너지 빅데이터에 딥러닝을 적용함으로써 스마트 그리드의 지능화를 달성할 수 있으며, 최근 각종 자원 예측, 고객 분석, ESS 운용 등 다양한 분야에서 딥러닝 기반의 스마트 그리드 어플리케이션 연구가 활발하게 이루어지고 있다. 본 논문에서는 특히 부하 예측, 부하 특징 추출 및 분석, 결측값 대체 어플리케이션에 딥러닝을 적용하는 연구를 수행하였다. 먼저 부하 예측은 전력망 시스템 뿐만 아니라 홈/빌딩 에너지 매니지먼트 시스템, 수요 반응 등 다양한 어플리케이션에 활용될 수 있는 기초 구성요소로서, 예측 범위에 따라 장기, 중기, 단기 예측으로 구분 할 수 있다. 본 연구에서는 상대적으로 부하의 변동성이 큰 수용가별 단기 수요 예측의 정확도 향상을 위해 딥러닝을 적용하였다. 제안한 딥 러닝 단기 수요 예측 모델은 과거 부하, 기상, 월력요항 등의 정보를 바탕으로 다음 24시간 전력 수요를 예측을 수행하며, 계절별, 수용가별 예측 오차를 분석하였다. 두번째는 연간 부하 데이터의 특징 추출 및 클러스터링 분석에 대한 연구이다. 스마트 미터 데이터가 수년에 걸쳐 축적됨에 따라 장기적인 에너지 사용 특성을 고려하기위해 연간 부하 프로파일의 분석이 필요하다. 본 연구는 컨벌루션 오토인코더를 통해 고차원의 연간 부하 프로파일에서 저차원 특징 벡터를 추출하고, 효율적인 데이터 압축을 수행한다. 또한 비선형 특징 벡터 공간 내에서 클러스터링을 수행하여 장기적 부하 특징이 반영된 수용가 데이터 분석을 수행하였다. 마지막으로 스마트 미터 데이터의 결측값 처리를 위한 딥러닝 모델을 연구하였다. 데이터를 다루는 연구에서 데이터 전처리는 필수적이다. 스마트 미터의 발전에도 불구하고 여러가지 원인으로 인해 결측값이 발생하며, 본 연구에서는 일별 부하 프로파일 단위로 결측값을 처리하는 딥 러닝 프레임워크를 연구하였다. 기본적인 디노이징 오토인코더에서 최근의 생성적 신경망을 적용한 결측값 대체 신경망을 비교하였으며, 딥러닝을 통해 보다 정확한 결측값 처리가 가능하다.
more초록/요약
A smart grid is an intelligent power grid system that is enabled by the convergence between the legacy power grid and the information & communication technology (ICT). In this regard, an intelligence of a system can be obtained by using machine learning. Specifically, among various machine learning algorithms, deep learning shows higher levels of performance for difficult, complex, and nonlinear problems by training deep structured artificial neural networks with massive data. Now, from the world-wide deployment of smart meters, smart grid generates a massive amount of high-quality metering data, i.e., energy big data. By leveraging deep learning on the energy big data, various intelligent smart grid applications have been actively developed. However, still, there is plenty of room for the research of convergence between smart grid and deep learning. In this dissertation, we introduce deep learning based smart grid applications for load forecasting, feature extraction, and missing value imputation. First, we propose a deep learning based short-term load forecasting model. Load forecasting is of fundamental importance and the basis of planning and various smart grid applications. Among different forecasting categories, we focus on the customer based short-term load forecasting (STLF). In doing this, deep neural network models are trained to provide customer-wise forecasts of the next 24 hours in a day-ahead, based on the previous metering data and other factors. Second, we investigate feature extraction and clustering analysis of yearly load data. Previous researches have focused on analyzing daily load profiles. However, as data accumulated over years, analysis on the yearly load profile (YLP) also becomes important to consider long-term characteristics of energy use. In this regard, to reduce the processing burden of high dimensional YLP data, we propose a deep convolutional autoencoder for efficient feature extraction. In addition, we perform clustering analysis on the nonlinearly encoded feature space. Finally, we investigate autoencoders for missing smart meter data imputation. Dealing with missing data is fundamental in data preprocessing. However, despite the recent development of smart metering devices, missing data still occur due to random device power off, communication failure, measuring error, or other unknown reasons. In this regard, we investigate daily load profile basis missing value imputation framework. Specifically, we compare basic denoising autoencoder (DAE) to recent generative models (i.e., variational autoencoder and Wassertein autoencoder), and the proposed DAE based imputation shows better results compared to the others.
more