공장 유틸리티 에너지 최적화를 위한 기계학습 기반 스팀 에너지 수요 예측
Machine Learning-based Steam Energy Demand Forecasting for Factory Utility Energy Optimization
- 발행기관 서강대학교 정보통신대학원
- 지도교수 장부루
- 발행년도 2024
- 학위수여년월 2024. 8
- 학위명 석사
- 학과 및 전공 정보통신대학원 데이터사이언스 · 인공지능
- 실제 URI http://www.dcollection.net/handler/sogang/000000079042
- UCI I804:11029-000000079042
- 본문언어 한국어
- 저작권 서강대학교 논문은 저작권 보호를 받습니다.
초록 (요약문)
공장에는 제품 제조를 위해 전기, 압축공기, 증기 등의 유틸리티 설비가 함께 구축된다. 유틸리티 설비는 많은 에너지를 소비하는데 반해 통상적으로 낮은 에너지 효율 상태로 가동되고 있다. 따라서 에너지 효율성을 높이기 위한 공장 에너지 관리시스템(FEMS)이 도입되고 있는 추세이며, 에너지 정보시스템(EIS)과 에너지 최적화 시스템(EOS) 구축이 해결안이 될 수 있다. 본 논문에서는 공장 유틸리티 스팀 에너지 수요예측을 위해 기존 산업계에서 널리 사용되는 선형회귀식을 비롯하여, 단일 딥러닝 모델 및 혼합 딥러닝 모델을 활용하여 에너지 수요예측 연구를 진행해 보았다. 먼저 데이터는 실제 식품공장에서 센서를 부착하여 장기간 수집하였는데, 현장 장비의 오류, 혹은 데이터 전송 중의 손실 등 여러 기술적인 문제로 일부 구간에서 결측치가 발생하였기에, CPI 기법 등 효과적인 데이터 전처리 기법에 대한 연구를 선행하였다. 이후 개별 딥러닝 모델에 대한 하이퍼 파라미터 설정 조합을 기본적으로 구한 후, 개별 딥러닝 모델에 대한 예측 정확도 뿐만 아니라, 개별 딥러닝 모델을 중복 활용하는 Hybrid 모델과 Blending Ensemble 모델을 활용하여 예측 정확도를 높였다. 정확도 평가 척도는 CvRMSE 를 활용하였는데, 선형회귀 - 단일 딥러닝 – 혼합 딥러닝 모델 순으로 정확도가 높아지는 결과를 보였다. 특히 혼합 딥러닝 모델을 활용하는 두 가지 방식을 비교한 바, Hybrid 모델보다는 Blending Ensemble 방식이 조금 더 우수한 에너지 수요예측 결과를 보여주는 의미 있는 결과를 얻었다.
more초록 (요약문)
Factories have been equipped with utility facilities such as electricity, compressed- air and steam to manufacture products. Utility facilities consume lots of energy but typically operate at low energy efficiency state. Therefore, the Factory Energy Management System (FEMS) has been introduced to increase energy efficiency, and utilizing Energy Information System (EIS) and Energy Optimization System (EOS) can be a solution. In this paper, to predict plant utility steam energy demand, the energy demand forecasting research was conducted by using a single deep learning model and multiple deep learning models, including the linear regression equations which is widely used in energy industries. Data was collected over a long period of time by attaching sensors in an actual food factory, but missing values has occurred in some sections due to various technical problems such as errors in field equipment or loss during data transmission. So the research on effective data preprocessing techniques such as CPI technique was conducted in advance. Then, after obtaining the basic combination of hyperparameter settings for individual deep learning models, the prediction accuragcy has been improved by using not only the individual deep learning models, but also a Hybrid model and a Blending Ensemble model that overlaply utilize individual deep learning models. As an evaluation criteria, CvRMSE was used so that the prediction accuracy is getting enhanced in the following order: linear regression - single deep learning - multiple deep learning models. In particular, when comparing two methods using multiple deep learning models, meaningful result was obtained in a way that energy demand forecasting result for the Blending Ensemble model is slightly better than the Hybrid model.
more목차
제 1장. 서론 1
제 1절. 연구 배경 및 목적 1
제 2절. 논문 구성 4
제 2장. 선행 연구 5
제 3장. 연구 방법 6
제 1절. 데이터 수집 6
제 2절. 데이터 전처리 8
(1) 데이터 손실 추정 8
(2) CPI(Copy Paste Imputation) 13
제 3절. 데이터 상관관계 분석 20
제 4절. 수요 예측 모델 설계 22
(1) 선형회귀 22
(2) RNN Model (LSTM, GRU) 23
(3) Hybrid Model 26
(4) Blending Ensemble 27
제 4장. 시험 및 결과 분석 29
제 1절. 시험 세팅 29
제 2절. 평가 척도 32
제 3절. 시험 결과 35
제 5장. 결론 43
참고 문헌 44
