정보처리학회 논문지 소프트웨어 및 데이터 공학
Current Result Document :
| 한글제목(Korean Title) |
데이터 마이닝 기반 스마트 공장 에너지 소모 예측 모델 |
| 영문제목(English Title) |
An Energy Consumption Prediction Model for Smart Factory Using Data Mining Algorithms |
| 저자(Author) |
이명배
임종현
김유빈
신창선
박장우
Sathishkumar V E
Myeongbae Lee
조용윤
Jonghyun Lim
Yubin Kim
Changsun Shin
Jangwoo Park
Yongyun Cho
|
| 원문수록처(Citation) |
VOL 09 NO. 05 PP. 0153 ~ 0160 (2020. 05) |
한글내용
(Korean Abstract) |
산업용 에너지 소비 예측은 에너지 수요와 공급에 동적이고 계절적인 변화가 있기 때문에 에너지 관리 및 제어 시스템에서 중요한 위치를 차지한다. 본 논문은 철강 산업의 에너지 소비 예측 모델을 제시하고 논의한다. 사용되는 데이터에는 후행 및 선도적인 전류 반응 전력, 후행 및 선도적인 전류 동력 계수, 이산화탄소(TCO2) 배출 및 부하 유형이 포함된다. 테스트 세트에서는 (a) 선형 회귀(LR), (b) 방사형 커널(SVM RBF), (c) Gradient Boosting Machine (GBM), (d) 무작위 포리스트(RF). 평균 제곱 오차(RMSE), 평균 절대 오차(MAE) 및 평균 절대 백분율 오차(ME)의 네 가지 통계 모델을 사용하여 예측하고 평가한다. 회귀 설계의 효율성 모든 예측 변수를 사용할 때 최상의 모델 RF는 테스트 세트에서 RMSE값 7.33을 제공할 수 있다.
|
영문내용
(English Abstract) |
Energy Consumption Predictions for Industries has a prominent role to play in the energy management and control system as dynamic and seasonal changes are occurring in energy demand and supply. This paper introduces and explores the steel industry's predictive models of energy consumption. The data used includes lagging and leading reactive power lagging and leading current variable, emission of carbon dioxide (tCO2) and load type. Four statistical models are trained and tested in the test set: (a) Linear Regression (LR), (b) Radial Kernel Support Vector Machine (SVM RBF), (c) Gradient Boosting Machine (GBM), and (d) Random Forest (RF). Root Mean Squared Error (RMSE), Mean Absolute Error (MAE) and Mean Absolute Percentage Error (MAPE) are used for calculating regression model predictive performance. When using all the predictors, the best model RF can provide RMSE value 7.33 in the test set.
|
| 키워드(Keyword) |
Energy Consumption
Data Mining
Random Forest
Linear Regression
Gradient Boosting Machine
Support Vector Machine
에너지 소모량
데이터 마이닝
램던 포레스트
선형회귀
점진적 부스팅 머신
서포트 벡터 머신
|
| 파일첨부 |
PDF 다운로드
|
