데이터베이스 연구회지(SIGDB)
Current Result Document :
| 한글제목(Korean Title) |
C-LSTM 모델을 이용한 단기 전력 예측 |
| 영문제목(English Title) |
Short-term Electricity Forecasting Using Convolutional Long Short Term Memory(C-LSTM) |
| 저자(Author) |
서휘
조문증
Hwi Seo
Moon-Jeung Joe
|
| 원문수록처(Citation) |
VOL 39 NO. 01 PP. 0006 ~ 0017 (2023. 04) |
한글내용
(Korean Abstract) |
효율적인 발전 설비 운용과 에너지 공급을 위해서는 정확한 전력 예측이 필수적이다. 전력 예측은 수일 내의 전력 사용량의 변화를 예측하는 단기 예측과 수개월 간의 전력 사용량의 흐름을 예측을 하는 장기 예측 으로 나누어진다. 본 논문은 신경망을 활용한 단기 전력 예측에 대해 분석하고 성능을 개선하는 방안을 제안한다. 시계열 데이터를 효과적으로 처리하기 위해 합성곱 신경망(CNN: Convolutional Neural Network)과 순환 신경망(RNN: Recurrent Neural Network)의 일종인 LSTM(Long short-Term Memory)을 결합한 C-LSTM 딥러닝 모델을 제안한다. 본 연구에서는 신경망을 활용하여 전력량 같은 값의 변화 범위가 넓고 예측이 어려운 시계열 데이터 예측에 있어 정확도에 미치는 요인을 분석하였다. 그 결과 1) 신경망 입력의 범위를 결정하는 데이터의 정규화, 2) 신경망 출력에 영향을 주는 활성화 함수가 정확도에 영향을 미치는 것 을 확인하였다. UK-DALE 데이터를 사용한 단기 전력 예측 실험에서 기존의 정규화 방법 중에서 MinMax 정규화 방법과 신경망의 활성화 함수 Leaky-ReLU를 결합하였을 때 MAE 기준 98%의 가장 높은 정확도를 보이는 것을 확인하였다. 또한, 전력량의 정확도를 높이기 위해 외부 요인으로 날씨와 날짜를 추가적인 입력 으로 사용한 실험을 수행하였으나 정확도 향상에는 크게 영향이 없었다. 이는 전력량 단기 예측에는 외부 요인의 영향력이 적으며, 계절의 변화에 따른 장기 예측 결과에 좀 더 영향이 큰 것으로 예측된다.
|
영문내용
(English Abstract) |
Electricity forecasting is essential for efficient operation of power generation facilities and energy supply. Electricity forecasts are divided into short-term forecasts that predict changes in electricity usage within days and long-term forecasts that predict the flow of electricity usage over several months. This paper proposes a short-term electricity forecasting method using neural networks. To handle time series data effectively, we propose a C-LSTM deep learning model that combines convolutional neural networks (CNN) and long short-term memory (LSTM), a type of recurrent neural network (RNN). In this study, a neural network was used to analyze the factors affecting accuracy in predicting time series data with no fixed range of values such as electricity. As a result, we verified 1) normalization of data that determines the range of neural network input, and 2) activation functions that affect neural network output affect prediction accuracy. Short-term electricity forecasting experiments using UK-DALE data showed the highest accuracy of 98% based on MAE when combining the MinMax normalization method with the neural network activation function Leaky-ReLU. In addition, an experiment using weather and date as additional inputs was conducted to increase the accuracy of electricity, but there was no significant effect on the prediction accuracy improvement. We assumed that the weather and date information does not affect short-term electricity prediction, but is a useful factor for long-term forecasting that reflects the season. |
| 키워드(Keyword) |
딥러닝
C-LSTM
전력 예측
Deep Learning
C-LSTM
Electricity Forecasting
|
| 파일첨부 |
PDF 다운로드
|
