대청댐 수위 예측을 위한 Neural Networks의 적용 (Application of Neural Networks to Predict Daecheong Dam Water Levels)

서지정보

· 발행기관 : 한국방재학회
· 수록지 정보 : 한국방재학회논문집 / 22권 / 1호 / 67 ~ 78페이지
· 저자명 : 류용민, 이의훈

초록

정확한 수위의 예측은 댐과 같은 수공구조물의 효율적인 운영을 위해 필수적이다. 그러나 수위변화에 영향을 미치는 모든 인자들을 고려하여 예측을 하는 것은 불가능하다. 최근에는 인공신경망의 발달로 인해 딥러닝 모형을 통한 수위예측에 대한 연구가 진행되었다. 본 연구에서는 대청댐의 수위예측을 위해 딥러닝 기법 중 Multi Layer Perceptron (MLP)와 시계열 데이터 처리에 장점이 있는 Recurrent Neural Network (RNN) 및 Long Short-Term M emory (LSTM )을 사용하였다. 수위예측을 하는 과정에서 정확도 향상을 위해 세 가지 데이터 전처리 과정을 적용하였다. 적용한 데이터 전처리 과정은 지체시간의 고려, 댐의 방류량 추가, 자료의 정규화이다. 세 가지 데이터 전처리 과정을 통해 총 8개의 case를 생성하였다. 지체시간을 고려한 자료로 정규화를 실시하여 LSTM의 입력자료로 사용한 경우 댐의 첨두수위 예측에서 가장 좋은 예측결과를 나타냈다. 본 연구에서 적용한 데이터 전처리 기법뿐만이 아닌 다양한 데이터 전처리 기법을 적용하면 RNN 및 LSTM은 기존보다 좋은 예측결과를 나타낼 것이다.

영어초록

The accurate prediction of water levels is essential for the efficient operation of hydraulic structures such as dams. However, such predictions are impossible when considering all factors affecting water level changes. Recently, with the development of artificial neural networks, there has been research on water level prediction using deep learning models. In this study, the deep learning technique of Multi-Layer Perceptron (MLP) was combined with Recurrent Neural Network (RNN) and Long Short-Term Memory (LSTM) techniques, which afford advantages in time series data processing to predict the water level of Daecheong Dam. Three data preprocessing processes were applied to improve accuracy in water level predictions by taking travel time into account, adding the outflow data of the dam, and normalizing the data. Eight cases were created with the three data preprocessing processes. When normalization was performed for the data that took travel time into account and the data were then used as input data for LSTM, the best prediction result was found for the peak water level of the dam. If various other data preprocessing techniques are applied in addition to those applied in this study, RNN and LSTM will show improved prediction results.

참고자료

· 없음