기온 데이터를 반영한 전력수요 예측 딥러닝 모델 (Electric Power Demand Prediction Using Deep Learning Model with Temperature Data)

서지정보

· 발행기관 : 한국정보처리학회
· 수록지 정보 : 정보처리학회 논문지 / 11권 / 7호 / 307 ~ 314페이지
· 저자명 : 윤협상, 정석봉

초록

최근 전력수요를 예측하기 위해 통계기반 시계열 분석 기법을 대체하기 위해 딥러닝 기법을 활용한 연구가 활발히 진행되고 있다. 딥러닝 기반전력수요 예측 연구 결과를 분석한 결과, LSTM 기반 예측 모델의 성능이 우수한 것으로 규명되었으나 장기간의 지역 범위 전력수요 예측에 대해LSTM 기반 모델의 성능이 충분하지 않음을 확인할 수 있다. 본 연구에서는 기온 데이터를 반영하여 24시간 이전에 전력수요를 예측하는 WaveNet기반 딥러닝 모델을 개발하여, 실제 사용하고 있는 통계적 시계열 예측 기법의 정확도(MAPE 값 2%)보다 우수한 예측 성능을 달성하는 모델을개발하고자 한다. 먼저 WaveNet의 핵심 구조인 팽창인과 1차원 합성곱 신경망 구조를 소개하고, 전력수요와 기온 데이터를 입력값으로 모델에주입하기 위한 데이터 전처리 과정을 제시한다. 다음으로, 개선된 WaveNet 모델을 학습하고 검증하는 방법을 제시한다. 성능 비교 결과, WaveNet기반 모델에 기온 데이터를 반영한 방법은 전체 검증데이터에 대해 MAPE 값 1.33%를 달성하였고, 동일한 구조의 모델에서 기온 데이터를 반영하지않는 것(MAPE 값 2.31%)보다 우수한 전력수요 예측 결과를 나타내고 있음을 확인할 수 있다.

영어초록

Recently, researches using deep learning-based models are being actively conducted to replace statistical-based time series forecasttechniques to predict electric power demand. The result of analyzing the researches shows that the performance of the LSTM-basedprediction model is acceptable, but it is not sufficient for long-term regional-wide power demand prediction. In this paper, we proposea WaveNet deep learning model to predict electric power demand 24-hour-ahead with temperature data in order to achieve the predictionaccuracy better than MAPE value of 2% which statistical-based time series forecast techniques can present. First of all, we illustrate adelated causal one-dimensional convolutional neural network architecture of WaveNet and the preprocessing mechanism of the inputdata of electric power demand and temperature. Second, we present the training process and walk forward validation with the modifiedWaveNet. The performance comparison results show that the prediction model with temperature data achieves MAPE value of 1.33%,which is better than MAPE Value (2.33%) of the same model without temperature data.

참고자료

· 없음