변형된 Attention 메커니즘 기반의 LSTM을 통한 전력수요 예측 프레임웍 (Electricity Demand Forecasting Framework using Modified Attention-based LSTM)

서지정보

· 발행기관 : 한국지능시스템학회
· 수록지 정보 : 한국지능시스템학회 논문지 / 30권 / 3호 / 242 ~ 250페이지
· 저자명 : 조영기, 이현수

초록

본 연구는 효율적인 스마트 그리드 시스템을 운용하기 위한 필수 불가결한 요소인 전력수요의 보다정확한 예측을 그 대상으로 한다. 기존의 시계열적 방법론 및 인공신경망을 이용한 방법론 들이 전력수요 예측에 쓰이는 동안, 전력수요가 가지는 비선형적 요소 및 소수의 데이터 등이 그 이슈로 여겨져 왔다. 이를 해소하기 위하여, 본 연구는 두 개의 LSTM을 하나의 Attention Mechanism으로연결한 변형된 Attention Mechanism 기반의 LSTM (MA-LSTM)을 제안한다. MA-LSTM은 기존의 시계열화되어 있는 데이터를 첫 번째 LSTM에 넣고, 여기서 추출된 attention 요소들을 두 번째LSTM에 넣어 학습한 후, 최종적으로 Attentaion 레이어에서 결합하는 형태를 취한다. 이를 통하여소수의 데이터를 가지고 보다 정확하게 특성에 기초하여 학습 및 예측하는 특징을 가진다. 본 연구에서는 실제 전력수요 데이터의 예측을 통하여, 제안된 프레임웍을 ARIMA 및 LSTM과 비교하여 그우수성을 실험적으로 보여준다.

영어초록

This research focuses on an electricity demand forecasting framework, which is an essential component of an efficient smart grid system. While time-series analysis and neural network-based approaches have been applied, non-linearity and few number of data are considered main issues. In order to overcome these issues, the research proposes a Modified Attention-based Long Short Term Memory(MA-LSTM) which combines two LSTMs with one Attention layer. While the first LSTM handles the original data, the second LSTM module handles attention-based context features extracted from the data. Then, these are combined with an attention layer. For this manner, the more accurate features are trained with a small number of data in the proposed MA-LSTM. In order to show the effectiveness of MA-LSTM, the real electricity data forecasting is conducted and compared with ARIMA and LSTM methods.

참고자료

· 없음