딥 러닝 시스템을 활용한 단기전력부하 예측에 관한 연구 : 시계열 분석기법과 LSTM을 중심으로

다국어 초록 (Multilingual Abstract)

This paper aims to derive accurate demand forecast results by applying deep learning algorithm to demand prediction for short-term power load, and describes what advantages the experimental results offer in terms of acceptance.

The test subjects were selected consumers of four factories, buildings, plant-building complexes, and houses with different power usage types. For each customer, 46 months of 15-minute data were used, and the experiments were carried out in seven detailed preprocessing steps to improve the predictive performance. The prediction result is derived by the methodology developed by applying.

Based on the results obtained, the results of the time series analysis method, which was widely used for the existing power load prediction study, were compared with the results predicted by the moving average method, exponential smoothing method, regression analysis method and ARIMA(Autoregressive Integrated Moving Average) model, and the methodology developed by applying LSTM proved the superiority of 110 out of 168 CASEs.

국문 초록 (Abstract)

본 논문은 단기전력부하에 대한 수요예측을 딥 러닝 알고리즘을 응용하여 개발한 방법론으로 정확한 수요예측결과를 도출하고자 함이며, 실험결과가 수용가 측면에서 어떠한 장점을 제공하는지에 대하여 기술했다.

실험 대상은 전력사용 유형이 다른 공장, 건물, 공장-건물복합, 주택 4개의 수용가를 선정했다. 각 수용가의 46개월치 15분단위 데이터를 사용했고, 실험내용은 예측성능을 높이기 위해 상세 7단계의 전처리 과정을 수행했으며, 각 활용도와 상황에 맞는 case를 총 168개로 분리하고, 딥 러닝 알고리즘인 LSTM을 응용하여 개발한 방법론으로 예측결과를 도출했다.

도출된 결과를 바탕으로 기존 전력부하예측 연구에 많이 활용된 시계열 분석기법인 이동평균법, 지수평활법, 회귀분석법, ARIMA모형으로 예측한 결과와 비교했고, LSTM을 응용하여 개발한 방법론이 전체 168개 CASE 중에서 110개 CASE에 대한 우수성을 입증했다.

목차 (Table of Contents)

• 국문초록 i
• 표 목 차 v
• 그림목차 vi
• 제1장 서 론 1
• 제1절 연구배경 및 목적 1
• 제2절 연구의 내용 6
• 제2장 연구 동향 및 관련 연구 9
• 제1절 전력부하 예측 연구의 동향 9
• 제2절 전력예측 연구 10
• 1) 기온특성을 고려한 단기 전력수요예측 10
• 2) 딥 러닝 기반의 전력수요예측 10
• 3) 부분선형모형을 이용한 전력수요 예측 10
• 4) ARIMA 및 다중회귀모형을 이용한 최대전력예측 11
• 5) 기계학습 기반 전력부하예측 11
• 6) LSTM을 이용한 전력수요예측 11
• 제3절 금융예측 연구 12
• 1) 금융주가 12
• 2) 국제유가 12
• 3) 비트코인 12
• 제4절 기상예측 연구 13
• 1) 기상기온 13
• 2) 미세먼지 13
• 3) 하천수위 13
• 제5절 항공예측 연구 14
• 1) 노년층 해외여행 수요 14
• 2) 저가항공 수요 14
• 3) 항공화물 수요 14
• 제6절 그 밖의 예측 연구 15
• 1) 부동산 가격지수 15
• 2) 자동차 수요 15
• 3) 육류 소매가격 16
• 4) 화장(火葬)수요 16
• 제3장 시계열 예측기법 17
• 제1절 시계열 개념 및 정의 17
• 제2절 시계열 예측방법 17
• 제3절 시계열 예측기법의 종류 18
• 1) 이동평균법 18
• 2) 지수평활법 19
• 3) 회귀분석법 19
• 4) ARIMA모형(자기회귀누적이동평균모형) 22
• 5) 인공신경망 24
• 제4장 실험 대상 선정 31
• 제1절 대상선정 개요 31
• 제2절 테크노파크 신기술산업지원센터 31
• 제3절 대구도시공사 32
• 제4절 세하 주식회사 32
• 제5절 지산5단지 아파트 32
• 제5장 딥 러닝을 활용한 예측실험 34
• 제 1 절 시스템 환경 34
• 제 2 절 데이터 전처리 35
• 제3절 실험 내용 38
• 1) 실험 요소 38
• 2) 실험 결과 I 51
• 3) 실험 결과 II 52
• 4) 실험 결과 III 55
• 5) 실험 결과 IV 59
• 6) 결과 비교 60
• 제6장 결 론 및 시사점 63
• 제1절 결 론 63
• 제2절 시사점 64
• 1) 적용방법 및 기대효과 64
• 2) 향후 연구 방향 65
• 참고문헌 67
• 부 록 70
• 부 록 1(한전전력요금체계) 70
• 부 록 2(LSTM 실험결과) 71
• 부 록 3(실험결과 비교자료) 93
• Abstract 98