국내 비거주 전력사용량 기반 장단기 예측을 위한 딥러닝 모델 최적화 방안 연구 = Optimization of Deep Learning Models for Fine-grained Long and Short term Prediction of Power Consumption in Non-Resident Domestic Environment

국문 초록 (Abstract)

전세계적으로 전력사용량은 꾸준히 증가하고 있으며 탄소 배출을 줄이기 위한 다양한 정책들이 등장하고 있다. 전력수요가 지속적으로 증가함에 따라 전력설비의 효율적인 운영, 정전 예방, 효과적인 에너지 관리를 위해 정확한 전력사용량 예측이 중요해지고 있다. 그러나, 기존 통계적 방법을 통한 예측은 다양한 공간적, 시간적 요인의 영향을 받는 전력데이터에 내재되어 있는 불규칙하고 복잡한 패턴으로 인해 정확한 예측에 어려움을 겪고 있다. 최근에는 머신러닝, 딥러닝 등 인공지능 기술이 전력사용량 예측, 이상탐지 등 다양한 영역에서 불규칙 패턴을 예측하는 문제에 사용되고 있다. 전력사용량은 환경에 많은 영향을 받는 데이터 중 하나이다. 거주 환경과 비거주 환경의 경우를 비교하면 거주 환경은 사람의 근로 형태나 거주형태에 따라 차이가 있고 비거주 환경은 특정 시간대에 전력 소비량이 많아지거나 전력 소비가 일정하게 이루어지는 특징이 있다. 또한, 정확한 전력사용량 예측을 위한 한가지 문제는 우리나라 고유 기후와 공간적 특성을 고려한 개방형 전력데이터 세트가 부족하다는 점이다. 기존 공개 데이터세트는 외국에서 수집되어 공개된 데이터가 많아 한국 상황에 직접적으로 적용하긴 어렵다. 본 학위 논문에서는 한국의 특수한 기후와 공간적 특성을 고려할 수 있도록 전남대학교와 경기도 지역의 공장에서 전력사용량 데이터를 수집하였다. 확보한 전남대학교의 공과대학 7호관 전력 사용량 데이터와 경기도 지역의 공장에서 수집한 고압 전력-1시간 데이터세트는 거주 환경과 달리 비거주 환경 특성을 가지고 있으며 상세 분석 및 시각화를 통해 우리나라 전력 소비의 패턴과 추세를 파악했다. 확보한 데이터세트는 딥러닝 기술에 적용하여 국내 비거주 전력 데이터 고유의 시간적, 공간적 특성을 학습하였다. 학습된 모델은 정확하고 신뢰할 수 있는 전력 소비 예측이 가능하여 우리나라 전력설비 운영의 최적화, 정전예방 및 전력자원의 효율적 활용에 기여할 것으로 기대한다. 본 학위 논문은 전남대학교와 경기도 공장에서 수집한 고압 전력 데이터세트를 공개 및 활용하고 딥러닝 기술을 적용하여 환경적, 시간적, 공간적 특성이 반영된 전력 예측 문제에 대한 실질적인 통찰력과 솔루션을 제공하는 것을 목표로 한다. 이러한 목표와 문제를 해결하기 위해서 국외 거주 전력 사용량 데이터인 프랑스 가정용 데이터세트와 스페인 데이터세트를 활용한 초단기부터 초장기 예측 연구를 진행하여 세밀한 장단기 예측을 위한 실험결과를 도출하였다. 실험결과를 바탕으로 1시간부터 24시간까지 1시간 단위의 세밀한 전력사용량을 예측할 수 있도록 실험 환경을 구성하였다. 실험 환경을 바탕으로 전남대학교 공과대학교 7호관 전력데이터와 공장의 고압 전력-1시간 데이터를 딥러닝 모델에 학습하였다. 딥러닝 모델은 기초적인 MLP 모델뿐만 아니라 RNN 계열의 LSTM, GRU와 최근 시계열 데이터에 적합하고 데이터의 주기성 패턴을 파악하여 예측하는 TCN 모델과 이를 경량화한 Stride-TCN 모델, 데이터의 주요 패턴에 집중하여 값을 예측하는 Transformer 모델의 인코더 구조를 3계층과 8계층으로 구성한 모델을 비교하였다. 그 결과로, 국내 비거주 전력사용량 데이터 세트에서는 비거주 환경으로 인해 기온, 습도, 기압 데이터의 영향을 덜 받으며 평균적으로 TCN 모델이 더 높고 좋은 성능을 보였다. 한국의 환경적, 시간적, 공간적 특성을 잘 반영할 수 있는 TCN 모델은 하이퍼파라미터 최적화를 통해 최적화된 파라미터 값을 도출하였으며 단변량과 다변량에서 모두 좋은 성능을 보였다. 도출된 최적 하이퍼 파라미터값을 바탕으로 전남대학교 전력사용량 데이터 세트와 같이 주기적인 패턴을 가지는 경우에는 커널 사이즈가 작은 TCN 모델이 우수하였으며 고압 전력-1시간 데이터세트와 같이 변동성이 큰 경우에는 커널 사이즈가 큰 TCN 모델이 우수하다는 것을 알 수 있었다.

목차 (Table of Contents)

• 1. 서론 1
• 가. 연구 배경 1
• 나. 관련 연구 2
• 2. 전력사용량 데이터 관련 연구 4
• 가. 전력사용량 데이터 분석 및 전처리 4
• 1) 전력사용량 예측 데이터 분석 4
• 가) 국외 거주 환경 데이터 세트 4
• (1) 프랑스 가정 전력 데이터(Household Dataset) 4
• (2) 스페인 데이터세트(Spain Dataset) 4
• 나) 국내 비거주 환경 데이터 세트 5
• (1) 전남대학교 전력사용량 데이터세트(CNU Dataset) 5
• (가) 단변량 데이터 세트 5
• (나) 다변량 데이터 세트 5
• (2) 고압 전력-1시간 데이터세트(High Voltage-1hour Datset) 6
• (가) 단변량 데이터 세트 6
• (나) 다변량 데이터 세트 6
• 2) 전력사용량 예측 데이터 전처리 7
• 가) 국외 거주 환경 전력사용량 데이터세트 시각화 및 전처리 7
• 나) 국내 비거주 환경 전력 사용량 데이터세트 시각화 8
• 다) 전력사용량 데이터세트 전처리 11
• 나. 거주 환경과 비거주 환경의 데이터 전처리 비교 분석 12
• 다. 단변량 전력 데이터와 다변량 전력 데이터 14
• 3. 전력 데이터를 위한 딥러닝 모델 16
• 가. 전력 데이터기반 딥러닝 모델 16
• 1) 전력 데이터기반 딥러닝 모델 16
• 가) 멀티 퍼셉트론 레이어(Multi Layer Perceptron, MLP) 모델 16
• 나) 순환신경망(Recurrent Neural Network, RNN) 모델 17
• (1) RNN 네트워크 17
• (2) LSTM(Long Short Term Memory) 모델 18
• (3) GRU(Gated Recurrent Unit) 모델 20
• 다) TCN(Temporal Convolutional Network) 모델 21
• (1) TCN 구조 22
• (2) 시퀀스 모델링 22
• (3) Causal 컨볼루션 23
• (4) Dilated 컨볼루션 24
• (5) Residual Connections 25
• 라) Stride-TCN 네트워크 25
• 마) Transformer 네트워크 26
• (1) S2S(Sequence to Sequence) 26
• (2) Attention 네트워크 28
• (3) Transformer 네트워크 내 인코더 29
• (4) Transformer 네트워크 내 디코더 31
• (5) Transformer 네트워크 모델 구성 31
• 4. 국외 전력 데이터기반 딥러닝 모델 적용 33
• 가. 국외 전력 데이터의 딥러닝 모델 적용 33
• 1) 국외 전력데이터 실험 및 결과 33
• 가) 프랑스 가정용 전력 사용량 데이터 실험 34
• 나) 스페인 전력 사용량 데이터 실험 35
• 나. 국외 전력 데이터의 딥러닝 모델 실험 정리 37
• 1) 프랑스 가정용 전력 사용량 데이터 실험 정리 37
• 2) 스페인 전력 사용량 데이터 실험 정리 39
• 5. 국내 전력 데이터기반 머신러닝과 딥러닝 모델 적용 41
• 가. 단변량 국내 전력 데이터기반 딥러닝 모델 실험 41
• 1) 전남대학교 전력사용량 데이터세트 41
• 2) 고압 전력-1시간 데이터세트 45
• 나. 단변량 국내 전력 데이터기반 딥러닝 모델 실험 정리 50
• 1) 전남대학교 전력 사용량 데이터 실험 정리 50
• 2) 고압 전력-1시간 데이터세트 실험 정리 52
• 다. 다변량 국내 전력 데이터기반 딥러닝 모델 실험 55
• 1) 전남대학교 전력사용량 데이터세트 55
• 2) 고압 전력-1시간 데이터세트 59
• 라. 다변량 국내 전력 데이터기반 딥러닝 모델 실험 정리 63
• 1) 전남대학교 전력 사용량 데이터 실험 정리 63
• 2) 고압 전력-1시간 데이터세트 실험 정리 65
• 마. 단변량/다변량 전력 데이터기반 딥러닝 모델 정리 67
• 사. 국내/국외 데이터기반 딥러닝 모델 정리 70
• 6. 비거주 전력 데이터기반 최적 딥러닝 모델 적용 72
• 가. 딥러닝 모델의 하이퍼 파라미터 최적화 72
• 1) 휴리스틱 딥러닝 모델 72
• 2) 딥러닝 모델의 하이퍼 파라미터 최적화 72
• 가) 베이지안 최적화(Bayesian Optimization, BO) 72
• 나) 하이퍼밴드 최적화(Hyperband Optimization, HO) 73
• 3) TCN 모델의 파라미터 설정 73
• 나. 단변량 데이터 실험 결과 74
• 1) 전남대학교 전력사용량 데이터 세트 74
• 2) 고압 전력-1시간 데이터세트 77
• 다. 다변량 데이터 실험 결과 80
• 1) 전남대학교 전력사용량 데이터 세트 80
• 2) 고압 전력-1시간 데이터세트 83
• 7. 결론 및 향후계획 88
• 가. 결론 88
• 참고문헌 90
• Abstract(영문초록) 98