예측 모형 기반 정압설비 관리 방안 연구

국문 초록 (Abstract)

도시가스의 수요는 계속해서 증가하는 추세이며 가정 및 산업에서 광범위하게 사용되고 있다. 그러나 도시가스는 가연성과 폭발성 등으로 사고 가능성이 항상 존재한다. 또한 도시가스 수요를 과다 예측할 경우에 재고의 유지 및 관리비용이 상승하여 수급관리가 비효율적으로 이루어진다. 안정적인 도시가스의 공급을 위해서는 가스 사용기기에 적합한 가스 압력을 일정하게 유지시켜주는 도시가스 정압기의 압력값을 예측할 필요성이 있다. 본 논문은 시계열모형과 머신러닝모형을 기반으로 도시가스 정압기 예측시스템을 제안함으로써 정압기 압력 관리 시스템의 효율성을 높이고자 한다.
분석을 위한 데이터는 SCADA 시스템을 기반으로 수집한 정압기의 2차 압력 데이터를 이용하고, 압력의 영향을 주는 요소인 온도 변수를 추가 통합해 사용한다. 온도 변수는 정압기 압력 수치와 같은 시점으로 이루어진다. 데이터 전처리를 한 뒤, 장기예측과 단기예측을 하기 위한 학습데이터와 평가데이터를 생성한다.
전통적 시계열 모형인 SARIMA 모형, SARIMAX 모형과 머신러닝 기반 모형인 LSTM 모형, Transformer 모형을 이용하여 예측 모델을 구현한다. 모델을 구현한 뒤, 성능평가를 위한 척도는 RMSE를 사용한다. 장기예측을 한 경우에는 SARIMAX 모형의 RMSE가 0.0248로 가장 낮음을 확인하였다. 반면에 여름을 단기예측한 경우에는 SARIMA 모형의 RMSE가 0.013으로 가장 낮았고, 겨울을 단기예측한 경우에는 SARIMA 모형의 RMSE가 0.0189로 가장 낮음을 확인하였다.
구축된 도시가스 정압기의 압력 예측시스템을 통해 향후 장기, 단기로 나누어 압력수치를 예측할 수 있으며 예측결과는 정압기 운용의 체계화에 적용될 수 있다. 또한 전문가는 예측시스템을 통해 압력 이상 여부를 예상하고 대비할 수 있고 이를 통해 정압기의 안전관리에 기여할 것으로 기대한다.

다국어 초록 (Multilingual Abstract)

Demand for city gas continues to increase and is widely used in
homes and industries. However, there is always a possibility of
accidents due to combustibility and explosive gas. In addition,
when the demand for urban gas is excessively predicted, the
maintenance and management costs of inventory increase,
resulting in inefficient supply and demand management. In order
to supply stable city gas, it is necessary to predict the pressure
value of the city gas static pressurizer that maintains a constant
gas pressure suitable for gas use devices. This paper aims to
increase the efficiency of the static pressure management system
by proposing a city gas static pressure machine prediction system
based on the time series model and machine learning model.
Data for analysis uses secondary pressure data of static pressure
devices collected based on the SCADA system, and additionally
integrates temperature variables, which are factors that influence
pressure. The temperature variable consists of the same point in
time as the static pressure value. After preprocessing the data,
learning data and evaluation data are generated for long-term and
short-term predictions.
The predictive model is implemented using the traditional time
series model SARIMA model, SARIMAX model, and machine
learning-based model LSTM model, and Transformer model. After
implementing the model, RMSE is used as a measure for
performance evaluation. In the case of long-term prediction, it
was confirmed that the RMSE of the SARIMAX model was the
lowest at 0.0248. On the other hand, in the case of short-term
prediction of summer, the RMSE of the SARIMA model was the
lowest at 0.013. In the case of short-term prediction of winter, it
was confirmed that the RMSE of the SARIMA model was the
lowest at 0.0189.
Through the established pressure prediction system of city gas
static pressure devices, pressure values can be predicted in the
long and short term in the future, and the prediction results can
be applied to the systematization of static pressure operation. In
addition, experts expect to be able to predict and prepare for
abnormal pressure through the prediction system and contribute to
the safety management of static pressure devices.

목차 (Table of Contents)

• 제 1 장 서론 1
• 제 2 장 정압설비 소개 및 사용데이터 2
• 2.1 정압설비 소개 2
• 2.2 사용 데이터 3
• 제 3 장 예측 방법론 4
• 3.1 SARIMA 모형 4
• 3.2 SARIMAX 모형 4
• 3.3 LSTM 모형 5
• 3.4 Transformer 모형 8
• 제 4 장 예측시스템 구현 사례 10
• 4.1 예측시스템 구조 10
• 4.2 데이터 전처리 11
• 4.3 데이터 패턴 분석 12
• 4.4 장기예측 결과 16
• 4.5 단기예측 결과 21
• 제 5 장 성능 평가 및 예측 전망 26
• 5.1 평가 방법 26
• 5.2 평가 결과 27
• 제 6 장 결론 30
• 참고문헌 31