딥러닝 기반의 가정용 가스 수요 예측 모델 개발

Abstract

개인 가정의 가스 사용량 측정에는 일반적으로 검침원이 투입되어 수동으로 실행된다. 그러나, 수동적인 방법은 비용이 크고, 실시간으로 가스사용량을 반영할 수 없는 문제가 있다. 최근에는 이러한 문제를 해결하기 위해 원격 검침이 가능한 스마트 가스미터가 개발되고 있으나 가스미터 장치에 자석을 부착하는 등 데이터 수집을 방해하는 악의적인 사용은 스마트 가스미터의 문제점 중 하나로 꼽히고 있다. 이러한 문제는 사용량을 비교할 수 있는 예측 모델이 있다면 악의적인 사용을 감지하는데 도움이 될 것이다. 본 연구진은 문제 해결을 위해 시계열 데이터 학습 모델인 Long short term memory을 사용하여 가스 수요 예측 가능성을 검증하였다. 모델을 검증하기 위해 실제 운영 중인 스마트 가스미터로부터 데이터 수집하였고, 과거 일주일간의 시간에 따른 사용량을 입력, 48시간 뒤의 사용량 값을 출력으로 학습한 모델을 실제 값과 비교하여 검증하였으며 그 결과로 98.08%의 정확도를 얻었다.

Measurement of the residential gas usage by human had some problems such as time consuming process, non-realtime because it requires humans to visit every home. In recent years, the smart gas meter, which combines traditional gas meter with internet of things technology, is having attention as a solution that covers the restriction of the passive methods. However, the malicious usage, or packet loss by any physical communication error, is emerging as the critical problems. To solve the problem, a gas demand prediction can be used as one of the solutions because the predicted value could be used as the reference to determine whether there are the errors of the measured values. Based on the fact, we proposed the residential gas demand prediction model based on long short term memory that is one of deep learning algorithms. To demonstrate and evaluate the proposed model, we collected the real residential gas usage data for 100 households from July to September, and realized that there are usage patterns depending on the date, time of day and week. With the facts, we trained the proposed model to predict the gas demand after 48 hours from the input. As the result of that, we achieved 96.08% accuracy.