특수일 분리와 예측요소 확장을 이용한 전력수요 예측 딥 러닝 모델Deep Learning Model for Electric Power Demand Prediction Using Special Day Separation and Prediction Elements Extentio
- Other Titles
- Deep Learning Model for Electric Power Demand Prediction Using Special Day Separation and Prediction Elements Extentio
- Authors
- 박준호; 신동하; 김창복
- Issue Date
- 2017
- Publisher
- 한국항행학회
- Keywords
- Machine learning; Deep learning; Artificial neural network; Power Electric demand prediction; LSTM.
- Citation
- 한국항행학회논문지, v.21, no.4, pp.365 - 370
- Journal Title
- 한국항행학회논문지
- Volume
- 21
- Number
- 4
- Start Page
- 365
- End Page
- 370
- URI
- https://scholarworks.bwise.kr/gachon/handle/2020.sw.gachon/6881
- DOI
- 10.12673/jant.2017.21.4.365
- ISSN
- 1226-9026
- Abstract
- 본 연구는 전력수요 패턴이 다른 평일과 특수일 데이터가 가지는 상관관계를 분석하여, 별도의 데이터 셋을 구축하고, 각 데이터 셋에 적합한 딥 러닝 네트워크를 이용하여, 전력수요예측 오차를 감소하는 방안을 제시하였다. 또한, 기본적인 전력수요 예측요소인 기상요소에 환경요소, 구분요소 등 다양한 예측요소를 추가하여 예측율을 향상하는 방안을 제시하였다. 전체데이터는 시계열 데이터 학습에 적합한 LSTM을 이용하여 전력수요예측을 하였으며, 특수일 데이터는 DNN을 이용하여 전력수요예측을 하였다. 실험결과 기상요소 이외의 예측요소 추가를 통해 예측율이 향상되었다. 전체 데이터 셋의 평균 RMSE는 LSTM이 0.2597이며, DNN이 0.5474로 LSTM이 우수한 예측율을 보였다. 특수일 데이터 셋의 평균 RMSE는 0.2201로 DNN이 LSTM보다 우수한 예측율을 보였다. 또한, 전체 데이터 셋의 LSTM의 MAPE는 2.74 %이며, 특수 일의 MAPE는 3.07 %를 나타냈다.
- Files in This Item
- There are no files associated with this item.
- Appears in
Collections - IT융합대학 > 에너지IT학과 > 1. Journal Articles
![qrcode](https://api.qrserver.com/v1/create-qr-code/?size=55x55&data=https://scholarworks.bwise.kr/gachon/handle/2020.sw.gachon/6881)
Items in ScholarWorks are protected by copyright, with all rights reserved, unless otherwise indicated.