표제지
국문초록
Abstract
목차
Ⅰ. 서론 14
1. 배경 14
2. 문제 정의 및 연구 목적 14
3. 문헌 검토 16
4. 기여 18
1) 예측 대상의 확대 및 통합 18
2) 실시간 모델 학습 및 예측 18
3) 적은 개발 비용 및 쉬운 유지 보수 18
5. 논문 구성 19
Ⅱ. 순전력수요 및 ANN·LSTM 예측 알고리즘 20
1. 순전력수요 정의 20
2. 예측 알고리즘의 종류 22
1) ANN(Artificial Neural Networks) 22
2) LSTM(Long Short-Term Memory) 23
Ⅲ. 순전력수요 예측 모델 구성(제안) 24
1. 데이터 입력 24
2. 데이터 전처리 25
1) 기상 관측자료 결측치 대체 25
2) 시간대별 원전력수요 계산 25
3) Min-Max Scaler 정규화 26
3. 알고리즘별 다중케이스 생성 27
4. Mode별 훈련 및 예측 28
1) 예측대상별 입력 DB 분류 28
2) LSTM 모델 Layer 구성 29
3) 레이어 구성 및 하이퍼 파라미터 최적화 29
5. 데이터 병합 30
1) Min-Max Scaler 정규화 복원 30
2) 다중 케이스별 순전력수요 예측값 계산 30
6. 알고리즘별 대표 예측값 출력 30
Ⅳ. 사례 연구 31
1. 평가 기준 및 방법 31
1) 평가 기준 31
2) 평가 방법 32
2. DB 설명 33
1) 발전실적 DB 33
2) 기상실적 DB 34
3. 예측 결과 38
1) 알고리즘별 대표 모델 선정 결과 38
2) 예측 사례 40
3) 주간 예측 47
4. 예측 오차 원인 분석 48
Ⅴ. 결론 49
1. 결론 49
2. 향후 연구 필요 분야 50
참고문헌 51
[표 1] 발전원별 발전량 및 비중 전망(2036년) 14
[표 2] 순전력수요 예측 관련 해외 문헌 검토 및 비교 16
[표 3] 순전력수요 예측 관련 국내 문헌 검토 및 비교 17
[표 4] 순전력수요 예측 비교를 알고리즘별 다중케이스 생성 27
[표 5] 다중케이스별 정확도 비교('23년1~2월) 38
[표 6] 순전력수요 예측 결과(대표 모델) 39
[그림 1] 중앙전력관제센터 전경 15
[그림 2] 순전력수요 정의 20
[그림 3] ANN 알고리즘 구조 22
[그림 4] LSTM 알고리즘 구조 23
[그림 5] 순전력수요 예측 절차 24
[그림 6] 데이터 정규화의 효과 26
[그림 7] (예) 풍력 예측에 일시정보를 입력DB로 넣을 경우 예측대비 실적 비교 28
[그림 8] LSTM 모델의 학습과 예측 Time Table 32
[그림 9] 발전실적 DB 33
[그림 10] 기상관측지점 18개소(제주 제외) 34
[그림 11] 기상실적 DB(온도) 35
[그림 12] 기상실적 DB(습도) 35
[그림 13] 기상실적 DB(일사량) 36
[그림 14] 태양광 패널 온도 대 발전량 비교 36
[그림 15] 기상실적 DB(풍속) 37
[그림 16] 다중케이스별 예측 결과 예시('23.02.08) 38
[그림 17] 평일 예측 사례(순전력수요) 40
[그림 18] 평일 예측 사례(원전력수요) 40
[그림 19] 평일 예측 사례(BTM포함 태양광) 41
[그림 20] 평일 예측 사례(풍력) 41
[그림 21] 일반적인 풍력 터빈의 출력 곡선 42
[그림 22] 평일 예측 사례(기타 비중앙발전) 42
[그림 23] 주말 예측 사례(순전력수요) 43
[그림 24] 주말 예측 사례(원전력수요) 43
[그림 25] 주말 예측 사례(BTM포함 태양광) 44
[그림 26] 주말 예측 사례(풍력) 44
[그림 27] 주말 예측 사례(기타 비중앙발전) 44
[그림 28] 특수경부하 예측 사례(순전력수요) 45
[그림 29] 특수경부하 예측 사례(원전력수요) 45
[그림 30] 특수경부하 예측 사례(BTM포함 태양광) 46
[그림 31] 특수경부하 예측 사례(풍력) 46
[그림 32] 특수경부하 예측 사례(기타 비중앙발전) 46
[그림 33] 주간 예측 결과 예시('23년1월1주 주간예측) 47