표제지
국문초록
목차
제1장 서론 10
제1절 연구배경 10
제2절 선행연구 12
제2장 도시철도 전력특성과 상관관계 16
제1절 개요 16
제2절 기온에 따른 도시철도 전력량의 특성 19
제3장 딥러닝 모형 25
제1절 인공신경망 25
제2절 CNN(Convolution Neural Network) 26
제3절 LSTM(Long Short-Term Memory) 28
제4절 CNN-LSTM 31
제5절 예측 모델 구성 32
제4장 사례연구 35
제1절 데이터 전처리 35
제2절 모델 학습 및 하이퍼 파라미터 설정 39
제3절 실험 결과 40
제5장 결론 45
참고문헌 47
ABSTRACT 50
표1. 딥러닝을 이용한 전력 예측 선행 연구 14
표2. 도시철도 3호선 연도별 전력 사용량 및 사용요금 19
표3. 최저기온과 전력량의 월별 상관관계 21
표4. 최고기온과 전력량의 월별 상관관계 21
표5. 도시철도 전력량과 기상변수들과의 상관관계 23
표6. 전력량과 상관관계가 낮은 기상변수들 24
표7. 각 CASE 유형 별 데이터 구성 36
표8. 컴퓨터 성능 38
표9. 딥러닝 예측 모델의 하이퍼 파라미터 39
표10. Casel의 MAE 성능비교 42
표11. CASE2의 MAE 성능비교 42
표12. CASE3의 MAE 성능비교 43
표13. 최적화된 MAE의 평균값 비교 44
그림1. 도시철도 시스템 간략도. 16
그림2. 직류 전동차 전원 공급 방법(커티너리 방식). 17
그림3. 도시철도 3호선 전동차. 17
그림4. 도시철도 역사전기설비. 18
그림5. 최저기온과 도시철도 전력량과의 산점도 20
그림6. 최고기온과 도시철도 전력량과의 산점도 20
그림7. 3호선 도시철도의 전력량 추이(2018~2022년) 23
그림8. 인공신경망 모형. 25
그림9. 1차원 CNN 알고리즘 구조. 26
그림10. 합성곱 신경망 구조. 27
그림11. LSTM 모델구조. 29
그림12. CNN-LSTM 알고리즘 구조 33
그림13. 제안 모델의 전체적인 구조 34
그림14. CASE1-1의 예측결과 40
그림15. CASE1-2의 예측결과 40
그림16. CASE2-1의 예측결과 40
그림17. CASE2-2의 예측결과 40
그림18. CASE3-1의 예측결과 40
그림19. CASE3-2의 예측결과 40
그림20. CASE3-3의 예측결과 41
그림21. CASE3-4의 예측결과 41
그림22. CASE3-5의 예측결과 41
그림23. CASE3-6의 예측결과 41