View : 579 Download: 0

Full metadata record

DC Field Value Language
dc.description.abstractThis paper is written to propose a disassembly methodology for predicting building power demand a day before the power market. On this thesis, 24hour decomposition method was used based on the fact that the predicted daily power demand is more accurate than the predicted hourly power demand. LSTM (Long Short-Term Memory) techniques has been used on Daily power demand forecasts due to its outstanding performance in Machine Learning Model for Time Series Data. There are three methodologies proposed on this paper. First, grouping the learning data into month, day and temperature then breaking down the daily power demand based on the media of the actual energy consumption of each group. Second, breaking down the daily power demand using the actual 24 hour energy consumption rate of the same day a week before the forecast date. Third, grouping the learning data using the K-means into dates with similar power consumption patterns. After the grouping, as of the first methodology, break down the daily power demand based on the median of the actual energy consumption ratio per group. For the learning data, the building energy demand data in Washington, U.S. from 2009 to 2010 were used and the performance of the model was validated with the power demand data of 2011. The result of the forecasting performance of the model proposed-MAE of methodology 1was 4.30, Mae of methodology 2 was 4.04 and methodology 3 was 5.69- in this paper confirmed that the methodology 1 and 2 were performed better than the existing methodology. The proposed methodology 3 performed poorly compared to the existing methodology. While the proposed methodology 1 performed better than the existing methodology except for a specific month (October, November) based on the Analysis on the results of the experiment in hourly by month, season and month, it was Confirmed that.;본 논문은 전력시장 하루 전 건물 전력 수요 예측을 위해 분해 방법론을 제안하였다. 일 단위 전력 수요 예측 정확도가 시간 단위 전력 수요 예측 정확도보다 높다는 것에 근거하여 일 단위 전력 수요 예측값을 24시간 분해 방법을 사용하였다. 일 단위 전력 수요 예측은 시계열 데이터 학습에 뛰어난 성능을 보이는 LSTM(Long Short-Term Memory) 기법을 사용하였다. 그 후, 제안 방법론과 시간 단위 LSTM 예측 모델의 성능을 비교하였다. 본 논문에서 제안하는 방법론은 세가지이다. 첫 째, 학습 데이터를 월, 요일, 온도를 기준으로 그룹화 한 후, 그룹별 실제 전력 소비 비율 중앙값으로 일 단위 전력 수요 예측값을 분해하는 것이다. 두 번째, 예측일 기준 일주일 전 동일 요 일의 24시간 실제 전력 수요 비율로 일 단위 전력 수요 예측값을 분해한다. 세 번째, 학습 데이터를 K-means를 활용하여 비슷한 전력 소비 패턴을 가진 일자별 로 군집화를 한다. 군집화 후, 방법론 1과 동일한 방법으로 그룹별 실제 전력 소 비 비율 중앙값으로 일 단위 전력 수요 예측값을 분해한다. 학습 데이터는 2009년부터 2010년까지의 미국 워싱턴의 건물 전력 수요 데이터 를 사용하였고, 2011년 전력 수요 데이터를 가지고 모델의 성능을 검증하였다. 본 논문에서 제안한 모델의 예측 수행 결과, 제안 방법론 1의 MAE는 4.39, 제안 방법론 2의 MAE는 4.704, 제안 방법론 3의 MAE는 5.69로 기존 방법론 MAE 4.8에 비해 제안 방법론 1과 2의 성능이 더 우수하다는 것을 확인하였다. 제안 방법론 3은 기존 방법론과 비교하여 성능이 미흡하였다. 실험 결과를 월별, 계절별, 매 월 시간대별로 분석하였을 때, 제안 방법론 1은 특정 월(10월, 11월)을 제외하고 기존 방법론에 비해 성능이 우수하였음을 확인하였다.-
dc.description.tableofcontentsI. 서론 1 A. 연구 배경 1 B. 연구 목적 8 C. 논문 구성 8 II. 선행연구 10 A. 리스크 풀링(Risk Pooling) 10 B. 전력 예측 11 III. 제안모형 16 A. 방법론 1 18 B. 방법론 2 19 C. 방법론 3 19 IV. 실험설계 21 A. 실험설계 21 B. 실험 데이터 27 C. 평가 방법 29 V. 연구결과 및 해석 31 VI. 결론 및 논의 54 참고문헌 56 APPENDIX 63 부록1. 3월 시간대별 기존 방법과 제안된 방법의 예측 성능 비교 63 부록2. 4월 시간대별 기존 방법과 제안된 방법의 예측 성능 비교 65 부록3. 5월 시간대별 기존 방법과 제안된 방법의 예측 성능 비교 67 부록4. 6월 시간대별 기존 방법과 제안된 방법의 예측 성능 비교 69 부록5. 7월 시간대별 기존 방법과 제안된 방법의 예측 성능 비교 71 부록6. 8월 시간대별 기존 방법과 제안된 방법의 예측 성능 비교 73 부록7. 9월 시간대별 기존 방법과 제안된 방법의 예측 성능 비교 75 부록8. 10월 시간대별 기존 방법과 제안된 방법의 예측 성능 비교 77 부록9. 11월 시간대별 기존 방법과 제안된 방법의 예측 성능 비교 79 부록10. 12월 시간대별 기존 방법과 제안된 방법의 예측 성능 비교 81 ABSTRACT 83-
dc.format.extent2124763 bytes-
dc.publisher이화여자대학교 대학원-
dc.titleLSTM 기반의 Top-down 분해방식을 이용한 단기 전력수요 예측-
dc.typeMaster's Thesis-
dc.title.translatedPrediction of Short-term Power Demand Using LSTM-Based Top-down disassembly Method-
dc.format.pagex, 84 p.-
dc.identifier.major대학원 빅데이터분석학협동과정- 2-
Appears in Collections:
일반대학원 > 빅데이터분석학협동과정 > Theses_Master
Files in This Item:
There are no files associated with this item.
RIS (EndNote)
XLS (Excel)


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.