지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 김홍석.
- 발행연도
- 2019
- 저작권
- 서강대학교 논문은 저작권에 의해 보호받습니다.
이용수14
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
최근 인공지능의 발전으로 AI가 점점 더 다양한 분야에 적용되고 있고, 스마트 그리드 분야에서 또한 다양하게 접목되고 있습니다. 특히 수요예측 분야에서는 기계학습, 그리고 심층 학습에 관한 연구가 많이 진행되고 있습니다. 전력 데이터는 시계열 데이터이기에 기존의 연구에서는 DNN과 RNN을 이용하여 예측을 진행하였습니다. 하지만 최근에는 CNN을 이용해서 예측하는 연구 또한 진행되고 있습니다. 본 논문에서는 ResNet/LSTM 결합 모델을 기반으로 하여 전력 수요를 예측하는 새로운 프레임 워크를 제안하였습니다. 제안한 모델은 크게 두 단계로 구성되는데, 첫 번째는 ResNet으로 입력데이터의 요일별, 주별 특성을 갖는 특징 벡터를 추출하는 단계입니다. 그다음 LSTM을 사용하여 추출된 특징 벡터를 기반으로 예측을 진행하여서 시계열 데이터의 dynamic 한 특성들을 학습하게 됩니다. 이렇게 구성된 ResNet/LSTM 결합 모델은 입력 데이터에 존재하는 규칙성(regularity)와 불규칙성(inconsistency)를 보다 더 잘 잡아내어 예측한다는 장점이 있습니다. 이를 확인하기 위해 다른 심층 학습모델인 MLP, ResNet, LSTM 및 ResNet/MLP 결합 모델과 성능 비교를 진행하였습니다. 결과적으로는 제안한 ResNet/LSTM 결합 모델이 전체 36개의 수용가에 대해서 MLP 대비 21.3%의 성능 향상이 있었으며, MAPE가 큰 하위 25% 그룹에서의 성능 향상은 25.8%로 도출되었습니다.
목차
Table of ContentsList of FiguresList of TablesAbstractI . IntroductionII . Methodologies2.1 Convolutional Neural Network (CNN)2.2 Residual Network (ResNet)2.3 Long Short-Term Memory (LSTM)III . Proposed Framework3.1 Data Preprocessing3.2 ResNet/LSTM combined modelIV . Model Selection and Experiments4.1 Model Selection4.2 ResultsV . ConclusionReference
최근 본 자료
댓글(0)
0