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
- 이영구
- 발행연도
- 2023
- 저작권
- 경희대학교 논문은 저작권에 의해 보호받습니다.
이용수9
이 논문의 연구 히스토리 (3)
2023
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
자발적 DR(Demand Response)은 하루 전 시장에 NBTP(Net Benefit Test Price)와 전력감축용량으로 한국전력거래소 입찰하고, 전력시장의 SMP(System Marginal Price)와 경쟁하여 수요반응자원이 낙찰받은 경우 전력사용량을 감축하는 전력 수요반응 서비스이다. 본 연구에서는 의사결정 트리 부스팅 알고리즘과 수요반응참여고객의 과거 데이터를 활용하여 다음 거래일에 대한 수요반응참여고객의 자발적 DR 입찰가능량을 예측한다. 또한 수요자원거래시장과 수요반응참여고객의 특성을 고려한, 후처리 방법을 적용하여 예측성능을 개선하고 개선 전후를 비교하여 평가한다. 더 나아가 입찰가능량 예측을 위한 기계학습 시스템을 구축하고, 이 시스템을 통해 예측된 입찰가능량을 수요관리사업자의 DRMS(Demand Response Management System) 추천시스템에 적용함으로써, 다음 거래일에 대한 24시간 입찰가능량을 예측 및 추천할 수 있도록 한다. 최종적으로 수요관리사업자는 수요반응참여고객의 자발적 DR 입찰참여를 독려할 수 있으며, 수요반응참여고객은 예측된 입찰가능량을 참고하여 자발적 DR에 참여할 수 있게 됨으로써, 수요반응참여고객의 경제적 편익을 도모하고, 전력계통 효율화 및 전력가격 안정화에 기여하고자 한다.
목차
Ⅰ. 서론 1Ⅱ. 관련연구 42.1 Tree Based Gradient Boosting 42.2 XGBoost(eXtreme Gradient Boosting) 42.3 NGBoost(Natural Gradient Boosting) 62.4 유사 선행연구 7Ⅲ. 제안 방안 83.1 시스템 구성 83.2 적용 알고리즘 10Ⅳ. 실험 및 분석 114.1 기초데이터 수집 및 패턴 분석 114.2 고객기준부하 산정 기준에 따른 CBL 계산 124.3 입찰가능량 산정 및 패턴 분석 124.4 데이터 전처리와 학습 Feature 및 Label 선정 144.5 Hyperparameter 설정 154.6 SHAP(Shapley Additive exPlanation) 적용 174.7 후처리를 통한 성능개선 194.8 예측 및 평가결과 204.9 입찰가능량 추천 시스템 적용 21Ⅴ. 결론 및 향후 연구 23참고 문헌 24Abstract 26
최근 본 자료
댓글(0)
0