[논문 리뷰] Short Term Load Forecasting Models in Czech Republic Using Soft Computing Paradigms

Muhammad Riaz Khan, Ajith Abraham|ArXiv.org|2004. 05. 16.

Energy Load and Power ForecastingEngineering참고 문헌 8인용 수 18

한 줄 요약

이 연구는 체코 공화국에서 7년간의 시간별 부하 데이터를 사용하여 단기 전력 수요 예측을 위한 6가지 소프트 컴퓨팅 모델—다층 퍼셉트론, 엘먼 순환 신경망, 반경 기반 함수 신경망, 호프필드 모델, 퍼지 추론 시스템, 하이브리드 퍼지 신경망—을 평가한다. 하이브리드 퍼지 신경망과 반경 기반 함수 신경망이 두 날짜 후 전력 수요를 예측하는 데 다른 모델들보다 뛰어난 정확도와 강건성을 보이며, 복잡한 비선형 부하 패턴에서 뛰어난 성능을 발휘한다.

ABSTRACT

This paper presents a comparative study of six soft computing models namely multilayer perceptron networks, Elman recurrent neural network, radial basis function network, Hopfield model, fuzzy inference system and hybrid fuzzy neural network for the hourly electricity demand forecast of Czech Republic. The soft computing models were trained and tested using the actual hourly load data for seven years. A comparison of the proposed techniques is presented for predicting 2 day ahead demands for electricity. Simulation results indicate that hybrid fuzzy neural network and radial basis function networks are the best candidates for the analysis and forecasting of electricity demand.

연구 동기 및 목표

• 체코 공화국에서 단기 전력 수요를 예측하는 데 다양한 소프트 컴퓨팅 모델의 성능을 평가하는 것.
• 2일 후 시간별 전력 수요를 예측하기 위한 가장 정확하고 신뢰할 수 있는 모델을 특정하는 것.
• 기존 신경망, 순환망, 퍼지 시스템, 하이브리드 모델이 비선형적이고 시간에 따라 변하는 부하 데이터를 다루는 방식을 비교하는 것.
• 전력 시스템 운영자들이 부하 예측을 위한 모델 선택에 실질적인 통찰을 제공하는 것.

제안 방법

• 이 연구는 다층 퍼셉트론(MLP), 엘먼 순환 신경망(RNN), 반경 기반 함수(RBF) 네트워크, 호프필드 네트워크, 퍼지 추론 시스템(FIS), 하이브리드 퍼지 신경망(FNN)의 6가지 소프트 컴퓨팅 프레임워크를 활용한다.
• 모든 모델은 체코 공화국의 실제 시간별 전력 부하 데이터 7년치 자료를 기반으로 훈련 및 테스트된다.
• 예측 과제는 48시간(2일) 뒤를 예측하도록 설정되며, 표준 오차 지표를 사용해 성능을 평가한다.
• 하이브리드 퍼지 신경망은 규칙 기반 추론을 위한 퍼지 논리와 적응형 가중치 조정을 위한 신경망 학습을 통합한다.
• RBF 네트워크는 데이터 포인트 중심의 국소화된 반경 기반 함수를 사용하여 복잡한 비선형 부하 패턴을 근사한다.
• 모델 성능은 정량적 오차 지표를 사용해 비교되며, 평균 절대 오차와 제곱근 평균 제곱 오차에 중점을 둔다.

실험 결과

연구 질문

• RQ1 체고 공화국에서 2일 후 단기 부하 예측을 위해 가장 정확한 소프트 컴퓨팅 모델은 무엇인가?
• RQ2 퍼지 신경망과 같은 하이브리드 모델은 단독 신경망과 퍼지 시스템에 비해 부하 예측 정확도에서 어떻게 비교되는가?
• RQ3 순환망(예: 엘먼)과 전방향 전파망(예: MLP, RBF)은 시간에 따라 변화하는 부하 역학을 포착하는 데 어떻게 비교되는가?
• RQ4 호프필드 네트워크는 동적 시스템에서의 한계가 있음에도 불구하고 비선형 부하 행동을 효과적으로 모델링할 수 있는가?
• RQ5 불확실성과 비선형성을 다루는 데 있어 퍼지 추론 시스템은 데이터 기반 신경망 모델에 비해 어떻게 성능를 보이는가?

주요 결과

• 하이브리드 퍼지 신경망은 모든 모델 중에서 가장 낮은 예측 오차를 기록하여 2일 후 부하 예측에서 가장 정확한 모델로 확인되었다.
• 반경 기반 함수(RBF) 네트워크는 뛰어난 성능을 보이며, 정확도 순서에서 2위를 차지했고, 테스트 기간 동안 높은 안정성을 보였다.
• 다층 퍼셉트론과 엘먼 순환 신경망은 중간 수준의 정확도를 보였지만, 하이브리드 및 RBF 모델들에 비해 떨어졌다.
• 호프필드 모델은 시간 시리즈와 비선형 역학을 다루는 데 내재된 한계로 인해 낮은 예측 성능를 보였다.
• 퍼지 추론 시스템은 합리적인 결과를 제공했지만, 특히 급격한 부하 변화를 포착하는 데 있어 하이브리드 및 RBF 모델들보다 정확도가 떨어졌다.
• 종합적으로 볼 때, 하이브리드 퍼지 신경망과 RBF 네트워크는 체코 공화국의 단기 부하 예측에서 가장 뛰어난 성능을 보였다.