[논문 리뷰] Using Artificial Neural Network Techniques for Prediction of Electric Energy Consumption

Hasan M. H. Owda, Babatunji Omoniwa외 2명|arXiv (Cornell University)|2014. 12. 06.

Energy Load and Power Forecasting참고 문헌 16인용 수 3

한 줄 요약

이 논문은 가자 가바지스트리프(1994–2013년)의 월간 전기 에너지 소비 데이터를 기반으로 훈련된 피드포워드 인공신경망(ANN) 모델을 제안하여 향후 수요를 예측한다. 2-폴드 및 K-폴드 교차검증을 통해 낮은 오차율(MSE: 1.21–1.88%, MAPE: 120.91–187.65%)과 높은 정확도를 달성하여, 자료가 부족하고 불확실성이 높은 환경에서 ANN의 에너지 예측 효과성을 입증한다.

ABSTRACT

Due to imprecision and uncertainties in predicting real world problems, artificial neural network (ANN) techniques have become increasingly useful for modeling and optimization. This paper presents an artificial neural network approach for forecasting electric energy consumption. For effective planning and operation of power systems, optimal forecasting tools are needed for energy operators to maximize profit and also to provide maximum satisfaction to energy consumers. Monthly data for electric energy consumed in the Gaza strip was collected from year 1994 to 2013. Data was trained and the proposed model was validated using 2-Fold and K-Fold cross validation techniques. The model has been tested with actual energy consumption data and yields satisfactory performance.

연구 동기 및 목표

• 수요 증가가 공급을 초월하고 역사적 데이터가 제한된 가자 가바지스트리프에서 전기 에너지 소비에 대한 신뢰할 수 있는 예측 모델을 개발하기 위해.
• 안정성 부족과 비선형 관계를 잘 다루지 못하는 경향이 있는 기존 통계적 방법(예: 회귀분석 및 ARIMA)의 한계를 해결하기 위해.
• 기후, 인구, GDP 등에 영향을 받는 복잡한 비선형 패턴을 포착하는 데에 인공신경망(ANN)의 성능을 평가하기 위해.
• 일반화 능력과 과적합 방지를 위해 강력한 교차검증 기법(2-폴드 및 K-폴드)을 활용하여 모델을 검증하기 위해.
• 에너지가 부족한 지역에서 에너지 운영자들이 계획 수립, 수익 극대화, 소비자 만족도 향상에 도움이 되는 실용적이고 데이터 기반의 도구를 제공하기 위해.

제안 방법

• 연구는 가자 가바지스트리프에서 1994년부터 2013년까지의 월간 전기 에너지 소비 데이터를 기반으로 훈련된 피드포워드 백프로파게이션 신경망을 사용한다.
• 입력 특징으로는 이전 소비량, 평균 기온, 상대 습도, 인구, 인당 GDP 등 에너지 수요에 영향을 미치는 변수들이 포함된다.
• 모델는 예측 오차를 최소화하기 위해 효율적인 훈련과 가중치 최적화를 위한 레벤버그–마르카르트 알고리즘을 활용한다.
• 성능 평가에는 평균 제곱오차(MSE), 제곱근 평균 제곱오차(RMSE), 평균 절대오차(MAE), 평균 절대 퍼센트 오차(MAPE) 등의 오차 지표를 다수 사용한다.
• 모델의 안정성을 평가하기 위해 2-폴드 및 K-폴드 교차검증을 적용하며, 검증 세트는 훈련 중에만 사용되고 테스트 세트는 최종 평가를 위해 별도로 확보된다.
• 모델는 19년간의 데이터로 훈련되고 실제 2012년과 2013년 소비 데이터로 테스트되어 예측 정확도를 검증한다.

실험 결과

연구 질문

• RQ1 가장 높은 불확실성과 자료가 제한된 환경인 가자 가바지스트리프에서 인공신경망(ANN)이 전기 에너지 소비를 효과적으로 모델링하고 예측할 수 있는가?
• RQ2 2-폴드와 K-폴드 등 다양한 교차검증 기법 간 예측 정확도와 안정성 측면에서 ANN 모델의 성능은 어떻게 비교되는가?
• RQ3 기후 변수와 사회경제적 요인(인구, GDP)을 입력으로 사용할 경우, 시간적 시계열 전용 모델 대비 ANN 모델의 예측 능력은 어느 정도 향상되는가?
• RQ4 2012년과 2013년의 새로운 데이터에 대해 테스트한 결과, 모델의 예측 정확도는 어떠한가? MSE, RMSE, MAE, MAPE 등의 오차 지표는 모델의 신뢰성을 어떻게 반영하는가?
• RQ5 실제 세계의 불확실성 상황에서 기존의 통계적 방법(예: ARIMA 또는 회귀분석)보다 제안된 ANN 모델이 에너지 소비 예측에서 뛰어난 성능을 보일 수 있는가?

주요 결과

• 2012년 데이터에 대해 2-폴드 교차검증을 사용한 ANN 모델은 평균 제곱오차(MSE) 1.21%와 제곱근 평균 제곱오차(RMSE) 1.10%를 기록하여 뛰어난 예측 정확도를 보였다.
• 2013년에는 2-폴드 교차검증에서 MSE 1.74%, RMSE 1.32%를 기록했으며, MAPE 값은 173.76%로 연도 간 일관성 있는 성능을 보였다.
• K-폴드 교차검증은 2012년에 MSE 3.87%, MAPE 386.54%로 더 높은 오차율을 기록하여, K-폴드 설정에서 과적합 또는 불안정성이 발생했을 가능성이 있으며, 이는 데이터 분할 방식 때문일 수 있다.
• 모델는 월간 소비 예측에서 높은 일관성을 보였으며, 대부분의 2012년과 2013년 월에 실제 데이터와 예측 값이 매우 유사하게 일치했다.
• 기후 및 사회경제적 변수를 입력으로 사용한 결과, 시간적 시계열 전용 모델에 비해 모델 성능 향상이著명했으며, 이는 외부 요인의 영향을 잘 반영하지 못하는 기존 모델의 한계를 보완했다.
• 결과적으로, 높은 불확실성과 제한된 데이터를 가진 지역에서 ANN이 에너지 예측에 효과적임을 확인하였으며, 이와 같은 맥락에서 전통적인 회귀분석 및 시계열 모델보다 뛰어난 성능을 보였다.