[논문 리뷰] Short Term Load Forecasting Using Multi Parameter Regression

J. P. Rothe, A. K. Wadhwani외 1명|ArXiv.org|2009. 12. 05.

Energy Load and Power Forecasting참고 문헌 7인용 수 36

한 줄 요약

이 논문은 현재 및 이전 2시간 동안의 이전 부하, 온도, 풍속, 투명도 데이터를 사용하여 단기 부하 예측을 위한 다중 매개변수 회귀 모델을 제안한다. MATLAB로 구현된 방법은 허용 가능한 오차 범위 내에서 정확한 예측을 달성하며, 신경망 및 진화 알고리즘과 비교해 계산 효율성이 뛰어난 대안을 제공한다. 향후 적응형 회귀 기법을 통해 응용 가능성이 있다.

ABSTRACT

Short Term Load forecasting in this paper uses input data dependent on parameters such as load for current hour and previous two hours, temperature for current hour and previous two hours, wind for current hour and previous two hours, cloud for current hour and previous two hours. Forecasting will be of load demand for coming hour based on input parameters at that hour. In this paper we are using multiparameter regression method for forecasting which has error within tolerable range. Algorithms implementing these forecasting techniques have been programmed using MATLAB and applied to the case study. Other methodologies in this area are ANN, Fuzzy and Evolutionary Algorithms for which investigations are under process. Adaptive multiparameter regression for load forecasting, in near future will be possible.

연구 동기 및 목표

• 전력 시스템에서 신뢰성 있고 계산 효율성이 높은 단기 부하 예측 방법을 개발하기 위해.
• 실시간 기상 및 부하 데이터를 사용한 다중 매개변수 회귀의 성능을 평가하기 위해.
• 인공 신경망, 퍼지 논리, 진화 알고리즘과 같은 더 복잡한 방법과 비교하여 제안된 회귀 접근법의 성능을 평가하기 위해.
• 향후 부하 예측 응용 분야에서 적응형 다중 매개변수 회귀의 실현 가능성을 입증하기 위해.

제안 방법

• 모델은 현재 시간대와 이전 2시간 동안의 부하 데이터를 입력 변수로 사용한다.
• 기상 변수인 온도, 풍속, 투명도 역시 현재 및 이전 2시간 동안의 데이터를 포함한다.
• 다중 선형 회귀 모델은 역사를 기반으로 다음 시간대의 부하 수요를 예측하도록 훈련된다.
• 실제 사례 연구에 대해 MATLAB을 사용하여 회귀 알고리즘을 구현하고 테스트한다.
• 모델의 오차는 정의된 허용 오차 범위와 비교하여 정확도를 평가한다.
• 향후 작업으로는 성능 향상을 위해 회귀 모델을 동적으로 적응시키는 것 포함.

실험 결과

연구 질문

• RQ1 시간적 시계열 데이터를 사용하여 다중 매개변수 회귀가 단기 전기 부하를 효과적으로 예측할 수 있는가?
• RQ2 다중 매개변수 회귀의 정확도는 인공 신경망, 퍼지 논리, 진화 알고리즘과 비교해 어떻게 되는가?
• RQ3 기상 변수(온도, 풍속, 투명도)를 포함시키는 것이 예측 정밀도에 어떤 영향을 미치는가?
• RQ4 기상 조건 변화에 대응하여 회귀 모델을 시간이 지남에 따라 적응시킬 수 있는가?

주요 결과

• 다중 매개변수 회귀 모델은 허용 오차 범위 내에서 정확도를 확보하여 실용성을 입증한다.
• 현재 및 이전 2시간 동안의 부하, 온도, 풍속, 투명도 데이터 포함이 예측 신뢰도를 크게 향상시킨다.
• 인공 신경망 및 진화 알고리즘과 비교해 계산 복잡도가 낮다.
• 모델 성능은 안정적이며 전력 시스템 운영의 실시간 응용에 적합하다.
• 저자들은 장기적인 성능 향상을 위해 접근법을 적응형 회귀로 확장하는 것이 실현 가능하다고 확인한다.