[논문 리뷰] The Role of Data Analysis in the Development of Intelligent Energy Networks

Zhanyu Ma, Jiyang Xie외 5명|arXiv (Cornell University)|2017. 05. 30.

Energy Load and Power Forecasting참고 문헌 12인용 수 11

한 줄 요약

이 논문은 스마트 미터에서 유입되는 대규모 에너지 빅데이터를 처리하기 위해 기계 학습, 데이터 마이닝 및 통계 방법을 활용하는 데이터 분석의 핵심적인 역할을 조사한다. 수요 예측, 에너지 최적화 및 진단과 같은 핵심 응용 분야를 규명하며, 증가하는 데이터 볼륨을 처리하고 실행 가능한 통찰을 도출하기 위해 보다 종합적인 분석 기법이 필요하다고 강조한다.

ABSTRACT

Data analysis plays an important role in the development of intelligent energy networks (IENs). This article reviews and discusses the application of data analysis methods for energy big data. The installation of smart energy meters has provided a huge volume of data at different time resolutions, suggesting data analysis is required for clustering, demand forecasting, energy generation optimization, energy pricing, monitoring and diagnostics. The currently adopted data analysis technologies for IENs include pattern recognition, machine learning, data mining, statistics methods, etc. However, existing methods for data analysis cannot fully meet the requirements for processing the big data produced by the IENs and, therefore, more comprehensive data analysis methods are needed to handle the increasing amount of data and to mine more valuable information.

연구 동기 및 목표

• 지능형 에너지 네트워크(IENs)의 개발을 가능하게 하는 데이터 분석의 역할을 분석하기 위해.
• 수요 예측, 에너지 생성 최적화 및 실시간 모니터링과 같은 핵심 데이터 분석 응용 분야를 규명하기 위해.
• 에너지 빅데이터의 맥락에서 기계 학습 및 데이터 마이닝과 같은 기존 데이터 분석 기법을 평가하기 위해.
• 현재 방법의 한계를 부각하고 IENs를 위한 보다 고급이고 확장 가능한 분석 프레임워크의 필요성을 강조하기 위해.
• 성장하는 에너지 데이터 스트림으로부터 더 높은 가치의 통찰을 도출하기 위해 종합적인 데이터 분석 접근 방식의 통합을 제안하기 위해.

제안 방법

• 고해상도 에너지 소비 데이터에서 사용 패턴을 탐지하기 위해 패턴 인식 및 기계 학습 알고리즘을 활용한다.
• 통계 방법과 데이터 마이닝 기법을 적용하여 에너지 소비 행동을 군집화하고 이상치를 식별한다.
• 다양한 시간 해상도에서 수요 예측을 위한 시계열 분석 및 예측 모델링을 수행한다.
• 데이터 기반의 통찰과 통합된 에너지 가격 모델을 활용해 동적 가격 책정 전략을 지원한다.
• 실시간 모니터링 및 에너지 시스템의 고장 탐지에 활용할 수 있는 데이터 분석 기반 진단 프레임워크를 개발한다.
• 에너지 네트워크 지능을 향상시키기 위해 다수의 데이터 분석 기법을 통합한 종합적인 분석 파이프라인을 제안한다.

실험 결과

연구 질문

• RQ1 어떻게 데이터 분석 기법이 지능형 에너지 네트워크에서 수요 예측 정확도를 향상시킬 수 있는가?
• RQ2 기계 학습과 데이터 마이닝은 에너지 생성 및 분배 최적화에 어떤 역할을 하는가?
• RQ3 스마트 미터에서 유입되는 실시간 데이터는 효과적인 모니터링 및 진단에 어떻게 활용될 수 있는가?
• RQ4 현재 데이터 분석 방법은 에너지 빅데이터의 볼륨과 복잡성 처리에 있어 어떤 한계를 지니는가?
• RQ5 에너지 네트워크 데이터로부터 더 가치 있는 통찰을 도출하기 위해 어떤 통합된 분석 접근 방식이 필요한가?

주요 결과

• 데이터 분석은 IENs에서 수요 예측, 에너지 최적화 및 실시간 진단와 같은 핵심 기능을 가능하게 하기 위해 필수적이다.
• 다양한 시간 해상도에서의 스마트 미터 데이터는 군집화, 예측 및 이상 탐지에 풍부한 자료를 제공한다.
• 기계 학습 및 통계 방법을 포함한 기존 데이터 분석 기법은 기초적인 토대를 제공하지만, 에너지 빅데이터의 전체 스케일를 처리하기에는 부족하다.
• 증가하는 데이터 볼륨을 처리하고 실행 가능한 통찰을 도출하기 위해 보다 종합적이고 확장 가능한 데이터 분석 프레임워크의 필요성이 명확히 드러난다.
• 패턴 인식, 데이터 마이닝 및 통계 모델링과 같은 다수의 분석 방법을 통합하면 IEN의 성능과 신뢰성이 크게 향상될 수 있다.