http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
전력수요량 예측을 위한 LSTM 학습 방법에 따른 성능 비교 연구
엄호용(H. Y. Eom),유대현(D. H. Yu),백승묵(S. M. Baek) Korean Society for Precision Engineering 2021 한국정밀공학회 학술발표대회 논문집 Vol.2021 No.11월
본 논문은 전력수요량을 예측하기 위해 사용되는 여러 인공지능 알고리즘의 내부 파라미터와 학습 기법의 적용 방법에 따른 학습 성능을 비교하였다. 전력계통 안정화를 위해서는 전력수급의 균형을 맞추는 것이 필수적이고 이를 위해서는 전력수요량 예측이 필요하다. 그러나 전력수요량은 사회, 경제적 인자뿐만 아니라 기상 인자 등과 같은 여러 영향에 의해 비선형적 특성이 나타나 전력수요 예측에 어려움이 따른다. 전력수요량 예측에는 여러 기법과 적용방법이 있지만, 예측 대상과 그 범위에 따라 각 특성에 맞는 기법을 선택해야 한다. 본 논문에서는 전력수요량 예측을 위해 사용되는 다양한 인공지능 알고리즘 중 LSTM (Long Short-term Memory)의 학습 시 내부 파라미터 중 은닉층의 셀 개수, 활성화 함수, 최적화 기법의 변화에 따른 학습 성능을 비교하였다. 은닉층의 셀 개수는 10, 20, 30 개로 설정하였고, 활성화 함수는 ReLU (Rectified Linear Unit), Tanh (Hyperbolic Tangent)로 변화를 주었다. 마지막으로 최적화 기법은 Adam (Adaptive Moment Estimation), RMSProp (Root Mean Square Propagation)으로 변화를 주어 학습을 진행하였다. 시뮬레이션에 사용된 데이터는 국내 전력수요 데이터를 이용해 모의를 진행하였다. 그 결과 모델에 맞는 적절한 파라미터 선택으로 학습 오차를 줄여 모델의 성능이 향상되었다. 이후 모델의 특성에 맞는 파라미터 최적화를 통한 전력수요량 예측 성능 향상이 기대된다.
Estimation Model of the Change in Dairy Leaf Surface Temperature Using Scaling Technique
엄기철,엄호용 한국토양비료학회 2013 한국토양비료학회지 Vol.46 No.5
This study was conducted to develop a model to estimate crop leaf surface temperature. The results were as following; A definition for the daily time based on elapsed time from the midnight (00:00) as 「E&E time」 with the unit of Kmin. was suggested. The model to estimate the scaled temperature (T*e) of crop leaf surface temperature by scale factor (T*) according to the 「E&E time : Kmin.」(X) was developed as eq. ① T*e = 0.5· sin (X + 780) + 0.5 ② T* = (Tx - Tn) / (Tm - Tn), Tx : Daily leaf temperature, Tm : Daily maximum leaf temperature, Tn : Daily minimum leaf temperature. Relative sensitivity of the measured temperature compared to the estimated temperature of red pepper, soybean and persimmon was 1.078, 1.033 and 0.973,respectively.
백승묵,엄호용 대한전기학회 2022 전기학회논문지 Vol.71 No.11
This paper proposes an optimal electric load forecasting technique by applying several activation functions and optimization methods in the internal structure of the Long Short-Term Memory (LSTM) algorithm to forecast mid-term electric load in Korea. As the activation function, the rectified linear unit (ReLU) and hyperbolic tangent (Tanh) are used. Optimization methods such as stochastic gradient descent (SGD) and adaptive moment optimization (Adam) are compared in the paper. In the input data, daily peak load over past seven days, maximum and minimum temperatures are used. In order to increase the efficiency of learning, special weeks and special day load data are replaced. The proposed method shows stable and great performance with small average errors, compared to the RANN based forecasting method which is a previous study. Especially, the estimated error is improved in the summer and winter where the temperature changes significantly.