전력수요량 예측을 위한 LSTM 학습 방법에 따른 성능 비교 연구

국문 초록 (Abstract)

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.