딥러닝을 이용한 열 수요예측 모형 개발 = Development of Forecasting Model for Heat Using Deep Learning

국문 초록 (Abstract)

장기적으로는 온실가스 감축을 위해. 그리고 단기적으로는 안정적인 열 공급 서비스를 제공하기 위해서 단기간의 미래 수요를 보다 정확하게 예측하고 효율적인 방법으로 생산 및 공급, 연계하는 것이 매우 중요하다.
특히, 2015년 12월 파리 협정이 체결되면서 국제사회는 온실가스 감축을 위해 적극적으로 노력하고 있다. 우리나라는 이명박 정부에서 제1차 에너지기본계획을 통해 에너지 정책의 기본 방향을 설정했으며, 박근혜 정부 시절 제2차 에너지기본계획에서 6대 중점 과제 중 첫 번째를 ‘수요관리 중심의 에너지정책 전환’을 내세우며 기존 공급관리 중심에서 수요관리로 패러다임이 변화되었다.
지역난방에서도 이와 같은 정책의 실현을 위해 ‘4세대 지역난방’전략을 추진하고 있다. ‘세대 지역난방’은 도시 및 건물 분야 온실가스 감축을 위한 주요 수단 중의 하나로 에너지 신사업 육성을 위한 핵심기술로, 신재생 에너지 활용, 60도 이하의 저온수 난방 등 기술적인 방법 이외에도 스마트 써멀 그리드(Smart Thermal Grid)를 통해 다양한 열원끼리의 열 거래를 실현하여 열 공급 사업자 간 열 연계를 활성화한다.
열 연계는 열 수요예측을 통해 공급을 계획하고 열 수송 네트워크를 통해 수요지에 열을 공급하는 것을 의미한다. 효율적인 열 연계를 구현하기 위한 가장 기본적인 기능이 바로 안정적인 열 수요예측이다. 이 때, 열 수요예측이 정확하지 않다면 효율적인 생산 계획을 수립하고 실현할 수 없다. 예를 들어 수요를 과소예측하게되면 부족분에 대해서는 LNG와 같은 값비싼 열원을 사용하여 생산원가가 높아지게 된다. 반대로 수요를 과대예측하게 되면 저장이 어려운 열 특성으로 인해 낭비가 발생하게 된다.
그러나 열 수요에 영향을 미치는 요인은 매우 다양하고 개별 소비자 및 지역적 특성에 따라 소비 형태가 달라지기 때문에 일반적인 상황에도 적용할 수 있는 범용적인 열 수요 예측 모델을 개발하는 것은 쉽지 않다.
기존 연구는 지역적 특성에 따른 열 수요 예측에 영향을 미치는 다양한 변수를 모두 고려하는 모델을 제시하고 있다. 그러나 이는 해당 지역을 벗어나 타 지역에 적용할 경우 동일한 수준의 성능을 보장할 수 없다. 뿐만 아니라 다중선형회귀분석 기반의 모델은 온도에 대한 열 수요의 비선형적인 특징을 반영할 수 없다.
따라서 본 연구는 실시간으로 확보할 수 있는 제한적인 정보만으로 딥러닝 기법을 활용하여 열 수요의 비선형적인 특징을 학습하는 범용적인 열 수요예측 모델을 제안하고자 한다.

목차 (Table of Contents)

• 제 1장 서론 1
• 제 1절 연구의 배경 및 목적 1
• 제 2절 연구의 구성과 방법 3
• 제 2장 선행연구 4
• 제 3장 딥러닝 6
• 제 1절 딥러닝 개요 6
• 1. 인공지능, 머신 러닝, 딥러닝의 용어 구분 6
• 2. 딥러닝의 발전 9
• 제 2절 딥러닝 알고리즘 9
• 1. 딥러닝의 기본 구조 9
• 2. 딥러닝의 연산 방식 10
• 3. 딥러닝 최적화 함수 12
• 4. 순환 신경망(RNN ; Recurrent Nueral Network) 14
• 5. LSTM(Long Short-Term Memory) 15
• 제 4장 실험 및 결과 분석 19
• 제 1절 연구 문제 및 연구 모형 19
• 1. 연구 문제 19
• 2. 데이터 구성 19
• 3. 입력변수 도출 20
• 4. 실험 설계 22
• 제 2절 실험 결과 25
• 1. MLP - 외기온도 모형 25
• 2. MLP - 행동패턴 모형 28
• 3. MLP - 심리 모형 30
• 4. LSTM – 패턴 입력 모형 34
• 5. LSTM – 패턴 학습 모형 40
• 제 5장 결론 44
• 제 1절 연구 요약 및 시사점 44
• 제 2절 연구 한계점 및 향후 연구 방향 49
• 참고문헌 50
• Abstract 54