열 수요 예측 논문 리뷰 : "딥러닝을이용한열수요예측모델개발"

---

Abstract

특정 지역의 고객을 대상으로 열을 공급하는 지역난방 서비스의 안정적인 운영을 위해서는 단기간의 미래 수요를 보다 정확하게 예측하고, 효율적인 방법으로 생산 및 공급하는 것이 무엇보다 중요하다. 그러나 열 소비에 영향을 미치는 요소가 매우 다양할 뿐만 아니라 개별 소비자 및 지역적 특성에 따라 소비 형태가 달라지기 때문에 일반적인 상황에도 적용될 수 있는 범용적 열 수요 예측 모형을 개발하는 것은 매우 어렵다. 따라서 본 연구에서는 실시간으로 확보할 수 있는 제한적인 정보만을 바탕으로 딥러닝 기법을 활용한 수요예측 모형을 개발하고자 한다. 해당 지역의 외기온도와 날짜로만 구성된 과거 데이터를 입력 변수로 하여 텐서플로의 인공신경망을 학습시키는 방법으로 수요 예측 모형을 개발하였다. 기존의 회귀분석 기법을 통해 예측된 수요의 정확도와의 비교를 통해 제안된 모델의 성능을 평가하였다. 본 연구의 열 수요 예측 모델은 단기적 수요 예측을 위해 실시간으로 확보할 수 있는 제한적인 변수만으로도 수요 예측의 정확도를 높일 수 있음을 보였다. 나아가 개별 지역에서는 지역적 특수성을 추가하여 수요 예측 정확도를 높이는 데 활용할 수 있을 것이다.

 

---

Introduction

 

안정적인 열 공급 서비스를 제공하기 위해서 단기간의 미래 수요를 보다 정확하게 예측하고 효율적인 방법으로 생산 및 공급, 연계하는 것이 매우 중요

*열 연계는 열 수요예측을 통해 공급을 계획하고 열 수송 네트워크를 통해 수요지에 열을 공급하는 것을 의미

효율적인 열 연계를 구현하기 위한 가장 기본적인 기능이 바로 안정적인 열 수요예측이다.

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.

---

Background

소비자에게 안정적인 열 공급과 효율적인 열 생산 계획을 수립하기 위한 열 수요예측 모델은 다양한 연구를 통해 제안

Fang, T., & Lahdelma, R. (2016)는 열 수요예측을 위해 SARIMA모형(계절성을 고려한 자기 회귀 분석 모델과 이동평균모델이 결합된)을 사용하여 성능을 평가

 

입력변수로는 기상 정보로 외기온도와 풍속을, 사회적 요소로 일주일 사용 패턴, 일 단위 사용 패턴, 주거지역 및 상업지역, 공업지역을 구분하여 사용하였다

제안된 모델은 개별 건물 데이터와 실시간 데이터를 바탕으로 열 수요예측을 수행

그러나 이는 개별 건물과 같은 작은 단위에 사용 가능하고 지역 단위로 넘어갈 경우 성능에 문제가 생길 수 있다.

Johansson, C. et al.(2017)은 실제 일기예보를 입력변수로 Extra-Trees Regressor(ETR)와 Extreme Learning Machines(ELM)을 이용한 온라인 기계 학습 예측 알고리즘을 제시

학습 데이터 내에 있는 시나리오에서는 좋은 결과를 보였으나 예외적인 상황에서는 성능이 크게 악화되었다. 또한 단순히 기상 정보만을 입력변수로 사용하여 같은 온도에서 다른 수요가 나타나는 것을 설명하지 못하는 단점이 있다.

 

문제점 정리

1. 건물 혹은 일부 특정 지역에 국한된 예측을 실행

2. 열 수요의 비선형성을 반영하지 못하는 한계

3. 해당 지역의 특수성을 반영하기 위해 다양한 입력변수를 모두 고려하여 타 지역에서 사용할 수 없는 범용성 측면의 제약이 존재

---

Data Analysis

-데이터 구성

첫 번째로 고려할 수 있는 변수는 외기온도이다. 열 수요에 가장 큰 영향을 주는 변수로, 열 수요와 반비례의 관계

두 번째로 외부에서 영향을 주는 변수 이외 보편적으로 열 수요 영향을 주는 변수는 소비자의 사회적 행동 패턴과 심리적 요인

*여기서 정의하는 소비자의 사회적 행동 패턴은 소비자가 사회적 요인에 의해 행동하게 되는 일정한 패턴

따라서 소비자의 보편적인 행동 패턴에 영향을 주는 변수를 입력변수로 사용하여 범용성을 확보한다.

세 번째로 심리적 요인으로 소비자의 열 수요에 영향을 주는 심리적 요인을 보편성 있는 변수로 도출하여 사용

 

-입력변수 도출

온도와 열 수요는 대체적으로 반비례 관계를 갖으나, 일정 온도 이상이 되면 열 수요는 수렴하는 비선형성을 보인다.

소비자의 사회적 행동 패턴에 영향을 가장 큰 영향을 주는 변수로 주중 및 공휴일을 포함한 주말로 구분

소비자의 심리적 요인을 반영하기 위해 전일 온도차를 이용하여 학습

---

Results

-일부 지역의 열 수요 데이터와 해당 지역 동 기간의 외기온도를 사용

3년간의 데이터를 훈련 데이터로 사용하여 학습, 열 수요가 가장 많은 동절기 데이터를 사용하여 검증

-Hidden Layer는 총 4개의 층으로 1층은 128개, 2층은 256개, 3층은 128개, 4층은 64개로 구성

-충분한 학습을 위해 Epoch는 2000회로 설정

-비선형성을 학습하기 위해 활성화 함수로 relu 함수를 사용, 최적화 함수로는 AdamOptimizer를 사용

 

외기온도 모형

Cost는 훈련 데이터 학습에 따른 오차를 나타냄, Cost가 일정 값으로 수렴한다면 학습이 종료되었다는 것을 의미

MLR의 열 수요 예측은 대부분의 열 수요를 과소예측한 것에 비해 상단의 MLP는 실적 데이터의 추세에 더 적합한 예측을 한 것을 보여준다.

하지만 실적 데이터가 평이한 열 수요를 보인 반면, MLP의 예측은 과소예측한 구간도 있으며, 실적 데이터가 증감을 보일 때 MLP는 평이한 열 수요를 예측한 것으로 보아, 열 수요는 단순히 외기온도만이 아니라 어떠한 다른 변수에 의해서 소비자의 소비 패턴이 영향을 주는 것을 알 수 있다.

 

행동 패턴 모형

외기 온도 모형에서 예측 값이 실적 데이터에 비해 과소예측 및 과대예측한 구간이 있었음을 알 수 있다.

즉, 단순히 외기온도에만 영향을 받아 열 수요가 변화하는 것이 아니라 다른 요인 또한 열 수요에 영향을 미치는 것을 알 수 있다.

*소비자의 사회적 행동 패턴이 가장 큰 영향을 주는 변수

->주중과 공휴일을 포함하는 주말로 구분하여 학습을 진행

입력 데이터가 증가하였기 떄문에 학습 속도가 떨어짐, 외기온도에 대한 열 수요를 주중 및 공휴일을 포함한 주말로 단순화하여 패턴을 학습했기 때문에 MLP 열 수요 패턴은 선형적인 특징을 보임.

MLR은 해당 외기온도에 대한 열 수요를 대체적으로 과소예측하는데 반해, MLP는 실적 데이터에 더 적합한 추세를 보인다.

실적 데이터에 대한 과소예측 및 과대예측이 줄고 열 수요 예측 패턴이 실적 데이터의 추세에 더 적합한 모습을 보이나 여전히 오차 존재->소비자의 사회적 행동 패턴 뿐만 아니라 다른 요소가 열 수요에 영향을 줌

 

심리 요인

특히 전 날의 외기온도에 의해서 심리적 영향을 받아 외기온도의 변화와는 다른 행동 패턴을 보인다.->전일 온도차 추가 학습

학습 속도에 큰 영향 X, 비선형적 추세를 나타낸 것으로 보임.

기존 과소예측을 하던 구간이 크게 향상, 실적 데이터 패턴과 달라 변동이 심했던 구간도 줄어들어 실적 데이터 패턴과 가장 유사한 예측 패턴이 나타남.

---

Conclusion

1. 열 수요에 가장 큰 영향을 주는 외기온도만을 입력 변수로 사용 + 소비자의 사회적 행동 패턴을 구분하기 위한 주중 및 공휴일을      포함한 주말 변수 추가 + 소비자의 심리적 요인 반영(전일 온도차)하여 실험 진행

2. 외기온도 모형 : 비선형적 특징, MLR에 비해 크게 향상된 성능, 비슷한 온도에서 열 수요가 다른 점을 설명할 수 없다.

    행동 패턴 모형 : 주중 및 공휴일을 포함한 주말 구분 추가, 단순화 되어 선형적

    추세를 보이며, 외부 요인만을 학습 했을 때 MAPE 향상

3. 심리 요인 : 전일 온도차에 따라 비선형적 특징, 행동 패턴에 비해 MAPE 향상

-> 시계열 데이터 분석에 적합한 RNN 사용하여 성능 향상 필요, 타 지역에 적용이 가능한가에 대한 검증 필요