Pattern-Based Approach for Short-Term Load Forecasting

Abstract

최근, 분산 에너지 자원이 늘어나면서 ICT 기반의 스마트 그리드 비즈니스가 증가하고 있다. 이러한 비즈니스의 목표는 소규모 지역의 에너지 생산과 소비를 관리하고 운영하는 것이다. 전력망 운영을 위한 핵심 기술 중 하나는 단기 부하 예측이며, 운영 주체는 개별 소비자의 부하를 사전에 예측함으로써 시스템의 경제성을 확보할 수 있다. 부하 예측에 관한 다양한 연구들이 있으나 개별 소비자의 부하 예측에 집중한 연구는 많지 않다. 소규모 부하는 전력 계통과 같은 대규모 부하에 비해 변동성이 크고 예측이 어려운 특징이 있다. 본 연구는 패턴 기반 접근법을 활용하여 소비자의 단기 부하를 예측하는 새로운 방법을 제안한다. 우리는 형태 기반 군집화 알고리즘으로 소비자의 과거 부하 곡선을 형태의 유사성에 근거하여 하위 군집으로 분리한다. 이 군집들은 데이터 내의 잠재된 부하 패턴을 의미한다. 다음으로, 군집 별로 각각의 부하 예측 모형을 개발한다. 또한, 다음 날의 부하 패턴을 식별하기 위한 패턴 분류 모형을 학습하여 패턴에 맞는 부하 예측 모형이 활용되도록 한다. 특히, 우리는 이전 연구에서 깊이 있게 고려되지 않았던 패턴 분류 모형의 고도화를 통해 전체 부하 예측 성능을 개선하고자 한다. 실제 데이터를 이용한 실험에서 제안한 예측 모형이 기준 모형보다 우수한 성능을 기록하였으며, 패턴 분류 방식에 따라 부하 예측 성능이 크게 달라지는 것을 보였다. 또한, 소비자 부하 데이터에 존재하는 부하 패턴을 도메인 지식 없이 추출하고 분석하였다. 마지막으로, 패턴 기반 접근법이 비 패턴 기반 접근법보다 정확하다는 것을 실험을 통해 확인하였다.

Recently, ICT-based smart grid-related businesses have been increasing as distributed energy resources are expanding. These businesses aim to operate and manage energy production and consumption in small areas. In this context, short-term load forecasting for an individual consumer is essential to the business operator that manages the power grid. Load forecasting studies have been conducted extensively, but only a few studies have focused on individual consumer loads. This small-scale load is highly volatile and unpredictable compared to large-scale load. In this study, we propose a novel method to forecast the short-term load of an individual consumer using a pattern-based approach. First, the shape-based clustering algorithm extracts patterns by separating consumers' historical load curves based on the similarity of shape. Then, homogeneous data in the cluster is used to build each load forecasting model, and a pattern classification model is also developed to identify patterns the next day. Primarily, we focus on improving the accuracy of pattern classification. Analysis of the experimental results demonstrates that the pattern classification method exerts a prominent influence on accurate load forecasting. Our feature-based pattern classifiers show more superior performance than baselines. Besides, the result confirms that potential patterns in load data are extracted properly, and the pattern-based forecasting method outperforms a non-pattern-based method. Based on this, we conclude that a pattern-based approach improves the performance of load forecasting, and that pattern classification method should be carefully designed in a clustering-based load forecasting study.