장기 단기 메모리 순환 신경망을 이용한 단기 주거 부하 예측

부하 예측은 전력 시스템 계획에서 필수적인 역할을 합니다. 적절한 계획과 조직을 통해 전체 전력 시스템의 효율성과 신뢰성을 높일 수 있습니다. 스마트 그리드 환경에서 점점 더 중요해지는 주거 부하 예측은 필수적입니다. 현재 스마트 미터는 주민들의 과거 데이터 소비를 수집하기 위해 주거 수준에서 배치될 수 있습니다. 스마트 미터의 사용은 대량의 데이터 가용성을 보장하지만, 부하 데이터의 일관성 부족으로 인해 정확한 예측이 어렵고 힘들어집니다. 따라서 전통적인 예측 기법이 목적을 충족하지 못할 수 있습니다. 그러나 본 논문에서는 딥 러닝 예측 네트워크 기반의 장기 단기 메모리(LSTM)를 제안합니다. RNN의 강력한 비선형 매핑 능력은 시간 시계열에서 효과적이며, LSTM의 긴 시퀀스에 대한 높은 학습 능력과 결합되어 있습니다. 제안된 방법은 이용 가능한 실제 데이터 세트를 통해 테스트되고 검증됩니다. LSTM은 기존의 두 가지 전통적인 기법인 지수 평활법과 자기회귀 통합 이동 평균 모델 (ARIMA)과 비교됩니다. 3개월 동안 12채의 실제 데이터를 사용하여 위에서 언급한 세 가지 기법을 사용한 부하 예측 성능을 평가하고 검증합니다. LSTM 모델은 시간 시계열 기반 예측에서 대량 데이터를 기억하는 능력 덕분에 가장 좋은 결과를 달성했습니다.