• Journal of the Institute of Convergence Signal Processing
• /
• v.5 no.1
• /
• pp.53-59
• /
• 2004

In case of load forcasting the most important problem is to deal with the load of special days. According this paper presents forecasting method for speaial days peak load by neural networks model. by means of neural networks mothod using the historical past special- days load data, special-days load was directly forecasted, and forecasting % error showed good result as 1∼2% except vacation season in summer Consequently, it is capable of directly special days load, With the models, precision of forecasting was brought satisfactory result. When neural networks was compared with the orthogonal polynomials models at a view of the results of special-days load forecasting, neural networks model which used pattern conversion ratio was more effective on forecasting for special-days load. On the other hand, in case of short special-days load forecasting, both were valid.

• Proceedings of the Korea Society for Industrial Systems Conference
• /
• 2006.05a
• /
• pp.115-118
• /
• 2006

빙축열 시스템과 같은 열교환 시스템을 이용하여 심야의 전력 경부하 시 주간에 이용할 냉방부하를 축열하였다가 주간에 공급함으로써 전력의 평준화와 전력 설비의 효율적 운용을 기할 수 있어 전력의 안정적인 수급과 에너지의 효율을 극대화할 수 있다. 하지만 빙축열 시스템의 제어 운전을 전적으로 운전자의 경험에 의존하는 경우에 충분한 냉방 부하를 공급하기 위한 잉여축열에너지가 비경제적으로 많아져서 빙축열 시스템의 경제성이 저하되고 사용 효과가 낮아지는 문제점이 많이 발생되고 있다. 경제적인 활용 효과를 고려하여 빙축열 시스템을 효율적으로 운용하기 위해서는 냉방부하량이 기후 특성에 의해 결정되므로 기후를 정확하게 예측하고 이를 토대로 다음날의 시간별 냉방부하를 예측하여 적정한 축열량을 결정하여야 하는 어려움이 따른다. 이러한 문제를 해결하기 위해 본 연구에서는 신경망을 이용하여 기상 데이터를 토대로 다음날의 온도와 습도를 예측하고 예측된 온도와 습도 및 냉방부하 실적 자료를 기반으로 신경망을 이용하여 시간별 냉방부하를 예측하는 알고리즘을 제시하였다. 제안된 냉방 부하예측 알고리즘에 의해 구축된 한국전력공사 속초생활연수원의 부하예측모델을 이용하여 온도, 습도, 냉방부하를 예측한 결과 기존 방법에 의한 것보다 우수한 예측 성능을 보였다.

• 전기의세계
• /
• v.34 no.5
• /
• pp.272-280
• /
• 1985

전력계통의 목표를 달성하기 위한 기본적인 요청은 시시각각으로 변동되는 전력부하를 확실하게 예측하는 일부터 시작된다. 그런데 전력부하는 온도, 습도, 광도 등 예측일의 기상요인은 물론 산업구조, 경기변동의 사회적인 요인에 의해 변화된다. 또한 온라인 예측시는 자동급전시스템의 여건이나 예측주기에 따라 각각 고려해야 할 사항이 다양하므로 정확도가 높으면서도 안정된 결정적인 예측기법을 찾기가 어렵다. 그러나 주어진 계통과 이용할 수 있는 여건을 바탕으로 했을때의 허용정도 및 자동화등 실제 적용면에서 보다 나은 예측기법은 생각될 수 있다. 필자들은 우리나라 계통을 대상으로 자동급전시스템(AGC/SCADA system)에 의해 온라인 리얼타임으로 취득해온 부하데이터를 이용하여 자유자재 (interactive)기능을 내포한 단기 부하예측 팩키지를 개발한 바 있으며 이에 소개하는 바이다.

• Journal of the Korean Solar Energy Society
• /
• v.32 no.3
• /
• pp.42-49
• /
• 2012

신경망방법은 공학, 경영 그리고 정보기술과 같이 다양한 분양에서 널리 사용되어지고 있다. 신경망방법은 기본적으로 예측, 제어, 식별과 같은 기능을 가지고 있는데, 본 논문에서는 신경망방법을 이용하여 C사의 모델 T의 히트펌프 전기부하를 예측하였다. 부하예측은 시스템을 더욱 효율적이고, 적절하게 만들기 위해 필요하다. 본 논문에서 사용된 히트펌프는 지열원 히트 펌프 시스템이다. 이 지열 히트 펌프의 부하는 사전에 미리 예측되어진 외기온도 및 건물 열부하에 따라 측정 학습된 전력 소비량으로 겨울에는 난방, 여름에는 냉방에 대한 전력 부하를 예측할 수 있다. 이 신경망방법은 신경망 학습 순서를 통해 부하 예측을 위해 히트펌프의 성능데이터를 필요로 한다. 이 부하 예측 인공지능망 방법으로 외기 온도별 건물 통합형 지열 히트 펌프 부하가 예측되어질 수 있다.

• Journal of the Korean Institute of Illuminating and Electrical Installation Engineers
• /
• v.19 no.7
• /
• pp.20-25
• /
• 2005

In this paper, the short-term load forecasting of transformers is performed by artificial neural networks. Input parameters of the proposed algorithm are peak loads of pole-transformer of previous days and their maximum and minimum temperatures. The proposed algorithm is tested for one of transformers in Seoul, Korea. Test results show that the proposed algorithm improves the accuracy of the load forecasting of transformer compared with the conventional algorithm. The reposed algorithm can help to prevent some damages by over-loads of transformers.

• Journal of the Institute of Convergence Signal Processing
• /
• v.2 no.3
• /
• pp.73-78
• /
• 2001

BP neural network model and multiple-regression model were composed for forecasting the special-days load. Special-days load was forecasted using that neural network model made use of pattern conversion ratio and multiple-regression made use of weekday-change ratio. This methods identified the suitable as that special-days load of short and long term was forecasted with the weekly average percentage error of 1∼2[%] in the weekly peak load forecasting model using pattern conversion ratio. But this methods were hard with special-days load forecasting of summertime. therefore it was forecasted with the multiple-regression models. This models were used to the weekday-change ratio, and the temperature-humidity and discomfort-index as explanatory variable. This methods identified the suitable as that compared forecasting result of weekday load with forecasting result of special-days load because months average percentage error was alike. And, the fit of the presented forecast models using statistical tests had been proved. Big difficult problem of peak load forecasting had been solved that because identified the fit of the methods of special-days load forecasting in the paper presented.

• Journal of the Korean Institute of Illuminating and Electrical Installation Engineers
• /
• v.16 no.2
• /
• pp.98-103
• /
• 2002

In case of power demand forecasting, the most important problems are to deal with the load of special-days. Accordingly, this paper presents the method that forecasting long (the Lunar New Year, the Full Moon Festival) and short(the Planting Trees Day, the Memorial Day, etc) special-days peak load using neural networks and regression models. long and short special-days peak load forecast by neural networks models uses pattern conversion ratio and four-order orthogonal polynomials regression models. There are using that special-days peak load data during ten years(1985∼1994). In the result of special-days peak load forecasting, forecasting % error shows good results as about 1 ∼2[%] both neural networks models and four-order orthogonal polynomials regression models. Besides, from the result of analysis of adjusted coefficient of determination and F-test, the significance of the are convinced four-order orthogonal polynomials regression models. When the neural networks models are compared with the four-order orthogonal polynomials regression models at a view of the results of special-days peak load forecasting, the neural networks models which uses pattern conversion ratio are more effective on forecasting long special-days peak load. On the other hand, in case of forecasting short special-days peak load, both are valid.

• Transactions of the Korean Society of Mechanical Engineers B
• /
• v.36 no.8
• /
• pp.803-809
• /
• 2012

It is necessary to predict the heating load in order to determine the optimal scheduling control of district heating systems. Heating loads are affected by many complex parameters, and therefore, it is necessary to develop an efficient, flexible, and easy to use prediction method for the heating load. In this study, simple specifications included in a building design document and the estimated temperature and humidity are used to predict the heating load on the next day. To validate the performance of the proposed method, heating load data measured from a benchmark district heating system are compared with the predicted results. The predicted outdoor temperature and humidity show a variation trend that agrees with the measured data. The predicted heating loads show good agreement with the measured hourly, daily, and monthly loads. During the heating period, the monthly load error was estimated to be 4.68%.

• Proceedings of the KIEE Conference
• /
• 2001.07d
• /
• pp.2782-2784
• /
• 2001

최대수요전력 제어기의 실시간 부하전력예측을 위하여 Newton 보외법을 적용하였다. 기존의 선형기법에 비하여 실제 데이터에 가까운 부하전력을 예측할 수 있었다. 이 새로운 알고리즘을 적용함으로써 부하예측을 보다 정확히 할 수 있어 빈번한 부하차단이나 우발적인 차단을 방지하여 설비 운용의 신뢰성을 높일 수 있다. 개선된 알고리즘은 마이컴으로 제어되는 실제 시스템에 적용하여 보다 나은 성능을 얻을 수 있었다.

• Journal of the Korean Institute of Intelligent Systems
• /
• v.14 no.2
• /
• pp.130-135
• /
• 2004

This paper presents a new design methods of the short-term load forecasting system (STLFS) using the data mining. The structure of the proposed STLFS is divided into two parts: the Takagi-Sugeno (T-S) fuzzy model-based classifier and predictor The proposed classifier is composed of the Gaussian fuzzy sets in the premise part and the linearized Bayesian classifier in the consequent part. The related parameters of the classifier are easily obtained from the statistic information of the training set. The proposed predictor takes form of the convex combination of the linear time series predictors for each inputs. The problem of estimating the consequent parameters is formulated by the convex optimization problem, which is to minimize the norm distance between the real load and the output of the linear time series estimator. The problem of estimating the premise parameters is to find the parameter value minimizing the error between the real load and the overall output. Finally, to show the feasibility of the proposed method, this paper provides the short-term load forecasting example.