AI in EE

AI IN DIVISIONS

AI in Computer Division

AI in EE

AI IN DIVISIONS

AI in Computer Division ​

AI in Computer Division

[Eunju Yang and Chan-Hyun Youn, “Individual Load Forecasting for Multi-Customers with Distribution-aware Temporal Pooling”, to proceed in IEEE International Conference on Computer Communications (INFOCOM) 2021, May, Canada.]

개별 부하 예측은 스마트 그리드 서비스를 위한 주요 컴포넌트 하나이다. 스마트 그리드의 엣지인 스마트 미터 들에서 계측된 데이터들은 실시간으로 클라우드 서버로 수집되고, 이를 기반으로 다양한 지능형 서비스를 제공하기 위해 스마트 미터 들의 /단기 전력 소모량 예측이 수행된다. 서비스 제공자의 관점에서 중앙 서버에서 다중 계측기의 개별 부하 예측을 위한 모델을 학습할 , 스마트 미터 간의 분포 격차에 대한 고려가 필요하다. 다중 고객들의 개별 예측을 처리하기 위한 방법으로 크게 가지 접근 방법이 수행되어 왔다:1)  고객별로 독립적 모델을 학습하거나 2) 다중 고객 정보들을 모두 포함할 있는 모델을 학습 방식이 있다. 독립적인 방식은 후자보다 높은 정확도를 보이지만, 서비스 제공자의 관점에서 자원 관리 효율적이다. 반면 후자의 경우 반대로, 방식의 절충안인 클러스터링 기반의 예측 방식이 좋은 대안이 있다. 하지만, 기존의 클러스터링 기반 연구들의 경우 누적 부하에 초점을 맞추기 때문에 시간이 지남에 따라 분포 변화가 발생하는 개별 부하 예측의 개념 드리프트 문제를 고려하지 않는다는 점에서 한계가 있다. 이를 해결하기 위해 우리는 새로운 클러스터링 기반의 개별 부하 예측 프레임워크인 분포 인지형 시계열 풀링 기법 (Distribution-aware Temporal Pooling) 제안한다. 클러스터링을 위해 VaRDE (Variational Recurrent Deep Embeding) 제안하는데, 이는 시계열 데이터의 분포를 추정하는 형태로 클러스터링을 수행하기 때문에 높은 불규칙성을 갖는 개별 부하 예측 클러스터링에 적합하다. 뿐만 아니라, 전체 프레임워크는 모든 고객의 시점 데이터에 대해 클러스터를 할당하도록 동작하며, 시점의 시계열 데이터 분포를 추론하고 이를 바탕으로 클러스터링을 수행하기 때문에 고객의 데이터 분포가 시간에 따라 변하더라도 시점에 가장 적합한 예측 모델이 이를 처리하도록 한다. 우리는 AMI 데이터를 사용하여 제안 기법을 평가하였으며, 결과들은 제안 기법이 기존의 방식과 비교하여 우수한 성능을 가짐을 보여주었다. 뿐만 아니라, 기법은 학습에 사용되지 않은 새로운 스마트 미터 데이터에 대해서 역시 가장 우수한 성능을 보여주었으며, 이는 프레임워크가 중앙 서버에서 다중 고객을 처리하기에 높은 확장성을 가짐을 보여주었다.

Copyright ⓒ 2015 KAIST Electrical Engineering. All rights reserved. Made by PRESSCAT

Copyright ⓒ 2015 KAIST Electrical Engineering. All rights reserved. Made by PRESSCAT

34141 대전광역시 유성구 대학로 291
한국과학기술원(KAIST)
Tel. 042-350-3411   Fax. 042-350-3410

Copyright ⓒ 2015 KAIST Electrical
Engineering. All rights reserved.
Made by PRESSCAT