Adaptive Feature Selection Method for Short-term Load Forecasting Incorporating the Effects of Weather Forecast Errors :기상예보 오차의 영향을 고려한 단기 전력수요예측의 변수선택 방안에 관한 연구

Jiwon Cha

추천

검색

자료유형: 학위논문

저자정보: Jiwon Cha (고려대학교, 고려대학교 대학원)

지도교수: 주성관

발행연도: 2022

저작권: 고려대학교 논문은 저작권에 의해 보호받습니다.

이용수3

초록· 키워드

전력수요예측은 전력계통 운영에 필수적인 역할을 맡고 있다. 정확한 전력수요예측은 발전 비용의 효율성을 개선하고 안정적인 전력계통 운영을 가능하게 한다. 최근 몇 년간, 분산 자원(DER)의 보급 확대와 기후변화의 영향으로 전력수요의 불확실성이 증대되고 있다.
전력 시장의 다변화로 인해, 인센티브 기반 수요자원(DRs), 미 계량 (BTM) 태양광 (PVs) 및 배터리 에너지 저장장치 (BESSs) 등 주요 분산 자원을 고려한 전력수요예측이 필요하다. 그러나, 단기전력수요예측을 위해 항상 신뢰 가능한 데이터가 충분히 주어지는 것은 아니다. 분산자원에는 다양한 관리주체가 있고 규제가 낮은 까닭에 분산 자원에 관한 데이터는 파편화되어서 정기적으로 관리되지 못하고 있다. 또한, 기후변화는 기상예보오차를 증가시키고 있으며, 선례를 찾아보기 힘든 극단적인 기후 이변 현상이 점점 빈번하게 발생하고 있다. 기상 예보의 제공 범위가 짧아서 연휴기간 예측 시에는 기상예보를 활용하지 못하는 경우도 발생한다. 이렇듯 분산 자원과 기상불확실성 및 데이터 부족 상황을 고려하는 것은 단기 전력수요예측이 직면한 도전과제이다.
본 논문에서는 수요와 분산 자원의 불확실성을 통합할 수 있는 확률론적 기법 기반의 전력수요예측 방법을 제안한다. 제안된 방법은 전력수요예측을 분류 문제로 풀이하여 수요예측 결과를 이산확률분포로 표현된 신뢰함수와 함께 도출한다. 또한 본 논문은 확률-동적 계획법(SDP) 기반의 BTM 태양광과 배터리 에너지저장장치 자원의 용량 추정 방법을 제안한다. 또한, 기상예보의 불확실성과 예측오차의 영향을 최소화하기 위한 적응형 변수선택방법을 제안한다. 각 제안된 방법들은 사례연구를 통해 그 효과를 보여준다.
본 논문에서 제안한 BTM 자원의 용량 추정, 적응형 변수선택, 그리고 확률론적 수요예측 기법은 전력 자원 다변화와 기상이변 등 다가올 전력 시장의 변화 속에서 안정적인 전력수요예측에 기여할 것으로 기대된다.

Many feature selection studies showed that feature selection methods can improve the model performance rather than using all the features. In the past, many studies on short-term load forecasting have proposed feature selection techniques based on linear correlation along with various preprocessing techniques of historical weather data and mainly analyzed by season [9] [10]. Consequently, recent studies explored the methods to address the underlying uncertainties like weather forecast errors, temporal correlations, and changes on the forecasting horizon. New techniques such as adaptive feature selection, MIC, and DNN have been widely used to address the above challenges and demonstrated efficiency through numerical simulations. There were two issues in the forecasting methods using DNN and feature selection together. When the feature selection results changed, a new model had to be fitted accordingly. In addition, research results using DNN showed that using even variables with low correlation coefficients contributes to improving forecasting performance. When the variable selection result is applied, the number of input variables decreases, so the forecasting result is not always improved. There is a need for a method to solve these issues.
In this dissertation, an adaptive feature selection method is presented that can intervene in the load forecasting model according to the situation changes. This feature selection method directly modifies the hidden weights using correlation coefficients and weather forecast accuracy to improve the forecasting performance and enhance the model interpretability. It also effectively utilizes the time series data to allow the model to fit quickly into weather forecast errors or climate changes. The proposed method also aimed at solving practical challenges on short-term load forecasting tasks, such as weather forecasting horizons and business day limits.
Facility deregulation allows BTM PVs to monitor power in real-time using an inexpensive metering system that cannot distinguish solar and battery output, unlike utility-sized solar plus battery systems. Thus, the capacity estimation method for BTM resources poses an unique problem in deploying real data points for validation. From a practical point of view, the method of verifying the accuracy of the estimated BTM resource capacity is limited. The system operator should continuously track the amount of BTM DERs, which is needed to increase the transparency of the net load. The system operator in Pennsylvania-NewJersey-Maryland Interconnection (PJM) uses a method to reconstitute the expected net load by adding the impact of estimated BTM resources. As a result, PJM enhanced the forecasting performance by integrating the BTM solar forecast [32,33]. The estimated capacity of BTM resources is generally validated by comparing the improvement of the net load forecasting accuracy in previous studies. For example, the p-value is used to verify the impact of improvement, and the Pearson correlation coefficient measures the similarity between estimated BTM PV power and the net load forecasting errors [38].
In this dissertation, stochastic dynamic programming (SDP) based capacity estimation method for BTM resources that maximizes the improvement of load forecasting confidences is proposed. An iterative co-optimization method is used to estimate the optimistic capacity of BTM resources while increasing the expected forecasting accuracy of the net load.
In this dissertation, load forecasting is interpreted as a classification problem to integrate the uncertainties for the DERs and the load in a probabilistic manner. From this approach, it is possible to incorporate extreme cases like holidays and abnormal weather by applying solutions to solve class imbalance problems. Furthermore, this dissertation presented further considerations for the stable training procedure.

#분산 자원 #전력수요예측 #확률론적 동적 계획법 #변수선택

ABSTRACT I
TABLE OF CONTENTS III
LIST OF TABLES V
LIST OF FIGURES VII
CHAPTER 1 INTRODUCTION 1
1.1 Motivation and Objectives 1
1.2 Literature Review 4
1.3 Contributions 8
1.4 Organization of the Dissertation 9
CHAPTER 2 CAPACITY ESTIMATION FOR BTM RESOURCES USING STOCHASTIC DYNAMIC PROGRAMMING 10
2.1 Uncertainties of the Net Load 10
2.2 Uncertainties of the DERs 14
2.3 BTM Resources Capacity Estimation Using Stochastic Dynamic Programming 17
CHAPTER 3 ADAPTIVE FEATURE SELECTION METHOD CONSIDERING THE WEATHER FORECAST ERRORS 21
3.1 Temporal Correlations and Weather Forecast Errors 21
3.2 Insufficient Weather Forecasts for Mondays and Holidays 24
3.3 Adaptive Feature Selection Incorporating the Temporal Correlation and Forecast Accuracy 28
CHAPTER 4 PROBABILISTIC LOAD FORECASTING METHOD 32
4.1 Bayesian Approach for Load Forecasting 32
4.2 Probabilistic Load Forecasting Using Classification Approach 35
CHAPTER 5 CASE STUDY 39
5.1 Case Study I: Capacity Estimation of BTM Resources for Improving the Load Forecasting Accuracy 40
5.2 Case Study II: Adaptive Feature Selection Method 49
5.3 Case Study III: Probabilistic Load Forecasting 57
CHAPTER 6 CONCLUSIONS 63
REFERENCES 65
국문 초록 73

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록· 키워드

목차

최근 본 자료

댓글(0)