Short-Term Electricity-Load Forecasting by Deep Learning: A Comprehensive Survey
Created by
Haebom
저자
Qi Dong, Rubing Huang, Chenhui Cui, Dave Towey, Ling Zhou, Jinyu Tian, Jianzhou Wang
개요
본 논문은 지난 10년간 심층 학습 기반의 단기 전력 부하 예측(STELF)에 대한 종합적인 조사를 제공합니다. 날씨 변화 및 새로운 전력 소비 시나리오의 등장과 같은 외부 요인으로 인해 전력 수요가 변동하고 비선형적인 특징을 띠게 되어 STELF의 복잡성과 어려움이 증가하는 문제를 다룹니다. 논문에서는 데이터 전처리, 특징 추출, 심층 학습 모델링 및 최적화, 결과 평가를 포함한 전체 예측 과정을 검토하고, 향후 연구 방향 및 과제를 제시합니다.
시사점, 한계점
•
시사점: 심층 학습 기반 STELF 연구의 최근 10년간의 발전 동향을 종합적으로 분석하여 향후 연구 방향을 제시함. 다양한 데이터 전처리, 특징 추출, 모델링 및 최적화 기법에 대한 이해를 제공함.
•
한계점: 특정 심층 학습 모델에 대한 심층적인 비교 분석보다는 전반적인 개관에 초점을 맞추고 있음. 향후 연구 방향 제시는 다소 일반적이며 구체적인 연구 계획은 부족함. 최근 급속도로 발전하는 STELF 분야의 최신 동향을 모두 포괄하지 못할 가능성 존재.
