Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Learning for Interval Prediction of Electricity Demand: A Cluster-based Bootstrapping Approach

Created by
  • Haebom
Category
Empty

저자

Rohit Dube, Natarajan Gautam, Amarnath Banerjee, Harsha Nagarajan

개요

본 논문은 마이크로그리드와 같은 소규모 전력 부하 환경에서 정확한 전력 수요 예측을 위한 구간 추정 기법을 제시한다. 특히, 일일 전력 수요의 구간 추정을 위해 잔차 부트스트랩 알고리즘을 제안한다. 머신러닝 알고리즘을 사용하여 전력 수요의 점 추정값을 얻고, 훈련 데이터셋의 잔차를 메모리에 저장한다. 유사한 수요 패턴을 가진 날짜들을 군집화하고, 이를 메모리 분할에 사용한다. 테스트 날짜의 점 추정값을 기반으로 가장 가까운 군집을 찾아 해당 군집에서 잔차를 부트스트랩한다. 실제 EULR 데이터를 사용하여 알고리즘의 성능을 평가하고, 다른 부트스트래핑 방법과 비교한다.

시사점, 한계점

•
시사점:
◦
소규모 전력 부하 환경에서 전력 수요의 구간 추정을 위한 효과적인 방법론 제시.
◦
잔차 부트스트랩 기법을 활용하여 예측 불확실성을 정량화.
◦
군집화를 통해 잔차의 다양성을 효과적으로 반영.
◦
실제 데이터(EULR)를 활용한 성능 검증.
•
한계점:
◦
사용된 머신러닝 모델의 종류 및 하이퍼파라미터 설정에 따른 성능 차이 발생 가능성.
◦
군집화 알고리즘의 파라미터 설정에 따른 결과 민감도.
◦
EULR 데이터 외 다른 데이터셋에 대한 일반화 성능 평가 필요.
◦
구간 추정의 신뢰도 및 정확도 간의 trade-off 고려.
👍
Made with Slashpage