Mobile QR Code QR CODE : The Transactions of the Korean Institute of Electrical Engineers

  1. (Dept. of Electrical and Computer Engineering, Pusan National University, Korea)



Short-Term Load Forecasting, Hourly Temperature Sensitivity, Artificial Neural Network

1. 서 론

전력수요 예측은 전력시장에서 가격결정 및 공급예비력 결정을 위해 필수적인 요소이며, 높은 정확성이 요구된다. 8차 전력 수급 기본 계획에 따르면, 예측 오차를 고려한 불확실성 대응 예비율은 7차 계획(2%) 대비 소폭 상승한 9%로 산정되었다. 이는 이상고온 현상으로 인한 냉방부하의 사용 증가의 영향으로 전력수요 예측의 불확실성이 커지고 있음을 의미한다[1]. 전력은 생산과 동시에 소비가 이루어지는 특성을 가지기 때문에 큰 예측 오차가 발생할 경우 단전, 비상급전 등과 같은 치명적인 결과를 초래한다. 또한 계획되지 않은 발전 설비, 송·변전 설비의 사용에 따른 전력 추가 구매비용 증가 등 경제적 손실을 야기하기 때문에 정확한 전력수요 예측은 전력계통의 효율적 운영을 위한 필수적인 요소이다[2].

전력수요 예측 방법으로는 인공 지능 기법을 이용한 방법(Artificial neural network, Support vector machine, Radial Basis Function Network), 지수평활화법(Exponential moving average, EMA), Auto Regressive Moving Average(ARMA) 등을 이용한 통계적인 방법, 전문가 시스템(퍼지알고리즘 등)을 이용한 방법, wavelet transform and neuro-evolutionary algorithm 등 두 가지 기법을 결합한 방법이 있다[3-8].

국내에서는 평일의 하루 전 전력수요 예측을 위하여 지수평활화법을 응용한 방법을 이용하고 있다. 하지만 회귀분석이나 시계열 분석의 경우 비선형적 모델의 구성을 할 수 없어 이벤트에 취약하다는 단점이 있다[9]. 한편 인공 신경망은 입력 값에 대해 각 뉴런의 가중치를 조정하여 목표 값에 도달하도록 학습 후 테스트 데이터를 통해 예측하는 방식이기 때문에 비선형적 모델 구성이 가능하다.

한국전력공사 전기 공급 약관에 따르면, 우리나라 하절기는 여름철인 6,7,8월을 의미하며 이때 전력수요는 기상요소인 기온, 습도, 풍속 등에 영향을 받는다[10]. 전력수요 패턴을 분석한 결과 하절기 전력수요 중 냉방부하가 차지하는 비율이 19.8%에서 28.7%로 매년 증가하고 있다. 따라서 정확한 전력수요 예측을 위해서는 냉방부하와 관련이 있는 기온을 정밀하게 고려해야 한다.

본 논문에서는 비선형성을 가지는 전력수요의 특성을 고려하여 인공 신경망을 이용하여 2015-2017년도 우리나라 전력수요 데이터와 기상데이터를 통해 하절기 평일 단기 전력수요를 예측하였으며, 이를 지수평활화법과 이동평균법을 이용한 예측결과와 비교하였다. 제안한 예측 모델의 정확성을 향상시키기 위해 기온 변화에 대한 전력수요의 변화를 시간별로 산출한 시간별 기온 민감도를 인공 신경망의 입력변수로 추가함으로써 예측오차를 개선한 사례연구 결과를 제시한다

2. 본 론

2.1 하절기 평일의 전력수요 패턴

하절기 평일의 전력수요 패턴 분석을 위해 주간 전력수요 패턴과 최대, 최소 전력수요를 그림 1표 1에 각각 나타냈다. 월요일부터 금요일까지 오전 9시 이후의 전력수요 패턴과 최대전력수요는 요일에 관계없이 유사하지만, 주말동안 가동을 멈추었던 공장 및 빌딩 등 산업부하의 영향으로 인해 오전 9시 이전의 전력수요 패턴과 최소전력수요는 다른 평일에 비해 약 6000MW 정도 차이가 있음을 알 수 있다[11]. 따라서 전력수요 예측의 정확성을 높이기 위해 패턴의 유사성을 고려하여 월요일, 화-금요일로 분류하여 예측을 실시하였다.

그림. 1. 2017년 7월 1일(토) - 7일(금)의 시간별 전력수요

Fig. 1. Hourly electric load pattern from Sat, July 1st to Fri, July 7th, 2017

../../Resources/kiee/KIEE.2019.68.9.1045/fig1.png

표 1. 2017년 7월 3일(월) - 7일(금)의 최대, 최소전력수요

Table 1. Maximum and Minimum electric load from Mon, July 3rd to Fri, July 7th, 2017

Maximum electric load [MW]

Minimum electric load [MW]

Mon, July 3rd

77,051

48,463

Tue, July 4th

78,325

54,085

Wed, July 5th

78,494

53,705

Thu, July 6th

80,673

54,116

Fri, July 7th

78,640

54,967

2.2 입력 변수 선정

인공 신경망을 이용한 전력수요 예측 시 전력수요와 관련 없는 변수를 입력으로 사용하여 학습을 진행하면 소요되는 시간만 길어질 뿐 정확한 모델 구현이 불가능하다. 이 같은 모델로 예측을 진행할 경우 오차가 매우 크게 발생하기 때문에 하절기 전력수요와 관련이 있는 입력 변수를 선정하는 것이 매우 중요하다.

2.2.1 기상요소

단기 전력수요는 기상요소에 영향을 받으며, 예측을 위해 사용할 수 있는 기상요소는 기온, 불쾌지수, 체감온도, 조도, 습도, 이슬점온도 등 다양하다[12]. 이 중 전력수요와 상관성이 높은 요소를 선정하기 위해 식(1)의 피어슨 상관계수를 이용하여 상관분석을 하였다. 두 변수의 관계 강도는 표 2와 같고[13], 전력수요와 각 기상요소의 상관 분석 결과를 표 3에 제시하였다.

(1)
$r =\dfrac{\sum(x-\overline{x})\cdot(y-\overline{y})}{\sqrt{\sum(x-\overline{x})^{2}\cdot\sum(y-\overline{y})^{2}}}$

여기서, $x$는 전력수요, $\overline{x}$는 전력수요의 평균, $y$는 각 기상 요소, $\overline{y}$는 각 기상 요소의 평균을 나타내며, 각 기상 요소는 최고값을 나타낸다. 즉, 기온은 전국의 최고 기온을 나타낸다.

표 2. 피어슨 상관계수 관계 강도

Table 2. Strength of pearson correlation coefficient

Strength of relationship

Correlation coefficient, r

Negative

Positive

weak

-0.3 ~ 0

0 ~ 0.3

moderate

-0.7 ~ -0.3

0.3 ~ 0.7

strong

-1.0 ~ -0.7

0.7 ~ 1.0

표 3. 하절기 평일 전력수요와 각 기상요소와의 상관계수

Table 3. The correlation coefficient between meteorological elements and electric load

Actual value

Prediction value

Temperature [℃]

0.823

0.821

Humidity [%]

-0.230

-0.221

Wind speed [m/s]

-0.024

-0.026

Dew point temperature [℃]

0.548

0.546

단기 전력수요 예측의 경우 하루 전 예측을 실시하기 때문에 예측된 기상데이터 값을 사용해야 한다. 따라서 일기예보가 정확하지 않을 경우 전력수요 예측에 영향을 끼치게 된다[14]. 하지만 일기예보 측면에서 보면 기온의 일기예보 정확성이 다른 기상요소 대비 높고[12], 실제 기상데이터, 예측된 기상데이터와 평일 전력수요의 상관 계수가 표 3과 같이 거의 일치하여 예측된 기상데이터를 사용하여 전력수요 예측모델을 구성하였다.

표 3에 제시된 바와 같이 기온은 상관계수가 0.821이므로 전력수요와 강한 양의 상관관계를 가진다. 즉, 전력수요에 대한 기온의 영향이 매우 큼을 의미한다. 습도와 풍속은 –0.221, -0.026이므로 약한 음의 상관관계를 가지며, 이는 전력수요에 대한 영향이 작음을 의미한다. 이슬점 온도의 경우 0.546이므로 중간정도의 양의 상관관계를 가지지만, 본 논문에서는 전력수요에 대한 기온의 영향을 집중적으로 고려하였기 때문에 기상요소 중 기온만을 입력 변수로 선정하였다.

계절별 최대전력수요와 기온은 그림 2와 같고, 다른 계절에 비해 여름철 전력수요와 기온의 추세가 유사함을 알 수 있다. 따라서 하절기의 전력수요 예측정확도를 높이기 위해 기온을 정밀하게 고려해야 한다.

그림. 2. 계절별 최대전력수요와 기온과의 관계

Fig. 2. the daily peak load and temperature by season

../../Resources/kiee/KIEE.2019.68.9.1045/fig2.png

2.2.2 전력수요 데이터

전력수요 예측 시 과거의 전력수요 데이터를 사용하는 것이 효과적이며, 예측일 전 최근의 데이터를 이용하면 예측 정확도를 향상시킬 수 있다[15].

식(1)을 이용하여 전력수요와 과거 5일간의 동시간대 전력수요의 상관계수를 표 4에 나타내었다. 예측일 전 가장 최근일의 상관계수가 높기 때문에 과거 데이터를 많이 사용 할 경우 최근 데이터에 대한 가중치가 줄어들게 된다. 따라서 상관계수가 높은 과거 3일의 전력수요 데이터를 입력 변수로 사용하였으며, 전력수요 입력 데이터 구성은 표 5와 같다.

2.2.3 시간별 기온 민감도

표 6은 2015년-2017년도의 하절기 전력수요 중 냉방부하가 차지하는 비율을 나타낸다. 냉방부하의 비율이 매년 증가하고 있기 때문에 정확한 전력수요 예측을 위해서는 냉방부하와 관련이 있는 기온을 정밀하게 고려해야 한다. 이를 위해 본 논문에서는 기온 1℃ 변화 시 전력수요의 증감 정도를 나타내는 기온 민감도를 사용하였다.

표 4. 동시간대 과거 5일간 전력수요의 상관계수

Table 4. Correlation coefficient with the same time electric load over the past five days

1day ago

2days ago

3days ago

4days ago

5days ago

Correlation

coefficient

0.974

0.953

0.939

0.921

0.905

표 5. 전력수요 예측 입력데이터 구성

Table 5. Input data set for electric load forecasting

Mon.

Tue.-Fri.

Input data

the same time electric load of Monday for three weeks before forecast date

the same time electric load of weekdays (Tue.-Fri.) for three days before forecast date

표 6. 2015-2017년도 하절기의 냉방부하 비율

Table 6. Percentage of cooling load in the summer of 2015-2017

Year

2015

2016

2017

Cooling load [%]

19.8

27.3

28.7

그림 3은 2015-2017년 하절기의 기온에 따른 전력수요이고, 그래프의 실선은 기온에 따른 전력수요 변화의 추세곡선을 의미하며 2차 함수 형태를 나타낸다. 즉, 기온 1℃ 변화에 따른 전력수요 변화가 기온별로 선형적으로 변화하는 것이 아님을 의미한다.

2015-2017년 하절기의 하루 24시간 중 최저기온은 17.9℃, 최고기온은 38.9℃이며, 최저기온 이상일 때 냉방용 전력수요가 발생한다고 가정하였다.

그림. 3. 전력수요와 기온에 대한 산점도

Fig. 3. A scatter plot of the electric load and temperature

../../Resources/kiee/KIEE.2019.68.9.1045/fig3.png

그림 3의 20-25℃ 구간에서는 기온이 1℃ 증가함에 따라 전력수요가 약1500MW 증가(1500MW/℃)한다. 반면 35-40℃ 구간에서는 기온이 1℃ 증가함에 따라 전력수요가 약 2330MW 증가(2330MW/℃)하며, 20-25℃ 구간과 1.5배 이상 차이가 난다. 즉, 저온일 때보다 고온일 때 전력수요가 더 민감하게 반응하며, 기온별(17-18℃, 18-19℃,..., 38-39℃)로 전력수요가 비선형적으로 변화함을 의미한다. 이와 같은 전력수요의 변화를 정확하게 반영하기 위하여 기온별 민감도 사용하면 하절기 전력수요 예측의 정확도를 향상시킬 수 있다[16].

그림. 4. 2016년 7월 15일 금요일의 전력수요와 기온

Fig. 4. The electric load and temperature on July 15th, 2017

../../Resources/kiee/KIEE.2019.68.9.1045/fig4.png

하지만 그림 4의 전력수요 그래프에 나타난 바와 같이 하루 중 같은 기온일 때 전력수요의 크기가 다른 경우가 존재함을 알 수 있다. 예를 들어, 2016년 7월 15일 금요일의 경우 같은 기온(26.8℃)을 가지는 시간대(0, 8, 22시)의 전력수요의 크기는 모두 다르며, 0시와 8시의 전력수요는 약 9500MW의 큰 차이를 가진다. 즉, 같은 기온이 나타나더라도 시간대에 따라 기온의 증감추세, 산업용 전력의 사용유무가 다르기 때문에 전력수요의 크기가 달라짐을 의미한다. 그리고 그림 5에 나타난 바와 같이 하절기 평일의 전력수요는 평일동안 매우 유사한 패턴을 가진다. 즉, 평일의 같은 시간대에는 일반적으로 같은 전력사용 패턴이 나타나기 때문에 동시간대의 전력수요의 증감 정도는 기온에 의한 냉방부하의 영향이라 할 수 있다.

그림. 5. 하절기 평일(화요일-금요일)의 시간별 전력수요 패턴

Fig. 5. Hourly electric load pattern on summer weekdays(Tue.-Fri.)

../../Resources/kiee/KIEE.2019.68.9.1045/fig5.png

따라서 본 논문에서는 전력수요 예측 정확도를 향상시키기 위해 기온 변화에 대한 전력수요의 민감도를 시간별로 산출하여 인공 신경망의 입력변수로써 사용하였다.

2.2.4 시간별 기온 민감도 산출

시간별 기온 민감도 산출 및 전력수요 예측 시 공휴일 전·후일과 대규모 사업장의 하계휴가로 인한 조업중단의 여파로 일반적인 평일에 비해 매우 낮은 수준의 전력사용 패턴을 나타내는 특수경부하 기간은 제외하였다[17].

시간별 기온 민감도는 최소자승법에 의한 기온과 전력수요의 회귀 분석을 통해 산출하였다.

(2)
$E(a,\:b)_{t}=\sum_{i = 1}^{n}(y_{i,\:t}-(a_{t}x_{i,\:t}+b_{t}))^{2}t = 1,\:2,\:...,\:24$

여기서, E는 오차 제곱의 합(Sum of squares of error, SSE), x는 기온, y는 전력수요, t는 시각, n은 동일시간의 날짜 개수를 의미한다. 그리고 $a_{t}$는 회귀계수이자 본 논문에서 제안하는 t시각의 기온에 의한 전력수요의 민감도를 의미하며, $b_{t}$는 회귀상수이다.

SSE가 최소가 되도록 $a_{t}$, $b_{t}$에 관해 편미분하면 아래의 식과 같다.

(3)
$\dfrac{\partial E_{t}}{\partial a_{t}}=-2\sum_{i=1}^{n}x_{i,\:t}y_{i,\:t}+2a_{t}\sum_{i=1}^{n}x_{i,\:t}^{2}+2b_{t}\sum_{i=1}^{n}x_{i,\:t}= 0$

(4)
$\dfrac{\partial E_{t}}{\partial b_{t}}=2a_{t}\sum_{i=1}^{n}x_{i,\:t}-2\sum_{i=1}^{n}y_{i,\:t}+2b_{t}n=0$

이를 만족하는 $a_{t}$, $b_{t}$는 다음과 같다.

(5)
$a_{t}=\dfrac{\sum_{i=1}^{n}(x_{i,\:t}-\overline{x_{t}})(y_{i,\:t}-\overline{y_{t}})}{\sum_{i=1}^{n}(x_{i,\:t}-\overline{x_{t}})^{2}}$

(6)
$b_{t}=\overline{y_{t}}-a_{t}\overline{x_{t}}$

2.3 전력수요예측 모델

입력데이터인 전력수요는 40000[MW]-90000[MW], 기온은 17[℃]-39[℃]로 범위가 매우 상이하다. 따라서 모든 입력데이터를 (0,1) 사이로 정규화 하였고, 제안한 전력수요 예측의 알고리즘은 그림 6과 같다.

그림. 6. 제안한 전력수요예측 알고리즘 흐름도

Fig. 6. Flowchart of the proposed electric load forecasting algorithm

../../Resources/kiee/KIEE.2019.68.9.1045/fig6.png

3. 사 례 연 구

본 논문에서는 2015-2017년 우리나라의 전력수요데이터와 기상청에서 제공하는 기상요소[18]를 이용하여 하절기 평일 24시간 전력수요 예측을 실시하였다. 예측 모델은 인공 신경망을 이용하였으며, Matlab을 이용해 구현하였다.

전력수요 예측의 정확도 측정을 위해 아래 식을 이용하여 MAPE(Mean Absolute Percentage Error), RMSE(Root Mean Square Error)를 구하고, 이를 지수평활화법, 이동평균법을 이용한 예측결과와 비교하였다.

(7)
$MAPE[\%]=\dfrac{1}{N}\sum_{t=1}^{N}\dfrac{\left | Actual_{t}-{Forecast}_{t}\right |}{Actual_{t}}\times 100$

(8)
$R{M}{SE}[{MW}]=\sqrt{\dfrac{\sum_{{t}=1}^{{N}}({Actual}_{{t}}-{Forecast}_{{t}})^{2}}{{N}}}$

여기서 N은 24시간, $Actual_{t}$는 예측일 시간 t일 때 전력수요 실제값, ${Forecast}_{t}$는 예측일 시간 t일 때 전력수요 예측값이다.

그림 7은 하절기 평일 단기 전력수요 예측을 위한 인공 신경망 모델을 나타낸 것이고, 사례별 구성은 표 7과 같다. 히든 층의 뉴런수는 입력 뉴런수의 1,2,3배 늘려가며 시뮬레이션 하였고 그 결과, 히든 층의 뉴런수가 입력 뉴런수의 2배일 경우 가장 예측정확도가 높아 본 논문에서 히든 층의 뉴런수는 입력 뉴런수의 2배로 구성하였다.

그림. 7. 하절기 평일 단기 전력수요 예측을 위한 인공신경망 모델

Fig. 7. Structure of artificial neural network for short term electric load forecasting in summer

../../Resources/kiee/KIEE.2019.68.9.1045/fig7.png

표 7. 사례별 하절기 평일 전력수요 예측결과

Table 7. Result of electric load forecasting on summer weekdays of cases

../../Resources/kiee/KIEE.2019.68.9.1045/tbl7.png

표 8은 예측일 직전 3일 동시간대의 전력수요를 이용하여 Case 1과 지수평활화법, 이동평균법과의 전력수요 예측 결과를 비교한 것이며, 결과는 10회 학습시킨 예측결과의 평균값이다. 그 결과 Case 1의 인공 신경망을 이용한 경우 시계열 분석을 이용했을 때 보다 예측 정확도가 개선되었다.

표 8. 2017년 하절기 평일의 전력수요 예측결과

Table 8. Result of electric load forecasting on summer weekdays 2017

../../Resources/kiee/KIEE.2019.68.9.1045/tbl8.png

표 9는 Case 1 예측 모델의 정확성을 향상시키기 위해 기온과 기온별, 시간별 민감도를 추가적으로 입력 변수로 사용한 경우의 예측 결과이다. 전력수요만을 사용한 경우(Case 1) 보다 기온을 추가로 사용한 경우(Case 2)의 평균오차율이 2.045%에서 1.754%로 개선되었고, 그보다 기온별, 시간별 민감도를 추가적으로 사용한 경우(Case 3, 4)의 평균오차율이 1.754%에서 1.686%, 1.606%로 개선됨을 확인하였다. 그리고 6, 7, 8월의 Case 4의 예측오차율이 Case 3에 비해 각각 0.048%, 0.055%, 0.139% 개선되었다. 즉, 하절기 평일의 전력수요 예측 시 시간별 기온 민감도를 반영한다면 예측 정확도를 높일 수 있음을 확인하였다.

표 9. 사례별 하절기 평일 전력수요 예측결과

Table 9. Result of electric load forecasting on summer weekdays of cases

2017

Case 1

Case 2

Case 3

Case 4

MAPE [%]

RMSE [MW]

MAPE [%]

RMSE[MW]

MAPE[%]

RMSE[MW]

MAPE[%]

RMSE[MW]

June

1.259

972.777

1.215

939.193

1.207

949.569

1.159

904.760

July

1.918

1571.754

1.709

1435.468

1.643

1420.562

1.588

1336.605

August

2.959

2210.121

2.339

1860.936

2.209

1829.052

2.070

1688.870

Average

2.045

1584.884

1.754

1411.866

1.686

1399.728

1.606

1310.078

표 10은 2017년 하절기 최대전력수요가 발생한 7월21일 금요일(16시)의 사례별 예측결과이며, 그림 8은 사례별 그래프이다. Case 4의 예측 오차율이 1.544%, 0.117%로 가장 낮음을 확인하였다.

그림. 8. 최대전력수요가 발생한 2017년 7월 21일 전력수요 예측 패턴 비교

Fig. 8. Comparison electric load forecasting patterns on July 21st 2017

../../Resources/kiee/KIEE.2019.68.9.1045/fig8.png

표 10. 사례별 2017년 7월 21일 전력수요 예측결과

Table 10. Result of electric load forecasting on July 21st, 2017 of cases

../../Resources/kiee/KIEE.2019.68.9.1045/tbl10.png

4. 결 론

본 논문에서는 인공 신경망을 이용하여 하절기 평일의 하루 전 전력수요 예측을 실시하였다. 전력수요 패턴의 유사성을 고려하여 월요일, 화요일-금요일로 분류하였으며, 기존의 연구방법에서 주로 사용되었던 입력 변수인 기온과 과거 전력수요 데이터 뿐 아니라 기온의 정밀한 반영을 위해 시간별 기온민감도를 추가적으로 사용한 예측 방법을 제시하였다. 제시한 방법의 평가와 입증을 위해 2015-2017년 한국 전력수요 데이터와 기상데이터를 사용하여 기존의 예측 기법과 비교한 결과 제시한 방법의 하절기 평일의 MAPE, RMSE가 1.606%, 1310MW로 예측 정확도가 개선됨을 확인하였다. 특히 기온만을 이용한 사례연구의 결과보다 예측 정확도가 높다. 이는 하절기의 전력수요의 경우 기온에 대한 영향이 크기 때문에 기온을 정밀하게 반영할수록 정확한 예측이 가능함을 의미한다. 향후 시간별 민감도와 기온별 민감도를 결합하여 더 세밀하게 기온에 대한 전력수요의 변화를 고려한다면 예측오차율을 더 개선할 수 있을 것으로 기대한다.

Acknowledgements

This research was supported by Basic Science Research Program through the National Research Foundation of Korea(NRF) funded by the Ministry of Education(No. NRF-2017R1D1A1B03034617)

References

1 
Korea Power Exchange, Dec. 2017, The 8th Basic Plan for Long-term Electricity Supply and DemandGoogle Search
2 
Seong-Ho Ryu, 2014, Improving Accuracy of Electric Load Forecasting in Summer 2014, Journal of Electrical World, no. 451, pp. 66-72DOI
3 
Mee-kyeong Kim, Jan 2016, The Artificial Neural Network based Electric Power Demand Forecast using a Season and Weather Informations, Journal of The Institute of Electronics and Information Engineers, Vol. 53, pp. 71-78DOI
4 
Kunjin Chen, Jul 2019, Short-Term Load Forecasting With Deep Residual Networks, IEEE Transactions on Smart Grid, Vol. 10, No. 4, pp. 3943-3952DOI
5 
E. Ceperic, V. Ceperic, A. Baric, Nov 2013, A Strategy for Short-Term Load Forecasting by Support Vector Regression Machines, IEEE Transaction on Power Systems, Vol. 28, No. 4, pp. 4356-4364DOI
6 
Oh-Sung Kwon, Nov 2010, Coefficient selection technique of exponential smoothing model for weekday load forecasting, in Proc. of KIEE Conference, pp. 295-296Google Search
7 
Kyung-Bin Song, Oct 2004, An Algorithm of Short-Term Load Forecasting, The Transactions of the Korean Institute of Electrical Engineers, Vol. 53a, pp. 529-535Google Search
8 
N. Amjady, F. Keynia, Jan 2009, Short-term load forecasting of power systems by combination of wavelet transform and neuro-evolutionary algorithm, Energy, Vol. 34, No. 1, pp. 46-57DOI
9 
Korea Electric Power Corporation, Dec 2015, Development of Integrated Demand Management Portal Based on Demand ForecastingGoogle Search
10 
Korea Electric Power Corporation, 2018, Electrical Supply Terms and Conditions, http://cyber.kepco.co.krGoogle Search
11 
Dae-Won Chung, Apr 2017, Short-Term Load Forecast in Microgrids using Artificial Neural Networks, The Korean Institute of Electrical Engineers, Vol. 66, No. 4, pp. 621-628DOI
12 
Korea Electric Power Corporation, Nov 2011, A Study on Short-term Load Forecasting Technique and its ApplicationGoogle Search
13 
B. Ratner, Jun 2009, The correlation coefficient: Its values range between +1/−1, or do they?, Journal of Targeting, Measurement and Analysis for Marketing, Vol. 17, No. 2, pp. 139-142DOI
14 
Sang-Lim Lee, 2013, The estimation of weather risk in electric market, Korea Energy Economic InstituteGoogle Search
15 
Kyeong-Hwan Kim, Dec 2017, 24-Hour Load Forecasting Algorithm Using Artificial Neural Network in Summer Weekdays, Journal of the Korean Institute of Illuminating and Electrical Installation Engineers, Vol. 31, pp. 113-119Google Search
16 
Jung-Hwan Kim, Jun 2019, Short-Term Electric Load Forecasting Using Sensitivity By Temperature In Summer Weekdays, in Proc. fof IEE Conference, pp. 351-352Google Search
17 
Jeong-Do Park, Apr 2013, Short-Term Load Forecast for Summer Special Light-Load Period, The Transactions of the Korean Institute of Electrical Engineers, Vol. 62, No. 4, pp. 482-488DOI
18 
Korea Meteorological Administration, https://data.kma.go.kr/Google Search

저자소개

김정환(Jung-Hwan Kim)
../../Resources/kiee/KIEE.2019.68.9.1045/au1.png

He received the B.S. degree in Electrical Engineering from Pukyong National University in 2018.

He is currently the M.S. degree in Electrical and Computer Engineering from Pusan National University.

김규한(Kyu-Han Kim)
../../Resources/kiee/KIEE.2019.68.9.1045/au2.png

He received the B.S. and M.S. degree in Electrical and Computer Engineering from Pusan National University in 2007 and 2011.

He is currently the Ph.D. candidate in Pusan National University.

이흥석(Heung-Seok Lee)
../../Resources/kiee/KIEE.2019.68.9.1045/au3.png

He received the B.S. degree in Electrical and Computer Engineering from University of Ulsan in 2012.

He received the M.S. degree in Electrical and Computer Engineering from Pusan National University in 2014.

He is currently the Ph.D. candidate in Pusan National University.

박준호(June Ho Park)
../../Resources/kiee/KIEE.2019.68.9.1045/au4.png

He received the B.S., M.S. and Ph.D. degree in Electrical Engineering from Seoul National University in 1978, 1980 and 1987.

He is currently a professor at Pusan National University in Korea.