Our GOAL
해외에는 이런 데이터 경쟁 플랫폼이 있습니다. 한국에는 없죠. 국내 공공기관 또는 개별 기업들이 스팟성으로 불투명한 대회를 벗어나 지속적으로 대회를 운영하는 플랫폼이 있으면 좋겠다고 생각했습니다. 우리는 지금 Fintech 기업들과 함께 금융 데이터와 상금을 제공하며, 데이터 과학자 와 데이터 엔지니어링을 포함하는 데이터 대회를 운영합니다.
There are these data competition platforms overseas, but in Korea, Domestic public organizations or individual companies are out of the opaque temporary contest I wanted to have a platform that consistently runs the competition. We now provide financial data and cash prizes with Fintech companies, we run the Data Competition included in Data Engineer and Data Scientists.
Our GOAL
해외에는 이런 데이터 경쟁 플랫폼이 있습니다. 한국에는 없죠. 국내 공공기관 또는 개별 기업들이 스팟성으로 불투명한 대회를 벗어나 지속적으로 대회를 운영하는 플랫폼이 있으면 좋겠다고 생각했습니다. 우리는 지금 Fintech 기업들과 함께 금융 데이터와 상금을 제공하며, 데이터 과학자 와 데이터 엔지니어링을 포함하는 데이터 대회를 운영합니다.
There are these data competition platforms overseas, but in Korea, Domestic public organizations or individual companies are out of the opaque temporary contest I wanted to have a platform that consistently runs the competition. We now provide financial data and cash prizes with Fintech companies, we run the Data Competition included in Data Engineer and Data Scientists.
2. 1
▪ 제안한 모델
1. 스마트미터에 따라 적합한 예측 모델 선택
2. 각각의 스마트미터에 따라 적합한 예측 모델로 전력수요예측
*사용한 예측모델: random forest, deep neural network, auto-regressive, similar day
적응적 예측 모델
SM: smart meter
RF: random forest
DNN: deep neural network
AR: auto-regressive
SD: similar day
3. 2
▪ 전력수요예측
• 24시간 예측
- 제안한 적응적 모델에 따라 전력수요예측
• Day예측
- 24시간 데이터를 하루 데이터로 만들어서 예측
- similar day 방법으로 예측
• Month예측
- 예측한 Day 데이터의 합을 통해 결과 예측
* 데이터 양이 작아서 Day와 Month예측의 경우 적응적 모델을 적용하기
적합하지 않음
4. Equation Parameter
3
▪ AR model
• AR(auto-regressive) model
- 이전의 과거 데이터를 이용해서, 이후의 데이터를 예측 하는 모델
- Pseudo inverse를 이용하여 AR model의 coefficient 계산
𝑃𝑡 = 𝑐 +
𝑖=1
𝑛
𝑃𝑡−𝑖 ∗ 𝑊𝑖 + 𝜖 𝑡
𝑃𝑡 : power
𝑊𝑖 : coefficient
𝑐 : constant
𝜖𝑡 : white noise
AR
model
Previous day Target day
데이터 다운로드
5. 4
▪ Similar day model
• Similar day model
- Day type에 따라, 전력 프로파일을 정의하고 예측하고자 하는 날의
day type에 따라 적합한 전력 프로파일을 대응하여 예측하는 모델
Similar day model
데이터 다운로드
6. 5
▪ Machine learning-based forecast
• Regression 기반의 예측 모델
- 전날의 24시간 프로파일 데이터를 이용해 다음날 24시간의 프로파
일 예측
• Random forest
- MAE (mean absolute error) loss를 이용한 학습
- Cross validation을 이용
• Deep neural network(DNN)
- 3개의 hidden layer를 이용한 DNN
- MAE (mean absolute error) loss를 이용한 학습
- ADAM (adaptive Moment Estimation) optimizer 사용
- DNN structure
Type Units Activation
Input 24 -
Hidden #1 128 ReLU
Hidden #2 256 ReLU
Hidden #3 128 ReLU
Output 24 Softmax
데이터 다운로드