Earticle

초록

영어

In this paper, we propose a short-term power forecasting method by applying Long Short Term Memory (LSTM) and Gated Recurrent Unit (GRU) neural network to Internet of Things (IoT) power meter. We analyze performance based on real power consumption data of households. Mean absolute error (MAE), mean absolute percentage error (MAPE), mean percentage error (MPE), mean squared error (MSE), and root mean squared error (RMSE) are used as performance evaluation indexes. The experimental results show that the GRU-based model improves the performance by 4.52% in the MAPE and 5.59% in the MPE compared to the LSTM-based model.

한국어

본 연구에서는 Long Short Term Memory (LSTM) 신경망과 Gated Recurrent Unit(GRU) 신경망을 Internet of Things (IoT) 파워미터에 적용하여 단기 전력사용량 예측방법을 제안하고, 실제 가정의 전력사용량 데이터 를 토대로 예측 성능을 분석한다. 성능평가 지표로써 Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE), Mean Percentage Error (MPE), Mean Squared Error (MSE), Root Mean Squared Error (RMSE) 를 이용한다. 실험 결과는 GRU 기반의 모델이 LSTM 기반의 모델에 비해 MAPE 기준으로 4.52%, MPE 기준으로 5.59%만큼의 성능개선을 보였다.

목차

요약
Abstract
Ⅰ. 서론
Ⅱ. 딥러닝 알고리즘
1. 순환 신경망
2. LSTM
3. GRU
Ⅲ. 실험 환경 및 결과
1. 실험 데이터
2. 실험 파라미터
3. 실험 결과
Ⅳ. 결론
References

키워드

저자

• 이선민 [ Seon-Min Lee | 준회원, 광운대학교 전자융합공학과 ]
• 선영규 [ Young-Ghyu Sun | 준회원, 광운대학교 전자융합공학과 ]
• 이지영 [ Jiyoung-Lee | 준회원, 광운대학교 전자융합공학과 ]
• 이동구 [ Donggu Lee | 준회원, 광운대학교 전자융합공학과 ]
• 조은일 [ Eun-Il Cho | 준회원, 광운대학교 전자융합공학과 ]
• 박대현 [ Dae-Hyun Park | 준회원, 광운대학교 전자융합공학과 ]
• 김용범 [ Yong-Bum Kim | 준회원, 광운대학교 전자융합공학과 ]
• 심이삭 [ Isaac Sim | 준회원, 광운대학교 전자융합공학과 ]
• 김진영 [ Jin-Young Kim | 정회원, 광운대학교 전자융합공학과 ] Corresponding Author

참고문헌

발행기관

간행물

표지보기 관심저널 등록

• 간행물명

  한국인터넷방송통신학회 논문지 [The Journal of the Institute of Internet, Broadcasting and Communication]

• 간기

  격월간

• pISSN

  2289-0238

• eISSN

  2289-0246

• 수록기간

  2001~2025

• 십진분류

  KDC 326 DDC 380