지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 김진술
- 발행연도
- 2023
- 저작권
- 전남대학교 논문은 저작권에 의해 보호받습니다.
이용수8
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
본 연구에서는 전력 공급 업체들이 시계열 전력 사용 데이터를 분류하여 소비자의 전력 사용 패턴을 효과적으로 분석하고 관리하는 작업에 집중하고 있다. 기존 방법론은 주로 통계적 기법을 사용하거나 시계열 데이터에 적합한 RNN 기반 신경망을 활용했다. 그러나 전력 데이터가 다양한 외부 요인으로 인해 일관된 특징을 갖지 못하는 경우가 빈번하여 기존 방법으로는 만족할 만한 분류 결과를 얻기 어렵다. 이에 본 연구는 RNN 계열 모델이 아닌 CNN 기반 딥러닝 모델을 사용하여 전력 시계열 데이터를 분류하는 새로운 방법을 제시한다. 데이터를 시계열 이미지로 변환하는 기법을 활용하고, 분류 성능 향상을 위해 시계열 이미지 생성 전에 사전 군집화 과정을 추가로 도입한다. 여러 군집화 기법과 시계열 이미지 생성 알고리즘들을 사용하여 전력 사용 데이터 세트에 대한 분류 실험을 수행하였다. 실험 결과 k-shapes 알고리즘을 사용한 사전 군집화와 MTF 알고리즘을 통해 생성된 시계열 이미지를 활용하는 모델이 가장 높은 성능을 보였다. 이러한 접근 방법은 전력 사용 데이터의 분류와 분석에서 높은 효율성을 보여준다.
목차
제 1 장 서 론 11.1 Motivation 11.2 Organization of the Thesis 3제 2 장 전력 사용 데이터와 군집화 방법 42.1 Electric Power Usage Data 42.2 Clustering of Time Series Data 52.3 K-means Algorithm and Application 62.4 SOM(Self-Organizing Maps) 82.5 K-shapes Algorithm 9제 3 장 시계열 이미지 변환 기법 103.1 Recurrence Plot 103.2 Gramian Angular Field Algorithm (GAF) 113.3 Markov Transition Field Algorithm (MTF) 12제 4 장 실험 144.1 Dataset 144.2 Pre-clustering 164.3 Data Preprocessing and Injection Anomalies 194.4 Comparison Methods Group 204.5 Generating Time Series Image 214.6 Classification Result 23제 5 장 결론 26참 고 문 헌 27Abstract 33
최근 본 자료
댓글(0)
0