Energy platforms help reduce energy costs, provide reliable power, and maintain customers by measuring, analyzing, and controlling composite systems. It can also have several energy-related service systems, such as planning for provisioning power resources, pricing and billing of energy, and managing energy storage. Control of the energy system is difficult because variables such as price and energy consumption exhibit seasonality and are not consistent. Therefore, making accurate predictions about future energy demand and supply may enhance the stable control of this energy service system. While traditional time-series forecasting methods have not been accurate, deep learning has shown high performance by extracting meaningful information and hidden patterns of incoming data from distributed and heterogeneous sensing generating massive amounts of data streams. However, the recent increase in the role of renewable energy production, from sources such as wind power and solar power, being dramatically variable or intermittent in supply, hinders the direct application of the traditional deep learning. Many deep learning applications in real-world involve processing of data streams that change over time and theoretically-infinite set of data, and as a result, learning models should be continuously updated to reflect the recent trend and distribution in data. In this thesis, we used Convolution Neural Network Long Short-term Memory Network (CNN-LSTM), using Convolutional Neural Network (CNN) layers for feature extraction on input data combined with LSTMs to support sequence prediction, to demonstrate the excellence of deep learning in forecasts of renewable data and electricity consumption data. Additionally, we proposed the deep learning-base system which consists of two main phases: re-training and deployment procedure. The former is to determine the amounts of data streams and the number of iterations in the process of updating parameters to reflect newly generated data at the right time and keep the model up-to-date with new training data, thereby enhancing accuracy by incorporating data into models used for inference. The latter is to check whether the trained model is appropriate for serving using Euclidean Distance. By not changing the model used for inference if the Euclidean distance between the currently used model and the newly updated model is smaller than the threshold, the time including the time used for memory loads can be saved. This model update approach has shown that it reduces the amount of computing and time needed for learning rather than online learning, in which data is incorporated instance by instance, leading to lower learning costs.
에너지 플랫폼은 복합 시스템을 측정, 분석 및 제어함으로써 에너지 비용을 절감하고 안정적인 전력을 공급하며 고객을 유지하는 데 도움이 된다. 또한 이 플랫폼은 전력 자원 프로비저닝 계획, 에너지 가격 책정 및 과금, 에너지 스토리지 관리와 같은 여러 에너지 관련 서비스 시스템을 가질 수 있다. 가격 및 에너지 소비와 같은 변수가 계절성을 나타내며 일정하지 않기 때문에 에너지 시스템 제어가 어렵다. 따라서, 미래의 에너지 수요와 발전에 대한 정확한 예측을 하는 것은 이 에너지 서비스 시스템의 안정적인 제어를 강화할 수 있다. 공급의 변동이 큰 신재생 에너지 사용의 증가로 기존에 사용되던 정량적인 예측 방법들은 높은 정확도를 내지 못하는 것에 반해, 딥러닝이 여러 곳으로부터 들어오는 데이터로부터 의미 있는 정보와 숨은 패턴을 찾는 데에 높은 성능을 보였다. 하지만, 이론적으로 끊임없이 들어오며 시간에 지남에 따라 변화하는 데이터를 반영하기 위해 학습 모델의 파라미터 업데이트가 필수적이게 되었고, 신 에너지 플랫폼은 제한된 자원을 이용하여 재학습을 통해 모델의 정확도를 높이고 학습된 모델을 이용하여 빠른 속도로 들어오는 요청을 처리하는 기능이 필요하다. 본 논문에서는 딥러닝 모델을 사용하여 새로이 생성된 데이터로를 이용한 학습과 학습된 모델을 사용하는 추론을 함께 고려한 플랫폼 구조를 제안한다. 위치 정보와 시간 정보를 함께 고려할 수 있는 시계열 학습 모델인 CNN-LSTM을 사용하여 에너지 데이터에서 딥러닝 예측의 우수성을 증명하고, 해당 모델을 사용하여 모델 업데이트와 역치 기반 배포로 구성된 딥러닝 기반 시스템을 제안했다. 전자는 새로 생성된 데이터를 적시에 반영하기 위해 매개변수 갱신 과정에서 데이터 스트림의 양과 학습 반복 횟수를 결정하고, 새로이 생긴 데이터를 이용하여 추론에 사용되는 모델을 최신 상태로 유지함으로써 추론에 사용되는 모델에 데이터를 통합함으로써 정확성을 향상시키는 것이다. 후자는 훈련된 모델이 적합한지 여부를 유클리드 거리를 사용하여 확인하는 것이다. 현재 사용 중인 추론 모델과 새로 학습된 모델 사이의 유클리드 거리가 임계값보다 작을 경우 추론에 사용되는 모델을 변경하지 않음으로써 메모리 부하에 사용되는 시간을 포함한 시간을 절약할 수 있다. 이러한 추론을 고려한 학습 방식은 학습 과정을 통해 학습을 더이상 진행하지 않은 모델보다 낮은 에러율을 보였으며, 주기적 학습 방식보다 학습을 위한 계산량과 시간을 단축 시키며 학습 비용감소로 이어진다는 것을 보여주었다.
