화석연료의 사용으로 인해 화석연료의 고갈 가능성과 온실가스가 유발되어 환경오염이 심각해져 인류의 생명까지 위협하고 있는 실정이다. 화석연료의 사용을 줄이기 위한 방안으로 신재생에너지가 거론되었다. 그로인해 신재생에너지는 전 세계적으로 관심을 받고 신재생에너지를 사용하기 위한 연구가 진행되고 있다. 신재생에너지 중에서도 풍력에너지는 경제적인 면과 기술력이 가장 발전하여 가장 각광을 받고 있다. 풍력발전은 바람으로 전력을 생산하여 에너지가 고갈될 가능성이 거의 희박하고 환경오염이 적은 장점이 있으나, 바람의 영향을 많이 받는 풍력발전은 전력 생산량이 불규칙하여 전력 스케쥴링과 전력망 관리에 어려움을 주고 있어 풍력 발전량을 예측하는 연구가 지속적으로 이루어지고 있다. 이 논문에서는 풍력 발전량의 ...
화석연료의 사용으로 인해 화석연료의 고갈 가능성과 온실가스가 유발되어 환경오염이 심각해져 인류의 생명까지 위협하고 있는 실정이다. 화석연료의 사용을 줄이기 위한 방안으로 신재생에너지가 거론되었다. 그로인해 신재생에너지는 전 세계적으로 관심을 받고 신재생에너지를 사용하기 위한 연구가 진행되고 있다. 신재생에너지 중에서도 풍력에너지는 경제적인 면과 기술력이 가장 발전하여 가장 각광을 받고 있다. 풍력발전은 바람으로 전력을 생산하여 에너지가 고갈될 가능성이 거의 희박하고 환경오염이 적은 장점이 있으나, 바람의 영향을 많이 받는 풍력발전은 전력 생산량이 불규칙하여 전력 스케쥴링과 전력망 관리에 어려움을 주고 있어 풍력 발전량을 예측하는 연구가 지속적으로 이루어지고 있다. 이 논문에서는 풍력 발전량의 예측정확도를 높일 수 있는 예측기법을 제안하였다. 먼저 풍력 발전량은 단시간에도 전력 생산량이 급격하게 변화하여 단시간단위인 10분 후, 20분 후, 30분 후로 다기간 풍력 발전량을 예측하는 기법을 제안하였다. 풍력 발전량을 예측하는 속성으로 풍속, 풍향과 같은 속성을 주로 사용하여 예측모델을 구축하는데 이 논문에서는 전력 생산량의 변화 폭을 비율로 나타낸 PRR을 예측모델 구축에 사용할 속성으로 제안하였다. 제안된 속성과 풍속, 풍향을 사용하여 예측모델을 구축하였다. 세 속성을 조합하여 PRR, 풍속, 풍향 모두를 사용한 AAttribute, PRR, 풍향을 사용한 SAttribute, PRR, 풍속을 사용한 DAttribte, 풍속, 풍향을 사용한 PAttribute로 총 4가지 예측속성으로 만드는 기법을 제안하였다. 예측모델을 구축하기 위해 사용된 알고리즘은 신경망과 선형회귀 알고리즘을 사용하였다. 두 알고리즘의 입력속성은 조합된 4가지 예측속성을 사용하여 풍력 발전량을 예측하였다. 예측모델은 신경망 알고리즘을 이용한 예측모델 4개와 선형회귀 알고리즘을 이용한 예측모델 4개로 총 8개의 예측모델을 구축하였다. 이 논문에서는 구축된 예측모델의 성능평가를 위해 MAPE와 RMSPE를 사용하여 단시간으로 다기간 예측을 한 예측정확도, 예측속성간의 예측정확도, 예측모델간의 예측정확도를 비교 및 분석하였다. 단시간으로 다기간 예측을 한 결과 두 알고리즘 모두 10분 후의 예측 값이 예측오차율이 가장 낮지만 20분 후, 30분 후는 예측 값과 실제 값 간의 예측정확도는 낮았다. 또한 두 알고리즘 모두 예측속성간의 예측정확도는 PRR 속성이 속해있는 AAttribute, SAttribute, DAttribute 예측속성을 사용하면 실제 값에 근접한 예측을 하였지만 PRR 속성이 속하지 않은 PAttribete 예측속성의 예측정확도는 낮았다. 두 알고리즘 간의 예측정확도는 PRR 속성을 사용하였을 경우 선형회귀가 PRR 속성을 사용하지 않았을 경우 신경망이 예측정확도가 더 높았다. 단시간 내에 전력 생산량이 급변하여 전력 생산량의 정확한 예측이 어렵다. 이 논문에서 제안된 PRR 속성을 사용하여 풍력 발전량의 예측정확도를 높여 전력망 관리에 유용할 것이다.
화석연료의 사용으로 인해 화석연료의 고갈 가능성과 온실가스가 유발되어 환경오염이 심각해져 인류의 생명까지 위협하고 있는 실정이다. 화석연료의 사용을 줄이기 위한 방안으로 신재생에너지가 거론되었다. 그로인해 신재생에너지는 전 세계적으로 관심을 받고 신재생에너지를 사용하기 위한 연구가 진행되고 있다. 신재생에너지 중에서도 풍력에너지는 경제적인 면과 기술력이 가장 발전하여 가장 각광을 받고 있다. 풍력발전은 바람으로 전력을 생산하여 에너지가 고갈될 가능성이 거의 희박하고 환경오염이 적은 장점이 있으나, 바람의 영향을 많이 받는 풍력발전은 전력 생산량이 불규칙하여 전력 스케쥴링과 전력망 관리에 어려움을 주고 있어 풍력 발전량을 예측하는 연구가 지속적으로 이루어지고 있다. 이 논문에서는 풍력 발전량의 예측정확도를 높일 수 있는 예측기법을 제안하였다. 먼저 풍력 발전량은 단시간에도 전력 생산량이 급격하게 변화하여 단시간단위인 10분 후, 20분 후, 30분 후로 다기간 풍력 발전량을 예측하는 기법을 제안하였다. 풍력 발전량을 예측하는 속성으로 풍속, 풍향과 같은 속성을 주로 사용하여 예측모델을 구축하는데 이 논문에서는 전력 생산량의 변화 폭을 비율로 나타낸 PRR을 예측모델 구축에 사용할 속성으로 제안하였다. 제안된 속성과 풍속, 풍향을 사용하여 예측모델을 구축하였다. 세 속성을 조합하여 PRR, 풍속, 풍향 모두를 사용한 AAttribute, PRR, 풍향을 사용한 SAttribute, PRR, 풍속을 사용한 DAttribte, 풍속, 풍향을 사용한 PAttribute로 총 4가지 예측속성으로 만드는 기법을 제안하였다. 예측모델을 구축하기 위해 사용된 알고리즘은 신경망과 선형회귀 알고리즘을 사용하였다. 두 알고리즘의 입력속성은 조합된 4가지 예측속성을 사용하여 풍력 발전량을 예측하였다. 예측모델은 신경망 알고리즘을 이용한 예측모델 4개와 선형회귀 알고리즘을 이용한 예측모델 4개로 총 8개의 예측모델을 구축하였다. 이 논문에서는 구축된 예측모델의 성능평가를 위해 MAPE와 RMSPE를 사용하여 단시간으로 다기간 예측을 한 예측정확도, 예측속성간의 예측정확도, 예측모델간의 예측정확도를 비교 및 분석하였다. 단시간으로 다기간 예측을 한 결과 두 알고리즘 모두 10분 후의 예측 값이 예측오차율이 가장 낮지만 20분 후, 30분 후는 예측 값과 실제 값 간의 예측정확도는 낮았다. 또한 두 알고리즘 모두 예측속성간의 예측정확도는 PRR 속성이 속해있는 AAttribute, SAttribute, DAttribute 예측속성을 사용하면 실제 값에 근접한 예측을 하였지만 PRR 속성이 속하지 않은 PAttribete 예측속성의 예측정확도는 낮았다. 두 알고리즘 간의 예측정확도는 PRR 속성을 사용하였을 경우 선형회귀가 PRR 속성을 사용하지 않았을 경우 신경망이 예측정확도가 더 높았다. 단시간 내에 전력 생산량이 급변하여 전력 생산량의 정확한 예측이 어렵다. 이 논문에서 제안된 PRR 속성을 사용하여 풍력 발전량의 예측정확도를 높여 전력망 관리에 유용할 것이다.
The use of fossil fuel causes more and more serious environmental pollution because it produces green-house gases. Thus, these problems are threatening human life. To decrease environmental pollution, the renewable energy attracts attentions and researchers are studying to utilize it. Among all rene...
The use of fossil fuel causes more and more serious environmental pollution because it produces green-house gases. Thus, these problems are threatening human life. To decrease environmental pollution, the renewable energy attracts attentions and researchers are studying to utilize it. Among all renewable energy, wind energy takes the most interest because it is the fastest growing renewable energy. Wind power generation is inexhaustible energy and prevents environmental pollution due to it produces electric power with wind energy. However, it is seriously affected by wind. So that it produces irregular power output and is difficult in electric power scheduling and electric grid management. For these reasons, research has been doing continuously on wind power generation. In this thesis, we propose prediction techniques in order to do accurate forecast on wind power generation. Wind power generation may increases and decreases rapidly the power output in a short-term. So, we propose to predict multiperiod wind power generation by short-term such as 10 minutes ahead, 20 minutes ahead, and 30 minutes ahead. Attributes for forecasting wind power generation are usually used with wind speed, wind direction and etc., and they are used by most researcher for predicting models. Here, we propose PRR attribute that is a attribute to build prediction models. We construct prediction models with proposed attribute, wind speed, and wind direction. We combine the whole three attributes, as PRR, wind speed and wind direction(AAttribute), PRR and wind direction(SAttribute), PRR and wind speed(DAttribute), and wind speed and wind direction(PAttribute). To build prediction models, we use neural network and linear regression. Combined four attributes are used as input attributes for two algorithms. Prediction models with neural network and linear regression are built each four models using combined four attributes. Finally we make eight prediction models. To evaluate the performance, we use MAPE and RMSE. We compare the short-term multiperiod prediction accuracy between prediction attributes and between prediction models. Two algorithms show the same result when predicting multiperiod wind power generation by short-term. The experimental result shows that 10 minutes ahead gets better prediction accuracy than 20 minutes ahead and 30 minutes ahead. And prediction accuracy result between prediction attributes using neural network is that SAttribute and DAttribute had the lowest prediction error, then is AAttribute, and the last is PAttribute. The result between prediction attributes with linear regression is that AAtribute, SAttribute, and DAttribute got nearly the same result but PAttribute had high prediction error rate. For the two prediction models, linear regression had a better forecast accurate then neural network.
The use of fossil fuel causes more and more serious environmental pollution because it produces green-house gases. Thus, these problems are threatening human life. To decrease environmental pollution, the renewable energy attracts attentions and researchers are studying to utilize it. Among all renewable energy, wind energy takes the most interest because it is the fastest growing renewable energy. Wind power generation is inexhaustible energy and prevents environmental pollution due to it produces electric power with wind energy. However, it is seriously affected by wind. So that it produces irregular power output and is difficult in electric power scheduling and electric grid management. For these reasons, research has been doing continuously on wind power generation. In this thesis, we propose prediction techniques in order to do accurate forecast on wind power generation. Wind power generation may increases and decreases rapidly the power output in a short-term. So, we propose to predict multiperiod wind power generation by short-term such as 10 minutes ahead, 20 minutes ahead, and 30 minutes ahead. Attributes for forecasting wind power generation are usually used with wind speed, wind direction and etc., and they are used by most researcher for predicting models. Here, we propose PRR attribute that is a attribute to build prediction models. We construct prediction models with proposed attribute, wind speed, and wind direction. We combine the whole three attributes, as PRR, wind speed and wind direction(AAttribute), PRR and wind direction(SAttribute), PRR and wind speed(DAttribute), and wind speed and wind direction(PAttribute). To build prediction models, we use neural network and linear regression. Combined four attributes are used as input attributes for two algorithms. Prediction models with neural network and linear regression are built each four models using combined four attributes. Finally we make eight prediction models. To evaluate the performance, we use MAPE and RMSE. We compare the short-term multiperiod prediction accuracy between prediction attributes and between prediction models. Two algorithms show the same result when predicting multiperiod wind power generation by short-term. The experimental result shows that 10 minutes ahead gets better prediction accuracy than 20 minutes ahead and 30 minutes ahead. And prediction accuracy result between prediction attributes using neural network is that SAttribute and DAttribute had the lowest prediction error, then is AAttribute, and the last is PAttribute. The result between prediction attributes with linear regression is that AAtribute, SAttribute, and DAttribute got nearly the same result but PAttribute had high prediction error rate. For the two prediction models, linear regression had a better forecast accurate then neural network.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.