Quantity of the solar power generation is heavily influenced by weather. In other words, due to difference in insolation, different quantity may be generated. However, it does not mean all areas with identical insolation produces same quantity because of various environmental aspects. Additionally, ...
Quantity of the solar power generation is heavily influenced by weather. In other words, due to difference in insolation, different quantity may be generated. However, it does not mean all areas with identical insolation produces same quantity because of various environmental aspects. Additionally, geographic factors such as altitude, height of plant may have an impact on the quantity. Hence, through this research, we designed a system to predict efficiency of the solar power generation system by applying insolation, weather factor such as duration of sunshine, cloudiness parameter and location. By applying insolation, weather data that are collected from various places, we established a system that fits with our nation. Apart from, we produced a geographic model equation through utilizing generated data installed nationwide. To design a prediction model that integrates two factors, we apply fuzzy algorithm, and validate the performance of system by establishing simulation system.
Quantity of the solar power generation is heavily influenced by weather. In other words, due to difference in insolation, different quantity may be generated. However, it does not mean all areas with identical insolation produces same quantity because of various environmental aspects. Additionally, geographic factors such as altitude, height of plant may have an impact on the quantity. Hence, through this research, we designed a system to predict efficiency of the solar power generation system by applying insolation, weather factor such as duration of sunshine, cloudiness parameter and location. By applying insolation, weather data that are collected from various places, we established a system that fits with our nation. Apart from, we produced a geographic model equation through utilizing generated data installed nationwide. To design a prediction model that integrates two factors, we apply fuzzy algorithm, and validate the performance of system by establishing simulation system.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 연구에서는 태양광발전요소 데이터를 활용하여 발전효율 퍼지 예측 모델을 설계하였다. 즉, 기상요소와 지리적 요소를 모두 적용하여 태양광 발전소의 발전량을 예측할 수 있는 모델을 제시하였다.
이에 본 연구에서는 국내 3,400개 태양광발전소의 실증자료를 활용하여 발전효율을 예측할 수 있는 시스템을 구축하고자 한다. 이를 위해 기상청에서 제공하는 기상 통계자료[10]를 사용하였고, 1981년부터 2010년 까지 30년간 측정된 지역의 일사량과 일조시간 그리고 운(雲)량에 따른 통계치를 수집하여 이를 기반으로 특정 지역의 기상요소와 지리적 요소에 따라 발전효율을 계산할 수 있도록 설계하였다.
제안 방법
그림 4는 실제 구현된 Simulink 모델이며 입력 데이터 예와 퍼지모델의 구성을 나타내었다. 3장에서 설명한데로 멤버쉽함수를 구성하였으며, 통계자료에 따라 작성한 125개의 규칙을 룰베이스에 적용하였다.
각 룰은 수집된 기상정보 데이터 분석을 통하여 통계적 근거수치에 따라 설정하였으며 VG(매우 좋음)부터 VP(매우나쁨)까지 총 7단계로 발전효율을 분석할 수 있도록 설계하였다. 규칙을 통과한 출력을 수치화하기 위해서는 비퍼지화 단계를 거쳐야 한다.
Pas 는 예측하고자 하는 태양광발전소의 어레이 출력을 의미하며, 지리적 계수는 설치지역의 위도와 해발높이 정보를 이용하여 식 (1)을 통해 구할 수 있다. 그리고 설계지수는 인버터와 모듈의 효율을 적용하여 계산한다.
즉, 기상요소와 지리적 요소를 모두 적용하여 태양광 발전소의 발전량을 예측할 수 있는 모델을 제시하였다. 기상요소 중 일사량과 일조시간 그리고 운(雲)량 통계치를 이용하여 퍼지 예측 모델을 설계하였으며 위도와 해발높이에 따른 지리적 계수를 적용하여 최종적으로 발전량을 예측할 수 있도록 구성하였다. 예측 시뮬레이션을 통해 제안한 방법이 기존 방법에 비해 정확한 발전량을 예측함을 확인하였다.
식 (2)에 나타낸 바와 같이 입력의 세 요소를 5단계로 나눠 퍼지수를 적용하였으며 출력은 7단계로 구분하였다. 또한 각 입출력 요소의 최소값과 최대값을 정규화 과정을 적용하여 계산하였다. 본 연구에서 사용한 퍼지수 모형은 균등 삼각형 형태를 이용하였으며 삼각 퍼지수의 계산식은 식 (3)에 나타내었다.
또한 전국에 설치된 태양광 발전소의 데이터를 바탕으로 지리적 계수를 도출하였다. 지리적 계수는 위도와 해발높이의 변화에 따라 태양광 발전량이 변화하는 효율을 의미하며 측정된 발전량 데이터를 커브피팅 알고리즘에 적용하여 지리적 계수 방정식을 도출하였다.
방법 2는 본 연구에서 제안한 방법으로 국내 일사량 통계치와 일조시간 그리고 운(雲)량 데이터를 퍼지 모델화하여 발전량을 예측하는 방법이다. 마지막으로 방법 3 또한 본 연구에서 제안한 방법으로 예측의 정확성을 높이기 위해 방법 2에 지리적 계수를 적용하여 발전량을 예측하는 방법이다. 세 가지의 방법을 통해 예측한 값과 실제 그 지역에 위치한 태양광 발전소의 데이터를 비교한 결과 그래프를 그림 5에 나타내었다.
방법 1은 일반적으로 사용하는 방법으로 그 지역의 일사량 통계치를 이용하여 일사량에 운영일수, 발전용량, 발전효율을 곱하여 계산하는 방법이다. 방법 2는 본 연구에서 제안한 방법으로 국내 일사량 통계치와 일조시간 그리고 운(雲)량 데이터를 퍼지 모델화하여 발전량을 예측하는 방법이다. 마지막으로 방법 3 또한 본 연구에서 제안한 방법으로 예측의 정확성을 높이기 위해 방법 2에 지리적 계수를 적용하여 발전량을 예측하는 방법이다.
본 장에서는 제안한 방법의 성능 결과를 보여주기 위해 시뮬레이션을 진행하였다. 시뮬레이션 모델은 mathworks사의 MATLAB을 활용하였으며 자체 제공하는 FUZZY 라이브러리 함수를 이용하여 3장에 나타낸 퍼지 예측 모델 시스템을 구성하였다.
이에 본 연구에서는 국내 3,400개 태양광발전소의 실증자료를 활용하여 발전효율을 예측할 수 있는 시스템을 구축하고자 한다. 이를 위해 기상청에서 제공하는 기상 통계자료[10]를 사용하였고, 1981년부터 2010년 까지 30년간 측정된 지역의 일사량과 일조시간 그리고 운(雲)량에 따른 통계치를 수집하여 이를 기반으로 특정 지역의 기상요소와 지리적 요소에 따라 발전효율을 계산할 수 있도록 설계하였다.
본 연구에서는 태양광발전요소 데이터를 활용하여 발전효율 퍼지 예측 모델을 설계하였다. 즉, 기상요소와 지리적 요소를 모두 적용하여 태양광 발전소의 발전량을 예측할 수 있는 모델을 제시하였다. 기상요소 중 일사량과 일조시간 그리고 운(雲)량 통계치를 이용하여 퍼지 예측 모델을 설계하였으며 위도와 해발높이에 따른 지리적 계수를 적용하여 최종적으로 발전량을 예측할 수 있도록 구성하였다.
또한 전국에 설치된 태양광 발전소의 데이터를 바탕으로 지리적 계수를 도출하였다. 지리적 계수는 위도와 해발높이의 변화에 따라 태양광 발전량이 변화하는 효율을 의미하며 측정된 발전량 데이터를 커브피팅 알고리즘에 적용하여 지리적 계수 방정식을 도출하였다.
대상 데이터
기상청에서 제공하는 통계자료를 이용하여, 기상요소 중실제 발전량에 가장 크게 영향을 미치는 일사량과 일조시간, 운(雲)량 정보를 예측 모델의 입력 데이터로 활용하였다. 1981년에서 2010년까지의 통계자료를 퍼지 멤버쉽화 할 수 있도록 데이터분석을 진행하였다.
기상청에서 제공하는 통계자료를 이용하여, 기상요소 중실제 발전량에 가장 크게 영향을 미치는 일사량과 일조시간, 운(雲)량 정보를 예측 모델의 입력 데이터로 활용하였다. 1981년에서 2010년까지의 통계자료를 퍼지 멤버쉽화 할 수 있도록 데이터분석을 진행하였다.
시뮬레이션 모델은 mathworks사의 MATLAB을 활용하였으며 자체 제공하는 FUZZY 라이브러리 함수를 이용하여 3장에 나타낸 퍼지 예측 모델 시스템을 구성하였다. 입력 데이터는 2011년에 측정된 기상자료를 이용하였으며 결과 비교를 위해 예시한 지역의 태양광발전소에서 측정된 2011년 발전량을 사용하였다. 그림 4는 실제 구현된 Simulink 모델이며 입력 데이터 예와 퍼지모델의 구성을 나타내었다.
mandani 추론은 max-min중심법이라이 불리며 추론수단이 간단하여 가장 널리 사용하는 방법이다[13][14][15]. 추론에 적용할 규칙은 총 125개의 룰을 적용하였다.
데이터처리
발전효율에 지리적 계수 방정식을 적용하여 최종 태양광 발전량을 구하는 형태이다. 퍼지모델 구축을 위해 통계 데이터의 75%를 적용하였으며 나머지 데이터를 검증에 적용하여 제안한 모델의 성능을 검증하였다.
이론/모형
또한 각 입출력 요소의 최소값과 최대값을 정규화 과정을 적용하여 계산하였다. 본 연구에서 사용한 퍼지수 모형은 균등 삼각형 형태를 이용하였으며 삼각 퍼지수의 계산식은 식 (3)에 나타내었다. 여기서 p는 삼각형의 시작값, r은 중간값, q는 끝값이다[13][14][15].
실제 퍼지출력은 ‘좋다’, ‘나쁘다’와 같은 추론언어로 구성되기 때문이다. 본 연구에서는 무게중심법을 이용하여 비퍼지화를 진행하였다. 무게중심법은 각 출력 집합의 등가의 값들은 서로 더해지고 출력 소속값의 합으로 평균화하는 방법으로 가장 널리 사용하는 방법이다[13~15].
본 장에서는 제안한 방법의 성능 결과를 보여주기 위해 시뮬레이션을 진행하였다. 시뮬레이션 모델은 mathworks사의 MATLAB을 활용하였으며 자체 제공하는 FUZZY 라이브러리 함수를 이용하여 3장에 나타낸 퍼지 예측 모델 시스템을 구성하였다. 입력 데이터는 2011년에 측정된 기상자료를 이용하였으며 결과 비교를 위해 예시한 지역의 태양광발전소에서 측정된 2011년 발전량을 사용하였다.
예측 모델로는 퍼지 알고리즘을 적용하였다. 퍼지 알고리즘은 모호한 상태를 수식화하여 시스템을 구축할 수 있기 때문에 기상요소에 따른 발전효율을 수식화해야 하는 본 연구에 적합하다.
출력 Ge는 위도와 해발높이에 따른 지리적 계수이다. 위도와 해발높이의 각 방정식은 실증 데이터를 기준하여 커브피팅(Curve-fitting) 알고리즘을 적용하여 계산하였다. 즉 대상지역의 위도와 해발높이를 반영한 것으로 위도가 낮은 지역 일수록 해발높이가 높을수록 발전에 도움을 준다.
입력에 따라 출력을 결정하는 퍼지추론 방법은 Mamdani의 방법을 사용하였으며 식 (4)와 같다. mandani 추론은 max-min중심법이라이 불리며 추론수단이 간단하여 가장 널리 사용하는 방법이다[13][14][15].
그림 3에 입출력 요소의 멤버쉽 구성을 나타내었다. 퍼지 멤버쉽 구성은 MATLAB에서 제공하는 FUZZY 함수를 활용하였다.
성능/효과
그림 1의 (a)와 (b)는 실증한 발전 데이터를 위도와 해발 높이에 따라 각각 커브피팅한 결과로 위도가 낮은 지역일수록 해발높이가 높을수록 발전효율이 증가하는 것을 확인할 수 있다. 각 커브피팅 결과 방정식은 식 (1)과 같다.
여기서 발전소의 설비효율이나 특성에 따라 예측 결과는 바뀔 수도 있다. 결과에서 보인 것처럼 제안한 방법을 특정 지역의 발전량을 예측하기 위해 사용한다면 기존의 일사량만을 적용하여 발전량을 계산하는 방법보다는 정확한 발전량 예측값을 구할 수 있다.
즉 퍼지예측 모델을 통해 오차를 줄일 수 있음을 보였다. 마지막으로 방법 3은 4%로 방법 2의 오차를 약 2% 정도 개선하는 것을 확인할 수 있다. 여기서 발전소의 설비효율이나 특성에 따라 예측 결과는 바뀔 수도 있다.
방법 1은 실제 발전량 대비 10% 정도의 오차를 보였으며, 방법 2는 약 6%정도의 오차를 보였다. 즉 퍼지예측 모델을 통해 오차를 줄일 수 있음을 보였다.
기상요소 중 일사량과 일조시간 그리고 운(雲)량 통계치를 이용하여 퍼지 예측 모델을 설계하였으며 위도와 해발높이에 따른 지리적 계수를 적용하여 최종적으로 발전량을 예측할 수 있도록 구성하였다. 예측 시뮬레이션을 통해 제안한 방법이 기존 방법에 비해 정확한 발전량을 예측함을 확인하였다. 이는 제안한 방법을 통해 태양광발전소 건설에 따른 경제성 분석이 가능하고 최적의 입지조건을 찾기 위한 하나의 모델 제시가 될 수 있을 것이다.
위의 결과를 통해 제안한 발전효율 예측 모델을 활용하여 특정지역 태양광발전소의 발전량을 예측할 수 있음을 확인하였다. 이는 제안한 예측 모델을 통해 태양광발전시스템의 입지요건 및 경제성 분석에 활용이 가능하다는 것을 의미한다.
위의 결과를 통해 제안한 발전효율 예측 모델을 활용하여 특정지역 태양광발전소의 발전량을 예측할 수 있음을 확인하였다. 이는 제안한 예측 모델을 통해 태양광발전시스템의 입지요건 및 경제성 분석에 활용이 가능하다는 것을 의미한다. 하지만 실제 발전소 표본이 제한적이었기 때문에 좀 더 정확한 비교분석이 필요하다.
방법 1은 실제 발전량 대비 10% 정도의 오차를 보였으며, 방법 2는 약 6%정도의 오차를 보였다. 즉 퍼지예측 모델을 통해 오차를 줄일 수 있음을 보였다. 마지막으로 방법 3은 4%로 방법 2의 오차를 약 2% 정도 개선하는 것을 확인할 수 있다.
후속연구
하지만 실제 발전소 표본이 제한적이었기 때문에 좀 더 정확한 비교분석이 필요하다. 또한 기온, 풍속, 적설, 강우, 안개, 황사 등의 기상요소도 태양광발전에 매우 중요한 역할을 하지만 본 연구에서는 아직 적용하지 못했다. 이들 기상 요소를 차후에 추가하여 적용한다면 더욱 정확한 예측 모델 설계가 가능할 것으로 생각된다.
본 연구결과를 활용하여 향후 국내 신재생에너지 정책에 따른 태양광 발전소 확대 및 정책수립에 도움이 될 것으로 사료된다.
예측 시뮬레이션을 통해 제안한 방법이 기존 방법에 비해 정확한 발전량을 예측함을 확인하였다. 이는 제안한 방법을 통해 태양광발전소 건설에 따른 경제성 분석이 가능하고 최적의 입지조건을 찾기 위한 하나의 모델 제시가 될 수 있을 것이다.
또한 기온, 풍속, 적설, 강우, 안개, 황사 등의 기상요소도 태양광발전에 매우 중요한 역할을 하지만 본 연구에서는 아직 적용하지 못했다. 이들 기상 요소를 차후에 추가하여 적용한다면 더욱 정확한 예측 모델 설계가 가능할 것으로 생각된다.
향후에는 발전량에 영향을 미치는 기온, 풍속 등 다른 기상요소를 추가하고 더욱 장기간의 통계데이터를 활용하여 더욱 진보된 예측모델 설계 연구를 진행할 예정이다.
질의응답
핵심어
질문
논문에서 추출한 답변
태양에너지의 최적 활용을 위해서 필요한 것은?
태양에너지의 최적 활용을 위해서는 대상지역의 위도, 해발높이 등의 지리요소와 일사량, 일조시간, 운(雲)량, 기온, 강수일수, 안개일수, 황사일수와 같은 기상요소의 분석이 필요하다. 또한, 태양전지의 설치 경사각도, 설비효율 및 손실등의 설비요소를 적용하여 태양광발전소의 발전량을 예측해야 한다.
퍼지 알고리즘이 본 연구에 적합한 이유는?
예측 모델로는 퍼지 알고리즘을 적용하였다. 퍼지 알고리즘은 모호한 상태를 수식화하여 시스템을 구축할 수 있기때문에 기상요소에 따른 발전효율을 수식화해야 하는 본 연구에 적합하다. 입력요소는 일사량, 일조시간, 운(雲)량이며 그에 따른 출력은 발전효율이다.
국내 실정에 맞는 태양광발전량 예측 시스템이 필요한 이유는?
또한, 해외에서 개발된 시스템은 방위와 일사량 기준으로만 계산하기 때문에 국내 태양광발전소의 발전량과는 차이가 있을 수밖에 없다[7][8][9]. 따라서 국내 실정에 맞는 태양광발전량 예측 시스템이 필요하다.
참고문헌 (15)
Doo-Hyun Kim, Jin-O Kim, "The solar power with weather and generator scheduling," KIEE Summer Conference 2008, pp. 131, 2008.
Il-Ryong Lee, In-Su Bae, Chang-Ho Jung, Jin-O Kim, Hun Shim, "Photovoltaic Generation System Output Forecasting using Irradiance Probability Distribution Function," KIEE Summer Conference 2004 A, pp. 548-550, 2004.
M. Detyniecki, C. Marsala, A. Krishnan, M. Siegel, "Weather-based solar energy prediction," WCCI 2012 IEEE world cong. on computational intelligence, pp. 1-7, June, 2012.
Kim, Dong Su, Shin, U Cheol, Yoon, Jong Ho, "Annual energy yield prediction of building added PV system depending on the installation angle and in Korea," KIEAE Conference 2014, Vol. 4, No. 1, pp. 67-74, 2014. 2.
Ju Jai-Wook, Kim Han-Soo, Oh Se-Jin, Lee Min-Suk, Choi Jeong-Min, "A Study on the Difference of Regional Electricity and Economic Comparative Valuation of the Photovoltaic System," KIAEBS Annual Spring Confernce 2008, pp. 137-140, 2008. 4.
A. Prastawa, R. Dalimi, "New Approach on Renewable Energy Solar Power Prediction in indonesia based on Artificial Neural Network technique: Southern region of Sulawesi island study case," 2013 International Conference on Quality in Research, pp 166-169, 2013. 6.
X. Yang, F. Jiang, H. Liu, "Short-Term Solar Radiation Prediction based on SVM with similar data," Renewable Power Generation Conference 2013, 2nd IET, pp 1-4, 2013, 9.
http://www.kredc.net
Korea Meteorological Administration Seoul, Republic of Korea, 1981-2010 Climatological normals of Korea, 2011.
Korea Meteorological Administration Seoul, Republic of Korea, Weather resource analysis report for optimal use of solar energy, 2008. 12. 3.
Driankov D., "Introduction to Fuzzy Control", Springer, 2011.
Zadeh, L. A. "Fuzzy sets", Information Control, Vol. 8, No. 3, pp338-353, 1965.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.