선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 하지만 이 예보는 다소 넓은 지역을 대상으로 제공하므로 예보만으로는 풍력 발전 단지 내 풍속 예측의 정확도가 떨어지는 문제가 있다. 따라서 수치 예측 알고리즘을 이용하여 풍속 예보 및 최근 관측 값 등 예측에 영향을 미치는 속성을 반영한 풍속 예보 모델을 제안하고자 한다.
- 본 논문에서는 풍속 변화와 상관관계가 존재하며 비교적 수월하게 얻을 수 있는 데이터와 수치 예측 알고리즘을 이용하여 풍속 예보 모델을 학습하는 방안을 제안한다. 모델을 학습하지 않고 미래 풍속을 예측하는 방법에는 기본적으로 기상청의 예보를 미래 풍속으로 보는 방법이 있다.
- 앞의 실험은 h를 60분으로 고정하여 과거 풍속을 반영하였다. 이번에는 h를 줄임으로써 풍속 변화 추세를 더 자세히 반영하였을 때 풍속 예보 모델의 정확도가 증가하는지를 알아보기 위한 실험을 했다. 그 결과 표 6, 표 7, 표 8에서 h를 작게 할수록 예측의 정확도가 점점 증가하며 h를 5분으로 하였을 때 예측의 정확도가 가장 높음을 확인할 수 있다.
- 현재 시간을 Tc라 하고 T를 분 단위 시간이라 할 때 Tc-T < t ≦ Tc인 시간 t에 대해 해당 시간 동안의 관측 풍속을 학습을 위한 속성으로 반영하고자 한다.
제안 방법
- 표 1의 다섯 가지 속성들이 모두 풍속 예측에 기여하는지를 확인하기 위해 속성 선별 알고리즘을 적용하여 학습해본 결과 모든 속성들이 학습에 사용되었다. 각 속성들마다 예측의 정확도에 기여하는 정도를 비교해보기 위해 서로 다른 속성의 조합으로 모델을 학습하여 성능을 평가해 보았다. 이 실험에서 기상청 예보만을 반영한 풍속 예보 모델은 과거 풍속을 반영하지 않으므로 T와 h를 정할 필요가 없고, 과거 풍속을 반영한 학습은 T가 60분, 120분, 180분인 경우로 나누고 h는 60분으로 고정하여 반영하였다.
- 이와 같은 과거 풍속의 변화 추세를 이용하기 위해서는 과거를 얼마만큼 반영할 것인지와 과거 풍속을 몇 분 단위로 반영할 것인지를 결정해야 한다. 관측 풍속과 더불어 풍속 예측에 도움이 되며 쉽게 구할 수 있는 데이터로 본 논문에서는 기상청 예보와 비슷한 시기의 풍속 경향성을 속성으로 하여 k-nearest neighbor(k-NN), locally weighted linear regression, model tree 그리고 ensemble of model trees와 같은 수치 예측 알고리즘을 이용해 풍속 예보 모델을 학습했다.
- 그러나 이 실험에서 속성으로 사용한 기상청 예보는 앞서 설명했듯이 실제 기상청에서 제공한 예보가 아닌 풍속 예보 평가 방식과 정확도에 근거하여 관측 풍속으로 추정한 예보를 사용하였다. 따라서 본 논문에 기록한 예보의 성능은 실제 예보와 차이가 발생할 수 있으며 실제 예보에 따라 풍속 예보 모델의 성능 역시 실험 결과와 차이가 발생할 수 있다.
- 첫 번째로 테스트 데이터에 대해 전반적으로 얼마나 정확도 높게 예측했는지 알아보는 평균 오차와 두 번째로 전력 공급의 안정화에 기여하기 위한 최대 오차이다. 두 가지 평가에 대한 여러 풍속 예보 모델들의 성능 비교를 통해 정확도에 기여하는 속성과 수치 예측 알고리즘을 결정하고 과거 관측 풍속의 속성을 달리 반영한 실험을 통해 적절한 과거 반영 시간과 반영 단위를 알아본다.
- 이런 경향성을 반영하기 위하여 같은 달, 같은 시간의 평균 관측 풍속을 경향 값으로 정의하고 속성으로 사용하였다. 또한 시기에 대한 직접적인 정보로 예측 시점의 월과 시간을 속성으로 추가하였다. 소개한 다섯 종류의 속성들 중 풍속 예측에 기여하는 것을 선별하기 위해 속성 선별 알고리즘으로 wrapper method의 forward selection 방식과 backward elimination방식을 각각 적용하여 보았다.
- 학습을 통해 풍속의 예측치를 구하는 것은 단순히 기상청의 풍속 예보를 확인하거나 비슷한 시기의 과거 풍속을 확인해 보는 것보다 시간이 많이 요구된다. 본 논문에서 제안하는 학습 방식을 이용한 풍속 예보 모델 학습의 필요성을 검증하기 위해 수치 예측 알고리즘으로 학습하지 않고 기상청 예보 혹은 경향성을 예측 풍속으로 하였을 때의 예측 정확도와 학습하여 얻은 예측 정확도를 비교해보았다. 학습을 통해 학습 데이터의 속성과 결과 사이의 적절한 관계를 찾아 예측 하는 것이 더 정확도가 높다.
- 본 논문에서는 T가 60분, 120분, 180분이고 h가 5분, 10분, 30분, 60분인 경우를 조합한 과거 풍속 변화 추세를 반영하여 풍속 예보 모델을 학습하였다.
- 학습된 여러 개의 tree에서 얻은 결과 값을 평균한 수치를 예측 값으로 결정한다. 본 논문에서는 tree의 개수를 10개로 하여 실험하였다.
- 각 속성들마다 예측의 정확도에 기여하는 정도를 비교해보기 위해 서로 다른 속성의 조합으로 모델을 학습하여 성능을 평가해 보았다. 이 실험에서 기상청 예보만을 반영한 풍속 예보 모델은 과거 풍속을 반영하지 않으므로 T와 h를 정할 필요가 없고, 과거 풍속을 반영한 학습은 T가 60분, 120분, 180분인 경우로 나누고 h는 60분으로 고정하여 반영하였다.
- 추가적으로 예측 시점의 가까운 관측 풍속에 대한 정보뿐만 아니라 시기와 관련된 정보를 이용하여 속성으로 사용해보았다. 실험에서 사용한 기상 데이터 관측 장소인 가파도는 전반적으로 바람이 고르게 부는 지역적 특성이 있지만 일반적으로 바람은 계절이나 시간에 따라 바람의 세기에 일정한 경향이 있다.
대상 데이터
- 또한 풍속 예보의 정확도(Proportion correct, PC)는 3시간 간격으로 관측한 풍속과 예보를 비교하여 평가하며 대략 80% 이다. 그러나 기상청에서 지난 예보 데이터는 제공하지 않으므로 앞서 설명한 예보의 특성과 정확도를 고려하여 풍속 관측 데이터로부터 추정하여 예보로 사용하였다.
- 이 절에서는 풍속 예보 모델 학습을 위해 사용한 속성을 설명하고자 한다. 본 논문에서는 미래 풍속과 상관관계가 높은 속성 다섯 가지를 선정하였다. 자연에서 부는 바람은 매우 불규칙적으로 시시각각 변하지만 일정 시간동안의 풍속을 살펴보면 증가 혹은 감소하는 추세를 볼 수 있다.
- 따라서 가까운 과거에 관측한 풍속 정보는 풍속 예측에 중요한 정보가 된다. 실험에 사용한 풍속 관측 자료는 가파도의 2010년 8월 1일부터 2013년 7월 31일까지 1분 단위 풍속 데이터로 한국 기상청에서 제공하고 있다. 이 중 2년 치 데이터(2010년 8월 1일 ~ 2012년 7월 31일)는 학습용 데이터로, 남은 1년 치 데이터(2012년 8월 1일 ~ 2013년 7월 31일)는 검증용 데이터로 사용하였다.
- 실험에 사용한 풍속 관측 자료는 가파도의 2010년 8월 1일부터 2013년 7월 31일까지 1분 단위 풍속 데이터로 한국 기상청에서 제공하고 있다. 이 중 2년 치 데이터(2010년 8월 1일 ~ 2012년 7월 31일)는 학습용 데이터로, 남은 1년 치 데이터(2012년 8월 1일 ~ 2013년 7월 31일)는 검증용 데이터로 사용하였다.
- 여러 실험을 통해 최대 절대 오차를 약 7m/s 까지 감소 시켰지만, 8757개의 검증 데이터를 조사해본 결과 Ensemble of model trees 방식의 풍속 예보 모델로 예측했을 때 7m/s 이상의 오차가 발생한 데이터는 2건에 불과하였고 다른 알고리즘과 비교했을 때 1m/s 미만의 오차가 발생한 데이터가 가장 많았다. 절대 오차가 2m/s 이상인 데이터가 전체 데이터의 대략 1% 정도로 총 201개였다.
이론/모형
- Model tree는 수치 예측을 위한 decision tree로서 tree의 leaf node들 마다 linear regression 방정식을 갖는다. Model tree를 형성하는 다양한 알고리즘 중에서 본 논문에서는 M5[10-11] 기반의 Model tree를 사용하였다. 그리고 훈련용 데이터를 여러 묶음으로 나누고 각 묶음 마다 Model tree를 학습하는 것이 Ensemble of model trees 이다.
- 수치 예측 알고리즘은 입력된 수치 자료와 그 자료들로 예측 하고자 하는 대상의 실제 값 사이의 관계를 학습하는 방법이다. 본 논문에서 사용한 수치 예측 알고리즘은 k-nearest neighborhood(k-NN), locally weighted linear regression, model tree 그리고 ensemble of model trees 이다.
- 또한 시기에 대한 직접적인 정보로 예측 시점의 월과 시간을 속성으로 추가하였다. 소개한 다섯 종류의 속성들 중 풍속 예측에 기여하는 것을 선별하기 위해 속성 선별 알고리즘으로 wrapper method의 forward selection 방식과 backward elimination방식을 각각 적용하여 보았다.[12-13] 그 결과 모든 속성이 선별되었고 풍속 예측 정확도를 높이는 데 기여함을 확인하였다.
- 풍속 예보 모델의 성능 평가는 두 가지 측면으로 접근한다. 첫째로 예측의 전반적인 정확도를 평가하기 위해 평균 절대 백분비 오차(Mean absolute percentage error, MAPE) 와 평균 절대 편차(Mean absolute deviation, MAD)를 이용한다.
성능/효과
- 표 2에서는 비 학습 방식과 학습 방식 각 각에 대한 예측 풍속과 실제 풍속의 오차를 비교하고 있다. 3시간 단위의 기상청 예보의 정확도 보다 이 예보 값을 이용하여 학습한 풍속 예보 모델의 예측 정확도가 약간 더 좋은 것을 확인할 수 있었다. 또한 과거 풍속을 속성으로 추가하여 학습하였을 때 예측의 정확도가 상당히 개선되는 것을 알 수 있다.
- 이번에는 h를 줄임으로써 풍속 변화 추세를 더 자세히 반영하였을 때 풍속 예보 모델의 정확도가 증가하는지를 알아보기 위한 실험을 했다. 그 결과 표 6, 표 7, 표 8에서 h를 작게 할수록 예측의 정확도가 점점 증가하며 h를 5분으로 하였을 때 예측의 정확도가 가장 높음을 확인할 수 있다.
- 한 편, 민간 기상 예보 업체에서 1시간 간격의 풍속 예보를 제공하고 있으나 예보의 정확도를 공개하지 않으므로 실험에 사용하기에 부적절하였다. 그러나 기상청 예보의 정확도로 가정하여 실험을 해본 결과 3시간 간격의 예보가 주어질 때보다 1시간 간격의 예보가 주어질 때 풍속 예보 모델의 성능이 크게 개선됨을 확인하였다. 즉, 풍속 예보 속성은 국소 범위의 풍속 예측에 기여하는 바가 크다.
- 기상청 예보, 과거 풍속의 변화 추세, 비슷한 시기의 풍속 경향 그리고 시간 관련 속성들을 모두 이용하여 학습을 하였을 때 예측의 정확도가 가장 높았다. 특히 과거 풍속의 변화 추세를 반영할 때 과거 반영 시간(T)가 길수록, 반영 단위 시간(h)가 짧을수록 더 정확한 예측을 하였다.
- 수치 예측 알고리즘은 Model tree와 ensemble of model trees를 사용했을 때 성능이 거의 비슷하지만 Ensemble 학습 방식의 풍속 예보 모델이 근소한 차이로 예측 성능이 더 우수했다. 또한 T가 길어질수록 예측의 정확도가 증가하는 경향을 보였지만 두드러진 성능 차이를 보이지는 않았다.
- 여러 실험을 통해 최대 절대 오차를 약 7m/s 까지 감소 시켰지만, 8757개의 검증 데이터를 조사해본 결과 Ensemble of model trees 방식의 풍속 예보 모델로 예측했을 때 7m/s 이상의 오차가 발생한 데이터는 2건에 불과하였고 다른 알고리즘과 비교했을 때 1m/s 미만의 오차가 발생한 데이터가 가장 많았다. 절대 오차가 2m/s 이상인 데이터가 전체 데이터의 대략 1% 정도로 총 201개였다.
- 기상청 예보, 과거 풍속의 변화 추세, 비슷한 시기의 풍속 경향 그리고 시간 관련 속성들을 모두 이용하여 학습을 하였을 때 예측의 정확도가 가장 높았다. 특히 과거 풍속의 변화 추세를 반영할 때 과거 반영 시간(T)가 길수록, 반영 단위 시간(h)가 짧을수록 더 정확한 예측을 하였다. 학습에 사용한 수치 예측 알고리즘 중에서는 모델트리와 앙상블 모델 트리를 이용하였을 때 풍속 예보 모델의 성능이 상대적으로 우수했으며, 이 중에서도 근소한 차이로 앙상블 모델 트리를 이용한 풍속 예보 모델의 예측 풍속이 정확도가 높았다.
- 표 2 와 표 3을 비교해 보면 과거 관측 풍속이 풍속 예측에 결정적인 역할을 한다는 것을 알 수 있고, 기상청 예보와 비슷한 시기의 풍속 경향성을 추가로 반영하여 학습하였을 때 모델의 성능이 약 1.5% 정도 개선되는 것을 확인하였다. 수치 예측 알고리즘으로는 k-NN과 locally weighted linear regression 보다 Model tree와 ensemble of model trees 방식의 학습이 풍속 예측의 정확도가 높다.
- 특히 과거 풍속의 변화 추세를 반영할 때 과거 반영 시간(T)가 길수록, 반영 단위 시간(h)가 짧을수록 더 정확한 예측을 하였다. 학습에 사용한 수치 예측 알고리즘 중에서는 모델트리와 앙상블 모델 트리를 이용하였을 때 풍속 예보 모델의 성능이 상대적으로 우수했으며, 이 중에서도 근소한 차이로 앙상블 모델 트리를 이용한 풍속 예보 모델의 예측 풍속이 정확도가 높았다.
후속연구
- 기상청 예보가 정확할수록 풍속 예보 모델의 성능은 개선될 여지가 있다. 또한 풍속 예보 모델의 정확도를 개선하기 위해 풍속과 상관관계가 존재하는 온도, 습도 등의 새로운 속성 데이터를 수집하거나 학습에 반영한 비슷한 시기의 풍속 경향을 대변할 수 있는 경향 값을 더 정교하게 정의할 필요가 있다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.