[논문]ELM을 이용한 일별 태양광발전량 예측모델 개발

이창성; 지평식

doi:10.5370/kieep.2015.64.3.164

[국내논문] ELM을 이용한 일별 태양광발전량 예측모델 개발
Development of Daily PV Power Forecasting Models using ELM 원문보기

전기학회논문지. The Transactions of the Korean Institute of Electrical Engineers. P, v.64 no.3, 2015년, pp.164 - 168

이창성 (Dept. of Electrical Engineering Korea National University of Transportatio) , 지평식 (Dept. of Electrical Engineering Korea National University of Transportatio)

Abstract ▼ AI-Helper

Due to the uncertainty of weather, it is difficult to construct an accurate forecasting model for daily PV power generation. It is very important work to know PV power in next day to manage power system. In this paper, correlation analysis between weather and power generation was carried out and daily PV power forecasting models based on Extreme Learning Machine(ELM) was presented. Performance of district ELM model was compared with single ELM model. The proposed method has been tested using actual data set measured in 2014.

Keyword

AI 본문요약
AI-Helper

문제 정의

본 연구에서는 현재 운용 중에 있는 태양광 발전시스템에서 1년간 실측된 발전량 자료와 기상정보를 분석하여 상관성 높은 입력인자를 도출하고, 선정된 입력인자들을 바탕으로 최상학습기계(ELM:Extreme Learning Machine)을 이용한 태양광발전량 예측 모델을 구축하고자 한다.

제안 방법

단일 ELM모델로 발전량을 예측할 경우 일부 데이터의 특성이 제대로 학습되지 못하는 경우에 예측 오차가 커지게 된다. 이러한 문제를 해결하기 위한 방법의 하나로 본 논문에서는 모델의 출력영역을 나누어 각 구역에 해당하는 구역별 ELM모델을 구축하였다. 데이터 영역을 구역별로 나누어 모델링하면 그 구조가 복잡해지는 단점이 있지만 데이터들 간의 상호간섭을 줄일 수 있어 비교적 정확한 모델링이 가능하다.

대상 데이터

그림 1에서 보는 바와 같이 ELM 모델은 Huang등에 의하여 제안된 방법으로, 구조는 입력층, 은닉층, 출력층으로 되어 있으며 은닉층의 노드 수는 사용자에 의해 결정된다[11, 12]. 본 연구에서 입력층에 사용된 인자로는 상관성 분석을 통하여 상관관계가 높은 데이터를 이용하였다. ELM은 신경회로망과 동일하게 은닉층과 출력층 사이에는 서로를 연결해 주는 가중치 W가 존재 하며 입력벡터 X를 출력값 Y로 대응시켜주는 비선형 함수의 역할을 한다.
제안된 예측모델의 성능을 분석하기 위하여 그림 3에 나타나 있는 청주의 S 태양광 발전시스템의 2014년 자료를 이용하였다. 대상 태양광발전 시스템은 70 [kW]의 계통연계형으로 250 [W] 모듈 280장과 36 [kW]급 인버터 2대로 구성되어 있고 2012년에 설치, 운용중이다.

데이터처리

즉, 이러한 상관성 분석을 통하여 발전량에 영향을 주는 주요 인자들을 선택하여 발전량 예측을 위한 모델의 입력으로 사용하게 된다. 상관성은 예측하고자하는 시점의 전날의 시간인자와 최고온도, 최저온도, 평균온도, 일조량, 일조시간, 운량 등의 외부 인자로 구분하여 분석하였다. 온도 및 일조량 등의 기상 자료는 기상청과 국가수자원관리 종합정보시스템에서 취득하였다.

성능/효과

태양광 발전량의 실시간 모니터링과 신뢰성 있는 발전량 예측은 전력계통의 운용에 경제성과 신뢰성을 향상시킬 수 있다. 본 연구에서는 ELM을 기반으로 일별 태양광발전량 예측 모델을 구축하였다.
본 연구에서는 ELM을 기반으로 일별 태양광발전량 예측 모델을 구축하였다. 먼저 ELM의 입력인자를 선택하기 위하여 기상정보와 발전량 사이의 상관성 분석을 한 결과 온도보다는 일사량, 일조시간, 운량이 더 큰 영향력을 갖는 것으로 나타났다. 또한 전체에 대한 단일 ELM모델과 구역별 ELM모델로 발전량을 추정한 결과 구역을 나누어 모델링하는 것이 예측 오차를 줄일 수 있음을 보였다.
먼저 ELM의 입력인자를 선택하기 위하여 기상정보와 발전량 사이의 상관성 분석을 한 결과 온도보다는 일사량, 일조시간, 운량이 더 큰 영향력을 갖는 것으로 나타났다. 또한 전체에 대한 단일 ELM모델과 구역별 ELM모델로 발전량을 추정한 결과 구역을 나누어 모델링하는 것이 예측 오차를 줄일 수 있음을 보였다.

후속연구

앞으로 입력영역에서 구역을 합리적으로 나누기 위한 입력영역의 클러스터링 관련 연구와 일별 발전량과 시간대별 발전량을 모두 예측할 수 있는 예측모델에 대한 연구가 필요하다.

질의응답

핵심어	질문	논문에서 추출한 답변
	태양광발전에 영향을 미치는 요소는?	태양광발전에 영향을 미치는 요소는 발전설비가 설치되는 위치에 따른 위도나 설치 높이와 같은 지리적인 요인, 모듈의 설치형태(고정식, 추적식 등)와 발전설비의 효율 등의 설비요소, 그리고 일사량, 일조시간, 운량, 온도 등의 기상요소의 세 가지로 나눌 수 있다[5-9]. 이들 영향 요소 중 지리적인 요인과 설비요소는 한번 발전소가 건설되는 시점에서 결정되는 요인이나 기상요소는 발전설비가 운영되는 동안 계속해서 바뀌며 발전량 변동에 직접적인 영향을 준다.
	태양전지(PV) 모듈이란?	태양광 발전시스템을 구성하는 핵심 부품인 태양전지(PV) 모듈은 반도체 소자인 태양전지 수십 개가 직․병렬로 연결되어 태양의 빛 에너지를 전기 에너지로 변환시키는 발전장치로, 태양광 발전시스템을 구성하는 부품 중에서 가장 고가이면서 시스템 전체의 수명을 좌우한다. 태양전지 모듈의 수명은 제작 방식에 따라 10년～20년 이상으로 사용이 가능하며, 한번 설치해 놓으면 유지 보수비용이 거의 들지 않고 설치장소에 따라 소형에서 대형까지 시스템 규모를 자유롭게 결정할 수 있는 장점이 있다.
	태양광 발전량 예측모델 개발 시 어떠한 분석을 통해 발전량에 영향을 주는 주요 인자들을 선택하는가?	태양광 발전량 예측모델을 개발하기 위해서는 발전량에 영향을 주는 인자와의 상관성분석이 필연적이다. 즉, 이러한 상관성 분석을 통하여 발전량에 영향을 주는 주요 인자들을 선택하여 발전량 예측을 위한 모델의 입력으로 사용하게 된다.

참고문헌 (13)

M. Y. Kim, D. G. Lim, J. H. Lee, "A Status and Prospects of e PV Industry", The proceedings of KIEE, Vol. 62, No. 11, pp. 29-32, 2013.
J. H. Kim, "A PV Technology and industrial condition", Optical Science and Technology, ETRI, Vol. 6, No. 1, pp. 3-8, 2012.
K. D. King, "The Development of the Short-Term Predict Model for Solar Power Generation,"Journal of the Korean Solar Energy Society, Vol. 33, No. 6, pp. 62-69, 2013.

원문보기 상세보기
C. C. Hyun, J. J. Young, "Probabilistic Modeling of Photovoltaic Power Systems with Big Learning Data Sets,"Journal of Korean Institute of Intelligent Systems, Vol. 23, No. 5, pp. 412-417, 2013.

원문보기 상세보기
W. C. Cha, J. H. Park, U. R. Cho, and J. C. Kim, "A study on Solar Power Generation Efficiency Emprical Analysis according to Temperature and Wind speed", The Transactions of the Korean Institute of Electrical Engineers, Vol. 64P, No. 1, pp. 1-6, 2015.
J. W. Ko, N. R. Yun, Y. K. Min, T. H. Jung, C. S. Won, H. K. Ahn, "Prediction of Output Power for PV Module with Tilted Angle and Structural Design", The Transactions of the Korean Institute of Electrical Engineers Vol. 62, No. 3, pp. 371-375, 2013.

원문보기 상세보기
D. K. Jo, Y. H. Kang, "A Detail Survey of Horizontal Global Radiation and Cloud Cover for the Installation of Solar Photovoltaic System in Korea", Journal of the Korean Solar Energy Society, Vol. 30, No. 3, pp. 2-9, 2010.
D. K. Jo, C. Y. Yun, K. D. Kim, Y. H. Kang, "A Detail Survey of Horizontal Global Radiation and Hours of Bright Sunshine for the Installation of Solar Photovoltaic System in Korea", Journal of the Korean Solar Energy Society, Vol. 31, No. 3, pp. 48-56, 2011.
D. K. Jo, C. Y. Yun, K. D. Kim, Y. H. Kang, "A Study on the Estimating Solar Radiation Using Hours of Bright Sunshine for the Installation of Photovoltaic System in Korea", Journal of the Korean Solar Energy Society, Vol. 31, No. 4, pp. 72-79, 2011.
J. M. Won, G. Y. Doe, N. R. Heo, "Predict Solar Radiation According to Weather Report", Journal of Navigation and Port Research, Vol. 35, No. 5, pp. 387-392, 2011.

원문보기 상세보기
G. B. Huang, Q. Y. Zhu, and C. K. Siew, "Extreme learning machine: a new learning scheme of feedforward neural networks," in Proc. 2004 IEEE Int. Conf. Neural Networks, Vol. 2, pp. 985-990, 2004.
G. B. Huang, Q. Y. Zhu, and C. K. Siew, "Extreme learning machine: theory and applications," Neurocomputing, Vol. 70, No. 1-3, pp. 489-501, 2006.

상세보기
D. Serre, Matrices : Theory and Application, New York, Springer-Verlag, 2002.

활용도 분석정보

상세보기

다운로드

내보내기

활용도 Top5 논문

해당 논문의 주제분야에서 활용도가 높은 상위 5개 콘텐츠를 보여줍니다.
더보기 버튼을 클릭하시면 더 많은 관련자료를 살펴볼 수 있습니다.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증