풍력에너지 산업이 발전하고 풍력발전에 대한 의존율이 높아짐에 따라 안정적인 공급이 중요해지고 있다. 원활한 전력수급계획을 세우기 위해서 풍력발전량을 정확히 예측하는 것이 중요하다. 본 논문에서는 강원도 평창 횡계리에 설치된 대관령 2풍력(2MW 1기)의 시간별 풍력발전 데이터와 강원도 대관령 기상대에서 관측되는 시간별 풍속과 풍향 데이터를 기상청 지상관측자료에서 수집하여 연구하였다. 풍력발전량 예측을 위하여 신경망 모형과 시계열 모형인 ARMA, ARMAX, ARMA-GARCH, Holt Winters 모형을 비교하였다. 모형 간 예측력을 비교하기 위해 mean absolute error(MAE)를 사용하였다. 모형의 예측 성능 비교 결과 1시간에서 3시간의 단기 예측에 있어서 ARMA-GARCH 모형이 우수한 예측력을 보였다. 6시간 이후 예측에서는 신경망 모형이 우수한 예측을 보였다.
풍력에너지 산업이 발전하고 풍력발전에 대한 의존율이 높아짐에 따라 안정적인 공급이 중요해지고 있다. 원활한 전력수급계획을 세우기 위해서 풍력발전량을 정확히 예측하는 것이 중요하다. 본 논문에서는 강원도 평창 횡계리에 설치된 대관령 2풍력(2MW 1기)의 시간별 풍력발전 데이터와 강원도 대관령 기상대에서 관측되는 시간별 풍속과 풍향 데이터를 기상청 지상관측자료에서 수집하여 연구하였다. 풍력발전량 예측을 위하여 신경망 모형과 시계열 모형인 ARMA, ARMAX, ARMA-GARCH, Holt Winters 모형을 비교하였다. 모형 간 예측력을 비교하기 위해 mean absolute error(MAE)를 사용하였다. 모형의 예측 성능 비교 결과 1시간에서 3시간의 단기 예측에 있어서 ARMA-GARCH 모형이 우수한 예측력을 보였다. 6시간 이후 예측에서는 신경망 모형이 우수한 예측을 보였다.
The wind energy industry and wind power generation have increased; consequently, the stable supply of the wind power has become an important issue. It is important to accurately predict the wind power with short-term basis in order to make a reliable planning for the power supply and demand of wind ...
The wind energy industry and wind power generation have increased; consequently, the stable supply of the wind power has become an important issue. It is important to accurately predict the wind power with short-term basis in order to make a reliable planning for the power supply and demand of wind power. In this paper, we first analyzed the speed, power and the directions of the wind. The neural network and the time series models (ARMA, ARMAX, ARMA-GARCH, Holt Winters) for wind power generation forecasting were compared based on mean absolute error (MAE). For one to three hour-ahead forecast, ARMA-GARCH model was outperformed, and the neural network method showed a better performance in the six hour-ahead forecast.
The wind energy industry and wind power generation have increased; consequently, the stable supply of the wind power has become an important issue. It is important to accurately predict the wind power with short-term basis in order to make a reliable planning for the power supply and demand of wind power. In this paper, we first analyzed the speed, power and the directions of the wind. The neural network and the time series models (ARMA, ARMAX, ARMA-GARCH, Holt Winters) for wind power generation forecasting were compared based on mean absolute error (MAE). For one to three hour-ahead forecast, ARMA-GARCH model was outperformed, and the neural network method showed a better performance in the six hour-ahead forecast.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
사실상 국내의 경우 풍력발전량을 예측하는데 있어서 시계열 분석보다는 데이터마이닝 기법을 더 많이 활용하고 있으며, 국내 상황에 적합한 시계열 예측 모형이 필요한 시점이다. 본 논문에서는 강원도에 설치된 풍력발전기로부터 생산된 시간별 풍력발전량과 기상청에서 수집된 풍속, 풍향 데이터를 활용하여 시계열 모형을 연구하고 모형별 단기 예측 성능을 비교하고자 한다.
풍력발전량 예측을 위한 기존 연구들에서 데이터마이닝 기법인 신경망 모형(neural network model)의 빈도가 높았다. 본 연구에서는 신경망 모형과 시계열 모형을 비교하고 더 나은 모형을 제시하고자 한다.
제안 방법
243를 사용하여 보정하였으며, 변환 후 분산이 비교적 안정화된 것을 확인 할 수 있다. 모형 평가 시 Box-Cox 변환 된 값들을 원 수치로 변환하여 사용하였다.
본 논문에서는 슬라이딩 윈도우(sliding window) 방법을 통하여 1시점 이후 예측 부터 24시점 이후 예측을 실시하였다. 모형별 MAE는 다음 Table 3.
5을 통하여 동(90°), 서(270°)와 같은 특정 방향에서 발전이 활발함을 알 수 있다. 본 논문에서는 신경망 모형에서의 풍속을 명목변수로서 사용을 하였다.
그리고 γi는 외생변수 xit의 계수이다. 본 논문에서는 외생변수로 풍향을 고려하였다.
이에 대비하여 풍력발전량 데이터, 풍속 데이터, 풍향 데이터를 활용하여 신경망 모형과 시계열 모형을 통한 풍력발전량의 예측을 실시하였다. 이 때, 풍력발전량 데이터는 변동성이 크기 때문에 Box-Cox 변환하여 분산을 비교적 안정화시킨 후 다양한 시계열 예측 모형을 시도하였다.
풍력발전 산업이 성장하고 의존율이 높아질수록 안정적인 공급이 중요해질 것이다. 이에 대비하여 풍력발전량 데이터, 풍속 데이터, 풍향 데이터를 활용하여 신경망 모형과 시계열 모형을 통한 풍력발전량의 예측을 실시하였다. 이 때, 풍력발전량 데이터는 변동성이 크기 때문에 Box-Cox 변환하여 분산을 비교적 안정화시킨 후 다양한 시계열 예측 모형을 시도하였다.
대상 데이터
본 연구에서 사용된 풍력발전 데이터는 강원도청에서 제공받았으며, 평창 횡계리에 설치된 대관령 2풍력(2MW 1기)의 풍력발전 데이터이다. 2015년 10월 1일부터 2015년 12월 15일까지 1,824개의 시간별 데이터를 훈련용 데이터(training data)로 모형 적합에 사용하였다. 그리고 2015년 12월 16일부터 22일까지 7일의 168개 데이터를 테스트 데이터(test data)로 모형의 성능을 평가하는데 활용하였다.
2015년 10월 1일부터 2015년 12월 15일까지 1,824개의 시간별 데이터를 훈련용 데이터(training data)로 모형 적합에 사용하였다. 그리고 2015년 12월 16일부터 22일까지 7일의 168개 데이터를 테스트 데이터(test data)로 모형의 성능을 평가하는데 활용하였다.
본 논문에서 사용된 풍속과 풍향 데이터는 강원도 대관령 기상대에서 관측되는 시간별 데이터였다. 하지만 풍력발전기와 같은 위치에서 수집되는 데이터를 활용하면 ARMAX 모형 등에서 더 나은 결과를 얻을 것으로 예상된다.
본 연구에서 사용된 풍력발전 데이터는 강원도청에서 제공받았으며, 평창 횡계리에 설치된 대관령 2풍력(2MW 1기)의 풍력발전 데이터이다. 2015년 10월 1일부터 2015년 12월 15일까지 1,824개의 시간별 데이터를 훈련용 데이터(training data)로 모형 적합에 사용하였다.
본 연구에서 풍향 데이터는 방향을 측정할 수 없을 정도로 평온한 상태 “정온”과 16방위를 사용하였다.
다음은 풍속 데이터에 관한 그래프이다. 풍속 데이터와 풍향 데이터는 강원도 대관령 기상대에서 관측되는 시간별 데이터이며 기상청(www.kma.go.kr) 지상관측자료에서 수집하였다. Figure 3.
데이터처리
모델 성능에 대한 평가 기준으로 mean absolute error(MAE)를 사용하였다. MAE는 식 (3.
이론/모형
ARMA, ARMAX, ARMA-GARCH, Holt Winters 모형은 Akaike’s information criterion(AIC)를 기준으로 AIC 값이 최소인 모형을 선택하였다.
신경망 모형(neural network model)은 사람의 두뇌가 의사 결정하는 형태를 모방하여 여러 개의 노드(node)를 네트워크로 연결하는 모형이다. 본 논문에서는 다층신경망(multilayer neural network)를 이용하였으며 이는 Figure 2.1과 같이 입력 노드로 이루어진 입력층(input layer)과 입력층의 노드들을 합성하는 중간노드들의 집합인 은닉층(hidden layer) 그리고 은닉층의 노드들을 합성하는 출력층(output layer)으로 이루어져 있다.
신경망 모형의 경우, 풍향 데이터와 풍속 데이터를 이용하여 풍력발전량을 예측하기 위해 입력 노드가 2개, 은닉 노드가 5개인 NN(2, 5) 모형을 이용하였다. Table 3.
성능/효과
슬라이딩 윈도우(sliding window) 방법을 통하여 1주일간의 테스트 데이터에서의 예측 기간 별 모형을 평가한 결과, 1시간에서 3시간의 미래예측에서는 시계열 예측 모형 중 ARMA-GARCH이 타 모형에 비하여 우수한 성능을 보여주고 있다. 6시간 이후에 경우는 신경망 모형이 가장 작은 MAE로 우수한 성능을 보여주는 것을 확인할 수 있었다. 즉, 예측 기간에 따라 최적 모형을 달리 해야함을 확인할 수 있었다.
ARMA, ARMAX, ARMA-GARCH, Holt Winters 모형은 Akaike’s information criterion(AIC)를 기준으로 AIC 값이 최소인 모형을 선택하였다. 그 결과, ARMA 최적 모형은 ARMA(5, 2)이고, 포트만트 검정(Portmanteau test) 결과 잔차의 독립성이 만족되었다. 이 모형의 모수추정치는 Table 3.
모형별 MAE는 다음 Table 3.7과 같으며 1시간에서 3시간 이후 예측에서는 ARMA-GARCH 모형의 MAE가 가장 작아 우수한 모형으로 나타났으며, 다음으로 ARMAX 모형이 MAE가 작은 것으로 나타나, 1–3시간 이후 예측에서는 ARMA-GARCH 또는 ARMAX 모형이 적합할 것으로 나타났다.
슬라이딩 윈도우(sliding window) 방법을 통하여 1주일간의 테스트 데이터에서의 예측 기간 별 모형을 평가한 결과, 1시간에서 3시간의 미래예측에서는 시계열 예측 모형 중 ARMA-GARCH이 타 모형에 비하여 우수한 성능을 보여주고 있다. 6시간 이후에 경우는 신경망 모형이 가장 작은 MAE로 우수한 성능을 보여주는 것을 확인할 수 있었다.
6시간 이후에 경우는 신경망 모형이 가장 작은 MAE로 우수한 성능을 보여주는 것을 확인할 수 있었다. 즉, 예측 기간에 따라 최적 모형을 달리 해야함을 확인할 수 있었다.
후속연구
하지만 풍력발전기와 같은 위치에서 수집되는 데이터를 활용하면 ARMAX 모형 등에서 더 나은 결과를 얻을 것으로 예상된다. 또한 1시간이 아닌 10분 단위의 데이터를 활용하면 변동성이 더 커지므로 GARCH 모형을 통해 풍력발전량을 연구하면 더 좋은 결과를 얻을 수 있을 것으로 예상된다. 향후적으로 Box-Cox 변환 방법을 확장하여 적용모형 기반 Box-Cox 변환 방법에 대한 추가적인 연구를 진행해야 할 것으로 사료된다.
또한 1시간이 아닌 10분 단위의 데이터를 활용하면 변동성이 더 커지므로 GARCH 모형을 통해 풍력발전량을 연구하면 더 좋은 결과를 얻을 수 있을 것으로 예상된다. 향후적으로 Box-Cox 변환 방법을 확장하여 적용모형 기반 Box-Cox 변환 방법에 대한 추가적인 연구를 진행해야 할 것으로 사료된다.
질의응답
핵심어
질문
논문에서 추출한 답변
신에너지란 무엇인가요?
신재생에너지란, 신에너지와 재생에너지를 말한다. 산업통상자원부 신·재생에너지센터에서 발행한 “2014 신·재생에너지 백서”의 「신에너지 및 재생에너지 개발·이용·보급촉진법」에 따르면 ‘신에너지’란, 기존의 화석연료를 변환시켜 이용하거나 수소·산소 등의 화학 반응을 통하여 전기 또는 열을 이용하는 에너지로서 수소에너지, 연료전지, 석탄을 액화·가스화한 에너지 및 중질잔사유(重質殘渣油)를 가스화한 에너지를 말한다. ‘재생에너지’란, 햇빛·물·지열(地熱)· 강수(降水)·생물유기체 등을 포함하는 재생 가능한 에너지를 변환시켜 이용하는 에너지로서 태양, 풍력, 수력, 해양에너지, 지열에너지, 생물지원을 변환시켜 이용하는 바이오에너지, 폐기물에너지를 말한다.
재생에너지란 무엇인가요?
산업통상자원부 신·재생에너지센터에서 발행한 “2014 신·재생에너지 백서”의 「신에너지 및 재생에너지 개발·이용·보급촉진법」에 따르면 ‘신에너지’란, 기존의 화석연료를 변환시켜 이용하거나 수소·산소 등의 화학 반응을 통하여 전기 또는 열을 이용하는 에너지로서 수소에너지, 연료전지, 석탄을 액화·가스화한 에너지 및 중질잔사유(重質殘渣油)를 가스화한 에너지를 말한다. ‘재생에너지’란, 햇빛·물·지열(地熱)· 강수(降水)·생물유기체 등을 포함하는 재생 가능한 에너지를 변환시켜 이용하는 에너지로서 태양, 풍력, 수력, 해양에너지, 지열에너지, 생물지원을 변환시켜 이용하는 바이오에너지, 폐기물에너지를 말한다.
슬라이딩 윈도우 방법을 통해 결과적으로 무엇을 확인할 수 있었나요?
6시간 이후에 경우는 신경망 모형이 가장 작은 MAE로 우수한 성능을 보여주는 것을 확인할 수 있었다. 즉, 예측 기간에 따라 최적 모형을 달리 해야함을 확인할 수 있었다.
참고문헌 (16)
Alexiadis, M. C., Dokopoulos, P. S., Sahsamanoglou, H. S., and Manousaridis, I. M. (1998). Short-term forecasting of wind speed and related electrical power, Solar Energy, 63, 61-68.
Brown, B. G., Richard W. K., and Allan H. M. (1984). Time series models to simulate and forecast wind speed and wind power, Journal of climate and applied meteorology, 23, 1184-1195.
Byun, H. I., Ryu, J. Y., and Kim, D. H. (2005). The Study of the Wind Resource and Energy Yield Assessment for the Wind Park Development, Journal of the Korean society for New and Renewable Energy, 1, 19-25.
Chitsaz, H., Amjady, N., and Zareipour, H. (2015). Wind power forecast using wavelet neural network trained by improved Clonal selection algorithm, Energy Conversion and Management, 89, 588-598.
Engle, R.F. (1982). Autoregressive conditional heteroscedasticity with estimates of the variance of United Kingdom in ation, Econometrica: Journal of the Econometric Society, 50, 987-1007.
Hill, D. C., McMillan, D., Bell, K. R., and Infield, D. (2012). Application of auto-regressive models to UK wind speed data for power system impact studies,IEEE Transactions on Sustainable Energy, 3, 134-141.
Hwang, M. Y., Kim, S. H., Yun, U. I., Kim, K. D., and Ryu, K. H. (2012). Building of prediction model of wind power generation using power ramp rate, Journal of the Korea Society of Computer and Information, 17, 211-218.
Lee, Y. S., Kim, J., Jang, M. S., and Kim, H. G. (2013). A study on comparing short-term wind power prediction models in Gunsan wind farm., Journal of the Korean Data and Information Science Society, 24, 585-592.
Park, H. W., Jin, C.H., Kim, K. D., and Ryu, K. H. (2012).Short-term wind power prediction with power ramp rate and ANFIS approach, The Korean Institute of Information Scientists and Engineers, 39, 157-159.
Quan, H., Srinivasan, D., and Khosravi, A. (2014). Short-term load and wind power forecasting using neural network-based prediction intervals, IEEE transactions on neural networks and learning systems, 25, 303-315.
Ryu, G. H., Kim, K. S., Kim, J. C., and Song, K. B. (2009). A study on estimation of wind power generation using weather data in Jeju island, The Transactions of the Korean Institute of Electrical Engineers, 58, 2349-2353.
Shin, H. G., Lee, M. H., and Lee, J. H. (2011). Development of the wind turbine power prediction system using support vector regression, 2011 The Korean Institute of Electrical Engineers, 696-697.
Tol, R. S. (1997). Autoregressive conditional heteroscedasticity in daily wind speed measurements, Theoretical and applied climatology, 56, 113-122.
Torres, J. L., Garcia, A., De Blas, M., and De Francisco, A. (2005). Forecast of hourly average wind speed with ARMA models in Navarre (Spain), Solar Energy, 79, 65-77.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.