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
- 본 논문에서는 섬이나 산과 같은 오지에서 네트워크를 구성하기에는 비용상의 문제가 있거나 보안상의 문제로 네트워크가 제한된 상황에서 기상 예보 정보가 아닌 현재까지 측정하여 축적된 기상 정보를 사용하여 태양광 발전소의 발전량을 단기 예측하는 방법을 제안하였다. 발전량 예측의 결과가 디젤 발전기나 에너지 저장장치의 운용 계획과 연동될 수 있도록 1시간 단위로 48시간의 발전량을 예측하고, 기상 환경 변화에 바로 대응할 수 있도록 실행 시간(execution time, running time)을 초 이하의 실시간으로 수행되도록 하였다.
- 본 연구에서는 네트워크가 제한된 환경에서 기설치되어 있는 발전소에 최적화된 모델을 만들기위한 태양광 발전 예측 모델을 구성하였다. 네트워크가 제한된 환경에서는 기상 예보 정보를 입력으로 사용할 수 없기 때문에 발전소에서 보유하고 있는 태양광 발전이력 데이터와 기상이력데이터를 사용하여 발전소에 최적화되어 있는 모델을 제안하였다.
- data1에서 data4는 네트워크가 제한적인 환경 에서 수집할 수 있는 데이터이고, data5와 data6 은 네트워크가 가능한 상황에서 기상 예보 정보를 사용한 데이터이다. data1 ~ data4의 입력을 사용한 예측 모델이 기상 예보 데이터를 사용한 data5, data6를 사용한 예측 모델과 근접한 성능을 보이는 것을 목표로 한다.
- 본 논문에서는 섬이나 산과 같이 네트워크가 제한된 상황에서 태양광 발전량 예측을 연구하 였다. 기상 예보 정보 없이 현 시스템에서 수집된 12시간의 과거 온도 데이터와 12시간의 발전량 데이터를 입력으로 사용하여, 앙상블 알고리즘으로 예측 모델을 만들었다.
제안 방법
- 본 논문에서는 섬이나 산과 같은 오지에서 네트워크를 구성하기에는 비용상의 문제가 있거나 보안상의 문제로 네트워크가 제한된 상황에서 기상 예보 정보가 아닌 현재까지 측정하여 축적된 기상 정보를 사용하여 태양광 발전소의 발전량을 단기 예측하는 방법을 제안하였다. 발전량 예측의 결과가 디젤 발전기나 에너지 저장장치의 운용 계획과 연동될 수 있도록 1시간 단위로 48시간의 발전량을 예측하고, 기상 환경 변화에 바로 대응할 수 있도록 실행 시간(execution time, running time)을 초 이하의 실시간으로 수행되도록 하였다.
- 본 연구에서는 네트워크가 제한된 환경에서 기설치되어 있는 발전소에 최적화된 모델을 만들기위한 태양광 발전 예측 모델을 구성하였다. 네트워크가 제한된 환경에서는 기상 예보 정보를 입력으로 사용할 수 없기 때문에 발전소에서 보유하고 있는 태양광 발전이력 데이터와 기상이력데이터를 사용하여 발전소에 최적화되어 있는 모델을 제안하였다. 입력 특징은 월, 일, 시, 온도, 발전량이며, 출력은 1시간 간격의 발전량(kwh)이다.
- 입력 특징은 월, 일, 시, 온도, 발전량이며, 출력은 1시간 간격의 발전량(kwh)이다. 데이터는 12시간데이터를 기준으로 정규화 하였다. 예측 모델은 신경회로망 (neural networks)을 학습하여 생성하였다.
- 데이터는 12시간데이터를 기준으로 정규화 하였다. 예측 모델은 신경회로망 (neural networks)을 학습하여 생성하였다.
- 본 논문에서는 세 모델의 가중치 α1,α2,α3를 모두 동일하게 1/3로 할당하였다.
- 네트워크가 제한된 환경은 기상 예보 정보를 받을 수 없을 뿐만 아니라, 사람이 운량과 같이 직접 데이터를 생성하는 것도 불가능하기 때문에 자동으로 수집할 수 있는 데이터인 온도와 발전량을 사용하였다.
- 입력 데이터는 현 시점 현 시점 기준 과거 이력 데이터를 사용하여 1시간 전 온도와 발전량 부터 12시간 전 온도와 발전량까지 1시간 간격 으로 생성하여 총 24개의 입력 패턴을 추가하였다. 현재 시점 기준 48시간의 데이터를 예측하기 위하여 목표(target) 변수로 현재 시점 기준 48시간의 데이터를 한 열(row)에 가지고 있어야 하기 때문에 1시간 후 발전량부터 48시간 후 발전량까지 1시간 간격으로 생성하여 총 48개의목표 변수를 생성하였다.
- 입력 데이터는 현 시점 현 시점 기준 과거 이력 데이터를 사용하여 1시간 전 온도와 발전량 부터 12시간 전 온도와 발전량까지 1시간 간격 으로 생성하여 총 24개의 입력 패턴을 추가하였다. 현재 시점 기준 48시간의 데이터를 예측하기 위하여 목표(target) 변수로 현재 시점 기준 48시간의 데이터를 한 열(row)에 가지고 있어야 하기 때문에 1시간 후 발전량부터 48시간 후 발전량까지 1시간 간격으로 생성하여 총 48개의목표 변수를 생성하였다.
- 신경회로망으로 태양광 발전을 예측하였다. 다층 퍼셉트론 (Multi-Layer Perceptron) 신경회로 망으로 입력층, 은닉층, 출력층의 3개의 층으로 구성된다.
- 신경회로망은 가중치 벡터를 변화시켜 학습이 이루어진다. 가중치 벡터를 학습시키는 방법을 다양하게 적용하여 모델을 구성하였다.
- 신경회로망의 성능을 높이기 위하여 여러 신경회로망 모델의 결과를 결합하는 앙상블 학습 (Ensemble Learning)을 하였다[5].
- 발전량의 변화를 자세히 분석하기 위해 (그림 3)과 같이 3일간의 발전량을 분석하였다. 7시 경에 일출이므로 그 이전은 0이고, 그 이후에 서서히 증가해서 12시 경에 최대치에 이른다.
- 데이터 집합은 기본 입력 요소 3개는 모두 사용한 상태에서 아래 와 같이 보조 입력 요소를 조합하여 6 개의 데이터 집합을 생성하여 최적의 입력 요소를 찾는데 사용하였다.
- 하지만, 본논문에서 사용한 Friendly Forecast의 기상 데이 터[13]에는 일사량 데이터가 존재하지 않는다. Friendly Forecast의 기상 데이터는 시간 단위로 축적된 데이터로 온도, 기압, 가시성, 습도를 수집하고 있기 때문에 태양광 발전량에 밀접한 관계가 있는 온도를 특징으로 하였다.
- 조도를 예측하거나 예보 받을 수 있으면, 태양광 발전량 예측의 정확도는 높아진다. 본 논문에서는 예보정보를 받을 수 없는 제한된 환경에서 태양광 발전량을 예측해야 하기 때문에 태양광 발전을 예측하는 기본적인 입력요소는 월, 일, 시의 시간 정보로 하였다. 1시간 전부터 12시간 전까지에 대한 과거 온도 12개, 과거 발전량 12 개, 온도 예보 12개를 입력 요소 후보로 하였다.
- <표 4>는 data4를 제안하는 앙상블 알고리즘 (Ensemble)과 GLM, ARIMA에 적용한 결과이 다. ARIMA는 수집된 데이터를 활용한 단기 예측으로 특정 시점 또는 특정 입력에 대한 결과를 보이는 것이 아니라, 현재 시점 기준으로 앞으로의 데이터를 예측하기 때문에 테스트 데이 터(test data)는 학습데이터(training data)이후 48시간의 데이터에 대한 결과를 비교하였다.
- 제안하는 앙상블 태양광 발전량 예측 모델을 재사용할 수 있는지를 확인하기 위하여 24일간의 데이터를 48시간 간격으로 적용하였다. 2015 년 1월 1일 0시, 2015년 1월 3일 0시, 2015년 1 월 5일 0시에서 2015년 1월 23일 0시까지 적용한 결과는 (그림 7)이다.
- 본 논문에서는 섬이나 산과 같이 네트워크가 제한된 상황에서 태양광 발전량 예측을 연구하 였다. 기상 예보 정보 없이 현 시스템에서 수집된 12시간의 과거 온도 데이터와 12시간의 발전량 데이터를 입력으로 사용하여, 앙상블 알고리즘으로 예측 모델을 만들었다. 기상 예보 데이터를 사용한 예측 모델과 성능 차이가 크지 않았고, 실 데이터에 적용한 결과 태양광 발전량을 단기 예측할 수 있는 것을 확인하였다.
대상 데이터
- 입력 노드는 시간 데이터 3개, 온도 데이터 12 개, 발전량 데이터 12개인 27개를 사용했고, 은닉층의 개수는 1개이고, 은닉 노드의 개수는 입력 노드의 개수의 2배를 사용했다. 출력 노드는 48시간의 발전량을 나타내는 48개이다.
- 본 논문에서 사용한 데이터는 캘리포니아 태양 에너지 통계(California Solar Statistics)에서 제공하는 공개된 발전량 데이터로 미국 캘리포니아에 있는 태양광 발전기에 대하여 2010년 10월부터 2015년 8월까지 15분 간격으로 수집된 데이터이다 [12]. 캘리포니아 태양 에너지 통계의 2014년도의 발전량 데이터를 분석하면 (그림 2)와 같다.
- 캘리포니아 태양 에너지 통계의 태양광 발전소중 욜로(Yolo)주 데이비스(Davis)시에 있는 발전 소를 사용하였다. 데이비스시는 전형적인 지중해기후로 여름에는 건조하며 덥고, 겨울에는 시원하고 비가 자주 온다.
- 본 논문에서는 예보정보를 받을 수 없는 제한된 환경에서 태양광 발전량을 예측해야 하기 때문에 태양광 발전을 예측하는 기본적인 입력요소는 월, 일, 시의 시간 정보로 하였다. 1시간 전부터 12시간 전까지에 대한 과거 온도 12개, 과거 발전량 12 개, 온도 예보 12개를 입력 요소 후보로 하였다.
- 3.1절의 욜로주의 데이터에 대해, 2014년 데이 터를 학습 데이터로, 2015년의 5개월 데이터를 테스트 데이터로 사용했다. 데이터 집합은 기본 입력 요소 3개는 모두 사용한 상태에서 아래 <표 2>와 같이 보조 입력 요소를 조합하여 6 개의 데이터 집합을 생성하여 최적의 입력 요소를 찾는데 사용하였다.
이론/모형
- 여기서, K()는 활성 함수 (activation function) 이다. 활성함수는 식(2)와 같이 로지스틱 (Logistic)함수를 사용하였다.
- 앙상블 알고리즘에 사용한 학습 알고리즘은오류역전파(Backpropagation)와 RPRO(Resilient backpropagation), SCG (Scaled Conjugate Gradient)를 사용했다. 오류역전파는 신경회로망 학습에 가장 많이 사용되는 방법이고[5], RPROP는 모든 패턴의 편미분의 부호를 고려하여 각 가중치를 독립적으로 학습하는 방법으로빠른 학습을 보인다[6].
- 각 알고리즘의 학습 결과는 부스팅(Boosting) 기법을 사용하여 조합하였다. 부스팅은 식(3)과 같이 각 모델의 결과에 가중치를 곱하여 새로운 모델을 생성한다.
- 신경회로망의 결과와 성능을 비교하기 위하여 ARIMA[8]와 GLM[9]를 사용했다. ARIMA(Atogressive Integrated Moving Average) 알고리즘은 시계열 분석 알고리즘의 일종으로 시계열 데이터에 대한 단기 예측에 많이 사용하고 있다[10][11].
성능/효과
- data6의 성능은 테스트 데이터에 대해서 우수하다. 이 데이터는 온도 예보와 과거 온도, 과거 발전량을 모두 이용하여 예측한 것으로 예보 정보를 이용하기 때문에 가장 좋은 성능을 보인 다. 제약이 있는 상황에서 사용할 수 있는 과거 발전량과 과거 온도를 이용한 경우인 data3은 학습 데이터에 대해서는 가장 성능이 우수하고, 테스트 데이터에 2번째로 성능이 우수하였다.
- ARIMA는 학습데이터에 대한 예측을 수행하지 않으므로 학습데이터에 대한 성능이 나올 수없다. 학습데이터에 대한 오차 제곱합은 앙상블알고리즘이 GLM 보다 우수 하였다. 테스트데이 터에 대한 결과는 GLM의 성능이 가장 낮았다.
- 학습데이터에 대한 오차 제곱합은 앙상블알고리즘이 GLM 보다 우수 하였다. 테스트데이 터에 대한 결과는 GLM의 성능이 가장 낮았다. ARIMA와 앙상블 알고리즘을 비교했을 때 앙상블 알고리즘의 성능이 2.
- (a) ARIMA 방법은 24시간까지의 유사도는 0.05이고, 25시간에서 48시간까지의 유사도는 0.685로 후반부에 저하되었다. ARIMA는 태양광 발전량 예측에 사용할 때는 24시간 이내의 초단기 예측을 위해서만 사용할 수 있다.
- (b)일반화 선형 모형 방법은 태양이 없어 발전량이 0이 나와야하는 구간의 데이터에 대해 부정확하여 발전량 예측에 부적합하다. 일반화선형 모형의 모델링 시간은 1초이고, 가 소요되 었고, 48시간의 데이터에 대한 예측시간은 0.
- (c) 앙상블 방법은 24시간까지의 유사도는 0.147이고, 25시간에서 48시간까지의 유사도는 0.154로 전반과 후반사이의 성능은 유사하였다. 발전량이 증가하는 시점에서의 정확도는 떨어지 지만, 0인 시점과 발전량이 감소하는 시점의 데이터는 일치하였다.
- 154로 전반과 후반사이의 성능은 유사하였다. 발전량이 증가하는 시점에서의 정확도는 떨어지 지만, 0인 시점과 발전량이 감소하는 시점의 데이터는 일치하였다. 신경회로망의 모델링 시간은 60.
- 기상 예보 정보 없이 현 시스템에서 수집된 12시간의 과거 온도 데이터와 12시간의 발전량 데이터를 입력으로 사용하여, 앙상블 알고리즘으로 예측 모델을 만들었다. 기상 예보 데이터를 사용한 예측 모델과 성능 차이가 크지 않았고, 실 데이터에 적용한 결과 태양광 발전량을 단기 예측할 수 있는 것을 확인하였다.
후속연구
- 본 연구에서 온도와 발전량을 활용하였으나추가적으로 다양한 기상 데이터로 관측할 수 있는 운량, 강수량과 센서를 통해 수집할 수 있는기압, 일사량 데이터, 태양과 전지판에 대한 정보인 태양과 전지판의 먼지량, 그림자 여부 등의 특징을 데이터로 사용할 수 있다면 예측 성능을 향상 시킬 수 있을 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.