[논문]기계학습을 이용한 태양광 발전량 예측 및 결함 검출 시스템 개발

이승민; 이우진

doi:10.3745/ktccs.2016.5.10.353

기계학습을 이용한 태양광 발전량 예측 및 결함 검출 시스템 개발
Development of a System for Predicting Photovoltaic Power Generation and Detecting Defects Using Machine Learning 원문보기

정보처리학회논문지. KIPS transactions on computer and communication systems 컴퓨터 및 통신 시스템, v.5 no.10, 2016년, pp.353 - 360

초록
AI-Helper

여러 개의 태양전지들이 붙어 있는 태양광 패널을 이용하여 전력을 생산하는 태양광 발전은 최근 신재생 에너지 기술로 빠르게 성장하고 있는 분야이다. 하지만 태양광발전의 단점 중 하나인 불규칙한 전력 생산문제로 인해, 장비 및 패널 결함에 빠르게 대응하지 못하는 문제가 발생한다. 이 연구에서는 다양한 기후데이터와 패널 정보를 이용하여 태양광발전량 예측 방법들을 비교하여 최적의 예측 알고리즘을 평가하고 이를 기반으로 태양광발전소 결함 검출 시스템을 개발하여 국내 태양광 발전소에 적용한 사례를 기술한다.

Abstract ▼ AI-Helper

Recently, solar photovoltaic(PV) power generation which generates electrical power from solar panels composed of multiple solar cells, showed the most prominent growth in the renewable energy sector worldwide. However, in spite of increased demand and need for a photovoltaic power generation, it is difficult to early detect defects of solar panels and equipments due to wide and irregular distribution of power generation. In this paper, we choose an optimal machine learning algorithm for estimating the generation amount of solar power by considering several panel information and climate information and develop a defect detection system by using the chosen algorithm generation. Also we apply the algorithm to a domestic solar photovoltaic power plant as a case study.

주제어

AI 본문요약
AI-Helper

문제 정의

예측 알고리즘으로 신경망[1], SVM[2], 딥러닝[3]을 사용하고 예측의 오차를 파악할 때 가장 많이 사용되는 평균 제곱근 오차(RMSE)를 이용하여 최적의 알고리즘을 선정한다. 알고리즘 구조 변경 및 상수 수정을 통해 예측율을 확대시킨 예측 모델을 제안한다. 그리고 예측된 결과를 국내 제주지역 데이터에 적용하여 결함 검출 시스템을 개발한다.

제안 방법

태양광발전소는 그 특성상 결함 발생 시 조기 파악에 많은 어려움이 따른다. 본 논문에서는 결함검출을 위해서 발전량을 예측하여 실제 측정된 발전량과 비교를 통한 결함 판별을 진행하였다. 최적의 예측 알고리즘을 선정하기 위해서 기후데이터와 발전량 데이터를 정규화 시킨뒤 SVM, 신경망, 딥러닝에 적용하였다.
본 논문에서는 결함검출을 위해서 발전량을 예측하여 실제 측정된 발전량과 비교를 통한 결함 판별을 진행하였다. 최적의 예측 알고리즘을 선정하기 위해서 기후데이터와 발전량 데이터를 정규화 시킨뒤 SVM, 신경망, 딥러닝에 적용하였다. 알고리즘의 평가방법으로 RMSE 값을 이용한 결과 딥러닝이 가장 우수한 예측율을 보였다.

대상 데이터

22일로 습윤 대륙성 기후와 온난 다습한 기후의 중간을 위치하고 있어 태양광발전량의 출력 변화가 심하여, 발전량예측에 메사추세츠주의 데이터가 가장 적합하였다. 메사추세츠주의 태양광발전소 중 일정량 이상의 데이터와 대량의 규모의 발전량 데이터를 갖춘 Concord Cape 발전소의 발전량 데이터를 추출하여 본 실험의 예측 알고리즘에 이용한다.
알고리즘의 평가방법으로 RMSE 값을 이용한 결과 딥러닝이 가장 우수한 예측율을 보였다. 선정된 알고리즘을 국내 데이터에 적용하기 위해 국가기후데이터센터와 제주시 보타리발전소에서 280일간의 데이터를 얻어 학습데이터로 이용하였다. 태양광발전 결함검출 시스템에서는 학습된 딥러닝 알고리즘을 이용한 발전량 예측 및 패널 데이터를 이용한 결함 판별을 진행하여 국내 태양광발전소 발전단가 하락 및 대중화에 기여할 수 있을 것으로 판단된다.
태양광발전량 데이터를 얻기 위해 PVOutput.org의 데이터를 이용하였다. PVOutput.

데이터처리

실험결과와 예상값이 평균적으로 얼마만큼 떨어져 있는가를 판단하는 방법으로 평균 제곱근 오차인 RMSE(Root Mean Square Error) 값을 사용한다. 실제값과 예측한 값에서 나타나는 오차를 제곱하여 평균한 값의 제곱근을 의미한다[16].

성능/효과

최적의 예측 알고리즘을 선정하기 위해서 기후데이터와 발전량 데이터를 정규화 시킨뒤 SVM, 신경망, 딥러닝에 적용하였다. 알고리즘의 평가방법으로 RMSE 값을 이용한 결과 딥러닝이 가장 우수한 예측율을 보였다. 선정된 알고리즘을 국내 데이터에 적용하기 위해 국가기후데이터센터와 제주시 보타리발전소에서 280일간의 데이터를 얻어 학습데이터로 이용하였다.

후속연구

선정된 알고리즘을 국내 데이터에 적용하기 위해 국가기후데이터센터와 제주시 보타리발전소에서 280일간의 데이터를 얻어 학습데이터로 이용하였다. 태양광발전 결함검출 시스템에서는 학습된 딥러닝 알고리즘을 이용한 발전량 예측 및 패널 데이터를 이용한 결함 판별을 진행하여 국내 태양광발전소 발전단가 하락 및 대중화에 기여할 수 있을 것으로 판단된다. 향후연구로는 기상데이터를 실시간으로 전송받아 발전량 예측모델을 구동하여 실시간 결함 검출 시스템을 구축하고자 한다.
태양광발전 결함검출 시스템에서는 학습된 딥러닝 알고리즘을 이용한 발전량 예측 및 패널 데이터를 이용한 결함 판별을 진행하여 국내 태양광발전소 발전단가 하락 및 대중화에 기여할 수 있을 것으로 판단된다. 향후연구로는 기상데이터를 실시간으로 전송받아 발전량 예측모델을 구동하여 실시간 결함 검출 시스템을 구축하고자 한다.

질의응답

핵심어	질문	논문에서 추출한 답변
	역전파 알고리즘의 단점은 무엇인가?	정해진 Error범위 내에 오차가 발생하는 경우 연산이 끝나게 되고 연산된 가중치를 저장하여 Training 과정이 끝난 후 실제 예측분야에 사용한 다. 이때 학습용 데이터가 충분치 않고 잡음이 있는 경우 Overfitting이 발생할 수 있으며, 학습률 과다일 경우 학습속 도는 빠르지만 오차계수에 따른 불안정성문제를 내제하고 있다. 그 외로 태양광발전소의 입지선정을 위해 신경망을 이용하여 월별 일사량을 예측하고 보정하여 예측된 일사량 으로 발전량을 예측하는 연구도 진행중이다[10].
	RMSE이란 무엇인가?	실험결과와 예상값이 평균적으로 얼마만큼 떨어져 있는가 를 판단하는 방법으로 평균 제곱근 오차인 RMSE(Root Mean Square Error) 값을 사용한다. 실제값과 예측한 값에서 나타나 는 오차를 제곱하여 평균한 값의 제곱근을 의미한다[16].
	태양광발전에 있어 어떠한 어려움이 있는가?	특히 최근 3년 동안 평균 35GW가 증가 하면서 신재생에너지 분야에서 가장 두드러진 성장세를 나타 내었다. 태양광발전의 수요 증가와 필요성에도 불구하고 기 술 및 발전설비 구축의 어려움, 관련인력 부족 등의 문제를 갖고 있다. 특히 기후변화 및 먼지, 기타 이물질에 의한 감 소, 그 외의 기타 패널 결함 문제는 현재 오퍼레이터가 실사 를 통한 확인 작업으로 결함 판별을 진행하고 있으며, 관련 인력부족으로 전력의 손실 및 장비 방치가 이루어지고 있는 실정이다.

참고문헌 (20)

Takefuji, Yoshiyasu, "Neural network parallel computing," Springer Science & Business Media, Vol.164, 2012.
Harrington Peter, Machine learning in action, Manning, 2012.
Jiquan Ngiam, "Multimodal deep learning," ICML-11 Conference on Machine Learning, pp.689-696, 2011.
REN21, Renewables 2011 Global Status Report, REN21 Secretariat, 2011.
Justine Sanchez, "Potential PV Problems & New Tools for Troubleshooting" [Internet], http://www.homepower.com/articles/solar-electricity/design-installation/potential-pv-problems/.
Radial_basis_function_kernel [Internet], https://en.wikipedia.org/wiki/.
N. Sharma, P. Sharma, D. Irwin, and P. Shenoy, "Predicting Solar Generation from Weather Forecasts Using Machine Learning," IEEE International Conference on Smart Grid Communications, 2011.
Seung Min Lee and Woo Jin Lee, "Backpropagation Algorithm based Fault Detection Model of Solar Power Generation using Weather Data and Solar Power Generation Data," The 2015 Spring Conference of the KIPS, Vol.22, No.1, 2015(in Korean).
Backpropagation [Internet], https://en.wikipedia.org/wiki/.
Jae-Ju Song, Sang-Ho Lee, and Yoon-Su Jeong, "Analysis of prediction model for solar power generation," The Society of Digital Policy & Management, Vol.12, No.3, pp.243-248, 2014(in Korean).
PVoutput [Internet], http://pvoutput.org/about.html/.
Korea Meteorological Administration, Weather Resource Analysis Report for the Optimal Utilization of Solar Energy, 2008(in Korean).
Changsong Chen, "Online 24-h solar power forecasting based on weather type classification using artificial neural network," Solar Energy, Vol.85, No.11, pp.2856-2870, 2011.

상세보기
NOAA, Unedited Local Climatological Data Samples [Internet], http://www.ncdc.noaa.gov/ulcd/ULCD/.
MesoWest [Internet], http://mesowest.utah.edu/.
Tianfeng Chai and R. Roland Draxler, "Root mean square error (RMSE) or mean absolute error (MAE)?-Arguments against avoiding RMSE in the literature," Geoscientific Model Development, Vol.7, No.3, pp.1247-1250, 2014.

상세보기
N. Srivastava, G. Hinton, A. Krizhevsky, I. Sutskever, and R. Salakhutdinov, "Dropout: A simple way to prevent neural networks from overfitting," The Journal of Machine Learning Research, Vol.15, No.1, pp.1929-1958, 2014.
A Library for Support Vector Machines [Internet], https://www.csie.ntu.edu.tw/-cjlin/libsvm/.
Korea Meteorological Administration [Internet], http://www.kma.go.kr/.
Java Neural Network Framework [Internet], http://neuroph.sourceforge.net/.

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