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
- 따라서 본 논문에서는 풍력발전단지의 단기풍력발전량을 예측하기 위하여 바람의 특성인 풍향 및 풍속을 근거로 예측하는 방법을 제안한다. 제안한 방법을 검증하기 위하여 제주도 A, B, C 지역 풍력발전단지에서 수집된 데이터의 풍향, 풍속, 발전량을 이용하였고, 수치예측에서 최적의 성능을 보이는 기계학습 방법인 SVR을 사용하였다.
제안 방법
- 본 논문에서 기존방법은 그림(1)에서 보는 바와 같이 발전량, 풍향, 풍속의 특징을 고려하지 않고 단지 발전량, 풍향, 풍속의 데이터를 이용해서 SVR을 수행한 것이다. 반면, 제안한 방법은 발전량, 풍향, 풍속 각각의 변수간의 상관분석을 수행한 후 바람의 특성을 K-means Clustering을 이용하여 특징벡터를 추출한 후 추출된 특징벡터를 반영한 발전량, 풍속, 풍향의 데이터를 이용해서 SVR을 수행한 것이다.
- 본 논문에서 기존방법은 그림(1)에서 보는 바와 같이 발전량, 풍향, 풍속의 특징을 고려하지 않고 단지 발전량, 풍향, 풍속의 데이터를 이용해서 SVR을 수행한 것이다. 반면, 제안한 방법은 발전량, 풍향, 풍속 각각의 변수간의 상관분석을 수행한 후 바람의 특성을 K-means Clustering을 이용하여 특징벡터를 추출한 후 추출된 특징벡터를 반영한 발전량, 풍속, 풍향의 데이터를 이용해서 SVR을 수행한 것이다.
- 본 논문에서 제안한 방법은 인공지능의 단점인 풍력에너지원의 다변수간의 인과관계(풍향, 풍속, 발전량 등) 특성을 파악하여 다변량 분석에 효율적인 SVR 방법을 적용하는 방법을 제안한다. 제안한 방법은 풍력발전기기가 설치된 장소의 기상과 지형의 특성에 적합한 단기풍력발전량 예측 시스템을 구축하여 실용화하고, 이를 통해 국내 전기에너지생산 비용 절감 효과를 기대할 수 있다.
대상 데이터
- 본 논문에서 단기풍력발전량을 예측하기 위하여 제주도 A, B, C지역 풍력발전단지에서 수집된 데이터를 기반으로 학습데이터 및 시험데이터를 구분하여 실험하였다. 이때 학습 데이터 및 시험 데이터는 모두 정규화된 데이터이고, 표(3)과 같이 각 지역별로 수집기간, 수집시간, 학습데이터, 시험데이터, 총 데이터를 보여준다.
- 상관분석은 발전량, 풍향, 풍속을 피어슨 상관분석과 스피어만 상관분석을 수행하고, 클러스터링은 풍향과 풍속을 k-means 클러스터링을 이용한다. 셋째, 단기풍력발전량을 예측하기 위하여 제주도 A, B, C지역 풍력발전단지의 데이터를 학습데이터와 시험데이터로 분할한다. 넷째, 학습데이터에 대하여 SVR을 수행하여 단기풍력발전량 예측 모델을 유도한다.
데이터처리
- 0이다. 마지막으로 풍력발전량예측 오차를 검증하기 위하여 식(9)와 같이 RMSE(Root Mean Square Error)를 사용하였다[18].
- 다섯째, 단기풍력발전량 예측 모델은 시험 데이터에 적용하여 최종적으로 단기풍력발전량을 예측한다. 예측된 단기풍력발전량은 기존방법으로 예측한 발전량과 비교 검증한다.
- 따라서 본 논문에서는 풍력발전단지의 단기풍력발전량을 예측하기 위하여 바람의 특성인 풍향 및 풍속을 근거로 예측하는 방법을 제안한다. 제안한 방법을 검증하기 위하여 제주도 A, B, C 지역 풍력발전단지에서 수집된 데이터의 풍향, 풍속, 발전량을 이용하였고, 수치예측에서 최적의 성능을 보이는 기계학습 방법인 SVR을 사용하였다.
이론/모형
- 본 논문에서 단기풍력발전예측을 실험을 하기 위하여 SVM을 일반화한 SVR(Support Vector Regression)을 사용한다. SVR(ε-SVR)은 식(3)과 같이 임의의 실수 값을 높은 차원 공간으로 사상시킨 후, 최적화 기술을 적용하여 선형 회귀(linear regression)를 통해 최적의 초평면을 찾아 데이터를 예측하는 방법이다[15].
- 0] 범위 내에 위치하도록 정규화가 필요하다. 본 논문에서 사용하는 정규화 방법은 최소-최대 정규화(Min-Max Normalization) 방법이다[16]. 이 방법은 식(4)와 같이 원 데이터에 대해 선형 변환하는 것으로 원 데이터 값을 주어진 범위 안에서 그대로 유지된다.
- 본 논문에서는 발전량, 풍향, 풍속의 다변수를 이용하여 단기풍력발전예측을 위해서 nu-SVR을 적용한다. nu-SVR 모델링을 최적화하기 위하여 Epsilon은 0.
- 그로 인해 예측 모델의 수학적 구성이 매우 난해하며, 계산과정이 복잡하여 많은 계산량을 요구한다. 통계적 방법의 경우는 시계열 분석 모델인 ARIMA(Autoregressive Integrated Moving Average) 모델을 주로 사용한다[8]. 세 번째 방법인 인공지능을 이용한 풍속 예측으로는 신경망네트워크(Neural Network)[9], 퍼지이론(Fuzzy Inference)[10], SVM(Support Vector Machine)[11]를 많이 사용한다.
성능/효과
- 이와 같은 이유는 A, B, C지역의 위치가 달라 각각 상이한 기상조건으로 클러스터가 다양하게 형성되었다. 결과적으로 제안한 방법은 바람의 특성인 풍향과 풍속을 고려하지 않은 기존 방법에 비하여 오차가 작게 나타났다.
- 따라서, 본 논문에서 제안한 방법은 제주도 A지역의 풍력발전단지의 풍향 및 풍속의 특징을 가지고 클러스터링 후, SVR을 수행한다면 효율적인 단기풍력발전량을 예측할 수 있다.
- 제안한 방법은 기존 방법에 비하여 관측된 발전량에 거의 유사하였다. 특히, 관측된 발전량이 일정한 시간동안 변동이 없을 때 기존 방법은 관측된 발전량에 비하여 상당한 오차를 보였다.
- 제안한 방법의 각 지역별 평균오차를 보면 제주도 A지역의 제안한 방법은 4.13, 기존 방법은 8.78로 4.48의 차를 보이고, 제주도 B지역의 제안한 방법은 1.57이고, 기존 방법은 2.79이어서 제안한 방법이 기존 방법에 비하여 1.22의 차가 적었다. 마지막으로 제주도 C지역의 제안한 방법은 3.
후속연구
- 의 평균이다. 이러한 풍향과 풍속의 비선형관계를 풍력발전량을 예측하는데 적용하면 풍력발전예측의 정확도가 향상될 것이다.
- 본 논문에서 제안한 방법은 인공지능의 단점인 풍력에너지원의 다변수간의 인과관계(풍향, 풍속, 발전량 등) 특성을 파악하여 다변량 분석에 효율적인 SVR 방법을 적용하는 방법을 제안한다. 제안한 방법은 풍력발전기기가 설치된 장소의 기상과 지형의 특성에 적합한 단기풍력발전량 예측 시스템을 구축하여 실용화하고, 이를 통해 국내 전기에너지생산 비용 절감 효과를 기대할 수 있다. 향후 연구는 풍력발전량 예측의 정확도 개선을 위한 풍향의 전처리와 군집화 방법 그리고 중장기 풍력발전량을 예측하는 실험을 진행할 것이다.
- 제안한 방법은 풍력발전기기가 설치된 장소의 기상과 지형의 특성에 적합한 단기풍력발전량 예측 시스템을 구축하여 실용화하고, 이를 통해 국내 전기에너지생산 비용 절감 효과를 기대할 수 있다. 향후 연구는 풍력발전량 예측의 정확도 개선을 위한 풍향의 전처리와 군집화 방법 그리고 중장기 풍력발전량을 예측하는 실험을 진행할 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.