$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

시계열 모형을 활용한 일사량 예측 연구

Solar radiation forecasting by time series models

응용통계연구 = The Korean journal of applied statistics, v.31 no.6, 2018년, pp.785 - 799  

서유민 (중앙대학교 응용통계학과) ,  손흥구 (한국전력거래소) ,  김삼용 (중앙대학교 응용통계학과)

초록
AI-Helper 아이콘AI-Helper

신재생에너지 산업이 발전함에 따라 태양광 발전에 대한 중요성이 확대되고 있다. 태양광 발전량을 정확히 예측하기 위해서는 일사량 예측이 필수적이다. 본 논문에서는 태양광 패널이 존재하는 청주와 광주 지역을 선정하여 기상포털에서 제공하는 시간별 기상 데이터를 수집하여 연구하였다. 일사량 예측을 위하여 시계열 모형인 ARIMA, ARIMAX, seasonal ARIMA, seasonal ARIMAX, ARIMA-GARCH, ARIMAX-GARCH, seasonal ARIMA-GARCH, seasonal ARIMAX-GARCH 모형을 비교하였다. 본 연구에서는 모형의 예측 성능을 비교하고자 mean absolute error와 root mean square error를 사용하였다. 모형들의 예측 성능 비교 결과 일사량만 고려하였을 때는 이분산 문제를 고려한 seasonal ARIMA-GARCH 모형이 우수한 성능을 나타냈고, 외생변수를 활용한 ARIMAX 모형으로 일사량 예측을 한 경우가 가장 좋은 예측력을 나타냈다.

Abstract AI-Helper 아이콘AI-Helper

With the development of renewable energy sector, the importance of solar energy is continuously increasing. Solar radiation forecasting is essential to accurately solar power generation forecasting. In this paper, we used time series models (ARIMA, ARIMAX, seasonal ARIMA, seasonal ARIMAX, ARIMA GARC...

주제어

표/그림 (18)

AI 본문요약
AI-Helper 아이콘 AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

  • 또한 Sun 등 (2015)는 중국의 베이징과 우루무치 지역의 일사량을 예측하는데 변동성을 고려한 모형인 7개의 다른 ARMA-GARCH 모형으로 일사량 값을 예측하여 그 결과들을 비교하였다. 본 논문에서는 일사량 자료의 분산의 이분산성을 설명할 수 있는 ARIMA-GARCH 모형을 이용하여 일사량 예측 성능을 ARIMA 모형과 비교하고자 한다. 태양 에너지는 지구의 대기권을 지나오면서 수증기, 운량 등과 같은 다양한 기상변수의 영향을 받아 실제 값보다 감소하는 경향이 있어 일사량 예측을 위해 외생변수를 고려해야 할 필요가 있다.
  • Kim (2017)은일사량 예측을 위해 대기권 밖 일사량의 변수를 활용하여 시계열 모형의 예측 정확도를 비교하였다. 본 논문에서는 태양광 패널이 설치되어 있는 광주와 청주의 기상데이터를 활용하여 여러 시계열 모형을 이용하여 단기 예측 성능을 비교하고자 한다. 제 2장에서는 태양광 발전량 예측을 위한 시계열 모형을 소개하며, 제 3장에서는 활용된 일사량 데이터, 기상변수 데이터에 대하여 설명하고, ARIMA, ARIMA with eXogenous variable (ARIMAX), seasonal ARIMA, seasonal ARIMAX, ARIMA-GARCH,ARIMAX-GARCH, seasonal ARIMA-GARCH, seasonal ARIMAX-GARCH 모형들을 이용하여 일사량 예측 모형을 수립하고 분석 결과를 통해 비교 분석할 것이다.
본문요약 정보가 도움이 되었나요?

질의응답

핵심어 질문 논문에서 추출한 답변
일사량이란 무엇인가? 일사량 예측을 위하여 국내외에서 다양한 방법들이 시도되고 있다. 일사량은 태양 에너지가 지상으로 도착했을 때의 에너지양으로, 일사량 내의 추세를 찾아내기 힘들다. Ji와 Chee (2011)는 더 안정적인 월별 평균 일사량 자료를 찾기 위해 Al-Sadah 모형을 이용한 일사량의 추세를 없애는 과정을 실시하였고, 일사량의 선형 성분과 비선형 성분을 구별하여 선형 성분은 auto-regressive moving average (ARMA) 모형로, 비선형 성분은 time delay neural network (TDNN) 모형으로 예측하는 hybrid 모형을 제시하였다.
ARIMA 모형이란 무엇인가? 시계열에서 ARIMA 모형은 현재의 시계열 값이 과거의 관측 값으로 설명된다는 AR 모형과 현재의 시계열 값이 오차로 설명된다는 MA 모형과 함께 차분 절차를 포함하는 모형이다. AR 모형의 차수가 p, MA 모형의 차수가 q, d차 차분한 ARIMA(p, d, q) 모형식은 다음과 같이 표현된다.
재생에너지 보급 확대와 함께 발전량 예측 기술이 주목받는 이유는 무엇인가? 재생에너지 보급 확대와 함께 주목받는 기술로는 발전량 예측 기술이다. 기상 변동에 따른 재생에너지 발전량을 좀 더 정확히 예측해야, 원활한 전력 수급 대응이 가능하기 때문이다.
질의응답 정보가 도움이 되었나요?

참고문헌 (10)

  1. Colak, I., Yesilbudak, M., Genc, N., and Bayindir, R. (2015). Multi-period prediction of solar radiation using ARMA and ARIMA models, In Machine Learning and Applications (ICMLA), 2015 IEEE 14th International Conference on (pp. 1045-1049). IEEE. 

  2. Elizondo, D., Hoogenboom, G., and McClendon, R. W. (1994). Development of a neural network model to predict daily solar radiation, Agricultural and Forest Meteorology, 71, 115-132. 

  3. Grek, A. (2014). Forecasting accuracy for ARCH models and GARCH (1, 1) family: Which model does best capture the volatility of the Swedish stock market?. 

  4. Ji, W. and Chee, K. C. (2011). Prediction of hourly solar radiation using a novel hybrid model of ARMA and TDNN, Solar Energy, 85, 808-817. 

  5. Kim, S. (2017). A study on solar irradiance forecasting with weather variables. The Korean Journal of Applied Statistics, 30(6), 1005-1013. 

  6. Kim, S., Lee, K., and Son, H. (2018). A study on solar energy forecasting based on time series models. The Korean Journal of Applied Statistics, 31(1), 139-153. 

  7. Kim, S. and Park S. (2016). A study on short-term wind power forecasting using time series models, The Korean Journal of Applied Statistics, 29, 1373-1383. 

  8. Liu, H., Erdem, E., and Shi, J. (2011). Comprehensive evaluation of ARMA-GARCH (-M) approaches for modeling the mean and volatility of wind speed. Applied Energy, 88, 724-732. 

  9. Rehman, S. and Mohandes, M. (2008). Artificial neural network estimation of global solar radiation using air temperature and relative humidity. Energy Policy, 36, 571-576. 

  10. Sun, H., Yan, D., Zhao, N., and Zhou, J. (2015). Empirical investigation on modeling solar radiation series with ARMA-GARCH models. Energy Conversion and Management, 92, 385-395. 

저자의 다른 논문 :

관련 콘텐츠

오픈액세스(OA) 유형

GOLD

오픈액세스 학술지에 출판된 논문

섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트