최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기응용통계연구 = The Korean journal of applied statistics, v.31 no.6, 2018년, pp.785 - 799
서유민 (중앙대학교 응용통계학과) , 손흥구 (한국전력거래소) , 김삼용 (중앙대학교 응용통계학과)
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...
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
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. |
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.
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.
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?.
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.
Kim, S. (2017). A study on solar irradiance forecasting with weather variables. The Korean Journal of Applied Statistics, 30(6), 1005-1013.
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.
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.
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.
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.
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.
*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.
오픈액세스 학술지에 출판된 논문
※ AI-Helper는 부적절한 답변을 할 수 있습니다.