태양광 발전은 기상 상태에 따라 간헐적이기 때문에 태양광 발전의 효율과 경제성 향상을 위해 정확한 발전량 예측이 요구된다. 본 연구는 목포 기상대에서 예보하는 기상 데이터와 영암 태양광 발전소의 발전량 데이터를 이용하여 태양광 발전량 단기 딥러닝예측모델을 제안하였다. 기상청은 기온, 강수량, 풍향, 풍속, 습도, 운량 등의 기상요소를 3일간 예보한다. 그러나 태양광 발전량 예측에 가장 중요한 기상요소인 일조 및 일사 일사량 예보하지 않는다. 제안 모델은 예보 기상요소를 이용하여, 일조 및 일사 일사량을 예측 하였다. 또한 발전량은 기상요소에 예측된 일조 및 일사 기상요소를 추가하여 예측하였다. 제안 모델의 발전량 예측 결과 DNN의 평균 RMSE와 MAE는 0.177과 0.095이며, RNN은 0.116과 0.067이다. 또한, LSTM은 가장 좋은 결과인 0.100과 0.054이다. 향후 본 연구는 다양한 입력요소의 결합으로 보다 향상된 예측결과를 도출할 수 있을 것으로 기대된다.
태양광 발전은 기상 상태에 따라 간헐적이기 때문에 태양광 발전의 효율과 경제성 향상을 위해 정확한 발전량 예측이 요구된다. 본 연구는 목포 기상대에서 예보하는 기상 데이터와 영암 태양광 발전소의 발전량 데이터를 이용하여 태양광 발전량 단기 딥러닝 예측모델을 제안하였다. 기상청은 기온, 강수량, 풍향, 풍속, 습도, 운량 등의 기상요소를 3일간 예보한다. 그러나 태양광 발전량 예측에 가장 중요한 기상요소인 일조 및 일사 일사량 예보하지 않는다. 제안 모델은 예보 기상요소를 이용하여, 일조 및 일사 일사량을 예측 하였다. 또한 발전량은 기상요소에 예측된 일조 및 일사 기상요소를 추가하여 예측하였다. 제안 모델의 발전량 예측 결과 DNN의 평균 RMSE와 MAE는 0.177과 0.095이며, RNN은 0.116과 0.067이다. 또한, LSTM은 가장 좋은 결과인 0.100과 0.054이다. 향후 본 연구는 다양한 입력요소의 결합으로 보다 향상된 예측결과를 도출할 수 있을 것으로 기대된다.
Since solar power generation is intermittent depending on weather conditions, it is necessary to predict the accurate generation amount of solar power to improve the efficiency and economical efficiency of solar power generation. This study proposes a short - term deep learning prediction model of s...
Since solar power generation is intermittent depending on weather conditions, it is necessary to predict the accurate generation amount of solar power to improve the efficiency and economical efficiency of solar power generation. This study proposes a short - term deep learning prediction model of solar power generation using meteorological data from Mokpo meteorological agency and generation data of Yeongam solar power plant. The meteorological agency forecasts weather factors such as temperature, precipitation, wind direction, wind speed, humidity, and cloudiness for three days. However, sunshine and solar radiation, the most important meteorological factors for forecasting solar power generation, are not predicted. The proposed model predicts solar radiation and solar radiation using forecast meteorological factors. The power generation was also forecasted by adding the forecasted solar and solar factors to the meteorological factors. The forecasted power generation of the proposed model is that the average RMSE and MAE of DNN are 0.177 and 0.095, and RNN is 0.116 and 0.067. Also, LSTM is the best result of 0.100 and 0.054. It is expected that this study will lead to better prediction results by combining various input.
Since solar power generation is intermittent depending on weather conditions, it is necessary to predict the accurate generation amount of solar power to improve the efficiency and economical efficiency of solar power generation. This study proposes a short - term deep learning prediction model of solar power generation using meteorological data from Mokpo meteorological agency and generation data of Yeongam solar power plant. The meteorological agency forecasts weather factors such as temperature, precipitation, wind direction, wind speed, humidity, and cloudiness for three days. However, sunshine and solar radiation, the most important meteorological factors for forecasting solar power generation, are not predicted. The proposed model predicts solar radiation and solar radiation using forecast meteorological factors. The power generation was also forecasted by adding the forecasted solar and solar factors to the meteorological factors. The forecasted power generation of the proposed model is that the average RMSE and MAE of DNN are 0.177 and 0.095, and RNN is 0.116 and 0.067. Also, LSTM is the best result of 0.100 and 0.054. It is expected that this study will lead to better prediction results by combining various input.
본 연구는 2013년부터 2015년까지의 기상청에서 예보하는 시간별 기상 데이터와 영암 태양광 발전소의 시간별 발전량 데이터를 이용하여, 단기 예측모델을 제안하였다. 기상 데이터는 영암 발전소 근처의 목포 기상청에서 예보하는 기온, 강수량, 풍향, 풍속, 습도, 운량 등의 기상요소를 이용하였다.
제안 방법
기상청에서는 태양광 발전에 가장 중요한 기상요소인 일조 및 일사량을 예보하지 않기 때문에, 제안 예측모델은 예보되는 기상요소만을 이용하여. 일조 및 일사량을 예측하였다. 또한, 예측된 일사 및 일조량을 이용하여 태양광 발전량을 예측하였다.
설비요소는 고정형, 고정가변형, 추적형 등 태양광 패널의 움직임 여부와 축전지 및 전력 변환장치의 효율 등이 있다. 본 연구는 기존 영암 발전소의 시간별 태양광 발전 데이터를 사용하였기 때문에, 지리요소와 설비요소를 제외한 기상요소만을 이용한 발전량 예측을 하였다. 기상청은 기온, 강수량, 풍향, 풍속, 습도, 운량 등을 3일간 예보 한다.
또한, 발전량 예측을 위한 학습 데이터는 2015년 10월에서 11월까지의 기상데이터와 예측된 일사량, 일조량 그리고 발전량 데이터이며, 테스트 데이터는 2015년 12월의 기상데이터와 예측된 일사량, 일조량 그리고 발전량 데이터 이다. 실험은 학습 데이터를 사용하여 DNN을 15000번, RNN 과 LSTM을 5000번 학습하여 모델을 생성하고, 테스트 데이터로 모델을 평가하였다. 각 예측에 대한 정확성은 평균 제곱근 오차와 평균절대오차를 사용하였다.
대상 데이터
본 연구는 2013년부터 2015년까지의 기상청에서 예보하는 시간별 기상 데이터와 영암 태양광 발전소의 시간별 발전량 데이터를 이용하여, 단기 예측모델을 제안하였다. 기상 데이터는 영암 발전소 근처의 목포 기상청에서 예보하는 기온, 강수량, 풍향, 풍속, 습도, 운량 등의 기상요소를 이용하였다. 기상청에 서는 태양광 발전에 가장 중요한 기상요소인 일조 및 일사량을 예보하지 않기 때문에, 예보되는 기상요소를 이용하여.
일조 및 일사 예측을 위한 학습 데이터는 2013년 1월에서 2015년 9월까지의 기상 데이터이며, 테스트 데이터는 2015년 10월에서 12월까지의 기상 데이터다. 또한, 발전량 예측을 위한 학습 데이터는 2015년 10월에서 11월까지의 기상데이터와 예측된 일사량, 일조량 그리고 발전량 데이터이며, 테스트 데이터는 2015년 12월의 기상데이터와 예측된 일사량, 일조량 그리고 발전량 데이터 이다. 실험은 학습 데이터를 사용하여 DNN을 15000번, RNN 과 LSTM을 5000번 학습하여 모델을 생성하고, 테스트 데이터로 모델을 평가하였다.
6 그리고 텐서플로우 GPU 버전을 이용하였다. 일조 및 일사 예측을 위한 학습 데이터는 2013년 1월에서 2015년 9월까지의 기상 데이터이며, 테스트 데이터는 2015년 10월에서 12월까지의 기상 데이터다. 또한, 발전량 예측을 위한 학습 데이터는 2015년 10월에서 11월까지의 기상데이터와 예측된 일사량, 일조량 그리고 발전량 데이터이며, 테스트 데이터는 2015년 12월의 기상데이터와 예측된 일사량, 일조량 그리고 발전량 데이터 이다.
데이터처리
실험은 학습 데이터를 사용하여 DNN을 15000번, RNN 과 LSTM을 5000번 학습하여 모델을 생성하고, 테스트 데이터로 모델을 평가하였다. 각 예측에 대한 정확성은 평균 제곱근 오차와 평균절대오차를 사용하였다.
성능/효과
054이다. DNN 의 경우 현재시각 예측부터 24시간 후의 예측까지 모든 예측 상황에서 발전량 데이터의 특징을 잡지 못해 시계열 데이터 학습에 적합한 RNN과 LSTM에 비해 예측율이 많이 떨어지는 것을 확인 할 수 있다. 향후 다양한 입력요소의 결합으로 보다 향상된 예측결과를 도출할 수 있을 것으로 기대된다.
067이다. 또한, LSTM은 가장 좋은 결과인 0.100과 0.054이다. DNN 의 경우 현재시각 예측부터 24시간 후의 예측까지 모든 예측 상황에서 발전량 데이터의 특징을 잡지 못해 시계열 데이터 학습에 적합한 RNN과 LSTM에 비해 예측율이 많이 떨어지는 것을 확인 할 수 있다.
또한, 발전량 예측은 예보되는 기상요소와 예보된 일조 및 일사 기상 요소를 추가하여 예측하였다. 발전량 예측 결과 DNN의 평균 RMSE와 MAE는 0.177과 0.095이며, RNN은 0.116과 0.067이다. 또한, LSTM은 가장 좋은 결과인 0.
후속연구
DNN 의 경우 현재시각 예측부터 24시간 후의 예측까지 모든 예측 상황에서 발전량 데이터의 특징을 잡지 못해 시계열 데이터 학습에 적합한 RNN과 LSTM에 비해 예측율이 많이 떨어지는 것을 확인 할 수 있다. 향후 다양한 입력요소의 결합으로 보다 향상된 예측결과를 도출할 수 있을 것으로 기대된다.
질의응답
핵심어
질문
논문에서 추출한 답변
RNN이란 무엇인가?
RNN은 하나의 입출력 패턴을 가진 DNN 병렬 체인 구조로 연결한 형태로, 과거 학습결과를 현재 학습에 사용하는 딥러닝 네트워크로서, 시계열 데이터를 처리하는데 효과적이다. RNN 은 하나의 tanh 혹은 ReLu 활성화함수를 가진 구조로서, 체인이 길어지면 과거의 학습 결과가 사라지는 장기 의존성문제가 있다.
태양광 발전에 대한 관심과 수요가 급증하고 있는 이유가 무엇인가?
최근 화석 연료자원의 고갈과 이산화탄소 배출 규제 그리고 자연재해에 의한 원자력 발전의 위험성 등의 문제로 태양광 발전에 대한 관심과 수요가 급증하고 있다. 태양광 발전은 소규모 발전에 적용하기 시작하여, 최근에는 대규모 발전소를 구축하여 전력회사에 판매하거나 도시에 전력수요를 공급하고 있다.
태양광 발전의 단점은 무엇인가?
태양광 발전은 에너지원이 무한하고 청정하며, 유지보수가 용이하고, 수명이 길다는 장점이 있다. 그러나 초기투자비와 발전단가가 높고, 설치장소가 한정적이며, 에너지 밀도가 낮아 큰 설치면적이 필요하다는 단점이 있다[4]. 특히, 기상상태에 의존하기 때문에 발전량이 매우 간헐적이며 발전량의 조정이 어려워 사전에 발전계획을 수립하기 어렵다.
참고문헌 (14)
S. M. Lee and Y. H. Chun, “Assessment of optimal constitution rate of wind turbine and photovoltaic sources for stable operation of microgird,” The Transactions of The Korean Institute of Electrical Engineers, Vol. 59, No. 2, pp. 272-276, Feb. 2010
B. H. Lee, “A study on simplified robust optimal operation of microgrids considering the uncertainty of renewable generation and loads,” The Transactions of The Korean Institute of Electrical Engineers, Vol. 66, No. 3, pp. 513-521, May. 2017
S. B. Rhee, K. H. Kim, and S. G. Lee, "Optimal operation scheme of microgrid system based on renewable energy resources," The Transactions of the Korean Institute of Electrical Engineers, Vol. 60, No. 8, pp. 1467-1472, Aug. 2011
M. H. Seo, G. S. Kim, and S. H. Kim, "A development of the solar position algorithm for improving the efficiency of photovoltaic power generation," in Proceedings of KIIT Summer Conference, Vol. 8, No. 10, Mokpo: Korea, pp. 46-51, June. 2009
J. J. Song, Y. S. Jeong, and S. H. Lee, “Analysis of prediction model for solar power generation,” Journal of Digital Convergence, Vol. 12, No. 3, pp. 243-248, Mar. 2014
K. D. Kim, “The development of the short-term predict model for solar power generation,” The Korea Solar Energy Society, Vol. 33, No. 6, pp. 62-69, Dec. 2013
C. S. Lee and P. S. Ji, “Development of daily PV power forecasting models using ELM,” The Transactions of The Korean Institute of Electrical Engineers, Vol. 64P, No. 3, pp. 164-168, Sep. 2015
K. H. Lee and W. J. Kim, “Forecasting of 24 hours ahead photovoltaic power output using support vector regression,” Journal of Korean Institute of Information Technology, Vol. 14, No. 3, pp. 175-183, May. 2016
D. J. Lee, J. P. Lee, C. S. Lee, J. Y. Lim, and P. S. Ji, “Development of PV power prediction algorithm using adaptive neuro-fuzzy model,” The Transactions of The Korean Institute of Electrical Engineers, Vol. 64, No. 4, pp. 246-250, Dec. 2015
W. C. Cha, J. H. Park, U. R. Cho, and J. C. Kim, "Design of generation efficiency fuzzy prediction model using solar power element data," The Transactions of The Korean Institute of Electrical Engineers, Vol. 63, No. 10, pp. 1423-1427, Oct. 2014
S. M. Lee and W. J. Lee, “Development of a system for predicting photovoltaic power generation and detecting defects using machine learning,” KIPS Transactions on Computer and Communication Systems, Vol. 5, No. 10, pp. 353-360, Oct. 2016
A. Yona, T. Senjyu, T. Funabashi, P. Mandal, and C. H. Kim, “Decision technique of solar radiation prediction applying recurrent neural network for short-term ahead power output of photovoltaic system,” Smart Grid and Renewable Energy, Vol. 4, No. 6A, pp. 32-38, Apr. 2013
F. A. Gers, N. N. Schraudolph, and J. Schmidhuber, "Learning precise timing with LSTM recurrent networks," Journal of Machine Learning Research, Vol. 3, No. 6, pp. 115-143, Mar. 2002
C. Olah, Understanding LSTM Networks, Github blog [Internet]. Available: http://colah.github.io/posts/2015-08-Understanding-LSTMs/.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.