[논문]태양광발전설비 원격 관제를 위한 빅데이터 분석 및 처리

권준아; 김영근; 이종찬; 김원중

doi:10.13067/jkiecs.2018.13.4.837

문제 정의

본 논문에서는 기존 연구되어지고 있는 일사량, 일사량 예측값, 위성기반 구름 모션 벡터값을 활용한 알고리즘에 정밀전력정보를 추가하고, 슈퍼컴퓨팅 환경을 이용하여 이들 간의 상관관계를 정밀분석 후 상호참조 가능한 지능형 알고리즘을 개발하여 태양광 발전량 예측율을 최고수준으로 향상시킬 수 있는 시스템을 제안하였다.
최근 태양광 발전 예측 기술은 초기 투자비용이 높은 태양광 발전소의 안정적인 발전수익을 판단하기 위한 장기예측법과, 태양광 발전소와 다른 전력계통과의 안정적 연계 및 효율적인 운영을 위한 단기예측법이 있다[7]. 본 논문에서는 단기예측법을 이용한 태양광발전량 예측 및 설비원격 운영 기술에 대해 제안하였다.
국내 전력거래소의 경우 2013년부터 3차원 기상예측모델과 특정 단지의 과거 실적 및 발전설비 특성을 고려한 통계모델을 기반으로, 6시간까지의 5분 단위 단기예측과 48시간까지의 1시간 단위 중기예측 정보를 제공한다. 뿐만 아니라, 출력 예측 정보와 함께 불확실도 등 다양한 추가 정보를 함께 제공하여, 효율적이고 안정적인 발전 계획 수립이 가능하도록 진행하였다[9]. 그 결과, 발전량 예측 오차율(%) 기준으로 6시간 예측은 15.
이에 본 논문에서는 태양광 발전소 전체와 모듈별 발전량에 대한 예측에 가장 큰 영향을 주는 일사량 예측 값을 사용하여 태양광 발전량 예측이 가능한 빅데이터 기반의 태양광발전설비 원격 관제 시스템을 제안하였다.

제안 방법

한 시간 이내 태양광 발전량 예측 모형은 기상예측 데이터와 측정 데이터들을 기반으로 통계적 학습을 통한 시계열 모델, SVM (support vector machine) 모델, ANN (artificial neural network) 모델, 칼만필터 (kalman filter)와 같은 기계 학습 방법을 적용하여 한 시간 이내 태양광 발전량을 예측한다. 근접한 여러 태양광 발전기들에 대해 지역적 구름 이동에 따른 유사 발전량 패턴을 기계 학습을 통해 예측하는 모형을 고려하고 이를 태양광 발전 예측 모델에 적용한다. 지리적 위치가 가까운 태양광 발전기들의 예측 값을 생성하는 쉬운 방법으로는 서로 다른 위치에 있는 태양광 발전기들의 발전 출력 값의 상관관계를 이용하여 발전량 예측 값을 보정하는 방법을 고려할 수 있다.
이러한 오차를 줄이기 위해서는 온도, 습도, 구름의 양과 흐름 등의 기상예측 데이터들 및 태양광 발전기에서 얻어지는 온도,일사량과 발전량 등의 측정 데이터에 대해 빅데이터 분석과 처리를 통해 태양광 발전기의 최대 발전량을 예측하여야 한다. 발전량 예측 모형은 표1과 같은 일사량 추정 값을 기본 입력으로 사용하며, 태양광 발전시스템의 발전 성능 향상을 위해 정의한 정보통신단체표준 TTAK.KO-04.0179 태양광 발전시스템 모니터링 데이터 정보를 추가한 태양광발전량 예측 시스템을 제안한다[10].
실시간으로 생성되는 태양광 발전 정밀전력정보 데이터로부터 전력 품질 저하와 관련한 이벤트를 검출하고 분류한다. 다중 정밀전력정보 데이터에 대한 이벤트 검출 방법으로 최적의 검출율을 얻기 위해 RoC(Rate of Change)를 이용하는 방법을 제안하며, 일반적인 이벤트 검출 및 분류 알고리즘을 기반으로 태양광 발전 정밀전력정보 데이터에 그림5와 같이 최적화된 전력 품질 저하 이벤트 검출 및 분류화 알고리즘이 필요하다.
전력 품질저하 요인을 찾아내기 위해서 전압과 전류 크기 및 위상, 전력, 주파수와 같은 전력망 관련 정보를 측정하는 정밀전력정보 데이터를 이용한다. 태양광 발전 품질을 저해하는 요인 중 하나인 전압 관련 문제를 정밀전력정보 측정 데이터를 분석하여 전압 문제 발생을 감지하고 제어기 설계를 통해서 예상되는 전압 문제의 해결이 가능하다.
하루 전날 (day-ahead) 익일 태양광 발전량 예측을 위한 기계학습 모형은 각 태양광 발전기에 해당하는 일사량 측정 데이터 값, 발전량 측정값과 기상 빅데이터를 활용한 태양광 발전기 발전량 모형을 제안한다. 하루 전날 익일에 대한 태양광 발전량 예측 모형은 기상 예측 데이터와 측정 데이터들을 기반으로 통계적 학습을 통한 시계열 모델, SVM (support vector machine) 모델, ANN (artificial neural network) 모델과 같은 기계 학습 방법을 적용하여 하루 전날에 대한 태양광 발전량을 예측한다.
하루 전날 (day-ahead) 익일 태양광 발전량 예측을 위한 기계학습 모형은 각 태양광 발전기에 해당하는 일사량 측정 데이터 값, 발전량 측정값과 기상 빅데이터를 활용한 태양광 발전기 발전량 모형을 제안한다. 하루 전날 익일에 대한 태양광 발전량 예측 모형은 기상 예측 데이터와 측정 데이터들을 기반으로 통계적 학습을 통한 시계열 모델, SVM (support vector machine) 모델, ANN (artificial neural network) 모델과 같은 기계 학습 방법을 적용하여 하루 전날에 대한 태양광 발전량을 예측한다. 태양광 발전량 정보를 활용하여 태양광 발전량 예측 정확도를 높임으로써 태양광 발전량 수용률을 높여 운영 효율성을 향상 시킬 수 있으며 다수의 태양광 발전기들을 모아서 발전 시장에 참여하는 것을 고려할 수 있다.
한 시간 이내 (intra-hour) 태양광 발전량 예측을 위한 기계학습 모형은 각 태양광 발전기에 해당하는 일사량 측정 데이터 값, 발전량 측정값과 기상 빅데이터를 활용한 태양광 발전기 발전량 예측모형을 제안한다. 한 시간 이내 태양광 발전량 예측 모형은 기상예측 데이터와 측정 데이터들을 기반으로 통계적 학습을 통한 시계열 모델, SVM (support vector machine) 모델, ANN (artificial neural network) 모델, 칼만필터 (kalman filter)와 같은 기계 학습 방법을 적용하여 한 시간 이내 태양광 발전량을 예측한다.

대상 데이터

2014년 중국 국가전력망공사(SGCC : State Grid Corporation of China)의 경우, 그림 2와 같이 신재생발전 확대에 대비하여 발전량 예측 정확성 개선을 위한 IBM사의 솔루션 Hybrid Renewable Energy Forecasting solution(HyRef)를 도입하였다. 기상 모델링, 이미징 소프트웨어, 구름 움직임 포착을 위한 카메라, 풍속, 풍향, 온도 모니터링 센서를 활용하여,발전량 예측을 위한 빅데이터들을 수집하였으며, 풍력단지 내 기상정보를 최소 15분에서 최대 1개월까지 예측 가능하게 하였다. 그 결과 중국 장베이 670MW 풍력단지에서 실증을 통하여 발전사업자의 리스크 감소와 전력수급 안정 효과를 확인 하였고, HyRef 도입 후 전력망으로 전송되는 전력량이 10% 증가 하였으며, 발전량 예측 정확도 향상으로 발전 스케쥴링 및 발전원간 수급 최적 운영이 가능해졌다[8].
전력 품질저하 요인을 찾아내기 위해서 전압과 전류 크기 및 위상, 전력, 주파수와 같은 전력망 관련 정보를 측정하는 정밀전력정보 데이터를 이용한다. 태양광 발전 품질을 저해하는 요인 중 하나인 전압 관련 문제를 정밀전력정보 측정 데이터를 분석하여 전압 문제 발생을 감지하고 제어기 설계를 통해서 예상되는 전압 문제의 해결이 가능하다.

이론/모형

정밀전력정보 측정 데이터에서 발생한 에러에 의한 전력 품질 향상 알고리즘 오동작을 방지하기 위해서 정밀전력정보 데이터에 대한 품질 확인 및 그에 따른 복원 알고리즘 개발이 필요하다. 개별적 그리고 다수의 정밀전력정보 데이터에 대한 품질 확인 및 복원 효율성을 높이기 위해서 multi-variate model을 사용한다.

성능/효과

기상 모델링, 이미징 소프트웨어, 구름 움직임 포착을 위한 카메라, 풍속, 풍향, 온도 모니터링 센서를 활용하여,발전량 예측을 위한 빅데이터들을 수집하였으며, 풍력단지 내 기상정보를 최소 15분에서 최대 1개월까지 예측 가능하게 하였다. 그 결과 중국 장베이 670MW 풍력단지에서 실증을 통하여 발전사업자의 리스크 감소와 전력수급 안정 효과를 확인 하였고, HyRef 도입 후 전력망으로 전송되는 전력량이 10% 증가 하였으며, 발전량 예측 정확도 향상으로 발전 스케쥴링 및 발전원간 수급 최적 운영이 가능해졌다[8].
뿐만 아니라, 출력 예측 정보와 함께 불확실도 등 다양한 추가 정보를 함께 제공하여, 효율적이고 안정적인 발전 계획 수립이 가능하도록 진행하였다[9]. 그 결과, 발전량 예측 오차율(%) 기준으로 6시간 예측은 15.7%, 24시간 전 예측은 17.0%의 성능을 보였다. 유럽 등 선진국 기술수준이 24시간 전 예측 오차율이 10~20%인 것을 감안하면 실용화까지 가능한 수준의 성능을 가진 것으로 판단된다.
실시간 태양광 정밀전력정보 데이터 처리부와 빅데이터 분석 후 결과를 활용하여 전력 품질을 향상시키는 제어모듈을 통해 실시간 정밀전력정보 측정 데이터의 전력 품질 저하 이벤트 발생을 미리 예상하고 해당 이벤트에 따라 적절한 제어 알고리즘을 통해서 전력 품질 향상이 가능하다. 전력 품질 저하 이벤트 발생을 예상하기 위해서 실시간 정밀전력정보 데이터처리부와 과거 빅데이터 분석모듈 사이의 동작을 통합시킨 이벤트 예측기의 설계가 필요하다.
이처럼 신재생에너지 발전은 기상자료를 기반으로 발전량을 예측하여 적용하는 것과 별도로 부하의 증가 및 감소와 상관없이 신재생발전의 특성상 태양의 방사에너지 양에 따라 발전되는 전력생산량이 일정하지 않아서 배전계통과의 잦은 연계와 분리를 반복하게 되는 문제점으로 인하여 각종 고장 및 전력품질 저하가 발생하는 것이 가장 큰 문제점 분석되었다.
전력 품질 저하 이벤트 발생을 예상하기 위해서 실시간 정밀전력정보 데이터처리부와 과거 빅데이터 분석모듈 사이의 동작을 통합시킨 이벤트 예측기의 설계가 필요하다. 정밀전력정보 빅데이터 기반의 전력 품질 향상을 위한 제어기 최종 모형은 실시간으로 수집하는 태양광 발전 정밀전력정보 데이터에 대한 동적 분석 결과를 제시하며,그 결과를 기반으로 하여 빅데이터 자동 분석 및 처리가 이루어지고, 두 가지 결과를 종합하여 전력 품질을 유지하기 위한 제어모듈로 구성된다.
정밀전력정보에서 생성하는 태양광 발전 데이터와 태양광 인버터에서 생성하는 태양광 발전 데이터를 이용하여 태양광 발전을 예측하고, 결과의 비교 분석을 통한 상호 보완점에 기반한 하이브리드형 태양광발전 예측 알고리즘을 제안함으로써 예측 성능을 향상시킬 수 있다.

후속연구

유럽 등 선진국 기술수준이 24시간 전 예측 오차율이 10~20%인 것을 감안하면 실용화까지 가능한 수준의 성능을 가진 것으로 판단된다. 그 동안 풍력과 태양광의 불확실한 출력특성으로 인한 많은 문제점들이 존재하였으나, 이러한 연구들과 보완을 통해 전력거래 입찰, 발전계획 및 예비력 운영비용 절감효과가 기대되며, 보다 많은 신재생 자원의 안정적인 계통연계와 시장참여가 가능할 것으로 기대된다.
실시간으로 생성되는 태양광 발전 정밀전력정보 데이터로부터 전력 품질 저하와 관련한 이벤트를 검출하고 분류한다. 다중 정밀전력정보 데이터에 대한 이벤트 검출 방법으로 최적의 검출율을 얻기 위해 RoC(Rate of Change)를 이용하는 방법을 제안하며, 일반적인 이벤트 검출 및 분류 알고리즘을 기반으로 태양광 발전 정밀전력정보 데이터에 그림5와 같이 최적화된 전력 품질 저하 이벤트 검출 및 분류화 알고리즘이 필요하다.
발전설비 등 인프라를 추가하지 않고서도 소비자의 수요증가에 효율적으로 대처할 수 있을 것으로 기대된다. 또한 마이크로 그리드 공통플랫폼의 기능으로 전기를 측량, 절약할 수 있으므로, 발전설비 및 송전선로 등의 추가건설 필요성이 감소할 것으로 기대된다.
발전설비 등 인프라를 추가하지 않고서도 소비자의 수요증가에 효율적으로 대처할 수 있을 것으로 기대된다. 또한 마이크로 그리드 공통플랫폼의 기능으로 전기를 측량, 절약할 수 있으므로, 발전설비 및 송전선로 등의 추가건설 필요성이 감소할 것으로 기대된다.
태양광발전소 구축 확대에 따른 다양한 수요자원을 개발하고 관리하여 국가적으로는 피크 및 전력수요감소에 따른 전력시스템의 신뢰도 증가와 전력수급 안정에 기여할 것이며, 전력수요 감소에 따른 도매전력시장가격의 감소에 따른 구입전력비용 절감 등의 효과가 있으며, 소비자의 전기요금 감소효과를 가져올 것으로 기대된다.

핵심어	질문	논문에서 추출한 답변
	하루 전 태양광 발전 예측을 위해 어떤 방법을 사용하는가?	단기예측법인 하루 전 태양광 발전 예측은NWP(numerical weather prediction) with model output statistics 또는 statistical learning methods를 이용하며, 한 시간 이내 예측 모델은 sky images 또는 statistical learning methods를 많이 사용한다.
	태양광 발전은 어떤 특징을 가지고 있는가?	태양광 발전의 특징은 인위적으로 조절이 불가능하며 기상상태에 따라 전력 생산량이 달라지는 전력생산 변동성을 지닌다[4]. 따라서 태양광 발전시스템의 안정적이고 효율적인 부하운용을 위해서는 기상정보를 통한 전력 생산량에 대해 정확한 예측이 필요하다.
	태양광 발전량 예측 오차를 줄이기 위해서 무엇을 예측하여야 하는가?	이를 위해서 태양광 발전량 예측 오차를 최대한 낮추어야한다. 이러한 오차를 줄이기 위해서는 온도, 습도, 구름의 양과 흐름 등의 기상예측 데이터들 및 태양광 발전기에서 얻어지는 온도,일사량과 발전량 등의 측정 데이터에 대해 빅데이터 분석과 처리를 통해 태양광 발전기의 최대 발전량을 예측하여야 한다. 발전량 예측 모형은 표1과 같은 일사량 추정 값을 기본 입력으로 사용하며, 태양광 발전시스템의 발전 성능 향상을 위해 정의한 정보통신단체표준 TTAK.

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

태양광발전설비 원격 관제를 위한 빅데이터 분석 및 처리
Big Data Analysis and Processing for Remote Control of PV Facilities 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (10)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

태양광발전설비 원격 관제를 위한 빅데이터 분석 및 처리 Big Data Analysis and Processing for Remote Control of PV Facilities 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (10)

이 논문을 인용한 문헌

저자의 다른 논문 :

김원중 (38)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

태양광발전설비 원격 관제를 위한 빅데이터 분석 및 처리
Big Data Analysis and Processing for Remote Control of PV Facilities 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper