[논문]미래 기상정보를 사용하지 않는 LSTM 기반의 피크시간 태양광 발전량 예측 기법

이동훈; 김관호

doi:10.7838/jsebs.2019.24.4.119

미래 기상정보를 사용하지 않는 LSTM 기반의 피크시간 태양광 발전량 예측 기법
A LSTM Based Method for Photovoltaic Power Prediction in Peak Times Without Future Meteorological Information 원문보기

한국전자거래학회지 = The Journal of Society for e-Business Studies, v.24 no.4, 2019년, pp.119 - 133

이동훈 (Department of Industrial and Management Engineering, Incheon National University) , 김관호 (Department of Industrial and Management Engineering, Incheon National University)

초록
AI-Helper

최근 태양광 발전량 예측은 태양광 발전량 설비 시스템의 안정적인 작동을 위한 조정 계획, 설비 규격 결정 및 생산 계획 일정을 수립하기 위해 필수적인 요소로 고려된다. 특히, 대부분의 태양광 발전량은 피크시간에 측정되기 때문에, 태양광 시스템 운영자의 이익 최대화와 전력 계통량 안정화를 위해 피크시간의 태양광 발전량 예측은 매우 중요한 요소이다. 또한, 기존 연구들은 광범위한 지역에서 예측된 불확실한 기후 정보들을 이용하여 태양광 발전량을 예측하는 한계점 때문에 일사량, 운량, 온도 등과 기상정보 없이 피크시간의 태양광 발전량을 예측하는 것은 매우 어려운 문제로 고려된다. 따라서 본 논문에서는 피크이전의 기후, 계절 및 관측된 태양광 발전량을 이용하여 미래의 기후 및 계절 정보 없이 피크시간의 태양광 발전량을 예측할 수 있는 LSTM(Long-Shot Term Memory) 기반의 태양광 발전량 예측 기법을 제안한다. 본 연구에서 제안한 모델을 기반으로 실 데이터를 통한 실험 결과, 단기 및 장기적 관점에서 높은 성능을 보였으며, 이는 본 연구에서 목표로 한 피크시간의 태양광 발전량 예측 성능 향상에 긍정적인 영향을 나타내었음을 보여준다.

Abstract ▼ AI-Helper

Recently, the importance prediction of photovoltaic power (PV) is considered as an essential function for scheduling adjustments, deciding on storage size, and overall planning for stable operation of PV facility systems. In particular, since most of PV power is generated in peak time, PV power prediction in a peak time is required for the PV system operators that enable to maximize revenue and sustainable electricity quantity. Moreover, Prediction of the PV power output in peak time without meteorological information such as solar radiation, cloudiness, the temperature is considered a challenging problem because it has limitations that the PV power was predicted by using predicted uncertain meteorological information in a wide range of areas in previous studies. Therefore, this paper proposes the LSTM (Long-Short Term Memory) based the PV power prediction model only using the meteorological, seasonal, and the before the obtained PV power before peak time. In this paper, the experiment results based on the proposed model using the real-world data shows the superior performance, which showed a positive impact on improving the PV power in a peak time forecast performance targeted in this study.

주제어

표/그림 (9)

표 Overview of Previous Research Related to PV Power Prediction
그림 The Proposed Framework for The PV Power Prediction in Peak Times
표 Inputs and Outputs at Peak Times(i = 1, ..., n, Using The Previous Data at Peak Times and j = 1, ..., m, Using The Data at Peak Times)
그림 Network Structure of The Proposed LSTM Based PV Power Prediction Model
그림 Changes of Train and Validation Loss Values According to Epochs
표 Used Input and Output Values for Learning and Testing The Proposed Model (August 9, 2015)
그림 Performance Comparison Result Depending on Seasons
표 RMSE Results of The Proposed Model According to Seasons
그림 Predicted PV power Outputs in Peak Times Results of The Proposed Model

AI 본문요약
AI-Helper

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

문제 정의

따라서 본 논문에서는 미래의 기후정보를 사용하지 않고 피크시간에서의 태양광 발전량 예측을 위한 LSTM(Long-Short Term Memory) 기반의 모델을 제안한다. 제안 된 모델은 피크시간 이전에 관측된 태양광 발전량과 기후정보만을 이용하여 피크시간 동안 태양광 발전량을 예측한다.
따라서 본 연구에서 제안한 실험을 통해 계절에 따라 태양광 발전량 예측의 성능을 평가 하였다. LSTM 기반의 피크시간 태양광 발전량 예측 모델은 모든 계절에 대해 높은 성능을 보였다.
하지만 기존 연구들에서는 기후정보를 이용하여 시계열 분석 기법과 인공신경망 모델을 활용하여 태양광 발전량을 예측하는데 초점을 두고 있다. 따라서 본 연구에서는 특정지역에 기후정보를 예측하는 한계점을 해결하기 위해 피크시간 이전의 기후, 계절, 측정된 태양광 발전량 정보만을 이용하여 미래의 기후 및 계절 정보를 사용하지 않고 태양광 발전량을 예측할 수 있는 LSTM 기반의 피크시간 태양광 발전량 예측 기법을 제안한다.
본 연구에서 다루고 있는 목표는 과거 연구와는 다르게, 피크시간의 태양광 발전량을 예측 할 때 피크시간의 예측된 기후 및 계절 정보 없이 피크시간 이전의 측정된 기후 정보, 계절 정보, 그리고 태양광 발전량만을 이용하여 예측하는 것이다.
,n,는 각각의 입력층, 순환층, 출력층에 있는 연결 가중치와 활성화 함수와의 계산을 통해 비선형 값으로 변환된다. 본 연구에서는 시간을 통한 역전파(Backpropagation Through Time Method) 기법을 적용하여 제안한 모델이 단기적 및 장기적 관점에서 숨겨진 시계열 패턴들의 파라미터들과 예측된 태양광 발전량과 실제 태양광 발전량과의 오차를 최소화하기 위한 연결 가중치를 찾기 위해 반복적으로 학습한다[11].
본 연구에서는 피크시간 이전의 측정된 기후, 계절 정보, 태양광 발전량 정보를 이용하여 피크시간의 태양광 발전량을 예측할 수 있는 LSTM 기반의 태양광 발전량 예측 분석 기법을 제안하였다. 본 연구에서 제안한 모델의 성능을 평가하기 위해 계절에 따른 평가와 피크 이전의 태양광 발전량과 피크시간의 태양광 발전량과의 변화 차이에 따른 실험을 제시하였다.

제안 방법

구체적으로 본 연구에서 제안한 LSTM 기반의 태양광 발전량 예측 모델은 장기적 관점에서 계절의 따른 태양광 발전량 변화의 경향성 뿐만 아니라 단기적 관점에서 하루 동안의 태양광 발전량 간의 복잡한 시계열 패턴을 모두 이해할 수 있도록 설계되었다. 실제 데이터를 이용한 본 연구에서 제안한 실험 결과, LSTM 기반의 태양광 발전량 예측 모델은 전체적으로 우수한 성능을 보였으며, 특히 예측하기 어려운 피크이전의 태양광 발전량과 피크시간의 태양광 발전량과의 차이가 많을 때에도 높은 성능을 보였다.
[Figure 1]은 피크시간 이전의 측정된 기후 정보, 계절 정보, 태양광 발전량 정보를 이용하여 LSTM 기반의 모델 학습 방법을 통한 태양광 발전량을 예측하기 위한 제안된 프레임워크를 나타낸다. 구체적으로 본 연구에서 제안한 프레임워크는 학습 과정과 테스트 과정으로 구성된다.
그러나 본 연구에서 제안한 프레임워크는 피크시간 이전의 정보들과 피크시간의 태양광 발전량과의 관계성을 이해함으로써 학습할 수 있도록 설계되었다.
기존 연구와는 달리 본 연구에서 제안한 모델은 미래의 기후 정보를 예측하지 않고 과거의 관측된 정보만을 이용하여 미래의 태양광 발전량을 예측하기 때문에 본 연구에서 제안한 모델을 기반으로 실험 데이터를 이용한 전반적인 성능 평가와 계절에 따른 성능 평가를 실시한다. 본 연구에서 제안하는 예측 모델들이 얼마나 실제 태양광 발전량을 잘 추정하는지 정량화하기 위해 주어진 입력 값에 대한 예측 된 태양광 발전량과 실제 발전량과의 차이를 평균 제곱 오차(RMSE)를 통해 계산한다.
두 번째, 머신러닝 기법 중 SVM과 KNN 기반으로 기후정보를 이용하여 태양광 발전량을 예측하였다[8, 29]. 또한, 태양광 발전량 예측 모델은 기후 정보를 예측 및 분류를 통하여 개발 되었다[9, 27].
또한 제안한 모델의 성능을 향상시키기 위해, 본 연구에서는 이전 연구들에서 성공적으로 적용된 파라미터들을 참고하여 드롭아웃 (Dropout)과 batch size는 0.3과 0.001으로 각각 적용하였고, 초기 가중치를 적절한 값으로 설정하는 것이 중요하지만 초기 값을 0에서 1로 랜덤하게 설정하였다[12]. 마지막으로 입력 및 출력 값은 단위를 일치시키기 위해 Min-Max 정규화를 사용하여 0에서 1사이로 범위로 변환 하였다[30].
001으로 각각 적용하였고, 초기 가중치를 적절한 값으로 설정하는 것이 중요하지만 초기 값을 0에서 1로 랜덤하게 설정하였다[12]. 마지막으로 입력 및 출력 값은 단위를 일치시키기 위해 Min-Max 정규화를 사용하여 0에서 1사이로 범위로 변환 하였다[30].
마지막으로 딥러닝 기반의 태양광 발전량을 예측하는 연구가 활발하게 진행되었다[2, 16, 17, 20, 25]. 먼저, 태양광 발전량을 예측하기 위해 은닉층의 개수가 하나인 ANN 기반의 태양광 발전량 예측 모델을 제안하였다[16, 25]. 나아가 여러 개의 은닉층을 이용하는 DNN기반의 태양광 발전량 예측 모델은 태양광 발전량 예측을 향상시키기 위해 제안되었고[16, 20], 또 다른 DNN 기반의 태양광 발전량 예측 모델은 맑은 날을 초점으로 태양광 발전량을 예측하기 위해 개발되었다[1].
본 연구에서 제안한 LSTM 기반의 모델은 입력 값, 활성화함수, 손실함수 및 최적화 기법을 기반으로 학습한다. LSTM 기반의 모델은 기존의 신경망 모델과는 달리 은닉층의 가중치 값을 서로 공유하기 때문에 순환층(Recurrent Layer)으로 구성 되어있다.
본 연구에서는 피크시간 이전의 측정된 기후, 계절 정보, 태양광 발전량 정보를 이용하여 피크시간의 태양광 발전량을 예측할 수 있는 LSTM 기반의 태양광 발전량 예측 분석 기법을 제안하였다. 본 연구에서 제안한 모델의 성능을 평가하기 위해 계절에 따른 평가와 피크 이전의 태양광 발전량과 피크시간의 태양광 발전량과의 변화 차이에 따른 실험을 제시하였다. 실험을 통해 본 연구에서 제안한 모델은 미래의 기후 및 계정 정보를 이용하지 않고 출력 값보다 짧은 시간의 입력 값으로 긴 시간의 출력 값을 예측한다는 어려움에도 불구하고 단기 및 장기적 관점에서 높은 성능을 보였다.
마지막으로 출력 게이트 o_i는 계산된 z_i와 탄젠트 함수를 통해 최종적으로 i번째의 피크시간의 태양광 발전량과 피크시간 바로 이전의 정보들 간의 관계 정보를 가지고 있는 단기 메모리 h_i의 저장의 양을 결정하고 출력한다. 세 개의 게이트를 통해 학습 과정에서 단기적과 장기적 관점에서 저장된 기억 메모리를 컨트롤하여 피크시간의 태양광발전량과 바로 이전의 정보들 간의 숨겨진 시계열 패턴을 찾기 위해 시도한다.
따라서 본 논문에서는 미래의 기후정보를 사용하지 않고 피크시간에서의 태양광 발전량 예측을 위한 LSTM(Long-Short Term Memory) 기반의 모델을 제안한다. 제안 된 모델은 피크시간 이전에 관측된 태양광 발전량과 기후정보만을 이용하여 피크시간 동안 태양광 발전량을 예측한다. 즉, 피크시간은 하루 중 태양광 발전량이 가장 많이 측정되는 시간이기 때문에 본 연구에서 제안한 모델을 이용하여 태양광 발전소 운영 계획과 이익을 최대화하는데 도움을 줄 수 있다.
[Figure 3]은 학습 및 검증 데이터를 이용하여 본 연구에서 제안한 LSTM 기반의 태양광 발전량 예측 모델의 학습과정 결과를 나타낸다. 제안된 모델은 학습에 사용되는 입력 값의 시계열 정보를 고려하여 배치사이즈를 1로 설정하였다. 또한 제안한 모델의 학습 반복 횟수는 100으로 설정하였고 조기종료 설정을 20으로 설정하였다.
[Figure 2]는 피크시간의 태양광 발전량을 예측하기 위해 제안된 모델의 네트워크 구조를 보여준다. 제안한 모델은 피크시간의 정확한 태양광 발전량을 예측하기 위해 단기 및 장기적 관점에서의 정보를 제어하는 셀을 가지고 있다. 따라서 순환층에 있는 셀들은 본 연구에서 제안한 모델이 학습하는 동안 피크시간 이전의 정보들과 피크시간 동안 태양광 발전량과의 숨겨진 시계열 관계성을 잘 이해할 수 있도록 하는 역할을 담당한다.
테스트 과정에서는 학습과정에서 사용하지 않는 데이터를 이용하여 모델의 성능을 평가한다. 따라서 모델의 성능은 실제 환경에서 생성된 데이터로 간주하여 테스트함으로써 실제 환경에 적용하여 태양광 발전량을 예측할 수 있다는 장점을 가진다.
운량의 범위는 0에서 10이며 높을수록 운량이 많아 날씨가 흐리다는 것을 나타낸다. 피크시간은 국가와 지역적 특성에 따라 다양한 시간으로 정의 되지만[28,29] 본 연구에서는 수집한 데이터를 기반으로 피크이전의 시간을 06:00～09:00, 피크시간을 10:00～14:00로 설정하였다. 따라서, 입력 값 n은 4로 설정하였고, 출력 값 m은 5로 설정하였다.
학습 과정에서는 노이즈를 포함하는 과거의 관측된 피크시간 이전의 기후, 계절, 태양광 발전량 데이터를 이용하여 피크시간의 태양광 발전량을 예측하기 위한 숨겨진 패턴을 찾기 위해 학습한다. 특히, 피크시간은 피크이전의 시간보다 길기 때문에 입력 값으로 사용되는 시계열 정보보다 출력 값의 시계열 정보가 더 길어 예측하기 어려움이 존재한다.
또한 순환층 개수는 2개로 설정하였다. 활성화 함수, 최적화 기법, 순환층 개수에 따라 모델의 성능은 차이가 발생하지만, 본 연구에서는 반복적인 실험을 통해 학습 파라미터들을 설정하였다.

대상 데이터

제안한 모델을 학습하기 위한 데이터는 2013년 1월부터 2015년 6월까지의 데이터 8,199개를 사용하였고 학습 시 유효성을 검증하기 위한 데이터는 2015년 7월부터 2015년 12월 까지는 데이터 1,656개를 사용하였다. 모델의 성능을 검증하기 위한 테스트 데이터는 2016년 3월, 4월, 8월, 10월의 데이터 1,107개를 사용하였다.
본 연구에서 제안한 LSTM 기반의 피크시간 태양광 발전량 예측 모델을 학습하기 위해 사용한 기상정보 데이터는 한국 기상청에서 제공하는 데이터를 수집하였고 태양광 발전량은 구미에 있는 과학기술연구지원 센터에 설치되어 있는 태양광 모듈에서 측정된 실제 태양광 발전량 데이터를 수집하였다.
[Table 3]은 제안한 모델을 학습 및 평가를 위해 사용된 데이터의 입력 및 출력 예시를 나타낸다. 제안한 모델을 학습하기 위한 데이터는 2013년 1월부터 2015년 6월까지의 데이터 8,199개를 사용하였고 학습 시 유효성을 검증하기 위한 데이터는 2015년 7월부터 2015년 12월 까지는 데이터 1,656개를 사용하였다. 모델의 성능을 검증하기 위한 테스트 데이터는 2016년 3월, 4월, 8월, 10월의 데이터 1,107개를 사용하였다.

데이터처리

기존 연구와는 달리 본 연구에서 제안한 모델은 미래의 기후 정보를 예측하지 않고 과거의 관측된 정보만을 이용하여 미래의 태양광 발전량을 예측하기 때문에 본 연구에서 제안한 모델을 기반으로 실험 데이터를 이용한 전반적인 성능 평가와 계절에 따른 성능 평가를 실시한다. 본 연구에서 제안하는 예측 모델들이 얼마나 실제 태양광 발전량을 잘 추정하는지 정량화하기 위해 주어진 입력 값에 대한 예측 된 태양광 발전량과 실제 발전량과의 차이를 평균 제곱 오차(RMSE)를 통해 계산한다. 평균 제곱 오차는 구체적으로 시간별 예측의 횟수가 r일 때 테스트 데이터에 대한 식 (7)을 통해 계산된다.

이론/모형

첫 번째, 하이브리드 및 시계열 분석 모델과 같은 통계적 방법을 기반으로 개발되어진 모델들은 기후 및 기상정보를 이용하여 태양광 발전량을 예측하였다[3, 6, 18, 19]. 구체적으로 재생 에너지원 하나 이상을 통합한 하이브리드 모델을 이용하여 기후 정보를 이용하여 태양광 발전량을 예측하였고[6, 18], 시계열을 통계적 기법 중 하나인 ARIMA 모델을 이용하여 태양광 발전량을 예측하였다[19].
학습 파라미터를 최적화하기 위해 사용되는 활성화 함수와 최적화 기법은 Rectified Linear Unit(ReLU)와 Adagrad를 각각 사용하였다. 또한 순환층 개수는 2개로 설정하였다.

성능/효과

모든 경우에 대해 기존 모델에 비해 상당히 낮은 오류를 보인다. 특히, (c)와 같이 피크이전의 태양광 발전량의 정보가 거의 없고 피크시간의 태양광 발전량의 변화가 급격히 증가할 경우에는 예측의 정확도가 많이 낮아지는 경향을 볼 수 있었다. 그러나 전체적으로 LSTM 기반의 피크시간 태양광 발전량 예측 모델은 단기 및 장기적 관점에서 숨겨진 시계 열 패턴과 정보를 학습함으로써 피크이전의 정보들만을 이용하여 단기 및 장기적 관점에서 피크시간의 태양광 발전량을 예측하는데 높은 성능을 보인다는 것을 알 수 있었다.
[Figure 5]의 (a)에서 볼 수 있듯이, LSTM 기반의 태양광 발전량 예측 모델은 피크이전의 태양광 발전량과 피크시간의 태양광 발전량과의 변화 차이가 작았을 때 높은 성능을 보인다는 것을 알 수 있다. 반면에, (b), (c)와 같이, 피크시간의 태양광 발전량의 변화가 급격히 증가할 경우에는 예측의 정확도가 낮아지는 것을 확인하였다. 모든 경우에 대해 기존 모델에 비해 상당히 낮은 오류를 보인다.
따라서 본 연구에서 제안한 실험을 통해 계절에 따라 태양광 발전량 예측의 성능을 평가 하였다. LSTM 기반의 피크시간 태양광 발전량 예측 모델은 모든 계절에 대해 높은 성능을 보였다. 그러나 봄과 가을과 같이 태양광 발전량의 변화가 큰 계절에 대해서는 정확도가 떨어지는 경향성을 보였다.
반면에, 태양광 발전량의 차이 변화가 증가하거나 급격히 증가할 때에는 예측의 정확도가 낮아지는 것을 확인하였다. 그러나 본 연구에서 제안한 모델은 피크이전의 기후, 계절, 측정된 태양광 발전량 정보만을 이용하여 피크시간의 태양광 발전량을 예측하였고, 짧은 시간의 정보를 입력 값으로 이용하여 입력 값보다 긴 시간의 출력 값을 예측하였기 때문에 더 어려운 문제임에도 불구하고 단기 및 장기적 관점에서 본 연구에서 제안한 모델이 높은 성능을 보인다는 것을 실험을 통해 확인하였다. 따라서 학습 과정의 피크시간의 태양광 발전량을 정확하게 예측하기 위해서는 단기 및 장기적 관점에서 숨겨진 시계열 패턴 뿐만 아니라 관계성을 학습 할 수 있는 모델을 사용해야 하는 것이 필수적이라는 것을 확인 하였다.
특히, (c)와 같이 피크이전의 태양광 발전량의 정보가 거의 없고 피크시간의 태양광 발전량의 변화가 급격히 증가할 경우에는 예측의 정확도가 많이 낮아지는 경향을 볼 수 있었다. 그러나 전체적으로 LSTM 기반의 피크시간 태양광 발전량 예측 모델은 단기 및 장기적 관점에서 숨겨진 시계 열 패턴과 정보를 학습함으로써 피크이전의 정보들만을 이용하여 단기 및 장기적 관점에서 피크시간의 태양광 발전량을 예측하는데 높은 성능을 보인다는 것을 알 수 있었다.
그리고 피크이전의 태양광 발전량과 피크시간의 태양광 발전량이 변화하는 차이에 따라 비교한 결과, 변화가 차이가 적을 때는 높은 성능을 보였다. 반면에, 태양광 발전량의 차이 변화가 증가하거나 급격히 증가할 때에는 예측의 정확도가 낮아지는 것을 확인하였다.
테스트 과정에서는 학습과정에서 사용하지 않는 데이터를 이용하여 모델의 성능을 평가한다. 따라서 모델의 성능은 실제 환경에서 생성된 데이터로 간주하여 테스트함으로써 실제 환경에 적용하여 태양광 발전량을 예측할 수 있다는 장점을 가진다.
그러나 봄과 가을에는 여름과 겨울에 비해 하루 중 피크이전의 시간의 태양광 발전량과 피크시간의 태양광 발전량과의 차이가 많이 발생할 뿐만 아니라 태양광의 변화가 심하기 때문에 예측하기 더 어려운 계절로 구분된다. 따라서 본 연구에서 제안한 모델은 여름과 겨울에 평균 제곱 오차가 낮은 반면에 봄과 가을에 평균 제곱 오차가 높았다. 또한, 봄과 가을에는 특정 주에 따라 평균 제곱 오차가 많이 발생하였다.
실험을 통해 본 연구에서 제안한 모델은 미래의 기후 및 계정 정보를 이용하지 않고 출력 값보다 짧은 시간의 입력 값으로 긴 시간의 출력 값을 예측한다는 어려움에도 불구하고 단기 및 장기적 관점에서 높은 성능을 보였다. 따라서 피크시간의 태양광 발전량을 잘 예측 하기 위해서는 단기 및 장기적 관점에서 피크시간의 태양광 발전량의 영향을 끼치는 과거의 데이터를 이용하여 예측하려는 태양광 발 전량과의 숨겨진 시계열 관계들을 이해할 수 있도록 반복적으로 학습할 수 있는 모델이 필요하며, 학습 기반의 모델을 통한 피크시간의 태양광 발전량 예측이 필수적이라는 것을 확인하였다.
그러나 본 연구에서 제안한 모델은 피크이전의 기후, 계절, 측정된 태양광 발전량 정보만을 이용하여 피크시간의 태양광 발전량을 예측하였고, 짧은 시간의 정보를 입력 값으로 이용하여 입력 값보다 긴 시간의 출력 값을 예측하였기 때문에 더 어려운 문제임에도 불구하고 단기 및 장기적 관점에서 본 연구에서 제안한 모델이 높은 성능을 보인다는 것을 실험을 통해 확인하였다. 따라서 학습 과정의 피크시간의 태양광 발전량을 정확하게 예측하기 위해서는 단기 및 장기적 관점에서 숨겨진 시계열 패턴 뿐만 아니라 관계성을 학습 할 수 있는 모델을 사용해야 하는 것이 필수적이라는 것을 확인 하였다.
LSTM 기반의 모델은 기존의 신경망 모델과는 달리 은닉층의 가중치 값을 서로 공유하기 때문에 순환층(Recurrent Layer)으로 구성 되어있다. 따라서, 본 연구에서 제안한 LSTM 기반의 피크시간 태양광 예측 모델은 학습 과정에서 사용되는 입력 값 x_i,i=1,...,n,는 각각의 입력층, 순환층, 출력층에 있는 연결 가중치와 활성화 함수와의 계산을 통해 비선형 값으로 변환된다. 본 연구에서는 시간을 통한 역전파(Backpropagation Through Time Method) 기법을 적용하여 제안한 모델이 단기적 및 장기적 관점에서 숨겨진 시계열 패턴들의 파라미터들과 예측된 태양광 발전량과 실제 태양광 발전량과의 오차를 최소화하기 위한 연결 가중치를 찾기 위해 반복적으로 학습한다[11].
그리고 피크이전의 태양광 발전량과 피크시간의 태양광 발전량이 변화하는 차이에 따라 비교한 결과, 변화가 차이가 적을 때는 높은 성능을 보였다. 반면에, 태양광 발전량의 차이 변화가 증가하거나 급격히 증가할 때에는 예측의 정확도가 낮아지는 것을 확인하였다. 그러나 본 연구에서 제안한 모델은 피크이전의 기후, 계절, 측정된 태양광 발전량 정보만을 이용하여 피크시간의 태양광 발전량을 예측하였고, 짧은 시간의 정보를 입력 값으로 이용하여 입력 값보다 긴 시간의 출력 값을 예측하였기 때문에 더 어려운 문제임에도 불구하고 단기 및 장기적 관점에서 본 연구에서 제안한 모델이 높은 성능을 보인다는 것을 실험을 통해 확인하였다.
[Table 4]와 [Figure 4]는 본 연구에서 제안한 피크시간의 태양광 발전량 예측 모델의 계절에 따른 성능결과를 나타낸다. 본 연구에서 제안한 모델은 전반적으로 높은 성능을 보였다. 그러나 봄과 가을에는 여름과 겨울에 비해 하루 중 피크이전의 시간의 태양광 발전량과 피크시간의 태양광 발전량과의 차이가 많이 발생할 뿐만 아니라 태양광의 변화가 심하기 때문에 예측하기 더 어려운 계절로 구분된다.
구체적으로 본 연구에서 제안한 LSTM 기반의 태양광 발전량 예측 모델은 장기적 관점에서 계절의 따른 태양광 발전량 변화의 경향성 뿐만 아니라 단기적 관점에서 하루 동안의 태양광 발전량 간의 복잡한 시계열 패턴을 모두 이해할 수 있도록 설계되었다. 실제 데이터를 이용한 본 연구에서 제안한 실험 결과, LSTM 기반의 태양광 발전량 예측 모델은 전체적으로 우수한 성능을 보였으며, 특히 예측하기 어려운 피크이전의 태양광 발전량과 피크시간의 태양광 발전량과의 차이가 많을 때에도 높은 성능을 보였다.
본 연구에서 제안한 모델의 성능을 평가하기 위해 계절에 따른 평가와 피크 이전의 태양광 발전량과 피크시간의 태양광 발전량과의 변화 차이에 따른 실험을 제시하였다. 실험을 통해 본 연구에서 제안한 모델은 미래의 기후 및 계정 정보를 이용하지 않고 출력 값보다 짧은 시간의 입력 값으로 긴 시간의 출력 값을 예측한다는 어려움에도 불구하고 단기 및 장기적 관점에서 높은 성능을 보였다. 따라서 피크시간의 태양광 발전량을 잘 예측 하기 위해서는 단기 및 장기적 관점에서 피크시간의 태양광 발전량의 영향을 끼치는 과거의 데이터를 이용하여 예측하려는 태양광 발 전량과의 숨겨진 시계열 관계들을 이해할 수 있도록 반복적으로 학습할 수 있는 모델이 필요하며, 학습 기반의 모델을 통한 피크시간의 태양광 발전량 예측이 필수적이라는 것을 확인하였다.
제안 된 모델은 피크시간 이전에 관측된 태양광 발전량과 기후정보만을 이용하여 피크시간 동안 태양광 발전량을 예측한다. 즉, 피크시간은 하루 중 태양광 발전량이 가장 많이 측정되는 시간이기 때문에 본 연구에서 제안한 모델을 이용하여 태양광 발전소 운영 계획과 이익을 최대화하는데 도움을 줄 수 있다.

후속연구

본 연구의 결과는 미래의 기후 및 계절 정보 예측 없이 피크시간의 태양광 발전량을 예측 하기 때문에 특정 지역과 무관하게 본 연구에서 제안한 모델을 활용하여 실제 환경에서 적용할 수 있을 것이다. 또한, 태양광 발전량 시스템을 이용하고 있는 대규모 공정에서는 본 연구에서 제안한 모델을 활용하여 태양광 발전량을 예측함으로써 합리적인 경제성을 확보 하고 발전소 운영 계획을 안정화할 수 있을 것이다.
본 연구의 결과는 미래의 기후 및 계절 정보 예측 없이 피크시간의 태양광 발전량을 예측 하기 때문에 특정 지역과 무관하게 본 연구에서 제안한 모델을 활용하여 실제 환경에서 적용할 수 있을 것이다. 또한, 태양광 발전량 시스템을 이용하고 있는 대규모 공정에서는 본 연구에서 제안한 모델을 활용하여 태양광 발전량을 예측함으로써 합리적인 경제성을 확보 하고 발전소 운영 계획을 안정화할 수 있을 것이다.
태양광 발전량은 일사량, 온도와 같은 다양한 기상 요인들로부터 영향을 받는 것으로 알려져 있다[28]. 이러한 기후 정보들은 특정 지역에 따라 알 수 없고 광범위 지역에 대한 정보만을 알 수 있는 한계점이 존재한다. 또한, 기후정보들은 시간 및 지역 기후조건에 따라 역동적으로 변화하기 때문에 기후정보를 예측하는 것은 한계점이 존재한다[20].
향후 연구에서는 피크시간의 태양광 발전량 예측의 성능을 향상시키기 위해 추가적인 눈, 태풍, 기압과 같은 정보들을 활용하여 모델의 성능을 향상시킬 수 있는 연구가 필요하다.

질의응답

핵심어	질문	논문에서 추출한 답변
	태양광 발전량 예측은 무엇인가?	태양광 발전량(Photovoltaic Power) 예측은 태양광 발전량 설비 시스템의 안정적인 작동을 위한 조정 계획, 설비 규격 결정 및 효율적인 생산 계획 일정을 수립하기 위해 필수적인 요소이다[1]. 대규모 태양광 발전소에서 생산된 태양광 발전량의 양은 기상 조건 및 시스템 작동 능력과 저장 용량 크기를 결정하는 능력에 따라 크게 달라진다.
	발전소 운영자가 발전소의 전반적인 운영 계획을 결정하기 어려운 이유는 무엇인가?	태양광 발전량(Photovoltaic Power) 예측은 태양광 발전량 설비 시스템의 안정적인 작동을 위한 조정 계획, 설비 규격 결정 및 효율적인 생산 계획 일정을 수립하기 위해 필수적인 요소이다[1]. 대규모 태양광 발전소에서 생산된 태양광 발전량의 양은 기상 조건 및 시스템 작동 능력과 저장 용량 크기를 결정하는 능력에 따라 크게 달라진다. 이러한 이유로 인해 발전소 운영자는 발전소의 전반적인 운영 계획을 결정하기 어려울 수 있다.
	피크시간의 태양광 발전량 예측이 중요한 이유는 무엇인가?	최근 태양광 발전량 예측은 태양광 발전량 설비 시스템의 안정적인 작동을 위한 조정 계획, 설비 규격 결정 및 생산 계획 일정을 수립하기 위해 필수적인 요소로 고려된다. 특히, 대부분의 태양광 발전량은 피크시간에 측정되기 때문에, 태양광 시스템 운영자의 이익 최대화와 전력 계통량 안정화를 위해 피크시간의 태양광 발전량 예측은 매우 중요한 요소이다. 또한, 기존 연구들은 광범위한 지역에서 예측된 불확실한 기후 정보들을 이용하여 태양광 발전량을 예측하는 한계점 때문에 일사량, 운량, 온도 등과 기상정보 없이 피크시간의 태양광 발전량을 예측하는 것은 매우 어려운 문제로 고려된다.

참고문헌 (31)

Ahn, S., Kang, H., Cho, J., Kim T.-O., and Shin, D., "Forecasting Model Design of Fire Occurrences with ARIMA Models," Journal of the Korean Institute for Gas, Vol. 19, No. 2, pp. 20-28, 2015.

원문보기 상세보기
Ashraf, I. and Chandra, A., "Artificial Neural Network Based Models for Forecasting Electricity Generation of Grid Connected Solar PV Power Plant," International Journal of Global Energy Issues, Vol. 21, No. 1-2, pp. 119-130, 2004.
Bacher, P., Madsen, H., and Nielsen, H.A., "Online Short-term Solar Power Forecasting," Solar Energy, Vol. 83, No. 10, pp. 1772-1783, 2009.

상세보기
Choi, J., Shin Y., and Lee, I.-W., "DER Energy Management System for Optimal Management of Grid-Connected Microgrids," The Journal of Korean Institue of Communications and Information Sciences, Vol. 42, No. 4, pp. 932-938, 2017.

원문보기 상세보기
Chan, S. C., Tsui, K. M., Wu, H. C., Hou, Y., Wu, Y. C., and Wu, F. F., "Load/Price Forecasting and Managing Demand Response for Smart Grids," Proceedings of Methodologies and Challenges, Vol. 29, No. 5, pp. 68-85, 2012.
Chattopadhyay, K., Kies, A., Lorenz, E., von Bremen, L., and Heinemann, D., "The Impact of Different PV Module Configurations on Storage and Additional Balancing Needs for A Fully Renewable European Power System," Journal of Renewable Energy, Vol. 113, pp. 176-189, 2017.

상세보기
Chung, W. H., Park, G., Gu, Y. H., Kim, S., Yoo, S. J., and J. Y., "City Gas Pipeline Pressure Prediction Model," The Journal of Society for e-Business Studies, Vol. 23, No. 2, pp. 33-77, 2018.

원문보기 상세보기
De Giorgi, M. G., Malvoni, M., and Congedo, P. M., "Comparison of Strategies for Multi-step Ahead Photovoltaic Power Forecasting Models Based on Hybrid Group Method of Data Handling Networks and Least Square Support Vector Machine," Energy, Vol. 107, pp. 360-373, 2016.

상세보기
Da Silva Fonseca, Jr, J. G., Oozeki, T., Takashima, T., Koshimizu, G., Uchida, Y., and Ogimoto, K., "Use of Support Vector Regression and Numerically Predicted Cloudiness to Forecast Power Output of A Photovoltaic Power Plant in Kitakyushu, Japan," Proceedings of Photovoltaics: Research and Applications, Vol. 20, No. 7, pp. 874-882, 2012.

상세보기
Donahue, J., Anne Hendricks, L., Guadarrama, S., Rohrbach, M., Venugopalan, S., Saenko, K., and Darrell, T., "Long-term Recurrent Convolutional Networks for Visual Recognition and Description," Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp. 2625-2634, 2015.
Graves, A., "Generating Sequences With Recurrent Neural Networks," arXiv preprint arXiv:1308.0850, 2013.
Greff, K., Srivastava, R. K., Koutnik, J., Steunebrink, B. R., and Schmidhuber, J., "LSTM: A Search Space Odyssey," IEEE Transactions on Neural Networks and Learning Systems, Vol. 28, No. 10, pp. 2222-2232, 2016.

상세보기
Glorot, X. and Bengio, Y., "Understanding The Difficulty of Training Deep Feedforward Neural Networks," Proceedings of The Thirteenth International Conference on Artificial Intelligence and Statistics, pp. 249-256, 2010.
Hoffmann, W., "PV Solar Electricity Industry: Market Growth and Perspective," Solar Energy Materials and Solar Cells, Vol. 90, No. 18-19, pp. 3285-3311, 2006.

상세보기
Iglesias, G., Kale, D. C., and Liu, Y., "An Examination of Deep Learning for Extreme Climate Pattern Analysis," Proceedings of International Workshop on Climate Informatics, 2015.
Izgi, E., Oztopal, A., Yerli, B., Kaymak, M.K., and Sahin, A. D., "Short-mid-term Solar Power Prediction by Using Artificial Neural Networks," Solar Energy, Vol. 86, No. 2, pp. 725-733, 2012.

상세보기
Jiahao, K., Jun, L., Qifan, L., Wanliang, F., Zhenhuan, C., Linlin, L., and Tieying, G., "Photovoltaic Power Forecasting Based on Artificial Neural Network and Meteorological Data," Proceedings of International Conference of IEEE Regional World Map, pp. 1-4, 2013.
Jurasz, J. and Ciapala, B., "Solar-hydro Hybrid Power Station As A Way to Smooth Power Output and Increase Water Retention," Solar Energy, Vol. 173, pp. 675-690, 2018.

상세보기
Li, Y., Su, Y., and Shu, L., "An ARMAX Model for Forecasting The Power Output of A Grid Connected Photovoltaic System," Renewable Energy, Vol. 66, pp. 78-89, 2014.

상세보기
Lee, H. and Kim, H., "Deep Learning Based Prediction Method of Long-term Photovoltaic Power Generation Using Meteorological and Seasonal Information," The Journal of Society for e-Business Studies, Vol. 24, No. 1, pp. 1-16, 2019.
Maqsood, I., Khan, M. R., and Abraham, A., "An Ensemble of Neural Networks for Weather Forecasting," Neural Computing and Applications, Vol. 13, No. 2, pp. 112-122, 2004.

상세보기
Ordonez, F. and Roggen, D., "Deep Convolutional and LSTM Recurrent Neural Networks for Multimodal Wearable Activity Recognition," Sensors, Vol. 16, No. 1, 2016.

상세보기
Park, J., Lee, C., and Kim, S., "Survey and Analysis of DR Resources Potential for Each Sectors," Proceedings of The Korean Institute of Electrical Engineers, pp. 180-181, 2012.
Rowlands, I. H., "Solar PV Electricity and Market Characteristics: Two Canadian Case-studies," Renewable Energy, Vol. 30, No. 6, pp. 815-834, 2005.

상세보기
Sulaiman, S. I., Rahman, T. K. A., and Musirin, I., "Partial Evolutionary ANN for Output Prediction of a Grid-Connected Photovoltaic System," International Journal of Computer and Electrical Engineering, Vol. 1, No. 1, pp. 40-45, 2009.
Shaheen, N. I. and Ahmed, O., "Simple Methodology to Predict Local Temperature and Humidity," In ASHRAE Transactions, 1998.
Shi, J., Lee, W. J., Liu, Y., Yang, Y., and Wang, P., "Forecasting Power Output of Photovoltaic Systems Based on Weather Classification and Support Vector Machines," IEEE Transactions on Industry Applications, Vol. 48, No. 3, pp. 1064-1069, 2012.

상세보기
Yona, A., Senjyu, T., Funabashi, T., Mandal, P., and Kim, C. H., "Optimizing Re-planning Operation for Smart House Applying Solar Radiation Forecasting," Applied Sciences, Vol. 4, No. 3, pp. 366-379, 2014.

상세보기
Zeng, J. and Qiao, W., "Short-term Solar Power Prediction Using A Support Vector Machine," Renewable Energy, Vol. 52, pp. 118-127, 2013.

상세보기
Zaremba, W., Sutskever, I., and Vinyals, O., "Recurrent Neural Network Regularization," arXiv preprint arXiv:1409.2329, 2014.
Zhou, Y., Wang, C., Wu, J., Wang, J., Cheng, M., and Li, G., "Optimal Scheduling of Aggregated Thermostatically Controlled Loads with Renewable Generation in the Intraday Electricity Market," Applied Energy, Vol. 188, pp. 456-465, 2017.

상세보기

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

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