기후 및 계절정보를 이용한 딥러닝 기반의 장기간 태양광 발전량 예측 기법 Deep Learning Based Prediction Method of Long-term Photovoltaic Power Generation Using Meteorological and Seasonal Information원문보기
최근 온실가스의 증가로 인한 기후변화 대응의 필요성과 전력수요의 증가로 인해 태양광발전량(PV) 예측의 중요성은 급격히 증가하고 있다. 특히, 태양광 발전량을 예측하는 것은 합리적인 전력 가격결정과 시스템 안정성 및 전력 생산 균형과 같은 문제를 효과적으로 해결하기 위해 전력생산 계획을 합리적으로 계획하는데 도움이 될 수 있다. 그러나 일사량, 운량, 온도 등과 같은 기후정보 및 계절 변화로 인한 태양광 발전량이 무작위적으로 변화하기 때문에 정확한 태양광 발전량을 예측하는 것은 도전적인 일이다. 따라서 본 논문에서는 딥러닝 모델을 통해 기후 및 계절정보를 이용하여 학습함으로써 장기간 태양광 발전량 예측 성능을 향상시킬 수 있는 기법을 제안한다. 본 연구에서는 대표적인 시계열 방법 중 하나인 계절형 ARIMA 모델과 하나의 은닉층으로 구성되어 있는 ANN 기반의 모델, 하나 이상의 은닉층으로 구성되어 있는 DNN 기반의 모델과의 비교를 통해 본 연구에서 제시한 모델의 성능을 평가한다. 실데이터를 통한 실험 결과, 딥러닝 기반의 태양광 발전량 예측 기법이 가장 우수한 성능을 보였으며, 이는 본 연구에서 목표로 한 태양광 발전량 예측 성능 향상에 긍정적인 영향을 나타내었음을 보여준다.
최근 온실가스의 증가로 인한 기후변화 대응의 필요성과 전력수요의 증가로 인해 태양광발전량(PV) 예측의 중요성은 급격히 증가하고 있다. 특히, 태양광 발전량을 예측하는 것은 합리적인 전력 가격결정과 시스템 안정성 및 전력 생산 균형과 같은 문제를 효과적으로 해결하기 위해 전력생산 계획을 합리적으로 계획하는데 도움이 될 수 있다. 그러나 일사량, 운량, 온도 등과 같은 기후정보 및 계절 변화로 인한 태양광 발전량이 무작위적으로 변화하기 때문에 정확한 태양광 발전량을 예측하는 것은 도전적인 일이다. 따라서 본 논문에서는 딥러닝 모델을 통해 기후 및 계절정보를 이용하여 학습함으로써 장기간 태양광 발전량 예측 성능을 향상시킬 수 있는 기법을 제안한다. 본 연구에서는 대표적인 시계열 방법 중 하나인 계절형 ARIMA 모델과 하나의 은닉층으로 구성되어 있는 ANN 기반의 모델, 하나 이상의 은닉층으로 구성되어 있는 DNN 기반의 모델과의 비교를 통해 본 연구에서 제시한 모델의 성능을 평가한다. 실데이터를 통한 실험 결과, 딥러닝 기반의 태양광 발전량 예측 기법이 가장 우수한 성능을 보였으며, 이는 본 연구에서 목표로 한 태양광 발전량 예측 성능 향상에 긍정적인 영향을 나타내었음을 보여준다.
Recently, since responding to meteorological changes depending on increasing greenhouse gas and electricity demand, the importance prediction of photovoltaic power (PV) is rapidly increasing. In particular, the prediction of PV power generation may help to determine a reasonable price of electricity...
Recently, since responding to meteorological changes depending on increasing greenhouse gas and electricity demand, the importance prediction of photovoltaic power (PV) is rapidly increasing. In particular, the prediction of PV power generation may help to determine a reasonable price of electricity, and solve the problem addressed such as a system stability and electricity production balance. However, since the dynamic changes of meteorological values such as solar radiation, cloudiness, and temperature, and seasonal changes, the accurate long-term PV power prediction is significantly challenging. Therefore, in this paper, we propose PV power prediction model based on deep learning that can be improved the PV power prediction performance by learning to use meteorological and seasonal information. We evaluate the performances using the proposed model compared to seasonal ARIMA (S-ARIMA) model, which is one of the typical time series methods, and ANN model, which is one hidden layer. As the experiment results using real-world dataset, the proposed model shows the best performance. It means that the proposed model shows positive impact on improving the PV power forecast performance.
Recently, since responding to meteorological changes depending on increasing greenhouse gas and electricity demand, the importance prediction of photovoltaic power (PV) is rapidly increasing. In particular, the prediction of PV power generation may help to determine a reasonable price of electricity, and solve the problem addressed such as a system stability and electricity production balance. However, since the dynamic changes of meteorological values such as solar radiation, cloudiness, and temperature, and seasonal changes, the accurate long-term PV power prediction is significantly challenging. Therefore, in this paper, we propose PV power prediction model based on deep learning that can be improved the PV power prediction performance by learning to use meteorological and seasonal information. We evaluate the performances using the proposed model compared to seasonal ARIMA (S-ARIMA) model, which is one of the typical time series methods, and ANN model, which is one hidden layer. As the experiment results using real-world dataset, the proposed model shows the best performance. It means that the proposed model shows positive impact on improving the PV power forecast performance.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
따라서 본 논문에서는 장기간 태양광 발전량 예측 성능을 향상시키기 위해 일사량뿐만 아니라 온도, 습도, 일사량 등의 기상정보와 계절정보를 이용하여 계절정보를 반영하지 못했던 문제점을 해결하고 딥러닝 모델 기반의 태양광 발전량 예측 기법을 제안한다. 실 데이터를 통한 실험결과, 본 연구에서 제안한 기후 및 계절정보를 이용한 딥러닝 기반의 기법이 가장 우수한 성능을 보였으며, 이는 본 연구에서 목표로 한 태양광 발전량 예측 성능 향상에 긍정적인 영향을 나타내었음을 보여준다.
하지만 기존 연구들에서는 기상정보만을 이용하여 시계열 분석 기법과 인공신경망 모델을 활용하여 태양광 발전량을 예측하는데 초점을 두고 있다. 따라서 본 연구에서는 계절정보를 추가적으로 사용하여 계절적 특성을 반영하지못했던 문제점을 해결하고 딥러닝 기반의 장기간 태양광 발전량 예측 기법을 제안한다.
날씨 유형에 따라 분류 된 과거 유형과 가장 유사한 기상 유형을 날씨 데이터를 분류 한 후 ANN 기반의 모델을 통해 예측하였고[7], ANN 기반의 모델 중 Radial Basis Function Network(RBFN)를 사용하여 태양광 발전량을 예측하였다[4]. 마지막으로 기상정보를 기반으로 DNN 기반의 모델을 이용하여 태양광 발전량 장기 예측에 대해 연구하였다[16]. 하지만 기존 연구들에서는 기상정보만을 이용하여 시계열 분석 기법과 인공신경망 모델을 활용하여 태양광 발전량을 예측하는데 초점을 두고 있다.
본 연구에서는 기후 및 계절정보를 이용한 딥러닝 기반의 장기간 태양광 발전량 예측 분석 기법을 제안하였다. 본 연구에서 제안한 모델들의 성능을 평가하기 위해 2가지 방법을 제시하였다.
특히, [Figure 4]는 태양광 발전량 변화에 대해 단기적인 관점에서 성능을 평가한 것을 나타낸다. 여기에서는 태양광 예측 난이도에 따라 성능을 비교하기 위해 매일의 태양광 발전량 출력 변화의 수를 계산한다.
우리의 연구목표는 기후 및 계절정보를 이용하여 제안한 모델을 통해 장기간 태양광 발전량을 예측하는 것이다. [Table 2]는 장기간 태양광 발전량 예측을 위해 고려되어진 변수를 나타낸다.
제안 방법
., n과의 오차를 최소화하는 연결 가중치 값을 찾기 위해 Backpropagation기법을 기반으로 출력층에서 입력층으로 직선방향으로 각 연결 가중치를 변경함으로써 반복적으로 학습한다. 따라서 학습된 연결 가중치 값은 학습에 사용하지 않은 데이터를 기반으로 기후 및 계절 정보를 이용하여 태양광 발전량을 예측하고, 실제 태양광 발전량과의 차이를 통해 성능을 평가한다.
특히 기상정보를 분류하여 예측함으로써 성능을 향상시켰다[25]. 그리고 기상정보를 이용한 인공신경망 모델 중 하나인 ANN 기반의 모델 기반의 태양광 발전량 예측 기법에 대해 연구하였고[11, 26], 은닉층의 신경망을 층으로 쌓아 만든 DNN 기반의 모델 기반의 단기 예측기법을 제시하였다[1, 28].
[20]의 연구에서는 시계열 분석 모델뿐만 아니라 추가적으로 Multivariate Adaptive Regression (MAR), KNN모델들과의 성능 비교를 통해 연구를 확장시킴으로써 장기 예측 분석 기법에 대해 연구하였다. 날씨 유형에 따라 분류 된 과거 유형과 가장 유사한 기상 유형을 날씨 데이터를 분류 한 후 ANN 기반의 모델을 통해 예측하였고[7], ANN 기반의 모델 중 Radial Basis Function Network(RBFN)를 사용하여 태양광 발전량을 예측하였다[4]. 마지막으로 기상정보를 기반으로 DNN 기반의 모델을 이용하여 태양광 발전량 장기 예측에 대해 연구하였다[16].
다음으로 장기간 예측 측면에서 보면, 기상 정보를 이용하여 Exogenous Autoregressive Moving Average(ARMAX), ARIMA 모델 등 통계적 시계열 분석 기법을 통해 태양광 발전량 예측에 대해 연구하였다[20, 21]. 특히 Li et al.
첫 번째, 4계절 4주 동안의 제안한 모델에 따른 예측 태양광 발전량과 실제 태양광 발전량과의 오차를 통해 성능을 평가하였다. 두 번째, 태양광 발전량이 피크시간에 높게 출력되었을 때와 낮게 출력되었을 때의 예측을 통해 성능을 평가하였다. 실험을 통해 본 연구에서 제안한 모델들의 성능을 평가한 결과 태양광 발전량을 잘 예측하기 위해서는 태양광 발전량의 영향을 끼치는 과거 기후 정보뿐만 아니라 계절 정보를 이용하여 반복적으로 학습이 필요한 모델이 필요하며, 학습 모델 중 은닉층의 개수가 두 개 또는 두 개 이상인 딥러닝 기반의 모델을 통한 태양광 발전량 예측이 필수적이라는 것을 확인하였다.
이 모델은 ANN 기반의 모델과 동일한 활성화함수, 손실 함수, 최적화 기법을 사용하여 실제 태양광 발전량과의 오차를 최소화하기 위해 반복적으로 학습한다. 따라서 ANN 기반의 모델과 마찬가지로 학습에 사용하지 않은 데이터를 기반으로 기후 및 계절 정보를 이용하여 태양광 발전량을 예측하고, 성능을 평가한다.
이전 연구들에서 단기간에 에 대한 정의를 4시간 예측과[14] 하루 동안의 태양광 발전량을 예측으로 정의하였으나[27], 또 다른 이전 연구에서는 장기간을 하루 동안으로 정의하였다[31]. 따라서 본 연구에서는 이전 연구들을 고려하여 단기간을 하루 이전의 시간으로 정의하였고, 장기간을 하루 또는 하루 이상으로 정의하였다.먼저 태양광 발전량 단기간 예측 연구에 대해 살펴보면, ARIMA, K-nearest neighbors(KNN), ANN 기반의 모델 등을 이용하여 태양광 발전량 예측 비교를 통해 평가하였고[24], 머신러닝 기법 중 Support Vector Machine(SVM)을 이용한 태양광 발전량 예측 기법을 제시하였다[5, 25].
학습 반복 횟수가 많으면 많은 과적합(Overfitting)으로 인해 모델의 성능이 저하될 수도 있고, 학습 반복 횟수가 적으면 소적합(Underfitting)으로 인해 모델의 성능이 저하가 발생하여 성능이 저하될 수 있다. 따라서 우리는 반복적인 실험을 통해 학습 반복 횟수를 설정하였다.
학습에 사용되는 데이터를 기반으로 기후 및 계절정보에 대한 입력 값과 장기간의 태양광 발전량에 대한 출력 값과의 시계열적인 관계에 대해 근본적인 영향을 미치는 요소를 실용적인 접근법을 이용하여 식 (1), 식 (2) 계산을 통해 S-ARIMA 모델의 파라미터 p, d, q, P, D, Q, z를 최적의 값으로 결정한다[8, 29]. 따라서 최적의 파라미터를 통해 학습에 사용하지 않은 데이터를 기반으로 태양광 발전량을 예측하고,실제 태양광 발전량과의 차이를 통해 성능을 평가한다.
계절형 ARIMA(S-ARIMA)모델은 ARIMA 모델과 주기의 자료들 간의 관계를 동시에 반영한 모형으로 계절성을 보이는 시계열 분석에 널리 사용된다. 따라서 태양광 발전량은 기후 및 계절정보에 따라 영향을 많이 받기 때문에, 기후 및 계절정보를 고려하여 S-ARIMA 기반의 모델을 통해 태양광 발전량을 예측하고 평가한다.
, n과의 오차를 최소화하는 연결 가중치 값을 찾기 위해 Backpropagation기법을 기반으로 출력층에서 입력층으로 직선방향으로 각 연결 가중치를 변경함으로써 반복적으로 학습한다. 따라서 학습된 연결 가중치 값은 학습에 사용하지 않은 데이터를 기반으로 기후 및 계절 정보를 이용하여 태양광 발전량을 예측하고, 실제 태양광 발전량과의 차이를 통해 성능을 평가한다.
예를 들어, 시계열 분석 기법 중 하나인 Autoregressive Integrated Moving Average(ARIMA) 모델을 이용하여 태양광 발전량 예측 정확도를 평가하였다[24]. 또한 제한적인 환경에서 기상정보 데이터를 이용하여 Artificial Neural Network(ANN) 모델 기반의 단시간 태양광 발전량을 예측하였고 일사량과 온도정보 데이터를 이용하여 Deep Neural Network(DNN) 모델 기반의 단기 태양광 예측 기법에 대해 연구하였다[28]. 그리고 단기 예측뿐만 아니라 기상정보를 이용하여 DNN 모델 기반의 태양광 발전량 예측 기법에 대한 연구도 진행 되었다[16].
S-ARIMA 기반의 모델은 실용적인 접근법을 이용하여 4월(2, 0, 13)(1, 0, 2)4, 8월(2, 0, 13)(1, 0, 2)4 10월(2, 0, 2)(1, 0, 2)4, 3월(2, 0, 13)(1, 0, 2)4으로 각각 설정하였다 [8,29]. 또한, 제안한 DNN 기반의 모델에서 은닉층의 수에 따른 모델의 성능을 평가하기 위해 은닉층의 수가 4개인 C_DNN을 모델을 추가적으로 설정하여 실험하였다.
따라서 본 연구에서는 이전 연구들을 고려하여 단기간을 하루 이전의 시간으로 정의하였고, 장기간을 하루 또는 하루 이상으로 정의하였다.먼저 태양광 발전량 단기간 예측 연구에 대해 살펴보면, ARIMA, K-nearest neighbors(KNN), ANN 기반의 모델 등을 이용하여 태양광 발전량 예측 비교를 통해 평가하였고[24], 머신러닝 기법 중 Support Vector Machine(SVM)을 이용한 태양광 발전량 예측 기법을 제시하였다[5, 25]. 특히 기상정보를 분류하여 예측함으로써 성능을 향상시켰다[25].
본 연구에서는 기후 및 계절정보를 이용한 딥러닝 기반의 장기간 태양광 발전량 예측 분석 기법을 제안하였다. 본 연구에서 제안한 모델들의 성능을 평가하기 위해 2가지 방법을 제시하였다. 첫 번째, 4계절 4주 동안의 제안한 모델에 따른 예측 태양광 발전량과 실제 태양광 발전량과의 오차를 통해 성능을 평가하였다.
테스트 과정에서는 학습 과정에서 학습된 연결 가중치를 사용한다. 연결 가중치는 학습 과정에서 사용하지 않는 입력 값 vec(x)i를 이용하여 학습된 모델을 기반으로 예측된 태양광 발전량과 실제 태양광 발전량과의 차이를 계산하여 태양광 발전량 예측의 성능을 평가한다.
DNN 기반의 모델은은닉층의 수가 증가함에 따라 매개변수의 수가 증가하기 때문에 학습하는데 어려움이 있었으나 Backpropagation 알고리즘으로 문제점을 해결함으로써 ANN 기반의 모델보다 더 높은 성능을 보인다. 우리는 반복적인 실험을 통해은닉층의 개수를 7개로 설정하였다. 이 모델은 ANN 기반의 모델과 동일한 활성화함수, 손실 함수, 최적화 기법을 사용하여 실제 태양광 발전량과의 오차를 최소화하기 위해 반복적으로 학습한다.
우리는 반복적인 실험을 통해은닉층의 개수를 7개로 설정하였다. 이 모델은 ANN 기반의 모델과 동일한 활성화함수, 손실 함수, 최적화 기법을 사용하여 실제 태양광 발전량과의 오차를 최소화하기 위해 반복적으로 학습한다. 따라서 ANN 기반의 모델과 마찬가지로 학습에 사용하지 않은 데이터를 기반으로 기후 및 계절 정보를 이용하여 태양광 발전량을 예측하고, 성능을 평가한다.
ANN 기반의 모델은 예측, 인지 등 많은 분야에 적용되어 높은 성능을 보였다[2, 13]. 이 모델은 입력층, 은닉층, 출력층으로 이루어져 있는 인공신경망 모델이며, 우리는 은닉층이 하나인 ANN 기반의 모델을 제안한다. 이 모델은 입력값 vec(x)i를 이용하여 가중치, 활성화함수, 손실함수 및 최적화 기법을 통해 실제 태양광 발전량과의 차이를 최소화하기 위해 반복적으로 학습한다.
본 연구에서 제안한 모델들의 성능을 평가하기 위해 2가지 방법을 제시하였다. 첫 번째, 4계절 4주 동안의 제안한 모델에 따른 예측 태양광 발전량과 실제 태양광 발전량과의 오차를 통해 성능을 평가하였다. 두 번째, 태양광 발전량이 피크시간에 높게 출력되었을 때와 낮게 출력되었을 때의 예측을 통해 성능을 평가하였다.
대상 데이터
제안한 모델을 학습하기 위한 데이터는 2013년 1월부터 2015년 2월까지의 데이터를 사용하였고 학습 시 유효성을 검증하기 위한 데이터는 2015년 3월부터 2015년 8월까지는 데이터를 사용하였다. 모델의 성능을 검증하기 위한 테스트 데이터는 2016년 3월, 4월, 8월, 10월의 데이터를 사용하였다. S-ARIMA 기반의 모델은 실용적인 접근법을 이용하여 4월(2, 0, 13)(1, 0, 2)4, 8월(2, 0, 13)(1, 0, 2)4 10월(2, 0, 2)(1, 0, 2)4, 3월(2, 0, 13)(1, 0, 2)4으로 각각 설정하였다 [8,29].
본 연구에서 제안한 딥러닝 기반의 모델을 학습하기 위해 사용한 기상정보 데이터는 한국기상청에서 제공하는 데이터를 수집하였다. [Table 3]은 수집된 데이터의 예를 보여준다.
제안한 모델을 학습하기 위한 데이터는 2013년 1월부터 2015년 2월까지의 데이터를 사용하였고 학습 시 유효성을 검증하기 위한 데이터는 2015년 3월부터 2015년 8월까지는 데이터를 사용하였다. 모델의 성능을 검증하기 위한 테스트 데이터는 2016년 3월, 4월, 8월, 10월의 데이터를 사용하였다.
이론/모형
이와 같은 문제를 해결하기 위해 태양광 발전량을 예측하기 위한 시계열 분석과 인공지능 기반의 기법을 통해 많은 연구가 진행되었다. 예를 들어, 시계열 분석 기법 중 하나인 Autoregressive Integrated Moving Average(ARIMA) 모델을 이용하여 태양광 발전량 예측 정확도를 평가하였다[24]. 또한 제한적인 환경에서 기상정보 데이터를 이용하여 Artificial Neural Network(ANN) 모델 기반의 단시간 태양광 발전량을 예측하였고 일사량과 온도정보 데이터를 이용하여 Deep Neural Network(DNN) 모델 기반의 단기 태양광 예측 기법에 대해 연구하였다[28].
학습 과정에서 사용되는 입력 값 vec(x)i는 각각의층에 있는 연결 가중치와 활성화함수와의 계산을 통해 비선형 값으로 변환된다. 우리는 파라미터를 학습하기 위해 Backpropagation 기법을 [10] 적용하였고 예측된 태양광 발전량과 실제 태양광 발전량과의 오차를 최소화하는 연결 가중치 값을 찾기 위해 반복적으로 학습한다.
, n로 하루 중 k시간의 태양광 발전량이 출력된다. 우리는 학습 파라미터를 최적화하기 위해 사용되는 활성화 함수와 최적화기법을 Rectified Linear Unit(ReLU)와 Adaptive Moment Estimation(Adam)을 사용하였고[17] 학습 과정에서 예측된 태양광 발전량과 실제 태양광 발전량과의 차이를 계산하기 위해 손실함수는 식 (5)와 같이 Mean Square Error(MSE)함수를 사용하였다.
프레임워크는 학습 과정과 테스트 과정으로 구성된다. 프레임워크 모델은 입력 값, 활성화함수, 손실함수 및 최적화 기법을 기반으로 신경망 모델을 통해 학습한다. 신경망 모델은 입력층, 은닉층, 출력층으로 구성되어있다.
성능/효과
DNN 기반의 모델은 은닉층의 수가 다양한 ANN 기반의 모델을 기반으로 과거의 기후 및 계절정보를 학습하여 태양광 발전량을 예측하는 인공신경망 모델이다. DNN 기반의 모델은은닉층의 수가 증가함에 따라 매개변수의 수가 증가하기 때문에 학습하는데 어려움이 있었으나 Backpropagation 알고리즘으로 문제점을 해결함으로써 ANN 기반의 모델보다 더 높은 성능을 보인다. 우리는 반복적인 실험을 통해은닉층의 개수를 7개로 설정하였다.
S-ARIMA 기반의 모델의 경우 기상변화와 태양광 발전량의 변화를 통계적으로 분석한 결과를 기반으로 태양광 발전량을 예측하였으나, 태양광 발전량이 급격히 높아졌을 때 성능이 좋지 않았음을 확인하였다. 반면에, DNN 기반의 모델은 과거의 기상 및 계절 정보에 대한 태양광 발전량 정보를 반복적으로 학습함으로써 장기간 태양광 발전량을 예측하는데 높은 성능을 보였다.
[Figure 2]와 같이 학습 반복 횟수에 따라 제안한 모델들이 학습하면서 학습 및 검증 손실 값의 변화를 나타낸다. 그래프에서 나타나 있는 바와 같이, 학습 반복 횟수가 증가할수록 학습 및 검증 손실 값이 감소하였으며, 이는 주어진 모델들이 태양광 발전량을 예측하기 위한 방법을 찾기 위해 성공적으로 학습되었음을 나타낸다.
따라서 실험을 통한 결과는 하루에 단기간의 시간별 패턴을 포착하여 개선된 학습과정을 통해 학습한 DNN 기반의 모델은 태양광 발전량의 변화가 거의 없을 때뿐만 아니라 태양광 발전량의 변화가 많을 경우에도 높은 예측을 성능을 보인다는 것을 확인하였다. 그러나 태양광 발전량의 변화에 연속적인 관측을 통한 통계적 측면에서 예측한 S-ARIMA 기반의 모델은 태양광 발전량 변화가 많은 경우태양광 발전량을 정확히 예측하지 못한다는 것을 확인할 수 있었다.
첫 번째, 태양광 발전량이 일정할 때 피크 시간대의 높은 태양광 발전량은 날씨가 맑고 일사량이 높음을 나타낸다. 기후와 계절적 정보가 2일 동안 유사하기 때문에 태양광 발전량은 장기적으로 변화가 거의 없으며, 제안된 모델들은 비슷한 성능을 갖지만 피크시간대의 S-ARIMA 기반의 모델이 가장 오류가 많이 발생하고 실제 값보다 낮을 것으로 예측한다.
S-ARIMA 기반의 모델과 ANN 기반의 모델은 태양광 발전량의 출력 변화가 높은 날에는 3% 이상의 오류가 많은 결과를 나타내고, DNN 기반의 모델은 3% 미만으로 오류가 적다. 따라서 실험을 통한 결과는 하루에 단기간의 시간별 패턴을 포착하여 개선된 학습과정을 통해 학습한 DNN 기반의 모델은 태양광 발전량의 변화가 거의 없을 때뿐만 아니라 태양광 발전량의 변화가 많을 경우에도 높은 예측을 성능을 보인다는 것을 확인하였다. 그러나 태양광 발전량의 변화에 연속적인 관측을 통한 통계적 측면에서 예측한 S-ARIMA 기반의 모델은 태양광 발전량 변화가 많은 경우태양광 발전량을 정확히 예측하지 못한다는 것을 확인할 수 있었다.
반면에, DNN 기반의 모델은 과거의 기상 및 계절 정보에 대한 태양광 발전량 정보를 반복적으로 학습함으로써 장기간 태양광 발전량을 예측하는데 높은 성능을 보였다. 따라서 장기간 태양광 발전량 예측 성능을 향상시키기 위해서는 기후정보뿐만 아니라 계절정보를 고려하는 것이 필수적이라는 것을 확인하였다.
시계열 패턴을 고려하지 않고 현재 상태에만 초점을 맞춰 학습된 ANN 기반의 모델은 기존 시계열 예측 방법인 S-ARIMA 기반의 모델에 비해 효과가 적었다. 반면에 ANN 기반의 모델을 개선한 DNN 기반의 모델은 ANN 기반의 모델, S-ARIMA 기반의 모델, C_DNN 모델에 대해 각각 71.2%, 26.4%, 27.6%의 MAE를 감소시켰다.
S-ARIMA 기반의 모델의 경우 기상변화와 태양광 발전량의 변화를 통계적으로 분석한 결과를 기반으로 태양광 발전량을 예측하였으나, 태양광 발전량이 급격히 높아졌을 때 성능이 좋지 않았음을 확인하였다. 반면에, DNN 기반의 모델은 과거의 기상 및 계절 정보에 대한 태양광 발전량 정보를 반복적으로 학습함으로써 장기간 태양광 발전량을 예측하는데 높은 성능을 보였다. 따라서 장기간 태양광 발전량 예측 성능을 향상시키기 위해서는 기후정보뿐만 아니라 계절정보를 고려하는 것이 필수적이라는 것을 확인하였다.
시계열 패턴을 고려하지 않고 현재 상태에만 초점을 맞춰 학습된 ANN 기반의 모델은 기존 시계열 예측 방법인 S-ARIMA 기반의 모델에 비해 효과가 적었다. 반면에 ANN 기반의 모델을 개선한 DNN 기반의 모델은 ANN 기반의 모델, S-ARIMA 기반의 모델, C_DNN 모델에 대해 각각 71.
따라서 본 논문에서는 장기간 태양광 발전량 예측 성능을 향상시키기 위해 일사량뿐만 아니라 온도, 습도, 일사량 등의 기상정보와 계절정보를 이용하여 계절정보를 반영하지 못했던 문제점을 해결하고 딥러닝 모델 기반의 태양광 발전량 예측 기법을 제안한다. 실 데이터를 통한 실험결과, 본 연구에서 제안한 기후 및 계절정보를 이용한 딥러닝 기반의 기법이 가장 우수한 성능을 보였으며, 이는 본 연구에서 목표로 한 태양광 발전량 예측 성능 향상에 긍정적인 영향을 나타내었음을 보여준다.
두 번째, 태양광 발전량이 피크시간에 높게 출력되었을 때와 낮게 출력되었을 때의 예측을 통해 성능을 평가하였다. 실험을 통해 본 연구에서 제안한 모델들의 성능을 평가한 결과 태양광 발전량을 잘 예측하기 위해서는 태양광 발전량의 영향을 끼치는 과거 기후 정보뿐만 아니라 계절 정보를 이용하여 반복적으로 학습이 필요한 모델이 필요하며, 학습 모델 중 은닉층의 개수가 두 개 또는 두 개 이상인 딥러닝 기반의 모델을 통한 태양광 발전량 예측이 필수적이라는 것을 확인하였다.
이 실험을 통해 태양광 발전량에 따라 제안된 모델의 성능에 차이가 있음을 확인하였다. 실제로 기후 변화는 예상하기 힘들만큼 급격히 변화하기 때문에 태양광 발전량의 변화가 크다.
[Figure 5]는 연속 2일 동안의 태양광 발전량 장기적인 변화에 따라 3가지 관점에서 실제 태양광 발전량과 예측한 태양광 발전량을 보여준다. 첫 번째, 태양광 발전량이 일정할 때 피크 시간대의 높은 태양광 발전량은 날씨가 맑고 일사량이 높음을 나타낸다. 기후와 계절적 정보가 2일 동안 유사하기 때문에 태양광 발전량은 장기적으로 변화가 거의 없으며, 제안된 모델들은 비슷한 성능을 갖지만 피크시간대의 S-ARIMA 기반의 모델이 가장 오류가 많이 발생하고 실제 값보다 낮을 것으로 예측한다.
후속연구
본 연구의 결과는 전력의 공급과 수요를 계획하는 공급자와 전력의 가격을 결정하는 운영자에게 보다 정확하게 태양광 발전량을 예측하여 정확한 생산계획과 가격결정을 가능하게 할 것이다. 향 후 연구에서는 태양광 발전량 예측의 성능을 향상시키기 위해 딥러닝 모델 중 은닉층에 있는 노드들의 방향을 가지고 연결되어 순환구조를 이루는 Recurrent Neural Network(RNN) 모델을 적용하여 태양광 발전량을 예측하거나 RNN모델에서 의 데이터 학습 시 학습 능력이 크게 저하되어 이 문제를 극복하기 위해 고안된 Long Short-erm Memory(LSTM)모델을 적용한 태양광 발전량 예측 분석 연구가필요하다.
본 연구의 결과는 전력의 공급과 수요를 계획하는 공급자와 전력의 가격을 결정하는 운영자에게 보다 정확하게 태양광 발전량을 예측하여 정확한 생산계획과 가격결정을 가능하게 할 것이다. 향 후 연구에서는 태양광 발전량 예측의 성능을 향상시키기 위해 딥러닝 모델 중 은닉층에 있는 노드들의 방향을 가지고 연결되어 순환구조를 이루는 Recurrent Neural Network(RNN) 모델을 적용하여 태양광 발전량을 예측하거나 RNN모델에서 의 데이터 학습 시 학습 능력이 크게 저하되어 이 문제를 극복하기 위해 고안된 Long Short-erm Memory(LSTM)모델을 적용한 태양광 발전량 예측 분석 연구가필요하다.
질의응답
핵심어
질문
논문에서 추출한 답변
태양광 발전시스템의 장점은 무엇인가?
최근 온실가스의 증가로 인한 기후변화 대응의 필요성과 전력수요의 증가로 인해 태양광발전량(Photovoltaic Power) 예측의 중요성은 급격히 증가하고 있다. 태양광 발전시스템은 노동력 없이 기후정보를 이용하여 전력을 자동 생산할 수 있는 장점이 있다. 또한, 태양광 발전 시스템을 통해 생산된 전력은 전력 공급자와 운영자에게 도움이 될 수 있다.
계절에 따른 태양광 발전량의 변화는 어떠한가?
그러나 일사량, 운량, 온도 등과 같은 기상정보 변화로 인한 태양광 발전량의 변화로 인해 정확한 태양광 발전량을 예측하는데 어려움이 존재한다. 예를 들어, 봄과 여름에는 일사량이 비교적 높고 태양이 늦게 지기 때문에 태양광 발전량을 얻을 수 있는 시간과 태양광 발전 측정량이 많아진다. 반면에 가을과 겨울에는 일사량이 비교적 낮고 태양이 빨리 지기 때문에 태양광 발전 측정량이 적어진다. 또한 기상 조건들은 시간 및 지역 기후조건에 따라 역동적이고 무작위로 변화하며 이에 따라 태양광 발전량도 무작위로 변화한다.
태양광 발전량 예측이 전력 공급자에게 어떤 이점을 주는가?
또한, 태양광 발전 시스템을 통해 생산된 전력은 전력 공급자와 운영자에게 도움이 될 수 있다. 전력 공급자는 전력 공급과 수요 계획을 담당하고 있으며, 태양광 발전량 예측은 시스템 안정성 및 전력 생산 균형과 같은 문제를 효과적으로 해결하기 위한 전력생산 계획을 합리적으로 계획하는데 도움이 될 수 있다[12]. 전력 운영자는 전력 가격을 결정하고 시민에게 전력을 공급하는 역할을 담당한다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.