[논문]태양에너지 예보기술 동향분석

전재호; 이정태; 김현구; 강용혁; 윤창열; 김창기; 김보영; 김진영; 박유연; 김태현; 조하나

doi:10.7836/kses.2019.39.4.041

태양에너지 예보기술 동향분석
Trend Review of Solar Energy Forecasting Technique 원문보기

한국태양에너지학회 논문집 = Journal of the Korean Solar Energy Society, v.39 no.4, 2019년, pp.41 - 54

전재호 (한국특허전략개발원 정부협력팀) , 이정태 (한국에너지기술연구원 신재생에너지자원.정책센터) , 김현구 (한국에너지기술연구원 신재생에너지자원.정책센터) , 강용혁 (한국에너지기술연구원 신재생에너지자원.정책센터) , 윤창열 (한국에너지기술연구원 신재생에너지자원.정책센터) , 김창기 (한국에너지기술연구원 신재생에너지자원.정책센터) , 김보영 (한국에너지기술연구원 신재생에너지자원.정책센터) , 김진영 (한국에너지기술연구원 신재생에너지자원.정책센터) , 박유연 (특허법인다나) , 김태현 (특허법인다나) , 조하나 (특허법인다나)

Abstract ▼ AI-Helper

The proportion of solar photovoltaic power generation has steadily increased in the power trade market. Solar energy forecast is highly important for the stable trade of volatile solar energy in the existing power trade market, and it is necessary to identify accurately any forecast error according to the forecast lead time. This paper analyzes the latest study trend in solar energy forecast overseas and presents a consistent comparative assessment by adopting a single statistical variable (nRMSE) for forecast errors according to lead time and forecast technology.

주제어

표/그림 (9)

그림 Fig. 1 Schedule of power trading by European countries
그림 Fig. 2 Procedure of the domestic power trading
표 Table 1 Summary of the studies for solar irradiance forecasting
표 Table 2 Input-specific average nRMSE (Mazorra et al.)
표 Table 3 Time-specific nRMSE for indra-day forecasting (Notton et al.)
표 Table 4 Method-specific nRMSE of GHI and DNI for day-ahead forecasting (Trapero et al.)
표 Table 5 nRMSE of rainy and dry season for day-ahead forecasting (Lima et al.)
표 Table 6 Summary of the studies for PV power forecasting
표 Table 7 Method-specific nRMSE (Antonanzas et al.)

AI 본문요약
AI-Helper

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

문제 정의

본 연구에서는 국내 전력거래 환경에 적용 가능한 범위의 내에서 해외문헌들을 대상(2015년 이후)으로 최근 개발되고 있는 예보기법들을 살펴보고 예보 시간대별로 분류하여 이들의 오차를 정리하였다. 다양한 기법들의 예보오차는 normalized root mean squre(nRMSE)를 기준으로 평가되었으며, 개발동향 및 예보기법들이 가진 문제점을 점검하여 국내 예보기술 개발 방향을 고찰하였다.
이에 대한 선제적 대응 방안으로 정확도 높은 발전량 예보기술 개발이 요구된다. 해외에서는 일찍이 재생에너지의 전력거래를 수행해왔고 예보기술에 대한 연구들이 활발히 진행되었기에 본 연구에서는 해외의 문헌들을 조사하여 현재의 예보기술 수준을 파악하고자 하였으며, 시간에 따른 예보오차를 파악하여 전력 거래시장에 반영할 수 있는 정보를 제시하고자 하였다. 조사결과는 아래와 같이 요약할 수 있다.

제안 방법

²⁵⁾은 지리적으로 분산된 프랑스 PV 플랜트의 공간 및 시간 상관으로 특정 플랜트 발전량을 예보하는 시공간(spatio-temporal)모형을 사용하였다. 185 개의 PV 플랜트 발전량이 입력자료로 사용되었으며, 9개의 특정 지점들에 대해 예보정확도 평가가 수행되었다. 1, 3, 6시간에 대한 예보오차는 8.
문헌들을 예보기간에 따라 분류한 결과는 Table 1에 나타내었다. 2015년 이후에 발간된 최근 연구들을 대상으로 사용된 기법들과 입력자료를 정리하였으며, nRMSE 값을 기준으로 정확도를 비교할 수 있도록 하였다. 하루 내 예보는 1시간, 3시간, 6시간으로 구별하였으며, 1시간 예보는 하루 내 예보와 별로도 구분한다.
하루 내 예보는 1시간, 3시간, 6시간으로 구별하였으며, 1시간 예보는 하루 내 예보와 별로도 구분한다. 24시간과 48시간 예보는 전일 예보로 구분하였다.
본 연구에서는 국내 전력거래 환경에 적용 가능한 범위의 내에서 해외문헌들을 대상(2015년 이후)으로 최근 개발되고 있는 예보기법들을 살펴보고 예보 시간대별로 분류하여 이들의 오차를 정리하였다. 다양한 기법들의 예보오차는 normalized root mean squre(nRMSE)를 기준으로 평가되었으며, 개발동향 및 예보기법들이 가진 문제점을 점검하여 국내 예보기술 개발 방향을 고찰하였다.
중규모 모델자료의 시간간격과 예보기법들의 연산 시간을 감안하면 실제론 48시간 예보 시스템이 필요한 것을 알 수 있다. 따라서 본 연구는 최소 1시간과 최대 48시간 범위의 태양광 발전량 예보기술들에 대한 문헌들을 조사하였으며, 시간에 따른 예보오차를 분석하기 위해 3시간, 6시간, 24시간 예보를 구분하였다.
예보된 PV 발전량은 일사량 외의 추가적인 계산과정(발전량 산정모델)을 필요로 하기 때문에 일사량 예보와 구분할 필요가 있다. 따라서 본 연구에서는 산출결과인 수평면 전일사량과 PV 발전량을 예보 시간범위별로 구별하여 비교하였다.
²⁶⁾은 ANN을 사용하여 이태리 PV플랜트(960 kW)의 발전량을 예보한다. 지상에서 1년 동안 관측된 PV 발전량과 기상자료가 ANN의 입력자료로 사용되며, 입력자료의 구성을 다르게 설정하여 시간별 예보성능을 평가하였다. 1, 3, 6, 24시간 예보오차는 12.

대상 데이터

²⁴⁾은 Numerical Weather Prediction(NWP)의 복사모수화 오차를 줄이기 위해 ANN에 기반한 후 처리 과정을 제안하였다. ANN모형에 사용된 자료는 브라질 110지점의 지상관측자료(일사량, 기상변수)이며, NWP 예보 일사량은 ANN을 통해 재생산되었다. ANN 후처리 모형을 사용한 결과의 예보오차가 NWP의 자료만 사용한 결과보다 낮았으며, 우기(rainy season)와 건기(dry season)로 나누어 평가된 24시간 예보오차의 평균은 각각 35.
²⁷⁾은 Seasonal Auto-Regression Integrated Moving Average(SARIMA)와 Support Vector Machine(SVM)기법을 사용하여 이태리 PV플랜트(20 kW)의 발전량을 예보하였다. 측정된 PV 발전량 및 기후자료(일사량, 모듈온도, 환경온도)가 입력자료로 사용되었고 1시간 예보오차는 9.4%이다.

데이터처리

경쟁적 예보 기법은 다수의 예측기에 서로 다른 파라미터 또는 입력 데이터를 적용하여 개별적으로 해결한다. 예보 결과는 각 예측기의 예보 결과를 평균하여 얻어진다. 경쟁적 예보기법은 데이터 다양성, 파라미터 다양성, 커널 다양성으로 나눠진다.

이론/모형

Piazza et al.²³⁾이 제안한 다층 퍼셉트론(Multilayer perceptron)기반 NARX(Nonlinear Autoregressive Network with Exogenous Input) 기법은 지상관측자료를 사용하였으며, 24시간은 31.8%, 48시간은 28%의 예보오차를 기록하였다.
예보기술의 정확도 평가를 평가하는 통계값은 문헌들마다 다양하게 나타나기 때문에 일정한 산출변수와 통계변수 없이는 정확도를 비교평가하기 어렵다. 즉, 각기 다른 예보기술의 정확도를 비교평가하기 위해서는 하나의 통계변수가 필요하며, 본 연구에서는 보편적으로 쓰이는 nRMSE를 평가의 척도로 사용하였다.
4%로 가장 낮게 나타났다(Table 7). 통계모형들의 오차정보를 최소화한 통합모형(Blended model)을 제시하였으며, 예보오차는 22.2%를 기록하였다.

성능/효과

(2) 예보시간이 길어지면 예보오차는 증가하였다. 시간 내 예보와 하루 내 예보의 경계지(1-3 시간)에서 예보오차는 가장 크게 증가하였고, 그 이후로는 예보오차의 증가폭이 줄어들었다.
(3) DNI 예보는 구름에 민감한 영향을 받기 때문에 GHI 예보보다 큰 오차를 가지는 것으로 조사되었다. 우기의 예보오차가 건기보다 큰 이유도 구름이나 강수 시 지면의 일사량예보에 어려움이 있기 때문인 것으로 사료된다.
(5) 하이브리드예보는 대부분 NWP 예보와 통계기법을 혼합하거나 각기 다른 통계기법들을 혼합하는 방법들이 제안되었으며, NWP와 통계기법의 혼합은 NWP 예보오차를 뚜렷이 줄일 수 있는 방안으로 사료된다.
지상에서 1년 동안 관측된 PV 발전량과 기상자료가 ANN의 입력자료로 사용되며, 입력자료의 구성을 다르게 설정하여 시간별 예보성능을 평가하였다. 1, 3, 6, 24시간 예보오차는 12.0, 17.2, 20.9, 24.4%로 나타나며, PV 발전량이 단일로 사용된 경우보다 일사량과 모듈온도가 함께 입력된 결과의 오차가 더 낮은 결과를 보였다.
185 개의 PV 플랜트 발전량이 입력자료로 사용되었으며, 9개의 특정 지점들에 대해 예보정확도 평가가 수행되었다. 1, 3, 6시간에 대한 예보오차는 8.0, 14.0, 20.0%(9개 지점 평균)로 나타났다.
¹⁸⁾은 지상의 관측일사량과 기상변수를 입력자료로 사용하여 ANN 기반 6시간 일사량 예측 연구를 수행하였다. 4개의 은닉층으로 ANN을 구성하였으며 1시간, 3시간, 6시간에 대해 22.5, 31.4, 34.8%의 오차가 나타났다. 이 연구는 GHI와 DNI를 구분하여 예보를 수행하였으며, GHI의 nRMSE가 DNI 보다 약 2배 낮게 나타났다.
ANN모형에 사용된 자료는 브라질 110지점의 지상관측자료(일사량, 기상변수)이며, NWP 예보 일사량은 ANN을 통해 재생산되었다. ANN 후처리 모형을 사용한 결과의 예보오차가 NWP의 자료만 사용한 결과보다 낮았으며, 우기(rainy season)와 건기(dry season)로 나누어 평가된 24시간 예보오차의 평균은 각각 35.6, 29.5%로 건기의 예보오차가 낮았다(Table 5).
과 마찬가지로 DNI 보다 GHI의 예보정확도가 높게 나타난다(Table 4). GHI 24시간 예보의 nRMSE는 29.6%이며, DNI는 46.7%로 나타나며, 다른 통계 모형들에 비해 낮은 오차를 기록하였다.
²⁹⁾는 스페인 PV 플랜트(1,800 kW)에 대해 다양한 통계모형을 통한 예보를 수행하였다. NWP의 예보변수(일사량, 온도, 풍속 등)들과 PV 발전량이 입력자료로 사용되었고, 여러 모형들 중 SVR 모형의 24시간 예보오차가 22.4%로 가장 낮게 나타났다(Table 7). 통계모형들의 오차정보를 최소화한 통합모형(Blended model)을 제시하였으며, 예보오차는 22.
¹⁴⁾은 지상에서 측정된 10년간의 일사량 자료를 기반으로 시간당 일사량의 오차를 최대 72시간까지 평가하었다 . TB K-mean clustering과 3개의 은닉층으로 이루어진 ANN 모형의 예보 일사량은 1시간 예보범위에서 평균적으로 7.2%의 nRMSE 수치를 기록하였다. 24시간 예보는 28.
구름이 자주 위치하는 지역은 위성 일사량과 예보 오차가 높은 것으로 분석되며, 위성자료의 사용유무에 따른 예보 정확도를 판단 할 수 있는 연구결과이다. 결과에 따르면 위성 산출 일사량을 사용한 결과가 지상의 청천일 모델(Clear sky model)을 통한 일사량과 기후자료보다 nRMSE가 낮은 것을 알 수 있다(Table 2).
¹⁷⁾은 위성자료로 산출된 지상일사량 자료와 지상의 관측일사량 자료를 사용하여 6시간 예보를 수행하였다. 다중레이어를 사용하는 Bayesian ANN 기법을 사용하였으며, 예보오차는 예보시간 1, 3, 6 h에 대해 19.8, 28.5, 29.4%(평균치)가 나타났다. 구름이 자주 위치하는 지역은 위성 일사량과 예보 오차가 높은 것으로 분석되며, 위성자료의 사용유무에 따른 예보 정확도를 판단 할 수 있는 연구결과이다.
1%이다. 사용된 WNN기법은 다른 통계적 기법들(Persistence, ETS, ARIMA, ANN, WNN)과 비교되었으며, 모든 경우에 대해 1-2% 가량 낮은 값을 보였다.
8%의 오차가 나타났다. 이 연구는 GHI와 DNI를 구분하여 예보를 수행하였으며, GHI의 nRMSE가 DNI 보다 약 2배 낮게 나타났다. DNI의 오차가 더 큰 이유는 구름에 민감한 DNI의 특성 때문인 것으로 분석되었다.
²⁰⁾은 지상에서 관측된 일사량과 기상변수를 입력자료로 사용하였으며, 통계모델을 결합하여 1시간 일사량 예보를 수행하였다. 이 연구의 통계모델 결합은 SOM(Self-Organizing Map), SVR(Support Vector Regression), PSO(Particle Swarm Optimization) 기법들을 역할에 따라 구분하여 사용함을 의미한다. 1시간 예보오차는 23%로 나타났다.
시간 내 예보와 하루 내 예보의 경계지(1-3 시간)에서 예보오차는 가장 크게 증가하였고, 그 이후로는 예보오차의 증가폭이 줄어들었다. 일사량의 24시간과 48시간 예보는 각각 평균 31.5%와 35%의 예보오차를 보였으며, 평균을 기준으로 예보자료의 신뢰도 평가가 가능할 것으로 사료된다.

후속연구

(4) 조사된 문헌들에 따르면 발전량 예보는 일사량 예보보다 평균적으로 낮은 오차를 보인다. 일사량 예보의 경우 PV 플랜트의 발전량을 산정하기 위해선 추가적인 전기모델 연산이 필요하며, 그에 따른 오차발생을 고려한다면, PV 발전량 예보가 전력거래시장에 더 유용한 방안이 될 수 있을 것으로 사료된다.
국내에서는 아직 당일 실시간 거래시장이 활성화 되어 있지 않지만 신재생에너지의 비중이 확대됨과 동시에 당일 거래시장이 활성화되고 거래 시간단위도 세분화 될 것으로 예상된다. 즉, 향후 국내의 태양광 전력거래 시장은 40시간 이하의 모든 시간에 대해 정확도 높은 예보를 필요로 할 것이며, 어떠한 예보기법들이 이러한 요구들을 충족시킬 수 있는지 검토할 필요가 있다.

질의응답

핵심어	질문	논문에서 추출한 답변
	통계적 예보 기법이란 무엇인가?	태양광 일사량 또는 태양광 발전량을 예보하는 기법들은 크게 시계열적 통계기법, 물리적 기법, 앙상블 기법 세 가지로 분류 될 수 있다. 그 중 가장 일반적으로 사용되어지는 통계적 예보 기법은 과거 기상 변수와 일사량 간의 상관관계를 시계열적 통계 분석을 통해 재구성해 내고 미래시점의 예보된 기상 변수로 일사량을 추정하는 기법으로 아래와 같은 다양한 분석 모델이 있다6).
	전력거래시스템에 맞는 시간대의 예보능력을 갖추는 것이 중요한 이유는 무엇인가?	예보 기법들은 입력자료(지상관측, 위성, 모델)의 특성에 따라 각기 다른 시간에 대한 예보를 목표로 하게 되며, 그에 따라 예보 오차의 변동이 발생하게 된다. 태양광에너지로부터 생산된 전력이 기존의 전력거래시스템에서 원활히 거래되기 위해서는 전력거래시스템에 맞는 시간대의 예보능력을 갖추는 것이 중요하다.
	태양에너지에 기반한 기존의 전력거래시스템 시스템의 불안정성이 커지는 이유는 무엇인가?	재생에너지의 변동성이 큰 이유는 태양에너지원이 자연환경에 직접적인 영향을 받기 때문이다. 화석연료를 비롯한 기존의 에너지원은 수요에 따라 전력 생산량을 조절할 수 있지만, 태양에너지는 발전량을 임의로 제어할 수 없으며, 구름, 강수, 바람 및 여러 가지 기상조건에 따라 변동한다. 따라서 변동성이 큰 태양광에너지의 공급비율이 늘어날수록 기존 전력수급 시스템(전력수급 계획, 전력거래, 계통 안정성)의 불안정성이 커질 수 있다.

참고문헌 (23)

Cornaro, C., Pierro, M., Bucci, F.. Master optimization process based on neural networks ensemble for 24-h solar irradiance forecast. Solar energy, vol.111, 297-312.

상세보기
Amrouche, B., Le Pivert, X.. Artificial neural network based daily local forecasting for global solar radiation. Applied energy, vol.130, 333-341.

상세보기
Olatomiwa, Lanre, Mekhilef, Saad, Shamshirband, Shahaboddin, Mohammadi, Kasra, Petković, Dalibor, Sudheer, Ch. A support vector machine–firefly algorithm-based model for global solar radiation prediction. Solar energy, vol.115, 632-644.

상세보기
Diagne, M., David, M., Lauret, P., Boland, J., Schmutz, N.. Review of solar irradiance forecasting methods and a proposition for small-scale insular grids. Renewable & sustainable energy reviews, vol.27, 65-76.

상세보기
Monteiro, Claudio, Santos, Tiago, Fernandez-Jimenez, L., Ramirez-Rosado, Ignacio, Terreros-Olarte, M.. Short-Term Power Forecasting Model for Photovoltaic Plants Based on Historical Similarity. Energies, vol.6, no.5, 2624-2643.

상세보기
Tuohy, Aidan, Zack, John, Haupt, Sue Ellen, Sharp, Justin, Ahlstrom, Mark, Dise, Skip, Grimit, Eric, Mohrlen, Corinna, Lange, Matthias, Garcia Casado, Mayte, Black, Jon, Marquis, Melinda, Collier, Craig. Solar Forecasting: Methods, Challenges, and Performance. IEEE power & energy magazine, vol.13, no.6, 50-59.

상세보기
Ren, Y., Suganthan, P.N., Srikanth, N.. Ensemble methods for wind and solar power forecasting-A state-of-the-art review. Renewable & sustainable energy reviews, vol.50, 82-91.

상세보기
Azimi, R., Ghayekhloo, M., Ghofrani, M.. A hybrid method based on a new clustering technique and multilayer perceptron neural networks for hourly solar radiation forecasting. Energy conversion and management, vol.118, 331-344.

상세보기
Sharma, Vishal, Yang, Dazhi, Walsh, Wilfred, Reindl, Thomas. Short term solar irradiance forecasting using a mixed wavelet neural network. Renewable energy, vol.90, 481-492.

상세보기
Alonso-Montesinos, J., Batlles, F.J., Portillo, C.. Solar irradiance forecasting at one-minute intervals for different sky conditions using sky camera images. Energy conversion and management, vol.105, 1166-1177.

상세보기
Mazorra Aguiar, L., Pereira, B., David, M., Díaz, F., Lauret, P.. Use of satellite data to improve solar radiation forecasting with Bayesian Artificial Neural Networks. Solar energy, vol.122, 1309-1324.

상세보기
Notton, Gilles, Voyant, Cyril, Fouilloy, Alexis, Duchaud, Jean Laurent, Nivet, Marie Laure. Some Applications of ANN to Solar Radiation Estimation and Forecasting for Energy Applications. Applied sciences, vol.9, no.1, 209-.

상세보기
Gutierrez-Corea, F.V., Manso-Callejo, M.A., Moreno-Regidor, M.P., Manrique-Sancho, M.T.. Forecasting short-term solar irradiance based on artificial neural networks and data from neighboring meteorological stations. Solar energy, vol.134, 119-131.

상세보기
Dong, Z., Yang, D., Reindl, T., Walsh, W.M.. A novel hybrid approach based on self-organizing maps, support vector regression and particle swarm optimization to forecast solar irradiance. Energy : technologies, resources, reserves, demands, impact, conservation, management, policy, vol.82, 570-577.

상세보기
10.1109/CEC.2018.8477845
Trapero, Juan R., Kourentzes, Nikolaos, Martin, A.. Short-term solar irradiation forecasting based on Dynamic Harmonic Regression. Energy : technologies, resources, reserves, demands, impact, conservation, management, policy, vol.84, 289-295.

상세보기
Di Piazza, Annalisa, Di Piazza, Maria Carmela, Vitale, Gianpaolo. Solar and wind forecasting by NARX neural networks. Renewable energy and environmental sustainability, vol.1, 39-.

상세보기
Lima, F.J.L., Martins, F.R., Pereira, E.B., Lorenz, E., Heinemann, D.. Forecast for surface solar irradiance at the Brazilian Northeastern region using NWP model and artificial neural networks. Renewable energy, vol.87, no.1, 807-818.

상세보기
Agoua, Xwégnon Ghislain, Girard, Robin, Kariniotakis, George. Short-Term Spatio-Temporal Forecasting of Photovoltaic Power Production. IEEE transactions on sustainable energy, vol.9, no.2, 538-546.

상세보기
De Giorgi, Maria Grazia, Congedo, Paolo Maria, Malvoni, Maria. Photovoltaic power forecasting using statistical methods: impact of weather data. IET science, measurement & technology, vol.8, no.3, 90-97.

상세보기
Bouzerdoum, M., Mellit, A., Massi Pavan, A.. A hybrid model (SARIMA-SVM) for short-term power forecasting of a small-scale grid-connected photovoltaic plant. Solar energy, vol.98, no.3, 226-235.

상세보기
10.1109/IJCNN.2014.6889786
10.1007/978-3-319-59650-1_36

저자의 다른 논문 :

LOADING...

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