[논문]태양광 발전량 예측을 위한 빅데이터 처리 방법 개발

정재천; 송치성

doi:10.14248/jkosse.2020.16.1.058

[국내논문] 태양광 발전량 예측을 위한 빅데이터 처리 방법 개발
Development of Solar Power Output Prediction Method using Big Data Processing Technic 원문보기

시스템엔지니어링학술지 = Journal of the Korean Society of Systems Engineering, v.16 no.1, 2020년, pp.58 - 67

Abstract ▼ AI-Helper

A big data processing method to predict solar power generation using systems engineering approach is developed in this work. For developing analytical method, linear model (LM), support vector machine (SVN), and artificial neural network (ANN) technique are chosen. As evaluation indices, the cross-correlation and the mean square root of prediction error (RMSEP) are used. From multi-variable comparison test, it was found that ANN methodology provides the highest correlation and the lowest RMSEP.

Keyword

표/그림 (15)

그림 [Figure 1] Context diagram of Big data system for the prediction of solar power generation (Level 0)
그림 [Figure 2] Level 1 Context Diagram
그림 [Figure 3] Dita spilt and training processes of ANN
그림 [Figure 4] Training accuracy (top) and loss (bottom) term
그림 [Figure 5] Four(4) Steps for implementing prediction model
표 Measure of Performance
표 Weather Input Data
그림 [Figure 6] Visualization of regression model (top : LM, bottom : ANN)
표 Linear regression and cross-correlation (R²) per models
표 MOP Results (Cross-correlation and RMSEP)
표 Input variables for prediction hourly based power generation rate
표 Analysis results of cross-correlation and RMSEP per predicted items
그림 [Figure 7] Correlation between Measured and Predicted power output (applying average solar radiation on a horizontal surface)
그림 [Figure 8] Correlation between Measured and Predicted power output (applying average solar radiation on a horizontal surface, tilted surface, and average ambient temperature)
그림 [Figure 9] Hourly based power output prediction results (March 6^th and 7^th)

AI 본문요약
AI-Helper

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

문제 정의

따라서 일기 예보 정보를 기반으로 발전량을 실시간 분석하고 예측할 수 있다면 전력 거래시장에서 높은 수익을 얻을 수 있을 것이다. 본 연구에서는 다양한 많은 정보를 동시에 처리하기 위해, 시스템 엔지니어링 방법론에 기반한 빅데이터 관리 프로세스를 도입하였다. 구현 단계에서는 예측 식을 도출하는 두 가지 방법을 설정하고 시험하였다.

가설 설정

∙ 정확도 기준 : 예측 전력량과 측정 전력량의 상관도가 99% 이상일 것
∙ 예측오차의 제곱평균제곱근 (RMSEP) 기준 : 80 미만일 것
위에서 소개한 바와 같이 Accuweather에서 제공하는 날씨 데이터를 사용하였다. 또한 모든 데이터는 본 분석과 연관성이 있다는 가정 하에 분석용 데이터 세트를 작성하였다. 빅데이터를 컴퓨터가 신속하게 처리토록 하기 위해, 특정 시간 (원래 데이터에서와 같이 15 분마다)의 날씨 정보 추출을 위한 데이터 필터링과, 원본 데이터와 결합하는 과정을 거쳤다.

제안 방법

먼저 입력된 원천 데이터와 선행연구결과를 이용하여 선행자료를 분석한다. (단계 A1).
이를 통해 ANN 알고리즘의 최적화를 이루게 된다. 과도한 에포크는 발산을 유도하므로 에포크를 최적화하기 위한 분석을 수행한다. 그림 4는 시뮬레이션을 위해 임의로 생성시킨 데이터를 이용하여 훈련한 결과(출력)의 정확도와 손실을 나타낸 것이다.
Accuweather에서 제공 하는 정보는 태안군 석문면 교로리 일대에 동서발전이 10MW 규모로 건설한 태양광 발전소의 지역의 3월 6일과 7일 정보를 이용하였다. 또한 날씨 별 태양광 발전량을 시각 동기화하여 KW 단위 입력으로 사용하였다. 이러한 예측모델 구현을 위한 프로그래밍 도구로서 R-Studio가 이용되었다.
또한 모든 데이터는 본 분석과 연관성이 있다는 가정 하에 분석용 데이터 세트를 작성하였다. 빅데이터를 컴퓨터가 신속하게 처리토록 하기 위해, 특정 시간 (원래 데이터에서와 같이 15 분마다)의 날씨 정보 추출을 위한 데이터 필터링과, 원본 데이터와 결합하는 과정을 거쳤다. 또한, ANN 및 SVM 알고리즘의 학습과 검증, 그리고 정합성 시험을 위해, 데이터를 다음과 같이 두 세트로 분할하였다.
빅데이터를 컴퓨터가 신속하게 처리토록 하기 위해, 특정 시간 (원래 데이터에서와 같이 15 분마다)의 날씨 정보 추출을 위한 데이터 필터링과, 원본 데이터와 결합하는 과정을 거쳤다. 또한, ANN 및 SVM 알고리즘의 학습과 검증, 그리고 정합성 시험을 위해, 데이터를 다음과 같이 두 세트로 분할하였다.
단, 훈련과 시험을 위한 데이터 분할은 인위성이 개입되지 않도록 무작위로 수행토록 프로그램을 작성하였다.
3가지 모델을 R-studio로 개발한 후, 훈련 데이터를 사용하여 학습을 수행하고, 시험 데이터를 사용하여 시험하였다. 시험 단계에서 예측된 결과는 측정/예측 데이터 간의 상관관계로 평가하였다.
분석 1을 좀 더 단순화하기 위해 선형모델에서 기압 변수를 제거하고 난 후 LM과 ANN 만을 대상으로 재분석을 실시하였다. 두 모델의 훈련 및 시험 결과는 그림 6과 같다.
문제는 이러한 데이터를 일기 예보에서는 제공하지 않는다는 것이다. 따라서 본 장에서는 가용한 데이터를 기반으로 상기 변수들을 예측하기 위한 모델을 개발하였다, 시간대별 전력생산량을 예측하기 위한 요구변수와 날씨 데이터로부터 가용한 입력변수들을 정리하면 표 5와 같다.
예측 모델 개발을 위해 4장과 동일하게 선형 모델, SVM 및 ANN 의 세 가지 모델이 생성되었다. 이들 모델을 이용하여 먼저 평균 경사 태양 복사량 예측을 실시하였다. 그림에서와 같이 ANN의 상관도가 0.
직관적으로, 초평면이 가장 가까운 학습 데이터 점과 큰 차이를 가지고 있으면 분류 오차가 작아지므로 좋은 분류를 위해서는어떤 분류된 점에 대해서 가장 가까운 학습 데이터와 가장 먼 거리를 가지는 초 평면을 찾아야 한다. SVM의 계산량이 늘어나는 것을 막기 위해서, 각 문제에 적절한 커널 함수 k(x,y)를 정의한 SVM 구조를 설계하여 내적 연산을 초기 문제의 변수들을 사용해서 효과적으로 계산할 수 있도록 한다[3]. 높은 차원 공간의 초평면은 점들의 집합과 상수 벡터의 내적 연산으로 정의된다.
발전량데이터는 2019년 3월 9일과 7일 양일에 걸쳐 취득하고, 이를 날씨 데이터와 연동하여 최종적인 분석을 시간대 별로 수행하였다.

대상 데이터

본 빅데이터 시스템의 원천 데이터로는, 일기 예보의 기본 데이터인 기온, 습도 이외에도 태양광 조도 등의 빛의 세기와 관련된 데이터, 시간대 별 태양광 패널의 발전량 추이 등이 입력으로 사용된다. 아울러 태양광 발전량 예측 시스템에 관한 선행 연구결과도 사용된다.
본 알고리즘의 구현을 위해 표 2의 9가지 날씨 입력 데이터가 사용되었다. Accuweather에서 제공 하는 정보는 태안군 석문면 교로리 일대에 동서발전이 10MW 규모로 건설한 태양광 발전소의 지역의 3월 6일과 7일 정보를 이용하였다.
본 알고리즘의 구현을 위해 표 2의 9가지 날씨 입력 데이터가 사용되었다. Accuweather에서 제공 하는 정보는 태안군 석문면 교로리 일대에 동서발전이 10MW 규모로 건설한 태양광 발전소의 지역의 3월 6일과 7일 정보를 이용하였다. 또한 날씨 별 태양광 발전량을 시각 동기화하여 KW 단위 입력으로 사용하였다.
위에서 소개한 바와 같이 Accuweather에서 제공하는 날씨 데이터를 사용하였다. 또한 모든 데이터는 본 분석과 연관성이 있다는 가정 하에 분석용 데이터 세트를 작성하였다.
시간대별로 발전량을 예측하기 위한 알고리즘을 개발하기 위해, 데이터는 태양광 발전소가 소재한 기지 A, B, C의 기상데이터를 1 시간 주기 단위로 추출하였다.
예측 모델 개발을 위해 4장과 동일하게 선형 모델, SVM 및 ANN 의 세 가지 모델이 생성되었다. 이들 모델을 이용하여 먼저 평균 경사 태양 복사량 예측을 실시하였다.

데이터처리

3가지 모델을 R-studio로 개발한 후, 훈련 데이터를 사용하여 학습을 수행하고, 시험 데이터를 사용하여 시험하였다. 시험 단계에서 예측된 결과는 측정/예측 데이터 간의 상관관계로 평가하였다. 식 (1)은 정확성 평가기준으로 적용된 상관도 분석 공식이다.

이론/모형

또한 날씨 별 태양광 발전량을 시각 동기화하여 KW 단위 입력으로 사용하였다. 이러한 예측모델 구현을 위한 프로그래밍 도구로서 R-Studio가 이용되었다. 이와 함께 데이터 가시화를 위해 Microsoft Excel도 아울러 사용되었다.
초기 모델의 분석 평가를 위해 SVM과 LM 를 대상으로 하여 그 결과값을 판독한 결과, LM의 회귀 분석식이 SVM보다 우수한 성능을 보이는 것을 확인하였다. 아울러 LM의 상대적 성능을 확인하기 위해 추가 알고리즘인 ANN을 적용하였다.
그림 9는 3월 6일과 7일 양일간 취득한 데이터를 이용한 발전량예측 결과를 보여주고 있다. 이 결과는 ANN 기법을 이용하여 수행하였으며, 결과와 전력 예측 (kW)은 날씨 데이터로부터 수행되었다.

성능/효과

초기 모델의 분석 평가를 위해 SVM과 LM 를 대상으로 하여 그 결과값을 판독한 결과, LM의 회귀 분석식이 SVM보다 우수한 성능을 보이는 것을 확인하였다. 아울러 LM의 상대적 성능을 확인하기 위해 추가 알고리즘인 ANN을 적용하였다.
구현 단계에서는 예측 식을 도출하는 두 가지 방법을 설정하고 시험하였다. 먼저 발전량만을 기상 정보와 운전 정보를 이용하여 분석하였고, 이를 통해 상관도는 0.9946, RMSEP 예측오차는 76.114로 약 5% 이내로 예측이 가능함을 입증하였다. 또한 시간 대별 발전량 예측을 위해 태양광의 수직, 수평 복사량과 태양광 패널의 온도 정보를 추가하여 예측을 실시하였고, 상관도는 0.
114로 약 5% 이내로 예측이 가능함을 입증하였다. 또한 시간 대별 발전량 예측을 위해 태양광의 수직, 수평 복사량과 태양광 패널의 온도 정보를 추가하여 예측을 실시하였고, 상관도는 0.97, 예측오차는 139로서 약 10% 정도의 오차를 보이는 것으로 분석되었다. 시간대별 오차가 전체 예측 오차보다 큰 이유로는 태양광의 수직, 수평 복사량 정보가 제공되지 않아 이를 예측하는 과정에서 추가적인 오차가 산입된 것으로 판단되므로 향후 이러한 변수에 대한 측정 데이터를 기준으로 ANN 훈련이 이루어질 경우, 시간대별 예측 오차율도 낮출 수 있을 것으로 판단된다.
세 가지 기법 모두 발전량 예측을 99% 이상의 상관도를 가지고 예측할 수 있어 미래의 발전량을 5% 이내의 오차 이내로 예측 가능함을 알 수 있었다. 향후 더욱 많은 데이터를 이용하여 최적화 작업을 거친다면 제안 방법론이 실용적으로 활용 가능할 것으로 판단된다.
ANN 기법은 태양광 패널의 평균 외부 온도와 평균 경사 태양 복사 및 평균 수평 태양 복사량 예측을 잘 수행하는 것으로 관측되었다. 이러한 결과를 바탕으로 발전량 예측을 실시한 결과는 그림 8과 같다.

후속연구

태양광 발전은 일조시간과 대기 온도, 일조량, 습도 등에 따라 효율이 변동된다. 따라서 일기 예보 정보를 기반으로 발전량을 실시간 분석하고 예측할 수 있다면 전력 거래시장에서 높은 수익을 얻을 수 있을 것이다. 본 연구에서는 다양한 많은 정보를 동시에 처리하기 위해, 시스템 엔지니어링 방법론에 기반한 빅데이터 관리 프로세스를 도입하였다.
97, 예측오차는 139로서 약 10% 정도의 오차를 보이는 것으로 분석되었다. 시간대별 오차가 전체 예측 오차보다 큰 이유로는 태양광의 수직, 수평 복사량 정보가 제공되지 않아 이를 예측하는 과정에서 추가적인 오차가 산입된 것으로 판단되므로 향후 이러한 변수에 대한 측정 데이터를 기준으로 ANN 훈련이 이루어질 경우, 시간대별 예측 오차율도 낮출 수 있을 것으로 판단된다.
세 가지 기법 모두 발전량 예측을 99% 이상의 상관도를 가지고 예측할 수 있어 미래의 발전량을 5% 이내의 오차 이내로 예측 가능함을 알 수 있었다. 향후 더욱 많은 데이터를 이용하여 최적화 작업을 거친다면 제안 방법론이 실용적으로 활용 가능할 것으로 판단된다. 본 연구의 결과는 경쟁기술이 갖지 못한 가치를 지닌 새로운 비즈니스 모델[15]화 하는데 적극 활용할 수 있을 것으로 사료된다.
향후 더욱 많은 데이터를 이용하여 최적화 작업을 거친다면 제안 방법론이 실용적으로 활용 가능할 것으로 판단된다. 본 연구의 결과는 경쟁기술이 갖지 못한 가치를 지닌 새로운 비즈니스 모델[15]화 하는데 적극 활용할 수 있을 것으로 사료된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	빅데이터(Big Data)란?	빅데이터(Big Data)란, 기존 데이터베이스 관리도구의 능력을 넘어서는 대량의 정형 또는 비정형의 데이터 집합을 포함한[1] 데이터로부터 가치를 추출하고 결과를 분석하는 기술[2]이다. 빅데이터 모델은 ‘대량, 고속 또는 다양한 정보 자산 (3 V)모델로 정의할 수 있다[3].
	태양광 발전에서 효율을 변동시키는 요인은?	태양광 발전은 일조시간과 대기 온도, 일조량, 습도 등에 따라 효율이 변동된다. 따라서 일기 예보 정보를 기반으로 발전량을 실시간 분석하고 예측할 수 있다면 전력 거래시장에서 높은 수익을 얻을 수 있을 것이다.
	전력량을 시간 단위로 예측하기 위해 필요한 추가적인 데이터는?	∙ 평균 경사 태양 복사량 ∙ 평균 수평 태양 복사량

참고문헌 (15)

Mark A. Beyer, Douglas Laney, The importance of 'Big Data': A Definition, Gartner, 21 June 2012.
John Grantz, David Reinsel, "Extracting Value from Chaos", IDC IVIEW, 2011.
James Manyika & Michael Chui, " Big data: The next frontier for innovation, competition, and productivity", McKinsey Global Institute, 2011.
Alexander Kossiakoff, William N. Sweet, Sam Seymour, Steven M. Biemer, Systems Engineering Principles and Practice, John Wiley & Sons, 2011.
Jae-Gon Kim 외, Daily prediction of solar power generation based on weather forecast information in Korea, IET Renewable Power Generation 11(10), 2017.

상세보기
SHARMA, Navin, 외 "Predicting Solar Generation from Weather Forecasts Using Machine Learning", IEEE International Conference on Smart Grid Communications, 2011.
Wikipedia, Solar power forecasting, https://en.wikipedia.org/wiki/Solar_power_forecasting
A. Saberian 외, "Modelling and Prediction of Photovoltaic Power Output Using Artificial Neural Networks", international Journal of Photoenergy, 2014.
INCOSE 시스템엔지니어링 핸드북-시스템 수명주기 프로세스 및 활동지침서 4판, INCOSE-한국시스템 엔지니어링협회.
https://www.accuweather.com
https://ko.wikipedia.org/wiki/서포트벡터머신
Cortes, C. and Vapnik, V. "Support-vector networks", Machine Learning, 1995.
Vapnik, V. (2000). "Section 5.6. Support Vector Machines-The nature of statistical learning theory", Springer-Verlag New York. ISBN 978-1-4419-3160-3.
Press, William H.; Teukolsky, Saul A.; Vetterling, William T.; Flannery, B. P. "Section 16.5. Support Vector Machines-Numerical Recipes: The Art of Scientific Computing 3판" Cambridge University Press. ISBN 978-0-521-88068-8.
송치성, 4차 산업혁명과 지능화 사회에서 에너지 관리시스템 구축을 위한 정책적 제안과 플랫폼 구축, 한국산업기술진흥원, 2018.

저자의 다른 논문 :

활용도 분석정보

상세보기

다운로드

내보내기

활용도 Top5 논문

해당 논문의 주제분야에서 활용도가 높은 상위 5개 콘텐츠를 보여줍니다.
더보기 버튼을 클릭하시면 더 많은 관련자료를 살펴볼 수 있습니다.

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