[논문]딥러닝을 이용한 풍력 발전량 예측

최정곤; 최효상

doi:10.13067/jkiecs.2021.16.2.329

딥러닝을 이용한 풍력 발전량 예측
Prediction of Wind Power Generation using Deep Learnning 원문보기

한국전자통신학회 논문지 = The Journal of the Korea Institute of Electronic Communication Sciences, v.16 no.2, 2021년, pp.329 - 338

최정곤 (조선대학교) , 최효상 (조선대학교 전기공학과)

초록
AI-Helper

본 연구는 풍력발전의 합리적인 운영 계획과 에너지 저장창치의 용량산정을 위한 풍력 발전량을 예측한다. 예측을 위해 물리적 접근법과 통계적 접근법을 결합하여 풍력 발전량의 예측 방법을 제시하고 풍력 발전의 요인을 분석하여 변수를 선정한다. 선정된 변수들의 과거 데이터를 수집하여 딥러닝을 이용해 풍력 발전량을 예측한다. 사용된 모델은 Bidirectional LSTM(:Long short term memory)과 CNN(:Convolution neural network) 알고리즘을 결합한 하이브리드 모델을 구성하였으며, 예측 성능 비교를 위해 MLP 알고리즘으로 이루어진 모델과 오차를 비교하여, 예측 성능을 평가하고 그 결과를 제시한다.

Abstract ▼ AI-Helper

This study predicts the amount of wind power generation for rational operation plan of wind power generation and capacity calculation of ESS. For forecasting, we present a method of predicting wind power generation by combining a physical approach and a statistical approach. The factors of wind power generation are analyzed and variables are selected. By collecting historical data of the selected variables, the amount of wind power generation is predicted using deep learning. The model used is a hybrid model that combines a bidirectional long short term memory (LSTM) and a convolution neural network (CNN) algorithm. To compare the prediction performance, this model is compared with the model and the error which consist of the MLP(:Multi Layer Perceptron) algorithm, The results is presented to evaluate the prediction performance.

주제어

표/그림 (16)

표 표 1. 시간 단위에 따른 풍력 발전량 예측의 종류 Table 1. Type of wind power generation prediction by time unit
그림 그림 1. 대관령 발전기의 파워 곡선 그래프 Fig. 1 Power curve graph of Daegwallyeong wind power plant
그림 그림 2 대관령 풍력발전소의 발전량 Fig. 2 Power generation of Daegwallyeong Wind Power Plant
표 표 2. V80/2000의 데이터시트 Table 2. Data sheet of V80/2000
표 표 3. 취득한 데이터의 통계 분석표 Table 3. Statistical analysis of acquired data
그림 그림 3. 취득한 데이터의 그래프 Fig. 3 Graph of acquired data
그림 그림 4. LSTM 알고리즘의 구성도 Fig. 4 Construction diagram of LSTM algorithm
그림 그림 5. Bidirectional LSTM의 구성도 Fig. 5 Composition of Bidirectional LSTM
그림 그림 6. CNN의 구성도 Fig. 6 Composition of CNN
그림 그림 7. 하이브리드 모델의 구성도 Fig. 7 The composition of hybrid model
그림 그림 8. MLP 모델의 구성도 Fig. 8 The composition of MLP model
그림 그림 9. 풍력 발전량의 학습, 시험 데이터 Fig. 9 Learning, test data of wind power generation
표 표 4. 하이브리드 모델과 MLP 모델의 오차 비교 Table 4. Comparison of error between hybrid model and MLP model
그림 그림 10. 학습 데이터의 예측값과 풍력 발전량 Fig. 10 Prediction of learning data and wind power generation
그림 그림 11. 시험 데이터의 예측값과 풍력 발전량 Fig. 11 Prediction of test data and wind power generation
그림 그림 12. 하이브리드 모델과 MLP 모델의 시험 데이터 예측값 Fig. 12 Test data prediction of hybrid model and MLP model

AI 본문요약
AI-Helper

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

문제 정의

시간 단위가 가장 큰 Long terme 월 단위로 풍력 발전을 예측하며 네트워크의 유지 및 관리가 목적이다. 두 번째, Short terme 일 단위로 예측하며, 풍력 발전의 품질과 합리적인 운영 계획이 목적이다. 세 번째, Immediate short terme 시간 단위로 예측하며, 실시간 전력 운영 관리 및 풍력 발전기의 터빈 상태 확인 등을 목적으로 하고 있다[2].
표 2는 V80/2000의 data sheet를 나타낸다[11]. 본 논문에서는 대관령에 설치한 풍력발전소의 발전량 예측을 수행한다.
본 논문은 물리적 접근법과 통계적 접근법을 결합하여 풍력 발전량 예측을 제시한다. 풍력 발전의 요인들을 분석하고 변수들을 선정하고, 선정된 변수들의 과거 데이터를 수집하여 딥러닝을 이용해 풍력 발전량을 예측하였다.
풍력 발전량의 예측 종류는 시간 단위에 따라 3가지로 분류할 수 있다. 시간 단위가 가장 큰 Long terme 월 단위로 풍력 발전을 예측하며 네트워크의 유지 및 관리가 목적이다. 두 번째, Short terme 일 단위로 예측하며, 풍력 발전의 품질과 합리적인 운영 계획이 목적이다.

제안 방법

MLP 모델은 은닉층을 2개의 층으로 구성하였고 각 층마다 20개의 노드를 구성하였다. 또한 과적합을 피하기 위해 각 은닉층마다 40% 의 Drop-out을 적용하였으며, 마지막 출력 값은 Relu 함수를 적용하였다.
예측 방법을 시도한다. 기상조건을 고려하여 방대한 양의 온도, 압력, 공기 밀도 데이터를 사용해 딥러닝 기법으로 풍력 발전량 예측을 한다.
층마다 20개의 노드를 구성하였다. 또한 과적합을 피하기 위해 각 은닉층마다 40% 의 Drop-out을 적용하였으며, 마지막 출력 값은 Relu 함수를 적용하였다.
모델의 성능 비교를 위해 MLP 알고리즘으로 구성된 모델을 구현하였다. 그림 8은 MLP 모델의 구성도를 나타낸다.
있다. 모델의 학습 성능을 높이기 위해 각 입력변수마다 정규화(Normalization)를 적용하여 입력변수 간의 최대 최소값을 0과 1로 통일하였다. 식(3)은 정규화를 나타낸다.
csv 파일로 취득하였다. 모델의 학습 성능을 높이기 위해 입력 변수를 정규화 하였으며, 예측성능을 평가하기 위해 학습, 시험 데이터를 7:3으로 분리하였다. 그림 9는 풍력 발전량의 학습, 시험 데이터를 나타내며 파란색 그래프는 학습 그래프를 나타내고, 주황색 그래프는 시험 데이터를 나타낸다.
본 논문에 구성된 모델은 Bidirectional LSTM과 CNN 알고리즘을 융합한 하이브리드 모델을 구성하였다.
본 연구는 물리적 접근법과 통계적 접근법을 결합하여 예측 방법을 시도한다. 기상조건을 고려하여 방대한 양의 온도, 압력, 공기 밀도 데이터를 사용해 딥러닝 기법으로 풍력 발전량 예측을 한다.
본 연구는 풍력, 풍향, 공기밀도를 입력변수로 사용하여 풍력발전량을 예측하였으며 Bidirectional LSTM 과 CNN 알고리즘으로 구성하여 하이브리드 모델을 구현하였다. 각 알고리즘의 은닉층은 2개의 층으로 구성하였고 각 층마다 20개의 노드를 구성하였다.
우리는 공기밀도를 계산하기 위해 기상 관측소에서 현지 기압과 기온을 취득하였다.
단일 인공지능 알고리즘의 경우 발전량 예측 정도가 낮아 이에 대한 개선이 요구된다. 이에 본 논문은 풍력 발전의 품질과 합리적인 운영관리를 위해 일간 풍력 발전을 예측을 위해 딥러닝 알고리즘을 2개로 구성하여 히이브리드 형태로 구성한 후 발전량을 예측하였으며, 입력 데이터는 풍력, 풍향, 공기 밀도를 사용하여 예측한다.
풍력 발전량 예측을 제시한다. 풍력 발전의 요인들을 분석하고 변수들을 선정하고, 선정된 변수들의 과거 데이터를 수집하여 딥러닝을 이용해 풍력 발전량을 예측하였다. 사용된 모델은 Bidirectional LSTM 과 CNN 알고리즘을 결합한 하이브리드 모델을 구성하였으며 예측 성능 비교를 위해 MLP 알고리즘으로 이루어진 모델과 오차를 비교하였다.

대상 데이터

V80/2000으로 발전한 대관령 풍력발전소의 총 발전량을 데이터로 취득하였으며 2018년부터 2019년 까지 일별 풍력 발전량으로 취득하였다. 그림 2는 대관령 풍력발전소에서 취득한 풍력발전량을 나타낸다.
본 논문은 대관령 풍력발전 단지의 일일 평균 풍력발전량을 예측하기 위해 일 평균 풍력발전량과 기상 데이터를 csv 파일로 취득하였다. 모델의 학습 성능을 높이기 위해 입력 변수를 정규화 하였으며, 예측성능을 평가하기 위해 학습, 시험 데이터를 7:3으로 분리하였다.

데이터처리

모델의 성능을 평가하기 위해 본 논문에 제시한 하이브리드 모델을 MLP(Multi layer perceptron) 모델과 비교하였다. 표 4는 시험 데이터로 예측한 하이브리드 모델과 MLP 모델의 RMSE(Root mean square error)와 MAPE(Mean absolute percentage error)를나타낸다.
풍력 발전의 요인들을 분석하고 변수들을 선정하고, 선정된 변수들의 과거 데이터를 수집하여 딥러닝을 이용해 풍력 발전량을 예측하였다. 사용된 모델은 Bidirectional LSTM 과 CNN 알고리즘을 결합한 하이브리드 모델을 구성하였으며 예측 성능 비교를 위해 MLP 알고리즘으로 이루어진 모델과 오차를 비교하였다. 예측 결과 하이브리드 모델은 RMSE는 8.

이론/모형

특징을 추출하는 역할을 하는 부분에서는 컨볼루션 연산이 수행된다. 그 후 추출된 특징을 MLP 등의 알고리즘을 사용하여 연산을 수행한다.
오차를 측정하기 위해 RMSE(:Root Mean Square Error)와 MAPE(:Mean Absolute Percentage Error)를사용한다. 식(4-5)는 RMSE와 MAPE를 나타낸다.
경향을 보이는 한계가 있다. 이러한 한계점을 해결하기 위해 Bidirectional LSTM을 사용한다. Bidirectional LSTMe 정방향(Forward)으로 계산하는 LSTM 계산 순서를 역방향(Backward) 계산을 추가하여 정방향 의존성을 억제시킨다.

성능/효과

487로 측정되었다. MLP 모델에 비해 RMSE는 0.837, MAE는 0.671만큼 오차가 낮게 측정되어 예측 성능이 MLP 모델 보다 뛰어나다는 것을 알 수 있다.
예측 결과 하이브리드 모델은 RMSE는 8.706이고, MAE는 5.487로 측정되었다. MLP 모델에 비해 RMSE는 0.
사용된 모델은 Bidirectional LSTM 과 CNN 알고리즘을 결합한 하이브리드 모델을 구성하였으며 예측 성능 비교를 위해 MLP 알고리즘으로 이루어진 모델과 오차를 비교하였다. 예측 결과 하이브리드 모델은 RMSE는 8.706이고, MAE는 5.487로 측정되었으며, MLP 모델에 비해 RMSE는 RMSE는 0.837, MAE는 0.671만큼 오차가 낮게 측정 되어 하이브리드 모델의 예측 성능이 더 뛰어났다.

참고문헌 (10)

Y. Lee, H. Kim, Y. Park, S. Park, J. Park, and Y. Kang, "Direction for the Mid- and Long-Term Development for Expanding Renewable Energy and Responding to Future Environmental Changes: Current Status and Direction of Onshore Wind Power," Korea environment institute report, 2020, pp. 1-101.
Z. Dongmei, Z. Yuchen, and Z. Xu, "Research on wind power forecasting in wind farms," 2011 IEEE Power Engineering and Automation Conference. vol. 13, no. 5, 2011.
X. Wang, P. Guo, and X Huang, "A review of wind power forecasting models," Energy procedia 12, 2011, pp. 770-778.

상세보기
M. Lange and U. Focken, "New developments in wind energy forecasting," IEEE power and energy society general meeting-conversion and delivery of electrical energy in the 21st century, vol. 13, no. 2, 2008, pp. 1-8.
G. Giebel, R. Brownsword, G. Kariniotakis, M. Denhard, and C. Draxl, "The state-of-the-art in short-term prediction of wind power: A literature overview," ANEMOS. plus, 2011.
J. Hur, B. Park, and S. Jung, "The development of the wind power prediction system using ordinary kriging," J. Korean institute of illuminating and electrical installation engineers, vol. 30, no. 7, 2016, pp. 60-68.

원문보기 상세보기
N. Son, Y. Kim, S. Kim, and D. Ahn, " Study of Multi-variate Short-term wind power forecasting model based on SVR," J. Korean institute of next generation computing, vol. 13, no. 1, 2017, pp. 54-64.
H. Byun, J. Ryu, and D. Kim, "The study of the wind resource and energy yield assessment for the wind park development," The Korean society for new and renewable energy, vol. 1, no. 2, 2005, pp. 19-25.
S. Pal and S. Mitra, "Multilayer perceptron, fuzzy sets, classifiaction," Transactions on neural networks. IEEE, vol. 3, 1992, pp. 683-697.

상세보기
N. Srivastava, G. Hinton, and A. Krizhevsky "Dropout: a simple way to prevent neural networks from overfitting," The Journal of Machine Learning Research, vol. 15, no. 1, 2014, pp. 1929-1958.

상세보기

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