[논문]태양광 발전량 데이터의 시계열 모델 적용을 위한 결측치 보간 방법 연구

정하영; 홍석훈; 전재성; 임수창; 김종찬; 박철영

doi:10.9717/kmms.2021.24.9.1251

태양광 발전량 데이터의 시계열 모델 적용을 위한 결측치 보간 방법 연구
A Research for Imputation Method of Photovoltaic Power Missing Data to Apply Time Series Models 원문보기

멀티미디어학회논문지 = Journal of Korea Multimedia Society, v.24 no.9, 2021년, pp.1251 - 1260

정하영 (TEF Co., ltd.) , 홍석훈 (TEF Co., ltd.) , 전재성 (TEF Co., ltd.) , 임수창 (TEF Co., ltd.) , 김종찬 (Dept of Computer Engineering, Sunchon National University) , 박철영 (TEF Co., ltd.)

Abstract ▼ AI-Helper

This paper discusses missing data processing using simple moving average (SMA) and kalman filter. Also SMA and kalman predictive value are made a comparative study. Time series analysis is a generally method to deals with time series data in photovoltaic field. Photovoltaic system records data irregularly whenever the power value changes. Irregularly recorded data must be transferred into a consistent format to get accurate results. Missing data results from the process having same intervals. For the reason, it was imputed using SMA and kalman filter. The kalman filter has better performance to observed data than SMA. SMA graph is stepped line graph and kalman filter graph is a smoothing line graph. MAPE of SMA prediction is 0.00737%, MAPE of kalman prediction is 0.00078%. But time complexity of SMA is O(N) and time complexity of kalman filter is O(D2) about D-dimensional object. Accordingly we suggest that you pick the best way considering computational power.

주제어

표/그림 (10)

표 Table 1. Photovoltaic system statement data table.
그림 Fig. 1. Power observation graph for seven days.
그림 Fig. 2. Cumulative power observation and estimate using simple moving average graph.
그림 Fig. 3. Power observation and estimate using simple moving average graph. (a) stepped line parts and (b) convergence of predictaion to observed value.
그림 Fig. 4. Cumulative power observation and estimate using kalman filter graph.
그림 Fig. 5. Power observation and estimate using kalman filter graph. (a) compensated estimate line and (b) maintenance of decrease trend.
표 Table 2. Observation-estimate relative error basic sta-tistics analysis table.
그림 Fig. 6. Observation-estimate relative error rate graph.
그림 Fig. 7. Observation-estimate relative error rate graph. (a) result for simple moving average and (b) result for kalman filter.
표 Table 3. RMSE and MAPE for observed data and esti-mate using simple moving average and kal-man filter.

AI 본문요약
AI-Helper

문제 정의

본 논문에서는 시계열 데이터의 결측치 처리 방법에 대하여 연구했다. 연구에서 사용된 데이터는 결측값으로 인해 일정하지 않은 시간 간격을 가지는 누적 태양광 발전량 데이터이다.
본 논문에서는 시계열 데이터의 발전량 예측의 정확도 향상을 위해 데이터 결측치를 처리하는 방법에 대한 연구를 진행하였다. 이 연구 내용을 바탕으로 향후 ARIMA 모델을 적용하여 태양광 발전량을 예측하거나 태양광 발전의 효율 변화 관찰을 통해 태양광 발전설비의 유지보수에도 활용할 수 있을 것으로 사료된다.

제안 방법

결측치는 단순 이동 평균과 칼만 필터로 대치하였고, 각 방법으로 도출된 예측값의 오차를 비교했다. 단순 이동 평균은 측정값의 변화는 잘 반영하지만, 시간 지연(lag) 현상을 보인다.
이 결측값에 대하여 단순 이동 평균과 칼만 필터를 이용하여 처리하고 두 방법의 성능을 비교한다. 따라 서시 계열 데이터의 추세를 반영한 결측치 처리 방법에 대해 제안하고, 각 결측치 처리 방법을 선택했을 때의 이점에 대한 정보를 제공하여 결측치 처리 환경에 적합한 방법을 선택할 수 있는 기준을 제시한다.
이를 이용하여 시계열 분석을 하기 위해서는 일정한 시간 간격으로 보정할 필요가 있다. 따라서 데이터의 시간 간격을 1분 단위로 맞춘 후 결측치를 처리하였다.
데이터의 결측치는 관측치와 무관한 무작위 결측값이므로 완전 무작위 결측이라고 할 수 있다. 이 결측값에 대하여 단순 이동 평균과 칼만 필터를 이용하여 처리하고 두 방법의 성능을 비교한다. 따라 서시 계열 데이터의 추세를 반영한 결측치 처리 방법에 대해 제안하고, 각 결측치 처리 방법을 선택했을 때의 이점에 대한 정보를 제공하여 결측치 처리 환경에 적합한 방법을 선택할 수 있는 기준을 제시한다.

대상 데이터

논문에서 사용한 데이터는 전남 순천시에 설치된 태양광 발전 시스템이 수집한 상태 정보 데이터이다. 해당 시스템은 10kW 인버터로 구성되어 있으며, 2018년 1월부터 2018년 12월까지 1년간 수집된 데이터를 대상으로 분석을 진행하였다.
분석에 활용한 데이터는 누적 발전량(cumulative power) 데이터이다. 누적 발전량은 특정 시점의 관측값이 아닌 적산 값이며 이상치나 잡음이 보정된 값이므로 분석에 활용하기 적합하다.
본 논문에서는 시계열 데이터의 결측치 처리 방법에 대하여 연구했다. 연구에서 사용된 데이터는 결측값으로 인해 일정하지 않은 시간 간격을 가지는 누적 태양광 발전량 데이터이다. 태양광 발전량 데이터 수집 장치에 데이터를 요청하는 주기는 일정하나, 회선의 일시적인 통신 두절, 장비나 물리적인 문제, 잡음으로 인한 데이터 오염 등의 이유로 결측값이 초래되었다.
논문에서 사용한 데이터는 전남 순천시에 설치된 태양광 발전 시스템이 수집한 상태 정보 데이터이다. 해당 시스템은 10kW 인버터로 구성되어 있으며, 2018년 1월부터 2018년 12월까지 1년간 수집된 데이터를 대상으로 분석을 진행하였다. Table 1은 수집데이터의 테이블 스키마이다.

이론/모형

하루를 기준으로 한 동주기를 가지는 결측치가 포함된 1분 단위 데이터 목록이 생성된다. 이 과정에서 생긴 결측치는 단순 이동 평균과 칼만 필터 방법으로 채워주었다.

후속연구

단순 이동 평균은 측정값의 변화는 잘 반영하지만, 시간 지연(lag) 현상을 보인다. 또한 측정값을 만나는 지점에서 급격한 변동을 보이는 점에서 한계가 있다. 반면 칼만 필터를 이용한 그래프는 시간 지연 없이 값의 변동을 반영하고 있고 예측값들도 측정값 사이에 분포한다.
본 논문에서는 시계열 데이터의 발전량 예측의 정확도 향상을 위해 데이터 결측치를 처리하는 방법에 대한 연구를 진행하였다. 이 연구 내용을 바탕으로 향후 ARIMA 모델을 적용하여 태양광 발전량을 예측하거나 태양광 발전의 효율 변화 관찰을 통해 태양광 발전설비의 유지보수에도 활용할 수 있을 것으로 사료된다.

참고문헌 (23)

N. Hur, J. Jung, and S. Kim, "A Study on Air Demand Forecasting Using Multivariate Time Series Models," The Korean Journal of Applied Statistics, Vol. 22, No. 5, pp. 1007-1017, 2009.

원문보기 상세보기
J. Oh, H. Shin, Y. Shin, and H. Jeong, "Forecasting the Particulate Matter in Seoul using a Univariate Time Series Approach," Journal of The Korean Data Analysis Society (JKDAS), Vol. 19, No. 5, pp. 2457-2468, 2017.

상세보기
K. Lee, H. Son, and S. Kim, "A Study on Solar Energy Forecasting Based on Time Series Models," The Korean Journal of Applied Statistics, Vol. 31, No. 1, pp. 139-153, 2018.

원문보기 상세보기
A. Phinikarides, G. Makrides, B. Zinsser, M. Schubert, and G.E. Georghiou, "Analysis of Photovoltaic System Performance Time Series: Seasonality and Performance Loss," Renewable Energy, Vol. 77, pp. 51-63, 2014
C. Park, S. Hong, S. Lim, B. Song, S. Park, and J. Huh et al., "Inverter Efficiency Analysis Model Based on Solar Power Estimation Using Solar Radiation," Processes, Vol. 8, No. 10, pp. 1225-1243, 2020.

상세보기
M. Coello and L. Boyle, "Simple Model For Predicting Time Series Soiling of Photovoltaic Panels," IEEE Journal of Photovoltaics, Vol. 9, No. 5, pp. 1382-1387, 2019.

상세보기
R.J. Hyndman, and G. Athanasopoulos, Forecasting: Principles and Practice, OTexts, Melbourne, Australia. 2018.
G. Reikard, "Predicting Solar Radiation at High Resolutions: A Comparison of Time Series Forecasts," Solar Energy, Vol. 83, No. 3, pp. 342-349, 2009.

상세보기
T. Chuluunsaikhan, A. Nasridinov, W. Choi, D. Choi, S. Choi, and Y. Kim, "Predicting the Power Output of Solar Panels based on Weather and Air Pollution Features using Machine Learning," Journal of Korea Multimedia Society, Vol. 24, No. 2, pp. 222-232, 2021.

원문보기 상세보기
H. Sharadga, S. Hajimirza, and R.S. Balog, "Time Series Forecasting of Solar Power Generation for Large-Scale Photovoltaic Plants," Renewable Energy, Vol. 150, pp. 797-807, 2020.

상세보기
Y. Qin, S. Zhang, X. Zhu, J. Zhang, and C. Zhang, "Semi-parametric Optimization for Missing Data Imputation," Applied Intelligence, Vol. 27, No. 1, pp. 79-88, 2007.

상세보기
R.A. Little and D.B. Rubin, Statistical Analysis with Missing Data, Second Edition, Wiley, New Jersey, USA., 2002.
G.E.A.P.A. Batista and M.C. Monard, "An Analysis of Four Missing Data Treatment Methods for Supervised Learning," Applied Artificial Intelligence, Vol. 17, No. 5-6, pp. 519-533, 2003.

상세보기
S.R. Seaman and I.R. White, "Review of Inverse Probability Weighting for Dealing with Missing Data," Statistical Methods in Medical Research, Vol. 22, No. 3, pp. 278-295, 2011.

상세보기
M. Huisman, "Imputation of Missing Network Data: Some Simple Procedures," Journal of Social Structure, Vol. 10, No. 1, pp. 1-29, 2009.

상세보기
S.J. Hadeed, M.K. O'Rourke, J.L. Burgess, R.B. Harris, R.A. Canales, "Imputation Methods for Addressing Missing Data in Short-Term Monitoring of Air Pollutants," Science of The Total Environment, Vol. 730, pp. 139-140, 2020.
J. Kim, C. Sim. S. Jung, "A Study on Automatic Missing Value Imputation Replacement Method for Data Processing in Digital Data," Journal of Korea Multimedia Society, Vol. 24, No. 2, pp. 245-254, 2021.
A. Nielsen, Practical Time Series Analysis: Prediction with Statistics and Machine Learning, O'Reilly Media, Sebastopol, CA., 2019.
P. Chanhom, S. Sirisukprasert, and N. Hatti, "A New Mitigation Strategy for Photovoltaic Power Fluctuation Using The Hierarchical Simple Moving Average," 2013 IEEE International Workshop on Inteligent Energy Systems (IWIES), pp. 28-33, 2013.
S. Hansun, "A New Approach of Moving Average Method in Time Series Analysis," 2013 Conference on New Media Studies (CoNMedia), pp. 1-4, 2013.
C.A. Ellis and S.A. Parbery, "Is Smarter Better? A Comparison of Adaptive, and Simple Moving Average Trading Strategies," Research in International Business and Finance, Vol. 19, No. 3, pp. 399-411, 2005.

상세보기
T. Kim, I. Song, and S. Lee, "Noise Reduction of HDR Detail Layer Using a Kalman Filter Adapted to Local Image Activity," Journal of Korea Multimedia Society, Vol. 22, No. 1, pp. 10-17, 2019.

원문보기 상세보기
An Introduction to the Kalman Filter(2006). https://perso.crans.org/club-krobot/doc/kalman.pdf (accessed July 12, 2021).

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