딥러닝은 주가 및 농산물 가격 예측과 같이 데이터를 분석해 일련의 규칙을 발견하고 미래를 예상해 우리의 삶에서 다양한 도움을 주고 있다. 본 연구는 태양광 에너지 사용의 중요성이 늘어나는 상황에서 기상에 따른 태양광 발전 실적을 딥러닝을 통해 분석하고 발전량을 예측한다. 본 연구에서는 시계열 데이터 예측에서 두각을 나타내고 있는 LSTM(Long Short Term Memory network)을 사용한 모델을 제안하며 이미지를 비롯한 다양한 차원의 데이터를 분석할 때 사용되는 CNN(Convolutional Neural Network)과 두 모델을 결합한 CNN-LSTM과의 성능을 비교한다. 세 가지 모델의 성능은 태양광 발전 실적의 실제값과 딥러닝을 통해 예측한 값으로 MSE, RMSE, 결정계수를 계산하여 비교하였고 그 결과 LSTM 모델의 성능이 가장 우수한 것으로 나타났다. 따라서 본 연구는 LSTM을 사용한 태양광 발전량 예측을 제안한다.
딥러닝은 주가 및 농산물 가격 예측과 같이 데이터를 분석해 일련의 규칙을 발견하고 미래를 예상해 우리의 삶에서 다양한 도움을 주고 있다. 본 연구는 태양광 에너지 사용의 중요성이 늘어나는 상황에서 기상에 따른 태양광 발전 실적을 딥러닝을 통해 분석하고 발전량을 예측한다. 본 연구에서는 시계열 데이터 예측에서 두각을 나타내고 있는 LSTM(Long Short Term Memory network)을 사용한 모델을 제안하며 이미지를 비롯한 다양한 차원의 데이터를 분석할 때 사용되는 CNN(Convolutional Neural Network)과 두 모델을 결합한 CNN-LSTM과의 성능을 비교한다. 세 가지 모델의 성능은 태양광 발전 실적의 실제값과 딥러닝을 통해 예측한 값으로 MSE, RMSE, 결정계수를 계산하여 비교하였고 그 결과 LSTM 모델의 성능이 가장 우수한 것으로 나타났다. 따라서 본 연구는 LSTM을 사용한 태양광 발전량 예측을 제안한다.
Deep learning analyzes data to discover a series of rules and anticipates the future, helping us in various ways in our lives. For example, prediction of stock prices and agricultural prices. In this research, the results of solar photovoltaic power generation accompanied by weather are analyzed thr...
Deep learning analyzes data to discover a series of rules and anticipates the future, helping us in various ways in our lives. For example, prediction of stock prices and agricultural prices. In this research, the results of solar photovoltaic power generation accompanied by weather are analyzed through deep learning in situations where the importance of solar energy use increases, and the amount of power generation is predicted. In this research, we propose a model using LSTM(Long Short Term Memory network) that stand out in time series data prediction. And we compare LSTM's performance with CNN(Convolutional Neural Network), which is used to analyze various dimensions of data, including images, and CNN-LSTM, which combines the two models. The performance of the three models was compared by calculating the MSE, RMSE, R-Squared with the actual value of the solar photovoltaic power generation performance and the predicted value. As a result, it was found that the performance of the LSTM model was the best. Therefor, this research proposes predicting solar photovoltaic power generation using LSTM.
Deep learning analyzes data to discover a series of rules and anticipates the future, helping us in various ways in our lives. For example, prediction of stock prices and agricultural prices. In this research, the results of solar photovoltaic power generation accompanied by weather are analyzed through deep learning in situations where the importance of solar energy use increases, and the amount of power generation is predicted. In this research, we propose a model using LSTM(Long Short Term Memory network) that stand out in time series data prediction. And we compare LSTM's performance with CNN(Convolutional Neural Network), which is used to analyze various dimensions of data, including images, and CNN-LSTM, which combines the two models. The performance of the three models was compared by calculating the MSE, RMSE, R-Squared with the actual value of the solar photovoltaic power generation performance and the predicted value. As a result, it was found that the performance of the LSTM model was the best. Therefor, this research proposes predicting solar photovoltaic power generation using LSTM.
본 연구는 기상에 따른 태양광 발전량 예측을 위해 LSTM 모델 사용을 제안한다. 기상 예보에 따라 발전기의 가동 시간 및 기간 등 발전기 운용을 계획하고 발전량을 예측함으로써 전력 사용 안정화에 이바지할 것으로 기대된다.
본 연구는 태양광 발전량을 예측함으로써 목표하는 발전량을 달성하기 위해 발전기의 가동 시간과 기간, 추가 가동 및 정지와 같이 기상 예보에 따라 발전기 운용을 계획하는 데에 도움을 주어 전력 사용 안정화에 이바지하는 것을 목표로 한다.
본 연구는 화석연료의 사용으로 야기된 지구온난화라는 환경문제로 신재생 에너지 사용의 중요성이 증가하는 상황에서 기상에 따른 태양광 발전량을 예측하기 위해 연구를 진행하였다.
인공지능 구현 방법의 하나인 딥러닝은 현재 주가 및농산물 가격 예측과 같이 데이터를 분석해 일련의 규칙을 발견하고 미래를 예상해 우리의 삶에서 다양한 도움을 주고 있다[3]. 본 연구에서는 이러한 딥러닝을 통해 기상에 따른 태양광 발전 실적을 분석하고 발전량을 예측한다.
태양광 패널은 외부에 설치되어 햇빛을 받아야 하므로 기본적으로 날씨에 많은 영향을 받으며 계절과 시간에 따라 발전량이 일정한 패턴을 보이고 변화하는 시계열의 특성을 가진다. 이러한 점을 고려하여 본 연구에서는 기상 데이터와 함께 태양광 에너지 발전량을 분석한다.
제안 방법
먼저 태양광 발전 실적 데이터와 기상 데이터의 전처리를 진행한 후에 LSTM, CNN, CNN-LSTM 알고리즘을 사용한 모델을 생성하고 평가하여 기상에 따른 태양광 발전량을 예측한다.
본 연구는 신재생 에너지 사용의 중요성이 증가하는 상황에서 기상에 따른 태양광 발전량을 예측하기 위해 시계열 데이터 예측에서 두각을 나타내고 있는 LSTM을 사용한 모델을 제안한다.
대상 데이터
태양광 발전량 데이터는 공공 데이터 포털에서 한국 남부 발전의 인천 수산정수장 태양광 발전 실적을 수집했다. 기상 데이터는 기상청 기상 자료 개방 포털에서 종관 기상 관측 자료를 수집했다. 종관 기상 관측 자료는 기온(°C), 강수량(mm), 습도(%), 일사(MJ/m2), 운량(10분위)이 포함된 데이터이다.
본 연구는 태양광 발전량을 예측하기 위해 인천 수산정수장의 태양광 발전 실적 데이터를 사용하였다. 또한 햇빛을 받아야 전기를 발생시키는 태양전지를 사용하기 때문에 기본적으로 날씨에 많은 영향을 받는 태양광 발전의 특성을 고려하여 기상청에서 제공하는 종관 기상 관측 자료를 함께 사용하였다.
그 결과, LSTM의 예측 오차가 낮은 모습을 확인 하였다. 본 연구는 이를 참고하여 기상 데이터를 수집하고 LSTM을 활용하였다.
본 연구는 태양광 발전량을 예측하기 위해 인천 수산정수장의 태양광 발전 실적 데이터를 사용하였다. 또한 햇빛을 받아야 전기를 발생시키는 태양전지를 사용하기 때문에 기본적으로 날씨에 많은 영향을 받는 태양광 발전의 특성을 고려하여 기상청에서 제공하는 종관 기상 관측 자료를 함께 사용하였다.
본 연구를 위해 태양광 발전량 및 기상 데이터 수집을 진행했다. 태양광 발전량 데이터는 공공 데이터 포털에서 한국 남부 발전의 인천 수산정수장 태양광 발전 실적을 수집했다.
종관 기상 관측 자료는 기온(°C), 강수량(mm), 습도(%), 일사(MJ/m2), 운량(10분위)이 포함된 데이터이다.
본 연구를 위해 태양광 발전량 및 기상 데이터 수집을 진행했다. 태양광 발전량 데이터는 공공 데이터 포털에서 한국 남부 발전의 인천 수산정수장 태양광 발전 실적을 수집했다. 기상 데이터는 기상청 기상 자료 개방 포털에서 종관 기상 관측 자료를 수집했다.
태양광 발전량 데이터와 기상 데이터 모두 2019년 8월 1일부터 2021년 7월 31일까지 1시간 단위로 총 2년의 데이터를 추출했다. 이후 따로 수집한 발전량 데이터와 기상 데이터를 날짜와 시간에 맞추어 하나의 데이터 셋으로 가공했다.
데이터처리
더욱 정확한 차이를 수치로 확인하기 위해 태양광 발전량의 실제값과 딥러닝을 통해 예측한 값으로 MSE(Mean Squared Error)와 RMSE(Root Mean Squared Error)를 계산하였다. MSE의 공식은 3장의 식(1)과 같으며 RMSE의 공식은 3장의 식(2)와 같다.
본 연구에서는 LSTM을 활용한 회귀 분석을 위해 손실함수로는 MSE(Mean Squared Error)를 사용하였다. 손실함수는 신경망의 성능을 나타내는 지표이다.
실험을 통해 LSTM 모델과 CNN 모델, CNN-LSTM 모델의 결과를 비교한다. 세 가지 모델은 모두 3장에서 전처리를 마친 데이터로 학습하였다.
이론/모형
미세먼지 오염도를 예측한 연구[12]에서는 환경 데이터를 CNN-LSTM에 적용해 시계열 예측 성능을 개선하였다. 본 연구는 이를 참고하여 CNN-LSTM을 활용해 시계열 데이터를 분석하였다.
본 연구에서는 LSTM을 활용한 회귀 분석을 위해 활성화 함수로는 TanH(Hyperbolic Tangent)를 사용하였다. 이유는 다음과 같다.
추가로 모델의 적합도를 평가하기 위해 결정계수(R-Squared)를 이용하였다. 결정계수는 회귀모델에서 독립변수가 종속변수를 얼마나 설명하는지를 가리키는 지표이다.
성능/효과
LSTM, CNN, CNN-LSTM 모델을 활용하여 실험을 진행하였고 그 결과 LSTM 모델로 예측한 값이 실제 태양광 발전량과의 차이가 가장 적다는 사실을 확인했다.
본 연구에서는 태양광 발전 실적과 종관 기상 관측 자료를 활용해 기상에 따른 태양광 발전량을 분석했지만, 발전기의 사양을 추가해 분석한다면 실제와 예측의 차이가 더 줄어들 것으로 기대된다. 또한 최근 대기 중의 먼지 농도가 높아지는 상황에서 태양광 패널에 햇빛이 도달해야 하는 태양광 발전의 특징을 고려해 보면 먼지 농도가 발전에 영향을 줄 수 있다. 그러므로 대기 중의 먼지 농도를 추가해 분석한다면 좋을 것으로 생각한다.
후속연구
또한 최근 대기 중의 먼지 농도가 높아지는 상황에서 태양광 패널에 햇빛이 도달해야 하는 태양광 발전의 특징을 고려해 보면 먼지 농도가 발전에 영향을 줄 수 있다. 그러므로 대기 중의 먼지 농도를 추가해 분석한다면 좋을 것으로 생각한다.
본 연구는 기상에 따른 태양광 발전량 예측을 위해 LSTM 모델 사용을 제안한다. 기상 예보에 따라 발전기의 가동 시간 및 기간 등 발전기 운용을 계획하고 발전량을 예측함으로써 전력 사용 안정화에 이바지할 것으로 기대된다. 또한 태양광뿐만 아니라 다른 신재생 에너지 발전량을 예측하는 데 활용할 수 있을 것으로 기대된다.
기상 예보에 따라 발전기의 가동 시간 및 기간 등 발전기 운용을 계획하고 발전량을 예측함으로써 전력 사용 안정화에 이바지할 것으로 기대된다. 또한 태양광뿐만 아니라 다른 신재생 에너지 발전량을 예측하는 데 활용할 수 있을 것으로 기대된다.
무엇보다 화석연료는 소모해버리면 다시 자원으로 활용하기까지 많은 시간이 걸리기 때문에 미래에 고갈되지 않고 환경에 악영향을 미치지 않는 신재생 에너지의 사용이 절실하다. 또한 화석연료는 특정 지역에만 존재해 많은 나라에서는 수입해서 사용하고 있으나 신재생 에너지의 사용이 확대된다면 수입 의존도를 극복할 수 있을 것이다[1].
본 연구에서는 태양광 발전 실적과 종관 기상 관측 자료를 활용해 기상에 따른 태양광 발전량을 분석했지만, 발전기의 사양을 추가해 분석한다면 실제와 예측의 차이가 더 줄어들 것으로 기대된다. 또한 최근 대기 중의 먼지 농도가 높아지는 상황에서 태양광 패널에 햇빛이 도달해야 하는 태양광 발전의 특징을 고려해 보면 먼지 농도가 발전에 영향을 줄 수 있다.
참고문헌 (19)
Takeshi Wada, Kenro Dowara, Shunichi Hiraoka, and Yoosuke Yokata, "Get Together To Talk About Climate Change : Governance Roadmap for Ecological Conservation and Energy Conservation", Book Sense, pp. 88-89, 2016.
Jin-Pyo Hwang, and Chang-Hyun Lee, "Organic-inorganic Nanocomposite Adhesive with Improved Barrier Property to Water Vapor for Backsheets of Photovoltaic Modules", MEMBRANE JOURNAL, Vol. 25, No. 6, pp. 530-537, December 2015. DOI: 10.14579/MEMBRANE_JOURNAL.2015.25.6.530
Taek-Kyu Kim, Jae-Kwan Park, Seung-Hwan Seong, and Seo-Ryong Koo, "Implementation of interface module for prior study on deep learning model based on CNS", The Institute Of Electronics And Information Engineers, (), pp. 1258-1260, June 2021.
Hyun-Su Kim, "Control Performance Evaluation of Smart Mid-story Isolation System with RNN Model", Journal of the Korea Academia-Industrial cooperation Society, Vol. 21, No. 1, pp. 774-779, January 2020. DOI: 10.5762/KAIS.2020.21.1.774
Su-Jeong Lee, and Jae-Heon Lee, "Monitoring procedure of autocorrelated processes using the deep learning-based LSTM model", Journal of the Korean Data And Information Science Society, Vol. 33, No. 2, pp. 237-248, March 2022. DOI: 10.7465/jkdi.2022.33.2.237
Jong-Seok Choi, and Yong-Tae Shin, "LSTM-based Power Load Prediction System Design for Store Energy Saving", Journal of Korea Institute of Information, Electronics, and Communication Technology, Vol. 14, No. 4, pp. 307-313, August 2021. DOI: 10.17661/jkiiect.2021.14.4.307
Baek-Cheon Kim, Seung-Hwan Jung, Min-Seok Kim, Jong-Geun Kim, Han-Soo Lee, and Sung-Shin Kim, "Solar Power Generation Forecasting based on LSTM considering Weather Conditions", Journal of Korean Institute of Intelligent Systems, Vol. 30, No. 1, pp. 7-12, February 2020. DOI: 10.5391/JKIIS.2020.30.1.7
Sun-Gwan Han, Soo-Bin Hong, Young-Jun Kim, Byung-Chul Kim, Gi-Min Jeong, and Sung-Min An, "Artificial Intelligence Lab For AI Thinking", Sung An Dang, pp. 113-114, 2020.
Mo-Se Lee, and Hyun-Chul Ahn, "A Time Series Graph based Convolutional Neural Network Model for Effective Input Variable Pattern Learning : Application to the Prediction of Stock Market", Journal of Intelligence and Information Systems, Vol. 24, No. 1, pp. 167-181, March 2018. DOI: 10.13088/jiis.2018.24.1.167
Min-Woo Cho, Su-Jin Kim, and Hoe-Kyung Jung, "Implementation of CNN-based water level prediction model for river flood prediction", Journal of the Korea Institute of Information and Communication Engineering, Vol. 25, No. 11, pp. 1471-1476, November 2021. DOI: 10.6109/jkiice.2021.25.11.1471
Ye-In Kim, Se-Eun Lee, and Young-Sung Kwon, "Proposal of a Step-by-Step Optimized Campus Power Forecast Model using CNN-LSTM Deep Learning", Journal of the Korea Academia-Industrial cooperation Society, Vol. 21, No. 10, pp. 8-15, October 2020. DOI: 10.5762/KAIS.2020.21.10.8
Chul-Hyun Hwang, and Kwang-Wook Shin, "CNN-LSTM Combination Method for Improving Particular Matter Contamination (PM 2.5 ) Prediction Accuracy", Journal of the Korea Institute of Information and Communication Engineering, Vol. 24, No. 1, pp. 57-64, January 2020. DOI: 10.6109/jkiice.2020.24.1.57
Hye-Sook Son, Seok-Yeon Kim, and Yun Jang, "LSTM-based 24-Hour Solar Power Forecasting Model using Weather Forecast Data", KIISE Transactions on Computing Practices, Vol. 26, No. 10, pp. 435-441, October 2020. DOI: 10.5626/KTCP.2020.26.10.435
Yeon-Ju An, Taeck-Kie Lee, and Kyu-Ho Kim, "Prediction of Photovoltaic Power Generation Based on LSTM Considering Daylight and Solar Radiation Data", The transactions of The Korean Institute of Electrical Engineers, Vol. 70, No. 8, pp. 1096-1101, August 2021. DOI: 10.5370/KIEE.2021.70.8.1096
Dong-Cheul Lee, and Byung-Joo Park, "Comparison of Deep Learning Activation Functions for Performance Improvement of a 2D Shooting Game Learning Agent", The Journal of The Institute of Internet, Broadcasting and Communication, Vol. 19, No. 2, pp. 135-141, April 2019. DOI: 10.7236/JIIBC.2019.19.2.135
Ho-Yong Eom, Dea-Hyeon Yu, and Seung-Muk Baek, "A Study on Performance Comparison of Long Short-term Memory Learning Techniques for Electric Load Forecasting", Korean Society for Precision Engineering, (), pp. 618-619, November 2021.
Ji-Yul Kim, and Seong-Jin Ko, "Comparison of DICOM images and various types of images", The Korea Institute of Convergence Signal Processing, Vol. 18, No. 2, pp. 76-83, December 2017.
Young-Dan Noh, and Kyu-Cheol Cho, "A Text Content Classification Using LSTM For Objective Category Classification", Journal of the Korea Society of Computer and Information, Vol. 26, No. 5, pp. 39-46, May 2021. DOI: 10.9708/jksci.2021.26.05.039
Young-Min Wi, Kyung-Bin Song, and Sung-Kwan Joo, "Load Forecasting for the Holidays Using a Data mining with the Coefficient of Determination", Journal of the korean Institute of Electrical Engineers, (), pp. 552-553, July 2008.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.