[논문]영농형 태양광 발전소에서 순환신경망 기반 발전량 예측 시스템

정설령; 고진광; 이성근

doi:10.13067/jkiecs.2022.17.5.825

영농형 태양광 발전소에서 순환신경망 기반 발전량 예측 시스템
Recurrent Neural Network based Prediction System of Agricultural Photovoltaic Power Generation 원문보기

한국전자통신학회 논문지 = The Journal of the Korea Institute of Electronic Communication Sciences, v.17 no.5, 2022년, pp.825 - 832

정설령 (순천대학교 컴퓨터공학과) , 고진광 (순천대학교 인공지능공학부) , 이성근 (순천대학교 인공지능공학부)

초록
AI-Helper

본 논문은 영농형 태양광 발전 시스템의 전력 생산량을 수집·저장하여 지능적인 예측 모델을 구현하기 위한 예측 및 진단 모델의 설계와 구현에 대해 논한다. 제안된 모델은 시계열 데이터에 특화된 순환신경망 기법인 RNN, LSTM, GRU 모델을 이용하여 태양광 발전량을 예측하고 각 모델의 하이퍼 파라미터를 다르게 주어 비교 분석하고, 성능을 평가했다. 그 결과 세 모델 모두 MSE, RMSE 지표는 0에 매우 가까우며, R2 지표는 1에 가까운 성능을 보였다. 이를 통해 제안하는 예측 모델은 태양광 발전량을 예측하기에 적합한 모델임을 알 수 있고, 이러한 예측을 이용하여 영농형 태양광 시스템에서 지능적인 운영관리 기능에 적용될 수 있음을 보였다.

Abstract ▼ AI-Helper

In this paper, we discuss the design and implementation of predictive and diagnostic models for realizing intelligent predictive models by collecting and storing the power output of agricultural photovoltaic power generation systems. Our model predicts the amount of photovoltaic power generation using RNN, LSTM, and GRU models, which are recurrent neural network techniques specialized for time series data, and compares and analyzes each model with different hyperparameters, and evaluates the performance. As a result, the MSE and RMSE indicators of all three models were very close to 0, and the R2 indicator showed performance close to 1. Through this, it can be seen that the proposed prediction model is a suitable model for predicting the amount of photovoltaic power generation, and using this prediction, it was shown that it can be utilized as an intelligent and efficient O&M function in an agricultural photovoltaic system.

주제어

표/그림 (13)

그림 그림 1. 순환신경망 구조 Fig. 1 Recurrent neural network structure
그림 그림 2. LSTM 모델 구성 Fig. 2 LSTM model configuration
그림 그림 3. GRU 모델의 내부 구성도 Fig. 3 Internal diagram of GRU model
그림 그림 4 태양광 발전 예측 시스템 구성도 Fig. 4 Photovoltaic power generation prediction system
그림 그림 5. 데이터 셋 구성 Fig. 5 Data set configuration
표 표 1. 매개변수 정의 Table 1. Parameter Definition
표 표 2. 과대적합 방지를 위한 추가 기능 Table 2. Additional features to avoid overfitting
그림 그림 6. 예측 모델 성능 비교 Fig. 6 Comparison of predictive model performance
그림 그림 7. 예측 모델의 손실 그래프 Fig. 7 Loss graph of predictive model
그림 그림 8. 모델별 성능평가 지표 Fig. 8 Performance evaluation index of models
표 표 3. RNN 모델의 성능평가 결과 Table 3. Performance evaluation of RNN model
표 표 4. LSTM 모델의 성능평가 결과 Table 4. Performance evaluation of LSTM model
표 표 5. GRU 모델의 성능평가 결과 Table 5. Performance evaluation of GRU model

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