[논문]기상 빅데이터를 활용한 신재생 에너지 발전량 예측 모형 연구

강미영

doi:10.13067/jkiecs.2023.18.1.39

기상 빅데이터를 활용한 신재생 에너지 발전량 예측 모형 연구
Renewable Energy Generation Prediction Model using Meteorological Big Data 원문보기

한국전자통신학회 논문지 = The Journal of the Korea Institute of Electronic Communication Sciences, v.18 no.1, 2023년, pp.39 - 44

강미영 (호남대학교 정보통신공학과)

초록
AI-Helper

태양광, 풍력 등의 신재생 에너지는 기상조건 및 환경변화에 민감한 자원이다. 설치위치 및 구조에 따른 설비의 발전량이 달라질 수 있기 때문에 정확한 발전량 예측은 중요하다. 기상 빅데이터를 활용하여 주성분 분석을 기반으로 데이터 전처리 과정을 진행하여 신재생 에너지 발전량 예측 시 영향을 미치는 피처간의 관계를 모니터링하였다. 또한, 본 연구에서는 영향을 미치는 민감도에 따라 데이터셋을 재구성하여 머신러닝 모델에 적용하여 예측도를 테스트하였다. 제안한 모형을 사용하여 신재생 에너지를 대상으로 기상환경에 따라 에너지 발전량을 예측하고 해당 시점의 실제 생산 값과 비교함으로써 랜덤 포레스트 회귀 분석을 적용한 에너지 발전량 예측에 대한 성능을 확인하였다.

Abstract ▼ AI-Helper

Renewable energy such as solar and wind power is a resource that is sensitive to weather conditions and environmental changes. Since the amount of power generated by a facility can vary depending on the installation location and structure, it is important to accurately predict the amount of power generation. Using meteorological data, a data preprocessing process based on principal component analysis was conducted to monitor the relationship between features that affect energy production prediction. In addition, in this study, the prediction was tested by reconstructing the dataset according to the sensitivity and applying it to the machine learning model. Using the proposed model, the performance of energy production prediction using random forest regression was confirmed by predicting energy production according to the meteorological environment for new and renewable energy, and comparing it with the actual production value at that time.

주제어

표/그림 (9)

그림 그림 1. X1, X2 독립변수에 대한 다중회귀분석 Fig. 1 Multiple regression analysis (X1, X2)
그림 그림 2. 랜덤 포레스트에서 배깅 과정 Fig. 2 Bagging process in random forest
그림 그림 3. 주성분 벡터로의 투영 Fig. 3 Projection into PCV
그림 그림 4. 주성분 분석 Scree Plot Fig. 4 PCA Scree Plot
표 표 1. 기상 빅데이터 Table 1. The meteorological Big Data
표 표 2. 신재생 에너지 풍력 발전량 Table 2. Renewable energy wind power
그림 그림 5. 기상 빅데이터 변수 간 분포 Fig. 5 Distribution between meteorological Big Data
그림 그림 6. 연도별 신재생 풍력 발전량 Fig. 6 Renewable Wind Power Generation by Year
그림 그림 7. 제안한 모형 적용한 예측 결과 비교 Fig. 7 Comparison of prediction results

참고문헌 (11)

J. Lee, "Optimal Operation of Energy Storage？Devices based on Artificial Intelligence," Journal？of the Korean Soloar Energy Society, vol. 42, no. 1,？Feb. 2022, pp. 155-175.

상세보기
J. T. Dellosa and E. C. Palconit, "Artificial？Intelligence(AI) in Renewable Energy Systems: A？Condensed Review of its Applications and？Techniques," IEEE International Conference(EEEIC/I&CPS？Europe), Bari, Italy, Sept. 2021.
J. Choi and H. Choi, "Prediction of Wind Power？Generation using Deep Learning," J. of the Korea？Institute of Electronic Communication Sciences, vol.？16, no. 02, Apr. 2021, pp. 329-338.
S. Lee, S. Jung and J. Koh, "Recurrent Neural？Network based Prediction System of Agricultural？Photovoltaic Power Generation," J. of the Korea？Institute of Electronic Communication Sciences, vol.？17, no. 05, Oct. 2022, pp. 825-832.
M. Chaikumbung, "Institutions and consumer？preferences for renewable energy: A？meta-regression analysis," Renewable and Sustainable？Energy Reviews, vol. 146, Aug. 2021, pp. 1-24.
J. Lee and I. Lee, "Trends in ICT-based？renewable energy generation prediction？technology," The Journal of Korean Institute of？Communications and Information Sciences, vol. 36,？no. 11, Oct. 2019, pp. 3-8.
D. Shin and C. Kim, "Short Term Forecast Model？for Solar Power Generation using RNN-LSTM,"？Journal of Advanced Navigation Technology, vol. 22？no. 3, 2018, pp. 233-239.

원문보기 상세보기
L. Martin, L. F. Zarzalejo, J. Polo, A. Navarro, R.？Marchante and M. Cony, "Prediction of global？solar irradiance based on time series analysis:？Application to solar thermal power plants？energy production panning," Solar Energy, vol.？84, no. 10, 2010, pp. 1772-1781.

상세보기
S. Park and S. Kim, "A study on short-term？wind power forecasting using time series？models," The Korean Journal of Applied Statistics,？vol. 29, no. 7, 2016, pp. 1373-1383.

원문보기 상세보기
L. Breiman, "Random Forests," Machine Learning,？vol. 45, 2001, pp. 5-32.
B. M. S. Hasan and A. M. Abdulazeez, "A Review？of Principal Component Analysis Algorithm for？Dimensionality Reduction," Journal of Soft Computing？and Data Mining, vol. 2, no. 1, 2021, pp. 20-30.

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