초록 ▼

연구개요
본 과제는 위성과 지상에서 측정한 기상 데이터를 모두 이용하여 대기권을 통과하여 지표면 도달하는 일사량(solar irradiance)을 예측(forecast)하는 태양복사모델(solar radiation model)을 기계 학습(machine learning)과 연계하여 연구하고, 예측한 일사량으로 태양에너지(solar energy) 발전량을 예측하는 것을 목표로 한다. 국내에 적합하도록, 기상 데이터와 일사량 사이의 상관관계를 기반으로 하는 통계적 태양복사모델과 기상 데이터를 입력 변수로 하면서 복사 전달 방정식

연구개요
본 과제는 위성과 지상에서 측정한 기상 데이터를 모두 이용하여 대기권을 통과하여 지표면 도달하는 일사량(solar irradiance)을 예측(forecast)하는 태양복사모델(solar radiation model)을 기계 학습(machine learning)과 연계하여 연구하고, 예측한 일사량으로 태양에너지(solar energy) 발전량을 예측하는 것을 목표로 한다. 국내에 적합하도록, 기상 데이터와 일사량 사이의 상관관계를 기반으로 하는 통계적 태양복사모델과 기상 데이터를 입력 변수로 하면서 복사 전달 방정식의 해를 구하는 물리적 태양복사모델을 개발한다. 기존의 통계적 모델과 물리적 모델에 기계 학습 방법을 적용하여 일사량의 예측 시간 범위, 시공간의 해상도, 예측 정확도를 향상할 수 있도록 태양복사모델을 연구한다.

연구 목표대비 연구결과
일사량 예측에서 널리 사용되는 통계적 모델과 물리적 모델을 이용하여 현재 수준에서 태양복사모델의 특성을 이해하고 장단점을 분석하였다. 하늘 영상 기반 모델, 위성영상 기반 모델, 수치 해석 모델의 모든 경우에 대해 기계 학습을 적용함으로써 분, 시간, 일의 다른 시간 스케일에 적용이 가능한 미래 일사량 예측 모델을 개발하였다. ANN(artificial neural network), LSTM(long short-term memory), GRU(gated recurrent unit), SVR(support vector regression), RF(random forest) 등 다양한 기계 학습 알고리즘을 검토한 후, 시계열 데이터에 적합한 LSTM이나 GRU 같은 딥러닝(deep learning)이 일사량 예측에 더욱 효과적인 것을 증명하였다. 태양차단지수(sun blocking index)라는 새로운 변수를 제시하였고, 기계 학습의 입력 변수 및 하이퍼 파라미터 최적화를 통해 예측 정확도가 향상됨을 증명하였다. 예측 결과는 측정 결과와 비교하고 RMSE(root mean square error)와 MBE(mean bias error) 같은 오차 척도를 산출하여 기계 학습에 의한 예측 정확도 개선을 정량적으로 파악할 수 있도록 하였다. 몇 분 앞선 일사량 예측에서 RMSE는 대략 10~20%이고, 몇 시간 앞선 예측과 며칠 앞선 예측에서는 각각 RMSE 20~30%와 30~40% 수준으로 개선되었다. 전반적으로, 기계 학습 방법이 일사량 및 태양광 발전량 예측에서 정확도를 높였고, 특히 MBE 개선에 효과적으로 나타났다. 태양광 발전량 예측에서 일사량 예측의 중요성을 확인하였고, 기계 학습을 통해 특정 지역 및 시스템에 적합한 데이터를 더욱 정확하게 산출할 수 있음을 증명하였다.

연구개발성과의 활용 계획 및 기대효과(연구개발결과의 중요성)
본 과제를 통해 개발한 일사량 예측 기술은 다양한 에너지 관리 시스템(energy management system)에 활용할 수 있다. 국가 전력망 관리에서는 태양광 발전량 예측하면 전기 수요와 생산을 안정적으로 제어하고 급격한 전력 변동에 대처할 수 있다. 건물 및 자동차의 에너지 관리에서는 일사량에 따른 에너지 수요 변화를 예측하여 예비 공조, 수요 분산과 같은 효율적인 수요 관리를 적용할 수 있다. 이를 통해 전 세계적으로 패러다임의 변화를 겪고 있는 에너지 시장에서 경쟁하는 국내 업체에게는 기술력 향상에 도움을 주고, 재생에너지 확산을 촉진함으로써 온실가스 감축 및 기후 변화 대응에 적극적으로 참여하는 국가 이미지 제고에 기여할 수 있다. 학문적으로는 국내에서 태양복사모델에 관한 연구가 부족한 상황에서 기초연구의 다양성을 확대하는 데 중요한 역할을 할 것이다. 기계학습기술을 태양복사모델과 연계함으로써 향후 급격히 발전하는 기계학습기술의 성과를 태양에너지 기술까지 확대 가능한 학문적 교두보를 마련할 것이다.

(출처 : 연구결과 요약문 2p)

목차 Contents

• 표지 ... 1
• 연구결과 요약문 ... 2
• 목차 ... 3
• 1. 연구개발과제의 개요 ... 4
• 2. 연구개발과제의 수행 과정 및 수행 내용 ... 4
• (가) 기존 통계적 모델과 물리적 모델의 검토 ... 4
• (나) 기계학습 기반 일사량 모델 개발 ... 6
• (다) 기계학습 모델의 개선 ... 7
• (라) 기계학습 모델의 비교 평가 ... 7
• (마) 영상 처리를 이용한 구름의 양 및 운동 계산 ... 8
• (바) 입력 변수를 예측하는 기계학습 모델 개발 ... 9
• (사) 미래의 (minute-, hour-, day-ahead) 일사량 예측과 특성 분석 ... 9
• (아) 직산분리 태양복사 모델 검토 ... 12
• (자) 태양광 발전량 예측 ... 12
• (차) 통계적 모델과 물리적 모델의 통합 ... 13
• (카) 일사량과 태양광 발전량 관점에서 태양복사모델 평가 ... 15
• 3. 연구개발과제의 수행 결과 및 목표 달성 수준 ... 16
• 1) 정성적 연구개발성과(연구개발결과) ... 16
• 2) 세부 정량적 연구개발성과 ... 17
• 3) 목표 달성 수준 ... 17
• 4. 연구개발성과의 관련 분야에 대한 기여 정도(연구개발결과의 중요성) ... 18
• 5. 연구개발성과의 관리 및 활용 계획 ... 18
• 6. 참고문헌 ... 18
• 붙임1. 세부 정량적 연구개발성과 ... 20
• 붙임2. 연구책임자 대표적 연구실적 및 증빙(요약문 및 사본) ... 23
• 끝페이지 ... 38