태양광 발전량 예측 인공지능 DNN-RNN 모델 비교분석
Comparative Analysis of Solar Power Generation Prediction AI Model DNN-RNN
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
지구 온난화의 주범인 온실가스 감축을 위해 UN은 1992년 기후변화협약을 체결하였다. 우리나라도 온실가스 감축을 위해 재생에너지 보급 확대 정책을 펼치고 있다. 태양에너지를 이용한 재생에너지 개발의 확대는 풍력과 태양광 발전의 확대로 이어졌다. 기상 상황에 영향을 많이 받는 재생에너지 개발의 확대는 전력계통의 수요공급관리에 어려움 이 발생하고 있다. 이러한 문제를 해결하기 위해 전력중개시장을 도입하게 되었다. 따라서 전력중개시장 참여를 위해서 는 발전량 예측이 필요하다. 본 논문에서는 자체 개발한 예측 시스템을 활용하여 연축태양광발전소에 대하여 분석하였 다. 현장 일사량(모델 1)과 기상청 일사량(모델 2)을 적용한 결과 모델 2가 3% 정도 높은 것을 확인하였다. 또한, DNN 과 RNN 모델을 비교 분석한 결과 DNN 모델이 예측 정확도가 1.72% 정도 향상되는 것을 확인하였다.
Abstract
In order to reduce greenhouse gases, the main culprit of global warming, the United Nations signed the Climate Change Convention in 1992. Korea is also pursuing a policy to expand the supply of renewable energy to reduce greenhouse gas emissions. The expansion of renewable energy development using solar power led to the expansion of wind power and solar power generation. The expansion of renewable energy development, which is greatly affected by weather conditions, is creating difficulties in managing the supply and demand of the power system. To solve this problem, the power brokerage market was introduced. Therefore, in order to participate in the power brokerage market, it is necessary to predict the amount of power generation. In this paper, the prediction system was used to analyze the Yonchuk solar power plant. As a result of applying solar insolation from on-site (Model 1) and the Korea Meteorological Administration (Model 2), it was confirmed that accuracy of Model 2 was 3% higher. As a result of comparative analysis of the DNN and RNN models, it was confirmed that the prediction accuracy of the DNN model improved by 1.72%.
참고문헌 (15)
- "In the era of carbon neutrality beyond greenhouse gas reduction, renewable energy is the answer" (2021)[URL]
- 이동훈, "기후 및 계절정보를 이용한 딥러닝 기반의 장기간 태양광 발전량 예측 기법", 한국전자거래학회지, 24(1), pp.1~16 (2019), 한국전자거래학회[DOI]
- "5th Renewable Energy Basic Plan (2020-2034)" (2020)[URL]
- 이용택, "머신러닝을 이용한 태양광 발전량 예측 모델 비교", 대한산업공학회지, 47(5), pp.444~458 (2021), 대한산업공학회
- S. H. Lee, "Domestic virtual power plant system and status", Korea Development Bank Monthly Report, 767(10), pp.25~47 (2019)
- 송재주, "태양광 발전을 위한 발전량 예측 모델 분석", 디지털융복합연구, 12(3), pp.243~248 (2014), 한국디지털정책학회[DOI]
- J. powers, "Application of neural networks in aluminum corrosion", Journal of the Korean Data & Information Science Society, 1, pp.157~172
- S. M. Lee, "An Annual Photovoltaic Generation Estimation Considering Meteorogical Elements", KIEE Summer Conference 2018, pp.875~876 (2018)
- 이훈자, "소비자물가지수의 시계열모형 연구", 한국데이터정보과학회지, 23(3), pp.535~542 (2012), 한국데이터정보과학회
- H. S. Jeong, "Power Generation Prediction Model Considering Environmental Characteristics of the Floating Photovoltaic System", 37~39 (2021)
- Etsys Ltd, "Power generation forecasting and system building service for small-scale power brokerage transactions", 9~10 (2021)
- 서영민, "기상자료를 이용한 기계학습모델 기반 태양광 발전량 예측", 한국환경기술학회지, 18(3), pp.242~251 (2017), 한국환경기술학회
- 김용수, "기상정보를 활용한 LSTM 기반 태양광 발전량 예측 기법", 한국통신학회논문지, 44(12), pp.2231~2238 (2019), 한국통신학회[DOI]
- J. Y. Seo, "Deep Learning with TensorFlow", 265~282 (2021)