Prediction of Solar Photovoltaic Power Generation by Weather Using LSTM
2
조회
0
다운로드
1
인용
0
참고문헌
키워드
초록
딥러닝은 주가 및 농산물 가격 예측과 같이 데이터를 분석해 일련의 규칙을 발견하고 미래를예상해 우리의 삶에서 다양한 도움을 주고 있다. 본 연구는 태양광 에너지 사용의 중요성이 늘어나는 상황에서 기상에 따른 태양광 발전 실적을 딥러닝을 통해 분석하고 발전량을 예측한다. 본연구에서는 시계열 데이터 예측에서 두각을 나타내고 있는 LSTM(Long Short Term Memory network)을 사용한 모델을 제안하며 이미지를 비롯한 다양한 차원의 데이터를 분석할 때 사용되는CNN(Convolutional Neural Network)과 두 모델을 결합한 CNN-LSTM과의 성능을 비교한다. 세 가지모델의 성능은 태양광 발전 실적의 실제값과 딥러닝을 통해 예측한 값으로 MSE, RMSE, 결정계수를 계산하여 비교하였고 그 결과 LSTM 모델의 성능이 가장 우수한 것으로 나타났다. 따라서본 연구는 LSTM을 사용한 태양광 발전량 예측을 제안한다.
Abstract
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.
참고문헌 (19)
- Takeshi Wada, "Get Together To Talk About Climate Change :Governance Roadmap for Ecological Conservation and Energy Conservation", pp.88~89 (2016), Book Sense
- 황진표, "태양광모듈용 저가형 백시트 제조를 위한 고수분차단성 유무기 나노복합형 접착제", 멤브레인, 25(6), pp.530~537 (2015), 한국막학회
- Taek-Kyu Kim, "Implementation of interface module for prior study on deep learning model based on CNS", The Institute Of Electronics And Information Engineers, pp.1258~1260 (2021)
- 김현수, "RNN 모델을 이용한 스마트 중간층 면진시스템의 제어성능 평가", 한국산학기술학회논문지, 21(1), pp.774~779 (2020), 한국산학기술학회[DOI]
- 이수정, "딥러닝 기반 LSTM 모형에 기초한 자기상관 공정의 모니터링 절차", 한국데이터정보과학회지, 33(2), pp.237~248 (2022), 한국데이터정보과학회
- 최종석, "매장 에너지 절감을 위한 LSTM 기반의 전력부하 예측 시스템 설계", 한국정보전자통신기술학회 논문지, 14(4), pp.307~313 (2021), 한국정보전자통신기술학회
- 김백천, "기상상태 변동성을 고려한 LSTM 기반 태양광 발전량 예측", 한국지능시스템학회 논문지, 30(1), pp.7~12 (2020), 한국지능시스템학회[DOI]
- Sun-Gwan Han, "Artificial Intelligence Lab For AI Thinking", pp.113~114 (2020), Sung An Dang
- 이모세, "효과적인 입력변수 패턴 학습을 위한 시계열 그래프 기반합성곱 신경망 모형: 주식시장 예측에의 응용", 지능정보연구, 24(1), pp.167~181 (2018), 한국지능정보시스템학회[DOI]
- 조민우, "하천 홍수 예측을 위한 CNN 기반의 수위 예측 모델 구현", 한국정보통신학회논문지, 25(11), pp.1471~1476 (2021), 한국정보통신학회[DOI]
- 김예인, "CNN-LSTM 딥러닝 기반 캠퍼스 전력 예측 모델 최적화 단계 제시", 한국산학기술학회논문지, 21(10), pp.8~15 (2020), 한국산학기술학회[DOI]
- 황철현, "미세먼지 예측 성능 개선을 위한 CNN-LSTM 결합 방법", 한국정보통신학회논문지, 24(1), pp.57~64 (2020), 한국정보통신학회[DOI]
- 손혜숙, "기상 예보를 활용한 LSTM 기반 24시간 태양광 발전량 예측모델", 정보과학회 컴퓨팅의 실제 논문지, 26(10), pp.435~441 (2020), 한국정보과학회[DOI]
- 안연주, "일조 시간과 일조량 데이터를 고려한 LSTM 기반 태양광 발전량 예측", 전기학회논문지, 70(8), pp.1096~1101 (2021), 대한전기학회
- 이동철, "2D 슈팅 게임 학습 에이전트의 성능 향상을 위한 딥러닝 활성화 함수 비교 분석", 한국인터넷방송통신학회 논문지, 19(2), pp.135~141 (2019), 한국인터넷방송통신학회[DOI]
- Ho-Yong Eom, "A Study on Performance Comparison of Long Short-term Memory Learning Techniques for Electric Load Forecasting", Korean Society for Precision Engineering, pp.618~619 (2021)
- 고성진, "DICOM 영상과 다양한 형식의 영상 비교", 융합신호처리학회 논문지, 18(2), pp.76~83 (2017), 한국융합신호처리학회[DOI]
- 노영단, "A Text Content Classification Using LSTM For Objective Category Classification", 한국컴퓨터정보학회논문지, 26(5), pp.39~46 (2021), 한국컴퓨터정보학회[DOI]
- Young-Min Wi, "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 (2008)