발전변동량을 고려한 SVR기반 제주도지역의단기풍력발전량예측
Short-Term Wind Power Prediction Based on SVR Considering with Power Generation Variation
1
조회
0
다운로드
4
인용
0
참고문헌
키워드
초록
최근 한국의 저탄소 녹색 성장을 위해서는 지속 가능한 전기 생산이 필수적이고, 특히 풍력발전에너지는 잠재적으로무제한이므로 전 세계적으로 빠르게 성장하고 있다. 그러나 풍력발전기는 간헐성 및 변동성으로 인하여 풍력발전에너지를 효율적으로 저장하고, 전기전력그리드와 통합하는 데 어려움이 있다. 이를 대처하기 위해 풍속과 전력 예측을 위한 많은 연구가 수행중이다. 풍력발전에너지를 예측하는데 사용되는 모델은 NWP(Numerical Weather Prediction), 통계적 방법, 인공지능 방법 같이 3가지로 구분된다. 본 논문은 바람의 특성인 풍향과 풍속의 특징을추출하고, 시계열데이터 특성을 반영하여 변수를 선택한 후, SVR 기반으로 기계학습하여 풍력발전기의 단기풍력발전량을 효율적으로 예측하는 방법을 제안한다. 제안한 방법의 정확도와 타당성을 검증하기 위하여 제주도 A, B, C 지역의 풍력발전단지 데이터를 사용하여 발전량을 예측한다. 실험결과, 제안한 방법을 이용한 단기풍력발전예측 방법이 기존 방법보다 우수하였다.
Abstract
In recent years, sustainable electricity production is essential for low-carbon green growth in Korea, and wind power generation is potentially unlimited, and is rapidly growing worldwide. However, due to intermittency and volatility, wind power generators have difficulties in efficiently storing and integrating wind power generation with current electric power grids. In order to cope with that, many studies are being carried out to predict wind speed and power. The models used to predict wind energy are divided into three categories: Numerical Weather Prediction, statistical methods, and Artificial Intelligence methods. In this paper, we propose a method to efficiently estimate short-term wind power generation of wind turbine by extracting features of wind direction and wind speed, characteristics of wind, selecting variables based on time-series data characteristics, and learning machine based on SVR. To verify the accuracy and feasibility of the proposed method, we estimate the power generation using the wind farm data of A, B, C region in Jeju Island. Experimental results show that the prediction method of short-term wind power generation using the proposed method is superior to the conventional method.
참고문헌 (15)
- I. Y. Seo, "Short term wind power prediction using wavelet transform and ARIMA", J. Energy and Power Eng., pp.1786~1790 (2012)
- Y. Y. Hong, "Hour-Ahead wind speed and power forecasting using empirical mode decomposition", Energies, 6(12), pp.6137~6152 (2013)[DOI]
- A. S. Kim, "Wind power forecasting based support vector machine for a large-scale wind farm in jeju island", Proc. KICS Int. Conf. Commun., pp.11~12 (2016)
- M. Negnevitsky, "Innovative short-term wind generation prediction techniques", IEEE Power Syst. Conf. and Exposition, pp.60~65 (2006)
- T. El-Fouly, "Grey predictor for wind energy conversion systems output power prediction", IEEE Trans. Power Syst., 21(3), pp.1450~1452 (2006)[DOI]
- J. Palomares-Salas, "ARIMA vs. Neural networks for wind speed forecasting", CIMSA 2009 - Int. Conf. Computational Intell. for Measurement Syst. and Appl., pp.129~133 (2009)
- I. Damousis, "A fuzzy model for wind speed prediction and power generation in wind parks using spatial correlation", IEEE Trans. Energy Conversion, 19(2), pp.352~361 (2008)
- 강성배, "다중 요소를 가지는 SVM을 이용한 이블 트윈 탐지 방법", 한국통신학회논문지, 40(2), pp.334~348 (2015), 한국통신학회
- 김경보, "기상청 MOS 예측값 적용을 통한 풍력 발전량 예측 타당성 연구", 한국태양에너지학회 논문집, 30(2), pp.46~53 (2010), 한국태양에너지학회
- 김영주, "풍향과 풍속의 특징을 이용한 SVR기반 단기풍력발전량 예측", 한국통신학회논문지, 42(5), pp.1085~1092 (2017), 한국통신학회[DOI]
- 손남례, "SVR 기반 다변수 단기풍력발전예측 모델 연구", 한국차세대컴퓨팅학회 논문지, 13(1), pp.54~64 (2017), 한국차세대컴퓨팅학회
- 신동혁, "K-평균 클러스터링을 이용한 네트워크 유해트래픽 탐지", 한국통신학회논문지, 41(2), pp.277~284 (2016), 한국통신학회
- 김영일, "정해진 기저함수가 포함되는 Nu-SVR 학습방법", 한국지능시스템학회 논문지, 13(3), pp.316~321 (2003), 한국지능시스템학회
- David J. Ketchen, "The application of cluster analysis in Strategic Management Research: An analysis and critique", Strategic Management Journal, 17(6), pp.441~458 (1996)[DOI]
- 박찬규, "Support Vector Regression을 이용한 소프트웨어 개발비 예측", 경영과학, 23(3), pp.75~92 (2006), 한국경영과학회