본문 바로가기
KERD
논문KCI 등재

SVR 기반 다변수 단기풍력발전예측 모델 연구

A Study of Multi-variate Short-term Wind Power Forecasting Model based on SVR

김영주|김서영|손남례|안동순
한국차세대컴퓨팅학회 (KINGComputing)|2017.02|한국차세대컴퓨팅학회 논문지 (The Journal of Korean Institute of Next Generation Computing)|제13권 제1호|pp. 54-64

0

조회

0

다운로드

4

인용

0

참고문헌

키워드

Wind PowerSVRWind Power Forecasting풍력발전풍력발전예측nu-SVR다변수Multi-variate
주제분류컴퓨터학

초록

최근 신재생에너지는 기후변화대응, 에너지 안보, 수요관리에서 큰 비중을 차지하고 있다. 신재생에너지 중 풍력에너지원은 풍력 터빈을 이용하여 풍력을 전력으로 바꾸어 에너지 역할로서 중요하다. 이때 풍력에너지 예측이 중요한이유는 전력계통에서 풍력발전기가 중앙수급발전기가 되었을 때 발전기 유지 보수, 발전기 기동정지 계획, 경제급전, 전력수급계획(발전기, 송전선로 등), 전력시장 입찰 등에 영향을 미치기 때문이다. 따라서 본 논문은 효율적인풍력발전기의 단기풍력발전량을 예측하기 위하여 다변수로는 발전량, 풍향, 풍속, 발전변동량을 사용한다. 이때 다변수간 상관관계를 이용하여 다변수 조합을 통하여 모델 4개를 생성한다. 그리고 4개의 모델 중 최적의 모델을 선택하기 위하여 기계학습 방법인 SVR를 사용한다. 모델을 검증하기 위하여 제주도 지역의 풍력발전단지 3곳(A,B,C)에 데이터를 사용하여 발전량을 예측한다. 실험결과, 발전량, 풍향, 풍속을 이용한 모델이 단기풍력발전량을 예측하는 데 있어서 다른 모델보다 예측 오차가 작았다. 따라서 단기풍력발전량을 예측하는데 있어서 가장 중요한 변수는 발전량, 풍향, 풍속이다.

Abstract

Recently, renewable energy plays a major role in response to climate change, energy security and demand management. Among renewable energy, wind energy source is important as energy role by converting wind power into electric power using wind turbine. The reason for emphasizing the importance of wind energy forecasting affects that when the wind turbine becomes a central supplydemand generator in the power system, the maintenance of the generator, the stoppage of the generator stoppage, the economic dispatch, the power supply plan (generator, transmission line, etc.). Therefore, this paper uses power generation, wind direction, wind speed, and power generation variation as multi-variables to predict the short-term wind power generation of an efficient wind power generator. In this case, four models are generated through multi-variate combination using multi-variate correlation. And SVR, which is a machine learning method, is used to select the best model among the four models. To verify the model, we estimate the power generation using data at three wind farms (A, B, C) in Jeju Island. Experimental results show that the model using power generation, wind direction and wind speed has a smaller prediction error than other models in predicting short-term wind power generation. Therefore, the most important variables in predicting short-term wind power generation are generation amount, wind direction and wind speed.

참고문헌 (20)

  1. "Korea Energy Economics Institute"[URL]
  2. 이선미, "그린 데이터센터를 위한 스마트 에너지", 탄소 관리시스템의 개발, 2012, pp.8(2), 62~72[DOI]
  3. A. M. Foley, "Wind Power Forecasting & Prediction Method", IEEE, 9th International Conference on Environment and Electrical Engineering, pp.16~19 (2010)
  4. In-Yong Seo, "Short Term Wind Power Prediction Using Wavelet Transform and ARIMA", Journal of Energy and Power Engineering, pp.1786~1790 (2012)
  5. Wind Energy Forecasting : A Collaboration of the National Center for Atmospheric Research(NCAR) and Xcel Energy, "Keith Parks", NREL, ~, pp.NREL (2011), SR-5500-52233
  6. Ying-Yi Hong, "Hour-Ahead Wind Speed and Power Forecasting Using Empirical Mode Decomposition", Energies, 6(12), pp.6137~6152 (2013)
  7. 문대선, "풍력발전 고장검출 시스템을위한 인공 신경망 기반의 모델링 기법 개발", 한국스마트미디어저널, 1(2), pp.47~53 (2012)
  8. 김경보, "기상청 MOS 예측값 적용을 통한 풍력 발전량 예측 타당성 연구", 한국태양에너지학회 논문집, 30(2), pp.46~53 (2010), 한국태양에너지학회
  9. G. Sideratos, "An Advanced Statistical Method for Wind Power Forecasting", IEEE Transaction on Power Systems, 22(1), pp.258~265 (2007)
  10. M Negnevitsky, "Innovative Short-term Wind Generation Prediction Techniques", IEEE Power System Conference and Exposition, pp.60~65 (2006)
  11. T El-Fouly, "Grey Predictor for Wind Energy Conversion Systems Output Power Prediction", IEEE Transaction on Power Systems, 21(3), pp.1450~1452 (2006)
  12. J Palomares-Salas, "A Agüera, and A Moreno, ARIMA vs. Neural Networks for Wind Speed Forecasting", CIMSA 2009 - International Conference on Computational Intelligence for Measurement Systems and Applications (2009)
  13. I Damousis, "A Fuzzy Model for Wind Speed Prediction and Power Generation in Wind Parks using Spatial Correlation", IEEE Transaction on Energy Conversion, 19(2), pp.352~361 (2008)
  14. 최민국, "특징 벡터의 effectiveness 요소 기반의 가중치 SVM 분류기 연구", 한국차세대컴퓨팅학회 논문지, 9(1), pp.63~73 (2013), 한국차세대컴퓨팅학회
  15. 김영일, "정해진 기저함수가 포함되는 Nu-SVR 학습방법", 한국지능시스템학회 논문지, 13(3), pp.316~321 (2003), 한국지능시스템학회
  16. 박찬규, "Support Vector Regression을 이용한 소프트웨어 개발비 예측", 경영과학, 23(3), pp.75~92 (2006), 한국경영과학회
  17. Zhang, Q., "A fuzzy group forecasting model based on least squares support vector machine(LS-SVM)for short-term wind power", Energies, pp.3329~3346 (2012)
  18. 홍정훈, "데이터마이닝에서 연관분석을 이용한 변수선택", 한국차세대컴퓨팅학회 논문지, 7(3), pp.20~27 (2011), 한국차세대컴퓨팅학회
  20. Z. Haiyang, "Prediction of Wind Farm Power Ramp Rates : A Data-Mining Approach", Journal of Solar Energy Engineering (2009)

관련 논문AI추천

발전변동량을 고려한 SVR기반 제주도지역의단기풍력발전량예측손남례, 양승학한국차세대컴퓨팅학회 · 한국차세대컴퓨팅학회 논문지2018 · 제14권 제2호A Prediction Method for Short-Term Wind Power Generation using Feature Vector Extraction of Wind Direction and Wind Speed in Jeju Island손남례한국차세대컴퓨팅학회 · 한국차세대컴퓨팅학회 논문지2017 · 제13권 제6호기계학습 기반 스태킹 앙상블 모델의 풍력 발전량 예측 성능 평가김범석, 김희찬한국신·재생에너지학회 · 신재생에너지2025 · 제21권 제3호해외사례 고찰을 통한 풍력 예측모형의 과거와 현재김진영, 김하빈, 김현구, 이영섭한국풍력에너지학회 · 풍력에너지저널2016 · 제7권 제2호정확도 향상을 위한 CNN-LSTM 기반 풍력발전 예측 시스템강성우, 박래진, 이재형, 정승민한국신·재생에너지학회 · 신재생에너지2022 · 제18권 제2호Random Forest, XGBoost, LGBM 조합형 Stacking 모델을 이용한 풍력 발전량 예측 성능 평가김대영, 김범석, 김희찬한국풍력에너지학회 · 풍력에너지저널2024 · 제15권 제3호

이 간행물의 다른 논문 (7건)

Performance Analysis of Antenna Polarization Diversity on LTE 2x2 MIMO in Indoor Environment데브라니데비 닌곰밤, Duc T. Nguyen, 신석주pp. 7-21공공민원 빅데이터 분석을 통한 민원통계 및담당부서 자동분류 시스템손남례, 김서영pp. 22-35핀테크 기술과 서비스 활성화 이슈 및 시사점 연구임철수pp. 36-44부피 예측을 통한 IoT기반 쓰레기 수거 관리 시스템문미경pp. 45-53CCTV 카메라 공유를 통한 안심 귀가 서비스의 개선성동수pp. 65-73
원문 보기