지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
이용수
초록· 키워드
오류제보하기
목적: 태양광 발전량은 기상상태에 따라 변동성이 크기 때문에 정확한 예측은 중요하다. 이에 본 연구에서는 랜덤 포레스트(random forest, RF), 순환신경망(recurrent neural network, RNN), 장단기 메모리(long-short term memory, LSTM), 게이트 순환 유닛(gated recurrent unit, GRU) 등을 이용해 태양광 발전량 예측을 위한 효과적인 모델을 도출하고자 한다.
방법: 본 연구에서는 부산광역시 사하구 감천항로 태양광발전단지의 태양광 발전량 자료와 부산지방기상청의 기상자료를 이용하였다. 입력 인자로는 일사량, 온도, 기압, 습도, 풍속, 풍향, 일조시간, 운량 등을 사용하였다. 시행착오법을 이용하여 RF의 경우 트리 개수, RNN, LSTM, GRU의 경우 은닉층의 수, 노드의 수, 학습 횟수, 학습 자료 내 검증 자료 비율 등 모델별 하이퍼파라미터(hyperparameter)를 조절하여 최적화하였다. 모델의 예측 성능을 비교, 평가하기 위해 테스트 결정계수(coefficient of determination, R²), 평균제곱근오차(root mean square error, RMSE), 평균절대오차(mean absolute error, MAE)를 사용하였다.
결과 및 토의: RF의 경우 결정 트리를 1,000개로 고정하였을 때 성능이 가장 좋았으며 R²=0.865, RMSE=16.013, MAE=9.656이 나왔다. RNN의 경우 은닉층 6개, 노드의 수 90개, 학습 횟수 450회에서 가장 좋은 결과를 가져왔다. 그 결과 R²=0.942, RMSE=10.530, MAE=6.390으로 나타났다. LSTM은 은닉층 3개, 노드의 수 600개, 학습 횟수 200회로 최적화할 수 있었다. 결과 값은 R²=0.944, RMSE=10.29, MAE=6.360으로 도출되었다. GRU는 은닉층 3개, 노드의 수 450, 학습 횟수 500으로 고정하였다. 이때 성능평가 결과는 R²=0.945, RMSE=10.189, MAE=5.968이었다.
결론: 본 연구에서 태양광 발전량 예측 성능은 RF보다 순환신경망 계열 모델이 뛰어났다. RNN, LSTM, GRU 중에서는 GRU의 성능이 가장 우수하였다. 따라서 본 연구에서는 GRU 모델이 부산지역의 태양광 발전량을 예측하는데 적절한 모델임을 알 수 있다.
방법: 본 연구에서는 부산광역시 사하구 감천항로 태양광발전단지의 태양광 발전량 자료와 부산지방기상청의 기상자료를 이용하였다. 입력 인자로는 일사량, 온도, 기압, 습도, 풍속, 풍향, 일조시간, 운량 등을 사용하였다. 시행착오법을 이용하여 RF의 경우 트리 개수, RNN, LSTM, GRU의 경우 은닉층의 수, 노드의 수, 학습 횟수, 학습 자료 내 검증 자료 비율 등 모델별 하이퍼파라미터(hyperparameter)를 조절하여 최적화하였다. 모델의 예측 성능을 비교, 평가하기 위해 테스트 결정계수(coefficient of determination, R²), 평균제곱근오차(root mean square error, RMSE), 평균절대오차(mean absolute error, MAE)를 사용하였다.
결과 및 토의: RF의 경우 결정 트리를 1,000개로 고정하였을 때 성능이 가장 좋았으며 R²=0.865, RMSE=16.013, MAE=9.656이 나왔다. RNN의 경우 은닉층 6개, 노드의 수 90개, 학습 횟수 450회에서 가장 좋은 결과를 가져왔다. 그 결과 R²=0.942, RMSE=10.530, MAE=6.390으로 나타났다. LSTM은 은닉층 3개, 노드의 수 600개, 학습 횟수 200회로 최적화할 수 있었다. 결과 값은 R²=0.944, RMSE=10.29, MAE=6.360으로 도출되었다. GRU는 은닉층 3개, 노드의 수 450, 학습 횟수 500으로 고정하였다. 이때 성능평가 결과는 R²=0.945, RMSE=10.189, MAE=5.968이었다.
결론: 본 연구에서 태양광 발전량 예측 성능은 RF보다 순환신경망 계열 모델이 뛰어났다. RNN, LSTM, GRU 중에서는 GRU의 성능이 가장 우수하였다. 따라서 본 연구에서는 GRU 모델이 부산지역의 태양광 발전량을 예측하는데 적절한 모델임을 알 수 있다.
목차
1. 서론
2. 실험 방법
3. 결과 및 고찰
4. 결론
References
참고문헌 (41)
참고문헌 신청
H. Wang, Z. Lei, X. Zhang, B. Zhou, J. Peng, A review of deep learning for renewable energy forecasting, Energy Conv. Manag., 198, 111799(2019).
Ministry of Trade, Industry and Energy, Renew Energy 3020, Ministry of Trade, Industry and Energy, Sejong, Korea(2017).
M. A. F. B. Lima, P. C. M. Carvalho, L. M. Fernandez-Ramírez, A. P. S. Braga, Improving solar forecasting using deep learning and portfolio theory integration, Energy, 195, 117016(2020).
Korea Energy Agency, Renewable Energy Center, New renewable energy supply statistics, Korea Energy Agency, Renewable Energy Center, Ulsan, Korea(2019).
P. Li, K. Zhou, X. Lu, S. Yang, A hybrid deep learning model for short-term pv power forecasting, Appl. Energy, 259, 114216(2020).
Ministry of Trade, Industry and Energy, Renew Energy 3020, Ministry of Trade, Industry and Energy, Sejong, Korea(2017).
M. A. F. B. Lima, P. C. M. Carvalho, L. M. Fernandez-Ramírez, A. P. S. Braga, Improving solar forecasting using deep learning and portfolio theory integration, Energy, 195, 117016(2020).
Korea Energy Agency, Renewable Energy Center, New renewable energy supply statistics, Korea Energy Agency, Renewable Energy Center, Ulsan, Korea(2019).
P. Li, K. Zhou, X. Lu, S. Yang, A hybrid deep learning model for short-term pv power forecasting, Appl. Energy, 259, 114216(2020).
함께 읽어보면 좋을 논문
논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!
-
GRU 기반 기상 관측자료를 이용한 태양광 단기 발전량 예측모델에 관한 연구
한국통신학회 학술대회논문집
2019 .11
-
LSTM-GRU 기반의 일사량 예측 모델 성능 평가
한국태양에너지학회 학술대회논문집
2022 .04
-
LSTM과 GRU 딥러닝 IoT 파워미터 기반의 단기 전력사용량 예측
한국인터넷방송통신학회 논문지
2019 .01
-
에너지 인터넷을 위한 GRU기반 전력사용량 예측
전기전자학회논문지
2019 .03
-
GRU 기법을 활용한 서울시 공공자전거 수요예측 모델 개발
지능정보연구
2022 .12
-
Multistep-Ahead Solar Irradiance Forecasting for Smart Cities Based on LSTM, Bi-LSTM, and GRU Neural Networks
한국전자거래학회지
2022 .11
-
Design of Photovoltaic Power Generation Prediction Model with Recurrent Neural Network
Journal of KIISE
2019 .06
-
대기 중 미세먼지를 포함한 태양광발전 예측 인공지능 모델 개발
대한환경공학회지
2022 .04
-
태양광 발전량 예측을 위한 RNN(LSTM) 모델 개발
대한설비공학회 학술발표대회논문집
2019 .11
-
LSTM 과 GRU 를 활용한 프로그래밍 언어 예측
한국통신학회 학술대회논문집
2023 .02
-
스마트 팜 에너지 소비량 예측 모델 개발에 관한 연구
한국산학기술학회 논문지
2022 .11
-
태양광 발전량 예측을 위한 순환신경망 계열 모델의 성능 비교
한국생산제조학회 학술발표대회 논문집
2022 .12
-
GRU 기반 초기 동작 인식
대한전자공학회 학술대회
2020 .08
-
기상정보를 활용한 LSTM 기반 태양광 발전량 예측 기법
한국통신학회논문지
2019 .12
-
LSTM-GRU 모델을 활용한 실시간 수위 예측 시스템 구현
한국정보통신학회 종합학술대회 논문집
2022 .10
-
전이 학습을 통한 GRU와 LSTM의 낙상 검출 성능 향상
한국통신학회 학술대회논문집
2020 .08
-
GRU 기반의 도시부 도로 통행속도 예측 모형 개발
한국ITS학회 논문지
2023 .02
-
텐서플로우를 이용한 LSTM과 GRU의 성능평가
한국정보과학회 학술발표논문집
2016 .12
-
순환신경망을 이용한 수요량 예측 성능 비교
대한전자공학회 학술대회
2022 .06
-
LSTM 및 GRU 기반 전력계통 과도안정도 판정
대한전기학회 학술대회 논문집
2022 .04
이 논문의 저자 정보
이 논문과 함께 이용한 논문
결측치 보간 알고리즘을 적용한 앙상블 기반의 태양광 발전량 예측 시스템
박수빈
,
김진성
,
정세훈
외 1명
멀티미디어학회논문지
2023
.08
딥러닝을 활용한 광역계통의 태양광 발전량 예측
이호준
,
윤상철
,
정훈희
외 5명
대한전기학회 학술대회 논문집
2023
.07
기상청 예보 기반 240시간 태양광 발전량 예측 모형 개선 연구
박희준
,
심현보
,
허성일
외 4명
대한전기학회 학술대회 논문집
2023
.07
순환신경망을 이용한 충주수상태양광 발전량 예측
권오극
,
차한주
,
홍현표
외 1명
전력전자학회논문지
2023
.08
ESS 충방전을 적용한 재생에너지 발전량 예측 모델 개발
박현정
,
마진
,
구소희
한국통신학회 학술대회논문집
2023
.06
최근 본 자료
댓글(0)
0