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
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
목적: 본 연구는 대기 중 미세먼지를 입력인자에 포함한 단일모델, 하이브리드(hybrid) 모델 등을 상호 비교하여 태양광 발전량 예측을 위한 최적 모델을 제시하고자 한다.
방법: 전라남도 진도군에 있는 1 MW급 태양광 발전량 자료와 목포 지점의 기상 자료와 미세먼지 자료를 2016년 12월에서 2019년 12월까지 사용하였다. 입력 인자는 일사량, 일조 시간, 기압, 기온, 습도, 풍속, 풍향, 적설량, 강수량, PM<SUB>10</SUB>, PM<SUB>2.5</SUB>를 사용하였다. 사용된 모델 중 단일모델로는 랜덤포레스트(random forest, RF), 인공신경망(artificial neural network, ANN), 장단기메모리(long-term dependency problem, LSTM), 게이트 순환 유닛(gate recurrent unit, GRU)을 사용하였으며, 하이브리드 모델로는 LSTM-ANN, GRU-ANN을 사용하였다. 모델의 예측 성능을 비교, 평가하기 위해 결정계수(coefficient of determination, R²), 평균 제곱근 오차(root mean square error, RMSE), 평균절대 오차(mean absolute error, MAE)를 사용하였다.
결과 및 토의: RF를 이용해서 중요도를 확인한 결과, 일사량(77.66%), 일조 시간(4.85%), 기압(4.16%), 기온(3.98%), 습도(2.25%), 풍속(2.21%), PM<SUB>10</SUB>(2.72%), PM<SUB>2.5</SUB>(1.65%), 풍향(1.44%), 적설량(0.05%), 강수량(0.02%)의 순으로 나타났다. GRU-ANN은 모델 중 가장 높은 R²(0.838)를 보였고 학습 조기 종료(early stop)를 사용하여 GRU보다 낮은 epoch(8)를 보였다.
결론: 미세먼지를 포함한 태양광 발전량 예측에 GRU-ANN 모델이 가장 우수하다.
방법: 전라남도 진도군에 있는 1 MW급 태양광 발전량 자료와 목포 지점의 기상 자료와 미세먼지 자료를 2016년 12월에서 2019년 12월까지 사용하였다. 입력 인자는 일사량, 일조 시간, 기압, 기온, 습도, 풍속, 풍향, 적설량, 강수량, PM<SUB>10</SUB>, PM<SUB>2.5</SUB>를 사용하였다. 사용된 모델 중 단일모델로는 랜덤포레스트(random forest, RF), 인공신경망(artificial neural network, ANN), 장단기메모리(long-term dependency problem, LSTM), 게이트 순환 유닛(gate recurrent unit, GRU)을 사용하였으며, 하이브리드 모델로는 LSTM-ANN, GRU-ANN을 사용하였다. 모델의 예측 성능을 비교, 평가하기 위해 결정계수(coefficient of determination, R²), 평균 제곱근 오차(root mean square error, RMSE), 평균절대 오차(mean absolute error, MAE)를 사용하였다.
결과 및 토의: RF를 이용해서 중요도를 확인한 결과, 일사량(77.66%), 일조 시간(4.85%), 기압(4.16%), 기온(3.98%), 습도(2.25%), 풍속(2.21%), PM<SUB>10</SUB>(2.72%), PM<SUB>2.5</SUB>(1.65%), 풍향(1.44%), 적설량(0.05%), 강수량(0.02%)의 순으로 나타났다. GRU-ANN은 모델 중 가장 높은 R²(0.838)를 보였고 학습 조기 종료(early stop)를 사용하여 GRU보다 낮은 epoch(8)를 보였다.
결론: 미세먼지를 포함한 태양광 발전량 예측에 GRU-ANN 모델이 가장 우수하다.
목차
1. 서론
2. 실험방법
3. 결과 및 고찰
4. 결론
Reference
참고문헌 (46)
참고문헌 신청
H. Wang, Z. Lei, X. Zhang, B. Zhou, J. Peng, A review of deep learning for renewable energy forecasting, Energy Convers. Manag., 198, 111799(2019).
N. L. Panwara, S. C. Kaushikb, S. Kothari, Role of renewable energy sources in environmental protection: A review, Renew. Sust. Energ. Rev., 15, 1513-1524(2011).
Ministry of Trade, Basic electricity supply and demand plan, 9th ed.(2020).
C. J. Rhodes, Solar energy: principles and possibilities, Sci. Prog., 93(1), 37-112(2010).
P. G. Kosmopoulos, S. Kazadzis, H. El-Askary, M. Taylor, A. Gkikas, E. Proestakis, C. Kontoes, M. M. El-Khayat, Earth-observation-based estimation and forecasting of particulate matter impact on solar energy in Egypt, Remote Sens., 10(12), 1870(2018).
N. L. Panwara, S. C. Kaushikb, S. Kothari, Role of renewable energy sources in environmental protection: A review, Renew. Sust. Energ. Rev., 15, 1513-1524(2011).
Ministry of Trade, Basic electricity supply and demand plan, 9th ed.(2020).
C. J. Rhodes, Solar energy: principles and possibilities, Sci. Prog., 93(1), 37-112(2010).
P. G. Kosmopoulos, S. Kazadzis, H. El-Askary, M. Taylor, A. Gkikas, E. Proestakis, C. Kontoes, M. M. El-Khayat, Earth-observation-based estimation and forecasting of particulate matter impact on solar energy in Egypt, Remote Sens., 10(12), 1870(2018).
함께 읽어보면 좋을 논문
논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!
-
미세먼지를 포함한 태양광발전 예측 하이브리드 인공지능 모델 개발
대한환경공학회 학술발표논문집
2021 .11
-
태양광 발전량 예측을 위한 알고리즘 개발
한국태양에너지학회 학술대회논문집
2023 .04
-
GRU 기반 기상 관측자료를 이용한 태양광 단기 발전량 예측모델에 관한 연구
한국통신학회 학술대회논문집
2019 .11
-
인공지능을 이용한 태양광 발전량 예측
전자공학회지
2024 .11
-
GRU를 이용한 미세먼지(PM10) 농도 예측 모델
한국정보통신학회 종합학술대회 논문집
2019 .10
-
An Inference Method of Influence Parameters for a Physical Calculation Model of Photovoltaic Power Generation
한국태양에너지학회 학술대회논문집
2022 .10
-
Design of Photovoltaic Power Generation Prediction Model with Recurrent Neural Network
Journal of KIISE
2019 .06
-
태양광 발전량 예측을 위한 랜덤포레스트와 순환신경망 비교
대한환경공학회지
2021 .05
-
태양광 시스템의 발전량 예측 및 향상을 위한 태양광 시스템 설계 프로그램 구현 프로세스 개발
대한건축학회 학술발표대회 논문집
2022 .04
-
태양광 발전량 실시간 예측 시스템
대한전기학회 학술대회 논문집
2019 .07
-
PM10 미세먼지 데이터를 고려한 기계 학습 기반의 태양광 발전 효율 예측 기법
한국정보과학회 학술발표논문집
2021 .12
-
철도분야 태양광 발전 적용 확대를 위한 설계 단계에서의 태양광 발전량 예측 연구
한국철도학회 논문집
2017 .04
-
미세먼지 예측을 위한 기계 학습 알고리즘의 적합성 평가
한국정보통신학회논문지
2019 .01
-
태양광 발전단지 데이터를 활용한 머신러닝 기반의 태양광 전력 시스템의 발전량 예측
대한전기학회 학술대회 논문집
2020 .07
-
태양광 발전량 예측과 확률분포 모델 구성
한국조명·전기설비학회 학술대회논문집
2020 .07
-
머신러닝 기반의 미세먼지 장기 예측 모델 개발
대한기계학회 춘추학술대회
2019 .11
-
발전량 예측 모델 기반의 태양광 모니터링 시스템 고장 예측
JOURNAL OF PLATFORM TECHNOLOGY
2018 .06
-
Photovoltaic Power Forecasting Scheme Based on Graph Neural Networks through Long- and Short-Term Time Pattern Learning
Journal of KIISE
2024 .08
-
기상자료를 이용한 기계학습모델 기반 태양광 발전량 예측
한국환경기술학회지
2017 .01
-
지역별 특성을 고려한 태양광 발전량 예보 모델
한국태양에너지학회 학술대회논문집
2022 .10
이 논문의 저자 정보
이 논문과 함께 이용한 논문
대기오염물질 측정 시 발생하는 질산염 증발 현상을 고려한 NOx 감축이 미세먼지 저감에 미치는 영향 정량화
임정훈
한국대기환경학회 학술대회논문집
2021
.10
태양광발전 분야 인공지능 기술 적용 사례
오원욱
한국태양에너지학회 학술대회논문집
2021
.11
머신러닝 기법을 활용한 서울 지점 미세먼지 농도 예측 연구
김민우
,
정형세
한국데이터정보과학회지
2022
.11
인공지능 기반 기상장 개선과 대기질 예측 정확성 향상에 관한 연구: 2022년 고농도 사례를 중심으로
김재희
,
김현수
,
박순영
외 1명
한국대기환경학회 학술대회논문집
2022
.10
미세먼지에 따른 태양광 발전량 감소
손정훈
,
정수종
한국기상학회 학술대회 논문집
2019
.05
최근 본 자료
댓글(0)
0
UCI(KEPA) : I410-ECN-0101-2022-539-001344849