영흥 풍력발전단지의 풍력발전량 예측을 위한 입력변수 선정 및 인공신경망과 1차원 합성곱 신경망 비교

박태희; 장다슬; 배경민; 김경민; 안종화

추천

검색

질문

자료유형: 학술저널

저자정보: 박태희 (강원대학교) 장다슬 (강원대학교) 배경민 (강원대학교) 김경민 (강원대학교) 안종화 (강원대학교)

저널정보: 대한환경공학회 대한환경공학회지 대한환경공학회지 제43권 제4호

발행연도: 2021.4

수록면: 219 - 229 (11page)

이용수

📌

연구주제

📖

연구배경

🔬

연구방법

🏆

연구결과

이 논문의 연구 히스토리 (2)

2021

영흥 풍력발전단지의 풍력발전량 예측을 위한 입력변수 선정 및 인공신경망과 1차원 합성곱 신경망 비교

박태희 , 장다슬 , 배경민 외 2명 대한환경공학회지 2021.04 학술저널

2020

인공신경망을 이용한 영흥풍력 단지의 풍력발전량 예측

박태희 , 배경민 , 장다슬 외 2명 대한환경공학회 학술발표논문집 2020.11 학술대회자료

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 연구에선 비선형적 풍력발전량 예측 모델 개발을 목적으로 총 설치 용량 46 MW의 풍력발전단지가 설치된 영흥 풍력발전 단지의 자료를 이용하여 인공신경망(artificial neural network, ANN)과 1차원 합성곱신경망(1-dimension convolutional neural network, 1D-CNN)의 성능을 비교하고자 하였다.
방법 : 자료는 46 MW 발전능력을 가진 영흥 풍력발전단지의 2018년 1월부터 12월의 1시간 단위 풍력발전량 자료와 기상청에서 얻은 기상자료를 이용하였다. 최적 입력변수를 선정을 위하여 문헌연구를 바탕으로 시행착오를 거쳐 인자를 선정하였다. 전처리 과정을 거친 17,306개의 자료의 80%를 학습(training), 20%를 테스트(test)으로 사용하였으며, 학습 자료의 20%를 검증(validation)자료로 구성하였다. 모델 내 활성화 함수로는 rectified linear unit를 사용하였으며, 시행착오법을 통해 하이퍼파라미터(hyperparameter)의 최적값을 도출하였다. 모든 모델은 Python의 Keras 라이브러리를 이용하여 설계하였으며, 성능지표인 결정계수(coefficient of determination, R²), 평균제곱근오차(root mean square error, RMSE), 평균절대오차(mean absolute error, MAE) 등은 Scikit-learn 라이브러리에서 이용하였다.
결과 및 토의 : 최적 입력변수는 풍속, 풍향, 온도, 습도 등이었다. ANN의 최적점으로는 은닉층 8층, 은닉층별 노드수는 모두 100으로 나왔다. 최적 ANN 모델에서 성능지표는 R²=0.848, MAE=1.054, RMSE=1.616이었다. 1D-CNN 의 최적점으로는 합성곱층 4층, 층별 필터 수는 1층부터 64, 128, 64, 32개, 전결합층 1층에 노드 100개이다. 최적 1D-CNN 모델의 성능지표는 R²=0.875, MAE=0.982, RMSE=1.583였다. 1D-CNN이 ANN보다 R²는 높고, MAE와 RMSE는 낮았다. ANN, 1D-CNN의 결정계수가 모두 0.8 이상으로 예측 성능이 우수하나, 1D-CNN이 ANN보다 모든 성능지표에서 높았다.
결론 : 최적화된 모델의 성능지표 비교 결과 1D-CNN이 ANN보다 높은 성능을 보여 영흥 풍력 발전소 발전량 예측에 적합할 것으로 보인다. 최적 입력변수는 풍속, 풍향, 온도, 습도였다.

Objectives : In this study, deep learning models of artificial neural network (ANN) and one-dimension convolutional neural networks (1D-CNN) were compared to predict nonlinear wind power generation at Yeongheung wind power plant.
Methods : The study site was Yeongheung-do, which has a 46 MW wind power plant. Hourly wind power and meteorological data from January to December 2018 were collected. After pre-processing with standardscaler, the training data were 64%, the validation data were 16%, and the test data were 20%. The optimum input variables of the model were selected using literature, and trial and error method. Rectified linear unit was used as the activation function. Hyperparameters were adjusted by trial and error method to optimized models. To compare the optimized models, the coefficient of determination (R²), mean absolute error (MAE), and root mean square error (RMSE) were used as the performance efficiency. Both ANN, and 1D-CNN were imported from the Keras library, and all of the performance efficiency was imported from the Scikit-learn library.
Results and Discussion : The optimized input variables in this study were wind speed, wind direction, temperature, and humidity. The optimized ANN performance was R²=0.848, MAE=1.054, and RMSE=1.616, and the hyperparameters were 8 hidden layers with 100 nodes in each layer. The optimized 1D-CNN (R²=0.875, MAE=0.982, and RMSE=1.583) had 4 convolutional layers and the number of filters were 64, 128, 64, and 32 in order from the first layer, and one hidden fully connected layer had 100 nodes. The 1D-CNN had higher R², and lower MAE and RMSE than the ANN. Therefore, the 1D-CNN was selected as the optimized model to predict wind generation of the Yeongheung wind power plant.
Conclusions : The optimized 1D-CNN model in this study was more effective in predicting the Yeongheung wind power plant than the ANN. The optimal input variables were wind speed, wind direction, temperature, and humidity.

#Artificial Neural Networks #Artificial Intelligence #Convolutional Neural Networks #Machine Learning #Wind Power #인공신경망 #인공지능 #기계학습 #합성곱신경망 #풍력에너지

참고문헌 (47)

참고문헌 신청

R. P. Shetty, A. Sathyabhama, P. S. Pai, Comparison of modeling methods for wind power prediction: a critical study, Front. Energy, 14, 347-358(2020).

Z. Wang, W. Wang, B. Wang, Regional wind power forecasting model with NWP grid data optimized, Front. Energy, 11, 175-183(2017).

Ministry of Trade, Industry and Energy, Implementation plan of renewable energy 3020, Ministry of Trade, Industry and Energy, Sejong, Korea, pp. 13(2017).

Korea Energy Economics Institute, World energy market insight, Korea Energy Economics Institute, 20(20), Ulsan, Korea, pp. 28(2020).

Korea Trade-Investment Promotion Agency, Analysis of energy policy of Spain and cooperation plan with Korea, Korea Trade-Investment Promotion Agency, Seoul, Korea, pp. 19(2019).

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

박태희

소속기관 강원대학교

주요연구분야 공학 > 건축공학 > 환경공학

논문수 2 이용수 229

장다슬

소속기관 강원대학교

주요연구분야 공학 > 건축공학 > 환경공학

논문수 2 이용수 229

배경민

소속기관 강원대학교

주요연구분야 공학 > 건축공학 > 환경공학

논문수 2 이용수 229

김경민

소속기관 서울과학기술대학교

주요연구분야 공학 > 건축공학 > 환경공학 TOP 5% 공학 > 재료·에너지공학 > 기타 재료·에너지공학

논문수 35 이용수 2,244

안종화

소속기관 강원대학교

주요연구분야 공학 > 건축공학 > 환경공학 TOP 5% 농수해양학 > 농학

논문수 63 이용수 3,362

이 논문과 함께 이용한 논문

Breast Cancer Subtype Classification Using Multi-omics Data Integration Based on Neural Network

최정민 , 이지영 , 김지은 외 2명 Journal of KIISE 2020 .09

시간별 LSTM 기법을 이용한 단기풍력발전 예측

최준영 , 이송근 전기학회논문지 2020 .06

하이브리드 딥러닝 모형을 이용한 단기 풍력 발전 예측에 관한 연구

유솔의 , 백자현 , 박상호 외 1명 대한전기학회 학술대회 논문집 2021 .10

인공지능 데이터 품질검증 기술 및 오픈소스 프레임워크 분석 연구

윤창희 , 신호경 , 추승연 외 1명 멀티미디어학회논문지 2021 .10

샤인머스캣과 청포도 자동 분류 딥러닝 시스템 개발

김명진 , 한영석 , 김승우 외 1명 디지털콘텐츠학회논문지 2021 .10

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (2)

초록· 키워드

AI 요약

연구주제

연구배경

연구방법

연구결과

주요내용

목차

참고문헌 (47)

함께 읽어보면 좋을 논문

이 논문의 저자 정보

이 논문과 함께 이용한 논문

최근 본 자료

댓글(0)