예측 일사량과 기상변수를 이용한 인공신경망 기반 태양광 발전량 예측 :Forecast of Solar Power Generation Based on Artificial Neural Networks Using Forecast Solar Irradiance and Meteorological Variables

김백천

추천

검색

자료유형: 학위논문

저자정보: 김백천 (부산대학교, 부산대학교 대학원)

지도교수: 김성신

발행연도: 2020

저작권: 부산대학교 논문은 저작권에 의해 보호받습니다.

이용수42

이 논문의 연구 히스토리 (3)

2021

계절별 기상조건에 기반한 태양광 발전량 예측에 관한 연구

김백천 , 정승환 , 김민석 외 2명 한국지능시스템학회 논문지 2021.04 학술저널

2020

기상상태 변동성을 고려한 LSTM 기반 태양광 발전량 예측

김백천 , 정승환 , 김민석 외 3명 한국지능시스템학회 논문지 2020.02 학술저널

예측 일사량과 기상변수를 이용한 인공신경망 기반 태양광 발전량 예측

김백천 전기전자컴퓨터공 2020.01 학위논문

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

정부는 국민의 안전과 환경을 위해 신·재생 에너지 중심으로 발전을 대폭 확대하는 방안을 제시하였다. 신·재생 에너지 중 태양광 발전은 다른 신·재생 에너지에 비해 설치 및 유지보수가 용이하고, 발전과정에 소음이 발생하지 않기 때문에 마이로 그리드에서 많이 이용되고 있다. 하지만 태양광 발전은 기상상태, 모듈의 온도 등에 따라 발전의 출력변동이 크기 때문에 전력을 계획적으로 생산하기 어렵고 안정적으로 전력을 제공할 수가 없다. 이러한 단점을 보완하기 위해 마이크로 그리드에서는 에너지 저장장치 시스템을 이용한다. 에너지 저장장치 시스템의 충/방전 계획은 다음날의 예측발전량과 전력소비량을 예측하여 충/방전 계획을 수립한다. 하지만 다음날의 예측 발전량을 제대로 예측하지 못할 경우 에너지 저장장치 시스템의 충/방전 계획을 수립하지 못하여 에너지 저장장치 시스템의 기능을 제대로 이용할 수 없다. 따라서 충/방전 계획을 수립하기 위해 다음날 시간별 발전량 예측이 필요하다. 본 논문에서는 에너지저장장치 시스템의 효율적인 충/방전 계획을 수립하기 위해 다음날 시간별 발전량을 예측을 하였다. 발전량을 예측하기 위해 먼저 기상데이터에 인공신경망을 적용하여 일
사량을 예측하였다. 예측된 일사량과 기상변수에 Recursive, Direct, MIMO Method를 적용한 인공신경망 모델을 이용하여 다음날의 시간별 발전량을 예측하였다. 예측 모델의 복잡도를 고려하기 위해 K-묶음 교차검증을 수행하여 모델의 복잡를 선정하였다.Recursive, Direct, MIMO Method를 적용한 예측모델을 비교하였을 때 Recursive Method를 적용한 인공신경망의 모델의 예측성능이 가장 우수한 것을 확인할 수 있었다. 향후 연구과제로는 태양광 발전량의 예측성능을 향상시키기 위해 날씨별 태양광 발전량 예측모델을 수립할 것이다.

The government presents an electricity generation policy that significantly increases generation quantity from new and renewable for the environment and people''s safety. Solar energy generation is one of the main choices in a microgrid among new and renewable energy because it is easy to build, maintain, and quiet when operating. On the other hand, the quantity of solar power generation heavily fluctuates according to weather conditions, its module''s temperature, and so on. Consequently, it leads to unstable energy production in the microgrid. An energy storage system (ESS) is a solution to fix the problem mentioned above. The ESS makes charge/discharge schedule based on the predicted power generation and consumption of the next day. Inevitably, the operational reliability of the ESS highly depends on the performance of the prediction model, which deals with power generation and consumption. Therefore, an hourly power generation prediction model is essential to establish the proper ESS charge/discharge schedule of the next day.
In this paper, the hourly power generation prediction model of the next day is suggested using an artificial neural network. The process of the hourly power generation prediction model is as follows: First of all, weather observation data is applied to the artificial neural network for forecasting solar irradiance. Then, the hourly solar power generation prediction models, which consist of recursive, direct, and MIMO structures, derive the hourly prediction results using the forecasted solar irradiance, meteorological variables, and 1-hour or 1-day behind power generation quantity. The structures of the artificial neural networks are selected through k-fold cross-validation to consider the complexity of the model. When comparing the forecast models, the recursive structure model shows the best performance. In future works, it is worth establishing a solar power generation prediction model that depends on weather conditions to improve the forecast performance of the solar power generation.

#태양광 발전량 예측 #일사량 예측 #인공신경망

I. 서론 1
1. 연구 배경 1
2. 관련 연구 3
3. 연구 내용 4
4. 논문 구성 4
II. 인공신경망 기법 5
1. 인공신경망 5
2. 역전파(BackPropagation) 알고리즘 7
3. Long Short-Term Memory 8
III. Multi-Step Ahead Forecast Strategy 10
1. Recursive Method 10
2. Direct Method 11
3. Multi Input Multi Output Method 11
IV. 일사량 예측방법 13
1. 일사량 예측을 위한 입력 변수 계산 및 선정 13
2. 은닉층의 노드수 선정 방법 16
V. 태양광 발전량 예측방법 20
1. 태양광 발전량 예측 모델의 입력변수 계산 및 선정 20
2. 모델의 복잡도 선정 23
VI. 실험결과 27
1. 기상 관측데이터 27
2. 기상 예보데이터 30
3. 태양광 발전량 데이터 30
4. 실험결과 32
가. 일사량 예측 결과 32
나. 발전량 예측 결과 37
VII. 결론 및 향후과제 51

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 (3)

초록· 키워드

목차

최근 본 자료

댓글(0)