빅데이터 기반 태양광 발전량 예측 딥러닝 모델 분석 = Analysis of Deep Learning Model for Prediction of Solar Power Generation Based on Big Data

국문 초록 (Abstract)

신재생에너지 발전원 중에서 비중을 많이 차지하는 태양광발전은 태양광을 전기에너지로 전환하는 설비로 범용성이 높아 주목받고 있다. 그러나 기상에 큰 영향을 받으므로 이를 효율적으로 사용하기 위해서는 신뢰성 있는 예측이 필요하다. 따라서 태양광 발전량 예측연구가 중요해지고 있고 안정적인 전력계통 운영을 위해서는 기상변화에 따라 변동되는 발전량을 예측할 수 있는 시스템이 수반되어야 한다. 본 논문에서는 다양한 에너지원이 소비되는 인접 지역에 분산되어 있는 태양광발전소의 기상자료와 실측일사량 및 발전량 자료를 활용하여 인공지능(AI; Artificial Intelligence) 모델에 학습시키고, 기상 조건과 취득 자료에 따른 발전량 예측의 최적모델 및 학습 기간을 도출하였다. 연구 방법으로 태양광 발전량 예측 모델로 인공지능 기반 DNN(Deep Neural Network)과 RNN(Recurrent Neural Network) 모델로 구축하고 다양한 설치조건의 태양광발전소에 대해 실제 일기예보를 사용하여 다른 조건의 예측 모델을 통해 D+1일 시간대별 태양광 발전량에 대한 예측이 가능한지 실증하였다.
첫째, 국내 전력망 안정을 위해 도입된 재생에너지 예측제도의 시간대별 예측오차율(FER; Forecasting Error Rate)값을 기반으로 한 실험 결과를 분석하였으며, 발전량 예측 모델의 평균제곱근오차(RMSE; Root Mean Square Error)값이 크더라도 실제로 국내 전력시장에서 요구하는 FER가 낮을 수 있음을 확인할 수 있었다. 이는 발전소 이용률 10% 미만의 시간대를 제외하는 규정에 기인하여 일출, 일몰, 현저한 강우 시간대가 배제되어 차이가 발생한다.
둘째, 태양광 셀은 일반적인 P-type 반도체와 N-type 반도체를 접합한 pn접합 다이오드의 특성을 따르므로, 일사량과 온도에만 영향을 받지만, 각 발전소의 기온에 대한 상관계수는 상이하였다. 이는 기상관측소에서 계측한 기온이 태양광 모듈의 온도를 대표할 수 없으며, 각 발전소의 설치장소, 풍속 등의 추가 영향인자가 있음을 기상계측 데이터 분석으로 확인할 수 있었다. 일기예보에 기반한 평가 결과에서도 A발전소의 기온을 독립변수로 추가한 DNN 예측 모델의 예측오차가 커짐을 실험 결과로 확인하여 실증하였다.
셋째, 예측 모델별로 학습 기간을 다르게 설정하여 분석한 결과 각각의 발전소마다 오차가 작게 나타나는 예측 모델이 상이함도 확인하였다. RNN 예측 모델이 DNN 기반의 모델보다 큰 오차를 보였으며, Over fitting이 확인되어 이를 줄이기 위한 하이퍼파라미터의 정밀한 튜닝 및 각각의 발전소마다 공통되게 나타나는지는 추가실험이 필요하다.
넷째, 우리나라의 계절변화에 따라 적은 변동을 나타내는 특성을 이용한 지수이동평균 모델은 재생에너지 발전량 예측시장에 진입하기 위하여 신규로 설치한 발전 자원을 모집하는 경우 신규 발전소의 운영데이터가 6개월 이내로 적은 발전소에 대하여도 D+1에 대한 발전량 예측이 가능함을 확인할 수 있었다.
다섯째, 과거 자료 분석과 발전량 예측실험을 통해 각각의 태양광발전소마다 인접한 기상관측소의 계측데이터를 활용하더라도 설치 여건에 따라 오차가 작은 예측 모델은 상이할 수 있음을 확인했다. 또한 상관계수가 높게 나타난 변수도 실제 일기예보기반 예측실험에서는 반영결과가 악화되는 경우를 확인하여 사전 분석 결과가 아닌 실제 예측 모델을 장기간 평가하여 선정함이 타당함을 확인하였다.
마지막으로 계측데이터 외의 설치 여건에 대한 분류를 위한 변수를 추가할 필요성 여부를 확인하여 추가적인 실험을 통해 예측오차를 줄인 개선된 예측 모델을 찾기 위한 실험이 요구되고, 예측 모델별로 학습 조건을 다르게 적용하여 시간대별 예측 정확도가 재생에너지 발전량 예측제도에서 요구하는 예측정산금이 최대로 발생하는 예측 모델 개발과 우리나라 전체 지형 및 설치 형태에 적용할 수 있는 표준 모델 개발에 관한 연구가 요구됨을 확인하였다

목차 (Table of Contents)

• 목 차
• 국문요약 ⅰ
• 제1장 서 론 1
• 제1절 연구의 목적 1
• 제2절 연구의 내용 및 방법 6
• 1. 연구의 내용 6
• 2. 연구의 방법 7
• 제3절 논문의 구성 8
• 제2장 기존 연구에 대한 이론적 고찰 10
• 제1절 태양광발전 개념 10
• 제2절 태양광발전의 동작 원리 11
• 제3절 태양광발전의 종류 14
• 1. 고정형 태양광발전 14
• 2. 고정가변형 태양광발전 15
• 3. 추적형 태양광발전 16
• 4. 건물 일체형 태양광발전 18
• 5. 수상/해상 태양광발전 19
• 제4절 태양광발전의 장단점 비교 22
• 1. 계통연계형 태양광발전 22
• 2. 독립형 태양광발전 23
• 3. 하이브리드 태양광발전 23
• 제5절 선행연구 고찰 24
• 제3장 태양광 발전량 예측 방법 및 모델 29
• 제1절 태양광 연간발전량 산정 방법 29
• 1. 수식에 의한 연간발전량 산정 29
• 2. 프로그램을 사용한 연간발전량 산정 29
• 3. 다중회귀분석에 의한 연간발전량 산정 30
• 제2절 발전량에 미치는 영향인자 32
• 1. 일사량 32
• 2. 일조시간 34
• 3. 전운(雲)량 36
• 4. 발전량-일사량, 기상요소 영향 분석 37
• 제3절 인공지능 발전량 예측 모델 64
• 1. DNN 모델 64
• 2. RNN 모델 65
• 제4장 태양광 발전량 예측 모델 설계 및 구현 67
• 제1절 발전량 예측 프로세스 설계 67
• 1. 예측 시스템 구성 67
• 2. 예측자료 적용 방법 74
• 제2절 태양광 발전량 예측 모델 구현 75
• 1. 발전량 예측 아키텍처 75
• 2. 입력자료별 적용한 신경망 종류 77
• 3. 예측모형 세부 구성 78
• 제3절 태양광 발전량 예측 모델 품질관리 85
• 1. 데이터 품질관리 시나리오 86
• 2. 수집자료 상관분석 87
• 3. 최대/최소값 관리 88
• 4. 품질관리 전후 비교 89
• 제5장 태양광 발전량 예측 모델 검증 및 평가 91
• 제1절 태양광 발전량 모델 데이터 적용 방법 91
• 제2절 태양광 발전량 모델 데이터 평가(학습, 검증, 평가) 93
• 1. DNN 모델 시간대별 분석 97
• 2. 예측 모델 학습 기간별 분석 105
• 제3절 태양광 발전량 모델 예측 결과 분석 109
• 제6장 결론 110
• 참고문헌 112
• Abstract 120

참고문헌 (Reference)

1. Applied Photovoltaics, M. A. Green, Corkish, M. E Watt, S. R Wenham, 2nd Edition, Earthscan, pp.43～95, , 2007

2. 실리콘 태양전지, 이수홍, 고분자과학과 기술, Vol.28, No.6, , 2008

3. 신재생에너지설비, 한찬호, 도서출판 기다리, , 2011

4. 장기 에너지 수요 전망, 최도영, 에너지경제연구원, , 2013

5. Photovoltaic array performance model, W. E. Boyson, J. A. Kratochivil, D. L. King, Sandia Nat. Lab., NM, USA, SAND2004-3535, , 2004

6. Modelling photovoltaic systems UsingPSpice, L. Castaner, S. Silvestre, Wiley-interscience publication, pp.19～101, , 2002

7. 태양광발전 단기 예측 모델 개발, 김광득, 한국태양에너지 학회 논문집, Vol.33, No.6, , 2013

8. 수상태양광 사업현황 및 추진계획, 오봉근, 제53회 대한 전기학회 하계학술대회 K-water 전문워크숍 발표집, , 2022

9. 수상태양광발전 상용화 방안 연구, 이세현, 한호연, 이형묵, 임동현, 2011년도 대한전기학회 하계학술대회 논문집, , 2011

10. 제2차 국가에너지기본계획 공청회, 박주헌, 동덕여자대학교, , 2013

11. Novel PV array moduleI-Vcurvesi mulatorcircuit, Orio S, Nagayoshi H, Nakajima H, IEEE Photovoltaic Specialists Conference, Vol.1, pp.1535～1538, , 2002

12. 신재생에너지설계 시공방안 및 사례, 윤중호, 에너지관리공단, , 2005

13. 정보-태양광발전시스템의 계측과 설계, 이순형, 전력기술 인 308. 25-28, , 2008

14. 하이브리드시스템 혁신성장품목보고서, 신지혜, 혁신성장 2021-18. 한국IR협의회, , 2021

15. 태양광발전시스템의 건축응용 기술현황, 박경운, 유권종, 한국건축친환경설비학회, 2(1), , 2008

16. A power-rating model for crystalline silicon PV modules, T. Huld, Sol. Energy mater. Sol. Cells vol. 95, pp. 3359-3369, , 2011

17. Energy rating of PV modules by outdoor response analysis, E. Gianolii-Rossi, K. Krebs, in proc. PV sol. Energy Conf., Florence, Italy, pp. 509-514, , 1988

18. 일기예보를 이용한 일사량 예측기 법 개발, 허나리, 도근영, 원종민, 한국항해항만학회지, Vol. 35, No.5, , 2011

19. 태양광발전을 위한 발전량 예측 모델 분석, 송재주, 이상호, 정윤수, Journal of Digital Convergence 2014, Mar;12(3); 243-248, , 2014

20. Solar Power Prediction Using Interval Type-2 TSK Modeling, M. S. Fadaliand C. Y. Evrenosoglu, S. Jafarzadeh, IEEE Transactions on Sustainable Energy, pp.333-339, Vol.4, No.2, , 2013

21. ICT기반 신재생에너지 발전량 예측기술 동 향, 이정인, 이일우, 정보와 통신, 36(11), 3-8, , 2019

22. Photovolytaic solar cells, performanceatelevatedtemperatures, PaulP. Horley, JesusGonzalez-Hernandez, Yuriv. Vorobiev, DavidMeneses-Rodnguez, PeterN. Gorley, Vol.78, pp.243～ 250, , 2005

23. Short-term solar power prediction using an RBF neural network, J. Zeng, W. Qiao, Powerand Energy Society General Meeting, IEEE, pp.1-8, 24-29, , 2011

24. Accurate photovoltaic power forecasting models using deep LSTM-RNN, Abdel-Nasser, Mohamed, Karar Mahmoud, Neural Computing and Applications, vol, 31(7), pp. 2727-2740, , 2017

25. Microprocessor Based Random PWM Schemes for DC-DC Power Conversion, S. Y. R. Hui, Oppermann, F. Pasalic, IEEEPECS, Vol.1, pp.307～312, , 1995

26. Cloud Motion Estimation for Short Term Solar Irradiation Prediction, D. Huang, D. Yu, H. Huang, S. Yoo, J. Xu, H. Qin, Z. Peng, SmartGrid Communications IEEE International Conferenceon, pp.696-701, , 2013

27. 태양광 발전량 예측 인공지능 DNN-RNN 모델 비교분석, 홍정조, 오용선, 한국사물인터넷학회 논문지, 8(3), 55-61, , 2022

28. Translation of device performance measurements to reference conditions, C. R. Osterwald, Sol. Cell, vol. 18, pp. 269-279, , 1986

29. 태양에너지 최적 활용을 위한 기상자원 분석 보고 서, 기상청, 발간등록번호: 11-1360000-000425-01. 기상청, , 2008

30. PV Intensity를 반영한 태양광발전량 단기 예측 알고리즘, 김상원, 고려대학교 석사학위 논문, , 2012

31. Simple approach to cooling load component calculation through PV walls,, H. Yang, J. Ji, J. Burnett, Energy Bulidings vol. 31, pp. 285-290, , 2000

32. 수상태양광의 환경적 특성을 고려한 발전량 예측모 델, 정한상, 충북대학교 대학원 박사학위 논문, , 2021

33. PVUSA model technical specification for a turnkey photovoltaic power system, B. K. Farmer, Univ. North Texas, Denton, TX, USA, Appendix C, p. c2, , 1992

34. The dffect of temperature on the power drop in crystallinesiliconsolarcells, E. Radziemska, Vol.28, pp.1～12, , 2003

35. PV일체형 태양광발전 채광시스템의 성능평가에 관한 연구, 박훈, 경희대학교 대학원 박사학위 논문, , 2013

36. Modeling power output in photovoltaic modules for outdoor operating conditions, M. Ibanez, J. I. Rosell, Energy Convert. Manage., vol. 47, pp. 2424-2430, , 2006

37. 태양전지의 단락전류 편차가 PV 모듈의 출력에 미치는 영향, 김승태, 건국대학교 대학원 석사학위 논문, , 2009

38. 인공지능 신경망과 태양고도를 이 용한 태양광 발전량 예측, 김무수, 손현규, 한세경, 한국통신학회 학술대회논문집, 2021.2, 122-123, , 2021

39. kNN-LSTM을 이 용한 시간별 일사량 예측 성능 개선에 관한 연구, 김진용, 김백천, 김민석, 김성신, 정승환, 한국지능 시스템학회논문지, 32(3), 225-230, , 2022

40. 인공지능 해석 기법을 이용한 태양 광 발전량 예측 성능 향상, 오재영, 이용건, 김기백, 전기학회논문지, 69(7), 1111-1116, , 2020

41. 시간별 기상 변화 를 고려한 LSTM 기반 일사량 예측에 관한 연구, 김종근, 정승환, 김성신, 김민석, 이한수, 한국지능 시스템학회논문지, 31(1), 88-94, , 2021

42. LSTM을 사용한 SHAP 기 반의 설명 가능한 태양광 발전량 예측 기법, 박성우, 황인준, 정승민, 노윤아, 한국정보처 리학회 학술대회논문집, 28(2), 845-848, , 2021

43. 수상 태양광발전시스템 의 데이터 분석을 통한 실증에 관한 연구, 김은기, 이종석, 신강욱, 최형철, 2011년도 대한전 기학회 하계학술 대회논문집, , 2011

44. An ARMAX model for forecasting the power output of a grid connected photovoltaic system, Lianjie Shu, Yan Su, Li, Yanting, vol. 66, pp. 78-89, , 2014

45. 대기 중 미세먼지를 포함한 태양광 발전 예측 인공지능 모델 개발, 김경민, 윤재성, 안종화, 대한환경공학회지, 44(4), 111-124, , 2022

46. BiLSTM 기반의 설명 가 능한 태양광 발전량 예측 기법. 정보처리학회논문지, 문재욱, 정승민, 박성우, 황인준, 소프트 웨어 및 데이터 공학, 11(8), 339-346, , 2022

47. Daily solar radiation prediction based on Genetic Algorithm Optimization of wavelet neural network, C. Zhuand, J. Wang, Y. Xie, X. Xu, Electrical and Control Engineering (ICECE), 2011 International Conference on, pp.602-605, 16-18, , 2011

48. 태양광 주기성에 적합한 시간 변수를 반영한 SHAP 기반의 태양광 발전량 예측, 정원용, 황인준, 박성우, 문재욱, 정 보과학회 컴퓨팅의 실제 논문지, 28(3), 196-201, , 2022

49. 태양광발전량 예측 도구별 입력 요소 분석 및 실제 발 전량 비교에 관한 연구, 노상태, 한국생태환경건축학회 논문집, 14(6), 87-92, , 2014

50. 센싱데이터와 기상기후 빅데이터를 융합한 태 양광발전량의 회귀모델 예측분석, 김태형, 유인호, 방준호, 박소연, 전기 학회논문지, 68(12), 1662-1668, , 2019

51. 수위(水位)변화에 의한 수상태양광 발전량 영향 분석과 발전량 예측 모델에 관한 연구, 권태흔, 동국대학교 일반대학원 박사학위 논문, , 2022

52. 통계적 및 인공지능 모형 기반 태양광 발전량 예측모델비교 및 재생에너지 발전량 예측 제도 정산금 분석, 김상하, 이정인, 이일우, 박완기, 전기전자학회논문지, 26(3), 355-363, , 2022

53. 태양광발전소의 균등화발전단가(LCOE) 감소를 위한 고장물리(PoF) 기반 지능형 유지보수(O&M) 의사결정 플랫폼, 오경석, 천성일, 대한기계학회 춘추학술대회, 2021.4, 44-44, , 2021