Proceedings of the Korean Society of Computer Information Conference (한국컴퓨터정보학회:학술대회논문집)

Korean Society of Computer Information (한국컴퓨터정보학회)
권호 표지

Two-Stage Neural Network Optimization for Robust Solar Photovoltaic Forecasting

강건한 태양광 발전량 예측을 위한 2단계 신경망 최적화

  • Jinyeong Oh (Dept. of AI and Big Data, Soonchunhyang University) ;
  • Dayeong So (Dept. of ICT Convergence, Soonchunhyang University) ;
  • Jihoon Moon (Dept. of ICT Convergence, Soonchunhyang University)
  • 오진영 (순천향대학교 AI.빅데이터학과) ;
  • 소다영 (순천향대학교 ICT융합학과) ;
  • 문지훈 (순천향대학교 ICT융합학과)
  • Published : 2024.01.17
Download PDF
⟨ Previous Next ⟩

Abstract

태양광 에너지는 탄소 중립 이행을 위한 주요 방안으로 많은 주목을 받고 있다. 태양광 발전량은 여러 환경적 요인에 따라 크게 달라질 수 있으므로, 정확한 발전량 예측은 전력 네트워크의 안정성과 효율적인 에너지 관리에 근본적으로 중요하다. 대표적인 인공지능 기술인 신경망(Neural Network)은 불안정한 환경 변수와 복잡한 상호작용을 효과적으로 학습할 수 있어 태양광 발전량 예측에서 우수한 성능을 도출하였다. 하지만, 신경망은 모델의 구조나 초매개변수(Hyperparameter)를 최적화하는 것은 복잡하고 시간이 많이 드는 작업이므로, 에너지 분야에서 실제 산업 적용에 한계가 존재한다. 본 논문은 2단계 신경망 최적화를 통한 태양광 발전량 예측 기법을 제안한다. 먼저, 태양광 발전량 데이터 셋을 훈련 집합과 평가 집합으로 분할한다. 훈련 집합에서, 각기 다른 은닉층의 개수로 구성된 여러 신경망 모델을 구성하고, 모델별로 Optuna를 적용하여 최적의 초매개변숫값을 선정한다. 다음으로, 은닉층별 최적화된 신경망 모델을 이용해 훈련과 평가 집합에서는 각각 5겹 교차검증을 적용한 발전량 추정값과 예측값을 출력한다. 마지막으로, 스태킹 앙상블 방식을 채택해 기본 초매개변숫값으로 설정해도 우수한 성능을 도출하는 랜덤 포레스트를 이용하여 추정값을 학습하고, 평가 집합의 예측값을 입력으로 받아 최종 태양광 발전량을 예측한다. 인천 지역으로 실험한 결과, 제안한 방식은 모델링이 간편할 뿐만 아니라 여러 신경망 모델보다 우수한 예측 성능을 도출하였으며, 이를 바탕으로 국내 에너지 산업에 이바지할 수 있을 것으로 기대한다.

Keywords

Acknowledgement

본 연구는 순천향대학교 연구지원 사업 및 한국연구재단 4단계 두뇌한국 21 사업(4단계 BK21 사업)의 지원을 받아 작성되었음(과제번호: 5199990514663).

References

  1. P. Chen, S. Liu, X. Wang, and I. Kamwa, "Physics-Shielded Multi-Agent Deep Reinforcement Learning for Safe Active Voltage Control With Photovoltaic/Battery Energy Storage Systems," IEEE Trans. Smart Grid, vol. 14, no. 4, pp. 2656-2667, July 2023.
  2. "Diagnosis of Solar Power Generation Equipment Failures Without On-Site Visits," Donga Science, 2023. [Online]. Available: https://www.dongascience.com/news.php?idx=61712. [Accessed: 20-09-2023].
  3. K. Hu, S. Cao, L. Wang, W. Li, and M. Lv, "A new ultra-short-term photovoltaic power prediction model based on ground-based cloud images," J. Cleaner Prod., vol. 200, pp. 731-745, 2018.
  4. S. Park, S. Jung, J. Moon, and E. Hwang, "Explainable Photovoltaic Power Forecasting Scheme Using BiLSTM," KIPS Trans. Softw. Data Eng., vol. 11, pp. 339-346, 2022.
  5. P. Li, K. Zhou, X. Lu, and S. Yang, "A hybrid deep learning model for short-term PV power forecasting," Appl. Energy, vol. 259, article no. 114216, 2020.
  6. S. Wang, D. Li, G. Liu, Z. Ling, and D. Wang, "Short-term PV Power Prediction Based on Bi-directional Gated Recurrent Unit Network and Adaptive Chirp Mode Decomposition," in Proc. 2023 3rd Int. Conf. Neural Networks, Information and Communication Engineering (NNICE), pp. 702-706, 2023.
  7. J. Liang and W. Tang, "Ultra-short-term spatiotemporal forecasting of renewable resources: An attention temporal convolutional network-based approach," IEEE Trans. Smart Grid, vol. 13, no. 5, pp. 3798-3812f, 2022.