• 응용통계연구
• /
• 제36권1호
• /
• pp.49-62
• /
• 2023

급속적으로 비중이 증가하고 있는 태양광 에너지는 지속적인 개발 및 투자가 이루어지고 있다. 신재생에너지 정책인 그린뉴딜과 가정용 태양광 패널의 설치가 증가함에 따라 국내 태양광 에너지 보급이 점차 확대되어 그에 맞추어 발전량의 정확한 수요 예측 연구가 활발하게 진행되고 있는 시점이다. 또한, 일사량 예측이 발전량 수요 예측에 가장 영향을 미치는 요소로 작용하고 있다는 점에서 일사량 예측의 중요성을 파악하였다. 덧붙여, 본 연구는 선행 연구들에서 사용되지 않은 중기예보 기상 데이터를 활용하여 일사량 예측을 하고자 하였다는 점에서 가장 큰 차이점을 확인할 수 있다. 본 논문에서는 서울, 인천, 수원, 춘천, 대구, 대전의 총 여섯 지역의 태양광 일사량 예측을 위하여 다중선형회귀모형, KNN, Random Forest 그리고 SVR 모형과 클러스터링 기법인 K-means 기법을 결합한 후, 클러스터별 확률밀도함수를 계산하여 시간별 일사량 예측을 진행하고자 하였다. 중기예보 데이터를 사용하기 전, 모형 예측 결과를 비교하기 위한 지표로서 MAE (mean absolute error)와 RMSE (root mean squared error)를 사용하였다. 데이터는 2017년 3월 1일부터 2022년 2월 28일까지의 시간별 원 관측 데이터를 중기예보 데이터 양식에 맞추어 일별 데이터로 변환하였다. 모형의 예측 성능 비교 결과, Random Forest로 일별 일사량을 예측한 후, K-means 클러스터링으로 기후요인이 유사한 날짜들을 분류한 뒤 클러스터별 일사량의 확률밀도함수를 계산하여 시간별 일사량 예측값을 나타낸 방법이 가장 우수한 성능을 보였다. 또한 이 방법론을 이용하여 중기예보 데이터에 모형 적합 후, 예측 결과를 확인하였을 때, 일자별로 예측 오류가 상승하는 것을 확인할 수 있었다. 이는 중기예보 기상데이터의 예측 오류로 인한 것으로 보인다. 향후 연구에서는 중기예보 데이터에서 활용할 수 있는 기상요인 중, 강수 여부와 같은 외생 변수를 추가하거나 시계열 클러스터링 기법을 적용한 연구가 이루어져야할 것으로 보인다.

• 태양에너지
• /
• 제20권1호
• /
• pp.45-54
• /
• 2000

본 논문에서는 건물 및 에너지 시스템 시뮬레이션에 적용되는 시간별 기상자료의 핵심항목인 일사량 관련자료의 신뢰성 검증을 위해, 서울지역 성분별 일사량의 장기간 측정치를 이용해 다양한 일사량 직산분리 모델의 정밀성 오차분석을 수행하였다. 1991년$\sim$1998사이 법선면직달일사량 및 수평면전일사량 시간별 측정치중 총 12,710시간의 유효데이타가 분석에 활용되었다. 직산분리 예측모델은 국내외에서 일반적으로 활용되고 있는 5개 모델을 분석하였다. 포트란 프로그램을 작성하여 5개 모델의 이론적 일사량 예측치를 계산하고, 6개의 오차 분석 지표를 이용해 측정치와 예측치의 정밀성이 분석되었다. 분석결과 대부분의 직산분리 모델이 실측치보다 작게 예측하고 있으며, CV(RMSE)가 34%$\sim$48%로 비교적 큰 오차폭을 보였다. 전반적으로 태양고도가 낮은 일출 및 일몰 시간대의 오차폭이 크며, 태양고도에 대한 영향이 회귀모델에 반영된 우전천(宇田川)의 직산분리 모델이 5개 모델중 가장 오차가 작은 것으로 평가되었다.

• 한국항행학회논문지
• /
• 제22권3호
• /
• pp.233-239
• /
• 2018

태양광 발전은 기상 상태에 따라 간헐적이기 때문에 태양광 발전의 효율과 경제성 향상을 위해 정확한 발전량 예측이 요구된다. 본 연구는 목포 기상대에서 예보하는 기상 데이터와 영암 태양광 발전소의 발전량 데이터를 이용하여 태양광 발전량 단기 딥러닝 예측모델을 제안하였다. 기상청은 기온, 강수량, 풍향, 풍속, 습도, 운량 등의 기상요소를 3일간 예보한다. 그러나 태양광 발전량 예측에 가장 중요한 기상요소인 일조 및 일사 일사량 예보하지 않는다. 제안 모델은 예보 기상요소를 이용하여, 일조 및 일사 일사량을 예측 하였다. 또한 발전량은 기상요소에 예측된 일조 및 일사 기상요소를 추가하여 예측하였다. 제안 모델의 발전량 예측 결과 DNN의 평균 RMSE와 MAE는 0.177과 0.095이며, RNN은 0.116과 0.067이다. 또한, LSTM은 가장 좋은 결과인 0.100과 0.054이다. 향후 본 연구는 다양한 입력요소의 결합으로 보다 향상된 예측결과를 도출할 수 있을 것으로 기대된다.

• 한국신재생에너지학회:학술대회논문집
• /
• 한국신재생에너지학회 2011년도 추계학술대회 초록집
• /
• pp.131-131
• /
• 2011

태양광 및 태양열 설비의 효율적인 관리를 위해서는 관련 일사정보가 사전정보로 제공되어 시스템 운용을 위한 입력인자로 활용되어야 한다. 특히 전력그리드에 연계되어 설비가 활용된다고 하면, 그 에너지 공급이 불규칙적인 신재생에너지원의 특성으로 인해 에너지 공급량의 예측이 선행되어 기존의 전력공급체계가 이를 지원할 수 있는 모델과 시스템이 구비되어야 한다. 기존의 다양한 연구들이 한정된 국소지점에 대해 다양한 예측기법을 적용하여 평가를 실시하였지만, 장기간의 결과 축적이 이루어지지 못해 그 신뢰성 확보에 어려움을 겪고 있다. 본 연구에서는 현재 한국에너지기술연구원에서 관리되는 일사정보를 활용하여 청명한 날의 표준 일사 데이터베이스를 생성하고, 기상청에서 RSS(Rich Site Summary) 형태로 지원하는 운량정보를 이용하여 3시간 이상의 미래정보를 계속적으로 산출할 수 있는 시스템을 제작하고자 하였다.

• 플랜트 저널
• /
• 제17권4호
• /
• pp.41-52
• /
• 2021

본 연구에서는 태양광발전 출력 및 모듈온도 값을 기상청 데이터를 이용하여 예측해보고 실측 데이터와 날씨, 일사량, 주변온도, 풍속별로 비교 분석해보았다. 날씨별 예측정확도는 눈이 오거나, 새벽에 해무가 끼는 날의 데이터를 가장 많이 보유한 맑은날의 데이터의 예측정확도가 가장 낮았다. 일사량에 따른 모듈온도와 발전량의 예측정확도는 일사량이 커질수록 정확도가 떨어졌으며, 주변 온도에 따른 예측정확도는 모듈온도는 주변 온도가 커질수록, 발전량은 주변온도가 낮을수록 예측정확도가 떨어졌다. 풍속은 모듈온도와 발전량 모두 풍속이 높아질수록 예측정확도가 감소하였지만, 풍속이 영향 다른 기상조건에 의한 영향보다 미미하여 그 상관관계를 정의하기가 어려웠다.

• 한국항행학회논문지
• /
• 제25권6호
• /
• pp.569-575
• /
• 2021

딥러닝은 데이터의 품질과 모델에 따라 예측 성능에 차이를 보인다. 본 연구는 발전량 예측에 가장 영향을 주는 일사량 예측을 위한 최적의 딥러닝 모델을 구축하기 위해 다양한 입력 데이터와 다중 딥러닝 모델을 사용하였다. 입력 데이터는 기상청의 기상 데이터와 천리안 기상영상을 기상청 지역의 영상을 분할하여 사용하였다, 본 연구는 기본적인 딥러닝 모델인 DNN, LSTM, CNN 모델에 대해 중간층의 깊이와 노드를 변경하여 일사량을 예측하여, 비교 평가하였다, 또한, 각 모델에서 가장 좋은 오차율을 가진 모델을 연결한 다증 딥러닝 모델을 구축하여 일사량을 예측하였다. 실험 결과로서 다중 딥러닝 모델인 모델 A의 RMSE는 0.0637이며, 모델 B의 RMSE는 0.07062이며, 모델 C의 RMSE는 0.06052로서 단일 모델보다 모델 A 그리고 모델 C의 오차율이 좋았다. 본 연구는 실험을 통해 두 개 이상의 모델을 연결한 모델이 향상된 예측률과 안정된 학습 결과를 보였다.

• 한국항행학회논문지
• /
• 제21권6호
• /
• pp.643-650
• /
• 2017

무한한 에너지원을 가진 태양광 발전은 기상 에 의존하기 때문에 발전량이 매우 간헐적이다. 따라서 태양광 발전량의 불확실성을 줄이고 경제성을 향상시키기 위하여 정확한 발전량 예측기술이 필요하다. 기상청은 3일간 기상정보를 예보하지만 태양광 발전 예측에 높은 상관관계가 있는 일조량과 일사량은 예보하지 않는다. 본 연구에서는 기상청에서 3일간 예보하는 기상요소인 기온, 강수량, 풍향, 풍속, 습도, 운량 등을 이용하여, 일조 및 일사량을 예측하였으며, 예측된 일사 및 일조량을 이용하여, 실시간 태양광 발전량을 예측하는 딥러닝 모델을 제안하였다. 결과로서 예측된 기상요소로 발전량을 예측하는 모델보다 제안 모델이 MAE, RMSE, MAPE 등의 오차율 지표에서 더 좋은 결과를 보여주었다. 또한, 기계 학습의 한 종류인 서포트 벡터 머신을 사용하는 것보다 DNN을 사용하는 것이 더 낮은 오차율 지표를 보여주었다.

• 대한기계학회논문집B
• /
• 제37권12호
• /
• pp.1105-1112
• /
• 2013

본 연구에서는 난방설비 제어에 필요한 난방부하를 건물 특성계수를 사용하여 예측하는 방법을 제안하였고, 난방부하에 주된 영향을 미치는 시간별 온도와 일사량을 예측하는 방법을 제안하였다. 온도와 일사량은 기상청에서 예보되는 정보로부터 퍼지이론을 이용하여 예측하였고, 난방부하 예측을 위한 건물 특성계수는 EnergyPlus로부터 도출하였다. 본 연구에서 제안된 방법으로 얻어진 난방부하는 EnergyPlus의 결과와 잘 일치하였으며, 예측된 온도와 일사를 이용하여 예측한 난방부하의 변화 양상은 실측 기상데이터를 사용한 결과와 유사하였다.

• 대한토목학회논문집
• /
• 제43권2호
• /
• pp.249-258
• /
• 2023

태양광발전은 현재 국내 신재생에너지 중 발전량과 설비용량 비중이 가장 크다. 수상태양광은 국내의 육상태양광 발전시설의 여러 가지 단점을 보완한 방식이다. 본 연구는 군산 새만금에 위치한 18.7 MW 시설용량의 수상태양광발전소를 대상으로 발전량을 분석하고자 한다. 기후의 영 향을 많이 받는 태양광발전사업의 특성으로 타당성을 확인하고자 관련 연구자들은 태양광 발전량 예측에 많은 기법들을 적용하였다. 일반적으로 발전량 예측에 필요한 변수들은 사업대상 지역의 경사면 일사량, 발전효율, 패널 설치 면적 등이다. 본 연구는 기상청 과거 10년간의 월 일사량 데이터를 활용하여 태양광 발전량을 분석하였다. 발전량을 예측하기 위해서 몬테카를로 시뮬레이션 기법을 적용하였으며, 태양광 패널의 발전효율과 일사량을 시뮬레이션의 변수들로 사용하였다. 새만금 태양광의 경우, 가장 태양광 발전량이 많은 달은 5월이며, 가장 적은 달은 12월로 예측되었으며, 발전량은 월평균 2.1 GWh이고, 최소 월 발전량은 0.3 GWh, 최대는 5.0 GWh로 분석되었다.

• 한국수산과학회지
• /
• 제34권6호
• /
• pp.617-623
• /
• 2001

일본 박다만의 DO농도의 계절변동을 예측하기 위하여 일사량의 확률분포에 의해 생성된 발생가능한 서로 다른 20개의 시간별 일사량의 시계열을 기초로 DO농도변동에 대한 수치예측실험을 실시하여 수층과 저질간의 물질순환 및 일사량의 변동에 따른 DO농도의 계절변동에 대하여 검토하였다. 얻어진 결론을 요약하면 다음과 같다. 수질 및 물질순환의 예측결과 박다만의 동부해역 (HE해역)의 수질은 식물플랑크톤에 의한 내부생산에 크게 영향을 받고 있는 것으로 나타났으며, DIP의 물질수지로부터 저질의 영양염 플럭스가 만내의 수질변화에 영향을 미치고 있는 것으로 나타났다. 일별일사량의 관측자료와 근사식 및 난수발생에 의해 얻어진 CFD곡선은 잘 일치하였다 또한, DO농도가 해수교환정도에 크게 영향을 받고 있는 것으로 나타났으며. 만내부에 위치한 St. E-5에서는 약 1 mg/L의 이상의 농도차를 가진 시계열의 변동을 나타내었다 수치예측실험 20 Case의 DO농도 계산치를 평균하여 얻어진 St. E-2와 St. E-5에서의 최저 DO농도는 각각 4.44mg/L와 4.82mg/L 정도였으며 그 표준편차는 각각 0.1 mg/L와 0.123mg/L로 계산되었다. 어떤 해역에서 발생 가능한 일사량의 조건변화에 따른 DO농도의 시간별 예측은 수산자원의 피해를 최소화할 수 있는 적정 DO 농도의 예측에 합리적으로 이용될 수 있는 수법으로 제시되었다.