Convergence Security Journal (융합보안논문지)

Korea convergence Security Association (한국융합보안학회)
권호 표지
DOI QR코드

DOI QR Code

Implementation of machine learning-based prediction model for solar power generation

빅데이터를 활용한 머신러닝 기반 태양에너지 발전량 예측 모델

  • 김종민 (동신대학교 정보보안학과) ;
  • 이준형 (동신대학교 신재생에너지학과)
  • Received : 2022.05.01
  • Accepted : 2022.06.30
  • Published : 2022.06.30
Download PDF
⟨ Previous Next ⟩

Abstract

This study provided a prediction model for solar energy production in Yeongam province, Jeollanam-do. The model was derived from the correlation between climate changes and solar power production in Yeongam province, Jeollanam-do, and presented a prediction of solar power generation through the regression analysis of 6 parameters related to weather and solar power generation. The data used in this study were the weather and photovoltaic production data from January in 2016 to December in 2019 provided by public data. Based on the data, the machine learning technique was used to analyzed the correlation between weather change and solar energy production and derived to the prediction model. The model showed that the photovoltaic production can be categorized by the three-stage production index and will be used as an important barometer in the agriculture activity and the use of photovoltaic electricity.

본 연구는 기후변화에 따른 전남 영암지역의 기상변화와 태양광 에너지 생산량의 빅데이터 분석을 통해 상관관계를 도출하여 태양광 에너지 생산 예측 모델을 제시하였다. 사용된 데이터는 공공데이터에서 제공하는 2016년 1월부터 2019년 12월까지의 영암지역의 날씨와 태양에너지 생산량 데이터를 사용하였다. 머신러닝 기법을 활용하여 기상변화와 태양광 에너지 생산량의 회귀분석을 통하여 지역의 날씨와 태양광 에너지 생산량과의 상관 관계식을 도출 하였다. 도출된 예측식을 적용하여 지역의 태양에너지 생산을 계산하였으며, 이를 생산지수로 표현하여 3단계로 구분하였다. 이 같이 구분된 3단계의 생산지수를 통해 향후 기후변화에 따른 태양에너지 생산량을 예측하고, 농업 활동에 있어 중요한 바로미터로 활용될 것이라 판단된다.

Keywords

Acknowledgement

이 논문은 2021년도 동신대학교 학술연구비에 의하여 연구되었음

References

  1. 이석호, 김지홍. 태양광 발전량에 주요한 영향을 미치는 기상변수 선정을 위한 탐색 및 시각화. 대한전기학회학술대회 논문집, pp 464-465. 2021.
  2. Seong S. Chae, Chansoo Kim, Jong-Min Kim, William D. Warde, "Cluster analysis using different correlation coefficients", Statistical Papers Vol. 49, No.4, 2006, pp.715-727
  3. Ali Abbas, "Statistical Signal Processing Technique for Identification of Different Infected Sites of the Diseased Lungs", Journal of medical systems Vol. 36, No.3, 2010, pp.1537-1541. https://doi.org/10.1007/s10916-010-9615-8
  4. Ozbayoglu G, Ozbayoglu ME (2006) A new approach for the prediction of ash fusion temperatures: a case study using Turkish lignites. Fuel 85:545-552. https://doi.org/10.1016/j.fuel.2004.12.020
  5. Mehmet Bilgili, "Prediction of soil temperature using regression and artificial neural network models", Meteorology and Atmospheric Physics Vol. 110, Numbers.1-2, 2010, pp.59-70 https://doi.org/10.1007/s00703-010-0104-x
  6. K. T. Chau, J. E. Chan, "Regional bias of landslide data in generating susceptibility maps using logistic regression: Case of Hong Kong Island", Landslides Vol. 2, No. 4, 2005, pp.280-290. https://doi.org/10.1007/s10346-005-0024-x
  7. http://www.kma.go.kr/