• Environmental and Resource Economics Review
• /
• v.28 no.4
• /
• pp.467-495
• /
• 2019

Uncertainty of renewable energy such as photovoltaic(PV) power is detrimental to the flexibility of the power system. Therefore, precise prediction of PV power generation is important to make the power system stable. The purpose of this study is to forecast PV power generation using meteorological data including particulate matter(PM). In this study, PV power generation is predicted by support vector machine using RBF kernel function based on machine learning. Comparing the forecasting performances by including or excluding PM variable in predictor variables, we find that the forecasting model considering PM is better. Forecasting models considering PM variable show error reduction of 1.43%, 3.60%, and 3.88% in forecasting power generation between 6am~8pm, between 12pm~2pm, and at 1pm, respectively. Especially, the accuracy of the forecasting model including PM variable is increased in daytime when PV power generation is high.

• The Korean Journal of Applied Statistics
• /
• v.29 no.1
• /
• pp.193-203
• /
• 2016

This paper forecasts electricity demand as a critical element of a demand management system in Smart Grid environment. We present a prediction method of using a combination of predictive values by time series clustering. Periodogram-based normalized clustering, predictive analysis clustering and dynamic time warping (DTW) clustering are proposed for time series clustering methods. Double Seasonal Holt-Winters (DSHW), Trigonometric, Box-Cox transform, ARMA errors, Trend and Seasonal components (TBATS), Fractional ARIMA (FARIMA) are used for demand forecasting based on clustering. Results show that the time series clustering method provides a better performances than the method using total amount of electricity demand in terms of the Mean Absolute Percentage Error (MAPE).

• KIISE Transactions on Computing Practices
• /
• v.23 no.11
• /
• pp.632-640
• /
• 2017

Although solar insolation is the weather factor with the greatest influence on power generation in photovoltaic systems, the Meterological Agency does not provide solar insolation data for future dates. Therefore, it is essential to research prediction methods for solar insolation to efficiently manage photovoltaic systems. In this study, we propose a Dynamic Piecewise Prediction Model that can be used to predict solar insolation values for future dates based on information from the weather forecast. To improve the predictive accuracy, we dynamically divide the entire data set based on the sun altitude and cloudiness at the time of prediction. The Dynamic Piecewise Prediction Model is developed by applying a polynomial linear regression algorithm on the divided data set. To verify the performance of our proposed model, we compared our model to previous approaches. The result of the comparison shows that the proposed model is superior to previous approaches in that it produces a lower prediction error.

• Proceedings of the KIEE Conference
• /
• 2002.11b
• /
• pp.365-368
• /
• 2002

최근 몇 년간 전 세계적으로 전력 및 에너지 시장의 성장률은 매우 급격한 상승세를 기록하고 있어 가까운 장래에 전력 및 에너지 시장에서의 거래금액이 다른 어떤 상품 시장에서의 거래금액보다도 많아질 것으로 보인다. 전 세계적으로 가스 및 전기에너지 산업의 구조적 변화는 이러한 시장에 참여하고자 하는 많은 관전 기업들에게 사업상의 문제를 불러일으키고 있다. 전력 및 에너지시장은 매우 변화가 심하며, 이러한 변화에 장기적으로 대처하지 못할 경우 위험요소가 증대되어 큰 손실을 입을 수 있다. 또한 전력시장거래에서 소비자의 전력수요를 정확히 예측하고 그에 따른 최적의 발전량을 결정하는 것은 전력공급업체의 수익성을 높이는 절대적인 요소로 작용한다. 이미 오래전에 경쟁체제가 도입된 서구 국가들에서는 이러한 목적을 수행하기 위한 전력시장해석프로그램(computer-based tool)이 상용화되어 많은 업체들이 경쟁하고 있으며, 전 세계적인 구조개편 확산 움직임에 따라 시장규모가 빠른 속도로 확대되고 있다. 이러한 흐름에 따라, 우리나라에서도 일부 학계와 벤처기업 연구소를 중심으로 관련 연구가 시작되어 진행 중에 있다. 본 논문에서는 우리 연구실에서 전력시장해석 시뮬레이터 개발을 위해 벤치마킹 시뮬레이터로 도입한 PLEXOS에 대한 간단한 소개와 PLEXOS를 이용한 샘플 계통 및 시장의 전력시장가격 예측을 수행해 보고자 한다.

• The Journal of the Korea institute of electronic communication sciences
• /
• v.14 no.1
• /
• pp.169-178
• /
• 2019

Now a day, we can perform various predictions by applying machine learning, which is a field of artificial intelligence; however, the finding of best algorithm in the field is always the problem. This paper predicts monthly power trading amount, monthly power trading amount of money, monthly index of production extension, final consumption of energy, and diesel for automotive using machine learning supervised algorithms. Then, we find most fit algorithm among them for each case. To do this we show the probability of predicting the value for monthly power trading amount and monthly power trading amount of money, monthly index of production extension, final consumption of energy, and diesel for automotive. Then, we try to average each predicting values. Finally, we confirm which algorithm is the most superior algorithm among them.

• Proceedings of the KIPE Conference
• /
• 2014.11a
• /
• pp.165-166
• /
• 2014

위성의 전력 시스템 초기 설계를 위해 고려해야 하는 중요한 설계 요소에는 위성 운용 기간 동안의 전력 소모량 예측 및 전이궤도와 운용궤도에서의 태양 전지판과 배터리의 운용 개념 설계이다. 이를 토대로 태양 전지판에서 생성되는 전력의 정류 개념과 배터리 충전/방전 토폴로지를 구현해야 한다. 본 논문에서는 2.5KW급 정지궤도 위성의 전력 시스템 초기 설계를 위해 고려해야 하는 설계 요소들을 나열하고, 이들에 대한 전반적인 검토 사항을 기술한다.

• Journal of the Korean Solar Energy Society
• /
• v.32 no.3
• /
• pp.42-49
• /
• 2012

신경망방법은 공학, 경영 그리고 정보기술과 같이 다양한 분양에서 널리 사용되어지고 있다. 신경망방법은 기본적으로 예측, 제어, 식별과 같은 기능을 가지고 있는데, 본 논문에서는 신경망방법을 이용하여 C사의 모델 T의 히트펌프 전기부하를 예측하였다. 부하예측은 시스템을 더욱 효율적이고, 적절하게 만들기 위해 필요하다. 본 논문에서 사용된 히트펌프는 지열원 히트 펌프 시스템이다. 이 지열 히트 펌프의 부하는 사전에 미리 예측되어진 외기온도 및 건물 열부하에 따라 측정 학습된 전력 소비량으로 겨울에는 난방, 여름에는 냉방에 대한 전력 부하를 예측할 수 있다. 이 신경망방법은 신경망 학습 순서를 통해 부하 예측을 위해 히트펌프의 성능데이터를 필요로 한다. 이 부하 예측 인공지능망 방법으로 외기 온도별 건물 통합형 지열 히트 펌프 부하가 예측되어질 수 있다.

• Proceedings of the Korean Operations and Management Science Society Conference
• /
• 2002.05a
• /
• pp.221-224
• /
• 2002

포항제철소에는 13개의 발전기가 있어 제철소에서 필요로 하는 전력을 자체적으로 945MWH 규모로 공급하고 있다. 발전소에서 사용되는 에너지원은 제철공정에서 부수적으로 발생하는 부생가스(BFG, COG, LDG, CFG)와 외부에서 구매하는 중유, LNG가 있다. 안정적인 전력공급과 비용절감을 위한 발전기 가동계획을 수립하기 위해서는, 조업상황에 따라 변동되는 전력소요량 및 부생가스 발생량을 예측하여 발전기별로 사용될 연료량을 배분하고, 발전기별 효율을 반영한 발전량을 결정하게 된다 이러만 발전기 가동계획 수립을 수작업에 의존하고 있어, 수시로 변화하는 상황에 신속한 대처가 곤란하고, 모든 요소를 고려하기가 어려워 에너지비용을 절감할 수 있는 기회손실의 우려가 있었다. 본 연구에서는 LP 및 NLP를 적응하여 발전기별 연료배분 및 발전량을 결정하는 과정을 자동적으로 수행하는 발전기 가동계획수립 Model을 개발하였다. Data 입·출력용으로 Excel, LP Package는 What's Best, Programming Language는 VBA(Visual Basic for Application)를 활용하였다.

• Proceedings of the Korean Society of Computer Information Conference
• /
• 2024.01a
• /
• pp.31-34
• /
• 2024

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.

• Journal of IKEEE
• /
• v.22 no.3
• /
• pp.822-828
• /
• 2018

Recently, energy issues such as massive blackout due to increase in power consumption have been emerged, and it is necessary to improve the accuracy of prediction of power consumption as a solution for these problems. In this study, we investigate the difference between the actual power consumption and the predicted power consumption through the deep learning- based power consumption forecasting experiment, and the possibility of adjusting the power reserve ratio. In this paper, the prediction of the power consumption based on the deep learning can be used as a basis to reduce the power reserve ratio so as not to excessively produce extra power. The deep learning method used in this paper uses a learning model of long-short-term-memory (LSTM) structure that processes time series data. In the computer simulation, the generated power consumption data was learned, and the power consumption was predicted based on the learned model. We calculate the error between the actual and predicted power consumption amount, resulting in an error rate of 21.37%. Considering the recent power reserve ratio of 45.9%, it is possible to reduce the reserve ratio by 20% when applying the power consumption prediction algorithm proposed in this study.