• 전력전자학회논문지
• /
• 제21권6호
• /
• pp.481-485
• /
• 2016

When analyzing economic feasibility for installing a PV generation plant at a certain location, the prediction of possible annual power production at the site using the target PV panels should be conducted on the basis of the local weather data provided by a local weather forecasting office. In addition, the prediction of PV generating power under certain weather conditions is useful for fault diagnosis and performance evaluation of PV generation plants during actual operation. This study analyzes PV cell characteristics according to a variety of weather conditions, including ambient temperature and irradiance level. From the analysis and simulation results, this work establishes a proper model that can predict the output characteristics of PV cells under changes in weather conditions.

• Journal of Platform Technology
• /
• 제6권2호
• /
• pp.19-25
• /
• 2018

기존의 태양광 발전 모니터링 시스템은 현재의 발전량, 과거의 발전량, 환경센서 값등을 모니터링 한다. 이는 발전소의 효율적인 운영과 유지보수를 위한 태양광 발전량 예측이 필요하기 때문이다. 이를 위해 데이터 축적을 통해 빅데이터 기반 태양광 발전 모니터링 시스템의 발전량 예측 알고리즘 구현 방안을 제안한다. 이를 통해 미리 예측된 발전량에 비례하여, 태양광 발전 플랜트의 고장을 예측하고자 한다. 결과적으로 시스템의 고장을 예측하여 미리 점검하도록 한다.

• 한국태양에너지학회 논문집
• /
• 제39권2호
• /
• pp.11-22
• /
• 2019

The first case of the Central Environmental Dispute Mediation Committee, which recently decided to repay the builder for damaging the solar power plant due to the obstruction of the sunshine of new buildings, came out. Even if the Respondent complies with the provisions of the Building Act, the decision of the Complainant can be considered to have been made in light of the fact that the applicant's power plant has suffered from sunlight damage. However, since the extent of the damage may differ depending on the weather, the decision is reserved, and there is room for additional disputes on a regular basis because the loss of power generation to be continuously generated is not reflected in the future. Therefore, in this study, we try to find the direction of dispute adjustment by summarizing the issues related to the generation of power generation due to the influence of shading through the analysis of the case of dispute related to sunlight related to the PV system.

• 자원ㆍ환경경제연구
• /
• 제28권4호
• /
• pp.467-495
• /
• 2019

태양광 발전과 같은 신재생에너지의 불확실성은 전력계통의 유연성을 저해하며, 이를 방지하기 위해서는 정확한 발전량의 사전 예측이 중요하다. 본 연구는 미세먼지 농도를 포함한 기상자료를 이용하여 태양광 발전량을 예측하는 것을 목적으로 한다. 본 연구에서는 2016년 1월 1일부터 2018년 9월 30일까지의 발전량, 기상자료, 미세먼지 농도 자료를 이용하고 머신러닝 기반의 RBF 커널 함수를 사용한 서포트 벡터 머신을 적용하여 태양광 발전량을 예측하였다. 예측변수에 미세먼지 농도 반영 유무에 따른 태양광 발전량 예측 모델의 성능을 비교한 결과 미세먼지 농도를 반영한 발전량 예측 모델의 성능이 더 우수한 것으로 나타났다. 미세먼지를 고려한 예측 모형은 미세먼지를 고려하지 않은 예측 모형 대비 6~20시 예측 모형에서는 1.43%, 12~14시 예측 모형에서는 3.60%, 13시 예측 모형에서는 3.88%만큼 오차가 감소하였다. 특히 발전량이 많은 주간 시간대에 미세먼지 농도를 반영하는 모형의 예측 정확도가 더 뛰어난 것으로 나타났다.

• Journal of Electrical Engineering and Technology
• /
• 제12권1호
• /
• pp.64-71
• /
• 2017

Considering the volatility, intermittent and random of photovoltaic (PV) generation systems, accurate forecasting of PV power output is important for the grid scheduling and energy management. In order to improve the accuracy of short-term power forecasting of PV systems, this paper proposes a prediction model based on environmental factors and support vector machine optimized by genetic algorithm (GA-SVM). In order to improve the prediction accuracy of this model, weather conditions are divided into three types, and the gray correlation coefficient algorithm is used to find out a similar day of the predicted day. To avoid parameters optimization into local optima, this paper uses genetic algorithm to optimize SVM parameters. Example verification shows that the prediction accuracy in three types of weather will remain at between 10% -15% and the short-term PV power forecasting model proposed is effective and promising.

• ETRI Journal
• /
• 제45권4호
• /
• pp.636-649
• /
• 2023

Renewable energy generation cannot be consistently predicted or controlled. Therefore, it is currently not widely used in the electricity market, which requires dependable production. In this study, reliability- and variance-based controls of energy storage strategies are proposed to utilize renewable energy as a steady contributor to the electricity market. For reliability-based control, photovoltaic (PV) generation is assumed to be registered in the power generation plan. PV generation yields a reliable output using energy storage units to compensate for PV prediction errors. We also propose a runtime state-ofcharge management method for sustainable operations. With variance-based controls, changes in rapid power generation are limited through ramp rate control. This study introduces new reliability and variance indices as indicators for evaluating these strategies. The reliability index quantifies the degree to which the actual generation realizes the plan, and the variance index quantifies the degree of power change. The two strategies are verified based on simulations and experiments. The reliability index improved by 3.1 times on average over 21 days at a real power plant.

• 전기학회논문지P
• /
• 제64권4호
• /
• pp.246-250
• /
• 2015

Solar energy will be an increasingly important part of power generation because of its ubiquity abundance, and sustainability. To manage effectively solar energy to power system, it is essential part In this paper, we develop the PV power prediction algorithm using adaptive neuro-fuzzy model considering various input factors such as temperature, solar irradiance, sunshine hours, and cloudiness. To evaluate performance of the proposed model according to input factors, we performed various experiments by using real data.

• 한국전자거래학회지
• /
• 제24권1호
• /
• pp.1-16
• /
• 2019

최근 온실가스의 증가로 인한 기후변화 대응의 필요성과 전력수요의 증가로 인해 태양광발전량(PV) 예측의 중요성은 급격히 증가하고 있다. 특히, 태양광 발전량을 예측하는 것은 합리적인 전력 가격결정과 시스템 안정성 및 전력 생산 균형과 같은 문제를 효과적으로 해결하기 위해 전력생산 계획을 합리적으로 계획하는데 도움이 될 수 있다. 그러나 일사량, 운량, 온도 등과 같은 기후정보 및 계절 변화로 인한 태양광 발전량이 무작위적으로 변화하기 때문에 정확한 태양광 발전량을 예측하는 것은 도전적인 일이다. 따라서 본 논문에서는 딥러닝 모델을 통해 기후 및 계절정보를 이용하여 학습함으로써 장기간 태양광 발전량 예측 성능을 향상시킬 수 있는 기법을 제안한다. 본 연구에서는 대표적인 시계열 방법 중 하나인 계절형 ARIMA 모델과 하나의 은닉층으로 구성되어 있는 ANN 기반의 모델, 하나 이상의 은닉층으로 구성되어 있는 DNN 기반의 모델과의 비교를 통해 본 연구에서 제시한 모델의 성능을 평가한다. 실데이터를 통한 실험 결과, 딥러닝 기반의 태양광 발전량 예측 기법이 가장 우수한 성능을 보였으며, 이는 본 연구에서 목표로 한 태양광 발전량 예측 성능 향상에 긍정적인 영향을 나타내었음을 보여준다.

• 한국건설관리학회논문집
• /
• 제20권6호
• /
• pp.126-131
• /
• 2019

최근 태양광의 발전 효율성과 경제성이 높은 발전소 부지를 확보하기 위해 특정 지역을 대상으로 태양광 발전량을 정확히 예측하기 위한 연구들이 수행되었다. 하지만 국내의 경우 기존 발전량 데이터가 부족함에 따라 정확한 발전량 추정에 문제가 발생할 수 있으며, 우리나라 기준으로 어떠한 기상조건을 나타내는 변수가 태양광발전에 어느 정도의 영향을 미치는지에 대한 연구가 부족한 실정이다. 따라서 본 연구는 지형 효과를 충분히 고려하여 제작된 태양복사에너지 지도와 미세먼지와 같은 기상조건을 추가하여 태양광 발전량 추정 회귀모델을 제시하고, 추정된 발전량과 실제 발전량을 비교 분석하였다. 그 결과, 습도를 제외한 태양복사에너지, 온도, 풍속, 운량, 강수량, 일조시간, 미세먼지가 발전 효율에 통계적으로 유의미한 영향을 미치는 것으로 나타났으며, 회귀 분석모델을 통해 추정된 발전량과 실제 발전량을 비교 분석하여 RMSE는 48.261(h), nRMSE는 1.592(%), MAPE는 11.696(%), 그리고 는 0.979이 도출되었다. 이러한 결과는 국내 태양광 발전 부지를 평가함에 있어서 고려해야 하는 중요한 기상 조건 등 태양광 발전량 추정 모델을 설계하는데 활용할 수 있으며, 이를 바탕으로 태양광 발전소 건설 부지를 선정함에 있어 중요한 지표인 발전량을 정확히 추정하는데 기여할 것으로 사료된다.

• Journal of Electrical Engineering and Technology
• /
• 제13권5호
• /
• pp.1874-1885
• /
• 2018

The customer side operation is getting more complex in a smart grid environment because of the adoption of renewable resources. In performing energy management planning or scheduling, it is essential to forecast non-controllable resources accurately and robustly. The PV system is one of the common renewable energy resources in customer side. Its output depends on weather and physical characteristics of the PV system. Thus, weather information is essential to predict the amount of PV system output. However, weather forecast usually does not include enough solar irradiation information. In this study, a PV system power output prediction model (PPM) under limited weather information is proposed. In the proposed model, meteorological radiation model (MRM) is used to improve cloud cover radiation model (CRM) to consider the seasonal effect of the target region. The results of the proposed model are compared to the result of the conventional CRM prediction method on the PV generation obtained from a field test site. With the PPM, root mean square error (RMSE), and mean absolute error (MAE) are improved by 23.43% and 33.76%, respectively, compared to CRM for all days; while in clear days, they are improved by 53.36% and 62.90%, respectively.