• 한국멀티미디어학회논문지
• /
• 제25권11호
• /
• pp.1572-1581
• /
• 2022

Energy conversion to renewable energy is being promoted to solve the recently serious environmental pollution problem. Solar energy is one of the promising natural renewable energy sources. Compared to other energy sources, it is receiving great attention because it has less ecological impact and is sustainable. It is important to predict power generation at a future time in order to maximize the output of solar energy and ensure the stability and variability of power. In this paper, solar power generation data and sensor data were used. Using the PCC(Pearson Correlation Coefficient) analysis method, factors with a large correlation with power generation were derived and applied to the GAM(Generalized Additive Model). And the prediction accuracy of the power generation prediction model was judged. It aims to derive efficient solar power generation in the future and improve power generation performance.

• Current Photovoltaic Research
• /
• 제4권2호
• /
• pp.80-86
• /
• 2016

Since the last five years it has become a lot of solar power plants installed. However, by installing the large-scale solar power station it is not easy to predict the actual generation years. Because there are a variety of factors, such as changes daily solar radiation, temperature and humidity. If the power output can be measured accurately it predicts profits also we can measure efficiency for solar power plants precisely. Therefore, Prediction of power generation is forecast to be a useful research field. In this study, out discovering the factors that can improve the accuracy of the prediction of the photovoltaic power generation presents the means to apply them to the power generation amount prediction.

• 한국멀티미디어학회논문지
• /
• 제19권8호
• /
• pp.1530-1537
• /
• 2016

Recently, solar power generation shows the significant growth in the renewable energy field. Using the short-term prediction, it is possible to control the electric power demand and the power generation plan of the auxiliary device. However, a short-term prediction can be used when you know the weather forecast. If it is not possible to use the weather forecast information because of disconnection of network at the island and the mountains or for security reasons, the accuracy of prediction is not good. Therefore, in this paper, we proposed a system capable of short-term prediction of solar power generation amount by using only the weather information that has been collected by oneself. We used temperature, humidity and insolation as weather information. We have applied a moving average to each information because they had a characteristic of time series. It was composed of min, max and average of each information, differences of mutual information and gradient of it. An artificial neural network, SVM and RBF Network model was used for the prediction algorithm and they were combined by Ensemble method. The results of this suggest that using a moving average during pre-processing and ensemble prediction models will maximize prediction accuracy.

• 한국항행학회논문지
• /
• 제22권5호
• /
• pp.478-484
• /
• 2018

본 연구는 기온, 강수량, 풍향, 풍속, 습도, 운량, 일조, 일사 등 시간별 기상 데이터를 이용하여, 일사 및 일조 그리고 태양광 발전예측을 하였다. 지도학습에서 입출력패턴은 예측에서 가장 중요한 요소이지만 인간이 직접 결정해야하기 때문에, 반복적인 실험에 의해 결정해야 한다. 본 연구는 일사 및 일조 예측을 위하여 4가지 모델의 입출력 패턴을 제안하였다. 또한, 예측된 일조 및 일사 데이터와 전라남도 영암 태양광 발전소의 발전량 데이터를 사용하여 태양광 발전량을 예측하였다. 실험결과 일조 및 일사 예측에서 모델 4가 가장 예측결과가 우수했으며, 모델 1에 비해 일조의 RMSE는 1.5배 정도 그리고 일사의 RMSE는 3배 정도 오차가 줄었다. 태양광 발전예측 실험결과 일조 및 일사와 마찬가지로 모델 4가 가장 예측결과가 좋았으며, 모델 1 보다 RMSE가 2.7배 정도 오차가 줄었다.

• 디지털콘텐츠학회 논문지
• /
• 제17권3호
• /
• pp.157-164
• /
• 2016

태양광 발전량은 날씨에 큰 영향을 받는다. 기상 예보를 사용할 수 있는 환경이라면, 기상 예보 정보를 사용하여 미래의 태양광 발전량을 단기예측 할 수 있다. 하지만, 섬이나 산과 같이 네트워크의 단절에 의해 기상예보 정보를 사용할 수 없는 제한된 환경에서는 기상예보를 사용한 태양광 발전량 예측 모델을 사용할 수 없다. 따라서 본 논문에서는 시스템 자체적으로 수집할 수 있는 정보만을 이용하여 태양광 발전량을 단기 예측할 수 있는 시스템을 제안하였다. 예측의 정확도를 높이기 위하여 이전 온도정보와 발전량 정보를 이용하여 단기 예측모델을 생성하였다. 실험을 통하여 실데이터에 제안한 예측 모델을 적용하여 유용한 결과를 보였다.

• 디지털융복합연구
• /
• 제12권3호
• /
• pp.243-248
• /
• 2014

최근 태양광에너지는 실시간 태양의 위치를 추적하여 모듈경사각과 이루는 갓을 산정하여 일사량을 보정하는 부분에서 컴퓨팅과의 결합이 확대되고 있다. 태양광 발전은 태양의 위치에 따라 출력변동이 심하고 출력 예측이 어려워 효율적인 전력 생산을 위해서 신재생에너지를 전력계통에 안정적으로 연계할 수 있는 기술이 필요하다. 본 논문에서는 실증단지 내 발전단지의 실시간 기상자료 예측값을 이용하여 최종적으로 태양광 발전량 예측값을 산정하는 태양광 발전을 위한 발전량 예측 모델을 분석한다. 태양광 발전량은 태양광 발전기별 모듈특성, 온도 등을 감안하여 보정계수를 입력하고 예측 지역의 위치 경사각을 분석하여 발전량 예측 계산 알고리즘을 통해 최종 발전량을 예측한다. 또한, 제안 모델에서는 실시간 기상청 관측자료와 실시간 중기 예측 자료를 입력 자료로 사용하여 단기 예측 모델을 수행한다.

• 한국전자통신학회논문지
• /
• 제16권5호
• /
• pp.859-866
• /
• 2021

영농형 태양광 발전은 농지 상부에 태양광 발전 설비를 설치하는 방식으로 농작물과 전기를 동시에 생산함으로써 농가 소득을 증대시키는 새로운 모델이다. 최근 영농형 태양광 발전을 활용하는 다양한 시도들이 이루어지고 있다. 영농형 태양광 발전은 기존의 태양광 발전과는 달리 비교적 높은 구조물 상부에 설치하게 되므로 유지 보수가 상대적으로 어렵다는 단점이 있다. 이러한 문제를 해결하기 위해 지능적이고 효율적인 운용 및 진단 기능이 요구된다. 본 논문에서는 영농형 태양광 발전 설비의 전력 생산량을 수집, 저장하여 지능적인 예측 모델을 구현하기 위한 예측 및 진단 시스템의 설계 및 구현에 대해 논한다. 제안된 시스템은 태양광 발전량과 환경 센서 데이터를 기반으로 발전량을 예측하여 설비의 이상 유무를 판별하며 설비의 노화 정도를 산출하여 사용자에게 제공한다.

• 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.

• 전기전자학회논문지
• /
• 제23권1호
• /
• pp.334-337
• /
• 2019

현재 계속해서 늘어나는 에너지 수요량에 대해 세계적으로 화석연료를 대체할 차세대 에너지의 연구개발이 활발하게 이루어지고 있다. 그 중, 무한정, 무공해의 태양에너지를 사용하는 태양광 발전 시스템의 비중이 커지고 있지만, 일사량에 따른 발전량 편차가 심해 안정된 전력공급이 어렵고 전력 생산량 자체가 지역별 일사량에 의존하는 문제가 존재한다. 본 논문에서는 이러한 문제점을 해결하기 위해 실제의 지역별 일사량, 강수량, 온도, 습도 등의 기상데이터를 수집하여 로직 기반의 퍼지 뉴럴 네트워크를 이용한 태양광 발전 출력 예측 시스템을 제안하였다.

• 한국컴퓨터정보학회논문지
• /
• 제27권8호
• /
• pp.23-30
• /
• 2022

딥러닝은 주가 및 농산물 가격 예측과 같이 데이터를 분석해 일련의 규칙을 발견하고 미래를 예상해 우리의 삶에서 다양한 도움을 주고 있다. 본 연구는 태양광 에너지 사용의 중요성이 늘어나는 상황에서 기상에 따른 태양광 발전 실적을 딥러닝을 통해 분석하고 발전량을 예측한다. 본 연구에서는 시계열 데이터 예측에서 두각을 나타내고 있는 LSTM(Long Short Term Memory network)을 사용한 모델을 제안하며 이미지를 비롯한 다양한 차원의 데이터를 분석할 때 사용되는 CNN(Convolutional Neural Network)과 두 모델을 결합한 CNN-LSTM과의 성능을 비교한다. 세 가지 모델의 성능은 태양광 발전 실적의 실제값과 딥러닝을 통해 예측한 값으로 MSE, RMSE, 결정계수를 계산하여 비교하였고 그 결과 LSTM 모델의 성능이 가장 우수한 것으로 나타났다. 따라서 본 연구는 LSTM을 사용한 태양광 발전량 예측을 제안한다.