kNN-LSTM을 이용한 시간별 일사량 예측 성능 개선에 관한 연구 (A Study on the Performance Improvement of Hourly Solar Radiation Forecasting using k-Nearest Neighbor and Long Short-Term Memory)

서지정보

· 발행기관 : 한국지능시스템학회
· 수록지 정보 : 한국지능시스템학회 논문지 / 32권 / 3호 / 225 ~ 230페이지
· 저자명 : 김민석, 김성신, 정승환, 김백천, 김진용

초록

세계 에너지시장 동향 및 재생에너지 관련 제도 개선으로 태양광발전 보급이 증가하고 있다.
태양광발전은 탄소를 발생시키지 않으면서 발전할 수 있다는 점에서 유망한 대체 에너지원이다. 하지만, 이러한 재생에너지를 이용한 전력원은 자연에너지를 이용하는 특성상 불안전한 발전출력으로 인해 발전량 예측, 유지보수 및 관리 시스템이 필요하다. 태양광 발전량을예측하기 위해서는 먼저 태양광 발전에 가장 많은 영향을 미치는 일사량을 예측해야 하므로이와 관련된 연구가 지속적으로 수행되고 있다. 따라서, 본 논문에서는 kNN-LSTM(k-Nearest Neighbor and Long Short-Term Memory) 기반 일사량 예측 방법을 제안한다.
제안된 방법은 kNN을 이용하여 전 날 일사량 패턴과 유사한 과거 데이터를 탐색한 다음LSTM에 입력변수로 사용하여 다음 날의 시간별 일사량을 예측한다. 실험 결과, 제안된 방법이 서포트 벡터 회귀, 인공신경망 및 LSTM에 비해 계절에 따른 청명한 날과 흐린 날 모두 효과적으로 예측할 수 있음을 확인하였다.

영어초록

The supply of solar power is increasing owing to global energy market trends and theimprovement of new and renewable energy-related systems. solar power is a promisingalternative energy source in that it can make electricity without generating carbon.
However, since the power generation output is unstable due to the nature of using solarenergy, a power generation prediction, maintenance, and management system is required.
To predict the amount of solar power generation, it is necessary to forecast solarradiation that has the most influence on the solar power generation. Therefore, researchrelated to this has been continuously being conducted. In this paper, we propose amethod for forecasting solar radiation based on k-Nearest Neighbor and LongShort-Term Memory (kNN-LSTM). The proposed method uses kNN to search trainingdata similar to the previous day's solar radiation pattern and then uses it as an inputvariable to LSTM to forecasting the hourly solar radiation of the next day. Theexperimental results show that the proposed method can effectively predict both seasonalsunny and cloudy days compared to the conventional method by comparing it withSupport Vector Regression, Artificial Neural Network and LSTM.

참고자료

· 없음