태양광 주기성에 적합한 시간 변수를 반영한 SHAP 기반의 태양광 발전량 예측 (SHAP based Solar Power Generation Forecasting Scheme Reflecting the Solar Periodic Time Variable)

서지정보

· 발행기관 : 한국정보과학회
· 수록지 정보 : 정보과학회 컴퓨팅의 실제 논문지 / 28권 / 3호 / 196 ~ 201페이지
· 저자명 : 정원용, 박성우, 문재욱, 황인준

초록

최근, 전력생산 과정에서 환경 오염을 발생시키는 화력 발전의 의존도를 줄이고자 신재생에너지 중 높은 사업성을 가진 태양광 발전의 비율을 증가시키고 있다. 따라서 효율적인 에너지 운용과 안정적인 전력 공급을 위해 태양광 발전량을 정확하게 예측하는 다양한 연구가 수행되고 있다. 하지만 기존의 태양광 발전량 예측 연구들은 발전량이 없는 밤 시간대의 데이터도 함께 사용하여 정확도가 낮고 기계학습을 통해 예측된 값의 도출 과정을 설명하기 어려웠다. 이에, 본 논문에서는 태양광의 시간 패턴을 반영한 설명가능한 인공지능 기반의 태양광 발전량 예측 기법을 제안한다. 본 기법에서는 태양광 발전량과 높은 상관관계를 갖는 시간 변수를 선택하고 주기성을 반영하는 형태로 변형하여 사용했으며, 밤 시간대 데이터를 제외하고 학습했다. 실험 결과, 낮 시간대 데이터를 사용한 LightGBM의 성능이 가장 뛰어난 것과, LightGBM을 설명가능한 인공지능으로 해석했을 때 일사량의 영향이 가장 큰 것을 확인했다.

영어초록

Recently, environmental pollution caused by massive usage of fossil fuels in electric power production has become a critical issue in the world. According to this issue, the proportion of solar energy is expanding due to its high business potential among renewable energies, and various works have been proposed to precisely predict solar power generation for efficient energy management and stable power supply. However, previous works include data of night time when solar power is not generated, and this method leads to low forecasting accuracy. Also, they have limitations in explaining how the forecasting results are derived. To solve these problems, we propose a solar power generation forecasting scheme based on explainable AI(Artificial Intelligence) reflecting time period patterns of the sun. We selected time pattern variables showing high correlation with solar power generation and transformed them into a pattern reflecting the solar cycle. We then excluded data of night time and compared the performances of various machine learning models. Experimental results proved that utilizing LightGBM with only daytime input variables showed the best forecasting performance, and solar radiation had the most significant influence among the input variables.

참고자료

· 없음