실시간 동적 모드 분할을 이용한 태양 에너지 예측 연구 (Solar Energy Prediction Using Streaming Dynamic Mode Decomposition)

서지정보

· 발행기관 : 대한기계학회
· 수록지 정보 : 대한기계학회논문집 B / 49권 / 4호 / 211 ~ 219페이지
· 저자명 : 김도리, 박성군

초록

태양 에너지 예측은 불규칙한 에너지의 공급과 수요를 관리하고, 원활한 에너지 거래를 위해 매우 중요하다. 본 연구에서는 동적모드분할(DMD: dynamic mode decomposition) 계열의 네 가지 방법을 사용하여 다양한 기간에 대해 태양 에너지를 예측하였으며, MAPE 및 R2를 사용하여 예측 성능을 평가하였다. 연구 결과, 새로운 데이터의 특성을 시스템 행렬에 실시간으로 반영할 수 있는 실시간 동적모드분할(SDMD: streaming dynamic mode decomposition) 방법이 DMD 방법보다 더 낮은 오차율을 달성하였다. 또한 입력 변수의 영향을 반영할 수 있는 동적모드분할 방법(DMDc: dynamic mode decomposition with control)을 이용하여, 예측의 정확도를 향상시키고자 하였으며, 온도와 습도의 정보가 추가적으로 제공될 때, 예측 성능이 향상되는 것을 확인하였다. 일반적인 데이터 기반 예측 방법의 경우, 훈련 데이터의 비율이 커질수록 오차율이 감소하는 경향을 보인다. 하지만 태양에너지는 날씨에 따라 데이터의 규칙성이 크게 영향을 받으므로, 훈련 데이터의 비율 뿐만 아니라, 데이터의 예측 구간 역시 오차율에 크게 영향을 미친다는 것을 확인하였다.

영어초록

Accurate solar energy forecasting is crucial for managing the irregular supply and demand of energy and ensuring smooth energy trading. In this study, four dynamic mode decomposition (DMD) methods were applied to predict solar energy over various time periods. The prediction performance was evaluated using MAPE and R². The results showed that the streaming dynamic mode decomposition (SDMD), which can incorporate new data characteristics into the system matrix in real time, achieved a lower error rate compared to the standard DMD method. Additionally, the dynamic mode decomposition with control (DMDc) method, which reflects input-output dynamics, was employed to improve prediction accuracy. It was found that the prediction performance was enhanced when temperature and humidity data were included. Conventional data-driven prediction methods tend to reduce error rates as the proportion of training data increases. On the other hands, solar energy forecasts are significantly affected by weather conditions and it was confirmed that not only the proportion of training data but also the prediction period of the data has a substantial impact on the error rate.

참고자료

· 없음