강화학습과 기존 직산분리 모델을 결합한 산란일사 예측모델 개발 (Development of a Solar diffuse Irradiance Prediction Model using Existing Solar Decomposition Models and Reinforcement Learning)

서지정보

· 발행기관 : 대한설비공학회
· 수록지 정보 : 설비공학 논문집 / 34권 / 11호 / 533 ~ 542페이지
· 저자명 : 전병기, 김의종

초록

본 연구에서는 강화학습이 결합된 새로운 직산분리 프레임워크를 제안하였다. 제안 모델은 기존의 직산분리 모델인 Watanabe 모델과 Reindl 모델의 오차를 강화학습 Agent가 학습하는 형태로 개발 되었으며 현장에서 장기간 안정적으로 산란일사 측정데이터를 확보하기 어려운 상황을 고려해 단 2주 동안의 측정데이터만 학습에 사용하였다. 모델의 성능은 Watanabe 모델을 기준으로 학습을 진행한 경우 기존 CVRMSE 59%의 오차 대비 18.2%로 성능이 개선되었으며 Rindl 모델을 기준으로 학습을 진행한 경우 CVRMSE 8.8%에서 6.4%로 소폭 오차가 감소하였다. 본 연구에서 제안 모델은 기존에 시도되지 않았던 강화학습 기반의 직산분리 모델을 개발하고 그 성능을 평가하였다. 제안된 모델은 장기간 누적된 현장데이터를 사용해 대상지역의 기후 특성을 반영하는 기존의 직산분리 개선 방법과 달리 2주의 비교적 짧은 기간의 측정 데이터만을 사용하며 추가적인 모델의 업데이트 없이도 우수한 성능으로 장기 직산분리 계산할 수 있어 사용성 측면에서 장점을 갖는다.

영어초록

An accurate irradiance prediction by orientation is important for solar systems installed in buildings. Thus, solar decomposition methods are essential. Existing solar decomposition models are site dependent. Thus, elaboration is required for local applications. In this work, we proposed reinforcement learning to improve Watanabe and Reindl models for a target location. For learning, measured solar diffuse irradiance data only for two weeks were required when existing models were employed. Results showed that the proposed model reduced the prediction error compared to the prediction case with existing models. Such an increase in the accuracy was apparent when the proposed method was applied to a relatively inaccurate decomposition model such as the Watanabe model, showing an error reduction by 40%. This was obtained by simple two weeks reinforcement learning for predicting solar diffuse irradiance over one year.

참고자료

· 없음