대기 중 미세먼지를 포함한 태양광발전 예측 인공지능 모델 개발

• Published in: Daehan hwan'gyeong gonghag hoeji Vol. 44; no. 4; pp. 111 - 124
• Main Authors: 윤재성(Jaeseong Yoon), 김경민(Kyung-Min Kim), 안종화(Johng-Hwa Ahn)
• Format: Journal Article
• Language: Korean
• Published: 대한환경공학회 01.04.2022
• Subjects: 환경공학; 게이트 순환 유닛; Gated recurrent unit; 하이브리드 모델; 태양광 발전량 예측; Particulate matter; Photovoltaic power forecasting; Hybrid model; 미세먼지; 인공지능; Artificial intelligence
• ISSN: 1225-5025; 2383-7810
• DOI: 10.4491/KSEE.2022.44.4.111

목적:본 연구는 대기 중 미세먼지를 입력인자에 포함한 단일모델, 하이브리드(hybrid) 모델 등을 상호 비교하여 태양광 발전량 예측을 위한 최적 모델을 제시하고자 한다. 방법:전라남도 진도군에 있는 1 MW급 태양광 발전량 자료와 목포 지점의 기상 자료와 미세먼지 자료를 2016년 12월에서 2019년 12월까지 사용하였다. 입력 인자는 일사량, 일조 시간, 기압, 기온, 습도, 풍속, 풍향, 적설량, 강수량, PM10, PM2.5를 사용하였다. 사용된 모델 중 단일모델로는 랜덤포레스트(random forest, RF), 인공신경망(artificial neural network, ANN), 장단기메모리(long-term dependency problem, LSTM), 게이트 순환 유닛(gate recurrent unit, GRU)을 사용하였으며, 하이브리드 모델로는 LSTM-ANN, GRU-ANN을 사용하였다. 모델의 예측 성능을 비교, 평가하기 위해 결정계수(coefficient of determination, R2), 평균 제곱근 오차(root mean square error, RMSE), 평균절대오차(mean absolute error, MAE)를 사용하였다. 결과 및 토의:RF를 이용해서 중요도를 확인한 결과,일사량(77.66%), 일조 시간(4.85%), 기압(4.16%), 기온(3.98%), 습도(2.25%), 풍속(2.21%), PM10(2.72%), PM2.5(1.65%), 풍향(1.44%), 적설량(0.05%), 강수량(0.02%)의 순으로 나타났다. GRU-ANN은 모델 중 가장 높은 R2(0.838)를 보였고 학습 조기 종료(early stop)를 사용하여 GRU보다 낮은 epoch(8)를 보였다. 결론:미세먼지를 포함한 태양광 발전량 예측에 GRU-ANN 모델이 가장 우수하다. Purpose:This study aims to suggest an optimal model for predicting photovoltaic(PV) power generation by comparing single and hybrid models that include particulate matter in the atmosphere as input parameters. Methods:From December 2016 to December 2019, 1 MW-class PV power generation data in Jindo-gun, Jeollanam-do and meteorological data and particulate matter data from Mokpo were used. Radiation, sunshine time, pressure, temperature, humidity, wind speed, wind direction, snow load, precipitation, PM10, and PM2.5 were used as input parameters. We used single models such as random forest(RF), artificial neural network(ANN), long short-term memory(LSTM), and gate recurrent unit(GRU) and hybrid model such as LSTM-ANN and GRU-ANN. Coefficient of determination(R2), root mean square error(RMSE), and mean absolute error(MAE) were used to compare and evaluate the prediction performance of the models. Results and Discussion:The variable importance through RF was as follows: radiation(77.66%), day light hours (4.85%), pressure(4.16%), temperature(3.98%), humidity(2.25%), wind speed(2.21%), PM10(2.72%), PM2.5 (1.65%), wind direction(1.44%), snow cover(0.05%), and precipitation (0.02%). GRU-ANN showed the highest R2 (0.838) among the models and lower epoch(8) than GRU using the early stop. Conclusion:The GRU-ANN model was the most suitable for forecasting PV power generation including particulate matter. KCI Citation Count: 1