[논문 리뷰] Computational Solar Energy -- Ensemble Learning Methods for Prediction of Solar Power Generation based on Meteorological Parameters in Eastern India

Debojyoti Chakraborty, Jayeeta Mondal외 2명|arXiv (Cornell University)|2023. 01. 21.

Energy Load and Power Forecasting참고 문헌 48인용 수 4

한 줄 요약

이 연구는 동인도의 태양광 발전소에서 기상 데이터를 사용하여 태양광 발전량을 예측하기 위한 앙상블 기계학습 프레임워크를 제안한다. 실제 10kWp 태양광 발전소 데이터셋에 Bagging, Boosting, Stacking, Voting 모델을 적용하여 최대 96%의 예측 정확도를 달성하였으며, Stacking 및 Voting 모델이 대규모 태양광 에너지 예측에서 뛰어난 성능을 보였다.

ABSTRACT

The challenges in applications of solar energy lies in its intermittency and dependency on meteorological parameters such as; solar radiation, ambient temperature, rainfall, wind-speed etc., and many other physical parameters like dust accumulation etc. Hence, it is important to estimate the amount of solar photovoltaic (PV) power generation for a specific geographical location. Machine learning (ML) models have gained importance and are widely used for prediction of solar power plant performance. In this paper, the impact of weather parameters on solar PV power generation is estimated by several Ensemble ML (EML) models like Bagging, Boosting, Stacking, and Voting for the first time. The performance of chosen ML algorithms is validated by field dataset of a 10kWp solar PV power plant in Eastern India region. Furthermore, a complete test-bed framework has been designed for data mining as well as to select appropriate learning models. It also supports feature selection and reduction for dataset to reduce space and time complexity of the learning models. The results demonstrate greater prediction accuracy of around 96% for Stacking and Voting EML models. The proposed work is a generalized one and can be very useful for predicting the performance of large-scale solar PV power plants also.

연구 동기 및 목표

• 태양광 에너지의 간헐성과 변동성을 해결하기 위해 태양광 발전량 예측 정확도를 향상시키기 위해.
• 기상 매개변수 기반 태양광 발전 예측에 다수의 앙상블 기계학습 기법의 효과성을 평가하기 위해.
• 계산 효율성을 최적화하기 위해 데이터 전처리, 특징 선택, 모델 평가를 지원하는 테스트 베드 프레임워크를 개발하기 위해.
• 유사 기후 지역의 대규모 태양광 발전소에 적용 가능한 일반화되고 확장 가능한 솔루션을 제공하기 위해.
• 동인도의 10kWp 태양광 발전소에서 수집한 실세계 현장 데이터를 사용하여 모델 성능을 검증하기 위해.

제안 방법

• 이 연구는 예측 정확도 향상을 위해 Bagging, Boosting, Stacking, Voting의 네 가지 앙상블 학습 방법을 활용한다.
• 모델 복잡도를 줄이기 위해 데이터 마이닝, 특징 선택, 차원 축소를 지원하는 종합적인 테스트 베드 프레임워크를 설계한다.
• 기상 매개변수로 태양 복사량, 주변 온도, 풍속, 강수량을 입력 특징으로 사용한다.
• 데이터셋은 동인도의 실제 10kWp 태양광 발전소에서 유래하여 실세계 적용 가능성을 확보한다.
• 표준 회귀 평가 지표를 사용하여 모델 성능을 평가하며, 정확도를 주요 평가 기준으로 삼는다.
• 예측 능력을 유지하면서 공간 및 시간 복잡도를 줄이기 위해 특징 선택 기법을 적용한다.

실험 결과

연구 질문

• RQ1 기상 데이터를 사용하여 태양광 발전량을 예측할 때, 다양한 앙상블 기계학습 모델은 어떻게 비교되는가?
• RQ2 특징 선택 및 차원 축소는 모델 정확도와 계산 효율성에 어떤 영향을 미치는가?
• RQ3 기상 패턴이 다양하고 변동성이 큰 동인도와 같은 지역에서 앙상블 방법이 고정밀 태양광 발전 예측을 달성할 수 있는가?
• RQ4 Stacking 또는 Voting 중 어떤 앙상블 모델이 태양광 발전량 예측 정확도를 가장 높게 제공하는가?
• RQ5 제안된 프레임워크는 대규모 태양광 발전소 성능 예측에 얼마나 일반화될 수 있는가?

주요 결과

• Stacking 및 Voting 앙상블 모델이 약 96%의 최고 예측 정확도를 달성하였다.
• 제안된 테스트 베드 프레임워크는 효과적인 특징 선택 및 축소를 통해 공간 및 시간 복잡도를 성공적으로 감소시켰다.
• 태양 복사량, 주변 온도, 풍속, 강수량과 같은 기상 매개변수는 태양광 발전량에 중대한 영향을 미친다.
• 앙상블 학습 방법은 단일 모델 대비 정확도와 강건성 면에서 뛰어난 성능을 보였다.
• 프레임워크는 확장 가능하고 일반화 가능하여 대규모 태양광 발전소에의 구현에 적합하다.
• 결과는 기상 조건이 복잡하고 변동성이 큰 지역에서 앙상블 모델이 태양광 발전 예측에 매우 효과적임을 입증한다.