[논문 리뷰] Forecasting Solar Power Generation on the basis of Predictive and Corrective Maintenance Activities

Soham Vyas, Yuvraj Goyal외 5명|arXiv (Cornell University)|2022. 05. 17.

Solar Radiation and Photovoltaics인용 수 8

한 줄 요약

이 논문은 예측 유지보수 및 정비 데이터를 기상 변수와 통합하여 태양광 발전 예측을 향상시키는 새로운 기계학습 프레임워크를 제안한다. 2012–2020년 기간 동안의 1MW 태양광 발전소 데이터셋을 사용하여, 해시 매핑 및 자연어 처리 기법을 통해 비정형 유지보수 로그를 구조화된 특징으로 변환함으로써 상관관계 및 인과관계 기반 특징 선택을 통해 예측 정확도를 향상시켰다.

ABSTRACT

Solar energy forecasting has seen tremendous growth in the last decade using historical time series collected from a weather station, such as weather variables wind speed and direction, solar radiance, and temperature. It helps in the overall management of solar power plants. However, the solar power plant regularly requires preventive and corrective maintenance activities that further impact energy production. This paper presents a novel work for forecasting solar power energy production based on maintenance activities, problems observed at a power plant, and weather data. The results accomplished on the datasets obtained from the 1MW solar power plant of PDEU (our university) that has generated data set with 13 columns as daily entries from 2012 to 2020. There are 12 structured columns and one unstructured column with manual text entries about different maintenance activities, problems observed, and weather conditions daily. The unstructured column is used to create a new feature column vector using Hash Map, flag words, and stop words. The final dataset comprises five important feature vector columns based on correlation and causality analysis.

연구 동기 및 목표

• 에너지 출력에 미치는 유지보수 활동의 영향을 간과하는 태양광 발전 예측의 격차를 해소하기 위해.
• 예측 유지보수 및 정비 이벤트가 태양광 발전에 미치는 영향을 모델링하기 위해.
• 비정형 유지보수 로그에서 실질적인 통찰을 추출하는 특징 공학 파이프라인을 개발하기 위해.
• 기상 데이터와 정비 이벤트 특징을 결합하여 예측 정확도를 향상시키기 위해.

제안 방법

• 저자들은 2012–2020년 기간 동안의 1MW 태양광 발전소 데이터셋을 확보하였으며, 기상 변수를 포함한 13개의 일일 열이 포함되어 있다. 이 중 하나는 비정형 텍스트 열로 유지보수 로그를 기록한다.
• 비정형 유지보수 항목을 구조화된 특징 벡터로 변환하기 위해 해시 매핑, 플래그 단어, 정지어 필터링 등의 자연어 처리 기법을 적용하였다.
• 상관관계 및 인과관계 분 析에 기반한 특징 선택을 통해 예측에 가장 관련성이 높은 다섯 개의 특징 벡터를 선정하였다.
• 최종 데이터셋에 기상 변수와 공학된 유지보수 특징을 결합하여 기계학습 모델을 훈련시켜 일일 태양광 발전 출력을 예측하였다.

실험 결과

연구 질문

• RQ1 예측 유지보수 및 정비 활동은 일일 태양광 발전에 어떻게 영향을 미치는가?
• RQ2 비정형 유지보수 로그는 얼마나 정확하게 예측 특징으로 변환될 수 있는가?
• RQ3 기상 및 유지보수 특징의 어떤 조합이 가장 높은 예측 정확도를 제공하는가?
• RQ4 인과관계 인식 특징 선택은 기존 상관관계 기반 방법에 비해 모델 성능을 향상시킬 수 있는가?

주요 결과

• 기상 데이터만을 사용하는 모델에 비해 유지보수 관련 특징을 통합함으로써 태양광 발전 예측 정확도가 크게 향상되었다.
• 특징 공학 파이프라인은 해시 매핑 및 자연어 처리 기법을 활용해 비정형 유지보수 로그를 측정 가능한 입력으로 성공적으로 변환하였다.
• 상관관계 및 인과관계 분 析를 통해 예측 성능에 가장 기여하는 다섯 개의 핵심 특징 벡터를 식별하였다.
• 최종 모델은 1MW 태양광 발전소의 실세계 데이터에서 높은 내구성과 예측 능력을 입증하였다.