[논문 리뷰] Predictability of PV Power Grid Performance on Insular Sites without Weather Stations: Use of Artificial Neural Networks

Cyril Voyant, Marc Muselli외 4명|arXiv (Cornell University)|2009. 01. 01.

Solar Radiation and Photovoltaics참고 문헌 7인용 수 12

한 줄 요약

이 연구는 코르시카 섬 아자키오에서 확보한 장기적 전 세계 일조량 데이터를 기반으로 훈련된 인공 신경망(ANN)을 활용한 전이 학습 기법을 제안한다. 이는 기상관측소가 없는 근처 지역의 태양 에너지 성능을 예측하기 위한 것이다. 단일 잘 설비된 관측지(16년간의 시간당/일일 데이터)의 데이터를 활용해, 해안지역인 바스티아와 산악지역인 코르테와 같은 거리가 떨어진 지역에 대해 정확한 예측을 이끌어내며, 특히 시간당 예측과 10km 떨어진 거리에서의 PV 발전량 추정에 있어서 지속성 모델보다 훨씬 낮은 오차를 기록한다.

ABSTRACT

The official meteorological network is poor on the island of Corsica: only three sites being about 50 km apart are equipped with pyranometers which enable measurements by hourly and daily step. These sites are Ajaccio (41°55’N and 8°48’E, seaside), Bastia (42°33’N, 9°29’E, seaside) and Corte (42°30’N, 9°15’E average altitude of 486 meters). This lack of weather station makes difficult the predictability of PV power grid performance. This work intends to study a methodology which can predict global solar irradiation using data available from another location for daily and hourly horizon. In order to achieve this prediction, we have used Artificial Neural Network which is a popular artificial intelligence technique in the forecasting domain. A simulator has been obtained using data available for the station of Ajaccio that is the only station for which we have a lot of data: 16 years from 1972 to 1987. Then we have tested the efficiency of this simulator in two places with different geographical features: Corte, a mountainous region and Bastia, a coastal region. On daily horizon, the relocation has implied fewer errors than a “naïve” prediction method based on the persistence (RMSE=1468 Vs 1383Wh/m² to Bastia and 1325 Vs 1213Wh/m² to Corte). On hourly case, the results were still satisfactory, and widely better than persistence (RMSE=138.8 Vs 109.3 Wh/m² to Bastia and 135.1 Vs 114.7 Wh/m² to Corte). The last experiment was to evaluate the accuracy of our simulator on a PV power grid localized at 10 km from the station of Ajaccio. We got errors very suitable (nRMSE=27.9%, RMSE=99.0 W.h) compared to those obtained with the persistence (nRMSE=42.2%, RMSE=149.7 W.h).

연구 동기 및 목표

• 기상관측소 네트워크가 희박한 섬 지역에서의 일조량 측정 부족 문제를 해결하기 위해.
• 기후 데이터 기록이 없는 지역에서 태양 일조량을 예측하기 위한 전이 학습 방법론을 개발하기 위해.
• 아자키오에서 훈련된 ANN이 지리적으로 다른 지역(바스티아 및 코르테)에서의 일조량을 얼마나 정확하게 예측할 수 있는지 평가하기 위해.
• 근접한 격자 연결 시스템에서 실제 PV 발전량을 얼마나 정확하게 예측할 수 있는지 평가하기 위해.
• 단일 데이터가 풍부한 지역을 활용해 다양한 마이크로 클라이메이트 지역에서 태양 에너지 계획 수립의 가능성을 입증하기 위해.

제안 방법

• 아자키오에서의 시간당 및 일일 수평일조량 데이터(1972–1987년, 16년간)를 기반으로 다층 퍼셉트론(MLP) ANN을 훈련시켰다.
• 훈련에 80%의 데이터, 테스트에 20%의 데이터를 사용하였으며, 입력 뉴런 8개(과거 8개 시간 단위)와 다음 단계 예측을 위한 출력 뉴런 1개를 설정하였다.
• 일조량을 외계 일조량과 태양 고도(sin(θ))로 나누어 정상화함으로써 연주기성과 일주기성을 제거함으로써 데이터의 정상화를 수행하였다.
• 훈련된 ANN을 코르테(산악지역)와 바스티아(해안지역)로 이식하여, 아자키오에서 훈련된 모델만을 사용해 일조량을 예측하였다.
• 아자키오에서 10km 떨어진 6.525kW PV 시스템의 실측 데이터와 비교하기 위해 선형 PV 효율 모델(ηPV = 13%)을 적용하여 예측을 검증하였다.
• RMSE, nRMSE, 상관계수(CC)를 사용해 성능을 평가하였으며, 지속성 기반 기준 모델과의 비교도 수행하였다.

실험 결과

연구 질문

• RQ1 한 지역에서 장기 일조량 데이터를 기반으로 훈련된 ANN이 현지 측정 데이터 없이 다른 지역의 태양 일조량을 정확하게 예측할 수 있는가?
• RQ2 전이 학습된 ANN의 성능은 일간 및 시간당 일조량 예측에서 지속성 기반 예측과 비교해 어떠한가?
• RQ3 훈련된 지역(아자키오)과는 다른 기후 조건을 가진 해안지역(바스티아)과 산악지역(코르테)에서 모델의 정확도는 유지되는가?
• RQ4 단일 ANN이 한 지역에서 훈련된 후 근접한 격자 연결 시스템에서 실제 PV 발전량을 얼마나 정확하게 예측할 수 있는가?
• RQ5 아자키오의 극단적 일조량을 기반으로 한 데이터 정규화가, 일조량 범위가 다른 지역으로 이식했을 때 예측 정확도에 어떤 영향을 미치는가?

주요 결과

• 시간당 예측에서 전이 학습된 ANN은 바스티아에서 RMSE = 109.3 Wh/m², 코르테에서 RMSE = 114.7 Wh/m²를 기록하였으며, 지속성 모델의 RMSE(138.8 및 135.1 Wh/m²)보다 유의미하게 낮았다.
• 일간 예측에서 ANN은 바스티아에서 RMSE를 1383 Wh/m²로 줄였고(지속성 모델: 1468 Wh/m²), 코르테에서는 1213 Wh/m²로 줄였다(지속성 모델: 1325 Wh/m²).
• 10km 떨어진 시스템에서의 PV 발전량 예측에 있어서 nRMSE는 27.9%였고, RMSE는 99.0 Wh로, 지속성 모델(비교: nRMSE = 42.2%, RMSE = 149.7 Wh)보다 뛰어난 성능을 보였다.
• 측정된 데이터와의 상관계수(CC > 0.84)가 높아, 이식 후에도 시간적 패턴을 신뢰할 만큼 잘 유지함을 나타내었으며, 이는 이식 후 신뢰도가 높음을 시사한다.
• 아자키오의 일조량 극단치를 기반으로 한 정규화로 인해 바스티아에서는 저일조량을 과도하게 예측하고 고일조량을 과소평가하는 경향이 관찰되어, 이식 시 정규화 방법의 한계가 드러났다.
• 결과적으로 아자키오, 코르테, 바스티아 사이에 숨겨진 기후적 연관성이 존재함을 시사하며, 다양한 지형에서의 일조량 예측이 가능하다는 것을 입증한다.