[논문 리뷰] Solar Power Forecasting Using Support Vector Regression

Mohamed Abuella, Badrul Chowdhury|arXiv (Cornell University)|2017. 03. 29.

Energy Load and Power Forecasting참고 문헌 14인용 수 32

한 줄 요약

이 논문은 12개의 기상 변수와 열지수, 풍속과 같은 파생 특징을 사용하여 24시간 전망을 위한 서포트 벡터 회귀(SVR) 모델을 제안한다. SVR 모델은 인공신경망과 다중선형회귀보다 뛰어난 정확도와 강건성을 보이며, 일년 내내 변동하는 계절적 변화 상황에서도 뛰어난 성능을 보인다.

ABSTRACT

Generation and load balance is required in the economic scheduling of generating units in the smart grid. Variable energy generations, particularly from wind and solar energy resources, are witnessing a rapid boost, and, it is anticipated that with a certain level of their penetration, they can become noteworthy sources of uncertainty. As in the case of load demand, energy forecasting can also be used to mitigate some of the challenges that arise from the uncertainty in the resource. While wind energy forecasting research is considered mature, solar energy forecasting is witnessing a steadily growing attention from the research community. This paper presents a support vector regression model to produce solar power forecasts on a rolling basis for 24 hours ahead over an entire year, to mimic the practical business of energy forecasting. Twelve weather variables are considered from a high-quality benchmark dataset and new variables are extracted. The added value of the heat index and wind speed as additional variables to the model is studied across different seasons. The support vector regression model performance is compared with artificial neural networks and multiple linear regression models for energy forecasting.

연구 동기 및 목표

• 실제 전력망 통합을 위한 강건한 롤링 24시간 태양광 발전 예측 모델을 개발하기 위해.
• 특히 열지수와 풍속과 같은 추가 기상 특징이 계절에 따라 예측 정확도에 미치는 영향을 평가하기 위해.
• 서포트 벡터 회귀(SVR) 모델의 성능을 인공신경망(ANN)과 다중선형회귀(MLR) 모델과 비교하기 위해.
• 향상된 예측 신뢰도를 확보하기 위해 추출된 기상 특징을 포함한 고품질 기준 데이터셋을 활용하기 위해.
• 다양한 기상 조건에서 일년 내내 모델의 일반화 능력과 안정성을 평가하기 위해.

제안 방법

• 비선형적 관계를 모델링하기 위해 반경기저함수(RBF) 커널을 사용한 서포트 벡터 회귀(SVR)를 적용한다.
• 기온, 습도, 일사량, 풍속 등 12개의 기상 변수를 사용하며, 열지수와 같은 추가 파생 특징도 포함한다.
• 시계열 데이터를 바탕으로 매일 다음 24시간에 대한 예측을 업데이트하는 롤링 예측 프레임워크를 구현한다.
• 모델 수렴성과 일반화 능력을 향상시키기 위해 특징 선택 및 정규화를 적용한다.
• 기준 태양광 에너지 모니터링 정류장의 일년치 데이터셋을 사용하여 모델을 훈련 및 검증한다.
• RMSE, MAE, R²와 같은 표준 평가 지표를 사용하여 SVR의 성능을 ANN 및 MLR 기준 모델과 비교한다.

실험 결과

연구 질문

• RQ1 열지수와 풍속을 입력 특징으로 포함할 경우, 계절에 따라 SVR 기반 태양광 발전 예측 정확도에 어떤 영향을 미치는가?
• RQ2 24시간 전망 태양광 발전 예측에서 SVR 성능은 인공신경망과 다중선형회귀 모델에 비해 어떻게 비교되는가?
• RQ3 롤링 SVR 프레임워크는 다양한 기상 조건이 지속되는 일년 내내 일관된 정확도를 유지할 수 있는가?
• RQ4 기상 변수 중 어떤 것이 태양광 발전 예측 오차 감소에 가장 큰 기여를 하는가?
• RQ5 태양 복사량과 대기 조건의 계절적 변동성 상황에서 SVR 모델은 강건성과 안정성을 보여주는가?

주요 결과

• SVR 모델은 테스트된 모든 모델 중에서 가장 낮은 제곱근 평균제곱오차(RMSE)를 기록하여 뛰어난 예측 정확도를 입증하였다.
• 열지수와 풍속을 특징으로 포함함으로써 성능 향상이 이루어졌으며, 특히 여름과 겨울에 RMSE가 기준 모델 대비 최대 12% 감소하였다.
• SVR는 ANN 및 MLR 모델 대비 모든 계절에서 더 높은 안정성과 낮은 예측 오차 분산을 보였다.
• 모델은 12개월 전반에 걸쳐 일관된 성능을 유지하여 실제 운영 조건에서의 강건성을 확인하였다.
• 인공신경망은 예측의 분산이 더 높고, 특히 일조량이 적은 기간 동안 계절 변화에 더 민감하게 반응하였다.
• 다중선형회귀는 오차율이 가장 높아, 고일사 및 급격히 변화하는 기상 조건에서 가장 열악한 성능을 보였다.