[논문 리뷰] Solar Power Prediction Using Machine Learning

Et al. Rajasekaran Subramanian, M. Mithun Karthik외 3명|arXiv (Cornell University)|2023. 03. 11.

Energy Load and Power Forecasting인용 수 6

한 줄 요약

이 논문은 기상, 일광량, 이력 전력 생성 데이터를 조합한 전처리된 데이터를 사용하여 SVM, 랜덤 포레스트, 기울기 부스팅을 활용한 기계학습 프레임워크를 제안한다. 이는 고정밀도의 태양광 발전 예측을 위해 개발되었으며, 99%의 AUC를 달성하여 실시간 에너지 시스템 관리 및 효율성 최적화에서 뛰어난 성능을 보였다.

ABSTRACT

This paper presents a machine learning-based approach for predicting solar power generation with high accuracy using a 99% AUC (Area Under the Curve) metric. The approach includes data collection, pre-processing, feature selection, model selection, training, evaluation, and deployment. High-quality data from multiple sources, including weather data, solar irradiance data, and historical solar power generation data, are collected and pre-processed to remove outliers, handle missing values, and normalize the data. Relevant features such as temperature, humidity, wind speed, and solar irradiance are selected for model training. Support Vector Machines (SVM), Random Forest, and Gradient Boosting are used as machine learning algorithms to produce accurate predictions. The models are trained on a large dataset of historical solar power generation data and other relevant features. The performance of the models is evaluated using AUC and other metrics such as precision, recall, and F1-score. The trained machine learning models are then deployed in a production environment, where they can be used to make real-time predictions about solar power generation. The results show that the proposed approach achieves a 99% AUC for solar power generation prediction, which can help energy companies better manage their solar power systems, reduce costs, and improve energy efficiency.

연구 동기 및 목표

• 에너지 시스템 최적화를 지원하기 위해 정확한 태양광 발전 예측을 위한 견고한 기계학습 파이프라인을 개발하기.
• 기상, 일광량, 이력 발전 데이터 등의 다양한 고품질 데이터 소스를 활용하여 태양광 발전의 변동성 문제를 해결하기.
• 태양광 발전 예측을 위한 다수의 지도 학습 알고리즘—SVM, 랜덤 포레스트, 기울기 부스팅—의 평가 및 비교하기.
• AUC, 정밀도, 재현율, F1-스코어와 같은 표준 지표를 사용하여 높은 모델 성능를 달성하기.
• 실시간 태양광 발전 예측을 가능하게 하기 위해 훈련된 모델을 생산 환경에 배포하기.

제안 방법

• 기상, 태양광 일조량, 이력 태양광 발전 데이터 등 다양한 소스에서 고품질 데이터를 수집하고 전처리하였으며, 이격치 제거, 결측치 보간, 데이터 정규화를 수행하였다.
• 모델 일반화를 향상시키기 위해 온도, 습도, 풍속, 태양광 일조량과 같은 관련 예측 변수에 중점을 둔 특성 선택을 수행하였다.
• 대규모 이력 데이터셋을 기반으로 서포트 벡터 머신(SVM), 랜덤 포레스트, 기울기 부스팅의 세 가지 지도 학습 모델을 훈련시켰다.
• 모델 성능 평가를 위해 AUC(곡선 아래 면적), 정밀도, 재현율, F1-스코어 등 다양한 지표를 사용하여 신뢰성과 강건성을 확보하였다.
• 최고의 성능을 보인 모델을 생산 환경에 배포하여 실시간 태양광 발전 예측을 가능하게 하였다.
• 재현 가능하고 실무에 적합한 표준화된 훈련 및 평가 파이프라인을 사용하였다.

실험 결과

연구 질문

• RQ1 다양한 데이터 소스를 통합한 기계학습 파이프라인은 고정밀도 태양광 발전 예측을 달성할 수 있는가?
• RQ2 SVM, 랜덤 포레스트, 기울기 부스팅 등의 앙상블 및 커널 기반 모델은 태양광 발전 예측에서 어떻게 상호 비교되는가?
• RQ3 데이터 전처리 및 특성 선택은 태양광 예측에서 모델 성능 향상에 얼마나 기여하는가?
• RQ4 제안된 모델은 실세계 태양광 발전 예측 과제에서 높은 AUC 스코어(예: 99%)를 달성할 수 있는가?
• RQ5 생산 환경에 배포된 훈련된 모델은 실시간 예측에 얼마나 효과적인가?

주요 결과

• 제안된 기계학습 프레임워크는 태양광 발전 예측에서 뛰어난 분류 능력을 보이며, 99%의 AUC를 달성하였다.
• 평가된 모델들 중에서 최고 성능을 보인 알고리즘(명시적으로 특정되지 않음)은 정밀도, 재현율, F1-스코어 지표에서 뛰어난 결과를 보였다.
• 이격치 제거, 결측치 처리, 정규화를 포함한 데이터 전처리 단계가 모델의 안정성과 정확도 향상에 크게 기여하였다.
• 기상 및 일조량 변수에 중점을 둔 특성 선택은 모델의 해석 가능성과 예측 성능 향상에 기여하였다.
• 훈련된 모델는 성공적으로 생산 환경에 배포되어 실시간 태양광 발전 예측을 가능하게 하였다.
• 높은 AUC 스코어는 운영 비용 절감 및 그리드 효율성 향상에 기여할 잠재력을 보여주며 에너지 관리 시스템에의 통합 가능성을 시사한다.