[논문 리뷰] SolarisNet: A Deep Regression Network for Solar Radiation Prediction

Subhadip Dey, Sawon Pratiher외 2명|arXiv (Cornell University)|2017. 11. 22.

Solar Radiation and Photovoltaics인용 수 4

한 줄 요약

SolarisNet는 역사적 스마트그리드 데이터를 사용하여 전 세계 태양 복사량(GSR)을 예측하는 6층의 딥 레지션 신경망이다. 일일 GSR 예측에서 최신 기술 모델들을 능가하며, 인도 칼랴니 근처 두 개의 기상 관측소에서 수집한 데이터로 훈련되어, 고비용의 라디오미터나 전문가에 의존하는 측정이 없이도 정확하고 저비용의 GSR 추정을 가능하게 한다.

ABSTRACT

Effective utilization of photovoltaic (PV) plants requires weather variability robust global solar radiation (GSR) forecasting models. Random weather turbulence phenomena coupled with assumptions of clear sky model as suggested by Hottel pose significant challenges to parametric & non-parametric models in GSR conversion rate estimation. Also, a decent GSR estimate requires costly high-tech radiometer and expert dependent instrument handling and measurements, which are subjective. As such, a computer aided monitoring (CAM) system to evaluate PV plant operation feasibility by employing smart grid past data analytics and deep learning is developed. Our algorithm, SolarisNet is a 6-layer deep neural network trained on data collected at two weather stations located near Kalyani metrological site, West Bengal, India. The daily GSR prediction performance using SolarisNet outperforms the existing state of art and its efficacy in inferring past GSR data insights to comprehend daily and seasonal GSR variability along with its competence for short term forecasting is discussed.

연구 동기 및 목표

• 고비용의 라디오미터와 전문가의 개입에 의존하지 않는 강력하고 데이터 기반의 전 세계 태양 복사량(GSR) 예측 모델을 개발하는 것.
• 기상 변화로 인한 도전과 명확한 천체 모델의 한계로 인해 GSR 추정에 어려움을 겪는 문제를 해결하는 것.
• 컴퓨터 지원 모니터링(CAM) 시스템을 통해 태양광 발전소 운영의 가능성을 효과적으로 평가할 수 있도록 하는 것.
• 역사적 기상 관측소 데이터를 기반으로 딥 러닝을 활용해 단기 GSR 예측 정확도를 향상시키는 것.
• 과거 데이터에 대한 모델 추론을 통해 일일 및 계절별 GSR 변동성에 대한 통찰을 제공하는 것.

제안 방법

• 6층의 딥 네ural 웹(SolarisNet)은 인도 웨스트 베نغ글의 칼랴니 근처 두 개의 기상 관측소에서 수집한 역사적 전 세계 태양 복사량 데이터를 기반으로 훈련된다.
• 모델은 물리적 라디오미터 기반 측정에 의존하지 않고 과거 스마트그리드 데이터를 활용해 레지션 기반 GSR 예측을 수행한다.
• SolarisNet는 입력 기상 변수와 GSR 출력 간의 복잡한 비선형 관계를 학습하기 위해 딥 러닝을 활용한다.
• 모델 아키텍처는 레지션 작업에 최적화되어 있으며, 훈련 과정은 일일 GSR 값 예측 오차를 최소화하는 데 집중된다.
• 모델 성능 평가는 동일 지역의 테스트 데이터를 사용한 표준 레지션 지표를 기반으로 수행된다.
• 시스템은 과거 GSR 패턴의 후행 분석과 단기 예측을 모두 가능하게 한다.

실험 결과

연구 질문

• RQ1 딥 러닝 기반의 레지션 모델이 기존의 파rametric 및 non-parametric 모델보다 전 세계 태양 복사량 예측에서 뛰어난 성능을 보일 수 있는가?
• RQ2 역사적 스마트그리드 데이터가 정확한 GSR 추정을 위해 고비용의 라디오미터 측정을 얼마나 효과적으로 대체할 수 있는가?
• RQ3 딥 네럴 웹이 과거 데이터에서 일일 및 계절별 GSR 변동성을 얼마나 효과적으로 추론할 수 있는가?
• RQ4 SolarisNet의 단기 GSR 예측 성능은 최신 기술 모델들과 비교해 어떻게 평가되는가?
• RQ5 딥 러닝 기반의 컴퓨터 지원 모니터링 시스템이 태양광 발전소의 가능성 평가를 향상시킬 수 있는가?

주요 결과

• SolarisNet는 기존 최신 기술 모델들과 비교해 일일 전 세계 태양 복사량(GSR) 예측에서 뛰어난 성능을 달성한다.
• 모델은 과거 GSR 데이터 패턴을 효과적으로 추론하여 일일 및 계절별 태양 복사량 변동성에 대한 유의미한 통찰을 제공한다.
• SolarisNet는 단지 역사적 스마트그리드 데이터만을 사용하여도 단기 GSR 예측에 강력한 능력을 보인다.
• 딥 레지션 네트워크는 GSR 추정에 있어 고비용의 라디오미터와 전문가에 의존하는 측정 방식에 대한 의존도를 감소시킨다.
• 모델의 아키텍처와 훈련 방식은 태양광 발전소 모니터링 및 가능성 분석에 적합한 정확하고 저비용의 GSR 예측을 가능하게 한다.
• 성능 평가 결과, SolarisNet는 전통적인 파arametric 및 non-parametric 모델보다 GSR 변환율 추정에서 뛰어난 성능을 보였다.