[논문 리뷰] Two-Tier Prediction of Solar Power Generation with Limited Sensing Resource

Yübo Wang, Bin Wang외 4명|arXiv (Cornell University)|2015. 08. 11.

Solar Radiation and Photovoltaics참고 문헌 15인용 수 3

한 줄 요약

이 논문은 역사적 전력 데이터와 제한된 센서 자원만을 사용하여 24시간 태양광 발전 예측을 위한 이중 계층 예측 프레임워크를 제안한다. 가중치가 부여된 k-NN 또는 신경망을 통한 글로벌 계층 예측과 현장에서의 적응형 잔차 보정을 조합하여, 35kW UCLA 마이크로그리드 테스트베드에서 기존의 당일 예측 방법보다 높은 정확도를 달성한다.

ABSTRACT

This paper considers a typical solar installations scenario with limited sensing resources. In the literature, there exist either day-ahead solar generation prediction methods with limited accuracy, or high accuracy short timescale methods that are not suitable for applications requiring longer term prediction. We propose a two-tier (global-tier and local-tier) prediction method to improve accuracy for long term (24 hour) solar generation prediction using only the historical power data. In global-tier, we examine two popular heuristic methods: weighted k-Nearest Neighbors (k-NN) and Neural Network (NN). In local-tier, the global-tier results are adaptively updated using real-time analytical residual analysis. The proposed method is validated using the UCLA Microgrid with 35kW of solar generation capacity. Experimental results show that the proposed two-tier prediction method achieves higher accuracy compared to day-ahead predictions while providing the same prediction length. The difference in the overall prediction performance using either weighted k-NN based or NN based in the global-tier are carefully discussed and reasoned. Case studies with a typical sunny day and a cloudy day are carried out to demonstrate the effectiveness of the proposed two-tier predictions.

연구 동기 및 목표

• 제한된 센서 자원 조건에서 장기(24시간) 태양광 발전 예측 정확도를 향상시키기 위해.
• 기존 태양광 예측 방법에서 정확도와 예측 기간 간의 상충 관계를 해결하기 위해.
• 실시간 기상 또는 일조량 센서가 필요 없이 역사를 기반으로 한 전력 데이터만을 활용하는 이중 계층 프레임워크를 개발하기 위해.
• 35kW 태양광 설비를 갖춘 실제 마이크로그리드에서 방법을 검증하기 위해.

제안 방법

• 글로벌 계층은 역사적 전력 데이터만을 기반으로 가중치가 부여된 k-최근접 이웃(k-NN) 또는 신경망(NN)을 사용하여 24시간 예측을 초기적으로 생성한다.
• 로컬 계층은 실시간 분석 잔차 분석을 통해 글로벌 계층의 예측을 적응적으로 보정한다.
• 역사적 예측과 실제 측정값 간의 잔차를 모델링하고 동적으로 업데이트하여 단기 예측 정확도를 향상시킨다.
• 제한된 센서 인프라를 갖춘 UCLA 마이크로그리드의 35kW 태양광 설치 시설에 프레임워크를 구현하고 테스트한다.
• 다양한 기상 조건에서 성능과 내구성을 비교하기 위해 두 가지 글로벌 계층 모델(가중치 k-NN 및 NN)을 비교한다.
• 외부 기상 데이터에 의존하지 않고 역사적 전력 측정값과 실시간 잔차 피드백만을 기반으로 한다.

실험 결과

연구 질문

• RQ1 역사적 전력 데이터와 제한된 센서만을 사용하여도 이중 계층 예측 프레임워크가 24시간 태양광 발전 예측 정확도를 향상시킬 수 있는가?
• RQ2 장기 태양광 예측에서 가중치 k-NN와 신경망 모델 간의 글로벌 계층 성능는 어떻게 비교되는가?
• RQ3 로컬 계층의 잔차 보정이 변동성이 큰 기상 조건에서 예측 정확도를 얼마나 향상시키는가?
• RQ4 추가 센서 입력 없이도 이 방법이 맑은 날과 흐린 날 모두에서 효과적인가?
• RQ5 단지 전력 측정값만을 사용하여도 이 프레임워크가 다양한 일조량 패턴에서 높은 정확도를 유지할 수 있는가?

주요 결과

• 이중 계층 방법은 표준 당일 예측 방법보다 24시간 태양광 발전 예측 정확도가 높다.
• 기상 조건이 다양할수록 가중치 k-NN 기반 글로벌 계층이 신경망 기반 글로벌 계층보다 안정성과 정확도에서 뛰어나다.
• 로컬 계층의 잔차 보정은 실시간 이탈에 적응함으로써 단기 예측 정확도를 크게 향상시킨다.
• 맑은 날과 흐린 날의 사례 연구를 통해 다양한 일조량 패턴에서 메서드의 강건성과 효과성을 확인하였다.
• 추가 센서가 필요 없이 역사적 전력 데이터와 실시간 잔차만을 기반으로 하여도 프레임워크는 높은 정확도를 유지한다.