인공위성 데이터를 활용한 Boosting Model 기반 태양광 발전량 예측

Abstract

최근 국제사회는 기후 변화 대응을 위한 필요성과 전력 수요의 증가로 인해, 태양광 발전량(PV) 예측의 중요성이 급부상하고 있다. 이는 온실가스 증가로 인한 기후 변화 문제에 대응하고, 전력 공급의 안정성을 유지하기 위한 전략적인 전력 생산 계획 수립에 필수적인 요소로 간주된다.

특히, 태양광 발전량을 정확히 예측하는 것은 전력 가격을 합리적으로 결정하고, 전력 시스템의 안정성을 유지하며 전력 생산의 균형을 조절하는 등 다양한 문제를 효과적으로 해결하기 위한 전력 생산 계획을 수립하는 데 도움이 되는 중요한 요소이다.

하지만, 기후 정보인 일사량, 운무량, 온도 등과 계절의 변화와 태양광 패널이 설치된 위치에 따른 태양의 고도와 방위각의 변화로 인해 태양광 발전량은 불규칙하게 변동한다. 따라서, 특정 위치에 설치된 패널의 정확한 태양광 발전량을 예측하는 것은 매우 도전적인 과제이다.

따라서 본 논문에서는 부스팅 모델을 통해 기후 및 계절정보와 태양고도 및 태양방위각을 이용하여 학습함으로써 장기간 태양광 발전량 예측 성능을 향상시킬 수 있는 기법을 제안한다.

본 연구에서는 대표적인 부스팅 알고리즘 중 하나인 약한 학습기들을 순차적으로 학습시켜 강한 학습기를 만드는 앙상블 학습 알고리즘으로, 오분류된 샘플에 가중치를 부여하는 AdaBoost와 경사 부스팅 트리 알고리즘의 일종으로, 리프 중심 트리 분할과 효율적인 리프 중심 학습 방법을 사용하여 빠른 속도와 높은 성능을 제공하는 그래디언트 부스팅 프레임워크인 LGBM과의 비교를 통해 본 연구에서 제시한 모델의 성능을 평가한다.

또한, 유전 알고리즘 기반 하이퍼 파라미터 최적화와 태양광 패널 설치위치의 위경도 별 일출/일몰시간을 계산하여 후처리를 통해 예측모델을 보정하는 방법을 제안한다.

실제 데이터를 통한 실험 결과로, LGBM 기반의 태양광 발전량 예측 기법이 λ 1.08%, R^2 99.79% 로 가장 우수한 성능을 보였으며, 이러한 연구 결과는 본 연구에서 태양광 발전량 예측의 성능을 향상시키는 데 긍정적인 영향을 미쳤음을 입증한다. |Recently, the international community has recognized the increasing need for addressing climate change and the growing demand for electricity, highlighting the importance of predicting solar photovoltaic (PV) generation. This is regarded as an essential factor in mitigating greenhouse gas emissions and establishing strategic electricity production plans to ensure power supply stability.

In particular, accurate prediction of solar PV generation enables rational pricing of electricity, maintenance of power system stability, and balancing of power production. However, solar PV generation is subject to irregular fluctuations due to climate variables such as solar irradiance, cloud cover, temperature, as well as seasonal variations and changes in solar elevation and azimuth angles depending on the location of the installed panels. Therefore, accurately predicting solar PV generation for a specific panel installation location is a challenging task.

In this paper, we propose a technique that enhances the long-term prediction performance of solar PV generation by utilizing boosting models trained on climate and seasonal information along with solar elevation and azimuth angles. Specifically, we compare the performance of our proposed model with AdaBoost, an ensemble learning algorithm that sequentially trains weak learners by assigning weights to misclassified samples, and LGBM, a gradient boosting framework that employs leaf-wise tree splitting and efficient leaf-wise learning methods, providing fast computation and high performance.

Furthermore, we suggest a genetic algorithm-based hyperparameter optimization and a post-processing approach that calculates sunrise/sunset times based on the latitude and longitude of the solar panel installation locations to refine the predicted model. Through experiments using real-world data, we demonstrate that the LGBM-based solar PV generation prediction technique exhibits superior performance. These research findings affirm the positive impact of our proposed model on enhancing the prediction accuracy of solar PV generation.