지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학술저널
- 저자정보
- 발행연도
- 2022.2
- 수록면
- 1 - 6 (6page)
- DOI
- 10.5391/JKIIS.2022.32.1.1
이용수
초록· 키워드
오류제보하기
본 논문에서는 충남 홍성지역의 상업운전 중인 1MW급 태양광 발전소와 주변지역의 기상조건을 근거로 태양광 발전량을 머신러닝 기법과 통계기법으로 예측하고 비교해보았다. 모형의 입력자료는 홍성지역의 약 9개월간 시간대별 실제발전량과 주변지역의 시간별 습도, 일조시간, 일사량을 사용하였으며, 각 방법별로 학습과 평가를 수행하였다. 계산결과 기존의 통계기법보다는 하모니 서치기법과 결합된 신경망 모형이 오차는 더 줄이고 결정계수는 더 높였다. 이를 통해 태양광발전원의 간헐적인 전력품질을 개선하고 분산형 전원확대에 큰 도움이 될 것으로 기대된다.
목차
요약
Abstract
1. 서론
2. 재생에너지 예측제도 정산방식
3. 적용 모형
4. 계산 및 결과 고찰
5. 결론 및 향후 연구방향
References
참고문헌 (17)
참고문헌 신청
Ministry Of Trade, Industry and Energy, “Introduction of Renewable Energy Generation Prediction System,” Press release, September 2020.
Korea Power Exchange, “Electricity Market Operation Guide,” settlement for participants in the forecasting system, pp, 375-376, October 2020.
A. Abraham, Handbook of measuring system design - 129 Artificial Neural Networks, John Wiley &Sons, 2005.
B. J. Wythoff, “Backpropagation neural networks A tutorial,” Chemometrics and Intelligent Laboratory Systems, vol. 18, no. 2, pp. 115-155, 1993.
L. S. Lasdon, R. L. Fox, and M. W. Ratner, “Nonlinear optimization using the generalized reduced gradient method,” Revue fran aise d'automatique, informatique, recherche oprationnelle. Recherche op rationnelle, vol. 8, no. V3, pp. 73-103, 1974.
Korea Power Exchange, “Electricity Market Operation Guide,” settlement for participants in the forecasting system, pp, 375-376, October 2020.
A. Abraham, Handbook of measuring system design - 129 Artificial Neural Networks, John Wiley &Sons, 2005.
B. J. Wythoff, “Backpropagation neural networks A tutorial,” Chemometrics and Intelligent Laboratory Systems, vol. 18, no. 2, pp. 115-155, 1993.
L. S. Lasdon, R. L. Fox, and M. W. Ratner, “Nonlinear optimization using the generalized reduced gradient method,” Revue fran aise d'automatique, informatique, recherche oprationnelle. Recherche op rationnelle, vol. 8, no. V3, pp. 73-103, 1974.
함께 읽어보면 좋을 논문
논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!
-
태양광 발전단지 데이터를 활용한 머신러닝 기반의 태양광 전력 시스템의 발전량 예측
대한전기학회 학술대회 논문집
2020 .07
-
머신러닝 기법을 이용한 태양광 발전량 예측모델 개선
한국태양에너지학회 학술대회논문집
2022 .10
-
머신러닝을 이용한 태양광 발전량 예측 모델 비교
대한산업공학회지
2021 .10
-
기상자료를 이용한 기계학습모델 기반 태양광 발전량 예측
한국환경기술학회지
2017 .01
-
태양광발전량 산정기법 개선에 관한 연구
대한전기학회 학술대회 논문집
2017 .07
-
머신러닝 기반 태양광 에너지 발전량 예측 및 모델별 비교 연구
전력전자학회 학술대회 논문집
2024 .11
-
기계학습 기법을 조합한 태양광 발전량 예측
한국통신학회 학술대회논문집
2020 .08
-
태양광 발전량 실시간 예측 시스템
대한전기학회 학술대회 논문집
2019 .07
-
An Inference Method of Influence Parameters for a Physical Calculation Model of Photovoltaic Power Generation
한국태양에너지학회 학술대회논문집
2022 .10
-
태양광 발전량 예보를 위한 앙상블 머신러닝 모델 개발
한국태양에너지학회 학술대회논문집
2022 .10
-
태양광 발전량 예측을 위한 알고리즘 개발
한국태양에너지학회 학술대회논문집
2023 .04
-
태양광 시스템의 발전량 예측 및 향상을 위한 태양광 시스템 설계 프로그램 구현 프로세스 개발
대한건축학회 학술발표대회 논문집
2022 .04
-
일기 예보와 예측 일사 및 일조를 이용한 태양광 발전 예측
한국항행학회논문지
2017 .01
-
발전량 예측 모델 기반의 태양광 모니터링 시스템 고장 예측
JOURNAL OF PLATFORM TECHNOLOGY
2018 .06
-
11개 기후인자를 활용한 태양광 발전량 예측 딥러닝 모델 비교
대한토목학회 학술대회
2023 .10
-
Photovoltaic Power Forecasting Scheme Based on Graph Neural Networks through Long- and Short-Term Time Pattern Learning
Journal of KIISE
2024 .08
-
철도인프라용 태양광발전시스템 확대를 위한 기상정보 활용 발전량 예측 비교 연구
한국철도학회 논문집
2017 .08
-
앙상블 기법을 활용한 태양광 발전량 예측 알고리즘의 정확도 향상
대한전기학회 학술대회 논문집
2022 .07
-
인공 신경망 회귀 모델을 활용한 인버터 기반 태양광 발전량 예측 알고리즘
한국전자통신학회 논문지
2024 .04
-
소규모 전력 중개시장 참여를 위한 머신러닝 기반의 태양광 발전량 장기 예측
대한전기학회 학술대회 논문집
2021 .07
이 논문의 저자 정보
이 논문과 함께 이용한 논문
태양광 주기성에 적합한 시간 변수를 반영한 SHAP 기반의 태양광 발전량 예측
정원용
,
박성우
,
문재욱
외 1명
정보과학회 컴퓨팅의 실제 논문지
2022
.03
머신러닝을 이용한 태양광 발전량 예측 모델 비교
이용택
,
김두형
,
신우석
외 3명
대한산업공학회지
2021
.10
일조 시간과 일조량 데이터를 고려한 LSTM 기반 태양광 발전량 예측
안연주
,
이택기
,
김규호
전기학회논문지
2021
.08
LSTM 기법을 이용한 서해안 해상풍력발전량 예측
선로빈
,
방준호
,
유정훈
외 1명
대한전기학회 학술대회 논문집
2021
.05
미래 제주 전력계통 신재생 수용성 증대를 위한 ESS를 활용한 발전기 최소운전댓수 저감 가능성 분석
이상호
대한전기학회 학술대회 논문집
2021
.10
최근 본 자료
댓글(0)
0