Development of a Power Generation Forecast Model that Reflects the Degradation Conditions of Solar Modules: For AI Technique Approach

Su-Wung Baek; Sung-Gi Kwon; Chang-heon Kim; Gye-Choon Park

doi:10.7836/kses.2024.44.5.001

Preview

Research Article

Journal of the Korean Solar Energy Society. 30 October 2024. 1-10
https://doi.org/10.7836/kses.2024.44.5.001

Development of a Power Generation Forecast Model that Reflects the Degradation Conditions of Solar Modules: For AI Technique Approach

태양광 모듈의 열화 조건을 반영한 발전량 예측 모델 개발: AI 기법 접근을 위하여

Su-Wung Baek¹

Sung-Gi Kwon²

Chang-heon Kim³^*

Gye-Choon Park⁴

백 수웅¹

권 성기²

김 창헌³^*

박 계춘⁴

¹PhD Student, Department of Electrical Engineering, Mokpo National University/Director, Enterprise Support Division, Energy Valley Enterprise Development Institute

²Instructor, Department of Electrical Engineering, Mokpo National University

³Senior Researcher, Artificial Intelligence & Energy Research Center, Korea Photonics Technology Institute

⁴Professor, Department of Electrical Engineering, Mokpo National University

¹목포대학교 전기공학과, 박사과정/에너지밸리기업개발원 기업지원실, 실장

²목포대학교 전기공학과, 강사

³한국광기술원 AI에너지연구센터, 선임연구원

⁴목포대학교 전기공학과, 교수

^{*Corresponding Author}

License (open-access, http://creativecommons.org/licenses/by-nc/4.0/):

This is an Open-Access article distributed under the terms of the Creative Commons Attribution NonCommercial License which permits unrestricted non-commercial use, distribution, and reproduction in any medium, provided the original work is properly cited.

ABSTRACT

This study highlights the significance of solar power as a renewable energy source and addresses the challenge of solar module degradation, which comprises the accuracy of power-generation forecasts. Traditional forecasting methods depend on facility capacity and average solar irradiance data; however, these methods are prone to intermittency and high uncertainty. In contrast, this study analyzed the degradation of solar modules and proposed an AI-based forecasting model that incorporates these degradation conditions. Indoor and outdoor tests were conducted to measure the I–V characteristics and assess module degradation conditions under various environmental stresses, resulting in the development of a comprehensive database. The study revealed that calculating the annual degradation rate significantly improved forecast accuracy, reducing the average error rate to 0.82%, thereby achieving the research objectives. This research is noteworthy as it enhances forecasting accuracy by introducing a model that accounts for the degradation of solar modules.

Keywords

Power generation forecast

Solar module degradation

Degradation forecasting algorithms

Photovoltaic system

키워드

발전량 예측

태양광 모듈 열화

열화 예측 알고리즘

태양광 발전

MAIN

1. 서 론
2. 태양광 모듈 열화 기반의 발전량 예측 방법
2.1 모니터링 데이터 상관관계 분석
2.2 태양광 모듈의 열화 예측 알고리즘 개발
3. 실험 결과 및 고찰
3.1 환산 출력 및 연간 열화율
3.2 측정 횟수에 따른 측정ㆍ환산ㆍ열화율 반영 출력 및 오차율
4. 결 론

기호 및 약어 설명

$I_{1}, V_{1}$ : 측정된 특성에서 점의 좌표

$I_{2}, V_{2}$ : 보정된 특성에서 해당 점의 좌표

$G_{1}$ : 기준 소자와 스펙트럼 부정합의 온도 및 선형성을 위해 보정된 기준 소자로 측정한 조사 강도

$G_{2}$ : 시험 대상 소자의 목표 조사 강도

$T_{1}$ : 시험 대상 소자의 측정된 온도

$T_{2}$ : 시험 대상 소자의 목표 온도

$I_{S C 1}$ : $G_{1}$ 과 $T_{1}$ 에서 측정된 시험 대상 소자의 단락 전류

$α 및 β$ : 보정을 위한 목표 조사 강도의 관심 온도 범위내에서 시험 대상 소자의 단락 전류 및 개방회로 전압 온도계수

$R_{s}$ : 시험 대상 소자의 내부 직렬 저항

$χ$ : 곡선 보정 계수

$E 및 E_{0}$ : 실제 일사량 및 기준 일사량

$I_{S C, 0} 및 V_{O C, 0}$ : 기준 단락 전류 및 개방 전압

$T_{m} 및 T_{o}$ : 실제 모듈 온도 및 기준 모듈 온도

$P o w e r_{(F i l e d)}$ : 태양광 모듈 실제 출력값

$P_{I n i t i t i a l}$ : 태양광 모듈 초깃값

$P_{L o s s b y i r r a d i a n c e}$ : 태양광 모듈 일사량에 의한 손실 출력값

$P_{L o s s b y t e m p e r a t u r e}$ : 태양광 모듈 온도에 의한 손실 출력값

$P_{L o s s b y w a v e l e n g t h}$ : 태양광 모듈 파장에 의한 손실 출력값

$P_{L o s s b y m o d u l e d e g r a d a t i o n}$ : 태양광 모듈 열화에 의한 손실 출력값

1. 서 론

태양에너지는 고갈되지 않고 친환경적인 에너지원이며, 태양광 발전 시스템은 설치 및 가동이 빠른 장점 등을 내세워 우리나라의 신재생에너지 발전량의 53.2%, 누적 설치량이 72.2%로 가장 높은 비중을 차지하고 있다¹⁾. 태양에너지는 광기전력효과에 의한 광입자의 전기에너지로 변환하여 전력을 생산하는 태양광과 열을 흡수하여 열원을 기반으로 난방, 온수, 냉방, 증기터빈을 연계한 전력 생산을 하는 등 다양한 분야에 접목할 수 있는 태양열로 구분할 수 있다²⁾. 이 중 태양광 발전은 기후 변화 위기를 완화하고 글로벌 에너지 안보를 개선할 수 있는 가장 유망한 재생에너지 자원 중 하나이다. 이러한 태양광 발전은 직접거래 방식의 PPA (Power Purchases Agreement) 계약이나 전력거래소를 통한 REC (Renewable Energy Certificate) 및 SMP (System Marginal Price)의 전력 중개 시장을 통해 수익을 창출한다. 그러나, 태양광 발전은 간헐적이고, 유동성이 큰 특성이 존재하여 이를 보완하기 위해 2021년 10월 발전량 예측제도를 도입하여 단점을 보완하고자 하였다³⁾.

또한 태양광을 비롯한 신재생에너지 발전 규모가 지속적으로 확대됨에 따라 기존 송배전망의 안정화 및 전력공급과 수요의 관리 필요성이 강화되며, 2023년 6월에 「분산에너지 활성화 특별법」이 제정되었다. 이 법에 따라 향후 우리나라를 비롯한 세계적인 에너지관리 체계는 중앙집중식 에너지 체계에서 지방분권 에너지 체계로 변화할 것이며, 이러한 배경에서 발전량 예측 기술의 발전이 더욱 요구된다^4,5).

태양광 모듈의 열화 현상에 의한 출력 감소는 발전량 예측 정확도를 저감시키고, 이러한 결과는 전력의 공급과 수요관리에 치명적인 단점으로 나타난다⁶⁾. 또한 태양에너지의 복사, 온도, 습도, 구름의 특성과 같은 대기 변수들은 태양광 발전에 대하여 직접적이고 간접적인 영향을 미치며, 이로 인해 태양광 발전은 간헐적이고 불확실해진다. 따라서 대규모 태양광 발전의 전력망 통합을 위해서는 전력망을 경제적이고 안정적으로 운영할 수 있는 신뢰성 높은 예측 모델이 필요하지만⁷⁾, 그간의 태양광 발전량 예측은 설비용량에 지역적 평균 일사량 정보를 적용하는 방법부터 시작되어, 과거의 기상정보 및 기상예보를 활용하여 일사량을 예상하거나, 구름의 벡터값을 추정하여 계산된 태양에너지 복사의 예측 등과 같은 방법으로 발전량을 예측하는 방법으로 발전되어 왔다^8,9,10,11). 이를 기반으로 최근에는 AI (Artificial Intelligence) 기술을 기반으로 과거의 기상 데이터, 지리 정보, 태양에너지의 복사량 등을 분석하여 최적의 발전량 예측을 하고자 하는 연구가 다수 진행되고 있다^12,13).

본 연구에서는 여러 환경적인 요인으로 발생하는 태양광 모듈의 열화 요인을 분석하고, 이를 기반하여 정확도 높은 실제 태양광 발전량을 예측하고자 하였다.

2. 태양광 모듈 열화 기반의 발전량 예측 방법

2.1 모니터링 데이터 상관관계 분석

(1) 태양광 모듈 발전량 예측 모델의 구분

태양광 모듈 발전량 예측 모델은 실내(Indoor)에서의 측정을 통한 예측과 실외(Outdoor)에서의 발전량 측정으로 구성된다. 실내에서의 측정은 온도 변화에 따른 모듈 IV (전류 및 전압) 특성 변화와 일사량 변화에 따른 모듈 IV 특성 변화로 구성되고, 실외에서의 측정은 실 환경 조건에서 모듈 IV 특성을 데이터 베이스(DB)화 하고자 하였다. 모듈 열화 기반의 발전량 예측 연구를 위한 절차는 Fig. 1과 같다.

https://cdn.apub.kr/journalsite/sites/kses/2024-044-05/N0600440501/images/kses_2024_445_1_F1.jpg

Fig. 1.

Test setup for power generation forecast

실외 테스트를 통해서 환경 스트레스별 모듈 열화 조건, 환경인자에 따른 모듈 IV 특성, 국내외 주요 지역 날씨 및 모듈 온도 정보가 확보되어야 한다. 또한 실내 테스트를 통해서 실내 환경 스트레스별 모듈 열화 조건, 주요 열화 현상 및 메커니즘 분석, 스트레스별 열화 예측 모델 및 실환경 조건에서의 열화 예측 모델 개발이 필요하다. 따라서 본 연구에서는 다음 Tables 1, 2와 같이 실내 및 실외 환경에 대한 온도 및 습도 등 태양광 모듈의 열화에 미치는 조건을 정리하여 DB화하였다.

Table 1.

DB of degradation conditions by outdoor environmental stress and I-V characteristics according to environment factors

Module degradation conditions by outdoor environmental stress	Module I-V characteristics according to environmental factors
Degradation conditions in hot and humid areas Degradation conditions in desert areas Degradation conditions in other regions (islands and coastal areas)	Test module selection and module structure analysis Properties of materials used (sheet)

Table 2.

DB of module degradation rate by indoor environmental stress

Module degradation conditions by temperature conditions	Module degradation conditions by temperature and humidity conditions	Module degradation conditions by other conditions
Degradation conditions in hot and humid areas Degradation conditions in desert areas Degradation conditions in other regions (islands and coastal areas)	Test module selection and module structure analysis Properties of materials used (sheet)	UV, Irradiance, Salty water

(2) 발전량 예측 알고리즘 데이터 확보

태양광 모듈의 출력은 STC (Standard Test Condition, 표준시험조건)에서 측정하여 전기적 특성 및 용량을 결정한다. 그러나 필드에 설치할 경우 실제 환경 조건이 달라짐에 따라 STC 조건에서의 출력값과 차이가 발생할 수 있다. 태양광 모듈에서 생성되는 전자의 양 또는 발전량은 Table 3과 같은 환경요소 및 모듈의 열화에 의해 영향을 받기 때문이다.

Table 3.

Power generation variables of solar modules

Irradiance	Expressed as ‘W’ per square meter
Module temperature	Power generation drops as module temperature rises
Module degradation	Module degradation reduces power output
Maximum output point control mismatch	Inconsistencies in the serial connection of modules (Requires separate inverter technology)

따라서 태양광 모듈 열화에 따른 발전량 예측은 다음과 같이 환경요소 및 열화를 반영한 관계식으로 다음과 같이 구성할 수 있다.

(1)

P o w e r_{(F i l e d)} = P_{I n i t i t i a l} - P_{L o s s b y i r r a d i a n c e} - P_{L o s s b y t e m p e r a t u r e} - P_{L o s s b y w a v e l e n g t h} - P_{L o s s b y m o d u l e d e g r a d a t i o n}

따라서 발전량을 예측하기 위해서는 기준 모듈을 선정 후, Table 4에 나타낸바와 같이 여러 환경 요인 및 열화에 대한 변화값을 실험을 통해 확보해야 한다.

Table 4.

Measurment of power variable due to environmental factors and degradation

Output variation due to environmental factors	Measure output variation by varying solar radiation Measure output variation by varying module temperature Measure output variation by varying wavelength of light
Output variation due to module degradation	Accelerated test measurements of key degradation conditions in the filed

알고리즘의 기초 모델은 결정질 실리콘 태양광 발전 소자의 I-V 특성 측정에 대한 온도와 방사조도 절차인 IEC 60891을 인용하여 4개의 파라미터 값을 특정값으로 입력하였다. 측정된 I-V 특성은 다음 식을 적용하여 표준 시험 조건 또는 기타 선택된 온도 및 조사강도 값으로 보정할 수 있다.

(2)

I_{2} = I_{1} + I_{S C 1} \times (\frac{G_{2}}{G_{1}} - 1) + α \times (T_{2} - T_{1})

(3)

V_{2} = V_{1} - R_{s} \times (I_{2} - I_{1}) - κ \times I_{2} \times (T_{2} - T_{1}) + β \times (T_{2} - T_{1})

식(2)는 목표 조사 강도와 온도에서 단락 전류 $I_{2}$ 를 계산한다. 조사 강도의 변화와 온도 변화에 따른 전류의 변화를 각각 반영하여 보정한다. 식(3)은 측정된 전압 $V_{1}$ 을 기준으로 온도 변화에 따른 전류의 변화와 저항, 온도 계수를 반영 및 보정하여 목표 온도 조건에서의 개방 회로 전압 $V_{2}$ 를 계산한다. 여기에서 일반적으로 $α$ 는 양수이고, $β$ 는 음수이다. 이러한 보정절차에 따른 파라미터별 값은 Table 5와 같다¹⁴⁾.

Table 5.

Parameters for STC conversion

Parameter	Symbol	Unit	Value
Current Temp. Coef.	α	A/℃	0.0036
Voltage Temp. Coef.	β	V/℃	-0.1267
Series Resistance	$R_{S}$	Ω	0.6
Curve Correction Factor	κ	Ω/℃	0.011

온도, 일사량, 파장 및 염수의 가속 테스트를 통한 결과는 파장 및 염수 조건에서의 변화량이 없거나 매우 미비하여 열화율 및 발전량 예측을 위한 DB로 활용이 불가능한 것으로 판단하였다. 이에 본 연구에서는 열화율에 큰 영향을 미치는 일사량에 따른 온도계수를 확보하여 이에 대한 열화율을 예측하고자 하였다. 그리고 IEC 60891에서 제공하는 상숫값에 실험을 통하여 얻은 온도계수를 접목하여 열화에 의한 발전량 예측 정확도를 향상시키고자 하였다. 온도계수 확보를 위한 실험 기준은 2개 범위의 광량(650, 1,000 W/m²)과 3개 범위의 온도(35, 55, 75℃)를 설정하였고, 실험에 의해 얻은 온도계수는 Table 6과 같다. 온도계수를 얻기 위한 기준 모듈은 LG社의 LG375N2W-A4를 사용하였고, 모듈의 특성은 Table 7과 같다.

Table 6.

Temperature coefficient by experiment

Tem. (℃)	Radi. (W/m²)	I_sc (A)	V_oc (V)	P_m (W)	FF
±1%		I_sc (A)	V_oc (V)	P_m (W)	FF
35	650	5.53	34.3	143.6	0.755
55		5.56	32.1	131.0	0.733
75		5.60	29.8	117.6	0.705
Tem. Coefficient		0.0019	-0.1206	-0.6971	-0.0013
35	1,000	8.34	34.4	207.6	0.724
55		8.42	32.1	189.0	0.699
75		8.47	29.8	169.3	0.670
Tem. Coefficient		0.0036	-0.1267	-1.0552	-0.0015

Table 7.

Specification of the test module

Division	Value	Division	Value
Pmax (W)	375	Voc (V)	48.3
Vmpp (V)	39.6	Isc (A)	10.04
Impp (A)	9.50	Voc temperature coefficient	-0.0028
-	-	Isc temperature coefficient	0.0003

2.2 태양광 모듈의 열화 예측 알고리즘 개발

(1) 환산출력 알고리즘

경사일사량과 모듈 온도, 모듈의 초기 정보(온도 및 보정계수)를 이용하여 측정 시점에서의 환산 출력을 다음의 식으로 계산하였고, 이때 이용된 온도 및 보정계수는 Table 8과 같다.

(4)

P_{\max} = I_{s c} ∙ V_{o c} ∙ F F

(5)

I_{s c} = \frac{E}{E_{0}} ∙ I_{s c, o} ∙ [1 + α (T_{m} - T_{o})]

(6)

V_{o c} = γ ∙ V_{o c, o} ∙ [1 + β (T_{m} - T_{o})] ∙ [1 + δ (T) ∙ \ln (\frac{E}{E_{o}})]

(7)

F F = ε ∙ F F_{o} ∙ [1 + F F_{T e m .} (T_{m} - T_{o})] ∙ [1 + F F_{I r r .} (E - E_{o})]

(8)

δ (T) = δ_{a} ∙ T_{m} + δ_{b}

식(4)는 보정된 전기적 특성을 반영한 환산 출력을 의미하며, 식(5), (6), (7)을 통하여 기준 일사량과 실제 일사량의 비율 및 온도 변화에 따라 보정된 단락 전류( $I_{s c}$ ), 개방 전압( $V_{o c}$ ), 충진율(FF)을 구할 수 있다. 실험을 통해 결정된 보정계수인 $δ_{a}$ 및 $δ_{b}$ 를 이용하여 온도계수를 적용하였다. 발전량 예측을 위해 필요한 수식으로 환경 조건 변화에 따라 발전량 변화를 반영할 수 있다.

Table 8.

Temperature and correction factors of the test module

Short circuit current temperature coefficient ( $α$ )	Open circuit voltage temperature coefficient ( $β$ )	Fill Factor temperature coefficient ( $γ$ )	Maximum current temperature coefficient ( $δ_{a}$ )	Maximum voltage temperature coefficient ( $δ_{b}$ )	Fill Factor correction coefficient ( $γ$ )	Irradiance correction coefficient ( $γ$ )
0.0003	-0.0028	0.99	0.000321	0.0415	-0.00137	-0.000039

환산 출력, 실 측정 출력과 가동 연수의 관계식을 기반으로 연간 열화율을 계산하고, 다시 연간 열화율을 적용하여 열화율 반영 출력을 계산하고 태양광 모듈 열화에 따른 발전량 예측 결과를 비교하고자 하였다.

(9)

연간열 화 율 (% / y e a r) = \frac{환 산 출 력 (W) - 측 정 출 력 (W)}{환 산 출 력 (W) \times 가동 연수 (y e a r)} \times 100

(10)

열 화 율 반영 출 력 (W) = 환 산 출 력 (W) \times [1 - 연간열 화 율 (% / y e a r) \times 가동 연수 (y e a r)]

(2) 열화율 반영 출력 모델 개발

열화율 반영 알고리즘을 개발하기 위하여 2.4 kW급 단결정 실리콘 태양광 모듈 10개가 직렬로 연결된 1개의 스트링을 이용하여 연 단위 유사한 시기의 3개 시점(T1 ~ T3)에 L-IV 출력을 측정하였고, 측정된 장치는 I-V curve tracer (모델명 : MP-11, 제조사 : EKO)가 이용되었다. 열화율 반영 출력 모델 개발을 위해 ① 환산 출력, ② 연간 열화율, ③ 열화율 반영 출력을 비교하였고, 사용된 데이터는 IV 출력, 모듈 온도, 경사일사량, 모듈의 초기정보를 이용하여 10회 측정과 열화율 반영 출력 오차율의 평균을 다음의 식으로 계산하였다.

(11)

오 차 율 (%) = \frac{|측 정 출 력 (W) - 열 화 율 반영 출 력 (W)|}{측 정 출 력 (W)} \times 100

3. 실험 결과 및 고찰

3.1 환산 출력 및 연간 열화율

초기 측정(T1)과 모듈의 초기정보 및 실험을 통해 얻을 수 있었던 온도 및 보정계수를 적용하여 1년 후 시점(T2)에서 2회 측정된 출력 및 계산된 환산 출력을 이용하여 구해진 연간 열화율은 Table 9와 같다.

Table 9.

Comparing baseline module and module output after 1 year to derive annualized degradation rate

Measurement point	Measurem ent power (W)	V_m (V)	I_m (A)	V_oc (V)	I_sc (A)	FF	Module Tem. (℃)	Slope irradiance (W/m²)	Conversion power (W)	Annual degradation rate (%)	Year of operation (Y)
T1 (2020. 9. 1W)	1,906	250.7	7.60	329.5	8.49	0.68	54.0	993.0
T2 (2021. 8. 4W)	1,422	260.6	5.46	334.5	5.97	0.71	47.2	711.3	1,439	1.18	0.97
T2 (2021. 8. 4W)	1,409	262.9	5.36	335.6	5.87	0.72	46.1	700.9	1,425	1.18	0.97

3.2 측정 횟수에 따른 측정ㆍ환산ㆍ열화율 반영 출력 및 오차율

초기 측정(T1)과 구해진 연간 열화율을 반영하여 2년 후 시점(T3)의 환산 출력 및 열화율 반영 출력 결과를 도출하였다. 이때 0.37 ~ 1.18%의 오차율이 존재하였고, 10회 반복 측정한 결과를 Table 10과 Fig. 2에 나타내었다.

Table 10.

Results of 10th measurement at T3 time point

Measurement point	Measurement power (W)	Vm (V)	Im (A)	Voc (V)	Isc (A)	FF	Module Tem. (℃)	Slope irradiance (W/m²)	Conversion power (W)	Year of operation (Y)	Power of degradation rate (W)	Error rate (%)
T3 (2022. 9. 1W)	1,870	251.0	7.45	331.5	8.35	0.68	55.3	974.5	1,884	2.02	1,849	1.13
	1,926	249.1	7.73	330.9	8.62	0.68	55.5	1,008.0	1,951	2.02	1,915	0.56
	1,893	251.6	7.52	332.9	8.33	0.68	54.6	981.2	1,915	2.02	1,879	0.72
	1,883	250.5	7.52	330.9	8.38	0.68	54.9	983.0	1,911	2.02	1,876	0.40
	1,881	250.8	7.50	333.7	8.32	0.68	54.3	975.4	1,894	2.02	1,859	1.18
	1,887	247.1	7.64	327.4	8.57	0.67	58.7	995.7	1,904	2.02	1,869	0.93
	1,887	246.3	7.66	327.7	8.57	0.67	57.6	995.7	1,909	2.02	1,873	0.72
	1,891	246.0	7.69	327.6	8.59	0.67	58.1	1,002.2	1,919	2.02	1,884	0.37
	1,890	244.6	7.73	327.7	8.58	0.67	58.9	997.0	1,906	2.02	1,871	1.00
	1,840	243.2	7.57	323.8	8.50	0.67	61.4	1,002.0	1,897	2.02	1,862	1.17

https://cdn.apub.kr/journalsite/sites/kses/2024-044-05/N0600440501/images/kses_2024_445_1_F2.jpg

Fig. 2.

Comparison of Measurement power, conversion power, power of degradation rate, error rate

4. 결 론

본 연구에서는 실험을 통해 태양광 모듈의 열화 조건 데이터베이스를 구축하였고, 이를 반영한 태양광 발전량 예측 모델을 제안하여 예측의 정확도가 향상되었다. 이때, 주요 열화 요인으로 작용하는 일사량에 따른 온도계수를 통해 열화율을 도출하였고, 영향이 적거나 미비한 파장과 염수는 고려되지 않았다. 미비하나, 보다 정확한 오차율을 도출하기 위해서는 이에 대한 역학에 대하여 연계적으로 연구할 필요도 있을 것으로 생각된다. 통상적으로 이용되는 태양광 모듈의 연간 출력 저하 정도를 보다 정확히 예측할 수 있는 알고리즘을 개발하였고, 이론적으로 계산이 가능한 환산 출력과 실험을 통해 얻은 열화 조건을 반영하여 평균 오차율 0.82%로 높은 정확도의 열화율 반영 발전량 예측을 할 수 있었다. 개발된 환산 출력 알고리즘은 고정 상숫값이 아닌 일사량에 따른 온도계수의 상관관계이며, 모듈의 물성이 반영되어 있지 않기 때문에 범용적으로 환산 출력과 상관 관계식을 통해 열화율 반영 출력값을 산출하는데 이용될 수 있다. 본 연구에서 수집한 열화 조건 외에도 태양광 모듈의 열화를 발생시키는 내외부적 요인은 무수히 많으므로 보다 다양한 환경 조건의 실험이 필요할 것이며, 본 연구 결과를 기반으로 딥러닝 등의 인공지능기술을 적용하면 보다 다양하고 정확도가 높은 발전량 예측이 가능할 것으로 사료된다.

Acknowledgements

본 결과물은 2024년도 교육부의 재원으로 한국연구재단의 지원을 받아 수행된 지자체-대학협력 기반 지역혁신 사업의 결과입니다(2021RIS-002).

본 연구는 산업통상자원부(MOTIE)와 한국에너지기술평가원(KETEP)의 지원을 받아 수행한 연구 과제입니다(RS-2024-00358809).

References

Korea Energy Agency, Statistical Analysis Division, Results of the Finalized Statistics on New and Renewable Energy Supply in 2022 (Announced in 2023), National Statistical Approval (Consultation) No. 337001, Ulsan, Republic of Korea, 2023.

Korea Energy Agency, New&Renewable Energy Center, Renewable Energy White Paper, 11-1410000-001321-11, Ulsan, Republic of Korea, 2022.

Nam, W., An Analytial Model for Degradation Rate of High Density Power PV Module using Latent Heat Analysis of Concurrent Temperature and Humidity Cycles with Light Soaking, Doctoral thesis, Konkuk University, 2021.

Kwon, K.-S., Review of the Special Act on the Promotion of Distributed Energy (Proposal), Korean Local Government Law Association, Vol. 77, No. 23-1, pp. 139-180, 2023.

Kim, W.-S. and Jo, H.-H., Impact of Photovoltaic Generation Expansion on Korea's Electricity Power System and the Solutions: Focusing on Power System Stability and Supply-and-demand Stability, The Korean Journal of Economic, Vol. 27, No. 1, pp. 23-65, 2020.

10.46228/KJE.27.1.2

Naveed Akhter, M., Mekhilef, S., Mokhlis, H., and Mohamed Shah, N., Review on Forecasting of Photovoltaic Power Generation Based on Machine Learning and Metaheuristic Techniques, IET Renewable Power Generation, Vol. 13, No. 7, pp. 1009-1023, 2019.

10.1049/iet-rpg.2018.5649

Lee, J.-I., Park, W.-K., Lee, I.-W., and Kim, S.-H., Comparison of Solar Power Prediction Model Based on Statistical and Artificial Intelligence Model and Analysis of Revenue for Forecasting Policy, Journal of IKEEE, Vol. 26, No. 3, pp. 355-363, 2022.

Song, J.-J., Jeong, Y.-S., and Lee, S.-H., Analysis of Prediction Model for Solar Power Generation, Journal of Digital Convergence, Vol. 12, No. 3, pp. 243-248, 2014.

10.14400/JDC.2014.12.3.243

Kim, K.-D., The Development of the Short-Term Predict Model for Solar Power Generation, Journal of the Korean Solar Energy Society, Vol. 33, No. 6, pp. 62-69, 2013.

10.7836/kses.2013.33.6.062

Huang, H., Xu, J, Peng, Z., Yoo, S., Yu, D., Huang, D., and Qin, H., Cloud Motion Estimation for Short Term Solar Irradiation Prediction, SmartGrid Communications IEEE International Conference, pp. 696-701, 21 October 2013, Vancouver, BC, Canada.

10.1109/SmartGridComm.2013.6688040

Na, H. and Kim, K., Study on Generation Volume of Floating Solar Power Using Historical Insolation Data, KSCE Journal of Civil and Environment Engineering Research, Vol. 43, No. 2, pp. 249-258, 2023.

Mohammad, A. and Mahjabeen F., Revolutionizing Solar Energy: The Impact of Artificial Inteligence on Photovoltaic Systems, International Journal of Multidisciplinary Scurnces and Arts, Vol. 2, No. 1, pp. 117-127, 2023.

10.47709/ijmdsa.v2i1.2599

Cabtillo-Luna, S., Moreno-Chuquen, R., Celeita D., and Anders G., Deep and Machine Learning Models to Forecast Photovoltaic Power Generation, Energies, Vol. 16, No. 10, pp. 4097-4121, 2023.

10.3390/en16104097

Korea Industrial Standards Council, Photovoltaic Devices-Procedures for Temperature and Irraduance Corrections to Measured I-V Characteristics, Eumseong, Republic of Korea, 2005.

Journal of the Korean Solar Energy Society ISSN:1598-6411(Print) 2508-3562(Online) 한국태양에너지학회 논문집

Preview

Development of a Power Generation Forecast Model that Reflects the Degradation Conditions of Solar Modules: For AI Technique Approach

ABSTRACT

MAIN

Fig. 1.

Test setup for power generation forecast

Table 1.

DB of degradation conditions by outdoor environmental stress and I-V characteristics according to environment factors

Table 2.

DB of module degradation rate by indoor environmental stress

Table 3.

Power generation variables of solar modules

(1)

Table 4.

Measurment of power variable due to environmental factors and degradation

(2)

(3)

Table 5.

Parameters for STC conversion

Table 6.

Temperature coefficient by experiment

Table 7.

Specification of the test module

(4)

(5)

(6)

(7)

(8)

Table 8.

Temperature and correction factors of the test module

(9)

(10)

(11)

Table 9.

Comparing baseline module and module output after 1 year to derive annualized degradation rate

Table 10.

Results of 10th measurement at T3 time point

Fig. 2.

Comparison of Measurement power, conversion power, power of degradation rate, error rate

Acknowledgements

References