기호 및 약어 설명
1. 서 론
2. 연구 방법 및 범위
3. PV 발전량 기계학습 모델 개발
3.1 단기 미래 태양광 발전량 예측 과정 및 구조
3.2 단기 미래 태양광 발전량 예측 API S/W 개발 및 Pre-Test를 통한 정밀도 검증
4. PV 발전량 기계학습 모델의 예측 정밀도 확보 가능 최소 학습 기간
4.1 최소 학습 기간 확인을 위한 실험 과정
5. 결 론
1. 서 론
지난 세기에 화석 연료는 원자력과 더불어 전기 에너지 생산에 가장 널리 사용된 자원이었고, 현재도 전기 에너지 생산에 여전히 화석 연료에 크게 의존하고 있는 실정이다. 그러나 공급이 제한적일 수밖에 없는 화석 연료를 지속적으로 사용하는 것은 지구 온난화에 직접적인 영향을 미치게 되며, 인간 활동도 마찬가지로 영향을 받게 된다. 세계 보건기구(WHO)에 따르면, 기후 변화는 21세기에 인류 건강을 위협하는 가장 큰 요소 중의 하나이다1).
이러한 지구 온난화 문제를 해결하기 위하여 2015년 파리 협약을 통해 195개의 국가들이 다음 세대에게 더 나은 세상을 제공하기 위해 재생 가능한 자원들을 통해 에너지를 생산하는 것의 필요성을 강조하였으며, 특히 유럽 연합은 일련의 뚜렷한 목표를 추구하고 있다.
재생 가능한 에너지원 중에서도 풍력에너지와 함께 태양에너지의 개발이 가장 수용하기 쉽고 유망하다. 특히, 태양에너지의 경우 태양으로부터 받는 에너지의 양이 세계의 에너지 소비 요구량을 초과하기 때문에 태양에너지는 가장 풍부한 자원으로 최근 많은 관심을 받았으며 태양에너지 기술 분야에 주목할 만한 진전이 있었다2).
PV 시스템의 활용은 태양에너지를 전기에너지로 변환하는 가장 즉각적이고 기술적으로 매력적인 방법으로 배터리에 잉여 생성 에너지를 저장할 수 있고 환경 친화적이며 구조가 복잡하지 않고 응용이 용이하다는 수많은 장점으로 인해 대부분 선호된다. 또한 PV 시스템 산업은 더 적은 노동력과 기계를 필요로 하며 탄소 배출량이 더 적다3,4).
그러나 PV 시스템의 전기에너지 생산량은 위치, 시간, 적용된 PV 기술, 패널의 피복 면적 및 설치 방향의 함수이기 때문에 항상 변하게 되며 태양 일사, 대기 온도, 운량, 모듈 온도, 풍압 및 방향, 습도와 같은 예측 불가능하고 통제 불가능한 환경 매개 변수에 의존한다. 이러한 전기에너지 생산량 손실과 기상 조건 의존성에 대한 해결책은 기상 조건의 변동성으로 인해 발생하는 불확실성을 줄이는데 기여할 수 있는 PV 시스템 발전량 예측 계획을 수립하는 것이다. 이는 태양에너지 거래를 보다 안정적인 시스템으로 이끌고 또한 시스템의 더 나은 설계를 가능하게 한다. 따라서 PV 시스템의 발전량을 정확하게 예측하는 능력은 태양광 발전량이 전력 생산량의 상당한 부분을 차지하는 시스템에서 매우 중요하다5,6,7).
이러한 배경에서 더 높은 정확도와 최소 복잡성 및 계산 비용을 달성하는 것을 주요 목적으로 적절한 PV 시스템 발전량 예측 모델 개발을 위해 많은 연구가 수행되었다8,9). 다양한 예측 방법 중에서 기계학습(machine learning) 기법이 주목을 받아 오늘날 점차 대중화되고 있다. 기계학습은 패턴 인식, 분류 문제, 스팸 필터링, 데이터 마이닝은 물론 예측 문제 등 다양한 영역에서 활용될 수 있다. 이 방법의 장점은 모델이 입력과 출력 사이의 연결을 찾을 수 있고 명시적 알고리즘으로 표현하기 불가능한 문제를 파악할 수 있다는 것이다10,11).
본 연구에서는 PV 시스템의 발전량을 예측하는 모델로서 Hochreiter and Schmidhuber12)가 장기 의존성 문제를 해결하기 위해 개발한 LSTM 모델을 활용하였다. LSTM 모델은 RNN에서 초반 입력 데이터의 영향이 장기간 이후의 결과 데이터에 미치지 않는 문제를 해결하기 위해 Cell state의 층을 이용하여 이전 학습 가중치의 기억 또는 제거 여부를 판단하는 순환(Directed cycle) 구조의 모델을 말한다. LSTM 모델은 현재 다양한 분야에서 활용되고 있으며, 건물의 전력 사용량 예측 분야에도 활발하게 사용되고 있다13,14).
이처럼 기계학습을 통한 PV의 발전량 예측은 물리 모델에 비하여 높은 예측도를 확보할 수 있는 반면에 일정 시간 이상의 학습이 수행되어야 해당 PV의 발전량에 대한 신뢰도 높은 예측이 가능하여 확인이 필요하다. 기계학습모델의 생성을 위한 해당 PV의 실제 발전량 모니터링에 상당한 시간과 비용이 투입될 수밖에 없는 것을 고려할 때 적정 학습 시간을 도출하여 최적화를 달성하는 것이 반드시 검토되어야 한다.
본 연구에서는 LSTM 모델을 활용하여 PV 발전량 기계학습모델을 개발하고 그 정확성을 확인하며 최종적으로 예측 모델의 적정성 확보를 위한 적정 학습 기간을 도출하고자 한다.
2. 연구 방법 및 범위
앞에서 언급한 것처럼 본 연구의 목적은 LSTM 모델을 활용하여 태양광 발전량 예측 모델의 정확성 확보를 위한 적정 학습 기간을 도출하는데 있다. 이를 위해 우선 PV 발전량 기계학습모델을 개발하였으며 태양광 발전량 예측 과정 및 구조를 확립하였다. 그리고 개발된 모델의 Pre-Test 및 정밀도 검증 작업을 수행하여 충분한 정확도를 가지고 있음을 확인하였다.
다음으로, 예측 모델의 적정성 확보를 위한 적정 학습 기간을 도출하기 위하여 20개의 실험 case를 설정하고 학습 일수를 1일에서 120일까지 증가시켜가면서 학습 기간에 따른 예측도를 확인하였다. 이때, 사용된 실측 데이터는 공동연구기관에서 제공한 서산 지역의 2022년 12월 ~ 2023년 4월까지 실측 데이터이다.
마지막으로 학습기간 증가에 따라 예측도가 상승되는 형태를 분석하여 일정 기간이 되면 예측도가 안정화 범위에 도달하게 되는 적정 학습 기간을 도출하였다.
3. PV 발전량 기계학습 모델 개발
Fig. 1은 태양광 발전량 예측을 위한 기계학습 모델 개념을 나타낸다. 기상데이터에 대한 실측과 예측 데이터를 입력받는 과정을 거쳐 실측 데이터(현 시점의 기상데이터와 PV 시스템의 생산 데이터)는 학습 과정으로 입력하여 기계학습 모델을 통해 지속적으로 학습하도록 하며, 기상청 API로부터 입력 받은 단기 기상 예보 데이터는 예측 과정으로 입력하여 앞선 과정을 통하여 지속적으로 학습되어 예측 정확도를 향상시킨 기계학습 모델을 활용하여 단기 미래의 PV 시스템의 에너지 생산량을 예측하도록 하는 과정으로 구성하였다.
기계학습 모델 확보를 위한 학습 과정을 정리하면 다음과 같다.
1) 대상 PV에 대한 태양광 발전량 모니터링
2) 동일 시점에서의 기상데이터 모니터링
3) 모니터링 된 대상 PV의 발전량 및 기상 정보를 기계학습 모델에 입력하여 발전 특성 학습
4) 학습과 동시에 기상청 예보 정보를 활용한 예측 실시
5) 예측 결과와 실측 결과를 비교하여 오차 점검 지표 확인을 통한 예측 정밀도 도달 여부 판단 : 정밀도 도달이 확인되면 학습 중단
6) 발전량에 대한 예측도 확인을 위해 예측 오차에 대한 검토 지표를 확인하며, 이때 사용되는 지표는 R2 활용
3.1 단기 미래 태양광 발전량 예측 과정 및 구조
단기 미래 태양광 발전량 예측 과정은 다음과 같으며, Fig. 2에서 단기 미래 태양광 발전량 예측 Data-driven 모델 및 LSTM 구조를 나타내었다. 태양광 발전량은 시간별 평균값으로 예측되며, 실시간 Workflow는 아래 흐름과 같다.
1) 실시간 기상청에서 제공하는 현재 기상데이터와 단기 미래 예보 데이터를 API를 통해 호출
2) 시간정보와 기상정보를 활용해서 수평면 전일사량 예측
3) 예측된 전일사량과 시간, 기상 정보를 활용해서 태양광 발전량 예측
4) 예측된 데이터를 실시간으로 분석하고 실제 데이터와 비교
Data-driven 모델은 Python에서 제공하는 Scikit-learn과 Keras 모듈을 활용해서 Stacked LSTM 구조로 개발하였다. 또한 Numpy, pandas, matplotlib 모듈 시계열 데이터의 데이터 프레임과 시각화를 위해 사용하였으며, 개발된 Stacked LSTM 모델의 Hyperparameter 설정 값은 사례연구15)에서 적용한 수치를 반영하였다. 사용된 Hyperparameter 값은 (1) Learning rate: 0.001, (2) Batch size: 10, (3) Sequence length: 3, (4) Training rate: 0.8, (5) epochs: 100, (6) Dropout: 0.5로 설정하였다. Hyperparameter 설정 값은 학습 기간에 따라 변동될 수 있으나, 태양광 발전량 예측은 일사량 및 외기 환경 데이터의 패턴에 지배적으로 영향을 받는 특성이 있어 학습 기간 변화에 따른 성능 변동 폭이 상대적으로 크지 않은 것으로 사례 연구에서 확인하였다. 따라서 본 연구에서는 선행연구15)에서 검증된 동일한 설정값을 적용하였다.
3.2 단기 미래 태양광 발전량 예측 API S/W 개발 및 Pre-Test를 통한 정밀도 검증
작성된 단기 미래 태양광 발전량 예측 모델을 활용하여 웹 환경에서 구동 가능한 API 형식의 S/W를 개발하여 이를 활용한 Pre-Test를 통하여 예측 정밀도 검증을 실시하였다. Pre-Test를 위해 실제 기상청에서 제공하는 기상데이터 API를 활용하였으며, 이를 위해 Published API 소스 코드를 활용하면서 본 연구를 위해 소스 코드를 일부 재구성하였다. 개발된 기상데이터 API와 Data-driven 모델을 활용하여 단기 미래 일사량을 예측하고, 예측된 일사량을 활용하여 태양광 발전량을 예측하였다.
단기 미래 예측의 정확도를 확보하기 위해 단기 미래 예측 단계에서 예측된 정보를 이후 예측의 입력 변수로 활용하는 구조로 기계학습 모델이 구성되어 있으며, LSTM 모델을 활용한 기계학습 모델의 예측 정확도를 분석한 결과는 Fig. 3과 같다.
기계학습 모델을 활용하여 예측한 단기 미래 발전량 데이터와 해당 예측된 시간에 실측된 발전량 데이터를 비교한 결과를 살펴보면 높은 예측도(R2 = 0.9499)를 나타내는 것으로 확인되어 충분한 정확도를 가질 수 있다고 판단된다.
4. PV 발전량 기계학습 모델의 예측 정밀도 확보 가능 최소 학습 기간
기계학습을 통해 충분한 예측도를 확보하기 위해서는 일정량의 데이터가 확보되어야 하며, 이러한 데이터는 실측 과정을 통해 취득되는데, 실측은 시간과 비용이 소요되는 작업으로 이를 최소화하면서 충분한 효과를 얻을 수 있는 적정 기간을 파악하는 것은 매우 중요하다고 할 수 있다.
이에 본 연구에서는 작성된 태양광 발전 예측 기계학습 모델을 활용하여 학습 기간을 통제하면서 예측도를 검토하여 일정 수준 이상의 예측도를 확보할 수 있는 학습 기간을 확인하였다.
4.1 최소 학습 기간 확인을 위한 실험 과정
이미 확보하고 있는 발전량 데이터와 해당 기간의 동일 시점 기상 정보를 활용하여 학습기간을 증가시키면서 이후 예측도에 대한 검토를 통해 일정 수준 이상의 예측도를 확보할 수 있는 최소 학습 기간을 분석하였다.
Fig. 4는 본 연구에서 활용한 실측 데이터로, 공동연구기관에서 제공한 서산 지역의 2022년 12월 ~ 2023년 4월까지 수평면 전일사량(GHI)과 수평면 설치 PV 발전량을 포함한다. 분석에는 정격출력 410 W (2,060 mm × 1.193 mm) PV 모듈 1매의 발전량 데이터를 사용하였다. 다음 그래프에서 사용되는 용어는 다음과 같이 OA_Tmp (Outdoor air temperature): 외부 공기온도, RH (Relative humidity): 상대습도, CC (cloud cover): 운량, Velo: 풍속, GHI (global horizontal irradiance): 수평면 전일사량, y: LSTM 모델을 활용한 예측 GHI 이다.
PV 발전량 기계학습 모델의 예측 정밀도 확보가 가능한 최소 학습 기간을 산출하기 위하여 Fig. 5와 같이 20개의 실험 case를 설정하고 학습 일수를 1일에서 120일까지 증가시키면서 학습 기간에 따른 예측도를 확인하였다. Table 1과 Table 2에 각 case별로 예측치와 실측치를 비교하여 나타내었으며, Table 3과 Table 4에는 예측 정확도(R2)를 나타내었다.
Table 1
Comparison of prediction patterns according to study period-1
|
Study period | Prediction |
Study period | Prediction |
| 1 day |  | 8 day |  |
| 2 day |  | 9 day |  |
| 3 day |  | 10 day |  |
| 4 day |  | 11 day |  |
| 5 day |  | 12 day |  |
| 6 day |  | 13 day |  |
| 7 day |  | 14 day |  |
Table 2
Comparison of prediction patterns according to study period-2
|
Study period | Prediction |
Study period | Prediction |
| 15 day |  | 18 day |  |
| 16 day |  | 19 day |  |
| 17 day |  | 20 day |  |
Table 3
Comparison of plots for prediction versus actual data-1
|
Study period | Prediction |
Study period | Prediction |
| 1 day |  | 5 day |  |
| 2 day |  | 6 day |  |
| 3 day |  | 7 day |  |
| 4 day |  | 8 day |  |
Table 4
Comparison of plots for prediction versus actual data-2
|
Study period | Prediction |
Study period | Prediction |
| 9 day |  | 15 day |  |
| 10 day |  | 16 day |  |
| 11 day |  | 17 day |  |
| 12 day |  | 18 day |  |
| 13 day |  | 19 day |  |
| 14 day |  | 20 day |  |
최적 학습 기간을 도출하기 위해 학습 기간을 단계적으로 증가시키면서 예측 정확도 변화 추이를 분석하였다. 학습 기간이 길어질수록 예측 성능은 전반적으로 향상되었으나, 일정 기간 이후에는 성능 향상이 둔화되며 R2가 안정화 구간에 진입하여 큰 변동 없이 유지되는 경향을 보였다. 다만, 일사량이 낮은 기간이 학습 데이터에 포함되는 경우 R2 값이 일시적으로 불규칙하게 감소하는 현상을 보였다. 예를 들어, Table 3의 6-day에서 8-day 구간에서 이러한 성능 저하가 나타났으며, 이후 학습 기간이 추가로 증가할수록 예측 정확도는 다시 안정화되는 경향을 보였다.
Fig. 6에 그 결과를 나타내었으며 본 연구에서 활용한 실측 대상 PV 시스템의 실제 발전 특성은 약 30일(최소 학습 기간)의 학습 기간을 초과하면 예측 안정화 범위에 들어가게 되어 충분한 예측 정확성을 확보할 수 있음을 확인할 수 있다.
5. 결 론
본 연구에서는 LSTM 모델을 활용하여 태양광 발전량 예측 모델 정확성을 확보할 수 있는 적정 학습 기간을 도출하였다.
우선, 기상데이터에 대한 실측과 단기 미래 예보 데이터를 입력받는 과정을 거쳐 실측 데이터는 학습 과정으로 입력하여 기계학습 모델을 통해 지속적으로 학습하도록 하며, 입력받은 단기 미래 예보 데이터는 예측 과정으로 입력하여 앞선 과정을 통하여 지속적으로 학습되어 예측 정확도를 향상시킨 기계학습 모델을 활용하여 단기 미래의 PV 시스템의 에너지 생산량을 예측하도록 하는 과정으로 구성하였다.
단기 미래 예측의 정확도를 확보하기 위해 기계학습 모델을 활용하여 단기 미래를 예측한 발전량 데이터와 해당 예측된 시간에 실측된 발전량 데이터를 비교한 결과를 살펴보면 높은 예측도(R2 = 0.9499)를 나타내어 충분한 정확도를 확보하였다.
최종적으로, 이미 확보하고 있는 발전량 데이터와 해당 기간의 동일 시점 기상 정보를 활용하여 학습기간을 증가시키면서 이후 예측도에 대한 검토를 통해 일정 수준 이상의 예측도를 확보할 수 있는 최소 학습 기간을 검토하였다. 이를 위하여 20개의 실험 case를 설정하고 학습 일수를 1일에서 120일까지 증가시키면서 학습 기간에 따른 예측도를 확인하였으며, 그 결과 약 30일(최소 학습 기간)을 초과하면 예측치가 안정화 범위에 들어가게 되어 충분한 예측 정확성을 확보할 수 있음을 확인할 수 있었다. 단, 본 연구의 결과는 특정 지역에 설치된 특정 PV 시스템의 태양광 발전량을 기초로 검토한 것으로 보다 많은 지역 또는 PV 시스템의 발전량을 근거로 분석하여야 일반적인 적정 학습 기간을 산출할 수 있을 것으로 판단된다.
본 연구는 실측에 소요되는 비용과 시간을 최소화 하면서도 충분한 효과를 얻을 수 있는 적정 학습 기간을 산출하기 위한 방법과 그 결과를 제시하기 위한 연구로서, 향후 더 많은 실증 데이터를 확보하고 더 다양한 case에 대하여 연구를 수행하여 LSTM 모델을 활용한 단기 미래 예측의 정밀도를 확보할 수 있는 일반적인 학습 기간을 설정하고자 한다.
