Convolutional Recurrent Neural Network Encoder-Decoder를 활용한 태양광 발전량 시퀀스 예측

Abstract

최근 재생 가능한 에너지 사업 시장의 규모가 점차 확대되고 있다. 특히 에너지 사용량이 많은 기업, 공공 기관 등에서는 에너지 관련 비용 감소를 위해 태양광 발전 등과 같은 재생 가능한 에너지를 이용한다. 건물 에너지 관리 시스템의 효율적 운영을 위해서는 주요 에너지 공급원인 태양광 발전량을 미리 예측하는 것이 중요하며 본 연구에서 이를 진행하였다. 데이터에 기반하여 정확한 예측을 할 수 있는 머신러닝, 딥러닝을 활용한 기존 연구가 다수 존재한다. 하지만 이러한 연구들은 대부분 특정 시점의 태양광 발전량 예측 task를 수행하였다. 현실적으로 에너지 관리 시스템의 효율적인 운영을 위해서는 특정 구간 동안의 태양광 발전량 패턴을 파악해야하며 기존 연구에서 제안한 모델의 경우 이를 위해서는 각 예측 시점마다 알고리즘을 따로 만들어야하는 번거로움이 있다. 따라서 본 연구에서는 기계 번역에서 주로 쓰이는 딥러닝 알고리즘인 encoder-decoder 알고리즘을 활용하여 태양광 발전량의 시간대별 패턴을 예측하고 이 성능을 개선하는 연구를 진행하였다. 예측 성능 향상을 위해 encoder는 예측에 필요한 feature를 학습과정에서 추출하는 convolution layer와 pooling layer를 recurrent neural network(RNN)에 연결하여 학습하였다. Decoder에는 각 스텝마다 패턴 생성을 용이하게 하기 위해서 encoder의 어느 부분을 집중해서 볼 것인지를 학습하는 attention mechanism을 적용하였다. Encoder-decoder 모델 간 성능 비교를 통해 위와 같은 구조의 효과를 확인하였고 본 연구에서 제안한 알고리즘의 성능이 가장 좋은 결과를 내었다. 데이터는 2015년 11월부터 2017년 6월까지 실제로 수집된 태양광 발전량 관련 데이터와 기상 예보 데이터를 사용하였다.