신재생에너지 발전원 중에서 비중을 많이 차지하는 태양광발전은 태양광을 전기에너지로 전환하는 설비로 범용성이 높아 주목받고 있다. 그러나 기상에 큰 영향을 받으므로 이를 효율적으로 사용하기 위해서는 신뢰성 있는 예측이 필요하다. 따라서 태양광 발전량 예측연구가 중요해지고 있고 안정적인 전력계통 운영을 위해서는 기상변화에 따라 변동되는 발전량을 예측할 수 있는 시스템이 수반되어야 한다. 본 논문에서는 다양한 에너지원이 소비되는 인접 지역에 분산되어 있는 태양광발전소의 기상자료와 실측일사량 및 발전량 자료를 활용하여 인공지능(AI; Artificial Intelligence) 모델에 학습시키고, 기상 조건과 취득 자료에 따른 발전량 예측의 최적모델 및 학습 기간을 도출하였다. 연구 방법으로 태양광 발전량 예측 모델로 인공지능 기반 DNN(Deep Neural Network)과 RNN(Recurrent Neural Network) 모델로 구축하고 다양한 설치조건의 태양광발전소에 대해 실제 일기예보를 사용하여 다른 조건의 예측 모델을 통해 D+1일 시간대별 태양광 발전량에 대한 예측이 가능한지 실증하였다.
첫째, 국내 전력망 안정을 위해 도입된 재생에너지 예측제도의 시간대별 예측오차율(FER; Forecasting Error Rate)값을 기반으로 한 실험 결과를 분석하였으며, 발전량 예측 모델의 평균제곱근오차(RMSE; Root Mean Square Error)값이 크더라도 실제로 국내 전력시장에서 요구하는 FER가 낮을 수 있음을 확인할 수 있었다. 이는 발전소 이용률 10% 미만의 시간대를 제외하는 규정에 기인하여 일출, 일몰, 현저한 강우 시간대가 배제되어 차이가 발생한다.
둘째, 태양광 셀은 일반적인 P-type 반도체와 N-type 반도체를 접합한 pn접합 다이오드의 특성을 따르므로, 일사량과 온도에만 영향을 받지만, 각 발전소의 기온에 대한 상관계수는 상이하였다. 이는 기상관측소에서 계측한 기온이 태양광 모듈의 온도를 대표할 수 없으며, 각 발전소의 설치장소, 풍속 등의 추가 영향인자가 있음을 기상계측 데이터 분석으로 확인할 수 있었다. 일기예보에 기반한 평가 결과에서도 A발전소의 기온을 독립변수로 추가한 DNN 예측 모델의 예측오차가 커짐을 실험 결과로 확인하여 실증하였다.
셋째, 예측 모델별로 학습 기간을 다르게 설정하여 분석한 결과 각각의 발전소마다 오차가 작게 나타나는 예측 모델이 상이함도 확인하였다. RNN 예측 모델이 DNN 기반의 모델보다 큰 오차를 보였으며, Over fitting이 확인되어 이를 줄이기 위한 하이퍼파라미터의 정밀한 튜닝 및 각각의 발전소마다 공통되게 나타나는지는 추가실험이 필요하다.
넷째, 우리나라의 계절변화에 따라 적은 변동을 나타내는 특성을 이용한 지수이동평균 모델은 재생에너지 발전량 예측시장에 진입하기 위하여 신규로 설치한 발전 자원을 모집하는 경우 신규 발전소의 운영데이터가 6개월 이내로 적은 발전소에 대하여도 D+1에 대한 발전량 예측이 가능함을 확인할 수 있었다.
다섯째, 과거 자료 분석과 발전량 예측실험을 통해 각각의 태양광발전소마다 인접한 기상관측소의 계측데이터를 활용하더라도 설치 여건에 따라 오차가 작은 예측 모델은 상이할 수 있음을 확인했다. 또한 상관계수가 높게 나타난 변수도 실제 일기예보기반 예측실험에서는 반영결과가 악화되는 경우를 확인하여 사전 분석 결과가 아닌 실제 예측 모델을 장기간 평가하여 선정함이 타당함을 확인하였다.
마지막으로 계측데이터 외의 설치 여건에 대한 분류를 위한 변수를 추가할 필요성 여부를 확인하여 추가적인 실험을 통해 예측오차를 줄인 개선된 예측 모델을 찾기 위한 실험이 요구되고, 예측 모델별로 학습 조건을 다르게 적용하여 시간대별 예측 정확도가 재생에너지 발전량 예측제도에서 요구하는 예측정산금이 최대로 발생하는 예측 모델 개발과 우리나라 전체 지형 및 설치 형태에 적용할 수 있는 표준 모델 개발에 관한 연구가 요구됨을 확인하였다