2.1.1 시계열 분석

시계열 분석은 일정한 시간 간격으로 시간 변수의 흐름에 따라 과거의 데이터에서 유의미한 법칙성을 학습하고 그 법칙성에 따라 반복되는 것을 가정하여 종속변수를 예측하는 것이다. 시계열 분석은 자료의 자기종속 구조를 파악하고 알아낸 구조와 법칙성으로 학습하는 모형(Model)을 개발하여 미래의 값이나 상황을 예측하는 것을 목적으로 한다.

분석에 사용되는 시계열 자료의 특성으로는 추세 변동(Trend variation : T), 순환 변동(Cyclical variation : C), 계절 변동(Seasonal variation : S), 불규칙 변동(Irregular variation : I)이 있다. 실제로 관측되는 시계열 데이터는 위의 네 가지 요소가 합이나 곱의 형태로 결합한다고 가정하여 나타낸다.

2.1.2 케라스(Keras)

케라스(Keras)는 딥러닝 모델을 만들 수 있는 라이브러리이다. 케라스에서 가장 핵심적인 것은 모델이다. 딥러닝 모델을 생성할 때 우리는 다중 입력과 다중 출력 등의 복잡한 구성을 가진 모델을 필요로 하게 되는데 시퀀스 모델(Sequential model)로 순차적으로 레이어(Layer)를 쌓는 것 외에도 케라스 함수 API(Functional API)를 사용하여 복잡한 모델을 구성할 수 있다.

케라스로 딥러닝 모델을 만들려면 먼저 사용하고자 하는 원본 데이터를 불러오거나 시뮬레이션을 통해서 필요한 데이터를 생성한다. 이때 시뮬레이션에 사용할 데이터의 훈련셋, 검증셋, 시험셋을 생성한다. 그리고 사용하고자 하는 모델에 따라 시퀀스 모델과 케라스 함수 API 중에서 선택하여 필요한 레이어를 구성한다. 구성한 모델의 학습 과정을 설정하고 처음에 생성한 훈련셋을 이용하여 학습시킨다. 학습 과정을 반복하며 반복 횟수에 따라서 손실과 정확도 등을 보면서 학습 상황을 판단한다. 그다음 시험 셋으로 예측이 제대로 수행되었는지 모델을 평가한다.

2.1.3 LSTM(Long Short-Term Memory)

딥러닝 알고리즘의 방법의 하나인 RNN(Recurrent Neural Networks)은 직전의 데이터와 현재의 데이터를 취합하여 예측하는 구조이다. 시간상으로 순서를 갖는 입력값의 자기종속 구조를 분석할 수 있어 시간순서의 시계열 데이터를 처리하는 데 적합하게 설계되어 있다. 이전의 데이터를 기억하고 현재의 데이터와 상관관계를 분석하여 다음 데이터를 예측하는 문제에서 유용하지만 보다 이전의 데이터를 고려할수록 경사를 소실하는 장기 의존성 문제를 가진다. 직전이 아닌 먼 과거의 데이터를 고려하지 못하는 한계점 때문에 이를 구조적으로 개선한 것이 LSTM이다.

LSTM은 그림 1과 그림 2에 나타낸 것처럼 단일 뉴럴 네트워크이지만 내부에서 4개의 레이어가 상호작용하는 구조로 이루어져 있다. 그림 1은 기본 LSTM의 내부 구조를 보여주고 있다. 그림 2는 여러개의 층으로 이루어진 기본적인 LSTM의 구조이다. LSTM 네트워크의 내부 구조는 망각 게이트(Forget Gate), 입력 게이트(Input Gate), 출력 게이트(Output Gate)의 세 가지 게이트가 있으며 각 게이트에서 시그모이드 함수를 이용하여 정보를 선택적으로 처리하는 연산을 한다. 먼저 망각 게이트에서는 이전 데이터에서 어떤 값을 버리고 취할지를 결정한다. 이때 쓰이는 함수는 식(1)과 같다.

입력 게이트에서는 현재의 정보를 셀 스테이트(Cell State)에 얼마나 더할지 결정한다. $i_{t}$가 입력 게이트 역할을 해주며 $\widetilde C_{t}$의 값이 현재의 셀 스테이트 값이 된다.

망각 게이트와 입력 게이트를 통해서 얻은 결과값으로 현재의 셀 스테이트의 값을 새로 업데이트한다.

마지막으로 출력 게이트는 위의 과정으로 정해진 셀 스테이트의 값을 최종적으로 얼마나 출력할지 결정한다.

3.1.1 계절별 발전량

영암군에 설치된 태양광 발전소의 2017년도부터 2019년도까지의 일별, 시간별 발전량 자료를 수집하였다. 전남 영암군 F1 경기장에 설치된 태양광 발전기의 총 설비용량은 13.3㎿이며 그림 3은 2018년도 영암 태양광 발전기의 일간 발전량을 나타낸 것이다. 표 1은 그림 3의 데이터들을 계절별로 평균 내어서 발전량을 표시해 놓은 것으로 여름의 12~14시경 발전량이 가장 많고 겨울의 16~18시경의 발전량이 가장 적다.

3.1.2 일조 시간 및 일사량

일반적으로 기존에 쓰이는 태양광 발전량 예측 방법에서 쓰이는 식 두 가지가 있다. 첫 번째 식은 연간 총발전량과 월평균 일사량, 연간 총 일사량의 데이터를 이용하였으며 식(7)과 같다.

두 번째는 태양광 설비용량과 가동율, 월평균 일조 시간을 이용하며 식(8)과 같다.

식(7)과 식(8)은 태양광 발전의 연간 발전량과 월간 발전량을 예측하는 데 주로 사용되며 두 식에서 고려하는 기상 매개 변수는 각각 일사량과 일조 시간이다. 그림 4와 5는 영암 지역의 연간 태양광 발전기의 일조 시간과 일사량을 나타낸 것이다. 계절별 발전량을 분석하였을 때 태양광 발전기의 발전량은 태양의 빛 에너지를 이용하여 발전하는 태양광 발전의 특성상 여름에 가장 많고 겨울에 가장 적은 것을 확인할 수 있다. 해당 연도의 일조 시간, 일사량, 평균 기온, 구름 등 여러 기상 매개 변수를 비교해보았을 때 두 계절에 가장 큰 차이를 보이는 것은 일조 시간과 일사량이었다. 일조 시간과 일사량은 두 매개 변수의 변화 추이가 비슷하며 발전량의 변화 추이와도 밀접하게 관련 있다고 판단하여 일조 시간과 일사량을 유의미한 기상 매개 변수로 선정하였다.

3.2.1 일조 시간과 일사량을 고려한 예측

시뮬레이션은 태양광 발전에 영향을 미치는 유의미한 기상 매개 변수로 일조 시간과 일사량을 선정하였다. 일조 시간과 일사량만으로 태양광 발전기의 발전량을 예측하였다. 그림 6은 예측에 사용할 일조 시간과 태양광 데이터를 가져온 발전기의 실제 발전량 그래프이다.

먼저 입력 데이터 요소들의 단위와 크기가 다르므로 요소들을 정규화한다. 각 데이터는 min-max scaler를 사용하여 정규화를 하였다. 정규화에 사용한 Min-Max 식은 아래와 같다. 이때 식(9)는 각 요소의 최소값은 $x_{\min}$에 최대값은 $x_{\max}$에 대응시키는 함수이다.

일조 시간과 일사량을 입력으로 한 2가지 속성의 입력 모델이 학습한 결과는 그림 7에 나타내었다. 데이터 프레임에서 주황색 그래프는 2019년 6월 30일까지 각 날짜의 0시부터 24시까지의 일조 시간과 일사량의 데이터로 학습한 데이터이다. 훈련된 데이터로 예측을 수행한 결과는 초록색 그래프로 나타내고 있다. 그림 7의 파란색 그래프는 입력 데이터와 동일한 범위의 실제 시간별 태양광 발전량을 나타내는 그래프이다.

결과는 학습된 데이터로 예측을 수행한 그래프가 실제 발전량을 나타내는 파란색 그래프의 영역에서 조금씩 벗어나는 모습을 확인할 수 있다. 일조 시간과 일사량만으로 예측을 수행한 그래프가 실제 발전량에 못 미치거나 넘어가는 경우는 과거 데이터로 학습하여 예측한 것과 실제 기상 상황의 차이가 발생 된 것의 영향이라고 분석된다. 그림 8은 실측값과 예측값의 오차율을 보여주는 그래프이다. 이 경우에 epoch가 많을수록 손실이 작아짐을 알 수 있다.

3.2.2 일조 시간, 일사량 및 발전량을 고려한 예측

그림 9는 두 가지의 기상 매개 변수에 실제 발전량까지 입력 데이터로 넣어서 예측을 수행한 결과이다. 그림 9는 실제 발전량 데이터의 그래프를 벗어나는 값들이 그림 7에 비해서 적게 확인된다. 오차는 확연히 줄어들어 예측의 정확도가 높아졌다. 그러나 실제 발전량 데이터를 입력했음에도 예측을 수행한 그래프가 실제 발전량 그래프와 차이를 보인다는 것은 본 논문에서 고려한 기상 매개 변수들 외에 다른 매개 변수들도 작용한 결과라고 볼 수 있다. 그러나 그림 7의 결과와 그림 9는 매우 유사한 추이를 보이고 있으며 일조 시간과 일사

량이 실제 태양광 발전에 유의미한 기상 매개 변수임을 확인할 수 있었다. 또한, 그림 10은 실측값과 예측값의 오차율을 보여주는 그래프이다. 이 경우에 epoch가 많을수록 손실이 작아짐을 알 수 있다.