LSTM-RNN 기반 태양광 발전량 추정을 통한 고속도로 주변부 태양광발전 시설의 적지 선별 기술

Abstract

최근 급증하는 태양에너지 수요를 수용하기 위해 발전 효율과 경제성이 높은 부지를 확보하기 위한 태양광 발전시설의 부지 선별 연구가 수행되었다. 하지만 국내의 경우 유휴부지인 고속도로 주변부를 대상으로 음영효과(shadow effect)와 같은 지형효과를 고려한 발전소 입지분석을 한 사례가 거의 없으며, 기존 발전량 데이터가 부족함에 따라 데이터 수집이 용이한 일사량을 사용하여 간접적으로 입지분석을 진행하고 있는 실정이다. 따라서 본 연구는 지형 효과를 충분히 고려하여 제작된 태양복사에너지 지도와 일조시간, 강수량 등 6개의 기상데이터를 사용하여 long short-term memory(LSTM)기반 태양광 발전량 추정모델을 제시하고, 추정된 값을 고속도로 주변부로 제한하여 적지탐색을 실시하였다. 그 결과, 시계열 데이터 기반의 발전량 추정모델의 성능은 RMSE 13.942(h), nRMSE 8.683(%), MAPE 10.873(%), 그리고 R² 0.726으로 나타났다. 또한 고속도로 주변부 적지탐색의 결과로 잠재적으로 발전량이 높을 것으로 예상되는 상위 10곳의 지역을 제시하였다. 이러한 결과는 기설치된 발전소의 시계열 데이터를 활용하여 새로운 지역의 태양광 발전량 추정이 가능하다는 것을 보였으며, 이를 바탕으로 고속도로 주변부 고에너지 잠재지역을 선별할 수 있음을 보여준다.

The selection of suitable PV sites is critical for high electricity generation. However, available solar energy rather than power generation has often been estimated to evaluate potential PV sites due to a lack of available power data. Thus, this study proposes the use of PV power data collected from existing plants for training and in turn for predicting the power outputs in other sites, which were not used for training. Particularly, this study investigates slopes of national highway network by using GIS; in this way, available land for PV systems can further be secured. The data include the power outputs from 172 existing plants as well as weather conditions, collected monthly. The temporal patterns in the time series data are learned using the long short-term memory(LSTM) recurrent neural network(RNN) model and then applied to highway slopes extracted from GIS layers. As a result, the proposed model shows a MAPE of 10.873(%) and R² of 0.726. Then, the top ten sites on slopes are identified and evaluated as an example. In this regard, this study may explore a computational approach that can predict the amount of potential power generation using existing data and search for suitable locations of PV facilities using GIS data.