강건한 일사량 예측을 위한 생성 모델 기반의 데이터 증강 비교 연구A Comparative Study on Data Augmentation Using Generative Models for Robust Solar Irradiance Prediction
- Other Titles
- A Comparative Study on Data Augmentation Using Generative Models for Robust Solar Irradiance Prediction
- Authors
- 오진영; 이지민; 김대성진; 김보영; 문지훈
- Issue Date
- Nov-2023
- Publisher
- 한국컴퓨터정보학회
- Keywords
- Solar Energy Forecasting; Generative Data Augmentation; Deep Learning Models; Environmental Sustainability; Data Insufficiency Solutions; 태양 에너지 예측; 생성 데이터 증강; 딥러닝 모델; 환경 지속 가능성; 데이터 부족 솔루션
- Citation
- 한국컴퓨터정보학회논문지, v.28, no.11, pp 29 - 42
- Pages
- 14
- Journal Title
- 한국컴퓨터정보학회논문지
- Volume
- 28
- Number
- 11
- Start Page
- 29
- End Page
- 42
- URI
- https://scholarworks.bwise.kr/sch/handle/2021.sw.sch/25859
- ISSN
- 1598-849X
2383-9945
- Abstract
- 본 논문은 서울, 부산, 인천과 같은 대한민국의 주요 도시들을 대상으로 일사량 예측 정확도를향상하기 위한 방법론을 제안한다. 제안한 방법론은 먼저 GAN, CTGAN, Copula GAN, WGANGP, TVAE 등 다섯 가지 생성 모델을 이용하여 기존 학습 데이터와 유사한 독립 변수들을 생성한다.
다음으로 모델 학습에서의 데이터 편향성을 개선하고자, 생성한 독립 변수들에서 각각 랜덤 포레스트와 심층 신경망을 통해 종속 변숫값을 도출하여 학습 데이터 셋을 구축하고, 이를 기존 학습데이터 셋과 결합하여 예측 모델을 구성한다. 실험 결과, 증강된 데이터 셋으로 학습한 모델들은기존 데이터 셋으로 학습한 모델들보다 향상된 성능을 나타내었다. 특히 CTGAN은 복잡한 다변량데이터 관계를 효과적으로 다루는 메커니즘으로 인해 우수한 결과를 도출하였으며, 생성된 데이터는 일사량의 다양한 변화와 실제 변동성과 효과적으로 반영하였다. 제안한 방법론은 고품질의생성 데이터로 학습 데이터를 증강함으로써, 데이터 부족 현상 문제를 다룰 수 있을 뿐만 아니라지속 가능한 발전을 위한 태양광 발전 시스템 운영에도 이바지할 수 있을 것으로 기대한다.
- Files in This Item
- There are no files associated with this item.
- Appears in
Collections - SCH Media Labs > Department of Big Data Engineering > 1. Journal Articles
![qrcode](https://api.qrserver.com/v1/create-qr-code/?size=55x55&data=https://scholarworks.bwise.kr/sch/handle/2021.sw.sch/25859)
Items in ScholarWorks are protected by copyright, with all rights reserved, unless otherwise indicated.