스마트 그리드 시스템을 위한 다중 목표 심층 학습 모델을 이용한 태양광 발전 및 전력 수요 예측

전 세계의 태양광(PV) 패널 설치가 증가하고 기후 조건의 간헐적인 특성이 스마트 그리드 통합을 위한 전력 예측의 중요성을 강조합니다. 이 연구는 PV 전력 및 전기 수요 예측에 사용되는 기존의 심층 학습(DL) 방법을 연구하고 구현하는 것을 목표로 합니다. 이후 우리는 Feed-Forward Neural Network (FFNN), Long Short Term Memory (LSTM) 및 Multi-Objective Particle Swarm Optimization (MOPSO)로 구성된 새로운 하이브리드 모델을 개발했습니다. 이 연구에서 전기 수요 예측은 장기적이며 스마트 미터 데이터, 사회경제적 및 인구통계학적 데이터를 고려합니다. PV 전력 생성 예측은 태양 복사, 온도 및 습도와 같은 기후 데이터를 고려하여 장기적입니다. 또한, 우리는 두 개의 데이터 세트에 이러한 심층 학습 방법을 구현했습니다. 첫 번째 데이터 세트는 Douala의 소비자에게 설치된 스마트 미터에서 수집된 전기 소비 데이터로 구성됩니다. 두 번째 데이터 세트는 Douala의 기후 관리 센터에서 수집된 기후 데이터로 구성됩니다. 모델의 성능은 제곱근 평균 제곱 오차(RMSE), 평균 절대 오차(MAE) 및 회귀(R)와 같은 다양한 오차 지표를 사용하여 평가됩니다. 제안된 하이브리드 모델은 각각 1.15, 0.75 및 0.999의 RMSE, MAE 및 R을 제공합니다. 얻어진 결과는 새로운 심층 학습 모델이 전기 수요 예측 및 PV 전력 예측 모두에서 효과적이며 FFNN, 순환 신경망(RNN), 결정 트리(DT), 게이티드 순환 유닛(GRU) 및 극한 경량 부스팅(XGBoost)과 같은 다른 모델보다 뛰어난 성과를 냈음을 보여줍니다.