초단기 예측을 위한 최적화된 오프라인 랜덤 포레스트 기반 모델의 PV 특성

기상 데이터의 변동은 태양광(PV) 성능에 랜덤한 변화를 야기하여 전기 그리드의 안정성과 신뢰성에 부정적인 영향을 미칠 수 있습니다. 본 논문에서는 15분 단위로 기상 데이터의 동적 특성을 바탕으로 PV I-V 특성 곡선에 대한 새로운 초단기 오프라인 하이브리드 예측 모델을 제안합니다. 제안된 하이브리드 예측 모델은 랜덤 포레스트(RFs) 예측 기법과 개미사자 최적화기(ALO)를 결합한 것입니다. ALO는 RFs 모델의 하이퍼 파라미터를 최적화하는 데 사용되며, 이는 정확성과 계산 시간을 기준으로 성능을 향상시키는 것을 목표로 합니다. 제안된 하이브리드 예측 모델의 성능은 기존 RFs, RFs-iteration, 일반화 회귀 신경망(GRNN), GRNN-iteration, GRNN-ALO, 캐스케이드 포워드 신경망(CFNN), CFNN-iteration, CFNN-ALO, 피드 포워드 신경망(FFNN), FFNN-iteration, FFNN-ALO 모델과 비교됩니다. 결과는 제안된 모델의 I-V 특성 곡선 예측 정확도가 각각 0.0091 A, 0.0028 A, 0.1392%로, 정확도가 99.86%임을 보여줍니다. 또한 최적화, 훈련 및 테스트 시간은 각각 162.15, 10.1919, 0.1237초입니다. 따라서 제안된 모델은 앞서 언급한 모델들과 기존 문헌의 다른 모델들보다 더 나은 성능을 보입니다. 이에 따라 제안된 하이브리드(RFs-ALO) 오프라인 모델은 PV 성능 예측의 정확성을 크게 향상시킬 수 있으며, 특히 그리드 연결 PV 시스템 응용에 적합합니다.