변분 오토인코더 기반의 딥러닝 접근법을 이용한 태양광 발전의 단기 예측

태양광(PV) 시스템의 전력 출력의 정확한 모델링 및 예측은 스마트 그리드에서의 통합 관리, 전달 및 저장을 효율적으로 수행하는 데 중요하다. 이 논문은 변분 오토인코더(VAE) 모델을 사용하여 태양광 생산의 효율적인 단기 예측을 제공하고자 한다. VAE 기반의 딥러닝 모델을 채택함으로써 시계열 모델링에서의 적절한 성능과 유연한 비선형 근사를 통해 예측 정확도를 향상시킬 것으로 기대된다. 이 연구에서는 단일 및 다중 단계의 예측 모두를 조사한다. 미국의 243 kW 주차장 캐노피 배열과 알제리의 9 MW PV 시스템을 포함한 두 개의 그리드 연결 플랜트의 데이터를 사용하여 조사한 딥러닝 모델의 성능을 보여준다. 특히, 제안된 VAE 기반 예측 방법의 예측 출력은 순환 신경망, 장기 단기 메모리(LSTM), 양방향 LSTM, 합성곱 LSTM 네트워크, 게이트 순환 유닛, 적층 오토인코더, 제한 볼츠만 머신이라는 7개의 딥러닝 방법 및 로지스틱 회귀와 지지 벡터 회귀라는 두 개의 일반적인 기계 학습 방법과 비교되었다. 이 조사의 결과는 태양광 예측을 위한 딥러닝 기술의 만족스러운 성능을 보여주고, VAE가 다른 방법들보다 consistently 더 좋은 성능을 보였음을 지적한다. 또한, 결과는 고려된 두 개의 기초 기계 학습 모델에 비해 딥러닝 모델의 우수한 성능을 확인하였다.