건물 일체형 태양광 발전의 단기 예측 정확도는 생산된 전기의 관리에 대한 최적 의사결정을 내리는 데 필수적이지만, 많은 국가에서 제공되는 기상예보 서비스는 태양광 발전 출력 예측 정확도를 향상시키기 위한 충분한 기능을 제공하지 못하고 있다. 본 연구는 단순한 기상예보 서비스에 더하여, 특징 공학을 포함한 머신러닝 모델을 통해 당일(하루 전) 시간별 전력 출력(day-ahead hourly power outputs)의 예측 성능을 개선하는 방안을 제시한다. 현장 대기 상태 및 태양복사(일사)를 추론하기 위해, 일반적인 기상예보 서비스에서 지원되지 않는 새로운 합성 특성인 modified sky condition(수정된 하늘 상태)을 도출하였다. 60일 동안 서로 다른 훈련 및 하이퍼파라미터 조건에서 예측 성능을 평가하였다. 도출된 modified sky condition을 사용한 경우, 대부분의 일별 하늘 상태에서 다른 예측기 구성보다 성능이 우수했으며, 특히 원래의 기상예보 서비스 데이터만 사용했을 때와 비교하여 흐린(전천) 날에서는 정확도가 50% 이상 향상되었다. 이러한 결과는 현장 기상 관측 장비 없이도 건물에서 건물 일체형 태양광 발전 출력의 보다 효율적인 에너지 관리를 가능하게 하는 모델의 타당성과 능력을 보여주며, 통합 전기 에너지 저장 시스템 및 기타 분산에너지 자원의 최적 분배(dispatch)에 기여할 수 있음을 시사한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.