300x250 머신러닝9 [논문정리] 최적화 하이퍼 파라미터의 XGBoost 학습자 기반 배깅 모델을 활용한 태양광 출력 예측 Optimized-XGBoost Learner Based Bagging Model for Photovoltaic Power Forecasting 최적화 하이퍼 파라미터의 XGBoost 학습자 기반 배깅 모델을 활용한 태양광 출력 예측 대한전기학회 2020년 6월 최성현*⋅허진 As the world is aware of the problem of greenhouse gas emissions, the trend of generating energy source has been changing from conventioanl fossil fuels to sustainable energy such as soalr and wind. In order to reduce greenhouse gas emissions,.. 2022. 2. 8. [논문정리] 전력계통 유연성 증가를 위한 앙상블 기법의 태양광 발전 출력 예측 모델링에 관한 연구 - 4 4. 태양광 발전 출력 예측 값을 활용한 전력계통 영향 분석 본 장에서는 출력 예측으로 얻은 값을 통해 전력계통의 송전선로 제약 영향을 검토하였다. 검토에 사용된 계통은 IEEE 39 bus system이며, IEEE 39 bus system은 전력 계통의 다양한 측면에 관한 연구에 많이 사용되는 인위적으로 만들어진 시험용 시스템이다. 태양광 발전 설비의 투입 비율이 높아짐에 따라 계통에 주는 영향을 파악해보기 위해 두 가지 시나리오를 구성하고 시나리오별 정상상태, N-1상정고장 경우를 살펴보았다. 태양광 설비가 없는 경우 태양광 발전이 전체 발전 설비의 10%를 차지하는 경우 시나리오 2는 35번 버스에 전체 발전 설비의 10% 정도 되는 용량의 태양광 설비를 추가하였으며, 태양광 설비의 출력은 앞서 .. 2021. 8. 26. [논문정리] 전력계통 유연성 증가를 위한 앙상블 기법의 태양광 발전 출력 예측 모델링에 관한 연구 - 3 3. 태양광 발전소의 일사량과 출력 예측 본 논문에서는 전라남도에 위치한 태양광 발전소의 일사량과 태양광 출력 예측을 위해 태양광 발전소 주변의 온도, 습도, 일사량 관측이 가능한 기상관측소들을 파악하고 이에 대해 상관관계 감쇠 거리를 계산했다. 온도, 습도, 일사량 데이터를 가지고 있는 전라남도, 전라북도, 경상남도 지역에서 16개의 기상 관측소를 선정하였고, 모두 CDD 범위 내에 들어가는 것을 확인하였다. 더 정확한 예측 결과를 만들어 내기 위해 상위 50%의 상관관계를 갖는 거리 내에 있는 관측소를 선정하였고 총 8곳이 선정되었다. 미래의 태양광 발전 출력 예측을 하기 위해서는 예측이 진행되는 시점의 데이터가 준비되어있어야 한다. 현재 기상청에서는 온도, 습도 정도의 정보만 주간 단위로 제공을 해.. 2021. 8. 25. [논문정리] 전력계통 유연성 증가를 위한 앙상블 기법의 태양광 발전 출력 예측 모델링에 관한 연구 - 1 전력계통 유연성 증가를 위한 앙상블 기법의 태양광 발전 출력 예측 모델링에 관한 연구 A Study on Solar Power Forecasting Ensemble Model for Increasing Flexibility in Power System 2021년 2월 최성현 전세계적으로 지구온난화를 유발하는 온실가스를 줄이기 위해 에너지원의 사용을 기존 화석 연료에서 지속 가능한 재생에너지원으로 바꾸고 있다. 우리나라 또한 2030년까지 보급되는 재생에너지의 설비용량을 전체 발전량 비중의 20%인 48.7GW로 증가시키고, 2050년까지 5대 녹색 국가 중 하나가 되는 것을 목표로 하고 있다. 재생에너지 발전원은 미래 지향적이며 많은 장점이 있지만, 기상조건에 큰 영향을 받아 출력이 간헐적이고 변동성이 .. 2021. 8. 22. [NYC 택시 수요 예측 PJT] 7. 베이스라인 모델 구축 본 장에서는 수요 예측을 진행함에 있어 성능 비교의 기준이 되는 베이스라인 모델을 구축하고자 한다. 1. Library Import import pandas as pd from sklearn.preprocessing import OneHotEncoder from sklearn.linear_model import LinearRegression import seaborn as sns import numpy as np import warnings import matplotlib.pyplot as plt from ipywidgets import interact from sklearn.metrics import mean_absolute_error from sklearn.metrics import mean_squa.. 2021. 7. 28. [NYC 택시 수요 예측 PJT] 4. 데이터 EDA - 데이터 시각화 (Time Domain) - 2 지난 포스트에 이어 이번에도 데이터 시각화를 진행하고자한다. 5. 요일별 시간대별 Trip 수 현재 데이터프레임을 다시 한번 살펴보면 현재는 1월 1일부터 시간별 Trip의 수와 날짜만을 보여준다. df.head(2) 현재 확인하고자 하는 요소들은 요일별 시간대별 Trip수이기때문에 요일, 시간 주차 정보를 추가로 데이터프레임에 추가한다. df['weekday'] = df.index.weekday #요일을 숫자로 표기 df['hour'] = df.index.hour df['weeknum'] = df.index.week #주차를 숫자로 표기 df.head() datetime모듈의 weekday()함수는 날짜의 요일 정보를 숫자값으로 0(월요일)부터 6(일요일)까지 리턴해주며, weeknum()은 주차를 숫.. 2021. 7. 14. 이전 1 2 다음 300x250
