DOI QR코드

DOI QR Code

Predicting Power Generation Patterns Using the Wind Power Data

풍력 데이터를 이용한 발전 패턴 예측

  • Suh, Dong-Hyok (Dept. of Computer Science, Chungbuk National University) ;
  • Kim, Kyu-Ik (Dept. of Computer Science, Chungbuk National University) ;
  • Kim, Kwang-Deuk (Korea Institute of Energy Research) ;
  • Ryu, Keun-Ho (Dept. of Computer Science, Chungbuk National University)
  • 서동혁 (충북대학교 컴퓨터과학과) ;
  • 김규익 (충북대학교 컴퓨터과학과) ;
  • 김광득 (한국에너지기술연구원) ;
  • 류근호 (충북대학교 컴퓨터과학과)
  • Received : 2011.08.24
  • Accepted : 2011.10.14
  • Published : 2011.11.30

Abstract

Due to the imprudent spending of the fossil fuels, the environment was contaminated seriously and the exhaustion problems of the fossil fuels loomed large. Therefore people become taking a great interest in alternative energy resources which can solve problems of fossil fuels. The wind power energy is one of the most interested energy in the new and renewable energy. However, the plants of wind power energy and the traditional power plants should be balanced between the power generation and the power consumption. Therefore, we need analysis and prediction to generate power efficiently using wind energy. In this paper, we have performed a research to predict power generation patterns using the wind power data. Prediction approaches of datamining area can be used for building a prediction model. The research steps are as follows: 1) we performed preprocessing to handle the missing values and anomalous data. And we extracted the characteristic vector data. 2) The representative patterns were found by the MIA(Mean Index Adequacy) measure and the SOM(Self-Organizing Feature Map) clustering approach using the normalized dataset. We assigned the class labels to each data. 3) We built a new predicting model about the wind power generation with classification approach. In this experiment, we built a forecasting model to predict wind power generation patterns using the decision tree.

화석 연료의 무분별한 사용으로 환경이 심각하게 오염되고, 화석 연료의 고갈에 대한 문제가 대두됨에 따라서 화석 연료에 대한 문제를 해결 할 수 있는 대체 에너지원에 대해 관심이 집중되기 시작하였다. 현재 신재생 에너지 중에서 가장 각광을 받고 있는 에너지는 중에 하나가 풍력에너지이다. 풍력에너지 발전단지와 기존의 전력 발전소는 소비되는 전력에 대한 생산의 균형을 맞춰야하며, 풍력에너지단지에서 균형적인 생산을 하기 위해서는 풍력에너지에 대한 분석 및 예측이 필요하다. 이를 위해서 데이터마이닝 분야의 예측 기법이 활용 될 수 있다. 본 논문에서는 풍력 데이터를 이용하여 발전 패턴을 예측하기 위해 SOM(Self-Organizing Feature Map) Clustering 기법과 의사결정나무(decision tree)를 이용한 연구를 진행하였다. 즉, 1) 풍력 데이터의 누락된 데이터와 이상치 데이터를 처리하기 위하여, 전처리 과정을 수행하였고, 이 과정에서 특징 벡터를 추출하였다. 2) 전처리 단계를 거쳐 정제되고 정규화된 데이터 집합을 MIA(Mean Index Adequacy) 척도와 SOM Clustering 기법에 적용하여 대표 발전 패턴을 찾아내고 각각의 데이터에 해당하는 대표 패턴을 클래스 레이블로 할당하도록 하였다. 3) 의사결정나무 기반의 분류 기법에 데이터 집합을 적용시켜 새로운 풍력에너지에 대한 분석 및 예측 모델을 생성하였다. 실험 결과, 의사결정나무를 통한 풍력에너지 발전 패턴을 예측하기 위한 모델을 구축하였다.

Keywords

References

  1. S.K. Park, L. Wang, Y.K. Lee, D.J. Chai, C.H. Heo, K.H Ryu, K.D. Kim, "Design of Monitoring System Based on Sensor Network for Managing New&Re newable Energy Resources", In Proc. Of KIPS, Vol.16 No.1, pp. 377-378, 2009
  2. What is the new & renewable energy? (2011, August, 15). Korea Institute of Energy Research Home Page. Retrieved July 15, 2011 from http://www.kier.re.kr/open_content/energy/new_energy/view.jsp
  3. G. H. Ryu, K. S. Kim, J. C. Kim, K. B. Song, "A Study on Estimation of Wind Power Generation using Weather Data in Jeju Island", The Transactions of The Korean Institute of Electrical Engineers, Vol. 58 No.12, pp. 2349-2353, 2009
  4. Korea Institute of Energy Research, http://www.kier.re.kr/
  5. H.G. Lee, Y.H Choi, J.H Shin, "Spatio-Temporal Mining for Power Load Forecasting in GIS-AMR Load Analysis Model", IJIPM: International Journal of Information Processing and Management, Vol. 2, No. 1, pp. 57-66, 2011 https://doi.org/10.4156/ijipm.vol2.issue1.7
  6. V. Figueiredo , F. Rodrigues , Z. Vale and J. B. Gouveia "An electric energy consumer character ization framework based on data mining techniques", IEEE Trans. Power Syst., vol. 20, pp. 596-602, 2005. https://doi.org/10.1109/TPWRS.2005.846234
  7. M.H. PIAO, J.H. Park, H.G. Lee, K.H. Ryu, "Class ification Methods for Automated Prediction of Power Load Patterns", KCC., Vol. 35, pp. 26-30, 2008.
  8. H. G. Lee, H. J. Shin, K.. H. Ryu, "Forecasting Elec tric Power Load Patterns using Unsupervised and Supervised Methods from Load Demand Data", The First International Workshop on Frontiers of Information Technology, Applications and Tools, Vol.1, pp. 2-6, 2008
  9. J. H. Park, H. G. Lee, J. H. Shin, K. H. Ryu, H. S. Kim, "Power Consumption Patterns Analysis Using Expectation-Maximization Clustering Algorithm and Emerging Pattern Mining", In Proc. Of KIPS, Vol.15 No.2, pp. 261-264, 2008
  10. S.V. Verdu, M.O. Garcia, C. Senabre, A.G. Marin and F.J.G. Franco, "Classification, Filtering, and Identification of Electrical Customer Load Patterns Through the Use of Self-Organizing Maps", IEEE Transactions on Power Systems., Vol. 21, pp. 1672-1682, 2006 https://doi.org/10.1109/TPWRS.2006.881133
  11. G. Chicco, R. Napoli, P. Postolache, M. Scutariu, and C. Toader, "Customer characterization options for improving the tariff offer", IEEE Trans. Power System, vol. 18, pp. 381-387, Feb. 2003.
  12. G. Chicco, R. Napoli, P. Postulache, M.Scutariu, C. Toader, "Load Pattern-Based Classification of Electricity Customers.", IEEE Trans. Power System, vol.19, pp. 1232-1239, 2004
  13. T. Kohonen, Slef-Organization and Associative Memor y, 3rd Edition, NewYork: Springer-Verlag, 1989.
  14. Introduction of the TIBCO Spotfire Tools, http://spotfire.tibco.com/
  15. Weka Machine Learning Data Mining Tools, http://www.cs.waikato.ac.nz/ml/weka/
  16. J.R. Quinlan, "C4.5: Programs for Machine Learning, Morgan Kauffman.", 1993.

Cited by

  1. ST 분절 급상승 심근경색 환자들의 단기 재발 사망 예측 vol.17, pp.10, 2011, https://doi.org/10.9708/jksci/2012.17.10.145