기계학습을 이용한 PV시스템 매개변수 예측에 관한 고찰

A Literature Review on Predicting PV System Parameters Using Machine Learning

증가하는 수요로 인해 태양광(PV) 에너지 시스템에서 필수가 된 성능 평가는 다양한 PV 시스템 매개변수 추정작업을 포함한다. 위성 데이터를 활용한 태양 복사량 계산이나 전류-전압 특성 접근법과 같은 전통적 평가 방식은 더 이상 PV 시스템 매개변수를 합리적으로 예측하기에 충분한 신뢰성을 제공하지 못한다. 기계 학습(ML) 접근법을 이용한 시스템 매개변수 추정 방법은 속도와 정확성 덕분에 신뢰할 수 있고 널리 사용되는 방법이 되었다. 본 연구는 발표된 ML 기반 PV 매개변수 추정 연구를 체계적으로 검토하였고, ML 알고리즘, 결과, 실험 설정, 표본데이터 크기, 오차 지표 등 여러 기준을 사용하여 분석하였다. 분석한 결과, 신경망이 가장 많이 사용된 ML 방법이었으며, 그 다음으로 랜덤 벡터 함수 링크, 서포트 벡터 머신이 뒤를 이었다. 데이터셋은 하드웨어 테스트와 컴퓨터 기반 시뮬레이션에서 수집되었고, 가장 흔히 사용된 상위 3개 오차 지표는 평균 제곱근 오차, 평균 절대 오차, 결정계수였다. 본 체계적 문헌고찰은 연구자들이 태양광 시스템 매개변수 추정에서 머신러닝 알고리즘의 적용가능성을 평가하는 데 도움이 될 것이다.

Performance evaluation, which has become essential in photovoltaic (PV) energy systems due to increasing demand, involves estimating various PV system parameters. Traditional evaluation methods, such as solar radiation calculations using satellite data or current-voltage characteristic approaches, no longer provide sufficient reliability to reasonably predict PV system parameters. System parameter estimation methods using machine learning (ML) approaches have become reliable and widely adopted due to their speed and accuracy. This study systematically reviewed published ML-based PV parameter estimation research, analyzing it using multiple criteria including ML algorithms, results, experimental setups, sample data sizes, and error metrics. The analysis revealed that neural networks were the most frequently used ML method, followed by random vector function links and support vector machines. The datasets were collected from hardware testing and computer-based simulations, and the top three most commonly used error metrics were root mean square error, mean absolute error, and coefficient of determination. This systematic literature review will assist researchers in evaluating the applicability of machine learning algorithms in solar system parameter estimation.