지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 김삼용
- 발행연도
- 2022
- 저작권
- 중앙대학교 논문은 저작권에 의해 보호받습니다.
이용수48
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
세계적으로 신재생 에너지인 태양광과 풍력 발전산업에 대한 정책과 산업이 발전함에 따라, 우리나라 또한 정부의 신속한 개발 및 투자가 이루어지고 있다. 그 중, 풍력 발전의 보급이 확대되어 발전량 관리를 위해 정확한 예측이 필요해지고 있는 시점이다.
본 논문에서는 전라도 지역의 풍력 발전량 예측을 위하여 기존 시계열 모형인 SMA 모형과 ARIMA, ARIMAX 모형, 기계학습 모형인 SVR, Random Forest, XGBoost 모형을 사용하여 풍력 발전량의 예측 성능을 비교하고자 하였다. 모형의 예측 성능 차이를 비교하기 위해 MAE(Mean Absolute Error)와 nMAE(Normalized Mean Absolute Error)를 사용하였다. 그 결과, Random Forest 모형이 가장 우수한 성능을 보였다.
본 논문에서는 전라도 지역의 풍력 발전량 예측을 위하여 기존 시계열 모형인 SMA 모형과 ARIMA, ARIMAX 모형, 기계학습 모형인 SVR, Random Forest, XGBoost 모형을 사용하여 풍력 발전량의 예측 성능을 비교하고자 하였다. 모형의 예측 성능 차이를 비교하기 위해 MAE(Mean Absolute Error)와 nMAE(Normalized Mean Absolute Error)를 사용하였다. 그 결과, Random Forest 모형이 가장 우수한 성능을 보였다.
목차
Ⅰ. 서론 1Ⅱ. 예측 모형 5A. SMA(Simpe Moving Average) 모형 5B. ARIMA(Auto-Regressive Integrated Moving Average) 모형 6C. ARIMAX (Auto-Regressive Integrated Moving Average with eXogeneous Variable) 모형 7D. Support Vector Machine 모형 8E. Random Forest 모형 10F. XGBoost 모형 11Ⅲ. 데이터 및 모형 적합 결과 13A. 데이터 13B. 모형 적합 결과 14Ⅳ. 모형 성능 평가 22Ⅴ. 결론 24참고문헌 25국문초록 28ABSTRACT 29
최근 본 자료
댓글(0)
0