文献

J-GLOBAL ID：201902229115881477   整理番号：19A1529454

エネルギー貯蔵システムに基づく太陽光発電電力取引に対する機械学習スキームの予測誤差の影響【JST・京大機械翻訳】

Effect of Prediction Error of Machine Learning Schemes on Photovoltaic Power Trading Based on Energy Storage Systems

著者 (4件)： Bae Kuk Yeol (Energy ICT・ESS Laboratory, Korea Institute of Energy Research, 152 Gajeong-ro, Yuseong-gu, Daejeon 34129, Korea) ,  Jang Han Seung (Shcool of Electrical, Electronic Communication, and Computer Engineering, Chonnam National University, 50, Daehak-ro, Yeosu 59626, Korea) ,  Jung Bang Chul (Department of Electronics Engineering, Chungnam National University, 99 Daehak-ro, Yuseong-gu, Daejeon 34134, Korea) ,  Sung Dan Keun (School of Electrical Engineering, Korea Advanced Institute of Science and Technology, 291 Daehak-ro, Yuseong-gu, Daejeon 34141, Korea)
資料名： Energies (Web)  (Energies (Web))
巻： 12  号： 7  ページ： 1249  発行年： 2019年 
JST資料番号： U7016A  ISSN： 1996-1073  CODEN： ENERGA  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 太陽光発電(PV)出力電力は,気象条件の変化に依存して,本質的に間欠的な特性を示す。PV発電会社は,PV発電の不確実性のために,将来のエネルギー市場において大きなペナルティに充電される可能性があるので,それらはエネルギー市場運用においてより正確なPV電力予測方式を必要とする。本論文では,エネルギー市場におけるエネルギー貯蔵システム(ESS)ベースのPV電力取引に対するPV電力予測誤差の影響を特性化した。最初に,PV出力電力に対する2つの機械学習(ML)方式の予測精度を解析し,それらの誤差分布を推定した。エネルギー市場における前日(DA)とリアルタイム(RT)ディスパッチの間の偏差を低減するために,ESSの充電と放電操作のための効率的なESS管理方式を提案した。さらに,ESSの容量を推定し,予測誤差を吸収することができ,次に,ESSの有無にかかわらず,MLに基づく予測方式に従って,PV電力生産者利益を比較した。ESSによるMLベースの予測方式の場合に,ANNとSVM方式は,ESSなしのそれらの方式の利益と比較して,それぞれ87%と74%まで偏差ペナルティの減少をもたらす。Copyright 2019 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *機械学習 ,  管理システム ,  *発電 ,  キャラクタリゼーション ,  *太陽光発電 ,  *電力 ,  放電 ,  *予測 ,  ペナルティ ,  *予測誤差
準シソーラス用語： 実時間 ,  予測精度 ,  エネルギー市場 ,  出力電力 ,  *電力取引 , 【Automatic Indexing@JST】

著者キーワード (10件)： 光起電力 ,  予測 ,  エネルギー貯蔵システム ,  ビッグデータ ,  機械学習 ,  人工神経回路網 ,  サポートベクトルマシン ,  誤差解析 ,  エネルギー市場 ,  エネルギー政策

分類 (2件)： 風力発電  (NB03120Q) ,  電力系統一般  (NB02000E)

引用文献 (45件)：

• Cheng, D.; Mather, B.A.; Seguin, R.; Hambrick, J.; Broadwater, R.P. Photovoltaic (PV) Impact Assessment for Very High Penetration Levels. IEEE J. Photovolt. 2016, 6, 295-300.
• Korea Ministry of Trade, Industry and Energy. Renewable Energy Statistics. 2013. Available online: http://www.motie.go.kr (accessed on 20 February 2019).
• Jang, H.S.; Bae, K.Y.; Park, H.-S.; Sung, D.K. Effect of aggregation for multi-site photovoltaic (PV) farms. In Proceedings of the IEEE International Conference on Smart Grid Communications (SmartGridComm), Miami, FL, USA, 2-5 November 2015; pp. 623-628.
• Tewari, S.; Geyer, C.J.; Mohan, N. A statistical model for wind power forecast error and its application to the estimation of penalties in liberalized markets. IEEE Trans. Power Syst. 2011, 26, 2031-2039.
• DeMeo, E.A.; Jordan, G.A.; Kalich, C.; King, J.; Milligan, M.R.; Murley, C.; Oakleaf, B.; Schuerger, M.J. Accommodating wind’s natural behavior. IEEE Power Energy Mag. 2007, 5, 59-67.

タイトルに関連する用語 (6件)： エネルギー貯蔵システム ,  太陽光発電 ,  電力取引 ,  機械学習 ,  スキーム ,  予測誤差