최근 화석에너지 사용으로 환경문제와 더불어 에너지 문제가 심각해짐에 따라 신재생에너지시스템의 보급이 증가하고 있다. 그 중 태양광발전시스템은 설치의 편의성과 타 시스템에 비해 비교적 자유로운 설치 환경 조건으로 인해 신재생에너지시스템 중 가장 많은 비중을 차지하고 있다.
한편, 태양의 빛에너지를 전기에너지로 변환하여 공급하는 태양광발전시스템은 p-n접합의 반도체로 이루어져 있기 때문에 반도체의 특성상 고온에서 효율이 떨어지게 된다. 따라서, 태양광발전시스템의 모듈온도 상승은 시스템 성능을 저하시키는 요인 중 하나인 것으로 여러 연구를 통해 확인되었다.
모듈온도 상승에 의한 태양광발전시스템의 성능 저하는 시스템 설계단계에서 필요한 용량 및 발전량 산정뿐만 아니라 태양광발전시스템의 성능평가에도 영향을 미치기 때문에 모듈온도를 정확하게 파악하는 것이 필요하다. 하지만 측정을 통해 모듈온도를 파악하기 위해서는 추가적인 설치비용과 유지관리가 필요하기 때문에 실제 태양광발전시스템의 설치 과정에서 모듈온도 측정 장비를 설치하는 사례가 드문 실정이다. 이에, 모듈온도 측정에 대한 대안으로 다수의 연구자들은 기상환경을 기반으로 모듈온도에 대한 예측 수식모델을 제안하였다. 그러나 선행연구에서의 모듈온도 예측모델들은 해당 연구대상 지역의 기상 조건을 기반으로 제안되었기 때문에, 국내의 상이한 기상 조건에서 상기 예측모델을 이용한 모듈온도 예측 시 예측에 대한 정확도 및 타당성이 감소할 것으로 사료된다. 따라서 모듈온도 변화가 큰 국내 하절기 기상조건에서 선행연구의 예측모델에 대한 검증이 실시되어야 하며, 국내 기상환경 조건을 반영한 모듈온도의 예측모델 구축 및 예측이 필요할 것으로 판단된다.
이에 본 연구에서는 국내 인천지역에 설치된 태양광발전시스템을 대상 시스템으로 선정하여 기상관측 장비를 통해 여름철 일사량, 외기온도, 모듈온도, 풍속 등을 측정하였다. 측정된 하절기 기상환경 데이터를 이용하여 선행연구에서 제안한 태양광 모듈온도 예측모델에 대한 검증을 실시하였으며, 여러 데이터마이닝 기법을 활용하여 국내 하절기 기상현황이 반영된 모듈온도 예측모델을 구축하였다. 구축된 예측모델을 검증 및 평가하기 위해 예측모델별 오차 및 정확도를 비교 분석하고, 국내 기상조건에 적합한 예측모델을 확인하였다. 연구의 결과는 다음과 같다.

1) 다섯 개의 선행연구 모듈온도 예측모델을 이용하여 국내에 설치된 태양광발전시스템의 모듈온도를 예측하고 정확도를 평가하였다. 그 결과, 국내 기상조건에서King(1996)의 예측모델이 정확도가 가장 높은 것으로 분석되었다. 그 다음으로 Rauschenbach(1980)의 예측모델이 비교적 높은 정확도를 보여 선행연구의 모듈온도 예측모델 중 King(1996)와 Rauschenbach(1980)의 예측모델이 국내 기상환경 조건에 적합한 것으로 분석되었다.

2) 국내 여름철 기상조건에서 적합한 모듈온도 예측모델을 확인하기 위하여 데이터마이닝 예측모델과 선행연구의 경험적 예측모델에 대한 정확도를 비교 분석하였다. 그 결과, MAPE를 기준으로 인공신경망 모델, 베이지안 다중회귀 모델, 베이지안 인공신경망 모델, 다중회귀모델, King(1996)의 경험적 모델, Rauschenba -ch(1980)의 경험적 모델 순으로 정확도가 높은 것으로 분석되었다.

3) 실제 모듈온도와 예측모듈온도의 관계 및 상관성을 타나내는 회귀선의 기울기는 베이지안 다중회귀 예측모델이 0.976, 인공신경망 예측모델과 베이지안 인공신경망 예측모델이 각각 0.930, 0.915, 다중회귀 예측모델이 0.910, King(1996)의 경험적 모델이 0.806, Rauschenbach(1980)의 경험적 모델이 0.771로 분석되어 베이즈 추론이 반영된 예측모델이 우수한 정확도를 보였다.

4) 선행연구 예측모델과 국내 기상조건이 반영된 데이터마이닝 예측모델을 분석한 결과, 2개의 선행연구 예측모델의 평균 RMSE, MAD, MAPE는 3.26℃, 2.39℃, 7.04%로 분석되었으며 4개의 데이터마이닝 예측모델의 평균 RMSE, MAD, MAPE는 2.72℃, 1.90℃, 5.95%로 분석되었다. 따라서 예측모델 구축 시, 대상지역의 기후조건을 반영시킬 때 예측의 정확도가 향상되는 것으로 나타났다.

Recently, environmental and energy problems become serious due to fossil fuel use, and the supply of renewable energy systems is expanding accordingly. Among them, photovoltaic system has increased most prominently due to the ease of installation and the relatively easy installation environment conditions compared to other systems.
Meanwhile, the photovoltaic system that converts solar light energy into electrical energy is composed of p-n junction semiconductors, resulting in low efficiency at high temperatures. Also, it has been confirmed through various studies that the module temperature rise of the photovoltaic system is one of the factors that deteriorate the system performance.
The performance degradation due to the module temperature rise affects the performance evaluation of the system as well as the capacity and power generation of the system design stage, so it is necessary to accurately grasp the module temperature. However, in order to grasp the module temperature through the measurement, additional installation cost and maintenance are required. Therefore, it is rare to install the module temperature measuring equipment in the actual installation of the photovoltaic system. As an alternative to module temperature measurement, many researchers have proposed predictive models of module temperature based on weather conditions such as solar radiation, wind speed and outside temperature. However, because the module temperature predictive models of the previous research are proposed based on the overseas weather conditions of the study area, the accuracy of prediction using the predictive model in domestic weather conditions will decrease. Accordingly, the empirical prediction model of previous studies should be verified in domestic weather conditions in which module temperature changes are large. Also, it is necessary to construct module temperature predictive models that reflect domestic weather conditions.
In this paper, the photovoltaic system installed in Incheon of Korea was selected as a target system. And, weather variables such as solar radiation, module temperature, wind speed and outside temperature were measured during the summer using meteorological equipment. Using the measured data, the module temperature predictive models proposed in the previous study was verified. Furthermore, the module temperature predictive models were constructed using data mining to reflect the weather conditions in Korea. In order to verify the constructed models, it were compared the error and accuracy of the predictive models and identify a predictive model suitable for domestic weather conditions. The results of the study are as follows.




1) Using the five empirical predictive models of previous research, the module temperature of photovoltaic system installed in Korea was predicted and accuracy analysis conducted to verify the predictive models. As a result, the prediction model of King(1996) is the most accurate in domestic weather conditions. The next, Rauschenbach(1980)’s model shows high accuracy, and the prediction models of King(1996) and Rauschenbach(1980) are analyzed to be suitable for Korean weather conditions.

2) In the summer weather conditions in Korea, the accuracy of the data minging model and the empirical model was analyzed and compared to identify the most accurate module temperature predictive model. As a result, it is analyzed that the accuracy is high in order of artificial neural network model, bayesian regression model, bayesian neural network model, regression model, King(1996)’s model, and Rauschenbach(1980)’s model.

3) The slope of the regression line, which show the correlation between the actual module temperature and the predicted module temperature, was analyzed as follows for each predictive model. Bayesian regression model is 0.976, artificial neural network model is 0.930, bayesian neural network model is 0.915, regression model is 0.910, King(1996)’s model is 0.806, Rauschenbach(1980)’s model is 0.771. Therefor, the predictive model reflecting Bayesian inference showed a superior correlation with acrual module temperature.

4) As a resulting of comparing empirical models and data mining models, the mean REMS, MAD, and MAPE of the two empirical models were analyzed as 3.26℃, 2.39℃, and 7.04%, respectively. also, the mean REMS, MAD, and MAPE of the four data mining models were analyzed as 2.72℃, 1.90℃, and 5.95%. Therefore, the prediction accuracy is improved when the predictive model is constructed to reflect the climatic conditions in the target area.