서론

매년 증가하고 있는 우리나라 에너지 수입의존도는 2014년 기준으로 95%이다(Korea Energy Economics Institute, 2015). 그러나 수입되는 에너지원의 대부분은 고갈 가능성이 존재한다. 또한, 화석연료로 인한 온실가스 배출 문제도 대두되어, 전 세계적으로 온실가스 감축을 위해 다양한 노력을 하고 있다(Song and Choi, 2015). 이에 따라 에너지 수입의존도를 낮추면서 지속가능한 발전이 가능한 신재생에너지에 대한 관심이 높아졌다. 국가적 차원에서도 ｢신에너지 및 재생에너지 개발․이용․보급 촉진법｣을 제정하여 수립한 제 4차 신․재생에너지 기본 계획에 따르면 최근 태양광을 핵심 에너지원으로 육성하고자 노력하고 있다(Ministry of Trade Industry and Energy, 2014). 신․재생에너지 설치의무화 사업과 신․재생에너지 공급의무화(RPS)제도 등으로 태양광 에너지 보급이 현저히 증가하고 있음을 Fig. 1을 통해 확인할 수 있다.

Fig. 1.

Photovoltaic system supply and Renewable energy supply ratio in Korea.Source: Statistics Korea (accessed : 2016.10.11)

태양광 에너지원은 기존의 화석에너지와 달리 양에 제한이 없으며 지리적으로 고르게 분포하고 있다(Song and Choi, 2012). 또한, Korea Energy Agency (2014)에 따르면 태양광 에너지는 타 재생에너지보다 건물에 적용할 수 있는 형태가 다양하며 설치도 용이하기 때문에 향후 태양광 에너지 보급은 더욱 활발할 것으로 예상된다. 이에 따라 태양광 발전 시스템 설계를 위한 발전량 예측이 중요하다. 발전량 예측을 위해서는 시스템의 구성뿐만 아니라 발전 효율에 영향을 미치는 요소를 파악하는 것도 중요한다. Cha et al. (2015)에 의하면 발전에 영향을 미치는 기상요소에는 일사량, 일조시간, 운량, 외기온도, 풍속 등이 있다. 기상요소에 영향을 받으면서 태양광 발전 시스템 효율에 영향을 미치는 중요한 인자 중 하나는 모듈온도이다(SMA, 2015).

모듈온도의 증가는 일시적인 발전량뿐만 아니라 장기적인 발전량에도 영향을 미친다. 모듈온도가 증가하면 전기출력량이 감소하게 된다. 모듈의 종류에 따라 차이가 존재하지만 단결정 실리콘 모듈은 일반적으로 1°C 증가할 때 약 0.446%의 출력이 감소한다(Dash and Gupta, 2015). 장기적인 관점에서 보면 모듈온도의 증가는 열화에도 영향을 미친다. 모듈온도의 상승은 열팽창 현상을 발생시키기 때문에 모듈 내부에서의 스트레스가 증가하고, 모듈온도가 10°C 증가할 때 열화 속도가 약 2배 증가한다(Honsberg and Bowden, 2012). 따라서 모듈온도에 대한 분석이 필요하며, 모듈온도는 기상요소, 특히 일사량과 외기온도에 영향을 받기 때문에 기상요소와 모듈온도 간의 관계를 분석할 필요가 있다. 이러한 분석은 향후 시스템 설계 및 발전량 예측에 기여하고 효율적인 시스템 운영을 가능하게 할 것이다.

모듈온도와 관련된 기존 연구는 주로 발전량 감소 비율을 정량적으로 보여주는 분석에 집중되었다. 모듈을 이루는 태양전지를 양자역학적 관점에서 보면, 순수한 실리콘 결정의 밴드 갭은 27°C일 때 약 1.14eV 정도이지만 모듈온도가 증가하면 밴드 갭이 줄어들어 포화 전류가 증가하고 개방회로전압은 감소한다. 전류의 증가량은 미미하고 전압의 감소량이 더 큰 폭으로 감소하기 때문에 전체적인 출력은 현저히 감소한다(Mattei et al., 2006). 모듈온도와 태양광 발전량 간의 관계를 분석한 연구는 많으나(Mattei et al., 2006; Fesharaki et al., 2011; Kalogirou, 2014; Dash and Gupta, 2015), 모듈온도 자체가 어떤 요인에 영향을 받고, 모듈온도에 대한 그 요인의 영향력을 실측자료를 이용하여 분석한 사례는 비교적 적다.

모듈온도를 예측하기 위해 제안된 모델은 Table 1과 같이 다양하다. 그러나 이러한 모듈온도 예측모델은 주로 유럽이나 미국에서 관측한 자료를 이용한 경험식이다. 모델들이 정의된 특정 조건, 환경, 지리적 위치 등이 다르기 때문에 대부분의 모델이 항상 정확하다고 할 수 없다(Jakhrani et al., 2011). 따라서 본 연구에서는 서울에서 측정한 실측자료를 이용하여, 모듈온도와 모듈온도에 영향을 미치는 요인 간의 관계를 파악하고자 한다. 또한, 기존의 모듈온도 예측모델을 한국에 적용하는 것이 적합한지에 대한 타당성도 확인하고자 한다.

Table 1. Empirical models of photovoltaic module temperature

데이터 취득

본 연구에서 사용한 자료는 위도 37.45°, 경도 126.95°, 행정구역 상 서울시 관악구에 위치한 30 kW급 계통연계형 태양광 발전 시스템으로부터 취득하였다. 250 W 용량의 단결정 실리콘 모듈 120개를 직․병렬로 연결하고 설치 방향 및 각도는 각각 정남향, 30°로 설치하여 30 kW급 시스템을 완성하였다. 250 W 단결정 실리콘 모듈의 사양은 Table 2와 같고, 일반적인 모듈과 동일하게 해당 모듈은 glass, EVA, solar cell, backsheet로 이루어졌다.

Table 2. Specifications of module

미국 Solmetric사의 SunEye210 기기를 이용하여 태양광 발전 시스템 주변의 그림자 분석을 실시한 결과는 Fig. 2와 같다. Fig. 2의 태양접근성(Solar Access)은 태양광 모듈에 입사 가능한 전체 일사량에 대한 주변 장애물에 의해 방해받지 않고 태양광 모듈에 입사하는 일사량의 비율을 의미한다(Song et al., 2013). 연구 대상 시스템의 연중 태양접근성은 96%로 상당히 높으며, 주변 장애물에 의해 그림자가 발생하는 부분이 일부 존재하지만 직사광선이 가려질 뿐 산란광선은 입사된다. 따라서 그림자의 영향이 충분히 통제되었기 때문에 다른 환경요소를 고려하기에 적합한 시스템이다.

Fig. 2.

Fisheye-lens image captured by Suneye210 at the study area.

태양광 발전 시스템으로부터 시스템이 가동되는 시간 동안 모니터링 데이터를 취득하였다. 시스템 모니터링 데이터에는 경사면일사량(Plane-of-Array(POA) Irradiance), 모듈온도, DC 전력, AC 전력, 발전효율, 최종 전력량이 기록되었다. 기상 모니터링 데이터는 태양광 발전 시스템과 동일한 장소에서 취득한 자료이다(Fig. 3). 기상모니터링 데이터에는 외기온도, 상대습도, 풍향, 풍속, 강수량과 수평면전일사량(Global Horizontal Irradiance, GHI), 직달일사량(Direct Normal Irradiance, DNI), 산란일사량(Diffuse Horizontal Irradiance, DHI)이 포함되었다. 모듈온도는 모듈 뒷면에 부착된 센서를 통해 측정되며 최소 –20°C, 최대 100°C를 측정하고, 외기온도는 –40°C에서 60°C까지 측정하며 정확도는 ±0.6°C이다.

Fig. 3.

Studied photovoltaic system and weather condition monitoring system.

자료 취득은 1시간 단위로 2015년 11월 1일부터 2016년 10월 31일까지 총 1년 동안 이루어졌다. 시스템 모니터링 데이터는 시스템이 가동되는 시간에만 모니터링 되기 때문에 밤 시간대의 기록이 없어 추가로 밤 시간대의 모듈온도 데이터를 취득하기 위해 별도의 실험 모듈을 동일한 장소에 설치하여 24시간동안 모듈온도와 외기온도를 동시에 관측하였다.

일사량 및 외기온도 관측 결과

모듈온도를 예측하기 위해 공통적으로 외기온도와 일사량을 독립변수로 사용했다는 점을 모듈온도 예측모델을 정리한 Table 1을 통해 알 수 있다. 따라서 본 연구에서는 일사량과 외기온도가 모듈온도에 미치는 영향력을 중심으로 분석을 실시하고자 일사량과 외기온도를 관측한 결과를 정리하였다. 월마다 시스템 가동 일수가 다르기 때문에 일 누적 일사량의 월별 평균을 계산하여 결과를 도시하였다. 수평면전일사량, 직달일사량, 산란일사량의 관측 결과는 Fig. 4와 같다. 수평면전일사량을 중심으로 2016년 5월이 가장 높고 2015년 11월이 가장 낮았다. 대체로 직달일사량이 산란일사량보다 많지만 7월부터 9월까지는 산란일사량이 직달일사량보다 많았다. 수평면으로 들어오는 일사량의 약 53%가 산란일사량이었다.

Fig. 4.

Average accumulated irradiance of GHI, DHI, and DNI.

경사면일사량 관측 결과는 Fig. 5와 같다. 전체적으로 봄철이 가장 높은 일사량, 겨울철이 낮은 일사량을 기록했다. 7월과 8월의 경우 장마와 강수 기간이 다른 월에 비해 많기 때문에 전체적인 일사량이 조금 낮게 기록되었다. 2015년 11월은 강수량이 예년의 2배로 많았으며 운량도 예년에 비해 높았기 때문에 낮은 일사량을 기록했다. 외기온도는 최고 34.7°C, 최소 –17.1°C로, 여름철에 높고 겨울철에 낮은 일반적인 대한민국 기온 분포를 나타냈다(Fig. 6).

Fig. 5.

Average accumulated Plane-of-Array irradiance.

Fig. 6.

Monthly average ambient temperature.

모듈온도 관측 결과

외기온도와 모듈온도의 분포를 살펴보기 위해 1년 간 총 시스템 가동 시간인 4,385시간에 대해 히스토그램을 나타내었다(Fig. 7). 외기온도와 모듈온도의 그룹 간격은 5°C로 하였다. 외기온도는 최소 –17.1°C부터 최대 34.4°C까지 기록하였고, 모듈온도는 –19.2°C부터 58.5°C까지 기록했다. 외기온도의 범위는 51.5°C, 모듈온도의 범위는 77.7°C로 모듈온도가 훨씬 더 넓은 분포를 나타내었다.

Fig. 7.

Histogram of operating hours for ambient temperature and module temperature.

각 월별로 맑은 날과 흐린 날을 선정하여 해당 날짜의 시스템 가동시간동안의 모듈온도 변화를 살펴보았다. 맑은 날과 흐린 날 간의 평균 기온 차는 최소가 되면서 평균 운량 차는 최대가 되도록 선정하여, 각 월별 맑은 날과 흐린 날의 평균 기온 차는 0.47°C, 평균 운량 차는 8.46이었다(Table 3). 맑은 날의 모듈온도 변화 경향은 연중 평균 외기온도의 경향과 유사하여, 여름철 정오 부근에 가장 높은 온도, 겨울철 이른 오전 또는 늦은 오후에 낮은 온도를 기록하였다. 흐린 날의 모듈온도 변화 경향은 맑은 날의 모듈온도 경향과 유사하나 전체적으로 평균 12.17°C 낮은 모듈온도를 기록했다.

Table 3. Amount of cloud and average ambient temperature on a specific day for each month

흐린 날의 모듈온도 중 2015년 5월 흐린 날의 정오부근의 모듈온도는 경향을 따르지 않고 높은 값을 기록했다(Fig. 8(b)). 2015년 5월의 맑은 날과 흐린 날의 직달일사량, 산란일사량, 경사면일사량을 비교해보면 Fig. 9와 같다. 맑은 날은 직달일사량이 높았고(Fig. 9(a)), 흐린 날은 산란일사량이 높아(Fig. 9(b)) 전체적인 경사면일사량은 비슷했다(Fig. 9(c)). 따라서 직달일사량이나 산란일사량 등 일사량의 종류와 상관없이 전체 일사량이 모듈온도에 영향을 미친다는 사실을 알 수 있다.

Fig. 8.

Module temperature during PV system operating on a specific day (a) clear day, (b) cloudy day.

Fig. 9.

Hourly irradiance (a) DNI (b) DHI (c) POA irradiance.

모듈온도와 외기온도의 상관성

모듈온도와 외기온도의 산포도는 Fig. 10와 같다. 두 변수에 대한 상관계수와 결정계수는 각각 0.86과 0.75로 선형적인 관계이면서 높은 상관성을 띰을 알 수 있다. Fig. 10을 통해 동일한 외기온도일 때 가지는 모듈온도의 범위가 대체적으로 일정하게 유지되는 것을 확인할 수 있다. 외기온도가 25°C ± 0.5°C일 때 모듈온도는 최소 22.7°C, 최대 50.6°C이었다. 동일한 외기온도일 때 최대 모듈온도와 최소 모듈오도의 차가 27.9°C로 다양한 모듈온도를 갖는 것을 알 수 있다. 따라서 모듈온도가 외기온도와 관련 있으나 다른 요인도 영향을 미친다고 해석된다.

Fig. 10.

Scatter plot of between ambient temperature (x-axis) and module temperature (y-axis).

실험 모듈을 설치하여 24시간동안의 모듈온도와 외기온도를 측정하여 외기온도의 영향력을 살펴보았다. 실험 당시의 일몰 시각은 19시 22분, 일출 시각은 5시 50분으로 일몰과 일출을 기준으로 일사량이 존재할 때 모듈온도와 외기온도의 차가 증가하는 것을 Fig. 11을 통해 확인할 수 있다. 일사량이 존재하지 않는 밤 시간대에는 모듈온도와 외기온도의 차가 0.5°C로 일정하게 유지되었다. 이를 통해 모듈온도는 외기온도를 기본 값으로 하며 일사량의 영향을 받아 다양한 모듈온도를 가질 수 있음을 확인하였다.

Fig. 11.

Ambient temperature and module temperature from test module.

일사량을 제한한 후 외기온도와 모듈온도의 상관관계를 보기 위해 경사면일사량을 100 W/m²씩 분류한 후 각 그룹의 상관계수와 결정계수를 산출했다. 각 그룹의 상관계수와 결정계수의 평균은 각각 0.97과 0.95로 일사량을 제한하지 않았던 기존 값인 0.86과 0.75보다 증가하였다. 즉, 일사량을 제한했을 때 외기온도와 모듈온도의 상관성이 더 높고, 동일한 외기온도에서 모듈온도의 변화가 크지 않다는 것을 의미한다. 따라서 모듈온도는 외기온도의 경향을 따르고 일사량의 영향이 더해져서 정의된다고 해석할 수 있다.

모듈온도와 일사량의 상관성

모듈온도와 일사량의 관계를 살펴보기 위해 특별한 처리 없이 모듈온도와 일사량의 산포도를 나타내었다(Fig. 12). 두 변수의 상관계수는 0.59이고 Fig. 11에서 볼 수 있듯이 선형적인 관계처럼 보이지만 동일한 일사량에서 모듈온도가 많이 퍼지는 것을 확인할 수 있다. 앞서 외기온도가 모듈온도에 영향을 미친다는 사실을 확인하였기 때문에 외기온도를 제한한 후 일사량과의 관계를 보고자 외기온도를 5°C 간격으로 분류한 후 각 그룹의 상관계수를 계산하였다. 각 그룹의 상관계수 평균은 0.93으로 기존의 상관계수보다 현저히 높은 값을 나타내며 외기온도의 영향을 제한했을 때 일사량과 모듈온도 간의 상관성이 강함을 알 수 있다.

Fig. 12.

Scatter plot between POA irradiance and module temperature.

앞서 외기온도가 모듈온도의 기본 값의 역할을 하는 것을 확인하였고, 모듈온도에서 외기온도의 영향력을 완전히 배제하기 위해 모듈온도에서 외기온도를 제한 값과 일사량 간의 관계를 살펴보았다(Fig. 13). 외기온도를 제한했을 때 예상보다 넓게 퍼진 분포를 나타냈다. 영향력이 비교적 작지만 일사량과 외기온도 외에도 풍속이나 습도와 같은 기타 환경요인이 모듈온도에 영향을 미쳤을 가능성이 있다. 환경요인 외에도 본 연구에서 사용한 모듈온도 센서와 외기온도 센서가 다른 사양을 가졌기 때문에 민감도나 정확도의 차이가 있으며 각 센서와 모듈온도가 상승하는 시간차 등의 원인도 존재할 것으로 예상된다. 다양한 원인의 복합적인 영향으로 Fig. 13에서 예상보다 넓게 퍼진 분포를 나타내는 것으로 판단된다.

Fig. 13을 보면 경사면일사량 300 W/m²를 경계로 전후가 다른 경향성을 보이는 것을 확인할 수 있다. 이를 정량적으로 확인하기 위해서 경사면일사량을 100 W/m²씩 분류한 후, 모듈온도에서 외기온도를 제한 값에 대한 경사면일사량의 회귀분석을 실시하였다. 즉, 최종 회귀식은 식 (1)과 같고 각 그룹의 회귀분석 결과는 Table 4와 같이 정리하였다.

Fig. 13.

Scatter plot between POA irradiance and (module temperature – ambient temperature).

Table 4. Result of regression analysis according to POA irradiance

회귀분석 결과의 신뢰성을 나타내는 p-value를 보면 굉장히 작은 수치로 각 그룹의 모든 회귀분석 결과는 충분히 신뢰할 수 있다고 판단된다. 회귀식의 타당성 정도를 나타내는 상관계수와 결정계수 수치를 보면 300 W/m²를 기준으로 300 W/m² 이하는 타당하지 않은 수치, 이상은 타당한 수치가 나왔다. 특히, 200 W/m² 이하의 경우 일사량에 대한 계수가 음수 값으로 이론적으로도 타당하지 않은 값이 산출되었다. 300 W/m² 이하 구간은 일사량보다 다른 요인의 영향이 더 크게 작용할 가능성이 크다. 일사량에 대한 계수 값은 모듈온도에 대한 일사량의 영향력 정도를 나타내는 값이라고 할 수 있으므로 300 W/m² 이상 그룹의 일사량 계수를 보면 800 W/m² 까지 모듈온도에 대한 일사량의 영향력이 증가하다가 800 W/m² 이상이 되면 영향력이 감소하는 것을 확인할 수 있다. 800 W/m² 이상 그룹에서 모듈온도와 외기온도의 차의 평균이 약 18.3°C로 모듈온도가 이미 충분히 상승한 상태이기 때문에 일사량의 영향이 이전 그룹에 비해 크지 않기 때문이라고 해석할 수 있다.

위 회귀분석 결과 해석을 토대로 일사량에 따라 300 W/m² 이하, 300-800 W/m², 800 W/m² 이상으로 그룹을 분류하여 각 그룹에 특징에 맞게 회귀분석을 다시 실시하였다. 또한, Table 1에서 언급한 기존 모듈온도 예측모델 중 Tamizhmani et al. (2003)의 모델과의 비교를 실시하였다. 이 모델은 단결정 실리콘 모듈을 포함한 다양한 모듈 제품 및 시스템으로부터 얻은 자료를 이용하여 본 연구와 동일하게 실증분석을 통해 도출되었다. 비교분석 결과는 Table 5와 같다. 모든 식은 식 (2)의 형태를 가지면서 각 변수의 계수를 조절하여 통제하였다. 기존의 예측모델이나 모든 데이터를 사용한 하나의 회귀식을 사용할 때보다 일사량에 따라 다른 식을 제안했을 때, 잔차제곱합이 적었다. Tamizhmani et al. (2003)이 제안한 모델은 건조한 사막기후 지역의 자료가 많은 부분 포함되어 본 연구와 환경적으로도 다른 영향을 미쳤을 것이라고 판단된다. 또한, 해당 지역의 자료를 사용하되, 하나의 회귀식을 사용하는 것보다 일사량에 따른 특징을 토대로 분류하여 제안한 회귀식을 적용하는 것이 더 적절하다고 판단된다. 하나의 실측 시스템으로부터 나온 자료이기 때문에 모듈의 제품에 따른 특성이나 설치환경에 따라 다른 결과가 도출될 수도 있지만 서울지역에서 단결정 실리콘 모듈을 사용하는 시스템을 설계하거나 발전량 예측에 기여할 수 있을 것이라 판단된다.

Table 5. Comparison of the existing model and suggested equations

결론

본 연구에서는 서울지역에서 측정한 실측자료를 이용하여 기상요소와 모듈온도 간의 상관성을 분석하였다. 기상요소 중 모듈온도에 영향을 미치는 일사량과 외기온도의 관측 결과를 살펴보았다. 실제 태양광 모듈이 받는 일사량인 경사면일사량을 기준으로 봄철이 높은 일사량을 기록하고 겨울철이 낮은 일사량을 기록했다. 월별 일사량 차이가 존재하지만 수평면전일사량과 비교할 때 비교적 균일한 분포를 나타내었다. 이는 한국에서 관측되는 일반적인 일사량 경향과 동일했다. 외기온도는 여름에 높고 겨울에 낮은 일반적인 분포를 따랐다.

외기온도와 모듈온도의 히스토그램 분포를 살펴보면 기록된 온도 범위나 분포가 다르게 나타났다. 그러므로 시스템 효율에 더 직접적인 영향을 미치는 모듈온도 중심의 분석이 필요했다. 월별 맑은 날과 흐린 날의 모듈온도 변화 양상을 파악함으로써 외기온도와 일사량이 모듈온도에 영향을 미친다는 사실을 파악할 수 있었다. 맑은 날의 모듈온도 분포를 통해 모듈온도가 외기온도의 변화 경향과 유사하다는 사실을 파악했고, 흐린 날의 모듈온도 분포를 통해 모듈온도가 일사량의 영향을 받는다는 점을 예측할 수 있었다.

실측 모니터링 자료를 이용하여 일사량 및 외기온도와 모듈온도 간의 상관관계를 파악하였다. 실험 모듈을 통해 취득한 24시간 동안의 모듈온도와 외기온도의 측정 결과와 일사량을 제한했을 때의 모듈온도와 외기온도의 상관관계 분석을 통해 모듈온도는 외기온도와 비슷한 값으로 시작하여 일사량이 증가함에 따라 모듈온도가 상승하는 사실을 파악할 수 있었다. 또한, 외기온도를 제한하여 일사량과 모듈온도의 상관관계를 분석한 결과, 상관계수가 0.9 이상으로 모듈온도와 일사량이 강한 상관성을 가짐을 확인하였다.

기존의 모듈온도 예측모델은 특별한 조건에 상관없이 항상 동일한 식을 적용한다. 그러나 서울지역에서 측정한 시측 자료를 토대로 모듈온도 변화 양상을 살펴본 결과, 일사량 구간에 따라 모듈온도의 변화 양상이 다르게 나타났다. 일사량을 100 W/m² 단위로 구분하여 실시한 회귀분석을 통해 일사량이 300 W/m² 이하 일 때는 모듈온도와 일사량 간의 상관성이 매우 떨어졌고 회귀분석 결과 또한 타당하지 않았다. 일사량이 300 W/m² 부터 800 W/m² 까지는 모듈온도에 대한 일사량의 영향력이 증가하다가 800 W/m² 이상일 때는 모듈온도가 충분히 상승한 상태이기 때문에 일사량의 영향력이 줄었다. 이러한 특징을 반영하여 회귀분석을 재실시한 후, 기존의 모듈온도 예측모델과 비교분석하였다. 기존의 예측모델보다 서울지역에서 취득한 자료로 일사량 구간에 따라 적합한 모델을 제안하여 모듈온도를 예측하는 것이 더 적절하다고 판단하였다. 향후 단결정 외의 다양한 모듈과 시스템, 타 지역에 대한 자료를 추가로 포함하여 분석한다면 보다 일반적인 결과를 도출할 수 있을 것이다.

도심지에서는 에너지 수요가 크고 건물에 설치하는 것이 용이한 에너지 시스템을 구축해야 한다. 이러한 점에서 태양광 에너지는 타 재생에너지에 비해 도심지에서의 적용성이 뛰어나고 한국의 대표적인 도심지인 서울의 기상상황을 파악하는 것이 중요하다. 본 연구는 서울지역에서의 일사량과 모듈온도를 모니터링하고 분석하여 향후 서울지역에서 설치될 시스템 설치 환경을 파악할 수 있었다. 또한 본 연구를 토대로 기존의 모듈온도 예측모델을 그대로 적용하기보다 일사량 구간에 따라 각 구간에 적합한 모델을 제안한다면 모듈온도 예측 정확성이 향상될 것이다. 이는 더 나아가 서울지역에 설치될 태양광 발전 시스템을 설계하고 발전량을 예측하는 것에도 기여할 것으로 기대된다.