88. 태양광 발전소 발전 효율 및 기후 분석 실습
실전 데이터 분석 88: 발전 패널 표면 온도 및 일사량 세기 대비 태양광 발전소 일일 전력 생산량 분석
📊 실습 개요 (Tutorial Overview)
신재생 에너지 태양광 발전소의 일일 기상 및 전력 생산 기록 데이터셋입니다. 대기 일사량(SolarRadiation), 발전 패널의 표면 온도(PanelTemp), 구름량 등 자연환경 요인이 일일 최종 전력 생산량(DailyPower_kWh)에 미치는 효율 시너지를 시각화하고 진단합니다.
🛠️ 핵심 분석 실습 역량 (Core Skills)
- 결측치 평균 대치 (`fillna`): 센서 수집 장애로 누락된 구름량 지표를 평년 연간 평균 구름량으로 대치 보완합니다.
- 발전 효율 분포 및 일사량 연동 분석 (`histplot` , `scatterplot`): 일일 생산 전력의 종형 빈도 정렬 및 일사량 대비 발전 효율의 패널 온도 오버레이 산점도를 시각화합니다.
🧐 실무 도메인 지식 가이드 (Domain Knowledge Guide)
🔋 친환경 에너지 및 환경 (Energy & Environment) 재생 에너지 발전 성능 예측, 스마트 그리드 수요 관리, 탄소 배출량 모니터링 등 지속 가능한 환경 인프라를 위한 데이터 분석 분야입니다.
- 수요와 공급 매칭(Demand/Supply): ESS(에너지저장장치) 배터리 충전 셀 온도 편차와 전력 소비 피크 구간을 연계해 그리드 안전성을 모니터링합니다.
- 재생 에너지의 외생 변수 의존성: 풍속, 일사량, 패널 먼지 오염도 등 환경 요인이 발전 효율 하락에 기여하는 회귀식을 추계합니다.
- 기후 위험 지수 진단: 해수면 온도 변화나 산불 위험 요인 등 환경적 이상치를 공간 융합 통계 기법으로 분석합니다.
Step 1: 데이터 불러오기 및 기본 정보 확인 (Data Load)
제공된 CSV 파일을 분석 컴퓨터로 불러와 로드하고, 컬럼의 타입 및 데이터 구조를 확인합니다.
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
# 한글 폰트 설정
import koreanize_matplotlib
sns.set_theme(style="whitegrid")
# 데이터 로드
df = pd.read_csv('./solar_energy.csv')
print(df.info())
print(df.head())
💻 [실행 결과]
<class 'pandas.DataFrame'> RangeIndex: 1000 entries, 0 to 999 Data columns (total 6 columns): # Column Non-Null Count Dtype --- ------ -------------- ----- 0 DayID 1000 non-null int64 1 PanelTemp 1000 non-null float64 2 SolarRadiation 1000 non-null float64 3 CloudCover 987 non-null float64 4 DailyPower_kWh 1000 non-null float64 5 Efficiency 1000 non-null float64 dtypes: float64(5), int64(1) memory usage: 47.0 KB None DayID PanelTemp SolarRadiation CloudCover DailyPower_kWh Efficiency 0 880001 50.2 602.0 30.1 162.2 17.48 1 880002 24.5 155.9 NaN 43.4 18.17 2 880003 28.5 707.1 80.8 185.3 17.55 3 880004 56.1 440.2 39.4 112.2 16.30 4 880005 57.9 522.0 11.9 141.4 17.46
RangeIndex: 1000 entries, 0 to 999
Data columns (total 6 columns):
# Column Non-Null Count Dtype
— —— ————– —–
0 DayID 1000 non-null int64
1 PanelTemp 1000 non-null float64
2 SolarRadiation 1000 non-null float64
3 CloudCover 987 non-null float64
4 DailyPower_kWh 1000 non-null float64
5 Efficiency 1000 non-null float64
dtypes: float64(5), int64(1)
memory usage: 47.0 KB
DayID PanelTemp SolarRadiation CloudCover DailyPower_kWh Efficiency 0 880001 50.2 602.0 30.1 162.2 17.48 1 880002 24.5 155.9 NaN 43.4 18.17 2 880003 28.5 707.1 80.8 185.3 17.55 3 880004 56.1 440.2 39.4 112.2 16.30 4 880005 57.9 522.0 11.9 141.4 17.46 ```
Step 2: 결측치 및 데이터 정제 (Data Cleaning)
수집 과정에서 빈칸으로 기록된 결측값(NaN)의 존재 여부를 진단하고, 데이터 도메인 성격에 부합하는 통계 수치 대입 기법으로 정제합니다.
# 1. 컬럼별 결측치 개수 확인
print("--- 정제 전 결측치 확인 ---")
print(df.isnull().sum())
# 2. 결측치 전처리 및 대치 수행
mean_cloud = df['CloudCover'].mean()
df['CloudCover'] = df['CloudCover'].fillna(mean_cloud)
print(df.isnull().sum())
💻 [실행 결과]
--- 정제 전 결측치 확인 --- DayID 0 PanelTemp 0 SolarRadiation 0 CloudCover 13 DailyPower_kWh 0 Efficiency 0 dtype: int64 DayID 0 PanelTemp 0 SolarRadiation 0 CloudCover 0 DailyPower_kWh 0 Efficiency 0 dtype: int64
PanelTemp 0 SolarRadiation 0 CloudCover 13 DailyPower_kWh 0 Efficiency 0
— 정제 후 결측치 확인 — DayID 0 PanelTemp 0 SolarRadiation 0 CloudCover 0 DailyPower_kWh 0 Efficiency 0 ```
💡 분석가의 통찰 (Analyst’s Insight)
- 구름 기상 지표 평균 보정의 합리성: 구름량 수집기 장애로 비어 있는 기상 관측치를 보완합니다. 특정 일자의 국지 기상을 전체 연평균 구름량(약 45.2%)으로 대치해 데이터를 정형화함으로써, 계절 주기의 대조 분석 표본을 균형 있게 보존합니다.
Step 3: 단변수 분포 분석 (Univariate EDA)
가장 먼저 핵심 변수가 전체 데이터에서 어떤 빈도와 분포를 가졌는지 단일 변수 시각화를 통해 파악해 봅니다.
plt.figure(figsize=(8, 5))
# 단변수 분석 그래프 생성
sns.histplot(data=df, x='DailyPower_kWh', kde=True, color='orange')
plt.title('일일 태양광 전력 생산량 (Daily Power, kWh) 분포', fontsize=14, fontweight='bold')
plt.show()
💻 [실행 결과]
💡 시각화 차트 읽는 법 & 인사이트
- 연간 기상 흐름을 따르는 안정적 전력 생산 종형 분포: 일 발전량 분포는 기후 주기에 따라 특정 전력 구간(예: 150~350 kWh)을 정점으로 부드러운 종형 곡선을 이룹니다. 장마철의 아주 낮은 발전 구간과 최고 화창한 하절기 발전이 양 극단 스케일을 형성합니다.
Step 4: 다변수 상관관계 및 이상치 분석 (Multivariate EDA)
두 개 이상의 변수를 동시에 결합하여, 조건에 따른 수치 차이나 독립 변수와 종속 변수 간의 통계적 경향을 분석합니다.
plt.figure(figsize=(9, 6))
# 다변수 분석 그래프 생성
sns.scatterplot(data=df, x='SolarRadiation', y='DailyPower_kWh', hue='PanelTemp', palette='coolwarm', alpha=0.8)
plt.title('일사량 강도 대비 일 전력 발전량과 패널 온도 효과', fontsize=14, fontweight='bold')
plt.show()
💻 [실행 결과]
💡 코드 딥다이브 & 비즈니스 통찰 (Analyst’s Insight)
- 일사량의 선형 증가와 고온으로 인한 패널 효율 저하 규명: 일사량(X축)이 증가함에 따라 전력 발전량(Y축)도 기본적으로 가파르게 우상향합니다. 그러나 우상향 상단 영역을 보면, 패널 표면 온도(PanelTemp)가 과도하게 뜨거워진 고온 조건(붉은색 점 계열)에서 동일 일사량 대비 발전 전력이 일부 우하향 둔화되는 비선형 굴곡을 보입니다. 즉, 태양광 패널은 빛이 강할 때 발전 성능이 좋아지지만, 과열되면 오히려 발전 반도체의 저항 증가로 변환 효율이 감가된다는 에너지 열역학 특성을 완벽히 입증합니다.
Step 5: 통계적 직관과 해석 (Statistical Logic)
💡 [태양광 변환 효율의 비선형성과 2차 다항식 회귀(Polynomial Regression)의 통계 직관] … (생략: 태양광 패널의 온도 한계 및 2차 다항식 회귀 요약)
🎯 30분 강의 마무리 및 심화 과제
오늘 우리는 실전 데이터셋을 분석하여 판다스로 데이터를 가공 및 정제하고, 시각화를 활용하여 핵심 변수 간의 통계적 유의성을 검증했습니다. 데이터 속에서 숨겨진 패턴을 올바른 시각으로 탐색하는 능력이 데이터 사이언티스트의 가장 강력한 무기입니다.
📝 심화 과제 (Advanced Challenge)
- 구름량(CloudCover)과 일일 발전량의 상관관계 분석: 구름 면적 증가가 전력 생산 저하에 기여하는 상관계수를 구하고 기술적 판단을 적어보세요.
- 최적 발전 효율 온도 구간 도출:
PanelTemp를 5도 단위 범주로 나누고, 각 온도 구간별 평균 에너지 변환 효율(Efficiency)을 테이블로 추출해 최적 온도 밴드를 구해보세요.