KR102570248B1 - System and Method for Photovoltaics Power Prediction - Google Patents

System and Method for Photovoltaics Power Prediction Download PDF

Info

Publication number
KR102570248B1
KR102570248B1 KR1020210008656A KR20210008656A KR102570248B1 KR 102570248 B1 KR102570248 B1 KR 102570248B1 KR 1020210008656 A KR1020210008656 A KR 1020210008656A KR 20210008656 A KR20210008656 A KR 20210008656A KR 102570248 B1 KR102570248 B1 KR 102570248B1
Authority
KR
South Korea
Prior art keywords
information
group
weather
learning
power generation
Prior art date
Application number
KR1020210008656A
Other languages
Korean (ko)
Other versions
KR20220105823A (en
Inventor
정준홍
Original Assignee
한전케이디엔주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한전케이디엔주식회사 filed Critical 한전케이디엔주식회사
Priority to KR1020210008656A priority Critical patent/KR102570248B1/en
Publication of KR20220105823A publication Critical patent/KR20220105823A/en
Application granted granted Critical
Publication of KR102570248B1 publication Critical patent/KR102570248B1/en

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
    • H02S50/00—Monitoring or testing of PV systems, e.g. load balancing or fault identification
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
    • H02S40/00—Components or accessories in combination with PV modules, not provided for in groups H02S10/00 - H02S30/00
    • H02S40/30—Electrical components
    • H02S40/32—Electrical components comprising DC/AC inverter means associated with the PV module itself, e.g. AC modules
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy
    • Y02E10/56—Power conversion systems, e.g. maximum power point trackers

Landscapes

  • Photovoltaic Devices (AREA)
  • Control Of Electrical Variables (AREA)

Abstract

실시예에 따르면, 기상청의 기상 정보 및 기상 예보를 수집하고, 복수개의 그룹으로 구획된 태양광 발전소의 기상 관측 장비 및 인버터로부터 각 그룹별 기상 관측 정보 및 그룹별 태양광 발전량 정보를 수집하는 데이터 수집부; 상기 기상 정보 및 상기 그룹별 기상 관측 정보를 학습하고, 상기 기상 예보 입력시 상기 태양광 발전소의 그룹별 기상 예측 정보를 출력하는 제1학습부; 및 상기 그룹별 기상 관측 정보 및 상기 그룹별 태양광 발전량을 학습하고, 상기 그룹별 기상 예측 정보 입력시 상기 태양광 발전소의 그룹별 발전량 예측 정보를 출력하는 제2학습부를 포함하는 태양광 발전량 예측 시스템을 제공한다.According to the embodiment, data collection that collects weather information and weather forecasts from the Korea Meteorological Administration and collects weather observation information for each group and solar power generation information for each group from weather observation equipment and inverters of photovoltaic power plants partitioned into a plurality of groups. wealth; a first learning unit that learns the weather information and weather observation information for each group, and outputs weather prediction information for each group of the photovoltaic power plant when the weather forecast is input; and a second learning unit configured to learn weather observation information for each group and solar power generation for each group, and to output generation prediction information for each group of the photovoltaic power plant when the weather prediction information for each group is input. provides

Figure 112021008195471-pat00048
Figure 112021008195471-pat00048

Description

태양광 발전량 예측 시스템 및 방법{System and Method for Photovoltaics Power Prediction} Solar power generation prediction system and method {System and Method for Photovoltaics Power Prediction}

본 발명의 일실시예는 태양광 발전량 예측 시스템 및 방법에 관한 것이다.One embodiment of the present invention relates to a system and method for predicting solar power generation amount.

태양광 발전은 기상조건에 따라 발전량이 좌우되고 인위적인 제어가 어려우므로, 전력계통의 안정적인 운영을 위해서는 그 발전량을 정확하게 예측하는 것이 매우 중요하다. 또한 '재생에너지 발전량 예측제도'가 시행되면 태양광 발전량의 예측 정확도가 '정산금'과 직결되기 때문에, 전력 중개사업의 수익성에도 큰 영향을 미칠 전망이다. 이 때문에 최근 몇 년간 태양광 발전량의 예측 정확도를 높이기 위한 다양한 연구개발이 전 세계적으로 활발하게 진행중이다.Since photovoltaic power generation depends on weather conditions and is difficult to control artificially, it is very important to accurately predict the amount of power generation for stable operation of the power system. In addition, when the 'Renewable Energy Generation Amount Prediction System' is implemented, the accuracy of forecasting the amount of solar power generation is directly related to the 'settlement amount', so it is expected to have a great impact on the profitability of the electricity brokerage business. For this reason, in recent years, various R&D efforts to improve the prediction accuracy of solar power generation have been actively conducted worldwide.

기존 태양광 발전소의 발전량 예측은 기상예보를 바탕으로 하는 것이 대부분이며, 기상예보는 종관기상관측장비(ASOS, Automated Synoptic Observing System)와 자동기상관측장비(AWS, Automatic Weather System)의 기상정보 측정값을 기반으로 한다. 이 때문에, 해당 기상관측지점 대비 멀리 떨어진 곳, 산악/개활지/해상 등 지형적인 영향으로 일조량/일사량/운무 등에 큰 차이를 보이는 곳의 태양광 발전소는 그 발전량 예측 정확도가 크게 낮아질 수 있다. 또한, 기상예보만을 태양광 발전량 예측에 활용하기 때문에 태양광 발전소를 운영하면서 취득한 실제 발전량 정보를 활용하지 못한다는 문제가 있다. Most of the predictions of power generation of existing solar power plants are based on weather forecasts, and weather forecasts are measured values of weather information from Automated Synoptic Observing System (ASOS) and Automatic Weather System (AWS). is based on For this reason, the solar power plant in a place far away from the corresponding meteorological observation point, in a place where there is a large difference in the amount of sunshine / solar radiation / cloudiness due to topographical influences such as mountains / open areas / seas, the accuracy of predicting the amount of power generation may be significantly lowered. In addition, since only weather forecasts are used to predict the amount of solar power generation, there is a problem in that information on the actual amount of power generation obtained while operating the solar power plant cannot be used.

본 발명이 이루고자 하는 기술적 과제는 태양광 발전량 예측의 신뢰도 및 정확도를 크게 향상시킬 수 있는 태양광 발전량 예측 시스템 및 방법을 제공하는데 있다.A technical problem to be achieved by the present invention is to provide a solar power generation prediction system and method capable of greatly improving the reliability and accuracy of solar power generation prediction.

실시예에 따르면, 기상청의 기상 정보 및 기상 예보를 수집하고, 복수개의 그룹으로 구획된 태양광 발전소의 기상 관측 장비 및 인버터로부터 각 그룹별 태양광 발전량 정보 및 그룹별 기상 관측 정보를 수집하는 데이터 수집부; 상기 기상 정보 및 상기 그룹별 기상 관측 정보를 학습데이터로 이용하여, 상기 태양광 발전소의 각 그룹별 기상 정보를 예측하기 위한 기상정보 학습모델을 생성하는 제1학습부; 및 상기 그룹별 기상 관측 정보 및 상기 그룹별 태양광 발전량 정보를 학습데이터로 이용하여, 상기 태양광 발전소의 각 그룹별 발전량을 예측하기 위한 발전량 학습모델을 생성하는 제2 학습부를 포함하는 태양광 발전량 예측 시스템을 제공한다.According to the embodiment, data collection that collects weather information and weather forecasts from the Korea Meteorological Administration and collects solar power generation amount information for each group and weather observation information for each group from weather observation equipment and inverters of solar power plants partitioned into a plurality of groups. wealth; a first learning unit generating a weather information learning model for predicting weather information for each group of the photovoltaic power plant by using the weather information and the weather observation information for each group as learning data; and a second learning unit generating a power generation learning model for predicting the power generation amount of each group of the photovoltaic power plant by using the weather observation information for each group and the photovoltaic power generation information for each group as learning data. Provides a predictive system.

상기 데이터 수집부에서 수집한 정보의 노이즈 처리 및 데이터 보간 처리 중 적어도 하나를 수행하는 전처리부를 더 포함할 수 있다.It may further include a pre-processing unit that performs at least one of noise processing and data interpolation processing of the information collected by the data collection unit.

상기 제1 학습부는 상기 기상 정보 및 상기 그룹별 기상 관측 정보를 학습데이터로 이용하여 상기 기상 정보와 상기 그룹별 기상 관측 정보간의 상관관계를 학습하고, 기상 예보를 입력할 시 상기 그룹별 기상 예측 정보가 출력이 되도록 학습된 적어도 하나의 기상정보 학습모델을 포함할 수 있다.The first learning unit learns a correlation between the weather information and the weather observation information for each group by using the weather information and the weather observation information for each group as learning data, and when inputting a weather forecast, the weather prediction information for each group It may include at least one weather information learning model learned to be an output.

상기 제2학습부는 상기 그룹별 기상 관측 정보 및 상기 그룹별 태양광 발전량 정보를 학습데이터로 이용하여 상기 그룹별 기상 관측 정보 및 상기 그룹별 태양광 발전량의 상관관계를 학습하고, 상기 그룹별 기상 예측 정보를 입력할 시 상기 그룹별 태양광 발전량 예측 정보가 출력이 되도록 학습된 적어도 하나의 발전량 학습모델을 포함할 수 있다.The second learning unit learns the correlation between the weather observation information for each group and the amount of solar power generation for each group by using the weather observation information for each group and the solar power generation information for each group as learning data, and predicts the weather for each group. It may include at least one power generation learning model learned to output the photovoltaic power generation prediction information for each group when information is input.

상기 제1학습부 및 상기 제2학습부는 LSTM(Long Short Term Memory) 모델로 구성될 수 있다.The first learning unit and the second learning unit may be configured with a Long Short Term Memory (LSTM) model.

상기 제1학습부 및 상기 제2학습부의 학습 및 업데이트를 수행하는 학습모델 관리부를 더 포함할 수 있다.The first learning unit and the second learning unit may further include a learning model management unit that performs learning and updating.

실시예에 따르면, 데이터 수집부가 기상청의 기상 정보 및 기상 예보, 그리고 복수개의 그룹으로 구획된 태양광 발전소의 기상 관측 장비 및 인버터로부터 각 그룹별 기상 관측 정보 및 그룹별 태양광 발전량 정보를 수집하는 단계; 상기 기상 정보 및 상기 그룹별 기상 관측 정보를 학습한 제1학습부가, 상기 기상 예보 입력시 상기 태양광 발전소의 그룹별 기상 예측 정보를 출력하는 단계; 및 상기 그룹별 기상 관측 정보 및 상기 그룹별 태양광 발전량을 학습한 제2학습부가, 상기 그룹별 기상 예측 정보 입력시 상기 태양광 발전소의 그룹별 발전량 예측 정보를 출력하는 단계를 포함하는 태양광 발전량 예측 방법을 제공한다.According to an embodiment, the step of collecting the weather observation information for each group and the solar power generation information for each group from the weather information and weather forecast of the Korea Meteorological Administration, and the weather observation equipment and inverters of the photovoltaic power plant partitioned into a plurality of groups by the data collection unit. ; outputting, by a first learning unit that has learned the weather information and the weather observation information for each group, weather prediction information for each group of the photovoltaic power plant when the weather forecast is input; and outputting, by a second learning unit that has learned the weather observation information for each group and the amount of photovoltaic power generation for each group, outputting prediction information for the amount of power generation for each group of the photovoltaic power plant when the weather prediction information for each group is input. Provides a predictive method.

상기 수집하는 단계 이후에, 전처리부가 상기 데이터 수집부에서 수집한 정보의 노이즈 처리 및 데이터 보간 처리 중 적어도 하나를 수행하는 단계를 더 포함할 수 있다.After the collecting step, the pre-processing unit may further include performing at least one of noise processing and data interpolation processing of the information collected by the data collection unit.

상기 제1학습부는 상기 기상 정보 및 상기 그룹별 기상 관측 정보를 학습데이터로 이용하여 상기 기상 정보와 상기 그룹별 기상 관측 정보간의 상관관계를 학습하고, 상기 기상 예보를 입력할 시 상기 그룹별 기상 예측 정보가 출력층이 되도록 학습된 적어도 하나의 기상정보 학습모델을 포함할 수 있다.The first learning unit learns a correlation between the weather information and the weather observation information for each group by using the weather information and the weather observation information for each group as learning data, and predicts the weather for each group when the weather forecast is input. It may include at least one weather information learning model learned to have information as an output layer.

상기 제2학습부는 상기 그룹별 기상 관측 정보 및 상기 그룹별 태양광 발전량을 학습데이터로 이용하여 상기 그룹별 기상 관측 정보 및 상기 그룹별 태양광 발전량의 상관관계를 학습하고, 상기 그룹별 기상 예측 정보를 입력할 시 상기 그룹별 태양광 발전량 예측 정보가 출력이 되도록 학습된 적어도 하나의 발전량 학습모델을 포함할 수 있다.The second learning unit learns the correlation between the weather observation information for each group and the solar power generation for each group by using the weather observation information for each group and the solar power generation for each group as learning data, and the weather prediction information for each group. It may include at least one power generation learning model learned so that the photovoltaic power generation prediction information for each group is output when is input.

상기 제1학습부 및 상기 제2학습부는 LSTM(Long Short Term Memory) 모델로 구성될 수 있다.The first learning unit and the second learning unit may be configured with a Long Short Term Memory (LSTM) model.

학습모델 관리부가 상기 제1학습부 및 상기 제2학습부의 학습 및 업데이트를 수행하는 단계를 더 포함할 수 있다.The learning model management unit may further include learning and updating the first learning unit and the second learning unit.

실시예에 따르면, 전술한 방법을 컴퓨터에 실행시키기 위한 프로그램이 기록되어 있는 컴퓨터에서 판독 가능한　기록매체를 제공한다.According to an embodiment, a computer-readable recording medium in which a program for executing the above-described method is recorded on a computer is provided.

본 발명인 태양광 발전량 예측 시스템 및 방법은 태양광 발전량 예측의 신뢰도 및 정확도를 크게 향상시킬 수 있다.The system and method for predicting the amount of solar power generation according to the present invention can greatly improve the reliability and accuracy of predicting the amount of solar power generation.

또한, 태양광 발전량 예측 정확도를 제고하여 전력계통의 안정성을 확보하고 태양광 발전단가 개선에 기여할 수 있다.In addition, by improving the accuracy of predicting the amount of solar power generation, it is possible to secure the stability of the power system and contribute to improving the unit cost of solar power generation.

도1 및 도2는 실시에예 따른 태양광 발전 시스템을 설명하기 위한 도면이다.
도3은 실시에예 따른 태양광 발전량 예측 시스템의 구성 블록도이다.
도4는 실시예에 따른 제1학습부의 동작을 설명하기 위한 도면이다.
도5는 실시예에 따른 제2학습부의 동작을 설명하기 위한 도면이다.
도6은 실시예에 따른 태양광 발전량 예측 시스템의 동작을 설명하기 위한 도면이다.
도 7은 실시예에 따른 제1 학습부 및 제2학습부에 적용되는　LSTM의 단위 셀의 구조를 예시적으로 보여주는 도면이다.
도 8은 도 7의　LSTM　단위 셀을 이용하여 구현되는　LSTM　기반 학습모델의 일례를 도시한 도면이다.
도9는 실시예에 따른 태양광 발전 방법의 순서도이다.1 and 2 are diagrams for explaining a photovoltaic power generation system according to an embodiment.
3 is a configuration block diagram of a system for predicting solar power generation amount according to an embodiment.
4 is a diagram for explaining the operation of a first learning unit according to an embodiment.
5 is a diagram for explaining the operation of a second learning unit according to an embodiment.
6 is a diagram for explaining the operation of the system for predicting the amount of solar power generation according to an embodiment.
7 is a diagram exemplarily showing the structure of a unit cell of an LSTM applied to a first learning unit and a second learning unit according to an embodiment.
FIG. 8 is a diagram showing an example of an LSTM-based learning model implemented using the LSTM unit cell of FIG. 7 .
9 is a flowchart of a photovoltaic power generation method according to an embodiment.

이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예를 상세히 설명한다.Hereinafter, preferred embodiments of the present invention will be described in detail with reference to the accompanying drawings.

다만, 본 발명의 기술 사상은 설명되는 일부 실시 예에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있고, 본 발명의 기술 사상 범위 내에서라면, 실시 예들간 그 구성 요소들 중 하나 이상을 선택적으로 결합, 치환하여 사용할 수 있다.However, the technical idea of the present invention is not limited to some of the described embodiments, but may be implemented in a variety of different forms, and if it is within the scope of the technical idea of the present invention, one or more of the components among the embodiments can be selectively implemented. can be used by combining and substituting.

또한, 본 발명의 실시예에서 사용되는 용어(기술 및 과학적 용어를 포함)는, 명백하게 특별히 정의되어 기술되지 않는 한, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 일반적으로 이해될 수 있는 의미로 해석될 수 있으며, 사전에 정의된 용어와 같이 일반적으로 사용되는 용어들은 관련 기술의 문맥상의 의미를 고려하여 그 의미를 해석할 수 있을 것이다.In addition, terms (including technical and scientific terms) used in the embodiments of the present invention, unless explicitly specifically defined and described, can be generally understood by those of ordinary skill in the art to which the present invention belongs. It can be interpreted as meaning, and commonly used terms, such as terms defined in a dictionary, can be interpreted in consideration of contextual meanings of related technologies.

또한, 본 발명의 실시예에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다.Also, terms used in the embodiments of the present invention are for describing the embodiments and are not intended to limit the present invention.

본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함할 수 있고, "A 및(와) B, C 중 적어도 하나(또는 한 개 이상)"로 기재되는 경우 A, B, C로 조합할 수 있는 모든 조합 중 하나 이상을 포함할 수 있다.In this specification, the singular form may also include the plural form unless otherwise specified in the phrase, and when described as "at least one (or more than one) of A and (and) B and C", A, B, and C are combined. may include one or more of all possible combinations.

또한, 본 발명의 실시 예의 구성 요소를 설명하는 데 있어서, 제1, 제2, A, B, (a), (b) 등의 용어를 사용할 수 있다.Also, terms such as first, second, A, B, (a), and (b) may be used to describe components of an embodiment of the present invention.

이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질이나 차례 또는 순서 등으로 한정되지 않는다.These terms are only used to distinguish the component from other components, and the term is not limited to the nature, order, or order of the corresponding component.

그리고, 어떤 구성 요소가 다른 구성요소에 '연결', '결합' 또는 '접속'된다고 기재된 경우, 그 구성 요소는 그 다른 구성 요소에 직접적으로 연결, 결합 또는 접속되는 경우뿐만 아니라, 그 구성 요소와 그 다른 구성 요소 사이에 있는 또 다른 구성 요소로 인해 '연결', '결합' 또는 '접속' 되는 경우도 포함할 수 있다.In addition, when a component is described as being 'connected', 'coupled' or 'connected' to another component, the component is not only directly connected to, combined with, or connected to the other component, but also with the component. It may also include the case of being 'connected', 'combined', or 'connected' due to another component between the other components.

또한, 각 구성 요소의 "상(위) 또는 하(아래)"에 형성 또는 배치되는 것으로 기재되는 경우, 상(위) 또는 하(아래)는 두 개의 구성 요소들이 서로 직접 접촉되는 경우뿐만 아니라 하나 이상의 또 다른 구성 요소가 두 개의 구성 요소들 사이에 형성 또는 배치되는 경우도 포함한다. 또한, "상(위) 또는 하(아래)"으로 표현되는 경우 하나의 구성 요소를 기준으로 위쪽 방향뿐만 아니라 아래쪽 방향의 의미도 포함할 수 있다.In addition, when it is described as being formed or disposed on the "top (above) or bottom (bottom)" of each component, the top (top) or bottom (bottom) is not only a case where two components are in direct contact with each other, but also one A case in which another component above is formed or disposed between two components is also included. In addition, when expressed as "up (up) or down (down)", it may include the meaning of not only an upward direction but also a downward direction based on one component.

이하, 첨부된 도면을 참조하여 실시예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 대응하는 구성 요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.Hereinafter, the embodiments will be described in detail with reference to the accompanying drawings, but the same or corresponding components regardless of reference numerals are given the same reference numerals, and overlapping descriptions thereof will be omitted.

도1 및 도2는 실시에예 따른 태양광 발전 시스템을 설명하기 위한 도면이다.1 and 2 are diagrams for explaining a photovoltaic power generation system according to an embodiment.

도1및 도2를 참조하면, 태양광 모듈 어레이(100)는 복수개의 태양전지 모듈이 어레이로 구성되어 직류전류를 출력하여 접속반(200)에 제공할 수 있다. 태양광 모듈 어레이(100)는 태양광 에너지를 전기에너지로 변환하여 출력하는 복수의 태양전지 모듈이 직렬방식으로 연결되어 있으며 하나의 접속반에 복수개의 태양광 모듈 어레이가 연결될 수 있다. 접속반(200)은 시간대별 전압 정보 및 전류 정보를 측정하여 태양광 발전량 예측 시스템(500)에 전달할 수 있다. 이 때, 전압 정보 및 전류 정보에는 측정 시간 정보를 의미하는 타임 스탬프가 포함될 수 있다.Referring to FIGS. 1 and 2 , the photovoltaic module array 100 may be composed of a plurality of solar cell modules as an array to output DC current and provide it to the connecting board 200 . In the photovoltaic module array 100, a plurality of solar cell modules that convert solar energy into electrical energy and output them are connected in series, and a plurality of photovoltaic module arrays may be connected to one connection panel. The connection panel 200 may measure voltage information and current information for each time period and transmit the measured voltage information and current information to the solar power generation prediction system 500 . In this case, the voltage information and the current information may include a time stamp meaning measurement time information.

접속반(200)에는 복수개의 태양광 모듈 어레이(100)가 병렬로 연결될 수 있다. 접속반(200)은 태양광 모듈 어레이(100)와 인버터(200)를 연결하여 태양광 모듈 어레이(100)에서 발생되는 직류 전력을 직/병렬로 연결하여 집합시킬 수 있으며 내부에는 퓨즈 및 역전류 방지를 위한 다이오드가 설치될 수 있다. 하나의 인버터에는 복수개의 접속반이 연결될 수 있다.A plurality of photovoltaic module arrays 100 may be connected in parallel to the connecting board 200 . The connection panel 200 connects the solar module array 100 and the inverter 200 to collect direct current power generated from the solar module array 100 by connecting them in series/parallel. A diode for prevention may be installed. A plurality of connecting panels may be connected to one inverter.

인버터(300)는 접속반(200)에서 직류 형태로 제공되는 발전 전력을 교류로 변환시켜 부하단(미도시)에 공급할 수 있다. 인버터(300)는 전기실 내부에 설치되어 있으며 각각의 인버터(300)는 복수개의 접속반(200)과 케이블로 연결되어 직류 전력을 공급받을 수 있다. 또한, 인버터(300)는 연결되어 있는 접속반(200) 및 태양광 모듈 어레이(100)로부터 생산되는 태양광 발전량 정보를 측정할 수 있다.The inverter 300 may convert the generated power provided in the form of direct current from the connection board 200 into alternating current and supply it to a load terminal (not shown). The inverter 300 is installed inside the electric room, and each inverter 300 is connected to a plurality of connecting panels 200 with a cable to receive DC power. In addition, the inverter 300 may measure solar power generation amount information generated from the connecting board 200 and the solar module array 100 connected to each other.

기상 관측 장비(400)는 특정 구역에 위치하여 다양한 기상 관측 정보를 수집할 수 있다. 기상 관측 장비(400)는 예를 들면, 기온, 습도, 경사 일사량, 수평 일사량, 일조량, 풍속, 강수 및 습도를 측정하여 태양광 발전량 예측 시스템(500)에 전달할 수 있다. 이 때, 기온, 습도, 경사 일사량, 수평 일사량, 일조량, 풍속, 강수 및 습도에는 측정 시간 정보를 의미하는 타임 스탬프가 포함될 수 있다.The weather observation equipment 400 may be located in a specific area and collect various weather observation information. The weather observation equipment 400 may measure, for example, temperature, humidity, oblique solar radiation, horizontal solar radiation, solar radiation, wind speed, precipitation, and humidity, and transmit the measured values to the solar power generation prediction system 500 . In this case, a time stamp indicating measurement time information may be included in temperature, humidity, oblique solar radiation, horizontal solar radiation, solar radiation, wind speed, precipitation, and humidity.

실시예에서 태양광 발전소는 가상의 구획으로 구분될 수 있다. 전체 태양광 발전소는 복수개의 그룹으로 구분되어 있으며, 각각의 그룹은 적어도 하나의 인버터 및 적어도 하나의 기상 관측 정보를 포함하여 구성될 수 있다. 각각의 인버터에서 측정하는 태양광 발전량 정보 및 기상 관측 장비에서 측정하는 기상 관측 정보는 그룹 식별 정보를 포함할 수 있다.In an embodiment, a photovoltaic power plant may be divided into virtual compartments. The entire photovoltaic power plant is divided into a plurality of groups, and each group may include at least one inverter and at least one weather observation information. The solar power generation amount information measured by each inverter and the weather observation information measured by the weather observation equipment may include group identification information.

각각의 그룹에 속한 인버터 및 기상 관측 장비는 자체적으로 보유하고 있는 통신 모듈을 통하여 태양광 발전량 예측 시스템과 데이터 통신을 수행할 수 있다. 또는, 각각의 그룹에는 별도의 통신 모듈이 배치되어 있어, 각 그룹에 속한 인버터 및 기상 관측 장비로부터 수신한 데이터를 태양관 발전량 예측 시스템에 전송할 수 있다.Inverters and weather observation equipment belonging to each group may perform data communication with the solar power generation prediction system through their own communication module. Alternatively, since a separate communication module is disposed in each group, data received from inverters and weather observation equipment belonging to each group may be transmitted to the solar power generation prediction system.

도3은 실시에예 따른 태양광 발전량 예측 시스템의 구성 블록도이다. 도3을 참조하면, 실시예에 따른 태양광 발전량 예측 시스템(500)은 데이터 수집부(510), 전처리부(520), 제1학습부(530), 제2학습부(540), 유저 인터페이스부(550), 표시부(560), 학습모델 관리부(570) 및 데이터 베이스(580)를 포함할 수 있다.3 is a configuration block diagram of a system for predicting solar power generation amount according to an embodiment. Referring to FIG. 3, the solar power generation prediction system 500 according to the embodiment includes a data collection unit 510, a pre-processing unit 520, a first learning unit 530, a second learning unit 540, and a user interface. It may include a unit 550, a display unit 560, a learning model management unit 570, and a database 580.

데이터 수집부(510)는 기상청의 기상 정보 및 기상 예보를 수집하고, 복수개의 그룹으로 구획된 태양광 발전소의 기상 관측 장비 및 인버터로부터 각 그룹별 기상 관측 정보와 그룹별 태양광 발전량 정보를 수집할 수 있다.The data collection unit 510 collects weather information and weather forecasts from the Korea Meteorological Administration, and collects weather observation information for each group and solar power generation information for each group from weather observation equipment and inverters of a solar power plant partitioned into a plurality of groups. can

데이터 수집부(510)는 그룹별 인버터, 기상 관측 장비 또는 그룹별로 마련된 별도의 통신 모듈과 데이터 통신을 수행할 수 있다. 예를 들면, 데이터 수집부(510)는 무선랜(Wireless LAN: WLAN), 와이 파이(Wi-Fi), 와이브로(Wireless Broadband: Wibro), 와이맥스(World Interoperability for Microwave Access: Wimax), HSDPA(High Speed Downlink Packet Access), IEEE 802.16, 롱 텀 에볼루션(Long Term Evolution: LTE), 광대역 무선 이동 통신 서비스(Wireless Mobile Broadband Service: WMBS) 등의 원거리 통신 기술을 사용하여 데이터 통신을 수행할 수 있다.The data collection unit 510 may perform data communication with inverters for each group, weather observation equipment, or a separate communication module provided for each group. For example, the data collector 510 is a wireless LAN (WLAN), Wi-Fi (Wi-Fi), Wi-Bro (Wireless Broadband: Wibro), WiMAX (World Interoperability for Microwave Access: Wimax), HSDPA (High Speed Downlink Packet Access), IEEE 802.16, Long Term Evolution (LTE), and wireless mobile broadband service (WMBS).

또는, 데이터 수집부(510)는 블루투스, RFID(RadioFrequency Identification), 적외선 통신(Infrared Data Association: IrDA), UWB(Ultra Wideband), 지그비, 인접 자장 통신(NFC) 등을 포함할 수 있다. 또한, 유선 통신 기술로는, USB 통신, 이더넷(Ethernet), 시리얼 통신(serial communication), 광/동축 케이블 등의 근거리 통신 기술을 사용하여 데이터 통신을 수행할 수 있다.Alternatively, the data collection unit 510 may include Bluetooth, Radio Frequency Identification (RFID), Infrared Data Association (IrDA), Ultra Wideband (UWB), ZigBee, Near Field Communication (NFC), and the like. In addition, as a wired communication technology, data communication may be performed using a short-distance communication technology such as USB communication, Ethernet, serial communication, and optical/coaxial cable.

전처리부(520)는 데이터 수집부(510)에서 수집한 정보의 노이즈 처리 및 데이터 보간 처리 중 적어도 하나를 수행할 수 있다.The pre-processing unit 520 may perform at least one of noise processing and data interpolation processing of the information collected by the data collecting unit 510 .

예를 들면, 전처리부(520)는 데이터 수집부(510)에서 수집한 데이터를 동종의 데이터 또는 데이터 베이스(580)에 저장되어 있는 통계 데이터와 비교하여, 기 설정된 기준 범위를 벗어나는 경우, 해당 데이터를 노이즈로 처리하여 필터링할 수 있다.For example, the pre-processing unit 520 compares the data collected by the data collection unit 510 with the same type of data or statistical data stored in the database 580, and when the data is out of a predetermined reference range, the corresponding data can be treated as noise and filtered.

또한, 전처리부(520)는 데이터 수집부(510)에서 수집한 데이터를 시계열적으로 나열한 후, 누락된 데이터를 판별한 후 누락 시점 전후에 수집된 데이터를 이용하여 데이터를 보간할 수 있다.In addition, the pre-processing unit 520 may interpolate the data using data collected before and after the missing time after chronologically listing the data collected by the data collecting unit 510 and determining missing data.

제1학습부(530)는 기상 정보 및 그룹별 기상 관측 정보를 학습하고, 기상 예보 입력시 태양광 발전소의 그룹별 기상 예측 정보를 출력할 수 있다. 이 때, 제1학습부(530)에 학습되는 기상 정보 및 그룹별 기상 관측 정보는 전처리부(520)를 통하여 전처리 과정을 거친 데이터일 수 있다.The first learning unit 530 may learn weather information and weather observation information for each group, and output weather prediction information for each group of the photovoltaic power plant when a weather forecast is input. At this time, the weather information learned by the first learning unit 530 and the weather observation information for each group may be data that has undergone a pre-processing process through the pre-processing unit 520 .

도4는 실시예에 따른 제1학습부의 동작을 설명하기 위한 도면이다. 도4를 참조하면, 제1학습부(530)는 기상 정보(WT)와 그룹별 기상 관측 정보(Wi, i=1, 2···, N; N은 자연수)를 학습데이터로 이용하여, 기상 정보와 그룹별 기상 관측 정보간의 상관관계를 학습하고, 기상 예보를 입력할 시 그룹별 기상 예측 정보가 출력이 되도록 학습된 적어도 하나의 기상정보 학습모델(531)을 포함할 수 있다.4 is a diagram for explaining the operation of a first learning unit according to an embodiment. Referring to FIG. 4, the first learning unit 530 uses weather information (W T ) and weather observation information for each group (W i , i = 1, 2..., N; N is a natural number) as learning data. Thus, it may include at least one weather information learning model 531 learned to learn a correlation between weather information and weather observation information for each group and to output weather forecast information for each group when a weather forecast is input.

제1학습부(530)는 데이터 베이스(580)에 저장된 일정 기간의 기상 정보 및 그룹별 기상 관측 정보를 학습하고, 기상 예보 입력시 태양광 발전소의 그룹별 기상 예측 정보를 추정하도록 학습될 수 있다.The first learning unit 530 may learn weather information of a certain period and weather observation information for each group stored in the database 580, and may be trained to estimate weather forecast information for each group of the photovoltaic power plant when a weather forecast is input. .

예를 들면, 제1학습부(530)의 학습 데이터는 하기 <표1>에 나와있는 바와 같이, 특정 시간대에 수집된 기상 정보 및 그룹별 기상 관측 정보로 구성될 수 있다. <표1>에 명시되지는 않았지만, 기상 정보 및 그룹별 기상 관측 정보는 기온, 습도, 일사량, 운량 이외에 더 많은 기상 관련 정보를 포함할 수 있다.For example, as shown in Table 1 below, the learning data of the first learning unit 530 may include weather information collected in a specific time period and weather observation information for each group. Although not specified in <Table 1>, weather information and weather observation information by group may include more weather-related information in addition to temperature, humidity, insolation, and cloudiness.

제1학습부(530)는 수개월 또는 수년간 수집된 학습 데이터를 학습하여 기상정보 학습모델을 생성할 수 있다. 예를 들면, 제1학습부(530)는 미리 정의된 오차범위 이내로 학습 결과가 수렴할 때까지 또는 사용자가 지정한 횟수에 도달할 때까지 학습을 반복하여 기상정보 학습모델(531)을 생성할 수 있다.The first learning unit 530 may generate a weather information learning model by learning learning data collected for several months or years. For example, the first learning unit 530 may generate the weather information learning model 531 by repeating learning until the learning result converges within a predefined error range or until the number of times specified by the user is reached. there is.

이 때, 기상정보 학습모델(531)은 기상정보 및 각각의 그룹별 기상 관측 정보를 학습하여 생성될 수 있다. 즉, 제1학습부(530)는 기상정보와 각 그룹별 기상 관측 정보를 그룹별로 학습하여 제1그룹 내지 N그룹에 따른 별도의 기상정보 학습모델(531)을 생성할 수 있다.At this time, the weather information learning model 531 may be generated by learning weather information and weather observation information for each group. That is, the first learning unit 530 may generate separate weather information learning models 531 according to the first to N groups by learning weather information and weather observation information for each group by group.

예를 들면, n(1≤n≤N)그룹의 기상정보 학습모델(531)은 기상 정보 및 n그룹의 기상 관측 정보를 학습하여 생성되며, 기상 예보 입력시 n그룹의 기상 예측 정보를 출력할 수 있다.For example, the weather information learning model 531 of n (1≤n≤N) groups is generated by learning weather information and n groups of weather observation information, and outputs n groups of weather prediction information when a weather forecast is input. can

제1학습부(530)는 컴퓨터로 읽을 수 있는 프로그램을 포함할 수 있다. 해당 프로그램은 컴퓨터에 의하여 실행될 수 있는 기록매체 또는 저장 장치에 저장될 수 있다. 컴퓨터 내의 프로세서는 기록매체 또는 저장 장치에 저장된 프로그램을 읽어 들이며, 프로그램, 즉 학습된 모델을 실행하여 입력 정보를 연산하고, 연산 결과를 출력할 수 있다. The first learning unit 530 may include a computer readable program. The program may be stored in a recording medium or storage device that can be executed by a computer. A processor in the computer may read a program stored in a recording medium or a storage device, execute the program, that is, a learned model, calculate input information, and output calculation results.

제2학습부(540)는 그룹별 기상 관측 정보 및 그룹별 태양광 발전량을 학습하고, 그룹별 기상 예측 정보 입력시 태양광 발전소의 그룹별 발전량 예측 정보를 출력할 수 있다. 이 때, 제2학습부(540)에 학습되는 그룹별 기상 관측 정보 및 그룹별 태양광 발전량은 전처리부(520)를 통하여 전처리 과정을 거친 데이터일 수 있다.The second learning unit 540 may learn weather observation information for each group and amount of photovoltaic power generation for each group, and output prediction information for the amount of power generation for each group of the photovoltaic power plant when weather prediction information for each group is input. At this time, the weather observation information for each group and the amount of photovoltaic power generation for each group learned by the second learning unit 540 may be data that has undergone a pre-processing process through the pre-processing unit 520 .

도5는 실시예에 따른 제2학습부의 동작을 설명하기 위한 도면이다. 도5를 참조하면, 제2학습부(540)는 그룹별 기상 관측 정보(Wi, i=1, 2···, N; N은 자연수) 및 그룹별 태양광 발전량(Pi, i=1, 2···, N; N은 자연수)를 학습데이터로 하여, 그룹별 기상 관측 정보 및 그룹별 태양광 발전량 정보의 상관관계를 학습하고, 그룹별 기상 예측 정보 입력시 그룹별 태양광 발전량 예측 정보가 출력층이 되도록 학습된 적어도 하나의 발전량 학습모델(541)을 포함할 수 있다.5 is a diagram for explaining the operation of a second learning unit according to an embodiment. Referring to FIG. 5, the second learning unit 540 provides meteorological observation information for each group (Wi, i = 1, 2..., N; N is a natural number) and solar power generation for each group (Pi, i = 1, 2···, N; N is a natural number) as learning data to learn the correlation between weather observation information for each group and solar power generation information for each group, and solar power generation prediction information for each group when weather forecast information for each group is input It may include at least one generation amount learning model 541 learned to be an output layer.

제2학습부(540)는 데이터 베이스(580)에 저장된 일정 기간의 그룹별 기상 관측 정보 및 그룹별 태양광 발전량을 학습하고, 그룹별 기상 예측 정보 입력시 태양광 발전소의 그룹별 발전량 예측 정보를 추정하도록 학습될 수 있다.The second learning unit 540 learns weather observation information by group and solar power generation amount by group for a certain period stored in the database 580, and when weather prediction information by group is input, power generation prediction information by group of the photovoltaic power plant is obtained. can be learned to estimate.

예를 들면, 제2학습부(540)의 학습 데이터는 하기 <표2>에 나와있는 바와 같이, 특정 시간대에 수집된 그룹별 기상 관측 정보 및 그룹별 태양광 발전량으로 구성될 수 있다. <표2>에 명시되지는 않았지만, 그룹별 기상 관측 정보는 기온, 습도, 일사량, 운량 이외에 더 많은 기상 관련 정보를 포함할 수 있다.For example, as shown in Table 2 below, the learning data of the second learning unit 540 may include weather observation information for each group and solar power generation for each group collected in a specific time period. Although not specified in <Table 2>, weather observation information for each group may include more meteorological information in addition to temperature, humidity, insolation, and cloudiness.

제2학습부(540)는 수개월 또는 수년간 수집된 학습 데이터를 학습하여 발전량 학습모델(541)을 생성할 수 있다. 예를 들면, 제2학습부(540)는 미리 정의된 오차범위 이내로 학습 결과가 수렴할 때까지 또는 사용자가 지정한 횟수에 도달할 때까지 학습을 반복하여 발전량 학습모델(541)을 생성할 수 있다.The second learning unit 540 may generate a power generation learning model 541 by learning learning data collected for several months or years. For example, the second learning unit 540 may generate the power generation learning model 541 by repeating learning until the learning result converges within a predefined error range or until the number of times specified by the user is reached. .

이 때, 발전량 학습모델(541)은 각각의 그룹별 기상 관측 정보 및 그룹별 태양광 발전량을 학습하여 생성될 수 있다. 즉, 제2학습부(540)는 그룹별 기상 관측 정보 및 그룹별 태양광 발전량을 그룹별로 학습하여 제1그룹 내지 제N그룹에 따른 별도의 발전량 학습모델(541)을 생성할 수 있다.At this time, the generation amount learning model 541 may be generated by learning weather observation information for each group and solar power generation amount for each group. That is, the second learning unit 540 may generate separate power generation learning models 541 according to the first to Nth groups by learning the weather observation information for each group and the amount of photovoltaic power generation for each group.

예를 들면, n(1≤n≤N)그룹의 발전량 학습모델(541)은 n그룹의 기상 관측 정보 및 태양광 발전량을 학습하여 생성되며, n그룹에 대한 기상 예측 정보 입력시 n그룹의 발전량 예측 정보를 출력할 수 있다.For example, the power generation learning model 541 of n (1≤n≤N) groups is generated by learning weather observation information and solar power generation of n groups, and when weather prediction information for n groups is input, power generation of n groups Prediction information can be output.

제2학습부(540)는 컴퓨터로 읽을 수 있는 프로그램을 포함할 수 있다. 해당 프로그램은 컴퓨터에 의하여 실행될 수 있는 기록매체 또는 저장 장치에 저장될 수 있다. 컴퓨터 내의 프로세서는 기록매체 또는 저장 장치에 저장된 프로그램을 읽어 들이며, 프로그램, 즉 학습된 모델을 실행하여 입력 정보를 연산하고, 연산 결과를 출력할 수 있다. The second learning unit 540 may include a computer readable program. The program may be stored in a recording medium or storage device that can be executed by a computer. A processor in the computer may read a program stored in a recording medium or a storage device, execute the program, that is, a learned model, calculate input information, and output calculation results.

도6은 실시예에 따른 태양광 발전량 예측 시스템의 동작을 설명하기 위한 도면이다.6 is a diagram for explaining the operation of the system for predicting the amount of solar power generation according to an embodiment.

도6을 참조하면, 실시예에 따른 태양광 발전량 예측 시스템(500)에 기상청에서 발표한 기상예보( )를 입력하면, 해당 태양광 발전소의 발전량 예측정보( )를 결과값으로 출력할 수 있다. 즉, 기상청에서 발표하는 기상 예보를 제1학습부(530)에 입력하면, 제1학습부(530)는 태양광 발전소의 그룹별 기상 예측 정보( , )를 출력할 수 있다. 이어서 제1학습부(530)에서 출력한 그룹별 기상 예측 정보( , )는 제2학습부(540)로 입력되며, 제2학습부(540)는 그룹별 태양광 발전량( , )을 출력할 수 있다. 그룹별 태양광 발전량( , )은 취합되어 전체 태양광 발전소의 발전량( )으로 사용될 수 있다.Referring to FIG. 6, the weather forecast announced by the Korea Meteorological Administration in the solar power generation prediction system 500 according to the embodiment ( ), the predicted power generation amount of the photovoltaic power plant ( ) can be output as the result value. That is, when the weather forecast announced by the Korea Meteorological Administration is input to the first learning unit 530, the first learning unit 530 provides weather prediction information for each group of photovoltaic power plants ( , ) can be output. Subsequently, weather prediction information for each group output from the first learning unit 530 ( , ) is input to the second learning unit 540, and the second learning unit 540 determines the amount of photovoltaic power generation by group ( , ) can be output. Solar power generation by group ( , ) is aggregated and the power generation of the entire solar power plant ( ) can be used.

실시예에서, 제1학습부(530) 및 제2학습부(540)는 LSTM(Long Short Term Memory)모델로 구성될 수 있다.In an embodiment, the first learning unit 530 and the second learning unit 540 may be configured with a Long Short Term Memory (LSTM) model.

즉, 제1학습부(530) 및 제2학습부(540)는 입력층을 통해 입력되는 데이터들에 시계열 분석을 수행하여 데이터들을 분해(decomposition)하고, 분해된 데이터들을 입력으로 하는　LSTM　모델을 이용하여 추정을 수행하고, 출력층을 통해 추정 결과를 출력할 수 있다.That is, the first learning unit 530 and the second learning unit 540 decompose the data by performing time-series analysis on the data input through the input layer, and generate an LSTM model using the decomposed data as input. It is possible to perform estimation by using and output an estimation result through an output layer.

실시예에 따른　LSTM모델은 RNN모델 보다 긴 기간의 데이터를 학습할 수 있도록 개발된 일종의 RNN이다.　LSTM은 기울기 값이 사라지는 문제를 해결하기 위해　LSTM에 존재하는 게이트에서 숨겨진 상태를 제어할 수 있다.The LSTM model according to the embodiment is a kind of RNN developed to learn data of a longer period than the RNN model. LSTM can control the hidden state in the gate existing in 　LSTM to solve the problem of disappearing gradient values.

도 7은 실시예에 따른 제1 학습부 및 제2학습부에 적용되는　LSTM의 단위 셀의 구조를 예시적으로 보여주는 도면이다.7 is a diagram exemplarily showing the structure of a unit cell of an LSTM applied to a first learning unit and a second learning unit according to an embodiment.

도 7을 참조하면,　LSTM의 단위 셀은 입력 게이트(Input gate), 망각 게이트(Forget gate) 및 출력 게이트(Output gate)로 구성된다.Referring to FIG. 7, a unit cell of LSTM is composed of an input gate, a forget gate, and an output gate.

주어진 시간　에 대해,　LSTM의 각 게이트는 입력　, 이전 숨은 상태 값　, 현재 셀 값　, 이전 셀 값　에 의해 결정되며, 방정식은 아래의 수학식 1을 만족할 수 있다.given time For , each gate of the LSTM is input , the previous hidden state value , current cell value , previous cell value It is determined by, and the equation may satisfy Equation 1 below.

여기서,　,　　및　는 각각 현재 시간에 대한 입력, 삭제 및 출력 게이트의 값이다. σ는 0부터 1까지의 로지스틱 시그모이드 함수로 구현되는 활성화 함수이다.　는 게이트 값을 계산하기 위한 가중치 행렬을 나타내며, 예를 들어,　는 입력　를 입력 게이트　에 연결하는 가중치 행렬이다.　,　및　는 훈련 데이터에 따라 데이터 공간의 중심을 조정하기 위해 각 게이트에 추가되는 바이어스이다.here, , and are the current time respectively is the value of the input, deletion, and output gates for σ is an activation function implemented as a logistic sigmoid function from 0 to 1. represents the weight matrix for calculating the gate value, for example, is input enter gate is the weight matrix that connects to , and is the bias added to each gate to adjust the center of the data space according to the training data.

LSTM　단위 셀은 하이퍼볼릭 탄젠트 함수로 구현되는 활성화 함수를 적용하여 블록 입력을 가져 와서 이전 메모리 전체를 잊었거나 새 입력 데이터를 무시하는지 결정할 수 있다. 결과적으로, 시간　에서의 셀 값()은 아래의 수학식 2와 같이 계산될 수 있다.The LSTM unit cell has an activation function implemented as a hyperbolic tangent function can be applied to take block inputs and determine if the entire old memory is forgotten or the new input data is ignored. Consequently, time cell value in ( ) can be calculated as in Equation 2 below.

여기서,는　이고, 이 때　는 셀의 바이어스이다.here, Is and, at this time is the bias of the cell.

즉,　LSTM의 메모리는 이전 셀 값　과 망각 게이트 값　의 곱셈뿐만 아니라　에 의해 제어되는 입력 게이트 값의 부분량을 유지할 수 있다.In other words, the memory of LSTM is the previous cell value. and forget gate values as well as the multiplication of Input gate value controlled by portion of can be maintained.

다음으로, 현재의 숨은 상태 값　은　을　　함수에 적용하여 하기의 수학식 3에 따라 정의될 수 있다.Next, the current hidden state value silver second It can be applied to a function and defined according to Equation 3 below.

RNN과 비교하여,　LSTM은 데이터 시퀀스의 길이를 적절하게 절단하는 3개의 게이트(입력 게이트, 망각 게이트, 출력 게이트)를 가지며, 적은 추가 비용으로 기울기 소멸 문제를 해결할 수 있다.Compared to RNN, LSTM has three gates (input gate, forget gate, and output gate) that properly truncate the length of the data sequence, and can solve the gradient vanishing problem with little additional cost.

도 8은 도 7의　LSTM　단위 셀을 이용하여 구현되는　LSTM　기반 학습모델의 일례를 도시한 도면이다.FIG. 8 is a diagram showing an example of an “LSTM”-based learning model implemented using the “LSTM” unit cell of FIG. 7 .

도 8에 도시된 바와 같이, 본 발명의 태양광 발전량 예측 시스템의 예측 모듈에 적용되는　LSTM　기반 학습모델은 하나의 입력 레이어(1400), 하나의 출력 레이어(1410) 및　LSTM　레이어(1420)으로 구성되고,　LSTM　레이어(1420)는 도 3에 도시된 바와 같은 구조로 이루어지는 다수의　LSTM　단위 셀(1421)로 구성된다.As shown in FIG. 8, the LSTM-based learning model applied to the prediction module of the solar power generation prediction system of the present invention consists of one input layer 1400, one output layer 1410, and LSTM layer 1420. The "LSTM" layer 1420 is composed of a plurality of "LSTM" unit cells 1421 having a structure as shown in FIG. 3 .

실시예에서는 LSTM을 일예로 도시하였으나, 이와는 달리 학습 정확도를 높이기 위해 다양한 인공지능 알고리즘을 도출한 평균 모델을 제1학습부 및 제2학습부에 적용할 수 있다. 또한, 이외 인공지능 분야에서 잘 알려진 다양한 알고리즘을 제1학습부 및 제2학습부에 적용할 수 있다.In the embodiment, LSTM is shown as an example, but in order to increase learning accuracy, an average model derived from various artificial intelligence algorithms may be applied to the first learning unit and the second learning unit. In addition, various algorithms well known in the artificial intelligence field may be applied to the first learning unit and the second learning unit.

다시 도3을 참조하면, 유저 인터페이스부(550)는 태양광 발전량 예측 시스템(500)의 동작 제어를 위한 입력 데이터를 발생시킨다. 유저 인터페이스부(550)는 키 패드, 돔 스위치, 터치 패드, 조그 휠, 조그 스위치 등으로 구성될 수 있다. 표시부(560)와 터치패드가 상호 레이어 구조를 이루어 터치 스크린으로 구성되는 경우, 표시부(560)는 출력 장치 이외에 입력 장치로도 사용될 수 있다. Referring back to FIG. 3 , the user interface unit 550 generates input data for controlling the operation of the solar power generation estimation system 500 . The user interface unit 550 may include a key pad, a dome switch, a touch pad, a jog wheel, and a jog switch. When the display unit 560 and the touch pad form a mutual layer structure to form a touch screen, the display unit 560 may be used as an input device as well as an output device.

유저 인터페이스부(550)는 태양광 발전량 예측 시스템(500)의 동작을 위한 다양한 명령을 입력받을 수 있다. The user interface unit 550 may receive various commands for the operation of the solar power generation estimation system 500 .

표시부(560)는 액정 디스플레이(Liquid Crystal Display: LCD), 박막 트랜지스터 액정 디스플레이(Thin Film Transistor-Liquid Crystal Display: TFT LCD), 유기 발광 다이오드(Organic Light-Emitting Diode: OLED), 플렉시블 디스플레이(Flexible Display), 3차원 디스플레이(3D Display), 전자잉크 디스플레이(e-ink display) 중에서 적어도 하나를 포함할 수 있다.The display unit 560 may include a liquid crystal display (LCD), a thin film transistor-liquid crystal display (TFT LCD), an organic light-emitting diode (OLED), and a flexible display. ), a 3D display, and an e-ink display.

표시부(560)는 데이터 수집부(510)에서 수집한 다양한 정보와 제1학습부(530) 및 제2학습부(540)를 통하여 출력되는 정보를 표시할 수 있다. The display unit 560 may display various information collected by the data collection unit 510 and information output through the first learning unit 530 and the second learning unit 540 .

또한, 표시부(560)는 다양한 사용자 인터페이스 또는 그래픽 사용자 인터페이스를 화면에 출력할 수 있다.Also, the display unit 560 may output various user interfaces or graphic user interfaces on the screen.

학습모델 관리부(570)는 제1학습부(530) 및 제2학습부(540)의 학습 및 업데이트를 수행할 수 있다.The learning model management unit 570 may perform learning and update of the first learning unit 530 and the second learning unit 540 .

예를 들면, 학습모델 관리부(570)는 기상 정보 및 그룹별 기상 관측 정보를 이용하여 주기적 또는 비주기적으로 제1학습부(530)를 학습시키고, 업데이트 된 제1딥러닝 모델을 제1학습부(530)에 적용시킬 수 있다.For example, the learning model management unit 570 periodically or non-periodically trains the first learning unit 530 using weather information and weather observation information for each group, and transmits the updated first deep learning model to the first learning unit. (530) can be applied.

또한, 학습모델 관리부(570)는 그룹별 기상 관측 정보 및 그룹별 태양광 발전량을 이용하여 주기적 또는 비주기적으로 제2학습부(540)를 학습시키고, 업데이트 된 제2딥러닝 모델을 제2학습부(540)에 적용시킬 수 있다.In addition, the learning model management unit 570 periodically or aperiodically uses the weather observation information for each group and the amount of photovoltaic power generation for each group to train the second learning unit 540, and performs second learning on the updated second deep learning model. section 540.

데이터 베이스(580)는, 플래시 메모리 타입(Flash Memory Type), 하드 디스크 타입(Hard Disk Type), 멀티미디어 카드 마이크로 타입(Multimedia Card Micro Type), 카드 타입의 메모리(예를 들면, SD 또는 XD 메모리등), 자기 메모리, 자기 디스크, 광디스크, 램(Random Access Memory: RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory: ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory) 중 적어도 하나의 저장매체를 포함할 수 있다. 또한, 태양광 발전량 예측 시스템(500)은 인터넷(internet) 상에서 데이터 베이스의 저장 기능을 수행하는 웹 스토리지(web storage)를 운영하거나, 또는 웹 스토리지와 관련되어 동작할 수도 있다.The database 580 is a flash memory type, a hard disk type, a multimedia card micro type, a card type memory (eg SD or XD memory, etc.) ), magnetic memory, magnetic disk, optical disk, RAM (Random Access Memory: RAM), SRAM (Static Random Access Memory), ROM (Read-Only Memory: ROM), EEPROM (Electrically Erasable Programmable Read-Only Memory), PROM ( Programmable Read-Only Memory) may include at least one storage medium. In addition, the solar power generation prediction system 500 may operate a web storage that performs a database storage function on the Internet, or may operate in relation to the web storage.

데이터 베이스(580)는 데이터 수집부(510)에서 수집한 다양한 정보와 제1학습부(530) 및 제2학습부(540)를 통하여 출력되는 정보를 저장할 수 있다.The database 580 may store various information collected by the data collection unit 510 and information output through the first learning unit 530 and the second learning unit 540 .

또한, 데이터 베이스(580)는, 태양광 발전 시스템(500)이 동작하는데 필요한 데이터와 프로그램 등을 저장할 수 있다.In addition, the database 580 may store data and programs necessary for the photovoltaic power generation system 500 to operate.

또한, 데이터 베이스는, 다양한 사용자 인터페이스(User Interface: UI) 또는 그래픽 사용자 인터페이스(Graphic User Interface: GUI)를 저장할 수 있다.In addition, the database may store various user interfaces (UI) or graphic user interfaces (GUI).

도9는 실시예에 따른 태양광 발전 방법의 순서도이다.9 is a flowchart of a photovoltaic power generation method according to an embodiment.

도9를 참조하면 데이터 수집부는 기상청의 기상 정보 및 기상 예보, 그리고 복수개의 그룹으로 구획된 태양광 발전소의 기상 관측 장비 및 인버터로부터 각 그룹별 기상 관측 정보 및 그룹별 태양광 발전량 정보를 수집한다. 각각의 수집 과정은 선후 관계가 없으며, 기 설정된 주기나 임의의 시간대에 각각 수집될 수 있다(S901).Referring to FIG. 9 , the data collection unit collects weather observation information for each group and photovoltaic power generation information for each group from weather information and weather forecasts of the Korea Meteorological Administration, and weather observation equipment and inverters of a solar power plant divided into a plurality of groups. Each collection process has no precedence relationship, and can be collected at a predetermined period or at an arbitrary time (S901).

다음으로, 전처리부는 데이터 수집부에서 수집한 정보의 노이즈 처리 및 데이터 보간 처리 중 적어도 하나를 수행한다(S902).Next, the pre-processing unit performs at least one of noise processing and data interpolation processing of the information collected by the data collection unit (S902).

다음으로, 기상 정보 및 그룹별 기상 관측 정보를 학습한 제1학습부는 기상 예보 입력시 태양광 발전소의 그룹별 기상 예측 정보를 출력한다. 제1학습부의 학습 과정 및 출력 과정은 도4 내지 도6을 통하여 설명하였으며 중복되는 설명은 생략하기로 한다(S903).Next, the first learning unit that has learned weather information and weather observation information for each group outputs weather prediction information for each group of the photovoltaic power plant when a weather forecast is input. The learning process and output process of the first learning unit have been described through FIGS. 4 to 6, Redundant descriptions will be omitted (S903).

다음으로, 그룹별 기상 관측 정보 및 그룹별 태양광 발전량을 학습한 제2학습부는 그룹별 기상 예측 정보 입력시 태양광 발전소의 그룹별 발전량 예측 정보를 출력한다. 제2학습부의 학습 과정 및 출력 과정은 도5 내지 도6을 통하여 설명하였으며 중복되는 설명은 생략하기로 한다(S904).Next, the second learning unit that has learned the weather observation information for each group and the amount of photovoltaic power generation for each group outputs prediction information for the amount of power generation for each group of the photovoltaic power plant when weather prediction information for each group is input. The learning process and the output process of the second learning unit have been described through FIGS. 5 to 6, and overlapping descriptions will be omitted (S904).

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 기록 매체에 기록될 수 있다. 이때, 매체는 컴퓨터로 실행 가능한 프로그램을 계속 저장하거나, 실행 또는 다운로드를 위해 임시 저장하는 것일 수도 있다. 또한, 매체는 단일 또는 수 개의 하드웨어가 결합된 형태의 다양한 기록수단 또는 저장수단일 수 있는데, 어떤 컴퓨터 시스템에 직접 접속되는 매체에 한정되지 않고, 네트워크 상에 분산 존재하는 것일 수도 있다. 매체의 예시로는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등을 포함하여 프로그램 명령어가 저장되도록 구성된 것이 있을 수 있다. 또한, 다른 매체의 예시로, 어플리케이션을 유통하는 앱 스토어나 기타 다양한 소프트웨어를 공급 내지 유통하는 사이트, 서버 등에서 관리하는　기록매체　내지 저장매체도 들 수 있다.The method according to the embodiment may be implemented in the form of program instructions that can be executed through various computer means and recorded on a computer readable recording medium. In this case, the medium may continuously store a program executable by a computer or temporarily store the program for execution or download. In addition, the medium may be various recording means or storage means in the form of a single or combined hardware, but is not limited to a medium directly connected to a certain computer system, and may be distributed on a network. Examples of the medium include magnetic media such as hard disks, floppy disks and magnetic tapes, optical recording media such as CD-ROM and DVD, magneto-optical media such as floptical disks, and ROM, RAM, flash memory, etc. configured to store program instructions. In addition, examples of other media include “recording media” or storage media managed by an app store that distributes applications, a site that supplies or distributes other various software, and a server.

본 실시예에서 사용되는 '~부'라는 용어는 소프트웨어 또는 FPGA(field-programmable gate array) 또는 ASIC과 같은 하드웨어 구성요소를 의미하며, '~부'는 어떤 역할들을 수행한다. 그렇지만 '~부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '~부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 '~부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들, 및 변수들을 포함한다. 구성요소들과 '~부'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '~부'들로 결합되거나 추가적인 구성요소들과 '~부'들로 더 분리될 수 있다. 뿐만 아니라, 구성요소들 및 '~부'들은 디바이스 또는 보안 멀티미디어카드 내의 하나 또는 그 이상의 CPU들을 재생시키도록 구현될 수도 있다.The term '~unit' used in this embodiment means software or a hardware component such as a field-programmable gate array (FPGA) or ASIC, and '~unit' performs certain roles. However, '~ part' is not limited to software or hardware. '~bu' may be configured to be in an addressable storage medium and may be configured to reproduce one or more processors. Therefore, as an example, '~unit' refers to components such as software components, object-oriented software components, class components, and task components, processes, functions, properties, and procedures. , subroutines, segments of program code, drivers, firmware, microcode, circuitry, data, databases, data structures, tables, arrays, and variables. Functions provided within components and '~units' may be combined into smaller numbers of components and '~units' or further separated into additional components and '~units'. In addition, components and '~units' may be implemented to play one or more CPUs in a device or a secure multimedia card.

상기에서는 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다. Although the above has been described with reference to preferred embodiments of the present invention, those skilled in the art will variously modify and change the present invention within the scope not departing from the spirit and scope of the present invention described in the claims below. You will understand that it can be done.

100: 태양광 모듈 어레이
200: 접속반
300: 인버터
400: 기상 관측 장치
500: 태양광 발전량 예측 시스템
510: 데이터 수집부
520: 전처리부
530: 제1학습부
540: 제2학습부
550: 유저 인터페이스부
560: 표시부
570: 학습모델 관리부
580: 데이터 베이스100: solar module array
200: connection board
300: inverter
400: weather observation device
500: Solar power generation prediction system
510: data collection unit
520: pre-processing unit
530: first learning unit
540: second learning unit
550: user interface unit
560: display unit
570: learning model management unit
580: database

Claims (13)

기상청의 기상 정보 및 기상 예보를 수집하고, 복수개의 그룹으로 구획된 태양광 발전소의 기상 관측 장비 및 인버터로부터 각 그룹별 기상 관측 정보 및 그룹별 태양광 발전량 정보를 수집하는 데이터 수집부;
상기 데이터 수집부에서 수집한 정보의 노이즈 처리를 수행하는 전처리부
상기 기상 정보 및 상기 그룹별 기상 관측 정보를 학습데이터로 이용하여, 상기 태양광 발전소의 각 그룹별 기상 정보를 예측하기 위한 기상정보 학습모델을 생성하는 제1학습부; 및
상기 그룹별 기상 관측 정보 및 상기 그룹별 태양광 발전량 정보를 학습 데이터로 이용하여, 상기 태양광 발전소의 각 그룹별 발전량을 예측하기 위한 발전량 학습모델을 생성하는 제2학습부를 포함하며,
상기 제1학습부는 상기 기상 정보 및 상기 그룹별 기상 관측 정보를 학습데이터로 이용하여, 상기 기상 정보와 상기 그룹별 기상 관측 정보간의 상관관계를 학습하고, 기상 예보를 입력할시 그룹별 기상 예측 정보가 출력이 되도록 학습된 적어도 하나의 기상정보 학습모델을 포함하며,
상기 제2학습부는 상기 그룹별 기상 관측 정보 및 상기 그룹별 태양광 발전량을 학습데이터로 이용하여, 상기 그룹별 기상 관측 정보 및 상기 그룹별 태양광 발전량의 상관관계를 학습하고, 상기 제1학습부에서 출력한 상기 그룹별 기상 예측 정보를 입력할 시 그룹별 태양광 발전량 예측 정보가 출력이 되도록 학습된 적어도 하나의 발전량 학습모델을 포함하며,
가상의 구획으로 구분되는 태양광 발전소의 각각의 그룹은 적어도 하나의 인버터 및 적어도 하나의 기상 관측 정보를 포함하여 구성되고, 각각의 인버터에서 측정하는 태양광 발전량 정보 및 기상 관측 장비에서 측정하는 기상 관측 정보는 그룹 식별 정보를 포함하며,
상기 전처리부는 상기 데이터 수집부에서 수집한 데이터를 동종의 데이터 또는 데이터 베이스에 저장되어 있는 통계 데이터와 비교하여, 기 설정된 기준 범위를 벗어나는 경우 해당 데이터를 노이즈로 처리하여 필터링하고,
기상청에서 발표하는 기상 예보가 상기 제1학습부에 입력되면, 상기 제1학습부는 제1 내지 제N그룹의 기상정보 학습모델을 이용하여 제1그룹 내지 제N그룹의 기상 예측 정보를 출력하고, 상기 제1그룹 내지 제N그룹의 그룹별 기상 예측 정보는 각각 제2학습부의 제1 내지 제N그룹의 발전량 학습 모델에 각각 입력되어 제1그룹 내지 제N그룹의 태양광 발전량을 출력하는 태양광 발전량 예측 시스템.
a data collection unit that collects weather information and weather forecasts from the Korea Meteorological Administration and collects weather observation information for each group and photovoltaic power generation information for each group from weather observation equipment and inverters of photovoltaic power plants partitioned into a plurality of groups;
A pre-processing unit that performs noise processing on the information collected by the data collection unit.
a first learning unit generating a weather information learning model for predicting weather information for each group of the photovoltaic power plant by using the weather information and the weather observation information for each group as learning data; and
A second learning unit for generating a power generation learning model for predicting the power generation amount of each group of the photovoltaic power plant by using the weather observation information for each group and the photovoltaic power generation information for each group as learning data;
The first learning unit learns a correlation between the weather information and the weather observation information for each group by using the weather information and the weather observation information for each group as learning data, and when inputting a weather forecast, weather prediction information for each group Includes at least one weather information learning model learned to be an output,
The second learning unit learns a correlation between the weather observation information for each group and the solar power generation for each group by using the weather observation information for each group and the solar power generation for each group as learning data, and the first learning unit At least one power generation learning model learned so that when the weather forecast information for each group output from is input, solar power generation prediction information for each group is output,
Each group of photovoltaic power plants divided into virtual compartments includes at least one inverter and at least one meteorological observation information, and includes photovoltaic generation amount information measured by each inverter and meteorological observation measured by weather observation equipment. The information includes group identification information,
The pre-processing unit compares the data collected by the data collection unit with the same type of data or statistical data stored in a database, and if the data is out of a predetermined reference range, the data is treated as noise and filtered,
When a weather forecast announced by the Korea Meteorological Administration is input to the first learning unit, the first learning unit outputs weather prediction information of the first to Nth groups using the first to Nth group weather information learning models; The weather prediction information for each group of the first to Nth groups is respectively input to the power generation learning model of the first to Nth groups of the second learning unit, and solar power outputs the solar power generation of the first to Nth groups. Power generation prediction system.
 제1항에 있어서,
상기 전처리부는 상기 데이터 수집부에서 수집한 정보의 데이터 보간 처리를 수행하는 태양광 발전량 예측 시스템.
According to claim 1,
The pre-processing unit performs data interpolation processing of the information collected by the data collection unit.
 삭제delete 삭제delete 제1항에 있어서,
상기 제1학습부 및 상기 제2학습부는 LSTM(Long Short Term Memory)모델로 구성되는 태양광 발전량 예측 시스템.
According to claim 1,
The first learning unit and the second learning unit are composed of a Long Short Term Memory (LSTM) model.
 제1항에 있어서,
상기 제1학습부 및 상기 제2학습부의 학습 및 업데이트를 수행하는 학습모델 관리부를 더 포함하는 태양광 발전량 예측 시스템.
According to claim 1,
The solar power generation amount prediction system further comprising a learning model management unit that performs learning and updating of the first learning unit and the second learning unit.
 데이터 수집부가 기상청의 기상 정보 및 기상 예보, 그리고 복수개의 그룹으로 구획된 태양광 발전소의 기상 관측 장비 및 인버터로부터 각 그룹별 기상 관측 정보 및 그룹별 태양광 발전량 정보를 수집하는 단계;
전처리부가 상기 데이터 수집부에서 수집한 정보의 노이즈 처리를 수행하는 단계;
상기 기상 정보 및 상기 그룹별 기상 관측 정보를 학습한 제1학습부가, 상기 기상 예보 입력시 상기 태양광 발전소의 그룹별 기상 예측 정보를 출력하는 단계; 및
상기 그룹별 기상 관측 정보 및 상기 그룹별 태양광 발전량을 학습한 제2학습부가, 상기 그룹별 기상 예측 정보 입력시 상기 태양광 발전소의 그룹별 발전량 예측 정보를 출력하는 단계를 포함하며,
상기 제1학습부는 상기 기상 정보 및 상기 그룹별 기상 관측 정보를 학습데이터로 이용하여, 상기 기상 정보와 상기 그룹별 기상 관측 정보간의 상관관계를 학습하고, 기상 예보를 입력할시 그룹별 기상 예측 정보가 출력이 되도록 학습된 적어도 하나의 기상정보 학습모델을 포함하며,
상기 제2학습부는 상기 그룹별 기상 관측 정보 및 상기 그룹별 태양광 발전량을 학습데이터로 이용하여, 상기 그룹별 기상 관측 정보 및 상기 그룹별 태양광 발전량의 상관관계를 학습하고, 상기 제1학습부에서 출력한 상기 그룹별 기상 예측 정보를 입력할 시 그룹별 태양광 발전량 예측 정보가 출력이 되도록 학습된 적어도 하나의 발전량 학습모델을 포함하며,
가상의 구획으로 구분되는 태양광 발전소의 각각의 그룹은 적어도 하나의 인버터 및 적어도 하나의 기상 관측 정보를 포함하여 구성되고, 각각의 인버터에서 측정하는 태양광 발전량 정보 및 기상 관측 장비에서 측정하는 기상 관측 정보는 그룹 식별 정보를 포함하며,
상기 전처리부는 상기 데이터 수집부에서 수집한 데이터를 동종의 데이터 또는 데이터 베이스에 저장되어 있는 통계 데이터와 비교하여, 기 설정된 기준 범위를 벗어나는 경우 해당 데이터를 노이즈로 처리하여 필터링하고,
기상청에서 발표하는 기상 예보가 상기 제1학습부에 입력되면, 상기 제1학습부는 제1 내지 제N그룹의 기상정보 학습모델을 이용하여 제1그룹 내지 제N그룹의 기상 예측 정보를 출력하고, 상기 제1그룹 내지 제N그룹의 그룹별 기상 예측 정보는 각각 제2학습부의 제1 내지 제N그룹의 발전량 학습 모델에 각각 입력되어 제1그룹 내지 제N그룹의 태양광 발전량을 출력하는 태양광 발전량 예측 방법.
Collecting weather observation information for each group and photovoltaic power generation information for each group from weather information and weather forecasts of the Korea Meteorological Administration and weather observation equipment and inverters of photovoltaic power plants partitioned into a plurality of groups by a data collection unit;
performing noise processing of the information collected by the data collection unit by a pre-processing unit;
outputting, by a first learning unit that has learned the weather information and the weather observation information for each group, weather prediction information for each group of the photovoltaic power plant when the weather forecast is input; and
A second learning unit that has learned the weather observation information for each group and the amount of photovoltaic power generation for each group outputs prediction information for the amount of power generation for each group of the photovoltaic power plant when the weather prediction information for each group is input,
The first learning unit learns a correlation between the weather information and the weather observation information for each group by using the weather information and the weather observation information for each group as learning data, and when inputting a weather forecast, weather prediction information for each group Includes at least one weather information learning model learned to be an output,
The second learning unit learns a correlation between the weather observation information for each group and the solar power generation for each group by using the weather observation information for each group and the solar power generation for each group as learning data, and the first learning unit At least one power generation learning model learned so that when the weather forecast information for each group output from is input, solar power generation prediction information for each group is output,
Each group of photovoltaic power plants divided into virtual compartments includes at least one inverter and at least one meteorological observation information, and includes photovoltaic generation amount information measured by each inverter and meteorological observation measured by weather observation equipment. The information includes group identification information,
The pre-processing unit compares the data collected by the data collection unit with the same type of data or statistical data stored in a database, and if the data is out of a predetermined reference range, the data is treated as noise and filtered,
When a weather forecast announced by the Korea Meteorological Administration is input to the first learning unit, the first learning unit outputs weather prediction information of the first to Nth groups using the first to Nth group weather information learning models; The weather prediction information for each group of the first to Nth groups is respectively input to the power generation learning model of the first to Nth groups of the second learning unit, and solar power outputs the solar power generation of the first to Nth groups. How to predict power generation.
 제7항에 있어서, 상기 수집하는 단계 이후에,
상기 전처리부가 상기 데이터 수집부에서 수집한 정보의 데이터 보간 처리를 수행하는 단계를 더 포함하는 태양광 발전량 예측 방법.
The method of claim 7, after the collecting step,
The method of predicting solar power generation amount further comprising the step of performing data interpolation processing of the information collected by the data collection unit by the pre-processing unit.
 삭제delete 삭제delete 제7항에 있어서,
상기 제1학습부 및 상기 제2학습부는 LSTM(Long Short Term Memory)모델로 구성되는 태양광 발전량 예측 방법.
According to claim 7,
The first learning unit and the second learning unit are composed of a Long Short Term Memory (LSTM) model.
 제7항에 있어서,
학습모델 관리부가 상기 제1학습부 및 상기 제2학습부의 학습 및 업데이트를 수행하는 단계를 더 포함하는 태양광 발전량 예측 방법.
According to claim 7,
The solar power generation prediction method further comprising the step of learning and updating the first learning unit and the second learning unit by a learning model management unit.
 제7항 내지 제8항, 제11항, 및 제12항 중 어느 한 항의 방법을 컴퓨터에 실행시키기 위한 프로그램이 기록되어 있는 컴퓨터에서 판독 가능한　기록매체.A computer-readable recording medium having a program for executing the method of any one of claims 7 to 8, 11, and 12 in a computer.
KR1020210008656A 2021-01-21 2021-01-21 System and Method for Photovoltaics Power Prediction KR102570248B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210008656A KR102570248B1 (en) 2021-01-21 2021-01-21 System and Method for Photovoltaics Power Prediction

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210008656A KR102570248B1 (en) 2021-01-21 2021-01-21 System and Method for Photovoltaics Power Prediction

Publications (2)

Publication Number Publication Date
KR20220105823A KR20220105823A (en) 2022-07-28
KR102570248B1 true KR102570248B1 (en) 2023-08-24

Family

ID=82607572

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210008656A KR102570248B1 (en) 2021-01-21 2021-01-21 System and Method for Photovoltaics Power Prediction

Country Status (1)

Country Link
KR (1) KR102570248B1 (en)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101808047B1 (en) * 2016-08-05 2017-12-14 주식회사 해줌 Method and server for forecasting generation of a power plant using solar energy
KR101947508B1 (en) * 2018-06-04 2019-02-14 주식회사 레즐러 Operation management system and method of photovoltaic power plant

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102093796B1 (en) * 2018-07-26 2020-03-26 (주)에코브레인 A Forecasting System and Method of Sunlight Generation Using Weather Prediction and Farm Environment

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101808047B1 (en) * 2016-08-05 2017-12-14 주식회사 해줌 Method and server for forecasting generation of a power plant using solar energy
KR101947508B1 (en) * 2018-06-04 2019-02-14 주식회사 레즐러 Operation management system and method of photovoltaic power plant

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
손혜숙 외 2명. 기상 예보를 활용한 LSTM 기반 24시간 태양광 발전량 예측모델. KIISE Transactions on Computing Practices, Vol.26, No.10, pp.435-441, 2020.10.*

Also Published As

Publication number Publication date
KR20220105823A (en) 2022-07-28

Similar Documents

Publication Publication Date Title
Kumari et al. Extreme gradient boosting and deep neural network based ensemble learning approach to forecast hourly solar irradiance
Jiang et al. Very short-term wind speed forecasting with Bayesian structural break model
Li et al. Machine learning for solar irradiance forecasting of photovoltaic system
Corizzo et al. Anomaly detection and repair for accurate predictions in geo-distributed big data
Jeon et al. Using conditional kernel density estimation for wind power density forecasting
Devaraj et al. A holistic review on energy forecasting using big data and deep learning models
Jiang et al. Intelligent optimization models based on hard-ridge penalty and RBF for forecasting global solar radiation
Natarajan et al. Forecasting energy generation in large photovoltaic plants using radial belief neural network
JP5888640B2 (en) Photovoltaic power generation prediction apparatus, solar power generation prediction method, and solar power generation prediction program
US20200063710A1 (en) System and methods for hyper short-term wind power prediction using real-time wind parameter measurements
KR101476522B1 (en) System for predicting energy producing quantity
Huang et al. Point and interval forecasting of solar irradiance with an active Gaussian process
Michael et al. Short-term solar irradiance forecasting based on a novel Bayesian optimized deep Long Short-Term Memory neural network
Zelikman et al. Short-term solar irradiance forecasting using calibrated probabilistic models
Hou et al. Spatial distribution assessment of power outage under typhoon disasters
Tripathy et al. Forecasting of renewable generation for applications in smart grid power systems
Quiñones et al. Towards smart energy management for community microgrids: Leveraging deep learning in probabilistic forecasting of renewable energy sources
Zhang et al. All‐factor short‐term photovoltaic output power forecast
Wang et al. Tracking and predicting technological knowledge interactions between artificial intelligence and wind power: Multimethod patent analysis
Boum et al. Photovoltaic power generation forecasting using a novel hybrid intelligent model in smart grid
Sa’ad et al. A day-ahead Multi-Approach Machine L earning Technique for Photovoltaic Power Forecasting
Khosravi et al. Wind farm power uncertainty quantification using a mean-variance estimation method
KR102570248B1 (en) System and Method for Photovoltaics Power Prediction
Klaiber et al. Deep learning for variable renewable energy: a systematic review
Wahba et al. A New Hybrid Model for Energy Consumption Prediction Based on Grey Wolf Optimization

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant