KR101476522B1 - 에너지 발전량 예측 시스템 - Google Patents

에너지 발전량 예측 시스템 Download PDF

Info

Publication number
KR101476522B1
KR101476522B1 KR1020130008305A KR20130008305A KR101476522B1 KR 101476522 B1 KR101476522 B1 KR 101476522B1 KR 1020130008305 A KR1020130008305 A KR 1020130008305A KR 20130008305 A KR20130008305 A KR 20130008305A KR 101476522 B1 KR101476522 B1 KR 101476522B1
Authority
KR
South Korea
Prior art keywords
cluster
generation amount
power generation
information
learning data
Prior art date
Application number
KR1020130008305A
Other languages
English (en)
Other versions
KR20140087965A (ko
Inventor
김지호
Original Assignee
주식회사 포스코아이씨티
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 주식회사 포스코아이씨티 filed Critical 주식회사 포스코아이씨티
Publication of KR20140087965A publication Critical patent/KR20140087965A/ko
Application granted granted Critical
Publication of KR101476522B1 publication Critical patent/KR101476522B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • General Business, Economics & Management (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Strategic Management (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Human Resources & Organizations (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

에너지 발전량을 예측할 수 있는 본 발명의 일 측면에 따른 에너지 발전량 예측 시스템은, 날씨와 발전량 간의 관계를 학습하기 위한 복수개의 학습데이터로 과거의 기상 정보 및 발전량 정보를 입력 받는 데이터 입력부; 상기 과거의 기상 정보의 분포에 따라 상기 복수개의 학습데이터들을 Q개의 군집으로 분류하는 군집 생성부; 및 타겟시간의 기상 정보가 입력되면, 상기 Q개의 군집들 중에서 상기 입력된 타겟시간의 기상 정보에 대한 군집을 결정하고, 상기 결정된 군집에 포함된 학습데이터들을 이용하여 상기 타겟시간의 기상 정보에 대응되는 타겟시간의 발전량을 예측하는 발전량 예측부를 포함하고, 상기 Q는 1 보다 큰 정수인 것을 특징으로 한다.

Description

에너지 발전량 예측 시스템{SYSTEM FOR PREDICTING ENERGY PRODUCING QUANTITY}
본 발명은 발전량 예측 시스템에 관한 것으로서, 보다 구체적으로 신재생에너지 발전량 예측 시스템에 관한 것이다.
최근 화석 연료가 고갈됨에 따라 신재생 에너지에 대한 관심이 급증하고 있다. 신재생 에너지란 신에너지와 재생에너지가 합쳐진 용어로써, 기존의 화석 연료를 변환시켜 이용하거나 햇빛, 물, 지열, 생물 유기체 등을 포함하는 재생 가능한 에너지를 변환시켜 이용하는 에너지를 의미한다. 재생에너지에는 태양열, 태양광발전, 바이오매스, 풍력, 소수력, 지열 등이 있으며, 신에너지에는 연료전지, 석탄액화가스화, 수소에너지 등이 있다.
이러한, 신재생 에너지는 태양광, 바이오, 풍력, 조력, 수력 또는 지열 등과 같은 자연환경이나 기후 조건을 이용하여 생성되는 에너지이기 때문에, 자연환경이나 기후 조건에 따라 수시로 변하게 된다. 이에 따라, 신재생 에너지는 기존의 화력 발전에 비해 발전량의 제어뿐만 아니라 발전량에 따른 경제급전계획의 수립이 어렵다는 문제점이 있다.
본 발명은 상술한 문제점을 해결하기 위한 것으로서, 신재생 에너지 발전량의 예측 정확성을 향상시킬 수 있는 에너지 발전량 예측 시스템을 제공하는 것을 그 기술적 과제로 한다.
또한, 본 발명은 신재생 에너지의 발전량을 기초로 경제급전계획을 수립할 수 있는 에너지 발전량 예측 시스템을 제공하는 것을 다른 기술적 과제로 한다.
상술한 목적을 달성하기 위한 본 발명의 일 측면에 따른 에너지 발전량 예측시스템은, 과거의 기상 정보 및 발전량 정보를 포함하고, 날씨와 발전량 간의 상관관계를 도출하기 위한 복수의 학습데이터를 입력 받는 데이터 입력부; 상기 과거의 기상 정보의 분포에 따라 상기 복수개의 학습데이터들을 Q개의 군집으로 분류하는 군집 생성부; 및 타겟시간의 기상 정보가 입력되면, 상기 Q개의 군집들 중에서 상기 입력된 타겟시간의 기상 정보에 대한 군집을 결정하고, 상기 결정된 군집에 포함된 학습데이터들을 이용하여 상기 타겟시간의 기상 정보에 대응되는 타겟시간의 발전량을 예측하는 발전량 예측부를 포함한다.
본 발명에 따르면, 과거의 기상 정보와 발전량 정보 간의 관계를 학습하고, 학습된 관계를 이용하여 타겟시간의 기상데이터에 대한 발전량을 예측함으로써 정확하게 발전량을 예측할 수 있다는 효과가 있다.
또한, 본 발명에 따르면, 과거의 기상 정보 및 발전량 정보를 포함하는 학습데이터를 복수의 군집들로 분류하고, 타겟시간의 기상 정보가 속하는 군집에 포함된 학습데이터만을 이용하여 타겟시간의 발전량을 예측함으로써 발전량 예측을 위한 연산시간이 빠르다는 다른 효과가 있다.
도 1은 본 발명의 일 실시예에 따른 에너지 발전량 예측 시스템이 적용되는 네트워크 구성을 개략적으로 보여주는 도면이다.
도 2는 도 1의 에너지 발전량 예측 시스템을 설명하는 블록도이다.
도 3은 도 2의 에너지 발전량 예측부를 설명하는 도면이다.
도 4는 계층적 함수 구조를 설명하는 도면이다.
도 5a 내지 도 5c는 본 발명에 따른 발전량 예측 알고리즘 및 기존의 발전량 예측 알고리즘에 대한 예측성능을 나타내는 그래프이다.
이하, 첨부되는 도면을 참고하여 본 발명의 실시예들에 대해 상세히 설명한다.
도 1은 본 발명의 일 실시예에 따른 에너지 발전량 예측 시스템이 적용되는 네트워크 구성을 개략적으로 보여주는 도면이다.
도 1을 참조하면, 에너지 발전량 예측 시스템(100)은 복수개의 에너지 발전 장치들(110~130) 및 배터리 에너지 저장장치(140)와 연결되어, 각 장치(110~140)의 동작을 제어 및 관리한다.
에너지 발전량 예측 시스템(100)은 복수개의 에너지 발전장치들(110~130)에 의해 발전된 에너지를 전력 거래 서버(150)를 통해 판매하거나, 전력 거래 서버(150)를 통해 에너지를 구매하여 부하(160)로 공급한다.
일 실시예에 있어서, 복수개의 에너지 생산장치들(110~130)에는, 풍력을 이용하여 에너지를 발전하는 풍력에너지 발전장치(110), 태양광을 이용하여 에너지를 발전하는 태양광에너지 발전장치(120), 및 조력을 이용하여 에너지를 발전하는 조력에너지 발전장치(130)가 포함될 수 있다.
또한, 배터리에너지 저장장치(Battery Energy Storage System, 140)는 풍력에너지, 또는 태양열에너지를 배터리에 저장하거나 배터리에 저장되어 있는 에너지를 부하(160)에 공급해주는 역할을 수행한다.
이하에서는 상술한 에너지 발전량 예측 시스템(100)의 구성을 도 2 및 도 3을 참조하여 보다 구체적으로 설명한다.
도 2는 도 1의 에너지 발전량 예측 시스템을 설명하는 블록도이다.
도 2를 참조하면, 에너지 발전량 예측 시스템(100)은 정보 수집부(210), 에너지 발전량 예측부(220), 경제급전계획 수립부(230), 및 데이터베이스(240)를 포함한다.
먼저, 정보 수집부(210)는 신재생 에너지 발전량의 예측을 위해 타겟날짜의 풍속, 타겟날짜의 강수량, 타겟날짜의 풍향, 타겟날짜의 파도 높이, 타겟날짜의 온도, 및 타겟날짜의 일사량 중 적어도 하나를 수집하여 에너지 발전량 예측부(220)에 제공한다. 이때, 타겟날짜란 신재생 에너지 발전량을 예측하기 원하는 날짜를 의미하는 것으로서, 현재날짜로부터 1일 이후의 날짜일 수 있다.
또한, 정보 수집부(210)는 신재생 에너지 발전량의 예측을 위해 타겟시간의 풍속, 타겟시간의 강수량, 타겟시간의 풍향, 타겟시간의 파도 높이, 타겟시간의 온도, 및 타겟시간의 일사량 중 적어도 하나를 수집하여 에너지 발전량 예측부(220)에 제공한다. 이때, 타겟시간이란 신재생 에너지 발전량을 예측하기 원하는 시간을 의미하는 것으로서, 타겟날짜와 비교하였을 때 타겟날짜는 1일의 시간을 포함하는 반면, 타겟시간은 시점을 의미할 수 있다.
한편, 정보 수집부(210)는 경제급전계획 수립을 위해 에너지 가격 또는 전력 가격을 수집하여 경제급전계획 수립부(230)에 제공할 수 있다.
다음, 에너지 발전량 예측부(220)는 과거의 신재생 에너지 발전량을 기초로 타겟날짜의 신재생 에너지 발전량 또는 타겟시간의 신재생 에너지 발전량을 예측한다. 일 실시예에 있어서, 신재생 에너지는 풍력 에너지, 태양광 에너지, 및 조력 에너지 중 적어도 하나를 포함할 수 있다.
도 3은 도 2의 에너지 발전량 예측부를 설명하는 도면이다.
도 3을 참조하면, 에너지 발전량 예측부(220)는 데이터 입력부(310), 데이터 수정부(320), 군집 생성부(330), 사후분포 계산부(340), 예측분포 계산부(350) 및 발전량 예측부(360)를 포함한다.
데이터 입력부(310)는 날씨와 발전량 간의 관계를 학습하기 위한 복수개의 학습데이터를 입력 받는다. 이때, 데이터 입력부(310)는 데이터베이스(240)로부터 과거의 풍력데이터, 태양광데이터, 조력데이터 중 어느 하나를 학습데이터로 입력 받을 수 있으며, 이때, 풍력데이터, 태양광데이터 및 조력데이터는 과거의 기상정보 및 발전량 정보를 포함한다.
예컨대, 풍력데이터는 날짜, 시간, 강수량, 풍속 및 풍향 중 적어도 하나를 기상정보로 포함하고, 각 기상정보에 대응되는 발전량 정보를 포함할 수 있다. 그리고, 태양광데이터는 날짜, 시간, 온도 및 일사량 중 적어도 하나를 기상정보로 포함하고, 각 기상정보에 대응되는 발전량 정보를 포함할 수 있다. 그리고, 조력데이터는 날짜, 시간 및 파도 높이 중 적어도 하나를 기상정보로 포함하고, 각 기상정보에 대응되는 발전량 정보를 포함할 수 있다.
이하에서는 설명의 편의를 위하여 풍력데이터를 학습데이터로 입력 받는 것을 가정하여 설명하고는 있지만, 태양광데이터 또는 조력데이터를 학습데이터로 입력 받아 발전량을 예측하는 것을 배제하는 것은 아니다.
데이터 수정부(320)는 데이터 입력부(310)에 입력된 복수의 학습데이터들 중에서 일부를 수정 또는 삭제한다. 구체적으로, 데이터 수정부(320)는 복수의 학습데이터들 중에서 정보가 누락되어 있거나 정보의 오류가 판단되는 학습데이터를 추출하고, 추출된 학습데이터에 대하여 수정 또는 삭제를 수행한다.
예컨대, 데이터 수정부(320)는 복수의 풍력데이터들 중에서 발전량이 풍력발전기의 발전 한계량을 초과하는 경우, 풍속이 0m/s인데 발전량이 0보다 큰 경우, 풍속이 6m/s 이상인데 발전량이 0으로 기록되어 있는 경우에는 풍력데이터에 오류가 발생한 것으로 판단할 수 있다.
상술한 바와 같은 정보의 오류가 판단되면, 데이터 수정부(320)는 해당 풍력데이터를 삭제하거나, 측정된 시간을 기준으로 이전 풍력데이터 및 이후 풍력데이터의 평균값으로 해당 풍력데이터를 수정할 수 있다.
군집 생성부(330)는 학습데이터에 포함된 기상정보를 기초로 Q개의 군집(X1, X2, ... , XQ)을 생성한다.
일 실시예에 있어서, 군집 생성부(330)는 K-평균 클러스터링(K-means clustering)을 이용하여 Q개의 군집을 생성할 수 있다.
구체적으로 설명하면, 군집 생성부(330)는 Q개의 군집(X1, X2, ... , XQ)에 대한 중심점(C1, C2, ... , CQ)를 결정한다. 그런 다음, 군집 생성부(330)는 각 중심점에서 각 기상정보 간의 거리를 계산하고, 각 중심점으로부터 가장 가까운 기상정보를 해당 군집에 포함시킨다.
다음, 군집 생성부(330)는 각 군집에 포함된 기상정보를 이용하여 중심점(C1, C2, ... , CQ)을 갱신한다. 예컨대, 군집 생성부(330)는 각 군집에 포함된 기상정보의 평균을 해당 군집의 중심점으로 갱신할 수 있다. 중심점을 갱신한 다음, 군집 생성부(330)는 갱신된 각 중심점에서 각 기상정보 간의 거리를 재계산하고, 갱신된 각 중심점으로부터 가장 가까운 기상정보를 해당 군집으로 포함시킨다.
군집 생성부(330)는 Q개의 군집(X1, X2, ... , XQ)에 속한 기상정보에 변동이 없을 때까지 상술한 과정을 반복 수행한다.
결과적으로, 군집 생성부(330)에 의하여 생성된 군집(X1, X2, ... , XQ)은 아래 수학식 1과 같이 표현될 수 있다.
Figure 112013007196719-pat00001
Figure 112013007196719-pat00002
여기서, Xj는 j번째 군집을 나타내고, x는 기상정보를 나타내며, cj는 j번째 군집의 중심점을 나타낸다.
다음, 사후분포 계산부(340)는 Q개의 군집으로 분류된 학습데이터에 대한 사후분포(posterior distribution)를 계산한다. 이를 위하여, 사후분포 계산부(340)는 각 군집에 포함된 학습데이터의 기상 정보와 발전량 정보 간의 관계를 나타내는 제1 함수 및 상기 Q개의 군집들 각각의 중심점 간의 관계를 나타내는 제2 함수로 이루어진 계층적 함수 구조를 이용한다.
이하에서는 도 4를 참조하여 계층적 함수 구조에 대하여 보다 구체적으로 설명하도록 한다.
도 4는 계층적 함수 구조를 설명하는 도면이다.
계층적 함수 구조는, 도 4에 도시된 바와 같이, 하위계층에 정의된 제1 함수(fj) 및 상위계층에 정의된 제2 함수(g)로 이루어져 있다.
이때, 제1 함수(fj)는 각 군집에 포함된 학습데이터를 입력 인자 및 출력 인자로 가진다. 예컨대, 풍력데이터가 학습데이터로 입력된 경우, j번째 군집에 포함된 i번째 제1 함수(fi (j))는 j번째 군집에 포함된 i번째 학습데이터 중 날짜, 시간, 풍속, 강수량 및 풍향을 입력 인자(xi (j))로 하고, 발전량을 출력 인자(yi (j))로 할 수 있다.
그리고, 제2 함수(g)는 각 군집의 중심점을 입력 인자로 가진다. 예컨대, j번째 군집에 대한 제2 함수(gj)는 j번째 군집의 중심점(cj)을 입력 인자로 할 수 있다.
이러한 제1 및 제2 함수(fj,g)는 가우시안 프로세스(Gaussian Process)를 이용하여 정의되는데, N개의 입력 인자
Figure 112013007196719-pat00003
, 이에 대응하는 N개의 출력인자
Figure 112013007196719-pat00004
에 대한 일반적인 가우시안 프로세스는 아래 수학식 3과 같이 정의될 수 있다.
Figure 112013007196719-pat00005
여기서,
Figure 112013007196719-pat00006
는 평균함수를 나타내고,
Figure 112013007196719-pat00007
는 공분산 함수를 나타낸다.
상술한 가우시안 프로세스를 이용하여 제1 및 제2 함수(fj,g)를 정의하면, 아래 수학식 4 및 수학식 5와 같이 표현될 수 있다.
Figure 112013007196719-pat00008
Figure 112013007196719-pat00009
상기
Figure 112013007196719-pat00010
는 각 군집의 공분산 함수를 나타내고,
Figure 112013007196719-pat00011
는 중심점들의 공분산 함수를 나타낸다. 수학식 3 내지 수학식 5를 통해 알 수 있듯이, 제2 함수(g(cj))는 제1 함수(fj(x))의 평균함수로 쓰이는 계층적 구조를 가진다.
상술한 제1 함수 및 제2 함수를 통해, j번째 군집에 포함된 학습데이터의 출력 인
자(yi (j))는 아래 수학식 6으로 정의될 수 있다.
Figure 112013007196719-pat00012
여기서, Nj는 j번째 군집에 포함된 학습데이터의 수를 나타내고,
Figure 112013007196719-pat00013
를 만족하며,
Figure 112013007196719-pat00014
는 j번째 군집에 대한 노이즈 분산을 나타낸다.
상위계층에서 제2 함수(g)가
Figure 112013007196719-pat00015
,
Figure 112013007196719-pat00016
를 만족한다고 할 때, 제2 함수(g)에 대한 확률밀도함수는 수학식 7에 의하여 획득된다.
Figure 112013007196719-pat00017
여기서, Kg는 각 군집의 중심점들 간의 커널 행렬을 나타내는 것으로서,
Figure 112013007196719-pat00018
를 만족하는
Figure 112013007196719-pat00019
행렬이다.
하위계층에서 제1 함수(fj)가
Figure 112013007196719-pat00020
,
Figure 112013007196719-pat00021
Figure 112013007196719-pat00022
을 만족한다고 할 때, 제1 함수(fj)에 대한 확률밀도함수는 수학식 8과 같이 표현된다.
Figure 112013007196719-pat00023
여기서, H는 j번째 군집에서의 학습데이터의 위치를 나타내는 위치 행렬로서,
Figure 112013007196719-pat00024
행렬이다. 이에 따라, j번째 열은 아래 수학식 9와 같이 정의된다.
Figure 112013007196719-pat00025
그리고, D는
Figure 112013007196719-pat00026
블록 대각선 행렬로서, j번째 블록 Dj는 j번째 군집의 학습데이터에 대한 공분산을 나타내는
Figure 112013007196719-pat00027
공분산 행렬이다. 이러한 공분한 행렬은 아래 수학식 10과 같이 정의된다.
Figure 112013007196719-pat00028
한편, j번째 군집에 포함된 학습데이터들에 대한 우도(likelihood)는 아래 수학식 11을 통해 획득된다.
Figure 112013007196719-pat00029
여기서, Ij는
Figure 112013007196719-pat00030
단위행렬을 나타낸다. 한편,
Figure 112013007196719-pat00031
일 때, 모든 학습데이터에 대한 우도는 아래 수학식 12와 같이 표현된다.
Figure 112013007196719-pat00032
여기서,
Figure 112013007196719-pat00033
는
Figure 112013007196719-pat00034
을 만족하고,
Figure 112013007196719-pat00035
는
Figure 112013007196719-pat00036
를 만족하는 Nj 차원의 열 벡터를 나타낸다.
이에 따라, 계층적 함수 구조에서의 선분포(prior distribution)는 아래 수학식 13 및 수학식 14를 만족하게 된다.
Figure 112013007196719-pat00037
Figure 112013007196719-pat00038
다시 도 3을 참조하면, 사후분포 계산부(340)는 우선, 하위계층에 정의된 제1 함수(f)에 대한 사후분포를 획득한다. 제1 함수(f)에 대한 사후분포는 [수학식 12] 및 [수학식 13]에 대하여 베이스 규칙(Bayes rule)을 적용함으로써 획득될 수 있다. 이에 따라, 제1 함수(f)에 대한 사후분포는 아래 수학식 15와 같이 표현될 수 있다.
Figure 112013007196719-pat00039
여기서,
Figure 112013007196719-pat00040
는
Figure 112013007196719-pat00041
를 만족하고,
Figure 112013007196719-pat00042
는 노이즈 공분산 행렬로서,
Figure 112013007196719-pat00043
을 만족하며,
Figure 112013007196719-pat00044
는
Figure 112013007196719-pat00045
를 만족한다.
다음, 사후분포 계산부(340)는 상위계층에 정의된 제2 함수(g)에 대한 사후분포를 계산한다. 제2 함수(g)에 대한 우도는 아래 수학식 16과 같이 표현될 수 있다.
Figure 112013007196719-pat00046
결과적으로, 제2 함수(g)에 대한 사후분포는 [수학식 7] 및 [수학식 12]에 대하여 베이스 규칙(Bayes rule)을 적용함으로써 획득될 수 있는데, 아래 수학식 17와 같이 표현될 수 있다.
Figure 112013007196719-pat00047
여기서,
Figure 112013007196719-pat00048
는 을 만족하고,
Figure 112013007196719-pat00050
는
Figure 112013007196719-pat00051
을 만족한다.
Figure 112013007196719-pat00052
과
Figure 112013007196719-pat00053
는 2진 행렬 구조를 가지는 H를 이용하여 아래와 같이 간단히 정리될 수 있다.
Q차원 벡터를
Figure 112013007196719-pat00054
로 정의하고, QXQ 인 대각 행렬을
Figure 112013007196719-pat00055
로 정의하면,
Figure 112013007196719-pat00056
와
Figure 112013007196719-pat00057
로 계산될 수 있다.
Figure 112013007196719-pat00058
이고,
Figure 112013007196719-pat00059
라고 할 때,
Figure 112013007196719-pat00060
과
Figure 112013007196719-pat00061
는 아래 수식과 같이 정리될 수 있다.
Figure 112013007196719-pat00062
Figure 112013007196719-pat00063
다음, 예측분포 계산부(350)는 새로 입력된 기상정보가 포함될 군집에 대한 예측분포(predictive distribution)를 계산한다. 구체적으로 설명하면, 예측분포 계산부(350)는 먼저 새로운 기상정보에 대한 군집을 결정한다. 이를 위하여, 예측분포 계산부(350)는 각 군집의 중심점으로부터 새로운 기상정보(
Figure 112013007196719-pat00064
)까지의 거리를 산출하고, 가장 거리가 짧은 군집을 새로운 기상정보의 군집(Xj)으로 결정한다.
다음, 예측분포 계산부(350)는 하위계층의 제1 함수(f)를 조건으로 하는 우도를 아래 수학식 18과 같이 정의한다.
Figure 112013007196719-pat00065
여기서, k는 새로운 기상정보와 모든 학습데이터의 기상정보 사이의 공분산 백터값을 나타낸다. j번째 군집에서의 새로운 기상정보와 모든 학습데이터의 기상정보 간의 공분산은 아래 수학식 19에 의하여 산출될 수 있다.
Figure 112013007196719-pat00066
여기서, _가 _로 정의될 때, _는
Figure 112013007196719-pat00067
를 만족하는 Nj 차원의 벡터에 해당한다.
예측분포 계산부(350)는 새로운 기상정보에 대한 예측분포를 수학식 15와 수학식 18을 통합시킴으로써 얻을 수 있다. 결과적으로, 예측분포는 아래 수학식 20과 같이 표현된다
Figure 112013007196719-pat00068
이때,
Figure 112013007196719-pat00069
는
Figure 112013007196719-pat00070
을 만족하고,
Figure 112013007196719-pat00071
는
Figure 112013007196719-pat00072
을 만족한다.
Figure 112013007196719-pat00073
는 노이즈 공분산 행렬에 대한 역행렬을 나타내는 것으로서, 아래 수학식 21에 의하여 획득될 수 있다.
Figure 112013007196719-pat00074
예측분포 계산부(350)는 수학식 20 및 수학식 21을 이용하여 예측평균(
Figure 112013007196719-pat00075
)과 분산(
Figure 112013007196719-pat00076
) 각각을 아래의 수학식 22 및 수학식 23으로 도출할 수 있다.
Figure 112013007196719-pat00077
Figure 112013007196719-pat00078
여기서,
Figure 112013007196719-pat00079
는
Figure 112013007196719-pat00080
를 만족한다.
한편, 하위계층의 제1 함수와 연관된 파라미터
Figure 112013007196719-pat00081
및 상위계층의 제2 함수와 연관된 파라미터
Figure 112013007196719-pat00082
는 하이퍼파라미터(hyper-parameters)로 지칭하고, 이들을 모두 모아 하이퍼파라미터 벡터
Figure 112013007196719-pat00083
로 표기한다.
최적의 하이퍼파라미터 벡터는 한계 우도(marginal likelihood)를 최대로 함으로써 계산될 수 있다. 이때, 한계 우도는 아래 수학식 24와 같다.
Figure 112013007196719-pat00084
따라서, 주어진 학습데이터에 대한 음의 대수 한계 우도(log marginal likelihood)는 아래 수학식 25와 같이 전개될 수 있다.
Figure 112013007196719-pat00085
하이퍼파라미터의 선택은 음의 대수 한계 우도 함수의 최적화를 통해 이루어지게 된다.
다음, 발전량 예측부(360)는 발전량 예측을 위한 타겟날짜의 기상정보가 입력되면 예측분포 계산부(350)에 의하여 도출된 수학식 22를 이용하여 발전량을 예측한다. 예컨대, 발전량 예측부(360)는 타겟날짜의 강수량, 타겟날짜의 풍속, 및 타겟날짜의 풍향 중 적어도 하나를 포함하는 기상정보가 입력되면, 수학식 22를 이용하여 입력된 기상정보에 대한 신재생 에너지 발전량을 예측한다.
다시 도 2를 참조하면, 경제급전계획 수립부(230)는 에너지 발전량 예측부(220)에 의하여 예측된 타겟날짜 또는 타겟시간의 신재생 에너지 발전량을 이용하여 타겟날짜 또는 타겟시간의 경제급전계획을 수립하고, 수립된 경제급전계획에 따라 각 장치(110~130)들의 동작을 제어한다.
다음, 데이터베이스(240)는 날짜 및 시간 별로 부하량, 온도, 일사량, 강수량, 풍속, 풍향, 파도 높이, 풍력 에너지 발전량, 태양열 에너지 발전량, 조력 에너지 발전량, 및 각 장치(110~140)의 상태 정보 등이 기록된다.
한편, 본 발명에 따른 에너지 발전량 예측 시스템(100)은 도 2에 도시된 바와 같이, 정보 획득부(250), 알람 발생부(260), 및 정보 표시부(270) 중 적어도 하나를 더 포함할 수 있다.
정보 획득부(250)는 풍력에너지 발전장치(110), 태양열에너지 발전장치(120), 조력에너지 발전장치(130), 및 배터리에너지 저장장치(140) 중 적어도 하나로부터 각 장치(110~140)의 에너지 발전량 및 각 장치(110~140)의 상태정보를 수집한다. 이때, 각 장치(110~140)의 상태정보란, 각 장치(110~140)에서 발생된 정전(Outage) 등을 포함하는 에러 발생 정보를 의미한다.
정보 획득부(250)는 획득된 각 장치(110~140)의 에너지 발전량 및 각 장치(110~140)의 상태정보를 경제급전계획 수립부(230) 및 알람 발생부(260)로 제공하고, 데이터베이스(240)에 저장한다.
알람 발생부(260)는 풍력에너지 발전장치(110), 태양열에너지 발전장치(120), 조력에너지 발전장치(130), 및 배터리에너지 저장장치(140) 중 적어도 하나로부터 전송되는 각 장치(110~140)의 상태정보를 모니터링하고, 각 장치(110~140)의 상태정보를 모니터링한 결과, 각 장치(110~140)에 에러가 발생한 것으로 판단되면 알람을 발생시킨다.
다음으로, 정보 표시부(270)는 타겟날짜의 부하량, 타겟날짜의 신재생 에너지 발전량, 타겟날짜의 발전계획, 타겟시간의 신재생 에너지 발전량, 타겟시간의 발전계획, 현재 각 장치(110~140)에 의해 발전되는 에너지량, 발전계획에 따른 비용분석 현황, 및 현재 각 장치(110~140)의 상태를 차트 또는 그리드 형태로 사용자에게 제공한다.
도 5a는 본 발명에 따른 발전량 예측 알고리즘 및 기존의 발전량 예측 알고리즘에 대한 예측성능을 나타내는 도면이다.
종래에는 신재생에너지 발전량 예측 알고리즘으로 최근접 이웃법이 제안된 바 있다. 상기 최근접 이웃법은 과거의 기상정보 및 발전량 정보를 이용하여 타겟시간의 기상정보에 대응되는 발전량을 예측한다. 구체적으로, 최근접 이웃법은 과거날짜들 중에서 타겟시간의 기상정보와 유사도가 높은 기상정보를 가지는 과거날짜를 선택하고, 선택된 과거날짜의 발전량 정보를 기초로 타겟시간의 발전량을 예측한다.
상술한 최근접 이웃법에 따른 발전량 예측 알고리즘은 과거의 기상정보 및 발전량 정보에 존재하는 노이즈(noise) 또는 아웃라이어(Outlier)에 민감하여 예측 성능을 저하시킨다는 단점이 있다.
이와 같은 사실은 도 5a를 참조하면 보다 정확하게 알 수 있다. 도 5a는 본 발명에 따른 발전량 예측 알고리즘 및 종래의 발전량 예측 알고리즘에 대한 평균절대오차(Mean Absolute Error, MAE)를 나타낸다. 평균절대오차(MAE)는 예측값과 실제 관측값의 편차 절대값을 산술 평균한 것으로서, 평균절대오차가 클수록 예측값과 실제 관측값의 편차가 크므로 예측성능이 떨어짐을 의미한다.
도 5a를 참조하면, 본 발명에 따른 발전량 예측 알고리즘(510)은 근접 이웃수와 상관없이 평균절대오차가 일정하고, 최근접 이웃법에 따른 발전량 예측 알고리즘(520)에 비해 평균절대오차가 작다는 것을 알 수 있다.
즉, 본 발명에 따른 발전량 예측 알고리즘(510)이 최근접 이웃법에 따른 발전량 예측 알고리즘(520) 보다 예측성능 및 예측정확성가 향상되는 것을 알 수 있다.
한편, 발전량 예측 알고리즘으로서 모든 학습데이터에 대한 가우시안 프로세스를 이용하여 발전량을 예측하는 방법을 제안해볼 수도 있다.
상기 제안된 발전량 예측 알고리즘은 모든 과거의 기상정보 및 발전량 정보를 이용하여 타겟시간의 발전량을 예측하는 반면, 본 발명에 따른 발전량 예측 알고리즘은 학습데이터에 대한 그룹화를 수행하고, 타겟시간의 기상정보와 동일한 그룹으로 분류되는 과거의 기상정보 및 발전량 정보를 이용하여 타겟시간의 발전량을 예측한다는 점에서 차이가 있다.
도 5b 및 도 5c에는 본 발명에 따른 발전량 예측 알고리즘(510)과 제안된 발전량 예측 알고리즘(530)에 대한 예측성능 및 예측소요시간을 나타낸다.
도 5b를 참조하면, 본 발명에 따른 발전량 예측 알고리즘(510)은 학습데이터가 클수록 예측성능이 향상된다는 점을 알 수 있고, 또한, 제안된 발전량 예측 알고리즘(530)과 비교하였을 때 평균절대오차(MAE)가 항상 작으므로 예측성능 및 예측정확성이 좋다는 것을 알 수 있다.
또한, 도 5c를 참조하면, 본 발명에 따른 발전량 예측 알고리즘(510)은 제안된 발전량 예측 알고리즘(530)과 비교하였을 때 타겟시간에 대한 발전량을 예측하기 위하여 동일 그룹으로 분류되는 학습데이터만을 이용하기 때문에 발전량 예측에 소요되는 시간이 현저히 감소하는 것을 알 수 있다.
상기에서는 본 출원의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 출원의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 출원을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.

Claims (8)

  1. 과거의 기상 정보 및 발전량 정보를 포함하고, 날씨와 발전량 간의 관계를 도출하기 위한 복수개의 학습데이터를 입력받는 데이터 입력부;
    상기 과거의 기상 정보의 분포에 따라 상기 복수개의 학습데이터들을 Q개의 군집으로 분류하는 군집 생성부; 및
    타겟시간의 기상 정보가 입력되면, 상기 Q개의 군집들 중에서 상기 입력된 타겟시간의 기상 정보에 대한 군집을 결정하고, 상기 결정된 군집에 포함된 학습데이터들을 이용하여 상기 타겟시간의 기상 정보에 대응되는 타겟시간의 발전량을 예측하는 발전량 예측부를 포함하고,
    상기 발전량 예측부는, 상기 결정된 군집에 포함된 학습데이터의 기상 정보와 발전량 정보 간의 관계를 나타내는 제1 함수 및 상기 Q개의 군집들 각각의 중심점 간의 관계를 나타내는 제2 함수를 이용하여 상기 타겟시간의 발전량을 예측하는 것을 특징으로 하는 에너지 발전량 예측 시스템.
  2. 제1항에 있어서,
    상기 군집은
    Figure 112013007196719-pat00086
    를 만족하고, 상기 Xj는 j번째 군집을 나타내고, 상기 x는 기상 정보를 나타내며, 상기
    Figure 112013007196719-pat00087
    는
    Figure 112013007196719-pat00088
    를 이용하여 결정되고, 상기 cj는 j번째 군집의 중심점을 나타내는 것을 특징으로 하는 에너지 발전량 예측 시스템.
  3. 제2항에 있어서,
    상기 중심점은 해당 군집에 포함된 학습데이터의 기상 정보의 평균에 대응되는 것을 특징으로 하는 에너지 발전량 예측 시스템.
  4. 삭제
  5. 제1항에 있어서,
    상기 제1 함수는 상기 제2 함수를 평균함수로 가지고 해당 군집에 포함된 기상정보에 대한 공분산 함수를 가지는 가우시안 프로세스이며, 상기 제2 함수는 평균함수가 0이고 군집의 중심점들에 대한 공분산 함수를 가지는 가우시안 프로세스인 것을 특징으로 하는 에너지 발전량 예측 시스템.
  6. 제1항에 있어서, 상기 발전량 예측부는
    Figure 112013007196719-pat00089
    를 이용하여 상기 타겟시간의 발전량을 예측하고, 상기
    Figure 112013007196719-pat00090
    는 상기 타겟시간의 발전량을 나타내고, 상기
    Figure 112013007196719-pat00091
    는 j번째 군집의 공분산 함수를 나타내고, 상기
    Figure 112013007196719-pat00092
    는 각 군집의 중심점들 간의 공분산 행렬을 나타내고, 상기
    Figure 112013007196719-pat00093
    는
    Figure 112013007196719-pat00094
    로 정의되는 벡터, 상기 μ는
    Figure 112013007196719-pat00095
    로 정의되는 벡터, 상기
    Figure 112013007196719-pat00096
    는
    Figure 112013007196719-pat00097
    로 정의되는 벡터를 나타내며, 상기 dj는 j번째 군집의 중심점과 타겟시간의 기상정보 간의 거리를 나타내고, 상기 Dj는 j번째 군집에 포함된 기상정보들 간의 공분산 행렬, 상기 Hj는 j번째 군집에서의 학습데이터의 위치를 나타내는 위치 행렬, 상기 A는
    Figure 112013007196719-pat00098
    로 정의되는 행렬을 나타내는 것을 특징으로 하는 에너지 발전량 예측 시스템.
  7. 제1항에 있어서,
    상기 기상 정보는 에너지 발전장치로부터 날짜 및 시간 별로 수집된 온도, 일사량, 강수량, 풍속, 풍향, 및 파도 높이 중 적어도 하나를 포함하고, 상기 발전량 정보는 풍력 에너지 발전량, 태양열 에너지 발전량, 및 조력 에너지 발전량 중 적어도 하나를 포함하는 것을 특징으로 하는 에너지 발전량 예측 시스템.
  8. 제1항에 있어서,
    상기 입력된 복수개의 학습데이터들 중에서 일부 정보가 누락되거나 일부 정보에 오류가 있다고 판단되는 적어도 하나의 학습데이터를 추출하여 수정 또는 삭제하는 데이터 수정부를 더 포함하는 것을 특징으로 하는 에너지 발전량 예측 시스템.
KR1020130008305A 2012-12-31 2013-01-24 에너지 발전량 예측 시스템 KR101476522B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR20120158745 2012-12-31
KR1020120158745 2012-12-31

Publications (2)

Publication Number Publication Date
KR20140087965A KR20140087965A (ko) 2014-07-09
KR101476522B1 true KR101476522B1 (ko) 2014-12-24

Family

ID=51736792

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020130008305A KR101476522B1 (ko) 2012-12-31 2013-01-24 에너지 발전량 예측 시스템

Country Status (1)

Country Link
KR (1) KR101476522B1 (ko)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102495494B1 (ko) * 2016-03-14 2023-02-06 주식회사 직방 가정의 에너지 사용량 예측 방법 및 장치
KR102118670B1 (ko) * 2017-03-23 2020-06-04 (주)모아데이타 Ict 인프라 관리 시스템 및 이를 이용한 ict 인프라 관리 방법
KR102346944B1 (ko) * 2017-07-12 2022-01-05 오씨아이 주식회사 태양광 발전량 및 부하량 예측을 통한 전기 에너지 충/방전 관리 시스템 및 방법
CN110825787A (zh) * 2019-11-04 2020-02-21 上海燕汐软件信息科技有限公司 数据提醒方法及装置、电子设备、存储介质
KR102296309B1 (ko) * 2019-12-17 2021-08-31 세종대학교산학협력단 태양광 발전량 예측 장치 및 그 방법
KR102364176B1 (ko) * 2019-12-20 2022-02-18 한국전자기술연구원 태양광 발전량 예측 모델의 비교 평가 방법 및 시스템
KR102153722B1 (ko) * 2020-02-10 2020-09-09 주식회사 시너지 Pv 발전 전력 관리 장치 및 방법
KR20210132446A (ko) * 2020-04-27 2021-11-04 주식회사 에이치에너지 예측제고 정산금 수익 극대화를 위한 저비용 태양광 예측 시스템 및 방법
KR102394050B1 (ko) * 2020-05-28 2022-05-03 숭실대학교 산학협력단 강화학습 기반의 유사일을 사용한 태양광 발전량 예측 시스템 및 방법
KR102598708B1 (ko) * 2021-08-09 2023-11-07 한국에너지기술연구원 재생 에너지량 산출 장치 및 그 방법

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005163608A (ja) * 2003-12-02 2005-06-23 Shikoku Res Inst Inc 風力発電出力予測方法
JP2009167848A (ja) * 2008-01-11 2009-07-30 Chugoku Electric Power Co Inc:The 風力発電量予測システム、方法及びプログラム
KR101035398B1 (ko) * 2010-11-22 2011-05-20 (주)에코브레인 특정지점 기상예측 기반 신재생에너지 발전량 실시간 예측방법 및 그 시스템
JP2012007783A (ja) * 2010-06-23 2012-01-12 Koyo Thermo System Kk 熱処理装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005163608A (ja) * 2003-12-02 2005-06-23 Shikoku Res Inst Inc 風力発電出力予測方法
JP2009167848A (ja) * 2008-01-11 2009-07-30 Chugoku Electric Power Co Inc:The 風力発電量予測システム、方法及びプログラム
JP2012007783A (ja) * 2010-06-23 2012-01-12 Koyo Thermo System Kk 熱処理装置
KR101035398B1 (ko) * 2010-11-22 2011-05-20 (주)에코브레인 특정지점 기상예측 기반 신재생에너지 발전량 실시간 예측방법 및 그 시스템

Also Published As

Publication number Publication date
KR20140087965A (ko) 2014-07-09

Similar Documents

Publication Publication Date Title
KR101476522B1 (ko) 에너지 발전량 예측 시스템
Behera et al. Solar photovoltaic power forecasting using optimized modified extreme learning machine technique
Wu et al. Probabilistic wind-power forecasting using weather ensemble models
Mahmoud et al. An advanced approach for optimal wind power generation prediction intervals by using self-adaptive evolutionary extreme learning machine
Hossain et al. Application of extreme learning machine for short term output power forecasting of three grid-connected PV systems
Li et al. Wind power prediction using a novel model on wavelet decomposition-support vector machines-improved atomic search algorithm
De Giorgi et al. Assessment of the benefits of numerical weather predictions in wind power forecasting based on statistical methods
Jawaid et al. Predicting daily mean solar power using machine learning regression techniques
CN105046374A (zh) 一种基于核极限学习机模型的功率区间预测方法
Michael et al. Short-term solar irradiance forecasting based on a novel Bayesian optimized deep Long Short-Term Memory neural network
Yang et al. Photovoltaic power forecasting with a rough set combination method
CN102509026A (zh) 基于最大信息熵原理的风电场短期输出功率预测综合模型
Jebli et al. The forecasting of solar energy based on Machine Learning
Sun et al. Solar power prediction in smart grid based on NWP data and an improved boosting method
Cattani Combining data envelopment analysis and Random Forest for selecting optimal locations of solar PV plants
Yu et al. Prediction of solar irradiance one hour ahead based on quantum long short-term memory network
Jimenez et al. The role of artificial intelligence in Latin Americas energy transition
Deng et al. A Survey of the Researches on Grid-Connected Solar Power Generation Systems and Power Forecasting Methods Based on Ground-Based Cloud Atlas
CN103268416A (zh) 基于stcp-bp的风速预测方法
Tran et al. Short-term solar power generation forecasting using edge ai
Qijun et al. Modeling the temporal correlation of ultra-short term wind power forecast error based on copula theory
Bryce et al. Solar pv, wind generation, and load forecasting dataset for ercot 2018: Performance-based energy resource feedback, optimization, and risk management (perform)
Huang et al. Power Prediction Method of Distributed Photovoltaic Digital Twin System Based on GA-BP
Díaz-Bedoya et al. Forecasting Univariate Solar Irradiance using Machine learning models: A case study of two Andean Cities
Onaolapo Reliability study under the smart grid paradigm using computational intelligent techniques and renewable energy sources.

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20191203

Year of fee payment: 6