KR101529678B1

KR101529678B1 - 태양광 발전량을 극대화할 수 있는 복합식 태양광 추미 방법, 이를 이용한 태양광 추미 장치 및 태양광 발전 블라인드 시스템

Info

Publication number: KR101529678B1
Application number: KR1020140196084A
Authority: KR
Inventors: 홍태훈; 구충완; 정광복; 김지민; 반철우; 이민현; 지창윤
Original assignee: 연세대학교 산학협력단
Priority date: 2014-12-31
Filing date: 2014-12-31
Publication date: 2015-06-19
Also published as: JP2016125341A; US9660571B2; JP5965048B2; US20160190981A1

Abstract

본 발명의 실시예들에 따른 복합식 태양광 추미 방법은 과거의 발전량 측정 데이터를 시계열 분석하여 제1 발전량 예측 데이터를 생성하는 단계, 제1 발전량 측정 데이터와 제1 발전량 예측 데이터 사이에서 시차 오차 값들을 생성하는 단계, 제1 발전량 측정 데이터, 제1 발전량 예측 데이터 및 시차 오차에 기초하여 제2 발전량 예측 데이터를 도출하는 단계, 현재의 제2 발전량 측정 데이터가 제2 발전량 예측 데이터의 오차 범위에 기초한 유효 범위 내에 있는지 여부에 따라, 태양광 발전량 기반 태양광 추미 방식과 위치시간 기반 태양광 추미 방식 중 하나를 선택하는 단계 및 선택된 태양광 추미 방식에 따라 태양광 패널의 방향을 결정하는 단계를 포함할 수 있다.

Description

태양광 발전량을 극대화할 수 있는 복합식 태양광 추미 방법, 이를 이용한 태양광 추미 장치 및 태양광 발전 블라인드 시스템{METHOD FOR HYBRRID SOLAR TRACKING TO MAXIMIZE PHOTOVOLTAIC POWER GENERATION, APPARATUS AND PHOTOVOLTAIC BLIND SYSTEM USING THE SAME}

본 발명은 태양광 발전 블라인드 시스템에 관한 것이다.

태양광 발전은 다른 재생 에너지에 비해 소음이나 특별한 지형, 넓은 부지가 필수적이지는 않기 때문에 발전 형태가 다양하며, 그 중에서 특히 태양광 발전 패널을 건물에 설치하는 건물통합형 태양광 발전(BIPV, Building Integrated PhotoVoltaic) 시스템에 대한 기술 개발이 연구되고 있다.

BIPV 시스템은 건물에서 태양광이 입사되는 위치를 활용하므로, 건물의 구성요소인 지붕, 유리창, 외벽 마감재 등과 결합되는 구조를 가질 수 있다. 특히, 건물에 일체화하기 쉬우면서 태양광의 입사 방향을 추적하여 방향을 바꿀 수 있는 구조가 유리할 것이다.

이에 따라, 외부에서 실내로, 또는 실내에서 외부로, 차광하기 위해 설치하는 블라인드 시스템의 슬랫(slat)에 태양전지 패널을 결합함으로써, 차광과 태양광 발전을 함께 구현할 수 있는 태양광 발전 블라인드 시스템이 제안되고 있다.

통상적으로 외벽이 유리로 마감되는 대형 건물에 태양광 발전 블라인드 시스템을 구축한다면 상당한 재생 에너지를 생산할 수 있을 것으로 기대된다.

태양광 발전 블라인드 시스템은 태양광 발전량을 극대화하기 위해 태양광의 입사 방향을 추종하는 태양광 추미 기능을 필요로 한다. 기존의 연구에 따르면 태양광 추미 기능이 없는 경우에 비해, 수평으로만 또는 수직으로만 태양광 패널의 각도를 바꿀 수 있는 1축 태양광 추미 기법으로는 약 12~25% 정도, 수평 및 수직으로 태양광 패널의 각도를 바꿀 수 있는 2축 태양광 추미 기법으로는 약 30~45% 정도 향상시킬 수 있다고 한다.

나아가, 똑같이 1축 추미 기법이나 또는 2축 추미 기법으로 분류되더라도, 구체적인 태양광 추미 알고리즘에 따라 발전량이 향상되는 정도는 다르다. 이에 따라, 좀 더 효과적인 태양광 추미 알고리즘이 필요하다.

태양광 추미 방식은 크게 세 가지로서, 광센서를 이용하여 태양의 위치를 파악하여 태양을 향하도록 조절하는 광센서 기반 방식과, 태양광 발전량이 최대화되는 방향을 찾아 태양광 패널의 방향을 조절하는 발전량 기반 방식, 위치 및 시간에 따라 예측 가능한 태양 방향을 이용하는 위치-시간 기반 방식이 있다.

광센서 기반 방식은 예를 들어 여러 방향을 향해 설치된 광센서들 중 가장 강한 태양광이 측정되는 광센서의 방향으로 태양의 방향을 파악하는 식으로 동작한다. 따라서, 광센서들과 광센서들의 검출 신호들로부터 태양 방향을 판정하는 수단이 더 필요하므로 더 높은 비용이 요구된다.

하지만, 블라인드 시스템의 특성 때문에 태양의 방향을 향하는 것이 반드시 발전량을 최대로 만들지는 않는다. 예를 들어, 한여름에 태양이 남중했을 때 태양의 방향을 향해 블라인드 슬랫들을 제어하면, 블라인드 슬랫들은 거의 수평이 되도록 놓일 것이고 대부분의 면적에 그늘이 지는 상황만 초래될 수 있다.

또한 통상적으로 광센서가 감응하는 파장대와 실제 발전량이 높은 파장대가 일치하지 않기 때문에 식별된 태양 방향이 반드시 가장 높은 발전량을 보장하지 않는다. 나아가, 기상 상태가 좋지 않으면 오작동이 필연적이다. 따라서 비용에 대비하여 효과는 좋지 않다.

이에 비해 발전량 기반 방식은 근래의 발전량 데이터를 기초로 예측 발전량이 최대가 되는 방향을 산출하는 방식으로서, 광센서 등이 불필요한 만큼 저렴하고 기상 상태에 민감하지 않지만, 구현하기 어렵다는 문제가 있다.

위치-시간 기반 방식은 단순히 위도, 경도, 설치 방향을 가지고 태양 방향을 추정하는 방식으로서, 역시 광센서 등이 불필요한 만큼 저렴하고 기상 상태에 민감하지 않지만, 정확도가 낮다는 문제가 있다.

본 발명이 해결하고자 하는 과제는 태양광 발전량을 극대화할 수 있는 태양광 추미 방법, 이를 이용한 태양광 추미 장치 및 태양광 발전 블라인드 시스템을 제공하는 데에 있다.

본 발명이 해결하고자 하는 과제는 광센서를 이용하지 않고 태양광 발전량을 극대화할 수 있는 태양광 추미 방법, 이를 이용한 태양광 추미 장치 및 태양광 발전 블라인드 시스템을 제공하는 데에 있다.

본 발명이 해결하고자 하는 과제는 지능적으로 발전량 데이터를 기반으로 하는 태양광 추미 방식과 위치-시간 기반의 태양광 추미 방식을 혼합하여 태양광 발전량을 극대화할 수 있는 태양광 추미 방법, 이를 이용한 태양광 추미 장치 및 태양광 발전 블라인드 시스템을 제공하는 데에 있다.

본 발명의 해결과제는 이상에서 언급된 것들에 한정되지 않으며, 언급되지 아니한 다른 해결과제들은 아래의 기재로부터 당업자에게 명확히 이해될 수 있을 것이다.

본 발명의 일 측면에 따른 컴퓨터를 이용한 복합식 태양광 추미 방법은, 상기 컴퓨터가,

과거의 제1 발전량 측정 데이터를 시계열 분석(Time series analysis)하여 제1 발전량 예측 데이터를 생성하는 단계;

제1 발전량 측정 데이터와 제1 발전량 예측 데이터 사이에서 시차 오차(lagged error)를 생성하는 단계;

제1 발전량 측정 데이터, 제1 발전량 예측 데이터 및 시차 오차에 기초하여 제2 발전량 예측 데이터를 예측하는 회귀 분석(RA) 모델을 구축하고 제2 발전량 예측 데이터를 도출하는 단계;

제1 발전량 측정 데이터, 제1 발전량 예측 데이터 및 시차 오차에 기초하여 제3 발전량 예측 데이터를 예측하는 인공신경망(ANN) 모델을 구축하고 제3 발전량 예측 데이터를 도출하는 단계;

현재의 제2 발전량 측정 데이터가 제2 발전량 예측 데이터의 제1 오차 범위와 제3 발전량 예측 데이터의 제2 오차 범위에 기초한 유효 범위 내에 있는지 여부에 따라, 태양광 발전량 기반 태양광 추미 방식과 위치시간 기반 태양광 추미 방식 중 하나를 선택하는 단계; 및

선택된 태양광 추미 방식에 따라 태양광 패널의 방향을 결정하는 단계를 포함할 수 있다.

일 실시예에 따라, 제1 발전량 측정 데이터에 관한 시계열 분석은 ARIMA(Auto-Regressive Integrated Moving Average) 분석 또는 SARIMA(Seasonal ARIMA) 분석에 기반할 수 있다.

일 실시예에 따라, 제1 오차 범위 또는 제2 오차 범위는

평균 절대 오차 백분율(MAPE) 또는 표준오차율(SER) 중 하나를 이용하여 상한과 하한을 각각 설정함으로써 결정되는 범위일 수 있다.

일 실시예에 따라, 유효 범위는

제1 오차 범위와 제2 오차 범위가 서로 중첩되는 교차 범위일 수 있다.

일 실시예에 따라, 유효 범위는

제1 오차 범위와 제2 오차 범위가 서로 중첩되는 교차 범위의 상한과 하한을 소정의 허용 한계율만큼 확대한 범위일 수 있다.

본 발명의 다른 측면에 따른 컴퓨터를 이용한 복합식 태양광 추미 방법은 상기 컴퓨터가,

과거의 제1 발전량 측정 데이터를 시계열 분석하여 제1 발전량 예측 데이터를 생성하는 단계;

제1 발전량 측정 데이터와 제1 발전량 예측 데이터 사이에서 시차 오차 값들을 생성하는 단계;

제1 발전량 측정 데이터, 제1 발전량 예측 데이터 및 시차 오차에 기초하여 제2 발전량 예측 데이터를 도출하는 단계;

현재의 제2 발전량 측정 데이터가 제2 발전량 예측 데이터의 오차 범위에 기초한 유효 범위 내에 있는지 여부에 따라, 태양광 발전량 기반 태양광 추미 방식과 위치시간 기반 태양광 추미 방식 중 하나를 선택하는 단계; 및

일 실시예에 따라, 상기 제2 발전량 예측 데이터를 도출하는 단계는,

제1 발전량 측정 데이터, 제1 발전량 예측 데이터 및 시차 오차에 기초하여 제2 발전량 예측 데이터를 예측하는 회귀 분석(RA) 모델을 구축하는 단계; 및

상기 회귀 분석 모델에 따라 제2 발전량 예측 데이터를 도출하는 단계를 포함할 수 있다.

제1 발전량 측정 데이터, 제1 발전량 예측 데이터 및 시차 오차에 기초하여 제2 발전량 예측 데이터를 예측하는 인공신경망(ANN) 모델을 구축하는 단계; 및

상기 인공신경망 모델에 따라 제2 발전량 예측 데이터를 도출하는 단계를 포함할 수 있다.

일 실시예에 따라, 제1 발전량 측정 데이터에 관한 시계열 분석은 ARIMA 분석 또는 SARIMA 분석에 기반할 수 있다.

본 발명의 또 다른 측면에 따른 복합식 태양광 추미 장치는,

과거의 제1 발전량 측정 데이터를 시계열 분석하여 제1 발전량 예측 데이터를 생성하는 제1 발전량 예측부;

제1 발전량 측정 데이터와 제1 발전량 예측 데이터 사이에서 시차 오차를 입수하고, 제1 발전량 측정 데이터, 제1 발전량 예측 데이터 및 시차 오차에 기초하여 제2 발전량 예측 데이터를 예측하는 회귀 분석(RA) 모델을 구축하고 제2 발전량 예측 데이터를 도출하는 제2 발전량 예측부;

제1 발전량 측정 데이터, 제1 발전량 예측 데이터 및 시차 오차에 기초하여 제3 발전량 예측 데이터를 예측하는 인공신경망(ANN) 모델을 구축하고 제3 발전량 예측 데이터를 도출하는 제3 발전량 예측부; 및

현재의 제2 발전량 측정 데이터가 제2 발전량 예측 데이터의 제1 오차 범위와 제3 발전량 예측 데이터의 제2 오차 범위에 기초한 유효 범위 내에 있는지 여부에 따라, 태양광 발전량 기반 태양광 추미 방식과 위치시간 기반 태양광 추미 방식 중 하나를 선택하고 선택된 태양광 추미 방식에 따라 태양광 패널의 방향을 결정하는 태양광 추미 제어부를 포함할 수 있다.

일 실시예에 따라, 제1 오차 범위 또는 제2 오차 범위는

일 실시예에 따라, 유효 범위는

본 발명의 또 다른 측면에 따른 복합식 태양광 추미 장치는

제1 발전량 측정 데이터와 제1 발전량 예측 데이터 사이에서 시차 오차 값들을 입수하고, 제1 발전량 측정 데이터, 제1 발전량 예측 데이터 및 시차 오차에 기초하여 제2 발전량 예측 데이터를 예측하는 제2 발전량 예측부; 및

현재의 제2 발전량 측정 데이터가 제2 발전량 예측 데이터의 오차 범위에 기초한 유효 범위 내에 있는지 여부에 따라, 태양광 발전량 기반 태양광 추미 방식과 위치시간 기반 태양광 추미 방식 중 하나를 선택하고, 선택된 태양광 추미 방식에 따라 태양광 패널의 방향을 결정하는 태양광 추미 제어부를 포함할 수 있다.

일 실시예에 따라, 상기 제2 발전량 예측부는

제1 발전량 측정 데이터, 제1 발전량 예측 데이터 및 시차 오차에 기초하여 제2 발전량 예측 데이터를 예측하는 회귀 분석(RA) 모델을 구축하고, 상기 회귀 분석 모델에 따라 제2 발전량 예측 데이터를 도출하도록 동작할 수 있다.

일 실시예에 따라, 상기 제2 발전량 예측부는

제1 발전량 측정 데이터, 제1 발전량 예측 데이터 및 시차 오차에 기초하여 제2 발전량 예측 데이터를 예측하는 인공신경망(ANN) 모델을 구축하고, 상기 인공신경망 모델에 따라 제2 발전량 예측 데이터를 도출하도록 동작할 수 있다.

본 발명의 또 다른 측면에 따른 태양광 발전 블라인드 시스템은,

태양광 패널이 각각 부착된 복수의 블라인드 슬랫들;

태양광 패널들에서 생성된 전력량을 측정하는 전력량 측정부;

실시예들에 따른 복합식 태양광 추미 장치; 및

복합식 태양광 추미 장치에 의해 결정된 태양광 패널의 방향에 따라 상기 블라인드 슬랫들의 방향을 제어하는 구동부를 포함할 수 있다.

일 실시예에 따라, 상기 구동부는

결정된 태양광 패널의 방향에 따라 각도 조절용 로프를 와이어 풀러와 모터를 이용하여 감거나 풀어서 블라인드 슬랫의 각도를 조절함으로써 블라인드 슬랫 상의 태양광 패널의 수직 방향을 조절하고,

창틀과 하우징에 각각 고정된 기어들을 모터를 이용하여 구동하여 창틀에 대해 상대적으로 하우징 전체가 회전하게 함으로써 하우징에 매달린 블라인드 슬랫 상의 태양광 패널의 수평 방향을 조절하도록 동작할 수 있다.

본 발명의 복합식 태양광 추미 방법, 이를 이용한 태양광 추미 장치 및 태양광 발전 블라인드 시스템에 따르면, 광센서를 이용하지 않고 태양광 발전량을 극대화할 수 있다.

본 발명의 복합식 태양광 추미 방법, 이를 이용한 태양광 추미 장치 및 태양광 발전 블라인드 시스템에 따르면, 계절성(seasonality)과 주기적 정상성(stationarity)을 고려하여 태양광 발전량을 극대화할 수 있다.

본 발명의 복합식 태양광 추미 방법, 이를 이용한 태양광 추미 장치 및 태양광 발전 블라인드 시스템에 따르면, 지능적으로 발전량 데이터를 기반으로 하는 태양광 추미 방식과 위치-시간 기반의 태양광 추미 방식을 혼합하여 태양광 발전량을 극대화할 수 있다.

본 발명의 효과는 이상에서 언급된 것들에 한정되지 않으며, 언급되지 아니한 다른 효과들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

도 1은 본 발명의 실시예들에 따른 복합식 태양광 추미 방법을 예시한 순서도이다.
도 2는 본 발명의 실시예들에 따른 복합식 태양광 추미 방법에서 발전량에 따라 추미 방식이 변경되는 것을 예시한 개념도이다.
도 3은 본 발명의 실시예들에 따른 복합식 태양광 추미 방법을 예시한 순서도이다.
도 4는 본 발명의 실시예들에 따른 복합식 태양광 추미 장치를 구비한 예시한 블록도이다.
도 5는 본 발명의 실시예들에 따른 복합식 태양광 추미 장치를 구비한 예시한 블록도이다.
도 6은 본 발명의 실시예들에 따른 태양광 발전 블라인드 시스템을 예시한 사시도이다.
도 7은 본 발명의 실시예들에 따른 태양광 발전 블라인드 시스템의 시제품이다.

본문에 개시되어 있는 본 발명의 실시예들에 대해서, 특정한 구조적 내지 기능적 설명들은 단지 본 발명의 실시예를 설명하기 위한 목적으로 예시된 것으로, 본 발명의 실시예들은 다양한 형태로 실시될 수 있으며 본문에 설명된 실시예들에 한정되는 것으로 해석되어서는 아니 된다.

이하, 첨부한 도면들을 참조하여, 본 발명의 바람직한 실시예를 보다 상세하게 설명하고자 한다. 도면상의 동일한 구성요소에 대해서는 동일한 참조부호를 사용하고 동일한 구성요소에 대해서 중복된 설명은 생략한다.

도 1은 본 발명의 실시예들에 따른 복합형 태양광 추미 방법을 예시한 순서도이다.

도 1을 참조하면, 본 발명의 일 실시예에 따른 컴퓨터를 이용한 복합식 태양광 추미 방법은 컴퓨터가 다음의 단계(S11)을 수행하는 것으로 시작될 수 있다.

단계(S11)에서, 컴퓨터가 과거의 제1 발전량 측정 데이터를 시계열 분석(Time series analysis)하여 제1 발전량 예측 데이터를 생성할 수 있다.

시계열 분석 기법은 시계열 데이터들간의 계열 상관을 이용하여 동태적 관계(dynamic relation)를 분석하는 방법론이다. 시계열 분석 중 Box-Jenkins 기법은, 다른 시계열 분석 기법들이 현상을 설명할 구체적 변수들 사이의 구조적인 관계를 찾아내기 위한 방법론들인 것과 달리, 데이터의 현실적 의미에는 관심을 두지 않고 데이터 자체의 통계적 성질을 이용하여 미래의 데이터를 예측하는 기법으로서, 특히 데이터가 주기성과 순환성, 즉 정상성(stationarity)을 가지는 경우에 적합하다

Box-Jenkins 기법은 ARIMA(Auto-Regressive Integrated Moving Average) 모델로 설명되며, 계절성(Seasonality)을 반영한 SARIMA(Seasonal ARIMA) 모델도 적용될 수 있다.

ARIMA 모델은 차분(differencing)을 통해 비정상성(non-stationarity)를 제거하고 정상성을 가지도록 보정한 데이터에 대해 자기 회귀(Auto-Regressive) 및 이동 평균(MA)을 도출하며, 도출된 파라미터들을 데이터들에 적용하여 파라미터들을 검증한다. 파라미터들의 도출과 검증을 반복함으로써 적절한 ARIMA 모델이 구축될 수 있다.

SARIMA 모델은 SARIMA 모델과 유사하고 다만 계절성을 가진 파라미터들을 도출하고 검증한다는 차이가 있다.

구축된 ARIMA 모델 또는 SARIMA 모델을 이용하여 과거의 데이터로부터 미래의 데이터를 예측할 수 있다.

Box-Jenkins 기법, ARIMA 모델 및 SARIMA 모델은 1970년대에 발표된 후 발전한 개념으로서 주지되어 있으므로 더 구체적인 설명은 생략한다.

과거의 태양광 발전량은 기상 상태에 따라 돌발적인 변동이 있지만 매일 발전량이 증가하고 감소하는 주기성과 순환성, 절기에 영향을 받는 계절성을 가지므로, ARIMA 모델 또는 SARIMA 모델에 의해 근래의 태양광 발전량을 예측하기에 적합하다.

따라서, 단계(S11)에서, 컴퓨터는 과거의 제1 발전량 측정 데이터를 ARIMA 모델 또는 SARIMA 모델에 의해 시계열 분석하여 제1 발전량 예측 데이터를 생성할 수 있다.

비록 ARIMA 모델 또는 SARIMA 모델에 의한 시계열 분석이 상당한 단기예측 성능을 보이지만, ARIMA 모델이나 SARIMA 모델은 예측 값과 측정된 값 사이의 시간 상의 오차, 즉 시차 오차(lagged error)를 내재적으로 고려하지 않는 문제가 있다.

본 발명은 이러한 문제를 해결하기 위해, 시차 오차를 하나의 독립 변수로 보고, 다른 예측 기법을 이용하여 시차 오차를 고려하면서 발전량을 예측함으로써 예측 결과를 검증할 수 있다.

이를 위해 단계(S12)에서, 컴퓨터는 제1 발전량 측정 데이터와 제1 발전량 예측 데이터 사이에서 시차 오차(lagged error)를 다음 수학식 1과 같이 생성할 수 있다.

여기서,

는 시간 t에 산출된 시차 오차,

는 시간 t에서 측정된 제1 발전량 측정 데이터,

는 시간 t에서 SARIMA 모델을 이용하여 예측된 제1 발전량 예측 데이터이다.

이어서, 본 발명은 시차 오차를 고려할 수 있는 예측 기법으로서 다중 회귀 분석(MRA)과 같은 회귀 분석 기법과, 인공신경망(ANN) 기법을 이용한다.

본래 다중 회귀 분석 기법이나 인공신경망 기법은 현상을 통계적으로 설명할 수 있는 독립 변수들을 어떻게 설정하느냐는 문제는 매우 중요하다. 따라서 통상적으로 발전량 예측을 위해 다중 회귀 분석 기법이나 인공신경망 기법을 이용한다면, 기상 요소라든가 태양광 복사 에너지, 위치 등과 같이 면밀하게 검토된 독립 변수들을 세우고 종속 변수로서 발전량을 예측한다.

하지만, 본 발명은, 현상을 설명할 구체적인 독립 변수들을 세우는 대신에, 1차적으로 측정 데이터 자체의 통계적 특성으로부터 예측하는 Box-Jensen 기법을 통해 예측 데이터를 얻고, 예측 데이터, 측정 데이터 및 시차 오차를 가지고 다중 회귀 분석 또는 인공신경망 분석을 수행함으로써, 구체적인 독립 변수들을 설정하지 않으면서도 다중 회귀 분석 또는 인공신경망 분석의 각각의 장점을 누릴 수 있다.

이를 위해 단계(S13)에서, 컴퓨터가 제1 발전량 측정 데이터, 제1 발전량 예측 데이터 및 시차 오차에 기초하여 제2 발전량 예측 데이터를 예측하는 회귀 분석(RA) 모델을 다음 수학식 2와 같이 구축하고 제2 발전량 예측 데이터를 도출할 수 있다.

여기서,

는 시간 t에 예측되는 제2 발전량 예측 데이터,

는 회귀 분석 모델,

는 시간 t-l(l은 정수)에서 측정되는 제1 발전량 측정 데이터,

는 시간 t-m(m은 정수)에서 예측된 제1 발전량 예측 데이터,

는 시간 t-n(n은 정수)에서 산출된 시차 오차이다. l, m 또는 n이 태양광 추적 주기와 관련된 값들로서, 예를 들어 l=5 이라면 5분 전의 시점의 측정 데이터를 의미할 수 있다.

이때, 제1 발전량 예측 데이터가 ARIMA 모델 또는 SARIMA 모델에 기초하여 예측된 값이므로, 단계(S13)는 회귀 분석(RA) 모델과 ARIMA 모델(또는 SARIMA 모델)을 결합하여 예측하는 SARIMA - RA 하이브리드 모델이라 할 수 있다.

또한 단계(S14)에서, 컴퓨터가 제1 발전량 측정 데이터, 제1 발전량 예측 데이터 및 시차 오차에 기초하여 제3 발전량 예측 데이터를 예측하는 인공신경망(ANN) 모델을 다음 수학식 3과 같이 구축하고 제3 발전량 예측 데이터를 도출할 수 있다.

여기서,

는 시간 t에 예측되는 제3 발전량 예측 데이터,

는 인공신경망 모델, 시간 t-l(l은 정수)에서 측정되는 제1 발전량 측정 데이터,

는 시간 t-m(m은 정수)에서 예측된 제1 발전량 예측 데이터,

마찬가지로, 제1 발전량 예측 데이터가 ARIMA 모델 또는 SARIMA 모델에 기초하여 예측된 값이므로, 단계(S14)는 ANN 분석 모델과 ARIMA 모델(또는 SARIMA 모델)을 결합하여 예측하는 또 하나의 하이브리드 모델, SARIMA - ANN 하이브리드 모델이라 할 수 있다.

단계(S13)에서 제2 발전량 예측 데이터는 선형적 요소를 특히 고려하여 도출되는 예측 데이터라면, 단계(S14)에서 제3 발전량 예측 데이터는 운량, 강수 등의 비선형적 요소를 특히 고려하여 도출되는 예측 데이터라고 할 수 있다.

이어서, 단계(S15)에서, 컴퓨터가 현재의 제2 발전량 측정 데이터가 제2 발전량 예측 데이터의 제1 오차 범위와 제3 발전량 예측 데이터의 제2 오차 범위에 기초한 유효 범위 내에 있는지 여부에 따라, 태양광 발전량 기반 태양광 추미 방식과 위치시간 기반 태양광 추미 방식 중 하나를 선택할 수 있다.

구체적으로, 제1 오차 범위 또는 제2 오차 범위는 평균 절대 오차 백분율(MAPE) 또는 표준오차 백분율(SER) 중 하나를 이용하여 상한과 하한을 각각 설정함으로써 결정되는 범위이다.

평균 절대 오차 백분율(MAPE, Mean Absolute Percentage Error)은 수학식 4와 같이, 실제 측정된 데이터와 예측 데이터의 오차의 절대값을 실제 측정 데이터로 나눈 절대 오차 백분율의 평균값이다.

여기서,

는 평균 절대 오차 백분율, m은 표본의 개수, i는 표본 인덱스, AV는 실제 측정된 데이터, PV는 예측된 데이터이다.

본 발명의 명세서에서 표준 오차 백분율은 추정의 표준 오차(standard error of estimate)로 불리는 제곱근 평균 제곱 오차(RMSE, Root Mean Square Error)를 실제 측정 데이터의 평균으로 나눈 백분율일 수 있다.

예를 들어 평균 절대 오차 백분율(MAPE)을 이용할 경우에, 제1 오차 범위는 다음 수학식 5와 같고 제2 오차 범위는 다음 수학식 6과 같다.

여기서,

는 SARIMA - RA 하이브리드 모델의 제1 오차 범위이고,

는 SARIMA - RA 하이브리드 모델의 MAPE,

는 SARIMA - RA 하이브리드 모델에서 도출된 제2 예측 데이터이다.

여기서,

는 SARIMA - ANN 하이브리드 모델의 제2 오차 범위이고,

는 SARIMA - ANN 하이브리드 모델의 MAPE,

는 SARIMA - ANN 하이브리드 모델에서 도출된 제3 예측 데이터이다.

이렇듯 제1 오차 범위와 제2 오차 범위는 상황이나 맥락, 의도에 따라 설계자가 상한과 하한을 각각 적절하게 설정하여 결정될 수 있다.

한편, 유효 범위(FR, Filtering Range)는 제1 오차 범위와 제2 오차 범위가 서로 중첩되는 교차 범위(Cross Range)이다.

예를 들어, 제1 오차 범위와 제2 오차 범위가 서로 중첩한다는 가정 하에, 수학식 7과 같이, 교차 범위의 하한은 제1 오차 범위의 하한과 제2 오차 범위의 하한 중 더 큰 값이고, 교차 범위의 상한은 제1 오차 범위의 상한과 제2 오차 범위의 상한 중 더 작은 값일 수 있다.

여기서, CRMA(Cross Range between predicted value of MRA model and ANN model)은 교차 범위이고, CRMA의 하한은

의 최소값과

의 최소값 중 큰 값이며, CRMA의 상한은

의 최대값과

의 최대값 중 작은 값이다.

만약 제1 오차 범위와 제2 오차 범위가 서로 중첩하지 않으면 이는 오차 범위들이 너무 엄격하기 때문이거나, 예측 모델들이 잘못 구축된 것인데, 이러한 경우에는 제1 및 제2 오차 범위들을 다시 설정하거나 예측 모델들을 다시 구축할 필요가 있을 것이다.

나아가, 유효 범위 자체가 상황에 따라 다소 확대될 수도 있다.

예를 들어, 유효 범위(FR)는, 수학식 8과 같이, 제1 오차 범위와 제2 오차 범위가 서로 중첩되는 교차 범위의 상한과 하한을 소정의 허용 한계율만큼 확대한 범위일 수 있다.

여기서, CRMA는 교차 범위, FR은 유효 범위, TRCRMA는 허용 한계율(Tolerance Range of CRMA)이다.

허용 한계율은 예를 들어 과거의 1년 동안 축적된 태양광 발전량 데이터를 기반으로 설정될 수 있다.

만약 현재의 제2 발전량 측정 데이터가 유효 범위 내에 있으면 발전량 기반의 태양광 추미 방식이 적절하게 기능하고 있음을 의미하므로 태양광 추미 방식을 변경할 필요없이 계속 발전량 기반의 태양광 추미 방식을 이용할 수 있다.

반면에 현재의 제2 발전량 측정 데이터가 유효 범위 내에 있으면 발전량 기반의 태양광 추미 방식이 적절하게 기능하고 있음을 의미하므로 발전량 기반의 태양광 추미 방식을 이용할 수 있다.

발전량 기반의 태양광 추미 방식은 블라인드 시스템의 슬랫들의 태양광 발전량을 모니터링하고 가장 높은 태양광 발전량을 보이는 각도로 슬랫들의 방향을 조절하는 방식이다. 기본적으로 본 발명의 태양광 발전 블라인드 시스템은 발전량 기반의 태양광 추미 방식을 이용한다.

위치 시간 기반의 태양광 추미 방식은 블라인드 시스템이 설치된 지구 좌표계 상의 좌표와, 현재 시각에 따라 추정되는 태양의 고도각과 방위각에 따라 태양을 향하도록 슬랫들의 방향을 조절하는 방식이다.

예를 들어, 태양의 고도각은 태양과 태양광 패널이 수직을 이루는 각도로서, 다음 수학식 9와 같이 현재 시각과 위치에 따라 산출될 수 있다.

여기서,

는 태양의 고도각,

는 태양의 적위,

는 현재 위치의 위도,

는 현재 시각을 각도로 변환한 값이다. 태양의 적위

는 지구의 중심과 태양의 중심을 잇는 가상의 선이 지구의 적도와 이루는 각도로서, 23.45×sin[360/365 ×(n-284)]로 주어지며, 또한 n은 매년 초일부터 기산한 일수이다.

태양의 방위각은 태양광 패널의 수평면에 투영된 태양의 위치와 이루는 각도로서 다음 수학식 10과 같이 현재 시각의 태양의 고도각에 따라 산출될 수 있다.

여기서,

는 방위각,

는 태양의 적위,

는 현재 시각을 각도로 변환한 값,

는 태양의 고도각이다.

도 2는 본 발명의 실시예들에 따른 복합식 태양광 추미 방법에서 발전량에 따라 추미 방식이 변경되는 것을 예시한 개념도이다.

도 2를 참조하면, ARIMA 모델(또는 SARIMA 모델)과 RA 모델의 하이브리드 모델, 또는 ARIMA 모델(또는 SARIMA 모델)과 ANN 모델의 하이브리드 모델을 통해 예측된 발전량 예측 데이터의 유효 범위가 띠 모양으로 표시되어 있고, 실제로 획득된 발전량 측정 데이터는 도트 연결선으로 표시되어 있다.

시간축 상으로 270분 이후부터 예측이 수행되는데 구간 ①에서는 유효 범위 내에 발전량 측정 데이터가 들어가 있어서 예측된 대로 태양광 발전이 이루어지고 있음을 알 수 있다.

구간 ②에서, 570분과 600분 사이에 기상학적 요인에 의해 발전량이 급격히 감소하면서 발전량 측정 데이터는 유효 범위를 크게 이탈한다. 이 경우에 태양광 추미 방식은 위치 시간 기반의 태양광 추미 방식으로 선택된다.

마지막으로, 단계(S16)에서, 컴퓨터가 선택된 태양광 추미 방식에 따라 태양광 패널의 방향을 결정할 수 있다.

태양광 패널의 방향은 예를 들어 수평 방위와 수직 방위를 각각 조절하는 2축 방향 조절 수단에 의해 조절될 수 있다.

도 3은 본 발명의 실시예들에 따른 복합식 태양광 추미 방법을 예시한 순서도이다.

도 3을 참조하면, 컴퓨터를 이용한 복합식 태양광 추미 방법은, 단계(S31)에서, 컴퓨터가 과거의 제1 발전량 측정 데이터를 시계열 분석하여 제1 발전량 예측 데이터를 생성하는 단계로부터 시작할 수 있다.

실시예에 따라, 제1 발전량 측정 데이터에 관한 시계열 분석은 ARIMA 분석 또는 SARIMA 분석에 기반할 수 있다.

단계(S32)에서, 컴퓨터가 제1 발전량 측정 데이터와 제1 발전량 예측 데이터 사이에서 시차 오차 값들을 생성할 수 있다.

단계(S31)와 단계(S32)는 도 1의 단계(S11)와 단계(S12)와 실질적으로 동일할 수 있다.

단계(S33)에서, 컴퓨터가 제1 발전량 측정 데이터, 제1 발전량 예측 데이터 및 시차 오차에 기초하여 제2 발전량 예측 데이터를 예측할 수 있다.

실시예에 따라 구체적으로, 단계(S33)는 컴퓨터가 제1 발전량 측정 데이터, 제1 발전량 예측 데이터 및 시차 오차에 기초하여 제2 발전량 예측 데이터를 예측하는 회귀 분석(RA) 모델을 구축하는 단계 및 회귀 분석 모델에 따라 제2 발전량 예측 데이터를 도출하는 단계를 포함할 수 있다.

실시예에 따라 구체적으로, 단계(S33)는 컴퓨터가 제1 발전량 측정 데이터, 제1 발전량 예측 데이터 및 시차 오차에 기초하여 제2 발전량 예측 데이터를 예측하는 인공신경망(ANN) 모델을 구축하는 단계 및 인공신경망 모델에 따라 제2 발전량 예측 데이터를 도출하는 단계를 포함할 수 있다.

단계(S34)에서, 컴퓨터가 현재의 제2 발전량 측정 데이터가 제2 발전량 예측 데이터의 오차 범위에 기초한 유효 범위 내에 있는지 여부에 따라, 태양광 발전량 기반 태양광 추미 방식과 위치시간 기반 태양광 추미 방식 중 하나를 선택할 수 있다.

두 가지 예측 모델을 모두 이용하여 유효 범위를 설정하는 도 1의 실시예와 달리, 도 3의 실시예는 한 가지 예측 모델만 이용하여 유효 범위를 설정하므로, 이용된 예측 모델의 오차 범위를 그대로 유효 범위로 이용할 수 있다.

오차 범위, 또는 유효 범위는 상황이나 맥락, 의도에 따라 설계자가 상한과 하한을 각각 적절하게 설정하여 결정될 수 있다.

실시예에 따라, 예를 들어, 유효 범위는 오차 범위의 상한과 하한을 소정의 허용 한계율만큼 확대한 범위일 수 있다.

마지막으로, 단계(S35)에서, 컴퓨터가 선택된 태양광 추미 방식에 따라 태양광 패널의 방향을 결정하는 단계를 포함할 수 있다.

도 4는 본 발명의 실시예들에 따른 복합식 태양광 추미 장치를 구비한 예시한 블록도이다.

도 4를 참조하면, 복합식 태양광 추미 장치(40)는 제1 발전량 예측부(41), 제2 발전량 예측부(42), 제3 발전량 예측부(43) 및 태양광 추미 제어부(44)를 포함할 수 있다.

제1 발전량 예측부(41)는 과거의 제1 발전량 측정 데이터를 시계열 분석하여 제1 발전량 예측 데이터를 생성할 수 있다.

제2 발전량 예측부(42)는 제1 발전량 측정 데이터와 제1 발전량 예측 데이터 사이에서 시차 오차를 입수하고, 제1 발전량 측정 데이터, 제1 발전량 예측 데이터 및 시차 오차에 기초하여 제2 발전량 예측 데이터를 예측하는 회귀 분석(RA) 모델을 구축하고 제2 발전량 예측 데이터를 도출할 수 있다.

제3 발전량 예측부(43)는 제1 발전량 측정 데이터, 제1 발전량 예측 데이터 및 시차 오차에 기초하여 제3 발전량 예측 데이터를 예측하는 인공신경망(ANN) 모델을 구축하고 제3 발전량 예측 데이터를 도출할 수 있다.

태양광 추미 제어부(44)는 현재의 제2 발전량 측정 데이터가 제2 발전량 예측 데이터의 제1 오차 범위와 제3 발전량 예측 데이터의 제2 오차 범위에 기초한 유효 범위 내에 있는지 여부에 따라, 태양광 발전량 기반 태양광 추미 방식과 위치시간 기반 태양광 추미 방식 중 하나를 선택하고, 선택된 태양광 추미 방식에 따라 태양광 패널의 방향을 결정할 수 있다.

이때 제1 오차 범위 또는 제2 오차 범위는 예를 들어 평균 절대 오차 백분율(MAPE) 또는 표준오차율(SER) 중 하나를 이용하여 상한과 하한을 각각 설정함으로써 결정되는 범위이다.

실시예에 따라, 유효 범위는 제1 오차 범위와 제2 오차 범위가 서로 중첩되는 교차 범위이다.

실시예에 따라, 유효 범위는 제1 오차 범위와 제2 오차 범위가 서로 중첩되는 교차 범위의 상한과 하한을 소정의 허용 한계율만큼 확대한 범위이다.

도 5는 본 발명의 실시예들에 따른 복합식 태양광 추미 장치를 구비한 예시한 블록도이다.

도 5를 참조하면, 두 가지 예측 모델을 모두 이용하여 유효 범위를 설정하는 도 4의 실시예와 달리, 도 5의 실시예는 한 가지 예측 모델만 이용하여 유효 범위를 설정하므로, 이용된 예측 모델의 오차 범위를 그대로 유효 범위로 이용할 수 있다.

복합식 태양광 추미 장치(50)는 제1 발전량 예측부(51), 제2 발전량 예측부(52) 및 태양광 추미 제어부(54)를 포함할 수 있다.

제1 발전량 예측부(51)는 과거의 제1 발전량 측정 데이터를 시계열 분석하여 제1 발전량 예측 데이터를 생성할 수 있다.

제2 발전량 예측부(52)는 제1 발전량 측정 데이터와 제1 발전량 예측 데이터 사이에서 시차 오차 값들을 입수하고, 제1 발전량 측정 데이터, 제1 발전량 예측 데이터 및 시차 오차에 기초하여 제2 발전량 예측 데이터를 예측할 수 있다.

실시예에 따라, 제2 발전량 예측부(52)는 제1 발전량 측정 데이터, 제1 발전량 예측 데이터 및 시차 오차에 기초하여 제2 발전량 예측 데이터를 예측하는 회귀 분석(RA) 모델을 구축하고, 회귀 분석 모델에 따라 제2 발전량 예측 데이터를 도출하도록 동작할 수 있다.

실시예에 따라, 제2 발전량 예측부(52)는 제1 발전량 측정 데이터, 제1 발전량 예측 데이터 및 시차 오차에 기초하여 제2 발전량 예측 데이터를 예측하는 인공신경망(ANN) 모델을 구축하고, 인공신경망 모델에 따라 제2 발전량 예측 데이터를 도출하도록 동작할 수 있다.

태양광 추미 제어부(54)는 현재의 제2 발전량 측정 데이터가 제2 발전량 예측 데이터의 오차 범위에 기초한 유효 범위 내에 있는지 여부에 따라, 태양광 발전량 기반 태양광 추미 방식과 위치시간 기반 태양광 추미 방식 중 하나를 선택하고, 선택된 태양광 추미 방식에 따라 태양광 패널의 방향을 결정할 수 있다.

도 6은 본 발명의 실시예들에 따른 태양광 발전 블라인드 시스템을 예시한 사시도이다.

도 6을 참조하면, 태양광 발전 블라인드 시스템(60)은 복수의 블라인드 슬랫들(61), 전력량 측정부(62), 복합식 태양광 추미 장치(63) 및 구동부(64)를 포함할 수 있다.

복수의 블라인드 슬랫들(61)은 폭이 좁고 길이 방향으로 길게 연장된 형태이고 일 표면에 태양광 패널이 부착되어 있다. 각 블라인드 슬랫(61)은 양 말단에, 또는 한쪽 말단에, 각도 조절을 위한 로프, 슬랫들을 승강하기 위한 로프 및 신호 내지 전력이 전송되는 전송선들을 연결하기 위한 전기적 인터페이스들, 그 밖에 필요한 전기 회로가 형성된 회로 기판을 구비할 수 있다.

블라인드 슬랫들(61)의 구동과 발전을 제어하기 위한 구성 요소들은 블라인드 슬랫들의 상부에 설치된 하우징 내에 구비될 수 있다.

예를 들어 전력량 측정부(62), 복합식 태양광 추미 장치(63) 및 구동부(64)는 모두 하우징 내에 구비될 수 있다.

전력량 측정부(62)는 태양광 패널들에서 생성된 전체적인 전력량을 측정할 수 있다.

복합식 태양광 추미 장치(63)는 도 4 및 도 5에서 상술한 복합식 태양광 추미 장치들(40, 50)에 상응한다.

구동부(64)는 복합식 태양광 추미 장치(63)에 의해 결정된 태양광 패널의 방향에 따라 각도 조절용 로프를 와이어 풀러와 모터를 이용하여 감거나 풀어서 블라인드 슬랫의 각도를 조절함으로써 블라인드 슬랫 상의 태양광 패널의 수직 방향을 조절할 수 있다.

또한, 구동부(64)는 창틀과 하우징에 각각 고정된 기어들을 모터를 이용하여 구동하여 창틀에 대해 상대적으로 하우징 전체가 회전하게 함으로써 하우징에 매달린 블라인드 슬랫 상의 태양광 패널의 수평 방향을 조절할 수 있다.

도 7은 본 발명의 실시예들에 따른 태양광 발전 블라인드 시스템의 시제품이다.

도 7을 참조하면 태양광 패널이 각각 부착된 복수의 블라인드 슬랫들이 통상적인 블라인드와 비슷한 구조로 위에서 아래로 배치되어 있고, 슬랫 좌우에 승강용 로프와 각도 조절용 로프가 구비되어 있다. 블라인드 슬랫들의 일측에는 발전된 전력을 전송할 수 있도록 전송선과 연결되는 인터페이스가 구비된다.

전송선은 창틀의 역할도 할 수 있는 블라인드 프레임의 하우징 내부로 인입된다. 하우징은 내부에 전력량 측정부, 태양광 추미 장치, 구동부 및 배터리를 장착할 수 있다. 상부 하우징의 밑면에 블라인드 슬랫 세트를 수평으로 회전할 수 있도록 회전 고정부가 장착되고 구동부에 의해 블라인드 슬랫 세트가 전체적으로 수평으로 조금씩 회전할 수 있다. 또한 상부 하우징의 밑면에 와이어 풀러가 장착되어 승강용 로프를 감거나 풀어 블라인드 슬랫들을 승강하거나 각도 조절용 로프를 감거나 풀어 수직 각도를 미세하게 조절할 수 있다.

본 실시예 및 본 명세서에 첨부된 도면은 본 발명에 포함되는 기술적 사상의 일부를 명확하게 나타내고 있는 것에 불과하며, 본 발명의 명세서 및 도면에 포함된 기술적 사상의 범위 내에서 당업자가 용이하게 유추할 수 있는 변형예와 구체적인 실시예는 모두 본 발명의 권리범위에 포함되는 것이 자명하다고 할 것이다.

또한, 본 발명에 따른 장치는 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽힐 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 기록매체의 예로는 ROM, RAM, 광학 디스크, 자기 테이프, 플로피 디스크, 하드 디스크, 비휘발성 메모리 등을 포함한다. 또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.

40, 50 복합식 태양광 추미 장치
41, 51 제1 발전량 예측부
42, 52 제2 발전량 예측부
43 제3 발전량 예측부
44, 54 태양광 추미 제어부
60 태양광 발전 블라인드 시스템
61 블라인드 슬랫
62 전력량 측정부
63 복합식 태양광 추미 장치
64 구동부

Claims

컴퓨터를 이용한 복합식 태양광 추미 방법으로서,
상기 컴퓨터가,
과거의 제1 발전량 측정 데이터를 시계열 분석(Time series analysis)하여 제1 발전량 예측 데이터를 생성하는 단계;
제1 발전량 측정 데이터와 제1 발전량 예측 데이터 사이에서 시차 오차(lagged error)를 생성하는 단계;
제1 발전량 측정 데이터, 제1 발전량 예측 데이터 및 시차 오차에 기초하여 제2 발전량 예측 데이터를 예측하는 회귀 분석(RA) 모델을 구축하고 제2 발전량 예측 데이터를 도출하는 단계;
제1 발전량 측정 데이터, 제1 발전량 예측 데이터 및 시차 오차에 기초하여 제3 발전량 예측 데이터를 예측하는 인공신경망(ANN) 모델을 구축하고 제3 발전량 예측 데이터를 도출하는 단계;
현재의 제2 발전량 측정 데이터가 제2 발전량 예측 데이터의 제1 오차 범위와 제3 발전량 예측 데이터의 제2 오차 범위에 기초한 유효 범위 내에 있는지 여부에 따라, 태양광 발전량 기반 태양광 추미 방식과 위치시간 기반 태양광 추미 방식 중 하나를 선택하는 단계; 및
선택된 태양광 추미 방식에 따라 태양광 패널의 방향을 결정하는 단계를 포함하는 복합식 태양광 추미 방법.
청구항 1에 있어서, 제1 발전량 측정 데이터에 관한 시계열 분석은 ARIMA(Auto-Regressive Integrated Moving Average) 분석 또는 SARIMA(Seasonal ARIMA) 분석에 기반하는 것을 특징으로 하는 복합식 태양광 추미 방법.
청구항 1에 있어서, 제1 오차 범위 또는 제2 오차 범위는
평균 절대 오차 백분율(MAPE) 또는 표준오차율(SER) 중 하나를 이용하여 상한과 하한을 각각 설정함으로써 결정되는 범위인 것을 특징으로 하는 복합식 태양광 추미 방법.
청구항 1에 있어서, 유효 범위는
제1 오차 범위와 제2 오차 범위가 서로 중첩되는 교차 범위인 것을 특징으로 하는 복합식 태양광 추미 방법.
청구항 4에 있어서, 유효 범위는
제1 오차 범위와 제2 오차 범위가 서로 중첩되는 교차 범위의 상한과 하한을 소정의 허용 한계율만큼 확대한 범위인 것을 특징으로 하는 복합식 태양광 추미 방법.
컴퓨터를 이용한 복합식 태양광 추미 방법으로서,
상기 컴퓨터가,
과거의 제1 발전량 측정 데이터를 시계열 분석하여 제1 발전량 예측 데이터를 생성하는 단계;
제1 발전량 측정 데이터와 제1 발전량 예측 데이터 사이에서 시차 오차 값들을 생성하는 단계;
제1 발전량 측정 데이터, 제1 발전량 예측 데이터 및 시차 오차에 기초하여 제2 발전량 예측 데이터를 도출하는 단계;
현재의 제2 발전량 측정 데이터가 제2 발전량 예측 데이터의 오차 범위에 기초한 유효 범위 내에 있는지 여부에 따라, 태양광 발전량 기반 태양광 추미 방식과 위치시간 기반 태양광 추미 방식 중 하나를 선택하는 단계; 및
선택된 태양광 추미 방식에 따라 태양광 패널의 방향을 결정하는 단계를 포함하는 복합식 태양광 추미 방법.
청구항 6에 있어서, 상기 제2 발전량 예측 데이터를 도출하는 단계는,
제1 발전량 측정 데이터, 제1 발전량 예측 데이터 및 시차 오차에 기초하여 제2 발전량 예측 데이터를 예측하는 회귀 분석(RA) 모델을 구축하는 단계; 및
상기 회귀 분석 모델에 따라 제2 발전량 예측 데이터를 도출하는 단계를 포함하는 것을 특징으로 하는 복합식 태양광 추미 방법.
청구항 6에 있어서, 상기 제2 발전량 예측 데이터를 도출하는 단계는,
제1 발전량 측정 데이터, 제1 발전량 예측 데이터 및 시차 오차에 기초하여 제2 발전량 예측 데이터를 예측하는 인공신경망(ANN) 모델을 구축하는 단계; 및
상기 인공신경망 모델에 따라 제2 발전량 예측 데이터를 도출하는 단계를 포함하는 것을 특징으로 하는 복합식 태양광 추미 방법.
청구항 6에 있어서, 제1 발전량 측정 데이터에 관한 시계열 분석은 ARIMA 분석 또는 SARIMA 분석에 기반하는 것을 특징으로 하는 복합식 태양광 추미 방법.
컴퓨터에서 청구항 1 내지 청구항 9 중 어느 한 청구항의 복합식 태양광 추미 방법의 각 단계들을 수행하도록 작성되어 컴퓨터에서 독출 가능한 기록 매체에 기록된 컴퓨터용 프로그램.
과거의 제1 발전량 측정 데이터를 시계열 분석하여 제1 발전량 예측 데이터를 생성하는 제1 발전량 예측부;
제1 발전량 측정 데이터와 제1 발전량 예측 데이터 사이에서 시차 오차를 입수하고, 제1 발전량 측정 데이터, 제1 발전량 예측 데이터 및 시차 오차에 기초하여 제2 발전량 예측 데이터를 예측하는 회귀 분석(RA) 모델을 구축하고 제2 발전량 예측 데이터를 도출하는 제2 발전량 예측부;
제1 발전량 측정 데이터, 제1 발전량 예측 데이터 및 시차 오차에 기초하여 제3 발전량 예측 데이터를 예측하는 인공신경망(ANN) 모델을 구축하고 제3 발전량 예측 데이터를 도출하는 제3 발전량 예측부; 및
현재의 제2 발전량 측정 데이터가 제2 발전량 예측 데이터의 제1 오차 범위와 제3 발전량 예측 데이터의 제2 오차 범위에 기초한 유효 범위 내에 있는지 여부에 따라, 태양광 발전량 기반 태양광 추미 방식과 위치시간 기반 태양광 추미 방식 중 하나를 선택하고 선택된 태양광 추미 방식에 따라 태양광 패널의 방향을 결정하는 태양광 추미 제어부를 포함하는 복합식 태양광 추미 장치.
청구항 11에 있어서, 제1 발전량 측정 데이터에 관한 시계열 분석은 ARIMA 분석 또는 SARIMA 분석에 기반하는 것을 특징으로 하는 복합식 태양광 추미 장치.
청구항 11에 있어서, 제1 오차 범위 또는 제2 오차 범위는
평균 절대 오차 백분율(MAPE) 또는 표준오차율(SER) 중 하나를 이용하여 상한과 하한을 각각 설정함으로써 결정되는 범위인 것을 특징으로 하는 복합식 태양광 추미 장치.
청구항 11에 있어서, 유효 범위는
제1 오차 범위와 제2 오차 범위가 서로 중첩되는 교차 범위인 것을 특징으로 하는 복합식 태양광 추미 장치.
청구항 14에 있어서, 유효 범위는
제1 오차 범위와 제2 오차 범위가 서로 중첩되는 교차 범위의 상한과 하한을 소정의 허용 한계율만큼 확대한 범위인 것을 특징으로 하는 복합식 태양광 추미 장치.
과거의 제1 발전량 측정 데이터를 시계열 분석하여 제1 발전량 예측 데이터를 생성하는 제1 발전량 예측부;
제1 발전량 측정 데이터와 제1 발전량 예측 데이터 사이에서 시차 오차 값들을 입수하고, 제1 발전량 측정 데이터, 제1 발전량 예측 데이터 및 시차 오차에 기초하여 제2 발전량 예측 데이터를 예측하는 제2 발전량 예측부; 및
현재의 제2 발전량 측정 데이터가 제2 발전량 예측 데이터의 오차 범위에 기초한 유효 범위 내에 있는지 여부에 따라, 태양광 발전량 기반 태양광 추미 방식과 위치시간 기반 태양광 추미 방식 중 하나를 선택하고, 선택된 태양광 추미 방식에 따라 태양광 패널의 방향을 결정하는 태양광 추미 제어부를 포함하는 복합식 태양광 추미 장치.
청구항 16에 있어서, 상기 제2 발전량 예측부는
제1 발전량 측정 데이터, 제1 발전량 예측 데이터 및 시차 오차에 기초하여 제2 발전량 예측 데이터를 예측하는 회귀 분석(RA) 모델을 구축하고, 상기 회귀 분석 모델에 따라 제2 발전량 예측 데이터를 도출하도록 동작하는 것을 특징으로 하는 복합식 태양광 추미 장치.
청구항 16에 있어서, 상기 제2 발전량 예측부는
제1 발전량 측정 데이터, 제1 발전량 예측 데이터 및 시차 오차에 기초하여 제2 발전량 예측 데이터를 예측하는 인공신경망(ANN) 모델을 구축하고, 상기 인공신경망 모델에 따라 제2 발전량 예측 데이터를 도출하도록 동작하는 것을 특징으로 하는 복합식 태양광 추미 장치.
청구항 16에 있어서, 제1 발전량 측정 데이터에 관한 시계열 분석은 ARIMA 분석 또는 SARIMA 분석에 기반하는 것을 특징으로 하는 복합식 태양광 추미 장치.
태양광 패널이 각각 부착된 복수의 블라인드 슬랫들;
태양광 패널들에서 생성된 전력량을 측정하는 전력량 측정부;
청구항 11 내지 청구항 19 중 어느 한 청구항에 따른 복합식 태양광 추미 장치; 및
복합식 태양광 추미 장치에 의해 결정된 태양광 패널의 방향에 따라 상기 블라인드 슬랫들의 방향을 제어하는 구동부를 포함하는 태양광 발전 블라인드 시스템.
청구항 20에 있어서, 상기 구동부는
결정된 태양광 패널의 방향에 따라 각도 조절용 로프를 와이어 풀러와 모터를 이용하여 감거나 풀어서 블라인드 슬랫의 각도를 조절함으로써 블라인드 슬랫 상의 태양광 패널의 수직 방향을 조절하고,
창틀과 하우징에 각각 고정된 기어들을 모터를 이용하여 구동하여 창틀에 대해 상대적으로 하우징 전체가 회전하게 함으로써 하우징에 매달린 블라인드 슬랫 상의 태양광 패널의 수평 방향을 조절하도록 동작하는 것을 특징으로 하는 태양광 발전 블라인드 시스템.