KR101761686B1

KR101761686B1 - 머신 러닝을 이용한 태양광 발전량 실시간 예측 시스템

Info

Publication number: KR101761686B1
Application number: KR1020170041440A
Authority: KR
Inventors: 백승엽
Original assignee: (주)하모니앤유나이티드
Priority date: 2017-03-31
Filing date: 2017-03-31
Publication date: 2017-07-31

Abstract

본 발명은 선택된 예측 대상을 예측하기 위해 필요한 기후 데이터베이스와 기후 모니터링 측정 데이터를 이용한 태양광 조사량 예측(F1), 전천 사진을 이용한 구름량 예측(F2), 과거 발전 량 변화에 모듈 상태 진단(F3), 태양광 모듈 특성 모델과 태양광 발전소 설계에 따른 태양광 열화지수 예측(F4), 태양광 발전소 설계 및 태양 위치에 따른 태양광발전 출력 예측을 파라미터로 입력받는 예측파라미터 세팅모듈; 상기 파라미터 값을 참조하여 상기 예측 대상의 과거 데이터를 패턴화하고, 상기 패턴화된 데이터의 주요관심 영역에 대하여 복수의 관심영역(ROI:Region of Interest)을 설정하며, 상기 관심영역으로 설정된 데이터를 DTW 알고리즘을 이용하여 예측모델을 생성하며, 상기 예측모델에 상기 예측 대상의 현재 데이터를 입력하여 산출된 상기 예측 대상의 미래 예측 데이터를 에너지관리시스템(Energy Management System)에 전달하는 예측수행모듈; 상기 미래 예측 데이터와 실측 데이터 간 오차율이 허용된 오차율을 벗어나는 경우, 상기 선택된 예측 대상을 제외한 나머지 예측 대상과 선택된 예측 대상 간의 상관 계수를 계산하여 산출된 미래 예측 데이터를 예측수행모듈에 전달하는 오차율보정모듈; 및 상기 현재 데이터 및 상기 패턴화된 과거 데이터를 저장하는 데이터베이스;로 구성된다.

Description

머신 러닝을 이용한 태양광 발전량 실시간 예측 시스템{REAL TIME PREDICTING SYSTEM FOR ENERGY MANAGEMENT SYSTEM USING MACHINE LEARNING}

본 발명은 머신 러닝을 이용한 태양광 발전량 실시간 예측 시스템에 관한 것으로, 보다 자세하게는 머신 러닝 기법을 이용하여 기후 및 태양광 발전 데이터베이스와 구름 측정 데이터와 태양광 발전소 설계값으로부터 태양광발전 출력을 예측하여, 태양광 발전에 따른 전기 생산량에 영향을 받는 전력망에서의 전력거래소에서의 발전소 운영 전략이나 태양광 발전과 연결되어 있는 ESS(Energy Storage System; 에너지 저장 시스템)에 충방전 제어를 효과적으로 대처할 수 있도록 하는 머신 러닝 기법에 기반한 태양광 발전 출력 예측 시스템에 관한 것이다.

일반적으로 태양광 예측 방법은 넓게 물리학적(Physical) 혹은 통계학적(Statistical)으로 나눌 수 있다. 물리학적 접근은 태양광발전을 예측하기 위한 태양광과 태양광발전 모델을 사용한다. 반면에 통계학적 접근은 태양광이나 태양광발전 모델에 의존하지 않고, 모델을 만들기 위해서 과거의 자료에 주로 의존한다.

물리학적 접근에 대한 기본적인 단계는 그림 1-3에 잘 나타나 있다. 결과물인 태양광발전의 예측은 관련된 날씨의 변수와 태양광발전 시스템의 특성 함수로 이루어진다. 태양광발전 출력에 영향을 미치는 주요 인자는 태양광발전 어레이(array)에 입사되는 면의 일사량(Gi)과 태양광발전 모듈 뒷면의 온도(Tm)이다. 비집광형 태양광발전 시스템의 일사량은 어레이 면의 전천일사량(global irradiance)인 반면에 집광형 태양광발전 시스템의 일사량은 직각으로 쪼이는 보통의 일사량이다. 그리고 다른 변수에는 복사광의 각도, 일사량의 파장별 분포도 있다. 그러나 모든 영향이 포함된 모델에서 높은 정확도가 얻어지는 것은 아니다. 자료의 가용에 따라, 태양광발전의 모델은 예전의 자료나 태양광 설비 제조사의 사양에 의존될 수도 있다.

한편 순수 통계학적 접근법은 물리학적 접근법의 중간 단계에서 사용되는 태양광 조사량 모델과 과 태양광발전 모델을 사용하지 않는다. 이 접근법의 시작점은 태양광 출력, NWP(numerical weather prediction) 결과물, 지상 관측소 혹은 위성 자료, 태양광발전 시스템 자료 등이다. 이 자료를 통해 모델[자기회귀(autoregressive) 혹은 인공지능(artificial intelligence) 모델]을 만든다. 통계학적 접근법의 한 예로 수평면 전천일사량(global horizontal irradiance: GHI)의 NWP 예측의 과거 측정이 자기회귀 모델의 입력값으로 사용된다.

통계학적 접근법과 물리학적 접근법을 비교했을 때 통계학적 접근법이 물리학적 접근법보다 조금 뛰어난 것으로 조사되고 있다. 그러나 실제적으로 이 두 접근법은 혼용되어 사용되는 경우도 있다. 예를 들면 물리학적 접근법은 예측을 보정하기 위한 MOS (model output statistics) 방법에서 사용된다.

한편, 최근 기존의 전력망에 정보기술(IT)을 접목하여 전력 공급자와 이 양방향으로 실시간 정보를 교환함으로써 에너지 효율을 최적화하는 차세대 지능형 전력망(Smart Grid)이 점차 보급 중이다. 지능형 전력망을 활용하여 전력 공급자는 전력 사용 현황을 실시간으로 파악하여 공급량을 탄력적으로 조절할 수 있고, 전력 은 전력 사용 현황을 실시간으로 파악함으로써 이에 맞게 요금이 비싼 시간대를 피하여 사용 시간과 사용량을 조절할 수 있으며, 태양광 발전이나 연료전지 등에서 생산되는 전기를 판매할 수 있게 된다.

이처럼 발전과 소비 부문에 있어서 쌍방향 통신이 가능해 짐에 따라 의 전력시장 참여가 가능해지고, 발전연료가격 상승하고 신재생 에너지 등 새로운 설비들이 도입됨에 따라 의 전력수요감축 요인이 늘고 있다.

그러나 종래의 에너지관리시스템은 여전히 기존의 국가 단위 전력계통에 대하여 수 시간 단위의 전력가격 예측을 수행하고 있으며, 최근 도입되는 지능형 전력망 환경 등 전력가격에 영향을 미치는 요소가 늘어난 환경에서는 정확한 전력가격의 예측을 하지 못하고 있는 실정이다. 또한, 전력가격 뿐만 아니라 전력발전량, 부하량 등에 대한 예측도 부실한 문제점이 있다.

태양광 에너지의 비중이 커지면서 기존 전력망에서의 전력품질의 저하 및 전력망에 지대한 악영향을 미치게 되었다. 태양광 에너지는 에너지원의 시간대별 가용성의 차이로 인한 전력 생산량의 변동과 날씨·계절·풍속·일조량 등 자연조건의 변화에 따른 전력 생산량의 불확실성에 노출되어 있기 때문이다. 이에 태양광 발전을 포함한 다양한 발전시스템 -예로, 태양광 발전과 화력발전 및 에너지저장시스템을 포함한 복합발전시스템- 의 안정적인 전력생산과 발전비용 최적화를 위한 운용기술이 필요하게 되었다.

따라서 태양광 에너지의 특성을 분석하기 위해서는 기후조건, 구름 조건 등과 발전 성능과의 상관관계를 머신 러닝 등의 기술을 이용해 도출하고, 모듈 상태에 대한 모듈 열화 모델을 이용해 예측한 후, 태양광 발전량 예측에 활용할 수 있는 시스템의 개발이 필요하게 되었다.

특허공개번호 제2013-0031732호 특허공개번호 제2013-0089738호 특허공개번호 제2014-0051089호 특허공개번호 제2013-0117566호

본 발명이 해결하고자 하는 과제는, 태양광발전 출력을 예측하는 관한 것으로, 기계학습알고리즘을 이용하여 기존의 전력가격 예측 과정에서 얻어진 데이터를 바탕으로 수정 및 보완하여 더욱 효율적이고 정확한 전력시장 가격, 풍력발전량, 태양광발전량, 열부하, 전기부하의 예측이 가능한 머신 러닝을 이용한 태양광 발전량 실시간 예측 시스템을 제공하는 것이다.

또한 본 발명은 기후 데이터베이스와 기후 모니터링 측정 데이터를 이용한 태양광 조사량 예측(F1), 전천 사진을 이용한 구름량 예측(F2), 과거 발전 량 변화에 모듈 상태 진단(F3), 태양광 모듈 특성 모델과 태양광 발전소 설계에 따른 태양광 열화지수 예측(F4)과, 상기 예측값(F1~F4)들과 태양광 발전소 설계 및 태양 위치에 따른 태양광발전 출력과, 태양광 모듈의 고장까지 예측할 수 있어, 태양광 발전 사업자와 함께 전력망 발전사업자와 전력거래소, 전기 소비자 모두 혜택을 받을 수 있도록 할 수 있는 머신 러닝을 이용한 태양광 발전량 실시간 예측 시스템을 제공하는 것이다.

또한 본 발명은 기존의 태양광 발전량 예측 시스템과 비교하여, 기후 측정 장치와 태양광 모니터링 장치뿐만 아니라, 조사량과 발전량에 민감하게 영향을 미치는 구름을 측정하기 위한 전천 카메라와 입사 태양광이 정상적으로 태양전지로 전달되는 것을 막는 모듈 표면의 상태를 측정하기 위한 모듈진단 시스템 등을 포함한 머신 러닝을 이용한 태양광 발전량 실시간 예측 시스템을 제공하는 것이다.

이러한 기술적 과제를 해결하기 위해 본 발명은 선택된 예측 대상을 예측하기 위해 필요한 기후 데이터베이스와 기후 모니터링 측정 데이터를 이용한 태양광 조사량 예측(F1), 전천 사진을 이용한 구름량 예측(F2), 과거 발전량 변화에 따른 모듈 상태 진단(F3), 태양광 모듈 특성 모델과 태양광 발전소 설계에 따른 태양광 열화지수 예측(F4), 태양광 발전소 설계 및 태양 위치에 따른 태양광발전 출력 예측을 파라미터로 입력받는 예측파라미터 세팅모듈; 상기 파라미터 값을 참조하여 상기 예측 대상의 과거 데이터를 패턴화하고, 상기 패턴화된 데이터의 주요관심 영역에 대하여 복수의 관심영역(ROI:Region of Interest)을 설정하며, 상기 관심영역으로 설정된 데이터를 DTW 알고리즘을 이용하여 예측모델을 생성하며, 상기 예측모델에 상기 예측 대상의 현재 데이터를 입력하여 산출된 상기 예측 대상의 미래 예측 데이터를 에너지관리시스템(Energy Management System)에 전달하는 예측수행모듈; 상기 미래 예측 데이터와 실측 데이터 간 오차율이 허용된 오차율을 벗어나는 경우, 상기 선택된 예측 대상을 제외한 나머지 예측 대상과 선택된 예측 대상 간의 상관 계수를 계산하여 산출된 미래 예측 데이터를 예측수행모듈에 전달하는 오차율보정모듈; 및 상기 현재 데이터 및 상기 패턴화된 과거 데이터를 저장하는 데이터베이스;로 구성된다.

본 발명은 태양전지의 발전량을 모니터링하는 태양광 모니터링 장치; 상기 발전량에 영향을 미치는 구름을 촬영하여 측정하기 위한 전천 카메라; 입사 태양광이 정상적으로 상기 태양전지로 전달되는 것을 막는 상기 태양전지의 모듈 표면의 상태를 측정하기 위한 태양광 모듈진단 시스템;을 더 포함한다.

상기 태양광 모듈진단 시스템은 첫 번째 경보 대상자인 관리자가 부재중이거나 일정 시간 내에 연락을 안 받을 경우 다음 연락 순서의 관리자 단말기에 차례대로 연락이 가도록 제어하거나, 관리자 단말기의 등급을 나누어 등급이 낮은 순 또는 높은 순으로 연락이 가도록 제어하거나, 상기 경보가 울린 횟수가 일정치 이상인 경우 경보를 중지하도록 제어하며, 상기 관리자들의 스케쥴 일정을 반영하여 상기 관리자 단말기에 경보 최대 횟수를 일정하게 조정하여 특정 관리자의 휴가의 경우 경보 횟수가 없게 하고, 근무 시간이 지난 경우 경보 횟수를 일정치 이하로 조정하고, 이전의 태양광 모듈에 대한 장애 발생 경보 동작에서 관리자가 대처했던 상황과 동일한 상황이 존재했었는지 판단하고, 동일한 상황이 있었던 경우 이전의 장애 발생 경보 설정 또는 장애 발생 경보 조건을 반영하여 경보를 변경한다.

상기 태양광 모듈진단 시스템은, 관리자 단말기를 통해 그룹별, 지역별, 종류별 태양광 모듈 설치 조건에 따라 변경된 설정을 저장하는 설정 조건 변경 모듈; 현재 경보 데이터 상태와 결과 저장 모듈의 기존 경보 데이터 상태를 비교하여 동일하다면, 결과 저장 모듈에 저장된 텍스트 또는 이미지 정보가 포함된 경보 데이터를 설정 조건 변경 모듈의 설정 조건에 따라 관리자 단말기에 전송하는 동일 상황 비교 모듈; 관리자가 대처했던 상황을 기존 경보 데이터로 미리 저장하는 결과 저장 모듈;을 포함한다.

상기 태양광 모듈진단 시스템는 현재 상태와 유사하다고 판단되면 제1 수행명령이 실행되고, 수행명령 스케줄부는 제1 수행명령의 다음 실행순서에 대응하는 포인터값을 갖는 제2 수행명령을 저장 테이블의 첫 번째 위치로 이동시키고, 수행명령들의 실행 순서에 따라 실행순서 포인터 값을 변경하여 저장된 수행명령들을 스케줄링한다.

상기 예측수행모듈은 Min-Max 배경 모델링과 GMM을 융합하여 전천에서 구름과 배경 분리 알고리즘 기능과 전천이미지에서 영역 잡음 제어 기능을 갖는 구름량 예측 모듈;을 더 포함한다.

본 발명에 의하면, 기계학습알고리즘을 이용하여 기존의 전력가격 예측 과정에서 얻어진 데이터를 바탕으로 수정 및 보완하여 더욱 효율적이고 정확한 전력시장 가격, 풍력발전량, 태양광발전량, 열부하, 전기부하의 예측이 가능한 머신 러닝을 이용한 태양광 발전량 실시간 예측 시스템을 제공할 수 있다.

또한 본 발명은 물리적 방법과 통계적 방법을 동시에 적용하여, 새롭게 인공지능 기술이 확산되면서 늘어나고 있는 통계적 방법에 의한 태양광 발전량 예측 시스템과 달리, 태양광 조사량 예측에 기반하여 태양광 발전량을 예측하는 것에, 물리적 모델에 기반한 태양광 모듈 진단 결과에 따라 태양광 발전량 예측의 정확도를 올릴 수 있다.

또한 본 발명에 따른 태양광 발전량 예측은 스마트그리드에서 많이 적용되는 복합발전시스템의 운영 전략을 수립하는데 중요한 정보가 되며, Linear Programming 기법을 적용하여 발전 원가를 최소화할 수 있는 화력 발전 운전 On-Off, 밧데리 충/방전 제어 등의 발전시스템 운영 전략을 도출할 수 있게 되어 향후 복합발전시스템의 EMS(Energy Management System, 에너지관리시스템)의 핵심기술로 응용될 수 있다.

또한 본 발명은 전기산업의 가치사슬에서 공급부인 발전에 대해 머신러닝 등을 적용한 것으로, 최근 IoT기술의 발달로 모니터링 정확도가 증가하게 되면서 수요처에서의 전기 소비 양상에 대한 분석/예측 기술이 각광을 받고 있어 향후 전기 소비단에서의 분석/예측 시스템으로 활용될 가능성이 우수하다.

또한 본 발명에 따른 핵심요소기술들인 머신 러닝 기법은 에너지 분야뿐만 아니라 Smart Factory 제조시스템 관리, 헬스케어 등 발전성이 높은 분야에서의 분석/예측 시스템으로 확장될 가능성이 우수하다.

또한 본 발명은 궁극적으로 태양광 발전량 예측과 소비량 예측으로 공급과 수요를 동시에 고려하여 최종적으로 복합발전시스템에서의 발전단가를 최적화시킬 수 있는 EMS의 개발에 핵심 기술을 제공할 수 있게 된다. 즉, 신청기술 개발을 통해 복합발전시스템의 경쟁력이 높아질 수 있게 되고, 신재생에너지의 확산과 Smart grid 분야에도 긍정적인 파급효과를 가질 것으로 예상된다. 또한 소규모 화력발전 분야에도 새로운 시장을 제공할 수 있다.

또한 본 발명은 기후 측정 장치와 태양광 모니터링 장치뿐만 아니라, 조사량과 발전량에 민감하게 영향을 미치는 구름을 측정하기 위한 전천 카메라와 입사 태양광이 정상적으로 태양전지로 전달되는 것을 막는 모듈 표면의 상태를 측정하여 위험 상태인 경우 경보를 울려 신속히 대처할 수 있다.

도 1은 본 발명의 일 실시예에 따른 머신 러닝을 이용한 태양광 발전량 실시간 예측 시스템의 전체적인 구성을 보여주는 도면이다.
도 2는 본 발명의 일 실시예에 따른 세부적인 구성을 보여주는 도면이다.
도 3은 본 발명의 일 실시예에 따른 세부적인 구성을 보여주는 도면이다.
도 4는 본 발명의 일 실시예에 따른 예측시스템의 구성도이다.
도 5는 본 발명의 일 실시예에 따른 예측시스템의 동작에 관한 순서도이다.
도 6은 본 발명의 일 실시예에 따른 메모리에 대한 구성도이다.
도 7은 본 발명의 일 실시예에 따른 예측수행모듈에 대한 구성도이다.
도 8은 본 발명의 일 실시예에 따른 예측수행모듈의 동작에 관한 순서도이다.
도 9는 본 발명의 일 실시예에 따른 패턴검출부의 동작에 관한 순서도이다.

이하 첨부한 도면을 참조하여 본 발명의 바람직한 실시예에 대해 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다.

본 발명은 예측파라미터 세팅모듈(1100), 예측수행모듈(1200), 오차율보정모듈(1300), 데이터베이스(4000) 등으로 구성된다.

상기 예측파라미터 세팅모듈(1100)은 기후 모니터링 모듈(101), 구름사진측정 모듈(102), 모듈진단 모듈(103), 태양광 발전량 모듈(104) 등으로 구성된다.

또한 예측파라미터 세팅모듈(1100)은 상술한 모듈 등을 이용하여 선택된 예측 대상을 예측하기 위해 필요한 기후 데이터베이스와 기후 모니터링 측정 데이터를 이용한 태양광 조사량 파라미터(F1), 전천 사진을 이용한 구름량 파라미터(F2), 과거 발전량 변화에 모듈 상태 파라미터(F3), 태양광 모듈 특성 모델과 태양광 발전소 설계에 따른 태양광 열화지수 파라미터(F4), 태양광 발전소 설계 및 태양 위치에 따른 태양광발전 출력 파라미터를 입력받는 모듈이다.

상기 예측수행모듈(1200)은 상기 파라미터 값을 참조하여 상기 예측 대상의 과거 데이터를 패턴화하고, 상기 패턴화된 데이터의 주요관심 영역에 대하여 복수의 관심영역(ROI:Region of Interest)을 설정하며, 상기 관심영역으로 설정된 데이터를 DTW 알고리즘을 이용하여 예측모델을 생성하며, 상기 예측모델에 상기 예측 대상의 현재 데이터를 입력하여 산출된 상기 예측 대상의 미래 예측 데이터를 에너지관리시스템(Energy Management System)에 전달하는 모듈이다.

이를 위해 예측수행모듈(1200)은 머신러닝 이론을 통한 조사량 예측 모듈(201)과, 구름량 예측 모듈(202)과, 모듈 열화 모델과 이미지 프로세싱 기술로 모듈 상태를 진단하는 모듈상태진단모듈(203)과, 태양광 발전 이론과 효율 감소 이론 등을 통한 설계 정보를 연산하여 저장하는 태양광 설계 정보모듈(204) 등으로 구성된다.

상기 구름량 예측 모듈(202)은 전천 이미지 프로세싱 기술과 전천이미지에서 구름 분류 처리 기술 등을 사용할 수 있는데, Min-Max 배경 모델링과 GMM을 융합하여 전천에서 구름과 배경 분리 알고리즘 기능과 전천이미지에서 영역 잡음 제어 기능을 추가한다.

HOG(Histogram of Oriented Gradient) 모델링 방법을 이용한 기하학 정보 추출 기능과 객체 분류 알고리즘 기능과 전천이미지에서 구름 분류 기능을 포함하는 분류 모듈;을 더 포함할 수 있다.

이 때, 태양 주변의 영역과 상기 다른 영역들 각각에 대해 영역별 구름량을 계산하거나, 상기 태양 주변 영역에 대한에 일사량을 보정하기 위해, 상기 태양 주변 영역의 구름량에 대한 가중치를 결정할 수 있다.

이 외에도 상기 구름량 예측 모듈(202)은 구름 두께 및 특성 분류 위한 이미지 분석 기술과, 구름 이동 방향 및 속도 계산 기술과, 구름 회절 효과 분석 기술 등을 사용할 수 있다.

상기 오차율보정모듈(1300)은 예측수행모듈(200)을 통한 미래 예측 데이터와 실측 데이터 간 오차율이 허용된 오차율을 벗어나는 경우, 상기 선택된 예측 대상을 제외한 나머지 예측 대상과 선택된 예측 대상 간의 상관 계수를 계산하여 산출된 미래 예측 데이터를 예측수행모듈에 전달하는 모듈이다.

상기 데이터베이스(4000)는 기후 정보-과거(11), 발전량 정보-과거(12), 구름이미지정보-과거(13), 모듈이미지정보-과거(14), 발전소 설계정보(15), 모듈특성 정보(16), 기후 정보-현재(21), 발전량 정보-현재(22), 구름이미지정보-현재(23), 모듈이미지정보-현재(24) 등으로 구성된다.

따라서 본 발명은 머신러닝을 이용한 통계적 방법에 의한 조사량 예측과 물리적 모델을 이용한 모듈진단에 의한 발전량 감소 정도를 예측하여 태양광 발전량 예측 정확도를 높일 수 있다.

또한 본 발명은 태양광 조사량과 함께 실제 발전량에 큰 영향을 미치는 모듈 표면 상태와 열화정도를 진단하는 물리적 모델를 이용할 수 있다.

예를 들어 본 발명은 모듈 이미지 처리 기술과, 모듈 표면 분석을 위한 이미지 분석 기술과, 발전량 데이터 분석을 통한 모듈 상태 분석 기술과, 모듈 표면 이미지와 발전량 분석 통한 모듈 표면 상태 진단 기술 등을 사용할 수 있다.

이 중에서 모듈 표면 분석을 위한 이미지 분석 기술로는 Min-Max 배경 모델링과 GMM을 융합하여 배경 분리 알고리즘 기능과 모듈 표면 영역 잡음 제어 기능을 추가한다.

HOG(Histogram of Oriented Gradient) 모델링 방법을 이용한 기하학 정보 추출 기능과 객체 분류 알고리즘 기능과 모듈 표면에서 이물질 분류 기능을 포함하는 분류 모듈;을 더 포함할 수 있다.

또한 본 발명에서 사용하는 DTW 알고리즘은 길이가 다른 두 개의 시계열 데이터에 대해 유사도를 측정하는 알고리즘이다.

한편 상술한 DTW 알고리즘과 DTW 값에 대한 설명은 "C. Myers, and L. Rabiner, L (1981) A Comparative Study of Several Dynamic Time-Warping Algorithms for Connected Word Recognition, The Bell System Technical Journal, 60(7), pp. 1389-1409. "에 나와 있다.

특히, DTW 알고리즘에서 두 개의 시계열 데이터에 대해 유사도를 결정할 때 비선형적 위상(phase) 차이를 해결할 수 있는 방법으로, 누적된 DTW 값이 작을수록 두 시계열 데이터는 유사하다고 판단한다.

여기에서 기존 방식인 파라미터 값을 참조하여 상기 예측 대상의 과거 데이터를 패턴화하고, 상기 패턴화된 데이터를 가우스 함수(Gaussian function) 및 SVR(Support Vector Regression)을 이용하여 예측모델을 생성하는 방법에 비하여 DTW 알고리즘에서 두 개의 시계열 데이터에 대해 유사도를 결정하는 방식으로 과거 데이터와 유사도를 더 용이하게 비교할 수 있다. 왜냐하면 시계열 적으로 급속하게 변하는 두개의 과거와 현재의 데이터는 비선형적 위상을 가지고 있어 종래의 가우스 함수와 같은 간단한 오차를 분석하는 함수로 파악할 수 없다.

따라서 본 발명은 DTW 알고리즘을 사용함으로서 기후 정보-과거(11), 발전량 정보-과거(12), 구름이미지정보-과거(13), 모듈이미지정보-과거(14) DB 들을 기후 정보-현재(21), 발전량 정보-현재(22), 구름이미지정보-현재(23), 모듈이미지정보-현재(24) DB와 비교하여 유사도를 결정하는 방식으로 과거 데이터와 현재 데이터의 유사도를 비교할 수 있다.

도 4는 본 발명의 일 실시예에 따른 예측시스템(1000)의 구성도이다.

도 4를 참조하면, 예측시스템(1000), EMS(Energy Management System)(2000), 실측 데이터베이스(3000)와 예측시스템 데이터베이스(4000)는 유무선 네트워크로 연결되어 있다. 또한, 예측시스템(1000)은 경우에 따라 선택적으로 적어도 하나 이상의 외부 실측 데이터베이스(3000)에 연결되어 있을 수 있다. 외부 실측 데이터베이스(3000)에는 전력의 시장가격 실적, 시간대 별 부하 계측 데이터 혹은 신재생 에너지 발전량 계측 데이터를 제공하는 전력거래소, 한국전력 또는 그 밖의 민간 발전회사 등의 시스템이 포함될 수 있다. 이들은 예측시스템(1000)에 유무선 네트워크를 통하여 데이터를 제공해 줄 수 있다.

예측시스템(1000)은 예측수행단계 별로 적용되는 파라미터 및 EMS(2000)에서 허용되는 오차를 설정하는 예측파라미터 세팅모듈(1100), 과거 데이터의 특징을 바탕으로 특징패턴을 생성하고 선택하여 예측값을 도출하는 예측수행모듈(1200) 및 예측값과 실측값 사이의 오차를 계산하고, 신재생에너지 발전량, 시장가격, 부하 간의 상관파라미터를 산정하여 예측수행모듈(1200)에 반영하는 오차율 보정모듈(1300) 중 어느 하나 이상을 포함할 수 있다.

예측시스템(1000)의 전체 동작 과정에 대해서 설명한다. 도 2는 예측시스템(1000)의 동작과정을 개략적으로 도시한 순서도이다.

먼저, 본 발명의 일 실시예에 따른 예측시스템(1000) 풍력발전량, 태양광발전량, 전력가격, 열부하, 전력부하 등 예측 대상을 결정하고, 이에 해당하는 파라미터를 세팅한다(S210).

그리고 과거 데이터 등을 기반으로 생성된 예측 모델에 현재의 데이터 등을 입력하고 계산하여 결과 예측을 수행한다(S220).

만약 예측 데이터가 허용가능한 오차범위에 존재하는 경우나 오차율을 판단하기 위한 기초 데이터가 없는 경우에는 예측 결과를 EMS(2000)에 전송할 수 있다고 판단하는 한편, 예측 데이터가 허용오차범위에서 벗어나는 경우 예측 데이터를 EMS(2000)로 전송할 수 없다고 판단한다(S230).

전송할 수 있는 것으로 판단되는 경우에는, 예측 데이터를 EMS(2000)에 전송한다(S240).

만약 전송할 수 없는 것으로 판단되는 경우, 예측대상과 관련된 데이터를 상관분석하여 도출된 상관파라미터 값으로 가중치를 적용하여 보정을 한다(S250).

이후, 보정된 가중치를 통해 다시 예측을 수행하는 과정을 반복한다.

다음, 예측시스템(1000)의 각 구성을 하나씩 세부적으로 분설하기에 앞서 예측시스템 데이터베이스(4000)에 대해서 설명한다.

도 7을 참조하면, 예측시스템 데이터베이스(4000)는 예측시스템이 동작하는데 필요한 각종 데이터를 저장하는 역할을 한다. 예컨대, 예측모델을 사용하는데 필요한 과거 데이터, 상기 과거 데이터로부터 변환된 단위 데이터, 변환된 데이터의 패턴 정보에 대한 데이터 및 예측 결과 데이터 등을 저장할 수 있다.

예측시스템 데이터베이스(4000)는 크게 패턴 데이터베이스(4100)와 예측 데이터베이스(4200)로 구성되며, 상기 패턴 데이터베이스는 다시 제1 패턴 데이터베이스(4110), 제2 패턴 데이터베이스(4120) 및 제3 패턴 데이터베이스(4130)를 포함하여 구성된다. 제1 패턴 데이터베이스(4110)는 단위 데이터를, 제2 패턴 데이터베이스(4120)는 단위 데이터 간의 증감여부 및 변화량을, 제3 패턴 데이터베이스(4130)는 증감여부 및 변화량을 통해 스크린된 단위 데이터를 저장하는 역할을 한다.

예측 데이터베이스(4200)는 예측시스템에서 도출된 예측데이터를 저장하는 역할을 한다.

제1 내지 제3 패턴 데이터베이스에 대한 구체적인 설명은 하기한다.

예측시스템(1000)은 풍력발전량, 태양광발전량, 전력가격, 열부하, 전력부하를 예측대상으로 하며, 이를 예측하기 위한 사전작업인 신재생에너지 발전량 예측파라미터, 부하예측 파라미터, 시장가격 예측파라미터의 세팅을 위한 예측파라미터 세팅모듈(1100)을 포함한다.

예측파라미터 세팅모듈(1100)은 사용자의 예측 대상 선택에 따라, 필요한 파라미터를 입력받고 이를 메모리(1400)에 저장한다. 도 3은 입력되는 파라미터를 저장하기 위한 메모리(1400)를 개략적으로 도시한 구성도이다.

필요한 파라미터는 예측 수행 단계에 따라 다양하게 나누어진다. 즉, 예측모델을 생성하는 단계, 예측모델을 선택하는 단계, 예측모델을 선형화하는 단계 및 선택된 예측모델을 이용하여 예측을 수행하는 단계에 따라 필요한 파라미터가 존재한다. 또한, EMS(2000)에서 허용하는 오차율에 관한 파라미터가 다양하게 존재할 수 있다.

예측 수행 단계별로 필요한 파라미터를 간략히 정리하면 다음과 같다.

단계	파라미터	설명
예측모델생성	Nsize	사용되는 샘플링 데이터 수
	Pattern_Max	패턴클래스 내에 저장가능한 패턴의 수
	m	패턴 생성 시 사용되는 데이터 수
	Trade	예측주기
예측모델 선택	n	패턴클래스 내 허용된 동일 패턴의 수
	Tol	패턴클래스 내 동일 패턴으로 분류하기 위해 인정되는 허용 범위
	Predic_N	예측 데이터의 수
에너지관리시스템	ErrorRate	실제 측정된 데이터와 예측 데이터 간의 허용하는 오차율

파라미터 Nsize는 예측모델을 생성하기 위해 사용되는 기초 데이터의 크기이다. 예를 들어, 풍력발전량을 예측하고 Nsize가 3,000이라고 가정하면, 데이터베이스에 저장된 각각 3,000개의 단위 풍력발전량, 전력부하량, 열부하량, 전력가격을 다룬다는 것을 의미한다. 단위는 1초 혹은 2초 단위가 될 수 있으나 이에 한정되지 않는다.

풍력발전량이나 전력부하량 등의 변화가 특정 패턴을 이룰 수 있으며, 다수의 패턴 중 유사한 패턴이 모여 하나의 패턴 클래스를 만들 수 있다. Pattern_Max는 동일한 패턴 클래스에 저장 가능한 패턴의 개수를 지칭하는 파라미터이다.

m은 과거 데이터를 이용하여 패턴을 생성할 때 사용되는 과거 데이터의 개수이다. 예를 m=5인 경우, 과거 데이터 5개가 이루는 분포를 하나의 패턴으로 본다. 과거 데이터 간의 시간적 간격은 앞서 언급된 1초 혹은 2초에 한정되지 않으며 사용자가 지정할 수 있다. 이는 하기할 Trade과 연관된다.

Trade는 예측주기를 의미하는 것으로서, Trade가 a분인 경우, 본 발명은 a분을 단위로 하여 예측시스템(1000)에 사용되는 데이터를 처리한다. 예를 들어, Trade가 5분인 경우 패턴을 구성하는 각각의 요소(이하 단위 데이터라고 함)는 5분간의 발전량의 평균 데이터가 된다. m=5인 경우 이러한 단위 데이터가 5개가 모여서 하나의 패턴을 이루게 된다. 또한, 하기할 Predic_N의 값만큼의 단위 데이터가 예측된다.

n은 패턴 클래스 내에 저장된 패턴 중 허용오차 Tol 내에 포함되어 최종적으로 제3 데이터베이스에 저장 가능한 패턴의 수를 지칭한다. 즉, 패턴 클래스 내에 포함된 패턴들에게도 허용오차를 지정하여, 허용오차 범위 내로 인정되는 패턴만을 제3 데이터베이스에 저장한다. 이러한 스크린 과정을 통해 매우 유사하고 신뢰도 있는 패턴만을 추출할 수 있다.

Tol는 앞서 언급된 바와 같이, 패턴 클래스 내 패턴들의 변화량의 한계값을 의미한다. 패턴의 변화량 차이가 Tol 내인 경우 본 패턴을 제3 데이터베이스에 저장하고 Tol 보다 커서 허용범위 밖이면 저장하지 않는다.

Predic_N은 예측량을 나타내는 파라미터로 현재 시점으로부터 예측할 단위 데이터의 수를 의미한다. 예를 들어, Predic_N와 Trade가 각각 5인 경우 현재 시점으로부터 5분 간격의 단위 데이터 5개가 예측하여, 결과적으로 총 25분간의 미래 데이터가 출력된다.

ErrorRate는 EMS(2000)에서 허용하는 오차율로 풍력발전량 등 측정된 실제 데이터와 예측시스템(1000)이 출력한 예측 데이터 간의 오차를 허용하는 비율을 의미한다.

그 밖에 사용되는 비선형의 데이터를 선형성을 갖도록 차원을 변환하고 예측 수행하기 위한 회귀 분석의 일종인 Support Vector Regression(SVR)을 사용하는 데 필요한 파라미터와 그밖의 설명은 하기의 표로 갈음한다. 예측데이터 변환 및 SVR 수행은 당업자에게 주지된 사항이므로 개념으로 본 명세서에서는 자세한 설명을 생략한다.

단계	파라미터	의미
예측데이터 변환	Kernel Method	비선형의 데이터를 선형성을 갖도록 차원을 변환시켜 계산 가능하도록 하는 함수로서 세가지 종류 중 하나를 선택하여 적용함 1 : linear function: k(x,y)=xy^npoly 2 : radial function: k(x,y)=exp(-\|\|x-y\|\|^2/(2sigma^2)) 3 : poly function: k(x,y)=(x*y+c)^npoly
	Sigma	Width parameter of radial(Gaussian) Kernel
	npoly	Linear /Poly Kernel function의 다항식 차수
	c	Poly Kernel Function의 더해지는 상수파라미터
예측수행 (SVR)	LossFunction	예측알고리즘(SVM)에서 오차를 바탕으로 손실계산 시 적용하는 함수로서 세가지 종류 중 하나를 선택하여 적용함 1. e-insensitive: 2. Quadratic: (f(x)-y)= 3. Huber:
	CostF	Regularization parameter로서, Training error 최소화와 예측모형의 복잡도 최소화 간의 Trade off cost 결정
	Eta	e-insensitive Loss Function은 오차가 특정값보다 작을 경우, 오차=0으로 취급하는 함수인데, 이 때 적용하는 특정값을 의미

상기 설명과 같이, 사용자가 발전량, 부하, 시장가격 중 예측을 원하는 어느 하나를 선택하고 이에 해당하는 파라미터의 값을 입력하면, 이에 입력된 값은 메모리(1400)에 저장되고, 차후 예측 수행 및 오차율 보정 시 사용된다.

본 발명의 예측수행모듈(1200)은 이상과 같이 입력된 파라미터와 데이터를 활용하여 예측을 수행한다. 예측수행모듈(1200)은 입력부(1210), 패턴처리부(1220), 예측모델 검증부, 데이터 변환부(1221), 예측수행부(1240) 및 출력부(1250)로 구성된다.

먼저 입력부(1210)는 예측 대상에 따른 파라미터의 값과 예측 모델을 생성하기 위해 필요한 각종 데이터를 입력받는 역할을 한다. 파라미터 값은 앞서 설명된 예측 파라미터 세팅모듈(1100)을 통해 입력된 값이 될 수 있으며, 상기 각종 데이터는 풍력발전량, 태양광발전량, 전력가격, 전력부하, 열부하에 대한 과거 및 현재 데이터가 될 수 있다.

패턴처리부(1220)는 과거의 풍력발전량, 태양광발전량, 전력가격, 전력부하, 열부하 등의 각종 데이터를 바탕으로 패턴 데이터베이스를 생성하고, 현재시점의 패턴을 추출한다. 패턴은 각종 데이터 내 값의 증감여부와 경사도를 기준으로 결정된다. 더욱 상세하게, t와 t-1의 시점에 각종 데이터의 값이 존재할 경우 두 시점 간의 데이터 값의 증감여부와 두 시점 사이의 데이터 값 차이와 시간 간격에 따른 경사도인 변화량을 제2 패턴 데이터베이스(4120)에 저장한다.

패턴처리부(1220) 내 위치한 단위데이터 변환부(1221)는 입력된 발전량, 부하량, 전력시장가격 데이터 등 기초 데이터를 용이하게 예측하기 위해 단위데이터로 변환시킨다. 예를 들어, 2초 단위로 계측된 풍력발전량 데이터에 대해 Nsize가 3,000이고, Trade가 5분인 경우, 5분간의 평균 풍력발전량을 계산하여 제1 패턴 데이터베이스(4110)에 저장한다. 즉, 2초씩 3,000개의 풍력발전량 데이터는 총 100분의 풍력발전량 데이터에 해당하며, 단위데이터 변환부(1221)는 Trade 파라미터 값을 참조하여 100분에 해당하는 데이터를 5분 단위로 나누어 각각의 평균 풍력발전량을 계산하고 그 결과인 단위데이터 20개를 제1 패턴 데이터베이스(4110)에 저장한다.

패턴생성부(1222)는 단위데이터변환부(1221)에서 생성된 단위데이터에서 패턴을 추출하는 역할을 한다. 하기의 표로 제시된 예를 통하여 설명한다.

순번	4	3	2	1	0
시간	t-4	t-3	t-2	t-1	t
풍력발전량 A	10	12	9	10	11
증감(+/-)	+(1)	-(0)	+(1)	+(1)
변화량	2	-3	1	1

풍력발전량 A는 Trade=5분이고 m=4인 경우, 과거 25분 전부터 현재 시점까지 5분 단위의 풍력 발전량에 대한 평균을 나타낸 것이다. 패턴생성부(1222)는 m 파라미터를 참조하여 4개의 증감/변화량 데이터를 생성한다.

또한, 패턴생성부(1222)는 4번 풍력발전량과 3번 풍력발전량 간의 관계를 계산하여 증감 및 변화량을 제2 패턴 데이터베이스(4120)에 저장한다. 패턴생성부(1222)는 t와 t-1 데이터 간에 이러한 계산 과정을 반복하여 생성된 데이터를 제2 패턴 데이터베이스(4120)에 저장한다.

패턴생성부(1222)가 증감/변화량 데이터를 제2 패턴 데이터베이스(4120)에 저장할 때 [+(1) -(0) +(1) +(1) 2 -3 1 1]와 같은 숫자를 인코딩하여 저장할 수 있으나 본 발명은 이에 한정되지 않으며, 본 데이터를 전기적으로 저장하고 패턴을 인식할 수 있으면 족하다. 또한, 패턴생성부(1222)는 현재 시점과 과거 데이터를 이용하여 각 시점 간격 간의 증감여부와 변화량을 계산하여 현재 패턴을 별도로 저장한다.

패턴검출부(1223)는 제2 패턴 데이터베이스(4120)에 저장된 패턴들이 동일한 형태의 패턴을 보이는지 및 동일한 패턴을 보이는 경우 허용오차 범위 내에 해당하는지 판단하여 최종적으로 예측모델에 사용될 패턴을 검출하는 구성이다.

도 9는 이러한 패턴검출부(1223)의 동작을 나타낸 순서도이다.

도 9를 참고하면, 패턴검출부(1223)는 메모리(1400)로부터 Tol 및 n 파라미터를 참조한다(S610).

그리고 제2 패턴 데이터베이스(4120)에 저장된 패턴의 증감 데이터를 상호비교하여 동일한 증감 데이터를 갖는 패턴을 하나의 클래스로 정의한다(S620). 앞선 예를 참조하면, 증감/변화량 데이터가 [+(1) -(0) +(1) +(1) 2 -3 1 1]이라고 할 때 +(1) -(0) +(1) +(1) 의 데이터를 갖는 패턴은 하나의 클래스로 집합을 형성한다. 이후 동일한 클래스로 정의된 패턴의 변화량 데이터 간의 차이가 Tol 이하인지 판단한다(S630).

이후 패턴의 변화량 데이터 간의 차이가 Tol 이하인 패턴 중 가장 차이가 작은 패턴을 n개 까지 선택하여 제3 패턴 데이터베이스(4130)에 저장한다(S640).

한편, 예측모델 생성부(1230)는 제3 패턴 데이터베이스(4130)에 저장된 패턴들을 사용자가 선택한 가우스 함수(Gaussian Kernel)를 이용하여 선형 데이터로 변환한 후, 예측알고리즘(Support Vector Regression)을 이용하여 실제 사용 가능한 형태의 예측모델을 생성한다. 임의의 데이터에 가우스 함수 및 예측수행을 위한 SVR을 적용하여 함수를 추출하는 것은 당업자에게 널리 알려진 것으로 본 명세서에서는 상세한 설명을 생략한다.

예측수행부(1240)는 상기에서 생성된 예측모델에 현재 패턴을 입력하여 예측 데이터를 생성하고 예측 데이터베이스(4400)에 저장하는 역할을 한다.

출력부(1250)는 도출된 예측데이터를 EMS(2000)로 출력하는 역할을 한다.

다음, 본 발명의 오차율보정모듈(1300)은 예측 데이터베이스(4400)에 저장된 예측 데이터와 실제 측정된 데이터 간의 오차율을 계산한다. 만약 오차율이 허용범위를 벗어나는 경우, 각 데이터 간의 상관 파라미터를 계산하고, 상기 상관 파라미터를 이용하여 새로운 예측값을 도출한다. 평균오차율은 average(|예측값-실측값|/실측값*100)으로 계산할 수 있으나 이에 한정된 것은 아니다.

예를 들어 더욱 상세하게 설명하면, 오차율보정모듈(1300)은 실측 데이터베이스(3000)로부터 제공받은 현재 풍력발전량 정보를 단위 데이터 형태로 변경하여 예측 데이터와 서로 비교하여 오차율을 결정한다. 만약 ErrorRate 파라미터의 값보다 오차율이 큰 경우 그 오차율이 큰 시점(T)의 실측 풍력발전량(F)를 별도로 저장한다.

이후 오차율보정모듈(1300)은 T시점의 전력부하, 열부하 및 전력시장가격의 실측데이터를 전송받고 상기 세 종류의 데이터와 풍력발전량 간의 상관 파라미터를 도출한다.

이렇게 네 종류의 데이터 간에 도출된 상관 파라미터를 이용하여, T 시점과 동일한 시점에 대해 풍력발전량을 예측할 때 적용함으로써, EMS(2000)에 더욱 신뢰도 있는 예측 데이터를 제공할 수 있다.

이하 본 발명의 일 실시예에 따른 예측시스템(1000)전체적인 동작 과정을 예를 들어 설명한다.

풍력발전량을 예측하고자 하는 EMS(2000) 운영자는 하기 표의 데이터를 임의로 설정한다. 예측 데이터베이스(4000)에는 2초 단위의 풍력발전량 계측정보, 전력부하 계측정보, 열부하 계측정보가 누적되어 있다고 가정한다.

단계	파라미터	초기 설정값
특징패턴생성	Nsize (개)	3000
	Patter_nMax(개)	20
	m (개)	4
	Trade (분)	5
특징선택	n (개)	10
	Tol (단위없음)	0.0001
	Predic_N (시간)	10
예측변수 (독립변수) 선형 변환	Kernel Method (단위없음)	2
	Sigma (단위없음)	5
	Npoly (단위없음)	1
	c	2
예측수행 (SVR)	LossFunction (단위없음)	1
	CostF (단위없음)	10
	Eta (단위없음)	0.0000001
에너지관리시스템	ErrorRate (%)	20

본 발명의 예측시스템(1000)은 입력된 파라미터에 따라서 2초 단위의 과거 풍력발전량 3,000개를 선정하여 5분 평균 풍력발전량(A)을 도출하여 거래주기(5분)와 동일한 단위 풍력발전량으로 변환하여 데이터베이스(B)를 생성한다. 이후 데이터베이스(B)의 데이터를 이용하여 5분 평균 풍력발전량의 특징패턴을 생성하고 데이터베이스의 모든 5분 평균 풍력발전량(A)에 대해 하기의 작업을 반복한다.

하기 표와 같이 증감과 변화량에 대한 [1,0,1,1, 2,-3,1,1]이라는 특징패턴을 숫자로 정보화한다.

시간	t-4	t-4	t-2	t-1	t
	독립변수 x				종속변수 y
A	10	12	9	10	11
증감(+/-)	+(1)	-(0)	+(1)	+(1)	x
변화량	2	-3	1	1	x

(단, t-4의 증감 셀에 적힌 정보는 t-3과 t-4의 5분 평균 풍력발전량(A)를 비교하여 크기가 적은 값임)

이와 같은 작업을 통해 생성된 모든 특징패턴이 여러 개라고 하면 증감여부가 동일한 특징패턴은 동일한 특징 클래스를 갖는다고 정의한다.

그리고, 동일한 특징 클래스에 저장된 각각의 특징패턴의 변화량의 차이가 Tol 이하이면 동일한 특징패턴으로 분류하여 오차가 가장 적은 10(n)개의 특징패턴만 최종 데이터베이스(C)에 저장하게 된다.

상기 과정에서 도출된 최종 데이터베이스(C)를 사용자가 선택한 Gaussian Kernel Method를 이용하여 선형 데이터로 변환하면 10개의 선형화된 특징패턴 집합이 도출된다(x, y는 상기 표 참고). SVR은 a,b를 도출한다.

y=ax+b

상기 과정에서 도출된 a, b와 현재시점의 특징 x를 이용하면 풍력발전량 예측값 y(D)가 도출된다(이하 예측수행단계라고 함). 이때 D는 EMS(2000)에 입력정보로 사용된다.

이후, 데이터베이스에 누적된 현재 풍력발전량 계측 정보(E)는 5분 단위 평균 풍력발전량으로 변환하여 D와 E값의 오차를 비교한다..

오차가 ErrorRate 이상인 시점(T)의 풍력발전량(F)은 분류하여 별도로 저장하게 된다.

즉, 오차범위를 벗어나는 경우 T시점의 전력부하(G), 열부하(H), 전력가격(I) 실측데이터를 예측 데이터와 비교하기 위위 단위 데이터로 변환하고, F와 G,H,I의 상관파라미터를 도출한다.

	F & G	F & H	F & I
상관파라미터	0.2	0.3	0.5

이러한 상관파라미터는 예측수행단계에서 예측값을 도출하는 경우에, T 시점과 동일한 시점에 대해 풍력발전량을 예측할 때 적용되어 EMS(2000)에 전송된다.

즉, 예측값 y`0.5y+0.3y+y0.2

(y`: 보정된 예측값, y는 예측수행단계에서 도출한 예측값으로 보정되지 않은 예측값)

도출된 세 개의 상관파라미터는 내림차순으로 정리하고, 상관 정도가 큰 것부터 수식을 통해 보정된 예측값을 도출한다.

한편, 본 발명에 따른 머신 러닝을 이용한 태양광 발전량 실시간 예측 시스템의 태양광 모듈 상태정보는 일정한 간격으로, 예를 들어, 5초, 10초, 1분 등 간격으로 수집할 수 있다.

본 발명은 수집대상인 머신 러닝을 이용한 태양광 발전량 실시간 예측 시스템은 각 회사 내에 있는 모든 머신 러닝을 이용한 태양광 발전량 실시간 예측 시스템일 수 있다.

본 발명은 태양광 모듈진단 시스템을 통해 태양광 모듈 장애 발생 경보 데이터 통보 조건 설정 기능으로서, Event 등급 설정 기능에는 Information, Warning, Minor, Major, Critical (5개 등급) 등으로 구성될 수 있고, 관리자 단말기 수신그룹 설정 기능으로 태양광 모듈 운용자, 관리자, 운용보수 담당, 유지보수 업체 담당 등을 설정할 수 있으며, 반복 전송 주기 설정 기능으로 10초, 30초, 60초, 5분, 10분, 30분, 1시간 등을 선택할 수 있으며, 전송 회수 설정 기능으로 1회, 3회, 5회 등을 설정할 수 있고, 관리자 단말기 번호 설정 기능으로 최대 10대 이상을 저장할 수 있다.

또한 본 발명은 태양광 모듈진단 시스템이 경보 데이터 변경 단계에서 미리 입력된 변경 제어 정보에 따라 경보 데이터의 변경이 필요하다고 판단하여, 경보 데이터의 설정, 조건을 변경하고, 상기 경보 데이터 변경 단계에서 상기 변경 제어 정보에 따라 경보 데이터를 변경하게 된다.

특히, 상기 태양광 모듈진단 시스템이 이전의 장애 발생 경보 동작에서 관리자가 대처했던 상황과 동일한 상황이 존재했었는지 판단하고, 동일한 상황이 있었던 경우 이전의 장애 발생 경보 설정 또는 장애 발생 경보 조건을 반영하여 경보 데이터를 변경하게 된다.

또는 미리 사용자에 의해 설정된 사항이 적용되도록 경보 데이터가 변경될 수 있다.

상기 경보 데이터 변경은 경보 데이터의 구동중지 즉, 경보 데이터가 출력되지 않도록 하는 과정을 포함한다.

상기 태양광 모듈진단 시스템은 미리 설정된 기준 설정치를 입력받아 태양광 모듈의 기능저하/오류/고장 내용이 기준 설정치를 초과할 경우, 설정 조건에 따른 기본 경보 데이터를 전송하고 일정치 이상 경보 데이터를 전송한 경우 중지하도록 제어할 수 있다.

또한, 본 발명에 따른 태양광 모듈진단 시스템은 설정 조건 변경 모듈과 동일 상황 비교 모듈과 결과 저장 모듈 등을 더 포함할 수 있다.

상기 태양광 모듈진단 시스템에 연결된 모니터링 시스템의 설정 조건 변경 모듈은 그룹별, 지역별, 종류별 조건에 따라 설정을 변경하여, 일반 경보 데이터와 다른 방식으로 그룹별, 지역별, 종류별 반복 메시지를 전달한다.

예를 들어, 3분 마다 반복 문구를 전달한 후, 확인 메시지나 응답이 없으면 반복 문구 전달을 그만두고 새로운 연락 방법 또는 연락처를 찾아 다시 반복 문구를 3분 마다 전달하는 조건이 있을 수 있다.

특히 태양광 모듈의 특정한 상태에 대해 설정 조건을 변경하는 경우, 특정한 기능저하/오류/고장이 다수 발생하는 태양광 모듈를 집중 관리할 수 있다.

본 발명에 따른 경보 데이터 전송 방법을 살펴보면, 먼저 기본 경보 데이터를 설정하고, 설정 조건을 변경하면, 설정 조건에 따른 경보 데이터를 전송하며, 이 외에는 미리 정하여진 기본 경보 데이터에 포함되는 일반 경보 데이터를 전송한다.

태양광 모듈진단 시스템의 동일 상황 비교 모듈은 그룹별, 지역별, 종류별 태양광 모듈 기본 경보 데이터를 설정하고, 현재 경보 데이터 상태가 태양광 모듈 기본 경보 데이터와 동일 상황인지 확인하기 위해, 상기 현재 경보 데이터 상태와 결과 저장 모듈에 저장된 기존 경보 데이터 상태를 텍스트 비교(예 : 태양광 모듈 기능 저하/오류/고장, 표면 상태 불량, 열화 정도 등 텍스트 비교) 또는 해결 절차 비교(특정 기능 저하 후 특정 명령 전송 후 해결 등의 절차) 등을 통해 비교하여 동일하다면, 미리 관리자가 대처했던 상황이 저장된 경보 데이터를 전송하며, 상기 경보 데이터에는 경보 데이터 내용을 표시하는 텍스트 또는 이미지 정보가 포함될 수 있다.

실시예로서 비교 텍스트를 구성하는 모든 어절들을 획득하고, 상기 획득된 어절들이 비교 대상 텍스트에 포함되는지 여부를 검색하거나, 복수 개의 텍스트들 중 2개 이상으로 이루어질 수 있는 모든 텍스트 조합을 구성하고, 상기 구성된 각 텍스트 조합과 비교 대상 텍스트들의 유사도를 비교하는 텍스트 비교부를 더 포함할 수 있다.

다른 실시예로서 태양광 모듈진단 시스템에서 복수 개의 수행명령들은 저장 테이블에 실행순서와 상관없이 저장될 수 있지만, 태양광 모듈진단 시스템의 수행명령 스케줄부는 가장 먼저 수행되어야 할 제1 수행명령을 저장 테이블 내 첫 번째 저장소에 위치하도록 저장한다.

태양광 모듈진단 시스템의 수행명령 판단부는 저장 테이블의 제1 수행명령과 현재 상태를 비교한다.

태양광 모듈진단 시스템은 현재 상태와 유사하다고 판단되면 제1 수행명령이 실행되고, 수행명령 스케줄부는 제1 수행명령의 다음 실행순서에 대응하는 포인터값을 갖는 제2 수행명령을 저장 테이블의 첫 번째 위치로 이동시키고, 수행명령들의 실행 순서에 따라 실행순서 포인터 값을 변경하여 저장된 수행명령들을 스케줄링 할 수 있다.

일실시예로서, 상기 태양광 모듈진단 시스템은 이전의 태양광 모듈에 대한 장애 발생 경보 동작에서 관리자가 대처했던 상황(수행명령 집합 1)과 동일한 상황(수행명령 집합 2)이 존재했었는지 판단하고, 동일한 상황이 있었던 경우(수행명령 집합 1, 2의 일치) 이전의 장애 발생 경보 설정 또는 장애 발생 경보 조건을 반영하여 경보를 변경할 수 있다.

이 외에는 미리 정하여진 기본 경보 데이터에 포함되는 일반 경보 데이터를 전송한다. 여기에서도 경보 데이터수가 일정치 이상인 경우 경보 데이터를 중지하도록 제어할 수 있다.

예를 들어 미리 저장된 경보 데이터 설정 조건에는 시간과 장소에 따른 조건과 상황별 경보 데이터 전송 조건 등이 포함된다.

결과 저장 모듈은 기존 저장된 각 상태에 따른 경보 데이터에 대한 관리자가 대처했던 상황을 미리 저장하고, 상술한 조건 경보 데이터와 기본 경보 데이터 등의 메시지 전달 조건 등을 저장한다.

1000 : 예측시스템 1100 : 예측파라미터 세팅모듈
1200 : 예측수행모듈 1210 : 입력부
1220 : 패턴처리부 1230 : 예측모델 생성부
1240 : 예측 수행부 1250 : 출력부
1300 : 오차율 보정모듈 1400 : 메모리
2000 : EMS 3000 : 실측 데이터베이스
4000 : 예측시스템 데이터베이스

Claims

머신 러닝을 이용한 태양광 발전량 실시간 예측 시스템에 있어서,
선택된 예측 대상을 예측하기 위해 필요한 기후 데이터베이스와 기후 모니터링 측정 데이터를 이용한 태양광 조사량 파라미터(F1), 전천 사진을 이용한 구름량 파라미터(F2), 과거 발전량 변화에 따른 태양광 모듈 상태 파라미터(F3), 태양광 모듈 특성 모델과 태양광 발전소 설계에 따른 태양광 열화지수 파라미터(F4), 태양광 발전소 설계 및 태양 위치에 따른 태양광발전 출력 파라미터를 입력받는 예측파라미터 세팅모듈;
상기 파라미터의 값을 참조하여 상기 예측 대상의 과거 데이터를 패턴화하고, 패턴화된 상기 과거 데이터의 주요관심 영역에 대하여 복수의 관심영역(ROI:Region of Interest)을 설정하며, 상기 관심영역으로 설정된 데이터를 DTW 알고리즘을 이용하여 예측모델을 생성하며, 상기 예측모델에 상기 예측 대상의 현재 데이터를 입력하여 산출된 상기 예측 대상의 미래 예측 데이터를 에너지관리시스템에 전달하는 예측수행모듈;
상기 미래 예측 데이터와 실측 데이터 간 오차율이 허용된 오차율을 벗어나는 경우, 상기 선택된 예측 대상을 제외한 나머지 예측 대상과 선택된 예측 대상 간의 상관 계수를 계산하여 산출된 미래 예측 데이터를 상기 예측수행모듈에 전달하는 오차율보정모듈; 및
상기 현재 데이터 및 상기 패턴화된 과거 데이터를 저장하는 데이터베이스;를 포함하는 것을 특징으로 하는 머신 러닝을 이용한 태양광 발전량 실시간 예측 시스템.
제1항에 있어서,
태양전지의 발전량을 모니터링하는 태양광 모니터링 장치;
상기 발전량에 영향을 미치는 구름을 촬영하여 측정하기 위한 전천 카메라;
입사 태양광이 정상적으로 상기 태양전지로 전달되는 것을 막는 상기 태양전지의 모듈 표면의 오염 상태를 측정하기 위한 태양광 모듈진단 시스템;을 더 포함하는 것을 특징으로 하는 머신 러닝을 이용한 태양광 발전량 실시간 예측 시스템.
제2항에 있어서,
상기 태양광 모듈진단 시스템은 첫 번째 경보 대상자인 관리자가 부재중이거나 일정 시간 내에 연락을 안 받을 경우 다음 연락 순서의 관리자 단말기에 차례대로 연락이 가도록 제어하거나, 관리자 단말기의 등급을 나누어 등급이 낮은 순 또는 높은 순으로 연락이 가도록 제어하거나,
상기 경보가 울린 횟수가 일정치 이상인 경우 경보를 중지하도록 제어하며,
상기 관리자들의 스케쥴 일정을 반영하여 상기 관리자 단말기에 경보 최대 횟수를 일정하게 조정하여 특정 관리자의 휴가의 경우 경보 횟수가 없게 하고, 근무 시간이 지난 경우 경보 횟수를 일정치 이하로 조정하는 것을 특징으로 하는 머신 러닝을 이용한 태양광 발전량 실시간 예측 시스템.
제2항에 있어서,
상기 태양광 모듈진단 시스템은,
이전의 태양광 모듈에 대한 장애 발생 경보 동작에서 관리자가 대처했던 상황과 동일한 상황이 존재했었는지 판단하고, 동일한 상황이 있었던 경우 이전의 장애 발생 경보 설정 또는 장애 발생 경보 조건을 반영하여 경보를 변경하는 것을 특징으로 하는 머신 러닝을 이용한 태양광 발전량 실시간 예측 시스템.
제1항에 있어서,
상기 예측수행모듈은 Min-Max 배경 모델링과 GMM을 융합하여 전천에서 구름과 배경 분리 알고리즘 기능과 전천이미지에서 영역 잡음 제어 기능을 갖는 구름량 예측 모듈;을 더 포함하는 것을 특징으로 하는 머신 러닝을 이용한 태양광 발전량 실시간 예측 시스템.