KR101808047B1 - 태양 에너지를 이용하는 발전소의 발전량을 예측하는 방법 및 서버 - Google Patents

태양 에너지를 이용하는 발전소의 발전량을 예측하는 방법 및 서버 Download PDF

Info

Publication number
KR101808047B1
KR101808047B1 KR1020160099850A KR20160099850A KR101808047B1 KR 101808047 B1 KR101808047 B1 KR 101808047B1 KR 1020160099850 A KR1020160099850 A KR 1020160099850A KR 20160099850 A KR20160099850 A KR 20160099850A KR 101808047 B1 KR101808047 B1 KR 101808047B1
Authority
KR
South Korea
Prior art keywords
neural network
weather forecast
artificial neural
power generation
power plant
Prior art date
Application number
KR1020160099850A
Other languages
English (en)
Inventor
권오현
형정석
윤상웅
Original Assignee
주식회사 해줌
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 해줌 filed Critical 주식회사 해줌
Priority to KR1020160099850A priority Critical patent/KR101808047B1/ko
Application granted granted Critical
Publication of KR101808047B1 publication Critical patent/KR101808047B1/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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06313—Resource planning in a project environment
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • 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
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A30/00—Adapting or protecting infrastructure or their operation
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Evolutionary Biology (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Water Supply & Treatment (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Public Health (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

발전소의 기상정보를 입력으로 하고, 상기 발전소의 적정 발전량을 출력으로 하는 적정 발전량 함수를 생성하는 단계, 하나 이상의 지역에 대한, 과거의 기상예보 데이터 및 상기 과거의 기상예보 데이터 각각에 대응하는 실측 기상정보를 획득하여 기상정보 학습 데이터를 구성하는 단계, 상기 기상정보 학습 데이터 및 상기 적정 발전량 함수를 이용하여, 상기 발전소가 속한 지역에 대한 기상예보 데이터를 입력으로 하고, 상기 발전소의 예상 발전량을 출력으로 하는 발전량 예측 함수를 생성하는 단계, 상기 발전소가 속한 지역에 대한 미래의 제1 시점의 기상예보 데이터를 획득하는 단계 및 상기 제1 시점의 기상예보 데이터를 상기 발전량 예측 함수에 입력하여 상기 발전소의 상기 제1 시점의 발전량을 예측하는 단계를 포함하는, 태양 에너지를 이용하는 발전소의 발전량을 예측하는 방법이 개시된다.

Description

태양 에너지를 이용하는 발전소의 발전량을 예측하는 방법 및 서버 {METHOD AND SERVER FOR FORECASTING GENERATION OF A POWER PLANT USING SOLAR ENERGY}
본 발명은 태양 에너지를 이용하는 발전소의 발전량을 예측하는 방법에 관한 것이다. 특히, 태양열 또는 태양광 발전소의 발전량을 예측하는 방법에 관한 것이다.
태양 에너지를 활용하는 방법은 크게 두 가지로 나뉠 수 있다. 하나는 미국 네바다주에 있는 것과 같은 둥그런 반사경이나 헬리오스탯(heliostat：일광 반사 장치)이라 불리는 컴퓨터 유도 반사경을 이용해 증기를 만들어 전기를 얻는 방법이다. 또 다른 방법은 실리콘 같은 반도체로 만든 태양 전지판을 이용해 바로 전력으로 변환하는 방법이다.
두 가지 방법 모두, 기상상황에 따라 발전량이 크게 차이날 수 있는 결점이 있다. 따라서, 안정적인 전력 공급을 위하여 미래 일 시점의 발전량을 예측하기 위한 다양한 시도가 있다.
등록특허공보 제10-1476522호, 2014.12.24 공고
본 발명이 해결하고자 하는 과제는 태양 에너지를 이용하는 발전소의 발전량을 예측하는 방법 및 서버를 제공하는 것이다.
본 발명이 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
상술한 과제를 해결하기 위한 본 발명의 일 면에 따른 태양 에너지를 이용하는 발전소의 발전량을 예측하는 방법은, 상기 발전소의 기상정보를 입력으로 하고, 상기 발전소의 적정 발전량을 출력으로 하는 적정 발전량 함수를 생성하는 단계, 하나 이상의 지역에 대한, 과거의 기상예보 데이터 및 상기 과거의 기상예보 데이터 각각에 대응하는 실측 기상정보를 획득하여 기상정보 학습 데이터를 구성하는 단계, 상기 기상정보 학습 데이터 및 상기 적정 발전량 함수를 이용하여, 상기 발전소가 속한 지역에 대한 기상예보 데이터를 입력으로 하고, 상기 발전소의 예상 발전량을 출력으로 하는 발전량 예측 함수를 생성하는 단계, 상기 발전소가 속한 지역에 대한 미래의 제1 시점의 기상예보 데이터를 획득하는 단계 및 상기 제1 시점의 기상예보 데이터를 상기 발전량 예측 함수에 입력하여 상기 발전소의 상기 제1 시점의 발전량을 예측하는 단계를 포함한다.
또한, 상기 적정 발전량 함수를 생성하는 단계는, 하나 이상의 발전소들의 과거 기상정보에 따른 실측 발전량을 발전량 학습 데이터로 이용하여, 기상정보를 입력으로 하고, 적정 발전량의 확률분포를 출력으로 하는 적정 발전량 확률분포 함수를 생성하는 단계를 포함할 수 있다.
또한, 상기 적정 발전량 확률분포 함수를 생성하는 단계는, 상기 발전소의 과거 기상정보에 따른 실측 발전량을 발전량 학습 데이터로 이용하여, 상기 적정 발전량 확률분포 함수의 적어도 하나의 파라미터를 조정하는 단계를 더 포함할 수 있다.
또한, 상기 적정 발전량 확률분포 함수를 생성하는 단계는, 기상정보를 입력으로 하고, 적정 발전량의 확률분포를 출력으로 하는 인공신경망을 구성하는 단계, 상기 발전량 학습 데이터를 이용하여 상기 인공신경망에 대한 학습을 수행하는 단계 및 상기 학습의 결과로서 상기 적정 발전량 확률분포 함수를 최적화하는 적어도 하나의 파라미터를 획득하는 단계를 포함할 수 있다.
또한, 상기 발전량 예측 함수를 생성하는 단계는, 상기 기상정보 학습 데이터 및 상기 적정 발전량 함수를 이용하여, 상기 기상예보 데이터를 입력으로 하고, 상기 발전소의 예상 발전량의 확률분포를 출력으로 하는 발전량 확률분포 예측 함수를 생성하는 단계를 포함할 수 있다.
또한, 상기 발전량 확률분포 예측 함수를 생성하는 단계는, 기상정보를 입력으로 하고, 적정 발전량의 확률분포를 출력으로 하는 인공신경망을 획득하는 단계 및 상기 기상예보 데이터 및 상기 인공신경망을 이용하여, 상기 기상예보 데이터를 입력으로 하고, 상기 발전소의 예상 발전량의 확률분포를 출력으로 하는 인공신경망을 생성하는 단계를 포함할 수 있다.
또한, 상기 제1 시점의 발전량을 예측하는 단계는, 상기 제1 시점의 기상예보 데이터가 존재하지 않는 경우, 상기 제1 시점과 인접한 제2 시점의 기상예보 데이터를 획득하는 단계, 상기 제2 시점의 기상예보 데이터를 이용하여 상기 제2 시점의 발전량을 예측하는 단계 및 상기 제1 시점과 상기 제2 시점 사이의 시간에 대해 내삽을 이용하여 상기 제1 시점의 발전량을 예측하는 단계를 포함할 수 있다.
또한, 상기 제1 시점의 발전량을 예측하는 단계는, 상기 기상정보 학습 데이터를 이용하여, 미래 일 시점의 기상예보 데이터를 입력으로 하고, 상기 미래 일 시점의 기상정보에 대한 예측값을 출력으로 하는 기상정보 예측 함수를 생성하는 단계, 상기 제1 시점의 기상예보 데이터를 상기 기상정보 예측 함수에 입력하여 상기 제1 시점의 기상정보를 예측하는 단계 및 상기 예측된 상기 제1 시점의 기상정보를 상기 적정 발전량 함수에 입력하여 상기 제1 시점의 발전량을 예측하는 단계를 포함할 수 있다.
또한, 상기 발전량을 예측하는 방법은, 태양 에너지를 이용하는 복수의 발전소들 각각에 대한 상기 제1 시점의 발전량을 예측하는 단계 및 상기 복수의 발전소들 각각에 대하여 예측된 상기 제1 시점의 발전량의 총합을 계산하여 상기 복수의 발전소들의 상기 제1 시점의 전체 발전량을 예측하는 단계를 더 포함할 수 있다.
상술한 과제를 해결하기 위한 본 발명의 다른 면에 따른 태양 에너지를 이용하는 발전소의 발전량을 예측하는 서버는, 하나 이상의 지역에 대한, 과거의 기상예보 데이터 및 상기 과거의 기상예보 데이터 각각에 대응하는 실측 기상정보를 획득하고, 상기 발전소가 속한 지역에 대한 미래의 제1 시점의 기상예보 데이터를 획득하는 통신부, 상기 발전소의 기상정보를 입력으로 하고, 상기 발전소의 적정 발전량을 출력으로 하는 적정 발전량 함수를 생성하고, 상기 획득된 하나 이상의 지역에 대한, 과거의 기상예보 데이터 및 상기 과거의 기상예보 데이터 각각에 대응하는 실측 기상정보를 이용하여 기상정보 학습 데이터를 구성하고, 상기 기상정보 학습 데이터 및 상기 적정 발전량 함수를 이용하여, 상기 발전소가 속한 지역에 대한 기상예보 데이터를 입력으로 하고, 상기 발전소의 예상 발전량을 출력으로 하는 발전량 예측 함수를 생성하고, 상기 제1 시점의 기상예보 데이터를 상기 발전량 예측 함수에 입력하여 상기 발전소의 상기 제1 시점의 발전량을 예측하는 프로세서를 포함한다.
태양 에너지를 이용하는 발전소의 발전량은 기상 상태에 큰 영향을 받으므로, 발전량을 예측하기 어렵다. 따라서, 경우에 따라 전력망에 부하를 주거나, 생산된 전기를 낭비하게 될 수 있다.
본 발명의 일 실시 예에 따라 미래 일 시점의 발전량을 예측하면, 그에 맞추어 타 발전소의 생산량을 조절하여, 전력망에 가해지는 부하를 조절하고, 낭비되는 전기를 줄일 수 있는 효과가 있다.
또한, 일 실시 예에 따르면 일사량 정보가 포함되지 않은 기상예보 정보에 기초하여도 미래 일 시점의 발전량을 예측할 수 있는 효과가 있다.
본 발명의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1은 일 실시 예에 따라 태양 에너지를 이용하는 발전소의 발전량을 예측하는 시스템을 도시한 도면이다.
도 2는 일 실시 예에 따라 태양 에너지를 이용하는 발전소의 발전량을 예측하는 방법을 나타낸 흐름도이다.
도 3은 일 실시 예에 따라 기상정보 벡터를 입력으로 하고, 베타분포의 평균 및 분산도를 출력으로 하는 인공신경망을 도시한 도면이다.
도 4는 미래 발전량을 예측하기 위한 인공신경망을 도시한 도면이다.
도 5는 도 4의 인공신경망 및 도 3의 인공신경망을 결합한, 수정된 인공신경망을 도시한 도면이다.
도 6은 일 실시 예에 따라 발전량을 시간에 따라 내삽한 결과를 그래프로 나타낸 도면이다.
도 7은 일 실시 예에 따라 일사량을 예측하기 위한 인공신경망을 도시한 도면이다.
도 8은 일 실시 예에 따른 서버를 도시한 구성도이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 제한되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술 분야의 통상의 기술자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다. 명세서 전체에 걸쳐 동일한 도면 부호는 동일한 구성 요소를 지칭하며, "및/또는"은 언급된 구성요소들의 각각 및 하나 이상의 모든 조합을 포함한다. 비록 "제1", "제2" 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 구성요소는 본 발명의 기술적 사상 내에서 제2 구성요소일 수도 있음은 물론이다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야의 통상의 기술자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예를 상세하게 설명한다.
도 1은 일 실시 예에 따라 태양 에너지를 이용하는 발전소의 발전량을 예측하는 시스템을 도시한 도면이다.
기상 관측소(10 및 20)는 기상청에서 관리하는 기상 관측소일 수 있다. 또한, 기상 관측소(10 및 20)는 사설 기상 관측소일 수도 있으며, 이에 제한되지 않는다. 기상 관측소(10 및 20)는 기온, 풍속, 강수 및 습도 등을 측정할 수 있다. 기상 관측소(10 및 20)는 동일한 지역(30)에 속할 수 있다.
발전소(100)는 태양열 발전소 또는 태양광 발전소일 수 있다.
일 실시 예에서, 서버(200)는 지역(30)에 대하여 소정의 시간 간격으로 발표되는 기상예보를 수신할 수 있다. 예를 들어, 기상청에서는 각 행정구역에 대한 기상예보를 3시간 간격으로 발표하고 있다. 도 1에서, 지역(30)은 기상청이 기상예보를 발표하는 최소한의 단위가 되는 행정구역일 수 있다.
서버(200)는 지역(30)에 대한 과거의 기상예보 데이터를 획득할 수 있다. 또한, 서버(200)는 지역(30)에 속한 기상관측소(10 및 20)가 관측한 과거 기상정보를 획득할 수 있다.
서버(200)는 과거의 기상예보 데이터 및 기상관측소(10 및 20)가 관측한 과거 기상정보를 이용하여 기계학습을 수행할 수 있다. 서버(200)는 기계학습의 결과로서, 기상예보 데이터를 입력으로 하고, 기상관측소(10 및 20)에서 관측될 기상정보에 대한 예측값을 출력으로 하는 함수를 획득할 수 있다.
서버(200)는 지역(30)에 대한 미래 일 시점의 기상예보를 획득하고, 기상예보를 함수에 대입하여 기상관측소(10 및 20)에서 관측될 미래 일 시점의 실제 기상정보를 예측할 수 있다.
일 실시 예에서, 서버(200)는 예측된 기상정보를 기상관측소(10 및 20)와 발전소(100)사이의 거리에 따라 내삽하여 발전소에 대한 미래 일 시점의 기상정보를 예측할 수 있다.
서버(200)는 예측된 기상정보를 이용하여, 발전소(100)의 미래 일 시점의 발전량을 예측할 수 있다.
도 2는 일 실시 예에 따라 태양 에너지를 이용하는 발전소의 발전량을 예측하는 방법을 나타낸 흐름도이다.
도 2를 참조하면, 태양 에너지를 이용하는 발전소의 발전량을 예측하는 방법은 도 1에 도시된 서버(200)에서 시계열적으로 처리되는 단계들로 구성된다. 따라서, 도 2의 태양 에너지를 이용하는 발전소의 발전량을 예측하는 방법에 대하여 생략된 내용이라 하더라도 도 1의 서버(200)에 대하여 설명된 내용은 도 2의 태양 에너지를 이용하는 발전소의 발전량을 예측하는 방법에도 적용될 수 있다.
도 2에서, 서버(200)는 미래 일 시점의 발전량을 예측하기 위하여, 기상 정보에 따른 발전소(100)의 적정 발전량을 예측하는 모델을 이용할 수 있다.
예를 들어, 서버(200)는 기상 정보에 따른 발전소(100)의 적정 발전량을 예측하는 모델에 미래 일 시점의 기상예측 정보를 입력함으로써, 미래 일 시점의 발전량을 예측할 수 있다.
단계 S210에서, 서버(200)는 발전소(100)의 기상정보를 입력으로 하고, 발전소(100)의 적정 발전량을 출력으로 하는 적정 발전량 함수를 생성할 수 있다.일 실시 예에서, 서버(200)는 발전소(100)의 현재 기상정보 및 현재 일사량에 따른 적정 발전량의 확률분포를 산출할 수 있다.
서버(200)는 하나 이상의 발전소들의 과거 기상정보에 따른 실측 발전량을 발전량 학습 데이터로 이용하여, 기상정보를 입력으로 하고, 적정 발전량의 확률분포를 출력으로 하는 적정 발전량 확률분포 함수를 생성할 수 있다.
서버(200)는 획득한 함수에 발전소(100)의 현재 기상정보 및 현재 일사량을 입력하여, 발전소(100)의 적정 발전량의 확률분포를 산출할 수 있다.
서버(200)는 기상정보 및 일사량을 입력으로 하고, 예측 발전량의 확률분포를 출력으로 하는 인공신경망을 구성할 수 있다. 서버(200)는 인공신경망에 학습 데이터를 입력하여 학습을 수행하고, 학습의 결과로서 함수를 최적화하는 적어도 하나의 파라미터를 획득할 수 있다.
일 실시 예에서, 서버(200)는 적정 발전량의 베타분포를 산출할 수 있다. 이 경우, 서버(200)는 딥 베타 회귀(Deep Beta Regression)를 이용하여 적정 발전량의 베타분포를 산출할 수 있다.
서버(200)는 복수의 기상변수 및 일사량을 포함하는 기상정보 벡터를 생성할 수 있다. 기상정보 벡터는 태양의 고도각 및 방위각에 대한 정보를 포함할 수 있다. 서버(200)는 기상정보 벡터를 입력벡터로 하고, 여러 단계의 비선형 변환을 거쳐 베타분포를 출력하는 기계학습 모델을 구성할 수 있다.
도 3을 참조하면, 기상정보 벡터를 입력으로 하고, 베타분포의 평균 및 분산도를 출력으로 하는 인공신경망(300)을 구성할 수 있다.
인공신경망(300)은 하나의 입력층, 하나의 출력층 및 하나 이상의 은닉층을 포함할 수 있다.
입력벡터는 각 층을 거치면서 변환될 수 있다. 입력층에서 은닉층으로, 그리고 은닉층에서 은닉층으로는 다음 수학식 1과 같이 변환될 수 있다.
Figure 112016076156668-pat00001
수학식 1에서, hk는 k번째 은닉층의 벡터 값을 의미하고, K는 은닉층의 수를 의미한다. h0는 입력층의 벡터 값을 의미하고, bk는 실수이다. Wk는 각 층에서의 가중치를 의미할 수 있다.
σ()는 딥러닝에서 일반적으로 사용되는 비선형변환들 중 하나일 수 있다. 예를 들어, σ()는 sigmoid, tanh, rectified linear unit 중 하나일 수 있으나, 이에 제한되지 않는다.
마지막 은닉층에서 출력층으로는 다음 수학식 2와 같이 변환될 수 있다.
Figure 112016076156668-pat00002
수학식 2에서, μ는 베타분포의 평균을 의미하고, Φ는 베타분포의 분산도를 의미한다. 수학식 2에 따르면, μ와 각 파라미터가 적절한 범위를 갖도록 강제될 수 있다.
인공신경망(300)의 학습데이터는 다음 수학식 3과 같이 구성될 수 있다.
Figure 112016076156668-pat00003
수학식 3에서, xn은 기상정보이고, yn은 발전소(100)의 발전량을 총 발전용량으로 나눈 값이다.
학습은, 목적함수를 최적화하는 파라미터(Wk, bk, wμ 및 wΦ)값을 결정하는 것을 의미할 수 있다. 학습에는 통상적인 딥 러닝, 인공신경망 또는 기계학습 방법이 이용될 수 있다.
목적함수는 데이터의 네거티브 로그 우도(Negative Log Likelihood) 및 규칙화(Regularization)항으로 구성될 수 있으며, 목적함수는 최소화되어야 할 수 있다. 목적함수는 다음 수학식 4와 같이 구성될 수 있다.
Figure 112016076156668-pat00004
수학식 4에서, θ는 목적함수를 가장 작게 만드는 값이고, λ는 규칙화가 어느 정도 이루어질지 조절하는 트레이드오프(trade-off) 파라미터로서 사용자가 적절한 값으로 지정할 수 있다. R(θ)는 일반적으로 모든 파라미터를 제곱하여 합한 값일 수 있다.
또한, p()는 다음 수학식 5와 같이 정의될 수 있다.
Figure 112016076156668-pat00005
수학식 5에 따르면, 입력벡터 xn에 대해 베타분포의 파라미터인 μ 및 Φ가 출력되고, 이로부터 만들어지는 베타분포의 확률밀도가 xn에 대한 우도로 정의된다.
일 실시 예에서, 서버(200)는 발전소 각각에 따른 영점조정을 수행할 수 있다. 서버(200)는 태양 에너지를 이용하는 전체 발전소의 발전량을 학습 데이터로 이용하여 베타 분포를 산출하므로, 각 발전소별 특징은 반영하지 못한다. 따라서, 각 발전소별로 새로 학습 데이터를 생성하여 다시 학습을 수행하면, 각 발전소별 특징이 반영된 확률분포를 산출할 수 있다.
발전소마다 위치, 기후 및 설비 등에 따라 서로 다른 파라미터 세팅이 존재할 수 있다. 따라서, 서버(200)는 각 발전소의 특성을 반영하여 각 발전소마다 서로 상이한 목적함수를 생성할 수 있다.
예를 들어, 서버(200)는 발전소(100)의 과거 기상정보 및 일사량에 따른 실측 발전량을 학습 데이터로 이용하여, 목적함수의 적어도 하나의 파라미터를 조정할 수 있다. 서버(200)는 파라미터가 갱신된 목적함수에 발전소(100)의 현재 기상정보 및 현재 일사량을 입력하여, 발전소(100)의 적정 발전량의 확률분포를 산출할 수 있다.
단계 S220에서, 서버(200)는 하나 이상의 지역에 대한, 과거의 기상예보 데이터 및 상기 과거의 기상예보 데이터 각각에 대응하는 실측 기상정보를 획득하여 기상정보 학습 데이터를 구성한다.
단계 S230에서, 서버(200)는 기상정보 학습 데이터 및 단계 S210에서 생성한 적정 발전량 함수를 이용하여, 발전소(100)가 속한 지역에 대한 기상예보 데이터를 입력으로 하고, 발전소(100)의 예상 발전량을 출력으로 하는 발전량 예측 함수를 생성한다.
서버(200)는 기상정보 학습 데이터 및 적정 발전량 함수를 이용하여, 기상예보 데이터를 입력으로 하고, 발전소의 예상 발전량의 확률분포를 출력으로 하는 발전량 확률분포 예측 함수를 생성할 수 있다.
일 실시 예에서, 서버(200)는 기상정보를 입력으로 하고, 적정 발전량의 확률분포를 출력으로 하는 인공신경망을 획득할 수 있다. 서버(200)는 기상예보 데이터 및 획득된 인공신경망을 이용하여, 기상예보 데이터를 입력으로 하고, 발전소(100)의 예상 발전량의 확률분포를 출력으로 하는 인공신경망을 생성할 수 있다.
일 실시 예에서, 기상청에서 발행되는 예보변수들의 종류가 각 기상관측소(10 및 20)에서 관측하는 기상관측변수들과 종류가 상이하므로, 서버(200)는 기상정보 변환 알고리즘을 통하여 예보변수와 기상관측변수를 대응시킬 수 있다.
예를 들어, 기상청에서 발행되는 예보변수로서, 시점 t에 대한 전일 저녁의 기상예보에 따른 기상변수를 zt라고 할 수 있다. 또한, 기상관측변수로서 시점 t에서 실제로 관측된 기상변수를 xt라고 할 수 있다.
이 경우, 서버(200)는 기상정보 변환 알고리즘을 이용하여 zt와 xt를 대응시킬 수 있다. 구체적으로, 서버(200)는 g(zt) = f(xt)를 만족하는 비선형 함수 g와 f를 찾을 수 있다.
일 실시 예에서, f()는 적정발전량 확률분포 예측을 수행하기 위하여 학습이 완료된 딥 베타 회귀 모델(예를 들어, 도 3의 인공신경망(300))에 xt를 입력했을 때, 두 번째 은닉층의 값인 ht를 출력하는 함수일 수 있다. 예를 들어, ht = f(xt) 일 수 있다.
일 실시 예에서, g()는 zt를 입력으로 받았을 때, ht와 최대한 가까운 값을 출력하도록 하는 기계학습 알고리즘일 수 있다. 예를 들어, g()는 일종의 인공신경망일 수 있다.
도 4를 참조하면, 미래 발전량을 예측하기 위한 인공신경망 구성이 도시되어 있다.
도 4를 참조하면, 도 3에서 획득한 인공신경망(300)이 도시되어 있다. 일 실시 예에서, 서버(200)는 인공신경망(300)의 입력층에 기상관측변수벡터인 xt를 입력할 수 있다. 또한, 서버(200)는 g()에 대응하는 인공신경망(400)의 입력층에는 기상예보변수벡터인 zt를 입력할 수 있다. 인공신경망(400)은 인공신경망(300)의 두 번째 은닉층(310)의 값과 최대한 가까운 값을 출력할 수 있다.
도 5를 참조하면, 도 4의 인공신경망(300)과 인공신경망(400)을 결합한, 수정된 인공신경망(500)이 도시되어 있다.
인공신경망(400)의 출력은, 인공신경망(300)의 두 번째 은닉층(310)의 값과 유사할 수 있다. 따라서, 인공신경망(300)의 입력층 및 첫 번째 은닉층 부분을 인공신경망(400)으로 대체할 수 있다.
수정된 인공신경망(500)은 기상관측변수벡터 대신 기상예보변수벡터를 입력으로 받고, 예측 발전량의 베타분포의 평균 및 분산값을 출력할 수 있다.
서버(200)는 예측 발전량의 베타분포로부터 미래 일 시점의 발전량을 예측할 수 있다. 예를 들어, 서버(200)는 베타분포의 평균을 미래 일 시점의 발전량으로 예측할 수 있으나, 이에 제한되지 않는다.
단계 S240에서, 서버(200)는 발전소(100)가 속한 지역(30)에 대한 미래의 제1 시점의 기상예보 데이터를 획득한다.
예를 들어, 기상청에서는 각 행정구역에 대한 기상예보를 3시간 간격으로 발표하고 있다. 도 1에서, 지역(30)은 기상청이 기상예보를 발표하는 최소한의 단위가 되는 행정구역일 수 있다.
단계 S250에서, 서버(200)는 단계 S240에서 획득한 기상예보 데이터를 발전량 예측 함수에 입력하여, 발전소(100)의 제1 시점의 발전량을 예측한다.
일 실시 예에서, 서버(200)는 태양 에너지를 이용하는 복수의 발전소들 각각에 대한 상기 제1 시점의 발전량을 예측할 수 있다. 서버(200)는 태양 에너지를 이용하는 복수의 발전소들 각각에 대하여 예측된 제1 시점의 발전량의 총합을 계산하여 태양 에너지를 이용하는 복수의 발전소들의 제1 시점의 전체 발전량을 예측할 수 있다.
일 실시 예에서, 서버(200)는 기상정보 학습 데이터를 이용하여, 미래 일 시점의 기상예보 데이터를 입력으로 하고, 미래 일 시점의 기상정보에 대한 예측값을 출력으로 하는 기상정보 예측 함수를 생성할 수 있다. 서버(200)는 제1 시점의 기상예보 데이터를 기상정보 예측 함수에 입력하여 제1 시점의 기상정보를 예측할 수 있다. 서버(200)는 예측된 제1 시점의 기상정보를 적정 발전량 함수에 입력하여 제1 시점의 발전량을 예측할 수 있다.
예를 들어, 서버(200)는 도 4의 인공신경망(400)에 기상예보 변수를 입력하여, 미래 일 시점의 실제 기상정보를 예측할 수 있다.
일 실시 예에서, 서버(200)는 미래 일 시점의 태양의 고도각 및 태양의 방위각을 계산할 수 있다. 서버(200)는 미래 일 시점의 태양의 고도각 및 태양의 방위각을 이용하여 미래 일 시점의 발전량을 예측할 수도 있다.
일 실시 예에서, 서버(200)는 예측된 기상정보를 기상관측소(10 및 20)와 발전소(100) 사이의 거리에 따라 내삽하여 발전소(100)에 대한 미래 일 시점의 기상정보를 예측할 수도 있다.
일 실시 예에서, 서버(200)는 거리 반비례 가중법(Inverse Distance Weighting)을 이용하여 내삽을 수행할 수 있다. 서버(200)는 발전소(100)의 위도 및 경도를 포함하는, 발전소(100)의 위치 정보를 획득할 수 있다. 서버(200)는 획득하고자 하는 각 기상변수에 대하여, 해당 기상변수를 측정할 수 있는 장비를 갖추고 있는 기상관측소들 중에, 발전소(100)까지의 직선거리(dk)가 가장 가까운 K개의 기상관측소를 선택하여 기상변수(xk)를 획득할 수 있다.
서버(200)는 획득된 K개의 기상변수를 이용하여, 발전소(100)의 기상변수값(x)을 다음 수학식 6과 같이 내삽할 수 있다.
Figure 112016076156668-pat00006
수학식 6에서, wk는 거리에 반비례하는 가중치를 의미한다.
서버(200)는 내삽을 통해 필요한 각 기상변수를 획득할 수 있다. 일 실시 예에서, 서버(200)는 일사량을 측정할 수 있는 기상관측소를 선택하여, 내삽을 통해 발전소(100)의 일사량을 획득할 수도 있다.
도 6은 일 실시 예에 따라 발전량을 시간에 따라 내삽한 결과를 그래프로 나타낸 도면이다.
일 실시 예에서, 기상예보 정보는 소정의 시간 간격으로 발표될 수 있다. 따라서, 서버(200)는 기상예보 정보가 발표되는 미래 일 시점과 기상예보 정보가 발표되는 다른 미래 일 시점의 발전량을 예측할 수 있다. 서버(200)는 미래 일 시점과 다른 미래 일 시점 사이의 시간에 대해 내삽을 이용하여 발전량을 예측할 수 있다.
예를 들어, 서버(200)가 발전량을 예측하고자 하는 미래 제1 시점의 기상예보 데이터가 존재하지 않는 경우, 서버(200)는 제1 시점과 인접한 제2 시점의 기상예보 데이터를 획득할 수 있다. 서버(200)는 제2 시점의 기상예보 데이터를 이용하여 제2 시점의 발전량을 예측할 수 있다. 서버(200)는 제1 시점과 제2 시점 사이의 시간에 대해 내삽을 이용하여 제1 시점의 발전량을 예측할 수 있다.
서버(200)는 알려진 다양한 내삽 알고리즘을 이용하여 내삽을 수행할 수 있다. 예를 들어, 가우시안 프로세스(Gaussian Process), 스플라인 내삽(Spline Interpolation) 또는 선형 내삽(Linear Interpolation)을 이용할 수 있으나, 이에 제한되지 않는다.
도 7은 일 실시 예에 따라 일사량을 예측하기 위한 인공신경망을 도시한 도면이다.
일 실시 예에서, 서버(200)는 기상위성 영상, 태양의 고도각 및 태양의 방위각으로부터 일사량을 추정할 수 있다. 일 실시 예에서, 일사량은 수평면전일사량을 의미할 수 있다.
일 실시 예에서, 서버(200)는 추정된 일사량을 이용하여 발전소(100)의 미래 발전량을 예측할 수도 있다.
서버(200)는 과거 기상위성 영상, 과거 기상위성 영상의 촬영 시점의 태양의 고도각, 태양의 방위각 및 실측 일사량을 학습 데이터로 이용하여 기상위성 영상, 태양의 고도각 및 태양의 방위각을 입력으로 하고, 예측 일사량을 출력으로 하는 함수를 획득할 수 있다.
서버(200)는 획득된 함수에 기상위성 영상, 태양의 고도각 및 태양의 방위각을 입력하여, 일사량을 추정할 수 있다.
일 실시 예에서, 서버(200)는 기상위성 영상, 태양의 고도각 및 방위각을 입력으로 하고, 수평면전일사량을 출력으로 하는 인공신경망(700)을 구성할 수 있다.
서버(200)는 일사량을 측정할 수 있는 기상관측소의 과거 일사량 측정 정보를 획득할 수 있다. 서버(200)는 과거 기상위성 영상들을 획득하고, 과거 기상위성 영상들 각각이 촬영된 시점의 태양의 방위각, 고도각 및 실측 일사량을 획득할 수 있다. 서버(200)는 과거 기상위성 영상, 태양의 방위각, 고도각 및 실측 일사량을 학습 데이터로 하여 인공신경망(700)의 학습을 수행할 수 있다.
일 실시 예에서, 서버(200)는 확률적 경사 하강(Stochastic Gradient Descent)을 이용하여 인공신경망(700)의 신경망 연결 가중치를 조정할 수 있으나, 이에 제한되지 않는다.
다른 실시 예에서, 서버(200)는 과거 기상위성 영상, 태양의 방위각, 고도각 및 실측 일사량을 학습 데이터로 하여 회귀학습에 기초한 다른 기계학습 알고리즘도 이용할 수 있다.
도 8은 일 실시 예에 따른 서버를 도시한 구성도이다.
도 2에서 설명한 태양 에너지를 이용하는 발전소의 발전량을 예측하는 방법은 도 8에 도시된 서버(200)를 제어하는 데 이용될 수 있으며, 도 8에 도시된 서버(200)는 도 2에 도시된 동작을 수행할 수 있다.
도 8을 참조하면, 서버(200)는 프로세서(202) 및 통신부(204)를 포함한다. 한편, 도 8에 도시된 서버(200)에는 실시예들과 관련된 구성요소들만이 도시되어 있다. 따라서, 도 8에 도시된 구성요소들 외에 다른 범용적인 구성요소들이 서버(200)에 더 포함될 수 있음을 당해 기술분야의 통상의 기술자라면 이해할 수 있다.
통신부(204)는 하나 이상의 지역에 대한, 과거의 기상예보 데이터 및 과거의 기상예보 데이터 각각에 대응하는 실측 기상정보를 획득하고, 발전소(100)가 속한 지역(30)에 대한 미래의 제1 시점의 기상예보 데이터를 획득한다.
프로세서(202)는 발전소(100)의 기상정보를 입력으로 하고, 발전소(100)의 적정 발전량을 출력으로 하는 적정 발전량 함수를 생성한다. 프로세서(202)는 통신부(204)가 획득한 상기 하나 이상의 지역에 대한, 과거의 기상예보 데이터 및 상기 과거의 기상예보 데이터 각각에 대응하는 실측 기상정보를 이용하여 기상정보 학습 데이터를 구성한다. 프로세서(202)는 기상정보 학습 데이터 및 적정 발전량 함수를 이용하여, 발전소(100)가 속한 지역에 대한 기상예보 데이터를 입력으로 하고, 발전소(100)의 예상 발전량을 출력으로 하는 발전량 예측 함수를 생성한다. 프로세서(202)는 제1 시점의 기상예보 데이터를 발전량 예측 함수에 입력하여 발전소(100)의 제1 시점의 발전량을 예측한다.
본 발명의 실시예와 관련하여 설명된 방법 또는 알고리즘의 단계들은 하드웨어로 직접 구현되거나, 하드웨어에 의해 실행되는 소프트웨어 모듈로 구현되거나, 또는 이들의 결합에 의해 구현될 수 있다. 소프트웨어 모듈은 RAM(Random Access Memory), ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리(Flash Memory), 하드 디스크, 착탈형 디스크, CD-ROM, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터 판독가능 기록매체에 상주할 수도 있다.
이상, 첨부된 도면을 참조로 하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야의 통상의 기술자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며, 제한적이 아닌 것으로 이해해야만 한다.
10: 기상관측소
20: 기상관측소
30: 지역
100: 발전소
200: 서버

Claims (10)

  1. 태양 에너지를 이용하는 발전소의 발전량을 예측하는 방법에 있어서,
    상기 발전소의 하나 이상의 기상관측변수를 포함하는 기상관측변수벡터를 입력으로 하고, 상기 발전소의 적정 발전량의 확률분포를 출력으로 하는 제1 인공신경망을 획득하는 단계;
    하나 이상의 지역에 대한, 과거의 기상예보 데이터 및 상기 과거의 기상예보 데이터 각각에 대응하는 기상관측정보를 획득하여 기상정보 학습 데이터를 구성하는 단계;
    상기 기상정보 학습 데이터를 이용하여 제2 인공신경망을 획득하되, 상기 제2 인공신경망은 상기 발전소가 속한 지역에 대한 하나 이상의 기상예보변수를 포함하는 기상예보변수벡터를 입력으로 하고, 상기 제1 인공신경망에 상기 기상예보변수벡터와 같은 시점의 기상관측변수벡터를 입력하였을 때 상기 제1 인공신경망에 포함된 제1 레이어의 값을 출력으로 하도록 학습된 인공신경망인, 단계;
    상기 제1 인공신경망과 상기 제2 인공신경망을 결합하여, 상기 발전소가 속한 지역의 기상예보변수벡터를 입력으로 하고, 상기 발전소의 적정 발전량의 확률분포를 출력으로 하는 제3 인공신경망을 생성하는 단계;
    상기 발전소가 속한 지역에 대한 미래의 제1 시점의 기상예보 데이터를 획득하는 단계; 및
    상기 제1 시점의 기상예보변수벡터를 상기 제3 인공신경망에 입력하여 상기 발전소의 상기 제1 시점의 발전량을 예측하는 단계; 를 포함하는, 방법.
  2. 제1 항에 있어서, 상기 제1 인공신경망을 생성하는 단계는,
    태양 에너지를 이용하는 하나 이상의 발전소들의 과거 기상정보에 따른 실측 발전량을 발전량 학습 데이터로 이용하여, 기상관측변수벡터를 입력으로 하고, 적정 발전량의 확률분포를 출력으로 하는 상기 제1 인공신경망을 생성하는 단계; 를 포함하는, 방법.
  3. 제2 항에 있어서, 상기 제1 인공신경망을 생성하는 단계는,
    상기 발전소의 과거 기상정보에 따른 실측 발전량을 발전량 학습 데이터로 이용하여, 상기 제1 인공신경망의 적어도 하나의 파라미터를 조정하는 단계; 를 더 포함하는, 방법.
  4. 삭제
  5. 삭제
  6. 삭제
  7. 제1 항에 있어서, 상기 제1 시점의 발전량을 예측하는 단계는,
    상기 제1 시점의 기상예보 데이터가 존재하지 않는 경우,
    상기 제1 시점과 인접한 하나 이상의 제2 시점의 기상예보 데이터를 획득하는 단계;
    상기 하나 이상의 제2 시점의 기상예보 데이터를 이용하여 상기 하나 이상의 제2 시점의 발전량을 예측하는 단계; 및
    상기 제1 시점과 상기 하나 이상의 제2 시점 사이의 시간에 대해 내삽을 이용하여 상기 제1 시점의 발전량을 예측하는 단계; 를 포함하는, 방법.
  8. 삭제
  9. 제1 항에 있어서, 상기 발전량을 예측하는 방법은,
    태양 에너지를 이용하는 복수의 발전소들 각각에 대한 상기 제1 시점의 발전량을 예측하는 단계; 및
    상기 복수의 발전소들 각각에 대하여 예측된 상기 제1 시점의 발전량의 총합을 계산하여 상기 복수의 발전소들의 상기 제1 시점의 전체 발전량을 예측하는 단계; 를 더 포함하는, 방법.
  10. 태양 에너지를 이용하는 발전소의 발전량을 예측하는 서버에 있어서,
    하나 이상의 지역에 대한, 과거의 기상예보 데이터 및 상기 과거의 기상예보 데이터 각각에 대응하는 기상관측정보를 획득하고, 상기 발전소가 속한 지역에 대한 미래의 제1 시점의 기상예보 데이터를 획득하는 통신부;
    상기 발전소의 하나 이상의 기상관측변수를 포함하는 기상관측변수벡터를 입력으로 하고, 상기 발전소의 적정 발전량의 확률분포를 출력으로 하는 제1 인공신경망을 획득하고, 하나 이상의 지역에 대한, 과거의 기상예보 데이터 및 상기 과거의 기상예보 데이터 각각에 대응하는 기상관측정보를 이용하여 기상정보 학습 데이터를 구성하고, 상기 기상정보 학습 데이터를 이용하여 제2 인공신경망을 획득하되, 상기 제2 인공신경망은 상기 발전소가 속한 지역에 대한 하나 이상의 기상예보변수를 포함하는 기상예보변수벡터를 입력으로 하고, 상기 제1 인공신경망에 상기 기상예보변수벡터와 같은 시점의 기상관측변수벡터를 입력하였을 때 상기 제1 인공신경망에 포함된 제1 레이어의 값을 출력으로 하도록 학습된 인공신경망이고, 상기 제1 인공신경망과 상기 제2 인공신경망을 결합하여, 상기 발전소가 속한 지역의 기상예보변수벡터를 입력으로 하고, 상기 발전소의 적정 발전량의 확률분포를 출력으로 하는 제3 인공신경망을 생성하고, 상기 제1 시점의 기상예보변수벡터를 상기 제3 인공신경망에 입력하여 상기 발전소의 상기 제1 시점의 발전량을 예측하는 프로세서를 포함하는, 서버.
KR1020160099850A 2016-08-05 2016-08-05 태양 에너지를 이용하는 발전소의 발전량을 예측하는 방법 및 서버 KR101808047B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020160099850A KR101808047B1 (ko) 2016-08-05 2016-08-05 태양 에너지를 이용하는 발전소의 발전량을 예측하는 방법 및 서버

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020160099850A KR101808047B1 (ko) 2016-08-05 2016-08-05 태양 에너지를 이용하는 발전소의 발전량을 예측하는 방법 및 서버

Publications (1)

Publication Number Publication Date
KR101808047B1 true KR101808047B1 (ko) 2017-12-14

Family

ID=60954172

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160099850A KR101808047B1 (ko) 2016-08-05 2016-08-05 태양 에너지를 이용하는 발전소의 발전량을 예측하는 방법 및 서버

Country Status (1)

Country Link
KR (1) KR101808047B1 (ko)

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190131808A (ko) * 2018-05-17 2019-11-27 한국전자통신연구원 태양광 발전기의 발전량 예측 장치 및 방법
WO2020022624A1 (ko) * 2018-07-26 2020-01-30 (주)에코브레인 태양광 발전단지 기상예측 상세기술과 단지환경을 반영한 발전량 산정방법, 그 방법을 이용한 실시간 태양광 발전량 예측시스템
KR20200034015A (ko) * 2018-09-11 2020-03-31 광주과학기술원 기계학습을 이용한 단계적 태양광 발전량 예측 장치 및 방법
CN111461481A (zh) * 2020-02-25 2020-07-28 国网河南省电力公司电力科学研究院 基于神经网络的输电线缆质量分析方法
KR102196178B1 (ko) * 2020-06-12 2020-12-29 국민대학교산학협력단 마이크로그리드의 운전 예비력 제어 장치 및 방법
KR20210023388A (ko) 2019-08-23 2021-03-04 주식회사 화성 기계 학습을 기반으로 한 태양광 발전량 예측 시스템
KR20210062389A (ko) * 2019-11-21 2021-05-31 (주)에코브레인 실시간 위성자료와 수치모델자료를 이용한 머신러닝기반 태양광 발전량 예측시스템
KR20210088070A (ko) * 2020-01-06 2021-07-14 고려대학교 산학협력단 앙상블 기계학습 방법을 이용한 재생 에너지 발전량 예측 장치 및 방법
CN113409149A (zh) * 2021-05-10 2021-09-17 国网浙江省电力有限公司杭州供电公司 一种基于发电量预测的光伏电站投融资决策方法及装置
KR20210147366A (ko) * 2020-05-28 2021-12-07 숭실대학교산학협력단 강화학습 기반의 유사일을 사용한 태양광 발전량 예측 시스템 및 방법
KR20220044459A (ko) * 2019-07-18 2022-04-08 한국공학대학교산학협력단 인공 신경망 기반 태양광 발전의 경제성 평가 방법
KR20220061659A (ko) * 2020-11-06 2022-05-13 한전케이디엔주식회사 인공지능기반 태양광 발전량 예측 다중모델의 병렬처리 시스템 및 방법
CN114611799A (zh) * 2022-03-15 2022-06-10 南方电网数字电网研究院有限公司 发电功率预测方法、装置、设备、存储介质和程序产品
KR20220089508A (ko) * 2020-12-21 2022-06-28 한전케이디엔주식회사 태양광 발전소의 기상정보 추정 장치 및 그 방법
KR20220105823A (ko) * 2021-01-21 2022-07-28 한전케이디엔주식회사 태양광 발전량 예측 시스템 및 방법
KR20220153393A (ko) * 2021-05-11 2022-11-18 고려대학교 산학협력단 발전량 예측 장치 및 방법
KR102675562B1 (ko) * 2023-08-14 2024-06-14 주식회사 해줌 입찰 전략을 위한 pv 패널 각도 제어 장치 및 방법

Citations (1)

* 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

Patent Citations (1)

* 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

Cited By (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102192067B1 (ko) * 2018-05-17 2020-12-16 한국전자통신연구원 태양광 발전기의 발전량 예측 장치 및 방법
KR20190131808A (ko) * 2018-05-17 2019-11-27 한국전자통신연구원 태양광 발전기의 발전량 예측 장치 및 방법
WO2020022624A1 (ko) * 2018-07-26 2020-01-30 (주)에코브레인 태양광 발전단지 기상예측 상세기술과 단지환경을 반영한 발전량 산정방법, 그 방법을 이용한 실시간 태양광 발전량 예측시스템
KR20200012228A (ko) * 2018-07-26 2020-02-05 (주)에코브레인 태양광 발전단지 기상예측 상세기술과 단지환경을 반영한 발전량 산정방법, 그 방법을 이용한 실시간 태양광 발전량 예측시스템
KR102093796B1 (ko) * 2018-07-26 2020-03-26 (주)에코브레인 태양광 발전단지 기상예측 상세기술과 단지환경을 반영한 발전량 산정방법, 그 방법을 이용한 실시간 태양광 발전량 예측시스템
KR102578639B1 (ko) 2018-09-11 2023-09-15 광주과학기술원 기계학습을 이용한 단계적 태양광 발전량 예측 장치 및 방법
KR20200034015A (ko) * 2018-09-11 2020-03-31 광주과학기술원 기계학습을 이용한 단계적 태양광 발전량 예측 장치 및 방법
KR102530607B1 (ko) * 2019-07-18 2023-05-10 라온프렌즈 주식회사 태양광 발전의 경제성을 평가하기 위한 사용자 인터페이스 제공 방법
KR20220044459A (ko) * 2019-07-18 2022-04-08 한국공학대학교산학협력단 인공 신경망 기반 태양광 발전의 경제성 평가 방법
KR20210023388A (ko) 2019-08-23 2021-03-04 주식회사 화성 기계 학습을 기반으로 한 태양광 발전량 예측 시스템
KR20210062389A (ko) * 2019-11-21 2021-05-31 (주)에코브레인 실시간 위성자료와 수치모델자료를 이용한 머신러닝기반 태양광 발전량 예측시스템
KR102283487B1 (ko) * 2019-11-21 2021-07-29 (주)에코브레인 실시간 위성자료와 수치모델자료를 이용한 머신러닝기반 태양광 발전량 예측시스템
KR20210088070A (ko) * 2020-01-06 2021-07-14 고려대학교 산학협력단 앙상블 기계학습 방법을 이용한 재생 에너지 발전량 예측 장치 및 방법
KR102361007B1 (ko) * 2020-01-06 2022-02-09 고려대학교 산학협력단 앙상블 기계학습 방법을 이용한 재생 에너지 발전량 예측 장치 및 방법
CN111461481A (zh) * 2020-02-25 2020-07-28 国网河南省电力公司电力科学研究院 基于神经网络的输电线缆质量分析方法
KR20210147366A (ko) * 2020-05-28 2021-12-07 숭실대학교산학협력단 강화학습 기반의 유사일을 사용한 태양광 발전량 예측 시스템 및 방법
KR102394050B1 (ko) * 2020-05-28 2022-05-03 숭실대학교 산학협력단 강화학습 기반의 유사일을 사용한 태양광 발전량 예측 시스템 및 방법
KR102196178B1 (ko) * 2020-06-12 2020-12-29 국민대학교산학협력단 마이크로그리드의 운전 예비력 제어 장치 및 방법
KR102439272B1 (ko) 2020-11-06 2022-08-31 한전케이디엔주식회사 인공지능기반 태양광 발전량 예측 다중모델의 병렬처리 시스템 및 방법
KR20220061659A (ko) * 2020-11-06 2022-05-13 한전케이디엔주식회사 인공지능기반 태양광 발전량 예측 다중모델의 병렬처리 시스템 및 방법
KR20220089508A (ko) * 2020-12-21 2022-06-28 한전케이디엔주식회사 태양광 발전소의 기상정보 추정 장치 및 그 방법
KR102461156B1 (ko) * 2020-12-21 2022-10-28 한전케이디엔주식회사 태양광 발전소의 기상정보 추정 장치 및 그 방법
KR20220105823A (ko) * 2021-01-21 2022-07-28 한전케이디엔주식회사 태양광 발전량 예측 시스템 및 방법
KR102570248B1 (ko) * 2021-01-21 2023-08-24 한전케이디엔주식회사 태양광 발전량 예측 시스템 및 방법
CN113409149A (zh) * 2021-05-10 2021-09-17 国网浙江省电力有限公司杭州供电公司 一种基于发电量预测的光伏电站投融资决策方法及装置
KR20220153393A (ko) * 2021-05-11 2022-11-18 고려대학교 산학협력단 발전량 예측 장치 및 방법
KR102526503B1 (ko) 2021-05-11 2023-04-27 고려대학교 산학협력단 발전량 예측 장치 및 방법
CN114611799A (zh) * 2022-03-15 2022-06-10 南方电网数字电网研究院有限公司 发电功率预测方法、装置、设备、存储介质和程序产品
CN114611799B (zh) * 2022-03-15 2023-09-19 南方电网数字电网研究院有限公司 基于监督学习的时序神经网络新能源出力多步预测方法
KR102675562B1 (ko) * 2023-08-14 2024-06-14 주식회사 해줌 입찰 전략을 위한 pv 패널 각도 제어 장치 및 방법

Similar Documents

Publication Publication Date Title
KR101808047B1 (ko) 태양 에너지를 이용하는 발전소의 발전량을 예측하는 방법 및 서버
KR101775065B1 (ko) 태양 에너지를 이용하는 발전소의 이상을 감지하는 방법, 서버 및 시스템
Ni et al. An ensemble prediction intervals approach for short-term PV power forecasting
Alessandrini et al. An analog ensemble for short-term probabilistic solar power forecast
Ramsami et al. A hybrid method for forecasting the energy output of photovoltaic systems
Khatib et al. Solar energy prediction for Malaysia using artificial neural networks
Mellit et al. Performance prediction of 20 kWp grid-connected photovoltaic plant at Trieste (Italy) using artificial neural network
JP5658881B2 (ja) 太陽光発電装置の電気生産量を予測する方法
Ghofrani et al. Time series and renewable energy forecasting
WO2017155421A1 (en) Method and system for forecasting the power output of a group of photovoltaic power plants and managing the integration of said power output into a power grid
JP2016136001A (ja) 予測装置
Martin et al. Machine learning techniques for daily solar energy prediction and interpolation using numerical weather models
Guo et al. An ensemble solar power output forecasting model through statistical learning of historical weather dataset
Aler et al. A study of machine learning techniques for daily solar energy forecasting using numerical weather models
Lorenz et al. Overview of irradiance and photovoltaic power prediction
Meenal et al. Review on artificial neural network based solar radiation prediction
KR102338519B1 (ko) 실시간 신재생에너지 발전량 추정 시스템
Antor et al. Comparison of machine learning algorithms for wind speed prediction
Lima et al. MLP back propagation artificial neural network for solar resource forecasting in equatorial areas
JP7257117B2 (ja) 太陽光発電システム分布推定装置、太陽光発電システム分布推定方法及び太陽光発電出力予測装置
Ibargüengoytia et al. Wind power forecasting using dynamic Bayesian models
Notton et al. Solar radiation forecasting for smart building applications
Rincón et al. Assessment of short-term irradiance forecasting based on post-processing tools applied on WRF meteorological simulations
Koo et al. Development of the monthly average daily solar radiation map using A-CBR, FEM, and kriging method
Ettayyebi et al. Artificial neural network for forecasting one day ahead of global solar irradiance

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant