KR101856320B1 - 태양광 발전량 예측 장치 및 방법 - Google Patents

Abstract

태양광 발전량 예측에 이용 가능한 복수의 기상 데이터들에 대해 데이터 전처리(preprocessing)를 수행하는 태양광 발전량 예측 방법이 제공된다. 상기 태양광 발전량 예측 방법은 적어도 하나의 기후 요소에 연관되는 기상 데이터들을 k 개의 클러스터로 할당하는 단계 -단 k는 자연수임-, 상기 k 개의 클러스터 각각의 중심점들에 기초하여 각각의 상기 기상 데이터들을 상기 k 개의 클러스터 중 어느 하나로 재할당하는 단계 및 상기 기상 데이터들이 재할당된 k 개의 클러스터 각각에 대해 중심점들을 재선정하는 단계를 포함할 수 있다.

Description

태양광 발전량 예측 장치 및 방법{FORECASTING APPARATUS AND METHOD OF SUNLIGHT GENERATION}

태양광 발전을 수행하는 장치 및 방법에 연관되며, 보다 구체적으로 태양광 발전에 의한 발전 에너지량을 예측하는 장치 및 방법에 연관된다.

최근 대한민국 정부는 스마트그리드 2030 로드맵을 발표하며 신재생 에너지를 이용하기 위한 국가단위 로드맵을 제시하고 있다.

다만, 태양광 에너지, 풍력 에너지 등과 같은 신재생 에너지원은 지역 및 기후 등의 요소에 강한 영향을 받아 예측이 어렵고, 안정적인 전력원으로 이용되기 위해 여러 가지 개선점이 존재한다. 각국 정부는 신재생 에너지원의 안정성을 확보하기 위해, 에너지 저장 장치 등의 추가 설비를 요구하고 있어 전력회사들의 재정적 부담은 늘어나고 있다.

전력 안정도와 전력회사의 수익성 등을 고려하여 여러 상황에 따라 변경하여 적용 가능한 태양광 발전량 예측 기술 개발의 필요성이 증가하고 있는 실정이다.

일측에 따르면, 태양광 발전량 예측에 이용 가능한 복수의 기상 데이터들에 대해 데이터 전처리(preprocessing)를 수행하는 태양광 발전량 예측 방법이 제공된다. 상기 태양광 발전량 예측 방법은 적어도 하나의 기후 요소에 연관되는 기상 데이터들을 k 개의 클러스터로 할당하는 단계 -단 k는 자연수임-, 상기 k 개의 클러스터 각각의 중심점들에 기초하여 각각의 상기 기상 데이터들을 상기 k 개의 클러스터 중 어느 하나로 재할당하는 단계 및 상기 기상 데이터들이 재할당된 k 개의 클러스터 각각에 대해 중심점들을 재선정하는 단계를 포함할 수 있다.

일실시예에 따르면, 각각의 상기 기상 데이터들을 상기 k 개의 클러스터 중 어느 하나로 재할당하는 단계는 상기 기상 데이터들 각각에 가장 가까운 중심점을 포함하는 클러스터로 각각의 상기 기상 데이터들을 재할당하는 단계를 포함할 수 있다.

다른 일실시예에 따르면, 상기 태양광 발전량 예측 방법은 재선정된 k 개의 클러스터 각각의 중심점들 중 제1 중심점과 상기 제1 중심점이 재선정되기 전의 제2 중심점을 비교하여 상기 재할당하는 단계의 반복 여부를 결정하는 단계를 더 포함할 수 있다.

또 다른 일실시예에 따르면, 상기 재할당된 k 개의 클러스터에 대응하는 실루엣(silhouette) 값을 계산하고, 계산된 실루엣 값에 따라 상기 재할당하는 단계의 반복 여부를 결정하는 단계를 더 포함할 수 있다. 더하여, 상기 재할당하는 단계의 반복 여부를 결정하는 단계는 제1 기상데이터와 동일한 제1 클러스터 내에 존재하는 기상데이터들의 비유사도(dissimilarity) 평균값 및 상기 제1 기상데이터와 상이한 제2 클러스터 내에 존재하는 기상데이터들의 비유사도 평균의 최소값에 기초하여 상기 실루엣 값을 계산하는 단계를 포함할 수 있다. 더하여, 상기 재할당하는 단계의 반복 여부를 결정하는 단계는, 상기 실루엣 값이 미리 지정된 임계치 이상이 되는 경우에, 상기 재할당하는 단계의 반복을 중지하는 단계를 포함할 수 있다.

또 다른 일실시예에 따르면, 상기 적어도 하나의 기후 요소는 구름의 종류 또는 구름의 양에 연관되는 팩터(factor)를 포함하는 것을 특징으로 할 수 있다.

다른 일측에 따르면, 태양광 발전량 예측 장치가 제공된다. 상기 태양광 발전량 예측 장치는 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서에 의해 적어도 일시적으로 구현되는 k 개의 클러스터로 할당된 기상 데이터들을 상기 k 개의 클러스터 각각의 중심점들에 기초하여 각각의 기상 데이터들을 상기 k 개의 클러스터 중 어느 하나로 재할당하는 클러스터링부 -단 k는 자연수임- 및 상기 기상 데이터들이 재할당된 k 개의 클러스터 각각의 중심점들을 재선정하는 계산부를 포함할 수 있다.

또 다른 일측에 따르면, 기계 학습(machine learning)에 따라 생성된 k 개의 태양광 발전량 예측 모델 중 어느 하나를 선택하여 태양광 일사량을 출력하는 태양광 발전량 예측 방법이 제공된다. 상기 태양광 발전량 예측 방법은 k 개의 클러스터 각각에 대응하는 k 개의 태양광 발전량 예측 모델 중 제1 태양광 발전량 예측 모델을 선택하는 단계 -단 k는 자연수임- 및 상기 선택된 제1 태양광 발전량 예측 모델에 기초하여 입력 기상 데이터에 대응하는 태양광 일사량을 출력하는 단계를 포함할 수 있다. 상기 k 개의 태양광 발전량 예측 모델은 적어도 하나의 기후 요소에 연관되는 기상 데이터를 입력 데이터로 하고, 소정 시간 간격의 태양광 일사량(irradiance)을 출력 데이터로 하는 데이터 집합에 SVM(Support Vector Machine) 기계 학습을 적용하여 생성될 수 있다.

일실시예에 따르면, 상기 태양광 발전량 예측 방법은 상기 SVM 기계 학습에 따라 생성되는 복수의 k 값 중 시험 데이터 집합을 이용하여 계산되는 성능 평가 지표에 따라 어느 하나의 k 값을 선택하는 단계를 더 포함할 수 있다. 더하여, 상기 시험 데이터 집합은 과거 기상 데이터를 입력 데이터로 하고, 과거 태양광 일사량을 출력 데이터로 하는 데이터 집합인 것을 특징으로 할 수 있다.

다른 일실시예에 따르면, 상기 입력 데이터는 미리 지정된 시간대 별로 분리된 기상 데이터인 것을 특징으로 할 수 있다.

또 다른 일측에 따르면, 태양광 발전량 예측 장치가 제공된다. 상기 태양광 발전량 예측 장치는 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서에 의해 적어도 일시적으로 구현되는 k 개의 클러스터 각각에 대응하는 k 개의 태양광 발전량 예측 모델 중 제1 태양광 발전량 예측 모델을 선택하는 선택부 -단 k는 자연수임- 및 상기 선택된 제1 태양광 발전량 예측 모델에 기초하여 입력 기상 데이터에 대응하는 태양광 일사량을 출력하는 계산부를 포함할 수 있다. 상기 k 개의 태양광 발전량 예측 모델은 적어도 하나의 기후 요소에 연관되는 기상 데이터를 입력 데이터로 하고, 소정 시간 간격의 태양광 일사량(irradiance)을 출력 데이터로 하는 데이터 집합에 SVM(Support Vector Machine) 기계 학습을 적용하여 생성될 수 있다.

도 1은 일실시예에 따른 태양광 발전량 예측 방법의 전체적인 과정을 도시하는 흐름도이다.
도 2a은 일실시예에 따른 기상 데이터의 클러스터링 과정을 설명하는 흐름도이다.
도 2b는 일실시예에 따른 기상 데이터의 클러스터링 결과를 개략적으로 도시하는 예시도이다.
도 3은 입력되는 기상 데이터 내의 기후 요소와 태양광 발전량의 상관도가 계산된 결과를 도시하는 예시도이다.
도 4는 일실시예에 따른 태양광 발전량 예측 모델에 기초하여 태양광 발전량을 출력하는 과정을 도시하는 흐름도이다.
도 5는 일실시예에 따른 SVM 알고리즘을 이용하여 k 개의 태양광 발전량 예측 모델이 생성되는 과정을 설명하는 예시도이다.
도 6a 및 도 6b는 기상 상태에 따른 본 실시예의 예측 정확성을 설명하기 위한 그래프이다.

실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.

제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.

단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 해당 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

이하, 실시예들을 첨부된 도면들을 참조하여 상세하게 설명한다. 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조 부호를 부여하고, 이에 대한 중복되는 설명은 생략하기로 한다.

본 명세서 상에서 기계 학습(machine learning)은 데이터의 생성 양, 주기, 형식 등이 다양한 빅데이터를 이용하여 미래를 예측하는 기술을 나타낸다. 오늘날, 비교사 학습(unsupervised learning)의 예로서 이용되는 k-평균(k-means) 알고리즘, 자기조직화지도(SOM: Self Organizing Map) 알고리즘 및 SVM(Support Vector Machine) 알고리즘 등과 같은 다양한 형태의 알고리즘이 이용될 수 있다. 기계 학습을 이용한 태양광 발전량 예측 방법에 관한 다양한 설명이 아래와 같이 기재된다.

도 1은 일실시예에 따른 태양광 발전량 예측 방법의 전체적인 과정을 도시하는 흐름도이다.

도 1을 참조하면, 태양광 발전량 예측 방법(100)이 도시된다. 태양광 발전량 예측 방법(100)은 태양광 발전량 예측에 이용되는 기상 데이터의 데이터 전처리 단계(110), 기계 학습(machine learning)을 통한 태양광 발전량 예측 모델 생성 단계(120) 및 생성된 태양광 발전량 예측 모델을 시험하고, 적용하는 단계(130)를 포함할 수 있다.

단계(110)에서 태양광 발전량 예측 장치는 적어도 하나의 기후 요소에 연관되는 기상 데이터를 전처리(preprocessing)할 수 있다. 상기 적어도 하나의 기후 요소는 태양과 같은 복사원으로부터 소정 거리만큼 떨어져 있는 면 위의 한 점에서 복사의 강도를 나타내는 일사량(irradiance)(W/m²)를 나타낼 수 있다. 더하여, 상기 적어도 하나의 기후 요소는 일조 시간(sunshine duration), 구름의 종류(cloud type), 구름의 양에 연관되는 구름 팩터(cloud factor), 습도(humidity)(%), 풍속(wind speed)(m/s), 기온(temperature)(ㅀC), 강수량(precipitation)(mm) 등과 같은 다양한 실시예로서 구현될 수 있다. 상기 적어도 하나의 기후 요소는 앞서 기재한 실시예들에 의해 다른 실시예의 범위가 한정되는 것은 아니고, 풍향, 적설량, 상대습도 등과 같은 다양한 형태의 실시예에 적용 가능할 것이다.

예시적으로, 상기 기상 데이터는 태양광 발전량이 예측되는 태양광 발전 설비가 설치된 지역의 기상 데이터를 나타낼 수 있다. 또한, 태양광 발전량 예측 장치는 태양광 발전량과 높은 상관도(correlation)을 갖는 기후 요소 또는 특징값을 추출할 수 있다. 일실시예로서, 태양광 발전량 예측 장치는 주성분 분석(PCA: Principal Component Analysis) 알고리즘을 이용하여 높은 상관도를 갖는 기후 요소를 추출할 수 있다.

더하여, 단계(110)에서 태양광 발전량 예측 장치는 미리 지정된 시간 간격에 따라 기상 데이터를 분리할 수 있다. 예시적으로, 태양광 발전량 예측 장치는 월별 또는 계절별 기상 데이터를 분리할 수 있다.

단계(110)에서 태양광 발전량 예측 장치는 추출된 기후 요소에 기초하여 임의의 k 개의 클러스터로 상기 기상 데이터를 할당할 수 있다. 본 명세서 상에서 할당 또는 재할당한다는 용어는 데이터 클러스터링(clustering)을 수행한다는 의미와 상응하는 개념으로 이용될 수 있다. 또한, 태양광 발전량 예측 장치는 최대의 신뢰도 또는 정확도를 보장하는 k 값을 결정하고, 상기 결정된 k 값에 따라 k 개의 클러스터로 기상 데이터를 클러스터링할 수 있다.

더하여, 단계(120)에서 태양광 발전량 예측 장치는 기계 학습을 이용하여 태양광 발전량 예측 모델을 생성할 수 있다. 상기 기계 학습에 이용되는 알고리즘으로는 SVM(Support Vector Machine)이 예시적으로 이용될 수 있다. 태양광 발전량 예측 장치는 복수의 기상 데이터를 미리 지정된 시간 간격으로 분리할 수 있다.

더하여, 상기 k 개의 클러스터 각각에 대응하는 기상 데이터 집합에서 k 개의 태양광 발전량 예측 모델을 생성할 수 있다. 태양광 발전량 예측 장치가 상기 k 개의 클러스터를 이용하여 각각의 태양광 발전량 예측 모델을 생성하는 과정에 관한 보다 자세한 설명은 이하에서 추가될 도면과 함께 기재될 것이다.

단계(130)에서 태양광 발전량 예측 장치는 생성된 태양광 발전량 예측 모델을 시험하고 상기 태양광 발전량 예측 모델에 따라 발전량을 예측할 수 있다. 기계 학습을 통한 태양광 발전량 예측 모델을 시험하기 위해 과거 기상 데이터를 입력 데이터로 하고, 과거 태양광 일사량을 출력 데이터로 하는 시험 데이터 집합이 이용될 수 있다.

본 실시예에 따른 태양광 발전량 예측 방법(100)은 기상 데이터의 클러스터링 결과에 따라 복수의 태양광 발전량 예측 모델을 생성하고, 다양한 기상 상황(weather condition), 지역(location)에 따른 각각의 예측 모델의 성능을 검증할 수 있어 종래 방식과 대비하여 보다 높은 정확성 및 신뢰성이 보장되는 태양광 발전량 예측 효과를 기대할 수 있다.

도 2a은 일실시예에 따른 기상 데이터의 클러스터링 과정을 설명하는 흐름도이다.

도 2a를 참조하면, 기상 데이터의 클러스터링 방법(200)이 도시된다. 기상 데이터의 클러스터링 방법(200)은 적어도 하나의 기후 요소에 연관되는 기상 데이터들을 임의의 k 개의 클러스터로 할당하는 단계(210), 상기 k 개의 클러스터 각각의 중심점들에 기초하여 각각의 상기 기상 데이터들을 상기 k 개의 클러스터 중 어느 하나로 재할당하는 단계(220) 및 상기 기상 데이터들이 재할당된 k 개의 클러스터 각각의 중심점들을 재선정하는 단계(230) 및 상기 기상 데이터들을 재할당하는 단계의 반복 여부를 결정하는 단계(240)를 포함할 수 있다.

단계(210)에서 태양광 발전량 예측 장치는 태양광 발전 설비에 연관되는 기상 데이터를 수신하거나 또는 감지할 수 있다. 더하여, 태양광 발전량 예측 장치는 임의의 k 개의 클러스터로 기상 데이터들을 할당하고, 상기 k 개의 클러스터 각각의 대응하는 중심점을 초기화할 수 있다.

다른 일실시예로서, 단계(210)에서 태양광 발전량 예측 장치는 연속된 기상 데이터들의 기후 변화의 전이(transition)에 기초하여 임의의 k 개의 클러스터로 기상 데이터들을 할당할 수 있다. 예시적으로, 태양광 발전량 예측 장치는 기온의 변화량, 습도의 변화량, 강수량의 변화량 등에 기초하여 각각의 기상 데이터들을 상기 임의의 k 개의 클러스터로 할당할 수 있다.

더하여, 단계(220)에서 태양광 발전량 예측 장치는 상기 k 개의 클러스터 각각의 중심점들에 기초하여 각각의 상기 기상 데이터들을 상기 k 개의 클러스터 중 어느 하나로 재할당할 수 있다. 예시적으로 상기 k 개의 클러스터 각각의 중심점들은 단계(210)에서 초기화된 중심점을 나타낼 수 있다. 더하여, 태양광 발전량 예측 장치는 상기 기상 데이터들 각각에 가장 가까운 중심점을 포함하는 클러스터로 각각의 상기 기상 데이터들을 재할당할 수 있다.

앞서 기재한 단계(210), 단계(220)에 관한 동작은 적어도 하나의 프로세서를 포함하는 태양광 발전량 예측 장치의 클러스터링부에 의해 수행될 수 있다.

단계(230)에서 태양광 발전량 예측 장치는 k 개의 클러스터 각각에 새롭게 재할당된 기상 데이터들을 이용하여 상기 k 개의 클러스터 각각의 중심점을 재선정할 수 있다.

더하여, 단계(240)에서 태양광 발전량 예측 장치는 상기 기상 데이터들을 재할당하는 단계의 반복 여부를 결정할 수 있다.

앞서 기재한 단계(230), 단계(240)에 관한 동작은 적어도 하나의 프로세서를 포함하는 태양광 발전량 예측 장치의 계산부에 의해 수행될 수 있다.

일실시예로서, 상기 재할당하는 단계의 반복 여부는 k 개의 클러스터에 상응하는 실루엣(silhouette) 값에 따라 결정될 수 있다. 보다 구체적으로, 태양광 발전량 예측 장치는 아래의 수학식 1을 이용하여 상기 실루엣 값을 결정할 수 있다.

상기 k 개의 클러스터 중 i 번째 클러스터가 선택된 경우, a(i)는 제1 기상 데이터와 동일한 i 번째 클러스터 내에 존재하는 기상 데이터들의 비유사도(dissimilarity) 평균값을 나타낼 수 있다. 더하여, b(i)는 상기 제1 기상 데이터와 상이한 제2 클러스터 내에 존재하는 기상 데이터들의 비유사도 평균의 최소값을 나타낼 수 있다. 보다 구체적으로, a(i) 및 b(i) 각각은 유클리드 거리(Euclidean Distance)에 기초하여 계산될 수 있다. 상기 수학식 1에 따라 a(i)가 b(i)보다 큰 경우, 실루엣 값 s(i)는 아래의 수학식 2와 같이 계산될 수 있다.

더하여, 상기 수학식 1에 따라 a(i)와 b(i)가 같은 경우, 실루엣 값 s(i)는 0으로 계산될 수 있다. 더하여, 상기 수학식 1에 따라 b(i)가 a(i)보다 큰 경우, 실루엣 값 s(i)는 아래의 수학식 3과 같이 계산될 수 있다.

태양광 발전량 예측 장치는 계산된 실루엣 값이 미리 지정된 임계치 이상이 되는 경우에, 기상 데이터의 클러스터링이 적절하게 수행되었다고 판단하여 상기 재할당하는 단계의 반복을 중지할 수 있다. 상기 미리 지정된 임계치는 기상 데이터의 특징에 따라 다양한 범위로 설정될 수 있다.

다른 일실시예로서, 태양광 발전량 예측 장치는 재선정된 k 개의 클러스터 각각의 중심점들 중 제1 중심점과 상기 제1 중심점이 재선정되기 전의 제2 중심점을 비교하여 상기 재할당하는 단계의 반복 여부를 결정할 수 있다.

본 실시예에 따른 태양광 발전량 예측 장치는 기상 데이터와 같은 입력 데이터가 충분히 확보됨에 따라 점진적으로 그 예측의 정확도가 향상된 태양광 발전량 예측 모델을 도출할 수 있다.

도 2b는 일실시예에 따른 기상 데이터의 클러스터링 결과를 개략적으로 도시하는 예시도이다.

도 2b를 참조하면, 과거의 기상 데이터(251)를 입력 데이터로 하고, 과거의 태양광 발전량(252)을 출력 데이터로 하는 전체 데이터 학습 집합(253)이 도시된다. 앞서 기재한 바와 같이 태양광 발전량 예측 장치는 데이터 전처리 과정으로서 전체 데이터 학습 집합(253)을 k 개의 클러스터로 할당할 수 있다.

더하여, 태양광 발전량 예측 장치는 k 개의 클러스터 각각에 상응하는 k 개의 태양광 발전량 예측 모델을 생성할 수 있다. 예시적으로, 각각의 태양광 발전량 예측 모델은 SVM 알고리즘에 따라 구현된 SVM 모델로 생성될 수 있다.

다른 일실시예로서, 태양광 발전량 예측 장치는 SVM 알고리즘에 따라 k 개의 태양광 일사량 예측 모델을 생성할 수 있다. 아래에서 추가될 설명과 같이 태양광 일사량이 예측된 경우에 예측된 태양광 일사량 값을 이용하여 태양광 발전량 값을 계산할 수 있다. 그에 따라 k 개의 태양광 일사량 예측 모델은 그에 대응하는 k 개의 태양광 발전량 예측 모델로 변환될 수 있다.

본 실시예에 따른 태양광 발전량 예측 장치가 이용되는 경우에, 다양한 기상 상황 및 지역 특징에 상응하는 복수의 태양광 발전량 예측 모델이 생성될 수 있어 사용자는 보다 정확도 높은 발전량을 제공 받을 수 있다.

도 3은 입력되는 기상 데이터 내의 기후 요소와 태양광 발전량의 상관도가 계산된 결과를 도시하는 예시도이다.

도 3을 참조하면, 특정 지역의 월별 태양광 발전량과 기상 데이터 내에 존재하는 복수의 기후 요소 사이의 상관도를 계산한 그래프가 도시된다. 그래프의 X 축은 1월부터 12월까지의 각각의 달(month)를 나타내고, 그래프의 Y 축은 태양광 발전량과 각각의 기후 요소들(310, 320, 330, 340)의 상관도(correlation)를 나타낸다.

태양광 발전량(photovoltaic power)은 아래의 수학식 4와 같이 태양광 일사량 G(W/m²)에 비례한다.

태양광 발전량 P_PV는 표준 실험 조건(STC: Standard Test Condition)에서 최대 출력 지점(MPP: Maximum Power Point)의 측정된 발전량 P_PV,STC을 나타내고, Tem은 PV(photovoltaic) 패널의 온도, γ는 PV 패널의 온도 비례상수를 나타낼 수 있다. 보다 구체적으로, 표준 실험 조건은 국제 표준 IEC 61215, IEC 61646 및 UL 1703에 상응하는 조건으로서 빛의 세기가 1000 W/m²이고, 25ㅀC의 온도, 태양으로부터 에너지를 전달받는 지구 상의 위도(latitude)가 35ㅀN인 조건을 나타낼 수 있다. 따라서, 높은 정확도의 태양광 발전량을 예측 하기 위해서는 태양광 일사량을 정확히 예측하는 구성이 필요할 것이다.

본 실시예에 따른 태양광 발전량 예측 장치는 태양광 일사량에 연관되는 다양한 기후 요소를 포함하는 기상 데이터를 이용할 수 있다. 예시적으로, 도 3에서 도시된 실시예에서 제1 기후 요소(310)는 구름의 양, 운량을 나타내고, 제2 기후 요소(320)는 습도(humidity)를 나타내고, 제3 기후 요소(330)는 풍속(wind speed)을 나타내고, 제4 기후 요소(340)는 기온(temperature)를 나타낼 수 있다. 도 3을 참조하면, 제1 기후 요소(310)인 구름의 양은 계절과 무관하게 태양광 발전량과 0.7 이상의 상관도를 가질 수 있다. 제2 기후 요소(320)인 습도는 제1 기후 요소(310)인 구름의 양 보다는 낮은 상관도를 나타내지만, 계절에 무관하게 최소 0.6 이상의 상관도를 가질 수 있다. 다만, 제3 기후 요소(330)인 풍속 및 제4 기후 요소(340)인 기온은 계절의 변화에 따라 양의 상관도를 갖거나 음의 상관도를 갖는 등의 차이가 존재할 수 있다.

본 실시예에 따를 때, 태양광 발전량 예측 장치는 전달되는 기상 데이터 내에서 구름의 양 또는 습도에 연관되는 특징값을 추출하고, 상기 특징값을 포함하는 기상 데이터를 k 개의 클러스터로 할당하여 보다 높은 신뢰성을 갖는 예측 모델을 구현할 수 있다.

도 4는 일실시예에 따른 태양광 발전량 예측 모델에 기초하여 태양광 발전량을 출력하는 과정을 도시하는 흐름도이다.

도 4를 참조하면, 태양광 발전량 예측 방법(400)은 k 개의 클러스터 각각에 대응하는 k 개의 태양광 발전량 예측 모델 중 제1 태양광 발전량 예측 모델을 선택하는 단계(410) 및 상기 선택된 제1 태양광 발전량 예측 모델에 기초하여 입력 기상 데이터에 대응하는 태양광 발전량을 출력하는 단계(420)를 포함할 수 있다.

단계(410)에서 태양광 발전량 예측 장치는 SVM 기계 학습에 따라 생성되는 복수의 k 값 중 어느 하나의 k 값을 선택할 수 있다. 보다 구체적으로, 태양광 발전량 예측 장치는 N 개의 기상 데이터 벡터를 입력 데이터 집합 X={x_1, x_2, … , x_N}으로 하고, 그에 상응하는 N 개의 태양광 일사량(irradiance) 데이터를 출력 데이터 집합 Y={y₁, y₂, … , y_N}로 하는 시험 데이터 집합 D_TEST={(x₁, y₁), (x₂, y₂), … , (x_N, y_N)}를 이용하여 복수의 k 값 각각에 상응하는 성능 평가 지표를 계산할 수 있다.

일실시예로서, 태양광 발전량 예측 장치는 RMSE(Root Mean Square Error) 값을 제1 성능 평가 지표로 계산할 수 있다. 상기 RMSE 값(W/m²)은 아래의 수학식 5와 같이 계산될 수 있다.

다른 일실시예로서, 태양광 발전량 예측 장치는 MRE(Mean Relative Error) 값을 제2 성능 평가 지표로 계산할 수 있다. 상기 MRE 값(%)은 아래의 수학식 6과 같이 계산될 수 있다.

또 다른 일실시예로서, 태양광 발전량 예측 장치는 R² 값을 제3 성능 평가 지표로 계산할 수 있다. 상기 R² 값은 아래의 수학식 7과 같이 계산될 수 있다.

상기 수학식 5, 6, 7에서 y_i는 i번째로 측정된 실제 태양광 일사량 값을 나타내고, f(x_i)는 i번째로 입력된 기상 데이터 벡터를 이용하여 예측된 태양광 일사량 값을 나타낼 수 있다. 더하여,

는 실제 측정된 태양광 일사량 값의 평균값을 나타낼 수 있다.

단계(410)에서 태양광 발전량 예측 장치는 도 2a에서 설명된 k 개의 클러스터에 대응하는 복수 개의 k 값들 각각에 대응하는 각각의 태양광 발전량 예측 모델의 성능 평가 지표를 계산할 수 있다. 예시적으로, 태양광 발전량 예측 장치는 k₁ 개의 클러스터에 대응하는 제1 태양광 발전량 예측 모델의 성능 평가 지표, k₂ 개의 클러스터에 대응하는 제2 태양광 발전량 예측 모델의 성능 평가 지표, k₃ 개의 클러스터에 대응하는 제3 태양광 발전량 예측 모델의 성능 평가 지표를 계산할 수 있다. 예시적으로 태양광 발전량 예측 장치는 가장 높은 정확도를 보장하는 k₂를 k 값으로 선정할 수 있다.

더하여, 단계(410)에서 태양광 발전량 예측 장치는 k₂로 크기가 결정된 k 개의 클러스터 각각에 대응하는 k 개의 태양광 발전량 예측 모델 중 어느 하나의 태양광 발전량 예측 모델을 선택할 수 있다. 상기 k 개의 태양광 발전량 예측 모델은 적어도 하나의 기후 요소에 연관되는 기상 데이터를 입력 데이터로 하고, 소정 시간 간격의 태양광 일사량(irradiance)을 출력 데이터로 하는 데이터 집합에 SVM(Support Vector Machine) 기계 학습을 적용하여 생성될 수 있다.

태양광 발전량 예측 장치는 k 개의 태양광 발전량 예측 모델 중에서 현재 입력 데이터로 이용되는 기상 데이터와 기후 요소 특징이 가장 유사한 하나의 예측 모델을 선택할 수 있다. 태양광 발전량 예측 장치는 퍼지 이론(Fuzzy Theory)에 기초하여 하나의 태양광 발전량 예측 모델을 선택할 수 있다. 또한, 태양광 발전량 예측 장치는 k 개의 태양광 발전량 예측 모델 중에서 현재 입력 데이터인 기상 데이터의 기후 변화의 전이값에 기초하여 가장 유사한 하나의 예측 모델을 선택할 수 있다.

다른 일실시예로서, 태양광 발전량 예측 장치는 k 개의 태양광 발전량 예측 모델 각각에 대응하는 성능 평가 지표를 비교하여 어느 하나의 예측 모델을 선택할 수 있다. 상기 성능 평가 지표는 시험 데이터 집합을 이용하여 계산될 수 있다. 상기 시험 데이터 집합은 과거 기상 데이터를 입력 데이터로 하고, 과거 태양광 일사량을 출력 데이터로 하는 데이터 집합일 수 있다. 더하여, 단계(410)는 적어도 하나의 프로세서를 포함하는 태양광 발전량 예측 장치의 선택부에 의해 수행될 수 있다.

단계(420)에서 태양광 발전량 예측 장치는 선택된 제1 태양광 발전량 예측 모델에 기초하여 입력 기상 데이터에 대응하는 태양광 일사량을 출력할 수 있다. 더하여, 태양광 발전량 예측 장치는 계산된 태양광 일사량을 이용하여 태양광 발전량을 계산하고, 상기 계산된 태양광 발전량을 출력할 수 있다.

단계(420)는 적어도 하나의 프로세서를 포함하는 태양광 발전량 예측 장치의 계산부에 의해 수행될 수 있다. 태양광 발전량 예측 장치는 태양광 일사량을 예측하는데 이용되는 입력 데이터로서, 미리 지정된 시간대 별로 분리된 기상 데이터를 이용할 수 있다. 예시적으로, 기상 데이터는 6am 에서 9am, 9am 에서 12am, 12am에서 3pm, 3pm에서 6pm으로 분리된 데이터를 나타낼 수 있다. 다만, 위에서 설명되는 기상 데이터가 분리된 시간대는 본 실시예의 사상을 설명 하기 위한 예시적 기재일 뿐 다른 실시예의 범위를 제한하거나 한정하는 것으로 해석되어서는 안 될 것이다.

도 5는 일실시예에 따른 SVM 알고리즘을 이용하여 k 개의 태양광 발전량 예측 모델이 생성되는 과정을 설명하는 예시도이다.

SVM 알고리즘은 복수의 클래스(class)로 분리된 데이터 중에서 서로 다른 클래스에 존재하는 여백(margin)을 최대화하고, 일반화 능력을 극대화하는 알고리즘을 나타낸다. 도 5에서 도시된 것과 같이, SVM 알고리즘에 따른 회귀선(regression)은 아래의 수학식 8과 같이 정의될 수 있다.

본 실시예에 따른 태양광 발전량 예측 장치는 계수 벡터의 크기 ||w||의 크기를 최소로 하고, y_i와 회귀값 f(x_i)의 차이 |y_{i -}f(x_i)|가 ε보다 작도록 하는 최적화 조건을 생성할 수 있다. 더하여, 태양광 발전량 예측 장치는 기상 데이터들이 선형적인 표현이 불가능한 경우를 대비하여, 약간의 에러를 허용하는 완화 마진 손실 함수(soft margin loss function)을 이용하고, 실행 불가능한 제약 조건을 해결하기 위해 슬랙(slack) 변수 ξ_i 를 이용할 수 있다.

도 5에서 도시된 SVM 회귀 모델은 아래의 수학식 9와 같은 최적화 문제의 결과로서 도출될 수 있다.

도 6a 및 도 6b는 기상 상태에 따른 본 실시예의 예측 정확성을 설명하기 위한 그래프이다. 그래프의 X 축은 시간(hour)을 나타내고, 그래프의 Y 축은 태양광 일사량(W/m²)을 나타낸다.

도 6a를 참조하면, 구름의 양이 기설정된 임계치 이하로 존재하는 맑은 날씨에서의 태양광 일사량의 측정값(611), NAR(Nonlinear Autoregressive) 알고리즘을 이용한 예측값(621), ANN(Artificial Neural Networks) 알고리즘을 이용한 예측값(631) 및 본 실시예에 상응하는 SVM 기계 학습을 이용한 예측값(641)이 도시된다. 맑은 날씨의 경우에는 종래 방식을 이용한 NAR(Nonlinear Autoregressive) 알고리즘을 이용한 예측값(621) 및 ANN(Artificial Neural Networks) 알고리즘을 이용한 예측값(631)들도 실제 측정값(611)과 유사한 형태로 예측되는 것이 나타난다. 다만, 본 실시예에서 제안하는 SVM 기계 학습을 이용한 예측값(641)이 실제 측정값(611)과 가장 작은 오차를 갖는 것으로 나타난다.

도 6b를 참조하면, 구름의 양이 기설정된 임계치 이상으로 존재하는 흐리거나 비가 오는 날씨에서의 태양광 일사량의 측정값(612), NAR(Nonlinear Autoregressive) 알고리즘을 이용한 예측값(622), ANN(Artificial Neural Networks) 알고리즘을 이용한 예측값(632) 및 본 실시예에 상응하는 SVM 기계 학습을 이용한 예측값(642)이 도시된다. 흐리거나 비가 오는 기후에서는 종래의 NAR(Nonlinear Autoregressive) 알고리즘을 이용한 예측값(622) 및 ANN(Artificial Neural Networks) 알고리즘을 이용한 예측값(632) 방식은 실제 측정값(612)과 비교하여 상이한 파형을 나타내고 있다. 다만, 본 실시예에서 제안하는 SVM 기계 학습을 이용한 예측값(642)이 실제 측정값(612)과 가장 작은 오차를 갖고, 유사한 형태를 나타낸다.

본 실시예에 따른 태양광 발전량 예측 장치가 에너지 관리 시스템(EMS: Energy Management System)에 적용되는 경우에 다양한 기후 조건에 대응하여 태양광 발전량을 보다 높은 정확성으로 예측할 수 있다. 사용자는 태양광 에너지원의 강한 간헐성에도 불구하고, 수용 가능한 범위의 예측 효과를 획득할 수 있고, 이는 태양광 에너지가 안정적인 발전원으로서 전력 시장에 도입될 수 있도록 하는 효과를 기대할 수 있다.

이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 컴퓨터 판독 가능 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.

Claims (13)

1. 태양광 발전 설비가 설치되는 지역에 관한 기상 데이터들 - 상기 기상 데이터들은 복수의 기후 요소에 연관됨 -로부터 태양광 발전량과 임계치 이상의 상관도(correlation)를 갖는 기후 요소를 추출하는 단계;
   상기 추출된 기후 요소에 기초하여 상기 기상 데이터들을 k 개의 클러스터로 할당하는 단계 -단 k는 자연수임-;
   상기 k 개의 클러스터 각각의 중심점들에 기초하여 각각의 상기 기상 데이터들을 상기 k 개의 클러스터 중 어느 하나로 재할당하는 단계;
   상기 기상 데이터들이 재할당된 k 개의 클러스터 각각에 대해 중심점들을 재선정하는 단계;
   상기 k 개의 클러스터 각각에 대응하는 기상 데이터 집합에서 k 개의 태양광 발전량 예측 모델을 생성하는 단계; 및
   상기 k 개의 태양광 발전량 예측 모델의 성능 평가 지표에 따라 소정의 정확도를 제공하는 제1 태양광 발전량 예측 모델을 선택하여 태양광 발전량을 예측하는 단계
   를 포함하는 태양광 발전량 예측 방법.
   
2. 제1항에 있어서,
   각각의 상기 기상 데이터들을 상기 k 개의 클러스터 중 어느 하나로 재할당하는 단계는,
   상기 기상 데이터들 각각에 가장 가까운 중심점을 포함하는 클러스터로 각각의 상기 기상 데이터들을 재할당하는 단계
   를 포함하는 태양광 발전량 예측 방법.
   
3. 제1항에 있어서,
   재선정된 k 개의 클러스터 각각의 중심점들 중 제1 중심점과 상기 제1 중심점이 재선정되기 전의 제2 중심점을 비교하여 상기 재할당하는 단계의 반복 여부를 결정하는 단계
   를 더 포함하는 태양광 발전량 예측 방법.
   
4. 제1항에 있어서,
   상기 재할당된 k 개의 클러스터에 대응하는 실루엣(silhouette) 값을 계산하고, 계산된 실루엣 값에 따라 상기 재할당하는 단계의 반복 여부를 결정하는 단계
   를 더 포함하는 태양광 발전량 예측 방법.
   
5. 제4항에 있어서,
   상기 재할당하는 단계의 반복 여부를 결정하는 단계는,
   제1 기상 데이터와 동일한 제1 클러스터 내에 존재하는 기상 데이터들의 비유사도(dissimilarity) 평균값 및 상기 제1 기상 데이터와 상이한 제2 클러스터 내에 존재하는 기상 데이터들의 비유사도 평균의 최소값에 기초하여 상기 실루엣 값을 계산하는 단계
   를 포함하는 태양광 발전량 예측 방법.
   
6. 제5항에 있어서,
   상기 재할당하는 단계의 반복 여부를 결정하는 단계는,
   상기 실루엣 값이 미리 지정된 임계치 이상이 되는 경우에, 상기 재할당하는 단계의 반복을 중지하는 단계
   를 포함하는 태양광 발전량 예측 방법.
   
7. 삭제
8. 삭제
9. 삭제
10. 삭제
11. 삭제
12. 삭제
13. 삭제

Images