KR101998553B1

KR101998553B1 - Prediction Method of Short-Term Wind Speed and Wind Power and Power Supply Line Voltage Prediction Method Therefore

Info

Publication number: KR101998553B1
Application number: KR1020120084623A
Authority: KR
Inventors: 서인용; 하복남; 이성우; 김상옥; 남궁원; 서동완
Original assignee: 한국전력공사
Priority date: 2012-08-01
Filing date: 2012-08-01
Publication date: 2019-07-10
Also published as: KR20140018497A

Abstract

본 발명은 단기 풍력발전량 예측방법을 통해 과거 풍속 데이터를 이용하여 모델링을 수행하여 풍속을 예측하고, 단기 예측 풍속을 기반으로 풍력 발전량을 예측할 수 있도록 하며, 단기 예측 풍속을 기반으로 예측한 풍력 발전량과 배전계통을 연계하여 배전 선로의 설비 제어를 보다 효율적으로 수행할 수 있도록 하는 단기 풍속 예측을 통한 풍력 발전량 예측 방법과, 그 기능을 이용한 배전선로 전압 예측 방법을 제공한다.
이를 위해 본 발명은 전처리부가 풍속과 발전량에 대한 전체의 측정 데이터를 수집하여 군집화하고, 파라메타를 최적화하는 단계, 풍속 예측 모듈이 예측 모델에 따라 풍속을 예측하는 단계, 발전량 예측 모듈이 풍력 발전량을 예측하는 단계, 조류 계산 모듈이 배전선로 전압 제어 모듈을 통해 배전자동화 시스템으로부터 조류 계산용 배전 계통 정보를 수집하는 단계, 상기 조류 계산 모듈이 상기 풍력 발전량과 배전계통 정보를 이용하여 배전 선로의 각 지점에 대한 조류를 계산하고, 상기 계산된 조류 계산 정보를 상기 배전선로 전압 제어 모듈에 전달하는 단계, 상기 배전선로 전압 제어 모듈이 상기 조류 계산 정보를 근거로 전압 강하를 검토하고, 상기 검토 결과에 따른 제어 명령을 송출하여 배전자동화 시스템을 통해 배전선로 자원의 전압 범위를 조정 제어하는 단계를 포함하는 것을 특징으로 한다. The present invention relates to a method for predicting wind power generation based on short-term predicted wind speed, a method for predicting wind speed by predicting short-term wind power generation amount by predicting wind speed by modeling using past wind speed data, The present invention provides a method for predicting the amount of wind power generation using a short-term wind speed prediction method and a method for predicting a distribution line voltage using the function, in order to more efficiently control facilities of the distribution line by connecting the power distribution system.
For this purpose, the present invention is characterized in that the pre-processing section collects and aggregates the entire measurement data on the wind speed and power generation amount, optimizes the parameters, the wind speed prediction module predicts the wind speed according to the prediction model, Collecting distribution system information for algae calculation from the distribution automation system through a distribution line voltage control module, and the algae calculation module is operable to calculate, at each point of the distribution line using the wind power generation amount and distribution grid information, Calculating the algae and transmitting the calculated algae calculation information to the distribution line voltage control module, the distribution line voltage control module examining the voltage drop based on the alga calculation information, Command to transmit the voltage range of the resource to the distribution line through the distribution automation system And a step of controlling and controlling the light source.

Description

BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to a method for predicting wind power generation using a short-term wind speed prediction method,

본 발명은 단기 풍속 예측을 통한 풍력 발전량 예측 방법과, 이를 이용한 배전선로 전압 예측 방법에 관한 것으로서, 보다 상세하게는 측정된 풍속 및 습도를 이용하여 풍력발전소의 풍속 및 발전량을 예측하고, 이를 이용하여 배전선로의 전압을 제어하는 단기 풍속 예측을 통한 풍력 발전량 예측 방법과, 그 기능을 이용한 배전선로 전압 예측 방법에 관한 것이다.The present invention relates to a method for predicting wind power generation using short-term wind speed prediction and a method for predicting a distribution line voltage using the same, and more particularly, to predict wind speed and generation amount of wind power plant using measured wind speed and humidity, A method for predicting wind power generation amount by predicting a short-term wind speed and a method for predicting a distribution line voltage using the function.

일반적으로, 풍력에너지의 경제적 효과는 에너지원인 바람의 변동성에 의해 크게 좌우되는데, 신재생 에너지원인 풍력은 기상상태에 따라서 출력변동이 심하고 출력의 예측이나 조정이 어려워 사전에 발전계획을 수립하기 힘들다. 특히, 풍력발전 설비 용량이 커질수록 풍력 발전이 전력계통에 미치는 영향이 크므로, 전기 품질의 유지 및 계통을 안정화시키도록 설비를 제어하기 위해서는 풍력 발전량을 예측하는 기술이 필수적이라고 할 수 있다.
이러한 풍력에너지와 같은 신재생 에너지의 경제성을 향상시키기 위해서는 출력값을 예측하여 출력 변동성을 감소시켜야 함에 따라, 신재생 발전량을 정확하게 예측하고, 배전계통의 전압을 예측제어 할 수 있는 시스템이 요구된다.
풍력 예측 관련 연구는 크게 물리적 모델과 통계적 모델로 나눌 수 있는데, 전자는 장기적인 풍력예측에 적합하고 후자는 단기적인 풍력예측에 유용한 것으로 평가되고 있다.
물리적 모델은 지형, 장애물, 기압, 기온 등의 정보를 이용하여 풍향과 풍속을 예측하게 되지만, 통계적 모델은 풍속(또는 풍향)의 역사적인 데이터(Historical Data)를 이용한다.
1960년대 Box와 Jenkins가 제안한 ARIMA(Autoregressive Integrated Moving Average)는 이처럼 시계열화된 풍속 데이터를 다루는 가장 대표적인 통계기법이다. 최근에는 풍속 데이터에 웨이블릿 분해를 적용하고 분해수준 별로 ARIMA를 적용하는 방안이 제시되고 있다. Generally, the economic effect of wind energy is largely dependent on the fluctuation of wind energy, which is the energy source. Wind power, which is a renewable energy, is difficult to forecast and adjust in advance due to difficulty in prediction and adjustment of output. In particular, as the capacity of the wind power generation facility increases, the influence of the wind power generation on the power system is large. Therefore, it is essential to predict the amount of wind power generation to control the equipment to maintain the electric quality and stabilize the system.
In order to improve the economical efficiency of renewable energy such as wind energy, it is required to predict the output value and to reduce the output fluctuation. Therefore, a system capable of predicting and controlling the voltage of the distribution system is required.
The study on wind prediction can be roughly divided into physical model and statistical model. The former is suitable for long-term wind prediction and the latter is useful for short-term wind prediction.
The physical model predicts wind direction and wind speed by using information such as terrain, obstacles, barometric pressure, and temperature, but statistical model uses historical data of wind speed (or wind direction).
The ARIMA (Autoregressive Integrated Moving Average) proposed by Box and Jenkins in the 1960s is the most representative statistical technique for dealing with clock-degraded wind speed data. Recently, wavelet decomposition is applied to wind speed data, and ARIMA is applied for each decomposition level.

삭제delete

또한, Nu-Support Vector Regression(이하, N-SVR), Feedforward Neural Network(FNN), Partial Least-Squares Regression(PLSR), 신경회로망과 퍼지기법을 결합한 Adaptive Neuro-Fuzzy Inference System(ANFIS)을 이용한 풍속 예측모델에 대한 연구가 시도되고 있다. In addition, the adaptive neuro-fuzzy inference system (ANFIS) that combines Nu-Support Vector Regression (N-SVR), Feedforward Neural Network (FNN), Partial Least- Squares Regression (PLSR) Research on prediction models has been attempted.

관련 기술로는 한국등록특허 제1035398호(특정지점 기상예측 기반 신재생에너지 발전량 실시간 예측방법 및 그 시스템)(2011.05.11)가 있다.Related technology is Korean Patent No. 1035398 (method of real-time prediction of renewable energy generation based on specific site weather prediction and its system) (2011.05.11).

종래의 풍속 예측 모델에 대한 연구는 주로 단편적인 예측 기술이 주류를 이루고 있는데, 데이터 수집과, 노이즈 제거, 군집화, 파라메타 최적화, 풍속 예측, 발전량 예측 등과 같이 데이터 수집 기술과 연계하여 발전량을 예측하는 전 공정에 걸쳐 예측 정확성을 높이는 기술이 아직 개발되고 있지 않다. 또한, 이와 더불어 발전량 예측 기술과 연계하여 배전 선로의 전압조정을 효과적으로 수행하기 위한 기술은 아직 전무한 실정이기 때문에, 변동성이 심한 풍력 발전 상황을 효율적으로 예측하고, 이를 배전선로의 전압 조정에 효과적으로 이용하는데 한계가 있다는 문제점이 있다.
따라서, 본 발명은 상기한 종래의 문제점을 개선하기 위해 이루어진 것으로서, 단기 풍력발전량 예측방법을 통해 과거 풍속 데이터를 이용하여 모델링을 수행하여 풍속을 예측하고, 단기 예측 풍속을 기반으로 풍력 발전량을 예측할 수 있도록 하는 단기 풍속 예측을 통한 풍력 발전량 예측 방법을 제공하는데 그 목적이 있다.
또한, 본 발명은 단기 예측 풍속을 기반으로 예측한 풍력 발전량과 배전계통을 연계하여 실시간 조류계산을 수행하고, 배전 선로 각 지점의 전압상승 및 강하를 감시할 수 있도록 함으로써, 배전 선로의 설비 제어를 보다 효율적으로 수행할 수 있도록 하는 단기 풍속 예측을 통한 풍력 발전량 예측 기능을 이용한 배전선로 전압 예측 방법을 제공하는데 그 목적이 있다. Conventional wind speed predicting models are predominantly predominantly fragmentary prediction techniques, and are used in conjunction with data collection technologies such as data collection, noise reduction, clustering, parameter optimization, wind speed prediction, Technologies that improve prediction accuracy throughout the process have not yet been developed. In addition, there is no technology to efficiently control the voltage of the distribution line in connection with the power generation prediction technology. Therefore, it is possible to efficiently predict the fluctuating wind power generation situation and effectively use it for the voltage control of the distribution line There is a problem that there is a limit.
SUMMARY OF THE INVENTION Accordingly, the present invention has been made to solve the above-mentioned problems occurring in the prior art, and it is an object of the present invention to provide a method and apparatus for estimating a wind power generation amount by predicting a wind speed by modeling using past wind speed data, The present invention relates to a method for predicting wind power generation through short-term wind speed prediction.
In addition, the present invention performs real-time algae calculation by correlating wind power generation predicted based on the short-term predicted wind speed with the power distribution system, and monitors the voltage rise and drop at each point of the power distribution line, The present invention provides a method of predicting a distribution line voltage using a wind power generation prediction function by predicting a short-term wind speed to be performed more efficiently.

삭제delete

본 발명의 일측면에 따른 단기 풍속 예측을 통한 풍력 발전량 예측 방법은, 전처리부가 풍속과 발전량에 대한 전체의 측정 데이터를 행렬의 형태로 표시하는 제1단계, 상기 전처리부가 상기 행렬 형태의 데이터 세트를 훈련 데이터 및 시험 데이터로 이분하는 제2단계, 상기 전처리부가 이산 웨이브렛 변환(Wavelet Decomposition)을 이용하여 상기 훈련 데이터의 노이즈를 제거하고, 상기 훈련 데이터에 대해 FCM(Fuzzy C-means Clustering)을 이용하여 군집화 모델을 적용하는 제3단계, 상기 군집화 모델이 적용된 상기 훈련 데이터에 대해 예측값의 오차를 최소화시키기 위한 모델 파라메타의 최적화를 수행하고, 파라메타의 최적화된 상수를 상기 훈련 데이터에 적용하여 예측 모델을 생성하는 제4단계, 상기 전처리부가 상기 시험 데이터의 각 데이터에 대해 소속 군집을 검사하는 제5단계 및, 풍속 예측 모듈이 상기 각 시험데이터를 상기 훈련 데이터에 의한 예측 모델에 입력시켜 예측 풍속값을 구하는 제6단계를 포함하는 것을 특징으로 한다.
상기 제1단계에서, 상기 측정 데이터는 풍속 측정 데이터와 습도 측정 데이터 중에서 적어도 어느 하나인 것을 특징으로 한다.
상기 제3단계는, 상기 전처리부가 상기 웨이브렛 변환에 의해 분해한 신호의 상세치에 대해 각 레벨 별로 표준편차를 구하는 단계, 상기 신호의 상세치로부터 표준편차의 특정 배수로 원하는 만큼의 노이즈 수준을 설정하고, 그 설정수준에 따라 노이즈를 제거하는 단계 및, 상기 노이즈를 제거한 신호의 상세치와 근사치를 통해 훈련 데이터의 신호를 합성하는 단계를 포함하는 것을 특징으로 한다.
상기 제3단계에서, 상기 전처리부는 상기 훈련 데이터에 대해 FCM을 이용하여 원하는 수만큼의 클러스터(Cluster)로 분리하여 군집화를 수행하는 것을 특징으로 한다.
상기 제4단계는, 상기 전처리부가 상기 훈련 데이터를 각 클러스터에 대해 PSO(Particle Swarm optimization) 기법을 이용하여 예측값 오차를 최소화 시키는 SVR 모델의 최적 상수( n, C, sigma)를 구하는 단계, 상기 최적 상수와 상기 훈련 데이터를 이용하여 예측 모델로서 각 SVR 모델을 생성하는 단계를 포함하는 것을 특징으로 한다.
상기 제4단계에서, 상기 PSO 기법을 이용한 예측값 오차를 최소화하는 단계는, 각 파티클의 변수를 최소화하는 단계, 상기 SVR 모델을 생성하고, 각 파티클의 피트니스(Fitness)를 측정하는 단계, 상기 생성한 SVR 모델에 대해 출력 예측값을 계산하고 RMSE를 계산하여, 상기 계산한 RMSE가 특정 최소 RMSE값 보다 작은지의 여부에 따라 업데이트를 수행하는 단계, 상기 업데이트 이후에 상기 파티클의 속도를 변경하는 단계, 상기 업데이트 이후에 상기 파티클의 위치를 변경하는 단계, 및 상기 속도 변경 및 위치 변경에 따라 종료 조건이 만족하면, 최적 파라메타를 선택하는 단계를 포함하는 것을 특징으로 한다.
상기 속도 변경 및 위치 변경에 따라 종료 조건이 만족되면, 최적 파라메타를 선택하는 단계는, 상기 훈련 데이터에 대한 RMSE가 급격히 감소하다가 안정되는 RMSE 벡터 지점에서 최적 파라메타를 선택하는 것을 특징으로 한다.
상기 제6단계는, 상기 풍속 예측 모듈이 과거 p개의 데이터와, 상기 예측모델을 이용하여 k-스텝 이후의 풍속 예측을 수행하는 것을 특징으로 한다.
상기 제6단계는, 상기 풍속 예측 모듈이 k-스텝 예측 모델 ν-SVR(k)를 사용하여 한번의 예측으로 k-스텝 이후의 풍속을 예측하는 것을 특징으로 한다.
상기 제6단계는, 상기 풍속 예측 모듈이 입력데이터를 원하는 시간 간격으로 재샘플링(Re-sampling) 한 후, 1-스텝 예측 모델 SVR(1)으로 예측하는 것을 특징으로 한다.
본 발명의 다른 측면에 따른 단기 풍속 예측을 통한 풍력 발전량 예측 방법은, 전처리부가 풍속과 발전량에 대한 전체 측정 데이터를 행렬의 형태로 표시하는 제1단계, 상기 전처리부가 상기 측정 데이터를 훈련 데이터와 시험 데이터로 분할하는 제2단계, 발전량 예측 모듈이 상기 훈련 데이터와 시험 데이터에 대한 이상치를 제거하는 제3단계, 상기 발전량 예측 모듈이 상기 훈련 데이터에 대한 다항회귀 모델을 구축하는 제4단계, 상기 발전량 예측 모듈이 다항회귀 모델의 입력과 출력의 상관계수를 이용한 모델 파라메타를 최적화하는 제5단계 및, 상기 발전량 예측 모듈이 상기 각 시험 데이터를 다항회귀 모델에 입력시켜 풍력 발전량을 예측하는 제6단계를 포함하는 것을 특징으로 한다.
상기 제1단계에서, 상기 측정 데이터는 풍속 측정 데이터와 습도 측정 데이터 중에서 적어도 어느 하나인 것을 특징으로 한다.
상기 제3단계는, 발전기의 출력사양 또는 입력데이터 중에서 어느 하나를 관찰하여 최소 풍속(vmin, cut-in wind speed) 및 최대풍속(vmax, cut-out wind speed)을 결정하는 단계와, 상기 훈련용 데이터 세트 Xtr의 풍속 x가 vmin보다 작으면 발전량 y는 0, 풍속 x가 vmax보다 크면 발전량 y는 정격 최대 출력 Pmax로 설정하여 이상치(Outlier)를 제거하는 단계를 포함하는 것을 특징으로 한다.
상기 제3단계는, 상기 시험용 데이터 세트에 대해서 풍속 x가 vmin보다 작으면 발전량 y는 0, 풍속 x가 vmax보다 크면 발전량 y는 정격 최대 출력 Pmax로 설정하여 이상치(Outlier)를 제거하는 것을 특징으로 한다. A method for predicting wind power generation through prediction of short-term wind speed according to one aspect of the present invention includes a first step of displaying a total measurement data of a wind speed and a power generation amount in a form of a matrix, A second step of dividing the training data into test data and test data, the preprocessing part removes noise of the training data by using wavelet decomposition, and uses fuzzy C-means clustering (FCM) A third step of applying a clustering model to the training data, optimizing a model parameter for minimizing an error of a prediction value for the training data to which the clustering model is applied, applying an optimized constant of the parameter to the training data, A preprocessing step of generating, for each data of the test data, And a sixth step of inputting the test data by the wind speed prediction module into the prediction model based on the training data to obtain the predicted wind speed value.
In the first step, the measurement data is at least one of wind speed measurement data and humidity measurement data.
The third step includes a step of obtaining a standard deviation for each level with respect to the detail value of the signal decomposed by the wavelet transform by the pre-processing section, setting a desired noise level to a specific multiple of the standard deviation from the signal detail value And removing the noise according to the set level, and synthesizing a signal of the training data through an approximation value of the noise-removed signal.
In the third step, the preprocessor separates the training data into a desired number of clusters using the FCM, and performs clustering.
In the fourth step, the preprocessing step obtains the optimal constants (n, C, sigma) of the SVR model that minimizes the predictive value error using the PSO (Particle Swarm Optimization) technique for each cluster, And generating each SVR model as a predictive model using a constant and the training data.
In the fourth step, minimizing the prediction error using the PSO technique may include minimizing a variable of each particle, generating the SVR model, measuring Fitness of each particle, Calculating an output predicted value for the SVR model and calculating an RMSE, performing an update according to whether the calculated RMSE is less than a specified minimum RMSE value, changing the speed of the particle after the update, Changing the position of the particle, and selecting an optimal parameter when the end condition is satisfied according to the speed change and the position change.
Wherein when the end condition is satisfied according to the speed change and the position change, the step of selecting an optimal parameter selects an optimal parameter at a stable RMSE vector point after the RMSE for the training data is rapidly reduced.
The sixth step is characterized in that the wind speed prediction module performs wind speed prediction after the k-step using past p data and the prediction model.
The sixth step is characterized in that the wind speed prediction module predicts the wind speeds after the k-step by one prediction using the k-step prediction model ν-SVR (k).
In the sixth step, the wind speed prediction module re-samples the input data at desired time intervals, and then predicts the input data using the one-step prediction model SVR (1).
The method of predicting wind power generation amount through prediction of short-term wind speed according to another aspect of the present invention is a method for predicting a wind power generation amount by predicting short wind speeds in a first step of displaying a total measurement data on wind speed and power generation amount in a matrix form, A third step in which the power generation amount prediction module removes an ideal value for the training data and the test data, a fourth step for the power generation amount prediction module to construct a polynomial regression model for the training data, A fifth step of the prediction module optimizing a model parameter using a correlation coefficient between an input and an output of a polynomial regression model and a sixth step of predicting a wind power generation amount by inputting the respective test data to a polynomial regression model .
In the first step, the measurement data is at least one of wind speed measurement data and humidity measurement data.
The third step includes the steps of: observing either the output specification of the generator or the input data to determine a minimum wind speed (vmin) and a cut-out wind speed (vmax) If the wind speed x of the wind turbine data set Xtr is smaller than vmin, the generation amount y is 0, and if the wind speed x is larger than vmax, the generation amount y is set to the rated maximum output Pmax to remove the outliers.
The third step is characterized in that, for the test data set, when the wind speed x is smaller than vmin, the generation amount y is 0, and when the wind speed x is larger than vmax, the generation amount y is set to the rated maximum output Pmax to remove the outliers do.

삭제delete

상기 제5단계는, 상기 훈련용 데이터의 발전량인 Xtr의 2번째 행인 Xtr(:,2)와 그 예측값

에 대한 상관계수값 C_xy을 구하는 단계, 상기 발전량 예측 모듈은 상기 상관 계수값인 C_xy의 값이 설정값 Cs보다 작은지의 여부를 판단하는 단계 및, 상기 상관 계수값인 C_xy의 값이 설정값 Cs보다 작다고 판단되면 모델 차수를 1만큼 증가시키고 상기 다항 회귀 모델을 구하는 단계를 반복적으로 수행하는 단계를 포함하는 것을 특징으로 한다. The fifth step is a step of calculating Xtr (:, 2), which is the second row of Xtr which is an amount of generation of the training data,

_Wherein the power generation amount prediction module determines whether the value of the correlation coefficient value C _xy is smaller than the set value Cs, and if the value of the correlation coefficient value C _xy is less than or equal to the set value C _xy , And increasing the model order by 1 and determining the polynomial regression model if it is determined to be smaller than the value Cs.

본 발명의 또 다른 측면에 따른 단기 풍속 예측을 통한 풍력 발전량 예측 기능을 이용한 배전선로 전압 예측 방법은, 전처리부가 풍속과 발전량에 대한 전체의 측정 데이터를 수집하여 군집화하고, 군집화된 데이터의 파라메타를 최적화하는 제1단계, 상기 최적화된 파라메타를 근거로 풍속 예측 모듈이 예측 모델에 따라 풍속을 예측하는 제2단계, 상기 풍속 예측 모듈의 예측 풍속값을 근거로, 발전량 예측 모듈이 풍력 발전량을 예측하는 제3단계, 조류 계산 모듈이 배전선로 전압 제어 모듈을 통해 배전자동화 시스템으로부터 조류 계산용 배전 계통 정보를 수집하는 제4단계, 상기 조류 계산 모듈이 상기 풍력 발전량과 배전계통 정보를 이용하여 배전 선로의 각 지점에 대한 조류를 계산하고, 상기 계산된 조류 계산 정보를 상기 배전선로 전압 제어 모듈에 전달하는 제5단계, 상기 배전선로 전압 제어 모듈이 상기 조류 계산 정보를 근거로 전압 강하를 검토하고, 상기 검토 결과에 따른 제어 명령을 송출하여 배전자동화 시스템을 통해 배전선로 자원의 전압 범위를 조정 제어하는 제6단계를 포함하는 것을 특징으로 한다.
상기 제1단계는, 상기 전처리부가 풍속과 발전량에 대한 전체의 측정 데이터를 행렬의 형태로 표시하는 단계, 상기 전처리부가 상기 행렬 형태의 데이터 세트을 훈련 데이터 및 시험 데이터로 이분하는 단계, 상기 전처리부가 이산 웨이브렛 변환(Wavelet Decomposition)을 이용하여 상기 훈련 데이터의 노이즈를 제거하고, 상기 훈련 데이터를 FCM(Fuzzy C-means Clustering)을 이용하여 군집화 모델을 적용하는 단계 및, 상기 군집화 모델이 적용된 상기 훈련 데이터에 대해 예측값의 오차를 최소화시키기 위한 모델 파라메타의 최적화를 수행하는 단계를 포함하는 것을 특징으로 한다.
상기 제1단계에서, 상기 측정 데이터는 풍속 측정 데이터와 습도 측정 데이터 중에서 적어도 어느 하나인 것을 특징으로 한다.
상기 제1단계는, 상기 전처리부가 상기 웨이브렛 변환에 의해 분해한 신호의 상세치(d)에 대해 각 레벨 별로 표준편차를 구하는 단계, 상기 신호의 상세치(di)로부터 표준편차의 특정 배수로 원하는 만큼의 노이즈 수준을 설정하고, 그 설정수준에 따라 노이즈를 제거하는 단계 및, 상기 노이즈를 제거한 신호의 상세치와 근사치를 통해 훈련 데이터의 신호를 합성하는 단계를 포함하는 것을 특징으로 한다.
상기 제1단계는, 상기 전처리부가 상기 훈련 데이터에 대해 FCM을 이용하여 원하는 수만큼의 클러스터(Cluster)로 분리하여 군집화를 수행하고, 상기 전처리부가 상기 훈련 데이터를 각 클러스터에 대해 PSO(Particle Swarm optimization) 기법을 이용하여 예측값 오차를 최소화 시키는 SVR 모델의 최적 상수( n, C, sigma)를 구하는 단계, 상기 최적 상수와 상기 훈련 데이터를 이용하여 예측 모델로서 각 SVR 모델을 생성하는 단계를 포함하는 것을 특징으로 한다.
상기 제2단계는, 상기 풍속 예측 모듈이 과거 p개의 데이터와, 상기 예측모델을 이용하여 k-스텝 이후의 풍속 예측을 수행하거나, 상기 풍속 예측 모듈이 k-스텝 예측 모델 ν-SVR(k)를 사용하여 한번의 예측으로 k-스텝 이후의 풍속을 예측하거나, 상기 풍속 예측 모듈이 입력데이터를 원하는 시간 간격으로 재샘플링(Re-sampling) 한 후, 1-스텝 예측 모델 SVR(1)으로 예측하는 것을 특징으로 한다.
상기 제3단계는, 상기 전처리부가 풍속과 발전량에 대한 전체 측정 데이터를 행렬의 형태로 표시하는 단계, 상기 전처리부가 상기 측정 데이터를 훈련 데이터와 시험 데이터로 분할하는 단계, 상기 발전량 예측 모듈이 상기 훈련 데이터와 시험 데이터에 대한 이상치를 제거하는 단계, 상기 발전량 예측 모듈이 상기 훈련 데이터에 대한 다항회귀 모델을 구축하는 단계, 상기 발전량 예측 모듈이 다항회귀 모델의 입력과 출력의 상관계수를 이용한 모델 파라메타를 최적화하는 단계 및, 상기 발전량 예측 모듈이 상기 각 시험 데이터를 다항회귀 모델에 입력시켜 풍력 발전량을 예측하는 단계를 포함하는 것을 특징으로 한다.
상기 제5단계는, 상기 조류 계산 모듈이 실시간 및 k-스텝의 풍력 발전량과 배전선로의 계통 정보를 이용하여, 배전 선로 각 지점의 전압강하, 유효전력, 무효전력 중에서 적어도 하나 이상의 조류 계산을 수행하는 것을 특징으로 한다.
상기 제6단계는, 상기 배전선로 전압 제어 모듈이 상기 조류 계산 정보를 근거로 배전 자동화 시스템의 각 배전선로(D/L)에 대한 전압강하를 검토하여 노드 전압이 제어범위을 벗어나면, 이를 제어하는 제어 명령을 FEP(Front End Processor)으로 송출하는 단계, 상기 FEP가 제어명령을 각 제어 기기의 RTU(Remote Terminal Unit)로 전달하고, 배전선로에서 SVR(Step Voltage Regulator), LC(Line Capacitor)의 전압 제어기기가 상기 제어명령을 수신받아 스텝 조정 및 on-off 동작을 통해 제어명령을 수행하여 각 지점의 전압을 원하는 범위내로 조정하는 단계를 포함하는 것을 특징으로 한다. According to another aspect of the present invention, there is provided a method for predicting a distribution line voltage using a wind power generation prediction function by predicting a short-term wind speed, comprising: collecting and aggregating a total measurement data on a wind speed and a power generation amount, A second step of predicting a wind speed according to a predictive model on the basis of the optimized parameter, a second step of predicting a wind power generation amount based on the predicted wind speed value of the wind speed prediction module, A third step, in which the algae calculation module collects distribution system information for algae calculation from the distribution automation system through a distribution line voltage control module, and the algae calculation module calculates the angle of the distribution line using the wind power generation amount and distribution system information Calculates the algae for the point, and transmits the calculated algae calculation information to the distribution line voltage control module The power line voltage control module examines the voltage drop based on the algae calculation information and transmits a control command according to the result of the review to determine the voltage range of the distribution line resource through the distribution automation system And a sixth step of performing adjustment control.
Wherein the pre-processing unit divides the data set of the matrix form into training data and test data, wherein the pre-processing unit divides the data set of the matrix form into training data and test data, A step of removing noise of the training data by using a wavelet decomposition and applying a clustering model using FCM (Fuzzy C-means Clustering) to the training data, And optimizing a model parameter for minimizing an error of a predicted value with respect to the model parameter.
In the first step, the measurement data is at least one of wind speed measurement data and humidity measurement data.
The first step may include a step of obtaining a standard deviation for each level of the detail value d of the signal decomposed by the wavelet transform by the preprocessing unit, And removing the noise according to the set level, and synthesizing a signal of the training data through an approximation value of the signal from which the noise is removed.
In the first step, the preprocessing unit performs clustering by separating the training data into a desired number of clusters using an FCM, and the preprocessing unit prepares the training data for each cluster by a Particle Swarm optimization (PSO) (N, C, sigma) of an SVR model that minimizes a predictive value error by using the optimum constant and the training data, and generating each SVR model as a predictive model using the optimum constant and the training data .
Wherein the second step comprises the steps of: when the wind speed prediction module performs the wind speed prediction after the k-step using the past p data and the prediction model, or if the wind speed prediction module calculates the k- , The wind speed prediction module predicts the wind speed after the k-step with a single prediction or re-samples the input data at a desired time interval, and then predicts the 1-step prediction model SVR (1) .
The pre-processing step includes the steps of: displaying the entire measurement data on the wind speed and the power generation amount in the form of a matrix, the pre-processing part dividing the measurement data into training data and test data; The method comprising: constructing a polynomial regression model of the training data by the power generation amount predicting module; calculating a model parameter using a correlation coefficient between input and output of the polynomial regression model; And estimating a wind power generation amount by inputting the respective test data into the polynomial regression model.
In the fifth step, the algae calculation module performs at least one algae calculation among the voltage drop, the active power, and the reactive power at each point of the distribution line using the wind power generation amount in real time and k-step and the grid information in the distribution line .
In the sixth step, the power line voltage control module examines a voltage drop with respect to each distribution line (D / L) of the distribution automation system based on the alga calculation information, and controls the node voltage when the voltage deviates from the control range Transmitting the control command to the front end processor (FEP), the FEP transmitting the control command to the RTU (Remote Terminal Unit) of each control device, and controlling the SVR (Step Voltage Regulator), LC (Line Capacitor) And the voltage control device receives the control command and performs a control command through a step adjustment and an on-off operation to adjust the voltage of each point within a desired range.

삭제delete

상기한 바와 같이 이루어진 본 발명에 따르면, 풍력 발전기 근처의 풍속, 습도 및 공기의 밀도 등과 같은 계측 데이터에 대하여 노이즈 제거, 군집화를 수행하고, 모델 파라메타 최적화 및 모델링을 통해 단기간의 풍속을 정확히 예측하고, 예측된 풍속을 이용하여 풍력 발전량을 예측할 수 있도록 함으로써, 풍력이 크게 늘거나 줄거나 할 경우를 대비하여 예측된 풍력 발전량을 이용하여 예비전력을 최적 수준으로 운용하여, 경제적 급전에 따른 비용을 절감할 수 있을 뿐만 아니라, 최대 부하를 균등화하여 피크를 저감하여 전력설비 투자비를 절감할 수 있다.
또한, 본 발명에 따르면 예측한 풍력 발전량을 실시간 조류계산을 통해 배전계통의 제어에 이용할 수 있기 때문에, 배전선로의 전압 및 전력계통을 안정화시켜 전기품질을 향상시키고, 고객의 만족도 및 공급신뢰도를 향상시킬 수 있다.
또한, 본 발명은 풍력 발전량의 예측 기능을 통해 해당 풍력 발전기와 연계된 배전 선로의 전압변동 예측이 가능하도록 선로용 전압 조정기(Step Voltage Regulator) 및 선로용 커패시터(Line Capacitor) 등과 같은 배전 선로의 모든 자원을 조정하여 배전선로의 전압을 예측 제어할 수 있도록 함으로써, 전반적으로 배전 전압의 품질을 높일 수 있다.
또한, 풍력발전 사업자들의 경우에는 풍력 발전을 계통에 연계시키기 위해서 자체 풍력 발전량을 정확하게 예측해야 하는 의무 수행이 가능하며, 부정확한 예측으로 목표 발전량에 미치지 못할 경우에 계통 운영자에게 부과되는 페널티를 절감할 수 있다.
또, 신재생 에너지의 발전량 예측은 스마트그리드 운영에 있어 양방향 입찰방식을 통해 실시간 시장가격(RTP)을 구현하기 위한 필수적인 기술인데, 본 발명의 기술을 적용하게 되면 실시간 전력시장에서 예컨대 5분과 같은 짧은 시간 단위로 정확하게 신재생 에너지의 발전량을 예측하여 시장에서 높은 가격을 보장받을 수 있게 된다.
한편, 본 발명에 따르면, 생산 가변성이 큰 풍력발전소의 출력을 실시간으로 예측하여 전력 계통을 안정화시키는데 필요한 핵심 정보로 사용할 수 있으며, 예측 결과에 따라 배전계획을 미리 세워 풍력 발전기를 효율적으로 가동시킴으로써 전력계통 운용비용을 크게 절감할 수 있다. According to the present invention as described above, noise reduction and clustering are performed on measurement data such as wind speed, humidity and air density near the wind turbine generator, the wind speed of a short period of time is accurately predicted through model parameter optimization and modeling, By using predicted wind speed, it is possible to predict the wind power generation amount. By using the predicted wind power generation amount in case of increasing or decreasing the wind power, it is possible to operate the reserve power at the optimum level, In addition, it is possible to equalize the maximum load to reduce the peak, thereby reducing the investment cost of the electric power facility.
Further, according to the present invention, it is possible to use the predicted wind power generation amount to control the distribution system through real-time algae calculation, thereby stabilizing the voltage and power system of the distribution line to improve the electric quality and improve the customer's satisfaction and reliability .
The present invention also provides a method for predicting the voltage variation of a distribution line connected to a wind turbine by predicting the amount of wind power generated by all of the distribution lines such as a step voltage regulator and a line capacitor, By adjusting the resources to predict and control the voltage on the distribution line, the overall quality of the distribution voltage can be increased.
In the case of wind power generation companies, it is also possible to perform an obligation to accurately predict the amount of wind power generated in order to link the wind power generation to the system, and to reduce the penalty imposed on the system operator when the target power generation amount is inaccurate .
In addition, prediction of the generation amount of new and renewable energy is an essential technology for implementing real-time market price (RTP) through bidirectional bidding in smart grid operation. If the technology of the present invention is applied, short It is possible to predict the generation amount of new and renewable energy precisely on a time unit basis and thus to ensure a high price in the market.
According to the present invention, the output of a wind turbine having a large production variability can be predicted in real time to be used as core information necessary for stabilizing the power system. The wind power generator can be efficiently operated by pre- The system operation cost can be greatly reduced.

삭제delete

도 1은 본 발명의 일실시예에 따른 단기 풍속 예측을 통한 풍력 발전량 예측 방법과, 그 기능을 이용한 배전선로 전압 예측 방법이 적용되는 시스템의 전체 구성을 나타낸 도면이다.
도 2는 본 발명의 일실시예에 따른 단기 풍속 예측을 통한 풍력 발전량 예측 방법에서 풍속 예측을 위한 동작을 설명하는 플로우차트이다.
도 3은 본 발명의 일실시예에 따른 단기 풍속 예측을 통한 풍력 발전량 예측 방법에서 풍속 예측 동작을 설명하기 위한 실측 풍속 데이터의 그래프를 나타낸 도면이다.
도 4는 본 발명의 일실시예에 따른 단기 풍속 예측을 통한 풍력 발전량 예측 방법에서 풍속 예측 모듈을 통하여 1-스텝(1-Step) 이후의 풍속 예측이 수행되는 상태를 개략적으로 나타낸 도면이다.
도 5a 및 도 5b는 본 발명의 일실시예에 따른 단기 풍속 예측을 통한 풍력 발전량 예측 방법에서 풍속 예측을 위해 분류되는 훈련 데이터와 시험 데이터를 도식화한 그래프 도면이다.
도 6은 본 발명의 일실시예에 따른 단기 풍속 예측을 통한 풍력 발전량 예측 방법에서 노이즈 제거를 위한 이산 웨이브렛 변환시 신호의 다수준 분해 순서를 나타낸 도면이다.
도 7은 본 발명의 일실시예에 따른 단기 풍속 예측을 통한 풍력 발전량 예측 방법에서 다수준 분해에 따른 2수준의 웨이브렛 분해 신호 상태를 나타낸 그래프 도면이다.
도 8a 및 도 8b는 본 발명의 일실시예에 따른 단기 풍속 예측을 통한 풍력 발전량 예측 방법에서 웨이브렛 분해한 상세 신호의 각 레벨별 통계량을 보여주는 도면이다.
도 9a 및 도 9b는 본 발명의 일실시예에 따른 단기 풍속 예측을 통한 풍력 발전량 예측 방법에서 웨이브렛 분해한 상세 신호의 각 레벨 신호에 대한 표준편차에 대한 노이즈 수준 설정 상태를 나타낸 도면이다.
도 10은 본 발명의 일실시예에 따른 단기 풍속 예측을 통한 풍력 발전량 예측 방법에서 원신호에 대해 노이즈를 제거한 신호 상태를 나타낸 그래프 도면이다.
도 11은 본 발명의 일실시예에 따른 단기 풍속 예측을 통한 풍력 발전량 예측 방법에서 노이즈를 제거한 훈련 데이터를 퍼지 클러스터링(FCM)으로 군집화한 상태를 나타낸 도면이다.
도 12는 본 발명의 일실시예에 따른 단기 풍속 예측을 통한 풍력 발전량 예측 방법에서 파티클 군집 최적화(PSO) 기법을 이용한 모델 파라메터의 최적화 동작을 설명하는 플로우차트이다.
도 13은 본 발명의 일실시예에 따른 단기 풍속 예측을 통한 풍력 발전량 예측 방법에서 파티클 군집 최적화(PSO) 기법에 의한 최적화시 반복 횟수에 따른 RMSE의 변화 상태를 나타낸 그래프 도면이다.
도 14는 본 발명의 일실시예에 따른 단기 풍속 예측을 통한 풍력 발전량 예측 방법에서 파티클 군집 최적화(PSO) 기법에 의한 최적화시 최적 파라메터의 궤적을 예시적으로 나타낸 3차원 그래프 도면이다.
도 15는 본 발명의 일실시예에 따른 단기 풍속 예측을 통한 풍력 발전량 예측 방법에서 훈련 데이터의 샘플과 ε튜브와의 거리 차를 나타낸 도면이다.
도 16은 본 발명의 일실시예에 따른 단기 풍속 예측을 통한 풍력 발전량 예측 방법에서 풍속 예측 모듈을 통하여 k-스텝 이후의 풍속 예측이 수행되는 상태를 개략적으로 나타낸 도면이다.
도 17a 및 도 17b는 본 발명의 일실시예에 따른 단기 풍속 예측을 통한 풍력 발전량 예측 방법에서 2-스텝 및 5-스텝에서의 풍속 예측값을 각각 나타낸 그래프 도면이다.
도 18a 및 도 18b는 본 발명의 일실시예에 따른 단기 풍속 예측을 통한 풍력 발전량 예측 방법에서 최적 파라메터를 이용하여 훈련 데이터 및 시험 데이터에 대한 풍속 예측 결과를 나타낸 그래프 도면이다.
도 19a 및 도 19b는 본 발명의 일실시예에 따른 단기 풍속 예측을 통한 풍력 발전량 예측 방법에서 재 샘플링 이후에 SVR 모델을 이용한 훈련 데이터와 시험 데이터의 3-스텝 이후의 풍속 예측 결과를 나타낸 그래프 도면이다.
도 20은 본 발명의 일실시예에 따른 단기 풍속 예측을 통한 풍력 발전량 예측 방법에서 풍속 예측 정보를 이용하여 풍력 발전량의 예측 동작을 설명하기 위한 플로우차트이다.
도 21은 본 발명의 일실시예에 따른 단기 풍속 예측을 통한 풍력 발전량 예측 방법에서 훈련 데이터를 이용한 풍력 발전량의 모델링 결과를 나타낸 도면이다.
도 22는 본 발명의 일실시예에 따른 단기 풍속 예측을 통한 풍력 발전량 예측 방법에서 시험 데이터를 이용한 풍력 발전량의 예측 결과를 나타낸 도면이다.
도 23은 본 발명의 다른 실시예에 따른 단기 풍속 예측을 통한 풍력 발전량 예측 기능을 이용한 배전선로 전압 예측 방법에서 풍력 발전량의 예측 정보를 이용하여 배전선로의 전압을 예측하는 동작을 설명하는 플로우차트이다.
도 24a 및 도 24b는 본 발명의 방법에 따른 k-스텝 이후의 풍속 예측 결과가 종래의 방법에 비해 풍속 예측값 및 측정치가 최적으로 이루어진 상태를 비교하는 그래프 도면이다.
도 25a 및 도 25b는 본 발명의 방법에 따른 k-스텝 이후의 풍속 예측 결과가 종래의 방법에 비해 오차율이 차이가 나는 상태를 가시적으로 보여주는 그래프 도면이다.
도 26a 및 도 26b는 본 발명의 방법에 따른 k-스텝 이후의 풍속 예측 결과가 종래의 방법에 비해 잔차의 히스토그램 상태가 차이를 보이는 상태를 나타낸 그래프 도면이다.
도 27a 내지 도 27c는 본 발명의 방법에 따른 3-스텝 이후의 풍속 예측 결과를 통해 풍속 예측값 및 측정치와, 오차율, 잔차의 히스토그램 상태를 각각 나타낸 그래프 도면이다.
도 28a 및 도 28b는 본 발명의 방법에 따른 2-스텝 이후의 풍속 예측 결과가 종래의 방법에 비해 풍속 예측값 및 측정치가 최적으로 이루어진 상태를 비교하는 그래프 도면이다.
도 29a 및 도 29b는 본 발명의 방법에 따른 2-스텝 이후의 풍속 예측 결과가 종래의 방법에 비해 오차율이 차이가 나는 상태를 가시적으로 보여주는 그래프 도면이다.
도 30a 및 도 30b는 본 발명의 방법에 따른 2-스텝 이후의 풍속 예측 결과가 종래의 방법에 비해 잔차의 히스토그램 상태가 차이를 보이는 상태를 나타낸 그래프 도면이다. FIG. 1 is a diagram showing the overall configuration of a system to which a method for predicting wind power generation through prediction of short-term wind speed and a method for predicting a distribution line voltage using the function according to an embodiment of the present invention is applied.
2 is a flowchart illustrating an operation for predicting wind speed in a wind power generation predicting method using a short-term wind speed prediction according to an embodiment of the present invention.
3 is a graph showing measured wind speed data for explaining a wind speed prediction operation in a wind power generation predicting method using a short-term wind speed prediction according to an embodiment of the present invention.
FIG. 4 is a diagram schematically illustrating a state in which wind speed prediction after a one-step (1-Step) is performed through a wind speed prediction module in a wind power generation predicting method using a short-term wind speed prediction according to an embodiment of the present invention.
5A and 5B are graphical representations of training data and test data classified for wind speed prediction in a wind power generation predicting method using a short-term wind speed prediction according to an embodiment of the present invention.
FIG. 6 is a diagram illustrating a multi-level decomposition procedure of a signal during discrete wavelet transformation for noise removal in the method of predicting wind power generation amount through prediction of short-term wind speed according to an embodiment of the present invention.
FIG. 7 is a graph showing a state of a wavelet decomposition signal at two levels according to multi-level decomposition in a method of predicting wind power generation through short-term wind speed prediction according to an embodiment of the present invention.
8A and 8B are diagrams illustrating statistics for each level of the wavelet-decomposed detailed signal in the method for predicting wind power generation through short-term wind speed prediction according to an embodiment of the present invention.
9A and 9B are diagrams illustrating a noise level setting state with respect to a standard deviation of each level signal of the wavelet-decomposed detailed signal in the method of predicting the wind power generation amount using the short-term wind speed prediction according to the embodiment of the present invention.
10 is a graph showing a signal state in which noise is removed from an original signal in a method of predicting wind power generation through short-term wind speed prediction according to an embodiment of the present invention.
FIG. 11 is a diagram illustrating a clustering of noise-canceled training data by fuzzy clustering (FCM) in a wind power generation predicting method using short-term wind speed prediction according to an embodiment of the present invention.
FIG. 12 is a flowchart illustrating optimization of a model parameter using a particle cluster optimization (PSO) technique in a method for predicting wind power generation through short-term wind speed prediction according to an embodiment of the present invention.
FIG. 13 is a graph showing a change in RMSE according to the number of repetitions in optimizing by the particle cluster optimization (PSO) technique in the method for predicting wind power generation through short-term wind speed prediction according to an embodiment of the present invention.
FIG. 14 is a three-dimensional graph diagram exemplarily showing a trajectory of an optimal parameter when optimizing by a particle cluster optimization (PSO) technique in a method of predicting wind power generation amount through short-term wind speed prediction according to an embodiment of the present invention.
15 is a diagram showing a distance difference between a sample of training data and an ε-tube in the method of predicting wind power generation through short-term wind speed prediction according to an embodiment of the present invention.
FIG. 16 is a diagram schematically showing a state in which the wind speed prediction after the k-step is performed through the wind speed prediction module in the wind power generation predicting method using the short-term wind speed prediction according to the embodiment of the present invention.
FIGS. 17A and 17B are graphs showing predicted values of wind speeds in two-step and five-step, respectively, in the method of predicting wind power generation amount by predicting short-term wind speed according to an embodiment of the present invention.
18A and 18B are graphs showing wind speed prediction results for training data and test data using optimal parameters in a wind power generation predicting method using a short-term wind speed prediction according to an embodiment of the present invention.
FIGS. 19A and 19B are graphs showing the results of wind speed prediction after three steps of training data and test data using the SVR model after resampling in the method of predicting wind power generation amount using short-term wind speed prediction according to an embodiment of the present invention to be.
20 is a flowchart for explaining a prediction operation of wind power generation amount using wind speed prediction information in a method of predicting wind power generation amount through prediction of short-term wind speed according to an embodiment of the present invention.
FIG. 21 is a diagram illustrating a modeling result of wind power generation using training data in a method of predicting wind power generation amount through prediction of short-term wind speed according to an embodiment of the present invention.
FIG. 22 is a graph showing a result of prediction of wind power generation using test data in a method of predicting wind power generation amount through prediction of short-term wind speed according to an embodiment of the present invention.
23 is a flowchart illustrating an operation of predicting a voltage of a distribution line using prediction information of wind power generation in a distribution line voltage predicting method using a wind power generation prediction function through prediction of short-term wind speed according to another embodiment of the present invention .
FIGS. 24A and 24B are graphs for comparing the wind speed predicted after the k-step according to the method of the present invention to a state in which the wind speed predicted value and the measured value are optimized as compared with the conventional method.
FIGS. 25A and 25B are graphs showing the results of wind speed prediction after the k-step according to the method of the present invention visually showing a difference in error rate as compared with the conventional method.
FIGS. 26A and 26B are graphs showing a state in which the histogram state of the residuals is different from the conventional method in the wind speed prediction result after the k-step according to the method of the present invention.
FIGS. 27A to 27C are graphs showing the wind speed predicted values and measured values, the error rates, and the histogram states of the residuals, respectively, after three-step wind speed prediction results according to the method of the present invention.
FIGS. 28A and 28B are graphs comparing the wind speed prediction results after two steps according to the method of the present invention, with the wind speed predicted values and measured values being optimized compared to the conventional method.
FIGS. 29A and 29B are graphs showing the results of wind speed prediction after two steps according to the method of the present invention visually showing a difference in error rate as compared with the conventional method. FIG.
FIGS. 30A and 30B are graphs showing a state in which the wind speed prediction result after two steps according to the method of the present invention shows a difference in the histogram state of the residual compared to the conventional method.

이하, 상기한 바와 같이 구성된 본 발명에 대해 첨부도면을 참조하여 상세히 설명한다. Hereinafter, the present invention configured as described above will be described in detail with reference to the accompanying drawings.

이 과정에서 도면에 도시된 선들의 두께나 구성요소의 크기 등은 설명의 명료성과 편의상 과장되게 도시되어 있을 수 있다. 또한, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례에 따라 달라질 수 있다. 그러므로, 이러한 용어들에 대한 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다. In this process, the thicknesses of the lines and the sizes of the components shown in the drawings may be exaggerated for clarity and convenience of explanation. In addition, the terms described below are defined in consideration of the functions of the present invention, which may vary depending on the intention or custom of the user, the operator. Therefore, definitions of these terms should be made based on the contents throughout this specification.

도 1은 본 발명의 일실시예에 따른 단기 풍속 예측을 통한 풍력 발전량 예측 방법과, 그 기능을 이용한 배전선로 전압 예측 방법이 적용되는 시스템의 전체 구성을 나타낸 도면이다.
도 1에 도시된 바와 같이, 본 발명의 일실시예에 따른 단기 풍속 예측을 통한 풍력 발전량 예측 방법과, 그 기능을 이용한 배전선로 전압 예측 방법이 적용되는 시스템은, 전처리부(10), 풍속 예측 모듈(20), 발전량 예측 모듈(30), 조류 계산 모듈(40), 및 배전선로 전압 제어 모듈(50)을 포함한다.
상기 전처리부(10)는 풍속 측정 데이터와 습도 측정 데이터(x1 ∼ xn)를 각각 입력받아 전체 데이터를 행렬화하고, 훈련 데이터 및 시험 데이터로 데이터를 분할한 다음에, 노이즈 제거를 수행하고, 각 데이터의 군집화 모델 적용 및 군집 결정을 수행함과 더불어, 각 군집 데이터의 파라메터를 최적화 처리한다.
상기 풍속 예측 모듈(20)은 상기 전처리부(10)를 통해 각 파라메터가 최적화된 훈련 데이터 및 시험 데이터를 과거 데이터를 근거로 하는 1-스텝 이후의 풍속 예측과, k-스텝 이후의 풍속 예측, 온라인 풍속 예측 및 오프라인 상의 풍속 예측을 수행함에 의해, 전체적인 예측 풍속값을 산출한다.
상기 발전량 예측 모듈(30)은 상기 풍속 예측 모듈(20)로부터의 예측 풍속값을 근거로 하여 훈련 데이터 및 시험 데이터의 이상치를 제거한 다음, 훈련 데이터의 다항회귀 모델 구축에 의한 모델 파라메터의 최적화를 수행하고, 상기 시험 데이터를 다항회귀 모델에 입력시켜서 풍력 발전량을 예측한다.
상기 조류 계산 모듈(40)은 상기 발전량 예측 모듈(30)을 통해 산출한 풍력 발전량의 예측치를 근거로 하여 예측한 풍력 발전량과 배전 계통을 연계시켜서 실시간으로 조류 계산을 수행한다.
상기 배전선로 전압 제어 모듈(50)은 상기 조류 계산 모듈(40)을 통해 계산된 실시간의 조류 계산치에 근거하여 배전선로의 전압상승 및 강하 여부를 감시하고, 배전선로의 설비 제어를 통해서 전압 범위를 조정함에 의해 저전압 및 고전압에 따른 문제를 해결하는 역할을 수행한다.
이어, 상기한 바와 같이 이루어진 본 발명의 일실시예에 따른 단기 풍속 예측을 통한 풍력 발전량 예측 방법에 있어서 풍속 예측 동작에 대해 도 2의 플로우차트와, 도 3 내지 도 19a 및 도 19b의 도면을 각각 참조하여 상세히 설명한다.
도 2는 본 발명의 일실시예에 따른 단기 풍속 예측을 통한 풍력 발전량 예측 방법에서 풍속 예측을 위한 동작을 설명하는 플로우차트이고, 도 3은 본 발명의 일실시예에 따른 단기 풍속 예측을 통한 풍력 발전량 예측 방법에서 풍속 예측 동작의 설명을 위한 실측 풍속 데이터의 그래프를 나타낸 도면이다.
본 발명의 일실시예에서는 도 3에 도시된 바와 같이, 군산풍력 7호기에서 10분마다 샘플링한 4,465개의 풍속 데이터 중 처음 1000개의 측정 풍속 데이터를 예시하여 사용하게 되는데, 여기서는 과거 풍속 데이터를 이용하여 1-스텝(10분) 이후의 풍속을 예측하는 방법에 대해 설명한다.
먼저, 상기 전처리부(10)는 풍속 측정 데이터 및 습도 측정 데이터를 입력받게 되고, 입력받은 전체의 측정 데이터(x₁ ∼x_n)를 행렬의 형태로 표시하게 되는데, 하기한 수학식 1과 같이 측정 데이터를 이용하여 메트릭스(X)를 구성한다(S10). FIG. 1 is a diagram showing the overall configuration of a system to which a method for predicting wind power generation through prediction of short-term wind speed and a method for predicting a distribution line voltage using the function according to an embodiment of the present invention is applied.
As shown in FIG. 1, a system for predicting the wind power generation amount using the short-term wind speed prediction method according to an embodiment of the present invention and a method for predicting a distribution line voltage using the function includes a preprocessing unit 10, Module 20, a power generation amount predicting module 30, an algae calculating module 40, and a distribution line voltage control module 50. [
The preprocessing unit 10 receives the wind speed measurement data and the humidity measurement data x1 to xn, and divides the data into training data and test data. Then, the preprocessing unit 10 performs noise elimination, A data clustering model application and cluster determination are performed, and parameters of each cluster data are optimized.
The wind speed prediction module 20 predicts the training data and the test data in which the parameters are optimized through the preprocessing unit 10 to predict the wind speed after the first step based on the past data and the wind speed prediction after the k- The overall predicted wind speed value is calculated by performing the online wind speed prediction and the offline wind speed prediction.
The power generation amount prediction module 30 removes the anomaly values of the training data and the test data based on the predicted wind speed values from the wind speed prediction module 20 and then optimizes the model parameters by building a polynomial regression model of the training data And inputs the test data to a polynomial regression model to predict the amount of wind power generation.
The algae calculation module 40 performs algae calculation in real time by linking the predicted amount of wind power generation with the power distribution system based on the predicted value of the wind power generation amount calculated through the power generation amount prediction module 30.
The distribution line voltage control module 50 monitors the voltage rise and drop of the distribution line based on the calculated real-time algae calculation value through the algae calculation module 40, and controls the voltage range Thereby resolving the problem of low voltage and high voltage.
Next, a flow chart of FIG. 2 and a flowchart of FIG. 3 to FIG. 19A and FIG. 19B for predicting the wind speed in the method of predicting the wind power generation amount by predicting the short term wind speed according to an embodiment of the present invention Will be described in detail with reference to FIG.
FIG. 2 is a flowchart illustrating an operation for predicting wind speed in a wind power generation predicting method using a short-term wind speed prediction according to an embodiment of the present invention. FIG. 3 is a flowchart illustrating a wind speed prediction method according to an embodiment of the present invention, Fig. 8 is a graph showing actual wind speed data for explaining the wind speed prediction operation in the power generation amount predicting method.
In an embodiment of the present invention, as shown in FIG. 3, the first 1000 measured wind speed data among 4,465 wind speed data sampled every 10 minutes by Gunsan Wind Power Unit 7 are exemplified and used. Here, A method of predicting the wind speed after 1-step (10 minutes) will be described.
First, the preprocessing unit 10 receives the wind speed measurement data and the humidity measurement data, and displays the entire measured measurement data (x _{1 to} x _n ) in the form of a matrix. The metrics X are configured using the measurement data (S10).

삭제delete

단, 상기 "n"은 입력 데이터의 갯수이고, 상기 "p"는 입력 데이터의 오더수에 해당된다. Here, "n" corresponds to the number of input data, and "p" corresponds to the order number of input data.

상기 수학식 1과 같이 측정 데이터를 행렬 형태의 메트릭스(X)를 구성하게 되면, 상기 측정 데이터를 훈련데이터(Xtr)와 시험용의 시험 데이터(Xts)로 분할하게 되는데, 하기한 수학식 2 및 수학식 3과 같이 상기 측정 데이터를 2등분하여 훈련 데이터(Xtr)와 시험 데이터(Xts)로 각각 나눈다(S11). The measurement data is divided into the training data Xtr and the test data Xts for testing as shown in Equation 1 below. In the mathematical expression 2 and the mathematical expression The measurement data is divided into two and divided into training data (Xtr) and test data (Xts) as shown in Equation (3) (S11).

한편, 도 4는 본 발명의 일실시예에 따른 단기 풍속 예측을 통한 풍력 발전량 예측 방법에서 풍속 예측 모듈을 통하여 1-스텝 이후의 풍속 예측이 수행되는 상태를 개략적으로 나타낸 도면이며, 도 5a 및 도 5b는 본 발명의 일실시예에 따른 단기 풍속 예측을 통한 풍력 발전량 예측 방법에서 풍속 예측을 위해 분류되는 훈련 데이터와 시험 데이터를 도식화한 그래프 도면이다.
도 4에 도시된 바와 같이, 상기 풍속 예측 모듈(20)에서는 상기 전처리부(10)에서 전처리된 측정 데이터를 이용하여 과거 데이터로부터 1-스텝 이후의 풍속 예측 동작을 수행하게 된다.
또한, 상기 수학식 2 및 수학식 3과 같이 나누어진 훈련 데이터(Xtr)와 시험 데이터(Xts)는 도 5a 및 도 5b와 같이 나타난다.
그 다음에, 상기 전처리부(10)는 상기 풍속 예측 모듈(20)이 오프라인 1-스텝(1-Step-Ahead)(k=1)의 출력 예측에 과거 데이터 사용 개수(오더 p)를 p까지 사용 할 수 있도록 하기 위해, 하기한 수학식 4와 같이 상기 훈련 데이터(Xtr) 세트에 대해 입력 행렬(Xtrp) 및 출력 데이터 매트릭스(Ytrp)를 구성한다(S12).Meanwhile, FIG. 4 is a view schematically showing a state in which the wind speed prediction after one step is performed through the wind speed prediction module in the wind power generation predicting method using the short-term wind speed prediction according to the embodiment of the present invention. 5b are graphical representations of training data and test data classified for wind speed prediction in the wind power generation predicting method using short-term wind speed prediction according to an embodiment of the present invention.
As shown in FIG. 4, the wind speed prediction module 20 performs the wind speed prediction operation after the first step from the past data using the measurement data preprocessed by the preprocessing unit 10.
In addition, the training data Xtr and the test data Xts divided as shown in Equations 2 and 3 are shown in FIGS. 5A and 5B.
Next, the preprocessing unit 10 updates the number of past data usage (order p) to p in the output prediction of the 1-Step-Ahead (k = 1) The input matrix Xtrp and the output data matrix Ytrp are configured for the training data Xtr set as shown in the following Equation 4 (S12).

삭제delete

또한, 상기 전처리부(10)는 상기 시험 데이터(Xts)의 세트에 대해서도 위와 같이 모델에 사용할 과거 데이터 개수(오더 p)에 따라 사용할 수 있도록 하기 위해, 하기한 수학식 5와 같이 입력 행렬(Xtsp) 및 출력 데이터 매트릭스(Ytsp)를 구성한다. 단, 여기서는 1-스텝 예측을 위해 k=1로 설정한다(S13).In order to enable the set of the test data Xts to be used according to the number of past data (order p) to be used in the model as described above, the preprocessing unit 10 sets the input matrix Xtsp ) And an output data matrix (Ytsp). In this case, k = 1 is set for one-step prediction (S13).

그 다음에, 상기 전처리부(10)는 상기 훈련 데이터(Xtr) 세트의 입력 행렬(Xtrp) 및 출력 데이터 매트릭스(Ytrp)에 대해 웨이브렛 변환(Wavelet Decomposition)을 이용하여 노이즈를 제거하게 되는데, 하기한 수학식 6과 같이 이산 웨이브렛 변환을 이용하여 입력 신호(Xtr)를 다수준으로 분해한다(S14).Next, the preprocessing unit 10 removes noise using an wavelet decomposition for the input matrix Xtrp and the output data matrix Ytrp of the training data Xtr set. The input signal Xtr is decomposed into multiple levels using discrete wavelet transform as shown in Equation (6) (S14).

여기서, 상기 "φ(x)"는 모함수(Mother Wavelet)이고, 상기 "T"는 신호 f(t)의 길이에 해당된다. 한편, 스케일(Scale) 파라메타(a)는 웨이브렛의 축척의 의미를 가지며 모함수의 팽창, 압축 정도를 나타내고, 변환(Translation) 파라메타(b)는 모함수 윈도우의 중앙위치를 결정하게 되는데, 상기 스케일 파라메타와 변환 파라메타는 정수 변수 m과 n(a=2m,b=n2m)의 함수이며, 상기 "t"는 이산시간 인덱스이다.Here, "? (X)" is a mother wavelet, and "T" corresponds to a length of a signal f (t). On the other hand, the scale parameter (a) has the meaning of the scale of the wavelet and represents the degree of expansion and compression of the number of operators, and the translation parameter (b) The scale parameter and the transformation parameter are functions of integer variables m and n (a = 2m, b = n2m), where "t" is the discrete time index.

상기 수학식 6에 따르면, 웨이브렛 변환을 수행할 때마다 주어진 신호는 근사치(a)와 상세치(d)가 얻어지며, 웨이브렛 변환을 통해 신호를 순차적으로 다수준 분해하면 도 6에 도시된 바와 같이 된다.
도 6은 본 발명의 일실시예에 따른 단기 풍속 예측을 통한 풍력 발전량 예측 방법에서 노이즈 제거를 위한 이산 웨이브렛 변환시 신호의 다수준 분해 순서를 나타낸 도면으로서, 웨이브렛 변환시의 다수준 분해되는 신호는 하기한 수학식 7과 같이 표현된다. According to Equation (6), an approximate value (a) and a detail value (d) are obtained every time a wavelet transform is performed. When the signal is sequentially decomposed into multiple levels through wavelet transform, As shown in FIG.
FIG. 6 is a diagram illustrating a multi-level decomposition process of a signal at the time of discrete wavelet transformation for noise removal in the method of predicting wind power generation amount through short-term wind speed prediction according to an embodiment of the present invention. (7) " (7) "

삭제delete

상기 수학식 7에서는 모함수로 Haar 함수를 사용하였고, 2수준의 웨이블릿으로 분해하였으며, 원래의 신호는 하기한 수학식 8과 같이 표현된다. In Equation (7), the Haar function is used as the number of the subcarriers, and is decomposed into two levels of wavelets. The original signal is expressed by Equation (8).

도 7은 본 발명의 일실시예에 따른 단기 풍속 예측을 통한 풍력 발전량 예측 방법에서 다수준 분해에 따른 2수준의 웨이브렛 분해 신호 상태를 나타낸 그래프 도면이다.
도 7에 도시된 바와 같이, 상기 수학식2를 적용하게 되면 상기 훈련 데이터(Xtr)를 2수준의 웨이브릿으로 분해한 신호 형태가 나타난다.
그 상태에서, 상기 분해한 상세 신호(d)에 대해 통계량(즉, 표준편차)을 구하게 되는데, 도 8a 및 도 8b는 레벨1(d1) 신호와 레벨2(d2) 신호에 대한 통계량을 보여준다.
도 8a 및 도 8b는 본 발명의 일실시예에 따른 단기 풍속 예측을 통한 풍력 발전량 예측 방법에서 웨이브렛 분해한 상세 신호의 각 레벨별 통계량을 보여주는 도면이다.
또한, 상세신호(di)로부터 표준편차의 배수로 원하는 만큼의 노이즈 수준(τ2)과 (τ1)을 설정하고, 이를 제거한다.
본 발명의 실시예에서는 레벨1(d1) 신호와 레벨2(d2) 신호의 표준편차에 대해 각각 0.5배 만큼의 노이즈 신호를 설정하였고, 이를 계산하면 하기한 계산 결과로 표현된다. FIG. 7 is a graph showing a state of a wavelet decomposition signal at two levels according to multi-level decomposition in a method of predicting wind power generation through short-term wind speed prediction according to an embodiment of the present invention.
As shown in FIG. 7, when the Equation (2) is applied, a signal form obtained by decomposing the training data Xtr into two levels of wavelets appears.
8A and 8B show statistical values for the level 1 (d1) signal and the level 2 (d2) signal. In this state, a statistical amount (i.e., standard deviation) is obtained for the decomposed detailed signal d.
8A and 8B are diagrams illustrating statistics for each level of the wavelet-decomposed detailed signal in the method for predicting wind power generation through short-term wind speed prediction according to an embodiment of the present invention.
Further, a desired noise level (tau 2) and (tau 1) are set as a multiple of the standard deviation from the detailed signal (di) and removed.
In the embodiment of the present invention, noise signals of 0.5 times each are set for the standard deviation of the level 1 (d1) signal and the level 2 (d2) signal, and the noise signal is expressed by the following calculation results.

삭제delete

한편, 도 9a 및 도 9b는 본 발명의 일실시예에 따른 단기 풍속 예측을 통한 풍력 발전량 예측 방법에서 웨이브렛 분해한 상세 신호의 각 레벨 신호에 대한 표준편차의 노이즈 수준 설정 상태를 나타낸 도면이다.
도 9a 및 도 9b에 도시된 바와 같이, 상기 계산 결과에 따라 각각 레벨2(d2) 신호와 레벨1(d1) 신호의 노이즈 수준이 설정될 수 있다. FIGS. 9A and 9B are diagrams illustrating a noise level setting state of the standard deviation of each level signal of the wavelet-decomposed detailed signal in the method of predicting the wind power generation amount using the short-term wind speed prediction according to the embodiment of the present invention.
As shown in FIGS. 9A and 9B, the noise level of the level 2 (d2) signal and the level 1 (d1) signal can be set according to the calculation result, respectively.

삭제delete

그 다음에, 상기 전처리부(10)는 노이즈를 제거한 상세신호(

)와 근사신호(a_i)를 이용하여 하기한 수학식 9와 같이 신호를 합성한다. Then, the preprocessing unit 10 generates a detailed signal

) And an approximate signal a _i , as shown in Equation (9).

이때, 상기 수학식 9에 의해 합성한 신호는 도 10에 도시된 바와 같다. At this time, the signal synthesized by Equation (9) is as shown in FIG.

도 10은 본 발명의 일실시예에 따른 단기 풍속 예측을 통한 풍력 발전량 예측 방법에서 원신호에 대해 노이즈를 제거한 신호 상태를 나타낸 그래프 도면으로서, 동 도면에서 붉은색 선은 원신호를 나타내고, 검정색 선은 노이즈를 제거한 신호를 나타낸다. 10 is a graph showing a signal state in which noises are removed from an original signal in a method of predicting wind power generation amount by predicting short-term wind speed according to an embodiment of the present invention. In FIG. 10, red lines represent original signals, Represents a signal from which noise has been removed.

그 상태에서, 상기 전처리부(10)에서는 노이즈를 제거한 훈련 데이터(Xtrp)를 퍼지 클러스터링(Fuzzy C-means Clustering; 이하 FCM이라 칭함)에 의해 원하는 수(c)만큼의 클러스터로 분리하는 군집화 모델을 적용한다(S15). 단, 상기 훈련 데이터(Ytrp)내의 각 데이터는 매칭되는 시험 데이터(Xtrp)와 같은 클러스터로 분류한다.In this state, the preprocessing unit 10 generates a clustering model for separating the noise-removed training data Xtrp into clusters of desired number (c) by fuzzy clustering (hereinafter referred to as FCM) (S15). However, each data in the training data (Ytrp) is classified into the same cluster as the matching test data (Xtrp).

상기 FCM에 의해 군집화를 진행하는 경우에는, 하기한 수학식 10에 따라 진행하게 되는데, 입력 데이터의 집합인

, X_i는 로우 벡터(Row Vector)에 대한 클러스터 개수 c(2≤c≤k), 퍼지 계수 m(=2)을 결정하고, 멤버쉽 행렬 U^(r)(c × N)∈M을 초기화한다.In the case of clustering by the FCM, it proceeds according to Equation (10) below.

, X _i determines a cluster number c (2? C? K) and a fuzzy coefficient m (= 2) for a row vector and initializes a membership matrix U ^(r) (cxN)? M .

단, 상기 "i"는 클러스터의 갯수이고, 상기 "k"는 입력 데이터의 인덱스이며, 상기 "r"은 클러스터링의 반복 횟수이고, 상기 "N"은 훈련 데이터(Xtrp)의 데이터 개수(행의 개수)이며, 상기 "u_ik"는 데이터 포인터(X_k)가 그룹 i에 속하는 멤버쉽의 크기에 해당한다. Is an index of input data, "r" is a repetition number of clustering, and "N" is the number of data of the training data (Xtrp) Quot ;, and "u _ik " corresponds to the size of the membership in which data pointer X _k belongs to group i.

그 다음에, 각각의 클러스터에 대한 r회 반복시의 중심 벡터(z_i ^(r))를 하기한 수학식 11과 같이 계산한다.Next, the center vector z _i ^(r) at the time of the iteration for each cluster is calculated as shown in the following Equation (11).

또한. 각각의 클러스터 중심과 데이터와의 거리를 계산하여 목적함수(Q)를 최소로 하는 새로운 멤버쉽 행렬(U^(r+1))을 하기한 수학식 12를 통해서 생성한다.Also. A new membership matrix U ^{(r + 1)} that minimizes the objective function Q by calculating the distances between the centers of the respective clusters and data is generated by Equation (12).

한편, 상기 수학식 11과 수학식 12를 근거로 하여 목적 함수를 하기한 수학식 13과, 수학식 14와 같이 계산하게 된다. On the other hand, the objective function is calculated according to the following equations (13) and (14) based on the equations (11) and (12).

상기 수학식 13 및 수학식 14와 같이, 다음 종료조건을 만족하면 종료하고, 그렇지 않으면 r=r+1로 정하고 상기 수학식 11부터의 계산 과정으로 돌아가서 알고리즘을 반복한다(S17).(13) and (14), the process is terminated if the following termination condition is satisfied, otherwise r = r + 1, and the process is returned to the calculation process from the equation (11) and the algorithm is repeated (S17).

도 11은 본 발명의 일실시예에 따른 단기 풍속 예측을 통한 풍력 발전량 예측 방법에서 노이즈를 제거한 훈련 데이터를 퍼지 클러스터링(FCM)으로 군집화한 상태를 나타낸 도면이다. FIG. 11 is a diagram illustrating a clustering of noise-canceled training data by fuzzy clustering (FCM) in a wind power generation predicting method using short-term wind speed prediction according to an embodiment of the present invention.

도 11에 도시된 바에 따르면, FCM을 이용하여 훈련 데이터를 2개로 군집화 한 것을 보여주는데, 붉은 원은 클러스터1, 검정색 원은 클러스터1의 중심점, 파란원은 클러스터2, 검정색 x표는 클러스터2의 중심점을 나타낸다.11 shows that the training data is clustered into two by FCM. The red circle represents cluster 1, the black circle represents the center point of cluster 1, the blue circle represents cluster 2, and the black circle represents the center point of cluster 2 .

그 다음에, 상기 전처리부(10)는 상기 훈련 데이터(Xtrp)와 (Ytrp)의 각 클러스터

에 대해 파티클 군집 최적화(Particle Swarm Optimization; PSO) 기법(이하, PSO 기법이라 함)을 이용하여 SVR 파라메타를 최적화 시키게 된다(S19).Next, the preprocessing unit 10 prepares the training data Xtrp and Ytrp,

The SVR parameter is optimized using Particle Swarm Optimization (PSO) technique (S19).

한편, 상기 단계 S19에서의 파티클 군집 최적화 기법을 이용한 파라메타의 최적화 방식에 대해서는 도 12의 플로우차트를 통해 상세히 설명할 수 있다.The method of optimizing the parameters using the particle cluster optimization technique in step S19 can be described in detail with reference to the flowchart of FIG.

도 12는 본 발명의 일실시예에 따른 단기 풍속 예측을 통한 풍력 발전량 예측 방법에서 파티클 군집 최적화(PSO) 기법을 이용한 모델 파라메터의 최적화 동작을 설명하는 플로우차트이다. FIG. 12 is a flowchart illustrating optimization of a model parameter using a particle cluster optimization (PSO) technique in a method for predicting wind power generation through short-term wind speed prediction according to an embodiment of the present invention.

우선, PSO 기법의 수행을 위해 군집 사이즈(Swarm Size)(m), 가중치(w), 파티클의 위치 이동 범위(C_max, v_max, σ_max), 최소 RMSE의 값(g_min), 최대 훈련반복회수(ng)를 결정하고, 아래 변수 파티클의 위치 P, Pmin, Pbest, Gbest, 속도(V) 를 하기한 수학식 15를 이용하여 각각 무작위로 생성하여 변수를 초기화 시킨다(S30).First, the cluster size for the implementation of the PSO techniques (Swarm Size) (m), the weight (w), where the range of movement of the particles (C _max, v _max, σ _max), the value (g _min), up to the training of the minimum RMSE The number of iterations ng is determined and the variables P, Pmin, Pbest, Gbest and the velocity V are randomly generated using the following Equation (15) to initialize the variables (S30).

상기 수학식 15에서, 반복회수 k = 1(k=1, 2, …, ng)일 경우 파퓰레이션(Population)(P) 내의 각 파티클 Pi (i=1, 2, …, m)에 대해 다음 단계를 수행한다. (I = 1, 2, ..., m) in the population (P) when the number of repetition k is 1 (k = 1, 2, ..., ng) .

또한, 파퓰레이션(Population)(P) 내의 Particle P1 (i = 1)에 대한 피트니스(Fitness)를 측정하게 되는데(S31), 여기서 피트니스 함수는 하기한 수학식 16과 같이 RMSE를 사용한다.In addition, the fitness for the particle P1 (i = 1) in the population (P) is measured (S31). Here, the fitness function uses the RMSE as shown in the following Equation (16).

여기서, 상기 "N"은 데이터의 수에 해당된다. Here, "N" corresponds to the number of data.

또한, 파티클(P1)에 대해 입력 훈련 데이터(Xtrp1), 출력 훈련 데이터(Ytrp1)를 이용하여 SVR 모델을 생성한다(S31).The SVR model is generated using the input training data Xtrp1 and the output training data Ytrp1 for the particle P1 (S31).

그 다음에, 상기 생성한 SVR 모델에 대해 Xtrp1에 대한 출력 예측값(

)을 계산하고 RMSE를 계산하게 되는데, 상기 계산한 RMSE가 P_min1 보다 작은지의 여부를 판단하고(S32), 작다고 판단되면 다음과 같이 업데이트 시킨다(S33).Next, for the generated SVR model, an output predicted value (

) And calculates RMSE. It is determined whether the calculated RMSE is smaller than _Pmin1 (S32). If it is determined that the calculated RMSE is smaller than _Pmin1 (S33), the RMSE is updated as follows.

또한, 계산한 RMSE가 G_min 보다 작은지의 여부를 판단하고(S34), 작다고 판단되면, 다음과 같이 업데이트 시킨다(S35).Further, when the calculated RMSE determines whether or smaller than a G _min, and (S34), small judgment, thereby updating as follows (S35).

이 때, 모든 파티클(Pi)(i = 2, 3,L,m)에 대해서는 상기 S32에서 S35까지의 단계를 수행한다.At this time, the steps from S32 to S35 are performed on all the particles Pi (i = 2, 3, L, m).

그 후, Gbest는 첫 번째 반복계산(k=1)시 모든 파티클의 RMSE와 비교되고, 최소 RMSE값을 갖는 SVR의 글로벌(Global) 최적 파라메타를 저장한다.Then, Gbest is compared with the RMSE of all particles at the first iteration (k = 1) and stores the global optimal parameter of the SVR with the minimum RMSE value.

한편, 반복회수 k = 1에 대해서는 상기 S35 단계에서 구한 Gbest를 이용한 동작을 수행하게 되는데, 입력 훈련 데이터(Xtrp1), 출력 훈련 데이터(Ytrp1)를 이용하여 SVR 모델을 생성하고, 또한, 이 모델에 대해 입력 훈련 데이터(Xtrp1)에 대한 출력 예측값(

)을 예측하고, RMSE를 계산하여 RMSEbest 벡터에 저장한다.On the other hand, for the number of iterations k = 1, an operation using the Gbest obtained in the step S35 is performed. An SVR model is generated using the input training data Xtrp1 and the output training data Ytrp1, The output predicted value (< RTI ID = 0.0 >

) Is calculated, and the RMSE is calculated and stored in the RMSEbest vector.

RMSE₁ = RMSERMSE ₁ = RMSE

또한, 반복회수 k=2를 위해, 파티클 1의 속도(Velocity) 벡터 V₁(2)를 하기한 수학식 17과 같이 계산하여 그 결과에 따라 파티클의 속도를 변경한다(S36).Further, for the repetition count k = 2, the velocity vector V ₁ (2) of the particle 1 is calculated according to the following equation (17) and the velocity of the particle is changed according to the result (S36).

여기서, k=반복회수, c₁과 c₂는 상수, r₁과 r₂는 [0,1]사이의 등분포 난수(Uniformly Distributed Random Number)이다.Here, k = number of repetitions, c ₁ and c ₂ are constants, and r ₁ and r ₂ are uniformly distributed random numbers between [0,1].

단, ν₁₁ ≥ C_max 이면 ν₁₁ = C_max However, if ν ₁₁ ≥ C _max, ν ₁₁ = C _max

ν₁₂ ≥ C_max 이면 ν₁₂ = C_max When _{_{_{ν 12 ≥ C max ν 12 =}}} C max

ν₁₃ ≥ σ_max 이면 ν₁₃ = σ_max If ν ₁₃ ≥ σ _max, ν ₁₃ = σ _max

그 다음에, 각 파티클의 다음 위치 벡터 P₁(k+1)를 하기한 수학식 18과 같이 계산한 후에 그 결과에 따라 파티클의 위치를 이동시킨다(S37).Next, the next position vector P ₁ (k + 1) of each particle is calculated according to the following expression (18), and the position of the particle is moved according to the result (S37).

한편, 나머지 파티클 Pi(i = 2, 3,...,m)에 대해서도 상기 S36과 S37의 단계를 반복적으로 수행하여 다음 위치를 계산하게 되고, 반복회수를 증가시켜 k = 2, 3,...,ng에 대해 종료 조건을 만족하는지를 판단하게 되는데(S38), 상기 종료 조건을 만족하지 않으면, 해당 종료 조건을 만족할 때까지 상기 S31로부터 S37까지의 단계를 반복적으로 수행한다.
상기 S38 단계에서의 판단 결과로, 종료 기준을 만족하면 즉, RMSE의 감소 정도가 미리 정한 정도보다 적거나, 최대 반복횟수 ng에 도달했을 때, 각 클러스터에 대한 RMSEbest 벡터를 그래프로 나타내어 훈련 데이터에 대한 RMSE가 급격히 감소하다가 안정되는 지점에서 최적 파라메타를 선택하게 되는데(S39), 이는 SVR 모델에 오버 피팅(Overfitting)이 발생되지 않도록 하기 위함이다.
또한, 나머지 훈련 데이터 클러스터에 대해서도 상기 S30에서 S39 단계까지의 과정을 반복적으로 수행하여 ν-SVR 모델의 최적 파라메타(nu, C, sigma)를 선택한다.
도 13은 본 발명의 일실시예에 따른 단기 풍속 예측을 통한 풍력 발전량 예측 방법에서 파티클 군집 최적화(PSO) 기법에 의한 최적화시 반복 횟수에 따른 RMSE의 변화 상태를 나타낸 그래프 도면이고, 도 14는 본 발명의 일실시예에 따른 단기 풍속 예측을 통한 풍력 발전량 예측 방법에서 파티클 군집 최적화(PSO) 기법에 의한 최적화시 최적 파라메터의 궤적을 예시적으로 나타낸 3차원 그래프 도면이다. On the other hand, for the remaining particles Pi (i = 2, 3, ..., m), steps S36 and S37 are repeatedly performed to calculate the next position, and the number of repetitions is increased to obtain k = 2, 3,. ..., ng (S38). If the termination condition is not satisfied, the steps from S31 to S37 are repeatedly performed until the termination condition is satisfied.
As a result of the determination in step S38, when the end criterion is satisfied, that is, when the degree of decrease of the RMSE is less than a predetermined level or reaches the maximum number of repetitions ng, the RMSEbest vector for each cluster is displayed as a graph, The optimal RMSE is rapidly decreased and then the optimum parameter is selected at a stable point (S39) in order to prevent overfitting in the SVR model.
In addition, the optimum parameters (nu, C, sigma) of the ν-SVR model are selected for the remaining training data clusters by repeating the above-described steps from S30 to S39.
FIG. 13 is a graph showing changes in the RMSE according to the number of repetitions in optimizing by the particle cluster optimization (PSO) technique in the wind power generation amount predicting method using the short-term wind speed prediction according to the embodiment of the present invention. FIG. 4 is a three-dimensional graph diagram exemplarily showing a trajectory of an optimal parameter when optimized by a particle cluster optimization (PSO) technique in a wind power generation predicting method using a short-term wind speed prediction according to an embodiment of the present invention.

삭제delete

한편, 도 2에서 도 12의 플로우차트를 근거로 파라메타의 최적화가 이루어지면(S19), 훈련데이터의 각 클러스터의 입력과 출력 데이터(X_trp1,Y_trp1,X_trp2,Y_trp2…,X_trpc,Y_trpc)에 대해 훈련시켜 모델 ν-SVR₁, ..., ν-SVR_c을 생성한다.On the other hand, even if an optimization of the parameters made on the basis of the flow chart of Figure 12 eseo 2 (S19), the input of each cluster of the training data and the output data (X _trp1, Y _trp1, X _trp2, Y _trp2 ..., X _trpc, Y _trpc ) to generate the models ν-SVR ₁ , ..., ν-SVR _c .

첫 번째 클러스터의 훈련 데이터(X_trp1,Y_trp1)을 입력으로 하여 이차 방정식 프로그램(Quadratic Program)을 이용하여 최적화 문제를 풀고, 라그랑지 승수의 차이인 β₁과 바이어스 상수 b₁을 구하여 ν-SVR₁의 모델을 생성한다. 같은 방법으로 2번부터 c번째의 클러스터에 대해 이를 반복 수행하여 β₂,β₃,...,β_c와 b₂,b₃,..., b_c을 구하여 ν-SVR₂에서 ν-SVRc의 모델을 생성한다(S20).The optimization problem is solved by using a quadratic program with the training data (X _trp1 , Y _trp1 ) of the first cluster as input, and the difference β ₁ and the bias constant b ₁ of the Lagrange multiplier are obtained, ₁ < / RTI > Do so repeatedly for the same method from 2 c-th cluster, _{_{β 2, β 3, ...,}} β c and b _2, b _3, ..., obtain a, b _c in ν- ν-SVR ₂ A model of the SVRc is generated (S20).

여기서, ν-SVR의 모델링을 수행하는 경우에, 주어진 데이터 세트

, 입력변수 벡터 x_i ∈ Rⁿ, 입력에 해당하는 출력 y_i ∈ R에 대해 모델링은 f를 훈련시켜서 하기한 수학식 19와 같이 얻어진다.Here, in the case of performing the modeling of? -SVR,

, The input variable vector x _i ∈ R ⁿ , and the output y _i ∈ R corresponding to the input, the modeling is obtained as shown in Equation 19 by training f.

이는 입력공간을 고차원의 특성(Feature) 공간으로 매핑하는 비선형 매핑함수

를 도입하여 하기한 수학식 20과 같이 비선형 함수로 표현된다.This is a nonlinear mapping function that maps an input space to a high dimensional feature space

And expressed as a nonlinear function as shown in Equation (20) below.

여기서, 상기 "W"는

에 해당하는 가중치 벡터이다.Here, "W"

Is a weight vector.

이때에는 출력변수 y에 대해 ε-insensitive Loss Function을 정의하여 하기한 수학식 21과 같이 계산한다.At this time, an ε-insensitive loss function is defined for the output variable y and is calculated according to the following expression (21).

또한, y에 대한 최적 회귀선(ORL)을 구하기 위해 최적화 문제를 정의하게 되는데, 이는 훈련 데이터에 대한 모델 오차(Empirical Error)와 파라메타 norm을 동시에 최소화 시킬 수 있도록 하기한 수학식 22와 같이 표현한다.In order to obtain an optimal regression line (ORL) for y, an optimization problem is defined. This is expressed by Equation (22) so as to simultaneously minimize the model error (Empirical Error) and the parameter norm for the training data.

여기서, 상기 "C"는 모델 오차와 파라메타 norm의 균형을 위한 레귤러 상수(Regularized Constant)이고, 상기 "n"는 서포트 벡터(Support vector)의 비율을 제한하는 역할을 하며 0 ≤ ν ≤ 1이며,

와

는 도 15에 나타낸 여유변수 (Slack Variable)를 의미하며, 이는 훈련데이터 샘플과 ε-튜브와의 거리의 차를 나타낸다.Here, "C" is a regular constant for balancing the model error and the parameter norm, "n" serves to limit the ratio of the support vector, 0 &

Wow

Means the slack variable shown in Fig. 15, which represents the difference in distance between the training data sample and the epsilon-tube.

도 15는 본 발명의 일실시예에 따른 단기 풍속 예측을 통한 풍력 발전량 예측 방법에서 훈련 데이터의 샘플과 ε튜브와의 거리 차를 나타낸 도면이다. 15 is a diagram showing a distance difference between a sample of training data and an ε-tube in the method of predicting wind power generation through short-term wind speed prediction according to an embodiment of the present invention.

한편, 상기의 최적화문제는 라그랑지 승수의 도입과 Karush-Kuhn-Tucker 조건을 적용하여 하기한 수학식 23과 같은 쌍대문제로 변환한다.On the other hand, the above optimization problem is transformed into the twin problem by applying the Lagrange multiplier and the Karush-Kuhn-Tucker condition, as shown in Equation 23 below.

여기서, 상기

와

는 라그랑지 승수를 나타내며,

는 커널함수의 내적(Inner Product)을 의미한다.Here,

Wow

Represents the Lagrangian multiplier,

Means the Inner Product of the kernel function.

상기 주어진 서포트 벡터(Support vector)의 비율을 제한 상수(ν), 쌍대목적함수에 페널티(C), Radial Basis Function(RBF)을 커널로 이용하는 경우 커널대역폭(σ)을 이용하여

와 바이어스(b)를 계산한다.If the ratio of the given support vector is a limiting constant (ν), a pairwise objective function is a penalty (C), and a kernel bandwidth (σ) is used when a Radial Basis Function (RBF)

And the bias (b).

한편, 출력 변수에 대한 최적 회귀곡선은 하기한 수학식 24와 같이 나타낼 수 있다.On the other hand, the optimal regression curve for the output variable can be expressed by Equation (24) below.

여기서, 상기 "SV"는 서포트 벡터(Support vector)를 나타내며, 이는 훈련데이터 세트중에

를 만족한다.Here, the "SV" represents a support vector,

.

또한, 바이어스항은 다음과 같이 임의의 서포트 벡터인 x_m과 x_n을 이용하여 하기한 수학식 25와 같이 계산한다.Further, the bias term is calculated as follows using the arbitrary support vectors x _m and x _n as follows.

상기한 바와 같이 본 발명의 실시예에서는 Libsvm 툴을 사용하여 이차 계획법 문제(Quadratic Programming Problem)를 풀었다.As described above, the embodiment of the present invention solves the quadratic programming problem using the Libsvm tool.

그 다음에, 시험 데이터 세트(Xtsp)의 각 데이터에 대해 소속 클러스터를 검사하게 되는데, Xtsp의 첫 번째 행 데이터(Xtsp(1))과 훈련 데이터(Xtrp)의 각 클러스터의 중심점 z_i, i =1,2,...,c 사이의 거리 d_i를 하기한 수학식 26과 같이 계산한다.Next, the cluster belonging to each test data set Xtsp is checked. The center point z _i of each cluster of the first row data Xtsp (1) of Xtsp and the training data Xtrp, i = 1, 2, ..., it is calculated as shown in equation 26, one to the distance d _i between c.

상기 수학식 26에서는 d₁, d₂ ,..., d_c를 비교하여, 가장 짧은 거리를 선택하고, 이 때 가장 짧은 거리 d_i의 인덱스 i가 Xtsp(1)이 속하는 클러스터 번호이다.In Equation (26), d ₁ , d ₂ , ..., d _c are compared to select the shortest distance, and the index i of the shortest distance d _i at this time is the cluster number to which Xtsp (1) belongs.

상기에서 구한 클러스터 i에 대한 ν-SVRi 모델을 이용하여 Xtsp(1)에 대한 예측값

을 하기한 수학식 27과 같이 계산한다.Using the ν-SVRi model for cluster i obtained above, the predicted value for Xtsp (1)

Is calculated according to the following equation (27).

여기서는, 상기 훈련 데이터와 시험 데이터에 대한 Gaussian Radial Basis Function의 커널함수(K_i)를 구하고, 상기 SVR 모델의 라그랑지 승수의 차이 β_i, 바이어스 상수 b_i을 이용하여 ν-SVRi의 출력을 구한다.Here, the kernel function (K _i ) of the Gaussian Radial Basis Function for the training data and the test data is obtained, and the output of? -SVRi is obtained by using the difference? _I and the bias constant b _i of the Lagrange multipliers of the SVR model .

한편, 동일한 방법으로 상기 수학식 26에 의한 계산과 상기 수학식 27에 의한 계산 동작을 반복 수행하여 Xtsp(j),j = 2,3,...,N에 대한 1-스텝(1 step-ahead)의 예측값(

)을 계산한다.Meanwhile, the calculation according to Equation (26) and the calculation according to Equation (27) are repeated in the same manner to obtain 1 step- ahead)

).

다음에, 도 16은 본 발명의 일실시예에 따른 단기 풍속 예측을 통한 풍력 발전량 예측 방법에서 풍속 예측 모듈을 통하여 k-스텝 이후의 풍속 예측이 수행되는 상태를 개략적으로 나타낸 도면이다. Next, FIG. 16 is a diagram schematically illustrating a state in which the wind speed prediction after the k-step is performed through the wind speed prediction module in the method of predicting the wind power generation amount using the short-term wind speed prediction according to the embodiment of the present invention.

도 16에 도시된 바와 같이, 상기 풍속 예측 모듈(20)에서는 과거 p개의 데이터와 k-스텝 이후의 풍속 예측을 수행하게 되는데, 해당 풍속 예측 방식은 3가지 방식을 적용할 수 있는데, 첫번째 방식은 1-스텝 예측 모델에 의한 예측값

을 다음 단계의 입력으로 이용하여

를 얻고, 동일한 방법으로 k-스텝까지 차례로 적용하는 방식이고, 두번째 방식은 k-스텝 예측 모델 ν-SVR(k)를 사용하여 한번의 예측으로 k-스텝 이후의 풍속을 예측하는 방식이며, 세번째 방식은 입력데이터를 원하는 시간 간격으로 재샘플링(Re-sampling) 한 후, 1-스텝 예측 모델 SVR(1)으로 예측하는 방식이다. As shown in FIG. 16, in the wind speed prediction module 20, past p data and wind speed prediction after the k-step are performed. In the wind speed prediction method, three methods can be applied. Estimated value by 1-step prediction model

As input for the next step

And the second method is a method of predicting the wind speed after the k-step by one prediction by using the k-step prediction model ν-SVR (k), and the third method is a method of estimating the wind speed after the k- Method is a method of re-sampling input data at a desired time interval, and then predicting the input data using the 1-step prediction model SVR (1).

이하에서는 각각의 풍속 예측 방식에 대해 상세히 설명한다. Hereinafter, the respective wind speed prediction methods will be described in detail.

1) 1-스텝 예측 모델에 의한 예측값

을 다음 단계의 입력으로 이용하여

를 얻고, 동일한 방법으로 k-스텝까지 차례로 적용하는 방식1) predicted value by 1-step prediction model

As input for the next step

, And the same method is applied to the k-steps in sequence

본 발명의 일실시예에 따른 첫번째 방식은 오프라인 예측과, 온라인 예측을 각각 사용할 수 있다. The first scheme according to an embodiment of the present invention may use offline prediction and online prediction, respectively.

먼저, 오프라인 예측 방식의 경우에는 과거 데이터 p개를 사용하여 하기한 입력데이터 행렬(Xtrp)와 최적 SVR 파라메타를 이용하여 1-스텝 모델 ν-SVR(1)를 구한다.First, in the case of the offline prediction method, the 1-step model ν-SVR (1) is obtained by using the past data p and using the input data matrix Xtrp and the optimal SVR parameters.

그 다음에, 1-스텝 모델 SVR(1)에 시험용 데이터(Xtsp)를 입력하여 1-스텝 예측출력(

)을 구한다. 매트릭스와 데이터의 hat 표시는 예측값을 의미한다. 예측 목표는 k-스텝의 예측 출력인

이다.Then, the test data (Xtsp) is input to the 1-step model SVR (1) and the 1-step predicted output

). The hat indication of the matrix and data means the predicted value. The prediction target is the predicted output of the k-step

to be.

이어서, 원래의 Xtsp의 첫 번째 열은 삭제하고, Xtsp의 2열의 데이트를 좌측으로 1열 이동(Shift) 시킨다. 그리고, 상기 구한 예측출력(

)을 Xtsp의 p열에 배치하여 아래와 같이 X_{tap_1}로 업데이트 한다. 행렬 X_{tap_1}에는 측정값과 예측값이 혼재되어 있다.Then, the first column of the original Xtsp is deleted, and the two-column data of Xtsp is shifted leftward by one column. Then, the obtained predicted output (

) Is placed in the p column of _Xtsp and updated to X _{tap_1} as follows. The measured value and the predicted value are mixed in the matrix X _{tap_1} .

한편, k-스텝 예측인 경우, 상기 과정을 (k-1)회 반복 수행하며, 1-스텝 예측 출력을 이용하여 아래와 같은 입력 매트릭스 X_{tap_k}을 구한다.On the other hand, in the case of k-step prediction, the above process is repeated (k-1) times and the following input matrix X _{tap_k} is obtained using the 1-step prediction output.

위에서 구한 입력용 데이터(X_{tap_k})을 모델 SVR(1)에 입력하여, X_{tap_k}의 1-스텝, 즉 시험용 데이터(Xtsp)에 대한 k-스텝 예측 출력

을 얻는다.The input data (X _{tap_k} ) obtained above is input to the model SVR (1), and the k-step predicted output (1-step) of X _{tap_k} ,

.

도 17a 및 도 17b는 본 발명의 일실시예에 따른 단기 풍속 예측을 통한 풍력 발전량 예측 방법에서 2-스텝 및 5-스텝에서의 풍속 예측값을 각각 나타낸 그래프 도면이다. FIGS. 17A and 17B are graphs showing predicted values of wind speeds in two-step and five-step, respectively, in the method of predicting wind power generation amount by predicting short-term wind speed according to an embodiment of the present invention.

도 17a 및 도 17b에 도시된 바에 따르면, 5개의 과거 데이터 (p=5), 최적 파라메타(C=20, ν=0.15, σ=0.007)를 사용하여, 2-스텝(20분)과 5-스텝(50분) 후의 풍속을 예측한 결과를 보여주며, 오차율인 RMSE는 각각 0.8182와 1.2522이다.17A and 17B, two-step (20 min) and five-step (20 min) data are generated using five pieces of past data (p = 5), an optimal parameter (C = 20, v = 0.15, The results of the prediction of the wind speed after the step (50 minutes) are shown, and the error rates RMSE are 0.8182 and 1.2522, respectively.

다음에, 본 발명의 일실시예에서 온라인 예측 방식에 대해 설명한다. Next, an online prediction method will be described in an embodiment of the present invention.

온라인 예측 방식에서는 상기 1-스텝 예측 모델 SVR(1)을 이용하게 되는데, 현재 시간을 t라고 가정하고, 목표 예측 출력은

이다. 현재 데이터 x_t와 과거데이터

를 아래 시험용데이터 Xts에 입력하고, 1-스텝 후의 풍속 예측출력

을 구한다.In the online prediction method, the 1-step prediction model SVR (1) is used. Assuming that the current time is t, the target prediction output is

to be. Current data x _t and historical data

Is input to the test data Xts shown below, and the wind speed prediction output

.

Xts의 데이터를 좌측으로 1칸 이동시키고, 1-스텝 후의 풍속 예측 출력인

을 Xts 마지막 열에 배치한다. 업데이트된 Xts를 이용하여 1-스텝 후의 예측값

을 구한다.The data of Xts is moved to the left by one space, and the wind speed prediction output

To the last column of Xts. The updated Xts is used to calculate the predicted value after one step

.

입력데이터 행렬 Xts를 예측값 데이터로 갱신 시키면서 상기 1-스텝 후의 예측값

을 구하는 과정을 반복 수행하여 k-스텝 후의 풍속

을 예측한다. The input data matrix Xts is updated to the predicted value data and the predicted value after the one-

And the wind velocity after the k-step

.

다음 풍속(

)을 예측하기 위해 새로 측정된 데이터 x_t+1로 상기 Xts를 업데이트 시켜야 하는데, 과거 데이터 [x_t-p+1,..., x_t-1, x_t]는 좌측으로 1열을 이동시키고, 새로운 데이터 x_t+1를 Xts 마지막 열에 배치하여 아래와 같이 Xts를 갱신시킨 다음에, 1-스텝 예측 모델 SVR(1)을 이용하여

을 구하게 되는데, 목표 예측출력은

이다.Next wind speed (

) The need to update the Xts as new measured data x _{t + 1} for predicting past data _{[x t-p + 1,} ..., x t-1, x t] will move one column to the left , The new data x _{t + 1} is placed in the last column of Xts to update Xts as follows, and then the 1-step prediction model SVR (1) is used

, The target prediction output is

to be.

한편, 상기 과정을 반복적으로 수행하면서 k-스텝의 예측 풍속을 구한다.
Meanwhile, the predicted wind speed of the k-step is obtained while repeating the above process.

2) k-스텝 예측 모델 ν-SVR(k)를 사용하여 한번의 예측으로 k-스텝 이후의 풍속을 예측하는 방식2) A method of predicting the wind speed after k-step with one prediction using k-step prediction model ν-SVR (k)

본 발명의 일실시예에 따른 두번째 방식의 경우에도 오프라인 예측과, 온라인 예측을 각각 사용할 수 있다. In the case of the second scheme according to an embodiment of the present invention, both offline prediction and online prediction can be used.

먼저, 오프라인 예측 방식의 경우에는 과거 데이터 p개를 사용하여 입력 데이터 행렬(X_trp), 출력 데이터 행렬(Y_{trp_k})를 아래와 같이 구성한다.First, in the case of the offline prediction method, an input data matrix (X _trp ) and an output data matrix (Y _{trp_k} ) are configured as follows using p past data.

상기한 바와 같이 구한 훈련용 입력 및 출력 데이터는 X_trp, Y_{trp_k}와 최적 SVR 파라메타를 이용하여 k-스텝 모델 ν-SVR(k)를 구한다. The training input and output data obtained as described above are obtained by obtaining the k-step model ν-SVR (k) using X _trp , Y _{trp_k} and the optimal SVR parameters.

그 다음에, 모델 SVR(k)에 훈련용 데이터 Xtrp를 입력하여 이에 대한 오프라인 k-스텝 예측 출력

을 구한다.Then, the training data Xtrp is input to the model SVR (k), and the offline k-step prediction output

.

그리고, 모델 SVR(k)에 시험하고자 하는 시험용 데이터 Xtsp를 입력하여 오프라인 k-스텝 예측 출력

을 구한다.Then, the test data Xtsp to be tested is inputted to the model SVR (k), and the offline k-step predicted output

.

또한, 상기 출력에 대한 참값

와 k-스텝 예측 출력

을 이용하여 예측오차 RMSE를 계산한다.Also, the true value for the output

And the k-step prediction output

To calculate the prediction error RMSE.

도 18a 및 도 18b는 본 발명의 일실시예에 따른 단기 풍속 예측을 통한 풍력 발전량 예측 방법에서 최적 파라메터를 이용하여 훈련 데이터 및 시험 데이터에 대한 풍속 예측 결과를 나타낸 그래프 도면이다. 18A and 18B are graphs showing wind speed prediction results for training data and test data using optimal parameters in a wind power generation predicting method using a short-term wind speed prediction according to an embodiment of the present invention.

도 18a 및 도 18b에 도시된 바에 따르면, 과거 데이터 p=5, 최적 파라메타(C=40, ν=0.1, σ=1)을 이용하여 훈련용 데이터와 시험용 데이터에 대해 2-스텝의 예측결과를 나타내며, RMSE는 각각 0.3878, 1.3152으로 계산되었다.18A and 18B, prediction results of two-steps are obtained for the training data and the test data by using the past data p = 5, the optimal parameters (C = 40, v = 0.1, And RMSE was calculated as 0.3878 and 1.3152, respectively.

한편, 온라인 예측 방식에 의하면, k-스텝 예측모델 SVR(k)을 이용하게 되는데, 상기 오프라인 예측 방식에서 구한 k-스텝 예측 모델 SVR(k)을 이용하고, 현재 시간을 t라고 가정한 상태에서, 현재 데이터 x_t와 과거 데이터

를 아래 Xts 데이터에 입력하고, k-스텝후의 풍속 예측출력

을 구한다.On the other hand, according to the online prediction method, the k-step prediction model SVR (k) is used. In the case where the k-step prediction model SVR (k) obtained by the offline prediction method is used and the current time is assumed to be t , The current data x _t and the past data

Is input to the lower Xts data, and the k-step wind speed prediction output

.

그 다음에, Xts의 데이터를 좌측으로 1열을 쉬프트 시키고, 다음 시간 t+1의 측정 데이터 x_t+1이 입력되면 Xts의 마지막 열에 배치한다. 업데이트된 Xts를 이용하여 k-스텝 후의

예측값을 구한다.Next, the data of Xts is shifted to the left by one column, and when the measurement data x _{t + 1} of the next time _{t + 1} is input, the data is arranged in the last column of Xts. After the k-steps using updated Xts

The predicted value is obtained.

그리고, 입력데이터 매트릭스 Xts를 최신의 데이터로 업데이트 시키면서 앞의 과정을 반복 수행하여 k-스텝 후의 풍속을 예측한다.
Then, the above process is repeated while updating the input data matrix Xts with the latest data to predict the wind speed after the k-step.

3) 입력데이터를 원하는 시간 간격으로 재샘플링(Re-sampling) 한 후, 1-스텝 예측 모델 SVR(1)으로 예측하는 방식3) A method of re-sampling the input data at desired time intervals (Re-sampling) and then predicting it with the 1-step prediction model SVR (1)

먼저, 오프라인으로 측정하는 방식에 있어서는, 측정 데이터 세트 X를 원하는 시간 간격(k-step)으로 재샘플링하여 Xs로 만들고, 이를 이등분하여 훈련용 데이터세트 Xtr과 시험용 데이터 세트 Xts으로 분리한다.First, in the method of measuring off-line, the measurement data set X is re-sampled at a desired time interval (k-step) to make Xs, and divided into a training data set Xtr and a test data set Xts.

여기서, k=2,3,4, ... , int(·)는 연산의 결과에서 정수를 취하는 것을 말한다.Here, k = 2, 3, 4, ..., int (·) means taking an integer from the result of the operation.

그 다음에, 훈련 데이터 X_trp, Y_{trp_k}와 최적 SVR 파라메타를 이용하여 1-스텝 모델 SVR(1)를 구한다.Next, the one-step model SVR (1) is obtained using the training data X _trp , Y _{trp_k} and the optimal SVR parameters.

상기 모델 SVR(1)에 아래의 검증하고자 하는 시험용 데이터 Xtsp를 입력하여 오프라인 1-스텝 예측 출력

을 구한다.The following test data Xtsp to be verified is input to the model SVR (1)

.

그리고, 상기 출력에 대한 참값

와 1-스텝 예측 출력

을 이용하여 예측오차 RMSE를 계산한다. 여기서

는 실제로는 k-스텝 예측 풍속이 된다The true value for the output

And one-step predicted output

To calculate the prediction error RMSE. here

Is actually the k-step predicted wind velocity

다음에, 온라인으로 측정하는 방식에 있어서는, 상기 오프라인 측정 방식에서 구한 1-스텝 예측 모델 SVR(1)을 이용하게 되는데, 현재 시간을 t=pk라고 가정하고, 현재 데이터 x_pk와 과거 데이터

를 아래 Xts 데이터에 입력하고, k-스텝 후의 풍속 예측출력

을 구한다.Next, in the method of measuring on-line, there is the use of the one-step prediction model SVR (1) obtained in the off-line measurement method, and assuming that the current time t = pk, the current data and past data x _pk

Is input to the lower Xts data, and the k-step wind speed prediction output

.

그 후, Xts의 데이터를 좌측으로 1열을 쉬프트 시키고, (p+1)k번째 측정데이터를 Xts 마지막 열에 배치한다. 또한, 업데이트된 Xts를 이용하여 k-스텝 후의

예측값을 구한다.Thereafter, data of Xts is shifted one column to the left, and (p + 1) th measurement data is placed in the last column of Xts. Also, using the updated Xts,

The predicted value is obtained.

입력데이터 행렬 Xts을 최신 데이터로 업데이트 시키면서 앞의 과정을 반복 수행하여 k-스텝 후의 풍속을 반복하여 예측한다.The above process is repeated while updating the input data matrix Xts to the latest data to repeatedly predict the wind speed after the k-step.

도 19a 및 도 19b는 본 발명의 일실시예에 따른 단기 풍속 예측을 통한 풍력 발전량 예측 방법에서 재 샘플링 이후에 SVR 모델을 이용한 훈련 데이터와 시험 데이터의 3-스텝 이후의 풍속 예측 결과를 나타낸 그래프 도면이다. FIGS. 19A and 19B are graphs showing the results of wind speed prediction after three steps of training data and test data using the SVR model after resampling in the method of predicting wind power generation amount using short-term wind speed prediction according to an embodiment of the present invention to be.

도 19a 및 도 19b에 도시된 바에 따르면, 재샘플링을 수행한 이후에 SVR(1)모델을 이용한 3-스텝 후의 풍속을 예측한 결과를 보여주며, 과거 데이터 p=5, 최적 파라메타는 (C=25, ν=0.22, σ=0.001)을 이용하였다. 훈련용 및 시험용 데이터에 대한 3-스텝 예측값에 대한 RMSE는 각각 1.1394, 0.6528로 계산되었다. 도 19a의 실선은 훈련용 데이터이고, °로 표시된 부분은 훈련용 데이터에 대한 예측값이다. 도 19b의 실선은 시험용 데이터이고, 점(·)으로 표시된 부분은 시험용 데이터의 예측값이다.19A and 19B show the result of predicting the wind speed after three steps using the SVR (1) model after performing the resampling, and the past data p = 5 and the optimum parameters (C = 25, ν = 0.22, σ = 0.001) were used. The RMSE for three-step predictions for training and test data was calculated to be 1.1394 and 0.6528, respectively. The solid line in Fig. 19A is data for training, and the portion indicated by o is a predicted value for training data. The solid line in FIG. 19B is the test data, and the portion indicated by the dot (.) Is the predicted value of the test data.

이어, 도 20의 플로우차트를 참조하여 본 발명의 일실시예에 따른 단기 풍속 예측을 통한 풍력 발전량 예측 방법에서 풍속 예측 정보를 이용하여 풍력 발전량을 예측하는 동작에 대해 상세히 설명한다. Next, the operation of predicting the wind power generation amount using the wind speed prediction information in the wind power generation predicting method using the short-term wind speed prediction according to the embodiment of the present invention will be described in detail with reference to the flowchart of FIG.

도 20은 본 발명의 일실시예에 따른 단기 풍속 예측을 통한 풍력 발전량 예측 방법에서 풍속 예측 정보를 이용하여 풍력 발전량의 예측 동작을 설명하기 위한 플로우차트이다. 20 is a flowchart for explaining a prediction operation of wind power generation amount using wind speed prediction information in a method of predicting wind power generation amount through prediction of short-term wind speed according to an embodiment of the present invention.

먼저, 상기 발전량 예측 모듈(30)에서는 풍속과 풍력발전량을 동시에 측정하여 입력데이터 매트릭스 X를 구성하고(S40), 상기 입력데이터 X를 2등분하여(S41), 하기한 수학식 28과 같이 훈련용 데이터(Xtr)(S42)와 시험용 데이터(Xts)로 나눈다(S44).First, the power generation amount predicting module 30 simultaneously measures the wind speed and the wind power generation amount to construct an input data matrix X (S40), divides the input data X into two equal parts (S41) The data Xtr (S42) and the test data (Xts) are divided (S44).

여기서, 상기 "x"는 풍속 데이터이고, 상기 "y"는 풍력 발전량이며, 상기 "n"은 총 데이터갯수(예컨대 1,000)에 해당된다.Here, "x" is the wind speed data, "y" is the wind power generation amount, and "n" corresponds to the total data number (1,000, for example).

한편, 여기서는 발전기 출력사양 혹은 입력데이터를 관찰하여 최소 풍속(vmin, cut-in wind speed) 및 최대풍속(vmax, cut-out wind speed)을 결정하게 되는데, 이는 풍력 발전기의 출력범위를 정하는 것이다.In this case, the generator output specification or the input data is observed to determine the minimum wind speed (vmin, cut-in wind speed) and the maximum wind speed (vmax, cut-out wind speed).

본 발명의 실시예에서는 최소 풍속 vmin을 2.5 m/sec로 정하고, 최대 풍속 vmax을 13.5m/sec로 정하여 설명하기로 한다.In the embodiment of the present invention, the minimum wind speed vmin is set to 2.5 m / sec, and the maximum wind speed vmax is set to 13.5 m / sec.

그 상태에서, 상기 훈련용 데이터 세트 Xtr의 풍속 x가 vmin보다 작으면 발전량 y는 0, 풍속 x가 vmax보다 크면 발전량 y는 정격 최대 출력 Pmax로 설정하여 이상치(Outlier)를 제거한다(S43). 단, 본 발명의 실시예에서는 정격 최대 출력 Pmax을 850kW로 설정하여 설명한다.In this state, if the wind speed x of the training data set Xtr is smaller than vmin, the generation amount y is 0, and if the wind speed x is larger than vmax, the generation amount y is set to the rated maximum output Pmax to remove the outliers (S43). However, in the embodiment of the present invention, the rated maximum output Pmax is set to 850 kW.

그 다음에, 상기 훈련용 데이터 Xtr를 이용하여 다항 회귀(Polynomial Regression) 모델을 통해 풍속에 대한 발전 출력량의 Curve Fitting 모델을 구하게되는데, 먼저 다항식의 차수 d를 1로 하여 모델을 구한다(S46).Next, a Curve Fitting model of the power generation amount with respect to the wind speed is obtained through a polynomial regression model using the training data Xtr. First, a model is obtained by setting the order d of the polynomial to 1 (S46).

또한, 상기 훈련용 데이터 Xtr를 상기 다항 회귀 모델에 입력하여 하기한 수학식 29와 같이 발전 출력량의 예측값

을 구한다(S47).Further, the training data Xtr is input to the polynomial regression model, and the predicted value of the power generation amount

(S47).

그 후, 상기 훈련용 데이터의 발전량인 Xtr의 2번째 행인 Xtr(:,2)와 이것의 예측값

에 대한 상관계수값 C_xy을 구한다(S48).Thereafter, Xtr (:, 2) which is the second row of Xtr, which is the generation amount of the training data, and its predicted value

Calculate the correlation coefficient values for C _xy (S48).

한편, 상기 발전량 예측 모듈(30)은 상기 상관 계수값인 C_xy의 값이 설정값 Cs보다 작은지의 여부를 판단하여(S49), 상기 상관 계수값인 C_xy의 값이 설정값 Cs보다 작다고 판단되면 모델 차수를 1만큼 증가시키고(S50), 상기 단계 S46으로부터 상기 S48까지의 단계를 반복 수행한다. On the other hand, the power generation amount prediction module 30 is the correlation coefficient value is to determine whether is smaller than the set value of the C _xy value Cs (S49), the value of the correlation coefficient value is C _xy is less than the set value Cs is determined The model order is increased by 1 (S50), and the steps from S46 to S48 are repeated.

하지만, 상기 판단 결과로 상기 조건을 만족하면 회귀식 모델(PR)을 확정하게 되는데, 상기 시험용 데이터 세트에 대해서도 풍속 x가 vmin보다 작으면 발전량 y는 0, 풍속 x가 vmax보다 크면 발전량 y는 정격 최대 출력 Pmax로 설정하여 이상치(Outlier)를 제거한 다음에(S45), 상기 시험용 데이터 Xts를 상기 다항 회귀 모델에 입력하게 되고(S51), 상기 다항 회귀 모델로의 입력 결과에 따라 하기한 수학식 30과 같이 발전 출력량의 예측값

을 구한다(S52). If the wind speed x is less than vmin, the power generation amount y is 0, and if the wind speed x is greater than vmax, the power generation amount y is also rated (S45), the test data Xts is input to the polynomial regression model (S51) after setting the maximum output Pmax to eliminate the outliers (S45) The predicted value of the power generation amount

(S52).

한편, 본 발명의 실시예에서는 Cs를 0.997에 설정하였으며, 풍속 x에 대한 발전량 y의 회귀식은 다음과 같다. Meanwhile, in the embodiment of the present invention, Cs is set to 0.997, and the regression equation of the power generation amount y with respect to the wind speed x is as follows.

도 21은 본 발명의 일실시예에 따른 단기 풍속 예측을 통한 풍력 발전량 예측 방법에서 훈련 데이터를 이용한 풍력 발전량의 모델링 결과를 나타낸 도면이고, 도 22는 본 발명의 일실시예에 따른 단기 풍속 예측을 통한 풍력 발전량 예측 방법에서 시험 데이터를 이용한 풍력 발전량의 예측 결과를 나타낸 도면이다. FIG. 21 is a diagram illustrating modeling results of wind power generation using training data in a wind power generation predicting method using a short-term wind speed prediction according to an embodiment of the present invention. FIG. In the case of a wind power generation system using the test data.

한편, 온라인의 풍력 발전량 예측 기능에 있어서는 상기 S46 단계에서 구한 회귀식 모델에 실시간 풍속 데이터를 한 개씩 입력하여 이에 대응하는 발전 출력량의 예측값

을 구한다.On the other hand, in the on-line wind power generation predicting function, by inputting the real-time wind speed data one by one into the regression model obtained in the step S46,

.

이어, 도 23의 플로우차트를 참조하여 본 발명의 다른 실시예에 따른 단기 풍속 예측을 통한 풍력 발전량 예측 기능을 이용한 배전선로 전압 예측 방법에서 풍력 발전량의 예측 정보를 이용하여 배전선로의 전압을 예측하는 동작에 대해 상세히 설명한다. Next, with reference to the flowchart of FIG. 23, in the method of predicting the distribution line voltage using the estimation of the wind power generation amount using the short-term wind speed prediction according to another embodiment of the present invention, the voltage of the distribution line is predicted using the prediction information of the wind power generation amount The operation will be described in detail.

도 23은 본 발명의 다른 실시예에 따른 단기 풍속 예측을 통한 풍력 발전량 예측 기능을 이용한 배전선로 전압 예측 방법에서 풍력 발전량의 예측 정보를 이용하여 배전선로의 전압을 예측하는 동작을 설명하는 플로우차트이다. 23 is a flowchart illustrating an operation of predicting a voltage of a distribution line using prediction information of wind power generation in a distribution line voltage predicting method using a wind power generation prediction function through prediction of short-term wind speed according to another embodiment of the present invention .

먼저, 배전선로에 연계되어 있는 풍력 발전기의 현재의 풍속 및 습도가 실시간으로 측정되어 상기 전처리부(10)에 수집되고(S60), 상기 측정한 데이터를 입력으로 하여, 본 발명의 일실시예에서 언급한 풍속예측 모델 및 발전량 예측 모델을 이용하여 실시간 풍력 발전량 및 k-스텝의 풍력 발전량을 예측하게 되면(S61), 상기 실시간 풍력 발전량 및 k-스텝의 풍력 발전량의 예측 정보가 상기 조류 계산 모듈(40)에 전달된다(S62). First, the current wind speed and humidity of the wind turbine connected to the distribution line are measured in real time and collected in the preprocessing unit 10 (S60). Then, the measured data is inputted, When the real-time wind power generation amount and the k-step wind power generation amount are predicted using the wind speed prediction model and the power generation prediction model described above (S61), prediction information of the real time wind power generation amount and the k- 40 (S62).

그 상태에서, 상기 배전선로 전압 제어 모듈(50)은 배전 자동화 시스템의 실시간 계통도 및 전류, 전압 등 계통 정보를 상기 조류 계산 모듈(40)에 전달한다(S62).In this state, the distribution line voltage control module 50 transmits the real time system diagram of the distribution automation system and the system information such as current and voltage to the algae calculation module 40 (S62).

한편, 상기 조류 계산 모듈(40)은 실시간 및 k-스텝의 풍력 발전량과 배전선로의 계통 정보를 이용하여, 배전 선로 각 지점의 전압강하, 유효전력, 무효전력 등과 같은 조류 계산을 수행하고(S63), 상기 각 조류 계산 정보를 상기 배전선로 전압 제어 모듈(50)에 전달한다(S64).On the other hand, the algae calculation module 40 performs algae calculation such as voltage drop, active power, reactive power, etc. at each point on the distribution line using the wind power generation amount in real time and k-step and the grid information in the distribution line (S63 ), And transmits the algae calculation information to the distribution line voltage control module 50 (S64).

그에 따라, 상기 배전선로 전압 제어 모듈(50)은 상기 조류 계산 정보를 근거로 배전 자동화 시스템의 각 배전선로(D/L)에 대한 전압강하를 검토하여 노드 전압이 제어범위를 벗어나면, 그에 따른 제어 명령을 FEP(Front End Processor)로 송출한다(S65).Accordingly, the distribution line voltage control module 50 examines the voltage drop to each distribution line (D / L) of the distribution automation system based on the alga calculation information, and when the node voltage is out of the control range, And transmits the control command to the FEP (Front End Processor) (S65).

이에, 상기 FEP는 제어명령을 각 제어 기기의 RTU(Remote Terminal Unit)로 제어명령을 전달하게 되고, 배전선로의 전압제어 기기인 SVR(Step Voltage Regulator) 및 LC(Line Capacitor)는 상기 제어명령을 수신받아, 스텝 조정 및 on-off 동작을 통해 제어명령을 수행하여 각 지점의 전압을 원하는 범위내로 조정한다(S66).The FEP transmits a control command to the RTU (Remote Terminal Unit) of each control device, and the SVR (Step Voltage Regulator) and the LC (Line Capacitor), which are voltage control devices for the distribution line, And receives a control command through a step adjustment and an on-off operation to adjust the voltage of each point within a desired range (S66).

한편, 상기한 바와 같이 이루어진 본 발명에서는 과거 p개의 데이터와 K-스텝 이후의 풍속 예측 방법으로서, 1)첫번째 방식으로서 1-스텝 예측 모델에 의한 예측값

을 다음 단계의 입력으로 이용하여

를 얻고, 동일한 방법으로 k-스텝까지 차례로 적용하는 방식과, 2) 두번째 방식으로서 k-스텝 예측 모델 ν-SVR(k)를 사용하여 한번의 예측으로 k-스텝 이후의 풍속을 예측하는 방식, 3) 세번째 방식으로서 입력데이터를 원하는 시간 간격으로 재샘플링(Re-sampling) 한 후, 1-스텝 예측 모델 SVR(1)으로 예측하는 방식의 3가지 방식을 적용하고 있다. Meanwhile, in the present invention as described above, the past p data and the wind speed predicting method after the K-step are as follows: 1)

As input for the next step

And 2) a method of predicting the wind speed after the k-step with a single prediction using the k-step prediction model ν-SVR (k) as the second method, 3) In the third method, the input data is re-sampled at a desired time interval, and then the 1-step prediction model SVR (1) is used to predict the input data.

이에, 본 발명의 실시예에 따른 3가지 방식을 종래에 많이 사용하고 있는 방식으로서, 풍속의 시계열 함수를 예측하기 위한 자기회귀(Autoregressive, 이하 AR) 방법과 비교하여 개선된 상태를 설명하기로 한다. The improved state is compared with the autoregressive (AR) method for predicting the time-series function of the wind speed, as a method widely used in the past according to the embodiment of the present invention .

그 중에서, 첫번째 방식인 1-스텝 예측 모델에 의한 예측값

을 다음 단계의 입력으로 이용하여

를 얻고, 동일한 방법으로 k-스텝까지 차례로 적용하는 방식의 경우에는, 종래의 AR 방식과 비교하여 아래의 표 1과 같은 풍속예측 결과 상의 개선점이 나타난다. Among them, the predicted value by the 1-step prediction model which is the first method

As input for the next step

And in the case of a method in which the k-steps are sequentially applied by the same method, improvements on the wind speed prediction result as shown in Table 1 below are obtained as compared with the conventional AR system.

이에 따라 본 발명의 첫번째 방식과, 종래의 AR 방식을 대비하여 나타나는 개선 사항은 하기한 도면에 나타난 바와 같다. Accordingly, improvements in comparison with the first method of the present invention and the conventional AR method are as shown in the following drawings.

즉, 도 24a 및 도 24b는 본 발명의 방법에 따라 k-스텝 이후의 풍속 예측 결과가 종래의 방법에 비해 풍속 예측값 및 측정치가 최적으로 이루어진 상태를 비교하는 그래프 도면이고, 도 25a 및 도 25b는 본 발명의 방법에 따른 k-스텝 이후의 풍속 예측 결과가 종래의 방법에 비해 오차율이 차이가 나는 상태를 가시적으로 보여주는 그래프 도면이며, 도 26a 및 도 26b는 본 발명의 방법에 따른 k-스텝 이후의 풍속 예측 결과가 종래의 방법에 비해 잔차의 히스토그램 상태가 차이를 보이는 상태를 나타낸 그래프 도면이다. That is, FIGS. 24A and 24B are graphs for comparing the wind speed prediction results after the k-step according to the method of the present invention with the wind speed predicted values and the measured values optimally compared to the conventional method, FIGS. 25A and 25B 26A and 26B are graphs showing a state in which the error rate prediction result after the k-step according to the method of the present invention is different from that of the conventional method, and FIGS. 26A and 26B are graphs Is a graph showing a state in which the histogram state of the residual is different from that of the conventional method.

동 도면에 나타난 바와 같이, RMSE는 종래에 0.6323을 보이는 반면에, 본 발명의 첫번째 방식에서는 0.4562로 약 27.8%의 개선점이 나타났고, 최대 오차율은 종래 방식이 16.87%인 반면에, 본 발명의 첫번째 방식은 15.95%로 보다 작은 오차율을 갖고 있음을 보여주고 있다. As shown in the figure, RMSE shows 0.6323 in the conventional manner, whereas in the first method of the present invention, 0.4562 shows improvement of about 27.8%, and the maximum error rate is 16.87% in the conventional method, Method has a smaller error rate of 15.95%.

또한, 본 발명의 두번째 방식으로서 k-스텝 예측 모델 ν-SVR(k)를 사용하여 한번의 예측으로 k-스텝 이후의 풍속을 예측하는 방식과, 종래의 AR 방식을 비교하게 되면 하기한 표 2의 결과가 나타난다. Also, as a second method of the present invention, when comparing the conventional AR method with a method of predicting the wind speed after the k-step by one prediction using the k-step predictive model? -SVR (k) .

이에 따라 본 발명의 두번째 방식과, 종래의 AR 방식을 대비하여 나타나는 개선 사항은 하기한 도면에 나타난 바와 같다. Accordingly, the improvements of the second method of the present invention and the conventional AR method are as shown in the following drawings.

도 27a 내지 도 27c는 본 발명의 방법에 따른 3-스텝 이후의 풍속 예측 결과를 통해 풍속 예측값 및 측정치와, 오차율, 잔차의 히스토그램 상태를 각각 나타낸 그래프 도면이다.
동 도면에 나타난 바와 같이, RMSE는 종래의 방식이 응답을 보이지 않는 반면에, 본 발명의 두번째 방식에서는 0.6506의 응답을 나타내었고, 최대 오차율 역시 종래에는 응답이 없는 반면에, 본 발명의 두번째 방식에서는 20.10%로 오차율의 응답이 나타난 것을 볼 수 있다. FIGS. 27A to 27C are graphs showing the wind speed predicted values and measured values, the error rates, and the histogram states of the residuals, respectively, after three-step wind speed prediction results according to the method of the present invention.
As shown in the figure, the RMSE shows a response of 0.6506 in the second scheme of the present invention while the conventional scheme does not show a response, while the maximum error rate is also conventionally unresponsive, whereas in the second scheme of the present invention 20.10%, respectively.

삭제delete

또, 본 발명의 세번째 방식으로서 입력데이터를 원하는 시간 간격으로 재샘플링(Re-sampling) 한 후, 1-스텝 예측 모델 SVR(1)으로 예측하는 방식과, 종래의 AR 방식을 비교하게 되면 하기한 표 3의 결과가 나타난다. As a third method of the present invention, when the input data is re-sampled at a desired time interval and then the prediction is made by the 1-step prediction model SVR (1) and the conventional AR method, Table 3 shows the results.

이에 따라 본 발명의 세번째 방식과, 종래의 AR 방식을 대비하여 나타나는 개선 사항은 하기한 도면에 나타난 바와 같다. Accordingly, improvements in comparison with the third method of the present invention and the conventional AR method are as shown in the following drawings.

도 28a 및 도 28b는 본 발명의 방법에 따른 2-스텝 이후의 풍속 예측 결과가 종래의 방법에 비해 풍속 예측값 및 측정치가 최적으로 이루어진 상태를 비교하는 그래프 도면이고, 도 29a 및 도 29b는 본 발명의 방법에 따른 2-스텝 이후의 풍속 예측 결과가 종래의 방법에 비해 오차율이 차이가 나는 상태를 가시적으로 보여주는 그래프 도면이며, 도 30a 및 도 30b는 본 발명의 방법에 따른 2-스텝 이후의 풍속 예측 결과가 종래의 방법에 비해 잔차의 히스토그램 상태가 차이를 보이는 상태를 나타낸 그래프 도면이다.FIGS. 28A and 28B are graphs for comparing the wind speed prediction results after two steps according to the method of the present invention compared with the conventional method in which the wind speed predicted value and the measured value are optimized. FIG. 29A and FIG. FIG. 30A and FIG. 30B are graphs showing a state in which the predicted wind speed after two steps according to the method of FIG. And the prediction result shows a difference in the histogram state of the residual compared to the conventional method.

동 도면에 나타난 바와 같이, RMSE는 종래에 0.8283을 보이는 반면에, 본 발명의 세번째 방식에서는 0.7124로 약 13.99%의 개선점이 나타났고, 최대 오차율은 종래 방식이 19.34%인 반면에, 본 발명의 세번째 방식은 19.41%로 보다 작은 오차율을 갖고 있음을 보여주고 있다. As shown in the figure, RMSE has conventionally 0.8283, whereas in the third method of the present invention, 0.7124, an improvement of about 13.99%, and a maximum error rate of 19.34% in the conventional method, The method has a smaller error rate of 19.41%.

본 발명은 도면에 도시된 실시예를 참고로 하여 설명되었으나, 이는 예시적인 것에 불과하며, 당해 기술이 속하는 분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 기술적 보호범위는 아래의 특허청구범위에 의해서 정하여져야 할 것이다.While the present invention has been particularly shown and described with reference to exemplary embodiments thereof, it will be understood by those of ordinary skill in the art that various changes in form and details may be made therein without departing from the spirit and scope of the invention as defined by the appended claims. I will understand. Accordingly, the technical scope of the present invention should be defined by the following claims.

10:전처리부 20:풍속 예측 모듈
30:발전량 예측 모듈 40:조류 계산 모듈
50:배전선로 전압 제어 모듈10: preprocessing unit 20: wind speed prediction module
30: Power generation prediction module 40: Algae calculation module
50: Distribution line voltage control module

Claims

A first step of displaying the entire measurement data on the wind speed and the power generation amount in the form of a matrix;
The pre-processing unit halving the data set of the matrix form into training data and test data;
A third step of removing the noise of the training data using wavelet decomposition and applying a clustering model using FCM (Fuzzy C-means Clustering) to the training data;
A fourth step of optimizing a model parameter for minimizing an error of a prediction value for the training data to which the clustering model is applied, and generating a prediction model by applying an optimized constant of the parameter to the training data;
A fifth step of the pre-processing unit examining a belonging cluster for each data of the test data; And
And a wind speed prediction module for inputting the test data into a prediction model based on the training data to obtain a predicted wind speed value,
In the third step,
Obtaining a standard deviation for each level of the detail value of the signal decomposed by the wavelet transform by the preprocessor;
Setting a desired noise level to a specific multiple of the standard deviation from the signal's detail value, and removing noise according to the set level; And
And synthesizing signals of training data based on the noise-removed signal's approximate values and the estimated values of the noise-removed signals.

The method according to claim 1,
Wherein the measurement data is at least one of wind speed measurement data and humidity measurement data in the first step.

delete

The method according to claim 1,
In the third step, the preprocessor separates the training data into a desired number of clusters using FCM, and performs clustering on the training data.

The method according to claim 1,
In the fourth step, the preprocessing unit obtains an optimal constant (n, C, sigma) of the SVR model that minimizes a predicted value error using PSO (Particle Swarm Optimization) technique for each cluster in the training data,
And generating each SVR model as a predictive model using the optimal constant and the training data.

6. The method of claim 5,
In the fourth step, minimizing the prediction error using the PSO scheme may include:
Minimizing the variables of each particle,
Generating the SVR model and measuring Fitness of each particle,
Calculating an output predicted value for the generated SVR model, calculating an RMSE, and performing an update according to whether the calculated RMSE is less than a specific minimum RMSE value,
Changing the velocity of the particle after the updating,
Changing the position of the particle after the update, and
And selecting an optimal parameter when the end condition is satisfied according to the speed change and the position change.

The method according to claim 6,
Wherein when the end condition is satisfied according to the speed change and the position change,
Wherein the optimum parameter is selected at an RMSE vector point at which the RMSE for the training data decreases rapidly and is stabilized.

The method according to claim 1,
The method of claim 6, wherein the wind speed prediction module performs wind speed prediction after k steps using past p data and the prediction model.

9. The method of claim 8,
In the sixth step, the wind speed prediction module calculates a predicted value

As input for the next step

And estimating the amount of wind power generation using the short-term wind speed prediction.

The method according to claim 1,
Wherein the step of estimating the wind power generation amount using the short-term wind speed prediction is characterized in that the wind speed prediction module estimates the wind speed after the k-step by one prediction by using the k-step prediction model ν-SVR (k) Way.

The method according to claim 1,
Wherein the step of estimating the wind speed comprises the steps of: re-sampling the input data at desired time intervals, and then predicting the wind speed by using the one-step prediction model SVR (1) Method of estimating power generation.

The method according to claim 1,
A seventh step of removing an ideal value for the training data and the test data based on the predicted wind speed value received from the wind speed prediction module by the power generation amount predicting module;
An eighth step of constructing a polynomial regression model for the training data;
A power optimization module for optimizing a model parameter using a correlation coefficient between input and output of the polynomial regression model; And
And estimating the amount of wind power generation by inputting the respective test data into the polynomial regression model by the power generation amount predicting module.

delete

13. The method of claim 12,
The seventh step includes the steps of: observing any one of the output specification of the generator or the input data to determine a minimum wind speed (vmin) and a cut-out wind speed (vmax)
When the wind speed x of the training data set Xtr is smaller than vmin, the generation amount y is 0, and when the wind speed x is larger than vmax, the generation amount y is set to the rated maximum output Pmax to remove the outliers Estimation Method of Wind Power Generation by Prediction of Short - Term Wind Velocity.

15. The method of claim 14,
The seventh step is characterized in that, for the test data set, when the wind speed x is smaller than vmin, the generation amount y is 0, and when the wind speed x is larger than vmax, the generation amount y is set to the rated maximum output Pmax to remove the outliers A Method for Predicting Wind Power Generation through Short - Term Wind Velocity Prediction.

A preprocessing unit collecting and aggregating the entire measurement data on the wind speed and the power generation amount, and optimizing the parameters of the clustered data;
A second step of predicting the wind speed according to a predictive model based on the optimized parameter;
A third step of predicting the amount of wind power generation by the power generation amount prediction module based on the predicted wind speed value of the wind speed prediction module;
A fourth step in which the algae calculation module collects distribution system information for algae calculation from the distribution automation system through a distribution line voltage control module;
A fifth step of the algae calculation module calculating the algae for each point of the distribution line using the wind power generation amount and the distribution system information and transmitting the calculated algae calculation information to the distribution line voltage control module; And
The power line voltage control module examines the voltage drop based on the alga calculation information and transmits a control command according to the result of the review to adjust and control the voltage range of the power line resource to the distribution line through the distribution automation system; Including,
In the fifth step, the algae calculation module performs at least one algae calculation among the voltage drop, the active power, and the reactive power at each point of the distribution line using the wind power generation amount in real time and k-step and the grid information in the distribution line A method for predicting a distribution line voltage using a prediction function of wind power generation using a short-term wind speed prediction.

17. The method of claim 16,
The first step may include displaying the entire measurement data on the wind velocity and the power generation amount in the form of a matrix,
The preprocessing step dividing the data set in the matrix form into training data and test data,
Removing the noise of the training data using wavelet decomposition and applying a clustering model to the training data using FCM (Fuzzy C-means Clustering); and
And optimizing model parameters for minimizing an error of a predicted value with respect to the training data to which the clustering model is applied. The method of predicting a distribution line voltage using a wind power generation predicting function through short-term wind speed prediction.

18. The method of claim 17,
Wherein the measurement data is at least one of wind speed measurement data and humidity measurement data, wherein the measurement data is at least one of wind speed measurement data and humidity measurement data.

18. The method of claim 17,
The first step may include a step of obtaining a standard deviation for each level of the detail value of the signal decomposed by the wavelet transform by the pre-
Setting a desired noise level to a specific multiple of the standard deviation from the signal's detail value and removing noise according to the set level;
And synthesizing signals of training data through the approximation values and the detailed values of the noise-canceled signals. The method of predicting a distribution line voltage using a wind power generation prediction function through short-term wind speed prediction.

18. The method of claim 17,
Wherein the preprocessing unit performs clustering by separating the training data into a desired number of clusters using an FCM with respect to the training data, Voltage prediction method.

18. The method of claim 17,
In the first step, the preprocessing unit obtains the optimal constants (n, C, sigma) of the SVR model that minimizes the prediction error by using the PSO (Particle Swarm Optimization) technique for each cluster of the training data,
And generating each SVR model as a predictive model using the optimal constant and the training data. The method of predicting a distribution line voltage using a wind power generation prediction function through short-term wind speed prediction.

17. The method of claim 16,
Wherein the second step includes a step of estimating the wind speed using the wind power generation prediction function through the short-term wind speed prediction, wherein the wind speed prediction module performs the wind speed prediction after the k-step using the past p data and the prediction model. Voltage prediction method.

17. The method of claim 16,
Wherein the second step includes a step of estimating the wind power generation amount using the short-term wind speed prediction, wherein the wind speed prediction module estimates the wind speed after the k-step by one prediction by using the k-step prediction model 僚 SVR (k) A Method of Prediction of Distribution Line Voltage Using Function.

17. The method of claim 16,
Wherein the second step includes a step of predicting the wind speed prediction module using the one-step prediction model SVR (1) after the wind speed prediction module re-samples the input data at desired time intervals, A Method of Prediction of Distribution Line Voltage Using Power Generation Prediction Function.

17. The method of claim 16,
The third step may include displaying the entire measurement data on the wind speed and the power generation amount in the form of a matrix,
The preprocessing step dividing the measurement data into training data and test data,
The power generation amount prediction module removing an ideal value for the training data and the test data,
Generating a polynomial regression model for the training data,
Wherein the power generation amount prediction module optimizes a model parameter using a correlation coefficient between an input and an output of a polynomial regression model, and
And estimating a wind power generation amount by inputting the test data to the polynomial regression model by the power generation amount predicting module. The method of predicting the power line voltage using the wind power generation predicting function by the short-term wind speed prediction.

delete

17. The method of claim 16,
In the sixth step, the power line voltage control module examines the voltage drop to each distribution line (D / L) of the distribution automation system based on the alga calculation information, and when the node voltage is out of the control range, To the FEP (Front End Processor), and
The FEP transmits a control command to the RTU (Remote Terminal Unit) of each control device, and the voltage control device of SVR (Step Voltage Regulator) and LC (Line Capacitor) receives the control command from the power distribution line, and adjusting the voltage of each point within a desired range by performing a control command through the -off operation. The method of predicting the distribution line voltage using the wind power generation prediction function by the short-term wind speed prediction.

delete