KR102030925B1 - 태양광 발전량 모니터링 시스템 - Google Patents
태양광 발전량 모니터링 시스템 Download PDFInfo
- Publication number
- KR102030925B1 KR102030925B1 KR1020180048611A KR20180048611A KR102030925B1 KR 102030925 B1 KR102030925 B1 KR 102030925B1 KR 1020180048611 A KR1020180048611 A KR 1020180048611A KR 20180048611 A KR20180048611 A KR 20180048611A KR 102030925 B1 KR102030925 B1 KR 102030925B1
- Authority
- KR
- South Korea
- Prior art keywords
- sunshine
- amount
- power generation
- solar power
- data
- Prior art date
Links
- 238000010248 power generation Methods 0.000 title claims abstract description 76
- 238000012544 monitoring process Methods 0.000 title claims abstract description 26
- 238000005259 measurement Methods 0.000 claims abstract description 33
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 23
- 238000013473 artificial intelligence Methods 0.000 claims description 15
- 238000009826 distribution Methods 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000012937 correction Methods 0.000 description 5
- 230000005855 radiation Effects 0.000 description 5
- 210000004027 cell Anatomy 0.000 description 4
- 230000005611 electricity Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000003442 weekly effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
- H02S50/00—Monitoring or testing of PV systems, e.g. load balancing or fault identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Photovoltaic Devices (AREA)
Abstract
본 발명은 태양광 발전량 모니터링 시스템으로, 기상 데이터를 입력받는 기상 데이터 입력부; 일조량 계측 데이터를 입력받는 일조량 데이터 입력부; 일조량 계측 데이터를 기반으로 현시점 태양광 발전량을 산출하는 태양광 발전량 산출부; 기상 데이터 및 일조량 계측 데이터를 기반으로 기 설정된 시간이 경과한 후의 미래시점 태양광 발전량을 추정하는 태양광 발전량 추정부; 및 상기 현시점 또는 미래시점 태양광 발전량을 출력하는 출력부를 포함할 수 있다.
Description
본 발명은 태양광 발전량 모니터링 시스템에 관한 것이다.
태양광 발전(Photovoltaic Power Generation)은 햇빛을 직류 전기로 바꾸어 전력을 생산하는 발전 방법으로서, 여러 개의 태양 전지들이 붙어있는 태양광 패널을 대규모로 펼쳐 태양광 에너지를 이용하여 전기를 생산하게 된다.
재생가능 에너지에 대한 수요가 증가함에 따라, 태양 전지와 태양전지 어레이의 생산도 크게 늘어나고 있는 추세이며, 현재는 계통연계형으로 태양광 발전 시스템을 구축하고있는 실정이다.
나아가, 태양광 전기에 대한 특혜적인 기준가격 의무구매제와 요금상계제 같은 재정적인 장려 정책을 호주, 독일, 이스라엘, 일본 및 미국을 포함한 많은 나라에서 지원함으로써 태양광 발전 설비의 설치를 확대하고 있다.
태양광 발전은 반영구적으로 활용할 수 있고, 태양 전지를 사용해서 유지 보수가 간편하며, 무공해의 태양 에너지원을 사용하는 점 등으로 미래의 대체 에너지원으로 각광받고 있다.
다만, 대용량의 태양광 전기를 생산하기 위해서는 넓은 지역에 많은 수의 태양광패널이 설치되어야 하는데, 이러한 복수의 태양광패널에 대한 세부적인 모니터링 없이는 태양광 발전이 적합한 성능으로 작동하고 있는지 또는 문제발생으로 태양광 발전의 효율성이 떨어지고 있는지 등을 파악할 수 없다.
따라서, 효과적인 태양광 발전 시스템의 효율적인 운영을 보장하기 위해서는 태양광발전설비들에 대한 효율적인 모니터링의 필요성이 대두되고 있다. 기상에 좌우되기 쉬운 태양광 발전을 대규모로 도입할 경우, 필수불가결한 선결문제인 PV(PhotoVoltaic) 발전량 예측기법을 확보함으로써 전력수급의 균형 및 안정화에 기여할 수 있다.
본 발명의 실시 예에 따르면, 태양광 발전 시스템(PV SYSYTEM)의 대량 도입시에 안정적인 전력수급 운용을 위하여 태양광 발전의 출력 현황 파악 및 사전 예측을 수행할 수 있도록 한다.
본 발명의 일 실시 예에 따른 태양광 발전량 모니터링 시스템은 기상 데이터를 입력받는 기상 데이터 입력부; 일조량 계측 데이터를 입력받는 일조량 데이터 입력부; 일조량 계측 데이터를 기반으로 현시점 태양광 발전량을 산출하는 태양광 발전량 산출부; 기상 데이터 및 일조량 계측 데이터를 기반으로 기 설정된 시간이 경과한 후의 미래시점 태양광 발전량을 추정하는 태양광 발전량 추정부; 및 상기 현시점 또는 미래시점 태양광 발전량을 출력하는 출력부를 포함할 수 있다.
상기 일조량 데이터 입력부는: 일조계가 설치된 지점에서 해당 일조계로 계측된 일조량을 입력받고, 상기 태양광 발전량 산출부는: 입력받은 일조량을 기반으로 사전에 정의된 일조량과 현시점 태양광 발전량 간의 상관관계를 나타내는 함수식에 따라 현시점 태양광 발전량을 산출할 수 있다.
상기 일조량 데이터 입력부는: 일조계가 설치된 다수의 지점 각각에서 해당 일조계로 계측된 일조량을 입력받고, 상기 태양광 발전량 산출부는: 다수의 지점에서 계측된 일조량의 평균값을 구하고, 상기 평균값을 기반으로 상기 함수식에 따라 현시점 태양광 발전량을 산출할 수 있다.
상기 태양광 발전량 산출부는: 다수의 지점의 위치를 나타내는 위치 정보를 불러오고, 다수의 지점에서 계측된 일조량 및 상기 다수의 지점의 위치 정보를 기반으로 일조량의 공간분포를 분석하고, 상기 공간분포를 기반으로 타겟 지점의 일조량을 추정하고, 상기 추정된 일조량을 기반으로 상기 함수식에 따라 현시점 태양광 발전량을 산출할 수 있다.
상기 태양광 발전량 추정부는: 시간, 기상 데이터 및 현시점 태양광 발전량을 포함하는 인자를 기반으로 인공지능 모듈을 기계 학습시키고, 상기 인공지능 모듈을 이용하여 미래시점 태양광 발전량을 추정할 수 있다.
상기 인공지능 모듈은: 인자를 입력받는 인자 입력부; 및 인자에 가중치를 반영하고 기 설정된 함수로 연산하여 연산된 값에 따라 미래시점 태양광 발전량을 결정하는 처리부를 포함할 수 있다.
본 발명의 일 실시 예에 따른 태양광 발전량 모니터링 방법은 기상 데이터 및 일조량 계측 데이터를 입력받는 단계; 일조량 계측 데이터를 기반으로 현시점 태양광 발전량을 산출하는 단계; 기상 데이터 및 일조량 계측 데이터를 기반으로 기 설정된 시간이 경과한 후의 미래시점 태양광 발전량을 추정하는 단계; 및 상기 현시점 또는 미래시점 태양광 발전량을 출력하는 단계를 포함할 수 있다.
본 발명의 실시 예에 따르면, 태양광 발전 시스템(PV SYSYTEM)의 대량 도입시에 안정적인 전력수급 운용을 위하여 태양광 발전의 출력 현황 파악 및 사전 예측을 수행할 수 있다.
도 1은 본 발명의 실시 예에 따른 태양광 발전 모니터링 시스템의 개념도이다.
도 2는 본 발명의 실시 예에 따른 태양광 발전 모니터링 시스템의 블록도이다.
도 3은 본 발명의 실시 예에 따른 태양광 발전 출력 추정 과정에 대한 예시적인 도면이다.
도 4는 본 발명의 실시 예에 따른 일조량 분포 파악 기법에 대한 예시적인 도면이다.
도 5는 본 발명의 실시 예에 따른 추정 일조량에 따라 태양광 발전 출력을 결정하는 과정에 대한 예시적인 도면이다.
도 6은 본 발명의 실시 예에 따른 인공지능 기반 예측 시스템에 대한 예시적인 도면이다.
도 7은 본 발명의 실시 예에 따른 태양광 발전량 모니터링 방법의 흐름도이다.
도 2는 본 발명의 실시 예에 따른 태양광 발전 모니터링 시스템의 블록도이다.
도 3은 본 발명의 실시 예에 따른 태양광 발전 출력 추정 과정에 대한 예시적인 도면이다.
도 4는 본 발명의 실시 예에 따른 일조량 분포 파악 기법에 대한 예시적인 도면이다.
도 5는 본 발명의 실시 예에 따른 추정 일조량에 따라 태양광 발전 출력을 결정하는 과정에 대한 예시적인 도면이다.
도 6은 본 발명의 실시 예에 따른 인공지능 기반 예측 시스템에 대한 예시적인 도면이다.
도 7은 본 발명의 실시 예에 따른 태양광 발전량 모니터링 방법의 흐름도이다.
이하, 본 발명의 실시 예를 첨부된 도면들을 참조하여 더욱 상세하게 설명한다. 본 발명의 실시 예는 여러 가지 형태로 변형할 수 있으며, 본 발명의 범위가 아래의 실시 예들로 한정되는 것으로 해석되어서는 안 된다. 본 실시 예는 당업계에서 평균적인 지식을 가진 자에게 본 발명을 더욱 완전하게 설명하기 위해 제공되는 것이다. 따라서 도면에서의 요소의 형상은 보다 명확한 설명을 강조하기 위해 과장되었다.
도 1은 본 발명의 실시 예에 따른 태양광 발전 모니터링 시스템의 개념도이다.
도 1을 참조하면, 태양광 발전 모니터링 시스템은 계측기로부터 받은 일사량 관측 데이터 및 위성으로부터 받은 위성 데이터로부터 일사량을 파악한다. 나아가, 일사량이 관측되지 않은 지역은 공간보정기법을 활용하여 추정한다.
그리고, 태양광 발전 모니터링 시스템은 시간별, 일별, 주별 및 월별에 일사량을 예측하고, 기상 데이터를 통해 일사량을 예측할 수 있다. 나아가, 기상예측(GPV) 데이터 및 통계법이 의해서도 일사량을 예측한다.
다시 말해, 태양광 발전 모니터링 시스템은 인공지능을 통해 일사량 파악 및 예측을 하여 태양광 발전의 출력을 추정하고 태양광 발전량을 결정하는 시스템이다.
도 2는 본 발명의 실시 예에 따른 태양광 발전 모니터링 시스템의 블록도이다.
도 2을 참조하면, 태양광 발전 모니터링 시스템은 기상 데이터 입력부(100), 일조량 데이터 입력부(200), 태양광 발전량 산출부(300), 태양광 발전량 추정부(400), 출력부(500) 및 인공지능 모듈(600)을 포함한다.
기상 데이터 입력부(100)는 기상 데이터를 입력 받는다. 여기서 기상 데이터는 기상관측에 의한 기온, 습도, 풍향, 풍속 및 일조량 등을 말한다. 이러한, 기상 데이터는 사용자 입력을 통해 입력받을 수도 있고, 각종 센서들에 의해 측정되어 저장공간에 저장되어 모니터링 시스템에서 불러와 사용될 수 있다. 예를 들면, 저장공간은 HDD, SSD 등과 같은 대용량 저장장치를 포함할 수 있으며, 이에 제한되지 않고 RAM, ROM, 캐쉬, 레지스터 등과 같은 고속의 저용량 저장장치 일 수 있다.
또한, 태양광 발전 모니터링 시스템은 일조량 데이터 입력부(200)를 통해 일조량 계측 데이터를 입력받는다. 일조량 데이터 입력부(200)는 일조계가 설치된 지점에서 해당 일조계로 계측된 일조량을 입력받는다.
태양광 발전량 산출부(300)는 일조량 계측 데이터를 기반으로 현시점 태양광 발전량을 산출한다. 일조량 데이터 입력부(200)로부터 입력받은 일조량을 기반으로 사전에 정의된 일조량과 현시점 태양광 발전량 간의 상관관계를 나타내는 함수식에 따라 현시점의 태양광 발전량을 산출한다.
태양광 발전량 추정부(400)는 기상 데이터 및 일조량 계측 데이터를 기반으로 기 설정된 시간이 경과한 후의 미래시점 태양광 발전량을 추정한다.
본 발명의 실시 예에 따르면, 현시점 또는 미래시점 태양광 발전량은 출력부(500)를 통해 출력되어 사용자에게 제공될 수 있다. 일 예로, 출력부(500)는 LCD 등과 같은 디스플레이 장치를 포함할 수 있으며, 후술하는 바와 같이 대상 영역의 일사량 분포 지도가 생성되면 그 지도를 화면에 표시하여 사용자에게 제공될 수 있다.
도 3은 본 발명의 실시 예에 따른 태양광 발전 출력 추정 과정에 대한 예시적인 도면이다.
도 3을 참조하면, 기상 데이터 및 위성 화상 관측 데이터를 입력받고, 대기상태(일조량, 기온 등등), 일조 강도 수치화 및 미 관측지점 보정을 통해 일조량을 산출한다.
나아가, PV(PhotoVoltaic) 종류, PV 사양, 정격, 설치 방위 및 각도에 대한 데이터를 입력 받아, 추정 일조량을 구하고 구름위치, 두께 및 이동 예측을 통해 일조량을 추정한다.
그 뒤, 일조량 산출 및 일조량 추정을 통해 PV 출력을 추정한다. 여기서, PV 출력을 분석 및 추정하는 과정은 시간흐름, 그림자, 지형, 입사각 및 방향에 따라 PV 출력을 분석 및 추정할 수 있다. 나아가, 인공지능 기술을 통해 시스템 스스로 학습하게 할 수 있다.
그러고 나서, PV 출력 분석 결과, 현시점의 PV 출력 현황을 파악할 수 있다. 예를 들면, 시간별 PV 출력 및 위치별 PV 출력을 실시간으로 파악할 수 있다. PV 출력 추정 결과, 단기 및 단기 PV 출력 사전 예측이 가능하다. 예를 들면, PV 출력 변동시점 및 변동량을 예측하거나 일별, 주별, 월별 PV 출력을 예측할 수 있다.
본 발명의 실시 예에 따르면, 일조량 데이터 입력부(200)는 일조계가 설치된 다수의 지점 각각에서 해당 일조계로 계측된 일조량을 입력받아, 태양광 발전량 산출부(300)는 다수의 지점에서 계측된 일조량의 평균량을 구하고, 평균값을 기반으로 함수식에 따라 현시점 태양광 발전량을 산출한다.
태양광 발전량 산출부(300)는 탐색적 공간 자료 분석(exploratory spatial data analysis)을 통해 일조량의 공간 분포 패턴을 분석할 수 있다.
구체적으로, 태양광 발전량 산출부(300)는 지구통계학에 기초하여 대상 영역 내에서 일조계가 설치된 영역 내에서 샘플 지점의 위치에 따른 태양광 일조량의 공간 변이성(spatial variability)을 산출할 수 있다.
이 때, 태양광 발전량 산출부(300)는 대상 영역 내 참조 지점에서 계측된 일조량의 실측값을 기초로 유효 일조량 범위를 설정하고, 복수의 샘플 지점 중에서 일조량이 유효 일조량 범위를 벗어나는 샘플 지점을 공간 변이성의 산출 과정에서 제외시킬 수 있다.
유효 일조량 범위는 상한값 및 하한값이 실측값을 전후하여 소정의 범위를 두고 설정될 수 있다. 실시 예에 따라 유효 일조량 범위는 상한값 및 하한값 중 어느 하나만으로 설정될 수도 있다.
이와 같은 과정을 통해 일조계가 분포된 계측 지점으로 부터 얻은 일조량 계측 데이터 뿐만 아니라 참조 지점에서의 데이터를 반영함으로써 보다 객관적이고 신뢰성있는 일조량 계측 데이터를 얻을 수 있다.
이 후, 산출된 공간 변이성에 대응하는 베리오그램(variogram) 모델을 기반으로 각 샘플 지점에 대한 가중치를 결정하고, 가중치 및 샘플 지점의 일조량을 기반으로 산출된 공간 변이성에 대응하는 크리깅(kriging) 알고리즘에 따라 타 지점의 일조량 계측량을 산출할 수 있다.
여기서, 베리오그램이란 일정한 거리에 있는 데이터들의 유사성을 나타내는 척도로, 일정 거리 h만큼 떨어진 데이터들 간의 차이를 제곱한 것의 기대값으로 아래와 같이 계산된다.
여기서, 2γ(h)는 베리오그램 함수이고, Z(·)는 샘플 지점의 일조량 계측값이고, h는 샘플 지점들 사이의 거리이다.
태양광 발전량 추정부(400)는 샘플 지점의 위치 및 일조량 게측값으로부터 산출된 공간 변이성에 대응하여 구형(Spherical) 베리오그램 모델을 선택하고, 이 구형 베리오그램 모델을 기반으로 각 샘플 지점에 대한 가중치를 결정할 수 있다. 구형 베리오그램 모델은 3차 다항식으로 표현되며 상관 거리에서 베리오그램 값이 문턱값과 일치할 수 있다.
본 발명의 실시 예에 따르면, 태양광 발전량 추정부(400)는 샘플 지점의 위치 및 일조량 계측값으로부터 산출된 공간 변이성에 대응하여 일반 크리깅(universal kriging) 알고리즘을 선택하고, 이 일반 크리깅 알고리즘에 가중치 및 샘플 지점의 일조량 계측값을 입력하여 대상 영역 내 타 지점의 일조량 게측값을 산출할 수 있다. 일반 크리깅 알고리즘은 추정하고자 하는 지역의 국지적인 평균값이 각 지역 내에서 완만하게 변화하고 있음을 전제하는 알고리즘으로, 가중치를 계산할 때 자료 분포의 공간적 불변성을 제거하지 않는다.
본 발명의 다른 실시 예에 따르면 태양광 발전량 예측 알고리즘은 시계열적 분석기법을 통해 계절별 또는 시간별로 구분되는 데이터를 추출하여 적용할 수 있다. 예를 들면, 누적된 일출 시간과 일몰 시간을 포함하는 데이터 중에서 동일한 일출 시간과 일몰 시간을 갖는 일자를 추출한다. 여기서, 일출 시간과 일몰 시간은 소정의 범위(예를 들면, -5분에서 +5분의 범위, 즉, 7시 5분이라면 7시 00분에서 7시 10분의 범위)를 가지는 동일한 일출 시간과 일몰 시간을 갖는 일자를 추출할 수 있다.
그 뒤, 일출 시간과 일몰 시간이 동일한 일자의 기상 예보 데이터를 수집한다. 여기서, 예보는 구름의 양을 말할 수 있다. 그러나, 구름의 양이 일조량에 가장 큰 영향을 미치는 요인이라고 가정하여, 구름의 양을 예보라고 한 것 일뿐, 일조량의 영향을 미치는 요인이라면 어떠한 요인도 가능하다.
그러고 나서, 수집된 기상 예보 데이터를 바탕으로 해당 시간의 일조량을 예측하고 태양광 발전량을 추정할 수 있다.
도 4는 본 발명의 실시 예에 따른 일조량 분포 파악 기법에 대한 예시적인 도면이다.
도 4를 참조하면, 일조량 분포 파악 기법을 알 수 있다. 크게, 일조량 계측 데이터를 이용하는 기법과 위성사진으로부터 추정하는 기법이 있다.
본 발명에서 일조량 산출은 일조량 계측 데이터로부터 할 수도 있고, 위성 데이터로부터 일조량을 산출할 수 있다. 일조량은 일조량 계측기가 분포된 지역에 한해서 일조량 계측 데이터를 산출할 수 있지만, 공간보정(Kringing 기법 등)기법을 사용해서 일조량 계측기가 분포되지 않은 지역에서도 일조량을 추정하여 일조량 산출 모델링할 수 있다.
예를 들면, 일조량 계측기가 분포된 지역의 일조량을 관측하고 관측된 지점의 관측결과를 기초로 공간보정기법을 사용해서 미 관측지점의 일조량을 추정할 수 있다. 실제 일조량이 관측된 지점 및 공간보정기법을 이용해서 일조량이 추정된 지점의 일조량을 산출하여 실제 지도 모형에 맵핑하여 일조강도를 추정할 수 있다.
다른 예를 들면, 우리나라, 일본, 중국과 같은 동북아시아 권역은 북반구 온대 기후 영역에 속하며, 이 기후대는 여름에는 남동풍의 영향을 받고 겨울에는 북서풍의 영향을 받는다. 따라서, 이 기후대는 비교적 봄과 가을에는 계절풍의 영향을 적게 받아 대상영역 내 어느 한 지점에서 위치한 구름이 다른 지점으로 이동하는 경향이 감소할 수 있다. 구름의 이동 경로를 예측하고 이를 바탕으로 일조량을 예측할 수 있다.
나아가, 기상 데이터 입력부(100)로부터 기상 데이터를 입력받아 일조량을 예측할 수 있다. 기상 예측(GPV)데이터 및 기상 통계법에 의한 일조량을 예측할 수 있다.
예를 들면, 기상 위상의 관측에 의한 구름 기상 데이터 및 화상 데이터를 받고나서, 기술 사진을 작성하고 기상 상태에 따른 일조량을 예측하여 추정 일조량 분포를 지도에 나타낼 수 있다.
이와 같이 본 발명의 실시 예는 광역에 걸친 일조량 산출 및 예측에 있어서 기상 테이터로부터 얻은 관측 자료 뿐만 아니라 관측 지점에서의 일조량 계측기의 실측 자료를 반영함으로써 보다 객관적이고 신뢰성 있는 일조량을 파악할 수 있다.
도 5는 본 발명의 실시 예에 따른 추정 일조량에 따라 태양광 발전 출력을 결정하는 과정에 대한 예시적인 도면이다.
도 5를 참조하면, 추정 일조량을 기초로 태양광 발전 출력을 산출하는 과정을 알 수 있다.
예를 들면, 추정 일조량을 기초로 태양광 발전 시설의 정보를 기초로 PV 패널의 가중평균 일조량을 구할 수 있다. PV 패널의 가중평균 일조량은 패널의 방위각 및 경사각과 같이 PV 패널의 스펙이 따른 태양광 발전 시설의 효율에 영향을 미칠 수 있는 종속요인이면 어떠한 값도 참고하여 산출할 수 있다.
나아가, 추정 일조량에 PV 패널의 가중평균 일조량과 태양광 발전 시설의 설비용량, 출력 계수 및 온도 계수를 활용하여 PV출력을 산출할 수 있다. 또한, 시설 자체의 자가소비에 의한 요소도 고려할 수 있다.
본 발명의 실시 예에 따르면, 태양광 발전량 산출부(300)는 다수의 지점의 위치를 나타내는 위치 정보를 불러오고, 다수의 지점에서 계측된 일조량 및 다수의 지점의 위치 정보를 기반으로 일조량 공간분포를 분석하고, 공간분포를 기반으로 타겟 지점의 일조량을 추정하고, 추정된 일조량을 기반으로 함수식에 따라 현시점 태양광 발전량을 산출한다.
일조량 데이터를 기반으로 종합적으로 PV 출력을 산출하는 과정을 인공지능을 통해 학습하는 방법을 이용할 수 있다.
도 6은 본 발명의 실시 예에 따른 인공지능 기반 예측 시스템에 대한 예시적인 도면이다.
본 발명의 실시 예에 따르면, 태양광 발전량 추정부(400)는 시간, 기상 데이터 및 현시점 태양광 발전량을 포함하는 인자를 기반으로 인공지능 모듈(600)을 기계 학습시키고, 인공지능 모듈(600)을 이용하여 미래시점 태양광 발전량을 추정할 수 있다.
본 발명의 실시 예에 따르면, 인공지능 모듈(600)은 인자 입력부(610) 및 처리부(620)를 포함한다. 인자 입력부(610)은 인자를 입력받고, 처리부(620)는 인자에 가중치를 반영하고 기 설정된 함수로 연산하여 연상된 값에 따라 미래시점 태양광 발전량을 결정할 수 있다.
도 6을 참조하면, 인공지능 시스템에 일조량 및 기상에 대한 데이터를 입력하여 일조량 및 기상을 예측하여 PV 출력 발전량을 추정하고 결정할 수 있다.
예를 들면, 입력 데이터는 구조물 조건 데이터, 일기 예보 데이터, 온도, 습도, 풍향 데이터 및 경사면 각도 데이터가 될 수 있다. 인공지능 시스템은 입력 및 출력 데이터가 많아질수록 더 정확한 시스템으로 발전된다.
나아가, 태양광 발전량 모니터링 시스템은 사전에 구성된 인공 신경망에 부재들에 관한 데이터를 입력 인자로 적용하고, 인공 신경망에 설정된 함수에 따라 데이터를 처리하여 태양광 발전량을 산출할 수 있다.
상기 인공 신경망은 다수의 노드들이 유기적으로 연결되도록 구성되며, 각 노드는 인공 뉴런에 해당한다. 노드들 사이에 표시되어 있는 화살표는 하나의 노드에서 출력된 데이터가 다른 노드의 입력으로 제공됨을 나타낸다.
도 6에서는 입력층의 각 노드가 은닉층의 각 노드에 화살표로 연결되어 있고 은닉층의 각 노드가 출력층의 각 노드에 화살표로 연결되어 있으나, 도 6의 노드 구성은 예시적인 것으로 본 발명의 실시예에 따른 인공 신경망은 이와 다른 구조로 구성될 수 있다.
인공 신경망은 기 설정된 함수에 의해 정의될 수 있으며, 상기 함수는 인공 신경망에 적용되는 입력 인자에 의해 기술될 수 있다.
산출이 완료된 태양광 발전량에 관한 정보를 기초로 상기 인공 신경망(200)을 학습시킴으로써 최적의 태양광 발전량을 산출하고 효율적으로 운용할 수 있다.
이와 같은 태양광 발전 시스템을 대량 도입하면 안정적인 전력수급 운용이 가능하여 태양광 발전의 출력 현황 파악 및 사전 예측 수행이 가능하다.
도 7은 본 발명의 실시 예에 따른 태양광 발전량 모니터링 방법의 흐름도이다. 도 7을 참조하면, 태양광 발전량 모니터링 방법은 아래와 같은 순서로 구성된다.
기상 데이터 및 일조량 계측 데이터를 입력받는 단계(S10), 일조량 계측 데이터를 기반으로 현시점 태양광 발전량을 산출하는 단계(S20), 기상 데이터 및 일조량 계측 데이터를 기반으로 기 설정된 시간이 경과 한 후의 미래시점 태양광 발전량을 추정하는 단계(S30) 및 현시점 또는 미래시점 태양광 발전량을 출력하는 단계(S30)를 포함할 수 있다.
이상의 상세한 설명은 본 발명을 예시하는 것이다. 또한 전술한 내용은 본 발명의 바람직한 실시 형태를 나타내어 설명하는 것이며, 본 발명은 다양한 다른 조합, 변경 및 환경에서 사용할 수 있다. 즉 본 명세서에 개시된 발명의 개념의 범위, 저술한 개시 내용과 균등한 범위 및/또는 당업계의 기술 또는 지식의 범위내에서 변경 또는 수정이 가능하다. 저술한 실시예는 본 발명의 기술적 사상을 구현하기 위한 최선의 상태를 설명하는 것이며, 본 발명의 구체적인 적용 분야 및 용도에서 요구되는 다양한 변경도 가능하다. 따라서 이상의 발명의 상세한 설명은 개시된 실시 상태로 본 발명을 제한하려는 의도가 아니다. 또한 첨부된 청구범위는 다른 실시 상태도 포함하는 것으로 해석되어야 한다.
100 : 기상 데이터 입력부
200 : 일조량 데이터 입력부
300 : 태양광 발전량 산출부
400 : 태양광 발전량 추정부
500 : 출력부
600 : 인공지능 모듈
200 : 일조량 데이터 입력부
300 : 태양광 발전량 산출부
400 : 태양광 발전량 추정부
500 : 출력부
600 : 인공지능 모듈
Claims (7)
- 기상 데이터를 입력받는 기상 데이터 입력부;
일조량 계측 데이터를 입력받는 일조량 데이터 입력부;
일조량 계측 데이터를 기반으로 현시점 태양광 발전량을 산출하는 태양광 발전량 산출부;
기상 데이터 및 일조량 계측 데이터를 기반으로 기 설정된 시간이 경과한 후의 미래시점 태양광 발전량을 추정하는 태양광 발전량 추정부; 및
상기 현시점 또는 미래시점 태양광 발전량을 출력하는 출력부를 포함하고,
상기 일조량 데이터 입력부는:
일조계가 설치된 다수의 지점 각각에서 해당 일조계로 계측된 일조량을 입력받고,
상기 태양광 발전량 산출부는:
다수의 지점에서 계측된 일조량의 평균값을 구하고, 상기 평균값을 기반으로 함수식에 따라 현시점 태양광 발전량을 산출하고,
탐색적 공간 자료 분석(exploratory spatial data analysis)을 통해 일조량의 공간 분포 패턴을 분석하고,
지구통계학에 기초하여 대상 영역 내에서 일조계가 설치된 영역 내에서 샘플 지점의 위치에 따른 태양광 일조량의 공간 변이성(spatial variability)을 산출하고,
산출된 공간 변이성에 대응하는 베리오그램(variogram) 모델을 기반으로 각 샘플 지점에 대한 가중치를 결정하고, 가중치 및 샘플 지점의 일조량을 기반으로 산출된 공간 변이성에 대응하는 크리깅(kriging) 알고리즘에 따라 타 지점의 일조량 계측량을 산출하는 태양광 발전량 모니터링 시스템.
- 삭제
- 삭제
- 삭제
- 청구항 1에 있어서,
상기 태양광 발전량 추정부는:
시간, 기상 데이터 및 현시점 태양광 발전량을 포함하는 인자를 기반으로 인공지능 모듈을 기계 학습시키고, 상기 인공지능 모듈을 이용하여 미래시점 태양광 발전량을 추정하는 태양광 발전량 모니터링 시스템. - 청구항 5에 있어서,
상기 인공지능 모듈은:
인자를 입력받는 인자 입력부; 및
인자에 가중치를 반영하고 기 설정된 함수로 연산하여 연산된 값에 따라 미래시점 태양광 발전량을 결정하는 처리부를 포함하는 태양광 발전량 모니터링 시스템. - 기상 데이터 및 일조량 계측 데이터를 입력받는 단계;
일조량 계측 데이터를 기반으로 다수의 지점에서 계측된 일조량의 평균값을 구하고, 상기 평균값을 기반으로 함수식에 따라 현시점 태양광 발전량을 산출하는 단계;
기상 데이터 및 일조량 계측 데이터를 기반으로 기 설정된 시간이 경과한 후의 미래시점 태양광 발전량을 추정하는 단계; 및
상기 현시점 또는 미래시점 태양광 발전량을 출력하는 단계를 포함하고,
상기 현시점 태양광 발전량을 산출하는 단계는:
탐색적 공간 자료 분석(exploratory spatial data analysis)을 통해 일조량의 공간 분포 패턴을 분석하는 단계,
지구통계학에 기초하여 대상 영역 내에서 일조계가 설치된 영역 내에서 샘플 지점의 위치에 따른 태양광 일조량의 공간 변이성(spatial variability)을 산출하는 단계,
산출된 공간 변이성에 대응하는 베리오그램(variogram) 모델을 기반으로 각 샘플 지점에 대한 가중치를 결정하고, 가중치 및 샘플 지점의 일조량을 기반으로 산출된 공간 변이성에 대응하는 크리깅(kriging) 알고리즘에 따라 타 지점의 일조량 계측량을 산출하는 단계를 포함하는 태양광 발전량 모니터링 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180048611A KR102030925B1 (ko) | 2018-04-26 | 2018-04-26 | 태양광 발전량 모니터링 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180048611A KR102030925B1 (ko) | 2018-04-26 | 2018-04-26 | 태양광 발전량 모니터링 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102030925B1 true KR102030925B1 (ko) | 2019-10-10 |
Family
ID=68206829
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180048611A KR102030925B1 (ko) | 2018-04-26 | 2018-04-26 | 태양광 발전량 모니터링 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102030925B1 (ko) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102159057B1 (ko) | 2020-06-04 | 2020-09-24 | 쏠라리버주식회사 | 태양광 발전 시스템 |
| KR20210151353A (ko) * | 2020-06-05 | 2021-12-14 | 한국전력공사 | 전류센싱형 태양광 발전효율 최적 패널 제어 방법 |
| KR20220066707A (ko) | 2020-11-16 | 2022-05-24 | 옴니시스템 주식회사 | 심층 학습 모델을 기반으로 태양광 발전량을 계측하기 위한 장치 및 이를 위한 방법 |
| KR20220072961A (ko) * | 2020-11-25 | 2022-06-03 | 주식회사 나눔에너지 | 머신러닝을 이용한 태양광 발전 예측 시스템 및 방법 |
| KR20220072962A (ko) * | 2020-11-25 | 2022-06-03 | 주식회사 나눔에너지 | 구름 음영 효과를 적용한 태양광 발전 예측 시스템 |
| KR20220072960A (ko) * | 2020-11-25 | 2022-06-03 | 주식회사 나눔에너지 | 머신러닝을 이용한 태양광 발전 예측 시스템 |
| KR20220080995A (ko) * | 2020-12-08 | 2022-06-15 | 영남대학교 산학협력단 | 인공지능기반의 신재생 에너지를 이용하여 가로등 제어 방법 및 장치 |
| KR102444254B1 (ko) * | 2021-04-05 | 2022-09-19 | 주식회사 풍성인더스 | 태양광 발전량 예측 시스템 및 방법 |
| KR20220163014A (ko) * | 2021-06-02 | 2022-12-09 | 한전케이디엔주식회사 | 태양광 발전원 출력 예측 장치 및 방법 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013029923A (ja) * | 2011-07-27 | 2013-02-07 | Chugoku Electric Power Co Inc:The | 太陽光発電量把握システム及びこれを用いた負荷予想装置、負荷調整装置 |
| JP2016152644A (ja) * | 2015-02-16 | 2016-08-22 | 北陸電力株式会社 | 太陽光発電出力の推定方法、及び装置 |
| KR101761686B1 (ko) * | 2017-03-31 | 2017-07-31 | (주)하모니앤유나이티드 | 머신 러닝을 이용한 태양광 발전량 실시간 예측 시스템 |
| JP2018007370A (ja) * | 2016-06-29 | 2018-01-11 | 関西電力株式会社 | 太陽光発電出力推定装置及び太陽光発電出力推定方法 |
-
2018
- 2018-04-26 KR KR1020180048611A patent/KR102030925B1/ko active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013029923A (ja) * | 2011-07-27 | 2013-02-07 | Chugoku Electric Power Co Inc:The | 太陽光発電量把握システム及びこれを用いた負荷予想装置、負荷調整装置 |
| JP2016152644A (ja) * | 2015-02-16 | 2016-08-22 | 北陸電力株式会社 | 太陽光発電出力の推定方法、及び装置 |
| JP2018007370A (ja) * | 2016-06-29 | 2018-01-11 | 関西電力株式会社 | 太陽光発電出力推定装置及び太陽光発電出力推定方法 |
| KR101761686B1 (ko) * | 2017-03-31 | 2017-07-31 | (주)하모니앤유나이티드 | 머신 러닝을 이용한 태양광 발전량 실시간 예측 시스템 |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102159057B1 (ko) | 2020-06-04 | 2020-09-24 | 쏠라리버주식회사 | 태양광 발전 시스템 |
| KR20210151353A (ko) * | 2020-06-05 | 2021-12-14 | 한국전력공사 | 전류센싱형 태양광 발전효율 최적 패널 제어 방법 |
| KR102385171B1 (ko) | 2020-06-05 | 2022-04-12 | 한국전력공사 | 전류센싱형 태양광 발전효율 최적 패널 제어 방법 |
| KR20220066707A (ko) | 2020-11-16 | 2022-05-24 | 옴니시스템 주식회사 | 심층 학습 모델을 기반으로 태양광 발전량을 계측하기 위한 장치 및 이를 위한 방법 |
| KR20220072960A (ko) * | 2020-11-25 | 2022-06-03 | 주식회사 나눔에너지 | 머신러닝을 이용한 태양광 발전 예측 시스템 |
| KR20220072962A (ko) * | 2020-11-25 | 2022-06-03 | 주식회사 나눔에너지 | 구름 음영 효과를 적용한 태양광 발전 예측 시스템 |
| KR20220072961A (ko) * | 2020-11-25 | 2022-06-03 | 주식회사 나눔에너지 | 머신러닝을 이용한 태양광 발전 예측 시스템 및 방법 |
| KR102488669B1 (ko) | 2020-11-25 | 2023-01-16 | 주식회사 나눔에너지 | 구름 음영 효과를 적용한 태양광 발전 예측 시스템 |
| KR102488667B1 (ko) | 2020-11-25 | 2023-01-16 | 주식회사 나눔에너지 | 머신러닝을 이용한 태양광 발전 예측 시스템 |
| KR102488668B1 (ko) | 2020-11-25 | 2023-01-16 | 주식회사 나눔에너지 | 머신러닝을 이용한 태양광 발전 예측 시스템 및 방법 |
| KR20220080995A (ko) * | 2020-12-08 | 2022-06-15 | 영남대학교 산학협력단 | 인공지능기반의 신재생 에너지를 이용하여 가로등 제어 방법 및 장치 |
| KR102604662B1 (ko) * | 2020-12-08 | 2023-11-22 | 영남대학교 산학협력단 | 인공지능기반의 신재생 에너지를 이용하여 가로등 제어 방법 및 장치 |
| KR102444254B1 (ko) * | 2021-04-05 | 2022-09-19 | 주식회사 풍성인더스 | 태양광 발전량 예측 시스템 및 방법 |
| KR20220163014A (ko) * | 2021-06-02 | 2022-12-09 | 한전케이디엔주식회사 | 태양광 발전원 출력 예측 장치 및 방법 |
| KR102535944B1 (ko) * | 2021-06-02 | 2023-05-26 | 한전케이디엔주식회사 | 태양광 발전원 출력 예측 장치 및 방법 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102030925B1 (ko) | 태양광 발전량 모니터링 시스템 | |
| KR102076426B1 (ko) | 상세기상 예측정보 실시간 운영 시스템과 이를 이용하는 폭염 및 열대야 영향 예보 활용 방법 | |
| Babar et al. | Random forest regression for improved mapping of solar irradiance at high latitudes | |
| Ayvazoğluyüksel et al. | Estimation methods of global solar radiation, cell temperature and solar power forecasting: A review and case study in Eskişehir | |
| Aguiar et al. | Use of satellite data to improve solar radiation forecasting with Bayesian Artificial Neural Networks | |
| Engerer et al. | KPV: A clear-sky index for photovoltaics | |
| Zeng et al. | Daily global solar radiation in China estimated from high‐density meteorological observations: a random forest model framework | |
| Tadj et al. | Improving the performance of PV systems by faults detection using GISTEL approach | |
| Rosiek et al. | Online 3-h forecasting of the power output from a BIPV system using satellite observations and ANN | |
| Huang et al. | An analytical comparison of four approaches to modelling the daily variability of solar irradiance using meteorological records | |
| Das | Short term forecasting of solar radiation and power output of 89.6 kWp solar PV power plant | |
| Obiwulu et al. | Implicit meteorological parameter-based empirical models for estimating back temperature solar modules under varying tilt-angles in Lagos, Nigeria | |
| Trigo-González et al. | Hourly PV production estimation by means of an exportable multiple linear regression model | |
| Chu et al. | Intra-hour irradiance forecasting techniques for solar power integration: A review | |
| Kato | Prediction of photovoltaic power generation output and network operation | |
| Bertrand et al. | Solar irradiation from the energy production of residential PV systems | |
| Böök et al. | Site-specific adjustment of a NWP-based photovoltaic production forecast | |
| Schuster | The quest for the optimum angular-tilt of terrestrial solar panels or their angle-resolved annual insolation | |
| Mayer | Influence of design data availability on the accuracy of physical photovoltaic power forecasts | |
| Takilalte et al. | New approach to estimate 5-min global solar irradiation data on tilted planes from horizontal measurement | |
| Chiteka et al. | A method to predict solar photovoltaic soiling using artificial neural networks and multiple linear regression models | |
| Kam et al. | Comparative Weibull distribution methods for reliable global solar irradiance assessment in France areas | |
| Awad et al. | Predicting the energy production by solar photovoltaic systems in cold-climate regions | |
| Cheng | Hybrid solar irradiance now-casting by fusing Kalman filter and regressor | |
| Pepe et al. | Model estimation for solar generation forecasting using cloud cover data |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |