KR102054163B1 - 태양광 발전량 예측 시스템 및 이를 포함하는 태양광 발전 장치 - Google Patents
태양광 발전량 예측 시스템 및 이를 포함하는 태양광 발전 장치 Download PDFInfo
- Publication number
- KR102054163B1 KR102054163B1 KR1020190047772A KR20190047772A KR102054163B1 KR 102054163 B1 KR102054163 B1 KR 102054163B1 KR 1020190047772 A KR1020190047772 A KR 1020190047772A KR 20190047772 A KR20190047772 A KR 20190047772A KR 102054163 B1 KR102054163 B1 KR 102054163B1
- Authority
- KR
- South Korea
- Prior art keywords
- data information
- information
- power generation
- defect
- data
- Prior art date
Links
- 238000010248 power generation Methods 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 claims abstract description 33
- 239000000428 dust Substances 0.000 claims abstract description 11
- 238000013480 data collection Methods 0.000 claims abstract description 10
- 230000007547 defect Effects 0.000 claims description 80
- 230000002950 deficient Effects 0.000 claims description 43
- 238000003745 diagnosis Methods 0.000 claims description 19
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 10
- 241001465754 Metazoa Species 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 6
- 238000011109 contamination Methods 0.000 claims description 3
- -1 lightning Substances 0.000 abstract 1
- 230000033001 locomotion Effects 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 238000003491 array Methods 0.000 description 3
- 230000008030 elimination Effects 0.000 description 3
- 238000003379 elimination reaction Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002093 peripheral effect Effects 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
-
- G06K9/20—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
-
- 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
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
-
- Y02E10/566—
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Photovoltaic Devices (AREA)
Abstract
실시예의 태양광 발전량 예측 시스템은 태양광 모듈의 주변 정보를 수집하는 센서부와, 기상청의 기상 정보에 대한 제1 데이터 정보를 수집하는 제1 데이터 수집부와, 상기 센서부로부터 미세먼지, 낙뢰, 구름에 대한 제2 데이터 정보를 수집하는 제2 데이터 수집부와, 상기 센서부로부터 상기 태양광 모듈의 주변 물체 및 상기 주변 물체로부터 수집되는 정보에 대한 제3 데이터 정보를 수집하는 제3 데이터 수집부와, 상기 제1 데이터 정보, 상기 제2 데이터 정보 및 상기 제3 데이터 정보를 입력받아 머신 런닝 기법을 이용하여 발전량을 예측하는 예측 모델 생성부를 포함할 수 있다.
실시예는 기후 정보 외 태양광 모듈의 주변의 데이터 정보를 반영함으로써, 태양광의 발전량을 효과적으로 측정할 수 있는 효과가 있다.
실시예는 기후 정보 외 태양광 모듈의 주변의 데이터 정보를 반영함으로써, 태양광의 발전량을 효과적으로 측정할 수 있는 효과가 있다.
Description
실시예는 태양광의 발전량을 효과적으로 예측하기 위한 예측 시스템 및 이를 포함하는 태양광 발전 장치에 관한 것이다.
일반적으로, 태양광 발전에 있어서 현재 사용되고 있는 태양전지(Solar cell) 하나의 출력은 매우 작기 때문에 필요한 출력을 효율적으로 얻기 위해서 여러 개의 태양전지를 연결하여 태양전지 모듈(Photovaltaic Module)을 구성하여 사용한다.
태양전지 모듈 하나에서 발생되는 전력은 1개의 태양전지에 비해 큰 용량을 가지지만, 소형 장치의 전원으로 이용이 가능할 뿐, 일반 상용전력 계통에 발전전력을 공급하기에는 전력량이 작아 무리가 따른다.
이 때문에 전력 계통에 연결하여 발전 전력을 송전하고자 하는 경우 몇 개의 태양전지 모듈을 한 그룹으로 연결하거나, 또는 이러한 그룹을 여러 개 병렬로 연결하여 태양전지 어레이(PV array)를 구성하고, 이를 통해 발전 및 송전에 필요한 전압 및 전력을 확보하고 있다. 이러한 전압 및 전력의 확보를 위해 태양전지 모듈을 직렬로 연결하여 어레이를 구성하고, 복수의 어레이를 하나의 그룹으로 하여 태양전지 어레이를 구성하는 것이 보편적이다.
PV 어레이는 태양광을 DC 전력으로 변환하여 접속반을 통해 인버터로 전송하며, 인버터는 PV 어레이를 통해 생성된 DC 전력을 계통에 연계할 수 있도록 AC 전력으로 변환해주는 역할을 한다.
여기서, 태양광 발전 장치의 용량에 따라 PV 어레이가 직렬과 병렬로 연결되는데, PV 셀이 직렬로 연결되어 하나의 어레이(string)이 구성되고, 이들 어레이가 병렬로 연결되어 PV 어레이가 구성된다.
한편, 태양광 발전 장치의 수요 증가와 필요성에도 불구하고 기술 발전 및 발전 설비 구축의 어려움, 관리 인력 부족 등의 문제를 가지고 있다. 특히, 태양광 발전 장치는 특성 상 기후 조건에 따른 발전량 변동이 심하며 기온, 전운량, 일사량 등 단일 데이터를 이용한 단순한 비교만으로 발전 상태를 예측할 수 없다.
이를 위해 최근에는 기상청에서 제공하는 기후 조건들을 이용하여 태양광 발전 장치의 발전량을 예측하는 시스템이 개발되고 있다.
하지만, 기상청에서 제공하는 기후 조건들 이외에도 태양광 발전 효율을 저해하는 여러 변수가 존재하는데, 이러한 정보가 반영이 되지 않고 있어 태양광의 발전 효율 예측은 더욱 신뢰성이 저하된다.
상술한 문제점을 해결하기 위해 실시예는 태양광 발전량의 예측 효율을 향상시키기 위한 태양광 발전량 예측 시스템 및 이를 포함하는 태양광 발전 장치를 제공하는 것을 그 목적으로 한다.
또한, 실시예는 태양광의 발전 효율을 저해하는 요소를 검출하기 위한 태양광 발전량 예측 시스템 및 이를 포함하는 태양광 발전 장치를 제공하는 것을 그 목적으로 한다.
실시예의 태양광 발전량 예측 시스템은 태양광 모듈의 주변 정보를 수집하는 센서부와, 기상청의 기상 정보에 대한 제1 데이터 정보를 수집하는 제1 데이터 수집부와, 상기 센서부로부터 미세먼지, 낙뢰, 구름에 대한 제2 데이터 정보를 수집하는 제2 데이터 수집부와, 상기 센서부로부터 상기 태양광 모듈의 주변 물체 및 상기 주변 물체로부터 수집되는 정보에 대한 제3 데이터 정보를 수집하는 제3 데이터 수집부와, 상기 제1 데이터 정보, 상기 제2 데이터 정보 및 상기 제3 데이터 정보를 입력받아 머신 런닝 기법을 이용하여 발전량을 예측하는 예측 모델 생성부를 포함할 수 있다.
상기 예측 모델 생성부는 상기 제1 데이터 정보, 상기 제2 데이터 정보 및 상기 제3 데이터 정보를 6:3:1 비율로 가중치를 부여할 수 있다.
상기 제3 데이터 정보는 건물의 음영, 공사 현장, 저수지, 동물 또는 조류의 움직임 정보를 포함할 수 있다.
상기 제3 데이터 정보는 상기 태양광 모듈의 손상 및 오염 정보를 더 포함할 수 있다.
상기 제2 데이터 수집부 및 상기 제3 데이터 수집부는 센서 또는 카메라를 통해 수집될 수 있다.
상기 머신 런닝 기법은 신경망, SVM, 딥러닝 기법을 포함할 수 있다.
상기 예측 모델 생성부로부터 측정된 예측값과 상기 태양광 모듈의 실제값을 비교하여 발전량을 저해하는 요소를 검출하는 결함 진단부를 더 포함할 수 있다.
상기 결함 진단부는 상기 예측값과 상기 실제값을 비교하여 결함을 판단하는 결함 판단부와, 상기 제1 데이터 수집부 내지 상기 제3 데이터 수집부로부터 수집된 입력값으로부터 발전량을 저해하는 결함 요소를 검출하는 결함요소 검출부를 포함할 수 있다.
상기 결함 진단부는 상기 결함요소 검출부로부터 검출된 결함 요소의 제거가 가능한지 판단하는 결함요소 제거 판단부를 더 포함할 수 있다.
상기 제거 가능한 결함요소 데이터는 상기 제3 데이터 정보일 수 있다.
상기 결함요소 제거 판단부는 상기 결함 요소가 제거 가능한지 사용자에게 알려줄 수 있다.
또한, 실시예의 태양광 발전 장치는 복수의 태양광 모듈 그룹과, 상기 태양광 모듈의 발전량을 예측하는 제1항 내지 제11항 중 어느 한 항의 태양광 발전량 예측 시스템과, 상기 태양광 모듈 그룹별로 발전량을 비교하여 결함이 발생된 상기 태양광 모듈의 그룹을 선택하여 이를 사용자에게 통지하는 제어부를 포함할 수 있다.
상기 제어부는 상기 태양광 모듈 그룹의 예측값과 실제값을 비교하고, 상기 예측값과 상기 실제값의 차의 절대값이 임계값 이상이면 결함이라고 판단할 수 있다.
상기 제어부는 태양광 모듈의 그룹별의 발전 효율을 측정하여 이를 사용자에게 통지할 수 있다.
상기 제어부는 상기 태양광 모듈 그룹의 예측값과 실제값을 비교하고, 상기 예측값과 상기 실제값의 차의 절대값이 가장 작은 값을 가지는 그룹이 발전 효율이 높다고 판단할 수 있다.
실시예는 기후 정보 외 태양광 모듈의 주변의 데이터 정보를 반영함으로써, 태양광의 발전량을 효과적으로 측정할 수 있는 효과가 있다.
또한, 실시예는 태양광 발전량을 저해하는 요소를 검출함으로써, 태양광 모듈을 효과적으로 관리할 수 있는 효과가 있다.
또한, 실시예는 태양광 발전량을 저해하는 요소의 제거 가능 여부를 측정함으로써, 태양광 모듈을 더욱 효과적으로 관리할 수 있는 효과가 있다.
또한, 실시예는 태양광 발전 장치의 그룹 별로 발전 효율을 비교함으로써, 태양광 발전 장치를 효과적으로 관리할 수 있는 효과가 있다.
도 1은 실시예에 따른 태양광 발전량 예측 시스템을 나타낸 블록도이다.
도 2 및 도 3은 실시예에 따른 태양광 발전량 예측 시스템의 머신 런닝 구조를 나타낸 블록도이다.
도 4는 실시예에 따른 태양광 발전량 예측 시스템의 예측 모델의 생성 단계를 나타낸 순서도이다.
도 5는 실시예에 따른 태양광 발전량 예측 시스템의 결함 진단 과정을 나타낸 순서도이다.
도 6은 실시예에 따른 태양광 발전량 예측 시스템의 결함 요소를 검출하는 과정을 나타낸 순서도이다.
도 7은 실시예에 따른 태양광 발전량 예측 시스템의 결함 요소의 제거가 가능한지 판단하는 과정을 나타낸 순서도이다.
도 8은 실시예에 따른 태양광 발전량 예측 시스템을 포함하는 태양광 발전 장치를 나타낸 블록도이다.
도 2 및 도 3은 실시예에 따른 태양광 발전량 예측 시스템의 머신 런닝 구조를 나타낸 블록도이다.
도 4는 실시예에 따른 태양광 발전량 예측 시스템의 예측 모델의 생성 단계를 나타낸 순서도이다.
도 5는 실시예에 따른 태양광 발전량 예측 시스템의 결함 진단 과정을 나타낸 순서도이다.
도 6은 실시예에 따른 태양광 발전량 예측 시스템의 결함 요소를 검출하는 과정을 나타낸 순서도이다.
도 7은 실시예에 따른 태양광 발전량 예측 시스템의 결함 요소의 제거가 가능한지 판단하는 과정을 나타낸 순서도이다.
도 8은 실시예에 따른 태양광 발전량 예측 시스템을 포함하는 태양광 발전 장치를 나타낸 블록도이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다.
제1, 제2, A, B 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예를 상세하게 설명한다.
도 1은 실시예에 따른 태양광 발전량 예측 시스템을 나타낸 블록도이고, 도 2 및 도 3은 실시예에 따른 태양광 발전량 예측 시스템의 머신 런닝 구조를 나타낸 블록도이고, 도 4는 실시예에 따른 태양광 발전량 예측 시스템의 예측 모델의 생성 단계를 나타낸 순서도이고, 도 5는 실시예에 따른 태양광 발전량 예측 시스템의 결함 진단 과정을 나타낸 순서도이고, 도 6은 실시예에 따른 태양광 발전량 예측 시스템의 결함 요소를 검출하는 과정을 나타낸 순서도이고, 도 7은 실시예에 따른 태양광 발전량 예측 시스템의 결함 요소의 제거가 가능한지 판단하는 과정을 나타낸 순서도이다.
도 1을 참조하면, 실시예에 따른 태양광 발전량 예측 시스템(1000)은 센서부(100)와, 상기 센서부(100)로부터 데이터 정보를 제공받는 데이터 수집부(200)와, 상기 데이터 정보를 입력받아 머신 런닝 기법을 이용하여 발전량을 예측하는 예측 모델 생성부(300)를 포함할 수 있다.
센서부(100)는 태양광 모듈(10)의 주변 정보를 수집할 수 있다. 이를 위해 센서부(100)는 태양광 모듈(100)의 일측 또는 태양광 모듈(10)의 주변에 설치될 수 있다. 센서부(100)는 2개 이상의 센서를 포함할 수 있다. 센서부(100)는 위치, 조도, 거리 측정을 위한 센서들, 라이다(Ridar) 센서 또는 이미지를 촬영할 수 있는 이미지 센서 예컨대, 카메라를 포함할 수 있다.
센서부(100)는 제1 센서(120) 및 제2 센서(140)를 포함할 수 있다. 제1 센서(120)는 제2 데이터 정보를 수집할 수 있다. 제2 데이터 정보는 태양광 모듈(10) 주변의 자연 현상 정보를 포함할 수 있다.
예컨대, 제2 데이터 정보는 미세 먼지 정보, 낙뇌 정보, 구름 정보 등을 포함할 수 있다. 미세 먼지는 태양광 모듈(10)에 입사되는 광 효율을 저하시킬 수 있다. 낙뇌는 태양광 모듈(10)의 손상을 발생시킬 수 있다. 구름은 태양을 일부 가림으로써 태양광 모듈(10)에 입사되는 광 효율을 저하시킬 수 있다. 즉, 제2 데이터 정보는 태양광 모듈(100)의 발전 효율을 저해하는 자연 정보일 수 있다.
상기에서는 미세 먼지 정보, 낙뇌 정보, 구름 정보를 제2 데이터 정보의 일 예로 설명하였으나, 태양광 모듈(10)의 발전을 저해하는 자연 요소는 다 포함할 수 있다.
이를 위해 제1 센서(120)는 미세 먼지를 측정하는 미세먼지 측정 센서일 수 있으며, 낙뇌, 또는 구름을 촬영할 수 있는 카메라와 같은 이미지 센서, 초음파 센서, 라이더 센서일 수 있다.
제2 센서(140)는 제3 데이터 정보를 수집할 수 있다. 제3 데이터 정보는 태양광 모듈(10) 주변의 물체 정보 및 주변 물체로부터 수집되는 정보를 포함할 수 있다. 제3 데이터 정보는 자연적인 현상이 아닌 인위적인 물체에 대한 정보일 수 있다. 제3 데이터 정보는 일시적으로 발생되거나 변경이 가능한 물체 정보를 포함할 수 있다.
예컨대, 제3 데이터 정보는 태양광 모듈(10) 주변에 설치된 건물 정보, 공사 현장 정보, 저수지, 동물의 움직임, 조류의 움직임 정보를 포함할 수 있다. 태양광 모듈(10) 주변에 설치된 건물은 음영이 발생하여 태앙광 모듈(10)에 입사되는 광의 효율을 저하시킬 수 있다. 공사 현장은 태양광 모듈(10) 주변에 습기 또는 먼지를 발생시켜 태양광 모듈(10)에 입사되는 광 효율을 저하시킬 수 있다. 동물과 조류는 태양광 모듈(10)을 손상시키거나 태양광 모듈(10)의 상부를 가로 막는 등의 움직임으로 인해 태앙광 모듈(10)에 입사되는 광 효율을 저하시킬 수 있다. 즉, 제3 데이터 정보는 주변의 물체 정보로부터 입사광의 효율을 저해하는 요소 정보일 수 있다.
데이터 수집부(200)는 태양광 모듈(10)의 광 입사 효율을 저해하는 요소 정보를 수집할 수 있다. 데이터 수집부(200)는 제1 데이터 수집부(220), 제2 데이터 수집부(240), 제3 데이터 수집부(260)를 포함할 수 있다.
제1 데이터 수집부(220)는 기상 정보를 포함하는 제1 데이터 정보를 수집할 수 있다. 기상 정보는 기상청(20)에서 제공되는 데이터를 포함할 수 있다. 기상 정보로는 기온, 습도, 풍량, 안개, 일조시간, 전운량, 일사량, 강수량 등을 포함할 수 있으나, 이에 한정되지 않는다.
제2 데이터 수집부(240)는 제1 센서(120)로부터 측정된 제2 데이터 정보를 수집할 수 있다. 제2 데이터 정보는 태양광 모듈(10) 주변의 자연 현상 정보를 포함할 수 있다. 예컨대, 제2 데이터 정보는 미세 먼지 정보, 낙뇌 정보, 구름 정보 등을 포함할 수 있다.
제3 데이터 수집부(260)는 제2 센서(140)로부터 측정된 제3 데이터 정보를 수집할 수 있다. 제3 데이터 정보는 태양광 모듈(10) 주변의 물체 정보를 및 주변 물체로부터 수집되는 정보를 포함할 수 있다. 예컨대, 제3 데이터 정보는 태양광 모듈(10) 주변에 설치된 건물 정보, 공사 현장 정보, 저수지, 동물의 움직임, 조류의 움직임 정보 및 그로부터 수집되는 정보들일 수 있다. 제3 데이터 수집부는 태양광 모듈(10)의 손상 및 오염 정보를 더 포함할 수 있다.
예측 모델 생성부(300)는 데이터 수집부(200)로부터 수집된 정보를 입력받아 발전량을 예측하는 역할을 한다. 예측 모델링 생성부(300)는 머신 런닝 기법을 이용하여 생성될 수 있다. 머신 런닝 기법은 신경망, SVM(Support Vector Machine) 및 딥러닝 기법을 포함할 수 있다.
이하에서는 머신 런닝 기법 중 신경망 및 딥러닝 기법을 이용하여 예측 모델을 생성하는 구조에 대해 설명한다.
도 2에 도시된 바와 같이, 신경망(310)은 역전파 알고리즘을 사용할 수 있다. 신경망(310) 구조는 노드수, 은닉층의 노드수, 출력층의 노드수를 설정하여 그 구조를 결정할 수 있다. 0.0에서 1.0 사이의 값으로 정규화된 실험용 데이터를 입력값과 출력값으로 이용하여 학습률을 높일 수 있다. 학습량, 은닉층의 단위수, 최대 에러율 선정에는 분명한 규칙이 없고 잘못된 초기값은 과대적합(Overfitting) 문제를 보이므로 적절한 값을 선정하여 반복적인 학습 실험을 통해 최적의 초기값을 찾을 수 있다.
실험데이터는 앞서 설명한 바와 같이, 제1 데이터 정보 내지 제3 데이터 정보를 입력층으로 선정하고 발전량 데이터를 출력층으로 선정하여 1개의 신경망(310)을 구성할 수 있다. 예측된 결과는 RMSE값을 산출하여 평가할 수 있으며, RMSE는 아래와 같은 수학식에 의해 결정될 수 있다. 여기서, RMSE가 적을 수록 정확히 예측되었다고 판단될 수 있다.
도 3에 도시된 바와 같이, 딥러닝 기법(320)은 심층 신경망을 사용할 수 있다. 심층 신경망의 학습 과장 신경망과 동일하게 노드수, 은닉층의 노드수, 출력층의 노드수를 설정하여 그 구조를 결정할 수 있다. 다만, 심층 신경망은 2개의 은닉층을 가지도록 구성되어 있다.
실험데이터는 앞서 설명한 바와 같이, 제1 데이터 정보 내지 제3 데이터 정보를 입력층으로 선정하고 발전량 데이터를 출력층으로 선정할 수 있다. 예측된 결과는 RMSE값을 산출하여 평가할 수 있다.
예측 모델 생성부(300)는 입력된 데이터 정보에 가중치를 부여할 수 있다. 예컨대, 제1 데이터 정보, 제2 데이터 정보, 및 제3 데이터 정보의 가중치를 6:3:1로 설정할 수 있다.
상기에서는 제1 데이터 정보, 제2 데이터 정보, 및 제3 데이터 정보의 가중치를 6:3:1로 설정하였으나, 이에 한정되지 않고 가중치의 비는 적절하게 변경될 수 있다.
이하에서는 도 4를 참조하여, 예측 모델을 생성하는 단계를 설명한다.
먼저, 제1 데이터 정보를 수집하는 단계(S11)를 수행할 수 있다. 제1 데이터 정보는 기상청으로부터 수집될 수 있다. 제1 데이터 정보는 인터넷, 무선 통신을 통해 기상청으로부터 데이터를 제공받을 수 있다. 제1 데이터 정보는 기온, 습도, 풍량, 안개, 일조시간, 전운량, 일사량, 강수량 등을 포함할 수 있다.
이어서, 제2 데이터 정보를 수집하는 단계(S12)를 수행할 수 있다. 제2 데이터 정보는 제1 센서로부터 수집될 수 있다. 제2 데이터 정보는 태양광 모듈 주변의 자연 현상 정보를 포함할 수 있다. 예컨대, 제2 데이터 정보는 미세 먼지 정보, 낙뇌 정보, 구름 정보 등을 포함할 수 있다.
이어서, 제3 데이터 정보를 수집하는 단계(S13)를 수행할 수 있다. 제3 데이터 정보는 제2 센서로부터 수집될 수 있다. 제3 데이터 정보는 태양광 모듈 주변에 설치된 건물 정보, 공사 현장 정보, 저수지, 동물의 움직임, 조류의 움직임 정보 및 그로부터 수집되는 정보들일 수 있다.
이어서, 데이터에 가중치를 부여하는 단계(S14)를 수행할 수 있다.
예측 모델 생성부(300)는 입력된 데이터 정보에 가중치를 부여할 수 있다. 예컨대, 제1 데이터 정보, 제2 데이터 정보, 및 제3 데이터 정보의 가중치를 6:3:1로 설정할 수 있다.
제1 데이터 정보는 오랜 기간 동안 지속적으로 수집되기 때문에 그 정보의 신뢰성은 가장 높다고 평가할 수 있다. 제2 데이터 정보는 태양광 모듈의 주변의 자연 현상에 의한 데이터 정보이기 때문에 신뢰성이 높다고 평가할 수 있으나, 정보의 수집량이 제1 데이터 정보에 의해 적을 수 있다. 제3 데이터 정보는 인위적이거나 일시적으로 발생될 수 있는 정보이기 때문에 발생 빈도 등이 제1 데이터 정보와 제2 데이터 정보 보다 적을 수 있다.
따라서, 제1 데이터 정보의 가중치는 제2 데이터 정보와 제3 데이터 정보의 가중치보다 크도록 설정할 수 있다. 제2 데이터 정보의 가중치는 제3 데이터 정보의 가중치보다 크도록 설정할 수 있다.
이어서, 발전량 예측 모델을 생성하는 단계(S15)를 수행할 수 있다. 예측 모델은 신경망, SVM, 딥러닝 기법을 통해 생성할 수 있다. 예측 모델은 가중치가 부여된 제1 데이터 정보, 제2 데이터 정보, 제3 데이터 정보를 입력 정보로 하여 발전량을 출력하게 된다.
따라서, 제1 데이터 정보, 제2 데이터 정보 및 제3 데이터 정보가 적용된 태양광 모듈의 발전량의 예측 모델을 생성할 수 있다.
도 1로 돌아가서, 태양광 발전량 예측 시스템(1000)은 결함 진단부(400)를 더 포함할 수 있다.
결함 진단부(400)는 태양광 모듈(10)의 발전량을 저해하는 결함 요소를 검출하는 역할을 한다. 결함 진단부(400)는 예측 모델 생성부(300)의 예측 모델로부터 측정된 예측값과 태양광 모듈(10)로부터 측정된 실제값을 이용하여 결함 요소를 검출할 수 있다.
결함 진단부(400)는 결함 판단부(420), 결함요소 검출부(440) 및 결함요소 제거 판단부(460)를 포함할 수 있다.
결함 판단부(400)는 태양광 모듈(10)에 결함 요소가 있는지 판단하는 역할을 한다. 결함 판단부(400)는 아래 수학식 2에 의해 결함이 발생했는지 판단할 수 있다.
즉, 예측 모델로부터 측정된 예측값과 태양광 모듈(10)로부터 측정된 실제값의 차의 절대값이 제1 임계값 보다 크면 태양광 모듈(10)의 발전량을 저해하는 결함 요소가 있는 것으로 판단할 수 있다.
결함요소 검출부(440)는 태양광 모듈(10)의 발전량을 저해하는 요소를 검출하는 역할을 한다. 결함요소 검출부(440)는 데이터 수집부(200)로부터 수집된 데이터를 이용하여 결함 요소를 검출할 수 있다. 결함요소 검출부(440)는 수학식 3에 의해 검출할 수 있다.
즉, 결함요소 검출부(440)는 데이터 정보 측정값이 임계값 이상으로 측정되면 결함이 있다고 판단할 수 있다. 제2 데이터 정보 중 어느 하나의 정보가 임계값 이상으로 측정될 경우, 결함 요소로 판단할 수 있다. 제3 데이터 정보 중 어느 하나의 정보가 임계값 이상으로 측정될 경우, 결함 요소로 판단할 수 있다. 여기서 임계값은 임의로 설정된 값일 수 있다.
이하에서는 도 6을 참조하여, 결함 요소를 검출하는 과정을 보다 상세히 설명한다.
먼저, 제2 데이터 정보로부터 결함을 결출하는 단계(S31)를 수행할 수 있다. 결함 정보는 수학식 4에 의해 검출될 수 있다.
즉, 제2 데이터 정보의 측정 값들 중 제2 임계값 이상인 값들은 결함 요소로 판단할 수 있다.
이어서, 제3 데이터 정보로부터 결함을 결출하는 단계(S32)를 수행할 수 있다. 결함 요소는 수학식 5에 의해 검출될 수 있다.
즉, 제3 데이터 정보의 측정 값들 중 제3 임계값 이상인 값들은 결함 요소로 판단할 수 있다.
이어서, 결함 요소를 검출하는 단계(S33)를 수행할 수 있다. 앞서 측정된 바와 같이, 임계값 이상인 값들의 요소를 검출하게 되면 결함 요소를 검출할 수 있게 된다.
도 1로 돌아가서, 결함요소 제거 판단부(460)는 결함요소 검출부(440)로부터 검출된 결함 요소의 제거가 가능한지 여부를 판단하는 역할을 한다.
결함 요소가 제2 데이터 정보일 경우, 결함 제거가 불가능하다고 판단할 수 있다. 제2 데이터 정보는 자연적인 현상에 의한 결함 요소이기 때문에 사용자는 결함 요소를 제거할 수 없다.
결함 요소가 제3 데이터 정보일 경우, 결함 제거가 가능하다고 판단할 수 있다.
예컨대, 결함 요소가 제3 데이터 정보가 건물의 음영이라고 판단될 경우, 사용자는 태양광 모듈의 위치를 건물의 음영을 피하기 위해 태양광 모듈의 설치 위치를 변경하여 결함 요소를 제거할 수 있다. 결함 요소가 공사 현장일 경우, 공사 현장은 공사를 마치면 결함 요소가 제거되기 때문에 자연적으로 제거할 수 있게 된다. 결함 요소가 저수지일 경우, 사용자는 저수지를 메꿈으로써 결함 요소를 제거할 수 있게 된다. 결함 요소가 동물 또는 조류의 움직임일 경우, 동물 또는 조류가 접근하지 못하도록 시설물을 설치함으로써 결함 요소를 제거할 수 있게 된다.
도 7을 참조하여, 결함 요소의 제거가 가능한지 판단하는 단계를 상세히 설명한다.
먼저, 제2 데이터 정보가 결함 요소이고, 제3 데이터 정보가 결함 요소가 아닐 경우(S41), 결함 진단부는 결함 요소의 제거가 불가능하다고 판단할 수 있다.
이어서, 제2 데이터 정보가 결함 요소이고, 제3 데이터 정보가 결함 요소일 경우(S42), 결함 진단부는 결함 요소의 제거가 불가능하다고 판단할 수 있다. 즉, 제3 데이터 정보의 결함 요소는 제거할 수 있으나, 제2 데이터 정보의 결함 요소는 제거할 수 없기 때문에 결함 진단부는 최종적으로 결함 요소의 제거가 불가능하다고 판단할 수 있다.
이어서, 제2 데이터 정보가 결함 요소가 아니고, 제3 데이터 정보가 결함 요소일 경우(S43), 결함 진단부는 결함 요소의 제거가 가능하다고 판단할 수 있다.
이어서, 제2 데이터 정보가 결함 요소가 아니고, 제3 데이터 정보가 결함 요소가 아닐 경우(S44), 결함 진단부는 다른 결함 요인이 존재한다고 판단할 수 있다. 결함 진단부는 결함이 발생되었으나, 결함 요소를 발견하지 못했기 때문에 또 다른 결함 요소가 존재함을 판단할 수 있다.
결함요소 제거 판단부(460)는 이러한 정보를 기초로 사용자(300)에게 결함 여부 및 결함 요소를 제거할 수 있는지 알려줄 수 있다. 결함요소 제거 판단부(460)는 사용자(300)의 PC, 휴대폰, 테블릿, 스마트 워치 등 다양한 정보 장치에 정보를 제공할 수 있다. 결함요소 제거 판단부(460)는 인터넷, 블루투스 등 단거리 또는 장거리 통신 수단에 의해 정보를 제공할 수 있다.
실시예는 기후 정보 외 태양광 모듈의 주변의 데이터 정보를 반영함으로써, 태양광의 발전량을 효과적으로 측정할 수 있는 효과가 있다.
또한, 실시예는 태양광 발전량을 저해하는 요소를 측정함으로써, 태양광 모듈을 효과적으로 관리할 수 있는 효과가 있다.
또한, 실시예는 태양광 발전량을 저해하는 요소의 제거 가능 여부를 측정함으로써, 태양광 모듈을 더욱 효과적으로 관리할 수 있는 효과가 있다.
도 8은 실시예에 따른 태양광 발전량 예측 시스템을 포함하는 태양광 발전 장치를 나타낸 블록도이다.
도 8을 참조하면, 태양광 발전 장치는 태양광 모듈 그룹(2000)과, 태양광 발전량 예측 시스템(1000)과, 태앙광 모듈 그룹(2000) 별로 발전량을 비교하여 결함이 발생된 태양광 모듈 그룹(2000)을 선택하여 이를 사용자(30)에게 통지하는 제어부(3000)를 포함할 수 있다.
태양광 모듈은 복수의 그룹을 포함할 수 있다. 태양광 모듈 그룹(2000)은 4개 이상의 태양광 모듈을 포함할 수 있다. 태양광 모듈 그룹(2000)은 지역별로 설치될 수 있다. 태양광 모듈 그룹(2000)은 최소 9개의 그룹으로 구성될 수 있다. 태양광 모듈 그룹(2000)은 한 지역 내에 설치될 수 있다. 이와 다르게, 태양광 모듈 그룹(2000)은 서로 다른 지역 내에 각각 설치될 수 있다.
태양광 발전량 예측 시스템(1000)은 태양광 모듈 그룹(2000)이 설치된 지역의 기후 정보, 태양광 모듈 그룹의 주변의 자연 현상 정보 및 주변 물체에 대한 정보를 수집하여 태양광 모듈 그룹(2000)의 발전량을 예측할 수 있다. 이를 위해 태양광 모듈의 주변에는 센서가 배치될 수 있다.
태양광 발전량 예측 시스템(1000)은 센서로부터 측정된 데이터 정보값을 수집하고 머신 런닝 기법에 의해 예측 시스템을 생성할 수 있다. 태양광 발전량 예측 시스템(1000)은 도 1의 구성을 포함할 수 있으며, 이에 대한 상세한 설명은 생략한다.
태양광 발전 장치는 태양광 발전량 예측 시스템(1000)에 의해 태양광 모듈별 예측값을 보다 효과적으로 측정하고, 각 태양광 모듈의 결함 및 결함 요소를 효과적으로 검출할 수 있다.
제어부(3000)는 태양광 모듈 그룹(2000) 별로 발전량을 비교할 수 있다. 제어부(3000)는 태양광 발전량 예측 시스템(1000)을 이용하여 태양광 모듈 그룹(2000)의 발전량을 제공받을 수 있다. 제어부(3000)는 제공받은 태양광 모듈 그룹(2000)의 발전량을 비교하여 사용자에게 알려줄 수 있다. 제어부(3000)는 태양광 모듈 그룹(2000)의 발전 효율을 더 측정할 수 있다.
제어부(3000)는 제공받은 태양광 모듈 그룹(2000)의 발전량을 비교하여 결함이 발생된 태양광 모듈 그룹(2000)을 검출할 수 있다. 제어부(3000)는 태양광 모듈 그룹(2000)의 발전량의 예측값과 발전량의 실제값을 비교하고, 예측값과 실제값의 차의 절대값이 임계값 이상이면 결함이 발생되었다고 판단할 수 있다.
제어부(3000)는 태양광 발전량 예측 시스템(1000)에 의해 결함이 발생된 태양광 모듈 그룹(2000)으로부터 결함 요소를 제공받아 이를 사용자(30)에게 통지할 수 있다.
따라서, 사용자(30)는 태양광 모듈 그룹(2000) 중 어느 그룹의 발전량이 좋은지 또는 발전 효율이 좋은지 또는 결함이 발생하였는지 또는 어떠한 결함 요소가 발생하였는지 확인할 수 있다.
따라서, 태양광 모듈을 수리하거나 태양광 모듈 그룹의 설치 위치를 변경함으로써, 태앙광 발전 장치를 효과적으로 관리할 수 있는 효과가 있다.
이상에서 실시 예들에 설명된 특징, 구조, 효과 등은 본 발명의 적어도 하나의 실시예에 포함되며, 반드시 하나의 실시예에만 한정되는 것은 아니다. 나아가, 각 실시예에서 예시된 특징, 구조, 효과 등은 실시예들이 속하는 분야의 통상의 지식을 가지는 자에 의해 다른 실시예들에 대해서도 조합 또는 변형되어 실시 가능하다. 따라서 이러한 조합과 변형에 관계된 내용들은 본 발명의 범위에 포함되는 것으로 해석되어야 할 것이다.
100: 센서부
200: 데이터 수집부
300: 예측 모델 생성부
400: 결함 진단부
1000: 태양광 발전량 예측 시스템
200: 데이터 수집부
300: 예측 모델 생성부
400: 결함 진단부
1000: 태양광 발전량 예측 시스템
Claims (15)
- 태양광 모듈의 주변 정보를 수집하는 센서부;
기상청의 기상 정보에 대한 제1 데이터 정보를 수집하는 제1 데이터 수집부;
상기 센서부로부터 미세먼지, 낙뢰, 구름에 대한 제2 데이터 정보를 수집하는 제2 데이터 수집부;
상기 센서부로부터 상기 태양광 모듈의 주변 물체 및 상기 주변 물체로부터 수집되는 정보에 대한 제3 데이터 정보를 수집하는 제3 데이터 수집부; 및
상기 제1 데이터 정보, 상기 제2 데이터 정보 및 상기 제3 데이터 정보를 입력받고, 제1 가중치가 적용된 상기 제1 데이터 정보, 제2 가중치가 적용된 상기 제2 데이터 정보 및 제3 가중치가 적용된 상기 제3 데이터 정보에 머신 런닝 기법을 이용하여 발전량을 예측하는 예측 모델 생성부;를 포함하고,
상기 제1 가중치는 상기 제2 가중치보다 크고, 상기 제2 가중치는 상기 제3 가중치보다 크며,
상기 예측 모델 생성부는 상기 제1 데이터 정보 내지 상기 제3 데이터 정보를 입력층으로 결정하고, 발전량 데이터를 출력층으로 결정하여 신경망을 구성하고, 상기 신경망을 통해 예측된 예측값의 평균 제곱근 오차값(RMSE, root mean square error)을 결정하며, 상기 평균 제곱근 오차값에 기반하여 상기 예측값의 정확도를 평가하며, 상기 평균 제곱근 오차값은 아래의 수식을 통해 결정되는 것을 특징으로 하는 태양광 발전량 예측 시스템.
[수식]
- 제1항에 있어서,
상기 제1 가중치, 상기 제2 가중치 및 상기 제3 가중치의 가중치 비율은 6:3:1인 것을 특징으로 하는 태양광 발전량 예측 시스템. - 제2항에 있어서,
상기 제3 데이터 정보는 건물의 음영, 공사 현장, 저수지, 동물 또는 조류의 움직임 정보를 포함하는 태양광 발전량 예측 시스템. - 제3항에 있어서,
상기 제3 데이터 정보는 상기 태양광 모듈의 손상 및 오염 정보를 더 포함하는 태양광 발전량 예측 시스템. - 제1항에 있어서,
상기 제2 데이터 수집부 및 상기 제3 데이터 수집부는 센서 또는 카메라를 통해 수집되는 태양광 발전량 예측 시스템. - 삭제
- 제1항에 있어서,
상기 예측 모델 생성부로부터 측정된 예측값과 상기 태양광 모듈의 실제값을 비교하여 발전량을 저해하는 요소를 검출하는 결함 진단부를 더 포함하는 태양광 발전량 예측 시스템. - 제7항에 있어서,
상기 결함 진단부는 상기 예측값과 상기 실제값을 비교하여 결함을 판단하는 결함 판단부와, 상기 제1 데이터 수집부 내지 상기 제3 데이터 수집부로부터 수집된 입력값으로부터 발전량을 저해하는 결함 요소를 검출하는 결함요소 검출부를 포함하는 태양광 발전량 예측 시스템. - 제8항에 있어서,
상기 결함 진단부는 상기 결함요소 검출부로부터 검출된 결함 요소의 제거가 가능한지 판단하는 결함요소 제거 판단부를 더 포함하는 태양광 발전량 예측 시스템. - 제9항에 있어서,
상기 제거 가능한 결함요소 데이터는 상기 제3 데이터 정보인 태양광 발전량 예측 시스템. - 제9항에 있어서,
상기 결함요소 제거 판단부는 상기 결함 요소가 제거 가능한지 사용자에게 알려주는 태양광 발전량 예측 시스템. - 복수의 태양광 모듈 그룹;
상기 태양광 모듈의 발전량을 예측하는 제1항 내지 제5항, 제7항 내지 제11항 중 어느 한 항의 태양광 발전량 예측 시스템; 및
상기 태양광 모듈 그룹별로 발전량을 비교하여 결함이 발생된 상기 태양광 모듈의 그룹을 선택하여 이를 사용자에게 통지하는 제어부;를 포함하는 태양광 발전 장치. - 제12항에 있어서,
상기 제어부는 상기 태양광 모듈 그룹의 예측값과 실제값을 비교하고, 상기 예측값과 상기 실제값의 차의 절대값이 임계값 이상이면 결함이라고 판단하는 태양광 발전 장치. - 제12항에 있어서,
상기 제어부는 태양광 모듈의 그룹별의 발전 효율을 측정하여 이를 사용자에게 통지하는 태양광 발전 장치. - 제14항에 있어서,
상기 제어부는 상기 태양광 모듈 그룹의 예측값과 실제값을 비교하고, 상기 예측값과 상기 실제값의 차의 절대값이 가장 작은 값을 가지는 그룹이 발전 효율이 높다고 판단하는 태양광 발전 장치.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190047772A KR102054163B1 (ko) | 2019-04-24 | 2019-04-24 | 태양광 발전량 예측 시스템 및 이를 포함하는 태양광 발전 장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190047772A KR102054163B1 (ko) | 2019-04-24 | 2019-04-24 | 태양광 발전량 예측 시스템 및 이를 포함하는 태양광 발전 장치 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102054163B1 true KR102054163B1 (ko) | 2020-01-22 |
Family
ID=69368541
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190047772A KR102054163B1 (ko) | 2019-04-24 | 2019-04-24 | 태양광 발전량 예측 시스템 및 이를 포함하는 태양광 발전 장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102054163B1 (ko) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111797981A (zh) * | 2020-07-24 | 2020-10-20 | 山东电力交易中心有限公司 | 一种基于双向长短期记忆神经网络的单日光伏发电量预测方法 |
| KR20210074167A (ko) * | 2019-12-11 | 2021-06-21 | 솔라커넥트 주식회사 | 태양광 발전량 예측 시스템 |
| KR20210115955A (ko) * | 2020-03-17 | 2021-09-27 | 주식회사 에이치에너지 | 가상 발전 플랫폼 제어 시스템 및 방법 |
| KR20230087661A (ko) | 2021-12-09 | 2023-06-19 | 전북대학교산학협력단 | 태양광 발전량 예견 방법 및 이에 기반한 발전 상태 통합 모니터링 시스템 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004178098A (ja) * | 2002-11-25 | 2004-06-24 | Kinden Corp | 太陽電池の陰影影響予測プログラムおよび太陽電池の出力特性予測プログラム、ならびに当該予測プログラムを記録したコンピュータ読み取り可能な記録媒体、ならびに太陽電池の陰影影響予測装置および太陽電池の出力特性予測装置 |
| KR101761686B1 (ko) * | 2017-03-31 | 2017-07-31 | (주)하모니앤유나이티드 | 머신 러닝을 이용한 태양광 발전량 실시간 예측 시스템 |
| KR20180123951A (ko) * | 2017-05-10 | 2018-11-20 | 주식회사 알스피릿 | 기계학습 기반 실시간 태양광 셀 또는 어레이 상태 진단/예측 장치 및 방법 |
-
2019
- 2019-04-24 KR KR1020190047772A patent/KR102054163B1/ko active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004178098A (ja) * | 2002-11-25 | 2004-06-24 | Kinden Corp | 太陽電池の陰影影響予測プログラムおよび太陽電池の出力特性予測プログラム、ならびに当該予測プログラムを記録したコンピュータ読み取り可能な記録媒体、ならびに太陽電池の陰影影響予測装置および太陽電池の出力特性予測装置 |
| KR101761686B1 (ko) * | 2017-03-31 | 2017-07-31 | (주)하모니앤유나이티드 | 머신 러닝을 이용한 태양광 발전량 실시간 예측 시스템 |
| KR20180123951A (ko) * | 2017-05-10 | 2018-11-20 | 주식회사 알스피릿 | 기계학습 기반 실시간 태양광 셀 또는 어레이 상태 진단/예측 장치 및 방법 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210074167A (ko) * | 2019-12-11 | 2021-06-21 | 솔라커넥트 주식회사 | 태양광 발전량 예측 시스템 |
| KR102363732B1 (ko) * | 2019-12-11 | 2022-02-16 | 엔라이튼 주식회사 | 태양광 발전량 예측 시스템 |
| KR20210115955A (ko) * | 2020-03-17 | 2021-09-27 | 주식회사 에이치에너지 | 가상 발전 플랫폼 제어 시스템 및 방법 |
| KR102513336B1 (ko) * | 2020-03-17 | 2023-03-23 | 주식회사 에이치에너지 | 가상 발전 플랫폼 제어 시스템 및 방법 |
| CN111797981A (zh) * | 2020-07-24 | 2020-10-20 | 山东电力交易中心有限公司 | 一种基于双向长短期记忆神经网络的单日光伏发电量预测方法 |
| CN111797981B (zh) * | 2020-07-24 | 2024-04-26 | 山东电力交易中心有限公司 | 一种基于双向长短期记忆神经网络的单日光伏发电量预测方法 |
| KR20230087661A (ko) | 2021-12-09 | 2023-06-19 | 전북대학교산학협력단 | 태양광 발전량 예견 방법 및 이에 기반한 발전 상태 통합 모니터링 시스템 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102054163B1 (ko) | 태양광 발전량 예측 시스템 및 이를 포함하는 태양광 발전 장치 | |
| KR102065351B1 (ko) | 태양광 발전 관리 시스템 | |
| KR102159692B1 (ko) | 빅데이터 분석을 통한 태양광 발전량 예측 장치 및 방법 | |
| KR102065443B1 (ko) | 태양광 발전소의 데이터 분석 방법 및 시스템 | |
| KR20200059704A (ko) | 고장 예측 알고리즘을 이용한 태양광 발전 관리 시스템 | |
| KR102030925B1 (ko) | 태양광 발전량 모니터링 시스템 | |
| WO2011104931A1 (ja) | 異常診断装置および異常診断方法 | |
| JP6093465B1 (ja) | 太陽光発電システムの発電診断方法、及び発電診断装置 | |
| KR102230548B1 (ko) | Frbfnn 모델을 이용한 태양광 발전설비의 발전예측 및 효율진단 시스템 | |
| Roumpakias et al. | Comparative performance analysis of grid-connected photovoltaic system by use of existing performance models | |
| KR20200059706A (ko) | 기상정보를 이용한 태양광 발전 관리 시스템 | |
| JP7289995B2 (ja) | 太陽光発電ストリングの動作状態を認識する方法および装置ならびに記憶媒体 | |
| Ventura et al. | Development of models for on-line diagnostic and energy assessment analysis of PV power plants: The study case of 1 MW Sicilian PV plant | |
| JP2012138448A (ja) | 太陽光発電の出力低下検出装置及び検出方法 | |
| Haba | Monitoring solar panels using machine learning techniques | |
| CN117318111B (zh) | 一种基于天气预测的光储能源动态调节方法及系统 | |
| KR102192067B1 (ko) | 태양광 발전기의 발전량 예측 장치 및 방법 | |
| CN116800172B (zh) | 一种光电转换方法及储能系统 | |
| KR20210115911A (ko) | 태양광 출력 예측 장치 및 그 방법 | |
| Zahraoui et al. | System‐Level Condition Monitoring Approach for Fault Detection in Photovoltaic Systems | |
| KR102497676B1 (ko) | 인공지능 기반의 태양광 모니터링 시스템 | |
| JP7089436B2 (ja) | 異常監視システム、異常監視装置及びプログラム | |
| TW201727559A (zh) | 再生能源電廠的管理方法與系統 | |
| KR102363732B1 (ko) | 태양광 발전량 예측 시스템 | |
| TW201740296A (zh) | 再生能源發電量預測方法與系統 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| AMND | Amendment | ||
| X091 | Application refused [patent] | ||
| AMND | Amendment | ||
| X701 | Decision to grant (after re-examination) | ||
| GRNT | Written decision to grant |