KR102093796B1 - 태양광 발전단지 기상예측 상세기술과 단지환경을 반영한 발전량 산정방법, 그 방법을 이용한 실시간 태양광 발전량 예측시스템 - Google Patents

태양광 발전단지 기상예측 상세기술과 단지환경을 반영한 발전량 산정방법, 그 방법을 이용한 실시간 태양광 발전량 예측시스템 Download PDF

Info

Publication number
KR102093796B1
KR102093796B1 KR1020180087249A KR20180087249A KR102093796B1 KR 102093796 B1 KR102093796 B1 KR 102093796B1 KR 1020180087249 A KR1020180087249 A KR 1020180087249A KR 20180087249 A KR20180087249 A KR 20180087249A KR 102093796 B1 KR102093796 B1 KR 102093796B1
Authority
KR
South Korea
Prior art keywords
module
information
weather
unit
power generation
Prior art date
Application number
KR1020180087249A
Other languages
English (en)
Other versions
KR20200012228A (ko
Inventor
이영미
Original Assignee
(주)에코브레인
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by (주)에코브레인 filed Critical (주)에코브레인
Priority to KR1020180087249A priority Critical patent/KR102093796B1/ko
Priority to PCT/KR2019/005872 priority patent/WO2020022624A1/ko
Priority to EP19841000.3A priority patent/EP3829055B1/en
Publication of KR20200012228A publication Critical patent/KR20200012228A/ko
Application granted granted Critical
Publication of KR102093796B1 publication Critical patent/KR102093796B1/ko

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A30/00—Adapting or protecting infrastructure or their operation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • 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

Abstract

본 발명의 실시간 태양광 발전량 예측시스템 및 산정방법에 관한 것으로, 기상정보 예측을 위한 물리모델에 통계화 기법을 적용하고, 복수의 물리모델을 조합하여 가장 작은 오차율의 조합된 물리모델을 설정하도록 하며, 태양의 위치와 태양광발전장치의 추적모드를 고려하여 태양광모듈에 투사되는 실제 일사량을 산정하고, 기온, 풍속, 일사량, 냉각장치 등의 정보에 따라 태양광모듈의 표면온도를 산출하도록 하여 태양광 발전량의 예측이 이루어지도록 함으로써 더욱 정확한 발전량의 예측이 가능하도록 하는 태양광 발전단지 기상예측 상세기술과 단지환경을 반영한 발전량 산정방법, 그 방법을 이용한 실시간 태양광 발전량 예측시스템에 관한 것이다.

Description

태양광 발전단지 기상예측 상세기술과 단지환경을 반영한 발전량 산정방법, 그 방법을 이용한 실시간 태양광 발전량 예측시스템{A Forecasting System and Method of Sunlight Generation Using Weather Prediction and Farm Environment}
본 발명의 실시간 태양광 발전량 예측시스템 및 산정방법에 관한 것으로, 기상정보 예측을 위한 물리모델에 통계화 기법을 적용하고, 복수의 물리모델을 조합하여 가장 작은 오차율의 조합된 물리모델을 설정하도록 하며, 태양의 위치와 태양광발전장치의 추적모드를 고려하여 태양광모듈에 투사되는 실제 일사량을 산정하고, 기온, 풍속, 일사량, 냉각장치 등의 정보에 따라 태양광모듈의 표면온도를 산출하도록 하여 태양광 발전량의 예측이 이루어지도록 함으로써 더욱 정확한 발전량의 예측이 가능하도록 하는 태양광 발전단지 기상예측 상세기술과 단지환경을 반영한 발전량 산정방법, 그 방법을 이용한 실시간 태양광 발전량 예측시스템에 관한 것이다.
일반적으로 태양광 발전은 무공해, 무한정의 태양광을 이용하고, 환경에 미치는 악영향이 거의 없기 때문에 신재생에너지 발전 기술로 각광받고 있으며, 온실가스에 대한 배출규제가 구체화되면서 선진국을 중심으로 태양광을 비롯한 신재생에너지 발전설비의 보급이 늘어나고 있다.
그러나 태양광 발전량은 시간적, 공간적 변수로 인해 불확실성이 크며, 위·경도 등 지역 특성, 시간에 따른 태양 고도와 대기 상태 등에 따라 변하기 때문에 그 예측이 매우 어렵다.
이처럼 발전량을 정확하게 예측하지 못하면 발전단지를 효율적으로 운영할 수 없고, 생산된 전력의 분담 등에 대한 계획을 제대로 수립할 수 없어 태양광 발전을 통한 경제적 효과를 거둘 수 없고 전력 수급의 불균형을 초래하게 된다.
따라서, 아래 특허문헌과 같이 기존 생산한 신재생에너지를 기초로 발전될 전력을 예측하도록 하거나 기상 예측을 기초로 태양광 발전량을 예측하게 되는데, 태양광 발전단지의 정확한 기상 상태를 예측하기 어려우며, 태양광 발전량은 기상 상태뿐만 아니라 모듈의 특성 등 다양한 변수에 따라 변하므로, 그 예측의 정확성이 매우 떨어지는 문제가 있었다.
(특허문헌)
등록특허공보 제10-1020639호(2011. 03. 02. 등록)"신재생에너지 생산량 예측방법"
본 발명은 상기와 같은 문제점을 해결하기 위해 안출된 것으로,
본 발명은 더욱 정확한 기상정보의 예측과 발전량의 예측이 가능하도록 하는 태양광 발전단지 기상예측 상세기술과 단지환경을 반영한 발전량 산정방법, 그 방법을 이용한 실시간 태양광 발전량 예측시스템을 제공하는데 목적이 있다.
본 발명은 앞서 본 목적을 달성하기 위해서 다음과 같은 구성을 가진 실시예에 의해서 구현된다.
본 발명의 일 실시예에 따르면, 본 발명에 따른 실시간 태양광 발전량 예측시스템은 일정 지점에 설치되어 태양광에 의해 전력을 생산하는 태양광발전장치와; 상기 태양광발전장치가 설치된 지점의 기상을 예측하고, 예측된 기상정보와 태양광발전장치의 정보를 이용하여 태양광발전장치의 발전량을 예측하는 모니터링서버와; 상기 모니터링서버에 의해 예측되는 기상정보 및 발전량을 표시하는 디스플레이장치;를 포함하고, 상기 모니터링서버는 태양광발전장치가 위치한 지점의 기상을 예측하는 기상예측부와, 상기 기상예측부에서 예측된 기상정보를 기초로 특정 시점의 태양광 발전량을 예측하는 발전량예측부를 포함하고, 상기 기상예측부는 기상관측자료를 수신하는 기상관측수신부와; 상기 기상관측수신부에서 수신된 기상관측자료를 토대로 기상예측을 위한 복수의 물리모델을 수행하는 물리모델수행부와; 일정기간 동안 물리모델에 의해 예측된 기상정보와 실제 측정된 기상정보를 비교하여 선형회귀식을 통해 물리모델에 의해 예측된 값을 보정하는 모델통계화부와; 태양광발전장치가 위치한 지점의 주변 기상 관측값들을 공간분포 보정기법을 통해 보간하여 태양광발전장치가 위치한 지점의 기상관측값을 추출하는 자료보간부와; 상기 모델통계화부에서 보정된 각각의 물리모델들을 조합하여 보간된 실제 측정값과 가장 적은 오차율을 갖는 물리모델을 설정하는 모델조합부;를 포함하는 것을 특징으로 한다.
본 발명의 다른 실시예에 따르면, 본 발명에 따른 실시간 태양광 발전량 예측시스템에 있어서, 상기 모델통계화부는 태양광발전장치가 위치한 지점과 최단거리의 격자점을 선정하는 격자점선정모듈과, 선정된 격자점에 대해 물리모델에 의해 예측되는 선행시간별로 기상자료를 그룹화하는 선행시간별그룹화모듈과, 특정 시간대의 예측된 기상자료들과 실제 측정된 자료들과의 상관계수를 분석하는 상관계수분석모듈과, 분석된 상관계수를 이용하여 선형회귀식을 도출하고 보정된 모델수행값을 산출하는 회귀분석수행모듈을 포함하는 것을 특징으로 한다.
본 발명의 또 다른 실시예에 따르면, 본 발명에 따른 실시간 태양광 발전량 예측시스템에 있어서, 상기 자료보간부는 태양광발전장치가 위치한 지점으로부터 기상관측자료가 측정되는 지점 사이의 거리에 따라 케이스를 분류하는 케이스분류모듈과, 각 케이스별로 공간적 분포 특성에 관한 선형관계를 규정하는 함수산정모듈과, 각 측정지점에 대한 가중치를 산출하는 가중치산출모듈과, 각 측정지점의 가중치를 고려하여 태양광발전장치가 위치한 지점의 기상관측값을 산정하는 보간값산정모듈을 포함하는 것을 특징으로 한다.
본 발명의 또 다른 실시예에 따르면, 본 발명에 따른 실시간 태양광 발전량 예측시스템에 있어서, 상기 모델조합부는 복수의 물리모델을 선택적으로 사용하여 실측값과의 오차가 적은 물리모델을 선택하도록 하는 선택적수행모듈과; 복수의 물리모델에 의해 산출된 값을 평균하여 예측값을 산정하는 평균수행모듈과; 복수의 물리모델 중 어느 하나 또는 선행시간별로 가중치를 부여하여 예측값을 산출하는 가중치수행모듈과; 상기 선택적모듈수행모듈, 평균수행모듈, 가중치수행모듈에서 산출된 예측값을 실측값과 비교하여 가장 오차가 적은 예측모델을 해당 태양광발전장치의 물리모델로 선택하여 설정하는 오차분석검증모듈;을 포함하는 것을 특징으로 한다.
본 발명의 또 다른 실시예에 따르면, 본 발명에 따른 실시간 태양광 발전량 예측시스템에 있어서, 상기 발전량예측부는 시간에 따른 태양의 위치를 추적하는 태양위치추적부와; 상기 기상예측부에서 예측된 일사량을 태양의 위치와 태양광 발전장치의 태양추적모드에 따라 보정하는 일사량보정부와; 상기 기상예측부에서 예측된 기상정보와 태양광발전장치의 정보를 이용하여 태양광 모듈의 표면온도를 추정하는 모듈온도추정부와; 보정된 일사량 및 추정된 태양광 모듈의 표면온도를 이용하여 발전량을 산출하는 발전량산출부;를 포함하는 것을 특징으로 한다.
본 발명의 또 다른 실시예에 따르면, 본 발명에 따른 실시간 태양광 발전량 예측시스템에 있어서, 상기 일사량보정부는 상기 기상예측부에서 예측되는 일사량 정보를 수신하는 예측일사량수신모듈과, 상기 태양위치추적부에서 추적되는 태양의 시간별 고도각 및 방위각 정보를 수신하는 태양위치정보수신모듈과, 태양광발전장치의 추적모드에 관한 정보를 수신하는 태양광추적모드수신모듈과, 태양광발전장치의 추적모드 및 태양의 위치에 따라 태양과 태양광발전장치의 모듈이 이루는 각도를 계산하여 예측된 일사량을 보정하여 산출하는 일사량산출모듈을 포함하는 것을 특징으로 한다.
본 발명의 또 다른 실시예에 따르면, 본 발명에 따른 실시간 태양광 발전량 예측시스템에 있어서, 상기 모듈온도추정부는 상기 기상예측부에서 예측되는 풍속에 관한 정보를 수신하는 풍속정보수신모듈과; 기온에 관한 정보를 수신하는 기온정보수신모듈과; 일사량보정부에서 산출되는 일사량에 관한 정보를 수신하는 일사량정보수신모듈과; 태양광발전장치의 냉각장치에 관한 정보를 수신하는 냉각장치정보수신모듈과; 실제 측정되는 태양광발전장치의 모듈 표면온도에 관한 정보를 수신하는 모듈온도정보수신모듈과; 기온, 풍속, 일사량, 냉각장치의 성능과 실제 측정된 모듈 표면온도와의 상관관계를 분석하는 상관관계분석모듈과; 분석된 상관관계에 따라 특정 시점의 모듈 표면온도를 예측하여 산출하는 모듈표면온도산출모듈;을 포함하는 것을 특징으로 한다.
본 발명의 또 다른 실시예에 따르면, 본 발명에 따른 태양광 발전량 산정방법은 태양광발전장치가 위치한 지점의 기상을 예측하는 기상예측단계와; 상기 기상예측단계에서 예측된 기상정보를 기초로 특정 시점의 태양광 발전량을 예측하는 발전량예측단계;를 포함하고, 상기 기상예측단계는 기상관측자료를 수신하는 기상관측수신단계와; 상기 기상관측수신단계에서 수신된 기상관측자료를 토대로 기상예측을 위한 물리모델을 수행하는 물리모델수행단계와; 일정기간 동안 물리모델에 의해 예측된 기상정보와 실제 측정된 기상정보를 비교하여 선형회귀식을 통해 물리모델에 의해 예측된 값을 보정하는 모델통계화단계와; 태양광발전장치가 위치한 지점의 주변 기상관측값들을 공간분포 보정기법을 통해 보간하여 태양광발전장치가 위치한 지점의 기상관측값을 추출하는 자료보간단계와; 상기 물리모델수행단계에서 복수의 물리모델을 수행하도록 하고, 복수의 물리모델을 조합하여 보간된 값과 가장 적은 오차율을 갖는 물리모델을 설정하는 모델조합단계;를 포함하는 것을 특징으로 한다
본 발명은 앞서 본 실시예와 하기에 설명할 구성과 결합, 사용관계에 의해 다음과 같은 효과를 얻을 수 있다.
본 발명은 기상정보 예측을 위한 물리모델에 통계화 기법을 적용하고, 복수의 물리모델에 평균, 가중치 등의 방법을 통해 조합하여 실제 측정값과 가장 작은 오차율을 갖는 물리모델을 설정하도록 하고, 기상정보의 실제 측정값은 태양광발전장치가 위치한 지점으로의 보간이 이루어져 오차율의 산정에 적용되도록 함으로써, 더욱 정확한 기상정보의 예측과 이를 통한 정확한 발전량의 예측이 가능하도록 하는 효과가 있다.
본 발명은 태양의 위치와 태양광발전장치의 추적모드를 고려하여 태양광모듈에 투사되는 실제 일사량을 산정하도록 하고, 기온, 풍속, 일사량, 냉각장치 등의 정보에 따라 태양광모듈의 표면온도를 산출하도록 하여 태양광 발전량의 예측이 이루어지도록 함으로써 더욱 정확한 발전량의 예측이 가능하도록 하는 효과가 있다.
도 1은 본 발명의 일 실시예에 따른 실시간 태양광 발전량 예측시스템의 구성도
도 2는 도 1의 모니터링서버의 구성을 나타내는 블럭도
도 3은 도 2의 기상예측부의 구성을 나타내는 블럭도
도 4는 도 3의 물리모델수행부의 구성을 나타내는 블럭도
도 5는 도 3의 모델통계화부의 구성을 나타내는 블럭도
도 6은 모델통계화부의 실행과정을 설명하기 위한 참고도
도 7은 도 3의 자료보간부의 구성을 나타내는 블럭도
도 8은 자료보간부의 실행과정을 설명하기 위한 참고도
도 9는 도 3의 모델조합부의 구성을 나타내는 블럭도
도 10은 모델조합부의 실행과정을 설명하기 위한 참고도
도 11은 도 3의 통계분석부의 구성을 나타내는 블럭도
도 12는 도 2의 발전량예측부의 구성을 나타내는 블럭도
도 13은 도 12의 일사량보정부의 구성을 나타내는 블럭도
도 14는 도 12의 모듈온도추정부의 구성을 나타내는 블럭도
도 15는 도 12의 발전량산출부의 구성을 나타내는 블럭도
도 16은 본 발명의 일 실시예에 따른 태양광 발전량 산정방법을 나타내는 순서도
도 17은 본 발명의 일 실시예에 따른 태양광 발전량 산정방법에 따라 예측된 태양광발전량의 비교 그래프
이하에서는 본 발명에 따른 태양광 발전단지 기상예측 상세기술과 단지환경을 반영한 발전량 산정방법, 그 방법을 이용한 실시간 태양광 발전량 예측시스템의 바람직한 실시예들을 첨부된 도면을 참조하여 상세히 설명한다. 하기에서 본 발명을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하도록 한다. 명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미하고, 또한 명세서에 기재된 "...부", "...모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.
본 발명의 일 실시예에 따른 태양광 발전단지 기상예측 상세기술과 단지환경을 반영한 실시간 태양광 발전량 예측시스템을 도 1 내지 도 15를 참조하여 설명하면, 상기 태양광 발전량 예측시스템은 일정 지점에 설치되어 태양광에 의해 전력을 생산하는 태양광발전장치(1)와; 상기 태양광발전장치(1)가 설치된 지점의 기상을 예측하고, 예측된 기상정보와 태양광발전장치(1)의 정보를 이용하여 태양광발전장치(1)의 발전량을 예측하는 모니터링서버(3)와; 상기 모니터링서버(3)에 의해 예측되는 기상정보 및 발전량을 표시하는 디스플레이장치(5);를 포함한다.
특히, 본 발명에 따른 태양광 발전량 예측시스템은 기상 예측을 이용하여 태양광발전장치(1)의 발전량을 예측하도록 하면서, 기상 예측의 정확도를 높이기 위해 물리모델에 통계적 방법을 적용하고, 공간적 분포 특성을 이용하여 측정된 기상자료를 태양광발전장치(1)가 위치한 지점을 기준으로 보간하도록 하였으며, 복수의 물리모델을 사용하여 최적의 기상 예측값을 도출할 수 있도록 하였다. 또한, 상기 태양광 발전량 예측시스템은 태양의 위치정보와 태양광발전장치(1)의 추적모드 정보를 이용하여 태양광모듈(11)에 투사되는 정확한 일사량을 산출할 수 있도록 하고, 태양광모듈(11)의 온도를 추정하여 태양광 발전량을 산정하도록 함으로써 태양광 발전량 예측의 정확성을 더욱 높일 수 있도록 하였다.
상기 태양광발전장치(1)는 일정 지점에 설치되어 태양광에 의해 전력을 생산하는 구성으로, 복수의 태양광모듈(11)이 모여 하나의 발전단지를 이루도록 형성될 수 있으며, 그밖에 가정, 건축물 등에 설치되는 태양광모듈(11)을 포괄적으로 포함한다. 상기 태양광발전장치(1)에서 생산되는 전력은 일정 저장장치에 저장되어 공급되거나 전력 거래의 대상이 될 수 있으며, 그 발전량은 본 시스템에 의해 정확하게 예측되어 공급, 분배 및 판매 계획 등이 수립되도록 할 수 있다.
상기 모니터링서버(3)는 태양광발전장치(1)가 위치한 지점의 기상을 예측하고, 예측된 기상 정보를 이용하여 태양광발전장치(1)의 발전량을 예측하는 구성으로, 예측되는 정보는 상기 디스플레이장치(5)를 통해 표시되도록 할 수 있다. 상기 모니터링서버(3)는 태양광발전장치(1)가 위치한 지점의 기상을 예측하는 기상예측부(31), 태양광발전장치(1)의 발전량을 예측하는 발전량예측부(33), 예측을 위해 필요한 기상정보, 태양광발전장치(1)의 정보 등을 저장하는 데이터저장부(35)를 포함할 수 있다.
상기 기상예측부(31)는 태양광발전장치(1)가 위치한 지점의 기상을 예측하는 구성으로, 기상예측을 위한 물리모델을 수행하여 일정 지점에 대한 일정 시간 간격의 기상예측정보를 수행하도록 하고, 일정 기간 동안 실제 측정된 기상정보와의 비교를 통해 물리모델을 수정할 수 있도록 하며, 복수의 모델을 조합하여 가장 높은 정확도를 갖는 물리모델을 생성할 수 있도록 하고, 정확도의 평가시에는 실제 태양광발전장치(1)가 위치한 지점의 기상정보로 보간된 자료를 이용하도록 함으로써 기상정보 예측의 정확성을 극대화할 수 있도록 한다. 또한, 일정 기간 동안 예측된 기상자료들을 다양한 통계방법을 통해 분석하여 그 정확성을 높이도록 할 수도 있다. 이를 위해, 상기 기상예측부(31)는 도 3에 도시된 바와 같이 기상관측수신부(311), 물리모델수행부(312), 모델통계화부(313), 자료보간부(314), 모델조합부(315), 통계분석부(316)를 포함할 수 있다.
상기 기상관측수신부(311)는 실시간으로 측정되는 기상정보를 수신하는 구성으로, 태양광발전장치(1)가 위치한 지점들의 기상정보를 수신하도록 하며, 일 예로 기상청에 의해 제공되는 기온, 습도, 풍속, 일사량 등의 정보를 수신하도록 할 수 있다. 상기 기상관측수신부(311)는 1시간 단위로 기상정보를 수신하도록 할 수 있으며, 수신된 정보는 상기 데이터저장부(35)에 의해 저장되어 기상 예측 및 발전량 예측의 기초자료로 이용될 수 있도록 한다.
상기 물리모델수행부(312)는 일정 지역, 특히 태양광발전장치(1)가 위치한 지역의 기상 변화를 예측하는 구성으로, 일정 시간 간격으로 제공되는 초기장 정보를 이용하여 기상 예보에 관한 물리모델을 수행하도록 하고, 실측값과의 비교를 통해 물리옵션을 변경하여 물리모델이 최적화될 수 있도록 한다. 이를 위해, 상기 물리모델수행부(312)는 초기장수신모듈(312a), 물리모델실행모듈(312b), 모델최적화모듈(312c)을 포함할 수 있다.
상기 초기장수신모듈(312a)은 물리모델의 실행을 위한 초기 예측 자료를 수신하는 구성으로, 바람직하게는 미국국립환경예측센터(NCEP)에서 제공하는 GFS(Global Forecast System) 자료를 제공받도록 할 수 있으며, GFS 자료에 포함된 초기장정보는 6시간 간격으로 위경도 격자간격의 1도의 해상도를 가질 수 있다. 물론 상기 초기장수신모듈(312a)은 다른 루트를 통해서도 초기장정보를 수신할 수 있으며, 본 실시예에서는 6시간 간격으로 제공되는 GFS 자료를 6시간 간격으로 수신하여 물리모델이 수행될 수 있도록 하고, 수신되는 초기장정보는 상기 데이터저장부(35)에 의해 저장되도록 할 수 있다.
상기 물리모델실행모듈(312b)은 태양광발전장치(1)가 위치한 지역의 기상 변화를 예측하는 구성으로, 상기 초기장수신모듈(312a)에 의해 수신된 기상정보와 상기 기상관측수신부(311)에 의해 수신된 기상정보를 이용하여 기상 변화를 예측하도록 한다. 예를 들어, 6시간 간격의 초기장정보와 1시간 간격의 기상관측정보는 자료 동화 과정을 거쳐 기상예보의 정확성을 높일 수 있도록 하며, 물리모델 수행시에는 예측영역 내의 100m 간격의 지형고도, 토지피복자료 등을 이용할 수 있다. 상기 물리모델실행모듈(312b)은 1km 간격으로 향후 30시간 후까지의 1시간 간격으로 기상예측자료를 추출하도록 하는 것이 바람직하나, 반드시 이에 한정되지는 않으며, 예를 들어 WRF(Weather Research and Forecasting)과 UM-LDAPS(Unified Model-Local Data Assimilation and Prediction System) 물리모델을 이용하여 기상예측자료를 추출하도록 할 수 있다.
상기 모델최적화모듈(312c)은 상기 물리모델실행모듈(312b)에 의해 수행되는 물리모델에 다양한 물리옵션을 적용하여 물리모델의 정확성을 높이는 구성으로, 일정 기간 동안 실제 측정되는 기상관측값과의 비교를 통해 물리모델을 최적화하도록 한다. 따라서, 상기 모델최적화모듈(312c)은 물리모델 내의 물리식과 옵션 등을 변화시키면서 실제 측정되는 관측값과의 비교가 이루어지도록 하고, 실측값과의 오차가 가장 적은 물리식과 옵션 등을 적용하여 물리모델을 최적화할 수 있도록 한다.
상기 모델통계화부(313)는 상기 물리모델수행부(312)에서 수행되는 물리모델 자체에 통계적 기법을 적용하여 물리모델의 예측 정확도를 높이는 구성으로, 예를 들어 WRF 물리모델과 UM-LDAPS 물리모델에 각각 적용하도록 할 수 있다. 상기 모델통계화부(313)는 일정 기간 동안 예측된 기상자료와 실제 측정된 기상관측값을 비교하여 통계적 분석에 의해 물리모델에 의해 산출된 값을 보정할 수 있도록 한다. 특히, 상기 모델통계화부(313)는 태양광발전장치(1)가 위치한 지점(P)과 가장 가까운 격자점을 선정하도록 하고, 선정된 격자점에 대해 선행 시간별로 예측된 자료를 그룹화하도록 하여 통계 분석의 정확성을 높일 수 있도록 하며, 그룹화된 자료와 실제 측정값을 비교하여 상관계수를 분석하고, 이를 통해 선형회귀식을 산출하여 물리모델에 적용할 수 있도록 한다. 이를 위해, 상기 모델통계화부(313)는 격자점선정모듈(313a), 선행시간별그룹화모듈(313b), 상관계수분석모듈(313c), 회귀분석수행모듈(313d)을 포함할 수 있다.
상기 격자점선정모듈(313a)은 도 6(a)에 도시된 바와 같이 태양광발전장치(1)가 위치한 지점(P)에 해당하는 격자점을 선정하는 구성으로, 기상예측자료가 생성되는 격자를 기준으로 격자점을 선정하도록 하여 선행시간별 자료의 그룹화와 실측값과의 비교가 이루어지도록 한다.
상기 선행시간별그룹화모듈(313b)은 선정된 격자점에 대해 선행시간별 기상예측자료를 그룹화하는 구성으로, 기상예측정보를 생성하는 각 선행시간 대의 정보를 조합하여 각 시간대별로 예측된 자료를 그룹화하도록 한다. 예를 들어 상기 선행시간별그룹화모듈(313b)은 도 6(b)에 도시된 바와 같이 2017년 5월 1일 15시(선행시간)에 예측되는 기상자료는 동일한 시간대의 예측 정보를 가지는 전후 선행시간의 예측정보들을 조합하여 그룹화하도록 하고, 그룹화된 정보와 실제 관측값과의 비교가 이루어지도록 한다. 다시 말해, 2017년 5월 1일 15시에서 24시간~30시간 후의 예측정보는 2017년 5월 1일 9시에 30~36시간 후의 예측정보와 2017년 5월 1일 21시에 18~24시간 후의 예측정보, 그리고 6시간 간격으로 2017년 5월 2일 15시의 0~6시간 예측정보까지를 조합하여 기상예측자료를 그룹화하도록 하고, 해당 자료와 실측값과의 비교가 이루어지도록 한다.
상기 상관계수분석모듈(313c)은 해당 격자점의 실제 측정된 기상관측값과 해당 시간대의 그룹화된 예측자료와의 상관계수를 분석하는 구성으로, 서로의 상관관계를 분석하여 선형회귀식이 도출될 수 있도록 한다.
상기 회귀분석수행모듈(313d)은 상기 상관계수분석모듈(313c)에 의해 도출된 선형회귀식을 이용하여 물리모델에 의해 산출되는 기상예측값을 보정하는 구성으로, 예를 들어 각 WRF 모델과 UM-LDAPS 모델에 의해 산출되는 기상예측값에 선형회귀식을 적용하여 기상예측값을 보정할 수 있도록 한다.
상기 자료보간부(314)는 상기 기상관측수신부(311)에서 수신되는 기상관측정보를 공간분포 보정기법을 적용하여 태양광발전장치(1)가 위치한 지점의 정보로 보간하는 구성으로, 기상 정보가 관측되는 여러 지점의 자료들의 선형 조합을 통해 태양광발전장치(1)가 위치하는 정확한 지점의 자료를 추출할 수 있도록 하며, 예를 들어 크리깅(Kriging) 기법을 이용하도록 할 수 있다. 상기 자료보간부(314)에서 기상관측자료가 보간되면 상기 모델조합부(315)의 실행시 이를 이용하도록 함으로써 더욱 정확한 관측값과의 비교가 이루어질 수 있도록 한다. 이를 위해, 상기 자료보간부(314)는 케이스분류모듈(314a), 함수산정모듈(314b), 가중치산출모듈(314c), 보간값산정모듈(314d)을 포함할 수 있다.
상기 케이스분류모듈(314a)은 태양광발전장치(1)의 위치(P)를 기준으로 자료 보간에 이용되는 각 지점과의 거리에 따라 케이스를 분류하는 구성으로, 예를 들어 도 8에 도시된 바와 같이 5m 간격으로 케이스를 분류하도록 할 수 있다. 따라서, 상기 케이스분류모듈(314a)에 의해 분류된 각 케이스의 기상정보가 어떠한 선형관계를 갖는지 파악하여 태양광발전장치(1)가 위치한 지점의 기상정보를 추출할 수 있도록 한다.
상기 함수산정모듈(314b)은 각 지점의 거리에 따른 선형관계를 통해 함수를 산정하는 구성으로, 베리오그램(Variogram)을 이용하도록 할 수 있으며, 각 관측값 간의 분산에 따른 상관관계를 분석하여 거리에 따른 함수로 표현하도록 한다.
상기 가중치산출모듈(314c)은 각 지점에 대한 가중치를 산출하는 구성으로, 각 지점과의 거리뿐만 아니라 각 측정값 사이의 상관강도를 반영하여 가중치를 산출하도록 한다. 따라서, 상기 가중치산출모듈(314c)은 통계적 분석을 통해 각 지점에 대한 가중치를 산출하도록 하며, 이를 반영하여 태양광발전장치(1)가 위치한 지점에 대한 보간된 자료를 생성할 수 있도록 한다.
상기 보간값산정모듈(314d)은 함수산정모듈(314b)에서 산정된 함수와 가중치산출모듈(314c)에서 산출된 가중치를 이용하여 태양광발전장치(1)가 위치한 지점의 기상관측자료를 생성하는 구성으로, 주변지점 값에 산정된 함수와 가중치를 적용하여 보간값을 산정하도록 하며, 아래 [수학식 1]과 같은 형태로 계산되도록 할 수 있다.
[수학식 1]
Figure 112018074073093-pat00001
(si: 주변지점 값, λi: 주변지점에 대한 가중치, s0: 보간될 지점, N: 주변지점 개수)
상기 모델조합부(315)는 상기 물리모델수행부(312)에서 수행되는 복수의 물리모델을 조합하여 예측의 정확성을 높이도록 하는 구성으로, 예를 들어 WRF 모델과 UM-LDAPS 모델을 조합하도록 할 수 있으며, 이에 한정되지 않고 다양한 물리모델을 이용하여 조합이 이루어지도록 할 수 있다. 상기 모델조합부(315)는 각 물리모델을 선택적으로 사용하거나, 각 물리모델에 의해 산출된 값의 평균값을 사용하거나, 정확도가 높은 모델 또는 선행시간별로 가중치를 다르게 하여 예측값을 도출하도록 할 수 있으며, 이렇게 도출된 값과 실제 측정값을 비교하여 오차가 적은 모델을 선택하도록 함으로써, 예측의 정확성을 높일 수 있도록 한다. 따라서, 상기 모델조합부(315)는 각 태양광발전장치(1)별로 가장 오차가 적은 예측모델을 설정하도록 함으로써, 각 태양광발전장치(1)가 위치한 지점의 기상을 정확하게 예측할 수 있으며, 실제 측정값과의 비교시 상기 자료보간부(314)에 의해 보간된 자료를 사용함으로써 그 정확성을 더욱 높일 수 있도록 한다. 이를 위해, 상기 모델조합부(315)는 선택적수행모듈(315a), 평균수행모듈(315b), 가중치수행모듈(315c), 오차분석검증모듈(315d)을 포함할 수 있다.
상기 선택적수행모듈(315a)은 복수의 물리모델을 선택적으로 실행하는 구성으로, 실행된 결과를 상기 오차분석검증모듈(315d)에 의해 비교하여 오차율이 적은 물리모델을 선택하여 기상정보의 예측에 사용하도록 한다.
상기 평균수행모듈(315b)은 복수의 물리모델에 의해 예측된 결과의 평균값을 산출하는 구성으로, 산출된 평균값은 상기 오차분석검증모듈(315d)에 의해 선택적수행모듈(315a), 가중치수행모듈(315c)에 의해 산출된 값과 비교된다.
상기 가중치수행모듈(315c)은 가중치를 부여하여 물리모델을 수행하는 구성으로, 일 예로 정확도가 높은 모델 또는 선행시간별로 가중치를 부여하도록 할 수 있다. 따라서, 상기 가중치수행모듈(315c)은 특정 태양광발전장치(1)에 대해 과거 예측정보를 바탕으로 정확도가 높은 물리모델에 가중치를 부여하여 물리모델을 수행하도록 하도록 할 수 있으며, 선행시간에 따라 가중치를 다르게 하여 물리모델을 수행하도록 할 수 있다. 이렇게 수행된 모델들은 상기 오차분석검증모듈(315d)에 의해 그 정확성이 다시 검증되며, 가장 정확도가 높은 방식이 적용될 수 있도록 한다.
상기 오차분석검증모듈(315d)은 상기 선택적수행모듈(315a), 평균수행모듈(315b), 가중치수행모듈(315c)에 의해 도출되는 각각의 예측값들과 실측값의 비교를 통해 오차율을 분석하는 구성으로, Bias, RMSE, MAE, nMAE, IOA, R 등을 이용할 수 있으며, 그 중 하나인 IOA(Index of Agreement)의 식을 살펴보면 아래 [수학식 2]와 같다.
[수학식 2]
Figure 112018074073093-pat00002
(M: 모델값, O: 관측값, n: 데이터의 개수)
따라서, 상기 오차분석검증모듈(315d)은 각각의 오차율을 계산하여 비교하게 되며, 가장 적은 오차율을 갖는 모델에 의해 도출되는 값을 기상예측값으로 산출하게 된다. 이때, 상기 오차분석검증모듈(315d)은 앞서 설명한 바와 같이 상기 자료보간부(314)에 의해 보간된 값을 실제 측정값으로 사용하게 되며, 각 태양광발전장치(1)별로 예측모델을 선택하여 설정하도록 함으로써 각 태양광발전장치(1)에 대한 기상 예측 및 이에 따른 발전량 예측의 정확성을 높일 수 있게 된다.
상기 통계분석부(316)는 태양광발전장치(1)가 위치한 지역의 기상예측값에 대해 일정 기간 동안의 통계 분석을 추가적으로 실시하여 예측 정확도를 더욱 높일 수 있도록 하는 구성으로, 상기 모델조합부(315)에 의해 예측값을 도출하는 것으로 충분할 수 있으나, 일정 기간 동안의 예측값이 누적되는 경우 예측되는 값의 통계적 분석을 실시하도록 한다. 상기 통계분석부(316)는 통계분석수행모듈(316a)의 실행을 통해 의사결정나무, 조건부 추론나무, 랜덤 포레스트 등의 통계적 분석방법을 이용하여 누적된 데이터 안에서의 통계적인 규칙이나 패턴을 찾도록 할 수 있으며, 오차검증모듈(316b)에 의해 도출된 값과 실측값을 비교하여 오차율을 검증하고 가장 작은 오차율을 갖는 통계분석방법에 의해 기상예측값을 산출하도록 할 수 있다. 상기 오차검증모듈(316b)에 관한 설명은 상기 오차분석검증모듈(315d)에 의해 설명과 같으므로 이하 생략한다.
상기 발전량예측부(33)는 상기 기상예측부(31)에 의해 예측된 기상정보와 태양광발전장치(1)에 대한 장치정보를 이용하여 태양광발전장치(1)의 발전량을 예측하는 구성으로, 태양광발전장치(1)의 태양광모듈(11)에 입사되는 일사량과 이에 따른 태양광모듈(11) 표면의 온도, 출력온도계수, 손실계수 등을 이용하여 태양광 발전량을 예측하도록 한다. 이때, 일사량은 상기 기상예측부(31)에 의해 예측되는 일사량을 기본으로 하며, 태양과 태양광모듈(11)과의 각도를 고려하여 일사량을 보정하도록 함으로써, 태양광모듈(11)에 입사되는 정확한 일사량의 산출이 가능하도록 한다. 또한, 태양광모듈(11)의 표면온도는 상기 기상예측부(31)에서 예측되는 풍속, 기온, 일사량 등의 정보와 태양광발전장치(1)의 냉각장치정보를 이용하여 산출하도록 한다. 상기 발전량예측부(33)는 도 12에 도시된 바와 같이 태양위치추적부(331), 일사량보정부(332), 모듈온도추정부(333), 발전량산출부(334)를 포함할 수 있다.
상기 태양위치추적부(331)는 일사량의 보정을 위해 태양의 위치를 추적하도록 하는 구성으로, 시간별로 태양의 고도각과 방위각을 산출하도록 한다. 상기 태양위치추적부(331)는 태양의 위치를 계산하기 위한 다양한 알고리즘을 사용할 수 있으며, 지구의 자전과 공전에 따른 위치 변화와 이들 과정에서 발생하는 지구의 단주기적 미세불규칙 운동을 해석한 천문학 관계식들을 태양광시스템에서 적용 가능한 형태로 단순화 또는 근사화한 다양한 알고리즘들을 사용할 수 있다. 상기 태양위치추적부(331)는 Walrevan, Michalsky, Grena 알고리즘 등 다양한 알고리즘을 선택적으로 사용할 수 있다.
상기 일사량보정부(332)는 상기 기상예측부(31)에서 예측되는 일사량 정보를 태양과 태양광모듈(11)의 각도를 고려하여 보정하도록 한다. 상기 기상예측부(31)에서 예측되는 일사량정보는 특정 지역에 입사되는 일사량을 예측한 것으로, 태양과 태양광모듈(11)이 이루는 각도는 고려되지 않았으므로, 태양과 태양광모듈(11)이 이루는 각도를 고려하여 일사량을 보정할 수 있도록 한다. 이때, 태양광모듈(11)은 고정식으로 형성되는 경우에는 보통 30도의 경사로 설치되며, 태양의 위치에 따라 경사가 변경되는 추적식으로 형성될 수도 있다. 또한 태양광모듈(11)은 추적식의 경우에도 단축 트래킹 모드, 방위각 트래킹 모드, 양축 트래킹 모드 등 다양한 방식으로 형성될 수 있다. 따라서, 상기 일사량보정부(332)는 태양의 위치를 추적함과 함께 태양광모듈(11)의 추적 방식에 따라 일사량을 보정하도록 하여, 태양광모듈(11)의 경사에 따른 정확한 일사량의 보정이 가능하도록 한다. 이를 위해, 상기 일사량보정부(332)는 예측일사량수신모듈(332a), 태양위치정보수신모듈(332b), 태양광추적모드수신모듈(332c), 일사량산출모듈(332d)을 포함할 수 있다.
상기 예측일사량수신모듈(332a)은 상기 기상예측부(31)에서 예측되는 일사량정보를 수신하는 구성으로, 일정 시간 간격의 일사량정보를 수신하도록 할 수 있으며, 태양 위치 및 태양광모듈(11)의 추적모드에 따라 태양광모듈(11)에 입사되는 정확한 일사량값으로 보정된다.
상기 태양위치정보수신모듈(332b)은 상기 태양위치추적부(331)에서 예측되는 태양 위치정보가 수신되는 구성으로, 시간에 따른 태양의 고도각 및 방위각 정보를 수신하도록 한다.
상기 태양광추적모드수신모듈(332c)은 발전량을 예측하고자 하는 태양광발전장치(1)의 추적모드에 관한 정보를 수신하는 구성으로, 고정식인지, 단축 트래킹 모드 인지 등의 태양의 위치에 따라 어떠한 각도로 움직이는지에 대한 상세한 정보를 수신하도록 한다. 각 태양광발전장치(1)에 관한 정보는 상기 데이터저장부(35)에 의해 저장되어 있으며, 상기 태양광추적모드수신모듈(332c)은 발전량을 예측하고자 하는 태양광발전장치(1)의 정보를 데이터저장부(35)로부터 수신하도록 한다.
상기 일사량산출모듈(332d)은 태양광모듈(11)의 경사를 고려하여 상기 예측일사량수신모듈(332a)에 의해 수신된 일사량정보를 보정하는 구성으로, 태양의 고도 및 방위각에 따라 태양과 태양광모듈(11)이 이루는 경사에 따라 일사량을 보정하도록 하며, 특히, 태양광모듈(11)의 추적모드에 따라 태양과 태양광모듈(11)에 이루는 각도가 변경되어 일사량이 산출될 수 있도록 한다.
상기 모듈온도추정부(333)는 태양광모듈(11)의 온도를 추정하여 예측하는 구성으로, 상기 기상예측부(31)에서 예측되는 풍속, 기온, 일사량정보와 태양광발전장치(1)의 냉각장치에 관한 정보를 이용하여 실제 측정되는 태양광모듈(11) 표면온도와의 상관관계를 분석하고, 분석된 상관관계에 따라 모듈표면온도를 산출할 수 있도록 한다. 다시 말해, 상기 모듈온도추정부(333)는 일정 기간 축적된 기상정보와 태양광발전장치(1)의 정보를 이용하여 태양광모듈(11) 표면온도와의 상관성을 분석하도록 하고, 분석된 상관관계에 따라 앞으로 예측되는 기상정보와 태양광발전장치(1)의 정보를 이용하여 미래 일정 시점의 모듈표면온도를 예측할 수 있도록 한다. 태양광모듈(11)은 일반적으로 25℃에서 1℃ 상승하는 경우 태양광모듈(11)의 출력온도계수에 따라 발전효율이 감소하게 되므로, 모듈표면온도를 예측하여 이에 따라 발전량을 예측하도록 함으로써, 발전량 예측의 정확성을 높일 수 있도록 한다. 상기 모듈온도추정부(333)는 도 14에 도시된 바와 같이 풍속정보수신모듈(333a), 기온정보수신모듈(333b), 일사량정보수신모듈(333c), 냉각장치정보수신모듈(333d), 모듈온도정보수신모듈(333e), 상관관계분석모듈(333f), 모듈표면온도산출모듈(333g)을 포함할 수 있다.
상기 풍속정보수신모듈(333a), 기온정보수신모듈(333b), 일사량정보수신모듈(333c)은 상기 기상예측부(31)에서 예측되는 풍속, 기온, 일사량정보를 수신하는 구성으로, 예측되는 정보를 실시간으로 수신하여 지속적으로 저장하도록 한다. 따라서, 일정 기간 동안 측정되는 태양광모듈(11) 표면온도와의 비교를 통해 상관관계를 분석할 수 있도록 하고, 일정 시점 후의 예측되는 풍속, 기온, 일사량정보를 이용하여 분석된 상관관계에 따라 태양광모듈(11) 표면온도를 산출할 수 있도록 한다.
상기 냉각장치정보수신모듈(333d)은 상기 태양광발전장치(1)의 냉각장치에 관한 정보를 수신하는 구성으로, 상기 데이터저장부(35)에 의해 저장된 각 태양광발전장치(1)의 냉각장치에 관한 정보를 수신하도록 한다. 태양광발전장치(1)에는 태양광모듈(11)을 냉각시키기 위한 냉각장치가 설치되는데, 태양광모듈(11)의 표면온도는 냉각장치가 존재하는지 여부, 냉각장치의 성능에 따라 당연히 상이한 값을 나타내게 된다. 따라서, 상기 냉각장치정보수신모듈(333d)은 냉각장치의 유무에 관한 정보, 냉각장치의 성능에 관한 정보를 수신하도록 하며, 냉각장치의 성능을 일정 기준으로 분류하여 성능에 따른 태양광모듈(11) 표면온도와의 상관관계를 함께 분석하도록 할 수 있다.
상기 모듈온도정보수신모듈(333e)은 태양광모듈(11)의 표면온도를 측정하여 수신하는 구성으로, 태양광모듈(11)에 형성되는 별도의 온도측정수단을 통해 표면온도를 측정하도록 할 수 있으며, 일정 기간 측정된 표면온도 정보와 풍속, 기온, 일사량, 냉각장치 성능에 관한 정보와의 비교를 통해 상관관계를 분석하도록 한다.
상기 상관관계분석모듈(333f)은 풍속, 기온, 일사량 및 태양광발전장치(1)의 냉각장치에 관한 정보와 태양광모듈(11) 표면온도와의 상관관계를 분석하는 구성으로, 일정 기간 동안 수신되는 정보 및 측정되는 표면온도와의 비교를 통해 상관관계를 분석하도록 한다. 상기 상관관계분석모듈(333f)에 의해 풍속, 기온, 일사량 및 냉각장치정보와의 상관관계가 분석되면 상기 모듈표면온도산출모듈(333g)에 의해 일정 시점의 모듈표면온도를 예측하는데 사용되도록 한다.
상기 모듈표면온도산출모듈(333g)은 상기 상관관계분석모듈(333f)에 의해 분석되는 상관관계를 이용하여 태양광모듈(11)의 표면온도를 산출하는 구성으로, 상기 기상예측부(31)에 의해 예측되는 풍속, 기온, 일사량정보와 상기 데이터저장부(35)에 의해 저장되는 냉각장치에 관한 정보에 상관관계를 적용하여 미래 일정 시점의 태양광모듈(11) 표면온도를 산출하도록 한다.
상기 발전량산출부(334)는 상기 기상예측부(31)에 의해 예측된 기상정보, 태양광발전장치(1)의 장치정보를 이용하여 태양광발전장치(1)에서 생산되는 발전량을 예측하는 구성으로, 상기 일사량보정부(332)에서 보정된 일사량, 상기 모듈온도추정부(333)에서 추정된 태양광모듈(11) 표면온도와 함께 출력온도계수, 손실계수를 고려하여 태양광 발전량을 산출하도록 한다. 태양광모듈(11)에서 생산되는 발전량은 일사량에 비례하고, 태양광모듈(11) 표면온도가 25℃에서 1℃씩 상승할 때마다 출력온도계수에 비례하여 발전량이 줄어들게 된다. 상기 발전량산출부(334)는 도 15에 도시된 바와 같이 정격출력수신모듈(334a), 보정일사량수신모듈(334b), 모듈온도수신모듈(334c), 출력온도계수수신모듈(334d), 손실계수산출모듈(334e), 발전량산정모듈(334f)을 포함할 수 있다.
상기 정격출력수신모듈(334a)은 각 태양광발전장치(1)마다 설정된 정격출력에 관한 정보를 데이터저장부(35)로부터 수신하여, 정격출력을 기준으로 일사량, 모듈온도 등이 반영된 발전량이 예측될 수 있도록 한다. 일 예로, 정격출력은 온도 25℃, 일사강도 1kw/m2 일 때의 출력을 의미할 수 있으며, 각 태양광발전장치(1)마다 고유의 값으로 설정된다.
상기 보정일사량수신모듈(334b)은 상기 일사량보정부(332)에서 산출되는 보정된 일사량 정보를 수신하도록 한다.
상기 모듈온도수신모듈(334c)은 상기 모듈온도추정부(333)로부터 산출되는 태양광모듈(11)의 표면온도에 관한 정보를 수신하도록 한다.
상기 출력온도계수수신모듈(334d)은 각 태양광발전장치(1)마다 설정된 출력온도계수에 관한 정보를 수신하는 구성으로, 앞서 설명한 바와 같이 표면온도가 25℃에서 1℃씩 상승할 때마다 출력온도계수에 비례하여 발전량이 줄어들게 된다.
상기 손실계수산출모듈(334e)은 각 태양광발전장치(1)의 손실계수를 산출하는 구성으로, 손실계수는 예측된 발전량에 대비하여 실제 측정되는 발전량의 비율을 나타낸다. 따라서, 상기 손실계수산출모듈(334e)은 특정 태양광발전장치(1)에 대해 예측을 실행하는 시점으로부터 일정 기간 전의 예측된 발전량과 실제 측정되는 발전량의 비율을 계산하도록 하며, 이를 미래 발전량의 예측시 반영하도록 한다.
상기 발전량산정모듈(334f)은 각 태양광발전장치(1)의 정격출력, 예측되는 보정된 일사량, 태양광모듈(11) 표면온도, 출력온도계수, 손실계수 등을 이용하여 일정 시점에 예측되는 발전량을 산정하도록 할 수 있으며, 일 예로 아래 [수학식 3]을 이용하여 발전량을 산정하도록 할 수 있다.
[수학식 3]
Pm(t) = Pm × Q × [1 + α(t-25)] × c
(Pm(t): 동작조건에서의 최대출력, Pm: 정격출력(25℃, 일사강도 1kw/m2)
Q: 보정 일사량(kw/m2), t: 모듈표면온도, α: 출력온도계수, c: 손실계수)
상기 데이터저장부(35)는 기상 예측 및 발전량 예측을 위한 정보들을 모니터링서버(3)에 저장하는 구성으로, 기상관측수신부(311)에서 수신되는 기상관측정보, 기상예측부(31)에서 예측되는 기상예측정보, 각 태양광발전장치(1)의 정격출력, 출력온도계수, 태양광발전장치(1)의 위치정보, 추적모드정보, 냉각장치정보, 모듈의 개수 등에 관한 정보가 저장되도록 할 수 있다.
상기 디스플레이장치(5)는 상기 모니터링서버(3)에 의해 예측되는 기상정보, 발전량정보 등을 표시하는 구성으로, 컴퓨터, 모바일 단말기 등 다양한 장치가 적용될 수 있다.
본 발명의 일 실시예에 따른 태양광 발전단지 기상예측 상세기술과 단지환경을 반영한 발전량 산정방법을 도 16을 참조하여 설명하면, 상기 태양광 발전량 산정방법은 태양광발전장치가 위치한 지점의 기상을 예측하는 기상예측단계(S1)와; 상기 기상예측단계(S1)에서 예측된 기상정보를 기초로 특정 시점의 태양광 발전량을 예측하는 발전량예측단계(S3);를 포함한다.
상기 기상예측단계(S1)는 기상관측수신단계(S11), 물리모델수행단계(S12), 모델통계화단계(S13), 자료보간단계(S14), 모델조합단계(S15), 통계분석단계(S16)를 포함할 수 있다.
상기 기상관측수신단계(S11)는 기상관측수신부(311)에 의해 기상청 등으로부터 기상관측정보를 수신하도록 하며, 물리모델수행단계(S12)에서는 물리모델수행부(312)에 의해 초기장정보를 수신하고 태양광발전장치(1)가 위치한 지역의 기상예측정보를 생성하는 물리모델을 실행하도록 하며, 물리모델은 실측값과의 비교를 통해 최적의 물리옵션과 물리식을 적용할 수 있도록 최적화된다.
또한, 모델통계화단계(S13)에서는 실행된 물리모델에 통계적 분석기법을 적용하여 예측 정확도를 높이도록 하며, 상기 모델통계화부(313)가 실행되도록 한다. 따라서, 상기 모델통계화단계(S13)에서는 태양광발전장치(1)가 위치한 지점의 격자점을 선정하여 선정된 격자점에 대해 선행시간별로 예측된 자료를 그룹화하도록 하고, 그룹화된 자료와 실제 측정된 기상관측값을 비교하여 상관계수를 분석하도록 하며, 분석된 상관계수에 의해 선형회귀식을 산정하여 물리모델에 적용될 수 있도록 한다.
그리고 기상관측수신단계(S11)에서 수신되는 기상관측값들은 자료보간단계(S14)에서 실제 태양광발전장치(1)가 위치한 지점의 값으로 보간이 이루어지도록 하며, 상기 자료보간부(314)에 의해 크리깅 등의 공간분포 보정기법을 사용하도록 할 수 있다. 따라서, 상기 자료보간단계(S14)는 태양광발전장치(1)가 위치한 지점과의 이격거리에 따라 케이스를 분류하고, 각 케이스별로 선형관계를 파악하여 함수를 산정하도록 하며, 각 측정값 사이의 상관강도를 반영하여 가중치를 산출하고, 이에 따라 태양광발전장치(1)가 위치한 지점의 보간값이 산출되도록 한다.
그리고 모델조합단계(S15)에서는 물리모델수행단계(S12)에서 실행된 복수의 물리모델들을 조합하여 가장 작은 오차율을 갖는 물리모델의 조합을 선정할 수 있도록 하며, 이때 복수의 물리모델들은 상기 모델통계화단계(S13)에서 회귀분석이 수행된 물리모델들을 사용하도록 한다. 상기 모델조합단계(S15)에서는 상기 모델조합부(315)에 의해 복수의 물리모델들을 선택적으로 사용하거나 평균값을 사용하거나 가중치를 부여하여 사용하도록 하고 가장 적은 오차율을 갖는 물리모델의 조합을 선택하도록 하여 조합된 물리모델에 의해 기상예측값을 산출할 수 있도록 한다.
상기 통계분석단계(S16)는 상기 물리모델수행단계(S12), 모델통계화단계(S13), 자료보간단계(S14), 모델조합단계(S15)를 거친 예측값들이 일정 기간 누적되어 저장되며, 해당 예측값들의 통계적 분석을 실시하는 과정으로, 상기 통계분석부에 의해 의사결정나무, 조건부 추론나무, 랜덤 포레스트, 로지스틱 회귀, 서포트벡터머신 등의 통계적 분석기법을 이용하여 통계적 규칙이나 패턴을 찾도록 할 수 있다.
상기 발전량예측단계(S3)는 상기 기상예측단계(S1)에서 예측된 기상정보와 태양광발전장치(1)의 장치정보 등을 이용하여 발전량을 예측하는 과정으로, 태양위치추적단계(S31), 일사량보정단계(S32), 모듈온도추정단계(S33), 발전량산출단계(S34)를 포함할 수 있다.
상기 태양위치추적단계(S31)에서는 시간에 따른 태양의 위치를 추적하는 과정으로, 상기 태양위치추적부(331)가 실행되도록 하며, 태양의 위치를 추적하는 다양한 알고리즘을 통해 시간에 따른 태양의 고도와 방위각을 산출하도록 한다.
상기 일사량보정단계(S32)는 상기 기상예측단계(S1)에서 예측되는 일사량 정보를 태양에 대한 태양광모듈(11)의 각도를 고려한 일사량으로 보정하는 과정으로, 상기 일사량보정부(332)가 실행되도록 한다. 따라서, 상기 일사량보정단계(S32)에서는 예측된 일사량정보와 태양의 위치정보, 그리고 태양광발전장치(1)의 추적모드에 관한 정보를 수신하도록 하며, 태양의 위치와 태양의 위치에 따른 태양광발전장치(1)의 회전에 따라 태양과 태양광모듈(11)이 이루는 각도를 계산하여 예측된 일사량의 보정이 이루어질 수 있도록 한다.
상기 모듈온도추정단계(S33)는 발전량 예측을 위한 태양광모듈(11)의 표면온도를 예측하는 과정으로, 상기 모듈온도추정부(333)가 실행되도록 한다. 따라서, 상기 모듈온도추정단계(S33)는 상기 기상예측단계(S1)에서 예측되는 풍속, 기온정보와 일사량보정단계(S32)에서 보정되는 일사량정보를 수신하고, 태양광발전장치(1)의 냉각장치에 관한 정보를 수신하여 실측된 태양광모듈(11) 표면온도와의 비교를 통해 상관관계를 분석하도록 하며, 분석된 상관관계에 따라 태양광모듈(11)의 표면온도를 예측할 수 있도록 한다.
상기 발전량산출단계(S34)는 보정된 일사량정보, 태양광모듈(11)의 표면온도 정보와, 출력온도계수, 손실계수를 이용하여 태양광발전장치(1)의 발전량을 예측하는 과정으로, 상기 발전량산출부(334)가 실행되도록 한다. 따라서, 상기 발전량산출단계(S34)는 각 태양광발전장치(1)의 정격출력에 보정된 일사량을 곱하고, 모듈표면온도가 25℃에서 상승한 만큼 출력온도계수에 비례하여 발전량이 감소하도록 하며, 산출된 손실계수에 비례하여 발전량의 감소가 이루어진다 (예측발전량 = 발전량 - (발전량 * 손실계수))
본 발명에 따른 기상예측을 이용한 태양광 발전량 산정방법을 보다 상세히 설명하기로 한다. 하지만, 이들은 본 발명을 보다 상세하게 설명하기 위한 것일 뿐 본 발명의 권리범위가 이에 한정되는 것은 아니다.
<실시예>
1. 2017년 5월 17일부터 2017년 11월 28일까지 WRF 물리모델과 UM-LDAPS 물리모델을 이용하여 모델통계화단계(S13), 자료보간단계(S14), 모델조합단계(S15)를 적용한 기상예측정보를 생성하고, 이를 통해 발전량을 예측하도록 함
2. 실시예 1에 태양위치추적단계(S31), 일사량보정단계(S32), 모듈온도추정단계(S33)를 추가적으로 적용하여 발전량을 예측하도록 함
<비교예>
WRF 물리모델만이 수행된 기상예측자료와 예측된 일사량, 기온 정보를 이용하여 발전량을 예측하도록 함
<모델 검증>
실시예 및 비교예에 의한 발전량 예측값을 실제 발전량과 비교하여 오차율을 산정하도록 하였으며, 아래 [수학식 4]에 기재된 nMAE 값을 이용하도록 하였다. 여기서 nMAE는 정규화된 평균 절대값 오차를 의미한다.
[수학식 4]
Figure 112018074073093-pat00003
(M: 모델값, O: 관측값, n, N: 데이터의 개수)
오차율을 계산한 결과는 아래 표 1과 같으며, 물리모델만을 수행하여 발전량을 예측한 비교예 1보다 모델통계화단계(S13), 자료보간단계(S14), 모델조합단계(S15)를 수행한 실시예 1의 오차율이 더 적었고, 실시예 1에 태양위치추적단계(S31), 모듈온도추정단계(S33)를 추가적으로 적용한 실시예 2의 오차율이 더 적은 값을 나타내었다. 이러한 오차 검증 중 2017년 7월의 실제 태양광 발전량과 실시예 및 비교예의 발전량 그래프는 도 17과 같다.
오차율(nMAE)
비교예 1 17.1%
실시예 1 15.7%
실시예 2 14.8%
따라서, 본 발명에 따른 기상예측단계(S1) 및/또는 발전량예측단계(S3)를 수행할 경우 일반적인 기상예측에 의한 발전량 예측에 비하여 낮은 오차율을 갖는 것을 알 수 있다.
이상에서, 출원인은 본 발명의 다양한 실시예들을 설명하였지만, 이와 같은 실시예들은 본 발명의 기술적 사상을 구현하는 일 실시예일 뿐이며, 본 발명의 기술적 사상을 구현하는 한 어떠한 변경예 또는 수정예도 본 발명의 범위에 속하는 것으로 해석되어야 한다.
1: 태양광발전장치 11: 태양광모듈
3: 모니터링서버
31: 기상예측부 311: 기상관측수신부 312: 물리모델수행부
312a: 초기장수신모듈 312b: 물리모델실행모듈 312c: 모델최적화모듈
313: 모델통계화부 313a: 격자점선정모듈 313b: 선행시간별그룹화모듈
313c: 상관계수분석모듈 313d: 회귀분석수행모듈 314: 자료보간부
314a: 케이스분류모듈 314b: 함수산정모듈 314c: 가중치산출모듈
314d: 보간값산정모듈 315: 모델조합부 315a: 선택적수행모듈
315b: 평균수행모듈 315c: 가중치수행모듈 315d: 오차분석검증모듈
316: 통계분석부 316a: 통개분석수행모듈 316b: 오차검증모듈
33: 발전량예측부 331: 태양위치추적부 332: 일사량보정부
332a: 예측일사량수신모듈 332b: 태양위치정보수신모듈
332c: 태양광추적모드수신모듈 332d: 일사량산출모듈
333: 모듈온도추정부 333a: 풍속정보수신모듈 333b: 기온정보수신모듈
333c: 일사량정보수신모듈 333d: 냉각장치정보수신모듈
333e: 모듈온도정보수신모듈 333f: 상관관계분석모듈
333g: 모듈표면온도산출모듈 334: 발전량산출부
334a: 정격출력수신모듈 334b: 보정일사량수신모듈
334c: 모듈온도수신모듈 334d: 출력온도계수수신모듈
334e: 손실계수산출모듈 334f: 발전량산정모듈 35: 데이터저장부
5: 디스플레이장치

Claims (8)

  1. 일정 지점에 설치되어 태양광에 의해 전력을 생산하는 태양광발전장치와; 상기 태양광발전장치가 설치된 지점의 기상을 예측하고, 예측된 기상정보와 태양광발전장치의 정보를 이용하여 태양광발전장치의 발전량을 예측하는 모니터링서버와; 상기 모니터링서버에 의해 예측되는 기상정보 및 발전량을 표시하는 디스플레이장치;를 포함하고,
    상기 모니터링서버는 태양광발전장치가 위치한 지점의 기상을 예측하는 기상예측부와, 상기 기상예측부에서 예측된 기상정보를 기초로 특정 시점의 태양광 발전량을 예측하는 발전량예측부를 포함하고,
    상기 기상예측부는 기상관측자료를 수신하는 기상관측수신부와; 상기 기상관측수신부에서 수신된 기상관측자료를 토대로 기상예측을 위한 복수의 물리모델을 수행하는 물리모델수행부와; 일정기간 동안 물리모델에 의해 예측된 기상정보와 실제 측정된 기상정보를 비교하여 선형회귀식을 통해 물리모델에 의해 예측된 값을 보정하는 모델통계화부와; 태양광발전장치가 위치한 지점의 주변 기상 관측값들을 공간분포 보정기법을 통해 보간하여 태양광발전장치가 위치한 지점의 기상관측값을 추출하는 자료보간부와; 상기 모델통계화부에서 보정된 각각의 물리모델들을 조합하여 보간된 실제 측정값과 가장 적은 오차율을 갖는 물리모델을 설정하는 모델조합부;를 포함하며,
    상기 자료보간부는,
    태양광발전장치가 위치한 지점으로부터 기상관측자료가 측정되는 지점 사이의 거리에 따라 케이스를 분류하는 케이스분류모듈과, 각 케이스별로 공간적 분포 특성에 관한 선형관계를 규정하는 함수산정모듈과, 각 측정지점에 대한 가중치를 산출하는 가중치산출모듈과, 각 측정지점의 가중치를 고려하여 태양광발전장치가 위치한 지점의 기상관측값을 산정하는 보간값산정모듈을 포함하고,
    상기 발전량예측부는,
    시간에 따른 태양의 위치를 추적하는 태양위치추적부와; 상기 기상예측부에서 예측된 일사량을 태양의 위치와 태양광 발전장치의 태양추적모드에 따라 보정하는 일사량보정부와; 상기 기상예측부에서 예측된 기상정보와 태양광발전장치의 정보를 이용하여 태양광 모듈의 표면온도를 추정하는 모듈온도추정부와; 보정된 일사량 및 추정된 태양광 모듈의 표면온도를 이용하여 발전량을 산출하는 발전량산출부;를 포함하며,
    상기 일사량보정부는,
    상기 기상예측부에서 예측되는 일사량 정보를 수신하는 예측일사량수신모듈과, 상기 태양위치추적부에서 추적되는 태양의 시간별 고도각 및 방위각 정보를 수신하는 태양위치정보수신모듈과, 태양광발전장치의 추적모드에 관한 정보를 수신하는 태양광추적모드수신모듈과, 태양광발전장치의 추적모드 및 태양의 위치에 따라 태양과 태양광발전장치의 모듈이 이루는 각도를 계산하여 예측된 일사량을 보정하여 산출하는 일사량산출모듈을 포함하며,
    상기 모듈온도추정부는,
    상기 기상예측부에서 예측되는 풍속에 관한 정보를 수신하는 풍속정보수신모듈과; 기온에 관한 정보를 수신하는 기온정보수신모듈과; 일사량보정부에서 산출되는 일사량에 관한 정보를 수신하는 일사량정보수신모듈과; 태양광발전장치의 냉각장치에 관한 정보를 수신하는 냉각장치정보수신모듈과; 실제 측정되는 태양광발전장치의 모듈 표면온도에 관한 정보를 수신하는 모듈온도정보수신모듈과; 기온, 풍속, 일사량, 냉각장치의 성능과 실제 측정된 모듈 표면온도와의 상관관계를 분석하는 상관관계분석모듈과; 분석된 상관관계에 따라 특정 시점의 모듈 표면온도를 예측하여 산출하는 모듈표면온도산출모듈;을 포함하는 것을 특징으로 하는 실시간 태양광 발전량 예측시스템.
  2. 제 1 항에 있어서, 상기 모델통계화부는
    태양광발전장치가 위치한 지점과 최단거리의 격자점을 선정하는 격자점선정모듈과, 선정된 격자점에 대해 물리모델에 의해 예측되는 선행시간별로 기상자료를 그룹화하는 선행시간별그룹화모듈과, 특정 시간대의 예측된 기상자료들과 실제 측정된 자료들과의 상관계수를 분석하는 상관계수분석모듈과, 분석된 상관계수를 이용하여 선형회귀식을 도출하고 보정된 모델수행값을 산출하는 회귀분석수행모듈을 포함하는 것을 특징으로 하는 실시간 태양광 발전량 예측시스템.
  3. 삭제
  4. 삭제
  5. 삭제
  6. 삭제
  7. 삭제
  8. 삭제
KR1020180087249A 2018-07-26 2018-07-26 태양광 발전단지 기상예측 상세기술과 단지환경을 반영한 발전량 산정방법, 그 방법을 이용한 실시간 태양광 발전량 예측시스템 KR102093796B1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020180087249A KR102093796B1 (ko) 2018-07-26 2018-07-26 태양광 발전단지 기상예측 상세기술과 단지환경을 반영한 발전량 산정방법, 그 방법을 이용한 실시간 태양광 발전량 예측시스템
PCT/KR2019/005872 WO2020022624A1 (ko) 2018-07-26 2019-05-16 태양광 발전단지 기상예측 상세기술과 단지환경을 반영한 발전량 산정방법, 그 방법을 이용한 실시간 태양광 발전량 예측시스템
EP19841000.3A EP3829055B1 (en) 2018-07-26 2019-05-16 Method for calculating power generation amount reflecting farm environment and detailed technology for predicting solar farm weather, and real-time solar power generation amount prediction system using the method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180087249A KR102093796B1 (ko) 2018-07-26 2018-07-26 태양광 발전단지 기상예측 상세기술과 단지환경을 반영한 발전량 산정방법, 그 방법을 이용한 실시간 태양광 발전량 예측시스템

Publications (2)

Publication Number Publication Date
KR20200012228A KR20200012228A (ko) 2020-02-05
KR102093796B1 true KR102093796B1 (ko) 2020-03-26

Family

ID=69181699

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180087249A KR102093796B1 (ko) 2018-07-26 2018-07-26 태양광 발전단지 기상예측 상세기술과 단지환경을 반영한 발전량 산정방법, 그 방법을 이용한 실시간 태양광 발전량 예측시스템

Country Status (3)

Country Link
EP (1) EP3829055B1 (ko)
KR (1) KR102093796B1 (ko)
WO (1) WO2020022624A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220077468A (ko) 2020-12-02 2022-06-09 주식회사 케이티 일사량 예측 방법, 서버 및 컴퓨터 프로그램

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI739312B (zh) * 2020-02-19 2021-09-11 春禾科技股份有限公司 太陽能案場日照值推估方法
KR102400711B1 (ko) * 2020-05-25 2022-05-23 한전케이디엔주식회사 태양광 발전량 예측 시스템 및 방법
CN111815051B (zh) * 2020-07-06 2022-09-23 安徽建筑大学 考虑天气影响因素的grnn光伏发电预测方法
CN111967652B (zh) * 2020-07-22 2023-10-24 国网浙江省电力有限公司电力科学研究院 一种双层协同实时校正光伏预测方法
KR102352588B1 (ko) * 2020-10-14 2022-01-18 (주) 티이에프 선형회귀모델을 이용하여 태양광 발전에서의 인버터 효율 정보를 도출하는 장치 및 방법
KR102461156B1 (ko) 2020-12-21 2022-10-28 한전케이디엔주식회사 태양광 발전소의 기상정보 추정 장치 및 그 방법
KR102570248B1 (ko) * 2021-01-21 2023-08-24 한전케이디엔주식회사 태양광 발전량 예측 시스템 및 방법
KR102265862B1 (ko) * 2021-03-25 2021-06-16 (주)제이루트 기상정보와 환경정보를 분석하여 발전량을 예측하는 태양광발전 모니터링 시스템
KR102338519B1 (ko) * 2021-04-28 2021-12-13 주식회사 인코어드 테크놀로지스 실시간 신재생에너지 발전량 추정 시스템
CN115840740B (zh) * 2022-09-26 2023-11-24 中国电建集团贵阳勘测设计研究院有限公司 一种用于光伏电站的太阳能资源缺测数据插补方法
CN116452066B (zh) * 2023-05-16 2023-10-03 中交第二公路勘察设计研究院有限公司 一种考虑炫光影响的路侧光伏选址方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101035398B1 (ko) * 2010-11-22 2011-05-20 (주)에코브레인 특정지점 기상예측 기반 신재생에너지 발전량 실시간 예측방법 및 그 시스템
KR101761686B1 (ko) * 2017-03-31 2017-07-31 (주)하모니앤유나이티드 머신 러닝을 이용한 태양광 발전량 실시간 예측 시스템
KR101808047B1 (ko) * 2016-08-05 2017-12-14 주식회사 해줌 태양 에너지를 이용하는 발전소의 발전량을 예측하는 방법 및 서버

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101020639B1 (ko) 2008-12-01 2011-03-09 한밭대학교 산학협력단 신재생에너지 생산량 예측방법
JP6584510B2 (ja) * 2015-08-07 2019-10-02 三菱電機株式会社 太陽光発電量予測装置および太陽光発電量予測方法
CN105184404B (zh) * 2015-08-31 2018-12-18 中国科学院广州能源研究所 适用于光伏系统全生命周期的输出功率分类预测系统
US10700541B2 (en) * 2015-10-08 2020-06-30 Con Edison Battery Storage, Llc Power control system with battery power setpoint optimization using one-step-ahead prediction
KR101882106B1 (ko) * 2016-12-22 2018-08-24 전자부품연구원 태양전지모듈 발전량 예측방법 및 예측장치

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101035398B1 (ko) * 2010-11-22 2011-05-20 (주)에코브레인 특정지점 기상예측 기반 신재생에너지 발전량 실시간 예측방법 및 그 시스템
KR101808047B1 (ko) * 2016-08-05 2017-12-14 주식회사 해줌 태양 에너지를 이용하는 발전소의 발전량을 예측하는 방법 및 서버
KR101761686B1 (ko) * 2017-03-31 2017-07-31 (주)하모니앤유나이티드 머신 러닝을 이용한 태양광 발전량 실시간 예측 시스템

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220077468A (ko) 2020-12-02 2022-06-09 주식회사 케이티 일사량 예측 방법, 서버 및 컴퓨터 프로그램

Also Published As

Publication number Publication date
WO2020022624A1 (ko) 2020-01-30
EP3829055A1 (en) 2021-06-02
EP3829055B1 (en) 2023-11-15
EP3829055C0 (en) 2023-11-15
KR20200012228A (ko) 2020-02-05
EP3829055A4 (en) 2022-05-04

Similar Documents

Publication Publication Date Title
KR102093796B1 (ko) 태양광 발전단지 기상예측 상세기술과 단지환경을 반영한 발전량 산정방법, 그 방법을 이용한 실시간 태양광 발전량 예측시스템
Agoua et al. Short-term spatio-temporal forecasting of photovoltaic power production
Hassan et al. Ultra-short-term exogenous forecasting of photovoltaic power production using genetically optimized non-linear auto-regressive recurrent neural networks
Zhang et al. Baseline and target values for regional and point PV power forecasts: Toward improved solar forecasting
KR102283487B1 (ko) 실시간 위성자료와 수치모델자료를 이용한 머신러닝기반 태양광 발전량 예측시스템
US20180275314A1 (en) Method and system for solar power forecasting
Kato Prediction of photovoltaic power generation output and network operation
Lorenz et al. Overview of irradiance and photovoltaic power prediction
Visser et al. Benchmark analysis of day-ahead solar power forecasting techniques using weather predictions
Kraemer et al. Operationalizing solar energy predictions for sustainable, autonomous IoT device management
Lonij et al. Forecasts of PV power output using power measurements of 80 residential PV installs
Haupt et al. Blending distributed photovoltaic and demand load forecasts
Parvez et al. Multi-layer perceptron based photovoltaic forecasting for rooftop pv applications in smart grid
Zhang et al. Forecasting solar photovoltaic power production at the aggregated system level
Bosisio et al. Improving DTR assessment by means of PCA applied to wind data
Pepe et al. Model estimation for solar generation forecasting using cloud cover data
Shawon et al. Forecasting PV panel output using Prophet time series machine learning model
Moreno et al. A day-ahead irradiance forecasting strategy for the integration of photovoltaic systems in virtual power plants
Sreekumar et al. Solar power prediction models: Classification based on time horizon, input, output and application
Khalyasmaa et al. Prediction of solar power generation based on random forest regressor model
Tosun et al. Solar power generation analysis and forecasting real-world data using LSTM and autoregressive CNN
Haupt Short-range forecasting for energy
Massidda et al. Probabilistic day-ahead prediction of PV generation. A comparative analysis of forecasting methodologies and of the factors influencing accuracy
Deng et al. A Survey of the Researches on Grid-Connected Solar Power Generation Systems and Power Forecasting Methods Based on Ground-Based Cloud Atlas
Al-Hilfi et al. Enhancing the estimation of the overall produced power by several adjacent photovoltaic systems using existing correlational factors

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right