KR102192067B1 - 태양광 발전기의 발전량 예측 장치 및 방법 - Google Patents

태양광 발전기의 발전량 예측 장치 및 방법 Download PDF

Info

Publication number
KR102192067B1
KR102192067B1 KR1020180056669A KR20180056669A KR102192067B1 KR 102192067 B1 KR102192067 B1 KR 102192067B1 KR 1020180056669 A KR1020180056669 A KR 1020180056669A KR 20180056669 A KR20180056669 A KR 20180056669A KR 102192067 B1 KR102192067 B1 KR 102192067B1
Authority
KR
South Korea
Prior art keywords
amount
power generation
change rate
measurement
temperature
Prior art date
Application number
KR1020180056669A
Other languages
English (en)
Other versions
KR20190131808A (ko
Inventor
박대근
구태연
김종원
박완기
최창식
한진수
허세완
Original Assignee
한국전자통신연구원
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 한국전자통신연구원 filed Critical 한국전자통신연구원
Priority to KR1020180056669A priority Critical patent/KR102192067B1/ko
Publication of KR20190131808A publication Critical patent/KR20190131808A/ko
Application granted granted Critical
Publication of KR102192067B1 publication Critical patent/KR102192067B1/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
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • 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

Landscapes

  • Environmental & Geological Engineering (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

태양광 발전기의 발전량 예측 장치 및 방법이 개시된다. 태양광 발전기의 발전량 예측 방법은 태양광 발전기의 발전량을 예측하기 위해 필요한 기상 정보를 수집하는 단계; 상기 수집된 기상 정보를 이용하여 상기 태양광 발전기의 발전량을 예측하고자 하는 측정 시점에서의 기온 변화율을 계산하는 단계; 상기 계산된 기온 변화율을 이용하여 상기 측정 시점에서의 예측 기온을 결정하는 단계; 상기 결정된 측정 시점에서의 예측 기온을 이용하여 상기 측정 시점에서의 일사량을 확인하는 단계; 및 상기 확인된 측정 시점에서의 일사량을 이용하여 상기 측정 시점에서의 태양광 발전기의 발전량을 예측하는 단계를 포함할 수 있다.

Description

태양광 발전기의 발전량 예측 장치 및 방법{APPARATUS AND METHOD FOR ESTIMATING THE POWER GENERATION OF PHOTOVOLTAIC GENERATOR}
본 발명은 태양광 발전기의 발전량 예측 장치 및 방법에 관한 것으로, 기온의 변화율을 이용하여 보다 높은 정확도의 태양광 발전기의 발전량을 예측하는 장치 및 방법에 관한 것이다.
전통적인 석탄 및 석유와 같은 화석 연료를 이용한 발전 방식의 경우, 화석 연료의 고갈 문제뿐만 아니라 대기 오염으로 인한 지구 온난화를 가속하여 이상 기후 변화의 문제를 유발한다. 또한, 원자력 발전의 경우에는, 지진이나 해일과 같은 자연 재해나 예기치 못한 인재에 의한 사고로 인한 방사능 오염에 대한 우려가 있다. 하지만, 태양광, 풍력, 수력, 지열 등과 같은 신재생 에너지는 전통적인 발전 방식들이 갖는 문제점들을 해결할 수 있는 깨끗한 에너지로서 오랫동안 고려되어 왔다.
신재생 에너지는 발전량이 발전 시설 주변의 기후 및 지형과 밀접한 관련을 가지며, 전통적인 발전 방식에 비해 발전 효율이 낮아 발전량을 높이기 어려운 문제가 있다. 특히 수력 및 지열 발전의 경우, 지구 환경에 의한 영향이 크고 거대한 기반 시설의 구축으로 인해 시설 구축 비용이 높다. 반면, 태양광과 풍력 발전은 수력 및 지열 발전 방식보다는 시설 구축 비용이 낮으며, 환경 오염에 대한 부담 또한 낮다. 하지만, 발전 시설이 위치한 곳의 기후 및 지형에 보다 많은 영향을 받기 때문에 발전량의 예측이 어렵고, 발전량을 일정하기 유지하기도 어렵다. 또한, 풍력 발전의 경우에는 일정량의 바람이 계속 부는 곳이어야 하는 관계로 장치 설치 지역이 매우 제한적이라는 문제점이 있다.
태양광 발전은 다른 방식들에 비해 환경오염, 시설비용, 보편적인 설치 여부 측면에서 유리하다. 반면, 설치 지역의 기후 변화에 민감하여 태양광 발전이 안정적인 에너지 공급 방식으로 자리잡기 위해서는 발전량의 정확한 예측이 매우 중요하다. 태양광 발전기의 발전량을 정확하게 예측하기 위해 필요한 중요한 요소는 태양의 일사량 정보와 태양광 발전기가 위치한 곳의 온도, 습도, 구름의 양(운량), 강수, 풍속과 같은 기상 정보이다. 일사량 정보는 태양의 위치에 의해 거의 정확하게 계산이 가능하다. 하지만 기상 정보는 기상청과 같은 일기 관측 및 예측이 가능한 기관이 제공하는 관계로 기상 관측이 이루어지지 않는 곳에서의 정확한 기상 정보는 확보가 어렵다. 또한, 기상 관측 정보는 1시간 내지 3시간 단위로 제공되므로 실시간 태양광 발전량을 예측하기 어려운 문제가 있다.
태양광 발전기의 발전량 예측에서 기온 값은 매우 중요한 요소로서 일사량과 태양광 패널의 효율을 구하는 과정에서 이용된다. 하지만, 태양광 발전기의 발전량 예측을 위해 제시된 많은 방법에서 기온은 연속으로 측정된 된 2 측정값의 평균 값으로 사용되는 것이 일반적인데, 이러한 평균 값을 사용한 태양광 발전기의 발전량 예측 시 실제 기온과 평균 기온 값의 차이로 인해 오차가 발생할 수 있다.
본 발명은 태양광 발전기의 발전량 예측 장치 및 방법에 관한 것으로, 기온의 변화율을 이용함으로써 보다 높은 정확도의 태양광 발전기의 발전량을 예측하는 장치 및 방법을 제공한다.
본 발명의 일실시예에 따른 태양광 발전기의 발전량 예측 방법은 태양광 발전기의 발전량을 예측하기 위해 필요한 기상 정보를 수집하는 단계; 상기 수집된 기상 정보를 이용하여 상기 태양광 발전기의 발전량을 예측하고자 하는 측정 시점에서의 기온 변화율을 계산하는 단계; 상기 계산된 기온 변화율을 이용하여 상기 측정 시점에서의 예측 기온을 결정하는 단계; 상기 결정된 측정 시점에서의 예측 기온을 이용하여 상기 측정 시점에서의 일사량을 확인하는 단계; 및 상기 확인된 측정 시점에서의 일사량을 이용하여 상기 측정 시점에서의 태양광 발전기의 발전량을 예측하는 단계를 포함할 수 있다.
상기 수집하는 단계는 상기 태양광 발전기가 위치한 지역의 과거 및 미래의 기상 정보를 수집하고, 상기 계산하는 단계는 상기 수집된 과거의 기상 정보를 이용하여 과거의 기온 변화율을 계산하고, 상기 계산된 과거의 기온 변화율을 상기 수집된 미래의 기상 정보에 반영함으로써 상기 태양광 발전기의 발전량을 예측하고자 하는 측정 시점에서의 기온 변화율을 계산할 수 있다.
상기 계산하는 단계는 기계학습 기반의 추론 엔진을 이용하여 상기 태양광 발전기의 발전량을 예측하고자 하는 측정 시점에서의 기온 변화율을 계산하고, 상기 결정하는 단계는 상기 추론 엔진을 통해 계산된 기온 변화율에 한계 상한 변화율 또는 한계 하한 변화율을 적용하여 상기 측정 시점에서의 예측 기온을 결정할 수 있다.
본 발명의 일실시예에 따른 태양광 발전기의 발전량 예측 장치는 태양광 발전기의 발전량을 예측하기 위해 필요한 기상 정보를 수집하는 수집부 및 상기 수집된 기상 정보를 이용하여 상기 태양광 발전기의 발전량을 예측하는 프로세서를 포함하고, 상기 프로세서는 상기 수집된 기상 정보를 이용하여 상기 태양광 발전기의 발전량을 예측하고자 하는 측정 시점에서의 기온 변화율을 계산하고, 상기 계산된 기온 변화율을 이용하여 상기 측정 시점에서의 예측 기온을 결정하며, 상기 결정된 측정 시점에서의 예측 기온을 이용하여 상기 측정 시점에서의 일사량을 확인하고, 상기 확인된 측정 시점에서의 일사량을 이용하여 상기 측정 시점에서의 태양광 발전기의 발전량을 예측할 수 있다.
상기 수집부는 상기 태양광 발전기가 위치한 지역의 과거 및 미래의 기상 정보를 수집하고, 상기 프로세서는 상기 수집된 과거의 기상 정보를 이용하여 과거의 기온 변화율을 계산하고, 상기 계산된 과거의 기온 변화율을 상기 수집된 미래의 기상 정보에 반영함으로써 상기 태양광 발전기의 발전량을 예측하고자 하는 측정 시점에서의 기온 변화율을 계산할 수 있다.
상기 프로세서는 기계학습 기반의 추론 엔진을 이용하여 상기 태양광 발전기의 발전량을 예측하고자 하는 측정 시점에서의 기온 변화율을 계산하고, 상기 추론 엔진을 통해 계산된 기온 변화율에 한계 상한 변화율 또는 한계 하한 변화율을 적용하여 상기 측정 시점에서의 예측 기온을 결정할 수 있다.
본 발명의 일실시예에 의하면, 기온의 변화율을 이용함으로써 보다 높은 정확도의 태양광 발전기의 발전량을 예측할 수 있다.
도 1은 본 발명의 일실시예에 따른 발전량 예측 장치를 도시한 도면이다.
도 2는 본 발명의 일실시예에 따른 발전량 예측 방법의 제1 실시예 도시한 도면이다.
도 3은 본 발명의 일실시예에 따른 기온 변화율 계산 과정의 예를 도시한 도면이다.
도 4는 본 발명의 일실시예에 따른 기온 결정 과정의 예를 도시한 도면이다.
도 5는 본 발명의 일실시예에 따른 발전량 예측 방법의 제2 실시예를 도시한 도면이다.
이하, 본 발명의 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 본 발명의 일실시예에 따른 발전량 예측 장치를 도시한 도면이다.
도 1을 참고하면 발전량 예측 장치(100)는 수집부(110) 및 프로세서(120)로 구성될 수 있다. 먼저 수집부(110)는 태양광 발전기의 발전량을 예측하기 위해 필요한 기상 정보를 수집할 수 있다. 이때, 수집되는 기상 정보는 기온, 습도, 강수 및 운량 등을 포함할 수 있으며 기온 변화율 계산 방법에 따라 과거의 기상 정보 또는 기상 예보 정보가 수집될 수 있다.
프로세서(120)는 수집된 기상 정보를 바탕으로 태양광 발전기의 발전량을 예측하기 위해 필요한 기온 변화율을 계산할 수 있다. 이때, 프로세서(120)가 계산하는 기온 변화율의 계산 구간은 태양광 발전기의 발전량 예측 구간과 동일할 있다. 예를 들어, 태양광 발전기의 발전량 예측이 15분 단위로 이루어진다면, 프로세서(120)는 발전량 예측 시점 이전 15분부터 현재(예측) 시점까지 기온 변화율을 계산할 수 있다.
이후 프로세서(120)는 계산된 기온 변화율을 이용하여 태양광 발전기의 발전량 예측하고자 하는 측정 시점에서의 예측 기온을 결정할 수 있으며, 결정된 측정 시점에서의 예측 기온에 기초하여 해당 측정 시점에서의 일사량을 확인할 수 있다. 그리고 프로세서(120)는 확인된 일사량에 기초하여 해당 측정 시점에서의 태양광 발전기의 발전량을 예측할 수 있다.
도 2는 본 발명의 일실시예에 따른 발전량 예측 방법의 제1 실시예 도시한 도면이다.
도 2를 참고하면, 본 발명의 발전량 예측 장치(100)는 현재의 기상 예측 정보뿐만 아니라 과거의 기상 정보를 함께 이용하여 태양광 발전량 예측에 사용될 측정 시점에서의 예측 기온을 보다 정확하게 결정할 수 있다.
구체적으로 단계(210)에서, 발전량 예측 장치(100)는 태양광 발전기의 발전량을 예측하기 위해 필요한 기상 예보 정보 및 과거의 기상 정보를 수집할 수 있다. 이때, 수집되는 기상 예정 정보 및 과거의 기상 정보는 기온, 습도, 강수 및 운량 등을 포함할 수 있다.
단계(220)에서, 발전량 예측 장치(100)는 수집된 기상 예보 정보 및 과거의 기상 정보를 이용하여 태양광 발전기의 발전량을 예측하고자 하는 측정 시점에서의 기온 변화율을 계산할 수 있다. 이를 위해 발전량 예측 장치(100)는 수집된 과거의 기상 정보를 분석하여 과거의 기온 변화율을 계산할 수 있고, 계산된 과거의 기온 변화율을 현재의 기상 예보 정보에 반영함으로써 태양광 발전기의 발전량을 예측하고자 하는 측정 시점에서의 기온 변화율을 계산할 수 있다.
단계(230)에서, 발전량 예측 장치(100)는 계산된 측정 시점에서의 기온 변화율을 이용하여 해당 측정 시점에서의 예측 기온을 결정할 수 있다.
이후 단계(240)에서, 발전량 예측 장치(100)는 결정된 측정 시점에서의 예측 기온을 이용하여 측정 시점에서의 일사량을 확인하고, 단계(250)에서, 확인된 측정 시점에서의 일사량을 이용하여 해당 측정 시점에서의 태양광 발전기의 발전량을 예측할 수 있다.
도 3은 본 발명의 일실시예에 따른 기온 변화율 계산 과정의 예를 도시한 도면이다.
기온 변화와 같은 기상 현상의 예측은 매우 다양한 요소들이 예측 과정에 영향을 미치며 정확한 예측을 위해 분석되어야 할 데이터의 양 또한 방대할 수 있다. 따라서, 발전량을 예측하고자 하는 측정 시점에서 정확한 기온 결정을 위해 필요한 예측 엔진은 대량의 데이터를 분석하고 최적의 값을 도출할 수 있어야 하는데, 이러한 특성은 빅데이터를 활용한 딥-러닝 기반의 인공지능 추론 엔진의 목적에 잘 부합된다. 그러므로 본 발명의 발전량 예측 장치(100)는 기온 변화율을 계산하기 위해서 이미 공개된 딥-러닝 기반의 인공지능 기술을 이용하는 것으로 가정한다.
구체적으로 단계(221)에서, 발전량 예측 장치(100)의 딥-러닝 기반 인공지능 추론 엔진은 기상 예보 정보와 함께 측정 시점의 간격에 대한 정보를 식별하고, 단계(222)에서, 식별된 기상 예정 정보와 측정 시점의 간격에 기초하여 해당 측정 시점에서의 기온 변화율을 계산할 수 있다. 여기서, 측정 시점의 간격은 태양광 발전기의 발전량 예측 간격과 동일할 수 있다.
이때, 발전량 예측 장치(100)의 추론 엔진을 통해 계산된 기온 변화율은 양수 또는 음수 값을 가질 수 있다. 만약 기온 변화율이 양수일 경우, 해당 측정 시점에서의 예측 기온이 직전 시점의 예측 기온에 비해 상승하는 추세임을 의미하고, 기온 변화율이 음수일 경우, 해당 측정 시점에서의 예측 기온이 직전 시점의 예측 기온에 비해 하강하는 추세임을 의미할 수 있다.
도 4는 본 발명의 일실시예에 따른 기온 결정 과정의 예를 도시한 도면이다.
도 4를 참고하면, 발전량 예측 장치(100)는 추론 엔진의 결과물인 기온 변화율의 값(V TEMP _n ), 측정 시점에서의 한계 상수(C n ), 측정 간격(EST interval ), 예보 기온(WFh_n, WF(h+3)_n) 및 측정 순서(n) 정보를 이용하여 기온 변화율 기반의 예측 기온(TEMP예측_n), 한계 상수 기반의 예측 기온(TEMP한계_n) 그리고 평균값 기반의 예측 기온(TEMP평균_n)을 구한 후, 이들 중 하나를 n번째 측정 시점에서의 예측 기온으로 결정할 수 있다. 먼저, 단계(410)에서, 발전량 예측 장치(100)는 기온 변화율 값(V TEMP_n ) 및 측정 시점의 간격에 기초하여 하기의 식 1과 같이 n번째 측정 시점에서의 예측 기온을 결정할 수 있다.
<식 1>
TEMP n = TEMP n -1+ V TEMP _n * TEMP n -1
이때, V TEMP_n 는 기온 변화율을 나타내고, TEMP n 는 n번째 측정 시점에서 결정된 예측 기온 값, TEMP n-1 는 n-1 번째 측정 시점에서 결정된 예측 기온 값을 나타낼 수 있다. 그리고 측정 간격(EST interval )은 태양광 발전기의 발전량 예측 간격과 같을 수 있다.
이후 단계(420)에서, 발전량 예측 장치(100)는 급격한 기온 변화율에 따라 결정되는 큰 폭의 예측 기온 변화를 완화하기 위하여 한계 상수 C n 값을 구할 수 있다. 한계 상수 C n 는 하기의 식 2로 정의될 수 있다.
<식 2>
C n = (W (h+3)_n- T n-1 )/(N-n+1)
상기의 식 2에서 WF (h+3)_n 는 3 시간 후의 예보 온도이며, N 은 일기 예보 간격을 온도 측정 간격으로 나눈 값으로 3시간 예보 구간에 대한 총 측정 회수이다. 예를 들어, 일기 예보 제공 간격(WF interval )이 3시간이며, 태양광 발전량 예측 간격(EST interval )이 15분인 경우, N=(WF interval /EST interval )=12가 된다. 그리고 n은 측정 순서를 나타내는 값으로 n=1,2,3,…,N 이다.
발전량 예측 장치(100)는 단계(430)에서, 해당 측정 시점에서의 급격한 기온 변화율에 따라 결정되는 큰 폭의 예측 기온 변화를 완화하기 위하여 상기 급격한 기온 변화율을 제한하기 위한 한계 상수(C n )를 곱함으로써 해당 측정 시점에서의 새로운 예측 기온 값을 결정할 수 있다. 이는 기온 변화율이 지나치게 높거나 낮게 예측되어 측정 시점에서의 예측 기온 값이 직전 또는 직후의 예측 값 범위를 지나치게 벗어나는 것을 방지하기 위한 것이다. 본 발명의 발전량 예측 장치(100)는 한계 상수 값을 아래 식 3과 같이 구할 수 있다.
<식 3>
C n = (WF (h+3)- TEMP n-1 )/[N-(n-1)]
발전량 예측 장치(100)는 한계 상수를 반영한 n 번째 측정 시점의 예측 기온 값을 하기의 식 3을 통해 결정할 수 있다.
<식 4>
TEMP n = TEMP n-1+ V TEMP_n *C n *TEMP n-1
발전량 예측 장치(100)는 단계(440)에서, 앞서 사용된 기온 변화율 및 한계 상수 값과는 무관하게 매 측정 시점마다 일정 크기로 예측 기온을 증가 또는 감소시킬 수 있다. 매 측정 시점에 반영될 증감값(V avg_n )은 아래 식 5와 같이 구할 수 있다.
<식 5>
V avg_n = [(W (h+3)- W h )/N]
n 번째 측정 시점에서 균등한 온도 변화를 고려한 예측 기온은 하기의 식 6과 같이 구할 수 있다.
<식 6>
TEMP 균등_n = TEMP n-1 + V avg_n
발전량 예측 장치(100)는 단계(450)에서, 식 6에 의해 구해진 균등한 변화율에 기반한 예측 기온 값과 예측 엔진의 기온 변화율 값에 기반한 예측 기온 값과의 차 그리고 균등한 변화율에 기반한 예측 기온 값과 한계 상수 값에 기반한 예측 기온 값과의 차를 추가로 구할 수 있다.
발전량 예측 장치(100)는 단계(236)에서, 단계(235)에서 구해진 각 차의 크기와 증감값(Vavg_n)의 크기를 비교하여 그 중에 가장 작은 값을 선택하고 그에 해당하는 예측 기온 값을 측정 시점에서의 예측 기온 값(TEMP n )으로 결정할 수 있다.
이와 같은 추론 엔진의 기온 변화율에 따라 결정된 측정 시점에서의 예측 기온 값의 예는 다음의 표 1를 통해 확인할 수 있다. 하기의 표 1은 태양광 발전기의 발전량 예측 간격(EST interval )이 15분, 일기 예보 간격(WF interval )이 3시간, 일기 예보에 의한 기온(WF h _n ) 변화가 25도
Figure 112018048805727-pat00001
27도
Figure 112018048805727-pat00002
32도
Figure 112018048805727-pat00003
28도 인 경우 15분 간격으로 예측된 예측 기온 값(TEMP n )의 예를 보인 것이다.
<표 1>
Figure 112018048805727-pat00004
도 5는 본 발명의 일실시예에 따른 발전량 예측 방법의 제2 실시예를 도시한 도면이다.
도 5를 참고하면, 발전량 예측 장치(100)는 단계(510)에서, 태양광 발전기의 발전량을 예측하기 위해 필요한 기온을 결정하기 위하여 기상 예보 정보 및 기온 변화율 테이블을 수집할 수 있다. 수집되는 기상 예보 정보는 기온, 습도, 강수 및 운량 등 포함될 수 있으며, 기온 변화율 테이블은 수집되는 기상 예보 정보의 조건에 따른 기온 변화율이 미리 결정되어 포함될 수 있다.
기온 변화율 테이블은 과거의 기상 정보를 활용하여 결정되는 것으로 가정하지만, 기타의 방법으로도 결정될 수 있다. 하기의 표 3은 기상 예보 정보의 조건과 그에 따른 온도 변화율을 지정한 표를 나타낸다.
<표 3>
Figure 112018048805727-pat00005
단계(520)에서, 발전량 예측 장치(100)는 수집된 가상 예보 정보 및 기온 변화율 테이블을 이용하여 태양광 발전기의 발전량을 예측하고자 하는 측정 시점에서의 기온 변화율을 식별할 수 있다. 이와 같은 기온 변화율 테이블은 표 형태로 미리 구현되어 저장 공간에 저장될 수 있으며, 발전량 예측 장치(100)는 발전량을 예측하고자 하는 측정 시점에서 상기 저장 공간에 저장된 값을 검색하여 참조함으로써 해당 측정 시점에서의 기온 변화율을 식별할 수 있다. 일례로, 발전량 예측 장치(100)는 간단한 매핑 알고리즘을 통해 입력된 기상 예보 정보의 조건에 해당하는 기온 변화율 값을 식별할 수 있다.
이후 단계(530)에서, 발전량 예측 장치(100)는 식별된 기온 변화율을 이용하여 해당 측정 시점에서의 예측 기온을 결정하고, 단계(540)에서, 결정된 예측 기온을 이용하여 해당 측정 시점에서의 일사량을 확인할 수 있다. 마지막으로 단계(550)에서, 발전량 예측 장치(100)는 확인된 일사량을 이용하여 해당 측정 시점에서의 태양광 발전기의 발전량을 예측할 수 있다.
이와 같이 본 발명의 발전량 예측 방법에 따르면 대량의 데이터 분석을 통한 추론 엔진을 이용하여 측정 시점마다 기온의 변화율을 예측하고, 이를 기반으로 예측 기온 값을 구함으로써 보다 정교한 태양광 발전기의 발전량 예측이 가능할 수 있다.
한편, 본 발명에 따른 방법은 컴퓨터에서 실행될 수 있는 프로그램으로 작성되어 마그네틱 저장매체, 광학적 판독매체, 디지털 저장매체 등 다양한 기록 매체로도 구현될 수 있다.
본 명세서에 설명된 각종 기술들의 구현들은 디지털 전자 회로조직으로, 또는 컴퓨터 하드웨어, 펌웨어, 소프트웨어로, 또는 그들의 조합들로 구현될 수 있다. 구현들은 데이터 처리 장치, 예를 들어 프로그램가능 프로세서, 컴퓨터, 또는 다수의 컴퓨터들의 동작에 의한 처리를 위해, 또는 이 동작을 제어하기 위해, 컴퓨터 프로그램 제품, 즉 정보 캐리어, 예를 들어 기계 판독가능 저장 장치(컴퓨터 판독가능 매체) 또는 전파 신호에서 유형적으로 구체화된 컴퓨터 프로그램으로서 구현될 수 있다. 상술한 컴퓨터 프로그램(들)과 같은 컴퓨터 프로그램은 컴파일된 또는 인터프리트된 언어들을 포함하는 임의의 형태의 프로그래밍 언어로 기록될 수 있고, 독립형 프로그램으로서 또는 모듈, 구성요소, 서브루틴, 또는 컴퓨팅 환경에서의 사용에 적절한 다른 유닛으로서 포함하는 임의의 형태로 전개될 수 있다. 컴퓨터 프로그램은 하나의 사이트에서 하나의 컴퓨터 또는 다수의 컴퓨터들 상에서 처리되도록 또는 다수의 사이트들에 걸쳐 분배되고 통신 네트워크에 의해 상호 연결되도록 전개될 수 있다.
컴퓨터 프로그램의 처리에 적절한 프로세서들은 예로서, 범용 및 특수 목적 마이크로프로세서들 둘 다, 및 임의의 종류의 디지털 컴퓨터의 임의의 하나 이상의 프로세서들을 포함한다. 일반적으로, 프로세서는 판독 전용 메모리 또는 랜덤 액세스 메모리 또는 둘 다로부터 명령어들 및 데이터를 수신할 것이다. 컴퓨터의 요소들은 명령어들을 실행하는 적어도 하나의 프로세서 및 명령어들 및 데이터를 저장하는 하나 이상의 메모리 장치들을 포함할 수 있다. 일반적으로, 컴퓨터는 데이터를 저장하는 하나 이상의 대량 저장 장치들, 예를 들어 자기, 자기-광 디스크들, 또는 광 디스크들을 포함할 수 있거나, 이것들로부터 데이터를 수신하거나 이것들에 데이터를 송신하거나 또는 양쪽으로 되도록 결합될 수도 있다. 컴퓨터 프로그램 명령어들 및 데이터를 구체화하는데 적절한 정보 캐리어들은 예로서 반도체 메모리 장치들, 예를 들어, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(Magnetic Media), CD-ROM(Compact Disk Read Only Memory), DVD(Digital Video Disk)와 같은 광 기록 매체(Optical Media), 플롭티컬 디스크(Floptical Disk)와 같은 자기-광 매체(Magneto-Optical Media), 롬(ROM, Read Only Memory), 램(RAM, Random Access Memory), 플래시 메모리, EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM) 등을 포함한다. 프로세서 및 메모리는 특수 목적 논리 회로조직에 의해 보충되거나, 이에 포함될 수 있다.
또한, 컴퓨터 판독가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용매체일 수 있고, 컴퓨터 저장매체 및 전송매체를 모두 포함할 수 있다.
본 명세서는 다수의 특정한 구현물의 세부사항들을 포함하지만, 이들은 어떠한 발명이나 청구 가능한 것의 범위에 대해서도 제한적인 것으로서 이해되어서는 안되며, 오히려 특정한 발명의 특정한 실시형태에 특유할 수 있는 특징들에 대한 설명으로서 이해되어야 한다. 개별적인 실시형태의 문맥에서 본 명세서에 기술된 특정한 특징들은 단일 실시형태에서 조합하여 구현될 수도 있다. 반대로, 단일 실시형태의 문맥에서 기술한 다양한 특징들 역시 개별적으로 혹은 어떠한 적절한 하위 조합으로도 복수의 실시형태에서 구현 가능하다. 나아가, 특징들이 특정한 조합으로 동작하고 초기에 그와 같이 청구된 바와 같이 묘사될 수 있지만, 청구된 조합으로부터의 하나 이상의 특징들은 일부 경우에 그 조합으로부터 배제될 수 있으며, 그 청구된 조합은 하위 조합이나 하위 조합의 변형물로 변경될 수 있다.
마찬가지로, 특정한 순서로 도면에서 동작들을 묘사하고 있지만, 이는 바람직한 결과를 얻기 위하여 도시된 그 특정한 순서나 순차적인 순서대로 그러한 동작들을 수행하여야 한다거나 모든 도시된 동작들이 수행되어야 하는 것으로 이해되어서는 안 된다. 특정한 경우, 멀티태스킹과 병렬 프로세싱이 유리할 수 있다. 또한, 상술한 실시형태의 다양한 장치 컴포넌트의 분리는 그러한 분리를 모든 실시형태에서 요구하는 것으로 이해되어서는 안되며, 설명한 프로그램 컴포넌트와 장치들은 일반적으로 단일의 소프트웨어 제품으로 함께 통합되거나 다중 소프트웨어 제품에 패키징 될 수 있다는 점을 이해하여야 한다.
한편, 본 명세서와 도면에 개시된 본 발명의 실시 예들은 이해를 돕기 위해 특정 예를 제시한 것에 지나지 않으며, 본 발명의 범위를 한정하고자 하는 것은 아니다. 여기에 개시된 실시 예들 이외에도 본 발명의 기술적 사상에 바탕을 둔 다른 변형 예들이 실시 가능하다는 것은, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 자명한 것이다.
100 : 발전량 예측 장치
110 : 수집부
120 : 프로세서

Claims (10)

  1. 태양광 발전기의 발전량을 예측하기 위해 필요한 기상 정보를 수집하는 단계;
    상기 수집된 기상 정보를 이용하여 상기 태양광 발전기의 발전량을 예측하고자 하는 측정 시점에서의 기온 변화율을 계산하는 단계;
    상기 계산된 기온 변화율을 이용하여 상기 측정 시점에서의 예측 기온을 결정하는 단계;
    상기 결정된 측정 시점에서의 예측 기온을 이용하여 상기 측정 시점에서의 일사량을 확인하는 단계; 및
    상기 확인된 측정 시점에서의 일사량을 이용하여 상기 측정 시점에서의 태양광 발전기의 발전량을 예측하는 단계
    를 포함하고,
    상기 결정하는 단계는,
    (1)균등한 온도 변화를 고려한 제1 예측 기온, (2)상기 제1 예측 기온과 추론 엔진을 통해 계산된 기온 변화율에 의해 결정된 제2 예측 기온의 차 및 (3)상기 제1 예측 기온과 한계 상한 변화율 또는 한계 하한 변화율을 적용하여 결정된 제3 예측 기온의 차를 이용하여 상기 측정 시점에서의 예측 기온을 결정하는 태양광 발전기의 발전량 예측 방법.
  2. 제1항에 있어서,
    상기 수집하는 단계는,
    상기 태양광 발전기가 위치한 지역의 과거 및 미래의 기상 정보를 수집하는 태양광 발전기의 발전량 예측 방법.
  3. 제1항에 있어서,
    상기 계산하는 단계는,
    과거의 기상 정보를 이용하여 과거의 기온 변화율을 계산하고, 상기 계산된 과거의 기온 변화율을 미래의 기상 정보에 반영함으로써 상기 태양광 발전기의 발전량을 예측하고자 하는 측정 시점에서의 기온 변화율을 계산하는 태양광 발전기의 발전량 예측 방법.
  4. 제1항에 있어서,
    상기 계산하는 단계는,
    기계학습 기반의 추론 엔진을 이용하여 상기 태양광 발전기의 발전량을 예측하고자 하는 측정 시점에서의 기온 변화율을 계산하는 태양광 발전기의 발전량 예측 방법.
  5. 삭제
  6. 태양광 발전기의 발전량을 예측하기 위해 필요한 기상 정보를 수집하는 수집부; 및
    상기 수집된 기상 정보를 이용하여 상기 태양광 발전기의 발전량을 예측하는 프로세서를 포함하고,
    상기 프로세서는 상기 수집된 기상 정보를 이용하여 상기 태양광 발전기의 발전량을 예측하고자 하는 측정 시점에서의 기온 변화율을 계산하고, 상기 계산된 기온 변화율을 이용하여 상기 측정 시점에서의 예측 기온을 결정하며, 상기 결정된 측정 시점에서의 예측 기온을 이용하여 상기 측정 시점에서의 일사량을 확인하고, 상기 확인된 측정 시점에서의 일사량을 이용하여 상기 측정 시점에서의 태양광 발전기의 발전량을 예측하고,
    (1)균등한 온도 변화를 고려한 제1 예측 기온, (2)상기 제1 예측 기온과 추론 엔진을 통해 계산된 기온 변화율에 의해 결정된 제2 예측 기온의 차 및 (3)상기 제1 예측 기온과 한계 상한 변화율 또는 한계 하한 변화율을 적용하여 결정된 제3 예측 기온의 차를 이용하여 상기 측정 시점에서의 예측 기온을 결정하는 태양광 발전기의 발전량 예측 장치.
  7. 제6항에 있어서,
    상기 수집부는,
    상기 태양광 발전기가 위치한 지역의 과거 및 미래의 기상 정보를 수집하는 태양광 발전기의 발전량 예측 장치.
  8. 제6항에 있어서,
    상기 프로세서는,
    과거의 기상 정보를 이용하여 과거의 기온 변화율을 계산하고, 상기 계산된 과거의 기온 변화율을 미래의 기상 정보에 반영함으로써 상기 태양광 발전기의 발전량을 예측하고자 하는 측정 시점에서의 기온 변화율을 계산하는 태양광 발전기의 발전량 예측 장치.
  9. 제6항에 있어서,
    상기 프로세서는,
    기계학습 기반의 추론 엔진을 이용하여 상기 태양광 발전기의 발전량을 예측하고자 하는 측정 시점에서의 기온 변화율을 계산하는 태양광 발전기의 발전량 예측 장치.

  10. 삭제
KR1020180056669A 2018-05-17 2018-05-17 태양광 발전기의 발전량 예측 장치 및 방법 KR102192067B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180056669A KR102192067B1 (ko) 2018-05-17 2018-05-17 태양광 발전기의 발전량 예측 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180056669A KR102192067B1 (ko) 2018-05-17 2018-05-17 태양광 발전기의 발전량 예측 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20190131808A KR20190131808A (ko) 2019-11-27
KR102192067B1 true KR102192067B1 (ko) 2020-12-16

Family

ID=68730025

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180056669A KR102192067B1 (ko) 2018-05-17 2018-05-17 태양광 발전기의 발전량 예측 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102192067B1 (ko)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102363732B1 (ko) 2019-12-11 2022-02-16 엔라이튼 주식회사 태양광 발전량 예측 시스템
KR102178925B1 (ko) * 2020-01-20 2020-11-13 영남이공대학교 산학협력단 태양광 발전량 예측 방법 및 장치
KR102173741B1 (ko) * 2020-03-02 2020-11-03 박동철 태양광발전 관리방법

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006033908A (ja) * 2004-07-12 2006-02-02 Nippon Telegr & Teleph Corp <Ntt> 太陽光発電システムの発電量予測方法、装置、およびプログラム
KR101808047B1 (ko) * 2016-08-05 2017-12-14 주식회사 해줌 태양 에너지를 이용하는 발전소의 발전량을 예측하는 방법 및 서버

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170056837A (ko) * 2015-11-16 2017-05-24 피앤씨주식회사 일사량 예측을 통한 태양광 발전량 예측 장치

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006033908A (ja) * 2004-07-12 2006-02-02 Nippon Telegr & Teleph Corp <Ntt> 太陽光発電システムの発電量予測方法、装置、およびプログラム
KR101808047B1 (ko) * 2016-08-05 2017-12-14 주식회사 해줌 태양 에너지를 이용하는 발전소의 발전량을 예측하는 방법 및 서버

Also Published As

Publication number Publication date
KR20190131808A (ko) 2019-11-27

Similar Documents

Publication Publication Date Title
US11501194B2 (en) Managing computational workloads of computing apparatuses powered by renewable resources
KR102192067B1 (ko) 태양광 발전기의 발전량 예측 장치 및 방법
US20200063710A1 (en) System and methods for hyper short-term wind power prediction using real-time wind parameter measurements
KR102065443B1 (ko) 태양광 발전소의 데이터 분석 방법 및 시스템
Hajjaj et al. Evaluation, comparison and experimental validation of different PV power prediction models under semi-arid climate
KR102358798B1 (ko) 에너지 수요 예측 방법 및 그 시스템
CN106104238A (zh) 动态广域大地热性能和大地环境温度测定系统
JP2007281060A (ja) 太陽光発電システムの発電予測方法、装置、およびプログラム
JP5415507B2 (ja) 太陽光発電出力推定装置及び太陽光発電出力推定方法
US20210334914A1 (en) System and method for determining power production in an electrical power grid
Leva et al. PV plant power nowcasting: A real case comparative study with an open access dataset
KR102054163B1 (ko) 태양광 발전량 예측 시스템 및 이를 포함하는 태양광 발전 장치
Chung Estimating solar insolation and power generation of photovoltaic systems using previous day weather data
Kam et al. Comparative Weibull distribution methods for reliable global solar irradiance assessment in France areas
KR20200031420A (ko) 태양광 발전량 예측 장치
CN103001251A (zh) 一种光伏并网逆变器mppt方法和装置
Wimalaratne et al. Unisolar: An open dataset of photovoltaic solar energy generation in a large multi-campus university setting
Haupt Short-range forecasting for energy
CN103543327A (zh) 一种测定光伏组件的发电功率的方法及设备
Cornaro et al. Twenty-four hour solar irradiance forecast based on neural networks and numerical weather prediction
JP2019091335A (ja) 発電量予測装置、発電量予測システム、発電量予測方法及び発電量予測プログラム
Zafarani et al. Assessing the utility of weather data for photovoltaic power prediction
Khatib et al. A new approach for meteorological variables prediction at Kuala Lumpur, Malaysia, using artificial neural networks: application for sizing and maintaining photovoltaic systems
JP6393732B2 (ja) 太陽光発電監視装置及び太陽光発電監視方法
WO2016146788A1 (en) System and method for predicting solar power generation

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
GRNT Written decision to grant