KR102314696B1 - 발전데이터와 기상데이터를 이용한 태양광발전 예측 방법, 이를 구현하기 위한 프로그램이 저장된 기록매체 및 이를 구현하기 위해 매체에 저장된 컴퓨터프로그램 - Google Patents

발전데이터와 기상데이터를 이용한 태양광발전 예측 방법, 이를 구현하기 위한 프로그램이 저장된 기록매체 및 이를 구현하기 위해 매체에 저장된 컴퓨터프로그램 Download PDF

Info

Publication number
KR102314696B1
KR102314696B1 KR1020210057913A KR20210057913A KR102314696B1 KR 102314696 B1 KR102314696 B1 KR 102314696B1 KR 1020210057913 A KR1020210057913 A KR 1020210057913A KR 20210057913 A KR20210057913 A KR 20210057913A KR 102314696 B1 KR102314696 B1 KR 102314696B1
Authority
KR
South Korea
Prior art keywords
data
power generation
representative value
daily
time period
Prior art date
Application number
KR1020210057913A
Other languages
English (en)
Inventor
신혜원
이희태
주우민
박광희
이석원
Original Assignee
한화에너지 주식회사
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 한화에너지 주식회사 filed Critical 한화에너지 주식회사
Priority to KR1020210057913A priority Critical patent/KR102314696B1/ko
Application granted granted Critical
Publication of KR102314696B1 publication Critical patent/KR102314696B1/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
    • H02S50/10—Testing of PV devices, e.g. of PV modules or single PV cells
    • 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
    • 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

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Photovoltaic Devices (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

본 발명은 발전데이터와 기상데이터를 이용한 태양광발전 예측 방법, 이를 구현하기 위한 프로그램이 저장된 기록매체 및 이를 구현하기 위해 매체에 저장된 컴퓨터프로그램에 관한 것으로서, 더욱 상세하게는 발전데이터와 기상데이터를 이용한 태양광 발전량 예측을 통해, 발전량 예측에 필요한 센서 등의 설비를 추가하지 않고도, 저가의 경쟁력 있는 태양광 발전량 예측이 가능한 발전데이터와 기상데이터를 이용한 태양광발전 예측 방법, 이를 구현하기 위한 프로그램이 저장된 기록매체 및 이를 구현하기 위해 매체에 저장된 컴퓨터프로그램을 제공한다.

Description

발전데이터와 기상데이터를 이용한 태양광발전 예측 방법, 이를 구현하기 위한 프로그램이 저장된 기록매체 및 이를 구현하기 위해 매체에 저장된 컴퓨터프로그램 {METHOD FOR SOLAR POWER GENERATION PREDICTION USING POWER GENERATION DATA AND METEOROLOGICAL DATA AND RECORDING MEDIUM STORING PROGRAM FOR EXECUTING THE SAME, AND COMPUTER PROGRAM STORED IN RECORDING MEDIUM FOR EXECUTING THE SAME}
본 발명은 발전데이터와 기상데이터를 이용한 태양광발전 예측 방법, 이를 구현하기 위한 프로그램이 저장된 기록매체 및 이를 구현하기 위해 매체에 저장된 컴퓨터프로그램에 관한 것으로서, 더욱 상세하게는 발전데이터와 기상데이터를 이용한 태양광 발전량 예측을 통해, 발전량 예측에 필요한 센서 등의 설비를 추가하지 않고도, 저가의 경쟁력 있는 태양광 발전량 예측이 가능한 발전데이터와 기상데이터를 이용한 태양광발전 예측 방법, 이를 구현하기 위한 프로그램이 저장된 기록매체 및 이를 구현하기 위해 매체에 저장된 컴퓨터프로그램에 관한 것이다.
종래에 신재생에너지의 경우 특히 태양광 발전의 경우 일사량 즉 날씨에 종속적 발전원으로 전력계통 또는 마이크로그리드와 같은 작은 소규모 계통에서 운영자원으로서의 역할 보다는 부하를 절감하는 Net load(load-PV generation)로 활용되었다.
그러나 태양광 발전은 점진적 증가에 따라 다양한 비즈니스가 창출되고 있으며 이를 위해서 국내외 모두 발전량 예측을 요구하고 있다.
이는 자원으로 활용하여 효과를 극대화하기 위한 것과 계통 운전에 있어 신뢰도를 높이기 위한 계획에 활용하기 위한 것으로 볼 수 있다.
종래에 단순하게 시계열 분석, 날씨예측을 이용한 방법 등 다양한 방법으로 구현되고 있고 실정이다.
고가의 소프트웨어와 다양한 센서를 이용해 발전량 예측의 정확도를 높을 수 있으나 비용이 상승되는 문제가 있다.
비용을 줄이기 위해 날씨에 따른 과거 발전량 데이터를 기반으로 발전량 예측을 하는 경우, 발전량 예측의 정확도가 낮은 문제가 있다.
한국등록특허 [10-1305584]에서는 에너지 발전량 예측 시스템 및 방법이 개시되어 있다.
한국등록특허 [10-1305584](등록일자: 2013년09월02일)
따라서, 본 발명은 상기한 바와 같은 문제점을 해결하기 위하여 안출된 것으로, 본 발명의 목적은 발전데이터와 기상데이터를 이용한 태양광 발전량 예측을 통해, 발전량 예측에 필요한 센서 등의 설비를 추가하지 않고도, 저가의 경쟁력 있는 태양광 발전량 예측이 가능한 발전데이터와 기상데이터를 이용한 태양광발전 예측 방법, 이를 구현하기 위한 프로그램이 저장된 기록매체 및 이를 구현하기 위해 매체에 저장된 컴퓨터프로그램을 제공하는 것이다.
본 발명의 실 시예들의 목적은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
상기한 바와 같은 목적을 달성하기 위한 본 발명의 일 실시예에 따른 발전데이터와 기상데이터를 이용한 태양광발전 예측 방법은, 컴퓨터를 포함하는 연산처리수단에 의하여 실행되는 프로그램 형태로 이루어지는 발전데이터와 기상데이터를 이용한 태양광발전 예측 방법에 있어서, 일별 발전량 데이터를 미리 설정된 발전량의 크기 및 변동률(Ramp)의 크기에 따라 대푯값을 설정하는 데이터분류 단계(S10); 일일날씨예보 대푯값에 해당되는 일별 발전량 데이터들을 근거로 하루 발전량을 예측하는 장기예측 단계(S20); 및 시간날씨예보 대푯값에 해당되는 일별 발전량 데이터를 근거로 미리 결정된 시간대별 발전량을 예측하는 단기예측 단계(S30);를 포함하는 것을 특징으로 한다.
또한, 상기 데이터분류 단계(S10)는 발전량의 크기에 따른 대푯값을 많음, 중간 및 적음 3 가지로 구분하는 것을 특징으로 한다.
또, 상기 데이터분류 단계(S10)는 변동률(Ramp)의 크기에 따른 대푯값을 크다 및 작다 2 가지로 구분하는 것을 특징으로 한다.
또한, 상기 데이터분류 단계(S10)는 미리 설정된 시간대 발전량의 대푯값 설정 기준을 설정하여 적용 하는 것을 특징으로 한다.
또, 상기 데이터분류 단계(S10)는 변동률(Ramp)의 크기에 대한 대푯값을 구하고자 하는 발전량 데이터값과 미리 설정된 시간대 발전량 평균값의 차이가 태양광 정격용량값을 기준으로 하여 정의된 범위내의 값을 기준으로 변동률(Ramp)의 크기에 대한 대푯값을 설정하는 것을 특징으로 한다.
또한, 상기 장기예측 단계(S20)는 일일날씨예보 대푯값에 해당되는 일별 발전량 데이터들을 호출하고, 호출된 데이터들의 시간대별 평균을 계산하며, 계산된 시간대별 평균을 근거로 하루 발전량을 예측하는 것을 특징으로 한다.
또, 상기 단기예측 단계(S30)는 시간날씨예보 대푯값에 해당되는 일별 발전량 데이터들을 호출하고, 호출된 데이터들의 시간대별 평균을 계산하며, 계산된 시간대별 평균을 근거로 미리 결정된 시간대별 발전량을 예측하는 것을 특징으로 한다.
또한, 상기 장기예측 단계(S20) 및 단기예측 단계(S30)는 날씨예보(일일날씨예보, 시간날씨예보)가 맑음인 경우 발전량은 많고 변동율은 적은 것을 날씨예보 대푯값으로 설정하고, 흐림인 경우 발전량은 중간이고 변동율은 큰은 것을 날씨예보 대푯값으로 설정하고, 비(눈)인 경우 발전량은 적고 변동율은 적은 것을 날씨예보 대푯값으로 설정하여 적용 하는 것을 특징으로 한다.
또, 본 발명의 일 실시예에 따르면, 상기 발전데이터와 기상데이터를 이용한 태양광발전 예측 방법을 구현하기 위한 프로그램이 저장된 컴퓨터 판독 가능한 기록매체가 제공되는 것을 특징으로 한다.
아울러, 본 발명의 일 실시예에 따르면, 상기 발전데이터와 기상데이터를 이용한 태양광발전 예측 방법을 구현하기 위해, 컴퓨터 판독 가능한 기록매체에 저장된 프로그램이 제공되는 것을 특징으로 한다.
본 발명의 일 실시예에 따른 발전데이터와 기상데이터를 이용한 태양광발전 예측 방법, 이를 구현하기 위한 프로그램이 저장된 기록매체 및 이를 구현하기 위해 매체에 저장된 컴퓨터프로그램에 의하면, 발전량 데이터가 대표성을 가지도록 특성을 부여(대푯값 설정)하며, 날씨예보에 따라 해당 날씨 특성에 해당되는 데이터를 호출하고 이를 활용하여 발전량을 예측함으로써, 발전량 예측에 필요한 센서 등의 설비를 추가하지 않고도, 저가의 경쟁력 있는 태양광 발전량 예측이 가능하여, 발전량 예측에 소요되는 비용을 최소화 시킬 수 있는 효과가 있음과 동시에, 과거 날씨 이력 없이 날씨에 대한 모집단을 형성이 가능함으로써 수집 데이터의 양을 최소화 할 수 있는 효과가 있음과 동시에, 시간대별 발전량을 통해 보다 정확한 발전량 예측이 가능한 효과가 있다.
또한, 예측시스템 도입으로 사업자에 대한 사전정보를 통해 사업과 관련된 예측 가능한 정보를 기대할 수 있는 효과가 있다.
또, 단기예측을 통해 자원을 활용 가능한 정보를 제공해 줄 수 있는 효과가 있다.
또, 마이크로로그리드 등 태양광을 자원으로 활용하여 경제적 활용이 가능한 효과가 있다.
아울러, 에너지저장장치와 태양광발전의 조합으로 운영 시, 에너지저장장치의 충방전 스케쥴 운전에 활용이 가능한 효과가 있다.
도 1은 본 발명의 일 실시예에 따른 발전데이터와 기상데이터를 이용한 태양광발전 예측 방법의 흐름도.
도 2는 일별 발전량 데이터의 일 예를 보여주는 예시도.
도 3은 일별 발전량 대푯값 및 변동률 대푯값의 일 예를 보여주는 예시도.
도 4는 시간별 발전량 대푯값 및 변동률 대푯값의 일 예를 보여주는 예시도.
도 5는 날씨예보 대푯값의 일 예를 보여주는 예시도.
도 6은 일일날씨예보 대푯값에 해당되는 일별 발전량 데이터들을 호출한 일 예를 보여주는 예시도.
도 7은 시간날씨예보의 일 예를 보여주는 예시도.
도 8 내지 도 10은 발전량을 예측하고자 하는 시간대의 시간날씨예보 대푯값에 해당되는 시간대별 발전량 데이터들을 호출한 일 예를 보여주는 예시도.
도 11은 단기예측 단계에서 사용하기 위해 도 8 내지 도 10에서 추출된 시간대별 발전량 데이터들을 호출한 일 예를 보여주는 예시도.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는바, 특정 실시예들을 도면에 예시하고 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 이해되어야한다.
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 명세서에서 사용되는 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, 공정, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 공정, 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 의미가 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미가 있는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 첨부된 도면을 참조하여 본 발명을 더욱 상세하게 설명한다. 이에 앞서, 본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정하여 해석되어서는 아니 되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념을 적절하게 정의할 수 있다는 원칙에 입각하여, 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다. 또한, 사용되는 기술 용어 및 과학 용어에 있어서 다른 정의가 없다면, 이 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 통상적으로 이해하고 있는 의미를 가지며, 하기의 설명 및 첨부 도면에서 본 발명의 요지를 불필요하게 흐릴 수 있는 공지 기능 및 구성에 대한 설명은 생략한다. 다음에 소개되는 도면들은 당업자에게 본 발명의 사상이 충분히 전달될 수 있도록 하기 위해 예로서 제공되는 것이다. 따라서, 본 발명은 이하 제시되는 도면들에 한정되지 않고 다른 형태로 구체화될 수도 있다. 또한, 명세서 전반에 걸쳐서 동일한 참조번호들은 동일한 구성요소들을 나타낸다. 도면들 중 동일한 구성요소들은 가능한 한 어느 곳에서든지 동일한 부호들로 나타내고 있음에 유의해야 한다.
도 1은 본 발명의 일 실시예에 따른 발전데이터와 기상데이터를 이용한 태양광발전 예측 방법의 흐름도이고, 도 2는 일별 발전량 데이터의 일 예를 보여주는 예시도이며, 도 3은 일별 발전량 대푯값 및 변동률 대푯값의 일 예를 보여주는 예시도이고, 도 4는 시간별 발전량 대푯값 및 변동률 대푯값의 일 예를 보여주는 예시도이며, 도 5는 날씨예보 대푯값의 일 예를 보여주는 예시도이고, 도 6은 일일날씨예보 대푯값에 해당되는 일별 발전량 데이터들을 호출한 일 예를 보여주는 예시도이며, 도 7은 시간날씨예보의 일 예를 보여주는 예시도이고, 도 8 내지 도 10은 발전량을 예측하고자 하는 시간대의 시간날씨예보 대푯값에 해당되는 시간대별 발전량 데이터들을 호출한 일 예를 보여주는 예시도이며, 도 11은 단기예측 단계에서 사용하기 위해 도 8 내지 도 10에서 추출된 시간대별 발전량 데이터들을 호출한 일 예를 보여주는 예시도이다.
본 발명의 일 실시예에 따른 발전데이터와 기상데이터를 이용한 태양광발전 예측 방법은 과거 발전량 데이터와 기상청에서 제공하는 예보를 통해 저가의 경쟁력이 있는 태양광 발전량을 예측하되, 추가적인 센서 등의 장비를 추가할 필요 없이, 기존의 모니터링 시스템에 저장된 데이터에 대푯값을 설정하고 이를 활용하는 것 만으로도 저가의 경쟁력이 있는 태양광 발전량을 예측할 수 있다.
도 1에 도시된 바와 같이, 본 발명의 일 실시예에 따른 발전데이터와 기상데이터를 이용한 태양광발전 예측 방법은 컴퓨터를 포함하는 연산처리수단에 의하여 실행되는 프로그램 형태로 이루어지는 발전데이터와 기상데이터를 이용한 태양광발전 예측 방법에 있어서, 데이터분류 단계(S10), 장기예측 단계(S20) 및 단기예측 단계(S30)를 포함한다.
데이터분류 단계(S10)는 일별 발전량 데이터를 미리 설정된 발전량의 크기 및 변동률(Ramp)의 크기에 따라 대푯값을 설정(분류/군집)한다.
상기 일별 발전량 데이터는 시간별 발전량을 나타내는 데이터(도 2 참조)를 의미한다.
상기 일별 발전량 데이터는 Local server 또는 클라우드 등 다양한 저장소를 통해 정보가 누적되어 저장 및 관리되고, 통상 일별로 1분~30분 단위로 저장되며 이 정보는 태양광 발전량을 예측하기 위한 로우데이터(raw data)로 활용된다. 즉, 상기 일별 발전량 데이터는 일정 시간 주기로 획득할 수 있으며, 도 2에서는 30분 단위로 발전량 데이터를 획득하는 예를 보여주고 있다.
상기 대푯값은 데이터가 어떤 특징을 나타내는지 표현하기 위한 것으로, 숫자, 문자, 기호, 이미지 등 다양하게 표현(도 3 및 도 4 참조)할 수 있다.
상기 대푯값은 데이터가 대표성을 가지도록 데이터에 특성을 부여하는 것이라 할 수 있다.
상기 대푯값이 설정되었다는 것은 해당 데이터를 분류할 수 있음을 의미하고, 설정된 대푯값을 근거로 군집 시킬 수 있다.
상기 발전량의 크기에 해당되는 대푯값(발전량 대푯값)은 발전량의 크기가 어떤 특성을 나타내는지 표현하기 위한 것으로, 그 크기에 대한 특성을 평가하며 숫자, 문자, 기호, 이미지 등 다양하게 표현할 수 있다.
발전량 크기를 분류하는 이유는 위에서 언급하였듯이 날씨와 맵핑시키기 위한 선행작업 중 하나이다.
과거 발전량 데이터는 과거 날씨 정보를 모르면 알 수 없는 부분이므로, 과거 날씨 정보를 저장하지 않고도 발전량 예측이 가능하도록 하기 위해 발전량의 크기를 다수의 특성으로 분류한다.
상기 변동률(Ramp)은 샘플링 시간에 대한 크기의 변동을 의미한다.
상기 변동률(Ramp)의 크기에 해당되는 대푯값(변동률 대푯값)은 태양광 정격용량 대비 일정 %를 기준으로 상기 변동률(Ramp)의 크기가 어떤 특성을 나타내는지 표현하기 위한 것으로, 그 크기에 대한 특성을 평가하며 숫자, 문자, 기호, 이미지 등 다양하게 표현할 수 있다.
예를 들어, 일별 발전량 데이터에 대한 일일 변동률(Ramp) 대푯값은 일출과 일몰 시간 사이의 모든 시간에 대한 평균, 일일 기준으로 계산된 최대 큰값 5개 기준의 평균, 특정시간대(10시~16시)에 대한 평균 등을 기준으로 일일 대푯값을 설정할 수 있다.
상기 데이터분류 단계(S10)는 일별 발전량 데이터를 대푯값을 기준으로 군집화 시켜 저장 및 관리할 수 있다.
즉, 상기 데이터분류 단계(S10)는 일별 발전량 데이터를 발전량 대푯값과 변동률(Ramp) 대푯값 두 개의 특징을 통해 군집화 시켜 저장 및 관리할 수 있다.
예를 들어, 발전량이 많고 변동률(Ramp)이 적다면 이는 맑은 날로 정의할 수 있고, 발전량은 중간인데 변동률(Ramp)이 크다면 이는 흐린 날로 정의할 수 있으며, 발전량도 변동률(Ramp)도 적다면 이는 비 또는 눈 오는 날로 볼 수 있다.
장기예측 단계(S20)는 일일날씨예보 대푯값에 해당되는 일별 발전량 데이터들을 근거로 하루 발전량을 예측한다.
상기 일일날씨예보는 하루를 대표하는 날씨를 알려주는 것을 말한다.
상기 장기예측 단계(S20)는 익일 일일날씨예보에 따라 해당 특성이 되는 군집데이터를 호출하고 이를 활용하여 익일 발전량을 예측할 수 있다.
상기 장기예측 단계(S20)에서 사용되는 데이터 모집단의 형성은 과거 몇 달 또는 과거 몇 년 동안 동일한 달(월) 기준으로 모집단을 형성할 수 있다.
샘플링으로 사용되는 모집단 데이터는 맑음, 흐림, 비(눈) 등 다양한 데이터가 존재할 수 있도록 90일 이상 필요할 것이며, 너무 많은 데이터를 활용할 경우 평균값을 대푯값으로 취하기 때문에 평균의 허수가 발생 될 수 있다.
상기 일일날씨예보 대푯값은 맑음, 구름조금, 구름많음, 흐림, 소나기, 비(눈), 가끔 비(눈), 비(눈) 또는 눈(비), 가끔 비(눈) 또는 눈(비), 천둥번개, 연무, 안개, 박무(엷은 안개), 황사 등에 대한 날씨예보별 특징을 나타낼 수 있도록 해당 날씨를 발전량의 크기에 대한 대푯값과 변동률(Ramp)의 크기에 대한 대푯값으로 나타낸 것을 의미한다.
예를 들어, 맑음에 대한 대푯값은 {발전량이 많음을 의미하는 대푯값, 변동률(Ramp)의 크기가 작음을 의미하는 대푯값}으로 표현할 수 있다.
상기 장기예측 단계(S20)는 발전량을 예측하고자 하는 날(익일)의 일일날씨예보 대푯값(도 5 참조)에 해당되는 일별 발전량 데이터들을 호출(도 6 참조)한다. 이를 통해 불확실성을 나타내는 데이터들을 필터링 할 수 있다.
이후, 호출된 일별 발전량 데이터들의 시간대별 평균을 계산하여 발전량을 예측하고자 하는 날(익일)의 하루 발전량을 예측할 수 있다.
단기예측 단계(S30)는 시간날씨예보 대푯값에 해당되는 일별 발전량 데이터를 근거로 미리 결정된 시간대별 발전량을 예측한다.
상기 시간날씨예보는 특정 시간대를 대표하는 날씨(도 7 참조)를 알려주는 것을 말한다.
상기 시간날씨예보는 일정 시간 주기로 획득할 수 있으며, 도 7에서는 3시간 단위로 날씨 정보를 알려주는 예를 보여주고 있다.
상기 단기예측 단계(S30)는 시간날씨예보에 따라 해당 특성이 되는 군집데이터를 호출하고 이를 활용하여 시간대별 발전량을 예측할 수 있다.
상기 단기예측 단계(S30)에서 사용되는 데이터 모집단의 형성은 과거 몇 달 또는 과거 몇 년 동안 동일한 달(월) 기준으로 모집단을 형성할 수 있다.
샘플링으로 사용되는 모집단 데이터는 맑음, 흐림, 비(눈) 등 다양한 데이터가 존재할 수 있도록 90일 이상 필요할 것이며, 너무 많은 데이터를 활용할 경우 평균값을 대푯값으로 취하기 때문에 평균의 허수가 발생 될 수 있다.
상기 시간날씨예보 대푯값은 맑음, 구름조금, 구름많음, 흐림, 비(눈), 비(눈) 또는 눈(비), 천둥번개, 연무, 안개, 박무(엷은 안개), 황사 등에 대한 날씨예보별 특징을 나타낼 수 있도록 해당 날씨를 발전량의 크기에 대한 대푯값과 변동률(Ramp)의 크기에 대한 대푯값으로 나타낸 것을 의미한다.
예를 들어, 맑음에 대한 대푯값은 {발전량이 많음을 의미하는 대푯값, 변동률(Ramp)의 크기가 작음을 의미하는 대푯값}으로 표현할 수 있다.
상기 단기예측 단계(S30)는 발전량을 예측하고자 하는 시간대의 시간날씨예보 대푯값에 해당되는 시간대별 발전량 데이터들을 호출(도 8 내지 도 10 참조)한다. 이를 통해 불확실성을 나타내는 데이터들을 필터링 할 수 있다.
이후, 호출된 시간대별 발전량 데이터들(도 11 참조)의 시간대별 평균을 계산하여 발전량을 예측하고자 하는 시간대의 발전량을 예측할 수 있다.
즉, 본 발명의 일 실시예에 따른 발전데이터와 기상데이터를 이용한 태양광발전 예측 방법은, 발전량 데이터가 대표성을 가지도록 특성을 부여(대푯값 설정)하며, 날씨예보에 따라 해당 날씨 특성에 해당되는 데이터를 호출하고 이를 활용하여 발전량을 예측함으로써, 발전량 예측에 필요한 센서 등의 설비를 추가하지 않고도, 저가의 경쟁력 있는 태양광 발전량 예측이 가능하여, 발전량 예측에 소요되는 비용을 최소화 시킬 수 있다.
본 발명의 일 실시예에 따른 발전데이터와 기상데이터를 이용한 태양광발전 예측 방법의 데이터분류 단계(S10)는 발전량의 크기에 따른 대푯값을 많음, 중간 및 적음 3 가지로 구분하는 것을 특징으로 할 수 있다.
발전량의 크기에 따른 대푯값 설정 기준은 일일 발전시간(Gt) 또는 과거 데이터 기반 년 평균 발전시간 등을 기준으로 하여 정의된 일일 발전량 % 범위내의 값을 기준으로 판단하며, 발전량이 많음이면 "1", 중간이면 "2", 적음이면 "3" 등으로 하여 구분하여 적용할 수 있다.
일일 발전량은 다음식
Figure 112021052003377-pat00001
(여기서 PVcap 은 태양광발전기의 정격용량을 의미한다.)
과 같이 구할 수 있다.
발전량의 계산은 샘플링 시간과 단위(unit)에 따라 kWh로 변환하여 사용할 수 있다.
예를 들어, 일별 발전량 데이터를 합한 하루 발전량이 위의 수식대비 95% 이상이면 "1", 30% 미만이면 "3", 나머지는 "2"로 대푯값을 설정하는 것이 한 예이다.
본 발명의 일 실시예에 따른 발전데이터와 기상데이터를 이용한 태양광발전 예측 방법의 데이터분류 단계(S10)는 변동률(Ramp)의 크기에 따른 대푯값을 크다 및 작다 2 가지로 구분하는 것을 특징으로 할 수 있다.
예를 들어, 변동률(Ramp)이 기준 대비 일정 % 이상으로 크면 "1" 아니면 "2" 등으로 변동률(Ramp)의 크기에 대한 특성을 평가하며, 변동률(Ramp)의 크기에 대한 대푯값에 대한 기준은 다양하게 설정하여 적용할 수 있다.
본 발명의 일 실시예에 따른 발전데이터와 기상데이터를 이용한 태양광발전 예측 방법의 데이터분류 단계(S10)는 미리 설정된 시간대 발전량의 대푯값 설정 기준을 (다르게)설정하여 적용 하는 것을 특징으로 할 수 있다.
예를 들어, 다음 표 1과 같이 시간대별 발전량의 대푯값 설정 기준을 별도로 설정하여 적용할 수 있다.
발전량
~9시
Figure 112021052003377-pat00002
~12시
Figure 112021052003377-pat00003
~15시
Figure 112021052003377-pat00004
~18시
Figure 112021052003377-pat00005
즉, 시간대별 일사량에 따라 %를 달리하여 대푯값 설정 기준을 설정할 수 있다.
일사량은 하루 중에 큰폭으로 변하기 때문에 발전량에서도 차이가 발생한다.
특히 해가 이제 막 뜬 새벽시간에는 일사량이 약하다가 점점 정오가 되어 갈수록 강해진다. 그러다가 태양의 고도가 하루 중에 가장 높을 때인 남중고도가 되었을 때 일사량이 가장 강하고 이때가 태양광발전량이 가장 높게 나타난다.
따라서, 12시~ 15시 사이의 발전량이 일반적으로 가장 많다.
발전량이 많음을 판단하는 대푯값 설정 기준식을 다음식
Figure 112021052003377-pat00006
(여기서,
Figure 112021052003377-pat00007
은 발전량이 많음을 판단하는 대푯값 설정 기준을 나타내는 상수를 나타낸다.)
과 같이 나타낼 수 있고,
예를 들어,
Figure 112021052003377-pat00008
는, 다음식
Figure 112021052003377-pat00009
과 같이 나타낼 수 있다.
(여기서,
Figure 112021052003377-pat00010
는 발전량이 최대일 때의 %값을 나타내고,
Figure 112021052003377-pat00011
는 발전량이 최대일 때 시간,
Figure 112021052003377-pat00012
은 현재 시간을 나타낸다.)
발전량이 적음을 판단하는 대푯값 설정 기준식을 다음식
Figure 112021052003377-pat00013
(여기서,
Figure 112021052003377-pat00014
은 발전량이 적음을 판단하는 대푯값 설정 기준을 나타내는 상수를 나타낸다.)
예를 들어,
Figure 112021052003377-pat00015
는 , 다음식
Figure 112021052003377-pat00016
(여기서,
Figure 112021052003377-pat00017
는 발전량이 최대일 때의 %값을 나타내고,
Figure 112021052003377-pat00018
는 발전량이 최대일 때 시간,
Figure 112021052003377-pat00019
은 현재 시간을 나타낸다.)
과 같이 나타낼 수 있다.
본 발명의 일 실시예에 따른 발전데이터와 기상데이터를 이용한 태양광발전 예측 방법의 데이터분류 단계(S10)는 변동률(Ramp)의 크기에 대한 대푯값을 구하고자 하는 발전량 데이터값과 미리 설정된 시간대 발전량 평균값의 차이가 태양광 정격용량값을 기준으로 하여 정의된 범위내의 값을 기준으로 변동률(Ramp)의 크기에 대한 대푯값을 설정하는 것을 특징으로 할 수 있다.
예를 들어, 샘플 시간별 평균값을 사용하는 경우, 발전량 데이터값과 발전량 평균값의 차이가 발전량 평균값 기준 10% 미만이면 "2", 나머지는 "1" 로 대푯값을 설정하는 것이 한 예이다.
시간대별 변동률(Ramp)의 대푯값 설정 기준 역시 시간대별로 설정하여 적용할 수 있다.
본 발명의 일 실시예에 따른 발전데이터와 기상데이터를 이용한 태양광발전 예측 방법의 장기예측 단계(S20)는 일일날씨예보 대푯값에 해당되는 일별 발전량 데이터들을 호출하고, 호출된 데이터들의 시간대별 평균을 계산하며, 계산된 시간대별 평균을 근거로 하루 발전량을 예측하는 것을 특징으로 할 수 있다.
상기 장기예측 단계(S20)는 일일날씨예보 대푯값과 매칭되는 발전량 대푯값과 변동률(Ramp) 대푯값 두 가지 대푯값을 만족하는 데이터들을 호출하여, 하루 발전량을 예측하는 것으로, 시간날씨예보가 없는 날의 하루 발전량을 예측하는 것이다.
시간날씨예보를 적용하여야 보다 정확한 발전량 예측이 가능하나, 시간날씨예보가 없고, 일일날씨예보만 존재하는 날의 발전량을 예측이 필요한 먼 미래의 하루 발전량 예측에 상기 장기예측 단계(S20)가 사용된다.
본 발명의 일 실시예에 따른 발전데이터와 기상데이터를 이용한 태양광발전 예측 방법의 단기예측 단계(S30)는 시간날씨예보 대푯값에 해당되는 일별 발전량 데이터들을 호출하고, 호출된 데이터들의 시간대별 평균을 계산하며, 계산된 시간대별 평균을 근거로 미리 결정된 시간대별 발전량을 예측하는 것을 특징으로 할 수 있다.
상기 단기예측 단계(S30)는 시간날씨예보 대푯값과 매칭되는 발전량 대푯값과 변동률(Ramp) 대푯값 두 가지 대푯값을 만족하는 데이터들을 호출하여, 시간대별 발전량을 예측하는 것으로, 상기 장기예측 단계(S20) 보다 정확한 발전량 예측이 가능하다.
본 발명의 일 실시예에 따른 발전데이터와 기상데이터를 이용한 태양광발전 예측 방법의 장기예측 단계(S20) 및 단기예측 단계(S30)는 날씨예보(일일날씨예보, 시간날씨예보)가 맑음인 경우 발전량은 많고 변동율은 적은 것을 날씨예보 대푯값으로 설정하고, 흐림인 경우 발전량은 중간이고 변동율은 큰은 것을 날씨예보 대푯값으로 설정하고, 비(눈)인 경우 발전량은 적고 변동율은 적은 것을 날씨예보 대푯값으로 설정하여 적용 하는 것을 특징으로 할 수 있다.
예를 들어, 맑음인 경우 날씨예보 대푯값을 {"1", "2"}로 설정할 수 있고, 흐림인 경우 날씨예보 대푯값을 {"2", "1"}로 설정할 수 있으며, 비(눈)인 경우 날씨예보 대푯값을 {"3", "2"}로 설정할 수 있다.
도 5의 예를 적용할 경우, 일별 발전량 데이터는 총 6가지 조합으로 구분할 수 있지만, 날씨예보 대푯값을 이용한 데이터 호출에는 최대 3가지 조합만 이용된다.
즉, 불확실성을 나타낼 수 있는 데이터들을 호출 단계에서 필터링 할 수 있다.
이상에서 본 발명의 일 실시예에 따른 발전데이터와 기상데이터를 이용한 태양광발전 예측 방법에 대하여 설명하였지만, 발전데이터와 기상데이터를 이용한 태양광발전 예측 방법을 구현하기 위한 프로그램이 저장된 컴퓨터 판독 가능한 기록매체 및 발전데이터와 기상데이터를 이용한 태양광발전 예측 방법을 구현하기 위한 컴퓨터 판독 가능한 기록매체에 저장된 프로그램 역시 구현 가능함은 물론이다.
즉, 상술한 발전데이터와 기상데이터를 이용한 태양광발전 예측 방법은 이를 구현하기 위한 명령어들의 프로그램이 유형적으로 구현됨으로써, 컴퓨터를 통해 판독될 수 있는 기록매체에 포함되어 제공될 수도 있음을 당업자들이 쉽게 이해할 수 있을 것이다. 다시 말해, 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어, 컴퓨터 판독 가능한 기록매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 컴퓨터 판독 가능한 기록매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 상기 컴퓨터 판독 가능한 기록매체의 예에는 하드 디스크, 플로피 디스크 및 자기테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리, USB 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
본 발명은 상기한 실시예에 한정되지 아니하며, 적용범위가 다양함은 물론이고, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 다양한 변형 실시가 가능한 것은 물론이다.
S10: 데이터분류 단계
S20: 장기예측 단계
S30: 단기예측 단계

Claims (10)

  1. 컴퓨터를 포함하는 연산처리수단에 의하여 실행되는 프로그램 형태로 이루어지는 발전데이터와 기상데이터를 이용한 태양광발전 예측 방법에 있어서,
    일별 발전량 데이터를 미리 설정된 발전량의 크기 및 변동률(Ramp)의 크기에 따라 대푯값을 설정하는 데이터분류 단계(S10);
    일일날씨예보 대푯값에 해당되는 일별 발전량 데이터들을 근거로 하루 발전량을 예측하는 장기예측 단계(S20); 및
    시간날씨예보 대푯값에 해당되는 일별 발전량 데이터를 근거로 미리 결정된 시간대별 발전량을 예측하는 단기예측 단계(S30);
    를 포함하며,
    상기 데이터분류 단계(S10)는
    발전량의 크기에 따른 대푯값을 많음, 중간 및 적음 3 가지로 구분하는 것을 특징으로 하고,
    상기 데이터분류 단계(S10)는
    변동률(Ramp)의 크기에 따른 대푯값을 크다 및 작다 2 가지로 구분하는 것을 특징으로 하며,
    상기 데이터분류 단계(S10)는
    미리 설정된 시간대 발전량의 대푯값 설정 기준을 설정하여 적용 하는 것을 특징으로 하고,
    상기 데이터분류 단계(S10)는
    변동률(Ramp)의 크기에 대한 대푯값을 구하고자 하는 발전량 데이터값과 미리 설정된 시간대 발전량 평균값의 차이가 태양광 정격용량값을 기준으로 하여 정의된 범위내의 값을 기준으로 변동률(Ramp)의 크기에 대한 대푯값을 설정하는 것을 특징으로 하며,
    상기 장기예측 단계(S20)는
    일일날씨예보 대푯값에 해당되는 일별 발전량 데이터들을 호출하고, 호출된 데이터들의 시간대별 평균을 계산하며, 계산된 시간대별 평균을 근거로 하루 발전량을 예측하는 것을 특징으로 하고,
    상기 단기예측 단계(S30)는
    시간날씨예보 대푯값에 해당되는 일별 발전량 데이터들을 호출하고, 호출된 데이터들의 시간대별 평균을 계산하며, 계산된 시간대별 평균을 근거로 미리 결정된 시간대별 발전량을 예측하는 것을 특징으로 하며,
    상기 장기예측 단계(S20) 및 단기예측 단계(S30)는
    날씨예보(일일날씨예보, 시간날씨예보)가 맑음인 경우 발전량은 많고 변동율은 적은 것을 날씨예보 대푯값으로 설정하고, 흐림인 경우 발전량은 중간이고 변동율은 큰은 것을 날씨예보 대푯값으로 설정하고, 비(눈)인 경우 발전량은 적고 변동율은 적은 것을 날씨예보 대푯값으로 설정하여 적용 하는 것을 특징으로 하고,
    상기 데이터분류 단계(S10)는
    일별 발전량 데이터를 발전량의 크기에 따른 대푯값인 발전량 대푯값과 변동률(Ramp)의 크기에 따른 대푯값인 변동률(Ramp) 대푯값 두 개의 특징을 통해 군집화 시켜 저장 및 관리하는 것을 특징으로 하며,
    상기 장기예측 단계(S20)는
    발전량을 예측하고자 하는 날의 일일날씨예보 대푯값에 해당되는 일별 발전량 데이터들을 호출한 후, 호출된 일별 발전량 데이터들의 시간대별 평균을 계산하여 발전량을 예측하고자 하는 날의 하루 발전량을 예측하는 것을 특징으로 하고,
    상기 단기예측 단계(S30)는
    발전량을 예측하고자 하는 시간대의 시간날씨예보 대푯값에 해당되는 시간대별 발전량 데이터들을 호출한 후, 호출된 시간대별 발전량 데이터들의 시간대별 평균을 계산하여 발전량을 예측하고자 하는 시간대의 발전량을 예측하는 것을 특징으로 하는 발전데이터와 기상데이터를 이용한 태양광발전 예측 방법.
  2. 삭제
  3. 삭제
  4. 삭제
  5. 삭제
  6. 삭제
  7. 삭제
  8. 삭제
  9. 제 1항에 기재된 발전데이터와 기상데이터를 이용한 태양광발전 예측 방법을 구현하기 위한 프로그램이 저장된 컴퓨터 판독 가능한 기록매체.
  10. 제 1항에 기재된 발전데이터와 기상데이터를 이용한 태양광발전 예측 방법을 구현하기 위한 컴퓨터 판독 가능한 기록매체에 저장된 프로그램.
KR1020210057913A 2021-05-04 2021-05-04 발전데이터와 기상데이터를 이용한 태양광발전 예측 방법, 이를 구현하기 위한 프로그램이 저장된 기록매체 및 이를 구현하기 위해 매체에 저장된 컴퓨터프로그램 KR102314696B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210057913A KR102314696B1 (ko) 2021-05-04 2021-05-04 발전데이터와 기상데이터를 이용한 태양광발전 예측 방법, 이를 구현하기 위한 프로그램이 저장된 기록매체 및 이를 구현하기 위해 매체에 저장된 컴퓨터프로그램

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210057913A KR102314696B1 (ko) 2021-05-04 2021-05-04 발전데이터와 기상데이터를 이용한 태양광발전 예측 방법, 이를 구현하기 위한 프로그램이 저장된 기록매체 및 이를 구현하기 위해 매체에 저장된 컴퓨터프로그램

Publications (1)

Publication Number Publication Date
KR102314696B1 true KR102314696B1 (ko) 2021-10-18

Family

ID=78271132

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210057913A KR102314696B1 (ko) 2021-05-04 2021-05-04 발전데이터와 기상데이터를 이용한 태양광발전 예측 방법, 이를 구현하기 위한 프로그램이 저장된 기록매체 및 이를 구현하기 위해 매체에 저장된 컴퓨터프로그램

Country Status (1)

Country Link
KR (1) KR102314696B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230082795A (ko) * 2021-12-02 2023-06-09 고려대학교 산학협력단 군집화 기반의 오버샘플링 기법을 활용한 태양광 발전량 예측 장치 및 방법

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101305584B1 (ko) 2011-12-30 2013-09-09 주식회사 포스코아이씨티 에너지 발전량 예측 시스템 및 방법
US20170286838A1 (en) * 2016-03-29 2017-10-05 International Business Machines Corporation Predicting solar power generation using semi-supervised learning

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101305584B1 (ko) 2011-12-30 2013-09-09 주식회사 포스코아이씨티 에너지 발전량 예측 시스템 및 방법
US20170286838A1 (en) * 2016-03-29 2017-10-05 International Business Machines Corporation Predicting solar power generation using semi-supervised learning

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230082795A (ko) * 2021-12-02 2023-06-09 고려대학교 산학협력단 군집화 기반의 오버샘플링 기법을 활용한 태양광 발전량 예측 장치 및 방법
KR102664016B1 (ko) 2021-12-02 2024-05-08 고려대학교 산학협력단 군집화 기반의 오버샘플링 기법을 활용한 태양광 발전량 예측 장치 및 방법

Similar Documents

Publication Publication Date Title
JP3984604B2 (ja) 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
US10963602B2 (en) Device for predicting amount of photovoltaic power generation, and method for predicting amount of photovoltaic power generation
Abuella et al. Solar power forecasting using support vector regression
Hanna et al. Energy dispatch schedule optimization for demand charge reduction using a photovoltaic-battery storage system with solar forecasting
Constantinescu et al. A computational framework for uncertainty quantification and stochastic optimization in unit commitment with wind power generation
Guryev et al. Improvement of methods for predicting the generation capacity of solar power plants: The case of the power systems in the Republic of Crimea and city of Sevastopol
US20220376499A1 (en) System and method for load and source forecasting for increasing electrical grid component longevity
KR102284253B1 (ko) 기상정보를 이용한 태양광발전소의 발전량 예측시스템 및 이를 이용한 발전량 예측방법
Arthur et al. Probability distributional analysis of hourly solar irradiation in Kumasi-Ghana
KR102405282B1 (ko) 예측 모델을 이용한 태양광 발전량 예측 방법
WO2019021438A1 (ja) 太陽光発電量予測装置、太陽光発電量予測システム、予測方法及びプログラム
KR102314696B1 (ko) 발전데이터와 기상데이터를 이용한 태양광발전 예측 방법, 이를 구현하기 위한 프로그램이 저장된 기록매체 및 이를 구현하기 위해 매체에 저장된 컴퓨터프로그램
JP2012053582A (ja) 太陽光発電設備の出力予測装置
Govender et al. Cluster analysis for classification and forecasting of solar irradiance in Durban, South Africa
Nejati et al. A new solar power prediction method based on feature clustering and hybrid-classification-regression forecasting
Gari da Silva Fonseca Jr et al. Enhancements in day-ahead forecasts of solar irradiation with machine learning: A novel analysis with the Japanese mesoscale model
Shi et al. Four-stage space-time hybrid model for distributed photovoltaic power forecasting
Alanazi et al. Day-ahead solar forecasting using time series stationarization and feed-forward neural network
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
JP2015222530A (ja) 発電予測装置、発電予測方法、及びプログラム
CN116307220A (zh) 一种屋顶光伏功率的预测方法、装置及电子设备
Barnes et al. Modelling PV clouding effects using a semi-markov process with application to energy storage
Cai et al. Short-term solar photovoltaic irradiation predicting using a nonlinear prediction method
Fruh Evaluation of simple wind power forecasting methods applied to a long-term wind record from Scotland
Suksamosorn et al. Influential variable selection for improving solar forecasts from numerical weather prediction

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant