KR102338515B1 - 인공지능 기반 태양광 발전량 예측 시스템 - Google Patents
인공지능 기반 태양광 발전량 예측 시스템 Download PDFInfo
- Publication number
- KR102338515B1 KR102338515B1 KR1020210045837A KR20210045837A KR102338515B1 KR 102338515 B1 KR102338515 B1 KR 102338515B1 KR 1020210045837 A KR1020210045837 A KR 1020210045837A KR 20210045837 A KR20210045837 A KR 20210045837A KR 102338515 B1 KR102338515 B1 KR 102338515B1
- Authority
- KR
- South Korea
- Prior art keywords
- power generation
- solar
- machine learning
- insolation
- data
- Prior art date
Links
- 238000010248 power generation Methods 0.000 title claims abstract description 75
- 238000013473 artificial intelligence Methods 0.000 title description 5
- 238000010801 machine learning Methods 0.000 claims abstract description 49
- 238000013480 data collection Methods 0.000 claims abstract description 11
- 238000012821 model calculation Methods 0.000 claims abstract description 8
- 230000005855 radiation Effects 0.000 claims description 21
- 238000007637 random forest analysis Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 239000003607 modifier Substances 0.000 claims description 6
- 238000009792 diffusion process Methods 0.000 claims description 4
- 230000006403 short-term memory Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 10
- 238000007781 pre-processing Methods 0.000 description 9
- 238000000034 method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000005611 electricity Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000003491 array Methods 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000009466 transformation 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
- 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
- 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
- Photovoltaic Devices (AREA)
Abstract
본 발명의 일 실시예에 따른 태양광 발전량 예측 시스템은, 외기온도 및 태양광 모듈 어레이의 셀온도를 포함하는 기후요소데이터 및 상기 태양광 모듈 어레이가 설치된 사이트들의 위치 데이터를 포함하는 필요 데이터를 수집하는 데이터 수집부; 상기 위치 데이터에 기초하여 연산된 천문 요소값에 기초하여 물리 모델값들을 산출하는 물리 모델 연산부; 상기 물리 모델값들에 기초하여 발전량 추정치를 연산하는 발전량 추정 연산부; 상기 발전량 추정치를 입력으로 하는 기계학습을 수행하고 기계학습의 결과에 기초하여 최종 발전량 예측치를 산출하는 기계학습 연산부; 및 상기 사이트들 각각에 대하여 복수의 기계학습 모델 중 어느 하나를 선택하고, 상기 기계학습에 대한 설정값들을 설정하는 제어부를 포함할 수 있다.
Description
본 발명은 태양광 발전량 예측 시스템에 관한 것으로서 구체적으로, 물리 모델을 이용한 연산값을 입력으로 사용한 인공지능 기반 기계 학습을 통하여 태양광 발전량을 예측하는 시스템에 관한 것이다.
전 세계적으로 전기에너지 소비량은 지속적으로 증가하고 있다. 그러나, 화석연료를 기반으로 한 에너지자원의 양은 한정되어 있어, 태양광발전, 풍력발전과 같은 신재생에너지 발전원의 전력생산 비중을 증가시키려는 추세를 보이고 있다. 이러한 신재생에너지 발전을 활용하여 전기에너지를 생산할 경우 온실가스와 미세먼지 등의 환경오염 물질을 감소시킬 수 있을 뿐만 아니라 지속가능한 미래에너지의 관점에서 에너지 공급 안정성을 증대시킬 수 있어 그 중요성이 날로 커지고 있다.
하지만, 태양광발전은 특정 장소, 시간에 따른 일사량, 기온 및 대기 중의 습도, 구름 등의 다양한 매개 변수에 따라 달라질 수 있기에 발전전력이 간헐적이고 예측하기도 매우 어렵다. 또한, 태양광발전 출력전력은 먼지, 구름, 눈과 같은 외부적 요인의 영향으로 하루 종일 변화하고, 계절적 요인에 의해 서도 많은 영향을 받는다. 이러한 태양광발전 출력전력의 불확실성을 개선하고, 전력계통의 신뢰성을 향상시키며, 전력품질을 향상하기 위해서 태양광발전 출력전력을 정확히 예측할 필요가 있다.
본 발명이 해결하고자 하는 기술적 과제는, 태양광 모듈 어레이의 사이트별 발전량을 정확하게 예측할 수 있는 예측시스템을 제공하는 것이다.
또한, 본 발명이 해결하고자 하는 기술적 과제는 물리 모델을 입력으로 활용하여 기존 인공지능 기반 기계 학습을 통한 예측의 정확도를 현저하게 향상시키는 것이다.
본 발명의 기술적 과제들은 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
상기 기술적 과제를 달성하기 위한 본 발명의 몇몇 실시예에 따른 태양광 발전량 예측 시스템은, 외기온도 및 태양광 모듈 어레이의 셀온도를 포함하는 기후요소데이터 및 상기 태양광 모듈 어레이가 설치된 사이트들의 위치 데이터를 포함하는 필요 데이터를 수집하는 데이터 수집부; 상기 위치 데이터에 기초하여 연산된 천문 요소값에 기초하여 물리 모델값들을 산출하는 물리 모델 연산부; 상기 물리 모델값들에 기초하여 발전량 추정치를 연산하는 발전량 추정 연산부; 상기 발전량 추정치를 입력으로 하는 기계학습을 수행하고 기계학습의 결과에 기초하여 최종 발전량 예측치를 산출하는 기계학습 연산부; 및 상기 사이트들 각각에 대하여 복수의 기계학습 모델 중 어느 하나를 선택하고, 상기 기계학습에 대한 설정값들을 설정하는 제어부를 포함할 수 있다.
이 경우, 상기 물리 모델값들은 경사면 일사량(PoA, Plane of Array) 및 유효일사량(Effective Irradiance)을 포함할 수 있다.
또한, 상기 경사면 일사량은, 상기 사이트들의 위치정보 및 시간정보에 기반하여 천문 요소값을 계산하고, 상기 천문 요소값에 기초하여 전천일사 추정치를 연산한 후, 상기 전천일사 추정치에 기초하여 직달일사 및 수평면확산일사 추정치를 계산하고, 상기 직달일사 및 수평면확산일사 추정치에 기초하여 연산될 수 있다.
한편, 상기 경사면 일사량은 경사면 일사량 빔(PoA Beam) 요소, 경사면 일사량 지상 반사(PoA ground reflected) 요소, 경사면 일사량 공중 확산(PoA Sky-diffuse) 요소를 포함하고, 상기 유효일사량은 하기 수학식 13에 따라 결정될 수 있다.
(수학식 13)
Ee= Eb * aoi_modifier +Eg + Ed
(여기서, Ee= 는 유효일사량, Eb 는 경사면 일사량 빔 요소, Eg는 경사면 일사량 지상 반사 요소, 또한, Ed는 경사면 일사량 공중 확산 요소이고, aoi_modifier는 상기 태양광 모듈 어레이를 실험하여 구한 상수)
또한, 상기 발전량 추정치는, 하기 수학식 14에 따라 결정될 수 있다.
(수학식 14)
(여기서, Ee는 유효일사량, E0 은 1000W/m2, Pmp는 DC 전력 추정치, Pmp0는 DC 정격 출력 전압에서의 기준 전력, γ는 태양광 모듈 어레이에서 실험으로 결정되는 상수, Tc는 표면온도, T0는 기준온도 (섭씨 25도))
한편, 상기 복수의 기계학습 모델은 랜덤 포레스트(Random Forest) 및 LSTM(Long Short Term Memory)을 포함할 수 있다.
이 때, 상기 랜덤 포레스트 모델의 입력데이터는 과거 발전량, 주요 기상요소, 일사량 추정치, 기준적인 DC/AC 전력, 시간 정보 및 발전량추정치를 입력데이터로 하고, 상기 랜덤 포레스트 모델의 출력 데이터는 물리 모델에 기초한 발전량예측치이며, 상기 랜덤 포레스트 모델은 상기 입력 데이터와 상기 출력 데이터의 관계로부터 복수의 트리 모델을 생성하고, 각각 트리 모델에 따라 예측된 발전량 예측값에 기초하여 최종 발전량 예측값을 예측할 수 있다.
또한, 상기 LSTM 모델은 예측 대상 시점을 포함한 k 스텝(단, k는 자연수)의 입력 요소의 값을 시계열적인 인공신경망 구조를 이용하여 기계학습에 근거한 예측값을 연산하며, 상기 입력 요소의 값은 과거 발전량, 주요 기상요소, 일사량 추정치, 기준적인 DC/AC 전력, 물리 모델에 기초한 발전량 추정치 및 시간 정보에 대한 k 스텝 시계열 값이고, 출력 요소는 특정 시점 또는 특정시점으로부터 연속한 t 스텝(단, t는 자연수)에 대한 발전량 예측값일 수 있다.
기타 실시예들의 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.
본 발명의 실시예들에 따르면, 태양광 모듈 어레이의 사이트별 발전량을 정확하게 예측할 수 있는 예측시스템이 제공된다.
또한, 본 발명의 실시예들에 따르면, 물리 모델을 입력으로 활용하여 기존 인공지능 기반 기계 학습을 통한 예측의 정확도를 현저하게 향상시킬 수 있다.
도 1은 본 발명의 일 실시 예에 따른 태양광 발전량 예측 시스템의 개략적인 도면을 설명하기 위한 블록도이다.
도 2는 본 발명의 일 실시 예에 따른 예측 서버의 구성을 설명하기 위한 블록도이다.
도 3은 본 발명의 일 실시예에 따른 예측 시스템의 동작을 설명하기 위한 흐름도이다.
도 4는 본 발명의 일 실시예에 따른 물리 모델 연산을 설명하기 위한 흐름도이다.
도 2는 본 발명의 일 실시 예에 따른 예측 서버의 구성을 설명하기 위한 블록도이다.
도 3은 본 발명의 일 실시예에 따른 예측 시스템의 동작을 설명하기 위한 흐름도이다.
도 4는 본 발명의 일 실시예에 따른 물리 모델 연산을 설명하기 위한 흐름도이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 도면에서 표시된 구성요소의 크기 및 상대적인 크기는 설명의 명료성을 위해 과장된 것일 수 있다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭하며, "및/또는"은 언급된 아이템들의 각각 및 하나 이상의 모든 조합을 포함한다.
본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다.
비록 제1, 제2 등이 다양한 소자나 구성요소들을 서술하기 위해서 사용되나, 이들 소자나 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 소자나 구성요소를 다른 소자나 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 소자나 구성요소는 본 발명의 기술적 사상 내에서 제2 소자나 구성요소 일 수도 있음은 물론이다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.
후술하는 상세한 설명은 한정적인 의미로써 취하려는 것이 아니며, 본 발명의 범위는, 적절하게 설명된다면, 그 청구항들이 주장하는 것과 균등한 모든 범위와 더불어 첨부된 청구항에 의해서만 한정된다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭한다.
도 1은 본 발명의 일 실시 예에 따른 태양광 발전량 예측 시스템의 개략적인 도면을 설명하기 위한 블록도이다. 본 발명의 일 실시 예에 따른 태양광 발전량 예측 시스템(이하, 예측시스템이라함)은 예컨대, 외부 서버 또는 데이터베이스(300)로부터 기온, 일사량 등의 태양광 발전량 예측에 필요한 데이터를 입력받아. 특정 시간/지역의 태양광 발전량을 예측하고, 가상 발전소(VPP)에 태양광 발전량 예측치를 제공하는 기능을 수행할 수 있다.
여기서, VPP는 예컨대, 가정용 태양광과 같이 분산되어 있는 소규모 에너지 발전, 축전지, 연료전지 등 발전 설비와 전력 수요를 클라우드 기반으로 소프트웨어적으로 통합 관리하는 가상의 발전소를 의미한다. VPP는 관련한 발전 설비에서의 발전량을 예측하여 전력 수요를 만족시키는 전력량을 공급해야 하기 때문에 정확한 발전량을 예측하는 것이 필수적이다.
이와 관련하여 최근 뉴럴 네트워크 등의 기계 학습 수단을 통하여 정확한 발전량 예측을 도출하려고 하는 연구들이 한창 진행 중이다. 이러한 기계 학습을 이용한 발전량 예측 모델들은 위의 선행기술문헌 1 및 2와 같이 외기온도, 일사량, 습도 등과 관련된 다양한 기후요소와 모듈의 오염도, 모듈온도 등과 같은 기계의 물리적 변화를 포함하는 다양한 요소들을 기계 학습의 입력데이터로서 사용하고 있다. 이 경우, 입력데이터에 대한 노이즈 제거, 데이터 정규화, 포맷의 변경 등의 간략한 데이터 전처리를 통하여 입력하고 예측 알고리즘에 대해서는 별도의 고민 없이 뉴럴 네트워크 등의 기계 학습의 최적화에 의존하여 예측을 실행하고 있다. 단, 이러한 경우에 기계 학습에 의한 예측의 성능이 매우 떨어지기 때문에 상업적으로 활용하기가 매우 어려웠다. 특히, 정밀한 예측값을 기반으로 동작해야 하는 가상발전소(VPP) 또는 분산형전원/분산자원(DERMS) 등에서 기계 학습에 의한 예측을 상업적으로 활용하기에는 예측의 정확도가 크게 떨어졌다.
본 발명는 물리적/수학적 모델링을 통해 처리된 데이터를 기계 학습의 입력으로 활용하여 가상발전소(VPP) 또는 분산형전원/분산자원(DERMS) 등에 상업적으로 활용가능한 정확한 발전량 예측을 제공하는 것을 목적으로 한다.
도 1에 따르면, 본 발명의 일 실시예에 따른 예측시스템(1000)은 연결된 태양광 발전 설비(10)로부터 태양광 모듈 어레이(11)의 실제 발전량을 입력받는다.
구체적으로, 본 발명의 일 실시예에 따른 예측시스템(1000)은 실제 태양광 발전량에 대한 데이터를 수신할 수 있는 RTU(100-1), 예측 서버(200), 데이터베이스(300) 및 태양광 모듈 어레이(11) 근방에 설치된 각종 센서류(350)를 포함할 수 있다. 이 경우, 예측 시스템(1000)은 태양광 발전 설비(10) 및 전력 판매 및 구매 시스템(400)과 연결될 수 있다.
태양광 발전 설비(10)는 태양광 모듈 어레이(11), 접속반(12) 및 인버터(13)를 포함할 수 있으며, 본 발명의 일 실시 예에서는 도 1과 같이 도시하였으나 각 구성의 결합방식은 설계자에 의해 용이하게 변경될 수 있다.
태양광 모듈 어레이(11)는 표면으로 입사되는 태양광을 전기에너지로 변환하는 복수 개의 태양전지 모듈이 직렬 또는 병렬로 연결되어 있다. 태양광 모듈 어레이(11)는 직류전류를 출력하여 접속반(12)에 제공할 수 있으며, 하나의 접속반(12)에 복수 개의 태양광 모듈 어레이(11)가 연결될 수 있다.
접속반(12)은 태양광 모듈별, 시간대별 전압 정보 및 전류 정보를 측정할 수 있다. 접속반(12)에는 복수 개의 태양광 모듈 어레이(11)가 병렬로 연결될 수 있다. 접속반(12)은 태양광 모듈 어레이(11)와 인버터(13-1)를 연결하여 태양광 모듈 어레이(11)에서 발생되는 직류 전력을 직/병렬로 연결하여 수집할 수 있다. 하나의 인버터(13-1)에는 적어도 하나 이상의 접속반(12)이 연결될 수 있다.
인버터(13)는 복수 개의 접속반(12)과 케이블 등으로 연결되어 직류 전력을 공급받을 수 있다. 또한, 인버터(13-1)는 접속반(12)에서 직류 형태로 제공되는 발전 전력을 교류로 변환시켜 계통전원을 통하여 송전할 수 있도록 한다. 이 때 인버터에서 생성한 교류 전력에 관한 정보는 사이트별로 RTU(Remote Terminal Unit, 100-1 ?? 100-n)을 통하여 예측 시스템에서 실시간 모니터링할 수 있다. RTU(100-1)는 예측시스템(1000)의 예측 서버(200)에서 예측에 필요한 태양광 모듈 어레이(11)들의 실제 발전량을 데이터베이스(300)에 저장할 수 있다. RTU(100-1)와 인버터(13-1)는 유/무선 통신 수단을 통해 연결될 수 있다.
또한, 예측 서버(200)는 태양광 모듈 셀의 표면 온도, 태양광 모듈 어레이(11)의 사이트 온도, 습도 풍향 등의 정보는 태양광 모듈 어레이 주변에 설치된 센서(350)로부터 획득할 수 있다.
이하에서는 도 2를 참조하여, 예측 서버(200)의 구성에 대하여 상세히 설명한다.
도 2에 따르면, 본 발명의 일 실시예에 따른 예측 서버(200)는 예측부(210), 프로세서(220), 통신부(230)을 포함하고, 예측부(210)는 데이터 수집부(211), 데이터 전처리부(212), 물리 모델 연산부(213), 발전량 추정 연산부(214), 기계학습연산부(215) 및 제어부(216)를 포함할 수 있다.
예측부(210)는 예측시 필요한 데이터들을 수집하고, 각종 물리 모델 및 발전량 추정치를 연산하고 기계 학습을 통하여 최종적인 사이트별 발전량 예측을 수행한다.
보다 구체적으로, 예측부(210)의 데이터 수집부(211)는 발전량 예측시 필요한 데이터를 데이터베이스(300) 또는 기상청 등의 외부 서버로부터 수집한다. 이 경우, 예측시 필요한 데이터들은 외기온도, 일사량, 습도 등과 관련된 다양한 기후요소와 모듈과 관련된 각종 상수 및 태양광 모듈의 셀온도 등과 같은 태양광 모듈 어레이(11)의 물리적 특성 및 RTU(100-1)로부터 실제 연결된 태양광 모듈 어레이(11)에서 생성된 발전량을 포함한다. 여기서 태양광 모듈의 셀온도는 센서를 통하여 측정한 데이터 뿐만 아니라, 물리 모델을 통하여 연산된 셀온도 추정값을 활용할 수 있다.
한편, 데이터 전처리부(212)는 예측에 사용할 특성을 선택하고, 수집된 데이터 중 이상값을 제거하거나, 또는 누락값을 채울 수 있다. 또는, 데이터 전처리부(212)는 각 특성에 맞는 스케일링 예컨대, 발전량을 용량으로 나누어 용량당 발전량을 구하거나, 0과 1 사이의 구간으로 선형변환, 평균과 분산으로 정규화 등의 다양한 데이터 전처리 작업을 수행할 수 있다.
물리 모델 연산부(213)는 태양광 모듈 어레이(11)의 패널에 직접적으로 인가되는 경사면 일사량 추정치(PoA, Plane of Array) 및 유효일사량(Effective Irradiance) 등의 물리 모델값들을 산출하는 모듈이다.
발전량 추정 연산부(214)는 태양광 모듈 셀 온도 및 유효일사량에 기초하여 및 DC 또는 AC 전력의 추정치(발전량 추정치)를 연산한다.
기계학습연산부(215)는 랜덤 포레스트(Random Forest, 215-1) 또는 LSTM 모델(215-2) 등의 기계 학습 모델을 사용하여 사이트별 예측 모델을 생성하고, 예측 모델을 통하여 기계 학습 예측치를 생성할 수 있다. 예를 들어, 기계학습연산부(215)는 기계 학습부에서 학습된 데이터, 예컨데, 뉴럴 네트워크를 통하여 학습된 신경망을 통하여 입력 데이터를 입력하여 예측값을 연산할 수 있다. 또는 기존 데이터들을 이용하여 복수 개의 트리 모형을 생성하고, 여러 개의 트리 모형에서 생성한 예측값을 평균하여 최종적인 예측치를 생성할 수 있다.
제어부(216)는 예측 모델의 기계 학습과 추론에 사용할 설정값들을 별도로 설정할 수 있다. 또한, 학습과 추론에 사용할 설정값들은 학습에 사용할 기간, 사용할 예측 모델 및 예측에 사용할 기간을 포함한다. 사이트별 사용할 예측 모델은 예컨대, 사용할 예측 모델의 경우에는 해당 사용할 기간의 해당 사이트에서의 예측치와 실제 생산 전력의 차이에 기초하여 결정될 수 있다.
이 경우, 데이터 수집부(211), 데이터 전처리부(212), 물리 모델 연산부(213), 발전량 추정 연산부(214), 기계학습연산부(215) 및 제어부(216)는 소프트웨어 모듈, 하드웨어 모듈 또는 소프트웨어 모듈 및 하드웨어 모듈의 결합으로 구현될 수 있다. 프로세서(220)는 데이터 수집부(211), 데이터 전처리부(212), 물리 모델 연산부(213), 발전량 추정 연산부(214) 또는 기계학습연산부(215)가 소프트웨어 모듈 또는 소프트웨어 모듈 및 하드웨어 모듈의 결합인 경우에 적어도 일부의 소프트웨어를 실행할 수 있다.
통신부(230)는 외부 서버 또는 데이터 베이스(300)로부터의 데이터를 수집하거나, 또는 전력 판매 및 구매 시스템(400)에 예측치를 전송할 수 있다.
이하에서는 도 3 내지 도 5를 참조하여, 본 발명의 일 실시예에 따른 예측시스템(1000)의 태양광 발전량 예측 동작에 대하여 상세하게 설명한다.
도 3을 참조하면, 예측시스템(1000)은 발전량 데이터 및 주요 기상 데이터를 수집한다. (S310)
보다 상세하게, 예측 서버(200)의 데이터 수집부(211)는 정해진 시간 간격의 발전량 데이터, 예컨대, 15분 또는 1시간 간격의 발전량 데이터를 RTU(100)를 통하여 획득할 수 있다.
또한, 데이터 수집부(11)는 주요 기상 요소 값을 획득할 수 있다. 이 때, 데이터 수집부(211)는 기상청 서버로부터 또는 각종 센서류(350)로부터 주요 기상 요소 값을 획득할 수 있다. 예컨대, 기상요소값은 기온, 습도, 운량, 풍속, 풍향 등의 요소를 포함하며, 기상청 서버의 경우에는 관측 뿐 아니라 예보 데이터도 제공하므로 추론 과정에는 예보값을 사용할 수도 있다.
그 후, 물리 모델 연산부(213)는 관측 지점(즉, 태양광 모듈 어레이 설치 지점)에 대한 물리 모델을 연산한다. (S320) 보다 상세하게, 물리 모델 연산부(213)는 기상요소 값과 관측지점에 대한 지리적 정보, 대상 시점에 대한 정보로부터 해당 태양광 모듈 어레이(11)에 직접적으로 인가될 일사량 추정치를 연산한다.
물리 모델 연산을 설명하기 위하여 도 4를 참조하면, 물리 모델 연산부(213)는 지리적 위치정보와 시간정보에 기반하여 태양의 위치와 관련된 천문 요소값을 계산한다. (S410) 이 때 사용되는 천문 요소 값들은 태양시(local solar time), 균시차(equation of time), 방위각(azimuth angle), 천정각(zenith angle), 고도각(elevation angle), AOI (Angle of Incidence), 에어매스(air mass) 등이다.
한편, 물리 모델 연산부(213)는 천문 요소값들이 연산되면, 기상 요소값과 이론적 천문 요소 값으로부터 전천일사(GHI, Global Horizontal Irradiance) 추정치를 계산한다. (S420) 구체적으로는 추정치 연산은 기온, 습도, 풍속, 운량 등의 기상요소 값에 계수를 곱하여 합산한 선형결합으로 계산한다. 사용되는 계수는 해당 태양광 모듈 어레이(11)의 설치 지역에서 실험적으로 얻어낸 값을 사용한다.
(수학식 1)
GHI 추정치 = 태양상수 * sin(해당 지역의 태양고도각) * (C0 + C1 * 운량 + C2 * 운량2 + C3 * (현재기온 - 3시간전 기온) + C4 * 상대습도 + C5 * 풍속) + D
(이 때, C0 내지 C5 및 D는 연산하고자 하는 태양광 모듈 어레이(11)의 위치에 따라 미리 결정된 지역에서 실험적으로 얻어낸 계수)
그리고, 물리 모델 연산부(213)는 이론적 천문 요소값과 전천일사 추정치로부터 직달일사(DNI, Direct Normal Irradiance) 추정치 및 수평면확산일사(DHI, Diffuse Horizontal Irradiance) 추정치를 계산한다. (S430) 구체적으로는 물리 모델 연산부(213)는 청명계수와 청명기준계수를 구하고, 이 두 값의 관계에 따라 날씨가 맑은지(청천공) 아니면 흐린지(담천공) 인지를 판단하고, 이에 따라 산란일사율을 계산한다. 또한, 물리 모델 연산부(213)는 청명계수와 청명기준계수를 이용하여 산란일사율을 구하고, 산란일사율에 기초하여 직달일사 및 수평면확산일사의 추정치를 계산한다.
(수학식 2)
청명계수 = GHI / (태양상수 * sin(해당 지역의 태양고도각))
청명기준계수 = 0.4268 + 0.1934 *sin(해당 지역의 태양고도각)
여기서, 산란일사율은 하기 (수학식 3) 또는 (수학식 4)와 같이 구한다.
(수학식 3)
산란일사율 = 청명계수 - (1.107 + 0.03569 * sin(태양고도각) + 1.1681 * sin2(태양고도각)) * (1 - 청명계수)3 (청명계수 >= 청명기준계수 인 경우 (청천공))
(수학식 4)
산란일사율 = (3.996 - 3.862 * sin(태양고도각) + 1.540 * sin2(태양고도각)) * (청명계수)3 (청명계수 < 청명기준계수 인 경우 (담천공))
직달일사 및 수평면확산일사의 추정치는 하기 수학식 5 및 수학식 6과 같이 구한다.
(수학식 5)
DNI 추정치 = 태양상수 * sin(태양고도각) * 산란일사율 * (1 - 청명계수) / (1 - 산란일사율)
(수학식 6)
DHI 추정치 = 태양상수 * sin(태양고도각) * (청명계수 - 산란일사율) / (1 - 산란일사율)
그리고, 물리 모델 연산부(213)는 전천일사, 직달일사 및 수평면확산일사의 추정치와 이론적 천문요소값, 태양광 패널의 설치 방향과 각도 정보 등을 이용하여 경사면 일사량 (PoA, Plane of Array) 요소들(PoA beam, PoA sky diffuse, PoA ground reflected 등)의 추정치를 계산한다. (S440)
경사면 일사량(EPoA)는 하기 수학식과 같이 구할 수 있다.
(수학식 7)
EPoA = Eb +Eg + Ed
여기서, Eb는 경사면 일사량 빔(PoA Beam) 요소, Eg는 경사면 일사량 지상 반사(PoA ground reflected) 요소, Ed는 경사면 일사량 공중 확산(PoA Sky-diffuse) 요소이다.
Eb는 예컨대, 하기와 같이 직달일사 및 입사각(AOI)에 기초하여 산출할 수 있다.
(수학식 8)
Eb =DNI * cos(AOI)
AOI=cos-1[cos(
z)cos(
T)+sin(
T)sin(
z)cos(
A - 
A.array)]
이 때, 
A 및 
z는 각각 태양의 방위각 및 천정각이고, 
T 및 
A,array는 태양광 모듈 어레이(11)의 경사 및 방위각이다.
한편, 경사면 일사량 지상 반사 요소는 하기 수학식 9와 같이 구할 수 있다.
(수학식 9)
Eg=GHI * (해당 지역의 지표 반사율(Albedo))*(1-cos(
T.surf))/2
여기서, 
T.surf는 지표면과 태양광 모듈 어레이(11)가 이루는 각이다.
한편. Ed는 하기 수학식 10과 같이 연산될 수 있다.
(수학식 10)
(수학식 11)
이 경우, 
값은 라디언 단위로는 1.041, 도(degree) 단위로는 5.535*10-6인 상수이다.
한편, 
값은 아래 수학식 12와 같이 정의된다.
(수학식 12)
이 경우, AMa는 에어매스값을 의미하고, Ea는 외계 방사선을 의미한다.
또한, f11 내지 f23의 계수는 청명 정도(bins of clearness(ε))에 따라 아래와 같이 정해진다. 청명 정도는 ε값에 따라 아래와 같이 구간이 정해진다.
 |
최소값 | 최대값 |
| 1 흐림 | 1 | 1.065 |
| 2 | 1.065 | 1.230 |
| 3 | 1.230 | 1.500 |
| 4 | 1.500 | 1.950 |
| 5 | 1.950 | 2.800 |
| 6 | 2.800 | 4.500 |
| 7 | 4.500 | 6.200 |
| 8 맑음 | 6.200 | ― |
또한, 구간 별로 f11 내지 f23의 계수는 아래와 같이 정해진다.
 |
f11 | f12 | f13 | f21 | f22 | f23 |
| 1 | -0.008 | 0.588 | -0.062 | -0.06 | 0.072 | -0.022 |
| 2 | 0.13 | 0.683 | -0.151 | -0.019 | 0.066 | -0.029 |
| 3 | 0.33 | 0.487 | -0.221 | 0.055 | -0.064 | -0.026 |
| 4 | 0.568 | 0.187 | -0.295 | 0.109 | -0.152 | -0.014 |
| 5 | 0.873 | -0.392 | -0.362 | 0.226 | -0.462 | 0.001 |
| 6 | 1.132 | -1.237 | -0.412 | 0.288 | -0.823 | 0.056 |
| 7 | 1.06 | -1.6 | -0.359 | 0.264 | -1.127 | 0.131 |
| 8 | 0.678 | -0.327 | -0.25 | 0.156 | -1.377 | 0.251 |
그리고, PoA 추정치(EPOA)에 기초하여 유효일사량(Effective Irradiance, Ee)을 연산한다. (S450)
(수학식 13)
Ee= Eb * aoi_modifier +Eg + Ed
여기서, aoi_modifier는 태양광 모듈 어레이(11)를 직접적으로 실험하여 구하는 값으로 경험칙상의 상수이다.
다시 도 3을 참조하면, 유효일사량 및 태양광 모듈 어레이(11)의 셀 온도 추정치에 기초하여 DC 전력 추정치가 연산된다. (S330)
(수학식 14)
이 때, E0 은 1000W/m2, Pmp는 DC 전력 추정치, Pmp0는 DC 정격 출력 전압에서의 기준 전력, γ는 태양광 모듈 어레이(11)에서 실험으로 결정되는 상수, Tc는 표면온도, T0는 기준온도 (섭씨 25도)를 의미한다. 그리고, DC파워 추정치와 인버터 정보 (효율, 손실율 등) 로부터 AC 전력 추정치를 연산한다.
또한, 연산된 각종 물리 모델 및 발전량 예측 모델에 시간 정보를 추가한다. 이 경우, 시간 정보는 DoY(Day of Year) 및 ToD(Time of Day)를 포함할 수 있다.
연산된 각종 물리 모델에 기초한 발전량 예측치들은 기계 학습을 위하여 데이터 전처리 과정이 진행된다. (S340)
예컨대, 데이터 전처리 과정에서는 예측에 사용할 특성을 선택하거나, 이상값을 제거하거나, 누락값을 채우거나 또는 각 기계 학습의 입력데이터의 특성에 맞는 스케일링을 진행할 수 있다. 상술한 스케일링은 예컨대 발전량을 용량으로 나누어 스케일링 하거나 또는 0-1 구간으로 선형변환 하거나 또는 평균과 분산으로 정규화는 과정을 거칠 수 있다. 또는 상술한 데이터 전처리 과정에서는 원 핫 인코딩 등의 필요에 따른 변환이 이루어질 수 있다.
한편, 데이터의 전처리가 이루어진 후에는, 연산된 데이터들을 입력으로 사용하여 예측 모델을 기계 학습(S350)한 후 발전량을 예측(S360)한다. 이 때, 예측 모델은 사이트 별로 생성할 수 있으며, 이 때, 제어부(216)는 사이트별 예측 모델의 학습과 추론에 사용할 설정 값들을 별도로 설정할 수 있다. 또한, 학습과 추론에 사용할 설정값들은 학습에 사용할 기간, 사용할 예측 모델 및 추론에 사용할 기간을 포함한다. 또한, 제어부(216)는 사이트별로 사용할 예측 모델을 선택할 수 있다. 이 경우, 선택은 실제 태양광 모듈 어레이(11)의 발전량과 예측치의 차이에 기초하여 결정할 수 있다.
이 경우, 사용할 모델의 경우에는 예컨대, 랜덤 포레스트(Random Forest) 및 LSTM 모델을 포함할 수 있다. 예측 대상 시점의 여러 입력 요소의 값으로 부터 동일한 시점의 발전량 예측값을 추론한다. 인접한 시점 간의 관계는 고려하지 않고, 특정 시점의 입력 데이터와 출력 데이터의 관계만을 고려한다. 과거 데이터로부터 이러한 관계를 설명하는 나무 형태의 반복적인 판단 기준(트리 모델)을 학습한다. 새로운 입력 데이터에 대해서 학습된 나무 형태의 반복적인 판단 기준에 따라 여러 노드 중 하나로 분류하고, 분류된 노드의 대표값으로 예측값을 추론한다. 여러 개의 나무 형태의 판단 기준을 사용하여 예측 값을 여러번 생성한 후 이들의 평균값을 사용하여 과적합을 막는다. 즉, 상기 입력 데이터와 상기 출력 데이터의 관계로부터 복수의 트리 모델을 생성하고, 복수의 트리 모델에 따라 예측된 발전량 예측값에 기초하여 최종 발전량 예측값을 예측한다. 이 경우, 입력 데이터는 과거 발전량, 주요 기상요소, 일사량 추정치, 기준적인 DC/AC 전력, 시간 정보 및 발전량추정치 등일 수 있으며, 출력 데이터는 물리 모델에 기초한 발전량예측치이다.
LSTM은 예측 대상 시점을 포함한 직전 k 스텝(단, k는 자연수)의 입력 요소의 값을 시간적인 연결관계(시계열적인)가 있는 인공신경망 구조를 이용하여 기계학습에 근거한 예측값을 연산한다. 입력 요소는 과거 발전량, 주요 기상요소, 일사량 추정치, 기준적인 DC/AC 전력, 물리 모델에 기초한 발전량 추정치, 시간 정보 등에 대한 k 스텝 시계열 값이다. 출력 요소는 단일한 시점 또는 연속한 t 스텝(단, t는 자연수)에 대한 발전량 예측값이다.
예측값이 생성되면, 사용자별, 사이트별 필요에 따라 예컨대, 스케일링 되돌리기 등의 후처리 과정을 거쳐서 예측된 발전량값을 적절한 형식과 절차로 전송할 수 있다.
따라서, 본 발명에 따르면, 태양광 모듈 어레이의 사이트별 발전량을 정확하게 예측할 수 있는 예측시스템이 제공된다.
또한, 본 발명의 실시예들에 따르면, 물리 모델을 입력으로 활용하여 기존 인공지능 기반 기계 학습을 통한 예측의 정확도를 현저하게 향상시킬 수 있다.
특히, 종래 기술에 따르면, 입력데이터에 대한 노이즈 제거, 데이터 정규화, 포맷의 변경 등의 간략한 데이터 전처리를 통하여 입력하고 예측 알고리즘에 대해서는 별도의 고민 없이 뉴럴 네트워크 등의 기계 학습의 최적화에 의존하여 예측을 실행하였다. 이러한 경우에 기계 학습에 의한 예측의 성능이 매우 떨어지기 때문에 상업적으로 활용하기가 매우 어려웠다. 특히, 정밀한 예측값을 기반으로 동작해야 하는 가상발전소(VPP) 또는 분산형전원/분산자원(DERMS) 등에서 기계 학습에 의한 예측을 상업적으로 활용하기에는 예측의 정확도가 크게 떨어졌다.
그러나, 본 발명에 따르면, 물리적/수학적 모델링을 통해 처리된 데이터를 기계 학습의 입력으로 활용하여 가상발전소(VPP) 또는 분산형전원/ 분산자원(DERMS) 등에 상업적으로 활용가능한 정확한 발전량 예측이 제공될 수 있다.
앞서 설명한 본 발명의 실시예들 중 적어도 일부는, 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능할 수 있다. 예를 들어, 도 2 내지 도 4에 도시된 예측 서버(200)의 동작은 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능할 수 있다.
컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함할 수 있다.
컴퓨터가 읽을 수 있는 기록매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장장치 등이 있으며, 또한 캐리어 웨이브(예를 들어 인터넷을 통한 전송)의 형태로 구현되는 것도 포함할 수 있다.
또한, 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어 구현됨으로써, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.
이상 첨부된 도면을 참조하여 본 발명의 실시예들을 설명하였으나, 본 발명은 상기 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 제조될 수 있으며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다.
100-1 ~ 100-n: RTU 200: 예측 서버
300: 데이터베이스 400: 전력 판매 및 구매 시스템
350: 센서 211: 데이터 수집부
212: 데이터 전처리부 213: 물리 모델 연산부
214: 발전량 추정 연산부 215: 기계학습연산부
216: 제어부 220: 프로세서
230: 통신부
300: 데이터베이스 400: 전력 판매 및 구매 시스템
350: 센서 211: 데이터 수집부
212: 데이터 전처리부 213: 물리 모델 연산부
214: 발전량 추정 연산부 215: 기계학습연산부
216: 제어부 220: 프로세서
230: 통신부
Claims (8)
- 외기온도 및 태양광 모듈 어레이의 셀온도를 포함하는 기후요소데이터 및 상기 태양광 모듈 어레이가 설치된 사이트들의 위치 데이터를 포함하는 필요 데이터를 수집하는 데이터 수집부;
상기 위치 데이터에 기초하여 연산된 천문 요소값에 기초하여 물리 모델값들을 산출하는 물리 모델 연산부;
상기 물리 모델값들에 기초하여 발전량 추정치를 연산하는 발전량 추정 연산부;
상기 발전량 추정치를 입력으로 하는 기계학습을 수행하고 기계학습의 결과에 기초하여 최종 발전량 예측치를 산출하는 기계학습 연산부; 및
상기 기계학습에 대한 설정값들을 설정하는 제어부를 포함하고,
상기 물리 모델값들은 경사면 일사량(PoA, Plane of Array) 및 유효일사량(Effective Irradiance)을 포함하며,
상기 경사면 일사량은, 상기 사이트들의 위치정보 및 시간정보에 기반하여 천문 요소값을 계산하고, 상기 천문 요소값에 기초하여 전천일사 추정치를 연산한 후, 상기 전천일사 추정치에 기초하여 직달일사 및 수평면확산일사 추정치를 계산하고, 상기 직달일사 및 수평면확산일사 추정치에 기초하여 연산되고,
상기 경사면 일사량은 경사면 일사량 빔(PoA Beam) 요소, 경사면 일사량 지상 반사(PoA ground reflected) 요소, 경사면 일사량 공중 확산(PoA Sky-diffuse) 요소를 포함하고, 상기 유효일사량은 하기 수학식 13에 따라 결정되며,
(수학식 13)
Ee= Eb * aoi_modifier +Eg + Ed
(여기서, Ee= 는 유효일사량, Eb 는 경사면 일사량 빔 요소, Eg는 경사면 일사량 지상 반사 요소, 또한, Ed는 경사면 일사량 공중 확산 요소이고, aoi_modifier는 상기 태양광 모듈 어레이를 실험하여 구한 상수)
상기 발전량 추정치는, 하기 수학식 14에 따라 결정되고,
(수학식 14)
(여기서, Ee는 유효일사량, E0 은 1000W/m2, Pmp는 DC 전력 추정치, Pmp0는 DC 정격 출력 전압에서의 기준 전력, γ는 태양광 모듈 어레이에서 실험으로 결정되는 상수, Tc는 표면온도, T0는 기준온도 (섭씨 25도))
상기 제어부는 상기 사이트들 각각에 대하여 복수의 기계학습 모델 중 어느 하나를 선택하고,
상기 복수의 기계학습 모델은 랜덤 포레스트(Random Forest) 및 LSTM(Long Short Term Memory)을 포함하며,
상기 기계학습모델의 입력데이터는 과거 발전량, 주요 기상요소, 일사량 추정치, 기준적인 DC/AC 전력, 시간 정보 및 발전량추정치가 되는,
태양광 발전량 예측 시스템. - 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 제1항에 있어서,
상기 랜덤 포레스트 모델의 입력데이터는 과거 발전량, 주요 기상요소, 일사량 추정치, 기준적인 DC/AC 전력, 시간 정보 및 발전량추정치를 입력데이터로 하고,
상기 랜덤 포레스트 모델의 출력 데이터는 물리 모델에 기초한 발전량예측치이며,
상기 랜덤 포레스트 모델은 상기 입력 데이터와 상기 출력 데이터의 관계로부터 복수의 트리 모델을 생성하고, 각각 트리 모델에 따라 예측된 발전량 예측값에 기초하여 최종 발전량 예측값을 예측하는,
태양광 발전량 예측 시스템. - 제1항에 있어서,
상기 LSTM 모델은 예측 대상 시점을 포함한 k 스텝(단, k는 자연수)의 입력 요소의 값을 시계열적인 인공신경망 구조를 이용하여 기계학습에 근거한 예측값을 연산하며,
상기 입력 요소의 값은 과거 발전량, 주요 기상요소, 일사량 추정치, 기준적인 DC/AC 전력, 물리 모델에 기초한 발전량 추정치 및 시간 정보에 대한 k 스텝 시계열 값이고, 출력 요소는 특정 시점 또는 특정시점으로부터 연속한 t 스텝(단, t는 자연수)에 대한 발전량 예측값인,
태양광 발전량 예측 시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210045837A KR102338515B1 (ko) | 2021-04-08 | 2021-04-08 | 인공지능 기반 태양광 발전량 예측 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210045837A KR102338515B1 (ko) | 2021-04-08 | 2021-04-08 | 인공지능 기반 태양광 발전량 예측 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102338515B1 true KR102338515B1 (ko) | 2021-12-13 |
Family
ID=78831817
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210045837A KR102338515B1 (ko) | 2021-04-08 | 2021-04-08 | 인공지능 기반 태양광 발전량 예측 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102338515B1 (ko) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102520255B1 (ko) * | 2022-10-26 | 2023-04-10 | (주) 티이에프 | 태양광 발전량 예측 시스템 및 방법 |
| CN116760029A (zh) * | 2023-08-15 | 2023-09-15 | 国网浙江省电力有限公司宁波供电公司 | 乡村屋顶光伏发电供电方法、系统、计算设备及存储介质 |
| KR102579314B1 (ko) * | 2022-11-21 | 2023-09-18 | (주)한빛이노텍 | 태양광 발전 이상의 연속성을 판단 및 제어하는 관리 시스템 |
| CN116846049A (zh) * | 2023-06-28 | 2023-10-03 | 湖南旭联科技有限公司 | 一种光伏储能系统的智能充电方法 |
| KR20240075117A (ko) | 2022-11-21 | 2024-05-29 | 이지훈 | 인공지능을 활용한 발전설비의 유지보수 관리 플랫폼 |
| KR20240076015A (ko) | 2022-11-23 | 2024-05-30 | 포항공과대학교 산학협력단 | 설명가능한 인공지능 모델 기반 태양광 발전량 예측 방법 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101882106B1 (ko) | 2016-12-22 | 2018-08-24 | 전자부품연구원 | 태양전지모듈 발전량 예측방법 및 예측장치 |
| KR20190065107A (ko) * | 2017-12-01 | 2019-06-11 | 한국전자통신연구원 | 태양광 발전량 예측 장치 및 그 방법 |
| KR102159692B1 (ko) | 2018-11-13 | 2020-09-24 | 주식회사 에코시안 | 빅데이터 분석을 통한 태양광 발전량 예측 장치 및 방법 |
-
2021
- 2021-04-08 KR KR1020210045837A patent/KR102338515B1/ko active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101882106B1 (ko) | 2016-12-22 | 2018-08-24 | 전자부품연구원 | 태양전지모듈 발전량 예측방법 및 예측장치 |
| KR20190065107A (ko) * | 2017-12-01 | 2019-06-11 | 한국전자통신연구원 | 태양광 발전량 예측 장치 및 그 방법 |
| KR102159692B1 (ko) | 2018-11-13 | 2020-09-24 | 주식회사 에코시안 | 빅데이터 분석을 통한 태양광 발전량 예측 장치 및 방법 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102520255B1 (ko) * | 2022-10-26 | 2023-04-10 | (주) 티이에프 | 태양광 발전량 예측 시스템 및 방법 |
| KR102579314B1 (ko) * | 2022-11-21 | 2023-09-18 | (주)한빛이노텍 | 태양광 발전 이상의 연속성을 판단 및 제어하는 관리 시스템 |
| KR20240075117A (ko) | 2022-11-21 | 2024-05-29 | 이지훈 | 인공지능을 활용한 발전설비의 유지보수 관리 플랫폼 |
| KR20240076015A (ko) | 2022-11-23 | 2024-05-30 | 포항공과대학교 산학협력단 | 설명가능한 인공지능 모델 기반 태양광 발전량 예측 방법 |
| CN116846049A (zh) * | 2023-06-28 | 2023-10-03 | 湖南旭联科技有限公司 | 一种光伏储能系统的智能充电方法 |
| CN116846049B (zh) * | 2023-06-28 | 2024-02-02 | 湖南旭联科技有限公司 | 一种光伏储能系统的智能充电方法 |
| CN116760029A (zh) * | 2023-08-15 | 2023-09-15 | 国网浙江省电力有限公司宁波供电公司 | 乡村屋顶光伏发电供电方法、系统、计算设备及存储介质 |
| CN116760029B (zh) * | 2023-08-15 | 2024-01-12 | 国网浙江省电力有限公司宁波供电公司 | 乡村屋顶光伏发电供电方法、系统、计算设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102338515B1 (ko) | 인공지능 기반 태양광 발전량 예측 시스템 | |
| CN108879793B (zh) | 一种风光蓄能水电站互补的离网式混合能源系统优化方法 | |
| US20110282514A1 (en) | Systems and methods for forecasting solar power | |
| Zhao et al. | Optimal PV panel tilt angle based on solar radiation prediction | |
| Yang et al. | A novel ARX-based multi-scale spatio-temporal solar power forecast model | |
| Guo et al. | An ensemble solar power output forecasting model through statistical learning of historical weather dataset | |
| Kumar et al. | Techno-economic optimization and real-time comparison of sun tracking photovoltaic system for rural healthcare building | |
| KR102338519B1 (ko) | 실시간 신재생에너지 발전량 추정 시스템 | |
| Chung | Estimating solar insolation and power generation of photovoltaic systems using previous day weather data | |
| Naing et al. | Estimation of solar power generating capacity | |
| Ioakimidis et al. | Solar production forecasting based on irradiance forecasting using artificial neural networks | |
| Tapakis et al. | Performance evaluation of a photovoltaic park in Cyprus using irradiance sensors. | |
| Mansouri Kouhestani et al. | A comprehensive assessment of solar and wind energy potential at the University of Lethbridge campus, a medium-sized western Canadian university | |
| Al-Sharafi et al. | Overall performance index for hybrid power plants | |
| Sahoo et al. | Energy forecasting for grid connected MW range solar PV system | |
| Odungat et al. | Estimation of system efficiency and utilisation factor of a mirror integrated solar PV system | |
| KR102379984B1 (ko) | 신재생에너지 발전 관리 시스템 | |
| 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 | |
| Bálint et al. | Model-based power generation estimation of solar panels using weather forecast for microgrid application | |
| Thomas | Optimisation Method for the clear sky PV forecast using power records from arbitrarily oriented panels | |
| Petreuş et al. | Evaluation of the PV energy production determined by measurements, simulation and analytical calculations | |
| Bracale et al. | An improved Bayesian-based approach for short term photovoltaic power forecasting in smart grids | |
| CN117663503B (zh) | 一种智能调节熔盐储热速率的方法及系统 | |
| Pramanick et al. | Performance and degradation assessment of two different solar PV cell technologies in the remote region of Eastern India | |
| Fen et al. | A Novel Model for Daily Energy Production Estimation of Grid-Connected Photovoltaic System |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| GRNT | Written decision to grant |