KR102363732B1 - 태양광 발전량 예측 시스템 - Google Patents

태양광 발전량 예측 시스템 Download PDF

Info

Publication number
KR102363732B1
KR102363732B1 KR1020200079416A KR20200079416A KR102363732B1 KR 102363732 B1 KR102363732 B1 KR 102363732B1 KR 1020200079416 A KR1020200079416 A KR 1020200079416A KR 20200079416 A KR20200079416 A KR 20200079416A KR 102363732 B1 KR102363732 B1 KR 102363732B1
Authority
KR
South Korea
Prior art keywords
information
current
solar power
database
facility
Prior art date
Application number
KR1020200079416A
Other languages
English (en)
Other versions
KR20210074167A (ko
Inventor
이영호
이근용
간볼드니암수렌
Original Assignee
엔라이튼 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 엔라이튼 주식회사 filed Critical 엔라이튼 주식회사
Publication of KR20210074167A publication Critical patent/KR20210074167A/ko
Application granted granted Critical
Publication of KR102363732B1 publication Critical patent/KR102363732B1/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • H02S40/00—Components or accessories in combination with PV modules, not provided for in groups H02S10/00 - H02S30/00
    • H02S40/30—Electrical components
    • H02S40/32—Electrical components comprising DC/AC inverter means associated with the PV module itself, e.g. AC modules
    • 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
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Abstract

본 발명은 태양광 발전량 예측 시스템에 관한 것으로 기상청을 포함한 기상을 전문적으로 예측하는 기관으로부터 태양광 발전소의 예측기상정보를 수신하여 저장되는 예측기상 데이터베이스와 관리자 단말기로부터 상기 태양광 발전소의 설비정보를 수신하여 저장되는 설비 데이터베이스와 상기 태양광 발전소에 설치된 전천촬영장치로부터 전천정보를 수신하여 저장되는 전천 데이터베이스 및 상기 태양광 발전소에 설치된 센서들로부터 현재기상정보를 수신하여 저장되는 현재기상 데이터베이스를 포함하는 데이터베이스와 상기 전천정보와 상기 설비정보를 기반으로 전천정보와 발전량의 상관관계를 도출하여 전천패턴정보를 생성하는 전천패턴 학습모듈과 상기 예측기상정보와 상기 현재기상정보를 기반으로 상기 예측기상정보의 오차를 보정하여 예측기상 보정정보를 생성하는 기상보정 학습모듈을 포함하는 머신러닝모듈 및 상기 전천패턴정보와 상기 예측기상 보정정보 및 상기 설비정보를 통하여 미래시점에 대한 상기 태양광 발전소의 예측 발전량을 산출하고, 이를 사용자 단말기로 출력하는 발전량 예측모듈을 포함한다.

Description

태양광 발전량 예측 시스템{Photovoltaic Generation Forecasting System}
본 발명은 태양광 발전량 예측 시스템에 관한 것이다.
일반적으로 태양광 발전이란 빛의 조사에 의해 반도체나 전해질 용액의 계면에 기전력이 발생하는 광기전 효과(photovoltaic effect)를 이용하여, 태양으로부터 오는 빛을 전기 에너지로 변환하는 발전 방법을 의미한다.
이러한 태양광 발전은 화석원료 등의 기존 에너지원과는 달리 지구 온난화를 유발하는 온실가스 배출, 소음, 환경파괴 등의 위험성이 없는 청정 에너지원이며 고갈의 염려도 없다.
또한, 태양광 발전은 여타 풍력이나 해수력 등의 신재생 에너지와 대비하여 설치에 대한 제약이 비교적 자유롭고 유지비용이 저렴하다는 장점을 갖는다.
그러나, 이러한 태양광 발전은 날씨에 따라 출력 편차가 크며, 온도에 따라 효율성이 감소되는 단점을 가지고 있으므로 안정적인 전력계통의 운영과 발전의 지속적인 보급을 위하여 발전량 예측은 매우 중요한 기술이다.
즉, 태양광 발전소의 정확한 발전량이 예측된다면 전력시장에서의 전력거래와 전력계통의 기획운영이 보다 용이하게 이루어질 수 있다.
이에 따라, 근래에 들어 태양광 발전소의 발전량을 예측하기 위한 다양한 기술들이 개발되고 있다.
이에 대한 선행기술로는 대한민국 공개특허공보 제10-2019-0131808호(공개일 2019.11.27)에 개시되어 있는 태양광 발전기의 발전량 예측 방법이 있다.
이러한 종래의 태양광 발전기의 발전량 예측 장치 및 방법은 도 1에 도시되어 있는 바와 같이 기상청 등으로부터 수집한 기상정보를 통하여 발전량을 예측함에 따라, 태양광 발전기 설비에 따른 발전량의 영향은 반영하지 못하는 문제점이 있다.
보다 구체적으로 종래의 태양광 발전기의 발전량 예측 방법은 태양광 발전기의 발전량을 예측하기 위해 필요한 기상 정보를 수집하는 단계와 상기 수집된 기상 정보를 이용하여 상기 태양광 발전기의 발전량을 예측하고자 하는 측정 시점에서의 기온 변화율을 계산하는 단계와 상기 계산된 기온 변화율을 이용하여 상기 측정 시점에서의 예측 기온을 결정하는 단계와 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 포함한다.
즉, 종래의 태양광 발전기의 발전량 예측 방법은 기상 정보를 통하여 기온 변화율을 계산하고 이를 통하여 기온을 예측하여 발전량을 예측한다.
이에 따라, 종래의 태양광 발전기의 발전량 예측 방법은 운량이나 설비 등에 따른 다른 조건들이 반영되지 않음으로써 정확도가 저하되는 문제점이 있다.
대한민국 공개특허공보 제10-2019-0131808호(공개일 2019.11.27)
삭제
본 발명은 상술한 문제점을 해결하기 위하여 안출된 것으로, 기상정보와 설비정보 및 현장에서 수집된 전천사진 등을 통하여 미래시점에 대한 태양광 발전소의 발전량을 예측할 수 있는 태양광 발전량 예측 시스템을 제공하는 것이다.
또한, 본 발명은 기상, 설비, 전천 등의 빅테이터를 통한 머신러닝모듈을 적용하여 점진적으로 정확도가 향상될 수 있는 태양광 발전량 예측 시스템을 제공하는 것이다.
본 발명의 목적들은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있고, 본 발명의 실시 예에 의해 보다 분명하게 이해될 것이다.
또한, 본 발명의 목적 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 쉽게 알 수 있을 것이다.
상술한 과제를 해결하기 위하여 본 발명은 데이터베이스와 머신러닝모듈과 발전량 예측모듈을 포함하는 태양광 발전량 예측 시스템을 제공한다.
보다 구체적으로 상기 데이터베이스는 예측기상 데이터베이스와 설비 데이터베이스와 전천 데이터베이스 및 현재기상 데이터베이스를 포함한다.
상기 예측기상 데이터베이스는 기상청을 포함한 기상을 전문적으로 예측하는 기관으로부터 태양광 발전소의 예측기상정보를 수신하여 저장한다.
또한, 상기 설비 데이터베이스는 관리자 단말기로부터 상기 태양광 발전소의 설비정보를 수신하여 저장한다.
보다 바람직하게 상기 설비 데이터베이스는 상기 태양광 발전소의 위도, 경도, 태양광 패널, 인버터에 대한 각각의 정보에 따른 발전량에 대한 설비 프로파일을 포함할 수 있다.
또한, 상기 전천 데이터베이스는 상기 태양광 발전소에 설치된 전천촬영장치로부터 전천정보를 수신하여 저장한다.
또한, 상기 현재기상 데이터베이스는 상기 태양광 발전소에 설치된 센서들로부터 현재기상정보를 수신하여 저장한다.
한편, 상기 머신러닝모듈은 상기 전천정보와 상기 설비정보를 기반으로 전천정보와 발전량의 상관관계를 도출하여 전천패턴정보를 생성하는 전천패턴 학습모듈과 상기 예측기상정보와 상기 현재기상정보를 기반으로 상기 예측기상정보의 오차를 보정하여 예측기상 보정정보를 생성하는 기상보정 학습모듈을 포함할 수 있다.
한편, 상기 예측기상정보와 현재기상정보는 각각 온도, 운량, 풍속, 풍향, 일사량, 습도, 강수량, 미세먼지에 대한 정보를 포함할 수 있다.
또한, 상기 설비정보는 발전량, 위도, 경도, 태양광 패널, 인버터에 대한 정보를 포함할 수 있다.
또한, 상기 전천정보는 구름의 종류, 구름의 색, 구름의 양, 하늘의 색에 대한 정보를 포함할 수 있다.
보다 구체적으로 상기 머신러닝모듈은 각각 입력변수와 출력변수를 선정하고, 중요도 분석을 통하여 상기 선정된 입출력 변수 중 출력변수와 상관성이 높은 입력변수를 선정하여 입출력 변수의 데이터집합을 구성하며, 상기 입출력 변수의 데이터집합에 대한 군집분석을 통하여 데이터 집합 내 유사성을 가지는 군집별 인공신경망 모델을 적어도 1개 이상 생성할 수 있다.
보다 바람직하게 상기 전천패턴 학습모듈은 입력변수로 구름의 종류, 구름의 색, 하늘의 색에 대한 각각의 정보를 포함하며, 출력변수는 발전량에 대한 정보를 포함하여 상기 인공신경망 모델의 출력은 전천패턴정보일 수 있다.
또한, 상기 기상보정 학습모듈은 입력변수로 예측기상정보와 현재기상정보의 오차에 대한 정보를 포함하며, 출력변수는 미래시점의 온도, 운량, 풍속, 풍향, 일사량, 습도, 강수량, 미세먼지에 대한 정보를 포함하여 상기 인공신경망 모델의 출력은 예측기상 보정정보일 수 있다.
한편, 상기 발전량 예측모듈은 상기 전천패턴정보와 상기 예측기상 보정정보 및 상기 설비정보를 통하여 미래시점에 대한 상기 태양광 발전소의 예측 발전량을 산출하고, 이를 사용자 단말기로 출력할 수 있다.
보다 바람직하게 상기 발전량 예측모듈은 적어도 1개 이상의 상기 인공신경망 모델과 설비 프로파일을 통하여 미래시점에 대한 상기 태양광 발전소의 예측 발전량을 산출할 수 있다.
또한, 상기 발전량 예측모듈은 산출된 상기 예측 발전량을 기 설정된 시간대 별로 상기 사용자 단말기로 출력할 수 있다.
본 발명에 따른 태양광 발전량 예측 시스템은 태양광 발전에 영향을 미치는 다양한 정보를 기반으로 보다 정확한 예측 발전량을 산출할 수 있다.
또한, 본 발명에 따른 태양광 발전량 예측 시스템은 기상, 설비, 전천 정보를 포함한 빅테이터를 이용한 머신러닝모듈을 적용함으로써 예측 발전량의 정확도가 점차 향상되어 향후 전력시장에서의 전력거래와 전력계통의 기획운영을 보다 용이하게 수행할 수 있도록 한다.
상술한 효과와 더불어 본 발명의 구체적인 효과는 이하 발명을 실시하기 위한 구체적인 사항을 설명하면서 함께 기술한다.
도 1은 종래의 발전량 예측 장치를 도시한 도면이다.
도 2는 본 발명의 일 실시 예에 따른 태양광 발전량 예측 시스템에 있어서, 데이터베이스 구축을 위한 정보의 흐름을 도시한 도면이다.
도 3은 본 발명의 일 실시 예에 따른 태양광 발전량 예측 시스템을 도시한 도면이다.
도 4의 a, b는 각각 본 발명의 일 실시 예에 따른 태양광 발전량 예측 시스템에 있어서, 전천정보 학습모듈과 기상정보 학습모듈 구축을 위한 정보의 흐름을 도시한 도면이다.
도 5는 본 발명의 일 실시 예에 따른 태양광 발전량 예측 시스템에 있어서, 발전량 예측모듈 구축을 위한 정보의 흐름을 도시한 도면이다.
전술한 목적, 특징 및 장점은 첨부된 도면을 참조하여 상세하게 후술되며, 이에 따라 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명의 기술적 사상을 용이하게 실시할 수 있을 것이다. 본 발명을 설명함에 있어서 본 발명과 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 상세한 설명을 생략한다. 이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시 예를 상세히 설명하기로 한다. 도면에서 동일한 참조부호는 동일 또는 유사한 구성요소를 가리키는 것으로 사용된다.
이하에서 구성요소의 "상부 (또는 하부)" 또는 구성요소의 "상 (또는 하)"에 임의의 구성이 배치된다는 것은, 임의의 구성이 상기 구성요소의 상면 (또는 하면)에 접하여 배치되는 것뿐만 아니라, 상기 구성요소와 상기 구성요소 상에 (또는 하에) 배치된 임의의 구성 사이에 다른 구성이 개재될 수 있음을 의미할 수 있다.
또한 어떤 구성요소가 다른 구성요소에 "연결", "결합" 또는 "접속"된다고 기재된 경우, 상기 구성요소들은 서로 직접적으로 연결되거나 또는 접속될 수 있지만, 각 구성요소 사이에 다른 구성요소가 "개재"되거나, 각 구성요소가 다른 구성요소를 통해 "연결", "결합" 또는 "접속"될 수도 있는 것으로 이해되어야 할 것이다.
본 명세서에서 사용되는 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.
본 출원에서, "구성된다" 또는 "포함한다" 등의 용어는 명세서 상에 기재된 여러 구성 요소들, 또는 여러 단계들을 반드시 모두 포함하는 것으로 해석되지 않아야 하며, 그 중 일부 구성 요소들 또는 일부 단계들은 포함되지 않을 수도 있고, 또는 추가적인 구성 요소 또는 단계들을 더 포함할 수 있는 것으로 해석되어야 한다.
명세서 전체에서, "A 및/또는 B" 라고 할 때, 이는 특별한 반대되는 기재가 없는 한, A, B 또는 A 및 B 를 의미하며, "C 내지 D" 라고 할 때, 이는 특별한 반대되는 기재가 없는 한, C 이상이고 D 이하인 것을 의미한다.
이하에서는, 본 발명의 몇몇 실시 예에 따른 태양광 발전량 예측 시스템 및 그 방법을 설명하도록 한다.
도 2는 본 발명의 일 실시 예에 따른 태양광 발전량 예측 시스템에 있어서, 데이터베이스 구축을 위한 정보의 흐름을 도시한 도면이다.
그리고, 도 3은 본 발명의 일 실시 예에 따른 태양광 발전량 예측 시스템을 도시한 도면이다.
또한, 도 4의 a, b는 각각 본 발명의 일 실시 예에 따른 태양광 발전량 예측 시스템에 있어서, 전천정보 학습모듈과 기상정보 학습모듈 구축을 위한 정보의 흐름을 도시한 도면이다.
또한, 도 5는 본 발명의 일 실시 예에 따른 태양광 발전량 예측 시스템에 있어서, 발전량 예측모듈 구축을 위한 정보의 흐름을 도시한 도면이다.
도 2 내지 도 5를 참조하면, 본 발명에 따른 태양광 발전량 예측 시스템은 데이터베이스(100)와 머신러닝모듈(200) 및 발전량 예측모듈(300)을 포함한다.
보다 구체적으로 상기 데이터베이스(100)는 예측기상 데이터베이스(110)와 설비 데이터베이스(120)와 전천 데이터베이스(130) 및 현재기상 데이터베이스(140)를 포함한다.
상기 예측기상 데이터베이스(100)는 실 시간 또는 기 설정된 시간 간격마다 기상청(C)을 포함한 기상을 전문적으로 예측하는 기관으로부터 태양광 발전소(P)의 예측기상정보를 수신하여 저장한다.
이때, 상기 예측기상정보는 미래시점의 온도, 운량, 풍속, 풍향, 일사량, 습도, 강수량, 미세먼지 등에 대한 정보를 포함할 수 있다.
보다 바람직하게, 상기 예측기상 데이터베이스(100)는 태양광 발전소(P)가 설치된 복수 지역의 위치정보를 기반으로 각 위치정보 별로 예측기상정보를 저장할 수 있다.
한편, 상기 설비 데이터베이스(120)는 실 시간 또는 기 설정된 시간 간격마다 관리자 단말기(T1)로부터 상기 태양광 발전소(P)의 설비정보를 수신하여 저장한다. 상기 데이터베이스(100)는 예측기상정보, 설비 정보, 전천 정보, 및 현재기상정보를 수신할 수 있는 수신부(미도시)를 포함할 수 있다. 또한, 상기 데이터베이스(100)는 각각의 데이터베이스(예: 예측기상 데이터베이스(110), 설비 데이터베이스(120), 전천 데이터베이스(130), 및 현재기상 데이터베이스(140)에 저장된 데이터 또는 정보를 머신러닝모듈(200), 발전량 예측 모듈(300), 및 관리자 단말기(T1) 중 적어도 하나로 전송하기 위한 송신부(미도시)를 포함할 수 있다. 예를 들면, 상기 설비 데이터베이스(120)는 상기 관리자 단말기(T1)로부터 태양광 발전소(P)의 설비 정보를 상기 수신부(미도시)를 통해 수신하여 저장할 수 있다. 상기 설비 데이터베이스(120)는 상기 관리자 단말기(T1)에 설치된 어플리케이션을 통해 획득된 설비 정보를 상기 수신부(미도시)를 통해 주기적 또는 실시간으로 수신할 수 있다. 상기 설비 정보는 상기 태양광 발전소(P)의 설비에 대한 현재 상태에 대한 정보를 포함할 수 있다. 상기 설비 정보는 현재 발전설비용량, 현재 공급능력, 현재 최대전력, 현재 예비전력, 현재 공급예비율, 현재 평균전력, 현재 발전량, 현재 연료사용량, 현재 열효율, 현재 소비전력율, 현재 주파수유지율, 및 현재 고장 유무에 대한 정보를 포함할 수 있다. 상기 관리자 단말기(T1)는 상기 어플리케이션을 통해 태양광 발전소(P)의 설비에 대한 고장 유무 등의 상태를 주기적으로 체크하고, 체크 결과에 따른 설비 정보를 설비 데이터베이스(120)로 전송할 수 있다. 또한, 상기 관리자 단말기(T1)는 상기 어플리케이션을 통해 사용자 단말기(T2)와 실시간으로 통신을 수행할 수 있다. 상기 관리자 단말기(T1)는 상기 어플리케이션을 통해 실시간으로 상기 설비 정보를 상기 사용자 단말기(T2)로 전송할 수 있다. 상기 사용자 단말기(T2)의 사용자는 발전량 예측모델(300)을 통해 전송되는 발전 예측량을 확인할 수 있을 뿐만 아니라, 상기 관리자 단말기(T1)로부터 수신된 상기 설비 정보를 통해 상기 태양광 발전소(P)의 설비에 대한 현재 상태, 및 고장 유무를 확인할 수 있다.
상기 태양광 발전소(P)는 각각의 설비 정보에 해당되는 측정치를 태양광 발전소(P)의 해당 장비로부터 획득하고, 상기 획득된 측정치를 임계값과 비교할 수 있다. 예를 들면, 상기 획득된 측정치가 상기 임계값을 초과하는 경우, 상기 태양광 발전소(P)는 상기 획득된 측정치를 데이터베이스(100)(예: 설비 데이터베이스(120))로 전송하거나, 또는 관리자 단말기(T1)로 전송할 수 있다. 또는, 상기 태양광 발전소(P)는 상기 설비 정보를 데이터베이스(100)(예: 설비 데이터베이스(120))로 전송하거나, 또는 관리자 단말기(T1)로 전송할 수 있다.
상기 관리자 단말기(T1)는 설치된 어플리케이션을 통해 태양광 발전소(P)로부터 상기 태양광 발전소(P)의 설비에 대한 다양한 정보(예: 설비 정보)를 수신할 수 있다. 상기 태양광 발전소(P)는 주기적으로 자가 진단을 통해 설비 정보를 관리자 단말기(T1) 또는 사용자 단말기(T2)로 전송할 수 있다. 상기 관리자 단말기(T1)는 상기 어플리케이션을 통해, 상기 태양광 발전소(P)로부터 전송되는 설비 정보를 수신하여 저장할 수 있다. 그리고, 상기 관리자 단말기(T1)는 상기 어플리케이션을 통해, 태양광 발전소(P)의 설비에 대한 고장 여부를 진단할 수 있다. 또한, 사용자 단말기(T2)는 기 설치된 어플리케이션을 통해 태양광 발전소(P)의 설비에 대한 설비 정보를 상기 태양광 발전소(P)로부터 수신하거나, 또는 설비 데이터베이스(120)로부터 수신함으로써, 상기 태양광 발전소(P)의 설비에 대한 고장 여부를 판단할 수 있다.
또한, 상기 관리자 단말기(T1)는 관리자로부터 상기 태양광 발전소(P)의 설비에 대한 다양한 정보(예: 설비 정보)를 상기 어플리케이션을 통해 입력받을 수 있다. 상기 관리자 단말기(T1)는 상기 어플리케이션을 통해 상기 태양광 발전소(P)의 설비에 대한 이상유무를 주기적으로 체크하고, 상기 체크에 기반하여 태양광 발전소(P)의 설비에 대한 결과 값(예: 정보, 데이터 등)을 상기 설비 데이터베이스(120)로 전송할 수 있다.
또한, 상기 설비 데이터베이스(120)는 각각의 설비 정보에 해당되는 측정치를 태양광 발전소(P)의 해당 장비로부터 획득하고, 상기 획득된 측정치를 임계값과 비교할 수 있다. 예를 들면, 상기 획득된 측정치가 상기 임계값을 초과하는 경우, 상기 설비 데이터베이스(120)는 상기 획득된 측정치를 사용자 단말기(T2) 및/또는 관리자 단말기(T1)로 전송할 수 있다. 상기 사용자 단말기(T2) 및 관리자 단말기(T1) 중 적어도 하나는 상기 획득된 측정치에 대한 결과를 음성 또는 팝업으로 표시할 수 있다.
이때, 상기 관리자 단말기(T1)는 상기 태양광 발전소(P)의 관리자 또는 본 발명에 따른 태양광 발전량 예측 시스템의 관리자의 PC, 모바일 기기 등을 포함하는 단말기로서 상기 설비 데이터베이스(120)와 유무선 통신망으로 연결될 수 있다.
또한, 상기 설비정보는 발전량, 위도, 경도, 태양광 패널, 인버터에 대한 정보를 포함할 수 있다.
보다 구체적으로 상기 발전량에 대한 정보는 상기 태양광 발전소(P)가 실제로 생산하는 발전량을 의미한다.
또한, 상기 위도와 경도는 상기 태양광 발전소(P)의 태양광 패널이 설치된 위치의 정보를 포함한다.
또한, 상기 태양광 패널과 인버터에 대한 정보는 각각의 효율을 비롯하여 태양광 패널과 인버터에 조합에 따른 효율, 태양광 패널의 어레이 상태, 사용기간, 생산일자 등을 포함할 수 있다.
보다 바람직하게 상기 설비 데이터베이스(120)는 상기 태양광 발전소의 위도, 경도, 태양광 패널, 인버터에 대한 각각의 정보에 따른 발전량에 대한 설비 프로파일을 포함할 수 있다.
또한, 상기 전천 데이터베이스(130)는 실 시간 또는 기 설정된 시간 간격마다 상기 태양광 발전소(P)에 설치된 전천촬영장치(S)로부터 전천정보를 수신하여 저장한다.
따라서, 상기 전천촬영장치(S)는 상기 전천 데이터베이스(130)와 유무선 통신망으로 연결될 수 있다.
또한, 상기 전천정보는 권운, 권적운, 권층운, 고적운, 고층운, 적운, 층적운, 층운, 난층운, 적란운 등의 구름 종류, 구름의 색(채도 명암), 구름의 양, 하늘의 색(채도, 명암) 등에 대한 정보를 포함한 사진 또는 영상일 수 있다.
또한, 상기 현재기상 데이터베이스(140)는 실 시간 또는 기 설정된 시간 간격마다 상기 태양광 발전소(P)에 설치된 센서(S)들로부터 현재기상정보를 수신하여 저장한다.
상기 현재기상정보는 현재시점의 온도, 운량, 풍속, 풍향, 일사량, 습도, 강수량, 미세먼지 등에 대한 정보를 포함할 수 있다.
또한, 상기 센서(S)는 상기한 현재기상정보를 실 시간 또는 기 설정된 시간 간격마다 측정할 수 있는 전자식 센서로 구성되는 것이 바람직하다.
즉, 상기 예측기상정보는 위치를 기반으로 한 예측정보인데 반하여 상기 현재기상정보는 상기 태양광 발전소(P)가 입주한 지역의 현재시점의 실측 정보인 차이점이 있다.
보다 바람직하게 상기한 바와 같은 본 발명에 따른 태양광 발전량 예측 시스템의 데이터베이스(100)는 상기 머신러닝모듈(200)과 상기 발전량 예측모듈(300)가 각각 인터넷을 포함한 유무선 통신망으로 연결될 수 있다.
한편, 상기 머신러닝모듈(200)은 상기 전천정보와 상기 설비정보를 기반으로 전천정보와 발전량의 상관관계를 도출하여 전천패턴정보를 생성하는 전천패턴 학습모듈(210)과 상기 예측기상정보와 상기 현재기상정보를 기반으로 상기 예측기상정보의 오차를 보정하여 예측기상 보정정보를 생성하는 기상보정 학습모듈(220)을 포함할 수 있다.
보다 구체적으로 상기 머신러닝모듈(200)은 각각 입력변수와 출력변수를 선정하고, 중요도 분석을 통하여 상기 선정된 입출력 변수 중 출력변수와 상관성이 높은 입력변수를 선정하여 입출력 변수의 데이터집합을 구성하며, 상기 입출력 변수의 데이터집합에 대한 군집분석을 통하여 데이터 집합 내 유사성을 가지는 군집별 인공신경망 모델을 적어도 1개 이상 생성할 수 있다.
또한, 상기 전천패턴 학습모듈(210)은 입력변수로 구름의 종류, 구름의 색, 하늘의 색에 대한 각각의 정보를 포함하며, 출력변수는 발전량에 대한 정보를 포함하여 상기 인공신경망 모델의 출력은 전천패턴정보일 수 있다.
일례로 상기 전천패턴 학습모듈(210)은 하기와 같은 방법으로 전천패턴정보를 생성할 수 있다.
하늘은 가시영역에서 파장이 짧은 푸른색 계열이 파장이 긴 붉은색 계열보다 산란이 강하기 때문에 푸른빛을 띠고, 구름은 모든 파장에 대하여 산란하기 때문에 희게 보이며, 구름의 두께에 따라 어두운 색을 띤다.
이에 따라, 구름이 존재하지 않는 영역의 사진은 B(Blue), G(Green), R(Red) 순서로 파장이 짧을수록 평균명도가 높게 나타나며, 천정각이 낮아지는 정오에 가까울수록 입사되는 일사량의 증가로 산란이 강해져 RGB 모두 평균명도가 높아진다.
반면에, 구름이 존재하는 영역의 사진은 RGB의 평균명도가 유사하게 분포하게 된다. 따라서 RGB명암의 비율로 영상에서 하늘과 구름 화소를 구분할 수 있다.
특히, G(Green)의 평균표준편차가 가장 작아 화소별 편차가 크지 않고 비교적 안정적인 값을 형성하고 있으므로 GBR의 빈도 분포에 따라 운량을 산출할 수 있다.
또한, 보다 바람직하게 상기 전천패턴 학습모듈(210)은 구름의 종류, 구름의 채도, 하늘의 채도, 명암 등에 따른 일사량을 분석할 수도 있다.
이에 따라, 상기 전천패턴 학습모듈(210)은 구름의 양과 위치 종류 등에 대한 발전량의 상관관계를 각각 패턴화함으로써 상기 전천패턴정보를 생성할 수 있다.
한편, 상기 기상보정 학습모듈(220)은 입력변수로 예측기상정보와 현재기상정보의 오차에 대한 정보를 포함하며, 출력변수는 미래시점의 온도, 운량, 풍속, 풍향, 일사량, 습도, 강수량, 미세먼지에 대한 정보를 포함하여 상기 인공신경망 모델의 출력은 예측기상 보정정보일 수 있다.
즉, 상기 기상보정 학습모듈(220)은 상기한 바와 같이 위치를 기반으로 하는 예측기상정보와 실측을 기반으로 하는 현재기상정보를 이용하여 보다 상기 태양광 발전소(P)의 태양광 발전량에 미치는 정확한 기상정보를 예측할 수 있다.
한편, 상기 발전량 예측모듈(300)은 상기 전천패턴정보와 상기 예측기상 보정정보 및 상기 설비정보를 통하여 미래시점에 대한 상기 태양광 발전소의 예측 발전량을 산출하고, 이를 사용자 단말기(T2)로 출력할 수 있다.
이에 따라, 본 발명에 따른 태양광 발전량 예측 시스템은 태양광 발전에 영향을 미치는 다양한 정보를 기반으로 보다 정확한 예측 발전량을 산출할 수 있다.
또한, 상기 사용자 단말기(T2)는 태양광 발전소의 예측 발전량을 열람하고자 하는 개인 또는 단체의 PC, 모바일 기기, 서버 등을 포함할 수 있다.
보다 구체적으로 상기 발전량 예측모듈(300)은 상기 머신러닝모듈(300)에서 생성된 적어도 1개 이상의 인공신경망 모델과 상기 설비 데이터베이스(120)로부터 수신한 설비 프로파일을 통하여 미래시점에 대한 상기 태양광 발전소(P)의 예측 발전량을 산출할 수 있다.
즉, 상기 발전량 예측모듈(300)은 도 5에 도시되어 있는 바와 같이 설비 프로파일과 전천패턴정보 및 예측기상 보정정보를 통하여 상기 태양광 발전소(P)의 예측 발전량을 산출한다,
이에 따라, 본 발명에 따른 태양광 발전량 예측 시스템은 기상, 설비, 전천 정보를 포함한 빅테이터를 이용한 머신러닝모듈을 적용함으로써 예측 발전량의 정확도가 점차 향상되어 향후 전력시장에서의 전력거래와 전력계통의 기획운영을 보다 용이하게 수행할 수 있도록 한다.
또한, 상기 발전량 예측모듈(300)은 산출된 상기 예측 발전량을 기 설정된 시간대 별로 상기 사용자 단말기(T2)로 출력할 수도 있다.
또한, 본 발명에 따른 태양광 발전량 예측 시스템은 상기 사용자 단말기(T2)에 구축된 어플리케이션을 통하여 입력된 정보를 통하여 상기 데이터베이스(100)를 구축할 수 있도록 형성할 수도 있다.
또한, 본 발명에 따른 태양광 발전량 예측 시스템은 예측 발전량을 산출하고자 하는 태양광 발전소(P)의 규모와 상관없이 명확한 설비정보가 제공되는 경우 정확한 예측 발전량의 산출이 가능하다.
이에 따라, 본 발명에 따른 태양광 발전량 예측 시스템은 기 구축된 태양광 발전소(P)의 예측 발전량을 산출할 수 있을 뿐만 아니라, 향후 구축하고자 하는 태양광 발전소(P)의 예측 발전량을 산출할 수도 있으므로 태양광 발전사업에 용이하게 활용될 수 있다.
이상과 같이 본 발명에 대해서 예시한 도면을 참조로 하여 설명하였으나, 본 명세서에 개시된 실시 예와 도면에 의해 본 발명이 한정되는 것은 아니며, 본 발명의 기술사상의 범위 내에서 통상의 기술자에 의해 다양한 변형이 이루어질 수 있음은 자명하다. 아울러 앞서 본 발명의 실시 예를 설명하면서 본 발명의 구성에 따른 작용 효과를 명시적으로 기재하여 설명하지 않았을 지라도, 해당 구성에 의해 예측 가능한 효과 또한 인정되어야 함은 당연하다.
W. 기상청
P. 태양광 발전소
C. 전천촬영장치
S. 센서
T1. 관리자 단말기
T2. 사용자 단말기
100. 데이터베이스
110. 예측기상 데이터베이스
120. 설비 데이터베이스
130. 전천 데이터베이스
140. 현재기상 데이터베이스
200. 머신러닝모듈
210. 전천패턴 학습모듈
220. 기상보정 학습모듈
300. 발전량 예측모듈

Claims (2)

  1. 기상청을 포함한 기상을 전문적으로 예측하는 기관으로부터 태양광 발전소가 설치된 장소의 예측기상정보를 수신하여 저장하는 예측기상 데이터베이스와
    관리자 단말기로부터 상기 태양광 발전소의 설비에 대한 현재 상태를 나타내는 설비정보를 실시간으로 수신하여 저장하는 설비 데이터베이스와
    상기 태양광 발전소에 설치된 전천촬영장치로부터 전천정보를 수신하여 저장하는 전천 데이터베이스 및
    상기 태양광 발전소에 설치된 센서들로부터 현재시점에 대한 현재기상정보를 수신하여 저장하는 현재기상 데이터베이스를 포함하는 데이터베이스;
    입력변수는 상기 설비정보 및 상기 전천정보이며, 출력변수는 상기 태양광 발전소의 발전량에 대한 정보로 구성된 데이터집합에 대한 군집분석으로 통하여 생성되어 전천정보와 발전량의 상관관계를 패턴화한 전천패턴정보를 출력하는 인공신경망 모델인 전천패턴 학습모듈과
    입력변수는 상기 예측기상정보와 상기 현재기상정보의 오차에 대한 정보이며, 출력변수는 상기 예측기상정보로 구성된 데이터집합에 대한 군집분석으로 통하여 생성되어 예측기상 보정정보를 출력하는 인공신경망 모델인 기상보정 학습모듈을 포함하는 머신러닝모듈; 및
    상기 전천패턴정보와 상기 예측기상 보정정보를 통하여 미래시점에 대한 상기 태양광 발전소의 예측 발전량을 산출하고, 이를 사용자 요청 또는 기 설정된 시간마다 사용자 단말기로 출력하는 발전량 예측모듈을 포함하며,
    상기 설비 데이터베이스는
    상기 실시간으로 수신된 설비정보에 해당되는 측정치를 임계값과 비교하고,
    상기 측정치가 상기 임계값을 초과하는 경우, 상기 사용자 단말기 및 상기 관리자 단말기가 상기 측정치에 대한 결과를 음성 또는 팝업으로 표시하도록 상기 측정치를 상기 사용자 단말기 및 상기 관리자 단말기로 전송하고,
    상기 설비정보는,
    상기 관리자 단말기에 설치된 어플리케이션을 통해 상기 태양광 발전소의 설비에 대한 고장 유무가 체크되고, 상기 체크 결과에 따라 생성되며, 상기 관리자 단말기의 어플리케이션을 통해 상기 설비 데이터베이스 및 상기 사용자 단말기로 실시간으로 전송되며,
    상기 태양광 발전소의 설비에 대한 현재 발전설비용량, 현재 공급능력, 현재 최대전력, 현재 예비전력, 현재 공급예비율, 현재 평균전력, 현재 발전량, 현재 열효율, 현재 소비전력율, 현재 주파수유지율, 및 현재 고장 유무에 대한 정보를 포함하는 태양광 발전량 예측 시스템.
  2. 삭제
KR1020200079416A 2019-12-11 2020-06-29 태양광 발전량 예측 시스템 KR102363732B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020190164429 2019-12-11
KR20190164429 2019-12-11

Publications (2)

Publication Number Publication Date
KR20210074167A KR20210074167A (ko) 2021-06-21
KR102363732B1 true KR102363732B1 (ko) 2022-02-16

Family

ID=76600004

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200079416A KR102363732B1 (ko) 2019-12-11 2020-06-29 태양광 발전량 예측 시스템

Country Status (1)

Country Link
KR (1) KR102363732B1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102458759B1 (ko) * 2022-05-24 2022-10-26 비케이엠 주식회사 발전량 예측 방법 및 발전량 예측 장치

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101410333B1 (ko) * 2012-12-24 2014-06-25 전자부품연구원 태양전지 모듈 모니터링 방법
KR101761686B1 (ko) * 2017-03-31 2017-07-31 (주)하모니앤유나이티드 머신 러닝을 이용한 태양광 발전량 실시간 예측 시스템
KR102054163B1 (ko) * 2019-04-24 2020-01-22 이에스솔라 주식회사 태양광 발전량 예측 시스템 및 이를 포함하는 태양광 발전 장치

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102192067B1 (ko) 2018-05-17 2020-12-16 한국전자통신연구원 태양광 발전기의 발전량 예측 장치 및 방법
KR20190143530A (ko) * 2018-06-11 2019-12-31 한국전력공사 태양광 발전설비 관리 시스템 및 그 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101410333B1 (ko) * 2012-12-24 2014-06-25 전자부품연구원 태양전지 모듈 모니터링 방법
KR101761686B1 (ko) * 2017-03-31 2017-07-31 (주)하모니앤유나이티드 머신 러닝을 이용한 태양광 발전량 실시간 예측 시스템
KR102054163B1 (ko) * 2019-04-24 2020-01-22 이에스솔라 주식회사 태양광 발전량 예측 시스템 및 이를 포함하는 태양광 발전 장치

Also Published As

Publication number Publication date
KR20210074167A (ko) 2021-06-21

Similar Documents

Publication Publication Date Title
Barbieri et al. Very short-term photovoltaic power forecasting with cloud modeling: A review
CN103609201B (zh) 自适应控制的户外照明系统及其操作方法
US10482197B2 (en) Solar irradiance modeling augmented with atmospheric water vapor data
US10495786B2 (en) Weather and satellite model for estimating solar irradiance
Lorenz et al. Irradiance forecasting for the power prediction of grid-connected photovoltaic systems
US10663620B2 (en) Method and apparatus for forecasting solar radiation and solar power production using synthetic irradiance imaging
US20140278108A1 (en) Methods and Systems for Optical Flow Modeling Applications for Wind and Solar Irradiance Forecasting
US20140278107A1 (en) Methods and systems for real-time solar forecasting incorporating a ground network
KR101529678B1 (ko) 태양광 발전량을 극대화할 수 있는 복합식 태양광 추미 방법, 이를 이용한 태양광 추미 장치 및 태양광 발전 블라인드 시스템
EP2891904A1 (en) Solar irradiance forecasting
Kato Prediction of photovoltaic power generation output and network operation
WO2017193153A1 (en) Solar power forecasting
US20120191351A1 (en) Estimating solar irradiance components from plane of array irradiance and global horizontal irradiance
PT109213A (pt) Método e sistema para a previsão da potência de saída de um grupo de centros eletroprodutores fotovoltaicos e a gestão da integração da referida potência de saída numa rede elétrica
Yang et al. A novel ARX-based multi-scale spatio-temporal solar power forecast model
KR102338515B1 (ko) 인공지능 기반 태양광 발전량 예측 시스템
US20170140077A1 (en) Method for assessing efficiency of power generation systems
JP2012138448A (ja) 太陽光発電の出力低下検出装置及び検出方法
Ioakimidis et al. Solar production forecasting based on irradiance forecasting using artificial neural networks
KR102054163B1 (ko) 태양광 발전량 예측 시스템 및 이를 포함하는 태양광 발전 장치
KR102363732B1 (ko) 태양광 발전량 예측 시스템
JP6153651B2 (ja) 管理サーバ、局所気象情報生成システム、および局所気象情報生成方法
KR102077646B1 (ko) 신재생 발전설비 모니터링 시스템
Trigo-González et al. Photovoltaic power electricity generation nowcasting combining sky camera images and learning supervised algorithms in the Southern Spain
CN116800172B (zh) 一种光电转换方法及储能系统

Legal Events

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