KR102364176B1

KR102364176B1 - 태양광 발전량 예측 모델의 비교 평가 방법 및 시스템

Info

Publication number: KR102364176B1
Application number: KR1020190171434A
Authority: KR
Inventors: 김태형; 함경선
Original assignee: 한국전자기술연구원
Priority date: 2019-12-20
Filing date: 2019-12-20
Publication date: 2022-02-18
Also published as: KR20210079540A

Abstract

다양한 태양광 발전량 예측 모델을 비교하거나 결합하여, 우수한 예측 모델을 선정하거나 구성하여 태양광 발전소를 운용하기 위한 방법 및 시스템이 제공된다. 본 발명의 실시예에 따른 발전량 예측 모델의 비교 평가 방법은 다수의 발전량 예측 모델들의 예측 발전량들을 수집하는 단계; 수집된 예측 발전량들을 기초로, 최적의 발전량 예측 모델을 획득하는 단계; 획득된 발전량 예측 모델로, 발전소를 운용하는 단계;를 포함한다.
이에 의해, 다양한 태양광 발전량 예측 모델을 비교하거나 결합하여, 우수한 예측 모델을 선정하거나 구성하여 태양광 발전소를 운용함으로써, 효율적인 태양광 발전소 운용과 안정적인 전력 공급이 가능해진다.

Description

태양광 발전량 예측 모델의 비교 평가 방법 및 시스템{Comparative Evaluation Method and System of Photovoltaic Power Prediction Model}

본 발명은 태양광 발전 관련 기술에 관한 것으로, 더욱 상세하게는 태양광 발전소를 최적으로 운용하기 위해 우수한 태양광 발전량 예측 모델을 선정/구성하는 방법 및 시스템에 관한 것이다.

태양광 발전소에서 발전 효율을 최대로 높이기 위해서는, 태양광 발전소를에효율적으로 운용하여야 하는데, 이를 위해 필요한 것이 태양광 발전량의 정확한 예측이다.

태양광 발전량의 예측을 위한 다양한 모델들이 제시되었으며, 이들은 나날이 진화하고 있다. 하지만, 단일 모델에 의존하는 경향이 커서, 예측이 부정확한 구간에 들어서는 경우가 많다.

따라서, 가능한 모든 구간이나 상황에 걸쳐 두루 적용될 수 있는 모델의 개발이 필요하다. 이에 의해서만, 효율적인 태양광 발전소 운용과 안정적인 전력 공급이 가능해지지 때문이다.

본 발명은 상기와 같은 문제점을 해결하기 위하여 안출된 것으로서, 본 발명의 목적은, 다양한 태양광 발전량 예측 모델을 비교하거나 결합하여, 우수한 예측 모델을 선정하거나 구성하여 태양광 발전소를 운용하기 위한 방법 및 시스템을 제공함에 있다.

상기 목적을 달성하기 위한 본 발명의 일 실시예에 따른, 발전량 예측 모델의 비교 평가 방법은 다수의 발전량 예측 모델들의 예측 발전량들을 수집하는 단계; 수집된 예측 발전량들을 기초로, 최적의 발전량 예측 모델을 획득하는 단계; 획득된 발전량 예측 모델로, 발전소를 운용하는 단계;를 포함한다.

선정 단계는, 수집된 예측 발전량들을 기초로, 발전량 예측 모델들을 평가하는 단계; 및 평가 결과를 기초로, 발전량 예측 모델들 중 하나를 선정하는 단계;를 포함할 수 있다.

평가 단계는, 전체 기간에서의 예측 발전량의 정확도, 특정 계절에서의 예측 발전량의 정확도, 최근 구간에서의 예측 발전량의 정확도, 특정 기상에서의 예측 발전량의 정확도를 기초로, 발전량 예측 모델들을 평가하는 것일 수 있다.

획득 단계는, 발전량 예측 모델들 중 적어도 하나를 결합하여, 새로운 발전량 예측 모델을 구성하는 단계;를 포함할 수 있다.

새로운 발전량 예측 모델은, 발전량 예측 모델들 중 적어도 하나의 예측 발전량을 평균 또는 가중 평균하는 모델일 수 있다.

획득 단계는, 수집된 예측 발전량들 및 기상 정보를 입력받아, 예측 발전량을 추정하는 발전량 예측 모델을 구성하는 단계;를 포함할 수 있다.

획득 단계는, 획득된 발전량 예측 모델의 예측 발전량들 중 결측된 예측 발전량들을 비선정된 발전량 예측 모델의 예측 발전량들로 채우는 단계;를 포함할 수 있다.

본 발명의 다른 측면에 따르면, 다수의 발전량 예측 모델들의 예측 발전량들을 수집하고, 수집된 예측 발전량들을 기초로 최적의 발전량 예측 모델을 획득하며, 획득된 발전량 예측 모델로 발전량을 예측하는 프로세서; 및 프로세서에 의해 예측된 발전량을 기초로, 발전소를 운용하는 제어부;를 포함하는 것을 특징으로 하는 발전소 제어 시스템이 제공된다.

이상 설명한 바와 같이, 본 발명의 실시예들에 따르면, 다양한 태양광 발전량 예측 모델을 비교하거나 결합하여, 우수한 예측 모델을 선정하거나 구성하여 태양광 발전소를 운용함으로써, 효율적인 태양광 발전소 운용과 안정적인 전력 공급이 가능해진다.

도 1은 본 발명의 일 실시예에 따른 태양광 발전소 운용 방법의 설명에 제공되는 흐름도,
도 2는 Phase1(Gap Filling)의 설명에 제공되는 도면,
도 3 내지 도 7은 Phase2(Comparative Selection)의 설명에 제공되는 도면,
도 8은 Phase3(Ensemble)의 설명에 제공되는 도면,
도 9는 본 발명의 다른 실시예에 따른 태양광 발전소 운용 시스템의 블럭도이다.

이하에서는 도면을 참조하여 본 발명을 보다 상세하게 설명한다.

1. 태양광 발전량 예측 모델 선정/운용

도 1은 본 발명의 일 실시예에 따른 태양광 발전소 운용 방법의 설명에 제공되는 흐름도이다.

본 발명의 실시예에 따른 태양광 발전소 운용 방법은, 다양한 태양광 발전량 예측 모델들을 비교하거나 결합하여 최적의 예측 모델을 선정하거나 구성하여 태양광 발전소를 운용한다.

이를 위해, 먼저, 다양한 태양광 발전량 예측 모델들의 예측 발전량들을 수집한다(S110). 즉, 본 발명의 실시예를 위해서는, 다수의 태양광 발전량 예측 모델들을 확보하고 있어야 한다.

다음, S110단계에서 수집한 예측 발전량들을 기초로, 최적의 태양광 발전량 예측 모델을 선정하거나 구성한다(S120). S120단계에 대해서는, 도 2 내지 도 9를 참조하여 상세히 후술한다.

최적의 태양광 발전량 예측 모델이 선정/구성되면, 선정된 태양광 발전량 예측 모델로 태양광 발전소를 제어/운용한다(S130).

태양광 발전소를 제어/운용하는 중에 태양광 발전량 예측 모델의 재선정이 필요한 경우, 이를 테면, 발전량 예측의 정확도가 떨어지거나 발전 효율이 떨어지는 경우(S140-Y), S110단계부터 재수행된다.

2. 태양광 발전량 예측 모델 선정 방식

(1) Phase1(Gap Filling)

첫 번째 방식은 태양광 발전량 예측 모델들 중 하나를 정해진 기준에 따라 선정하는 방식이다.

단, 도 2에 도시된 바와 같이, 선정된 태양광 발전량 예측 모델의 예측 발전량에 구간 결측이 발생하는 경우, 다른 태양광 발전량 예측 모델의 예측 발전량으로 결측 구간을 채운다.

어느 하나의 태양광 발전량 예측 모델이 다른 태양광 발전량 예측 모델들에 비해 큰 우위에 있으며, 태양광 발전량 예측 모델 선정/재선정에 많은 시간을 할애할 수 없는 경우에 적합하다.

태양광 발전량 예측 모델의 결측 구간을 채우는데 이용할 다른 태양광 발전량 예측 모델은, 선정되지 않은 태양광 발전량 예측 모델들 중 가장 우수한 태양광 발전량 예측 모델로 정할 수 있다. 나아가, 아래에서 두 번째 또는 세 번째 방식으로 선정/구성되는 태양광 발전량 예측 모델을 이용할 수도 있다.

(2) Phase2(Comparative Selection)

두 번째 방식은, 도 3에 도시된 바와 같이, 태양광 발전량 예측 모델들의 예측 발전량들을 기초로 태양광 발전량 예측 모델들을 평가하고, 평가 결과를 기초로 최적의 태양광 발전량 예측 모델을 선정하는 방식이다.

태양광 발전량 예측 모델들에 대해, 전체 기간에서의 예측 발전량들(도 4), 특정 계절(또는 월)에서의 예측 발전량들(도 5), 최근 구간(1~7일)에서의 예측 발전량들(도 6), 특정 기상(예를 들어, 일사량)에서의 예측 발전량들(도 7)을 기초로, 태양광 발전량 예측 모델들을 평가한다.

구체적으로, 다음의 식에 따라, 태양광 발전량 예측 모델들 각각에 대해 각 기간에서의 예측 정확도 평가를 voting하여 합산함으로써 스코어를 산정하고, 산정된 스코어가 가장 높은 태양광 발전량 예측 모델을 선정한다.

Score= Sum(vote_전체, vote_계절, vote_최근, vote_일사량)

Phase2= Max(Score_a, Score_b, Score_c)

① 전체 기간 : 실측된 태양광 발전량 데이터가 존재하며, 각 태양광 발전량 예측 모델의 예측 발전량이 추정된 최초 시점부터 현재까지의 기간을 대상으로 예측 정확도(오차)를 평가한다. 이를 통해, 태양광 발전량 예측 모델의 전반적인 성능 비교가 가능하다.

② 계절(월) : 태양광 발전량 예측 모델의 계절(월)별 모델의 예측 정확도를 평가한다. 각 계절(월)별 특성을 가지고 있으므로, 태양광 발전량 예측 모델 간 계절적 특성에 따른 예측 정확도의 차이를 비교할 수 있다.

③ 최근(1~7일) : 최근 시점의 태양광 발전량 예측 모델 별 예측 정확도를 평가한다. 각 태양광 발전량 예측 모델 별로 특정 주기마다 최적화가 이뤄질 수 있으므로, 최신 모델 성능을 반영하기 위함이다.

④ 기상(일사량) : 태양광 발전량 예측 모델의 예측 발전량 성능을 비교하고자 하는 시점에서의 기상(일사량) 예측 정보를 기준으로, 과거 해당 일사량 구간에서의 모델별 예측 정확도를 평가한다. 태양광 발전량은 일사량과 상관관계가 높은 요소이므로, 해당 일사량 구간에서 높은 예측 정확도를 가진 모델이 성능이 우수할 것이라고 판단한다는 점에 근거한다.

(3) Phase3(Ensemble)

세 번째 방식은, 도 8에 도시된 바와 같이, 태양광 발전량 예측 모델 별 예측 발전량을 Model Averaging, Weighted Model Averaging 방법으로 통합하여 새로운 예측 발전량을 도출, 즉, 새로운 태양광 발전량 예측 모델을 구성하는 것이다.

또한, 예측 발전량과 기상 데이터를 활용하여 새로운 Ensemble 태양광 발전량 예측 모델을 도출/구성하는 것을 포함한다.

① Simple Averaging Model

여러 태양광 발전량 예측 모델의 예측 발전량들을 평균하는 모델이다. 예측 발전량에 대한 편차를 줄여 overfitting을 감소시켜 안정성을 향상시킨다. 아래의 수식에 나타난 바와 같이, 태양광 발전량 예측 모델의 정확도와 무관하게 최종 예측에 각 태양광 발전량 예측 모델이 동등하게 사용된다.

Model Averaging =

② Weighted Averaging Model

Simple Averaging Model과 동일하게 여러 태양광 발전량 예측 모델의 예측 발전량을 평균하여 나오는 모델지만, 아래의 수식에 나타난 바와 같이 각 태양광 발전량 예측 모델의 정확도에 따라 다른 weight를 부여하여 최종 예측 발전량을 도출한다.

Weighted Model Averaging =

③ Stacked Generation Model

태양광 발전량 예측 모델의 각 예측 발전량들을 새로운 태양광 발전량 예측 모델의 입력 데이터로 활용하여 최종 예측 발전량을 도출하도록 하는 방식이다. 다음의 2가지 Ensemble 모델로 구분할 수 있다.

Ensemble 모델 1

태양광 발전량 예측 모델 별 예측 발전량과 기상 정보를 입력 데이터로 하는 모델로, xgboost model을 활용한다.

Ensemble 모델 2

태양광 발전량 예측 모델 별 예측 발전량과 기상정보를 입력 데이터로 하는 모델로, DecisionTree model을 활용한다.

한편, 세 번째 방식에서는 다수의 태양광 발전량 예측 모델들을 도출/구성한 후에, 최적의 하나를 선정하는 기법까지 포함한다. 선정 방식은 전술한 두 번째 방식은 물론, 그 밖의 다른 방식을 이용할 수 있다.

3. 태양광 발전량 예측 모델 선정/운용 시스템

도 9는 본 발명의 다른 실시예에 따른 태양광 발전소 운용 시스템의 블럭도이다.

본 발명의 실시예에 따른 태양광 발전소 운용 시스템은, 도시된 바와 같이, 통신부(210). 프로세서(220). 제어부(230) 및 저장부(240)를 포함하는 컴퓨팅 시스템으로 구현가능하다.

통신부(210)는 외부 기기 또는 외부 네트워크에 연결되어 데이터를 송수신하는 통신 수단이다.

프로세서(220)는 전술한 방법에 따라 다양한 태양광 발전량 예측 모델들을 비교하거나 결합하여 최적의 예측 모델을 선정하거나 구성하고, 태양광 발전량 예측 모델을 이용하여 태양광 발전량을 예측한다.

저장부(240)는 프로세서(220)가 동작하고 기능함에 있어 필요한 저장공간을 제공한다.

제어부(230)는 프로세서(220)에 의해 예측된 태양광 발전량을 기반으로, 태양광 발전소를 제어/운용한다.

4. 변형예

지금까지, 태양광 발전량 예측 모델의 비교 평가 방법 및 시스템에 대해 바람직한 실시예들을 들어 상세히 설명하였다.

본 발명의 실시예에서는, 다양한 태양광 발전량 예측 모델 간 비교 평가를 위한 방법과 해당 방법을 통해 우수한 예측 모델을 선정하거나 결합하여 최적의 모델을 구성하는 방법을 제시하였다.

한편, 본 실시예에 따른 장치와 방법의 기능을 수행하게 하는 컴퓨터 프로그램을 수록한 컴퓨터로 읽을 수 있는 기록매체에도 본 발명의 기술적 사상이 적용될 수 있음은 물론이다. 또한, 본 발명의 다양한 실시예에 따른 기술적 사상은 컴퓨터로 읽을 수 있는 기록매체에 기록된 컴퓨터로 읽을 수 있는 코드 형태로 구현될 수도 있다. 컴퓨터로 읽을 수 있는 기록매체는 컴퓨터에 의해 읽을 수 있고 데이터를 저장할 수 있는 어떤 데이터 저장 장치이더라도 가능하다. 예를 들어, 컴퓨터로 읽을 수 있는 기록매체는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광디스크, 하드 디스크 드라이브, 등이 될 수 있음은 물론이다. 또한, 컴퓨터로 읽을 수 있는 기록매체에 저장된 컴퓨터로 읽을 수 있는 코드 또는 프로그램은 컴퓨터간에 연결된 네트워크를 통해 전송될 수도 있다.

또한, 이상에서는 본 발명의 바람직한 실시예에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해되어져서는 안될 것이다.

210 : 통신부
220 : 프로세서
230 : 제어부
240 : 저장부

Claims

다수의 발전량 예측 모델들의 예측 발전량들을 수집하는 단계;
수집된 예측 발전량들을 기초로, 최적의 발전량 예측 모델을 획득하는 단계;
획득된 발전량 예측 모델로, 발전소를 운용하는 단계;를 포함하고,
획득 단계는,
발전량 예측 모델들 중 적어도 2개를 결합하여, 새로운 발전량 예측 모델을 구성하는 단계;를 포함하며,
새로운 발전량 예측 모델은,
발전량 예측 모델들 중 적어도 2개의 예측 발전량들을 가중 평균하는 모델로, 발전량 예측 모델의 정확도에 따라 각기 다른 가중치가 부여되는 것을 특징으로 하는 발전량 예측 모델의 비교 평가 방법.
삭제
삭제
삭제
삭제
청구항 1에 있어서,
획득 단계는,
수집된 예측 발전량들 및 기상 정보를 입력받아, 예측 발전량을 추정하는 발전량 예측 모델을 구성하는 단계;를 포함하는 것을 특징으로 하는 발전량 예측 모델의 비교 평가 방법.
청구항 1에 있어서,
획득 단계는,
획득된 발전량 예측 모델의 예측 발전량들 중 결측된 예측 발전량들을 비선정된 발전량 예측 모델의 예측 발전량들로 채우는 단계;를 포함하는 것을 특징으로 하는 발전량 예측 모델의 비교 평가 방법.
다수의 발전량 예측 모델들의 예측 발전량들을 수집하고, 수집된 예측 발전량들을 기초로 최적의 발전량 예측 모델을 획득하며, 획득된 발전량 예측 모델로 발전량을 예측하는 프로세서; 및
프로세서에 의해 예측된 발전량을 기초로, 발전소를 운용하는 제어부;를 포함하고,
프로세서는,
발전량 예측 모델들 중 적어도 2개를 결합하여, 새로운 발전량 예측 모델을 구성하며,
새로운 발전량 예측 모델은,
발전량 예측 모델들 중 적어도 2개의 예측 발전량들을 가중 평균하는 모델로, 발전량 예측 모델의 정확도에 따라 각기 다른 가중치가 부여되는 것을 특징으로 하는 발전소 제어 시스템.