KR102367028B1 - 일사량을 예측하는 방법, 장치 및 컴퓨터 프로그램 - Google Patents

일사량을 예측하는 방법, 장치 및 컴퓨터 프로그램 Download PDF

Info

Publication number
KR102367028B1
KR102367028B1 KR1020190159999A KR20190159999A KR102367028B1 KR 102367028 B1 KR102367028 B1 KR 102367028B1 KR 1020190159999 A KR1020190159999 A KR 1020190159999A KR 20190159999 A KR20190159999 A KR 20190159999A KR 102367028 B1 KR102367028 B1 KR 102367028B1
Authority
KR
South Korea
Prior art keywords
insolation
illuminance
target area
diffusion
amount
Prior art date
Application number
KR1020190159999A
Other languages
English (en)
Other versions
KR20210070025A (ko
Inventor
염종민
Original Assignee
한국항공우주연구원
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 한국항공우주연구원 filed Critical 한국항공우주연구원
Priority to KR1020190159999A priority Critical patent/KR102367028B1/ko
Publication of KR20210070025A publication Critical patent/KR20210070025A/ko
Application granted granted Critical
Publication of KR102367028B1 publication Critical patent/KR102367028B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W2201/00—Weather detection, monitoring or forecasting for establishing the amount of global warming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Operations Research (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Strategic Management (AREA)
  • Mathematical Optimization (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Mathematical Analysis (AREA)
  • Environmental & Geological Engineering (AREA)
  • Tourism & Hospitality (AREA)
  • Atmospheric Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Business, Economics & Management (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Algebra (AREA)
  • Marketing (AREA)
  • Databases & Information Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)

Abstract

본 발명의 일 실시예에 따른 일사량을 예측하는 방법은, 복수의 제1 시점들의 목표 지역에 대한 제1 일사량 지도들을 생성하는 단계; 상기 제1 일사량 지도들을 인공 신경망에 입력하여 상기 제1 시점들 이후의 제2 시점의 상기 목표 지역에 대한 제2 일사량 지도를 생성하는 단계; 및 상기 제2 일사량 지도를 기초로, 상기 제2 시점의 상기 목표 지역의 제2 일사량을 예측하는 단계를 포함한다.

Description

일사량을 예측하는 방법, 장치 및 컴퓨터 프로그램{METHOD, APPARATUS AND COMPUTER PROGRAM FOR PREDICTING SOLAR RADIATION}
본 발명은 일사량을 예측하는 방법, 장치 및 컴퓨터 프로그램에 관한 것으로서, 더욱 구체적으로는 복수의 시점의 일사량 지도들을 기반으로 상기 복수의 시점 이후의 일 시점의 일사량을 예측하는 방법, 장치 및 컴퓨터 프로그램에 관한 것이다.
최근에 신재생 에너지원으로서 크게 태양광 에너지, 풍력 에너지, 지열 에너지 등이 있으며 그 중에서 태양광 에너지는 가장 높은 효율을 가지며 전력화가 쉬운 이점이 있다. 그러나 태양광 에너지는 날씨의 영향이 크므로 잠재적인 생산량을 예측하는 것이 어려운 문제점이 있다. 따라서 태양광 에너지의 시공간적인 수치화가 필요하다.
이를 위해, 기존에 사용되던 머신 러닝 기법은 정확도가 낮고, 대용량의 데이터에 대하여 낮은 민감도를 가지며, 주변값에 대하여 고려하지 않는 등의 한계점이 있어 왔다. 따라서, 데이터 예측의 정확도를 높이고, 대용량의 데이터에 대한 민감도를 높일 뿐만 아니라 실제 대기의 공간적 특성까지 고려한 새로운 머신 러닝 모델이 필요하다.
본 발명은 순차적으로 분포하는 복수의 시점의 일사량 지도들을 기초로 상기 복수의 시점 이후의 일 시점의 일사량 지도를 생성하여 일사량을 정확히 예측함으로써, 전력을 효율적이고 안정적으로 생산 및 관리할 수 있는 일사량을 예측하는 방법, 장치 및 컴퓨터 프로그램을 제공하고자 한다.
본 발명의 일 실시예에 따른 컴퓨팅 장치에 의해 수행되는 일사량을 예측하는 방법은, 복수의 제1 시점들의 목표 지역에 대한 제1 일사량 지도들을 생성하는 단계; 상기 제1 일사량 지도들을 인공 신경망에 입력하여 상기 제1 시점들 이후의 제2 시점의 상기 목표 지역에 대한 제2 일사량 지도를 생성하는 단계; 및 상기 제2 일사량 지도를 기초로, 상기 제2 시점의 상기 목표 지역의 제2 일사량을 예측하는 단계;를 포함한다.
상기 복수의 제1 시점들의 목표 지역에 대한 제1 일사량 지도들을 생성하는 단계는 상기 제1 시점들에 상기 목표 지역을 촬영한 위성 사진들을 수신하는 단계; 일사량 물리 모델을 이용하여 상기 제1 시점들의 상기 목표 지역의 제1 일사량들을 획득하는 단계; 및 상기 위성 사진들과 상기 제1 일사량들을 이용하여, 상기 제1 일사량 지도들을 생성하는 단계;를 포함할 수 있다.
상기 복수의 제1 시점들은 미리 설정된 제1 시간 단위로 순차적으로 분포하는 적어도 두 개 이상의 시점을 포함할 수 있다.
상기 제2 시점은 상기 제1 시점들 중 최후의 시점보다 상기 제1 시간 이후의 시점일 수 있다.
상기 인공 신경망은 제1 은닉층 및 제2 은닉층을 포함하고, 상기 제1 은닉층은 상기 제1 일사량 지도들이 포함하는 데이터들로 학습되는, 적어도 1 개 이상의 제1 컨볼루션 층(convolution layer)을 포함하고, 상기 제2 은닉층은, 상기 제1 은닉층이 처리한 데이터들을 입력 받는 제2 컨볼루션 층; 및 상기 제2 컨볼루션 층이 처리한 데이터를 변환하는 제3 컨볼루션 층 및 제4 컨볼루션 층을 포함할 수 있다.
상기 제3 컨볼루션 층은 상기 제2 컨볼루션 층이 처리한 데이터를 3 차원(3 dimensional; 3D) 데이터로 변환하고, 상기 제4 컨볼루션 층은 상기 제2 컨볼루션 층이 처리한 데이터를 2 차원(2 dimensional; 2D) 데이터로 변환할 수 있다.
상기 일사량 물리 모델을 이용하여 상기 제1 일사량들을 획득하는 단계는, 상기 일사량 물리 모델을 이용하여 유입 일사 상수, 직접 조도, 제1 확산 조도, 제2 확산 조도 및 운량의 감쇠 정도를 매개 변수화하는 제1 변수를 획득하는 단계; 상기 목표 지역을 서로 다른 운량을 가지는 제1 영역 및 제2 영역으로 나누는 단계; 및 상기 유입 일사 상수, 상기 직접 조도, 상기 제1 확산 조도, 상기 제2 확산 조도 및 상기 제1 변수를 이용하여, 상기 제1 영역의 상기 제1 일사량 및 상기 제2 영역의 상기 제1 일사량을 획득하는 단계;를 포함하고, 상기 제1 확산 조도 및 상기 제2 확산 조도는 서로 다른 기체에 대한 확산 조도일 수 있다.
상기 일사량 물리 모델을 이용하여 상기 유입 일사 상수, 상기 직접 조도, 상기 제1 확산 조도 및 상기 제2 확산 조도를 획득하는 단계는, 태양과 관련된 상수들을 이용하여 상기 유입 일사 상수를 계산하는 단계; 및 상기 서로 다른 기체 각각에 대한 대기 변수를 이용하여 상기 제1 확산 조도 및 상기 제2 확산 조도를 계산하는 단계;를 포함할 수 있다.
상기 제1 영역의 상기 제1 일사량은 상기 유입 일사 상수, 상기 제1 확산 조도 및 상기 제2 확산 조도를 이용하여 산출되고, 상기 제2 영역의 상기 제1 일사량은 상기 유입 일사 상수, 상기 제1 확산 조도 및 상기 제2 확산 조도 및 상기 제1 변수를 이용하여 산출되고, 상기 제2 영역의 운량이 상기 제1 영역의 운량보다 큰 영역일 수 있다.
본 발명의 일 실시예에 따른 컴퓨터 프로그램은 컴퓨터를 이용하여 전술한 일사량을 예측하는 방법을 실행하기 위하여 매체에 저장된다.
본 발명의 일 실시예에 따른 복수의 제1 시점들의 제1 일사량들을 기초로 하여 제2 시점의 제2 일사량을 예측하는 장치는 메모리 및 제어부를 포함하고, 상기 메모리는, 상기 복수의 제1 시점들에 목표 지역의 위성 사진들을 저장하고, 상기 제1 일사량들을 산출하기 위한 일사량 물리 모델을 저장하며, 상기 제어부는, 상기 복수의 제1 시점들의 목표 지역에 대한 제1 일사량 지도들을 생성하고, 상기 제1 일사량 지도들을 인공 신경망에 입력하여 상기 제1 시점들 이후의 제2 시점의 상기 목표 지역에 대한 제2 일사량 지도를 생성하고, 상기 제2 일사량 지도를 기초로, 상기 제2 시점의 상기 목표 지역의 제2 일사량을 예측한다.
상기 제어부는, 상기 일사량 물리 모델을 이용하여 상기 제1 시점들의 상기 목표 지역의 상기 제1 일사량들을 획득하며, 상기 위성 사진들과 상기 제1 일사량들을 기초로 상기 제1 일사량 지도들을 생성하여, 상기 제1 일사량 지도들을 인공 신경망에 입력할 수 있다.
상기 복수의 제1 시점들은 미리 설정된 제1 시간 단위로 순차적으로 분포하는 적어도 두 개 이상의 시점을 포함할 수 있다.
상기 제2 시점은 상기 제1 시점들 중 최후의 시점보다 상기 제1 시간 이후의 시점일 수 있다.
상기 인공 신경망은 제1 은닉층 및 제2 은닉층을 포함하고, 상기 제1 은닉층은 상기 제1 일사량 지도들이 포함하는 데이터들로 학습되는, 적어도 1개 이상의 제1 컨볼루션 층(convolution layer)을 포함하고, 상기 제2 은닉층은, 상기 제1 은닉층이 처리한 데이터들을 입력 받는 제2 컨볼루션 층; 및 상기 제2 컨볼루션 층이 처리한 데이터를 변환하는 제3 컨볼루션 층 및 제4 컨볼루션 층을 포함할 수 있다.
상기 제3 컨볼루션 층은 상기 제2 컨볼루션 층이 처리한 데이터를 3 차원(3 dimensional; 3D) 데이터로 변환하고, 상기 제4 컨볼루션 층은 상기 제2 컨볼루션 층이 처리한 데이터를 2 차원(2 dimensional; 2D) 데이터로 변환할 수 있다.
상기 일사량 물리 모델은 유입 일사 상수, 직접 조도, 제1 확산 조도, 제2 확산 조도 및 운량의 감쇠 정도를 매개 변수화하는 제1 변수를 산출하는 관계식들을 포함하고, 상기 제어부는, 상기 목표 지역을 서로 다른 운량을 가지는 제1 영역 및 제2 영역으로 나누고, 상기 유입 일사 상수, 상기 직접 조도, 상기 제1 확산 조도, 상기 제2 확산 조도 및 상기 제1 변수를 이용하여, 상기 제1 영역의 상기 제1 일사량 및 상기 제2 영역의 상기 제1 일사량을 획득하고, 상기 제1 확산 조도 및 상기 제2 확산 조도는 서로 다른 기체에 대한 확산 조도일 수 있다.
상기 제어부는, 태양과 관련된 상수들을 이용하여 상기 유입 일사 상수를 계산하고, 상기 서로 다른 기체 각각에 대한 대기 변수를 이용하여 상기 제1 확산 조도 및 상기 제2 확산 조도를 계산할 수 있다.
상기 제1 영역의 상기 제1 일사량은 상기 유입 일사 상수, 상기 제1 확산 조도 및 상기 제2 확산 조도를 이용하여 산출되고, 상기 제2 영역의 상기 제1 일사량은 상기 유입 일사 상수, 상기 제1 확산 조도 및 상기 제2 확산 조도 및 상기 제1 변수를 이용하여 산출될 수 있다.
본 발명은 순차적으로 분포하는 복수의 시점의 일사량 지도들을 기초로 상기 복수의 시점 이후의 일 시점의 일사량 지도를 생성하여 일사량을 정확히 예측함으로써, 전력을 효율적이고 안정적으로 생산 및 관리할 수 있다.
도 1은 본 발명의 일 실시예에 따른 일사량을 예측하는 시스템을 개략적으로 도시한 도면이다.
도 2는 본 발명의 일 실시예에 따른 일사량 예측 장치를 개략적으로 나타내는 도면이다.
도 3은 본 발명의 일 실시예에 따른 일사량 예측 장치의 제어부의 동작을 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시예에 따른 인공 신경망의 구조를 개략적으로 도시한 도면이다.
도 5는 본 발명의 일 실시예에 따른 제어부의 시뮬레이션 결과를 도시한 도면이다.
도 6은 본 발명의 일 실시예에 따른 일사량의 예측 방법을 설명하기 위한 순서도이다.
도 7은 본 발명의 일 실시예에 따른 일사량의 예측 방법의 일부분을 구체적으로 설명하기 위한 순서도이다.
본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이러한 실시예는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 그러나 본 발명은 아래에서 제시되는 실시예들로 한정되는 것이 아니라, 서로 다른 다양한 형태로 구현될 수 있고, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우, 그 상세한 설명을 생략한다.
본 출원에서 사용한 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, "포함한다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다. 제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
기술적이거나 과학적인 용어를 포함해서 본 문서에서 사용되는 용어들은 본 문서에 기재된 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가질 수 있다. 본 문서에 사용된 용어들 중 일반적인 사전에 정의된 용어들은, 관련 기술의 문맥상 가지는 의미와 동일 또는 유사한 의미로 해석될 수 있으며, 본 문서에서 명백하게 정의되지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다. 경우에 따라서, 본 문서에서 정의된 용어일지라도 본 문서의 실시 예들을 배제하도록 해석될 수 없다.
이하, 첨부된 도면을 이용하여 본 발명의 다양한 실시예들에 대하여 구체적으로 설명한다.
도 1은 본 발명의 일 실시예에 따른 일사량을 예측하는 시스템을 개략적으로 도시한 도면이다.
도 1의 일사량 예측 시스템은 인공 위성(100), 위성 송수신기(200) 및 컴퓨팅 장치를 포함하는 예를 나타내고 있다. 이하, 컴퓨팅 장치를 일사량 예측 장치(300)로 명명하여 설명하기로 한다. 이러한 도 1은 발명의 설명을 위한 일례로 인공 위성(100), 위성 송수신기(200) 및 일사량 예측 장치(300)의 수가 도 1과 같이 한정되는 것은 아니다.
본 발명에서 인공 위성(100)은 3차원 공간상에서 이동하는 다양한 장치일 수 있다. 가령 인공 위성(100)은 지구 및/또는 다른 행성의 주위를 공전하거나 이동하면서 지상국과 데이터를 송수신 하는 장치일 수 있다. 이러한 경우 인공 위성(100)은 발사체 등에 탑재 되어 발사대를 통하여 발사될 수 있다. 이때 인공 위성(100)에는 소정의 목적 및/또는 용도에 따른 소프트웨어가 탑재될 수 있다.
또한 인공 위성(100)은 대기권 내에서 소정의 목적 및/또는 용도에 따라 비행하는 비행체일 수도 있다. 이러한 경우 인공 위성(100)은 발사체 및/또는 발사대 없이도 이륙 및/또는 착륙할 수 있다. 다만 이는 예시적인 것으로 본 발명의 사상이 이에 한정되는 것은 아니다.
본 발명의 인공 위성(100)은 복수의 제1 시점들에 목표 지역을 촬영한 위성 사진들을 위성 송수신기(200)로 제공할 수 있다. 상기 위성 사진들은 상기 목표 지역에 대한 위치 정보 및 구름의 형태와 운량에 관한 구름의 분포를 포함할 수 있다.
위성 송수신기(200)는 인공 위성(100)이 송신하는 위성 사진들을 수신할 수 있다. 일반적으로 가시 영역에 있는 인공 위성(100)의 수 및 위성 송수신기(200)의 수가 많을수록, 위성 송수신기(200)가 수신하는 데이터에 대한 계산의 정확도가 증가할 수 있다. 그러나, 인공 위성(100)의 수 및 위성 송수신기(200)의 수가 일정 수준의 도달 이후에는 정확도가 떨어질 수도 있다. 즉, 일 실시예에 따른 일사량 예측 시스템이 포함하는 인공 위성(100) 및 위성 송수신기(200)의 수는, 본 발명에 필요한 위성 사진들이 포함하는 데이터에 대한 계산의 정확도가 최적화되도록 적정한 수로 변경될 수 있다.
또한, 위성 송수신기(200)는 인공 위성(100)으로부터 수신한 위성 사진들을 일사량 예측 장치(300)로 송신할 수 있다.
일사량 예측 장치(300)는 위성 송수신기(200)로부터 수신한 위성 사진들을 기반으로, 복수의 제1 시점들 이후의 제2 시점의 일사량을 예측할 수 있다. 더 구체적으로는, 과거의 복수의 제1 시점들에 촬영한 목표 지역에 대한 위성 사진들을 기반으로 제1 일사량 지도들을 생성할 수 있다. 제1 일사량 지도들(511)을 본 발명의 일 실시예에 따른 인공 신경망에 입력 데이터로 입력하여 상기 제1 시점 이후의 제2 시점의 목표 지역의 일사량을 예측할 수 있다.
이하, 도 2를 사용하여 일사량 예측 장치(300)에 대하여 더 상세하게 설명하기로 한다. 도 2는 본 발명의 일 실시예에 따른 일사량 예측 장치(300)를 개략적으로 나타내는 도면이다.
일사량 예측 장치(300)는 메모리(400) 및 제어부(500)를 포함할 수 있다.
일 실시예에 따른 메모리(400)는 위성 사진들(410) 및 일사량 물리 모델(420)을 저장할 수 있다. 위성 사진들(410)은 일 실시예에 따른 위성 송수신기(200)로부터 수신할 수 있다. 일사량 물리 모델(420)은 일 실시예에 따라서 입력 데이터(510)를 생성하기 위한 모델일 수 있다. 일 실시예에 따른 입력 데이터(510)는 상기 위성 사진들(410)을 촬영한 복수의 제1 시점(T1; 도 3 참고)의 목표 지역에 대한 제1 일사량 지도들(511; 도 3 참고)일 수 있다.
일 실시예에 따른 일사량 물리 모델(420)은 유입 일사 상수(incident solar constant)(S), 직접 조도(direct irradiance)(SI), 제1 확산 조도(diffuse irradiance)(SR), 제2 확산 조도(SA) 및 운량을 반영하는 제1 변수(CF)를 도출하는 복수의 관계식들을 포함할 수 있다. 상기 제1 및 제2 확산 조도(SA, SR)는 서로 다른 요인에 의한 확산 조도일 수 있다. 일 예로, 제1 확산 조도(SA)는 에어로졸에 의한 확산 조도, 제2 확산 조도(SR)는 레일리 산란(Rayleigh scattering)에 의한 확산 조도일 수 있다.
상기 유입 일사 상수(incident solar constant)(S)는 태양과 관련된 상수들을 이용하여 아래 수학식 1로부터 산출될 수 있다. 상기 태양과 관련된 상수들은 태양 상수 I, 태양과 지구 간의 거리 d, 연평균 태양과 지구 간의 거리 dM 및 태양 고도(solar zenith angle) θ를 포함할 수 있다.
Figure 112019125463072-pat00001
직접 조도(direct irradiance)(SI), 제1 및 제2 확산 조도(SR, SA)는 아래 수식들을통해 산출될 수 있다.
Figure 112019125463072-pat00002
Figure 112019125463072-pat00003
Figure 112019125463072-pat00004
상기 수식들에서, S는 유입 일사 상수(incident solar constant), τo는 오존(ozone)의 흡수에 의한 투과율, τR은 레일리 산란(Rayleigh scattering)에 의한 투과율, αW는 수증기의 흡수, τA는 에어로졸에 의한 감쇠로 인한 투과율, ω0는 단일 산란 반사율(the single scattering albedo), FC는 에어로졸에 의한 전방 산란 대 총 산란의 비율(the ratio of forward to total scattering by aerosols)을 나타낸다.
이하, τo, τR, αW, τA, ω0 및 FC를 서로 다른 기체 각각에 대한 대기 변수라 명명하여 설명할 수 있다. 즉, 일 예로, 직접 조도(SI) 및 확산 조도(SR, SA)는 서로 다른 기체, 예컨대 에어로졸, 수증기 등에 대한 대기 변수를 이용하여 산출될 수 있다.
제1 변수(CF)는 운량의 감쇠(cloud attenuations)를 매개 변수화하는 운량 팩터(cloud factor)일 수 있다. 일 예로, 제1 변수(CF)는 일사량 예측 장치(300)가 인공 위성(100)으로부터 수신한 위성 사진들(410) 및/또는 일사량 물리 모델(420)에 저장된 데이터들을 기반으로 산출할 수 있다
정리하면, 메모리(400)에 저장되는 일사량 물리 모델(420)은 상기 수학식 1, 수학식 2, 수학식 3, 수학식 4, 및 후술하는 수학식 5, 수학식 6을 포함할 수 있다. 다만, 메모리(400)가 저장하는 데이터는 이에 한정되지 않고, 제어부(500)가 수행하는 동작에 필요한 다양한 데이터를 저장할 수 있다.
메모리(400)는 컴퓨터에서 판독 가능한 기록 매체로서, RAM(Random Access Memory), ROM(Read Only Memory) 및 디스크 드라이브와 같은 비소명성 대용량 기록장치(Permanent Mass Storage Device)를 포함할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.
일 실시예에 따른 제어부(500)는 상술한 일사량 물리 모델(420)을 이용하여 복수의 제1 시점들(T1)의 상기 목표 지역의 제1 일사량들을 획득할 수 있다. 더 구체적으로는, 제어부(500)는 상기 목표 지역을 제1 영역 및 제2 영역으로 구분할 수 있다. 제1 영역은 상대적으로 구름의 양이 적은 맑은 영역이고, 제2 영역은 상대적으로 구름의 영역이 많은 흐린 영역일 수 있다. 상기 제1 및 제2 영역은 일사량 예측 장치(300)가 인공 위성(100)으로부터 수신한 위성 사진들(410)을 기반으로 구름의 공간적인 분포를 파악함으로써 구분할 수 있다.
제1 영역의 제1 일사량(S1)은 하기 수학식 5에 의해 산출될 수 있다. 일 예로, 제1 영역의 제1 일사량(S1)은 직접 조도(SI), 제1 및 제2 확산 조도(SR, SA)의 총 합으로 산출될 수 있다.
Figure 112019125463072-pat00005
제2 영역의 제1 일사량(S2)은 하기 수학식 6에 의해 산출될 수 있다. 일 예로, 제2 영역의 제1 일사량(S2)은 직접 조도(SI), 제1 및 제2 확산 조도(SR, SA)의 총 합에 제1 변수(CF)를 곱한 값으로 산출될 수 있다.
Figure 112019125463072-pat00006
상술한 메모리(400)에 저장되는 일사량 물리 모델(420)은 상기 수학식 5 및 수학식 6을 포함할 수 있다.
제어부(500)는 상기 제1 일사량들(S1, S2)과 메모리(400)에 저장된 위성 사진들(410)에 기초하여, 상기 제1 시점들(T1)의 상기 목표 지역에 대한 제1 일사량 지도들(511; 도 3 참고)을 생성할 수 있다. 제1 일사량 지도들(511; 도 3 참고)은 상기 목표 지역에 대하여 n 개의 행 및 m 개의 열을 가지는 매트릭스(matrix) 형태(이때, n과 m은 양의 정수이며 서로 같을 수도 있고)로 분포하는 제1 일사량들을 포함할 수 있다. 여기서, n과 m은 양의 정수이며 서로 같을 수도 있고, 서로 다를 수도 있다.
이때, 제1 일사량 지도의 (x, y) 좌표에 위치하는 각 화소(여기서, x, y 각각은 1<x<n, 1<y<m인 양의 정수이다.)들은 상기 제1 영역 또는 상기 제2 영역으로 분류될 수 있다. 상기 제2 영역으로 분류될 경우, 제1 변수(CF)를 반영하여 제1 일사량을 산출할 수 있다. 제1 영역 및 제2 영역은 서로 다른 일사량을 가질 수 있다.
제어부(500)는 프로세서(processor)와 같이 데이터를 처리할 수 있는 모든 종류의 장치를 포함할 수 있다. 여기서, '프로세서(processor)'는, 예를 들어 프로그램 내에 포함된 코드 또는 명령으로 표현된 기능을 수행하기 위해 물리적으로 구조화된 회로를 갖는, 하드웨어에 내장된 데이터 처리 장치를 의미할 수 있다. 이와 같이 하드웨어에 내장된 데이터 처리 장치의 일 예로써, 마이크로프로세서(Microprocessor), 중앙처리장치(Central Processing Unit: CPU), 프로세서 코어(Processor Core), 멀티프로세서(Multiprocessor), ASIC(Application-Specific Integrated Circuit), FPGA(Field Programmable Gate Array) 등의 처리 장치를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.
제어부(500)의 자세한 동작에 관하여는, 이하에서 도 3을 사용하여 더 구체적으로 설명하기로 한다.
도 3은 본 발명의 일 실시예에 따른 일사량 예측 장치(300)의 제어부(500)의 동작을 설명하기 위한 도면이다. 일 실시예에 따른 제어부(500)는 복수의 제1 시점(T1-1, T1-2, …, T1-n; n은 1보다 큰 양의 정수)의 목표 지역에 대한 제1 일사량 지도들(511a, …, 511n; n은 1보다 큰 양의 정수)을 기반으로 상기 복수의 제1 시점(T1-1, T1-2, …, T1-n) 이후의 제2 시점(T2)의 상기 목표 지역에 대한 제2 일사량 지도(531)를 출력함으로써, 상기 제2 시점(T2)의 일사량을 예측할 수 있다.
제어부(500)는 입력 데이터(510)를 제어부(500)에 저장된 인공 신경망(520)에 입력하여 출력 데이터(530)를 출력한다. 이하, 입력 데이터(510), 인공 신경망(520) 및 출력 데이터(530)에 관하여 더 상세히 설명하기로 한다.
일 실시예에 따른 입력 데이터(510)는 복수의 제1 시점(T1)의 목표 지역에 대한 제1 일사량 지도들(511)일 수 있다. 상기 복수의 제1 시점(T1)은 미리 설정된 제1 시간 단위로 순차적으로 분포하는 적어도 두 개 이상의 n 개의 시점(T1-1, T1-2, …, T1-n; 이하 T1으로 설명할 수 있다.)을 포함할 수 있다. 이때 상기 복수의 제1 시점(T1-1, T1-2, …, T1-n)은 T1-1부터 T1-n까지 상기 제1 시간 간격으로 순차적으로 분포하는 시점일 수 있다. 제1 일사량 지도들(511)은 각 n 개의 시점마다 생성되는 복수 개(511a, …, 511n; 이하 511으로 설명할 수 있다.)로 존재할 수 있다.
일 예로, 상기 제1 시간은 한 시간(hour)일 수 있다.
일 실시예에 따른 인공 신경망(520)은 입력된 상기 제1 일사량 지도들(511)을 기초로 상기 제1 시점들(T1) 이후의 제2 시점(T2)의 상기 목표 지역에 대한 제2 일사량 지도(531)를 생성할 수 있다. 또한, 인공 신경망(520)은 상기 제2 일사량 지도(531)를 기초로, 상기 제2 시점(T2)의 상기 목표 지역의 일사량을 예측할 수 있다.
본 발명에서 인공 신경망(520)은 미래의 일 시점의 일사량을 예측하기 위해 학습된 신경망으로, 머신 러닝(Machine Learning) 또는 딥러닝(Deep Learning) 기법에 의해 학습된 것 일 수 있다.
일 실시예에 따른 인공 신경망(520)에 대하여는 후술하는 도 4를 사용하여 더 상세히 설명하기로 한다.
일 실시예에 따른 출력 데이터(530)는 상기 복수의 제1 시점 이후의 제2 시점(T2)의 상기 목표 지역에 대한 제2 일사량 지도(531)일 수 있다. 제2 시점(T2)은 상기 복수의 제1 시점(T1) 중 최후의 시점(T1-n)보다 상기 제1 시간 이후의 시점일 수 있다.
일 예로, 복수의 제1 시점들(T1)은 제3, 제4, 제5, 제6 및 제7 시점(T1-1, T1-2, T1-3, T1-4, T1-5)(n=5인 경우)을 포함하고, 상기 제3 내지 제7 시점(T1-1, T1-2, T1-3, T1-4, T1-5)은 순차적으로 상기 제1 시간 단위로 분포하는 시점일 수 있다. 예를 들어, 복수의 제1 시점(T1-1, T1-2, T1-3, T1-4, T1-5)이 9:00 시부터 13:00 시까지 한 시간(hour) 단위로 순차적으로 분포하는 9:00(T1-1), 10:00(T1-2), 11:00(T1-3), 12:00(T1-4) 및 13:00 시(T1-5)인 경우, 제2 시점은 14:00 시(T2)일 수 있다. 즉, 9:00 시부터 13:00 시까지 1 시간(hour) 단위로 생성한 제1 일사량 지도들(511)을 기초로, 한 시간 이후인 14:00 시(T2)의 일사량을 예측할 수 있다.
도 4는 본 발명의 일 실시예에 따른 인공 신경망(520)의 구조를 개략적으로 도시한 도면이다. 이하, 도 1 내지 도 3에서 설명한 구성 요소와 동일한 구성 요소에 대하여는 동일한 도면 부호를 사용하여 설명할 수 있다.
본 발명의 일 실시예에 따른 인공 신경망(520)은 순환 신경망(RNN: Recurrent Neural Network) 모델 및 합성 곱 신경망(CNN: Convolutional Neural Network) 모델을 결합한 신경망일 수 있다. 이때 CNN 모델은 복수의 연산 레이어(Convolutional Layer, Pooling Layer)를 번갈아 수행하여 최종적으로는 입력 데이터(510)의 특징을 추출하는 데 사용되는 계층 모델일 수 있다. RNN 모델은 특정 노드의 출력이 해당 노드에 다시 입력되는 구조를 가질 수 있다. 즉 현재 들어온 입력 데이터(510)와 과거에 입력 받은 데이터를 동시에 고려하여 출력값을 도출하는 구조일 수 있다.
인공 신경망(520)은 제1 은닉층(520a) 및 제2 은닉층(520b)을 포함할 수 있으나, 인공 신경망(520)이 포함하는 은닉층의 개수는 이에 한정되지 않는다.
제1 은닉층(520a)은 입력 데이터(510)로 입력된 제1 일사량 지도들(511) 각각의 시공간적인 특징을 파악하고, 이후 인공 신경망(520)의 동작의 수행에 필요한 형태로 변환할 수도 있다.
제1 은닉층(520a)은, 도시하지는 않았으나 적어도 1 개 이상의 제1 컨볼루션 층(convolution layer)(521)을 포함할 수 있다. 상기 제1 컨볼루션 층(521)은 관련된 모든 입출력 변수에 3 차원(3 dimensional; 3D) 텐서(tensor)를 사용하는 합성 곱 장단기 메모리(ConvLSTM)(convolutional long short-term memory) 모델일 수 있다. 상기 ConvLSTM 모델은 RNN의 변형 모델인 LSTM 모델과 CNN 모델을 결합한 방식을 사용할 수 있다.
상기 ConvLSTM 모델은 입력 데이터(510)의 시간적 특징뿐만 아니라 공간적 특징까지 효과적으로 인지할 수 있다. 따라서, 본 발명의 일 실시예에 따른 인공 신경망(520)은, 입력 데이터(510)로서 인공 위성(100)으로부터 수신하는 위성 사진들(410)을 사용할 때 상기 위성 사진들(410)의 시공간적인 특징을 효과적으로 포착할 수 있다.
제1 컨볼루션 층(521)의 개수는 1 개 내지 4 개, 일 예로 3 개일 수 있다. 하기의 표 1을 참고하면, 제1 컨볼루션 층(521)의 개수가 서로 다른 예측 모델에 대하여, 일 시점의 일사량의 예측값 및 측정값 간의 정확도를 RMSE(Root mean square error)(W/m2)를 기반으로 측정하였다. 이때, 제1 컨볼루션 층(521)이 3 개일 때 RMSE 값이 가장 작은 70.4198(W/m2)을 나타내어, 일 시점의 일사량을 가장 정확하게 예측함을 확인하였다.
Figure 112019125463072-pat00007
제2 은닉층(520b)은 제1 은닉층(520a)에서 파악한 시공간적 데이터를 2 차원(2 dimensional; 2D) 데이터로 변환할 수 있다. 제2 은닉층(520b)은 제2 컨볼루션 층(522) 및 상기 제2 컨볼루션 층(522)이 처리한 데이터를 변환하는 제3 컨볼루션 층(523) 및 제4 컨볼루션 층(524)을 포함할 수 있다.
제2 컨볼루션 층(522)은 상술한 convLSTM 모델일 수 있다. 제2 컨볼루션 층(522)은 제1 은닉층(520a)이 포함하는 제1 컨볼루션 층(521)과 동일한 모델일 수 있다.
제3 컨볼루션 층(523) 및 제4 컨볼루션 층(524)은 CNN 모델일 수 있다. 제3 컨볼루션 층(523)은 제2 컨볼루션 층(522)이 처리한 데이터에서 3 차원(3D) 자료를 추출할 수 있다. 제4 컨볼루션 층(524)은 제2 컨볼루션 층(522)이 처리한 데이터에서 2 차원(2D) 자료를 추출할 수 있다.
이때, 제2 은닉층(520b)이 포함하는 제2, 제3 및 제4 컨볼루션 층(522, 523, 524)은 도 4에 도시된 바와 같이 각각 1 개일 수 있으나, 제2, 제3 및 제4 컨볼루션 층(522, 523, 524)의 개수는 본 발명을 한정하지 않는다.
인공 신경망(520)에 입력되는 입력 데이터(510)가 위성 사진들(410)일 경우, 위성 사진들(410)은 목표 지역에 대한 위치 정보나 구름의 분포와 같은 공간적인 정보뿐만 아니라 높은 시간 해상도(temporal resolution)를 가지는 시간적인 정보를 포함하는 대용량의 데이터일 수 있다. 따라서, 인공 신경망(520)은 이러한 대용량의 데이터로 학습될 수 있도록 큰 컴퓨팅 메모리가 필요할 수 있다.
본 발명의 일 실시예와 같이 인공 신경망(520)에 입력되는 입력 데이터(510)가 위성 사진들(410)에 기초한 제1 일사량 지도들(511)인 경우에도, 제1 일사량 지도들(511)은 목표 지역에 대한 시공간적인 일사량 정보를 포함하는 대용량의 데이터일 수 있다.
이에, 본 발명의 일 실시예에 따른 인공 신경망(520)은 RNN 방식을 변형한 LSTM 모델과 CNN 모델을 통합한 구조를 사용함으로써, 대용량의 입력 데이터(510)에 대한 민감도를 높일 수 있다.
도 5는 본 발명의 일 실시예에 따른 제어부(500)의 시뮬레이션 결과를 도시한 도면이다. 도 3 및 도 4에서 설명한 내용과 중복되는 내용은 설명을 간단히 하거나 생략하기로 한다.
제어부(500)는 복수의 제1 시점(T1-1, T1-2; 이하, T1이라 설명할 수 있다.)의 목표 지역에 대한 제1 일사량 지도들(511a, 511b; 이하 511이라 설명할 수 있다.)을 기반으로 상기 복수의 제1 시점(T1) 이후의 제2 시점(T2)의 상기 목표 지역에 대한 제2 일사량 지도(531)를 출력함으로써, 상기 제2 시점(T2)의 일사량을 예측할 수 있다.
입력 데이터(510)는 복수의 제1 일사량 지도일 수 있다. 도 5는 두 개의 제1 시점(T1) 각각에 대한 제1 일사량 지도(511)를 입력 데이터(510)로 사용한 시뮬레이션 결과를 도시하고 있다.
도 5의 실시예에 따른 제1 일사량 지도들(511)은 목표 지역을 한반도로 설정하였다. 제1 일사량 지도들(511)의 가로축은 위도, 세로축은 경도를 나타낸다. 제1 일사량 지도들(511)은 목표 지역에 분포하는 운량 및 도 2에서 설명한 일사량 물리 모델(420)을 기반으로 산출한 서로 다른 일사량들이 반영되어 있다.
제1 일사량 지도들(511)에서 명암이 밝을수록 운량이 적어 상대적으로 맑은 영역(도 2에서 설명한 제1 영역)이고, 명암이 어두울수록 운량이 많아 상대적으로 흐린 영역(도 2에서 설명한 제2 영역)일 수 있다.
서로 다른 제1 시점(T1-1, T1-2) 간의 간격은 미리 설정된 제1 시간일 수 있다. 즉, 제1 일사량 지도(511b)는 제1 일사량 지도(511a)보다 제1 시간만큼 이후의 시점에 대한 일사량 지도일 수 있다. 일 예로, 상기 제1 시간은 한 시간(h)일 수 있다.
상기 제1 일사량 지도들(511)을 기반으로 인공 신경망(520)을 학습시키면, 인공 신경망(520)은 상기 복수의 제1 시점들(T1) 이후의 제2 시점(T2)의 제2 일사량 지도(531)를 추출할 수 있다. 이때, 제2 시점(T2)은 상기 복수의 제1 시점들(T1) 중 최후 시점보다 미리 설정된 제1 시간만큼 이후의 시점일 수 있다. 도 5의 예에서, 제2 시점(T2)은 복수의 제1 시점들(T1) 중 최후 시점인 제1 시점(T1-2) 보다 제1 시간만큼 이후의 시점일 수 있다.
본 발명의 일 실시예에 따른 인공 신경망(520)은 도 4에서 설명한 바와 같이 CNN 모델 및 RNN 모델의 방식을 결합한 구조를 사용함으로써, 복수의 제1 시점의 제1 일사량 지도와 같은 대용량의 입력 데이터(510)에 대한 민감도를 높여 일사량의 단기 예보의 정확도를 높일 수 있다.
도 6은 본 발명의 일 실시예에 따른 일사량의 예측 방법을 설명하기 위한 순서도이다. 이하, 도 1 내지 도 5를 참고하여 설명하되, 도 1 내지 도 5에서 설명한 내용과 중복되는 내용은 설명을 간략히 하거나 생략할 수 있다.
본 발명의 일 실시예에 따른 제어부(500)는 복수의 제1 시점들(T1)의 목표 지역에 대한 제1 일사량 지도들(511)을 생성할 수 있다(S100). S100 단계에 관하여는 이하 도 7에서 더 상세히 설명하기로 한다.
이후, 제어부(500)는 상기 제1 일사량 지도들(511)을 제어부(500)에 저장된 인공 신경망(520)에 입력하여 상기 복수의 제1 시점들(T1) 이후의 제2 시점(T2)의 목표 지역에 대한 제2 일사량 지도(531)를 생성할 수 있다(S200).
이후, 제어부(500)는 인공 신경망(520)을 이용하여 제2 일사량 지도(531)를 기초로, 제2 시점(T2)의 목표 지역의 제2 일사량을 예측할 수 있다. 본 발명의 일 실시예에 따른 인공 신경망(520)을 통해 복수의 제1 시점들(T1)의 대용량의 입력 데이터(510)를 기반으로 상기 제1 시점들(T1) 이후의 제2 시점(T2)의 일사량을 예측함으로써 전력을 효율적이고 안정적으로 생산 및 관리할 수 있다.
도 7은 본 발명의 일 실시예에 따른 일사량의 예측 방법의 일부분을 구체적으로 설명하기 위한 순서도이다. 이하, 도 7을 사용하여 입력 데이터(510)로 사용되는 제1 일사량 지도들(511)을 생성하는 단계(S100)에 관하여 더 상세히 설명하기로 한다. 즉, 도 6에서 A로 표시된 부분부터 B로 표시된 부분까지 수행되는 단계를 설명한다.
본 발명의 일 실시예에 따른 제어부(500)는, 인공 위성(100)이 복수의 제1 시점들(T1)에 목표 지역을 촬영한 위성 사진들(410)을 수신할 수 있다 (S110). 상기 위성 사진들(410)은 목표 지역의 위치 정보 및 상기 목표 지역에 대한 구름의 분포 등의 공간적인 정보를 포함할 수 있다.
또한, 제어부(500)는 일사량 물리 모델(420)을 이용하여 상기 제1 시점들(T1)의 목표 지역의 제1 일사량들을 획득할 수 있다 (S120). 상기 일사량 물리 모델(420)은 본 발명의 일 실시예에 따른 일사량 예측 장치(300)가 포함하는 메모리(400) 상에 저장될 수 있다. 또한, 일사량 물리 모델(420)은 상기 제1 일사량들을 획득하기 위한 관계식들을 포함할 수 있다. 일 예로, 도 2에서 설명한 수학식 1 내지 수학식 6을 저장할 수 있다.
S110, S120 단계가 수행된 후, 제어부(500)는 S110 단계에서 수신한 위성 사진들(410)과 S120 단계에서 획득한 제1 일사량들을 이용하여, 제1 시점들(T1)의 목표 지역에 대한 제1 일사량 지도들(511)을 생성할 수 있다 (S130).
이상 설명된 본 발명에 따른 실시예는 컴퓨터 상에서 다양한 구성요소를 통하여 실행될 수 있는 컴퓨터 프로그램의 형태로 구현될 수 있으며, 이와 같은 컴퓨터 프로그램은 컴퓨터로 판독 가능한 매체에 기록될 수 있다. 이때, 매체는 컴퓨터로 실행 가능한 프로그램을 저장하는 것일 수 있다. 매체의 예시로는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등을 포함하여 프로그램 명령어가 저장되도록 구성된 것이 있을 수 있다.
한편, 상기 컴퓨터 프로그램은 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 프로그램의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함될 수 있다.
또한, 이상에서는 본 발명의 바람직한 실시 예에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시 예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해되어져서는 안될 것이다.
따라서, 본 발명의 사상은 앞에서 설명된 실시 예들에 국한하여 정해져서는 아니되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 또는 이로부터 등가적으로 변경된 모든 범위가 본 발명의 사상의 범주에 속한다고 할 것이다.
100: 인공 위성 200: 위성 송수신기
300: 일사량 예측 장치 400: 메모리
410: 위성 사진들 420: 일사량 물리 모델
500: 제어부 510: 입력 데이터
511: 제1 일사량 지도 520: 인공 신경망
530: 출력 데이터 531: 제2 일사량 지도
T1: 제1 시점 T2: 제2 시점
520a: 제1 은닉층 520b: 제2 은닉층
521: 제1 컨볼루션 층 522: 제2 컨볼루션 층
523: 제3 컨볼루션 층 524: 제4 컨볼루션 층

Claims (19)

  1. 컴퓨팅 장치에 의해 수행되는 일사량을 예측하는 방법에 있어서,
    복수의 제1 시점들의 목표 지역에 대한 제1 일사량 지도들을 생성하는 단계;
    상기 제1 일사량 지도들을 인공 신경망에 입력하여 상기 제1 시점들 이후의 제2 시점의 상기 목표 지역에 대한 제2 일사량 지도를 생성하는 단계; 및
    상기 제2 일사량 지도를 기초로, 상기 제2 시점의 상기 목표 지역의 제2 일사량을 예측하는 단계;를 포함하고,
    상기 인공 신경망은 제1 은닉층 및 제2 은닉층을 포함하고,
    상기 제1 은닉층은 상기 제1 일사량 지도들이 포함하는 데이터들로 학습되는, 적어도 1 개 이상의 제1 컨볼루션 층(convolution layer)을 포함하고,
    상기 제2 은닉층은,
    상기 제1 은닉층이 처리한 데이터들을 입력 받는 제2 컨볼루션 층; 및
    상기 제2 컨볼루션 층이 처리한 데이터를 변환하는 제3 컨볼루션 층 및 제4 컨볼루션 층을 포함하는 일사량을 예측하는 방법.
  2. 제1항에 있어서,
    상기 복수의 제1 시점들의 목표 지역에 대한 제1 일사량 지도들을 생성하는 단계는,
    상기 제1 시점들에 상기 목표 지역을 촬영한 위성 사진들을 수신하는 단계;
    일사량 물리 모델을 이용하여 상기 제1 시점들의 상기 목표 지역의 제1 일사량들을 획득하는 단계; 및
    상기 위성 사진들과 상기 제1 일사량들을 이용하여, 상기 제1 일사량 지도들을 생성하는 단계;를 포함하는 일사량을 예측하는 방법.
  3. 제1항에 있어서,
    상기 복수의 제1 시점들은 미리 설정된 제1 시간 단위로 순차적으로 분포하는 적어도 두 개 이상의 시점을 포함하는, 일사량을 예측하는 방법.
  4. 제3항에 있어서,
    상기 제2 시점은 상기 제1 시점들 중 최후의 시점보다 상기 제1 시간 이후의 시점인, 일사량을 예측하는 방법.
  5. 삭제
  6. 제1항에 있어서,
    상기 제3 컨볼루션 층은 상기 제2 컨볼루션 층이 처리한 데이터를 3 차원(3 dimensional; 3D) 데이터로 변환하고,
    상기 제4 컨볼루션 층은 상기 제2 컨볼루션 층이 처리한 데이터를 2 차원(2 dimensional; 2D) 데이터로 변환하는, 일사량을 예측하는 방법.
  7. 제2항에 있어서,
    상기 일사량 물리 모델을 이용하여 상기 제1 일사량들을 획득하는 단계는,
    상기 일사량 물리 모델을 이용하여 유입 일사 상수, 직접 조도, 제1 확산 조도, 제2 확산 조도 및 운량의 감쇠 정도를 매개 변수화하는 제1 변수를 획득하는 단계;
    상기 목표 지역을 서로 다른 운량을 가지는 제1 영역 및 제2 영역으로 나누는 단계; 및
    상기 유입 일사 상수, 상기 직접 조도, 상기 제1 확산 조도, 상기 제2 확산 조도 및 상기 제1 변수를 이용하여, 상기 제1 영역의 상기 제1 일사량 및 상기 제2 영역의 상기 제1 일사량을 획득하는 단계;를 포함하고,
    상기 제1 확산 조도 및 상기 제2 확산 조도는 서로 다른 기체에 대한 확산 조도인, 일사량을 예측하는 방법.
  8. 제7항에 있어서,
    상기 일사량 물리 모델을 이용하여 상기 유입 일사 상수, 상기 직접 조도, 상기 제1 확산 조도 및 상기 제2 확산 조도를 획득하는 단계는,
    태양과 관련된 상수들을 이용하여 상기 유입 일사 상수를 계산하는 단계; 및
    상기 서로 다른 기체 각각에 대한 대기 변수를 이용하여 상기 제1 확산 조도 및 상기 제2 확산 조도를 계산하는 단계;를 포함하는, 일사량을 예측하는 방법.
  9. 제8항에 있어서,
    상기 제1 영역의 상기 제1 일사량은 상기 유입 일사 상수, 상기 제1 확산 조도 및 상기 제2 확산 조도를 이용하여 산출되고,
    상기 제2 영역의 상기 제1 일사량은 상기 유입 일사 상수, 상기 제1 확산 조도 및 상기 제2 확산 조도 및 상기 제1 변수를 이용하여 산출되고,
    상기 제2 영역의 운량이 상기 제1 영역의 운량보다 큰 영역인, 일사량을 예측하는 방법.
  10. 컴퓨터를 이용하여 제1항 내지 제4항 및 제6항 내지 제9항 중 어느 한 항의 방법을 실행하기 위하여 매체에 저장된 컴퓨터 프로그램.
  11. 복수의 제1 시점들의 제1 일사량들을 기초로 하여 제2 시점의 제2 일사량을 예측하는 장치에 있어서, 상기 장치는 메모리 및 제어부를 포함하고,
    상기 메모리는,
    상기 복수의 제1 시점들에 목표 지역의 위성 사진들을 저장하고,
    상기 제1 일사량들을 산출하기 위한 일사량 물리 모델을 저장하며,
    상기 제어부는,
    상기 복수의 제1 시점들의 목표 지역에 대한 제1 일사량 지도들을 생성하고,
    상기 제1 일사량 지도들을 인공 신경망에 입력하여 상기 제1 시점들 이후의 제2 시점의 상기 목표 지역에 대한 제2 일사량 지도를 생성하고,
    상기 제2 일사량 지도를 기초로, 상기 제2 시점의 상기 목표 지역의 제2 일사량을 예측하고,
    상기 인공 신경망은 제1 은닉층 및 제2 은닉층을 포함하고,
    상기 제1 은닉층은 상기 제1 일사량 지도들이 포함하는 데이터들로 학습되는, 적어도 1개 이상의 제1 컨볼루션 층(convolution layer)을 포함하고,
    상기 제2 은닉층은,
    상기 제1 은닉층이 처리한 데이터들을 입력 받는 제2 컨볼루션 층; 및
    상기 제2 컨볼루션 층이 처리한 데이터를 변환하는 제3 컨볼루션 층 및 제4 컨볼루션 층을 포함하는, 일사량 예측 장치.
  12. 제11항에 있어서,
    상기 제어부는,
    상기 일사량 물리 모델을 이용하여 상기 제1 시점들의 상기 목표 지역의 상기 제1 일사량들을 획득하며,
    상기 위성 사진들과 상기 제1 일사량들을 기초로 상기 제1 일사량 지도들을 생성하여, 상기 제1 일사량 지도들을 인공 신경망에 입력하는, 일사량 예측 장치.
  13. 제11항에 있어서,
    상기 복수의 제1 시점들은 미리 설정된 제1 시간 단위로 순차적으로 분포하는 적어도 두 개 이상의 시점을 포함하는, 일사량 예측 장치.
  14. 제13항에 있어서,
    상기 제2 시점은 상기 제1 시점들 중 최후의 시점보다 상기 제1 시간 이후의 시점인, 일사량 예측 장치.
  15. 삭제
  16. 제11항에 있어서,
    상기 제3 컨볼루션 층은 상기 제2 컨볼루션 층이 처리한 데이터를 3 차원(3 dimensional; 3D) 데이터로 변환하고,
    상기 제4 컨볼루션 층은 상기 제2 컨볼루션 층이 처리한 데이터를 2 차원(2 dimensional; 2D) 데이터로 변환하는 일사량 예측 장치.
  17. 제12항에 있어서,
    상기 일사량 물리 모델은 유입 일사 상수, 직접 조도, 제1 확산 조도, 제2 확산 조도 및 운량의 감쇠 정도를 매개 변수화하는 제1 변수를 산출하는 관계식들을 포함하고,
    상기 제어부는,
    상기 목표 지역을 서로 다른 운량을 가지는 제1 영역 및 제2 영역으로 나누고,
    상기 유입 일사 상수, 상기 직접 조도, 상기 제1 확산 조도, 상기 제2 확산 조도 및 상기 제1 변수를 이용하여, 상기 제1 영역의 상기 제1 일사량 및 상기 제2 영역의 상기 제1 일사량을 획득하고,
    상기 제1 확산 조도 및 상기 제2 확산 조도는 서로 다른 기체에 대한 확산 조도인, 일사량 예측 장치.
  18. 제17항에 있어서,
    상기 제어부는,
    태양과 관련된 상수들을 이용하여 상기 유입 일사 상수를 계산하고,
    상기 서로 다른 기체 각각에 대한 대기 변수를 이용하여 상기 제1 확산 조도 및 상기 제2 확산 조도를 계산하는, 일사량 예측 장치.
  19. 제18항에 있어서,
    상기 제1 영역의 상기 제1 일사량은 상기 유입 일사 상수, 상기 제1 확산 조도 및 상기 제2 확산 조도를 이용하여 산출되고,
    상기 제2 영역의 상기 제1 일사량은 상기 유입 일사 상수, 상기 제1 확산 조도 및 상기 제2 확산 조도 및 상기 제1 변수를 이용하여 산출되는, 일사량 예측 장치.
KR1020190159999A 2019-12-04 2019-12-04 일사량을 예측하는 방법, 장치 및 컴퓨터 프로그램 KR102367028B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190159999A KR102367028B1 (ko) 2019-12-04 2019-12-04 일사량을 예측하는 방법, 장치 및 컴퓨터 프로그램

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190159999A KR102367028B1 (ko) 2019-12-04 2019-12-04 일사량을 예측하는 방법, 장치 및 컴퓨터 프로그램

Publications (2)

Publication Number Publication Date
KR20210070025A KR20210070025A (ko) 2021-06-14
KR102367028B1 true KR102367028B1 (ko) 2022-02-24

Family

ID=76417686

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190159999A KR102367028B1 (ko) 2019-12-04 2019-12-04 일사량을 예측하는 방법, 장치 및 컴퓨터 프로그램

Country Status (1)

Country Link
KR (1) KR102367028B1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102351713B1 (ko) * 2021-06-24 2022-01-17 성한 주식회사 조도계를 이용한 기상정보 생성 시스템 및 그 방법
CN113435118A (zh) * 2021-06-25 2021-09-24 上海眼控科技股份有限公司 辐照度确定方法、装置、设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016123170A (ja) 2014-12-24 2016-07-07 中国電力株式会社 予測装置
JP2017200363A (ja) 2016-04-28 2017-11-02 中国電力株式会社 日射量予測装置
JP2018126038A (ja) 2017-02-03 2018-08-09 中国電力株式会社 発電量予測装置、発電量予測方法、発電量予測システム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016123170A (ja) 2014-12-24 2016-07-07 中国電力株式会社 予測装置
JP2017200363A (ja) 2016-04-28 2017-11-02 中国電力株式会社 日射量予測装置
JP2018126038A (ja) 2017-02-03 2018-08-09 中国電力株式会社 発電量予測装置、発電量予測方法、発電量予測システム

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
How Solcast creates solar irradiance data from satellite imagery, SOLCAST, [online], 2019년 8월 16일, [2022년 1월 26일 검색], 인터넷 : <URL: https://solcast.com/solar-data-api/>
Solar Irradiance Data, SOLCAST, [online], 2018년 11월 20일, [2022년 1월 26일 검색], 인터넷 : <URL: https://solcast.com/solar-radiation-data>

Also Published As

Publication number Publication date
KR20210070025A (ko) 2021-06-14

Similar Documents

Publication Publication Date Title
JP7413321B2 (ja) 日常シーン復元エンジン
Bosch et al. A multiple view stereo benchmark for satellite imagery
CN113538391B (zh) 一种基于Yolov4和热红外图像的光伏缺陷检测方法
US8494687B2 (en) Method for enhancing a three dimensional image from a plurality of frames of flash LIDAR data
KR102357355B1 (ko) 가상 오브젝트 생성 방법 및 장치
US20110224840A1 (en) Methods of Real Time Image Enhancement of Flash LIDAR Data and Navigating a Vehicle Using Flash LIDAR Data
CN108414998B (zh) 一种卫星激光测高仪回波波形模拟仿真方法及设备
US9530244B2 (en) Method and apparatus for shadow estimation and spreading
KR102367028B1 (ko) 일사량을 예측하는 방법, 장치 및 컴퓨터 프로그램
WO2015104281A1 (en) Solar irradiance forecasting
KR20210027269A (ko) 깊이 이미지 보완 방법 및 장치, 컴퓨터 판독 가능한 저장 매체
CN108876847B (zh) 图像定位方法、装置、系统和存储介质
KR20200078013A (ko) 이종 고도 항공영상을 이용한 3차원 지형정보 정합 방법 및 장치
CN107301633B (zh) 在云雾干扰下遥感成像的仿真方法
US20210264659A1 (en) Learning hybrid (surface-based and volume-based) shape representation
CN114494383B (zh) 基于Richard-Lucy迭代的光场深度估计方法
KR101620951B1 (ko) 모의 위성 영상 생성 방법 및 시스템
CN103234552A (zh) 光学导航目标星模拟仿真图像生成方法
CN114373104A (zh) 一种基于动态聚合的三维点云语义分割方法及系统
CN112668596B (zh) 三维物体识别方法及装置、识别模型训练方法及装置
CN115775294A (zh) 一种场景渲染方法及装置
CN117274526A (zh) 神经网络模型训练方法和生成图像的方法
CN112669427A (zh) 距离采样方法、装置、设备和存储介质
Swierkowski et al. Real-time scene and signature generation for ladar and imaging sensors
KR102681948B1 (ko) Ai 반도체 기반 미래 일사량 예측 장치 및 방법

Legal Events

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