KR102394050B1 - System and method for solar power generation forecast using a similar day based on reinforcement learning - Google Patents
System and method for solar power generation forecast using a similar day based on reinforcement learning Download PDFInfo
- Publication number
- KR102394050B1 KR102394050B1 KR1020200064492A KR20200064492A KR102394050B1 KR 102394050 B1 KR102394050 B1 KR 102394050B1 KR 1020200064492 A KR1020200064492 A KR 1020200064492A KR 20200064492 A KR20200064492 A KR 20200064492A KR 102394050 B1 KR102394050 B1 KR 102394050B1
- Authority
- KR
- South Korea
- Prior art keywords
- similar
- power generation
- day
- solar power
- data
- Prior art date
Links
- 238000010248 power generation Methods 0.000 title claims abstract description 200
- 238000000034 method Methods 0.000 title claims description 31
- 230000002787 reinforcement Effects 0.000 title description 12
- 238000012795 verification Methods 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 9
- 238000001556 precipitation Methods 0.000 claims description 4
- 230000003014 reinforcing effect Effects 0.000 claims description 3
- 238000013480 data collection Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000000306 component Substances 0.000 description 1
- 230000021615 conjugation Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000002277 temperature effect Effects 0.000 description 1
- 238000012549 training Methods 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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G06N3/0454—
-
- 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
-
- 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
-
- 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 발명의 일 실시예에 따른 예측 대상일의 태양광 발전량을 예측하기 위한 태양광 발전량 예측 시스템에 있어서, 상기 예측 대상일의 기상 예보 데이터를 기반으로, 상기 예측 대상일을 기준으로 설정된 유사일 선택 범위 내의 후보 유사일들 중 상기 예측 대상일의 태양광 발전량 예측을 위한 하나 이상의 유사일을 선택하는 유사일 선택 모듈; 및 상기 유사일 선택 모듈에 의해 선택된 유사일의 과거 태양광 발전량 데이터 및 상기 예측 대상일의 기상 예보 데이터를 기반으로, 상기 예측 대상일의 태양광 발전량을 예측하는 태양광 발전량 예측 모듈을 포함한다.In the solar power generation amount prediction system for predicting the solar power generation amount on the prediction target day according to an embodiment of the present invention, based on the weather forecast data of the prediction target day, similar days set based on the prediction target date are selected a similar day selection module for selecting one or more similar days for predicting the solar power generation amount of the prediction target day from among candidate similar days within a range; and a solar power generation prediction module for predicting the solar power generation amount on the prediction target day based on the past solar power generation data on the similar day selected by the similar day selection module and the weather forecast data on the prediction target day.
Description
본 발명은 강화학습 기반의 유사일을 사용한 태양광 발전량 예측 시스템 및 방법에 관한 것이다.The present invention relates to a system and method for predicting solar power generation using a similar day based on reinforcement learning.
최근 소용량 태양광 발전의 보급이 확대되었으며 특히 1MW 이하의 중, 소형 태양광 설비가 전체 설치량의 대다수를 차지하고 있다. 또한 태양광 발전의 경우 간헐성 문제가 있기 때문에 소규모 발전량을 정확히 예측해 계통 운영과 전력수급 균형에 활용하여 비용 절감과 안정적인 전력 공급 운영에 활용하고자 하는 노력이 지속적으로 이루어지고 있다.Recently, the supply of small-capacity solar power generation has been expanded, and in particular, small and medium-sized solar power plants of 1MW or less account for the majority of the total installed amount. In addition, since there is an intermittent problem in the case of photovoltaic power generation, efforts are being made to accurately predict the amount of small-scale power generation and utilize it for system operation and balance power supply and demand to reduce costs and operate stable power supply.
소용량 태양광 발전량은 다양한 기상 요인들과의 상관관계가 높은 것으로 알려져 있으며, 특히 일사량, 계절에 따른 기온의 영향, 일조 시간, 강수 여부 등이 발전량 예측에 고려되어야 한다.It is known that small-capacity solar power generation has a high correlation with various weather factors. In particular, solar radiation, seasonal temperature effects, sunshine hours, and precipitation should be considered in the generation forecast.
소용량 태양광 발전의 경우 1MW이상의 대규모 태양광 발전 단지와 다르게 태양광 발전량에 상관관계가 높다고 알려져 있는 일사량, 전천 운량, 기온 등을 정밀하게 측정할 수 있는 측정 장치를 설치하고 관리하는 것은 현실적으로 어려운 일이다.In the case of small-capacity photovoltaic power generation, it is practically difficult to install and manage a measuring device that can precisely measure the amount of insolation, cloud cover, and temperature, which are known to have a high correlation with the amount of photovoltaic power generation, unlike large-scale photovoltaic power complexes of 1MW or more. am.
종래의 태양광 발전량 예측 기술은 과거 기상 인자, 모듈 상태 등과 같은 환경 조건과 태양광 발전량의 관계를 자기 회귀 또는 인공지능 모델을 만들어 환경 조건의 추정 값을 입력으로 하여 태양광 발전량을 추정하는 방법을 사용한다. 따라서 예측하고자 하는 태양광 발전기의 상태에 따라 환경 조건에 따른 태양광 발전량을 추정하는 예측 모델을 만드는 복잡한 과정을 필요로 하며, 기후 모니터링 장치, 구름 사진 측정 장치, 모듈 진단 장치 등의 추가 장치를 요구하기도 한다. 이러한 예측 모델 생성 과정과 추가적인 장치의 필요는 대용량 태양광 발전 단지의 경우 적합할 수 있으나, 다양한 위치에 많은 수가 설치되는 소용량 태양광 발전기의 경우 적용하기 어렵다는 문제점이 있다. The conventional solar power generation prediction technology is a method of estimating the solar power generation amount by inputting the estimated value of the environmental condition as an input by creating a self-regression or artificial intelligence model based on the relationship between the solar power generation amount and environmental conditions such as past weather factors and module status. use. Therefore, it requires a complicated process to create a predictive model that estimates the amount of solar power generation according to environmental conditions according to the state of the photovoltaic generator to be predicted, and requires additional devices such as a climate monitoring device, cloud photo measurement device, and module diagnosis device. also do Such a predictive model generation process and the need for additional devices may be suitable for a large-capacity photovoltaic power plant complex, but there is a problem in that it is difficult to apply to a small capacity photovoltaic generator installed in a large number in various locations.
이에 따라 추가적인 장비의 설치 없이 소용량 태양광 발전기의 발전량을 예측하기 위한 기술 개발의 필요성이 요구되고 있다.Accordingly, there is a need for technology development for predicting the amount of power generation of a small-capacity photovoltaic generator without the installation of additional equipment.
본 발명의 실시예는 외부로부터 수신한 기상 데이터와 과거의 태양광 발전량 데이터를 기반으로 강화 학습을 수행하여 예측 대상일과 유사한 기상을 갖는 유사일을 선택하고, 선택된 유사일의 과거 태양광 발전량 데이터와 예측 대상일의 기상 예보 데이터를 기반으로 예측 대상일의 태양광 발전량을 예측할 수 있는 강화학습 기반의 유사일을 사용한 태양광 발전량 예측 시스템 및 방법을 제공하는 것을 목적으로 한다.An embodiment of the present invention performs reinforcement learning based on weather data received from the outside and past solar power generation data to select a similar day having a weather similar to that of the predicted target day, and selects a similar day with the selected similar day's past solar power generation data and An object of the present invention is to provide a solar power generation amount prediction system and method using a similar day based on reinforcement learning that can predict the solar power generation amount on the prediction target day based on the weather forecast data of the prediction target day.
한편, 본 발명에서 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.On the other hand, the technical problems to be achieved in the present invention are not limited to the technical problems mentioned above, and other technical problems not mentioned are clearly to those of ordinary skill in the art to which the present invention belongs from the description below. can be understood
본 발명의 일 실시예에 따른 예측 대상일의 태양광 발전량을 예측하기 위한 태양광 발전량 예측 시스템에 있어서, 상기 예측 대상일의 기상 예보 데이터를 기반으로, 상기 예측 대상일을 기준으로 설정된 유사일 선택 범위 내의 후보 유사일들 중 상기 예측 대상일의 태양광 발전량 예측을 위한 하나 이상의 유사일을 선택하는 유사일 선택 모듈; 및 상기 유사일 선택 모듈에 의해 선택된 유사일의 과거 태양광 발전량 데이터 및 상기 예측 대상일의 기상 예보 데이터를 기반으로, 상기 예측 대상일의 태양광 발전량을 예측하는 태양광 발전량 예측 모듈을 포함한다.In the solar power generation amount prediction system for predicting the solar power generation amount on the prediction target day according to an embodiment of the present invention, based on the weather forecast data of the prediction target day, similar days set based on the prediction target date are selected a similar day selection module for selecting one or more similar days for predicting the solar power generation amount of the prediction target day from among candidate similar days within a range; and a solar power generation prediction module for predicting the solar power generation amount on the prediction target day based on the past solar power generation data on the similar day selected by the similar day selection module and the weather forecast data on the prediction target day.
상기 예측 대상일의 기상 예보 데이터는: 일사량 정보를 포함하며, 이와 더불어 일조시간, 기온, 운량, 습도 또는 강수량 정보를 더 포함할 수 있다.The weather forecast data for the forecast target day includes: insolation information, and may further include sunshine time, temperature, cloudiness, humidity, or precipitation information.
상기 유사일 선택 모듈은: 상기 예측 대상일의 기상 예보 데이터와 상기 후보 유사일들의 과거 기상 데이터를 기반으로, 유사일을 선택하는 유사일 선택 모델을 생성하는 유사일 선택 모델 생성부; 상기 유사일의 과거 태양광 발전량 데이터와 상기 예측 대상일의 태양광 발전량 데이터 간의 차이를 기반으로, 상기 유사일 선택 모델을 강화 학습시키는 유사일 선택 모델 검증부; 및 상기 예측 대상일의 기상 예보 데이터를 기반으로, 상기 강화 학습된 유사일 선택 모델을 통해 상기 후보 유사일들 중 하나 이상의 유사일을 선택하는 유사일 선택부를 포함한다.The similar-day selection module includes: a similar-day selection model generator configured to generate a similar-day selection model for selecting a similar day, based on the weather forecast data of the prediction target date and the past weather data of the candidate similar days; a similar-day selection model verification unit configured to reinforce-learning the similar-day selection model based on a difference between the past solar power generation data of the similar day and the solar power generation data of the prediction target date; and a similar day selection unit configured to select one or more similar days from among the candidate similar days through the reinforcement-learned similar day selection model based on the weather forecast data of the prediction target date.
상기 유사일 선택 모델은: DQN(Deep Q-Network) 알고리즘 기반의 제1 인공신경망을 포함하고; 상기 예측 대상일로부터 기 설정된 범위에 해당하는 유사일 선택 범위 내의 후보 유사일의 과거 기상 데이터와 상기 예측 대상일의 기상 예보 데이터를 상태 입력 값으로 사용하고; 상기 상태 입력 값에서의 과거 기상 데이터와 기상 예보 데이터 간의 유사도를 기준으로 선택된 유사일을 선택 입력 값으로 사용하고; 상기 선택 입력 값에서의 과거 태양광 발전량 데이터와 상기 예측 대상일의 태양광 발전량 데이터 간의 차이를 보상 입력 값으로 사용한다.The similar-day selection model includes: a first artificial neural network based on a DQN (Deep Q-Network) algorithm; using past weather data of a candidate similar day within a similar day selection range corresponding to a preset range from the prediction target date and weather forecast data of the prediction target date as state input values; using, as a selection input value, a similar day selected based on a degree of similarity between past weather data and weather forecast data in the state input value; A difference between the past photovoltaic power generation data in the selection input value and the photovoltaic power generation data of the prediction target date is used as a compensation input value.
상기 태양광 발전량 예측 모듈은: 상기 유사일 선택 모듈에 의해 선택된 유사일의 과거 태양광 발전량 데이터와 상기 예측 대상일의 기상 예보 데이터를 기반으로, 발전량 예측 모델을 생성하는 발전량 예측 모델 생성부; 상기 발전량 예측 모델을 통해 예측된 예측 대상일의 태양광 발전량 데이터와 과거 태양광 발전량 데이터를 비교하여, 상기 발전량 예측 모델을 검증하는 발전량 예측 모델 검증부; 및 상기 예측 대상일의 기상 예보 데이터를 기반으로, 상기 검증된 발전량 예측 모델을 통해 상기 예측 대상일의 태양광 발전량을 예측하는 발전량 예측부를 포함한다.The solar power generation prediction module includes: a power generation prediction model generator configured to generate a power generation prediction model based on the past solar power generation data of the similar day selected by the similar day selection module and the weather forecast data of the prediction target day; a power generation prediction model verification unit for verifying the power generation prediction model by comparing the solar power generation amount data of the predicted target date with the past solar power generation amount data predicted through the generation amount prediction model; and a generation amount prediction unit for predicting the amount of solar power generation on the prediction target day through the verified generation amount prediction model based on the weather forecast data of the prediction target day.
상기 발전량 예측 모델은: Fully Connected Deep Neural Network 알고리즘 기반의 제2 인공신경망을 포함하고; 상기 유사일 선택 모델에 의해 선택된 유사일의 과거 태양광 발전량 데이터와 상기 예측 대상일의 기상 예보 데이터를 입력 값으로 사용하고; 상기 예측 대상일의 예측 태양광 발전량을 출력한다.The power generation prediction model includes: a second artificial neural network based on a Fully Connected Deep Neural Network algorithm; using, as input values, the past solar power generation amount data of the similar day selected by the similar day selection model and the weather forecast data of the prediction target day; The predicted solar power generation amount of the prediction target day is output.
본 발명의 일 실시예에 따른 예측 대상일의 태양광 발전량을 예측하기 위한 태양광 발전량 예측 방법에 있어서, (a) 예측 대상일의 기상 예보 데이터를 기반으로, 상기 예측 대상일을 기준으로 설정된 유사일 선택 범위 내의 후보 유사일들 중 상기 예측 대상일의 태양광 발전량 예측을 위한 하나 이상의 유사일을 선택하는 단계; 및 (b) 상기 (a) 단계에 의해 선택된 유사일의 과거 태양광 발전량 데이터 및 상기 예측 대상일의 기상 예보 데이터를 기반으로, 상기 예측 대사일의 태양광 발전량을 예측하는 단계를 포함한다.In the method of predicting the amount of solar power generation for predicting the amount of solar power generation on a prediction target day according to an embodiment of the present invention, (a) based on the weather forecast data of the prediction target day, similarities set based on the prediction target date selecting one or more similar days for predicting solar power generation of the prediction target day from among candidate similar days within a selection range; and (b) predicting the solar power generation amount on the predicted major day based on the past solar power generation data on the similar day selected in step (a) and the weather forecast data on the prediction target day.
상기 (a) 단계는: (a-1) 상기 예측 대상일의 기상 예보 데이터와 상기 후보 유사일들의 과거 기상 데이터를 기반으로, 유사일을 선택하는 유사일 선택 모델을 생성하는 단계; (a-2) 상기 유사일의 과거 태양광 발전량 데이터와 상기 예측 대상일의 태양광 발전량 데이터 간의 차이를 기반으로, 상기 유사일 선택 모델을 강화 학습시키는 단계; 및 (a-3) 상기 예측 대상일의 기상 예보 데이터를 기반으로, 상기 강화 학습된 유사일 선택 모델을 통해 상기 후보 유사일들 중 하나 이상의 유사일을 선택하는 단계를 포함할 수 있다.The step (a) includes: (a-1) generating a similar day selection model for selecting a similar day based on the weather forecast data of the prediction target date and the past weather data of the candidate similar days; (a-2) reinforcing learning of the similar day selection model based on a difference between the past solar power generation data of the similar day and the solar power generation data of the prediction target day; and (a-3) selecting one or more similar days among the candidate similar days through the reinforcement-learned similar day selection model based on the weather forecast data of the prediction target date.
상기 (b) 단계는: (b-1) 상기 (a) 단계에 의해 선택된 유사일의 과거 태양광 발전량 데이터와 상기 예측 대상일의 기상 예보 데이터를 기반으로, 발전량 예측 모델을 생성하는 단계; (b-2) 상기 발전량 예측 모델을 통해 예측된 예측 대상일의 태양광 발전량 데이터와 과거 태양광 발전량 데이터를 비교하여, 상기 발전량 예측 모델을 검증하는 단계; 및 (b-3) 상기 예측 대상일의 기상 예보 데이터를 기반으로, 상기 검증된 발전량 예측 모델을 통해 상기 예측 대상일의 태양광 발전량을 예측하는 단계를 포함할 수 있다.The step (b) includes: (b-1) generating a power generation prediction model based on the past solar power generation data on the similar day selected in step (a) and the weather forecast data on the prediction target day; (b-2) verifying the power generation prediction model by comparing the solar power generation data of the forecast target date and the past solar power generation data predicted through the power generation prediction model; and (b-3) predicting the amount of solar power generation of the prediction target day through the verified power generation prediction model based on the weather forecast data of the prediction target day.
본 발명의 실시예에 따른 강화학습 기반의 유사일을 사용한 태양광 발전량 예측 시스템 및 방법은 외부로부터 수신한 기상 데이터와 과거의 태양광 발전량 데이터를 기반으로 강화 학습을 수행하여 예측 대상일과 유사한 기상을 갖는 유사일을 선택하고, 선택된 유사일의 과거 태양광 발전량 데이터와 예측 대상일의 기상 예보 데이터를 기반으로 예측 대상일의 태양광 발전량을 예측할 수 있다.A solar power generation amount prediction system and method using a similar day based on reinforcement learning according to an embodiment of the present invention performs reinforcement learning based on weather data received from the outside and past solar power generation data to predict the weather similar to the predicted date A similar day may be selected, and the solar power generation amount of the prediction target day may be predicted based on the past solar power generation data of the selected similar day and the weather forecast data of the prediction target day.
한편, 본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.On the other hand, the effects obtainable in the present invention are not limited to the above-mentioned effects, and other effects not mentioned will be clearly understood by those of ordinary skill in the art to which the present invention belongs from the following description. will be able
도 1은 본 발명의 일 실시예에 따른 태양광 발전량 예측 시스템의 구성을 개략적으로 나타낸 블록도이다.
도 2는 본 발명의 일 실시예에 따른 기상 데이터 수집 모듈의 동작을 개략적으로 나타낸 도면이다.
도 3은 본 발명의 일 실시예에 따른 태양광 발전량 데이터 수집 모듈의 동작을 개략적으로 나타낸 도면이다.
도 4는 본 발명의 일 실시예에 따른 유사일 선택 모듈의 구성을 개략적으로 나타낸 블록도이다.
도 5은 유사일 선택 모델의 가치함수(DQN)의 구성을 개략적으로 나타낸 블록도이다.
도 6은 본 발명의 일 실시예에 따른 태양광 발전량 예측 모듈의 구성을 개략적으로 나타낸 블록도이다.
도 7은 태양광 발전량 예측 모델의 구성을 개략적으로 나타낸 블록도이다.1 is a block diagram schematically showing the configuration of a solar power generation amount prediction system according to an embodiment of the present invention.
2 is a diagram schematically illustrating an operation of a weather data collection module according to an embodiment of the present invention.
3 is a diagram schematically illustrating an operation of a solar power generation amount data collection module according to an embodiment of the present invention.
4 is a block diagram schematically showing the configuration of a similar date selection module according to an embodiment of the present invention.
5 is a block diagram schematically showing the configuration of a value function (DQN) of a similar-day selection model.
6 is a block diagram schematically showing the configuration of a solar power generation amount prediction module according to an embodiment of the present invention.
7 is a block diagram schematically illustrating the configuration of a solar power generation amount prediction model.
본 발명의 다른 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술 되는 실시 예를 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시 예에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시 예는 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.Other advantages and features of the present invention, and a method for achieving them will become apparent with reference to the embodiments described below in detail in conjunction with the accompanying drawings. However, the present invention is not limited to the embodiments disclosed below, but may be implemented in various different forms, and only this embodiment serves to complete the disclosure of the present invention, and to obtain common knowledge in the technical field to which the present invention pertains. It is provided to fully inform the possessor of the scope of the invention, and the present invention is only defined by the scope of the claims.
만일 정의되지 않더라도, 여기서 사용되는 모든 용어들(기술 혹은 과학 용어들을 포함)은 이 발명이 속한 종래 기술에서 보편적 기술에 의해 일반적으로 수용되는 것과 동일한 의미를 가진다. 일반적인 사전들에 의해 정의된 용어들은 관련된 기술 그리고/혹은 본 출원의 본문에 의미하는 것과 동일한 의미를 갖는 것으로 해석될 수 있고, 그리고 여기서 명확하게 정의된 표현이 아니더라도 개념화되거나 혹은 과도하게 형식적으로 해석되지 않을 것이다.Even if not defined, all terms (including technical or scientific terms) used herein have the same meaning as commonly accepted by common technology in the prior art to which this invention belongs. Terms defined by general dictionaries may be interpreted as having the same meaning as in the related description and/or in the text of the present application, and shall not be conceptualized or overly formally construed even if the expression is not explicitly defined herein. won't
본 명세서에서 사용된 용어는 실시 예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 '포함한다' 및/또는 이 동사의 다양한 활용형들 예를 들어, '포함', '포함하는', '포함하고', '포함하며' 등은 언급된 조성, 성분, 구성요소, 단계, 동작 및/또는 소자는 하나 이상의 다른 조성, 성분, 구성요소, 단계, 동작 및/또는 소자의 존재 또는 추가를 배제하지 않는다. 본 명세서에서 '및/또는' 이라는 용어는 나열된 구성들 각각 또는 이들의 다양한 조합을 가리킨다.The terminology used herein is for the purpose of describing the embodiments and is not intended to limit the present invention. In this specification, the singular also includes the plural unless specifically stated otherwise in the phrase. As used herein, 'comprise' and/or the various conjugations of this verb, eg, 'comprising', 'comprising', 'comprising', 'comprising', etc., refer to the stated composition, ingredient, component, A step, operation and/or element does not exclude the presence or addition of one or more other compositions, components, components, steps, operations and/or elements. As used herein, the term 'and/or' refers to each of the listed components or various combinations thereof.
한편, 본 명세서 전체에서 사용되는 '~부', '~기', '~블록', '~모듈' 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미할 수 있다. 예를 들어 소프트웨어, FPGA 또는 ASIC과 같은 하드웨어 구성요소를 의미할 수 있다. 그렇지만 '~부', '~기', '~블록', '~모듈' 등이 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '~부', '~기', '~블록', '~모듈'은 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다.Meanwhile, terms such as '~ unit', '~ group', '~ block', and '~ module' used throughout this specification may mean a unit that processes at least one function or operation. For example, it can mean software, a hardware component such as an FPGA or an ASIC. However, '~ part', '~ group', '~ block', and '~ module' are not meant to be limited to software or hardware. '~ unit', '~ group', '~ block', and '~ module' may be configured to reside in an addressable storage medium or to regenerate one or more processors.
따라서, 일 예로서 '~부', '~기', '~블록', '~모듈'은 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성 요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 '~부', '~기', '~블록', '~모듈'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '~부', '~기', '~블록', '~모듈'들로 결합되거나 추가적인 구성요소들과 '~부', '~기', '~블록', '~모듈'들로 더 분리될 수 있다.Accordingly, as an example, '~ part', '~ group', '~ block', and '~ module' are components such as software components, object-oriented software components, class components, and task components. fields, processes, functions, properties, procedures, subroutines, segments of program code, drivers, firmware, microcode, circuitry, data, databases, data structures, tables, arrays and include variables. The functions provided within the components and '~part', '~gi', '~block', and '~module' are smaller than the number of components and '~bu', '~gi', '~block' ', '~modules' or may be further separated into additional components and '~parts', '~gi', '~blocks', and '~modules'.
이하, 본 명세서의 첨부된 도면을 참조하여 본 발명의 실시예를 상세하게 설명한다.Hereinafter, embodiments of the present invention will be described in detail with reference to the accompanying drawings of the present specification.
도 1은 본 발명의 일 실시예에 따른 태양광 발전량 예측 시스템(10)의 구성을 개략적으로 나타낸 블록도이다.1 is a block diagram schematically showing the configuration of a solar power generation
도 1을 참조하면, 태양광 발전량을 예측하고자 하는 일자인 예측 대상일에서의 태양광 발전량을 예측할 수 있는 태양광 발전량 예측 시스템(10)은 외부 서버로부터 기상 데이터를 수집하고 이를 데이터베이스(300)에 저장하는 기상 데이터 수집 모듈(100), 태양광 발전기의 과거 태양광 발전량 데이터를 수집하고 이를 데이터베이스(300)에 저장하는 태양광 발전량 데이터 수집 모듈(200), 기상 데이터 수집 모듈과 태양광 발전량 데이터 수집 모듈로부터 수집된 데이터를 저장하는 데이터베이스(300), 예측 대상일의 기상 예보 데이터를 기반으로, 상기 예측 대상일을 기준으로 설정된 유사일 선택 범위 내의 후보 유사일들 중 상기 예측 대상일의 태양광 발전량 예측을 위한 하나 이상의 유사일을 선택하는 유사일 선택 모듈(400) 및 상기 유사일 선택 모듈에 의해 선택된 유사일의 과거 태양광 발전량 데이터와 상기 예측 대상일의 기상 예보 데이터를 기반으로, 상기 예측 대상일의 태양광 발전량을 예측하는 태양광 발전량 예측 모듈(500)을 포함할 수 있다.Referring to FIG. 1 , the solar power generation
도 2는 본 발명의 일 실시예에 따른 기상 데이터 수집 모듈(100)의 동작을 개략적으로 나타낸 도면이다.2 is a diagram schematically illustrating the operation of the weather
도 2를 참조하면, 기상 데이터 수집 모듈(100)은 발전량을 예측하고자 하는 예측 대상 태양광 발전기가 위치한 지역의 과거 기상 데이터와 예측 대상일의 기상 예보 데이터를 외부 서버(20)로부터 수집하여 데이터베이스(300)에 저장한다.Referring to FIG. 2 , the weather
이때 외부 서버(20)는 기상청 서버를 포함한 기상 데이터를 보관 및 관리하는 서버를 말한다. 기상 데이터는 과거 기상 데이터와 기상 예보 데이터를 모두 포함한다. 기상 데이터는 일사량 정보를 포함하며 이와 더불어 일조시간, 기온, 운량, 습도 또는 강수량 등 태양광 발전량에 영향을 줄 수 있는 기상 데이터를 모두 포함할 수 있다.In this case, the
기상 데이터 수집 모듈(100)을 통해 수집된 기상 데이터는 데이터베이스(300)에 저장됨과 더불어 정규화와 같은 전처리 과정을 통해 차후 유사일 선택 모듈(400) 및 태양광 발전량 예측 모듈(500)의 입력 데이터로 사용될 수 있다.The meteorological data collected through the weather
도 3은 본 발명의 일 실시예에 따른 태양광 발전량 데이터 수집 모듈(200)의 동작을 개략적으로 나타낸 도면이다.3 is a diagram schematically illustrating the operation of the solar power generation amount
도 3을 참조하면, 태양광 발전량 데이터 수집 모듈(200)은 예측 대상 태양광 발전기(30)에서 생산한 과거의 태양광 발전량 데이터를 수집하여 데이터베이스(300)에 저장한다.Referring to FIG. 3 , the photovoltaic power generation
태양광 발전량 데이터 수집 모듈(200)을 통해 수집된 태양광 발전량 데이터는 데이터베이스(300)에 저장됨과 더불어 정규화와 같은 전처리 과정을 통해 차후 유사일 선택 모듈(400) 및 태양광 발전량 예측 모듈(500)의 입력 데이터로 사용될 수 있다.The photovoltaic power generation data collected through the photovoltaic power generation
데이터베이스(300)는 기상 데이터 수집 모듈(100)로부터 수집된 기상 데이터와 태양광 발전량 데이터 수집 모듈(200)로부터 수집된 태양광 발전량 데이터를 수집 및 저장한다. 이와 더불어 과거, 현재 및 미래의 연, 월, 일 등을 포함한 날짜 정보를 수집 및 저장한다.The
도 4는 본 발명의 일 실시예에 따른 유사일 선택 모듈(400)의 구성을 개략적으로 나타낸 블록도이다.4 is a block diagram schematically showing the configuration of a similar
도 4를 참조하면, 유사일 선택 모듈(400)은 유사일 선택 인터페이스부(410), 유사일 선택 모델 생성부(420), 유사일 선택 모델 검증부(430) 및 유사일 선택부(440)를 포함할 수 있다.Referring to FIG. 4 , the
도 5은 유사일 선택 모델의 가치함수(DQN)의 구성을 개략적으로 나타낸 블록도이다.5 is a block diagram schematically showing the configuration of a value function (DQN) of a similar-day selection model.
도 5을 참조하면 유사일 선택 모델은 유사일 선택 인터페이스부(410)에서 입력된 정보를 상태 입력 값으로 하고, 상태 입력 값과 선택 입력 값에 따른 기대 보상을 출력으로 하는 심층 신경망의 형태로 표현된다.Referring to FIG. 5 , the similarity selection model is expressed in the form of a deep neural network in which the information input from the similarity
유사일 선택 모듈(400)은 예측 대상일을 기준으로 설정된 유사일 선택 범위 내의 후보 유사일들 중에서, 예측 대상일에서의 기상 예보 데이터와 기상이 서로 유사한 유사일을 선택하며, 이 과정에서 예측 대상일의 태양광 발전량 데이터와 후보 유사일의 과거 태양광 발전량 데이터가 반영된다. 이때 유사일은 하나 이상으로 선택될 수 있으며, 선택된 유사일은 추후 태양광 발전량 예측 모듈(500)에서 예측 대상일의 태양광 발전량을 예측하는데 사용된다.The similar
후보 유사일은 예측 대상일을 기준으로 기 설정된 범위에 해당하도록 설정된 유사일 선택 범위에 해당하는 일자들을 말한다. 유사일 선택 범위는 제1 유사일 선택 범위와 제2 유사일 선택 범위를 포함한다.Candidate similar days refer to dates corresponding to a selection range of similar days set to correspond to a preset range based on the prediction target date. The similar days selection range includes a first similar days selection range and a second similar days selection range.
제1 유사일 선택 범위는 예측 대상일로부터 제1 범위 전에 해당하는 기간을 말한다. 예를 들어, 예측 대상일이 2020년 5월 15일이고, 제1 범위는 10일로 설정된 경우, 제1 유사일 선택 범위는 예측 대상일을 제외하고 10일 전에 해당하는 기간인 2020년 5월 4일부터 2020년 5월 14일까지를 말한다.The first similar day selection range refers to a period corresponding to the first range from the forecast target date. For example, if the forecast date is May 15, 2020, and the first range is set to 10 days, the first selection range for similar days is the
제2 유사일 선택 범위는 예측 대상일의 기 설정된 햇수 전에 해당하는 일자로부터 제2 범위 전후에 해당하는 기간을 말한다. 예를 들어, 예측 대상일이 상기와 같이 2020년 5월 15일이고, 기 설정된 햇수는 1년으로 설정되고, 제2 범위는 15일로 설정된 경우, 제2 유사일 범위는 2019년 5월 15일 전후 15일에 해당하는 기간인 2019년 5월 5일부터 2019년 5월 30일까지를 말한다.The second similar date selection range refers to a period before and after the second range from a date corresponding to a predetermined number of years before the forecast target date. For example, if the forecast target date is May 15, 2020, as described above, the preset number of years is set to one year, and the second range is set to 15 days, the second similar date range is May 15, 2019 It refers to the period from May 5, 2019 to May 30, 2019, which corresponds to the 15 days before and after.
유사일 선택 범위는 사용자의 설정에 따라 제1 유사일 선택 범위 및 제2 유사일 선택 범위 중 적어도 어느 하나를 포함할 수 있는데, 만약 제1 및 제2 유사일 선택 범위를 모두 포함하는 것으로 설정한 경우, 위의 예에서 유사일 선택 범위는 2019년 5월 5일부터 2019년 5월30일 까지의 기간과 2020년 5월 4일부터 2020년 5월 14일까지의 기간이 이에 해당하게 된다. 즉, 이 경우 후보 유사일은 위의 유사일 선택 범위에 포함된 각각의 일자들 모두를 말한다.The similar date selection range may include at least one of the first similar date selection range and the second similar date selection range according to a user's setting. In this case, in the above example, the selection range for similar dates corresponds to the period from May 5, 2019 to May 30, 2019 and the period from May 4, 2020 to May 14, 2020. That is, in this case, the candidate similar date refers to all of the dates included in the above similar date selection range.
유사일 선택 모듈(400)에서의 유사일 선택은 유사일 선택 모델을 통해 이루어진다. 유사일 선택 모델은 예측 대상일의 기상 예보 데이터와 후보 유사일들의 과거 기상 데이터를 기반으로 유사일을 선택하며, 이 과정에서 예측 대상일의 태양광 발전량 데이터와 유사일의 과거 태양광 발전량 데이터 간의 차이를 반영하여 유사일 선택 모델을 강화 학습시킨다.Like-day selection in the similar-
유사일 선택 모델은 강화 학습이 이루어질 수 있는 DQN(Deep Q-Network) 알고리즘 또는 Double DQN 알고리즘 기반의 제1 인공신경망을 포함한다. DQN 알고리즘은 상태(state) 입력 값, 선택(action) 입력 값 및 보상(reward) 입력 값을 사용한다.The similarity selection model includes a first artificial neural network based on a Deep Q-Network (DQN) algorithm or a Double DQN algorithm in which reinforcement learning can be performed. The DQN algorithm uses a state input value, an action input value, and a reward input value.
본 발명의 유사일 선택 모델에서는 예측 대상일로부터 기 설정된 범위에 해당하는 유사일 선택 범위 내의 후보 유사일의 과거 기상 데이터와 상기 예측 대상일의 기상 예보 데이터를 상태(state) 입력 값으로 사용한다. 또한, 상태 입력 값에서의 과거 기상 데이터와 기상 예보 데이터 간의 유사도를 기준으로 선택된 유사일을 선택(action) 입력 값으로 사용한다. 이때 후보 유사일에서의 과거 기상 데이터와 예측 대상일의 기상 예보 데이터 간의 유사도가 높은 순서대로 기 설정된 개수의 유사일을 선택할 수 있다. 마지막으로, 선택 입력 값에서의 과거 태양광 발전량 데이터와 예측 대상일에서의 실제 태양광 발전량 데이터 간의 차이를 보상(reward) 입력 값으로 사용한다.In the similar day selection model of the present invention, past weather data of a candidate similar day within a similar day selection range corresponding to a preset range from the prediction target date and the weather forecast data of the prediction target day are used as state input values. In addition, a similar day selected based on the similarity between the past weather data and the weather forecast data in the state input value is used as an action input value. In this case, a preset number of similar days may be selected in the order of the highest similarity between the past weather data on the candidate similar day and the weather forecast data on the prediction target date. Finally, the difference between the past photovoltaic power generation data in the selection input value and the actual photovoltaic power generation data at the prediction target date is used as a reward input value.
유사일 선택 모듈(400)의 각 구성부에 대해 살펴보면 다음과 같다.Each component of the similar-
유사일 선택 인터페이스부(410)는 각종 실행 명령을 전달한다. 여기서 실행 명령은 유사일 선택 모델 생성 명령과 유사일 선택 명령을 포함한다.The similarity
유사일 선택 모델 생성부(420)는 유사일 선택 인터페이스부(410)로부터 유사일 선택 모델 생성 명령을 전달받으면, 예측 대상일의 기상 예보 데이터와 후보 유사일들의 과거 기상 데이터를 기반으로 유사일을 선택하는 유사일 선택 모델을 생성한 후 이를 유사일 선택 모델 검증부(430)로 전달한다.When receiving the similar-day selection model generation command from the similar-day
유사일 선택 모델 검증부(430)는 유사일의 과거 태양광 발전량 데이터와 예측 대상일의 태양광 발전량 데이터 간의 차이를 기반으로 유사일 선택 모델을 강화 학습시킨다. 즉, 유사일 선택 모델 생성부(420)에서 생성된 유사일 선택 모델의 보상(reward)의 결과가 충분히 만족 될 때까지 반복적으로 유사일 선택 모델의 가치함수(DQN) 또는 정책을 피드백하여 유사일 선택 모델 생성부(420)로 다시 전달한다. 이때 유사일의 과거 태양광 발전량 데이터와 예측 대상일에서의 태양광 발전량 데이터 간의 차이가 작을수록 높은 보상(reward)을 주는 방식으로 가치함수(DQN)을 조절하여 강화학습 기반의 유사일 선택 모델을 학습시킬 수 있다. 이러한 강화 학습이 완료되면 유사일 선택 모델 검증부(430)는 강화 학습이 완료된 유사일 선택 모델을 유사일 선택부(440)로 전달한다.The similar-day selection
유사일 선택부(440)는 유사일 선택 인터페이스부(410)로부터 유사일 선택 명령을 수신하면, 예측 대상일의 기상 예보 데이터를 기반으로, 강화 학습된 유사일 선택 모델을 통해 후보 유사일들 중 하나 이상의 유사일을 선택한다.When receiving a similar-day selection command from the similar-day
도 6은 본 발명의 일 실시예에 따른 태양광 발전량 예측 모듈(500)의 구성을 개략적으로 나타낸 블록도이다.6 is a block diagram schematically showing the configuration of a solar power generation
도 6을 참조하면, 태양광 발전량 예측 모듈(500)은 발전량 예측 인터페이스부(510), 발전량 예측 모델 생성부(520), 발전량 예측 모델 검증부(530) 및 최종 발전량 예측부(540)를 포함한다.Referring to FIG. 6 , the solar power generation
도 7은 태양광 발전량 예측 모델의 구성을 개략적으로 나타낸 블록도이다.7 is a block diagram schematically illustrating the configuration of a solar power generation amount prediction model.
도 7을 참조하면 태양광 발전량 예측 모델은 발전량 예측 인터페이스부(510)에서 입력된 유사일의 과거 기상 데이터 및 유사일의 과거 태양광 발전량 데이터와 예측 대상일의 기상 예보 데이터를 입력 값으로 하고, 예측 대상일의 태양광 발전량을 출력으로 하는 심층 신경망의 형태로 표현된다.Referring to FIG. 7 , the solar power generation prediction model uses the past weather data of the similar day input from the power generation
즉, 태양광 발전량 예측 모듈(500)은 유사일 선택 모듈(400)에 의해 선택된 유사일의 과거 태양광 발전량 데이터 및 유사일의 과거 기상 데이터와 예측 대상일의 기상 예보 데이터를 기반으로, 예측 대상일의 태양광 발전량을 예측한다.That is, the solar power generation
다시 말해, 태양광 발전량 예측 모듈(500)은 유사일 선택 모듈(400)로부터 입력 받은 유사일, 데이터베이스(300)로부터 입력 받은 유사일의 과거 기상 데이터 및 유사일의 과거 태양광 발전량 데이터를 바탕으로 제2 인공신경망 기반의 발전량 예측 모델을 생성한다. 이후 생성된 발전량 예측 모델에 대한 검증을 통해 최종 발전량 예측 모델을 생성하여 예측 대상일의 최종 발전량을 산출한다.In other words, the solar power
태양광 발전량 예측 모듈(500)의 각 구성부에 대해 살펴보면 다음과 같다.Each component of the solar power
발전량 예측 인터페이스부(510)는 각종 실행 명령을 전달한다. 여기서 실행 명령은 발전량 예측 모델 생성 명령과 발전량 산출 명령을 포함한다.The generation amount
발전량 예측 모델 생성부(520)는 발전량 예측 인터페이스부(510)로부터 발전량 예측 모델 생성 명령을 전달받으면, 유사일 선택 모듈(400)에 의해 선택된 유사일의 과거 태양광 발전량 데이터와 예측 대상일의 기상 예보 데이터를 기반으로, 발전량 예측 모델을 생성한다.When the generation amount prediction
발전량 예측 모델은 Fully Connected Deep Network, LSTM 및 CNN Layer 알고리즘 중 적어도 어느 하나의 알고리즘을 기반으로 한 제2 인공신경망을 포함한다.The power generation prediction model includes a second artificial neural network based on at least any one of Fully Connected Deep Network, LSTM, and CNN Layer algorithms.
본 발명의 발전량 예측 모델에서는 유사일 선택 모델(400)에 의해 선택된 유사일의 과거 태양광 발전량 데이터와 예측 대상일의 기상 예보 데이터를 입력 값으로 사용하며 예측 대상일의 예측 태양광 발전량을 출력한다.In the power generation prediction model of the present invention, the past solar power generation data of the similar day selected by the similar
발전량 예측 모델 검증부(530)는 발전량 예측 모델을 통해 예측된 예측 대상일의 태양광 발전량 데이터와 과거 태양광 발전량 데이터를 비교하여, 발전량 예측 모델을 검증한다. 즉, 발전량 예측 모델 생성부(520)에서 생성된 발전량 예측 모델과 과거 발전량 데이터들을 사용하여 발전량 예측 모델의 학습이 충분히 만족 될 때까지 반복적으로 모델의 파라미터를 업데이트하도록 모델을 피드백하여 발전량 예측 모델 생성부(520)로 다시 전달한다. 다시 말해, 발전량 예측 모델 검증부(530)는 발전량 예측 모델의 파라미터를 조절하여 발전량 예측 모델 생성부(520)로 재전달하고, 파라미터의 조절이 완료되었다고 판단된 경우 파라미터 조절이 완료된 발전량 예측 모델을 최종 발전량 예측부(540)로 전달한다.The power generation prediction
예를 들어, 본 발명에서는 과거 50일의 데이터를 발전량 산출 모델 학습 데이터로 사용하며, 그 중 15일을 발전량 산출 모델 검증을 위해 사용할 수 있다. 물론, 이러한 값들은 사용자의 선택 또는 모델의 최적화 과정에서 변경될 수 있음은 자명하다.For example, in the present invention, data of the past 50 days is used as the generation amount calculation model training data, and 15 days of them may be used for verification of the generation amount calculation model. Of course, it is obvious that these values may be changed during user selection or model optimization.
최종 발전량 예측부(540)는 발전량 예측 인터페이스부(510)로부터 최종 발전량 예측 명령을 수신하면, 예측 대상일의 기상 예보 데이터를 기반으로, 파라미터 조절을 통해 검증된 발전량 예측 모델을 사용하여 예측 대상일의 태양광 발전량을 예측한다. 즉, 데이터베이스(300)로부터 예측 대상일의 날짜 정보와 기상 예보 데이터를 입력 받은 후 발전량 예측 모델 검증부(530)로부터 전달받은 검증된 발전량 예측 모델을 사용하여 예측 발전량을 산출한다. 이후 산출된 최종 발전량을 발전량 예측 인터페이스부(510)로 전달한다.When the final generation
마지막으로, 발전량 예측 인터페이스부(510)는 최종 발전량 예측 결과를 수신하여 이를 사용자에게 표 또는 그래프 등의 방식으로 출력한다.Finally, the generation amount
본 발명의 일 실시예에 따른 태양광 발전량 예측 방법은, 예측 대상일의 태양광 발전량을 예측하기 위한 태양광 발전량 예측 방법에 있어서, 예측 대상일의 기상 예보 데이터를 기반으로, 상기 예측 대상일을 기준으로 설정된 유사일 선택 범위 내의 후보 유사일들 중 상기 예측 대상일의 태양광 발전량 예측을 위한 하나 이상의 유사일을 선택하는 단계((a) 단계) 및 상기 (a) 단계에 의해 선택된 유사일의 과거 태양광 발전량 데이터 및 상기 예측 대상일의 기상 예보 데이터를 기반으로, 상기 예측 대사일의 태양광 발전량을 예측하는 단계((b) 단계)를 포한한다.In the solar power generation amount prediction method according to an embodiment of the present invention, in the solar power generation amount prediction method for predicting the solar power generation amount of the prediction target day, based on the weather forecast data of the prediction target day, the prediction target date Selecting one or more similar days for the prediction of the solar power generation amount of the prediction target day among candidate similar days within the similar day selection range set as a reference (step (a)) and past similar days selected by step (a) and predicting (step (b)) the amount of solar power generation on the predicted major day based on the solar power generation data and the weather forecast data of the prediction target day.
이때, (a) 단계는 상기 예측 대상일의 기상 예보 데이터와 상기 후보 유사일들의 과거 기상 데이터를 기반으로, 유사일을 선택하는 유사일 선택 모델을 생성하는 단계((a-1) 단계), 상기 유사일의 과거 태양광 발전량 데이터와 상기 예측 대상일의 태양광 발전량 데이터 간의 차이를 기반으로, 상기 유사일 선택 모델을 강화 학습시키는 단계((a-2) 단계) 및 상기 예측 대상일의 기상 예보 데이터를 기반으로, 상기 강화 학습된 유사일 선택 모델을 통해 상기 후보 유사일들 중 하나 이상의 유사일을 선택하는 단계((a-3) 단계)를 포함할 수 있다.In this case, step (a) includes the steps of generating a similar day selection model for selecting a similar day based on the weather forecast data of the prediction target date and the past weather data of the candidate similar days (step (a-1)); Reinforcing learning of the similar day selection model (step (a-2)) based on the difference between the past solar power generation data of the similar day and the solar power generation data of the prediction target day (step (a-2)) and the weather of the prediction target day The method may include selecting one or more similar days from among the candidate similar days through the reinforcement-learned similar day selection model (step (a-3)) based on the forecast data.
또한, b) 단계는 상기 (a) 단계에 의해 선택된 유사일의 과거 태양광 발전량 데이터와 상기 예측 대상일의 기상 예보 데이터를 기반으로, 발전량 예측 모델을 생성하는 단계((b-1) 단계), 상기 발전량 예측 모델을 통해 예측된 예측 대상일의 태양광 발전량 데이터와 과거 태양광 발전량 데이터를 비교하여, 상기 발전량 예측 모델을 검증하는 단계((b-2) 단계) 및 상기 예측 대상일의 기상 예보 데이터를 기반으로, 상기 검증된 발전량 예측 모델을 통해 상기 예측 대상일의 태양광 발전량을 예측하는 단계((b-3) 단계)를 포함할 수 있다.In addition, step b) is a step of generating a power generation prediction model based on the past solar power generation data of the similar day selected by step (a) and the weather forecast data of the prediction target day (step (b-1)) , comparing the solar power generation data of the prediction target day predicted through the power generation prediction model and the past solar power generation data, and verifying the power generation prediction model (step (b-2)) and the weather of the prediction target day Based on the forecast data, it may include the step of predicting the amount of solar power generation of the forecast target day through the verified power generation prediction model (step (b-3)).
본 발명의 실시예에 따른 강화학습 기반의 유사일을 사용한 태양광 발전량 예측 시스템 및 방법은 외부로부터 수신한 기상 데이터와 과거의 태양광 발전기의 태양광 발전량 데이터에 강화학습을 적용함으로써 예측하고자 하는 일자와 유사한 기상을 갖는 유사일을 선택하고, 선택된 유사일을 사용하여 예측 대상일의 발전량을 예측할 수 있다.The solar power generation amount prediction system and method using a similar day based on reinforcement learning according to an embodiment of the present invention is the date to be predicted by applying reinforcement learning to the weather data received from the outside and the solar power generation data of the past solar generator It is possible to select a similar day having a weather similar to , and predict the amount of power generation on the forecast target day using the selected similar day.
이상에서 실시예를 통해 본 발명을 설명하였으나, 위 실시예는 단지 본 발명의 사상을 설명하기 위한 것으로 이에 한정되지 않는다. 통상의 기술자는 전술한 실시예에 다양한 변형이 가해질 수 있음을 이해할 것이다. 본 발명의 범위는 첨부된 특허청구범위의 해석을 통해서만 정해진다.Although the present invention has been described with reference to examples above, the above examples are merely for explaining the spirit of the present invention and are not limited thereto. Those skilled in the art will understand that various modifications may be made to the above-described embodiments. The scope of the present invention is determined only through interpretation of the appended claims.
10: 태양광 발전량 예측 시스템 20: 외부 서버
30: 태양광 발전기 100: 기상 데이터 수집 모듈
200: 태양광 발전량 데이터 수집 모듈 300: 데이터베이스
400: 유사일 선택 모듈 410: 유사일 선택 인터페이스부
420: 유사일 선택 모델 생성부 430: 유사일 선택 모델 검증부
440: 최종 유사일 선택부 500: 태양광 발전량 예측 모듈
510: 발전량 예측 인터페이스부 520: 발전량 예측 모델 생성부
530: 발전량 예측 모델 검증부 540: 최종 발전량 예측부10: Solar power generation forecasting system 20: External server
30: solar generator 100: meteorological data collection module
200: solar power generation data collection module 300: database
400: Similar day selection module 410: Similar date selection interface unit
420: similar-day selection model generation unit 430: similar-day selection model verification unit
440: last similar day selection unit 500: solar power generation prediction module
510: generation amount prediction interface unit 520: generation amount prediction model generation unit
530: power generation prediction model verification unit 540: final generation amount prediction unit
Claims (9)
상기 예측 대상일의 기상 예보 데이터를 기반으로, 상기 예측 대상일을 기준으로 설정된 유사일 선택 범위 내의 후보 유사일들 중 상기 예측 대상일의 태양광 발전량 예측을 위한 하나 이상의 유사일을 선택하는 유사일 선택 모듈; 및
상기 유사일 선택 모듈에 의해 선택된 유사일의 과거 태양광 발전량 데이터 및 상기 예측 대상일의 기상 예보 데이터를 기반으로, 상기 예측 대상일의 태양광 발전량을 예측하는 태양광 발전량 예측 모듈을 포함하고,
상기 유사일 선택 범위는 상기 예측 대상일로부터 제1 범위 전에 해당하는 기간인 제1 유사일 선택 범위와 상기 예측 대상일의 기 설정된 햇수 전에 해당하는 일자로부터 제2 범위 전후에 해당하는 기간인 제2 유사일 선택 범위를 포함하고,
상기 유사일 선택 모듈은:
상기 예측 대상일의 기상 예보 데이터와 상기 후보 유사일들의 과거 기상 데이터를 기반으로, 유사일을 선택하는 유사일 선택 모델을 생성하는 유사일 선택 모델 생성부; 및
상기 유사일의 과거 태양광 발전량 데이터와 상기 예측 대상일의 태양광 발전량 데이터 간의 차이가 작을수록 높은 보상을 주며, 보상의 결과가 일정 수준을 만족시킬 때까지 상기 유사일 선택 모델의 가치함수 또는 정책을 피드백하여 상기 유사일 선택 모델로 다시 전달하여 상기 유사일 선택 모델을 강화 학습시키는 유사일 선택 모델 검증부를 포함하고,
상기 유사일 선택 모델은:
상기 예측 대상일로부터 기 설정된 범위에 해당하는 유사일 선택 범위 내의 후보 유사일의 과거 기상 데이터와 상기 예측 대상일의 기상 예보 데이터를 상태 입력 값으로 사용하고,
상기 상태 입력 값에서의 과거 기상 데이터와 기상 예보 데이터 간의 유사도가 높은 순으로 선택된 기 설정된 개수의 유사일을 선택 입력 값으로 사용하고,
상기 선택 입력 값에서의 과거 태양광 발전량 데이터와 상기 예측 대상일의 태양광 발전량 데이터 간의 차이가 작을수록 높은 보상 입력 값을 주도록 설정된 태양광 발전량 예측 시스템..
In the solar power generation amount prediction system for predicting the solar power generation amount of the prediction target day,
Similar day selection for selecting one or more similar days for predicting solar power generation on the prediction target day from among candidate similar days within a similar day selection range set based on the prediction target date based on the weather forecast data of the prediction target date module; and
A solar power generation prediction module for predicting the solar power generation amount of the prediction target day based on the past solar power generation data of the similar day selected by the similar day selection module and the weather forecast data of the prediction target day,
The similar-day selection range includes a first similar-day selection range, which is a period before the first range from the prediction target date, and a second similar-day selection range, which is a period before and after a second range, from a date corresponding to a predetermined number of years before the prediction target date. including a selection of similar dates;
The similar-day selection module includes:
a similar-day selection model generator for generating a similar-day selection model for selecting a similar day based on the weather forecast data of the prediction target date and the past weather data of the candidate similar days; and
The smaller the difference between the previous solar power generation data on the similar day and the solar power generation data on the forecast target day, the higher the reward, and the value function or policy of the similar day selection model until the compensation result satisfies a certain level and a similar-like selection model verifying unit for reinforcing the similar-like selection model by feeding back the feedback to the similar-like selection model,
The similar-day selection model is:
Past weather data of a candidate similar day within a similar day selection range corresponding to a preset range from the prediction target date and weather forecast data of the prediction target date are used as state input values;
Using a preset number of similar days selected in the order of the highest similarity between past weather data and weather forecast data in the state input value as a selection input value,
A solar power generation prediction system set to give a higher compensation input value as the difference between the past solar power generation data in the selected input value and the solar power generation data on the prediction target date is smaller..
상기 예측 대상일의 기상 예보 데이터는:
일사량 정보를 포함하며, 이와 더불어 일조시간, 기온, 운량, 습도 또는 강수량 정보를 더 포함할 수 있는 태양광 발전량 예측 시스템.
According to claim 1,
The weather forecast data of the forecast target date is:
Including insolation information, in addition to this, solar power generation forecasting system that may further include information about the amount of sunshine, temperature, cloudiness, humidity or precipitation.
상기 유사일 선택 모듈은:
상기 예측 대상일의 기상 예보 데이터를 기반으로, 상기 강화 학습된 유사일 선택 모델을 통해 상기 후보 유사일들 중 하나 이상의 유사일을 선택하는 유사일 선택부를 더 포함하는 태양광 발전량 예측 시스템.
3. The method of claim 2,
The similar-day selection module includes:
The solar power generation amount prediction system further comprising a similar day selection unit for selecting one or more similar days from among the candidate similar days through the reinforcement-learned similar day selection model based on the weather forecast data of the prediction target date.
상기 유사일 선택 모델은:
DQN(Deep Q-Network) 알고리즘 기반의 제1 인공신경망을 포함하는 태양광 발전량 예측 시스템.
4. The method of claim 3,
The similar-day selection model is:
A solar power generation prediction system including the first artificial neural network based on the DQN (Deep Q-Network) algorithm.
상기 태양광 발전량 예측 모듈은:
상기 유사일 선택 모듈에 의해 선택된 유사일의 과거 태양광 발전량 데이터와 상기 예측 대상일의 기상 예보 데이터를 기반으로, 발전량 예측 모델을 생성하는 발전량 예측 모델 생성부;
상기 발전량 예측 모델을 통해 예측된 예측 대상일의 태양광 발전량 데이터와 과거 태양광 발전량 데이터를 비교하여, 상기 발전량 예측 모델을 검증하는 발전량 예측 모델 검증부; 및
상기 예측 대상일의 기상 예보 데이터를 기반으로, 상기 검증된 발전량 예측 모델을 통해 상기 예측 대상일의 태양광 발전량을 예측하는 발전량 예측부를 포함하는 태양광 발전량 예측 시스템.
5. The method of claim 4,
The solar power generation prediction module is:
a power generation prediction model generation unit for generating a power generation prediction model based on the past solar power generation data of the similar day selected by the similar day selection module and the weather forecast data of the prediction target day;
a power generation prediction model verification unit for verifying the power generation prediction model by comparing the solar power generation amount data of the predicted target date with the past solar power generation amount data predicted through the generation amount prediction model; and
A solar power generation prediction system comprising a power generation forecasting unit for predicting the solar power generation amount on the prediction target day through the verified generation amount prediction model based on the weather forecast data of the prediction target day.
상기 발전량 예측 모델은:
Fully Connected Deep Neural Network 알고리즘 기반의 제2 인공신경망을 포함하고;
상기 유사일 선택 모델에 의해 선택된 유사일의 과거 태양광 발전량 데이터와 상기 예측 대상일의 기상 예보 데이터를 입력 값으로 사용하고;
상기 예측 대상일의 예측 태양광 발전량을 출력하는 태양광 발전량 예측 시스템.
6. The method of claim 5,
The power generation prediction model is:
a second artificial neural network based on a Fully Connected Deep Neural Network algorithm;
using, as input values, the past solar power generation amount data of the similar day selected by the similar day selection model and the weather forecast data of the prediction target day;
A solar power generation amount prediction system for outputting the predicted solar power generation amount of the prediction target date.
(a) 예측 대상일의 기상 예보 데이터를 기반으로, 상기 예측 대상일을 기준으로 설정된 유사일 선택 범위 내의 후보 유사일들 중 상기 예측 대상일의 태양광 발전량 예측을 위한 하나 이상의 유사일을 선택하는 단계; 및
(b) 상기 (a) 단계에 의해 선택된 유사일의 과거 태양광 발전량 데이터 및 상기 예측 대상일의 기상 예보 데이터를 기반으로, 상기 예측 대사일의 태양광 발전량을 예측하는 단계를 포함하고
상기 (a) 단계는:
(a-1) 상기 예측 대상일의 기상 예보 데이터와 상기 후보 유사일들의 과거 기상 데이터를 기반으로, 유사일을 선택하는 유사일 선택 모델을 생성하는 단계; 및
(a-2) 상기 유사일의 과거 태양광 발전량 데이터와 상기 예측 대상일의 태양광 발전량 데이터 간의 차이가 작을수록 높은 보상을 주며, 보상의 결과가 일정 수준을 만족시킬 때까지 상기 유사일 선택 모델의 가치함수 또는 정책을 피드백하여 상기 유사일 선택 모델로 다시 전달하여 상기 유사일 선택 모델을 강화 학습시키는 단계를 포함하고,
상기 유사일 선택 범위는 상기 예측 대상일로부터 제1 범위 전에 해당하는 기간인 제1 유사일 선택 범위와 상기 예측 대상일의 기 설정된 햇수 전에 해당하는 일자로부터 제2 범위 전후에 해당하는 기간인 제2 유사일 선택 범위를 포함하고,
상기 유사일 선택 모델은:
상기 예측 대상일로부터 기 설정된 범위에 해당하는 유사일 선택 범위 내의 후보 유사일의 과거 기상 데이터와 상기 예측 대상일의 기상 예보 데이터를 상태 입력 값으로 사용하고,
상기 상태 입력 값에서의 과거 기상 데이터와 기상 예보 데이터 간의 유사도가 높은 순으로 선택된 기 설정된 개수의 유사일을 선택 입력 값으로 사용하고,
상기 선택 입력 값에서의 과거 태양광 발전량 데이터와 상기 예측 대상일의 태양광 발전량 데이터 간의 차이가 작을수록 높은 보상 입력 값을 주도록 설정된 태양광 발전량 예측 방법.
In the solar power generation amount prediction method for predicting the solar power generation amount of the prediction target day,
(a) selecting one or more similar days for predicting the amount of solar power generation of the prediction target day from among candidate similar days within a similar day selection range set based on the prediction target date based on the weather forecast data of the prediction target date ; and
(b) predicting the solar power generation amount of the predicted great day based on the previous solar power generation data of the similar day selected by step (a) and the weather forecast data of the prediction target day,
Step (a) is:
(a-1) generating a similar day selection model for selecting a similar day based on the weather forecast data of the prediction target date and the past weather data of the candidate similar days; and
(a-2) The smaller the difference between the previous solar power generation data on the similar day and the solar power generation data on the predicted date, the higher the reward, and the similar day selection model until the compensation result satisfies a certain level feedback the value function or policy of , and passing it back to the similar-day selection model to reinforce learning the similar-day selection model,
The similar-day selection range includes a first similar-day selection range, which is a period before the first range from the prediction target date, and a second similar-day selection range, which is a period before and after a second range, from a date corresponding to a predetermined number of years before the prediction target date. including a selection of similar dates;
The similar-day selection model is:
Past weather data of a candidate similar day within a similar day selection range corresponding to a preset range from the prediction target date and weather forecast data of the prediction target date are used as state input values;
Using a preset number of similar days selected in the order of the highest similarity between past weather data and weather forecast data in the state input value as a selection input value,
A method of predicting solar power generation set to give a higher compensation input value as the difference between the past solar power generation data in the selection input value and the solar power generation data of the prediction target date is smaller.
상기 (a) 단계는:
(a-3) 상기 예측 대상일의 기상 예보 데이터를 기반으로, 상기 강화 학습된 유사일 선택 모델을 통해 상기 후보 유사일들 중 하나 이상의 유사일을 선택하는 단계를 더 포함하는 태양광 발전량 예측 방법.
8. The method of claim 7,
Step (a) is:
(a-3) Based on the weather forecast data of the prediction target day, the method further comprising the step of selecting one or more similar days from among the candidate similar days through the reinforcement-learned similar day selection model.
상기 (b) 단계는:
(b-1) 상기 (a) 단계에 의해 선택된 유사일의 과거 태양광 발전량 데이터와 상기 예측 대상일의 기상 예보 데이터를 기반으로, 발전량 예측 모델을 생성하는 단계;
(b-2) 상기 발전량 예측 모델을 통해 예측된 예측 대상일의 태양광 발전량 데이터와 과거 태양광 발전량 데이터를 비교하여, 상기 발전량 예측 모델을 검증하는 단계; 및
(b-3) 상기 예측 대상일의 기상 예보 데이터를 기반으로, 상기 검증된 발전량 예측 모델을 통해 상기 예측 대상일의 태양광 발전량을 예측하는 단계를 포함하는 태양광 발전량 예측 방법.9. The method of claim 8,
Step (b) is:
(b-1) generating a power generation prediction model based on the past solar power generation data of the similar day selected in step (a) and the weather forecast data of the prediction target day;
(b-2) verifying the power generation prediction model by comparing the solar power generation amount data of the forecast target date and the past solar power generation amount data predicted through the generation amount prediction model; and
(b-3) Based on the weather forecast data of the prediction target day, the solar power generation amount prediction method comprising the step of predicting the solar power generation amount of the prediction target day through the verified power generation prediction model.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200064492A KR102394050B1 (en) | 2020-05-28 | 2020-05-28 | System and method for solar power generation forecast using a similar day based on reinforcement learning |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200064492A KR102394050B1 (en) | 2020-05-28 | 2020-05-28 | System and method for solar power generation forecast using a similar day based on reinforcement learning |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20210147366A KR20210147366A (en) | 2021-12-07 |
| KR102394050B1 true KR102394050B1 (en) | 2022-05-03 |
Family
ID=78868668
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200064492A KR102394050B1 (en) | 2020-05-28 | 2020-05-28 | System and method for solar power generation forecast using a similar day based on reinforcement learning |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102394050B1 (en) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20230094798A (en) | 2021-12-21 | 2023-06-28 | 양범승 | Power generation forecasting system |
| KR102475374B1 (en) * | 2022-03-03 | 2022-12-06 | 박기주 | Apparatus and method for active failure predictive diagnosis of solar power generation system in string units using idle time |
| KR102476028B1 (en) * | 2022-04-29 | 2022-12-08 | 경북대학교 산학협력단 | Method and system for solar energy management using deep reinforcement learning |
| KR102650627B1 (en) * | 2023-08-16 | 2024-03-25 | 렉스이노베이션 주식회사 | Power generation prediction method for distributed power plant using reinforcement learning |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2015005641A (en) | 2013-06-21 | 2015-01-08 | 株式会社東芝 | Predicting system, predicting apparatus and predicting method |
| KR101808047B1 (en) * | 2016-08-05 | 2017-12-14 | 주식회사 해줌 | Method and server for forecasting generation of a power plant using solar energy |
| JP2018126038A (en) | 2017-02-03 | 2018-08-09 | 中国電力株式会社 | Power generation amount prediction device, power generation amount prediction method, and power generation amount prediction system |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101476522B1 (en) * | 2012-12-31 | 2014-12-24 | 주식회사 포스코아이씨티 | System for predicting energy producing quantity |
-
2020
- 2020-05-28 KR KR1020200064492A patent/KR102394050B1/en active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2015005641A (en) | 2013-06-21 | 2015-01-08 | 株式会社東芝 | Predicting system, predicting apparatus and predicting method |
| KR101808047B1 (en) * | 2016-08-05 | 2017-12-14 | 주식회사 해줌 | Method and server for forecasting generation of a power plant using solar energy |
| JP2018126038A (en) | 2017-02-03 | 2018-08-09 | 中国電力株式会社 | Power generation amount prediction device, power generation amount prediction method, and power generation amount prediction system |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20210147366A (en) | 2021-12-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102394050B1 (en) | System and method for solar power generation forecast using a similar day based on reinforcement learning | |
| Saloux et al. | Forecasting district heating demand using machine learning algorithms | |
| US20200057175A1 (en) | Weather dependent energy output forecasting | |
| Stefenon et al. | Photovoltaic power forecasting using wavelet Neuro-Fuzzy for active solar trackers | |
| Tahmasebifar et al. | A new hybrid model for point and probabilistic forecasting of wind power | |
| CN103699944A (en) | Wind and photovoltaic generation power prediction system with multiple prediction modes | |
| KR102296309B1 (en) | Apparatus and method for predicting solar power generation | |
| CN116187601B (en) | Comprehensive energy system operation optimization method based on load prediction | |
| US20210358058A1 (en) | Distributed energy resource system design and operation | |
| CN104036328A (en) | Self-adaptive wind power prediction system and prediction method | |
| Dolatabadi et al. | Deep reinforcement learning-based self-scheduling strategy for a CAES-PV system using accurate sky images-based forecasting | |
| Haghi et al. | Multivariate predictive analytics of wind power data for robust control of energy storage | |
| Toosi et al. | Machine learning for performance prediction in smart buildings: Photovoltaic self-consumption and life cycle cost optimization | |
| Romero et al. | Short-term active power forecasting of a photovoltaic power plant using an artificial neural network | |
| Tharani et al. | Machine learning models for renewable energy forecasting | |
| Eniola et al. | Validation of genetic algorithm optimized hidden Markov model for short-term photovoltaic power prediction | |
| Requate et al. | Active control of the reliability of wind turbines | |
| Hanafi et al. | One-Hour-Ahead Solar Power Forecasting Using Artificial Neural Networks in Taiwan | |
| Namrata et al. | Data-Driven Hyperparameter Optimized Extreme Gradient Boosting Machine Learning Model for Solar Radiation Forecasting | |
| Dimara et al. | District energy optimization based on mlp simulation | |
| KR102591679B1 (en) | Method and apparatus for determining generated power for economic load dispatch | |
| Kunelbayev et al. | Using machine learning algorithms to detect anomalies in the solar heating system | |
| Cerecedo et al. | Intelligent predictive model of electrical power in photovoltaic systems through solar radiation and temperature on site | |
| Patnaik et al. | Power Generation Prediction in Solar PV system by Machine Learning Approach | |
| Bugaje et al. | Influence of input parameters on artificial neural networks for off-grid solar photovoltaic power forecasting |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |