KR102421393B1 - Method for training ai model to predict power generation - Google Patents

Method for training ai model to predict power generation Download PDF

Info

Publication number
KR102421393B1
KR102421393B1 KR1020220039364A KR20220039364A KR102421393B1 KR 102421393 B1 KR102421393 B1 KR 102421393B1 KR 1020220039364 A KR1020220039364 A KR 1020220039364A KR 20220039364 A KR20220039364 A KR 20220039364A KR 102421393 B1 KR102421393 B1 KR 102421393B1
Authority
KR
South Korea
Prior art keywords
artificial intelligence
intelligence model
time zone
power generation
weather information
Prior art date
Application number
KR1020220039364A
Other languages
Korean (ko)
Inventor
김동현
홍현표
홍정조
Original Assignee
한국수자원공사
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 한국수자원공사 filed Critical 한국수자원공사
Priority to KR1020220039364A priority Critical patent/KR102421393B1/en
Application granted granted Critical
Publication of KR102421393B1 publication Critical patent/KR102421393B1/en

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • 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
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • 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
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin
    • 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
    • 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
    • Y04S10/12—Monitoring or controlling equipment for energy generation units, e.g. distributed energy generation [DER] or load-side generation
    • Y04S10/123—Monitoring or controlling equipment for energy generation units, e.g. distributed energy generation [DER] or load-side generation the energy generation units being or involving renewable energy sources

Abstract

An electronic device using an artificial intelligence model is disclosed. Specifically, the electronic device comprises a memory including an artificial intelligence model trained to predict the amount of power generation, and a processor connected to the memory. The processor inputs hourly power generation information of a photovoltaic device for a predetermined period into an artificial intelligence model, inputs hourly weather information for a predetermined period into the artificial intelligence model, and determines the amount of power generation of the photovoltaic device for at least one date after a preset period of time, based on the output of the artificial intelligence model.

Description

발전량을 예측하는 인공지능 모델을 트레이닝 시키는 방법 {METHOD FOR TRAINING AI MODEL TO PREDICT POWER GENERATION}How to train an artificial intelligence model that predicts power generation {METHOD FOR TRAINING AI MODEL TO PREDICT POWER GENERATION}

본 개시는 태양광 발전 장치의 미래 발전량을 예측하는 인공지능 모델을 트레이닝 시키는 발명에 관한 것으로, 보다 상세하게는, 과거 일정 기간 동안의 기상 정보 및 발전량을 기반으로 적어도 하나의 일자의 발전량을 예측하는 인공지능 모델에 관한 것이다.The present disclosure relates to an invention for training an artificial intelligence model for predicting the future power generation of a solar power device, and more specifically, predicting the power generation amount of at least one day based on weather information and power generation amount for a certain period in the past. It is about artificial intelligence models.

한국전력거래소는 소규모 전력중개시장과 중개거래 사업자를 통해 전력 수요와 공급의 안정적인 균형 유지를 위한 시장을 도입한바 있다.The Korea Power Exchange has introduced a market for maintaining a stable balance of electricity demand and supply through small-scale power brokerage markets and brokerage business operators.

다만, 태양광, 풍력 등 재생에너지 발전소의 경우 기상 정보에 따라 발전량의 편차가 크기 때문에, 2020년 기준으로 국내에만 6만여 개의 재생에너지 발전소가 운영되는 현 시점에서, 전력 공급량의 불확실성이 증대하고 있다.However, in the case of renewable energy power plants such as solar and wind power, there is a large variation in the amount of power generation depending on weather information. .

본 개시는 기후에 따라 발전량이 변동하는 태양광 발전 장치의 전력 생산량을 예측하는 전자 장치 내지는 시스템을 제공한다.The present disclosure provides an electronic device or system for predicting power production of a photovoltaic device whose power generation amount varies according to climate.

본 개시는 하나 이상의 태양광 발전 장치의 전력 생산량을 예측하여 전력 시장 내에서 각 발전소의 전력 거래를 효율적으로 중개하는 전자 장치 내지는 시스템을 제공한다.The present disclosure provides an electronic device or system for estimating the power production of one or more photovoltaic devices to efficiently mediate power transactions of each power plant in a power market.

본 개시의 일 실시 예에 따른 전자 장치는, 발전량을 예측하도록 훈련된 인공지능 모델을 포함하는 메모리, 상기 메모리와 연결된 프로세서를 포함한다. 상기 프로세서는, 기설정된 기간 동안의 태양광 발전 장치의 시간대별 발전량 정보를 상기 인공지능 모델에 입력하고, 상기 기설정된 기간 동안의 시간대별 기상 정보를 상기 인공지능 모델에 입력하고, 상기 시간대별 발전량 정보 및 상기 시간대별 기상 정보가 입력된 상기 인공지능 모델의 출력을 기반으로, 상기 기설정된 기간 이후의 적어도 하나의 일자에 대한 상기 태양광 발전 장치의 시간대별 발전량을 판단한다.An electronic device according to an embodiment of the present disclosure includes a memory including an artificial intelligence model trained to predict an amount of power generation, and a processor connected to the memory. The processor inputs information on the amount of power generation by time of the photovoltaic device for a preset period to the artificial intelligence model, inputs weather information for each time period for the preset period into the artificial intelligence model, and the amount of power by time period Based on the output of the artificial intelligence model to which the information and the weather information for each time period are input, the amount of generation of the solar power generation device for each time period for at least one date after the preset period is determined.

상기 인공지능 모델은, 상기 기설정된 기간에 포함되는 일자들의 제1 시간대의 발전량, 및 상기 일자들의 상기 제1 시간대의 기상 정보를 기반으로, 상기 기설정된 기간 이후의 적어도 하나의 일자의 상기 제1 시간대의 발전량을 예측하고, 상기 기설정된 기간에 포함되는 일자들의 제2 시간대의 발전량, 및 상기 일자들의 상기 제2 시간대의 기상 정보를 기반으로, 상기 기설정된 기간 이후의 적어도 하나의 일자의 상기 제2 시간대의 발전량을 예측할 수 있다.The artificial intelligence model, based on the amount of power generation in the first time zone of the dates included in the preset period, and the weather information of the first time zone of the dates, the first of at least one date after the preset period Predicting the generation amount of time zone, based on the generation amount of the second time zone of the dates included in the preset period, and the weather information of the second time zone of the days, the first of at least one date after the preset period It is possible to predict the amount of power generation in two time periods.

또한, 상기 인공지능 모델은, 상기 기설정된 기간 동안의 상기 시간대별 발전량 정보 및 상기 시간대별 기상 정보가 입력되면, 상기 기설정된 기간 이후의 상기 일자의 시간대별 발전량 및 상기 일자의 시간대별 기상 정보를 출력할 수도 있다.In addition, the artificial intelligence model, when the generation amount information for each time period and the weather information for each time period for the predetermined period are input, the generation amount by time period of the date after the predetermined period and weather information for each time period of the date You can also print

여기서, 상기 인공지능 모델을 통해 출력된 상기 일자의 시간대별 기상 정보가 상기 일자의 시간대별 실제 기상 정보와 매칭되고, 상기 인공지능 모델을 통해 출력된 상기 일자의 시간대별 발전량이 상기 일자의 시간대별 실제 발전량보다 임계치 이상 많은 경우, 상기 프로세서는, 적어도 하나의 관리자 장치에 상기 태양광 발전 장치의 점검을 요청할 수 있다.Here, the weather information for each time period of the date output through the artificial intelligence model is matched with the actual weather information for each time period of the date, and the amount of power generation for each time period of the date output through the artificial intelligence model for each time period of the date When the amount of power generation exceeds the actual power generation amount by more than a threshold, the processor may request the at least one manager device to check the photovoltaic device.

또한, 상기 인공지능 모델을 통해 출력된 상기 일자의 시간대별 기상 정보가 상기 일자의 시간대별 실제 기상 정보와 매칭되고, 상기 일자의 시간대별 실제 발전량이 상기 인공지능 모델을 통해 출력된 상기 일자의 시간대별 발전량보다 임계치 이상 많은 경우, 상기 프로세서는, 상기 일자의 시간대별 실제 발전량 및 상기 일자의 시간대별 실제 기상 정보를 기반으로 상기 인공지능 모델을 훈련시킬 수 있다.In addition, the time of the date when the weather information for each time of the date output through the artificial intelligence model is matched with the actual weather information for each time of the date, and the actual power generation amount for each time of the date is output through the artificial intelligence model When there is more than a threshold amount of generation by unit, the processor may train the artificial intelligence model based on the actual generation amount for each time period of the date and actual weather information for each time period of the date.

또한, 상기 인공지능 모델을 통해 출력된 상기 일자의 시간대별 기상 정보가 상기 일자의 시간대별 실제 기상 정보와 매칭되지 않는 경우, 상기 프로세서는, 상기 일자의 시간대별 실제 발전량 및 상기 일자의 시간대별 실제 기상 정보를 기반으로 상기 인공지능 모델을 훈련시킬 수 있다.In addition, when the weather information for each time period of the date output through the artificial intelligence model does not match the actual weather information for each time period of the date, the processor is configured to: The artificial intelligence model may be trained based on weather information.

상기 프로세서는, 제1 기간 동안의 시간대별 발전량 정보 및 시간대별 기상 정보를 상기 인공지능 모델에 입력하여, 상기 제1 기간 이후의 제2 기간 동안의 시간대별 발전량 정보 및 시간대별 기상 정보를 예측하고, 상기 예측된 제2 기간의 시간대별 발전량 정보 및 시간대별 기상 정보를 상기 인공지능 모델에 입력하여, 상기 제2 기간 이후의 제3 기간 동안의 시간대별 발전량 정보 및 시간대별 기상 정보를 예측할 수도 있다.The processor inputs the generation amount information for each time period and weather information for each time period for a first period into the artificial intelligence model, and predicts the generation amount information for each time period and weather information for each time period for a second period after the first period, and , by inputting the predicted amount of generation information for each time period and weather information for each time period of the predicted second period into the artificial intelligence model, the generation amount information for each time period and weather information for each time period for a third period after the second period may be predicted. .

한편, 상기 프로세서는, 순차적으로 이어지는 복수의 일자에 대하여 계측된 상기 태양광 발전 장치의 시간대별 발전량 정보 및 상기 복수의 일자에 대하여 수집된 시간대별 기상 정보를 기반으로, RNN(Recurrent Neural Network)으로 구성된 상기 인공지능 모델을 훈련시킬 수 있다.On the other hand, the processor, based on the time-based generation information of the photovoltaic device measured for a plurality of consecutive days and the weather information for each time period collected for the plurality of days, a Recurrent Neural Network (RNN) It is possible to train the constructed artificial intelligence model.

한편, 상기 기설정된 기간은, 특정 일자를 기준으로 과거의 한 달에 해당하고, 상기 프로세서는, 상기 한 달 동안의 시간대별 발전량 정보 및 시간대별 기상 정보를 상기 인공지능 모델에 입력하여, 상기 특정 일자의 다음 일자의 시간대별 발전량을 예측할 수도 있다.On the other hand, the preset period corresponds to a month in the past based on a specific date, and the processor inputs the generation amount information for each time period and weather information for each time period for the month into the artificial intelligence model, It is also possible to predict the amount of power generation by time of the next day of the day.

본 개시의 일 실시 예에 따라 발전량을 예측하도록 훈련된 인공지능 모델을 포함하는 전자 장치의 제어 방법은, 기설정된 기간 동안의 태양광 발전 장치의 시간대별 발전량 정보를 상기 인공지능 모델에 입력하는 단계, 상기 기설정된 기간 동안의 시간대별 기상 정보를 상기 인공지능 모델에 입력하는 단계, 상기 시간대별 발전량 정보 및 상기 시간대별 기상 정보가 입력된 상기 인공지능 모델의 출력을 기반으로, 상기 기설정된 기간 이후의 적어도 하나의 일자에 대한 상기 태양광 발전 장치의 시간대별 발전량을 판단하는 단계를 포함한다.According to an embodiment of the present disclosure, the control method of an electronic device including an artificial intelligence model trained to predict the amount of power generation includes: inputting information on the amount of power generation for each time period of the photovoltaic device for a preset period into the artificial intelligence model , inputting meteorological information for each time period for the preset period into the artificial intelligence model, based on the output of the artificial intelligence model to which the generation amount information for each time period and the weather information for each time period are input, after the preset period and determining the amount of power generation by time of the photovoltaic device for at least one date.

본 개시에 따른 전자 장치는, 기상 정보의 시계열적 연속성 및 기상 정보와 발전량 간의 상관관계 등이 적용된 인공지능 모델을 이용하여, 각 태양광 발전 장치의 발전량을 높은 정확도로 예측할 수 있다는 효과가 있다.The electronic device according to the present disclosure has an effect of predicting the amount of power generation of each photovoltaic device with high accuracy by using an artificial intelligence model to which time-series continuity of weather information and a correlation between weather information and power generation are applied.

도 1은 본 개시의 일 실시 예에 따른 전자 장치의 구성을 설명하기 위한 블록도,
도 2는 본 개시의 일 실시 예에 따른 전자 장치의 동작을 설명하기 위한 흐름도,
도 3a는 본 개시의 일 실시 예에 따른 전자 장치가 발전량을 예측하기 위해 이용하는 인공지능 모델의 입출력을 설명하기 위한 도면,
도 3b는 본 개시의 일 실시 예에 따른 전자 장치가 과거의 일정 기간 동안의 기상 정보 및 발전량 정보를 RNN 기반 인공지능 모델에 입력하여 향후 발전량을 예측하는 동작을 설명하기 위한 도면,
도 4는 본 개시에 따른 전자 장치와 같이 인공지능 모델을 이용한 경우의 효과를 설명하기 위한 그래프 및 표,
도 5a는 본 개시의 일 실시 예에 따른 전자 장치가 기상 정보 및 발전량을 예측하기 위해 이용하는 인공지능 모델의 입출력을 설명하기 위한 도면, 그리고
도 5b은 본 개시의 일 실시 예에 따른 전자 장치가 예측된 특정 일자의 기상 정보를 이용하여 이후의 적어도 하나의 일자의 기상 정보 및 발전량을 예측하는 동작을 설명하기 위한 도면이다.1 is a block diagram illustrating a configuration of an electronic device according to an embodiment of the present disclosure;
2 is a flowchart illustrating an operation of an electronic device according to an embodiment of the present disclosure;
3A is a diagram for explaining input and output of an artificial intelligence model used by an electronic device to predict an amount of power generation according to an embodiment of the present disclosure;
3B is a diagram for explaining an operation of an electronic device predicting future generation by inputting weather information and generation amount information for a certain period in the past into an RNN-based artificial intelligence model according to an embodiment of the present disclosure;
4 is a graph and table for explaining the effect of using an artificial intelligence model, such as an electronic device according to the present disclosure;
5A is a diagram for explaining input/output of an artificial intelligence model used by an electronic device to predict weather information and power generation amount according to an embodiment of the present disclosure;
FIG. 5B is a diagram for explaining an operation of predicting, by an electronic device, weather information and generation amount of at least one future date by using predicted weather information of a specific date, according to an embodiment of the present disclosure;

본 개시에 대하여 구체적으로 설명하기에 앞서, 본 명세서 및 도면의 기재 방법에 대하여 설명한다.Prior to describing the present disclosure in detail, a description will be given of the description of the present specification and drawings.

먼저, 본 명세서 및 청구범위에서 사용되는 용어는 본 개시의 다양한 실시 예들에서의 기능을 고려하여 일반적인 용어들을 선택하였다 하지만, 이러한 용어들은 당해 기술 분야에 종사하는 기술자의 의도나 법률적 또는 기술적 해석 및 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 일부 용어는 출원인이 임의로 선정한 용어도 있다. 이러한 용어에 대해서는 본 명세서에서 정의된 의미로 해석될 수 있으며, 구체적인 용어 정의가 없으면 본 명세서의 전반적인 내용 및 당해 기술 분야의 통상적인 기술 상식을 토대로 해석될 수도 있다. First, the terms used in the present specification and claims are general terms selected in consideration of the functions in various embodiments of the present disclosure, but these terms are not intended to be used by those skilled in the art, legal or technical interpretation, and It may vary depending on the advent of new technology, etc. Also, some terms are arbitrarily selected by the applicant. These terms may be interpreted in the meaning defined in the present specification, and if there is no specific term definition, it may be interpreted based on the general content of the present specification and common technical knowledge in the art.

또한, 본 명세서에 첨부된 각 도면에 기재된 동일한 참조번호 또는 부호는 실질적으로 동일한 기능을 수행하는 부품 또는 구성요소를 나타낸다. 설명 및 이해의 편의를 위해서 서로 다른 실시 예들에서도 동일한 참조번호 또는 부호를 사용하여 설명한다. 즉, 복수의 도면에서 동일한 참조 번호를 가지는 구성요소를 모두 도시되어 있다고 하더라도, 복수의 도면들이 하나의 실시 예를 의미하는 것은 아니다. Also, the same reference numerals or reference numerals in each drawing attached to this specification indicate parts or components that perform substantially the same functions. For convenience of description and understanding, the same reference numerals or reference numerals are used in different embodiments. That is, even though all components having the same reference number are illustrated in a plurality of drawings, the plurality of drawings do not mean one embodiment.

또한, 본 명세서 및 청구범위에서는 구성요소들 간의 구별을 위하여 "제1", "제2" 등과 같이 서수를 포함하는 용어가 사용될 수 있다. 이러한 서수는 동일 또는 유사한 구성요소들을 서로 구별하기 위하여 사용하는 것이며 이러한 서수 사용으로 인하여 용어의 의미가 한정 해석되어서는 안 된다. 일 예로, 이러한 서수와 결합된 구성요소는 그 숫자에 의해 사용 순서나 배치 순서 등이 제한되어서는 안 된다. 필요에 따라서는, 각 서수들은 서로 교체되어 사용될 수도 있다. In addition, in this specification and claims, terms including an ordinal number, such as "first" and "second", may be used to distinguish between elements. This ordinal number is used to distinguish the same or similar elements from each other, and the meaning of the term should not be construed as limited due to the use of the ordinal number. For example, the components combined with such an ordinal number should not be limited in the order of use or arrangement by the number. If necessary, each ordinal number may be used interchangeably.

본 명세서에서 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "구성되다" 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.In this specification, the singular expression includes the plural expression unless the context clearly dictates otherwise. In the present application, terms such as "comprises" or "consisting of" are intended to designate that the features, numbers, steps, operations, components, parts, or combinations thereof described in the specification exist, and are intended to indicate that one or more other It is to be understood that this does not preclude the possibility of addition or presence of features or numbers, steps, operations, components, parts, or combinations thereof.

본 개시의 실시 예에서 "모듈", "유닛", "부(part)" 등과 같은 용어는 적어도 하나의 기능이나 동작을 수행하는 구성요소를 지칭하기 위한 용어이며, 이러한 구성요소는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다. 또한, 복수의 "모듈", "유닛", "부(part)" 등은 각각이 개별적인 특정한 하드웨어로 구현될 필요가 있는 경우를 제외하고는, 적어도 하나의 모듈이나 칩으로 일체화되어 적어도 하나의 프로세서로 구현될 수 있다.In an embodiment of the present disclosure, terms such as “module”, “unit”, “part”, etc. are terms for designating a component that performs at least one function or operation, and such component is hardware or software. It may be implemented or implemented as a combination of hardware and software. In addition, a plurality of "modules", "units", "parts", etc. are integrated into at least one module or chip, except when each needs to be implemented as individual specific hardware, and thus at least one processor. can be implemented as

또한, 본 개시의 실시 예에서, 어떤 부분이 다른 부분과 연결되어 있다고 할 때, 이는 직접적인 연결뿐 아니라, 다른 매체를 통한 간접적인 연결의 경우도 포함한다. 또한, 어떤 부분이 어떤 구성요소를 포함한다는 의미는, 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.In addition, in an embodiment of the present disclosure, when a part is connected to another part, this includes not only direct connection but also indirect connection through another medium. In addition, the meaning that a certain part includes a certain component means that other components may be further included without excluding other components unless otherwise stated.

도 1은 본 개시의 일 실시 예에 따른 전자 장치의 구성을 설명하기 위한 블록도이다.1 is a block diagram illustrating a configuration of an electronic device according to an embodiment of the present disclosure.

도 1을 참조하면, 전자 장치(100)는 메모리(110) 및 프로세서(120)를 포함할 수 있다.Referring to FIG. 1 , the electronic device 100 may include a memory 110 and a processor 120 .

전자 장치(100)는 태양광 발전 장치 내지는 태양광 발전소 시스템에 포함되는 적어도 하나의 컴퓨터로 구성될 수 있다.The electronic device 100 may be configured as a photovoltaic device or at least one computer included in a photovoltaic power plant system.

또는, 전자 장치(100)는 적어도 하나의 태양광 발전 장치/태양광 발전소와 통신을 수행하여 전력 거래를 중개하기 위한 장치 내지는 시스템에 해당할 수 있다.Alternatively, the electronic device 100 may correspond to a device or system for mediating power transaction by performing communication with at least one photovoltaic device/solar power plant.

이 경우, 전자 장치(100)는 전력 거래소나 전력 공급 회사(송전/배전 업체)등의 시스템과 연동함으로써 발전 장치/발전소와 전력 거래소 등 간의 전력 거래를 중개할 수 있다. In this case, the electronic device 100 may mediate power transaction between the power generation device/power plant and the power exchange by interworking with a system such as a power exchange or a power supply company (transmission/distribution company).

구체적으로, 전자 장치(100)는 후술할 다양한 실시 예에 따라 태양광 발전 장치의 발전량을 예측하여 전력 거래소와 발전소 간의 거래량 산정, 입찰 등을 대행할 수 있다.Specifically, the electronic device 100 may estimate the amount of power generation of the photovoltaic device according to various embodiments to be described later and perform calculation of the transaction amount between the power exchange and the power plant, bidding, and the like.

메모리(110)는 전자 장치(100)의 구성요소들의 전반적인 동작을 제어하기 위한 운영체제(OS: Operating System) 및 전자 장치(100)의 구성요소와 관련된 적어도 하나의 인스트럭션 또는 데이터를 저장하기 위한 구성이다. The memory 110 is a configuration for storing an operating system (OS) for controlling overall operations of the components of the electronic device 100 and at least one instruction or data related to the components of the electronic device 100 . .

메모리(110)는 ROM, 플래시 메모리 등의 비휘발성 메모리를 포함할 수 있으며, DRAM 등으로 구성된 휘발성 메모리를 포함할 수 있다. 또한, 메모리(110)는 하드 디스크, SSD(Solid state drive) 등을 포함할 수도 있다.The memory 110 may include non-volatile memory such as ROM and flash memory, and may include volatile memory such as DRAM. In addition, the memory 110 may include a hard disk, a solid state drive (SSD), or the like.

메모리(110)는 적어도 하나의 인공지능 모델(111)을 포함할 수 있다.The memory 110 may include at least one artificial intelligence model 111 .

인공지능 모델(111)은 딥 러닝 기반의 신경망 모델일 수 있으며, 서로 다른 레이어에 속하는 노드 간의 가중치를 기반으로 훈련/업데이트될 수 있다.The artificial intelligence model 111 may be a deep learning-based neural network model, and may be trained/updated based on weights between nodes belonging to different layers.

인공지능 모델(111)은, RNN(Recurrent Neural Network), CNN(Convolutional Neural Network), DNN(Deep Neural Network), RBM(Restricted Boltzmann Machine), DBN(Deep Belief Network), BRDNN(Bidirectional Recurrent Deep Neural Network) 및 심층 Q-네트워크(Deep Q-Networks) 등 다양한 형태로 구현될 수 있다.Artificial intelligence model 111, RNN (Recurrent Neural Network), CNN (Convolutional Neural Network), DNN (Deep Neural Network), RBM (Restricted Boltzmann Machine), DBN (Deep Belief Network), BRDNN (Bidirectional Recurrent Deep Neural Network) ) and deep Q-Networks can be implemented in various forms.

일 예로, 인공지능 모델(111)은 과거의 적어도 하나의 일자의 기상 정보 및 발전량 정보가 입력되면, 이후의 적어도 하나의 일자의 발전량을 예측하는 RNN 모델일 수 있다.As an example, the artificial intelligence model 111 may be an RNN model that predicts the generation amount of at least one future date when weather information and generation amount information of at least one date in the past are input.

이를 위해, 인공지능 모델(111)은 다양한 일자의 기상 정보 및 발전량 정보를 기반으로 훈련될 수 있다. To this end, the artificial intelligence model 111 may be trained based on weather information and power generation information of various days.

여기서, 발전량 정보는, 향후 발전량 예측의 대상인 태양광 발전 장치의 과거의 발전량에 대한 정보에 해당한다. 즉, 인공지능 모델(111)은 타게팅된 태양광 발전 장치에 대하여 맞춤형으로 훈련될 수 있다.Here, the generation amount information corresponds to information about the past generation amount of the solar power generation device, which is a target of future generation amount prediction. That is, the artificial intelligence model 111 may be customized for the targeted solar power generation device.

프로세서(120)는 전자 장치(100)의 전반적인 구성 및 동작을 제어하기 위한 구성이다.The processor 120 is a configuration for controlling the overall configuration and operation of the electronic device 100 .

프로세서(120)는 메모리(110)와 연결되어 메모리(110)에 저장된 적어도 하나의 인스트럭션을 실행함으로써 전자 장치(100)를 제어할 수 있다. The processor 120 may control the electronic device 100 by being connected to the memory 110 and executing at least one instruction stored in the memory 110 .

이를 위해, 프로세서(120)는 CPU(Central Processing Unit), AP(Application Processor) 등과 같은 범용 프로세서, GPU(Graphic Processing Unit), VPU(Vision Processing Unit) 등과 같은 그래픽 전용 프로세서 또는 NPU(Neural Processing Unit)와 같은 인공지능 전용 프로세서 등으로 구현될 수 있다. 또한, 프로세서(120)는 SRAM 등의 휘발성 메모리를 포함할 수 있다.To this end, the processor 120 is a general-purpose processor such as a central processing unit (CPU), an application processor (AP), etc., a graphics-only processor such as a graphic processing unit (GPU), a vision processing unit (VPU), or a neural processing unit (NPU). It can be implemented with a processor dedicated to artificial intelligence, such as In addition, the processor 120 may include a volatile memory such as SRAM.

한편, 비록 도 2를 통해 도시되지는 않았으나, 전자 장치(100)는 다양한 외부 장치/시스템과 통신을 수행하기 위한 통신부를 포함할 수 있다.Meanwhile, although not shown in FIG. 2 , the electronic device 100 may include a communication unit for performing communication with various external devices/systems.

통신부는 무선 통신 모듈, 유선 통신 모듈 등을 포함할 수 있다.The communication unit may include a wireless communication module, a wired communication module, and the like.

무선 통신 모듈은 외부 서버 또는 외부 장치로부터 컨텐츠를 수신하기 위하여 와이파이 (WIFI) 통신 모듈, Direct WiFi 통신 모듈, 블루투스(bluetooth)모듈, 적외선 통신(IrDA, infrared data association)모듈, 3G(3세대) 이동통신 모듈, 4G(4세대) 이동통신 모듈, 4세대 LTE(Long Term Evolution) 통신 모듈 중 적어도 하나를 포함을 포함할 수 있다. The wireless communication module is a Wi-Fi communication module, a Direct WiFi communication module, a Bluetooth module, an infrared data association (IrDA) module, and 3G (3rd generation) transfer to receive content from an external server or external device. It may include including at least one of a communication module, a 4G (4th generation) mobile communication module, and a 4th generation Long Term Evolution (LTE) communication module.

유선 통신 모듈은 썬더볼트 포트, USB 포트 등의 유선 포트로 구현될 수 있다.The wired communication module may be implemented as a wired port such as a Thunderbolt port or a USB port.

한편, 도 2는 본 개시의 일 실시 예에 따른 전자 장치의 동작을 설명하기 위한 흐름도이다.Meanwhile, FIG. 2 is a flowchart illustrating an operation of an electronic device according to an embodiment of the present disclosure.

도 2를 참조하면, 전자 장치(100)는 기설정된 기간 동안의 태양광 발전 장치의 시간대별 발전량 정보를 인공지능 모델(111)에 입력할 수 있다(S210).Referring to FIG. 2 , the electronic device 100 may input information on the amount of generation of the photovoltaic device for each time period for a preset period into the artificial intelligence model 111 ( S210 ).

기설정된 기간은, 특정 일자를 기준으로 과거의 일정 기간(ex. 한 달, 30일 등)을 의미할 수 있다.The preset period may mean a certain period (eg, one month, 30 days, etc.) in the past based on a specific date.

시간대별 발전량 정보는, 기설정된 기간에 포함된 각 일자의 시간대별로 태양광 발전 장치가 생성한 전력량에 대한 정보를 포함할 수 있다. The power generation amount information for each time period may include information on the amount of power generated by the photovoltaic device for each time zone of each day included in the preset period.

여기서, 시간대는 단위 시간에 따라 구분될 수 있다. 단위 시간은, 1시간, 2시간, 3시간 등 다양하게 설정될 수 있다. Here, the time zone may be divided according to the unit time. The unit time may be variously set, such as 1 hour, 2 hours, 3 hours, or the like.

예를 들어, 단위 시간이 2시간으로 설정된 경우, 하루는 12개의 시간대로 구분될 수 있다. 이 경우, 전자 장치(100)는 기설정된 기간에 속하는 각 일자의 12개의 시간대 각각에 대하여 태양광 발전 장치가 생성한 전력량에 대한 정보를 인공지능 모델(111)에 입력할 수 있다.For example, when the unit time is set to 2 hours, a day may be divided into 12 time zones. In this case, the electronic device 100 may input information on the amount of power generated by the photovoltaic device to the artificial intelligence model 111 for each of the 12 time zones of each day belonging to the preset period.

또한, 도 2를 참조하면, 전자 장치(100)는 기설정된 기간 동안의 시간대별 기상 정보를 인공지능 모델(111)에 입력할 수 있다(S220).Also, referring to FIG. 2 , the electronic device 100 may input weather information for each time period for a preset period into the artificial intelligence model 111 ( S220 ).

기상 정보는, 온도(ex. 외기 온도), 구름량, 일사량, 습도, 풍속, 풍량 등 다양한 기상 조건에 대한 정보를 포함할 수 있다.The weather information may include information on various weather conditions, such as temperature (eg, outdoor temperature), cloud amount, solar radiation, humidity, wind speed, and wind volume.

즉, 전자 장치(100)는 기설정된 기간 동안의 시간대별 발전량 및 시간대별 기상 정보를 각각 인공지능 모델에 입력할 수 있다.That is, the electronic device 100 may input the amount of power generation by time period and weather information for each time period for a preset period to the AI model, respectively.

여기서, 인공지능 모델(111)의 출력을 기반으로, 전자 장치(100)는 기설정된 기간 이후의 적어도 하나의 일자에 대한 태양광 발전 장치의 시간대별 발전량을 판단할 수 있다(S230).Here, based on the output of the artificial intelligence model 111 , the electronic device 100 may determine the amount of generation of the solar power generation device for each time period for at least one date after the preset period ( S230 ).

관련하여, 도 3a는 본 개시의 일 실시 예에 따른 전자 장치가 발전량을 예측하기 위해 이용하는 인공지능 모델의 입출력을 보다 구체적으로 설명하기 위한 도면이다.In relation to this, FIG. 3A is a diagram for explaining in more detail input/output of an artificial intelligence model used by an electronic device to predict an amount of power generation according to an embodiment of the present disclosure.

도 3a를 참조하면, 전자 장치(100)는 현재 시점을 기준으로 최근 30일 간의 동일 시간대별 실측 발전량(태양광 발전 장치) 및 실측 기상 정보를 인공지능 모델(310)에 입력할 수 있다. 여기서, 인공지능 모델(310)은 도 1에서 상술한 인공지능 모델(111)에 준하는 것에 해당한다.Referring to FIG. 3A , the electronic device 100 may input the measured power generation amount (solar power generation device) and measured weather information for the last 30 days in the same time zone to the artificial intelligence model 310 based on the current time point. Here, the artificial intelligence model 310 corresponds to the artificial intelligence model 111 described above in FIG. 1 .

이 경우, 인공지능 모델(310)은 내일의 동일 시간대별 발전량을 출력할 수 있다.In this case, the artificial intelligence model 310 may output the amount of power generation for the same time zone tomorrow.

구체적으로, 인공지능 모델(310)은, 동일 시간대의 과거의 기상 정보 및 발전량 정보를 기반으로, 동일 시간대의 발전량을 예측할 수 있다.Specifically, the artificial intelligence model 310 may predict the amount of power generation in the same time zone based on past weather information and generation amount information in the same time zone.

예를 들어, 인공지능 모델(310)은, 현재 시점을 기준으로 최근 30일의 오후 1시에서 오후 3시 사이의 시간대의 기상 정보 및 발전량(태양광 발전 장치)을 기반으로, 내일의 동일 시간대(오후 1시 ~ 오후 3시)의 발전량을 예측할 수 있다.For example, the artificial intelligence model 310 is based on the weather information and power generation (solar power generation device) of the time zone between 1 pm and 3 pm of the last 30 days based on the current time, the same time zone of tomorrow. It is possible to predict the amount of power generation (1 pm to 3 pm).

또한, 인공지능 모델(310)은 현재 시점을 기준으로 최근 30일의 오후 3시에서 오후 5시 사이의 시간대의 기상 정보 및 발전량을 기반으로, 내일의 동일 시간대(오후 3시 ~ 오후 5시)의 발전량을 예측할 수 있다.In addition, the artificial intelligence model 310 is based on the meteorological information and the amount of power generation in the time zone between 3 pm and 5 pm of the last 30 days based on the current time, the same time zone of tomorrow (3 pm - 5 pm) power generation can be predicted.

이렇듯, 시간대마다 독립적으로 입출력이 제어된 결과, 시간대별 예측의 정확성이 증대될 수 있다는 효과가 있다.As such, as a result of independently controlling input/output for each time period, there is an effect that the accuracy of prediction for each time period can be increased.

관련하여, 도 3b는 본 개시의 일 실시 예에 따른 전자 장치가 과거의 일정 기간 동안의 기상 정보 및 발전량 정보를 RNN 기반 인공지능 모델에 입력하여 향후 발전량을 예측하는 동작을 설명하기 위한 도면이다.In relation to this, FIG. 3B is a diagram for explaining an operation in which an electronic device predicts future generation by inputting weather information and generation amount information for a predetermined period in the past into an RNN-based artificial intelligence model according to an embodiment of the present disclosure.

도 3b의 인공지능 모델(310)은, 특정한 30일 간의 기상 정보 및 발전량 정보를 통해 바로 다음으로 이어지는 일자의 발전량을 예측하기 위한 RNN 모델이다.The artificial intelligence model 310 of FIG. 3B is an RNN model for predicting the generation amount of the immediately following day through weather information and generation amount information for a specific 30 days.

일 예로, 인공지능 모델(310)은, 특정 일자를 기준으로 최근의 30일까지의 데이터(기상 정보, 발전량 정보)를 입력받기 위한 노드(xt-0 ~ xt-30), 일자 별로 (시간대별) 발전량을 정의하기 위한 노드(ot-0 ~ ot-30), 최근 30일 다음으로 이어지는 일자의 발전량을 예측하기 위한 (출력) 노드(ot+1)를 포함할 수 있다. 여기서, 노드들(xt-0 ~ xt-30)은 입력 레이어를 구성하고, 노드들(ot-0 ~ ot-30)은 출력 레이어를 구성할 수 있다.As an example, the artificial intelligence model 310 is a node (x t-0 ~ x t-30) for receiving data (weather information, generation amount information) up to the last 30 days based on a specific date (x t-0 ~ x t-30 ), by date ( It may include a node (o t-0 ~ o t-30 ) for defining the amount of power generation per time period), and an (output) node (o t+1 ) for predicting the amount of power generation on the day following the last 30 days. Here, the nodes x t-0 to x t-30 may constitute an input layer, and the nodes o t-0 to o t-30 may constitute an output layer.

또한, 인공지능 모델(310)은 과거(30일)의 데이터와 예측 값(출력) 간의 관계를 가중치 기반 도출하기 위한 다양한 노드(ht+1, ht-0 ~ ht-30)를 포함할 수 있으며, 상술한 노드들 역시 적어도 하나의 레이어를 구성할 수 있다. In addition, the artificial intelligence model 310 includes various nodes (h t+1 , h t-0 ~ h t-30 ) for weight-based deriving the relationship between the data of the past (30 days) and the predicted value (output) and the above-described nodes may also constitute at least one layer.

다만, 인공지능 모델(310)의 구성이 도 3b에 도시된 구성으로 한정되는 것은 아니다.However, the configuration of the artificial intelligence model 310 is not limited to the configuration shown in FIG. 3B .

도 3b를 참조하면, 인공지능 모델(310)은 9월 1일부터 9월 30일에 이르는 기간의 특정 시간대(ex. 오전 6시 ~ 오전 8시)의 기상 정보 및 발전량 정보를 이용하여 10월 1일의 해당 시간대(ex. 오전 6시 ~ 오전 8시)의 발전량을 예측할 수 있다.Referring to FIG. 3b , the artificial intelligence model 310 uses weather information and power generation information of a specific time period (eg, 6 am to 8 am) of the period from September 1 to September 30 in October. It is possible to predict the amount of power generation in the corresponding time zone of the day (ex. 6 am to 8 am).

구체적으로, 전자 장치(100)는 9월 1일의 6시~8시의 기상 정보 및 발전량 정보, 9월 2일의 6시~8시의 기상 정보와 발전량 정보, 9월 3일의 6시~8시의 기상 정보와 발전량 정보, 9월 4일의 6시~8시의 기상 정보와 발전량 정보, ... , 9월 29일의 6시~8시의 기상 정보와 발전량 정보, 9월 30일의 6시~8시의 기상 정보와 발전량 정보 등을 각각 인공지능 모델(310)에 입력할 수 있으며, 그 결과 인공지능 모델(310)로부터 10월 1일의 6시~8시의 발전량이 출력(예측)될 수 있다.Specifically, the electronic device 100 provides the meteorological information and generation amount information from 6 o'clock to 8 o'clock on September 1, the meteorological information and power generation information from 6 o'clock to 8 o'clock on September 2, and 6 o'clock on September 3 Weather information and generation amount information from ... 8 o'clock, weather information and generation amount information from 6 o'clock to 8 o'clock on September 4, ... , weather information and generation amount information from 6:00 to 8:00 on September 29, September Weather information and power generation information, etc. from 6:00 to 8:00 on the 30th can be input to the AI model 310, respectively, and as a result, the amount of power generated from 6:00 to 8:00 on October 1 from the AI model 310 This can be output (predicted).

마찬가지로, 인공지능 모델(310)은 10월 5일부터 11월 5일에 이르는 기간의 특정 시간대(ex. 오전 6시 ~ 오전 8시)의 기상 정보 및 발전량 정보를 이용하여 11월 6일의 해당 시간대(ex. 오전 6시 ~ 오전 8시)의 발전량을 예측할 수 있다.Similarly, the artificial intelligence model 310 uses the weather information and power generation information of a specific time period (ex. 6 am to 8 am) of the period from October 5 to November 5 to correspond to the corresponding data on November 6th. It is possible to predict the amount of power generation in the time zone (ex. 6 am to 8 am).

또한, 인공지능 모델(310)은 11월 24일부터 12월 24일에 이르는 기간의 특정 시간대(ex. 오전 6시 ~ 오전 8시)의 기상 정보 및 발전량 정보를 이용하여 12월 25일의 해당 시간대(ex. 오전 6시 ~ 오전 8시)의 발전량을 예측할 수 있다.In addition, the artificial intelligence model 310 uses the weather information and power generation information of a specific time period (ex. 6:00 am to 8:00 am) of the period from November 24 to December 24 to correspond to that of December 25. It is possible to predict the amount of power generation in the time zone (ex. 6 am to 8 am).

이렇듯, 전자 장치(100)는 매일 업데이트되는 최근 30일의 발전량 및 기상 정보를 이용하여, 다음 일자의 시간대별로 각 태양광 발전 장치의 발전량을 예측할 수 있다. As such, the electronic device 100 may predict the power generation amount of each solar power generation device for each time zone of the next day by using the power generation amount and weather information of the last 30 days that are updated daily.

그 결과, 전자 장치(100)는 태양광 발전 장치 별로 예측된 발전량을 이용하여 전력 거래의 거래량 설정 및 입찰 등을 효과적으로 중개할 수 있다.As a result, the electronic device 100 may effectively mediate the setting of the transaction amount of the power transaction and the bidding using the predicted power generation amount for each photovoltaic device.

특히, 도 3b와 같이 특정 시점을 기준으로 최근의 연속된 한 달 또는 30일의 기상 정보 및 발전량 정보가 입력되는 경우, 기상 조건 및 발전 환경이 유사한 최근 일자들의 기상 정보 및 발전량이 반영되므로, 과거의 몇 년 또는 과거의 동일 분기/계절의 데이터를 이용하는 경우보다 인공지능 모델의 정확도가 더 높다는 장점이 있다.In particular, when the latest continuous month or 30-day meteorological information and power generation information is input based on a specific point in time as shown in FIG. 3B , the meteorological information and power generation amount of recent days with similar weather conditions and power generation environments are reflected, so that in the past It has the advantage that the accuracy of the AI model is higher than when using data from several years or the same quarter/season in the past.

한편, 상술한 도 3a 내지 도 3b의 실시 예를 위해, 전자 장치(100)는 복수의 일자의 기상 정보 및 (특정한 태양광 발전 장치의) 발전량 정보에 대하여 인공지능 모델(310)을 시간대별로 훈련시킬 수 있다.Meanwhile, for the above-described embodiment of FIGS. 3A to 3B , the electronic device 100 trains the artificial intelligence model 310 for each time period with respect to weather information of a plurality of days and generation amount information (of a specific photovoltaic device). can do it

*76구체적으로, 전자 장치(100)는 순차적으로 이어지는 일자들에 대하여 계측된 태양광 발전 장치의 시간대별 발전량 정보 및 해당 일자들에 대하여 수집된 시간대별 기상 정보를 기반으로, RNN으로 구성된 적어도 하나의 인공지능 모델을 훈련시킬 수 있다.*76 Specifically, the electronic device 100 is configured with at least one RNN based on the time-based generation amount information of the solar power generation device measured for sequentially successive dates and the time-based weather information collected for the corresponding days. of artificial intelligence models can be trained.

이 경우, 전자 장치(100)는 서로 다른 시간대의 기상 정보 및 발전량 정보에 따라 독립적으로 훈련된 복수의 인공지능 모델을 이용할 수도 있다.In this case, the electronic device 100 may use a plurality of artificial intelligence models independently trained according to weather information and generation amount information of different time zones.

일 예로, 전자 장치(100)는, 복수의 일자들의 제1 시간대의 (태양광 발전 장치의) 발전량 및 기상 정보를 이용하여 제1 인공지능 모델을 훈련시킬 수 있다.As an example, the electronic device 100 may train the first artificial intelligence model by using the amount of generation (of the photovoltaic device) and weather information in the first time zone of a plurality of dates.

또한, 전자 장치(100)는, 복수의 일자들의 제2 시간대의 발전량 및 기상 정보에 따라, 제2 인공지능 모델을 훈련시킬 수 있다.Also, the electronic device 100 may train the second artificial intelligence model according to the amount of power generation and weather information in the second time zone of a plurality of days.

즉, 제1 인공지능 모델은 제1 시간대에 대하여 훈련되고, 제2 인공지능 모델은 제2 시간대에 대하여 훈련될 수 있다.That is, the first AI model may be trained for the first time zone, and the second AI model may be trained for the second time zone.

구체적인 예로, 제1 인공지능 모델은 특정 기간(ex. 과거의 1년)에 포함되는 각 일자의 6시~8시의 시간대의 기상 정보 및 발전량을 통해 훈련될 수 있고, 제2 인공지능 모델은 해당 기간에 포함되는 각 일자의 8시~10시의 시간대의 기상 정보 및 발전량을 통해 훈련될 수 있다.As a specific example, the first artificial intelligence model may be trained through weather information and power generation in the time zone of 6:00 to 8:00 on each day included in a specific period (eg, one year in the past), and the second artificial intelligence model is It can be trained through the weather information and the amount of electricity generated in the time zone from 8:00 to 10:00 on each day included in the period.

이 경우, 전자 장치(100)는 현재 일자로부터 최근의 (과거) 한 달 간의 6시~8시의 기상 정보 및 발전량을 제1 인공지능 모델에 입력하여, 내일의 6시~8시의 발전량을 예측할 수 있다.In this case, the electronic device 100 inputs the weather information and power generation amount from 6 o'clock to 8 o'clock in the latest (past) month from the current date to the first AI model, and calculates the power generation amount from 6 o'clock to 8 o'clock tomorrow predictable.

또한, 전자 장치(100)는 현재 일자로부터 최근의 (과거) 한 달 간의 8시~10시의 기상 정보 및 발전량을 제2 인공지능 모델에 입력하여, 내일의 8시~10시의 발전량을 예측할 수 있다.In addition, the electronic device 100 inputs the weather information and power generation amount from 8:00 to 10:00 for the most recent (past) month from the current date to the second artificial intelligence model to predict the amount of power generation from 8:00 to 10:00 tomorrow. can

한편, 전자 장치(100)는 태양광 발전 장치별로 다른 인공지능 모델을 훈련시켜, 각 태양광 발전 장치/시스템에 최적화된 예측 메커니즘을 구현할 수 있다.Meanwhile, the electronic device 100 may implement a prediction mechanism optimized for each photovoltaic device/system by training a different artificial intelligence model for each photovoltaic device.

일 예로, 제3 인공지능 모델은 제1 태양광 발전 장치의 발전량에 대하여 훈련되고, 제4 인공지능 모델은 제2 태양광 발전 장치의 발전량에 대하여 훈련될 수 있다. For example, the third artificial intelligence model may be trained on the amount of power generated by the first photovoltaic device, and the fourth artificial intelligence model may be trained on the amount of power generated by the second photovoltaic device.

여기서, 제1 태양광 발전 장치와 제2 태양광 발전 장치는, 서로 다른 발전소 내지는 서로 다른 지역에 설치된 태양광 발전 장치들에 해당할 수 있다.Here, the first photovoltaic device and the second photovoltaic device may correspond to photovoltaic devices installed in different power plants or different regions.

구체적인 예로, 전자 장치(100)는 특정 기간(ex. 과거의 1년) 동안의 기상 정보 및 해당 기간 동안의 제1 태양광 발전 장치의 발전량(일자별/시간대별)을 기반으로 제3 인공지능 모델을 훈련시킬 수 있다.As a specific example, the electronic device 100 provides a third artificial intelligence model based on weather information for a specific period (eg, one year in the past) and the amount of power generation (by date/time period) of the first solar power generation device during the period. can be trained

또한, 전자 장치(100)는 특정 기간(ex. 과거의 1년) 동안의 기상 정보 및 해당 기간 동안의 제2 태양광 발전 장치의 발전량(일자별/시간대별)을 기반으로 제4 인공지능 모델을 훈련시킬 수 있다.In addition, the electronic device 100 generates a fourth artificial intelligence model based on weather information for a specific period (eg, one year in the past) and the amount of power generation (by date/time period) of the second solar power generation device during the period. can be trained

이 경우, 전자 장치(100)는 현재 일자를 기준으로 최근의 (과거) 한 달 동안의 특정 시간대(ex. 14시~16시)의 기상 정보 및 해당 시간대의 발전량 정보(: 제1 태양광 발전 장치의 발전량 정보)를 제3 인공지능 모델에 입력하여, 내일의 해당 시간대(ex. 14시~16시)의 제1 태양광 발전 장치의 발전량을 예측할 수 있다.In this case, the electronic device 100 provides meteorological information of a specific time period (eg, 14:00 to 16:00) for the most recent (past) month based on the current date and information on the amount of power generation in the corresponding time period (: first solar power generation) power generation amount information of the device) is input to the third artificial intelligence model to predict the power generation amount of the first solar power generation device in the corresponding time zone tomorrow (eg, 14:00 to 16:00).

또한, 전자 장치(100)는 현재 일자를 기준으로 최근의 (과거) 한 달 동안의 특정 시간대(ex. 14시~16시)의 기상 정보 및 해당 시간대의 발전량 정보(: 제2 태양광 발전 장치의 발전량 정보)를 제4 인공지능 모델에 입력하여, 내일의 해당 시간대(ex. 14시~16시)의 제1 태양광 발전 장치의 발전량을 예측할 수 있다.In addition, the electronic device 100 provides weather information of a specific time period (eg, 14:00 to 16:00) for the most recent (past) month based on the current date and information on the amount of power generation in the corresponding time period (: second solar power generation device) of the generation amount information) can be input into the fourth artificial intelligence model to predict the amount of power generation of the first solar power generation device in the corresponding time zone of tomorrow (ex. 14:00 to 16:00).

이 경우, 전자 장치(100)는 각 인공지능 모델(제3, 제4 인공지능 모델)을 통해 수행된 시간당 연산의 양을 기반으로, 각 인공지능 모델과 매칭되는 각 태양광 발전 장치(제1, 제2 태양광 발전 장치)의 전력 거래와 관련된 중개 수수료의 적어도 일부를 산정할 수 있다.In this case, the electronic device 100 performs each photovoltaic device matching each artificial intelligence model (first one) based on the amount of calculations per hour performed through each artificial intelligence model (third and fourth artificial intelligence models). , the second photovoltaic device) may calculate at least a portion of the brokerage fee related to the power transaction.

여기서, 태양광 발전 장치의 전력량을 예측하는 데에 할당된 로드가 클수록, 해당 태양광 발전 장치의 관리자(고객)에 대하여 부가되는 중개 수수료가 더 커질 수 있다.Here, the greater the load allocated to predicting the amount of power of the photovoltaic device, the greater the brokerage fee added to the manager (customer) of the photovoltaic device may be larger.

구체적인 예로, 제1 태양광 발전 장치의 발전량을 예측하기 위한 제3 인공지능 모델의 연산량이 많을수록, 제1 태양광 발전 장치에 대하여 부가되는 중개 수수료가 더 커질 수 있다.As a specific example, the greater the amount of computation of the third artificial intelligence model for predicting the amount of power generation of the first photovoltaic device, the greater the brokerage fee added to the first photovoltaic device.

또한, 제2 태양광 발전 장치의 발전량을 예측하기 위한 제4 인공지능 모델의 연산량이 많을수록, 제2 태양광 발전 장치에 대하여 부가되는 중개 수수료가 더 커질 수 있다.In addition, the greater the amount of computation of the fourth artificial intelligence model for predicting the amount of power generation of the second photovoltaic device, the greater the brokerage fee added to the second photovoltaic device may be.

도 4는 본 개시에 따른 전자 장치와 같이 시간대별로 발전량을 예측하는 인공지능 모델을 이용한 경우의 효과를 설명하기 위한 그래프 및 표이다.4 is a graph and a table for explaining the effect of using an artificial intelligence model that predicts the amount of power generation by time, such as an electronic device according to the present disclosure.

도 4에서, '회귀식에 의한 예측'은 일반적으로 태양광 발전량과의 상관관계가 높은 일사량을 이용한 회귀분석 기반 예측을 의미한다. 도 4에서 '심층신경망에 의한 예측'은 본 개시의 전자 장치와 같이 시간대별로 발전량을 판단하는 인공지능 모델을 이용한 예측을 의미한다.In FIG. 4 , 'prediction by regression' generally refers to prediction based on regression analysis using insolation, which has a high correlation with the amount of solar power generation. In FIG. 4 , 'prediction by deep neural network' means prediction using an artificial intelligence model that determines the amount of power generation for each time period as in the electronic device of the present disclosure.

도 4를 참조하면, 월별로 예측된 발전량을 실제 발전량과 비교했을 때, '회귀식에 의한 예측'의 평균 오차율은 42%인 반면, '심층신경망에 의한 예측'의 평균 오차율은 18.3%에 해당한다.Referring to FIG. 4 , when the monthly predicted generation is compared with the actual generation, the average error rate of 'prediction by regression' is 42%, whereas the average error rate of 'prediction by deep neural network' is 18.3% do.

즉, 인공지능 모델을 이용한 시간대별 예측의 정확도가 매우 높다는 것이 확인된다.That is, it is confirmed that the accuracy of time-based prediction using the artificial intelligence model is very high.

한편, 본 개시의 일 실시 예에 따른 전자 장치(100)는, 기설정된 기간 동안의 시간대별 발전량 정보 및 시간대별 기상 정보가 입력되면, 기설정된 기간 이후의 적어도 하나의 일자의 시간대별 발전량 뿐만 아니라 시간대별 기상 정보를 함께 출력하는 적어도 하나의 인공지능 모델을 이용할 수 있다.Meanwhile, in the electronic device 100 according to an embodiment of the present disclosure, when generation amount information for each time period and weather information for each time period for a preset period are input, not only the amount of electricity generation by time period of at least one date after the preset period but also At least one artificial intelligence model that outputs weather information for each time period may be used.

관련하여, 도 5a는 본 개시의 일 실시 예에 따른 전자 장치가 기상 정보 및 발전량을 예측하기 위해 이용하는 인공지능 모델의 입출력을 설명하기 위한 도면이다.In relation to this, FIG. 5A is a diagram for explaining input/output of an artificial intelligence model used by an electronic device to predict weather information and a power generation amount according to an embodiment of the present disclosure.

도 5a를 참조하면, 전자 장치(100)는 현재 시점을 기준으로 최근 30일 간의 동일 시간대별 실측 발전량(태양광 발전 장치) 및 실측 기상 정보를 인공지능 모델(510)에 입력할 수 있다.Referring to FIG. 5A , the electronic device 100 may input the measured power generation amount (solar power generation device) and measured weather information for the same time period for the last 30 days based on the current time point into the artificial intelligence model 510 .

이 경우, 인공지능 모델(510)은 내일의 동일 시간대의 발전량 및 기상 정보를 출력할 수 있다.In this case, the artificial intelligence model 510 may output the amount of power generation and weather information in the same time zone tomorrow.

구체적으로, 인공지능 모델(510)은, 동일 시간대의 과거의 기상 정보 및 발전량 정보를 기반으로, 동일 시간대의 발전량을 예측할 수 있다.Specifically, the artificial intelligence model 510 may predict the amount of power generation in the same time zone based on past weather information and generation amount information in the same time zone.

예를 들어, 인공지능 모델(510)은, 현재 시점을 기준으로 최근 30일의 오후 1시에서 오후 3시 사이의 시간대의 기상 정보 및 발전량(태양광 발전 장치)을 기반으로, 내일의 동일 시간대(오후 1시 ~ 오후 3시)의 발전량 및 기상 정보를 예측할 수 있다.For example, the artificial intelligence model 510 is based on the weather information and power generation (solar power generation device) of the time zone between 1:00 pm and 3:00 pm of the last 30 days based on the current time, the same time zone of tomorrow. It is possible to predict the amount of power generation and meteorological information (1pm to 3pm).

또한, 인공지능 모델(510)은 현재 시점을 기준으로 최근 30일의 오후 3시에서 오후 5시 사이의 시간대의 기상 정보 및 발전량을 기반으로, 내일의 동일 시간대(오후 3시 ~ 오후 5시)의 발전량 및 기상 정보를 예측할 수 있다.In addition, the artificial intelligence model 510 is based on the meteorological information and power generation in the time zone between 3 pm and 5 pm of the last 30 days based on the current time, and tomorrow's same time zone (3 pm - 5 pm) power generation and weather information can be predicted.

즉, 전자 장치(100)는 인공지능 모델(510)을 이용하여 기상 예측 및 발전량 예측을 동시에 수행할 수 있다.That is, the electronic device 100 may simultaneously perform the weather prediction and the generation amount prediction using the artificial intelligence model 510 .

이를 위해, 인공지능 모델(510)은 순차적인 복수의 일자의 시간대별 발전량 및 기상 정보를 기반으로 훈련될 수 있다.To this end, the artificial intelligence model 510 may be trained based on the power generation amount and weather information for each time period of a plurality of sequential days.

이 경우, 전자 장치(100)는 제1 기간 동안의 시간대별 발전량 정보 및 시간대별 기상 정보를 인공지능 모델(510)에 입력하여, 제1 기간 이후의 제2 기간 동안의 시간대별 발전량 정보 및 시간대별 기상 정보를 예측할 수 있다.In this case, the electronic device 100 inputs the generation amount information for each time period and the weather information for each time period for the first period into the artificial intelligence model 510, and information and time It is possible to predict the weather information for each unit.

또한, 전자 장치(100)는 예측된 제2 기간의 시간대별 발전량 정보 및 시간대별 기상 정보를 인공지능 모델(510)에 입력하여, 제2 기간 이후의 제3 기간 동안의 시간대별 발전량 정보 및 시간대별 기상 정보를 예측할 수 있다.In addition, the electronic device 100 inputs the predicted generation amount information for each time period and weather information for each time period into the artificial intelligence model 510 of the second period, and information and time It is possible to predict the weather information for each unit.

즉, 전자 장치(100)는, 인공지능 모델(510)을 통해, 아직 도래하지 않은 복수의 일자의 발전량에 대하여 순차적인 예측을 수행할 수 있다.That is, through the artificial intelligence model 510 , the electronic device 100 may sequentially predict the generation amount of a plurality of days that have not yet arrived.

관련하여, 도 5b은 본 개시의 일 실시 예에 따른 전자 장치가 예측된 특정 일자의 기상 정보를 이용하여 이후의 적어도 하나의 일자의 기상 정보 및 발전량을 예측하는 동작을 설명하기 위한 도면이다.In relation to this, FIG. 5B is a diagram for explaining an operation in which an electronic device predicts weather information and generation amount of at least one future date by using the predicted weather information of a specific date, according to an embodiment of the present disclosure.

도 5b를 참조하면, 전자 장치(100)는 9월 1일부터 9월 30일의 시간대별 발전량 정보 및 기상 정보를 인공지능 모델(510)에 입력하여, 10월 1일의 시간대별 발전량 및 기상 정보를 예측할 수 있다.Referring to FIG. 5B , the electronic device 100 inputs generation amount information and weather information for each time period from September 1 to September 30 into the artificial intelligence model 510, and the generation amount and weather information for each time period on October 1st information can be predicted.

또한, 도 5b를 참조하면, 전자 장치(100)는 9월 2일부터 9/30일의 시간대별 발전량 정보와 기상 정보, 그리고 앞서 예측된 10월 1일의 시간대별 발전량 정보 및 기상 정보를 각각 인공지능 모델(510)에 입력할 수 있다. 그 결과, 전자 장치(100)는 인공지능 모델(510)의 출력을 기반으로 10월 2일의 시간대별 발전량 정보 및 기상 정보를 예측할 수 있다.Also, referring to FIG. 5B , the electronic device 100 obtains generation amount information and weather information for each time period from September 2 to September 30, and the previously predicted generation amount information and weather information for each time period on October 1, respectively. may be input to the artificial intelligence model 510 . As a result, the electronic device 100 may predict generation amount information and weather information for each time period of October 2nd based on the output of the artificial intelligence model 510 .

이렇듯, 전자 장치(100)는 아직 도래하지 않은 기간(10월 1일 이후)의 복수의 일자 각각의 시간대별 발전량 정보를 순차적으로 예측할 수 있다.As such, the electronic device 100 may sequentially predict generation amount information for each time period of a plurality of days in a period that has not yet arrived (after October 1).

여기서, 전자 장치(100)는 예측된 기상 정보와 실제 기상 정보의 매칭 여부에 따라, 태양광 발전 장치의 점검을 요청할 수 있다.Here, the electronic device 100 may request inspection of the photovoltaic device according to whether the predicted weather information matches the actual weather information.

구체적으로, 인공지능 모델(510)을 통해 출력된(예측된) 특정 일자(ex. 10월 1일)의 시간대별 기상 정보가 해당 일자(10월 1일)의 시간대별 실제 기상 정보와 매칭되고, 인공지능 모델을 통해 출력된(예측된) 해당 일자(10월 1일)의 시간대별 발전량이 해당 일자(10월 1일)의 시간대별 실제 발전량보다 임계치 이상 많은 경우, 전자 장치(100)는 적어도 하나의 관리자 장치에 태양광 발전 장치의 점검을 요청할 수 있다.Specifically, the weather information for each time zone of a specific date (eg, October 1) output (predicted) through the artificial intelligence model 510 is matched with the actual weather information for each time zone of the corresponding date (October 1), and , when the power generation by time of the corresponding date (October 1) output (predicted) through the artificial intelligence model is greater than the threshold value or more than the actual generation by time of the corresponding date (October 1), the electronic device 100 is The inspection of the photovoltaic device may be requested from at least one manager device.

일 예로, 10월 1일의 적어도 하나의 시간대에 대하여 예측된 기상 정보에 따른 각 항목(일사량, 온도, 구름량 등)의 수치가, 10월 1일의 동일 시간대의 실제 기상 정보에 따른 각 항목(일사량, 온도, 구름량 등)의 수치와 각각 (임계범위 내에서) 매칭되는 경우를 가정한다.As an example, the numerical value of each item (insolation, temperature, cloud amount, etc.) according to the weather information predicted for at least one time zone on October 1 is each item according to the actual weather information in the same time zone on October 1 It is assumed that the values (insolation, temperature, cloudiness, etc.) match each (within the critical range).

여기서, 적어도 하나의 시간대에 대하여 예측된 발전량이 실제 발전량보다 임계치(ex. 10 MWh) 이상 많은 경우, 또는 복수의 시간대 각각에 대하여 예측된 발전량에서 실제 발전량을 차감한 값의 평균이 임계치 이상인 경우, 전자 장치(100)는 태양광 발전 장치의 점검을 요청할 수 있다.Here, when the predicted generation amount for at least one time period is greater than the actual generation amount by more than a threshold (ex. 10 MWh), or when the average of the value obtained by subtracting the actual generation amount from the predicted generation amount for each of a plurality of time periods is the threshold value or more, The electronic device 100 may request inspection of the photovoltaic device.

이렇듯, 기상 정보 예측에 성공하였음에도 실제 발전량이 예측된 발전량에 비해 비정상적으로 낮게 나온 경우, 태양광 발전 장치에 급작스런 문제가 생겼을 가능성이 높기 때문에, 상술한 바와 같이 전자 장치(100)가 태양광 발전 장치의 점검을 요청함에 의미가 있다.As such, when the actual generation amount is abnormally low compared to the predicted generation amount even though the weather information prediction is successful, there is a high possibility that a sudden problem occurs in the solar power generation device. It is meaningful to request an inspection of

이때, 전자 장치(100)는 점검을 요청하는 적어도 하나의 신호, 알림, 메시지를 관리자 장치로 전송할 수 있다. 관리자 장치는, 태양광 발전 장치의 관리자의 서버, 단말 등에 해당할 수 있으나, 이에 한정되지 않는다.In this case, the electronic device 100 may transmit at least one signal, notification, or message for requesting an inspection to the manager device. The manager device may correspond to a server, a terminal, etc. of a manager of the photovoltaic device, but is not limited thereto.

또한, 전자 장치(100)는 예측된 기상 정보와 실제 기상 정보의 매칭 여부에 따라, 인공지능 모델(510)을 추가로 훈련시킬 수도 있다.Also, the electronic device 100 may further train the artificial intelligence model 510 according to whether the predicted weather information and the actual weather information match.

구체적으로, 인공지능 모델(510)을 통해 출력된(예측된) 특정 일자(ex. 10월 2일)의 시간대별 기상 정보가 해당 일자(10월 2일)의 시간대별 실제 기상 정보와 매칭되고, 해당 일자(10월 2일)의 시간대별 실제 발전량이 인공지능 모델(510)을 통해 출력된 해당 일자(10월 2일)의 시간대별 발전량보다 임계치 이상 많은 경우, 전자 장치(100)는 해당 일자(10월 2일)의 시간대별 실제 발전량 및 시간대별 실제 기상 정보를 기반으로 인공지능 모델(510)을 훈련시킬 수 있다.Specifically, the weather information for each time period of a specific date (ex. October 2) output (predicted) through the artificial intelligence model 510 is matched with the actual weather information for each time period of the corresponding date (October 2), and , when the actual power generation for each time period of the corresponding date (October 2) is greater than the threshold value or more than the generation amount for each time period of the corresponding date (October 2) output through the artificial intelligence model 510, the electronic device 100 The artificial intelligence model 510 may be trained based on the actual power generation amount for each time period of the date (October 2) and the actual weather information for each time period.

일 예로, 10월 2일의 적어도 하나의 시간대에 대하여 예측된 기상 정보에 따른 각 항목(일사량, 온도, 구름량 등)의 수치가, 10월 2일의 동일 시간대의 실제 기상 정보에 따른 각 항목(일사량, 온도, 구름량 등)의 수치와 (임계범위 내에서) 매칭되는 경우를 가정한다.As an example, the numerical value of each item (insolation, temperature, cloud amount, etc.) according to the weather information predicted for at least one time zone on October 2 is each item according to the actual weather information in the same time zone on October 2 It is assumed that the values (insolation, temperature, cloudiness, etc.) match (within the critical range).

여기서, 적어도 하나의 시간대에 대하여 실제 발전량이 예측된 발전량보다 임계치(ex. 10 MWh) 이상 많은 경우, 또는 복수의 시간대 각각에 대하여 실제 발전량에서 예측된 발전량을 차감한 값의 평균이 임계치 이상인 경우, 전자 장치(100)는 실제 발전량 및 실제 기상 정보를 기반으로 인공지능 모델(510)을 훈련시킬 수 있다.Here, when the actual generation amount for at least one time period is greater than the predicted generation amount by more than a threshold value (ex. 10 MWh), or when the average of the value obtained by subtracting the predicted generation amount from the actual generation amount for each of a plurality of time periods is the threshold value or more, The electronic device 100 may train the artificial intelligence model 510 based on the actual power generation amount and actual weather information.

이렇듯, 기상 정보에 대한 예측에 성공했음에도 예측된 발전량보다 실제 발전량이 훨씬 더 많은 경우라면, 태양광 발전 장치의 문제라기보다는 인공지능 모델(510)의 예측에 결함이 있는 것으로 해석됨이 적절하기 때문에, 상술한 경우에 인공지능 모델(510)을 추가 훈련시키는 과정에 의미가 있다.As such, if the actual generation amount is much larger than the predicted generation amount even though the prediction of the weather information is successful, it is appropriate that it is interpreted as a defect in the prediction of the artificial intelligence model 510 rather than the problem of the solar power generation device. , there is meaning in the process of further training the artificial intelligence model 510 in the above-described case.

한편, 인공지능 모델(510)을 통해 출력된 특정 일자(ex. 10월 3일)의 시간대별 기상 정보가 해당 일자(10월 3일)의 시간대별 실제 기상 정보와 매칭되지 않는 경우라면, 전자 장치(100)는 해당 일자(10월 3일)의 시간대별 실제 발전량 및 해당 일자(10월 3일)의 시간대별 실제 기상 정보를 기반으로 인공지능 모델(510)을 훈련시킬 수 있다.On the other hand, if the weather information for each time zone of a specific date (ex. October 3) output through the artificial intelligence model 510 does not match with the actual weather information for each time zone on the corresponding date (October 3), the electronic The device 100 may train the artificial intelligence model 510 based on the actual generation amount for each time zone of the corresponding date (October 3) and the actual weather information for each time zone of the corresponding date (October 3).

한편, 이상에서 설명된 다양한 실시 예들은 소프트웨어(software), 하드웨어(hardware) 또는 이들의 조합된 것을 이용하여 컴퓨터 또는 이와 유사한 장치로 읽을 수 있는 기록 매체 내에서 구현될 수 있다.Meanwhile, the various embodiments described above may be implemented in a recording medium readable by a computer or a similar device using software, hardware, or a combination thereof.

하드웨어적인 구현에 의하면, 본 개시에서 설명되는 실시 예들은 ASICs(Application Specific Integrated Circuits), DSPs(digital signal processors), DSPDs(digital signal processing devices), PLDs(Programmable logic devices), FPGAs(field programmable gate arrays), 프로세서(processor), 제어기(controller), 마이크로 컨트롤러(micro-controllers), 마이크로 프로세서(microprocessor), 기타 기능 수행을 위한 전기적인 유닛(unit) 중 적어도 하나를 이용하여 구현될 수 있다.According to the hardware implementation, the embodiments described in the present disclosure are ASICs (Application Specific Integrated Circuits), DSPs (digital signal processors), DSPDs (digital signal processing devices), PLDs (Programmable logic devices), FPGAs (field programmable gate arrays) ), a processor, a controller, a micro-controller, a microprocessor, and may be implemented using at least one of an electrical unit for performing other functions.

소프트웨어적인 구현에 의하면 본 명세서에서 설명되는 절차 및 기능과 같은 실시 예들은 별도의 소프트웨어 모듈들로 구현될 수 있다. 상술한 소프트웨어 모듈들 각각은 본 명세서에서 설명되는 하나 이상의 기능 및 작동을 수행할 수 있다.According to the software implementation, embodiments such as the procedures and functions described in this specification may be implemented as separate software modules. Each of the above-described software modules may perform one or more functions and operations described herein.

한편, 상술한 본 개시의 다양한 실시 예들에 따른 전자 장치(100)에서의 처리동작을 수행하기 위한 컴퓨터 명령어(computer instructions)는 비일시적 컴퓨터 판독 가능 매체(non-transitory computer-readable medium)에 저장될 수 있다. 이러한 비일시적 컴퓨터 판독 가능 매체에 저장된 컴퓨터 명령어는 특정 기기의 프로세서에 의해 실행되었을 때 상술한 다양한 실시 예에 따른 전자 장치(100)의 처리 동작을 상술한 특정 기기가 수행하도록 한다.Meanwhile, computer instructions for performing a processing operation in the electronic device 100 according to various embodiments of the present disclosure described above may be stored in a non-transitory computer-readable medium. can When the computer instructions stored in the non-transitory computer readable medium are executed by the processor of the specific device, the specific device performs the processing operation of the electronic device 100 according to the various embodiments described above.

비일시적 판독 가능 매체란 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 구체적으로는, 상술한 다양한 어플리케이션 또는 프로그램들은 CD, DVD, 하드 디스크, 블루레이 디스크, USB, 메모리카드, ROM 등과 같은 비일시적 판독 가능 매체에 저장되어 제공될 수 있다. The non-transitory readable medium refers to a medium that stores data semi-permanently, rather than a medium that stores data for a short moment, such as a register, cache, memory, and the like, and can be read by a device. Specifically, the above-described various applications or programs may be provided by being stored in a non-transitory readable medium such as a CD, DVD, hard disk, Blu-ray disk, USB, memory card, ROM, and the like.

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 이해돼서는 안 될 것이다.In addition, although preferred embodiments of the present invention have been illustrated and described above, the present invention is not limited to the specific embodiments described above, and the technical field to which the present invention pertains without departing from the gist of the present invention as claimed in the claims In addition, various modifications may be made by those of ordinary skill in the art, and these modifications should not be individually understood from the technical spirit or perspective of the present invention.

100: 전자 장치 110: 메모리
120: 프로세서100: electronic device 110: memory
120: processor

Claims (1)

발전량을 예측하는 인공지능 모델을 트레이닝 시키는 방법에 있어서,
태양광 발전 장치의 n일(n은 1이상의 기설정된 정수) 이전 일자부터 오늘 일자까지 각각의 일자에 대응하는 n+1개의 제1 시간대 발전량 정보 및 n일(n은 1이상의 기설정된 정수) 이전 일자부터 오늘 일자까지 각각의 일자에 대응하는 n+1개의 제1 시간대 기상 정보를 상기 인공지능 모델에 입력하는 단계; 및
상기 제1 시간대 발전량 정보 및 상기 제1 시간대 기상 정보에 기반으로, RNN(Recurrent Neural Network)으로 구성된 상기 인공지능 모델을 훈련시키는 단계
를 포함하고,
상기 인공지능 모델을 훈련시키는 단계는,
상기 태양광 발전 장치의 n+1개의 제1 시간대 발전량 정보 및 상기 n+1개의 제1 시간대 기상 정보가 입력되면, 내일의 상기 태양광 발전 장치의 제1 시간대 발전량 및 제1 시간대 기상 정보를 출력하도록 학습하는 단계
를 포함하며,
상기 제1 시간대는 2시간 이내의 범위에서 사용자에 의해 기설정된 시간대인 것을 특징을 하고,
상기 인공지능 모델을 트레이닝 시키는 방법은,
상기 인공지능 모델을 통해 출력된 상기 내일의 제1 시간대 기상 정보가, 상기 내일의 제1 시간대 실제 기상 정보와 매칭되고, 상기 인공지능 모델을 통해 출력된 상기 내일의 제1 시간대 발전량 정보가 내일의 상기 태양광 발전 장치의 제1 시간대 실제 발전량 정보보다 임계치 이상 많은 경우, 적어도 하나의 관리자 장치에 상기 태양광 발전 장치의 점검을 요청하고,
상기 인공지능 모델을 통해 출력된 상기 내일의 제1 시간대 기상 정보가, 상기 내일의 제1 시간대 실제 기상 정보와 매칭되고, 상기 내일의 상기 태양광 발전 장치의 제1 시간대 실제 발전량이 상기 인공지능 모델을 통해 출력된 상기 내일의 제1 시간대 발전량보다 임계치 이상 많은 경우, 상기 내일의 상기 태양광 발전 장치의 제1 시간대 실제 발전량 및 상기 내일의 제1 시간대 실제 기상 정보를 기반으로 상기 인공지능 모델을 훈련시키고,
상기 인공지능 모델을 통해 출력된 상기 내일의 제1 시간대 기상 정보가 상기 내일의 제1 시간대 실제 기상 정보와 매칭되지 않는 경우, 상기 내일의 제1 시간대 실제 발전량 정보 및 상기 내일의 제1 시간대 실제 기상 정보를 기반으로 상기 인공지능 모델을 훈련시키는 단계; 를 더 포함하는 것을 특징으로 하는 인공지능 모델을 트레이닝 시키는 방법.
In a method of training an artificial intelligence model to predict power generation,
n+1 first time zone generation information and n days (n is a preset integer greater than or equal to 1) corresponding to each day from the previous date to today's date of n days (n is a preset integer greater than or equal to 1) of the photovoltaic device before (n is a preset integer greater than or equal to 1) inputting n+1 first time zone weather information corresponding to each date from the date to today's date into the AI model; and
Training the artificial intelligence model composed of a Recurrent Neural Network (RNN) based on the first time zone power generation information and the first time zone weather information
including,
The step of training the artificial intelligence model is,
When n+1 pieces of first time zone generation information and n+1 pieces of first time zone weather information of the photovoltaic device are input, tomorrow's first time zone power generation amount and first time zone weather information are output Steps to learn to do
includes,
The first time zone is characterized in that it is a time zone preset by the user within the range of 2 hours,
How to train the artificial intelligence model,
The tomorrow's first time zone weather information output through the artificial intelligence model matches the tomorrow's first time zone actual weather information, and the tomorrow's first time zone generation amount information output through the artificial intelligence model is tomorrow's When there is more than a threshold value or more than the actual power generation amount information in the first time period of the photovoltaic device, the inspection of the photovoltaic device is requested to at least one manager device,
The tomorrow's first time zone weather information output through the artificial intelligence model is matched with the tomorrow's first time zone actual weather information, and the actual generation amount of the first time zone of the tomorrow's solar power generation device is the artificial intelligence model When there is more than a threshold amount of generation in the first time zone of tomorrow output through make it,
If the tomorrow's first time zone weather information output through the artificial intelligence model does not match the tomorrow's first time zone actual weather information, the tomorrow's first time zone actual power generation information and tomorrow's first time zone actual weather information training the artificial intelligence model based on the information; How to train an artificial intelligence model, characterized in that it further comprises.
KR1020220039364A 2021-03-25 2022-03-30 Method for training ai model to predict power generation KR102421393B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220039364A KR102421393B1 (en) 2021-03-25 2022-03-30 Method for training ai model to predict power generation

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020210038842A KR102385383B1 (en) 2021-03-25 2021-03-25 Electronic apparatus using artificial intelligence model for predicting power generation amount of solar power generation device, and control method thereof
KR1020220039364A KR102421393B1 (en) 2021-03-25 2022-03-30 Method for training ai model to predict power generation

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
KR1020210038842A Division KR102385383B1 (en) 2021-03-25 2021-03-25 Electronic apparatus using artificial intelligence model for predicting power generation amount of solar power generation device, and control method thereof

Publications (1)

Publication Number Publication Date
KR102421393B1 true KR102421393B1 (en) 2022-07-18

Family

ID=81212151

Family Applications (3)

Application Number Title Priority Date Filing Date
KR1020210038842A KR102385383B1 (en) 2021-03-25 2021-03-25 Electronic apparatus using artificial intelligence model for predicting power generation amount of solar power generation device, and control method thereof
KR1020220039364A KR102421393B1 (en) 2021-03-25 2022-03-30 Method for training ai model to predict power generation
KR1020220039365A KR102427604B1 (en) 2021-03-25 2022-03-30 Method for controling an electronic device including ai model trained to predict future power generation

Family Applications Before (1)

Application Number Title Priority Date Filing Date
KR1020210038842A KR102385383B1 (en) 2021-03-25 2021-03-25 Electronic apparatus using artificial intelligence model for predicting power generation amount of solar power generation device, and control method thereof

Family Applications After (1)

Application Number Title Priority Date Filing Date
KR1020220039365A KR102427604B1 (en) 2021-03-25 2022-03-30 Method for controling an electronic device including ai model trained to predict future power generation

Country Status (1)

Country Link
KR (3) KR102385383B1 (en)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116701888B (en) * 2023-08-09 2023-10-17 国网浙江省电力有限公司丽水供电公司 Auxiliary model data processing method and system for clean energy enterprises

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200059704A (en) * 2018-11-21 2020-05-29 안현철 System of monitoring photovoltaic power generation using failure prediction algorithm
KR102159692B1 (en) * 2018-11-13 2020-09-24 주식회사 에코시안 solar photovoltatic power generation forecasting apparatus and method based on big data analysis
KR20210026665A (en) * 2019-08-30 2021-03-10 엘지전자 주식회사 Server
KR102230548B1 (en) * 2020-09-02 2021-03-22 주식회사 케이디티 Power generation prediction and efficiency diagnosis system of solar power generation facilities using FRBFNN model

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102159692B1 (en) * 2018-11-13 2020-09-24 주식회사 에코시안 solar photovoltatic power generation forecasting apparatus and method based on big data analysis
KR20200059704A (en) * 2018-11-21 2020-05-29 안현철 System of monitoring photovoltaic power generation using failure prediction algorithm
KR20210026665A (en) * 2019-08-30 2021-03-10 엘지전자 주식회사 Server
KR102230548B1 (en) * 2020-09-02 2021-03-22 주식회사 케이디티 Power generation prediction and efficiency diagnosis system of solar power generation facilities using FRBFNN model

Also Published As

Publication number Publication date
KR102385383B1 (en) 2022-04-15
KR102427604B1 (en) 2022-08-02

Similar Documents

Publication Publication Date Title
Gan et al. Embedding based quantile regression neural network for probabilistic load forecasting
Carpinone et al. Markov chain modeling for very-short-term wind power forecasting
Park et al. Multi-year stochastic generation capacity expansion planning under environmental energy policy
US9977847B2 (en) Efficient forecasting for hierarchical energy systems
US20220294218A1 (en) Method and system for predicting regional short-term energy power by taking weather into consideration
Chen et al. Comparing occupancy models and data mining approaches for regular occupancy prediction in commercial buildings
Shayesteh et al. Multi-station equivalents for short-term hydropower scheduling
Wang et al. Cold-standby redundancy allocation problem with degrading components
JP2014157457A (en) Prediction device and prediction method
KR102296309B1 (en) Apparatus and method for predicting solar power generation
Degeilh et al. Stochastic simulation of power systems with integrated intermittent renewable resources
KR102421393B1 (en) Method for training ai model to predict power generation
US20170031867A1 (en) Combining Multiple Trending Models for Photovoltaics Plant Output Forecasting
Feng et al. Setting planned orders in master production scheduling under demand uncertainty
Aggarwal et al. Day-ahead price forecasting in Ontario electricity market using variable-segmented support vector machine-based model
CN114282727A (en) Computer room temperature prediction method and system and electronic equipment
JP7231504B2 (en) Meteorological Numerical Analysis System, Prediction Target Data Generation System, and Meteorological Numerical Analysis Method
CN112015615A (en) Storage medium, operation power evaluation method, and operation power evaluation apparatus
García-Martos et al. Electricity price forecasting accounting for renewable energies: optimal combined forecasts
Sarathkumar et al. Uncertainty borne balancing cost modeling for wind power forecasting
WO2020023763A1 (en) System and method for predicting stock on hand with predefined markdown plans
US11687689B2 (en) Capacity forecasting
Hobbs et al. Using probabilistic solar power forecasts to inform flexible ramp product procurement for the California ISO
CN113962495A (en) Wind power plant power prediction method and device and electronic equipment
CN109347143B (en) Wind field output power adjusting method and device

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant