KR102427604B1 - 미래 발전량을 예측하도록 훈련된 인공지능 모델을 포함하는 전자 장치의 제어 방법 - Google Patents

미래 발전량을 예측하도록 훈련된 인공지능 모델을 포함하는 전자 장치의 제어 방법 Download PDF

Info

Publication number
KR102427604B1
KR102427604B1 KR1020220039365A KR20220039365A KR102427604B1 KR 102427604 B1 KR102427604 B1 KR 102427604B1 KR 1020220039365 A KR1020220039365 A KR 1020220039365A KR 20220039365 A KR20220039365 A KR 20220039365A KR 102427604 B1 KR102427604 B1 KR 102427604B1
Authority
KR
South Korea
Prior art keywords
power generation
artificial intelligence
time zone
weather information
intelligence model
Prior art date
Application number
KR1020220039365A
Other languages
English (en)
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 KR1020220039365A priority Critical patent/KR102427604B1/ko
Application granted granted Critical
Publication of KR102427604B1 publication Critical patent/KR102427604B1/ko

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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Neurology (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Public Health (AREA)

Abstract

인공지능 모델을 이용하는 전자 장치가 개시된다. 구체적으로 본 전자 장치는, 발전량을 예측하도록 훈련된 인공지능 모델을 포함하는 메모리, 메모리와 연결된 프로세서를 포함한다. 프로세서는, 기설정된 기간 동안의 태양광 발전 장치의 시간대별 발전량 정보를 인공지능 모델에 입력하고, 기설정된 기간 동안의 시간대별 기상 정보를 인공지능 모델에 입력하고, 인공지능 모델의 출력을 기반으로, 기설정된 기간 이후의 적어도 하나의 일자에 대한 태양광 발전 장치의 시간대별 발전량을 판단한다.

Description

미래 발전량을 예측하도록 훈련된 인공지능 모델을 포함하는 전자 장치의 제어 방법 {METHOD FOR CONTROLING AN ELECTRONIC DEVICE INCLUDING AI MODEL TRAINED TO PREDICT FUTURE POWER GENERATION}
본 개시는 학습된 인공지능 모델을 통해 태양광 발전 장치의 미래 발전량을 예측하는 전자 장치에 관한 것으로, 보다 상세하게는, 과거 일정 기간 동안의 기상 정보 및 발전량을 기반으로 적어도 하나의 일자의 발전량을 예측하는 전자 장치에 관한 것이다.
한국전력거래소는 소규모 전력중개시장과 중개거래 사업자를 통해 전력 수요와 공급의 안정적인 균형 유지를 위한 시장을 도입한바 있다.
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.
본 개시는 기후에 따라 발전량이 변동하는 태양광 발전 장치의 전력 생산량을 예측하는 전자 장치 내지는 시스템을 제공한다.
본 개시는 하나 이상의 태양광 발전 장치의 전력 생산량을 예측하여 전력 시장 내에서 각 발전소의 전력 거래를 효율적으로 중개하는 전자 장치 내지는 시스템을 제공한다.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
본 개시에 대하여 구체적으로 설명하기에 앞서, 본 명세서 및 도면의 기재 방법에 대하여 설명한다.
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.
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.
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.
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.
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.
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.
도 1은 본 개시의 일 실시 예에 따른 전자 장치의 구성을 설명하기 위한 블록도이다.
도 1을 참조하면, 전자 장치(100)는 메모리(110) 및 프로세서(120)를 포함할 수 있다.
전자 장치(100)는 태양광 발전 장치 내지는 태양광 발전소 시스템에 포함되는 적어도 하나의 컴퓨터로 구성될 수 있다.
또는, 전자 장치(100)는 적어도 하나의 태양광 발전 장치/태양광 발전소와 통신을 수행하여 전력 거래를 중개하기 위한 장치 내지는 시스템에 해당할 수 있다.
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.
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.
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.
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.
메모리(110)는 적어도 하나의 인공지능 모델(111)을 포함할 수 있다.
인공지능 모델(111)은 딥 러닝 기반의 신경망 모델일 수 있으며, 서로 다른 레이어에 속하는 노드 간의 가중치를 기반으로 훈련/업데이트될 수 있다.
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.
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.
이를 위해, 인공지능 모델(111)은 다양한 일자의 기상 정보 및 발전량 정보를 기반으로 훈련될 수 있다.
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.
프로세서(120)는 전자 장치(100)의 전반적인 구성 및 동작을 제어하기 위한 구성이다.
프로세서(120)는 메모리(110)와 연결되어 메모리(110)에 저장된 적어도 하나의 인스트럭션을 실행함으로써 전자 장치(100)를 제어할 수 있다.
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.
한편, 비록 도 2를 통해 도시되지는 않았으나, 전자 장치(100)는 다양한 외부 장치/시스템과 통신을 수행하기 위한 통신부를 포함할 수 있다.
통신부는 무선 통신 모듈, 유선 통신 모듈 등을 포함할 수 있다.
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.
유선 통신 모듈은 썬더볼트 포트, USB 포트 등의 유선 포트로 구현될 수 있다.
한편, 도 2는 본 개시의 일 실시 예에 따른 전자 장치의 동작을 설명하기 위한 흐름도이다.
도 2를 참조하면, 전자 장치(100)는 기설정된 기간 동안의 태양광 발전 장치의 시간대별 발전량 정보를 인공지능 모델(111)에 입력할 수 있다(S210).
기설정된 기간은, 특정 일자를 기준으로 과거의 일정 기간(ex. 한 달, 30일 등)을 의미할 수 있다.
시간대별 발전량 정보는, 기설정된 기간에 포함된 각 일자의 시간대별로 태양광 발전 장치가 생성한 전력량에 대한 정보를 포함할 수 있다.
여기서, 시간대는 단위 시간에 따라 구분될 수 있다. 단위 시간은, 1시간, 2시간, 3시간 등 다양하게 설정될 수 있다.
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.
또한, 도 2를 참조하면, 전자 장치(100)는 기설정된 기간 동안의 시간대별 기상 정보를 인공지능 모델(111)에 입력할 수 있다(S220).
기상 정보는, 온도(ex. 외기 온도), 구름량, 일사량, 습도, 풍속, 풍량 등 다양한 기상 조건에 대한 정보를 포함할 수 있다.
즉, 전자 장치(100)는 기설정된 기간 동안의 시간대별 발전량 및 시간대별 기상 정보를 각각 인공지능 모델에 입력할 수 있다.
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).
관련하여, 도 3a는 본 개시의 일 실시 예에 따른 전자 장치가 발전량을 예측하기 위해 이용하는 인공지능 모델의 입출력을 보다 구체적으로 설명하기 위한 도면이다.
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.
이 경우, 인공지능 모델(310)은 내일의 동일 시간대별 발전량을 출력할 수 있다.
구체적으로, 인공지능 모델(310)은, 동일 시간대의 과거의 기상 정보 및 발전량 정보를 기반으로, 동일 시간대의 발전량을 예측할 수 있다.
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.
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.
이렇듯, 시간대마다 독립적으로 입출력이 제어된 결과, 시간대별 예측의 정확성이 증대될 수 있다는 효과가 있다.
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.
도 3b의 인공지능 모델(310)은, 특정한 30일 간의 기상 정보 및 발전량 정보를 통해 바로 다음으로 이어지는 일자의 발전량을 예측하기 위한 RNN 모델이다.
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.
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.
다만, 인공지능 모델(310)의 구성이 도 3b에 도시된 구성으로 한정되는 것은 아니다.
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.
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.
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.
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.
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.
그 결과, 전자 장치(100)는 태양광 발전 장치 별로 예측된 발전량을 이용하여 전력 거래의 거래량 설정 및 입찰 등을 효과적으로 중개할 수 있다.
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.
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.
*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.
이 경우, 전자 장치(100)는 서로 다른 시간대의 기상 정보 및 발전량 정보에 따라 독립적으로 훈련된 복수의 인공지능 모델을 이용할 수도 있다.
일 예로, 전자 장치(100)는, 복수의 일자들의 제1 시간대의 (태양광 발전 장치의) 발전량 및 기상 정보를 이용하여 제1 인공지능 모델을 훈련시킬 수 있다.
또한, 전자 장치(100)는, 복수의 일자들의 제2 시간대의 발전량 및 기상 정보에 따라, 제2 인공지능 모델을 훈련시킬 수 있다.
즉, 제1 인공지능 모델은 제1 시간대에 대하여 훈련되고, 제2 인공지능 모델은 제2 시간대에 대하여 훈련될 수 있다.
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.
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.
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.
한편, 전자 장치(100)는 태양광 발전 장치별로 다른 인공지능 모델을 훈련시켜, 각 태양광 발전 장치/시스템에 최적화된 예측 메커니즘을 구현할 수 있다.
일 예로, 제3 인공지능 모델은 제1 태양광 발전 장치의 발전량에 대하여 훈련되고, 제4 인공지능 모델은 제2 태양광 발전 장치의 발전량에 대하여 훈련될 수 있다.
여기서, 제1 태양광 발전 장치와 제2 태양광 발전 장치는, 서로 다른 발전소 내지는 서로 다른 지역에 설치된 태양광 발전 장치들에 해당할 수 있다.
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.
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.
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.
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.
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.
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.
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.
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.
도 4는 본 개시에 따른 전자 장치와 같이 시간대별로 발전량을 예측하는 인공지능 모델을 이용한 경우의 효과를 설명하기 위한 그래프 및 표이다.
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.
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.
즉, 인공지능 모델을 이용한 시간대별 예측의 정확도가 매우 높다는 것이 확인된다.
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.
관련하여, 도 5a는 본 개시의 일 실시 예에 따른 전자 장치가 기상 정보 및 발전량을 예측하기 위해 이용하는 인공지능 모델의 입출력을 설명하기 위한 도면이다.
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.
이 경우, 인공지능 모델(510)은 내일의 동일 시간대의 발전량 및 기상 정보를 출력할 수 있다.
구체적으로, 인공지능 모델(510)은, 동일 시간대의 과거의 기상 정보 및 발전량 정보를 기반으로, 동일 시간대의 발전량을 예측할 수 있다.
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.
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.
즉, 전자 장치(100)는 인공지능 모델(510)을 이용하여 기상 예측 및 발전량 예측을 동시에 수행할 수 있다.
이를 위해, 인공지능 모델(510)은 순차적인 복수의 일자의 시간대별 발전량 및 기상 정보를 기반으로 훈련될 수 있다.
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.
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.
즉, 전자 장치(100)는, 인공지능 모델(510)을 통해, 아직 도래하지 않은 복수의 일자의 발전량에 대하여 순차적인 예측을 수행할 수 있다.
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.
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.
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.
이렇듯, 전자 장치(100)는 아직 도래하지 않은 기간(10월 1일 이후)의 복수의 일자 각각의 시간대별 발전량 정보를 순차적으로 예측할 수 있다.
여기서, 전자 장치(100)는 예측된 기상 정보와 실제 기상 정보의 매칭 여부에 따라, 태양광 발전 장치의 점검을 요청할 수 있다.
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.
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.
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.
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.
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.
또한, 전자 장치(100)는 예측된 기상 정보와 실제 기상 정보의 매칭 여부에 따라, 인공지능 모델(510)을 추가로 훈련시킬 수도 있다.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
100: 전자 장치 110: 메모리
120: 프로세서

Claims (1)

  1. 미래 발전량을 예측하도록 훈련된 인공지능 모델을 포함하는 전자 장치의 제어 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 인공지능 모델의 출력을 기반으로 상기 태양광 발전 장치의 내일의 상기 제1 시간대 발전량을 판단하는 단계;를 포함하고,
    상기 인공지능 모델은, RNN(Recurrent Neural Network) 모델로서, 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 학습된 것이고,
    상기 제1 시간대는 2시간 이내의 범위에서 사용자에 의해 기설정된 시간대인 것을 특징을 하고,
    상기 전자 장치의 제어 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 전자 장치의 제어 방법.
KR1020220039365A 2021-03-25 2022-03-30 미래 발전량을 예측하도록 훈련된 인공지능 모델을 포함하는 전자 장치의 제어 방법 KR102427604B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220039365A KR102427604B1 (ko) 2021-03-25 2022-03-30 미래 발전량을 예측하도록 훈련된 인공지능 모델을 포함하는 전자 장치의 제어 방법

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020210038842A KR102385383B1 (ko) 2021-03-25 2021-03-25 인공지능 모델을 이용하여 태양광 발전 장치의 발전량을 예측하는 전자 장치 및 제어 방법
KR1020220039365A KR102427604B1 (ko) 2021-03-25 2022-03-30 미래 발전량을 예측하도록 훈련된 인공지능 모델을 포함하는 전자 장치의 제어 방법

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
KR1020210038842A Division KR102385383B1 (ko) 2021-03-25 2021-03-25 인공지능 모델을 이용하여 태양광 발전 장치의 발전량을 예측하는 전자 장치 및 제어 방법

Publications (1)

Publication Number Publication Date
KR102427604B1 true KR102427604B1 (ko) 2022-08-02

Family

ID=81212151

Family Applications (3)

Application Number Title Priority Date Filing Date
KR1020210038842A KR102385383B1 (ko) 2021-03-25 2021-03-25 인공지능 모델을 이용하여 태양광 발전 장치의 발전량을 예측하는 전자 장치 및 제어 방법
KR1020220039364A KR102421393B1 (ko) 2021-03-25 2022-03-30 발전량을 예측하는 인공지능 모델을 트레이닝 시키는 방법
KR1020220039365A KR102427604B1 (ko) 2021-03-25 2022-03-30 미래 발전량을 예측하도록 훈련된 인공지능 모델을 포함하는 전자 장치의 제어 방법

Family Applications Before (2)

Application Number Title Priority Date Filing Date
KR1020210038842A KR102385383B1 (ko) 2021-03-25 2021-03-25 인공지능 모델을 이용하여 태양광 발전 장치의 발전량을 예측하는 전자 장치 및 제어 방법
KR1020220039364A KR102421393B1 (ko) 2021-03-25 2022-03-30 발전량을 예측하는 인공지능 모델을 트레이닝 시키는 방법

Country Status (1)

Country Link
KR (3) KR102385383B1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20240076015A (ko) 2022-11-23 2024-05-30 포항공과대학교 산학협력단 설명가능한 인공지능 모델 기반 태양광 발전량 예측 방법
CN116701888B (zh) * 2023-08-09 2023-10-17 国网浙江省电力有限公司丽水供电公司 清洁能源企业的辅助模型数据处理方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200059704A (ko) * 2018-11-21 2020-05-29 안현철 고장 예측 알고리즘을 이용한 태양광 발전 관리 시스템
KR102159692B1 (ko) * 2018-11-13 2020-09-24 주식회사 에코시안 빅데이터 분석을 통한 태양광 발전량 예측 장치 및 방법
KR20210026665A (ko) * 2019-08-30 2021-03-10 엘지전자 주식회사 서버
KR102230548B1 (ko) * 2020-09-02 2021-03-22 주식회사 케이디티 Frbfnn 모델을 이용한 태양광 발전설비의 발전예측 및 효율진단 시스템

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102159692B1 (ko) * 2018-11-13 2020-09-24 주식회사 에코시안 빅데이터 분석을 통한 태양광 발전량 예측 장치 및 방법
KR20200059704A (ko) * 2018-11-21 2020-05-29 안현철 고장 예측 알고리즘을 이용한 태양광 발전 관리 시스템
KR20210026665A (ko) * 2019-08-30 2021-03-10 엘지전자 주식회사 서버
KR102230548B1 (ko) * 2020-09-02 2021-03-22 주식회사 케이디티 Frbfnn 모델을 이용한 태양광 발전설비의 발전예측 및 효율진단 시스템

Also Published As

Publication number Publication date
KR102385383B1 (ko) 2022-04-15
KR102421393B1 (ko) 2022-07-18

Similar Documents

Publication Publication Date Title
KR102427604B1 (ko) 미래 발전량을 예측하도록 훈련된 인공지능 모델을 포함하는 전자 장치의 제어 방법
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
Shayesteh et al. Multi-station equivalents for short-term hydropower scheduling
JP2014157457A (ja) 予測装置および予測方法
Wang et al. Cold-standby redundancy allocation problem with degrading components
AU2014389497B2 (en) Combing multiple trending models for photovoltaic plant output forecasting
JP5712216B2 (ja) エネルギー供給システムまたはエネルギー消費システムの最適化された制御
KR102296309B1 (ko) 태양광 발전량 예측 장치 및 그 방법
Degeilh et al. Stochastic simulation of power systems with integrated intermittent renewable resources
Li et al. How to design a dynamic feed-in tariffs mechanism for renewables–a real options approach
US20160161136A1 (en) Devices, methods, and systems for data-driven acceleration of deployed services
JP7231504B2 (ja) 気象数値解析システム、予測対象データ生成システムおよび気象数値解析方法
CN114282727A (zh) 机房温度预测方法、系统及电子设备
Aggarwal et al. Day-ahead price forecasting in Ontario electricity market using variable-segmented support vector machine-based model
García-Martos et al. Electricity price forecasting accounting for renewable energies: optimal combined forecasts
Hobbs et al. Using probabilistic solar power forecasts to inform flexible ramp product procurement for the California ISO
Sarathkumar et al. Uncertainty borne balancing cost modeling for wind power forecasting
CN113052630B (zh) 利用模型进行电力设备配置的方法和电力设备配置方法
US11687689B2 (en) Capacity forecasting
US20220083903A1 (en) Load forecasting
Muschinski et al. Predicting power ramps from joint distributions of future wind speeds
CN109347143B (zh) 风场输出功率调整方法与装置
Sandelic et al. Reliability-driven clustering methodology for probabilistic forecast of environmental conditions in power electronics applications

Legal Events

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