KR102439272B1 - 인공지능기반 태양광 발전량 예측 다중모델의 병렬처리 시스템 및 방법 - Google Patents
인공지능기반 태양광 발전량 예측 다중모델의 병렬처리 시스템 및 방법 Download PDFInfo
- Publication number
- KR102439272B1 KR102439272B1 KR1020200147888A KR20200147888A KR102439272B1 KR 102439272 B1 KR102439272 B1 KR 102439272B1 KR 1020200147888 A KR1020200147888 A KR 1020200147888A KR 20200147888 A KR20200147888 A KR 20200147888A KR 102439272 B1 KR102439272 B1 KR 102439272B1
- Authority
- KR
- South Korea
- Prior art keywords
- prediction
- power generation
- prediction model
- generator
- solar power
- Prior art date
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 33
- 238000012545 processing Methods 0.000 title claims description 28
- 238000000034 method Methods 0.000 title claims description 24
- 238000010248 power generation Methods 0.000 claims abstract description 70
- 238000000638 solvent extraction Methods 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 6
- 238000009434 installation Methods 0.000 description 4
- 230000006866 deterioration Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
- H02S50/00—Monitoring or testing of PV systems, e.g. load balancing or fault identification
-
- 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
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
- Photovoltaic Devices (AREA)
Abstract
본 발명은 기상데이터와 태양광 발전량 데이터를 수신하고, 인공지능 알고리즘으로 학습하여 태양광 발전기에 대한 발전량 예측모델을 생성하는 태양광 발전량 예측모델 생성부; 상기 태양광 발전량 예측모델 생성부에 의해 생성된 발전량 예측모델 전체를 저장하는 전체모델 수신큐; 상기 전체모델 수신큐에 저장된 예측모델을 지역단위로 분할하는 전체-지역 분할모듈; 상기 전체-지역 분할모듈이 분할하여 전달하는 예측모델을 지역단위로 저장하는 병렬식의 지역단위 수신큐; 상기 지역단위 수신큐에 저장된 예측모델을 해당 지역에 있는 발전기별로 분할하는 지역-개별 분할모듈; 상기 지역-개별 분할모듈이 분할하여 전달하는 발전기별 예측모델을 병렬식으로 저장하는 예측수행 큐; 및 상기 예측수행 큐 각각의 예측모델에 대하여 인공지능 연산을 수행하여 발전기별 발전량을 예측하는 예측수행 모듈;을 포함하여 태양광 발전량 예측 수행 시 순차방식에 따른 프로세스 병목현상을 방지할 수 있는 효과가 있다.
Description
본 발명은 인공지능기반 태양광 발전량 예측 다중모델의 병렬처리 시스템 및 방법에 관한 것으로써, 더욱 상세하게는 인공지능 학습을 통한 태양광 발전량 예측모델을 운영환경에 배포한 후, 다량의 예측모델 기반으로 실시간 데이터 예측수행 시, 해당 프로세스를 병렬방식으로 처리하여 순차방식으로 작동시 발생 가능한 병목현상과 임계시간 초과를 방지하는 인공지능기반 태양광 발전량 예측 다중모델의 병렬처리 시스템 및 방법에 관한 것이다.
종래 다양한 태양광 발전량 예측모델이 있었지만, 해당 태양광 발전량 예측모델 기반의 병렬처리 예측수행 시스템은 없었다.
순차적 또는 직렬적 처리방식으로 다량의 예측모델을 활용한 데이터 예측수행 시, 예측 프로세서는 제한된 임계시간을 초과하는 위험이 발생하게 된다는 문제점이 있다.
상기 태양광 발전량 예측모델 1개는 1시간 이후의 발전량을 예측해야 하는데, 예를 들어, 현재시간이 14시일 경우 15시 발전량 예측 값이 15시 전까지 제출되어야 한다.
1개의 태양광 발전량 예측모델의 예측수행시간이 10분일 경우, 종래 순차적 또는 직렬적 처리방식을 가진 6개 모델이 순차적으로 태양광 발전량 예측을 수행하면 60분(1시간)이 걸린다.
따라서, 7번째 태양광 발전량 예측모델은 임계시간 1시간 내 예측 수행이 불가능하다는 문제점이 있다.
본 발명은 상술한 문제점을 해결하기 위해, 인공지능 학습을 통한 태양광 발전량 예측모델을 운영환경에 배포한 후, 다량의 예측모델 기반으로 실시간 데이터 예측수행 시, 해당 프로세스를 병렬방식으로 처리하여 순차방식으로 작동시 발생 가능한 병목현상과 임계시간 초과를 방지하는 인공지능기반 태양광 발전량 예측 다중모델의 병렬처리 시스템 및 방법을 제공하는데 목적이 있다.
상술한 목적을 달성하기 위해 본 발명은 기상데이터와 태양광 발전량 데이터를 수신하고, 인공지능 알고리즘으로 학습하여 태양광 발전기에 대한 발전량 예측모델을 생성하는 태양광 발전량 예측모델 생성부; 상기 태양광 발전량 예측모델 생성부에 의해 생성된 발전량 예측모델 전체를 저장하는 전체모델 수신큐; 상기 전체모델 수신큐에 저장된 예측모델을 지역단위로 분할하는 전체-지역 분할모듈; 상기 전체-지역 분할모듈이 분할하여 전달하는 예측모델을 지역단위로 저장하는 병렬식의 지역단위 수신큐; 상기 지역단위 수신큐에 저장된 예측모델을 해당 지역에 있는 발전기별로 분할하는 지역-개별 분할모듈; 상기 지역-개별 분할모듈이 분할하여 전달하는 발전기별 예측모델을 병렬식으로 저장하는 예측수행 큐; 및 상기 예측수행 큐 각각의 예측모델에 대하여 인공지능 연산을 수행하여 발전기별 발전량을 예측하는 예측수행 모듈;을 포함하는 것을 특징으로 한다.
본 발명에 따른 인공지능기반 태양광 발전량 예측 다중모델의 병렬처리 시스템 및 방법은 태양광 발전량 예측 수행 시 순차방식에 따른 프로세스 병목현상을 방지할 수 있는 효과가 있다.
또한, 본 발명에 따른 인공지능기반 태양광 발전량 예측 다중모델의 병렬처리 시스템 및 방법은 태양광 발전기가 증가함에 따라 추가되는 발전량 예측모델의 증가를 수용할 수 있고, 전국적으로 확산되는 개별 태양광 발전기별 안정적인 발전량예측이 가능한 효과가 있다.
마지막으로, 본 발명에 따른 인공지능기반 태양광 발전량 예측 다중모델의 병렬처리 시스템 및 방법은 예측시간의 지연 없이 신뢰할 수 있는 태양광 발전량 예측을 수행할 수 있는 효과가 있다.
도 1은 본 발명에 따른 인공지능기반 태양광 발전량 예측 다중모델의 병렬처리 시스템 블록도 이다.
도 2는 본 발명에 따른 인공지능기반 태양광 발전량 예측 다중모델의 병렬처리 과정을 도시한 도면이다.
도 3은 본 발명에 따른 인공지능기반 태양광 발전량 예측 다중모델의 병렬처리 시스템에 의해 생성인자로 예측모델을 생성하는 과정을 도시한 도면이다.
도 4는 본 발명에 따른 인공지능기반 태양광 발전량 예측 다중모델의 병렬처리 시스템에 의해 생성된 예측모델이 파일형태로 저장되는 것을 도시한 도면이다.
도 5는 본 발명에 따른 인공지능기반 태양광 발전량 예측 다중모델의 병렬처리 시스템의 큐(Queue)의 데이터 세트 구조를 도시한 도면이다.
도 6은 본 발명에 따른 인공지능기반 태양광 발전량 예측 다중모델의 병렬처리 시스템이 지역단위로 분할하여 지역단위 수신큐로 전달하는 과정을 도시한 도면이다.
도 7은 본 발명에 따른 인공지능기반 태양광 발전량 예측 다중모델의 병렬처리 시스템이 지역의 발전기를 분할하여 예측 수행큐로 전달하는 과정을 도시한 도면이다.
도 2는 본 발명에 따른 인공지능기반 태양광 발전량 예측 다중모델의 병렬처리 과정을 도시한 도면이다.
도 3은 본 발명에 따른 인공지능기반 태양광 발전량 예측 다중모델의 병렬처리 시스템에 의해 생성인자로 예측모델을 생성하는 과정을 도시한 도면이다.
도 4는 본 발명에 따른 인공지능기반 태양광 발전량 예측 다중모델의 병렬처리 시스템에 의해 생성된 예측모델이 파일형태로 저장되는 것을 도시한 도면이다.
도 5는 본 발명에 따른 인공지능기반 태양광 발전량 예측 다중모델의 병렬처리 시스템의 큐(Queue)의 데이터 세트 구조를 도시한 도면이다.
도 6은 본 발명에 따른 인공지능기반 태양광 발전량 예측 다중모델의 병렬처리 시스템이 지역단위로 분할하여 지역단위 수신큐로 전달하는 과정을 도시한 도면이다.
도 7은 본 발명에 따른 인공지능기반 태양광 발전량 예측 다중모델의 병렬처리 시스템이 지역의 발전기를 분할하여 예측 수행큐로 전달하는 과정을 도시한 도면이다.
본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정하여 해석되어서는 아니 되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념을 적절하게 정의할 수 있다는 원칙에 입각하여, 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다.
따라서, 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 가 장 바람직한 일 실시예에 불과할 뿐이고 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형예들이 있을 수 있음을 이해하여야 한다.
이하, 첨부된 도면을 참조하여 본 발명에 따른 인공지능기반 태양광 발전량 예측 다중모델의 병렬처리 시스템 및 방법에 대해 구체적으로 설명한다.
도 1 및 도 2에 에 도시된 바와 같이 본 발명에 따른 인공지능기반 태양광 발전량 예측 다중모델의 병렬처리 시스템은 태양광 발전량 예측모델 생성부(110), 주제어부(120), 전체모델 수신큐(Queue:130), 전체-지역 분할모듈(140), 지역단위 수신큐(150), 지역-개별 분할모듈(160), 예측수행 큐(170), 예측수행 모듈(180), 연계 인터페이스부(190), 데이터 베이스부(200)를 포함한다.
상기 태양광 발전량 예측모델 생성부(110)는 도 3에 도시된 바와 같이 상기 데이터 베이스부(200)의 날씨정보 DB(210)와 태양광 발전량DB(220)로부터 각각 기상데이터와 태양광 발전량 데이터를 학습인자로 수신하고, 인공지능 알고리즘으로 학습하여 태양광 발전기에 대한 발전량 예측모델을 생성한다.
상기 예측모델은 인공지능 담당자의 입력제어에 따라 상기 태양광 발전량 예측모델 생성부(110)가 발전기 개수만큼 인공지능 모델학습을 통하여 생성된다.
상기 태양광 발전기는 태양광 모듈 제작사, 모듈설치 각도, 태양광 셀의 열화정도, 설치장소(위도), 발전용량에 따라 개별 발전기들의 발전량이 상이하다.
따라서, 개별 발전기들의 예측모듈은 기 보편적인 1개의 예측모델 생성이 불가능하여 모든 개별 발전기에 대한 예측모델이 필요하다.
참고로, 개별 발전기별 데이터는 발전기 코드정보(ex>9541), 발전기명(ex>태안태양광발전기), 발전소명(ex>태안), 주소(ex>충남 태안군), 위치정보(ex>경도126.2 & 위도36.7), 시간(ex>13시), 및 발전량(ex>70.49kW)로 구성된다.
1개의 발전기 예측모델은 1개 발전기 특성, 즉 태양광 모듈 제작사, 모듈설치 각도, 태양광 셀의 열화정도, 설치장소(위도&경도), 발전용량이 포함 된다.
상기 주제어부(120)는 상기 날씨정보 DB(210) 및 태양광 발전량DB(220)에 저장된 기상데이터와 태양광 발전량 데이터를 상기 태양광 발전량 예측모델 생성부(110)로 전송한다.
또한, 상기 주제어부(120)는 상기 태양광 발전량 예측모델 생성부(110)에 의해 생성된 예측모델을 상기 데이터 베이스부(200)의 모델정보 DB(230)에 저장한다.
보다 구체적으로, 상기 예측모델이 생성되면 해당 예측모델은 도 4에 도시된 바와 같이 파일형태로 파일시스템 즉, 상기 모델정보DB(230)에 중복되지 않은 이름으로 저장된다.
파일저장시 예측모델명, 발전기정보, 위치정보, 저장경로, 물리적 파일명이 관리 DB에 기록된다.
상기 주제어부(120)가 예측모델 파일을 로드(LOAD)하여 사용할 때, 상기 관리 DB에서 매칭된 정보를 읽어와 파일에 접근한다.
상기 전체모델 수신큐(Queue:130)는 상기 모델정보 DB(230)에 저장된 전국단위의 예측모델을 순차적으로 큐(Queue)에 입력하고 선입선출 방식으로 다음 단계로 전달한다.
한편, 상기 큐(Queue)는 예측모델과 기상데이터를 순차적으로 입력하여 프로세스의 병목해결과 누락방지를 지원하는 구성으로, 도 5에 도시된 바와 같이 큐(Queue)A, 큐B, 큐C, 및 큐D 항목으로 구성되며, 각 항목에 발전기 위치정보에 해당하는 기상정보, 발전기 대상 예측모델 정보, 예측대상 발전기 코드 정보, 및 예측대상 발전기의 위치정보를 포함한다.
도 5에서 큐의 A, B, C, 및 D는 발전량 예측을 위한 하나의 데이터 세트로, 해당 하나의 데이터 세트는 하나의 발전기 발전량 예측을 수행한다.
상기 주제어부(120)는 특정 발전기의 예측모델을 상기 모델정보DB(230)에서 로드(LOAD)하여 동일 장소의 기상데이터를 입력하여 최종적으로 발전량을 예측한다.
도 5에서 입력되는 데이터 세트는 발전기 개수만큼 증가하는데, 예를 들어 발전기 개수가 100이면 100개의 데이터세트가 필요하고, 1000개이면 1000개의 데이터 세트가 필요하다.
상기 큐를 사용하지 않을 경우 데이터 세트 처리가 불완전하고, 프로세스 처리 병목에 따른 데이터 세트 누락이 발생한다.
도 5에 도시된 바와 같이 단일 큐(Queue)를 사용시, 데이터 세트를 누락하지 않고 처리 가능하고, 프로세서는 데이터를 처리한 후 큐(Queue)에서 새로운 데이터 세트를 가져와 처리한다.
하지만, 상기 단일 큐(Queue)는 대량의 데이터 세트가 선입선출로 처리될 때 문제가 발생한다.
1개의 예측모델이 예측에 수행되는 시간이 1분일 경우, 100개의 예측모델이 순차적으로 발전량 예측을 수행한다면 100분이 소요된다.
현재 시간으로부터 1기간 이후의 발전량을 예측하기 위해서는 60분 내에 모든 발전기의 예측량을 추정해야 하기 때문에 단일 큐(Queue)를 병렬처리 가능하게 해야 한다.
상기 전체-지역 분할모듈(140)은 상기 전체모델 수신큐(130)에서 입력되는 전국단위의 예측모델을 큐(Queue)의 데이터 세트 즉, 큐A_발전기 위치정보, 큐B_예측대상 발전기의 코드 정보, 큐C_발전기의 예측모델 정보, 및 큐D_발전기 위치정보에 해당하는 기상정보 중, 큐A의 발전기 위치정보에 따라 전체 예측모델을 도 6에 도시된 바와 같이 지역단위(서울특별시, 부산광역시, ........세종특별자치시)로 분할하여 지역단위 수신큐(150)로 전달한다.
즉, 상기 전체-지역 분할모듈(140)은 전체 예측모델에 대한 데이터 세트에서 큐A 항목에 해당하는 지역코드에 따라 도 6에 도시된 바와 같이 17개 시도로 분할 후 상기 지역단위 수신큐(150)로 전달한다.
이때, 상기 전체-지역 분할모듈(140)은 지역분리 프로세스에 의해 지역코드 매핑DB에 저장된 지역코드를 반영하여 분할할 수도 있다.
또한, 이때 상기 전체-지역 분할모듈(140)은 주기적으로 전국단위의 전체 예측모델에 대한 데이터 세트를 수신하고, 해당 데이터 세트를 이용하여 상기 지역단위 수신큐(150)에 입력하여 저장한다.
상기 지역단위 수신큐(150)는 상기 전체-지역 분할모듈(140)에서 분할되어 전달되는 지역단위 예측모델을 저장하면서 다음 지역단위 예측모델이 입력되면 선입선출 방식으로 다음 구성인 지역-개별 분할모듈(160)로 전달한다.
상기 지역-개별 분할모듈(160)은 지역단위 예측모델 수신하여, 해당 지역의 발전기별 예측모델로 분할하여 다음 구성인 상기 예측수행 큐(170)로 전달한다.
즉, 상기 지역-개별 분할모듈(160)은 도 7에 도시된 바와 같이 경기도 지역의 안산연성, 안상공단, 안산와동, 안산목내, 안산성곡, 및 안산초지의 발전기 예측모델을 분할하여 상기 예측수행 큐(170)로 전달한다.
상기 예측수행 큐(170)는 발전기별 예측모델이 순차적으로 발전기별 다중 큐(Queue)에 입력되고 선입선출 방식으로 다음 구성으로 예측모델을 전달한다.
상기 예측수행 모듈(180)은 상기 예측수행 큐(170)에서 입력되는 발전기별 예측모델에 대해 데이터 세트를 입력받아 인공지능 연산을 수행하여 각 발전기의 발전량 예측을 수행한다.
상기 예측수행 모듈(180)은 복수의 발전기별 각각에 대응되게 병렬적으로 구비되어 발전기의 발전량 예측모델의 연산을 수행함으로써 전국단위 태양광 발전기의 발전량 예측수행을 동시에 수행한다.
상술한 바와 같이 상기 예측수행 모듈(180)은 복수개가 병렬로 구비되어 복수의 발전기의 발전량 예측모델에 대해 인공지능 연산을 동시다발적으로 수행함으로써 제한된 시간 내에 발전기의 발전량을 예측할 수 있는 효과가 있다.
상기 연계 인터페이스부(190)는 상기 예측수행 모듈(180)에서 예측한 발전기의 발전량을 외부의 전력을 중개하는 전력중개사업자 단말기에 제공한다.
이상에서는 본 발명에 대한 기술사상을 첨부 도면과 함께 서술하였지만 이는 본 발명의 바람직한 실시 예를 예시적으로 설명한 것이지 본 발명을 한정하는 것은 아니다. 또한 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 누구나 본 발명의 기술적 사상의 범주를 이탈하지 않는 범위 내에서 다양한 변형 및 모방이 가능함은 명백한 사실이다.
110 : 태양광 발전량 예측모델 생성부
120 : 주제어부
130 : 전체모델 수신큐(Queue)
140 : 전체-지역 분할모듈
150 : 지역단위 수신큐
160 : 지역-개별 분할모듈
170 : 예측수행 큐
180 : 예측수행 모듈
190 : 연계 인터페이스부
200 : 데이터 베이스부
210 : 날씨정보DB
220 : 태양광 발전량DB
230 : 모델정보DB
120 : 주제어부
130 : 전체모델 수신큐(Queue)
140 : 전체-지역 분할모듈
150 : 지역단위 수신큐
160 : 지역-개별 분할모듈
170 : 예측수행 큐
180 : 예측수행 모듈
190 : 연계 인터페이스부
200 : 데이터 베이스부
210 : 날씨정보DB
220 : 태양광 발전량DB
230 : 모델정보DB
Claims (5)
- 기상데이터와 태양광 발전량 데이터를 수신하고, 인공지능 알고리즘으로 학습하여 태양광 발전기에 대한 발전량 예측모델을 생성하는 태양광 발전량 예측모델 생성부;
상기 태양광 발전량 예측모델 생성부에 의해 생성된 발전량 예측모델 전체를 저장하는 전체모델 수신큐;
상기 전체모델 수신큐에 저장된 예측모델을 지역단위로 분할하는 전체-지역 분할모듈;
상기 전체-지역 분할모듈이 분할하여 전달하는 예측모델을 지역단위로 저장하는 병렬식의 지역단위 수신큐;
상기 지역단위 수신큐에 저장된 예측모델을 해당 지역에 있는 발전기별로 분할하는 지역-개별 분할모듈;
상기 지역-개별 분할모듈이 분할하여 전달하는 발전기별 예측모델을 병렬식으로 저장하는 예측수행 큐; 및
상기 예측수행 큐 각각의 예측모델에 대하여 인공지능 연산을 수행하여 발전기별 발전량을 예측하는 예측수행 모듈;을 포함하는 것을 특징으로 하는 인공지능기반 태양광 발전량 예측 다중모델의 병렬처리 시스템.
- 제 1항에 있어서,
상기 예측수행 모듈에서 예측한 발전기의 발전량을 외부로 전달하기 위한 연계 인터페이스부;를 더 포함하는 것을 특징으로 하는 인공지능기반 태양광 발전량 예측 다중모델의 병렬처리 시스템.
- 제 2항에 있어서,
상기 전체모델 수신큐는
발전기 위치정보에 해당하는 기상정보, 발전기 대상 예측모델 정보, 예측대상 발전기 코드 정보, 및 예측대상 발전기의 위치정보로 구성된 데이터 세트를 포함하는 것을 특징으로 하는 인공지능기반 태양광 발전량 예측 다중모델의 병렬처리 시스템.
- 제3항에 있어서,
상기 전체-지역 분할모듈은
상기 데이터 세트의 예측대상 발전기의 위치정보에 기반하여 예측모델을 지역단위로 분할하여 지역단위 수신큐로 전달하는 것을 특징으로 하는 인공지능기반 태양광 발전량 예측 다중모델의 병렬처리 시스템.
- 제 4항에 있어서,
상기 지역-개별 분할모듈은
상기 데이터 세트의 상기 예측대상 발전기 코드 정보에 기반하여 발전기별 예측모델을 분할하여 예측수행 큐에 전달하는 것을 특징으로 하는 인공지능기반 태양광 발전량 예측 다중모델의 병렬처리 시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200147888A KR102439272B1 (ko) | 2020-11-06 | 2020-11-06 | 인공지능기반 태양광 발전량 예측 다중모델의 병렬처리 시스템 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200147888A KR102439272B1 (ko) | 2020-11-06 | 2020-11-06 | 인공지능기반 태양광 발전량 예측 다중모델의 병렬처리 시스템 및 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20220061659A KR20220061659A (ko) | 2022-05-13 |
| KR102439272B1 true KR102439272B1 (ko) | 2022-08-31 |
Family
ID=81583618
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200147888A KR102439272B1 (ko) | 2020-11-06 | 2020-11-06 | 인공지능기반 태양광 발전량 예측 다중모델의 병렬처리 시스템 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102439272B1 (ko) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101269587B1 (ko) | 2012-12-27 | 2013-06-05 | 권오현 | 지리정보시스템 기반의 태양광발전 경제성분석 시스템 및 중개시스템 |
| KR101775065B1 (ko) | 2016-08-05 | 2017-09-06 | 주식회사 해줌 | 태양 에너지를 이용하는 발전소의 이상을 감지하는 방법, 서버 및 시스템 |
| KR101808047B1 (ko) | 2016-08-05 | 2017-12-14 | 주식회사 해줌 | 태양 에너지를 이용하는 발전소의 발전량을 예측하는 방법 및 서버 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101856320B1 (ko) | 2016-05-02 | 2018-05-09 | 한국과학기술원 | 태양광 발전량 예측 장치 및 방법 |
| KR20200029647A (ko) * | 2018-09-04 | 2020-03-19 | 박동화 | 사용자 개인화에 의한 큐레이터 전자상거래 시스템의 일반화 방법 |
-
2020
- 2020-11-06 KR KR1020200147888A patent/KR102439272B1/ko active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101269587B1 (ko) | 2012-12-27 | 2013-06-05 | 권오현 | 지리정보시스템 기반의 태양광발전 경제성분석 시스템 및 중개시스템 |
| KR101775065B1 (ko) | 2016-08-05 | 2017-09-06 | 주식회사 해줌 | 태양 에너지를 이용하는 발전소의 이상을 감지하는 방법, 서버 및 시스템 |
| KR101808047B1 (ko) | 2016-08-05 | 2017-12-14 | 주식회사 해줌 | 태양 에너지를 이용하는 발전소의 발전량을 예측하는 방법 및 서버 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20220061659A (ko) | 2022-05-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10691996B2 (en) | Hardware accelerator for compressed LSTM | |
| Nouiri et al. | Two stage particle swarm optimization to solve the flexible job shop predictive scheduling problem considering possible machine breakdowns | |
| US10783436B2 (en) | Deep learning application distribution | |
| JP5606114B2 (ja) | 発電量予測装置、予測方法及び予測プログラム | |
| Yu et al. | Unit commitment using Lagrangian relaxation and particle swarm optimization | |
| US20180268605A1 (en) | System and method for space situational awareness demonstration | |
| Bychkov et al. | An intelligent management system for the development of a regional transport logistics infrastructure | |
| US9632790B2 (en) | Select logic for the instruction scheduler of a multi strand out-of-order processor based on delayed reconstructed program order | |
| US20200117988A1 (en) | Networks for distributing parameters and data to neural network compute cores | |
| US20220035670A1 (en) | Orchestration of containerized applications | |
| GB2618733A (en) | System and method for message broker migration in an application environment migration | |
| Katsak et al. | GreenCassandra: Using renewable energy in distributed structured storage systems | |
| KR102439272B1 (ko) | 인공지능기반 태양광 발전량 예측 다중모델의 병렬처리 시스템 및 방법 | |
| CN117595488A (zh) | 一种基于负荷动态匹配的电力调度监控方法及系统 | |
| Karthik et al. | A new heuristic algorithm for economic load dispatch incorporating wind power | |
| KR20210132503A (ko) | 순환형 신경망 모델(CuDNNLSTM)을 이용한 전국 단위 전력 수요예측 | |
| Choi et al. | The empirical evaluation of models predicting bike sharing demand | |
| Kononov et al. | Control of a Complex of Works in Multiprocessor Real-time ACS | |
| Shirazi et al. | Energy-resilient real-time scheduling | |
| Konovalov et al. | Job control in heterogeneous computing systems | |
| Westerlund et al. | A generalized scalable software architecture for analyzing temporally structured big data in the cloud | |
| Du et al. | OctopusKing: A TCT-aware task scheduling on spark platform | |
| Stavrinides et al. | Resource allocation and scheduling of linear workflow applications with ageing priorities and transient failures | |
| AU2020102381A4 (en) | Efficient resource utilization and less complex technique for mapping machine learning algorithms in to embedded systems | |
| JP2004205233A (ja) | 異種現象による短期予測システム |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |