KR102443741B1 - 해석 가능한 단기 일사량 예측 장치 및 방법 - Google Patents

해석 가능한 단기 일사량 예측 장치 및 방법 Download PDF

Info

Publication number
KR102443741B1
KR102443741B1 KR1020200103429A KR20200103429A KR102443741B1 KR 102443741 B1 KR102443741 B1 KR 102443741B1 KR 1020200103429 A KR1020200103429 A KR 1020200103429A KR 20200103429 A KR20200103429 A KR 20200103429A KR 102443741 B1 KR102443741 B1 KR 102443741B1
Authority
KR
South Korea
Prior art keywords
insolation
prediction
short
term
input variables
Prior art date
Application number
KR1020200103429A
Other languages
English (en)
Other versions
KR20220022353A (ko
Inventor
황인준
문지훈
Original Assignee
고려대학교 산학협력단
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 고려대학교 산학협력단 filed Critical 고려대학교 산학협력단
Priority to KR1020200103429A priority Critical patent/KR102443741B1/ko
Publication of KR20220022353A publication Critical patent/KR20220022353A/ko
Application granted granted Critical
Publication of KR102443741B1 publication Critical patent/KR102443741B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/12—Sunshine duration recorders
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W2203/00—Real-time site-specific personalized weather information, e.g. nowcasting
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Environmental & Geological Engineering (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

해석 가능한 단기 일사량 예측 장치 및 방법이 개시된다. 해석 가능한 단기 일사량 예측 장치는, 어도 하나의 명령어를 저장하는 메모리; 및 상기 메모리와 연동되며, 상기 메모리에 저장된 명령어를 실행하는 프로세서를 포함하되, 상기 명령어는, (b) 상기 수집된 예보 데이터, 일사량 데이터 및 시간 정보를 기반으로 명목형, 순서형 및 연속형 데이터 형태를 가지는 복수의 입력 변수를 구성하는 단계; 및 (c) 상기 복수의 입력 변수를 학습된 단기 일사량 예측 모델에 적용하여 일사량 예측값과 입력 변수 중요도를 각각 도출하는 단계를 포함하되, 상기 단기 일사량 예측 모델은 조건부 랜덤 포레스트(conditional random forest)를 기반으로 구성되되, 예측 시점을 기준으로 이전 n(자연수) 시점까지의 다중 시점에 대한 예측값을 생성하여 검증함으로써 상기 복수의 입력 변수의 가중치 조절에 이용될 수 있다.

Description

해석 가능한 단기 일사량 예측 장치 및 방법{Interpretable Solar Irradiation Forecasting apparatus and method}
본 발명은 해석 가능한 단기 일사량 예측 장치 및 그 방법에 관한 것이다.
최근 기후 변화 및 에너지 부족 문제를 대비하기 위해 신재생 에너지(Renewable Energy)를 적극 활용한 스마트 그리드 기술의 관심이 커지고 있다. 스마트 그리드는 정보통신기술을 기존의 전력망과 접목하여 에너지 효율을 최적화하는 기술이다. 신재생 에너지는 스마트 그리드의 핵심 요소 중 하나이며, 태양광, 풍력 등과 같은 천연 자원을 통해 목적에 따라 전기 생산이 가능하다. 태양광 발전은 공간 제약 없이 설치할 수 있는 장점이 있어, 이와 관련된 기술이 빠르게 발전하고 있다.
태양광 발전 시스템은 다양한 기상 요인으로 인해 발전에 크게 영향을 받으며, 일사량은 태양광 발전의 중요한 요인이다. 그러나 기상청의 동네 예보는 기온, 습도 등과 같은 기상 요인의 예측값은 제공하지만 일사량의 예측값은 제공하지 않는다. 따라서, 국내 태양광 발전 시스템의 운영을 위해서는 정확한 일사량 예측 모델이 필요하다.
본 발명은 불충분한 데이터 셋을 이용하여 정교한 일사량 예측이 가능한 해석 가능한 단기 일사량 예측 장치 및 방법을 제공하기 위한 것이다.
본 발명의 일 측면에 따르면, 불충분한 데이터 셋을 이용하여 정교한 일사량 예측이 가능한 해석 가능한 단기 일사량 예측 방법이 제공된다.
본 발명의 일 실시예에 따르면, (a) 특정 지역에 대한 예보 데이터 및 일사량 데이터를 수집하는 단계; (b) 상기 수집된 예보 데이터, 일사량 데이터 및 시간 정보를 기반으로 명목형, 순서형 및 연속형 데이터 형태를 가지는 복수의 입력 변수를 구성하는 단계; 및 (c) 상기 복수의 입력 변수를 학습된 단기 일사량 예측 모델에 적용하여 일사량 예측값과 입력 변수 중요도를 각각 도출하는 단계를 포함하되, 상기 단기 일사량 예측 모델은 조건부 랜덤 포레스트(conditional random forest)를 기반으로 구성되되, 예측 시점을 기준으로 이전 n(자연수) 시점까지 다중 시점에 대한 예측값을 생성하여 검증함으로써 상기 복수의 입력 변수의 가중치 조절에 이용되는 것을 특징으로 하는 해석 가능한 단기 일사량 예측 방법이 제공될 수 있다.
상기 입력 변수는 시간 정보, 과거 일정 시점의 일사량과 습도, 강수량, 하늘 상태, 기온, 풍속 및 풍향을 이용하여 구성될 수 있다.
상기 입력 변수 중요도를 고려하여 복수의 입력 변수 중 적어도 일부를 기반으로 상기 도출된 일사량 예측값에 대한 예측 원인 근거 설명문을 생성하는 단계를 더 포함할 수 있다.
상기 단기 일사량 예측 모델은 상기 조건부 랜덤 포레스트를 이용하여 상기 복수의 입력 변수를 이용하여 예측 시점에 대해 1단계 학습을 수행한 후 상기 예측 시점을 기준으로 이전 n 시점에 대한 다중 시점 예측값을 생성하여 검증하는 2단계 학습을 수행할 수 있다.
본 발명의 다른 측면에 따르면, 불충분한 데이터 셋을 이용하여 정교한 일사량 예측이 가능한 해석 가능한 단기 일사량 예측을 위한 장치가 제공된다.
본 발명의 일 실시예에 따르면, 해석 가능한 단기 일사량 예측을 위한 장치에 있어서, 적어도 하나의 명령어를 저장하는 메모리; 및 상기 메모리와 연동되며, 상기 메모리에 저장된 명령어를 실행하는 프로세서를 포함하되, 상기 명령어는, (b) 상기 수집된 예보 데이터, 일사량 데이터 및 시간 정보를 기반으로 명목형, 순서형 및 연속형 데이터 형태를 가지는 복수의 입력 변수를 구성하는 단계; 및 (c) 상기 복수의 입력 변수를 학습된 단기 일사량 예측 모델에 적용하여 일사량 예측값과 입력 변수 중요도를 각각 도출하는 단계를 포함하되, 상기 단기 일사량 예측 모델은 조건부 랜덤 포레스트(conditional random forest)를 기반으로 구성되되, 예측 시점을 기준으로 이전 n(자연수) 시점까지 다중 시점에 대한 예측값을 생성하여 검증함으로써 상기 복수의 입력 변수의 가중치 조절에 이용되는 것을 특징으로 하는 장치가 제공될 수 있다.
본 발명의 일 실시예에 따른 해석 가능한 단기 일사량 예측 장치 및 방법을 제공함으로써, 불충분한 데이터 셋을 이용하여 정교한 일사량 예측이 가능한 이점이 있다.
또한, 본 발명은 예측 불확실성에 대비 가능하도록 점 예측 방식이 아닌 다중 예측 방식을 통해 변수 중요도를 통해 중요한 주요 변수 도출이 가능하며, 이를 기반으로 일사량 도출 원인 근거 해석이 가능한 이점이 있다.
도 1은 본 발명의 일 실시예에 따른 해석 가능한 단기 일사량 예측 방법을 나타낸 순서도.
도 2는 본 발명의 일 실시예에 따른 구성된 입력 변수 및 속성을 예시한 도면.
도 3은 본 발명의 일 실시예에 따른 다중 시점 예측을 설명하기 위해 도시한 도면.
도 4는 본 발명의 일 실시예에 따른 단기 일사량 예측 모델의 변수 중요도를 히트맵 그래프로 시간대별로 나타낸 도면.
도 5는 종래와 본 발명의 일 실시예에 따른 예측 시점에서의 예측 모델들의 RMSE를 비교한 결과를 나타낸 도면.
도 6은 종래와 본 발명의 일 실시예에 따른 예측 시점에서의 예측 모델들의 MAE를 비교한 결과를 나타낸 도면.
도 7은 본 발명의 일 실시예에 따른 해석 가능한 단기 일사량 예측 장치의 내부 구성을 나타낸 블록도.
본 명세서에서 사용되는 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "구성된다" 또는 "포함한다" 등의 용어는 명세서상에 기재된 여러 구성 요소들, 또는 여러 단계들을 반드시 모두 포함하는 것으로 해석되지 않아야 하며, 그 중 일부 구성 요소들 또는 일부 단계들은 포함되지 않을 수도 있고, 또는 추가적인 구성 요소 또는 단계들을 더 포함할 수 있는 것으로 해석되어야 한다. 또한, 명세서에 기재된 "...부", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다.
이하, 첨부된 도면들을 참조하여 본 발명의 실시예를 상세히 설명한다.
도 1은 본 발명의 일 실시예에 따른 해석 가능한 단기 일사량 예측 방법을 나타낸 순서도이며, 도 2는 본 발명의 일 실시예에 따른 구성된 입력 변수 및 속성을 예시한 도면이고, 도 3은 본 발명의 일 실시예에 따른 다중 시점 예측을 설명하기 위해 도시한 도면이며, 도 4는 본 발명의 일실시예에 따른 단기 일사량 예측 모델의 변수 중요도를 히트맵 그래프로 시간대별로 나타낸 도면이고, 도 5는 종래와 본 발명의 일 실시예에 따른 예측 시점에서의 예측 모델들의 RMSE를 비교한 결과를 나타낸 도면이며, 도 6은 종래와 본 발명의 일 실시예에 따른 예측 시점에서의 예측 모델들의 MAE를 비교한 결과를 나타낸 도면이다.
단계 110에서 단기 일사량 예측 장치(100)는 데이터를 수집한다.
예를 들어, 단기 일사량 예측 장치(100)는 기상청 서버 또는 웹 사이트를 통해 동네 기상 예보 데이터 및 과거 일사량 데이터를 수집할 수 있다. 단기 일사량 예측 장치(100)는 기상청 서버(미도시) 또는 웹 사이트와 연동되어 동네 예보에서 제공되는 강수 형태, 습도, 강수량, 하늘 상태, 기온, 풍향, 풍속의 실측값을 각각 수집할 수 있다.
단계 115에서 단기 일사량 예측 장치(100)는 수집된 데이터를 이용하여 입력 변수를 구성한다.
이에 대해 보다 상세히 설명하기로 한다.
단기 일사량 예측 장치(100)는 동네 기상 예보 데이터 및 과거(2일) 일사량 데이터를 가공하여 복수의 입력 변수를 구성할 수 있다. 복수의 입력 변수는 강수 형태, 습도, 강수량, 하늘 상태, 기온, 풍향, 풍속의 실측값을 이용하여 구성될 수 있다. 입력 변수의 데이터 속성은 명목형, 순서형 및 연속형 중 어느 하나일 수 있다.
예를 들어, 강수 형태와 하늘 상태는 범주형 데이터로 구성되며, 강수 형태는 비가 왔을 경우 제1 값(예를 들어, 1), 비가 오지 않은 경우 제2 값(예를 들어, 0)을 가지도록 명목형 데이터로서 구성될 수 있다. 또한, 하늘 상태는 맑음, 구름 조금, 구름 많음, 흐림을 각각 1에서 4로 표기한 순서형 데이터로서 구성될 수 있다.
또한, 이외의 나머지 정보들의 실측값인, 습도, 강수량, 기온, 풍향, 풍속은 연속형 데이터로 구성될 수 있다.
입력 변수 구성부(715)는 과거 일사량 패턴 및 추세를 반영하기 위해, 예측 시점에서 과거 2일의 일사량, 습도, 강수량, 하늘 상태, 기온, 풍속, 풍향으로 총 14개의 입력 변수를 구성할 수 있다.
또한, 입력 변수 구성부(715)는 시간 정보를 반영하기 위해, 6시부터 20시까지 총 15 시간 간격에 대해 명목 척도로서 데이터 셋을 구성할 수 있다.
도 2에는 입력 변수 구성부(715)에 의해 구성된 입력 변수가 예시되어 있다. 본 발명의 일 실시예에서는 강수 형태, 습도, 강수량, 하늘 상태, 기온, 풍향, 풍속의 실측값 및 시간 정보등을 이용하여 36개의 입력 변수를 구성한 것을 가정하여 이를 중심으로 설명하나, 입력 변수가 반드시 36개로 한정되지는 않으며, 필요에 따라 입력 변수는 더 추가될 수도 있으며 더 적은 입력 변수로 구성될 수도 있음은 당연하다.
단계 120에서 단기 일사량 예측 장치(100)는 복수의 입력 변수를 단기 일사량 예측 모델에 적용하여 학습한다.
이에 대해 보다 상세히 설명하기로 한다.
단기 일사량 예측 모델은 조건부 랜덤 포레스트(conditional random forest)를 기반으로 구성된다. 단기 일사량 예측 모델은 복수의 입력 변수를 편향적으로 학습하지 않으며, 훈련 데이터 셋에서 단기 일사량 예측 모델을 학습시 과적합(overfitting) 문제를 해결할 수 있다. 조건부 랜덤 포레스트는 각 입력 변수의 가중치를 평균화하여 일사량 예측값을 도출한다. 즉, 구성된 입력 변수를 조건부 랜덤 포레스트 기반으로 구성된 단기 일사량 예측 모델에 적용하여 학습할 수 있다. 단기 일사량 예측 모델을 점 예측 방식으로 예측 시점에 대해서만 일사량 예측값을 도출하는 것이 아니라, 다중 예측 방식을 적용하여 예측 시점 이전의 n(자연수) 시점에 대한 일사량 예측값을 도출하여 검증함으로써 입력 변수 가중치 조절에 이용될 수 있다.
도 3에는 다중 시점에 대한 일사량 예측값을 도출하여 학습 및 검증하는 과정을 설명하기 위해 도시한 도면이다. 도 3에서 보여지는 바와 같이, 예측 시점을 기준으로 이전의 n 시점에 대한 다중 시점 예측값을 도출하여 검증함으로써 입력 변수 가중치를 조절하여 변수 중요도를 도출할 수 있다.
다시 정리하면, 단기 일사량 예측 모델은 조건부 랜덤 포레스트를 기반으로 입력 변수를 적용하여 1단계 학습을 수행하고, 예측 시점 이전 n 시점까지 다중 시점에 대한 일사량 예측값을 생성하여 검증하는 2단계 학습을 수행하여 입력 변수 가중치를 조절하여 입력 변수 중요도를 도출하여 주요 변수를 도출할 수 있다.
단기 일사량 예측 모델에 대한 학습이 완료된 것을 가정하여 이후 과정을 설명하기로 한다.
특정 시점에 대한 일사량 예측값 도출을 위해서는 단계 110 내지 단계 115와 같이 데이터를 수집하여 가공함으로써 입력 변수를 구성하는 과정이 수행될 수 있다. 이는 전술한 바와 동일하므로 중복되는 설명은 생략하기로 한다.
단계 125에서 단기 일사량 예측 장치(100)는 학습된 단기 일사량 예측 모델에 입력 변수를 적용하여 예측 시점에 대한 일사량 예측값을 도출하고 입력 변수 중요도를 도출한다.
설명의 편의성을 위해 예측 시점에 대한 일사량 예측값만을 도출하는 것으로 기재하고 있으나, 단기 일사량 예측 장치(100)는 예측 시점을 기준으로 이전 n 시점에 대한 다중 시점에 대한 일사량 예측값을 도출한 후 검증함으로써 입력 변수 가중치를 조절할 수 있다.
단기 일사량 예측 장치(100)는 조건부 랜덤 포레스트 기반으로 단기 일사량 예측 모델을 1단계 학습하고, 예측 시점을 기준으로 이전 n 시점에 대한 다중 시점에 대한 일사량 예측값을 도출하여 검증하는 2단계로 구성됨으로써, 불충분한 데이터 셋을 이용하여 단기 일사량 예측 모델을 효과적으로 학습하도록 할 수 있는 이점이 있다.
단계 130에서 단기 일사량 예측 장치(100)는 입력 변수 중요도를 고려하여 주요 변수를 기반으로 도출된 일사량 예측값에 대한 예측 원인 근거 설명문을 생성한다.
단기 일사량 예측 장치(100)는 입력 변수 중요도를 기반으로 도출된 일사량 예측값에 대한 예측 원인 근거를 제시할 수 있는 설명문 생성이 가능하도록 할 수 있다.
도 4는 각 예측 시점에서 단기 일사량 예측 모델의 변수 중요도를 히트맵 그래프로 시간대별로 나타낸 도면이다. 도 4에서 보여지는 바와 같이, 과거 2일의 일사량 실측값은 단기 일사량 예측 모델에서 매우 중요한 입력 변수이며, 주요 요인인 것을 알 수 있다. 또한, 2018년 6월 27일 이후로 강수 형태 및 강수량의 변수 중요도가 높아지는 것을 알 수 있다. 이는 2018년 6월 1일부터 27일 오후까지 비가 오지 않아 값이 0으로 측정되어 단기 일사량 예측 모델을 학습할 때 주요 변수로 판단되지 못하였으나, 비가 온 시점부터는 비로 인해 일사량이 없다는 것을 단기 일사량 예측 모델 학습에 인지하고 이에 관한 가중치를 높임으로써 변수 중요도가 높아진 것을 알 수 있다.
이외에도, 하늘 상태와 기온은 단기 일사량 예측 모델의 주요 변수인 것으로 확인되었다.
이와 같이, 단기 일사량 예측 장치(100)는 입력 변수 중요도를 고려하여 주요 변수를 기반으로 도출된 일사량 예측값에 대한 예측 원인 근거 설명문을 생성하도록 할 수 있다.
도 5는 종래와 본 발명의 일 실시예에 따른 예측 시점에서의 예측 모델들의 RMSE를 비교한 결과이며, 도 6은 종래와 본 발명의 일 실시예에 따른 예측 시점에서의 예측 모델들의 MAE를 비교한 결과이다. 종래와 본 발명의 일 실시예에 따른 예측 모델 비교를 위해 전체 데이터 셋을 일자별로 분리하였으며, 6월 1일부터 2일은 입력 변수를 위해 데이터를 이용하며, 3일부터 23일 총 3주의 기간은 훈련 집합으로 24일부터 30일 총 1주는 평가 집합으로 선정하여 실험을 진행하였다. 예측 기법으로 조건부 랜덤 포레스트와 예측 성능을 비교하기 위해, 다중선형회귀, 의사결정 나무, GBM(Gradient Boosting Machine), 랜덤 포레스트로 총 4가지의 기법들을 이용하였다. 실험 환경은 R 3.5.1 버전의 RStudio 1.1453 버전에서 진행하였다.
도 5 및 도 6에서 붉게(Red) 표기된 것은 낮은 예측 성능을 나타내며, 푸르게(Blue) 표기된 것은 우수한 예측 성능을 나타낸다. 도 5 및 도 6에서 보여지는 바와 같이, 현재 시점과 예측 시점의 간격이 멀어질수록 예측 성능이 저하된다는 것을 확인할 수 있다. 또한, 본 발명의 일 실시예에 따른 단기 일사량 예측 모델이 다른 예측 기법보다 더욱 우수한 예측 성능을 보인다는 것을 확인할 수 있었다.
도 7은 본 발명의 일 실시예에 따른 해석 가능한 단기 일사량 예측 장치의 내부 구성을 나타낸 블록도이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 해석 가능한 단기 일사량 예측 장치(100)는 데이터 수집부(710), 입력 변수 구성부(715), 학습부(720), 예측부(725), 메모리(730) 및 프로세서(735)를 포함하여 구성된다.
데이터 수집부(710)는 기상 정보 및 과거 일사량 데이터를 수집한다.
예를 들어, 데이터 수집부(710)는 기상청 서버(미도시)와 연동되거나 웹 사이트를 통해 동네 기상 정보와 과거 일사량 데이터를 수집할 수 있다. 데이터 수집부(710)는 소정 기간 동안의 기상 정보와 일사량 데이터를 각각 수집할 수 있다.
입력 변수 구성부(715)는 시간 정보, 수집된 기상 정보 및 과거 일사량 데이터를 가공하여 해석 가능한 단기 일사량 예측을 위한 복수의 입력 변수를 구성하기 위한 수단이다.
학습부(720)는 구성된 입력 변수를 단기 일사량 예측 모델에 적용하여 학습하기 위한 수단이다. 단기 일사량 예측 모델은 이미 전술한 바와 같이, 조건부 랜덤 포레스트 기반으로 구성되며, 구성된 복수의 입력 변수를 조건부 랜덤 포레스트 기반의 단기 일사량 예측 모델에 적용하여 예측 시점의 일사량 예측값을 생성하는 과정을 수행할 수 있다.
이때, 단기 일사량 예측 모델은 예측 시점에 대한 일사량 예측값만을 생성하여 단기 일사량 예측 모델을 학습하는 것이 아니라, 예측 시점을 기준으로 이전 n 시점까지의 일사량 예측값을 생성하고 검증하여 입력 변수의 가중치를 조절할 수 있다. 이는 이미 전술한 바와 동일하므로 중복되는 설명은 생략하기로 한다.
예측부(725)는 학습된 단기 일사량 예측 모델에 복수의 입력 변수를 적용하여 예측 시점의 일사량 예측값을 도출하기 위한 수단이다. 이때, 예측부(725)는 예측 시점 이전 n 시점까지의 다중 시점에 대한 일사량 예측값을 도출하여 예측 시점의 입력 변수 가중치를 조절하여 입력 변수 중요도를 각각 추출할 수 있다.
이에 따라, 예측부(725)는 입력 변수 중요도를 기반으로 주요 변수를 이용하여 예측 시점에 예측된 일사량 예측값에 대한 예측 원인 근거 설명문 생성이 가능하도록 할 수 있다.
메모리(730)는 본 발명의 일 실시예에 따른 해석 가능한 단기 일사량 예측 방법을 수행하기 위해 필요한 명령어들을 저장한다.
프로세서(735)는 본 발명의 일 실시예에 따른 단기 일사량 예측 장치(100)의 내부 구성 요소들(예를 들어, 데이터 수집부(710), 입력 변수 구성부(715), 학습부(720), 예측부(725), 메모리(730) 등)을 제어하기 위한 수단이다.
본 발명의 실시 예에 따른 장치 및 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 컴퓨터 판독 가능 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 분야 통상의 기술자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media) 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
상술한 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이제까지 본 발명에 대하여 그 실시 예들을 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 실시 예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.
100: 단기 일사량 예측 장치
710: 데이터 수집부
715: 입력 변수 구성부
720: 학습부
725: 예측부
730: 메모리
735: 프로세서

Claims (5)

  1. (a) 특정 지역에 대한 예보 데이터 및 일사량 데이터를 수집하는 단계;
    (b) 상기 수집된 예보 데이터, 일사량 데이터 및 시간 정보를 기반으로 명목형, 순서형 및 연속형 데이터 형태를 가지는 복수의 입력 변수를 구성하는 단계; 및
    (c) 상기 복수의 입력 변수를 학습된 단기 일사량 예측 모델에 적용하여 일사량 예측값과 입력 변수 중요도를 각각 도출하는 단계를 포함하되,
    상기 단기 일사량 예측 모델은 조건부 랜덤 포레스트(conditional random forest)를 기반으로 구성되며, 상기 복수의 입력 변수의 가중치를 평균화하여 일사량 예측값을 도출하되, 상기 조건부 랜덤 포레스트를 기반으로 상기 복수의 입력 변수를 적용하여 예측 시점에 대한 일사량 예측값을 생성하는 1단계 학습을 수행하고, 예측 시점 이전 n(자연수) 시점까지 다중 시점에 대한 일사량 예측값을 생성하여 검증하는 2단계 학습을 수행하여 상기 복수의 입력 변수 가중치를 조절하여 입력 변수 중요도를 도출하는 것을 특징으로 하는 해석 가능한 단기 일사량 예측 방법.
  2. 제1 항에 있어서,
    상기 입력 변수는 시간 정보, 과거 일정 시점의 일사량과 습도, 강수량, 하늘 상태, 기온, 풍속 및 풍향을 이용하여 구성되는 것을 특징으로 하는 해석 가능한 단기 일사량 예측 방법.
  3. 제1 항에 있어서,
    상기 입력 변수 중요도를 고려하여 복수의 입력 변수 중 적어도 일부를 기반으로 상기 도출된 일사량 예측값에 대한 예측 원인 근거 설명문을 생성하는 단계를 더 포함하는 해석 가능한 단기 일사량 예측 방법.
  4. 삭제
  5. 해석 가능한 단기 일사량 예측을 위한 장치에 있어서,
    적어도 하나의 명령어를 저장하는 메모리; 및
    상기 메모리와 연동되며, 상기 메모리에 저장된 명령어를 실행하는 프로세서를 포함하되,
    상기 명령어는,
    (a) 특정 지역에 대한 예보 데이터 및 일사량 데이터를 수집하는 단계;
    (b) 상기 수집된 예보 데이터, 일사량 데이터 및 시간 정보를 기반으로 명목형, 순서형 및 연속형 데이터 형태를 가지는 복수의 입력 변수를 구성하는 단계; 및
    (c) 상기 복수의 입력 변수를 학습된 단기 일사량 예측 모델에 적용하여 일사량 예측값과 입력 변수 중요도를 각각 도출하는 단계를 포함하되,
    상기 단기 일사량 예측 모델은 조건부 랜덤 포레스트(conditional random forest)를 기반으로 구성되되, 상기 단기 일사량 예측 모델은 조건부 랜덤 포레스트(conditional random forest)를 기반으로 구성되며, 상기 복수의 입력 변수의 가중치를 평균화하여 일사량 예측값을 도출하되, 상기 조건부 랜덤 포레스트를 기반으로 상기 복수의 입력 변수를 적용하여 예측 시점에 대한 일사량 예측값을 생성하는 1단계 학습을 수행하고, 예측 시점 이전 n(자연수) 시점까지 다중 시점에 대한 일사량 예측값을 각각 생성하여 검증하는 2단계 학습을 수행하여 상기 복수의 입력 변수 가중치를 조절하여 입력 변수 중요도를 도출하는 것을 특징으로 하는 장치.
KR1020200103429A 2020-08-18 2020-08-18 해석 가능한 단기 일사량 예측 장치 및 방법 KR102443741B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200103429A KR102443741B1 (ko) 2020-08-18 2020-08-18 해석 가능한 단기 일사량 예측 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200103429A KR102443741B1 (ko) 2020-08-18 2020-08-18 해석 가능한 단기 일사량 예측 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20220022353A KR20220022353A (ko) 2022-02-25
KR102443741B1 true KR102443741B1 (ko) 2022-09-15

Family

ID=80490319

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200103429A KR102443741B1 (ko) 2020-08-18 2020-08-18 해석 가능한 단기 일사량 예측 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102443741B1 (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102076426B1 (ko) 2017-11-17 2020-02-12 한국외국어대학교 연구산학협력단 상세기상 예측정보 실시간 운영 시스템과 이를 이용하는 폭염 및 열대야 영향 예보 활용 방법

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101900570B1 (ko) * 2016-11-29 2018-09-20 한국외국어대학교 연구산학협력단 기상변수와 지표특성을 이용한 모기 활동성 지수 산출 방법 및 시스템
KR101882106B1 (ko) * 2016-12-22 2018-08-24 전자부품연구원 태양전지모듈 발전량 예측방법 및 예측장치
KR20180091499A (ko) * 2017-02-07 2018-08-16 울산과학기술원 성층권 침투 대류운 출현 지역의 분류 장치 및 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102076426B1 (ko) 2017-11-17 2020-02-12 한국외국어대학교 연구산학협력단 상세기상 예측정보 실시간 운영 시스템과 이를 이용하는 폭염 및 열대야 영향 예보 활용 방법

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Carolin Strobl, Anne-Laure Boulesteix, Achim Zeileis, & Torsten Hothorn. Bias in random forest variable importance measures: Illustrations, sources and a solution. BMC Bioinformatics 2007. BioMed Central (2007.1.25.) 1부.*
이영미, 배주현, 박정근. 제주 실시간 일사량의 기계학습 예측 기법 연구. Journal of Environmental Science International. Vol. 24, No. 4. pp.521~527 (2017.4.) 1부.*

Also Published As

Publication number Publication date
KR20220022353A (ko) 2022-02-25

Similar Documents

Publication Publication Date Title
Pang et al. Solar radiation prediction using recurrent neural network and artificial neural network: A case study with comparisons
Behera et al. Solar photovoltaic power forecasting using optimized modified extreme learning machine technique
Li et al. Short-term wind power prediction based on extreme learning machine with error correction
Zareipour et al. Wind power ramp events classification and forecasting: A data mining approach
Ceci et al. Predictive modeling of PV energy production: How to set up the learning task for a better prediction?
US10732319B2 (en) Forecasting solar power output
KR101856320B1 (ko) 태양광 발전량 예측 장치 및 방법
Sallam et al. An improved gaining-sharing knowledge algorithm for parameter extraction of photovoltaic models
Rai et al. A CNN‐BiLSTM based deep learning model for mid‐term solar radiation prediction
US10956993B2 (en) Method and device for determining energy system operating scenario
KR102296309B1 (ko) 태양광 발전량 예측 장치 및 그 방법
KR20170061377A (ko) 다양한 특성을 갖는 인공 신경망에 기초한 풍속 예측 방법 및 그 방법을 이용한 장치
Meenal et al. Review on artificial neural network based solar radiation prediction
Liao et al. Ultra-short-term interval prediction of wind power based on graph neural network and improved bootstrap technique
Xiong et al. Research on wind power ramp events prediction based on strongly convective weather classification
Tosun et al. Solar power generation analysis and forecasting real-world data using LSTM and autoregressive CNN
Boum et al. Photovoltaic power generation forecasting using a novel hybrid intelligent model in smart grid
Suresh et al. Probabilistic LSTM-Autoencoder based hour-ahead solar power forecasting model for intra-day electricity market participation: A Polish case study
Tziolis et al. Advanced short-term net load forecasting for renewable-based microgrids
Bellagarda et al. Effectiveness of neural networks and transfer learning to forecast photovoltaic power production
Shakya et al. Using Markov Switching Model for solar irradiance forecasting in remote microgrids
KR102443741B1 (ko) 해석 가능한 단기 일사량 예측 장치 및 방법
Lee et al. Bayesian deep learning-based confidence-aware solar irradiance forecasting system
Le Cadre et al. Solar PV power forecasting using extreme learning machine and information fusion
Huang et al. Probabilistic prediction intervals of wind speed based on explainable neural network

Legal Events

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