KR102458759B1 - 발전량 예측 방법 및 발전량 예측 장치 - Google Patents

발전량 예측 방법 및 발전량 예측 장치 Download PDF

Info

Publication number
KR102458759B1
KR102458759B1 KR1020220063299A KR20220063299A KR102458759B1 KR 102458759 B1 KR102458759 B1 KR 102458759B1 KR 1020220063299 A KR1020220063299 A KR 1020220063299A KR 20220063299 A KR20220063299 A KR 20220063299A KR 102458759 B1 KR102458759 B1 KR 102458759B1
Authority
KR
South Korea
Prior art keywords
cluster
power generation
profile
generation
index
Prior art date
Application number
KR1020220063299A
Other languages
English (en)
Inventor
장현상
박용환
Original Assignee
비케이엠 주식회사
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 비케이엠 주식회사 filed Critical 비케이엠 주식회사
Priority to KR1020220063299A priority Critical patent/KR102458759B1/ko
Application granted granted Critical
Publication of KR102458759B1 publication Critical patent/KR102458759B1/ko

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Abstract

본 발명은 원자력, 화력, 신재생에너지를 포함한 다양한 발전 시스템에 유무선으로 연결되어 발전 시스템의 발전량을 미리 예측할 수 있는 방법 및 장치에 관한 것이다. 본 발명의 일 목적은 발전 시스템의 발전량을 보다 정확히 예측하는 발전량 예측 방법, 상기 발전량 예측 방법을 컴퓨터가 읽을 수 있는 프로그램으로 기록한 매체, 상기 발전량 예측 방법을 수행하는 단말기 및 상기 단말기를 포함하는 발전 시스템을 제공하는 것이다.

Description

발전량 예측 방법 및 발전량 예측 장치{METHOD AND APPARATUS FOR PREDICTIING POWER GENERATION}
본 발명은 원자력 발전, 화력 발전, 및 신재생 에너지 발전 등을 포함하는 다양한 발전 시스템에 유선 또는 무선으로 연결되어 발전 시스템의 발전량을 예측할 수 있는 방법 및 장치에 관한 것이다.
최근 신재생 에너지를 이용한 발전량 비율이 증가하고 있으며, 이에 따라 제어할 수 없는 발전량의 비율 또한 증가하고 있다. 이러한 상황에서 전력계통의 안정성과 신뢰도를 향상시키기 위해서는, 신재생 에너지를 정확하게 예측할 필요가 있다. 신재생 에너지 예측을 위한 모델 연구는 꾸준히 있었다. 종래의 통계 기반 추론 기법에서 최근 주목을 받은 인공지능 기법까지 다양한 모델이 존재한다.
하지만, 종래의 모델이 단기간 예측에 초점이 맞춰져 있으며, 장기간으로 갈수록 정확도가 급격하게 감소한다. 예측 정확도가 떨어지는 가장 큰 이유는 예보 데이터의 불확실성에 있다.
이로 인하여, 종래의 모델은 발전 운용 계획을 수립하는 것이 어렵고, 변동성 확대로 말미암아 불필요한 비용이 급격히 증가한다는 문제점이 있다.
본 발명은 전술한 문제 및 다른 문제를 해결하는 것을 목적으로 한다.
본 발명의 일 목적은 발전 시스템의 발전량을 보다 정확히 예측하는 발전량 예측 방법, 이러한 발전량 예측 방법을 컴퓨터가 읽을 수 있는 프로그램으로 기록한 매체, 상기 발전량 예측 방법을 수행하는 단말기 및 단말기를 포함하는 발전 시스템을 제공하는 것이다. 발전 시스템은, 원자력 발전, 화력 발전, 및 신재생 에너지 발전 등을 포함할 수 있으나, 본 발명의 발전 시스템은 이에 한정되는 것은 아니다.
또한, 본 발명은 기상 정보만을 이용하여 기상 정보와 매칭되는 센트로이드 인덱스를 사용함으로써, 높은 입력 데이터 분류 효율로 예측 가능한 발전량 예측 방법을 제공하는 것을 목적으로 한다.
또한, 본 발명은 하루 동안의 기상 정보만으로도 일 단위 태양광 발전량 프로파일을 실제 발전량 프로파일과 근접하게 예측할 수 있는 발전량 예측 방법을 제공하는 것을 목적으로 한다.
또한, 본 발명은 효율적인 인공지능 모델을 사용하여 하루 단위의 발전량 예측이 가능한 발전량 예측 방법을 제공하는 것을 목적으로 한다.
상기와 같은 과제를 실현하기 위한 본 발명의 일 실시 예는 통신부 그리고 프로세서를 포함하는 단말기에서 상기 프로세서에 의하여 수행되는 발전량 예측 방법이다.
상기 발전량 예측 방법은, 발전 시스템이 모니터링 구간 동안 생성한 발전량으로 이루어진 신규 발전량 프로파일 PP(k)을 획득하는 단계; 계층적 이진 군집화(Hierarchical Binary Clustering, 이하 'HBC'로 호칭)를 수행하여 상기 신규 발전량 프로파일 PP(k)의 군집 인덱스 CI(k)를 획득하는 단계; 상기 군집 인덱스 CI(k)와 기상 정보를 이용하여 인공지능 모델을 트레이닝하는 단계; 상기 인공지능 모델에 예상기상 정보를 이용하여 미래 군집 인덱스 CI(k+1)을 획득하는 단계; 상기 미래 군집 인덱스 CI(k+1)를 이용하여 미래 발전량 프로파일 PP(k+1)을 획득하는 단계; 및 상기 미래 발전량 프로파일 PP(k+1)을 이용하여, 상기 발전 시스템에서 생성될 미래 발전량을 예측하는 단계를 포함하며, 상기 군집 인덱스 CI(k)를 획득하는 단계에서 상기 신규 발전량 프로파일 PP(k)이 소정 조건을 만족하는 경우, 상기 계층적 이진 군집화(HBC)에 의하여 분류되는 군집 개수는 상기 신규 발전량 프로파일 PP(k)이 획득되기 전보다 증가하고, 상기 군집 인덱스를 획득하는 단계는, 상기 기상 정보를 SDR 표현으로 변환하는 단계; 상기 SDR 표현을 이용하여 상기 군집 인덱스를 매핑하는 단계; 및 상기 기상 정보에 매칭되는 군집 인덱스를 획득하는 단계를 포함 한다.
일 실시 예에 따르면, 상기 군집 인덱스 CI(k)를 획득하는 단계는 데이터베이스에 저장된 하나 또는 그 이상의 기존 발전량 프로파일들과 상기 신규 발전량 프로파일 PP(k) 간의 상관 계수를 이용하여 상기 계층적 이진 군집화(HBC)를 수행하는 단계; 상기 계층적 이진 군집화(HBC)에 의하여 분류된 각 군집에 대하여 서로 다른 인덱스를 할당하는 단계; 및 상기 신규 발전량 프로파일 PP(k)이 속하는 군집의 인덱스를 상기 군집 인덱스 CI(k)로 획득하는 단계를 포함할 수 있다.
일 실시 예에 따르면, 상기 계층적 이진 군집화(HBC)를 수행하는 단계는, 제n차 군집을 선택하는 단계; 상기 제n차 군집에 속한 발전량 프로파일들 간의 상관 계수를 산출하는 단계; 및 상기 제n차 군집에 속한 발전량 프로파일들을 산출된 상관 계수를 이용하여, 정상 군집 또는 비정상 군집으로 정의되는 2개의 제n+1차 군집들로 분류하는 단계를 포함하며, n은 자연수이며, 상기 계층적 이진 군집화(HBC)는 상기 n이 1부터 점차 증가하는 방향으로 수행되며, 상기 계층적 이진 군집화(HBC)는 상기 제n차 군집이 상기 제n+1차 군집들로 분류되지 않는 경우 종료될 수 있다.
일 실시 예에 따르면, 상기 제n+1차 군집들로 분류하는 단계에서, 상기 제n차 군집에 속한 발전량 프로파일들 중 상관 계수가 기준 상관 계수보다 높거나 같은 어느 발전량 프로파일은 상기 제n+1차 군집들 중 상기 정상 군집으로 분류되고, 상기 제n차 군집에 속한 발전량 프로파일들 중 상관 계수가 상기 기준 상관 계수보다 낮은 어느 발전량 프로파일은 상기 제n+1차 군집들 중 상기 비정상 군집으로 분류될 수 있다.
일 실시 예에 따르면, 상기 기준 상관 계수는 상기 발전 시스템의 위치에 따라 다르게 설정될 수 있다.
일 실시 예에 따르면, 상기 서로 다른 인덱스를 할당하는 단계는, 상기 각 군집의 발전량 프로파일을 이용하여 상기 각 군집의 발전량을 획득하는 단계; 상기 각 군집의 발전량을 기준으로 상기 계층적이진 군집화에 의하여 분류된 군집들을 정렬하는 단계; 및 정렬된 순서에 따라 상기 각 군집에 대하여 서로 다른 인덱스를 할당하는 단계를 포함할 수 있다.
일 실시 예에 따르면, 상기 계층적 이진 군집화(HBC)가 종료된 후 상기 신규 발전량 프로파일 PP(k)이 속한 군집에 기존 발전량 프로파일이 포함된 경우, 상기 신규 발전량 프로파일 PP(k)을 이용하여 상기 기존 발전량 프로파일을 업데이트 하는 단계를 더 포함할 수 있다.
또한, 본 발명은 상술한 발전량 예측 방법을 수행하는 프로그램을 기록한 컴퓨터로 읽을 수 있는 매체를 포함한다.
또한, 본 발명은 상술한 발전량 예측 방법을 수행하는 단말기 및 상기 단말기를 포함하는 발전 시스템을 포함한다.
본 발명에 따르면, 계층적 이진 군집화(HBC)를 이용하여 발전량 프로파일을 군집화하기 때문에 사전 학습을 하지 않아도 인공지능은 자율 학습을 실시간으로 수행할 수 있다. 이를 통해, 발전량 예측을 수행하기 위한 군집 개수로서, 특정 사이트에 설치된 발전 시스템에 최적화된 가장 이상적인 군집 개수를 찾아낼 수 있다.
나아가, 인공지능은 대표 발전량 프로파일에 설정되어 있는 군집 인덱스를 학습하기 때문에 빅데이터를 사용하지 않아 연산 속도가 빠르며, 본 발명에 따른 발전량 예측 방법을 수행하기 위한 단말기 성능을 최소화할 수 있다. 이를 통해 매우 저렴한 제품/서비스를 시장에 제공할 수 있다. 군집 인덱스는 발전량 프로파일에 의해서 생성되고, 충분한 트레이닝을 통해 기상 정보와 매칭되는 센트로이드 인덱스를 얻어내는 것이 가능하다.
또한, 본 발명에 따르면, 하루 동안의 평균 기상 정보만으로도 일 단위 태양광 발전량 프로파일을 실제 발전량 프로파일과 근접하게 예측할 수 있는 효과가 있다.
또한, 본 발명에 따르면, 효율적인 인공지능 모델을 사용하여 하루 단위의 발전량 예측이 가능한 효과가 있다.
도 1은 본 발명의 일 실시 예에 따른 단말기를 나타내는 블록도이다.
도 2는 도 1의 단말기에 의해 수행되는 발전량 예측 방법을 설명하기 위한 흐름도이다.
도 3은 계층적 이진 군집화(HBC)를 보다 구체적으로 설명하기 위한 흐름도이다.
도 4는 실시예에 따른, 계층적 이진 군집화에 의하여 분류한 군집들을 나타내는 예시도이다.
5는 다른 실시예에 따른, 계층적 이진 군집화에 의하여 분류한 군집들을 나타내는 예시도이다.
도 6은 하나의 발전 시스템에서 1년 동안 생성된 발전량 프로파일들을 계층적 이진 군집화에 의하여 분류한 8개의 군집들을 나타내는 예시도이다.
도 7은 도 4 및 도 5의 군집들을 이용하여 발전 시스템의 발전량을 예측한 데이터와 실제 데이터를 비교한 그래프이다.
도 8은 일 실시예에 따른, 자율 학습을 수행하는 머신 러닝(또는, 인공지능)인 HTM을 설명하기 위한 블록도이다.
도 9는 다른 실시예에 따른, 자율 학습을 수행하는 머신 러닝(또는, 인공지능)인 HTM을 설명하기 위한 블록도이다.
이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시 예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시 예를 설명함에 있어서, 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.
본 명세서에서, "포함한다" 또는 "가지다" 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. 또한, 본 명세서에서 사용된 용어 "모듈"은 하드웨어, 소프트웨어 또는 펌웨어로 구성된 유닛을 포함하며, 예를 들면, 로직, 논리 블록, 부품, 또는 회로 등의 용어와 상호 호환적으로 사용될 수 있다. 모듈은, 일체로 구성된 부품 또는 하나 또는 그 이상의 기능을 수행하는 최소 단위 또는 그 일부가 될 수 있다. 예를 들면, 모듈은 ASIC(application-specific integrated circuit)으로 구성될 수 있다.
본 발명은 원자력, 화력, 신재생에너지를 포함한 다양한 발전 시스템의 발전량을 미리 예측할 수 있는 단말기 및 그것의 제어방법에 관한 것이다. 나아가, 상기 발전량 예측 방법을 컴퓨터가 읽을 수 있는 프로그램으로 기록한 매체 및 상기 단말기를 포함하는 발전 시스템으로 확장될 수 있다.
과거 발전량 데이터가 없는 신규 플랜트에도 사전학습 과정 없이 바로 적용을 가능하게 하는 것이 본 발명이 해결하고자 하는 주 과제이다. 보다 구체적으로, 사전 트레이닝이 필요 없는 자율학습(비지도 학습) 방식 머신 러닝 기법을 이용, 과거 발전량 데이터가 없는 신규 발전소에도 사전학습 과정 없이 바로 적용을 가능케 하는 것이 본 발명이 해결하고자 하는 주 과제이다.
본 발명에 따른 단말기는 예측 발전량과 실제 발전량을 비교해 발전기와 관련된 다양한 기능을 실행할 수 있다. 예를 들어, 예측 발전량과 실제 발전량이 일치하는 경우 발전기가 정상적으로 동작하는 것으로 정상 신호를 출력하지만, 일치하지 않는 경우 발전기에 이상이 발생한 것으로 이상 신호를 출력할 수 있다. 예측 발전량과 실제 발전량의 추세를 비교 분석함으로써 이상(Anomaly)을 감지하고, 그 이상의 원인을 진단할 수 있다. 또한, 단말기는 입력된 기상 정보 데이터를 인코딩하여, 이를 비지도 학습 알고리즘이 적용된 인공지능을 이용하여 실시간으로 발전량을 예측할 수 있다.
이하에서는 설명의 편의를 위하여 태양광 발전기의 발전량을 예측하는 일 예를 설명하나, 본 발명에 발전량 예측 방법은 태양광 발전기뿐만 아니라 원자력, 화력, 신재생 에너지로 불리는 풍력, 수력, 조력, 지열 및 연료전지 등 다양한 에너지원을 이용한 발전 시스템에 적용되어 그 발전량을 예측할 수 있다.
일 예로, 본 발명에 따른 발전량 예측 방법을 수행하는 단말기는 태양광 발전 시스템의 디바이스 단에 물리적으로 연결된 에지 장치(Edge Apparatus) 또는 온 디바이스(On-device)인 것을 특징으로 한다.
다른 일 예로, 단말기는 발전 시스템과 유무선 통신을 통해 연결된 서버일 수 있다. 상기 서버는 클라우드 방식으로 이루어져 복수의 발전 시스템들을 하나의 서버가 관리하고 각각의 발전량을 예측할 수 있다.
본 발명에 따른 단말기는 군집화(Clustering)를 이용하여 하루 단위 발전량 프로파일을 분류하고 분류된 군집(Cluster)의 중심점들(centroids)을 대표 발전량 프로파일(Typical Power Profile)로 정의한다.
본 발명에 따른 단말기는 변동성이 큰 태양광 발전 시스템의 발전량을 예측하고 및 예측 발전량을 이용하여 이상 감지를 수행할 수 있다. 태양광 발전 시스템에서 On-Edge 머신 러닝을 구현하기 위하여, 사전 트레이닝이 필요없는 비지도 학습(Unsupervised Learning) 방식 머신 러닝 모델을 이용한다. 네트워크를 통한 데이터 전송 없이 발전량을 예측하고 플랜트의 이상을 실시간으로 감지할 수 있다. 비지도 학습 방식의 채택으로 발전량 데이터가 없는 신규 플랜트에도 사전학습 과정 없이 바로 적용이 가능하다.
본 발명에서는, 계절성 정보(time-of-day, month) 및 기상 정보(기온, 강수, 습도, 운량, etc.)를 이진 패턴화 하여 학습 및 예측에 사용한다.
본 발명의 일 특징은 학습 된 머신 러닝 모델도 이진 부호화된 패턴 형태로 예측을 수행하며, 예측된 이진부호 패턴으로부터 십진수 기반의 발전량을 도출하기 위해서 본 발명에서는 기상 정보와 머신 러닝 모델 출력 간의 상관관계를 실시간으로 학습하는 순방향 신경망(Feedfoward Net)을 부수적으로 이용할 수 있다.
이하, 도 1을 참조하여 본 발명의 일 실시예에 따른 단말기(100)를 설명한다.
도 1은 본 발명의 일 실시 예에 따른 단말기(100)를 나타내는 블록도이다.
단말기(100)는 이동 가능 여부에 따라 이동 단말기(mobile/portable terminal) 및 고정 단말기(stationary terminal)로 나뉠 수 있다. 다시 이동 단말기는 사용자의 직접 휴대 가능 여부에 따라 휴대(형) 단말기(handheld terminal) 및 거치형 단말기(vehicle mounted terminal)로 나뉠 수 있다. 단말기(100)에는 휴대전화, 스마트폰(smart phone), 노트북 컴퓨터(laptop computer), 디지털방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 내비게이션, 슬레이트 PC(slate PC), 태블릿 PC(tablet PC), 울트라북(ultra book), 웨어러블 디바이스(wearable device, 예를 들어, 워치형 단말기(smart watch), 글라스형 단말기(smart glass), HMD(head mounted display) 등이 포함될 수 있다.
또한, 단말기(100)는 디지털 TV, 데스크톱 컴퓨터, 디지털 사이니지, 서버 등과 같은 고정 단말기에도 적용될 수 있다. 또한, 단말기(100)는 별도 장치로 이루어지거나 발전 시스템에 구비된 시스템 제어기의 일 구성요소일 수 있다.
도 1을 참조하면, 단말기(100)는 구성은 통신부(110), 전원 공급부(120), 프로세서(130), 출력부(140), 및 메모리(150)를 포함할 수 있다.
통신부(110)는 발전 시스템에 포함된 하나 또는 그 이상의 구성요소들과 통신을 수행한다. 일 예로, 마이크로폰, 유량계, 진동계, 전력계, 압력계, 온도계 및 전류계 등 다양한 센서로부터 각각에서 측정된 센싱 신호를 수신할 수 있다. 아울러 발전시스템에 포함된 인버터의 전력 신호를 수신할 수도 있다. 통신부(110)는 단말기(100)를 하나 이상의 네트워크에 연결하는 하나 이상의 모듈을 포함할 수 있다. 단말기(100)는 통신부(110)를 통해 관리 서버와 통신할 수 있다.
전원 공급부(120)는 프로세서(130)의 제어에 따라, 외부 전원 및 내부 전원을 이용하여 단말기(100)에 포함된 각 구성요소들에 전원을 공급한다. 이러한 전원 공급부는 배터리를 포함할 수 있으며, 배터리는 내장형 배터리 또는 교체 가능한 형태의 배터리가 될 수 있다.
프로세서(130)는 응용 프로그램과 관련된 동작 외에도, 통상적으로 단말기(100)의 전반적인 동작을 제어한다. 프로세서(130)는 통신부(110)를 통해 입력 또는 출력되는 신호, 데이터, 정보 등을 처리하거나 메모리에 저장된 응용 프로그램을 구동함으로써, 사용자에게 적절한 정보 또는 기능을 제공 또는 처리할 수 있다. 또한, 프로세서(130)는 메모리에 저장된 응용 프로그램을 구동하기 위하여, 발전 시스템의 구성요소들 중 적어도 일부를 제어하거나 구성요소들 중 적어도 둘 이상을 서로 조합하여 동작시킬 수 있다.
출력부(140)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시키기 위한 것으로, 디스플레이 장치, 음향 출력 장치, 햅틱 장치, 광 출력 장치 중 적어도 하나를 포함할 수 있다. 디스플레이 장치는 터치 센서 와 상호 레이어 구조를 이루거나 일체형으로 형성됨으로써, 터치 스크린을 구현할 수 있다. 이러한 터치 스크린은, 단말기(100)와 사용자 사이의 입력 인터페이스를 제공하는 사용자 입력부로써 기능 함과 동시에, 단말기(100)와 사용자 사이의 출력 인터페이스를 제공할 수 있다.
메모리(150)는 단말기(100)의 다양한 기능을 지원하는 데이터를 저장한다. 메모리(150)는 단말기(100)에서 구동되는 다수의 응용 프로그램(application program 또는 애플리케이션(application)), 단말기(100)의 동작을 위한 데이터들, 명령어들을 저장할 수 있다. 이러한 응용 프로그램 중 적어도 일부는, 무선 통신을 통해 외부 서버로부터 다운로드 될 수 있다. 또한, 이러한 응용 프로그램 중 적어도 일부는, 단말기(100)의 기본적인 기능을 위하여 출고 당시부터 단말기(100)상에 존재할 수 있다. 메모리는 본 발명에 따른 발전량 예측 방법을 컴퓨터가 읽을 수 있는 프로그램으로 기록한 매체일 수 있다.
상술한 각 구성요소들 중 적어도 일부는, 이하에서 설명되는 다양한 실시 예들에 따른 단말기(100)의 동작, 제어, 또는 발전량 예측 방법을 구현하기 위하여 서로 협력하여 동작할 수 있다. 또한, 단말기(100)의 동작, 제어, 또는 발전량 예측 방법은 메모리에 저장된 적어도 하나의 응용 프로그램의 구동에 의하여 단말기(100) 상에서 구현될 수 있다.
이하, 단말기(100)를 포함하여 구현되는 다양한 실시 예들을 살펴본다.
단말기(100)는 발전 시스템에서 출력되는 다양한 신호들을 이용하여 시스템의 이상을 감지할 수 있다. 이하에서 기재된 신호는 전압 신호, 전류 신호, 온도 신호, 전력 신호, 센서로부터 센싱된 센싱 신호 중 적어도 하나를 포함할 수 있으나, 실시예가 이에 한정되는 것은 아니다. 또한, 센싱 신호는 통신부를 통해 수신되어 이상 감지 방법에 적용될 수 있다.
발전 시스템은 정상상태로 복구 불가한 상태(Irreversible)로 전이되기 전 실시간으로 이상 징후를 감지하고 후속조치를 취해야 한다. 여기에 더하여 머신 러닝을 도입함에 있어 추가로 비용이 많이 증가한다면 현실성이 없다. 결론적으로, 신재생 에너지 산업의 전반적인 현실을 고려할 때, 기존 머신 러닝 방법의 적용은 불가한 상황이다.
사전 학습용 데이터와 데이터 라벨링 없이, 발전 시스템에 적용 가능한 실시간 비지도 학습기반 이상 징후 감지 방법(Unsupervised Real-time Anomaly Detection)을 개발하였다. 구체적으로, 계층형 시간적 메모리(Hierarchical Temporal Memory, 이하 'HTM'이라 함)이라는 기존의 ANN(Artificial Neural Network)과는 이론적 기반이 다른 방법을 발전 시스템의 발전량 예측에 적용하였다.
계층형 시간적 메모리(HTM)는 인간의 생물학적 뉴런을 기반으로 하는 셀(Cell) 연결을 기본 구성으로 한다. 이때, 뇌의 신피질에서 뉴런 구조를 기반으로, 계층형 시간적 메모리의 셀 구조가 모델링 된다. 계층형 시간적 메모리에 따르면, 데이터 패턴들이 시간을 기반으로 학습 되며, 학습 된 데이터 패턴들로부터 미래의 데이터 패턴이 예측된다. 이때, 데이터 패턴들이 셀 구조를 기반으로 학습 되며, 미래의 데이터 패턴이 셀 구조를 기반으로 예측될 수 있다.
HTM은 오늘날의 다른 인공지능 알고리즘과 달리 일련의 데이터를 직접 받아들이면서 훈련된다. HTM의 실제 능력은 HTM이 어떠한 입력을 학습했는지에 따라 결정된다. 이런 HTM을 일종의 신경망으로 생각할 수도 있지만, 세부적인 면을 고려하면 HTM은 전혀 새로운 형태의 신경망이다. HTM은 기본적으로 기억장치를 바탕으로 한다. HTM은 시간에 따라 변화하는 수많은 데이터를 학습하며, 수많은 패턴과 연속적인 시퀀스(Sequence)를 저장한다. 데이터를 저장하고 접근하는 방식은 기존의 프로그램들이 사용하는 것과 논리적으로 차이가 있다. 기존의 컴퓨터 기억장치는 수평적인 구조를 가지며, 그 안에 시간이라는 개념을 가지고 있지 않다. HTM의 기억장치는 계층적인 구조로 되어 있으며, 내재적으로 시간에 기초하고 있다. 정보는 언제나 널리 퍼져있는 형태, 즉 희소 분포 표상(Sparse Distributed Representation, SDR) 형태로 저장된다.
본 발명의 발전 시스템은 신호(발전 시스템의, 전압, 전류, 온도, 전력 등의 신호)에서 탐지되는 이상 징후를 감지하기 위해 HTM을 활용한다.
다만, HTM은 인공지능의 일 예에 해당하며, HTM은 합성 곱 신경망(Convolutional Neural Network, CNN), 순환 신경망(Recurrent Neural Network, RNN), 생성 대립 신경망(Generative Adversarial Network, GAN), 강화학습(Reinforcement Learning, RL), 장단기 메모리(Long Short Term Memory, LSTM)와 같은 다양한 딥러닝 방법으로 대체될 수 있다. 예를 들어, 후술할 제1 인공지능 및/또는 제2 인공지능은 상술한 딥러닝 방법 중 적어도 하나가 될 수 있다.
도 2는 도 1의 단말기에 의해 수행되는 발전량 예측 방법을 설명하기 위한 흐름도이다.
본 발명에 따른 발전량 예측 방법은 프로세서(130)에 의하여 수행된다.
프로세서(130)는 신규 발전량 프로파일 PP(k)을 획득한다(S210).
발전량 프로파일(Power Profile)은 발전 시스템이 모니터링 구간 동안 생성한 발전량으로 이루어진다. 발전량 프로파일은 발전 시스템이 특정일 또는 특정기간을 기준으로 모니터링 구간 동안 단위시간마다 생성한 발전량들로 정의될 수 있다. 발전량 프로파일은 모니터링 구간 중 정각마다 생성된 발전량들로 이루어진 벡터로 표현될 수 있다. 예를 들어, 모니터링 구간은 해가 뜨기 직전인 05:00부터 해가 지고 난 직후인 20:00로 설정될 수 있다. 다른 예를 들어, 모니터링 구간은 00:00부터 24:00까지로 설정될 수도 있다.
단위시간은 4시간, 1시간, 15분, 5분 등 다양하게 설정될 수 있다. 모니터링 구간이 12:00 내지 15:00이고, 단위시간이 1시간인 경우 발전량 프로파일은 [P12:00, P13:00, P14:00, P15:00]로 표현될 수 있다. 여기서, P12:00은 12:00에 생성된 발전량이고, P13:00은 13:00에 생성된 발전량이다.
신규 발전량 프로파일 PP(k)은 특정 일자(k)의 모니터링 구간 동안 발전 시스템에서 생성된 발전량으로 이루어진다.
프로세서(130)는 유무선 통신을 통해 발전량 프로파일 그 자체를 발전 시스템으로부터 수신하거나, 발전 시스템으로부터 단위시간마다 발전량과 관련된 발전량 정보를 수신하여 발전량 프로파일을 생성할 수 있다. 예를 들어, 발전 시스템에 연결된 인버터로부터 실시간 전압과 전류를 발전량 정보로 수신할 수 있다.
프로세서(130)는 신규 발전량 프로파일 PP(k)의 군집 인덱스 CI(k)를 획득한다(S230).
구체적으로, 프로세서(130)는 메모리(150)에 저장된 발전량 프로파일들과 신규 발전량 프로파일에 대하여 계층적 이진 군집화(HBC)를 수행하고, 이를 통해 신규 발전량 프로파일 PP(k)의 군집 인덱스 CI(k)를 획득한다. 여기에서, 프로세서(130)는 입력된 기상 정보에 매칭되는 군집 인덱스CI(k)를 획득할 수 있다.
메모리(150)에는 계층적 이진 군집화(HBC)에 의하여 분류된 대표 발전량 프로파일(Typical Power Profile)이 적어도 하나 저장된다. 대표 발전량 프로파일은 발전 시스템에서 생성되는 발전량 프로파일의 대표적인 유형으로 계층적 이진 군집화(HBC)에 의하여 결정된다. 대표 발전량 프로파일 각각에는 고유 식별자로 군집 인덱스가 할당된다.
예를 들어, 대표 발전량 프로파일은 특정 시각의 발전량들로 이루어진 벡터로 표현되고, 이를 적분하는 경우 총 발전량이 산출된다. 총 발전량을 기준으로 오름차순 또는 내림차순에 따라 군집 인덱스가 할당될 수 있다. 예를 들어, 총 발전량이 100MW인 제1 대표 발전량 프로파일과 총 발전량이 120MW인 제2 대표 발전량 프로파일이 있는 경우, 제2 대표 발전량 프로파일의 군집 인덱스에는 "1", 제1 대표 발전량 프로파일의 군집 인덱스에는 "2"가 할당될 수 있다.
다른 예를 들어, 대표 발전량 프로파일이 메모리에 최초 등록된 시점을 기준으로 군집 인덱스가 순서대로 할당되는 것도 가능하다.
신규 발전량 프로파일이 입력될 때마다 계층적 이진 군집화(HBC)에 의하여, 새로운 대표 발전량 프로파일이 메모리에 추가되거나 기존 대표 발전량 프로파일들 중 어느 하나가 신규 발전량 프로파일에 의하여 편집(또는 업데이트)된다. 다시 말해, 군집 인덱스 CI(k)를 획득하는 단계에서 신규 발전량 프로파일 PP(k)이 소정 조건을 만족하는 경우, 계층적 이진 군집화(HBC)에 의하여 분류되는 군집 개수는 신규 발전량 프로파일 PP(k)이 획득되기 전보다 증가된다.
예를 들어, 군집 개수가 7인 상태에서 신규 발전량 프로파일에 대하여 계층적 이진 군집화(HBC)가 수행되는 경우, 메모리에 저장된 7개의 대표 발전량 프로파일들과 1개의 신규 발전량 프로파일로 이루어진 총 8개의 발전량 프로파일들에 대하여 계층적 이진 군집화(HBC)가 이루어진다. 이 경우, 신규 발전량 프로파일은 기존 7개의 군집 중 어느 하나에 속하거나 어느 하나에도 속하지 않는 경우의 수가 발생한다. 신규 발전량 프로파일이 기존 군집들 중 어느 하나에도 속하지 않는 경우, 신규 발전량 프로파일은 새로운 군집으로 분류되고 분류 가능한 군집 개수는 7개에서 8개로 증가한다.
본 발명은 많은 사전학습 데이터를 전제로 하는 딥러닝 보다, 상대적으로 적은 데이터 세트로도 좋은 결과를 얻을 수 있고, 모델을 빠르게 학습할 수 있는 k-평균 군집화(k-means)를 응용한 자율 학습(비지도 학습)의 분류기법을 기반으로 한다.
일반적인 k-평균 군집화(k-means)를 적용하는 데 있어, k-평균 군집화는 다음과 같은 단점이 있다. 첫째, 가중치와의 거리 정의가 필요하고, 둘째, 초기 클러스터링 수 결정의 기준이 없으며, 셋째, 결과해석이 어렵다.
상술한 단점들 중에서도 초기 클러스터의 수를 결정하는 것은 k-평균 군집화의 자장 큰 취약점이다. 즉 초기 설정 클러스터의 수가 적합하지 않으면 결과가 나쁘다. 또 모든 데이터를 거리로만 판단하는 방식으로 사전에 주어진 목적이 없어 결과 해석이 쉽지 않다는 단점이 있다. 아울러, 발전 시스템이 설치된 사이트마다 초기 설정 클러스터의 수는 달라질 수밖에 없는 문제가 있다.
따라서 프로세서(130)는 사전에 초기 클러스팅 수의 결정 없이 자율적인 분류를 할 수 있게 하고, 거리(distance metric) 기반의 결과해석의 어려운 점을 개선하고자, 발전량이라는 신호의 특성에 기반을 두어 상관 계수(Correlation Coefficient)를 이용한 계층적 이진 군집화(HBC)를 이용한다.
보다 구체적으로, 프로세서(130)는 메모리(150)에 저장된 발전량 프로파일들과 신규 발전량 프로파일에 대하여 k=2인 k-평균 군집화를 수행하고, 클러스터링 판단 기준으로 상관계수(r)를 이용한다.
피어슨 상관계수(Pearson correlation coefficient, r)는 이변량 상관분석(bivariate correlation analysis)에서 보편적으로 이용되는 개념으로 이하 수학식 1과 같이 정의된다.
[수학식 1]
Figure 112022054703232-pat00001
일반적으로 r 이 1에 가까울수록 강한 선형관계를 0에 가까울수록 무시될 수 있는 선형관계를 의미한다.
발전량 프로파일들 간의 상관계수를 구한 후, 경험적으로 설정된 기준 상관 계수보다 높거나 같은 발전량 프로파일은 정상 군집으로 분류하고, 기준 상관 계수보다 낮은 발전량 프로파일은 비정상 군집으로 분류한다.
기준 상관 계수는 발전 시스템의 특성에 따라 다르게 설정될 수 있다. 예를 들어, 발전 시스템의 위치에 따라 서로 다른 기준 상관 계수가 설정될 수 있다. 발전 시스템의 위치에 따라 기후 특성이 다르기 때문이다. 다른 예를 들어, 더욱 정확한 분류가 필요한 발전 시스템에 설정된 기준 상관 계수는 상대적으로 낮은 정확도 분류가 필요한 발전 시스템에 설정된 기준 상관 계수보다 높게 설정될 있다.
기준 상관 계수가 높아질수록 분류되는 군집 개수가 늘어나고, 단말기에 요구되는 성능이 높아진다. 이 때문에 기준 상관 계수는 본 발명에 따른 발전량 예측 방법을 실행하는 단말기의 성능에 따라 다르게 설정될 수도 있다. 예를 들어, 고성능 단말기에 설정된 기준 상관 계수는 낮은 성능 단말기에 설정된 기준 상관 계수보다 큰 수일 수 있다.
더는 분류가 이루어지지 않을 때까지 분류를 계속함으로써 새로운 군집을 추출하거나 기존 군집을 신규 발전량 프로파일을 이용하여 새롭게 업데이트할 수 있다.
계층적 이진 군집화(HBC)는 k-평균 군집화의 단점인 클러스터의 개수를 지정하지 않아도 된다는 장점이 있다. 이 때문에, 데이터가 없는 신규 사이트에 대해서도 발전량 예측을 수행할 수 있게 된다.
계층적 이진 군집화(HBC)를 수행함으로써, 신규 발전량 프로파일 PP(k)에 대하여 군집 인덱스 CI(k)를 획득할 수 있다.
프로세서(130)는 신규 발전량 프로파일 PP(k)이 메모리에 저장되어 있는 대표 발전량 프로파일들 중 어느 하나에 속하는 경우, 그 대표 발전량 프로파일에 설정되어 있는 군집 인덱스를 신규 발전량 프로파일 PP(k)의 군집 인덱스 CI(k)로 선택한다. 이와 달리, 신규 발전량 프로파일 PP(k)이 메모리에 저장되어 있는 대표 발전량 프로파일들 중 어디에도 속하지 않는 경우, 새로운 군집 인덱스를 생성해 신규 발전량 프로파일 PP(k)의 군집 인덱스 CI(k)로 설정한다.
계층적 이진 군집화(HBC)에 대해서는 이하, 도 3을 참조하여 더욱 상세히 후술한다.
프로세서(130)는 미래 군집 인덱스 CI(k+1)를 획득한다(S250). 예를 들어, 프로세서(130)는 입력된 기상 정보로부터 군집 인덱스의 센트로이드 인덱스(centroid index)를 획득하는 인공지능을 이용하여 미래 군집 인덱스 CI(k+1)를 예측한다. 구체적으로 설명하면, 프로세서(130)는 인공지능에 입력된 기상 정보의 1일 후의 예상 기상 정보를 입력하여 미래 군집 인덱스 CI(k+1)를 예측한다. 프로세서(130)는 군집 인덱스 CI(k) 및 입력된 기상 정보를 이용하여 입력된 기상 정보와 매칭되는 센트로이드 인덱스를 획득하도록 인공지능을 트레이닝 함으로써, 다음 스텝의 미래 군집 인덱스 CI(k+1)를 예측할 수 있다. 이러한 예측을 수행하기 위한 인공지능은 HTM일 수 있으나, 이에 한정되지 않으며 다양한 인공지능들이 적용될 수 있다.
인공지능이 기상 정보로부터 센트로이드 인덱스를 군집 인덱스에 적용하여 예측을 수행할 수 있는 트레이닝을 하도록, 프로세서(130)는 기상 정보 데이터를 인코더를 이용하여 이진 벡터로 인코딩한 후 공간 풀러(SP)에 입력한다. HTM에 대해서는 이하 도 7을 참조하여 후술한다.
프로세서(130)는 미래 군집 인덱스 CI(k+1)를 이용하여 미래 발전량 프로파일 PP(k+1)을 획득하고(S270), 미래 발전량 프로파일 PP(k+1)을 이용하여 미래 발전량을 예측한다(S290).
HTM이 출력하는 미래 군집 인덱스 CI(k+1)는 메모리에 저장된 대표 발전량 프로파일들 중 어느 하나에 대응하는 군집 인덱스이다. 따라서, 프로세서(130)는 HTM에서 출력된 미래 군집 인덱스 CI(k+1)를 바탕으로 메모리에 저장된 대표 발전량 프로파일들 중 어느 하나를 미래 발전량 프로파일 PP(k+1)로 획득한다. 그리고 미래 발전량 프로파일 PP(k+1)을 이용하여 특정 시각 또는 소정 시간 범위에서 발전 시스템에서 생성할 미래 발전량을 예측한다.
본 발명에 따르면, 계층적 이진 군집화(HBC)를 이용하여 발전량 프로파일을 군집화하기 때문에 사전 학습을 하지 않아도 인공지능은 자율 학습을 실시간으로 수행할 수 있다. 이를 통해, 발전량 예측을 수행하기 위한 군집 개수로서, 특정 사이트에 설치된 발전 시스템에 최적화된 가장 이상적인 군집 개수를 찾아낼 수 있다.
도 3은 계층적 이진 군집화(HBC)를 보다 구체적으로 설명하기 위한 흐름도이다.
도 4는 실시예에 따른, 계층적 이진 군집화에 의하여 분류한 군집들을 나타내는 예시도이다.
도 5는 다른 실시예에 따른, 계층적 이진 군집화에 의하여 분류한 군집들을 나타내는 예시도이다.
프로세서(130)는 신규 발전량 프로파일 PP(k)을 이용하여 계층적 이진 군집화(HBC)를 수행한다(S310).
프로세서(130)는 데이터베이스에 저장된 하나 또는 그 이상의 기존 발전량 프로파일들(또는 대표 발전량 프로파일들)과 신규 발전량 프로파일 PP(k) 간의 상관 계수를 이용하여 계층적 이진 군집화(HBC)를 수행한다.
보다 구체적으로, 프로세서(130)는 제n차 군집을 선택하고, 제n차 군집에 속한 발전량 프로파일들 간의 상관 계수를 산출한다. 제n차 군집에 속한 발전량 프로파일들을 산출된 상관 계수를 이용하여, 정상 군집 또는 비정상 군집으로 정의되는 2개의 제n+1차 군집들로 분류한다.
제n차 군집에 속한 발전량 프로파일들 중 상관 계수가 기준 상관 계수보다 높거나 같은 어느 발전량 프로파일은 제n+1차 군집들 중 정상 군집으로 분류되고, 제n차 군집에 속한 발전량 프로파일들 중 상관 계수가 기준 상관 계수보다 낮은 어느 발전량 프로파일은 제n+1차 군집들 중 비정상 군집으로 분류된다.
여기서 n은 자연수이며, 계층적 이진 군집화(HBC)는 n이 1부터 점차 증가하는 방향으로 수행되고, 계층적 이진 군집화(HBC)는 모든 제n차 군집이 제n+1차 군집들로 분류되지 않는 경우 종료된다.
예를 들어, 도 4를 참조하면, 대표 발전량 프로파일들로 A, B, C, D, E가 메모리(150)에 저장되고 신규 발전량 프로파일로 F가 획득된 상태에서 계층적 이진 군집화(HBC)가 수행될 수 있다.
이 경우, {A, B, C, D, E, F}가 제1차 군집(또는, 첫 번째 군집 400)으로 설정되고, 첫 번째 군집(400)에 포함된 총 6개의 발전량 프로파일들에 대하여 상관 계수가 산출된다.
첫 번째 군집(400)에 속한 {A, B, C, D, E, F} 중 상관 계수가 기준 상관 계수보다 크거나 같은 {A, B, C}는 제2차 군집의 정상 군집(두 번째 군집, 412)으로 분류되고, 기준 상관 계수보다 작은 {D, E, F}는 제2차 군집의 비정상 군집(세 번째 군집, 414)으로 분류된다. 이로써 제1차 군집화(Hierarchical Depth Level = 1)는 종료되고, 제2차 군집화(Hierarchical Depth Level = 2)가 시작된다.
제n+1차 군집으로의 분류(또는, 제n차 군집화)는 제n차 군집에 한하여 이루어진다. 예를 들어, 제2차 군집으로의 분류(또는, 제1차 군집화)는 제1차 군집에 대하여 이루어지고, 제3차 군집으로의 분류(또는, 제2차 군집화)는 제2차 군집에 대하여 이루어진다.
예를 들어, 도 4에 도시된 바와 같이, 제2차 군집화는 제2차 군집으로 분류된 두 번째 군집(412)과 세 번째 군집(414) 각각에 대하여 이루어진다.
두 번째 군집(412)에 포함된 총 3개의 발전량 프로파일들에 대하여 상관 계수가 산출되고, 기준 상관 계수보다 크거나 같은 {A}는 제3차 군집의 정상 군집(네 번째 군집, 422)으로 분류되고, 기준 상관 계수보다 작은 {B, C}는 제3차 군집의 비정상 군집(다섯 번째 군집, 424)으로 분류된다.
세 번째 군집(414)에 포함된 총 3개의 발전량 프로파일들에 대하여 상관 계수가 산출되고, 기준 상관 계수보다 크거나 같은 {D, E}는 제3차 군집의 정상 군집(여섯 번째 군집, 426)으로 분류되고, 기준 상관 계수보다 작은 {F}는 제3차 군집의 비정상 군집(일곱 번째 군집, 428)으로 분류된다. 이로써 제2차 군집화(Hierarchical Depth Level = 2)는 종료되고, 제3차 군집화(Hierarchical Depth Level = 3)가 시작된다.
제3차 군집화(Hierarchical Depth Level = 3)의 경우, 네 번째 군집(422)과 일곱 번째 군집(428)은 더는 분류될 요소가 없으므로 계층적 이진 군집화(HBC)가 실행되지 않는다. 다섯 번째 군집(424)과 여섯 번째 군집(426)에 대해서 계층적 이진 군집화(HBC)가 실행된다.
다섯 번째 군집(424)에 대하여 상관 계수가 산출되지만 {B, C}가 기준 상관 계수를 기준으로 같은 그룹에 해당하므로 분류가 이루어지지 않는다.
여섯 번째 군집(426)에 포함된 총 3개의 발전량 프로파일들에 대하여 상관 계수가 산출되고, 기준 상관 계수보다 크거나 같은 {D}는 제4차 군집의 정상 군집(여덟 번째 군집, 432)으로 분류되고, 기준 상관 계수보다 작은 {E}는 제4차 군집의 비정상 군집(아홉 번째 군집, 434)으로 분류된다. 이로써 제3차 군집화(Hierarchical Depth Level = 3)는 종료된다.
제3차 군집화(Hierarchical Depth Level = 3)가 종료된 제4차 군집들(432, 434)에 대하여 제4차 군집화(Hierarchical Depth Level = 4)가 시작되어야 한다. 다만, 제4차 군집화의 대상인 여덟 번째 군집(432)과 아홉 번째 군집(434)에 포함된 대표 발전량 프로파일이 하나로서 더 이상의 분류가 불가능하므로, 계층적 이진 군집화(HBC)는 종료된다. 다시 말해, 제4차 군집이 제5차 군집들로 분류되지 않기 때문에, 계층적 이진 군집화(HBC)는 종료된다.
또한, 도 5를 참조하면, 대표 발전량 프로파일들로 ab, cd가 메모리(150)에 저장되고 신규 발전량 프로파일로 ef가 획득된 상태에서 계층적 이진 군집화(HBC)가 수행될 수 있다.
이 경우, {ab, cd, ef}가 제1차 군집(또는, 첫 번째 군집 500)으로 설정되고, 첫 번째 군집(500)에 포함된 총 3개의 발전량 프로파일들에 대하여 상관 계수가 산출된다.
첫 번째 군집(500)에 속한 {ab, cd, ef} 중 상관 계수가 기준 상관 계수보다 크거나 같은 {ab}는 제2차 군집의 정상 군집(두 번째 군집, 512)으로 분류되고, 기준 상관 계수보다 작은 {cd, ef}는 제2차 군집의 비정상 군집(세 번째 군집, 514)으로 분류된다. 이로써 제1차 군집화(Hierarchical Depth Level = 1)는 종료되고, 제2차 군집화(Hierarchical Depth Level = 2)가 시작된다.
세 번째 군집(514)에 포함된 총 2개의 발전량 프로파일들에 대하여 상관 계수가 산출되고, 기준 상관 계수보다 크거나 같은 {cd}는 제3차 군집의 정상 군집(네 번째 군집, 522)으로 분류되고, 기준 상관 계수보다 작은 {ef}는 제3차 군집의 비정상 군집(다섯 번째 군집, 524)으로 분류된다.
네 번째 군집(522) 및 다섯 번째 군집(524)에 포함된 대표 발전량 프로파일은 각각 2개로서 더 이상의 분류가 불가능하므로, 계층적 이진 군집화(HBC)는 종료된다. 따라서, 다른 실시예에 따른 프로세서(130)는 도 4를 참조하여 설명한 계층적 이진 군집화에 의하여 분류한 군집보다 작은 3개의 군집으로 분류함으로써, 처리 속도를 높일 수 있다.
프로세서(130)는 분류된 각 군집에 대하여 서로 다른 인덱스를 할당한다(S330).
프로세서(130)는 계층적 이진 군집화(HBC)로 생성된 트리의 말단에 위치한 군집들에 대하여 서로 다른 인덱스를 할당한다. 예를 들어, 도 4에 도시된 바와 같이, 말단에 위치한 네 번째 군집(422), 다섯 번째 군집(424), 일곱 번째 군집(428), 여덟 번째 군집(432) 및 아홉 번째 군집(434)에 서로 다른 인덱스가 할당된다.
또한, 프로세서(130)는 다양한 방법으로 변형하여 인덱스를 할당할 수 있다. 일 예로, 프로세서(130)는 신규 군집이 메모리에 등록되는 시기를 기준으로 서로 다른 인덱스를 할당할 수 있다. 도 4를 참조하면, 네 번째 군집(422)에 "1", 다섯 번째 군집(424)에 "2", 여덟 번째 군집(432)에 "3" 및 아홉 번째 군집(434)에 "4"가 기할당된 상태에서, 새로운 군집인 일곱 번째 군집(428)이 분류될 수 있다. 이 경우, 일곱 번째 군집(429)에는 자연수 중 가장 큰 수로 "5"가 할당될 수 있다.
다른 일 예로, 프로세서(130)는 분류가 완료된 순서대로 인덱스를 할당할 수 있다. 이 경우, 도 4를 참조하면, 네 번째 군집(422)에 "1", 다섯 번째 군집(424)에 "2", 일곱 번째 군집(428)에 "3", 여덟 번째 군집(432)에 "4" 및 아홉 번째 군집(434)에 "5"가 할당될 수 있다.
다른 일 예로, 프로세서(130)는 각 군집의 발전량 프로파일을 이용하여 각 군집의 발전량을 획득하고, 각 군집의 발전량을 기준으로 계층적 이진 군집화(HBC)에 의하여 분류된 군집들을 정렬한다. 그리고, 정렬된 순서에 따라 각 군집에 대하여 서로 다른 인덱스를 할당한다.
또 다른 일 예로, 프로세서(130)는 입력된 기상 정보에 매칭되는 각 군집에 대하여 서로 다른 인덱스를 할당할 수 있다.
프로세서(130)는 신규 발전량 프로파일 PP(k)이 속하는 군집의 인덱스를 군집 인덱스 CI(k)로 획득한다(S350).
예를 들어, 도 4를 참조하면, 프로세서(130)는 신규 발전량 프로파일 PP(k)인 "F"가 속하는 일곱 번째 군집(428)에 할당된 인덱스를 군집 인덱스 CI(k)로 획득할 수 있다.
한편, 프로세서(130)는 계층적 이진 군집화(HBC)가 종료된 후 신규 발전량 프로파일 PP(k)이 속한 군집에 기존 발전량 프로파일이 포함된 경우, 신규 발전량 프로파일 PP(k)을 이용하여 기존 발전량 프로파일을 업데이트한다.
도 4에서, 신규 발전량 프로파일이 "C"라고 하면, "C"는 기존 발전량 프로파일인 "B"와 같은 군집으로 분류된다. 프로세서(130)는 "C"를 이용해 기존 발전량 프로파일 "B"를 업데이트 한다. 예를 들어, 프로세서(130)는 "B"와 "C"를 평균화하는 방식으로 기존 발전량 프로파일 "B"를 업데이트 할 수 있다.
도 6은 하나의 발전 시스템에서 1년 동안 생성된 발전량 프로파일들을 계층적 이진 군집화에 의하여 분류한 8개의 군집들을 나타내는 예시도이다.
도 7은 도 4 및 도 5의 군집들을 이용하여 발전 시스템의 발전량을 예측한 데이터와 실제 데이터를 비교한 그래프이다.
하나의 발전 시스템에서 1년 동안 생성된 발전량 프로파일들을 본 발명에 따른 발전량 예측 방법을 이용하여 군집 개수에 대한 사전 정의 없이 계층적 이진 군집화(HBC)에 의하여 분류하였다. 그 결과, 도 4에 도시된 바와 같이, 총 8개의 대표 발전량 프로파일들이 획득되었다. 신규 발전량 프로파일이 입력될 때마다 기존 발전량 프로파일이 신규 발전량 프로파일에 의하여 업데이트 되거나, 새로운 대표 발전량 프로파일이 메모리에 등록되었다.
군집 인덱스를 이용하여 발전량을 예측한 결과, 도 7에 도시된 바와 같이, 예측 발전량과 실제 발전량이 일치하고 있음을 확인할 수 있다.
도 8은 자율 학습을 수행하는 머신 러닝(또는, 인공지능)인 HTM을 설명하기 위한 블록도이다.
예측에 사용되는 모델은 비지도 학습방식 예측 모델인 HTM을 사용한다.
HTM은 인코더(Encoder), 공간 풀러(Spatial Pooler, SP) 및 시간 메모리(Temporal Memory, TM)로 구성된다.
인코더(Encoder)는 이진 부호 패턴 형태로 인코딩된 기상 정보(Weather Information)는 입력 공간의 공간 패턴을 학습하는 공간 풀러(SP)에 입력한다. 인코더(Encoder)는 HTM에 입력되는 십진수로 표현된 데이터를 이진 벡터로 변환한다. 즉, 인코더는 사용자 데이터를 HTM 모델 내부에서 사용할 수 있도록 SDR 표현으로 변환할 수 있다. 또한, 인코더는 다른 구성 요소에서 사용하는 SDR 표현에 비해 상대적으로 밀집된 표현식으로 구성된 SDR 표현을 생성할 수 있다.
공간 풀러(SP)는 어떤 영역의 입력을 희소한 패턴으로 변환한다. 공간 풀러는 입력 값의 소집합으로부터 각 칼럼들에 연결관계를 형성하고, 각 칼럼에 어느 정도의 입력을 할당할지, 그리고 활성화된 칼럼들을 억제해 희소분포를 만든다. 이는, 공간적으로 유사한(또는, 활성화된 비트의 대부분을 공유하는) 패턴들이 하나의 공통된 표상으로 모이는 것(또는, 서로 뭉치는 것)을 의미한다.
공간 풀러(SP)는 입력 데이터를 희소 분포 표상(Sparse Distributed Representation, SDR) 형태로 변환 출력한다. 공간 풀러(SP)에서 출력되는 데이터를 '표상'이라고 호칭한다. 공간 풀러(SP)로부터의 SDR 형태의 출력은 공간 패턴 간의 시간에 따른 전환을 학습하는 시간 메모리(TM)에 전송된다. 공간 풀러(SP)에서의 표상(Representation)은 시간 메모리(TM)로부터 HTM 모델에 입력되는 시계열 데이터의 순서를 효율적으로 저장할 수 있도록 구성된다. 즉, 시계열 데이터의 상호 구별이 명확히 이루어지도록, 공간 풀러(SP)의 표상을 표현하며 공간 풀러(SP)는 오로지 이러한 목적을 만족하는 방향으로 트레이닝이 이루어진다.
시간 메모리(Temporal Memory)는 시간 풀러(Temporal Pooler)로 호칭될 수 있다. 시간 메모리는 시퀀스를 배우고 예측을 만들어낸다. 기본적인 개념은, 하나의 셀이 활성화되면, 바로 이전에 활성상태에 있던 다른 셀들과 연결을 형성한다. 이렇게 하면, 셀들은 자신의 주변 연결을 둘러봄으로써 자신이 언제 활성화될 것인지를 예측할 수 있다. 모든 셀들이 이와 같이 행동하면, 그들은 집단적으로 시퀀스를 저장하고 불러내며, 다음에 무슨 일이 일어날지를 예측할 수 있다. 패턴들의 시퀀스를 따로 저장하는 중심 저장소 같은 것은 없다. 정보는 널리 퍼져 저장되기 때문에, 시스템은 노이즈와 오류에 더 견고하게 대응할 수 있다.
분류기(Classifier)는 센트로이드 인덱스를 이용하여 예측된 센트로이드 인덱스(Predicted Centroid Index)를 획득할 수 있다.
도 8의 실시예에 따른 HTM는 시간 메모리를 사용함으로써 HTM 모델의 입력으로 인가되는 센트로이드 인덱스의 변동추세를 기억하고 이를 기반으로 다음날의 센트로이드 인덱스를 예측한다. 이때 센트로이드 인덱스는 기상 정보에 따라 변한다. 기상 정보 중 온도는 계절에 따라 변동하기 때문에 센트로이드 인덱스 시계열 데이터에는 계절성 추세가 포함될 수 있다.
센트로이드 인덱스 변동은 24시간, 즉 일 단위로 움직이기 때문에 추세를 이용하여 센트로이드 인덱스를 예측하기 위해서는 센트로이드 인덱스 변동에 영향을 미치는 기상 정보가 일 단위 추세를 형성할 수 있을 만큼 느리기 변해야 한다. 즉, 며칠 간에 걸쳐 변화하는 기상 정보에 의한 센트로이드 인덱스 변동은 시계열 데이터의 추세를 형성할 수 있다. 그러나 기상 정보의 변화가 급격할수록 센트로이드 인덱스 변동 추세 형성에 미치는 영향은 작아진다.
이하, 도 9를 참조하여 다른 실시예에 따른 HTM을 설명한다.
도 9는 다른 실시예에 따른 HTM을 설명하기 위한 블록도이다.
다른 실시예에 따른 HTM은, 인코더(Encoder), 공간 풀러(Spatial Pooler, SP) 및 분류기(Classifier)로 구성된다.
인코더(Encoder)는 HTM 모델의 입력 공간상에 효율적으로 배치되도록, 기상 정보(Weather Information)를 데이터를 HTM 내부의 데이터 표현 식인 SDR 표현으로 변환할 수 있다. 인코더는 다른 구성 요소에서 사용하는 SDR 표현에 비해 상대적으로 밀집된 표현 식으로 구성된 SDR 표현을 생성할 수 있다. 또한, 인코더는 다수의 데이터를 동시에 인코딩하여야 하는 경우에는 데이터의 구분에 따라 1로 채워지는 공간의 크기를 서로 다르게 설정함으로써 데이터 간 중요도를 부여할 수 있다.
공간 풀러(SP)는 인코더의 SDR 표현을 좀 더 커다란 공간상에 대응하는 극소 표현으로 변환할 수 있다. 공간 풀러는 입력 값의 소집합으로부터 각 칼럼들에 연결관계를 형성하고, 각 칼럼에 어느 정도의 입력을 할당할지, 그리고 활성화된 칼럼들을 억제해 희소분포를 만든다. 공간 풀러(SP)는 HTM 모델의 입력되는 기상 정보에 대응하여, 인코더의 SDR 표현들 중에서 공간상 배치의 특징들을 추출하여 공간 풀러(SP)의 표현 공간상에 이를 표현할 수 있다. 즉, 공간 풀러(SP)는, 밀집된 SDR 표현식을 가능한 한 구별이 용이하도록, 좀 더 커다란 표현 공간에서 희소 분포하는 SDR 표현으로 변환할 수 있다.
또한, 공간 풀러(SP)는 샘플시간마다 SDR 표현의 구분이 더욱 명확해지는 방향으로 트레이닝할 수 있다.
분류기(Classifier)는 공간 풀러(Spatial Pooler, SP)의 특성을 이용하여 입력된 기상 정보(Weather Information)로부터 예측된 센트로이드 인덱스(Predicted Centroid Index)를 획득할 수 있다. 또한, 분류기(Classifier)는 공간 풀러(Spatial Pooler, SP)의 공간에 표현되는 각각의 SDR 표현에 대하여 그에 상응하는 태양광 발전량의 센트로이드 인덱스(centroid index)를 매핑함으로써, 일 단위로 예측된 기상 정보를 HTM 모델에 인가할 수 있다. 따라서, 분류기는 일 단위로 예측되는 태양광 발전량 프로파일을 획득할 수 있다.
또한, 분류기(Classifier)는 매일 획득하는 기상 정보(Weather Information)와 센트로이드 인덱스를 사용하여 예측 트레이닝을 수행한다. 분류기(Classifier)는 다른 실시예에 따른 HTM에 매일 획득한 기상 정보를 입력하여 출력되는 공간 풀러(Spatial Pooler, SP)의 공간의 SDR 표현과 그날의 태양광 발전량 프로파일로부터 얻어지는 센트로이드 인덱스로 분류기를 트레이닝할 수 있다. 분류기(Classifier)는 다음날의 예측 기상 정보를 HTM 모델에 입력하여 다음날의 태양광 발전량 프로파일을 예측할 수 있다.
그러므로, 프로세서(130)는 기상 정보를 SDR 표현으로 변환하고, SDR 표현을 이용하여 군집 인덱스를 매핑함으로써, 기상 정보에 매칭되는 군집 인덱스를 획득할 수 있다. 즉, 프로세서(130)는 신규 발전량 프로파일 PP(k)이 속하는 군집의 인덱스를 기상 정보에 매칭하여 획득될 수 있다.
일 단위 태양광 발전량 센트로이드 인덱스 예측 값과 실제 센트로이드 인덱스 값과의 차이 Δ(n)는 이하의 수학식 2에 의해 정의될 수 있다.
[수학식 2]
Figure 112022054703232-pat00002
태양광 발전은 태양광 패널에 조사되는 태양광에 의하여 발전이 이루어지는 원리이기 때문에 주변 기상 환경 의존도가 높다. 즉, 태양광 발전이 이루어지는 주변 지역의 기상 환경에 따라 태양광 발전량의 차이가 발생하게 된다. 그런데 이런 기상 환경의 변화는 급격히 이루어지는 경우가 많을뿐더러 일률적인 패턴에 근거하여 변하는 것이 아니라 무작위로 변화한다고 볼 수 있다. 더욱이 기상 정보의 취득 간격이 길어질수록 변화의 정도와 무작위성은 커진다.
일 단위 태양광 발전량 프로파일은 하루 24시간 1시간 간격으로 측정된 발전량으로 구성되는 반면, 기상 정보는 하루 동안의 평균값을 사용하였다. 따라서 하루 동안의 평균 구름양, 강수량, 온도로 주어지는 기상 정보로부터 1시간 간격 발전량으로 구성된 일단위 태양광 발전량 프로파일을 예측하는 과정은 난해하다.
그러나 이하의 [표 1]과 [표 2]의 결과는 본 발명에서 제시한 예측 모델이 하루 동안의 평균 기상 정보만으로도 일 단위 태양광 발전량 프로파일을 실제 발전량 프로파일과 근접하게 예측하고 있는 것을 보여주고 있다. 특히 Δ(n)의 허용 한계 범위를 2로 설정하는 경우 약 90%의 확률로 일 단위 태양광 발전량 프로파일 예측성능을 나타내고 있다.
이하의 표 1은 Δ(n)의 빈도를 나타낸다.
n=0 n=1 n=2 n=3 n=4 n=5
Δn 211 65 52 26 10 1
또한, 이하의 표 2는 Δ(n)의 빈도를 이용하여 Δ(n)의 누적 확률을 계산한 것이다.
n=0 n=1 n=2 n=3 n=4 n=5
p(n) 0.578 0.756 0.988 0.97 0.997 1.0
다른 실시예에 따른 HTM는 하루 동안의 평균 기상 정보만으로도 일 단위 태양광 발전량 프로파일을 실제 발전량 프로파일과 근접하게 예측하고 있는 것을 보여주고 있다. 특히 Δ(n)의 허용 한계 범위를 2로 설정하는 경우 약 90%의 확률로 일단위 태양광 발전량 프로파일 예측성능을 나타내고 있다.
따라서, 다른 실시예에 따른 HTM는 단위 평균값의 기상 정보만을 이용하여 시간 대역 별로 일 단위 발전량 프로파일과 기상 정보를 나누어 예측 모델에 적용함으로써 좀 더 높은 확률로 일단위 태양광 발전량 프로파일을 예측할 수 있다.
그러므로, 다른 실시예에 따른, 시간 메모리(Temporal Memory, TM)를 사용하지 않는 경우에는 필요한 하드웨어 리소스가 작아지기 때문에 임베디드 환경이나 온라인 환경에서의 운용이 좀 더 자유로워질 수 있다.
태양광 발전량 예측은 태양광 발전 시스템의 안정적인 작동을 위한 조정 계획, 설비 규격 결정 및 효율적인 생산 계획 일정을 수립하기 위해 필수적인 요소이다. 태양광 발전 시스템에서 생산된 발전량은 기상 조건 및 시스템 작동 능력과 저장 용량에 따라 크게 달라진다. 이러한 이유로 인해 발전소 운영자는 발전소의 전반적인 운영 계획을 수립하는데 많은 어려움이 있다.
또한, 운영자의 이익을 극대화하기 위해서도 태양광 발전량 예측은 매우 중요하다. 운영자의 이익은 태양광 발전량을 정확히 예측하는 능력에 따라 크게 달라진다. 재생에너지 거래시장의 도입으로 하루 중 시간에 따라 태양광 발전 가격이 입찰되는 시장이 규모가 커짐에 따라 시간대별 태양광 발전량 예측은 더욱더 필요한 요소로 고려되고 있다. 게다가 역동적으로 변화하는 최근 기후 특성으로 인해 태양광 발전량 예측은 안정적 전력 계통량 확보와 합리적인 전력 생산 계획을 통해 전력사용 안정화에도 도움을 줄 수 있다.
탄소 저감의 목적으로 변동성이 큰 태양광 발전의 계통 점유율이 증가하면 할 수록 태양광 발전량 예측의 중요도도 증가할 수밖에 없다.
일반적으로, 전력 계통의 운영을 위해서는 하루 전 예측(또는 24시간 전 예측) 및 1시간 전 예측이 모두 필요하다. 이는 예측 오차를 줄이면서 실시간 제어를 가능하게 하기 위함이다. 그러나 종래기술에 의하면 하루 전 예측과 한 시간 전 예측을 한 모델에서 동시에 수행할 수 없는 문제가 있다.
또한, 머신 러닝을 이용한 예측 기술은 발전량 예측을 위해서는 장기간에 걸친 누적된 발전량 데이터가 있어야 하나, 신규 발전 시스템은 장기간에 걸친 발전량 누적 데이터가 없기 때문에 머신 러닝을 이용한 발전량 예측을 수행할 수 없는 문제점이 있다.
전술한 본 발명은, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드(또는, 애플리케이션이나 소프트웨어)로서 구현하는 것이 가능하다. 상술한 발전량 예측 방법은 메모리 등에 저장된 코드에 의하여 실현될 수 있다.
컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 판독될 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있으며, 또한, 캐리어 웨이브(예를 들어, 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다. 또한, 컴퓨터는 프로세서를 포함할 수도 있다. 따라서, 본 발명의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니 되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다.

Claims (10)

  1. 통신부 그리고 프로세서를 포함하는 단말기에서 상기 프로세서에 의하여 수행되는 발전량 예측 방법으로서,
    발전 시스템이 모니터링 구간 동안 생성한 발전량으로 이루어진 신규 발전량 프로파일을 획득하는 단계;
    계층적 이진 군집화를 수행하여 상기 신규 발전량 프로파일의 군집 인덱스를 획득하는 단계;
    상기 군집 인덱스와 기상 정보를 이용하여 인공지능 모델을 트레이닝 하는 단계;
    상기 인공지능 모델에 예상 기상 정보를 이용하여 미래 군집 인덱스를 획득하는 단계;
    상기 미래 군집 인덱스를 이용하여 미래 발전량 프로파일을 획득하는 단계; 및
    상기 미래 발전량 프로파일을 이용하여, 상기 발전 시스템에서 생성될 미래 발전량을 예측하는 단계
    를 포함하며,
    상기 신규 발전량 프로파일의 군집 인덱스를 획득하는 단계는,
    상기 기상 정보를 SDR 표현으로 변환하는 단계;
    상기 SDR 표현을 이용하여 상기 군집 인덱스를 매핑하는 단계; 및
    상기 기상 정보에 매칭되는 상기 신규 발전량 프로파일의 군집 인덱스를 획득하는 단계
    를 포함하는, 발전량 예측 방법.
  2. 제1항에 있어서,
    상기 신규 발전량 프로파일의 군집 인덱스를 획득하는 단계는
    데이터베이스에 저장된 하나 또는 그 이상의 기존 발전량 프로파일들과 상기 신규 발전량 프로파일 사이의 상관 계수를 이용하여 상기 계층적 이진 군집화를 수행하는 단계;
    상기 계층적 이진 군집화에 의하여 분류된 각 군집에 대하여 서로 다른 인덱스를 할당하는 단계; 및
    상기 신규 발전량 프로파일이 속하는 군집의 인덱스를 상기 신규 발전량 프로파일의 군집 인덱스로 획득하는 단계
    를 포함하는, 발전량 예측 방법.
  3. 제2항에 있어서,
    상기 계층적 이진 군집화를 수행하는 단계는,
    제n차 군집을 선택하는 단계;
    상기 제n차 군집에 속한 발전량 프로파일들 간의 상관 계수를 산출하는 단계; 및
    상기 제n차 군집에 속한 발전량 프로파일들을 산출된 상관 계수를 이용하여, 정상 군집 또는 비정상 군집으로 정의되는 2개의 제n+1차 군집들로 분류하는 단계
    를 포함하며,
    n은 자연수이고, 상기 계층적 이진 군집화는 상기 n이 1부터 점차 증가하는 방향으로 수행되며, 상기 계층적 이진 군집화는 상기 제n차 군집이 상기 제n+1차 군집들로 분류되지 않는 경우 종료되는, 발전량 예측 방법.
  4. 제3항에 있어서,
    상기 제n+1차 군집들로 분류하는 단계에서,
    상기 제n차 군집에 속한 발전량 프로파일들 중 상관 계수가 기준 상관 계수보다 높거나 같은 어느 발전량 프로파일은 상기 제n+1차 군집들 중 상기 정상 군집으로 분류되고,
    상기 제n차 군집에 속한 발전량 프로파일들 중 상관 계수가 상기 기준 상관 계수보다 낮은 어느 발전량 프로파일은 상기 제n+1차 군집들 중 상기 비정상 군집으로 분류되는, 발전량 예측 방법.
  5. 제4항에 있어서,
    상기 기준 상관 계수는 상기 발전 시스템의 위치에 따라 다르게 설정되는, 발전량 예측 방법.
  6. 제2항에 있어서,
    상기 서로 다른 인덱스를 할당하는 단계는,
    상기 각 군집의 발전량 프로파일을 이용하여 상기 각 군집의 발전량을 획득하는 단계;
    상기 각 군집의 발전량을 기준으로 상기 계층적 이진 군집화에 의하여 분류된 군집들을 정렬하는 단계; 및
    정렬된 순서에 따라 상기 각 군집에 대하여 서로 다른 인덱스를 할당하는 단계
    를 포함하는, 발전량 예측 방법.
  7. 제2항에 있어서,
    상기 계층적 이진 군집화가 종료된 후 상기 신규 발전량 프로파일이 속한 군집에 기존 발전량 프로파일이 포함된 경우, 상기 신규 발전량 프로파일을 이용하여 상기 기존 발전량 프로파일을 업데이트 하는 단계
    를 더 포함하는 발전량 예측 방법.
  8. 제1항에 있어서,
    상기 신규 발전량 프로파일의 군집 인덱스를 획득하는 단계는,
    상기 신규 발전량 프로파일이 소정 조건을 만족하는 경우, 상기 계층적 이진 군집화에 의하여 분류되는 군집 개수는 상기 신규 발전량 프로파일이 획득되기 전보다 증가되는 단계; 및
    기상 정보에 매칭되는 상기 신규 발전량 프로파일의 군집 인덱스를 획득하는 단계
    를 더 포함하는, 발전량 예측 방법.
  9. 제1항의 발전량 예측 방법을 수행하는 단말기.
  10. 제9항의 단말기를 포함하는 발전 시스템.
KR1020220063299A 2022-05-24 2022-05-24 발전량 예측 방법 및 발전량 예측 장치 KR102458759B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220063299A KR102458759B1 (ko) 2022-05-24 2022-05-24 발전량 예측 방법 및 발전량 예측 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220063299A KR102458759B1 (ko) 2022-05-24 2022-05-24 발전량 예측 방법 및 발전량 예측 장치

Publications (1)

Publication Number Publication Date
KR102458759B1 true KR102458759B1 (ko) 2022-10-26

Family

ID=83785519

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220063299A KR102458759B1 (ko) 2022-05-24 2022-05-24 발전량 예측 방법 및 발전량 예측 장치

Country Status (1)

Country Link
KR (1) KR102458759B1 (ko)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101052592B1 (ko) * 2008-11-19 2011-07-29 한국과학기술정보연구원 계층적 클러스터링에서 최적의 군집 분할 방법 및 시스템
KR101916926B1 (ko) * 2017-03-10 2018-11-12 광주과학기술원 비정상 정보 검출 기술을 적용한 스마트 미터 시스템 및 검출 방법
KR20200081098A (ko) * 2018-12-27 2020-07-07 한국남동발전 주식회사 하이브리드 예측 모델에 기반한 가상발전소 운영 시스템 및 그 방법
KR20210059243A (ko) * 2019-11-15 2021-05-25 인하대학교 산학협력단 클러스터링 번호 시퀀스와 딥러닝을 이용한 시계열 예측 방법 및 장치
KR20210074167A (ko) * 2019-12-11 2021-06-21 솔라커넥트 주식회사 태양광 발전량 예측 시스템
KR20210150344A (ko) * 2019-10-29 2021-12-10 한국전력공사 가상발전소 운영을 위한 소규모 전력자원 통합 운영 장치
KR20210158740A (ko) * 2020-06-24 2021-12-31 한국전자통신연구원 기계학습 성능 기반 클러스터링 평가 장치 및 그 방법
KR102382984B1 (ko) * 2021-09-30 2022-04-08 비케이엠 주식회사 신재생에너지 발전기의 발전량을 예측하는 단말기 및 그것의 제어 방법
KR102403035B1 (ko) * 2022-01-06 2022-05-30 비케이엠 주식회사 상관 계수 기반 계층적 이진 군집화와 군집 인덱스 기반 시계열 예측을 이용한 발전량 예측 방법 및 장치

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101052592B1 (ko) * 2008-11-19 2011-07-29 한국과학기술정보연구원 계층적 클러스터링에서 최적의 군집 분할 방법 및 시스템
KR101916926B1 (ko) * 2017-03-10 2018-11-12 광주과학기술원 비정상 정보 검출 기술을 적용한 스마트 미터 시스템 및 검출 방법
KR20200081098A (ko) * 2018-12-27 2020-07-07 한국남동발전 주식회사 하이브리드 예측 모델에 기반한 가상발전소 운영 시스템 및 그 방법
KR20210150344A (ko) * 2019-10-29 2021-12-10 한국전력공사 가상발전소 운영을 위한 소규모 전력자원 통합 운영 장치
KR20210059243A (ko) * 2019-11-15 2021-05-25 인하대학교 산학협력단 클러스터링 번호 시퀀스와 딥러닝을 이용한 시계열 예측 방법 및 장치
KR20210074167A (ko) * 2019-12-11 2021-06-21 솔라커넥트 주식회사 태양광 발전량 예측 시스템
KR20210158740A (ko) * 2020-06-24 2021-12-31 한국전자통신연구원 기계학습 성능 기반 클러스터링 평가 장치 및 그 방법
KR102382984B1 (ko) * 2021-09-30 2022-04-08 비케이엠 주식회사 신재생에너지 발전기의 발전량을 예측하는 단말기 및 그것의 제어 방법
KR102403035B1 (ko) * 2022-01-06 2022-05-30 비케이엠 주식회사 상관 계수 기반 계층적 이진 군집화와 군집 인덱스 기반 시계열 예측을 이용한 발전량 예측 방법 및 장치

Similar Documents

Publication Publication Date Title
CN110610280B (zh) 一种电力负荷短期预测方法、模型、装置及系统
CN113962364B (zh) 一种基于深度学习的多因素用电负荷预测方法
Fan et al. Development of prediction models for next-day building energy consumption and peak power demand using data mining techniques
JP5888640B2 (ja) 太陽光発電予測装置、太陽光発電予測方法及び太陽光発電予測プログラム
CN111079980B (zh) 基于自适应分类策略和混合优化svr的光功率预测方法
Dou et al. Hybrid model for renewable energy and loads prediction based on data mining and variational mode decomposition
KR102403035B1 (ko) 상관 계수 기반 계층적 이진 군집화와 군집 인덱스 기반 시계열 예측을 이용한 발전량 예측 방법 및 장치
Yao et al. Short-term load forecasting method based on feature preference strategy and LightGBM-XGboost
CN111008726B (zh) 一种电力负荷预测中类图片转换方法
CN114792156A (zh) 基于曲线特征指标聚类的光伏输出功率预测方法和系统
KR102382984B1 (ko) 신재생에너지 발전기의 발전량을 예측하는 단말기 및 그것의 제어 방법
CN114330935B (zh) 基于多种结合策略集成学习的新能源功率预测方法和系统
Shah et al. A novel prediction error-based power forecasting scheme for real pv system using pvusa model: A grey box-based neural network approach
CN114676923A (zh) 发电功率的预测方法、装置、计算机设备和存储介质
Bai et al. Improved Markov‐chain‐based ultra‐short‐term PV forecasting method for enhancing power system resilience
CN116826710A (zh) 基于负荷预测的削峰策略推荐方法、装置及存储介质
CN114611757A (zh) 基于遗传算法与改进深度残差网络的电力系统短期负荷预测方法
CN111260206A (zh) 一种光伏发电影响因素评价模型、构建方法及应用
KR102458759B1 (ko) 발전량 예측 방법 및 발전량 예측 장치
CN116502074A (zh) 一种基于模型融合的光伏发电功率预测方法及系统
CN116090635A (zh) 一种气象驱动的新能源发电功率预测方法
CN116484998A (zh) 基于气象相似日的分布式光伏电站功率预测方法及系统
CN113780644B (zh) 一种基于在线学习的光伏出力预测方法
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
CN115271242A (zh) 光伏发电功率预测模型的训练方法、预测方法、装置

Legal Events

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