KR102513348B1

KR102513348B1 - 예측제고 정산금 수익 극대화를 위한 저비용 태양광 예측 시스템 및 방법

Info

Publication number: KR102513348B1
Application number: KR1020220094718A
Authority: KR
Inventors: 함일한; 임성빈; 이병훈
Original assignee: 주식회사 에이치에너지
Priority date: 2020-04-27
Filing date: 2022-07-29
Publication date: 2023-03-23
Also published as: KR20220112724A; KR20210132446A

Abstract

본 발명의 실시예에 따른 예측제고 정산금 수익 극대화를 위한 저비용 태양광 예측 시스템은, 태양광 발전량 데이터 및 기상 예측 데이터를 포함하는 발전 자원 데이터를 수집하는 발전 자원 데이터 수집부; 무선 네트워크를 이용하여 발전 자원 데이터 수집 모듈로부터 발전 자원 데이터를 수신하고 저장하는 데이터베이스; 발전 자원 데이터로부터 맑은 날에 기초한 발전속성을 추출하는 발전속성 추출부; 추출된 발전속성을 이용하여 발전속성 모델을 생성하는 발전속성 모델 생성부; 태양광 발전량 데이터와 기상 예측 데이터의 관계를 학습하여 발전속성 예측 모델을 생성하는 발전속성 예측 모델 생성부; 일 단위로 수집되는 태양광 발전량 데이터에 대해 정규화를 수행하여 표준발전 패턴을 생성하는 표준발전 패턴 생성부(160); 및 발전 시점 하루 전에 수집되는 기상 예측 데이터를 발전속성 모델 및 발전속성 예측 모델 생성부에 적용하여 발전 시점의 발전속성을 예측하는 발전 예측부를 포함하되, 발전 시점의 발전속성을 표준발전 패턴에 적용하여 발전량을 예측할 수 있다.

Description

예측제고 정산금 수익 극대화를 위한 저비용 태양광 예측 시스템 및 방법{A SYSTEM AND METHOD FOR IMPROVING ESTIMATION TO MAXIMIZE PROFIT OF ADJUSTED PAYMENTS}

본 발명은 예측제고 정산금 수익 극대화를 위한 저비용 태양광 예측 시스템 및 방법에 관한 것으로서, 보다 상세하게는 태양광 예측의 한계를 개선함과 동시에 예측제고 정산금 수익을 극대화할 수 있는, 예측제고 정산금 수익 극대화를 위한 저비용 태양광 예측 시스템 및 방법에 관한 것이다.

현행 전력시장은 거래일 하루 전 예측수요와 입찰발전기의 공급가능량을 바탕으로 발전계획을 수립해 거래 당일 이 계획을 참고해 실시간으로 급전 운영을 하고 있다.

그러나, 태양광 등 재생에너지는 전날 발전계획 입찰에도 참여하지 않을 뿐만 아니라 해외처럼 발전량 예측 의무도 없어 급전 당일 발전량을 가늠하기 어려운 실정이다.

이에 따라 개발된 것이 ‘예측제고 정산금 제도’이다. 이 제도는 출력변동성이 큰 재생에너지 자원이 빠르게 증가함에 따라 전력계통의 안정적 운영을 위해 전력거래소가 시행한 중개사업자 중심의 제도이다. 이 제도는 일정 오차율 이내에서 태양광 발전 재생에너지 자원에 정산금(이하, “인센티브(Incentive)”라고도 함)를 지급하고, 이들의 자원이 전력 시장에서 계통 운영 안정화에 기여할 수 있도록 유도할 수 있는 특징이 있다.

그러나, 예측제고 정산금 제도는 발전량(이하, 태양광 발전량이라고도 함)에 따라 정산금을 지급하는 것을 기본으로 하기 때문에 발전량이 최대가 되는 시간대인 오전 11시에서 오후 14시 사이의 예측이 정확도가 높을수록 수익을 극대화할 수 있다. 그러나, 시간대는 기상의 변동성이 가장 큰 시간대이기도 하므로 기상과 밀접한 관련이 있는 태양광 발전량에 대한 예측의 정확도를 향상시키는 것은 한계가 있기 때문에 시간대별 예측 역시 어려운 실정이다.

이러한 문제를 해결하기 위해 인공위성 등을 이용해 기상예측의 정확도를 높이기 위한 방법들이 나오고 있지만, 엄청난 컴퓨팅(Computing)이 필요하기 때문에 고비용이 든다는 문제점이 있다. 뿐만 아니라, 인공위성으로 발전 예측을 하더라도 실제 발전 시간 대비 12시간 내지 18시간 이전이기 때문에 그 정확성 또한 담보할 만한 수준이 아니라는 치명적인 문제점이 있다. 이처럼 정산금 확보의 한계점이 개선되지 않는다면 전력 중개사업자들의 시장의 참여도는 여전히 저조할 수 있는 단점이 있다.

따라서, 기상 변동성을 고려한 시간대별 태양광 발전량 예측에 대한 저비용 고효율의 기술 개발이 필요한 실정이다.

본 발명은 상술한 기술적 문제에 대응하기 위하여 안출된 것으로, 본 발명의 목적은 종래 기술에서의 한계와 단점에 의해 발생하는 다양한 문제점을 실질적으로 보완할 수 있는 것으로, 태양광 예측의 한계를 개선함과 동시에 예측제고 정산금 수익을 극대화할 수 있는, 예측제고 정산금 수익 극대화를 위한 저비용 태양광 예측 시스템 및 방법을 제공하는데 있다.

전술한 바와 같은 과제를 해결하기 위하여 본 발명의 일 실시예에 따른 저비용 태양광 예측 시스템은, 태양광 발전량 데이터 및 기상 예측 데이터를 포함하는 발전 자원 데이터를 수집하는 발전 자원 데이터 수집부; 무선 네트워크를 이용하여 발전 자원 데이터 수집 모듈로부터 발전 자원 데이터를 수신하고 저장하는 데이터베이스; 발전 자원 데이터로부터 맑은 날에 기초한 발전속성을 추출하는 발전속성 추출부; 추출된 발전속성을 이용하여 발전속성 모델을 생성하는 발전속성 모델 생성부; 태양광 발전량 데이터와 기상 예측 데이터의 관계를 학습하여 발전속성 예측 모델을 생성하는 발전속성 예측 모델 생성부; 일 단위로 수집되는 태양광 발전량 데이터에 대해 정규화를 수행하여 표준발전 패턴을 생성하는 표준발전 패턴 생성부; 및 발전 시점 하루 전에 수집되는 기상 예측 데이터를 발전속성 모델 및 발전속성 예측 모델 생성부에 적용하여 발전 시점의 발전속성을 예측하는 발전 예측부를 포함하되, 발전 시점의 발전속성을 표준발전 패턴에 적용하여 발전량을 예측할 수 있다.

또한, 수집되는 발전 자원 데이터의 수집 간격이 등간격이 아닌 경우, 수집 간격을 일정 간격으로 리샘플링(resampling)하는 발전량 처리부를 더 포함할 수 있다.

또한, 발전량 처리부는, 발전 자원 데이터를 수집하는 과정 중 누락 데이터가 검출될 경우, 과거 데이터에 기초하여 클리닝 작업을 수행할 수 있다.

또한, 발전속성 추출부는 적어도 5분 간격의 발전량 합계를 산출한 후 데이터베이스로 전송할 수 있다.

또한, 데이터베이스에는 적어도 42시간 이상의 기상 예측 데이터가 저장될 수 있다.

또한, 발전속성은 월별 또는 계절별 최대 발전량, 최대 발전 시간, 발전 시작 시간 및 발전 종료 시간을 포함할 수 있다.

또한, 발전량 처리부에 의해 산출된 적어도 5분 간격의 발전량 보다 문턱치 이상인지 분석하여 문턱치 이상인 경우 발전인 것으로 판단하여 발전 시작 시간 및 발전 종료 시간을 산출할 수 있다.

또한, 발전속성 모델 생성부는 과거에 수집된 기상 예측 데이터를 기초로 추출된 발전속성 중 맑은 날을 기준으로 학습용 발전속성을 추출하고, 추출된 학습용 발전속성을 정규화하여 모델링할 수 있다.

또한, 발전속성 예측 모델 생성부는 머신 러닝 및 딥 러닝 중 적어도 하나를 이용하여 발전속성 예측 모델을 생성할 수 있다.

전술한 바와 같은 과제를 해결하기 위하여 본 발명의 다른 실시예에 따른 예측제고 정산금 수익 극대화를 위한 저비용 태양광 예측 방법은 발전 자원 데이터 수집부로부터 태양광 발전량 데이터 및 기상 예측 데이터를 포함하는 발전 자원 데이터를 수집하는 단계; 발전속성 추출부를 이용하여 발전 자원 데이터로부터 맑은 날에 기초한 발전속성을 추출하는 단계; 발전속성 모델 생성부에 의해 추출된 발전속성을 기초로 발전속성 모델을 생성하는 단계; 발전속성 예측 모델 생성부를 이용하여 태양광 발전량 데이터와 기상 예측 데이터의 관계를 학습하여 발전속성 예측 모델을 생성하는 단계; 표준발전 패턴 생성부에 의해 일 단위로 수집되는 태양광 발전량 데이터에 대해 정규화를 수행하여 표준발전 패턴을 생성하는 단계; 및 발전 예측부에 의해 발전 시점 하루 전에 수집되는 기상 예측 데이터를 발전속성 모델 및 발전속성 예측 모델 생성부에 적용하여 발전 시점의 발전속성을 예측하는 단계를 포함하되, 발전 시점의 발전속성을 표준발전 패턴에 적용하여 발전량을 예측할 수 있다.

기타 실시예의 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.

본 발명은 태양광 예측을 시간대별로 수행하기 보다 맑은 날 기준으로 발전속성을 예측하고, 이를 이용해 표준발전 패턴을 변형하여 발전량을 예측함으로써 정산금을 극대화할 수 있다.

본 발명은 저비용 고효율의 예측 방식을 이용함으로써 전력거래소에서 소규모 전력중개사업자에게 시장을 유도하고, 발전의 변동성에 대처함으로써 기업의 참여율을 높여 전력 거래 시장을 보다 활성화시킬 수 있다.

본 발명은 발전 예측에 들어가는 비용을 최소화함으로써 전력 중개사업자의 만족도를 높일 수 있다.

본 발명에 따른 효과는 이상에서 예시된 내용에 의해 제한되지 않으며, 더욱 다양한 효과들이 본 명세서 내에 포함되어 있다.

도 1은 본 발명의 실시예에 따른 예측제고 정산금 수익 극대화를 위한 저비용 태양광 예측 시스템의 개략도이다.
도 2는 본 발명의 실시예에 따른 통합 분석 서버의 블럭도이다.
도 3은 비교예에 따른 시간에 대한 태양광 발전량 변동성을 설명하기 위한 그래프이다.
도 4는 태양광 발전 시간대를 설명하기 위한 예시도이다.
도 5는 본 발명의 실시예에 따른 발전량을 리샘플링하는 과정을 설명하기 위한 예시도이다.
도 6a는 본 발명의 실시예에 따른 발전속성 중 최대 발전 시간 및 최대 발전량을 산출하는 과정을 설명하기 위한 그래프이다.
도 6b는 본 발명의 실시예에 따른 발전속성 중 발전 시작 시간 및 발전 종료 시간을 산출하는 과정을 설명하기 위한 그래프이다.
도 7은 본 발명의 실시예에 따른 발전속성 모델을 설명하기 위한 예시도이다.
도 8은 본 발명의 실시예에 따른 발전속성 예측 모델 생성을 위한 기상 예측 자원과 발전속성의 관계를 설명하기 위한 예시도이다.
도 9는 본 발명의 실시예에 따른 표준발전 패턴을 설명하기 위한 예시도이다.
도 10은 본 발명의 실시예에 따른 발전소 고유 패턴을 클러스터링하는 과정을 설명하기 위한 예시도이다.
도 11은 본 발명의 실시예에 따른 표준발전 분포에 따른 발전 예측과 비교예에 따른 발전 예측을 설명하기 위한 예시도이다.
도 12는 본 발명의 실시예에 따른 예측제고 정산금 수익 극대화를 위한 저비용 태양광 예측 방법을 나타낸 순서도이다.

이하의 내용은 단지 발명의 원리를 예시한다. 그러므로 당업자는 비록 본 명세서에 명확히 설명되거나 도시되지 않았지만 발명의 원리를 구현하고 발명의 개념과 범위에 포함된 다양한 장치를 발명할 수 있는 것이다. 또한, 본 명세서에 열거된 모든 조건부 용어 및 실시예들은 원칙적으로, 발명의 개념이 이해되도록 하기 위한 목적으로만 명백히 의도되고, 이와 같이 특별히 열거된 실시예들 및 상태들에 제한적이지 않는 것으로 이해되어야 한다.

또한, 이하의 설명에서 제1, 제2 등과 같은 서수식 표현은 서로 동등하고 독립된 객체를 설명하기 위한 것이며, 그 순서에 주(main)/부(sub) 또는 주(master)/종(slave)의 의미는 없는 것으로 이해되어야 한다.

상술한 목적, 특징 및 장점은 첨부된 도면과 관련한 다음의 상세한 설명을 통하여 보다 분명해질 것이며, 그에 따라 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 발명의 기술적 사상을 용이하게 실시할 수 있을 것이다.

본 발명의 여러 실시예들의 각각 특징들이 부분적으로 또는 전체적으로 서로 결합 또는 조합 가능하며, 당업자가 충분히 이해할 수 있듯이 기술적으로 다양한 연동 및 구동이 가능하며, 각 실시예들이 서로에 대하여 독립적으로 실시 가능할 수도 있고 연관 관계로 함께 실시 가능할 수도 있다.

본 명세서의 해석의 명확함을 위해, 이하에서는 본 명세서에서 사용되는 용어들을 정의하기로 한다.

본 발명의 일 실시예에 따른 “예측제고 정산금(이하, “인센티브(Incentive)”라고도 함)”은 전력계통의 안정적 운영을 위해 생성된 제도를 의미하며, 소규모 전력 중개사업자들을 시장 참여를 유도하여 시장을 활성화시킬 수 있다. 구체적으로, 태양광에 대한 시간대별 예측량 대비 실제 발전량의 오차가 8% 이내일 경우, 발전한 양에 단가를 곱해서 인센티브를 지급한다. 이때, 단가는 계통 운영 상 비용절감 총 편익을 태양광 발전량으로 나눈 값으로 정의될 수 있다.

본 발명의 일 실시예에 따른 “맑은 날”은 구름 양이 적고, 습도가 낮은 날인 것을 의미한다. 단, 맑은 날은 온도와 관련성이 낮은 것을 기본으로 한다.

본 명세서에서 사용되는 용어 “발전속성”은 기상 예측을 기준으로 예측되는 발전에 대한 속성들을 의미한다. 이때, 발전속성은 맑은 날을 기준으로 추출되는 것을 특징으로 한다. 또한, 본 발명에서 발전속성은 월별 또는 계절별 최대 발전량, 최대 발전 시간대, 발전 시작 시간 및 발전 종료 시간을 포함한다. 또한, 발전속성은 발전속성 모델, 발전속성 예측 모델, 표준발전 패턴을 생성하기 위한 구성으로서 사용되는 것을 특징으로 하며 이와 관련된 상세한 설명은 후술하기로 한다.

본 명세서에서 사용되는 용어 "발전속성 모델"은 예측의 정확도를 향상시키는 주기 함수의 차수를 찾아 사인 커브 정규화(sin curve regression)를 통해 발전 년간 발전속성을 학습함으로써, 발전속성을 모델링하는 모델을 의미한다. 이때, 발전속성 모델은 과거에 수집된 기상 예측 데이터를 이용해서 추출된 발전속성 중 맑은 날을 기준으로 생성하는 것을 특징으로 한다.

본 명세서에서 사용되는 용어 "발전속성 예측 모델"은 기상 예측 자원에 대해 발전속성과의 관계를 머신 러닝(Machine Learning) 및/또는 딥 러닝(Deep Learning) 기법을 이용하여 생성되는 모델을 의미한다. 다시 말해, 발전속성 예측 모델은 태양광 발전량 데이터와 기상 예측 데이터의 관계를 학습하여 생성되는 모델인 것을 특징으로 한다.

이하에서는, 도 1 내지 도 3을 참조하여 태양광 발전 및 이를 이용한 저비용 태양광 예측 시스템을 설명하기로 한다.

도 1은 본 발명의 실시예에 따른 예측제고 정산금 수익 극대화를 위한 저비용 태양광 예측 시스템의 개략도이다. 도 2는 비교예에 따른 시간에 대한 태양광 발전량 변동성을 설명하기 위한 그래프이다. 도 3은 태양광 발전 시간대를 설명하기 위한 예시도이다.

도 1을 참조하면, 저비용 태양광 예측 시스템(1000)은 통합 분석 서버(100), 기상 정보 제공 서버(200) 및 참여자 서버(300)를 포함한다.

저비용 태양광 예측 시스템(1000)은 정산금 수익 극대화를 위해 기상 예측에 따른 발전속성에 기초하여 발전량을 예측하는 시스템이다. 구체적으로, 일(Day) 단위 주기로 발전을 하며 기상과 밀접한 관련이 있는 태양광은 기상 이상 현상이 있지 않는 한 일반적으로 정규 분포 모양(이하, “종(Bell) 형태”라고도 함)의 일간 발전량 형태를 갖는 것을 특징으로 한다.

도 2에 도시된 바와 같이, 태양광은 한국을 기준으로 계절에 따라 오전 5시에서 오전 8시 사이(발전 시작 시간대)에 발전이 시작되고, 오전 11시에서 오후 14시 사이(최대 발전 시간대)에 최대 발전을 보이며, 오후 17시에서 오후 20시 사이(발전 종료 시간대)에 발전이 종료되는 것을 특징으로 한다.

한편, 도 2와 같이 태양광 발전 시간(PV Generation Time)을 각 시간대별로 나타낸 그래프를 구성하는 막대 그래프의 높이는 1년 중 막대 그래프에 해당하는 시간대에 발전이 일어난 수를 나타내는 것을 특징으로 한다. 이에 따라, 발전 시작 시간대에서는 오전 6시에 발전량이 많은 계절은 해가 비교적 일찍 뜨는 여름이고, 오전 8시에 발전량이 많은 계절은 해가 비교적 늦게 뜨는 겨울인 것으로 이해될 수 있다. 또한, 최대 발전 시간대에서는 계절과 무관하게 대략 오후 12시에서 오후 13시 사이(발전 피크점)에 최대 발전이 이루어지는 것으로 이해될 수 있다. 또한, 발전 종료 시간대에서는 오후 17에서 오후 18시 사이에 발전량이 많은 계절은 비교적 해가 일찍 지는 겨울이고, 오후 19시에서 오후 20시 사이에 발전량이 많은 계절은 비교적 해가 늦게 지는 여름인 것으로 이해될 수 있다.

다시 말해, 태양광 발전은 기상 이상 현상을 제외하면 최대 발전량의 차이만 있을 뿐, 일간 발전량 형태가 종 형상을 유지하는 것을 특징으로 한다. 따라서, 본 발명의 실시예에 따른 저비용 태양광 예측 시스템(1000)은 태양광 발전의 상술한 발전 특성을 기초로 저비용의 태양광 예측을 수행하는 것을 기본으로 한다. 그러나, 도 3에 도시된 바와 같이, 발전량이 최대가 되는 시간대인 오전 11시에서 오후 14시 사이에는 발전량의 변동성(PV Generation Variability)이 크기 때문에, 상기 시간대에 발전 예측의 정확도를 향상시키는 것이 정산금 수익률을 극대화하는데 영향을 줄 수 있다.

여기서, 기상 이상 현상이란 날씨가 급변하는 경우를 의미하며, 예컨대, 특정 지역에서 최대 발전 시간에 구름이 집중되는 경우, 최대 발전 시간에 비가 집중적으로 내리는 경우, 산 뒤에 위치한 지역에서 해가 지는 시간대에 갑자기 발전이 종료되는 경우 등을 포함할 수 있다.

통합 분석 서버(100)는 기상 예측 자원(이하, “기상 예측 데이터” 혹은 “기상 예측 정보”라고도 함)으로부터 발전속성을 추출하고, 발전속성에 기초해 발전속성 모델, 발전속성 예측 모델 및 표준발전 패턴을 생성하여 태양광 발전을 예측하는 구성이다. 통합 분석 서버(100)에 대한 보다 상세한 설명은 도 4 등을 참조하여 후술하기로 한다.

기상 정보 제공 서버(200)는 기상 예측 자원을 제공하는 구성이다. 예컨대, 기상 정보 제공 서버(200)는 국내 기상청, 미국 기상청(NOAA, National Oceanic and Atmospheric Administration), AccuWeather, The Weather Channel, K-Weather 등의 서비스를 이용하는 서버일 수 있다.

참여자 서버(300)는 저비용 태양광 예측 시스템(1000)에 참여해 예측제고 정산금을 얻고자 태양광 발전 예측의 한계를 개선하고자 연구하는 구성이다. 이에 따라, 참여자 서버(300)는 태양광을 발전하는 발전사이거나 발전 예측을 연구하는 연구자인 것을 특징으로 한다. 다만, 이에 제한되는 것은 아니며, 참여자 서버(300)에는 태양광 발전을 통해 정산금 수익을 얻고자 하는 중개사업자 혹은 관련자들이 모두 포함될 수 있다. 또한, 참여자 서버(300)는 서로 상이한 지역에 형성될 수도 있고 동일한 지역 내에서 복수개인 것을 특징으로 한다.

한편, 저비용 태양광 예측 시스템(1000)은 통합 분석 서버(100)에 의해 분석된 태양광 발전량의 예측 오차를 기반으로 복수의 발전소 서버(300)에 예측제고 정산금(즉, 인센티브)을 제공하는 시스템을 더 포함할 수 있다. 여기서, 예측제고 정산금을 제공하는 시스템은 한국전력거래소(KPX, Korea Power Exchange)의 시스템을 의미하는 것일 수 있다.

이하에서는, 도 4 내지 도 10을 참조하여 통합 분석 서버(100)의 구성을 상세히 설명하기로 한다.

도 4는 본 발명의 실시예에 따른 통합 분석 서버의 블럭도이다. 도 5는 본 발명의 실시예에 따른 발전량을 리샘플링하는 과정을 설명하기 위한 예시도이다. 도 6a는 본 발명의 실시예에 따른 발전속성 중 최대 발전 시간 및 최대 발전량을 산출하는 과정을 설명하기 위한 그래프이다. 도 6b는 본 발명의 실시예에 따른 발전속성 중 발전 시작 시간 및 발전 종료 시간을 산출하는 과정을 설명하기 위한 그래프이다. 도 7은 본 발명의 실시예에 따른 발전속성 모델을 설명하기 위한 예시도이다. 도 8은 본 발명의 실시예에 따른 발전속성 예측 모델 생성을 위한 기상 예측 자원과 발전속성의 관계를 설명하기 위한 예시도이다. 도 9는 본 발명의 실시예에 따른 표준발전 패턴을 설명하기 위한 예시도이다. 도 10은 본 발명의 실시예에 따른 발전소 고유 패턴을 클러스터링하는 과정을 설명하기 위한 예시도이다. 도 11은 본 발명의 실시예에 따른 표준발전 분포에 따른 발전 예측과 비교예에 따른 발전 예측을 설명하기 위한 예시도이다.

도 4를 참조하면, 통합 분석 서버(100)는 발전 자원 데이터 수집부(110), 발전량 처리부(120), 발전속성 추출부(130), 발전속성 모델 생성부(140), 발전속성 예측 모델 생성부(150), 표준발전 패턴 생성부(160), 발전 예측부(170) 및 제어부(180)를 포함할 수 있다.

발전 자원 데이터 수집부(110)는 유무선 네트워크를 이용하여 기상 정보 제공 서버(200)와 참여자 서버(300)로부터 기상 예측 데이터와 태양광 발전량을 포함하는 발전 자원 데이터를 수집하는 구성이다. 본 발명에서 네트워크는 유선, 근거리 또는 원거리 무선 통신 네트워크 일 수 있고, 또는 이들의 조합일 수 있다.

또한, 발전 자원 데이터 수집부(110)는 발전 계량기 혹은 참여자 서버(300)로부터 최소 1분 내지 최대 5분 단위로 태양광 발전량 데이터를 수집하는 것을 특징으로 한다. 여기서, 태양광 발전량 데이터를 5분 단위로 수집하는 것은 발전속성 중 발전 시작 및 발전 종료 시간을 추출하기 위해서이며, 이에 대한 상세한 설명은 도 6a 내지 도 6b를 참조하여 후술하기로 한다. 발전 자원 데이터 수집부(110)로부터 수집된 태양광 발전량 데이터는 데이터베이스에 저장된다.

또한, 발전 자원 데이터 수집부(110)는 기상 정보 제공 서버(200)로부터 최소 1시간되 단위로 기상 예측 데이터를 수집하되, 최소 42시간 이상의 기상 예측 데이터를 수집하는 것을 특징으로 한다. 발전 예측은 최소 36시간 이루어는 것이 일반적이나 실제로는 새벽 4시까지 발전 예측이 수행되므로 42시간 이상 기상 예측 데이터를 수집하여 데이터베이스에 저장하는 것으로 이해될 수 있다. 기상 예측 데이터는 지역적 특성 등에 의한 구조적 문제가 있을 수 있기 때문에 예측을 정확도를 향상시킬 수 있도록 발전소 주변 최소 2개 지점 이상에서 수집하는 것을 특징으로 한다. 또한, 기상 예측 데이터 서비스 역시 최소 2개 이상의 서비스를 통해서 수집하는 것을 특징으로 하며, 여기서 의미하는 서비스란 앞서 상술한 국내 기상청, 미국 기상청(NOAA, National Oceanic and Atmospheric Administration), AccuWeather, The Weather Channel, K-Weather 등을 의미한다. 발전 자원 데이터 수집부(110)로부터 수집된 기상 예측 데이터는 태양광 발전량 데이터와 마찬가지로 데이터베이스에 저장된다.

발전 자원 데이터는 등주기 간격으로 데이터를 수집한다고 하더라도 등주기 간격(이하, “등간격”이라고도 함) 보다 넓게 혹은 좁은 간격으로 수집될 수 있기 때문에, 발전량 처리부(120)는 등간격으로 수집되지 않은 발전 자원 데이터의 수집 간격을 일정 간격으로 리샘플링(resampling)하는 구성이다.

또한, 발전 자원 데이터를 수집하는 과정 중 통신 장애 등의 문제로 누락 데이터가 검출되면 도 5에 도시된 바와 같이 7월 7일 이전에 데이터가 치솟는 에러 현상(Error)이 발생할 수 있기 때문에, 발전량 처리부(120)는 수집된 과거 데이터에 기초하여 클리닝(cleaning) 작업을 수행하는 것을 특징으로 한다. 즉, 에러가 발생한 시점 이전의 과거 발전량 데이터를 참조하여 누락 데이터에 대한 복원을 수행하게 되면 도 5의 오른쪽에 도시된 클리닝된 태양광 발전량 그래프(Cleaned PV Generation)와 같이 비교적 일정한 양의 태양광 발전량이 등주기 간격으로 수집되는 것을 특징으로 한다. 이때, 리샘플링된 태양광 발전량 데이터는 입찰 기준인 1시간 간격으로 발전량 합계를 산출한 후 데이터베이스에 저장한다. 본 발명에서 클리닝 작업은 모델 생성에 대한 학습을 위한 것일 뿐, 예측과는 전혀 무관한 것으로 이해되는 것이 바람직하다. 단, 최초로 모델을 생성하기 이전에는 수집된 과거 데이터의 평균에 기초해서 클리닝을 수행하고, 모델이 생성된 후에는 모델을 기초로 클리닝을 수행하여 과거에 누락된 시간대에 발전이 얼만큼 될지 판단할 수 있다.

발전속성 추출부(130)는 발전 자원 데이터 수집부(110)를 통해 5분 단위로 수집된 태양광 발전량 데이터를 이용하여 발전 시작 시간 및 발전 종료 시간을 산출하는 구성이다. 발전속성 추출부(130)는 발전량 처리부에 의해 산출된 상기 적어도 5분 간격의 발전량 보다 문턱치 이상인지 분석하여 문턱치 이상인 경우 발전인 것으로 판단하여 상기 발전 시작 시간 및 발전 종료 시간을 산출하는 것을 특징으로 한다. 다시 말해, 태양이 진 밤에도 달 빛, 조명 빛 등에 의해 소량 발전이 이루어질 수 있기 때문에, 이때의 시간대인 오후 9시에서 새벽 4시 사이의 5분 단위 발전량과 비교하여 이 시간대의 발전량을 기준으로 기 설정된 문턱치 이상인 경우에 발전 시작 시간와 발전 종료 시간을 각각 산출할 수 있다. 이때, 산출되는 발전 시작 시간과 발전 종료 시간 사이의 범위는 발전 시간대라고 지칭될 수 있다.

이어서, 발전 시작 시간과 발전 종료 시간이 산출된 후(이하, “발전 시간대가 산출된 후”라고도 함)에는 발전 시간대 내에서 발전량이 최대인 지점의 최대 발전량 및 최대 발전량이 산출되는 최대 발전 시간을 산출할 수 있다. 이때, 발전 시간대 내에서 당일 시간대별(예컨대, 5분, 15분, 1시간 단위), 일별, 월별 누적 발전량을 산출할 수도 있다. 이에, 도 6a를 참조하면, 파란선은 최대 발전량을 나타내고, 빨간 점선은 발전 시간을 나타내는 것으로서, 발전량이 12시 전후로 급격하게 움직이는 것을 알 수 있다.

도 6b를 참조하면, 파란선은 발전 시작 시간을 나타내고, 빨간선은 발전 종료 시간을 나타낸다. 도 6b를 참조하면, 겨울철(1월(Jan 2019), 12월(Dec 2019))에는 해가 대략 오전 8시에 떠서 오후 18시 정도에 지는 것을 알 수 있고, 여름철(7월(Jul 2019))에는 해가 6시에 떠서 오후 20시 정도에 지는 것을 알 수 있다.

발전속성 모델 생성부(140)는 과거에 수집된 기상 예측 데이터를 이용해서 추출된 발전속성 중 맑은 날을 기준으로 학습용 발전속성을 추출하는 구성이다. 앞서 상술한 바와 같이, 발전속성은 자연법칙에 따라 1년의 주기로 변화되는 것이 명확한 것을 특징으로 하며, 맑은 날에만 기초하여 발전속성 중 최대 발전량을 추출하면 도 7에 도시된 바와 같이 sin파 형상의 주기 함수로 정규화되어 모델링되는 것을 특징으로 한다. 도 7에 도시된 3개의 sin파 그래프는 시간에 따라 주파수가 발전량이 고정되거나 변화되는 것일 뿐, 사인 커브(sin curve) 형상은 유지되는 것이다. 이는 여름철의 기상이 운량(雲量)의 증가, 태풍, 비 등으로 인해 가을/겨울철에 비해 예측의 정확도가 떨어질 수 있기 때문에 주기성을 띄는 걸로 모델링을 하는 것이 필요하다. 이에, 본 발명의 발전속성 모델 생성부(140)는 예측의 정확도를 향상시키는 주기 함수의 차수를 찾아 사인 커브 정규화를 통해 발전 년간 발전속성을 모델링하는 것을 특징으로 한다.

이처럼 발전속성 모델 생성부(140)는 발전속성 학습을 위해 시계열 모델을 사용하지 않는 것을 기본으로 하나, 실시예에 따라서는 Polynomial Regression, RNN, LSTM, ARIMA, 기타 시계열 데이터 모델 등으로 발전속성을 학습할 수도 있다.

이어서, 과거에 발전 자원 데이터 수집부(110)를 통해 수집된 기상 예측 데이터를 이용해서 각 기상 예측 자원과 최대 발전량과의 상관 관계를 분석하면 최대 발전량에 영향을 주는 기상 예측 자원을 추출할 수 있다. 도 8에 도시된 바와 같이, 기상 예측 자원에는 구름(cloud), 습도(humidity), 온도(temp), 기압(ground press), 최대 온도(temp max), 풍속(wind speed), 최소 온도(temp min) 등이 포함될 수 있다. 도 8의 가로축은 기상 예측 자원이고 세로축은 발전량을 나타내는 것으로, 구름(양), 습도, 기압은 발전량에 영향을 주지만 나머지 기상 예측 자원은 구름(양), 습도, 기압 보다 상대적으로 관련성이 낮을 것을 알 수 있다.

또한, 발전속성 예측 모델 생성부(140)는 기상 예측 자원에 대해 발전속성과의 관계를 머신 러닝(Machine Learning) 및/또는 딥 러닝(Deep Learning) 기법을 이용하여 발전속성 예측 모델을 생성할 수 있다.

표준발전 패턴 생성부(160)는 앞서 상술한 바와 같이 구조적인 문제가 있을 수 있기 때문에 이를 방지하기 위해 표준발전 패턴을 생성하는 구성이다. 표준발전 패턴은 일 단위로 수집되는 태양광 발전량 데이터에 대해 정규화를 수행함으로써 생성되는 패턴을 의미한다. 구체적으로, 일 단위로 수집되는 태양광 발전량을 최대 발전량으로 정규화하여 당일 발전량을 산출한다. 이때, 최대 발전량으로 정규화한다는 것은 도 9에 도시된 바와 같이 일 단위 태양광 발전량의 높이를 1로 설정하는 것을 의미한다. 이어서, 발전 시작 시간 및 발전 종료 시간을 기준으로 당일 최대 발전 시간에 대한 정규화를 수행하고, 발전 시간 정규화를 수행하면 복수의 발전소로부터 수집된 복수의 일 단위 태양광 발전량 데이터는 우측에 도시된 그래프와 같이 노멀라이즈(normalize)되는 것을 특징으로 한다.

이때, 도 9의 우측에 도시된 그래프와 같이, 정규화된 발전량 데이터를 클러스터링(clustering, 이하, “군집 분석”라고도 함)하면, 도 10 (a), (b)에 도시된 바와 같이, 각 발전소를 대표하는 고유 패턴 군집을 추출할 수 있다. 여기서, 추출된 발전소 별 고유 패턴 군집에서 평균, 중간값 등을 이용하여 도 10 (c)에 도시된 바와 같은 표준발전 패턴을 생성할 수 있다. 표준발전 패턴은 전체일의 정규화된 발전량 데이터로 부터 생성하는 것을 기본으로 하나 계절에 따라 발전소의 구조적 문제로 발전패턴이 변경될 수 있기 때문에 월별 또는 계절별로 표준발전 패턴을 따로 만들 수 있다.

발전 예측부(170)는 발전 시점 하루 전에 수집되는 기상 예측 데이터를 발전속성 모델 및 발전속성 예측 모델 생성부에 적용하여 발전 시점의 발전속성을 예측하는 구성이다. 발전량 예측부(170)는 예측된 발전속성을 표준발전 패턴에 적용한 후 1시간 단위의 발전량 예측을 수행할 수 있다.

따라서, 본 발명은 발전속성에 기초하여 발전량을 예측하는 방식을 이용할 경우에 기상 변동성을 고려하지 않고 태양광 발전 예측을 한 경우 보다 오차율을 최소화하여 보다 정확한 예측을 할 수 있는 효과가 있다. 이에, 도 11을 참조하면, 표준발전 분포에 기초하여 태양광 발전을 예측한 경우가 기상을 전혀 고려하지 않고 2일치의 평균 데이터를 이용하여 발전 당일 태양광 발전을 예측하는 경우에 비해 오차율이 정확성이 크게 차이나는 것을 알 수 있다. 구체적으로, 도 11에서 평균 파란색 선은 클러스터링으로 만든 표준발전 분포에 기초하여 예측한 데이터(clustering)를 나타내고, 빨간색 선은 직전 2일의 태양광 발전량의 평균(2 days mean)을 나타내고, 초록색 선은 실제로 관측된 발전 분포 값(observed)을 나타낸다. 또한, 도 11에서 (1) 내지 (14)는 하기 표 1에서 2019-12-01 부터 2019-01-15까지의 분포를 순서대로 도시한 예시도이며, 표 1에서도 알 수 있듯이, 기상을 전혀 고려하지 않은 상태에서 2일치 평균으로 발전을 예측한 경우와 표준발전 분포에 따라 발전 예측을 한 경우는 15일 평균 절대 오차가 1.46(0.1-0.06) 차이나는 것을 알 수 있다.

<표 1>

제어부(180)는 통합 분석 서버(100)의 구성들을 제어하는 구성으로서, 제어부(170)를 통해 저비용 태양광 예측 시스템(1000)과 전력 중개 시스템 사이에서 발전량 예측 및 예측제고 정산금 산출을 제어할 수 있다.

도 12는 본 발명의 실시예에 따른 예측제고 정산금 수익 극대화를 위한 저비용 태양광 예측 방법을 나타낸 순서도이다. 각 단계의 구성에 대한 설명은 도 1 내지 도 11에서 설명한 내용과 실질적으로 동일하므로 중복 설명은 생략하기로 한다.

먼저, 발전 자원 데이터 수집부(110)로부터 태양광 발전량 데이터 및 기상 예측 데이터를 포함하는 발전 자원 데이터를 수집한다(S100). 이어서, 발전속성 추출부(130)를 이용하여 상기 발전 자원 데이터로부터 맑은 날에 기초한 발전속성을 추출한다(S200). 이어서, 발전속성 모델 생성부(140)에 의해 추출된 상기 발전속성을 기초로 발전속성 모델을 생성한다(S300). 이어서, 발전속성 예측 모델 생성부(150)를 이용하여 상기 태양광 발전량 데이터와 상기 기상 예측 데이터의 관계를 학습하여 발전속성 예측 모델을 생성한다(S400). 이어서, 표준발전 패턴 생성부(160)에 의해 일 단위로 수집되는 태양광 발전량 데이터에 대해 정규화를 수행하여 표준발전 패턴을 생성한다(S500). 이어서, 발전 예측부(170)에 의해 발전 시점 하루 전에 수집되는 기상 예측 데이터를 상기 발전속성 모델 및 발전속성 예측 모델에 적용하여 발전 시점의 발전속성을 예측한다(S600). 이때, 발전 시점의 발전속성은 표준발전 패턴에 적용하여 발전량을 예측하는 것을 특징으로 한다(이하, ‘최종 발전 예측’단계(도 12의 S700 단계)를 더 포함할 수 있음’). 다시 말해, 발전 시점 하루 전에 예측된 발전속성을 표준발전 패턴에 적용하여 발전 시점의 최종 발전 예측을 수행하는 것을 특징으로 한다(S700).

종래의 예측제고 정산금 제도는 발전량(이하, 태양광 발전량이라고도 함)에 따라 정산금을 지급하는 것을 기본으로 하기 때문에 발전량이 최대가 되는 시간대인 오전 11시에서 오후 14시 사이의 예측이 정확도가 높을수록 수익을 극대화할 수 있다. 그러나, 시간대는 기상의 변동성이 가장 큰 시간대이기도 하므로 기상과 밀접한 관련이 있는 태양광 발전량에 대한 예측의 정확도를 향상시키는 것은 한계가 있기 때문에 시간대별 예측 역시 어려운 실정이다.

이러한 문제를 해결하기 위해 인공위성 등을 이용해 기상을 예측의 정확도를 높이기 위한 방법들이 나오고 있지만, 이 역시 엄청난 컴퓨팅(Computing)이 필요하기 때문에 고비용이 요구된다는 문제점이 있다.

뿐만 아니라, 인공위성으로 발전 예측을 하더라도 실제 발전 시간 대비 12시간 내지 18시간 이전이기 때문에 그 정확성 또한 담보할 만한 수준이 아니라는 치명적인 문제점이 있다. 이처럼 정산금 확보의 한계점이 개선되지 않는다면 전력 중개사업자들의 시장의 참여도는 여전히 저조할 수 있는 단점이 있다.

이에 반해, 본 발명은 태양광 예측을 시간대별로 수행하기 보다 맑은 날 기준으로 발전속성을 예측하고, 이를 이용해 표준발전 패턴을 변형하여 발전량을 예측함으로써 정산금을 극대화할 수 있는 효과가 있다.

또한, 본 발명은 저비용 고효율의 예측 방식을 이용함으로써 전력거래소에서 소규모 전력중개사업자에게 시장을 유도하고, 발전의 변동성에 대처함으로써 기업의 참여율을 높여 전력 거래 시장을 보다 활성화시킬 수 있다.

또한, 본 발명은 발전 예측에 들어가는 비용을 최소화함으로써 전력 중개사업자의 만족도를 높일 수 있다.

이상 첨부된 도면을 참조하여 본 발명의 실시예들을 더욱 상세하게 설명하였으나, 본 발명은 반드시 이러한 실시예로 국한되는 것은 아니고, 본 발명의 기술사상을 벗어나지 않는 범위 내에서 다양하게 변형 실시될 수 있다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

Claims

태양광 발전량 데이터 및 기상 예측 데이터를 포함하는 발전 자원 데이터를 수집하는 발전 자원 데이터 수집부;
무선 네트워크를 이용하여 상기 발전 자원 데이터 수집 모듈로부터 상기 발전 자원 데이터를 수신하고 저장하는 데이터베이스;
상기 발전 자원 데이터로부터 맑은 날에 기초한 발전속성을 추출하는 발전속성 추출부;
추출된 상기 발전속성을 이용하여 발전속성 모델을 생성하는 발전속성 모델 생성부;
상기 태양광 발전량 데이터와 상기 기상 예측 데이터의 관계를 학습하여 발전속성 예측 모델을 생성하는 발전속성 예측 모델 생성부;
일 단위로 수집되는 태양광 발전량 데이터에 대해 정규화를 수행하여 표준발전 패턴을 생성하는 표준발전 패턴 생성부; 및
발전 시점 하루 전에 수집되는 기상 예측 데이터를 상기 발전속성 모델 및 상기 발전속성 예측 모델 생성부에 적용하여 발전 시점의 발전속성을 예측하는 발전 예측부를 포함하되,
상기 발전 시점의 발전속성을 상기 표준발전 패턴에 적용하여 발전량을 예측하고, 상기 발전속성 모델은 예측의 정확도를 향상시키는 주기함수의 차수에 기초하여 정규화된 사인 커브 그래프를 기초로 모델링되는, 예측제고 정산금 수익 극대화를 위한 저비용 태양광 예측 시스템.
제1항에 있어서,
수집되는 상기 발전 자원 데이터의 수집 간격이 등간격이 아닌 경우, 상기 수집 간격을 일정 간격으로 리샘플링(resampling)하는 발전량 처리부를 더 포함하는, 예측제고 정산금 수익 극대화를 위한 저비용 태양광 예측 시스템.
제2항에 있어서,
상기 발전량 처리부는,
상기 발전 자원 데이터를 수집하는 과정 중 누락 데이터가 검출될 경우, 과거 데이터에 기초하여 클리닝 작업을 수행하는, 예측제고 정산금 수익 극대화를 위한 저비용 태양광 예측 시스템.
제2항에 있어서,
상기 발전량 처리부는 입찰 기준인 1시간 간격의 발전량 합계를 산출한 후 상기 데이터베이스로 전송하는, 예측제고 정산금 수익 극대화를 위한 저비용 태양광 예측 시스템.
제1항에 있어서,
상기 데이터베이스에는 적어도 42시간 이상의 상기 기상 예측 데이터가 저장되는, 예측제고 정산금 수익 극대화를 위한 저비용 태양광 예측 시스템.
제1항에 있어서,
상기 발전속성은 월별 또는 계절별 최대 발전량, 최대 발전 시간, 발전 시작 시간 및 발전 종료 시간을 포함하는, 예측제고 정산금 수익 극대화를 위한 저비용 태양광 예측 시스템.
제1항에 있어서,
상기 발전속성 모델 생성부는 과거에 수집된 상기 기상 예측 데이터를 기초로 추출된 발전속성 중 맑은 날을 기준으로 학습용 발전속성을 추출하고, 추출된 상기 학습용 발전속성을 정규화하여 모델링하는, 예측제고 정산금 수익 극대화를 위한 저비용 태양광 예측 시스템.
제1항에 있어서,
상기 발전속성 예측 모델 생성부는 머신 러닝 및 딥 러닝 중 적어도 하나를 이용하여 상기 발전속성 예측 모델을 생성하는, 예측제고 정산금 수익 극대화를 위한 저비용 태양광 예측 시스템.
발전 자원 데이터 수집부로부터 태양광 발전량 데이터 및 기상 예측 데이터를 포함하는 발전 자원 데이터를 수집하는 단계;
발전속성 추출부를 이용하여 발전 자원 데이터로부터 맑은 날에 기초한 발전속성을 추출하는 단계;
발전속성 모델 생성부에 의해 추출된 상기 발전속성을 기초로 발전속성 모델을 생성하는 단계;
발전속성 예측 모델 생성부를 이용하여 상기 태양광 발전량 데이터와 상기 기상 예측 데이터의 관계를 학습하여 발전속성 예측 모델을 생성하는 단계;
표준발전 패턴 생성부에 의해 일 단위로 수집되는 태양광 발전량 데이터에 대해 정규화를 수행하여 표준발전 패턴을 생성하는 단계; 및
발전 예측부에 의해 발전 시점 하루 전에 수집되는 기상 예측 데이터를 상기 발전속성 모델 및 상기 발전속성 예측 모델 생성부에 적용하여 발전 시점의 발전속성을 예측하는 단계를 포함하되,
상기 발전 시점의 발전속성을 상기 표준발전 패턴에 적용하여 발전량을 예측하고, 상기 발전속성 모델은 예측의 정확도를 향상시키는 주기함수의 차수에 기초하여 정규화된 사인 커브 그래프를 기초로 모델링되는, 예측제고 정산금 수익 극대화를 위한 저비용 태양광 예측 방법.