KR102515608B1 - 태양광 발전량 예측 방법 및 시스템 - Google Patents

태양광 발전량 예측 방법 및 시스템 Download PDF

Info

Publication number
KR102515608B1
KR102515608B1 KR1020200159204A KR20200159204A KR102515608B1 KR 102515608 B1 KR102515608 B1 KR 102515608B1 KR 1020200159204 A KR1020200159204 A KR 1020200159204A KR 20200159204 A KR20200159204 A KR 20200159204A KR 102515608 B1 KR102515608 B1 KR 102515608B1
Authority
KR
South Korea
Prior art keywords
solar
power generation
sites
space
time matrix
Prior art date
Application number
KR1020200159204A
Other languages
English (en)
Other versions
KR20220071740A (ko
Inventor
김홍석
정재익
Original Assignee
서강대학교 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 서강대학교 산학협력단 filed Critical 서강대학교 산학협력단
Priority to KR1020200159204A priority Critical patent/KR102515608B1/ko
Publication of KR20220071740A publication Critical patent/KR20220071740A/ko
Application granted granted Critical
Publication of KR102515608B1 publication Critical patent/KR102515608B1/ko

Links

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
    • H02S50/10—Testing of PV devices, e.g. of PV modules or single PV cells
    • 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

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Photovoltaic Devices (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

태양광 발전량 예측 방법 및 시스템이 제공된다. 태양광 발전량 예측 방법은, 복수의 태양광 사이트의 공간 정보를 1차원 벡터로 표현하는 단계; 상기 1차원 벡터로 표현된 상기 공간 정보와 시간 정보를 이용하여 입력 시공간 행렬 및 목표 시공간 행렬을 생성하는 단계; 상기 입력 시공간 행렬 및 상기 목표 시공간 행렬을 이용하여 뉴럴 네트워크 학습을 수행하는 단계; 및 상기 학습을 통해 태양광 발전량 예측 모델의 파라미터를 결정하는 단계를 포함할 수 있다.

Description

태양광 발전량 예측 방법 및 시스템{PHOTOVOLTAIC FORECASTING METHOD AND SYSTEM}
본 발명은 태양광 발전량 예측 방법 및 시스템에 관한 것이다.
태양광 발전량에 큰 영향을 미치는 날씨 요인으로서 구름의 양과 움직임을 들 수 있다. 구름의 양과 움직임을 추적하여 태양광 발전량 예측 정확도를 향상시키기 위해 다중 사이트(Multi-Site)의 시공간 정보가 활용될 수 있다. 이를 위해 시공간 정보를 표현하는 방법들에 대한 연구가 진행되고 있다.
예를 들어, 다중 사이트 태양광 발전량을 과거 시간대별로 하나의 벡터로 표현하여 활용하는 방법이 사용될 수 있다. 이러한 방법은 각 시간대별로 만들어진 벡터를 그대로 입력으로 활용할 수 있어 구현 복잡도가 높지 않으나, 이들 벡터에는 각 사이트들의 공간 정보가 전혀 표현되지 않기 때문에, 구름의 양과 움직임을 제대로 추적할 수 없어서 예측 정확도가 높지 않다.
다른 예를 들어, 공간 정보를 2차원 또는 그래프로 과거 시간대별로 하나씩 나타내어 표현하는 방법이 사용될 수 있다. 이러한 방법은 공간 정보를 학습함으로써 구름의 양과 움직임을 비교적 양호하게 추적할 수 있으나, 각 시간대별로 하나씩 표현되는 2차원 또는 그래프를 학습하기 위한 구현이 복잡도가 매우 높다. 또한, 모델 자체의 복잡도가 높기 때문에, 적은 양의 데이터로 학습했을 때 과적합(Overfitting)의 위험도가 매우 높다. 이로 인해, 이러한 방법은 학습에 상당히 긴 시간 동안 축적된 과거 데이터, 예를 들어 5년 이상의 과거 데이터를 사용해야 한다. 그런데, 태양광 사이트는 신 재생에너지의 중요성이 부각됨에 따라 최근에야 들어서 늘어나고 있는 추세이기 때문에, 대부분의 태양광 사이트들은, 예를 들어 5년 이상의 데이터를 보유하고 있지 못하다. 또한, 새로이 설치되는 태양광 사이트들은 그 자체만의 위치 정보를 갖고 있기 때문에 전이 학습(Transfer Learning)을 활용하는 것도 불가능하다.
따라서, 새로운 태양광 사이트에도 적용이 가능하며 공간 정보를 활용할 수 있는 다중 사이트 태양광 예측 알고리즘에 대한 요구가 높아지고 있다.
본 발명이 해결하고자 하는 과제는, 다중 사이트의 태양광 발전량의 시공간 정보를 단순하면서도 효율적인 방식으로 표현함으로써, 구현 복잡도가 낮으면서도 태양광 발전량 예측 정확도를 향상시킬 수 있는 태양광 발전량 예측 방법 및 시스템을 제공하기 위한 것이다.
본 발명의 일 실시 예에 따른 태양광 발전량 예측 방법은, 복수의 태양광 사이트의 공간 정보를 1차원 벡터로 표현하는 단계; 상기 1차원 벡터로 표현된 상기 공간 정보와 시간 정보를 이용하여 입력 시공간 행렬 및 목표 시공간 행렬을 생성하는 단계; 상기 입력 시공간 행렬 및 상기 목표 시공간 행렬을 이용하여 뉴럴 네트워크 학습을 수행하는 단계; 및 상기 학습을 통해 태양광 발전량 예측 모델의 파라미터를 결정하는 단계를 포함할 수 있다.
상기 공간 정보를 1차원 벡터로 표현하는 단계는, 하기의 수학식 1을 이용하여 제1 태양광 사이트 s(1)을 선택하는 단계를 포함할 수 있다.
[수학식 1]
Figure 112020126577891-pat00001
(여기서, P1은 모든 태양광 사이트들을 포함하는 집합이고, p, q는 상기 P1에 속하는 태양광 사이트 중 임의의 두 태양광 사이트이고, D(p, q)는 p와 q 사이의 거리임)
상기 공간 정보를 1차원 벡터로 표현하는 단계는, 상기 s(1)부터 시작하여 상기 s(1)과 가장 가까운 태양광 사이트를 선택해 나가는 과정을 반복함으로써, 상기 P1에 속하는 모든 태양광 사이트들에 대한 상기 공간 정보를 상기 1차원 벡터로 표현하는 단계를 포함할 수 있다.
상기 s(1)과 가장 가까운 태양광 사이트를 선택해 나가는 과정을 반복하는 것은, 하기의 수학식 2를 이용하여 s(n)을 선택하는 것을 포함할 수 있다.
[수학식 2]
Figure 112020126577891-pat00002
(여기서, 상기 s(n)은 n번째로 선택되는 태양광 사이트이고, s(n-1)은 n-1번째로 선택된 태양광 사이트이고, Pn은 n번째 선택 과정에서 아직 선택되지 않은 태양광 사이트들을 포함하는 집합이고, N은 상기 P1에 대한 절대값임)
상기 입력 시공간 행렬은, 과거 M개(여기서 M은 자연수)의 상기 시간 정보를 이용하여, 상기 복수의 태양광 사이트의 과거 태양광 발전량을 2차원으로 표현한 행렬을 포함할 수 있다.
상기 목표 시공간 행렬은, 미래 H개(여기서 H는 자연수)의 시간대 후까지 예측되는 상기 복수의 태양광 사이트의 목표 태양광 발전량을 2차원으로 표현한 행렬을 포함할 수 있다.
상기 학습을 수행하는 단계는, 상기 입력 시공간 행렬에 대해 상기 뉴럴 네트워크를 통과한 출력 시공간 행렬과 상기 목표 시공간 행렬 사이의 오차를 최소화하도록 상기 파라미터의 값을 연산하는 단계를 포함할 수 있다.
상기 태양광 발전량 예측 방법은, 상기 태양광 발전량 예측 모델을 이용하여, 새로운 복수의 태양광 사이트에 대해 태양광 발전량을 예측하는 단계를 더 포함할 수 있다.
본 발명의 일 실시 예에 따른 태양광 발전량 예측 시스템은, 복수의 태양광 사이트의 공간 정보를 1차원 벡터로 표현하는 공간 정보 생성 모듈; 상기 1차원 벡터로 표현된 상기 공간 정보와 시간 정보를 이용하여 입력 시공간 행렬 및 목표 시공간 행렬을 생성하는 시공간 행렬 생성 모듈; 및 상기 입력 시공간 행렬 및 상기 목표 시공간 행렬을 이용하여 뉴럴 네트워크 학습을 수행하고, 태양광 발전량 예측 모델의 파라미터를 결정하는 학습 모듈을 포함할 수 있다.
상기 공간 정보 생성 모듈은, 하기의 수학식 1을 이용하여 제1 태양광 사이트 s(1)을 선택할 수 있다.
[수학식 1]
Figure 112020126577891-pat00003
(여기서, P1은 모든 태양광 사이트들을 포함하는 집합이고, p, q는 상기 P1에 속하는 태양광 사이트 중 임의의 두 태양광 사이트이고, D(p, q)는 p와 q 사이의 거리임)
상기 공간 정보 생성 모듈은, 상기 s(1)부터 시작하여 상기 s(1)과 가장 가까운 태양광 사이트를 선택해 나가는 과정을 반복함으로써, 상기 P1에 속하는 모든 태양광 사이트들에 대한 상기 공간 정보를 상기 1차원 벡터로 표현할 수 있다.
상기 s(1)과 가장 가까운 태양광 사이트를 선택해 나가는 과정을 반복하는 것은,
하기의 수학식 2를 이용하여 s(n)을 선택하는 것을 포함할 수 있다.
[수학식 2]
Figure 112020126577891-pat00004
(여기서, 상기 s(n)은 n번째로 선택되는 태양광 사이트이고, s(n-1)은 n-1번째로 선택된 태양광 사이트이고, Pn은 n번째 선택 과정에서 아직 선택되지 않은 태양광 사이트들을 포함하는 집합이고, N은 상기 P1에 대한 절대값임)
상기 입력 시공간 행렬은, 과거 M개(여기서 M은 자연수)의 상기 시간 정보를 이용하여, 상기 복수의 태양광 사이트의 과거 태양광 발전량을 2차원으로 표현한 행렬을 포함할 수 있다.
상기 목표 시공간 행렬은, 미래 H개(여기서 H는 자연수)의 시간대 후까지 예측되는 상기 복수의 태양광 사이트의 목표 태양광 발전량을 2차원으로 표현한 행렬을 포함할 수 있다.
상기 학습 모듈은, 상기 입력 시공간 행렬에 대해 상기 뉴럴 네트워크를 통과한 출력 시공간 행렬과 상기 목표 시공간 행렬 사이의 오차를 최소화하도록 상기 파라미터의 값을 연산할 수 있다.
상기 태양광 발전량 예측 시스템은, 상기 태양광 발전량 예측 모델을 이용하여, 새로운 복수의 태양광 사이트에 대해 태양광 발전량을 예측하는 태양광 발전량 예측 모듈을 더 포함할 수 있다.
본 발명의 실시 예들에 따르면, 다중 사이트 태양광 발전량 예측에 있어서, 복수의 태양광 사이트의 공간 정보를 1차원으로 표현한 후, 이를 시간 정보와 결합하여 시공간 정보를 하나의 2차원 행렬로 표현함으로써, 뉴럴 네트워크 학습을 통해 구성하는 태양광 발전량 예측 모델의 복잡도를 낮출 수 있다.
또한, 복잡도가 낮은 태양광 발전량 예측 모델로 학습 가능하도록 다중 사이트의 태양광 발전량의 시공간 정보를 단순하면서도 효율적인 방식으로 표현함으로써, 태양광 발전량 예측 시스템의 전체적인 구현 복잡도를 낮출 수 있으면서도 태양광 발전량 예측 정확도를 향상시킬 수 있다.
도 1은 본 발명의 일 실시 예에 따른 태양광 발전량 예측 시스템을 설명하기 위한 블록도이다.
도 2는 본 발명의 일 실시 예에 따른 태양광 발전량 예측 방법을 설명하기 위한 흐름도이다.
도 3은 본 발명의 일 실시 예에 따른 탐욕적 인접 알고리즘(GAA) 및 시공간 행렬을 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시 예에 따른 입력 시공간 행렬, 목표 시공간 행렬 및 출력 시공간 행렬을 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시 예에 따른 뉴럴 네트워크를 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시 예에 따른 탐욕적 인접 알고리즘(GAA) 적용 전후의 시공간 행렬의 예시를 나타낸 도면이다.
도 7은 본 발명의 일 실시 예에 따른 뉴럴 네트워크 구조의 예시를 나타낸 도면이다.
도 8은 예측 기간 대에 따른 평균 절대 백분율 오차(MAPE) 및 조정된 평균 절대 오차(MASE)의 예시를 나타낸 도면이다.
도 9 및 도 10은 공간 정보를 활용하여 구름의 움직임을 기반으로 태양광 발전량을 예측했을 때 통합 운영 시 나타나는 효과를 설명하기 위한 도면들이다.
도 11은 통합 운영 시 예측 기간 대에 따른 평균 절대 백분율 오차(MAPE) 및 조정된 평균 절대 오차(MASE)의 예시를 나타낸 도면이다.
도 12는 본 발명의 실시 예들에 따른 태양광 발전량 예측 방법 및 시스템을 구현하기 위한 컴퓨팅 장치를 설명하기 위한 블록도이다.
아래에서는 첨부한 도면을 참조하여 본 발명의 실시 예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 및 청구범위 전체에서, 어떤 부분이 어떤 구성 요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "...부", "...기", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다. 또한, 아래에서 설명되는 실시 예들에 따른 정밀측위 정보 제공 방법 및 정밀측위 정보 제공 장치 중 적어도 일부는 프로그램 또는 소프트웨어로 구현될 수 있고, 프로그램 또는 소프트웨어는 컴퓨터로 판독 가능한 매체에 저장될 수 있다.
도 1은 본 발명의 일 실시 예에 따른 태양광 발전량 예측 시스템을 설명하기 위한 블록도이다.
도 1을 참조하면, 본 발명의 일 실시 예에 따른 태양광 발전량 예측 시스템(1)은 다중 사이트 태양광 발전량의 시공간 정보를 단순하면서도 효율적으로 활용될 수 있도록 2차원 행렬로 표현하여 낮은 복잡도를 갖는 모델로 태양광 발전량 예측을 수행할 수 있다. 이를 위해, 태양광 발전량 예측 시스템(1)은 공간 정보 생성 모듈(110), 시공간 행렬 생성 모듈(120), 학습 모듈(130), 태양광 발전량 예측 모델(140) 및 태양광 발전량 예측 모듈(150)을 포함할 수 있다.
공간 정보 생성 모듈(110)은 복수의 태양광 사이트의 공간 정보를 1차원 벡터로 표현할 수 있다. 태양광 발전량 예측은, 서로 인접한 사이트들이 구름의 움직임에 영향을 받을 가능성이 높다는 점을 고려하면, 서로 인접한 사이트들끼리 소정의 공간적 관계(spatial relationship)를 갖도록 일렬로 나열(serialize)되도록 수행될 필요가 있다. 이를 위해, 공간 정보 생성 모듈(110)은 탐욕적 인접 알고리즘(Greedy Adjoining Algorithm, GAA)을 사용하여 복수의 태양광 사이트의 공간 정보를 1차원 벡터로 표현할 수 있다.
모든 태양광 사이트들을 포함하는 집합 P1에 대해, P1에 속하는 태양광 사이트 중 임의의 두 태양광 사이트 p, q가 존재할 수 있다. 태양광 사이트 p의 위도 및 경도를 px, py라 하고, 태양광 사이트 q의 위도 및 경도를 qx, qy라 하면, 두 태양광 사이트 p, q 사이의 거리 D(p, q)는 다음 수학식 1에 의해 연산될 수 있다.
[수학식 1]
Figure 112020126577891-pat00005
공간 정보 생성 모듈(110)은 D(p, q)에 기초하여 탐욕적 인접 알고리즘(GAA)를 수행할 수 있다. 구체적으로, 공간 정보 생성 모듈(110)은, 하기 수학식 2를 이용하여 제1 태양광 사이트 s(1)을 선택할 수 있다.
[수학식 2]
Figure 112020126577891-pat00006
(여기서, P1은 모든 태양광 사이트들을 포함하는 집합이고, p, q는 상기 P1에 속하는 태양광 사이트 중 임의의 두 태양광 사이트이고, D(p, q)는 p와 q 사이의 거리)
수학식 2에서 "argmax"는 "arguments of max", 즉, 어떤 함수 값을 최대로 만드는 정의역의 원소를 출력할 수 있다. 이를 고려하면, 탐욕적 인접 알고리즘(GAA)에서 첫 번째로 선택되는 태양광 사이트 s(1)은, 소위 가장 외진 곳에 위치하는 태양광 사이트를 의미할 수 있다.
공간 정보 생성 모듈(110)은, s(1)부터 시작하여, s(1)과 가장 가까운 태양광 사이트를 선택해 나가는 과정을 반복함으로써, P1에 속하는 모든 태양광 사이트들에 대한 공간 정보를 1차원 벡터로 표현할 수 있다. 구체적으로, 공간 정보 생성 모듈(110)은, 하기의 수학식 3을 이용하여 s(n)을 선택할 수 있다.
[수학식 3]
Figure 112020126577891-pat00007
(여기서, s(n)은 n번째로 선택되는 태양광 사이트이고, s(n-1)은 n-1번째로 선택된 태양광 사이트이고, Pn은 n번째 선택 과정에서 아직 선택되지 않은 태양광 사이트들을 포함하는 집합이고, N은 P1에 대한 절대값임)
수학식 3에서 "argmin"은 "arguments of min", 즉, 어떤 함수 값을 최소로 만드는 정의역의 원소를 출력할 수 있다.
여기서 n번째 선택 과정에서 아직 선택되지 않은 태양광 사이트들을 포함하는 집합 Pn은 기존에 선택한 태양광 사이트들이 중복해서 선택되지 않도록 하기 위해 하기 수학식 4로 정의될 수 있다.
[수학식 4]
Figure 112020126577891-pat00008
공간 정보 생성 모듈(110)은, 이와 같은 과정을 통해 모든 태양광 사이트들이 서로 인접한 태양광 사이트들끼리 공간적 관계를 갖도록 일렬로 나열되도록 하여, 복수의 태양광 사이트의 공간 정보를 1차원 벡터로 표현할 수 있다.
시공간 행렬 생성 모듈(120)은, 1차원 벡터로 표현된 공간 정보와 시간 정보를 이용하여 입력 시공간 행렬 및 목표 시공간 행렬을 생성할 수 있다. 구체적으로, 탐욕적 인접 알고리즘(GAA)을 통해 복수의 태양광 사이트의 공간 정보가 1차원 정보로 표현되었으므로, 시공간 행렬 생성 모듈(120)은, 이를 1차원의 시간 정보와 합쳐서 2차원의 시공간 행렬을 생성할 수 있다. 여기서 2차원의 시공간 행렬은 입력 시공간 행렬 및 목표 시공간 행렬을 포함할 수 있다.
입력 시공간 행렬은, 과거 M개(여기서 M은 자연수)의 시간 정보를 이용하여, 복수의 태양광 사이트의 과거 태양광 발전량을 2차원으로 표현한 행렬을 포함할 수 있다. 구체적으로, 태양광 사이트 s(n)에서 시간대 t에서의 태양광 발전량을 xs(n), t라고 정의하면, 과거 M개의 시간 정보를 이용한 입력 시공간 행렬은 다음과 같이 표현될 수 있다.
Figure 112020126577891-pat00009
한편, 목표 시공간 행렬은, 미래 H개(여기서 H는 자연수)의 시간대 후까지 예측되는 복수의 태양광 사이트의 목표 태양광 발전량을 2차원으로 표현한 행렬을 포함할 수 있다. 구체적으로, 미래 H개의 시간대 후까지 태양광 발전량을 예측하는 경우 목표 시공간 행렬은 다음과 같이 표현될 수 있다.
Figure 112020126577891-pat00010
이와 같이, 시공간 행렬 생성 모듈(120)은 시간대 t별로 하나의 입력 시공간 행렬 및 하나의 목표 시공간 행렬을 생성할 수 있다.
여기서, H 및 M의 값은 예측 목적에 따라 정해질 수 있다. 예를 들어, 데이터의 단위가 1시간이고, 1시간 후의 값만 예측하려는 경우, H = 1로 설정되고 짧은 시간 동안의 구름의 움직임만 파악하면 되므로 M = 3정도로 정해질 수 있다. 이와 다르게, 6시간 후까지 예측하려는 경우에는, H = 6으로 설정되고 상대적으로 긴 시간 동안의 구름의 움직임을 파악해야 하므로 M = 18정도로 정해질 수 있다.
학습 모듈(130)은 입력 시공간 행렬 및 목표 시공간 행렬을 이용하여 뉴럴 네트워크 학습을 수행할 수 있다. 또한, 학습 모듈(130)은, 학습을 통해 태양광 발전량 예측 모델(140)의 파라미터(θ)를 결정할 수 있다. 여기서 뉴럴 네트워크는 컨볼루션 뉴럴 네트워크(Convolutional Neural Network, CNN)를 의미할 수 있으나, 본 발명의 범위가 이에 제한되는 것은 아니다.
뉴럴 네트워크는 기본적으로 입력 계층, 출력 계층, 및 완전 연결된 은닉 계층들을 포함할 수 있다. 특히, CNN은 합성곱(convolution) 계층 및 풀링(pooling) 계층을 더 포함할 수 있다.
합성곱 계층은 입력 행렬에서 인접한 성분들끼리 연결함으로써 중요한 특징을 추출하게 하며, 이는 행렬의 인접 성분들이 서로 높은 관련성을 가진 경우에 특히 유용할 수 있다. 전술한 태양광 사이트의 시공간 행렬의 경우, 공간에 대해서는 가까운 사이트들끼리 인접하도록 하고 시간에 대해서는 순서대로 나열함에 따라, 인접 성분들끼리 서로 높은 관련성을 가졌다고 볼 수 있으므로, 시공간 정보 추출을 위해 합성곱 계층이 유용하게 사용될 수 있다. 풀링 계층은 인접 성분들의 가장 중요한 특징 하나를 추출하는 역할을 할 수다. 이는 중요한 특징을 추출하는 것뿐만 아니라 여러 성분의 개수를 하나로 줄여 모델 파라미터 개수도 줄이는 역할도 할 수 있다.
합성곱 계층은 합성곱 연산을 수행하여, 이전 계층에서의 인접 성분들끼리의 상관관계에 대한 특징을 추출할 수 있다. 합성곱 연산에서, 각 행렬의 인접한 성분들은 CNN의 뉴런이 되고, 공유된 가중치를 통해 다음 계층의 뉴런과 연결될 수 있다. 이때 커널은 인접한 성분들끼리만 묶어서 합성곱 연산이 되도록 할 수 있다. 여러 개의 커널이 출력 행렬을 하나씩 만들어내며, 이 출력 행렬은 다음 계층의 채널이 될 수 있다. 각 커널은 이전 계층에서 특징을 하나씩 추출할 수 있고, 커널 수(다음 계층의 채널 수)는 추출된 특징의 수를 의미할 수 있다. 비선형 속성을 캡처하기 위해 합성곱 연산 후에 비선형 활성화 함수가 적용될 수 있다. 예를 들어, ReLU(Rectified Linear Unit) 함수는 사라지는 기울기 문제를 해결하기 위해 사용될 수 있다. 복수의 합성곱 계층 및 풀링 계층을 지나면 최종적으로 출력 시공간 행렬과 완전 연결 계층으로 연결된다. 과거 데이터들을 활용하여 입력 시공간 행렬과 목표 시공간 행렬을 만들면, CNN은 각 입력 시공간 행렬별로 목표 출력 시공간 행렬과 가장 유사한 값이 나오도록 모델 파라미터를 설정하게 된다.
합성곱 연산 이후, 풀링 계층이 적용될 수 있다. 입력된 행렬을 성분들끼리 서로 오버랩되지 않도록 하위 영역 집합으로 분할하고, 각 하위 영역 별로 가장 중요한 특징을 출력할 수 있다. 일반적으로 각 하위 영역 별로 최대값을 가장 중요한 특징으로 추출하는 맥스 풀링이 적용될 수 있다. 풀링 계층은 특징을 추출하는 역할 뿐만 아니라 행렬의 크기를 줄여 모델 파라미터 수를 줄이는 역할도 하여 매개변수의 수와 연산량을 감소시킬 수 있다. 풀링 계층은 동일한 하위 영역 크기를 가진 모든 채널에서 독립적으로 작동할 수 있다. 하나의 합성곱 계층과 하나의 풀링 계층이 하나의 커다란 계층을 연결한다고 가정한다. 이러한 경우, l번째 계층에서 k번째 채널의 가중치를
Figure 112020126577891-pat00011
, 편향치를
Figure 112020126577891-pat00012
라 할 때 출력 값
Figure 112020126577891-pat00013
은 하기 수학식 5와 같이 정의될 수 있다.
[수학식 5]
Figure 112020126577891-pat00014
여기서,
Figure 112020126577891-pat00015
는 합성곱 연산이고, pool()은 맥스 풀링 연산이다.
여러 개의 합성곱 계층과 풀링 계층을 통과한 후 최종적으로 형성되는 여러 개의 행렬(채널)들은 모든 값이 일렬로 연결되어 하나의 벡터를 형성할 수 있다. 이 벡터를
Figure 112020126577891-pat00016
이라 하면,
Figure 112020126577891-pat00017
은 기존 인공신경망과 마찬가지로 출력 계층과 완전히 연결되어 있다. 이때 출력 계층은 출력 시공간 행렬을 의미한다. 출력 시공간 행렬의 n행 h열의 값을
Figure 112020126577891-pat00018
라 하고 이를 출력하는 가중치를
Figure 112020126577891-pat00019
, 편향치를
Figure 112020126577891-pat00020
라 할 때 이들은 하기 수학식 6의 관계를 가진다.
[수학식 6]
Figure 112020126577891-pat00021
Figure 112020126577891-pat00022
이
Figure 112020126577891-pat00023
와 사이의 오차를 최대한 줄이는 것이 목표이며, 모든 가중치와 편향치는 태양광 발전량 예측 모델의 파라미터(θ)가 될 수 있다. 트레이닝 셋(training set)으로 주어진 시간대들의 집합을 Ω라 하면 트레이닝 셋 안의 데이터들을 이용해 일반적인 회귀 기법에서 많이 사용되는 평균 제곱 오차를 구성하고 이를 최소화하도록 하는 θ를 구하는 식은 하기 수학식 7로 정의된다.
[수학식 7]
Figure 112020126577891-pat00024
θ를 구하기 위해, 경사하강법 기반의 오차 역전파 방법을 통해 여러 개의 가중치와 편향치의 값을 수렴할 때까지 조절해 나갈 수 있으며, 학습이 끝나면 최종적인 θ를 구할 수 있고, 입력 시공간 행렬만 결정되면 시공간 행렬을 출력하여 태양광 발전량을 예측할 수 있다.
태양광 발전량 예측 모듈(150)은 태양광 발전량 예측 모델(140)을 이용하여 새로운 복수의 태양광 사이트에 대해 태양광 발전량을 예측할 수 있다. 즉, 앞서 설명한 복수의 태양광 사이트에 대한 입력 시공간 행렬 및 목표 시공간 행렬에 기반한 학습을 통해 최종적으로 결정된 파라미터(θ)를 이용하여, 새로운 복수의 태양광 사이트에 대한 시공간 정보를 입력에 대한 태양광 발전량 예측 결과를 출력할 수 있다.
한편, 태양광 발전량 예측의 성능 평가를 위해, 평균 절대 백분율 오차(Mean Absolute Percentage Error; MAPE) 및 조정된 평균 절대 오차(Mean Absolute Scaled Error; MASE)를 사용할 수 있으며, 이들은 각각 하기 수학식 8 및 9와 같이 정의된다.
[수학식 8]
Figure 112020126577891-pat00025
[수학식 9]
Figure 112020126577891-pat00026
여기서, P0는 최대 태양광 발전량, D는 데이터 셋을 의미할 수 있다. 성능 평가는 검증 셋(validation set) 및 테스트 셋(test set)에 이용될 수 있다. 검증 셋은 가장 좋은 성능을 내는 모델을 찾기 위해 사용될 수 있으며, 모델의 커널 크기, 풀링 크기, 레이어 수를 결정할 수 있다. 테스트 셋은 실제 환경에서도 좋은 성능을 내는지 확인하기 위해 사용될 수 있다.
도 2는 본 발명의 일 실시 예에 따른 태양광 발전량 예측 방법을 설명하기 위한 흐름도이다.
도 2를 참조하면, 본 발명의 일 실시 예에 따른 태양광 발전량 예측 방법은, 복수의 태양광 사이트의 공간 정보를 1차원 공간 정보, 즉 1차원 벡터로 표현하는 단계(S210), 1차원 벡터로 표현된 공간 정보와 시간 정보를 이용하여 2차원 시공간 행렬, 즉 2차원 입력 시공간 행렬 및 2차원 목표 시공간 행렬을 생성하는 단계(S220), 2차원 시공간 행렬을 이용하여 CNN 학습을 수행하는 단계(S230); 및 학습을 통해 태양광 발전량 예측 모델의 파라미터를 결정하는 단계(S240)를 포함할 수 있다.
또한, 본 발명의 일 실시 예에 따른 태양광 발전량 예측 방법은, 태양광 발전량 예측 모델을 이용하여, 새로운 복수의 태양광 사이트에 대해 태양광 발전량을 예측하는 단계(S250)를 더 포함할 수 있다.
이들 단계들에 대한 더욱 상세한 내용에 대해서는 도 1과 관련하여 전술한 내용을 참조할 수 있으며, 중복되는 설명은 생략하도록 한다.
도 3은 본 발명의 일 실시 예에 따른 탐욕적 인접 알고리즘(GAA) 및 시공간 행렬을 설명하기 위한 도면이다.
도 3을 참조하면, 도시된 것은 가장 멀리 떨어져있는 사이트 a가 s(1)로 설정되었고, 마지막으로 설정된 사이트와 가장 가까운 사이트들을 하나씩 나열하는 과정이다. 공간 정보가 1차원으로 표현되면, 1차원의 시간 정보와 함께 2차원 시공간 행렬이 표현될 수 있다.
도 4는 본 발명의 일 실시 예에 따른 입력 시공간 행렬, 목표 시공간 행렬 및 출력 시공간 행렬을 설명하기 위한 도면이다.
도 4를 참조하면, 입력 시공간 행렬(
Figure 112020126577891-pat00027
), 목표 시공간 행렬(
Figure 112020126577891-pat00028
)은 과거 데이터들을 이용하여 생성되며, 파라미터(θ)로 구성되는 태양광 발전량 예측 모델은 출력 시공간 행렬(
Figure 112020126577891-pat00029
)을 출력하며, 학습은 목표 시공간 행렬(
Figure 112020126577891-pat00030
)과 출력 시공간 행렬(
Figure 112020126577891-pat00031
) 사이의 거리를 줄이도록 진행될 수 있으며, 목표 시공간 행렬(
Figure 112020126577891-pat00032
)과 출력 시공간 행렬(
Figure 112020126577891-pat00033
) 사이의 거리는 하기 수학식 10과 같이 표현될 수 있다.
[수학식 10]
Figure 112020126577891-pat00034
여기서,
Figure 112020126577891-pat00035
는 프로베니우스 노름(Frobenius norm)이다.
도 5는 본 발명의 일 실시 예에 따른 뉴럴 네트워크를 설명하기 위한 도면이다.
도 5를 참조하면, 입력 시공간 행렬은 여러 개의 합성곱 계층과 풀링 계층을 통과하고, 최종 결과는 출력 시공간 행렬과 완전 연결됨을 알 수 있다.
도 6은 본 발명의 일 실시 예에 따른 탐욕적 인접 알고리즘(GAA) 적용 전후의 시공간 행렬의 예시를 나타낸 도면이다.
도 6을 참조하면, (a) GAA 적용 전보다 (b) GAA 적용 후 공간적 상관관계가 더 잘 나타났음을 알 수 있으며, GAA 및 시공간 행렬만으로 공간 정보를 충분히 잘 표현할 수 있음을 알 수 있다.
도 7은 본 발명의 일 실시 예에 따른 뉴럴 네트워크 구조의 예시를 나타낸 도면이다.
도 7을 참조하면, 일반적으로 최적의 결과를 추출하는 CNN의 구조를 일 예이다. 검증 셋을 통해서 여러 가지 모델을 성능 평가해 본 결과, 충분히 많은(예를 들어, 50개 이상) 태양광 사이트가 충분히 넓은 공간에 잘 퍼져있을 경우 (3,3)의 커널 크기, (2,2)의 풀링 크기, 3개의 합성곱 계층과 풀링 계층으로 구성하는 것이 좋은 결과를 가져올 수 있었다. 여기서 N은 태양광 사이트들의 개수, H는 최대 예측 기간을 나타내며, M은 H에 따라 적절한 값으로 조정할 수 있다.
도 8은 예측 기간 대에 따른 평균 절대 백분율 오차(MAPE) 및 조정된 평균 절대 오차(MASE)의 예시를 나타낸 도면이다.
도 8을 참조하면, 비교군으로 사용한 Autoregressive(AR), Feedforward Neural Network(FNN), Long Short-Term Memory(LSTM)은 다중 사이트 태양광 발전량이 과거 시간대별로 하나의 벡터로만 표현되어 공간 정보를 활용하지 않은 모델이다. 본 발명의 시공간 행렬 기반 CNN 모델을 STCNN이라 명명하였다. 전반적으로 본 발명의 STCNN 모델이 압도적인 정확도를 보여줌을 알 수 있다.
도 9 및 도 10은 공간 정보를 활용하여 구름의 움직임을 기반으로 태양광 발전량을 예측했을 때 통합 운영 시 나타나는 효과를 설명하기 위한 도면들이다.
도 9를 참조하면, 과소 예측을 한 사이트와 과대 예측을 한 사이트를 각각 운영하면 각각의 예측 오차의 합이 전체 예측 오차가 된다. 그러나 통합 운영을 하게 되면 과소 예측을 한 사이트가 과대 예측을 한 사이트의 오차를 보완할 수 있게 되어 예측 오차를 크게 줄일 수 있게 된다. 즉, 통합 운영 시에는 과소 예측과 과대 예측의 균형을 맞추는 것이 큰 도움이 될 수 있다.
이어서 도 10을 참조하면, 구름 움직임의 예측이 어느 정도 빗나간 경우, 태양광 사이트들이 공간적으로 충분히 잘 퍼져있다면 구름의 움직임 예측이 빗나가더라도 과소 예측을 한 사이트와 과대 예측을 한 사이트가 생기게 된다. 즉, 과소 예측과 과대 예측의 균형을 맞출 수 있게 되고 통합 운영 시 오차 보정 효과를 크게 볼 수 있게 된다.
도 11은 통합 운영 시 예측 기간 대에 따른 평균 절대 백분율 오차(MAPE) 및 조정된 평균 절대 오차(MASE)의 예시를 나타낸 도면이다.
도 11을 참조하면, 통합 운영 전에는 비교군 LSTM과 제안한 모델의 성능이 비슷했던 기간대가 있었으나 통합 운영 후에는 모든 시간대에서 제안한 모델이 더욱 압도적인 정확도를 보여준다. 오히려 비교군 LSTM은 통합 운영 시 다른 비교군보다도 좋지 않은 결과를 보여주었다. 이는 공간 정보를 제대로 활용하지 않은 비교군들이 과대 예측과 과소 예측 균형화를 잘 이루지 못했음을 보여준다.
도 12는 본 발명의 실시 예들에 따른 태양광 발전량 예측 방법 및 시스템을 구현하기 위한 컴퓨팅 장치를 설명하기 위한 블록도이다.
도 12를 참조하면, 본 발명의 실시 예들에 따른 태양광 발전량 예측 방법 및 시스템은 컴퓨팅 장치(500)를 이용하여 구현될 수 있다.
컴퓨팅 장치(500)는 버스(520)를 통해 통신하는 프로세서(510), 메모리(530), 사용자 인터페이스 입력 장치(540), 사용자 인터페이스 출력 장치(550) 및 저장 장치(560) 중 적어도 하나를 포함할 수 있다. 컴퓨팅 장치(500)는 또한 네트워크(40), 예컨대 무선 네트워크에 전기적으로 접속되는 네트워크 인터페이스(570)를 포함할 수 있다. 네트워크 인터페이스(570)는 네트워크(40)를 통해 다른 개체와 신호를 송신 또는 수신할 수 있다.
프로세서(510)는 AP(Application Processor), CPU(Central Processing Unit), GPU(Graphic　Processing　Unit) 등과 같은 다양한 종류들로 구현될 수 있으며, 메모리(530) 또는 저장 장치(560)에 저장된 명령을 실행하는 임의의 반도체 장치일 수 있다. 프로세서(510)는 도 1 내지 도 11에서 설명한 기능 및 방법들을 구현하도록 구성될 수 있다.
메모리(530) 및 저장 장치(560)는 다양한 형태의 휘발성 또는 비 휘발성 저장 매체를 포함할 수 있다. 예를 들어, 메모리는 ROM(read-only memory)(531) 및 RAM(random access memory)(532)를 포함할 수 있다. 본 발명의 실시 예에서 메모리(530)는 프로세서(510)의 내부 또는 외부에 위치할 수 있고, 메모리(530)는 이미 알려진 다양한 수단을 통해 프로세서(510)와 연결될 수 있다.
또한, 본 발명의 실시 예들에 따른 태양광 발전량 예측 방법 및 시스템 중 적어도 일부는 컴퓨팅 장치(500)에서 실행되는 프로그램 또는 소프트웨어로 구현될 수 있고, 프로그램 또는 소프트웨어는 컴퓨터로 판독 가능한 매체에 저장될 수 있다.
또한, 본 발명의 실시 예들에 따른 태양광 발전량 예측 방법 및 시스템 중 적어도 일부는 컴퓨팅 장치(500)와 전기적으로 접속될 수 있는 하드웨어로 구현될 수도 있다.
이제까지 설명한 본 발명의 실시 예들에 따르면, 다중 사이트 태양광 발전량 예측에 있어서, 복수의 태양광 사이트의 공간 정보를 1차원으로 표현한 후, 이를 시간 정보와 결합하여 시공간 정보를 하나의 2차원 행렬로 표현함으로써, 뉴럴 네트워크 학습을 통해 구성하는 태양광 발전량 예측 모델의 복잡도를 낮출 수 있다.
또한, 복잡도가 낮은 태양광 발전량 예측 모델로 학습 가능하도록 다중 사이트의 태양광 발전량의 시공간 정보를 단순하면서도 효율적인 방식으로 표현함으로써, 태양광 발전량 예측 시스템의 전체적인 구현 복잡도를 낮출 수 있으면서도 태양광 발전량 예측 정확도를 향상시킬 수 있다.
이상에서 본 발명의 실시 예에 대하여 상세하게 설명하였지만 본 발명의 권리 범위는 이에 한정되는 것은 아니고, 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자의 여러 변형 및 개량 형태 또한 본 발명의 권리 범위에 속한다.

Claims (16)

  1. 복수의 태양광 사이트의 공간 정보를 1차원 벡터로 표현하는 단계;
    상기 1차원 벡터로 표현된 상기 공간 정보와 시간 정보를 이용하여 입력 시공간 행렬 및 목표 시공간 행렬을 생성하는 단계;
    상기 입력 시공간 행렬 및 상기 목표 시공간 행렬을 이용하여 뉴럴 네트워크 학습을 수행하는 단계; 및
    상기 학습을 통해 태양광 발전량 예측 모델의 파라미터를 결정하는 단계를 포함하고,
    상기 공간 정보를 1차원 벡터로 표현하는 단계는,
    하기의 수학식 1을 이용하여 제1 태양광 사이트 s(1)을 선택하는 단계를 포함하는, 태양광 발전량 예측 방법.
    [수학식 1]
    Figure 112022134673530-pat00036

    (여기서, P1은 모든 태양광 사이트들을 포함하는 집합이고, p, q는 상기 P1에 속하는 태양광 사이트 중 임의의 두 태양광 사이트이고, D(p, q)는 p와 q 사이의 거리임)
  2. 삭제
  3. 제1항에 있어서,
    상기 공간 정보를 1차원 벡터로 표현하는 단계는,
    상기 s(1)부터 시작하여 상기 s(1)과 가장 가까운 태양광 사이트를 선택해 나가는 과정을 반복함으로써, 상기 P1에 속하는 모든 태양광 사이트들에 대한 상기 공간 정보를 상기 1차원 벡터로 표현하는 단계를 포함하는, 태양광 발전량 예측 방법.
  4. 제3항에 있어서,
    상기 s(1)과 가장 가까운 태양광 사이트를 선택해 나가는 과정을 반복하는 것은,
    하기의 수학식 2를 이용하여 s(n)을 선택하는 것을 포함하는, 태양광 발전량 예측 방법.
    [수학식 2]
    Figure 112020126577891-pat00037

    (여기서, 상기 s(n)은 n번째로 선택되는 태양광 사이트이고, s(n-1)은 n-1번째로 선택된 태양광 사이트이고, Pn은 n번째 선택 과정에서 아직 선택되지 않은 태양광 사이트들을 포함하는 집합이고, N은 상기 P1에 대한 절대값임)
  5. 제1항에 있어서,
    상기 입력 시공간 행렬은, 과거 M개(여기서 M은 자연수)의 상기 시간 정보를 이용하여, 상기 복수의 태양광 사이트의 과거 태양광 발전량을 2차원으로 표현한 행렬을 포함하는, 태양광 발전량 예측 방법.
  6. 제5항에 있어서,
    상기 목표 시공간 행렬은, 미래 H개(여기서 H는 자연수)의 시간대 후까지 예측되는 상기 복수의 태양광 사이트의 목표 태양광 발전량을 2차원으로 표현한 행렬을 포함하는, 태양광 발전량 예측 방법.
  7. 제1항에 있어서,
    상기 학습을 수행하는 단계는,
    상기 입력 시공간 행렬에 대해 상기 뉴럴 네트워크를 통과한 출력 시공간 행렬과 상기 목표 시공간 행렬 사이의 오차를 최소화하도록 상기 파라미터의 값을 연산하는 단계를 포함하는, 태양광 발전량 예측 방법.
  8. 제1항에 있어서,
    상기 태양광 발전량 예측 모델을 이용하여, 새로운 복수의 태양광 사이트에 대해 태양광 발전량을 예측하는 단계를 더 포함하는, 태양광 발전량 예측 방법.
  9. 복수의 태양광 사이트의 공간 정보를 1차원 벡터로 표현하는 공간 정보 생성 모듈;
    상기 1차원 벡터로 표현된 상기 공간 정보와 시간 정보를 이용하여 입력 시공간 행렬 및 목표 시공간 행렬을 생성하는 시공간 행렬 생성 모듈; 및
    상기 입력 시공간 행렬 및 상기 목표 시공간 행렬을 이용하여 뉴럴 네트워크 학습을 수행하고, 태양광 발전량 예측 모델의 파라미터를 결정하는 학습 모듈을 포함하고,
    상기 공간 정보 생성 모듈은,
    하기의 수학식 1을 이용하여 제1 태양광 사이트 s(1)을 선택하는, 태양광 발전량 예측 시스템.
    [수학식 1]
    Figure 112022134673530-pat00038

    (여기서, P1은 모든 태양광 사이트들을 포함하는 집합이고, p, q는 상기 P1에 속하는 태양광 사이트 중 임의의 두 태양광 사이트이고, D(p, q)는 p와 q 사이의 거리임)
  10. 삭제
  11. 제9항에 있어서,
    상기 공간 정보 생성 모듈은,
    상기 s(1)부터 시작하여 상기 s(1)과 가장 가까운 태양광 사이트를 선택해 나가는 과정을 반복함으로써, 상기 P1에 속하는 모든 태양광 사이트들에 대한 상기 공간 정보를 상기 1차원 벡터로 표현하는, 태양광 발전량 예측 시스템.
  12. 제11항에 있어서,
    상기 s(1)과 가장 가까운 태양광 사이트를 선택해 나가는 과정을 반복하는 것은,
    하기의 수학식 2를 이용하여 s(n)을 선택하는 것을 포함하는, 태양광 발전량 예측 시스템.
    [수학식 2]
    Figure 112020126577891-pat00039

    (여기서, 상기 s(n)은 n번째로 선택되는 태양광 사이트이고, s(n-1)은 n-1번째로 선택된 태양광 사이트이고, Pn은 n번째 선택 과정에서 아직 선택되지 않은 태양광 사이트들을 포함하는 집합이고, N은 상기 P1에 대한 절대값임)
  13. 제9항에 있어서,
    상기 입력 시공간 행렬은, 과거 M개(여기서 M은 자연수)의 상기 시간 정보를 이용하여, 상기 복수의 태양광 사이트의 과거 태양광 발전량을 2차원으로 표현한 행렬을 포함하는, 태양광 발전량 예측 시스템.
  14. 제13항에 있어서,
    상기 목표 시공간 행렬은, 미래 H개(여기서 H는 자연수)의 시간대 후까지 예측되는 상기 복수의 태양광 사이트의 목표 태양광 발전량을 2차원으로 표현한 행렬을 포함하는, 태양광 발전량 예측 시스템.
  15. 제9항에 있어서,
    상기 학습 모듈은,
    상기 입력 시공간 행렬에 대해 상기 뉴럴 네트워크를 통과한 출력 시공간 행렬과 상기 목표 시공간 행렬 사이의 오차를 최소화하도록 상기 파라미터의 값을 연산하는, 태양광 발전량 예측 시스템.
  16. 제9항에 있어서,
    상기 태양광 발전량 예측 모델을 이용하여, 새로운 복수의 태양광 사이트에 대해 태양광 발전량을 예측하는 태양광 발전량 예측 모듈을 더 포함하는, 태양광 발전량 예측 시스템.
KR1020200159204A 2020-11-24 2020-11-24 태양광 발전량 예측 방법 및 시스템 KR102515608B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200159204A KR102515608B1 (ko) 2020-11-24 2020-11-24 태양광 발전량 예측 방법 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200159204A KR102515608B1 (ko) 2020-11-24 2020-11-24 태양광 발전량 예측 방법 및 시스템

Publications (2)

Publication Number Publication Date
KR20220071740A KR20220071740A (ko) 2022-05-31
KR102515608B1 true KR102515608B1 (ko) 2023-03-29

Family

ID=81780226

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200159204A KR102515608B1 (ko) 2020-11-24 2020-11-24 태양광 발전량 예측 방법 및 시스템

Country Status (1)

Country Link
KR (1) KR102515608B1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102542059B1 (ko) * 2022-10-31 2023-06-20 식스티헤르츠 주식회사 재생에너지 발전량 예측 모델 관리 방법, 장치 및 시스템

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109842373A (zh) 2019-04-15 2019-06-04 国网河南省电力公司电力科学研究院 基于时空分布特性的光伏阵列故障诊断方法及装置
CN110009385A (zh) 2019-01-11 2019-07-12 国网浙江杭州市临安区供电有限公司 一种基于多因素映射的光伏发电用户群划分方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110009385A (zh) 2019-01-11 2019-07-12 国网浙江杭州市临安区供电有限公司 一种基于多因素映射的光伏发电用户群划分方法
CN109842373A (zh) 2019-04-15 2019-06-04 国网河南省电力公司电力科学研究院 基于时空分布特性的光伏阵列故障诊断方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Agoua, Xwégnon Ghislain, Robin Girard, and George Kariniotakis. "Short-term spatio-temporal forecasting of photovoltaic power production." IEEE Transactions on Sustainable Energy 9.2 (2017): 538-546. 1부.*
Chai, Songjian, et al. "A robust spatiotemporal forecasting framework for photovoltaic generation." IEEE Transactions on Smart Grid 11.6 (2020.6.30.): 5370-5382. 1부.*

Also Published As

Publication number Publication date
KR20220071740A (ko) 2022-05-31

Similar Documents

Publication Publication Date Title
CN109902885B (zh) 基于深度学习混合cnn-lstm模型的台风预测方法
CN110059878B (zh) 基于cnn lstm光伏发电功率预测模型及其构建方法
Wang et al. Robust big data analytics for electricity price forecasting in the smart grid
Carneiro et al. Ridge regression ensemble of machine learning models applied to solar and wind forecasting in Brazil and Spain
Ma et al. A hybrid attention-based deep learning approach for wind power prediction
Cannizzaro et al. Solar radiation forecasting based on convolutional neural network and ensemble learning
CN107330514B (zh) 一种基于集成极限学习机的空气质量预测方法
Liu et al. Short-term predictions of multiple wind turbine power outputs based on deep neural networks with transfer learning
Kavousi-Fard A hybrid accurate model for tidal current prediction
CN110309603A (zh) 一种基于风速特性的短期风速预测方法及系统
CN103489038A (zh) 基于lm-bp神经网络的光伏超短期功率预测方法
Jalali et al. An advanced short-term wind power forecasting framework based on the optimized deep neural network models
Shi et al. Artificial bee colony Based Bayesian Regularization Artificial Neural Network approach to model transient flammable cloud dispersion in congested area
CN113837499A (zh) 一种超短期风电功率预测方法及系统
Li et al. Decomposition integration and error correction method for photovoltaic power forecasting
CN117117859B (zh) 基于神经网络的光伏发电功率预测方法及系统
CN116894384B (zh) 一种多风机风速时空预测方法及系统
CN112308322A (zh) 一种多风场时空风速预测方法、装置及电子设备
Syama et al. A hybrid extreme learning machine model with Lévy flight chaotic whale optimization algorithm for wind speed forecasting
CN116644970A (zh) 一种基于vmd分解和叠层深度学习的光伏功率预测方法
Aliberti et al. Forecasting Short-term Solar Radiation for Photovoltaic Energy Predictions.
CN115099461A (zh) 基于双分支特征提取的太阳辐射预测方法及系统
KR102515608B1 (ko) 태양광 발전량 예측 방법 및 시스템
CN114006411A (zh) 一种基于lstm-cnn联合模型的风电功率预测方法和系统
CN109886405A (zh) 一种抑制噪声的基于人工神经网络结构优化方法

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