KR102542059B1 - Method, apparatus and system of managing model for predition of power generation of renewable energy - Google Patents
Method, apparatus and system of managing model for predition of power generation of renewable energy Download PDFInfo
- Publication number
- KR102542059B1 KR102542059B1 KR1020220143150A KR20220143150A KR102542059B1 KR 102542059 B1 KR102542059 B1 KR 102542059B1 KR 1020220143150 A KR1020220143150 A KR 1020220143150A KR 20220143150 A KR20220143150 A KR 20220143150A KR 102542059 B1 KR102542059 B1 KR 102542059B1
- Authority
- KR
- South Korea
- Prior art keywords
- renewable energy
- data
- energy generation
- power generation
- prediction model
- Prior art date
Links
- 238000010248 power generation Methods 0.000 title claims description 57
- 238000000034 method Methods 0.000 title description 12
- 238000007726 management method Methods 0.000 claims abstract description 50
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 15
- 238000012544 monitoring process Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 238000007619 statistical method Methods 0.000 claims description 2
- 238000011161 development Methods 0.000 claims 2
- 238000004891 communication Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- G06N3/08—Learning methods
-
- 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
- Y04S10/12—Monitoring or controlling equipment for energy generation units, e.g. distributed energy generation [DER] or load-side generation
- Y04S10/123—Monitoring or controlling equipment for energy generation units, e.g. distributed energy generation [DER] or load-side generation the energy generation units being or involving renewable energy sources
-
- 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
-
- 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
- Y04S40/00—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them
- Y04S40/20—Information technology specific aspects, e.g. CAD, simulation, modelling, system security
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Power Engineering (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
재생에너지 발전량 예측 모델 관리 방법, 장치 및 시스템이 개시된다. 본 발명의 일실시예에 따른 재생에너지 발전량 예측 모델 관리 방법은, (a) 재생에너지 발전량에 관한 데이터를 수집하는 단계; (b) 상기 재생에너지 발전량에 관한 데이터에 기초하여 인공지능 기반으로 생성된 재생에너지 발전량 예측 모델을 학습하는 단계; (c) 상기 학습 결과에 기초하여 재생에너지 발전량 예측 결과 데이터를 생성하는 단계; (d) 실제 재생에너지 발전량 데이터를 입력받는 단계; (e) 상기 실제 재생에너지 발전량 데이터와 상기 재생에너지 발전량 예측 결과 데이터를 비교하는 단계; 및 (f) 상기 비교 결과 상기 재생에너지 발전량 예측 결과 데이터와 상기 실제 재생에너지 발전량 데이터의 차이가 임계치 이상인 경우, 상기 생성된 재생에너지 발전량 예측 모델을 업데이트하는 단계;를 포함할 수 있다.Renewable energy generation prediction model management method, apparatus and system are disclosed. Renewable energy generation prediction model management method according to an embodiment of the present invention, (a) collecting data on the renewable energy generation; (b) learning a renewable energy generation prediction model generated based on artificial intelligence based on the renewable energy generation data; (c) generating renewable energy generation prediction result data based on the learning result; (d) receiving actual renewable energy generation data; (e) comparing the actual renewable energy generation data and the renewable energy generation prediction result data; And (f) updating the generated renewable energy generation prediction model when the difference between the renewable energy generation prediction result data and the actual renewable energy generation amount data as a result of the comparison is greater than or equal to a threshold value.
Description
본 발명은 재생에너지 발전량 예측에 관한 것으로, 보다 상세하게는 인공지능 기반 재생에너지 발전량 예측 모델 관리 방법 및 시스템에 관한 것이다.The present invention relates to prediction of renewable energy generation, and more particularly, to a method and system for managing an artificial intelligence-based renewable energy generation prediction model.
재생에너지는 재생 가능한 자원, 즉 햇빛(태양), 바람(풍력), 비, 조수(조력), 파도, 지열과 같이 시간이 지남에 따라 자연적으로 보충되는, 재생 가능한 자원으로부터 수집된 에너지를 말한다. Renewable energy refers to energy collected from renewable resources, i.e., renewable resources that are replenished naturally over time, such as sunlight (solar), wind (wind power), rain, tidal power (tidal power), waves, and geothermal heat.
최근 전력망 안정과 관련하여, 재생에너지에 대한 관심이 매우 높다. 다만, 이러한 재생에너지를 통한 전력망 안정을 위해서는 재생에너지에 대한 발전량에 대한 정확한 예측이 필요하다.Recently, interest in renewable energy is very high in relation to the stability of the power grid. However, in order to stabilize the power grid through such renewable energy, it is necessary to accurately predict the amount of power generation for renewable energy.
이에 재생에너지 발전량 예측 모델이 개발되고 있으나, 재생에너지 발전량은 계절성의 영향을 강하게 받으므로 수명주기 관리를 통해 주기적인 예측 모델 성능 확인 및 업데이트가 필요한데, 이러한 시스템의 표준안이 없어 그 운영 등에 문제점이 있다.Accordingly, a renewable energy power generation prediction model is being developed, but renewable energy power generation is strongly influenced by seasonality, so it is necessary to periodically check and update the performance of the prediction model through life cycle management. .
상기한 종래 문제점을 해소하기 위하여, 본 발명의 일과제는 재생에너지 발전량 예측 성능 유지를 위한 예측 모델 관리 방법 및 시스템을 제공하는 것이다.In order to solve the above conventional problems, an object of the present invention is to provide a predictive model management method and system for maintaining renewable energy generation predictive performance.
본 발명에서 이루고자 하는 기술적 과제들은 상기 기술적 과제로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.The technical problems to be achieved in the present invention are not limited to the above technical problems, and other technical problems not mentioned will be clearly understood by those skilled in the art from the description below.
상술한 문제점을 해결하기 위한 본 발명의 일실시예에 따른 재생에너지 발전량 예측 모델 관리 방법은, (a) 재생에너지 발전량에 관한 데이터를 수집하는 단계; (b) 상기 재생에너지 발전량에 관한 데이터에 기초하여 인공지능 기반으로 생성된 재생에너지 발전량 예측 모델을 학습하고, 상기 예측 모델은 통계적 방법, 머신러닝 및 인공신경망 알고리즘에 의하여 생성되는 단계; (c) 상기 학습 결과에 기초하여 재생에너지 발전량 예측 결과 데이터를 생성하는 단계; (d) 실제 재생에너지 발전량 데이터를 입력받고, 재생에너지 모니터링 시스템에 연계하여 데이터를 연동하는 단계; (e) 상기 실제 재생에너지 발전량 데이터와 상기 재생에너지 발전량 예측 결과 데이터를 비교하여 오차를 계산하는 단계; 및 (f) 상기 비교 결과 상기 재생에너지 발전량 예측 결과 데이터와 상기 실제 재생에너지 발전량 데이터의 오차가 임계치 이상인 경우, 상기 생성된 재생에너지 발전량 예측 모델을 업데이트하는 단계;를 포함하고, 상기 데이터의 오차는 평균제곱근편차 또는 평균절대값오차로 계산되는, 것;을를 포함할 수 있다.Renewable energy power generation prediction model management method according to an embodiment of the present invention for solving the above problems, (a) collecting data on the renewable energy power generation; (b) learning a renewable energy generation prediction model generated based on artificial intelligence based on the renewable energy generation data, and the prediction model is generated by statistical methods, machine learning and artificial neural network algorithms; (c) generating renewable energy generation prediction result data based on the learning result; (d) receiving actual renewable energy generation data and linking the data to a renewable energy monitoring system; (e) calculating an error by comparing the actual renewable energy generation data and the renewable energy generation prediction result data; and (f) updating the generated renewable energy generation prediction model when an error between the renewable energy generation prediction result data and the actual renewable energy generation data as a result of the comparison is greater than or equal to a threshold value. Calculated as a root mean square deviation or mean absolute value error; may include.
본 발명의 일실시예에 따른 재생에너지 발전량 예측 모델 관리 방법에 따르면, 상기 인공지능 기반 재생에너지 발전량 예측 모델을 생성하는 단계;를 더 포함할 수 있다.According to the renewable energy generation prediction model management method according to an embodiment of the present invention, generating the artificial intelligence-based renewable energy generation prediction model; may further include.
본 발명의 일실시예에 따른 재생에너지 발전량 예측 모델 관리 방법에 따르면, 상기 수집된 재생에너지 발전량에 관한 데이터를 전처리하는 단계; 및 상기 전처리된 재생에너지 발전량 데이터를 저장하는 단계;를 더 포함할 수 있다.According to the renewable energy generation prediction model management method according to an embodiment of the present invention, pre-processing the collected renewable energy generation data; It may further include; and storing the preprocessed renewable energy power generation data.
본 발명의 일실시예에 따른 재생에너지 발전량 예측 모델 관리 방법에 따르면, 상기 비교 결과 상기 재생에너지 발전량 예측 결과 데이터와 상기 실제 재생에너지 발전량 데이터의 차이가 임계치 미만인 경우, 상기 수집한 재생에너지 발전량에 관한 데이터, 상기 재생에너지 발전량 예측 결과 데이터 및 상기 실제 재생에너지 발전량 데이터를 매핑하여 기록하는 단계;를 더 포함할 수 있다.According to the renewable energy generation prediction model management method according to an embodiment of the present invention, as a result of the comparison, when the difference between the renewable energy generation prediction result data and the actual renewable energy generation data is less than a threshold, the collected renewable energy generation Data, the step of mapping and recording the renewable energy generation prediction result data and the actual renewable energy generation data; may further include.
본 발명의 일실시예에 따른 재생에너지 발전량 예측 모델 관리 방법에 따르면, 상기 (a) 내지 (f) 단계는, 미리 정한 주기로 반복 수행될 수 있다.According to the renewable energy generation prediction model management method according to an embodiment of the present invention, the steps (a) to (f) may be repeatedly performed at predetermined cycles.
본 발명의 일실시예에 따른 재생에너지 발전량 예측 모델 관리 장치는, 메모리; 및 프로세서를 포함하되, 상기 프로세서는, (a) 재생에너지 발전량에 관한 데이터를 수집하여, (b) 상기 재생에너지 발전량에 관한 데이터에 기초하여 인공지능 기반으로 생성된 재생에너지 발전량 예측 모델을 학습하고, (c) 상기 학습 결과에 기초하여 재생에너지 발전량 예측 결과 데이터를 생성하고, (d) 실제 재생에너지 발전량 데이터를 입력받는 경우 또는 재생에너지 발전소 모니터링 시스템에 연동하여 발전량 데이터를 자동으로 수집하는 경우, (e) 상기 실제 재생에너지 발전량 데이터와 상기 재생에너지 발전량 예측 결과 데이터를 비교하여, (f) 상기 재생에너지 발전량 예측 결과 데이터와 상기 실제 재생에너지 발전량 데이터의 차이가 임계치 이상인 경우, 상기 생성된 재생에너지 발전량 예측 모델을 업데이트할 수 있다.Renewable energy generation prediction model management device according to an embodiment of the present invention, memory; And a processor, wherein the processor (a) collects data on the amount of renewable energy generation, (b) learns a prediction model for the amount of renewable energy generation generated based on artificial intelligence based on the data on the amount of renewable energy generation , (c) generating prediction result data of renewable energy generation based on the learning result, and (d) when receiving actual renewable energy generation data or automatically collecting generation data in conjunction with a renewable energy power plant monitoring system, (e) comparing the actual renewable energy generation data and the renewable energy generation prediction result data, (f) when the difference between the renewable energy generation prediction result data and the actual renewable energy generation data is greater than a threshold value, the generated renewable energy The power generation prediction model can be updated.
본 발명의 일실시예에 따른 재생에너지 발전량 예측 모델 관리 장치에 따르면, 상기 프로세서는, 상기 재생에너지 발전량 예측 모델을 생성하고, 상기 수집된 재생에너지 발전량에 관한 데이터를 전처리하며, 상기 전처리된 재생에너지 발전량 데이터를 저장하도록 제어할 수 있다.According to the renewable energy generation prediction model management device according to an embodiment of the present invention, the processor generates the renewable energy generation prediction model, pre-processes the collected renewable energy generation data, and the preprocessed renewable energy It can be controlled to store power generation data.
본 발명의 일실시예에 따른 재생에너지 발전량 예측 모델 관리 장치에 따르면, 상기 프로세서는, 상기 비교 결과 상기 재생에너지 발전량 예측 결과 데이터와 상기 실제 재생에너지 발전량 데이터의 차이가 임계치 미만인 경우, 상기 수집한 재생에너지 발전량에 관한 데이터, 상기 재생에너지 발전량 예측 결과 데이터 및 상기 실제 재생에너지 발전량 데이터를 매핑하여 기록할 수 있다.According to the renewable energy generation prediction model management device according to an embodiment of the present invention, the processor, as a result of the comparison, when the difference between the renewable energy generation prediction result data and the actual renewable energy generation data is less than a threshold value, the collected reproduction Data on the amount of energy generation, the prediction result data of the amount of renewable energy generation, and the actual data of the amount of renewable energy generation may be mapped and recorded.
본 발명의 일실시예에 따른 재생에너지 발전량 예측 모델 관리 장치에 따르면, 상기 프로세서는, 미리 정한 주기로 상기 (a) 내지 (f) 동작이 반복 수행하도록 제어할 수 있다.According to the renewable energy generation predictive model management device according to an embodiment of the present invention, the processor may control the operations (a) to (f) to be repeatedly performed at predetermined cycles.
본 발명의 일실시예에 따른 재생에너지 발전량 예측 모델 관리 시스템은, 재생에너지 발전량 예측 데이터를 요청하는 단말; 및 재생에너지 발전량 예측 서비스 플랫폼을 제공하는 서버를 포함하되, 상기 서버는, (a) 재생에너지 발전량에 관한 데이터를 수집하여, (b) 상기 재생에너지 발전량에 관한 데이터에 기초하여 인공지능 기반으로 생성된 재생에너지 발전량 예측 모델을 학습하고, (c) 상기 학습 결과에 기초하여 재생에너지 발전량 예측 결과 데이터를 생성하고, (d) 실제 재생에너지 발전량 데이터를 입력받는 경우, (e) 상기 실제 재생에너지 발전량 데이터와 상기 재생에너지 발전량 예측 결과 데이터를 비교하여, (f) 상기 재생에너지 발전량 예측 결과 데이터와 상기 실제 재생에너지 발전량 데이터의 차이가 임계치 이상인 경우, 상기 생성된 재생에너지 발전량 예측 모델을 업데이트하는 프로세서를 포함할 수 있다.Renewable energy generation prediction model management system according to an embodiment of the present invention, a terminal requesting renewable energy generation prediction data; And a server that provides a service platform for predicting generation of renewable energy, wherein the server collects (a) data on the generation of renewable energy, and (b) generates based on artificial intelligence based on the data on the generation of renewable energy. Learning the predicted renewable energy generation amount prediction model, (c) generating renewable energy generation prediction result data based on the learning result, (d) receiving actual renewable energy generation data, (e) the actual renewable energy generation amount Comparing data with the renewable energy generation prediction result data, (f) when the difference between the renewable energy generation prediction result data and the actual renewable energy generation data is greater than a threshold value, a processor for updating the generated renewable energy generation prediction model can include
상기와 같은 본 발명에 따르면 아래에 기재된 효과를 얻을 수 있다. 다만, 본 발명을 통해 얻을 수 있는 효과는 이에 제한되지 않는다.According to the present invention as described above, the effects described below can be obtained. However, effects obtainable through the present invention are not limited thereto.
첫째, 재생에너지 발전량 예측 성능 유지를 위한 예측 모델 관리 방법 및 시스템을 제공할 수 있다.First, it is possible to provide a predictive model management method and system for maintaining renewable energy generation predictive performance.
둘째, 재생에너지 발전량 예측의 불확실성을 최소화할 수 있어, 전력망 안정에 기여할 수 있는 효과가 있다.Second, it is possible to minimize uncertainty in predicting the generation amount of renewable energy, which has the effect of contributing to the stability of the power grid.
셋째, 재생에너지 발전량 예측을 통해 발전기 추가 기동이나 정지에 따른 비용 절감 등 효율적으로 전력 계통을 운영할 수 있는 효과가 있다.Third, there is an effect of efficiently operating the power system, such as cost reduction due to additional start-up or shutdown of generators, through prediction of generation amount of renewable energy.
도 1은 본 발명의 일실시예에 따른 재생에너지 발전량 예측 모델 관리 시스템을 설명하기 위해 도시한 개략도이다.
도 2는 도 1의 서버의 구성을 설명하기 위해 도시한 도면이다.
도 3은 도 2의 프로세서의 구성을 설명하기 위해 도시한 도면이다.
도 4는 본 발명의 일실시예에 따른 재생에너지 발전량 예측 모델 관리 방법을 설명하기 위해 도시한 순서도이다.
도 5 내지 7은 본 발명의 일실시예에 따른 재생에너지 발전량 예측 모델 관리와 관련된 사용자 인터페이스를 설명하기 위해 도시한 도면이다.1 is a schematic diagram illustrating a renewable energy generation prediction model management system according to an embodiment of the present invention.
FIG. 2 is a diagram for explaining the configuration of the server of FIG. 1 .
FIG. 3 is a diagram for explaining the configuration of the processor of FIG. 2 .
4 is a flowchart illustrating a method for managing a renewable energy generation prediction model according to an embodiment of the present invention.
5 to 7 are diagrams illustrating a user interface related to management of a renewable energy generation prediction model according to an embodiment of the present invention.
이하, 본 발명에 따른 바람직한 실시 형태를 첨부된 도면을 참조하여 상세하게 설명한다. 첨부된 도면과 함께 이하에 개시될 상세한 설명은 본 발명의 예시적인 실시형태를 설명하고자 하는 것이며, 본 발명이 실시될 수 있는 유일한 실시형태를 나타내고자 하는 것이 아니다.Hereinafter, preferred embodiments according to the present invention will be described in detail with reference to the accompanying drawings. The detailed description set forth below in conjunction with the accompanying drawings is intended to describe exemplary embodiments of the present invention and is not intended to represent the only embodiments in which the present invention may be practiced.
단지 본 실시예들은 본 발명의 게시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전히 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.Only these embodiments are provided to complete the disclosure of the present invention and to fully inform those skilled in the art of the scope of the invention to which the present invention belongs, and the present invention will be defined by the scope of the claims. only
몇몇의 경우, 본 발명의 개념이 모호해지는 것을 피하기 위하여 공지의 구조 및 장치는 생략되거나, 각 구조 및 장치의 핵심기능을 중심으로 한 블록도 형식으로 도시될 수 있다. 또한, 본 명세서 전체에서 동일한 구성요소에 대해서는 동일한 도면 부호를 사용하여 설명한다.In some cases, in order to avoid obscuring the concept of the present invention, well-known structures and devices may be omitted or may be shown in block diagram form centering on core functions of each structure and device. In addition, the same reference numerals are used to describe like components throughout this specification.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함(comprising 또는 including)"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. Throughout the specification, when a part is said to "comprising" or "including" a certain element, it means that it may further include other elements, not excluding other elements, unless otherwise stated. do.
또한, 명세서에 기재된 "??부"의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다. 나아가, "일(a 또는 an)", "하나(one)", 및 유사 관련어는 본 발명을 기술하는 문맥에 있어서 본 명세서에 달리 지시되거나 문맥에 의해 분명하게 반박되지 않는 한, 단수 및 복수 모두를 포함하는 의미로 사용될 수 있다.In addition, the term "?? unit" described in the specification means a unit that processes at least one function or operation, which may be implemented by hardware, software, or a combination of hardware and software. Further, "a or an", "one", and similar related terms, in the context of describing the present invention, are both singular and plural unless otherwise indicated herein or clearly contradicted by context. It can be used in the meaning including.
아울러, 본 발명의 실시예들에서 사용되는 특정(特定) 용어들은 본 발명의 이해를 돕기 위해서 제공된 것이며, 다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 이러한 특정 용어의 사용은 본 발명의 기술적 사상을 벗어나지 않는 범위에서 다른 형태로 변경될 수 있다.In addition, specific terms used in the embodiments of the present invention are provided to aid understanding of the present invention, and unless otherwise defined, all terms used herein, including technical or scientific terms, are intended to support the present invention. It has the same meaning as commonly understood by a person of ordinary skill in the art to which it pertains. The use of these specific terms may be changed in other forms without departing from the spirit of the present invention.
이하, 본 발명에 따른 재생에너지 발전량 예측 모델 관리와 관련된 다양한 실시예를 제공하는데, 특히 본 명세서에서는 재생에너지 발전량 예측 모델 관리 동작을 수행하는 서버(server)를 정의하고 그를 포함한 재생에너지 발전량 예측 모델 관리 시스템을 제공한다. 이 때, 상기 서버는 본 발명에 따른 인공지능(AI: Artificial Intelligence) 기반으로 재생에너지 발전량 예측 모델 및 관리 서비스를 지원하는 플랫폼(platform)을 구축(또는 제공)할 수 있다.Hereinafter, various embodiments related to renewable energy generation prediction model management according to the present invention are provided. In particular, in the present specification, a server that performs a renewable energy generation prediction model management operation is defined and renewable energy generation prediction model management including the server is defined. provide the system. At this time, the server may build (or provide) a platform that supports a renewable energy generation prediction model and management service based on AI (Artificial Intelligence) according to the present invention.
이 때, 본 발명은 상기 플랫폼이 다양한 시스템에 호환되어 동작 가능하며, 제한된 하드웨어 환경에 최적화 가능하도록 구축될 수 있다. 한편, 이러한 본 발명에 따른 실시예들은, 구현 방식에 따라 어플리케이션(application) 내지 프로그램(program) 형태로 제공될 수 있다.At this time, the present invention can be constructed so that the platform can operate in compatibility with various systems and can be optimized in a limited hardware environment. Meanwhile, the embodiments according to the present invention may be provided in the form of an application or program according to an implementation method.
통상 재생에너지의 발전량은 계절, 날씨 등 외부 요인의 영향에 변동성이 매우 크기에 수명주기 관리를 통해 주기적으로 예측 모델의 성능을 모니터링하고 업데이트가 필요하다.In general, the amount of power generated by renewable energy is highly variable due to the influence of external factors such as the season and weather, so it is necessary to periodically monitor and update the performance of the prediction model through life cycle management.
재생에너지 발전량 예측 모델은, 인공지능 그 중에서도 머신러닝(machine learning) 기반으로 생성되어, 불확실성이 강한 재생에너지를 미리 예측한다. 본 발명은 이러한 재생에너지 발전량 예측 모델을 모니터링(monitoring) 및 업데이트를 통해 관리함으로써, 재생에너지 발전량 예측의 정확성을 더욱 높여, 전력망 안정에 기여할 수 있다.The renewable energy power generation prediction model is created based on artificial intelligence, especially machine learning, and predicts renewable energy with strong uncertainty in advance. The present invention can contribute to the stability of the power grid by further increasing the accuracy of predicting the amount of renewable energy generation by managing such a renewable energy generation prediction model through monitoring and updating.
이에 따라, 본 발명은 재생에너지 발전량 예측 성능 유지를 위한 예측 모델 관리 방법 및 시스템을 제안하여, 재생에너지 발전의 불확실성을 최소화하고 전력망 안정에 기여하고자 한다.Accordingly, the present invention proposes a predictive model management method and system for maintaining renewable energy generation prediction performance, thereby minimizing the uncertainty of renewable energy generation and contributing to the stability of the power grid.
한편, 본 명세서에서 기술되는 본 발명에 일실시예에 따른 재생에너지 발전량 예측 모델 관리 시스템은, 블록체인(blockchain), 가상현실(VR, Virtural Reality), 증강현실(AR, Augmented Reality), 및 혼합현실(MR, Mixed Reality)를 총칭하는 가상융합기술(XR, eXtended Reality) 기술과 같은 ICT(Information and Communication Technology) 기술이 이용 또는 참조 결합되어 구현될 수 있다. 다만, 본 명세서에서는 필요한 경우를 제외하고, ICT 기술에 대한 상세 설명은 공지기술을 참조하여 별도 설명은 생략한다.On the other hand, the renewable energy generation prediction model management system according to an embodiment of the present invention described herein is a block chain, virtual reality (VR), augmented reality (AR), and mixed Information and Communication Technology (ICT) technology such as XR (eXtended Reality) technology, which collectively refers to MR (Mixed Reality) technology, may be used or referenced for implementation. However, in this specification, unless necessary, detailed descriptions of ICT technologies are omitted by referring to known technologies.
이하 첨부된 도면을 참조하여, 본 발명에 따른 재생에너지 발전량 예측 모델 관리에 대해 설명하면, 다음과 같다.Hereinafter, with reference to the accompanying drawings, the management of the renewable energy generation prediction model according to the present invention will be described.
도 1은 본 발명의 일실시예에 따른 재생에너지 발전량 예측 모델 관리 시스템(1)을 설명하기 위해 도시한 개략도이다.1 is a schematic diagram illustrating a renewable energy generation prediction
도 2는 도 1의 서버(120)의 구성을 설명하기 위해 도시한 도면이다.FIG. 2 is a diagram for explaining the configuration of the
도 3은 도 2의 프로세서(220)의 구성을 설명하기 위해 도시한 도면이다.FIG. 3 is a diagram for explaining the configuration of the
도 1을 참조하면, 재생에너지 발전량 예측 모델 관리 시스템(1)은, 단말(110)과 서버(120)를 포함하여 구성될 수 있다. Referring to FIG. 1 , the renewable energy generation prediction
서버(120)는 제1 DB(125)를 포함할 수 있다. 제1 DB(125)는 예를 들어, RDB(Relational DB), 비관계형 데이터베이스인 NoSQL 등 중 어느 하나의 형태를 가질 수 있다.
한편, 재생에너지 발전량 예측 모델 관리 시스템(1)은, 제2 DB(130)를 더 포함하여 구성될 수 있다. On the other hand, the renewable energy generation prediction
상기 제2 DB(130)는, 본 발명에 따른 재생에너지 발전량 예측과 관련된 데이터를 저장할 수 있다. 따라서, 서버(120)는 상기 제2 DB(130)로부터 본 발명에 따른 재생에너지 발전량 예측 모델 학습, 관리 등 위한 데이터를 수집할 수 있다.The second DB 130 may store data related to prediction of generation amount of renewable energy according to the present invention. Therefore, the
실시예에 따라서, 상기 제2 DB(130)는 각 발전소, 발전기 등에 의한 실제 발전량 데이터를 저장할 수 있다. 따라서, 서버(120)는 상기 제2 DB(130)로부터 본 발명에 따른 재생에너지 발전량 예측 모델 관리를 위한 실제 발전량 데이터를 수집할 수 있다.Depending on the embodiment, the second DB 130 may store actual power generation data by each power plant or generator. Accordingly, the
서버(120)는 본 발명에 따른 따라서, 서버(120)는 본 발명에 따른 재생에너지 발전량 예측 모델 관리를 위한 플랫폼을 구축하여 제공할 수 있다.
단말(110)은 상기 서버(120)에 의해 제공되는 플랫폼을 통하여 재생에너지 발전량 예측 요청, 재생에너지 발전량 예측 모델 관리 요청 등을 수행하거나 도 5 내지 7과 같은 상기 요청 등을 포함하여 플랫폼에서 제공하는 다양한 사용자 인터페이스를 제공할 수 있다.The terminal 110 performs a renewable energy generation prediction request, a renewable energy generation prediction model management request, etc. through the platform provided by the
단말(110)은 편의상 단수로 도시하고 설명하나, 실시예에 따라서 복수 개일 수 있다.The terminal 110 is shown and described in a singular number for convenience, but may be plural according to embodiments.
단말(110)은 서버(120)에 의해 제공되는 플랫폼을 통해 재생에너지 발전량 예측 모델 관리 서비스에 가입한 회원이 보유한 단말일 수 있다.The terminal 110 may be a terminal possessed by a member who subscribes to a renewable energy power generation prediction model management service through a platform provided by the
실시예에 따라서, 단말(110)은 상기 플랫폼을 관리하는 관리자 단말일 수 있다.Depending on the embodiment, the terminal 110 may be a manager terminal that manages the platform.
단말(110)은 PC, TV 등과 같은 고정 단말이거나 스마트폰, 노트북, 태블릿pc 등과 같은 이동 단말의 형태일 수도 있다. The terminal 110 may be a fixed terminal such as a PC or TV or a mobile terminal such as a smart phone, a laptop computer, or a tablet PC.
실시예에 따라, 단말(110)은 본 발명에 따른 재생에너지 발전량 예측 모델 관리 시스템(1) 또는 서비스 이용을 위한 전용(dedicated) 단말 형태일 수도 있다. Depending on the embodiment, the terminal 110 may be in the form of a dedicated terminal for using the renewable energy generation prediction
다른 실시예에 따라, 단말(110)은 웨어러블 디바이스(wearable device)나 타 단말과 연동되어 작동하는 장치 형태일 수도 있다. According to another embodiment, the terminal 110 may be a wearable device or a device that operates in conjunction with other terminals.
다만, 본 발명에 따른 단말(110)은 전술한 예시에 한정되는 것은 아니며, 재생에너지 발전량 예측 모델 관리 시스템(1) 또는 서비스 이용에 필요한 최소한의 소프트웨어 또는/및 하드웨어를 포함하면 족하다.However, the terminal 110 according to the present invention is not limited to the above example, and it is enough to include the minimum software or / and hardware required for the renewable energy generation prediction
실시예에 따라, 단말(110)은 재생에너지 발전량 예측 모델 관리 시스템(1) 또는 서비스 이용과 관련된 펌웨어(firmware)나 소프트웨어를 내장할 수 있다. Depending on the embodiment, the terminal 110 may embed firmware or software related to the use of the renewable energy generation prediction
단말(110)은 본 발명에 따른 재생에너지 발전량 예측 모델 관리를 위한 어플리케이션(application) 등을 다운로드 받아 설치하고, 설치된 어플리케이션의 실행을 통하여 재생에너지 발전량 예측 모델 관리 시스템(1) 또는 서비스에 액세스하여 이용할 수도 있다. 이 때, 상기 어플리케이션은 재생에너지 발전량 예측 모델 관리 시스템(1)의 서버(120)에 의해 제작 배포된 것일 수 있다.The terminal 110 downloads and installs an application for managing the renewable energy generation prediction model according to the present invention, and accesses and uses the renewable energy generation prediction
다른 실시예에 따라, 단말(110)은 웹서비스 형태로 재생에너지 발전량 예측 모델 관리 시스템(1)의 서버(120)가 제공하는 플랫폼에 접속하거나 서비스 이용할 수도 있다. According to another embodiment, the terminal 110 may access a platform provided by the
단말(110)은 도 5 내지 7과 같은 사용자 인터페이스를 포함하여 본 발명에 따른 재생에너지 발전량 예측 모델 관리 서비스의 이용과 관련하여, 디스플레이, 스피커와 같은 출력 인터페이스를 구비할 수 있다.The terminal 110 may include an output interface such as a display and a speaker in relation to the use of the renewable energy generation prediction model management service according to the present invention, including the user interface shown in FIGS. 5 to 7 .
도 1 내지 도 2를 참조하면, 본 발명의 일실시예에 따른 서버(120)는, 메모리(210)와 프로세서(220)를 포함하여 구성될 수 있다.Referring to FIGS. 1 and 2 , a
메모리(210)는 도 1의 제1 DB(125)에 대응하는 구성이거나 그를 포함한 구성일 수 있다. The memory 210 may have a configuration corresponding to or including the first DB 125 of FIG. 1 .
메모리(210)는 서버(120) 또는 프로세서(220)에 의해 입출력되거나 가공 처리된 다양한 데이터를 저장할 수 있다.The memory 210 may store various data input/output or processed by the
도 3을 참조하면, 프로세서(220)는 통신 모듈(310), 전처리 모듈(320), 학습 모듈(330) 및 제어 모듈(340)을 포함하여 구성될 수 있다.Referring to FIG. 3 , the
통신 모듈(310)은 재생에너지 발전량 예측 모델 학습 및 관리에 필요한 데이터 수집을 위한 외부 소스(예를 들어, 도 1의 제2 DB(130)) 등과 사이에 통신 환경을 지원할 수 있다. The
이러한 통신 모듈은, 유선 통신 모듈, 무선 통신 모듈, 근거리 통신 모듈 등 중 적어도 하나를 포함할 수 있다.Such a communication module may include at least one of a wired communication module, a wireless communication module, and a short-distance communication module.
상기에서, 유선 통신 모듈은, 지역 통신(Local Area Network; LAN) 모듈, 광역 통신(Wide Area Network; WAN) 모듈 또는 부가가치 통신(Value Added Network; VAN) 모듈과 같은 통신 모듈뿐만 아니라, USB(Universal Serial Bus), HDMI(High Definition Multimedia Interface), DVI(Digital Visual Interface), RS-232(recommended standard-232), 전력선 통신, 또는 POTS(plain old telephone service)와 같은 케이블 통신 모듈을 포함할 수 있다. In the above, the wired communication module includes a communication module such as a Local Area Network (LAN) module, a Wide Area Network (WAN) module, or a Value Added Network (VAN) module, as well as a Universal Serial Bus (USB) module. Serial Bus), HDMI (High Definition Multimedia Interface), DVI (Digital Visual Interface), RS-232 (recommended standard-232), power line communication, or POTS (plain old telephone service). .
상기에서, 무선 통신 모듈은 와이-파이(Wi-fi) 모듈 외에도, 4G(eneration), 5G, 6G 등 다양한 무선통신 방식을 지원하는 통신 모듈을 포함할 수 있다.In the above, the wireless communication module may include a communication module supporting various wireless communication schemes such as 4G (eneration), 5G, and 6G, in addition to the Wi-Fi module.
상기 근거리 통신 모듈은 근거리 통신을 위한 것으로서, 블루투스(Bluetooth??), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), UWB(Ultra Wideband), 지그비(ZigBee), Wi-Fi(Wireless-Fidelity), Wi-Fi Direct와 같은 기술 중 적어도 하나를 이용하여, 근거리 통신을 지원할 수 있다.The short-range communication module is for short-distance communication, and includes Bluetooth®, Radio Frequency Identification (RFID), Infrared Data Association (IrDA), Ultra Wideband (UWB), ZigBee, Wi-Fi ( Short-distance communication may be supported using at least one of technologies such as Wireless-Fidelity) and Wi-Fi Direct.
통신 모듈(310)은 재생에너지 발전량에 관한 데이터를 수집할 수 있다.The
전처리 모듈(320)은 수집된 재생에너지 발전량에 관한 데이터를 미리 생성된 재생에너지 발전량 예측 모델을 통해 학습할 수 있도록 전처리할 수 있다.The
학습 모델(330)은, 재생에너지 발전량에 관한 데이터에 기초하여 인공지능 기반으로 미리 생성된 재생에너지 발전량 예측 모델을 학습하고, 상기 학습 결과에 기초하여 재생에너지 발전량 예측 결과 데이터를 생성할 수 있다.The
제어 모듈(340)은 통신 모듈(310)을 통해 실제 재생에너지 발전량 데이터를 입력받는 경우, 상기 실제 재생에너지 발전량 데이터와 상기 재생에너지 발전량 예측 결과 데이터를 비교할 수 있다.When receiving actual renewable energy generation data through the
제어 모듈(340)은, 비교 결과 상기 재생에너지 발전량 예측 결과 데이터와 상기 실제 재생에너지 발전량 데이터의 차이가 임계치 이상인 경우, 상기 생성된 재생에너지 발전량 예측 모델을 업데이트하도록 제어할 수 있다.The control module 340 may control to update the generated renewable energy generation prediction model when the difference between the renewable energy generation prediction result data and the actual renewable energy generation amount data is greater than or equal to a threshold value as a comparison result.
제어 모듈(340)은, 비교 결과 상기 재생에너지 발전량 예측 결과 데이터와 상기 실제 재생에너지 발전량 데이터의 차이가 임계치 미만인 경우, 상기 수집한 재생에너지 발전량에 관한 데이터, 상기 재생에너지 발전량 예측 결과 데이터 및 상기 실제 재생에너지 발전량 데이터를 매핑(mapping)하여 기록하도록 제어할 수 있다.The control module 340, as a comparison result, when the difference between the renewable energy generation prediction result data and the actual renewable energy generation data is less than a threshold value, the collected renewable energy generation data, the renewable energy generation prediction result data, and the actual Renewable energy generation data can be controlled to be mapped and recorded.
제어 모듈(340)은, 단말(110)에서 이용 가능하도록 지원하기 위해, 본 개시에 따른 다양한 데이터의 처리와 관련하여 알고리즘이나 로직(logic) 또는/및 그에 관련된 API(Application Programming Interface)나 플러그-인(plug-in) 등을 제공할 수 있다.The control module 340, in order to support use in the terminal 110, in relation to the processing of various data according to the present disclosure, algorithms or logics (logic) or / and related API (Application Programming Interface) or plug- A plug-in may be provided.
도 4는 본 발명의 일실시예에 따른 재생에너지 발전량 예측 모델 관리 방법을 설명하기 위해 도시한 순서도이다.4 is a flowchart illustrating a method for managing a renewable energy generation prediction model according to an embodiment of the present invention.
도 5 내지 7은 본 발명의 일실시예에 따른 재생에너지 발전량 예측 모델 관리와 관련된 사용자 인터페이스를 설명하기 위해 도시한 도면이다.5 to 7 are diagrams illustrating a user interface related to management of a renewable energy generation prediction model according to an embodiment of the present invention.
도 4를 참조하면, 본 발명의 일실시예에 따른 재생에너지 발전량 예측 모델 관리 동작은 다음과 같이 이루어질 수 있다.Referring to Figure 4, the renewable energy generation prediction model management operation according to an embodiment of the present invention can be made as follows.
이하에서는 설명의 편의상, 서버(120)의 관점에서, 재생에너지 발전량 예측 모델 관리 동작에 대해 기술하나, 이에 한정되는 것은 아니다.Hereinafter, for convenience of explanation, from the viewpoint of the
동작 S101에서, 서버(120)는 재생에너지 발전량에 관한 데이터를 수집할 수 있다.In operation S101, the
여기서, 수집되는 재생에너지 발전량에 관한 데이터는 후술하는 실제 재생에너지 발전량 데이터와는 구분되며, 재생에너지 발전소 내지 발전기에 대한 정보, 계절이나 날씨에 대한 정보, 시간 정보 등이 포함될 수 있다. 상기 재생에너지 발전소 내지 발전기에 대한 정보는, 해당 발전소 내지 발전기를 식별하는 식별자 정보, 위치 정보, 발전량 정보 등이 포함될 수 있다. 상기 발전량 정보에는 이전 실제 발전량에 대한 정보일 수 있다.Here, the collected renewable energy generation data is distinguished from actual renewable energy generation data to be described later, and may include information on renewable energy power plants or generators, season or weather information, time information, and the like. The information on the renewable energy power plant or generator may include identifier information for identifying the corresponding power plant or generator, location information, generation amount information, and the like. The power generation amount information may be information on a previous actual power generation amount.
동작 S103에서, 서버(120)는 상기 재생에너지 발전량에 관한 데이터에 기초하여 인공지능 기반으로 생성된 재생에너지 발전량 예측 모델을 학습할 수 있다.In operation S103, the
동작 S105에서, 서버(120)는 (c) 상기 학습 결과에 기초하여 재생에너지 발전량 예측 결과 데이터를 생성할 수 있다.In operation S105, the
동작 S107에서, 서버(120)는 (d) 실제 재생에너지 발전량 데이터를 입력받을 수 있다.In operation S107, the
동작 S109에서, 서버(120)는 (e) 상기 실제 재생에너지 발전량 데이터와 상기 재생에너지 발전량 예측 결과 데이터의 차이가 임계치 이상인지 비교할 수 있다. In operation S109, the
동작 S111에서, 서버(120)는 상기 S109 단계의 비교 결과 상기 재생에너지 발전량 예측 결과 데이터와 상기 실제 재생에너지 발전량 데이터의 차이가 임계치 이상인 경우, 상기 생성된 재생에너지 발전량 예측 모델을 업데이트할 수 있다.In operation S111, the
일실시예에 따르면, 상기 동작 S101 단계 내지 S111 단계는, 미리 정한 주기로 반복 수행될 수 있다.According to an embodiment, the operations S101 to S111 may be repeatedly performed at predetermined cycles.
상기 도 4에 개시된 동작 수행함에 있어서, 서버(120)는 상기 인공지능 기반 재생에너지 발전량 예측 모델을 생성할 수 있다.In performing the operation disclosed in FIG. 4, the
서버(120)는 상기 수집된 재생에너지 발전량에 관한 데이터를 전처리하고, 상기 전처리된 재생에너지 발전량 데이터가 저장되도록 제어할 수 있다.The
한편, 서버(120)는 상기 S109 단계 비교 결과 상기 재생에너지 발전량 예측 결과 데이터와 상기 실제 재생에너지 발전량 데이터의 차이가 임계치 미만인 경우, 상기 수집한 재생에너지 발전량에 관한 데이터, 상기 재생에너지 발전량 예측 결과 데이터 및 상기 실제 재생에너지 발전량 데이터를 매핑(mapping)하여 기록할 수 있다.On the other hand, the
도 5 내지 7에서는 본 발명에 따라 서버(120)에 의해 제공되는 플랫폼을 통하여 재생에너지 발전량 예측 모델 관리에 관한 사용자 인터페이스가 도시되었다.In FIGS. 5 to 7 , a user interface related to management of a renewable energy generation prediction model is shown through a platform provided by the
도 5의 (a)를 참조하면, 그래프 형태로 구현된 발전량 데이터가 그래프 형태로 도시되었다. Referring to (a) of FIG. 5 , power generation data implemented in a graph form is shown in a graph form.
도 5의 (a)를 참조하면, 실제 발전량 데이터, 예측 발전량 데이터, 수익률 데이터, 실제 발전량 데이터와 예측 발전량 데이터의 오차율에 대한 데이터가 제공될 수 있다.Referring to (a) of FIG. 5 , actual power generation data, predicted power generation data, rate of return data, and data on error rates between actual power generation data and predicted power generation data may be provided.
도 5의 (a)를 참조하면, 발전량 데이터의 시기에 대한 정보를 선택하여, 제공받을 수 있다.Referring to (a) of FIG. 5 , information about the timing of power generation data may be selected and provided.
도 5의 (b)를 참조하면, 발전 형태나 규모 등을 기준으로 구분되어 그룹핑되는 포트폴리오를 구축한 것을 도시하였다. 도 5의 (b)에서 특정 포트폴리오가 선택되면, 도 5의 (a)의 그래프 형태의 발전량 데이터가 선택된 포트폴리오에 대한 발전량 데이터를 제공할 수 있다.Referring to (b) of FIG. 5, it is shown that a portfolio is divided and grouped based on the type or size of power generation. When a specific portfolio is selected in (b) of FIG. 5 , power generation data in the form of a graph of FIG. 5 (a) may provide power generation data for the selected portfolio.
도 6은 본 발명에 따른 재생에너지 발전량 예측 모델을 통해 학습한 내일의 예측 발전량을 도시한 것이다.Figure 6 shows tomorrow's predicted power generation learned through the renewable energy power generation prediction model according to the present invention.
도 7은 본 발명에 따른 재생에너지 발전량 예측 모델을 통해 대한민국의 지역별 발전량에 관한 정보를 제공하는 사용자 인터페이스가 도시되었다.7 is a user interface for providing information on the amount of power generation by region in Korea through a renewable energy generation prediction model according to the present invention.
도 7의 (a)를 참조하면, 서버(120)는 지도 맵을 통해 각 지역 단위의 발전형태에 따른 발전량 데이터를 제공할 수 있다.Referring to (a) of FIG. 7 , the
도 7의 (b)를 참조하면, 서버(120)는 도 7의 (a)에서 선택된 특정 지역이나 대한민국 전체의 발전량에 대한 정보를 제공할 수 있다.Referring to (b) of FIG. 7 , the
본 발명에 따른 재생에너지 발전량 예측 모델을 주기적으로 업데이트 등 관리를 통하여, 실시간으로 재생에너지의 발전량을 예측하여 제공할 수 있다.Through management such as periodic update of the renewable energy generation prediction model according to the present invention, it is possible to predict and provide the generation amount of renewable energy in real time.
본 발명에 따른 재생에너지 발전량 예측 모델은 각 지역별, 각 발전소 내지 발전 형태별로 구축될 수 있다.The renewable energy power generation prediction model according to the present invention can be built for each region, each power plant or generation type.
서버(120)는 본 발명에 따른 재생에너지 발전량 예측 모델 관리를 통하여, 해당 모델이 업데이트 된 경우에는, 업데이트 사실을 고지할 수 있다.The
서버(120)는 본 발명에 따른 재생에너지 발전량 예측 모델의 업데이트를 통해 오차율이 개선된 경우, 개선된 오차율을 식별 가능하도록 제공할 수 있다.The
서버(120)는 본 발명에 따른 재생에너지 발전량 예측 모델 관리를 통하여 모델이 업데이트되었으나, 오차율이 개선되지 않은 경우에는 업데이트된 모델을 삭제하고 직전 모델을 다시 호출하여 재생에너지 발전량에 대한 예측 결과 데이터를 제공할 수 있다. 서버(120)는 상기 업데이트 및 업데이트된 모델의 삭제에 관련된 데이터를 별도 관리하여, 다음 학습 모델 업데이트에 반영할 수 있다.The
상술한 본 발명에 따르면, 재생에너지 발전량 예측 성능 유지를 위한 예측 모델 관리 방법 및 시스템을 제공하여, 인공지능 기반으로 재생에너지 발전량 예측의 불확실성을 최소화할 수 있어, 전력망 안정에 기여할 수 있다. 이와 같이, 재생에너지 발전량 예측을 통해 발전기 추가 기동이나 정지에 따른 비용 절감 등 효율적으로 전력 계통을 운영할 수 있게 된다.According to the present invention described above, by providing a predictive model management method and system for maintaining renewable energy generation prediction performance, it is possible to minimize the uncertainty of renewable energy generation prediction based on artificial intelligence, thereby contributing to power grid stability. In this way, it is possible to operate the power system efficiently, such as cost reduction due to additional start-up or stop of a generator, through prediction of generation amount of renewable energy.
한편, 상술한 방법은, 컴퓨터에서 실행될 수 있는 프로그램으로 작성 가능하고, 컴퓨터 판독 가능 매체를 이용하여 상기 프로그램을 동작시키는 범용 디지털 컴퓨터에서 구현될 수 있다. 또한, 상술한 방법에서 사용된 데이터의 구조는 컴퓨터 판독 가능 매체에 여러 수단을 통하여 기록될 수 있다. 본 발명의 다양한 방법들을 수행하기 위한 실행 가능한 컴퓨터 코드를 저장하는 컴퓨터 판독 가능 매체는 마그네틱 저장매체(예를 들면, 롬, 플로피 디스크, 하드 디스크 등), 광학적 판독 매체(예를 들면, CD, DVD 등)와 같은 저장 매체를 포함한다.Meanwhile, the above-described method can be written as a program that can be executed on a computer, and can be implemented in a general-purpose digital computer that operates the program using a computer-readable medium. In addition, the structure of data used in the above method can be recorded on a computer readable medium through various means. Computer-readable media storing executable computer codes for performing various methods of the present invention include magnetic storage media (eg, ROM, floppy disk, hard disk, etc.), optical readable media (eg, CD, DVD) etc.).
본원 발명의 실시예들과 관련된 기술 분야에서 통상의 지식을 가진 자는 상기 기재의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로, 개시된 방법들은 한정적인 관점이 아닌 설명적 관점에서 고려되어야 한다. 본 발명의 범위는 발명의 상세한 설명이 아닌 특허청구 범위에 나타나며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명의 범위에 포함되는 것으로 해석되어야 한다.Those skilled in the art related to the embodiments of the present invention will be able to understand that it may be implemented in a modified form without departing from the essential characteristics of the above description. Therefore, the disclosed methods are to be considered in an illustrative rather than a limiting sense. The scope of the present invention is shown in the claims rather than the detailed description of the invention, and all differences within the equivalent range should be construed as being included in the scope of the present invention.
Claims (10)
(a1) 재생에너지 발전량에 관한 데이터를 수집하는 단계;
(a2) 수집된 재생에너지 발전량에 관한 데이터를 전처리하고, 전처리된 데이터를 저장하는 단계;
(b) 상기 재생에너지 발전량에 관한 데이터에 기초하여 인공지능 기반으로 생성된 재생에너지 발전량 예측 모델을 학습하고, 상기 예측 모델은 통계적 방법, 머신러닝 및 인공신경망 알고리즘에 의하여 생성되는 단계;
(c) 상기 학습 결과에 기초하여 재생에너지 발전량 예측 결과 데이터를 생성하는 단계;
(d) 실제 재생에너지 발전량 데이터를 입력받고, 재생에너지 모니터링 시스템에 연계하여 데이터를 연동하는 단계;
(e) 상기 실제 재생에너지 발전량 데이터와 상기 재생에너지 발전량 예측 결과 데이터를 비교하여 오차를 계산하는 단계;
(f1) 상기 비교 결과 상기 재생에너지 발전량 예측 결과 데이터와 상기 실제 재생에너지 발전량 데이터의 오차-상기 데이터의 오차는 평균제곱근편차 또는 평균절대값오차로 계산된다-가 임계치 이상인 경우, 상기 생성된 재생에너지 발전량 예측 모델을 업데이트하는 단계; 및
(f2) 상기 비교 결과 상기 재생에너지 발전량 예측 결과 데이터와 상기 실제 재생에너지 발전량 데이터의 차이가 임계치 미만인 경우, 상기 수집한 재생에너지 발전량에 관한 데이터, 상기 재생에너지 발전량 예측 결과 데이터 및 상기 실제 재생에너지 발전량 데이터를 매핑하여 기록하는 단계;
(g1) 실제 발전량 데이터, 예측 발전량 데이터, 수익률 데이터, 실제 발전량 데이터와 예측 발전량 데이터의 오차율에 관한 데이터를 제공하는 단계;
(g2) 발전 형태 또는 규모에 따라 그룹핑되는 포트폴리오가 구축되는 단계;
(g3) 상기 재생에너지 발전량 예측 모델을 통해 학습한 내일의 예측 발전량, 지역별 발전량에 관한 정보, 지역 단위의 발전형태에 따른 발전량 데이터, 선택된 특정 지역 또는 국내 전체의 발전량에 관한 정보를 제공하는 단계;
(g4) 상기 재생에너지 발전량 예측 모델이 업데이트된 경우 업데이트된 것을 고지하거나, 업데이트 후 오차율이 개선된 경우 개선된 오차율을 식별 가능하도록 제공하는 단계;
(h) 재생에너지 발전량 예측 모델이 업데이트되었으나, 오차율이 개선되지 않은 경우 업데이트된 모델을 삭제하고 직전 모델을 다시 호출하여 재생에너지 발전량에 따른 예측 결과 데이터를 제공하고, 업데이트된 모델의 삭제에 관련된 데이터를 별도 관리하여 다음 학습 모델 업데이트에 반영하는 단계;를 포함하는 것으로서,
상기 (a1), (b) 내지 (f1) 단계는, 미리 정한 주기로 반복 수행되고,
상기 재생에너지 발전량 예측 모델은 각 지역별, 발전소 내지 발전 형태별로 구축되는 것인,
재생에너지 발전량 예측 모델 관리 방법.Each step is performed by the server,
(a1) collecting data on the amount of renewable energy generation;
(a2) pre-processing the collected renewable energy generation data and storing the pre-processed data;
(b) learning a renewable energy generation prediction model generated based on artificial intelligence based on the renewable energy generation data, and the prediction model is generated by statistical methods, machine learning and artificial neural network algorithms;
(c) generating renewable energy generation prediction result data based on the learning result;
(d) receiving actual renewable energy generation data and linking the data to a renewable energy monitoring system;
(e) calculating an error by comparing the actual renewable energy generation data and the renewable energy generation prediction result data;
(f1) As a result of the comparison, when the error between the renewable energy generation prediction result data and the actual renewable energy generation data - the error of the data is calculated as the root mean square deviation or the mean absolute value error - is greater than or equal to a threshold value, the generated renewable energy Updating a power generation prediction model; and
(f2) As a result of the comparison, when the difference between the predicted renewable energy generation amount data and the actual renewable energy generation data is less than the threshold value, the collected renewable energy generation data, the renewable energy generation prediction result data, and the actual renewable energy generation amount Mapping and recording data;
(g1) providing actual power generation data, predicted power generation data, rate of return data, and error rates between actual power generation data and predicted power generation data;
(g2) establishing a portfolio grouped according to the type or scale of development;
(g3) tomorrow's predicted power generation learned through the renewable energy power generation prediction model, information on the power generation by region, power generation data according to the type of power generation in the region, a selected specific region or the entire country Providing information on the power generation;
(g4) notifying that the renewable energy generation prediction model is updated, or providing an identifiable error rate when the error rate is improved after the update;
(h) If the renewable energy generation prediction model is updated, but the error rate is not improved, the updated model is deleted and the previous model is called again to provide prediction result data according to the renewable energy generation amount, and data related to the deletion of the updated model Separately managing and reflecting it in the next learning model update; including,
The steps (a1), (b) to (f1) are repeatedly performed at a predetermined cycle,
The renewable energy power generation prediction model is built for each region, power plant or power generation type,
Renewable energy generation prediction model management method.
프로세서를 포함하되,
상기 프로세서는,
(a1) 재생에너지 발전량에 관한 데이터를 수집하여, (a2) 수집된 재생에너지 발전량에 관한 데이터를 전처리하고 전처리된 데이터를 저장하며, (b) 상기 재생에너지 발전량에 관한 데이터에 기초하여 인공지능 기반으로 생성된 재생에너지 발전량 예측 모델을 학습하고, (c) 상기 학습 결과에 기초하여 재생에너지 발전량 예측 결과 데이터를 생성하고, (d) 실제 재생에너지 발전량 데이터를 입력받는 경우 또는 재생에너지 발전소 모니터링 시스템에 연동하여 발전량 데이터를 자동으로 수집하는 경우, (e) 상기 실제 재생에너지 발전량 데이터와 상기 재생에너지 발전량 예측 결과 데이터를 비교하여 오차를 계산하고, (f1) 상기 비교 결과 상기 재생에너지 발전량 예측 결과 데이터와 상기 실제 재생에너지 발전량 데이터의 오차-상기 데이터의 오차는 평균제곱근편차 또는 평균절대값오차로 계산된다-가 임계치 이상인 경우, 상기 생성된 재생에너지 발전량 예측 모델을 업데이트하는 것이고, (f2) 상기 비교 결과 상기 재생에너지 발전량 예측 결과 데이터와 상기 실제 재생에너지 발전량 데이터의 차이가 임계치 미만인 경우, 상기 수집한 재생에너지 발전량에 관한 데이터, 상기 재생에너지 발전량 예측 결과 데이터 및 상기 실제 재생에너지 발전량 데이터를 매핑하여 기록하며, (g1) 실제 발전량 데이터, 예측 발전량 데이터, 수익률 데이터, 실제 발전량 데이터와 예측 발전량 데이터의 오차율에 관한 데이터를 제공하고,
(g2) 발전 형태 또는 규모에 따라 그룹핑되는 포트폴리오를 구축하고,
(g3) 상기 재생에너지 발전량 예측 모델을 통해 학습한 내일의 예측 발전량, 지역별 발전량에 관한 정보, 지역 단위의 발전형태에 따른 발전량 데이터, 선택된 특정 지역 또는 국내 전체의 발전량에 관한 정보를 제공하고,
(g4) 상기 재생에너지 발전량 예측 모델이 업데이트된 경우 업데이트된 것을 고지하거나, 업데이트 후 오차율이 개선된 경우 개선된 오차율을 식별 가능하도록 제공하며,
(h) 재생에너지 발전량 예측 모델이 업데이트되었으나, 오차율이 개선되지 않은 경우 업데이트된 모델을 삭제하고 직전 모델을 다시 호출하여 재생에너지 발전량에 따른 예측 결과 데이터를 제공하고, 업데이트된 모델의 삭제에 관련된 데이터를 별도 관리하여 다음 학습 모델 업데이트에 반영하는 것;을 포함하는 것으로서,
상기 (a1), (b) 내지 (f1) 단계는, 미리 정한 주기로 반복 수행되고,
상기 재생에너지 발전량 예측 모델은 각 지역별, 발전소 내지 발전 형태별로 구축되는 것인,
재생에너지 발전량 예측 모델 관리 장치.Memory; and
including a processor;
the processor,
(a1) collects data on renewable energy generation, (a2) preprocesses the collected renewable energy generation data and stores the preprocessed data, (b) based on artificial intelligence based on the renewable energy generation data Learning the generated renewable energy generation prediction model, (c) generating renewable energy generation prediction result data based on the learning result, and (d) receiving actual renewable energy generation data or to the renewable energy power plant monitoring system In the case of automatically collecting power generation data in conjunction, (e) calculating an error by comparing the actual renewable energy generation data and the renewable energy generation prediction result data, (f1) the comparison result with the renewable energy generation prediction result data When the error of the actual renewable energy generation data - the error of the data is calculated as the root mean square deviation or the mean absolute value error - is greater than the threshold value, the generated renewable energy generation prediction model is updated, (f2) the comparison result When the difference between the renewable energy generation prediction result data and the actual renewable energy generation data is less than a threshold, the collected renewable energy generation data, the renewable energy generation prediction result data and the actual renewable energy generation data are mapped and recorded , (g1) provide actual power generation data, predicted power generation data, yield data, data on the error rate of actual power generation data and predicted power generation data,
(g2) build a portfolio grouped by type or scale of development;
(g3) Tomorrow's predicted power generation learned through the renewable energy power generation prediction model, information on the power generation by region, power generation data according to the type of power generation in the region, and information on the power generation in a selected specific region or the entire country,
(g4) If the renewable energy generation prediction model is updated, notify that it has been updated, or if the error rate is improved after the update, provide the improved error rate to be identifiable,
(h) If the renewable energy generation prediction model is updated, but the error rate is not improved, the updated model is deleted and the previous model is called again to provide prediction result data according to the renewable energy generation amount, and data related to the deletion of the updated model to be separately managed and reflected in the next learning model update; including,
The steps (a1), (b) to (f1) are repeatedly performed at a predetermined cycle,
The renewable energy power generation prediction model is built for each region, power plant or power generation type,
Renewable energy generation prediction model management device.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220143150A KR102542059B1 (en) | 2022-10-31 | 2022-10-31 | Method, apparatus and system of managing model for predition of power generation of renewable energy |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220143150A KR102542059B1 (en) | 2022-10-31 | 2022-10-31 | Method, apparatus and system of managing model for predition of power generation of renewable energy |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102542059B1 true KR102542059B1 (en) | 2023-06-20 |
Family
ID=86994875
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220143150A KR102542059B1 (en) | 2022-10-31 | 2022-10-31 | Method, apparatus and system of managing model for predition of power generation of renewable energy |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102542059B1 (en) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200057821A (en) * | 2018-11-13 | 2020-05-27 | 주식회사 에코시안 | solar photovoltatic power generation forecasting apparatus and method based on big data analysis |
| KR20220010276A (en) | 2020-07-17 | 2022-01-25 | 한국전력공사 | Apparatus and method for generating a aggregation model for renewable energy analysis |
| KR20220071740A (en) * | 2020-11-24 | 2022-05-31 | 서강대학교산학협력단 | Photovoltaic forecasting method and system |
| KR102444254B1 (en) * | 2021-04-05 | 2022-09-19 | 주식회사 풍성인더스 | Solar power generation prediction system and method |
-
2022
- 2022-10-31 KR KR1020220143150A patent/KR102542059B1/en active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200057821A (en) * | 2018-11-13 | 2020-05-27 | 주식회사 에코시안 | solar photovoltatic power generation forecasting apparatus and method based on big data analysis |
| KR20220010276A (en) | 2020-07-17 | 2022-01-25 | 한국전력공사 | Apparatus and method for generating a aggregation model for renewable energy analysis |
| KR20220071740A (en) * | 2020-11-24 | 2022-05-31 | 서강대학교산학협력단 | Photovoltaic forecasting method and system |
| KR102444254B1 (en) * | 2021-04-05 | 2022-09-19 | 주식회사 풍성인더스 | Solar power generation prediction system and method |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bustos et al. | Energy storage and transmission expansion planning: substitutes or complements? | |
| Egerera et al. | European electricity grid infrastructure expansion in a 2050 context | |
| US20110071882A1 (en) | Method and system for intermediate to long-term forecasting of electric prices and energy demand for integrated supply-side energy planning | |
| Guigues et al. | The value of rolling-horizon policies for risk-averse hydro-thermal planning | |
| JP7161268B2 (en) | Quantifying the combined impact of interdependent and uncertain resources within the power grid | |
| Fallahi et al. | Integrated unit commitment and natural gas network operational planning under renewable generation uncertainty | |
| Javadi et al. | An augmented NSGA-II technique with virtual database to solve the composite generation and transmission expansion planning problem | |
| US11847591B2 (en) | Short-term load forecasting | |
| da Silva et al. | Parallel processing applied to the planning of hydrothermal systems | |
| KR102542058B1 (en) | Method and system of predicting and managing of probabilistic solar power generation | |
| Ji et al. | Day-ahead and intra-day optimization for energy and reserve scheduling under wind uncertainty and generation outages | |
| Rastgou et al. | Flexible and robust distribution network expansion planning in the presence of distributed generators | |
| Li et al. | Stochastic production simulation for generating capacity reliability evaluation in power systems with high renewable penetration | |
| Liu et al. | Optimal design of low-carbon energy systems towards sustainable cities under climate change scenarios | |
| Bhuvanesh et al. | Application of differential evolution algorithm and its variants for solving energy storage technologies integrated generation expansion planning | |
| Fernández‐Muñoz et al. | Unit commitment in a hybrid diesel/wind/pumped‐storage isolated power system considering the net demand intra‐hourly variability | |
| Bødal et al. | Capacity expansion planning with stochastic rolling horizon dispatch | |
| KR102542059B1 (en) | Method, apparatus and system of managing model for predition of power generation of renewable energy | |
| Wu et al. | Robust load restoration optimization of power system considering the Spatial-Temporal correlation of wind power | |
| Cho et al. | Three-stage robust unit commitment considering decreasing uncertainty in wind power forecasting | |
| Zhu et al. | Robust post-disaster repair crew dispatch for distribution systems considering the uncertainty of switches | |
| Filipova-Petrakieva et al. | Short-Term Forecasting of Hourly Electricity Power Demand: Reggresion and Cluster Methods for Short-Term Prognosis | |
| Patsakos et al. | A survey on deep learning for building load forecasting | |
| Wu et al. | Security‐Constrained Unit Commitment with Uncertainties | |
| US20140365023A1 (en) | Systems and Methods for Computer Implemented Energy Management |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |