KR102578639B1 - 기계학습을 이용한 단계적 태양광 발전량 예측 장치 및 방법 - Google Patents
기계학습을 이용한 단계적 태양광 발전량 예측 장치 및 방법 Download PDFInfo
- Publication number
- KR102578639B1 KR102578639B1 KR1020180108435A KR20180108435A KR102578639B1 KR 102578639 B1 KR102578639 B1 KR 102578639B1 KR 1020180108435 A KR1020180108435 A KR 1020180108435A KR 20180108435 A KR20180108435 A KR 20180108435A KR 102578639 B1 KR102578639 B1 KR 102578639B1
- Authority
- KR
- South Korea
- Prior art keywords
- power generation
- term
- solar power
- data
- past
- Prior art date
Links
- 238000010248 power generation Methods 0.000 title claims abstract description 197
- 238000010801 machine learning Methods 0.000 title claims abstract description 88
- 238000000034 method Methods 0.000 title claims abstract description 24
- 230000007774 longterm Effects 0.000 claims abstract description 85
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000009434 installation Methods 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 238000004146 energy storage Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명은 과거의 일기 예보 데이터와 태양광 발전량 데이터를 기반으로 학습모델을 생성한 후, 미래의 일기 예보 데이터를 학습모델에 입력하여 미래 시점의 태양광 발전량을 예측할 수 있도록 하는 기계학습을 이용한 단계적 태양광 발전량 예측 장치 및 방법에 관한 것으로서, 본 발명의 일 실시예는, 과거의 장기 일기 예보 데이터와 과거의 장기 태양광 발전량 데이터를 입력 받아 기계 학습을 통해 장기 과거 예측 모델을 생성한 후, 생성된 장기 과거 예측 모델에 미래의 장기 일기 예보 데이터를 입력하여 미래의 장기 태양광 발전량 예측 데이터를 출력하는 제 1 기계학습부(20); 과거의 단기 일기 예보 데이터, 과거의 단기 태양광 발전량 데이터 및 상기 제 1 기계학습부(20)에서 출력된 미래의 장기 태양광 발전량 예측 데이터를 입력받아 기계 학습을 통해 단기 과거 예측 모델을 생성한 후, 생성된 단기 과거 예측 모델에 과거의 단기 일기 예보 데이터와 과거의 단기 태양광 발전량 데이터 및 상기 제 1 기계학습부(20)에서 출력된 미래의 장기 태양광 발전량 예측 데이터를 입력하여 미래의 단기 태양광 발전량 예측 데이터를 출력하는 제 2 기계학습부(30); 및 상기 제 1 기계학습부(20)와 제 2 기계학습부(30)로 상기 일기 예보 데이터들과 상기 태양광 발전량 데이터들을 입력하는 입력부(10);를 포함하는 태양광 발전량 예측 장치를 제공한다.
Description
본 발명은 태양광 발전량 예측에 관한 것으로서, 더욱 상세하게는, 과거의 일기 예보 데이터와 태양광 발전량 데이터를 기반으로 학습모델을 생성한 후, 미래의 일기 예보 데이터를 학습모델에 입력하여 미래 시점의 태양광 발전량을 예측할 수 있도록 하는 기계학습을 이용한 단계적 태양광 발전량 예측 장치 및 방법에 관한 것이다.
태양광 발전의 계통 점유율이 급격히 증가하여, 2016년 기준으로 전 세계에 303 GW의 태양광 발전 시설이 설치되었다. 현재까지의 증가 추세를 토대로 연평균 증가율을 21.65 %로 가정하는 경우, 2019년 한 해에만 총 107.1 GW의 태양광 발전 시설이 설치될 것으로 전망된다.
전력 계통의 안정적인 운영을 위해 발전 단가를 결정하기 위해서는 정확한 발전 및 부하량을 예측할 수 있어야 한다. 그러나 태양광 발전의 출력은 매우 불안정하기 때문에 그 예측이 어려우며, 태양광 발전의 불안정한 출력 특성은 전력계통의 운영에 불확실성과 변동성을 가중시켜 전력 계통운영을 어렵게 한다.
이에 따라, 한국등록특허 제10-1761686호는 과거 기후, 발전량, 구름 이미지 데이터를 DTW 알고리즘을 이용하여 예측 모델을 생성하고, 예측 모델에 현재 기후, 발전량, 구름 이미지 데이터를 입력하여 태양광 발전량을 예측하는 것을 개시한다.
또한, 일본공개특허 제2017-200360호는 카메라로 촬영된 하늘 화상을 이용해 기계학습 알고리즘에 따라 태양광 발전량을 예측하는 것을 개시한다.
일반적으로, 전력 계통의 운영을 위해서는 경제적 운영을 위해 하루 전 예측(1 시간 단위) 및 예측 오차를 줄이기 위한 실시간 제어를 위한 1 시간 전 예측(15 분 이하의 단위)이 모두 필요하게 된다.
그러나 상술한 종래기술들의 경우, 전력 계통의 경제적 운영을 위한 1 시간 단위의 하루 전 예측이나, 예측 오차를 줄이기 위한 실시간 제어를 위한 15 분 이하의 시간 단위의 1 시간 전 예측을 제공하지 못하는 문제점을 가진다.
또한, 학습 기법을 이용한 예측 기술의 경우 발전량 예측을 위해서는 장기간에 걸친 누적된 과거 태양광 발전량 데이터가 있어야 하나, 신규 태양광 발전 시스템의 경우 장기간에 걸친 발전량 누적 데이터가 없기 때문에 학습 기법을 이용한 태양광 발전량 예측을 수행할 수 없는 문제점이 있다.
따라서 상술한 종래기술의 문제점을 해결하기 위한 본 발명은, 단기 또는 초단기 과거의 일기 예보 데이터와 태양광 발전량 데이터를 기 설정된 시간 간격으로 수집한 후 기계학습을 위한 신경망 알고리즘을 2 단계로 적용하여, 학습 모델인 장기 과거 예측 모델과 단기 과거 예측 모델을 생성하여 전력 계통의 경제적 운영을 위한 미래 장기 태양광 발전량 예측 및 예측 오차를 줄이기 위한 실시간 제어를 위한 미래 단기 태양광 발전량 예측을 수행할 수 있도록 하는 기계학습을 이용한 단계적 태양광 발전량 예측 장치 및 방법을 제공하는 것을 목적으로 한다.
상술한 목적을 달성하기 위한 본 발명의 일 실시예는,
경제적 운영을 위한 예측 기간 대응 과거의 장기 일기 예보 데이터와 과거의 장기 태양광 발전량 데이터를 입력 받아 기계 학습을 통해 장기 과거 예측 모델을 생성한 후, 생성된 장기 과거 예측 모델에 미래의 장기 일기 예보 데이터를 입력하여 미래의 장기 태양광 발전량 예측 데이터를 출력하는 제 1 기계학습부(20);
예측 오차를 줄이기 위한 예측 기간 대응 과거의 단기 일기 예보 데이터, 과거의 단기 태양광 발전량 데이터 및 상기 제 1 기계학습부(20)에서 출력된 미래의 장기 태양광 발전량 예측 데이터를 입력받아 기계 학습을 통해 단기 과거 예측 모델을 생성한 후, 생성된 단기 과거 예측 모델에 과거의 단기 일기 예보 데이터와 과거의 단기 태양광 발전량 데이터 및 상기 제 1 기계학습부(20)에서 출력된 미래의 장기 태양광 발전량 예측 데이터를 입력하여 미래의 단기 태양광 발전량 예측 데이터를 출력하는 제 2 기계학습부(30); 및
상기 제 1 기계학습부(20)와 제 2 기계학습부(30)로 상기 일기 예보 데이터들과 상기 태양광 발전량 데이터들을 입력하는 입력부(10);를 포함하는 태양광 발전량 예측 장치를 제공한다.
상술한 목적을 달성하기 위한 본 발명의 다른 실시예는,
입력부(10)와 제 1 기계학습부(20)와 제 2 기계학습부(30)를 포함하는 태양광 발전량 예측 장치에 의한 태양광 발전량 예측 방법에 있어서,
상기 제 1 기계학습부(20)가 입력부(10)로부터 과거의 장기 일기 예보 데이터와 과거의 장기 태양광 발전량 데이터를 입력 받아 기계 학습을 통해 장기 과거 예측 모델을 생성한 후, 생성된 장기 과거 예측 모델에 미래의 장기 일기 예보 데이터를 입력하여 미래의 장기 태양광 발전량 예측 데이터를 출력하는 단계(S100); 및
상기 제 2 기계학습부(30)가 상기 입력부(10)로부터 과거의 단기 일기 예보 데이터, 과거의 단기 태양광 발전량 데이터 및 상기 제 1 기계학습부(20)에서 출력된 미래의 장기 태양광 발전량 예측 데이터를 입력받아 기계 학습을 통해 단기 과거 예측 모델을 생성한 후, 생성된 단기 과거 예측 모델에 과거의 단기 일기 예보 데이터와 과거의 단기 태양광 발전량 데이터 및 상기 제 1 기계학습부(20)에서 출력된 미래의 장기 태양광 발전량 예측 데이터를 입력하여 미래의 단기 태양광 발전량 예측 데이터를 출력하는 단계(S200);를 포함하는 태양광 발전량 예측 방법을 제공한다.
본 발명의 일 실시예에 따르면,
상기 과거의 장기 일기 예보 데이터는 태양광 발전 시스템 설치 지역을 포함하는 국지지역에 대한 태양광 발전량 예측 시점 전 1 내지 2 일 동안의 0.5 내지 2 시간 단위 일기 예보 데이터이고,
상기 과거의 장기 태양광 발전량 데이터는 태양광 발전량 예측 시점 전 1 내지 2 일 동안의 0.5 내지 2 시간 단위의 태양광 발전량 데이터이며,
상기 미래의 장기 일기 예보 데이터는 태양광 발전량 예측 시점 후 1 내지 2일의 0.5 내지 2 시간 단위의 일기 예보 데이터일 수 있다.
본 발명의 일 실시예에 따르면,,
상기 과거의 단기 일기 예보 데이터는 태양광 발전 시스템 설치 지역을 포함하는 국지지역에 대한 태양광 발전량 예측 시점 전 0.5 내지 2 시간 동안의 5 내지 20 분 단위의 일기 예보 데이터이고,
상기 미래의 단기 태양광 발전량 예측은 태양광 발전량 예측 시점 후 0.5 내지 2 시간 동안의 5 내지 20분 단위로 수행되는 것일 수 있다.
본 발명의 일 실시예에 따른, 상기 제 1 기계학습부(20)는, 피드-포워드 신경망(feed forward neural network) 알고리즘을 적용한 기계학습에 의해 학습된 예측 모델인 상기 과거 장기 예측 모델을 생성하도록 구성될 수 있다.
본 발명의 일 실시예에 따른, 상기 제 2 기계학습부(30)는, 외부 입력을 가지는 비 선형 오토 리그레시브 신경망(non-linear autoregressive neural network with external input) 알고리즘을 적용한 기계학습에 의해 학습된 예측 모델인 상기 과거 단기 예측 모델을 생성하도록 구성될 수 있다.
상술한 본 발명의 실시예의 태양광 발전량 예측 장치 및 방법은, 과거의 일기 예보 데이터와 태양광 발전량 데이터를 기 설정된 시간 간격으로 수집한 후 피드-포워드 신경망을 적용하여 기 설정된 시간 이전의 태양광 발전량에 대한 예측을 수행하는 것에 의해 학습모델을 생성하고, 다음날의 미래의 일기 예보 데이터를 생성된 학습모델에 입력하여 미래의 일정 시점의 태양광 발전량을 예측하도록 하는 것에 태양광 발전량을 1 시간 단위의 하루 전 예측과, 15 분 이하의 시간 단위의 1 시간 전 예측을 수행할 수 있도록 하는 것에 의해 전력계통의 발전 및 부하량의 예측 정확성을 높여 안정적인 전력계통 운영을 가능하게 한다.
또한, 본 발명의 실시예의 태양광 발전량 예측 장치 및 방법은, 태양광 발전 시스템 및 에너지 저장 장치를 구비한 수용가 측에서 태양광 발전량을 정확하게 예측할 수 있도록 하는 것에 의해 에너지저장장치를 효율적으로 운영하여 전기요금을 절약하는 등 경제적 운영 및 경제적인 에너지 관리를 수행할 수 있도록 하는 효과를 제공한다.
또한, 본 발명의 실시예의 태양광 발전량 예측 장치 및 방법은, 학습모델을 도출한 후 일기 예보 정보를 입력하여 태양광 발전량을 예측하게 되므로, 태양광 발전량 누적 데이터가 없을 경우에도 태양광 발전량을 예측할 수 있도록 하는 효과를 제공한다.
또한, 본 발명의 일 실시예의 태양광 발전량 예측 장치 및 방법은, 발전량 예측 학습 모델을 생성하여 일기 예보 정보를 입력하여 태양광 발전량을 예측하게 되므로, 누적된 발전량 데이터가 없는 신규 태양광 발전 시스템에도 용이하게 적용되어 태양광 발전량을 예측할 수 있도록 하는 효과를 제공한다.
또한, 본 발명의 일 실시예의 태양광 발전량 예측 장치 및 방법은, 운량 이미지 정보를 필요로 하지 않으므로, 전천 카메라 등의 부수적 장비를 필요로 하지 않아 태양광 발전 예측 시스템 구축 비용을 절감시키고, 현장마다 다른 태양광 모듈 정보 또한 필요로 하지 않으며, 발명의 구현, 조작 및 적용이 용이하여 특정 태양광 발전 시스템에 국한됨이 없이 다수의/다양한 태양광 발전 시스템에 손쉽게 적용할 수 있도록 하는 범용성을 제공하는 효과가 있다.
도 1은 본 발명의 일 실시예의 태양광 발전량 예측 장치의 기능 블록 구성도.
도 2는 본 발명의 일 실시예의 태양광 발전량 예측을 위해 학습 모델에 입력되는 일기 예보 정보를 나타내는 도면.
도 3은 본 발명의 일 실시예의 태양광 발전량 예측 방법의 처리과정을 나타내는 도면.
도 4는 본 발명의 일 실시예의 태양광 발전량 예측 장치인 인터페이스 구성을 나타내는 도면.
도 2는 본 발명의 일 실시예의 태양광 발전량 예측을 위해 학습 모델에 입력되는 일기 예보 정보를 나타내는 도면.
도 3은 본 발명의 일 실시예의 태양광 발전량 예측 방법의 처리과정을 나타내는 도면.
도 4는 본 발명의 일 실시예의 태양광 발전량 예측 장치인 인터페이스 구성을 나타내는 도면.
하기에서 본 발명을 설명함에 있어서, 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다.
본 발명의 개념에 따른 실시 예는 다양한 변경을 가할 수 있고 여러 가지 형태를 가질 수 있으므로, 특정 실시 예들을 도면에 예시하고 본 명세서 또는 출원서에 상세하게 설명하고자 한다. 그러나 이는 본 발명의 개념에 따른 실시 예를 특정한 개시 형태에 대해 한정하려는 것이 아니며, 본 발명은 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 구성요소들 간의 관계를 설명하는 다른 표현들, 즉 "~사이에"와 "바로 ~사이에" 또는 "~에 이웃하는"과 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.
본 명세서에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
본 발명의 설명에서 장기의 일기 예보 데이터 또는 장기의 태양광 발전량 데이터의 장기는 경제적 운영을 위한 예측 기간을 의미하며, 본 발명의 실시예의 경우 태양광 발전량 예측 시점 이전의 또는 이후의 1 시간 단위 1 일인 것을 예로 들어 설명하였다. 또한, 본 발명의 설명에서 단기의 일기 예보 데이터 또는 단기의 태양광 발전량 데이터의 단기는 예측 오차를 줄이기 위한 예측 기간으로서 본 발명의 실시예의 경우 태양광 발전량 예측 시점 이전의 또는 이후의 15분 단위의 1 시간 동안의 기간을 예로 들어 설명하였다.
이하, 본 발명의 실시예를 나타내는 첨부 도면을 참조하여 본 발명을 더욱 상세히 설명한다.
도 1은 본 발명의 일 실시예의 태양광 발전량 예측 장치의 기능 블록 구성도이다.
도 1과 같이, 본 발명의 일 실시예의 태양광 발전량 예측 장치는, 입력부(10), 제 1 기계학습부(20), 제 2 기계학습부(30) 및 표시부(40)를 포함하여 구성될 수 있다.
상기 입력부(10)는 장기 과거 예측 모델과 단기 과거 예측 모델을 기계 학습에 의해 생성할 수 있도록 하는 일기 예보 데이터들과 태양광 발전량 데이터를 제 1 기계학습부(20) 및 제 2 기계학습부(30)로 입력하는 것으로서, 제 1 기계학습부(20) 및 제 2 기계학습부(30)에 의해 제어되는 데이터 베이스, 또는 사용자에 의해 입력되는 별도의 입력 장치 등으로 구성될 수 있다.
도 2는 본 발명의 일 실시예의 태양광 발전량 예측을 위해 학습 모델에 입력되는 일기 예보 정보를 나타내는 도면이다. 도 2와 같이, 상기 일기 예보 데이터 및 태양광 발전량 데이터는 엑셀 등의 워크시트에 저장된 데이터일 수도 있다.
상기 입력부(10)로부터 제 1 기계학습부(20) 및 제 2 기계학습부(30)로 입력되는 본 발명의 일 실시예에 따른 일기 예보 데이터와 태양광 발전량 예측 또는 저장 데이터는 다음과 같다.
상기 과거의 장기 일기 예보 데이터는 태양광 발전 시스템 설치 지역을 포함하는 국지지역에 대한 태양광 발전량 예측 시점 전 1 내지 2 일 동안의 0.5 내지 2 시간 단위 일기 예보 데이터이고, 상기 과거의 장기 태양광 발전량 데이터는 태양광 발전량 예측 시점 전 1 내지 2일 동안의 0.5 내지 2 시간 단위의 태양광 발전량 데이터이며, 상기 미래의 장기 일기 예보 데이터는 태양광 발전량 예측 시점 후 1 내지 2일의 0.5 내지 2 시간 단위의 일기 예보 데이터일 수 있다.
또한, 상기 과거의 단기 일기 예보 데이터는 태양광 발전 시스템 설치 지역을 포함하는 국지지역에 대한 태양광 발전량 예측 시점 전 1 내지 2 일 동안의 5 내지 20 분 단위의 일기 예보 데이터이고, 상기 미래의 단기 태양광 발전량 예측 데이터는 제 2 기계학습부(30)에서 생성된 단기 과거 예측 모델에 의해 태양광 발전량 예측 시점 후 0.5 내지 2 시간 동안의 5 내지 20분 단위로 예측된 데이터일 수 있다.
상기 제 1 기계학습부(20)는 입력부(10)로부터 과거의 장기 일기 예보 데이터와 해당 과거의 장기 일기 예보 기간 동안의 과거의 장기 태양광 발전량 데이터를 입력 받아 기계 학습을 통해 장기 과거 예측 모델을 생성한 후, 생성된 장기 과거 예측 모델에 미래의 장기 태양광 발전량 예측 기간 동안의 미래의 장기 일기 예보 데이터를 입력 하여 미래의 장기 태양광 발전량 예측 데이터를 출력하도록 구성된다. 이때, 상기 제 1 기계학습부(20)는 피드-포워드 신경망(feed forward neural network) 알고리즘을 적용한 기계학습에 의해 학습된 예측 모델인 상기 과거 장기 예측 모델을 생성하도록 구성될 수 있다.
상기 제 2 기계학습부(30)는 상기 입력부(10)로부터 미래의 단기 태양광 발전량 예측 기간에 대응하는 기간의 과거 단기 일기 예보 데이터, 상기 과거 단기 일기 예보 기간 동안의 과거의 단기 태양광 발전량 데이터 및 상기 제 1 기계학습부(20)에서 출력된 미래의 장기 태양광 발전량 예측 데이터를 입력받아 기계 학습을 통해 단기 과거 예측 모델을 생성한 후, 생성된 단기 과거 예측 모델에 의한 미래의 단기 태양광 발전량 예측 기간 동안의 과거 일기 예보 데이터, 미래의 단기 태양광 발전량 예측 기간 동안의 과거의 태양광 발전량 데이터 및 상기 제 1 기계학습부(20)에서 출력된 미래의 장기 태양광 발전량 예측 데이터를 입력하여 미래의 단기 태양광 발전량 예측 데이터를 출력하도록 구성된다. 이때, 상기 제 2 기계학습부(30)는 외부 입력을 가지는 비 선형 오토 리그레시브 신경망(non-linear autoregressive neural network with external input) 알고리즘을 적용한 기계학습에 의해 학습된 예측 모델인 상기 과거 단기 예측 모델을 생성하도록 구성될 수 있다.
상술한 구성의 상기 제 1 및 제 2 기계학습부(20, 30)는 펌웨어, 또는 기록 매체에 기록되는 컴퓨터로 읽어들여 실행되는 코드 등으로 다양 방법으로 구현될 수 있다.
상기 표시부(40)는 상기 제 1 및 제 2 기계학습부(20, 30)의 구동 상태 및 출력 결과를 표시하는 인터페이스를 출력하는 디스플레이 장치로 구현될 수 있다.
다음으로, 상술한 구성을 가지는 본 발명의 태양광 발전량 예측 장치에 의한 태양광 발전 예측 방법은, 제 1 기계학습부(20)가 입력부(10)로부터 과거의 장기 일기 예보 데이터와 과거의 장기 태양광 발전량 데이터를 입력 받아 기계 학습을 통해 장기 과거 예측 모델을 생성한 후, 생성된 장기 과거 예측 모델에 미래의 장기 일기 예보 데이터를 입력 하여 미래의 장기 태양광 발전량 예측 데이터를 출력하는 미래 장기 태양광 발전량 예측 단계(S100); 및 상기 제 2 기계학습부(30)가 상기 입력부(10)로부터 과거의 단기 일기 예보 데이터, 단기 태양광 발전량 데이터를 입력받아 기계 학습을 통해 단기 과거 예측 모델을 생성한 후, 생성된 단기 과거 예측 모델에 과거 단기 일기 예보 데이터, 과거의 단기 태양광 발전량 데이터를 입력하여 미래의 단기 태양광 발전량 예측 데이터를 출력하는 미래 단기 태양광 발전량 예측 단계(S200);를 포함하여 이루어질 수 있다.
도 3은 본 발명의 일 실시예의 태양광 발전량 예측 방법의 상세 처리과정을 나타내는 도면이다.
구체적으로, 본 발명의 일 실시예의 태양광 발전량 예측 방법은, 도 3과 같이, 먼저 입력부(10)를 통해 제 1 기계학습부(20)가 과거의 장기 일기 예보 데이터, 과거의 장기 태양광 발전량 데이터를 입력 받는 단계를 수행한다(S111). 본 발명의 실시예의 경우, 상기 과거 장기 일기 예보 데이터는 태양광 발전 시스템이 설치된 지역을 포함하는 국지지역의 하루 전 24시간의 일기 예보 데이터일 수 있으며, 상기 태양광 발전량 데이터는 과거의 일기 예보 데이터에 대응하는 기간 동안의 1시간 단위의 태양광 발전량 데이터일 수 있다.
이후, 제 1 기계학습부(20)는 입력된 과거 장기 일기 예보 데이터와 과거 장기 태양광 발전량 데이터를 피드-포워드 신경망 네트워크(feed-forward neural network) 알고리즘을 적용하여 기계 학습을 수행하는 것에 의해 학습된 모델로서의 장기 예측 모델의 실시예인 하루전 예측 모델을 생성하는 단계를 수행한다(S112, S113), 이때 예측 모델의 예측 기간은 하루로 한정되지 않고 임의로 설정될 수 있다.
다음으로, 제 1 기계학습부(20)가 미래 장기 일기 예보 데이터의 일 예로서의 다음날 24 시간 동안의 1 시간 단위의 상기 국지지역에 대한 일기 예보 데이터를 입력부(10)로부터 입력 받은 후(S121), 생성된 하루 전 예측 모델에 입력하는 것에 의해 다음날 24시간 동안의 태양광 발전량 데이터를 1 시간 주기로 예측하여 미래의 장기 태양광 발전량 예측 데이터로 제 2 기계학습부(30)로 출력하는 단계를 수행한다(S122, S123).
이 후, 상기 제 2 기계학습부(30)는 입력부(10)를 통해 과거의 단기 일기 예보 데이터, 과거의 단기 태양광 발전량 데이터를 입력 받는 단계를 수행한다(S211). 본 발명의 실시예의 경우, 상기 과거 단기 일기 예보 데이터는 태양광 발전 시스템이 설치된 지역을 포함하는 국지지역의 태양광 발전량 예측 시점 전 1 시간 동안의 일기 예보 데이터일 수 있으며, 상기 과거의 단기 태양광 발전량 데이터는 과거의 단기 일기 예보 데이터에 대응하는 기간 동안의 15분 단위의 태양광 발전량 데이터일 수 있다.
이 후, 상기 제 2 기계학습부(30)는 입력된 과거의 단기 일기 예보 데이터, 과거의 단기 태양광 발전량 데이터에 대하여 외부 입력을 가지는 비 선형 오토리그레시브 신경망 네트워크(non-linear autoregressive neural network with external input) 알고리즘을 적용하여 기계학습을 수행하는 것에 의해 학습된 모델인 과거 단기 예측 모델을 생성하는 단계를 수행한다(S212, 213). 본 발명의 일시시예의 경우 이 대 생성된 과거 단기 예측 모델은 과거의 한 시간 전 동안의 태양광 발전량을 15분 단위로 예측하는 한 시간적 예측 모델일 수 있으나, 예측 기간 및 예측 단위는 임의로 설정될 수 있다.
과거 단기 예측 모델이 생성된 후에는 상기 제 2 기계학습부(30)는 다시 입력부(10)로부터 과거 단기 일기 예보 데이터, 과거의 단기 태양광 발전량 데이터를 입렵받은 후(S221), 이를 과거 예측 모델에 입력하여 미래의 단기 태양광 발전량 예측 데이터를 생성하여 출력하는 단계를 수행한다(S222, S223). 이 때 출력되는 미래의 단기 태양광 발전량 예측 데이터는 태양광 예측 시점 후 1 시간 동안의 15 분 단의 예측 데이터일 수 있으나, 미래 단기 태양광 발전량 예측의 시간 및 단위 또한 임의로 설정될 수 있다.
도 4는 본 발명의 일 실시예의 태양광 발전량 예측 장치인 인터페이스의 일 구성을 나타내는 도면이다.
도 4는 상기 인터페이스들 중 예측 시점 후 하루 예측(Day-ahead Forecast) 및 예측 시점 후 1시간 예측(Hour-ahead Forecast)를 출력 화면을 포함한다.
예측 시점 후 하루 예측(Day-ahead Forecast) 출력 화면은, Load Training Data Set, Training Setting, Test Data Set 등의 설정창과, Load Model & Test 버튼 및 결과 표시 그래프창을 포함한다.
Load Training Data Set 설정 창을 통해서는 과거의 날씨 데이터가 저장된 엑셀파일 경로를 지정하는 일기 예보(Weather Data) 및 과거의 태양광 발전량 데이터가 저장된 엑셀파일 경로를 지정 하는 태양광 발전량 데이터(PV Data) 설정을 수행할 수 있도록 구성될 수 있다.
이때 일기 예보 엑셀파일 내 데이터는 도 2와 같이, 행은 시계열 데이터(한 시간 단위), 열은 온도, 습도 등 예보 데이터 종류를 포함할 수 있다. 하루 전 예측에는 동네예보 정보를 사용하고, 예보 데이터 종류는 원하는 종류만 선택적으로 엑셀에 입력하여 사용할 수도 있다.
태양광 발전량 데이터(PV Data) 엑셀파일 내 데이터는 행은 시계열 데이터(한 시간 단위), 열은 1열로 구성될 수 있다.
상기 Training Setting 학습에 사용되는 인공 신경망의 hidden layer 수를 정하는 것으로서 기본 값이 50 것을 예로 들었다.
Train 버튼은 위에서 정해진 Training Data Set과 Hidden Layer 수 정보를 바탕으로 학습된 모델 생성하고, 생성 후 저장(경로 및 파일 이름 지정)하도록 한다.
Test Data Set은 일기 예보(Weather Data) 데이터의 경우 예측을 원하는 일자의 초단기 예보 데이터를 사용하고 그 외에는 Training Data와 동일하다.
태양 발전량 데이터는(PV Data) 예측 결과를 실측 값과 비교할 때만 사용하는 것일 수 있다.
Load Model & Test 버튼은 학습된 모델을 불러오고 아래의 그래프에 예측 결과를 표시하며, 실측 PV Data가 있으면 서로 비교하도록 구성될 수 있다.
그래프 창은 가로축은 시간, 세로축은 태양광 출력을 나타내며, 에러(Error)는 실측 값과의 비교가 있을 경우, 예측 값과의 오차율을 나타내고, 시간 단위 별 오차율 = ((예측 값/실측 값)/정격 출력)*100 및 오차율 = 시간 단위 별 오차율의 평균 값을 출력하도록 구성될 수 있다.
Clear Figure 버튼은 그래프를 초기화 시키도록 구성될 수 있다.
예측 시점 후 1시간 예측(Hour-ahead Forecast)를 출력 화면은, Load Training Data Set 및 Training Setting을 수행할 수 있도록 구성될 수 있다.
Load Training Data Set은 한 시간 전 예측에는 15분 단위의 초단기 예보 데이터(Weather Data)를 사용하도록 구성될 수 있다.
태양광 발전량 데이터(PV Data) 또한 15분 단위의 데이터일 수 있다.
Training Setting은 데이터 측정 시간 간격(Time interval (min))을 분 단위로 입력할 수 있도록 구성될 수 있으며, 기본 값은 15분으로 설정될 수 있고, 이 값을 조절하면 데이터의 측정 시간 단위도 조절해야 한다.
상술한 구성의 본 발명의 일 실시예의 태양광 발전량 예측 장치 및 방법은 경제적 운영을 위해 하루 전 예측(1 시간 단위) 및 예측 오차를 줄이기 위한 실시간 제어를 위한 1 시간 전 예측(15 분 이하의 단위)을 동시에 정확하게 수행할 수 있도록 함으로써, 전력 계통 운영 효율을 현저히 향상시킬 수 있도록 한다.
상기에서 설명한 본 발명의 기술적 사상은 바람직한 실시예에서 구체적으로 기술되었으나, 상기 실시 예는 그 설명을 위한 것이며 그 제한을 위한 것이 아님을 주의하여야 한다. 또한, 본 발명의 기술적 분야의 통상의 지식을 가진 자라면 본 발명의 기술적 사상의 범위 내에서 다양한 실시예가 가능함을 이해할 수 있을 것이다. 따라서 본 발명의 진정한 기술적 보호 범위는 첨부된 청구범위의 기술적 사상에 의해 정해져야 할 것이다.
Claims (11)
- 경제적 운영을 위한 예측 기간 대응 과거의 장기 일기 예보 데이터와 과거의 장기 태양광 발전량 데이터를 입력 받아 기계 학습을 통해 장기 과거 예측 모델을 생성한 후, 생성된 장기 과거 예측 모델에 미래의 장기 일기 예보 데이터를 입력하여 미래의 장기 태양광 발전량 예측 데이터를 출력하는 제 1 기계학습부(20);
예측 오차를 줄이기 위한 예측 기간 대응 과거의 단기 일기 예보 데이터, 과거의 단기 태양광 발전량 데이터 및 상기 제 1 기계학습부(20)에서 출력된 미래의 장기 태양광 발전량 예측 데이터를 입력받아 기계 학습을 통해 단기 과거 예측 모델을 생성한 후, 생성된 단기 과거 예측 모델에 과거의 단기 일기 예보 데이터와 과거의 단기 태양광 발전량 데이터 및 상기 제 1 기계학습부(20)에서 출력된 미래의 장기 태양광 발전량 예측 데이터를 입력하여 미래의 단기 태양광 발전량 예측 데이터를 출력하는 제 2 기계학습부(30); 및
상기 제 1 기계학습부(20)와 제 2 기계학습부(30)로 상기 일기 예보 데이터들과 상기 태양광 발전량 데이터들을 입력하는 입력부(10);를 포함하고,
상기 과거의 장기 일기 예보 데이터는 태양광 발전 시스템 설치 지역을 포함하는 국지지역에 대한 태양광 발전량 예측 시점 전 1 내지 2 일 동안의 0.5 내지 2시간 단위 일기 예보 데이터이고,
상기 과거의 장기 태양광 발전량 데이터는 태양광 발전량 예측 시점 전 1 내지 2 일 동안의 0.5 내지 2 시간 단위의 태양광 발전량 데이터이고,
상기 미래의 장기 일기 예보 데이터는 태양광 발전량 예측 시점 후 1 내지 2일의 0.5 내지 2 시간 단위의 일기 예보 데이터이고,
상기 과거의 단기 일기 예보 데이터는 태양광 발전 시스템 설치 지역을 포함하는 국지지역에 대한 태양광 발전량 예측 시점 전 0.5 내지 2 시간 동안의 5 내지 20 분 단위의 일기 예보 데이터이고,
상기 미래의 단기 태양광 발전량 예측은 태양광 발전량 예측 시점 후 0.5 내지 2 시간 동안의 5 내지 20분 단위로 수행되는 것을 특징으로 하는 태양광 발전량 예측 장치. - 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 제 1 항에 있어서, 상기 제 1 기계학습부(20)는,
피드-포워드 신경망(feed forward neural network) 알고리즘을 적용한 기계학습에 의해 학습된 예측 모델인 상기 과거 장기 예측 모델을 생성하도록 구성되는 태양광 발전량 예측 장치. - 제 1 항에 있어서, 상기 제 2 기계학습부(30)는,
외부 입력을 가지는 비 선형 오토 리그레시브 신경망(non-linear autoregressive neural network with external input) 알고리즘을 적용한 기계학습에 의해 학습된 예측 모델인 상기 과거 단기 예측 모델을 생성하도록 구성되는 태양광 발전량 예측 장치. - 입력부(10)와 제 1 기계학습부(20)와 제 2 기계학습부(30)를 포함하는 태양광 발전량 예측 장치에 의한 태양광 발전량 예측 방법에 있어서,
상기 제 1 기계학습부(20)가 입력부(10)로부터 경제적 운영을 위한 예측 기간 대응 과거의 장기 일기 예보 데이터와 과거의 장기 태양광 발전량 데이터를 입력 받아 기계 학습을 통해 장기 과거 예측 모델을 생성한 후, 생성된 장기 과거 예측 모델에 미래의 장기 일기 예보 데이터를 입력하여 미래의 장기 태양광 발전량 예측 데이터를 출력하는 단계(S100); 및
상기 제 2 기계학습부(30)가 상기 입력부(10)로부터 예측 오차를 줄이기 위한 예측 기간 대응 과거의 단기 일기 예보 데이터, 과거의 단기 태양광 발전량 데이터 및 상기 제 1 기계학습부(20)에서 출력된 미래의 장기 태양광 발전량 예측 데이터를 입력받아 기계 학습을 통해 단기 과거 예측 모델을 생성한 후, 생성된 단기 과거 예측 모델에 과거의 단기 일기 예보 데이터와 과거의 단기 태양광 발전량 데이터 및 상기 제 1 기계학습부(20)에서 출력된 미래의 장기 태양광 발전량 예측 데이터를 입력하여 미래의 단기 태양광 발전량 예측 데이터를 출력하는 단계(S200)를 포함하고,
상기 과거의 장기 일기 예보 데이터는 태양광 발전 시스템 설치 지역을 포함하는 국지지역에 대한 태양광 발전량 예측 시점 전 1 내지 2 일 동안의 0.5 내지 2시간 단위 일기 예보 데이터이고,
상기 과거의 장기 태양광 발전량 데이터는 태양광 발전량 예측 시점 전 1 내지 2 일 동안의 0.5 내지 2 시간 단위의 태양광 발전량 데이터인 것을 특징으로 하는 태양광 발전량 예측 방법.
- 삭제
- 삭제
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180108435A KR102578639B1 (ko) | 2018-09-11 | 2018-09-11 | 기계학습을 이용한 단계적 태양광 발전량 예측 장치 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180108435A KR102578639B1 (ko) | 2018-09-11 | 2018-09-11 | 기계학습을 이용한 단계적 태양광 발전량 예측 장치 및 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20200034015A KR20200034015A (ko) | 2020-03-31 |
| KR102578639B1 true KR102578639B1 (ko) | 2023-09-15 |
Family
ID=70002133
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180108435A KR102578639B1 (ko) | 2018-09-11 | 2018-09-11 | 기계학습을 이용한 단계적 태양광 발전량 예측 장치 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102578639B1 (ko) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210132446A (ko) * | 2020-04-27 | 2021-11-04 | 주식회사 에이치에너지 | 예측제고 정산금 수익 극대화를 위한 저비용 태양광 예측 시스템 및 방법 |
| CN112101626A (zh) * | 2020-08-14 | 2020-12-18 | 安徽继远软件有限公司 | 一种分布式光伏发电功率预测方法及系统 |
| KR102299698B1 (ko) * | 2020-09-25 | 2021-09-08 | 주식회사 아이티맨 | 장기 및 단기 예측방법을 연동시킨 전력소비 예측시스템 |
| KR102382984B1 (ko) * | 2021-09-30 | 2022-04-08 | 비케이엠 주식회사 | 신재생에너지 발전기의 발전량을 예측하는 단말기 및 그것의 제어 방법 |
| KR102383012B1 (ko) * | 2021-09-30 | 2022-04-08 | 비케이엠 주식회사 | 시간별 추세 예측 및 계절별 추세 예측을 동시에 수행하여 신재생에너지 발전기의 발전량을 보다 정확히 예측하는 단말기 및 그것의 제어 방법 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101529678B1 (ko) | 2014-12-31 | 2015-06-19 | 연세대학교 산학협력단 | 태양광 발전량을 극대화할 수 있는 복합식 태양광 추미 방법, 이를 이용한 태양광 추미 장치 및 태양광 발전 블라인드 시스템 |
| JP2017127140A (ja) * | 2016-01-14 | 2017-07-20 | 株式会社大林組 | 太陽光発電量予測方法及び太陽光発電量予測装置、並びに太陽光発電量予測システム |
| KR101761686B1 (ko) | 2017-03-31 | 2017-07-31 | (주)하모니앤유나이티드 | 머신 러닝을 이용한 태양광 발전량 실시간 예측 시스템 |
| KR101808047B1 (ko) | 2016-08-05 | 2017-12-14 | 주식회사 해줌 | 태양 에너지를 이용하는 발전소의 발전량을 예측하는 방법 및 서버 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2017200360A (ja) | 2016-04-28 | 2017-11-02 | 清水建設株式会社 | 太陽光発電量予測システム、太陽光発電量予測方法、プログラム |
| KR101856320B1 (ko) * | 2016-05-02 | 2018-05-09 | 한국과학기술원 | 태양광 발전량 예측 장치 및 방법 |
-
2018
- 2018-09-11 KR KR1020180108435A patent/KR102578639B1/ko active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101529678B1 (ko) | 2014-12-31 | 2015-06-19 | 연세대학교 산학협력단 | 태양광 발전량을 극대화할 수 있는 복합식 태양광 추미 방법, 이를 이용한 태양광 추미 장치 및 태양광 발전 블라인드 시스템 |
| JP2017127140A (ja) * | 2016-01-14 | 2017-07-20 | 株式会社大林組 | 太陽光発電量予測方法及び太陽光発電量予測装置、並びに太陽光発電量予測システム |
| KR101808047B1 (ko) | 2016-08-05 | 2017-12-14 | 주식회사 해줌 | 태양 에너지를 이용하는 발전소의 발전량을 예측하는 방법 및 서버 |
| KR101761686B1 (ko) | 2017-03-31 | 2017-07-31 | (주)하모니앤유나이티드 | 머신 러닝을 이용한 태양광 발전량 실시간 예측 시스템 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20200034015A (ko) | 2020-03-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102578639B1 (ko) | 기계학습을 이용한 단계적 태양광 발전량 예측 장치 및 방법 | |
| Pinzon et al. | Optimal management of energy consumption and comfort for smart buildings operating in a microgrid | |
| Kuznetsova et al. | Analysis of robust optimization for decentralized microgrid energy management under uncertainty | |
| Dorini et al. | Chance-constrained optimization of demand response to price signals | |
| JP6275020B2 (ja) | エネルギーマネジメントシステム | |
| JP6720544B2 (ja) | 太陽光発電量予測方法及び太陽光発電量予測装置、並びに太陽光発電量予測システム | |
| JP2006304402A (ja) | 分散型エネルギーシステムの制御装置、制御方法、プログラム、および記録媒体 | |
| US10613492B2 (en) | Method and system for providing flexible reserve power for power grid | |
| Stember et al. | A methodology for photovoltaic system reliability & economic analysis | |
| Xiao et al. | Operating reserve policies with high wind power penetration | |
| Huang et al. | Modeling dynamic demand response using monte carlo simulation and interval mathematics for boundary estimation | |
| CN108196317B (zh) | 一种用于微电网系统的气象预测方法 | |
| Kariniotakis et al. | Evaluation of advanced wind power and load forecasting methods for the optimal management of isolated power systems | |
| KR102296309B1 (ko) | 태양광 발전량 예측 장치 및 그 방법 | |
| KR20190123040A (ko) | 딥러닝 기반 태양광 발전량 예측 모델 갱신 주기를 설정하는 태양광 발전량 예측 모델 관리 장치 및 그 방법 | |
| Sauhats et al. | A multi-objective stochastic approach to hydroelectric power generation scheduling | |
| de Andrade et al. | Very short-term load forecasting based on NARX recurrent neural networks | |
| CN116914747B (zh) | 电力用户侧负荷预测方法及系统 | |
| Álvarez-Miranda et al. | Two-stage robust UC including a novel scenario-based uncertainty model for wind power applications | |
| KR20190079973A (ko) | 태양광 발전 예측시스템 및 이를 이용한 발전량 및 수익 예측 방법 | |
| Kadir et al. | Reinforcement-Learning-Based Proactive Control for Enabling Power Grid Resilience to Wildfire | |
| Manjunatha et al. | Integration of large battery storage system into distribution grid with renewable generation | |
| KR102069664B1 (ko) | 전력 거래를 위한 전자화폐 발행시스템 및 방법 | |
| Sahlin et al. | Transmission line loss prediction based on linear regression and exchange flow modelling | |
| Gabrielli et al. | A time-series-based approach for robust design of multi-energy systems with energy storage |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |