KR102587449B1 - 지능형 퍼지추론시스템을 이용한 태양광 발전량 예측 및 발전 효율진단 장치 및 그 방법 - Google Patents

지능형 퍼지추론시스템을 이용한 태양광 발전량 예측 및 발전 효율진단 장치 및 그 방법 Download PDF

Info

Publication number
KR102587449B1
KR102587449B1 KR1020230067128A KR20230067128A KR102587449B1 KR 102587449 B1 KR102587449 B1 KR 102587449B1 KR 1020230067128 A KR1020230067128 A KR 1020230067128A KR 20230067128 A KR20230067128 A KR 20230067128A KR 102587449 B1 KR102587449 B1 KR 102587449B1
Authority
KR
South Korea
Prior art keywords
power generation
efficiency
solar
prediction model
solar power
Prior art date
Application number
KR1020230067128A
Other languages
English (en)
Inventor
최정내
Original Assignee
주식회사 케이디티
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 주식회사 케이디티 filed Critical 주식회사 케이디티
Priority to KR1020230067128A priority Critical patent/KR102587449B1/ko
Application granted granted Critical
Publication of KR102587449B1 publication Critical patent/KR102587449B1/ko

Links

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
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • 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
    • Y02E10/56—Power conversion systems, e.g. maximum power point trackers

Landscapes

  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Photovoltaic Devices (AREA)

Abstract

본 발명의 태양광 발전량 예측 및 발전 효율진단 장치는 태양광발전시스템을 구성하는 다수의 태양광 인버터 단위로, 발전전력, 일사량, 및 모듈온도 각각을 실시간으로 수집 및 저장하는 데이터 수집부; 상기 수집된 데이터들의 데이터셋을 생성하는 데이터셋 생성부; 상기 데이터셋을 퍼지추론시스템(FIS)에 적용하여 일사량 및 모듈온도를 입력으로 하고 발전전력을 출력으로 하는 예측모델을 생성하되, 최소-최대 스케일링에 의해 상기 일사량 및 모듈온도 각각에 대하여 2이상의 삼각형 형태의 멤버십함수 각각에 대한 꼭지점의 위치를 도출한 후 이들을 조합하여 정규화하는 전반부학습, 및 최소자승법(LSM)에 의해 후반부 다항식의 계수를 결정하는 후반부학습을 수행하는 예측모델 생성부; 상기 예측모델을 이용하여 상기 태양광발전시스템의 발전전력을 예측하는 발전전력 예측부; 및 상기 발전전력 예측부에서 예측된 예측발전전력과, 상기 데이터 수집부에서 수집된 실제발전전력에 의거하여 상기 태양광발전시스템의 효율저하율을 산출하고, 상기 효율저하율에 의거하여 효율저하 여부를 진단하는 효율진단부를 포함하는 것을 특징으로 한다. 따라서 본 발명은 태양광발전시스템의 발전량 예측 및 발전효율 진단을 빠르고 정확하게 수행할 수 있다.

Description

지능형 퍼지추론시스템을 이용한 태양광 발전량 예측 및 발전 효율진단 장치 및 그 방법{APPARATUS AND METHOD FOR PREDICTING SOLAR POWER GENERATION AND DIAGNOSING POWER GENERATION EFFICIENCY USING INTELLIGENT FUZZY INFERENCE SYSTEM}
본 발명은 태양광발전시스템에 관한 것으로서, 보다 상세하게는, 태양광발전시스템의 발전량을 예측하고 발전효율을 진단하기 위한 장치 및 그 방법에 관한 것이다.
전 세계적으로 CO2 배출량을 줄이기 위해 신재생 에너지 자원으로의 전환에 관심을 기울이고 있다. 이러한 세계의 흐름에 따라 국내에서도 화석 연료를 신재생 에너지로 대체하고자 노력하고 있다. 그 노력의 일환으로 정부에서는 신재생 에너지 보급 확대 정책을 통해 건물의 옥상이나 주차장과 같은 유휴부지에 태양광발전시스템의 설치를 권장하고 있다. 이에 따라 태양 에너지에 대한 대중의 관심도 높아지며, 태양광 시스템과 관련된 연구가 활발히 진행되었다.
이러한 태양광발전시스템은 태양광을 직접 전력으로 변환시킴으로써, 자연적인 기후환경 제약에 따른 발전량의 불확실성과 변동성이 매우 큰 특징이 있으며, 이러한 특징은 연계된 전력그리드의 안정적인 운영에 있어 큰 위협이 되고 있다. 때문에 태양광발전단지는 전력그리드에게 신뢰도 높은 발전 예측량을 필수적으로 제공하여 안정적인 전력그리드 운영을 도모해야 한다.
이를 위해서는, 태양광발전시스템의 발전량을 정확하게 예측할 수 있어야 한다.
또한, 태양광발전시스템의 발전효율의 저하를 방지하고, 그 발전효율을 향상시키기 위해서는 태양광발전시스템의 유지보수가 수행되어야 하며, 이를 위해서는 먼저 태양광발전시스템의 발전 효율을 정확하게 진단하는 것이 필요하다.
관련하여, 한국등록특허 제 10-2400711 호에는, 기상청에서 제공되는 기상 예보 정보, 태양광발전시스템이 설치된 현장의 현장 기상 정보 및 상기 태양광발전시스템의 발전량 정보를 수신하는 통신부; 동일 시간대의 과거 기상 예보 정보 및 상기 현장 기상 정보를 비교하여 상기 기상 예보 정보의 신뢰도를 산출하는 연산부; 기상 예보 정보, 신뢰도 및 발전량 정보를 포함하는 기상예보 기상 신뢰도 테이블을 저장하는 데이터베이스; 상기 신뢰도를 기 설정된 임계치와 비교하여 상기 기상 신뢰도 테이블의 갱신 여부를 결정하는 데이터 처리부; 및 상기 기상청에서 제공되는 기상 예보 정보에 대응되는 상기 기상 신뢰도 테이블상의 발전량 정보를 검색하여 태양광 발전량을 예측하는 발전량 예측부를 포함하여, 기상 예보 정보의 신뢰도를 평가함으로써, 발전량 예측 정보를 제공하는 태양광 발전량 예측 시스템 및 방법을 개시하고 있다.
그런데, 태양광 발전소마다 인버터의 종류, 케이블의 종류, 및 전송선로길이, PV 모듈 종류, 모듈설치경사 및 방위각에 따라 성능계수가 다르게 되며 설계상으로 구하더라도 실제와 맞지 않는 경우가 대부분이기 때문에 태양광발전시스템의 발전량을 정확하게 예측하는 것이 어렵고, 이로 인해, 태양광발전시스템의 발전효율을 정확하게 진단하는 것 또한 어려운 문제가 있다.
한국등록특허 제 10-2400711 호
따라서 상기 문제를 해결하기 위해, 본 발명은, 태양광발전시스템의 출력이 일사량과 태양광 모듈의 온도에 의존적으로 변하는 특성을 이용하여, 태양광 인버터 단위로 수집된, 발전전력, 일사량, 및 모듈온도를 지능형 퍼지추론시스템에 적용함으로써, 태양광발전시스템의 발전량 예측 및 발전효율 진단을 빠르고 정확하게 수행할 수 있도록 하는 장치 및 그 방법을 제공하고자 한다.
또한, 본 발명은, 최소-최대(MIN-MAX) 스케일링에 의해 일사량(x1) 및 모듈온도(x2) 각각에 대한 삼각형 형태인 2개의 멤버십함수의 꼭지점의 위치를 도출한 후, 이를 조합하여 정규화하는 전반부 학습을 수행하고, 최소자승법(LSM)에 의해 후반부 다항식의 계수를 결정하는 후반부 학습을 수행하여 예측모델을 생성함으로써, 계산량을 줄이면서 예측성능을 유지할 수 있고, 이로 인해, 실시간 발전량을 정확하게 예측할 수 있는 태양광 발전량 예측 및 발전 효율 진단장치 및 그 방법을 제공하고자 한다.
또한, 본 발명은, 태양광 모듈 단위의 일사량, 및 모듈온도를 이용하여 소정개의 퍼지규칙을 결정한 후, 상기 퍼지규칙을 이용하여 예측 모델(즉, 예측 모델 파라미터)을 생성하되, 상기 예측 모델을 생성하기 위한 연산량이 과도하지 않으면서 상기 예측 모델의 예측 성능을 향상시킬 수 있도록 상기 퍼지규칙의 수를 결정함으로써, 태양광발전시스템의 발전량 예측 및 발전효율 진단을 효과적으로 수행할 수 있도록 하는 장치 및 그 방법을 제공하고자 한다.
상기한 과제를 달성하기 위해, 본 발명에서 제공하는 태양광 발전량 예측 및 발전 효율진단 장치는, 태양광발전시스템을 구성하는 다수의 태양광 인버터 단위로, 발전전력, 일사량, 및 모듈온도 각각을 실시간으로 수집 및 저장하는 데이터 수집부; 상기 수집된 데이터들의 데이터셋을 생성하는 데이터셋 생성부; 상기 데이터셋을 퍼지추론시스템(FIS)에 적용하여 일사량 및 모듈온도를 입력으로 하고 정규화된 발전전력을 출력으로 하는 예측모델을 생성하되, 최소-최대 스케일링에 의해 상기 일사량 및 모듈온도 각각에 대하여 2이상의 삼각형 형태의 멤버십함수 각각에 대한 꼭지점의 위치를 도출한 후 이들을 조합하여 정규화하는 전반부학습, 및 최소자승법(LSM)에 의해 후반부 다항식의 계수를 결정하는 후반부학습을 수행하는 예측모델 생성부; 상기 예측모델을 이용하여 상기 태양광발전시스템의 발전전력을 예측하는 발전전력 예측부; 및 상기 발전전력 예측부에서 예측된 예측발전전력과, 상기 데이터 수집부에서 수집된 실제발전전력에 의거하여 상기 태양광발전시스템의 효율저하율을 산출하고, 상기 효율저하율에 의거하여 효율저하 여부를 진단하는 효율진단부를 포함하는 것을 특징으로 한다.
바람직하게, 상기 데이터셋 생성부는 미리 설정된 유효데이터 범위를 저장하고, 상기 수집된 데이터들 중 상기 유효데이터 범위를 벗어나지 않는 데이터들만을 선정하여 상기 데이터셋을 생성할 수 있다.
바람직하게, 상기 예측모델 생성부는 복수의 입력데이터 각각에 대한 멤버십함수의 수에 의해 그 수가 결정되는 다수의 퍼지규칙들을 포함하는 예측모델을 생성할 수 있다.
바람직하게, 상기 예측모델 생성부는 복수의 입력데이터 각각에 대하여 각각 2개의 멤버십함수를 사용하여 4개의 퍼지규칙으로 구성된 예측모델을 생성할 수 있다.
바람직하게, 상기 발전전력 예측부는 상기 예측모델을 이용하여 예측된 값에 상기 태양광발전시스템의 설비용량을 곱하여 예측발전전력을 산출할 수 있다.
바람직하게, 상기 효율진단부는 상기 효율저하율이 미리 설정된 효율저하임계치 이하인 경우 상기 태양광발전시스템의 효율저하를 알리기 위한 알람을 발생할 수 있다.
한편, 본 발명의 일 실시 예에 따른 태양광 발전량 예측 및 발전 효율진단 방법은 태양광발전시스템의 동작정보를 수집하고 분석하는 장치를 이용하여 상기 태양광발전시스템의 태양광 발전량을 예측하고 발전 효율을 진단하는 방법에 있어서, 상기 장치가, 상기 태양광발전시스템을 구성하는 다수의 태양광 인버터 단위로, 발전전력, 일사량, 및 모듈온도 각각을 실시간으로 수집 및 저장하는 데이터 수집단계; 상기 장치가, 상기 수집된 데이터들의 데이터셋을 생성하는 데이터셋 생성단계; 상기 데이터셋을 퍼지추론시스템(FIS)에 적용하여 일사량 및 모듈온도를 입력으로 하고 정규화된 발전전력을 출력으로 하는 예측모델을 생성하되, 최소-최대 스케일링에 의해 상기 일사량 및 모듈온도 각각에 대하여 2이상의 삼각형 형태의 멤버십함수 각각에 대한 꼭지점의 위치를 도출한 후 이들을 조합하여 정규화하는 전반부학습, 및 최소자승법(LSM)에 의해 후반부 다항식의 계수를 결정하는 후반부학습을 수행하는 예측모델 생성단계; 상기 예측모델을 이용하여 상기 태양광발전시스템의 발전전력을 예측하는 발전전력 예측단계; 및 상기 발전전력 예측단계에서 예측된 예측발전전력과, 상기 데이터 수집단계에서 수집된 실제발전전력에 의거하여 상기 태양광발전시스템의 효율저하율을 산출하고, 상기 효율저하율에 의거하여 효율저하 여부를 진단하는 효율진단단계를 포함하되, 상기 예측모델 생성단계는 상기 정규화된 데이터셋을 이용하여 삼각형 형태의 멤버십함수에 대한 꼭지점의 위치를 도출하는 전반부학습, 및 최소자승법(LSM)에 의해 후반부 다항식의 계수를 결정하는 후반부학습을 수행하는 것을 특징으로 한다.
바람직하게, 상기 데이터셋 생성단계는 미리 설정된 유효데이터 범위를 저장하고, 상기 수집된 데이터들 중, 상기 유효데이터 범위를 벗어나지 않는 데이터들만을 선정하여 상기 데이터셋을 생성할 수 있다.
바람직하게, 상기 예측모델 생성단계는 복수의 입력데이터 각각에 대한 멤버십함수의 수에 의해 그 수가 결정되는 다수의 퍼지규칙들을 포함하는 예측모델을 생성할 수 있다.
바람직하게, 상기 예측모델 생성단계는 복수의 입력데이터 각각에 대하여 각각 2개의 멤버십함수를 사용하여 4개의 퍼지규칙으로 구성된 예측모델을 생성할 수 있다.
바람직하게, 상기 발전전력 예측단계는 상기 예측모델을 이용하여 예측된 값에 상기 태양광발전시스템의 설비용량을 곱하여 예측발전전력을 산출할 수 있다.
바람직하게, 상기 효율진단단계는 상기 효율저하율이 미리 설정된 효율저하임계치 이하인 경우 상기 태양광발전시스템의 효율저하를 알리기 위한 알람을 발생할 수 있다.
본 발명의 장치 및 방법은 태양광발전시스템의 출력이 일사량과 태양광 모듈의 온도에 의존적으로 변하는 특성을 이용하여, 태양광 인버터 단위로 수집된, 발전전력, 일사량, 및 모듈온도를 지능형 퍼지추론시스템에 적용함으로써, 태양광발전시스템의 발전량 예측 및 발전효율 진단을 빠르고 정확하게 수행할 수 있는 장점이 있다.
또한, 본 발명은 최소-최대(MIN-MAX) 스케일링에 의해 일사량(x1) 및 모듈온도(x2) 각각에 대한 삼각형 형태인 2개의 멤버십함수의 꼭지점의 위치를 도출한 후, 이를 조합하여 정규화하는 전반부 학습을 수행하고, 최소자승법(LSM)에 의해 후반부 다항식의 계수를 결정하는 후반부 학습을 수행하여 예측모델을 생성함으로써, 계산량을 줄이면서 예측성능을 유지할 수 있고, 이로 인해, 실시간 발전량을 정확하게 예측할 수 있는 장점이 있다.
또한, 본 발명은, 태양광 모듈 단위의 일사량, 및 모듈온도를 이용하여 소정개의 퍼지규칙을 결정한 후, 상기 퍼지규칙을 이용하여 예측 모델(즉, 예측 모델 파라미터)을 생성하되, 상기 예측 모델을 생성하기 위한 연산량이 과도하지 않으면서 상기 예측 모델의 예측 성능을 향상시킬 수 있도록 상기 퍼지규칙의 수를 결정함으로써, 태양광발전시스템의 발전량 예측 및 발전효율 진단을 효과적으로 수행할 수 있는 장점이 있다.
도 1은 본 발명의 일 실시 예에 따른 태양광 발전량 예측 및 발전 효율진단 장치에 대한 개략적인 블록도이다.
도 2 및 도 3은 본 발명의 일 실시 예에 따른 태양광 발전량 예측 및 발전 효율진단 방법에 대한 개략적인 처리 흐름도이다.
도 4는 본 발명의 일 실시 예에 따라 생성된 데이터셋의 예를 도시한 도면이다.
도 5는 본 발명의 일 실시 예에 따른 예측모델을 생성하기 위해 적용된 퍼지모델의 구조를 예시한 도면이다.
도 6은 본 발명의 일 실시 예에 따른 예측모델 생성부에서 참고하는 멤버십함수에 대한 정의를 예시한 도면이다.
도 7 및 도 8은 본 발명의 일 실시 예에 따른 전반부 학습 결과로 생성된 멤버십함수의 꼭지점을 예시한 도면이다.
도 9는 본 발명의 일 실시 예에 따라 예측모델에 의해 예측된 예측발전전력과 실제로 수집된 실제발전전력의 비교 결과를 예시한 도면이다.
도 10은 본 발명의 일 실시 예에 따라 생성된 예측모델의 입출력 특성을 도시한 도면이다.
아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시 예에 대하여 설명하되, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다. 한편 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다. 또한 상세한 설명을 생략하여도 본 기술 분야의 당업자가 쉽게 이해할 수 있는 부분의 설명은 생략하였다.
명세서 및 청구범위 전체에서, 어떤 부분이 어떤 구성 요소를 포함한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것을 의미한다.
도 1은 본 발명의 일 실시 예에 따른 태양광 발전량 예측 및 발전 효율진단 장치에 대한 개략적인 블록도이다. 도 1을 참조하면, 본 발명의 일 실시 예에 따른 태양광 발전량 예측 및 발전 효율진단 장치(100)는 데이터 수집부(110), 데이터셋 생성부(120), 예측모델 생성부(130), 발전전력 예측부(140), 및 효율진단부(150)를 포함한다.
도 1을 참조하여, 본 발명의 일 실시 예에 따른 태양광 발전량 예측 및 발전 효율진단 장치(100)를 설명하면 다음과 같다.
데이터 수집부(110)는 태양광발전시스템을 구성하는 다수의 태양광 인버터 단위로, 발전전력(P), 일사량(L), 및 모듈온도(T) 각각을 실시간으로 수집 및 저장한다. 이 때, 상기 태양광발전시스템은 발전량 예측 및 발전효율 진단 대상이다.
데이터셋 생성부(120)는 상기 수집된 데이터들(즉, 일사량(L), 모듈온도(T), 및 발전전력(P))의 데이터셋(D_Set(L,T,P))을 생성한다.
예측모델 생성부(130)는 상기 데이터셋을 퍼지추론시스템(Fuzzy Inference System, FIS)에 적용하여 일사량 및 모듈온도를 입력으로 하고 정규화된 발전전력을 출력으로 하는 예측모델을 생성한다. 이 때, 퍼지추론시스템(FIS)은 퍼지 집합을 기반으로 비선형적이고 다변수인 시스템을 모델링하는데 유용한 방법 중의 하나이다.
발전전력 예측부(140)는 상기 예측모델을 이용하여 상기 태양광발전시스템의 발전전력을 예측한다.
효율진단부(150)는 발전전력 예측부(140)에서 예측된 예측발전전력(PP) 데이터 수집부(110)에서 수집된 실제발전전력(PR)에 의거하여 상기 태양광발전시스템의 효율저하율을 산출한다. 그리고 상기 효율저하율에 의거하여 상기 태양광발전시스템의 효율저하 여부를 진단한다.
이들 각각의 동작에 대한, 보다 구체적인 설명은, 후술될 방법 설명시 함께 언급할 것이다.
도 2 및 도 3은 본 발명의 일 실시 예에 따른 태양광 발전량 예측 및 발전 효율진단 방법에 대한 개략적인 처리 흐름도이다. 도 1 내지 도 3을 참조하여, 본 발명의 일 실시 예에 따른 태양광 발전량 예측 및 발전 효율진단 방법을 설명하면 다음과 같다. 이 때, 본 발명의 태양광 발전량 예측 및 발전 효율진단 장치(100)를 구성하는 각 장치들에 대하여도 보다 상세히 설명할 것이다.
먼저, 단계 S110에서는, 데이터 수집부(110)가, 태양광발전시스템을 구성하는 다수의 태양광 인버터 단위로, 발전전력(P), 일사량(L), 및 모듈온도(T) 각각을 실시간으로 수집 및 저장한다.
이를 위해, 데이터 수집부(110)는, 상기 태양광발전시스템을 구성하는 인버터, 및 상기 태양광발전시스템 주변의 기상정보를 수집하는 기상계측 센서 등과 통신할 수 있다. 예를 들어, 데이터 수집부(110)는 상기 인버터, 및 기상계측 센서와 RS485 또는 TCP 등의 통신방식을 사용하여 통신하되, 수초 주기로 통신하여 상기 발전전력, 일사량, 및 모듈온도를 수집할 수 있다. 이 때, 데이터 수집부(110)는 태양광발전시스템의 동작 상태를 모니터링하기 위해 필요한 다양한 데이터들을 추가로 수집할 수 있다.
또한, 단계 S110에서, 데이터 수집부(110)는 후술될 예측모델을 학습하기 위해, 상기 수집된 데이터들을 저장한다. 예를 들어, 데이터 수집부(110)는 매 10분주기 동안 상기 인버터, 및 기상계측 센서들과 통신하여 데이터를 수집하고, 그 수집된 샘플링데이터의 평균값을 계산하여 저장할 수 있다. 이 때, 데이터 수집부(110)는, 칼만필터 알고리즘을 이용하여 평균데이터를 계산함으로써, 적은 메모리 공간을 이용하여 평균값을 계산할 수 있다.
이를 위해, 데이터 수집부(110)는 상기 수집된 데이터들을 저장하기 위한 데이터베이스를 더 포함할 수 있다. 즉, 데이터 수집부(110)는 10분 단위로 구해진 일사량, 모듈온도, 발전전력을 상기 데이터베이스에 저장할 수 있다. 또는, 데이터 수집부(110)와는 별도로 본 발명의 태양광 발전량 예측 및 발전 효율진단 장치(100)가 데이터베이스를 더 포함할 수 있다.
이렇게 저장된 데이터는 상기 예측모델의 학습 및 평가를 위해 사용될 수 있는데, 이를 위해, 최소 일주일 이상 수집된 데이터를 이용할 수 있다.
단계 S120에서는, 데이터셋 생성부(120)가 상기 수집된 데이터들(즉, 일사량(L), 모듈온도(T), 및 발전전력(P))의 데이터셋을 생성한다. 예를 들어, 데이터셋 생성부(120)는 일사랑(L), 및 모듈온도(T)의 변화 따른 발전전력(P)값을 매칭시킨 데이터셋을 생성할 수 있다.
또한, 데이터셋 생성부(120)는 미리 설정된 유효데이터 범위를 저장하고, 상기 수집된 데이터들 중, 상기 유효데이터 범위를 벗어나지 않는 데이터들만을 선정하여 상기 데이터셋을 생성할 수 있다. 즉, 데이터셋 생성부(120)는 수집된 데이터에서 입출력 범위를 조정하여 유효하지 않은 데이터를 제거할 수 있다. 예를 들어, 일사량이 낮은 경우 계측 정확도가 떨어지기 때문에, 데이터셋 생성부(120)는 일사량에 대한 유효데이터 범위를 100으로 설정하고, 일사량이 100(w/m2) 이상인 데이터만을 사용하여 모델학습에 사용할 수 있다.
도 4는 본 발명의 일 실시 예에 따라 생성된 데이터셋의 예를 도시한 도면으로써, 데이터셋 생성부(120)에서 생성된 입출력 데이터셋을 예시하고 있다. 도 4의 예에서는, 일사량이 100(w/m2) 미만인 데이터를 제거하고, 일사량이 100(w/m2) 이상일 때의 모듈온도, 및 발전전력 값을 데이터셋으로 생성한 예를 도시하고 있다.
단계 S130에서는, 예측모델 생성부(130)가, 상기 데이터셋을 퍼지추론시스템(FIS)에 적용하여 일사량 및 모듈온도를 입력으로 하고 정규화된 발전전력을 출력으로 하는 예측모델을 생성한다.
이를 위해, 예측모델 생성부(130)는, 단계 S131에서, 최소-최대 스케일링에 의해 상기 일사량 및 모듈온도 각각에 대하여 2이상의 삼각형 형태의 멤버십함수에 대한 꼭지점의 위치를 도출하는 전반부학습을 수행하고, 단계 S133에서는, 예측모델 생성부(130)가 최소자승법(LSM)에 의해 후반부 다항식의 계수를 결정하는 후반부학습을 수행한다.
이 때, 상기 예측모델의 예측성능은 상기 멤버십함수의 수에 영향을 받는다. 즉, 상기 멤버십함수의 수가 많을수록 상기 예측모델의 예측성능이 향상된다. 하지만, 상기 멤버십함수의 수가 증가할수록 그 연산량이 기하급수적으로 증가한다. 따라서, 예측모델 생성부(130)는 연산량의 증가와 예측성능의 향상 두 가지를 모두 고려하여 효율적인 동작이 수행될 수 있도록, 멤버십함수의 수를 결정할 수 있다. 예를 들어, 예측모델 생성부(130)는 2개의 멤버십함수를 이용하여 상기 전반부 학습을 수행함으로써, 연산량은 최소화하면서 예측성능을 유지하도록 할 수 있다.
도 5는 본 발명의 일 실시 예에 따른 예측모델을 생성하기 위해 적용된 퍼지모델의 구조를 예시한 도면으로서, 예측모델 생성부(130)가, 단계 S131 및 단계 S132에서, 전반부 학습 및 후반부 학습을 수행하기 위한 퍼지모델 구조의 예를 도시하고 있다. 도 5의 예에서, 은 일사량, 는 모듈온도, 는 발전전력을 나타낸다.
도 5를 참조하면, 상기 퍼지모델은 전반부(FH: First Half)와 후반부(SH: Second Half)로 구성되는데, 전반부(FH)는 입력에 대한 멤버십함수로 되어 있어서 멤버십함수를 이용하여 입력공간을 분할하는 전반부 학습을 수행하고, 후반부(SH)는 선형식으로 정의되어 후반부 학습을 수행한다.
일반적으로 상기 멤버십함수의 형태는 종형, 삼각형, 가우시안, 시그모이드 등 다양한 형태를 사용할 수 있지만, 예측모델 생성부(130)는 가장 일반적으로 사용하는 삼각형 함수를 적용하되, 각 입력에 대하여 2개의 멤버십함수를 갖도록 정의한다. 이는 연산량을 최소화하면서 예측성능을 유지하도록 하기 위함이다. 도 6은 이러한 멤버십함수에 대한 정의를 예시한 도면으로서, 도 6의 (a)는 입력 에 대한 멤버십함수(A1, A2)를 예시하고, 도 6의 (b)는 입력 에 대한 멤버십함수(B1, B2)를 예시한다.
이와 같이 입력들 각각이 2개의 멤버십함수를 갖도록 정의하는 이유는, 예측 모델을 생성하기 위해 사용되는 퍼지규칙의 수가 입력의 수와 멤버십함수의 수의 곱으로 결정되는데, 예측 모델을 생성하기 위한 연산량이 과도하지 않으면서 상기 예측모델의 예측 성능을 향시킬 수 있도록 하기 위해 적절한 퍼지규칙의 수를 결정하기 위함이다. 즉, 상기 멤버십함수의 수는 입력공간을 몇 개의 공간으로 분할할지를 의미하는 것으로서, 입력공간을 세밀하게 나눌수록 예측성능은 향상되지만 계산량이 기하급수적으로 증가하는 단점이 있다. 따라서 예측모델 생성부(130)는 복수의 입력데이터 각각에 대한 멤버십함수의 수에 의해 그 수가 결정되는 다수의 퍼지규칙들을 포함하는 예측 모델을 생성하되, 상기 멤버십함수의 수를 조절하여 예측성능을 효과적으로 관리할 수 있다. 예를 들어, 예측모델 생성부(130)는 2개의 입력데이터 각각에 대하여 2개의 멤버십함수를 사용함으로써 수학식 1에 예시된 바와 같은 4개의 퍼지규칙을 정의할 수 있다.
수학식 1을 참조하면, 각 퍼지규칙은 if-then 형식으로 전반부와 후반부로 구성된다.
먼저, 전반부는 입력에 대한 멤버십함수의 조합으로 표현되는데, 이 때, 는 번째 규칙에서 번째 입력변수에 대한 멤버십함수를 의미한다.
단계 S131에서는, 예측모델 생성부(130)가, 이러한 멤버십함수를 이용하여 전반부 학습을 수행함으로써, 각 입력에 멤버십함수의 꼭지점의 위치를 결정한다. 한편, 상기 예측모델의 예측 성능은, 이 때 결정되는 꼭지점의 위치에 의존하게 되는데, 예측모델 생성부(130)는 멤버십함수 , 에 대한 꼭지점의 위치를 입력데이터 과 각각의 최소값으로 결정하고, , 의 꼭지점의 위치를 입력데이터 과 의 최대값으로 사용하는 최소-최대(Min-Max) 방법을 이용하여 전반부 학습을 수행할 수 있다. 또한, 예측모델 생성부(130)는 도 6에 예시된 멤버십함수를 조합하여 각 규칙에 매칭되는 함수를 찾을 수 있다. 예를 들어, 은 첫 번째 규칙에 대한 입력의 멤버십함수로 도 6의 (a)에 예시된 을 의미하고, 는 4번째 규칙에서 사용하는 2번째 입력에 대한 멤버십함수로 도 6의 (b)에 예시된 함수를 의미한다.
도 7 및 도 8은 본 발명의 일 실시 예에 따른 전반부 학습 결과로 생성된 멤버십함수의 꼭지점을 예시한 도면으로서, 도 7은 일사량이 최소인 지점(PA)을 꼭지점으로 하는 멤버십함수(MA)와, 일사량이 최대인 지점(PB)을 꼭지점으로 하는 멤버십함수(MB)를 예시하고, 도 8은 모듈온도가 최소인 지점(PC)을 꼭지점으로 하는 멤버십함수(MC)와, 일사량이 최대인 지점(PD)을 꼭지점으로 하는 멤버십함수(MD)를 예시하고 있다.
이러한 전반부 학습 결과로, 예측모델 생성부(130)는 번째 입력데이터에 대한 번째 규칙에 대한 정규화된 적합도()를 결정할 수 있으며, 이러한 정규화된 적합도() 산출식을 수학식 2에 나타내었다. 한편, 수학식 3은 이를 이용한 퍼지모델의 출력식을 나타낸다.
이 때, 는 인 자연수로서, 모델을 학습하기 위한 데이터셋 중의 번째 입출력 데이터를 의미한다. 또한, 는 번째 일사량데이터에 대한 멤버십함수의 값을 의미한다.
수학식 1에 의하면, 퍼지규칙의 후반부는 선형식으로 정의되며, 후반부 파라미터인 는 번째 규칙에 대한 번째 항의 계수를 의미하며, 수학식 4에 예시된 최소자승법(Least Squared Method, LSM)식을 이용하여 구할 수 있다.
즉, 단계 S133에서는, 예측모델 생성부(130)가, 수학식 4에 예시된 최소자승법(LSM)을 이용하여 후반부 학습을 수행함으로써, 퍼지규칙 후반부에 정의된 다항식의 파라미터()를 결정한다.
이 때, 후반부 파라미터 행렬()은 수학식 5와 같이 정의되고, 는 확장행렬로써 개의 출력데이터셋에 대하여 수학식 6과 같이 정의되고, 는 출력행렬로써 개의 출력데이터셋에 대하여 수학식 7과 같이 정의될 수 있다.
상기한 바와 같은 일련의 처리 과정을 통해, 단계 S130에서는, 예측모델 생성부(130)는 전반부 멤버십함수의 꼭지점의 위치와, 후반부 다항식의 파라미터를 결정할 수 있고, 이로 인해, 예측모델을 생성할 수 있다.
단계 S140에서는, 발전전력 예측부(140)가 상기 예측모델을 이용하여 상기 태양광발전시스템의 발전전력을 예측한다. 도 9는 본 발명의 일 실시 예에 따라 생성된 예측모델의 입출력 특성을 도시한 도면으로서, 단계 S140에서, 발전전력 예측부(140)는 현재 측정된 일사량과 모델온도를 상기 예측모델에 입력하여 발전량을 예측할 수 있다. 이 때, 상기 예측모델의 출력값인 발전전력은 0 ~ 1 사이로 정규화되어 출력되기 때문에, 발전전력 예측부(140)는 상기 예측모델의 출력값에 설비용량을 곱하여 예측발전전력을 산출할 수 있다.
단계 S150에서는, 효율진단부(150)가 태양광발전시스템의 효율저하율을 산출하고, 상기 효율저하율에 의거하여 요율저하 여부를 진단한다. 이를 위해, 단계 S150에서, 효율진단부(150)는 단계 S140에서 예측된 예측발전전력과, 단계 S110에서 수집된 실제발전전력을 하기의 수학식 8에 적용하여 상기 태양광발전시스템의 효율저하율을 산출할 수 있다.
도 10은 본 발명의 일 실시 예에 따라 예측모델에 의해 예측된 예측발전전력과 실제로 수집된 실제발전전력의 비교 결과를 예시한 도면으로써, 상기 예측모델에 대한 신뢰도를 나타내고 있다. 도 10의 (a)는 실제데이터와 예측모델의 출력을 비교한 그래프로서, 붉은색 실선은 실제출력(즉, 실제발전전력)을 나타내고, 파란색 점선은 모델출력(즉, 예측발전전력)을 나타내고, 도 10의 (b)는 예측모델의 에러를 나타낸 그래프이다.
도 10의 (a) 및 (b)를 참조하면, 실제데이터와 예측모델의 출력은 거의 유사하며, 최대 에러는 10% 정도임을 알 수 있다.
또한, 단계 S150에서는, 효율진단부(150)가 미리 설정된 효율저하임계치를 미리 저장하고, 상기 효율저하율이 상기 효율저하임계치 이하인 경우 상기 태양광발전시스템의 효율저하를 알리기 위한 알람을 발생할 수 있다. 예를 들어, 효율진단부(150)는 상기 효율저하를 알리기 위한 알림메시지를 생성하여 설비 관리자의 단말장치에 팝업형태로 전달하거나, 모니터링 시스템으로 상기 알림메시지, 경고등, 및 경고음 중 적어도 하나를 전달함으로써, 시스템 관리자에게 상기 효율저하를 알릴 수 있다.
한편, 상기 효율저하임계치는 각 태양광발전시스템의 설치조건, 또는 동작 조건등을 반영하여 설비관리자가 변경 설정할 수 있다.
상기한 바와 같이, 본 발명의 장치 및 방법은 태양광발전시스템의 출력이 일사량과 태양광 모듈의 온도에 의존적으로 변하는 특성을 이용하여, 태양광 인버터 단위로 수집된, 발전전력, 일사량, 및 모듈온도를 지능형 퍼지추론시스템에 적용함으로써, 태양광발전시스템의 발전량 예측 및 발전효율 진단을 빠르고 정확하게 수행할 수 있는 특징이 있다.
또한, 본 발명은 최소-최대(MIN-MAX) 스케일링에 의해 일사량(x1) 및 모듈온도(x2) 각각에 대한 삼각형 형태인 2개의 멤버십함수의 꼭지점의 위치를 도출한 후, 이를 조합하여 정규화하는 전반부 학습을 수행하고, 최소자승법(LSM)에 의해 후반부 다항식의 계수를 결정하는 후반부 학습을 수행하여 예측모델을 생성함으로써, 계산량을 줄이면서 예측성능을 유지할 수 있고, 이로 인해, 실시간 발전량을 정확하게 예측할 수 있는 특징이 있다.
또한, 본 발명은, 태양광 모듈 단위의 일사량, 및 모듈온도를 이용하여 소정개의 퍼지규칙을 결정한 후, 상기 퍼지규칙을 이용하여 예측 모델(즉, 예측 모델 파라미터)을 생성하되, 상기 예측 모델을 생성하기 위한 연산량이 과도하지 않으면서 상기 예측 모델의 예측 성능을 향상시킬 수 있도록 상기 퍼지규칙의 수를 결정함으로써, 태양광발전시스템의 발전량 예측 및 발전효율 진단을 효과적으로 수행할 수 있는 특징이 있다.
이상에서는 본 발명의 실시 예를 설명하였으나, 본 발명의 권리범위는 이에 한정되지 아니하며 본 발명이 실시 예로부터 본 발명이 속하는 기술 분야에서 통상의지식을 가진 자에 의해 용이하게 변경되어 균등한 것으로 인정되는 범위의 모든 변경 및 수정을 포함한다.
100: 태양광 발전량 예측 및 발전 효율진단 장치
110: 데이터 수집부 120: 데이터셋 생성부
130: 예측모델 생성부 140: 발전전력 예측부
150: 효율진단부

Claims (12)

  1. 태양광발전시스템을 구성하는 다수의 태양광 인버터 단위로, 발전전력, 일사량, 및 모듈온도 각각을 실시간으로 수집 및 저장하는 데이터 수집부;
    상기 수집된 데이터들의 데이터셋을 생성하는 데이터셋 생성부;
    상기 데이터셋을 퍼지추론시스템(FIS)에 적용하여 일사량 및 모듈온도를 입력으로 하고 정규화된 발전전력을 출력으로 하는 예측모델을 생성하는 예측모델 생성부;
    상기 예측모델을 이용하여 상기 태양광발전시스템의 발전전력을 예측하는 발전전력 예측부; 및
    상기 발전전력 예측부에서 예측된 예측발전전력과, 상기 데이터 수집부에서 수집된 실제발전전력에 의거하여 상기 태양광발전시스템의 효율저하율을 산출하고, 상기 효율저하율에 의거하여 효율저하 여부를 진단하는 효율진단부를 포함하고,
    상기 예측모델 생성부는
    복수의 입력데이터 각각에 대한 삼각형 형태인 2개의 멤버십함수를 사용하여 4개의 퍼지규칙으로 구성된 예측모델을 생성하되, 최소-최대 스케일링에 의해 상기 일사량 및 모듈온도 각각에 대하여 상기 멤버십함수들 각각에 대한 꼭지점의 위치를 도출한 후 이들을 조합하여 정규화하는 전반부학습, 및 최소자승법(LSM)에 의해 후반부 다항식의 계수를 결정하는 후반부학습을 수행하고, 그 결과를 이용하여 상기 예측모델을 생성하는 것을 특징으로 하는 태양광 발전량 예측 및 발전 효율진단 장치.
  2. 제1항에 있어서, 상기 데이터셋 생성부는
    미리 설정된 유효데이터 범위를 저장하고,
    상기 수집된 데이터들 중, 상기 유효데이터 범위를 벗어나지 않는 데이터들만을 선정하여 상기 데이터셋을 생성하는 것을 특징으로 하는 태양광 발전량 예측 및 발전 효율진단 장치.
  3. 삭제
  4. 삭제
  5. 제1항에 있어서, 상기 발전전력 예측부는
    상기 예측모델을 이용하여 예측된 값에 상기 태양광발전시스템의 설비용량을 곱하여 예측발전전력을 산출하는 것을 특징으로 하는 태양광 발전량 예측 및 발전 효율진단 장치.
  6. 제1항에 있어서, 상기 효율진단부는
    상기 효율저하율이 미리 설정된 효율저하임계치 이하인 경우 상기 태양광발전시스템의 효율저하를 알리기 위한 알람을 발생하는 것을 특징으로 하는 태양광 발전량 예측 및 발전 효율진단 장치.
  7. 태양광발전시스템의 동작정보를 수집하고 분석하는 장치를 이용하여 상기 태양광발전시스템의 태양광 발전량을 예측하고 발전 효율을 진단하는 방법에 있어서,
    상기 장치가, 상기 태양광발전시스템을 구성하는 다수의 태양광 인버터 단위로, 발전전력, 일사량, 및 모듈온도 각각을 실시간으로 수집 및 저장하는 데이터 수집단계;
    상기 장치가, 상기 수집된 데이터들의 데이터셋을 생성하는 데이터셋 생성단계;
    상기 데이터셋을 퍼지추론시스템(FIS)에 적용하여 일사량 및 모듈온도를 입력으로 하고 정규화된 발전전력을 출력으로 하는 예측모델을 생성하는 예측모델 생성단계;
    상기 예측모델을 이용하여 상기 태양광발전시스템의 발전전력을 예측하는 발전전력 예측단계; 및
    상기 발전전력 예측단계에서 예측된 예측발전전력과, 상기 데이터 수집단계에서 수집된 실제발전전력에 의거하여 상기 태양광발전시스템의 효율저하율을 산출하고, 상기 효율저하율에 의거하여 효율저하 여부를 진단하는 효율진단단계를 포함하되,
    상기 예측모델 생성단계는
    복수의 입력데이터 각각에 대한 삼각형 형태인 2개의 멤버십함수를 사용하여 4개의 퍼지규칙으로 구성된 예측모델을 생성하되, 최소-최대 스케일링에 의해 상기 일사량 및 모듈온도 각각에 대하여 상기 멤버십함수들 각각에 대한 꼭지점의 위치를 도출한 후 이들을 조합하여 정규화하는 전반부학습, 및 최소자승법(LSM)에 의해 후반부 다항식의 계수를 결정하는 후반부학습을 수행하고, 그 결과를 이용하여 상기 예측모델을 생성하는 것을 특징으로 하는 태양광 발전량 예측 및 발전 효율진단 방법.
  8. 제7항에 있어서, 상기 데이터셋 생성단계는
    미리 설정된 유효데이터 범위를 저장하고,
    상기 수집된 데이터들 중, 상기 유효데이터 범위를 벗어나지 않는 데이터들만을 선정하여 상기 데이터셋을 생성하는 것을 특징으로 하는 태양광 발전량 예측 및 발전 효율진단 방법.
  9. 삭제
  10. 삭제
  11. 제7항에 있어서, 상기 발전전력 예측단계는
    상기 예측모델을 이용하여 예측된 값에 상기 태양광발전시스템의 설비용량을 곱하여 예측발전전력을 산출하는 것을 특징으로 하는 태양광 발전량 예측 및 발전 효율진단 방법.
  12. 제7항에 있어서, 상기 효율진단단계는
    상기 효율저하율이 미리 설정된 효율저하임계치 이하인 경우 상기 태양광발전시스템의 효율저하를 알리기 위한 알람을 발생하는 것을 특징으로 하는 태양광 발전량 예측 및 발전 효율진단 방법.
KR1020230067128A 2023-05-24 2023-05-24 지능형 퍼지추론시스템을 이용한 태양광 발전량 예측 및 발전 효율진단 장치 및 그 방법 KR102587449B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020230067128A KR102587449B1 (ko) 2023-05-24 2023-05-24 지능형 퍼지추론시스템을 이용한 태양광 발전량 예측 및 발전 효율진단 장치 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020230067128A KR102587449B1 (ko) 2023-05-24 2023-05-24 지능형 퍼지추론시스템을 이용한 태양광 발전량 예측 및 발전 효율진단 장치 및 그 방법

Publications (1)

Publication Number Publication Date
KR102587449B1 true KR102587449B1 (ko) 2023-10-11

Family

ID=88294985

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020230067128A KR102587449B1 (ko) 2023-05-24 2023-05-24 지능형 퍼지추론시스템을 이용한 태양광 발전량 예측 및 발전 효율진단 장치 및 그 방법

Country Status (1)

Country Link
KR (1) KR102587449B1 (ko)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20010001412A (ko) * 1999-06-04 2001-01-05 정선종 입출력 데이터를 이용한 퍼지 소속 함수 및 규칙 자동 생성 방법
KR20170066073A (ko) * 2015-12-04 2017-06-14 재단법인 포항산업과학연구원 퍼지 제어를 이용한 리본 제조 장치
KR20180072954A (ko) * 2016-12-22 2018-07-02 전자부품연구원 태양전지모듈 발전량 예측방법 및 예측장치
KR20200057821A (ko) * 2018-11-13 2020-05-27 주식회사 에코시안 빅데이터 분석을 통한 태양광 발전량 예측 장치 및 방법
KR20210088956A (ko) * 2020-01-07 2021-07-15 엘지전자 주식회사 인공 지능 세탁기 및 그 동작 방법
KR102400711B1 (ko) 2020-05-25 2022-05-23 한전케이디엔주식회사 태양광 발전량 예측 시스템 및 방법

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20010001412A (ko) * 1999-06-04 2001-01-05 정선종 입출력 데이터를 이용한 퍼지 소속 함수 및 규칙 자동 생성 방법
KR20170066073A (ko) * 2015-12-04 2017-06-14 재단법인 포항산업과학연구원 퍼지 제어를 이용한 리본 제조 장치
KR20180072954A (ko) * 2016-12-22 2018-07-02 전자부품연구원 태양전지모듈 발전량 예측방법 및 예측장치
KR20200057821A (ko) * 2018-11-13 2020-05-27 주식회사 에코시안 빅데이터 분석을 통한 태양광 발전량 예측 장치 및 방법
KR20210088956A (ko) * 2020-01-07 2021-07-15 엘지전자 주식회사 인공 지능 세탁기 및 그 동작 방법
KR102400711B1 (ko) 2020-05-25 2022-05-23 한전케이디엔주식회사 태양광 발전량 예측 시스템 및 방법

Similar Documents

Publication Publication Date Title
De Benedetti et al. Anomaly detection and predictive maintenance for photovoltaic systems
Saloux et al. Forecasting district heating demand using machine learning algorithms
KR101761686B1 (ko) 머신 러닝을 이용한 태양광 발전량 실시간 예측 시스템
Stefenon et al. Photovoltaic power forecasting using wavelet neuro-fuzzy for active solar trackers
KR102230548B1 (ko) Frbfnn 모델을 이용한 태양광 발전설비의 발전예측 및 효율진단 시스템
Ledmaoui et al. Forecasting solar energy production: A comparative study of machine learning algorithms
Yurtseven et al. Sensorless fault detection method for photovoltaic systems through mapping the inherent characteristics of PV plant site: Simple and practical
Yang et al. Fault early warning of wind turbine gearbox based on multi‐input support vector regression and improved ant lion optimization
Tümse et al. Estimation of wind turbine output power using soft computing models
Obiora et al. Implementing extreme gradient boosting (xgboost) algorithm in predicting solar irradiance
Bilal et al. Wind power conversion system model identification using adaptive neuro-fuzzy inference systems: A case study
Bajracharya et al. Forecasting data center load using hidden markov model
KR102587449B1 (ko) 지능형 퍼지추론시스템을 이용한 태양광 발전량 예측 및 발전 효율진단 장치 및 그 방법
CN117314191A (zh) 一种综合能源系统运行策略滚动生成方法及系统
Fahim et al. Data-driven techniques for optimizing the renewable energy systems operations
Ma et al. Shading fault detection method for household photovoltaic power stations based on inherent characteristics of monthly string current data mapping
Yuan et al. Short-term wind speed forecasting using STLSSVM hybrid model
Zhang Data-driven whole building energy forecasting model for data predictive control
Domínguez-Cid et al. TEFNEN: Transformer for Energy Forecasting in Natural Environment
Malini et al. A Deep Learning Framework for Temperature Forecasting
CN112001524A (zh) 一种融合微气象实时监测信息提升架空线路输送能力的方法
Kaushik et al. Performance Analysis of Regression Models in Solar PV Forecasting
Tamil Selvi et al. Solar Energy Forecasting for Devices in IoT Smart Grid
Leahy Data analytics for fault prediction and diagnosis in wind turbines
Bolando et al. Design and modeling of 500 kW solar farms for Arbaminch city

Legal Events

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